Kausalmodelle zur Lieferantenbewertung

Wolfgang Irlinger Kausalmodelle zur Lieferantenbewertung GABLER RESEARCH Wolfgang Irlinger Kausalmodelle zur Liefe...

Author: Wolfgang Irlinger

54 downloads 1682 Views 2MB Size Report

This content was uploaded by our users and we assume good faith they have the permission to share this book. If you own the copyright to this book and it is wrongfully on our website, we offer a simple DMCA procedure to remove your content from our site. Start by pressing the button below!
Report copyright / DMCA form

DOWNLOAD PDF

Wolfgang Irlinger Kausalmodelle zur Lieferantenbewertung

GABLER RESEARCH

Wolfgang Irlinger

Kausalmodelle zur Lieferantenbewertung

RESEARCH

Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über abrufbar.

Dissertation der Universität Passau, 2011

Die Arbeit wurde finanziell vom Zentrum für Kommunikationsmanagement, Mannheim, unterstützt.

1. Auflage 2012 Alle Rechte vorbehalten © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2012 Lektorat: Marta Grabowski | Hildegard Tischer Gabler Verlag ist eine Marke von Springer Fachmedien. Springer Fachmedien ist Teil der Fachverlagsgruppe Springer Science+Business Media. www.gabler.de Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlags unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften. Umschlaggestaltung: KünkelLopka Medienentwicklung, Heidelberg Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier Printed in Germany ISBN 978-3-8349-3431-4

V

”The essence of research methodology is to advance understanding by combining theoretical knowledge with empirical knowledge. Without theory, any statistical manipulation of data is of limited value. Without confrontation with data, theory remains imaginary and abstract. Scientific progress depends on a continual dialogue between the two. In this dialogue, one cannot be totally separated from the other: data are interpreted in terms of theoretical context and vice versa.” (Claes Fornell (1987, S. 409))

Inhaltsverzeichnis

VII

Inhaltsverzeichnis Abbildungsverzeichnis . . . . . . . . . . . . . . . . . . . . . . . XV Tabellenverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . XVII Abkürzungsverzeichnis . . . . . . . . . . . . . . . . . . . . . . XVIII Symbolverzeichnis

. . . . . . . . . . . . . . . . . . . . . . . . . XX

1 Einleitung

1

1.1 Problemstellung und Zielsetzung . . . . . . . . . . . . . .

3

1.2 Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . .

4

1.3 Methoden und Modelle . . . . . . . . . . . . . . . . . . . .

6

1.3.1 Begriffsdefinition Methode . . . . . . . . . . . . . .

6

1.3.2 Begriffsdefinition Modell . . . . . . . . . . . . . . .

7

2 Lieferantenmanagement

9

2.1 Lieferantenmanagement im Rahmen der Beschaffung . . . . . . . . . . . . . . . . .

10

2.1.1 Begriff der Beschaffung . . . . . . . . . . . . . . .

10

2.1.2 Ziele der Beschaffung

. . . . . . . . . . . . . . . .

12

2.1.2.1

Kostensenkung . . . . . . . . . . . . . . .

13

2.1.2.2

Qualität . . . . . . . . . . . . . . . . . . .

14

2.1.2.3

Versorgungssicherheit . . . . . . . . . . .

14

VIII

Inhaltsverzeichnis 2.1.2.4

Flexibilität

. . . . . . . . . . . . . . . . .

15

2.1.3 Prozess der Beschaffung . . . . . . . . . . . . . . .

16

2.1.3.1

Situationsanalyse . . . . . . . . . . . . . .

17

2.1.3.2

Bedarfsanalyse . . . . . . . . . . . . . . .

18

2.1.3.3

Beschaffungsmarktanalyse und -auswahl

19

2.1.3.4

Lieferantenanalyse und -auswahl . . . .

20

2.1.3.5

Lieferantenverhandlungen . . . . . . . .

20

2.1.3.6

Beschaffungsabwicklung

. . . . . . . . .

21

2.2 Begriff des Lieferantenmanagements . . . . . . . . . . . .

22

2.2.1 Einordnung in den Beschaffungsprozess . . . . . .

22

2.2.2 Definition des Lieferantenmanagements . . . . . .

23

2.3 Aufgaben des Lieferantenmanagements . . . . . . . . . .

26

2.3.1 Vorauswahl neuer Lieferanten . . . . . . . . . . .

27

2.3.1.1

Lieferantenidentifikation . . . . . . . . .

28

2.3.1.2

Lieferanteneingrenzung . . . . . . . . . .

28

2.3.2 Lieferantenanalyse . . . . . . . . . . . . . . . . . .

31

2.3.3 Lieferantenbewertung und -auswahl . . . . . . . .

34

2.3.4 Lieferantencontrolling . . . . . . . . . . . . . . . .

34

2.4 Einwirkungsmöglichkeiten . . . . . . . . . . . . . . . . . .

35

2.4.1 Lieferantenpflege . . . . . . . . . . . . . . . . . . .

35

2.4.2 Lieferantenerziehung . . . . . . . . . . . . . . . . .

36

2.4.3 Lieferantenentwicklung und -förderung . . . . . .

36

2.5 Kulturelle Unterschiede . . . . . . . . . . . . . . . . . . .

37

Inhaltsverzeichnis

IX

3 Lieferantenbewertung

39

3.1 Quantitative Methoden . . . . . . . . . . . . . . . . . . . .

40

3.1.1 Bilanzanalyse . . . . . . . . . . . . . . . . . . . . .

40

3.1.2 Preis-Entscheidungsanalyse . . . . . . . . . . . . .

43

3.1.3 Kosten-Entscheidungsanalyse . . . . . . . . . . . .

45

3.1.4 Mathematische Programmierung . . . . . . . . . .

46

3.1.5 Kennzahlen . . . . . . . . . . . . . . . . . . . . . .

47

3.2 Qualitative Methoden . . . . . . . . . . . . . . . . . . . . .

48

3.2.1 Grafische Darstellung . . . . . . . . . . . . . . . .

48

3.2.2 Verbale Darstellung . . . . . . . . . . . . . . . . . .

50

3.2.3 Numerische Darstellung . . . . . . . . . . . . . . .

51

3.2.3.1

Notensysteme . . . . . . . . . . . . . . . .

51

3.2.3.2

Punktbewertungsmethoden . . . . . . . .

51

3.2.3.3

Matrix Approach . . . . . . . . . . . . . .

53

3.2.3.4

Nutzwertanalyse . . . . . . . . . . . . . .

54

3.3 Ergänzende Methoden . . . . . . . . . . . . . . . . . . . .

55

3.3.1 Fuzzy Mengen . . . . . . . . . . . . . . . . . . . . .

55

3.3.2 Analytic Network Process . . . . . . . . . . . . . .

56

3.3.3 Activity Based Costing . . . . . . . . . . . . . . . .

56

3.3.4 Weitere multivariate Methoden . . . . . . . . . . .

57

4 Kausalmodelle

59

4.1 Korrelation und Kausalität . . . . . . . . . . . . . . . . .

59

4.2 Entwicklung von Kausalmodellen: Pfadanalyse . . . . . .

60

4.3 Strukturgleichungsmodelle mit latenten Variablen . . . .

61

4.3.1 Manifeste Variablen . . . . . . . . . . . . . . . . .

61

X

Inhaltsverzeichnis 4.3.2 Latente Variablen . . . . . . . . . . . . . . . . . . .

61

4.3.3 Anwendung . . . . . . . . . . . . . . . . . . . . . .

62

4.4 Modellspezifikation . . . . . . . . . . . . . . . . . . . . . .

63

4.4.1 Das Strukturmodell . . . . . . . . . . . . . . . . . .

63

4.4.2 Das Messmodell . . . . . . . . . . . . . . . . . . . .

64

4.4.3 Vollständiges Strukturgleichungsmodell . . . . . .

67

4.5 Ablaufschritte der Kausalanalyse . . . . . . . . . . . . . .

68

4.5.1 Hypothesenbildung und Modellspezifikation . . .

69

4.5.2 Identifikation und Parameterschätzung . . . . . .

70

4.5.3 Modellbeurteilung und Modifikation der Modellstruktur . . . . . . . . . . . . . . . . . . . . . . . .

70

4.5.4 Ergebnisinterpretation . . . . . . . . . . . . . . . .

70

4.6 Lisrel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

71

4.6.1 Entwicklung und Einordnung . . . . . . . . . . . .

71

4.6.2 Lisrel-Modell . . . . . . . . . . . . . . . . . . . . . .

72

4.6.2.1

Verteilungsannahmen . . . . . . . . . . .

72

4.6.2.2

Bezeichnungen und Gleichungen . . . . .

72

4.6.3 Identifizierbarkeit . . . . . . . . . . . . . . . . . . .

76

4.6.4 Parameterschätzungen . . . . . . . . . . . . . . . .

78

4.6.4.1

Unweighted Least Squares (ULS) . . . .

79

4.6.4.2

Generalized Least Squares (GLS) . . . .

79

4.6.4.3

Maximum Likelihood (ML) . . . . . . . .

80

4.6.5 Anpassungsgüte von Lisrel . . . . . . . . . . . . .

81

4.6.5.1

Globale Anpassungsgütemaße . . . . . .

81

4.6.5.2

Lokale Anpassungsgütemaße . . . . . . .

85

Inhaltsverzeichnis

XI

4.7 Partial Least Squares . . . . . . . . . . . . . . . . . . . . . 4.7.1 Entwicklung und Einordnung

87

. . . . . . . . . . .

87

4.7.2 PLS-Modell . . . . . . . . . . . . . . . . . . . . . . .

88

4.7.2.1

Verteilungsannahmen . . . . . . . . . . .

88

4.7.2.2

Bezeichnungen und Gleichungen . . . . .

89

4.7.3 Identifizierbarkeit und Konsistenz . . . . . . . . .

92

4.7.4 PLS Schätzalgorithmus . . . . . . . . . . . . . . .

92

4.7.4.1

Charakterisierung . . . . . . . . . . . . .

92

4.7.4.2

Basisalgorithmus von Wold . . . . . . . .

93

4.7.4.3

Berechnung der Modellparameter . . . .

98

4.7.5 Anpassungsgüte von PLS . . . . . . . . . . . . . .

99

4.7.5.1

Vorgehensweise . . . . . . . . . . . . . . .

99

4.7.5.2

Beurteilung des Strukturmodells . . . . .

99

4.7.5.3

Beurteilung reflektiver Messmodelle . . . 101

4.7.5.4

Beurteilung formativer Messmodelle . . 103

4.7.5.5

Beurteilung des Gesamtmodells . . . . . 105

5 Empirische Untersuchung

107

5.1 Vorgehensweise . . . . . . . . . . . . . . . . . . . . . . . . 107 5.2 Datengrundlage . . . . . . . . . . . . . . . . . . . . . . . . 107 5.3 Hypothesenbildung und Modellspezifikation . . . . . . . 109 5.3.1 Die latenten Konstrukte . . . . . . . . . . . . . . . 109 5.3.2 Hypothesenbildung und das Strukturmodell . . . 110 5.3.3 Spezifikation der Messmodelle . . . . . . . . . . . 111 5.3.3.1

Plausibilitätsüberlegungen . . . . . . . . 111

5.3.3.2

Zuordnung zu den latenten Konstrukten

112

XII

Inhaltsverzeichnis

5.4 Wahl des Schätzalgorithmus . . . . . . . . . . . . . . . . . 112 5.4.1 Lisrel oder Partial Least Squares . . . . . . . . . . 112 5.4.2 Kriterien zur Auswahl . . . . . . . . . . . . . . . . 115 5.4.3 Auswahl von Partial Least Squares . . . . . . . . . 116 5.4.3.1

Exploratives oder konfirmatorisches Design . . . . . . . . . . . . . . . . . . . . . . 116

5.4.3.2

Annahmen . . . . . . . . . . . . . . . . . . 116

5.4.3.3

Stichprobengröße . . . . . . . . . . . . . . 117

5.4.3.4

Formative Messmodelle . . . . . . . . . . 117

5.4.3.5

Komplexität des Modells . . . . . . . . . . 117

5.4.3.6

Entscheidung . . . . . . . . . . . . . . . . 118

5.5 Modellschätzung und Beurteilung . . . . . . . . . . . . . 118 5.5.1 Reflektiv spezifizierte Messmodelle: Modus A . . . 119 5.5.2 Formativ spezifizierte Messmodelle: Modus B . . . 123 5.5.3 Gemischt spezifizierte Messmodelle: Modus C . . 126 5.5.4 Vergleich der Pfadkoeffizienten der Modi . . . . . 129 6 Zusammenfassung und Ausblick

135

A Beschreibung der Daten

139

A.1 Merkmalsvariablen des Datensatzes . . . . . . . . . . . . 139 A.2 Empirische Verteilungen . . . . . . . . . . . . . . . . . . . 141 B Reflektiv geschätztes Kausalmodell

145

B.1 Das Strukturmodell . . . . . . . . . . . . . . . . . . . . . . 145 B.2 Das Messmodell . . . . . . . . . . . . . . . . . . . . . . . . 146 B.3 Modellschätzung . . . . . . . . . . . . . . . . . . . . . . . . 147 B.4 Gütebeurteilung . . . . . . . . . . . . . . . . . . . . . . . . 147

Inhaltsverzeichnis

XIII

C Formativ geschätztes Kausalmodell

153

C.1 Modellschätzung . . . . . . . . . . . . . . . . . . . . . . . . 153 C.2 Gütebeurteilung . . . . . . . . . . . . . . . . . . . . . . . . 156 D Gemischt geschätztes Kausalmodell

159

D.1 Modellschätzung . . . . . . . . . . . . . . . . . . . . . . . . 159 D.2 Gütebeurteilung . . . . . . . . . . . . . . . . . . . . . . . . 163 Literaturverzeichnis

165

XIV

Abbildungsverzeichnis

Abbildungsverzeichnis 1.1 Entwicklung der Fertigungstiefe . . . . . . . . . . . . . .

2

2.1 Ziele der Beschaffung . . . . . . . . . . . . . . . . . . . . .

13

2.2 Phasenmodell des Beschaffungsprozesses . . . . . . . . .

16

2.3 Beschaffungskonstellationen . . . . . . . . . . . . . . . .

18

2.4 Einordnung des Lieferantenmanagements

. . . . . . . .

22

2.5 Aufgabenbereiche des Lieferantenmanagements . . . . .

26

2.6 Trichtermodell zum Selektionsprozess . . . . . . . . . . .

29

3.1 Lieferanten-Gap-Analyse . . . . . . . . . . . . . . . . . . .

49

4.1 Strukturmodell mit drei latenten Variablen . . . . . . . .

63

4.2 Reflektives Messmodell mit drei Indikatoren . . . . . . .

65

4.3 Formatives Messmodell mit drei Indikatoren . . . . . . .

66

4.4 Strukturgleichungsmodell mit drei latenten Variablen .

68

4.5 Ablaufschritte der Kausalanalyse . . . . . . . . . . . . . .

69

4.6 Modi zur äußeren Approximation . . . . . . . . . . . . . .

97

4.7 MIMIC-Modell Implementierung mit Phantomvariable . 106 5.1 Anzahl der Bewertungen je Standort

. . . . . . . . . . . 108

5.2 Strukturmodell des Beispiels . . . . . . . . . . . . . . . . 110

Abbildungsverzeichnis

XV

5.3 Vollständig spezifiziertes Kausalmodell . . . . . . . . . . 113 5.4 Pfadkoeffizienten des Modells (Modus A) . . . . . . . . . 120 5.5 Pfadkoeffizienten des Modells (Modus B) . . . . . . . . . 124 5.6 Pfadkoeffizienten des Modells (Modus C) . . . . . . . . . 127 A.1 Empirische Verteilungen I . . . . . . . . . . . . . . . . . . 141 A.2 Empirische Verteilungen II . . . . . . . . . . . . . . . . . 142 A.3 Empirische Verteilungen III . . . . . . . . . . . . . . . . . 143 B.1 Strukturmodell . . . . . . . . . . . . . . . . . . . . . . . . 145 B.2 Reflektiv geschätztes Kausalmodell

. . . . . . . . . . . . 148

B.3 Reduziert reflektiv geschätztes Kausalmodell

. . . . . . 149

B.4 Streudiagramme der latenten Variablen . . . . . . . . . . 150 C.1 Formativ geschätztes Kausalmodell . . . . . . . . . . . . 154 C.2 Reduziertes formativ geschätztes Kausalmodell . . . . . 155 D.1 Gemischt geschätztes Kausalmodell . . . . . . . . . . . . 160 D.2 Reduziertes gemischt geschätztes Kausalmodell . . . . . 161

XVI

Tabellenverzeichnis

Tabellenverzeichnis 1.1 Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . .

5

2.1 Informationsquellen zur Lieferantenvorauswahl . . . . .

27

3.1 Methoden der Lieferantenbewertung . . . . . . . . . . . .

40

3.2 Bilanzanalyse . . . . . . . . . . . . . . . . . . . . . . . . .

41

3.3 Preis-Entscheidungsanalysen . . . . . . . . . . . . . . . .

43

3.4 Scoringmodell . . . . . . . . . . . . . . . . . . . . . . . . .

53

4.1 Bezeichnungen für das Lisrel-Modell

. . . . . . . . . . .

73

4.2 Schätzverfahren für das Lisrel-Modell . . . . . . . . . . .

78

4.3 Gütemaße für das Lisrel-Modell . . . . . . . . . . . . . . .

81

5.1 Die latenten Konstrukte . . . . . . . . . . . . . . . . . . . 109 5.2 Methodenvergleich PLS und Lisrel . . . . . . . . . . . . . 115 5.3 Einstellungen zur reflektiven PLS Schätzung . . . . . . . 119 5.4 Einstellungen zur formativen PLS Schätzung . . . . . . . 123 5.5 Einstellungen zur PLS Schätzung mit Modus C . . . . . 126 5.6 Vergleich der Pfadkoeffizienten . . . . . . . . . . . . . . . 129 A.1 Merkmalsvariablen des Datensatzes . . . . . . . . . . . . 140

Tabellenverzeichnis

XVII

B.1 Zuordnung der Indikatorvariablen . . . . . . . . . . . . . 146 B.2 Pfadkoeffizienten . . . . . . . . . . . . . . . . . . . . . . . 147 B.5 Übersicht über die Gütemaße . . . . . . . . . . . . . . . . 147 B.3 Koeffizienten des Messmodells . . . . . . . . . . . . . . . 151 B.4 Korrelationen der latenten Variablen . . . . . . . . . . . . 151 B.6 Kreuzladungen . . . . . . . . . . . . . . . . . . . . . . . . 152 C.1 Pfadkoeffizienten . . . . . . . . . . . . . . . . . . . . . . . 153 C.2 Koeffizienten des Messmodells . . . . . . . . . . . . . . . 156 C.3 Korrelationen der latenten Variablen . . . . . . . . . . . . 156 C.4 Übersicht über die Gütemaße . . . . . . . . . . . . . . . . 157 C.5 Kreuzladungen . . . . . . . . . . . . . . . . . . . . . . . . 158 D.1 Pfadkoeffizienten . . . . . . . . . . . . . . . . . . . . . . . 159 D.2 Koeffizienten des Messmodells . . . . . . . . . . . . . . . 162 D.3 Korrelationen der latenten Variablen . . . . . . . . . . . . 163 D.4 Übersicht über die Gütemaße . . . . . . . . . . . . . . . . 163 D.5 Kreuzladungen . . . . . . . . . . . . . . . . . . . . . . . . 164

XVIII

Abkürzungsverzeichnis

Abkürzungsverzeichnis

ACOVS

Analysis of Covariance Structures

AGFI

Adjusted Goodness of Fit

AVE

Average Variance Extracted

bzgl.

bezüglich

bzw.

beziehungsweise

d. h.

das heißt

Diss.

Dissertation

df

Anzahl der Freiheitsgrade / Degrees of Freedom

DWLS

Diagonally Weighted Least Squares

ebd.

ebenda

ESSCA

External Single-Set Components Analysis

et al.

et alii

GFI

Goodness of Fit

GGS

Gewichtungsgleichungssystem

GLS

Generalized Least Squares

Hrsg.

Herausgeber

IK

Interne Konsistenz

Inc.

Incorporation

Abkürzungsverzeichnis IV

Instrumental Variable

KI

Konditionsindex

Lisrel

Linear Structural Relationships

LV

Latente Variable

MIMIC

Multiple Indicators and Multiple Causes

MK

Multikollinearität

ML

Maximum Likelihood

MV

Manifeste Variable

PLS

Partial Least Squares

qmK

quadrierte multiple Korrelation

RMSR

Root Mean Squared Residuals

SCM

Supply Chain Management

SM

Supply Management

SRM

Supplier Relationship Management

TDK

Totaler Determinationskoeffizient

TSLS

Two Stage Least Squares

u. a.

unter anderem

ULS

Unweighted Least Squares

UV

Umgebungsvariable

vgl.

vergleiche

VIF

Variance Inflation Factor

WLS

Generally Weighted Least Squares

z. B.

zum Beispiel

XIX

XX

Symbolverzeichnis

Symbolverzeichnis Δ

Vektor der Residualgrößen

Γ

Direkte Effekte von ξ auf η

Λx

Ladungen von x auf ξ

Λy

Ladungen von y auf η

Φ

Kovarianzen zwischen den ξ Variablen

Ψ

Kovarianzen zwischen den ζ Variablen

Σ0

gültiges Kovarianzstrukturmodell

Θδ

Kovarianzen zwischen den δ Variablen

Θε

Kovarianzen zwischen den ε Variablen

χ2

Chi-Quadrat-Prüfgröße

δ

Residualvariable für eine Indikatorvariable x

η

Latente endogene Variable

μ

Erwartungswert

π

Gewichtungskoeffizient eines Indikators

π

Kreiszahl in Abschnitt 4.6.4.3

ε

Residualvariable für eine Indikatorvariable y

Symbolverzeichnis ξ

Latente exogene Variable

ζ

Vektor der Fehlervariablen

log

Logarithmusfunktion

n

Stichprobenumfang

p + q Anzahl der Indikatorvariablen t

Anzahl der zu schätzenden Parameter

tr

Spur (trace)

B

Direkte Effekte von η auf η

F

Diskrepanzfunktion

I

Einheitsmatrix

S

Stichprobenkovarianzmatrix

X

Vektor der exogenen Indikatoren

Y

Vektor der endogenen Indikatoren

s

Koeffizienten der Stichprobenkovarianzmatrix

x

Exogene Indikatorvariable

y

Endogene Indikatorvariable

Symbole im PLS Modell

η

Latente Variable

λj

Ladungen

θj

Messfehlervariable

XXI

XXII Indikatoren von μ

yj K

Symbolverzeichnis

Ojk Quadratsumme aus der Differenz

k=1

von geschätztem Wert und Mittelwert

Cm

Indexmenge

P Cm

Menge der Vorgänger

S Cm

Menge der Nachfolger

N

Anzahl der Befragungspersonen

Q2j

Stone-Geiser-Testkriterium

R2

Bestimmtheitsmaß

Ω

Matrix der Gewichtungskoeffizienten

∗ ηm

Umgebungsvariable

ωm

Gewichtungskoeffizient zur LV Bestimmung

ρmm Gewichtungskoeffizient Interne Konsistenz (IK)

ρη K

Ejk Quadratsumme der Prognosefehler

k=1

ε

Abbruchkriterium

csv

Inhaltliche Relevanz

corr

Korrelation

cov

Kovarianz

f2

Effektgröße/Effektstärke

fmk+1 Normierungskoeffizient

Symbolverzeichnis k

Iterationszähler

nc

Anzahl der Übereinstimmungen

psa

Index zur Bestimmung der Expertenvalidität

sgn

Vorzeichenfunktion/Signum-Funktion

ρνc(η) Durchschnittlich erfasste Varianz (DEV)

XXIII

Einleitung

1

Kapitel 1 Einleitung Der schnelle technologische Wandel, verkürzte Produktlebenszyklen und zunehmender Wettbewerb stellen Herausforderungen an Unternehmen in zahlreichen Branchen. Ein anhaltender Trend ist die Auslagerung von Aktivitäten, die nicht zu den Kernkompetenzen zählen, an Zulieferer und Dienstleister. So ist inzwischen der Wertschöpfungsanteil von Zulieferern in der Automobilindustrie auf 70 Prozent und mehr angestiegen.1 Die Fertigungstiefe (auch: Wertschöpfungstiefe) bezeichnet in der Wertschöpfungskette den Anteil der Eigenfertigung des Unternehmens bei der Gütererstellung. In Abbildung 1.1 ist die stark rückläufige Entwicklung der Fertigungstiefe von ausgewählten deutschen Automobilherstellern in den Jahren 1985 bis 2007 dargestellt.2 Die fallende Tendenz ist unter anderem auf den steigenden Komplexitätsgrad der Produkte zurückzuführen, welcher zu einer immer stärkeren Spezialisierung der Lieferanten geführt hat. Die Unternehmen gliedern mittlerweile nicht nur die reine Fertigung aus, sondern übertragen in erheblichem Maße auch die Forschung sowie die Entwicklung von Teilen und Komponenten an Lieferanten.3 Folglich steigt die Be1 2 3

Vgl. Dyer (2000, S. 9), Göpfert/Grünert (2006, S. 135 f.) und Rink/Wagner (2007, S. 39). Zu den Branchenbedingungen und dem Strukturwandel in der Automobilindustrie vgl. Arnold (2004, S. 134 f.). Vgl. Adam (2001, S. 198 f.).

W. Irlinger, Kausalmodelle zur Lieferantenbewertung, DOI 10.1007/978-3-8349-7186-9_1, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2012

2

Einleitung

Abbildung 1.1: Entwicklung der Fertigungstiefe (Grafik in Anlehnung an Arnold, 2004, S.130)

deutung des Lieferantenmanagements stetig. Der Beschaffungssektor hat zu Lasten der unternehmensinternen Produktion erheblich an Bedeutung gewonnen, da ein immer größerer Anteil der Wertschöpfung von Zulieferern geleistet wird: „Die Automobilindustrie befindet sich auf dem Weg zur Konzentration auf die Montage, einige Modelle werden inzwischen vollkommen fremdbezogen. Die Textil- und Sportindustrie hat bereits zu großen Teilen die eigene Produktion aufgegeben.”4 Lieferanten tragen demnach entscheidend zur Wettbewerbsfähigkeit des Unternehmens bei. Das Augenmerk der Forschung der vergangenen Jahre lag auf dem Abbau des von vielen bemängelten Methodendefizits im Bereich der Lieferantenbewertung. So wurde gemäß des Methodenpluralismus5 im Sinne eines „Werkzeugkastens”6 eine Vielzahl 4 5

6

Koppelmann (2007, S. 23). Eine umfangreiche Zusammenfassung von Methoden zur Lieferantenbewertung findet sich unter anderem bei Koppelmann (2000), Large (2000), Arnolds/Heege/ Tussing (2001) und Janker (2008). Ernst (1996, S. 4).

Einleitung

3

statistischer Methoden in der Lieferantenbewertung theoretisch eingeführt und auf ihre praktische Anwendung in der Lieferantenbewertung hin untersucht und übernommen.

1.1

Problemstellung und Zielsetzung

Die vorliegende Arbeit greift die Lieferantenbewertung als entscheidenden Teilaspekt des Lieferantenmanagements heraus. Das Ziel der Arbeit ist es, auf Grundlage der bestehenden Theorie zur Lieferantenbewertung ein Kausalmodell zu entwickeln, welches aus den Zielen des Lieferantenmanagements abgeleitet wird. Dieses theoretische Modell bildet die kausalen Zusammenhänge ab und wird anhand empirischer Daten aus der Lieferantenbewertung eines Unternehmens untersucht und geschätzt. Die Zielsetzung ist es nicht, das Spektrum der bisher angewandten Methoden zu erweitern, die primäre Forschungsfrage der Arbeit lautet hingegen: Lassen sich die aus den Zielen der Lieferantenbewertung gebildeten Hypothesen als Kausalmodell darstellen und anhand der empirischen Daten eines Automobilherstellers belegen? Das propagierte Modell wird in den Zusammenhang bisheriger Forschung eingebracht. Hierzu ist ein Überblick über die bestehende Theorie zum Lieferantenmanagement und zur Lieferantenbewertung unabdingbar. In der empirischen Untersuchung werden die theoretischen Überlegungen anhand von Daten, die zur Bewertung der Lieferanten eines Industrieunternehmens erhoben werden, analysiert. Zielsetzung der Arbeit ist es, Beschaffungs- und Lieferantenmanagement darzustellen. Darüber hinaus werden die theoretischen und praktischen Methoden zur Lieferantenbewertung betrachtet und bilden die theoretisch fachliche Grundlage der Arbeit. Als Möglichkeit zur Untersuchung der Zusammenhänge zwischen den Zielen der Beschaffung werden Kausalmodelle verwendet. Hierzu werden diese umfangreich

4

Einleitung

behandelt und bilden das statistisch theoretische Fundament der Arbeit. Die empirische Untersuchung schafft die Verbindung der Kausalmodelle mit der Lieferantenbewertung.

1.2

Aufbau der Arbeit

Die Arbeit ist in sechs Kapitel unterteilt. In Kapitel 1 wird einführend die Notwendigkeit eines professionellen Lieferantenmanagements und eines hohen Stellenwerts der Lieferanten in der Industrie diskutiert. Hieraus werden Problemstellung und Zielsetzung, ein kausales Modell zur Lieferantenbewertung zu entwickeln, präzisiert und abgeleitet. Die Einführung schließt nach der Beschreibung des Aufbaus der Arbeit mit der Abgrenzung der Begriffe Methode und Modell. Kapitel 2 widmet sich dem Lieferantenmanagement und stellt den thematischen Bezugsrahmen her. Nach einer Einordnung des Lieferantenmanagements in die Beschaffung werden dessen Eigenschaften vorgestellt, zu denen u. a. Beschaffungsmerkmale, Strategien zur Beschaffung und die Phasen der Beschaffung zählen. Hierbei wird anhand einer Literaturanalyse der Prozess des Lieferantenmanagements definiert. Die Stellung der Lieferantenbewertung als Teil der Lieferantenauswahl wird im Rahmen des Lieferantenmanagements dargestellt. Kapitel 3 behandelt die Lieferantenbewertung und stellt somit den ersten theoretischen Kern der Arbeit dar. Das Augenmerk liegt hierbei auf der Diskussion von Methoden zur Lieferantenbewertung in Theorie und Praxis. Es wird ein Überblick über die grundlegenden Methoden zur Lieferantenbewertung gegeben und der momentane Stand der Forschung abgebildet. Zudem wird diskutiert, inwieweit Unzulänglichkeiten der Praxis durch die vorgeschlagenen Ansätze behoben werden können. Darüber hinaus werden überblicksartig komplexe Methoden vorgestellt, die im Lieferantenmanagement bisher nur geringe Beachtung gefunden haben.

Einleitung

5 1

Einleitung

2

Lieferantenmanagement

3

Lieferantenbewertung

4

Kausalmodelle

5

Empirische Untersuchung

6

Zusammenfassung und Ausblick Tabelle 1.1: Aufbau der Arbeit

In Kapitel 4 werden die Grundlagen der Kausalanalyse dargestellt. Es wird auf den Begriff der Kausalität, die verwendeten Variablen und die Spezifizierung von Strukturgleichungsmodellen eingegangen. Zudem werden die Ablaufschritte zur Schätzung von Kausalmodellen beschrieben. Daraufhin folgt eine ausführliche Darstellung der möglichen Schätzverfahren Lisrel und PLS für die Kausalmodelle. Dieser Teil stellt den zweiten theoretischen Kern der Arbeit dar.

Nach den theoretischen Abhandlungen in den vorangegangen Abschnitten richtet sich der Fokus in Kapitel 5 auf die empirische Umsetzung des vorgeschlagenen Modells. Hierzu werden umfangreiche Daten zur Lieferantenbewertung eines DAX notierten Industrieunternehmens der Automobilbranche verwendet. Mithilfe des entwickelten Modells werden die kausalen Zusammenhänge bei der Lieferantenbewertung dargestellt und die aus Kapitel 2 gewonnenen Hypothesen überprüft.

Die Schlussbetrachtung in Kapitel 6 fasst die wesentlichen Ergebnisse der Arbeit zusammen und gibt einen Überblick über weiteren Forschungsbedarf und noch offene Fragen.

6

Einleitung

1.3

Methoden und Modelle

Die Arbeit beschäftigt sich mit Kausalmodellen zur Lieferantenbewertung. Ferner werden die in der Lieferantenbewertung angewandten Methoden betrachtet. Im Folgenden soll der Begriff der Methode von dem Begriff des Modells abgegrenzt werden.7

1.3.1

Begriffsdefinition Methode

Eine Methode [griechisch: μ´ εθρδρς m´ ethodos] hat seine Bildung aus met´ a: „hinterher, nach, zu etwas hin” und hod´ os: Weg, Gang, „das Nachgehen, Verfolgen, die Verweglichung, Wegebenung, der Weg”8 . Unter einer Methode wird zum einen ein „auf einem Regelsystem aufbauendes Verfahren, das zur Erlangung von [wissenschaftlichen] Erkenntnissen oder praktischen Ergebnissen dient”9 , zum anderen ein „planmäßiges Vorgehen”10 verstanden. Für eine Methode sind aus dieser etymologischen Erklärung zwei Merkmale maßgeblich, zum einen ein modales Merkmal, welcher Weg auf welche Weise beschritten werden soll und zum anderen ein finales Merkmal, mit welchem Ziel und zu welchem Zweck es verfolgt wird. Hieraus ergibt sich für die allgemeine Sprachauffassung, dass Methoden planmäßig und systematisch11 eingesetzt werden sollen.12 Im Folgenden soll die Begriffsdefinition von Ernst (1996) verwendet werden. „Eine Methode ist eine systematisch bestimmte, prozessual strukturierte Vorgehensregel, durch die ein Anfangszustand in einen Endzustand transformiert wird.”13 Der Vorge7 8 9 10 11

12 13

Eindeutige Begriffsbildungen und - abgrenzungen sind grundlegend für jede wissenschaftliche Betätigung. Vgl. Ernst (1996, S. 8 f.). Duden (1982, S. 489). Ebd. In der Wissenschaft ist dies nicht immer der Fall und es ist entscheidend, dass nicht nur bekannte Inhalte verwendet werden, um an ihnen Methoden zu demonstrieren (Vgl. Koppelmann (2000, S. VI)). Vgl. Ernst (1996, S. 9 f.). Ernst (1996, S. 15). Für eine ausführliche Diskussion des Methodenbegriffs sei an Ernst (1996, S. 7-32) verwiesen.

Einleitung

7

hensweise, grundsätzlich Methoden bis zu deren Erprobung nicht auszuschließen, wird in der Literatur zum Teil kritisch gegenübergestanden.14 „Niemals aber sollte eine Fachwissenschaft von vornherein eine bestimmte, vielleicht noch unerprobte Methode ablehnen und damit auf Forschungsmöglichkeiten verzichten. A priori kommt jede Art von Methodik infrage. Jedes Problem braucht die ihm adäquate Methode.”15 Von dem Begriff der Methode lässt sich der Begriff des Modells folgendermaßen unterscheiden.

1.3.2

Begriffsdefinition Modell

Ein Modell ist ein Abbild der Wirklichkeit. Nach Stachowiak (1973) ist ein Modell durch die Merkmale Abbildung, Verkürzung und Pragmatismus gekennzeichnet. Abbildung: „Modelle sind stets Modelle von etwas, nämlich Abbildungen, Repräsentationen natürlicher oder künstlicher Originale, die selbst wieder Modelle sein können.”16 Verkürzung: „Modelle erfassen im allgemeinen nicht alle Attribute des durch sie repräsentierten Originals, sondern nur solche, die den jeweiligen Modellschaffern und/oder Modellbenutzern relevant scheinen.”17 Pragmatismus: „Modelle sind ihren Originalen nicht per se eindeutig zugeordnet. Sie erfüllen ihre Ersetzungsfunktion a) für bestimmte erkennende und/oder handelnde, modellbenutzende - Subjekte, b) innerhalb bestimmter Zeitintervalle und c) unter der Einschränkung auf bestimmte gedankliche oder tatsächliche Operationen.”18 Pragmatismus bedeutet demnach die Orientierung am Nützlichen. Ein Modell ist einem Original nicht von sich aus zugeordnet. Die Zuordnung wird durch die Fragen: für wen?, wann? und wozu? entschieden. Ein Modell 14 15 16 17 18

Vgl. Koppelmann (2000, S. VI-VII). Kosiol (1961, S. 318). Stachowiak (1973, S. 131). Stachowiak (1973, S. 132). Stachowiak (1973, S. 132 f.).

8

Einleitung

wird vom Modellschaffer innerhalb einer bestimmten Zeitspanne und zu einem bestimmten Zweck für ein Original eingesetzt. Das Modell wird somit interpretiert.19 Der in dieser Theorie festgelegte Modellbegriff ist nicht auf eine Fachdisziplin festgelegt. Das Wort Modell entstand zur Zeit der Renaissance in Italien als ital. modello, hervorgegangen aus lat. modulus, einem Maßstab in der Architektur, und wurde bis ins 18. Jahrhundert in der bildenden Kunst als Fachbegriff verwendet. Um 1800 verdrängte Modell im Deutschen das ältere, direkt vom lat. modulus (Maß(stab)) entlehnte Wort Model (Muster, Form, z. B. Kuchenform).20 Mathematische Modelle sind in mathematischen Formeln beschriebene Modelle. Sie versuchen, die wesentlichen Parameter der meist natürlichen Phänomene zu erfassen. Durch die formelle Beschreibung kann ein Modell berechnet und wissenschaftlich geprüft werden.21 Ein valides Modell kann zur Prognose eines zukünftigen Verhaltens genutzt werden. „Methoden und Modelle sind auf zweifache Weise miteinander verbunden. Zum einen muss das Modell selber mittels eines Methode gebildet werden, zum anderen bedarf die Anwendung von Methoden häufig die Modellbildung als formale Voraussetzung.”22

19 20 21 22

Vgl. Stachowiak (1973, S. 133). Vgl. Müller (1983, S. 23 f.). Bekannte Anwendungsfälle mathematischer Modelle sind etwa Prognosen des Klimawandels, des Wetters oder die Statik eines Gebäudes. Ernst (1996, S. 22 f.).


9

Kapitel 2 Lieferantenmanagement Das Lieferantenmanagement befasst sich mit der Ausgestaltung der Lieferanten-Abnehmer-Beziehung. Es soll ein Lieferantenstamm aufgebaut und erhalten werden, dessen Mitglieder sich durch Kontinuität, Leistungsfähigkeit und Lieferbereitschaft auszeichnen.23 Falls die Geschäftsbeziehungen zum Lieferanten längerfristig - wenn auch nicht zwingend unterbrechungsfrei - aufrecht erhalten werden sollen, ist im weiteren Verlauf ein Lieferantenmanagement vorzunehmen.24 Hierbei sind nicht nur die Lieferanten selbst, sondern die Beziehungen zu den Lieferanten zu managen.25 In diesem Kapitel wird zunächst das Lieferantenmanagement in den umfassenden Bezugsrahmen der Beschaffung eingegliedert, wobei der Beschaffungsbegriff, die Ziele und der Ablauf der Beschaffung erläutert werden. Anschließend wird detailliert auf die Inhalte des Lieferantenmanagements eingegangen.

23 24 25

Vgl. Arnolds/Heege/Tussing (2001, S. 263). Vgl. Bogaschewsky (2005, S. 42). Vgl. Hartmann (2004, S. 20).


10


2.1

Lieferantenmanagement im Rahmen der Beschaffung

Für den Erfolg eines Unternehmens ist die Beschaffung von entscheidender Bedeutung.26 Eine stärkere Beachtung des Beschaffungsbereiches fordern und liefern die Arbeiten von Koppelmann (1994, 1995 und 2000)27 , Bogaschewsky (2005)28 und Janker (2004)29 . Johnson/Leenders/ Fearon (2006) belegen für die Praxis mit einer 16jährigen Langzeitstudie zunehmende Wichtigkeit der Beschaffung in Unternehmen: „[...] in North American companies, supply has grown substantially in corporate status and influence since 1987.”30 Für den Raum Deutschland, Österreich und Schweiz zeigt Wagner (2001) in einer Befragung von 173 Industrieunternehmen die zunehmende Bedeutung der Beschaffung und des Lieferantenmanagements.31 Im Folgenden wird der Begriff der Beschaffung genau erläutert.

