Downloaden - Clusterplattform Österreich

Transcription

Downloaden - Clusterplattform Österreich
WISSEN : VERNETZEN : PUBLIZIEREN
www.textfeld.ac.at
Mario Puljic
Die Bedeutung von Clustern für die
Wettbewerbs- und Innovationsfähigkeit von
Unternehmen. Eine empirische
Untersuchung
Diplomarbeit
2008
Downloaden und kommentieren unter http://www.textfeld.ac.at/text/1119
Der gemeinnützige Verein textfeld setzt sich für die Online-Publikation akademischer Texte ein.
Mehrmals monatlich läßt textfeld von den interessantesten Beiträgen Rezensionen erstellt, die auf
stark frequentierten Online-Medien publiziert werden.
Die eigenen Texte können unter www.textfeld.ac.at kostenfrei publiziert werden.
Wirtschaftsuniversität Wien
Institut für Unternehmensführung
Unternehmensführung, Controlling und Beratung
Univ.-Prof. Dr. Gerhard Speckbacher
Univ.-Prof. Dr. Paul Wentges
Die Bedeutung von Clustern für die Wettbewerbs- und
Innovationsfähigkeit von Unternehmen
Eine empirische Untersuchung
Diplomarbeit betreut und beurteilt durch
Prof. Dr. Stefan Güldenberg
Mario Pulji%
h9850319
Mario.Puljic@wu-wien.ac.at
1.
2.
EINLEITUNG................................................................................................................14
1.1
FORSCHUNGSFRAGE ...............................................................................................15
1.2
AUFBAU DER ARBEIT ...............................................................................................17
THEORETISCHE GRUNDLAGEN ...............................................................................19
2.1
2.1.1
Der Ursprung des Clusterkonzepts................................................................19
2.1.2
Das Fehlen einer einheitlichen und klaren Definition .....................................20
2.1.3
Lösungsansätze für eine einheitliche Definition .............................................24
2.2
DER ANALYTISCHE RAHMEN ....................................................................................26
2.2.1
Die ressourcenbasierte Theorie der Unternehmung ......................................27
2.2.2
Die wissensbasierte Theorie der Unternehmung ...........................................30
2.2.3
Der Brückenschlag zur Innovation.................................................................32
2.3
3.
CLUSTERDEFINITIONEN ...........................................................................................19
INNOVATION UND DIE BEDEUTUNG DER INNOVATIONSFÄHIGKEIT ................................34
2.3.1
Innovation .....................................................................................................34
2.3.2
Innovationsfähigkeit.......................................................................................36
2.3.3
Innovationsfähigkeit und ihr Einfluß auf die Wettbewerbsfähigkeit.................39
2.3.4
Konsolidierungsdruck und Merger Endgame S-Curve ...................................43
DER STAND DER INTERNATIONALEN EMPIRISCHEN FORSCHUNG ....................46
3.1
CLUSTERIDENTIFIKATION UND RÄUMLICHE KONZENTRATION ......................................48
3.1.1
Der Agglomerationsindex nach Ellison/Glaeser.............................................48
3.1.2
Clusteridentifikation durch I/O-Daten am Beispiel Schweiz............................51
3.1.3
Räumliche Konzentration durch I/O-Daten und Getis-Ord-G-Statistiken........54
3.2
CLUSTERMERKMALE UND EFFEKTE AUS DER CLUSTERTEILNAHME .............................56
3.3
UNTERSUCHUNGEN VON SPILLOVERS ......................................................................57
3.3.1
Informelle Netzwerke als Austauschkanal für spezifisches Wissen ...............57
3.3.2
Die kanadische Flugzeugindustrie und das Konzept der Anker-Firmen.........59
3.3.3
Wissenstransfer aus Sicht von Patenthaltern ................................................63
3.4
AGGLOMERATION UND INNOVATIONSLEISTUNG .........................................................65
3.4.1
Cluster und ihr Einfluß auf Innovationsaktivitäten ..........................................65
3.4.2
Cluster und die Entstehung von Wissen ........................................................68
3.5
AGGLOMERATION UND UNTERNEHMENSBEZIEHUNGEN ..............................................71
3.6
SONSTIGE AGGLOMERATIONSVORTEILE ...................................................................74
3.7
KRITISCHE ANALYSE DES EMPIRISCHEN STANDES .....................................................76
3.7.1
Die Clusteridentifikation und die Problematik einer einheitlichen Definition....77
3.7.2
Lokale Knowledge Spillovers und Innovationsleistung...................................79
3.7.3
Cluster, Unternehmensbeziehungen und ähnliche Zusammenhänge............82
4.
DER EMPIRISCHE STAND IN ÖSTERREICH .............................................................84
4.1
5.
6.
4.1.1
Die Clusterlandschaft Niederösterreichs........................................................86
4.1.2
Die Clusterlandschaft in Oberösterreich ........................................................89
4.1.3
Die Cluster „Automobil“, „Kunststoff“ und „Mechatronik“ in Oberösterreich....93
4.2
ÖSTERREICHISCHE CLUSTER UND IHRE MERKMALE ..................................................99
4.3
ÖSTERREICHISCHE CLUSTER UND IHRE EFFEKTE AUF UNTERNEHMEN .....................102
4.4
DIMENSIONEN VON KOOPERATION IN STEIRISCHEN CLUSTERN.................................104
4.5
DIE OBERÖSTERREICHISCHEN ERFAHRUNGEN ........................................................106
AGGLOMERATIONSVORTEILE FÜR UNTERNEHMEN AUS CLUSTERN ..............109
5.1
KLASSIFIKATIONSMODELLE VON AGGLOMERATIONSVORTEILEN ................................112
5.2
KLASSISCHE AGGLOMERATIONSVORTEILE ..............................................................114
5.2.1
MAR-Effekte................................................................................................115
5.2.2
Porters Marktbedingungen ..........................................................................118
5.2.3
Knowledge Spillovers ..................................................................................119
5.3
ALTERNATIVE ASPEKTE .........................................................................................124
5.4
POTENTIELLE NACHTEILE AUS DER AGGLOMERATION ..............................................126
5.5
ABSCHLIEßENDE EVALUIERUNG DER AGGLOMERATIONSVORTEILE ...........................127
5.6
HYPOTHESEN UND KERNFRAGEN DER EMPIRISCHEN ERHEBUNG .............................132
ÖSTERREICHISCHE UNTERNEHMEN IN CLUSTERN – EIN EMPIRISCHES BILD 144
6.1
7.
DIE CLUSTERLANDSCHAFT IN ÖSTERREICH ..............................................................84
METHODIK UND UMFRAGEDATEN ...........................................................................144
6.1.1
Datenbasis ..................................................................................................147
6.1.2
Auswertung der Umfrage.............................................................................147
6.2
ALLGEMEINE ERGEBNISSE .....................................................................................148
6.3
INNOVATIONSBEZOGENE ERGEBNISSE ...................................................................151
6.4
DIE BEDEUTUNG DER CLUSTERFAKTOREN FÜR DIE ZIELERREICHUNG ......................156
6.5
DAS VORHANDENSEIN VON CLUSTERFAKTOREN .....................................................165
6.6
DIE MOTIVATIONSKRAFT VON CLUSTERFAKTOREN .................................................170
6.7
ERGEBNIS DER HYPOTHESENPRÜFUNG ..................................................................176
ZUSAMMENFASSUNG UND KRITISCHE BETRACHTUNG.....................................184
7.1
FORSCHUNGSFRAGE UND ERKENNTNISSE ..............................................................184
7.2
ANHALTSPUNKTE FÜR WEITERE FORSCHUNGEN......................................................187
8.
LITERATURVERZEICHNIS .......................................................................................195
9.
ANHANG....................................................................................................................212
ABBILDUNGSVERZEICHNIS
ABBILDUNG 1: DER ZUSAMMENHANG ZWISCHEN RESSOURCEN UND W ETTBEWERBSVORTEILEN ................................ 28
ABBILDUNG 2: ORGANISATIONALE INNOVATIONSFÄHIGKEIT ............................................................................ 39
ABBILDUNG 3: DAS INNOVATIONS-QUALITÄTS-RENTABILITÄTS-MODELL ............................................................. 41
ABBILDUNG 4: DIE MERGER ENDGAME S-CURVE UND DER WELTWEITE KONSOLIDIERUNGSDRUCK ............................. 44
ABBILDUNG 5: DIE FÜNF CLUSTER DER SCHWEIZERISCHEN VOLKSWIRTSCHAFT.................................................... 53
ABBILDUNG 6: CLUSTER ELECTRICAL EQUIPMENT – METALS/MACHINERY – CHEMICALS (MEC), SCHWEIZ 1995 ........... 53
ABBILDUNG 7: INDUSTRIELLE KOMPLEXE DER PHARMABRANCHE, USA 1997 ...................................................... 55
ABBILDUNG 8: DER MONTREAL FLUGZEUGCLUSTER UND DIE BEZIEHUNGEN INNERHALB DES CLUSTERS ....................... 61
ABBILDUNG 9: ILLUSTRATION SCHWACHER BINDUNGEN UND STRUKTURELLER LÜCKEN IN BEZIEHUNGSNETZWERKEN
ABBILDUNG 10: DER RÄUMLICHE QUOTIENT ZUR CLUSTERERMITTLUNG NACH LUBLINSKI
....... 72
........................................ 74
ABBILDUNG 11: DIE GEOGRAPHISCHE VERTEILUNG DER CLUSTERPARTNER DES W ELLBEING CLUSTER NÖ
.................. 88
ABBILDUNG 12: CLUSTERINITIATIVEN UND NETZWERKE IN OBERÖSTERREICH ...................................................... 90
ABBILDUNG 13: DIE REGIONALE ZUSAMMENSETZUNG DES AUTOMOBILCLUSTERS OBERÖSTERREICH .......................... 93
ABBILDUNG 14: DIE ÖSTERREICHISCHEN CLUSTERPARTNER DES AUTOMOBILCLUSTERS OBERÖSTERREICH .................. 94
ABBILDUNG 15: DIE REGIONALE ZUSAMMENSETZUNG DES KUNSTSTOFFCLUSTERS OBERÖSTERREICH
........................ 96
ABBILDUNG 16: DIE ÖSTERREICHISCHEN CLUSTERPARTNER DES KUNSTSTOFFCLUSTERS OBERÖSTERREICH
................ 97
ABBILDUNG 17: DIE REGIONALE ZUSAMMENSETZUNG DES MECHATRONIKCLUSTERS OBERÖSTERREICH ....................... 98
ABBILDUNG 18: DIE ÖSTERREICHISCHEN CLUSTERPARTNER DES MECHATRONIKCLUSTERS OBERÖSTERREICH ............... 99
ABBILDUNG 19: EINTEILUNG ÖSTERREICHISCHER CLUSTER NACH F&E-POTENTIAL ............................................. 100
ABBILDUNG 20: LERNSYSTEME IN STEIRISCHEN CLUSTERN UND IHRE RELATIVE BEDEUTUNG .................................. 105
ABBILDUNG 21: RÜCKLAUF DER ERSTUMFRAGE ....................................................................................... 144
ABBILDUNG 22: RÜCKLAUF DER ZWEITUMFRAGE ...................................................................................... 145
ABBILDUNG 23: VERTEILUNG DER ANTWORTENDEN UNTERNEHMEN NACH BUNDESLÄNDERN .................................. 146
ABBILDUNG 24: VERTEILUNG DER 76 ANTWORTENDEN UNTERNEHMEN AUF VERWALTUNGSBEZIRKSEBENE ................. 146
ABBILDUNG 25: VERTEILUNG DER UNTERNEHMEN NACH CLUSTERN ............................................................... 149
ABBILDUNG 26: VERTEILUNG DER GRÖßENKLASSEN NACH CLUSTERN............................................................. 149
ABBILDUNG 27: VERTEILUNG DER UNTERNEHMENSORIENTIERUNG
................................................................ 150
ABBILDUNG 28: VERTEILUNG DER UNTERNEHMENSORIENTIERUNG NACH CLUSTERN ............................................ 151
ABBILDUNG 29: ERSTINNOVATION VS. CLUSTERBEITRITT NACH UNTERNEHMENSORIENTIERUNG .............................. 152
ABBILDUNG 30: LETZTINNOVATION VS. CLUSTERBEITRITT NACH UNTERNEHMENSORIENTIERUNG ............................. 152
ABBILDUNG 31: DURCHSCHNITTLICH EINGEFÜHRTE PRODUKTINNOVATIONEN 1997-2006 & IM LANGZEITVERGLEICH ..... 154
ABBILDUNG 32: DIE BEDEUTUNG DER EINZELNEN CLUSTERVARIABLEN FÜR DIE ZIELERREICHUNG VON UNTERNEHMEN ... 156
ABBILDUNG 33: DIE BEDEUTUNG DER EINZELNEN CLUSTERVARIABLEN NACH CLUSTER
........................................ 157
ABBILDUNG 34: DIE BEDEUTUNG DER EINZELNEN CLUSTERVARIABLEN NACH UNTERNEHMENSORIENTIERUNG .............. 159
ABBILDUNG 35: DIE BEDEUTUNG DER EINZELNEN CLUSTERVARIABLEN NACH GRÖßENKLASSE ................................ 160
ABBILDUNG 36: DIE BEDEUTUNG DER VARIABLENGRUPPEN ÜBER ALLE CLUSTER ............................................... 161
ABBILDUNG 37: DIE BEDEUTUNG DER VARIABLENGRUPPEN NACH CLUSTERN .................................................... 161
ABBILDUNG 38: DIE BEDEUTUNG DER VARIABLENGRUPPEN NACH UNTERNEHMENSORIENTIERUNG ........................... 162
ABBILDUNG 39: DIE BEDEUTUNG DER VARIABLENGRUPPEN NACH GRÖßENKLASSE ............................................. 162
ABBILDUNG 40: BEDEUTUNG DER AGGLOMERATIONS- UND UMFELDFAKTOREN NACH CLUSTERN ............................. 163
ABBILDUNG 41: BEDEUTUNG DER AGGLOMERATIONS- UND UMFELDFAKTOREN NACH UNTERNEHMENSORIENTIERUNG
... 164
ABBILDUNG 42: DAS VORHANDENSEIN DER EINZELNEN CLUSTERVARIABLEN ÜBER ALLE CLUSTER ............................ 165
ABBILDUNG 43: DAS VORHANDENSEIN DER EINZELNEN CLUSTERVARIABLEN NACH CLUSTERN ................................ 165
ABBILDUNG 44: VORHANDENSEIN DER CLUSTERVARIABLEN NACH UNTERNEHMENSORIENTIERUNG ........................... 166
ABBILDUNG 45: DAS VORHANDENSEIN VON CLUSTERVARIABLEN NACH GRÖßENKLASSEN ...................................... 167
ABBILDUNG 46: DAS VORHANDENSEIN DER VARIABLENGRUPPEN ÜBER ALLE CLUSTER ......................................... 168
ABBILDUNG 47: VORHANDENSEIN DER VARIABLENGRUPPEN NACH UNTERNEHMENSORIENTIERUNG .......................... 168
ABBILDUNG 48: VORHANDENSEIN DER AGGLOMERATIONS- UND UMFELDFAKTOREN NACH GRÖßENKLASSE
................ 170
ABBILDUNG 49: DIE MOTIVATIONSKRAFT DER EINZELNEN CLUSTERVARIABLEN ÜBER ALLE CLUSTER ......................... 170
ABBILDUNG 50: DIE MOTIVATIONSKRAFT DER EINZELNEN CLUSTERVARIABLEN NACH CLUSTERN .............................. 171
ABBILDUNG 51: DIE MOTIVATIONSKRAFT DER CLUSTERVARIABLEN NACH UNTERNEHMENSORIENTIERUNG .................. 172
ABBILDUNG 52: MOTIVATIONSKRAFT DER CLUSTERVARIABLEN NACH GRÖßENKLASSE
......................................... 173
ABBILDUNG 53: DIE MOTIVATIONSKRAFT DER VARIABLENGRUPPEN ÜBER ALLE CLUSTER ...................................... 174
ABBILDUNG 54: DIE MOTIVATIONSKRAFT DER VARIABLENGRUPPEN NACH GRÖßENKLASSE .................................... 174
ABBILDUNG 55: DIE MOTIVATIONSKRAFT DER VARIABLENGRUPPEN NACH GRÖßENKLASSE .................................... 175
ABBILDUNG 56: MOTIVATIONSKRAFT DER AGGLOMERATIONS- UND UMFELDFAKTOREN NACH GRÖßENKLASSE ............. 175
ABBILDUNG 57: VERGLEICH DER BÜNDEL VON MOTIVATIONSFAKTOREN NACH ORIENTIERUNG ................................ 179
ABBILDUNG 58: IDEALTYPISCH ERWARTETE BEWERTUNG DER BÜNDEL VON MOTIVATIONSFAKTOREN ........................ 180
ABBILDUNG 59: AUSPRÄGUNG DERAGGLOMERATIONS- UND UMFELDFAKTOREN BEI KMUS
................................... 181
ABBILDUNG 60: AUSPRÄGUNG DER AGGLOMERATIONS- UND UMFELDFAKTOREN BEI GROßUNTERNEHMEN
................. 181
ABBILDUNG 61: AUSPRÄGUNG DER EINZELNEN CLUSTERVARIABLEN BEI GROßUNTERNEHMEN ................................ 182
ABBILDUNG 62: AUSPRÄGUNG DER EINZELNEN CLUSTERVARIABLEN BEI KMUS
................................................. 182
ABBILDUNG 63: BEDEUTUNG, VORHANDENSEIN & MOTIVATIONSKRAFT DER CLUSTERVORTEILE .............................. 185
ABBILDUNG 64: CLUSTERMITGLIEDSCHAFTSDAUER & BEWERTUNG DER CLUSTERVORTEILE ................................... 189
TABELLENVERZEICHNIS
TABELLE 1: KRITISCHE BEHANDLUNG VON CLUSTERDEFINITIONEN IN DER LITERATUR DES LETZTEN JAHRZEHNTS
........... 21
TABELLE 2: DIE ENTWICKLUNG DES CLUSTERKONZEPTS............................................................................... 22
TABELLE 3: EINE AUSWAHL VERSCHIEDENER CLUSTERDEFINITIONEN................................................................ 23
TABELLE 4: GEGENÜBERSTELLUNG VON NETZWERKEN UND CLUSTERN ............................................................. 24
TABELLE 5: KONZEPTE DER INNOVATIONSFÄHIGKEIT
................................................................................... 37
TABELLE 6: STUDIEN ZUR CLUSTERIDENTIFIKATION ..................................................................................... 48
TABELLE 7: DIE 15 AM STÄRKSTEN KONZENTRIERTEN BRANCHEN DER USA ....................................................... 50
TABELLE 8: STUDIEN ZU CLUSTERMERKMALEN .......................................................................................... 56
TABELLE 9: STUDIEN ZU SPILLOVERS ..................................................................................................... 57
TABELLE 10: BERUFSERFAHRUNG UND W ISSENSERWERB ............................................................................. 59
TABELLE 11: VERTEILUNG EUROP. PATENTE NACH TECHNOLOGISCHER KLASSE UND ARBEITGEBERN DER ERFINDER ....... 64
TABELLE 12: STUDIEN ZUR INNOVATIONSLEISTUNG ..................................................................................... 65
TABELLE 13: DER EINFLUß VON CLUSTERN AUF DIE INNOVATIONSFÄHIGKEIT VON UNTERNEHMEN .............................. 66
TABELLE 14: STUDIEN ZU UNTERNEHMENSBEZIEHUNGEN
............................................................................. 71
TABELLE 15: STUDIEN ZU ÜBRIGEN AGGLOMERATIONSVORTEILEN
................................................................... 74
TABELLE 16: ZUSAMMENFASSUNG UND VERGLEICH DES AKTUELLEN EMPIRISCHEN FORSCHUNGSSTANDES 1/2 .............. 80
TABELLE 17: ZUSAMMENFASSUNG UND VERGLEICH DES AKTUELLEN EMPIRISCHEN FORSCHUNGSSTANDES 2/2 .............. 81
TABELLE 18: DIE BUNDESWEITEN CLUSTER IN ÖSTERREICH .......................................................................... 85
TABELLE 19: ZAHLEN UND DATEN ZU FÜNF AUSGEWÄHLTEN OBERÖSTERREICHISCHEN CLUSTERN FÜR 2006
................ 91
TABELLE 20: KOOPERATIONSPROJEKTE IM VERLAUF IN AUSGEWÄHLTEN CLUSTERN OBERÖSTERREICHS ...................... 92
TABELLE 21: MOBILITÄT SPEZIALISIERTER FRANZÖSISCHER ARBEITNEHMER 1996-1997
...................................... 116
TABELLE 22: DIE MOTIVATIONSFAKTOREN FÜR DIE CLUSTERTEILNAHME (HYPOTHESE 1) ...................................... 135
TABELLE 23: FORTSCHRITTS- UND ÜBERLEBENSAKTIVITÄTEN IN UNTERNEHMEN ................................................ 136
TABELLE 24: W ETTBEWERBS- UND INNOVATIONSORIENTIERUNG (HYPOTHESE 2) ............................................... 137
TABELLE 25: DIE BÜNDEL DER MOTIVATIONSFAKTOREN NACH STRATEGISCHER ORIENTIERUNG (HYPOTHESE 2)
TABELLE 26: SCHEMATISCHE DARSTELLUNG DER HYPOTHESEN
.......... 137
................................................................... 143
TABELLE 27: VERTEILUNG DER UNTERNEHMENSORIENTIERUNG NACH GRÖßENKLASSE
........................................ 151
TABELLE 28: DURCHSCHNITTLICH EINGEFÜHRTE PRODUKTINNOVATIONEN 1997-2006 & IM LANGZEITVERGLEICH
........ 153
TABELLE 29: SIGNIFIKANZTEST: EINFÜHRUNG PRODUKTINNOVATIONEN NACH ORIENTIERUNG ................................ 155
TABELLE 30: SIGNIFIKANZTEST: UNTERNEHMENSORIENTIERUNG VS. F&E-AUSGABEN ......................................... 155
TABELLE 31: SIGNIFIKANZTEST: UNTERSCHIEDE ZWISCHEN CLUSTERN IN DER BEWERTUNG VON CLUSTERVARIABLEN.... 157
TABELLE 32: BEDEUTUNG DER AGGLOMERATIONS- & UMFELDFAKTOREN NACH UNTERNEHMENSGRÖßE .................... 164
TABELLE 33: VORHANDENSEIN VON AGGLOMERATIONS- & UMFELDFAKTOREN NACH CLUSTER UND ORIENTIERUNG ...... 169
TABELLE 34: MOTIVATIONSKRAFT VON AGGLOMERATIONS- & UMFELDFAKTOREN (GRÖßENKLASSE & ORIENTIERUNG) ... 176
TABELLE 35: DIE AM HÖCHSTEN BEWERTETEN CLUSTERVARIABLEN
............................................................... 177
TABELLE 36: ZUSAMMENFASSUNG DER SIGNIFIKANTEN ERGEBNISSE BEI CLUSTERVARIABLEN ................................. 178
TABELLE 37: KORRELATION ZWISCHEN MITGLIEDSCHAFTSDAUER & VARIABLENBEWERTUNG .................................. 189
ANHANG
ANHANG 1: DER DIAMANTANSATZ PORTERS UND DIE QUELLEN DER ÖRTLICHEN W ETTBEWERBSFÄHIGKEIT ................. 212
ANHANG 2: STRUKTURGLEICHUNG DES IQP-MODELLS NACH CHO/PUCIK ......................................................... 212
ANHANG 3: ÜBERSICHT EMPIRISCHER CLUSTERSTUDIEN
............................................................................ 213
ANHANG 4: SCHEMATISCHE DARSTELLUNG EINER I/O-TABELLE .................................................................... 214
ANHANG 5: LEGENDE DER DARSTELLUNG DER ÖKONOMISCHEN BEDEUTUNG VON CLUSTERN ................................. 214
ANHANG 6: FORSCHUNGSZUSAMMENARBEIT IM INNOVATIONSPROZEß IN EUROPA ............................................... 215
ANHANG 7: REGIONALE CLUSTER IN ÖSTERREICH .................................................................................... 215
ANHANG 8: SPEZIFISCHE LERNFORMEN IN CLUSTERN ................................................................................ 216
ANHANG 9: FORMEN INFORMELLEN LERNENS IN STEIRISCHEN CLUSTERN ......................................................... 216
ANHANG 10: FORMEN PARTIZIPATIVEN LERNENS IN STEIRISCHEN CLUSTERN ..................................................... 216
ANHANG 11: MEßINSTRUMENTE FÜR DIE UNTERSUCHUNG VON BRÜCKENBEZIEHUNGEN IN CLUSTERN ....................... 217
ANHANG 12: BRÜCKENBEZIEHUNGEN IM STRUKTURGLEICHUNGSMODELL VON MCEVILY/ZAHEER ............................. 218
ANHANG 13: VORTEILE GEOGRAPHISCHER KONZENTRATION (CLUSTER) .......................................................... 219
ANHANG 14: KATEGORIEN RÄUMLICH NAHER UNTERNEHMEN UND INSTITUTIONEN ............................................... 219
ANHANG 15: ZUSAMMENFASSUNG UND VERGLEICH DES AKTUELLEN EMPIRISCHEN FORSCHUNGSSTANDES ................. 223
ANHANG 16: DIE REGION CENTROPE AUS SICHT DES ACVR AUTOMOTIVE CLUSTERS VIENNA REGION ................. 224
ANHANG 17: AGGLOMERATIONSVORTEILE IM MODELL VON CANIËLS/ROMIJN ..................................................... 224
ANHANG 18: FRAGEBOGEN DER ERSTUMFRAGE ....................................................................................... 229
ANHANG 19: ADAPTIERTER FRAGEBOGEN DER ZWEITUMFRAGE .................................................................... 235
ANHANG 20: ANSCHREIBEN DER UMFRAGEN
.......................................................................................... 236
ANHANG 21: F&E-AUSGABEN IN % DES UMSATZES 1997-2006 NACH UNTERNEHMENSORIENTIERUNG ..................... 237
ANHANG 22: VORHANDENSEIN DER VARIABLENGRUPPEN NACH CLUSTERN ....................................................... 237
ANHANG 23: VORHANDENSEIN DER VARIABLENGRUPPEN NACH GRÖßENKLASSE ................................................ 238
ANHANG 24: SIGNIFIKANZTEST: DISKREPANZEN ZWISCHEN BEDEUTUNG & MOTIVATIONSKRAFT (CLUSTER) ................ 238
ANHANG 25: SIGNIFIKANZTEST: DISKREPANZEN ZWISCHEN BEDEUTUNG & MOTIVATIONSKRAFT (ORIENTIERUNG) ......... 238
ANHANG 26: SIGNIFIKANZTEST: DISKREPANZEN ZWISCHEN BEDEUTUNG & MOTIVATIONSKRAFT (UNTERNEHMENSGRÖßE)239
ANHANG 27: SPSS-SYNTAX DER STATISTISCHEN AUSWERTUNG DER UMFRAGE ................................................ 247
ABKÜRZUNGSVERZEICHNIS
AC
Automobilcluster Oberösterreich
BZW .
beziehungsweise
EPO
Europäisches Patentamt
EU
Europäische Union
F&E
Forschung und Entwicklung
GOB
Geschenkorientiertes Bündel an Motivationsfaktoren
IOB
Innovationsorientiertes Bündel an Motivationsfaktoren
I/O-Tabelle
Input-Output-Tabelle
IQP
Innovativeness-Quality-Performance-Modell nach Cho/Pucik
IT
Informationstechnologie
KBV
Knowledge Based View of the Firm – Wissensbasierte
Sichtweise der Unternehmung
KC
Kunststoffcluster Oberösterreich
KMU
Kleine- und Mittlere Unternehmen
MAR-Effekt
Marshall-Arrow-Romer-Effekt
MC
Mechatronikcluster Oberösterreich
NACE
Nomenclature générale des activités économiques dans les
Communautés Européennes - System zur Klassifizierung von
Wirtschaftszweigen der EU
NPD
New Product Development
NUTS
Nomenclature des unités territoriales statistiques - Systematik
der Gebietseinheiten für die Statistik des Europäischen
Statistikamtes
OEM
Original Equipment Manufacturer
OÖ
Oberösterreich
RBV
Resource-based View of the firm – Ressourcenbasierte
Sichtweise der Unternehmung
ROA
Return on Assets
ROE
Return on Equity
ROI
Return on Investment
SIC
Standard Industry Classification des U.S. Census Bureau
u.a.
unter anderem
VRIO-Schema
Value-Rareness-Imitability-Organization-Schema nach Barney
WOB
Wettbewerbsorientiertes Bündel an Motivationsfaktoren
WKÖ
Wirtschaftskammer Österreich
z.B.
zum Beispiel
1. Einleitung
Das letzte Jahrzehnt war in Österreich gekennzeichnet durch eine sehr starke
Thematisierung von Clusterinitiativen, die auf eine Stärkung der regionalen Wirtschaft
ausgerichtet sind. Hierbei war sicherlich auch das sehr erfolgreiche Projekt des steirischen
Autoclusters1 ein inspirierendes Beispiel. Die Aktualität von Clusterinitiativen läßt sich auch
an der großen Zahl der in Österreich neu entstandenen Cluster ablesen.
Mahlberg/Pilz/Schneider listen in ihrer Studie eine Auswahl von 36 regionalen und 7
bundesweiten Clustern im Zeitraum von 1996 bis 2004 auf.2
Die angesprochenen Initiativen gingen und gehen großteils von Seiten der öffentlichen Hand
aus. Dies verwundert auch nicht, wenn man die wirtschaftspolitischen Ziele, die dabei
verfolgt werden, betrachtet. Im Falle des Autoclusters Steiermark war eines der Ziele, die
wirtschaftliche Stagnation der Steiermark aufzuhalten und umzukehren. Folgt man einer
Studie von Matschiner, so dürfte dieses Ziel zumindest teilweise erreicht worden sein. So
diagnostiziert Matschiner erheblich höhere Anstiege der Beschäftigungszahlen im Vergleich
zu Gesamtösterreich3. Damit wäre auch eines der vielen wirtschaftspolitischen Ziele
angesprochen, die Regierungsstellen zur Clustergründung bzw. Clusterunterstützung
bewegen können. Andere Ziele können die Stärkung der regionalen Unternehmen im
internationalen Wettbewerb, der im Verbund leichter zu bestehen ist, oder aber auch die
Verbesserung der Struktur der Forschungs- und Entwicklung (F&E) des Landes4 sein.
Aber auch auf internationaler Ebene sind Cluster zunehmend von Interesse. So beschäftigt
sich die Enterprise Policy Group (EPG), ein die EU-Kommission beratendes Gremium, mit
Clustern als Instrument zur Unterstützung des Wachstums und der Wettbewerbsfähigkeit
von europäischen KMUs.
Als direkte Folge der Tätigkeit dieses im Jahr 2000 gegründeten Gremiums, dem Experten
aus allen EU-Mitgliedsländern angehören, wurde im Jahr 2002 ein Projekt mit dem Namen
„Enterprise Clusters and Networks“ (das sogenannte MAP 2002 Projekt) gestartet. Die
Zielsetzung wurde folgendermaßen beschrieben:
„We will foster the involvement of small enterprises in inter-firm cooperation, at local, national, European and international levels as well
as the co-operation between small enterprises and higher education
and research institutions.”5
Diesem Zitat ist zu entnehmen, daß die Kooperations- und Organisationsform „Cluster“,
wenn sie auch nicht direkt als solche bezeichnet wird, ganz klar in Zusammenhang mit dem
Wachstum und der Wettbewerbsfähigkeit von Unternehmen gesehen wird.
1
Einer der größten österreichischen Cluster der 1995 gegründet wurde. Die ACstyria Automobilcluster GmbH.
wurde mit dem Clustermanagement betraut. Siehe auch http://www.acstyria.com/.
2
Vgl. Mahlberg/Pilz/Schneider (2005), S. 50f.
3
Vgl. Matschiner (2000).
4
Vgl. hierzu Clement et al (2002).
5
[EK] (2002a).
14
1.1 Forschungsfrage
Die Vor- und Nachteile von Clustern aus Sicht des Staates sind in den letzten Jahren stark
thematisiert worden. Hierzu besteht eine Vielzahl an Forschungsarbeiten aus dem Feld der
Wirtschaftsgeographie und der Regionalentwicklung.6 Es stellt sich jedoch die Frage nach
der Unternehmenssicht. Die Klärung der Frage, welche Vorteile Unternehmen aus Clustern
ziehen können, verspricht interessante Erkenntnisse. Dies um so mehr, als die Zahl der
Cluster, nicht nur in Österreich – hier aber im Vergleich zu größeren EU-Ländern
überproportional7 – stark steigt.
Die für diese Arbeit zentralen Fragen sind: Welche Vorteile bieten sich aus
Unternehmenssicht durch die Beteiligung an Clusterinitiativen? Wie lassen sich diese
Vorteile feststellen und welchen Beitrag können sie zum Erhalt und zur Steigerung der
Wettbewerbsfähigkeit und der Innovationsfähigkeit leisten?
Die Beantwortung dieser und weiterer Fragen sei im folgenden kurz skizziert.
Nicht erst seit Michael Porters berühmten Artikel zum Wettbewerb zwischen Nationen ist die
Wettbewerbsfähigkeit von Staaten ein wichtiges Thema der Wissenschaft und der
Regierungen von Staaten. Doch sein Einführungssatz dazu gehört mit zu den meistzitierten
der Wirtschaftsliteratur:
„National prosperity is created, not inherited. It does not grow out of a
country’s natural endowments, its labor pool, its interest rates, or its
currency’s value, as classical economists insist.”8
Betrachtet man nun die Bemühungen der öffentlichen Hand auf nationaler wie auf
übernationaler Ebene (EU) so wird klar, daß Cluster als taugliches, ja äußerst wirksames
Mittel angesehen werden, die Wettbewerbsfähigkeit von der Porter spricht hervorzubringen.
Da die vorliegende Arbeit jedoch keine makroökonomische Sichtweise im Zusammenhang
mit Clustern annimmt, muß die Betrachtung auf die Ebene derjenigen Subjekte verlagert
werden, welche die angesprochene Wettbewerbsfähigkeit bewirken: die Unternehmen.
Wie im Verlauf dieser Arbeit noch gezeigt wird, kann man unter Clustern vereinfacht gesagt
eine räumliche Konzentration von Unternehmen und anderen Akteuren wie Universitäten
oder öffentlichen Einrichtungen verstehen.
Da Unternehmen jedoch in der Mehrzahl gewinnorientiert arbeiten, müssen gewichtige
Gründe für diese Agglomeration gegeben sein. Ansonsten wäre die räumliche Verteilung
wirtschaftlicher Akteure viel stärker zufallsverteilt. Da Cluster jedoch ein beobachtbares
Phänomen sind, welches sich nicht immer durch Rohstoffgegebenheiten erklären läßt,
müssen den Unternehmen aus dieser Konzentration auch Vorteile erwachsen.
6
Exemplarisch sei auf Matschiner (2000), Clement et al. (2002), [EK] (2002b), Smith (2003), Sternberg/
Litzenberger (2004) und [BMBF] (2006) verwiesen.
7
Vgl. Clement et al (2002)., S. 1.
8
Porter (1990), S. 73.
15
Die Motivation von Unternehmen, sich an Clustern zu beteiligen, kann jedoch auch durch
staatliche Maßnahmen wie Förderungen und gesetzliche Regelungen wie z. B. steuerliche
Vorteile beeinflußt sein. Aus diesem Grund stellt sich die Frage nach den Beweggründen für
eine Clustermitgliedschaft aus Unternehmenssicht. Überwiegen eher Motivationen mit
Geschenkcharakter wie Förderungen und Steuererleichterungen oder wirken langfristigere
Faktoren als Triebkräfte. Diese Arbeit geht von Letztgenanntem aus.
Da Unternehmen ihre Entscheidungen zumeist mit Hinblick auf Wachstums- und
Profitmöglichkeiten treffen, müssen diese Agglomerationen und die sich durch sie bietenden
Agglomerationsvorteile, deduktiv auch eine Bedeutung für die Wettbewerbsfähigkeit haben.
Ziel dieser Arbeit wird es daher sein, diese Agglomerationsvorteile zu identifizieren, ihre
Ausprägungen zu beschreiben und ihre Bedeutung für die Wettbewerbsfähigkeit zu
untersuchen. Daraus abgeleitet ergibt sich auch die erste Forschungsfrage dieser Arbeit:
(1) Welche Vorteile können Unternehmen aus der Beteiligung an Clustern
hinsichtlich ihrer Wettbewerbsfähigkeit erwachsen und als solche unter
Umständen auch das Bestehen von Clustern erklären?
Bezogen auf Österreich ist ebenfalls zu klären ob und in welcher Form diese identifizierbaren
Agglomerationsvorteile auch in österreichischen Clustern zu finden sind und wie ihre relative
Bedeutung zu einander einzuschätzen ist. Dabei ist auch die Frage interessant, ob diese
Vorteile von österreichischen Clusterunternehmen auch erkannt und genutzt werden und wie
ihre Bedeutung für die Wettbewerbsfähigkeit eingeschätzt wird. Dies führt zu einer
untergeordneten Forschungsfrage:
(1a)
Welche dieser Agglomerationsvorteile finden sich bei exemplarischen
österreichischen Clustern und wie ist ihre relative Bedeutung zueinander?
Diese Fragen werden durch das Prisma der ressourcenbasierten Sichtweise des
Unternehmens betrachtet, um dem Untersuchungsgegenstand mit einem adäquaten
theoretischen Konzept, in Form der Theorie der Unternehmung, gerecht zu werden.
Wissen, Innovation und Lernen gelten in immer größerem Maße als Bestimmungsgrößen
von Wohlstand und Wettbewerbsfähigkeit. Diese Bedeutung spiegelt sich in der
wissenschaftlichen Literatur in Begriffen wie „knowledge-based economy“9 oder „learning
economy“10 wider. Diese Wissensorientierung findet ihre ganz spezifische Ausprägung bei
Clustern in Form von Knowledge Spillovers. Die Untersuchung, wie diese Knowledge
Spillovers wirken und in welchem Zusammenhang sie zur Innovationsfähigkeit von
Unternehmen stehen, ist hierbei von besonderem Interesse und führt damit zur zweiten
Forschungsfrage:
9
Vgl. dazu [OECD] (1996) bzw. David/Foray (2002).
Vgl. beispielsweise Lundvall (2004).
10
16
(2) Welche Bedeutung haben die Agglomerationsvorteile die durch die Beteiligung
an Clustern für Unternehmen entstehen für deren Innovationsfähigkeit?
Dem selben Gedanken wie bei der ersten Forschungsfrage folgend, wird die Beantwortung
dieser Frage mit Hilfe eines Konzepts, das die Bedeutung des Wissens für Unternehmen
ausreichend würdigt, erfolgen: der wissensbasierten Sichtweise der Unternehmung.
Diese Forschungsfrage führt wiederum zu einer daraus abgeleiteten, für Österreich
spezifischen, Fragestellung:
(2a)
Welche Bedeutung haben die Agglomerationsvorteile in österreichischen
Clustern für Unternehmen für deren Innovationsfähigkeit?
1.2 Aufbau der Arbeit
Zu Beginn der Arbeit werden die theoretischen Grundlagen und der theoretische Rahmen
erarbeitet werden. Hierbei werden einerseits definitorische Aspekte behandelt und zentrale
Begriffe wie Cluster, Innovation und Innovationsfähigkeit erläutert. Andererseits werden
relevante theoretische Konzepte wie die ressourcen- und wissensbasierte Sichtweise des
Unternehmens vorgestellt und verbunden. Daneben wird auch die Bedeutung der
Innovationsfähigkeit aus Unternehmenssicht erörtert, wobei sowohl auf empirische wie
theoretische Sichtweisen Rücksicht genommen wird.
Daran anschließend bietet Kapitel Drei eine Übersicht des empirischen Forschungsstandes
der Clusterforschung. Hierbei werden die für diese Arbeit bedeutendsten Studien, ihre
theoretischen Überlegungen, die angewandten empirischen Vorgangsweisen und
Ergebnisse vorgestellt. Dieses Kapitel soll dazu dienen, offene Lücken und Gebiete mit
unklaren Ergebnissen hervorzuheben und als Grundlage für, die in dieser Arbeit noch
folgende, empirische Erhebung dienen.
Folgend werden die österreichischen Cluster kurz vorgestellt, in einen Kontext mit Daten zur
Forschung und Entwicklung (F&E) gestellt und Entwicklungsmöglichkeiten österreichischer
Cluster erörtert.
Kapitel Fünf schließlich soll die potentiellen Agglomerationsvorteile nach dem Stand der
Forschung darstellen und alternative Sichtweisen, sowie potentielle negative Effekte von
Clustern auf Unternehmen darlegen.
Aufbauend auf den vorhergehenden Kapiteln, soll Kapitel Sechs in einer empirischen
Erhebung in drei österreichischen Clustern (dem Mechatronik-Cluster Oberösterreich, dem
Kunststoff-Cluster Oberösterreich und dem Automobil-Cluster Oberösterreich) die
Motivationen von Unternehmen für eine Clusterteilnahme untersuchen. Zusätzlich soll
erhoben werden, ob und welche Agglomerationsvorteile von Unternehmen gesehen werden
17
und wie bedeutend diese in der Einschätzung der Unternehmen für die Wettbewerbs- und
Innovationsfähigkeit sind.
Abschließend werden die Ergebnisse der empirischen Erhebung mit den gestellten
Forschungsfragen zusammengeführt. Dazu werden die Ergebnisse im Bezug auf die
Fragestellungen interpretiert und die sich ergebenden Schlußfolgerungen präsentiert.
18
2. Theoretische Grundlagen
Im folgenden sei kurz die theoretische Basis dieser Arbeit erläutert. Nach einer
Begriffsbestimmung von Clustern, wird auf wesentliche Werkzeuge und Theorien verwiesen,
die im Verlauf dieser Arbeit zum Einsatz kommen. Hiermit ist insbesondere die
ressourcenbasierte Theorie der Unternehmung und ihr Derivat die wissensbasierte
Unternehmenssicht vorgestellt. Daneben wird aber auch auf den Begriff der Innovation und
das Konzept der Innovationsfähigkeit und ihrer Bedeutung eingegangen.
2.1 Clusterdefinitionen
Definitio est oratio quae id quod definitur explicat quid sit.
(Cicero, Topica, 44. v. Chr.)
So einfach und klar dieser Satz11 aus Ciceros Topica ist, so schwer erweist sich das
Unterfangen einer Definition im Falle von Clustern. Denn eine einheitliche Definition dessen,
was ein Cluster ist, existiert eigentlich nicht. Dieser Abschnitt widmet sich trotz der im
folgenden beschriebenen Schwierigkeiten, dem Versuch zu einer klaren und geeigneten
Definition zu gelangen.
2.1.1
Der Ursprung des Clusterkonzepts
Als Urahn der Clustertheorie wird der britische Volkswirt Alfred Marshall angesehen, der in
seinem Werk „Principles of Economics“ (1890), industriellen Zusammenballungen an einem
bestimmten Ort ein Kapitel gewidmet hat. Er hat als Erster die Bedeutung und die möglichen
Vorteile räumlich konzentrierter wirtschaftlicher Aktivität untersucht.
So schreibt er: „[...]great are the advantages which people following the same skilled trade
get from near neighbourhood to one another”.12 Die angesprochenen Agglomerationen
(untersucht am Beispiel Großbritanniens) nannte er “industrial districts” und diese führen
durch die den Unternehmen entstehenden Vorteile zu einer Konzentration von Expertise und
wirtschaftlicher Aktivität. Die Vorteile nach Marshall äußern sich vor allem in Form von
Arbeitsmarktvorteilen, Input-Output-Vorteilen und Technologieeffekten.13
Die identifizierten industrial districts beschrieb Marshall als „[...]large numbers of small
businesses of a similar kind in the same locality [...]14.
Doch die wissenschaftliche Literatur kennt viele weitere Forscher, die sich der
wirtschaftlichen Agglomeration und räumlichen Interaktion von Unternehmen widmeten. Da
eine detaillierte Aufarbeitung der vielen Quellen und Strömungen, die in der Clustertheorie
einflossen, den Rahmen dieses Kapitels bei weitem überschreiten würde, sei hier nur auf
zwei weitere Vertreter und die ebenfalls folgende tabellarische Darstellung der historischen
Entwicklung des Clusterkonzepts verwiesen.
11
„Die Definition ist eine Aussage, die erklärt was das ist, das definiert wird.“ (Eigene Übersetzung).
Marshall (1938), S. 271.
13
Vgl. Mahlberg/Pilz/Schneider (2005), S. 10f.
14
Marshall (1938), S. 277.
12
19
Neben
Marshall
verweist
die
Literatur
(u.a.
DeBresson/Hu
(1999),
Bresnahan/Gambardella/Saxenian (2001), Niosi/Zhegu (2005) ) auf den französischen
Volkswirt François Perroux und sein Konzept der Wachstumspole, die sich durch Sektoren
bilden, die vor- und nachgelagerte Branchen anziehen. 15
Popularisiert wurde der Clusterbegriff in den letzten Jahren jedoch vor allem durch Michael
Porter und sein 1990 veröffentlichtes Werk „The competitive advantage of nations“ in dem er
aufbauend auf seinem Diamantkonzept16 die Wettbewerbsfähigkeit von Nationen
untersuchte.
2.1.2
Das Fehlen einer einheitlichen und klaren Definition
Porter definiert Cluster als geographische Konzentration von miteinander verbundenen
Unternehmen und Institutionen in einem bestimmten Wirtschaftsbereich.17
Der Wortlaut dieser am häufigsten genutzten Definition lautet:
“A cluster is a geographically proximate group of interconnected companies and associated
institutions in a particular field, linked by commonalities and complementarities.”18
Doch, wie Barjak/Meyer (2004) anmerken, liefert selbst Porter unterschiedlichste Definitionen
von Clustern. So finden sich, alleine im Kapitel „Clusters and Competition“ seines
Aufsatzbandes „On Competition“, mindestens vier Definitionen.19
Es stellt sich daher die Frage was unter „geographically proximate“ zu verstehen ist, wenn
sich in Porters Werk zu Clustern, wie Forsman/Solitander (2003) und Martin/Sunley (2003)
anmerken, geographische Nähe von ländlichen Gebieten bis zu ganzen Nationalstaaten
erstreckt? Auch auf einer weiteren Ebene von Porters Definition, den horizontalen und
vertikalen Kunden- und Lieferantenbeziehungen, die Porter mit „interconnected“ bezeichnet,
stellt sich eine ähnliche Frage. Alecke/Untiedt (2005) stellen diesbezüglich die berechtigte
Frage ob nicht alle Regionen aus Unternehmen bestehen, die in der einen oder anderen
Form mit einander verbunden sind. Eine klare Definition scheint daher vonnöten. Wie im
folgenden noch gezeigt wird, erweist sich dies aber als äußerst schwierig.
Diese Schwierigkeit zeigt sich bei der Durchsicht der umfangreichen Literatur zur
Clusterforschung. Auch das gegenwärtig20 große Forschungsinteresse an der
Clusterthematik hat nicht dazu beigetragen einen wissenschaftlichen Grundkonsens zu
diesem Thema zu bilden. Folgt man der Analyse von Alecke/Untiedt , so führt dieser Zustand
der theoretischen Grundlagen dazu, daß der kleinste gemeinsame Nenner besagt: „[...]dass
es sich bei Clustern in irgendeiner Form um die die [sic] räumliche Konzentration thematisch
eng verbundener ökonomischer Aktivitäten handelt.“21
15
Vgl. Perroux (1955).
Vgl. hierzu die schematische Darstellung des Porterschen Diamanten als Quelle für Wettbewerbsfähigkeit.
17
Vgl. Porter (2003), S. 199ff.
18
Porter (2003), S. 199.
19
Vgl. dazu Barjak/Meyer (2004), S. 2 sowie Porter (2003).
20
Vgl. dazu die in Tabelle 2 in diesem Kapitel, sowie die empirischen Arbeiten des Kapitels Zwei.
21
Alecke/Untiedt (2005), S.4.
16
20
Den Ursprung dieser unbefriedigenden, weil für empirische Untersuchungen unbrauchbaren,
Definition sehen Alecke/Untiedt darin, daß das Clusterkonzept in Wahrheit eine
„[...]Ansammlung unterschiedlichster Ideen und Konzepte“22 ist.
Eine ähnlich kritische Beurteilung findet sich auch bei Martin/Sunley (2003). Die Autoren
kritisieren, daß die Wissenschaft eine Unzahl differierender und überschneidender
Definitionen des Clusterbegriffs und eine teilweise vage theoretische Fundierung des
Konzepts bietet. Ja sie sprechen gar von einem chaotischen Zustand, der durch ungenaue
Definitionen auch noch verstärkt, und je nach Bedarf angepaßt wird.23
Die Problematik einer fehlenden einheitlichen Definition ist jedoch nicht nur von den bisher
angeführten Autoren erkannt worden, sondern zieht sich seit Jahren durch viele Beiträge und
Untersuchungen von Clustern.
Die folgende Tabelle zeigt einen exemplarischen Auszug von Beiträgen der letzten zehn
Jahre, die sich kritisch mit den Grundlagen auseinandersetzen und versuchen, zu einer
brauchbaren einheitlichen Definition zu gelangen.
Autor
Jacobs/de Man
Rosenfeld
Altenburg/Meyer-Stamer
Carrie
Cooke
Zakarias et al.
Dahl
Lublinski
Rocha
Wolfe/Gertler
Martin/Sunley
Alecke/Untiedt
Giuliani
Malmberg/Power
Jahr
1996
1997
1999
2000
2001
2001
2002
2002
2004
2004
2003
2005
2005
2005
Tabelle 1: Kritische Behandlung von
Clusterdefinitionen in der Literatur des
letzten Jahrzehnts
Bei einer genauen Betrachtung zeigt sich die unterschiedliche Behandlung dieser
Problematik in der Forschergemeinde. Dies reicht vom komplettem Ausklammern des
Problems – also des vollkommenen Verzichts einer Definition24, über die Feststellung, daß
Clusterdefinitionen von der Sichtweise der Akteure abhängen und daher eigene Definitionen
entwickelt werden müssen25, bis zur Übernahme der verbreitetsten Definition Porters
beziehungsweise ihrer Ergänzung um weitere Aspekte.26
Diese Vorgangsweise hat dazu geführt daß, wie die folgende Zusammenstellung von
Definitionen zeigt, unterschiedliche Forscher verschiedenste Definitionen, Typologien und
Termini von Clustern erarbeitet haben. Die darauf basierenden Untersuchungen haben statt
22
ibidem.
Vgl. Martin/Sunley (2003) ; eine Auswahl verschiedenster Definitionen findet sich auch bei Lublinski (2002).
24
Vgl. beispielsweise Madill/Haines/Riding (2004).
25
Vgl. z.B Eder/Scheer (1999).
26
Vgl. beispielsweise Cooke (2001) oder [EK] (2003a).
23
21
1890s
1920s
Genesis
International D ivision
of Labour based on
C om parative
Advantage
1970s
Im passe
M ass
production Large firm 's
dom inance
School of
Thought
M arshallian
(M arshall1930 (1890))
Lens
Econom ics
C luster
concept
Industrial D istrict
Stressed
cluster
dim ension
Industrial
M ain Thrust
External econom ies
C luster
environm ent
Inter-firm division of
labour, local pool of
specialised labour,
subsidiary trades, and
trust
No interest in
industrial
districts
given the
dom inance
of vertical
integrated
firm s drawing
on internal
econom ies of
scale to
produce
standardised
goods for
predictable
m arkets.
However,
there are
im portant
antecedents
for cluster
approach
such as
growth poles
(Perroux) and
industry
com plexes
(Czam anski
and de Albas)
Im pact of
clusters
External econom ies
(econom ies of
specialisation,
econom ies of labour
supply, econom ies of
inform ation and
com m unication, and
knowledge spillovers),
which in turn increases
sm all firm s' efficiency
C ontext
1980s
1990s onwards
N ew Industrial D istricts
IT revolution
Suspension of free convertibility
Oil crisis
C lusters
Fast-changing technology
D eregulation
G lobalisation
Italian
School
(Becattini,
1979, 1989,
1990)
Flexible
Specialisation
(Piore and
Sabel, 1984;
Sabel and
Zeitlin, 1985)
Californian
School
(Scott, 1988;
Storper and
Scott 1989)
Porterian
(Porter,
1990, 1998)
N ew Econom ic
G eography
(Krugm an,
1991)
Innovation approach
to clusters
(Innovative M ilieu,
N ordic School,
G eography of
innovation)
C ulturalinstitutional
approach to
clusters
Socioeconom ics
Institutional
Econom ic
Geography
Transaction
cost
econom ics
Business
and
M anagem ent
International
Econom ics
Sociology
Econom ic
G eography
R egional
econom ics
Socioeconom ics
N ew
Institutionalism
Industrial
D istricts
Industrial
Districts
Flexible
production
com plexes
Industrial
C luster (1990)
C luster (1998)
Industrial
localisation
Innovative M ilieu
Learning regions
Local
industrial
system s
Industrial
T erritorial
Socioeconom ic
Institutional
Industrial
Industrial (1990)
Industrial and
Territorial (1998)
Industrial
Territorial
Inter-organisational
Industrial
Interorganisational
Industrial
Territorial
Socioeconom ic
and historical
roots
Flexible
specialisation as
alternative to
m ass production
Transaction
costs
C om petitiveness
External
econom ies and
increasing
returns to scale
Environm ents
for innovation
knowledge
spillovers
Interorganisational
networks
Local social,
cultural
political, and
historical
factors
Vertical
disintegration
Institutional
factors
Vertical
disintegration
Any of the
elem ents of the
diam ond,
including chance
(Porter, 1998:237)
Econom ies of
scale and
increasing
returns
Tacit and em bedded
knowledge,
territorial
specifities, and
cum ulative learning
O rganisational
and social
proxim ity
Em beddedness
isom orphism
Shared
vision and
organisation,
which in turn
contribute to
both: firm
efficiency and
local socioeconom ic
developm ent
Econom ic
growth and
em ploym ent
Lower
transaction
costs
Firm productivity
R egional/national
com petitiveness
through im proving
productivity,
fostering
innovation, and
facilitating
com m ercialisation
of innovation
via start ups
M arshallian
external
econom ies
International
trade
U neven
developm ent
(core-periphery
argum ent)
Firm Innovation
Knowledge
spillovers
Learning regions
Firm
legitim ation
Firm
perform ance
R egional
developm ent
Tabelle 2: Die Entwicklung des Clusterkonzepts (Quelle: Rocha (2004), S. 370.)
22
klare Erkenntnisse, eher ein statistisches bzw. empirisches Rauschen gebracht, das die
Vergleichbarkeit von Untersuchungsergebnissen erschwert, wenn nicht sogar unmöglich
macht.27 Dies wird auch im folgenden Kapitel sichtbar, welches die gegenwärtige empirische
Datenlage der Clusterforschung darstellt.
Diese Kritik findet sich auch bei Markusen (2003) – diese argumentiert, ungenaue und
vielfältige Konzepte hätten dazu geführt, daß fehlende Klarheit eine Operationalisierung, also
die Umformung theoretischer Begriffe im Sinne empirischer Überprüfbarkeit, erschweren.
Autor
Definition
Enright
(1996, S. 191)
"A regional cluster is an industrial cluster in which member firms are in
close proximity to each other."
Swann/Prevezer
(1996, S. 139)
"Clusters are here defined as groups of firms within one industry based in
one geographical area."
Feser
(1998, S. 26)
"Economic clusters are not just related and supporting industries and
institutions, but rather related and supporting institutions that are more
competitive by virtue of their relationships."
Swann
(1998, S. 1)
“A cluster means a large group of firms in related industries at a particular
location.“
Altenburg/MeyerStamer
(1999, S. 1694)
"A cluster is a sizable agglomeration of firms in a spatially delimited area which
has a distinctive specialization profile and in which inter-firm specialization and
trade is substantial."
Carrie
(2000, S. 290)
"A cluster is a network of companies, their customers and suppliers of all the
relevant factors, including materials and components, equipment, training,
finance, and so on."
Crouch et al.
(2001, S. 163)
“The more general concept of ‘cluster‘ suggests something looser: a tendency
for firms in similar types of business to locate close together, though without
having a particularly important presence in an area.“
Porter
(2003, S. 199)
"A cluster is a geographically proximate group of interconnected companies
and associated institutions in a particular field, linked by commonalities and
complementarities."
Roetmer/Katzy
(2006)
"Clusters are regional agglomerations of firms that exhibit a focus on a related
technology or market and that are supported by a specialized infrastructure."
Tabelle 3: Eine Auswahl verschiedener Clusterdefinitionen
Folgt man Porters und anderen der obenstehenden Definitionen, so fällt die Bedeutung der
Interaktion unter den Unternehmen auf. Dabei drängt sich die Frage nach der Abgrenzung zu
einem weiteren bekannten Konzept, dem Netzwerkkonzept, auf.
Wie Rosenfeld (1997) anmerkt, sind Netzwerke kollaborativer Natur und werden zumeist von
kleineren Gruppen von eigenständigen Unternehmen eingegangen, mit dem Ziel der
Umsatz- und Gewinnmaximierung durch beispielsweise gemeinsame Forschung und
Produktentwicklung oder gemeinsame Exportanstrengungen. Als solche sind diese
Netzwerke zumeist geschlossener oder halboffener Natur, während Cluster keine
27
Vgl. Martin/Sunley (2003) und Rocha (2004).
23
Mitgliedschaftslimitierung aufweisen und die „Mitgliedschaft“ auf gemeinsamer Verflechtung
(z.B. über Kunden- oder Lieferantenbeziehungen) basiert.28
Die folgende Gegenüberstellung von Netzwerken und Clustern verdeutlicht die Unterschiede
zwischen Clustern und Netzwerken:
Networks
Networks allow firms access to specialized
services at lower cost
Clusters
Clusters attract needed specialized services
to a region
Networks have restricted membership
Clusters have open "membership"
Networks are based on contractual
agreements
Clusters are based on social values that foster
trust and encourage reciprocity
Networks make it easier for firms to engage
in complex business
Clusters generate demand for more firms with
similar and related capabilities
Networks are based on cooperation
Clusters take both cooperation and competition
Networks have common business goals
Clusters have collective visions
Tabelle 4: Gegenüberstellung von Netzwerken und Clustern (Quelle: Rosenfeld (1997), S. 9.)
2.1.3
Lösungsansätze für eine einheitliche Definition
Die Problematik einer fehlenden, einheitlichen und klaren Definition wurde ausführlich
erörtert, doch für jegliche tiefere und auch empirische Auseinandersetzung mit der
Clusterthematik muß ein Lösungsweg gefunden werden.
Die Literatur bietet ein ähnlich vielfältiges Reservoir an möglichen Ansätzen, wie vielfältige
Definitionen bestehen. Eine Auswahl zu treffen, die repräsentativ ist und zu einer idealen
Lösung führt ist kaum möglich, wie auch eingangs erwähnt wurde. Trotzdem soll dies hier
versucht werden.
Eine interessante Lösung für dieses Problem findet sich bei Giuliani (2005). Das Ziel, zu
einer praktikablen Definition zu gelangen, kann demzufolge in mehreren Stufen angegangen
werden. In einem ersten Schritt erfolgt eine Einteilung relevanter Definitionen in jene, die
sowohl den Faktor geographische Agglomeration als auch sektorale Spezialisierung
enthalten und weiters in Definitionen, deren einziger und wesentlicher Kern die
geographische Agglomeration ist. In einem zweiten Schritt erfolgt für beide Gruppen eine
Unterkategorisierung in die Begriffsbestimmungen, die keine a priori Charakteristika
enthalten, Definitionen die auf soziale Beziehungen abstellen und schließlich jene
Definitionen die auf Lern- und Innovationsbeziehungen abzielen.29
Anhand dieser Klassifikation gelangt Giuliani zu folgender simplen Definition:
28
29
Vgl. Rosenfeld (1997), S. 9.
Vgl. Giuliani (2005), S. 272f.
24
„[…] I will use the concept of cluster to refer to a geographical agglomeration of firms
operating in the same industry.”30
Die Begründung dieser einfachen Definition hat zwei Hauptargumente. Einerseits vermeidet
man Giuliani zufolge, dadurch den Typus des Ihrer Ansicht nach zu spezifischen
italienischen industrial district als Blaupause für sämtliche Cluster zu benutzen. Andererseits
wird so eine Definition dem Faktum gerecht, daß Cluster sich über ihre Lebenszeit
verändern. Dies betrifft sowohl die Zahl der Unternehmen, der Mitarbeiter als auch den
Vergleich mit anderen Clustern. Eine vordefinierte Teilmenge an Merkmalen, die in der
Definition enthalten sind, hätte, so Giuliani, nur geringen Wert. Aus diesem Grund ist eine
Konzentration auf jene Merkmale sinnvoll, die sich über einen längeren Zeitraum
wahrscheinlich am wenigsten ändern werden.31
Einen anderen Ansatz findet man bei der Europäischen Kommission, die sich im Rahmen
des Bereichs „Unternehmen und Industrie“ auch mit der Unterstützung von KMUs in Clusterund Netzwerkbelangen widmet.
2003 gelangte eine Expertenkommission, ausgehend von Michael Porters Definition zu einer
einheitlichen Begriffsbestimmung als Basis für die Clustererhebungen der EU-Kommission:
“Clusters are groups of independent companies and
associated institutions that are:
Collaborating and competing;
Geographically concentrated in one or several
regions, even though the cluster may have
global extensions;
Specialised in a particular field, linked by
common technologies and skills;
Either science-based or traditional;
Clusters can be either institutionalised (they
have a proper cluster manager)
or non-institutionalised.
The cluster has a positive influence on:
Innovation and competitiveness;
Skill formation and information;
Growth and long-term business dynamics”.32
Betrachtet man diese Definition genauer, so finden sich notgedrungen die selben
Schwächen wie bei Porters Definition. Zwar sind die Beziehungen innerhalb des Clusters
nun feinkörniger beschrieben, doch der zweite Schwachpunkt Porters, die geographische
Abgrenzung, ist noch offensichtlicher vage, da dieser Definition gemäß Cluster nun sogar
globale Ausmaße annehmen können.
Neben diesen beiden Extrembeispielen, einer sehr einfachen und engen Definition und einer
in Teilen völlig unbestimmten Begriffsbestimmung, sei abschließend eine Definition
30
ibidem, S. 272.
Vgl. Giuliani (2005), S. 272f.
32
[EK] (2003a), S. 9.
31
25
vorgestellt, die eine gute Balance findet und als Basisdefinition der vorliegenden Arbeit und
des enthaltenen empirischen Teils verwendet wird.
In seiner Dissertation widmet sich Lublinski (2002) ebenfalls der Problematik einer nicht
bestehenden einheitlichen Definition.
In seiner Analyse identifiziert Lublinski zwei Dimensionen, die sich in allen vorhandenen
Definitionen zeigen: eine geographische Dimension und eine funktionale Dimension.
Während die geographische Dimension, die geographische Konzentration und die Nähe von
Unternehmen in Clustern bezeichnet, beschreibt die funktionale Dimension die Tatsache,
daß Unternehmen in irgendeiner Weise mit einander verbunden sein müssen. Letzteres
drückt sich in einer Überlegenheit gegenüber geographisch nicht konzentrierten NichtClusterunternehmen aus.33
Auch Lublinski kritisiert die unscharfe Beschreibung grundlegender Clustermerkmale, wie
beispielsweise des Terminus „Nähe“, aber auch der wesentlichen Agglomerationsvorteile,
die aus Clustern erwachsen können.
Aufbauend auf dieser Kritik gelangt Lublinski zu dem Schluß, daß der Begriff der Nähe
wesentlich auf häufigen persönlichen Kontakt abstellt.34 Was die Agglomerationsvorteile
betrifft, so gliedern diese sich Lublinski zufolge, in drei Gruppen: externe Effekte nach Alfred
Marshall,
die
Marktgegebenheiten
nach
Porter
und
Transportsowie
35
Transaktionskostenvorteile. Nach einer Evaluierung dieser Agglomerationsvorteile und der
möglichen Herangehensweisen zur Identifikation von Clustern, gelangt Lublinski zu folgender
Definition, die im weiteren Verlauf dieser Arbeit als Basisdefinition genutzt werden wird:
“Clusters are a collection of geographically concentrated and
proximate firms, organisations, institutions as well as individuals that
are inter-linked by various linkage types that generate agglomeration
advantages. Hence, firms in clusters have a significantly higher
innovation performance, productivity and/or profitability compared with
spatially dispersed firms. Its geographic scope is confined to an area
that ensures an increased frequency of face-to-face contacts for a
critical number of relevant persons from different firms.”36
Diese Definition weist im Vergleich zu den bisher vorgestellten Begriffsbestimmungen die
bestmögliche Balance zwischen Allgemeingültigkeit und größtmöglicher Bestimmtheit auf.
Insbesondere bietet sie einen ausgezeichneten Ausgangspunkt für die vorliegende Arbeit, da
sie aus Unternehmenssicht auf die Einflüsse einer Clustermitgliedschaft auf
Innovationsfähigkeit, Rentabilität und Produktivität abstellt.
2.2 Der analytische Rahmen
Zur Beantwortung der zentralen Fragen der Arbeit bieten sich, der Natur des
Betrachtungsgegenstandes gemäß, die Theorien der Unternehmung an.
33
Vgl. Lublinski (2002), S. 25ff.
ibidem, S. 27.
35
Vgl. dazu Kapitel 3.6 sowie die detaillierte Aufstellung der Agglomerationsvorteile nach Lublinski im Anhang.
36
Lublinski (2002), S. 70.
34
26
Hauptsächlich betrifft dies die dynamischen Theorien der ressourcenbasierten und der
wissensbasierten Sichtweise der Unternehmung. Bei Bedarf wird aber auch auf andere
Ansätze wie die Transaktionskostentheorie37 oder die Pricinpal-Agent-Theorie38
zurückgegriffen.
2.2.1
Die ressourcenbasierte Theorie der Unternehmung
Im Verlauf der 1990er-Jahre hat sich das Hauptaugenmerk der strategischen Analyse in der
Unternehmensführung von einer externen Sichtweise, der sogenannten marktbasierten
Sichtweise39, die eine günstige Positionierung im Wettbewerbsumfeld zur Erreichung eines
Wettbewerbsvorteils voraussetzte, hin zu einer internen Sichtweise verlagert. In dieser
internen Sichtweise hängt der Wettbewerbserfolg von Unternehmen in erster Linie von der
überlegenen Ressourcenausstattung und den Kernkompetenzen eines Unternehmens ab.
Diese interne Sichtweise ist als „Ressourcenbasierte Theorie der Unternehmung“ bekannt
geworden. Zentral für diese Sichtweise ist die Idee, daß Unternehmen im wesentlichen als
Pool von Ressourcen und Fähigkeiten zu sehen sind und diese auch die bestimmenden
Faktoren von Unternehmensstrategien sein sollten.40 Durch diese Sichtweise lassen sich
auch die Unterschiede in der Leistungsfähigkeit von Unternehmen erklären. Diese liegen in
der unterschiedlichen Ressourcenausstattung und ihrer Nutzung begründet. Anders als der
Transaktionskostenansatz von Coase (1937), der die Existenz von Unternehmen durch ihre
höhere Effizienz gegenüber dem Markt in der Entdeckung von Informationen und der
Vertragsgestaltung begründet sieht, sieht der ressourcenbasierte Ansatz den Grund für die
Existenz von Unternehmen in ihrer einzigartigen Fähigkeit spezifische Ressourcen zu
akkumulieren.41
Die Ursprünge der ressourcenbasierten Theorie, im Englischen als „Resource Based View“
(RBV) bekannt, liegen in der Arbeit von Edith Penrose (1959)42. Penrose beschreibt
Unternehmen als Bündel produktiver Ressourcen:
„[...] a firm is more than an administrative unit; it is also a collection of
productive resources the disposal of which between different uses
and over time is determined by administrative decision.“ 43
Aufbauend auf dieser Erkenntnis versuchen verschiedene Vertreter44 des RBV die
Ressourcen und Fähigkeiten einer Unternehmung zu identifizieren, und zu ergründen unter
welchen Voraussetzungen diese einen anhaltenden Wettbewerbsvorteil bieten können.
37
Vgl. Coase (1937), Coase (1960), Williamson (1979) und Williamson (1981).
Vgl. Alchian/Demsetz (1972), Jensen/Meckling (1976) und Eisenhardt (1989).
39
Der wichtigste Vertreter dieser auf Monopolrenten abzielenden Sichtweise ist Michael Porter mit seinem Modell
der „Five Forces“.
40
Vgl. Grant (2002a), S. 133f.
41
Vgl. dazu beispielsweise Reed/Defillippi (1990).
42
Einige Forscher setzen den Ursprung noch früher, in den 1930er-Jahren, an ; vgl. dazu beispielsweise
Fahy/Smithee (1999).
43
Vgl. Penrose (1959), S. 24.
44
Exemplarisch seien hier Wernerfelt (1984), Prahalad/Hamel (1990), Barney (1991), Mahoney/Pandian (1992)
und Collis/Montgomery (1995) genannt.
38
27
Für diese Untersuchung müssen Ressourcen als kleinste Einheiten der Analyse näher
beleuchtet werden. Penrose unterscheidet hierbei zwischen physischen, also faßbaren und
materiellen Ressourcen wie Maschinen, Land, Rohmaterialien und dergleichen einerseits
und Humanressourcen andererseits.45
Eine ähnliche Einteilung findet sich auch bei Wernerfelt, der den Begriff Resource Based
View als Erster einführte. Er beschreibt Ressourcen folgendermaßen: „[...] a firm’s resources
at a given time could be defined as those (tangible and intangible) assets which are tied
semipermanently to the firm“46.
Eine taxative Aufzählung der Ressourcen eines Unternehmens ist nahezu unmöglich. Dies
um so mehr, als keine Buchhaltung die verschiedenen Kategorien erfaßt, in die sich die
Ressourcen im Sinne des RBV einteilen lassen. Deshalb ist obige Einteilung der gangbarste
Weg, wie man auch bei einem anderen Vertreter des RBV, Jay Barney, sieht, der von
physischem Kapital, Human- sowie Organisationskapital spricht.47 Die untenstehende
Abbildung zeigt noch einmal die verschiedenen Kategorien und darin enthaltene Formen von
Unternehmensressourcen und ihren Zusammenhang mit dem Wettbewerbserfolg.
Materielle Ressourcen
Finanzielle Ressourcen
Physische Ressourcen
Immaterielle Ressourcen
Technologie
Reputation
Kultur
Humanressourcen
Know-How
Mitarbeitermotivation
Kommunikationsfähigkeit
Fähigkeit zur
Zusammenarbeit
Organisationale
Fähigkeit
Strategie
Branchenspezifische
Erfolgsfaktoren
Wettbewerbsvorteil
Abbildung 1: Der Zusammenhang zwischen Ressourcen und Wettbewerbsvorteilen
(Quelle: Grant (2002a), S. 139.)
Materielle Ressourcen umfassen finanzielle und physische Ressourcen. Sie sind aus der
Bilanz eines Unternehmens ersichtlich.
Immaterielle Ressourcen wie Markennamen, geistiges Eigentum, Firmenwert und
dergleichen haben oft einen größeren Anteil am Unternehmenswert als materielle
Ressourcen, bleiben aber weitgehend unsichtbar, da sie in der Bilanz meist unterbewertet
oder gar nicht erfaßt sind.
45
ibidem, S. 24f.
Wernerfelt (1984), S. 172.
47
Vgl. Barney (1991), S. 101f.
46
28
„Human resources“ bestehen in den Arbeitsleistungen, die Menschen für das Unternehmen
erbringen. Sie sind nur schwer faßbar oder bewertbar.
Ressourcen per se sind noch nicht produktiv, und erst ein Zusammenwirken der einzelnen
Ressourcen begründet die Fähigkeiten (auch Kompetenzen genannt) eines Unternehmens
um produktiv tätig zu werden.
Im Sinne des RBV liegt die Verantwortung für die Schaffung eines Wettbewerbsvorteils beim
Management, doch nicht jede Fähigkeit eines Unternehmens ist dazu geeignet. Man kann
die Fähigkeiten grob einteilen in jene, die für die Ausübung einer Aktivität von fundamentaler
Bedeutung sind und Wettbewerbsgleichheit schaffen, also „needed to play“ sind, und jene
die den überlegenen Erfolg erst ermöglichen, also „needed to win“ sind. Hier kann Grant
(2002a) zum leichteren Verständnis herangezogen werden. Er führt an, daß zum Beispiel in
der Automobilindustrie Qualität eine kritische Größe ist, aber in Zeiten von Total Quality
Management in vielen Unternehmen, nicht mehr die Quelle von Wettbewerbsvorteilen sein
kann. Dieses Kriterium ist in dieser Hinsicht also lediglich noch „needed to play“.48
Für die Identifikation jener Fähigkeiten die zu Wettbewerbsvorteilen führen, sei auf
Prahalad/Hamel (1990) verwiesen, die jene Fähigkeiten, die von fundamentaler Bedeutung
für den Unternehmenserfolg und die Unternehmensstrategie sind, als Kernkompetenzen
bezeichnen. Den Autoren zufolge müssen für das Vorliegen einer Kernkompetenz zumindest
drei Voraussetzungen erfüllt sein:
(1) die Fähigkeit bietet potentiellen Zugang zu einer Vielzahl von Märkten
(2) die Fähigkeit trägt zu einem signifikanten Teil zum Kundennutzen bei
(3) die Fähigkeit ist für Wettbewerber schwer zu imitieren49
Eine ähnliche Identifikationsmethode findet sich bei Barney (1997), der das VRIO-Schema
(Value-Rareness-Imitability-Organization) einführt. Danach müssen Kernkompetenzen einen
strategischen Wert haben und die Wettbewerbsposition signifikant verbessern, knapp bzw.
einzigartig sein, nicht oder nur zu hohen Kosten imitierbar sein und innerhalb der
Organisationsstruktur vollständig ausnutzbar sein.50
Der Faktor Knappheit, den Barney anspricht, führt schließlich auch zu einem letzten
wesentlichen Punkt des RBV: den Charakteristika der Ressourcen eines Unternehmens.
Wie bereits erwähnt wurde, sind nicht alle Ressourcen durch ihre Eigenschaften geeignet,
als Ausgangspunkt für einen nachhaltigen Wettbewerbsvorteil zu dienen. Eine der
Eigenschaften, über die Einhelligkeit herrscht, ist Seltenheit. Denn durch den Besitz einer der
Konkurrenz überlegenen Ressource werden Ricardianische Seltenheitsrenten erzielt.51
Doch das Rentengenerierungspotential einer Ressource liegt nicht nur in ihrer Seltenheit.
48
Vgl. Grant (2002a), S. 153.
Vgl. Prahalad/Hamel (1990), S. 83f.
50
Vgl. Barney (1997), S. 145ff.
51
Vgl. dazu auch Peteraf (1993).
49
29
Die Nachhaltigkeit des Wettbewerbsvorteils liegt darüber hinaus auch in anderen
Eigenschaften der Ressourcen begründet. Nach Barney (1991) sind dies auch ihr Wert, ihre
Seltenheit, ihre Nicht-Imitierbarkeit und ihre Nicht-Substituierbarkeit. Grant (2002a) zufolge
sind zusätzlich ihre Haltbarkeit, ihre Transparenz (also ihre Einbettung in für Konkurrenten
kausal schwer durchschaubare Zusammenhänge) und ihre Transferierbarkeit von hoher
Bedeutung. Weitere, im wesentlichen gleiche, notwendige Eigenschaften finden sich auch
bei Collis/Montgomery (1995) und Amit/Shoemaker (1993).
Im Zusammenhang mit Clustern und den Wettbewerbsvorteilen, die Unternehmen aus ihnen
ziehen können, ergeben sich vor allem im Hinblick auf die möglichen Agglomerationsvorteile
eine Reihe von Anknüpfungspunkten zur ressourcenbasierten Sichtweise von Unternehmen.
Es stellt sich die Frage wie Unternehmen ihre Ressourcen besser einsetzen und erweitern
bzw. verbessern können, um im Wettbewerb besser zu bestehen. Welchen Beitrag können
Cluster zu den Fähigkeiten von Unternehmen relativ zu Nicht-Clusterunternehmen bieten?
Bieten Cluster Zugang zu Ressourcen die anderweitig für Unternehmen nur schwer oder gar
nicht erwerbbar sind? Diese und ähnliche Fragen sind auch im Zusammenhang mit einer
weiteren Theorie zu sehen, die sich einer ganz spezifischen Ressource, dem Wissen,
widmet und im folgenden Abschnitt kurz vorgestellt werden soll.
2.2.2
Die wissensbasierte Theorie der Unternehmung
Die wissensbasierte Theorie der Unternehmung, im Englischen auch als Knowledge Based
View of the firm (KBV) bekannt, ist aus dem Bewußtsein der steigenden Bedeutung von
Wissen in der heutigen Wirtschaft entstanden.
Nach Drucker (1993) und Burton-Jones (2000) beispielsweise, nimmt Wissen in der heutigen
Wirtschaft die selbe Rolle ein, wie Landbesitz in der vorindustriellen Wirtschaft und Kapital
während des 19. und frühen 20. Jahrhunderts. Ein weiteres Kennzeichen ist die
Verschiebung des Fokus vom Materiellen zum Immateriellen (Stewart (1997),
Edvinsson/Malone (1997) ). Das ist sowohl sichtbar in der größeren Bedeutung von
Dienstleistungen gegenüber Waren, als auch auf Input-Ebene. Physische Inputs wie
Rohstoffe oder Kapital treten zugunsten von immateriellen Werten wie Technologie, Marken
und ähnlichem in den Hintergrund.52
Aus diesem Grund fokussiert der KBV stärker auf immaterielle Ressourcen statt auf
physische Ressourcen. Bei dieser Sichtweise kommt dem Wissen die Bedeutung der
wichtigsten Ressource zu, und die heterogene Ausstattung mit diesem Faktor liegt den
Performanceunterschieden zwischen Unternehmen zugrunde, da die Wettbewerbsvorteile
gerade im Wissen innerhalb des Unternehmens, dem sogenannten „Organisationalen
Wissen“, zu suchen sind.53
Als solche kann die wissensbasierte Sichtweise als Ergänzung zur ressourcenbasierten
Sichtweise gesehen werden54, die sich der Frage widmet was die Charakteristika von
Wissen, welches Wettbewerbsvorteile bietet sind,.55
52
Vgl. Grant (2002b), S. 133ff.
vgl. dazu auch Decarolis/Deeds (1999).
54
Vgl. Nonaka/von Krogh/Voelpel (2006).
55
Vgl. Spender/Grant (1996).
53
30
Nach Grant (2002b) ist der KBV keine Theorie der Unternehmung im formalen Sinn, sondern
mehr eine Gesamtheit an Ideen und Überlegungen zur Natur des Unternehmens und der
Bedeutung des Wissens in ihr.56
Grant identifiziert in seiner Überblicksarbeit zum KBV eine Reihe von Grundannahmen auf
denen die wissensbasierte Sichtweise beruht:57
(1) Die große Bedeutung von Wissen als produktiver Ressource und primäre Quelle
Ricardianischer Seltenheitsrenten für das Unternehmen.
(2) Unterschiedliche Arten von Wissen sind verschieden leicht transferierbar – explizites
Wissen ist leicht transferierbar, implizites Wissen (wie Know-How, kontextabhängiges
Wissen) jedoch manifestiert sich nur in der Anwendung und ist nur teuer und
aufwendig von einem Individuum zu transferieren.58
(3) Die Reproduktion bzw. Vervielfältigung von implizitem Wissen ist nur teuer zu
bewerkstelligen, ist aber dennoch günstiger als seine erstmalige Aneignung.
Explizites Wissen ist ebenfalls teuer in der Aneignung aber sehr leicht übertragbar.
Beides bietet Möglichkeiten für Skalen- und Verbundeffekte in wissensintensiven
Branchen.
(4) Spezialisierung führt zu größerer Effizienz bei der Schaffung und Bewahrung von
Wissen.
(5) Die Herstellung von Produkten bzw. die Erbringung von Dienstleistung bedarf meist
vieler unterschiedlicher Formen von Wissen.59
Im wissensbasierten Ansatz wird eine Unterscheidung zwischen der Schaffung von Wissen
und dessen Anwendung getroffen. Während für die Schaffung von Wissen eher spezialisierte
Fähigkeiten vonnöten sind (vor allem Punkt drei und vier), ist für letzteres eher eine breite
(„diversity of knowledge“) Wissensbasis (Punkt fünf) notwendig.
Im Bezug auf die Wissensgenerierung sei hier auch auf die Arbeit von Nonaka/Takeuchi
(1995) verwiesen. Den Autoren zufolge wird bei der Wissensgenerierung das implizite
Wissen der Mitarbeiter zum expliziten Wissen des Unternehmens und als solches Grundlage
für Weiter- und Neuentwicklungen auf Produktebene.60
Folgt man dem wissensbasierten Ansatz, so ist ein Wettbewerbsvorteil aus dem Wissen zu
erlangen (Spender (1994) ). Daraus folgt, daß Unternehmen Wettbewerbsvorteile schaffen
und erhalten, indem sie wertvolles Wissen schützen und seine Imitation verhindern
(Liebeskind (1996) ). In diesem Licht ist auch das große Interesse der Vertreter des KBV an
Wissensmanagement zu sehen.
Die Bedeutung des Wissens, die der wissensbasierte Ansatz unterstreicht, bildet auch einen
wesentlichen Teil der Auseinandersetzung mit Clustern und ihren Vorteilen aus
Unternehmenssicht. Betrachtet man die in der Literatur angeführten Agglomerationsvorteile
56
Eine ähnliche Sichtweise dazu findet sich auch bei Kaplan et al. (2001) und Foss/Klein (2005).
Vgl. Grant (2002b), S. 136.
58
Vgl. dazu auch KogutZander (1992), Nonaka (1994), Nonaka/Takeuchi (1995).
59
Vgl. Kogut/Zander (1992).
60
Vgl. Nonaka/Takeuchi (1995), S. 73 ; zum Prozeß der Wissensgenerierung vgl. auch Nonaka (1994).
57
31
die potentiell aus Clustern erwachsen können, so sticht, wie auch in den folgenden Kapiteln
gezeigt werden wird, einer der möglichen Vorteile heraus. Knowledge Spillovers, als externe
Wissenseffekte, werden nicht erst seit dem Aufkommen des wissensbasierten Ansatzes als
wichtiger Agglomerationsvorteil genannt. Wie bereits gezeigt, tauchen Knowledge Spillovers
bereits bei Marshall als bedeutende Agglomerationsvorteile auf.
Nimmt man den ressourcenbasierten Ansatz zu Hilfe, so verschaffen sich Unternehmen
durch eine Kombination und Weiterentwicklung ihrer verfügbaren Ressourcen einen
Wettbewerbsvorteil, indem sie kritische Fähigkeiten oder genauer Kernkompetenzen
entwickeln. In Verbindung mit dem KBV ergibt sich die herausragende Bedeutung des
Wissens als Ressource.
Zieht man nun Vertreter des KBV, wie Nonaka und Takeuchi, zu Rate, so ergibt sich über
das Wissen, das eine Unternehmung ansammelt und verwertet, ein Zusammenhang zu
einem weiteren bedeutenden Faktor für den Wettbewerbserfolg von Unternehmen: der
Innovationsfähigkeit. Denn wie bereits im Falle von Nonaka/Takeuchi angeführt, kann über
die Wissensgenerierung Innovation angetrieben werden.
Im Zusammenhang mit Clustern stellt sich daher die Frage, ob die vermuteten
Agglomerationsvorteile in Form von Knowledge Spillovers einen Einfluß auf das Wissen und
damit auch auf die Innovationsfähigkeit von Unternehmen haben. Es wird in weiterer Folge in
dieser Arbeit versucht werden, die Antwort auf diese Frage zu geben.
Davor sei jedoch noch auf die Bedeutung der Innovation in der Theorie verwiesen.
Insbesondere auf die Arbeit von Joseph Alois Schumpeter, der den Begriff wie kein anderer
vor ihm wissenschaftlich prägte.
2.2.3
Der Brückenschlag zur Innovation
Der Wiener Ökonom Joseph Alois Schumpeter (1883-1950) war der erste, der sich aus
theoretischer Sicht der gesamtwirtschaftlichen Bedeutung der Innovation für die
wirtschaftliche Entwicklung widmete und den fundamentalen Begriff der „kreativen
Zerstörung“ in das Vokabular der Wissenschaft einführte.
Im folgenden wird kurz auf Schumpeters Theorie eingegangen, um im darauffolgenden
Abschnitt den Begriff der Innovation aus heutiger Sicht zu beleuchten und die Bedeutung der
Innovationsfähigkeit und ihren Einfluß auf die Wettbewerbsfähigkeit von Unternehmen zu
untersuchen.
Schumpeters Theorie der Innovation ist im Zusammenhang mit der neoklassischen
Gleichgewichtstheorie zu sehen. Diese besagt, daß, unter vollkommener Konkurrenz und bei
flexiblen Preisen, einschließlich Löhnen und Zinsen, die individuellen, am Eigennutz
orientierten Handlungen durch den Marktpreis so koordiniert werden, daß die für jeden
Einzelnen und damit für die Gesellschaft bestmögliche Versorgung erreicht wird. Aus den
Angebots- und Nachfragekurven aller Wirtschaftssubjekte ergibt sich ein idealer Marktpreis.61
61
Vgl. Kromphardt (1991), S. 186f.
