Christoph Stockstrom Planung Und Umsetzung Von Innovationsprojekten Zur Wirkung Des Coalignment

Christoph Stockstrom
Planung und Umsetzung von Innovationsprojekten

GABLER RESEARCH
Forschungs-/Entwicklungs-/Innovations-
Management
Herausgegeben von
Professor Dr. Hans Dietmar Bürgel (em.)
Universität Stuttgart
Professorin Dr. Diana Grosse, vorm. de Pay
Technische Universität Bergakademie Freiberg
Professor Dr. Cornelius Herstatt
Technische Universität Hamburg-Harburg
Professor Dr. Hans Koller
Universität der Bundeswehr Hamburg
Professor Dr. Martin G. Möhrle
Universität Bremen
Die Reihe stellt aus integrierter Sicht von Betriebswirtschaft und Technik Arbeits-
ergebnisse auf den Gebieten Forschung, Entwicklung und Innovation vor. Die
einzelnen Beiträge sollen dem wissenschaftlichen Fortschritt dienen und die
Forderungen der Praxis auf Umsetzbarkeit erfüllen.
Planung und Umsetzung
von Innovationsprojekten
Zur Wirkung des Coalignment
Mit einem Geleitwort von Prof. Dr. Cornelius Herstatt
RESEARCH
Bibliografische Information der Deutschen Nationalbibliothek
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der
Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über
<http://dnb.d-nb.de> abrufbar.
Dissertation Technische Universität Hamburg-Harburg, 2009
1. Auflage 2009
Alle Rechte vorbehalten

© Gabler | GWV Fachverlage GmbH, Wiesbaden 2009
Lektorat: Claudia Jeske | Sabine Schöller
Gabler 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 Einspei-
cherung 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 978-3-8349-1829-1
Für Sina
Geleitwort
Die Arbeit von Herrn Dipl. Kfm. Christoph Stockstrom widmet sich der Fragestellung,
wie Innovationsprojekte im Spannungsfeld von Effizienz und Flexibilität geplant
werden müssen, damit sie möglichst erfolgreich umgesetzt und abgeschlossen werden
können. Diese Frage wird in der Innovationsforschung konträr diskutiert, wobei
das Spektrum der vertretenen Meinungen von der Forderung nach einer möglichst
elaborierten, formalen und umfassenden Planung bis hin zu Forderungen nach der
Abkehr von klassischen Planungsmethoden hin zur Improvisation reicht.
Herr Stockstrom greift diese Diskussion auf und nutzt Planungsansätze aus den
Bereichen des strategischen Managements und der Planung betriebswirtschaftlicher
Informationssysteme, um zunächst zu untersuchen, welche Beiträge formale, effizi-
enzbezogene Planungselemente einerseits und flexible Planungselemente andererseits
zum Projekterfolg leisten. Seine Ausführungen zeigen, dass sich die bisher konträr
geführte Diskussion zur Erfolgswirksamkeit gegebenenfalls um eine Annäherung und
Kombination der verschiedenen propagierten Verfahren bemühen sollte und lassen
Herrn Stockstrom zu der Frage gelangen, ob Planungsprozesse, denen es gelingt
sowohl formale als auch flexible Elemente miteinander zu vereinen, erfolgswirksamer
sind als Planungsprozesse, die primär formal oder primär flexibel sind.
Zur Untersuchung der Forschungsfragen führt Herr Stockstrom eine empirische

Untersuchung in den Branchen Maschinenbau, Herstellung von Geräten der Elek-
trizitätserzeugung und Elektrizitätsverteilung, Medizin-, Mess-, Steuer- und Rege-
lungstechnik, Optik sowie Herstellung von Kraftwagen und Kraftwagenteilen durch.
Im Ergebnis gelangt er durch die empirischen Daten zu einer Bestätigung seines
Modells eines komplexen Planungsprozesses, der sowohl formale als auch flexible
Elemente miteinander verknüpft. Damit schlägt die vorliegende Arbeit eine Brücke
zwischen den eingangs skizzierten Forschungsstandpunkten und unterstreicht die
VIII
Notwendigkeit einer gleichzeitigen Betrachtung flexibler und effizienzbezogener Pla-

nungsverhalten in der Neuproduktentwicklung.
Herr Stockstrom bleibt an diesem Punkt nicht stehen. Er widmet sich zudem
der Frage, wie die Erfolgswirksamkeit des von ihm skizzierten Planungsprozesses
durch den Planungsgegenstand, im Sinne der Charakteristika des zugrundeliegenden
Projekts, und den Planungskontext, im Sinne der Umweltdynamik, beeinflusst wird.
Er zeigt, dass die von ihm erzielten Ergebnisse über verschiedene Projekttypen und
Unternehmensumfelder hinweg stabil sind.
Insgesamt liegt eine in theoretischer wie auch praktischer Hinsicht bemerkenswerte

wissenschaftliche Leistung vor, die durch ihren logischen Aufbau, nachvollziehbare
Argumentation und sorgfältige Analyse besticht. Sie ist theoretisch fundiert und
erbringt durch die empirischen Anstrengungen wertvolle Handlungsempfehlungen für
das betriebliche Innovationsmanagement. Ich wünsche der Arbeit, dass die durch sie
gewonnenen Erkenntnisse in der Wissenschaft und Praxis aufgegriffen werden, vor
allem aber wünsche ich ihren Lesern einen hohen Nutzen.
Univ. Prof. Dr. Cornelius Herstatt

Vorwort
Die Innovationsforschung hat eine Reihe von Erfolgsfaktoren identifiziert und unter
diesen eine umfassende, formale und detaillierte Eingangsplanung von Innovations-
projekten als bedeutsamen Einflussfaktor herausgearbeitet. Andere Quellen hingegen
weisen immer wieder darauf hin, dass es sich bei Innovationsprojekten in aller Regel
nicht um eine Reihe vorhersehbarer Schritte handelt, die im vorhinein identifiziert
und geplant werden können, da es zu Beginn der Projektdurchführung häufig an
einem genauen Verständnis der spezifischen Projektaufgaben, deren Abfolge, der
Interdependenzen zwischen den Aufgaben sowie ihrer zeitlichen Befristung mangelt.
Insofern stellt sich die Frage, wie Innovationsprojekte vor diesem Hintergrund geplant
werden sollten und welchen Beitrag die Planung zum Projekterfolg leisten kann. Aus
diesen Überlegungen heraus entstand die vorliegende Arbeit während meiner Zeit als
wissenschaftlicher Mitarbeiter am Arbeitsbereich Technologie- und Innovationsman-
agement der Technischen Universität Hamburg-Harburg.
Es ist kein Geheimnis, dass eine Dissertation trotz des einen Namens, der auf
dem Umschlag steht, niemals nur das Werk einer einzelnen Person ist. Dies trifft
auch auf die vorliegende Arbeit zu, an deren Entstehung und zu deren Gelingen
viele Menschen beigetragen haben, denen ich an dieser Stelle danken möchte. Mein
besonderer Dank gilt zunächst meinem akademischen Lehrer Herrn Professor Dr.
Cornelius Herstatt, der mich und meine Arbeit begleitet und betreut hat. Seine
Kreativität, Inspiration und Förderung sowie sein motivierendes Vertrauen in das
Gelingen dieser Arbeit haben wesentlich zu ihrem erfolgreichen Abschluss beigetragen.
Die vielfältigen wissenschaftlichen und praktischen Erfahrungen, die er mir während
meiner Arbeit an seinem Lehrstuhl vermittelt hat, werden mir auch in Zukunft
wertvolle Dienste erweisen. Ebenso möchte ich mich sehr herzlich bei Herrn Professor
Dr. Martin G. Möhrle bedanken, der diese Arbeit als Zweitgutachter mit wertvollen
Hinweisen und Anregungen gefördert hat und trotz eines vollen Terminkalenders in
X
kürzester Zeit sein Gutachten erstellt hat. Herrn Professor Dr.-Ing. Otto von Estorff
danke ich herzlich für die Übernahme des Vorsitzes in der Prüfungskommission.
Auch Kollegen und Freunden danke ich für die Zeit, in der sie mir den Rücken für
konzentriertes Arbeiten freigehalten haben und sich als Lektoren mit vielen wertvollen
Hinweisen um diese Arbeit verdient gemacht haben. Dr. Nils Andres, Dr. Stephan
Buse, Dr. Christina Raasch und Rajnish Tiwari möchte ich für die Verbesserungsvor-
schläge und Korrekturhinweise danken, die ihrem intensiven Lektorat entstammen.
Dem Team des Arbeitsbereichs Technologie- und Innovationsmanagement möchte
sehr herzlich für die gute Zusammenarbeit danken - dies gilt ganz besonders für
Carola Tiedemann, Andreas Kühl, Dr. Jürgen Sandau, Dr. Jan G. Sander und Dr.
Robert Tietz. Ein großer Dank für die technische Unterstützung gebührt Jan Koch,
der mir bei vielen zeitintensiven Fragen zu Linux und LATEX zur Seite gestanden hat,
sowie dem Support der Open Source Software Gemeinde.
Vor allem aber danke ich meiner Familie. Ohne ihr Verständnis und ihre unersetzli-
che, liebevolle Unterstützung wäre diese Arbeit nicht möglich gewesen. Meinen Eltern
und Geschwistern danke ich dafür, dass sie mich in meinen Entscheidungen stets
bestärkt haben und bei allen meinen Vorhaben uneingeschränkt unterstützt haben.
Ohne sie hätte ich diesen Weg nicht gehen können. Meine Großeltern haben mich
mit ihrem Urvertrauen und unerschütterlichen Optimismus in meine Fähigkeiten
immer wieder zum Lächeln gebracht und mir über manche Hürde hinweggeholfen. Ein
besonderer Dank gebührt meiner Frau Sina, die den gesamten Prozess der Erstellung
dieser Arbeit am intensivsten begleitet hat und von ihm betroffen war. Ihre Liebe und
und positiven Impulse haben mein seelisches Gleichgewicht stets wieder hergestellt.
Ich könnte mir keine bessere Partnerin wünschen.
Inhaltsverzeichnis
Abbildungsverzeichnis XV
Tabellenverzeichnis XVII
Abkürzungsverzeichnis XIX
1 Einleitung 1
1.1 Problemstellung und Zielsetzung . . . . . . . . . . . . . . . . . . . . . 1
1.2 Bezugsrahmen und Eingrenzung der Untersuchung . . . . . . . . . . . 4
1.3 Vorgehensweise und Aufbau der Arbeit . . . . . . . . . . . . . . . . . 6
2 Konzeptionelle Grundlagen 9
2.1 Innovation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Innovationsgrad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1 Innovationstypologien im Überblick . . . . . . . . . . . . . . . 16
2.2.2 Operationalisierungen des Innovationsgrades . . . . . . . . . . 26
2.3 Planung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.1 Begriffsbestimmung . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.2 Funktionen und Grenzen der Planung . . . . . . . . . . . . . . 35
2.3.3 Ebenen der Planung . . . . . . . . . . . . . . . . . . . . . . . 40
2.3.4 Improvisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.4 Planung und Innovation . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.1 Strategische Ebene . . . . . . . . . . . . . . . . . . . . . . . . 50
2.4.2 Taktische Ebene . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.4.3 Operative Ebene . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.4.3.1 Der Projektbegriff . . . . . . . . . . . . . . . . . . . 53
2.4.3.2 Planung von Innovationsprojekten . . . . . . . . . . 55
3 Planung, Umsetzung und Erfolg von Innovationsprojekten 69

3.1 Überblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.2 Planung von Innovationsprojekten . . . . . . . . . . . . . . . . . . . . 69
3.2.1 Planungsausmaß . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.2.2 Formalization . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.2.3 Planungskonsistenz . . . . . . . . . . . . . . . . . . . . . . . . 84
3.2.4 Partizipation . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.2.5 Coalignment . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
XII Inhaltsverzeichnis
3.3 Umsetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.4 Einflussfaktoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.4.1 Innovationsgrad . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.4.2 Branchenumfeld . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3.4.3 Projektkomplexität . . . . . . . . . . . . . . . . . . . . . . . . 104
3.5 Projekterfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.6 Hypothesensystem und Modellstruktur im Überblick . . . . . . . . . 118
4 Empirische Untersuchung 121