2.1.1

Begriff der Beschaffung

Die Beschaffung bildet den Kernbereich des Versorgungsmanagements und wird bis heute annähernd gleich definiert.32 Nach Arnold (1995) umfasst die Beschaffung „sämtliche unternehmens- und/oder marktbezogene Tätigkeiten, die darauf gerichtet sind, einem Unternehmen die benötigten aber nicht selbst hergestellten Objekte verfügbar zu machen”.33 Das Begriffsverständnis der Beschaffung besonders im Hinblick auf die Beschaffungsobjekte ist jedoch durchaus heterogen. Die 26 27 28 29 30 31 32 33

Vgl. Glantschnig (1994, S. 1); Vgl. Fröhlich-Glantschnig (2005, S. 1). Vgl. Koppelmann/Glantschnig (1994); Vgl. Koppelmann (1995); Vgl. Koppelmann (2000). Vgl. Bogaschewsky (2005, S. 32). Vgl. Janker (2004, S. 1); Vgl. Janker (2008, S. 1). Johnson/Leenders/Fearon (2006, S. 33). Vgl. Wagner (2001, S. 22 f.). Vgl. Bedacht (1995, S. 9). Arnold (1995, S. 3).


11

Vertreter einer umfassenden Beschaffungslehre zählen Personal, Kapital, Anlagen, Rechte, Material und Informationen zu den Inputfaktoren.34 Diese Auffassung der Beschaffung zeigt die Nähe zu wissenschaftlich eigenständigen Forschungsgebieten wie Personal- und Finanzwirtschaft auf, wird jedoch zumeist abgelehnt.35 Im Rahmen dieser Arbeit soll das engere Begriffsverständnis verwendet werden, das sich auf reale Sachgüter (Anlagen und Material) und Dienstleistungen beschränkt: „Hauptaufgabe der Beschaffung ist die Versorgung der Unternehmung mit Material.”36 Ferner ist die Beschaffung neben dem Absatz die Schnittstelle des Unternehmens zu seinem Umfeld im Sinne einer systemtheoretischen Betrachtungsweise. Koppelmann (2000) sieht die Beschaffung als einen Teil der Unternehmensfremdversorgung, deren Hauptaufgabe die zielgerichtete Planung und Realisation von Vertragsabschlüssen mit Lieferanten ist. Die Beschaffung soll Lösungen zur bestmöglichen Versorgung des Unternehmens liefern. Im Englischen entspricht die Beschaffung dem auch in der deutschsprachigen Literatur häufig verwendeten Begriff des Supply Management (SM).37 Unter Supply Chain Management (SCM) wird die Betrachtung erweitert: „Supply Chain Management (SCM) ist das gesamtheitliche, integrierte und kundenorientierte Planen, Gestalten, Steuern und Optimieren von inner- und überbetrieblichen Material- und zugehörigen Informationsflüssen mit dem Ziel, ein Ergebnisoptimum im Wertschöpfungsnetzwerk, welches sich vom Rohstofflieferanten über die einzelnen Fertigungsstufen bis hin zum Endkunden erstreckt, zu schaffen.”38 34

35 36 37

38

Vgl. Grochla (1977); Vgl. Grochla/Schönbohm (1980). Eine umfassende Diskussion zum Objektumfang des Beschaffungsbegriffs findet sich bei Meyer (1990, S. 21-25). Vgl. auch Eßig (2005, S. 9-10). Vgl. Bedacht (1995, S. 9), Janker (2004, S. 13). Piontek (1997, S. 1). Vgl. Koppelmann (2000, S. 5). Unter Supply Management wird zum Teil auch das Versorgungsmanagement verstanden, welches sich aus den Bereichen Beschaffung, Logistik und Materialwirtschaft zusammensetzt (Vgl. Arnold (1995, S. 8)). Staberhofer/Rohrhofer (2007, S. 38). Die Begriffe Supply Management und Supply Chain Management werden teilweise synonym verwendet und sind nicht

12


Nach der Definition der Beschaffung39 sollen deren Ziele festgelegt werden.

2.1.2

Ziele der Beschaffung

„Mit Zielen werden zukünftige Realitätszustände beschrieben, die man durch Aktionen erreichen, erhalten oder verhindern möchte.”40 Betrachtet man die Beschaffung als funktionales Subsystem des Unternehmens, so müssen sich deren Ziele aus den Unternehmenszielen ableiten.41 Als Ziel der Beschaffung wird häufig das Erreichen eines „materialwirtschaftliche[n] Optimum[s]”42 postuliert. Demnach soll das benötigte Objekt in der erforderlichen Menge und Qualität zur vorgegebenen Zeit am rechten Ort bereitgestellt werden.43 Aufgrund der heterogenen Struktur von Beschaffungsmärkten und -objekten können diese von verschiedenen Faktoren beeinflusst sein.44 Es lassen sich jedoch bei hinreichender Abstraktion die in Abbildung 2.1 dargestellten allgemeingültigen Ziele der Kostensenkung, der Qualität, der Versorgungssicherheit und der Flexibilität für die Beschaffung unterscheiden. Diese Ziele der Beschaffung werden wie folgt beschrieben:

39

40 41

42 43

44

immer einheitlich definiert (Vgl. Koppelmann, 2000, S. 5). Eine Abgrenzung der Begriffe findet sich bei Wagner (2001, S. 85). Die beiden Konzepte des SCM und des SM dominieren einander nicht, sondern koexistieren: ”It is not a matter of which is better, supplier management or SCM. The two concepts are not independent of each other, but rather coexist” (Hinds (1998, S. 4)). In der Wissenschaft und Praxis existiert keine einheitliche Definition bzw. Abgrenzung der Begriffe „Beschaffung” und „Einkauf”. Zur Aufarbeitung der Begriffe vgl. Kaufmann (2002, S. 9-13). Koppelmann (2000, S. 102). Vgl. Arnold (1995, S. 10). Umfassend werden die Ziele als Untersuchungsobjekt von Meyer (1990, S. 28-46) behandelt. In einem Literaturvergleich zeigt er die zum Teil unterschiedlichen Zielaspekte auf (Vgl. Meyer (1990, S. 85-89)). Arnold (1995, S. 8). Vgl. Arnold (1995, S. 8). Eine ausführliche Darstellung zum materialwirtschaftlichen Optimum findet sich bei Grochla (1992, S. 19-23). Zum Teil wird das materialwirtschaftliche Optimum um das Merkmal des günstigsten oder richtigen Preises erweitert (Vgl. Koppelmann, 2000, S. 106), was in Anbetracht des MinMax Prinzips fraglich erscheint. Vgl. Hammann/Lohrberg (1986, S. 47).


13

Abbildung 2.1: Ziele der Beschaffung (Eigene Darstellung)

2.1.2.1

Kostensenkung

Bei den Kosten werden Beschaffungsobjektkosten und Beschaffungsfunktionskosten unterschieden. Durch die Beschaffungsobjektkosten, welche sich aus den mit Einstandspreisen bewerteten Mengen der beschafften Einsatzfaktoren ergeben, nimmt die Beschaffung wesentlichen Einfluss auf die Erreichung der Kostenziele aller Funktionsbereiche.45 Darüber hinaus fallen Verpackung, Transport, Lagerung und Versicherungen unter die Beschaffungsobjektkosten. Zu den Beschaffungsfunktionskosten zählen hingegen die Kosten für die Durchführung der Beschaffungsaufgaben im Unternehmen.46 Die Optimierung bzw. Senkung der Kosten bildet die erste wesentliche Gruppe von Beschaffungszielen.47 45 46 47

Vgl. Meyer (1990, S. 95). Vgl. Hildebrandt (1989, S. 47). Vgl. Meyer (1990, S. 94).

14


2.1.2.2

Qualität

Es besteht eine starke Abhängigkeit zwischen der gewünschten Qualität der Beschaffung und der des Absatzes. „Im Qualitätsziel spiegelt sich im Wesentlichen die Grundidee des Marketing wider, die im Wesentlichen die Befriedigung der Verwender- oder Abnehmeransprüche durch die betriebliche Absatzleistung zum Inhalt hat.”48 Der Qualitätsaspekt bezieht sich hauptsächlich auf die Merkmale des Beschaffungsobjekts. Aufgrund der angenommenen Zielkonkurrenz zwischen Kosten und Qualität gilt es einen bestmöglichen Kompromiss zwischen den beiden Zielen zu erreichen.49

2.1.2.3

Versorgungssicherheit

Ein unverzichtbares Ziel stellt die Versorgungssicherheit dar, da nur so eine planvolle Leistungserstellung erfolgen kann.50 Im Extremfall kann es zur „Nichterhältlichkeit der vereinbarten Leistung”51 kommen. Eine Überschneidung mit dem Qualitätsziel besteht dann, wenn bei mangelnder Versorgung auf minderwertige Qualität ausgewichen werden muss, um die Versorgung sicherzustellen. Auch das Lieferzeitrisiko, das beispielsweise für Just-in-time-Produktion oder Lagerhaltung bestimmend ist, fällt unter den Punkt der Versorgungssicherheit. Maßgeblich wird die Sicherung der Versorgung durch die Zuverlässigkeit der Lieferanten bestimmt.52 Sind Objekte leicht zu beschaffen, so tritt das Sicherungsziel in den Hintergrund und man kann sich stärker auf das folgende Ziel der Flexibilität konzentrieren. 48 49 50 51 52

Meyer (1990, S. 103). Vgl. Janker (2004, S. 17). Vgl. Arnold (1995, S. 12). Koppelmann (2000, S. 118). Vgl. Janker (2004, S. 17).

Lieferantenmanagement 2.1.2.4

15

Flexibilität

Als Beschaffungsflexibilität wird die „Anpassungsfähigkeit an unerwartete Ereignisse in der entscheidungsrelevanten Umwelt”53 bezeichnet. Je weniger zukünftige Ereignisse vorhersehbar sind,54 desto stärker rückt das Ziel einer flexiblen Planung in den Vordergrund. Es ist somit teilweise komplementär zum Ziel der Versorgungssicherheit. Zum anderen können Bestrebungen des Unternehmens nach Unabhängigkeit durch Beschaffungsflexibilität realisiert werden: „Je größer der Handlungsspielraum und damit die Beschaffungsflexibilität des beschaffenden Betriebes ist, um so größer ist ceteris paribus auch die Unabhängigkeit gegenüber Machtwirkungen von Lieferanten. Nicht der tatsächliche, sondern die Einschätzung des Handlungsspielraums bestimmt das Macht- oder Abhängigkeitsverhältnis.”55 Die genannten Ziele sind nicht allumfassend und ihre Gewichtung ist entscheidened vom Objekt sowie von der gewählten Wettbewerbsstrategie des Unternehmens wie Kostenführerschaft, Differenzierung und Konzentration auf Schwerpunkte beeinflusst.56 Ein chronologischer Literaturüberblick zu Beschaffungszielinhalten ausgewählter Beiträge zur theoretischen Beschaffungslehre findet sich bei Meyer (1990, S. 87-88).57 Die Ziele und deren Gewichtung sind individuell für die zu beschaffenden Objekte festzulegen. Im Folgenden soll auf den Ablauf der Beschaffung eingegangen werden. 53 54 55

56

57

Meyer (1990, S. 145). Zum Beispiel in wirtschaftlich instabilen Zeiten. Meyer (1990, S. 149). Als Beispiel zur Operationalisierung des Flexibilitätsziels sei hier die Lieferantenanzahl angeführt: Die Flexibilität eines Unternehmens ist sicher geringer, wenn man von nur einem Lieferanten abhängig ist (single sourcing), als wenn man zwischen mehreren Lieferanten auswählen kann (multiple sourcing) (Vgl. Piontek (1997, S. 8-11)). Vgl. Arnold (1995, S. 11-12). Ausführlich widmet sich Porter (1990) (im Englischen Original Porter (1980)) Wettbewerbsstrategien in der Beschaffung. Diese Übersicht wird von Koppelmann (2000, S. 108-109) leicht erweitert. Forschungsbedarf besteht, inwiefern sich in der neueren Zeit diese Ziele verlagert bzw. entwickelt haben (Vgl. Koppelmann (2000, S. 110)).

16


2.1.3

Prozess der Beschaffung

Abbildung 2.2: Phasenmodell des Beschaffungsprozesses (In Anlehnung an Koppelmann, 2000, S. 47)

Um die Beschaffungsentscheidung zu verdeutlichen und ein besseres Entscheidungsergebnis zu erzielen, entwickelte Koppelmann (2000)58 das in Abbildung 2.2 dargestellte Phasenmodell des Beschaffungsprozesses. Hierbei unterteilt er den Ablauf der Beschaffung in die sechs aufeinanderfolgenden Phasen Situationsanalyse, Bedarfsanalyse, Beschaffungsmarktanalyse und -auswahl, Lieferantenanalyse und Lieferantenauswahl, Lieferantenverhandlungen und Beschaffungsabwicklung.59 Mithilfe des Modells wird der gesamte Beschaffungsprozess abstrahiert. Bogaschewsky (2005) verwendet dieses Phasenmodell und hebt hervor, dass in der Literatur zu selten auf die grundlegende Struktur des Beschaffungsprozesses eingegangen wird.60 Besonders wichtig 58 59 60

Vgl. Koppelmann (2000, S. 45-47). Vgl. Koppelmann (1997, S. 39-43); Vgl. Koppelmann (2000, S. 39-43). Ein weniger komplexes Phasenmodell wird von Piontek (1997, S. 1) verwendet. Er untergliedert den Beschaffungsprozess in die Phasen Beschaffungsvorbereitung, Beschaffungsanbahnung und Beschaffungsrealisation. Vgl. hierzu auch Hammann/Lohrberg (1986, S. 7) und Seggewiß (1985, S. 27). Diese weniger auf den Lieferanten gerichtete Perspektive als Phasen des Bestellvorgangs findet sich schon bei Arnolds/Heege/Tussing (1978, S. 184).


17

sind die Rückkopplungen und Zusammenhänge zwischen den einzelnen Phasen für den Erfolg des Unternehmens.61 Die nachfolgenden Ausführungen sollen in Kürze den Kern der einzelnen Phasen erläutern.62

2.1.3.1

Situationsanalyse

Die Situationsanalyse bezieht sich allgemein auf den Entscheidungshintergrund jedes Funktionsbereiches des Unternehmens. Für die Beschaffungsentscheidung ist zunächst die Beschaffungskonstellation, d. h. Gegebenheiten und Zustände, die das Beschaffungshandeln beeinflussen, ausschlaggebend. Die Konstellation setzt den Handlungsrahmen und birgt sowohl Chancen als auch Risiken. Eine Veränderung dieser kann schleichend oder abrupt eintreten (z. B. Qualitätsverschlechterung der gelieferten Teile eines Zulieferers oder Nachfrageeinbruch), weshalb eine ständige Beobachtung des Beschaffungsmarktes notwendig ist. Eine Unterteilung der Beschaffungskonstellationen lässt sich aufgrund ihrer Bedingungen (siehe Abbildung 2.3) treffen. Veränderungen der Konstellationen können durch den Beschaffungsmarkt (z. B. Preisexplosionen), den Absatzmarkt (z. B. Konkurrenz), das eigene Unternehmen (z. B. Produktionsfehler) oder das Umfeld (z. B. wirtschaftliche Instabilität) induziert sein.63 Die Auswirkungen von Konstellationen lassen nach Koppelmann (2000) bloße Handlungsroutinen als nicht ausreichend erscheinen und erfordern ein Verständnis für den Handlungszusammenhang.64 Zudem sind für die Situationsanalyse zum einen verfolgte Ziele mit den daraus abgeleiteten Strategien und Maßnahmen, zum anderen vorhandene Beschaffungspotenziale bedeutsam. Die Potenzialanalyse gibt Auskunft über Stärken und Schwächen eines Unternehmens, um strategische Entscheidungspro61 62 63 64

Vgl. Bogaschewsky (2005, S. 39 f.). Der interessierte Leser sei an dieser Stelle an Koppelmann (1997, 2000) verwiesen. Vgl. Koppelmann (2000, S. 86-92). Vgl. Koppelmann (2000, S. 92-94).

18


Abbildung 2.3: Beschaffungskonstellationen (In Anlehnung an Koppelmann, 2000, S. 88) zesse zu unterstützen.65 Potenziale begrenzen kurzfristig den Handlungsspielraum der Beschaffung. Durch eine Potenzialanalyse werden aktuelle Stärken und Schwächen des Unternehmens aufgezeigt.66 Wo lassen sich Potenziale sinnvoll auf-, ab- oder umbauen? Welcher Nutzen und welche Kosten sind damit verbunden?67 2.1.3.2

Bedarfsanalyse

Mit der Feststellung des Bedarfs beginnt der Beschaffungsprozess. In dieser Phase werden Bedarfsanforderungen getroffen, die den gesamten weiteren Entscheidungsunterstützungsprozess beeinflussen.68 Deshalb steht die Bedarfsanalyse im „Mittelpunkt des Beschaffungshandelns”69 . Die Bedarfsanforderungen lassen sich in Objekt- und Modalitätsanforderungen unterteilen. Häufig wird nur auf die Objektanforderungen Leistung und Menge eingegangen. Zunehmend gewinnen in 65 66 67 68 69

Vgl. Hammer (1992, S. 30). Als entscheidend gilt hierbei die Informationspflege. Eine Potenzialanalyse, die nicht aktuell ist, hat für ein Unternehmen lediglich historischen Wert. Vgl. Koppelmann (2000, S. 143-145). Vgl. Koppelmann (1997, S. 41). Koppelmann (2007, S. 24). Werden die Bedarfsanforderungen nicht korrekt festgelegt, so lassen sich diese später schwerlich optimieren.


19

diesem Bereich die Modalitätsanforderungen Zeit, Ort, Entgelt, Lieferung, Service und Information an Bedeutung. In dieser Phase ist es entscheidend, dass die Beschaffungsbereiche ihre Aufgaben nicht allein auf das Ausführen von Vorgaben anderer Funktionsbereiche70 reduzieren, sondern eigene Kompetenz hinsichtlich Materialsubstitutionen einbringen.71

2.1.3.3

Beschaffungsmarktanalyse und -auswahl

Hartmann (1993) bezeichnet diese Phase als Beschaffungsmarktforschung und sieht in ihr das Kerngebiet des Beschaffungsmarketings.72 Sie „umfasst alle Aktivitäten, die das systematische Zusammentragen und Verarbeiten von Informationen betreffen, um fundierte Kenntnisse über die Bedingungen und Vorgänge auf bisherigen oder möglichen zukünftigen Beschaffungsmärkten zu erlangen.”73 Welche Märkte eignen sich, um nach Lieferanten zu suchen und welche Ziele können realisiert werden?74 Ein entscheidender Faktor ist die Konkurrenzsituation auf den Märkten. Weitere Merkmale, nach denen sich Beschaffungsmärkte differenzieren lassen, sind Kosten, Leistungen und Risiken. Kostenmerkmale haben u. a. zu globalen Beschaffungsstrategien (global sourcing) geführt, welche bei der Abwägung von Leistungsmerkmalen wie Liefertreue und Beschaffungsrisiken für die Wahl eines Beschaffungsmarktes ausschlaggebend sind.75 70 71 72 73 74 75

Koppelmann (2000, S. 155 f.) beschreibt ausführlich diese Problematik. Vgl. Bogaschewsky (2005, S. 41). Dies kann mitunter in Form von Wertanalysen geschehen. Vgl. Hartmann (1993, S. 28 f.). Hartmann (1993, S. 162). Vgl. Koppelmann (1997, S. 64). Unter der Berücksichtigung der Transportkosten ist es in manchen Industrien sinnvoll sich in der Nähe seiner Zulieferer zu befinden, wie z. B. bei Just-in-timeProduktion. In anderen Industrien, wie beispielsweise der Softwareindustrie, ist dies weniger entscheidend.

20


2.1.3.4

Lieferantenanalyse und -auswahl

Hat man in der vorausgehenden Beschaffungsmarktanalyse den Bereich festgelegt, in dem man suchen sollte, so ist die Aufgabe dieser Phase geeignete Lieferanten zu finden. Koppelmann (2000) zählt hierzu die Lieferantenbewertung, welche er als den Endpunkt der Analyse bezeichnet.76 Die Lieferantenanalyse dient als Grundlage für die Lieferantenauswahl, worunter noch nicht die endgültige Entscheidung für einen Lieferanten fällt, sondern durch die der Kreis der potenziellen Lieferanten festgelegt werden soll.77 Die Analyse dient der Vorauswahl und bestimmt, mit welchen Lieferanten in Verhandlung getreten werden soll.78

2.1.3.5

Lieferantenverhandlungen

In dieser Phase der Beschaffung sollen die Bedarfsanforderungen im Sinne des ökonomischen Prinzips zu möglichst geringen Kosten beim Lieferanten durchgesetzt werden.79 Diesem Prinzip steht die AnreizBeitrags-Theorie80 entgegen, nach welcher den Lieferanten so viele Anreize geboten werden sollten, dass sie an einer langfristigen Geschäftsbeziehung interessiert sind. Dies gilt es bei den Lieferantenverhandlungen abzuwägen. Ferner müssen geeignete Instrumente für die Verhandlungen gefunden werden. Diese Instrumente müssen auf objektund situationsspezifische Substitutions- und Abhängigkeitsstrukturen analysiert, bewertet und für die Zukunft prognostiziert werden.81 76 77 78 79 80 81

Vgl. Koppelmann (2000, S. 233). Vgl. ebd. S. 234. Vgl. Ernst (1996, S. 45). Vgl. Koppelmann (2000, S. 276). Zur Anreiz-Beitrags-Theorie in der Beschaffung vgl. Koppelmann (2000, S. 6469). Vgl. Ernst (1996, S. 45 f.) und Janker (2004, S. 21 f.). Bogaschewsky (2005, S. 40-42) hingegen fasst die Phase der Lieferantenverhandlung mit der Phase der Lieferantenanalyse und -auswahl zusammen.

Lieferantenmanagement 2.1.3.6

21

Beschaffungsabwicklung

Die letzte Phase des Modells hat im Vergleich zu den vorangehenden strategischen Phasen einen operativen Charakter. Sie beinhaltet die folgenden Teilaspekte: Die Bestellung als formalen Abschluss des Prozesses, die Beschaffungsüberwachung als Qualitäts-, Mengen- und Modalitätsüberwachung sowie die Entsorgung.82 Sämtliche Phasen des Beschaffungsprozesses werden durch Information und Kontrolle83 begleitet und rückwirkend verbunden. Hierbei werden die Ergebnisse der einzelnen Phasen sowie des gesamten Beschaffungsprozesses mit den a priori festgelegten Zielen verglichen: „Die Beschaffungskontrolle sollte Bestandteil eines umfassenderen Beschaffungscontrollings sein, das den gesamten Beschaffungsprozess hinsichtlich Planungs-, Steuerungs- und Kontrollaufgaben begleitet. Insofern stellt sie einerseits den Abschluss des individuellen Prozesses dar, ist andererseits jedoch eine permanente, begleitende Aufgabe.”84 Nach der Definition der Beschaffung, deren Ziele und der Darstellung des Phasenmodells zur Beschaffung soll nun das Lieferantenmanagement einer detaillierten Betrachtung unterzogen werden.

82 83 84

Vgl. Koppelmann (2000, S. 332-339). Vgl. zu Performance Controlling auch Buck (2005, S. 460 f.). Bogaschewsky (2005, S. 43).

22


2.2

Begriff des Lieferantenmanagements

Das Lieferantenmanagement bildet in zweierlei Hinsicht den Kernbereich der Beschaffung. Zum einen steht es an zentraler Stelle in der Mitte des Beschaffungsprozesses und zum anderen ist es für den Erfolg der Beschaffung von entscheidender Bedeutung.

2.2.1

Einordnung in den Beschaffungsprozess

Abbildung 2.4: Einordnung des Lieferantenmanagements (Eigene Darstellung) In Abbildung 2.4 wird das Lieferantenmanagement in den zuvor dargestellten Prozess der Beschaffung eingeordnet. Der Schwerpunkt des Lieferantenmangements liegt auf den Phasen der Lieferantenanalyse und -auswahl und der Lieferantenverhandlung.85 Maßgeblich fließen jedoch auch die übrigen Beschaffungsphasen indirekt als Entscheidungsgrundlage für das Lieferantenmanagement ein; so hat zum Beispiel die Beschaffungsmarktauswahl oder die Bedarfsanalyse Einfluss auf die Auswahl potenzieller Lieferanten.86 Eine isolierte Betrachtung 85 86

In diesen Prozessphasen liegt die direkte Schnittstelle zwischen Unternehmen und Lieferanten. Janker (2004, S. 23) definiert das Lieferantenmanagement als einen Prozess, der die Schritte Identifikation potenzieller Lieferanten über deren Bewertung bis hin zur Kontrolle der Lieferantenbeziehung umfasst.


23

des Lieferantenmanagements von der Beschaffung erscheint aufgrund der Koppelung an den Beschaffungsprozess nicht sinnvoll.

2.2.2

Definition des Lieferantenmanagements

Der Begriff des Lieferantenmanagements fand bisher meist wenig Aufmerksamkeit.87 So wurde Lieferantenmanagement zunächst als selbsterklärend hingenommen und verwendet.88 Erst in neuerer Zeit werden die Definitionen präziser und umfangreicher. Das Spektrum der Definitionen erstreckt sich vom bloßen Schlagwort bis hin zum komplexen Beziehungsmanagementkonzept.89 In der Literatur herrscht weitgehendes Einvernehmen, dass die Schnittstelle von Lieferanten und Abnehmern sowie die Ausgestaltung der Beziehung zu diesen im Vordergrund des Lieferantenmanagements steht. Bezüglich der Verhandlungsmacht gegenüber den Lieferanten bestehen jedoch unterschiedliche Auffassungen. Glantschnig (1994) verwendet zwar nicht explizit den Begriff Lieferantenmanagement, versteht jedoch unter den Phasen der Analyse, Bewertung, Auswahl und Kontrolle von Lieferanten das wesentliche Entscheidungsproblem im Umgang mit Zulieferern.90 Koppelmann (2000) subsumiert unter dem Begriff des Beschaffungsmarketing91 den gesamten Prozess des Beschaffungshandelns. Die in seinem Prozessmodell in Abbildung 2.2 dargestellten Phasen zählt er 87 88

89 90 91

Vgl. Wagner (2001, S. 87). Vgl. Wagner (2001, S. 87), Vgl. Janker (2004, S. 32). Eine umfassende Darstellung der Lieferantenmanagement-Terminologien und deren Verwendung in der Literatur findet sich bei Wagner (2001, S. 88-99). Vgl. Janker (2004, S. 32). Vgl. Glantschnig (1994, S. 10-15). Mit dem Begriff Beschaffungsmarketing soll eine andere Denkweise und ein anderer Handlungsstil zum Ausdruck gebracht werden. Nämlich, dass die Beschaffungsaufgabe ein auf den Versorgungsmarkt gerichtetes Führungskonzept des Unternehmens darstellt (Vgl. Koppelmann (2000, S. 5)). Vgl. zur Definition des Beschaffungsmarketing auch Biergans (1986, S. 202 f.).

24


hierzu. Ferner betont er die Wichtigkeit der Pflege der Lieferantenbeziehungen zu den wichtigsten Lieferanten.92 Nach Wagner (2001) umfasst das Lieferantenmanagement ein integriertes und umfassendes Konzept, bei dem die Gestaltung, Lenkung und Entwicklung von Lieferantenportfolios und Lieferantenbeziehungen im Vordergrund stehen.93 „Ziel ist es, die Versorgung des Unternehmens mit qualitativ hochwertigen Erzeugnissen (Produkten und Dienstleistungen) zu geringen Kosten zu sichern. Über den gesamten Produktlebenszyklus hinweg muss mit denjenigen Lieferanten zusammengearbeitet werden, die die Bedürfnisse des Unternehmens am effizientesten befriedigen.”94 In einer empirischen Untersuchung zeigte sich, dass das Lieferantenmanagement basierend auf den drei Hauptaktivitäten Management der Lieferantenbasis, Lieferantenentwicklung und Lieferantenintegration zunehmend an Bedeutung gewinnt.95 Das Lieferantenmanagement beinhaltet nach Bogaschewsky (2005) „u. a. die kontinuierliche Bewertung, Entwicklung und Qualifizierung der Lieferanten sowie das Beziehungsmanagement mit diesen. Bei Beschaffungen aus Rahmenverträgen sowie bei einigen weiteren Routineeinkäufen reduziert sich diese Phase - abgesehen vom kontinuierlichen Lieferantenmanagement - auf die reine Wahl des Lieferanten, sofern nicht ohnehin ein Single Sourcing vorgegeben wurde.”96 Janker (2004) beschreibt in seiner umfassenden Definition Lieferantenmanagement als Prozess: „[Dieser] beginnt bei der Identifikation von Lieferanten und führt zur strategischen Lieferantensteuerung, die unter anderem Lieferantenintegration, -pflege und -entwicklung beinhaltet.”97 Die Entwicklung Lieferantenbeziehungen zu pflegen äußert sich auch 92 93 94 95 96 97

Vgl. Koppelmann (2000, S. 256-259). Vgl. Wagner (2001, S. 87); Vgl. Wagner (2002, S. 11 f.). Rink/Wagner (2007, S. 39). Vgl. Wagner (2002, S. 11) und vgl. Wagner (2001). Vgl. Bogaschewsky (2005, S. 42). Janker (2004, S. 33).


25

in dem Begriff des Supplier Relationship Management (SRM) dessen Wurzeln im Lieferantenmanagement liegen. Hierunter wird eine proaktive Gestaltung aller Lieferbeziehungen eines Unternehmens über alle Geschäftsbereiche hinweg sowie eine kontinuierliche Weiterentwicklung des strategischen Lieferantenmanagements verstanden.98 Einen kritischen Beitrag zur Top Down Mentalität im Umgang mit Lieferanten und dem Versuch Lieferanten zu managen liefert Lamming (2005). So habe sich durch die Verwendung der Begriffe Supply Chain Management (SCM)99 und Supplier Relationship Management die Komplexität immens erhöht, ein wesentliches Umdenken in der Beziehung zu Lieferanten sei jedoch nicht geschehen: „Underpinning the move to lean supply is the courage necessary to remove the top-down attitudes of traditional purchasing. Without this, it appears [that] benefits of genuinely strategic supply relationship management remain unattainable for firms.”100 Kennzeichnend für eine geringere Beachtung der Lieferantenperspektive scheint auch die Tatsache, dass nur eine geringe Anzahl an dyadischen Studien101 existiert. Jedoch ist in der Theorie für strategisch wichtige Lieferanten festzustellen, dass eine Entwicklung von einem opportunistischen Verhalten hin zu einem partnerschaftlichen Verhältnis propagiert wird.102 Anhand der ausgewählten Definitionen wird deutlich, dass das Lieferantenmanagement eine stete Entwicklung erfahren hat. Es ist ferner eine Entwicklung hin zu einer komplexen Betrachtung der Schnittstelle Lieferant Abnehmer in Form der Versorgungskette (Supply Chain), des Beziehungsmanagements (Relationship Management) bis hin zu komplexen Netzwerken (Complex Networks) zu erkennen. Die damit 98

99 100 101 102

Vgl. Appelfeller/Buchholz (2005, S. 33). Eine weitere Wurzel des SRM liegt in der Verwendung des Begriffs von IT-Anbietern wie Onventis, SAP und Peoplesoft (Vgl. Appelfeller/Buchholz (2005, S. 34)). Zur Koexistenz der Konzepte des SCM und des Lieferantenmanagements (Supplier Management) vgl. Wagner (2001, S. 84-87). Lamming (2005, S. 94). Dyadische Studien sollen eine beidseitige Betrachtung der Schnittstelle und somit auch die Sichtweise der Lieferanten wiedergeben. Vgl. Lamming (2005, S. 93 f.).

26


Abbildung 2.5: Aufgabenbereiche des Lieferantenmanagements (Eigene Darstellung) verbundene Steigerung der Komplexität macht es schwer, eine allumfassende Definition zu liefern. Im Folgenden sollen anhand eines Modells die Aufgaben des Lieferantenmanagements beschrieben werden.

2.3

Aufgaben des Lieferantenmanagements

Lieferantenmanagement rein als Prozess zu beschreiben ist sinnvoll, um den grundlegenden Ablauf darzustellen. Teilweise lassen sich die Aufgabenbereiche des Lieferantenmanagements jedoch schwer in einen Prozess fassen. Um alle Aufgabenbereiche zu erfassen, wird das in Abbildung 2.5 dargestellte Modell verwendet. Im Mittelpunkt stehen die vier Prozessschritte Lieferantenbewertung, Lieferantencontrolling, Lieferantenauswahl und Lieferantenanalyse. Handelt es sich um eine Neuprodukteinführung, so kommt die Vorauswahl neuer Lieferanten hinzu. Als Mittel zur Beeinflussung oder Steuerung der Lieferantenbeziehung hat das Unternehmen die Möglichkeit zur Integration, Pflege, Förderung, Erziehung und zum Ausschluss der Lieferanten.


27

Primäre Quellen

Sekundäre Quellen

Lieferantenbefragung Selbstauskunft Messen/Ausstellungen Fachtagungen Marktforschungsinstitute Kontakte mit Verkäufern Betriebsbesichtigungen Angebote Probelieferungen Innerbetriebliche Quellen

Fachpublikationen Referenzen Amtliche Statistiken Firmenverzeichnisse Börsen- und Marktberichte Internet Datenbanken Werbung Publikationen von Lieferanten Tageszeitungen

Tabelle 2.1: Informationsquellen zur Lieferantenvorauswahl (In Anlehnung an Janker, 2004, S. 35)

2.3.1

Vorauswahl neuer Lieferanten

Um eine Vorauswahl von Lieferanten zu treffen, gilt es zunächst diese zu identifizieren und einzugrenzen. Zunächst ist zu prüfen, ob das Unternehmen schon über geeignete Lieferanten verfügt, die für das Neuprodukt in Frage kommen. Darüber hinaus neue Lieferanten auf dem Markt zu finden, obliegt der Beschaffungsmarktforschung. Man unterscheidet primäre und sekundäre Quellen, über die Informationen zu den Lieferanten beschafft werden können. Unter primären Quellen versteht man direkt auf den Beschaffungsmärkten erhobene Daten, um potenzielle Lieferanten zu identifizieren. Bei sekundären Quellen wird auf Daten, die ursprünglich für einen anderen Zweck erhoben worden sind, zurückgegriffen. In Tabelle 2.1 ist eine Auswahl relevanter primärer und sekundärer Informationsquellen zur Lieferantenvorauswahl dargestellt. Die aus der Vorauswahl gewonnenen Ergebnisse lassen sich nun zur Identifikation und Eingrenzung von Lieferanten heranziehen.103 103

Vgl. Janker (2008, S. 34 f.).

28


2.3.1.1

Lieferantenidentifikation

Zunächst sollte das Feld der potenziellen Lieferanten bestimmt werden. Hierbei ist es sinnvoll sich zunächst auf das reine Beschaffungsobjekt zu beschränken und festzustellen, wer das entsprechende Objekt anbietet. Eine reine Beschaffungsobjektorientierung hat jedoch den Nachteil, dass diese sich auf historische Daten beschränkt.104 Koppelmann (2000) weist darauf hin, dass ein Unternehmen, das bisher das entsprechende Produkt nicht anbietet, wohl aber in der Lage dazu sein könnte. Folglich empfiehlt er die erweiterte Branche105 zu betrachten, möglicherweise findet sich ein expansionswilliger Branchenhersteller, der sein Produktsortiment entsprechend erweitern möchte. Bei neuen Teilen, wie zum Beispiel Spezialprodukten, kann die Ähnlichkeit zu anderen Produkten zur Identifikation dienen. Zum einen kann hierunter die Suche nach ähnlichen Produkten, zum anderen die Verfahrenswahl der Lieferanten verstanden werden. Hierbei steht der Identifikationsaspekt im Vordergrund, eine Auswahl des Lieferanten erfolgt erst später.

2.3.1.2

Lieferanteneingrenzung

Die identifizierten Lieferanten sollen in der Lieferanteneingrenzung auf ihre Eignung als Zulieferer für das beschaffende Unternehmen überprüft werden.106 Ziel ist es, die Anzahl der Lieferanten zu verringern, um eine Vorauswahl in Frage kommender Lieferanten dem detaillierten Prozess der Lieferantenanalyse und -bewertung zu unterziehen.107 Man kann Lieferanteneingrenzung als den ersten Schritt eines nun folgenden und in Abbildung 2.6 dargestellten Selektionsprozesses auffassen. In diesem Prozess wird die Anzahl der Lieferanten 104 105 106 107

Vgl. hierzu und im Folgenden Koppelmann (2000, S. 239). Koppelmann (2000, S. 239). Vgl. hierzu und im Folgenden Janker (2008, S. 36). Koppelmann (2000, S. 239 f.) versteht unter Lieferanteneingrenzung auch die Kontaktaufnahme mit den potenziellen Lieferanten.


29

Abbildung 2.6: Trichtermodell zum Selektionsprozess (In Anlehnung an Schneider/Müller, 1989, S. 13) sukzessive reduziert, und es werden schrittweise detailliertere Informationen über die noch zur Auswahl stehenden Lieferanten gewonnen. Zur Lieferanteneingrenzung eignen sich folgende Mittel: a) Lieferantenselbstauskunft Um die Lieferanten unter der Vielzahl der an Informationsquellen einzugrenzen, erscheint die Möglichkeit der Lieferantenselbstauskunft am geeignetsten. Anhand eines Merkmalskatalogs werden die Informationen direkt beim Lieferanten erfragt. Problematisch ist hierbei die Subjektivität der Selbstauskunft, da der Lieferant einen Anreiz hat sich unter Umständen besser darzustellen als er ist.108 Deshalb sollte eine Selbstauskunft stets um Daten aus unabhängigen Quellen siehe Tabelle 2.1 erweitert und durch Rückfragen beim Lieferanten ergänzt werden.109 Eine systematisierte Vorgehensweise, welche Merkmale zu den Bereichen Organisation, Produkt und Fertigung, Finanz108 109

Vgl. Janker (2004, S. 37). Eine ausführliche Darstellung der Lieferantenselbstauskunft findet sich bei Koppelmann (2000, S. 240-245) sowie Janker (2004, S. 37 f.).

30


kraft, Qualitätssicherung, Logistik und Service, Kommunikation und Umweltschutz des potenziellen Lieferanten für die Selbstauskunft festlegt, findet sich bei Glantschnig (1994).110

b) Zertifizierung

Da die Lieferanten einen immer höheren Teil der Wertschöpfungskette abdecken,111 ist die Überprüfung der Qualität komplexer geworden. Ferner erhöhen sich hierdurch die Ansprüche an die Leistungsfähigkeit und die gesamten Geschäftsprozesse der Lieferanten. Eine Möglichkeit für Lieferanten, diese Fähigkeiten nachzuweisen, bieten Qualitätsmanagementsysteme und deren Zertifizierung. Hierbei dienen Zertifikate bereits bei der Lieferanteneingrenzung zur Vorauswahl.112 Als eine der bedeutensten Normen für den Aufbau eines QM-Systems ist die branchenunabhängige Reihe DIN EN ISO 9000 zu nennen.113 Die wichtigsten Punkte der Norm DIN EN ISO 9001114 sind ein über das Unternehmen hinausgehendes Prozessmodell mit den Forderungen Verantwortung der Leitung, Management von Ressourcen, Produktrealisierung und Messung, Analyse und Verbesserung.115

110 111 112 113

114

115

Vgl. Glantschnig (1994, S. 127-136). Vgl. Kapitel 1. Vgl. hierzu und im Folgenden Janker (2004, S. 39). Diese Norm ist durch ihre internationale Gültigkeit als etabliertes Mittel zur Lieferantenvorauswahl akzepiert. Kritsch anzumerken ist, dass die DIN EN ISO 9000 keine Garantie für Spitzenqualität ist, sondern lediglich Mindestanforderungen an den Lieferanten sicherstellt. Vgl. Arnolds/Heege/Tussing (2001, S. 378). Diese legt die Anforderungen an ein Qualitätsmanagementsystem für den Fall fest, dass eine Organisation ihre Fähigkeit darlegen muss, Produkte bereitzustellen, welche die Anforderungen der Kunden und allfällige behördliche Anforderungen erfüllen, und anstrebt, die Kundenzufriedenheit zu erhöhen (Aktueller Stand: Dezember 2008; www.din.de). Vgl. Weigand (1998, S. 184).