32
Dieser Zustand kann als statisch beschrieben werden, da von einem Idealzustand des
Marktes ausgegangen wird, der durch das Fehlen sämtlicher Wettbewerbsbeschränkungen
oder Informationsasymmetrien gekennzeichnet ist. Wirtschaftliche Veränderungen werden
hierbei als exogen gegeben hingenommen und können nicht beeinflußt werden.62
Durch dieses Modell kann jedoch wirtschaftliche Entwicklung und Marktwachstum nicht
erklärt werden, da eine Weiterentwicklung aufgrund des erreichten Gleichgewichts ja nicht
mehr notwendig ist. Und dennoch kann dies in der Realität beobachtet werden.
Eine Erklärung dafür findet schließlich Schumpeter, der Innovation als jenen Faktor sieht, der
die Märkte in Ungleichgewicht bringt und so bestehende Strukturen durch neue ersetzt.
Diese Innovationen sind an bestimmte Personen innerhalb des Unternehmens, die
Entrepreneuere, gebunden, die Innovation antreiben und auslösen. Sie können als visionäre
Führungskraft interpretiert werden, die nicht genutzte Potentiale erkennt und umsetzt. Diese
Entrepreneuere ersetzen in einem Prozeß kreativer Zerstörung, alte eingespielte Strukturen
durch neue und sorgen so für wirtschaftliches Wachstum:
„The fundamental impulse that sets and keeps the capitalist engine in
motion comes from the new consumers’ goods, the new methods of
production or transportation, the new markets, [...]. [The process]
incessantly revolutionizes the economic structure from within,
incessantly destroying the old one, incessantly creating a new one.
This process of Creative Destruction is the essential fact about
capitalism.”63
In seinem Modell betrachtet Schumpeter die Innovation als zyklischen Prozeß. Denn durch
die Innovation wird eine Branche aus dem Gleichgewicht von Profitmargen und
Marktanteilen gerissen. Dies ermöglicht dem innovierenden Unternehmen idealtypisch
höhere Profitmargen, also Pionierrenten, aus denen eine First Mover Advantage entsteht..
Das wiederum treibt den Mitbewerb zur Imitation oder sogar zum Überholen des
innovierenden Unternehmens an.
Der für das innovierende Unternehmen entstandene Wettbewerbsvorteil ist allerdings nicht
nachhaltig, da dieser durch die Reaktion des Mitbewerbs wieder zunichte gemacht wird. Für
ein dauerhaftes Bestehen am Markt ist daher auch dauerhafte Innovation notwendig.64
In Schumpeters Begriffen gedacht, bedeutet Innovation die Schaffung einer neuen
Produktionsfunktion.65 Das bedeutet, die Innovation führt zu einer Kostenreduktion bei
gleichem mengenmäßigen Output, oder der mengenmäßige Output erhöht sich bei gleich
bleibenden Kosten.
Als Innovationsbegriff ist dies jedoch noch zu abstrakt. Schumpeter bietet deshalb auch
einen Überblick über leichter faßbarere Eingrenzungen von Innovation. Darunter läßt sich
62
Vgl. Burton (1999), S. 18f.
Schumpeter (1947), S. 83.
64
Vgl. Schumpeter (1947), S. 81ff.
65
Vgl. Schumpeter (1939), S. 87.
63
33
folgendes zusammenfassen:
Einführung neuer Produkte,
Umsetzung technologisch neuer Produktionsmethoden und -prozesse,
Erschließung neuer Absatzmärkte,
Schaffung neuer Organisationsformen und -strukturen, z.B. nach Fusionen,
Finden neuer Bezugsquellen für Rohstoffe.66
All dies gilt jedoch erst als Innovation, wenn es eine hinreichend große Störung des Gefüges
verursacht und den Mitbewerb zur Reaktion im oben beschriebenen Szenario zwingt. Für die
Abklärung des Begriffs Innovationsfähigkeit und seiner Bedeutung müssen jedoch weitere
Strömungen beachtet werden, da sich seit Schumpeter der Begriff weiter gewandelt hat.
Hiermit ist der Bogen von ressourcenbasiertem Ansatz, über den wissensbasierten Ansatz
zur Innovation gespannt. Dieser theoretische Rahmen soll es ermöglichen zu untersuchen,
welche Vorteile für Unternehmen aus der Beteiligung an Clustern entstehen.
Es soll sichtbar werden, welche Auswirkungen Cluster auf die Ressourcenausstattung eines
Unternehmens haben bzw. haben können, insbesondere auf den Faktor Wissen als
bedeutendster Ressource. In letzter Konsequenz werden dadurch die Einflüsse von Clustern
auf Wettbewerbs- und Innovationsfähigkeit von Unternehmen beleuchtet.
2.3 Innovation und die Bedeutung der Innovationsfähigkeit
Seit Schumpeters Arbeit hat der Begriff Innovation einen großen Wandel durchgemacht.
Während Schumpeter Innovation als die erstmalige Einführung eines Produkts, Prozesses
oder einer Methode beschrieb, bezeichnet Kanter (1984) Innovation als „[...]the process of
bringing any new problem solving ideas into use.“67 Rogers (1995) wiederum sieht Innovation
wie folgt: „[…] an idea, practice, or object that is perceived as new to an individual or another
unit of adoption.“68
In der Literatur wird Innovation allgemein als etwas, ein Produkt, eine Idee, ein Konzept,
angesehen, daß für die Umgebung in die es eingeführt wird, neu ist. Zumeist wird dabei
Innovation als Tätigkeit oder Prozeß beschrieben, der die Neuheit oder die Problemlösung
oder auch beides unterstreicht.69
Es ist vor allem die Neuartigkeit die allen Definitionen eigen ist. Der Versuch einen
einheitlichen Innovationsbegriff zu formen und die in der Innovationsforschung
zusammengetragenen Sichtweisen zu vereinen, muß angesichts der Fülle der in der
Forschung vorkommenden Ansätze eine große Herausforderung darstellen.
2.3.1
Innovation
Garcia/Calantone (2002) finden in einer repräsentativen Literaturübersicht in 21 empirischen
Studien der New Product Development (NPD) Literatur nicht weniger als 15 Ansätze und 51
66
Vgl. Schumpeter (1934), S. 66.
Kanter (1984), S. 20.
68
Rogers (1995), S. 11.
69
Vgl. Quintane/Johnston (2006), S.6f.
67
34
verschiedene Skalierungen des Innovationsbegriffs. Diese Vielfältigkeit liegt zum großen Teil
darin begründet, daß die Auseinandersetzung mit dem Innovationsbegriff und dem Umgang
mit der Innovation auf verschiedenste Forschungskreise zurückgeht. Dies umfaßt
Marketingsichtweisen, technisch orientierte Sichtweisen, aber auch Forschungsströmungen
wie die Organisationstheorie. In ihrer Kritik dieser Vielfältigkeit, die eine Vergleichbarkeit von
Forschungsergebnissen nur erschwert, schreiben die Autoren: “This lack of consistency in
operationalizing ‘innovationativeness’ has resulted in the interchangeable use of the
constructs ‘innovation’ and ‘innovativeness’ to define innovation types.”70
An dieser Stelle sei daher auf Hauschildt/Salomo (2007) verwiesen, die
Innovationsdefinitionen in folgende sieben Ansätze gliedern und daraus schließlich eine
konsistente Definition ableiten:
(1) Innovation als neuartige Produkte bzw. Prozesse, der Tatsache und dem Ausmaß
der Neuartigkeit nach. Zu den Vertretern dieser Sichtweise ist beispielsweise Barnett
zu zählen, der 1953 von Innovation als Idee, Verhalten oder Ding sprach, das
qualitativ von bereits bestehenden unterscheidet, sprach.
(2) Innovation als Produkte oder Prozesse der Erstmaligkeit nach. Hierbei wird auf die
erstmalige Einführung bzw. die erstmalige Anwendung abgestellt.
(3) Innovation als neuartig wahrgenommene Produkte oder Prozesse, wie auch eingangs
bei Rogers gezeigt.
(4) Innovation als neuartige Zweck-Mittel Kombination, wobei hier auf die
Unterscheidung zwischen zweckinduzierten und mittelinduzierten Innovationen, also
jenen die einen vorhandenen Zweck mit anderen Mitteln erfüllen, abgestellt wird.
Diese Sichtweise findet sich unter anderem bei Rickards (1985) oder
Moore/Tushman (1982).
(5) Innovation als Verwertung neuartiger Produkte oder Prozesse, wobei hier nur dann
von Innovation gesprochen wird, wenn eine kommerzielle Verwertung möglich ist.
(6) Innovation als Prozeß. Hierbei wird nicht die neue Idee als Innovation verstanden,
sondern der gesamte Ablauf von Forschung über Entwicklung bis hin zur
Anwendung.
(7) Innovation als neuartige Dienstleistung jenseits industrieller Produkte und Prozesse.
Darunter wird, wie auch von Damanpour (1991) vertreten, die Anpassung an
beziehungsweise Erweiterung durch ein Produkt, ein System, eine Politik, ein
Programm, ein Prozeß oder eine Service-Leistung verstanden.71
Ausgehend von dieser Einteilung gelangen Hauschildt/Salomo zu einer, aus ihrem
Verständnis eines unternehmensinternen Innovationsmanagements abgeleiteten Definition
von Innovation, die darauf abzielt einen für das Management notwendigen
70
71
Garcia/Calantone (2002), S. 110.
Vgl. Hauschildt/Salomo (2007), S. 4f.
35
betriebsindividuellen Innovationsbegriff zu formulieren. Denn, so die Autoren weiter, es muß
auch für die betriebsinternen Prozesse klar sein, was eine Definition ist, da daraus die
Zuweisung knapper Managementressourcen zu einzelnen Projekten erwächst. Denn
Innovationsmanagement ist substantiell verschieden von Routineentscheidungen.72
In diesem Sinn definieren Hauschildt/Salomo Innovation daher wie folgt:
„Innovationen sind qualitativ neuartige Produkte oder Verfahren, die sich gegenüber einem
Vergleichszustand „merklich“ – wie auch immer das zu bestimmen ist – unterscheiden.“73
Die Autoren weisen dabei allerdings auf einen weiteren Faktor hin. Erfolgreiche Innovationen
sind das Produkt der Zusammenführung von „demand pull“ und „technology push“. Hierbei
ist die erfolgreiche Innovation dadurch gekennzeichnet, daß sie sowohl zweckinduziert, also
von der Nachfrage stimuliert ist, als auch vom Angebot neuer Lösungswege angestoßen
wird. Aus diesem Verständnis heraus ergibt sich, so die Autoren, eine Zweck-MittelBeziehung die dazu führt, daß eine Innovation nur dann vorliegt, wenn diese Zweck-MittelKombination neuartig ist.
Eine alternative, von der Organisationsforschung inspirierte, Sichtweise der Innovation findet
sich bei Wilson/Ramamurthy/Nystrom (1999). Den Autoren zufolge kann Innovation auf drei
Ebenen betrachtet werden: auf technologischer, administrativer und einer Hilfsebene.
Technologische Innovation führt zu einer Änderung des technologischen Kerns der
Organisation. Administrative Innovation deckt Änderungen der Struktur bzw. der
administrativen Prozesse eines Unternehmens ab. Hilfsinnovationen schließlich
überschreiten die Grenzen des Unternehmens und helfen dabei die Beziehungen zu anderen
Bestandteilen des Unternehmensumfelds zu organisieren.74
Nachdem der Begriff der Innovation hinlänglich geklärt ist verbleibt die Auseinandersetzung
mit der Innovationsfähigkeit und in letzter Konsequenz die Bedeutung derselben für
Unternehmen.
2.3.2
Innovationsfähigkeit
Eine häufige Definition von Innovationsfähigkeit besagt, daß ein innovatives Unternehmen
Innovationen einführt bzw. anwendet.75 Darauf aufbauend ergibt sich die Innovationsfähigkeit
aus der Zahl der vom Unternehmen eingeführten Innovationen.
Bei Rogers (1995) wird Innovationsfähigkeit definiert als „[...] degree to which an individual or
other unit of adoption is relatively earlier in adopting new ideas than the other members of a
system.”76 Bei Hurley/Hult (1998), wiederum spielt bei Innovationsfähigkeit nicht nur die neue
Anwendung von Ideen eine Rolle, sondern auch das Umfeld. Die Autoren definieren
Innovationsfähigkeit daher folgendermaßen: „Innovativeness is the notion of openness to
new ideas as an aspect of a firm's culture.”77
72
Vgl. Hauschildt/Salomo (2007), S. 29.
ibidem, S. 7.
74
Vgl. Wilson/Ramamurthy/Nystrom (1999), S. 312.
75
Vgl. dazu beispielsweise Utterback (1974), Daft (1982) und Attewell (1992).
76
Rogers (1995), S. 22.
77
Hurley/Hult (1998), S. 44.
73
36
Wie aus diesen drei Sichtweisen erkennbar ist, besteht
Auseinandersetzung mit Innovationsfähigkeit in der Forschung.78
Aspect
Technology-related
Behaviour-related
Product-related
Definition
Innovativeness represents a basic willingness to depart from
existing technologies or practices and venture beyond the
current state of the art
Innovativeness is defined as the company's productivity towards
the adoption of new technologies, thus representing ist ability to
adapt to different environmental opportunities
Innovativeness indicates behavioural change and may refer to
the degree to which an individual or other unit of adoption is
relatively earlier in adopting new ideas than any other member
of the system
Innovativeness is considered to be either the ability of
generating new ideas and the combination of existing elements
for the creation of new sources of value or the receptivity to
new ideas
Innovativeness reflects the capacity of the company's inclination
to buy new products and services
keine
einheitliche
Reference
Kimberly (1981)
Kitchell (1995)
Rogers (1983)
Stalk/Evans/Shulman (1992)
Hurley/Hult (1998)
Foxall (1984)
Tabelle 5: Konzepte der Innovationsfähigkeit (Quelle: Salavou (2004), S. 35.)
Nach Wilson/Ramamurthy/Nystrom (1999) können drei wesentliche Strömungen der
Innovationsforschung identifiziert werden.
Die erste Strömung, zu deren Vertretern auch Rogers zu zählen ist, beschäftigt sich mit der
Verbreitung von Innovation („diffusion of innovation“) und versucht Innovationsraten und
Verbreitungsmuster zu identifizieren, mit denen Innovation sich innerhalb einer
Sozialordnung ausbreiten. Das beinhaltet Determinanten der Innovationsverbreitung ebenso
wie Charakteristika von Innovation und die dazugehörigen Kommunikationsprozesse in
organisationalen Einheiten (wie z. B. Unternehmen).
Der zweite Zweig betrachtet Innovation in Phasen („process-of-innovation perspective“)
durch die der Innovationsprozeß abläuft. Ein bedeutender Vertreter dieser Strömung ist unter
anderem Cooper (2002) und sein Stage-Gate-Prozeß.
Der dritte und nach Wilson/Ramamurthy/Nystrom häufigste Zweig betrifft die Aneignung und
Einführung von Innovationen in Unternehmen („organizational-innovation-adoption
perspective“). Hierbei wird der Prozeß auf vier unterschiedlichen Ebenen betrachtet. Auf
Ebene der Organisation, wobei hier der Fokus auf strukturellen Charakteristika des
Unternehmens liegt, auf Ebene der Umwelt in der die Organisation eingebettet ist, auf
individueller Ebene innerhalb der Organisation und schließlich auf strategischer Ebene.79
Bei der Beschäftigung mit Innovationsfähigkeit ergeben sich aufgrund dieser Strömungen
einige Probleme. Garcia/Calantone (2002) zufolge ist mit Innovationsfähigkeit in empirischen
Studien in den meisten Fällen das Maß der Neuheit einer Innovation gemeint.
Hochinnovative Produkte und wenig innovative Produkte bilden dabei zwei Extreme auf
einem Kontinuum. Was allerdings ausgeblendet und häufig unterschiedlich gesehen wird, ist
die Frage nach der Perspektive und die Frage was „neu“ bedeutet. Zwar nimmt die Mehrzahl
78
Ein Umstand der oft kritisiert wird, so etwa bei Wilson/Ramamurthy/Nystrom (1999), Garcia/Calantone (2002)
und bei Salavou (2004).
79
Vgl. Wilson/Ramamurthy/Nystrom (1999), S: 312f.
37
der Studien die Perspektive des Unternehmens zum Faktor Neuheit ein. Doch gleichzeitig
gibt es Sichtweisen, die Neuheit gänzlich unterschiedlich bewerten: „new to the world“, „new
to the adopting unit“, „new to industry“, „new to market“ und schließlich „new to consumers“.80
Wie Subramanian/Nilakanta (1996), aber auch Wilson/Ramamurthy/Nystrom (1999) und
Salavou (2004) anmerken, betrachtet die Mehrzahl der Forscher Innovation als
eindimensionales Konzept. Nach obiger Einteilung wird also nur eine der drei Kategorien
betrachtet.
Eng verknüpft mit der Frage der Definition von Innovationsfähigkeit ist die Frage der
Messung der Innovationsfähigkeit im empirischen Sinne.
Betrachtet man die vorhandenen empirischen Studien, so zeigen sich zwei Arten der
Messung der Innovationsfähigkeit. In der Forschungsströmung der „process-of-innovation
perspective“ wird der Zeitpunkt der Einführung einer Innovation zur Messung herangezogen.
In der Sichtweise der „diffusion of innovation“ hingegen, wird die Zahl der eingeführten
Innovationen als Vergleichsmaßstab herangezogen. Beide Strömungen verstehen die
Innovationsfähigkeit eines Unternehmens als holistisch, d.h. als Ganzes, zu messen. Doch
beide Arten der Messung haben verschiedene Nachteile, wie auch bei
Subramanian/Nilakanta und Salavou zu sehen ist.
Die zeitliche Messung der Innovationsfähigkeit erachtet den Zeitpunkt der Einführung einer
Innovation als bedeutend. Hierbei wird in der Mehrzahl der Studien eine oder selten mehrere
Innovationen zur Beurteilung herangezogen. Eine solche Betrachtungsweise ist jedoch nicht
generalisierbar, da ein Unternehmen nicht notwendigerweise das selbe Verhalten für alle
zukünftigen Innovationen zeigen wird. Subramanian/Nilakanta empfehlen daher jedenfalls
mehrere Innovationen zur Messung heranzuziehen.81
Weitere Argumente die sich gegen rein zeitliche Messungen anführen lassen, beinhalten
Faktoren die außerhalb des Unternehmens (z.B. verzögerte Lieferungen durch Lieferanten)
liegen und daher eine frühere Einführung einer Innovation verzögern. Aber Änderungen von
Innovationsraten können ebenfalls durch bessere Erforschung begründet sein und nicht
durch sinkende Innovationsfähigkeit von Unternehmen (Avlonitis/Kouremenos/Tzokas
(1994)).
Wird die Zahl der Innovationen zur Beurteilung herangezogen, so wird in der überwiegenden
Zahl der empirischen Forschungsstudien die zeitliche Komponente ausgeblendet. Salavou
und Subramanian/Nilakanta kritisieren dies mit dem Hinweis darauf, daß auf diese Weise die
Bereitschaft und die Neigung zur Innovation von Unternehmen nicht untersucht werden
kann. Betrachtet man die Bedeutung die der „First-Mover-Advantage“ gemeinhin zugewiesen
wird, wird dieses Argument um so verständlicher.
Salavou empfiehlt aufgrund dieser Schwächen vom Konzept der Innovationsfähigkeit von
Unternehmen („organisational innovativeness“) abzugehen und zur ihrer Ansicht nach
leichter zu beurteilenden Innovationsfähigkeit von Produkten überzugehen. Auch wenn diese
80
81
Vgl. Garcia/Calantone (2002), S. 112f.
Vgl. Subramanian/Nilakanta (1996), S. 634.
38
Ansicht durchaus seine Berechtigung hat, wäre dies wohl zu kurz gegriffen, da auf diese
Weise sämtliche Innovationen, die sich nicht direkt in Produkten niederschlagen (vor allem
Prozeßinnovationen), zu kurz kämen. Dies wäre lediglich ein kleiner Ausschnitt, wie auch die
folgende Abbildung zeigt.
Abbildung 2: Organisationale Innovationsfähigkeit (Quelle: Salavou (2004), S. 37.)
Für die vorliegende Arbeit soll daher die Innovationsfähigkeit nach Subramanian/Nilakanta
definiert werden als: „[...]an enduring trait that is consistently exhibited by truly innovative
firms over a period of time.”82
Die Autoren empfehlen, für die Messung der Innovationsfähigkeit von Unternehmen drei
Dimensionen zu betrachten. Einerseits sollte die durchschnittliche Zahl der eingeführten
Innovationen herangezogen werde, anderseits aber auch die Zeit bis zu Einführung dieser
Innovationen. Schließlich, als drittes Kriterium, soll die Innovationsfähigkeit danach beurteilt
werden, ob die beiden obigen Kriterien über einen längeren Zeitraum aufrecht erhalten
werden, da die wahre Innovationsfähigkeit keine einmalige Angelegenheit ist, sondern
konstant über lange Zeit besteht.83
2.3.3
Innovationsfähigkeit und ihr Einfluß auf die Wettbewerbsfähigkeit
Ob und wie die Wettbewerbsfähigkeit eines Unternehmens von der Innovationsfähigkeit
abhängt, ist in der Forschung ein häufiges Thema. Dieser Frage widmete sich ein breites
Spektrum verschiedenster Autoren aus allen Bereichen in unzähligen empirischen Studien.
Alleine in den letzten drei Jahren finden sich im Zuge der stärkeren Auseinandersetzung mit
Innovation eine Reihe von wissenschaftlichen Beiträgen, wie die folgende kleine Auswahl
zeigt: Cho/Pucik (2005), Cefis/Marsili (2005), Cantwell (2005), Linder (2006), Lin/Chen
(2007).
82
83
Subramanian/Nilakanta (1996), S. 641.
ibidem, S. 641f.
39
Als Ausgangspunkt für die Illustration der Bedeutung der Innovationsfähigkeit sei die
Wettbewerbsfähigkeit von Unternehmen gewählt. Für eine eingängige Definition kann
Otremba (2004) gewählt werden, der seine Definition an Arbeiten der OECD anlehnt:
„Die Wettbewerbsfähigkeit von Unternehmen kann unabhängig von den tatsächlich
angestrebten Zielen [...] definiert werden als die Fähigkeit, im Wettbewerb Marktanteile zu
gewinnen, Profitabilität zu steigern und dabei zu wachsen.“84
Zur
Illustration
des
Zusammenhangs
zwischen
Innovationsfähigkeit
und
Wettbewerbsfähigkeit wird im folgenden die Arbeit von Cho/Pucik (2005) herangezogen.
In ihrer Studie analysieren Cho/Pucik die Zusammenhänge zwischen Innovationsfähigkeit,
Qualität, Wachstum, Rentabilität und Marktwert von Unternehmen. Für diese Untersuchung
werden die Ergebnisse der Organisationsforschung ebenso verwendet, wie jene der
Innovationsforschung und die Modelle des ressourcenbasierten Ansatzes, der hier bereits
vorgestellt wurde.
Ziel war es, die in vielen Fallstudien eruierten Zusammenhänge von Innovationsfähigkeit und
Qualitätsorientierung mit dem Unternehmenserfolg empirisch nachzuprüfen und zu
bestimmen, ob die geschilderten Erfolgsgeschichten Einzelfälle sind oder generalisierbare
Zusammenhänge bestehen.
Basierend auf Forschungen von March (1991) betrachten Cho/Pucik die
Qualitätsorientierung bei Produkten bzw. Dienstleistungen von Unternehmen als Ausnutzung
„bestehender Gewißheiten“ („established certainties“), und die Fokussierung auf
Innovationsfähigkeit als die Fähigkeit neue Möglichkeiten („new possibilities“) zu erkennen
und zu nutzen. Diese beiden strategischen Optionen von Unternehmen werden in der Folge
daraufhin untersucht, inwiefern sie einen unterschiedlichen Einfluß auf das Wachstum, die
Rentabilität und den Marktwert von Unternehmen haben.
Für das getestete Modell konnten die Autoren auf die bestehende empirische Basis
zurückgreifen, die für sich genommen einen gesicherten positiven Einfluß von
Qualitätsorientierung bei Produkten bzw. Dienstleistungen sowie der Innovationsfähigkeit auf
Wachstum, Rentabilität und Marktwert von Unternehmen zeigen.85
Neben diesen Ergebnissen, die auf den alleinigen Einfluß von Qualitäts- bzw.
Innovationsorientierung auf die Unternehmensleistung abstellen, widmen sich die Autoren
jedoch auch dem gemeinsamen Einfluß dieser beiden Variablen auf die
Unternehmensleistung. Sie gehen dazu von einer Mediationsfunktion86, also einer
Mittlerrolle, dieser beiden Variablen aus.
84
Otremba (2004), S. 34.
Vgl. Cho/Pucik (2005), S. 557f.
86
Von einem Moderator wird dann gesprochen, wenn eine Drittvariable die Stärke der Beziehung zwischen zwei
anderen Variablen bestimmt ohne selbst mit ihnen zu korrelieren. Ein Mediator hingegen, liegt dann vor wenn
eine unabhängige Variable eine abhängige Variable nicht nur direkt, sondern auch über eine Drittvariable
beeinflußt. Vgl. dazu auch Baron/Kenny (1986).
85
40
Aus diesen Annahmen heraus stellen die Autoren Hypothesen auf, die einerseits annehmen,
daß die Beziehung von Qualität und Wachstum durch die Innovationsfähigkeit beeinflußt
werden. Gleichzeitig jedoch, so der Gedankengang von Cho/Pucik, beeinflußt die Produktund Dienstleistungsqualität die Beziehung zwischen Innovationsfähigkeit und Rentabilität.
Weiters, so folgern die Autoren aus Investorensicht, steht die Innovationsfähigkeit in einem
direkten Zusammenhang mit dem Marktwert eines Unternehmens und zusätzlich, über die
Produkt- und Dienstleistungsqualität, auch in einem indirekten Zusammenhang mit dem
Marktwert.
Schließlich stellen Cho/Pucik eine Verbindung mit dem Wachstum von Unternehmen her,
indem sie einen direkten Zusammenhang zwischen Wachstum und Marktwert und
gleichzeitig auch einen indirekten Zusammenhang (über die Rentabilität) sehen.
Aufbauend auf diesen Hypothesen entwerfen Cho/Pucik ihr Innovations-QualitätsRentabilitäts-Modell (IQP-Modell), welches anhand der folgenden Abbildung leichter
anschaulich wird.
Abbildung 3: Das Innovations-Qualitäts-Rentabilitäts-Modell
(Quelle: Cho/Pucik (2005), S. 560.)
Für die empirische Überprüfung dieses Modells wurden die Daten des Fortune Annual
Corporate Reputation Survey („America’s Most Amired Companies“) und der Standard &
Poor’s Datenbank COMPUSTAT herangezogen und zusammengeführt. Hierbei wurde eine
Dreijahreszeitspanne (1998-2000) gewählt.
Für das Fortune Ranking werden Führungskräfte und Finanzanalysten aus 40 Branchen der
USA herangezogen, wobei die Basis die in den Fortune 1000 geführten Unternehmen sind.
41
Die Daten, die für die Untersuchung von Cho/Pucik benutzt wurden, sind die weichen
(subjektiven) Einschätzungen zu Innovationsfähigkeit und Qualität. Zusätzlich kommen acht
weitere Variablen zum Einsatz, die Leistungsindikatoren von Unternehmen darstellen. Dies
sind
Wachstumskennzahlen
(Bilanzsumme,
Umsatz,
Marktkapitalisierung),
Rentabilitätskennzahlen (ROA, ROE und ROI) und Leistungsdaten (Marktwert-BuchwertVerhältnis und Tobins Q, das Kurs-Substanzwert-Verhältnis).
Das vorher vorgestellte IQP-Modell wurde schließlich mit den obigen Variablen in einem
Strukturgleichungsmodell87 getestet.
Die Ergebnisse zeigen, daß Hypothese 3a, also der Einfluß der Qualitätsorientierung auf das
Unternehmenswachstum, von der Innovationsfähigkeit bestimmt wird. In anderen Worten,
Qualität beeinflußt das Wachstum teilweise, da ein Einfluß der Qualität auf die
Innovationsfähigkeit gegeben ist. Diese wiederum beeinflußt das Wachstum, wie auch in
vorhergehenden Studien nachgewiesen wurde.
Das selbe gilt auch für Hypothese 3b. Auch hier konnte der Einfluß der Innovationsfähigkeit
auf die Rentabilität über den Faktor Qualität nachgewiesen werden.
Die mit Hypothese 3c getroffene Annahme konnte ebenfalls bestätigt werden.
Innovationsfähigkeit hat sowohl einen direkten Einfluß auf die Qualität, als auch einen
indirekten Einfluß auf den Marktwert (über den Faktor Qualität).
Schließlich wurde auch Hypothese 4 bestätigt und es zeigte sich, daß Wachstum nicht nur
direkt mit dem Marktwert eines Unternehmens zusammenhängt, sondern über die
Rentabilität auch indirekt auf den Marktwert wirkt.
Zusammengenommen kann gesagt werden, daß Innovationsfähigkeit ein Treiber für das
Unternehmenswachstum ist, Qualität ein Treiber für die Rentabilität ist und beide zusammen
den Marktwert beeinflussen.
Cho/Pucik kommentieren dies mit der Feststellung, daß Unternehmen, welche die richtige
Balance zwischen Qualität und Innovationsfähigkeit finden können, einen sich selbst
verstärkenden Kreislauf schaffen können zwischen Wachstum, Rentabilität und Marktwert.88
Gleichzeitig zeigen diese Ergebnisse, daß die Bedeutung der Innovationsfähigkeit als
einzigem Treiber der Rentabilität und der Qualität als einzigem Treiber des Wachstums
geringer ist als früher angenommen. Denn ein alleiniger Fokus auf Qualität zu Lasten der
Innovationsfähigkeit, welche neue Kunden schafft, geht zu Lasten des Wachstums. Gleiches
gilt für Innovationsfähigkeit und Rentabilität, da eine fehlende Qualitätsorientierung diese
vermindert.
87
88
Vgl. die Strukturgleichung von Cho/Pucik im Anhang.
Vgl. Cho/Pucik (2005), S. 569.
42
2.3.4
Konsolidierungsdruck und Merger Endgame S-Curve
Die Bedeutung der Innovationsfähigkeit, die aus der Arbeit von Cho/Pucik ersichtlich ist, wird
noch offensichtlicher, wenn sie aus einer anderen Perspektive, nämlich jener des weltweiten
Konsolidierungsdrucks, betrachtet wird.
Die Economist Intelligence Unit kommt in einem Bericht zur internationalen Fusionswelle der
letzten Jahre zu folgender Feststellung: „The point is that no firm can afford to neglect M&A
as an element of its strategy, whether to defend itself, defend its markets, increase them or,
most likely, all three.”89
Betrachtet man die Arbeit Deans/Kroeger/Zeisel (2002), so kommt man nicht umhin dieser
Feststellung zuzustimmen.
Deans/Kroeger/Zeisel
haben
sich
mit
Konsolidierungsentwicklung beschäftigt. Dazu
börsenotierten Unternehmen der 24 weltweit
betrachtet und ihre Unternehmensleistung und
beobachtet.
der
Untersuchung
der
weltweiten
wurde die Entwicklung von über 25.000
bedeutendsten Branchen in 53 Ländern
-strategie im Zeitraum von 1988 bis 2001
Die Daten stammten aus einer Datenbank („Value-Building Growth Database“) des
Strategieberatungsunternehmens A.T. Kearney und der Datenbank SDC Platinum
Worldwide M&A von Thomson Financial, die 135.000 Fusionen zwischen 1990 und 1999
abdeckt.
Das
Hauptergebnis
ihrer
Studie
war
die
Entdeckung
eines
weltweiten
Konsolidierungsmusters, das an den Produktlebenszyklus erinnert: die sogenannte Merger
Endgame S-curve. Hierbei handelt es sich um die graphische Abbildung eines
Konsolidierungsmusters das, so die Autoren, über die Zeit in allen Branchen stattfindet und
schließlich auf globaler Ebene sichtbar wird.
Diese Branchenkonzentration folgt den Autoren zufolge einem vierphasigen Muster.
Die erste Phase, die Eröffnungsphase („Opening Stage“), ist charakterisiert durch wenig bis
keine Konzentration innerhalb der Branche (auf lokaler wie globaler Ebene) und die
Hauptakteure sind zumeist aus Deregulierungen erwachsene Start-up-Unternehmen. Der
zweite häufige Fall betrifft, durch technologische Entwicklungen neu entstandene Branchen
und die Unternehmen darin. Beispiele hierfür sind Eisenbahnen, Telekom oder
Versicherungsunternehmen.
In der zweiten Phase, der sogenannten „Scale Phase“, beginnen Skaleneffekte in den sich
entwickelnden Branchen an Bedeutung zu gewinnen und es zeichnen sich erste
dominierende Unternehmen ab. Illustrative Beispiele hierfür finden sich im Brauereibereich
ebenso wie im Papier- und Automobilzulieferbereich und bei den Bank- und
Finanzdienstleistern.
89
[EIU], S. 1.
43
In der darauf folgenden Fokus-Phase entstehen äußerst erfolgreiche Unternehmen, die mit
ihren Wachstumsraten die Konkurrenz überflügeln und stark wachsen. Dies kann sehr gut
anhand der Beispiele der Flugzeugzulieferer, Werften, aber auch der Stahlbranche
beobachtet werden.
Die Endphase schließlich, die sogenannte Balance- und Allianzphase ist gekennzeichnet
durch teilweise extreme Konzentration auf globaler Ebene wie er in der Tabakindustrie zu
finden ist, die durch wenige Unternehmen dominiert wird oder wie er für die
Automobilindustrie für die Zukunft erwartet wird.90
Abbildung 4: Die Merger Endgame S-Curve und der weltweite Konsolidierungsdruck
(Quelle: Deans/Kroeger/Zeisel (2002), S. 6)
Deans/Kroeger/Zeisel kommen zu dem Schluß, daß es keine sichern Nischen geben kann,
da alle Branchen letztendlich global sind und in den letzten beiden Phasen eine
Konsolidierung bzw. Konzentration durchlaufen werden.91
Basierend auf diesen statistischen Erkenntnissen bekommt die Arbeit von Cho/Pucik zu den
Zusammenhängen von Innovationsfähigkeit, Rentabilität und Wachstum noch mehr Gewicht.
90
91
Vgl. Deans/Kroeger/Zeisel (2002), S. 6.
Vgl. ibidem, S. 5.
44
Denn Wachstum ist in jeder dieser Phasen von großer Bedeutung und wie vorher gezeigt
wurde, ist die Innovationsfähigkeit ein wesentlicher Treiber des Wachstums. Ohne dieses
Wachstum kann die faktische Wirkung der Merger S-curve von Deans/Kroeger/Zeisel jedoch
aus Unternehmenssicht nicht bewältigt werden, und als Ausweg bleiben auf lange Sicht nur
Fusionen. Dies läßt sich sehr gut anhand einer Umfrage des Corporate Board Member
Magazine ablesen, in dem beinahe 50% der befragten Vorstände den Zwang zum
Wachstum („The need to grow to compete“) als wichtigste Motivation für Fusionen
identifizierte.92
Folgt man Deans/Kroeger/Zeisel, so ist eine Fusion in letzter Konsequenz unausweichlich,
da organisches Wachstum spätestens nach der dritten Phase, in der die Rentabilität ihren
Höhepunkt erreicht, nicht mehr ausreichen wird.93
92
93
[CBM] (2005), S. 3.
Vgl. Deans/Kroeger/Zeisel (2002), S. 20ff.
45
3. Der Stand der internationalen empirischen Forschung
Nach dem Überblick über die theoretischen Grundlagen dieser Arbeit erscheint es dienlich,
den aktuellen empirischen Forschungsstand zum Thema Clusterforschung vorzustellen. Dies
ist auch im Hinblick auf die, in dieser Arbeit folgende, empirische Untersuchung
österreichischer Cluster von Bedeutung.
Die für diese Arbeit in Betracht kommenden Untersuchungen umfaßten mehr als 100
Studien, die über die kostenpflichtigen Recherche-Datenbanken EBSCO Host Research
Databases, ABI/INFORM Proquest, ScienceDirect, Blackwell Synergy und JSTOR ermittelt
wurden. Zusätzlich wurden über verschiedene Internet-Suchmaschinen frei verfügbare
Working Papers herangezogen.
Aus dieser Gesamtmenge verfügbarer, empirischer Untersuchungen wurden insgesamt 27
Studien ausgesucht, die für diese Arbeit hilfreich sein können. Das in den letzten Jahren
stark angestiegene Interesse an der Cluster-Thematik läßt sich auch am Alter der
empirischen Untersuchungen ablesen. So stammt der überwiegende Teil der hier
vorgestellten Studien aus den letzten sechs Jahren, darunter auch einige Österreich
betreffende Untersuchungen.94
Die getroffene Auswahl der empirischen Forschungsarbeiten deckt von der Identifikation,
über die Untersuchung der Clustermerkmale bis zur Untersuchung spezifischer
Agglomerationsvorteile, wie Spillovers oder dem Bestand an Arbeitskräften innerhalb des
Clusters, das gesamte Cluster betreffende Spektrum ab.
Für die vorliegende Arbeit erscheint eine Klassifikation der Studien nach diesen
Gesichtspunkten, sowie nach den verwendeten Daten als sinnvoll. Aus diesem Grund
werden innerhalb dieses Kapitels die empirischen Untersuchungen nach folgenden
Kategorien vorgestellt: Clusteridentifikation, Untersuchungen zu Clustermerkmalen,
Untersuchung von Agglomerationsvorteilen betreffend Spillovers, Studien über
Agglomerationsvorteile betreffend die Innovationsleistung, Agglomerationsvorteile und
Unternehmensbeziehungen sowie sonstige Agglomerationsvorteile für Unternehmen. Aus
Platzgründen werden allerdings nur die für diese Arbeit wichtigsten Studien jeder Kategorie
vorgestellt.
Betrachtet man die im Anhang ersichtliche Gesamtübersicht der als relevant für diese Arbeit
identifizierten Studien, so fällt ihre Vielfalt sofort ins Auge. Dies betrifft sowohl die
verwendeten Daten, als auch die angewandten Analysemethoden und die betrachteten
Studiengebiete. Eine passende Systematik für diese Studien zu finden fällt angesichts der
Vielfalt der Herangehensweisen und Fragestellungen nicht leicht, was jedoch angesichts der
im vorherigen Kapitel vorgestellten Entwicklung des Clusterkonzepts nicht überrascht.
Die hier getroffene Klassifikation folgt im wesentlichen der Systematik die Lublinski (2002) in
seiner Arbeit für die Klassifikation von Clusteridentifikationsstudien gewählt hat. Dabei
werden die Untersuchungen anhand der verwendeten Daten, der Studiengebiete und der
94
Eine Gesamtübersicht der angesprochenen Studien findet sich in Tabellenform im Anhang.
46
Analysemethoden gegliedert. Dabei fällt ein gewisses Übergewicht US-amerikanischer
Studien auf. Doch sollte die Gefahr, die in den Untersuchungen erzielten Ergebnisse und
gezogenen Schlüsse seien verzerrt, auf eventuell nicht vergleichbare Wirtschaftsräume und
nationale Gegebenheiten umgelegt, minimiert sein. Denn neben zahlreichen US-Studien
findet sich eine Vielzahl kleiner und größerer Volkswirtschaften wie die Niederlande,
Dänemark, der Schweiz, Österreich, Spanien, Großbritannien und Frankreich. Schließlich
finden sich neben Schwellenländern wie der Türkei und Indien auch globale Studiengebiete,
was zusammengenommen die Gefahr reduziert, fälschlicherweise US-spezifische
Gegebenheiten auf ein Umfeld wie es beispielsweise in Österreich zu finden ist, umzulegen
und so zu Fehlinterpretationen zu kommen.
Eine Strukturierung der Arbeiten und schließlich auch ihrer Ergebnisse nach der
Analysemethodik erschien hier nicht sinnvoll, zumal das gesamte Spektrum empirischer
Werkzeuge
von
klassischen
Regressionsanalysen,
über
Modelle
aus
der
Wirtschaftsgeographie wie Getis-Ord-G-Statistiken bis hin zu Strukturgleichungsmodellen
abgedeckt ist.
Als
einzig
gangbarer
Weg
erschien
daher
die
Zusammenfassung
nach
Untersuchungsgegenstand. Dabei lassen sich grob drei Gruppen finden: Studien, die sich
mit der Identifikation von Clustern, also der räumlichen Konzentration von Unternehmen
befassen, Untersuchungen, die Merkmale von Clustern und ihre Effekte auf Unternehmen
behandeln und schließlich Studien, die sich mit den Agglomerationsvorteilen befassen, die
Unternehmen erwachsen können.
Bezüglich der Kategorie der Merkmale und Effekte von Clustern auf Unternehmen besteht
ein Österreich-Schwerpunkt und hier vor allem ein Fokus auf die in Österreich am besten
untersuchten Cluster Oberösterreichs.
Was die dritte Kategorie der Agglomerationsvorteile betrifft, so zeigte sich eine
Übereinstimmung mit den eingangs getroffenen Vermutungen, da eindeutig Erhebungen zu
Vorhandensein, Ausprägung und Wirkungen von Knowledge Spillovers, welche die
Bedeutung von Clustern im Zusammenhang mit Wissen hervorheben, dominieren.
Eine Ebene höher, bei der Innovationsleistung und Innovationsneigung
Clusterunternehmen, setzen die Studien der nächsten Kategorie an.
von
Weiters zeigt sich die bereits angesprochene Vielseitigkeit der Clusterkonzepte und
-strömungen, darin, daß die Forschung versucht, bestehende und gut untersuchte Konzepte
wie die Netzwerktheorie mit Clustern zu verbinden. Aus diesem Grund ist diesen Studien
eine eigene Kategorie gewidmet.
Die letzte Kategorie schließlich, faßt Untersuchungen zusammen, die sich nicht mit einem
einzelnen Agglomerationsvorteil beschäftigen, sondern versuchen, mehrere in der Literatur
als solche identifizierte Vorteile in Clustern zu eruieren und ihre Ausprägungen zu verstehen.
47
3.1 Clusteridentifikation und räumliche Konzentration
Bevor die einzelnen Charakteristika von Clustern und ihre Vorteile untersucht werden
können, müssen diese erst identifiziert werden.
Bei genauerer Betrachtung der vorhandenen Clusteridentifiaktionsstudien können diese im
wesentlichen in zwei bedeutende Strömungen gegliedert werden: in jene, deren
Untersuchungsgegenstand die geographische Dimension ist, und jene die sich mit der
funktionalen Ebene beschäftigen.95
Geographisch orientierte Studien, die auf die Identifikation von geographisch naheliegenden
Unternehmensgruppen abzielen, nutzen als Datengrundlage meistens branchenspezifische
Beschäftigungszahlen. Funktional orientierte Studien zielen eher auf den Grad der
Austauschbeziehungen (Waren und Dienstleistungen) ab und nutzen hierzu meist InputOutput-Tabellen.
Autor(en)
Jahr
Daten
Analysemethode
Studiengebiet
Clusteridentifikation / Räumliche Konzentration
Dumais/Ellison/Glaeser
1997
Ellison/Glaeser
1997
Feser/Sweeney
2000
Berwert/Vock/Tiri
2004
Feser/Sweeney/Renski
Steiner/Hartmann
I/O-Daten &
Beschäftigungsdaten
Agglomerationsindex &
Regressionsanalyse
USA: 307 Metropolitan areas
Beschäftigungsdaten
I/O-Daten &
Beschäftigungsdaten
Agglomerationsindex
USA
Korrelationsanalyse
USA: 1 Bundesstaat
Clusteranalyse
CH
2005
I/O-Daten
IO-Daten &
Beschäftigungsdaten
Getis-Ord G-Statistiken
USA
2006
I/O-Daten
n. v.
Österreich: Steiermark
Tabelle 6: Studien zur Clusteridentifikation (Quelle: Eigene Darstellung)
3.1.1
Der Agglomerationsindex nach Ellison/Glaeser
Der hier vorgestellte Agglomerationsindex von Ellison/Glaeser (1997) gehört nach obiger
Definition zu den Clusteridentifiaktionsstudien, die den Fokus auf die geographische
Dimension legen.
In ihrer Arbeit untersuchen Ellison/Glaeser wie die generelle und darüber hinausgehende
Unternehmenskonzentrationen im produzierenden Sektor gemessen werden können.
Basierend auf einem ökonometrischen Modell (auf Basis von Beschäftigungsdaten),
schlagen sie einen skalierenden Index geographischer Konzentration vor.
In diesem Index entspricht der Wert Null jenem Fall, wenn die Beschäftigung geographisch
genauso konzentriert ist wie im Falle einer zufälligen Standortentscheidung. Ellison/Glaeser
beschreiben dies mit: „[...]as concentrated as it would be expected to be had the plants in the
industry chosen locations by throwing darts at a map.”96
95
96
Vgl. Lublinski (2002), S. 21ff.
Ellison/Glaeser (1997), S. 890.
48
Des weiteren soll dieser Index auch zwischenstaatliche Vergleiche ermöglichen. Aus diesem
Grunde ist das Modell dergestalt aufgebaut, daß Unterschiede der Branchengröße oder auch
der Detailgrad der vorhandenen geographischen Daten den Index nicht beeinflussen.
Die Annahmen, die das Modell von Ellison/Glaeser macht, unterstellen, daß Unternehmen
sich aus Profitmaximierungsgründen für einen Standort entscheiden. Dabei werden zwei
Arten von agglomerativen Kräften unterschieden: Spillovers einerseits, und natürliche
Vorteile andererseits.
Bei Spillovers unterscheiden sie einerseits zwischen physischen Spillovers im Sinne
Krugmans97, bei der die Anwesenheit eines Unternehmens Transportkosten verringert, und
andererseits „intellektuellen“ Spillovers, die man im Sinne der übrigen Forschungsarbeiten
als Knowledge Spillovers bezeichnen kann.
Natürliche Vorteile meinen Eigenschaften der gegebenen Umwelt, die für die sich
ansiedelnden Unternehmen einzigartige Wettbewerbsvorteile bieten, wie etwa
hervorragende Mikroklimata für den Weinbau.
Sind keine dieser agglomerativen Kräfte vorhanden, so nimmt das Modell eine zufällige
Verteilung von Unternehmen an, und dementsprechend erhält dieser Fall im Index den Wert
Null.
Ausgehend von einer Grundformel für die Konzentration einer Branche in einer Region und
einem Herfindahl-Index der Größenverteilung von Fabriken einer Branche ergibt sich der
Indexwert der Branchenkonzentration.
In einem ersten Schritt wird die Maßzahl G als grobe Konzentrationskennzahl für eine
Branche berechnet, wobei si für den Anteil der Beschäftigten einer Branche in Region i steht
und xi für den Anteil der Beschäftigten in der verarbeitenden Industrie in Region i steht:
Um Klumpeneffekten bei der Ermittlung von Branchenkonzentrationen durch beispielsweise
stark an einem Ort konzentrierte Beschäftigte einer Branche, die aber über das gesamte
Land verteilt sind, zu vermeiden, wird mit Hilfe eines Herfindahl-Hirschmann-Index um die
Verteilung der Fabriksgröße einer Branche bereinigt.
Über diese beiden vereinfacht vorgestellten Berechnungen wird schließlich die Maßzahl
geographischen Konzentrationsgrad einer Branche ermittelt:
97
Vgl. Krugman (1991b).
49
für
Was die Interpretation des Index betrifft, so haben die Autoren über
Wahrscheinlichkeitsrechnungen, welche die Attraktivität einzelner US-Bundesstaaten im
Vergleich berücksichtigt, einen -Wert von unter 0,02 als nicht sehr konzentriert und einen
Wert von 0,05 und darüber als stark konzentriert definiert.
In Ermangelung genauerer Daten wurden die 459 Branchen der verarbeitenden Industrie
nach SIC-Klassifikation gewählt. Die Beschäftigungszahlen stammen aus dem Census of
Manufactures. Diese sind jedoch teilweise unvollständig, da in bestimmten Branchen
Beschäftigungszahlen nur in Kategorien bzw. codiert dargestellt sind und berücksichtigen nur
Branchen mit mehr als 150 Beschäftigten in einer Region der USA. Aus diesem Grunde
wurden diese Daten teilweise interpoliert.
Rein nach der Maßzahl G sind 446 der 459 betrachteten Branchen konzentriert. Dies würde
Vertretern der New Economic Geography recht geben, die der Ansicht sind,
Branchenkonzentration wären allgegenwärtig und nicht außergewöhnlich.98
Dieses Bild ändert sich jedoch, wenn man die definierten Werte für Konzentration auf die
errechneten Daten anwendet. Hierbei liegt der durchschnittliche -Wert bei 0,051 und der
Median bei 0,026.99 Auf die Branchen umgelegt, bedeutet dies, daß etwas über 25% der
Branchen einen -Wert von mindestens 0,05 aufweisen, 59 sogar einen Wert von
mindestens 0,10.
SIC-Code
2371
2084
2252
3533
2251
2273
2429
3961
2895
3915
2874
2061
2281
2034
3761
Pelzprodukte
Weine, Weinbrände, Weinspirituosen
Sonstige nicht klassifizierte Strumpfwaren
Erdöl- und Erdgas Ausrüstung
Damenstrumpfwaren
Teppiche
Sonstige nicht klassifizierte Sägewerke
Modeschmuck
Kohlenschwarz
Schmuckmaterial, Edelsteinschneider
Phosphatdünger
Roher Rohrzucker
Spinnereien (ohne Wolle)
Trockenfrüchte, Gemüse, Suppen
Lenkwaffen, Raumfahrzeuge
H
0,007
0,041
0,008
0,015
0,028
0,013
0,009
0,017
0,054
0,025
0,066
0,038
0,005
0,030
0,046
G
0,60
0,48
0,42
0,42
0,40
0,37
0,36
0,32
0,32
0,30
0,32
0,30
0,27
0,29
0,27
0,63
0,68
0,44
0,43
0,40
0,38
0,37
0,32
0,30
0,30
0,29
0,29
0,28
0,28
0,25
Tabelle 7: Die 15 am stärksten konzentrierten Branchen der USA
(Quelle: Ellison/Glaeser (1997), S. 912)
Betrachtet man nun lediglich obige Liste und die Herleitung des benutzten Modells, so
können den Autoren zufolge lediglich im Falle der Pelzprodukte und der Textilproduktion
Spillovers als Gründe in Betracht kommen, in allen anderen Fällen dürfte die Konzentration
den gegebenen Umweltbedingungen geschuldet sein.
98
99
Vgl. Krugman (1991a).
Vgl. Ellison/Glaeser (1997), S. 908.
50
Generell zeigen die Ergebnisse eine sehr häufige Konzentration in der verarbeitenden
Industrie, allerdings großteils auf einem eher niedrigen Niveau.
3.1.2
Clusteridentifikation durch I/O-Daten am Beispiel Schweiz
Einen anderen Weg als Ellison/Glaeser schlugen Berwert/Vock/Tiri (2004) in der Schweiz
ein. Zur Clusteridentifikation auf nationaler Ebene und für die Region Espace Mittelland
wurden die Kunden-Lieferanten-Beziehungen, also die Wertschöpfungsketten innerhalb der
schweizerischen Volkswirtschaft, untersucht.
Die Autoren folgen der Hypothese100, daß Kunden-Lieferanten-Beziehungen und die
innerhalb dieser Beziehung ablaufenden Austauschbeziehungen als „[...] Träger der
Innovations- bzw. Technologiediffusion interpretiert werden können [...]“.101
Datengrundlage für die Identifikation von Clustern in dieser Studie waren die Güter- und
Dienstleistungsströme wie sie in der Transaktionsmatrix der Input-Output-Tabellen (I/OTabellen) des schweizerischen Statistikamtes erfaßt werden. Im Hauptteil der I/O-Daten, der
Transaktionsmatrix, werden die Werte der Vorleistungslieferungen eines Wirtschaftszweiges
a für den Wirtschaftszweig b erfaßt, wodurch Wertketten sichtbar werden und in der
Gesamtheit einzelne Cluster identifiziert werden können. Daran angeschlossen ist schließlich
auch die Matrix der Endverwendung, die sämtliche Kategorien wie Investitionen, Exporte
aber auch den privaten und öffentlichen Konsum einschließt.102
Auf nationaler Ebene konnten für die Untersuchung die I/O-Daten für das Jahr 1995
verwendet werden, wobei die schweizerische Klassifikation mit 37 Wirtschaftszweigen relativ
stark aggregiert ist. Für die Region Espace Mittelland, die in dieser Untersuchung ebenfalls
betrachtet wurde, mußte ausgehend von den nationalen Daten eine I/O-Tabelle weitgehend
geschätzt werden.
Zusätzlich zu den aus den I/O-Daten gewonnenen Informationen, wurden Daten aus einer
Innovationserhebung für die Schweiz (die ebenfalls auf Grundlage obiger 37
Wirtschaftszweige erhoben wurde) mit den Clusterdaten kombiniert um Aspekte des
Innovationsprofils abzubilden.
Die so gewonnenen Daten wurden von Berwert/Vock/Tiri unter dem Blickwinkel der
folgenden Thesen interpretiert:
(1) Güterwirtschaftliche Verflechtung als Ort von Innovationen: je stärker die
Verflechtung eines Wirtschaftszweiges mit anderen Wirtschaftszweigen, desto höher
das Innovationspotential und die wirtschaftliche Dynamik.
(2) Innovationsstarke Wirtschaftszweige als Lieferanten von Innovationen: je
stärker ein Wirtschaftszweig mit innovativen Lieferanten kooperiert, desto größer das
Potential für Innovationen und wirtschaftliche Dynamik.
100
Die Autoren beziehen sich hierbei auf die Arbeiten von Lundvall (1992), DeBresson (1996) und Edquist (1997).
Vgl. Berwert/Vock/Tiri (2004), S. 12.
102
Eine schematische Darstellung einer I/O-Tabelle findet sich im Anhang.
101
51
(3) Innovationsstarke Wirtschaftszweige als anspruchsvolle Kunden: je stärker ein
Wirtschaftszweig mit innovativen Kunden kooperiert, desto größer das Potential für
Innovationen und wirtschaftliche Dynamik.
(4) Wissensverflechtung als Ort von Innovationen: je stärker die Wissensverflechtung
eines Wirtschaftszweiges, desto größer das Potential für Innovationen und
wirtschaftliche Dynamik.
Aufbauend auf den Erfahrungen älterer quantitativer Erhebungen wie Roelandt (1999),
wurde die sogenannte Method of Maxima zur Abbildung der monetären Ströme, die sich aus
den I/O-Daten ablesen lassen, in einem dreistufigen Vorgehen angewandt.
Die erste Stufe diente der Identifikation von Forward Linkages, wobei aus Sicht der
Lieferanten die wichtigen Vorleistungslieferungen an die übrigen Wirtschaftszweige eruiert
wurden. Die zweite Stufe betraf die Backward Linkages, das heißt die aus Sicht der Kunden
wichtigen Vorleistungslieferungen.
Für beide Stufen wurden Schwellenwerte, basierend aus Sensitivitätsanalysen und älteren
empirischen Untersuchungen in Flandern, ermittelt. Diese Schwellenwerte berücksichtigen
durch ihren Aufbau sowohl die Kunden- als auch die Lieferantenperspektive.
Ein Forward Link besteht wenn folgende Bedingungen gleichzeitig erfüllt sind:
(1) Mindestens 20% der gesamten vorleistungsrelevanten Produktion eines Lieferanten
werden an einen Kunden geliefert.
(2) Mindestens 5% des gesamten Vorleistungsinputs eines Kunden werden vom
betreffenden Lieferanten geliefert.
Ein Backward Link besteht wenn folgende Bedingungen gleichzeitig erfüllt sind:
(1) Mindestens 15% des Vorleistungsbezuges eines bestimmten Kunden werden von
einem bestimmten Lieferanten geliefert.
(2) Mindestens 5% der gesamten vorleistungsrelevanten Produktion eines Lieferanten
werden an einen bestimmten Kunden geliefert.103
Durch diese beiden Schwellenwertdefinitionen ergeben sich Cluster aus der
Lieferperspektive und Cluster aus der Bezugsperspektive, die in der dritten Stufe
übereinandergelegt werden, um schließlich zu den nationalen bzw. regionalen Clustern zu
gelangen.
Basierend auf dieser Analysemethode konnten aus fünf Forward Clusters und sieben
Backward Clusters, die in folgender Abbildung dargestellten Cluster (jeweils aus sich
überlappenden Teilclustern bestehend) für die Schweiz ermittelt werden.
103
Vgl. Berwert/Vock/Tiri (2004), S. 16f.
52
Abbildung 5: Die fünf Cluster der schweizerischen Volkswirtschaft
(Quelle: Berwert/Vock/Tiri (2004), S. 22.)
Aus Platzgründen sei nur auf einen dieser Cluster, den Cluster Metals/Machinery – Electrical
Equipment – Chemicals (MEC) eingegangen, der sich um die Bereiche Maschinen- und
Fahrzeugbau, sowie Elektrotechnik, Elektronik, Präzisionsinstrumente, optische Geräte,
Uhrenindustrie gruppiert.
Abbildung 6: Cluster Electrical Equipment – Metals/Machinery – Chemicals (MEC), Schweiz 1995
(Quelle: Berwert/Vock/Tiri (2004), S. 27.)
Dieser Cluster ist um zwei Kernbereiche (18) und (19) herum gruppiert die beide vielfältige
Forward Linkages (symbolisiert durch durchgezogene Pfeile)104 und Backward Linkages
aufweisen.
104
Eine deitaillierte Legende zu dieser Darstellung findet sich unter Anhang 3 dieser Arbeit.
53
Aus Sicht der ökonomischen Bedeutung (symbolisiert durch die Größe der einzelnen Kreise
als Ausdruck für die errechnete Bruttowertschöpfung) sind neben der beiden bereits
genannten Bereiche noch der Staat, Dienstleistungen für Unternehmen / Persönliche
Dienstleistungen und die Chemische und Pharmazeutische Industrie zu nennen.
Die in dieser Darstellung ebenfalls enthaltenen Innovationsindikatoren zeigen insbesondere
bei den Kernbereichen (18) und (19) sehr starke Verflechtungen, die auf potentielle Wissensund Innovationsketten hinweisen. In beiden Bereichen sind sowohl Kunden- als auch
Lieferantenwissen in hohem Maße von Bedeutung für die Innovationstätigkeit. Gleiches gilt
für den Beitrag externen Wissens für die Innovationstätigkeit dieser Bereiche. Als Resultat
dessen, sind diese Bereiche durch einen überdurchschnittlich hohen Anteil von
Unternehmen mit Produktinnovationen gekennzeichnet.
Auf regionaler Ebene, im Espace Mittelland, wurden ebenfalls fünf Cluster identifiziert, die zu
großen Teilen mit jenen der nationalen Ebene übereinstimmen: Wie auf nationaler Ebene
finden sich die Cluster Agro-Food, Service-Related Industries, Construction – Services –
Metals/Machinery – Electrical Equipment auch auf regionaler Ebene wieder, was aufgrund
ihrer Bedeutung auf nationaler Ebene und der verwendeten Daten nicht verwundert. Die
restlichen zwei Cluster waren Metals/Machinery – Electrical Equipment – State und
Transport. Auf eine detailliertere Behandlung wird hier verzichtet.
3.1.3
Räumliche Konzentration durch I/O-Daten und Getis-Ord-G-Statistiken
Anders als im vorhergehenden Beispiel, werden bei der Untersuchung von
Feser/Sweeney/Renski (2005) nicht ausschließlich I/O-Daten verwandt, sondern es werden
zusätzlich sogenannte Getis-Ord-Statistiken105 zu Hilfe gezogen, um eigenständige
industrielle Komplexe auch geographisch zu lokalisieren. Die Identifikation solcher „Hot
Spots“ geschah für die Jahre 1989 und 1997, um eventuelle geographische Verschiebungen
aufzudecken.
Datengrundlage dieser Untersuchung sind einerseits, in einem ersten Schritt, Branchen die
über Kunden-Lieferanten-Beziehungen mit einander verbunden sind und in einem zweiten
Schritt die Ermittlung einer Maßzahl, der Getis-Ord-G-Statistiken, um lokale Agglomerationen
innerhalb der U.S.-Industrie sichtbar zu machen.
Für den ersten Schritt, die auf I/O-Daten basierende Identifikation mit einander in Beziehung
stehender Branchen, wurden auf Grundlage der U.S.-amerikanischen I/O-Tabellen eigene
Transaktionsmatrizen aufgestellt.
Hierzu wurden drei- und vierstellige Branchen nach dem U.S.-amerikanischen SIC
Klassifikationsrahmen gewählt, wobei lokale Dienstleistungsbranchen wie Bau, Einzel- und
Großhandel oder Ausbildung nicht berücksichtigt wurden. Die Autoren schlossen generell
jene Bereiche aus, die das niedrigste Potential für den „Export“ der Güter und
Dienstleistungen in andere U.S.-Bundesstaaten haben.
105
Vgl. hierzu Getis/Ord (1992) und Ord/Getis (1995).
54
Über die untenstehende Formel wurde eine aus den Matrizen X und Y bestehende
Hauptmatrize aufgestellt (491 x 491 Branchen-Transaktionsmatrix):
Hierbei steht aij für den Dollarwert, der von Branche i an Branche j verkauften Produkte
und Dienstleistungen einer Periode. a + j sowie ai + repräsentieren die Gesamtsumme der
Vorproduktkäufe und -verkäufe der Branchen i und j über die selbe Periode. Der Term
xij bezeichnet die Vorlieferungen des Sektors j durch Sektor i als Anteil an den
Gesamtvorlieferungen von j .106
Aus der so entstandenen Matrix haben Feser/Sweeney/Renski in Folge eine
Beziehungsmatrix L der Größe 367 x 367 isoliert, welche die bedeutendsten Branchenpaare
mit den stärksten Beziehungen darstellt. Aus dieser Matrix lassen sich 26 Wertketten
isolieren, wovon die Autoren fünf verschiedene näher untersucht haben, um unterschiedliche
Technologieintensität, historische Entwicklungen und lokale Gegebenheiten abzudecken.
Dies sind: Informationstechnologie und Instrumente, Automobilindustrie, Bekleidung,
Transport und die Pharmabranche.
Abbildung 7: Industrielle Komplexe der Pharmabranche, USA 1997
(Quelle: Feser/Sweeney/Renski (2005), S. 406.)
Zur Ermittlung obiger Darstellung gingen Feser/Sweeney/Renski von den ermittelten
Wertketten
aus
und
errechneten
auf
Beschäftigungsdaten
basierend,
die
Gesamtbeschäftigung der einzelnen Werteketten. In der Folge wurde eine
106
Vgl. Feser/Sweeney/Renski (2005), S. 397f.
55
Regressionsanalyse der Beschäftigungszahlen der einzelnen Wertketten auf die
exportorientierten Beschäftigungszahlen angewandt. Die Datenlage erlaubte einen
Detailgrad bis auf Bezirksebene der einzelnen Bundesstaaten.
In einem weiteren Schritt wurde die bereits erwähnte Maßzahl, die Getis-Ord-G-Statistiken
( Gi* ) eingeführt. Gi* stellt eine Konzentrationskennzahl dar, die in einer in Subeinheiten
aufgeteilten Region, die Verteilung einer Aktivität (z.B. Beschäftigung) in Abhängigkeit der
unmittelbaren Nachbarsubeinheiten (z.B. eines Bezirks) darstellt. Die Berechnung der
Kennzahl G * für den Bezirk i erfolgte anhand untenstehender Formel für alle benachbarten
Bezirke j :
Die Maßzahl x stellt die Größe, beispielsweise der Beschäftigung einer Wertkette dar,
wij definiert die Nachbarbezirke j zu Bezirk i wobei nichtangrenzende Bezirke einen Wert
von Null erhalten. Der Wert für wij berechnet sich durch
X stellt die exportorientierte Beschäftigung (im Sinne der Bezirksgrenzen) des Bezirks i
und seiner Nachbarn j darr, während im Zähler die Summe der Beziehungen (aus den I/ODaten) steht. Die dahinter stehende Annahme besagt, daß Beschäftigungszentren einen
größeren Einfluß auf Nachbarbezirke ausüben. Auf diese Weise können Cluster über
Bezirksgrenzen hinweg identifiziert werden.
3.2 Clustermerkmale und Effekte aus der Clusterteilnahme
Neben empirischen Untersuchungen zur Clusteridentifikation besteht eine Reihe von
Untersuchungen zum Thema Clustermerkmale bzw. zur Frage der effektiven Auswirkungen
für Unternehmen durch eine Teilnahme an Clustern. Insbesondere für Österreich wurde eine
Reihe von Untersuchungen durchgeführt, die die heimische Clusterlandschaft betrifft.
Die folgende Übersicht der Klasse dieser Studien zeigt jene Untersuchungen, die den
größten Beitrag für die vorliegende Arbeit liefern können.
Autor(en)
Jahr
Daten
Analysemethode
Studiengebiet
Clustermerkmale / Effekte für Clusterpartner
Ohler/Gamsjäger/Mahlich
Clement et al.
Schneider/Holzberger
2001 Umfragedaten (Clusterpartner)
2002 Umfragedaten (Clustermanager)
2003 Leistungsdaten von Clusterpartnern
n. v.
n. v.
n. v.
Ketels/Lindqvist/Sölvell
2006 Umfragedaten (Clustermanager)
Korrelationsanalyse
Tabelle 8: Studien zu Clustermerkmalen (Quelle: Eigene Darstellung)
56
Österreich: Oberösterreich
Österreich
Österreich: Oberösterreich
Weltweit: Entwicklungs- &
Transitionsländer
Da die interessantesten Studien dieser Kategorie jedoch allesamt die österreichische Lage
behandeln, wird an dieser Stelle nicht weiter auf sie eingegangen und auf das nachfolgende
Kapitel verwiesen, das sich dem empirischen Stand für Österreich widmet.
3.3 Untersuchungen von Spillovers
Neben der Clusteridentifikation und der Untersuchung wesentlicher Merkmale von Clustern
besteht eine Reihe von Untersuchungen, die sich mit spezifischen Agglomerationsvorteilen
beschäftigen. Die weitaus größte Zahl der Studien der letzten Jahre beschäftigt sich mit der
Untersuchung und Identifikation möglicher Spillovers aus denen Unternehmen Vorteile
ziehen können. Die folgende Übersicht zeigt die relevantesten Studien auf diesem Gebiet. In
der Folge werden einige dieser Studien im Detail vorgestellt.
Autor(en)
Jahr
Daten
Analysemethode
Studiengebiet
Agglomerationsvorteile (Spillovers)
Walsten
Dahl/Pedersen
Malmberg/Power
Niosi/Zhegu
Koo
Giuri/Mariani
Hendry/Brown
Steiner/Hartmann
2001
2003
2005
2005
2005
2005
2006
2006
Forschungsförderungsdaten
Umfragedaten (Fachkräfte)
Übersicht empirische Forschung
Umgfragedaten (Management)
Beschäftigungsdaten
Patentdaten
Umfragedaten
I/O-Daten
Regressionsanalyse
n. v.
n. v.
n. v.
Regressionsanalyse
n. v.
Korrelationsanalyse
n. v.
USA
Dänemark
n. v.
CDN: Regionen Montreal & Toronto
USA: 159 Metropolitan Areas
F, D, I, NL, E, GB
GB
Österreich: Steiermark
Tabelle 9: Studien zu Spillovers (Quelle: Eigene Darstellung)
3.3.1
Informelle Netzwerke als Austauschkanal für spezifisches Wissen
Dahl/Pedersen (2003) widmen sich in ihrer Untersuchung dem informellen
Wissensaustausch durch persönliche Kontakte innerhalb von Clustern. Hierbei sehen die
Autoren informelle Kontakte als Kanal für Knowledge Spillovers bzw. externe technologische
Effekte, wie Marshall (1938) sie definierte.
Genau diese Effekte wurden, den Autoren zufolge, in der bisherigen Literatur überbewertet.
Dahl/Pedersen, vermuten vielmehr, daß die Agglomeration von wirtschaftlicher und
innovativer Aktivität nicht durch den Austausch substantiellen und detaillierten Wissens
erklärt werden kann, da in der Regel nur allgemeines Wissen und Ideen von geringer
Bedeutung innerhalb von Clustern ausgetauscht werden.
Zur Untersuchung dieser Frage wurde der norddänische Informations- und
Kommunikationscluster NorCOM in Jütland (Region Aalborg) gewählt. Dieser besteht aus 35
Unternehmen und einem Mitarbeiterstand von etwa 3900 Menschen, was mehr als 40% der
IKT-Beschäftigten dieser Region entspricht, und ist eines der beiden dänischen Zentren
dieser Branche. NorCOM ist der Name einer von 25 Mitgliedern dieses Clusters gegründeten
Plattform, der allerdings mittlerweile als Synonym für den Cluster benutzt wird.
Die Autoren wählten die Form eines Fragebogens, um den informellen Wissensaustausch
innerhalb des Clusters zu untersuchen. Als Zielpersonen der Befragung wurden die
Ingenieure, die die größte Einzelressource im F&E-Bereich dieses Clusters bilden, gewählt.
Das Management von 19 der 25 NorCOM-Mitglieder stimmte dieser Befragung zu. Von den
791 versandten Fragebögen wurden 44% (346 Fragebögen) beantwortet.
57
Neben Basisdaten und dem Ausbildungshintergrund, wurde unter anderem nach
Arbeitserfahrung im IKT-Bereich und an verschiedenen Orten, nach Charakteristika der
gegenwärtigen Stelle und wichtigen Parameter bei der Stellenauswahl, den Gründen für
einen Arbeitgeberwechsel, dem Kontakt mit Mitarbeitern anderer Unternehmen, sowie nach
Weiterbildung und unternehmerischem Geist gefragt.
Basierend auf der bisherigen Literatur und bisherigen Ergebnisse wurden folgende fünf
Hypothesen formuliert:
(1) Unternehmensspezifisches Wissen wird ausgetauscht.
(2) Über informelle Netzwerke erworbenes Wissen ist allgemein wertvoll für den
Empfänger.
(3) Beziehungen zwischen Ingenieuren überdauern die Zeit, sind beständig.
(4) Mehr Wissen wird ausgetauscht, wenn Angestellte Erfahrung sammeln, aufgrund
stärkerer Beziehungen und größerem Vertrauen.
(5) Unternehmen möchten den Wissensaustausch über informelle Kanäle
minimieren/reduzieren um Mitbewerber daran zu hindern wertvolles Wissen und
Geheimnisse zu erlangen.
Die Ergebnisse zeigen eine Bestätigung für Hypothese (1), da 76% der Befragten zumindest
einen informellen Kontakt innerhalb des Clusters angeben können. 41% jener, die einen
informellen Kontakt angeben konnten, gaben an, daß sie das über diesen Kontakt erworbene
Wissen vorteilhaft in der aktuellen Arbeitsstelle nutzen können. Diese Ergebnisse sind, so
die Autoren, teilweise signifikant höher als in anderen ähnlichen Erhebungen. Dies lasse sich
aber durch die Konzentration auf einen kleinen geographischen Rahmen (im Vergleich zu
landesweiten Erhebungen oder zu Erhebungen in gemischten Clustern) und einer einzigen,
allen Unternehmen gemeinsamen Technologie erklären.
Was die Art des erworbenen Wissens, sowie den ihm zugeschriebenen Wert durch die
Ingenieure betrifft, so zeigt sich, daß die Annahme bezüglich des ausgetauschten Wissens
(hauptsächlich generisches Wissen) zutreffend war. Über 80% der Befragten gaben an,
generelles Wissen über informelle Kontakte zu erwerben. Gleichzeitig zeigte sich aber auch,
ein Prozentsatz von mehr als 30% der spezifisches technisches Wissen über neue Produkte
erwarb.107
Bei der Frage nach dem eingeschätzten Wert (3 mögliche Kategorien von „Hoch“, über
„Mittel“ bis „Gering“) des über informelle Kontakte erworbenen Wissens zeigte sich, daß in
über 60% der Fälle der Wert als „Hoch“ bzw. „Mittel“ eingeschätzt wurde. Das entspricht
einem Wert von 20% des gesamten Samples.
Durch diese Ergebnisse, so die Autoren wurden die Hypothesen (1) und (2) eindeutig
bestätigt.
107
Ein Wert von über 100% erklärt sich durch mögliche Mehrfachnennungen ; vgl. Dahl/Pedersen (2003), S. 14.
58
Auch Hypothese (3) wird von den Ergebnissen bestätigt, was dadurch sichtbar ist, daß 66%
jener Befragten mit zumindest einem informellen Kontakt, ehemalige Kollegen als solche
angeben. Dies legt ganz offensichtlich lang dauernde Beziehungen offen. Gleichzeitig zeigte
sich keine signifikante Korrelation zwischen der Häufigkeit der Beschäftigungswechsel und
der Zahl an Ingenieuren mit informellen Kontakten.108
Hypothese (4) konnte allerdings nur teilweise bestätigt werden. Die Wahrscheinlichkeit
informelle Kontakte zu besitzen und wertvolles Wissen durch diese zu erlangen steigt mit der
Berufserfahrung, was die Autoren in der steigenden Fähigkeit das „richtige“ Wissen aus ihren
Kontakten zu ziehen begründen. Doch gleichzeitig konnte keine Korrelation zwischen dem
Erwerb und der Berufserfahrung gefunden werden, wie folgende Tabelle zeigt.
Über die Untersuchung von Wettbewerbsverboten und ähnlichen Klauseln in den Verträgen
der befragten Ingenieure konnten Dahl/Pedersen schließlich einen signifikanten Unterschied
finden, was die Wahrscheinlichkeit informeller Kontakte innerhalb des Clusters betrifft. Über
das Gesamtsample betrachtet, hatten Ingenieure mit solchen Klauseln zu 63% zumindest
einen informellen Kontakt. Bei jenen ohne solche Klauseln lag der Wert bei 79% was, so die
Autoren, eine erfolgreiche Limitierung informeller Netzwerke innerhalb des Clusters zeigt.
Zumindest ein
Kein
Erwerben
Hoher oder
informeller
informeller Erwerben überhaupt durchschnittl. Geringer
Wert
Wert
Kontakt
Kontakt
Wissen
kein Wissen
Clustererfahrung *
2 Jahre oder weniger
3 Jahre oder m ehr
68%
82%
32%
18%
37%
43%
63%
57%
50%
71%
50%
29%
69%
82%
31%
18%
38%
43%
62%
57%
52%
72%
48%
28%
Branchenerfahrung *
3 Jahre oder weniger
4 Jahre oder m ehr
* Chi-Quadrat Tests zeigen eine Signifikanz bei 1% (informelle bzw. keine infomellen Kontakte , N=342),
keine Signifikanz (W issen erwerben bzw. nicht erwerben, N=258) und eine Signifikanz von 5% (hoher bzw.
niedriger W ert, N=104).
Anmerkung: Allgem ein zeigen diese Chi-Quadrat-Tests signifikante Unterschiede zwischen niedriger und
hoher Erfahrung für informelle Kontakte bzw. keine inform ellen Kontakte und für "Hohen" bzw. "Niedrigen
W ert", aber die Unterschiede zeigen keine Signifikanz für "W issen erwerben" und "Nicht erwerben".
Tabelle 10: Berufserfahrung und Wissenserwerb (Quelle: Dahl/Pedersen (2003), S. 17.)
3.3.2
Die kanadische Flugzeugindustrie und das Konzept der Anker-Firmen
In ihrer Untersuchung von zwei kanadischen Flugzeugclustern, Montreal und Toronto (und
rudimentären Daten anderer Flugzeugcluster), gehen Niosi/Zhegu (2005) der Frage nach,
welche Aktivitäten der Flugzeugindustrie verclustert sind und was diese Agglomeration
erklärt. Vor allem beschäftigt sie die Frage, ob und in welcher Ausprägung Knowledge
Spillovers Cluster in der Flugzeugbranche antreiben und erklären können.
Die Untersuchung basiert auf einer Mischung aus durch Interviews
Unternehmensvertretern gewonnenen Daten und sekundären Quellen verschiedenster
108
Vgl. Dahl/Pedersen (2003), S. 16.
59
mit
Provenienz wie Geschäftsberichten, Branchenerhebungen und anderen Studien.
In einem ersten Schritt analysieren Niosi/Zhegu die Flugzeugindustrie weltweit und nehmen,
neben eigenen Analysen, die Ergebnisse vielfältiger Studien der Flugzeugindustrie zu Hilfe.
Hierbei unterscheiden die Autoren zentrifugale und zentripetale Kräfte, die Agglomeration in
einer Branche verstärken bzw. abschwächen können.
In ihrer Untersuchung der Flugzeugindustrie und der Frage inwieweit diese nun lokal oder
global ist, kommen sie zu dem Schluß, daß die stärkste zentripetale Kraft in der
Flugzeugbranche, neben einigen schwächer wirkenden Kräften wie Unternehmergeist, das
regionale Angebot an Arbeitskräften ist. Neben diesen Kräften spielen nationale (staatliche)
Interessen hinsichtlich des Standortes und regionaler Entwicklung eine wesentliche Rolle.
Neben zentripetalen Kräften herrschen aber auch starke zentrifugale Kräfte, vor allem die
hohen F&E-Kosten, in dieser Branche vor. Insbesondere die hohen und ständig steigenden
F&E-Ausgaben in dieser Branche führen zu erhöhten Kooperationsstrategien von
Unternehmen der Flugzeugbranche.109 Gerade in dieser Hinsicht sind potentielle Knowledge
Spillovers von zentraler Bedeutung.
Die wirtschaftliche Konzentration in der Flugzeugindustrie ist sehr hoch, was in jedem Sektor
(Großflugzeuge, Regionalflugzeuge, Helikopter u. ä.) anhand einiger weniger dominierender
Unternehmen sichtbar ist. Zusätzlich ist die gesamte Branche hierarchisch und mehrstufig
organisiert. Die Autoren identifizieren drei Stufen („tier“), wobei auf der obersten Stufe
Flugwerksproduzenten wie Airbus, Boeing oder Embraer stehen (auch als Original
Equipment Manufacturers, OEMs bezeichnet), die die Teilefertigung an die zweite Ebene
ausgliedern. Diese zweite Ebene stellt Fahrwerke, hydraulische Systeme und ähnliche
Baugruppen her. Zu dieser Stufe gehören Unternehmen wie die französische MessierDowty-Gruppe oder die kanadische Héroux-Devtek. Auf der, ebenfalls von wenigen
Unternehmen dominierten, dritten Ebene befinden sich Hersteller elektronischer Bauteile
oder Bauteile für die Flugzeugrümpfe.110
Niosi/Zhegu fügen eine vierte Stufe an, die einen wesentlichen Bestandteil sämtlicher
Flugzeugcluster bilden: die Klein- und Mittelbetriebe, die für die zweite und dritte (manchmal
auch die erste) Stufe der Flugzeugindustrie Teile zuliefern.
Basierend auf dieser Branchenanalyse und den Fallstudien der Flugzeugcluster Montreal
und Toronto, führen die Autoren das Konzept der Anker-Unternehmen ein, um die herum
sich (aufgrund des sich bildenden Magneten für qualifizierte Fachkräfte) ein Cluster bildet,
der Unternehmen der unterschiedlichen Stufen anzieht. Die Autoren verweisen hierbei auch
auf die Arbeit von Feldman (2003).
Aufgrund der weltweiten Organisation der Flugzeugindustrie herrscht eine große
Arbeitsteilung vor, wobei sich Regionen in verschiedenen Gebieten spezialisieren (z.B.
Triebwerke in den U.S.-Bundesstaaten Ohio und Massachusetts) und andere Regionen die
109
110
Vgl. Niosi/Zhegu (2005), S. 10f.
Vgl. hierzu die Produzentenpyramide der Branche in Niosi/Zhegu (2005), S. 12.
60
dort hergestellten Vorprodukte „importieren“. Das bedeutet, internationale Beziehungen sind
die Norm. Dies zeigt sich am besten an den beiden untersuchten kanadischen Clustern.
In der historischen und wirtschaftlichen Analyse (vgl. hierzu die untenstehende Abbildung)
des Montreal Clusters zeigt sich, daß Bombardier (vormals Canadair) das AnkerUnternehmen des Montreal Clusters ist, und den lokalen Bestand an Arbeitskräften durch
den eigenen Bedarf angestoßen hat.
Abbildung 8: Der Montreal Flugzeugcluster und die Beziehungen innerhalb des Clusters
(Quelle: Niosi/Zhegu (2005), S. 18.)
Betrachtet man den Wissenstransfer und den Wissensfluß innerhalb des Montreal Clusters,
so wird eines sichtbar: Die 250 dort angesiedelten Unternehmen sind hauptsächlich KMUs,
die als Zulieferer für Unternehmen der Stufen eins bis drei („tier 1-3“) fungieren und sie
beschäftigen lediglich 20% der Clusterarbeitskräfte. Knowledge Spillovers zwischen diesen
Unternehmen sind relativ schwach ausgeprägt.111 Dies liegt hauptsächlich an der
hierarchischen Struktur der Flugzeugindustrie, die Supply Chain Management zum
111
Vgl. Niosi/Zhegu (2005), S. 17.
61
Hauptkanal von Knowledge Spillovers macht. Über die engen Kunden-LieferantenBeziehungen werden technische Spezifikationen, Qualitätsmanagement, gemeinsame
Produktentwicklung und andere Aspekte von den Unternehmen der Stufe eins und zwei („tier
1“ und „tier 2“) gelenkt und gesteuert.
Aus diesem Grund ist die Feststellung der Autoren, daß Spillovers im Montreal Cluster zum
Großteil internationaler Natur sind und über die Produzenten der Stufen eins und zwei
generiert und empfangen werden, nicht verwunderlich. Die übrigen Quellen (wie auch die
aus den Beziehungen zu lokalen Universitäten und Forschungslaboren generierten)
Knowledge Spillovers sind von untergeordneter Bedeutung. Diese Feststellungen und
Analyseergebnisse treffen auch auf den Toronto Cluster zu, mit De Havilland Canada als
Ankerunternehmen.112
Aufgrund der Untersuchung und Analyse der weltweiten Flugzeugindustrie, sowie der
Ergebnisse aus den näher betrachteten kanadischen Flugzeugcluster, kommen die Autoren
zu folgenden vier Charakteristika von Wissensflüssen und den daraus möglichen Knowledge
Spillovers:
(1)
(2)
(3)
(4)
Diese sind hauptsächlich internationaler Natur
Sie bestehen hauptsächlich aus explizitem und kodifiziertem Wissen
Es sind mehrere unabhängige Unternehmen beteiligt
Sie sind eng verbunden mit den Märkten für Teile, Komponenten
Vorerzeugnisse113
und
Niosi/Zhegu beschreiben dies anhand des Beispiels des Unternehmens Bombardier
Engineering Systems („tier 1“).
Für jedes neue Produkt sendet Bombardier die technischen Spezifikationen und
Anforderungen an seine Lieferanten, woraufhin diese mit der Angebotslegung antworten.
Sobald der passende Partner gewählt ist, beginnt die gemeinsame Entwicklung der
wichtigsten Teile nach den gewünschten Spezifikationen. Bombardier entscheidet über
Qualitätsmerkmale, Zeitpläne, Leistungsdaten und andere Charakteristika. Mit Ausnahme
der Triebwerke ist Bombardier auch für die Zertifizierung des Flugzeugs zuständig. Das
bedeutet, die Unternehmen der Stufe 1 („tier 1“) generieren das größte Wissen und werden
dadurch zur Quelle und zum Verteiler für sämtliche Vorlieferanten. Durch die hohe
internationale Arbeitsteilung – die Produktion beispielsweise ist weltweit auf einige Standorte
konzentriert (Boeing/Seattle, Airbus Toulouse/Hamburg, Bombardier/Montreal) – ist der
Wissenstransfer und damit Knowledge Spillovers notgedrungen international.
Die Autoren kommen daher zum Ergebnis, daß Tier 1 – Unternehmen die Hauptquellen von
Knowledge Spillovers darstellen und Unternehmen der zweiten und dritten Ebene die
Hauptnutznießer von Knowledge Spillovers sind. Die Organisation der Wissensflüsse ist
stark hierarchisch, hochkomplex, sehr intensiv (reger Austausch von Dokumentation) und in
der geographischen Dimension international ausgerichtet. Die Natur der externen
112
113
Vgl. Niosi/Zhegu (2005), S. 15 ff.
Vgl. Niosi/Zhegu (2005), S. 22.
62
Wissenseffekte ist hauptsächlich kodifiziertes Wissen in Form von technischen
Spezifikationen, Bauplänen, Qualitätsvorschriften und Just-in-Time-Produktionsabläufen.
Aufgrund dieser Ergebnisse stellen die Autoren fest, daß wegen des hohen Anteils an
kodifiziertem Wissen und der hierarchischen Struktur der Branche, Knowledge Spillovers
nicht die treibenden Kräfte für Clusterbildung und –charaktersitika auf lokaler Ebene sind.
Statt dessen sind die internationalen Beziehungen (Wissen wie auch Material und
Vorprodukte) viel stärker ausgeprägt. Der Bestand an lokalen spezialisierten Arbeitskräften
ist auf lokaler Ebene den Autoren zufolge höher einzuschätzen als Knowledge Spillovers.