4.1 Untersuchungsdesign . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.1.1 Operationalisierung der Modellvariablen . . . . . . . . . . . . 122
4.1.1.1 Planungsausmaß . . . . . . . . . . . . . . . . . . . . 129
4.1.1.2 Formalisierung . . . . . . . . . . . . . . . . . . . . . 129
4.1.1.3 Partizipation . . . . . . . . . . . . . . . . . . . . . . 130
4.1.1.4 Planungskonsistenz . . . . . . . . . . . . . . . . . . . 131
4.1.1.5 Coalignment . . . . . . . . . . . . . . . . . . . . . . 132
4.1.1.6 Projektdurchführung . . . . . . . . . . . . . . . . . . 135
4.1.1.7 Innovationsgrad . . . . . . . . . . . . . . . . . . . . . 136
4.1.1.8 Branchenumfeld . . . . . . . . . . . . . . . . . . . . 137
4.1.1.9 Projektkomplexität . . . . . . . . . . . . . . . . . . . 139
4.1.1.10 Projekterfolg . . . . . . . . . . . . . . . . . . . . . . 140
4.1.2 Erhebungsdesign und Stichprobenstruktur . . . . . . . . . . . 142
4.1.2.1 Datengrundlage, erforderlicher Stichprobenumfang
und Datenerhebung . . . . . . . . . . . . . . . . . . 142
4.1.2.2 Stichprobenstruktur . . . . . . . . . . . . . . . . . . 153
4.1.3 Methodik der Datenauswertung . . . . . . . . . . . . . . . . . 158
4.1.3.1 Strukturgleichungsmodelle . . . . . . . . . . . . . . . 158
4.1.3.2 Analyse von Moderationseffekten . . . . . . . . . . . 168
4.2 Datenaufbereitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
4.2.1 Überprüfung auf Kodierungsfehler und nicht akzeptable Fälle 171
4.2.2 Behandlung fehlender Werte . . . . . . . . . . . . . . . . . . . 172
4.2.2.1 Strategien zur Behandlung fehlender Werte . . . . . 174
4.2.2.2 Umsetzung eines Verfahrens . . . . . . . . . . . . . . 176
4.3 Empirische Überprüfung der Untersuchungshypothesen . . . . . . . . 178
4.3.1 Analyse des Messmodells . . . . . . . . . . . . . . . . . . . . . 178
4.3.1.1 Vorgehensweise . . . . . . . . . . . . . . . . . . . . . 178
4.3.1.2 Validierung der Konstrukte . . . . . . . . . . . . . . 189
4.3.2 Kausalanalytische Überprüfung der Untersuchungshypothesen 207
4.3.2.1 Coalignment der Planungsprozessdimensionen und
Projekterfolg . . . . . . . . . . . . . . . . . . . . . . 207
4.3.2.2 Gesamtmodell . . . . . . . . . . . . . . . . . . . . . . 209
4.3.3 Regressionsanalytische Überprüfung der Moderationseffekte . 211
Inhaltsverzeichnis XIII
4.3.4 Explorative Erweiterungen . . . . . . . . . . . . . . . . . . . . 215
5 Schlussbetrachtung 223
5.1 Zusammenfassung wesentlicher Ergebnisse . . . . . . . . . . . . . . . 223
5.2 Implikationen für die Unternehmenspraxis . . . . . . . . . . . . . . . 226
5.3 Limitierungen und Ansatzpunkte für weitere Forschungsbemühungen 229
Literaturverzeichnis 233
A Anhang 1 281
Abbildungsverzeichnis
1.1 Bezugsrahmen der Untersuchung . . . . . . . . . . . . . . . . . . . . 4
1.2 Eingrenzung der Untersuchung . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Aufbau der Untersuchung . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1 Der Innovationsprozess im weiteren Sinne . . . . . . . . . . . . . . . . 11

2.2 Klassifizierung neuer Produkte nach Henderson und Clark . . . . . . 20
2.3 Klassifizierung neuer Produkte nach Booz, Allen & Hamilton . . . . . 21
2.4 Klassifizierung neuer Produkte nach Hauschildt . . . . . . . . . . . . 22
2.5 Klassifizierung neuer Produkte nach Lynn und Akgün . . . . . . . . . 23
2.6 Dimensionen des Innovationsgrades nach Salomo . . . . . . . . . . . . 31
2.7 Ansatz zur hierarchischen Produktentwicklungsplanung . . . . . . . . 49
3.1 Planungsausmaß und Wirkungszusammenhänge . . . . . . . . . . . . 79

3.2 Messdimensionen des Innovationserfolgs auf Projektebene . . . . . . . 114
3.3 Übersicht der Untersuchungshypothesen 1 . . . . . . . . . . . . . . . 118
3.4 Übersicht der Untersuchungshypothesen zum Gesamtmodell . . . . . 119
4.1 Arten von Konstrukten . . . . . . . . . . . . . . . . . . . . . . . . . . 123

4.2 Schematische Darstellung der Zweisprachentheorie . . . . . . . . . . . 124
4.3 Umsetzung der Zweisprachentheorie in der empirischen Forschung . . 125
4.4 Wahrscheinlichkeiten der Ergebnisse bei Hypothesentests . . . . . . . 145
4.5 Vergleich von realisierter Stichprobe und Grundgesamtheit . . . . . . 153
4.6 Verteilung der Unternehmen nach Größenklassen . . . . . . . . . . . . 155
4.7 Geschäftstypen der untersuchten Innovationsprojekte . . . . . . . . . 156
4.8 Neuheitsgrad der untersuchten Innovationsprojekte . . . . . . . . . . 156
4.9 Vorgehensweise im Rahmen der Kausalanalyse . . . . . . . . . . . . . 159
4.10 Strukturgleichungsmodell mit Messmodell und Pfadmodell . . . . . . 162
4.11 Übersicht zu Anpassungsmaßen zur Beurteilung von Kausalmodellen 167
4.12 Übersicht über Verfahren zur Behandlung fehlender Daten . . . . . . 174
4.13 Wirkung der einzelnen Planungsdimensionen auf den Projekterfolg . . 208
4.14 Wirkung des Coalignments der Planungsdimensionen auf den Projekt-
erfolg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
4.15 Direkte und indirekte Wirkung des Coalignments der Planungsdimen-
sionen auf den Projekterfolg . . . . . . . . . . . . . . . . . . . . . . . 210
4.16 Prozessmodell in Anlehnung an den Innovationskompass . . . . . . . 217
4.17 Clusterprofile für die Lösung mit vier Clustern . . . . . . . . . . . . . 220
Tabellenverzeichnis
2.1 Benennungsvielfalt des Phänomens Innovationsgrad“ . . . . . . . . . 16

”
2.2 Dichotomisierungen des Innovationsgrades . . . . . . . . . . . . . . . 19
2.3 Ausgewählte Innovationstypologien . . . . . . . . . . . . . . . . . . . 25
2.4 Studien mit multidimensionaler Betrachtung des Innovationsgrades . 26
2.5 Verschiedene Definitionen des Planungsbegriffs und der Projektplanung 34
2.6 Verschiedene Definitionen des Improvisationsbegriffs . . . . . . . . . . 44
2.7 Verschiedene Definitionen des Projektbegriffs . . . . . . . . . . . . . . 54
2.8 Verschiedene Definitionen der Projektplanung . . . . . . . . . . . . . 56
2.9 Ausgewählte Untersuchungen zum Zusammenhang zwischen Projekt-
planung und Projekterfolg . . . . . . . . . . . . . . . . . . . . . . . . 58
3.1 Ausgewählte Planungsprozessdimensionen und ihre Definitionen. . . . 71

3.2 Ausgewählte empirische Studien zur Erfolgswirksamkeit des Planungs-
ausmaßes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.3 Ausgewählte empirische Studien zur Erfolgswirksamkeit der Partizipation 89
3.4 Ausgewählte empirische Studien zum Zusammenhang zwischen Plan-
bzw. Zieländerungen und Projekterfolg . . . . . . . . . . . . . . . . . 98
3.5 Verständnis des Komplexitätsbegriff im Projektkontext . . . . . . . . 107
3.6 Korrelation zwischen subjektiv geschätztem Erfolg und objektiven
Erfolgsmaßen auf Unternehmensebene . . . . . . . . . . . . . . . . . . 117
4.1 Operationalisierung des Planungsausmaßes . . . . . . . . . . . . . . . 129

4.2 Operationalisierung der Formalisierung der Planung . . . . . . . . . . 130
4.3 Operationalisierung der Beteiligung an der Planung . . . . . . . . . . 131
4.4 Operationalisierung der Planungskonsistenz . . . . . . . . . . . . . . 132
4.5 Operationalisierung der Projektdurchführung . . . . . . . . . . . . . . 136
4.6 Operationalisierung des Innovationsgrades . . . . . . . . . . . . . . . 137
4.7 Operationalisierung der Umweltdynamik . . . . . . . . . . . . . . . . 138
4.8 Operationalisierung der Projektkomplexität . . . . . . . . . . . . . . 139
4.9 Operationalisierung des Projekterfolgs . . . . . . . . . . . . . . . . . 141
4.10 Überprüfung auf Nonresponse Bias . . . . . . . . . . . . . . . . . . . 157
4.11 Eigenschaften verbreiteter Schätzverfahren . . . . . . . . . . . . . . . 163
4.12 Anpassungsmaße und Schwellenwerte . . . . . . . . . . . . . . . . . . 167
4.13 Gütebeurteilung formativer Messmodelle . . . . . . . . . . . . . . . . 189
4.14 Explorative Faktoranalyse zur Projektplanung . . . . . . . . . . . . . 190
XVIII Tabellenverzeichnis
4.15 Konfirmatorische Faktoranalyse zur Projektplanung . . . . . . . . . . 192

4.16 Explorative Faktoranalyse zur Projektdurchführung . . . . . . . . . . 193
4.17 Konfirmatorische Faktoranalyse zur Projektdurchführung . . . . . . . 195
4.18 Explorative Faktoranalyse zum Innovationsgrad . . . . . . . . . . . . 196
4.19 Konfirmatorische Faktoranalyse zum Innovationsgrad . . . . . . . . . 198
4.20 Explorative Faktoranalyse zur Umweltdynamik . . . . . . . . . . . . 199
4.21 Variance Inflation Factors der Indikatoren zur Messung der Umwelt-
dynamik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
4.22 Explorative Faktoranalyse zur Projektkomplexität . . . . . . . . . . . 202
4.23 Konfirmatorische Faktoranalyse zur Projektkomplexität . . . . . . . . 203
4.24 Explorative Faktoranalyse zum Projekterfolg . . . . . . . . . . . . . . 204
4.25 Konfirmatorische Faktoranalyse zum Projekterfolg . . . . . . . . . . . 206
4.26 Gesamtmodell: direkt, indirekte und gesamte Effekte der latenten
Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
4.27 Hierarchische moderierte Regressionsanalyse mit dem Innovationsgrad 212
4.28 Hierarchische moderierte Regressionsanalyse mit der Projektkomplexität213
4.29 Hierarchische moderierte Regressionsanalyse mit der Umfelddynamik 215
4.30 Mögliche Anzahl von Gruppen auf Basis der Clusteranalyse . . . . . . 218
4.31 Anzahl der Projekte je möglicher Clusterlösung . . . . . . . . . . . . 219
A.1 Exploratorische Faktorenanalyse zur Projektplanung . . . . . . . . . 282

A.2 Explorative Faktoranalyse zur Projektdurchführung . . . . . . . . . . 283
A.3 Explorative Faktoranalyse zum Innovationsgrad . . . . . . . . . . . . 284
A.4 Explorative Faktoranalyse zur Umweltdynamik . . . . . . . . . . . . 285
A.5 Explorative Faktoranalyse zur Projektkomplexität . . . . . . . . . . . 286
A.6 Explorative Faktoranalyse zum Projekterfolg . . . . . . . . . . . . . . 287
Abkürzungsverzeichnis
AC . . . . . . . . . . . . Available Case Analysis