31

c) K.O.-Kriterien Eine zusätzliche Möglichkeit um die Lieferantenauswahl einzugrenzen bieten K.O.-Kriterien.116 Mit diesen können Lieferanten ausgesondert werden, die gewisse Mindestanforderungen nicht erfüllen.117 „Auch an dieser Stelle bleibt festzuhalten, da[ss] eine unternehmensspezifische Anpassung unbedingt vorzunehmen ist. So kann die Justin-time-Fähigkeit eines Unternehmens unter Umständen zu einem K.O.Kriterium werden, wenn die Produktion des Beschaffers eine produktionssynchrone Beschaffung verlangt.”118 K.O.- Kriterien variieren demnach in Abhängigkeit des jeweiligen Beschaffungsobjekts.119

2.3.2

Lieferantenanalyse

Die Lieferantenanalyse umfasst die Ermittlung, Aufbereitung, Verarbeitung und Darstellung von Informationen über potenzielle Lieferanten. Im Mittelpunkt steht die Erforschung der Leistungsfähigkeit, welche in einer Momentaufnahme festgehalten wird. Die so gewonnenen Informationen fließen in die Bewertung und Auswahl der Lieferanten ein.120 Eine Ergänzung dieser Momentaufnahme erfolgt durch die Lieferantenbeobachtung, die die Leistungsfähigkeit des Lieferanten im Zeitablauf dokumentiert und somit auf den Ergebnissen der vorausgegangenen Lieferantenanalysen aufbaut.121 Die Ergebnisse aus der Beschaffungsmarktforschung und der Lieferantenselbstauskunft werden zusammengetragen und für die Lieferantenbewertung aufbereitet. Ziel der Lieferantenanalyse ist es, genaue Kenntnis über die Leistungsfähigkeit der Lieferanten zu erhalten, um für die folgende Lieferanten116 117 118 119 120 121

Vgl. Hartmann/Pahl/Sporer (1992, S. 34). Glantschnig (1994, S. 134-136) nennt hier eine Vielzahl an Auswahlkriterien und spezifiziert mögliche K.O.-Kriterien. Glantschnig (1994, S. 134 f.). Vgl. hierzu auch Janker (2004, S. 40 f.). Vgl. Glantschnig (1994, 12). Vgl. Hartmann/Pahl/Sporer (1992, S. 18).

32


bewertung eine transparente Betrachtung zu ermöglichen.122 Auditierung Die Auditierung von Lieferanten verfolgt den Zweck die Leistungsfähigkeit potenzieller Lieferanten systematisch und umfassend zu untersuchen.123 Hierfür kann ein Fragenkatalog eingesetzt werden, der dem jeweiligen Beschaffungsobjekt angepasst werden muss.124 Audits sind Informationssysteme, mit deren Hilfe man zu einem bewerteten Bild über Wirksamkeit und Problemangemessenheit von Maßnahmen zur Qualitätssicherung kommt. Ziel der Auditierung ist es, Schwachstellen aufzudecken, Anregungen für Verbesserungen zu geben und Qualitätssicherungsmaßnahmen zu überwachen.125 Grundsätzlich sind drei Arten von Audits, die unter dem Begiff Qualitätsaudit zusammengefasst werden können, zu unterscheiden: Das Verfahrensaudit, das Produktaudit und das Systemaudit.126 Verfahrensaudit Das Verfahrensaudit, auch Prozessaudit genannt, soll Schwachstellen in qualitätswirksamen Prozessen der Leistungserstellung aufdecken. Beim Verfahrensaudit werden die Wirksamkeit der im Unternehmen eingesetzten Maßnahmen zur Prozessverbesserung, zur Vermeidung irreparabler oder teuer zu behebender Fehler untersucht. Durch rechtzeitiges Eingreifen sollen Fehler erkannt und Fehlerursachen abgestellt werden. Dabei geht es um die Beurteilung der Wirksamkeit von Qualitätssicherungselementen, die Bestätigung der Qualitätsfähigkeit bzw. der Einhaltung und Zweckmäßigkeit bestimmter Prozesse und Tätigkeiten und die Ermittlung von Verbesserungsmaßnahmen.127 122 123 124 125 126

127

Vgl. Knapp/Durst/Bichler (2000, S. 42). Vgl. Weigand (1998, S. 183). Vgl. Dreyer (2000, S. 134-136). Vgl. Kamiske/Brauer (2007, S. 5). In Bezug auf die Sicherung der Qualität von Zukaufteilen bedeutet die Durchführung von Audits eine sehr enge Zusammenarbeit von Lieferant und Abnehmer (Wildemann (1988, S. 119)). Vgl. Pfeifer (2001, S. 355 f.) und Kamiske/Brauer (2007, S. 8).


33

Produktaudit Ein Produktaudit ist die Untersuchung einer kleinen Zahl von fertigen Produkten auf Übereinstimmung mit den vorgegebenen Spezifikationen. Es erfolgt als nachträglich feststellende Überprüfung im Sinne einer Momentaufnahme aus der Sicht des Auftraggebers.128 Das Produktaudit ist von den Warenseingangskontrollen zu trennen, da es immer am Standort des Lieferanten stattfindet. Bei einer regelmäßigen Durchführung kann es jedoch durch Qualitätsprüfungen am Wareneingang abgelöst werden.129 Systemaudit Als Systemaudit wird die Auditierung des Qualitätsmanagementsystems bezeichnet. Ziel ist es, Aussagen über dessen Wirksamkeit zu treffen. Anhand der Kenntnisse des Personals sowie der praktischen Anwendung und Existenz der vorgeschriebenen Instrumente zur Qualitätssicherung wird das Qualitätsmanagementsystem und dessen Einhaltung überprüft.130 Als weitere Formen der Auditierung zählen das Dienstleistungsaudit, das sich zum Beispiel auf Lagerung, Transport und Versand des Lieferanten beziehen kann, und das Öko-Audit131 , das die umweltgerechte Produktion des Lieferanten dokumentiert. Das Öko-Audit ist ein Verfahren, bei dem ein Betrieb freiwillig sein Umweltverhalten überprüft, verbessert und offenlegt. Kernpunkt ist der Aufbau eines Umweltinformationssystems (Umweltmanagement), das auf eine kontinuierliche Verbesserung des betrieblichen Umweltschutzes abzielt. Strese/Thiele/ Winzer (2000) weisen darauf hin, dass die unterschiedlichen Auditarten in Kombination oder simultan durchgeführt sollten.132 Die Ergeb128 129 130 131

132

Kamiske/Brauer (2007, S. 7). Vgl. Wildemann (1993, S. 39 f.). Vgl. Kolleck (1994, S. 636). Galt das Ziel umweltgerechter Produktion früher als umstritten (vgl. Meyer (1990, S. 170)), so ist diese spätestens mit der Verordnung der Europäischen Union von 1993 zum Öko-Audit fester Bestandteil bei der Auswahl von Lieferanten (Vgl. Janker (2004, S. 43)). Vgl. Strese/Thiele/Winzer (2000, S. 1439).

34


nisse der Lieferantenanalyse bilden die Basis für die Lieferantenbewertung, die im Folgenden genauer betrachtet wird.

2.3.3

Lieferantenbewertung und -auswahl

In der Lieferantenbewertung erfolgt eine systematische Bewertung der Leistungsfähigigkeit der ausgewählten Lieferanten. Die verwendeten Bewertungskriterien, die Vorgehensweise und die zur Bewertung eingesetzten Verfahren133 sind vorab festzulegen.134 Um ein umfassendes Bild vom Lieferanten zu bekommen, sollten in Abhängigkeit vom Beschaffungsobjekt hinreichend viele Fachbereiche135 in den Beschaffungsprozess eingebunden werden. Die Beurteilung der Lieferanten erfolgt von allen einbezogenen Fachbereichen gemäß ihrer Spezialisierung. Hierbei kommt der Beschaffungsabteilung des Unternehmens die Koordination und Führung der Bewertungsaktivitäten zu, da diese die Hauptschnittstelle des Unternehmens zum Lieferanten ist.136 Eine detaillierte Darstellung der Lieferantenbewertung erfolgt in Kapitel 3. Die Lieferantenbewertung dient zum einen der Neuauswahl von Lieferanten und zum anderen dem im Folgenden beschriebenen Lieferantencontrolling.

2.3.4

Lieferantencontrolling

Mit Lieferantencontrolling wird die fortlaufende Überprüfung sowie Überwachung der Leistungserfüllung der Lieferanten bezeichnet. Je wichtiger der Lieferant oder das Beschaffungsobjekt für das Unternehmen ist, desto detaillierter sollten Kontrollen erfolgen. Eine Möglichkeit, Lieferanten nach ihrer Bedeutung für das Unternehmen zu 133 134 135

136

Auf die Bewertungsverfahren wird ausführlich in Kapitel 3 eingegangen. Fuchs/Zachau (2000, S. 52-54). Mögliche Fachbereiche sind Forschung und Entwicklung, Konstruktion, Produktion, Qualitätssicherung, Beschaffung, Logistik, Absatz, Datenverarbeitung und Finanzen. Vgl. Janker (2004, S. 44).


35

gliedern, bietet die Lieferantenstrukturanalyse.137 Die Merkmale zur Klassifikation lassen sich in Lieferantenmerkmale und Beziehungsmerkmale unterteilen. Anhand dieser Merkmale lassen sich die Lieferanten zum Beispiel mittels einer ABC-Analyse in homogene Lieferantengruppen einteilen, die in gleichem Maße kontrolliert werden.138 Das eigentliche Lieferantencontrolling beginnt mit der Prüfung der Leistungserfüllung beim Lieferanten oder der Wareneingangsprüfung. Um die Qualitätsansprüche und Versorgungssicherheit des Unternehmens nachhaltig zu gewährleisten, ist die Kontrolle mittels Kennzahlen entscheidend.139 Durch einen Soll-Ist-Vergleich zwischen den geforderten sowie tatsächlichen Qualitäts-, Termin- und Mengenleistungen lassen sich Tendenzen erkennen und Leistungsdefizite aufdecken. Gegebenenfalls sollten die im folgenden Abschnitt beschriebenen Einwirkungsmöglichkeiten auf den Lieferanten ergriffen werden.140

2.4

Einwirkungsmöglichkeiten

Zu einer aktiven Lieferantenpolitik gehört neben der Auswahl und Bevorzugung bestimmter Lieferanten die Fragestellung nach den Möglichkeiten einer Einflussnahme auf den Lieferanten. Um auf Lieferanten einzuwirken, können unterschiedliche Mittel verwendet werden.141

2.4.1

Lieferantenpflege

Das wichtigste Instrument, mit dem die Beschaffung versucht, Einfluss auf den Lieferanten auszuüben, ist die Lieferantenpflege. lhr obliegt die Aufgabe, für gute Beziehungen zu den Lieferanten zu sorgen 137 138 139 140 141

Vgl. Large (2000, S. 99). Eine ausführliche Darstellung der Lieferantenstrukturanalyse findet sich bei Large (2000, S. 99-111). Vgl. Large (2000, S. 201). Large (2000, S. 199-218) beschreibt ausführlich die Kontrolle der LieferantenAbnehmer-Beziehung. Vgl. Arnolds/Heege/Tussing (1978, S. 228).

36


und auf diese Weise zur Erhaltung des Leistungsniveaus der Lieferanten beizutragen.142 Mithilfe der Lieferantenpflege schafft die Beschaffung ein vertrauensvolles Verhältnis zwischen dem Abnehmer und dem Lieferanten.143 Die Einhaltung von Verpflichtungen, Aufrichtigkeit gegenüber den Lieferanten sowie Diskretion im Umgang mit vertraulichen Informationen können hier einen wertvollen Beitrag leisten.144

2.4.2

Lieferantenerziehung

Nicht immer wenn ein Unternehmen mit den Leistungen des Lieferanten unzufrieden ist, wird es diesen sofort durch einen anderen ersetzen wollen oder können.145 Unter Lieferantenerziehung werden Maßnahmen verstanden, die der Abnehmer einsetzen kann, um den Lieferanten zu überdurchschnittlichen Leistungen zu motivieren. Sowohl die Anerkennung guter Leistungen als auch die gezielte Einflussnahme durch beispielsweise Sanktionen, wenn die Lieferantenleistung den Anforderungen nicht entspricht, stellen hierbei Möglichkeiten zur Einflussnahme dar.146 Wird im Lieferantencontrolling eine noch unkritische Häufung von kleineren Fehlern entdeckt, sind verstärkte Kontrollen der Lieferungen notwendig. Spätestens wenn die Fehler über einen längeren Zeitraum auftreten, ist zur Beseitigung der Defizite ein Lieferantengespräch mit Zielvereinbarung angebracht, in dem Verbesserungsmaßnahmen erarbeitet werden.147

2.4.3

Lieferantenentwicklung und -förderung

Unter Lieferantenentwicklung und - förderung werden sämtliche Maßnahmen zur Unterstützung bestehender oder potenzieller Lieferanten 142 143 144 145 146 147

Vgl. hier zu und im Folgenden Arnolds/Heege/Tussing (1978, S. 228). Vgl. Arnolds/Heege/Tussing (1978, S. 229). Vgl. Hapke (1989, S. 113). Vgl. Arnolds/Heege/Tussing (1978, S. 230). Vgl. Hapke (1989, S. 120). Vgl. Knapp/Durst/Bichler (2000, S. 46 f.).


37

durch das Unternehmen verstanden. So unterstützt das beschaffende Unternehmen den Lieferanten aktiv bei der Erbringung einer Leistung, die bereits zu seinem Leistungsspektrum gehört. Ziel ist es, dass die Lieferanten ihre Leistung im Hinblick auf Qualitäts- und Kostengesichtspunkte für die Zukunft effizienter erstellen können.148 Hahn/ Watts/Kim (1990) entwerfen ein prozessuales Lieferantenentwicklungsprogramm, wobei sie als Startpunkt für die Lieferantenentwicklung vorangegangene Bewertungen der Lieferanten sehen.149 Wichtig ist, dass zwischen dem beschaffenden Unternehmen und dem Lieferanten ein partnerschaftliches Verhältnis besteht.150 Als einen entscheidenden Erfolgsfaktor für das Unternehmen bestätigt Wagner (2001) die Kommunikation mit den Lieferanten.151 In seiner Studie sind diejenigen Unternehmen erfolgreicher, die keine Information vorenthalten und einen fortlaufenden und informellen Informationsaustausch mit ihren Zulieferern pflegen.152 Für eine umfangreiche Darstellung der Lieferantenentwicklung wird auf Wagner (2001) verwiesen.

2.5

Kulturelle Unterschiede

Das Lieferantenmangement eines Unternehmens ist auch durch die kulturellen Unterschiede verschiedener Länder geprägt. Die Wahl der Anzahl von Lieferanten und die Ausgestaltung der Beziehung zu diesen kann durch das kulturelle Umfeld maßgeblich beeinflusst sein. Dies soll exemplarisch an den Ländern USA und Japan veranschaulicht werden. Dyer (1996) zeigt in seiner Studie, dass der amerikani148 149 150 151 152

Vgl. Wagner (2001, S. 211). Vgl. Hahn/Watts/Kim (1990, S. 4). Krause/Ellram (1997, S. 44) stellten in ihrer Studie fest, dass die Dauer der Beziehung zum Lieferanten nicht entscheidend ist. Vgl. Wagner (2001, S. 213). Zu diesem Ergebnis kamen zuvor Krause/Ellram (1997, S. 48 f.). Watts/Hahn (1993, S. 10) stellen in ihrer Studie über Maßnahmen zur Lieferantenentwicklung fest, dass diese am häufigsten in Großunternehmen eingesetzt werden, und dass für die erfolgreiche Lieferantenentwicklung die formelle Lieferantenbewertung entscheidend ist.

38


sche Automarkt dem japanischen im Hinblick auf Kosten und Qualität unterlegen ist.153 Als entscheidenden Wettbewerbsvorteil sieht er die hochspezialisierten Lieferantennetzwerke der japanischen Unternehmen und deren enge Zusammenarbeit mit den Lieferanten.154 Dyer/Cho/Chu (1998) vergleichen empirisch die Lieferantenbeziehungen in den Ländern USA, Japan und Korea. Die von den Autoren aufgezeigten Unterschiede zwischen den USA und Japan veranschaulichen: In den USA herrschte traditionell das sogenannte Arm’s Length Model mit zahlreichen Preisverhandlungen - bis zu 50 % der Zeit wurde für Verhandlungen mit Lieferanten verwendet.155 Den Verwaltungs- und Koordinationsaufwand bei einer Vielzahl von Zulieferern sehen die Autoren als teuer erkaufte Unabhängigkeit von den Lieferanten an. Darüber hinaus erweisen sich in den USA der fehlende Wissenstransfer zwischen dem Unternehmen und den Zulieferern sowie hohe Anlaufkosten beim Wechsel der Lieferanten als nachteilig. In Japan ist das Prinzip der Keiretsu156 führend, welches durch ein partnerschaftliches Verhältnis des Unternehmens zu seinen Lieferanten und einer geringeren Anzahl von Lieferanten charakterisiert ist. In Japan hat die engere und längerfristig ausgelegte Zusammenarbeit mit den Lieferanten den Vorzug einer schlanken Produktion mit geringeren Kapitalbindungskosten.157 Nach der umfassenden Darstellung des Lieferantenmanagements in Kapitel 2, wird im folgenden Kapitel auf die Lieferantenbewertung eingegangen. Es wird ein Überblick über die zur Lieferantenbewertung herangezogenen Methoden und den Stand der theoretischen Forschung in diesem Bereich gegeben werden.

153 154 155 156 157

Für eine ausführliche Darstellung dieser Thematik sei hier auf Dyer (2000) verwiesen. Vgl. Dyer (1996, S. 271 f.). Vgl. hierzu und im Folgenden Dyer/Cho/Chu (1998, S. 57 f.). Keiretsu (jap. wörtlich: Reihe, Linie) bezeichnet japanische Zusammenschlüsse von Unternehmen, auch „wirtschaftliche Verbundgruppen“ genannt. Vgl. Dyer/Cho/Chu (1998, S. 59 f.).


39

Kapitel 3 Lieferantenbewertung Dieses Kapitel gibt einen Überblick über die grundlegenden Methoden, die zur Lieferantenbewertung herangezogen werden können. An erster Stelle nennt Glantschnig (1994) als Anforderung an die Lieferantenbewertung die konsequente und nachvollziehbare Berücksichtigung der Ziele eines Unternehmens. Speziell die Ziele der Funktionsbereiche und die Instrumentalziele der Beschaffung, sowie deren Einfluss auf die Lieferantenbewertung sind von entscheidender Bedeutung.158 Die Methoden zur Lieferantenbewertung lassen sich in quantitative und qualitative Methoden gliedern.159 In Tabelle 3.1 ist diese Einteilung der Methoden getrennt nach der Art der Methode dargestellt. Rein quantitative Methoden basieren meist auf metrisch skalierten Merkmalen, die sich in Form von Gleichungssystemen darstellen lassen und eine optimale Lösung bieten.160 Hingegen sind qualitative Methoden generelle Einflüsse auf die Ziele, ohne deren genaues Ausmaß bestimmen zu können, oder stellen subjektive Einschätzungen und Meinungen dar. Im Folgenden werden die wichtigsten quantitativen und qualitativen Methoden zur Lieferantenbewertung dargestellt. 158 159

160

Vgl. Glantschnig (1994, S. 20). Nicht immer lassen sich die Methoden eindeutig zuordnen. Häufig fließen sowohl qualitative als auch quantitative Merkmale in die Lieferantenbewertung ein (vgl. Glantschnig (1994, S. 23)). Vgl. Janker (2004, S. 102).


40

Lieferantenbewertung Lieferantenbewertung Quantitative Methoden Bilanzanalyse Preis-Entscheidungsanalyse Kosten-Entscheidungsanalyse

Qualitative Methoden Grafische Darstellung Verbale Darstellung Numerische Darstellung

Mathematische Programmierung Kennzahlen

Tabelle 3.1: Methoden der Lieferantenbewertung (In Anlehnung an Glantschnig, 1994, S. 23)

3.1

Quantitative Methoden

Bei quantitativen Methoden kommen rechenbare Kriterien, die als Gleichungssystem miteinander verbunden werden, zum Einsatz. Die Beziehung zwischen den Variablen ist in einer mathematisch auswertbaren Form zu erfassen, um für die jeweils angewendete Lieferantenbewertungsmethode die optimale Lösung zu bestimmen.161 Die wichtigsten quantitativen Methoden zur Lieferantenbewertung sind die Bilanzanalyse, die Preis- sowie die Kosten-Entscheidungsanalyse, die Mathematische Programmierung und die Verwendung von Kennzahlen, welche im Folgenden dargestellt werden.

3.1.1

Bilanzanalyse

Die Bilanzanalyse ist ein Verfahren zur Beurteilung des wirtschaftlichen Erfolgs eines Unternehmens.162 Die Gewinnung von Informationen zur Globalbeurteilung des Lieferanten als Wirtschaftseinheit steht hierbei im Vordergrund.163 Der Bilanz, der Gewinn- und Verlustrech161 162 163

Vgl. Glantschnig (1994, S. 23). Vgl. hierzu und im Folgenden Glantschnig (1994, S. 24). Vgl. Dreyer (2000, S. 119 f.) und Weigand (1998, S. 192 f.).


41

Position

Bezeichnung

Dimension

1

Umsatzerlös (+ MwSt. + Skonti)

Eur

2

Roh-, Hilfs- und Betriebsstoffe (RHB)

Eur

3=2/1

Material in % vom Umsatz

%

4

Löhne und Gehälter

Eur

5

Soziale Abgaben

Eur

6

Altersversorgung

Eur

7=4+5+6

Summe Personalaufwand

Eur

8=7/1

Personalaufwand in % vom Umsatz

%

9

Bezüge von Vorstand und Aufsichtsrat

Eur

10

Gesamtleistung

Eur

11 = 3 + 7 + 9

Produktionskosten

Eur

12 = 10 / 11

Betriebsergebnis

Eur

13

Beschäftigte

Personen

14 = 1 / 13

Umsatz pro Beschäftigter

Eur pro Person

15 = 1 / 12

Betriebsergebnis pro Beschäftigter

Eur pro Person

16 = 7 / 1

Personalaufwand pro 1 Eur Umsatz

Eur pro 1 Eur

17

Cash Flow

Eur

18

Eigenkapital (= Grundkapital + Rücklagen)

Eur

19

Fremdkapital

Eur

20 = 18 + 19

Gesamtkapital

Eur

Tabelle 3.2: Bilanzanalyse (In Anlehnung an Klein (1974, S. 168) und Glantschnig (1994, S. 25))

nung, sowie dem Geschäftsbericht können eine Reihe von Zahlen entnommen werden, die in Form von Gliederungs-, Beziehungs- und Indexzahlen dargestellt werden können. Die aus der Bilanz berechneten Kennzahlen ermöglichen dem beschaffenden Unternehmen sich ein Bild über die Wirtschaftlichkeit, Liquidität, Kostenstruktur, Leistung, sowie Umsatzentwicklung des Lieferanten zu machen.164 Sinn macht die Bilanzanalyse zur Lieferantenbewertung nur über Jahre hinweg, da die Kennzahlen auf einen Zeitpunkt bezogen für sich genommen geringe Aussagekraft besitzen. Aus diesem Grund empfiehlt sich eine Bilanzanalyse bei einer längerfristig ange164

Für eine ausführliche Beurteilung der Finanzkraft eines Lieferanten wird auf Disselkamp/Schüller (2004, S. 181-194) verwiesen.

42


legten Zusammenarbeit des Unternehmens mit dem Lieferanten.165 Eine Bilanzanalyse der Lieferanten kann nach dem in Tabelle 3.2 dargestellten Schema erfolgen. Die in dieser Tabelle aufgeführten Kennzahlen sind zum größten Teil selbsterklärend, weshalb auf eine detaillierte Besprechung im Rahmen dieser Arbeit verzichtet wird. Die Bewertung ist immer der jeweiligen Zielsetzung und den Branchenbesonderheiten anzupassen.166 Bei der Bilanzanalyse werden generelle Unternehmensdaten der Lieferanten betrachtet, die nur einen Teil lieferantenspezifischer Information enthalten und um zusätzliche Informationen aus den einzelnen Funktionsbereichen zu ergänzen sind. Eine Auswahlentscheidung für oder gegen einen Lieferanten rein auf Grundlage der Bilanzanalyse zu treffen ist deshalb nicht möglich.167 Die Bilanzanalyse kann jedoch in Abhängigkeit von der Strategie des Unternehmens unterschiedlichen Zwecken dienen. Strebt ein Unternehmen zum Beispiel ein starkes Wachstum an, sind leistungsstarke Lieferanten nötig, die mit diesem Wachstum mithalten können. Die Kenngrößen Cash Flow und Eigenkapitalquote der Bilanz geben hier Auskunft über die finanzwirtschaftlichen Wachstumsmöglichkeiten des Lieferanten und darüber inwieweit dieser das Wachstum eigenständig finanzieren kann.168 Vergleiche mit Branchendurchschnittswerten oder anderen Lieferanten lassen Schlüsse über Chancen und Risiken für das beschaffende Unternehmen zu.169 Die Kenntnis über die Entwicklung der Bilanz kann bei Verhandlungen mit dem Lieferanten von Vorteil sein. Geplante Preiserhöhungen seitens des Lieferanten können dadurch beispielsweise abgeschwächt und eine Versachlichung der Gesprächsführung kann ermöglicht werden.170 165 166 167 168 169 170

Vgl. Klein (1974, S. 166). Vgl. Glantschnig (1994, S. 25). Vgl. ebd. Vgl. Harting (1994, S. 58). Vgl. Glantschnig (1994, S. 24). Vgl. Glantschnig (1994, S. 26).


3.1.2

43

Preis-Entscheidungsanalyse

Die Preis-Entscheidungsanalyse ist ein unikriterielles Verfahren171 und der Oberbegriff für drei auf den Preis ausgerichtete Methoden: Preisstrukturanalyse, Preisbeobachtung und Preisvergleich.172 Diese unterscheiden sich, wie in Tabelle 3.3 dargestellt, im Hinblick auf das Untersuchungsobjekt, das Untersuchungsziel und ihr Hauptanwendungsgebiet.

Preisstrukturanalyse Zusammensetzung des Preises eines UntersuchungsLieferanten aus Kostenbestandteiobjekt len und Gewinn

Untersuchungsziel

Hauptanwendungsgebiet

Überprüfung der Angemessenheit eines Preises als Grundlage der Preisverhandlung

Produkte, auf deren Preishöhe der Abnehmer Einfluss ausüben kann

Preisbeobachtung

Preisvergleich

Veränderung des Preises eines Produktes im Laufe der Zeit

Preise verschiedener Lieferanten bzw. verschiedener Qualitäten

Prognose der zukünftigen Entwicklung als Grundlage der Beschaffungsdisposition und der Kontraktpolitik

Auswahl von Produktqualität und Lieferanten (im Rahmen des Angebotsvergleichs)

Produkte, die eine hohe Preisvariabilität aufweisen

Produkte, die zu unterschiedlichen Preisen und unterschiedlicher Qualität von mehreren Lieferanten bezogen werden können

Tabelle 3.3: Preis-Entscheidungsanalysen (Quelle: Arnolds/Heege/Tussing (1978, S. 119)) 171 172

Das einzige Entscheidungsmerkmal ist der Preis des zu beschaffenden Gutes. Vgl. Arnolds/Heege/Tussing (1978, S. 119).

44


Mit der Preisstrukturanalyse lässt sich überprüfen, ob ein Preis als Grundlage zur Preisverhandlung angemessen ist.173 Die Preise des Beschaffungsobjekts eines Lieferanten werden anhand von Kosten- und Gewinnbestandteilen untersucht. Hierzu sind Kenntnisse über das Kalkulationsverfahren des Lieferanten notwendig. Preisstrukturanalysen werden für Produkte, auf deren Preishöhe das beschaffende Unternehmen bedingt Einfluss ausüben kann, angewendet.174 Derartige aushandelbare Preise sind meist bei denjenigen industriell gefertigten Produkten vorzufinden, die Spezialanfertigungen für den Abnehmer darstellen.175 Bei der Preisbeobachtung wird die Entwicklung des Preises eines Beschaffungsobjektes im Zeitablauf betrachtet. Dies ermöglicht dem Beschaffer, Prognosen über zukünftige Preistendenzen zu treffen, und bietet eine valide Grundlage für eine preisgünstige Beschaffungsdisposition und Kontraktpolitik mit den Lieferanten. Bei Produkten, die eine hohe Preisvariabilität aufweisen, wie zum Beispiel international gehandelte Rohstoffe, ist die Preisbeobachtung von besonderer Bedeutung.176 Die Preisbeobachtung sollte sich nicht nur auf die im Beschaffungsprogramm eines Unternehmens enthaltenen Produkte, sondern auch auf die Substitutionsmaterialien erstrecken.177 Gegenstand des Preisvergleichs ist die Auswahl eines Lieferanten im Rahmen der Angebotsanalyse,178 die sich auf die Einbeziehung von preisbestimmenden Faktoren beschränkt. Die Preise unterschiedlicher Lieferanten bzw. unterschiedlicher Qualitäten werden miteinander verglichen und das günstigste Angebot wird ermittelt.179 Anwendung findet die Methode des Preisvergleichs immer dann, wenn mehrere Lie173 174 175 176 177 178 179

Vgl. Arnolds/Heege/Tussing (1978, S. 119). Vgl. Glantschnig (1994, S. 26). Vgl. Arnolds/Heege/Tussing (1978, S. 120). Vgl. Glantschnig (1994, S. 26). Vgl. Arnolds/Heege/Tussing (1978, S. 120). Ein praktisches Beispiel zum Angebotsvergleich findet sich u. a. bei Glantschnig (1994, S. 27 f.). Vgl. Glantschnig (1994, S. 27).


45

feranten Produkte in verschiedenen Qualitäten und zu unterschiedlichen Preisen anbieten. lm Vordergrund der Einkaufspraxis stehen vor allem die Preisbeobachtung und der Preisvergleich.180

3.1.3

Kosten-Entscheidungsanalyse

Bei der Kosten-Entscheidungsanalyse werden all diejenigen Kosten betrachtet, die dem beschaffenden Unternehmen bei der Entscheidung für einen Lieferanten zusätzlich zum reinen Beschaffungspreis entstehen.181 Eine vielfach angeführte Möglichkeit ist die Cost-Ratio-Methode. Hierbei werden die Gesamtkosten, die während des Bestellvorgangs anfallen, ermittelt.182 Die durch den Lieferanten entstehenden Kosten bezüglich Qualität, Lieferung und Service werden bestimmt. Der Anteil der Qualitätskosten am gesamten Einkaufsvolumen wird für den Lieferanten durch einen Prozentsatz, den sogenannten Cost-Ratio, ermittelt. Auch für die Liefer- und Servicekosten werden analog Prozentsätze gebildet. Die Summe dieser Prozentsätze ergibt die Overall CostRatio. Diese wird im letzten Schritt der Methode um den vom Lieferanten angebotenen Einstandspreis erhöht.183 Es ergeben sich in der Summe die Kosten, die dem beschaffenden Unternehmen tatsächlich für die Lieferung entstehen.184 Eine Erweiterung der Cost-Ratio-Methode um Risiko- und Sicherheitsfaktoren185 liefern Smytka/Clemens (1993) in ihrem Total Cost Supplier Selection Model.186 In ihrem Modell stellen die erweiterten quali180 181 182 183 184 185

186

Vgl. Arnolds/Heege/Tussing (1978, S. 119). Vgl. Janker (2004, S. 107). Bei der Preisstrukturanalyse werden dagegen nur die Kostenbestandteile am Beschaffungsobjekt untersucht. Vgl. Glantschnig (1994, S. 28). Vgl. Timmerman (1986, S. 3 f.). Vgl. Janker (2004, S. 107). Als Risiko ist zum Beispiel die finanzielle Lage des Lieferanten zu nennen. Ein Sicherheitsfaktor kann unter Umständen die vorhandene Just-in-timeErfahrung des Lieferanten sein. Vgl. Smytka/Clemens (1993, S. 42-48).

46


tativen Faktoren jedoch lediglich einen Vorabfilter dar. Die endgültige Entscheidung für einen Lieferanten liegt auch hier ausschließlich im Vergleich interner und externer Kosten.187

3.1.4

Mathematische Programmierung

Die Mathematische Programmierung stellt eine Möglichkeit dar, Optimierungsprobleme zu lösen. Am weitesten verbreitet sind Lineare Programme, (gemischt) ganzzahlige Programme188 und stochastische Programme.189 Um das Prinzip der Optimierungsverfahren darzustellen, wird im Rahmen dieser Arbeit ein kurzer Überblick über die Lineare Programmierung zur Lieferantenbewertung gegeben. Eine umfassende Darstellung findet sich unter anderem bei Labro (2001).190 Die Methode der Linearen Programmierung zur Lieferantenbewertung verbindet meist die beiden zuvor besprochenen Methoden der Preisund Kosten-Entscheidungsanalyse. Zunächst wird mittels Filtervariablen geprüft, welche Lieferanten in die engere Auswahl kommen und bewertet werden sollen. Das für das Beschaffungsobjekt bedeutendste Beschaffungsziel wird als unikriterielle191 Zielfunktion festgelegt.192 Darüber hinaus müssen alle relevanten und bewertbaren Merkmale der Lieferanten festgelegt und bestimmt werden. Die so ausgewählten Variablen werden als Nebenbedingungen in das Programm eingebracht und legen Minimal- und Maximalforderungen fest.193 Für jeden der Lieferanten wird ein Wert für die Zielfunktion berechnet, somit 187 188 189 190 191

192 193

Vgl. Glantschnig (1994, S. 29). Mixed Integer Program Models. Vgl. Labro (2001, S. 6). Vgl. Labro (2001, S. 94-114). Eine Erweiterung der Linearen Programmierung ist das Goal Programming als eine Methode zur Lösung multikriterieller Optimierungsmodelle. Für jedes Ziel werden angestrebte Ergebnisse vorgegeben. Gesucht ist diejenige zulässige Lösung, bei der die Abweichung von den angestrebten Werten insgesamt möglichst gering ist. Vgl. Glantschnig (1994, S. 30). Vgl. Janker (2004, S. 108).


47

kann eine Rangfolge der Lieferanten erstellt werden. Der Lieferant, der die Zielfunktion am besten erfüllt, gilt als optimal und wird ausgewählt.194

3.1.5

Kennzahlen

Kennzahlen sollen in konzentrierter Weise über zahlenmäßig erfassbare, betriebswirtschaftliche Sachverhalte informieren.195 Jedem Lieferanten wird eine Kennzahl zugeordnet, die seine Qualitätsfähigkeit bzw. Zuverlässigkeit zum Ausdruck bringt.196 Bei den Kennzahlen unterscheidet man absolute Einzelwerte, Summen, Differenzen und Durchschnitte sowie relative Gliederungs-, Beziehungs- und Indexzahlen.197 Als Gliederungskennzahl zur Lieferqualität (Qualitätswertzahl) kann zum Beispiel die Anzahl der fehlerfreien Lieferungen zur Gesamtzahl der Lieferungen eines Lieferanten ins Verhältnis gesetzt werden.198 Beziehungskennzahlen sind dadurch charakterisiert, dass zwei Zahlen ungleicher Dimensionen ins Verhältnis gesetzt werden, wie die Kosten pro Lieferung. Mit Indexzahlen werden Veränderungen über die Zeit dargestellt, wobei hier Mengen- und Preisindizes für die Lieferantenbewertung von Bedeutung sind.199

194 195 196 197 198 199

Vgl. Hapke (1989, S. 97). Vgl. Janker (2004, S. 109). Vgl. Hartmann/Pahl/Sporer (1992, S. 87). Vgl. Janker (2004, S. 109). Vgl. Glantschnig (1994, S. 31). Für eine umfassende Darstellung der Lieferantenbewertung anhand von Kennzahlen wird auf Glantschnig (1994, S. 30-32) sowie Janker (2004, S. 109-113) verwiesen.

48


3.2

Qualitative Methoden

Qualitative Methoden zur Lieferantenbewertung berücksichtigen alle wesentlichen Kriterien, die nicht exakt messbar sind.200 Diese Kriterien sind durch die Einbeziehung subjektiver Einschätzungen gekennzeichnet und unterscheiden sich nach der Art der Darstellung der Bewertung und dem Grad der Verdichtung der bewerteten Kriterien.201 Qualitative Methoden kann man in grafische, verbale und numerische Darstellungsmethoden gliedern.

3.2.1

Grafische Darstellung

Die für die Lieferantenbewertung bedeutensten grafischen Methoden sind die Lieferanten-Gap-Analyse und die Profilanalyse.202 Diese Methoden ermöglichen den direkten übersichtlichen Vergleich unterschiedlicher Lieferanten in Bezug auf die Ausprägungen der qualitativen und der quantitativen Merkmale.203 Die Lieferanten-Gap-Analyse stellt eine relativ leicht verständliche Basis zur Bewertung der Lieferanten dar und veranschaulicht bildhaft wie weit der Lieferant von den Anforderungen abweicht.204 In Abbildung 3.1 ist zum einen das vom beschaffenden Unternehmen geforderte Soll-Profil und zum anderen die Einschätzung des Lieferanten abgetragen. Es wird schnell ersichtlich, in welchen Bereichen eine Lücke des bewerteten Lieferanten zum geforderten Profil besteht.205 Die Abweichungen zwischen dem Ist- und dem Soll-Profil werden durch Abstände auf den Kriterienachsen ersichtlich. Der Lieferant, dessen 200 201 202 203 204 205

Vgl. Janker (2004, S. 115). Vgl. Glantschnig (1994, S. 32). Vgl. Janker (2004, S. 140). Meist werden qualitative und quantitative Merkmale grafisch zusammen dargestellt. Vgl. Glantschnig (1994, S. 32). Die Lieferanten-Gap-Analyse eignet sich gut für die Lieferantenentwicklung, da sie aufzeigt in welchen Bereichen der Lieferant gefördert werden sollte.


49

Abbildung 3.1: Lieferanten-Gap-Analyse (In Anlehnung an Glantschnig, 1994, S. 33)

Ist-Profil die größte Übereinstimmung mit dem Soll-Profil hat ist optimal geeignet. Es kann zudem festgestellt werden, ob ein Lieferant bestimmte Kriterien übererfüllt oder Schwachstellen hat bzw. wo Verbesserungsmöglichkeiten liegen.206 Durch die Profilanalyse können unterschiedliche Lieferanten im Hinblick auf ihre Leistungsfähigkeit übersichtlich verglichen werden. Die Einschätzung der Lieferanten wird anhand unterschiedlicher Merkmale beschrieben und grafisch dargestellt. Zwei oder mehrere Lieferanten können mittels Profilanalyse grafisch miteinander verglichen werden. Je nach Gewichtung der einzelnen Kriterien kann dann der optimale Lieferant ausgewählt werden.207 Mithilfe der Profilanalyse kann man beim Vergleich eines Lieferanten über die einzelnen Jahre feststellen, ob sich ein Lieferant in seiner Leistungsfähigkeit verbessert oder verschlechtert.208 206 207 208

Vgl. Glantschnig (1994, S. 32 f.). Vgl. Janker (2004, S. 140). Eine ausführliche Darstellung der Profilanalyse findet u. a. sich bei Janker

50


3.2.2

Verbale Darstellung

Unter den Methoden der verbalen Darstellung, die hauptsächlich durch die Beschreibung der Lieferanten erfolgt, sind das Checklistenverfahren, die Portfolio-Methode und die Lieferantentypologien zusammenzufassen.209 Ein in der Praxis häufig eingesetztes Verfahren ist die Checkliste. Die Selektionskriterien, die bei der Beurteilung der Lieferanten verwendet werden, sind in einer Liste aufgeführt. Checklisten dienen in erster Linie als systematisch aufgebaute Gedächtnisstütze, die jedoch keine Auswahlregel für einen Lieferanten beinhaltet.210 Die Portfolio-Methode wird im Bereich der Beschaffung dafür eingesetzt, strategische Bedrohungen sowie Chancen offensichtlich zu machen. Es werden Handlungsempfehlungen abgeleitet und beschaffungspolitische Maßnahmen ergriffen, um eine ausgewogene Zusammenstellung an Lieferanten zu erreichen. Die Portfolio-Methode ist eine Möglichkeit zur ganzheitlichen Beurteilung der Lieferanten und Beschaffungsmarktsegmente.211 Lieferantentypologien ermöglichen die Aufteilung der Lieferanten in möglichst homogene Klassen und sind das Ergebnis von Verdichtungsprozessen von Lieferantenbewertungen, die sowohl quantitativer als auch qualitativer Art sein können. Für jede dieser Klassen kann eine Normstrategie mit entsprechenden Handlungsempfehlungen hinterlegt sein. Ein Beispiel für eine Lieferantentypologie ist die Unterteilung in A, B und C-Lieferanten.212

209 210 211

212

(2004, S. 140-145). Vgl. Janker (2004, S. 128). Vgl. Glantschnig (1994, S. 34 f.). Vgl. Glantschnig (1994, S. 36). Eine ausführliche Darstellung der PortfolioMethode findet sich unter anderem bei Janker (2004, S. 128-136) und Glantschnig (1994, S. 36-41). Vgl. Janker (2004, S. 136).


3.2.3

51

Numerische Darstellung

Methoden zur numerischen Darstellung sind Notensysteme, Punktbewertungsverfahren, der Matrix-Approach und die Nutzwertanalyse.