3.3.3
Wissenstransfer aus Sicht von Patenthaltern
Basierend auf den Ergebnissen einer europäischen Patentumfrage (PatVal-EU),
beschäftigen sich Giuri/Mariani (2005) mit den Charakteristika europäischer Erfinder, den
Quellen ihres Wissens, der Bedeutung formeller und informeller Zusammenarbeit, die
Motivation für Erfindungen und schließlich auch mit dem wirtschaftlichen Wert von Patenten.
Basis ihrer Untersuchung waren die Ergebnisse der von der EU-Kommission finanzierten
PatVal-Umfrage, die Informationen über die Erfinder europäischer Patente, den
Innovationsprozeß und die Eigentumsrechte sowie den wirtschaftlichen Wert von
europäischen Patenten erheben sollte. Für diese Umfrage wurden Patenthalter und Erfinder
von 27.531 Patenten, die beim Europäischen Patentamt (EPO) aus den EU-6 Staaten114 für
den Zeitraum 1993 bis 1997 kontaktiert. Die Zahl der verwertbaren Fragebögen betrug 9.216
und deckte 9.017 Patente ab, wobei die Differenz durch Antworten von mehr als einem
Erfinder der jeweiligen Patente erklärt wird. Sämtliche Ergebnisse sind jedoch auf Basis der
betroffenen Patente dargestellt.
In der nachfolgenden Tabelle ist die Verteilung sämtlicher
Klasse115 und nach Unternehmensgröße dargestellt.
Unternehmen einer Beschäftigtenzahl von unter 100
Größenklasse von 100 bis 250 Mitarbeitern und große
Mitarbeitern.
Patente nach technologischer
Hierbei entsprechen kleine
Mitarbeitern, mittlere einer
Unternehmen mehr als 250
Der überwiegende Anteil der Patente bezieht sich auf die Klassen „Mechanical Engineering“
und „Process Engineering“, wobei ebenfalls anzumerken ist, daß 93% aller Patente von
Unternehmen aller Größenklassen eingereicht werden, Universitäten und öffentliche
Forschungseinrichtungen haben 5,2% aller Patente eingereicht.
Die Bedeutung großer Unternehmen ist je nach Land unterschiedlich. Während der Anteil
der Großunternehmen unter den Arbeitgebern von Erfindern in Deutschland einen Wert von
79,9% erreicht, liegt er in Frankreich, Italien und Großbritannien zwischen 60% und 65%, in
Spanien gar nur bei 54%.
Aus Platzgründen sei nicht weiter auf die Umfrage eingegangen, und der Fokus auf die für
114
Dies sind: Frankreich, Deutschland, Italien, Niederlande, Spanien und Großbritannien ; vgl. Giuri/Mariani
(2005), S. 5.
115
Diese Klassifikation (ISI-INIPI-OST) enthält fünf Makro- und 30 Mikro-Technologieklassen und wurde durch
das Fraunhofer-Institut für System- und Innovationsforschung (ISI), das französische Patentamt (INIPI) und das
Observatoire des Science and des Techniques (OST) entwickelt ; vgl. Giuri/Mariani (2005), S. 5.
63
diese Arbeit bedeutende Untersuchung von Knowledge Spillovers gerichtet.
Betrachtet man die Patentdokumente, so enthalten diese lediglich den Namen der Erfinder
und es zeigt sich, daß lediglich ein Drittel sämtlicher untersuchten Patente von
Einzelpersonen eingereicht wurden. Das bedeutet, daß Patente zumeist das Resultat einer
Zusammenarbeit von Einzelpersonen sind.
Large
firms
Medium
sized
firms
79,9%
5,5%
9,1%
0,4%
1,8%
2,9%
0,1%
0,3%
100%
60,4%
7,9%
16,7%
3,2%
3,8%
7,0%
0,1%
0,9%
100%
81,1%
4,9%
4,9%
0,6%
2,6%
5,7%
0,1%
0,1%
100%
64,4%
12,3%
17,2%
0,7%
2,2%
2,4%
0,2%
0,6%
100%
Mechanical Engineering
(29,8%)
67,8%
10,5%
17,8%
0,2%
1,1%
1,2%
0,2%
1,2%
100%
Total
8,8%
13,7%
0,8%
2,0%
3,2%
0,2%
0,7%
100%
Electrical Engineering
(15,8%)*
Instruments
(10,9%)
Chemicals & Pharma
(18,5%)
Process Engineering
(24,9%)
70,6%
Private
Small Research
firms Institutions
Public
Other
Research
Governmental
Institutions University Institutions Others Total
Number of observations = 8,809. The shares in parenthesis in the first column indicate the share of patents in each
technological class (number of observations = 9,014)
Tabelle 11: Verteilung europ. Patente nach Technologischer Klasse und Arbeitgebern der Erfinder
(Quelle: Giuri/Mariani (2005), S. 6.)
Die einzige weitere Information aus den Patentdokumenten betrifft die Frage der Einreichung
des selben Patents durch mehrere Organisationen. Hier, so die Autoren, lieferte die Umfrage
weitere bedeutende Informationen. So zeigt sich, daß 3,6% aller Patente durch mehrere
unabhängige Organisationen eingereicht wurden (6,1% wenn auch Konzernunternehmen
miteinbezogen werden). Allerdings ist die Zahl jener Patente die durch Zusammenarbeit von
Forschern mehrerer Unternehmen bzw. Organisationen entwickelt wurden mit 15% deutlich
höher.
20,5% der Patente in den EU-6-Ländern sind den Autoren zufolge aus der Zusammenarbeit
mehrerer Partnerorganisationen entstanden. Ein im Hinblick auf potentielle Knowledge
Spillovers interessantes Ergebnis ist, daß 74,6% aller Forschungskooperationen zwischen
mehreren unabhängigen Partnern in Form von detailliert formalisierten vertraglichen
Abkommen ablaufen. Beachtet man weiters die geringe Zahl der aus informeller
Zusammenarbeit entstandenen Patente (4,7%), so merken Giuri/Mariani an, entfällt lediglich
ein Bruchteil aller Kollaborationen auf mögliche, von Marktmechanismen unabhängige,
Knowledge Spillovers.116
Um die Bedeutung der geographischen Nähe, im Hinblick auf Clustervorteile durch
Knowledge Spillovers, noch näher zu beleuchten, haben die Autoren die geographische
Nähe mit der Zugehörigkeit zum selben Unternehmen bzw. Organisation verglichen. Dazu
wurde die Bedeutung der folgenden vier Arten von Interaktion während der Innovation
abgefragt117:
116
117
Vgl. Giuri/Mariani (2005), S. 12f. sowie die Darstellung der Forschungskooperationen im Anhang.
Hierbei entsprach 1 „Nicht bedeutend“ und 5 „Sehr bedeutend“, vgl. Giuri/Mariani (2005), S. 14.
64
a) Innerhalb der Organisation des Erfinders und geographisch nahe (< als 1 Stunde
Fahrzeit)
b) Innerhalb der Organisation des Erfinders und geographisch entfernt (> als 1 Stunde
Fahrzeit)
c) Außerhalb der Organisation des Erfinders und geographisch nahe
d) Außerhalb der Organisation des Erfinders und geographisch entfernt
Die für die Forscher überraschende und gegen einen Großteil der Literatur sprechende
Erkenntnis war folgende Reihung: a – b – d – c.
Das bedeutet für sämtliche der EU-6-Staaten, daß für die Erfinder die Interaktion mit nahen
Personen anderer Organisationen am unbedeutendsten ist. Diese Reihung ändert sich den
Autoren zufolge auch nicht, wenn statt der groben fünf Technologieklassen, jene der 30
Mikroklassen betrachtet werden, um besonders technologieintensive Branchen genauer zu
erfassen. Auch hier kann die Vermutung der bestehenden Literatur, daß geographische
Nähe für Spillovers am bedeutendsten ist, wenn es sich um kleine Unternehmen in
technologieintensiven Feldern handelt, nicht bestätigt werden.
Als bedeutende Quellen von Wissen erwiesen sich vielmehr die Kunden und
Endverbraucher, gefolgt von wissenschaftlicher und Patentliteratur. Mitbewerber und
Lieferanten folgen auf den hinteren Rängen, was obige Ergebnisse noch zu untermauern
scheint.
3.4 Agglomeration und Innovationsleistung
Neben der Untersuchung verschiedener allgemeiner Einflüsse von Clustern auf die
beteiligten Unternehmen und der Betrachtung aus der Perspektive von Knowledge
Autor(en)
Jahr
Daten
Analysemethode
Studiengebiet
Agglomerationsvorteile (Innovationsleistung)
de Propris
Beaudry/Breschi
2002 Umfragedaten (Innovationsdaten)
2003 Patentdaten / Beschäftigungsdaten
Molina-Morales/Martínez-Fernández
2004 Umfragedaten (Management)
Eraydin/Armatli-Köroglu
Malmberg/Power
2005 Umfragedaten (Management)
2005 Übersicht empirische Forschung
Regressionsanalyse
Regressionsanalyse
GB: 1 Region
GB, I
Korrelations- / Varianz/ Diskriminanzanal.
E: Region Valencia
TR: Ankara, Bursa,
Denizli
n. v.
n. v.
n. v.
Tabelle 12: Studien zur Innovationsleistung (Quelle: Eigene Darstellung)
Spillovers, besteht auch eine Reihe empirischer Erhebungen im Hinblick auf die Bedeutung
von Clustern für die Innovationsleistung. Die angeführte Tabelle gibt einen Überblick über
jene Studien mit dem größten Wert für die vorliegende Arbeit. Zwei dieser Studien werden in
der Folge auch näher vorgestellt.
3.4.1
Cluster und ihr Einfluß auf Innovationsaktivitäten
Beaudry/Bresci (2003) haben in ihrer Untersuchung der Innovationsneigung von
Unternehmen in Clustern, also der Frage, ob in Clustern angesiedelte Unternehmen
innovativer sind als Unternehmen außerhalb von Clustern, mehrere Hypothesen
vorangestellt. Einerseits gehen sie davon aus, daß Innovation eine hoch-kumulative Natur
hat und die bloße Konzentration von Unternehmen und Produktion an einem Ort noch keine
65
notwendige und ausreichende Bedingung für hohe Innovationsraten ist. Daraus folgend wird
Innovation dort am höchsten sein, wo ein großes kumuliertes Wissen besteht, eine große
Anzahl innovativer Unternehmen angesiedelt ist und hoch-qualifizierte Arbeitskräfte
vorhanden sind.
Weiters gehen die Autoren davon aus, daß Unternehmen in Clustern mit starker Präsenz
innovativer Unternehmen verschiedener Branchen und/oder von Unternehmen in
technologisch verwandten Branchen, eine größere Innovationsneigung aufweisen, als in
Clustern wo dies nicht zutrifft.
Für ihr ökonometrisches Modell haben Beaudry/Bresci bisherige theoretische Überlegungen
und empirische Beobachtungen zusammengefaßt und gehen von angebots- und
nachfrageseitigen Vor- und Nachteilen von Clustern für die Innovationsfähigkeit von
Unternehmen aus. Diese Überlegungen sind in folgender Tabelle zusammengefaßt:
Angebotsseite
Nachfrageseite
Vorteile
Anspruchsvolle Konsumenten/Verbraucher
Interaktion von Verbrauchern und Lieferanten
Aus Information resultierende externe Effekte
Knowledge Spillovers
Qualifizierte Arbeitskräfte und spezialisierte Inputs
Aus Information resultierende externe Effekte
Nachteile
Wettbewerb in Output-Märkten
Starke aus Beziehungen resultierende Verpflichtungen
Wettbewerb in Input-Märkten
Nach innen gerichtete Orientierung und Lock-in-Effekte
Tabelle 13: Der Einfluß von Clustern auf die Innovationsfähigkeit von Unternehmen
(Quelle: Beaudry/Bresci (2003), S. 326.)
Um ihre Annahmen empirisch zu untersuchen, wurden Daten auf drei Ebenen für
Großbritannien und Italien erhoben. Die erste Ebene betraf die Daten der EPO-CESPRIDatenbank118, die Patentanträge beim Europäischen Patentamt (EPO) für den Zeitraum 1978
bis 1998 enthält. Als geographische Maßgröße wurde die NUTS-Klassifikation der Ebene
3119 des Europäischen Statistikamtes herangezogen.
Die zweite Ebene betraf wirtschaftliche Informationen auf Unternehmensebene. Für
Großbritannien entstammten diese der Datenbank von Dun and Bradstreet One Source UK
Vol. 1 & 2 und für Italien aus der Datenbank AIDA von Bureau Van Dijk. Hierbei wurden drei
Kriterien zur Selektion gewählt: Unternehmensgröße gemessen am Mitarbeiterstand,
primärer Sektor der Tätigkeit und die NUTS-3-Region in der sich die Unternehmenszentrale
befindet.
Die dritte und letzte Ebene betraf das regionale Beschäftigungsniveau für das Jahr 1991. Die
Daten für Italien stammen vom Istituto Nazionale di Statistica (ISTAT) und für Großbritannien
vom Central Statistical Office (CSO) und wurden auf Basis der zweistelligen
Branchenklassifikation UK SIC, sowie dem zweistelligen NACE für Italien erhoben.120
118
Die Datenbank wurde vom Zentrum für Internationalisierungsforschung (CESPRI) der Universität Luigi
Bocconi, Mailand basierend auf EPO-Daten zusammengestellt ; vgl. Beaudry/Bresci (2003), 330f.
119
Für Österreich bestehen drei NUTS-1-Regionen, neun NUTS-2-Regionen und 35 NUTS-3-Regionen < vgl.
hierzu auch die NUTS-Codes für Österreich laut Statistischem Zentralamt unter
http://www.statistik.at/verzeichnis/nuts.pdf .
120
Vgl. Beaudry/Bresci (2003), S. 330ff.
66
Das Gesamtsample enthielt 26.055 Unternehmen für Großbritannien, wovon 2.142 (8,2%)
Unternehmen Patente im beobachteten Zeitraum anmeldeten und 37.724 Unternehmen für
Italien wovon 3.067 oder 8,3% der Unternehmen Patente anmeldeten.
Das Modell, das Beaudry/Bresci für ihre binomiale Regressionsanalyse verwenden, ist eng
angelehnt an das Modell von Baptista/Swann (1998a). In ihrem Modell ist die abhängige
Variable, die Zahl der Patente die ein Unternehmen n in Branche i im Cluster c im
Zeitraum 1990-1998 produziert (INNOV):
Die Variable CIEEMP bezeichnet die Unternehmensgröße gemessen am durchschnittlichen
Personalstand im Zeitraum 1989-1996. Unter der Annahme angebotsseitiger Effekte von
Clustern für den Innovationsoutput121 wird die Innovationsneigung zu Beschäftigtenzahlen in
Relation gesetzt. Das äußert sich in den Variablen OWNEMP und OTHEMP. Hierbei
repräsentiert OWNEMP die Stärke der Region in einer Branche gemessen an der
Branchenbeschäftigung und OTHEMP die Beschäftigung in den übrigen Branchen. Die
letzten beiden Variablen, EMPHERF und GCONC, sind clusterspezifische Kontrollvariablen
die einen Herfindahl-Index in allen zweistelligen Sektoren der verarbeitenden Industrie
angeben bzw. Clustereffekte mit dem Grad der Urbanisierung (GCONC) in Verbindung
bringen.
In einem nächsten Schritt wurden zwei weitere Variablen, KSTOCKOWN und KSTOCKOTH
eingeführt. Hierbei wurde für KSTOCKOWN, was den Wissensbestand einer Branche im
Zeitraum 1978-1989 darstellt (ausgedrückt durch eine jährlich verminderte Zahl an Patenten)
und für KSTOCKOTH der Wissensbestand der übrigen Branchen definiert. Im letzten Schritt
wurde das Modell dahingehend angepaßt, um zwischen Beschäftigung innovativer und nicht
innovativer Unternehmen unterscheiden zu können.
Das Hauptergebnis der Regressionsanalyse zeigt, so die Autoren, daß die Anwesenheit per
se in einem Cluster keine Vorteile für die Innovationsaktivitäten bietet. Im Gegenteil kann die
starke Anwesenheit von kaum bis nicht innovativen Unternehmen der selben Branche
erhebliche Nachteile mit sich ziehen. Das zeigt sich in einem positiven und statistisch
signifikanten Zusammenhang zwischen Innovationsperformance von Unternehmen und der
Beschäftigtenzahl bei innovativen Clusterunternehmen der selben Branche. Analog zeigt
sich ein negativer Zusammenhang zwischen Innovationsperformance und der starken
Anwesenheit nicht-innovativer Unternehmen.122 Die Autoren interpretieren dies dahingehend,
daß Agglomerationsvorteile nur von innovativen Unternehmen auszugehen scheinen und
verstärkt in Clustern mit einem hohen Anteil kumulierten Wissens auftreten.123
121
Vgl. wiederum Baptista/Swann (1998a).
Vgl. Beaudry/Bresci (2003), S. 337f.
123
ibidem, S. 339.
122
67
Die Ergebnisse sind weniger aussagekräftig für Clusterunternehmen anderer nicht
verwandter Branchen. Betrachtet man die Anwesenheit vieler nicht-innovativer Unternehmen
im Cluster so zeigt sich ein statistisch signifikanter negativer Effekt nur im Falle
Großbritanniens. Die Anwesenheit innovativer Unternehmen anderer Branchen per se
scheint die Innovationsneigung nicht wesentlich zu beeinflussen, da für beide Länder keine
Signifikanz zu finden ist.124
3.4.2
Cluster und die Entstehung von Wissen
Malmberg/Power (2005) haben sich der Frage der Entstehung von Wissen bzw. der
Innovation in und durch Cluster nicht durch eigene empirische Erhebungen genähert,
sondern die bestehende empirische Forschung und theoretische Literatur untersucht. Dabei
haben sie drei, ihrer Ansicht nach, relevante Kern-Hypothesen125 bezüglich
Wissensgenerierung und Clustern formuliert und diese mit Hilfe sämtlicher ihnen bekannten
Studien zu untermauern bzw. zu widerlegen.
Die erste Hypothese besagt, daß Wissen in Clustern durch verschiedene Formen lokaler
inter-organisationaler Zusammenarbeit entsteht. Das fußt, so die Autoren, auf der Annahme,
daß Unternehmen die in lokalen Milieus mehr bezüglich Technologie zusammenarbeiten (mit
anderen Unternehmen, aber auch Universitäten und dergleichen), mehr Innovationen
hervorbringen. Ein weiteres Standbein dieser Hypothese ist, daß fordernde lokale Kunden
Unternehmen zwingen mit einer höheren Rate zu innovieren.
Die zweite Hypothese von Malmberg/Power besagt, daß Wissen in Clustern durch erhöhten
Wettbewerb und Rivalität entsteht. Dieser Hypothese liegt die Annahme zugrunde, daß die
Rivalität zwischen ähnlichen Unternehmen in einem lokalen Milieu schon fast emotionale
Züge annimmt und dadurch der Druck entsteht, die lokalen Rivalen durch Innovationen zu
übertrumpfen. Gerade auf lokaler Ebene ist die gegenseitige Sichtbarkeit und
Vergleichbarkeit (Benchmarking) erheblich größer als bei weit entfernten Konkurrenten,
wodurch
das
Konkurrenzverhältnis
eine
andere
Ebene
erreicht
und
Benchmarking/Monitoring erheblich effektiver ist.
Die dritte und letzte Hypothese der Autoren zielt auf Knowledge Spillovers ab. Diese
entstehen den Autoren zufolge durch soziale Interaktion und berufliche Mobilität und führen
zur Entstehung (neuen) Wissens. Der Grund für diese Annahme liege in der Tatsache
begründet, daß durch intensive (lokale) informelle Interaktion und Mitarbeitermobilität,
Wissen sich lokal viel schneller ausbreite als in global verstreuten Unternehmen.
Malmberg/Power veranschaulichen
Zusammenarbeit:
Hypothese
1
durch
drei
Formen
von
lokaler
(1) Geschäftsbeziehungen zwischen Unternehmen: z.B. lokale Kunden-LieferantenBeziehungen
(2) Nicht-transaktionsgebundene Formen von Zusammenarbeit: z.B. gemeinsame
Entwicklungsprojekte
124
125
Vgl. Beaudry/Bresci (2003), S. 339.
Vgl. Malmberg/Power (2005), S. 411f.
68
(3) Verbindungen zu lokalen F&E-Einrichtungen, Universitäten und dergleichen126
Bezüglich der ersten Form von Zusammenarbeit zeigte sich, den Autoren zufolge, ein
gemischtes Bild. Ein Gutteil der vorhandenen Studien (z.B. Hendry/Brown/Defillippi (2000) )
zeigt, daß eine international verstärkte Komponenten- und Sub-Fertigung zu einer deutlichen
Reduktion lokaler Geschäftsbeziehungen beigetragen hat. Das bedeutet, räumlich
ausgedehnte und globale Beziehungen sind ausgeprägter als lokale. Es bestehen auch
Hinweise, daß diese „überlokalen“ Beziehungen stark mit der Unternehmensleistung
korrelieren (z.B. Kalafsky/MacPherson (2003) ). Die Autoren führen weiters an, daß selbst
wenn lokale Beziehungen bestehen, diese häufig im Austausch von rudimentären Produkten
und Dienstleistungen und nicht von F&E oder von Wissen bestehen, und selbst diese oft
ohne signifikanten persönlichen Kontakt stattfinden (Brown (2000), Watts/Wood/Wardle
(2003) ). Diese und andere Ergebnisse lassen die Autoren zum Schluß kommen, daß es
lediglich begrenzte Anzeichen verstärkter lokaler Geschäftsbeziehungen gibt.127
Malmberg/Power führen an, daß zwar theoretische Arbeiten oft und ausführlich darauf
hindeuten, daß Wissen nicht durch transaktionsbezogene Beziehungen entsteht und
verbreitet wird, sondern durch Zusammenarbeit in Bereichen wie F&E. Gleichzeitig jedoch
seien die tatsächlichen Anzeichen für diese Annahme selten. Während eine Reihe von
Studien zeigt, daß nicht-transaktionsbasierte Interaktionen tatsächlich umfangreicher und
tiefergehender sind als direkte Kunden-Lieferanten-Beziehungen (z.B. DePropris (2002),
Isaksen (2004) ), deuten viele andere Studien an, so die Autoren, daß es keine Anzeichen
gebe, Cluster würden Wissen generierende Beziehungen unterstützen. Es gäbe sogar
Anzeichen, daß Partnerschaften zwischen Unternehmen in Clustern häufiger seien als dies
sonst der Fall wäre (Angel (2002) ).
Die Autoren führen deshalb an, daß obwohl lokale Kollaboration unter Unternehmen besteht,
diese sehr abhängig ist von Unternehmensgröße, Sektor oder dem Innovationserfolg in der
Vergangenheit (Koschatzky/Sternberg (2000) ), was lokale Zusammenarbeit nicht zu einem
universalen Faktum der Wissensdynamik in Clustern machen würde. In diesem
Zusammenhang erwähnen Malmberg/Power auch eine Reihe von Untersuchungen, die
annehmen, Innovation zwischen Unternehmen bzw. Wissen generierende Zusammenarbeit
tendiere dazu, entlang der Wertkette zu passieren, was sie automatisch auch stärker global
ausrichte als lokal (Owen-Smith/Powell (2004), MacKinnon/Chapman/Cumbers (2004) ).
Gleichzeitig zeige die Arbeit von Love/Roper (2001), daß weder lokale noch überlokale
Netzwerke von großer Bedeutung sind, sondern daß konzerninterne Beziehungen weit
bedeutender seien.128
Was die dritte Form lokaler Zusammenarbeit, der Zusammenarbeit mit lokalen F&EEinrichtungen, betrifft, so finden die Autoren hier die stärkste empirische Beweiskraft (z.B.
Howells (2002), Rodríguez-Pose/Refolo (2003) ). Allerdings warnen sie auch dahingehend,
daß Beziehungen zu Universitäten und anderen Einrichtungen vor allem für Branchen
126
Vgl. Malmberg/Power (2005), S. 413.
ibidem, S. 414.
128
ibidem, S. 415.
127
69
relevant sein könnte, die Labor und sonstige naturwissenschaftliche Forschung benötigen
und daher diese Beziehungen auch in patentierbare Produkte und Prozesse münden könnte.
Dies zeigt, Hypothese 1 wird nur teilweise unterstützt und die empirische Forschung liefert in
vielen Fragen gegensätzliche Ergebnisse.
Was die Hypothese 2, also die positiven Einflüsse lokaler Rivalität in Clustern auf die
Innovations- und Wettbewerbsfähigkeit von Unternehmen, betrifft so zeigen sich die Autoren
überrascht von der relativ geringen Zahl an empirischen Untersuchungen. Dennoch
bestehen einige Studien die sich dieser Frage widmen. Darunter fällt auch eine Arbeit von
Sakakibara/Porter (2001), die den Einfluß starken heimischen Wettbewerb auf die
Unternehmensergebnisse untersucht. Hierbei wurde der Unternehmenserfolg als Anteil am
Weltexportmarkt definiert. Es zeigte sich, daß über alle Branchen in Japan hinweg, ein
signifikanter und positiver Zusammenhang zwischen heimischem Wettbewerb und
Unternehmenserfolg besteht. Dies insbesondere dann, wenn eine hohe F&E-Intensität
Möglichkeiten für Innovationen aufzeigt.
Gerade die Rivalität, die spezifischer und tiefergehender als der allgemeine Wettbewerb ist,
zeigt sich als bedeutende Triebfeder von Entrepreneuren und Hilfsmittel das
Wettbewerbsumfeld besser zu verstehen (Boari/Odorici/Zamarian (2003) ). Diese Ergebnisse
werden durch einige andere Untersuchungen bestärkt, die zeigen, daß lokale Rivalität
tatsächlich die Wettbewerbsfähigkeit von Clustern steigern kann bzw. schnellere Innovation
und Wissenstransfer fördert (Musikindustrie: Power/Hallencreutz (2002), Werbeagenturen:
King/Silk/Ketelhöhn (2003) ).
Malmberg/Power interpretieren diese Ergebnisse als beschränkte Unterstützung für
Hypothese 2, weisen allerdings auch darauf hin, daß eine Reihe von Untersuchungen zeigt,
daß Unternehmen mit wenigen weltweiten Mitbewerbern auch ohne lokale Rivalität in
Clustern erfolgreich und innovativ sein können (z.B. Baptista/Swann (1996), Baptista/Swann
(1998a), Malmberg/Malmberg/Lundequist (2000) ).129
Bezüglich der dritten Hypothese sehen die Autoren einige Gründe diese Hypothese
zumindest teilweise unterstützt zu sehen. So zeigt sich bei der Betrachtung von
Hochtechnologie-Clustern eine Konzentration von Entrepreneurship, was eine inspirative
Kraft ausübt und andere Entrepreneure anzieht (Zhang (2003) ). Es zeige sich, so die
Autoren, daß Informelle Netzwerke von größter Bedeutung für die Clusterkohäsion und
Innovationsprozesse sind und innerhalb von Clustern Wissenszirkel entstehen lassen, in
denen der Wissensaustausch besonders intensiv ist (Grabher (2002a,b), Lissoni (2001) ).
Auch aus Sicht der Mitarbeitermobilität gibt es, den Autoren zufolge, einige Hinweise, daß
diese Innovation und Wissensgenerierung innerhalb von Clustern fördern. Dies vor allem, da
die Anstellung von Experten aus anderen Unternehmen hilfreich ist kontextuell weit
entfernteres Wissen zu akquirieren und Zugang zu neuen Ideen bietet. Dies ist vor allem bei
Innovation durch Neukombination neuen Wissens bedeutend (Song/Almeida/Wu (1999),
Rosenkopf/Almeida (2003) ). Power/Lundmark (2004) werden als ein Beispiel bei
129
Vgl. Malmberg/Power (2005), S. 419f.
70
Malmberg/Power angeführt, um die positiven Einflüsse von Mitarbeitermobilität zu
untermauern. In dieser Arbeit erwiesen sich jene schwedischen Cluster als die
erfolgreichsten, die die höchste Mitarbeitermobilität aufwiesen. Schließlich scheinen
unvollständige Verträge nützlich zu sein, Innovationen zu fördern, wenn Spezialistenmangel
herrscht (Anreiz für Schlüsselkräfte), was trotz hoher Mitarbeiterfluktuation offene F&EUmgebungen begünstigt. Dies entspräche, so Malmberg/Power, einer optimalen Anpassung
an eine Knappheitssituation bei gleichzeitiger hoher Innovation (z.B. Lewis/Yao (2003) ).
Die Autoren zeichnen ein gemischtes Bild was die Unterstützung der angeführten
Hypothesen betrifft. Sie sehen Bedarf die bisherige Theorie teilweise neu zu schreiben bzw.
anzupassen und die empirische Basis noch bedeutend zu erweitern.130
3.5 Agglomeration und Unternehmensbeziehungen
Cluster werden auch vom Gesichtspunkt der lokalen Netzwerkbildung untersucht. Dabei wird
nach Anhaltspunkten gesucht, ob und in welcher Weise Cluster Unternehmen bei der
Bildung von Netzwerken und informellen Beziehungen helfen können. Häufig wird dabei auf
die Einflüsse dieser Netzwerkbeziehungen auf die Wettbewerbs- und Innovationsfähigkeit
abgestellt. Von den in der unteren Tabelle angeführten Studien wird in der Folge
exemplarisch eine dieser Studien vorgestellt.
Autor(en)
Jahr
Daten
Analysemethode
Studiengebiet
Agglomerationsvorteile (Unternehmensbeziehungen)
McEvilly/Zaheer
Madill/Haines/Riding
Eraydin/Armatli-Köroglu
Hendry/Brown
1999
2004
2005
2006
Umfragedaten
Umfragedaten (Management)
Umfragedaten (Management)
Umfragedaten
Strukturgleichungsmodell /
Kausalmodell
Regressionsanalyse
n. v.
Korrelationsanalyse
USA: 2 Bundesstaaten
CDN: Region Ottawa
TR: Ankara, Bursa, Denizli
GB
Tabelle 14: Studien zu Unternehmensbeziehungen (Quelle: Eigene Darstellung)
McEvily/Zaheer (1999) gehen in ihrer Studie der Frage nach, was die unterschiedliche
Wettbewerbsfähigkeit von Unternehmen in Clustern erklärt, also die Unterschiede im Erwerb
der für die Wettbewerbsfähigkeit notwendigen Ressourcen und Fähigkeiten durch
Unternehmen. Sie vermuten, daß jene Unternehmen in geographischen Clustern am besten
für den Wettbewerb gerüstet sind, die Netzwerke unterhalten die reich an sogenannten
Brückenbeziehungen sind und Beziehungen zu unterschiedlichsten regionalen Einrichtungen
pflegen. Dadurch, so die Autoren, erhalten diese Unternehmen Zugang zu neuen
Informationen und Ideen und können sich ihnen bietende Chancen besser nutzen.
Die Idee der Bedeutung von Brückenbeziehungen als Instrument für den Zugang zu
wichtigen Informationen zu nutzen, die für den Unternehmenserfolg bedeutend sind,
basieren McEvily/Zaheer auf den Theorien der sozialen Netzwerke. Hierbei wird
argumentiert, daß der Zugang zu neuer Information über schwache Bindungen („weak ties“
bei Granovetter (1973)) bzw. strukturelle Lücken („strcutural holes“ bei Burt (1992) ) passiert.
Die Idee hinter schwachen Bindungen basiert auf der Annahme, daß in einem sozialen
Netzwerk mit starken Bindungen der Großteil der zirkulierenden Information redundant, also
nicht neu, ist. Schwache Bindungen und die damit assoziierte Seltenheit der Interaktion
130
Vgl. Malmberg/Power (2005) 425f.
71
hingegen, sind entscheidend für den Zugang zu neuer Information. Diese „Nichtredundanz“
findet sich bei Granovetter (1973). Burt (1992) erweitert diesen Blickwinkel und argumentiert,
daß die Bedeutung schwacher Bindungen viel stärker abhängig davon ist, ob diese
Bindungen strukturelle (Informations-) Lücken überbrückt. McEvily/Zaheer fügen diesen
Überlegungen noch die geographische Verteilung bzw. Konzentration („geographic
dispersion“) als Platzhalter für noch mögliche routinemäßige persönliche Interaktion in
Netzwerken in Clustern hinzu.131
Abbildung 9: Illustration schwacher Bindungen und struktureller Lücken in Beziehungsnetzwerken
(Quelle: McEvily/Zaheer (1999), S. 1137.)
Um die eingangs erwähnten Überlegungen empirisch zu überprüfen, formulierten
McEvily/Zaheer insgesamt sieben Hypothesen. Die erste Annahme besagt, daß NichtRedundanz (also Vielfältigkeit) im Beziehungsnetzwerk eines Unternehmens den Erwerb von
wettbewerbssteigernden Fähigkeiten positiv beeinflußt. Weiters stellt sich die Frage, ob die
Seltenheit der Interaktion innerhalb des Beziehungsnetzwerks eines Unternehmens den
Erwerb von wettbewerbssteigernden Fähigkeiten positiv beeinflußt. Aus Clustersicht ist auch
die geographische Verteilung des Beziehungsgeflechts eines Unternehmens bedeutend und
inwiefern sie den Erwerb von wettbewerbssteigernden Fähigkeiten positiv beeinflußt.
Der Frage der Kooperation mit regionalen Einrichtungen, die eine Vermittlerrolle und
Dienstleistungsfunktion innerhalb von Clustern ausüben, widmen sich die Autoren ebenfalls.
Hierbei nehmen sie einen positiven Einfluß auf den Erwerb von wettbewerbssteigernden
Fähigkeiten an. Gleichzeitig vermuten McEvily/Zaheer, daß nicht-redundante
Beziehungsnetzwerke eines Unternehmens die Teilnahme an regionalen (Mittler-)
Einrichtungen negativ beeinflussen. Diese Vermutung fußt auf der Annahme, daß Angst die
erworbenen Kenntnisse könnten über den Mittler auch Konkurrenten nutzen, eine Rolle
spielt. Weiters überprüfen die Autoren auch die Frage, inwiefern die Seltenheit der Kontakte
innerhalb des Beziehungsnetzwerks die Teilnahme an regionalen (Mittler-) Einrichtungen
negativ beeinflußt. Schließlich wird auch die Vermutung, daß geographisch verstreute
Beziehungsnetzwerke eines Unternehmens, die Teilnahme an regionalen (Mittler-)
Einrichtungen negativ beeinflußt, überprüft.132
131
132
Vgl. McEvily/Zaheer (1999), S. 1137.
vgl. McEvily/Zaheer (1999), S. 1138ff.
72
Für die Überprüfung dieser Hypothesen wurde eine geschichtete Zufallsstichprobe in zwei
U.S.-Bundesstaaten des Mittelwestens in Zusammenarbeit mit Servicestellen des
Manufacturing Extension Partnership (MEP)133 erstellt. Von insgesamt 822 relevanten KMUs
der metallverarbeitenden Branchen, deren Management kontaktiert wurde, beantworteten
227 die zugesandten Fragebögen in einer verwertbaren Form – dies entspricht einer
Antwortrate von 38%. Drei Viertel der Unternehmen hatten 63 oder weniger Mitarbeiter,
wobei die Obergrenze bei 500 Mitarbeitern lag.
Zur Messung des Einflusses von Beziehungsnetzwerken auf die Wettbewerbsfähigkeit von
Clusterunternehmen wurden in Experteninterviews und Interviews mit einer Auswahl an
Führungskräften der Branchen die folgenden für das Bestehen im Wettbewerb der Branche
zentralen Fähigkeiten eruiert: Vermeidung von Umweltverschmutzung, Beobachtung des
Mitbewerbs und Qualitätsmanagement.
Für die Messung der Nichtredundanz wurde eine Ich-zentrierte Netzwerk-Maßzahl definiert,
die sich aus den tatsächlichen Beziehungen, den potentiell möglichen (0-10) und den
tatsächlichen (0-5) berechnet. Die Seltenheit der Interaktion wurde definiert als:
(Durchschnittliche Zahl der Interaktion)-2. Auf die selbe Weise wurde auch die geographische
Entfernung (mit dem Auto) zwischen den einzelnen Kontakten definiert.134
Der Test der beschriebenen Hypothesen wurde mittels des Analyseprogramms LISREL 7
und des daraus abgeleiteten Strukturgleichungsmodells durchgeführt.135
Die erste Hypothese, die einen positiven Zusammenhang zwischen Nichtredundanz von
Beziehungen und Wettbewerbsfähigkeit annimmt, wurde großteils bestätigt. Für zwei der
identifizierten Fähigkeiten, Umweltschutz und Mitbewerberbeobachtung, ergab sich ein
statistisch positiver und signifikanter Zusammenhang. Lediglich für Qualitätsmanagement
konnten keine signifikanten Zusammenhänge gefunden werden. Was die Seltenheit der
Kontakte und ihrem Einfluß auf die Wettbewerbsfähigkeit betrifft, so konnten die Autoren
keine signifikanten Zusammenhänge entdecken.
Die dritte Hypothese, der Zusammenhang zwischen geographischer Konzentration und
Wettbewerbsfähigkeit, konnte nur im Falle der Beobachtung des Wettbewerbs bestätigt
werden. Für die übrigen zwei Fähigkeiten spielt die geographische Konzentration keine
signifikante Rolle. Der vermutete positive Einfluß der Kooperation mit regionalen
Einrichtungen konnte großteils nachgewiesen werden. Dies ist an der Signifikanz für die
Fähigkeiten Qualitätsmanagement und Umweltschutz ersichtlich. Für die Beobachtung des
Wettbewerbs konnte jedoch keine Signifikanz gefunden werden, so die Autoren.136
Vollständige
Unterstützung
findet
die
Hypothese,
daß
nicht-redundante
Beziehungsnetzwerke eine Teilnahme an regionale Einrichtungen negativ beeinflussen.
133
MEP sind Dienstleistungsstellen einer nationale Initiative des U.S.-aermikanischen National Institute of
Standards and Technology (NIST) zur KMU-Förderung ; siehe dazu auch http://www.mep.nist.gov/aboutmep/overview.html .
134
vgl. McEvily/Zaheer (1999), S. 1143ff. sowie die Übersicht der verwendeten Meßinstrumente im Anhang.
135
Vgl. die graphische Darstellung des Strukturgleichungsmodells im Anhang.
136
vgl. McEvily/Zaheer (1999), S. 1150.
73
Die letzten beiden Hypothesen, der negative Zusammenhang zwischen der Seltenheit der
Interaktion bzw. der geographischen Verteilung des Beziehungsnetzwerks und der
Teilnahme an regionalen Einrichtungen, konnten beide nicht bewiesen werden.
3.6 Sonstige Agglomerationsvorteile
Neben den bisher vorgestellten Untersuchungen besteht noch eine Reihe empirischer
Erhebungen, die in keine der bisher getroffenen Einteilungen passen, aber dennoch
wertvolle Hinweise bzw. Ansatzpunkte bieten.
Autor(en)
Jahr
Daten
Analysemethode
Studiengebiet
Agglomerationsvorteile (Sonstige bzw. kein Schwerpunkt)
Lublinski
Chakravorty/Koo/Lall
2003 Umfragedaten (Management)
2005 Beschäftigungsdaten
Benchmarkdatenbank zu
Grando/Belvedere
2006 Produktionsleistung
Fallick/Fleischmann/Rebitzer 2006 Beschäftigungsdaten
Regressionsanalyse
Lok. Moran-Koeeffizient
D: Hamburg & Kontrollgruppe
IN: Mumbai, Kalkutta, Chennai
Signifikanzanalyse
Regressionsanalyse
I
USA
Tabelle 15: Studien zu übrigen Agglomerationsvorteilen (Quelle: Eigene Darstellung)
In seiner Arbeit (2003) stellt Lublinski eine Möglichkeit vor, Cluster sowohl in ihrer
geographischen als auch in ihrer funktionalen Dimension zu identifizieren. In einem weiteren
Schritt testet Lublinski das Vorhandensein der in der Clusterliteratur am häufigsten
angeführten Agglomerationsvorteile. Dies sind Lublinski zufolge: externe Effekte nach
Marshall,
die
Marktgegebenheiten
nach
Porter
und
Transportsowie
137
Transaktionskostenvorteile.
Für seine Untersuchung wählte Lublinski die Flugzeugindustrie. Basierend auf Daten aus
verschiedensten Quellen (Airbus, Bundesverbände der Luft- & Raumfahrtindustrie,
Handelskammer u. ä.) wurden 376 Unternehmen der Luftfahrtindustrie Norddeutschlands,
sowie 138 Unternehmen als Kontrollgruppe identifiziert, die keine Verbindung zur
Luftfahrtindustrie haben. Die relative Verteilung der Beschäftigung in dieser Branche wurde
mittels der folgenden Formel für jedes deutsche Bundesland ermittelt. Dadurch sollte ein
Suchgebiet, innerhalb dessen sich der angenomme Cluster und die Unternehmen der
Kontrollgruppe befinden, ermittelt werden.
Die Berechnung dieses räumlichen Quotienten (d.h. die relative Konzentration) erfolgte mit
der nachfolgenden Formel:
Abbildung 10: Der räumliche Quotient zur Clusterermittlung nach
Lublinski (Quelle: Lublinski (2003), S. 457.)
137
vgl. hierzu die detaillierte Aufstellung im Anhang.
74
Die resultierende Verteilung der Beschäftigung zeigte eine große Konzentration von
Beschäftigten der Flugzeugindustrie in Hamburg (20,5% der gesamtdeutschen
Branchenbeschäftigten) und den angrenzenden deutschen Ländern (34,1%).138 Lublinski
entschied sich dafür die Stichprobe der untersuchten Unternehmen nicht auf Hamburg zu
begrenzen, da die wirtschaftlichen Grenzen mit Sicherheit nicht den administrativen Grenzen
entsprechen. Aus diesem Grund wurde die Stichprobe der Luftfahrtunternehmen auf die
angrenzenden Länder Bremen, Niedersachsen, Schleswig-Holstein und MecklenburgVorpommern ausgedehnt. Der Großteil der so identifizierten Unternehmen gehört entweder
zu den Lieferanten oder zu Kooperationspartnern der Airbus Deutschland GmbH. bzw. der
Lufthansa Technik AG.
Der bereits erwähnten Eingrenzungsproblematik von Clustern auf geographischer Ebene
widmet sich Lublinski in der Folge ebenfalls, indem er statt fix definierter geographischer
Grenzen, die befragten Unternehmen entscheiden läßt, welche Unternehmen und
Institutionen räumlich nahe bzw. entfernt sind. Dazu wurde in der Erhebung räumliche Nähe
mit einem Maximalradius von zwei Stunden Fahrtzeit begrenzt und die Definition um
regelmäßige persönliche Kontakte („regular face-to-face contacts“ im Sinne einer
wissensbasierten Sichtweise) ergänzt.139
Um die relative Bedeutung der verschiedenen Bindungen von Unternehmen zu evaluieren
und auf das Vorhandensein der untersuchten Agglomerationsvorteile zu testen, wurden
indirekte, also latente Maßzahlen verwendet. Dazu wurden die Unternehmen gebeten auf
einer sechsstelligen Skala (0 = nicht vorhanden, 1 = Völlig irrelevant, 6 = Sehr wichtig)
beispielsweise die Bedeutung (wahrgenommener Wert) von Universitäten, Mitbewerbern,
Kunden oder Lieferanten als Wissensquelle zu bewerten. Diese Skala kam jedoch nur bei
jenen Beziehungen zur Anwendung, wo dies geeignet erschien. Dies war der Fall bei:
(impliziten) Knowledge Spillovers, der Poolbildung des Arbeitskräftebestands, I/OBeziehungen, lokaler Rivalität und vertrauensbasierten Beziehungen zu Geschäfts- und
Kooperationspartnern.
Die Umfrage fand telefonisch statt, wobei den befragten Interviewpartnern des jeweiligen
Managements gleichzeitig mit der telefonischen Befragung der Fragebogen über eine
Internetseite bzw. in Papierform vorlag. Bei sämtlichen Antworten nach der sechsstelligen
Skala wurde ein Wert von 3,5 als relevant betrachtet.
Die Ergebnisse der Erhebung zeigen für die erste Gruppe der Agglomerationsvorteile, jene
bereits von Alfred Marshall (1938) genannten Clustervorteile, ein gemischtes Bild. Bezüglich
der Bedeutung von Mitgliedern des Clusters für den Zugang zu spezialisierten Fachkräften,
erreicht keine der abgefragten Kategorien, einen relevanten Wert von 3,5. Lediglich
technische Hochschulen und Universitäten erreichen einen bedeutenden Wert von jeweils
3,18. Ähnliche Ergebnisse liefert die Kontrollgruppe, wobei Wettbewerber in dieser Gruppe
einen mit 3,0 leicht höheren Wert erreichen als in der Clustergruppe (2,64). Lublinski fragte
auch nach der Ausgleichsfunktion des Clusters. Hier zeigte sich, daß annähernd die Hälfte
der Clusterunternehmen (46,8%) angab in den 1997 bis 2000 Mitarbeiter von nahen
138
vgl. Lublinski (2003), S. 458.
vgl. auch die Illustration räumlicher Nähe bzw. Ferne im Anhang, die den befragten Unternehmen während der
Umfrage vorlag.
139
75
Unternehmen eingestellt zu haben, die in wirtschaftliche Schwierigkeiten geraten waren. Daß
dies clusterspezifisch ist, zeigt sich am Vergleichswert bei fernen Unternehmen, der mit
14,4% deutlich geringer ausfiel. Anders als bei der Frage nach dem Arbeitskräftevorteil des
Clusters, fallen die Ergebnisse, bei der Frage nach den Nachteilen aus. Hier ergab sich ein
relevanter Wert von 3,61 – die Gefahr der Abwerbung wird also als stärker eingeschätzt, als
der mögliche Zugang zu spezialisierten Arbeitskräften.140
Was den Zugang zu spezialisierten Vorprodukten und Dienstleistung betrifft, so zeigte sich
dieser weder in der Clustergruppe noch in der Kontrollgruppe als besonders relevant, wobei
die Kontrollgruppe ihre lokalen Lieferanten mit 3,46 relativ spezialisiert einschätzt. Dies zeigt
sich auch im relativ geringen Anteil lokaler Lieferanten bei beiden Gruppen aus – in beiden
Fällen liegt der Wert um 25%.
Auch die Ergebnisse zu Knowledge Spillovers, zeigen sich kaum relevant.
Clusterunternehmen schätzen lediglich nahe Kunden als bedeutende Wissensquelle ein
(3,45). Alle anderen Clusterteilnehmer, inklusive der Lieferanten (nahe: 2,05 bzw. fern: 2,32),
werden als kaum bedeutend eingeschätzt. Bei der Kontrollgruppe präsentieren sich die
Ergebnisse bezüglich der Bedeutung von Kunden spiegelverkehrt: nahe: 2,91 bzw. fern:
3,85. Gleichzeitig schätzen die Clusterunternehmen mit 3,02 die Gefahr des
Wissenstransfers an Konkurrenten innerhalb des Clusters relativ hoch ein.
Die zweite Gruppe der Agglomerationsvorteile, Porters Annahmen, sind durch die
Ergebnisse ähnlich schwach unterstützt. Weder innerhalb der Clustergruppe, noch innerhalb
der Kontrollgruppe, werden lokale Lieferanten als bedeutende Quelle externer Effekte
gesehen. Mit Werten von unter 3,5 (nahe: 2,75 bzw. fern: 2,08), erweist sich die Bedeutung
lokaler Rivalität ebenfalls als sehr gering unter den Clusterunternehmen. Lediglich der Druck
naher, im Cluster angesiedelter Kunden, wird mit Werten von über 3,5 als bedeutend
angesehen.141
Transportkosten scheinen von nur peripherer Bedeutung zu sein, da lediglich 16% der
Clusterunternehmen den Standort innerhalb des Clusters unter diesem Aspekt als
bedeutend einschätzen. Die Ergebnisse im Hinblick auf die Bedeutung der Nähe für
vertrauensvolle Beziehungen zwischen Geschäftspartnern, zeigen auf allen Ebenen,
unabhängig ob nahe oder fern, hohe Vertrauenswerte für Geschäftspartner. Allerdings waren
diese Werte geringfügig höher für nahe Partner, was sich beispielsweise anhand der Kunden
sehen läßt: nahe:4,59 und fern 4,32 lagen relativ eng beieinander.
Lublinski schließt aus diesen Ergebnissen, daß der norddeutsche Luftfahrtcluster, zwar den
Aufbau eines Clusters zeigt, allerdings Agglomerationsvorteile, wenn überhaupt nur schwach
wirken und kaum nutzbar gemacht werden.
3.7 Kritische Analys e des empirischen Standes
Die hier vorgestellten empirischen Arbeiten zur Clusterthematik zeichnen trotz ihrer großen
Zahl ein unklares Bild, wie auch die folgende tabellarische Zusammenfassung des
140
141
vgl. Lublinski (2003), S. 460f.
ibidem, S. 462f.
76
empirischen Standes zeigt.142 In einigen Bereichen scheinen die Ergebnisse viele
theoretische Konzepte zu bestätigen, in anderen wiederum widersprechen die Ergebnisse
theoretischen Konzepten und scheinen sie zu widerlegen. Allgemein betrachtet, erweist es
sich als große Herausforderung, anhand der empirischen Datenlage allgemeingültige
Aussagen zu formulieren, welche die Mehrheit der möglichen Fälle abdeckt.143 Dies zeigt
sich schon anhand der Beispiele der Luftfahrtindustrie (Niosi/Zhegu (2005) ) und der
Biotechnologiebranche (Hendry/Brown (2006) ), die durch die entdeckten Branchenspezifika
die Schwierigkeit eines solchen Unterfangens aufzeigen.
Dennoch soll versucht werden, diese groben Züge zu identifizieren. Hierbei wird die
getroffene Kategorisierung als Grundlage dienen.
3.7.1
Die Clusteridentifikation und die Problematik einer einheitlichen Definition
Am Anfang jeglicher Beschäftigung mit Clustern steht die Identifikation des
Untersuchungsobjekts, des Clusters selbst. Hier zeigt sich die in Kapitel Eins angesprochene
Problematik – das Fehlen einer eindeutigen und außer Streit stehenden Definition.
Diese Problematik kritisieren Martin/Sunley (2003). Die Wissenschaft bietet eine Unzahl
differierender und überschneidender Definitionen des Clusterbegriffs und Martin/Sunley
sprechen gar von einem chaotischen Zustand der durch ungenaue Definitionen auch noch
verstärkt wird. Es besteht unter dem Einfluß von Porters allgemeiner Definition die Gefahr
das Vorhandensein eines „Standard-Clusters“ anzunehmen, was wie sich auch in diesem
Kapitel zeigte empirisch nicht haltbar ist.
Wie Martin/Sunley aufzeigen, führen ungenaue Definitionen zu ungenauen, ja falschen
Kausalitäten und Schlüssen bezüglich einer Erklärung des Zusammenhangs zwischen
Agglomeration und wirtschaftlicher Dynamik bzw. Wachstum.144 Auf Unternehmensebene
heruntergebrochen ergibt sich dadurch nur eine Fortsetzung der dadurch fälschlich
gezogenen Schlüsse, was wiederum die Beurteilung der relativen Bedeutung einzelner
Agglomerationsvorteile erschwert. Dadurch wird allerdings auch die Beurteilung der
Bedeutung von Clustern für die Wettbewerbs- und Innovationsfähigkeit von Unternehmen
erschwert.
Die Bedeutung einer schlüssigen und eingehenden Definition zeigt sich sehr schnell, wenn
man die exemplarisch vorgestellte Identifikationsstudie von Berwert/Vock/Tiri (2004)
betrachtet. Als ein Vertreter einer sehr häufigen Herangehensweise, der Identifikation von
Clustern über I/O-Daten, erfüllen sie die bedeutende Prämisse miteinander verbundener
Unternehmen. Doch gleichzeitig fällt die geographische Komponente auf nationaler Ebene
betrachtet zu grob aus und erlaubt kaum, beispielsweise Knowledge Spillovers genauer zu
untersuchen. Der Versuch, auf lokaler Ebene Cluster zu ermitteln, zeigte bei
Berwert/Vock/Tiri die Notwendigkeit der Interpolation einer ohnehin schon sehr stark
aggregierten Datenbasis.
142
eine ausführlichere Zusammenfassung der Ziele und Ergebnisse der einzelnen Studien findet sich im Anhang.
vgl. hierzu auch die tabellarische Gegenüberstellung der Ziele und Ergebnisse der empirischen Forschung in
diesem Kapitel.
144
vgl. Martin/Sunley (2003), S. 28ff.
143
77
Eine andere Herangehensweise, der Agglomerationsindex von Ellison/Glaeser (1997) wurde
ebenfalls vorgestellt. Dieser stellt jedoch im Vergleich zu I/O-Daten alleine, das
entgegengesetzte Extrem, die Vernachlässigung der Beziehungsebene zwischen
Unternehmen, dar. Feser/Sweeney/Renski (2000) kritisieren den Agglomerationsindex in
einem wesentlichen Punkt, der Art und Weise wo die Konzentration gemessen wird.
Hierbei führen sie an, daß der Agglomerationsindex eine einfache Maßzahl ist, die
Konzentration lediglich innerhalb eines Bezirks mißt und an den Bezirksgrenzen halt macht,
weshalb Getis-Ord-G-Statistiken zur Berücksichtigung der Nachbarbezirke aussagekräftiger
sei.145 Berücksichtigt man die Tatsache, daß administrative Grenzen nur selten exakt den
tatsächlichen geographischen Grenzen eines Clusters entsprechen, ist dies ein weiterer
berechtigter Kritikpunkt.
In Anbetracht dieser Problematik, scheint die Herangehensweise von Feser/Sweeney/Renski
eine gute Möglichkeit beide Dimensionen von Clustern zu erfassen, sowohl die funktionale,
als auch die geographische Dimension. Dies trifft umsomehr zu, als die verwendete
geographische Komponente, die Getis-Ord-G-Statistiken, geeignet sind eine weitere
Problematik adäquat zu behandeln, bei der auch andere Maßgrößen wie der lokale MoranKoeffizient146 Einschränkungen unterliegen: die sogenannte räumliche Autokorrelation.
Dabei handelt es sich um die interregionalen Einflüsse auf empirische Variablen, also der
sich alleine aus der Nachbarschaft ergebende Einfluß benachbarter Regionen, auf
Meßwerte. Diese Autokorrelation kann verschiedene Ursachen haben, wie Knowledge
Spillovers oder auch das in der räumlichen Ökonometrie bekannte Area-Unit-Problem, bei
dem Verwaltungseinheiten funktionale regionale Einheiten zerschneiden und so
Verzerrungen liefern.147 Durch diese räumliche Autokorrelation können Regressionsanalysen
verfälscht werden und die Ergebnisse unter Umständen fälschlicherweise ein zu großes, der
Realität nicht entsprechendes, Gewicht erhalten.148
Den aus Sicht der zu untersuchenden Agglomerationseffekte (Knowledge Spillovers,
Innovationsleistung und Unternehmensbeziehungen) interessantesten Alternativansatz bei
der Clusteridentifikation hat Lublinski (2003) vorgestellt. Die Definition eines geographischen
Suchraumes einerseits und die Auslagerung der Identifikation der relevanten nahen
Clusterpartner auf die zu untersuchenden Subjekte, die Unternehmen eines angenommenen
Clusters selbst, ergibt einen annehmbaren Kompromiß, der sowohl die funktionale als auch
die geographische Komponente berücksichtigt. Zwar wird auch bei diesem Ansatz eine
relativ weite Definition angewandt, doch angesichts des zweistufigen Vorgehens wird die
wesentliche Schwäche, die auch Martin/Sunley (2003) kritisieren, großteils abgefedert. Aus
diesem Grund wird diese Vorgangsweise für die in dieser Arbeit noch folgende empirische
Untersuchung ebenfalls angewandt werden.
145
vgl. Feser/Sweeney/Renski (2000), S. 401.
vgl. Kosfeld/Eckey/Türck (2007), S. 157ff.
147
vgl. Eckey/Kosfeld/Türck (2006), S. 548f.
148
ibidem.
146
78
3.7.2
Lokale Knowledge Spillovers und Innovationsleistung
Die hohe Bedeutung von Förderungen scheint kein oberösterreichisches Spezifikum (vgl.
Kapitel Vier) zu sein, wie die Untersuchung von Walsten (2001) zeigt, der nachwies, daß die
Wahrscheinlichkeit für Förderzusagen an U.S.-amerikanische KMUs umsomehr steigt, wenn
ein oder mehrere Unternehmen in der Nachbarschaft bereits Förderungen erhielten. Dies
deutet in der Tat darauf hin, daß Knowledge Spillovers dafür verantwortlich sein könnten.
Allerdings bleibt die Möglichkeit, daß die zuteilenden Stellen durch die Zuteilung wissentlich
oder unwissentlich verzerrend wirken. Es bleibt leider unklar, ob dies tatsächlich dem
Wissensaustausch zwischen lokalen Unternehmen geschuldet ist, oder ob die zuteilenden
Stellen, in der Folge Unternehmen in Nachbarschaft von bereits geförderten Unternehmen
anders beurteilen oder detaillierter prüfen.
Die Möglichkeit von Knowledge Spillovers bleibt dennoch und wird durch die Ergebnisse von
Dahl/Pedersen (2003) gestützt, die zeigen, daß informelle Kontakte als Kanäle für
Knowledge Spillovers dienen können und über sie auch beruflich wertvolles Wissen
transportieren und als solche kein seltenes Phänomen sind. Bezieht man die Ergebnisse von
Malmberg/Power (2005), deren Arbeit hier ebenfalls vorgestellt wurde, mit ein scheint bei
einer kritischen Größe (u.U. bei ausreichend „Brückenbeziehungen, wie sie McEvily/Zaheer
(1999) propagieren) der Spillovers die Neuentstehung von Wissen und der Sprung zu
Innovation nicht unrealistisch. Fraglich bleibt aber, wie dies passieren könnte und ob die hier
zitierten Studien, die alle technologischen Branchen entstammen, nicht Ausnahmen
darstellen.
Die Frage ob lokale Knowledge Spillovers ein Spezifikum technologischer Bereiche sind,
wurde in der Literatur häufig gestellt. Die hier vorgestellten Beispiele der Biotechnologie und
der Luftfahrtcluster sprechen allerdings dagegen. Auch in weniger technischen Branchen
sind Knowledge Spillovers und informelle Kontakte nicht selten (Drake (2003),
King/Silk/Ketelhöhn (2003) ).
Die Ergebnisse von Steiner/Hartmann (2006), deren Studie im folgenden Kapitel noch
detailliert vorgestellt werden wird, lassen allerdings die dominante Bedeutung informeller
Kontakte anzweifeln. Über fünf Branchenbereiche hinweg dominieren hier partizipative
Lernformen und nicht informelle Lernformen. Dabei ist die Wahrscheinlichkeit automatischer,
nebenher passierender Wissenstransfers in Form von Knowledge Spillovers, deutlich
reduziert. Die Frage die sich hierbei stellt, ist weshalb dies so ist.
Dominieren partizipative Lernformen aufgrund der Angst den lokal ebenfalls vorhandenen
Konkurrenten Wissen preiszugeben oder aufgrund von Ressourcenlimitierung? Oder ist dies,
wie Dahl/Pedersen (2003) und Fallick/Fleischmann/Rebitzer (2006) vermuten, vertraglichen
Beschränkungen für die Mitarbeiter geschuldet?
Das unklare empirische Bild diesbezüglich wird noch verstärkt durch Ausnahmen, wie im Fall
von Niosi/Zhegu (2005) und Hendry/Brown (2006), beziehungsweise durch die
überraschenden Ergebnisse der PatVal-Umfrage bei Giuri/Mariani (2005), die die
wesentlichen Interaktionen von Erfindern ausschließlich innerhalb der eigenen Organisation
zeigen – Knowledge Spillovers zwischen Organisation also faktisch ausschließen?
79
Autor
Berwert/Vock/Tiri (2004)
Feser/Sweeney/Renski (2005)
Steiner/Hartmann (2006)
Dumais/Ellison/Glaeser (1997)
Ellison/Glaeser (1997)
Feser/Sweeney (2000)
Ohler/Gamsjäger/Mahlich (2001)
Clement et al. (2002)
Schneider/Holzberger (2003)
Ketels/Lindqvist/Sölvell (2006)
Ziele
Ergebnisse
Clusteridentifikation / Räumliche Konzentration
Identifikation einzelner Cluster auf Basis von I/O-Daten
Einzelne geographisch nicht eingegrenzte (CH) bzw. eindeutig
bzw. geographischer Indikatoren.
auch räumlich identifizierte nationale (USA) und
regionale (AT/Steiermark) Cluster.
Analyse der Erklärungskraft von Agglomerationsvorteilen
(Transportkosten, spez. Arbeitskräfte, Knowledge
Spillovers) für Clusterexistenz, Nachweis allgemeiner
Häufigkeit, sowie Neigung zu Clustering im Falle von
Kunden-Lieferanten-Beziehungen.
Häufige Konzentration auf niedrigem Niveau. Ursache der
Konzentration selten Spillovers. Bestand an Arbeitskräften
besitzt dominierende (stärkste Signifikanz). Knwoledge
Spillovers bedeutender in wissensintesiven Branchen.
Kunden-Lieferanten erklärt Konzentrationsneigung vor allem
in wissens- und technologieintensiven Branchen.
Clustermerkmale / Effekte für Clusterpartner
Analyse von Kooperationsformen, Wettbewerbs- &
Mehrheit der Unternehmen sieht Wettbewerbsfähigkeit durch
Innovationsfähigkeit, Erwartungshaltungen oberösterr.
Clusterteilnahme gesteigert. Kooperation gesteigert. Motivation
Cluster, der F&E-Performance österr. Cluster, sowie
zu Teilnahme: Förderungen, Know-how & "Geschenkcharakter".
Erhebung der Auswirkungen der Clusterteilnahme auf
Bei österreichischen Clustern dominieren oberösterr. Cluster
oberösterreichische Unternehmen.
bei F&E. Anzeichen für Mitarbeiter-, Umsatz- und Produktivitätswachstum oberösterreichischer Firmen über Branchenschnitt.
Niosi/Zhegu (2005)
Koo (2005
Hendry/Brown (2006)
Evaluierung und Benchmarking von 1400 Clustern
Vielfältige Ergebnisse über Performance, Organisation,
in Entwicklungs- & Transformationsländern.
Wirkungen und Erwartungen der Teilnehmer.
Agglomerationsvorteile (Spillovers)
Untersuchung von Knowledge Spillovers bezüglich ihrer
Lokale Knowledge Spillovers kaum Erklärung für Clustering.
Erklärungskraft für Clusterentstehung bzw. ihrer Rolle in
Viele Branchenspezifika. Bsp.: Biotechnologie: lokal meist nur
Beziehungsgeflechten und Kooperationsnetzwerken.
Ideenanstoß, sonst nationale/globale Ausrichtung
Luftfahrt: Ankerfirmen bessere Erklärung. Erklärungskraft
simultaner Modelle (Spillovers & andere Vorteile) für Clustering
sehr hoch.
Walsten (2001)
Dahl/Pedersen (2003)
Malmberg/Power (2005)
Giuri/Mariani (2005)
Steiner/Hartmann (2006)
Untersuchung der Rolle informeller Kontakte als Kanal
für Knowledge Spillovers, der Rolle von Knowledge
Spillovers bei der Entstehung von Wissen, der Rolle
von Nähe bei patentierten Innovationen, sowie der
Lernmuster & -formen in österreichischen Clustern.
Informelle Kontakte sehr verbreitet. Häufig beruflich nützlich.
Erworbenes Wissen tlw. von hohem Wert und sehr spezifisch.
Unterstützung der These, daß Wissen in Clustern durch
Knowledge Spillovers entsteht. Relevante Interaktionen von
Erfindern meist in der eigenen Organisation. Dominanz
partizipativer Lernformen, kaum automat. Knowledge Spillovers
Tabelle 16: Zusammenfassung und Vergleich des aktuellen empirischen Forschungsstandes 1/2 (Quelle: Eigene Darstellung)
80
Autor
de Propris (2002)
Beaudry/Breschi (2003)
Molina-Morales/
Martínez-Fernández (2004)
Eraydin/
Armatli-Köroglu (2005)
Malmberg/Power (2005)
McEvilly/Zaheer (1999)
Madill/Haines/Riding (2004)
Eraydin/
Armatli-Köroglu (2005)
Hendry/Brown (2006)
Lublinski
(2003)
Chakravorty/Koo/Lall (2005)
Grando/Belvedere (2006)
Fallick/Fleischmann
/Rebitzer (2006)
Ziele
Ergebnisse
Agglomerationsvorteile (Innovationsleistung)
Analyse des Einflusses gemeinsamer Clusterressourcen
Austausch und Rekombination von Ressourcen und
auf Wertschöpfung, des Einflusses von Kooperation auf
Teilnahme an lokalen Einrichtungen erklären überlegene
verschiedene Arten von Innovation, sowie der Frage ob in
Innovations- & Wertschöpungsleistung. Positiver Einfluß von
Clustern angesiedelte Unternehmen innovativer sind, als
Kooperation auf Innovation, aber Cluster-Effekt schwach.
jene außerhalb von Clustern.
Anwesenheit im Cluster per se kein Innovationsvorteil.
Agglomerationsvorteile gehen von innovativen Unternehmen
Nicht innovative Firmen üben negativen Einfluß aus.
Analyse der Innovations- und Netzwerkfähigkeiten von
Zusammenhang zwischen lokaler Rivalität und Innovation
türkischen Unternehmen, sowie der Zusammenhänge
bedingt nachweisbar. Unternehmen mit starken internationalen
zwischen Entstehung von Wissen und Innovation.
Beziehungen innovativer als mit dichten lokalen bzw. nationalen.
Agglomerationsvorteile (Unternehmensbeziehungen)
Analyse der Innovations- und Netzwerkfähigkeiten, des
Lokale Netzwerke in Clustern werden durch komplementäre
Werts und der Häufigkeit des Beziehungsgeflechts von
globale Netzwerke ergänzt um Innovation &
Technologie- und Nichttechnologieunternehmen, des
Wettbewerbsfähigkeit zu steigern. Engagement in lokalen
Zusammenhangs zw. Knowledge Spillovers und dem
Mittlereinrichtungen hat positiven Einfluß. Je mehr
Beziehungsgeflecht, sowie der Beziehung von
Brückenbeziehungen desto schwachere Beteiligung an lokalen
Wettbewerbsfähigkeit und extensiven
Mittlerinstitutionen.
Brückenbeziehungen.
Agglomerationsvorteile (Sonstige bzw. kein Schwerpunkt)
Analyse der Firmenverknüpfungen geographisch
Geographische Nähe statistisch signifikant für Beziehungen und
benachbarter und weiter entfernter Unternehmen des
kann Verbreitung von Wissen, Bildung von
norddeutschen Flugzeugclusters.
Arbeitskräftebeständen und anspruchsvolle Kunden bewirken.
Agglomerationsvorteile nur schwach ausgeprägt und wirksam.
Untersuchung ob Agglomerationsvorteile für Entstehung
von Clustern bedeutend sind, ob Cluster KMUs Zugang
zu Fähigkeiten bietet, die operative Leistung steigern,
sowie, die Frage Hypermobilität entscheidender Faktor
für Innovationsförderung in Silicon Valley.
Urbanisierungsvorteile wichtiger als Agglomerationsvorteile.
Clusterentstehung möglicherweise unvollkommenen
Grundstücksmärkten geschuldet. Unabhängige KMUs können
Fähigkeiten (Reaktionsfähigkeit & Flexibilität) durch
Clustermitgliedschaft verbessern. Agglomerationsvorteile in
Silicon Valley scheinen kein generelles wirtschaftliches
Phänomen zu sein. Treffen in Fällen zu, wo Innovationserträge
sehr hoch & sehr unsicher.
Tabelle 17: Zusammenfassung und Vergleich des aktuellen empirischen Forschungsstandes 2/2 (Quelle: Eigene Darstellung)
81
Auch bezüglich der Innovationsfähigkeit und ihrem Zusammenhang mit Clustern zeigen sich
ähnliche Ergebnisse, wie die Untersuchung von de Propris (2002) zeigt. So konnte zwar
nachgewiesen werden, daß Innovation nicht isoliert passiert, gleichzeitig konnte in der
untersuchten Region kein Cluster-Einfluß auf die Innovationsfähigkeit von Unternehmen
gefunden werden. Dieses Ergebnis kann ähnlich wie im Falle von Biotechnologie und
Luftfahrtclustern eine weitere Ausnahme darstellen.
Die Arbeit von Beaudry/Bresci (2003) bietet Hilfestellung diesbezüglich, da sie auf Basis
zweier Länder zeigt, daß die bloße Anwesenheit in einem Cluster noch keinen Einfluß auf die
Innovationsleistung hat. Agglomerationsvorteile scheinen nur von innovativen Unternehmen
auszugehen, wobei nicht-innovative Unternehmen der gleichen Branche negative Einflüsse
auf die Innovationsleistung haben. Gemeinsam mit den Ergebnissen von MolinaMorales/Martínez-Fernández (2004) liegt der Schluß nahe, daß die Innovationsleistung
wesentlich davon abhängt, wie Unternehmen mit den sich durch Cluster bietenden
Möglichkeiten und Ressourcen umgehen.
In diesem Licht besehen, weist die Analyse von Eraydin/Armatli-Köroglu (2005) einen
interessanten Ansatzpunkt auf, der die Bedeutung des Lokalen relativiert. Zumindest im Fall
der türkischen Cluster sind jene Unternehmen am innovativsten, die zwar lokal verankert
sind, aber auch über umfangreiche (umfangreicher noch als lokal und national) internationale
Beziehungsnetzwerke verfügen.
Diese Sichtweise ist auch im Sinne der wissensbasierten Theorie der Unternehmung (KBV)
realistisch, da internationale Beziehungen die mögliche Wissensbasis stark erweitern. In
diesem Sinne argumentieren auch Maskell/Bathelt/Malmberg (2005), wenn sie von globalen
Wissenspipelines sprechen. Im Hinblick auf die folgende empirische Erhebung wird diese
Frage noch bedeutend werden.
3.7.3
Cluster, Unternehmensbeziehungen und ähnliche Zusammenhänge
Betrachtet man die empirische Basis zum Thema Intensität lokaler Kooperationen und
Interaktionen mit anderen Clusterpartnern und vor allem der lokal angesiedelten
Wissensinfrastruktur (Forschungseinrichtungen, Universitäten, Clusterkoordinationsstellen),
so deuten die Ergebnisse stark in Richtung Substitutionseffekte, was die Intensität lokaler
Kontakte und Beziehungen betrifft. Ohne jene Arbeiten zu berücksichtigen, wo durchaus
Branchenspezifika diese Intensität erklären könnten (Hendry/Brown (2006), Niosi/Zhegu
(2005), Lublinski (2003) ), deuten die Erkenntnisse von McEvily/Zaheer (1999) und
Steiner/Hartmann (2006) in diese Richtung.
Während Steiner/Hartmann eine Korrelation zwischen schwacher lokaler Verankerung auf
I/O-Basis und der Intensität der Zusammenarbeit mit der lokalen Wissensinfrastruktur finden,
zeigt sich dies bei McEvily/Zaheer in ähnlicher Weise mit steigender Zahl der
Brückenbeziehungen.
Es stellt sich in diesem Zusammenhang die Frage, ob dies auch in österreichischen Clustern
beobachtbar ist und in welcher Weise, wenn überhaupt, die knappe Ressourcenausstattung
des Clusterunternehmens (hierbei ist vor allem an KMUs gedacht) damit in Zusammenhang
steht. Diesem Fragenkomplex haben sich auch Grando/Belvedere (2006) teilweise gewidmet
82
und positive Effekte einer Clustermitgliedschaft für die Reaktionsfähigkeit und Flexibilität von
KMUs gefunden.
Interessante
Ansatzpunkte
liefern
schließlich
auch
die
Arbeiten
von
Fallick/Fleischmann/Rebitzer (2006), die Agglomerationsvorteile dort vermuten, wo
Innovationserträge gleichzeitig sehr hoch, aber auch sehr unsicher sind.149 Neben dieser
Vermutung, bleibt noch die Arbeit von Chakravorty/Koo/Lall (2005) zu erwähnen, die
ebenfalls eine nähere Betrachtung und eventuell empirische Untersuchung verdienen würde.
Chakravorty/Koo/Lall äußern die Vermutung, daß Clustering zu einem Gutteil durch
unvollkommene Grundstücksmärkte zu erklären sind, also durch staatliche Regulierungen
hinsichtlich Umweltschutz, Anlagengenehmigungen und dergleichen Maßnahmen. Umgelegt
auf die interessanten Abweichungen in der Motivation oberösterreichischer
Clusterunternehmen150 hinsichtlich klassisch vermuteter Agglomerationsvorteile, ergibt sich
eine interessante Fragestellung, die im Zuge der hier folgenden empirischen Erhebung eine
Behandlung verdient.
149
150
vgl. Fallick/Fleischmann/Rebitzer (2006), S. 481.
vgl. Ohler/Gamsjäger/Mahlich (2001) bzw. die Ausführungen im folgenden Kapitel.
83
4. Der empirische Stand in Österreich
Nach der Übersicht des internationalen Forschungsstandes zum Thema Cluster, widmet sich
dieses Kapitel im Detail der Situation in Österreich. Im folgenden wird versucht, einen
Überblick über die österreichische Clusterlandschaft zu geben und jene drei österreichischen
Cluster näher vorzustellen, die in der empirischen Untersuchung dieser Arbeit behandelt
werden.
Zusätzlich dazu sollen jene Studien zu österreichischen Clustern vorgestellt werden, die
interessante Anhaltspunkte bieten können, sich der Clusterthematik, wie in den ersten
beiden Kapiteln dargelegt, zu nähern. Dies trifft einerseits auf die Merkmale österreichischer
Cluster hinsichtlich ihrer innovationsfördernden Eigenschaften zu und andererseits auf die
Kooperationserfahrungen von Unternehmen bezüglich Forschung und Entwicklung.
Im weiteren Verlauf werden auch die direkten Effekte einer Clustermitgliedschaft aus
Unternehmenssicht beleuchtet – dies vor allem im Hinblick auf Produktivität,
Umsatzwachstum und verwandte Kennzahlen.
Schließlich wird ein aktueller Forschungsbeitrag vorgestellt, der die unterschiedlichen
Dimensionen von Kooperation in steirischen Clustern behandelt.
4.1 Die Clusterlandschaft in Österreich
Ein aktuelles und vollständiges Bild der österreichischen Clusterlandschaft zu zeichnen ist
sowohl angesichts der Literaturlage schwierig als auch aus der bereits im Grundlagenkapitel
geschilderten Problematik verschiedenster und divergierender Ansichten bezüglich der
Frage was ein Cluster ist. Dadurch ergibt sich ein nicht zu unterschätzender Aufwand, der für
die Darstellung der Clusterlandschaft erschwerend wirkt. Wie aus dem Grundlagenkapitel
ersichtlich ist, bestehen zahlreiche Definitionen von Clustern. Und die Überprüfung der
Frage, ob die unterschiedlichen österreichischen Cluster und Clusterinitiativen der gewählten
Definition nach auch tatsächlich Cluster sind gestaltet sich äußerst schwierig.
Die aktuellste wissenschaftliche Darstellung der österreichischen Clusterlandschaft findet
sich bei Clement et al. (2002). Aktuellere Daten finden sich nur auf regionaler Ebene und
bilden lediglich das Bild einzelner Bundesländer ab, so zum Beispiel bei [CLOÖ] (2007a) und
Freudenthaler (2006).
Aus diesem Grund sei vor allem auf die Arbeit von Clement et al. verwiesen, die wenn auch
nicht sehr aktuell, dennoch ein gutes Anfangsbild zeigt. Die Autoren sehen bei ihrer
Untersuchung ebenfalls die Schwierigkeit, die identifizierten Cluster daraufhin zu überprüfen,
ob sie ihrem Wesen nach auch tatsächlich Cluster sind. Sie sprechen dies gleich zu Beginn
ihrer Ausführungen an, wenn sie von Clustern sprechen „...die grundsätzlich der vorhin
angeführten Clusterdefinition gerecht werden (eine genaue Überprüfung der
Übereinstimmung stellt jedoch ein schwieriges Unterfangen dar)“.151
151
Clement et al. (2002), S. 17.
84
Clustername
Austrian Marine Equipment Manufacturers
Austrian Power & Environment Technology (APET)
Austrian Rail Engineering (ARE)
Austrian Telecom Cluster (ATC)
Austrian Water
Bio Concept
Bioenergie Austria
Centric Austria
Cluster Elektronik - Partner Systemtechnologie Verein
Austrian - Danube - Water Cooperation Cluster (ADWC)
Airport Development Group (ADG)
Austrian Regional Business Coop. Cluster (ALMAKO)
Austria Wellbeing Destination of Europe
Austrian Aeronautics Industries Group (AAI)
Austrian Agricultural Cluster (AAC)
Austrian Building and Construction (AB&C)
Austrian Environment
Austrian Health Cluster
Cluster Object International (C-O-I)
EGA – Engineering Group Austria
Energienetzwerk Süd-Ost (ENSO)
Exportcluster Holzbau - Vorarlberger Zimmermeister
Industrial Construction Network - Anlagebau (ICON)
International Medical Cluster
Austrian Food Cluster
Lebensmittelcluster Südösterreich
Naturesign
Pro Holz Initiative
Internet-Adresse
http://www.amem.at/
n. v.
n. v.
n. v.
http://www.austrianwater.at/
n. v. *)
n. v. *)
http://www.centric.at/
n. v.
http://www.adwc.org/
n. v. *)
http://www.almako.at/
http://www.wellbeingdestination.com/
http://www.aaig.at/
http://www.aac.or.at/
http://www.abc-cluster.com/
http://www.austrian-environment.at/
n. v.
n. v. *)
http://www.ega.co.at/
http://www.enso.at/
n. v. *)
n. v. *)
http://www.imc.co.at/
n. v. *)
http://www.teigtaschen.at/fagola/cluster.html
n. v. *)
http://www.proholz.at/
*) mittlerweile nicht mehr erreichbare Internetseiten
Tabelle 18: Die bundesweiten Cluster in Österreich (Quelle: Clement et al. (2002), S. 114ff.)
Basierend auf dem Ansatz von Porter teilen Clement et al. die 45 österreichischen Cluster in
bundesweite und regionale Cluster ein. Erstere sind zum Großteil aus einer Initiative des
Bundesministeriums für Wirtschaft und Arbeit entstanden. Dabei wurde im Rahmen der
Exportoffensive der Bundesregierung die Wirtschaftskammer Österreich (WKÖ) mit der
Führung und Betreuung der obigen Cluster betraut. Der Schwerpunkt der Aktivitäten des
jeweils mit einem eigenen Clustermanagement ausgestatteten Cluster liegt in der
Exportförderung. Dies umfaßt daher vor allem gemeinsames Marketing, Marktstudien,
gemeinsame Messeauftritte und dergleichen, um die Exportchancen der Clusterpartner der
verschiedenen Branchen zu erhöhen.
Wie die Autoren bereits 2002 ausführen, ist die Aktivität der einzelnen Cluster als gering
einzustufen, da Unsicherheiten bezüglich der Finanzierung einer gesteigerten Aktivität im
Wege steht – die Finanzierung wurde von Regierungsseite lediglich für zwei Jahre garantiert.
Wie man obiger Tabelle entnehmen kann, dürfte ein Großteil der Cluster sanft entschlafen
sein, da Internetpräsenzen, die zum Zeitpunkt der Studie noch aktiv waren, mittlerweile nicht
erreichbar sind und auch keinerlei größere Aktivität auf den Internet-Seiten der WKÖ
ablesbar ist. Und in der Tat kommt Clement (2003) in einem anderen Beitrag zu einem
ähnlichen Ergebnis indem er konstatiert: „Ein (mäßig erfolgreicher) Versuch waren/sind? Die
„Exportcluster der WKÖ [...]“.152
152
Clement (2003), S. 3.
85
Neben den 28 bundesweiten Clustern haben Clement et al. noch 17 regionale Cluster
identifiziert.153 Diese gehen auf Initiativen der Landesregierungen der österreichischen
Bundesländer zurück und sind organisatorisch zumeist bei den jeweiligen
Regionalentwicklungsgesellschaften angesiedelt, was bei genauerer Betrachtung der
Rahmenbedingungen den Autoren zufolge zeige, daß keine Clusterbildung ohne
Startförderung stattfand.
Interessant ist das Übergewicht oberösterreichischer Cluster bei den von Clement et al.
identifizierten regionalen Clustern. Dieses ist vor allem dem in Österreich frühen
Clusterengagement Oberösterreichs geschuldet. Im Rahmen des Strategischen Programms
Oberösterreich 2000+ wurde seit 1998 von der oberösterreichischen Landesregierung eine
clusterorientierte Wirtschafts- und Technologiepolitik betrieben. Dabei wurde die Standortund Innovationsagentur des Landes, die TMG (Technologie und Marketing GmbH.), mit der
Unterstützung dieser Politik betraut und in ihre Zuständigkeit fällt auch die Betreuung der
verschiedenen Clusterinitiativen in Oberösterreich. Die innerhalb Österreichs frühe und
verstärkte Entstehung von Clustern spiegelt sich auch in der verfügbaren empirischwissenschaftlichen Literatur wieder die, wie in der Folge noch ersichtlich wird, wesentlich auf
Oberösterreich fokussiert ist.
Bevor jedoch auf das Clusterprogramm Oberösterreichs und die einzelnen regionalen
Cluster in Oberösterreich eingegangen wird, soll im folgenden Abschnitt ein Überblick über
die von oberösterreichischen Erfahrungen teilweise inspirierte Clusterlandschaft
Niederösterreichs gegeben werden.
4.1.1
Die Clusterlandschaft Niederösterreichs
Die im Eigentum des Bundeslandes Niederösterreich stehende Wirtschaftsagentur ecoplus
ist für die Weiterentwicklung der niederösterreichischen Wirtschaft verantwortlich. Als solche
übernimmt
sie
Standortentwicklungsagenden,
zu
deren
Kernfeldern
auch
Betriebsansiedlungsmaßnahmen gehören. Die Agentur ecoplus ist als solche auch
Betreiberin von über 16 Wirtschaftsparks in Niederösterreich.
Daneben fungiert sie auch als Vermittler und Initiator verschiedener Forschungsprojekte und
nützt dazu neben landeseigenen Förderungsmaßnahmen auch Fördertöpfe der
Europäischen Union.154
Im Zuge der Regionalentwicklungsprogramme RIS, RIS+ und RIS++ („Regionale
Innovationsstrategie Niederösterreich“)155 wurden seit 2001 insgesamt fünf Clusterinitiativen
in Niederösterreich gestartet.156
Diesen Initiativen liegt ein Clusterbild zugrunde, daß Cluster als „flexible und innovative
Netzwerke der Wirtschaft“ sieht und aus „sich ergänzenden aber auch konkurrierenden
153
Eine Liste aller identifizierten regionalen Cluster findet sich im Anhang.
Vgl. dazu Freudenthaler (2006) und die Internetpräsenz der Agentur ecoplus - http://www.ecoplus.at/ecoplus/.
155
Für Details des Programms siehe auch http://www.ris-noe.at/.
156
Mittlerweile wurde auch das Nachfolgeprogramm „Netzwerke und Cluster 2007 –2013“ beschlossen, das die
Clusterarbeit noch weiter intensivieren soll und ab 2007 eine finanzielle Beteiligung der Landesverwaltung an
Kooperationsprojekten vorsieht; vgl. dazu Freudenthaler (2006), S. 20.
154
86
kleinen und großen Unternehmen“157 zusammensetzt, wobei in Niederösterreich der
Hauptfokus auf Klein- und Mittelbetrieben liegt. Zusätzlich bestehen innerhalb der
niederösterreichischen Cluster noch F&E-Einrichtungen sowie Weiterbildungseinrichtungen
privater und öffentlicher Natur.
Ziel dieser Initiativen ist es den Clusterpartnern zu ermöglichen, die Vorteile räumlicher Nähe
zu nutzen und wie ecoplus es ausdrückt „mannigfaltige Beziehungen zu entwickeln“.158
Die Leistungen der Initiativen, die sich an die Clusterpartner richten sollen, erstrecken sich
von einer Informationsdrehscheibenfunktion (über Seminare, Homepages u. ä.), über
Marketingunterstützung für Clusterprojekte und Kooperationsunterstützung, die Förderung
und Initiierung von Forschungs- und Entwicklungsprojekten bis zu Kampagnen der
Öffentlichen Hand (wie beispielsweise der Solarkampagne die im Zuge der
Wohnbauförderung Solaranlagen teilsubventioniert159).
Die fünf angesprochenen Clusterinitiativen sind der Holzcluster NÖ, der Ökobaucluster NÖ,
der Wellbeing Cluster NÖ, der ACVR Automotivecluster und der auf Niederösterreich
ausgedehnte Teil des oberösterreichischen Kunststoffclusters.
Diese Cluster versammeln insgesamt 498 Clusterpartner mit insgesamt 52.000
Beschäftigten in Niederösterreich. Ecoplus zufolge konnten bis zum Winter 2006 insgesamt
190 Projekte betreut werden, darunter 90 Kooperationsprojekte innerhalb der Cluster, die
beinahe 400 Unternehmen eingebunden haben. In Niederösterreich ist ein wesentlicher
Kritikpunkt, den Clement et al. (2002) bei den bundesweiten Clustern ansprechen, behoben.