ADF . . . . . . . . . . Asymptotically Distribution Free
AMOS . . . . . . . . Analysis Of Moment Structures
ANOVA . . . . . . . Analysis of Variance
CAD . . . . . . . . . . Computer Aided Design
CC . . . . . . . . . . . . Complete Case Analysis
CCC . . . . . . . . . . cubic clustering criterion
CPM . . . . . . . . . . Collaborative Project Management
CSF . . . . . . . . . . . critical success factor
CSP . . . . . . . . . . . critical success process
EM . . . . . . . . . . . . Expectation Maximization
GERT . . . . . . . . . Graphical Evaluation and Review Technique
GLS . . . . . . . . . . . General-Least-Squares
I-t-T K . . . . . . . . Item-to-Total Korrelation
KMO . . . . . . . . . . Kaiser-Meyer-Olkin
Lisrel . . . . . . . . . . linear structural relations
MAR . . . . . . . . . . Missing At Random
MCAR . . . . . . . . Missing Completely At Random
MIMIC . . . . . . . . Multiple Indicators and Multiple Causes
ML . . . . . . . . . . . . Maximum Likelihood
MNAR . . . . . . . . Missing Not At Random
MSA . . . . . . . . . . Measure of Sampling Adequacy
NACE . . . . . . . . . Nomenclature générale des activités économiques
NPD . . . . . . . . . . New Product Development
PCA . . . . . . . . . . Principal Component Analysis
PDMA . . . . . . . . Product Development Management Association
PERT . . . . . . . . . Program Evaluation and Review Technique
PLS . . . . . . . . . . . Partial Least Squares
PMBOK . . . . . . Project Management Body of Knowledge
AGFI . . . . . . . . . . Adjusted Goodness of Fit Index
DEV . . . . . . . . . . Durchschnittlich erfasste Varianz
GFI . . . . . . . . . . . Goodness of Fit Index
NFI . . . . . . . . . . . Normed Fit Index
PNFI . . . . . . . . . . Parsimonious Normed Fit Index
RFI . . . . . . . . . . . Relative Fit Index
XX Tabellenverzeichnis
RMSEA . . . . . . . Root Mean Square Error of Approximation

RMSSTD . . . . . . root mean square standard deviation
SAS . . . . . . . . . . . Statistical Analysis System
SEM . . . . . . . . . . Structural Equation Modeling
SPSS . . . . . . . . . . Statistical Package for the Social Sciences
SWD . . . . . . . . . . Software Development
ULS . . . . . . . . . . . Unweighted-Least-Squares
VIF . . . . . . . . . . . Variance Inflation Factor
WLS . . . . . . . . . . Weighted Least Squares
1 Einleitung
1.1 Problemstellung und Zielsetzung

Die erfolgreiche Planung und Durchführung von Innovationsprojekten ist von wesent-
licher Bedeutung für die Wettbewerbsfähigkeit von Unternehmen, stellt diese jedoch
gleichzeitig vor besondere Herausforderungen (Edvinsson, Dvir, Roth und Pasher,
2004). Die Entwicklung neuer Produkte ist durch hohe Unsicherheit im Hinblick
auf die Absatzmärkte und die genutzten Technologien gekennzeichnet (Herstatt,
Verworn und Nagahira, 2004). Zudem verlangt sie in der Regel die Zusammenarbeit
von Personen aus unterschiedlichsten Unternehmensbereichen in einem Projektteam
(Benkenstein, 1987). Insofern stellt die Entwicklung neuer Produkte eine hochkomple-
xe Aufgabe dar, die in vielen Branchen zusätzlich durch ein immer schnelllebigeres
Unternehmensumfeld erschwert wird (Brown und Eisenhardt, 1997; Eisenhardt und
Tabrizi, 1995). Die hieraus erwachsenden Anforderungen an die Koordination von
Innovationsvorhaben bergen potenzielle Konflikte, da sie einerseits formale Organisa-
tion und Struktur verlangen, die Unsicherheit und Komplexität jedoch gleichzeitig die
dafür nötige Planung erschweren und ein gewisses Maß an Flexibilität verlangen, um
auf sich ändernde Informationen und Umfeldfaktoren reagieren zu können (Naveh,
2005). Insofern kann von einem Drahtseilakt gesprochen werden wie die folgenden
Zitate verdeutlichen:
On the one hand, marketers are urged to plan carefully and to research
”
markets thoroughly. On the other, though, they are required to be nimble
enough to make quick adjustments in both new products and strategies.
To participate successfully in new product development, then, marketers
must walk the tightrope between these imperatives.“ (Moorman und
Miner, 1995, S. 1)
Though there are organisations that succeed in balancing efficiency and

”
innovation, by their very nature, tension exists between these processes,
2 Einleitung
and emphasis on one may mean harming the other. The management
practices and paradigms that lead to innovation and efficiency are different
and generally contradictory.“ (Naveh, 2005, S. 2790).
Die zunehmende Verkürzung von Produktlebenszyklen und die steigende Wett-

bewerbsdynamik in vielen Märkten erhöhen den Druck auf Unternehmen unter-
schiedlichster Branchen, diesen konfliktionären Bedürfnissen zu entsprechen (Brown
und Eisenhardt, 1997; Moorman und Miner, 1995). In diesem Kontext kommt der
Planung von Innovationsprojekten eine besondere Rolle zu (Verganti, 1999). Die
Innovationsforschung hat eine Reihe von Erfolgsfaktoren identifiziert und unter diesen
eine umfassende, formale und detaillierte Eingangsplanung von Neuproduktentwick-
lungsprojekten als bedeutsamen Einflussfaktor herausgearbeitet (R. G. Cooper und
Kleinschmidt, 1986, 1987a, 1987b; Gupta und Wilemon, 1990; Khurana und Rosenthal,
1998). Sie dokumentieren, dass sich eine derart gestaltete Planung von Innovations-
projekten positiv auf eine Reihe von Erfolgsmaßen, wie z. B. die Projektlaufzeit, die
Reduktion von Fehlerquoten, finanzielle Rückflüsse und den Neuigkeitsgrad, auswirkt
(Moorman und Miner, 1998a).
Diese orthodoxe Sichtweise“ (Dvir und Lechler, 2004) hinsichtlich des Nutzens
”
der Projektplanung wird jedoch von einer Reihe von Forschern in Frage gestellt. So
weist Bart (1993) auf die Aussagen von Managern hin, nach denen sich Innovations-
projekte häufig nicht gemäß der ursprünglich erstellten Planung entwickeln, wie auch
das folgende von De Meyer, Loch und Pich (2002, S. 67) festgehaltene Zitat eines
Managers bestätigt:
Why did we all agree to go through this pain? Only because we all
”
underestimated what was ahead of us. The risks we thought we were
facing turned out to be irrelevant; the problems that did hit us were
unexpected; and the outcome was different from the original idea.“
Tatsächlich handelt es sich bei Neuproduktentwicklungsprojekten nicht um eine

Reihe vorhersehbarer Schritte, die im vorhinein identifiziert und geplant werden
könnten (Schilling und Hill, 1998; Bailetti, Callahan und DiPietro, 1994), da es zu
Beginn der Projektdurchführung häufig an einem genauen Verständnis der spezifi-
schen Projektaufgaben, der Aufgabenabfolge, der Interdependenzen zwischen den
Aufgaben sowie ihrer zeitlichen Befristung mangelt (Tatikonda und Rosenthal, 2000a).
Problemstellung und Zielsetzung 3
Unterstützt wird diese Sichtweise von Andersen (1996), der argumentiert, dass ein
Projekt eine einzigartige Herausforderung darstelle, für die eine Eingangsplanung
unpraktikabel sei, da Einzigartigkeit impliziere, dass es unmöglich sei, bereits zu
so einem frühen Zeitpunkt über alle notwendigen Aktivitäten informiert zu sein.
Daher sei es sehr wahrscheinlich, dass Eingangsplanungen bei einer Veränderung
der Informationslage an den tatsächlichen Projektverlauf angepasst werden müssten.
Dvir und Lechler (2004) zeigen, dass sich diese Änderungen des ursprünglichen Plans
negativ auf den Projekterfolg auswirken und die erfolgswirksamen Effekte eines
guten Projektplans nicht nur mindern, sondern sogar übersteigen können. Darüber
hinaus weisen Song und Montoya-Weiss (1998) darauf hin, dass es erforderlich sei,
die Planungsaktivitäten stärker an dem Neuigkeitsgrad der jeweiligen Innovation
und damit an der mit dem Projekt verbundenen Unsicherheit zu orientieren. Daher
hat eine weitere Forschungsrichtung im Innovationsmanagement den Nutzen einer
ausgiebigen Projekteingangsplanung in Frage gestellt und vertritt die Auffassung,
dass die Fähigkeit, im Projektverlauf kurzfristig auf Veränderungen zu reagieren
und zu improvisieren, einen entscheidenden Schlüssel zum Erfolg in der Neuprodukt-
entwicklung darstellt (Eisenhardt und Tabrizi, 1995; Ward, Liker, Cristiano und
Sobeck II, 1995; Brown und Eisenhardt, 1997; Moorman und Miner, 1998a; Miner,
Bassoff und Moorman, 2001).
Aus diesen gegensätzlichen Positionen wird deutlich, dass die Rolle der Planung als
Erfolgsfaktor von Innovationsprojekten trotz vielfacher Forschungsbemühungen nicht
eindeutig geklärt ist. Insofern überrascht es nicht, dass Thieme, Song und Shin (2003,
S. 116) weiteren Forschungsbedarf anmahnen: future studies could provide much
”
more insight into the factors that promote good planning in NPD and the nature of
good planning itself.“ Dieser Bedarf resultiert auch daraus, dass sich ein Großteil der
bestehenden Studien nicht detailliert mit den verschiedenen Aspekten der Planung
beschäftigt, sondern diese lediglich unter einem Überbegriff zusammenfasst und
aggregiert betrachtet (Stockstrom und Herstatt, 2008). Das Ziel dieser Arbeit ist es
daher, ein besseres Verständnis der Planung von Neuproduktentwicklungsprojekten
zu erarbeiten und damit zu einer Verringerung der identifizierten Forschungslücke
beizutragen. Aufgrund der bereits existierenden Anzahl empirischer Befunde und der
hier skizzierten Problematik soll dies in Form einer quantitativ-konfirmatorischen
4 Einleitung
Untersuchung des Spannungsfeldes von Effizienz und Flexibilität in der Planung von
Neuproduktentwicklungsprojekten unter Berücksichtigung
• effizienz- und flexibilitätsfördernder Merkmale der Planung,
• ihrer Umsetzung im Laufe des Projektes und
• möglicher situativer Einflussfaktoren erfolgen.
Dabei ist es ein ausdrückliches Ziel der vorliegenden Arbeit, konkrete Handlungs-
empfehlungen für die Praxis zu entwickeln, um den von Witte (1988) artikulierten
Forderungen nach praktischer Relevanz, theoretischer Attraktivität und Zugang zum
empirischen Feld nachzukommen.
1.2 Bezugsrahmen und Eingrenzung der

Untersuchung
Nachdem der vorangegangene Abschnitt in die Problemstellung eingeführt hat, wird
diese im Folgenden weiter konkretisiert. Abbildung 1.1 visualisiert die identifizierte
Forschungslücke und steckt den Bezugsrahmen für das Forschungsvorhaben ab.
indirekte Erfolgswirkung
Flexibilität
Umsetzung
Gestaltung der
Projekterfolg
Projektplanung
Effizienz direkte Erfolgswirkung
Einflussfaktoren
Abbildung 1.1: Bezugsrahmen der Untersuchung

Bezugsrahmen und Eingrenzung der Untersuchung 5
Im Rahmen der vorliegenden Arbeit werden sowohl die direkte als auch die indirek-
te Wirkungsbeziehung zwischen Projektplanung und Projekterfolg untersucht. Die
Ausführungen haben verdeutlicht, dass es eine Reihe potenzieller Einflussfaktoren
auf diesen Wirkungszusammenhang gibt, die sich sowohl auf das jeweilige Projekt
als auch den Branchenkontext des innovierenden Unternehmens zurückführen lassen.
Um den Bezugsrahmen in ein handhabbares Untersuchungsdesign zu überführen

sind vor Beginn des Forschungsvorhabens eine Reihe von Eingrenzungen bzw. Kon-
kretisierungen vorzunehmen. Diese sind in Abbildung 1.2 zusammengefasst.
Messobjekt Produktinnovation Prozessinnovation Sozialinnovation
Messebene Produkt/Projekt Portfolio/SGE Unternehmen Branche/Markt Nation
Projektleben Abgebrochene Projekte Laufende Projekte Abgeschlossene Projekte
Kosten- Repositionierung Produkt- neue