3.2.3.1

Notensysteme

Notensysteme stellen eine einfache Methode zur Einschätzung der Lieferanten dar. Alle relevanten Merkmale des Lieferanten werden in Relation zu den Forderungen des beschaffenden Unternehmens bewertet.213 Die Ausprägungen der Bewertungsmerkmale können in einem Drei-Punkte-System, beispielsweise „immer - häufig - selten” oder „gut - durchschnittlich - schlecht”, überschaubar gehalten werden oder differenziert in Form eines qualifizierten Notensystems, zum Beispiel einer Skala von 1 bis 9, dargestellt sein.214 Ein Nachteil der Checklistenund Benotungsverfahren liegt in der ungewichteten Einschätzung der Selektionskriterien.215 Dieser Mangel wird mithilfe der im Folgenden beschriebenen Methoden behoben.216

3.2.3.2

Punktbewertungsmethoden

Im Rahmen von Punktbewertungsmethoden erhalten die ausgewählten Selektionskriterien eine ihrer Bedeutung entsprechende Gewichtung. Man unterscheidet Höchstpunktzahlmethoden, Prozentbewertungsmethoden sowie die in der Praxis häufig verwendeten Scoringmodelle.217 Bei Höchstpunktzahlmethoden wird eine maximal zu erreichende Punktzahl vorgegeben (häufig 100 Punkte). Diese wird entsprechend ihrer 213 214 215 216 217

Vgl. Glantschnig (1994, S. 41). Vgl. Hartmann (1993, S. 71). Wichtige Merkmale wie „liefert einwandfreie Produkte" und weniger entscheidende Merkmale wie „bestätigt Bestellung prompt" haben gleichen Einfluss. Vgl. Glantschnig (1994, S. 42). Vgl. ebd.

52


Bedeutung auf die Bewertungskriterien verteilt.218 Für jeden einzelnen Lieferanten werden gemessen an seiner Leistungsfähigkeit Punkte für die einzelnen Kriterien abgezogen. Bevorzugt werden Lieferanten mit einer möglichst hohen Punktzahl.219 Bei Prozentbewertungsmethoden hat jedes Merkmalskriterium einen festgelegten Gewichtungsfaktor. Für jeden Lieferanten wird der Erfüllungsgrad für jede Ausprägung mit dem entsprechenden Faktor gewichtet. Inhaltlich entspricht die Prozentbewertungsmethode der Höchstpunktzahlmethode. Den prozentualen Erfüllungsgrad für jedes Merkmal und für den Gesamtwert errechnet man, indem man den erzielten Punktwert ins Verhältnis zum maximal erreichbaren Punktwert setzt.220 Bei den häufig angewendeten Scoringmodellen erfolgt zunächst eine Einteilung in entsprechende Hauptkriterien. Diese werden wie in Tabelle 3.4 veranschaulicht anhand von Unterkriterien bewertet und bestimmen mit unterschiedlichen Gewichtungen dann den Punktwert für das Hauptkriterium. Die Summe der Punktwerte aller Hauptkriterien ergibt den Gesamtpunktwert (Score) für den Lieferanten. Die Lieferanten mit den höchsten Punktwerten gelten als am besten geeignet.221 Ein gemeinsamer Vorteil der Punktbewertungsmethoden ist, dass die Einschätzungen einzelner Beteiligter an der Bewertung transparent werden. Als problematisch wird hingegen erachtet, dass bei der Aggregation von Einzelurteilen zu Zahlenwerten eine nicht vorhandene, quantitative Objektivität vorgetäuscht wird.222

218 219 220 221 222

Vgl. Janker (2004, S. 118). Vgl. Glantschnig (1994, S. 42 f.). Vgl. ebd. S. 43. Vgl. Janker (2004, S. 120). Vgl. Beucker (2005, S. 29).


53

Hauptkriterium

Lieferant 1

Unterkriterium

Gewicht

1 Mengenleistung

Punkt-

Lieferant 2

Punktzahl Punkt-

Punktzahl

gewichtet

gewichtet

zahl

zahl

5%

1.1 Mindestliefermenge

25 %

10

11

1.2 Mengenflexibilität

25 %

10

11

1.3 Mengenkonstanz

25 %

10

11

1.4 Hohe Menge

25 %

14

6

11

9,75

Gewichteter Teilpunktwert Gewichteter Punktwert 2 Qualität

0,550

0,4875

25 %

1.1 Erfahrung des Lieferanten

30 %

12

11

1.2 Leistungskonstanz

30 %

14

11

1.3 Produktqualität

30 %

13

11

1.4 Mitarbeiterqualifikation

10 %

11

6

12,8

9,75

Gewichteter Teilpunktwert

3,200

2,850

3 Logistikleistung *

Gewichteter Punktwert 20 %

2,300

1,910

4 Entgeltleistung *

15 %

1,838

1,493

5 Serviceleistung *

10 %

1,390

0,840

6 Informationsleistung *

10 %

1,350

1,100

7 Innovationsleistung *

10 %

1,125

1,375

8 Umweltleistung *

5%

0,200

0,730

100 %

11,953

10,795

Summe

Tabelle 3.4: Scoringmodell (In Anlehnung an Janker, 2004, S. 121) * Die Hauptkriterien 3 bis 8 sind ohne die entsprechenden Subkriterien dargestellt.

3.2.3.3

Matrix Approach

Der Matrix Approach zielt darauf ab, die Subjektivität der zuvor genannten Scoringmodelle dadurch abzuschwächen, dass die Bewertung anhand definierter Kriterien, wie beispielsweise Qualität, Kosten und Service in einem gemeinsamen Team aller an der Bewertung Beteiligten erfolgt. Analog zum Scoringmodell werden auch beim Matrix Approach Bewertungsfaktoren über die Gewichtung von Teilkriterien

54


gebildet und zu einem Gesamturteil aggregiert.223 Jeder Beschaffungsvorgang ist einer separaten Beurteilung zu unterziehen, wodurch keine Formalisierung der Lieferantenbewertung erzielt werden kann. Aus diesem Grund ist der Aufwand, der für diese Methode betrieben wird, meist nicht mehr zu rechtfertigen.224

3.2.3.4

Nutzwertanalyse

Der Grundgedanke der Nutzwertanalyse ist, die einzelnen Angebotsalternativen in ihrer Gesamtheit danach zu bewerten, wie groß ihr Beitrag zur Erreichung des Beschaffungsziels sein könnte.225 Es wird also zunächst ein Zielsystem aufgestellt, aufgrund dessen geeignete Zielkriterien ausgewählt und gewichtet werden. Das Entscheidungsproblem wird in Form eines mathematischen Ansatzes als Zielertragsmatrix dargestellt. Der zur Zielerreichung günstigste Lieferant wird aufgrund der subjektiven Präferenzstruktur ermittelt.226 Zu den Kritikpunkten der Nutzwertanalyse zählt die aufwendige Vorgehensweise, die unter Kostengesichtspunkten häufig nicht zu rechtfertigen ist. Darüber hinaus scheint es problematisch aus den Zielen sämtliche relevanten Merkmalskriterien abzuleiten. Zudem wird auch mit dieser Methode das Problem der subjektiven Einschätzungen nicht gelöst.227

223 224 225 226 227

Vgl. Janker (2004, S. 123). Vgl. Glantschnig (1994, S. 47). Vgl. Glantschnig (1994, S. 48). Vgl. ebd. Vgl. Harting (1994, S. 27).


3.3

55

Ergänzende Methoden

Nach der Darstellung der Methoden die zur Lieferantenbewertung am häufigsten Anwendung finden,228 soll in diesem Abschnitt überblicksartig auf eine Auswahl ergänzender Methoden eingegangen werden. Diese werden eher selten zusätzlich zu den zuvor beschriebenen Methoden eingesetzt.

3.3.1

Fuzzy Mengen

Bei gewöhnlichen Mengen werden Elemente eindeutig zugeordnet, jedes gegebene Element gehört also entweder voll oder gar nicht zu einer bestimmten Menge. Eine solche scharfe Zuordnung ist in der Realität nicht immer vorhanden. Um diese Problematik zu umgehen, hat Zadeh (1965) das Konzept gewöhnlicher Mengen erweitert und die Theorie der unscharfen Fuzzy Mengen begründet.229 Fuzzy Ansätze werden den Expertensystemen zugeordnet, da die Festlegung der einzelnen unscharfen Mengen auf den Einschätzungen von Experten basiert. Für eine Darstellung der Funktionsweise und Übertragung des Konzepts der Fuzzy Mengen auf die Lieferantenbewertung sei auf Janker (2004) verwiesen.230 Ein Beispiel zur Verwendung mehrerer Kriterien231 und deren mathematische Abhandlung für die Lieferantenbewertung liefert Kagnicioglu (2006).232 228 229 230 231 232

Für einen Überblick der in der Literatur diskutierten Methoden wird auf Glantschnig (1994, S. 52) verwiesen. Vgl. Zadeh (1965, S. 338 f.). Vgl. Janker (2004, S. 148-151). In dem vorgeschlagenen Ansatz werden Kosten minimiert, Qualität maximiert und die Anzahl verzögerter Lieferungen minimiert. Vgl. Kagnicioglu (2006, S. 114).

56


3.3.2

Analytic Network Process

Sarkis/Talluri (2002) verwenden den Analytic Network Process, der eine Erweiterung des Analytic Hierarchy Process darstellt.233 Mit diesem lassen sich unterschiedliche Alternativen in eine Rangfolge bringen, die auf den Ausprägungen der relevanten Kriterien und deren Erfüllungsgrad basieren.234 Die Gewichtung der Kriterien wird durch paarweise Vergleiche ermittelt und mit den erzielten Erfüllungsgraden multipliziert, woraus sich die Bewertung für jeden Lieferanten ergibt. Die Bewertung erfolgt also stets in Relation zu den übrigen Lieferanten. Ein Kritikpunkt am Analytic Hierarchy Process ist, dass die mögliche Interaktion zwischen den einzelnen Entscheidungskriterien nicht explizit berücksichtigt wird. Dies ist hingegen mit dem Analytic Network Process möglich.235

3.3.3

Activity Based Costing

Activity Based Costing ist eine Erweiterung der in Abschnitt 3.1.3 dargestellten Kosten-Entscheidungsanalyse.236 Der Ansatz wurde ursprünglich entwickelt, um die Kosten, die in einem Unternehmen anfallen, den entsprechenden Verursachern zuzuweisen.237 Basierend auf den Gesamtkosten ist das Ziel dieser Methode die Kosten, die der jeweilige Lieferant im Produktionsprozess des Unternehmens verursacht, zu ermitteln.238 Die Methode eignet sich gut, um den Lieferantenstamm zu reduzieren, wobei die kostengünstigsten Lieferanten behalten werden sollten. Nachteilig an dieser Methode ist, dass sie nur für bestehende 233 234 235 236 237 238

Vgl. Sarkis/Talluri (2002, S. 18 f.). Eine Einführung zum Analytic Network Process findet sich bei Saaty (2006, S. 1-26). Vgl. Sarkis/Talluri (2002, S. 19). Eine Einführung zu Activity Based Costing und deren Übertragung auf die Lieferantenbewertung findet sich bei Labro (2001, S. 3-6). Vgl. Labro (2001, S. 4). Vgl. Janker (2004, S. 155).


57

Lieferanten anwendbar ist, und die Kosten das einzige Zielkriterium darstellen.239

3.3.4

Weitere multivariate Methoden

Als weitere Methode schlägt Janker (2004) Clusteranalysen zur Lieferantenvorauswahl240 und zur Klasseneinteilung vor.241 In seinen Ausführungen kommt er zu dem Schluss: „Insgesamt bieten die vorgestellten Verfahrensansätze der Clusteranalyse lediglich eine Klassifikation der Lieferanten, können jedoch die Lieferantenauswahl nicht wirkungsvoll unterstützen.”242 Verma/Pullman (1998) verwenden die Discrete Choice Analyse, um die Lieferantenauswahl zu untersuchen. In einem Experiment kommen sie zu dem Ergebnis, dass, obwohl von den beschaffenden Unternehmen Qualität als wichtigstes Auswahlkriterium angegeben wird, häufig nach Lieferleistung und Kostengesichtspunkten entschieden wird.243 Janker (2004) entwickelt ein Lieferantenbewertungssystem auf Grundlage der Faktorenanalyse. Er führt diese an einem Beispiel mit 20 Lieferantenbewertungen244 durch. Auf Basis einer zweifaktoriellen Lösung erörtert dieser mittels Portfoliotechnik Strategien zur Lieferantenstrukturanalyse.245 Golmohammadi et al. (2009) simulieren die Einschätzungen von Einkäufern und erarbeiten mithilfe Neuronaler Netze ein Modell zur Lieferantenauswahl.246 239 240 241 242 243 244 245 246

Vgl. Janker (2004, S. 156). Für Clusteranalysen zur Lieferantenvorauswahl vgl. auch de Boer/Labro/ Morlacchi (2001, S. 75-89). Vgl. Janker (2004, S. 291-303). Vgl. Janker (2004, S. 157). Vgl. Verma/Pullman (1998, S. 739-750). Kritisch ist hierbei anzumerken, dass die Voraussetzungen für die Methode, wie beispielsweise eine ausreichende Fallzahl, zum Teil nicht gegeben sind. Vgl. Janker (2004, S. 177-290). Vgl. Golmohammadi et al. (2009, S. 1504-1519).

58


Die behandelten Methoden sollen einen Überblick über die theoretischen Arbeiten zur Lieferantenbewertung liefern, der interessierte Leser sei an die entsprechenden Arbeiten verwiesen. In diesem Kapitel wurden die wichtigsten praktischen Methoden zur Lieferantenbewertung dargestellt. Im folgenden Kapitel wird ausführlich auf die statistisch theoretische Grundlage, die Kausalmodelle, eingangen und im fünften Kapitel werden diese empirisch angewendet.

Kausalmodelle

59

Kapitel 4 Kausalmodelle 4.1

Korrelation und Kausalität

Eine häufige Fragestellung in Praxis und Wissenschaft ist es, kausale Abhängigkeiten zwischen bestimmten Merkmalen zu analysieren.247 Die Analyse linearer Strukturgleichungsmodelle wird in der Literatur häufig als Kausalmodell oder Kausalanalyse bezeichnet. In den Naturwissenschaften unterstellt Kausalität zumeist einen deterministischen Zusammenhang, im Rahmen der statistischen Modellierung mit stochastischen Fehlervariablen kann von einem solchen nicht gesprochen werden.248 Eine allgemeine Definition von Kausalität für Kausalmodelle liefert Bollen (1989). Demnach besteht die Kausalitätsform aus den drei Komponenten Isolation, Assoziation und Einflussrichtung. Um Kausalität zwischen zwei Variablen festzustellen, müssen alle anderen Effekte konstant gehalten bzw. isoliert betrachtet werden. Da dieses Kriterium vor allem bei nichtexperimentellen Daten unmöglich einzuhalten ist, spricht man auch von Pseudo-Isolation.249 247 248 249

Vgl. Wright (1921, S. 557 f.), Bortz (2005, S. 182) und Backhaus et al. (2003, S. 334). Vgl. Mathes (1993, S. 11). Vgl. Bollen (1989, S. 41 f.).


60

Kausalmodelle

Ferner ist mit einer isolierten Korrelation zweier Variablen noch nicht die Frage der Kausalität geklärt, da noch keine Aussage bezüglich der Einflussrichtung getroffen werden kann.250 Weisen Koeffizienten einen hohen Wert auf, dann deutet dies auf einen möglichen starken Zusammenhang hin, ob dieser tatsächlich kausal ist, bleibt jedoch offen, weshalb Mathes dazu rät den Kausalitätsbegriff weitestgehend zu vermeiden.251 Auch Homburg weist darauf hin, dass Kausalität wissenschaftstheoretischer Natur ist und nicht mithilfe eines multivariaten Verfahrens gelöst werden kann. Allerdings hat sich die Bezeichnung Kausalanalyse durchgesetzt. In dieser Arbeit wird der Vorgehensweise bei Homburg und Pflesser (2000) gefolgt und die Bezeichnung Kausalanalyse im Folgenden beibehalten.252

4.2

Entwicklung von Kausalmodellen: Pfadanalyse

Als Grundlage für die Kausalanalyse mit latenten Variablen253 kann neben der Regressionsanalyse die Pfadanalyse254 betrachtet werden. Diese geht unter anderem auf den Genetiker Sewall Wright (1921) zurück, der in seinem Aufsatz „Correlation and Causation” die Einflüsse komplexer Variablensysteme mithilfe von linearen Gleichungssystemen untersucht.255 Die Pfadanalyse ermöglicht es, Wechselbeziehungen zwischen Variablen zu analysieren.256 Somit kann eine Variable gleichzeitig sowohl abhängig als auch unabhängig sein. Durch die Berücksichtigung dieser Wechselwirkungen schafft die Pfadanalyse ein 250 251 252 253 254 255 256

Vgl. zu Korrelation und Kausalität auch Bortz (2005, S. 182) und Weiber/ Mühlhaus (2010, S. 13). Vgl. Mathes (1993, S. 11 f.). Vgl. Homburg/Pflesser (2000, S. 635). Eine ausführliche Beschreibung dieser erfolgt in Abschnitt 4.3. Die Pfadanalyse kann man theoretisch als Strukturgleichungsmodell mit manifesten Variablen einordnen. Vgl. Wright (1921, S. 557). Vgl. Wright (1921), Wright (1923) und Wright (1934).

Kausalmodelle

61

realitätsnäheres Abbild als die Regressionsanalyse, bei der eine Variable entweder abhängig oder unabhängig ist. Jedoch erfordert sie auch ein größeres theoretisches und sachlogisches Verständnis der Beziehungen.257

4.3

Strukturgleichungsmodelle mit latenten Variablen

Hypothetische Zusammenhänge manifester (beobachtbarer) und latenter (nichtbeobachtbarer) Variablen können mit Hilfe von Strukturgleichungsmodellen durch ein System stochastischer Gleichungen untersucht werden. Hierbei lassen sich die vermuteten Zusammenhänge in einem Pfeilschema darstellen. Die formalen Gleichungen können direkt aus diesem Schema abgeleitet werden.258

4.3.1

Manifeste Variablen

Manifeste Variablen sind direkt beobachtbare und messbare Größen. Sie werden auch als Messvariablen bezeichnet und dienen als Indikatoren für die latenten Variablen des Strukturgleichungsmodells.259 Diese Messvariablen werden im Weiteren mit lateinischen Buchstaben bezeichnet.

4.3.2

Latente Variablen

Latente Variablen sind nicht beobachtbare und damit nur indirekt messbare Größen. Durch ihre Verwendung soll eine echte Variablenreduktion stattfinden, das heißt, dass mehrere Indikatoren zu einem latenten 257

258 259

Eine umfangreiche Besprechung von Pfadmodellen anhand von Beispielen und deren theoretische Herleitung finden sich unter anderem bei Reinecke (2005, S. 45-81) und Weiber/Mühlhaus (2010, S. 21-30). Vgl. hierzu und im Folgenden Wold (1982a, S. 1). Vgl. Betzin (2000, S. 7).

62

Kausalmodelle

Konstrukt zusammengefasst werden. Dadurch wird eine latente Variable, welche nur aus einer Messvariablen besteht, prinzipiell ausgeschlossen.260 Latente Variablen werden durch die ihnen zugeordneten Messvariablen bestimmt. Hierbei werden kausale bzw. funktionale Beziehungen postuliert.261 Diese unbeobachtbaren Variablen werden im Weiteren mit griechischen Buchstaben bezeichnet.

4.3.3

Anwendung

Latente Variablen können beispielsweise durch Regression ermittelt werden. Goldberger (1973) nennt jedoch drei Situationen, in denen Strukturgleichungsmodelle notwendig sind, und Regressionsparameter allein nicht die relevanten Informationen liefern können:262 Die manifesten Variablen enthalten Fehlerterme und die interessierenden Beziehungen treten zwischen den wahren oder nicht abgeminderten Variablen auf (unobservable variables). Es liegen interdependente Beziehungen oder simultan verursachende Variablen vor (simultaneity). Wichtige erklärende Variablen wurden nicht gemessen (omitted variables) und sollen mithilfe von latenten Variablen rekonstruiert werden. In diesen Fällen liefern Strukturgleichungsmodelle keinen Beweis für die Kausalität im naturwissenschaftlichen Sinn. Zwei auftretende Fragestellungen sind deshalb im Besonderen zu berücksichtigen: 1. Was messen die beobachteten Messungen wirklich, und wie kann man Reliabilität263 und Validität überprüfen? (bzgl. der Messmodelle) 2. Wie lassen sich komplexe kausale Zusammenhänge unbeobachtbarer Variablen ableiten? Wie kann man die Stärke von unbeob260 261 262 263

Vgl. Mathes (1993, S. 12). Vgl. Betzin (2000, S. 7). Vgl. Goldberger (1973, S. 2-6). Die Reliabilität spiegelt hierbei den Grad wider, zu dem eine Messung frei von zufälligen Messfehlern ist und Validität ist entscheidend für die Gültigkeit.

Kausalmodelle

63

Abbildung 4.1: Strukturmodell mit drei latenten Variablen (In Anlehnung an Backhaus et al., 2003, S. 335) achtbaren Variablen beurteilen? (bzgl. des Strukturmodells)264

4.4

Modellspezifikation

In Strukturgleichungsmodellen müssen sowohl die latenten Variablen als auch die Modellparameter geschätzt werden. Die Lösung dieser Aufgaben geschieht in zwei Teilschritten. Im Strukturmodell werden die hypothetischen Beziehungen erfasst und geschätzt. In einem Messmodell werden die Beziehungen zwischen manifesten Variablen und latenten Variablen formuliert und aufgrund der empirischen Kovariation zwischen den manifesten Variablen untereinander geschätzt.265

4.4.1

Das Strukturmodell

Im Strukturmodell in Abbildung 4.1, dem sogenannnten inneren Modell, werden die Beziehungen zwischen den einzelnen latenten Variablen dargestellt. Eine latente Variable, welche von keiner anderen latenten Variable abhängig ist, wird als exogen (hier ξ1 ) bezeichnet. Ist 264 265

Vgl. Jöreskog/Sörbom (1989, S. 1 f.). Vgl. Knepel (1980, S. 3).

64

Kausalmodelle

eine latente Variable von mindestens einer anderen latenten Variable abhängig, so bezeichnet man sie als endogen (hier η1 und η2 ).266 Aufgrund sachlogischer Überlegungen werden die Beziehungen zwischen den latenten Variablen aufgestellt. Hierbei muss häufig Rekursivität267 erfüllt sein.268 Formal stellt sich das Modell folgendermaßen dar: η = Bη + Γξ + ζ (4.1) B und Γ stellen die Matrizen der Koeffizienten und ζ den Vektor der Fehlervariablen dar. Die Elemente B der Matrix repräsentieren direkte Effekte von endogenen Variablen η auf andere endogene Variablen η, und die Elemente der Matrix Γ direkte Effekte von exogenen Variablen ξ auf endogene Variablen η.269

4.4.2

Das Messmodell

Im Messmodell, dem sogenannten äußeren Modell, werden die Beziehungen zwischen den manifesten Variablen und den einzelnen latenten Variablen dargestellt. Bei dessen Spezifikation müssen den latenten Variablen solche manifeste Variablen zugeordnet werden, die die latenten Variablen möglichst gut messen. Die Form der manifesten Variablen für eine latenten Variable kann reflektiv oder formativ spezifiziert werden. Die Unterschiede der beiden Spezifizierungen werden im Folgenden erläutert.270 Reflektive Messmodelle In einem reflektiven Messmodell unterstellt man, dass die latente Variable ihre zugeordneten beobachtbaren Variablen verursacht. Das la266 267 268 269 270

Vgl. Henseler (2005, S. 71). Dass heißt im Strukturmodell sind keine Schleifen (interdependente Beziehungen) zulässig. Vgl. Götz/Liehr-Gobbers (2004, S. 716). Vgl. Jöreskog/Sörbom (1989, S. 3). Vgl. Henseler (2005, S. 71).

Kausalmodelle

65

Abbildung 4.2: Reflektives Messmodell mit drei Indikatoren (In Anlehnung an Fassott/Eggert, 2005, S. 36) tente, nicht beobachtbare Konstrukt hat also Einfluss auf die messbaren Indikatoren und nicht umgekehrt. Eliminiert man aus diesem reflektiven Messmodell eine der Indikatorvariablen, würde sich das Konstrukt folglich inhaltlich kaum verändern. In Abbildung 4.2271 ist ein solches Messmodell schematisch dargestellt.272 Stellt man sich beispielsweise als latente Variable ξ1 den Zustand „Trunkenheit“ vor, so sind die Messvariablen (x1 , x2 , x3 ) „Abnahme der Reaktionsfähigkeit“, „Abnahme der Konzentrationsfähigkeit“ und „Blutalkohol“ denkbar. Die Wegnahme eines Indikators würde hierbei inhaltlich kaum zu einer Veränderung des Messmodells führen.273 Mathematisch lässt sich das reflektive Messmodell für die latente Variable ξ in Formel 4.2 darstellen: X = Γx ξ + Δ (4.2) Hierbei bezeichnet x1 , ..., xn den Vektor der Indikatoren, Γx den Gewichtungsvektor γ1 , ..., γn , und den Vektor Δ der Residualgrößen δ1 , ..., δn . 271 272 273

Der in der Abbildung 4.2 dargestellte Zusammenhang zeigt eine exogene latente Variable ξ und lässt sich analog für eine endogene latente Variable η darstellen. Vgl. Fassott/Eggert (2005, S. 36). Vgl. Chin (1998, S. 7-16).

66

Kausalmodelle

Abbildung 4.3: Formatives Messmodell mit drei Indikatoren (In Anlehnung an Fassott/Eggert, 2005, S. 37) Jede manifeste Variable ist so mit der latenten Variablen durch einfache Regression verbunden.274 Für reflektive Messmodelle eignen sich beispielsweise menschliche Charakterzüge wie Sparsamkeit und Trägheit, da sich diese in einer Vielzahl unterschiedlicher Verhaltensweisen manifestieren, welche als Indikatoren herangezogen werden können.275

Formative Messmodelle In einem formativen Messmodell wird unterstellt, dass die beobachtbaren Variablen x4 , x5 , x6 die latente Variable ξ2 verursachen. In Abbildung 4.3 ist ein solches Messmodell schematisch dargestellt.276 Betrachtet man als latente Variable ξ2 wieder den Zustand „Trunkenheit“, können als formative Messvariablen verschiedene konsumierte Alkoholika dienen. Eine Erhöhung des Indikators „konsumierte Weinmenge“ x4 führt zu einer Verstärkung des Konstrukts „Trunkenheit“, wobei dieser Indikator von anderen, beispielsweise „konsumierte Biermenge“ 274 275 276

Vgl. Henseler (2005, S. 70 f.). Vgl. Fassott/Eggert (2005, S. 37). Vgl. ebd. S. 38.

Kausalmodelle

67

x5 , weitgehend unabhängig ist. Wenn in diesem formativen Messmodell ein Indikator entfernt wird (z. B. „konsumierte Biermenge“), wird die Aussagekraft der latenten Variable erheblich eingeschränkt.277 Mathematisch lässt sich das formative Messmodell für die latente Variable in Formel 4.3 darstellen: ξ = π1 x1 + π2 x2 + ... + πn xn + ζ

(4.3)

Hierbei geben die Koeffizienten π1 , π2 , ..., πn die Gewichtung der Indikatoren bei ihrer linear kombinatorischen Verrechnung zur latenten Variablen ξ an. Wird von einem fehlerbehafteten Modell ausgegangen, so wird der Messfehler mit ζ bezeichnet.278 Ein formatives Messmodell ist stets durch die Gesamtheit seiner Indikatoren definiert. Eine ex post Eliminierung von Messvariablen, auch solcher mit nur einem geringen Einfluss auf das latente Konstrukt, ist bedenklich und kann anders als bei reflektiven Messmodellen zur Fehlspezifikation des Modells führen.279

4.4.3

Vollständiges Strukturgleichungsmodell

Ein vollständiges Strukturgleichungsmodell setzt sich aus dem Strukturmodell und den Messmodellen zusammen. Die zusammengefassten Submodelle werden in Abbildung 4.4 grafisch veranschaulicht.280 Die Schätzung von Kausalmodellen (Strukturgleichungsmodellen) kann einerseits mittels der Kovarianzstrukturanalyse, welche synonym mit deren erster Implementierung Lisrel (Linear Structural Relationships) verwendet wird, durchgeführt werden.281 Eine weitere Möglichkeit bietet das mittlerweile etablierte PLS (Partial Least Squares)-Verfahren, 277 278 279 280 281

Vgl. Chin (1998, S. 7-16). Vgl. Fassott/Eggert (2005, S. 38). Vgl. ebd. S. 39. Vgl. Henseler (2005, S. 70). Das Lisrel-Verfahren ermöglicht als erstes Verfahren eine umfassende Kovarianzstrukturanalyse und hat sich über Jahre hinweg als das Standardverfahren zur Schätzung von Kausalmodellen etabliert.

68

Kausalmodelle

Abbildung 4.4: Strukturgleichungsmodell mit drei latenten Variablen (In Anlehnung an Henseler, 2005, S. 73) welches varianzbasierend mithilfe von Kleinstquadratschätzungen das Strukturgleichungsmodell schätzt. Die beiden Schätzverfahren sind komplementär zu betrachten, d. h. für bestimmte Fragestellungen ist jeweils eines der beiden Schätzverfahren zu bevorzugen.282

4.5

Ablaufschritte der Kausalanalyse

Die Ablaufschritte der Kausalanalyse sind vom angewendeten Verfahren weitgehend unabhängig und im Wesentlichen wie folgt. Der Ablauf ist in Abbildung 4.5 dargestellt. Die Vorgehensweise wird kurz skizziert und anhand der Verfahren detailliert erläutert.

282

Vgl. Fornell/Bookstein (1982, S. 313).

Kausalmodelle

69

Abbildung 4.5: Ablaufschritte der Kausalanalyse (In Anlehnung an Homburg/Pflesser, 2000, S. 646)

4.5.1

Hypothesenbildung und Modellspezifikation

Die Modellspezifikation erfolgt immer anhand theoretischer Überlegungen und den daraus abgeleiteten Hypothesen.283 Aus diesem Grund wird die Hypothesenbildung in Abbildung 4.5 nicht als einzelner Schritt, sondern als Teil der Modellspezifikation betrachtet. Zur Modellspezifikation sind intensive fachliche Überlegungen notwendig, welche Variablen im Strukturgleichungsmodell berücksichtigt werden sollen, und wie deren Beziehungen untereinander ausgestaltet sein sollen. Da es sich bei dem Hypothesensystem oftmals um komplexe Ursache-Wirkungs-Zusammenhänge handelt, empfiehlt es sich, diese in einem Pfaddiagramm darzustellen. Die mathematische Spezifikation der Modellstruktur erfolgt anschließend durch die Übertragung des Pfaddiagramms in ein lineares Gleichungssystem.284

283 284

Vgl. hierzu und im Folgenden Backhaus et al. (2003, S. 351). Vgl. ebd. S. 356.

70

Kausalmodelle

4.5.2

Identifikation und Parameterschätzung

Die Identifikationsproblematik ist insbesondere beim Lisrel-Verfahren ein zentraler Punkt und gibt Aufschluss über die Frage, ob das postulierte Modell identifizierbar ist. Identifikation bedeutet hierbei, dass das Modell eindeutig lösbar ist.285 Die Schätzungen des identifizierten Modells erfolgen nun auf der Grundlage der empirischen Daten. Aus der Spezifikation des Modells ergibt sich, welche Parameter im Rahmen der Analyse zu schätzen sind.286

4.5.3

Modellbeurteilung und Modifikation der Modellstruktur

Bei der Modellbeurteilung werden verschiedene Anpassungsmaße berechnet.287 Diese sollen Aufschluss darüber geben, inwieweit das spezifizierte Modell geeignet ist, die Assoziationen zwischen den beobachteten Variablen darzustellen. Bei einer negativen Modellbeurteilung ist das Modell gegebenenfalls zu modifizieren. Liegt eine gute Anpassung vor, können die Ergebnisse interpretiert werden.

4.5.4

Ergebnisinterpretation

Die Interpretation der Ergebnisse sollte sich zum einen auf das ganze Kausalmodell beziehen, wobei die gesamte Abhängigkeitsstruktur des Modells zu betrachten ist. Zum anderen sollten die Parameter einzeln betrachtet werden. Hierbei interessiert vor allem, ob die Abhängigkeiten signifikant sind, deren Stärke, und welche weiteren Einsichten sich aus der Betrachtung direkter und indirekter Effekte ergeben.288 285 286 287 288

Vgl. Homburg/Pflesser (2000, S. 645). Vgl. Backhaus et al. (2003, S. 362). Vgl. hierzu und im Folgenden Homburg/Pflesser (2000, S. 646). Vgl. ebd. S. 635.

Kausalmodelle

4.6

71

Lisrel

Ein wesentliches Merkmal des Lisrel-Ansatzes liegt in der Denkweise in Kausalstrukturen. Ein aufgrund theoretischer Überlegungen aufgestelltes Hypothesensystem wird auf Basis der Kovarianz- oder Korrelationsmatrix überprüft.289 Explorative Analysen mit kovarianzbasierenden Verfahren sind nicht üblich. Diese haben einen konfirmatorischen Charakter, da Aussagen über das vorab aufgestellte Hypothesensystem geprüft werden sollen.290 Es sollen im Folgenden die Entwicklung des Lisrel-Modells, die Identifikationsproblematik, angewandte Schätzmethoden sowie Möglichkeiten, die Anpassungsgüte des Modells zu prüfen, dargestellt werden.

4.6.1

Entwicklung und Einordnung

Karl Jöreskog entwickelte die ML-Schätzung für die konfirmatorische Faktorenanalyse und die Methode zur Analyse von Kovarianzstrukturen (ACOVS) zum Lisrel-Ansatz291 weiter. Lisrel wird häufig mit dem Begriff der Kovarianzstrukturanalyse gleichgesetzt, da Lisrel schon lange das führende Programm zur Strukturanalyse ist. Anwendung findet der Lisrel-Ansatz in umfassender Weise bei der Schätzung von faktoranalytischen Modellen, überidentifizierten Pfadmodellen, ökonometrischen Modellen und Modellen mit unbeobachtbaren Variablen.292 Aktuell sind die zwei kommerziellen Anwendungsprogramme Lisrel von SSI293 und IBM® SPSS® Amos zur Kovarianzstrukturanalyse am gebräuchlichsten. 289 290 291 292 293

Vgl. Backhaus et al. (2000, S. 401). Vgl. Jöreskog (1982a, S. 200). Linear Structural Relationships by the Method of Maximum Likelihood. Vgl. Knepel (1980, S. 7). Scientific Software International.

72

Kausalmodelle

4.6.2

Lisrel-Modell

Im Strukturgleichungsmodell wird zwischen dem Strukturmodell und den Messmodellen unterschieden, wobei die Messmodelle manifeste Indikatoren und theoretische Konstrukte miteinander verknüpfen.

4.6.2.1

Verteilungsannahmen

Zu der Annahme, dass es sich bei den manifesten Variablen um stetige Zufallsgrößen mit gemeinsamer Kovarianzmatrix handelt, kommt die restriktive Annahme, dass sämtliche beobachtbare Variablen multinormal verteilt sind.294 Unter dieser Voraussetzung ist der Lisrel-Ansatz effizient.295 Das heißt mit wachsender Stichprobengröße wird seine Varianz, also sein Fehler, kleiner oder gleich der Varianz jedes beliebigen anderen Schätzers.

4.6.2.2

Bezeichnungen und Gleichungen

Ein komplettes Lisrel-Modell hat die Form:296 η = Bη + Γξ + ζ y = Λy η + ε x = Λx ξ + δ

(4.4)

Das Strukturmodell wird durch die erste Gleichung beschrieben. Die Gleichungen zwei und drei charakterisieren das jeweilige Messmodell der endogenen bzw. exogenen latenten Variablen.297 Hierbei müssen folgende Annahmen gelten:298

294 295 296 297 298

Vgl. Mathes (1993, S. 41). Vgl. Knepel (1980, S. 7). Vgl. Jöreskog/Sörbom (1989, S. 4). Vgl. Jöreskog (1982b, S. 85). Vgl. Homburg (1989, S. 151).

Kausalmodelle

73

Matrix

Dimension

Mittelwert

Kovarianz

Dimension

Beschreibung

η

(r x 1)

0

COV (η) = E(ηη)

(r x r)

Latente endogene Variablen

ξ

(s x 1)

0

Φ = E(ξξ)

(s x s)

Latente exogene Variablen

ζ

(r x 1)

0

Ψ = E(ζζ)

(r x r)

Fehlervariablen der Gleichung

B

(r x r)

-

-

-

Direkte Effekte von η auf η

Γ

(r x s)

-

-

-

Direkte Effekte von ξ auf η

x

(q x 1)

0

Σxx = E(xx)

(q x q)

Manifeste exogene Variablen

Λx

(q x s)

-

-

-

Ladungen von x auf ξ

δ

(q x 1)

0

Θδ = E(δδ)

(q x q)

Fehlervariablen für x

y

(p x 1)

0

Σyy = E(yy)

(p x p)

Manifeste endogene Variablen

Λy

(p x r)

-

-

-

Ladungen von y auf η

ε

(p x 1)

0

Θε = E(εε)

(p x p)

Fehlervariablen für y

Tabelle 4.1: Bezeichnungen für das Lisrel-Modell (In Anlehnung an Long, 1983, S. 57) 1. Alle Variablen werden als Abweichungen von ihren Mittelwerten gemessen. 2. Latente endogene Variablen η und Messfehler ε sind unkorreliert. 3. Latente exogene Variablen ξ und Messfehler δ sind unkorreliert. 4. Latente exogene Variablen ξ und Strukturgleichungsfehler ζ sind unkorreliert. 5. Die Messfehler ε, δ und ζ sind gegenseitig unkorreliert. 6. Die Matrix I − B ist nicht singulär, das heißt keine Strukturgleichung ist redundant. Die Bezeichnungen für das Lisrel-Modell werden in Tabelle 4.1 veranschaulicht. Unter der Voraussetzung, dass Annahme 6 erfüllt ist, lässt

74

Kausalmodelle

sich das Strukturgleichungsmodell in seiner reduzierten Form darstellen:299 η = (I − B)−1 Γξ + (I − B)−1 ζ (4.5)

Für die Kovarianzmatrix der endogenen latenten Variablen η ergibt sich hieraus: COV (η) = E(ηη) = E [((I − B) Γξ + (I − B)−1 ζ) ((I − B)−1 Γξ + ζ(I − B)−1 )] = (I − B)−1 (ΓΦΓ + Ψ) (I − B)−1 −1

(4.6)

Die Kovarianzmatrix Σ der Messvariablen lässt sich zu folgenden Teilmatrizen partitionieren:300 Σ=

Σyy Σyx Σxy Σxx

mit Σyx = Σxy

(4.7)

Unter Berücksichtung der getroffenen Annahmen (1-6) und des Ausdrucks in Gleichung 4.6 erhält man: Σyy = E(yy) = E [(Λy η + ε)(Λy η + ε)] = Λy E(ηη)Λy + E(εε) = Λy (I − B)−1 (ΓΦΓ + Ψψ)(I − B)−1 Λy + Θε

(4.8)

In ähnlicher Weise werden die drei restlichen Komponenten von Σ durch Parametermatrizen des Modells ausgedrückt:

299 300

Σyx = Λy (I − B)−1 ΓΦΛx = Σyx

(4.9)

Σxx = Λx ΦΛx + Θδ

(4.10)

Vgl. hierzu und im Folgenden Homburg (1989, S. 152). Vgl. Knepel (1980, S. 10).

Kausalmodelle

75

Für die Kovarianz des Strukturgleichungsmodells erhält man die Matrix:301 Λy (I − B)−1 (ΓΦΓ + Ψψ)(I − B)−1 Λy + Θε Λy (I − B)−1 ΓΦΛx = Λx (I − B)−1 ΓΦΛy Λx ΦΛx + Θδ (4.11)

Für die Elemente in den Matrizen Λy , Λx , B, Γ, Φ, Ψ, Θε und Θδ unterscheidet man drei Arten: Festgelegte Parameter, denen explizit Werte zugewiesen werden, beschränkte Parameter, welche nicht bekannt sind, aber einem oder mehreren Parametern entsprechen und freie Parameter, die nicht bekannt sind und nicht einem oder mehreren Parametern entsprechen.

Lisrel ist so strukturiert, dass Untermodelle (Submodels) in einfacher Weise abgeleitet werden können. Wird das Modell beispielsweise ohne die endogene latente Variable und die dazugehörigen Messvariablen spezifiziert, so reduziert sich das Strukturgleichungsmodell zum Modell der klassischen Faktorenanalyse: x = Λx ξ + δ

(4.12)

Hierbei gibt es aufgrund der fehlenden endogenen latenten Variablen η kein Messmodell y und somit auch kein Strukturmodell, da keine latente Variable durch eine andere latente Variable beeinflusst wird. Wäre dies der Fall, so wäre die beeinflusste latente Variable endogen, was a priori ausgeschlossen wurde. Es bleibt von dem Modell die Gleichung 4.12 bestehen, welche das Messmodell mit den Messvariablen x der exogenen latenten Variablen ξ darstellt.302

301 302

Vgl. hierzu und im Folgenden Jöreskog (1982b, S. 85). Vgl. ebd.