Durch Mitgliedsbeiträge zwischen 250€ und 1000€ pro Partner und Jahr scheint die
Finanzierung der Clusterinitiativen zumindest mittelfristig gesichert.160 Im folgenden sollen
einige Eckpunkte über drei dieser Cluster ein gerafftes Bild über die niederösterreichische
Clusterlandschaft bieten.
Der älteste niederösterreichische Cluster, der Holzcluster Niederösterreich, wurde 2001
initiiert und setzt Schwerpunkte im Bereich Bauen mit Holz, Möbel und Design. Mit
insgesamt 121 Clusterpartnern wurden bis Winter 2006 insgesamt 76 Kooperationsprojekte
abgewickelt.
Ein
beispielhaftes
Projekt
betraf
das
Projekt
„Kontinuierliche
Verbesserungsprozesse“, bei dem vor allem die innerbetriebliche Problemlösungskompetenz
gestärkt werden sollte und Produktionsoptimierungen betreffend Lagerlogistik, Schwund und
ähnliche operative Problemfälle gelöst werden sollten. Zur Stärkung der finanziellen
Sicherheit wurden mit 2004 Partnerbeiträge eingeführt.
Der zweite Cluster in Niederösterreich ist der Wellbeing Cluster Niederösterreich der im
Oktober 2002 ins Leben gerufen wurde. Die Schwerpunkte umfassen Qualitätsorientierung
und Qualifizierung im ganzheitlichen Gesundheitstourismus und dementsprechend stammen
die 112 Clusterpartner aus den Bereichen Gesundheitstourismus, Präventivmedizin,
157
Freudenthaler (2006), S. 14.
Freudenthaler (2006), S. 14.
159
Für Informationen zu dieser Kampagne siehe auch die Kampagnenhomepage http://www.solarenergienoe.at/solarenergie/ sowie eine Meldung des Österreichischen Rundfunks vom 24. Februar 2006 unter
http://noe.orf.at/stories/91524/.
160
Vgl. Freudenthaler (2006), S. 16.
158
87
Naturprodukte (Lebensmittel, Kosmetik u.ä.) und zahlreichen Gesundheitsdienstleistern,
sowie regionalen Zulieferern, und Forschungs- und Bildungseinrichtungen.
Bis Winter 2006 wurden insgesamt 39 Projekte abgewickelt, wobei wie bei den übrigen
Clustern mit 2005 Partnerbeiträge zur Finanzierung der Clusterarbeit eingeführt wurden.
Beispielhaft sei das Projekt „Schlank ohne Diät“ angeführt, bei dem an zwei
niederösterreichischen Standorten Gewichtsreduktionsprogramme angeboten werden und
von einem aus den Clusterpartnern bestehenden therapeutischen Nachbetreuungsnetzwerk
begleitet werden.
Die folgende Abbildung zeigt die geographische Verteilung der 112 Clusterpartner, wobei
aufbauend auf der Partnerdatenbank161 und dem Postlexikon der österreichischen Post162 die
geographische Abbildung mittels Postleitzahlen auf Verwaltungsbezirksebene geschah. Das
Kartenmaterial stammt aus der interaktiven Onlinekarte der Österreichwerbung163:
Abbildung 11: Die geographische Verteilung der Clusterpartner des Wellbeing Cluster NÖ
(Quelle: Eigene Darstellung)
Der dritte, hier vorgestellte Cluster ist der seit 2001 bestehende ACVR Automotive Cluster
dessen Ausrichtung vor allem Zulieferpotentiale im Automobilbereich der Region Wien sowie
161
Erreichbar unter http://www.wellbeingcluster.at/ (Stand der verwendeten Daten: 7. Juli 2007).
Erreichbar unter http://app.post.at/postlexikon/.
163
Erreichbar unter http://www.austria.info/.
162
88
der mitteleuropäischen Region CENTROPE164 ausnützen soll. Die insgesamt 95
Clusterpartner haben bis Ende 2006 insgesamt 23 Projekte abgewickelt. Darunter eigene
Kompetenznetzwerke innerhalb des Clusters mit Innovationsworkshops und Pilotprojekten
auf verschiedenen Feldern. Ein anderes Projekt, „High Performance Manufacturing” sollte
die Bedürfnisse und das Fachwissen der KMU-Clusterpartner bündeln und die kollektive
Forschung durch Gründung eines eigenen Forschungsinstituts befördern.165
4.1.2
Die Clusterlandschaft in Oberösterreich
Seit 1998 betreibt das Bundesland Oberösterreich auf Basis Strategischen Programms
2000+ eine clusterorientierte Wirtschafts- und Technologiepolitik. Dieses Programm wurde
mittlerweile vom Nachfolgeprogramm Innovatives Oberösterreich 2010 ersetzt und stellt
insgesamt 90 Millionen Euro bis 2010 für netzwerkorientierte Maßnahmen zur Verfügung.
Wesentliches Element der angesprochenen Programme ist die Tätigkeit der Innovations- und
Technologieagentur des Landes Oberösterreich, die TMG. Diese hat seit 1998 in
Oberösterreich insgesamt acht Cluster mit über 1.700 Mitgliedsunternehmen aufgebaut:
(1) Den Automobil Cluster (AC): seit 1998, dieser umfaßt Fahrzeughersteller sowie
Automobilzulieferer sowie relevante Maschinen- und Anlagenbauer und Dienstleister
(2) Den Kunststoff Cluster (KC): seit 1999, Kunststoffhersteller und –verarbeiter, sowie
Maschinen-, Formen- und Werkzeugbauer und verwandte Dienstleister
(3) Den Cluster Drive Technology (CDT): seit 1999, dieser umfaßt Unternehmen der
Bereiche Motorenbau, Komponenten und Fertigungseinrichtungen sowie deren
Zulieferer und Dienstleister
(4) Den Möbel- und Holzbau Cluster (MHC): seit 2000, Möbelhersteller und
Produzenten von Holzbauten, deren Zulieferpartner und verschiedenste Dienstleister
(5) Den Ökoenergiecluster (OEC): seit 2000, dieser versammelt Unternehmen der
Bereiche erneuerbare Energien und Energieeffizienz
(6) Den Lebensmittelcluster (LC): seit 2000, dieser umfaßt Lebensmittelhersteller und
ihre Zulieferpartner sowie Forschungs- und Qualifizierungseinrichtungen
(7) Den Gesundheitscluster (GC): seit 2002, dieser versammelt Unternehmen des
Bereichs Gesundheitstechnologien und Rehabilitationstechnik
(8) Den Mechatronikcluster (MC): seit 2003, dieser versammelt Maschinen- und
Anlagenbauer, Geräte- und Apparatebauer und verschiedenste Dienstleister166
164
Für Informationen der Teile Ungarns, Tschechiens, der Slowakei und Österreich umfassenden Region siehe
auch http://www.centrope.info/ bzw. die Illustration der CENTROPE-Region aus Sicht des ACVR Clusters im
Anhang.
165
Vgl. Freudenthaler (2006), S. 30ff.
166
Vgl. dazu [CLOÖ] (2007a), S. 4ff und die Homepage http://www.clusterland.at/.
89
Bis 2005 wurden die Cluster AC, KC, MHC, GC, CDT und MC von der TMG getragen, seit
Jänner 2006 hat die neu gegründete Clusterland Oberösterreich GmbH. diese Funktion
übernommen. Die verbleibenden Cluster Ökoenergie und Lebensmittel werden von vom
oberösterreichischen Energiesparverband bzw. der Wirtschaftskammer Oberösterreich
geleitet.
Ähnlich den bundesweiten Clusterinitiativen der Wirtschaftskammer wurden die Cluster zu
Beginn extern, in diesem Falle durch das Bundesland Oberösterreich, finanziert. Mittlerweile
werden jedoch in allen Clustern nach Unternehmensgröße gestaffelte jährliche
Mitgliedsbeiträge (zwischen 273 Euro und 1087 Euro) eingehoben. Zusätzliche Mittel fließen
dem Clustermanagement durch Sponsoring, Projekterträge und Teilnahmegebühren bei
Veranstaltungen zu. All dies soll den Selbstfinanzierungsgrad der Cluster erhöhen.
Wesentlicher Teil der Cluster sind die ihnen beigeschlossenen Beiräte, denen eine
beratende, aber auch steuernde (hinsichtlich der weiteren Entwicklung) Funktion zukommt.
Diese Beiräte werden auf Vorschlag der Trägerorganisation (nunmehr zumeist Clusterland
GmbH.) berufen und sollen in ihrer Zusammensetzung den Clustersektor abbilden. Aus
diesem Grunde sind KMUs ebenso wie Leitbetriebe und Forschungspartner vertreten.
Zusätzlich zu diesen Clustern werden von der Trägerorganisation lockere Themennetzwerke
betreut, die Themen abdecken, die über alle Cluster hinweg von Interesse sind. Dies sind die
Humanressourcen, Design & Medien, Logistik sowie Umwelttechnik.
Abbildung 12: Clusterinitiativen und Netzwerke in Oberösterreich (Quelle: [CLOÖ] (2007a), S. 6.)
Sämtliche Cluster bieten ihren Mitgliedern über das Clustermanagement folgende
unterstützenden Leistungen an:
Information und Kommunikation: Es stehen Datenbanken mit detaillierten
Unternehmensdaten und Leistungsprofilen der Clusterpartner zur Verfügung, weiters
90
werden laufende Firmenbesuche organisiert und über die Clusterhomepages
laufende (zusätzlich zu Quartalszeitschriften) Branchennewsletter publiziert
Qualifizierung:
Über
regelmäßige
Fachveranstaltungen,
Workshops,
Lernplattformen und Stammtische sollen Kontakte gefördert und Know-How-Transfer
erleichtert werden
Kooperation: Es werden Kooperationsprojekte zwischen Unternehmen und mit
Forschungseinrichtungen initiiert und begleitet, Kooperationsbörsen eingerichtet und
Beratung
beim
verfügbaren
landeseigenen
aber
auch
EU-weiten
Förderinstrumentarium angeboten
Marketing
und
PR:
Durch
zahlreiche
nationale
und
internationale
Werbemaßnahmen sollen Imagebildung erleichtert und der Standort beworben
werden, dies beinhaltet Messepräsentationen ebenso wie die Abhaltung von
Branchentagen wie Tagen der offenen Tür
Internationalisierung: Über Studienreisen, der Vermittlung internationaler Kontakte
und der Teilnahme an EU-Projekten soll die Internationalisierung der Clusterpartner
unterstützt werden167
Was die Bedeutung der oberösterreichischen Cluster betrifft, so kann diese sehr gut an der
folgenden Tabelle abgelesen werden. Dabei repräsentieren die Clusterpartner von fünf
oberösterreichischen Clustern mehr als 200.000 Mitarbeiter und annähernd 40 Milliarden
kumulierten Umsatz.
Clusterland Oberösterreich
Start
Partner
Umsätze in Mrd. €
Mitarbeiter
Automobil
07/1998
265
17,3
88.113
Kunststoff
04/1999
388
12,2
58.500
Möbel und Holzbau
01/2000
208
2,3
19.935
Medizintechnik
03/2002
158
3,2
25.525
Mechatronik
01/2003
218
4,2
25.029
1.237
39,2
217.102
Summe (kum.)
Stand 31.12.2006
Tabelle 19: Zahlen und Daten zu fünf ausgewählten oberösterreichischen Clustern für 2006 (Quelle:
[CLOÖ] (2007a), S. 12.)
In allen oberösterreichischen Clustern nimmt die Kooperation zwischen Unternehmen bzw.
mit Forschungseinrichtungen eine bedeutende Stellung ein. Die nunmehrige
Trägerorganisation der oberösterreichischen Cluster unterscheidet dabei zwischen drei Arten
von Kooperationsprojekten:
167
Vgl. [CLOÖ] (2007a), S. 7f.
91
Technologieprojekte haben die Entwicklung bzw. Verbesserung von Produkten bzw.
Verfahren zum Ziel. Die zweite Kategorie betrifft vor allem Organisationsprojekte, die
Verbesserungen und Neuentwicklungen von Prozessen und Abläufen in und zwischen
Unternehmen zum Ziel haben. Die dritte und letzte Kategorie schließlich betrifft
Qualifizierungsprojekte, diese betreffen Aus- und Weiterbildungsprojekte in Zusammenarbeit
mit Bildungseinrichtungen.
Das Land Oberösterreich fördert Projekte aus diesen drei Kategorien im Rahmen der
Clusterinitiative wenn mindestens drei Unternehmen an diesem Projekt teilnehmen, wobei
zumindest eines der beteiligten Unternehmen ein KMU nach EU-Definition168 sein muß.
Unter diese Förderung fallen Personalkosten, externe Dienst- und Beratungsleistungen und
sonstige Kosten bis zu einem Ausmaß von 30%, wobei ein Höchstbetrag von maximal
25.000 Euro je Projektpartner vorgesehen ist.
CKP eingereicht
(im Berichtszeitraum
2006)
Beteiligte Partner
(inkl. Doppelnennung)
AC
KC
MHC
GC
MC
NUT
5
9
6
5
2
3
30
27
40
29
19
6
9
130
3
10
18
6
5
42
14
44
87
21
18
184
51
58
37
5
7
158
229
251
163
15
23
681
59
77
61
16
14
3
230
270
335
279
55
47
9
995
CKP laufend
(zum Stichtag laufend, die
vor Berichtszeitraum
eingereicht wurden)
Beteiligte Partner
(inkl. Doppelnennung)
CKP abgeschlossen
(zum Stichtag
abgeschlossen)
Beteiligte Partner
(inkl. Doppelnennung)
CKP seit Bestehen
(Summe)
Beteiligte Partner
(Summe)
(inkl. Doppelnennung)
Fördervolumen:
Projektvolumen:
€ 11,4 Mio.
€ 58,4 Mio.
*) Teilnehmer an mehreren Projekten werden mehrfach gezählt
ca. 1:5
Berichtszeitraum: 15.11.2005 - 15.11.2006
Stichtag: 15.11.2006
exkl. 3 Ziel-2-Projekte & exkl. 37 LC-Projekte
Tabelle 20: Kooperationsprojekte im Verlauf in ausgewählten Clustern Oberösterreichs
(Quelle: [CLOÖ] (2007a), S. 12.)
Da eine detaillierte Auseinandersetzung mit sämtlichen oberösterreichischen Clustern den
vorliegenden Rahmen überschreiten würde, werden im folgenden Abschnitt jene drei Cluster
näher vorgestellt, die auch in der empirischen Erhebung in Kapitel Sechs näher untersucht
werden.
168
Nach der EU-Kommission sind KMUs definiert als Unternehmen mit weniger als 250 Beschäftigten und die
entweder einen Jahresumsatz von höchstens 50 Mio. EUR erzielen oder deren Jahresbilanzsumme sich auf
höchstens 43 Mio. EUR beläuft ; vgl. dazu auch [EK] (2003b).
92
4.1.3
Die Cluster „Automobil“, „Kunststoff“ und „Mechatronik“ in Oberösterreich
Der erste der hier vorgestellten oberösterreichischen Cluster ist der 1998 gegründete
Automobilcluster Oberösterreich (AC).
Dieser bestand mit Stichtag 18. Juni 2007 aus insgesamt 246 Clusterpartnern der
Automobilbranche und nahe verwandter Branchen.
Die Zusammensetzung der Clusterpartner kann grob in vier Gruppen gegliedert werden. Auf
der obersten Ebene befinden sich die Automobilhersteller, die OEMs, selbst. Darunter in der
Gruppe der 1st-Tier-Supplier, die Modul-System-Lieferanten, sowie die eine Ebene tiefer
angesiedelten 2nd-Tier-Supplier, die als Baugruppenlieferanten den Modul-SystemLieferanten zuliefern. Auf der untersten Ebene schließlich finden sich die EinzelteilLieferanten oder 3rd-Tier-Supplier. Annähernd die Hälfte der Clusterpartner findet sich in der
Gruppe der 1st – bis 3rd-Tier-Supplier, die einer Handvoll OEMs zuliefert. Der Rest verteilt
sich auf Maschinen- und Anlagenbauer, Formen- und Werkzeugbauer sowie Technische
Büros, Logistik- und EDV-Dienstleister.
Den Größenklassen nach sind 63% der Clusterpartner den KMUs zuzurechnen. Die
geographische Verteilung ist nicht rein oberösterreichisch, sondern umfaßt neben
Clusterpartnern in den restlichen Bundesländern auch ausländische Partner.169
Oberösterreich
Niederösterreich
Wien
Restösterreich
7%
Ausland
13%
11%
62%
7%
Abbildung 13: Die regionale Zusammensetzung des Automobilclusters Oberösterreich
(Quelle: Eigene Darstellung)
Die obige Darstellung gibt allerdings keine ausreichende Information hinsichtlich der
geographischen Verteilung, was vor allem im Hinblick auf die Frage der Nähe und des
häufigen Kontakts im Zusammenhang mit den möglichen Agglomerationsvorteilen von
Bedeutung ist. Aus diesem Grund wurde die selbe Systematik wie bereits beim
niederösterreichischen Wellbeing Cluster angewandt, um diese Ebene besser sichtbar zu
machen.
Die nachfolgende Abbildung zeigt daher die geographische Verteilung der Clusterpartner.
Aufgrund sehr starker geographischer Streuung der ausländischen Clusterpartner allerdings,
169
Vgl. [CLOÖ] (2007b) bzw. http://www.automobil-cluster.at/.
93
sind lediglich die österreichischen Partner enthalten. Dies ist angesichts des geringen
Prozentsatzes ausländischer Partner jedoch kaum als verzerrend einzustufen.
Abbildung 14: Die österreichischen Clusterpartner des Automobilclusters Oberösterreich
(Quelle: Eigene Darstellung)
Wie ersichtlich ist, ist der Kern des Clusters im Gründungsgebiet Oberösterreich konzentriert,
doch neben den 154 oberösterreichischen Clusterpartnern, sind 75 weitere Partner über die
restlichen österreichischen Bundesländer verteilt. Weitere 17 Clusterpartner sind auf
Nachbarländer wie die Schweiz, Deutschland oder Tschechien verteilt. Es liegt der Schluß
nahe, daß die Agglomerationsvorteile die sich in diesem Cluster für die Clusterpartner
ergeben, am stärksten in diesem Kerngebiet ausgeprägt sind, da wesentliche
Agglomerationsvorteile aus der Nähe zwischen den Clusterpartnern erwachsen. Diese Frage
wird in der folgenden empirischen Erhebung über die Variable der Nähe zu einander noch zu
klären sein.
Wesentliche Kennzahlen des Automobilclusters sind einerseits der von seinen Mitgliedern
erzielte Umsatz von 17,19 Milliarden Euro für 2006, wobei der Löwenanteil von 12,19
Milliarden Euro von produzierenden Unternehmen erwirtschaftet wird. Der restliche Umsatz
entfällt dabei auf den Bereich der Zulieferer.
Mit insgesamt 184.000 Mitarbeitern wird clusterweit eine Exportquote von 78% erzielt.
Außerordentlich interessant ist jedoch die F&E-Quote in Prozent des Umsatzes, die bei
3,95% liegt während diese oberösterreichweit bei 1,96% liegt. Dies läßt eine Konzentration
94
der Innovationsfähigkeit vermuten, wenngleich die hohe F&E-Quote lediglich eine indirekte
Größe ist. Auch diese Frage wird in der empirischen Erhebung noch näher untersucht.
Der Logik und Arbeitsteilung der Branche entsprechend, bestehen eine Reihe von
Kooperationen des Clusters mit anderen Clustern und Zulieferkonzentrationen in Europa,
beispielsweise mit dem steirischen Automobilcluster AC Styria, der BAIKA Bayrische
Zulieferinitiative Automotive aber auch mit ähnlichen Einrichtungen in Spanien, Rumänien
oder Italien.170
Das Leistungsangebot der oberösterreichischen Cluster wurde bereits im vorhergehenden
Abschnitt vorgestellt, weshalb nun lediglich die spezifischen Angebote im Automobilcluster
angeführt werden.
Die Informationsfunktion des Clusters drückt sich für seine Mitglieder einerseits in der
Partnerdatenbank und der Internetseite aus. Andererseits erscheint eine Quartalszeitschrift
mit Firmenberichten und Brancheninformationen. Zusätzlich gibt es monatliche Informationen
über anstehende Veranstaltungen innerhalb des Clusters und regelmäßige Branchenstudien.
Auf der Qualifizierungsschiene erstreckt sich das Angebot von Lernplattformen und
Fachveranstaltungen bis zu spezifischen nachgefragten Weiterbildungsmöglichkeiten
innerhalb der Branche. Aus dieser Nachfrage werden Lehrgänge in den Bereichen
Qualitätsmanagement, Projektmanagement, Vertriebsmanagement und Konstruktion aus
dem Blickwinkel der Automobilindustrie angeboten.
Neben Cluster-Kooperationsprojekten versucht das Clustermanagement in moderierten und
auf bestimmte Themen fokussierte Erfahrungsgruppen Kooperationen innerhalb des Clusters
anzustoßen und so den Know-how-Austausch zu forcieren. Die Ergebnisse der Workshops
und Arbeitsgruppen münden dann in eine jährliche Großveranstaltung, die den
Clusterpartnern offensteht. Diese haben insgesamt nicht nur das Ziel Netzwerke innerhalb
des Clusters zu ermöglichen, sondern auch den Clusterpartnern einen neutralen Vergleich
mit dem Mitbewerb zu bieten (Benchmarking-Funktion) und von ihm zu lernen.
In eine ähnliche Richtung zielen die ebenfalls organisierten Betriebsbesichtigungen von
Clusterpartnern, die sowohl KMUs als auch Leitbetriebe wie die Magna Steyr
Fahrzeugtechnik oder die Voestalpine Stahl umfassen.171
Eng mit dem Automobilcluster verbunden ist der oberösterreichische Kunststoffcluster (KC),
dessen Mitglieder häufig die Abnehmer ihrer Produkte im Automobilcluster finden.
Der Kunststoffcluster besteht seit April 1999 und umfaßt mit Stichtag 18. Juni 2007
insgesamt 396 Partner in allen österreichischen Bundesländern und dem angrenzenden
Ausland.
Die Clustermitglieder rekrutieren sich aus den Bereichen Kunststoffverarbeitung und
Kunststoff-Maschinenbau, Werkzeug- und Formenbau, Rohstoff/Recyclat-Herstellung und –
170
171
Vgl. [CLOÖ] (2007b), S. 19ff.
Vgl. [CLOÖ] (2007b), S. 9ff.
95
Handel sowie kunststofftechnischen Dienstleistungen und Forschungseinrichtungen.172
Bemerkenswert im Vergleich zum Automobilcluster ist der stärkere KMU-Anteil der Partner,
der bei 84% liegt. Die nachfolgende Abbildungen liefern einen Überblick über die regionale
Zusammensetzung der Partner:
Oberösterreich
Niederösterreich
Wien
Restösterreich
9%
Ausland
15%
48%
10%
18%
Abbildung 15: Die regionale Zusammensetzung des Kunststoffclusters Oberösterreich
(Quelle: Eigene Darstellung)
Wie ersichtlich ist, besteht der Cluster lediglich zu 48% aus oberösterreichischen Partnern
und ist als solcher nicht auf Oberösterreich beschränkt. Gemeinsam mit den Partnern aus
Niederösterreich und Wien ist er eher als ostösterreichischer denn als oberösterreichischer
Cluster zu betrachten, denn 300 der gegenwärtig 396 Clusterpartner finden sich in diesen
drei Bundesländern. Dies verdeutlicht auch die Abbildung der geographischen Verteilung der
Clusterpartner nach der bereits vorgestellten Systematik auf der nachfolgenden Seite.
Auffällig ist der recht hohe Anteil niederösterreichischer Unternehmen. Dieser geht auf das
Jahr 2005 zurück als der oberösterreichische Cluster auch auf Niederösterreich ausgedehnt
wurde, womit nun 70 der Clusterpartner aus Niederösterreich stammen.173 Gemeinsam mit
der Agentur ecoplus sollen so die zentralen Dienstleistungen aus Oberösterreich um
regionale Schwerpunktbildung, Betreuung und Projektförderung in Niederösterreich ergänzt
werden.174
Was die Kennzahlen des Clusters betrifft, so erzielen die Clusterpartner mit insgesamt
56.257 Mitarbeitern einen kumulierten Umsatz von 10,98 Milliarden Euro, wobei eine
Exportquote von 69,94% erreicht wird. Die F&E-Quote liegt mit 3,59% etwas unter jener des
Automobilclusters, wofür jedoch sicherlich der höhere KMU-Anteil mitverantwortlich sein
dürfte.175
Das Leistungsangebot des Clustermanagements entspricht in großen Teilen jenem des
Automobilclusters, was aufgrund der gemeinsamen Trägergesellschaft nicht überraschen
sollte.
172
Vgl. die Clusterhomepage unter http://www.kunststoffcluster.at/.
Mit Stand 18. Juni 2007, Daten entnommen aus der Partnerdatenbank der Clusterhomepage.
174
Vgl. Freudenthaler (2006), S. 35f.
175
Diese Daten entstammen der Clusterhomepage http://www.kunststoffcluster.at/ mit Stand 10. Juli 2007 und
beziehen sich auf 381 Clustermitglieder.
173
96
Abbildung 16: Die österreichischen Clusterpartner des Kunststoffclusters Oberösterreich
(Quelle: Eigene Darstellung)
Aus diesem Grund seien hier nur einige exemplarische Projekte und Eckdaten des
Leistungsangebots hervorgehoben.
Im Bereich der vom Clustermanagement initiierten Qualifizierungsmaßnahmen wurden seit
Bestehen des Clusters insgesamt 114 Veranstaltungen (die bereits angesprochenen
Fachtagungen, Kongresse und ähnliche Veranstaltungen), die insgesamt 6500 Besucher
verzeichnen konnten. Eine große Bedeutung kommt dabei wie bereits erwähnt dem Knowhow-Transfer zu, was sich sehr gut an der Herkunft der Referenten ablesen läßt, die zu mehr
als einem Drittel aus dem Ausland stammten. Auf diese Weise erhalten die Clusterpartner
Zugang zu außerregionalen Wissensquellen.176
Ebenfalls im Zuge der Qualifizierungsmaßnahmen, ging vom Cluster die Initiative zur
Schaffung zusätzlicher Ausbildungsstätten aus, da für die Unternehmen der Region der
Zugang zu ausreichend qualifizierten Mitarbeitern als eines der Kernprobleme identifiziert
wurde. Auswuchs dieses Bedarfs sind die auf Initiative des Beirats des Kunststoffclusters
geschaffenen, zusätzlichen Ausbildungsstätten, wie des Fachhochschulstudiengangs für
Material- und Verarbeitungstechnik in Wels und des HTL-Lehrgangs mit Schwerpunkt
Kunststoff- und Umwelttechnik in Andorf. Daneben wurde mit dem Transfercenter für
176
Vgl. Kubinger (2007), S. 90f.
97
Kunststofftechnik in Wels ein eigenes Forschungs- und Dienstleistungszentrum für den
Cluster gegründet. 177
Daneben wird die Kooperation als wesentlicher Punkt angesehen, wie ein Mitglied des
Clustermanagements es ausdrückt „[...] Aufgabe ist es [...]aktiv aktuelle Informationen und
Kooperationsmöglichkeiten an die Branche heranzutragen.“178
Dabei hat sich gezeigt, daß diese Kooperationsangebote von den Clustermitgliedern äußerst
gut angenommen werden. Dies zeigt sich daran, daß zwei Drittel der temporär angelegten
Kooperationsprojekte über die ursprünglich anberaumte Zeitspanne fortgeführt wurden und
sich in stärkeren Kunden-Lieferanten-Beziehungen und sogar Joint-Ventures äußerte.179
Der letzte hier vorgestellte oberösterreichische Cluster ist der 2003 gegründete Mechatronik
Cluster Oberösterreich. Dieser setzte sich mich Stichtag 18. Juni 2007 aus insgesamt 215 inund ausländischen Partnern zusammen.
Die Clusterpartner verteilen sich relativ gleichmäßig auf die Bereiche Anlagen- und
Maschinenbau, Geräte- und Apparatebau, Technologie- und Komponentenfertigung, sowie
Dienstleister, F&E- und Bildungseinrichtungen.
Was bei diesem Cluster ins Auge sticht, ist der höchste KMU-Anteil der drei hier
vorgestellten Cluster, er liegt im Mechatronikcluster bei 85%.180
Oberösterreich
Niederösterreich
Wien
6%
3%
Restösterreich
5%
Ausland
5%
81%
Abbildung 17: Die regionale Zusammensetzung des Mechatronikclusters Oberösterreich
(Quelle: Eigene Darstellung)
Der jüngste der drei Cluster zeigt auch die größte Konzentration in Oberösterreich mit
insgesamt 176 der 215 Partner. Zehn Clustermitglieder sind ausländische Partner und der
Rest verteilt sich auf Niederösterreich und Wien sowie Restösterreich.
177
Vgl. ibidem, S. 92f.
Dipl.-Ing. (FH) Werner Pamminger, MBA, Interview am 07.12.2006, zitiert nach Kubinger (2007), S. 90.
179
Vgl. Kubinger (2007), S. 94.
180
Vgl. [CLOÖ] (2007c), S. 1.
178
98
Während für die beiden vorhergehenden Cluster bereits einige Untersuchungen bestehen,
wurde der Mechatronikcluster in der Literatur bisher noch nicht berücksichtigt, was aufgrund
seines Alters nicht überraschen sollte. Aus diesem Grund wurde er auch für die empirische
Umfrage ausgewählt. Auf diese Weise bestehen für zwei der untersuchten Cluster
Vergleichsmöglichkeiten aus früheren Erhebungen während der dritte nach dem jetzigen
Forschungsstand erstmals untersucht wird.
Abbildung 18: Die österreichischen Clusterpartner des Mechatronikclusters Oberösterreich
(Quelle: Eigene Darstellung)
In Anbetracht des Alters des Clusters ist die Datenlage noch relativ dünn. So finden sich
lediglich Informationen zu Umsatz (54,19 Milliarden Euro) und Mitarbeiterstand (112.413).
F&E-Quoten
oder
Informationen
zu
Kooperationen
und
Forschungsbzw.
Weiterbildungsmaßnahmen sind jedoch nicht verfügbar.
4.2 Österreichische Cluster und ihre Merkmale
Nach diesem Überblick über die österreichische Clusterlandschaft widmen sich die nun
folgenden Abschnitte wieder verstärkt empirischen Studien zur Clusterthematik mit
Österreichschwerpunkt. Hierbei wird noch einmal auf den Beitrag von Clement et al. (2002)
zurückgegriffen.
Ausgehend vom Clusteransatz nach Porter, der bereits im Kapitel zu den theoretischen
Grundlagen dargelegt wurde, haben Clement et al. (2002) 45 Cluster in Österreich
99
identifiziert181 und eine Erhebung unter den 48 zuständigen Clustermanagern zur F&EPerformance der einzelnen Cluster durchgeführt. Der überwiegende Teil der identifizierten
Cluster geht auf die Exportoffensive der österreichischen Bundesregierung und der
Wirtschaftskammer zurück, doch befinden sich auch regionale und österreichweit besonders
bekannte Cluster wie der oberösterreichische und der steirische Autocluster oder der
Villacher Mikroelektronikcluster darunter. Generell befindet sich aufgrund Vorreiterrolle
Oberösterreichs bei Clusterinitiativen ein großer Teil der regionalen Cluster in
Oberösterreich. Für die Erhebung selbst konnten 22 verwertbare Fragebögen verwendet
werden.
Die Kernfrage der Studie von Clement et al. betraf die Einschätzung der F&E Performance
der österreichischen Cluster. Aufgrund der mangelhaften Datenlage, sei es wegen fehlender
detaillierter Aufzeichnungen des Clustermanagements oder mangelnden Auskunftswillens
der befragten Clustermanager, waren exakte Daten zu dieser Fragestellung schwierig zu
eruieren.
Clement et al. versuchten diesem Problem durch eine Einteilung der österreichischen Cluster
in folgende drei Kategorien zu begegnen:
(1) Engagiertes Clustermanagement und bereits rege F&E-Tätigkeit
(2) Engagiertes Clustermanagement und Potential für vermehrte F&E-Tätigkeit
(3) Kaum Engagement von Seiten des Clustermanagements in Richtung F&E
Die Ergebnisse dieser Kategorisierung sind in nachfolgender Abbildung dargestellt:
Abbildung 19: Einteilung österreichischer Cluster nach F&E-Potential
(Quelle: Clement et al. (2002), S. 23.)
Wie ersichtlich, dominieren in der obersten Kategorie oberösterreichische Cluster, was
aufgrund deren Zielsetzung, mit Schwerpunktsetzung auf F&E aber nicht verwundern sollte,
so die Autoren.
181
Für die Problematik der Identifikation der Cluster und eine genaue Auflistung derselben vgl. Clement et al.
(2002), S. 17ff.
100
In weiterer Folge wurde das aktuelle Forschungsvolumen aus Daten jener Cluster ermittelt,
die Angaben dazu machen konnten. Das bedeutet es wurde die Art und Zahl der
Kooperationsprojekte in den einzelnen Clustern, sowie der Anteil der F&E-Projekte daran
ermittelt.
Die in Frage kommenden Cluster sind: Alpintechnologiecluster Tirol, Autocluster
Oberösterreich, Holzcluster Oberösterreich, Holzcluster Steiermark, Kunststoffcluster
Oberösterreich,
Lebensmittelcluster
Oberösterreich,
Mikroelektronikcluster
und
Ökoenergiecluster Oberösterreich.
In diesen acht Clustern zeigt sich eine rege F&E-relevante Aktivität, wobei von 148 initiierten
Projekten seit Bestehen dieser Cluster, 41% auf F&E-Projekte entfallen. Die Autoren weisen
allerdings auf ein Unschärfeproblem hin, was die Trennung zwischen unternehmensinterner
und Cluster-F&E betrifft. Als Beispiel führen Clement et al. die Zusammenarbeit zwischen
Magna Steyr und dem Motorenspezialisten AVL-List an.182
Für das Jahr 2001 konnten die Autoren das Forschungs- und Entwicklungsvolumen in fünf
Clustern ermitteln. Der Löwenanteil des F&E-Volumens von 8,5 Mio € entfällt dabei auf den
Autocluster Oberösterreich (3,1 Mio. €) und den Lebensmittelcluster Oberösterreich (2,4
Mio. €).
Ohler/Gamsjäger/Mahlich (2001) haben in einer Auftragsstudie für die oberösterreichische
Landesregierung die oberösterreichischen Cluster näher untersucht.
In einer Umfrage unter insgesamt 1100 Clusterpartnern (Unternehmen, F&E-Einrichtungen
und ähnliche) von sechs oberösterreichischen Clustern183, wurden Kooperationsformen,
Wettbewerbsfähigkeit, Erwartungshaltungen und die Nachhaltigkeit von F&E sowie
Innovation untersucht. Insgesamt 225 Fragebögen dieser Umfrage konnten verwertet
werden (von insgesamt 227 beantworteten Fragebögen).
Die Ergebnisse sind vielfältig und sind in der Folge gerafft dargestellt.
Zur Frage der Wettbewerbsfähigkeit der Partner zeigte sich, daß aus Eigeneinschätzung von
zwei Dritteln der Clusterpartner die eigene Wettbewerbsfähigkeit in den letzten vier Jahren
vor der Studie gestiegen ist. Die Autoren sprechen von einer Art positiver Selbstselektion, die
dazu führt, daß vor allem bereits starke Unternehmen durch den Cluster angezogen werden.
F&E ist den Ergebnissen zufolge stark in den Unternehmen verankert, sei es durch eigene
F&E-Abteilungen (37% der befragten Partner) oder auch eigenen F&E-Budgets (56% der
Befragten). Durch die Zielsetzung der oberösterreichischen Cluster nimmt F&E, sowie
Innovation einen vorrangigen Stellenwert innerhalb der Clusterinitiativen ein. Dennoch, so
zeigen die Ergebnisse, ist eine Beteiligung an Kooperationsprojekten nicht zwingend
notwendig, um von den Clusterinitiativen zu profitieren. So bieten die untersuchten
182
Vgl. Clement et al. (2002), S. 24.
Automobil-, Diesel-Technologie-, Kunststoff-, Holz-, Ökoenergie- und Lebensmittelcluster ; vgl.
Ohler/Gamsjäger/Mahlich (2001), S. 36.
183
101
Clusterinitiativen auch
Mitarbeiterausbildung.184
regelmäßig
Unterstützung
bei
Marketing,
Vertrieb
oder
Bezüglich Kooperationsformen und Kooperationserfahrung ist eine sich selbst verstärkende
Stimmung innerhalb der Cluster zu beobachten. Dies ist daran ablesbar, daß jene Partner,
die bereits Kooperationserfahrung innerhalb des Clusters besitzen, sich weiterhin an
Kooperation beteiligen wollen. Die Autoren sprechen diesbezüglich von einer „mee-too“Strategie, die teilweise vorherrscht. Diese Kooperationsstimmung scheint sich auch in
kommerzieller Verwertbarkeit niederzuschlagen, da 59% der Partner als nächsten Schritt die
kommerzielle Verwertung der Projektergebnisse angaben.
Schließlich untersuchten die Autoren auch die Ziele und die Erwartungshaltung der
Projektpartner. Hier zeigte sich, daß die Motivation zur Teilnahme vielfältige Ursachen hat,
aber vor allem von jenen mit „Geschenkcharakter“ wie Zugang zu Netzwerken, Know-how
und Förderungen dominiert wird.185
4.3 Österreichische Cluster und ihre Effekte auf Unternehmen
Ebenfalls mit F&E-Daten, aber auch mit anderen Fragen, insbesondere die Auswirkungen
der Clusterteilnahme auf Unternehmen, haben sich Schneider/Holzberger (2003) in ihrer
volkswirtschaftlichen
Evaluierung
der
oberösterreichischen
Technologieund
Standortinitiativen beschäftigt.
Den Berechnungen der Autoren zufolge, wurden seit Bestehen der Clusterinitiativen in
Oberösterreich186 sieben Millionen Euro an Fördermitteln für Kooperationsprojekte innerhalb
der Clusterinitiativen bewilligt. Das Gesamtprojektvolumen das dadurch initiiert wurde betrug,
den Autoren zufolge, 42 Mio. € (Stand Februar 2003).187
Um die Effekte auf die beteiligten Unternehmen zu untersuchen und detaillierter darzustellen,
wurden die zwei nach Zahl der Partnerunternehmen, Beschäftigten und Jahresumsatz188
größten Cluster ausgewählt: der Automobilcluster (288 Partner, 72.093 Mitarbeiter, 13,4 Mrd.
€ Umsatz) und der Kunststoffcluster (234 Partner, 32.200 Mitarbeiter, 6,21 Mrd. € Umsatz).
Im Beobachtungszeitraum 1999-2003 wuchs die Zahl der Clusterpartner in beiden Clustern
signifikant, 62% im Falle des Autoclusters und 184% im Falle des Kunststoffclusters.
Bereinigt um Partner außerhalb Oberösterreichs ist das Wachstum geringer, aber immer
noch beachtlich: 19% im Falle des Autoclusters und 90% im Falle des Kunststoffclusters
Eine ebenfalls deutlich steigende Entwicklung war in diesem Zeitraum, den Autoren zufolge,
auch bei Beschäftigtenzahlen zu sehen, wenn auch weniger stark ausgeprägt.
184
Vgl. Ohler/Gamsjäger/Mahlich (2001), S. 44f.
ibidem, S. 63ff.
186
Die untersuchten Cluster waren: der Automobilcluster, der Cluster Diesel-Technologie, der Kunststoffcluster,
der Möbel- und Holzbaucluster, der Ökoenergiecluster, der Lebensmittelcluster, der Gesundheitscluster und der
Mechatronikcluster ; vgl. Schneider/Holzberger (2003), S. 38.
187
ibidem, S. 40.
188
Alle Daten per Stichtag Dezember 2002.
185
102
Diese beiden Cluster scheinen, zumal wenn man die Tatsache berücksichtigt, daß ein sehr
hoher Teil KMUs beteiligt ist189, ein für Unternehmen sehr lohnendes Engagement
darzustellen. Um dies detaillierter zu untersuchen, haben Schneider/Holzberger jene
Unternehmen anhand von Kennzahlen näher untersucht, die seit Gründung der Cluster
(1998 bzw. 1999) bis 2001 (dem Ende der Betrachtungsperiode der Vergleichsdaten),
Clusterpartner waren. Aufgrund der Gründungszeitpunkte der Cluster dienen die Jahre 1997
und 1998 als Basisjahre.
Die benutzten Kennzahlen waren Mitarbeiteranzahl, Umsatz, Produktivität (ausgedrückt als
Term Umsatz/Mitarbeiter), Exportquote und F&E-Quote (gewichtet mit dem Umsatz). Um
allgemeine Branchentrends sichtbar zu machen, was allerdings aufgrund der Datenlage nur
für den Automobilbereich möglich war, wurde die Branchenentwicklung als Vergleichsmaß
genommen.190 Basierend auf diesen Daten haben sich 76 Autocluster-Partner und 68
Kunststoffclusterpartner ergeben.
Die Entwicklung der Mitarbeiterzahlen der Partner zeigen für den Zeitraum 1997 bis 2001 ein
stetiges jährliches Wachstum von 5,46% im Falle des Autoclusters und 3,42% im
Kunststoffbereich. Die österreichweiten Vergleichszahlen für die Automobilindustrie weisen
für den selben Zeitraum eine Rate von 3,53% pro Jahr auf.
Weitaus beeindruckendere Zahlen treten im Falle des Umsatzwachstums zu Tage: 12,61%
jährliches Wachstum im Automobilbereich und 6,02% im Kunststoffbereich. Die
österreichweiten Vergleichszahlen im Automobilbereich zeigen ein Wachstum von 9,43% pro
Jahr.
Das Produktivitätswachstum in beiden Bereichen ist im Betrachtungszeitraum mit 6,78%
(Automobilcluster) und 2,51% (Kunststoffcluster) jährlich positiv gewesen. Doch im
Branchenvergleich (6,67%) zeigt sich nur eine geringfügig über dem Branchenschnitt
liegende Wachstumsrate für den Automobilbereich.
Für das Exportwachstum zeigen sich in beiden Fällen eher bescheidene Wachstumsraten
von 1,12% (Automobil) und 0,52% (Kunststoff), bei Vergleichszahlen der Automobilbranche
in Österreich von 1,18%. Den Autoren zufolge ist dies aber aufgrund der bereits hohen
Exportquote von 80% bzw. 75% (Kunststoff) kaum mehr zu steigern. Außerdem führen die
Autoren dies auch auf die, durch den Cluster verstärkt genutzten, inländischen
Lieferbeziehungen zurück.
Interessante Werte zeigen sich, so Schneider/Holzberger, bei der Betrachtung der F&EQuote. Diese zeigt in beiden Bereichen, bereinigt um jene Partner die keine F&E betreiben,
mit durchschnittlich 3,39% (Automobilbereich) und 2,08% höhere F&E-Ausgaben, als dies im
österreichweiten Unternehmensschnitt (2002: 0,75% relativ zum BIP) der Fall ist. In diesem
Fall waren keine Vergleichszahlen für den Automobilbereich in Österreich verfügbar.
189
75% im Autocluster und 87% im Kunststoffcluster.
Doch auch hier schränken die Autoren ein, da dem Autocluster auch Forschungseinrichtungen und sonstige
Dienstleister angehören ; ibidem, S. 47.
190
103
4.4 Dimensionen von Kooperation in steirischen Clustern
Neben den angesprochenen Studien mit Österreichbezug findet sich in der Literatur eine
besonders aktuelle Studie zu Knowledge Spillovers in österreichischen Clustern.
Steiner/Hartmann (2006) beschäftigen sich mit materiellen und immateriellen Dimensionen
von Zusammenarbeit in Clustern. Dazu haben sie das österreichische Bundesland
Steiermark untersucht.
Hierbei gingen sie in zwei Stufen vor: einer materiellen Stufe, die der Identifikation von
Clustern in der Steiermark diente und sich I/O-Daten (1995-1998) bedient, und einer
immateriellen, die die verschiedenen Kooperations- und Lernformen in diesen Clustern
beleuchtet.
In den vorhergehenden Abschnitten wurde die Ermittlung von Clustern anhand I/O-Daten
ausführlich erklärt, deshalb seien hier lediglich die ermittelten Cluster vorgestellt. Für die
Steiermark sind dies:
(1)
(2)
(3)
(4)
(5)
Maschinenbau & Metall
Automobil
Holz/Papier
Informationstechnologie (IT)
Chemie/Pharma
Der dynamischste und wertmäßig (Produktivität pro Mitarbeiter) größte Cluster ist der
Automobilcluster.
Die bereits angesprochene zweite Stufe dieser Studie setzt sich mit dem Themenkomplex
des organisationalen Lernens, also der Beschäftigung mit dem Lernen nicht aus Sicht des
Individuums, sondern aus Sicht der Gesamtunternehmung, auseinander. Steiner/Hartmann
nutzen hierbei die Kategorisierung von organisationalem Lernen nach Shrivastava (1983).
Als zwei für Cluster passende Lernformen identifizieren die Autoren Partizipative
Lernsysteme (Ad-Hoc Teams, Qualitätszirkel, Problemlösungsteams) und Informelle
Lernsysteme (informelle Informationskanäle als Lernvehikel, Old Boy’s Networks,
Communities of Practice) da sie, so Steiner/Hartmann, häufigen persönlichen Kontakts
bedürfen und daher häufig lokal stattfinden. Auf diese Weise können Lernsysteme und damit
zusammenhängende Knowledge Spillovers in Clustern auch empirisch untersucht werden.
Die Autoren assoziieren informelle Lernsysteme mit der horizontalen Lerndimension, also
dem Wissensaustausch zwischen ähnlichen, mit einander in Wettbewerb stehenden
Unternehmen. Partizipative Lernsysteme werden analog mit der vertikalen Lerndimension
verknüpft, also dem Wissensaustausch zwischen Unternehmen die miteinander in der
Wertkette verbunden sind.191
Um diese beiden Lernformen empirisch zu untersuchen haben die Autoren die vorhandene
Literatur und Interviews mit ausgewiesenen Experten für organisationales Lernen zu Hilfe
191
Vgl. Steiner/Hartmann (2006), S. 497f.
104
genommen um spezifische Lernformen der beiden Lernformen zu identifizieren.192
In der Folge wurden insgesamt 149 persönliche Interviews mit Personalverantwortlichen der
wichtigsten Unternehmen der identifizierten Cluster durchgeführt. Dabei wurden jeweils 40
Unternehmen aus dem Automobil und dem Maschinenbau- und Metallcluster, 30
Unternehmen des Holz/Papier-Clusters, 19 Unternehmen des IT-Clusters und 20
Unternehmen des Chemie- und Pharmaclusters kontaktiert.
Wie sich an den Ergebnissen zeigt, so die Autoren, ist die Lernorientierung der einzelnen
Cluster Ausdruck der Branchenkulturen einerseits und der bestehenden Wertketten, sowie
andererseits der bestehenden Wettbewerbssituation.
So zeigte sich, daß 48% der Unternehmen des Automobilclusters partizipative Lernformen,
wie etwa Projektteams über Unternehmensgrenzen hinweg oder Benchmarking Clubs als
bedeutende Quellen für den Erwerb neuen Wissens sehen. Informelle Lernformen, wie
soziale Netzwerke oder auch informeller Erfahrungsaustausch hingegen nehmen mit 33%
eine geringere Bedeutung ein. Ein ähnliches Bild zeigt sich im Fall des IT-Clusters, bei dem
partizipative Lernformen mit 50% als bedeutend eingestuft werden und informell mit 39%.
Der hohe Grad an vertikalen Lernformen im Automobilcluster ist, so die Autoren,
hauptsächlich der Wertkettenorientierung und den damit einhergehenden Just-in-TimeProduktionsmethoden geschuldet, die eine verstärkte Zusammenarbeit notwendig machen.
Im Fall des IT-Clusters ist die relativ gleichbedeutende Stellung partizipativer und informeller
Lernformen der Wettbewerbssituation geschuldet, da diese Branche ein schwächere
Wertkettenorientierung aufweist und von jungen, mit wenigen Ressourcen ausgestatteten
Unternehmen dominiert wird.
Kollaboratives Lernen und gemeinsame Projektteams scheinen nicht in die Kultur des
Chemie/Pharma-Clusters zu passen, was sich in der geringen Bedeutung (23%)
Abbildung 20: Lernsysteme in steirischen Clustern und ihre relative Bedeutung
(Quelle: Steiner/Hartmann (2006), S. 500.)
192
Eine Übersicht dieser Lernformen findet sich im Anhang.
105
partizipativer Lernformen zeigt. Gleichzeitig nehmen informelle Lernformen mit 35% einen
relativ hohen Stellenwert ein.193
Neben der relativen Bedeutung der einzelnen Lernformen haben die Autoren I/O-Daten und
Exportorientierung zu den einzelnen Lernformen in Relation gestellt. Hierbei zeigte sich eine
gewisse positive Korrelation zwischen starker lokaler Verankerung (ausgedrückt durch einen
erhöhten Grad lokaler Inputs bzw. Outputs) und dem Vorhandensein informeller Lernformen.
Dies ist insbesondere beim Holz-Cluster, der die stärkste lokale Verankerung (35,7%)
aufweist und mit 37% einen hohen Grad informeller Lernformen zeigt, der Fall. Der ITCluster zeigt zwar geringere Verankerung aber mit 39% einen noch höheren Grad informeller
Lernformen. Für die Autoren zeigt dies einen potentiell großen Einfluß lokaler Verankerung
auf die Nutzung informeller Lernformen.
Andererseits zeigten Cluster mit geringer lokaler Verankerung (auf I/O-Basis) wie der
Automobilcluster, einen sehr viel höheren Grad an Zusammenarbeit mit der lokalen
Wissensinfrastruktur (Universitäten, Forschungseinrichtungen etc.) - ein gewisser
Substitutionseffekt wird also sichtbar. Das bedeutet, daß stärker lokal verankerte
Unternehmen Wissen eher durch Spillovers erwerben, während weniger verankerte
Unternehmen sich verstärkt Universitäten und anderen Einrichtungen zuwenden, um Wissen
anderweitig zu erwerben, so die Autoren.194
Generell zeigt sich eine Dominanz partizipativer Lernformen im Vergleich zu informellen.
Steiner/Hartmann zufolge bestätigt dies die Notwendigkeit bewußter Bemühungen
(beispielsweise durch formalisierte clusterinterne Strukturen) im Wissensaustausch und
reduziert den oft angenommenen Automatismus unbewußter Knowledge Spillovers. Was die
einzelnen Lernformen betrifft, so zeigte sich eine eindeutige Bevorzugung gemeinsamer
Projektteams und gemeinsamer F&E-Teams bei den partizipativen Lernformen. Bei den
informellen Lernformen stechen in allen Clustern informelle Treffen in Lokalen oder auf
Konferenzen hervor, soziale Netzwerke sind im Gegensatz in allen Clustern von eher
untergeordneter Bedeutung.
4.5 Die oberösterreichischen Erfahrungen
Die Literaturbasis zu österreichischen Clustern ist, wie sich gezeigt hat, relativ dünn gesät
und entstand hauptsächlich seit dem Jahr 2000. Die österreichische Clusterlandschaft ist, bis
auf Ausnahmen in einzelnen Sektoren wie dem Textilsektor in Vorarlberg, dominiert von
Initiativen der öffentlichen Hand bzw. dem öffentlichen Sektor nahestehenden Institutionen
wie der Wirtschaftskammer. Die gewachsenen, ohne Zutun der öffentlichen Hand
entstandenen, Cluster liegen großteils in sterbenden bzw. alten Sektoren, wie dem
Textilbereich in Vorarlberg oder dem Stahlbereich in Oberösterreich bzw. Steiermark.
Die ältesten und zugleich am besten empirisch untersuchten Cluster sind jene im
Bundesland Oberösterreich, die auf Initiativen der Landesregierung zurückgehen. Diese
sind, wie die Arbeit von Clement et al. (2002) zeigt, gleichzeitig auch jene die das größte
Potential bzw. die größte Aktivität im Bereich Forschung & Entwicklung zeigen. Annähernd
193
Vgl. Steiner/Hartmann (2006), S. 499f und die Übersichten der relativen Bedeutung partizipativer und
informeller Lernformen im Anhang.
194
Vgl. Steiner/Hartmann (2006), S. 503.
106
zwei Drittel des 2001 in österreichischen Clustern aufgebrachten F&E-Volumens entfallen
auf zwei oberösterreichische Cluster. Eine Zahl die durchaus größer sein könnte, doch die
schwache Datenlage, die einer kaum strukturierten Herangehensweise in österreichischen
Clustern an dieses Thema geschuldet ist, erlaubt keine ausführlicheren Daten.
Für die an dieser Stelle noch folgende empirische Erhebung sind dies starke Anzeichen, daß
aufgrund besserer Vergleichbarkeit der Aussagen der Fokus auf oberösterreichische Cluster
gelegt werden sollte. Dafür sprechen auch die Arbeiten von Ohler/Gamsjäger/Mahlich (2001)
und Schneider/Holzberger (2003), die ebenfalls Aspekte der Wettbewerbs- und
Innovationsfähigkeit im Zusammenhang mit Clustern untersuchen.
Die sicherlich interessantesten Ansatzpunkte im Zusammenhang mit der von dieser Arbeit
untersuchten Fragestellung bieten die Ergebnisse von Ohler/Gamsjäger/Mahlich.
Der wichtigste und auffallendste Punkt ist sicherlich in den Ergebnissen zur Motivation zur
Clusterteilnahme zu finden. Die Autoren führen an, daß Motive mit Geschenkcharakter
dominieren. Am besten läßt sich dies daran ablesen, daß der Zugang zu Fördermitteln, nach
dem Zugang zu neuen Kunden, als bedeutendstes Motiv genannt wurde. Andere von der
Theorie angeführte Agglomerationsvorteile, wie der Zugang zu einem lokalen Bestand an
Arbeitskräften oder Knowledge Spillovers, werden teilweise weit abgeschlagen genannt. Das
ist im Falle von Arbeitskräften („Unterstützung bei Personalwesen“: 11%)195 am eklatantesten
sichtbar.
Aber auch die oft als bedeutend angeführte Kooperation mit lokalen wissenschaftlichen
Einrichtungen ist relativ schwach ausgeprägt. Das ist daran sichtbar, daß beinahe 60% jener
Clusterpartner, die Kooperationserfahrung haben, nicht mit wissenschaftlichen Einrichtungen
kooperieren.196 Die von Porter (1990a,b , 2000) ins Treffen geführte Rivalität kann zumindest
in der Bedeutung des Benchmarking, die ebenfalls sehr häufig als Motiv genannt wird, als
ein wesentlicher Agglomerationsvorteil erkannt werden. Transportkosten und Vertrauen
scheinen hingegen keinerlei Rolle in den oberösterreichischen Clustern zu spielen.
Dies kann mehrere Gründe haben. Einerseits kann dies am geringen Alter der jeweiligen
Cluster liegen, die eine Herausbildung einer Kooperationskultur, die alle möglichen Quellen
nutzt, noch nicht zuließ.197 Andererseits stellt sich die Frage, ob die Clusterpartner die
möglichen Agglomerationsvorteile bezüglich Arbeitskräften, der Lernperspektive (Knowledge
Spillovers) und ähnlichem (zu Beginn) nicht sahen. Gerade die gering eingeschätzte
Bedeutung für einen Zugang zu einem gesicherten spezialisierten Arbeitskräftebestand
überrascht, lassen doch die hier evaluierten Studien eine sehr große Bedeutung eben dieses
Faktors erkennen (bspw. Dumais/Ellison/Glaeser (1997), Lublinski (2003) ).
Die Unterrepräsentation der theoretisch am meisten genannten Agglomerationsvorteile in der
Motivation zur Clusterteilnahme zeigt angesichts vieler empirischer Ergebnisse die NichtExistenz eines Standardclusters. Gemeinsam mit den Beispielen der Luftfahrtcluster und der
Biotechnologiecluster stellt sich die Frage, ob die Agglomerationsvorteile generell schwächer
195
vgl. Ohler/Gamsjäger/Mahlich (2001), S. 65.
ibidem, S. 74f.
197
vgl. zur Frage eines „Lebenszyklus“ von Clustern auch Maskell/Kebir (2005).
196
107
wirksam sind als oft angenommen? Die Ergebnisse von Koo (2005) deuten in diese
Richtung. Deshalb wird es interessant sein, zu erheben ob sich die Einschätzung in
oberösterreichischen Clustern mit fortschreitendem Alter geändert hat und ob der
Geschenkcharakter zugunsten vorher nur schwach wirksamer oder nicht erkannter
Agglomerationsvorteile in der Bedeutung zurückgegangen ist.
108
5. Agglomerationsvorteile für Unternehmen aus Clustern
Das vorliegende Kapitel stellt den Versuch dar, den in den beiden vorhergehenden Kapiteln
vorgestellten empirischen Forschungsstand in den Komplex der in Kapitel Eins vorgestellten
Forschungsfragen zu integrieren und diese dadurch adäquat zu beantworten.
Den Ausgangspunkt stellt hierbei die Frage nach den Gründen der Existenz von Clustern
dar, wie in Forschungsfrage (1) spezifiziert.198
Versucht man einen gemeinsamen Nenner in der Clusterliteratur zu finden, der diese Frage
beantwortet, so kristallisiert sich schnell die Antwort „Agglomerationsvorteile“ heraus. Die
überwiegende Mehrheit der Forscher identifiziert diese direkt als Grund für die Entstehung
von Clustern oder nimmt dies implizit dadurch an, daß die überragende Bedeutung externer
Effekte und der aus ihnen erwachsenden Vorteile für Unternehmen hervorgehoben wird.199
Dabei zeigt sich, daß selbst über ein Jahrzehnt hinweg, diese Sichtweise dominant bleibt.
Dies ist besonders gut anhand der in Kapitel Drei exemplarisch vorgestellten Studien
sichtbar: die beschriebene Erklärung der Clusterexistenz durch Agglomerationsvorteile findet
sich 1997 bei Dumais/Ellison/Glaeser, aber auch ein knappes Jahrzehnt später bei Koo
(2005).
Diese Konstante wird jedoch bei der Auswahl der „verantwortlichen“ Agglomerationsvorteile
durchbrochen. In diesem Punkt herrscht einerseits eine große Vielfalt von Kombinationen
jener Agglomerationsvorteile, die als besonders bedeutend identifiziert werden. Andererseits
lassen sich zwei Strömungen in der Forschung identifizieren.
Neben einer Vielzahl von Studien die ihren Fokus auf lediglich einen bestimmten
Agglomerationsfaktor legen, wie in jüngster Zeit zahlreiche Untersuchungen zu Knowledge
Spillovers, bestehen auch Studien, wie die bereits erwähnte von Koo (2005), die eine
holistische Herangehensweise wählen und mehrere Gruppen von Agglomerationsvorteilen
miteinander verknüpfen, um die Existenz von Clustern zu erklären.
Ruft man sich die Analyse des internationalen empirischen Standes in Abschnitt 3.7 in
Erinnerung, so muß eben diese implizit und explizit herrschende Lehrmeinung kritisch
gesehen werden.
Wie im oben angeführten Abschnitt bereits angeschnitten, offenbart sich ein äußerst
unklares empirisches Bild und man ist geneigt, der kritischen Beurteilung von Martin/Sunley
(2003) zuzustimmen, welche die Clusterforschung als konzeptionell, theoretisch und
empirisch als chaotisch charakterisiert.200
198
Vgl. dazu Kapitel Eins.
Zusätzlich wird, wie in den vorhergehenden Kapiteln dargelegt, in vielen Studien diese Frage ebenso wie die
Frage der Clusterdefinition oft auch gänzlich ausgeklammert, so daß selbst die implizite Annahme nur gedeutet
werden kann.
200
Einer Analyse in der Alecke/Untiedt (2005) auch Anklänge deutlicher Kritik an Porter sehen, wobei dessen
geschäftstüchtige Vermarktung seines häufig vage bleibenden Clusterkonzepts, Alecke und Untiedt zufolge, als
eine der Quellen dieses chaotischen Zustands gedeutet werden kann
199
109
Und in der Tat muß der empirische Forschungsstand, dessen Auszug in der vorliegenden
Arbeit mit Bedacht gewählt wurde, um einen repräsentativen Querschnitt zu bieten,
dahingehend interpretiert werden.
Zwar kann die Existenz und Wirkungsweise der Agglomerationsvorteile aufgrund hunderter
empirischer Studien als gesichert angesehen werden, doch muß die Bedeutung dieser
externen Effekte als Triebfeder der Teilnahme von Unternehmen an Clustern wohl relativiert
werden und als überschätzt angesehen werden.
Die nicht zufriedenstellende Kausalität von Agglomerationsvorteilen und der Existenz von
Clustern und damit auch deren Einfluß auf die Wettbewerbs- und Innovationsfähigkeit von
Clusterunternehmen kann anhand der in Kapitel Drei vorgestellten Forschungen illustriert
werden.
Dumais/Ellison/Glaeser (1997) identifizieren den Bestand an Arbeitskräften als den
dominierenden Faktor zur Erklärung der Existenz von Clustern. In einer ebenfalls 1997
veröffentlichten Untersuchung kommen Ellison/Glaeser zum Schluß, daß Agglomeration
hauptsächlich in natürlichen Vorteilen, in Form spezifischer Umweltgegebenheiten, wie
beispielsweise Mikroklimata für den Weinbau, und seltener in Spillovers begründet ist.
Der Widerspruch zwischen beiden Untersuchungen besteht nur auf den ersten Blick, da die
Bündel der untersuchten Agglomerationsvorteile jeweils andere waren und dadurch auch
unterschiedliche relative Bedeutungen erklärt sind.
Feser/Sweeney (2000) identifizieren hingegen jene externen Effekte als besonders
bedeutend, die bei Porter als komplementäre Effekte bezeichnet werden.
Dies zeigt die Gefahr, die auch Martin/Sunley (2003) ansprechen: voreilige Schlüsse aus
empirisch nicht ausreichend untersuchten Zusammenhängen generelle Schlüsse zu ziehen.
Diesbezüglich hat die empirische Forschung einige Fortschritte gemacht, für die
stellvertretend die Studie von Koo (2005) steht. Koo zeigt in einer ökonometrischen
Untersuchung, daß die Erklärungskraft von Modellen, die mehrere Agglomerationsvorteile
nicht relativ zu einander vergleicht, sondern verknüpft, höher ist. Dies deutet bereits darauf
hin, daß nicht ein bestimmter Agglomerationsvorteil alleine dominiert, sondern im Verbund
mit anderen wirkt. In der Gesamtheit betrachtet kann jedoch angenommen werde, daß auch
diese Modelle nicht alleine die Existenz von Clustern erklären können.
Dahingehend können auch die Ergebnisse von Lublinski (2003) und Chakravorty/Koo/Lall
(2005) gedeutet werden. Während Lublinski, Agglomerationsvorteile lediglich schwach
ausgeprägt sieht, kommen Chakravorty/Koo/Lall zum Schluß, daß Agglomerationsvorteile
Urbanisierungsvorteilen in der Bedeutung nachgeordnet sind.
Diese Beispiele der empirischen Literatur führen zur Annahme, daß Agglomerationsvorteile
die überragende Bedeutung bei der Erklärung der Existenz von Clustern besitzen, zumindest
relativiert werden muß.
110
Dies ändert sich erwartungsgemäß auch nicht, wenn statt der direkten Perspektive, bei der
die Agglomerationsvorteile auf ihre Erklärungskraft hin untersucht werden, die indirekte
gewählt wird, bei der die Effekte des Clusters auf Clusterunternehmen untersucht werden.
Schneider/Holzberger (2003) und Ohler/Gamsjäger/Mahlich (2001) sehen in ihren
Untersuchungen bei den untersuchten Unternehmen die Wettbewerbsfähigkeit und die
Produktivität gesteigert. Die Ergebnisse von Molina-Morales/Martínez-Fernàndez (2004)
deuten in die selbe Richtung.
Betrachtet man jedoch jenen Agglomerationsvorteil, der in der Literatur des letzten
Jahrzehnts die größte Beachtung erhalten hat und die größte Bedeutung zugeschrieben
bekam, Knowledge Spillovers, so muß auch diese Sichtweise mit Vorsicht behandelt werden.
Denn sowohl in direkter Hinsicht, also als Erklärungsvariable, wie bei Niosi/Zhegu (2005)
noch in indirekter Hinsicht, wie bei de Propris (2002) ist diese Bedeutung wohl nicht haltbar.
Dies bedeutet jedoch nicht, die Agglomerationsvorteile wären gänzlich unwichtig. Doch sind
sie in ihrer Bedeutung eventuell überschätzt und können die herrschende Annahme
empirisch nicht ausreichend untermauern.
Nimmt man jedoch das Beispiel der österreichischen Cluster zu Hilfe, so eröffnet sich eine
Möglichkeit einer Neudefinition der Bedeutung der Agglomerationsvorteile, die dennoch eine
Einbindung der bisherigen Forschung ermöglicht.
Betrachtet man das Beispiel der österreichischen Cluster in Oberösterreich, aber auch die
dem oberösterreichischen Modell nachempfundenen niederösterreichischen Cluster, so
sticht die tragende Rolle des Staates (in Gestalt der jeweiligen Landesregierungen) heraus.
Neben den Projekt- und Fördermitteln, die von den Innovationsagenturen der Bundesländer
beigesteuert werden äußert, sich dies, wie im vorherigen Kapitel beschrieben, vor allem in
einem umfangreichen Dienstleistungspaket. Dieses beinhaltet neben Informations- und
Vernetzungsdienstleistungen auch zahlreiche Fort- und Weiterbildungsmöglichkeiten, die
über die Clusterinstitutionen angeboten werden.
Betrachtet man nun die geographische Verteilung und die historische Entwicklung der
Clustermitglieder, so liegt die Vermutung nahe, daß die angenommene Bedeutung der in der
Literatur hervorgehobenen Agglomerationsvorteile wohl nicht alleine ausschlaggebend für
die Entstehung und Existenz der Cluster ist. Dies ist auch aus den Studien von
Ohler/Gamsjäger/Mahlich (2001), Clement et al. (2002) sowie Schneider/Holzberger (2003)
herauszulesen.
Denn, betrachtet man die Entwicklung der Mitgliederzahlen der einzelnen Cluster, so kann
es sich beim Großteil der Unternehmen die heute Mitglied der Cluster sind, wohl nicht
ausschließlich um Neugründungen bzw. Neuansiedlungen handeln. Es ist eher davon
auszugehen, daß die Cluster zum Großteil aus der Nutzung bereits bestehender potentieller
Mitglieder durch den Anreiz der Umfeldförderungen und –maßnahmen entstanden. Diesen
Schluß legt auch die geographische Verteilung der Clusterunternehmen nahe. In allen hier
vorgestellten österreichischen Clustern ist zwar eine gewisse regionale Konzentration
111
sichtbar, doch ist diese kaum ausschließlich auf einen engen geographischen Raum
eingrenzbar.
Bei
genauerer
Betrachtung
der
Mitgliederzusammensetzung
der
einzelnen
oberösterreichischen Cluster bietet sich ein Ansatzpunkt, die bisher herrschenden
Annahmen in der Clusterforschung zu einem Gutteil weiter erhalten zu können, indem man
sie differenzierter anlegt.
In sämtlichen vorgestellten Clustern zeigt sich eine Dominanz kleinerer und mittlerer
Unternehmen (KMU)201 unter den Mitgliedern der Cluster. Bezogen auf die Größe der
Clustermitglieder kann angenommen werden, daß die Bedeutung der Agglomerationsvorteile
je nach Unternehmensgröße eine evolutionäre Entwicklung mitmacht und mit steigender
Unternehmensgröße, und damit einhergehender Ressourcenausstattung an Bedeutung
abnimmt.
Aus diesen Interpretationen ergibt sich, zumindest für den Fall der entwickeltsten
österreichischen Clustern der Schluß, daß neben der in der Literatur identifizierten Rolle der
Agglomerationsvorteile weitere Faktoren für die Existenz von Clustern existieren müssen.
Demzufolge relativiert dies auch die tragende Rolle der in der Literatur vertretenen These,
daß Agglomerationsvorteile der treibende Faktor für die Teilnahme an Clustern sind.
Das Ziel der empirischen Umfrage des folgenden Kapitels wird es daher sein, vor allem die
Frage nach der Motivation der Unternehmen zur Teilnahme an Clustern zu klären und zu
versuchen, die Bedeutung von Clustern für den Wettbewerbserfolg und ihre
Innovationsfähigkeit gesamthaft zu erfassen.
Bevor jedoch das dazu notwendige Hypothesengebäude und die Kernfragen der Erhebung
vorgestellt werden, ist eine genauere Auseinandersetzung mit den bedeutendsten
Agglomerationsvorteilen notwendig.
5.1 Klassifikationsmodelle von Agglomerationsvorteilen
In der Auseinandersetzung mit der Clusterthematik haben sich in den letzten Jahrzehnten
zahlreiche Schulen und Sichtweisen herausgebildet. Dies macht es um so wichtiger, vor der
Auseinandersetzung mit konkreten Vorteilen, die Unternehmen aus Clustern erwachsen,
diese unterschiedlichen Schulen und aus Ihnen erwachsenden Sichtweisen zu kennen, um
die zahlreiche Literatur in einem größeren Kontext deuten zu können. Aus diesem Grund
werden hier vor der detaillierten Auseinandersetzung mit den einzelnen
Agglomerationsvorteilen die wichtigsten Klassifikationsmodelle bezüglich der Clustervorteile
und –ursachen dargelegt.202
Nach Antonelli (2000) können in der Clustertheorie zwei wesentliche Analyseströmungen
identifiziert werden.
201
Vgl. die in Kapitel 4.1.2 dieser Arbeit vorgestellte KMU-Definition der EU-Kommission.
Für die theoretischen Grundlagen von Agglomerationsvorteilen auf mikroökonomischer Basis siehe unter
anderem Duranton/Puga (2003).
202
112
Die erste Strömung ist die sogenannte „Externalitäten-Schule“, die vor allem die Bedeutung
steigender Skalenerträge („increasing returns to scale“) in räumlich abgesteckten Gebieten
unterstreicht, zu denen Unternehmen, aufgrund der gewichtigen Rolle die räumliche Nähe
spielt, Zugang haben. Daraus erwachsen externe Effekte (daher der Begriff „Externalitäten“
bzw. im Englischen „externalities“), die aus der unvollkommenen Teilbarkeit von
Produktionsfaktoren herrührt. Dabei ist der Faktor Nähe den Agenten (im Sinne der
Principal-Agent-Theorie203) behilflich, diese externen Effekte zu internalisieren, also für das
Unternehmen nutzbar zu machen.
Die zweite Strömung, die „Transaktionskosten-Schule“, betrachtet den Faktor Nähe vom
Standpunkt des verbesserten und vereinfachten Vertrauensbildungsprozesses, wodurch das
erwachsende Vertrauen dabei hilft, die Kosten der Preisfindung für ein Produkt oder eine
Dienstleistung zu vermindern.204
Da die Argumente der zweiten Strömung in diesem Kapitel im Abschnitt der alternativen
Aspekte behandelt werden und der Großteil der Literatur auf externe Effekte205 abstellt,
werden in der Folge die Argumente und Sichtweisen der Externalitätenschule näher
behandelt.
Wenn die Argumente dieser Strömung beleuchtet werden, so ist eine Klassifikation von
Rosenthal/Strange (2003) besonders hilfreich. Diese Klassifikation ist aus dem Blickwinkel
der Regionalwissenschaft und Wirtschaftsgeographie zu sehen. Dennoch ist sie hier als
nützlich anzusehen, da ein Großteil der Clusterliteratur ideell von diesem
Wissenschaftszweig beeinflußt ist.
Gemäß Rosenthal/Strange bestehen externe (Einsparungs-)Effekte, wenn das städtische
beziehungsweise regionale Umfeld zur Produktivität beiträgt.
Es bestehen nun zumindest drei Dimensionen, über die sich externe Effekte erstrecken
können.
Dies ist zum einen der Wirkungsbereich der Branche. Das bedeutet der Grad über den sich
Agglomerationseffekte über Branchen hinweg erstrecken und nicht auf die Grenzen einer
bestimmten Branche beschränkt sind.
Dies umfaßt Skaleneffekte, die aus der räumlichen Konzentration wirtschaftlicher Aktivität in
einer bestimmten Branche erwachsen. In solchen Fällen spricht man von lokalen
(Einsparungs-)Effekten („localisation economies“). Externe Effekte, die aus der
Konzentration sämtlicher wirtschaftlichen Aktivität oder einer ganzen Stadt erwachsen,
bezeichnet man im Gegensatz dazu als Urbanisierungs- (Einsparungs-)Effekte („urbanisation
economies“). Letztere umfassen nicht nur den Zugang zu spezialisierten Inputs wie Finanzund sonstige Dienstleistungen, die aus der großen Vielfalt des Angebots in Städten
203
Vgl. dazu Alchian/Demsetz (1972), Jensen/Meckling (1976) und Eisenhardt (1989).
Vgl. Antonelli (2000), S. 535f.
205
Die Literatur kennt eine Vielzahl von Begriffen wie „external effects“, „agglomeration advantages“,
„agglomeration economies“, „localised economies“ und dergleichen die zu einem großen Teil die selben Vorteile
meinen bzw. sind diese Unterscheidungen fließend. In solchen Fällen wird in dieser Arbeit vereinfachend von
„Agglomerationsvorteilen“ gesprochen.
204
113
herrühren, sondern auch den Zugang zu öffentlichen
Verkehrsinfrastruktur und sonstigen kommunalen Einrichtungen.206
Einrichtungen,
der
Die zweite Ebene betrifft die Geographie, das bedeutet die räumliche Nähe.
Einer der Gründe für die Entstehung von Agglomerationen wie Städten ist, daß die
gegenseitige Nähe Vorteile bringt. Für die hier angesprochenen externen Effekte gilt dies
ebenso, daß heißt die physische Nähe von Wirtschaftssubjekten erhöht die
Wahrscheinlichkeit für Interaktion.
Die dritte und letzte Ebene betrifft die zeitliche Dimension. Eine Interaktion zwischen zwei
Wirtschaftssubjekten an einem Punkt in der Vergangenheit kann selbstverständlich, die
Gegenwart und die Zukunft beeinflussen. Am sichtbarsten ist dies vielleicht bei Lerneffekten
die von kumulativer Natur sind und nur graduell voranschreiten. Auf den Cluster bezogen,
kann dies beim steigenden Verständnis für Kunden-Lieferanten-Beziehungen innerhalb des
Clusters gesehen werden, aber auch bei den Mechanismen und Regeln (bspw. lokale
Gepflogenheiten, sprachliche Codes und Verhaltensnormen) nach denen Kooperationen
ablaufen. Der Grad zu dem diese zeitlich getrennten Interaktionen wirksam sind und bleiben,
definiert nach Rosenthal/Strange die zeitliche Ebene von Agglomerationsvorteilen.207
Auf einer weniger abstrakten Ebene können Agglomerationsvorteile in zwei Ebenen geteilt
werden: in die nachfrage- und angebotsseitigen Faktoren.208
Nachfrageseitig betrachtet sind die Vorteile vor allem durch eine starke lokale Nachfrage
gegeben, dies vor allem von verwandten Branchen und Anbietern, die auf zwischen- und
Vorprodukte angewiesen sind. Aber auch von Konsumentenseite können Vorteile herrühren.
So tendieren insbesondere KMUs, die spezialisierte Produkte anbieten dazu sich in Clustern
anzusiedeln, um auf diese Weise von Konsumenten leichter „gefunden“ zu werden.
Schließlich sei auch noch auf von Hippel (1988) verwiesen, der zeigt, daß Konsumenten
nicht unerhebliche Informationslieferanten sein können, die Innovationen anregen.
Angebotsseitig können lokale externe Effekte, die in dieser Arbeit unter
Agglomerationsvorteilen subsummiert sind, vor allem auf die Arbeiten von Marshall (1938),
Arrow (1962) und Romer (1986, 1987, 1990) zurückgeführt werden. Glaeser et al. (1992)
haben dafür den Begriff „MAR-externalities“ („Marshall-Arrow-Romer-externalities“, MAREffekte,) eingeführt. MAR-Effekte umfassen sowohl den Zugang zu einem bestehenden
(spezialisierten) Arbeitskräftebestand im Cluster, als auch den Zugang zu speziellen Inputs
und Wissensströme zwischen Personen und Unternehmen im Cluster.209
5.2 Klassische Agglomerationsvorteile
Glaeser et al. (1992) klassifizieren Agglomerationsvorteile in folgende drei Gruppen :
206
Vgl. dazu Parr (2001) und Chakravorty/Koo/Lall (2005).
Vgl. Rosenthal/Strange (2003), S. 3ff.
208
Vgl. Baptista/Swann (1998a) und Aharonson/Baum/Feldman (2004).
209
Die Theorien und Annahmen der MAR-Effekte wurden in der Literatur der New Economic Geography (NEG)
wieder aufgegriffen und weiterentwickelt. Für einen Überblick darüber vgl. Baptista (1998b), Swann (2000) und
Helmsing (2001).
207
114
(1) MAR-Effekte: diese entstehen aus der Spezialisierung einer Branche in einer
bestimmten Region – diese stehen unter der Annahme, daß lokale Monopole das
Unternehmenswachstum befördern
(2) Porter-Effekte: diese entstehen sowohl durch regionale Spezialisierung, als auch
durch die regionale Vielfalt und ihre Effekte werden durch die lokale Rivalität
zwischen Unternehmen verstärkt, was zu schnelleren Wissensflüssen innerhalb des
Clusters führt und die Übernahme neuer Ideen beschleunigt
(3) Jacobs-Effekte210 oder Diversitätseffekte: diese rühren aus der Branchenvielfalt
der Agglomeration her, was die Übernahme von Ideen zwischen Branchen erleichtert.
5.2.1
MAR-Effekte
Der britische Ökonom Alfred Marshall (1938) wird in der Literatur als jener geführt, der sich
erstmals mit den möglichen Agglomerationsvorteilen von Clustern auseinandergesetzt hat.
Marshall identifizierte in seiner Arbeit drei Säulen als wesentliche Agglomerationsvorteile.
Die erste Säule bilden die am häufigsten genannten Vorteile eines spezialisierten
Arbeitskräftebestandes.
Unternehmen in Clustern haben einen leichteren Zugang zu spezialisierten Arbeitskräften
und dies führt zu niedrigeren Such- und Einstellungskosten. Diese Kostenvorteile rühren aus
zwei Quellen.211
Einerseits entstehen durch die gemeinsame Nachfrage nach einem speziellen
Fähigkeitsprofil in einem Cluster, entsprechende Ausbildungseinrichtungen. Im
vorhergehenden Kapitel ist dies sehr gut ersichtlich am Beispiel des Kunststoffclusters
Oberösterreich, wo auf die Nachfrage der Clusterpartner mit neu geschaffenen Ausbildungsund Qualifizierungseinrichtungen reagiert wurde.
Wie Kubinger (2007) feststellt, können Unternehmen dadurch kostengünstiger die gesuchten
Arbeitskräfte über den lokalen Markt nachfragen, statt sie kostspielig im eigenen Betrieb
ausbilden zu müssen – diese Sichtweise findet sich auch in der Transaktionskostentheorie
wieder.212
Direkt damit verbunden ist die zweite Quelle der Kostenvorteile hinsichtlich des
Arbeitskräftebestandes. Durch die geographische Konzentration bestimmter Fähigkeiten und
Fertigkeiten, verkörpert durch Spezialisten auf ihrem jeweiligen Feld und ihre spezifische
Arbeitserfahrung, kommt dem Cluster auch eine Ausgleichsfunktion zu. Diese
Ausgleichsfunktion äußert sich dadurch, daß aufgrund wirtschaftlicher Schwierigkeiten in
einem Unternehmen entlassene Mitarbeiter von anderen Clusterunternehmen mit besserem
wirtschaftlichen Erfolg wieder eingestellt werden, die deren spezielle Fähigkeiten (bzw.
ähnliche verwandte Fähigkeiten) lokal nachfragen.
210
Vgl. u.a. Jacobs (1969, 1984) bzw. Lucas (1988).
Vgl. dazu auch Rosenthal/Strange (2003), S. 32ff.
212
Vgl. Kubinger (2007), S. 19.
211
115
Sowohl aus Arbeitnehmersicht, als auch aus Sicht der Clusterunternehmen stellt dies ein
äußerst starkes Anreizmittel dar, sich in einem Cluster zu engagieren. Für das Unternehmen
verringern sich Such- und Qualifikationskosten für spezifische Mitarbeiter und
Fehlbesetzungen dauern aufgrund des größeren Angebotsspektrums kürzere Zeit an.213 Aus
Mitarbeitersicht ist der schlagende Faktor, daß mit steigender Konzentration, auch die
Wahrscheinlichkeit steigt, eine Anstellung zu finden.214
Diese Überlegungen sind nicht nur theoretischer Natur, sondern können in der Realität
häufig gezeigt werden. Ein gutes Beispiel findet sich bei Combes/Duranton (2006).
Die Autoren haben, basierend auf Daten des französischen Institut National de la Statistique
et des Etudes Economiques (INSEE), die Struktur der Beschäftigungswechsel von
Arbeitnehmern in den rund 341 Beschäftigungsregionen Frankreichs (jede Region entspricht
jeweils einem Radius von 23 km) für die Jahre 1996 und 1997 untersucht. Von den
insgesamt 37 Berufsklassen des französischen Statistikamtes wurden jene sechs gewählt,
die dem hier angeführten Profil von spezialisierten Arbeitskräften in einem Cluster
entsprechen: Wissenschafter, Geschäftsführer und leitende Angestellte, Ingenieure,
technisches Personal, Vorarbeiter und spezialisierte Produktionsarbeiter, die als
Facharbeiter nach österreichischem Verständnis gelten können.
Combes/Duranton berechneten einerseits die Fluktuationsrate der Berufsklasse und
andererseits verschiedene Kombinationen jener, die ihre Arbeitsstelle wechselten, unter
Berücksichtigung der Region, des wirtschaftlichen Sektors und dergleichen. Was sich zeigte
war, eine bemerkenswerte lokale Konzentration bei Arbeitgeberwechseln. Von den
französischen Arbeitnehmern der vorher definierten Kategorien, wechseln zehn Prozent pro
Jahr ihren Arbeitgeber. Dabei bleiben 45% in der selben Beschäftigungsregion und im
selben Sektor bzw. Branche. Weitere 30% bleiben in der selben, eng gefaßten (23 km)
Wissenschafter Führungskräfte Ingenieure Techniker Vorarbeiter Facharbeiter Gesamt
Berufsspezifische
Fluktuationsrate
9,6%
10,1%
11,7%
8,7%
8,2%
9,9%
9,8%
Gleiche Region,
gleicher Sektor
43,4%
39,2%
46,9%
42,7%
48,7%
43,1%
43,4%
Gleiche Region,
anderer Sektor
16,2%
32,7%
28,9%
33,0%
25,7%
32,3%
30,4%
Andere Region,
gleicher Sektor
30,3%
13,0%
9,6%
8,7%
12,8%
8,9%
11,4%
Andere Region,
anderer Sektor
10,1%
15,1%
14,7%
15,6%
12,8%
15,7%
14,8%
Tabelle 21: Mobilität spezialisierter französischer Arbeitnehmer 1996-1997
(Quelle: Combes/Duranton (2006), S. 7.)
Region, wechseln jedoch den Sektor. Zusammengenommen passieren 75%
Arbeitgeberwechsel innerhalb eines eng gefaßten Radius.215
213
Vgl. de Blasio/Di Addario (2005), S. 801 bzw. Simpson (1992).
Vgl. Duranton/Puga (2003), S. 23ff.
215
Vgl. Combes/Duranton (2006), S. 6f.
214
116
der
Daß diese Zahlen kein französisches Spezifikum sind, ist bei Greenwood (1997) ersichtlich,
der auf einer höheren Aggregationsebene zu vergleichbaren Ergebnissen auf europäischer
kommt.
Neben diesen beiden offensichtlichen Vorteilen, kann die Innovationsleistung von
Clusterunternehmen vom Arbeitskräftebestand des Clusters positiv beeinflußt werden. Denn
durch jede Abwerbung bzw. Neuaufnahme von ehemals im Cluster angestellten
Arbeitskräften bekommt das Unternehmen auch Zugang zum, in den Mitarbeitern ruhenden,
Humankapital.216
Diese Mobilität der Mitarbeiter ermöglicht den Unternehmen also einerseits eine höhere
Flexibilität auf Mitarbeiterseite zu erreichen und andererseits gewährt sie Zugang zu neuem
Know-how und Technologietransfer, über eben diese Mitarbeiter. Diese Rolle des
Arbeitskräftebestandes eines Clusters als Vermittler und Verteiler von Wissen, Ideen und
Information konnte Angel (1991) am Beispiel des Silicon Valley sehr gut nachweisen.217
Daß der Erwerb von Wissen durch Anstellung von Spezialisten ein probates Mittel ist,
geographisch weit entferntes Wissen zu erschließen, zeigt die Motorsportbranche besonders
gut. So führen Henry/Pinch (2000) an, daß das in den Mitarbeitern verborgene Humankapital
in Form von Wissen eine der bedeutendsten Quellen von Wissen innerhalb der Branche ist.