Neuheitsgrad reduzierung am Markt modifikation Produktlinie
Marktneuheit
Messsubjekt Nutzer Hersteller Dritte
Branchenfokus Einzelunternehmen Einzelne Branche Branchenübergreifend
Abbildung 1.2: Eingrenzung der Untersuchung. Quelle: In Anlehnung an Verworn (2005)
Da sich die aufgezeigte Forschungslücke bezüglich der Planung eines Innovationspro-

jektes und deren Umsetzung im Projektablauf über den gesamten Innovationsprozess
erstreckt, wird keine bewusste Eingrenzung auf einzelne Prozessphasen vorgenommen
sondern vielmehr eine ganzheitliche Prozessbetrachtung angestrebt. Darüber hinaus
beschränkt sich die Untersuchung auf die Analyse von Produktinnovationsvorha-
ben, um eine möglichst weitreichende Vergleichbarkeit der betrachteten Projekte zu
gewährleisten und mögliche Störungen durch verschiedenartige Messobjekte ausschlie-
ßen zu können. Um eine Aussage über die Erfolgswirksamkeit der Planungs- und
Umsetzungsaktvitäten in den einzelnen Projekten treffen zu können, ist es zudem
erforderlich, den Untersuchungsgegenstand auf bereits abgeschlossene Innovationsvor-
haben einzugrenzen. Hinsichtlich des Neuheitsgrades werden bewusst verschiedene
Innovationen betrachtet, da die Ausführungen bereits verdeutlicht haben, dass hierin
ein möglicher Einflussfaktor auf die Erfolgswirksamkeit der Projektplanung bestehen
6 Einleitung
könnte. Die Untersuchung richtet sich zudem ausschließlich an die innovierenden

Unternehmen, da sie sich inhaltlich auf deren interne Prozesse konzentriert, so dass
eine Untersuchung, beispielsweise von Lieferanten oder Kunden des innovierenden
Unternehmens wenig zielführend erscheint. Um zu möglichst verallgemeinerbaren
Erkenntnissen zu gelangen, beschränkt sich die Untersuchung nicht auf die Ana-
lyse von Innovationsprojekten innerhalb eines Unternehmens oder einer Branche.
Hierdurch wird vermieden, dass Unternehmens- oder Branchenspezifika zu einer
Idiosynkratisierung der Befunde führen.
Auf Basis des geschilderten Bezugsrahmens sowie der vorgenommenen Konkretisie-
rungen kann die folgende übergeordnete Forschungsfrage für die vorliegende Arbeit
formuliert werden:
Wie müssen Neuproduktentwicklungsprojekte im Spannungsfeld von

”
Effizienz und Flexibilität geplant werden, damit sie möglichst erfolgreich
umgesetzt und abgeschlossen werden können?“
1.3 Vorgehensweise und Aufbau der Arbeit

Die zur Beantwortung der im vorangegangenen Abschnitt aufgeworfenen Forschungs-
frage erforderliche Vorgehensweise ist in Abbildung 1.3 zusammengefasst. Zunächst
werden im folgenden Kapitel 2 die konzeptionellen Grundlagen der Arbeit dargestellt.
Hierfür wird zunächst auf den Begriff der Innovation eingegangen, um ihn abzugren-
zen und schließlich definieren zu können. Der folgende Abschnitt 2.2 beschäftigt sich
mit dem Innovationsgrad, um eine feinere Abstufung zwischen Innovationen und
Nicht-Innovationen zu ermöglichen. Hierbei werden von Dichotomien über Typologi-
sierungen bis hin zu umfassenden Operationalisierungen verschiedene Ansätze zur
Erfassung des Neuheitsgrades einer Innovation diskutiert. In Abschnitt 2.3 widmet
sich die Arbeit dem zweiten für sie relevanten Problemkreis der Planung. Neben
der Klärung grundlegender Begrifflichkeiten wird zudem auf die Funktionen der
Planung sowie die verschiedenen Ebenen der betrieblichen Planung eingegangen und
abschließend eine Abgrenzung zum Begriff der Improvisation als alternative Form
der Problemlösung vorgenommen. Das Kapitel endet, indem in Abschnitt 2.4 die
vorab getrennt dargestellten Problemkreise miteinander verknüpft werden und ihre
Beziehung näher untersucht wird.
Vorgehensweise und Aufbau der Arbeit 7
In Kapitel 3 werden die grundlegenden Erkenntnisse aus den vorangegangenen

Kapiteln aufgegriffen und in ein Modell der Planung von Innovationsprojekten inte-
griert. Unter Erläuterung der hierfür relevanten Theorien werden Hypothesen über
die Wirkungszusammenhänge zwischen den einzelnen Modellelementen Planung,
Umsetzung, Projekterfolg und Einflussfaktoren formuliert.
1 Einleitung 2 Konzeptionelle Grundlagen

Problemstellung und Zielsetzung Innovation und Innovationsgrad
Bezugsrahmen und Eingrenzung Planung
Vorgehensweise und Aufbau Planung und Innovation
3 Herleitung des Untersuchungsmodells

Planung und Umsetzung von Innovationsprojekten
Einflussfaktoren
Projekterfolg
4 Empirische Untersuchung
Untersuchungsdesign
g
Datenaufbereitung
Empirische Überprüfung der Untersuchungshypothesen
5 Schlussbetrachtung
Zusammenfassung wesentlicher Ergebnisse
Implikationen für die Unternehmenspraxis
Limitierungen der Analyse und Ansätze für weitere Forschungsbemühungen
Abbildung 1.3: Aufbau der Untersuchung
Kapitel 4 widmet sich der empirischen Untersuchung der Planung und Umsetzung
von Innovationsprojekten. Hierzu wird zunächst in Abschnitt 4.1 das Untersuchungs-
design dargestellt. Dabei wird detailliert auf die Operationalisierung der Modellvariab-
len, das Erhebungsdesign, die erzielte Stichprobe sowie auf die zur Analyse genutzten
statistischen Verfahren eingegangen. Abschnitt 4.2 beschreibt die nach der Erhebung
erforderlichen Schritte zur Aufbereitung der erhobenen Daten, um Kodierungsfehler
und nicht akzeptable Fälle von der weiteren Untersuchung ausschließen zu können
sowie eventuell auftretende Probleme durch fehlende Werte zu beheben. Der folgende
Abschnitt 4.3 hat die empirische Überprüfung der Untersuchungshypothesen zum
Gegenstand.
8 Einleitung
Die Arbeit schließt mit Kapitel 5, in dem zunächst die zentralen Ergebnisse
der vorangegangenen Analysen zusammengefasst werden. Auf Basis der Untersu-
chungsbefunde werden anschließend in Abschnitt 5.2 Implikationen und konkrete
Handlungsempfehlungen für die Unternehmen der betrachteten Branchen formuliert.
Da es sich um eine branchenübergreifende Betrachtung handelt, ist zudem anzuneh-
men, dass auch Betriebe aus anderen Branchen, die im Rahmen dieser Arbeit nicht
betrachtet werden konnten, von den aufgezeigten Wirkungszusammenhängen profitie-
ren können. Abschließend wird in Abschnitt 5.3 auf die Limitationen der vorliegenden
Arbeit eingegangen und es werden Ansatzpunkte für weitere Forschungsbemühungen
aufgezeigt.
2 Konzeptionelle Grundlagen
Das folgende Kapitel dient einer Einführung in für die vorliegende Arbeit relevante,
grundlegende Begrifflichkeiten und Forschungsrichtungen. Ein wesentliches Ziel der
Arbeit ist die Konzeptualisierung des Planungsprozesses von Innovationsprojekten,
so dass es einer Auseinandersetzung mit den beiden immanenten Grundkonzepten
der Planung und der Innovation bedarf.
Eine Auseinandersetzung mit dem Phänomen Innovation“ bedarf neben einer
”
grundlegenden Einführung und Begriffsklärung vor allem auch einer Diskussion des
Neuheitsgrades, auch als Innovationsgrad bezeichnet. Im Rahmen der Erschließung
des Planungsbegriffs ist sowohl auf die Rolle der Planung auf Unternehmens- und
Projektebene, als auch auf die planerischen Besonderheiten von Innovationsprojekten
einzugehen. Schließlich wird das in der Literatur als Gegenpol zur Planung diskutierte
Konzept der Improvisation näher erläutert.
2.1 Innovation
Unternehmen unterliegen genau wie ihr Umfeld einem ständigen technischen, wirt-
schaftlichen und sozialen Wandel. Dieser Wandel beeinflusst die Attraktivität der
von einem Unternehmen am Markt offerierten Dienstleistungen und Produkte und
verlangt somit eine unternehmerische Reaktion zur Aufrechterhaltung der Wett-
bewerbsfähigkeit. Innovationen gemäß der sich aus dem Wandel ergebenden An-
forderungen sind eine solche Reaktion und insbesondere erfolgreiche Unternehmen
nutzen diese, um sich Veränderungen in der Umwelt, den verfügbaren Ressourcen,
dem technischen Fortschritt und dem Wettbewerb anzupassen (vgl. z. B. Schilling,
2008; Salaman und Storey, 2002; Pleschak und Sabisch, 1996). Hierbei geht es nicht
zuletzt um das Überleben des Unternehmens, wie Edvinsson et al. (2004, S. 42)
verdeutlichen:
[I]nnovation management and being on the move ... is of essence to

”
organizational sustainability.“
Wesentliches Merkmal des Begriffs Innovation“ ist die Entstehung von etwas Neuem
”
(lat.: innovatio = Neuerung, Erneuerung), jedoch wird in der Literatur eine Vielzahl
uneinheitlicher Definitionen gebraucht (vgl. z. B. Hauschildt, 2004; Pleschak und
Sabisch, 1996; Mueser, 1985), so dass eine Abgrenzungen des Begriffs geboten
erscheint.1 Die von Edvinsson et al. (2004, S. 42) vorgeschlagene Innovationsformel
reuse of existing insights and knowledge combined with the new know-
”
ledge as invention and then commercialised and capitalised“
macht deutlich, dass der Innovationsbegriff zunächst vom Begriff der Invention
abzugrenzen ist. Diese ist die erstmalige technische Realisierung einer neuen Pro-
blemlösung als Ergebnis von Forschung und Entwicklung (Pleschak und Sabisch,
1996). Damit ist die Invention das Ergebnis erfolgreicher Bemühungen in Forschung
und Entwicklung, also die Erfindung, die jedoch nicht zwangsläufig geplant gewe-
sen sein muss, sondern auch als Zufallsprodukt“ entstanden sein kann (Specht
”
und Beckmann, 1996). Hieraus wird deutlich: Innovation ist mehr als Invention“
”
(Hauschildt, 2004, S. 24), da sie untrennbar mit der tatsächlichen Nutzung bzw.
der Markteinführung verbunden ist (Specht und Beckmann, 1996). Mit der ersten
wirtschaftlichen Anwendung der Neuerung fügt die Innovation der Invention einen
Zweck hinzu, die Invention alleine ist nur Mittel, aber damit die Grundlage der Inno-
vation (Cutler, 2000). Erweitert man diesen engen Innovationsbegriff und gestattet
ein Verständnis im weiteren Sinne, so umfasst der Begriff Innovation die Begriffe der
Invention und der Innovation im engeren Sinne (Hauschildt, 2004). Dieses weiter
gefasste Verständnis bildet die Grundlage zahlreicher Lehrbücher (vgl. z. B. Specht
und Beckmann, 1996) und wird noch einmal in Abbildung 2.1 auf Seite 11 dargestellt.
Die Abbildung verdeutlicht, dass es weiterhin erforderlich ist, die Innovation vom
Begriff der Imitation abzugrenzen. Während auch die Imitation aus der subjektiven
Sicht des imitierenden Unternehmens etwas Neues enthalten kann, beschreibt der
Begriff jedoch die Nachahmung, also die wiederholte Anwendung einer neuen Pro-
blemlösung durch ein anderes Unternehmen (Pleschak und Sabisch, 1996). Besonders
deutlich wird dies in der Definition von Schwartz (1978, S. 46):
1
Für einen Überblick über diese Definitionen sei auf Mueser (1985) verwiesen, dessen Beitrag
allein eine Gegenüberstellung von 39 Innovationsdefinitionen liefert.
Innovation 11
The imitation of a good represents the manufacturing of a product/pro-