76

Kausalmodelle

4.6.3

Identifizierbarkeit

Bevor versucht wird, die Parameter für das Lisrel-Modell zu schätzen, muss die Identifizierbarkeit geprüft werden.303 Die Prüfung der Identifizierbarkeit klärt die Frage, ob das Strukturgleichungsmodell eindeutig lösbar ist.304 Die Möglichkeit, das Modell zu identifizieren, ist abhängig von der Wahl des Modells und der Spezifikation der festgelegten beschränkten und freien Parameter.305 Ein Strukturgleichungsmodell gilt als identifiziert, wenn zu gegebenen Werten der Varianzen / Kovarianzen der Messvariablen genau ein Satz von Werten der Modellparameter existiert, welcher die Werte der Varianzen / Kovarianzen der Indikatorvariablen generiert. Das Modell wird als nicht identifiziert bezeichnet, wenn zu gegebenen Werten der Varianzen / Kovarianzen mehrere Sätze von Parameterwerten existieren. Es geht im Grunde um die Frage, ob die Varianzen / Kovarianzen der Indikatorvariablen genügend Informationen für eine eindeutige Schätzung der Modellparameter enthalten.306 Eine notwendige Bedingung zur Identifizierbarkeit ist durch folgende Ungleichung bestimmt:307 1 t ≤ (p + q)(p + q + 1) 2

(4.13)

t enspricht der Anzahl der zu schätzenden Parameter und (p + q) der Anzahl der Indikatorvariablen. Die Bestimmung der Modellparameter ist also von vornherein nicht möglich, wenn die Zahl der zu schätzenden Modellparameter308 die Zahl der zur Verfügung stehenden Gleichungen übersteigt.309 In diesem Fall ist das Modell unteridentifizierbar. Das Modell ist überidentifizierbar und somit identifizierbar, wenn 303 304 305 306 307 308 309

Vgl. Jöreskog/Sörbom (1979, S. 108). Vgl. Backhaus et al. (2003, S. 360). Vgl. Jöreskog/Sörbom (1979, S. 108). Vgl. Homburg (1992, S. 502 f.). Vgl. hierzu und im Folgenden Jöreskog (1982a, S. 219). Diese entsprechen der rechten Seite der Ungleichung 4.13. Vgl. Homburg (1992, S. 503).

Kausalmodelle

77

die Ungleichung 4.13 als strikte Ungleichung310 erfüllt ist, und somit mehr Gleichungen als zur Schätzung notwendig zur Verfügung stehen.311 Die Ungleichung 4.13 ist notwendige, jedoch nicht hinreichende Bedingung. Für eine hinreichende Identifizierbarkeit gibt es Kriterien mit unterschiedlicher Aussagekraft, mit denen der Identifikationsstatus des Modells zuverlässig bestimmt werden kann.312 Ein notwendiges und zugleich hinreichendes Kriterium wurde jedoch noch nicht gefunden.313

Um die Identifizierbarkeit empirisch zu überprüfen schlägt Jöreskog ein vom angewandten Schätzverfahren unabhängiges heuristisches Verfahren vor: Hierbei wird ein Satz von plausiblen Parametern α ˜ gewählt. Es wird Σ(˜ α) berechnet und das Modell auf Grundlage der Matrix Σ(˜ α) analysiert, die nun als empirische Kovarianzmatrix aufgefasst wird. Die resultierenden Schätzwerte α ˆ können mit α ˜ verglichen werden. Gilt α ˆ = α ˜ , ist dies Hinweis dafür, dass das Modell identifiziert ist. Unterscheiden sich die Werte jedoch stark, so ist das Modell wahrscheinlich nicht identifiziert.314 Die Identifikationsproblematik wird in vielen Studien vernachlässigt. So wird bei Baumgartner/ Homburg (1996) in nur 5 Prozent der 184 begutachteten Modelle von den Autoren vor der Anwendung ein Nachweis für die Identifizierbarkeit der Modelle erbracht.315 Wegen der enormen Wichtigkeit ist aber dringend geboten, der Identifikationsproblematik in Zukunft mehr Aufmerksamkeit zu schenken.316 Dies gilt vor allem, weil eine sinnvolle Parameterermittlung nur bei identifizierten Modellen möglich ist.317

310 311 312 313 314 315 316 317

D. h. das Gleichheitszeichen ist nicht zugelassen. Vgl. Mathes (1993, S. 44). Vgl. Homburg (1992, S. 503). Vgl. Mathes (1993, S. 44). Vgl. Homburg (1989, S. 167). Vgl. Baumgartner/Homburg (1996, S. 145). Vgl. ebd. S. 147. Vgl. Homburg (1992, S. 503).

78

Kausalmodelle Schätzverfahren

Abkürzung

Unweighted Least Squares Generalized Least Squares Maximum Likelihood Instrumental Variable Two Stage Least Squares Generally Weighted Least Squares Diagonally Weighted Least Squares

ULS GLS ML IV TSLS WLS DWLS

Tabelle 4.2: Schätzverfahren für das Lisrel-Modell (In Anlehnung an Jöreskog/Sörbom, 1989, S. 20)

4.6.4

Parameterschätzungen

Ist das Modell nach eingehender Prüfung identifiziert, kann mit der Parameterschätzung fortgefahren werden. Der Grundgedanke der Parameterschätzung ist nach Möglichkeit die beste Anpassung von Σ(α) an einen konsistenten Schätzer S aus Σ0 . S stellt hierbei die Stichprobenkovarianzmatrix und Σ0 ein gültiges (identifiziertes) Kovarianzstrukturmodell dar. Hierfür kommt eine Diskrepanzfunktion zum Einsatz, welche in geeigneter Weise die Diskrepanz zweier quadratischer Matrizen bewertet.318 Lisrel 8319 bietet unter anderem die Möglichkeit, folgende in Tabelle 4.2 angeführte Schätzverfahren zu verwenden.320 Zu den klassischen Schätzverfahren zählen die ersten drei der zuvor genannten Verfahren: GLS, ULS und ML.321 Diese Verfahren sollen im Folgenden formal dargestellt werden. Genauer soll hierbei auf die ML-Schätzung eingegangen werden, da diese im urprünglichen Lisrel Modell von Jöreskog verwendet wird.322 Auf stetige Daten, für die die Normalverteilungsannahme nicht zutrifft, können eine Reihe anderer Schätzverfahren angewendet werden.323 Die klassischen Schätzer wer318 319 320 321 322 323

Vgl. Homburg (1989, S. 167-169). Die aktuelle Version Lisrel 8.8 ist seit März 2008 erhältlich. Vgl. Jöreskog/Sörbom (1989, S. 20). Vgl. ebd. S. 21. Vgl. Jöreskog (1973, S. 88). Vgl. Mathes (1993, S. 50).

Kausalmodelle

79

den dann wie bei WLS und DWLS durch iterative Prozeduren gewonnen, die durch schrittweise Verbesserungen der Parameterschätzungen bestimmte Diskrepanzfunktionen minimieren.324

4.6.4.1

Unweighted Least Squares (ULS)

Das gewöhnliche Verfahren der Kleinstquadratschätzung wird als ULSVerfahren (Unweighted Least Squares) bezeichnet und stellt sich als Vereinfachung der GLS-Schätzung in folgender Form dar:325 F =

1 tr (S − Σ)2 2

(4.14)

Hierbei und bei den folgenden Verfahren der GLS- und der ML-Schätzung ist S die Kovarianzmatrix der Stichprobe und tr die Spur (trace)326 der jeweiligen Matrix. Die Werte aller Schätzfunktionen sind nicht negativ. Liegt eine perfekte Anpassung vor, so nehmen alle Schätzfunktionen den Wert Null an.327

4.6.4.2

Generalized Least Squares (GLS)

Die Anwendung der GLS-Schätzung (Generalized Least Squares) für die Kovarianzstrukturanalyse geht auf Jöreskog und Goldberger zurück und stellt eine Verallgemeinerung gegenüber der ULS-Schätzung dar.328 Die zu minimierende Diskrepanzfunktion für die GLS-Schätzung ergibt sich als:

2 1 (4.15) F = tr I − S −1 Σ 2 324 325 326

327 328

Vgl. Pfeifer/Schmidt (1987, S. 32). Vgl. Jöreskog/Sörbom (1989, S. 21). Die Spur ist die Summe der Diagonalelemente einer quadratischen Matrix. n ajj = (a11 + a22 + ... + ann ). Formal dargestellt: tr(A) = j=1

Vgl. Sörbom/Jöreskog (1982, S. 385). Vgl. Homburg (1989, S. 171).

80

Kausalmodelle

Die Bezeichnungen sind die gleichen wie bei der ULS-Schätzung. I stellt die Einheitsmatrix dar. Die Gewichtung für die GLS-Schätzung erfolgt mit S −1 .

4.6.4.3

Maximum Likelihood (ML)

Zur Parameterschätzung lässt sich unter der Annahme, dass die beobachtbaren Variablen multivariat normalverteilt sind, ein ML-Ansatz (Maximum Likelihood) formulieren. Ausgegangen wird von der Dichtefunktion der multivariaten Normalverteilung mit Mittelwert μ und der Kovarianzmatrix Σ: 1

1

1

z → f (z) = 2π − 2 (p+q) |Σ|− 2 e− 2 (z−μ)Σ

−1 (z−μ)

(4.16)

Für eine Stichprobe vom Umfang n ergibt sich die Likelihood-Funktion: n

(μ, Σ) → L(Z1 , ..., Zn μ, Σ) = f (Zi ) = 2π

− 12 (p+q)

− 12

|Σ|

− 12

e

n i=1

i=1

(Zi −μ)Σ−1 (Zi −μ)

(4.17)

Aus dieser ergibt sich die zu minimierende Diskrepanzfunktion:329 F = log |Σ| + tr (SΣ−1 ) − log |S| − (q + p)

(4.18)

Hierbei sind die Symbole die gleichen wie bei der ULS-Schätzung, die senkrechten Striche kennzeichnen die Determinanten der Matrizen. Für eine ausführlichere Darstellung sei der interessierte Leser an Homburg (1989) verwiesen.330 Bei allen Schätzverfahren stehen asymptotische Schätzeigenschaften wie Konsistenz und asymptotische Effizienz zur Verfügung. Unter der Bedingung, dass die Normalverteilungsannahme stimmt, liefert die ML Schätzung das beste Schätzergebnis.331 329 330 331

Vgl. Jöreskog (1982b, S. 86). Vgl. Homburg (1989, S. 179 f.). Vgl. Mathes (1993, S. 50) und Weiber/Mühlhaus (2010, S. 55).

Kausalmodelle

81 Maß

Abkürzung

Chi-Quadrat Goodness of Fit Adjusted Goodness of Fit Root Mean Squared Residuals

χ2 GFI AGFI RMSR

Tabelle 4.3: Gütemaße für das Lisrel-Modell (In Anlehnung an Long, 1983, S. 47)

4.6.5

Anpassungsgüte von Lisrel

Nachdem das Modell geschätzt wurde, ist es wichtig, die Anpassungsgüte der Schätzungen zu bestimmen. Hierbei werden Indizes zur Beurteilung des gesamten Modells (globale Maße) und zur Untersuchung einzelner Teilstrukturen des Modells (lokale Maße) unterschieden.332 Noch bevor die Anpassungsmaße betrachtet werden, sollte für jeden einzelnen geschätzten Parameter des Modells eine Plausibilitätsüberlegung angestellt werden. Werte, die nicht plausibel erscheinen, können auf eine Fehlspezifizierung, Falschcodierung oder eine zu geringe Fallzahl der Stichprobe hindeuten.333

4.6.5.1

Globale Anpassungsgütemaße

Zur Bestimmung der Anpassungsgüte des vollständigen Strukturgleichungsmodells können mit Lisrel die in Tabelle 4.3 aufgelisteten globalen Maße bestimmt werden.334 Die globalen Maße sollen nachfolgend dargestellt werden. Chi-Quadrat χ2 Wird das Modell korrekt geschätzt, und ist die Fallzahl ausreichend groß, kann der χ2 - Wert als statistischer Test herangezogen werden. Es 332 333 334

Vgl. Pfeifer/Schmidt (1987, S. 36). Vgl. Long (1983, S. 47). Vgl. Jöreskog/Sörbom (1989, S. 21).

82

Kausalmodelle

wird die Hypothese überprüft, ob das geschätzte Modell Σ im Vergleich zum unbeschränkten Modell adäquat ist. Im Falle der ML-Schätzung bzw. der GLS-Schätzung mit optimaler Gewichtungsmatrix gilt, dass die Prüfvariable (n − 1)F (S − Σ(ˆ α)) (4.19) asymptotisch χ2 -verteilt ist.335 Die Anzahl der Freiheitsgrade t berechnen sich formal folgendermaßen:336 1 df = (p + q)(p + q + 1) − t 2

(4.20)

Hierbei wird die Anzahl der Freiheitsgrade337 df (degrees of freedom) aus der Anzahl t und der Anzahl der Indikatorvariablen (p + q) berechnet. Aufgrund der Identifizierbarkeit des Modells ergibt sich implizit, dass diese nicht negativ sein dürfen.338 Das χ2 -Maß im Lisrel-Modell wird kritisch hinterfragt. Es stellt sich das Problem, dass die Möglichkeit die Nullhypothese abzulehnen, wenn diese falsch ist, ungewiss ist.339 Dies liegt an der umgekehrten Vorgehensweise zu dem in der Statistik gängigen Verständnis von Nullhypothese und Gegenhypothese. Es wird hier der Versuch unternommen, die Nullhypothese zu beweisen, es wird also ein nicht signifikanter χ2 Wert angestrebt. Ein weiterer Kritikpunkt liegt darin, dass für einen geringen Stichprobenumfang möglicherweise keine χ2 -Verteilung vorliegt. Zudem ist es denkbar, dass der Test eine gute Anpassungsgüte liefert, obwohl sowohl das theoretische Modell als auch die Daten nicht adäquat sind, was zur Akzeptanz eines fehlspezifizierten Modells führen kann. Das χ2 -Anpassungsmaß sollte eher als deskriptiv angesehen 335 336 337

338 339

Vgl. Homburg (1989, S. 188). Vgl. Jöreskog/Sörbom (1989, S. 21). Die Freiheitsgrade entsprechen der Anzahl der Parameter, mit denen das Modell zusätzlich geschätzt werden kann. Das bedeutet, dass ein Modell ohne Freiheitsgrade gerade noch identifizierbar ist. Vgl. Baumgartner/Homburg (1996, S. 146). Vgl. hierzu und im Folgenden Fornell/Larcker (1981, S. 40).

Kausalmodelle

83

werden und nicht als exakte Teststatistik.340 Ferner sollten weitere Anpassungsmaße, die im Folgenden dargestellt sind, in Betracht gezogen werden.

Goodness of Fit

Der Anpassungsindex GFI-Goodness of Fit ist bei ML und GLS Schätzung folgendermaßen definiert:341 GF I(S, Σ) = 1 −

tr (Σ−1 S − I)2 tr (Σ−1 S)2

(4.21)

tr (S − Σ)2 tr (S)2

(4.22)

Bei der ULS Schätzung gilt: GF I(S, Σ) = 1 −

Der GFI-Index nimmt meist Werte zwischen 0 und 1 an, obwohl negative Werte denkbar sind.342 Eine perfekte Anpassung liegt bei einem GFI-Wert von 1 vor. Demnach sind Werte, die nahe bei 1 liegen, ein Anzeichen dafür, dass eine gute Modellanpassung vorliegt.343 Der Vorteil des GFI ist, dass er im Vergleich zum χ2 -Test relativ robust bezüglich (kleinerem) Stichprobenumfang und Abweichungen von der angenommenen Normalverteilung ist. Problematisch beim GFI Index ist, dass die Freiheitsgrade keine Berücksichtigung finden.344 Außerdem wird ein guter Indexwert erzielt, wenn das Modell mit hinreichend vielen Parametern geschätzt wird, was dann die Aussagekraft des GFI einschränkt.345 340 341 342 343 344 345

Vgl. Homburg (1989, S. 189). Vgl. Sörbom/Jöreskog (1982, S. 386). Vgl. ebd. S. 387. Vgl. Homburg (1989, S. 190). Vgl. Sörbom/Jöreskog (1982, S. 387). Vgl. Homburg (1989, S. 190).

84

Kausalmodelle

Adjusted Goodness of Fit (AGFI)

Beim dem sogenannten AGFI (Adjusted Goodness of Fit) finden die Freiheitsgrade df und die Anzahl der Messvariablen (p + q) in einem angepassten Maß Berücksichtigung. Das AGFI stellt sich formal wie folgt dar:346 AGF I(S, Σ, df ) = 1 −

(q + p)(p + q + 1) (1 − GF I(S, Σ)) 2 df

(4.23)

Bleibt das Modell ansonsten unverändert, führt eine geringere Anzahl an Freiheitsgraden zu einem kleineren AGFI.347

Root Mean Squared Residuals (RMSR)

Als weiteres deskriptives Maß kann der RMSR (Root Mean Squared Residuals) wie folgt bestimmt werden:348 RM SR(S, Σ) =

2 (sij − σij )2 (q + p)(p + q + 1) i=1 j=1 p+q

i

(4.24)

Hierbei bildet sich der RMSR aus der Quadratwurzel des Durchschnitts der quadrierten Residuen. Bei der Interpretation des Wertes ist es wichtig, ihn in Relation zur Größe der Elemente der empirischen Kovarianzmatrix sij zu beurteilen, da er von diesen abhängig ist.349 Ferner finden bei der Berechnung des RMSR, wie beim GFI, die Freiheitsgrade keine Berücksichtigung.350 346 347 348 349 350

Vgl. ebd. S. 191. Vgl ebd. Vgl. Sörbom/Jöreskog (1982, S. 387). Vgl ebd. Vgl. Homburg (1989, S. 191).

Kausalmodelle

85

Einbeziehung von Referenzmodellen Im Zuge der Beurteilung der globalen Anpassungsgüte können zu den vorgestellten Anpassungsmaßen Referenzmodelle betrachtet werden. Hierbei wird der Index aus einem Vergleich mit einem Nullmodell gebildet, welches zum Beispiel das restriktivste noch zu rechtfertigende Modell oder ein anderes passendes Modell sein kann.351 Es wird dann das Modell gewählt, welches im Vergleich die besten Anpassungswerte liefert. Bei den globalen Anpassungsmaßen muss betont werden, dass sie keine Auskunft darüber geben, welcher Teil des Lisrel-Modells falsch ist, sondern nur eine Aussage über die gesamte Anpassungsgüte des Modells (overall fit) getroffen werden kann.352

4.6.5.2

Lokale Anpassungsgütemaße

Lokale Anpassungsmaße beziehen sich auf spezielle Komponenten bzw. Gleichungen des Modells und ermöglichen es, das Kausalmodell in seinen Teilstrukturen zu analysieren. Wie zuverlässig die Messung der latenten Variablen ist, wird durch die Reliabilität des Mess- bzw. des Strukturmodells zum Ausdruck gebracht. Die Reliabilität spiegelt hierbei den Grad wider, mit dem eine Messung frei von zufälligen Messfehlern ist. Es wird überprüft, inwieweit vergleichbare, aber unabhängige Messungen ein und derselben Variablen übereinstimmen.353

Beurteilung des Messmodells Zunächst kann man die Reliabilität des Messmodells mithilfe der quadrierten multiplen Korrelation qmK bestimmen. Die qmK misst die Stärke der hierin ausgedrückten Beziehungen.354 Diese bestimmt sich 351 352 353 354

Vgl. Bentler/Bonett (1982, S. 359 f.). Vgl. Sörbom/Jöreskog (1982, S. 387). Vgl. Backhaus et al. (2003, S. 371). Vgl. hierzu und im Folgenden Homburg (1989, S. 196-199).

86

Kausalmodelle

für einzelne Gleichungen des Messmodells folgendermaßen: qmK(xi , ξ) = 1 −

θδ,ii sii

(4.25)

θδ,ii ist die geschätzte Varianz des Fehlers δ und sii die Stichprobenvarianz von xi . Ein hoher Erklärungsgehalt für den Indikator ergibt sich für Werte nahe eins. Häufig werden auch Gleichungen des Messmodells anhand der Größe der geschätzten Ladung erklärt, wobei ebenfalls hohe Werte wünschenswert sind. Ähnlich wie die qmK bietet der Totale Determinationskoeffizient T DK eine Möglichkeit, die Stärke der einzelnen Modellkomponenten zu beurteilen: |θδ | (4.26) T DK(x, ξ) = 1 − |S| Hierbei ist die geschätzte θδ Kovarianzmatrix von δ und S die empirische Kovarianzmatrix von x. Beim T DK deuten Werte, die nahe bei eins liegen, auf eine gute Erklärung der Indikatoren durch die latente Variable hin.

Beurteilung des Strukturmodells Zur Beurteilung der Güte des Strukturmodells besteht wie bei der Evaluierung des Messmodells die Möglichkeit, über einzelne Modellgleichungen mittels quadrierter multipler Korrelation qmK die Stärke der hierin ausgedrückten Beziehungen zu berechnen:355 qmK(ηi , ξ1 , ..., ξn , η1 , ..., ηn ) = 1 −

Ψii V ar(ηi )

(4.27)

Aussagen über die Stärke des Zusammenhangs einzelner Modellkomponenten kann der Totale Determinationskoeffizient T DK liefern, der 355

Vgl. hierzu und im Folgenden Homburg (1989, S. 196-199).

Kausalmodelle

87

sich für das Strukturmodell formal folgendermaßen darstellt: T DK(η, ξ, η) = 1 −

|Ψ| |COV (η)|

(4.28)

Hierbei ist Ψ die geschätzte Kovarianzmatrix von ζ. Nimmt der T DK Werte nahe eins an, so deutet das auf eine gute Erklärung der Indikatoren durch die dazugehörige latente Variable hin. Nach der theoretischen Darstellung des Lisrel-Ansatzes zur Schätzung von Kausalmodellen soll nun der zweite mögliche Ansatz, der Partial Least Squares (PLS) dargestellt werden.

4.7

Partial Least Squares

Ein wesentliches Merkmal des Partial Least Squares (PLS)-Ansatzes liegt wie beim Lisrel-Ansatz in der Denkweise in Kausalstrukturen. Der PLS-Ansatz zur Analyse von Pfadmodellen kennzeichnet sich durch eine zweistufige Vorgehensweise. Auf der ersten Stufe werden konkrete Schätzwerte für die latenten Variablen generiert und auf der zweiten Stufe mit diesen Schätzwerten die Parameter in beiden Gleichungen geschätzt.356 Im Folgenden werden die Entwicklung des PLSModells, die angewandten Schätzmethoden sowie Möglichkeiten, die Anpassungsgüte des Modells zu prüfen, dargestellt.

4.7.1

Entwicklung und Einordnung

Wold gibt zwei iterative Algorithmen zur Schätzung eines Hauptkomponentenmodells und der Kanonischen Korrelation mithilfe von Kleinstquadratschätzungen (Least Squares) an. Wold folgt diesen Ansätzen und entwickelt den generellen PLS-Ansatz für Strukturgleichungsmodelle mit latenten Variablen.357 Bei der Verwendung des Lisrel-ML356 357

Vgl. Betzin/Henseler (2005, S. 50). Vgl. Lohmöller/Wold (1982, S. 3 f.).

88

Kausalmodelle

Ansatzes in komplexen Modellen, in denen das theoretische Wissen bezüglich der Daten gering ist, äußert Wold Bedenken. Wenn die Normalverteilungsannahme nicht erfüllt ist, sollte man den ML-Ansatz nicht verwenden und eine verteilungsfreie, datenanalytische Vorgehensweise einschlagen, welche auf Konsistenz und nicht auf Optimalität abzielt.358 Speziell hierfür entwickelt Wold den PLS-Ansatz, welcher im so genannten basic design vorgestellt wird. Im Gegensatz zu späteren Weiterentwicklungen des PLS-Ansatzes wird im Grundmodell von linearen Gleichungen ausgegangen.359

4.7.2

PLS-Modell

Im Strukturgleichungsmodell wird wie bei Lisrel eine Unterscheidung in Strukturmodell, das von Wold mit inner relations bezeichnet wird, und Messmodell, bei PLS auch block structure genannt, getroffen.360 Die Spezifikation dieser beiden Untermodelle bildet die Grundlage eines PLS-Pfadmodells.361 Im Strukturmodell sind wiederum die Beziehungen der latenten Konstrukte zueinander dargestellt. Gemessen wird jede latente Variable durch das zugehörige Messgleichungssystem mit den entsprechenden Indikatoren, wobei jeder Messindikator nur einer latenten Variablen zugeordnet werden kann.362 4.7.2.1

Verteilungsannahmen

Die PLS-Schätzung basiert auf Kleinstquadratschätzungen (Least Squares) und ist verteilungsfrei.363 Man benötigt keine Verteilungsannahme über Indikatoren und Störvariablen, es werden nur Annahmen über 358 359 360 361 362 363

Vgl. Dijkstra (1981, S. 38). PLS wurde als Alternative zum Lisrel-Ansatz entwickelt, wenn Lisrel für das Kausalmodell nicht mehr anwendbar ist. Vgl. Wold (1982a, S. 1 f.). Vgl. ebd. S. 2. Vgl. Henseler (2005, S. 70). Hingegen besteht bei Lisrel-Modellen die theoretische Möglichkeit, eine Indikatorvariable mehreren latenten Konstrukten zuzuordnen. Vgl. Wold (1982a, S. 52).

Kausalmodelle

89

die systematischen Teile der Modellregression getroffen.364 Aus diesem Grund wird das PLS-Verfahren als „Softmodeling“ bezeichnet, da keine strikten Annahmen (hard assumptions) getroffen werden müssen, welche beim Lisrel-Ansatz vorausgesetzt werden.365 4.7.2.2

Bezeichnungen und Gleichungen

Das Kausalmodell wird analog zum Lisrel-Modell (4.6.2.2) aufgestellt. Es werden im Folgenden zusätzliche Bezeichner eingeführt. Endogene und exogene Variablen werden nicht unterschieden, da dies für den PLS-Algorithmus zunächst unerheblich ist366 und eine übersichtliche Darstellung ermöglicht. Latente Variablen werden mit η und Messvariablen mit y bezeichnet, wobei bei den manifesten Variablen davon ausgegangen wird, dass jeder Block Jm (m = 1, ..., M ) eine beliebige Anzahl an Indikatoren enthält.367 Das Messmodell lässt sich formal so darstellen:368 ymj = λmj ηm + θmj

m = 1, ..., M

j = 1, ...Jm

(4.29)

Die Messvariablen ymj sind hierbei die Indikatoren der latenten Variable ηm , die Koeffizienten λmj die Ladungen und die Messfehlervariable θmj . Bei den manifesten Variablen wird vorausgesetzt, dass sie in standardisierter Form vorliegen.369 Ferner soll gelten, dass keine systematischen Messfehler vorliegen: E(θmj ) = 0 für j = 1, ..., Jm , und dass Messfehler sowie latente Variablen voneinander unabhängig sind: Cov(ηm , θmj ) = 0 für j = 1, ..., Jm . Da die manifesten Variablen standardisiert sind, ergibt sich auch für die latenten Variablen eine Standar364 365 366 367 368 369

Vgl. Knepel (1980, S. 12). Vgl. Wold (1982a, S. 52). Vgl. Knepel (1980, S. 12). Vgl. Betzin (2000, S. 18). Vgl. Mathes (1993, S. 5). Standardisierung der Daten heißt, dass die Indikatorvariablen einen Erwartungswert von Null und eine Varianz von Eins aufweisen. Programme wie SmartPLS verarbeiten auch unstandardisierte Werte. Zur Beschreibung des PLS Verfahrens wird von standardisierten Daten ausgegangen.

90

Kausalmodelle

disierung (E(ηm ) = 0 für m = 1, ..., M ).370 Für das Strukturgleichungssystem ergibt sich: ηm =

γmm ηm + εm

m = 1, ..., M

(4.30)

P m∈Cm

Die direkt mit der latenten Variable ηm verbundenen latenten Variablen werden in der Indexmenge Cm zusammengefasst. Die Menge Cm S kann weiter unterteilt werden in die Menge der Nachfolger Cm (SucP cessors) und die Menge der Vorgänger Cm (Predecessors). Da für das Strukturgleichungsmodell in seinem Grundmodell Rekursivität gelten soll, ist es ausgeschlossen, dass eine latente Variable zugleich Nachfolger und Vorgänger einer anderen latenten Variable ist. Alle Vorgänger ηm der als Regressand auftretenden latenten Variable ηm beeinflussen diese exogen.371 Die Werte für γmm werden als Pfadkoeffizienten und εm als Fehlerterme, die unabhängig von ηm sind, bezeichnet. Das Kausalmodell lässt sich komplett mit zwei Gleichungen beschreiben:372 η = Γη + ε

(4.31)

y = Λη + θ

(4.32)

Das Strukturmodell wird in der Gleichung (4.31) und das Messmodell in der Gleichung (4.32) dargestellt, wobei der Vektor η = (η1 , ..., ηn ) die latenten Variablen zusammenfasst. Γ ist die Pfadkoeffizientenmatrix, Λ die Matrix der Ladungskoeffizienten, y = (y1 , ..., yn ) der Vektor der manifesten Variablen, ε der Messfehlervektor des Strukturmodells und θ der Messfehlervektor des Messmodells.373 Für den Schätzalgorithmus ist es zweckmäßig, ein Gewichtungsgleichungssystem einzuführen, welches die jeweilige latente Variable als gewichtete Summe der manifesten Variablen definiert.374 Auf Grund der Standardisierung der 370 371 372 373 374

Vgl. Betzin (2000, S. 18 f.). Vgl. ebd. S. 19. Vgl. hierzu und im Folgenden Betzin (2000, S. 6-8). Vgl. ebd. Vgl. Betzin/Henseler (2005, S. 54).

Kausalmodelle

91

latenten Variablen für das Gewichtungsgleichungssystem ergibt sich folgende Beziehung:375 ηm = ym ωm mit Cov(ηm , ηm ) = ωm Σmm ωm = 1 f u¨r m = 1, ..., M

(4.33)

Hierbei ist ωm der Gewichtungskoeffizient zur Bestimmung der latenten Variablen. In Matrixform lässt sich das Gewichtungsgleichungssystem folgendermaßen übertragen: η = yΩ

mit Ω := diag(ω1 , ..., ωm )

(4.34)

Ω stellt hierbei die Matrix der Gewichtungskoeffizienten dar. Wird Bezug auf die einzelnen Blöcke der manifesten Variablen genommen, so ist das Kausalmodell des PLS-Verfahrens mit der Hauptkomponentenanalyse verwandt. Der Unterschied zur Hauptkomponentenanalyse, bei welcher die Gewichte ausschließlich die Informationen der manifesten Variablen enthalten, liegt darin, dass beim PLS-Verfahren die innere Struktur des Modells, also auch die Beziehungen der latenten Variablen untereinander, Berücksichtigung zur Bestimmung der Gewichtungskoeffizienten findet.376 Hierfür werden sogenannte Um∗ gebungsvariablen ηm definiert:377 ∗ ηm =

ηm ρmm

mit m = 1, ..., M

(4.35)

m∈Cm

Für die Koeffizienten ρmm lassen sich verschiedene innere Gewichtungsschemata unterscheiden. Hierbei finden häufig die Korrelationsgewichtung ρmm = cor(ηm , ηm ) = ωm Σmm ωm 378 und die Vorzeichengewichtung ρmm = sgn [cor(ηm , ηm )] Anwendung. Wie aus der Gleichung ∗ (4.35) ersichtlich wird, gehen die Umgebungsvariablen ηm Beziehun375 376 377 378

Vgl. hierzu und im Folgenden Mathes (1993, S. 19). Vgl. Betzin/Henseler (2005, S. 55). Vgl. hierzu und im Folgenden Mathes (1993, S. 20). Da es sich bei den latenten Variablen um standardisierte Werte handelt, entspricht die Kovarianzmatrix der Korrelationmatrix.

92

Kausalmodelle

gen sowohl zu den vorausgegangenen als auch zu den nachfolgenden latenten Variablen ηm ein. Bezieht man das Gewichtungsgleichungssystem und die Umgebungsvariablen mit ein, so stellt das PLS-Modell eine Generalisierung der Hauptkomponentenanalyse379 dar.380

4.7.3

Identifizierbarkeit und Konsistenz

Aufgrund der expliziten Schätzung der Werte der latenten Variablen ist bei PLS die Identifizierbarkeit unproblematisch. Jedoch tritt beim PLS-Verfahren die Problematik auf, dass die PLS-Schätzer nicht mehr konsistent sind.381 Wold (1982) spricht von consistency at large. Das heißt, die Schätzer tendieren dazu, konsistent zu sein, wenn die Zahl der Messvariablen jeder latenten Variablen ansteigt.382 Demzufolge ist es zur Verbesserung der Schätzergebnisse nicht ausreichend, lediglich den Stichprobenumfang zu erhöhen. Diese Vorgehensweise ist bei kovarianzbasierten Verfahren üblich. Bei PLS muss zusätzlich die Anzahl der Indikatorvariablen der reflektiven Messmodelle erhöht werden. Im Folgenden wird detailliert auf den PLS Schätzalgorithmus eingegangen, da dieser sich grundlegend vom Lisrel Schätzverfahren unterscheidet.

4.7.4

PLS Schätzalgorithmus

4.7.4.1

Charakterisierung

Das PLS-Schätzverfahren besteht aus einer Initialisierung, dem Algorithmus zur Schätzung der latenten Variablen und abschließend aus der Bestimmung der Strukturgleichungsparameter.383 Zusammenfas379 380 381 382 383

Vgl. Lohmöller/Wold (1982, S. 10). Vgl. Mathes (1993, S. 22). Vgl. Lohmöller/Wold (1982, S. 10). Vgl. hierzu und im Folgenden Wold (1982a, S. 4). Vgl. Henseler (2005, S. 71).

Kausalmodelle

93

send kann das Schätzverfahren durch folgende fünf Prinzipien charakterisiert werden: „1) Die PLS Schätzung ist iterativ. Für einfache Modelle mit bis zu zwei Variablenblöcken lässt sich nachweisen, dass das Verfahren immer konvergiert. 2) Die latenten Variablen werden in jedem Fall als Linearkombinationen der ihnen zugeordneten Indikatoren aufgefasst.[. . . ] 3) Bei der Schätzung von Modellen mit mehreren latenten Variablen wird kombinierter Gebrauch von Algorithmen zur Schätzung des Hauptkomponentenmodells und der Kanonischen Korrelationsanalyse gemacht. 4) Die PLS Schätzung ist bei größeren Modellen partiell, da nacheinander jeweils nur ein Block und dessen Beziehungen zu den übrigen latenten Variablen betrachtet werden. 5) Die Lösung des Me[ss]- und Strukturmodells erfolgt sukzessiv. Das iterative Verfahren dient zunächst zur Bestimmung der latenten Variablen unter Berücksichtigung der inneren Relationen des Modells. Sind die latenten Variablen bestimmt, erfolgt die Lösung des Strukturmodells, d. h. die nicht iterative Schätzung der inneren Relationen.“384

Im Folgenden wird der Basisalgorithmus vorgestellt.

4.7.4.2

Basisalgorithmus von Wold

Der Basisalgorithmus385 von Wold ist iterativ und verwendet Kleinstquadratschätzungen. Auf jeder Iterationsstufe werden neue Gewichtungskoeffizienten ωm für jede latente Variable ηm berechnet, unter der Annahme, dass die restlichen Gewichtungsvektoren bekannt sind.386 Ein Teil des Modells wird also stets festgesetzt, während ein anderer Teil des Modells berechnet wird. Der PLS-Algorithmus lässt sich in seinen einzelnen Schritten formal folgendermaßen darstellen:387

384 385

386 387

Knepel (1980, S. 17). Theoretische Weiterentwicklungen des Algorithmus, wie beispielsweise die Berücksichtigung sich überlappendender Messvariablenblöcke, finden sich unter anderem bei Lohmöller (1989) und Mathes (1993). Vgl. Betzin (2000, S. 39). Vgl. ebd. S. 40.

94

Kausalmodelle Schritt 0

ηm0 : ηm0 = ym ωm0 fm0 mit m = 1, .., M

Schritt 1

ρmmk = Cor(ηmk , ηmk ) mit m ∈ Cm ∗ ηmk = ηmk ρmmk

Schritt 2

388

m∈Cm

Schritt 3

ωmk+1 + Um

(M odus A)

∗ ηmk = ym ωmk+1 + um

(M odus B)

ym =

∗ ηmk

Schritt 4

ηmk+1 = ym ωmk+1 fmk+1 − 12 fmk+1 = ωmk+1 ym ym ωmk+1

Schritt 5

solange

M ωmk+1 − ωmk ≥ ε setze k := k + 1 m=1

und gehe zu Schritt 1, sonst Stopp. Die Initalisierung des PLS-Algorithmus geschieht im Schritt 0. Prinzipiell können die Gewichte ωmk beliebig gewählt werden, vorausgesetzt sind nichttriviale Linearkombinationen der manifesten Variablen.389 Eine häufig gewählte Möglichkeit besteht darin, das Gewicht des ersten Indikators jeder latenten Variable auf Eins und die Gewichte der restlichen Indikatoren auf Null zu setzen.390 Wählt man eine davon abweichende Anfangsgewichtung, so ist der Koeffizient fm0 nötig, um eine Normierung der latenten Variablen auf die Varianz eins zu sichern.391 Nachdem die Startgewichte festgelegt wurden, werden im Schritt 1 die Koeffizienten für den Zusammenhang der latenten Variablen ηmk bestimmt. Hierbei werden im sogenannten Zentroidschema die Vorzeichen der Korrelation der latenten Variablen betrachtet:392 ⎧ ⎨ sgn Cor(η f u¨r m ∈ Cm mk , ηmk ) (4.36) ρmmk = ⎩ sonst 0 388 389 390 391 392

k ist Iterationszähler mit k = 1, ..., K. K entspricht der Anzahl der maximal auszuführenden Iterationen. Vgl. Götz/Liehr-Gobbers (2004, S. 722). Vgl. Henseler (2005, S. 72). Vgl. hierzu und im Folgenden Betzin (2000, S. 40). Vgl. Betzin/Henseler (2005, S. 62).

Kausalmodelle

95

Der in Gleichung (4.36) berechnete Koeffizient gibt das Vorzeichen der Korrelation für im Modell verbundene latente Variablen an. Für nicht direkt miteinander verbundene latente Variablen wird er gleich Null gesetzt. Zum einen wird damit die Richtung des Einflusses festgelegt und zum anderen sichergestellt, dass nur zusammenhängende Blöcke in die Analyse eingehen.393 Das Zentroidschema hat den Nachteil, dass es bei beitragsmäßig kleinen Korrelationen zu sprunghaften Veränderungen kommen kann.394 Dieser Nachteil wird im Faktorgewichtungsschema vermieden, da hier nicht das Vorzeichen, sondern die Korrelation selbst verwendet wird:395 ⎧ ⎨ Cor(η f u¨r m ∈ Cm mk , ηmk ) (4.37) ρmmk = ⎩ sonst 0 ∗ In Schritt 2 wird nun die Umgebungsvariable ηm nach folgender Gleichung bestimmt: ∗ ηm = ηm ρmm (4.38) m∈Cm

Bei dieser inneren Approximation wird die Information in Bezug auf die einzelnen Blöcke zusammengefasst.396 Im Schritt 3 der äußeren Approximation werden nun die Umgebungs∗ variablen ηm genutzt, um die Gewichtungsvektoren zu verbessern. Ist das Messmodell reflektiv spezifiziert, so wird der in Abbildung 4.6 dargestellte Modus A verwendet:397 ∗ ym = ηmk ωmk+1 + Um

(4.39)

Dies entspricht einer linearen Regression mit den manifesten Variablen ym als abhängige Variablen, wobei Um Residualvariable ist. Bei 393 394 395 396 397

Vgl. Betzin (2000, S. 41). Vgl. Henseler (2005, S. 73). Vgl. Betzin/Henseler (2005, S. 63). Vgl. Knepel (1980, S. 18). Vgl. ebd. S. 19.