Die Karrierepfade der 100 bedeuternsten Ingenieure und Entwickler des britischen
Motorsportclusters Motor Sport Valley zeigten dabei einen Arbeitgeberwechsel alle 3,7 Jahre
und insgesamt acht Arbeitgeberwechsel während der gesamten Karriere.218
Dieses Beispiel zeigt auch, wie fließend die Grenzen zwischen den einzelnen
Agglomerationsvorteilen sind, spielt diese Beobachtung doch in den dritten Marshallschen
Agglomerationsvorteil, die Knowledge Spillovers hinein.
Der zweite Agglomerationsvorteil Marshalls, der sich auch bei Krugman (1991) findet, betrifft
Input-Output-Vorteile219, die Marshall wie folgt umschreibt:
"When an industry has thus chosen a locality for itself, [...] subsidiary
trades grow up in the neighbourhood, supplying it with implements
and materials, organizing its traffic, and in many ways conducing to
the economy of its material."220
Gemeint ist damit, daß ein breites und oft spezialisiertes Lieferanten- und
Dienstleistungsspektrum arbeitsteiliges Wirtschaften effizienter gestalten kann. Denn ein
größeres Spektrum an Dienstleistern und Vorlieferanten erlaubt es Unternehmen ihre
Tätigkeit leichter an komplexe und schnell wechselnde Kundenwünsche anzupassen. Diese
216
Vgl. Arrow (1962).
Zu ähnlichen Ergebnissen kommen auch Almeida/Kogut (1999) bzw. Song/Almeida/Wu (2003).
218
Vgl. Henry/Pinch (2000), S. 195.
219
Scitovsky (1954), bezeichnete diese als “pekuniäre externe Effekte“ im Gegensatz zu Knowledge Spillovers
die er als “technological externalities” bezeichnet, während andere wie Bresci/Lissoni (2000) auch die
Arbeitsmarktvorteile zu den pekuniären Effekten zählen.
220
Marshall (1938), S. 271
217
117
Flexibilität kann durch Zukauf oder Auslagerung spezifischer Aktivitäten erreicht werden und
erlaubt den Unternehmen, wie es Lublinski (2002) ausdrückt, zu „atmen“.221
Ein praktisches Beispiel dazu läßt sich sehr gut im pakistanischen Sialkot-Cluster
beobachten, der Hunderte Hersteller chirurgischer Instrumente versammelt.
Einen der wichtigsten Exportmärkte dieses Clusters stellen die USA dar. Aufgrund von
Qualitätsbedenken hinsichtlich Hygiene und Materialqualität, wurden im Mai 1994 von der
amerikanischen Food and Drug Administration (FDA) die Importe aus dem Sialkot-Cluster
untersagt. Eine der Reaktionen, die es den Clusterunternehmen ermöglichten diesen
bedeutenden Umsatzrückgang zu kompensieren und die von der FDA geforderten
Qualitätsmerkmale zu erreichen, war die intensivierte Zusammenarbeit mit lokalen
Rohstofflieferanten und eine gemeinsame Qualitätsoffensive mit lokalen Subunternehmen,
die bereits die notwendigen Qualitätszertifizierungen erreicht hatten.222
Die dritte Form die Agglomerationsvorteile im Sinne von MAR-Effekten annehmen können
betrifft Knowledge Spillovers. Dies bezeichnet die Möglichkeit für Unternehmen in Clustern
spezifisches Wissen, daß andere Unternehmen aufgebaut haben, über den lokalen Markt
bzw. auf Nicht-Marktwegen zu internalisieren. Quellen solchen Wissens können Lieferanten,
Mitarbeiter oder, wie bereits erwähnt, auch Kunden sein. Da dieser Form jedoch ein eigener
Abschnitt in diesem Kapitel gewidmet ist, werden Knowledge Spillovers jedoch an dieser
Stelle nicht näher behandelt.
5.2.2
Porters Marktbedingungen
Ein weiterer bedeutender Beitrag zu den Agglomerationsvorteilen findet sich bei Porter
(1990), der die höchst motivierenden Effekte lokaler Rivalität innerhalb des Clusters
herausstreicht. Diese beeinflusse, so Porter, die Produktivität und Innovationsfähigkeit von
Unternehmen positiv.223
Der Einfluß des Clusters wird dadurch sichtbar, daß Führungskräfte und Spezialisten
innerhalb eines Clusters stärker als an isolierten Unternehmensstandorten, um die
Erreichung immaterieller Aspekte wie Anerkennung und Stolz, bemüht sind. Der Faktor
Nähe sorgt notgedrungen für eine größere Transparenz und ermöglicht so ein effektiveres
Benchmarking ermöglicht und eine erhöhte Wettbewerbsintensität hervorruft. Als einzigen
Ausweg aus dieser Spirale des Wettbewerbsdrucks die der Faktor „Lokale Rivalität“
verursacht hat, sieht Porter die Innovation.224 Dieser Agglomerationsfaktor kann daher unter
dem Punkt „Steigerung der Unternehmensfitness“ zusammengefaßt werden, da alleine die
Anwesenheit in einem Cluster dazu führt, daß sich Unternehmen, so sie dem
Wettbewerbsdruck standhalten wollen oder ihn sogar diktieren wollen, diesem stellen
müssen und entsprechend durch Innovation auf die Umwelt reagieren müssen.
221
Vgl. Lublinski (2002), S. 30.
Vgl. Nadvi (1999).
223
Vgl. Porter (1990), S. 83.
224
Vgl. Porter (2003), S. 220ff.
222
118
Ein weiterer Punkt, den Porter anführt, ist die Anwesenheit anspruchsvoller und fordernder
Kunden225. Diejenigen Unternehmen die diese hohen Ansprüche der Kunden im Hinblick auf
Produktqualität und Produktmerkmale erfüllen, können gegenüber dem Mitbewerb einen
Wettbewerbsvorteil lukrieren.
Daneben führt Porter (1990) mögliche komplementäre Effekte an, die sich über und für die
lokalen Lieferanten ergeben können. Das bedeutet, daß der Umsatzerfolg eines
Unternehmens vom Erfolg anderer nahegelegener Unternehmen profitieren kann. Der Faktor
Nähe spielt auch hier eine wesentliche Rolle, da gemeinsame Aktivitäten wie Forschung,
Ausbildung oder Marketing durch geringere Transaktionskosten für diese Aktivitäten
profitieren als zwischen weiter entfernten Unternehmen möglich wäre. Schließlich können
aus dem selben Gedanken auch neue Marktpotentiale entstehen, da durch die Anwesenheit
vor Ort die Nähe zur Branche und ihren Anforderungen und Marktmöglichkeiten größer ist
als an abseits von solchen Agglomerationen gelegenen Orten.
Das letzte Argument Porters kann daher unter dem Aspekt der potentiell größeren Umsätze
und geringerer Transaktionskosten gesehen werden.226
5.2.3
Knowledge Spillovers
Der in der Literatur der letzten Jahre neben dem Arbeitskräfteangebot am häufigsten
genannte Agglomerationsvorteil sind die sogenannten Knowledge Spillovers.
Wie bereits im vorhergehenden Abschnitt angeführt, bezeichnen Knowledge Spillovers die
Möglichkeit für Unternehmen in Clustern spezifisches Wissen, daß andere Unternehmen
aufgebaut haben, zu internalisieren. Wie diese durchaus abstrakte Begriffsbestimmung
vermuten läßt, existiert keine Grundform dieses Agglomerationsvorteils und der Begriff
Knowledge Spillover ist lediglich ein Sammelbegriff. Dies liegt in zwei wesentlichen Punkten
begründet. Einerseits ist dies der möglichen Vielfalt geschuldet, die der „Grundstoff“ von
Knowledge Spillovers, nämlich das Wissen, annehmen kann. Andererseits liegt dies an den
vielfältigen Möglichkeiten der menschlichen Interaktion und Kommunikation. Aus diesem
Grund soll versucht werden, sich dem Begriff der Knowledge Spillovers graduell zu nähern.
Arrow (1962) beschreibt Knowledge Spillovers als ein Entweichen von Wissen ins
wirtschaftliche System. Dadurch ist Wissen quasi „in the air“ und wird zum öffentlichen Gut.
Sobald Wissen geschaffen wird, ist es schwierig andere daran zu hindern davon zu
profitieren oder es sich anzueignen. Ist es also geschaffen, kann Wissen „überspringen“ oder
wie der englische Begriff ausdrückt „spill over“227 Annähernd 40 Jahre nach Arrow finden
Bresci/Lissoni (2000) eine ähnliche Beschreibung indem sie davon sprechen, daß
Informationen über neue Technologien, Waren und Prozesse leichter zwischen lokalen
Wirtschaftssubjekten fließen.228
225
Auch hier sei wieder auf von Hippel (1988) verwiesen, der Kunden als wichtige Innovationsquelle ansieht.
Vgl. Lublinski (2002), S. 31f.
227
Daher auch der Begriffsname „Knowledge Spillover“, also das Überspringen von Wissen.
228
Bresci/Lissoni (2000), S. 31.
226
119
Diese beiden Sichtweisen sind zwar hilfreich, eine bessere Vorstellung zu bekommen, aber
immer noch eher vage. Eine nützliche Kategorisierung von Knowledge Spillovers um ein
genaueres Bild zu erhalten, findet sich bei Griliches (1992).
Griliches unterscheidet zwei Arten von Knowledge Spillovers. Einerseits die reinen oder Idea
Spillovers und andererseits Renten-Spillovers. Reine Spillovers bezeichnen externe Effekte,
die nicht entlohnt werden, ungeplant229 sind und durch keinerlei Marktmechanismen
vermittelt werden.
Renten-Spillovers hingegen bezeichnen jene externen Effekte, die zumindest teilweise
bezahlt werden. Dies kann in Form von Produkten passieren oder in der Überlassung von
Patentrechten und ähnlichen Formen von Transaktionen geschehen. Eine trennscharfe
Unterscheidung zwischen beiden Kategorien ist jedoch schwierig, da Wissen mit, wie
Andersson/Ejermo (2005) es ausdrücken, einem Clubelement ausgestattet ist.
Das ist am besten verständlich wenn man ein Netzwerk von Wissensarbeitern annimmt,
innerhalb dessen nützliches Wissen ausgetauscht wird. Wenn nun eines der Mitglieder eine
Gegenleistung an einem Punkt in der Zukunft für seinen Beitrag erwartet, ist offensichtlich,
daß eine Unterscheidung zwischen reinen und Rentenspillovers schwierig ist.230
Weitere Einteilungen von Spillovers umfassen technologische Spillovers und informationelle
Spillovers (Chakravorty/Koo/Lall (2005)) sowie technologische und intellektuelle (geistige)
Spillovers (de Blasio/Di Addario (2005)). Diese Einteilungen betrachten teilweise
unterschiedliche Aspekte der Knowledge Spillovers, wobei die bedeutendsten und häufigsten
jedoch technologische Spillovers sind, die sich vor allem auf das Vorkommen und die
Verbreitung von (zumeist technologischen) Innovationen beziehen.
Die informationellen Spillovers bei Chakravorty/Koo/Lall sprechen vor allem den
gemeinsamen Informationsaspekt an, der bei Agglomerationen zu Kunden und
Lieferantenbeziehungen entsteht. Durch das gesammelte Wissen der anwesenden
Unternehmen, fällt die Beurteilung der Zulieferer und Kunden als Agenten im Sinne der
Transaktionskostentheorie leichter und sorgt mit der Zeit für eine Positivselektion
zuverlässiger Agenten.
Mit intellektuellen Spillovers schließlich meinen de Blasio/Di Addario eine gesteigerte
Lernrate von Mitarbeitern, die von den ebenfalls im Cluster anwesenden Entrepreneuren (in
Schumpeters Sinn) Wissen erwerben. Illustriert werden diese zum Beispiel bei
Guiso/Schivardi (2003), wo die Fähigkeiten eines Entrepreneurs nicht angeboren sind und in
Agglomerationen wie Clustern leichter erlernbar sind.
Wie aus den bisherigen Ausführungen hervorgeht, geht es im Fall von Knowledge Spillovers
also um den Fluß von Wissen in irgendeiner Form bzw. den Wissenstransfer zwischen den
einzelnen Wirtschaftssubjekten. Die Bedeutung von Wissen für den Unternehmenserfolg und
229
Auf einer übergeordneten Ebene spricht Schmitz (1995) von Agglomerationsvorteilen, die ungeplant aus der
reinen Anwesenheit im Cluster entstehen und jenen die aus geplanten Aktivitäten wie Kooperationen innerhalb
des Clusters entstehen.
230
Vgl. Andersson/Ejermo (2005), S. 742f.
120
die Wettbewerbsfähigkeit wurde in den vorhergehenden Kapiteln bereits erörtert. Doch es
stellt sich die Frage, wie genau Cluster und Innovation nun mit Knowledge Spillovers in
Zusammenhang zu bringen sind?
Das in der Literatur zentrale Argument besagt, daß Wissen sehr stark örtlich verhaftet ist und
sich daher auch am leichtesten vor Ort verbreitet.231 Wie unter anderem
Almeida/Dokko/Rosenkopf (2003) und Sorenson/Rivkin/Fleming (2005) zeigen, trifft dies vor
allem im Falle von Technologien zu, die durch hohe Komplexität und implizites Wissen
gekennzeichnet sind.
Die Verbreitung von Wissen, so die einhellige Meinung, wird am effektivsten durch (häufigen)
persönlichen Kontakt unterstützt. Zieht man nun ein bekanntes Axiom der
Regionalwissenschaft hinzu, das besagt, daß Interaktion mit zunehmender Distanz
abnimmt232, wird klar das die räumliche Nähe und damit auch der Cluster im speziellen Fall
dieser Arbeit eine wichtige Rolle beim Wissensaustausch einnimmt.233
Berücksichtigt man nun, daß Wissen den bedeutendsten Input im Innovationsprozeß eines
Unternehmens darstellt234, so schließt sich der Kreis zwischen Knowledge Spillovers,
Clustern und Innovation.
Betrachtet man den Zusammenhang zwischen Clustern und Knowledge Spillovers auf der
Ebene des Faktors Nähe genauer, so sticht ein wesentliches Merkmal hervor: Knowledge
Spillovers erlauben den leichteren235 Transfer von impliziten Wissen („tacit knowledge“),
welches sehr stark an Personen und bestimmte Örtlichkeiten gebunden ist.236
Das Konzept impliziten („tacit knowledge“) und expliziten („codified knowledge“) Wissens
wurde im wesentlichen von Polanyi (1985) und Nonaka/Takeuchi (1995) entwickelt.
Hierbei muß zunächst zwischen Wissen und Information unterschieden werden. Während
ersteres in Symbole und kodifizierbare Nachrichten komprimierbar ist, ist zweiteres mit
Schlußfolgerung, Wahrnehmung und Interpretation verbunden.237
Explizites Wissen ist kodifizierbar und kommunizierbar, und stellt als solches objektiviertes
Wissen dar, daß sich auf wissenschaftliche Ergebnisse und Innovationstätigkeit bezieht.
Implizites Wissen hingegen wird häufig unbewußt genutzt und ist verbal schwer
kommunizierbar. Es ist als solches subjektiv und steht im Zusammenhang mit den
individuellen Fähigkeiten und praktischen Erfahrungen.238
231
Vgl. Jaffe (1989, 1996) , Jaffe/Trajtenberg/Henderson (1993), Acs/Audretsch/Feldman (1992),
Acs/Audretsch/Feldman (1994) und Autant-Bernard (2001).
232
Vgl. Beckmann (2000), S. 129.
233
Vgl. Andersson/Ejermo (2005), S. 743.
234
Vgl. bspw. Lundvall (1992).
235
Vgl. dazu u.a. Lundvall (1988), Jaffe (1996), Bathelt/Malmberg/Maskell (2002), Malmberg/Maskell (2002) und
Giuliani (2005).
236
Vgl. bspw. von Hippel (1994) und Nelson/Winter (1982).
237
Vgl. Belussi/Pilotti (2000), S. 6f.
238
Vgl. Belussi/Pilotti (2000) bzw. Döring/ Schnellenbach (2005).
121
Wie bisher dargelegt, können Unternehmen durch Knowledge Spillovers Zugang zu
verschiedenstem Wissen, insbesondere zu schwer zugänglichem komplexem und implizitem
Wissen, aus den verschiedensten Quellen innerhalb des Clusters erhalten. Zur
Verdeutlichung der Ausprägungen und Wirkungen sei hier auf Caniëls/Romijn (2003)
verwiesen, die ein besonders eingängiges Erklärungsmodell vorgestellt haben, das die
Wirkungsweise von Knowledge Spillovers aus der Sicht von Unternehmen sehr gut erklärt.
Dies trifft um so mehr zu, als dies vor allem aus Sicht des in der Literatur am besten
erforschten Blickwinkel der Technologie und der mit ihr verbundenen Innovationsschübe
getan wird.
Aufbauend auf der Arbeit von Vertretern der Technological Capability-Schule, die besagt,
daß Fähigkeiten, Wissen und Organisation für die Auswahl, Einführung und Anpassung von
neuen Technologien notwendig sind239, haben Caniëls/Romijn ein Modell240 für die Erfassung
sämtlicher bisher vorgestellten Agglomerationsvorteile erarbeitet. Aus Kontext- und
Platzgründen werden hier jedoch nur jene Punkte vorgestellt, die sich auf Knowledge
Spillovers beziehen.
Nach Bell (1984) können fünf Typen von Anstrengungen bzw. Maßnahmen hinsichtlich der
technologischen Fähigkeiten unterschieden werden: Mitarbeitertraining, Einstellung neuer
Mitarbeiter, unternehmensinterne technologische Verbesserungen (inklusive F&E),
unternehmensexterne Suche nach neuen Technologien und Märkten, sowie das Sammeln
interner Leistungsdaten und Feedback.
Nach Caniëls/Romijn haben Knowledge Spillovers eine komplementäre Funktion in vier der
Kategorien (alle außer die Feedback-Funktion) von Bell. Das äußert sich in drei
verschiedenen Ausprägungen.
Die erste Ausprägung die Knowledge Spillovers haben, ist die Motivationsfunktion und die
Veränderung der Einstellung, die dadurch wirkt, daß Menschen in einem bestimmten Umfeld
(im Cluster) neuen Ideen und Artefakten ausgesetzt sind. Dadurch beginnen die Mitarbeiter
und in der Folge die gesamte Organisation mit der Zeit Veränderung gegenüber Stabilität zu
bevorzugen, da die Wirkung von Knowledge Spillovers die mentalen Einstellungen
dahingehend verändert. Das passiert auf einer Vielzahl möglicher Wege, seien es nun neue
Ideen, Produkte oder Informationen. Die Wirkung ist dabei breit gefächert und wirkt sowohl
auf das Mitarbeitertraining, die Einstellung neuer Mitarbeiter, F&E und die Suche nach neuen
Technologien. Ein Beispiel für diese Kategorie nach Caniëls/Romijn findet sich unter
anderem bei Meyer-Stamer (1998) der über den brasilianischen Fliesencluster von Santa
Catarina schreibt:
„There is substantial informal information exchange going on between
professionals from tile producers; unlike in other branches, it is
perfectly normal for them to visit competitors’ factories.“241
239
Hier wird auch die Verwandtschaft und Nähe zur ressourcenbasierten Sichtweise von Unternehmen klar
ersichtlich, sind doch wie u.a. bei Kogut/Zander (1992) und Mahoney/Pandian (1992) ersichtlich ist,
technologische Fähigkeiten ein zentraler Punkt dieser Theorie.
240
Vgl. auch die schmatische Darstellung des Modells im Anhang.
241
Meyer-Stamer (1998), S. 1505.
122
Die zweite Ausprägung betrifft die Ausbildung von Humankapital242 durch informelles
„Learning-by-doing“. Ähnlich wie die vorhergehende Ausprägung wirkt dies
einstellungsverändernd, in diesem Falle gegenüber der Arbeit an sich und wirkt auf breiter
Front über alle vier Kategorien Bells. Als Nebeneffekt zieht dies mit sich, daß Fähigkeiten die
sich durch die branchenweite Wissensakkumulation innerhalb des Clusters ausgebildet
haben, ebenfalls assimiliert werden. Dies läßt sich sehr gut im Motorsport betrachten.
Pinch/Henry (1999) beobachteten im britischen Motorsportcluster eine besonders schnelle
Verbreitung von Wissen, da die Geheimhaltung extrem schwierig ist. Ein Grund dafür ist laut
Pinch/Henry die hohe Fluktuationsrate innerhalb der Branche, die dafür sorgt, daß
Mitarbeiter häufig von einem Unternehmen ins andere wechseln und ihr Wissen über
Arbeitsweisen, Routinen und generell branchenübliches Spezialwissen zu ihrem neuen
Arbeitgeber mitnehmen.243
Die dritte und letzte Ausprägung von Knowledge Spillovers schließlich bezieht sich auf den
Technologietransfer. Dabei wirkt dieser Effekt über drei der vier genannten Kanäle: dies sind
einerseits Arbeitgeberwechsel von spezialisierten Fachkräften innerhalb des Clusters.
Andererseits werden der Informationskanal und der F&E-Bereich auf verschiedenste Arten
durch den Technologietransfer passiert angesprochen. Das umfaßt Branchenzeitschriften,
informelle Treffen, clusterinterne Kommunikations- und Weiterbildungsplattformen und
ähnliche Foren, die sich für persönliche Interaktion innerhalb eines Clusters ergeben.
Selbstverständlich fallen auch Interaktionen mit den Anwendern der hergestellten Produkte
darunter, die häufig während der Einführung und Perfektionierung von Innovationen
stattfinden. Die bereits mehrfach angesprochenen Arbeiten von von Hippel zeigen dies
besonders gut.244
Zur Illustration des Technologietransfers kann abermals die Arbeit von Pinch/Henry aus dem
Motorsportbereich herangezogen werden, die beobachten: „Indeed, some teams, somewhat
cynically, employ people on short term contracts to extract what they know of other
teams.”245
Sämtliche hier angesprochenen Kanäle für Knowledge Spillovers sind bei den in Kapitel Vier
vorgestellten österreichischen Clustern beobachtbar gewesen. Durch obige Ausführungen
wird auch klar, daß verstärkte clusterinterne Kooperationen den Lernerfolg und damit die
Wirkungen der Knowledge Spillovers prolongiert und vergrößert. Dies wird auch von
Caniëls/Romijn bestätigt, die anführen, daß mit aktiverer Nutzung dieser Effekte durch die
Unternehmen, also der aktiveren Widmung dieser Lernmöglichkeiten, mehr Spillovers für
benachbarte Unternehmen anfallen. Dadurch wird das Wesen von Spillovers offensichtlich:
„The recipients essentially receive free inputs that complement their own technological efforts
and in this way increase the effectiveness of their learning processes.“246
242
Humankapital kann verstanden werden als implizites und explizites Wissen, daß von Individuen tatsächlich
genutzt wird, im Gegensatz zu Wissen, daß die Gesamtheit der Informationen und Routinen betrifft, daß einem
Individuum prinzipiell zur Verfügung steht. Vgl. dazu u.a Döring/ Schnellenbach (2005), S. 5.
243
Pinch/Henry (1999), S. 823f.
244
Vgl. Caniëls/Romijn (2003), S. 137f.
245
Pinch/Henry (1999), S. 824.
246
Caniëls/Romijn (2003), S. 138.
123
Wie schnell klar wird, ist dies allerdings keine Einbahnstraße und es gibt auch potentielle
negative Effekte, die in einem nachfolgenden Abschnitt noch angesprochen werden.
5.3 Alternative Aspekte
Neben den bisher vorgestellten, in der Literatur am häufigsten genannten
Agglomerationsvorteilen bestehen noch eine Reihe weiterer Sichtweisen bezüglich
Agglomerationsvorteilen.
Der bedeutendste und wohl älteste alternative Aspekt betrifft die Transaktionskostentheorie.
Gerafft dargestellt, ist damit gemeint, daß Transaktionen und Kooperationen zwischen
geographisch nahen Agenten in einem Cluster günstiger sind, da sich durch die Nähe
vertrauensvolle Beziehungen zwischen Wirtschaftssubjekten leichter entwickeln können.247
Weshalb Vertrauen gemäß der Transaktionskostentheorie besonders wichtig ist, wird schnell
klar, wenn man bedenkt, daß jegliche Transaktion und Kooperation dem Risiko des
Opportunismus ausgesetzt ist und wichtigste Möglichkeit (neben Vertrauen) die Agenten zur
Behebung dieses Problems bleibt, der rechtliche Weg ist. Dieser ist jedoch einerseits
kostspielig und oft zu langwierig für die heutigen Wirtschaftsbedürfnisse und andererseits
steigen Aufwand und Kosten mit der Komplexität des zur Diskussion stehenden Vertrages.248
Aus diesem Grund konstatiert Schmitz (1999) auch: „For a deep division of labour and
cooperation between firms to be effective at reasonable cost, trust is essential.“249
Um dieses Vertrauen aufzubauen ist ein gegenseitiges Kennenlernen der Agenten,
hinsichtlich der Motive des Gegenübers, aber auch hinsichtlich des Charakters und des
soziokulturellen Hintergrunds, notwendig. Denn nur so kann das soziale Kapital250 und seine
allgemeine Vertrauenswürdigkeit ausreichend eingeschätzt werden. Eine Schlüsselrolle
hierbei kommt, ähnlich wie bei den Knowledge Spillovers des vorherigen Kapitels, dem
(häufigen) persönlichen Kontakt zu, der eben dieses Kennenlernen unterstützen kann. Aus
diesem Grund, argumentieren die Verfechter von Vertrauen als Agglomerationsvorteil,
kommt Vertrauen aufgrund der leichteren und häufigeren persönlichen Kontakte in Clustern
eine hohe Bedeutung zu.251
Die Rolle von Vertrauen läßt sich sehr gut an einem bereits genannten Beispiel, dem
Instrumentencluster von Sialkot illustrieren. In diesem Cluster ist aufgrund eines schwach
ausgeprägten bzw. durchgesetzten Rechtssystems Vertrauen, basierend auf
Verwandtschaftsverhältnissen und Langzeitbeziehungen, notwendig, um die ausgeprägten
gegenseitigen Abhängigkeitsbeziehungen und Kooperationen aufrechtzuerhalten.252
247
Vgl. dazu u.a. Lyons (1994), Schmitz (1999), Williamson (1999) und Murphy (2006).
Vgl. Lublinski (2002), S. 33.
249
Schmitz (1999), S. 142.
250
Nahapiet/Ghoshal definieren soziales Kapital als die Summe der gegenwärtigen und potentiellen Ressourcen
einer Person, die verfügbar sind durch und abgeleitet sind aus dem Beziehungsnetzwerk eines Individuums oder
einer sozialen Einheit; vgl. Nahapiet/Ghoshal (1998) S. 243.
251
Vgl. Lublinski (2002), S. 33.
252
Vgl. Khan/Ghani (2004), S. 224.
248
124
Doch die Bedeutung von Vertrauen in Clustern bzw. die Vorteile daraus, sind nicht
unumstritten in der Literatur. So sieht Morgan (2005) eine Übertreibung in der Literatur
hinsichtlich der Bedeutung des Einflusses von Vertrauen auf Lernen und Innovation. Er
streicht dabei vor allem die Bedeutung der Nähe für diese Prozesse heraus. In eine ähnliche
Richtung geht auch die Kritik bei Gertler (2003), der traditionelle Annahmen bezüglich der
Rolle von Vertrauen beim Transfer von implizitem Wissen anzweifelt und unterstreicht, der
tatsächliche Beitrag von Vertrauen bei Lernen und Innovation müsse noch besser erforscht
werden.
Zusammengenommen scheint Vertrauen als Agglomerationsvorteil in Clustern noch
schwach erforscht zu sein. Eine gewisse Rolle scheint Vertrauen dennoch zu spielen. Dies
wird vor allem dann deutlich, wenn man abermals das Beispiel des Clusters in Sialkot und
die beschriebene Krisenerfahrung des Jahres 1994 heranzieht. Die Rolle, die Vertrauen im
Cluster bezüglich der Kooperationen gespielt hat, ist wie bereits gezeigt nachgewiesen. Mit
der Arbeit von Rousseau et. al. (1998) wird sie auch noch bestärkt, denn unter den
zahlreichen Konsequenzen von Vertrauen, wie beispielsweise der Reduktion von
schädlichen Konflikten, identifizieren die Autoren auch eine effektivere Reaktion auf Krisen.
Zumindest im Cluster von Sialkot war diese auch erfolgreich. Doch dies ist nur ein Einzelfall,
der nicht dazu verleiten sollte, generelle Aussagen abzuleiten, was auch die gegenwärtige
Forschungsdiskussion in der Literatur zeigt.
Ein weiterer alternativer Punkt betrifft Transportkostenvorteile. Weber (1920) und Lösch
(1954) haben gezeigt, daß aus geographischer Nähe Transportkostenvorteile entstehen
können. Unter diesen Gesichtspunkten können sowohl Zulieferer als auch Kunden aus
kurzen Distanzen innerhalb des Clusters hinsichtlich ihrer Erträge profitieren. Gerade in
Fällen von Just-in-Time-Produktion gewinnt dieser Punkt eine große Bedeutung, werden
dabei doch Lieferverzögerungen zumeist dem Lieferanten angelastet. Wie Lublinski (2002)
jedoch anführt, sind Transportkostenvorteile streng genommen keine Agglomerationsvorteile.
Dies ist auch bei Fujita/Krugman/Venables (1999) sichtbar, die zeigen, daß Cluster sowohl
das Resultat niedriger wie hoher Transportkosten sein können.253
Für einen anderen alternativen Agglomerationsvorteil sind Transportkosten dennoch von
Bedeutung, für den sogenannten Heimmarkt-Effekt.
In der Literatur wird dieser beschrieben als ein Wechselspiel zwischen Skaleneffekten die zu
einer Konzentration von Produktion führen und Transportkosten.
Die Annahmen besagen, daß Skaleneffekte zu einer Produktionskonzentration führen
können und dies bei ausreichend geringen Transportkosten andere Unternehmen dazu
motiviert, den durch die Mitarbeiterkonzentration entstandenen Markt ebenfalls zu nutzen
und sich dort anzusiedeln. Die Idee ist daher, daß dieses Wechselspiel zwischen
Skaleneffekten und Transportkosten den bestehenden Markt vergrößert und ein sich selbst
verstärkender Agglomerationsprozeß in Gang gesetzt wird. Die Forschung zu diesem Thema
ist nicht eindeutig, doch legen verschiedene Ergebnisse die Existenz eines solchen
Heimmarkteffekts nahe. Es bestehen jedoch einige Forschungen die zeigen, daß mit
253
Vgl. Fujita/Krugman/Venables (1999), S. 49.
125
zunehmender Marktöffnung durch Liberalisierungen der Heimmarkteffekt an Bedeutung
verliert.254
5.4 Potentielle Nachteile aus der Agglomeration
Die bisher beschriebenen Effekte haben nicht nur positive Seiten. Von Clustern können für
Unternehmen auch negative Effekte ausgehen. Diese sind vor allem mit zwei der bisher
vorgestellten
und
eng
miteinander
verknüpften
Agglomerationsvorteilen,
des
Arbeitskräfteangebots und der Knowledge Spillovers.
Die Literatur bezüglich negativer Seiten von Agglomeration ist eher spärlich, dennoch finden
sich einige Beiträge wie jener von Brown/McNaughton (2002), Andersson/Ejermo (2005),
Iammarino/McCann (2005) und Combes/Duranton (2006).
Während der Zugang zu spezialisierten Arbeitskräften innerhalb des Clusters zu einer Reihe
von Vorteilen führt, die in diesem Kapitel auch erörtert wurden, kann er auch Kosten nach
sich ziehen.
Die Rede ist hier vom sogenannten „labour poaching“, also der Abwerbung von
spezialisierten Arbeitskräften. Wie Combes/Duranton (2006) ausführen, sind die Kosten
solcher Abwerbungen zweierlei Art.
Einerseits erhalten Mitbewerber Zugang zum Wissen des eigenen Unternehmens, das den
ehemaligen Mitarbeitern innewohnt und werden dadurch potentiell wettbewerbsfähiger.
Andererseits erhöht die Gefahr weiterer Abwerbungen die Kosten über gestiegene
Lohnforderungen für erhöhte Loyalität, wie auch schon Jacobs (1969) feststellte.255
Das bedeutet, die Kehrseite der Arbeitsmarktvorteile sorgt für Rückgänge der Produktivität
bei jenem Unternehmen, das den Mitarbeiter verliert. In diesem Sinne stehen Unternehmen
in Clustern gewissermaßen in einem Zielkonflikt zwischen den potentiellen Gewinnen aus
dem Zugang zu neuen Mitarbeitern und den Kosten im Falle des Verlusts eigener
Mitarbeiter.256
Combes/Duranton (2006) untersuchten eben diese Problematik in einem duopolistischen
ökonometrischen Modell. Wenn es auch stark vereinfacht ist und von dem Sonderfall eines
Duopols ausgeht, so zeigen sich doch interessante Ergebnisse. In bestimmten Sichtweisen
ist es sogar radikal widersprüchlich zur bisher vorgestellten Literatur:
„Finally, our model implies that labour market pooling and spill-overs
can no longer be viewed as distinct motives for agglomeration since
technological spill-overs may percolate through the labour market.”257
Dennoch sollen die Ergebnisse dieser Arbeit hier kurz vorgestellt werden.
254
Vgl. Rosenthal/Strange (2003).
Vgl. Jacobs (1969), S. 97f.
256
Beispiele für diesen Zielkonflikt finden sich u.a. bei Gordon/McCann (2000).
257
Combes/Duranton (2006), S. 4.
255
126
Die Ergebnisse dieses Modells zeigen, daß „co-location“, also die Ansiedelung in
Nachbarschaft zu anderen Unternehmen, auch wenn sie immer effizient ist, nicht das
generelle Gleichgewichtsergebnis darstellt. Wenn die vollkommene Konkurrenz annährend
erreicht wird, trennen sich Unternehmen in den meisten Fällen. Denn mit steigender Rivalität
und Konkurrenz um die besten Köpfe und ihr Wissen, steigen die Haltekosten dieser
Mitarbeiter und überflügeln teilweise sogar die Agglomerationsvorteile.
Ein mit der Problematik des Abwerbens wichtiger Mitarbeiter verbundener Punkt und häufig
genannter Agglomerationsnachteil, der Zu- und Abfluß von Wissen in Clustern, bildet die
Überleitung zu den Knowledge Spillovers.
Knowledge Spillovers können, wie man aus dem vorhergehenden Beispiel vermuten kann,
von zwei Seiten betrachtet werden: als Zufluß von (wertvollem) Wissen aber auch als Abfluß
ebensolchen.
Während der Verlust von Wissen immer als negativ angesehen werden wird, da
immaterielles Vermögen und wertvolles „intellektuelles Kapital“ verloren geht, kann er
dennoch auch positiv betrachtet werden. Denn durch den Charakter eines öffentlichen Guts
das Wissen auch hat, kann es einen positiven Kreislauf in Gang setzen. Denn das verlorene,
in die Freiheit entwichene Wissen stärkt die lokale Wissensbasis und wirkt auch als Magnet
für weiteres zufließendes Wissen innovativer Unternehmen.
Die Bedeutung dieses Zu- und Abflusses von Wissen unterliegt daher der Einschätzung der
eines jeden einzelnen Unternehmens. In manchen Situationen, wie einem Markt, der von
keinem Unternehmen hinsichtlich der Marktanteile und Gewinne dominiert wird und der
gekennzeichnet ist von vielen größenmäßig eher kleineren Unternehmen, wird die Gefahr
eines Wissensabflusses (in Form von Mitarbeitern) eher als gering eingeschätzt werden.
Denn in solchen Fällen übersteigt die Erwartung des potentiellen Gewinns den potentiellen
Verlust. 258
In oligopolistischen Marktsituationen hingegen, die gekennzeichnet sind von wenigen
Marktteilnehmern mit beachtlichen Marktanteilen, kann ein Verlust von Wissen empfindliche
Einbußen der Wettbewerbsfähigkeit nach sich ziehen. Als gutes Beispiel kann hier der
Chipproduzent Intel dienen259, der in den 1980-er-Jahren begann seine wichtigen Entwickler
in Silicon Valley zu limitieren um das Risiko einer Abwerbung und die Kosten zu minimieren:
“Nothing was more frustrating than spending months helping an
operator to learn how to work a sensitive and unpredictable piece of
machinery, only to see that same operator take a job down the street
at National or Fairchild for a dollar more per hour.”260
5.5 Abschließende Evaluierung der Agglomerationsvorteile
Nachdem nun die bedeutendsten Agglomerationsvorteile, die Unternehmen aus Clustern
erwachsen, vorgestellt worden sind und auch eventuelle Agglomerationsnachteile beleuchtet
258
Vgl. Iammarino/McCann (2005), S. 8f.
Der Markt für Computerprozessoren entspricht in den letzten Jahrzehnten geradezu mustergültig der
beschriebenen Oligopolsituation.
260
Jackson (1997), S. 138.
259
127
worden sind, sollen die beleuchteten Agglomerationsvorteile im Lichte des in Kapitel Zwei
vorgestellten analytischen Rahmens evaluiert werden.
Das bedeutet, es soll mit Hilfe der verschiedenen Erklärungsmaßstäbe des
ressourcenbasierten Ansatzes und des wissensbasierten Ansatzes untersucht werden,
welche der Agglomerationsvorteile das Potential haben für einen überlegenen
Wettbewerbserfolg von Unternehmen genutzt zu werden. Daran angeschlossen sollen diese
Agglomerationsvorteile auch mit Hinblick auf ihre innovationsfördernden Eigenschaften, also
ihren möglichen Beitrag für die Innovationsfähigkeit, untersucht werden.
Wie bereits in Kapitel Zwei dargelegt, liegen der ressourcenbasierten Sichtweise von
Unternehmen zufolge, anhaltende Wettbewerbsvorteile von Unternehmen in ihrer
Ressourcenausstattung begründet. Das bedeutet, daß der Wettbewerbsvorteil eines
Unternehmens wesentlich auf den Fähigkeiten beruht, die es auf Basis seiner
Ressourcenausstattung entwickelt.
Was bedeutet dies nun für die einzelnen vorgestellten Agglomerationsvorteile ?
Auf die Arbeitsmarktvorteile eines Clusters umgelegt, stellt sich die Frage, ob dies eine
Ressource im Sinne des Resource Based View (RBV) darstellt.
Die leichtere Verfügbarkeit zu spezialisierten Arbeitskräften in einem Cluster selbst stellt per
se noch keine Ressource dar. Indirekt hat dieser Vorteil jedoch eine Brückenfunktion , denn
er erleichtert den Zugang zu Humanressourcen. Diese sind gemäß Penrose (1959) und
Grant (2002a) wesentlicher Bestandteil des Ressourcenpools im Sinne des RBV. Dennoch
darf diese augenscheinliche Verbindung nicht dazu führen, diesen Agglomerationsvorteil
automatisch als einen Vorteil zu sehen, der den Zugang zu wesentlichen Ressourcen, eben
Humanressourcen, bietet und daher dem Wettbewerbserfolg direkt dienlich ist.
Gemäß dem RBV sind Ressourcen alleine noch nicht produktiv. Erst in ihrem
Zusammenwirken ermöglichen sie das Entstehen der Fähigkeiten, die ein Unternehmen
braucht um produktiv tätig zu werden. Und hier liegt auch der Punkt begründet, der zur
Vorsicht bei der Beurteilung gemahnt. Denn wie bekannt ist, sind nicht alle Fähigkeiten
geeignet, einen Wettbewerbsvorteil zu generieren. Es bestehen neben jenen Fähigkeiten,
die „needed to win“ sind, auch jene die „needed to play“ sind.
Auf die Humanressourcen umgelegt, deren Aneignung der Cluster erleichtert, muß genauer
geklärt werden, zu welchen Humanressourcen ein Cluster den Zugang erlaubt. Jene
Komponenten der Humanressourcen die von besonderem Interesse sind, sind vorrangig das
in den Mitarbeitern verborgene Know-how und ihre Kommunikationsfähigkeit sowie
Teamarbeitsqualitäten die in einer arbeitsteiligen Wirtschaft (mehr noch in einer
hochspezialisierten) von größter Bedeutung sind.
Wenn auch eine generalisierende Aussage zu den hier vorgestellten Clustern unmöglich ist,
so kann doch näherungsweise geklärt werden, was dies für jedes einzelne Unternehmen
bedeutet.
128
Jene Fähigkeiten, die ein Unternehmen auf Basis der eigenen Ressourcen ausbildet und die
für den Unternehmenserfolg von zentraler Bedeutung sind, werden als Kernkompetenzen
bezeichnet. Auf die spezialisierten Mitarbeiter261 die im Cluster leichter anzuwerben sind
umgelegt, bedeutet dies, daß nur jene Mitarbeiter die zu solchen Kernkompetenzen
verhelfen können, von Relevanz sein können.
Wenn man sich nun den Kunststoffcluster Oberösterreich in Erinnerung ruft, so fällt auf, daß
HTL-Lehrgänge und Fachhochschul-Studiengänge neu eingeführt wurden, um den
Clusterbedarf an ausgebildeten Fachkräften stillen zu können. Die dort ausgebildeten
Fachkräfte werden jedoch großteils jene Fertigkeiten mitbringen, die auf
Unternehmensebene lediglich zu Fähigkeiten führen, die „needed to play“, sind während der
Anteil jener Fachkräfte mit außergewöhnlichen Fähigkeiten schon alleine aus der
Wahrscheinlichkeit heraus als gering einzustufen ist.
Die ideale Rekombination der einzelnen Ressourcen, in diesem Fall der Humanressourcen,
obliegt zwar der Unternehmensleitung, doch darf angenommen werden, daß überlegene
Innovationsleistung zu einem nicht unwesentlichen Teil auch auf einer überlegenen
Mitarbeiterausstattung beruht.
Wie bekannt ist, können Innovationen in inkrementelle und Prozeßinnovationen und
wesentlich seltenere radikale, bahnbrechende Innovationen eingeteilt werden. Daraus
abgeleitet kann gesagt werden, daß selbst mit idealer Rekombination und Einsatz von
„gängigen“ Humanressourcen, nämlich jene mit einem durchschnittlichen Fähigkeitsprofil262,
radikale Innovationen seltener vorkommen werden als mit außergewöhnlich begabten und
fähigen Mitarbeitern. Die Ergebnisse von Beaudry/Bresci (2003) bekräftigen dies zum Teil
auch, da sie zeigen, daß die reine Anwesenheit, und daraus gefolgert der „durchschnittliche“
Zugang zu vor Ort vorhandenen Humanressourcen, keinen Innovationsvorteil bietet.
Die hier angesprochenen „besten Köpfe“ werden daher auch innerhalb des Clusters generell
selten sein und im wesentlichen aus zwei Quellen kommen. Einerseits (zu einem geringeren
Teil) aus den Ausbildungsstätten vor Ort und zu einem wesentlich größeren Teil aus den
ebenfalls vor Ort ansässigen Unternehmen, die diese Humanressourcen mühsam und
langwierig aufgebaut haben.
Wie aus der ressourcenbasierten Sichtweise bekannt ist, müssen Kernkompetenzen
mehrere Kriterien erfüllen. Nach Prahalad/Hamel (1990) müssen diese den Zugang zu einer
Vielzahl von Märkten liefern, signifikanten Kundennutzen stiften und schwer imitierbar sein.
Barney (1997) spricht mit seinem VRIO-Schema unter anderem auch strategischen Wert und
Seltenheit an.
Gerade der letzte Punkt trifft auch auf eine wesentliche Eigenschaft bedeutender
Ressourcen zu: ihre Seltenheit. Diese ist, wie dargelegt, auch gegeben. Berücksichtigt man
nun eine weitere wichtige Eigenschaft, die sich bei Grant (2002a) findet, nämlich die
261
Nur um diese kann es in diesem Zusammenhang gehen, denn wenig qualifizierte Mitarbeiter können nicht den
wesentlichen Anstoß zur Ausbildung von Kernkompetenzen bieten.
262
Damit ist die Clusterebene gemeint, denn auf allgemeiner Ebene betrachtet können Fähigkeitsprofile die
innerhalb eines Clusters als Durchschnitt gelten, selbstverständlich als außergewöhnlich bezeichnet werden.
129
Einbettung dieser Ressource in für den Mitbewerb schwer oder nicht durchschaubare
Kausalzusammenhänge, und bedenkt man weiters, daß die Nicht- (oder nur schwere)
Imitierbarkeit eine wesentliche Eigenschaft einer Kernkompetenz ist, so fällt eine
abschließende Beurteilung des Arbeitskräftevorteils von Clustern leicht.
Vernachlässigt man die Mobilitätsaversionen spezialisierter Mitarbeiter, die weltweit
durchaus unterschiedlich ausgeprägt ist, aber dennoch auf globaler Ebene (mit Ausnahme
vielleicht nicht entwickelter Wirtschaften bzw. Entwicklungsländer) nicht zu ausgeprägten
Innovationsungleichgewichten führt263, so wird der Vorteil hinsichtlich des Zugangs zu
wertvollen Humanressourcen in Clustern nur ein leichter sein. Denn liegt eine
Kernkompetenz vor, so ist sie auch durch undurchschaubare Kausalzusammenhänge
geschützt und der Verlust eines Mitarbeiters, wenn er auch wesentlich ist, wird diese nicht
gefährden.
Der leichtere Zugang zu spezialisierten Arbeitskräften kann demzufolge zwar als Vorteil
eines Clusters gesehen werden, ist jedoch unter den dargelegten Bedingungen des RBV nur
als leichter Vorteil eines Clusters gegenüber nichtkonzentrierten Räumen zu sehen.
Zu einem ähnlichen Schluß muß man auch bezüglich des zweiten MAR-Effektes kommen,
den Input-Output-Vorteilen. Denn ein spezialisiertes und vielfältiges Angebot an Lieferanten
und Dienstleistern beziehungsweise Kunden kann, als solches wiederum in die Kategorie
„needed to play“ gereiht werden. So ist die Flexibilität und Anpassungsfähigkeit in vielen
Branchen wie beispielsweise der Automobilbranche eine notwendiges Merkmal eines
Unternehmens, um überhaupt tätig zu werden.
Etwas relativiert werden müssen diese beiden Einschätzungen der Agglomerationsvorteile
Arbeitskräfteangebot und Input-Output-Vielfalt jedoch bei Berücksichtigung der
Unternehmensgröße. Denn die Vielfalt des Angebots dieser beiden Agglomerationsvorteile
kann bei dünner finanzieller und organisatorischer Ressourcenausstattung, wie sie vor allem
bei KMUs gegeben ist, die Möglichkeit erhöhter Spezialisierung und Bündelung von
Ressourcen auf einzelne Kernelemente der unternehmerischen Tätigkeit ermöglichen. Aus
diesem Grund kann die Bedeutung dieser beiden Vorteile bei KMUs als höher eingeschätzt
werden als bei größeren Unternehmen.
Einem anderen Agglomerationsvorteil, der unter den alternativen Aspekten behandelt wurde,
nämlich der erleichterten Ausbildung von Vertrauen zwischen Agenten in einem Cluster,
kann hingegen größere Bedeutung eingeräumt werden.
Aus Sicht des ressourcenbasierten Ansatzes, zählt Vertrauen und die darauf basierenden
Beziehungsgeflechte zwischen den Wirtschaftssubjekten zu den immateriellen Ressourcen.
Die Beziehungsgeflechte von Unternehmen mit ihren unterschiedlich ausgeprägten
Vertrauensstufen halten als Ressource einer Überprüfung hinsichtlich ihres
Rentengenerierungspotentials durchaus stand. Können sie doch als selten, kausal schwer
durchschaubar und äußerst haltbar eingestuft werden. Denn diese Eigenschaften werden in
263
Dies kann in der einschlägigen Literatur sehr gut beobachtet werden in den Mobilitätsunterschieden zwischen
Europa und den Vereinigten Staaten.
130
Beziehungen erst durch große Investitionen erreicht, sei dies nun Zeit, häufiger Kontakt oder
ähnliches. Das individuelle Beziehungsnetzwerk eines Unternehmens kann daher eindeutig
als bedeutende Ressource für die Ausbildung einer Kernkompetenz dienen. Dies trifft vor
allem bei Kooperation zu, die in der empirischen Forschung zu Clustern großen Raum
einnehmen und auch in dieser Arbeit zahlreich vorgestellt wurden.264
Die ebenfalls vorgestellten Marktbedingungen Porters sind nur schwer mit dem analytischen
Rahmen des ressourcenbasierten und des wissensbasierten Ansatzes in Einklang zu
bringen, was, da Porter einer der Hauptvertreter einer marktbasierten Sichtweise ist, nicht
überrascht.
Die stärkste Wirkung aller Agglomerationsvorteile ist jedoch bei Knowledge Spillovers zu
sehen, was die Evaluierung auch zu den letzten beiden Teilen des analytischen Rahmens
führt: der wissensbasierten Sichtweise des Unternehmens und der Innovationsperspektive.
Die Bedeutung der Innovation, wie auch der Innovationsfähigkeit, ist sowohl auf
theoretischer, wie bei Schumpeter gezeigt, als auch auf empirischer Ebene, wie von
Cho/Pucik (2005) nachgewiesen, unumstritten. 265
Wie dargelegt wurde, ist die wesentliche Ingredienz der Innovation, das Wissen. Unter
Innovationsgesichtspunkten, aber auch aus Sicht des Knowledge Based View (KBV), der
das Wissen als bedeutendste generische Ressource identifiziert hat, müssen die vorher
analysierten Agglomerationsvorteile anders bewertet werden.
Durch die Brille des KBV und mit der Bedeutung der Innovation als wesentlichen Treiber der
Unternehmensleistung, müssen vor allem die Arbeitsmarktvorteile, aber auch die InputOutput-Vorteile aufgewertet werden. Denn wie gezeigt wurde, sind Mitarbeiter eine
bedeutende und oft die größte Quelle spezifischen und wertvollen Wissens. Das Selbe gilt
für Input-Outputvorteile, da intensive Kooperationen mit vor- und nachgelagerten Teilen der
Wertkette, bzw. anders ausgedrückt mit Kunden und Lieferanten, sowohl bedeutende
Wissensquellen darstellen, als auch Potential für Innovationen bieten können.
Das Vehikel hierfür stellen die Knowledge Spillovers dar, die wie gezeigt, auf allen Ebenen
des Clusters passieren können, jedoch auf Mitarbeiterebene und in Kooperationen am
ausgeprägtesten sind. Vor allem der letzte Punkt stellt eine mögliche Verbindung zu dem von
Porter genannten Vorteil durch fordernde Kunden sowie komplementäre Effekte der lokalen
Lieferantenbasis her.
Nach dem wissensbasierten Ansatz ist Wissen der wesentlichste produktive Faktor und die
primäre Quelle Ricardianischer Seltenheitsrenten. Wie gezeigt wurde, kann durch
Knowledge Spillovers vor allem der Zugang zu teurem und kontextabhängigem Wissen
erlangt werden. Obwohl die Transferierbarkeit von implizitem Wissen nur schwierig zu
bewerkstelligen ist, ist es dennoch günstiger als die erstmalige Aneignung desselben.266
264
Die große Bedeutung die Vertrauen einnehmen kann, ist sehr gut bei Grant (2002a) ersichtlich der zahlreiche
Beispiele dazu bringt, unter anderem auch die oft exemplarisch angeführten Beziehungsgeflechte bei japanischen
Unternehmen des Automobilbereichs.
265
Vgl. dazu die Ausführungen in Kapitel zwei dieser Arbeit.
266
Vgl. dazu Kogut/Zander (1992).
131
Daraus leitet sich die große Bedeutung von Knowledge Spillovers als komplementärer Faktor
ab, die diesen Agglomerationsvorteil, ebenso wie die vorher analysierten mit noch größerer
Bedeutung für ressourcenknappe KMUs ausstatten.
Doch in einem weiteren Punkt besteht ein komplementärer Effekt von Clustern, und zwar
darin, daß Knowledge Spillovers die Wissensbasis verbreitern. Denn während für die
Schaffung von Wissen eher spezialisierte Fähigkeiten notwendig sind, bereichern zahllose
potentielle Quellen für Knowledge Spillovers die zur Verfügung stehende Wissensbasis.267
Aus den hier vorgebrachten Gründen kann Knowledge Spillovers von allen
Agglomerationsvorteilen die höchste Bedeutung innerhalb des gewählten analytischen
Rahmens beigemessen werden.
5.6 Hypothesen und Kernfragen der empirischen Erhebung
Im Licht der bisherigen Ausführungen dieses Kapitels sollen nun zum Abschluß noch
Hypothesen formuliert werden, die sich an den Leitlinien orientieren, die im ersten Kapitel
durch die Forschungsfragen268 festgelegt wurden.
Wie bereits zu Beginn dieses Kapitels dargelegt, müssen die in der Literatur bestehenden
Argumente für das Bestehen von Clustern, unter dem Eindruck der in dieser Arbeit
vorgestellten österreichischen Cluster und der Analyse der internationalen empirischen
Forschung, relativiert werden.
Bei Berücksichtigung der umfangreichen staatlichen Leistungen (über die im
Landeseigentum
stehenden
Technologieagenturen)
können
die
vorgestellten
Agglomerationsvorteile nicht als der dominierende und allein verantwortliche Grund für das
Bestehen der Cluster angesehen werden.
Zur Überprüfung dieser Annahme werden die hier folgenden Hypothesen formuliert.
Betrachtet man die vorgestellten österreichischen Cluster, so können zwei große Gruppen
von Faktoren als Triebfeder für die Teilnahme an Clustern identifiziert werden.
Dies sind einerseits die klassischen Agglomerationsvorteile nach Marshall, Arrow und
Romer, die Faktoren die Porter identifizierte, und schließlich der Faktor Vertrauen, der unter
den alternativen Aspekten dieses Kapitels behandelt wurde.
Die klassischen Agglomerationsvorteile (Variablen B1 bis B3269), die in dieser Arbeit in
Abschnitt 5.2.1 vorgestellt wurden, wurden nach dem Vorbild bereits bestehender
Untersuchungen abgebildet.
So findet sich das mit der Variable B1 benannte Vorhandensein eines großen spezialisierten
Arbeitskräftebestands, unter anderem in den Studien von Dumais/Ellison/Glaeser (1997),
267
Vgl. dazu auch Giuliani (2005).
Vgl. dazu Kapitel Eins.
269
Vgl. dazu auch die Aufstellung in Tabelle 22 in diesem Abschnitt.
268
132
aber auch bei Lublinski (2003). Gleiches gilt auch für Variable B2, die ebenfalls an Lublinski
(2003) angelehnt ist.
Variable B3, deren Kern Knowledge Spillovers bilden, die in Abschnitt 5.2.3 vorgestellt
wurden, ist an die Studie von Dahl/Pedersen (2003) angelehnt, die Knowledge Spillovers als
den informellen Austausch von wertvollem unternehmensspezifischem Wissen betrachten.
Eine ähnliche, wenn auch etwas breiter gefaßte Sichtweise von Knowledge Spillovers findet
sich bei Niosi/Zhegu (2005), welche auch vertraglichen und wissentlichen Wissensaustausch
zu Knowledge Spillovers zählen. Doch in der empirischen Erhebung wird die spezifischere
Sichtweise von Dahl/Pedersen (2003) bevorzugt.
Die Variablen A1 bis A3 repräsentieren schließlich die in Abschnitt 5.2.2. vorgestellten
Marktbedingungen nach Porter und sind ebenso wie Variable C1, den Studien von Lublinski
(2003) und Malmberg/Power (2005) nachempfunden. Bei Variable A1 wurde lediglich die
Ergänzung „../Lernen“ eingefügt um bei der Umfrage ein besseres Verständnis zu erhalten.
Neben diesen angesprochenen Agglomerationsvorteilen können aus den Fallstudien der
ober- und niederösterreichischen Cluster einige Umfeldvariablen extrahiert werden. Dies sind
einerseits Flächenwidmungspläne (Variable D1) und Umweltauflagen (Variable D2), die
durch ihre Auflagen die Ansiedlungsmöglichkeiten von Unternehmen beschränken.
In diese Richtung zeigt auch die Arbeit von Chakravorty/Koo/Lall (2005), die anhand
indischer Beispiele zu der Vermutung gelangen, daß staatliche Maßnahmen dieser Art zu
unvollkommenen Grundstücksmärkten führen und so als eine mögliche Erklärung für das
Entstehen von Clustern angesehen werden können.
Neben diesen beiden Punkten ist vor allem die bereitgestellte Förderinfrastruktur (Variable
D3) zu nennen, die Kooperationen vor allem im F&E-Bereich unterstützen soll. Dies wird
auch durch die, ebenfalls in dieser Arbeit vorgestellte, Studie von Ohler/Gamsjäger/Mahlich
(2001) unterstrichen, die zeigt, daß bei der Erwartungshaltung von Clusterpartnern an die
Clusterinitiative der erleichterte Zugang zu Förderungen als zweitwichtigster Punkt
identifiziert wird.270
Als letzten Punkt des Umfelds kann man die Infrastruktur innerhalb des Clusters anführen.
Dies umfaßt lokale Ausbildungsstätten (Variable D4a), Kooperationsstätten (Variable D4b),
Informations- und Kommunikationseinrichtungen innerhalb des Clusters (Variable D4c),
sowie Marketingunterstützung für die Clustermitglieder (Variable D4d).
Zusammengenommen formen diese beiden Gruppen die Motivationsfaktoren für
Unternehmen um an Clusterinitiativen teilzunehmen bzw. sich in einem Cluster anzusiedeln.
Dabei muß aufgrund der Mitgliederentwicklung der vorgestellten Cluster davon ausgegangen
werden, daß der Einfluß der Agglomerationsvorteile alleine nicht ausreichend stark ist, um
die Entstehung von Clustern anzustoßen. Erst die staatlicherseits gesetzten
Anschubmaßnahmen sind für das Entstehen der oberösterreichischen Cluster als
270
Vgl. dazu Kapitel 4.2 dieser Arbeit bzw. Ohler/Gamsjäger/Mahlich (2001), S. 64f.
133
verantwortlich anzusehen. Denn nur so kann der sprunghafte Anstieg der Clustermitglieder
erklärt werden.
Hypothese Eins (H1) lautet daher:
Die Motivation zur Teilnahme österreichischer Unternehmen an Clustern wird
sowohl von Agglomerationsfaktoren, als auch von Umfeldfaktoren, die durch den
Staat geschaffen werden bestimmt, wobei den Umfeldfaktoren die dominierende
Erklärungskraft zukommt.
Dies führt umgehend zu einer weiteren Ebene des Hypothesengebildes, der Zielebene der
Unternehmen. Der Leitlinie dieser Arbeit folgend, die den Einfluß von Clustern auf
Unternehmen ergründen soll, umfaßt dies zwei alternative Möglichkeiten der Zielausrichtung
von Unternehmen: jene der Wettbewerbsfähigkeit und jene der Innovationsfähigkeit.
Diese Einteilung folgt dem Ansatz den auch Cho/Pucik (2005) gewählt haben, indem sie
zwischen der Ausnutzung bestehender Gewißheiten und dem Erkennen und Ausnutzen
neuer Möglichkeiten unterscheiden.271
In der empirischen Erhebung werden diese beiden Orientierungen durch
Stellvertretervariablen abgefragt. Im Falle der Wettbewerbsfähigkeit sind dies die
Formulierungen „Erhalt des Unternehmens“, „Steigerung des Umsatzwachstums mit
bestehenden Produkten“, „Steigerung des Marktanteilswachstums mit bestehenden
Produkten“, „Erhalt des Umsatzwachstums mit bestehenden Produkten“, „Erhalt des
Marktanteilswachstums mit bestehenden Produkten“ sowie „Steigerung der Produktivität“.
Die letzten fünf Variablen können teilweise über die Angaben der Umsatz- und
Mitarbeiterzahlen auch rechnerisch ermittelt werden und als solche einerseits mit den
Ergebnissen der Studie von Ohler/Gamsjäger/Mahlich (2001) und andererseits mit der
Eigeneinschätzung der Unternehmen verglichen werden.
Die Innovationsorientierung der befragten Unternehmen wird durch die Formulierungen
„Erreichen der Technologieführerschaft“, „Halten der Technologieführerschaft“, „Bedienung
neuartiger Kundenbedürfnisse“ sowie „Flexible Reaktion auf Marktbedürfnisse“ repräsentiert.
Für die Innovationsorientierung können ebenfalls rechnerische Kontrollen durchgeführt
werden. Hierbei werden die in Kapitel 2.3.2 empfohlenen Dimensionen herangezogen: die
durchschnittliche Zahl der eingeführten Innovationen, der Zeit bis zur Einführung dieser
Innovationen sowie der historischen Entwicklung dieser Zahlen.
Die Basis für diese Kontrollen sollen die von den Unternehmen angegebenen Daten sein.
Hierbei werden Innovationsdaten für das vergangene Jahr, sowie die Jahre 2003, 2000 und
1997 abgefragt, und diese Selbsteinschätzung mit der Clustermitgliedschaft in Relation
gesetzt. Dieselbe Vorgangsweise soll für die Wettbewerbsorientierung bei Bilanz-, Umsatzund Mitarbeiterzahlen angewandt werden. Die Daten für die abgefragten Jahre
korrespondieren dabei mit dem Alter der vorgestellten oberösterreichischen Cluster und
einem Vergleichszeitraum vor der Clustermitgliedschaft.
271
Vgl. dazu Kapitel 2.3.3 dieser Arbeit.
134
Zusätzlich dazu soll, angelehnt an die Vorgehensweise von Subramanian/Nilakanta (1996)
versucht werden, die allgemeine Innovationsfähigkeit seit Bestehen der Unternehmen zu
untersuchen. Auf diese Weise soll der Einfluß der Clustermitgliedschaft auf die
Innovationsfähigkeit näherungsweise ermittelt werden.
Agglomerationsvorteile
Umfeldvariablen
Porter:
D1) Staatliche Flächenwidmungspläne
A1) Operativer und strategischer Vergleich
D2) Staatliche Umweltauflagen
mit lokalen Unternehmen des Clusters / Lernen
D3) Lokale Förderungen
A2) Befriedigung der anspruchsvollen
D4) Lokale Infrastruktur innerhalb des Clusters:
Bedürfnisse lokaler Kunden
A3) Partizipation am Erfolg von Kunden
D4a) lokale Ausbildungsstätten
und Lieferanten vor Ort
D4b) lokale Kooperationsstätten
D4c) lokale Informations- und
MAR
Kommunikationseinrichtungen
D4d) Marketingunterstützung durch Einrichtungen
B1) Vorhandensein eines großen Arbeitskräftebestands
vor Ort
spezialisierter Fachkräfte vor Ort
B2) Vorhandensein eines spezialisierten Lieferantenund Dienstleistungsspektrums
B3) Zugang zu spezifischem und wertvollem Wissen
anderer Unternehmen vor Ort
Alternativ
C1) Aufbau vertrauensvoller Geschäfts- und
Kooperationsbeziehungen vor Ort
Tabelle 22: Die Motivationsfaktoren für die Clusterteilnahme (Hypothese 1)
Zur Ermittlung dieser allgemeinen Innovationsfähigkeit, wird die Zahl der eingeführten
Innovationen eines Unternehmens mit der Zeit zwischen der ersten und der letzten
Innovation in Relation gesetzt. Dies entspricht jedoch nur zu einem Teil der Vorgangsweise
von Subramanian/Nilakanta. Denn neben dieser Variable empfehlen die Autoren, wie in
Kapitel 2.3.2 gezeigt, auch die durchschnittliche Zeit der Einführung dieser Innovation im
Branchenvergleich, sowie die relative Zeit zum Mitbewerb über einen langen Zeitraum
hinweg.
Diese Vorgangsweise ist in der vorliegenden Untersuchung aus zwei Gründen nicht gangbar.
Einerseits verhindert die Heterogenität des Samples (Dienstleister, verschiedene
Marktbereiche der Unternehmen) die exakte Zuordnung der einzelnen Innovation zur
Konkurrenz. Andererseits würde dies aufgrund der hohen Zahl von KMUs und der damit
einhergehenden schwierigen Erreichbarkeit der idealen Auskunftspersonen tendenziell die
Rücklaufquote stark beeinträchtigen.
Trotz dieser Einschränkung sollten Einflüsse des Clusters auf das Innovationsverhalten der
Unternehmen sichtbar werden, da zusätzlich dazu auch die klassische Maßzahl der F&EQuote (definiert als Prozentsatz des Umsatzes) hinzugezogen wird.
135
Zur zusätzlichen Überprüfung der oben beschriebenen Zielorientierung von Unternehmen,
Wettbewerbs- bzw. Innovationsorientierung, wird gegen Ende des Fragenkatalogs eine
weitere Kontrollvariable eingeführt. Diese soll zwei Ziele verfolgen. Einerseits soll sie dazu
dienen, die Qualität der Stellvertretervariablen zu überprüfen und andererseits, soll überprüft
werden ob die während der Erhebung gegebenen Antworten der Unternehmen konsistent
bleiben und der eingangs getroffenen Zieleinteilung entsprechen.
Für diese zusätzliche Kontrollvariable wird auf die Arbeit von Vertretern der wissensbasierten
Sichtweise der Unternehmung zurückgegriffen, die bereits in Kapitel 2.2.2 vorgestellt wurde.
In ihrem Beitrag, der sich mit einer Erkenntnistheorie des Unternehmens befaßt, treffen von
Krogh/Roos/Slocum (1994) die fundamentale Unterscheidung zwischen Fortschritts(„advancement activities“) und Überlebensaktivitäten („survival activities“), die Unternehmen
setzen können. Ähnlich wie bei der bereits vorgestellten Kategorisierung von March (1991),
der Ausnutzung bestehender Gewißheiten und dem Erkennen und Ausnutzen neuer
Möglichkeiten, sind Unternehmen dabei simultan beiden Ebenen ausgesetzt und müssen
zusätzlich die Balance zwischen beiden Orientierungen halten.272
Gemäß dem Modell der Autoren können Fortschrittsaktivitäten, da sie aus der Entwicklung
bzw. dem Entstehen von Wissen herrühren, als Bereitstellung von strategischen
Handlungsoptionen der Unternehmensorganisation gesehen werden. Demzufolge
bezeichnen nach Krogh/Roos/Slocum Überlebensaktivitäten die Ausnutzung einiger dieser
Optionen.
Fortschrittsaktivitäten werden in dieser Erhebung mit Innovationsfähigkeit gleichgesetzt,
während Überlebensaktivitäten als Umschreibung für Wettbewerbsfähigkeit dienen sollen.
Hierbei wird zur Illustration der einzelnen Aktivitäten auf die folgende tabellarische Auflistung
von Krogh/Roos/Slocum (1994) zurückgegriffen. Um jedoch die Antworten der Erhebung so
wenig wie möglich durch Signalwörter wie „Fortschritt“ und „Überleben“ zu beeinflussen, wird
in der Erhebung statt dessen von „Entwicklungs-“ und „Sicherungsaktivitäten“ gesprochen.
Advancement activities
Developing distinctions and norms
Scaling knowledge
Ensuring knowledge conncetivity
Self-referencing
Languaging
Survival activities
Product-market positioning
Planning
Organizing
Routinization
Controlling
Tabelle 23: Fortschritts- und Überlebensaktivitäten in Unternehmen
(Quelle: von Krogh/Roos/Slocum (1994), S. 64.)
Doch neben der oben dargestellten Einflußmessung der reinen Clusteranwesenheit über die
Zeit hinweg, müssen die einzelnen Motivationsfaktoren aus Hypothese Eins (H1) genauer
überprüft werden. Dabei kann vermutet werden, daß je nach Zielorientierung der
Unternehmen, unterschiedliche Agglomerationsvorteile und Umfeldvariablen besondere
272
Vgl. von Krogh/Roos/Slocum (1994), S. 64.
136
Bedeutung genießen werden und verschiedene Bündel von Motivationsfaktoren für die
Clusterteilnahme sichtbar werden.
Wettbewerbsorientierung:
Innovationsorientierung:
Z1) Erhalt des Überlebens
Z7) Erreichen der Technologieführerschaft
Z2) Steigerung des Umsatzwachstums
mit bestehenden Produkten
Z3) Steigerung des Marktanteilswachstums
mit bestehenden Produkten
Z4) Erhalt des Umsatzwachstums mit
bestehenden Produkten
Z5) Erhalt des Marktanteilswachstums
mit bestehenden Produkten
Z6) Steigerung der Produktivität
Z8) Halten der Technologieführerschaft
Z9) Bedienung neuartiger Kundenbedürfnisse
Z10) Flexible Reaktion auf Marktbedürfnisse
Tabelle 24: Wettbewerbs- und Innovationsorientierung (Hypothese 2)
Unter Zuhilfenahme der Arbeiten von March (1991) und Krogh/Roos/Slocum (1994) und der
bereits vorgestellten Klassifikation kann versucht werden, die einzelnen bisher genannten
Motivationsfaktoren273 der strategischen Orientierung, sowie der Innovations- bzw.
Wettbewerbsorientierung, zuzuweisen.
Tabelle 25 zeigt diese Einteilung der Motivationsfaktoren in Fortschrittsaktivitäten bzw. das
Erkennen und Ausnutzen neuer Möglichkeiten einerseits und Überlebensaktivitäten bzw. das
Ausnutzen bestehender Gewißheiten.
Fortschrittsaktivitäten
Erkennen und Ausnutzen neuer
Möglichkeiten
(B1) Vorhandensein eines großen
Arbeitskräftebestands
spezialisierter Fachkräfte vor Ort
Geschenkorientierung
Überlebensaktivitäten
Ausnutzung bestehender
Gewißheiten
(A1) Operativer und strategischer
Vergleich mit lokalen
Unternehmen des Clusters / Lernen
(C1) Vertrauen
(B3) Zugang zu spezifischem und
wertvollem Wissen anderer
Unternehmen vor Ort
(A2) Befriedigung der anspruchsvollen
Bedürfnisse lokaler Kunden
(D3) Lokale Förderungen
(D4a) Lokale Ausbildungsstätten
(D4b) Lokale Kooperationsstätten
(D4c) Lokale Informations- und
Kommunikationseinrichtungen
(D4d) Lokale Marketingunterstützung
(A3) Partizipation am Erfolg lokaler
Lieferanten und Kunden
(B2) Spezialisierte Lieferanten und
Dienstleister vor Ort
(D1) Staatliche
Flächenwidmungspläne
Innovationsorientiertes
Motivationsbündel
(IOB)
Geschenkorientiertes
Motivationsbündel
(GOB)
(D2) Staatliche Umweltauflagen
Wettbewerbsorientiertes
Motivationsbündel
(WOB)
Tabelle 25: Die Bündel der Motivationsfaktoren nach strategischer Orientierung (Hypothese 2)
273
Vgl. dazu Tabelle 22 in diesem Kapitel.
137
Beginnend bei den Variablen von Porter (A1 bis A3) können die ersten drei Variablen den
Überlebensaktivitäten, also der Wettbewerbsorientierung, zugewiesen werden.
Diese Zuteilung kann nur schwer trennscharf getroffen werden, doch gibt es einige
Anhaltspunkte, die dafür sprechen. Dies ist am besten am Beispiel von Variable A1 sichtbar.
Diese betrifft das strategische und operative Benchmarking mit anderen Unternehmen.
Zieht man die Untersuchungen von Mintzberg (1978, 1985, 1989) bezüglich der
Strategieformulierung und Umsetzung in Betracht, so ist der strategische Vergleich als
schwieriger anzusehen. Denn nach Mintzberg kann zwischen beabsichtigten bzw. geplanten
(„intended strategies“), durch Anpassung an neue Gegebenheiten oder Interpretation
entstehenden („emergent strategies“) und realisierten („realized strategies“) unterschieden
werden. Das bedeutet, daß die tatsächliche Strategie eines Unternehmens nur selten der
von außen beobachteten entsprechen wird. Manche Quellen sprechen gar davon, daß die
beobachtete Strategie lediglich 10-30% der eigentlich geplanten Strategie darstellt.274
Der weitaus größte Teil dieses Agglomerationsvorteils (Variable A1) dürfte daher auf die
operative Ebene entfallen, die durch die Nähe innerhalb des Clusters, hauptsächlich in
leichter beobachtbaren Bereichen wie Logistik und dergleichen profitieren dürfte.
Die Variablen A2 und A3 können unter Berücksichtigung der Arbeit von von
Krogh/Roos/Slocum (1994) eher der Bedienung bestehender Kundenschichten und
besseren Ausnutzung eines bestehenden Marktes, also der Ausnutzung bestehender
Gewißheiten, in der Diktion von March (1991), zugewiesen werden. Aus diesem Grunde sind
diese Variablen ebenfalls der Wettbewerbsorientierung zuzuschreiben.
Mit einer ähnlichen Begründung kann Variable B2, spezialisierte Lieferanten und
Dienstleister vor Ort, der Wettbewerbsorientierung zugeschrieben werden. Denn wie bereits
in Kapitel 5.5. gezeigt, spielen diese in einer Vielzahl von Branchen eine solch gewichtige
Rolle, daß ein Tätigwerden ohne diese Dienstleister- und Lieferstrukturen, wie zum Beispiel
im Automobilbereich, gar nicht möglich ist. Daher kann diese Variable kaum einer
Fortschrittsorientierung nach von Krogh/Roos/Slocum zugewiesen werden.
Die Variablen D1 und D2, also Flächenwidmungspläne und Umweltauflagen, schließlich
können, aufgrund ihres Einmalcharakters275 bei der Standortentscheidung und den
Unwägbarkeiten von Innovationen und ihrer Beeinflussung durch diese Kriterien, ebenfalls
der Wettbewerbsorientierung zugewiesen werden.
Im Gegensatz zur Wettbewerbsorientierung, fällt die Zuordnung einiger Variablen zur
Innovationsorientierung viel leichter. So können die Variablen B1, B3 und D4a aufgrund ihres
Wissensfokus eindeutig einer Entwicklungsperspektive zuzuordnen.
274
Vgl. dazu beispielsweise Grant (2002a), S. 26 oder Raps (2005).
Ausgenommen Novellen und neue Bestimmungen, die allerdings zumeist nicht jährlich sondern in größeren
zeitlichen Abständen erfolgen.
275
138
Bei Variable D4c, also lokalen Informations- und Kommunikationseinrichtungen, kann zwar
argumentiert werden, daß diese ebenfalls einer Wettbewerbsorientierung zuzuweisen wären,
doch dürfte der Einfluß dieser Variable eine größere Bedeutung bei innovationsorientierten
Unternehmen einnehmen. Denn bei bestehenden Geschäftsfeldern und Kundenstöcken
dürfte die direkte Kommunikation zwischen Kunde und Lieferant einen höheren Stellenwert
einnehmen als Mittlerstellen, wie sie durch Variable D4c beschrieben sind.
Neben den bisher angeführten Variablen besteht schließlich noch die Gruppe von nicht
eindeutig zuordenbaren Motivationsfaktoren. Dies betrifft beispielsweise den Faktor
Vertrauen (Variable C1), der in beiden Orientierungen von großer Bedeutung sein dürfte.
Dies kann durch Beispiele untermauert werden. So bedarf die Marktkommunikation von
Innovationen ebenso den Aufbau und das Bestehen vertrauensvoller Beziehungen, wie der
Austausch von Informationen und Wissen.276 Auf der anderen Seite bedarf im Falle der
Wettbewerbsorientierung, beispielsweise der Aufbau von Supply-Chain-Strukturen, ebenfalls
eines hohen Maßes an Vertrauen in den Kunden-Lieferanten-Beziehungen.
Förderungen (Variable D3) können im selben Maße beiden Orientierungen zugewiesen
werden. Dies ist sowohl im F&E-Bereich (Innovationsorientierung), als auch beispielsweise
bei
Produktionserweiterungen
zur
Ausnutzung
von
Skaleneffekten
(Wettbewerbsorientierung) zutreffend.
Aus dem selben Grund kann mit Variable D4b, lokale Kooperationsstätten, gleich verfahren
werden. Ebenso könnte die lokale Marketingunterstützung (Variable D4d) beiden
Orientierungen zugewiesen werden.
Alle Variablen dieser Gruppe bilden eine dritte Orientierung, die keine klare Strategie im
Sinne der getroffenen Auswahl (Innovations- und Wettbewerbsorientierung) erkennen läßt
und am ehesten unter dem Begriff „Geschenkorientierung“ zusammenzufassen ist.
Denn die Variablen dieser Gruppe haben einen Geschenk- bzw. Mitnahmecharakter. Dies
läßt sich am besten bei den Variablen D4b und D4d illustrieren.
Mit der geringen Mitgliedsgebühr von 300 bis 1.100 Euro pro Jahr277 ist der Zugang zu
potentiellen Kooperationspartnern und Marketingunterstützung günstig zu erhalten.
Etwas schwieriger ist diese Qualifizierung bei den Variablen C1 (Vertrauen) und D3
(Förderungen).
Ohne materielle und immaterielle Investitionen in Beziehungen zu Kunden und Lieferanten
wird Vertrauen nicht zu erreichen sein, doch bietet die Clusterumgebung zumindest ein
Forum dafür. Damit ist ein gewisser Geschenkcharakter zu bejahen.
Ähnliches gilt für Variable D3.
276
277
Vgl. dazu beispielsweise Murphy (2006) sowie die Ausführungen in Kapitel 5.3.
Vgl. dazu Kapitel 4.1.2 in dieser Arbeit.
139
Der Zugang zu Fördermitteln ist nicht ohne ein gewisses Maß an Förderwürdigkeit des
Projekts zu erreichen, doch kann angenommen werden, daß bereits ein Mindestmaß an
Anstrengung Zugang zu Fördermitteln bietet.278 Hierbei sei vor allem an Aus- und
Weiterbildungsmaßnahmen gedacht, wie sie in Kapitel 4.1.2 schon dargelegt wurden.
Bedenkt man schließlich noch die Ergebnisse der Studie von Ohler/Gamsjäger/Mahlich
(2001), die Motive mit Geschenkcharakter, wie beispielsweise Förderungen (Variable D3),
als führend unter den Motivationsfaktoren identifizierten279, so kann diese Gruppe an
Variablen tatsächlich unter der Bezeichnung „Geschenkorientierung“ zusammengefaßt
werden.
Die vorläufige Hypothese Zwei (H2) lautet daher:
Je nach Zielorientierung der Unternehmen können unterschiedliche Bündel von
Motivationsfaktoren identifiziert werden.
Ausgehend von den bisher identifizierten Bündeln an Motivationsfaktoren280 kann Hypothese
Zwei jedoch aufgespalten werden in folgende Hypothesen:
H2a:
Jene Unternehmen, die nach ihrer Selbsteinschätzung eine Innovationsorientierung
aufweisen, bewerten die Motivationsfaktoren der Gruppe IOB als stärkste Triebfedern zur
Teilnahme an Clustern.
H2b:
Jene Unternehmen, die nach ihrer Selbsteinschätzung eine Wettbewerbsorientierung
aufweisen, bewerten die Motivationsfaktoren der Gruppe WOB als stärkste Triebfedern
zur Teilnahme an Clustern.
Neben diesen beiden Extrempunkten verbleibt noch die Gruppe jener Unternehmen mit
Geschenkorientierung, die keine klare strategische Orientierung erkennen läßt. Es ist zu
vermuten, daß dies jene Unternehmen sind, die sich bei den beiden Kontrollfragen zur
strategischen Orientierung widersprechen. Doch ebenso dürften jene Unternehmen in diese
Klasse fallen, die zwar eine gewisse Tendenz zu einer der beiden Orientierungen,
Innovations- oder Wettbewerbsorientierung, aufweisen und sich in den Kontrollfragen nicht
widersprechen, aber in Ihren Handlungen keine Übereinstimmung zur Selbsteinschätzung
zeigen.
278
Ohler/Gamsjäger/Mahlich (2001) beschreiben diese Einschätzung wie folgt: „ [...] zumal [...] verhältnismäßig
geringem Aufwand realisiert werden können, besonders dann, wenn man in Rechnung stellt, dass sie als
Nebenprodukt anderer Tätigkeiten und damit verbundener Erwartungen eintreten.“, S. 64.
279
Vgl. Ohler/Gamsjäger/Mahlich (2001), S. 63ff, sowie S. 102.
280
Vgl. dazu auch Tabell 25 in diesem Kapitel.
140
Dies wird dann der Fall sein, wenn die Motivationsfaktoren der Gruppe GOB, also des
geschenkorientierten Bündels an Motivationsfaktoren aus Tabelle 25, am positivsten und
bedeutendsten bewertet werden.
Demzufolge lautet der dritte Teil der Hypothese Zwei:
H2c:
Jene Unternehmen die eine widersprüchliche strategische Selbsteinschätzung aufweisen
oder im Cluster nicht nach ihrer Selbsteinschätzung handeln, bewerten die
Motivationsfaktoren der Gruppe GOB als stärkste Triebfedern zur Teilnahme an Clustern.
Dies führt schließlich zur dritten und letzten Hypothese, die auf die Unternehmensgröße
abstellt.
Wie bereits zu Beginn dieses Kapitels dargelegt wurde, und wie in Kapitel Vier sichtbar war,
dominieren in sämtlichen oberösterreichischen Clustern KMUs unter den Mitgliedern. Dies
legt den Schluß nahe, daß der Bedeutung der Agglomerationsvorteile und der
Umfeldgegebenheiten,
je
nach
Unternehmensgröße
und
zugehöriger
Ressourcenausstattung, unterschiedlich starkes Gewicht zukommt.
Dabei sollten beide Gruppen von Motivationsfaktoren eine größere Bedeutung für KMUs
zeigen als für Großunternehmen, wobei die Umfeldvariablen, wie die clusterinterne
Infrastruktur und die vorgestellten Förderprogramme wohl die größte Bedeutung aufweisen
dürften. Diese Überlegung fußt auf der unbestreitbaren Annahme der im Vergleich zu
Großunternehmen geringeren relativen Ausstattung von KMUs mit finanziellen, personellen
und sonstigen Ressourcen281, so daß hier dem Cluster eine komplementäre Funktion
zukommen dürfte.282
Darauf wurde bereits in Kapitel 5.5 hingewiesen, wo die einzelnen Agglomerationsvorteile
anhand des gewählten analytischen Rahmens (und dabei insbesondere des RBV) dieser
Arbeit untersucht wurden.
Die komplementäre Rolle, die Cluster für KMUs in Ressourcenhinsicht spielen können ist
beispielsweise anhand der Innovationsfähigkeit von KMUs sichtbar. Während Hadjimanolis
(2000) zeigt, welchen beschränkenden Einfluß die geringere Ressourcenausstattung auf die
Innovationsfähigkeit von KMUs hat, weist Simmie (2002) auf die Bedeutung von Knowledge
Spillovers in Clustern für innovative KMUs hin.
Die große Bedeutung des Clusters als Ressourcenlieferant für KMUs ist auch in der bereits
in Kapitel Drei erwähnten Studie von Grando/Belvedere (2006) sichtbar.
281
Aus der Vielzahl verfügbarer Literatur zur Problematik geringerer Ressourcenausstattung von KMUs im
Vergleich zu Großunternehmen sei exemplarisch auf Welsh/White (1981) und Dangayach/Deshmukh (2001)
verwiesen.
282
Als Beispiel sei hier auf die Arbeit von Pyke/Becattini/Sengenberger (1990) verwiesen, die zeigen, daß KMUs
durch positive komplementäre Effekte einer Clustermitgliedschaft ihre Wettbewerbsfähigkeit signifikant steigern
können.
141
Die Autoren zeigen in ihrer quantitativen Analyse produzierender Unternehmen in Italien,
daß unabhängige und nicht in Clustern ansässige KMUs zwar ein hohes Maß an Flexibilität
vorweisen können und in Teilbereichen wie „time-to-market“ auch ressourcenreicher
ausgestattete Großunternehmen übertreffen können. Doch eine Clustermitgliedschaft kann
Vorteile von KMUs noch signifikant verstärken, wie die Ergebnisse von Grando/Belvedere
ebenfalls deutlich machen.
Zusammengenommen spricht sowohl die Theorie des RBV als auch die erwähnten Studien
und das faktische Übergewicht von KMUs in den oberösterreichischen Clustern dafür, daß
den Agglomerationsvorteilen und wahrscheinlich noch mehr den Umfeldvariablen bei KMUs
eine höhere relative Bedeutung zukommt als bei Großunternehmen.
Es gibt aber auch Stimmen in der Literatur, wie Knight/Cavusgil (2004), die zu bedenken
geben, daß die Rolle die geringes Unternehmensalter und Größe (und damit einhergehend
auch die Ressourcenausstattung) für Flexibilität und Reaktionsfähigkeit spielen, eventuell
unterschätzt und die geringe Ressourcenausstattung dafür überschätzt wird.
Dies wird durch die Ergebnisse von Gassmann/Keupp (2007) unterstützt, die zeigen, daß
Risiken eingehende, ressourcenschwache und innovationsorientierte KMUs der
Biotechnologiebranche durchaus bemerkenswerte Erfolge feiern können und das trotz ihrer
geringen Ressourcenausstattung.
Auf den ersten Blick führen diese, zugegeben auf eine engbegrenzte Branche bezogenen,
Ergebnisse dazu, daß die auf die Rolle des Clusters als Ressourcenlieferant für KMUs
abzielende Hypothese ihren Wert teilweise verliert.