”
cess with the same characteristics in the eyes of the consumers, as a
product/process previously developed by another firm. We add the further
requirement that the imitation and the original product are based on a
similar (but not necessarily identical) technology.“ 2
Im Folgenden soll der Begriff der Innovation für die weiteren Ausführungen dieser
Arbeit definiert werden. Zur Erlangung eines tieferen Verständnisses wird dabei
auf die objekt-, subjekt- und prozessbezogene Dimension des Innovationsbegriffs
eingegangen (vgl. z. B. Hauschildt, 2004).
Aktivität
(Prozess) Forschung Konkurrenz
Markt- Markt-
und durch
einführung durchsetzung
Entwicklung Nachahmung
Innovation
Invention Diffusion Imitation
im eng. Sinne
Ergebnis
Innovation im weiteren Sinne
Abbildung 2.1: Der Innovationsprozess im weiteren Sinne. Quelle: Brockhoff (1999)
Die prozessbezogene Dimension der Innovation Die prozessuale Betrachtungs-

weise wird in der Literatur auch als die prozessbezogene Dimension der Innovation
bezeichnet (vgl. z. B. Hauschildt, 2004). Wie aus den obigen Ausführungen und
Abbildung 2.1 ersichtlich ist, lässt sich hierbei zwischen einer Definition im engeren
und im weiteren Sinne unterscheiden, wobei erstere die Durchsetzung einer Invention
am Markt bzw. deren wirtschaftliche Nutzung meint und letztere den gesamten
2
Aus der Definition wird ersichtlich, dass es im Verhältnis zwischen Innovation und Imitation
drei wesentliche Charakteristika gibt: den Zeitbezug, den Anwendungsbezug und den Technolo-
giebezug. Für eine ausführliche Darstellung siehe Schewe (1992).
Prozess der Invention und Marktdurchsetzung umfasst (vgl. z. B. Brockhoff, 1999;

Pleschak und Sabisch, 1996). Der Innovationsprozess, der sich in zeitliche Phasen
untergliedern lässt, umfasst also in seiner weiten Definition die Gesamtheit aller
Aktivitäten, die im Zusammenhang mit der Erschaffung und Markteinführung von
Innovationen stehen (Verworn und Herstatt, 2002). Aufgrund der Themenstellung
dieser Arbeit, die sich mit Aspekten der Projektplanung und des Projektmanagements
von Innovationsprojekten und damit auch den frühen Projektphasen befasst, wird im
Folgenden ein weiteres Verständnis des Innovationsbegriffs zugrunde gelegt. Als Basis
für die folgenden Ausführungen wird daher die von Weise (2005, S. 12) in Anlehnung
an Dosi (1988), Uhlmann (1978) und Goldhar (1980) entwickelte Definition genutzt:
Prozessuale Definition von Innovation Eine Innovation ist der

gesamte Prozess der Ideenfindung, der Erforschung, des Experimentierens
und der Entwicklung bis hin zur Marktdurchsetzung oder Verwendung im
eigenen Unternehmen, den eine neuartige Problemlösung durchläuft.
Im Rahmen dieser prozessualen Betrachtung wird der Prozess der Erstellung einer
Produktinnovation häufig als Produktinnovationsprozess, Produktentwicklungspro-
zess oder (Neu-)Produktentwicklung bezeichnet (vgl. z. B. Schlaak, 1999; Specht und
Beckmann, 1996). Im Englischen haben sich hierfür die Begriffe product develop-
”
ment“ bzw. new product development“ (NPD) durchgesetzt (vgl. z. B. Kim und
”
Wilemon, 2003; Souder, Sherman und Davies-Cooper, 1998; Brown und Eisenhardt,
1995). Im Weiteren werden die Begriffe Produktinnovationsprozess, Produktent-
wicklungsprozess bzw. (Neu-)Produktentwicklung synonym für Prozesse verwendet,
deren Ziel die Einführung eines neuen Produktes bzw. einer neuen Dienstleistung
in den Markt ist. In der Literatur zur Innovationsforschung existiert eine Vielzahl
an Modellen des Innovationsprozesses, die sich terminologisch, durch die Anzahl
der Prozessphasen, die Differenziertheit der Strukturierung und die Annahmen über
die zeitliche Abfolge bzw. Parallelität der Prozessphasen unterscheiden. Sie die-
nen als idealisierte Abbildungen der Realität der Komplexitätsreduktion, wobei ein
hoher Differenzierungsgrad einem branchen- und situationsunabhängigen, allgemei-
nen Modell entgegensteht (vgl. z. B. Verworn und Herstatt, 2002; R. G. Cooper, 1994).
Damit bezieht sich das Innovationsmanagement auf die bewusste Gestaltung von
Innovationsprozessen sowie des Systems innerhalb dessen sich die Prozesse vollziehen
Innovation 13
(Hauschildt, 2004). Demzufolge lässt sich zwischen einer individuellen Projektebene

und einer Portfolioebene unterscheiden (Billing, 2003). Ziele des Innovationsmanage-
ments auf diesen beiden Ebenen sind strategische Effektivität für die Portfolioebene
bzw. operative Effizienz für die Projektebene (Montoya-Weiss und Calantone, 1994),
oder wie R. G. Cooper (1999, S. 115 f.) formuliert doing the right projects“ und
”
doing projects right“.
”
Objektbezogene Dimension der Innovation Neben der prozessualen Definition

des Innovationsbegriffs wird in der Forschung auch eine objektbezogene Definition ver-
wendet, mit der auf das Ergebnis des Innovationsprozesses, z. B. ein neu entwickeltes
Produkt, verwiesen wird. In dieser Perspektive steht also die Frage danach, was neu
ist, im Vordergrund (Hauschildt, 2004). Hinsichtlich dieser Betrachtungsweise wird
in der Literatur zunächst zwischen Produkt- und Prozessinnovationen unterschieden
(de Brentani, 2001; R. G. Cooper und de Brentani, 1991; Utterback und Abernathy,
1975). Produktinnovationen sind neuartige Problemlösungen, die in ihrer Leistung
neue Zwecke erfüllen oder vorhandene Zwecke auf neue Art und Weise lösen. Im
Gegensatz dazu beschreiben Prozessinnovationen neue Faktorkombinationen im in-
nerbetrieblichen Leistungsprozess (Steinhoff, 2006). Mit ihnen wird das Ziel verfolgt,
die Effizient des Prozesses der Leistungserstellung zu steigern, indem die Kosten
gesenkt werden, die Qualität verbessert wird und der Prozess beschleunigt oder
sicherer gemacht wird (Hauschildt, 2004). Hier soll auf die von Weise (2005, S. 12
f.) in Anlehnung an Hauschildt (2004, 1992) entwickelte Definition zurückgegriffen
werden:
Objektbezogene Definition von Innovation Innovationen sind

qualitativ neuartige Produkte oder Verfahren, die sich gegenüber dem
vorhergehenden Zustand merklich unterscheiden, von einer Unternehmung
erstmalig im Markt oder eigenen Betrieb eingeführt werden und sich dort
bewähren müssen. Die Neuartigkeit besteht darin, dass Zwecke und Mittel
in einer bisher nicht bekannten Form verknüpft werden.
Eine Innovation liegt nach dieser objektbezogenen Betrachtung also nur vor, wenn es
sich um eine neuartige Zweck-Mittel-Kombination handelt (Hauschildt, 2004). Dahin-
ter verbirgt sich die Frage nach der Induzierung der Innovation, welche ein wichtiger
Aspekt der objektbezogenen Betrachtungweise ist. Dabei wird zwischen zweckindu-

zierten Innovationen, auch als Marktsoginnovationen oder market pull“ bezeichnet,
”
die unmittelbar durch die Nachfrage bzw. die Bedürfnisse der Kunden hervorgerufen
werden, und mittelinduzierten Innovationen, auch Technologiedruckinnovationen
oder technology push“ genannt, die durch die Entwicklung neuer Technologien für
”
neue oder bestehende Bedürfnisse hervorgerufen werden, unterschieden (vgl. z. B.
Hauschildt, 2004; Pleschak und Sabisch, 1996).
Subjektbezogene Dimension der Innovation Die subjektbezogene Dimension der

Innovation beschäftigt sich mit der Frage, für wen die betrachtete Innovation neu ist
(Hauschildt, 2004). Da eine Innovation in Abhängigkeit von der jeweils eingenomme-
nen Perspektive als mehr oder weniger neuartig wahrgenommen werden kann, ist zu
konstatieren, dass die Neuartigkeit subjektiv ist. Eine Objektivierung ist lediglich
dann möglich, wenn die Frage nach der objektiven Erstmaligkeit einer Innovation
gestellt wird, es sich also um eine Weltneuheit handelt. Aus der Perspektive des Man-
agements erscheint eine Objektivierung der Neuartigkeit jedoch nicht zweckmäßig,
da es aus der Sicht des innovierenden Unternehmens unerheblich ist, ob die eigene
Innovation auch von Mitbewerbern oder anderen innovierenden Unternehmen als
neuartig empfunden wird (Hauschildt, 2004). Auch aus Kundensicht erscheint eine
Objektivierung nicht sinnvoll, da es vor allem die wahrgenommene Neuartigkeit einer
Innovation ist, die Einfluss auf Informationsverarbeitungs- und Kaufentscheidungs-
prozesse beim Kunden nimmt (vgl. z. B. Regier, 2007). Insofern hat die subjektive
Auffassung des Innovationsbegriffs in der Forschung zum Innovationsmanagement
weitere Verbreitung erfahren (vgl. z. B. Hauschildt, 2004; Schlaak, 1999). Diese in
der subjektiven Wahrnehmung entstehende Neuartigkeit einer Innovation kommt in
der vielfach genutzten Definition von Rogers (1995) zum Ausdruck:
An innovation is an idea, practice, or object that is perceived as new by

”
an individual or other unit of adoption.“
Neben der vorgestellten Differenzierung des Innovationsbegriffs, die sich auf den Pro-
zess der Erstellung einer Produktinnovation sowie dessen Ergebnis bezieht, lassen sich
Innovationen auch nach ihrer Zugehörigkeit zu Funktionsbereichen untergliedern, wo-
bei von einer funktionaltypischen Differenzierung gesprochen wird. Gemäß Hauschildt
(2004) und Zahn und Weidler (1995) lassen sich nach dieser Perspektive technische,
Innovationsgrad 15
organisationale, wettbewerbsbezogene und soziale Innovationen unterscheiden. Für

eine ausführlichere Darstellung der verschiedenen funktionaltypologischen Innova-
tionskategorien wird auf Weise (2005) und Pleschak und Sabisch (1996) verwiesen.
Diesbezüglich wird, wie in Abschnitt 1.2 beschrieben, die folgende Eingrenzung des
Untersuchungsgegenstandes vorgenommen: Die vorliegende Arbeit beschäftigt sich
mit Produktinnovationen, wohingegen Dienstleistungen aufgrund ihrer konzeptio-
nellen Besonderheiten ausgeschlossen werden (R. G. Cooper und de Brentani, 1991;
Zeithaml, Parasuraman und Berry, 1985). Unter Berücksichtigung der Zielsetzung
der Arbeit, der Analyse des Planungsverhaltens für Innovationsvorhaben, wird als
Betrachtungsebene das Einzelprojekt gewählt.
2.2 Innovationsgrad
Im Rahmen des letzten Abschnitts wurde die grundsätzliche Neuartigkeit von Inno-
vationen erläutert. Allerdings haben die Ausführungen auch gezeigt, dass es in der
Kombination von Zweck und Mittel zu durchaus unterschiedlichen Konstellationen
kommen kann, so dass eine pauschale Unterteilung in Innovation auf der einen Seite
und Nicht-Innovation auf der anderen Seite unbefriedigend erscheint. Vielmehr ist es
wünschenswert, graduelle Unterschiede gegenüber dem bisherigen Ist-Zustand aufzei-
gen zu können und damit einen Innovationsgrad mess- und bewertbar zu machen
(Hauschildt und Salomo, 2005, S. 10):
Es geht bei Innovation nicht um die Frage, ob“ Neuartigkeit vorliegt,