96

Kausalmodelle

formativen Messmodellen wird mit Modus B geschätzt: ∗ = ym ωmk+1 + um ηmk

(4.40)

Es wird also eine lineare Mehrfachregression berechnet mit der Um∗ gebungsvariable ηm als abhängige Variable, den manifesten Variablen ym und der Residualvariable um . Kausalmodelle, die für jeden Block des Modells ausschließlich in demselben Modus geschätzt sind, werden mit Modus A bzw. Modus B bezeichnet. Von Modus C wird gesprochen, wenn zumindest für einen Block ein unterschiedlicher Modus zum Einsatz kommt.398 Aus den jeweils bestimmten Gewichten ω werden nun in Schritt 4 die latenten Variablen η berechnet: ηmk+1 = ym ωmk+1 fmk+1

(4.41)

Jede latente Variable ηm setzt sich demnach aus der gewichteten Summe der Messvariablen zusammen. Durch die Größe fmk+1 wird die Normierung der latenten Variablen sichergestellt:

− 1 fmk+1 = ωmk+1 ym ym ωmk+1 2

(4.42)

Die Gleichung (4.42) ergibt sich aus ηm ηm = c für c = 1. In Schritt 5 wird das Verfahren abgebrochen, wenn sich die Schätzwerte nur noch geringfügig verändern (konvergieren)399 und folgende Ungleichung nach Durchlaufen des Iterationszyklus nicht mehr erfüllt ist: M ωmk+1 − ωmk ≥ ε

(4.43)

m=1

Als Abbruchkriterium dient hier die Summe der Abweichungen der Gewichtungskoeffizienten von einer Iteration zur nächsten. Wold (1982a) schlägt für ε den Wert 10−5 vor.400 Als alternatives Abbruchkriteri398 399 400

Vgl. Wold (1982a, S. 10). Vgl. Betzin (2000, S. 44). Vgl. Wold (1982a, S. 14).

Kausalmodelle

97

Modus A Reflektive Messmodelle zur Bestimmung der latenten Variablen

Modus B Formative Messmodelle zur Bestimmung der latenten Variablen

Modus C Fromative Messmodelle zur Bestimmung der latenten exogenen Variablen und reflektive Messmodelle zur Bestimmung der latenten endogenen Variablen

Abbildung 4.6: Modi zur äußeren Approximation (In Anlehnung an Fornell/Bookstein, 1982, S. 293)

98

Kausalmodelle

um wählt beispielsweise Betzin (2000) nicht wie hier die Summe des Betrags der Veränderung der Gewichtungskoeffizienten, sondern die quadrierte Veränderung der latenten Variablen selbst.401 Die ableitbaren Optimierungseigenschaften beider Modi sind von den ermittelten Zusammenhangskoeffizienten abhängig und sind maßgeblich für das Konvergenzverhalten. So ist das Konvergenzverhalten theoretisch zwar nicht bewiesen, jedoch deuten die praktischen Anwendungen darauf hin, dass scheinbar immer Konvergenz eintritt.402

4.7.4.3

Berechnung der Modellparameter

Durch den PLS-Algorithmus sind nun die latenten Variablen des Modells geschätzt, was als erste Stufe bezeichnet wird. In der zweiten Stufe müssen die restlichen Parameter des Messmodells und des Strukturmodells bestimmt werden. Zur Lösung werden wiederum Kleinstquadratschätzungen verwendet.403 Hierbei ist die Berechung davon abhängig, ob das Messmodell reflektiv oder formativ spezifiziert wurde.404 Für ein reflektives Messmodell ergeben sich folgende Ladungskoeffizienten: −1 (ηm ηm ) η m ym =: λm (4.44) Da aufgrund der Normierung (ηm ηm )−1 = 1 gilt, entfällt der erste Teil der Gleichung. Für ein formatives Messmodell werden die Gewichtungskoeffizienten mit der entsprechenden Normierung beim letzten Iterationszyklus durch die Gleichung (4.40) bestimmt.405 Das Strukturmodell wird mit folgender Gleichung gelöst:

401 402 403 404 405

ηC mP ηCmP

−1

ηC mP ηm =: γCmP

(4.45)

Vgl. Betzin (2000, S. 44). Vgl. Betzin/Henseler (2005, S. 68). Vgl. Betzin (2000, S. 22). Zur reflektiven bzw. formativen Spezifizierungsentscheidung der Messmodelle wird auf Abschnitt 4.4.2 verwiesen. Vgl. Betzin/Henseler (2005, S. 69).

Kausalmodelle

99

Hierbei ist ηCmP der Vektor der Vorgänger von ηm und γCmP der Vektor der entsprechenden Regressionskoeffizienten, womit das Strukturgleichungsmodell vollständig geschätzt ist.406 Für die Überprüfung des Modells ist es wichtig, Maße zur Anpassungsgüte der Schätzung zu berechnen. Bei PLS gibt es im Gegensatz zu Lisrel keine Möglichkeit das Modell global zu testen. Das Kausalmodell kann also nur mit lokalen Anpassungsmaßen beurteilt werden, welche im Folgenden beschrieben sind.

4.7.5

Anpassungsgüte von PLS

Bei der Gütebeurteilung von PLS-Modellen existieren keine globalen Gütemaße, weshalb sich Messmodell und Strukturmodell nur getrennt voneinander validieren lassen.407 Prinzipiell geht es um die Frage, inwieweit sich das spezifizierte Modell eignet, die Wirkungen zwischen den Variablen zu beschreiben. Hierbei umfasst die Beurteilung einen mehrstufigen Prozess.408 4.7.5.1

Vorgehensweise

Eine systematische Vorgehensweise zur Modellbeurteilung wird von Ringle (2004a) vorgeschlagen. Zuerst werden die Messergebnisse im Strukturmodell beurteilt. Anschließend werden die reflektiven und formativen Messmodelle überprüft, um in einem letzten Schritt das Gesamtmodell zu bewerten.409 4.7.5.2

Beurteilung des Strukturmodells

Für das Strukturmodell lässt sich das aus der Regressionsanalyse bekannte Bestimmtheitsmaß R2 der endogenen Variablen aus den Re406 407 408 409

Vgl. Betzin (2000, S. 23). Vgl. Henseler (2005, S. 74). Vgl. Götz/Liehr-Gobbers (2004, S. 726). Vgl. Ringle (2004a, S. 14).

100

Kausalmodelle

gressionen des inneren Modells berechnen.410 Dieses gibt den Anteil der erklärten Varianz des latenten Konstrukts wider und misst, wie gut sich die Regressionsfunktion an die empirischen Daten anpasst. Je höher der Wert des R2 , welches Werte zwischen 0 und 1 annehmen kann, desto größer ist der erklärte Anteil der Streuung an der Gesamtstreuung.411 Für das Bestimmtheitsmaß R2 gelten Richtwerte ab 0,67 als „substanziell“, während Werte ab 0,33 an als „durchschnittlich“ und ab 0,19 als „schwach“ einzustufen sind.412 Neben dem Bestimmtheitsmaß, das für alle endogenen latenten Variablen bestimmt werden sollte,413 dienen auch die Pfadkoeffizienten selbst als Gütemaß. Hierbei empfiehlt Lohmöller (1989), dass diese mindestens einen Wert von 0,1 haben sollten, um in das PLS-Modell aufgenommen zu werden.414 Zudem kann die Reliabilität der Pfadkoeffizienten durch Resamplingtechniken wie Bootstrapping oder Jackknifing415 gewonnenen t-Statistiken geprüft werden.416 Um zu ermitteln, ob der Einfluss einer exogenen latenten Variable auf eine endogene latente Variable substanziell ist, kann als Gütemaß die Effektstärke/Effektgröße formal wie folgt berechnet werden:417 f2 =

2 2 − Rexcluded Rincluded >0 2 1 − Rincluded

(4.46)

Die analog zum partiellen F-Test entwickelte Effektgröße berechnet hierbei die Änderung des Bestimmtheitsmaßes, wenn das Modell zum 2 einen mit der entsprechenden exogenen latenten Variable (Rincluded ) 2 und zum anderen ohne diese (Rincluded ) spezifiziert wird. Nimmt die 410 411 412 413 414 415

416 417

Vgl. Krafft/Götz/Liehr-Gobbers (2005, S. 83). Vgl. Backhaus et al. (2003, S. 66-68). Vgl. Ringle (2004a, S. 15). Vgl. Hulland (1999, S. 202). Vgl. Lohmöller (1989, S. 60). Bei Jackknifing wird eine systematische Stichprobe gezogen. Das heißt alle Fälle kommen mindestens einmal in einer Stichprobe vor. Bei Bootstrapping erfolgt die Ziehung der Stichprobe zufällig nach dem Modell mit Zurücklegen. Vgl. Krafft/Götz/Liehr-Gobbers (2005, S. 83). Vgl. Cohen (1987, S. 410).

Kausalmodelle

101

Effektgröße einen Wert von 0,35 oder größer an, so hat die exogene Variable substanziellen Einfluss auf die mit ihr direkt verbundenen endogenen latenten Variablen. Bei einem Wert von 0,15 (0,03) wird von moderatem (schwachem) Einfluss gesprochen.418 Als ein weiteres Gütemaß dient zur Prognoserelevanz das nichtparametrische Stone-Geisser Testkriterium. Dieses Maß wird mithilfe von Blindfolding ermittelt. In mehreren Runden wird zur Schätzung ein Teil der Rohdatenmatrix zeitweise gelöscht bzw. ausgeblendet (blindfolded).419 Als Ergebnis ergeben sich generelle Kreuzvalidierungsmaße und die Jackknife-Standardabweichung. Das Stone-Geisser Testkriterium berechnet sich formal folgendermaßen:420 K

Q2j = 1 −

Ejk

k=1 K

>0

(4.47)

Ojk

k=1

Hierbei ist

K

Ejk die Quadratsumme der Prognosefehler und

k=1

K

Ojk die

k=1

Quadratsumme aus der Differenz von geschätztem Wert und Mittelwert der verbleibenden Daten aus der Bootstrapping-Prozedur. Der Index stellt das zu betrachtende endogene Messmodell dar und repräsentiert den Laufindex über alle Messvariablen des Strukturgleichungsmodells. Für Q2j Werte größer null hat das Modell Prognoserelevanz.421

4.7.5.3

Beurteilung reflektiver Messmodelle

Zur Beurteilung von reflektiven Messmodellen lässt sich die Inhaltsvalidität als ein Gütemaß angeben. Die Inhaltsvalidität gibt den Grad an, zu dem die Variablen eines Messmodells dem inhaltlich semantischen 418 419 420 421

Vgl. ebd. S. 410 f. Vgl. Lohmöller/Wold (1982, S. 11). Vgl. hierzu und im Folgenden Krafft/Götz/Liehr-Gobbers (2005, S. 85). Vgl. Lohmöller/Wold (1982, S. 12).

102

Kausalmodelle

Bereich des Konstrukts angehören. Eine geeignete Methode ist hierfür die explorative Faktorenanalyse. Mit diesem Verfahren lässt sich jeder Block des Messmodells auf einfaktorielle Faktorstruktur prüfen. Falls die Inhaltsvalidität für die Indikatorvariablen gilt, lassen sich weitere Aussagen bezüglich Reliabilität und Validität treffen.422 Als Reliabilitätsmaße sind bei reflektiven Messmodellen die Indikatorreliabilität und Konstruktorreliabilität zu ermitteln. Die Indikatorreliabilität (item reliability) gibt den Anteil der Varianz eines Indikators an, der durch die latente Variable erklärt werden kann. Hierbei sollten mindestens 50% der Varianz eines Indikators auf die latente Variable zurückzuführen sein, was impliziert, dass die Ladungen einer latenten Variablen auf einen Indikator einen Wert größer als 0,7 aufweisen sollten.423 Problematisch ist dies häufig bei empirischen Forschungsarbeiten mit neu entwickelten Skalen, bei welchen auch kleinere Ladungen vorkommen können. Generell sollten jedoch Ladungen, die geringer als 0,4 sind, aus reflektiven Messmodellen entfernt werden.424 Die Konstruktorreliabilität (convergent reliability) wird auch Faktorreliabilität genannt und ist ein Gütemaß zur Beurteilung der Eignung einer latenten Variable zur Erklärung des zu ihr in Beziehung stehenden Blocks der reflektiven Messvariablen.425 Unter vorausgesetzter Standardisierung lässt sich die Interne Konsistenz wie folgt berechnen: p 2 λyi i=1 IK = ρη = (4.48) 2 p p λyi + var(εi ) i=1

i=1

Hierbei ist ρη die Interne Konsistenz (IK) und λyi die Ladung zwischen latenter Variable und Messvariable. Die Varianz var(εi ) lässt sich aus 1−λ2yi bestimmen. Bei der Internen Konsistenz gelten Werte größer 0,7 422 423 424 425

Vgl. Krafft/Götz/Liehr-Gobbers (2005, S. 73). Vgl. Hulland (1999, S. 198). Vgl. Krafft/Götz/Liehr-Gobbers (2005, S. 73 f.). Vgl. Ringle (2004a, S. 19).

Kausalmodelle

103

als annehmbar.426 Zusätzlich sollte bei der Gütebeurteilung reflektiver Messmodelle die Diskriminanzvalidität (discriminant validity) geprüft werden. Hierunter wird generell die Unterschiedlichkeit der Messungen verschiedener Konstrukte mit einem Messinstrument verstanden.427 Die gemeinsame Varianz zwischen den latenten Variablen und ihren Messvariablen sollte größer sein als die Varianz mit den anderen latenten Variablen. Um die Diskriminanzvalidität zu beurteilen, bestimmt man die durchschnittlich erfasste Varianz (DEV) formal mithilfe folgender Gleichung:428 p λ2yi i=1 (4.49) DEV = ρvc(η) = p p 2 λyi + var(εi ) i=1

i=1

Wenn die DEV kleiner ist als 0, 5, so ist die durch das Modell erfasste Varianz kleiner als die Varianz des Fehlerterms. Die Validität sowohl der einzelnen Indikatorvariablen (y) als auch des Konstrukts (η) ist in diesem Fall fraglich. Die durchschnittlich erfasste Varianz ist ein konservativeres Maß als die Interne Konsistenz, d. h. die DEV muss nicht zwangsläufig gelten, falls die IK erfüllt ist.

4.7.5.4

Beurteilung formativer Messmodelle

Zur Gütebeurteilung formativer Messmodelle können die für reflektive Messmodelle behandelten Maße nicht verwendet werden. Ein Grund hierfür ist, dass die formativen Indikatoren nicht hochgradig korreliert sein müssen und keine Annahme dazu getroffen wird, dass die Messvariablen mit der latenten Variable eine starke Beziehung aufweisen müssen.429 Eine Möglichkeit ist, anhand eines Pre-Tests die sogenannte Expertenvalidität zu bestimmen. Eine Experten- bzw. Probanden426 427 428 429

Vgl. Krafft/Götz/Liehr-Gobbers (2005, S. 74). Vgl. Hulland (1999, S. 199). Vgl. hierzu und im Folgenden Fornell/Larcker (1981, S. 46). Vgl. Krafft/Götz/Liehr-Gobbers (2005, S. 76).

104

Kausalmodelle

gruppe trifft eine Zuordnung der Indikatoren, was dann mit der vom Forscher beabsichtigten Zuordnung verglichen wird.430 Als Maß für die Eindeutigkeit der Zuordnung kann zum Beispiel der psa -Index gebildet werden, welcher sich formal aus der Zahl der Übereinstimmungen nc im Verhältnis zu der Zahl der Befragungspersonen N berechnet:431 psa =

nc N

(4.50)

Der psa -Index nimmt Werte zwischen null und eins an. Die inhaltliche Relevanz lässt sich durch den csv -Index bestimmen. Dieser berechnet sich aus der Differenz zwischen der Anzahl der „richtig“ zugeordneten Fälle und der am Häufigsten „falsch“ zugeordneten Fälle, welche ins Verhältnis zur Gesamtzahl der befragten Personen gesetzt wird. Hierbei bestätigen wieder hohe Werte die Güte der getroffenen Zuordnung.432 Bei der Indikatorrelevanz soll ermittelt werden, welche Messvariablen am Nachhaltigsten dazu beitragen, eine latente Variable zu bilden. Die bei formativen Messmodellen häufig geringer ausfallenden Gewichte sollten nicht als schlecht spezifiziertes Messmodell fehlinterpretiert werden, da die Zuordnung bei formativen Indikatoren auf theoretischkonzeptioneller Ebene erfolgt.433 Zur Eliminierung einer manifesten Variablen wird jedoch für den Fall geraten, dass Multikollinearität (MK)434 zwischen den formativen Indikatoren vorliegt.435 Der Grund hierfür liegt darin, dass formative Messmodelle mittels multipler Regression bestimmt werden.436 Zur Aufdeckung von Multikollinearität können bekannte Methoden wie z. B. die Korrelationsmatrix, der Va430 431 432 433 434 435 436

Vgl. Götz/Liehr-Gobbers (2004, S. 728). Vgl. Krafft/Götz/Liehr-Gobbers (2005, S. 77). Vgl. Krafft/Götz/Liehr-Gobbers (2005, S. 77). Vgl. Götz/Liehr-Gobbers (2004, S. 728 f.). Zur umfassenden Beschreibung der Multikollinaritätproblematik wird auf Backhaus et al. (2008, S. 87-90) verwiesen. Vgl. Ringle (2004a, S. 21 f.). Vgl. Diamantopoulos/Winkelhofer (2001, S. 272).

Kausalmodelle

105

riance Inflation Factor VIF437 , Toleranz438 , der Konditionsindex439 und die Varianzzerlegung herangezogen werden.440 Als ein weiteres Gütekriterium wird die Externe Validität vorgeschlagen. Das PLS-Verfahren geht beim formativen Messmodell von einer fehlerfreien Messung aus, welche jedoch nicht immer zutrifft. Um Fehlerterme zu bestimmen, können zum Modell zusätzliche reflektive Messvariablen eingesetzt werden.441 Eine Möglichkeit der Operationalisierung bietet das in Abbildung (4.7) dargestellte Multiple Indicators and Multiple Causes (MIMIC)-Modell. Bei diesem Modell werden an das formative Messmodell, welches sich aus der latenten Variable ξ1 und den dazugehörigen Indikatoren y4 , y5 , y6 zusammensetzt, geeignete reflektive Indikatoren y1 , y2 , y3 angeschlossen. Da dies bei den meisten PLS-Verfahren nicht ohne Weiteres möglich ist, muss wie folgt vorgegangen werden: Es wird eine reflektive endogene latente Variable η1 als Phantomvariable in das Hilfsmodell eingefügt. Der Fehlerterm ζ1 lässt sich berechnen, wenn δ1 = 0 gesetzt wird. Es liegt externe Validität vor, wenn ein starker und signifikanter Zusammenhang zwischen der latenten Variable ξ1 und der Phantomvariable η1 bestätigt wird.

4.7.5.5

Beurteilung des Gesamtmodells

Da zur Beurteilung des gesamten Modells noch kein globales Gütemaß existiert, sollte das Kompendium der vorab erläuterten Gütemaße möglichst gut erfüllt sein, um möglichst in allen Elementen des 437

438

439

440 441

Der VIF kann für jede manifeste Variable xj bestimmt werden als V IF =

1 . 1−Rj2

Hierbei ist Rj das Bestimmtheitsmaß der multiplen Regression der übrigen manifesten Variablen eines Blocks auf xj . VIF Werte größer 10 deuten auf Multikollinearität hin. Die Toleranz = V 1IF = 1 − Rj2 ist der Kehrwert des VIF und ist demnach als inverses Gütemaß zu interpretieren. λ

j Für einen Konditionsindex KIj = min λi (mit λj Eigenwert und min λi dem kleinsten der übrigen Eigenwerte) größer als 30 spricht man ebenfalls von starker Multikollinearität. Vgl. Krafft/Götz/Liehr-Gobbers (2005, S. 82). Vgl. Krafft/Götz/Liehr-Gobbers (2005, S. 80).

106

Kausalmodelle

Abbildung 4.7: MIMIC-Modell Implementierung mit Phantomvariable (In Anlehnung an Diamantopoulos/Winkelhofer, 2001, S. 272) Kausalmodells signifikante Ergebnisse zu erzielen.442 Diese Vorgehensweise entspricht auch der Vorstellung von Wold (1979), welcher dem PLS-Verfahren einen explorativen Charakter in komplexen Modellen zuspricht. Für besonders geeignet hält Wold das PLS-Verfahren für Daten, bei denen das theoretische Wissen gering ist.443

442 443

Vgl. Ringle (2004a, S. 23). Vgl. Wold (1979, S. 5).


107

Kapitel 5 Empirische Untersuchung 5.1

Vorgehensweise

Im vorangegangen Kapitel wurden Kausalmodelle ausführlich theoretisch behandelt. Anhand empirischer Daten wird in diesem Kapitel ein Kausalmodell erstellt. Als Grundlage zur Hypothesenbildung dienen die im Kapitel Lieferantenmanagement ausgearbeiteten Kriterien zur Lieferantenbewertung und die dort dargestellten Zusammenhänge.

5.2

Datengrundlage

Als Daten werden die von einem Unternehmen der Automobilindustrie444 erhobenen Merkmale zur Lieferantenbewertung verwendet. Die im Anhang A.1 dargestellten Merkmalsvariablen dienen der regelmäßigen Einschätzung von Lieferanten bzgl. gelieferter Vorprodukte und Materialien. Es wird mit einem originalen Datensatz (mit 15.162 Fällen)445 aus dem Jahr 2008 gearbeitet. Die Merkmalsvariablen werden 444 445

Das Unternehmen stellte die Daten unter der Voraussetzung anonym zu bleiben zur Verfügung. 1465 Lieferanten sind insgesamt bewertbar. Eine umfassende Bewertung wird bei 316 Lieferanten durchgeführt.


108


Abbildung 5.1: Anzahl der Bewertungen je Standort

mit unterschiedlicher Skalierung gemessen und sind zum größten Teil Einschätzungen auf einer Skala von 0 (schlechteste Bewertung) bis 10 (beste Bewertung). Die empirischen Verteilungen in den Modellen eingesetzter Bewertungsmerkmale sind in Abschnitt A.2 im Anhang dargestellt. Eine Gesamtbewertung gibt es zwar für jeden Fall, jedoch sind für einige Fälle nicht alle Merkmalsvariablen bewertet worden. Der Grund liegt darin, dass nicht alle Lieferanten mit sämtlichen Merkmalen bewertet wurden bzw. bewertet werden konnten. Technisch führen die unvollständigen Fälle zu einer fehlenden Werte Problematik (Missing Values). Auf die fehlenden Werte und die Behandlung dieser wird noch genauer eingegangen. Die Bewertungen beziehen sich nur auf den Industriezweig der Automobilindustrie eines Unternehmens, was als Klumpenstichprobe zu bewerten ist. Repräsentativität ist dennoch für diesen Industriezweig gewährleistet, da dieser mit betrachteten 14 unterschiedlichen Standorten und durchschnittlich 859 Bewertungen je Standort hinreichend gut abgebildet ist. Berücksichtigt man, dass in der Automobilindustrie die Zulieferer meist für mehrere Unternehmen tätig sind, so ist der Markt der Lieferanten mit 316 bewerteten Zulieferen hinreichend gut abgebildet. In Abbildung 5.1 sind die Fall-

Empirische Untersuchung Konstrukt 1 Konstrukt 2 Konstrukt 3 Konstrukt 4 Konstrukt 5

109

Zufriedenheit mit der Qualität des Lieferanten (Q) Zufriedenheit mit den Kosten des Lieferanten (K) Zufriedenheit mit der Flexibilität des Lieferanten (F) Zufriedenheit mit der Liefersicherheit des Lieferanten (S) Gesamtzufriedenheit mit dem Lieferanten (G)

Tabelle 5.1: Die latenten Konstrukte zahlen für jeden Standort veranschaulicht. Bemerkenswert ist, dass vier Standorte (Standorte 11 bis 14) wesentlich geringeren Fallzahlen und die ersten zehn Standorte (Standorte 1 bis 10) zum gößten Teil in etwa gleiche Fallzahlen aufweisen. Auf Grundlage der erhobenen Daten und der theoretischen Überlegungen zu den Zielen der Beschaffung werden zuerst ein Strukturmodell und anschließend die zugehörigen Messmodelle spezifiziert.

5.3

Hypothesenbildung und Modellspezifikation

5.3.1

Die latenten Konstrukte

Aus den in Abschnitt 2.1.2 angestellten theoretischen Überlegungen zu den Zielen der Beschaffung werden die in Tabelle 5.1 dargestellten fünf latenten Konstrukte (latente Variablen) festgesetzt.446 Nachdem die latenten Konstrukte festgelegt sind, werden die Hypothesen zum Modell gebildet. 446

Als ein weiteres latentes Konstrukt stand Zufriedenheit mit der Forschung und Entwicklung der Lieferanten zur Überlegung. Da dieser Aspekt für die Bewertung nicht vorrangig von Interesse ist und sich somit nicht schlüssig in das Strukturmodell integrieren lässt, wurde von diesem latenten Konstrukt abgesehen. Ein weiterer Grund für die Nichtspezifikation dieses latenten Konstrukts ist, dass es nicht von allen Lieferanten erfüllt wird.

110


Abbildung 5.2: Strukturmodell des Beispiels

5.3.2

Hypothesenbildung und das Strukturmodell

Die hypothetischen kausalen Abhängigkeiten des Strukturmodells sind als Pfeilschema in Abbildung 5.2 veranschaulicht. Für das Strukturmodell werden folgendende Hypothesen aufgestellt: H1 : Die latente Variable Zufriedenheit mit der Qualität (Q) hat einen positiven Einfluss auf die latente Variable Gesamtzufriedenheit mit dem Lieferanten (G), wobei ein stark positiver Zusammenhang erwartet wird. (+++) H2 : Die latente Variable Zufriedenheit mit den Kosten des Lieferanten (K) hat einen positiven Einfluss auf die latente Variable Gesamtzufriedenheit mit dem Lieferanten (G), wobei ein positiver Zusammenhang erwartet wird. (++) H3 : Die latente Variable Zufriedenheit mit der Liefersicherheit des Lieferanten (S) hat einen positiven Einfluss auf die latente Variable Gesamtzufriedenheit mit dem Lieferanten (G), wobei von einem positiven Zusammenhang ausgegangen wird. (+) H4 : Die latente Variable Zufriedenheit mit der Qualität des Lieferanten (Q) hat einen negativen Einfluss auf die latente Variable Zufriedenheit


111

mit den Kosten des Lieferanten (K), wobei von einem negativen Zusammenhang ausgegangen wird.447 (- -) H5 : Die latente Variable Zufriedenheit mit der Flexibilität des Lieferanten (F) hat einen negativen Einfluss auf die latente Variable Zufriedenheit mit den Kosten des Lieferanten (K), wobei von einem leicht negativen Zusammenhang ausgegangen wird.448 (-) H6 : Die latente Variable Zufriedenheit mit der Flexibilität des Lieferanten (F) hat einen positiven Einfluss auf die latente Variable Zufriedenheit mit der Liefersicherheit des Lieferanten (S), wobei von einem positiven Zusammenhang ausgegangen wird.449 (++) H7 : Die latente Variable Zufriedenheit mit der Liefersicherheit des Lieferanten (S) hat einen negativen Einfluss auf die latente Variable Zufriedenheit mit den Kosten des Lieferanten (K), wobei ein negativer Zusammenhang vermutet wird.450 (-)

5.3.3

Spezifikation der Messmodelle

5.3.3.1

Plausibilitätsüberlegungen

Für jedes latente Konstrukt ist ein geeignetes Messmodell zu finden. Hierbei werden nicht alle 69 Variablen des Datensatzes einbezogen. Es wird auf Merkmalsvariablen mit einer großen Anzahl an fehlenden Werten (Missing Values) verzichtet.451 Ein weiterer Aspekt für die 447

448

449 450

451

Es wird Zielkontrarität vermutet: Je höher die Zufriedenheit mit der Qualität ist, desto höher ist voraussichtlich das Kostenniveau und umso geringer ist die Zufriedenheit mit dem Kostenniveau. Es wird Zielkontrarität vermutet: Je höher die Zufriedenheit mit der Flexibilität des Lieferanten ist, desto höher ist voraussichtlich das Kostenniveau, und umso geringer ist die Zufriedenheit mit dem Kostenniveau. Es wird Zielkonformität vermutet: Je höher die Zufriedenheit mit der Flexibilität ist, desto höher ist voraussichtlich die Zufriedenheit mit der Liefersicherheit. Es wird Zielkontrarität vermutet: Je höher die Zufriedenheit mit der Liefersicherheit ist, desto höher ist voraussichtlich das Kostenniveau und umso geringer ist die Zufriedenheit mit dem Kostenniveau. Bei den Variablen, die in das Modell aufgenommen werden, wurden die Missing Values durch Mittelwerte ersetzt.

112


Auswahl stellt zudem das Skalenniveau der Merkmalsvariablen dar. Es werden bevorzugt Variablen ins Modell aufgenommen, die höchstes Skalenniveau452 haben. Aus diesem Grund wird auf dichotome Variablen wie beispielsweise die Variablen #52 EDI-Anbindung453 und #54 Lieferschein DFÜ aktiv verzichtet.454 5.3.3.2

Zuordnung zu den latenten Konstrukten

In diesem Schritt werden die Indikatorvariablen des Datensatzes den Konstrukten nach inhaltlichen Überlegungen zugeordnet. Die Merkmalsvariablen, die sich nicht einem der latenten Konstrukte zuordnen lassen, werden nicht in das Modell aufgenommen. Beispiele hierfür sind die Variablen #9 Umweltmanagement, #32 Entwicklung und #35 Erprobung. In der Tabelle B.1 im Anhang werden die geeigneten Merkmalsvariablen also nach ihrer inhaltlichen Relevanz den latenten Konstrukten zugeordnet. Hierdurch ergibt sich das in Abbildung 5.3 dargestellte vollständige Kausalmodell.455

5.4

Wahl des Schätzalgorithmus

5.4.1

Lisrel oder Partial Least Squares

Nachdem die latenten Konstrukte festgelegt und die Messmodelle bestimmt sind, gilt es sich für einen Schätzalgorithmus zu entscheiden. 452 453

454 455

Annähernd metrisches Skalenniveau haben in diesem Datensatz die Bewertungen auf einer stetigen Skala von 0 bis 10 mit zwei Nachkommastellen. Eine Electronic Data Interchange-Anbindung bezeichnet als Sammelbegriff alle elektronischen Verfahren zum asynchronen, vollautomatischen Versand von strukturierten Nachrichten zwischen Anwendungssystemen unterschiedlicher Institutionen. Diese ist beim Lieferanten entweder vorhanden oder nicht. Eine Übersicht sämtlicher Variablen findet sich in der Tabelle A.1 im Anhang. Die Abbildung 5.3 zeigt das Kausalmodell mit dem Programm SmartPLS (Ringle/Wende/Will (2005)). Das Messmodell ist in der Abbildung einheitlich reflektiv spezifiziert.

Abbildung 5.3: Vollständig spezifiziertes Kausalmodell

(Die Zuordnung der Messvariablen zu den latenten Konstrukten findet sich in Tabelle B.1 im Anhang)

Empirische Untersuchung 113

114


Zur Schätzung von Strukturgleichungsmodellen mit latenten Variablen hat man die Möglichkeit, den in Abschnitt 4.6 beschriebenen Lisrel Ansatz oder den in Abschnitt 4.7 beschriebenen Partial Least Squares Ansatz (PLS) zu verwenden. Die Wahl des geeigneten Verfahrens sollte nicht willkürlich getroffen werden, sondern aufgrund der Beschaffenheit der betrachteten Daten und der Komplexität des zu spezifizierenden Strukturgleichungsmodells. Die Ansätze unterscheiden sich hinsichtlich ihres Aufbaus und ihrer Zielsetzung.456 Wesentlich stärker verbreitet war lange Zeit das Lisrel-Verfahren. Dies zeigt die Tatsache, dass Homburg (1992) den Begriff der Kausalanalyse mit der Kovarianzstrukturanalyse457 gleich setzt.458 Das PLS-Verfahren erfährt eine Wiederentdeckung und häufigere Anwendung in jüngerer Zeit.459 Wold (1982a) selbst beschreibt die Verfahren Lisrel und PLS als sich ergänzend.460 Die jeweiligen Untersuchungsumstände, wie zum Beispiel die Komplexität des Modells, sollten zur Wahl von einem der beiden Schätzverfahren führen.461 Es gilt demnach, sich auf eines dieser beiden Schätzverfahren festzulegen.

456 457

458 459 460

461

Vgl. Fornell/Bookstein (1982, S. 313). Die Begriffe Kovarianzstrukturanalyse und Lisrel werden synonym verwendet. Die Kovarianzstrukturanalyse beschreibt das statistische Verfahren und Lisrel deren erste Implementierung (vgl. hierzu Abschnitt 4.6.1). Vgl. Homburg (1992, S. 500). Vgl. Bliemel et al. (2005), Backhaus et al. (2008) und Weiber/Mühlhaus (2010). ”The PLS and ML-Lisrel approaches to path models with latent variables indirectly observed by multiple indicators are complementary rather than competitive” (Wold (1982a, S. 5)). Vgl. Fornell/Bookstein (1982, S. 311).


5.4.2

115

Kriterien zur Auswahl

Kriterium

PLS

Lisrel

Ziel

Prognoseorientiert: Erklärung

Parameterorientiert:

latenter Variablen und oder

Erklärung empirischer

Indikatorvariablen

Datenstrukturen

Methodenansatz

Varianzbasierend

Kovarianzbasierend

Annahmen

Prädiktorspezifikation

Multivariate Normalverteilung und unabhängige Beobachtungen

Parameterschätzer

Konsistent, wenn Fallzahl und

Konsistent

Indikatorenzahl hoch (consistency at large) Latente Variable

Werte explizit geschätzt

Werte nicht determiniert

(scored values)

(unscored values)

Messmodell

Reflektiv und/oder formativ

Reflektiv (begrenzt formativ)

Theorieanforderungen

Flexibel

Hoch

Modellkomplexität

Hochkomplexe Modelle

Begrenzt

analysierbar Stichprobengröße

Auch für kleine Stichproben

Hoch

geeignet Implikation

Optimal für

Optimal für

Prognosegenauigkeit

Parametergenauigkeit

Tabelle 5.2: Methodenvergleich PLS und Lisrel (Abbildung in Anlehnung an Fornell, 1987, S. 413, Bliemel et al., 2005, S. 11 und Ringle, 2004b, S. 34)

Die Kriterien anhand derer man das Schätzverfahren auswählt, sind überblicksartig in Tabelle 5.2 dargestellt. Im folgenden Abschnitt wird die Wahl eines der beiden Schätzverfahren für das spezifizierte Kausalmodell begründet.

116


5.4.3

Auswahl von Partial Least Squares

5.4.3.1

Exploratives oder konfirmatorisches Design

Die Anforderungen an das theoretische Hypothesensystem, welches bei Lisrel geprüft wird, sind hoch. Das heißt, hinter den Modellen sollte eine umfassend spezifizierte Theorie stehen, da Lisrel a priori aufgestellte Schranken benötigt, um schätzbar zu sein. Ferner dient hierbei eine ausgefeilte Theorie dazu, konkurrierende Ergebnisse auszusortieren. Die theoretischen Anforderungen, welche beim Lisrel-Verfahren hoch sind und konfirmatorischen Charakter haben, sind beim PLSVerfahren geringer, was zweitere Methode flexibel macht.462 Da es in dem Bereich der Lieferantenbewertung keine etablierten Theorien zu kausalen Modellen gibt, fällt die Wahl unter diesem Gesichtspunkt auf das explorative PLS-Verfahren.463

5.4.3.2

Annahmen

Gegen das Lisrel-Verfahren sprechen zudem die strikten Voraussetzungen,464 wie beispielsweise die der multivariaten Normalverteilung. Diese einschränkende Annahme bringt hier andererseits den Vorteil einer umfassenden und globalen Testbarkeit.465 Das PLS-Verfahren kommt weitgehend ohne diese Voraussetzungen aus. Zum Beispiel sind keine Annahmen über die Verteilung der Merkmale nötig. Aus diesem Grund wird diese Art der Schätzung des Kausalmodells auch als Softmodeling bezeichnet. Ein weiterer Vorteil der PLSSchätzung ist, dass die in den Daten vorkommende Multikollinearität unkritisch ist. 462 463 464 465

Vgl. Fornell (1987, S. 420). Vgl. Lohmöller (1984, S. 48). Aus diesem Grund wird der Lisrel-Ansatz auch als Hardmodeling bezeichnet. Vgl. Abschnitt 4.6.5.1.

Empirische Untersuchung 5.4.3.3

117

Stichprobengröße

Das Lisrel-Verfahren benötigt einen wesentlich höheren Stichprobenumfang, um präzise Schätzergebnisse zu erreichen.466 Da der Datensatz eine recht große Fallzahl hat, wäre dies unkritisch, wenn die anderen Kriterien auch für das Lisrel-Modell sprechen würden. Eine größere Fallzahl wirkt sich jedoch beim PLS-Modell nicht nachteilig aus.

5.4.3.4

Formative Messmodelle

Viele Autoren führen als entscheidenden Vorteil von PLS gegenüber Lisrel an, dass die Möglichkeit besteht, auch formative Messmodelle zu spezifizieren.467 Jedoch lassen sich formative Messmodelle ebenso in Lisrel implementieren, zumindest bei weniger komplexen Strukturgleichungsmodellen, wie etwa dem MIMIC-Modell.468 Ein Grund für dieses weit verbreitete Auffassung liegt möglicherweise darin, dass die Kovarianzanalyse für reflektive Messmodelle entworfen wurde.469 Die Spezifizierung von formativen Messmodellen wird von Fornell (1982) nicht als standard practice angesehen, da man hierzu das Modell umformulieren muss, und formative Messmodelle außerhalb des Bereichs der klassischen Testtheorie fallen.470

5.4.3.5

Komplexität des Modells

Ein weiterer Vorteil des PLS-Verfahrens ist, dass es sehr komplexe Strukturgleichungsmodelle bestimmen kann. Die Zahl der Parameter und die Größe des Modells sind praktisch nicht beschränkt. Das PLSVerfahren schätzt in kurzer Zeit eine Lösung für das Modell, was Wold 466 467 468 469 470

Fornell/Bookstein (1982) halten sogar einen Stichprobenumfang, welcher kleiner als die Anzahl der Messvariablen ist, für denkbar. Vgl. Ringle (2004b, S. 21) und Götz/Liehr-Gobbers (2004, S. 721). Das MIMIC-Modell ist in Abbildung 4.7 dargestellt. Vgl. Jöreskog/Sörbom (1989, S. 142-145). Vgl. Fornell (1982, S. 14).

118


als instant estimation bezeichnet.471 Wold (1982b) sieht diese Grenze für das Lisrel-Verfahren bei 40-50 Messvariablen.472 Es lassen sich demnach mit PLS wesentlich komplexere Modelle behandeln als mit Lisrel. Beim PLS-Verfahren ist die Grenze für die Anzahl der Indikatoren dort zu sehen, wo das Modell nicht mehr sinnvoll zu interpretieren ist.

5.4.3.6

Entscheidung

Nach der Betrachtung der einzelnen Kriterien fällt die Entscheidung auf das PLS-Schätzverfahren. Ausschlaggebend für die Wahl dieses Ansatzes sind die fehlende Normalverteilung der empirischen Daten,473 die vorhandene Multikollinarität, die hohe Komplexität und das explorative Design des Kausalmodells. Diese Punkte schließen eine Schätzung des Modells mit dem Lisrel-Ansatz aus.

5.5

Modellschätzung und Beurteilung

Das Modell wird zuerst mit dem von Wold beschriebenen Modus A (nur reflektive Messmodelle), anschließend mit Modus B (nur formative Messmodelle) und zuletzt mit dem Modus C (reflektive und formative Messmodelle) geschätzt. Die Schätzungergebnisse des mit unterschiedlichen Modi spezifizierten Modells werden jeweils einzeln betrachtet und abschließend miteinander verglichen. 471 472 473

Vgl. Wold (1982b, S. 343). Vgl. ebd. Vgl. hierzu die in Abschnitt A.2 im Anhang dargestellten empirischen Verteilungen.


5.5.1

119

Reflektiv spezifizierte Messmodelle: Modus A Stopp-Kriterium

1 · 10−6

Gewichtungsschema

Path Weighting Scheme

Anzahl Fälle

15.162

Daten Metrik

Original

Maximale Anzahl Iterationen

300

Tabelle 5.3: Einstellungen zur reflektiven PLS Schätzung

Es wird das mit Modus A474 spezifizierte Kausalmodell mit den Algorithmuseinstellungen in Tabelle 5.3 mit PLS geschätzt. Der Algorithmus konvergiert nach zwölf Iterationszyklen und liefert das in Abbildung 5.4 dargestellte Ergebnis.475 Es wird zunächst auf die Schätzergebnisse und anschließend auf die Gütebeurteilung eingegangen, wobei auch die Pfadkoeffizienten selbst als Gütekriterium angesehen werden können.