Doch auf den zweiten Blick zeigt sich, daß der Erfolg dieser erfolgreichen KMUs auf der
tragenden Rolle von Wissen im Sinne der wissensbasierten Sichtweise des Unternehmens
(KBV)283 beruht.
Im Lichte dieser Ergebnisse dürfte Überprüfung der nun folgenden Hypothese zumindest für
das innovationsorientierte Motivationsbündel (IOB) und da vor allem für Knowledge
Spillovers interessant sein.
Demzufolge lauten die beiden Teile der Hypothese Drei:
H3a:
Die Bedeutung der Clustervariablen ist bei KMUs im Vergleich zu Großunternehmen
deutlich höher.
H3b:
Die Bedeutung der Umfeldvariablen, insbesondere der Förderinfrastruktur, ist im
Vergleich zu Großunternehmen bei KMUs ausgeprägter.
283
Vgl. dazu Kapitel 2.2.2.
142
H1:
Agglomerationsfaktoren
Motivation für
Clusterpartizipation
Porter:
Umfeldfaktoren
D4a) lokale Ausbildungsstätten
D4b) lokale Kooperationsstätten
D4c) lokale Informations- und
Kommunikationseinrichtungen
D4d) Marketingunterstützung durch Einrichtungen
vor Ort
MAR
B1) Vorhandensein eines großen Arbeitskräftebestands
spezialisierter Fachkräfte vor Ort
B2) Vorhandensein eines spezialisierten Lieferantenund Dienstleistungsspektrums
B3) Zugang zu spezifischem und wertvollem Wissen
anderer Unternehmen vor Ort
Alternativ
H2:
Unternehmensziele
C1) Aufbau vertrauensvoller Geschäfts- und
Kooperationsbeziehungen vor Ort
A1), A2, A3),
B2), D1), D2)
B1), B3), D4a),
D4c),
Wettbewerbsorientierung:
Innovationsorientierung:
Z1) Erhalt des Unternehmens
Z2) Steigerung des Umsatzwachstums mit bestehenden Produkten
Z3) Steigerung des Marktanteilswachstums mit bestehenden Produkten
Z4) Erhalt des Umsatzwachstums mit bestehenden Produkten
Z5) Erhalt des Marktanteilswachstums mit bestehenden Produkten
Z6) Steigerung der Produktivität
Z7) Erreichen der Technologieführerschaft
Z8) Halten der Technologieführerschaft
Z9) Bedienung neuartiger Kundenbedürfnisse
Z10) Flexible Reaktion auf Marktbedürfnisse
H3:
Größenkontrolle
KMU bzw. Großunternehmen nach Umsatz, Mitarbeitern und Bilanzsumme
Tabelle 26: Schematische Darstellung der Hypothesen
143
C1, D3,
D4b,
D4d
Geschenkorientierung
D1) Staatliche Flächenwidmungspläne
D2) Staatliche Umweltauflagen
D3) Lokale Förderungen
D4) Lokale Infrastruktur innerhalb des Clusters:
A1) Operativer und strategischer Vergleich
mit lokalen Unternehmen des Clusters / Lernen
A2) Befriedigung der anspruchsvollen
Bedürfnisse lokaler Kunden
A3) Partizipation am Erfolg von Kunden
und Lieferanten vor Ort
6. Österreichische Unternehmen in Clustern – Ein empirisches Bild
Zur Überprüfung der im vorhergehenden Kapitel aufgestellten Hypothesen wurde eine
Umfrage in den drei präsentierten284 oberösterreichischen Clustern (Automobil-, Kunststoffund Mechatronikcluster Oberösterreich) durchgeführt.
Bevor die Ergebnisse dieser Umfrage jedoch vorgestellt werden, sei auf die Methodik und
die Datenbasis der Umfrage eingegangen.
6.1 Methodik und Umfragedaten
Die Umfrage fand in Form einer Onlineerhebung statt, wobei 640 Unternehmen per E-Mail
kontaktiert wurden.
Zur Durchführung der Umfrage wurde auf das Angebot des auf Onlineumfragen
spezialisierten Unternehmens 2Ask.at285 zurückgegriffen.
Bei der Erstellung des kurzen Fragebogens286 wurde eine sechsstellige Likert-Skala gewählt
um eindeutige positive oder negative Einstellungen bei den Fragen zu erzwingen und keine
Häufung neutraler Einschätzungen zu produzieren.
Die Umfrage fand in zwei Runden statt und richtete sich an die Mitglieder der
Geschäftsführung bzw. die für die Clustermitgliedschaft zuständigen Personen.
Der erste Durchlauf dauerte vom 12. November 2007 bis 5. Dezember 2007.
Die insgesamt 645 Zuschriften des ersten Durchlaufs resultierten (nach einmaliger E-MailAntwortanzahl / Tag (1. Runde)
9
8
7
6
5
4
3
2
1
0
8
1
1
1
1
0
0
0
0
12.11. 13.11. 14.11. 16.11. 19.11. 28.11. 29.11. 30.11. 1.12.
0
0
0
2.12.
3.12.
4.12.
(Umfragestart: 12.11.2007)
Abbildung 21: Rücklauf der Erstumfrage (Quelle: Eigene Darstellung)
Erinnerung 14 Tage nach Umfragestart) in 12 verwertbaren Fragebögen. Dies entspricht
einer Rücklaufquote von 1.86%.
284
Vgl. dazu Kapitel 4.1 in dieser Arbeit.
Vgl. dazu die Homepage des Unternehmens unter http://www.2ask.at/.
286
Vgl. dazu den Fragebogen der Erstumfrage bzw. den adaptierten Fragebogen der Zweitumfrage im Anhang
dieser Arbeit.
285
144
Der in diesem Durchlauf verwendete Fragebogen fragte einerseits nach absoluten Werten
für Umsätze, Bilanzsummen und Mitarbeiterzahlen zu vier Zeitpunkten zwischen 1997 und
2006. Dies sollte eine Größeneinteilung in KMUs und Großunternehmen nach der bereits
vorgestellten EU-Definition ermöglichen. Weiters wurde nach der Unternehmensorientierung
gefragt, sowie nach Bedeutung, Vorhandensein und Motivationskraft (für den Clusterbeitritt)
der im vorhergehenden Kapitel herausgearbeiteten Agglomerations- und Umfeldvariablen.
Schließlich wurden einige Innovationsdaten, wie eingeführte Produktinnovation oder F&EBudgets, über den Zeitraum 1997-2006 (ebenfalls in absoluten Zahlen) abgefragt.
Die nicht zufriedenstellende Rücklaufquote, sowie die E-Mail-Kommunikation mit einigen
Teilnehmern, legte jedoch eine notwendige Adaptierung des Fragebogens nahe.
Da zahlreiche Unternehmen trotz der Zusicherung der Vertraulichkeit, die abgefragten
Absolutwerte zu Umsatz, Bilanzsumme, Mitarbeitern und F&E-Ausgaben als zu sensibel
ansahen, wurde der Fragebogen der Erstumfrage angepaßt.
Statt der ursprünglichen Absolutwerte wurden nunmehr Intervalle bei diesen offensichtlich
als sensibel angesehenen Absolutwerten eingeführt. Dabei wurden die größenrelevanten
Abfragen (Umsatz, Bilanzsumme und Mitarbeiterstand) zusätzlich an das Ende der Umfrage
gestellt, um die Zahl der verwertbaren (nicht abgebrochenen) Fragebögen zu maximieren.
Dieser angepaßte Fragebogen findet sich, ebenso wie der ursprüngliche Fragebogen, im
Anhang dieser Arbeit. Die Antworten des ersten Durchlaufs wurden mit den Antworten des
zweiten Durchlaufs mittels der für den zweiten Durchlauf definierten Intervalle
zusammengeführt.
Der zweite Durchlauf der Umfrage dauerte vom 5. Dezember 2007 bis 12. Jänner 2008.
Um den Rücklauf zu maximieren wurde eine Woche nach Start des zweiten Durchlaufs eine
weitere E-Mail-Erinnerung ausgesandt. Zusätzlich dazu, wurden am 14., 17. und 18.
Dezember 2007 insgesamt 451 Unternehmen telefonisch konatktiert und an die Teilnahme
erinnert.287
Antwortanzahl / Tag (2. Runde)
16
14
12
10
8
6
4
2
0
14
14
8
5
4
2
2
0
5.12.
6.12.
7.12.
8.12.
1
2
3
1
1
3
1
1
9.12. 10.12. 11.12. 12.12. 13.12. 14.12. 15.12. 17.12. 18.12. 19.12. 20.12. 29.12. 03.01.
(Umfragestart: 5.12.2007)
Abbildung 22: Rücklauf der Zweitumfrage (Quelle: Eigene Darstellung)
287
2
Im Schnitt resultierten 16 Anrufe in einem zusätzlichen beantworteten Fragebogen.
145
Diese Maßnahmen führten zusammen mit der Erstumfrage zu einer Rücklaufquote über das
Gesamtsample von 11,88%. Die Rücklaufquoten der einzelnen Cluster stellten sich wie folgt
dar: Automobilcluster: 12,44% , Kunststoffcluster: 10,88% , Mechatronikcluster: 13,14%.
In absoluten Werten ausgedrückt bedeutet dies 76 verwertbare Fragebögen, die sich
zusammensetzen aus 26 Unternehmen des Automobilclusters, 32 Unternehmen des
Kunststoffclusters und 18 Unternehmen des Mechatronikclusters.
4
3
2
Oberösterreich
Niederösterreich
Wien
Kärnten
Salzburg
Vorarlberg
Steiermark
Tirol
2 1
12
43
9
Abbildung 23: Verteilung der antwortenden Unternehmen nach Bundesländern
(Quelle: Eigene Darstellung)
Abbildung 24: Verteilung der Standorte der antwortenden Unternehmen nach Verwaltungsbezirken
(Quelle: Eigene Darstellung)
146
6.1.1
Datenbasis
Aufbauend auf den Mitgliederlisten288 der drei untersuchten Cluster (Automobil-, Kunststoffund Mechatronikcluster; in der Folge AC, KC und MC genannt) mit Stichtag 18. Juni 2007
ergibt sich ein potentielles Umfragesample von 857 zu befragenden Clusterteilnehmern.
Diese Gesamtzahl enthält jedoch Clusterteilnehmer die aus verschiedensten Gründen nicht
von der Umfrage erfaßt werden sollten. So sind in dieser Zahl 61 teilweise weit verstreute
ausländische Clusterpartner enthalten. Vereinzelte auf Liechtenstein, Italien, Tschechien,
Deutschland oder die Slowakei verteilte Clusterpartner würden die in dieser Arbeit
vorgestellte Definition von Nähe und die daraus erwachsenden Vorteilen überstrapazieren.
Aus diesem Grund wurde das Sample um die ausländischen Clusterpartner korrigiert.
Diese Zahl wurde jedoch weiter verringert, da 75 Clusterteilnehmer auf
Mehrfachmitgliedschaften der Clusterpartner zurückgingen. Der Großteil dieser
Mehrfachmitgliedschaften betraf die Kombination AC und KC, sowie AC und MC.
Da Schulen, Universitäten, Vereine und Interessenvertretungen aufgrund ihrer nichtunternehmerischen Eigenschaft nicht zur Zielgruppe dieser Umfrage zu zählen sind, wurde
diese ebenfalls nicht in die Umfrage miteinbezogen289.
Die verbliebenen 656 Unternehmen reduzierten sich aufgrund fehlender bzw. nicht
funktionierender E-Mailadressen schließlich (im Verlaufe der Umfrage) auf 640
Unternehmen.
6.1.2
Auswertung der Umfrage
Die Auswerung der Umfrage erfolgte mit der Statistiksoftware SPSS Version 15.0 für
Microsoft Windows. Die dabei verwendete Syntaxdatei findet sich im Anhang dieser Arbeit.
Die statistischen Berechnungen wurden von bzw. in Zusammenarbeit mit einem Statistiker,
Herrn Harald Brix-Samoylenko durchgeführt. Die Vorstellung der Ergebnisse, sowie die
Interpretation erfolgte jedoch durch den Autor dieser Arbeit.
Aufgrund des Fragebogendesigns, waren die hauptsächlich genutzten Analysemethoden
Varianzanalysen (ANOVA – Analysis of Variance) in verschiedenster Ausprägung (univariat,
multivariat, Rangvarianzanalysen etc.).
Das Signifikanzniveau ab dem die Nullhypothese als widerlegt angesehen wird, wurde mit
= 0,05 festgelegt, wobei ein Wert von 0,01 oder darunter als hochsignifikant angesehen
wird.
Vor der Überprüfung der aufgestellten Hypothesen folgt ein allgemeiner Teil der Ergebnisse.
Dieser stellt die Gruppe der antwortenden Unternehmen nach verschiedenen Kriterien vor
288
Diese sind auf den folgenden Clusterhomepages abrufbar: http://www.automobilcluster.at/ ,
http://www.kunststoffcluster.at/ und http://www.mechatronikcluster.at/.
289
Sofern die nicht-unternehmerische Eigenschaft aus dem Namen bzw. der Selbstbeschreibung im
Clusterverzeichnis erkennbar war.
147
und zeigt Ergebnisse auf, die sich als Nebenprodukt der Kernfragen zusätzlich ergeben
haben.
Nach diesem allgemeinen Teil der Ergebnisse sollen schrittweise die aufgestellten
Hypothesen überprüft werden. Dabei folgt die Darstellung der Ergebnisse, wie hier kurz
dargelegt wird, grob dem Aufbau der beiden Fragebögen.
Jeder Umfrageteilnehmer wurde durch den Fragebogen einer Grobeinteilung nach der
Unternehmenszielorientierung (Wettbewerbs- bzw. Innovationsorientierung) unterzogen.
In der Folge wurde auf drei Ebenen nach der Bewertung der aufgestellten Agglomerationsund Umfeldvariablen gefragt: der Bedeutung der abgefragten Variablen für die Zielerreichung
der Unternehmen, dem geschätzten Grad des Vorhandenseins dieser Variablen im
jeweiligen Cluster und schließlich, der Motivationskraft dieser Variablen für den
Clusterbeitritt.
Um die Bewertung der Agglomerations- und Umfeldvariablen mit einander vergleichen zu
können, wurden diese nach der Einzelbetrachtung der 14 Variablen im nächsten Schritt zu
fünf Gruppen zusammengefaßt.
Diese Gruppen sind: Porter (Variablen A1-A3), MAR (B1-B3), Alternativ (C1), Umfeld 1 (D1D3) und schließlich Umfeld 2 (D4a-D4d).
Nach einem Vergleich dieser fünf Gruppen auf den vorher erwähnten Ebenen, wurden, in
einem letzten Schritt, die Gruppen Porter, MAR und Alternativ zur Variablengruppe
Agglomerationsfaktoren zusammengefaßt. Die verbleibenden beiden Gruppe bilden, analog
dazu die Variablengruppe Umfeldfaktoren.
6.2 Allgemeine Ergebnisse
Das Sample der teilnehmenden Unternehmen setzt sich mit einem Anteil von 86% (dies
entspricht in absoluten Zahlen 65 KMUs), überwiegend aus Klein- und Mittelbetrieben
gemäß EU-Definition290 zusammen.
Die verwendete EU-Definition wurde bei der Auswertung auch in Grenzfällen streng
ausgelegt. Dadurch wurden auch jene Unternehmen als KMU ausgewiesen, die einen
Jahresumsatz von mehr als 50 Mio. EUR bzw. eine Bilanzsumme von mehr als 43 Mio. EUR
auswiesen, wenn gleichzeitig der Mitarbeiterstand bei 250 Mitarbeitern oder darunter lag.
Die Verteilung zwischen KMUs und Großunternehmen
Gesamtverteilung über alle drei untersuchten Cluster.
entspricht
großteils
der
Betrachtet man die gemittelte Verteilung aller drei Cluster, so liegt der KMU-Anteil bei
77,22%. Die Diskrepanz zum 86%-Anteil der KMUs unter den Antworten ist jedoch
290
Nach der EU-Kommission sind KMUs definiert als Unternehmen mit weniger als 250 Beschäftigten und die
entweder einen Jahresumsatz von höchstens 50 Mio. EUR erzielen oder deren Jahresbilanzsumme sich auf
höchstens 43 Mio. EUR beläuft ; vgl. dazu auch [EK] (2003b).
148
ausschließlich dem Automobilcluster geschuldet. Dort liegt der KMU-Anteil bei 63%, während
er im Kunststoff- und Mechatronik bei 84% bzw. 85% liegt.
Auffällig ist jedoch die Verteilung der teilnehmenden Großunternehmen auf die drei
untersuchten Cluster. Sieben der elf Großunternehmen der Erhebung sind Mitglied im
Kunststoffcluster, während die restlichen vier, Mitglied im Automobilcluster sind.
Es kann jedoch ausgeschlossen werden, daß fehlende Großunternehmen aus dem
Mechatronikcluster auf die in diesem Kapitel erwähnte Bereinigung von Unternehmen mit
Mehrfachmitgliedschaften zurückgehen.
Acht der 76 Fragebögen wurden zwar tatsächlich von Clusterteilnehmern mit
Mehrfachmitgliedschaften beantwortet und zwei dieser acht Fragebögen betreffen auch
Unternehmen, die neben anderen Mitgliedschaften, auch Mitglied im Mechatronikcluster
sind. Doch alle acht Fragebögen stammen eindeutig von KMUs gemäß EU-Definition.
Verteilung der Unternehmen nach Clustern
35
60%
30
50%
25
40%
20
30%
15
Anzahl
Prozent
20%
10
10%
5
0%
0
AC
KC
MC
Abbildung 25: Verteilung der Unternehmen nach Clustern (Quelle: Eigene Darstellung)
Verteilung der Größenklassen nach Clustern
70%
60%
50%
40%
KMU
30%
Großunternehmen
20%
10%
0%
AC
KC
MC
Abbildung 26: Verteilung der Größenklassen nach Clustern (Quelle: Eigene Darstellung)
149
Betrachtet man die antwortenden Unternehmen unter dem Gesichtspunkt der möglichen
Unternehmensorientierungen (Innovationsorientierung bzw. Wettbebewerbsorientierung), so
zeigt sich ein erstes interessantes Ergebnis. Ein im Vergleich zur Wettbewerbsorientierung,
deutlicher Überhang der Innovationsorientierung.
Neben der Innovationsorientierung und der Wettbewerbsorientierung wurde jedoch eine
dritte mögliche Orientierung eingeführt: die Geschenkorientierung.
Durch zweifache Prüfung waren die befragten Unternehmen angehalten, ihre strategische
Orientierung subjektiv zum Ausdruck zu bringen. Jene Unternehmen, die bei dieser Prüfung
inkonsistente Antworten geben, können nicht eindeutig als innovationsorientiert oder
wettbewerbsorientiert klassifiziert werden. In Kapitel Fünf wurden diese Unternehmen als
geschenkorientiert bezeichnet.
Gegensätzliche Antworten bezüglich der Unternehmensorientierung legen, wie bereits bei
der Vorstellung der Hypothesen erwähnt, den Schluß nahe, daß entgegen der eigenen
Einschätzung, keine klare strategische Orientierung vorliegt. Die befragten Unternehmen
können daher hinsichtlich ihrer strategischen Orientierung als desorientiert bezeichnet
werden.
Aus diesem Grund wird im weiteren Verlauf eine solch inkonsistente, subjektive strategische
Einschätzung treffender mit desorientiert bezeichnet. Diese Desorientierung entspricht dabei
der Geschenkorientierung im vorgestellten Hypothesengebäude.
Verteilung der Unternehmensorientierung
40
60%
35
50%
30
40%
25
20
30%
15
Anzahl
Prozent
20%
10
10%
5
0%
0
Innovationsorientiert
Wettbewerbsorientiert
Desorientiert
Abbildung 27: Verteilung der Unternehmensorientierung (Quelle: Eigene Darstellung)
Wie die obige Abbildung zeigt, schätzen sich 50% der Unternehmen als innovationsorientiert
ein, während lediglich knappe 15% die eigene strategische Orientierung als
wettbewerbsorientiert ansehen. Angesichts der stark positiv konottierten Bezeichnung
Innovations- bzw. Entwicklungsorientierung, könnte eine gewisse Verzerrung angenommen
werden, die zu einer deutlichen Dominanz der Innovationsorientierung führt. Dies scheint
jedoch angesichts des überraschend hohen Anteils (35,53%) einer desorientierten
Unternehmensorientierung nicht zuzutreffen.
150
Doch
wesentlich
bemerkenswerter
präsentiert
Unternehmensorientierungen bei Berücksichtigung
antwortenden Unternehmen.
Innovationsorientiert
Wettbewerbsorientiert
Desorientiert
Gesamt
KMU
97,4%
90,9%
66,7%
85,5%
sich
die
Verteilung
der Unternehmensgröße
der
der
Großunternehmen Gesamt
2,6%
100%
9,1%
100%
33,3%
100%
14,5%
100%
Tabelle 27: Verteilung der Unternehmensorientierung nach Größenklasse
(Quelle: Eigene Darstellung)
Trotz ihrer relativ geringen Zahl (11 Unternehmen) unter den antwortenden Unternehmen,
repräsentieren Großunternehmen ein Drittel aller als desorientiert eingeordneten
Unternehmen.
Der hochsignifikante Unterschied (Chi-Quadrat (2) = 12,320; p = 0,002) zwischen KMUs und
Großunternehmen zeigt sich auch mit der deutlichen Unterrepräsentierung von
Großunternehmen bei der Innovationsorientierung. Dies ist möglicherweise der Problematik
geschuldet, in großen Organisationen Unternehmensstrategien erfolgreich zu
kommunizieren bzw. diese wie geplant umzusetzen.291
Verteilung der Unternehmensorientierung nach Clustern
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
Innovationsorientiert
Wettbewerbsorientiert
Desorientiert
AC
KC
MC
Abbildung 28: Verteilung der Unternehmensorientierung nach Clustern
(Quelle: Eigene Darstellung)
6.3 Innovationsbezogene Ergebnisse
Da unter den allgemeinen Fragen des Frageboges der Zeitpunt des Clusterbeitritts abgefragt
wurde, liegt eine Koppelung der drei Unternehmensorientierungen mit der ersten bzw. zuletzt
eingeführten Produktinnovation nahe.
Betrachtet man die erste eingeführte Produktinnovation und setzt sie in Relation zum
Clusterbeitritt, so zeigt sich, daß 17,11% der Unternehmen ihre erste Produktinnovation nach
dem Clusterbeitritt eingeführt haben. Auf die einzelnen Orientierungen umgelegt, ist dieser
291
Vgl. dazu Kapitel 5.6 in dieser Arbeit bzw. Grant (2002a), S. 26 oder Raps (2005).
151
Wert
bei
innovationsorientierten
Unternehmen
am
höchsten.
21,05%
der
innovationsorientierten Unternehmen haben ihre erste Produktinnovation nach Clusterbeitritt
eingeführt. Bei wettbewerbsorientierten und desorientierten Unternehmen liegt dieser Wert
bei 18,18% bzw. 11,11%.
Allerdings kann bei einer statistischen Überprüfung, kein signifikanter Zusammenhang
zwischen der Unternehmensorientierung und der Einführung der ersten Produktinnovation
nachgewiesen werden (Chi-Quadrat (2) = 1,111; p = 0,574).
Erste Innovation vs. Clusterbeitritt
Gesamt
Desorientiert
Vorher
Nachher
Wettbewerbsorientiert
Innovationsorientiert
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Abbildung 29: Erstinnovation vs. Clusterbeitritt nach Unternehmensorientierung
(Quelle: Eigene Darstellung)
Ein wesentlich drastischeres Bild zeigt sich, wenn die letzte eingeführte Innovation mit dem
Zeitpunkt des Clusterbeitritts in Relation gesetzt wird.
Während 2,63% der innovationsorientierten Unternehmen ihre letzte Produktinnovation vor
dem Clusterbeitritt einführten, war dies mit 7,41% bei desorientierten Unternehmen deutlich
öfter der Fall. Überraschenderweise haben jedoch 100% der wettbewerbsorientierten
Unternehmen ihre letzte Produktinnovation nach dem Clusterbitritt eingeführt.
Letzte Innovation vs. Clusterbeitritt
Gesamt
Desorientiert
Vorher
Nachher
Wettbewerbsorientiert
Innovationsorientiert
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Abbildung 30: Letztinnovation vs. Clusterbeitritt nach Unternehmensorientierung
(Quelle: Eigene Darstellung)
Über alle Orientierungen betrachtet, heißt das, daß 3,95% der Unternehmen ihre
Letztinnovation vor dem Clusterbeitritt eingeführt haben.
152
Doch wie im Falle der Erstinnovation besteht auch bei der Letztinnovation kein signifikanter
Zusammenhang zwischen der Unternehmensorientierung und der Einführung der
Letztinnovation (Chi-Quadrat (2) = 1,478; p = 0,478).
Da sowohl die Erst- als auch die Letztinnovation nur eine punktuelle Feststellung darstellen,
wurde zusätzlich nach der Zahl der eingeführten Produktinnovationen in den Jahren 1997,
2000, 2003 und 2006 gefragt. Dies korrespondiert, wie bereits in Kapitel Fünf beschrieben,
mit den Gründungsjahren der untersuchten Cluster. Dadurch ist für jeden Cluster ein
gemeinsamer Startpunkt vor Gründung des jeweiligen Clusters und mehrere zeitliche Punkte
nach Clustergründung (bis 2006) gegeben.
Zusätzlich dazu wurde angelehnt an Subramanian/Nilakanta (1996)292 ein Langzeitvergleich
der Innovationsfähigkeit angestellt. Denn Innovationsfähigkeit kann richtigerweise nur über
einen längeren Zeitraum bescheinigt werden. Um diesen Langzeitvergleich anzustellen
wurde daher die Zahl der eingeführten Produktinnovationen in den Jahren 1997, 2000, 2003
und 2006 mit der Zahl der Produktinnovationen zwischen der Erst- und Letztinnovation
kombiniert.
Innovationsorientiert
Minimum
Maximum
Mean
Std. Deviation
Median
Wettbewerbsorientiert Minimum
Maximum
Mean
Std. Deviation
Median
Desorientiert
Minimum
Maximum
Mean
Std. Deviation
Median
Gesamt
Minimum
Maximum
Mean
Std. Deviation
Median
Durchschnittlich eingeführte Produktinnovationen
2006
2003
2000
1997
Langzeit
0
0
0
0
0
15
5
7
5
100
2,27
1,62
1,46
0,97
25,16
2,725
1,754
1,850
1,404
33,483
2,00
1,00
1,00
0,00
10,00
0
0
0
0
5
100
90
110
100
3000
11,91
10,00
11,91
10,18
297,36
29,324 26,601 32,605 29,815
896,890
2
1
2
1
19
0
0
0
0
0
20
20
20
20
300
3,15
3,04
2,48
2,22
31,93
4,249
4,381
4,415
4,440
67,551
2
2
1
1
10
0
0
0
0
0
100
90
110
100
3000
4,00
3,36
3,36
2,77
66,96
11,714 10,581 12,850 11,743
344,242
2
1
1
1
10
Tabelle 28: Durchschnittlich eingeführte Produktinnovationen 1997-2006 & im
Langzeitvergleich (Quelle: Eigene Darstellung)
Unter Berücksichtigung der drei Unternehmensorientierungen ist das augenfälligste Ergebnis
dieser Gegenüberstellung der deutliche höhere Innovationsoutput wettbewersbsorientierter
Unternehmen im Vergleich zu Unternehmen der anderen beiden Orientierungen. Während
wettbewerbsorientierte Unternehmen im Zeitraum 1997-2006 durchschnittlich 10 bis 12
Produktinnovationen einführten, war dieser Wert bei innovationsorientierten Unternehmen (12 Produktinnovationen) und desorientierten Unternehmen (2-3 Produktinnovationen) deutlich
niedriger. Dies setzt sich auch im Langzeitvergleich fort: während innovationsorientierte
Unternehmen im Langzeitvergleich durchschnittlich 25 Produktinnovationen einführten, lag
292
Vgl. dazu Kapitel 2.3.2 in dieser Arbeit.
153
dieser Wert bei desorientierten Unternehmen bei 32 Produktinnovationen und bei
wettbewerbsorientierten Unternehmen bei gar 297 Produktinnovationen.
Diese Ergebnisse sind in doppelter Hinsicht überraschend.
So weisen innovationsorientierte Unternehmen den durchschnittlich niedrigsten
Innovationsoutput der drei Unternehmensorientierungen auf. Wettbewerbsorientierte
Unternehmen weisen hingegen den im Durchschnitt höchsten Innovationsoutput auf. Dieser
ist mit mehreren Hundert Innovationen um mehrere Grade über dem Output aller anderen
Unternehmen.
Es stellt sich daher die Frage, ob ein signifikanter Zusammenhang zwischen den jeweiligen
Orientierungen und dem Innovationsoutput besteht. Da diese Daten auf der subjektiven
Einschätzung basieren, kann, zumindest mit den Daten der durchgeführten Umfrage, nicht
überprüft werden inwiefern die hohe Abweichung einer Verzerrung geschuldet sind. Eine
Möglichkeit einer solchen Verzerrung stellt beispielsweise die Intention dar, die
Wettbewerbsorientierung als Rechtfertigung für die Wahl dieser strategischen Orientierung,
mit einem hohen Innovationsoutput auszustatten.
Durchschnittlich eingeführte Produktinnovationen
1000,00
100,00
2006
2003
10,00
2000
1997
Langzeitvergleich
1,00
Innovationsorientiert
Wettbewerbsorientiert
Desorientiert
0,10
Abbildung 31: Durchschnittlich eingeführte Produktinnovationen 1997-2006 & im Langzeitvergleich
(Quelle: Eigene Darstellung)
Zur statistischen Überprüfung eines Zusammenhangs zwischen Unternehmensorientierung
und Innovationsoutputs, wurde ein parameterfreier statistischer Test, der Kruskal-WallisTest293 (auch als Rangreihungsvarianzanalyse bekannt) durchgeführt.
Wie die nachfolgende Tabelle zeigt,
durchschnittlichen
Innovationsoutput
Unternehmensorientierungen.
besteht
bei
293
kein signifikanter Unterschied im
Berücksichtigung
der
drei
Der von Kruskal/Wallis entwickelte Test ist eine Erweiterung des U-Tests auf mehr als zwei Gruppen. Er prüft
die Nullhypothese, daß die untersuchten Gruppen sich nicht unterscheiden. Vgl. dazu auch Kruskal/Wallis (1952).
154
Mit anderen Worten: auch wenn die vorhergehende Abbildung gegenteiliges nahelegt, so
unterscheiden sich die Unternehmen, den drei Orientierungen nach, nicht hinsichtlich ihres
Innovationsoutputs.
Test Statistics a,b
2003
2000
1,988
1,719
2
2
0,370
0,423
2006
1997
Langzeitvergleich
Chi-Square
2,033
1,528
2,193
df
2
2
2
Asymp. Sig.
0,362
0,466
0,334
a Kruskal Wallis Test
b Grouping Variable: Einteilung Wettbewerbsorientiert vs. Innovationsorientiert
Tabelle 29: Signifikanztest: Einführung Produktinnovationen nach Orientierung
(Quelle: Eigene Darstellung)
Weitere Rangvarianzanalysen zeigen auch zwischen den Größenklassen (KMUs und
Großunternhemen) und zwischen den einzelnen Clustern (AC, KC und MC) keine
signifikanten Unterschiede.
Jedoch ist ein hochsignifikanter Einfluß (t (61) = -2,642; p = 0,001) des Clusterbeitritts auf
den Innovationsoutput erkennbar: durchschnittlich 3,28 vor dem Clusterbeitritt eingeführten
Produktinnovationen stehen 4,32 eingeführten Produktinnovationen nach Clusterbeitritt
gegenüber.
Wie bereits beim durchschnittlichen Innovationsoutput, so gibt es auch bei der Varianz der
Unternehmensorientierung bezüglich der Zahl der Produktinnovationen vor bzw. nach dem
Clusterbeitritt keine signifikanten Unterschiede (F (2;59) = 0,585; p = 0,560).
Das bedeutet, es bestehen keine signifikanten Unterschiede zwischen den einzelnen
Unternehmensorientierungen und dem Innovationsoutput vor bzw. nach Clusterbeitritt.
Als letztes, die Innovationsfähigkeit betreffendes, Ergebnis der Umfrage verbleiben die F&EAusgaben.
Um Unterschiede zwischen den Unternehmensorientierungen bezüglich der F&E-Ausgaben
aufzudecken, wurde wieder auf den Kruskal-Wallis-Test zurückgegriffen.
Wie die nachfolgende Tabelle zeigt, bestehen keinerlei signifikante Unterschiede zwischen
den einzelnen Unternehmensorientierungen und der Höhe der F&E-Ausgaben.
Test Statisticsa,b
2006
2003
1,547
0,354
2
2
0,461
0,838
2000
0,305
2
0,858
1997
0,014
2
0,993
Chi-Square
df
Asymp. Sig.
a Kruskal Wallis Test
b Grouping Variable: Einteilung Wettbewerbsorientiert vs. Innovationsorientiert
Tabelle 30: Signifikanztest: Unternehmensorientierung vs. F&E-Ausgaben
(Quelle: Eigene Darstellung)
155
Eine Übersicht der F&E-Ausgaben, ausgedrückt in Prozent des Umsatzes, nach
Unternehmensorientierung findet sich im Anhang.
Wie bisher ersichtlich, konnten beim Innovationsoutput großteils (bei der Erst- und der
Letztinnovation und im Langzeitvergleich) keinerlei signifikanten Unterschiede zwischen den
einzelnen Unternehmensorientierungen bzw. den einzelnen Clustern nachgewiesen werden.
Allerdings ergab die statistische Überprüfung hinsichtlich des Clusterbeitritts (vorher und
nachher) einen signifikanten Einfluß auf die Zahl der Produktinnovationen. Gleiches zeigt
sich auch bei der Höhe des F&E-Budgets in Prozent des Umsatzes.
Die F&E-Ausgaben sind nach Clusterbeitritt signifikant erhöht (t (54) = -2,155; p = 0,036).
Während vor Clusterbeitritt im Durchschnitt die F&E-Ausgaben 3,88% des Umsatzes
betrugen, lagen sie nach Clusterbeitritt bei durchschnittlich 4,62%.
6.4 Die Bedeutung der Clusterfaktoren für die Zielerreichung
Die teilnehmenden Umfrageteilnehmer wurden nach ihrer Einschätzung der Bedeutung der
14 in Kapitel 5.6 vorgestellten Variablen (sieben Agglomerationsfaktoren und sieben
Umfeldfaktoren) für die Erreichung der Unternehmensziele gefragt. Dabei wurde, wie in der
gesamten Umfrage, eine sechsstellige Likert-Skala vorgegeben, wobei „1“ keine Bedeutung
signalisierte und „6“ die höchste bezeichnete.
Wie der folgenden Darstellung zu entnehmen ist, wurden lediglich fünf der 14 Variablen mit
einem durchschnittlichen Wert von 3,5 bewertet. Vier dieser fünf Variablen gehören der
Gruppe der Agglomerationsfaktoren an, während die einzig verbliebene zu den
Umfeldvariablen zu zählen ist.
Bedeutung der einzelnen Variablen über alle Cluster hinweg
6
5
4
3
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a
D4b
D4c
D4d
Abbildung 32: Die Bedeutung der einzelnen Clustervariablen für die Zielerreichung von Unternehmen
(Quelle: Eigene Darstellung)
Diese fünf Variablen sind: die Befriedigung der anspruchsvollen Bedürfnisse lokaler Kunden
(Variable A2), die Partizipation am Erfolg von Kunden und Lieferanten vor Ort (Variable A3),
156
das Vorhandensein eines großen Arbeitskräftebestands spezialisierter Fachkräfte vor Ort
(Variable B1), der Aufbau vertrauensvoller Geschäfts- und Kooperationsbeziehungen vor Ort
(variable C1) und schließlich lokale Kooperationsstätten (Variable D4b).
Unter den angesprochenen fünf Variablen, stechen drei Variablen mit durchschnittlichen
Werten von knapp unter 4 (A3 = 3,99), beziehungsweise über 4, wie A2 (4,09) und C1 (4,34).
Die Variable C1, der Aufbau vertrauensvoller Beziehungen vor Ort, erhielt dabei die höchste
durchschnittliche Bewertung aller 14 Clustervariablen.
Die Bedeutung der einzelnen Clustervariablen entspricht im wesentlichen über alle Cluster
hinweg der vorher beschriebenen Verteilung. Dies ist aus der nachfolgenden Abbildung
ersichtlich.
Bedeutung der einzelnen Variablen nach Clustern
6
5
AC
KC
MC
4
3
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a
D4b
D4c
D4d
Abbildung 33: Die Bedeutung der einzelnen Clustervariablen nach Cluster (Quelle: Eigene Darstellung)
Um dies jedoch auch statistisch zu testen, wurde eine Varianzanalyse mit Meßwiederholung
(Test of Within-Subjects Effects) durchgeführt.294 Diese Varianzanalyse vergleicht zunächst
die Variablen untereinander. Wie die erste Zeile („motive“) der nachfolgenden Tabelle zeigt,
unterscheiden sich die Variablen (z.B. A1 von A2 oder auch B2 von D4b) in ihrer
Ausprägung (Differenz zwischen den Bewertungen) signifikant von einander.
Tests of Within-Subjects Effects
Measure: MEASURE_1
Source
motive
motive * Cluster
Error(motive)
Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound
Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound
Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound
Type III
df
Mean Square
Sum of Squares
426,293
13
32,792
426,293
7,930
53,757
426,293
9,231
46,179
426,293
1,000
426,293
54,721
26
2,105
54,721
15,860
3,450
54,721
18,463
2,964
54,721
2,000
27,360
1361,049
949
1,434
1361,049
578,895
2,351
1361,049
673,891
2,020
1361,049
73,000
18,645
F
Sig.
22,864
22,864
22,864
22,864
1,467
1,467
1,467
1,467
0,000
0,000
0,000
0,000
0,062
0,107
0,093
0,237
Partial Eta
Squared
0,239
0,239
0,239
0,239
0,039
0,039
0,039
0,039
Tabelle 31: Signifikanztest: Unterschiede zwischen Clustern in der Bewertung von Clustervariablen
(Quelle: Eigene Darstellung)
294
Mauchlys Test auf Spherizität ist signifikant, wodurch der Wert ein p von 0,062 zu wählen ist.
157
Die zweite Zeile („motive*cluster“) bezeichnet die Berechung der Variablen unter
Berücksichtigung der Cluster. Beim Clustervergleich („motive*cluster“) werden die
Steigungen zwischen den Variablen mit einander verglichen. Die in der vorhergehenden
Abbildung erkennbaren Schnittpunkte zwischen den Clustern, wie beispielsweise zwischen
B2 und B3 oder C1 und D4a, zeigen zwar eine gewisse Tendenz (ersichtlich an p = 0,062),
sind jedoch nicht ausreichend signifikant.
Auf die einzelnen Cluster umgelegt, ergeben sich also keine signifikanten Unterschiede295
zwischen den einzelnen Clustern (AC, KC und MC) in der Bewertung der Bedeutung der
Variablen. Das bedeutet, vereinfacht ausgedrückt, alle drei Cluster verhalten sich gleich.
Bewegt man sich in der Betrachtung der Ergebnisse von der Horizontalen (Vergleich von
Steigungen; Test of Within-Subjects Effects) zur Vertikale (Vergleich der Ausprägung einer
Variable in allen drei Clustern; Test of Between-Subjects Effects), erhält man andere
Ergebnisse.
Jede Variable für sich betrachtet (Test of Between-Subjects Effects), zeigt, daß sich lediglich
die Bedeutung der lokalen Ausbildungsstätten (Variable D4a) zwischen den drei Clustern
signifikant unterscheidet. Dieser Unterschied ist sogar hochsignifikant296 und besagt, daß
sich die Cluster bei der Bewertung Lokaler Ausbildungsstätten (Variable D4a) deutlich
unterscheiden. Wie in der Darstellung ersichtlich, werden diese im Kunststoffcluster mit der
höchsten Bedeutung ausgestattet, während die Bedeutung im Automobilcluster wesentlich
geringer bewertet wird. Dies darf angesichts der clusterinternen Initiative zur Gründung von
Fachhochschulen auch nicht überraschen.297
Um auch die Unterschiede der 14 Variablen unter einander zu testen, also gleichsam zu
versuchen, jene für das p = 0,062 verantwortlichen Variablen zu identifizieren, wurden drei
Variablen ausgewählt, die im weiteren Verlauf der Ergebnisdarstellung beibehalten werden.
Die als signifikant unterschiedlich erkannten Paarungen können dabei als Hinweis
angesehen werden, wo eventuell signifikante Unterschiede zwischen Clustern,
Orientierungen und Größenklassen bestehen.
Die folgenden drei Variablen wurden ausgewählt, da es notwendig war die hohe Zahl
möglicher Vergleichskombinationen handhabbar zu machen und sich auf einige wenige
Variablen zu konzentrieren.
Es ist dies das Verhältnis der am höchsten bewerteten Agglomerationsvariable C1 (Aufbau
vertrauensvoller Geschäfts- und Kooperationsbeziehungen vor Ort) und der am höchsten
bewerteten Umfeldvariable D4b (Lokale Kooperationsstätten) zu den zwölf übrigen
Variablen.
Da der Zugang zu spezifischem Wissen in dieser Arbeit eine herausragende Stellung
einnimmt, wurde auch die Variable B3 miteinbezogen.
295
F (26;949) = 1,467; p = 0,062.
F (2;73) = 5,172; p = 0,008.
297
Vgl. dazu Kapitel 4.1.3.
296
158
Die am höchsten bewertete Agglomerationsvariable C1 unterscheidet sich signifikant in ihrer
Bedeutung von allen anderen Variablen mit Ausnahme der Variable A2 (Befriedigung der
anspruchsvollen Bedürfnisse lokaler Kunden).
Ein Bedeutungsunterschied der Variable C1 in Relation zu den übrigen Variablen ist, auf die
Cluster umgelegt, nur im Fall der Variablen D4a und D4d erkennbar. Das heißt, die
Bedeutung von C1 in Relation zu den übrigen Variablen ist über alle Cluster gleich, außer im
Fall der Variablen D4a und D4d. In diesen Fällen unterscheiden sich die einzelnen Cluster.
Die Variablen B3 und D4b unterscheiden sich beide signifikant in Relation zu den Variablen
A1-A3, C1, D1-D2 und D4d. Doch während sich bei Variable D4d (Lokale
Kooperationsstätten) diese Relation in allen Clustern gleich verhält, unterscheiden sich die
Cluster bei den Paarungen B3 vs. D4a und B3 vs. D4d signifikant.
Diese relative Bedeutung wurde auch unter Berücksichtigung der Unternehmensorientierung
(statt der drei Cluster) durchgeführt. Wie bereits zuvor, unterscheidet sich C1 in ihrer
Bedeutung von allen anderen Variablen, mit Ausnahme von A2.
Doch anders als im Fall der drei Cluster, ändert sich dies im Falle der möglichen
Unternehmensorientierungen nicht. Das bedeutet, die Bedeutung von C1 zu den übrigen
Variablen ist in allen drei Orientierungen gleich.
B3 und D4b unterscheiden sich beide signifikant in ihrer Relation zu den Variablen: A1, A2,
A3, C1, D1-D2 und D4d. Dies bleibt in beiden Fällen bei allen Orientierungen gleich.
Lediglich bei den Paarungen B3 vs. A1 und D4b vs. A1 unterscheiden sich die
Unternehmensorientierungen untereinander.
Zum besseren Verständnis dieser relativen Bedeutung der Variablen B3, C1 und D4b zu den
übrigen Variablen, zeigt die folgende Abbildung die Bewertung der einzelnen Variablen nach
Unternehmensorientierung.
Bedeutung einzelner Variablen nach Unternehmensorientierung
6
5
Innovationsorientiert
Wettbewerbsorientiert
Desorientiert
4
3
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3 D4a D4b D4c D4d
Abbildung 34: Die Bedeutung der einzelnen Clustervariablen nach Unternehmensorientierung
(Quelle: Eigene Darstellung)
159
Die
in
dieser
Abbildung
erkennbaren
Unterschiede
zwischen
den
drei
Unternehmensorientierungen in der Bewertung der einzelnen Clustervariablen halten einer
statistischen Überprüfung allerdings nicht stand. Eine Überprüfung der Schnittpunkte (Test of
Within-Subjects Effects) zeigt keine statistisch signifikanten Unterschiede zwischen den
Orientierungen (F (26;949) = 1,247; p = 0,184)298.
Gleiches gilt auch für die beiden Größenklassen. Auch hier bestehen keine signifikanten
Bewertungsunterschiede (sichtbar als Schnittpunkte der Kurven) der einzelnen
Clustervariablen zwischen KMUs und Großunternehmen (F (13;962) = 0,872; p = 0,583) 299.
Die untersuchten Variablen unterscheiden sich hinsichtlich ihrer Ausprägung nicht zwischen
KMUs und Großunternehmen.
Bedeutung einzelner Variablen nach Größenklasse
6
5
4
KMU
Großunternehmen
3
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a
D4b
D4c
D4d
Abbildung 35: Die Bedeutung der einzelnen Clustervariablen nach Größenklasse
(Quelle: Eigene Darstellung)
Dieser Befund bestätigt sich auch, wenn jede Variable für sich betrachtet wird (Test of
Between-Subjects Effects): es besteht keine orientierungs- oder größenspezifische Variable
und daher unterscheidet sich die Bewertung der Bedeutung auch nicht zwischen den
Unternehmensorientierungen bzw. zwischen KMUs und Großunternehmen.
Als Zwischenschritt zum endgültigen Vergleich der Agglomerations- und Umfeldvariablen als
zwei Absolutwerte, werden die 14 Clustervariablen zu fünf Variablengruppen
zusammengefaßt.
298
299
Mauchlys Test auf Spherizität ist signifikant.
Mauchlys Test auf Spherizität ist signifikant.
160
Bedeutung der Variablengruppen über alle Cluster
6
5
4
3
2
1
Porter
MAR
Alternativ
Umfeld 1
Umfeld 2
Abbildung 36: Die Bedeutung der Variablengruppen über alle Cluster
(Quelle: Eigene Darstellung)
Die Variablengruppe Porter besteht daher aus den Variablen A1-A3, die Variablengruppe
MAR aus den Variablen B1-B3 und die Variable C1 wird zu Variablengruppe Alternativ. Die
Umfeldvariablen werden auf die Variablengruppen Umfeld 1 (Variablen D1-D3) und Umfeld 2
(Variablen D4a-D4d) aufgeteilt.
Wie die obige Darstellung zeigt, dominiert die am höchsten bewertete Gruppe von
Agglomerationsfaktoren, die Variablengruppe Alternativ klar mit einem Durchschnittswert von
4,34. Im Vergleich dazu, weist die bestbewertete Variablengruppe der Umfeldfaktoren,
lediglich eine durchschnittliche Bewertung von 3,33 auf.
Wie eine statistische Überprüfung (Test of Between-Subjects Effects) zeigt, bestehen jedoch
keinerlei signifikanten Unterschiede in der Bedeutung der zusammengefaßten
Variablengruppen zwischen den einzelnen Clustern.
Bedeutung der Variablengruppen nach Clustern
6
5
4
AC
KC
3
MC
2
1
Porter
MAR
Alternativ
Umfeld 1
Umfeld 2
Abbildung 37: Die Bedeutung der Variablengruppen nach Clustern
(Quelle: Eigene Darstelung)
Dies schwächt daher die Aussagekraft der deutlich höher bewerteten (4,65) Variablengruppe
Alternativ und der deutlich schwächer bewerteten Umfeldvariablengruppen beim
161
Bedeutung der Variablengruppen nach
Unternehmensorientierung
6
5
Innovationsorientiert
4
Wettbewerbsorientiert
3
Desorientiert
2
1
Porter
MAR
Alternativ
Umfeld 1
Umfeld 2
Abbildung 38: Die Bedeutung der Variablengruppen nach
Unternehmensorientierung (Quelle: Eigene Darstelung)
Automobilcluster (AC). Mit anderen Worten, die Variablengruppen haben in allen Clustern
die selbe statistisch Ausprägung.
Die selbe Überprüfung macht auch im Fall der Unternehmensorientierung die
offensichtlichen Unterschiede zwischen der Innovationsorientierung bei der Bewertung der
Variablengruppe Porter zu einer reinen Beschreibung des Istzustandes.
Die bei innovationsorientierten Unternehmen mit durchschnittlich 3,41 bewertete
Variablengruppe Porter unterscheidet sich statistisch nicht signifikant von den beiden übrigen
Orientierungen (3,85 bzw. 3,91). Gleiches gilt daher auch im Fall der Variablengruppe
Umfeld 1 (Bewertung von 2,88 im Vergleich zu 2,27 bzw. 2,35).
Und auch im Fall der Berücksichtigung der Größenklassen besteht kein signifikanter
Unterschied in der Bewertung der einzelnen Variablengruppen.
Bedeutung der Variablengruppen nach Größenklasse
6
5
4
KMU
Großunternehmen
3
2
1
Porter
MAR
Alternativ
Umfeld 1
Umfeld 2
Abbildung 39: Die Bedeutung der Variablengruppen nach Größenklasse
(Quelle: Eigene Darstelung)
Die abschließende Zusammenfassung in lediglich zwei Gruppen von Variablen,
Agglomerations- und Umfeldfaktoren, zeigt was sich in den bisherigen Ergebnissen bereits
abzeichnete.
162
Die Agglomerationsfaktoren sind mit durchschnittlich 3,82 deutlich höher bewertet, als die
Umfeldvariablen mit einem Durchschnittswert von 2,87.
Die statistische Überprüfung der Differenzen (Test of Within-Subjects Effects) der Bedeutung
zwischen Agglomerations- und Umfeldfaktoren ergibt für die einzelnen Cluster einen
signifikanten Unterschied300. Die Differenzen zwischen den beiden Variablen sind also in den
jeweiligen Clustern signifikant verschieden, was sich auch an den Schnittpunkten der
Geraden in der folgenden Abbildung ablesen läßt.
Eine statistische Überprüfung der Variablen selbst (Test of Between-Subjects Effects) zeigt
jedoch, daß sich weder die Agglomerationsfaktoren301, noch die Umfeldvariablen302
signifikant zwischen den Clustern unterscheiden. Es bestehen daher keine statistisch
signifikanten Unterschiede zwischen den Clustern bei der Bewertung der Agglomerationsund Umfeldfaktoren.
Bedeutung der Agglomerations- & Umfeldfaktoren nach
Clustern
3,90
3,70
3,50
AC
3,30
KC
3,10
MC
2,90
2,70
2,50
Agglomerationsfaktoren
Umfeldfaktoren
Abbildung 40: Bedeutung der Agglomerations- und Umfeldfaktoren nach Clustern
(Quelle: Eigene Darstellung)
Bemerkenswerterweise sind deutliche Ausreißer sichtbar, die eventuell mit dem Alter der
Cluster erklärbar sind.
Während der Automobilcluster (3,89) und der Kunststoffcluster (3,86) die
Agglomerationsfaktoren im Durchschnitt nahezu gleich bewerten, ist die Bewertung im
Mechatronikcluster sichtbar niedriger (3,64). Im Gegensatz dazu wurden die Umfeldfaktoren
im Mechatronikcluster mit durchschnittlich 3,09 bewertet. Im Kunststoffcluster (2,97) und im
Automobilcluster (2,58) werden diese jedoch sichtlich niedriger bewertet.
Umfeldfaktoren scheinen mit zunehmendem Alter des Clusters an Bedeutung zu verlieren.
Dieser Schluß drängt sich bei Berücksichtigung der Gründungsdaten der Cluster auf:
Automobilcluster 1998, Kunststoffcluster 1999, Mechatronikcluster 2003.
300
F (2;73) = 3,682; p = 0,030.
F (2;73) = 0,380; p = 0,685.
302
F (2;73) = 1,898; p = 0,157.
301
163
Allerdings scheint diese Deutung nicht zufriedenstellend, um den Unterschied zwischen
Kunststoff- und Automobilcluster zu erklären.
Bedeutung der Agglomerations- & Umfeldfaktoren nach
Unternehmensorientierung
4,50
4,00
Innovationsorientiert
Wettbewerbsorientiert
Desorientiert
3,50
3,00
2,50
2,00
Agglomerationsfaktoren
Umfeldfaktoren
Abbildung 41: Bedeutung der Agglomerations- und Umfeldfaktoren nach
Unternehmensorientierung (Quelle: Eigene Darstellung)
Betrachtet man die Bedeutung der Agglomerations- und Umfeldfaktoren aus dem Blickwinkel
der möglichen Orientierungen, so zeigt sich teilweise ein deckungsgleiches Bild zwischen
den Orientierungen.
Die Durchschnittsbewertungen der Agglomerationsfaktoren bei wettbewerbsorientierten und
desorientierten Unternehmen liegen mit 3,93 bzw. 3,95 fast gleichauf. Innovationsorientierte
Unternehmen hingegen bewerten Agglomerationsfaktoren mit 3,70 weniger stark.
Doch ebenso wie bei den unterschiedlichen Unternehmensorientierungen besteht auch
zwischen den Größenklassen, kein statistisch signifikanter Unterschied.
Die statistische Überprüfung der Differenzen (Test of Within-Subjects Effects) der Bedeutung
zwischen Agglomerations- und Umfeldfaktoren ergibt sowohl für die einzelnen
Unternehmensorientierungen303, wie auch für die beiden Größenklassen (F (1;75) = 0,188; p
= 0,666) der Untenehmen, keine signifikanten Unterschiede.
Dies wird in der Folge auch jeweils für die beiden Variablen (Agglomerations- und
Umfeldfaktoren) selbst bestätigt. Der Test of Between-Subjects Effects zeigt in beiden Fällen
keine Signifikanz.
Descriptive Statistics
Mean Std. Deviation
agglo1 KMU
3,8051
0,95743
Großunternehmen 3,9091
1,23909
Gesamt
3,8202
0,99413
umfeld1 KMU
2,8308
0,94344
Großunternehmen 3,0720
1,03700
Gesamt
2,8657
0,95405
N
65
11
76
65
11
76
Tabelle 32: Bedeutung der Agglomerations- & Umfeldfaktoren
nach Unternehmensgröße (Quelle: Eigene Darstellung)
303
F (2;73) = 2,429; p = 0,095.
164
6.5 Das Vorhandensein von Clusterfaktoren
Wie im Fall der Beurteilung der Bedeutung der 14 Clustervariablen, wurden die an der
Umfrage teilnehmenden Unternehmen gebeten, auf einer sechsstelligen Likert-Skala (1 =
Nicht vorhanden bzw. eher hinderlich , 6 = Sehr zufriedenstellend bzw. hilfreich), das
Vorhandensein der Clustervariablen einzuschätzen.
Von den 14 Variablen erreichten lediglich fünf Variablen einen durchschnittlichen Wert von
3,5 oder darüber. Es sind dies: der Zugang zu spezifischem und wertvollem Wissen anderer
Unternehmen vor
Ort (B3), der Aufbau vertrauensvoller
Geschäfts- und
Kooperationsbeziehungen
vor
Ort
(C1),
lokale
Förderungen
(D3),
Lokale
Kooperationsstätten (D4b) und lokale Informations- und Kommunikationseinrichtungen
(D4c).
Vorhandensein der einzelnen Variablen über alle Cluster
6
5
4
3
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a
D4b
D4c
D4d
Abbildung 42: Das Vorhandensein der einzelnen Clustervariablen über alle Cluster
(Quelle: Eigene Darstellung)
Anders als bei der Bedeutung der Variablen, wurde beim Vorhandensein der
Clustervariablen keine Variable mit einem Wert von 4 oder höher bewertet. Lediglich, die
Vorhandensein der einzelnen Variablen nach Cluster
6
5
4
AC
KC
MC
3
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a D4b
D4c
Abbildung 43: Das Vorhandensein der einzelnen Clustervariablen nach Clustern
(Quelle: Eigene Darstellung)
165
D4d
allgemein am höchsten bewertete Variable (C1) sticht mit einem Wert von 3,79 unter den
fünf angesprochen Variablen hervor.
Überprüft man die Differenzen zwischen den einzelnen Variablen (Test of Within-Subjects
Effects), so sind zwar die Motive signifikant unterschiedlich, aber es zeigt sich kein
signifikanter Unterschied304 zwischen den einzelnen Clustern. Alle drei Cluster haben in
dieser Hinsicht also die selbe Ausprägung.
Betrachtet man jede Variable für sich, überprüft also, ob sie in den drei Clustern signifikant
unterschiedlich ausgeprägt sind (Test of Between-Subjects Effects), so zeigt sich ebenfalls
keine Signifikanz. Die einzige Variable, die bei dieser Überprüfung annähernd in Richtung
Signifikanz zeigt305, die Variable D4d, liegt mit 9,9% bei fast dem doppelten vorher
definierten Signifikanzniveau von 5% und kann daher ebenfalls nicht berücksichtigt werden.
Auf die Darstellung der im vorhergehenden Abschnitt gezeigten relativen Bewertungen der
Differenzen der Variablen B3, C1 und D4b zu den übrigen Variablen, wird an dieser Stelle
verzichtet. Diese im vorhergehenden Abschnitt demonstrierten Relationen dienten der
Illustration und werden erst im folgenden Abschnitt (wegen der Hypothesen-Relevanz)
wieder präsentiert.
Vorhandensein einzelner Variablen nach Unternehmensorientierung
6
5
4
Innovationsorientiert
Wettbewerbsorientiert
3
Desorientiert
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3 D4a D4b D4c D4d
Abbildung 44: Vorhandensein der Clustervariablen nach Unternehmensorientierung
(Quelle: Eigene Darstellung)
Begibt man sich wieder auf die Ebene der Unternehmensorientierungen, so fällt auf, daß die
größten Bewertungsunterschiede bei den Variablen A1-B3 bestehen. Während
wettbewerbsorientierte Unternehmen das Vorhandensein der Variablen A2 und A3 mit 3,82
und 4,00 am höchsten bewerten, liegen innovationsorientierte Unternehmen in ihrer
Einschätzung deutlich darunter. A2 und A3 werden von innovationsorientierten Unternehmen
mit durchschnittlich 3,00 bzw. 3,18 eingeschätzt. Die Diskrepanz zur Bedeutung ist
augenscheinlich. Wie im vorherigen Abschnitt sichtbar war, weisen innovationsorientierte
Unternehmen diesen Variablen eine durchschnittliche Bedeutung von 3,92 bzw. 3,79 zu.
Wettbewerbsorientierte Unternehmen hingegen, liegen mit ihrer Einschätzung des
Vorhandenseins nahe an der zugeschriebenen Bedeutung von 4,27 und 4,09.
304
305
F (26;949) = 1,419; p = 0,80.
F (2;73) = 2,390; p = 0,099.
166
Ein Test of Within-Subjects Effects ergibt daher, wie die Darstellung vorher auch zeigt, auch
einen signifikanten306 Unterschied zwischen den Orientierungen. Da dieser statistische Test
jedoch nur die Schnittpunkte der Kurven auf Signifikanz prüft, ist der Test of BetweenSubjects Effects wesentlich interessanter.
Dieser zeigte aber leider nur leichte Tendenzen bei den Variablen A3307 und B2308.
Ein klareres Bild zeigt sich bei Berücksichtigung der Größenklasse. Die statistische
Überprüfung zeigt hier einen signifikanten Unterschied in der Bewertung des
Vorhandenseins des Arbeitskräftebestands spezialisierter Fachkräfte vor Ort (Variable B1)309
und des spezialisierten Lieferanten- und Dienstleistungsspektrums vor Ort (Variable B2)310.
Während KMUs B1 und B2 mit 2,86 und 3,00 bewerten, fällt die Bewertung bei
Großunternehmen mit 3,73 und 3,82 signifikant höher aus.
Vorhandensein einzelner Variablen nach Größenklasse
6
5
4
KMU
Großunternehmen
3
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a D4b D4c D4d
Abbildung 45: Das Vorhandensein von Clustervariablen nach Größenklassen
(Quelle: Eigene Darstellung)
Faßt man die einzelnen Variablen nun wieder zu den fünf Variablengruppen zusammen, so
zeigt sich wiederum die eindeutige Dominanz der Variablengruppe Alternativ, deren
Vorhandensein mit durchschnittlich 3,79 bewertet wird.
Doch anders als bei der Bedeutung für die Unternehmensziele ist die zweitgereihte
Variablengruppe nicht Porter (hier bewertet mit durchschnittlich 3,32), sondern Umfeld 2 mit
einem Wert von 3,41.
306
F (26;949) = 1,687; p = 0,017.
F (2;73) = 2,754; p = 0,070.
308
F (2;73) = 3,028; p = 0,055.
309
F (1;74) = 3,955; p= 0,50.
310
F (1;74) = 3,962; p= 0,50.
307
167
Vorhandensein der Variablengruppen über alle Cluster
6
5
4
3
2
1
Porter
MAR
Alternativ
Umfeld 1
Umfeld 2
Abbildung 46: Das Vorhandensein der Variablengruppen über alle Cluster
(Quelle: Eigene Darstellung)
Bei Untersuchung der Variablengruppen mittels eines Test of Between-Subjects Effects zeigt
sich jedoch kein signifikanter Unterschied in der Bewertung des Vorhandenseins der fünf
Variablengruppen zwischen den drei Clustern bzw. zwischen KMUs311 und
Großunternehmen.312
Auf Ebene der Unternehmensorientierungen jedoch, zeigt sich ein signifikanter313
Unterschied in der Bewertung der Variablengruppe Porter. Alle übrigen Variablengruppen
weisen
keine
signifikanten
Unterschiede
zwischen
den
einzelnen
Unternehmensorientierungen auf.
Vorhandensein der Variablengruppen nach
Unternehmensorientierung
6
5
Innovationsorientiert
4
Wettbewerbsorientiert
3
Desorientiert
2
1
Porter
MAR
Alternativ
Umfeld 1
Umfeld 2
Abbildung 47: Vorhandensein der Variablengruppen nach Unternehmensorientierung
(Quelle: Eigene Darstellung)
Der letzte Schritt der Auswertung des Vorhandenseins der Agglomerations- und
Umfeldfaktoren zeigt was sich in den bisherigen Ergebnissen bereits abzeichnete.
311
Es sei lediglich auf den, einer Signifikanz am nächsten kommenden, Fall der Variablengruppe MAR
hingewiesen. Diese zeigt folgende Signifikanzwerte: F (1;74) = 2,941; p = 0,091.
312
Graphische Darstellungen dieser Bewertungen finden im Anhang.
313
F (2;73) = 3,377; p = 0,040.
168
Die Agglomerationsfaktoren sind mit durchschnittlich 3,45 höher bewertet, als die
Umfeldvariablen mit einem Durchschnittswert von 3,05 versehen wurden. Der Unterschied
zwischen diesen beiden verbliebenen Variablen ist jedoch auch nicht statistisch signifikant.
Die statistische Überprüfung der Differenzen (Test of Within-Subjects Effects) der Bewertung
zwischen Agglomerations- und Umfeldfaktoren ergibt für keine der drei Ebenen (Cluster,
Unternehmensorientierung und Größenklasse) einen signifikanten Unterschied. In diesen
Untersuchungen erwies sich jedoch zumindest die Differenz zwischen den beiden Variablen
als signifikant, das bedeutet Agglomerations- und Umfeldfaktoren unterscheiden sich
statistisch signifikant voneinander.314
Gleiches gilt auch für die Variablen selbst. Es besteht kein signifikanter Unterschied in der
Bewertung
der
beiden
verbliebenen
Variablen
zwischen
Clustern,
Unternehmensorientierungen und Größenklassen.
Aus statistischer Sicht ist das Vorhandensein der Agglomerations- und Umfeldvariablen in
allen Clustern, Unternehmensorientierungen und Größenklassen gleich bewertet worden.
Aus diesem Grunde sei hier nur eine tabellarische Darstellung der Bewertungen nach
Cluster und Unternehmensorientierung, sowie als plakative Darstellung der Unterschied
zwischen den Größenklassen gezeigt.
Descriptive Statistics
Mean
Std. Deviation
agglo2 AC
3,4060
0,98630
KC
3,5799
0,89235
MC
3,2963
1,02404
Innovationsorientiert
3,2982
0,89640
Wettbewerbsorientiert
3,5758
0,89968
Desorientiert
3,6214
1,04107
Gesamt
3,4532
0,95111
umfeld2 AC
2,8622
1,14381
KC
3,1328
1,09794
MC
3,1852
0,98230
Innovationsorientiert
3,0526
1,13282
Wettbewerbsorientiert
2,8523
1,10151
Desorientiert
3,1343
1,03235
Gesamt
3,0526
1,08287
N
26
32
18
38
11
27
76
26
32
18
38
11
27
76
Tabelle 33: Vorhandensein von Agglomerations- & Umfeldfaktoren nach Cluster
und Orientierung (Quelle: Eigene Darstellung)
314
p lag je nach Within-Subjects Effects-Test zwischen 0,000 (Cluster und Unternehmensorientierung) und 0,018
(Größenklasse).
169
Vorhandensein der Agglomerations- & Umfeldfaktoren nach
Größenklassen
3,70
3,50
KMU
Großunternehmen
3,30
3,10
2,90
Agglomerationsfaktoren
Umfeldfaktoren
Abbildung 48: Vorhandensein der Agglomerations- und Umfeldfaktoren nach Größenklasse
(Quelle: Eigene Darstellung)
6.6 Die Motivationskraft von Clusterfaktoren
Die letzte Gruppe an Auswertungen vor der Überprüfung der Hypothesen betrifft schließlich
die Motivationskraft der 14 Clustervariablen. Hierbei soll klar werden, welche
Clustervariablen Unternehmen dazu bewegen, Clustern beizutreten und wie stark ihre
Motivationskraft ausgeprägt ist.
Wie in den vorangegangenen Abschnitten werden daher die 14 Variablen einzeln betrachtet,
um sie dann schrittweise zusammenzufassen und auf der Ebene der zwei Übergruppen,
Agglomerations- und Umfeldfaktoren zu betrachten.
Wie nachfolgend ersichtlich ist, wurden nur fünf der 14 Variablen mit einem
durchschnittlichen Wert von 3,5 oder höher bewertet. Es sind dies drei Agglomerations- und
zwei Umfeldvariablen: A3, B3 und C1, sowie D4b und D4c.
Motivationskraft der einzelnen Variablen über alle Cluster hinweg
6
5
4
3
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a
D4b
D4c
D4d
Abbildung 49: Die Motivationskraft der einzelnen Clustervariablen über alle Cluster
(Quelle: Eigene Darstellung)
Die höchsten Werte dieser fünf Variablen erreichen jedoch die Agglomerationsfaktoren mit
durchschnittlich 4,28 (Variable C1) bzw. 3,92 (Variable B3). Die beiden Umfeldfaktoren D4b
170
und D4c erreichen mit 3,57 bzw. 3,51 wesentlich niedrigere Werte. Die letzte Variable, A3,
liegt mit einem Wert von 3,64 zwischen den restlichen Variablen.
Wie ein Test of Within-Subjects Effects zeigt, unterscheiden sich die Variablen signifikant
von einander. Die Differenzen zwischen den Variablen bleiben jedoch in allen Clustern
gleich, da keine signifikanten315 Unterschiede zwischen den Clustern erkennbar sind.
Motivationskraft der einzelnen Variablen nach Cluster
6
5
4
AC
KC
3
MC
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a D4b D4c D4d
Abbildung 50: Die Motivationskraft der einzelnen Clustervariablen nach Clustern
(Quelle: Eigene Darstellung)
Eine Einzelbetrachtung jeder Variable, um jene Variablen zu finden, die sich signifikant
zwischen den Clustern unterscheiden, zeigt statistisch signifikante Unterschiede bei den
Variablen A3316 und B2317. Weitere drei Variablen unterscheiden sich nicht signifikant
zwischen den Clustern, zeigen jedoch mit p-Werten von 0,083 bis 0,089 eine gewisse
Tendenz zur Signifikanz.
In obiger Abbildung sind zwei Auffälligkeiten erkennbar. Einerseits, die auch statistisch als
signifikant bestätigte, Diskrepanz in der Motivationskraft des spezialisierten Lieferanten- und
Dienstleistungsspektrums vor Ort (Variable B2). Während diese Variable im Kunststoffcluster
mit durchschnittlich 3,47 und im Mechatronikcluster mit 3,28 bewertet wird, liegt sie mit
einem Wert von 2,46 im Automobilcluster deutlich darunter.
Eine ähnlich große, statistisch aber nicht signifikante, Diskrepanz findet sich ansonsten nur
bei den Variablen D4b-D4d, wobei die betreffenden Variablen auch hier die niedrigste
Bewertung im Automobilcluster erfahren.
Dieses offensichtliche (und teilweise signifikante) Hinterherhinken des Automobilclusters,
kann durch die vorliegende Umfrage nicht beantwortet werden. Es könnte (für die Variablen
B1 und B2) in Anbetracht des vorherigen Abschnittes, im geringeren KMU-Anteil des
315
F (26;949) = 1,321; p = 0,131.
F (2;73) = 3,485; p = 0,036.
317
F (2;73) = 3,363; p = 0,040.
316
171
Automobilclusters begründet liegen. Denn, wie im vorhergehenden Abschnitt gesehen,
wurde das Vorhandensein der Variablen B1 und B2 von KMUs und Großunternehmen
signifikant unterschiedlich beurteilt. Dies kann mit den vorliegenden Daten jedoch nicht
abschließend geklärt werden.
Motivationskraft einzelner Variablen nach Unternehmensorientierung
6
5
Innovationsorientiert
Wettbewerbsorientiert
Desorientiert
4
3
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3 D4a D4b D4c D4d
Abbildung 51: Die Motivationskraft der Clustervariablen nach Unternehmensorientierung
(Quelle: Eigene Darstellung)
Auf der Ebene der Unternehmensorientierungen betrachtet, ist über weite Teile eine
kongruente Beurteilung der einzelnen Variablen sichtbar. Die sich abzeichnenden Kurven
zeigen daher kaum Schnittpunkte.
Auffällig ist jedoch eine deutlich unterschiedliche Einschätzung bei den Variablen A1-A3 und
D4b-D4c, wobei bei erstere von wettbewerbsorientierten Unternehmen mit einer höheren
Motivationskraft ausgestattet werden (durchschnittlich 3,55 bis 4,18 im Vergleich zu 2,63 bis
3,58). Dies entspricht auch dem Bild das die Einschätzung des Vorhandenseins der
Variablengruppe Porter in Kapitel 6.5 bietet. Zur Erinnerung: während innovationsorientierte
Unternehmen diese Variablengruppe mit durchscnittlich 3,73 einschätzten, lag dieser Wert
bei innovations- bzw. desorientierten, bei statistisch signifikanten 3,04 bzw. 3,56.
Ein spiegelbildliches Bild bietet sich bei den Variablen D4b-D4d. Allerdings bewerten hier
innovationsorientierte Unternehmen lokale Kooperationsstätten (D4b), lokale Informationsund Kommunikationseinrichtungen (D4c) und Marketingunterstützung sichtbar am höchsten.
Eine Überprüfung der Differenzen zwischen den Variablen zeigt demzufolge auch statistisch
signifikante318 Unterschiede zwischen den Orientierungen.
Vergleicht man beispielhaft die Relationen der Variablen C1, D4b und B3 zu den anderen, so
zeigen sich signifikante Unterschiede zwischen den Orientierungen bei den Paarungen A1
vs. D4b319 und D4c vs. B3320.
Doch diese Unterschiede schlagen sich auf Ebene der einzelnen Variablen nicht in
signifikanten Unterschieden zwischen den Orientierungen nieder. Lediglich bei Variable A1
318
Test of Within-Subjects Effects; F (26;949) = 1,650; p = 0,022.
F (2;73) = 4,133; p = 0,020.
320
F (2;73) = 4,937; p = 0,010.
319
172
besteht eine leichte Tendenz321 zu einer signifikant unterschiedlichen Bewertung der Variable
bei den einzelnen Unternehmensorientierungen. Die Variablen sind also trotz dieser
Hinweise, statistisch gesehen, von Unternehmen der drei Unternehmensorientierungen
gleich bewertet.
Motivationskraft der einzelnen Variablen nach Größenklasse
6
5
4
KMU
Großunternehmen
3
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a D4b D4c D4d
Abbildung 52: Motivationskraft der Clustervariablen nach Größenklasse (Quelle: Eigene Darstellung)
Auf Ebene der Unternehmensgrößen zeigt sich, daß vor allem die Variablen B1-C1 und die
Variable D4a hinsichtlich ihrer Motivationskraft deutlich verschieden eingeschätzt werden. In
beiden Fällen weisen diesen Variablen Großunternehmen eine höhere Motivationskraft zu.
Am deutlichsten ist dies im Fall der Variablen B2 und D4a sichtbar. Während
Großunternehmen dem spezialisierten Dienstleistungs- und Lieferantenspektrum eines
Clusters (Variable B2) und lokalen Ausbildungsstätten, Werte von durchschnittlich 4,27 und
3,64 zuweisen, schätzen diese KMUs mit 2,88 bzw. 2,48 deutlich niedriger ein. Ähnliches ist
bei einem großen Arbeitskräftebestand spezialisierter Fachkräfte vor Ort (Variable B1) zu
beobachten wo die Diskrepanz zwischen Großunternehmen und KMUs mit 3,27 im Vergleich
zu 2,29 ähnlich hoch ausfällt.
Eine statistische Überprüfung322 zeigt, daß diese Unterschiede statistisch signifikant sind.
B1323, B2 und D4a324 werden demzufolge von KMUs und Großunternehmen sowohl absolut
deutlich sichtbar, als auch statistisch signifikant unterschiedlich, hinsichtlich ihrer
Motivationskraft für einen Clusterbeitritt, bewertet. Im Fall des spezialisierten Lieferantenund Dienstleistungsspektrums vor Ort (B2) ist diese unterschiedliche Bewertung sogar
hochsignifikant.325
Die Zusammenfassung zu Variablengruppen ergibt hinichtlich der Rangfolge das gleiche Bild
wie bei der Einschätzung des Vorhandenseins der Clustervariablen. Die Variablengruppe
321
F (2;73) = 2,758; p = 0,070.
Test of Between-Subjects Effects.
323
F (1;74) = 4,659; p = 0,034.
324
F (1;74) = 6,047; p = 0,016.
325
F (1;74) = 8,211; p = 0,005.
322
173
Alternativ dominiert mit einer durchschnittlichen Bewertung von 4,28 deutlich. Die
zweitgereihte Variablengruppe Umfeld 2 erreicht mit 3,22 einen deutlich niedrigeren Wert.
Motivationskraft der Variablengruppen über alle Cluster
6
5
4
3
2
1
Porter
MAR
Alternativ
Umfeld 1
Umfeld 2
Abbildung 53: Die Motivationskraft der Variablengruppen über alle Cluster
(Quelle: Eigene Darstellung)
Überprüft man die unterschiedliche Bewertung der Variablengruppen zwischen den
einzelnen Clustern und Unternehmensorientierungen, so zeigt sich keine signifikant
unterschiedliche Bewertung der Variablengruppen. Die Variablengruppen werden in allen
Clustern bzw. in allen Unternehmensorientierungen gleich bewertet. Lediglich im Fall der
Unternehmensorientierung zeigt sich,wie auch aufgrund der Einzelbetrachtung der Variablen
zu erwarten war, eine leichte Tendenz326 zu signifikanten Unterschieden zwischen den
Unternehmensorientierungen.
Motivationskraft der Variablengruppen nach
Unternehmensgröße
6
5
4
KMU
Großunternehmen
3
2
1
Porter
MAR
Alternativ
Umfeld 1
Umfeld 2
Abbildung 54: Die Motivationskraft der Variablengruppen nach Größenklasse
(Quelle: Eigene Darstellung)
Auf Ebene der Größenklasse zeigt sich die starke Signifikanz der vorher beschriebenen
Unterschiede zwischen den Variablen. Die auf Einzelvariablenebene beschriebenen
signifikanten Unterschiede zwischen KMUs und Großunternehmen sind so groß, daß sie
326
F (2;73) = 2,630; p = 0,079.
174
auch bei Zusammenfassung zu Variablengruppen noch großteils erkennbar bleiben. Denn,
wie die nachfolgende Abbildung zeigt, und eine statistische Überprüfung bestätigt, wird die
Variablengruppe MAR von KMUs und Großunternehmen signifikant327 unterschiedlich
bewertet.
Während die Variablengruppe MAR bei Großunternehmen hinsichtlich ihrer Motivationskraft
für einen Clusterbeitritt einen durchschnittlichen Wert von 3,97 erhält, liegt dieser Wert bei
KMUs mit 3,01 deutlich darunter.
Motivationskraft der Variablengruppen nach
Unternehmensgröße
6
5
4
KMU
Großunternehmen
3
2
1
Porter
MAR
Alternativ
Umfeld 1
Umfeld 2
Abbildung 55: Die Motivationskraft der Variablengruppen nach Größenklasse
(Quelle: Eigene Darstellung)
Als abschließender Schritt verbleibt nun noch die Zusammenfassung der Variablengruppen
zu Agglomerations- und Umfeldfaktoren.
Dabei zeigt sich, wie auch bei der Bedeutung und dem Vorhandensein, ein klares Bild. Die
Agglomerationsfaktoren sind mit einem durchschnittlichen Wert von 3,54 im Vergleich zu den
Umfeldfaktoren, mit einem durchschnittlichen Wert von 2,69, hinsichtlich ihrer
Motivationskraft für einen Clusterbeitritt, klar höher bewertet.
Motivationskraft der Agglomerations- & Umfeldfaktoren über alle
Cluster
3,90
3,70
3,50
3,30
3,10
2,90
AC
KC
MC
2,70
2,50
2,30
Agglomerationsfaktoren
Umfeldfaktoren
Abbildung 56: Motivationskraft der Agglomerations- und Umfeldfaktoren nach Größenklasse
(Quelle: Eigene Darstellung)
327
F (1;74) = 6,407; p = 0,013.
175
Descriptive Statistics
Mean
Std. Deviation
agglo3 KMU
3,4667
1,00350
Großunternehmen
3,9899
1,07893
Innovationsorientiert
3,3655
1,01043
Wettbewerbsorientiert
3,7677
0,87129
3,6996
1,08989
Desorientiert
Gesamt
3,5424
1,02415
umfeld3 KMU
2,6571
1,00673
Großunternehmen
2,8826
1,33786
Innovationsorientiert
2,7412
0,96115
Wettbewerbsorientiert
2,7727
1,42319
Desorientiert
2,5833
1,04372
Gesamt
2,6897
1,05351
N
65
11
38
11
27
76
65
11
38
11
27
76
Tabelle 34: Motivationskraft von Agglomerations- & Umfeldfaktoren
(Größenklasse & Orientierung) (Quelle: Eigene Darstellung)
Die statistische Überprüfung der Differenzen (Test of Within-Subjects Effects) der Bewertung
zwischen Agglomerations- und Umfeldfaktoren ergibt für keine der drei Ebenen (Cluster,
Unternehmensorientierung und Größenklasse) einen signifikanten Unterschied. In diesen
Untersuchungen erwies sich jedoch zumindest die Differenz zwischen den beiden Variablen
als signifikant, das bedeutet, Agglomerations- und Umfeldfaktoren unterscheiden sich
statistisch signifikant voneinander.328
Gleiches gilt auch für die Variablen selbst. Es besteht kein signifikanter Unterschied in der
Bewertung
der
beiden
verbliebenen
Variablen
zwischen
Clustern,
Unternehmensorientierungen und Größenklassen.
Lediglich bei den Umfeldfaktoren gibt es ein schwache Tendenz zu einer signifikant
unterschiedlichen Bewertung zwischen den Clustern. p lag in diesem Fall bei 0,09 (F (2;73) =
2,495). In allen anderen Fällen lag p deutlich höher.
Die auf der Ebene der Variablengruppen gefundenen statistisch signifikanten Unterschiede
sind also nicht stark genug gewesen, um auf der aggregierten Ebene der AgglomerationsUmfeldfaktoren nachweisbar zu bleiben.
Aus statistischer Sicht ist daher die Motivationskraft der Agglomerations- und
Umfeldvariablen in allen Clustern, Unternehmensorientierungen und Größenklassen jeweils
gleich bewertet worden.
Aus diesem Grunde sei hier nur noch eine tabellarische Darstellung der Bewertungen nach
Größenklassen und Unternehmensorientierung präsentiert.
6.7 Ergebnis der Hypothesenprüfung
Was bedeuten die hier vorgestellten Ergebnisse für die in Kapitel 5.6 aufgestellten
Hypothesen ?
328
p lag in allen (Cluster, Unternehmensorientierung und Größenklasse) Within-Subjects Effects-Test bei 0,000.
176
Um die Hypothesenprüfung zu erleichtern, ist eine zusammenfassende Betrachtung der
Ergebnisse der Kapitel 6.4 bis 6.6 hilfreich.
Die am höchsten bewerteten Variablena
Bedeutung Wert Vorhandensein Wert Motivationskraft Wert
C1
4,34
C1
3,79
C1
4,28
A2
4,09
D4b
3,67
B3
3,92
A3
3,99
B3
3,64
A3
3,64
Variablengruppen
Alternativ 4,34
Alternativ
3,79
Alternativ
4,28
Porter
3,64
Umfeld 2
3,41
Umfeld 2
3,21
MAR
3,48
Porter
3,32
Porter
3,21
Agglomerations- und Umfeldfaktoren
AF
3,86
AF
3,58
AF
3,69
UF
2,97
UF
3,13
UF
2,65
a Bewertung auf einer Likert Skala von 1-6 (6 = Maximum)
Einzelvariablen
Tabelle 35: Die am höchsten bewerteten Clustervariablen (Quelle: Eigene Darstellung)
Wie aus der obigen Tabelle ersichtlich ist, wird die Clustervariable „Aufbau vertrauensvoller
Geschäfts- und Kooperationsbeziehungen vor Ort“ in allen wesentlichen Fragestellungen
(Bedeutung für die Erreichung der Unternehmensziele, Vorhandensein und Motivationskraft
für den Clusterbeitritt) am höchsten bewertet.
Auffällig ist die mehrfache Reihung von A3 und B3. Während der Zugang zu spezifischem
und wertvollem Wissen anderer Unternehmen vor Ort (B3) hinsichtlich der Bedeutung für die
Unternehmensziele erst an sechster Stelle gereiht wird (Wert: 3,46), wird die Motivationskraft
dieser Clustervariable zweitgereiht. Interessant ist hierbei auch der augenfällige Unterschied
zwischen dem Bedeutungswert (3,46) und dem Vorhandensein (3,64).
In Relation gesetzt scheint daher das Vorhandensein dieser Clustervariable hinsichtlich ihrer
Bedeutung bereits übererfüllt zu sein.
Unter Berücksichtigung der Partizipation am Erfolg von Kunden und Lieferanten vor Ort (A3)
ist dieses Ergebnis jedoch verwirrend. Denn trotz höher geschätzter Bedeutung (3,99) von
A3 verglichen mit B3, liegt die Motivationskraft von A3 unter jener von B3.
Das legt den Schluß nahe, daß Unternehmen von Clustern weniger stark erwarten, die
Partizipation am Erfolg von Kunden und Lieferanten zu ermöglichen, und dies neben dem
Cluster auch an anderen Orten und in anderen Kooperationsformen vermuten.
Dennoch, die Kongruenz zwischen der Bedeutung und der Motivationskraft der Variablen C1
(Aufbau vertrauensvoller Geschäfts- und Kooperationsbeziehungen) und A3 (Partizipation
am Erfolg von Kunden und Lieferanten) mit der Motivationskraft ist augenfällig.
Dies legt den Schluß nahe, daß es vor allem diese beiden Faktoren sind, die sich
Unternehmen als Vorteile aus Clustern am meisten erwarten. Denn schließlich sind diese
Faktoren unter den drei am höchsten bewerteten Clustervariablen zu finden.
Die Unterrepräsentierung von Umfeldvariablen in obiger Darstellung und die kumulierte
Betrachtung (AF und UF) zeigen, was auch statistische Überprüfungen zeigen.
177
Agglomerationsfaktoren sind signifikant höher bewertet, als Umfeldfaktoren. Dies trifft für die
Motivationskraft ebenso zu, wie für die anderen beiden Fälle.
Zur Erinnerung, Hypothese Eins (H1) lautete:
Die Motivation zur Teilnahme österreichischer Unternehmen an Clustern wird
sowohl von Agglomerationsfaktoren, als auch von Umfeldfaktoren, die durch den
Staat geschaffen werden bestimmt, wobei den Umfeldfaktoren die dominierende
Erklärungskraft zukommt.
In Anbetracht der empirischen Ergebnisse, muß Hypothese Eins daher als nur teilweise
bestätigt angesehen werden. Hinsichtlich der dominierenden Erklärungskraft, der
Umfeldfaktoren ist sie eindeutig falsifiziert. Hinsichtlich der gemeinsamen Bedeutung von
Agglomerations- und Umfeldfaktoren als Erklärung für die Teilnahme von Unternehmen an
Clustern, kann sie jedoch als bestätigt angesehen werden.
Zur besseren Orientierung sei hier noch folgende Tabelle aufgeführt. Sie hebt tabellarisch
noch einmal jene statistisch signifikanten Unterschiede hervor, die auf den einzelnen
Betrachtungsebenen nachweisbar waren. Die angesprochenen Betrachtungsebenen
betrafen: Cluster (AC, KC, MC), Unternehmensorientierungen (innovationsorientiert,
wettbewerbsorientiert, desorientiert) und die Unternehmensgröße (KMU, Großunternehmen).