” ”
sondern um die Frage, wie hoch“ der Grad einer technischen oder an-
”
wendungsspezifischen Änderung ist.“
Im Bestreben, eine Abstufung zwischen Innovationen und Nicht-Innovationen zu

entwickeln, hat sich in der Literatur eine Vielzahl von Formulierungen für den Inno-
vationsgrad entwickelt. Wie aus Tabelle 2.1 deutlich wird, stellen die Begrifflichkeiten
teilweise lediglich auf einzelne Facetten des Innovationsbegriffs ab, wie z. B. die
technische Seite, während andere Begrifflichkeiten diesbezüglich neutraler formuliert
sind. Im Rahmen der vorliegenden Arbeit werden die Begriffe Innovationsgrad und
Neuheitsgrad synonym verwendet.
Die Innovationsforschung hat sich der Problematik einer differenzierteren Unter-
teilung von Innovationen angenommen und zunächst versucht, mittels dichotomer
deutschsprachige Literatur englischsprachige Literatur

Neuigkeitsgrad innovativeness
Innovationsintensität degree of innovativeness
Innovationshöhe newness
Novität novelty
Neuheitsgrad radicalness
Neuheitsart nature of technology
Betriebsneuheit degree of technological innovation
degree of technical change
innovation type
degree of innovation
product type
Tabelle 2.1: Benennungsvielfalt des Phänomens Innovationsgrad“. Quelle: Schlaak (1999)

”
Kategorisierungen und Typologien eine nominale Unterscheidung verschiedener Arten

von Innovationen zu ermöglichen (vgl. z. B. Lettl, 2004; Hauschildt, 2004; Garcia
und Calantone, 2002; Gatignon, Tushman, Smith und Anderson, 2002). Allerdings
ist die Zahl an Typologien in der Literatur zum Innovationsmanagement inzwischen
so stark gestiegen, dass es schwer fällt, klare Begriffsabgrenzungen zu formulieren
(Garcia und Calantone, 2002, S. 117):
This abundance of typologies has resulted in the same name being used
”
for different types of innovations and the same innovation being classified
under different typologies.“
2.2.1 Innovationstypologien im Überblick

Es zeigt sich, dass die Operationalisierung des Innovationsgrades in der Literatur in
vier verschiedenen Bereichen teilweise erhebliche Uneinheitlichkeiten aufweist (Garcia
und Calantone, 2002):
1. hinsichtlich der Modellierung aus eine Makro- oder Mikroperspektive
2. hinsichtlich der Modellierung von Markt- und/oder technischer Diskontinuität
3. hinsichtlich der Modellierung als ein- oder mehrdimensionales Konstrukt

Innovationsgrad 17
4. hinsichtlich der Modellierung des Innovationsgrades als kategoriale oder konti-

nuierliche Variable
Dementsprechend hat die Literatur zum Innovationsmanagement eine Vielzahl von

Kategorisierungen des Innovationsgrads hervorgebracht, aus denen hier exemplarisch
einige verbreitete Konzepte vorgestellt werden sollen. Dabei reicht die Spannweite
von einfachen Dichotomien bis hin zu aufwändigeren Typologien, die zu ihrer Klassi-
fizierung auf einzelne oder mehrere Merkmale von Innovationen abstellen (vgl. z. B.
Steinhoff, 2006; Weise, 2005; Lettl, 2004; Garcia und Calantone, 2002).
Dichotomisierungen des Innovationsgrades Eine weitverbreitete Dichotomisie-

rung von Innovationen ist die Unterscheidung in radikale und inkrementale Inno-
vationen (vgl. z. B. Kessler und Chakrabarti, 1999; Balachandra und Friar, 1997).
Andere Autoren hingegen sprechen von really new“ (Song und Montoya-Weiss, 1998),
”
breakthrough“ (Rice, O’Connor, Peters und Morone, 1998) oder discontinuous“
” ”
(P. Anderson und Tushman, 1990) auf der einen Seite und routine“ (Meyers und
”
Tucker, 1989), variations“ (Normann, 1971) oder adoption“ (P. Anderson und
” ”
Tushman, 1990) auf der anderen Seite. Folglich stellen Garcia und Calantone (2002,
S. 110) fest:
[T]here is no consistent delineation on what is considered ’high’, ’mod-

”
erate’ and ’low’ degree of innovativeness and if that correlates to the
categorization of ’radical’, ’really new’, and ’incremental’ innovations or
some other typology.“
Bei einer Strukturierung des Neuheitsgrades von Innovationen genügt es nicht, radika-
le und inkrementale Innovationen auf Basis rein technischer Aspekte zu unterscheiden,
wie dies beispielsweise bei Henderson und Clark (1990) geschieht. Folglich sind bei-
spielsweise die Typologien von Ali (1994) und P. Anderson und Tushman (1990) als
zu eingeschränkt zu beurteilen. Radikale Innovationen sind häufig dadurch gekenn-
zeichnet, dass sie einerseits mit langen Entwicklungszeiten, hohen Investitionen und
hoher Unsicherheit verbunden sind (McDermott und Colarelli O’Conner, 2002; Leifer
et al., 2000), andererseits aber auch einen deutlich höheren Kundennutzen realisieren
und dadurch nachhaltige Wettbewerbsvorteile schaffen können (Chandy und Tellis,
2000, 1998). Radikale Innovationen haben damit potenziell eine wesentlich profundere
Auswirkung auf das innovierende Unternehmen (Gatignon et al., 2002). Neben einem
Konsens zur Benennung hochgradiger und geringer Innovationen stellen die verschie-
denen Dichotomien zudem auf unterschiedliche Dimensionen des Neuheitsgrades ab,
was die Vergleichbarkeit weiter erschwert. Darüber hinaus wird selbst im Rahmen
gleicher verbaler Klassifikationen auf unterschiedliche Neuheitsdimensionen abgestellt,
wie ein Vergleich der Studien von Balachandra und Friar (1997), Atuahene-Gima
(1995), C. Freeman (1994) und Lee und Na (1994) zeigt. Tabelle 2.2 auf Seite 19
verdeutlicht diese Problematik. Insofern erscheint die rein dichotome Betrachtung
von Innovationen als ungenügend und es ist Green, Gavin und Aiman-Smith (1995,
S. 203) zuzustimmen, die feststellen:
Moreover, we find virtually no commonly accepted definition or measure

”
of radical innovation, and in many cases we find operationalizations of
radical innovation where the validity and reliability of those measures
have never been tested.“
Auch die Innovationsforschung hat sich angesichts der Vielschichtigkeit des Innovati-
onsbegriffs und der Schwierigkeiten mit einer rein dichotomischen Betrachtung auf
die Entwicklung erweiterter Typologien konzentriert, um darüber zu einer differen-
zierteren Abstufung des Neuheitsbegriffs zu gelangen.3
3
Neben der hier dargestellten Dichotomie zwischen radikalen und inkrementalen Innovationen
wird u. a. noch zwischen Innovationen in Kern- und peripheren Systemen (vgl. z. B. Ulrich und
Eppinger, 2004; Henderson, 1995, 1993; Pinch und Bijker, 1989; Clark, 1985) und kompentenz-
vernichtenden und -verstärkenden Innovationen (vgl. z. B. Gatignon et al., 2002; P. Anderson
und Tushman, 1990; Tushman und Anderson, 1986; Abernathy und Clark, 1985) unterschie-
den. Die hieraus resultierenden Typologien müssen nicht mit der ausführlicher dargestellten
Kategorisierung in radikale und inkrementale Innovationen übereinstimmen. Hierzu und für eine
ausführlichere Darstellung siehe Weise (2005).
Studie Innovationsgrad Dimension des Neuheitsgrades
niedrig hoch
Balachandra und Friar (1997) incremental radical Change in Technology and Product Configu-
ration
Innovationsgrad
Atuahene-Gima (1995) incremental radical Product Newness to Customers and Firm

Kessler und Chakrabarti (1999) incremental radical Type of Work and Degree of Change
Lee und Na (1994) incremental radical Degree of Difference from other Products in
Technical Characteristics or Specifications
Normann (1971) variation reorientation Change of Product Dimensions
Maidique und Zirger (1984) adoption true Degree of Technical Content
P. Anderson und Tushman (1990) continuous discontinuous Technological Change
Ali (1994) incremental pioneering Technological Newness
Song und Montoya-Weiss (1998) incremental really new Market and Technological Newness
Yoon und Lilien (1985) reformulated original Technological Change
Rothwell und Gardiner (1988) reinnovations innovations Design Newness
Meyers und Tucker (1989) routine radical Market Familiarity with the Product Class
Rice et al. (1998) incremental breakthrough Product Performance
Tabelle 2.2: Dichotomisierungen des Innovationsgrades. In Anlehnung an Steinhoff (2006) und Garcia und Calantone (2002)
19
Erweiterte Innovationstypologien Die Literatur zum Innovationsmanagement hat

eine Reihe von erweiterten Typologien hervorgebracht, mittels derer der Innova-
tionsbegriff differenziert werden soll. Im Rahmen der vorliegenden Arbeit ist dabei
insbesondere die Unterscheidung zwischen radikalen und inkrementalen Innovationen
von Bedeutung, so dass im Folgenden eine Auswahl entsprechender Typologien dar-
gestellt werden soll. Ihnen ist gemeinsam, dass sie den Neuheitsgrad einer Innovation
anhand zweier Dimensionen entwickeln. Ähnlich wie in den zuvor dargestellten Dicho-
tomien unterscheiden sich die Ansätze damit nicht in ihrer Vorgehensweise, sondern in
den gewählten Dimensionen und damit den Perspektiven auf den Innovationsbegriff.
Der Ansatz von Henderson und Clark Die von Henderson und Clark (1990) ent-
wickelte Typologisierung stellt auf eine Klassifikation des Innovationsbegriffs anhand
der beiden Dimensionen Kernkomponenten“ und Schnittstellen“ ab, die jeweils
” ”
in die Kategorien geändert“ und unverändert“ unterteilt werden. Wie Abbildung
” ”
2.2 verdeutlicht, wird in der daraus resultierenden Matrix zwischen inkrementalen,
modularen, architektonischen und radikalen Innovationen unterschieden, wobei bei
letztgenannten sowohl neue Kernkomponenten als auch neue Schnittstellen genutzt
werden.
Core Concepts
Reinforced Overturned
Concepts and Components
Incremental Modular
Linkages between Core
Unchanged
Innovation Innovation
Architectural Radical
Changed
Abbildung 2.2: Klassifizierung neuer Produkte nach Henderson und Clark. Quelle:
Henderson und Clark (1990)
Innovationsgrad 21
Die Darstellung von Henderson und Clark verdeutlicht, dass radikale Innovatio-
nen mit erheblichen technischen Neuerungen verbunden sind. Dabei stellt diese
Typologisierung allerdings ausschließlich auf technologische Dimensionen ab und
vernachlässigt die bereits erwähnten Markt- und Unternehmensdimensionen.
Der Ansatz von Booz, Allen & Hamilton Die von der Unternehmensberatung
Booz, Allen & Hamilton (1982) entwickelte Klassifizierung differenziert Innovationen
anhand der beiden Dimensionen Neuheitsgrad des Produktes für das entwickelnde
”
Unternehmen“ und Neuheitsgrad aus der Sicht des Marktes“. Diese Dimensionen
”
werden in die Kategorien niedrig“, mittel“ und hoch“ unterteilt.
” ” ”
Neu für den Markt
niedrig mittel hoch
Völlig neue
Neue Produktlinien für
hoch Produkte
das Unternehmen
(„new-to-the-world“)
Neu für das Unternehmen
Verbesserung Ergänzungen
mittel bestehender bestehender
Produkte Produktlinien
Repositionie-
rungen
niedrig Kostenreduktionen
bestehender
Produkte
Abbildung 2.3: Klassifizierung neuer Produkte nach Booz, Allen & Hamilton. Quelle:
Booz, Allen & Hamilton (1982)
Nach der Klassifikation von Booz, Allen & Hamilton werden Innovationen, die
sowohl für das Unternehmen als auch für den Markt einen hohen Neuheitsgrad auf-
weisen, als radikal bzw. new-to-the-world“ bezeichnet. Damit steht insbesondere die
”
subjektive Dimension der Innovation im Mittelpunkt dieses Ansatzes. Vernachlässigt
wird allerdings der bei Henderson und Clark (1990) im Fokus stehende Aspekt der
Technologie, welcher als wesentliches Merkmal des Innovationsbegriffs angesehen
werden kann (Hauschildt, 2004).
In der Literatur zur Innovationsforschung hat sich weitgehend das Verständnis