Hypothesen und Modellgüte Die Hypothese H1 : Die latente Variable Zufriedenheit mit der Qualität (Q) hat positiven Einfluss auf die latente Variable Gesamtzufriedenheit mit dem Lieferanten (G) kann mit dem hohen Pfadkoeffizienten von +0, 455 in dem geschätzten Kausalmodell als bestätigt angesehen werden. Diese Variable hat den höchsten Einfluss auf die Gesamtzufriedenheit (G). Entfernt man diese latente Variable samt Messmodell, sinkt das Bestimmtheitsmaß für die Gesamtzufriedenheit auf ein Drit2 2 tel von Rinkl(Q) = 0, 305 auf Rexkl(Q) = 0, 101.476 474 475 476

Rein reflektiv spezifizierte Messmodelle. Das vollständig geschätzte Kausalmodell ist im Anhang in Abbildung B.2 dargestellt. Das insgesamt relativ geringe R2 für Q ist in Relation zur hohen Fallzahl zu interpretieren.

120


Abbildung 5.4: Pfadkoeffizienten des Modells (Modus A)

Die Hypothese H2 : Die latente Variable Zufriedenheit mit den Kosten des Lieferanten (K) hat einen positiven Einfluss auf die latente Variable Gesamtzufriedenheit mit dem Lieferanten (G) hat den zweitgrößten Einfluss mit einem Pfadkoeffizienten von +0, 277. Somit kann auch diese Hypothese bestätigt werden. Das Bestimmtheitsmaß für die Ge2 2 samtzufriedenheit (G) sinkt von Rinkl (K) = 0, 305 auf Rexkl (K) = 0, 228, wenn man die latente Variable K aus dem Kausalmodell entfernt. Die Hypothese H3 : Die latente Variable Zufriedenheit mit der Liefersicherheit des Lieferanten (S) hat einen positiven Einfluss auf die latente Variable Gesamtzufriedenheit mit dem Lieferanten (G) hat den geringsten Einfluss mit einem Pfadkoeffizienten von +0, 103. Das Be2 stimmtheitsmaß für die Gesamtzufriedenheit sinkt von Rinkl(S) = 0, 305 2 auf Rexkl(S) = 0, 295, wenn man die latente Variable S entfernt. Möchte man das Modell verkleinern, so wäre das Konstrukt S als erstes zu entfernen. Es wird jedoch im Modell belassen, da der Pfadkoeffizient mit +0, 103 noch als hinreichend großer positiver Einfluss zu interpretieren ist.


121

Die Hypothese H4 : Die latente Variable Zufriedenheit mit der Qualität des Lieferanten (Q) hat einen negativen Einfluss auf die latente Variable Zufriedenheit mit den Kosten des Lieferanten (K) kann nicht in dem vermuteten Maße bestätigt werden. Der Pfadkoeffizient ist mit −0, 005 zwar leicht negativ, wegen des geringen Wertes ist hier jedoch von keinem signifikanten Einfluss bzw. Unkorreliertheit der beiden latenten Konstrukte auszugehen.477 Eine Entfernung des Pfades oder dessen Invertierung hat keinen wesentlichen Einfluss auf das gesamte Kausalmodell. Es zeigt sich ein differenziertes Bild: Bei manchen Lieferanten ist man mit höheren Preisen einverstanden, wenn die Qualität entsprechend hoch ist, bei anderen hingegen nicht. Es lässt sich kein genereller Zusammenhang nachweisen. Der Pfad wird in dem reduzierten Kausalmodell aufgrund des niedrigen Wertes aus dem Modell entfernt.478 Die Hypothese H5 : Die latente Variable Zufriedenheit mit der Flexibilität des Lieferanten (F) hat einen negativen Einfluss auf die latente Variable Zufriedenheit mit den Kosten des Lieferanten (K) kann nicht bestätigt werden. Der Pfadkoeffizient ist hier mit +0, 130 sogar leicht positiv und der Pfad hätte aus dem Modell entfernt werden können. 2 Dies belegt auch das sehr niedrige R(K) = 0, 008. Im reduzierten Modell wird der Pfad belassen, da der Pfadkoeffizient absolut größer als 0, 1 ist. Die Hypothese H6 : Die latente Variable Zufriedenheit mit der Flexibilität des Lieferanten (F) hat einen positiven Einfluss auf die latente Variable Liefersicherheit des Lieferanten (S) kann bestätigt werden. Das latente Konstrukt F liefert mit einem Pfadkoeffizienten von +0, 752 einen sehr hohen Erklärungsgehalt für das latente Konstrukt S. Dies 2 belegt auch das relativ hohe R(S) = 0, 565.479 Enfernt man das latente Konstrukt F aus dem gesamten Modell, so erhöht sich das Bestimm477 478 479

Die Unkorreliertheit der beiden latenten Variablen ist auch im Streudiagramm Abbildung B.4 im Anhang ersichtlich. Zum Vergleich findet sich in Abbildung B.3 im Anhang das ohne die Pfade H4 und H7 geschätzte reduzierte Kausalmodell. Das zusätzliche Aufnehmen eines Pfades von F auf die Gesamtzufriedenheit G

122


2 2 2 heitsmaß R(G) von R(G)inkl(F ) = 0, 305 auf R(G)exkl(F ) = 0, 334. Das Konstrukt F wird dennoch im Modell belassen, da es den angesprochenen hohen Erklärungswert für S liefert.

Die Hypothese H7 : Die latente Variable Zufriedenheit mit der Liefersicherheit des Lieferanten (S) hat einen negativen Einfluss auf die latente Variable Zufriedenheit mit den Kosten des Lieferanten (K) kann nicht in dem vermuteten hohen Maße bestätigt werden. Der Pfadkoeffizient ist mit −0, 068 negativ und lässt sich als geringer Einfluss interpretieren. Eine Entfernung des Pfades hat einen geringen Einfluss auf das 2 2 2 Bestimmtheitsmaß R(K) von R(K)inkl = 0, 008 auf R(G)exkl(F ) = 0, 006. Die Liefersicherheit hat demnach tendenziell einen leicht negativen Einfluss auf die Kostenzufriedenheit.480 Sämtliche Gütemaße der Modellschätzung sind im Anhang in Tabelle B.5 angeführt. Für die reflektiven Messmodelle kann unter anderem als Gütemaß für die interne Konsistenz Cronbachs Alpha verwendet werden.

480

lieferte einen zu geringen Einfluss auf G (+0, 056), weshalb auf die Modellierung dieses Pfades verzichtet wird. Zum Vergleich findet sich in Abbildung B.3 im Anhang das ohne die Pfade H4 und H7 spezifizierte geschätzte Kausalmodell.


5.5.2

123

Formativ spezifizierte Messmodelle: Modus B Stopp-Kriterium

1 · 10−6

Gewichtungsschema


Anzahl Fälle

15.162

Daten Metrik

Original


300

Tabelle 5.4: Einstellungen zur formativen PLS Schätzung

Mit dem Partial Least Squares Ansatz kann man auch formative Messmodelle spezifizieren und schätzen.481 Im Folgenden wird das in Abschnitt 5.3 beschriebene Kausalmodell mit einem rein formativ spezifizierten Messmodell geschätzt. Das mit Modus B spezifizierte Kausalmodell mit den Algorithmuseinstellungen in Tabelle 5.4 wird mit SmartPLS berechnet.482 Der Algorithmus konvergiert nach 22 Iterationszyklen483 und liefert das in Abbildung 5.5 dargestellte Ergebnis. Zum Vergleich sind in der Abbildung auch die Pfadkoeffizienten des reflektiv geschätzten Modells gegenübergestellt. Die Pfadkoeffizienten H1 : Q → G 484 und H2 : K → G 485 erhöhen sich leicht von 0, 455 auf 0, 482 bzw. von 0, 277 auf 0, 296 und lassen sich wie im reflektiv geschätzten Modell interpretieren: Den stärksten Einfluss auf die Gesamtzufriedenheit hat die Qualität 481

482

483 484 485

Zur Unterscheidung vgl. Abschnitt 4.4.2. Man sollte aufgrund theoretischer Überlegungen entscheiden, ob ein Modell formativ oder reflektiv geschätzt werden soll. Im Messmodell werden dieselben Indikatoren wie im reflektiv spezifizierten Modell verwendet. Mit einer Ausnahme: Die Variable #10 Bonität wurde als Indikator für die latente Variable Sicherheit (S) entfernt, da eine Schätzung aufgrund einer indefiniten Matrix nicht mehr möglich ist. Dieses Modell wurde auch reflektiv ohne die Variable #10 Bonität geschätzt, was jedoch zu keiner wesentlichen Veränderung der Schätzergebnisse geführt hat. Die Anzahl der Iterationen ist höher als bei der reflektiven Schätzung. Dort waren es zwölf Iterationen. Einfluss der Zufriedenheit mit der Qualität auf die Gesamtzufriedenheit. Einfluss der Zufriedenheit mit den Kosten auf die Gesamtzufriedenheit.

124


Abbildung 5.5: Pfadkoeffizienten des Modells (Modus B) * Zum Vergleich sind die Pfadkoeffizienten des reflektiv spezifizierten Modells in Klammern angegeben.

und auch den Kosten ist ein starker Einfluss zuzuschreiben. Interessant ist, dass der im reflektiven Modell schwache Einfluss der latenten Variable Sicherheit (S) sich weiter abschwächt. Dies wird an der Verringerung des Pfadkoeffizienten H3 : S → G 486 von 0, 103 auf −0, 002 ersichtlich. Der Einfluss der latenten Variable S auf G ist in diesem Modell nicht mehr relevant und der Pfadkoeffizient sollte aus dem Modell entfernt werden.487 Der Pfadkoeffizient H4 : Q → K 488 verändert sich geringfügig von −0, 005 auf 0, 005 und sollte auch in der formativen Schätzung aus dem Modell entfernt werden. Ähnlich wie bei H3 : S → G verringert sich auch bei H5 : F → K 489 der relativ niedrige Wert des Pfadkoeffizienten von 0, 130 auf 0, 076 und könnte in diesem Modell aufgrund des niedrigen Wertes entfernt werden. Der in der reflektiven Schätzung höchste Pfadkoeffizient H6 : F → S 490 486 487

488 489 490

Einfluss der Zufriedenheit mit der Sicherheit auf die Gesamtzufriedenheit. Aus Gründen der Vergleichbarkeit wird der Pfadkoeffizient zunächst im Modell belassen. Die Schätzung ohne diesen Pfadkoeffizienten wurde durchgeführt und verändert die Schätzergebnisse der übrigen Pfadkoeffizienten unwesentlich. Einfluss der Zufriedenheit mit der Qualität auf die Kostenzufriedenheit. Einfluss der Zufriedenheit mit der Flexibilität auf die Kostenzufriedenheit. Einfluss der Zufriedenheit mit der Flexibilität auf die Sicherheitszufriedenheit.


125

erhöht sich weiter von 0, 752 auf 0, 920 und behält den höchsten Wert im Strukturmodell. Der Wert des Pfadkoeffizienten H7 : S → K 491 verringert sich von −0, 068 auf −0, 024 und ist somit im Modell nicht mehr haltbar. Aus Gründen der Vergleichbarkeit werden die niedrigen Pfadkoeffizienten im Modell belassen. Entfernt man diese, bleiben die Schätzungen stabil, was sich an dem reduzierten Modell Abbildung C.2 im Anhang zeigt.

Zur Gütebeurteilung stehen bei der formativen Schätzung der Messmodelle die Gütemaße Average Variance Extracted, Composite Reliability und Cronbachs Alpha nicht zur Verfügung. R2 -Werte können für die endogen latenten Variablen berechnet werden: So erhöht sich das 2 Bestimmtheitsmaß von der endogen latenten Variable G RM odus A = 2 0, 305 auf RM odus B = 0, 322 und von der endogen latenten Variable S 2 2 RM odus A = 0, 569 auf RM odus B = 0, 858. Das Bestimmtheitsmaß der endo2 gen latenten Variable K verringert sich hingegen von RM odus A = 0, 008 2 auf RM odus B = 0, 003.

Zusammenfassend lässt sich für die vorliegenden Daten festhalten, dass die reflektive und die formative Schätzung vergleichbare Ergebnisse bezüglich der Pfadkoeffizienten erzielen. Tendenziell erhöhen sich in der formativen Schätzung die stark ausgeprägten Pfadkoeffizienten und die schwach ausgeprägten Pfadkoeffizienten verringern sich.492 Zudem wird mit der formativen Schätzung eine tendenziell höhere Varianzaufklärung erzielt, was sich an zum Teil höher ausfallenden R2 Werten zeigt.

491 492

Einfluss der Zufriedenheit mit der Sicherheit auf die Kostenzufriedenheit. Vergleiche hierzu auch die Tabelle 5.6.

126


5.5.3

Gemischt spezifizierte Messmodelle: Modus C

Das zuvor rein reflektiv (Modus A) und rein formativ (Modus B) spezifizierte Modell soll nun sowohl reflektive als auch formative Messmodelle enthalten und geschätzt werden. Bei fünf latenten Variablen sind 25 = 32 Möglichkeiten zur Spezifikation der Messmodelle gegeben.493 Für den Modus C verbleiben 30 Spezifikationsmöglichkeiten, da eine der 32 Möglichkeiten die rein reflektive (Modus A) und eine weitere die rein formative (Modus B) Spezifikation sind. Von den 30 Optionen wird eine gleichgewichtete Variante nach inhaltlichen Gesichtspunkten ausgewählt. So werden die Messmodelle für die latenten Variablen Qualitätszufriedenheit Q, Kostenzufriedenheit K und Gesamtzufriedenheit G als formativ angesehen und spezifiziert, wohingegen bei den latenten Konstrukten Sicherheit S und Flexibilität F von reflektiven Messungen ausgegangen wird.494 Stopp-Kriterium

1 · 10−6

Gewichtungsschema


Anzahl Fälle

15.162

Daten Metrik

Original


300

Tabelle 5.5: Einstellungen zur PLS Schätzung mit Modus C Das mit Modus C spezifizierte Kausalmodell wird mit den Algorithmuseinstellungen in Tabelle 5.5 mit SmartPLS berechnet. Der Algorithmus konvergiert nach 13 Iterationszyklen495 und liefert das in Abbildung 5.6 dargestellte Ergebnis. Zum Vergleich sind in der 493 494 495

Jedes der Messmodelle kann unabhängig voneinander reflektiv oder formativ spezifiziert werden. Das so spezifizierte Modell enthält sämtliche Indikatorvariablen des mit Modus A (reflektiv) geschätzten Modells. Die Anzahl der Iterationen ist um eins höher als bei der reflektiven Schätzung (zwölf Iterationen) und geringer als bei der formativen Schätzung (22 Iterationen).


127

Abbildung 5.6: Pfadkoeffizienten des Modells (Modus C) * Zum Vergleich sind die Pfadkoeffizienten des reflektiv spezifizierten Modells in Klammern angegeben.

Abbildung wieder die Pfadkoeffizienten des reflektiv geschätzten Modells (Modus A) gegenübergestellt. Die Pfadkoeffizienten H1 : Q → G 496 und H2 : K → G 497 erhöhen sich leicht von 0, 455 auf 0, 471 bzw. von 0, 277 auf 0, 293 und lassen sich wie im reflektiv geschätzten Modell interpretieren: Den stärksten Einfluss auf die Gesamtzufriedenheit hat die Qualität und auch den Kosten ist ein starker Einfluss zuzuschreiben. Die Verringerung des Pfadkoeffizienten H3 : S → G 498 von 0, 103 auf 0, 095 ist marginal und hat in diesem Fall den geringsten Einfluss auf die Gesamtzufriedenheit. Der Pfadkoeffizient H4 : Q → K 499 verändert sich geringfügig von −0, 005 auf 0, 003 und sollte wie bei den Schätzungen mit Modus A und Modus B aus dem Modell entfernt werden. Bei H5 : F → K 500 erhöht sich der Wert des Pfadkoeffizienten von 0, 130 auf 0, 156 und sollte auch im reduzierten Modell beibehalten werden. Der in der reflektiven Schätzung höchste Pfadkoeffizient 496 497 498 499 500

Einfluss der Zufriedenheit mit der Qualität auf die Gesamtzufriedenheit. Einfluss der Zufriedenheit mit den Kosten auf die Gesamtzufriedenheit. Einfluss der Zufriedenheit mit der Sicherheit auf die Gesamtzufriedenheit. Einfluss der Zufriedenheit mit der Qualität auf die Kostenzufriedenheit. Einfluss der Zufriedenheit mit der Flexibilität auf die Kostenzufriedenheit.

128


H6 : F → S 501 verringert sich marginal von 0, 752 auf 0, 751 und behält den höchsten Wert im Strukturmodell. Der Wert des Pfadkoeffizienten H7 : S → K 502 erhöht sich absolut betrachtet von −0, 068 auf −0, 090 und ist somit in diesem Modell stärker ausgeprägt. Aus Gründen der Vergleichbarkeit wird der geringe Pfadkoeffizient H4 : Q → K im Modell belassen. Entfernt man diesen, verändern sich die Schätzungen der verbleibenden Pfadkoeffizienten nicht. Dies zeigt sich an dem reduzierten Modell in Abbildung D.2 im Anhang. Beim reduzierten Modell ist interessant, dass sich im Vergleich zu den anderen beiden Modi nur einer der sieben Pfadkoeffizienten nicht im Referenzmodell halten lässt. Eine Gesamtübersicht der Gütemaße findet sich in der Tabelle D.4 im Anhang. Die R2 -Werte können für die endogen latenten Variablen berechnet werden: So erhöhen sich die Bestimmtheitsmaße der endogen latenten Variable 2 2 Gesamtzufriedenheit RM odus A = 0, 305 auf RM odus C = 0, 3306 und der 2 endogen latenten Variable Kostenzufriedenheit von RM odus A = 0, 008 2 auf RM odus C = 0, 0114. Das Bestimmtheitsmaß der endogen latenten Variable Sicherheitzufriedenheit verringert sich hingegen leicht von 2 2 RM odus A = 0, 569 auf RM odus C = 0, 564. Zusammenfassend lässt sich sagen, dass die Bestimmtheitsmaße der einzelnen Modi vergleichbare Ergebnisse liefern.503

501 502 503

Einfluss der Zufriedenheit mit der Flexibilität auf die Sicherheitszufriedenheit. Einfluss der Zufriedenheit mit der Sicherheit auf die Kostenzufriedenheit. Die höchsten R2 -Werte werden mit der formativen Schätzung (Modus B) erzielt. Auffällig ist, dass eine schlechtere Anpassung in einem Teilbereich des Modells zum Teil durch eine höhere Anpassung in einem anderen Teilbereich des Modells ausgeglichen wird.


129

Modus A

Modus B

Modus C

(reflektiv)

(formativ)

(gemischt)

Mittelwert Hypothese

bestätigt

H1 : Q → G

0,455

0,482

0,471

0,469

+++

H2 : K → G

0,277

0,296

0,293

0,289

++

ja

H3 : S → G

0,103

-0,002*

0,095

0,065

+

ja

H4 : Q → K

-0,005

0,005

0,003

0,001

--

nein

0,156

0,121

-

nein

ja

H5 : F → K

0,130

0,076

H6 : F → S

0,752

0,920

0,751

0,808

++

ja

H7 : S → K

-0,068

-0,024

-0,090

-0,061

-

ja

Tabelle 5.6: Vergleich der Pfadkoeffizienten Die jeweils absolut betrachtet größten Werte der Pfadkoeffizienten sind kursiv dargestellt. * Beim rein formativen Modell (Modus B) kann die Hypothese 3 nicht bestätigt werden.

5.5.4

Vergleich der Pfadkoeffizienten der Modi

Um die empirische Untersuchung abschließend darzustellen, werden die anfangs gebildeten Hypothesen einzeln betrachtet und anhand der geschätzten Pfadkoeffizienten der verschiedenen Modi bewertet. Eine Übersicht über die Pfadkoeffizienten der einzelnen Modi findet sich in der Tabelle 5.6. Hypothese 1: Q → G (+++) Die latente Variable Zufriedenheit mit der Qualität (Q) hat einen positiven Einfluss auf die latente Variable Gesamtzufriedenheit mit dem Lieferanten (G), wobei ein starker Zusammenhang erwartet wird. Die Hypothese kann für alle drei Modi und mit einem Mittelwert von 0,469 als bestätigt angesehen werden. Die geschätzten Pfadkoeffizienten variieren im Bereich von 0,455 bis 0,482 und sind somit recht stabil, was den stark positiven Einfluss belegt.504 Die Zufriedenheit mit der Qualität (Q) kann anhand der Schätzergebnisse des PLS-Modells als wichtigster Faktor für die Gesamtzufriedenheit ausgemacht werden. 504

Der stark positive Zusammenhang ist aus dem Streudiagramm der beiden latenten Variablen in Abbildung B.4 im Anhang ersichtlich.

130


Hypothese 2: K → G (++)

Die latente Variable Zufriedenheit mit den Kosten des Lieferanten (K) hat einen positiven Einfluss auf die latente Variable Gesamtzufriedenheit mit dem Lieferanten (G), wobei ein positiver Zusammenhang erwartet wird. Auch diese Hypothese kann für alle drei Modi mit einem durchschnittlichen Wert von 0,289 als bestätigt angenommen werden.505 Die geschätzten Pfadkoeffizienten varieren im Bereich von 0,277 bis 0,296 und sind somit stabil, was den positiven Einfluss belegt. Aufgrund der Schätzungen hat die Kostenzufriedenheit auf die Gesamtzufriedenheit maßgeblichen Einfluss.

Hypothese 3: S → G (+)

Die latente Variable Zufriedenheit mit der Liefersicherheit des Lieferanten (S) hat einen positiven Einfluss auf die latente Variable Gesamtzufriedenheit mit dem Lieferanten (G), wobei von einem positiven Zusammenhang ausgegangen wird. Bei dieser Hypothese zeigt sich ein differenziertes Bild. So bestätigen der für Modus A mit 0,103 und der für Modus C mit 0,095 geschätzte Pfadkoeffizient die Annahme, wohingegen Modus B einen Wert für den Pfadkoeffizienten von -0,002 schätzt und die Hypothese nicht bestätigt. Bei letzterem Modus deutet der Pfadkoeffizient auf keinen Zusammenhang hin, es liegt auch kein negativer Zusammenhang vor. Die Hypothese kann in zwei der drei Schätzungen als bestätigt betrachtet werden und für deren reduzierte Modelle beibehalten werden.

505

Der positive Zusammenhang ist auch im Streudiagramm der beiden latenten Variablen in Abbildung B.4 im Anhang ersichtlich.


131

Hypothese 4: Q → K (- -) Die latente Variable Zufriedenheit mit der Qualität des Lieferanten (Q) hat einen negativen Einfluss auf die latente Variable Zufriedenheit mit den Kosten des Lieferanten (K), wobei von einem negativen Zusammenhang ausgegangen wird. Je höher die Qualität ist, desto höher ist veraussichtlich das Kostenniveau und umso geringer ist die Zufriedenheit mit dem Kostenniveau. Die vermutete Zielkontrarität bestätigt sich nicht: Es konnte kein negativer, jedoch mit Pfadkoeffizienten zwischen -0,005 bis 0,005 und einem Mittelwert von 0,002 auch kein positiver Zusammenhang nachgewiesen werden.506 Eine hohe Zufriedenheit mit der Qualität führt weder zu Unzufriedenheit mit den Kosten noch zu Zufriedenheit mit den Kosten. Dies lässt den Schluss zu, dass die beiden latenten Konstrukte unabhängig voneinander sind. Für keinen Modus war dieser Pfadkoeffizient in den reduzierten Modellen haltbar. Hypothese 5: F → K (-) Die latente Variable Zufriedenheit mit der Flexibilität des Lieferanten (F) hat einen negativen Einfluss auf die latente Variable Zufriedenheit mit den Kosten des Lieferanten (K), wobei von einem leicht negativen Zusammenhang ausgegangen wird. Je höher die Zufriedenheit mit der Flexibilität ist, desto höher ist voraussichtlich das Kostenniveau und umso geringer ist die Zufriedenheit mit dem Kostenniveau. Die vermutete Zielkontrarität konnte nicht bestätigt werden. Nur im Fall der rein formativen Schätzung (Modus B) hat der Pfadkoeffizient F → K mit 0,076 keinen hinreichend großen positiven Einfluss, um auch im reduzierten Modell Bestand zu haben. Bei den anderen beiden Modi liegt sogar mit Werten der Pfadkoeffizienten von 0,130 bzw. 0,156 jeweils ein leicht positiver Zusammenhang vor.

506

Die Unkorreliertheit der beiden latenten Variablen ist auch im Streudiagramm Abbildung B.4 im Anhang ersichtlich.

132


Hypothese 6: F → S (++) Die latente Variable Zufriedenheit mit der Flexibilität des Lieferanten (F) hat einen positiven Einfluss auf die latente Variable Zufriedenheit mit der Liefersicherheit (S), wobei von einem positiven Zusammenhang ausgegangen wird. Die angenommene Zielkonformität kann durch den Pfadkoeffizienten belegt werden. Die Hypothese kann mit allen drei Modi und mit einem Mittelwert von 0,808 als bestätigt angesehen werden. Die geschätzten Pfadkoeffizienten variieren im Bereich von 0,751 bis 0,920 und sind somit recht stabil, was den stark positiven Einfluss belegt.507 Je höher die Flexibilität des Lieferanten ist, desto höher ist voraussichtlich dessen Liefersicherheit.508 Hypothese 7: S → K (-) Die latente Variable Zufriedenheit mit der Liefersicherheit des Lieferanten (S) hat einen negativen Einfluss auf die latente Variable Zufriedenheit mit den Kosten des Lieferanten (K), wobei ein negativer Zusammenhang vermutet wird. Die vermutete Zielkontrarität kann bestätigt werden. Mit einem Mittelwert von -0,061 und Werten zwischen -0,090 und -0,024 ist der Pfadkoeffizient S → K zwar relativ gering, jedoch für alle geschätzten Modi negativ. Für die reduzierten Modelle ist der Pfadkoeffizient nur in dem mit Modus C geschätzen Kausalmodell zu halten. Je höher die Liefersicherheit ist, desto höher ist tendenziell das Kostenniveau und desto geringer die Zufriedenheit mit dem Kostenniveau (K). Dies lässt den Schluss zu, dass Lieferanten mit einer höheren Liefersicherheit höhere Kosten rechtfertigen können.509

507 508 509

In allen drei Modi nimmt der Pfadkoeffizient F → S den jeweils höchsten Wert im Strukturmodell an. Der stark positive Zusammenhang ist auch im Streudiagramm der beiden latenten Variablen in Abbildung B.4 im Anhang ersichtlich. Das Streudiagramm der latenten Variablen ist in Abbildung B.4 im Anhang dargestellt.


133

Beim direkten Vergleich der unterschiedlichen Modi lässt sich feststellen, dass die Schätzungen zu ähnlichen Ergebnissen kommen. Für diese empirische Untersuchung scheint die formative oder reflektive Spezifikation nicht von der in der Literatur diskutierten Bedeutung.510 Die Hypothesen konnten durch die Spezifizierung des Kausalmodells und Schätzung mittels des Patial Least Squares Verfahrens zum größten Teil bestätigt werden. Darüber hinaus zeigt sich bei der Schätzung der reduzierten Modelle, dass bei Entfernung der niedrigen Pfadkoeffizienten die Schätzungen für die verbleibenden Pfadkoeffizienten stabil bleiben und somit geringen Einfluss auf das Modell haben. Die formative Schätzung des Kausalmodells liefert die passendsten Ergebnisse für die postulierten Hypothesen.

510

Baumgartner/Homburg (1996, S. 499 f.) analysieren Kausalmodelle auf ihre korrekte Spezifikation und Gütebeurteilung.

Zusammenfassung und Ausblick

135

Kapitel 6 Zusammenfassung und Ausblick Im Hinblick auf die stark ansteigende Zahl von Beiträgen, die sich der Kausalanalyse bedienen, um komplexe Zusammenhänge zu modellieren und empirisch zu überprüfen, ist die zunehmende Wichtigkeit des Lisrel- und des Partial Least Squares-Ansatzes für die betriebswirtschaftliche Forschung nicht mehr von der Hand zu weisen. Das Ziel der Arbeit, die aus den Zielen der Beschaffung gebildeten Hypothesen als Kausalmodell darzustellen und anhand der empirischen Daten eines Automobilherstellers zu belegen, wird erreicht. Kausalmodelle werden auf den Bereich der Lieferantenbewertung übertragen und ermöglichen es, komplexe Zusammenhänge in den Datenstrukturen darzustellen. Es wird auf Grundlage der Ziele der Beschaffung ein Kausalmodell spezifiziert. Hierfür wird ausführlich auf das Lieferantenmanagement und die Lieferantenbewertung eingegangen. Anhand empirischer Daten zur Lieferantenbewertung erfolgt die Schätzung des Kausalmodells. Zur Schätzung von Kausalmodellen mit latenten Variablen kommen generell die zwei Schätzverfahren Lisrel und Partial Least Squares in Frage. Diese Verfahren werden in der Arbeit ausführlich beschrieW. Irlinger, Kausalmodelle zur Lieferantenbewertung, DOI 10.1007/978-3-8349-7186-9_6, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2012

136


ben. Darüber hinaus werden die Kriterien zur Auswahl des geeigneten Schätzverfahrens umfassend diskutiert. Aufgrund der Komplexität der spezifizierten Zusammenhänge und der Verteilungseigenschaften der Daten fällt die Wahl in der empirischen Untersuchung auf das Partial Least Squares-Verfahren. Die Hypothesen können zum größten Teil bestätigt werden. Darüber hinaus zeigt sich bei der Schätzung der reduzierten Modelle, dass bei Entfernung der geringen Pfadkoeffizienten die Schätzungen für die verbleibenden Pfadkoeffizienten stabil bleiben und die geringen Pfadkoeffizienten somit wenig Einfluss auf das Modell haben. Die formative Schätzung des Kausalmodells liefert für die postulierten Hypothesen die passendsten Ergebnisse. Auf den Bereich der Lieferantenbewertung werden in der Literatur viele Methoden übertragen und erweitert. Das häufig bemängelte theoretische Methodendefizit wird anhand einer Vielzahl von Beiträgen zu diesem Thema über die Zeit abgebaut. Zu bemängeln bleibt, dass die vorgestellten Methoden zum Teil an Minimalbeispielen (20 Lieferantenbewertungen)511 ausgearbeitet sind oder auf theoretischer Ebene bleiben.512 Als Grundlage zur Lieferantenbewertung dienen meist Scoringmodelle für die eine große Anzahl an Merkmalsvariablen permanent erhoben werden muss. Aufgrund der Wichtigkeit der Lieferanten und dem Wertschöpfungsbeitrag der Lieferanten für ein Unternehmen ist dieser Aufwand zur Lieferantenbewertung gerechtfertigt. Andere Methoden dagegen, wie zum Beispiel die Implementierung von Fuzzy Systemen,513 rechtfertigen den zu betreibenden Aufwand im Sinne der Wirtschaftlichkeit des Unternehmens oftmals nicht oder liefern häufig nicht den entsprechenden Mehrwert.

511 512 513

Vgl. Janker (2004, S. 217). Vgl. Golmohammadi et al. (2009) und Labro (2001). Vgl. Abschnitt 3.3.1.


137

Forschungsbedarf zur Lieferantenbewertung besteht auf theoretischer Ebene bei der Übertragung von Item Response Modellen zur Bewertung von dichotomen Merkmalsvariablen.514 Auf praktischer Ebene könnten mit Hilfe Sequentieller Testverfahren515 zur Lieferantenbewertung bei häufiger Bewertung gleicher Lieferanten unter Umständen Kosten eingespart werden. Einen zusätzlichen Forschungsanstoß liefern die in dieser Arbeit nicht bestätigten Hypothesen. Zum einen ist dies der Zusammenhang zwischen der Zufriedenheit mit der Qualität und der Zufriedenheit mit den Kosten des Lieferanten und zum anderen handelt es sich um den Zusammenhang zwischen der Zufriedenheit mit der Flexibilität und der Zufriedenheit mit den Kosten des Lieferanten. Darüber hinaus ist eine Übertragung von Kausalmodellen auf andere Industrien und Fragestellungen zur Untersuchung von Zusammenhängen sinnvoll.

514 515

Schmettow/Vietze (2008) übertragen Item Response Modelle theoretisch auf den Bereich des Ablaufs von Tests zur Benutzerfreundlichkeit. Vgl. Moosmüller/Schweitzer (2005).

138


ANHANG

Beschreibung der Daten

Anhang A Beschreibung der Daten A.1

Merkmalsvariablen des Datensatzes

W. Irlinger, Kausalmodelle zur Lieferantenbewertung, DOI 10.1007/978-3-8349-7186-9, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2012

139

Beschreibung der Daten 140

Num 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

Variable Standort Gesamtbewertung Einkaufbewertung Gesamtkostenbetrachtung Preistransparenz, Wettbewerbsvergleich Preisrate Initiative zur Kostensenkung Normen und Bedingungen Umweltmanagement Zahlungsbedingungen Einkaufsbedingungen QM Systeme Normerfüllung des Unternehmens Kooperation, Service und Support Bonität Quantitatives Ranking Qualität Performance Terminüberschreitung Auditergebnis Erstmusterqualität Serienqualität Ausfallquote, Feldschäden Technik Produkt Dokumentation Produktkosten Konstruktionsqualität/Produktqualität Projektmanagement Projektzielgrößenplanung/-treue Problemmanagement, Änderungsmanagement Entwicklung Konzeptentwicklung, eingesetzte Methoden Know-How, Kompetenz Erprobung

Num 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

Variable Prüfstandserprobung, Erprobungspläne, Prototypen Logistik Versorgungsqualität Fehlteile / Sequenzverletzungen Fehlteil in der Produktion Sequenzverletzung Modellmix Rückstand Überlieferung Erfüllungsgrad bei VMI-Teilen Logistische Anlieferqualität Physische Anlieferqualität Behälterfehler Falsche Füllmengen Informatorische Anlieferqualität Anzahl unvollständiger / fehlerhafter DFÜ Avise Anzahl Sendungen mit unvollständigen Papieren EDI-Anbindung Abruf DFÜ aktiv Lieferschein DFÜ aktiv Rechnungs DFÜ aktiv Qualitatives Ranking Bewertung Logistikplanung Flexibilität bei Verpackungsentwicklung Einhaltung von Absprachen / Maßnahmen Proaktives Verhalten bei Materiallieferproblemen Bewertung Materialwirtschaft Verhalten bei Behälterproblemen Zuverlässigkeit der Anlieferung Bereitschaft zur Zusammenarbeit Bewertung Materialmanagement Proaktives Verhalten bei Lieferproblemen Einhaltung von Absprachen Maßnahmen Flexibilität bei kurzfristigen Bedarfen Erreichbarkeit

Tabelle A.1: Merkmalsvariablen des Datensatzes


A.2

141

Empirische Verteilungen

Abbildung A.1: Empirische Verteilungen I Darstellung mit R Funktion: Highest Density Regions (hdr.den; Smoothing Kernel)

142


Abbildung A.2: Empirische Verteilungen II Darstellung mit R Funktion: Highest Density Regions (hdr.den; Smoothing Kernel)


143

Abbildung A.3: Empirische Verteilungen III Darstellung mit R Funktion: Highest Density Regions (hdr.den; Smoothing Kernel)

Reflektiv geschätztes Kausalmodell

Anhang B Reflektiv geschätztes Kausalmodell B.1

Das Strukturmodell

Abbildung B.1: Strukturmodell Q: Zufriedenheit mit der Qualität des Lieferanten K: Zufriedenheit mit den Kosten des Lieferanten F: Flexibilität des Lieferanten S: Liefersicherheit des Lieferanten G: Gesamtzufriedenheit mit dem Lieferanten W. Irlinger, Kausalmodelle zur Lieferantenbewertung, DOI 10.1007/978-3-8349-7186-9, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2012

145

146


B.2

Das Messmodell

#

Variablenname

12 13

46

QM Systeme Normerfüllung des Unternehmens Qualität Serienqualität Technik Produkt Konstruktionsqualität / Produktqualität Physische Anlieferqualität *

Konstrukt 2: Kosten

4 6 7 27

Gesamtkostenbetrachtung Preisrate Initiative zur Kostensenkung Produktkosten

Konstrukt 3: Flexibilität

10 11 14

Zahlungsbedingungen Einkaufsbedingungen Kooperation Service und Support Problemmanagement Bewertung Logistikplanung Flexibilität bei Verpackungsentwicklung Flexibilität bei kurzfristigen Bedarfen

Konstrukt 1: Qualität

17 22 24 25 28

31 57 58 68 Konstrukt 4: Liefersicherheit

15 16 37 38 39 40 45 59 63

Konstrukt 5: Gesamtbewertung

2

Bonität Quantitatives Ranking Logistik Versorgungsqualität Fehlteile / Sequenzverletzungen * Fehlteil in der Produktion * Logistische Anlieferqualität * Einhaltung von Absprachen / Maßnahmen Zuverlässigkeit der Anlieferung Gesamtbewertung

Tabelle B.1: Zuordnung der Indikatorvariablen * Die Variable ist zwar inhaltlich passend, wirde aber aufgrund der niedrigen Ladung aus dem Modell entfernt.


B.3

147

Modellschätzung Flexibiltät

Gesamt

Flexibiltät

Kosten

Qualität

0,130196

Sicherheit 0,751952

Gesamt Kosten

0,277053

Qualität

0,454543

-0,005444

Sicherheit

0,103172

-0,067636

Tabelle B.2: Pfadkoeffizienten

B.4

Gütebeurteilung AVE**

Composite

R2

Reliability

Interne

Communality

Redundancy

Konsistenz (Cronbachs Alpha)***

Flexibilität

0,268174

0,526176

—*

0,556282

0,611459

—

Gesamt

3,984482

3,984482

0,303983

1,000000

1,000000

0,004465

Kosten

1,688703

1,236470

0,008254

0,522731

0,447636

0,000131

Qualität

0,747416

0,905427

—*

0,342733

0,561322

—

Sicherheit

0,198221

0,519973

0,568620

0,591267

0,913436

0,001533

Tabelle B.5: Übersicht über die Gütemaße Das geschätzte Kausalmodell ist in Abbildung B.2 dargestellt. * R2 -Werte können nur für endogene latente Variablen berechnet werden. ** AVE: Average Variance Extracted (DEV: Durchschnittlich erfasste Varianz) *** Die Interne Konsistenz ist für das latente Konstrukt „Qualität” sehr gering. Die zum Teil gering ausfallenden Gütemaße rechtfertigen nur einen explorativen Ansatz und lassen keine Hardmodels wie Lisrel zu.

Reflektiv geschätztes Kausalmodell 148

Abbildung B.2: Reflektiv geschätztes Kausalmodell

Die Koeffizienten für das Stukturmodell sind in Tabelle B.2 und für das Messmodell in Tabelle B.3 aufgeführt.

Abbildung B.3: Reduziert reflektiv geschätztes Kausalmodell

Die Pfade mit geringen Pfadkoeffizienten sind hier entfernt. Aufällig ist, dass sich dadurch der Pfadkoeffizient von F nach K (auf 0, 079) verringert und ebenso aus dem Modell entfernt werden hätte können. Ansonsten verändert sich das Kausalmodell nicht maßgeblich.

Reflektiv geschätztes Kausalmodell 149

150


Korrelation (Sicherheit; Flexibilität) = 0, 7520

Korrelation (Qualität; Gesamt) = 0, 4647

Korrelation (Qualität; Kosten) = −0, 0017

Korrelation (Kosten; Gesamt) = 0, 2793

Korrelation (Sicherheit; Kosten) = 0, 0297

Korrelation (Sicherheit; Gesamt) = 0, 1584

Abbildung B.4: Streudiagramme der latenten Variablen


Flexibiltät Bewertung Logistikplanung

151

Gesamt

Kosten

Qualität

Sicherheit

0,450336

Bonität

0,247958

Einhaltung von Absprachen / Maßnahmen

0,490781

Einkaufsbedingungen

0,050470*

Flexibilität bei Verpackungsentwicklung

0,447707

Flexibilität bei kurzfristigen Bedarfen

0,961343

Gesamt

1,996117

Gesamtkostenbetrachtung

1,73802

Initiative zur Kostensenkung

0,121887

Konstruktionsqualität Produktqualität Kooperation Service und Support

0,017291* 0,085781*

Logistik

0,45606

Normerfüllung

0,317892

Preisrate

1,928507

Problemmanagement

0,029266*

Produkt

0,017837*

Produktkosten

0,007056*

QM Systeme

1,487378

Qualität

0,675864

Quantitatives Ranking

0,247958

Serienqualität

0,982462

Technik

0,016977*

Versorgungsqualität

0,074649*

Zahlungsbedingungen

0,086401*

Zuverlässigkeit der Anlieferung

0,650259

Tabelle B.3: Koeffizienten des Messmodells * Messvariablen mit Koeffzienten kleiner 0,1 sind nicht aus dem Modell entfernt worden, da Sie inhaltlich gut zum latenten Konstrukt passen.