Statistisch signifikant unterschiedliche Bewertung
Betrachtungsebene
Bedeutung Vorhandensein Motivationskraft
Einzelvariablen
Cluster
A3, B2
Unternehmensorientierung
Unternehmensgröße
B1, B2
B1, B2, D4a
Variablengruppen
Cluster
Unternehmensorientierung
Porter
Unternehmensgröße
MAR
Agglomerations- & Umfeldfaktoren Cluster
Unternehmensorientierung
Unternehmensgröße
-
Tabelle 36: Zusammenfassung der signifikanten Ergebnisse bei Clustervariablen
(Quelle: Eigene Darstellung)
Nach Hypothese Eins (H1), verbleiben die Hypothesen H2a, H2b und H2c:
H2a:
Jene
Unternehmen,
die
nach
ihrer
Selbsteinschätzung
eine
Innovationsorientierung aufweisen, bewerten die Motivationsfaktoren der Gruppe
IOB als stärkste Triebfedern zurTeilnahme an Clustern.
H2b:
Jene
Unternehmen,
die
nach
ihrer
Selbsteinschätzung
eine
Wettbewerbsorientierung aufweisen, bewerten die Motivationsfaktoren der Gruppe
WOB als stärkste Triebfedern zur Teilnahme an Clustern.
178
H2c:
Jene Unternehmen die eine widersprüchliche strategische Selbsteinschätzung
aufweisen oder im Cluster nicht nach ihrer Selbsteinschätzung handeln, bewerten
die Motivationsfaktoren der Gruppe GOB als stärkste Triebfedern zur Teilnahme
an Clustern.
Zur Überprüfung dieser drei Hypothesen wurden, gemäß der in Kapitel 5.6 vorgestellten
Methodik, die Clustervariablen zu folgenden Bündeln zusammengefaßt: IOB, GOB und
WOB.
Das innovationsorientierte Bündel der Clustervariablen (IOB) besteht dabei aus den
Variablen B1, B3, D4a und D4c. Das geschenksorientierte Bündel (GOB) aus den Variablen
C1, D3, D4b und D4d. Das wettbewerbsorientierte Bündel (WOB) besteht aus den
verbliebenen Variablen A1-A3, B2, D1 und D2.
Die so gebildeten Variablengruppen unterscheiden sich, wie eine statistische Überprüfung
zeigt, signifikant von einander.329 Daher können diese drei Variablengruppen mit den drei
Unternehmensorientierungen kombiniert werden.
Die folgende Abbildung zeigt graphisch das Ergebnis dieser Kombination.
Motivationskraft der Bündel von Motivationsfaktoren nach
Unternehmensorientierung
3,70
3,50
3,30
IOB
WOB
3,10
GOB
2,90
2,70
2,50
Innovationsorientiert
Wettbewerbsorientiert
Desorientiert
Abbildung 57: Vergleich der Bündel von Motivationsfaktoren nach Orientierung
(Quelle: Eigene Darstellung)
Auf den ersten Blick scheint die Hypothese bestätigt zu sein. Das Bündel WOB erhält von
wettbewerbsorientierten Unternehmen die höchste Bewertung. Doch die übrigen Bündel
erfahren von den selben Unternehmen noch höhere Bewertungen.
Der Blick auf die innovationsorientierten Unternehmen zeigt ein ähnliches Bild. Zwar
bewerten diese Unternehmen das Bündel IOB höher als das Bündel WOB, doch die weitaus
höchste Bewertung erhält das geschenkorientierte Bündel.
329
Der Test of Within-Subjects Contrasts zeigt für die paarweisen Vergleiche der Variablengruppen folgende pWerte: IOB vs GOB: 0,008 WOB, vs. GOB: 0,000 und WOB vs. IOB: 0,000.
179
Beispielhaft erwartetes Ergebnis der Motivationskraft der Bündel von
Motivationsfaktoren nach Orientierung
6,00
5,00
IOB
WOB
GOB
4,00
3,00
2,00
1,00
Innovationsorientiert
Wettbewerbsorientiert
Desorientiert
Abbildung 58: Idealtypisch erwartete Bewertung der Bündel von Motivationsfaktoren
(Quelle: Eigene Darstellung)
Das Gesamtbild zeigt also über alle drei Orientierungen, bezüglich der Motivationskraft, die
folgende absteigende Rangfolge: GOB, IOB und schließlich WOB.
Diese graphische Kontrolle zeigt, daß die Hypothesen H2a und H2b also bereits graphisch
widerlegt sind. Zum Vergleich, sei auf die folgende Abbildung verwiesen, die ein, durch die
Hypothesen H2a und H2b, idealtypisch erwartetes Ergebnis zeigt.
Doch neben der graphischen Kontrolle wurde auch eine statistische Überprüfung angestellt.
Diese ergab keine statistisch signifikanten Unterschiede in der Bewertung der drei
Motivationsbündel über die drei möglichen Unternehmensorientierungen.330
Die Hypothesen H2a, H2b und H2c sind demzufolge widerlegt.
Es verbleiben schließlich noch die Hypothesen 3a und 3b:
H3a:
Die Bedeutung der Clustervariablen
Großunternehmen deutlich höher.
ist
bei
KMUs
im
Vergleich
zu
H3b:
Die Bedeutung der Umfeldvariablen, insbesondere der Förderinfrastruktur, ist im
Vergleich zu Großunternehmen bei KMUs ausgeprägter.
Diese beiden Hypothesen sind, wie auch in der tabellarischen Darstellung der
höchstbewerteten Variablen sichtbar ist, ebenfalls als widerlegt anzusehen.
Auf allen drei Betrachtungsebenen (Bedeutung, Vorhandensein und Motivationskraft) sind,
330
Der Test of Between-Subjects Effects zeigte folgende Werte für die einzelnen Bündel: IOB (F (2;73) = 0,144; p
= 0,866), WOB (F (2;73) = 1,339; p = 0,269) und GOB (F (2;73) = 0,179; p = 0,837).
180
wie gezeigt, die Agglomerations- und Umfeldfaktoren bei KMUs sichtlich niedriger bewertet
als bei Großunternehmen.
Zusätzlich dazu hat sich auf der aggregierten Ebene, also der auf nur zwei Werte
(Agglomerations- und Umfeldfaktoren), kein signifikanter Unterschied in der Bewertung
ergeben.
Eine Ebene tiefer, auf Ebene der Variablengruppen, bestehen zwar signifikante Unterschiede
zwischen KMUs und Großunternehmen. Doch die höhere Bewertung erzielte diese
Variablengruppe bei Großunternehmen.
Auf der untersten Ebene schließlich, der Einzelvariablenebene, bestehen beim der
Einschätzung des Vorhandenseins (B1, B2) und der Motivationskraft (B1, B2, D4a) der
Clustervariablen ebenfalls signifikante Unterschiede zwischen KMUs und Großunternehmen.
Doch in beiden Fällen findet sich die höhere Bewertung nicht bei KMUs, sondern bei
Großunternehmen.
Agglomerations- & Umfeldfaktoren KMUs
4,00
3,80
3,60
Bedeutung
3,40
Vorhandensein
3,20
Motivationskraft
3,00
2,80
2,60
Agglomerationsfaktoren
Umfeldfaktoren
Abbildung 60: Ausprägung derAgglomerations- und Umfeldfaktoren bei KMUs
(Quelle: Eigene Darstellung)
Agglomerations- & Umfeldfaktoren bei Großunternehmen
4,00
3,80
3,60
Bedeutung
3,40
Vorhandensein
3,20
Motivationskraft
3,00
2,80
2,60
Agglomerationsfaktoren
Umfeldfaktoren
Abbildung 59: Ausprägung der Agglomerations- und Umfeldfaktoren bei
Großunternehmen (Quelle: Eigene Darstellung)
181
Die Hypothese H3a ist damit, wie auch die beiden vorhergehenden Abbildungen zeigen,
widerlegt.
Da zwischen KMUs und Großunternehmen keinerlei statistisch signifikante Unterschiede
hinsichtlich der Bewertung der einzelnen Variablen (bei Bedeutung, Vorhandensein und
Motivationskraft) bestehen, ist damit auch Hypothese H3b widerlegt.
Auf Einzelvariablenebene sind einzelne Variablen bei KMUs höher bewertet. Bei der
Bedeutung der Variablen für die Erreichung der Unternehmensziele, ist dies bei den
Variablen A2 und A3 der Fall. Bei Beurteilung des Vorhandenseins, ist die Variable C1 bei
KMUs absolut höher bewertet. Und bei der Motivationskraft für einen Clusterbeitritt
schließlich bei den Variablen A3 und D4d.
Die in Hypothese H3b vermutete höhere Bewertung der Förderinfrastruktur (Variable D3) bei
KMUs absolut schwächer ausgeprägt als bei Großunternehmen.
Bedeutung, Vorhandensein und Motivationskraft der einzelnen Variablen bei
KMUs
6
5
Bedeutung
Vorhandensein
Motivationskraft
4
3
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a D4b D4c D4d
Abbildung 61: Ausprägung der einzelnen Clustervariablen bei KMUs (Quelle: Eigene Darstellung)
Bedeutung, Vorhandensein und Motivationskraft der einzelnen Variablen bei
Großunternehmen
6
5
Bedeutung
4
Vorhandensein
3
Motivationskraft
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a D4b D4c D4d
Abbildung 62: Ausprägung der einzelnen Clustervariablen bei Großunternehmen (Quelle: Eigene
Darstellung)
Alle diese Hinweise auf eine falsifizierte Hypothese H3b werden statistisch schlußendlich
dadurch untermauert, daß in allen Fällen (Bedeutung, Vorhandensein und Motivationskraft)
kein signifikanter Bewertungsunterschied zwischen KMUs und Großunternehmen besteht.
182
Somit ist tatsächlich auch Hypothese H3b falsifiziert.
Es sei zum Schluß noch auf die in Kapitel 5.6 vorgestellte Vermutung von
Chakravorty/Koo/Lall (2005) hingewiesen, staatliche Maßnahmen wie Umwelt- und
Flächenwidmungspläne wären unter Umständen, über die Schaffung unvollkommener
Grundstücksmärkte, für die Entstehung von Clustern verantwortlich.
Der deutlich sichtbare Knick in den Kurven der Ergebnisse bei den Variablen D1 und D2, die
diesen angesprochenen staatlichen Maßnahmen entsprechen, kann für die untersuchten
österreichischen Cluster weder graphisch, noch statistisch nachgewiesen werden.
183
7. Zusammenfassung und kritische Betrachtung
Die vorliegende Arbeit hat aufbauend auf nationalen und internationalen Forschungsarbeiten
zum Thema Cluster die wesentlichen Clustervorteile für Unternehmen herausgearbeitet.
Unter Zuhilfenahme der ressourcen- und der wissensbasierten Theorien der Unternehmung
und einem Fokus auf Innovationsgesichtspunkte wurden diese Clustervorteile untersucht und
Hypothesen zur Motivation für eine Clusterteilnahme aus Unternehmenssicht aufgestellt.
Dabei wurden sowohl strategische Unternehmensorientierungen, als auch Unterschiede
zwischen KMUs und Großunternehmen berücksichtigt.
Als letztem Schritt wurden diese Hypothesen im Zuge einer empirischen Untersuchung in
drei oberösterreichischen Clustern (Automobil-, Kunststoff- und Mechatronikcluster) einer
Überprüfung unterzogen.
7.1 Forschungsfrage und Erkenntnisse
Welches Resümee kann nun zum Abschluß dieser Arbeit gezogen werden?
Zur Beantwortung dieser Frage ist ein Rückgriff auf die erste der zwei Forschungsfragen
hilfreich :
Welche Vorteile können Unternehmen aus Clustern ziehen, und können diese eventuell die
Existenz von Clustern erklären?
Die folgende Abbildung zeigt 14 identifizierte Clustervorteile und ihre Bewertung durch die
Mitglieder der drei untersuchten Cluster (AC, KC & MC OÖ).
Diese Clustervorteile gliedern sich einerseits in die Gruppe der Porter-Effekte. Diese
umfassen neben dem operativen und strategischen Vergleich mit anderen
Clusterunternehmen (A1), auch die Befriedigung der Bedürfnisse anspruchsvoller lokaler
Kunden (A2) (und damit gleichsam die Verbesserung der unternehmenseigenen „Fitness“),
sowie die Teilhabe am Erfolg von Kunden und Lieferanten vor Ort (A3).
Die zweite Gruppe, die MAR-Effekte, deckt das Vorhandensein eines großen spezialisierten
Arbeitskräftebestands (B1), ein spezialisiertes Lieferanten- und Dienstleistungsspektrum vor
Ort (B2) und den Zugang zu wertvollem und spezifischem Wissen (B3) ab.
Die alternativen Faktoren beziehen sich auf den Aufbau vertrauensvoller Geschäfts- und
Kooperationsbeziehungen vor Ort (C1).
Diese drei Gruppen stellen die klassischen sieben Agglomerationsfaktoren (A1-C1) dar,
während die übrigen beiden Gruppen, sieben neue, so genannte Umfeldfaktoren,
zusammenfassen (D1-D4d).
Die erste dieser beiden Gruppen, die Gruppe direkter staatlicher Eingriffe, umfaßt Vorteile
aus staatlichen Flächenwidmungsplänen (D1), Umweltauflagen (D2) und Förderungen (D3).
184
Die letzte Gruppe schließlich betrifft jene Faktoren, die die Infrastruktur innerhalb des
Clusters repräsentieren. Es sind dies lokale Ausbildungs- und Kooperationsstätten (D4a,
D4b),
Informationsund
Kommunikationseinrichtungen
(D4c)
und
schließlich
Marketingunterstützung durch Einrichtungen vor Ort (D4d).
Die empirische Untersuchung hat diese 14 Clustervorteile auf den Ebenen Bedeutung,
Vorhandensein und Motivationskraft untersucht.
Von den sichtbaren drei Ebenen sind vor allem zwei von besonderem Interesse.
Einerseits ist dies die Bewertung der einzelnen Clusterfaktoren im Hinblick auf ihre
Bedeutung für die Erreichung der Unternehmensziele. Andererseits ist dies die Bewertung
der einzelnen Faktoren im Bezug auf ihre Motivationskraft für einen Beitritt zum Cluster.
Die dritte Ebene stellt eine subjektive Bestandsaufnahme dar, die das Vorhandensein der
einzelnen Faktoren in den untersuchten Clustern einschätzt.
Bedeutung, Vorhandensein und Motivationskraft der einzelnen
Variablen über alle Cluster
6
5
Bedeutung
4
Vorhandensein
3
Motivationskraft
2
1
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3 D4a D4b D4c D4d
Abbildung 63: Bedeutung, Vorhandensein & Motivationskraft der Clustervorteile
(Quelle: Eigene Darstellung)
In den untersuchten oberösterreichischen Clustern ist eine deutlich auffällige Dominanz des
Faktors Vertrauen (C1) sichtbar.
Sowohl auf der Ebene der Bedeutung für die Erreichung der gesteckten Unternehmensziele,
als auch hinsichtlich der Motivationskraft für einen Clusterbeitritt wird dem Aufbau
vertrauensvoller Beziehungen die höchste Bedeutung zugeschrieben.
Ebenfalls auf beiden Ebenen gleich gereiht, auf Rang drei aller Variablen, liegt in den drei
österreichischen Clustern die Teilhabe am Erfolg von Kunden und Lieferanten vor Ort (A3).
Während die Befriedigung der anspruchsvollen Bedürfnisse lokaler Kunden (A2) hinsichtlich
ihrer Bedeutung für den Unternehmenserfolg an zweiter Stelle folgt, scheint dieser
Clustervorteil hinsichtlich der Motivationskraft für einen Clusterbeitritt erst an zehnter Stelle
auf. Statt dessen findet sich bei der Motivationskraft der Zugang zu spezifischem und
wertvollem Wissen anderer Unternehmen (B3) an zweiter Stelle.
185
Dies läßt den Schluß zu, daß Unternehmen die anspruchsvollen Bedürfnisse ihrer Kunden
zwar als wichtig für den Unternehmenserfolg ansehen, aber dem Cluster in dieser Hinsicht
keinen so starken Einfluß zusprechen.
Dies ist auch bei den anderen Clustervorteilen sichtbar.
So liegt die Bedeutung spezifischen und wertvollen Wissens (B3) erst an siebenter Stelle,
hinter dem Arbeitskräftebestand spezialisierter Fachkräfte (B1, Rang vier) oder lokalen
Ausbildungsstätten (D4a, Rang sechs).
Umgelegt auf die Erwartungshaltung gegenüber Clustern kann man schließen, daß Cluster
vor allem vertrauensvolle Geschäftsbeziehungen (C1) fördern, Zugang zu spezifischem und
wertvollem Wissen (B3) bieten und eine Teilhabe am Erfolg von Kunden und Lieferanten vor
Ort (A3) ermöglichen sollen.
Dies wird auch durch die in Kapitel 5.5 durchgeführte theoretische Evaluierung der
Clustervorteile gestützt, wo vertrauensvollen Beziehungen und dem Zugang zu spezifischem
und wertvollem Wissen besonders große Bedeutung bescheinigt werden konnte.
Wie sich gezeigt hat, sind die klassischen Clustervorteile (in dieser Arbeit
Agglomerationsfaktoren genannt) von größerer Bedeutung für Unternehmen als die
Umfeldfaktoren von Clustern. Dies gilt sowohl für die Bedeutung hinsichtlich des
Unternehmenserfolgs, wie auch für die Motivationskraft dieser Faktoren.
Augenfällig in der vorherigen Abbildung sind vor allem sechs der 14 Clustervorteile.
Interessant sind die Diskrepanzen der Clustervorteile zwischen ihrer Bedeutung und ihrer
Motivationskraft einem Cluster beizutreten. Diese, auch statistisch signifikanten
Diskrepanzen, sind in der Abbildung farblich hervorgehoben.331
In fünf Fällen ist die Bedeutung der Faktoren für den Unternehmenserfolg signifikant höher
eingeschätzt als ihre Motivationskraft dem Cluster beizutreten.
Dies trifft auf folgende Fälle zu: die Befriedigung der Bedürfnisse anspruchsvoller Kunden
(A2), die Teilhabe am Erfolg von Kunden und Lieferanten (A3), einen großen Bestand an
spezialisierten Fachkräften (B1), staatliche Umweltauflagen (D2) und lokale
Ausbildungsstätten (D4a).
Lediglich in einem Fall, dem Zugang zu spezifischem und wertvollem Wissen (B3), ist die
Motivationskraft für einen Clusterbeitritt signifikant größer als die Bedeutung für den
Unternehmenserfolg.
331
Diese Diskrepanzen wurden sowohl für alle drei Cluster, als auch für die einzelnen Orientierungen und KMUs
bzw. Großunternehmen untersucht. Es zeigten sich nur zwischen den einzelnen Cluster signifikante Unterschiede
(A3 und D4a). Bei den Unternehmensorientierungen und Größenklassen der Unternehmen waren keine
signifikanten Unterschiede sichtbar. Vgl. dazu auch die Darstellung der Signifikanztests der Diskrepanzen
zwischen Bedeutung und Motivationskraft im Anhang.
186
Angesichts dessen ist man versucht zu sagen, nur der Zugang zu spezifischem und
wertvollem Wissen und jene acht Clustervorteile, deren Bedeutung und Motivationskraft sich
nicht unterscheiden, könnten als Erklärung für die Existenz von Clustern dienen.
Doch dieser verlockende Schluß dürfte angesichts der insgesamt niedrigen Bewertung auf
der sechsstelligen Skala – lediglich der Faktor Vertrauen wird bei Bedeutung und
Motivationskraft mit durchschnittlich über Vier bewertet – zu weit gehen.
Daher kann diese Arbeit keine eindeutige Antwort auf den zweiten Teil der Forschungsfrage
geben: den Grund für die Existenz von Clustern.
Dies führt schließlich auch zur zweiten und letzten Forschungsfrage:
Welche Bedeutung haben Clustervorteile für die Innovationsfähigkeit von Unternehmen?
Diese Arbeit hat versucht, sich der Frage der Bedeutung der Clustervorteile durch die
Koppelung der Unternehmensorientierung an bestimmte Clustervorteile zu nähern.332
Im Fall der untersuchten oberösterreichischen Cluster ist klar, und statistisch nachweisbar,
ersichtlich, daß ein Clusterbeitritt generell zwei Auswirkungen mit sich bringt: der
Innovationsoutput steigt nach Beitritt zu einem Cluster ebenso wie die Ausgaben für
Forschung und Entwicklung signifikant an.
Dieses Ergebnis jedoch zu erklären und die Zusammenhänge klarer werden zu lassen ist,
wie das widerlegte Hypothesengebäude zeigte, dieser Arbeit leider nicht gelungen.
Das ein Zusammenhang bestehen muß, wurde aber durch zahlreiche Forschungsarbeiten333
bereits aufgezeigt. Denn wie beispielsweise Beaudry/Bresci (2003) nachweisen, kann die
reine Anwesenheit in einem Cluster keinen Innovationsvorteil bieten.
7.2 Anhaltspunkte für weitere Forschungen
Auch wenn das Hypothesengebäude großteils nicht bestätigt wurde, so kann die
Ursachenforschung dennoch hilfreiche Ansatzpunkte für die weitere Forschung bieten.
Die erste Hypothese betraf die Vermutung, daß sowohl Agglomerations-, als auch
Umfeldfaktoren österreichische Unternehmen zur Teilnahme an Clustern motivieren. Dabei
sollten jedoch die Umfeldfaktoren dominanter hervortreten.
Diese Hypothese ist, wie die Ergebnisse der Untersuchung zeigten, nicht bestätigt worden.
Die Gründe für das Nichteintreten der Vermutung können vielfältig sein.
Eine Möglichkeit besteht in der anzunehmenden größeren Langfristwirkung der sieben
Agglomerationsfaktoren. Der Teilhabe am Geschäftserfolg von Kunden und Lieferanten oder
dem Zugang zu wertvollem Wissen, kann eine größere Langfristwirkung zugesprochen
332
333
Vgl. dazu Kapitel 5.6.
Vgl. dazu Kapitel 3.4.
187
werden, als beispielsweise dem Zugang zu Marketingunterstützung oder einer einmaligen
Projektförderung durch das Clustermanagement.
Nach einigen Produktneueinführungen durch ein Unternehmen, kann angenommen werden,
daß das Marketingwissen sich mit der Zeit akkumuliert und Marketingunterstützung unter
Umständen in ihrer Bedeutung sinkt.
Wie jedoch ein Blick auf die vorherige Abbildung zeigt, kann diese Annahme nicht bei jedem
Faktor durch die Ergebnisse gestützt werden.
Ein interessanterer Ansatzpunkt ergibt sich bei Berücksichtigung der Komponente Zeit.
Eine ganze Reihe an Forschern334 hat sich mit der Frage beschäftigt, ob und welche
Entwicklungsstadien ein Cluster durchläuft.
van Klink/de Langen (2001) beispielsweise unterscheiden vier Entwicklungsphasen von
Clustern.
Die erste Phase, die Entwicklungsphase, ist gekennzeichnet vom Wachstum und dem Zuzug
neuer Unternehmen. Das Vorhandensein spezifischer Ressourcen im Cluster, von KnowHow und eine kritische Masse der Nachfrage, ziehen neue Clusterunternehmen an.
In der darauf folgenden Expansionsphase sind Unternehmen am Heimmarkt erfolgreich und
versuchen, weitere Märkte zu erobern. In dieser Phase nehmen die vor Ort vorhandenen
Ressourcen und das lokale Know-How weiterhin eine wichtige Rolle ein.
Die dritte Phase, die Phase der Reife, ist gekennzeichnet von bewährten Produktpaletten
und stabilen Produktionsmustern. Dabei sind die clusterinternen Kooperationsbeziehungen
ebenfalls stabil. Kooperationen und gemeinsames Handeln sind auf den Erhalt des status
quo ausgerichtet. Gleichzeitig ist jedoch der Wettbewerb innerhalb des Clusters besonders
intensiv und die Zukunft des Clusters hängt zunehmend von der Balance zwischen der
lokalen und der globalen Orientierung der Clusterunternehmen ab.
Marktveränderungen, aber auch die Neuorientierung von Schlüsselunternehmen des
Clusters können schließlich zur vierten und letzten Entwicklungsphase des Clusters, der
Phase des Übergangs, führen.
Diese Veränderungen können nur durch eine Neuorientierung und die Entwicklung neuer
relevanter Kompetenzen, Technologien und dergleichen überwunden werden. Die Autoren
sprechen in diesem Zusammenhang von der Gefahr des Auseinanderfallens des Clusters.
Diese entsteht dadurch, daß Unternehmen zunehmend aufgrund der Umwälzungen oder der
aufgebauten dominanten Umsatz- bzw. Wissensbasis einen Alleingang möglich sehen und
den Cluster verlassen.
334
Beispielhaft sei auf die folgenden verwiesen: van Klink/de Langen (2001), Peneder (2001), Rosenfeld (2003),
Maskell/Kebir (2005), Tan (2006).
188
van Klink/de Langen betrachten diese Entwicklungsphase auf unterschiedlichen Ebenen, wie
dem Charakter der clusterinternen Wertkette oder den strategischen Beziehungen innerhalb
des Clusters.
Die im Zusammenhang mit der in dieser Arbeit behandelten Thematik sicherlich
interessanteste Ebene, ist die Ebene der Kooperationen innerhalb des Clusters.
Je nach Entwicklungsphase nehmen bestimmte Faktoren eine überragende Bedeutung ein.
In der Entwicklungsphase des Clusters sind dies vor allem der Bereich Forschung und
Entwicklung, Standardisierungsbestrebungen der Produktpalette und die Entwicklung von
Kooperationsroutinen und –muster.
Hier bieten die Ergebnisse der Untersuchung der drei oberösterreichischen Cluster einen
guten Ansatzpunkt.
Es drängt sich die Einschätzung auf, daß den in dieser Arbeit identifizierten Umfeldfaktoren
vor allem eine Anschubfunktion zukommt. Dies ist vor allem sichtbar wenn die Bewertung
der Agglomerationsfaktoren (AF) und der Umfeldfaktoren (UF) mit dem Alter der einzelnen
Cluster in Zusammenhang gebracht wird.
Dabei scheint, wie die nachfolgende Abbildung zeigt, eine Verbindung zwischen der
Bewertung der Clustervorteile und dem Reifegrad / der Entwicklungsstadium bzw. Dauer der
Clustermitgliedschaft der Unternehmen möglich.
Cluster
AC
KC
MC
Gründungsdatum
1998
1999
2003
AF
3,89
3,86
3,64
UF
2,58
2,97
3,09
Abbildung 64: Clustermitgliedschaftsdauer &
Bewertung der Clustervorteile
(Quelle: Eigene Darstellung)
Die Rolle der Umfeldfaktoren scheint also mit dem Alter der Cluster abzunehmen, während
ähnliches nicht bei den Agglomerationsfaktoren sichtbar ist.
Eine erste statistische Überprüfung dieses Zusammenhangs zeigte keine signifikanten
Zusammenhänge.
Correlations
agglo3
umfeld3
Pearson Correlation
Sig. (2-tailed)
Pearson Correlation
Sig. (2-tailed)
N
dmc
-0,154
0,185
-0,125
0,281
76
Tabelle 37: Korrelation zwischen
Mitgliedschaftsdauer & Variablenbewertung
(Quelle: Eigene Darstellung)
Trotz dieser Ergebnisse, die das Signifikanzniveau von 5% deutlich übersteigen, dürfte eine
genauere Betrachtung dieses Zusammenhangs lohnende Ergebnisse liefern. Denn in den
189
untersuchten österreichischen Clustern hat sich, wie auch in den Ergebnissen sichtbar war,
gezeigt, daß die Signifikanz sehr feingliedrig ausgeprägt ist. Mit zunehmender
Zusammenfassung der Variablen zu Gruppen und schließlich zwei Einzelwerten waren keine
Unterschiede mehr feststellbar.335
Bei Berücksichtigung der Arbeit von van Klink/de Langen ergeben sich vor allem zwei
Änderungen des Umfragedesigns.
Es sind dies der Entwicklungsstatus der befragten Unternehmen und die einzelnen
Entwicklungsstufen der untersuchten Cluster.
Beim Entwicklungsstatus der befragten Unternehmen wäre vor allem auf die
Kooperationserfahrung abzustellen, ähnlich wie dies Ohler/Gamsjäger/Mahlich (2001) bereits
getan haben. Dabei müßte der Fragebogen dahingehend geändert werden, daß die
Erfahrung der befragten Unternehmen mit Kooperationsbeziehungen vor Clusterbeitritt bzw.
während der bisherigen Clustermitgliedschaft erfaßt wird. Dies kann sowohl die Zahl der
bisherigen Kooperationen, ihre Art (sproadische Kontakte, gemeinsame Projekte bzw.
Produkte etc.) und die gewünschte Intensität (zukünftige Verstärkung oder Verringerung der
von Kooperationen) umfassen.
Auf diese Weise wäre eine Wertigkeit der einzelnen Clustervorteile auch im Zeitablauf
untersuchbar und die hier geäußerten Vermutungen könnten besser untersucht werden.
Die zweite Änderung betrifft den Entwicklungsstatus der untersuchten Cluster.
Hierbei kann neben einer theoretischen Einteilung der Cluster in Entwicklungsstadien
(anhand von Modellen wie jenem von van Klink/de Langen), im Fragebogen nach einer
Einschätzung des Entwicklungsstands durch die befragten Unternehmen gefragt werden.
Hierbei wäre selbstverständlich die Dauer der Mitgliedschaft im Cluster zu berücksichtigen.
Denn es ist anzunehmen, daß ein langjähriges Clustermitglied eine zutreffendere Bewertung
vornehmen kann, als ein neues Clustermitglied.
Bei all den möglichen Ansatzpunkten die sich durch Modelle der Clusterentwicklungsphasen
ergeben, muß jedoch auch die Schwäche derselben berücksichtigt werden.
Denn die meisten dieser Modelle gründen auf dem Produktlebenslzyklus und gehen explizit
oder implizit von einer homogenen Clusterproduktpalette aus. Wie sich gezeigt hat, sind klar
homogene Cluster jedoch eher selten. Alle drei Cluster bestanden zu einem nicht
unwesentlichen Teil aus einer Reihe von technischen und anderen Dienstleistern wie
Leiharbeitsunternehmen, Consultern und ähnlichen Unternehmen.
Bei der Anwendung dieser Modelle muß daher dieser Situation Rechnung getragen
werden.336
335
Vgl. dazu Kapitel 6.7.
Eine Möglichkeit hierfür wäre beispielsweise Kernprodukte des Cluster heranzuziehen und Nebenprodukte die
von Unternehmen hergestellt werden und nicht der Kernbranche angehören, zu ignorieren.
336
190
Wendet man sich der zweiten Gruppe von Hypothesen zu, so können auch hier einige
Anregungen für weitere Untersuchungen gefunden werden.
Die Hypothesen H2a bis H2c haben versucht Zusammenhänge zwischen der Bedeutung der
einzelnen Clustervorteile und der strategischen Unternehmensorientierung zu finden.
Diese Zusammenhänge konnten empirisch nicht bewiesen werden.
Drei mögliche Erklärungen für das Nichteintreten der erwarteten Ergebnisse sind denkbar.
Die erste Ursache kann einer möglichen
Unternehmensorientierungen geschuldet sein.
Designschwäche
der
verwendeten
Die Aussagen, anhand derer die einzelnen Orientierungen zugewiesen wurden, waren unter
Umständen nicht ausreichend differenziert bzw. nicht ausreichend klar verständlich/deutlich.
Mit anderen Worten: semantisch und/oder theoretisch zu „nahe“ bei einander liegend.
Dies würde unter Umständen den mit 35,54% besonders hohen Anteil „desorientierter“
Unternehmen und dadurch die nicht signifikanten Unterschiede zwischen den einzelnen
Unternehmensorientierungen erklären.
Die zweite Ursache für die nicht eingetretenen empirischen Ergebnisse dürfte jedoch
schwerer wiegen.
Dem Begriff Innovation haftet eine stark positive Anziehungskraft an und damit auch
tendenziell den damit verbundenen Clustervorteilen.
Diese Tatsache, auch als „pro-innovation bias“ bekannt,
Innovationsforschung thematisiert, und da vor allem von
Diffusionstheorie337 untersucht.
wird stark in
den Vertretern
der
der
Everett M. Rogers, der in seinem erstmals 1963 erschienen Werk „Diffusion of Innovations“,
die Grundlagen des Forschungsbereichs präsentierte, definiert diesen „pro-innovation bias“
wie folgt:
„The pro-innovation bias is the implication in diffusion research that an
innovation should be diffused and adopted by all members of a
system, that it should be diffused more rapidly, and that the innovation
should be neither re-invented nor rejected“.338
Zahlreiche Innovationsstudien zeigten dementsprechend auch, daß das Management von
Unternehmen sich häufig für die Einführung von Innovationen entscheidet, um nicht hinter
den Konkurrenten zurückzubleiben. Selbst wenn eine Innovation leicht als ineffizient
337
Eine gute Definition der Diffusionstheorie findet sich bei Mikl-Horke (2005): „Die Diffusionstheorie betont die
spontanen und irrationalen Aspekte der Verbreitung neuer Ideen in einer Population nach dem Modell der
Nachrichten, die durch Kommunikation über Beziehungskanäle zwischen Individuen übertragen werden. Sie
wurde [...] daher aufgegriffen, um zu zeigen, dass auch Managemententscheidungen nicht nur auf
Effizienzerwägungen beruhen, sondern „Ansteckungseffekte“ auftreten.“, S. 2.
338
Rogers (2003), S. 106.
191
erkennbar ist, wird sie häufig eingeführt. Dies kann unter anderem mit dem Erfolgsdruck des
Managements begründet werden, der den Eindruck fördert, daß „[...] jede Neuerung besser
ist als gar nichts zu ändern“339.
Der Wunsch als innovativ zu gelten, und die Angst vor dem Scheitern können also demnach
großen Einfluß haben. Dies gilt sowohl für das vermittelte Bild nach außen, als auch für die
getroffenen Entscheidungen.
Die Kraft dieses „pro-innovation bias“ kann beträchtlich sein, wobei die Forschung diesen
noch verstärken kann. Dies passiert durch die Selbstselektion, indem zumeist positive
Erfolgsgeschichten von Innovationen präsentiert werden, während Fehlschläge in vielen
Studien oft nur eine untergeordnete Rolle spielen.
Der so entstehende Eindruck, Innovationen seien generell ein Fortschritt, kann schließlich
auch zu zyklischen Modetrends340 führen, mit denen sich die Diffusionstheorie ebenfalls
beschäftigt.
Ein solcher „pro-innovation bias“ liegt unter Umständen auch in der empirischen
Untersuchung der vorliegenden Arbeit vor. Der deutliche Überhang (50%) der sich selbst als
innovationsorientiert einschätzenden Unternehmen legt diesen Schluß zumindest nahe.
Denn der Anteil der sich selbst als wettbewerbsorientiert ansehenden Unternehmen liegt mit
14,47% deutlich darunter. Der Grund dafür ist unter anderem wohl auch im verwendeten
Fragebogen zu suchen, der unterschwellig suggeriert Innovationen seien ausschließlich
positiv, wünschenswert, und ein Ausdruck der Leistungsfähigkeit des Unternehmens.
Auch die in dieser Arbeit zitierte Studien sind eventuell von diesem „pro-innovation bias“
betroffen. So definierten sich in der Forschungsarbeit von de Propris (2002) gleich 83% der
Unternehmen der untersuchten Region als Innovatoren. Frühere Untersuchungen zeigten für
die selben Regionen jedoch eine Technologielücke.341
Um dem offensichtlichen „pro-innovation bias“ des in dieser Arbeit verwendeten
Fragebogens entgegenzutreten, müßten daher Innovationsfehlschläge berücksichtigt
werden.
Dabei sollte durch gezielte Hinweistexte darauf hingewiesen werden, daß Innovationen nicht
nur positive Effekte haben müssen. Auf diese Weise wäre ein neutralerer Zugang zum
Thema Innovation gewährleistet. Und eine Frage nach Innovationsfehlschlägen vor bzw.
nach Clusterbeitritrt würde nicht so leicht als Ausdruck der mangelnden Leistungsfähigkeit
des Unternehmens mißverstanden werden.
Schließlich bietet sich ein dritter Faktor als Erklärung für das Nichteintreten der erwarteten
Ergebnisse an – die Rolle der Geschenkorientierung.
339
Mikl-Horke (2005), S. 3.
Vgl. dazu Abrahamson (1991), der von Modetrends spricht die durch „fads“ bzw. „fashions“ ausgelöst werden.
Während erstere durch Unternehmen aus der eigenen Gruppe oder Branche ausgelöst werden, werden letztere
durch Einflüsse von Aktueren außerhalb der eigenen Gruppe angestoßen.
341
Vgl. dazu de Propris (2002).
340
192
Denn die eindeutig wichtigste Rolle spielten jene Variablen, die dem geschenkorientierten
Bündel zugeordnet wurden.
Weitergehende Forschungen sollten daher bei der Bildung der Hypothesen, die Rolle der
kostenlosen
Mitnahmeeffekte,
hier
„geschenkorientiert“
genannte
Variablen,
mitberücksichtigen.
Die dritte Gruppe der Hypothesen, jene die KMUs und Großunternehmen unterschied, soll
ebenfalls noch angesprochen werden. Hier sind die möglichen Ursachen ebenfalls vielfältig.
Einerseits kann eine Filterfunktion von Clustern angenommen werden. Damit ist die
Anziehungskraft von Clustern gemeint, die vor allem auf einen bestimmten Typus KMU
wirken dürfte.
Es besteht die Möglichkeit, daß vor allem dynamische und wachstumsstarke KMUs von
Clustern angezogen werden, die nicht existentiell auf beispielsweise Förderungen (als
Vertreter der Umfeldfaktoren) angewiesen sind. Dadurch ist es möglich, daß die
Erwartungen an den Cluster – und seine Vorteile – jenen der Großunternehmen ähneln.
Diese Annahme findet eine gewisse Bestätigung in der Tatsache, daß das
Clustermanagement aller drei Cluster den Zugang zu Förderungen an bestimmte
Voraussetzungen und Bedingungen knüpft und diese daher nicht einfach als Mitnahmeeffekt
wirken können.
Während der empirischen Umfrage gab es auch Reaktionen von Unternehmen, die nicht an
der Studie teilnehmen wollten, da sie sich bereits wieder aus dem Cluster zurückgezogen
hatten. Als Grund dafür wurde zumeist angeführt, der Cluster hätte in keiner Hinsicht die
Erwartungen erfüllt.
Die bereits vermutete Anschubfunktion der Umfeldfaktoren kann, auch bezüglich der
Unternehmensgröße, ins Treffen geführt werden und zwar im Hinblick auf das
Entwicklungsstadium der Clustermitgliedschaft der einzelnen Unternehmen.
Es ist möglich, daß der Zugangt zu den Umfeldvorteilen und der Nutzen derselben zu Beginn
leichter ist, und mit der Zeit dann abnimmt. Das bedeutet, der Nutzen der
Agglomerationsvorteile könnte, aufgrund komplexerer Zusammenhänge, schwieriger faßbar
sein als jener der Umfeldvorteile.
Bis die Mechanismen der Agglomerationsvorteile verstanden sind, die Lernkurve der
Unternehmen also noch ansteigt, könnten die Bewertungen für Umfeldfaktoren höher
ausfallen. Auch dadurch ist die im Zeitablauf sinkende Bedeutung der Umfeldfaktoren
eventuell erklärbar.
Wie diese Anregungen zeigen, bieten Cluster weiterhin, vor allem im Hinblick auf die
Innovationsfähigkeit von Unternehmen, ein breites Betätigungsfeld für weitergehende
Forschungen.
193
194
8. Literaturverzeichnis
Abrahamson, E. (1991): Managerial Fads and Fashions: The Diffusion and Rejection of Innovations.
In: The Academy of Management Review, Vol. 16, Nr. 3,S. 586-612.
Acs, Z./Audretsch, D./Feldman, M. (1992): Real effects of academic research: Comment. In:
American Economic Review, Vol. 82, Nr. 1, S.363–367.
Acs, Z./Audretsch, D./Feldman, M. (1994): R&D spillovers and recipient firm size. In: Review of
Economics & Statistics, VOl. 76, Nr. 2, S. 336–340.
Aharonson, B. S./Baum, J. A. C./Feldman, M. P. (2004): Industrial Clustering and the
Returns to Inventive Activity: Canadian Biotechnology Firms, 1991-2000, Working Paper, Stand 2004,
http://www.druid.dk/wp/pdf_files/04-03.pdf.
Alchian, A. A./Demsetz, H. (1972): Production, Information Costs, and Economic Organization. In:
American Economic Review, Vol. 62, Nr. 5, S. 777-795.
Alecke, B./Untiedt, G. (2005): Zur Förderung von Clustern „Heilsbringer“ oder „Wolf im Schafspelz“?,
Vortrag während des Sommerseminars "Cluster – Wundermittel der Regionalpolitik?" der Gesellschaft
für Regionalforschung und des Instituts für Arbeitsmarkt- und Berufsforschung am 23. und 24. Juni
2005, Weimar; Stand Mai 2005, http://doku.iab.de/veranstaltungen/2005/gfr_2005_alecke_untiedt.pdf
Altenburg, T./Meyer-Stamer, J. (1999): How to Promote Clusters: Policy Experiences from
Latin America. In: World Development, Vol. 27, Nr. 9, S. 1693-1713.
Almeida, P./Kogut, B. (1999): Localization of knowledge and the mobility of engineers in regional
networks. In: Management Science, Vol. 45, Nr. 7, S. 905–917.
Almeida, P./Dokko, G./Rosenkopf, L. (2003): Startup size and the mechanisms of external learning:
Increasing opportunity and decreasing ability? In: Research Policy, Vol. 32, Nr. 2, S. 301-315.
Amit, R./Shoemaker, P. J. H. (1993): Strategic assets and organizational rent. In:
Management Journal, Vol. 14, Nr. 1, S. 33-46.
Strategic
Andersson, M./Ejermo, O. (2005): How does accessibility to knowledge sources
affect the innovativeness of corporations? — evidence from Sweden. In: Annals of Regional Science,
Vol. 39, Nr. 4, S. 741-765.
Angel, D. (1991): High-technology agglomeration and the labor market: the case of Silicon Valley,
Environment and Planning A, Vol. 23, Nr. 10, S. 1501–1516.
Angel, D. (2002): Inter-firm collaboration and technology development partnerships with US
manufacturing industries. In: Regional Studies, Vol. 36, Nr. 4, S. 333–344.
Antonelli, C. (2000): Collective Knowledge Communication and Innovation: The Evidence of
Technological Districts. In: Regional Studies, Vol. 34, Nr. 6, S. 535-547.
Arrow, K. J. (1962): The Economic Implications of Learning by Doing. In: Review of Economic Studies,
Vol. 29, Nr. 3, S. 155-173.
Attewell, P. (1992): Technology diffusion and organization learning: The case of business computing.
In: Organization Science, Vol. 3, Nr. 1, S. 1-19.
Autant-Bernard, C. (2001): The geography of knowledge spillovers and technological proximity. In:
Economics of Innovation and New Technology, Vol. 10, Nr. 4, S. 237–254.
Avlonitis, G. J./Kouremenos, A./Tzokas, N. (1994): Assessing the innovativeness of organizations and
its antecedents : Project Innovstrat. In: European Journal of Marketing, Vol. 28, Nr. 11, S. 5-28.
Bacharach, S.B. (Hrsg.) (1982): Research in the Sociology of Organizations,Greenwich, S. 129-166.
195
Baptista, R./Swann, P. (1996): The Dynamics of Industrial Clusters: A Comparative Study of the US
and UK Computer Industries, Working Paper 165, Stand 1996, London Business School, Centre for
Business Strategy.
Baptista, R./Swann, P. (1998a): Do firms in clusters innovate more? In: Research Policy, Vol. 27, Nr.
5, S. 525-540.
Baptista, R. (1998b): Clusters, Innovation and Growth: A Survey of the Literature. In: Swann,G. M.
P./Prevezer, M./Stout, D. (Hrsg.) (1998): The Dynamics of Industrial Clusters: International
Comparisons in Computing and Biotechnology, Oxford, S. 13-51.
Barjak, F./Meyer, R. (2004): Analyse der Innovations- und Wettbewerbsfähigkeit in der Schweiz State of the Art, Working Paper, Stand 2004, http://www.fhso.ch/pdf/publikationen/dp04-07.pdf.
Barnett, H. G. (1953): Innovation: The Basis of Cultural Change, New York.
Barney, J. B. (1991): Firm Resources and Sustained Competitive Advantage. In: Journal of
Management, Vol. 17, Nr. 1, S. 99-120.
Barney, J. B. (1997): Gaining and sustaining competitive advantage, Reading.
Baron, R. M./Kenny, D. A. (1986): The moderator-mediator variable distinction in social psychological
research: conceptual, strategic, and statistical considerations. In: Journal of Personality and Social
Psychology, Vol. 51, Nr. 6, S. 1173-1182.
Bathelt, H./Malmberg, A./Maskell, P. (2002): Clusters and Knowledge - Local Buzz, Global Pipelines
and
The
Process
of
Knowledge
Creation,
Woking
Paper,
Stand
2002,
http://www.druid.dk/wp/pdf_files/02-12.pdf.
Batten, D (Hrsg.) (2000): Learning, innovation and urban evolution, London.
Beaudry, C./Breschi, S. (2003): Are firms in clusters really more innovative? In: Economics of
Innovation and New Technology, Vol. 12, Nr. 4, S. 325-342.
Beckmann, M. (2000): Interurban knowledge networks. In: Batten, D (Hrsg.) (2000): Learning,
innovation and urban evolution, London, S. 127–135.
Bell, R.M. (1984): Learning and the Accumulation of Industrial Technological Capability in Developing
Countries. In: Fransman, M./King, K. (Hrsg.) (1984): Technological Capability in the Third World,
London, S. 187-209.
Belussi, F./Pilotti, L. (2000): Knowledge creation and collective learning in the Italian local production
systems, Working Paper, Stand 2000, http://www.decon.unipd.it/assets/pdf/dp/0021.pdf.
Berwert, A./Vock, P./Tiri, M. (2004): Cluster in der schweizerischen Volkswirtschaft und im Espace
Mittelland – Identifikation, Analyse und Diskussion aufgrund von Input-Output Daten, Stand 2004,
http://www.cest.ch/Publikationen/2004/CEST_2004_8b.pdf.
[BMBF] Bundesministerium für Bildung und Forschung (2006): Die Hightech-Strategie für
Deutschland, Stand 2006, http://www.bmbf.de/pub/bmbf_hts_lang.pdf.
Boari, C./Odorici, V./Zamarian, M. (2003): Clusters and rivalry: does localization really matter? In:
Scandinavian Journal of Management, Vol. 19, Nr. 4, S. 467-489.
Bresci, S./Lissoni, F. (2000): Knowledge Spillovers and Local Innovation Systems: A Critical Survey,
Working Paper, Stand 2000, http://www.ersa.org/ersaconfs/ersa00/pdf-ersa/pdf/362.pdf.
Bresnahan, T./Gambardella, A./Saxenian, A. (2001): Old Economy Inputs for New Economy
Outcomes: Cluster Formation in the New Silicon Valleys. In: Industrial and Corporate Change, Vol. 10,
Nr. 4, S. 835-860.
196
Brown, R. (2000): Clusters, supply chains and local embeddedness in Fyrstad. In: European Urban
and Regional Studies, Vol. 7, Nr. 4, S. 291-305.
Brown, P./McNaughton, R. B. (2002): Global competitiveness and local networks: a review of the
literature. In: McNaughton, R. B./Green, M.B. (Hrsg.) (2002): Global competition and local networks,
Ashgate, S. 3-37.
Burt, R. S. (1992): Structural Holes: The Social Structure of Competition, Cambridge.
Burton, J. (1999): Innovation, entrepreneurship and the firm – A post-Schumpeterian approach. In:
International Journal of Technology Management, Vol. 17, Nr. 1/2, S.16-36.
Burton-Jones, A. (2000): Knowledge Capitalism, Oxford.
Caniëls;, M. C. J./Romijn, H. A. (2003): Agglomeration Advantages and Capability Building in
Industrial Clusters: The Missing Link. In: Development Studies, VOl. 39, Nr. 3, S. 129-154.
Cantwell, J. (2005): Innovation and competitiveness. In: Fagerberg,J./Mowery, D.C./Nelson, R.R.
(Hrsg.) (2005): The Oxford Handbook of Innovation, Oxford, S. 543-567.
Carrie, A. S. (2000): From integrated enterprises to regional clusters: the changing basis of
competition. In: Computers in Industry, Vol. 42, Nr. 2/3, S. 289-298.
[CBM] Corporate Board Member Magazine (2005): Smooth Sailing Ahead for M&A – The 2005
Director’s M&A Index. In: Corporate Board Member Magazine, Special Supplement June 2005.
Cefis, E./Marsili, O. (2005): A matter of life and death: innovation and firm survival. In: Industrial and
Corporate change, Vol. 14, Nr. 6, S. 1167-1192.
Chakravorty, S./Koo, J./Lall, S. V. (2005): Do localization economies matter in cluster formation?
Questioning the conventional wisdom with data from Indian metropolises. In: Environment and
Planning A, Vol. 37, Nr. 2, S. 331-353.
Cho, H.-J./Pucik, V. (2005): Relationship between innovativeness, quality, growth, profitability, and
market. In; Strategic Management Journal, Vol. 26, Nr. 6, S. 555-575.
Choo, C. W./Bontis, N. (Hrsg.) (2002): The Strategic Management of Intellectual Capital and
Organizational Knowledge, Oxford.
Clark, G. L./Feldman, M. P./Gertler, M. S. (Hrsg.) (2000): The Oxford Handbook of Economic
Geography, Oxford.
Clement, W. et al. (2002): Cluster als Instrument zur Steigerung außeruniversitärer F&E, Studie des
Industriewissenschaftlichen Instituts, Wien, Stand 2005, http://www.rtca.at/upload/doc/12/F_ECluster_Studie_IWI.pdf.
Clement, W. (2003): Trends in der internationalen Clusterentwicklung,
http://www.holzcluster.at/html/aktuell/file/Vortrag_Prof_Clement.pdf.
Stand
2003,
[CLOÖ] Clusterland Oberösterreich GmbH. (2007a): Clusterland Oberösterreich - Innovation durch
Kooperation,
Stand
2007,
Eigendarstellung
der
aus
der
oberösterreichischen
Regionalentwicklungsagentur hervorgegangenen Clusterland Oberösterreich Gmbh., Hafenstraße 4751, 4020 Linz.
[CLOÖ] Clusterland Oberösterreich GmbH. (2007b): Cluster- und Netzwerk-Aktivitäten in
Oberösterreich, Präsentation des Automobilclcusters der Clusterland Oberösterreich GmbH.,
Hafenstraße 47-51, 4020 Linz.
[CLOÖ] Clusterland Oberösterreich GmbH. (2007c): Der Mechatronik-Cluster - Das Netzwerk im
Überblick, Präsentation des Mechatronikclusters der Clusterland Oberösterreich GmbH., Hafenstraße
47-51, 4020 Linz.
197
Coase, R. H. (1937): The nature of the firm. In: Economica, Vol. 4, Nr. 16, S. 386-405.
Coase, R. H. (1960): The problem of social cost. In: Journal of Law and Economics, Vol. 3, Nr. 1, S. 144.
Collis, D. J./Montgomery, C. A. (1995): Competing on Resources: Strategy in the 1990s. In: Harvard
Business Review, Vol. 73, Nr. 4, S. 118-128.
Combes, P.-P./Duranton, G. (2006): Labour pooling, labour poaching, and spatial clustering. In:
Regional Science and Urban Economics, Vol. 36, Nr. 1, S. 1-28.
Cooke, P. (2001): Clusters as Key Determinants of Economic Growth: The Example of Biotechnology.
In: Mariussen (Hrsg.) (2001): Cluster Policies - Cluster Development? - A contribution to the analysis
of the new learning economy, Stockholm, S. 23-38.
Cooper, R. G. (2002): Top oder Flop in der Produktentwicklung, Weinheim.
Crouch, C./Le Galés, P./Trogilia, C./Voelzkow, H. (2001): Local Production System in Europe: Rise or
Demise?, Oxford.
Daft, R.L. (1982): Bureaucratic versus nonbureaucratic structure and the process of innovation and
change. In: Bacharach, S.B. (Hrsg.) (1982): Research in the Sociology of Organizations, Greenwich,
S. 129-166.
Dahl, M. S. (2002): Embedded Knowledge Flows through labor mobility in regional clusters in
Denmark, Working Paper, Stand 2002, http://www.druid.dk/uploads/tx_picturedb/ds2002-591.pdf.
Dahl, M. S./ Pedersen, C. Ø. R. (2003): Knowledge Flows through Informal Contacts in Industrial
Clusters - Myths or Realities?, Working Paper, Stand 2003, http://www.druid.dk/wp/pdf_files/03-01.pdf.
Damanpour, F. (1991): Organizational Innovation: A Meta-Analysis of Effects of Determinants and
Moderators. In: Academy of Management Journal, Vol. 34, Nr. 3, S. 555-590.
Dangayach, G.S./Deshmukh, S.G. (2001): Manufacturing strategy. Literature review and some issues.
In: International Journal of Operations & Production Management, Vol. 21, Nr. 7,S.
884–932.
David, P. A./Foray, D. (2002): Economic Fundamentals of the Knowledge Society, Working Paper,
Stand 2002, http://www-econ.stanford.edu/faculty/workp/swp02003.pdf.
Deans, G. K./Kroeger, F./Zeisel, S. (2002): Winning the merger endgame. A playbook for profiting
from industry consolidation, New York.
de Blasio, G./Di Addario, S. (2005): Do workers benefit from industrial agglomeration? In: Regional
Science, Vol. 45, Nr. 5, S. 797-827.
DeBresson, C. (1996): Economic Interdependence and Innovative Activity: An Input-Output Analysis,
Cheltenham.
DeBresson, C./Hu, X. (1999): Identifying clusters of innovative activity: A new approach and a toolbox.
In: [OECD] Organisation for Economic Cooperation and Development (1999): Boosting Innovation The cluster approach, Paris, S. 27-58.
Decarolis, D. M./Deeds, D. L. (1999): The impact of stocks and flows of organizational knowledge on
firm performance: An empirical investigation of the Biotechnology industry. In: Strategic Management
Journal, Vol. 20, Nr. 10, S. 953-968.
De Propris, L. (2002): Types of innovation and inter-firm co-operation. In: Entrepreneurship and
Regional Development, Vol. 14, Nr. 4, S. 337–353.
198
Döring, T./Schnellenbach, J. (2005): What Do We Know About Geographical Knowledge Spillovers
and Regional Growth? – A Survey of the Literature, Working Paper, Stand 2005,
http://papers.ssrn.com/sol3/papers.cfm?abstract_id=753386.
Dosi, G./Freeman, C./Nelson, R./Silverberg, G./Soete, L. (Hrsg.) (1988): Technical Change and
Economic Theory, London.
Drake, G. (2003): “This place gives me space”: place and creativity in the creative industries. In:
Geoforum, Vol. 34, Nr. 4, S. 511-524.
Drucker, P. F. (1993): Post-capitalist society, New York.
Dumais, G./Ellison, G./Glaeser, E. L. (1997): Geographic Concentration as a Dynamic Process,
Working Paper, Stand 1997, http://econ-www.mit.edu/faculty/download_pdf.php?id=218.
Duranton, G./Puga, D. (2003): Microfoundations of Urban Agglomeration Economies, Working Paper,
Stand 2003, http://www.cepr.org/pubs/new-dps/showdp.asp?dpno=4062.
Eckey,
H.-F./Kosfeld,
R./Türck,
M.
(2006):
Räumliche
Wirtschaftswissenschaftliches Studium, Jg. 35, Nr. 10, S. 548-554.
Ökonometrie.
In:
WiSt
Eder, W./Scheer, G. (1999): Clusterentwicklung in Österreich, im Auftrag des Bundesministeriums für
Wissenschaft und Verkehr, Wien.
Edquist, C. (Hrsg.) (1997): Systems of Innovation, Technologies, Institutions and Organisations.
London: Pinter.
Edvinsson, L./Malone, T. (1997): Intellectual Capital, New York.
Edwards, K. L./Gordon, T.J. (1984): Characterization of innovations introduced on the US market in
1982. Report to the US Small Business Administration by the Futures Group, Glastonbury.
Eisenhardt, K. M. (1989): Agency theory: An assessment and review. In: Academy of Management
Review, Vol. 14, Nr. 1, S. 57-74.
[EIU] The Economist Intelligence Unit (2005): Buying other people. In: Business Europe 45/5, 1-2.
[EK]
Europäische
Kommission
(2002a):
The
MAP
Project
2002,
Stand
http://ec.europa.eu/enterprise/entrepreneurship/support_measures/cluster/map_project.htm,
aufgerufen am 14. Juni 2007.
2003,
[EK] Europäische Kommission (2002b): Regional clusters in Europe - Observatory of European SMEs
2002, No.3, Stand 2002,
http://europa.eu.int/comm/regional_policy/innovation/pdf/library/regional_clusters.pdf.
[EK] Europäische Kommission (2003a): Final report of the expert group on enterprise clusters and
networks, Stand 2003, http://ec.europa.eu/enterprise/entrepreneurship/support_measures/cluster/
final_report_clusters_en.pdf.
[EK] Europäische Kommission (2003b): Empfehlung der Kommission vom 6. Mai 2003 betreffend die
Definition der Kleinstunternehmen sowie der kleinen und mittleren Unternehmen. In: Amtsblatt der
Europäischen Union, 20.5.2003,
http://europa.eu/eur-lex/pri/de/oj/dat/2003/l_124/l_12420030520de00360041.pdf.
Ellison, G./Glaeser, E. L. (1997): Geographic Concentration in U.S. Manufacturing Industries: A
Dartboard Approach. In: Journal of Political Economy, Vol. 105, Nr. 5, S. 889-927.
Enright, M. (1996): Regional Clusters and Economic Development: A Research Agenda. In: Staber,U.
H./Schaefer,N. V./Sharma, B. (Hrsg.) (1996): Business Networks – Prospects for Regional
Development, Berlin, S. 190 - 213.
199
Eraydin, A./Armatli-Köroglu, B. (2005): Innovation, networking and the new industrial clusters: the
characteristics of networks and local innovation capabilities in the Turkish industrial clusters. In:
Entrepreneurship and Regional Development, Vol. 17, Nr. 4, S. 237-266.
Fagerberg,J./Mowery, D.C./Nelson, R.R. (Hrsg.) (2005): The Oxford Handbook of Innovation, Oxford.
Fahy, J./Smithee, A. (1999): Strategic Marketing and the Resource Based View of the Firm. In:
Academy
of
Marketing
Science
Review,
Vol.
1999,
Nr.
10,
S.
1-20,
http://www.amsreview.org/articles/fahy10-1999.pdf.
Fallick, B./Fleischman, C. A./Rebitzer, J. B. (2006): Job-hopping in Silicon Valley: Some evidence
concerning the microfoundations of a high-technology cluster. In: Review of Economics and Statistics,
Vol. 88, Nr. 3, S. 472-481.
Feldman, M. P. (2000): Location and Innovation: The New Economic Geography of Innovation,
Spillovers, and Agglomeration. In: Clark, G. L./Feldman, M. P./Gertler, M. S. (Hrsg.) (2000): The
Oxford Handbook of Economic Geography, Oxford, S. 373-394.
Feldman, M. (2003): The locational dynamics of the US biotechnology industry: knowledge
externalities and the anchor hypothesis. In: Industry and Innovation, Vol. 10, Nr. 3, S. 311-328.
Feser, E. J.(1998): Old and New Theories of Industry Clusters. In: Steiner, M. (Hrsg.) (1998): Clusters
and Regional Specialisation: On Geography, Technology and Networks, London, S. 18-40.
Feser, E. J./Sweeney, S. H. (2000): A test for the coincident economic and spatial clustering of
business enterprises. In: Journal of Geographical Systems, Vol. 2, Nr. 4, S. 349-373.
Feser, E./Sweeney, S./Renski, H. (2005): A descriptive analysis of discrete U.S. industrial complexes.
In: Journal of Regional Science, Vol. 45, Nr. 2, S. 395-419.
Fleissner P./Hofkircher, P./Pohl, M. (1993): The Austrian experience with literature-based innovation
output indicators. In: Kleinknecht, A./Bain, D. (Hrsg.) (1993): New concepts in innovation output
measurement, London, S. 85-112.
Forsman, M./Solitander, N. (2003): Network knowledge versus cluster knowledge – The Gordian knot
of
knowledge
transfer
concepts,
Working
Paper,
Stand
2003,
http://www.shh.fi/services/biblio/papers/fulltextwp/494-951-555-797-6.pdf.
Foss, N. J./Klein, P. G. (2005): The Theory of the Firm and Its Critics: A Stocktaking and Assessment,
Working Paper, Stand 2005, http://www.druid.dk/wp/pdf_files/05-03.pdf.
Foxall, G. (1984): Corporate Innovation: Marketing and Strategy, New York.
Frankel, J. (2006): What Do Economists Mean by Globalization? Implications for Inflation and
Monetary Policy, Vortrag vor dem US Board of Governors of the Federal Reserve System, Stand
2006, http://ksghome.harvard.edu/~jfrankel/FRB-Globalzn&InflOct4.pdf.
Fransman, M./King, K. (Hrsg.) (1984): Technological Capability in the Third World, London.
Freudenthaler, W. (2006): Netzwerke und Cluster in Niederösterreich, Vortrag während des
Clusterworkshop Konstanz 2006, Stand 2006, http://www.standort.zh.ch/internet/vd/awa/
standort/de/meinzuerich/aktuell.SubContainerList.SubContainer1.ContentContainerList.0048.Downloa
dFile.pdf.
Fujita, M./Krugman, P./Venables, A. J. (1999): The spatial economy: cities, regions, and international
trade, Massachusetts.
Garcia, R./Calantone, R. (2002):
A critical look at technological innovation typology and
innovativeness terminology: a literature review. In: Journal of Product Innovation Management, Vol.
19, Nr. 2, S. 110-132.
200
Gassmann, O./Keupp, M. M. (2007): The competitive advantage of early and rapidly internationalising
SMEs in the biotechnology industry: A knowledge-based view. In: Journal of World Business, Vol. 42,
Nr. 3, S. 350-366.
Gertler, M.S. (2003): Tacit knowledge and the economic geography of context, or the undefinable
tacitness of being (there). In: Journal of Economic Geography, Vol. 3, Nr. 1, S. 75–99.
Getis, A./Ord, J. K. (1992): The Analysis of Spatial Association by Use of Distance Statistics. In:
Geographical Analysis, Vol. 24, Nr. 3, S. 189-206.
Giuliani, E. (2005): Cluster Absorptive Capacity: Why do Some Clusters Forge Ahead and Others Lag
Behind? In: European and Regional Studies, Vol. 12, Nr. 3, S. 269-288.
Giuri, P./Mariani, M. (2005): Everything you Always Wanted to Know About Inventors (But Never
Asked):
Evidence
from
the
PatVal-EU
Survey,
Working
Paper,
Stand
2005,
http://www.lem.sssup.it/WPLem/files/2005-20.pdf.
Glaeser, E. L./Kallal, H. D./Scheinkman, J. A./Shleifer, A. (1992): Growth in cities. In: Journal of
Political Economy, Vol. 100, Nr. 6, S. 1126-1152.
Gordon, I. R./McCann, P. (2000): Industrial Clusters: Complexes, Agglomeration and/or Social
Networks? In: Urban Studies, Vol. 37, Nr. 3, S. 513-532.
Grabher, G. (2002a): Cool projects, boring institutions: temporary collaboration in social context. In:
Regional Studies, Vol. 36, Nr. 3, S. 205–214.
Grabher, G. (2002b): The project ecology of advertising: tasks, talents and teams. In: Regional
Studies, Vol. 36, Nr. 3, S. 245–262.
Grando, A./Belvedere, V. (2006): District’s manufacturing performances: A comparison among large,
small-to-medium-sized and district enterprises. In: Journal of Production Economics, Vol. 104, Nr. 1,
S. 85-99.
Granovetter, M. (1973): The strength of weak ties. In: American Journal of Sociology, Vol. 78, Nr. 6, S.
1360–1380.
Grant, R. M. (2002a): Contemporary Strategy Analysis: Concepts, Techniques, Applications, 4.
Auflage, Oxford.
Grant, R. M. (2002b): The Knowledge-Based View of the Firm. In: Choo, C. W./Bontis, N. (Hrsg.)
(2002): The Strategic Management of Intellectual Capital and Organizational Knowledge, Oxford, S.
133-148.
Greenwood, M.J.(1997): Internal migrations in developed countries. In: Rosenzweig, M.R./Stark, O.
(Hrsg.) (1997): Handbook of Population and Family Economics, Amsterdam, S. 647– 720.
Griliches, Z. (1992): The Search for R&D Spillovers. In: Scandinavian Journal of Economics, Vol. 94,
1992 Supplement, S. 29-47.
Guiso, L./Schivardi, F. (2005): Learning to be an Entrepreneur, Working Paper, Stand 2005,
http://www.cepr.org/pubs/new-dps/showdp.asp?dpno=5290.
Hadjimanolis, A. (2000): A Resource-based View of Innovativeness in Small Firms. In: Technology
Analysis & Strategic Management, Vol. 12, Nr. 2, S. 263-281.
Hauschildt,J./Salomo,S. (2007): Innovationsmanagement, 4. Auflage, München.
Helmsing, B. (2001): Externalities, Learning and Governance: New Perspectives on Local Economic
Development. In: Development & Change, Vol. 32, Nr. 2, S. 277-308.
Hendry, C./Brown, J./Defillippi, R. (2000): Regional Clustering of High Technology-based
Firms: Opto-electronics in Three Countries. In: Regional Studies, Vol. 34, Nr. 2, S. 129-144.
201
Hendry, C./Brown, J. (2006): Organizational Networking in UK Biotechnology Clusters. In: British
Journal of Management, Vol. 17, Nr. 1, S. 55-73.
Henry, N./Pinch, S. (2000): Spatialising knowledge: placing the knowledge community of Motor Sport
Valley. In: Geoforum, Vol. 31, Nr. 2 , S. 191–208.
Howells, J. (2002): Tacit knowledge, innovation and economic geography. In: Urban Studies,Vol. 39,
Nr. 5/6, S. 871–884.
Hummels, D. (2007): Transportation Costs and International Trade Over Time, Working Paper, Stand
2007, http://www.mgmt.purdue.edu/faculty/hummelsd/research/hummels jep rewrite final with
tables.pdf
Hurley, R.F./Hult, T. M. (1998): Innovation, market orientation, and organizational learning: an
integration and empirical examination. In: Journal of Marketing, Vol. 62, Nr. 3, S. 42-54.
Iammarino, S./McCann, P. (2005): The Structure and Evolution of Industrial CLusters: Transactions,
Technology
and
Knwoledge
Spillovers,
Working
Paper,
Stand
2005,
http://www.sussex.ac.uk/spru/documents/sewp_138.pdf.
Isaksen, A. (2004): Knowledge-based clusters and urban location: the clustering of software
consultancy in OslO. In: Urban Studies, Vol. 41, Nr. 5,6, S. 1157–1174.
Jackson, T. (1997): Inside Intel: Andy Grove and the Rise of the World’s Most Powerful Chip
Company, London.
Jacobs, J. (1969): The economy of cities, London.
Jacobs, J. (1984): Cities and the wealth of nations, New York.
Jacobs, D./de Man, A.-P. (1996): Clusters, Industrial Policy and Firm Strategy: A Menu Approach. In:
Technology Analysis & Strategic Management, Vol. 8, Nr. 4, S. 425-437.
Jaffe, A. B. (1989): Real Effects of Academic Research. In: American Economic Review, Vol. 79, Nr.
5, S. 957-970.
Jaffe A.B./Trajtenberg M./Henderson R. (1993): Geographic localization of knowledge spillovers as
evidence from patent citations. In: Quarterly Journal of Economics, Vol. 108, Nr. 3, S. 577-598.
Jaffe, A. B. (1996): Economic Analysis of Research Spillovers. Implications for the Advanced
Technology Program, Gaithersburg, MD, National Institute of Standards and Technology, Stand 12.
April 2005, http://www.atp.nist.gov/eao/gcr708.htm [aufgerufen am 14.November.2006].
Jensen, M. C./Meckling, W. H. (1976): Theory of the firm: Managerial behavior, agency costs and
ownership structure. In: Journal of Financial Economics, Vol. 3, Nr. 4, S. 305-360.
Kalafsky, R. V./MacPherson, A. D. (2003): Input/output ranges and performance: an examination of
US machine tool producers. In: Entrepreneurship & regional Development, Vol. 15, Nr. 1, S. 69-82.
Kanter, R. M. (1984): The change masters: Innovation and entrepreneurship in the American
corporation, New York.
Kaplan, S. et al. (2001): Knowledge-Based Theories of the Firm in Strategic Management: A Review
and Extension, Working Paper, Stand 2001, http://www-management.wharton.upenn.edu/kaplan/
documents/KBV-SloanWP-4216-01.pdf.
Ketels, C./Lindqvist, G./Sölvell, Ö. (2006): Cluster Initiatives in Developing and Transition Economies,
Stand 2006, http://www.cluster-research.org/dldocs/CIsDevelopingTransitionMay06.pdf.
Khan, J. H./Ghani, J. A. (2004): Clusters and Entrepreneurship: Implications for Innovation in a
Developing Economy. In: Journal of Developmental Entrepreneurship, VOl. 9, Nr. 3, S. 221-238.
202
Kimberly, J. (1981): Managerial innovation. In: Nystrom, P. C./Starbuck, W. (Hrsg.) (1981): Handbook
of Organization, New York, S. 84-104.
King, C./Silk, A. J./Ketelhöhn, N. (2003): Knowledge spillovers and growth in the disagglomeration of
the US advertisingagency industry, Journal of Economics and Management Strategy, Vol. 12, Nr. 3, S.
327–362.
Kitchell, S. (1995): Corporate culture, environmental adaptation, and innovation adoption: a
qualitative/quantitative approach. In: Journal of the Academy of Marketing Science, Vol. 23, Nr. 3, S.
195-205.
Kleinknecht, A./Bain, D. (Hrsg.) (1993): New concepts in innovation output measurement, London.
Knight, G. A./Cavusgil, S. T. (2004): Innovation, organizational capabilities, and the born-global firm.
In: Journal of International Business Studies, Vol. 35, Nr. 2, S. 124–141.
Kogut, B./Zander, U. (1992): Knowledge of the firm, combinative capabilities, and the replication of
technology. In: Organization Science, Vol. 3, Nr. 3, S. 383-397.
Koo, J. (2005): Agglomeration and spillovers in a simultaneous framework. In: The Annals of Regional
Science, Vol. 39, Nr. 1, S. 35-47.
Koschatzky, K./Sternberg, R. (2000): R&D cooperation in innovation systems—some lessons
from the European Regional Innovation Survey (ERIS). In: European Planning Studies, Vol.8, Nr. 4, S.
487–501.
Kosfeld, R./Eckey, H.-F./Türck, M. (2007): LISA (Local Indicators of Spatial Association). In: WiSt
Wirtschaftswissenschaftliches Studium, Jg. 36, Nr. 3, S. 157-162.
Kromphardt, J. (1991): Manchester-Liberalismus und neoklassische Konzeptionen und Analysen des
Kapitalismus, 3. Auflage, Göttingen.
Krugman, P. (1991a): Geography and Trade, Cambridge.
Krugman, P. (1991b): Increasing returns and economic geography. In: Journal of Political Economy,
Vol. 99, Nr. 3, S. 483-499.
Kruskal, W. H./Wallis, W. A. (1952): Use of ranks in one-criterion variance analysis. In: Journal of the
American Statistical Association, Vol. 47, S. 583-621.
Kubinger, C. G. (2007): Einfluss politik-unterstützter Cluster auf betriebliche Vernetzung und
Innovation - Dargestellt am Beispiel des Kunststoff-Clusters in Oberösterreich, Diplomarbeit an der
Wirtschaftsuniversität Wien.
Labys, W. C. (2000): Globalization, Oil Price Volatility, and the US Economy, Working Paper, Stand
2000, http://www.agecon.msstate.edu/s-287/papers/labys.pdf.
Lewis, T./Yao, D. (2003): Innovation, knowledge flow, and worker mobility, Working Paper, Stand
2003, http://web.archive.org/web/20050326004455/rider.wharton.upenn.edu/~yao/
SVsubmitjune03.pdf.
Liebeskind, J.P. (1996): Knowledge, Strategy, and the Theory of the Firm. In: Strategic Management
Journal, Vol. 17, Winter Special Issue, S. 93–107.
Lin, C. Y.-Y./Chen, M. Y.-C. (2007): Does innovation lead to performance? An empirical study of
SMEs in Taiwan. In: Management Research News, Vol. 30, Nr. 2, S. 115-132.
Linder, J. C. (2006): Does innovation drive profitable growth? New metrics for a complete picture. In:
Journal of Business Strategy, Vol. 27, Nr. 5, S. 38-44.
Lissoni, F. (2001): Knowledge codification and the geography of innovation: the case of Brescia
mechanical cluster. In: Research Policy, Vol. 30, Nr. 9, S. 1479–1500.
203
Lösch, A. (1954): The Economics of Location, New Haven.
Lublinski, A. E: (2002): Geographical Business Clusters - Concepts for Cluster-Identification with an
Application to an Alleged Aeronautics Cluster in Northern Germany, Dissertation an der Universität
Hamburg, Stand 2002, http://www.sub.uni-hamburg.de/opus/volltexte/2002/795/pdf/dissertation.pdf.
Lublinski, A. E. (2003): Does Geographic Proximity Matter? Evidence from Clustered and Nonclustered Aeronautic Firms in Germany. In: Regional Studies, Vol. 37, Nr. 5, S. 453-467.
Lucas, R. E. (1988): On the mechanics of economic development. In: Journal of Monetary Economics,
Vol. 22, Nr. 1, S. 3-42.
Lundvall, B.-Å. (1988): Innovation as an interactive process: from user-producer interaction to the
national system of innovation. In: Dosi, G./Freeman, C./Nelson, R./Silverberg, G./Soete, L. (Hrsg.)
(1988): Technical Change and Economic Theory, London, S. 349-369.
Lundvall, B.-Å. (1992): National Systems of Innovation: Toward a Theory of Innovation and Interactive
Learning, London.
Lundvall, B.-Å. (2004): Why the New Economy is a Learning Economy, Working Paper, Stand 2004,
http://www.druid.dk/uploads/tx_picturedb/wp04-01.pdf.
Lyons, B. R. (1994): Contracts and specific investment: an empirical test of transaction cost theory. In:
Journal of Economics and Management Strategy, Vol. 3, Nr. 2, S. 257-278.
MacKinnon, D./Chapman, K./Cumbers, A. (2004): Networking, trust and embeddedness amongst
SMEs in the Aberdeen oil complex. In: Entrepreneurship & Regional Development, Vol. 16, Nr. 2, S.
87-106.
Madill, J. J./Haines, Jr., G.H./Riding, A. L. (2004): Networks and linkages among firms and
organizations in the Ottawa-region technology cluster. In: Entrepreneurship and Regional
Development, Vol. 16, Nr. 5, S. 351-368.
Mahlberg, B./Pilz, T./Schneider, H. W. (2005): Beschäftigungseffekte österreichischer
europäischer
Wirtschaftscluster
Ergebnisse
einer
Literaturrecherche,
Studie
Industriewissenschaftlichen Instituts, Wien.
und
des
Mahoney, J. T./Pandian, J. R. (1992): The Resource-Based View Within the Conversation of Strategic
Management. In: Strategic Management Journal, Vol. 13, Nr. 5, S. 363-380.
Malmberg, A./Malmberg, B./Lundequist, P. (2000): Agglomeration and firm performance: economies of
scale, localisation, and urbanisation among Swedish export firms. In: Environment and Planning A,
Vol. 32, Nr. 2, S. 305-321.
Malmberg, A./Maskell, P. (2002): The elusive concept of localization economies – towards a
knowledge-based theory of spatial clustering. In: Environment and Planning A, Vol. 34, Nr. 3, S. 429449.
Malmberg, A./Power, D. (2005): (How) Do (Firms in) Clusters Create Knowledge? In: Industry and
Innovation, Vol. 12, Nr. 4, S. 409-431.
March, J. G. (1991): Exploration and exploitation in organizational learning. In: Organization cience,
Vol. 2, Nr. 1, S. 71-87.
Mariussen, Å. (Hrsg.) (2001): Cluster Policies - Cluster Development? - A contribution to the analysis
of the new learning economy, Stockholm.
Markusen, A. (2003): Fuzzy Concepts, Scanty Evidence, Policy Distance: The Case for Rigour and
Policy Relevance in Critical Regional Studies. In: Regional Studies, Vol. 37, nr. 6/7, S. 701-717.
Marshall, A. (1938): Principles of economics – an introductory volume, 8. Auflage, Nachdruck, London.
204
Maskell, P./Kebir, L. (2005): What Qualifies as a Cluster Theory?, Working Paper, Stand 2005,
http://www.druid.dk/wp/pdf_files.org/05-09.pdf.
Maskell, P./Bathelt, H./Malmberg, A. (2005): Building Global Knowledge Pipelines - The Role of
Temporary Clusters, Working Paper, Stand 2005, http://www.druid.dk/wp/pdf_files/05-20.pdf.
Martin, R./Sunley, P. (2003): Deconstructing clusters - chaotic concept or policy panacea? In: Journal
of Economic Geography, Vol. 3, Nr. 1, S. 5-35.
Matschiner, S. (2000): Zwischenbilanz und Perspektiven der Clusterbildung in Österreich, Studie des
Industriewissenschaftlichen Instituts, Wien.
McEvilly, B./Zaheer, A. (1999): Bridging ties: A source of firm heterogeneity in competitive capabilities.
In: Strategic Management Journal, Vol. 20, Nr. 12, S. 1133-1156.
McNaughton, R. B./Green, M.B. (Hrsg.) (2002): Global competition and local networks, Ashgate.
Meyer-Stamer, J. (1998): Path Dependence in Regional Development: Persistence and Change in
Three Industrial Clusters in Three Industrial Clusters in Santa Catarina, Brazil. In: World Development,
Vol. 26, Nr. 8, S. 1495–1511.
Mikl-Horke, G. (2005): Managementinnovationen aus diffusionstheoretischer, marktsoziologischer und
netzwerkanalytischer Sicht, Vortrag auf der Tagung "Management und Organisation – Konturen einer
Soziologie des Managements" der Sektion Industrie- und Arbeitssoziologie und der Arbeitsgruppe
Organisationssoziologie in der DGS Heidelberg, 3. & 4. Juni 2005, Stand 2005,
http://www.industriesoziologie.de/downloads/08-sektionstagungen/02-fruehjahrstagung_2005/
vortraege/Mikl-Horke_vortrag.pdf
Mintzberg, H. (1978): Patterns in Strategy Formation. In: Management Science, Vol. 24, Nr. 9, S. 934948.
Mintzberg, H. (1985): Of Strategies, Deliberate and Emergent. In: Strategic Management Journal, Vol.
6, Nr. 3, S. 257-272.
Mintzberg, H. (1989): Mintzberg on management - inside our strange world of organizations, New
York.
Molina-Morales, F. X./ Martínez-Fernández, M. T. (2004): How much difference is there between
industrial district firms? A net value creation approach. In: Research Policy, Vol. 33, Nr. 3, S. 473-486.
Moore,W. L./Tushman, M. L. (Hrsg.) (1982): Readings in the Management of Innovation, Boston.
Morgan, K. (2005): The exaggerated death of geography: learning, proximity and territorial innovation
systems. In: Journal of Economic Geography, Vol. 4, Nr. 1, S. 3–21.
Murphy, J. T. (2006): Building trust in economic space. In: Progress in Human Geography, Vol. 30, Nr.
4, S. 427-450.
Nadvi, K. (1999): Collective Effciency and Collective Failure: The Response of the Sialkot Surgical
Instrument Cluster to Global Quality Pressures. In: World Development, VOl. 27, Nr. 9, S. 1605-1626.
Nahapiet, J./Ghoshal, S. (1998): Social Capital, Intellectual Capital and the Organizational
Advantage. In: Academy of Management Review, Vol. 23, Nr. 2, S. 242-266.
Nelson, R./Winter, S. G. (1982): An Evolutionary Theory of Economic Change, Cambridge.
Niosi, J./Zhegu, M. (2005): Aerospace Clusters: Local or Global Knowledge Spillovers? In: Industry
and Innovation, Vol. 12, Nr. 1, S. 5-29.
205
Nonaka, I. (1994): A dynamic theory of organizational knowledge. In: Organization Science, Vol. 5, Nr.
1, S. 14-37.
Nonaka, I./Takeuchi, H. (1995): The knowledge-creating company - how Japanese companies create
the dynamics of innovation, New York.
Nonaka, I./von Krogh, G./Voelpel, S. (2006): Organizational Knowledge Creation Theory:
Evolutionary Paths and Future Advances. In: Organisation Studies, Vol. 27, Nr. 8, S. 1179-1208.
Nystrom, P. C./Starbuck, W. (Hrsg.) (1981): Handbook of Organization, New York.
[OECD] Organisation for Economic Co-operation and Development (1996): The knowledge-based
economy, Paris.
[OECD] Organisation for Economic Co-operation and Development (1999): Boosting Innovation: The
Cluster Approach, Paris.
[OECD] Organisation for Economic Co-operation and Development (2001): Innovative Clusters:
Drivers of National Innovation Systems, Paris.
Ohler, F./Gamsjäger, C./Mahlich, J. (2001): Evaluierung der oberösterreichischen Clusterinitiativen,
Stand 2001, http://www.clusterland.at/files/Endbericht_Langfassung.pdf.
Ord, J. K./Getis, A. (1995): Local Spatial Autocorrelation Statistics: Distributional
Issues and an Application. In: Geographical Analysis, Vol. 27, Nr. 4, S. 286-306.
Otremba, M. (2004): Internationale Wettbewerbsfähigkeit im Straßengüterverkehr, Hamburg.
Owen-Smith, J./Powell, W. W. (2004): Knowledge Networks as Channels and Conduits: The Effects of
Spillovers in the Boston Biotechnology Community. In: Organization Science, Vol. 15, Nr. 1, S. 5-21.
Parr, J. (2001): Agglomeration Economies: Ambiguities and Confusions, Working Paper, Stand 2001,
http://www.ersa.org/ersaconfs/ersa01/papers/full/21.pdf.
Peneder, M. (2001): Dynamics of initial cluster formation: The case of multimedia and cultural content.
In: [OECD] Organisation for Economic Co-operation and Development (2001): Innovative Clusters:
Drivers of National Innovation Systems, Paris, S. 303-312.
Penrose, E. T. (1959):The theory of the growth of the firm, Oxford.
Perroux, F. (1955): Note sur la notion de « pôle de croissance ». In : Économie appliquée, Vol. 10, Nr.
1/2, S. 307-320.
Peteraf, M. A. (1993): The cornerstones of competitive advantage: A resource-based view. In:
Strategic Management Journal, Vol. 14, Nr. 3, S. 179-191.
Pinch, S./Henry, N. (1999): Paul Krugman’s geographical economics, industrial clustering and the
British motor sport industry. In: Regional Studies, Vol. 33, Nr. 9, S. 815–827.
Polanyi, M. (1985): Implizites Wissen, Frankfurt/Main.
Porter, M. E. (1990): The Competitive Advantage of Nations. In: Harvard Business Review, Vol. 68,
Nr. 2, S. 73-93.
Porter, M. E: (2000): Location, Competition, and Economic Development - Local Clusters in a Global
Economy. In: Economic Development Quarterly, Vol. 14, Nr. 1, S. 15-34.
Porter, M. E. (2003): On competition, 7. Auflage, Boston.
Power, D./Hallencreutz, D. (2002): Profiting from creativity? The music industry in Stockholm, Sweden
and Kingston, Jamaica. In: Environment and Planning A, Vol. 34, Nr. 10, S. 1833–1854.
206
Power, D./Lundmark, M. (2004): Working through knowledge pools: labour market dynamics, the
transference of knowledge and ideas, and industrial clusters. In: Urban Studies, Vol. 41, Nr. 5/6, S.
1025–1044.
Prahalad, C. K./Hamel, G. (1990): The Core Competence of the Corporation. In: Harvard Business
Review, Vol. 68, Nr. 3, S. 79-91.
Pyke, F./Becattini, G./Sengenberger, W. (1990): : Industrial Districts and Inter-Firm Cooperation in
Italy, Genf.
Quintane, E./Johnston, S. (2006): Developing an integrated perspective on structure: The example of
organizational
innovativeness,
Working
Paper,
Stand
2006,
http://www.ecom.unimelb.edu.au/acib/workpap/WorkingPaperNo09-2006.pdf.
Raps, A. (2005): Strategy implementation – an insurmountable obstacle?. In: Handbook of Business
Strategy, Vol. 6, Nr. 1, S. 141-146.
Reed, R./Defillippi, R. J. (1990): Causal Ambiguity, Barriers to Imitation, and Sustainable Competitive
Advantage. In: Academy of Management Review, Vol. 15, Nr. 1, S. 88-102.
Rickards, T. (1985): Stimulating Innovation - A System Approach, London.
Rocha, H. O. (2004): Entrepreneurship and Development: The Role of Clusters. In: Small Business
Economics, Vol. 23, Nr. 5, S. 363-400.
Rodríguez-Pose, A./Refolo, M. (2003): The link between local production systems and public and
university research in Italy. In: Environment and Planning A, Vol. 35, Nr. 8, S. 1477-1492.
Roelandt, T.J.A. (1999): Cluster Analysis and Cluster-Based Policy Making in OECD Countries: An
Introduc-tion to the Theme. In: [OECD] Boosting Innovation: The Cluster Approach,Paris, S. 9-26.
Roettmer, N./Katzy, B. (2006): Cluster Innovation capabilities - A Contribution to Understanding
Cluster
Innovativeness,
Working
Paper,
Stand
2006,
http://www.veforum.org/Projects/407/Working%20Paper%20Series/37_06_Cluster%20%20Innovation%20Clusters.
pdf.
Rogers, E. M. (1983): Diffusion of innovations, 3. Auflage, New York.
Rogers, E. M. (1995): Diffusion of innovations, 4. Auflage, New York.
Rogers, E. (2003): Diffusion of innovations, 5. Auflage, New York.
Romer, P. M. (1986): Increasing Returns and Long-run Growth. In: Journal of Political Economy, Vol.
94, Nr. 5, S. 1002-1037.
Romer, P. M. (1987): Growth based on increasing returns due to specialisation. In: American
Economic Review, Vol. 77,Nr. 2, S. 56–72.
Romer, P. M. (1990): Endogenous technological change. In: Journal of Political Economy, Vol. 98, Nr.
5, S. 71-102.
Rosenfeld, S. A. (1997): Bringing Business Clusters into the Mainstream of Economic Development.
In: European Planning Studies, Vol. 5, Nr. 1, S. 3-23.
Rosenfeld, S. A. (2003): Expanding Opportunities: Cluster Strategies That Reach More People and
More Places. In: European Planning Studies, Vol. 11, Nr. 4, S. 359-377.
Rosenkopf, L./Almeida, P. (2003): Overcoming local search through alliances and mobility. In:
Management Science, Vol. 49, Nr. 6, S. 751–766.
207
Rosenthal, S. S./Strange, W. C. (2003): Evidence on the Nature and Sources on Agglomeration
Economies, Stand 2003, http://www.rotman.utoronto.ca/~wstrange/
RS_Evidence on the Nature and Sources of Agglomeration Economies 8-24-03.pdf.
Rosenzweig, M.R./Stark, O. (Hrsg.) (1997): Handbook of Population and Family Economics,
Amsterdam.
Rousseau, D. M/Sitkin, S. B./Burt, R. S./Camerer, C. (1998): Not So Different After All: A CrossDiscipline View of Trust. In: The Academy of Management Review, Vol. 23, Nr. 2, S. 393-404.
Sakakibara, M./Porter, M. (2001): Competing at home to win abroad: evidence from Japanese
industry. In: Review of Economics and Statistics, Vol. 83, Nr. 2, S. 310–322.
Salavou, H. (2004): The concept of innovativeness: should we need to focus? In: European Journal of
Innovation Management, Vol. 7, Nr. 1, S. 33-44.
Schmitz, H. (1995): Collective efficiency: growth path for small-scale industry. In: Journal of
Development Studies, Vol. 31, Nr. 4, S. 529-566.
Schmitz, H. (1999): From ascribed to earned trust in exporting clusters. In: Journal of International
Economics, Vol. 48, Nr. 1, S. 139-150.
Schneider, F./Holzberger, M. (2003): Volkswirtschaftliche Analyse ausgewählter Maßnahmen der
oberösterreichischen Standort- und Technologiepolitik - Eine empirische Untersuchung, Stand 2003,
http://www.tmg.at/images/images_content/download_studie_schneider_langfassung.pdf.
Schumpeter, J. A. (1934): The Theory of Economic Development: An Inquiry into Profits, Capital,
Credit, Interest and the Business Cycle, Cambridge.
Schumpeter, J. A. (1939): Business cycles – A Theoretical, Historical, and Statistical Analysis of the
Capitalist Process, New York.
Schumpeter, J. A. (1947): Capitalism, Socialism and Democracy, 2. Auflage, London.
Scitovsky, T. (1954): Two Concepts of External Economies. In: Journal of Political Economy, Vol. 62,
Nr. 2, S. 143-151.
Shrivastava, P. (1983): A typology of organizational learning. In: Journal of Management Studies, Vol.
20, Nr. 1, S. 7-28.
Simmie, J. (2002): Knowledge Spillovers and Reasons for the Concentration of Innovative SMEs. In:
Urban Studies, Vol. 39, Nr. 5/6, S. 885-902.
Simpson, W. (1992): Urban Structure and the Labour Market: Worker Mobility, Commuting
and Underemployment in Cities, Oxford.
Smith, A. (2003): Power relations, industrial clusters, and regional transformations – Pan-European
integration and outward processing in the Slovak clothing industry. In: Economic Geography, Vol. 79,
Nr. 1, S. 17-40.
Song, J./Almeida, P./Wu, G. (2003): Learning-by-hiring: when is mobility more likely to facilitate
interfirm knowledge transfer? In: Management Science, Vol. 49, Nr. 4, S. 351–365.
Sorenson, O./Rivkin, J. W./Fleming, L. (2005): Complexity, networks and knowledge flow, Working
paper, Stand 2005, http://www.druid.dk/uploads/tx_picturedb/ds2005-1599.pdf.
Spender, J.-C. (1994): Organizational Knowledge, Collective Practice and Penrose Rents.In:
International Business Review, Vol. 3, Nr. 4, S. 353–367.
Spender, J.-C./Grant, R. M. (1996): Knowledge and the firm: Overview. In; Strategic Management
Journal, Vol. 17, Winter Special Issue, S. 5-9.
208
Staber,U. H./Schaefer,N. V./Sharma, B. (Hrsg.) (1996): Business Networks – Prospects for Regional
Development, Berlin.
Stalk, G./Evans, P./Shulman, L. E. (1992): Competing on capabilities: the new rules of corporate
strategy. In: Harvard Business Review, Vol. 70, Nr. 3, S. 57-69.
Steiner, M. (Hrsg.) (1998): Clusters and Regional Specialisation: On Geography, Technology and
Networks, London.
Steiner, M./Hartmann, C. (2006): Organizational learning in clusters: A case study on material and
immaterial dimensions of cooperation. In: Regional Studies, Vol. 40, Nr. 5, S. 493-506.
Sternberg, R./Litzenberger, T. (2004): Regional Clusters in Germany – their Geography and their
Relevance for Entrepreneurial Activities. In: European Planning Studies, Vol. 12, Nr. 6, S. 765-791.
Stewart, T. (1997): Intellectual Capital: The New Wealth of Organizations, New York.
Subramanian, A./Nilakanta, S. (1996): Organizational Innovativeness: Exploring the Relationship
Between Organizational Determinants of Innovation, Types of Innovations, and Measures of
Organizational Performance. In: Omega International Journal of Management Science, Vol. 24, Nr. 6,
S.631-647.
Swann, G. M. P./Prevezer, M. (1996): A comparison of the dynamics of industrial clustering in
computing and biotechnology. In: Research Policy, Vol. 25, Nr. 7,S. 139–157.
Swann, G. M. P. (1998): Towards a model of clustering in high technology industries. In: Swann, G. M.
P./Prevezer, M./Stout, D. (Hrsg.) (1998): The Dynamics of Industrial Clustering: International
Comparisons in Computing and Biotechnology, Oxford, S. 52–76.
Swann, G. M. P./Prevezer, M./Stout, D. (Hrsg.) (1998): The Dynamics of Industrial Clustering:
International Comparisons in Computing and Biotechnology, Oxford.
Tan, J. (2006): Growth of industry clusters and innovation: Lessons from Beijing Zhongguancun
Science Park. In: Journal of Business Venturing, Vol. 21, Nr. 6, S. 827-850.
Utterback, J.M. (1974): Innovation in industry and the diffusion of technology. In: Science, Vol. 183,
Nr. 4125, S.620-626.
van Klink, A./de Langen, P. (2001): Cycles in industrial clusters: The case of the shipbuilding industry
in the Northern Netherlands. In: Tijdschrift voor Economische en Sociale Geografie, Vol. 92, Nr. 4, S.
449-463.
van der Panne, G. (2004): Agglomeration externalities: Marshall versus Jacobs. In: Journal of
Evolutionary Economics, VOl. 14, Nr. 5, S. 593-604.
von Hippel, E. (1988): The Sources of Innovation, Cambridge.
von Hippel, E. (1994): “Sticky Information” and the Locus of Problem Solving: Implications for
Innovation. In: Management Science, Vol. 40, Nr. 4, S. 429–39.
von Krogh, G./Roos, J./Slocum, K. (1994): An Essay on Corporate Epistemology. In: Strategic
Management Journal, Vol. 15, Summer Special Issue, S. 53-71.
Wallsten, S. J. (2001): An empirical test of geographic knowledge spillovers using geographic
information systems and firm-level data. In: Regional Science and Urban Economics, Vol. 31, Nr. 5, S.
571-599.
Watts, H. D./Wood, A. M./Wardle, P. (2003): ‘Making Friends or Making Things?’: Interfirm
Transactions in the Sheffield Metal-working Cluster. In: Urban Studies, Vol. 40, Nr. 3, S. 615-630.
Weber, A. (1920): Theory of the location of industries, Chicago.
209
Welsh, J.A./White, J.F. (1981): A small business is not a little big business. In: Harvard Business
Review, Vol. 59, Nr. 4, S. 18–32.
Wernerfelt, B. (1984): A Resource-based View of the Firm. In: Strategic Management Review, Vol. 5,
Nr. 2, S. 171-180.
Williamson, O. E. (1979): Transaction-cost economics: The governance of contractual relations. In:
Journal of Law and Economics, Vol. 22, Nr. 2, S. 233-261.
Williamson, O. E. (1981): The economics of organization: The transaction cost approach. In: American
Journal of Sociology, Vol. 87, Nr. 2, S. 548-577.
Williamson, O. E. (1999): The economics of transaction costs, Cheltenham.
Wilson, A. L./Ramamurthy, K./Nystrom, P. C. (1999): A Multi-Attribute Measure for Innovation
Adoption: The Context of Imaging Technology. In: IEEE Transactions on Engineering Management,
Vol. 46, Nr. 3, S. 311-321.
Wolfe, D. A./Gertler, M. S. (2004): Clusters from the Inside and Out: Local Dynamics
and Global Linkages. In: Urban Studies, Vol. 41, Nr. 5/6, S. 1071-1093.
Zakarias, G. et al. (2001): An input-output analysis of regional clusters, Vortrag während der
Jahrestagung 2001 der Nationalökonomischen Gesellschaft (NOeG), Stand 2001.
Zhang, J. (2003): Growing Silicon Valley on a landscape: an agent-based approach to high-tech
industrial clusters. In: Journal of Evolutionary Economics, Vol. 13, Nr. 5, S. 529–548.
210
211
9. Anhang
Anhang 1: Der Diamantansatz Porters und die Quellen der örtlichen Wettbewerbsfähigkeit
(Quelle: Porter (2000), S. 20.)
Anhang 2: Strukturgleichung des IQP-Modells nach Cho/Pucik (Quelle: Cho/Pucik (2005), S. 565.)
212
Autor(en)
Jahr
Dumais/Ellison/Glaeser
Ellison/Glaeser
Feser/Sweeney
Berwert/Vock/Tiri
Feser/Sweeney/Renski
1997
1997
2000
2004
2005
Ohler/Gamsjäger/Mahlich
Clement et al.
Schneider/Holzberger
Ketels/Lindqvist/Sölvell
2001
2002
2003
2006
W alsten
Dahl/Pedersen
Malmberg/Power
Niosi/Zhegu
Koo
Giuri/Mariani
Hendry/Brown
Steiner/Hartmann
2001
2003
2005
2005
2005
2005
2006
2006
de Propris
Beaudry/Breschi
2002
2003
Molina-Morales/Martínez-Fernández 2004
Eraydin/Armatli-Köroglu
2005
Malmberg/Power
2005
McEvilly/Zaheer
Madill/Haines/Riding
Eraydin/Armatli-Köroglu
Hendry/Brown
1999
2004
2005
2006
Lublinski
Chakravorty/Koo/Lall
2003
2005
Grando/Belvedere
Fallick/Fleischmann/Rebitzer
2006
2006
Daten
Analysemethode
Clusteridentifikation / Räumliche Konzentration
I/O-Daten & Beschäftigungsdaten
Agglomerationsindex & Regressionsanalyse
Beschäftigungsdaten
Agglomerationsindex
I/O-Daten / Beschäftigungsdaten
Korrelationsanalyse
I/O-Daten
Clusteranalyse
IO-Daten / Beschäftigungsdaten
Getis-Ord G-Statistiken
Clustermerkmale / Effekte für Clusterpartner
Umfragedaten (Clusterpartner)
n. v.
Umfragedaten (Clustermanager)
n. v.
Leistungsdaten von Clusterpartnern
n. v.
Umfragedaten (Clustermanager)
Korrelationsanalyse
Agglomerationsvorteile (Spillovers)
Forschungsförderungsdaten
Regressionsanalyse
Umfragedaten (Fachkräfte)
n. v.
Übersicht Stand empirische Forschung
n. v.
Umgfragedaten (Management)
n. v.
Beschäftigungsdaten
Regressionsanalyse
Patentdaten
n. v.
Umfragedaten
Korrelationsanalyse
I/O-Daten
n. v.
Agglomerationsvorteile (Innovationsleistung)
Umfragedaten (Innovationsdaten)
Regressionsanalyse
Patentdaten / Beschäftigungsdaten
Regressionsanalyse
Korrelationsanalyse / Varianzanalyse /
Diskriminanzanalyse
Umfragedaten (Management)
Umfragedaten (Management)
n. v.
Übersicht Stand empirische Forschung
n. v.
Agglomerationsvorteile (Unternehmensbeziehungen)
Umfragedaten zu Netzwerkbeziehungen Strukturgleichungsmodell / Kausalmodell
Umfragedaten (Management)
Regressionsanalyse
Umfragedaten (Management)
n. v.
Umfragedaten
Korrelationsanalyse
Agglomerationsvorteile (Sonstige bzw. kein Schwerpunkt)
Umfragedaten (Management)
Regressionsanalyse
Beschäftigungsdaten
Lokaler Moran-Koeeffizient
Benchmarkdatenbank zu
Produktionsleistung
Signifikanzanalyse
Beschäftigungsdaten
Regressionsanalyse
Anhang 3: Übersicht empirischer Clusterstudien (Quelle: Eigene Darstellung)
213
Studiengebiet
USA: 51 Bundesstaaten 307 Metropolitan areas
USA
USA: 1 Bundesstaat
CH
USA
Österreich: Oberösterreich
Österreich
Österreich: Oberösterreich
W eltweit: Entwicklungs- und Transitionsländer
USA
Dänemark
n. v.
CDN: Regionen Montreal & Toronto
USA: 159 Metropolitan Areas (PMSA, MSA)
F, D, I, NL, E, GB
GB
Österreich: Steiermark
GB: 1 Region
GB, I
E: Region Valencia
TR: Regionen Ankara, Bursa, Denizli
n. v.
USA: 2 Bundesstaaten
CDN: Region Ottawa
TR: Regionen Ankara, Bursa, Denizli
GB
D: Hamburg & Kontrollgruppe restl. Bundesländer
IN: Großräume Mumbai, Kalkutta, Chennai
I
USA
Anhang 4: Schematische Darstellung einer I/O-Tabelle (Quelle: Berwert/Vock/Tiri (2004), S. 13.)
Anhang 5: Legende der Darstellung der ökonomischen Bedeutung von Clustern
(Quelle: Berwert/Vock/Tiri (2004), S. 19.)
214
Anhang 6: Forschungszusammenarbeit im Innovationsprozeß in Europa
(Quelle: Giuri/Mariani (2005), S. 12.)
Name
AC Styria
Alpintechnologie
Automobilcluster OÖ
Automotive Cluster Vienna Region
Biotechnologie Cluster Wien
Cluster Tiroler Niedrigenergiehaus
Cluster Drive Technology
(vormals: Cluster Dieseltechnologie)
Cluster Möbel & Holzbau
(vormals: Holzcluster
Oberösterreich)
Holzcluster Steiermark
Kunststoffcluster OÖ
Lebensmittelcluster OÖ
Mediencluster Salzburg
Mikroelektronik Villach
Ökoenergiecluster OÖ
Software Internet Cluster
Holzcluster NÖ
Gesundheitscluster OÖ
Internet-Adresse
http://www.acstyria.com/
n. v.
http://www.automobil-cluster.at/
http://www.acvr.at/
n. v.
http://www.tiroler-niedrigenergiehaus.at/
http://www.cdt.at/
http://www.holz-cluster.at/
http://www.holzcluster-steiermark.at/
http://www.kunststoffcluster.at/
http://www.lebensmittel-cluster.at/
http://www.mediencluster.at/
http://www.me2c.at/
http://www.oec.at/
http://www.sic.or.at/
http://www.holzcluster-noe.at/
http://www.gesundheits-cluster.at/
Anhang 7: Regionale Cluster in Österreich (Quelle: Clement et al. (2002), S. 117f.)
215
Learning system
Particular forms at the cluster level
Informal learning system
Informal meetings in bars or at conferences, etc.
Communities of practice
‘Old boys’ networks’
Social networks (clubs, etc.)
Facilitated exchange of experiences
Interfirm research and development teams
Interfirm project teams
Benchmarking clubs
Participation in consortia
Participative learning system
Anhang 8: Spezifische Lernformen in Clustern (Quelle: Steiner/Hartmann (2006), S. 499.)
Information
Chemical Technology Wood Metal Automobile
80
90
74
46
67
16
25
22
18
21
30
50
22
23
31
5
10
14
5
21
42
20
53
33
26
Informal meetings in bars or at conferences
Communities of practice
Old boys’ networks
Social networks
Facilitated exchange of experience
Informal learning systems:
summary mean figure
35
39
37
25
33
Note : Data are percentages
Anhang 9: Formen informellen Lernens in steirischen Clustern
(Quelle: Steiner/Hartmann (2006), S. 499.)
Interfirm R&D teams
Interfirm project teams
Participation in consortia
Benchmarking clubs
Participative learning systems:
summary mean figure
Information
Chemical Technology Wood Metal Automobile
50
55
41
41
50
21
70
50
50
67
6
35
12
21
22
17
40
54
47
53
23
50
39
Note : Data are percentages
Anhang 10: Formen partizipativen Lernens in steirischen Clustern
(Quelle: Steiner/Hartmann (2006), S. 500.)
216
40
48
Measurement items
Pollution Prevention Capabilities
1. Substitute less hazardous raw
materials for more hazardous ones
2. Offer new products/services because
of low waste disposal costs
3. Discontinue products/services high in
environmental management costs
Scales
Internal
consistency
reliability
(R)
1
2
3
4
5
6
7
=
=
=
=
=
=
=
We
We
We
We
We
We
We
know little about this practice
know about this practice, but do NOT do it
have considered doing this
decided NOT to do this after considering it
do this from time to time
do this most of the time
do this all of the time
0,72
1
2
3
4
5
6
7
=
=
=
=
=
=
=
We
We
We
We
We
We
We
know little about this practice
know about this practice, but do NOT do it
have considered doing this
decided NOT to do this after considering it
do this from time to time
do this most of the time
do this all of the time
0,81
Quality Management Capabilities
1. Collect data on your company’s
production process variations
2. Provide charts and graphs to
production employees reporting defect
rates
3. Conduct experiments to isolate causes
of defects
1
2
3
4
5
6
7
=
=
=
=
=
=
=
We
We
We
We
We
We
We
know little about this practice
know about this practice, but do NOT do it
have considered doing this
decided NOT to do this after considering it
do this from time to time
do this most of the time
do this all of the time
0,61
Participation
1. Obtain on-site assistance at your
company from [name of center]
2. Select/install new equipment or
computer systems with [name of
center]
3. Participate in user groups or networks
organized by [name of center]
1
2
3
4
5
6
7
=
=
=
=
=
=
=
We
We
We
We
We
We
We
know little about this service
know about this service, but do NOT do it
have considered doing this
decided NOT to do this after considering it
did this once
did this a couple of times
did this several times
0,75
Competitive Scanning Capabilities
1. Monitor your competitors’ strategies
and tactics
2. Search for information about which
customers your competitors supply
3. Collect information about your
competitors’ market share
Non-Redundancy
1a. Please write the initials of the five
most important people not employed
by your company that you rely on for
advice about managing your business
1b. Now, using the table provided
indicate if these people know each
other. If so, circle ‘Y’ for yes.
Infrequency of Interaction
1. Please tell us approximately how
many conversations per month (on
average) you have with each of your
advisors about your business
Geographic Dispersion
1. What is the travel time by car to
each advisor’s office?
Firm Size*
1. Roughly how many full-time
equivalent employees worked for you
in fiscal year 1995?
2. Roughly how many temporary and
seasonal employees worked for you
in fiscal year 1995?
*Firm size = sum of items 1 and 2
Organization Age
1. How long has your company been in
business?
(not applicable)
(not applicable)
(not applicable)
(not applicable)
(not applicable)
(not applicable)
(not applicable)
(not applicable)
(not applicable)
(not applicable)
Anhang 11: Meßinstrumente für die Untersuchung von Brückenbeziehungen in Clustern
(Quelle: McEvily/Zaheer (1999), S. 1144f.)
217
Anhang 12: Brückenbeziehungen im Strukturgleichungsmodell von McEvily/Zaheer (Quelle: McEvily/Zaheer (1999), S. 1149.)
218
Marshallian externalities
1. Labour market pooling:
2. Accessibility to a great variety of specialized
intermediate goods and services:
3. (Tacit) knowledge spillovers:
labour cost savings due to a privileged access to specialized
skills especially in an environment where firms have
non-positive correlations in the temporal variations of their
demands.
priviledged access to a local supplier base that has great
product variety and a high degree of specialization.
privileged access to tacit knowledge in geographic proximity
by means of both formalfashioned transmittal-processes as
well as through such informal channels as knowledge leakages
made possible by casual inter-firm interactions, workers
changing jobs, etc.
Porter’s market conditions
4. Demanding customers:
5. Rivalry:
6. Complementarities:
privileged motivational effects due to high demands of highly
competitive local customers, that may lead to higher
competitiveness on distant markets.
privileged motivational effects due to better benchmarking
opportunities and a more intense interpersonal competition
for immaterial gratification between specialized workers in
geographic proximity
privileged sales opportunities of firms due to search cost
savings of buyers’ of complementary products offered in
proximity and privileged opportunities for cooperation
(sales, marketing, etc.) between nearby suppliers of
complementary products.
Transportation and transaction cost advantages
7. Transportation cost advantages:
8. Trust:
transportation cost savings due to geographic proximity
especially in the case of just-in-time delivery contracts.
transaction cost savings due to a geographically proximate
environment that enhances trust-building processes.
Anhang 13: Vorteile geographischer Konzentration (Cluster) (Quelle: Lublinski (2003), S. 456.)
Anhang 14: Kategorien räumlich naher Unternehmen und Institutionen
(Quelle: Lublinski (2002), S. 78.)
219
Autor
Dumais/Ellison/Glaeser
(1997)
Ziele
Ergebnisse
Clusteridentifikation / Räumliche Konzentration
Empirische Erklärung der Existenz und Dauerhaftigkeit von
Alle drei Ansätze finden Unterstützung.
Clustern. Basis 3 Theorien von Alfred Marshall:
Bestand an Arbeitskräften besitzt dominierende
Daten: Langzeitdaten der verarbeitenden Industrie (1972-1992)
Erklärungskraft (stärkste Signifikanz). Knowledge
Spillovers bedeutender in wissensintensiven Branchen.
1. Niedrigere Transportkosten durch optimale Entfernung
zwischen Kunden und Lieferanten
2. Zugang zu Bestand an spez. Arbeitskräften (Labour Pooling)
3. Knowledge Spillovers (Information Spillovers)
Ellison/Glaeser
(1997)
Evaluierung der Verbreitung von Clustern mittels eines
Agglomerationsindex unter Berücksichtigung von "natürlichen.
Vorteilen" und "physischen" bzw. Knowledge Spillovers
Sehr häufige Konzentration (in USA) auf niedrigem Niveau.
Grund für Konzentration hauptsächlich in Umgebung,
selten in Spillovers.
Feser/Sweeney
(2000)
Frage ob Unternehmen die über Kunden-Lieferanten-Beziehung
verbunden sind, größere Neigung zu Clustering haben als
verarbeitende Industrie allgemein.
Zusammenhang bestätigt. Aber hauptsächlich in
wissens- und technologieintensiven Branchen.
Berwert/Vock/Tiri
(2004)
Identifikation verschiedener Cluster auf nationaler und
regionaler Ebene der Schweiz mittels I/O-Analysen.
5 nationale und 5 regionale Cluster identifiziert. Cluster
nicht räumlich sonder nur auf Ebene der I/O-Beziehungen.
Feser/Sweeney/Renski
(2005)
Identifikation von Clustern der USA auf Basis von I/O-Daten
und Getis-Ord-Statistiken (räumliche Komponente)
26 Wertketten aller Branchen identifiziert, die diverse Cluster
der Branchen enthalten. Analyse von 5 Wertketten auf Cluster.
5 steirische Cluster: Maschinenbau/Metall, Automobil, IT,
Identifikation regionaler Cluster in der Steiermark mittels
I/O-Daten.
Holz/Papier, Chemie/Pharma
Clustermerkmale / Effekte für Clusterpartner
Ohler/Gamsjäger/Mahlich Erhebung von Kooperationsformen, Wettbewerbs- &
2/3 der Clusterpartner sehen Wettbewerbsfähigkeit gesteigert
durch Clusterteilnahme. Kooperation gesteigert. Motivation zu
(2001)
Innovationsfähigkeit, Erwartungshaltungen
Teilnahme: Förderungen, Know-how & "Geschenkcharakter"
oberösterreichischer Clusterpartner
Steiner/Hartmann
(2006)
Clement et al.
(2002)
Evaluierung der F&E-Perfomance österreichischer Cluster
unter 48 Clustermanagern.
220
3 Kategorien. Oberste Kategorie: Engagiertes Clustermanagement
& rege F&E-Tätigkeit wird von oö. Clustern dominiert.
F&E-Volumen 2001: 8,5 Mio. € (5,5 Mio. € durch 2 oö. Cluster)
Schneider/Holzberger
(2003)
Volkswirtschaftliche Evaluierung der oberösterreichischen
Technologie- und Standortinitiativen & Auswirkungen der
Clusterteilnahme auf Unternehmen.
Seit Bestehen der Initiativen 42 Mio. € Projektvolumen initiiert
(Stand 2003). Anzeichen für Mitarbeiter-, Umsatz- und
Produktivitätswachstum über Branchenschnitt.
Ketels/Lindqvist/Sölvell Evaluierung und Benchmarking von 1400 Clusterinitiativen
Vielfältige Ergebnisse über Performance, Organisation, Wirkungen
(2006)
in Entwicklungs- & Transformationsländern
und Erwartungen der Teilnehmer.
Agglomerationsvorteile (Spillovers)
Walsten
Kommt es zu Knowledge Spillovers durch Nähe zu
Zusammenhang zwischen Erhalt von Förderungen mit Nähe zu
(2001)
Unternehmen die KMU-Förderungen erhalten haben?
Unternehmen die diese schon erhielten bestätigt. Je mehr
Daten: US Small Business Innovation Research Programm
Unternehmen nahe (unter 1 Km) desto höhere Förderungschance.
Dahl/Pedersen
(2003)
Empirische Untersuchung der Rolle informeller Kontakte in
Clustern als Kanal für Knowledge Spillovers.
Informelle Kontakte sehr verbreitet. Häufig beruflich nützlich.
Erworbenes Wissen tlw. von hohem Wert und sehr spezifisch.
Malmberg/Power
(2005)
Übersicht des empirischen Forschungsstandes und
Überprüfung der Entstehung von Wissen & Innovation in
Clustern anhand dreier Hypothesen.
Teilweise Unterstützung der These, daß Wissen in Clustern
durch Knowledge Spillovers in Form von informellen Netzwerken
und Mobilität entsteht. Neukombination von Wissen -> Innovation.
Niosi/Zhegu
(2005)
Analyse von zwei kanadischen und zwei ausländischen
Luftfahrtclustern. Kernfrage: Können lokale
Knowledge Spillovers Clustering in diesen Fällen erklären?
Lokale Knowledge Spillovers kaum Erklärung für Clustering.
Viele Branchenspezifika führen zu internationale Knowledge
Spillovers. "Ankerfirmen" erklären Luftfahrtcluster besser.
Koo
(2005)
Ökonometrisches Modell zur Überprüfung der
Erklärungskraft von Knowledge Spillovers und andern
Agglomerationsvorteilen nach Marshall.
Erklärungskraft von simultanen Modellen, die Knowledge
Spillovers und andere Agglomerationsvorteile verknüpft sehr groß.
Einzelne Variablen allein verzerren theoretische Voraussagen.
Giuri/Mariani
(2005)
Nutzung der PatVal-Umfrage der EU zur Überprüfung
der Quellen von Knowledge Spillovers bei europäischen
Patenthaltern.
Für Erfindungen relevante Interaktionen von Erfindern liegen
hauptsächlich innerhalb der eigenen Organisation. Geringste
Bedeutung für nahe außer-organisationale Interaktion.
Hendry/Brown
(2006)
Untersuchung der Beziehungsgeflechte und KooperationsNetzwerke britischer Biotechnologieunternehmen auf
Bedeutung lokaler Knowledge Spillovers.
Relativ geringe Bedeutung lokaler Knowledge Spillovers.
Hauptsächlich Kooperation zu F&E-Einrichtungen, nicht anderen
Unternehmen. Wenn lokal: hauptsächlich Ideengenerierung,
sonst nationale und internationale Ausrichtung.
221
Steiner/Hartmann
(2006)
de Propris
(2002)
Dominanz partizipativer Lernformen wie Projektteams, F&EUntersuchung verschiedener Lernquellen, Lernmuster und
Teams: automatische Knowledge Spillovers selten
Lernformen in fünf österreichischen Clustern.
Unterscheidung zw. Informellen und partizipativen Formen.
Deutlich unterschiedliche Lernmuster & -formen in versch. Clustern
Agglomerationsvorteile (Innovationsleistung)
Innovation passiert nicht isoliert. Positiver Einfluß von
Untersuchung des Einflusses von UnternehmensKooperation auf Innovation, aber Cluster-Effekt hat für keine
Kooperationen auf verschiedene Arten von Innovation.
Innovationsform Erklärungskraft.
Suche nach Cluster-Effekten. Daten: Region West Midlands
Beaudry/Breschi
(2003)
Beantwortung der Frage ob in Clustern angesiedelte
Unternehmen innovativer sind als nicht in Clustern
ansässige. Daten: Patenthaltende Unternehmen in UK und I.
Anwesenheit im Cluster per se kein Innovationsvorteil.
Agglomerationsvorteile gehen von innovativen Unternehmen
aus. Nicht-innovative Unternehmen der gleichen Branche haben
negativen Einfluß auf Innovationsperformance.
Molina-Morales/
Martínez-Fernández
(2004)
Überprüfung, der Annahme das die Nutzung gemeinsamer
Reputation, die Intensität des Ressourcenaustauschs und
die Teilnahme an lokalen Mittlereinrichtungen
Clusterunternehmen überlegen macht und clusterinterne
Wertschöpungsunterschiede erklärt.
Austausch und Rekombination von Ressourcen und
Teilnahme an lokalen Einrichtungen erklären überlegene
Innovations- & Wertschöpungsleistung.
Eraydin/Armatli-Köroglu Analyse der Innovations- und Netzwerkfähigkeiten von
(2005)
Unternehmen in drei türkischen Clustern
(Textil, Maschinenbau & Elektronik).
Malmberg/Power
(2005)
McEvilly/Zaheer
(1999)
Madill/Haines/Riding
(2004)
Unternehmen mit dichten lokalen (Cluster) und nationalen
Beziehungen, sind weniger innovativ als jene mit starken
internationalen Beziehungen. Lokale Ebene dennoch wichtig.
Bedingte empirische Unterstützung eines positiven
Übersicht des empirischen Forschungsstandes und
Zusammenhangs zwischen lokaler Rivalität und Innovation.
Überprüfung der Entstehung von Wissen & Innovation in
Clustern anhand dreier Hypothesen.
Agglomerationsvorteile (Unternehmensbeziehungen)
Überprüfung der Annahme, daß Clusterunternehmen mit
Weitreichende Beziehungsgeflechte haben tlw. positive Effekte.
Teilnahme an lokalen Mittlereinrichtungen hat positiven
Beziehungen die reich an "Brückenbeziehungen" sind und
Einfluß. Je mehr Brückenbeziehungen desto schwachere
Beziehungen zu lokalen Mittlereinrichtungen unterhalten
Teilnahme an lokalen Mittlerinstitutionen.
ihre Wettbewerbsfähigkeit steigern.
Vergleich der Häufigkeit und des Werts von Beziehungsund Netzwerkgeflechts von Technologie- & NichtTechnologieunternehmen. Annahme:
Technologieunternehmen geschickter und öfter vernetzt.
222
Technologieunternehmen in Ottawa seltener und weniger
stark vernetzt und besitzen ein dünneres Beziehungsgeflecht als
Nicht-Technologieunternehmen. Branchenunterschiede evident.
Eraydin/Armatli-Köroglu Analyse der Innovations- und Netzwerkfähigkeiten von
(2005)
Unternehmen in drei türkischen Clustern
(Textil, Maschinenbau & Elektronik).
Hendry/Brown
(2006)
Lublinski
(2003)
Lokale Netzwerke in Clustern werden durch komplementäre
globale Netzwerke ergänzt und die Kombination dieser beiden
erhöht Innovations- und Wettbewerbsfähigkeit.
Lokale Kooperation hauptsächlich zu F&E-Einrichtungen,
Untersuchung der Beziehungsgeflechte und Kooperationsnicht zu anderen Unternehmen. Wenn lokal: hauptsächlich
Netzwerke britischer Biotechnologieunternehmen auf
Ideengenerierung, sonst nationale & internationale Ausrichtung.
Bedeutung lokaler Knowledge Spillovers.
Agglomerationsvorteile (Sonstige bzw. kein Schwerpunkt)
Geographische Nähe statistisch signifikant für Beziehungen und
Analyse der Firmenverknüpfungen geographisch
benachbarter und weiter entfernter Unternehmen des
kann Verbreitung von Wissen, Bildung von Arbeitskräftebeständen
und anspruchsvolle Kunden bewirken. Agglomerationsvorteile,
norddeutschen Flugzeugclusters.
wenn überhaupt, nur schwach ausgeprägt und wirksam.
Chakravorty/Koo/Lall
(2005)
Antwort auf die Frage ob Agglomerationsvorteile bei
Clusterentstehung bedeutend sind, anhand von Clustern
in drei indischer Metropolen.
Agglomerationsvorteile wirken im gesamten Ballungsraum.
Bildung von Clustern wegen unvollkomener Grundstücksärkte.
Urbanisierungsvorteile wichtiger als Agglomerationsvorteile.
Grando/Belvedere
(2006)
Überprüfung der Annahme, ob Mitgliedschaft in Clustern
KMUs Zugang zu Erfahrung anderer Clustermitglieder
erleichtert und so Management- & operative Fähigkeiten
entwickelt werden können, die sonst nicht möglich sind.
Große Unternehmen, KMUs und Clusterunternehmen zeigen je
nach Größe verschiedene Stärken. Unabhängige KMUs, können
ihre Fähigkeiten (Reaktionsfähigkeit & Felxibilität) durch
Clustermitgliedschaft verbessern.
Fallick/Fleischmann
/Rebitzer
(2006)
Untersuchung der Hypermobilität von Mitarbeitern in Silicon
Valley als unterstützender Faktor der innovationsfördernden
Neukombination von Ressourcen und Vergleich mit anderen
Clustern.
Agglomerationsvorteile in Silicon Valley scheinen kein
generelles wirtschaftliches Phänomen zu sein. Treffen in
Fällen zu, wo Innovationserträge sehr hoch & sehr unsicher
Kalifornien-Effekt (Gesetze) sichtbar und führt zu hoher Mobilität.
Anhang 15: Zusammenfassung und Vergleich des aktuellen empirischen Forschungsstandes (Quelle: Eigene Darstellung)
223
Anhang 16: Die Region CENTROPE aus Sicht des ACVR Automotive Clusters Vienna Region
(Quelle: Freudenthaler (2006), S. 31.)
Anhang 17: Agglomerationsvorteile im Modell von Caniëls/Romijn
(Quelle: Caniëls/Romijn (2003), S. 131.)
224
(1) Bitte geben Sie folgende allgemeinen Daten zu Ihrem Unternehmen an, sofern notwendig schätzen Sie die Angaben möglichst genau:
Ihr Unternehmen besteht seit:
..........
Mitgliedschaft im Cluster seit:
..........
Mitarbeiterzahl im Jahr:
2006:
2003:
2000:
1997:
..........
..........
..........
..........
Umsatz im Jahr (in 1000 EURO):
2006:
2003:
2000:
1997:
..........
..........
..........
..........
Bilanzsumme im Jahr (in 1000 EURO):
2006:
2003:
2000:
1997:
..........
..........
..........
..........
(2a) Welche drei der folgenden Aussagen beschreiben die Leitlinien, nach denen Ihr Unternehmen zur Erreichung seiner Unternehmensziele
handelt, am besten?
a)
b)
c)
d)
e)
f)
g)
h)
i)
j)
Erhalt des Unternehmens
Steigerung des Umsatzwachstums mit bestehenden Produkten
Erreichen der Technologieführerschaft
Steigerung des Marktanteilswachstums mit bestehenden Produkten
Halten der Technologieführerschaft
Erhalt des Umsatzwachstums mit bestehenden Produkten
Bedienung neuartiger Kundenbedürfnisse
Erhalt des Marktanteilswachstums mit bestehenden Produkten
Flexible Reaktion auf Marktbedürfnisse
Steigerung der Produktivität
225
(2b) Bewerten Sie zusätzlich die Relevanz der drei gewählten Aussagen in Bezug auf Ihre Unternehmensziele auf einer Skala von 1 bis 6
(1 = Trifft überhaupt nicht zu, 6 = Trifft voll und ganz zu).
a)
b)
c)
d)
e)
f)
g)
h)
i)
j)
(3)
Erhalt des Unternehmens
Steigerung des Umsatzwachstums mit bestehenden Produkten
Erreichen der Technologieführerschaft
Steigerung des Marktanteilswachstums mit bestehenden Produkten
Halten der Technologieführerschaft
Erhalt des Umsatzwachstums mit bestehenden Produkten
Bedienung neuartiger Kundenbedürfnisse
Erhalt des Marktanteilswachstums mit bestehenden Produkten
Flexible Reaktion auf Marktbedürfnisse
Steigerung der Produktivität
Bewerten Sie die angegebenen Faktoren, nach dem Grad ihrer Bedeutung für die Erreichung Ihrer vorher genannten Unternehmensziele.
(Skala 1 bis 6; 1 = keine Bedeutung, 6 = höchste Bedeutung)
1 2 3 4 5 6
a) Operativer und strategischer Vergleich mit lokalen Unternehmen des Clusters / Lernen
b) Befriedigung der anspruchsvollen Bedürfnisse lokaler Kunden
c) Partizipation am Erfolg von Kunden und Lieferanten vor Ort, durch bestehende
und neue Geschäftsbeziehungen
d) Vorhandensein eines großen Arbeitskräftebestands spezialisierter Fachkräfte vor Ort
e) Vorhandensein eines spezialisierten Lieferanten- und Dienstleistungsspektrums vor Ort
f) Zugang zu spezifischem und wertvollem Wissen anderer Unternehmen vor Ort
g) Aufbau vertrauensvoller Geschäfts- und Kooperationsbeziehungen vor Ort
h) Staatliche Flächenwidmungspläne
i) Staatliche Umweltauflagen
j) Lokale Förderungen
k) Vor Ort vorhandene (Fach-) Ausbildungsstätten
l) Lokale Kooperationseinrichtungen
m) Lokale Informations- und Kommunikationseinrichtungen
n) Marketingunterstützung durch lokal vorhandene Einrichtungen
o) Sonstiges: .................................................................................
226
(4)
Wie schätzen Sie das Vorhandensein dieser Faktoren im Cluster, in dem Sie Mitglied sind, ein?
(Skala 1-6; 1 = Nicht vorhanden bzw. eher hinderlich , 6 = Sehr zufriedenstellend bzw. hilfreich)
1 2 3 4 5 6
a) Operativer und strategischer Vergleich mit lokalen Unternehmen des Clusters / Lernen
b) Befriedigung der anspruchsvollen Bedürfnisse lokaler Kunden
c) Partizipation am Erfolg von Kunden und Lieferanten vor Ort, durch bestehende und
neue Geschäftsbeziehungen
d) Vorhandensein eines großen Arbeitskräftebestands spezialisierter Fachkräfte vor Ort
e) Vorhandensein eines spezialisierten Lieferanten- und Dienstleistungsspektrums vor Ort
f) Zugang zu spezifischem und wertvollem Wissen anderer Unternehmen vor Ort
g) Aufbau vertrauensvoller Geschäfts- und Kooperationsbeziehungen vor Ort
h) Staatliche Flächenwidmungspläne
i) Staatliche Umweltauflagen
j) Lokale Förderungen
k) Vor Ort vorhandene (Fach-) Ausbildungsstätten
l) Lokale Kooperationseinrichtungen
m) Lokale Informations- und Kommunikationseinrichtungen
n) Marketingunterstützung durch lokal vorhandene Einrichtungen
o) Sonstiges: .................................................................................
(5)
Welche dieser Faktoren spielten die größte Rolle bei Ihrer Entscheidung dem Cluster beizutreten? Bewerten Sie alle angegebenen
Faktoren auf einer Skala von 1 bis 6 (1 = Trifft überhaupt nicht zu, 6 = Trifft voll und ganz zu)
1 2 3 4 5 6
a) Operativer und strategischer Vergleich mit lokalen Unternehmen des Clusters / Lernen
b) Befriedigung der anspruchsvollen Bedürfnisse lokaler Kunden
c) Partizipation am Erfolg von Kunden und Lieferanten vor Ort, durch bestehende und
neue Geschäftsbeziehungen
d) Vorhandensein eines großen Arbeitskräftebestands spezialisierter Fachkräfte vor Ort
e) Vorhandensein eines spezialisierten Lieferanten- und Dienstleistungsspektrums vor Ort
f) Zugang zu spezifischem und wertvollem Wissen anderer Unternehmen vor Ort
g) Aufbau vertrauensvoller Geschäfts- und Kooperationsbeziehungen vor Ort
h) Staatliche Flächenwidmungspläne
227
i)
j)
k)
l)
m)
n)
o)
(6)
Staatliche Umweltauflagen
Lokale Förderungen
Vor Ort vorhandene (Fach-) Ausbildungsstätten
Lokale Kooperationseinrichtungen
Lokale Informations- und Kommunikationseinrichtungen
Marketingunterstützung durch lokal vorhandene Einrichtungen
Sonstiges: .................................................................................
Wenn Sie an die Strategie Ihres Unternehmens denken, würden Sie sagen, daß Ihr Unternehmen eher auf Sicherungsaktivitäten oder auf
Entwicklungsaktivitäten abzielt?
Wählen Sie bitte nur eine der beiden Aktivitäten:
Sicherungsaktivitäten:
Entwicklungsaktivitäten:
Bewerten Sie zusätzlich beide Aktivitäten auf einer Skala von 1 bis 6
(1 = Trifft für das Unternehmen überhaupt nicht zu, 6 = Trifft voll und ganz zu)
1 2 3 4 5 6
Sicherungsaktivitäten:
Entwicklungsaktivitäten:
Zu Ihrer Information:
Sicherungsaktivitäten sichern das gegenwärtige Überleben des Unternehmens und regeln die Input-Output-Beziehungen zwischen
dem Unternehmen und seiner Umgebung.
Darunter fallen Aktivitäten wie Finanzmanagement, operative Planung, Organisation, Personal, Controlling, Produktion, Marketing,
Vertrieb, usw. Diese Aktivitäten sichern das Überleben eines Unternehmens so, daß es gegenwärtig handlungsfähig bleibt.
Entwicklungsaktivitäten betreffen die Auseinandersetzung mit dem zukünftigen Unternehmenserfolg, der auf neuen Märkten,
Produkten oder Methoden basieren kann und erfordern die Schaffung von Innovation und Wissen innerhalb des Unternehmens.
228
Darunter fallen Aktivitäten wie Forschung- und Entwicklung, strategische Unternehmensplanung, Personal- und
Organisationsentwicklung, Wissensmanagement, strategische Allianzen, usw. Dadurch werden die Voraussetzungen für zukünftige
Erfolge geschaffen.
(7)
Nennen Sie bitte zum Abschluß noch einige Daten zu F&E und Produktinnovationen in Ihrem Unternehmen. Sofern notwendig schätzen
Sie die Angaben möglichst genau:
In welchem Jahr führte Ihr Unternehmen die erste Produktinnovation ein?
...............
Wann führte Ihr Unternehmen die letzte Produktinnovation ein?
...............
Wie viele grundlegende Produktinnovationen hat Ihr Unternehmen im
Zeitraum zwischen der ersten und der letzten Innovation eingeführt?
................
Wie viele Produktinnovationen hat Ihr Unternehmen in den folgenden Jahren eingeführt? Sofern notwendig schätzen Sie die Angaben
möglichst genau.
2006: ..........
2003: ..........
2000: ..........
1997: ..........
Wie hoch waren die F&E-Ausgaben Ihres Unternehmens in folgenden Jahren? Sofern notwendig schätzen Sie die Angaben möglichst
genau (Angaben in 1000 EURO).
2006: ..........
2003: ..........
2000: ..........
1997: ..........
Anhang 18: Fragebogen der Erstumfrage
229
(1a) Welche drei der folgenden Aussagen beschreiben die Leitlinien, nach denen Ihr Unternehmen zur Erreichung seiner
Unternehmensziele handelt, am besten?
a)
b)
c)
d)
e)
f)
g)
h)
i)
j)
Erhalt des Unternehmens
Steigerung des Umsatzwachstums mit bestehenden Produkten
Erreichen der Technologieführerschaft
Steigerung des Marktanteilswachstums mit bestehenden Produkten
Halten der Technologieführerschaft
Erhalt des Umsatzwachstums mit bestehenden Produkten
Bedienung neuartiger Kundenbedürfnisse
Erhalt des Marktanteilswachstums mit bestehenden Produkten
Flexible Reaktion auf Marktbedürfnisse
Steigerung der Produktivität
(1b) Bewerten Sie zusätzlich die Relevanz der drei gewählten Aussagen in Bezug auf Ihre Unternehmensziele auf einer Skala von 1 bis
6 (1 = Trifft überhaupt nicht zu, 6 = Trifft voll und ganz zu).
1 2 3 4 5 6
a) Erhalt des Unternehmens
b) Steigerung des Umsatzwachstums mit bestehenden Produkten
c) Erreichen der Technologieführerschaft
d) Steigerung des Marktanteilswachstums mit bestehenden Produkten
e) Halten der Technologieführerschaft
f) Erhalt des Umsatzwachstums mit bestehenden Produkten
g) Bedienung neuartiger Kundenbedürfnisse
h) Erhalt des Marktanteilswachstums mit bestehenden Produkten
i) Flexible Reaktion auf Marktbedürfnisse
j) Steigerung der Produktivität
230
(2)
Bewerten Sie die angegebenen Faktoren, nach dem Grad ihrer Bedeutung für die Erreichung Ihrer vorher genannten Unternehmensziele.
(Skala 1 bis 6; 1 = keine Bedeutung, 6 = höchste Bedeutung)
1 2 3 4 5 6
a) Operativer und strategischer Vergleich mit lokalen Unternehmen des Clusters / Lernen
b) Befriedigung der anspruchsvollen Bedürfnisse lokaler Kunden
c) Partizipation am Erfolg von Kunden und Lieferanten vor Ort, durch bestehende
und neue Geschäftsbeziehungen
d) Vorhandensein eines großen Arbeitskräftebestands spezialisierter Fachkräfte vor Ort
e) Vorhandensein eines spezialisierten Lieferanten- und Dienstleistungsspektrums vor Ort
f) Zugang zu spezifischem und wertvollem Wissen anderer Unternehmen vor Ort
g) Aufbau vertrauensvoller Geschäfts- und Kooperationsbeziehungen vor Ort
h) Staatliche Flächenwidmungspläne
i) Staatliche Umweltauflagen
j) Lokale Förderungen
k) Vor Ort vorhandene (Fach-) Ausbildungsstätten
l) Lokale Kooperationseinrichtungen
m) Lokale Informations- und Kommunikationseinrichtungen
n) Marketingunterstützung durch lokal vorhandene Einrichtungen
o) Sonstiges: .................................................................................
(3)
Wie schätzen Sie das Vorhandensein dieser Faktoren im Cluster, in dem Sie Mitglied sind, ein?
(Skala 1-6; 1 = Nicht vorhanden bzw. eher hinderlich , 6 = Sehr zufriedenstellend bzw. hilfreich)
1 2 3 4 5 6
a) Operativer und strategischer Vergleich mit lokalen Unternehmen des Clusters / Lernen
b) Befriedigung der anspruchsvollen Bedürfnisse lokaler Kunden
c) Partizipation am Erfolg von Kunden und Lieferanten vor Ort, durch bestehende und
neue Geschäftsbeziehungen
d) Vorhandensein eines großen Arbeitskräftebestands spezialisierter Fachkräfte vor Ort
e) Vorhandensein eines spezialisierten Lieferanten- und Dienstleistungsspektrums vor Ort
f) Zugang zu spezifischem und wertvollem Wissen anderer Unternehmen vor Ort
g) Aufbau vertrauensvoller Geschäfts- und Kooperationsbeziehungen vor Ort
h) Staatliche Flächenwidmungspläne
i) Staatliche Umweltauflagen
231
j)
k)
l)
m)
n)
o)
(4)
Lokale Förderungen
Vor Ort vorhandene (Fach-) Ausbildungsstätten
Lokale Kooperationseinrichtungen
Lokale Informations- und Kommunikationseinrichtungen
Marketingunterstützung durch lokal vorhandene Einrichtungen
Sonstiges: .................................................................................
Welche dieser Faktoren spielten die größte Rolle bei Ihrer Entscheidung dem Cluster beizutreten? Bewerten Sie alle angegebenen
Faktoren auf einer Skala von 1 bis 6 (1 = Trifft überhaupt nicht zu, 6 = Trifft voll und ganz zu)
1 2 3 4 5 6
a) Operativer und strategischer Vergleich mit lokalen Unternehmen des Clusters / Lernen
b) Befriedigung der anspruchsvollen Bedürfnisse lokaler Kunden
c) Partizipation am Erfolg von Kunden und Lieferanten vor Ort, durch bestehende und
neue Geschäftsbeziehungen
d) Vorhandensein eines großen Arbeitskräftebestands spezialisierter Fachkräfte vor Ort
e) Vorhandensein eines spezialisierten Lieferanten- und Dienstleistungsspektrums vor Ort
f) Zugang zu spezifischem und wertvollem Wissen anderer Unternehmen vor Ort
g) Aufbau vertrauensvoller Geschäfts- und Kooperationsbeziehungen vor Ort
h) Staatliche Flächenwidmungspläne
i) Staatliche Umweltauflagen
j) Lokale Förderungen
k) Vor Ort vorhandene (Fach-) Ausbildungsstätten
l) Lokale Kooperationseinrichtungen
m) Lokale Informations- und Kommunikationseinrichtungen
n) Marketingunterstützung durch lokal vorhandene Einrichtungen
o) Sonstiges: .................................................................................
232
(5)
Wenn Sie an die Strategie Ihres Unternehmens denken, würden Sie sagen, daß Ihr Unternehmen eher auf Sicherungsaktivitäten oder auf
Entwicklungsaktivitäten abzielt?
Wählen Sie bitte nur eine der beiden Aktivitäten:
Sicherungsaktivitäten:
Entwicklungsaktivitäten:
Bewerten Sie zusätzlich beide Aktivitäten auf einer Skala von 1 bis 6
(1 = Trifft für das Unternehmen überhaupt nicht zu, 6 = Trifft voll und ganz zu)
1 2 3 4 5 6
Sicherungsaktivitäten:
Entwicklungsaktivitäten:
Zu Ihrer Information:
Sicherungsaktivitäten sichern das gegenwärtige Überleben des Unternehmens und regeln die Input-Output-Beziehungen zwischen
dem Unternehmen und seiner Umgebung.
Darunter fallen Aktivitäten wie Finanzmanagement, operative Planung, Organisation, Personal, Controlling, Produktion, Marketing,
Vertrieb, usw. Diese Aktivitäten sichern das Überleben eines Unternehmens so, daß es gegenwärtig handlungsfähig bleibt.
Entwicklungsaktivitäten betreffen die Auseinandersetzung mit dem zukünftigen Unternehmenserfolg, der auf neuen Märkten,
Produkten oder Methoden basieren kann und erfordern die Schaffung von Innovation und Wissen innerhalb des Unternehmens.
Darunter fallen Aktivitäten wie Forschung- und Entwicklung, strategische Unternehmensplanung, Personal- und
Organisationsentwicklung, Wissensmanagement, strategische Allianzen, usw. Dadurch werden die Voraussetzungen für zukünftige
Erfolge geschaffen.
233
(6)
Nennen Sie bitte zum Abschluß noch einige Daten zu F&E und Produktinnovationen in Ihrem Unternehmen. Sofern notwendig schätzen
Sie die Angaben möglichst genau:
In welchem Jahr führte Ihr Unternehmen die erste Produktinnovation ein?
...............
Wann führte Ihr Unternehmen die letzte Produktinnovation ein?
...............
Wie viele grundlegende Produktinnovationen hat Ihr Unternehmen im
Zeitraum zwischen der ersten und der letzten Innovation eingeführt?
................
Wie viele Produktinnovationen hat Ihr Unternehmen in den folgenden Jahren eingeführt? Sofern notwendig schätzen Sie die Angaben
möglichst genau.
2006: ..........
2003: ..........
2000: ..........
1997: ..........
Wie hoch waren die F&E-Ausgaben Ihres Unternehmens in folgenden Jahren? Sofern notwendig schätzen Sie die Angaben möglichst
genau (Angaben in 1000 EURO).
0 - 0,5%
0,6 - 1,0%
1,1 - 2%
2,1 - 4%
2006:
2006:
2003:
2000:
1997:
234
4,1 - 6%
6% +
Unternehmen nicht existent
(7)
Bitte geben Sie folgende allgemeinen Daten zu Ihrem Unternehmen an, sofern notwendig schätzen Sie die Angaben möglichst
genau:
Ihr Unternehmen besteht seit:
..........
Mitgliedschaft im Cluster seit:
..........
Mitarbeiterzahl im Jahr:
0 - 5 Mitarbeiter
6 - 20
21 - 50
51 - 100
101 - 249
250 +
Unternehmen nicht existent
3,1 - 5
5,1 - 10
10,1 - 30
30,1 - 50
50,1 +
Unternehmen nicht existent
6,1 - 10
10,1 - 33
33,1 - 43
43,1 +
Unternehmen nicht existent
2006:
2006:
2003:
2000:
1997:
Umsatz im Jahr (in Mio. EURO):
0 - 3 Mio. €
2006:
2006:
2003:
2000:
1997:
Bilanzsumme im Jahr (in Mio. EURO):
0 - 3 Mio. €
3,1 - 6
2006:
2006:
2003:
2000:
1997:
Anhang 19: Adaptierter Fragebogen der Zweitumfrage
235
Sehr geehrte Damen und Herren !
Ich schreibe Ihnen da Sie im Mitgliederverzeichnis eines oder mehrerer oberösterreichischer
Cluster aufscheinen. Als Student am Institut für Unternehmensführung der
Wirtschaftsuniversität Wien verfasse ich gegenwärtig eine Diplomarbeit zur Bedeutung
von Clustern für die Wettbewerbs- und Innovationsfähigkeit von Unternehmen. Teil dieser
Arbeit ist eine kurze Onlineumfrage unter Mitgliedern der Geschäftsführung von
Clusterunternehmen.
Worum es geht:
Weltweit findet sich die höchste Wachstums-, Innovations- und Beschäftigungsdynamik in
regionalen Clustern. Die Vor- und Nachteile im Bezug auf Cluster aus Sicht des Staates sind
in den letzten Jahren in zahlreichen Forschungsarbeiten thematisiert worden. Die Klärung
der Frage welche Vorteile Unternehmen aus Clustern ziehen können, wurde trotz EU-weit
stark steigender Zahlen von Clustern jedoch kaum behandelt.
Die zentralen Fragen sind daher: Welche Vorteile bieten sich aus Unternehmenssicht
durch die Beteiligung an Clusterinitiativen? Welchen Beitrag können sie für Erhalt und
Steigerung der Wettbewerbs- und Innovationsfähigkeit leisten?
Worum wir Sie bitten:
Ihr Betrieb wurde ausgewählt da Sie eines von 656 Mitgliedern in einem oder mehreren
oberösterreichischen Clustern sind: Automobilcluster OÖ, Kunststoffcluster OÖ und
Mechatronikcluster OÖ.
Wir bitten Sie diesen kurzen Onlinefragebogen (siehe Link) so genau wie möglich
auszufüllen. Dieser Fragebogen ist mit lediglich 7 Fragen äußerst kurz gehalten und Tests
haben ergeben, daß der Zeitaufwand zwischen 12 und 15 Minuten beträgt.
Link zur Onlineumfrage: ............................... Paßwort: .....
Was mit Ihren Angaben geschieht:
Alle Ihre Angaben werden streng vertraulich, entsprechend den gesetzlichen Bestimmungen
zum Datenschutz behandelt. Alle erhobenen Daten werden nur in anonymisierter Form,
d.h. ohne Namen und Adresse, und nur zusammengefaßt mit den Angaben der anderen
Betriebe ausgewertet. Die Ergebnisse lassen keine Rückschlüsse darauf zu, welcher
Betrieb welche Angaben gemacht hat. Mit anderen Worten: Der Datenschutz ist voll und
ganz gewährleistet.
Als Dankeschön für Ihre Mühen
Forschungsergebnisse zugesandt.
erhalten
Sie
eine
Zusammenfassung
Kontakt:
Mario Puljic (Student WU Wien)
Hofherrgasse 18/32
1100 Wien
Tel.: 0699 1 687 56 83
E-Mail: Mario.Puljic@wu-wien.ac.at
Betreuer: Prof. Dr. Stefan Güldenberg
Institut für Unternehmensführung
Wirtschaftsuniversität Wien
Nordbergstraße 15, 1090 Wien
stefan.gueldenberg@wu-wien.ac.at
Anhang 20: Anschreiben der Umfragen
236
der
N=61
F&E-Ausgagben 2006: 0 - 0,5%
0,6 - 1,0%
1,1 - 2%
2,1 - 4%
4,1 - 6%
6% +
Gesamt
N=53
F&E-Ausgagben 2003: 0 - 0,5%
0,6 - 1,0%
1,1 - 2%
2,1 - 4%
4,1 - 6%
6% +
Gesamt
N=50
F&E-Ausgaben 2000: 0 - 0,5%
0,6 - 1,0%
1,1 - 2%
2,1 - 4%
4,1 - 6%
6% +
Gesamt
N=47
FE-Ausgaben 1997:
0 - 0,5%
0,6 - 1,0%
1,1 - 2%
2,1 - 4%
4,1 - 6%
6% +
Gesamt
Innovationsorientiert
3,3%
10,0%
26,7%
3,3%
10,0%
46,7%
100%
Wettbewerbsorientiert
25,0%
16,7%
16,7%
12,5%
16,7%
4,2%
33,3%
100%
14,3%
25,0%
12,5%
37,5%
100%
4,5%
27,3%
18,2%
9,1%
9,1%
31,8%
100%
11,3%
18,9%
15,1%
13,2%
9,4%
32,1%
100%
28,6%
14,3%
14,3%
28,6%
100%
20,0%
30,0%
5,0%
5,0%
5,0%
35,0%
100%
20,0%
18,0%
12,0%
10,0%
10,0%
30,0%
100%
14,3%
42,9%
26,3%
26,3%
28,6%
14,3%
100%
10,5%
10,5%
26,3%
100%
21,3%
27,7%
4,3%
12,8%
12,8%
21,3%
100%
14,3%
14,3%
28,6%
28,6%
100%
21,7%
13,0%
13,0%
13,0%
13,0%
26,1%
100%
14,3%
19,0%
23,8%
9,5%
19,0%
9,5%
19,0%
100%
Desorientiert Gesamt
4,3%
6,6%
30,4%
16,4%
13,0%
21,3%
4,3%
3,3%
13,0%
11,5%
34,8%
41,0%
100%
100%
Anhang 21: F&E-Ausgaben in % des Umsatzes 1997-2006 nach Unternehmensorientierung
(Quelle: Eigene Darstellung)
Vorhandensein der Variablengruppen nach Clustern
6
5
AC
4
KC
3
MC
2
1
Porter
MAR
Alternativ
Umfeld 1
Umfeld 2
Anhang 22: Vorhandensein der Variablengruppen nach Clustern
(Quelle: Eigene Darstellung)
237
Vorhandensein der Variablengruppen nach
Unternehmensgröße
6
5
4
KMU
3
Großunternehmen
2
1
Porter
MAR
Alternativ
Umfeld 1
Umfeld 2
Anhang 23: Vorhandensein der Variablengruppen nach Größenklasse
(Quelle: Eigene Darstellung)
Te sts of W ithin-Subje cts Contra sts
Va ria ble Be de utung vs. Motiva tion Be de utung vs. Motiva tion
* Cluste r
A1
0,271
0,763
A2
0,000
0,511
A3
0,031
0,005
B1
0,000
0,830
B2
0,188
0,522
B3
0,004
0,416
C1
0,810
0,065
D1
0,251
0,071
D2
0,001
0,205
D3
0,361
0,800
D4a
0,000
0,023
D4b
0,487
0,412
D4c
0,502
0,065
D4d
0,117
0,251
A3
Cluste r Be de utung Motiva tionskra ft
AC
4,269
3,192
KC
3,938
4,094
MC
3,667
3,500
D4a
Cluste r Be de utung Motiva tionskra ft
AC
2,769
2,500
KC
4,031
2,656
MC
3,556
2,833
Anhang 24: Signifikanztest: Diskrepanzen zwischen Bedeutung & Motivationskraft (Cluster)
(Quelle: Eigene Darstellung)
Variable
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a
D4b
D4c
D4d
Tests of Within-Subjects Contrasts
Bedeutung vs. Motivation Bedeutung vs. Motivation
* Orientierung
0,236
0,830
0,000
0,312
0,160
0,244
0,000
0,575
0,141
0,262
0,010
0,312
0,731
0,992
0,100
0,885
0,001
0,602
0,204
0,779
0,001
0,144
0,937
0,817
0,930
0,779
0,246
0,461
Anhang 25: Signifikanztest: Diskrepanzen zwischen Bedeutung
& Motivationskraft (Orientierung) (Quelle: Eigene Darstellung)
238
Variable
A1
A2
A3
B1
B2
B3
C1
D1
D2
D3
D4a
D4b
D4c
D4d
Tests of Within-Subjects Contrasts
Bedeutung vs. Motivation
Bedeutung vs. Motivation
* KMU
0,026
0,064
0,001
0,173
0,154
0,959
0,000
0,658
0,986
0,191
0,031
0,674
0,762
0,425
0,501
0,501
0,003
0,603
0,404
0,910
0,013
0,274
0,872
0,872
0,725
0,354
0,362
0,644
Anhang 26: Signifikanztest: Diskrepanzen zwischen Bedeutung
& Motivationskraft (Unternehmensgröße) (Quelle: Eigene Darstellung)
239
*Auswertungen.
***********************************************.
***********************************************.
*(MP) Zahl KMUs bzw. Großunternehmen.
fre var=kmu.
*Analyse nach Wettbewerbsorientierung oder Innovationsorientierung.
*Daraus ergibt sich folgende Gruppeneinteilung mit berückigsichtigung der Frage 5.
fre var=gruppe.
*Kontrolle der Selbsteinschätzung Innovation- vs Wettbewerbsorientierung.
*Vergleich Gruppe und Einführung der ersten Innvation in Bezug auf Clustermitgliedschaft.
*Grafik in Excel vorhanden.
crosstabs gruppe by rerstinno/sta=chi/cells=row.
crosstabs gruppe by rletztinno/sta=chi/cells=row.
*Unterschiede in der Einführung von Produktinnovationen getrennt nach Innvationsorientiert /
Wettbewerbsorientiert.
missing value f6.2.1 to f6.2.4 (999).
means f6.2.1 to f6.2.4 f6.1.3 by gruppe/cells=min max mean stddev med.
npar tests k-w f6.2.1 to f6.2.4 f6.1.3 by gruppe (1,3).
missing value f6.3.1 to f6.3.4 (7).
tem.
select if sysmis(teil).
npar tests k-w f6.3.1 to f6.3.4 by gruppe (1,3).
tem.
select if sysmis(teil).
crosstabs f6.3.1 to f6.3.4 by gruppe/cells=col.
*Gibt es einen Zusammenhang von Orientierung und Unternehmensgröße.
crosstabs gruppe by kmu/sta=chi/cells=row.
*Anzahl an Innovationen in Abhängigkeit von KMU.
means f6.2.1 to f6.2.4 f6.1.3 by kmu/cells=min max mean stddev med.
npar tests k-w f6.2.1 to f6.2.4 f6.1.3 by kmu (1,2).
fre var=cluster.
*Zusammenhänge zwischen Cluster und Innovationen.
means f6.2.1 to f6.2.4 f6.1.3 by cluster /cells=min max mean stddev med.
npar tests k-w f6.2.1 to f6.2.4 f6.1.3 by cluster (1,3).
*Zusammenhang zwischen Innovationen F&E, Produkte (Eintritt in Cluster berücksichtigen, vorher
nacher).
des var=v n.
t-test pairs v n.
npar tests wilcoxon v n .
compute d=n-v.
fre var=d.
glm d by gruppe/print=des hom eta/posthoc=gruppe(scheffe).
240
t-test pairs fev fen.
npar tests wilcoxon fev fen.
compute dfe=fen-fev.
glm dfe by gruppe/print=des hom eta/posthoc=gruppe(scheffe).
*Zusammenhang Cluster und KMU.
crosstabs kmu by cluster/sta=chi/cells=row.
crosstabs gruppe by cluster/sta=chi/cells=row.
*Clustergröße.
fre var=cluster.
fre var=gruppe.
*Auswertung der Hypothese 1.
*Zuerst für frage 2.
des var=a1.1 to d1.4d .
glm a1.1 to d1.4d by cluster /wsfactors=motive (14) simple(12) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
*Zusätzliche Betrachtung mit b3.
glm a1.1 to d1.4d by cluster /wsfactors=motive (14) simple(6) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
*Zusätzliche Betrachtung mit c1.
glm a1.1 to d1.4d by cluster /wsfactors=motive (14) simple(7) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
*H1: Nach einzelnen Motiven (Frage 2) und Orientierung.
glm a1.1 to d1.4d by gruppe /wsfactors=motive (14) simple(12) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*gruppe)/plot=profile(motive*gruppe)/plot=profile(motive).
*Zusätzlich nach Unternehmensgröße (kmu).
glm a1.1 to d1.4d by kmu /wsfactors=motive (14) simple(12) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
*Zusätzliche Betrachtung mit b3.
glm a1.1 to d1.4d by gruppe /wsfactors=motive (14) simple(6) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*gruppe)/plot=profile(motive*gruppe)/plot=profile(motive).
*Zusätzliche Betrachtung mit c1.
glm a1.1 to d1.4d by gruppe /wsfactors=motive (14) simple(7) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*gruppe)/plot=profile(motive*gruppe)/plot=profile(motive).
*Jetzt vergleichen wir nicht die Einbettung (Differenzen der Motive), sondern schauen uns jedes für
sich alleine an, ob es sich nach Cluster, Orientierung und KMU unterscheidet.
glm a1.1 to d1.4d by cluster /print=des eta.
glm a1.1 to d1.4d by gruppe /print=des eta.
glm a1.1 to d1.4d by kmu /print=des eta.
*Die erste Vergröberung. Wir fassen die Motive zusammen in porter mar alternativ und umfeld 1 und
umfeld2.
241
des var=porter1 mar1 altern1 umfeld1.1 umfeld1.2.
glm porter1 mar1 altern1 umfeld1.1 umfeld1.2 by cluster /wsfactors=motive (5) simple(5) /print=des
hom eta
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
glm porter1 mar1 altern1 umfeld1.1 umfeld1.2 by gruppe /wsfactors=motive (5) simple(5) /print=des
hom eta
eta/emm=tab(motive)/emm=tab(motive*gruppe)/plot=profile(motive*gruppe)/plot=profile(motive).
glm porter1 mar1 altern1 umfeld1.1 umfeld1.2 by kmu /wsfactors=motive (5) simple(5) /print=des hom
eta eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
*Jetzt interesiert uns nicht die Einbettung des einzelnen Motives gegenüber dem anderen, sondern wir
schauen uns jedes für sich selbst ob es nach Cluster, KMU bzw. Orientierung unterschiedlich
ausgeprägt ist.
glm porter1 mar1 altern1 umfeld1.1 umfeld1.2 by cluster/print=des hom eta.
glm porter1 mar1 altern1 umfeld1.1 umfeld1.2 by gruppe/print=des hom eta.
glm porter1 mar1 altern1 umfeld1.1 umfeld1.2 by kmu/print=des hom eta.
**Jetzt werden nur noch die 2 Ebenen miteinander verglichen (Agglo vs. Umfeld).
glm agglo1 umfeld1 by cluster /wsfactors=motive (2) simple(2) /print=des hom eta
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
glm agglo1 umfeld1 by gruppe /wsfactors=motive (2) simple(2) /print=des hom eta
eta/emm=tab(motive)/emm=tab(motive*gruppe)/plot=profile(motive*gruppe)/plot=profile(motive).
glm agglo1 umfeld1 by kmu /wsfactors=motive (2) simple(2) /print=des hom eta
eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
*Unterschiede univariat.
glm agglo1 umfeld1 by cluster/print=des hom eta.
glm agglo1 umfeld1 by gruppe/print=des hom eta.
glm agglo1 agglo2 agglo3 by cluster/wsfactors=agglomot(3) simple (1)/print=des hom
eta/plot=profile(agglomot*cluster).
****************************************************.
**************************************************.
**Jetzt das Ganze für Frage3
des var=a2.1 to d2.4d .
glm a2.1 to d2.4d by cluster /wsfactors=motive (14) simple(12) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
*Zusätzliche Betrachtung mit b3.
glm a2.1 to d2.4d by cluster /wsfactors=motive (14) simple(6) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
*Zusätzliche Betrachtung mit c1.
glm a2.1 to d2.4d by cluster /wsfactors=motive (14) simple(7) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
*H1: Nach einzelnen Motiven (Frage 4) und Orientierung.
glm a2.1 to d2.4d by gruppe /wsfactors=motive (14) simple(12) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*gruppe)/plot=profile(motive*gruppe)/plot=profile(motive).
242
*Zusätzlich nach Unternehmensgröße (kmu).
glm a2.1 to d2.4d by kmu /wsfactors=motive (14) simple(12) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
*Zusätzliche Betrachtung mit b3.
glm a2.1 to d2.4d by gruppe /wsfactors=motive (14) simple(6) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*gruppe).
*Zusätzliche Betrachtung mit c1.
glm a2.1 to d2.4d by gruppe /wsfactors=motive (14) simple(7) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*gruppe).
*Jetzt vergleichen wir nicht die Einbettung (Differenzen der Motive), sondern schauen uns jedes für
sich alleine an, ob es sich nach Cluster, Orientierung und KMU unterscheidet.
glm a2.1 to d2.4d by cluster /print=des eta.
glm a2.1 to d2.4d by gruppe /print=des eta.
glm a2.1 to d2.4d by kmu /print=des eta.
*Die erste Vergröberung. Wir fassend die Motive zusammen in porter mar alternativ und umfeld 1 und
umfeld2.
des var=porter2 mar2 altern2 umfeld2.1 umfeld2.2.
glm porter2 mar2 altern2 umfeld2.1 umfeld2.2 by cluster /wsfactors=motive (5) simple(5) /print=des
hom eta
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
glm porter2 mar2 altern2 umfeld2.1 umfeld2.2 by gruppe /wsfactors=motive (5) simple(5) /print=des
hom eta
eta/emm=tab(motive)/emm=tab(motive*gruppe)/plot=profile(motive*gruppe)/plot=profile(motive).
glm porter2 mar2 altern2 umfeld2.1 umfeld2.2 by kmu /wsfactors=motive (5) simple(5) /print=des hom
eta eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
*Jetzt interesiert uns nicht die Einbettung des einzelnen Motives gegenüber dem anderen, wir
schauen uns jedes für sich selbst ob es nach Cluster, KMU bzw. Orientierung unterschiedlich
ausgeprägt ist.
glm porter2 mar2 altern2 umfeld2.1 umfeld2.2 by cluster/print=des hom eta.
glm porter2 mar2 altern2 umfeld2.1 umfeld2.2 by gruppe/print=des hom eta.
glm porter2 mar2 altern2 umfeld2.1 umfeld2.2 by kmu/print=des hom eta.
**Jetzt werden nur noch die 2 Ebenen miteinander verglichen (Agglo vs. Umfeld).
glm agglo2 umfeld2 by cluster /wsfactors=motive (2) simple(2) /print=des hom eta
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
glm agglo2 umfeld2 by gruppe /wsfactors=motive (2) simple(2) /print=des hom eta
eta/emm=tab(motive)/emm=tab(motive*gruppe)/plot=profile(motive*gruppe)/plot=profile(motive).
glm agglo2 umfeld2 by kmu /wsfactors=motive (2) simple(2) /print=des hom eta
eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
*Unterschiede univariat.
glm agglo2 umfeld2 by cluster/print=des hom eta.
glm agglo2 umfeld2 by gruppe/print=des hom eta.
*Und nun noch für Frage 4.
des var=a3.1 to d3.4d .
243
glm a3.1 to d3.4d by cluster /wsfactors=motive (14) simple(12) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
*Mit b3.
glm a3.1 to d3.4d by cluster /wsfactors=motive (14) simple(6) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
*Zusätzliche Betrachtung mit c1.
glm a3.1 to d3.4d by cluster /wsfactors=motive (14) simple(7) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
*H1: Nach einzelnen Motiven (Frage 5) und Orientierung.
glm a3.1 to d3.4d by gruppe /wsfactors=motive (14) simple(12) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*gruppe)/plot=profile(motive*gruppe)/plot=profile(motive).
*Zusätzlich nach Unternehmensgröße (kmu).
glm a3.1 to d3.4d by kmu /wsfactors=motive (14) simple(12) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
*Mit b3.
glm a3.1 to d3.4d by gruppe /wsfactors=motive (14) simple(6) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*gruppe).
*Zusätzliche Betrachtung mit c1.
glm a3.1 to d3.4d by gruppe /wsfactors=motive (14) simple(7) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*gruppe).
*Jetzt vergleichen wir nicht die Einbettung (Differenzen der Motive), sondern schauen uns jedes für
sich alleine an, ob es sich nach Cluster, Orientierung und KMU unterscheidet.
glm a3.1 to d3.4d by cluster /print=des eta.
glm a3.1 to d3.4d by gruppe /print=des eta.
glm a3.1 to d3.4d by kmu /print=des eta.
*Die erste Vergröberung. Wir fassend die Motive zusammen in porter mar alternativ und umfeld 1 und
umfeld2.
des var=porter3 mar3 altern3 umfeld3.1 umfeld3.2.
glm porter3 mar3 altern3 umfeld3.1 umfeld3.2 by cluster /wsfactors=motive (5) simple(5) /print=des
hom eta
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
glm porter3 mar3 altern3 umfeld3.1 umfeld3.2 by gruppe /wsfactors=motive (5) simple(5) /print=des
hom eta
eta/emm=tab(motive)/emm=tab(motive*gruppe)/plot=profile(motive*gruppe)/plot=profile(motive).
glm porter3 mar3 altern3 umfeld3.1 umfeld3.2 by kmu /wsfactors=motive (5) simple(5) /print=des hom
eta eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
*Jetzt interesiert uns nicht die Einbettung des einzelnen Motives gegenüber dem anderen, wir
schauen uns jedes für sich selbst ob es nach Cluster, KMU bzw. Orientierung unterschiedlich
ausgeprägt ist.
glm porter3 mar3 altern3 umfeld3.1 umfeld3.2 by cluster/print=des hom eta.
glm porter3 mar3 altern3 umfeld3.1 umfeld3.2 by gruppe/print=des hom eta.
glm porter3 mar3 altern3 umfeld3.1 umfeld3.2 by kmu/print=des hom eta.
244
**Jetzt werden nur noch die 2 Ebenen miteinander verglichen (Agglo vs. Umfeld).
glm agglo3 umfeld3 by cluster /wsfactors=motive (2) simple(2) /print=des hom eta
eta/emm=tab(motive)/emm=tab(motive*cluster)/plot=profile(motive*cluster)/plot=profile(motive).
glm agglo3 umfeld3 by gruppe /wsfactors=motive (2) simple(2) /print=des hom eta
eta/emm=tab(motive)/emm=tab(motive*gruppe)/plot=profile(motive*gruppe)/plot=profile(motive).
glm agglo3 umfeld3 by kmu /wsfactors=motive (2) simple(2) /print=des hom eta
eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
*Unterschiede univariat.
glm agglo3 umfeld3 by cluster/print=des hom eta.
glm agglo3 umfeld3 by gruppe/print=des hom eta.
*Hypothese 2a.
*Für Frage 3.
glm iob1 wob1 gob1 by gruppe /wsfactors=Motiv(3) simple (1)/print=des hom
eta/emm=tab(motiv)/emm=tab(motiv*gruppe)/plot=profile(motiv*gruppe)/plot=profile(motiv).
*Univariat.
glm iob1 wob1 gob1 by gruppe/print=des hom eta.
*Für Frage 4.
glm iob2 wob2 gob2 by gruppe /wsfactors=Motiv(3) simple (3)/print=des hom
eta/emm=tab(motiv)/emm=tab(motiv*gruppe)/plot=profile(motiv*gruppe)/plot=profile(motiv).
glm iob2 wob2 gob2 by gruppe /wsfactors=Motiv(3) simple (1)/print=des hom
eta/emm=tab(motiv)/emm=tab(motiv*gruppe)/plot=profile(motiv*gruppe)/plot=profile(motiv).
*Univariat.
glm iob2 wob2 gob2 by gruppe/print=des hom eta.
*Für Frage 5.
glm iob3 wob3 gob3 by gruppe /wsfactors=Motiv(3) simple (3)/print=des hom
eta/emm=tab(motiv)/emm=tab(motiv*gruppe)/plot=profile(motiv*gruppe)/plot=profile(motiv).
glm iob3 wob3 gob3 by gruppe /wsfactors=Motiv(3) simple (1)/print=des hom
eta/emm=tab(motiv)/emm=tab(motiv*gruppe)/plot=profile(motiv*gruppe)/plot=profile(motiv).
glm iob3 wob3 gob3 by gruppe.
*Univariat.
glm iob3 wob3 gob3 by gruppe/print=des hom eta.
*Hypothese 3.
glm a1.1 to d1.4d by kmu/wsfactors=motive (14) simple(12) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*kmu).
glm a1.1 to d1.4d by KMU/print=des eta.
glm porter1 mar1 altern1 umfeld1.1 umfeld1.2 by kmu /wsfactors=motive (5) simple(5) /print=des hom
eta eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
glm porter1 mar1 altern1 umfeld1.1 umfeld1.2 by kmu/print=des hom eta.
245
glm agglo1 umfeld1 by kmu /wsfactors=motive (2) simple(2) /print=des hom eta
eta/emm=tab(motive)/emm=tab(motive*kmu).
glm agglo1 umfeld1 by kmu/print=des hom eta.
glm a2.1 to d2.4d by kmu/wsfactors=motive (14) simple(12) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
glm a2.1 to d2.4d by KMU/print=des eta.
glm porter2 mar2 altern2 umfeld2.1 umfeld2.2 by kmu /wsfactors=motive (5) simple(5) /print=des hom
eta eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
glm porter2 mar2 altern2 umfeld2.1 umfeld2.2 by kmu/print=des hom eta.
glm agglo2 umfeld2 by kmu /wsfactors=motive (2) simple(2) /print=des hom eta
eta/emm=tab(motive)/emm=tab(motive*kmu).
glm agglo2 umfeld2 by kmu/print=des hom eta.
glm a3.1 to d3.4d by kmu/wsfactors=motive (14) simple(12) /print=des hom
eta/emm=tab(motive)/emm=tab(motive*kmu).
glm a3.1 to d3.4d by KMU/print=des eta.
glm porter3 mar3 altern3 umfeld3.1 umfeld3.2 by kmu /wsfactors=motive (5) simple(5) /print=des hom
eta eta/emm=tab(motive)/emm=tab(motive*kmu)/plot=profile(motive*kmu)/plot=profile(motive).
glm porter3 mar3 altern3 umfeld3.1 umfeld3.2 by kmu/print=des hom eta.
glm agglo3 umfeld3 by kmu /wsfactors=motive (2) simple(2) /print=des hom eta
eta/emm=tab(motive)/emm=tab(motive*kmu).
glm agglo3 umfeld3 by kmu/print=des hom eta.
*Wie verändert sich die Einstellung zu Agglomeration über die Zeit (von Frage 2 zu Frage 4).
glm agglo1 agglo2 agglo3 by cluster/wsfactors=zeit(3)/print=des hom eta/plot=profile(zeit*cluster).
glm agglo1 agglo2 agglo3 by gruppe/wsfactors=zeit(3)/print=des hom eta/plot=profile(zeit*gruppe).
glm umfeld1 umfeld2 umfeld3 by cluster/wsfactors=zeit(3) simple(3)/print=des hom
eta/plot=profile(zeit*cluster).
glm umfeld1 umfeld2 umfeld3 by gruppe/wsfactors=zeit(3) simple(3)/print=des hom
eta/plot=profile(zeit*gruppe).
*Findet sich ein Zusammenhang mit der Einschätzung der Faktoren und der Dauer der Mitgliedschaft
im Cluster.
corr porter1 mar1 altern1 umfeld1.1 umfeld1.2 agglo1 umfeld1 with dmc.
corr porter2 mar2 altern2 umfeld2.1 umfeld2.2 agglo2 umfeld2 with dmc.
corr porter3 mar3 altern3 umfeld3.1 umfeld3.2 agglo3 umfeld3 with dmc.
*Test der unterschiedlichen Bewertung der einzelnen Variablen zw. Bedeutung & Motivationskraft.
t-test
pairs = a1.1 to d1.4d with a3.1 to d3.4d (paired)
/criteria = ci(.95)
/missing = analysis.
*Test der unterschiedlichen Bewertung der einzelnen Variablen zw. Bedeutung & Motivationskraft
(nach Cluster).
glm
glm
glm
glm
glm
glm
glm
glm
glm
glm
a1.1 a3.1 by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
a1.2 a3.2 by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
a1.3 a3.3 by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
b1.1 b3.1 by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
b1.2 b3.2 by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
b1.3 b3.3 by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
c1.1 c3.1 by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
d1.1 d3.1 by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
d1.2 d3.2 by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
d1.3 d3.3 by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
246
glm d1.4a d3.4a by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
glm d1.4b d3.4b by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
glm d1.4c d3.4c by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
glm d1.4d d3.4d by cluster/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*cluster).
*Test der unterschiedlichen Bewertung der einzelnen Variablen zw. Bedeutung & Motivationskraft
(nach Orientierung).
glm
glm
glm
glm
glm
glm
glm
glm
glm
glm
glm
glm
glm
glm
a1.1 a3.1 by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
a1.2 a3.2 by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
a1.3 a3.3 by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
b1.1 b3.1 by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
b1.2 b3.2 by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
b1.3 b3.3 by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
c1.1 c3.1 by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
d1.1 d3.1 by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
d1.2 d3.2 by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
d1.3 d3.3 by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
d1.4a d3.4a by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
d1.4b d3.4b by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
d1.4c d3.4c by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
d1.4d d3.4d by gruppe/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*gruppe).
*Test der unterschiedlichen Bewertung der einzelnen Variablen zw. Bedeutung & Motivationskraft
(nach Orientierung).
glm
glm
glm
glm
glm
glm
glm
glm
glm
glm
glm
glm
glm
glm
a1.1 a3.1 by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
a1.2 a3.2 by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
a1.3 a3.3 by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
b1.1 b3.1 by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
b1.2 b3.2 by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
b1.3 b3.3 by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
c1.1 c3.1 by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
d1.1 d3.1 by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
d1.2 d3.2 by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
d1.3 d3.3 by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
d1.4a d3.4a by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
d1.4b d3.4b by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
d1.4c d3.4c by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
d1.4d d3.4d by kmu/wsfactors=ebenen (2) simple(1)/print=des eta/plot=profile(ebenen*kmu).
Anhang 27: SPSS-Syntax der statistischen Auswertung der Umfrage
247