Flexibilität

Gesamt

Kosten

Qualität

Flexibilität

1,0000

Gesamt

0,0949

Kosten

0,0789

0,2793

1,0000

Qualität

0,0822

0,4647

-0,0017

1,0000

Sicherheit

0,7520

0,1584

0,0297

0,1035

Sicherheit

1,0000

1,0000

Tabelle B.4: Korrelationen der latenten Variablen

152


Flexibilität

Gesamt

Kosten

Qualität

Sicherheit

Bewertung Logistikplanung

0,4503

0,0217

0,0249

0,0314

0,4409

Bonität

0,0252

0,145

-0,0472

0,0348

0,248


0,4299

0,0224

0,0266

0,0331

0,4908

Einkaufsbedingungen

0,0505

0,5502

0,0529

0,5661

-0,0022


0,4477

0,0211

0,0232

0,031

0,3809


0,9613

0,0986

0,0808

0,0773

0,629

Gesamt

0,1894

1,9961

0,5576

0,9277

0,3163


0,1441

0,5116

1,738

0,0022

0,0547


0,0327

0,0629

0,1219

-0,0003

-0,005

Konstruktionsqualität Produktqualität

0,0255

0,0315

0,0033

0,0173

0,0177

Kooperation Service und Support

0,0858

0,0728

0,1085

0,0227

0,0408

Logistik

0,2476

0,2143

-0,0152

0,0844

0,4561

Normerfüllung

0,0331

0,1815

0,0703

0,3179

-0,0306

Preisrate

0,1419

0,508

1,9285

-0,0089

0,0556

Problemmanagement

0,0293

0,0332

0,0042

0,0142

0,0132

Produkt

0,0236

0,0286

0,0051

0,0178

0,0174

Produktkosten

-0,0023

0,0113

0,0071

0,0103

-0,0074

QM Systeme

0,0225

0,6249

0,0137

1,4874

0,1075

Qualität

0,1161

0,3778

-0,0338

0,6759

0,1181


0,0252

0,145

-0,0472

0,0348

0,248

Serienqualität

0,1562

0,4759

-0,025

0,9825

0,1452

Technik

0,0276

0,0316

0,0047

0,017

0,0228

0,04

0,0268

0,0157

0,0187

0,0746

Zahlungsbedingungen

0,0864

0,3459

0,0396

0,1456

0,0171


0,5252

0,0481

0,035

0,0587

0,6503


Tabelle B.6: Kreuzladungen Die Kreuzladungen geben Aufschluss darüber, ob die Messvariablen besser anderen latenten Konstrukten zugeordnet hätten werden sollen bzw. ob sie mehreren latenten Variablen zugeordnet werden können.

Formativ geschätztes Kausalmodell

153

Anhang C


C.1

Modellschätzung

Flexibilität

Gesamt

Kosten

Qualität

Sicherheit

Flexibilität

0

0

0,0759

0

0,9262

Gesamt

0

0

0

0

0

Kosten

0

0,2956

0

0

0

Qualität

0

0,4818

0,0051

0

0

Sicherheit

0

-0,0016

-0,0243

0

0

Tabelle C.1: Pfadkoeffizienten


Formativ geschätztes Kausalmodell 154

Abbildung C.1: Formativ geschätztes Kausalmodell

Die Koeffizienten für das Stukturmodell sind in Tabelle C.2 und für das Messmodell in Tabelle C.2 aufgeführt.

Abbildung C.2: Reduziertes formativ geschätztes Kausalmodell

Die Pfade mit geringen Pfadkoeffizienten sind hier entfernt. Aufällig ist, dass sich dadurch der Pfadkoeffizient von F nach K von 0, 076 auf 0, 054 verringert. Ansonsten verändert sich das Kausalmodell nicht.

Formativ geschätztes Kausalmodell 155

156

Formativ geschätztes Kausalmodell Flexibilität

Gesamt

Kosten

Qualität

1,3449

0

0

0

0

0

0

0

0

0,8866

Einkaufsbedingungen

-0,0001

0

0

0

0


-0,3887

0

0

0

0


0,0325

0

0

0

0

Gesamt

0

1

0

0

0


0

0

0,4197

0

0


0

0

0,0955

0

0


0

0

0

0,1838

0

0,0055

0

0

0

0

Logistik

0

0

0

0

0,0204

Normerfüllung

0

0

0

0,041

0

Preisrate

0

0

-0,1462

0

0

Bewertung Logistikplanung Einhaltung von Absprachen / Maßnahmen


Problemmanagement

Sicherheit

0,0066

0

0

0

0

Produkt

0

0

0

-0,4803

0

Produktkosten

0

0

0,6311

0

0

QM Systeme

0

0

0

0,084

0

Qualität

0

0

0

0,3605

0


0

0

0

0

-0,0003

Serienqualität

0

0

0

-0,0143

0

Technik

0

0

0

0,8252

0


0

0

0

0

-0,0041

-0,0007

0

0

0

0

0

0

0

0

0,0973

Zahlungsbedingungen Zuverlässigkeit der Anlieferung

Tabelle C.2: Koeffizienten des Messmodells * Messvariablen mit Koeffzienten kleiner 0,1 sind nicht aus dem Modell entfernt worden, da Sie inhaltlich gut zum latenten Konstrukt passen.

C.2

Gütebeurteilung

Flexibilität Flexibilität

Gesamt

Kosten

Qualität

Sicherheit

1

Gesamt

0,0432

1

Kosten

0,0538

0,2997

1

Qualität

0,0726

0,4843

0,0087

1

Sicherheit

0,9262

0,0508

0,0464

0,0801

1

Tabelle C.3: Korrelationen der latenten Variablen

Formativ geschätztes Kausalmodell AVE*

Composite

R2 **

Reliability*

157 Interne

Communality

Redundancy

Konsistenz (Cronbachs Alpha)*

Flexibilität

—

—

—

—

0,4681

—

Gesamt

—

—

0,3219

—

1,000000

0,0051

Kosten

—

—

0,003

—

0,3088

0,0001

Qualität

—

—

—*

—

0,4102

—

Sicherheit

—

—

0,8579

—

0,5451

0,0017

Tabelle C.4: Übersicht über die Gütemaße Das geschätzte Kausalmodell ist in Abbildung C.1 dargestellt. * AVE: Average Variance Extracted und Composite Reliability sind nur für reflektive Modelle zu betimmen. ** R2 -Werte können nur für endogene latente Variablen berechnet werden. Durch die formative Schätzung werden im Vergleich zur reflektiven Schätzung höhere R2 -Werte erzielt. Die Kommunalitäten sind im Vergleich zum reflektiven Modell durchweg niedriger. Die zum Teil gering ausfallenden Gütemaße rechtfertigen nur einen explorativen Ansatz und lassen keine Hardmodels wie Lisrel zu.

158


Flexibilität

Gesamt

Kosten

Qualität


0,5673

0,0217

0,027

0,0418

Sicherheit 0,5257


0,5708

0,0224

0,0281

0,044

0,6157

Einkaufsbedingungen

0,0144

0,5502

0,0923

0,5539

0,008


0,4642

0,0211

0,0238

0,0425

0,4301


0,5531

0,0986

0,0815

0,0889

0,5093

Gesamt

0,0862

1,9961

0,5983

0,9667

0,1013


0,0916

0,5116

1,7045

-0,0076

0,083


0,0089

0,0629

0,2117

-0,0038

-0,0063


0,019

0,0315

0,0225

0,0658

0,0187


0,0542

0,0728

0,1736

0,0233

0,0403

Logistik

0,1714

0,2143

-0,0264

0,0923

0,1952

Normerfüllung

0,0216

0,1815

0,1157

0,3789

0,0075

Preisrate

0,0869

0,508

1,6886

-0,0236

0,0811

Problemmanagement

0,015

0,0332

0,0256

0,0678

0,0125

Produkt

0,0177

0,0286

0,0251

0,0599

0,0175

Produktkosten

-0,0022

0,0113

0,0373

0,029

-0,003

QM Systeme

0,0188

0,6249

0,0284

1,2911

0,0272

Qualität

0,082

0,3778

-0,0343

0,7787

0,092


0,0102

0,145

-0,0406

0,0323

0,0173

Serienqualität

0,0986

0,4759

-0,0302

0,9812

0,1094

Technik

0,022

0,0316

0,0236

0,066

0,0216


0,0332

0,0268

0,008

0,0169

0,0376

Zahlungsbedingungen

-0,0114

0,3459

0,055

0,1478

-0,0138


0,4982

0,0481

0,0374

0,0662

0,5398

Tabelle C.5: Kreuzladungen Die Kreuzladungen geben Aufschluss darüber, ob die Messvariablen besser anderen latenten Konstrukten zugeordnet hätten werden sollen bzw. ob sie mehreren latenten Variablen zugeordnet werden können.

Gemischt geschätztes Kausalmodell

159

Anhang D


D.1

Modellschätzung

Flexibilität

Gesamt

Kosten

Qualität

Sicherheit

Flexibilität

0

0

0,1562

0

0,751

Gesamt

0

0

0

0

0

Kosten

0

0,2928

0

0

0

Qualität

0

0,4706

0,0028

0

0

Sicherheit

0

0,0948

-0,0904

0

0

Tabelle D.1: Pfadkoeffizienten


Gemischt geschätztes Kausalmodell 160

Abbildung D.1: Gemischt geschätztes Kausalmodell

Die Koeffizienten für das Stukturmodell sind in Tabelle D.1 und für das Messmodell in Tabelle D.2 aufgeführt.

Abbildung D.2: Reduziertes gemischt geschätztes Kausalmodell

Für das reduzierte Modell muss der Pfadkoeffizient Q → K entfernt werden, da die Pfadkoeffizient S → K (-0,09) und S → G (0,095) knapp unter dem Wert von 0,1 liegen, sind sie im Modell zu rechtfertigen. Die verbleibenden Pfadkoeffizienten verändern sich nicht, was auf den geringen Wert des entfernten Pfadkoeffizienten Q → K (0,003) zurückzuführen ist.

Gemischt geschätztes Kausalmodell 161

162


Bewertung Logistikplanung Bonität Einhaltung von Absprachen / Maßnahmen

Flexibilität

Gesamt

Kosten

Qualität

0,289

0

0

0

Sicherheit 0

0

0

0

0

0,0746

0

0

0

0

0,2813

Einkaufsbedingungen

0,0141

0

0

0

0


0,2721

0

0

0

0


0,3349

0

0

0

0

Gesamt

0

1

0

0

0


0

0

0,3661

0

0


0

0

0,1677

0

0


0

0

0

0,184

0

0,0455

0

0

0

0

Logistik

0

0

0

0

0,1959

Normerfüllung

0

0

0

0,041

0

Preisrate

0

0

-0,1232

0

0


Problemmanagement

0,0237

0

0

0

0

Produkt

0

0

0

-0,4808

0

Produktkosten

0

0

0,5894

0

0

QM Systeme

0

0

0

0,084

0

Qualität

0

0

0

0,3606

0


0

0

0

0

0,0746

Serienqualität

0

0

0

-0,0143

0

Technik

0

0

0

0,8254

0


0

0

0

0

0,0621

0,0207

0

0

0

0

0

0

0

0

0,3115

Zahlungsbedingungen Zuverlässigkeit der Anlieferung

Tabelle D.2: Koeffizienten des Messmodells * Messvariablen mit Koeffzienten kleiner 0,1 sind nicht aus dem Modell entfernt worden, da Sie inhaltlich gut zum latenten Konstrukt passen.

Gemischt geschätztes Kausalmodell Flexibilität Flexibilität

Gesamt

163 Kosten

Qualität

Sicherheit

1

Gesamt

0,1

1

Kosten

0,0886

0,2993

1

Qualität

0,1037

0,4843

0,0083

1

Sicherheit

0,751

0,1585

0,0272

0,1183

1

Tabelle D.3: Korrelationen der latenten Variablen

D.2

Gütebeurteilung AVE*

Composite

R2 **

Reliability*

Interne

Communality

Redundancy

Konsistenz (Cronbachs Alpha)*

Flexibilität

0,1931

0,4534

—

—

0,4968

—

Gesamt

—

—

0,3306

—

1,000000

0,0051

Kosten

—

—

0,0114

—

0,2402

0,0001

Qualität

—

—

—

—

0,4101

—

Sicherheit

0,1669

0,485

0,5640

0,5602

0,7579

0,0012

Tabelle D.4: Übersicht über die Gütemaße Das geschätzte Kausalmodell ist in Abbildung D.1 dargestellt. * AVE: Average Variance Extracted und Composite Reliability sind nur für die reflektiven Modelle zu betimmen. ** R2 -Werte können nur für endogene latente Variablen berechnet werden. Die zum Teil gering ausfallenden Gütemaße rechtfertigen nur einen explorativen Ansatz und lassen kein Hardmodel/Lisrel zu.

164


Flexibilität

Gesamt

Kosten

Qualität

Sicherheit


0,4499

0,0217

0,0267

0,0418

0,4409

Bonität

0,0251

0,145

-0,0403

0,0323

0,2493


0,4294

0,0224

0,0271

0,044

0,4907

Einkaufsbedingungen

0,0856

0,5502

0,0996

0,5538

-0,0022


0,4473

0,0211

0,0239

0,0425

0,3809


0,9604

0,0986

0,0814

0,0889

0,6289

Gesamt

0,1996

1,9961

0,5974

0,9667

0,3163


0,1472

0,5116

1,6953

-0,0076

0,0546


0,0369

0,0629

0,2479

-0,0038

-0,005


0,026

0,0315

0,0234

0,0658

0,0177


0,0937

0,0728

0,1927

0,0233

0,0409

Logistik

0,2474

0,2143

-0,0265

0,0923

0,4558

Normerfüllung

0,0469

0,1815

0,1188

0,3788

-0,0307

Preisrate

0,1439

0,508

1,6782

-0,0236

0,0555

Problemmanagement

0,0302

0,0332

0,0268

0,0678

0,0133

Produkt

0,024

0,0286

0,0261

0,0599

0,0174

Produktkosten

-0,002

0,0113

0,038

0,029

-0,0074

QM Systeme

0,0309

0,6249

0,0313

1,2912

0,1077

Qualität

0,1154

0,3778

-0,0374

0,7787

0,118


0,0251

0,145

-0,0403

0,0323

0,2493

Serienqualität

0,1551

0,4759

-0,0338

0,9812

0,145

Technik

0,028

0,0316

0,0245

0,066

0,0228


0,0392

0,0268

0,0066

0,0169

0,0744

Zahlungsbedingungen

0,0976

0,3459

0,059

0,1478

0,0172


0,5248

0,0481

0,0368

0,0662

0,6502

Tabelle D.5: Kreuzladungen Die Kreuzladungen geben Aufschluss darüber, ob die Messvariablen besser anderen latenten Konstrukten zugeordnet hätten werden sollen bzw. ob sie mehreren latenten Variablen zugeordnet werden können.

Literaturverzeichnis

165

Literaturverzeichnis Adam, Dietrich (2001): Produktions-Management, 9. Auflage, Gabler. Appelfeller, Wieland/Buchholz, Wolfgang (2005): Supplier Relationship Management, Gabler Verlag. Arnold, Bernhard; Baumgarten, Helmut (Hrsg.) (2004): Strategische Lieferantenintegration, Gabler Verlag. Arnold, Ulli (1995): Beschaffungsmanagement, Schäffer-Poeschel Verlag. Arnolds, Hans/Heege, Franz/Tussing, Werner (1978): Materialwirtschaft und Einkauf, Gabler Verlag. Arnolds, Hans/Heege, Franz/Tussing, Werner (2001): Materialwirtschaft und Einkauf, 10. Auflage, Gabler Verlag. Backhaus, Klaus et al. (2000): Multivariate Analysemethoden - Eine anwendungsorientierte Einführung, 9. Auflage, Springer Verlag. Backhaus, Klaus et al. (2003): Multivariate Analysemethoden - Eine anwendungsorientierte Einführung, 10. Auflage, Springer Verlag. Backhaus, Klaus et al. (2008): Multivariate Analysemethoden - Eine anwendungsorientierte Einführung, 12. Auflage, Springer Verlag. W. Irlinger, Kausalmodelle zur Lieferantenbewertung, DOI 10.1007/978-3-8349-7186-9, © Gabler Verlag | Springer Fachmedien Wiesbaden GmbH 2012

166


Baumgartner, Hans/Homburg, Christian (1996): Applications of Structural Equation Modeling in Marketing and Consumer Research: A Review, in International Journal of Research in Marketing, 13, S. 139–161. Bedacht, Franz (1995): Global Sourcing - Eine branchenspezifische Analyse der internationalen Beschaffung, Gabler Verlag. Bentler, Peter/Bonett, Douglas (1982): Significance Tests and Goodness of Fit in the Analysis of Covariance Structures, in Fornell, Claes (Hrsg.): A Second Generation of Multivariate Analysis, Band 2, Fornell Claes, S. 348–380. Betzin, Jörg (2000): PLS-Pfadmodelle für latente Variablen mit kategorialen Indikatoren - Aspekte des Abfallverhaltens privater Haushalte, Eul Verlag. Betzin, Jörg/Henseler, Jörg (2005): Einführung in die Funktionsweise des PLS-Algorithmus, in Bliemel, Friedhelm et al. (Hrsg.): Handbuch PLS-Pfadmodellierung, Schäffer-Poeschel Verlag, S. 49– 69. Beucker, Severin (2005): Ein Verfahren zur Bewertung von Lieferanten auf der Grundlage von Umweltwirkungen unter Berücksichtigung von Prozesskosten, Jost-Jetter Verlag. Biergans, Bernhard (1986): Zur Enwicklung eines marketingadäquaten Ansatzes und Instrumentariums für die Beschaffung, 2. Auflage, Fördergesellschaft Produktmarketing e.V. Bliemel, Friedhelm et al. (2005): Die PLS Pfadmodellierung: Mehr als eine Alternative zur Kovarianzstrukturanalyse, in Bliemel, Friedhelm et al. (Hrsg.): Handbuch PLS-Pfadmodellierung, Schäffer-Poeschel Verlag, S. 9–18.


167

Boer, Luitzen de/Labro, Eva/Morlacchi, Pierangela (2001): A review of methods supporting supplier selection, in European Journal of Purchasing & Supply Management, 7, Nr. 2, S. 75–89. Bogaschewsky, Ronald (2005): Global Sourcing - wettbewerbsstrategische Bedeutung und methodische Unterstützung, in FröhlichGlantschnig, Elisabeth (Hrsg.): Marketing im Perspektivenwechsel, Springer Verlag, S. 31–58. Bollen, Kenneth (1989): Structural Equations with Latent Variables, Willey. Bortz, Jürgen (2005): Statistik für Human- und Sozialwissenschaftler, 6. Auflage, Springer Verlag. Buck, Tobias (2005): Performance Controlling im Beschaffungsmanagement, in Eßig, Michael (Hrsg.): Perspektiven des Supply Management, Springer Verlag, S. 445–462. Chin, Wynne (1998): Issues and Opinion on Structural Equation Modeling, in Management Information Systems Quarterly, 22, Nr. 1, S. 7–16. Cohen, Jacob (1987): Statistical Power Analysis for the Behavioral Sciences, Erlbaum Verlag. Diamantopoulos, Adamantios/Winkelhofer, Heidi (2001): Index Construction with Formative Indicators: An Alternative to Scale Development, in Journal of Marketing Research, 38, S. 269–277. Dijkstra, Taeke (1981): Latent Variables in Linear Stochastic Models; Reflections on ”Maximum Likelihood” and ”Partial Least Squares” Methods, Universität Stellingen. Disselkamp, Markus/Schüller, Rudolf (2004): Lieferantenrating, Gabler Verlag.

168


Dreyer, Heinrich Wilhelm (2000): Lieferantenspezifische Bewertung von Lieferleistungen - Eine empirische Analyse, Peter Lang Verlag. Duden; Dudenredaktion, Wissenschaftlicher Rat der (Hrsg.) (1982): Duden - Das Fremdwörterbuch, Band 5, 4. Auflage, Duden. Dyer, Jeffrey (1996): Specialized supplier networks as a source of competitive advantage: Evidence from the auto industry, in Strategic Management Journal, 17, S. 271–291. Dyer, Jeffrey (2000): Collaborative Advantage, Oxford University Press. Dyer, Jeffrey H./Cho, Dong Sung/Chu, Wujin (1998): Strategic Supplier Segmentation: The Next "Best Practise Ïn Supply Chain Management, in California Management Review, 40, S. 57–77. Eßig, Michael (2005): Integriertes Beschaffungsmanagement: Der Ansatz des House of Sourcing and Supply Management, in Eßig, Michael (Hrsg.): Perspektiven des Supply Management, Springer Verlag, S. 3–26. Ernst, Achim; Koppelmann, Udo (Hrsg.) (1996): Methoden im Beschaffungsmarketing, Fördergesellschaft Produktmarketing e.V. Fassott, Georg/Eggert, Andreas (2005): Zur Verwendung formativer und reflektiver Indikatoren in Strukturgleichungsmodellen: Bestandsaufnahme und Anwendungsempfehlungen, in Bliemel, Friedhelm et al. (Hrsg.): Handbuch PLS-Pfadmodellierung, Schäffer-Poeschel Verlag, S. 31–47. Fornell, Claes (1982): A Second Generation of Multivariate Analysis - An Overview, in Fornell, Claes (Hrsg.): A Second Generation of Multivariate Analysis, Band 1, Praeger, S. 1–21.


169

Fornell, Claes (1987): A Second Generation of Multivariate Analysis: Classification of Methods and Implications for Marketing Research, in Review of Marketing, 51, S. 407–450. Fornell, Claes/Bookstein, Fred (1982): A Comparative Analysis of Two Structural Equation Models: LISREL and PLS Applied to Market Data, in Fornell, Claes (Hrsg.): A Second Generation of Multivariate Analysis, Band 1, Praeger, S. 289–324. Fornell, Cleas/Larcker, David (1981): Evaluating Structural Equation Models with Unobservable Variables and Measurement Error, in Journal of Marketing Research, 18, S. 39–50. Fröhlich-Glantschnig, Elisabeth (2005): SWOT-Analyse - Möglichkeiten einer strategischen Beschaffungsanalyse, in FröhlichGlantschnig, Elisabeth (Hrsg.): Marketing im Perspektivenwechsel, Springer Verlag, 1–16. Fuchs, P./Zachau, T. (2000): Lieferantenmanagement als crossfunktionales Instrument, in Beschaffung Aktuell, 2, S. 52–54. Glantschnig, Elisabeth; Koppelmann, Udo (Hrsg.) (1994): Mermalsgestützte Lieferantenbewertung, Fördergesellschaft Produktmarketing e.V. Goldberger, Arthur (1973): Structural Equation Models: An Overview, in Goldberger, Arthur/Duncan, Otis (Hrsg.): Structural Equation Models in the Social Sciences, Seminar Press, S. 1–18. Golmohammadi, Davood et al. (2009): Supplier selection based on a neural network model using genetic algorithm, in IEEE Transactions on Neural Networks, 20, S. 1504–1519. Göpfert, Ingrid/Grünert, Marc (2006): Logistiknetze der Zukunft - Das neue Hersteller-Zulieferer-Verhältnis in der Automobilindustrie, in Göpfert, Ingrid (Hrsg.): Logistik der Zukunft - Logistics for the Future, Gabler Verlag, S. 127–166.

170


Grochla, Erwin (1977): Der Weg zu einer umfassenden betriebswirtschaftlichen Beschaffungslehre, in Die Betriebswirtschaft, 37, S. 181–191. Grochla, Erwin (1992): 3. Auflage, Gabler Verlag.

Grundlagen

der

Materialwirtschaft,

Grochla, Erwin/Schönbohm, Peter (1980): Beschaffung in der Unternehmung - Einführung in eine umfassende Beschaffungslehre, Poeschel Verlag. Götz, Oliver/Liehr-Gobbers, Kerstin (2004): Analyse von Strukturgeichungsmodellen mit Hilfe der Partial-Least-Squares (PLS)Methode, in Die Betriebswirtschaft, 64, S. 714–738. Hahn, Chan/Watts, Charles/Kim, Kee Young (1990): The supplier development program: a conceptual model, in Journal of Purchasing and Materials Management, 26, S. 2–7. Hammann, Peter/Lohrberg, Werner (1986): Beschaffungsmarketing - Eine Einführung, Poeschel Verlag. Hammer, Richard M. (1992): Unternehmungsplanung, Oldenbourg. Hapke, Wolfgang (1989): Beschaffungspolitik - insbesondere Lieferantenpolitik - mittelständischer Industrieunternehmen, Univerisität Göttingen. Harting, Detlef (1994): Lieferanten-Wertanalyse : ein Arbeitshandbuch mit Checklisten und Arbeitsblättern für Auswahl, Bewertung und Kontrolle von Zulieferern, 2. Auflage, Schäffer-Poeschel Verlag. Hartmann, Horst (1993): Materialwirtschaft: Organisation, Planung, Durchführung, 6. Auflage, Deutscher Betriebswirte Verlag. Hartmann, Horst (2004): Lieferantenmanagement, Deutscher Betriebswirte Verlag.


171

Hartmann, Horst/Pahl, Hans-Joachim/Sporer, Hans; Hartmann, Horst (Hrsg.) (1992): Lieferantenbewertung - aber wie? Deutscher Betriebswirte Verlag. Henseler, Jörg (2005): Einführung in die PLS-Pfadmodellierung, in Wirtschaftswissenschaftliches Studium, 34, Nr. 2, S. 70–75. Hildebrandt, Holger; Koppelmann, Udo (Hrsg.) (1989): Zur Entwicklung und Überprüfung zieladäquater Beschaffungsmaßnahmen des Investitionsgüterbereiches ”Maschinelle Anlagen”, 1. Auflage, Fördergesellschaft Produktmarketing e.V. Hinds, Anthony (1998): Supplier management versus supply chain management, in Purchasing Today, 9, Nr. 3, S. 4–31. Homburg, Christian (1989): Exploratorische Ansätze der Kausalanalyse als Instrument der Marketingplanung, Peter Lang Verlag. Homburg, Christian (1992): Die Kausalanalyse - Eine Einführung, in Wirtschaftswissenschaftliches Studium, 21, Nr. 10, S. 499–508. Homburg, Christian/Pflesser, Christian (2000): Strukturgleichungsmodelle mit latenten Variablen: Kausalanalyse, in Hermann, Andreas/Homburg, Christian (Hrsg.): Marktforschung: Methoden, Anwendungen, Praxisbeispiele, 2. Auflage, Gabler Verlag, S. 633–660. Hulland, John (1999): Use of Partial Least Squares (PLS) in Strategic Management Research: A Review of Four Recent Studies, in Strategic Management Journal, 20, S. 195–204. Janker, Christian (2004): Multivariate Lieferantenbewertung, Gabler Verlag. Janker, Christian (2008): Multivariate Lieferantenbewertung, 2. Auflage, Gabler Verlag.

172


Johnson, P. Fraser/Leenders, Michiel R./Fearon, Harold E. (2006): Supply’s Growing Status and Influence: A SixteenYear Perspective, in Journal of Supply Chain Management, 42, Nr. 2, S. 33–43. Jöreskog, Karl (1973): A General Method for Estimating a Linear Structural Equation System, in Goldberger, Arthur/Duncan, Otis (Hrsg.): Structural Equation Models in the Social Sciences, Seminar Press, S. 85–112. Jöreskog, Karl (1982a): Analysis of Covariance Structures, in Fornell, Claes (Hrsg.): A Second Generation of Multivariate Analysis, Band 1, Praeger, S. 200–242. Jöreskog, Karl (1982b): The LISREL Approach to Causal ModelBuilding in the Social Sciences, in Jöreskog, Karl/Wold, Herman (Hrsg.): Systems Under Indirect Observation. Causality, Structure, Prediction, Part I, Proceedings of the Conference on Systems Under Indirect Observation, S. 81–99. Jöreskog, Karl/Sörbom, Dag; Magidson, Jay (Hrsg.) (1979): Advances in Factor Analysis in Structural Equation Models, Abt Books. Jöreskog, Karl/Sörbom, Dag (1989): LISREL 7 - A Guide to the Program and Applications, 2. Auflage, SPSS Inc.. Kagnicioglu, Hakan (2006): A Fuzzy Multiobjective Programming Approach for Supplier Selection in a Supply Chain, in The Business Review, Camebridge, 6, S. 107–115. Kamiske, Gerd/Brauer, Jörg-Peter (2007): Qualitätsmanagement von A bis Z: Erläuterungen moderner Begriffe des Qualitätsmanagements, 6. Auflage, Carl Hanser Verlag. Kaufmann, Lutz (2002): Purchasing and Supply Management A Conceptual Framework, in Hahn, Dietger/Kaufmann, Lutz


173

(Hrsg.): Handbuch industrielles Beschaffungsmanagement: Internationale Konzepte, Innovative Instrumente, Aktuelle Praxisbeispiele, 2. Auflage, Gabler Verlag, S. 3–33. Klein, Heinz Karl (1974): Bilanzanalyse - ein Hilfsmittel zur Lieferantenbeurteilung, in Einkaufsleiter-Handbuch, Georg Bretschneider, S. 163–179. Knapp, Tilman M./Durst, Michael/Bichler, Klaus (2000): Permanente Bewertung der Lieferantenleistung, in Beschaffung Aktuell, 12, S. 42–47. Knepel, Helmut (1980): Modelle mit unbeobachtbaren Variablen Der PLS-Ansatz, Arbeitspapier Nr.36, Sonderforschungsbereich 3, Mikroanalytische Grundlagen der Gesellschaftspolitik, J. W. GoetheUniversität Frankfurt und Universität Mannheim. Kolleck, K.D. (1994): Externes Audit zur Lieferantenbewertung. in Qualität und Zuverlässigkeit, 6, S. 636–646. Koppelmann, Udo (1995): Beschaffungsmarketing, 2. Auflage, Springer. Koppelmann, Udo (1997): Beschaffungsmarketing für die Praxis, Springer. Koppelmann, Udo (2000): Beschaffungsmarketing, 3. Auflage, Springer. Koppelmann, Udo (2007): Internet und Beschaffung, in Brenner, Walter/Wenger, Roland (Hrsg.): Elektronische Beschaffung, Springer, S. 23–38. Koppelmann, Udo/Glantschnig, Elisabeth (1994): Prozeßorientierter Einkauf und Logistik - einführende Gedanken, in Koppelmann, Udo/Lumbe, Hans-Joachim (Hrsg.): Prozeßorientierte Beschaffung, Schäffer-Poeschel Verlag, S. 1–8.

174


Kosiol, Erich (1961): Modellanalyse als Grundlage unternehmerischer Entscheidung, in Zeitschrift für handelwissenschaftliche Forschung, 13, S. 318–334. Krafft, Manfred/Götz, Oliver/Liehr-Gobbers, Kerstin (2005): Die Validierung von Strukturgleichungsmodellen mit Hilfe des PartialLeast-Squares (PLS)-Ansatzes, in Bliemel, Friedhelm et al. (Hrsg.): Handbuch PLS-Pfadmodellierung, Schäffer-Poeschel Verlag, S. 71–86. Krause, Daniel R./Ellram, Lisa M. (1997): Success factors in supplier development, in International Journal of Physical Distribution & Logistics Management, 27, Nr. 1, S. 39–52. Labro, Eva (2001): Total Cost of Ownership Supplier Selection based on Activity Based Costing and Mathematical Programming, Katholieke Universiteit Leuven. Lamming, Richard (2005): Supplier Relationship Management, in Eßig, Michael (Hrsg.): Perspektiven des Supply Management, Springer Verlag, S. 81–94. Large, Rudolf (2000): Strategisches Beschaffungsmanagement, 2. Auflage, Gabler Verlag. Lohmöller, Jan Bernd (1984): Das Programmsystem LVPLS für Pfadmodelle mit Latenten Variablen, in ZA-Information, 15, S. 44– 51. Lohmöller, Jan Bernd (1989): Latent Variable Path Modeling with Partial Least Squares, Physica Verlag. Lohmöller, Jan Bernd/Wold, Herman (1982): Introduction to PLS Estimation of Path Models with Latent Variables, Including Some Recent Developments on Mixed Scales Variables, Hochschule der Bundeswehr (HSB).


175

Long, Scott (1983): Covariance Structure Models - An Introduction to LISREL, Sage Publications. Mathes, Harald (1993): Der PLS-Ansatz für die Analyse von Pfadmodellen, Hain Verlag. Meyer, Christoph; Koppelmann, Udo (Hrsg.) (1990): Beschaffungsziele, 2. Auflage, Fördergesellschaft Produktmarketing e.V. Müller, Roland (1983): Zur Geschichte des Modelldenkens und des Modellbegriffs, in Stachowiak, Herbert (Hrsg.): Modelle - Konstruktion und Wirklichkeit, Wilhelm Fink Verlag, S. 17–86. Moosmüller, Gertrud/Schweitzer, Walter (2005): Sequentielle Verfahren im Rahmen der statistischen Qualitätskontrolle: Eine empirische Analyse der Abgasserienüberwachung in der Automobilindustrie, in Brachinger, Hans Wolfgang (Hrsg.): Wirtschaftsstatistik, Vahlen Verlag, S. 153–172. Pfeifer, Andreas/Schmidt, Peter (1987): LISREL, Die Analyse komplexer Strukturgleichungsmodelle, Gustav Fischer Verlag. Pfeifer, Tilo (2001): Qualitätsmanagement: Strategien, Methoden, Techniken. 3. Auflage, Carl Hanser Verlag. Piontek, Jochem (1997): Global Sourcing, Band 1, Oldenbourg Verlag. Porter, Michael Eugene (1980): Competitive Strategy: Techniques for Analyzing Industries and Competitors, Free Press. Porter, Michael Eugene (1990): Wettbewerbsstrategie - Methoden zur Analyse von Branchen und Konkurrenten, 6. Auflage, Campus Verlag. Reinecke, Jost (2005): Strukturgleichungsmodelle in den Sozialwissenschaften, Oldenbourg Verlag.

176


Ringle, Christian (2004a): Gütemaße für den Partial Least SquaresAnsatz zur Bestimmung von Kausalmodellen, Arbeitspapier Nr. 16 des Instituts für Industriebetriebslehre und Organisation an der Universität Hamburg. Ringle, Christian (2004b): Messung von Kausalmodellen, Arbeitspapier Nr. 14 des Instituts für Industriebetriebslehre und Organisation an der Universität Hamburg. Ringle, Christian/Wende, Sven/Will, Alexander (2005): SmartPLS 2.0 M3 (beta), URL: http://www.smartpls.de. Rink, Christian/Wagner, Stephan (2007): Lieferantenmanagement: Strategien, Prozesse und systemtechnische Unterstützung, in Brenner, Walter/Wenger, Roland (Hrsg.): Elektronische Beschaffung, Springer, S. 39–62. Saaty, Thomas (2006): The Analytic Network Process, in Decision Making with the Analytic Network Process, Springer, S. 1–26. Sarkis, Joseph/Talluri, Srinivas (2002): A Model for Strategic Supplier Selection, in Journal of Supply Chain Management, 39, S. 18 – 28. Schmettow, Martin/Vietze, Wolfgang (2008): Introducing item response theory for measuring usability inspection processes, in Proceeding of the twenty-sixth annual SIGCHI conference on Human factors in computing systems, New York, NY, USA, ACM, CHI ’08, ISBN 978–1–60558–011–1, S. 893–902. Schneider, Dieter J. G./Müller, Ralph U. (1989): Datenbankgestützte Marktselektion - Eine methodische Basis für Internationalisierungsstrategien, Poeschel Verlag. Seggewiß, Karl-Heinz (1985): Die Organisation der Materialbeschaffung in Großunternehmungen - Eine branchenbezogene empirischexplorative Studie, Peter Lang Verlag.


177

Smytka, Daniel L./Clemens, Michael W. (1993): Total Cost Supplier Selection Model: A Case Study, in International Journal of Purchasing and Materials Management, 29, Nr. 1, S. 42–49. Sörbom, Dag/Jöreskog, Karl (1982): The Use of Structural Equation Models in Evaluation Research, in Fornell, Claes (Hrsg.): A Second Generation of Multivariate Analysis, Band 2, Praeger, S. 381–418. Staberhofer, Franz/Rohrhofer, Evelyn (2007): Ganzheitliches Supply Chain Management, in Klaus, Peter/Staberhofer, Franz/ Rothböck, Markus (Hrsg.): Steuerung von Supply Chains, 1. Auflage, Gabler Verlag. Stachowiak, Herbert (1973): Allgemeine Modelltheorie, Springer Verlag. Strese, Volker/Thiele, Juliane/Winzer, Petra (2000): Auditterror eindämmen - Kombiaudits zur kontinuierlichen Verbesserung integrierter Managementsysteme, in Qualität und Zuverlässigkeit, 11, S. 1439–1442. Timmerman, Ed (1986): An Approach to Vendor Performance Evaluation, in Journal of Purchasing and Materials Management, 22, Nr. 4, S. 2–8. Verma, Rohit/Pullman, Madeleine E. (1998): An analysis of the supplier selection process, in Omega, 26, Nr. 6, S. 739–750. Wagner, Stephan M. (2001): Strategisches Lieferantenmanagement in Industrieunternehmen, Peter Lang GmbH. Wagner, Stephan M.; Boutellier, Roman (Hrsg.) (2002): Lieferantenmanagement, Carl Hanser Verlag. Watts, Charles/Hahn, Chan (1993): Supplier Development Programs: An Empirical Analysis, in Journal of Supply Chain Management, 29, S. 10–17.

178


Weiber, Rolf/Mühlhaus, Daniel (2010): Strukturgleichungsmodellierung, Springer Verlag. Weigand, Matthias (1998): Die Erschließung von Zulieferpotentialen als Aufgabe des strategischen Beschaffungsmarketing, Universität Erlangen-Nürnberg. Wildemann, Horst (1988): Produktionssynchrone Beschaffung, GfMT - München. Wildemann, Horst (1993): Unternehmensqualität: Einführung einer kontinuierlichen Qualitätsverbesserung, TCW-Transfer-Centrum für Produktionslogistik und Technologie-Management (München). Wold, Herman (1979): Model Construction and Evaluation When Theoretical Knowledge is Scare - An Example of the Use of Partial Least Squares, Université de Genéve. Wold, Herman (1982a): Soft Modeling, The Basic Design and Some Extensions, in Jöreskog, Karl/Wold, Herman (Hrsg.): Systems Under Indirect Observation. Causality, Structure, Prediction, Part I, Proceedings of the Conference on Systems Under Indirect Observation, S. 1–55. Wold, Herman (1982b): Systems Under Indirect Observation Using PLS, in Fornell, Claes (Hrsg.): A Second Generation of Multivariate Analysis, Band 1, Praeger, S. 325–347. Wright, Sewall (1921): Correlation and Causation, in Journal of Agricultural Research, 20, S. 557–585. Wright, Sewall (1923): The Theory of Path Coefficients - A Reply to Nils Criticism, in Genetics, 8, S. 239–255. Wright, Sewall (1934): The Method of Path Coefficients, in The Annals of Mathematical Statistics, 5, Nr. 3, S. 161–215.


179

Zadeh, Lotfi A. (1965): Fuzzy sets, in Information and Control, 8, Nr. 3, S. 338–353.

Kausalmodelle zur Lieferantenbewertung

zur Konstellationenlehre

zur Konstellationenlehre

Zur Dämonologie

Rückkehr zur Erde

Expedition zur Sonne

Strasse zur Hölle

Durchgang zur Spiegelwelt

Expedition zur Sonne

Schlüssel zur Hölle

Am Tor zur Hoelle

Hermeneutik zur Einführung

Zur Chronik von Grieshuus

Grenze zur Unendlichkeit

Spirale zur anderen Welt

Gasthaus zur Hölle

Übungen zur Versicherungsökonomik

Grundelegung Zur Metaphysik

Zur Leidenschaft verführt

Spirale zur anderen Welt

Zur fraglichen Stunde

Fahr zur Hölle Ninguno

Zur Quelle der Kraft

Der Weg zur Vollendung

Testflug zur Erde

Blindflug zur Schlange

Am Tor zur Hoelle

Blindflug zur Schlange

Einladung Zur Hochzeit

Das Tor zur Überwelt

Zur besonderen Verwendung

Kausalmodelle zur Lieferantenbewertung

zur Konstellationenlehre

zur Konstellationenlehre

Zur Dämonologie

Rückkehr zur Erde

Expedition zur Sonne

Strasse zur Hölle

Durchgang zur Spiegelwelt

Expedition zur Sonne

Schlüssel zur Hölle

Am Tor zur Hoelle

Hermeneutik zur Einführung

Zur Chronik von Grieshuus

Grenze zur Unendlichkeit

Spirale zur anderen Welt

Gasthaus zur Hölle

Übungen zur Versicherungsökonomik

Grundelegung Zur Metaphysik

Zur Leidenschaft verführt

Spirale zur anderen Welt

Zur fraglichen Stunde

Fahr zur Hölle Ninguno

Zur Quelle der Kraft

Der Weg zur Vollendung

Testflug zur Erde

Blindflug zur Schlange

Am Tor zur Hoelle

Blindflug zur Schlange

Einladung Zur Hochzeit

Das Tor zur Überwelt

Zur besonderen Verwendung

Recommend Documents