durchgesetzt, dass der Neuheitsgrad von Innovationen basierend auf dem Grad der
Veränderung bestimmter Markt- und/oder Technologiefaktoren zu konzeptualisieren
ist (vgl. z. B. Steinhoff, 2006; Lettl, 2004; Garcia und Calantone, 2002; Chandy und
Tellis, 1998). Diesem Verständnis werden die beiden oben dargestellten Typologien
trotz ihrer weiten Verbreitung nicht gerecht. Im Folgenden soll daher der Fokus auf
Typologien gelegt werden, die diesen beiden Dimensionen Rechnung tragen.
Der Ansatz von Hauschildt Hauschildt (2004) nutzt für seine Innovationstypolo-
gie die bereits geschilderte Perspektive der Zweck-Mittel-Beziehung. Eine radikale
Zweck
(Bedürfnis, Kundennutzen, Anwendung)
alt neu
(Technologie, Lösungsprinzip)
Mittelinduzierte Radikale
neu
Mittel
Inkrementale Zweckinduzierte
alt
Abbildung 2.4: Klassifizierung neuer Produkte nach Hauschildt. Quelle: Hauschildt (2004)
Innovation ist nach Hauschildt damit ein Produkt, welches neue Kundenbedürfnisse
mittels neuer Technologien befriedigt.
Der Ansatz von Lynn und Akgün Der Ansatz von Lynn und Akgün (1998) hat
in der Literatur zum Innovationsmanagement weite Verbreitung erfahren. Anhand
der beiden Dimensionen Marktunsicherheit“ und Technologische Unsicherheit“
” ”
unterscheiden die beiden Autoren zwischen vier verschiedenen Innovationstypen.
Eine radikale Innovation liegt nach Lynn und Akgün dann vor, wenn sie sowohl
Innovationsgrad 23
Technologische Unsicherheit
gering hoch
Evolutionäre Radikale
hoch
Marktinnovation Innovation
Marktunsicherheit
Evolutionäre
Inkrementale
gering technische
Innovation
Innovation
Abbildung 2.5: Klassifizierung neuer Produkte nach Lynn und Akgün. Quelle: Lynn und
Akgün (1998)
eine hohe marktbezogene als auch eine hohe technologische Unsicherheit aufweist.
Während keine Operationalisierung der Dimensionen erfolgt, liefert Lynn (1993)
jedoch Hinweise zu deren Bestimmung: Marktunsicherheit“ bezieht sich hiernach
”
auf das vorhandene Wissen hinsichtlich des Zielmarktes, des Marktpotentials, des
optimalen Markteintrittszeitpunkts, der Preisbereitschaft und der aus Anwendersicht
relevanten Leistungsmerkmale. Technologische Unsicherheit“ hingegen bezieht sich
”
auf das Ausmaß, in dem Kenntnisse bezüglich der Umsetzbarkeit, der Produktleis-
tung, des Produktionsprozesses, der Produktionskosten, der Entwicklungskosten und
der Entwicklungszeit vorliegen.
Zusammenfassend ist zu konstatieren, dass die Literatur eine Vielzahl unterschied-

lichster Innovationstypologien bietet, von denen insbesondere die Dichotomie in
radikale und inkrementale Innovationen weite Verbreitung erfahren hat (vgl. z. B.
Kessler und Chakrabarti, 1999; Balachandra und Friar, 1997). Uneinigkeit besteht
neben den verwendeten Begrifflichkeiten und dem inhaltlichen Verständnis des In-
novationsgrades darüber, ob es sich dabei um eine Dichotomie, ein triadisches, ein
tetra-kategorisches, ein penta-kategorisches oder sogar octa-kategorisches Konstrukt
handelt (Garcia und Calantone, 2002). Auch die Frage danach, was genau neu ist,
wird nicht einheitlich beantwortet. Für einen entsprechenden Überblick siehe Tabelle
2.2 auf Seite 19 und 2.3 auf Seite 25. Einigkeit herrscht hingegen darüber, dass eine
Kombination aus markt- und/oder technologiebezogenen Faktoren zu berücksichtigen
ist (Garcia und Calantone, 2002, S. 112 f.):
Despite the varying perspectives for ’innovativeness’ a single consistency

”
does exist; it is always modeled as the degree of discontinuity in marketing
and/or technological factors.“
Kritisch anzumerken ist allerdings, dass eine Operationalisierung der technologie-

und marktbezogenen Dimensionen vielfach ausbleibt (Lettl, 2004). Zudem wird auch
die Frage der subjektbezogenen Dimension der Innovation, also danach, für wen
eine Innovation neu ist oder ob dies objektiv der Fall ist, uneinheitlich beantwortet.
Während Tushman und Nadler (1986) die Perspektive des innovierenden Unterneh-
mens einnehmen, betrachtet T. S. Robertson (1967) die Innovation aus Sicht der
Kunden. Booz, Allen & Hamilton (1982) schließlich verbinden diese Perspektiven.
Zudem muss hinterfragt werden, ob die beiden Dimensionen Technologie“ und
”
Markt“ als unabhängig von einander gelten können. Insbesondere radikale Innova-
”
tionen weisen eine Interdependenz dieser Faktoren auf, indem neue Technologien zu
einer Veränderung der Zielmärkte führen können, welche wiederum einen Einfluss
auf die zukünftige Technologieentwicklung nehmen können (vgl. z. B. Lynn, Morone
und Paulson, 1996). Lettl (2004) kritisiert zudem den statischen Charakter dieser
Typologien, die dem dynamischen Wesen der Innovation nicht ausreichend Rechnung
tragen. Grundsätzlich erscheint es zudem überdenkenswert, ob es allein durch die
beiden, wenn auch bedeutenden, Dimensionen Markt“ und Technologie“ gelingt,
” ”
der Komplexität des Innovationsbegriffs gerecht zu werden.
Studie Innovationsgrad Dimension des Neuheitsgrades
Triaden
Kleinschmidt und low innovativeness, moderate innovativeness, high Market and Technological Newness
Cooper (1991) innovativeness
Innovationsgrad
Wheelwright und derivative, platform, breakthrough Product and Process Change

Clark (1992a)
tetra-kategorische Dichotomien
Veryzer (1998) continuous, commercially discontinuous, technologic- Product and Technology Capability
ally discontinuous, discontinuous
Abernathy und niche creation, architectural, regular, revolutionary Market and Technical Capabilities
Clark (1985)
Ziamou (1999) incremental, functionality driven, technology driven, Innovation Functionality and User Input
really new
Chandy und Tellis incremental, market breakthrough, technological Customer Need Fulfilment per $ and New-
(2000) breakthrough, radical ness of Technology
Tidd (1995) incremental, architectural, fusion, breakthroughs not clearly specified
penta-kategorische Dichotomien
C. Freeman (1994) unrecorded, incremental, minor, major, systematic not clearly specified
okta-kategorische Dichotomie
Johnson und Jones reformulated, new parts, remerchandising, new im- Market and Technological Newness
(1957) provements, new products, new user, new market,
new customers
Tabelle 2.3: Ausgewählte Innovationstypologien. In Anlehnung an Steinhoff (2006) und Garcia und Calantone (2002)
25
2.2.2 Operationalisierungen des Innovationsgrades

Ausgehend von den bereits geschilderten Typologien finden sich seit dem Ende der
1990er Jahre mehrere Ansätze in der Literatur zum Innovationsmanagement, die sich
der Problematik der Messung des Innovationsgrades widmen. Ein entsprechender
Überblick findet sich in Tabelle 2.4.
Studie Operationalisierung
Garcia und Calantone Unterscheidung in eine Mikro- ( Newness to Firm“) und

”
(2002) eine Makroebene ( Newness to Industry“), in denen jeweils
”
zwischen einer Marketing- und einer Technologiedimension
unterschieden wird. Es findet keine empirische Überprüfung
statt.
Danneels und Klein- Operationalisierung mittels 19 Items aus fünf Dimensionen
schmidt (2001) ( Market Familiarity“, Technological Familiarity“, Marke-
” ” ”
ting Fit“, Technological Fit“ und New Marketing Activ-
” ”
ities“).
Avlonitis, Papastaho- Operationalisierung mittels 15 Items aus vier Dimensionen
poulou und Gounaris ( Neuartigkeit der Dienstleistung für den Markt“, Neuartig-
” ”
(2001) keit der Dienstleistung für das Unternehmen“, Modifikation
”
der Dienstleistung“ und Neuartigkeit der Betriebs- und Ver-
”
triebsprozesse“), die zu einer Kundenperspektive“ und einer
”
Unternehmensperspektive“ zusammengefasst werden.
”
Schlaak (1999) Operationalisierung mittels 24 Items aus drei Dimensionen
( Technik/Produktion“, Absatz/Ressourcen“ und Struk-
” ” ”
tur“), die zu sieben Faktoren gehören.
Green et al. (1995) Operationalisierung mittels 17 Items aus vier Dimensionen
( technologische Unsicherheit“, technische Unerfahrenheit“,
” ”
geschäftliche Unerfahrenheit“ und Technologiekosten“),
” ”
von denen eines eliminiert wird.
Tabelle 2.4: Studien mit multidimensionaler Betrachtung des Innovationsgrades. Quelle:

eigene Darstellung
Gemeinsam ist den hier genannten Studien, dass sie alle von einer umfassenden
Literaturanalyse ausgehen und sich auf dieser Basis um die Identifikation übereinstim-
mender Dimensionen des Innovationsgrades bemühen. Diese werden dann basierend
auf den jeweils angestellten konzeptionellen Überlegungen zu einem Messvorschlag
Innovationsgrad 27
zusammengefasst. Dabei wird der Innovationsgrad von allen als ein mehrdimensionales
Konstrukt aufgefasst, das über eine einfache nominal oder ordinal skalierte Messung
im Sinne der vorgestellten Dichotomien und Typologien hinausgeht.
Der Ansatz von Green et al. Die erste dieser Arbeiten, die Untersuchung von
Green et al. (1995), basiert auf der Analyse von 25 Studien. Hieraus leiten die
Verfasser vier Dimensionen des Innovationsgrades, bei ihnen als radicalness of inno-
”
vation“ bezeichnet, ab. Die Dimension Technologische Unsicherheit“ ( technological
” ”
uncertainty“) beschäftigt sich mit der Frage, ob das Wissen über die zugrundeliegen-
de Technologie bereits besteht oder erst im Rahmen wissenschaftlicher Forschung
erschlossen werden muss und wie dynamisch und damit schwerer zu prognostizie-
ren die daraus resultierenden Wissenszuwächse sind. Technische Unerfahrenheit“
”
( technical inexperience“) betrachtet den Wissensstand des Unternehmens hinsicht-
”
lich der zugrundeliegenden Technologie, unabhängig davon, ob dieses Wissen in der
wissenschaftlichen Forschung vorhanden ist, oder nicht. Die Dimension Geschäftliche
”
Unerfahrenheit“ ( business inexperience“) geht der Frage nach, ob bei der Vermark-
”
tung des zu entwickelnden Produktes auf bestehende Erfahrungen und Prozesse
zurückgegriffen werden kann oder inwieweit Geschäftsprozesse zum Absatz des Pro-
duktes geändert bzw. neu entwickelt werden müssen. Schließlich wird das Ausmaß
der mit der Entwicklung dieser Technologie verbundenen Kosten im Rahmen der
Dimension Technologiekosten“ ( technology cost“) untersucht. Es gelingt den Auto-
” ”
ren, ihren Messansatz in einer empirischen Prüfung zu bestätigen, im Rahmen derer
allerdings ein Indikator eliminiert werden muss.
Der Ansatz von Schlaak Die Untersuchung von Schlaak (1999) stützt sich auf
die Analyse von 47 empirischen Studien. Ausgehend von dem von Leavitt (1965)
entwickelten Diamond Model“ und den Überlegungen von Zahn (1991) wird der In-
”
novationsgrad zunächst anhand von vier Dimensionen theoretisch konzeptionalisiert,
die jeweils in mehrere Faktoren unterteilt werden: Aufgabe“ (bestehend aus den
”
Faktoren Markt“, Technologie“ und Technik“), Prozesse“ (bestehend aus den
” ” ” ”
Faktoren Beschaffung“, Produktion“ und Absatz“), Struktur“ (bestehend aus den
” ” ” ”
Faktoren Strategie“, Kultur“ und Organisation“) und Ressourcen“ (bestehend
” ” ” ”
aus den Faktoren Wissen“, Arbeit“ und Kapital“). Im Rahmen der empirischen
” ” ”
Überprüfung wird ein Messmodell mit 24 Indikatoren, die sich drei Dimensionen
und sieben Faktoren zuordnen lassen, bestätigt. Die erste Dimension Technik und
”
Produktion“ bezieht sich auf Veränderungen in der Produkttechnologie, im Produk-
tionsprozess und im Beschaffungsbereich. Die Dimension Absatz und Ressourcen“
”
beschäftigt sich mit Veränderungen im Absatzmarkt (z. B. neue Zielgruppen, Ver-
triebskanäle oder Werbemedien) und im Kapitalbedarf (z. B. erhöhte Marketing- oder
FuE-Kosten). Die dritte Dimension Struktur“ widmet sich eventuell erforderlichen
”
Umgestaltungen der formalen und informalen Organisation.
Der Ansatz von Avlonitis et al. Avlonitis et al. (2001) entwickeln ihr Mess-
modell für die Bewertung des Innovationsgrades von Finanzdienstleistungen. Der
auf einer Analyse von 10 Studien basierende Messkatalog wird im Rahmen der
empirischen Überprüfung als ein vier Dimensionen umfassendes Modell mit 15 Indika-
toren bestätigt. Die Dimensionen Neuartigkeit der Betriebs- und Vertriebsprozesse“
”
( operating/delivery process newness“), Modifikation der Dienstleistung“ ( service
” ” ”
modification“) und Neuartigkeit der Dienstleistung für das Unternehmen“ ( service
” ”
newness to the company“) spiegeln dabei die Unternehmensperspektive auf den
Innovationsgrad wider. Die verbleibende Dimension Neuartigkeit der Dienstleistung
”
für den Markt“ ( service newness to the market“) widmet sich der marktbezogenen
”
Perspektive auf den Innovationsgrad.
Der Ansatz von Danneels und Kleinschmidt Die Untersuchung von Danneels
und Kleinschmidt (2001) fußt auf der Analyse von 24 vorangegangenen Studien. Die
Autoren arbeiten zunächst heraus, dass der Neuheitsgrad sowohl aus Kunden- als
auch aus Unternehmenssicht betrachtet werden sollte und leiten die Dimensionen
Eigenschaften der Innovation“ ( innovation attributes“), Umfang des Adoptionsrisi-
” ” ”
kos“ ( adoption risk“) sowie Umfang notwendiger Verhaltensänderungen“( behavior
” ” ”
change“) aus Kundensicht und Vertrautheit mit der zugrundeliegenden Technolo-
”
gie bzw. dem Zielmarkt“ ( familiarity with technological environment and market
”
environment“) sowie Übereinstimmung der zugrundeliegenden Technologie mit beste-
”
henden technologischen bzw. marketingbezogenen Ressourcen“ ( fit with technological
”
resources and marketing resources“) aus Unternehmenssicht ab. Im Rahmen ihrer
empirischen Überprüfung konzentrieren sich die Verfasser allerdings ausschließlich
Innovationsgrad 29
auf die Unternehmensperspektive, für die sie ein Messmodell mit fünf Faktoren4 und
19 Indikatoren bestätigen können.
Der Ansatz von Garcia und Calantone Garcia und Calantone (2002) stützen
sich in ihrem Beitrag auf die Analyse von 21 empirischen Studien. Auf Basis ihrer
Auswertungen erarbeiten sie eine Unterteilung in eine Mikro- und eine Makroebene
einerseits sowie eine Technologie- und eine Marketingebene andererseits. Auf der Mi-
kroebene wird der Innovationsgrad auf das jeweilige Unternehmen bzw. seine Kunden
bezogen, während auf der Makroebene die Branche des Unternehmens oder sogar
die Welt als Referenz herangezogen wird. Die Differenzierung nach Technologie- und
Marketingebene beschäftigt sich mit den ausgelösten Veränderungen. Marketingdis-
kontinuitäten können die Schaffung neuer Absatzmärkte oder Marketingfähigkeiten
erfordern, während Technologiediskontinuitäten die Generierung neuen technologi-
schen Wissens, neue Produktionsprozesse oder Paradigmenwechsel in der Forschung
und im Technologieeinsatz verlangen. Die Verfasser erarbeiten entlang dieser Di-
mensionen einen Katalog von Items als Vorschlag für eine Operationalisierung des
Innovationsgrades, unterziehen diesen jedoch keiner empirischen Überprüfung.
Die Studien von Salomo und Billing Die Veröffentlichungen von Salomo (2003)
und Billing (2003) bemühen sich, durch ein Nebeneinanderstellen dieser meta-ana-
lytischen Untersuchungen ein möglichst vollständiges aber überschneidungsfreies
Messkonzept für den Innovationsgrad zu entwickeln. Trotz der unterschiedlichen
literarischen Fundierung der oben geschilderten Untersuchungen zeigen sich wesentli-
che Gemeinsamkeiten, so dass dieses Vorgehen zweckmäßig erscheint. Hinsichtlich
der Perspektive, aus der die Neuartigkeit beurteilt werden soll (vgl. Hauschildt,
2004), unterscheiden die Studien von Garcia und Calantone (2002) und Danneels
und Kleinschmidt (2001) beide auf erster Ebene explizit zwischen einer Mikroper-
spektive (innerbetriebliche Perspektive) und einer Makroperspektive (überbetriebliche
Perspektive) des Innovationsgrades (vgl. z. B. Billing, 2003). Eine ähnliche, wenn
auch implizite Unterteilung, findet sich bei Green et al. (1995) in der Unterscheidung
4
Neben den vier Faktoren Vertrautheit mit der Technologie bzw. dem Zielmarkt“ und
”
Übereinstimmung der neuen Technologie mit vorhandenen technologischen bzw. marketing-
”
bezogenen Ressourcen“ im Unternehmen wird der fünfte Faktor mit neue Marketingaktivitäten“
”
bezeichnet und beschreibt, inwieweit neues Vertriebspersonal, neue Werbung, Marktforschungs-
methoden und Kundendienste erforderlich sind.
zwischen technological inexperience“ (innerbetriebliche Perspektive) und technolo-

” ”
gical uncertainty“ (überbetriebliche Perspektive) und bei Avlonitis et al. (2001) in
den Dimensionen service newness to the company“ (innerbetrieblich) und service
” ”
newness to the market“ (überbetrieblich).
Auf der nächsten Ebene unterscheiden die Untersuchungen von Garcia und Ca-
lantone (2002) und Danneels und Kleinschmidt (2001) zwischen technologie- und
marketingbezogenen Diskontinuitäten. Diese Unterscheidung findet sich ebenfalls bei
Avlonitis et al. (2001), bei denen sie durch die Dimensionen operating/delivery
”
process newness“ und service modification“ dargestellt wird. Bei Green et al. (1995)
”
findet sich mit den Dimensionen technical inexperience“ bzw. business inexperience“
” ”
ebenfalls eine ähnliche Unterteilung.
Als weiterer bedeutender Faktor, der allerdings von den anderen Studien ver-
nachlässigt wird, ist die von Schlaak (1999) identifizierte Dimension Struktur“ zu
”
nennen, die sich den eventuell erforderlichen Umgestaltungen der formalen und infor-
malen Organisation des Unternehmens widmet. Salomo (2003) ergänzt diese Befunde
um den Aspekt der eventuell erforderlichen Wandlung von externen Faktoren. Als
Beispiel führt er die notwendige Entwicklung einer neuen Tankstelleninfrastruktur
für den Betrieb von Wasserstoffmotoren in PKWs an. Hieran wird deutlich, dass
dieser externe Ressourcen-Fit“ (Salomo, 2003, S. 406) über die Kundenakzeptanz
”
oder die bloße Betrachtung des Absatzmarktes hinausgeht.
Zusammenfassend ist zu konstatieren, dass die Auswertung der dargestellten Un-

tersuchungen einer eindimensionalen Messung des Innovationsgrades widerspricht.
Wie die vergleichenden Arbeiten von Billing (2003) und Salomo (2003) zeigen, spielen
insbesondere die Perspektive auf den Innovationsgrad und damit die Unterschei-
dung von einer Markt- bzw. Branchensicht einerseits bzw. einer Unternehmenssicht
andererseits, sowie die Frage, ob es sich um eine Markt- und/oder Technologiedis-
kontinuität handelt, eine wichtige Rolle. Der Innovationsgrad ließe sich daher über
vier Dimensionen konzeptualisieren (Krieger, 2005):
1. den Markt-Innovationsgrad
2. den Technologie-Innovationsgrad
3. den Umfeld-Innovationsgrad
Innovationsgrad 31
4. den Organisations-Innovationsgrad
Eine Visualisierung dieses Messmodells findet sich in Abbildung 2.6. In Anlehnung

an Garcia und Calantone (2002), die auf ähnliche Weise einen Gesamtinnova-
”
tionsgrad“ konzeptualisieren lassen sich aus der Kombination der verschiedenen
Dimensionen unterschiedliche Innovationstypen definieren (Salomo, 2003).
Innovationsgrad
Makro-Perspektive Mikro-Perspektive
Markt Technologie Umfeld-Fit Markt Technologie Ressourcenfit
Neuer Kunden- Neues techn. Infrastruktur Neuer Markt Neues techn. Strategie
nutzen Prinzip Prinzip
Adoptions- Leistungs- Regulation Neue Kunden Leistungs- Organisations-

risiko steigerung steigerung struktur
Verhaltens- Gesellschaftl. Neue Markt- Prozesse

änderung Bedingungen position
Lernaufwand Informale
Organisation
Abbildung 2.6: Dimensionen des Innovationsgrades. Quelle: in Anlehnung an Salomo

(2003)
Demnach weisen radikale Innovationen hohe Diskontinuitäten sowohl in der Markt-

als auch der Technologiedimesion auf. Ein zusätzlich hoher Umfeld-Innovationsgrad
würde diese Einstufung verfestigen, da eine Neuheit auf Makroebene auch immer
auf der Mikroebene neu sein muss (Salomo, 2003, S. 403). Damit weisen radikale
Innovationen in allen vier Dimensionen vergleichsweise hohe Diskontinuitäten auf. Als
moderat innovativ oder really new“ (Garcia und Calantone, 2002, S. 122) können
”
die von dieser Extremposition aus bestimmten Innovationstypen bezeichnet werden,
bei denen eine oder mehrere der Dimensionen schwächer ausgeprägt sind. Die am
anderen Ende dieses Kontinuums beheimateten inkrementalen Innovationen weisen
hingegen keine Diskontinuitäten in der Makroebene auf und werden in aller Regel
auch nur mit einer Markt- oder Technologiediskontinuität verbunden sein, nicht aber
mit beiden.
2.3 Planung
Dieser Abschnitt widmet sich den Grundlagen der betrieblichen Planung, um damit
ein Fundament für das in Kapitel 3 zu entwickelnde Untersuchungsmodell zu schaffen.
Hierzu wird zunächst dem Begriff der Planung nachgegangen, bevor in Abschnitt
2.3.2 auf die Funktionen der Planung eingegangen wird. Anschließend werden die
verschiedenen Ebenen der betrieblichen Planung erörtert. Schließlich wird in Abschnitt
2.3.4 Improvisation als weitere und die Planung ergänzende Form betrieblicher
Problemlösungsprozesse (Müller, 2008) dargestellt.
2.3.1 Begriffsbestimmung
Der Begriff der Planung bzw. des Planens leitet sich vom lateinischen planta (Fußsoh-
le, Grundfläche, Grundriss eines Gebäudes) ab (vgl. z. B. Voigt, 1993; Kreikebaum,
1989). Planen wird seit dem 15. Jahrhundert im deutschsprachigen Raum im Sinne
von entwerfen und vorhaben verwendet, während die Termini Planung bzw. Unter-
nehmensplanung erst im Laufe des 20. Jahrhunderts Verwendung fanden (Voigt,
1993). Demnach beinhaltet Planung den Entwurf eines Schemas davon, was zu tun
bzw. auszuführen ist. Sie ist somit vom Begriff der Improvisation (lat.: im-providere
= ad hoc entscheiden, etwas dem Zufall überlassen, planlos handeln) abzugrenzen
(Kreikebaum, 1989), auf den in Abschnitt 2.3.4 auf Seite 42 näher eingegangen wird.
Der Begriff der Planung wird in der Literatur kontrovers diskutiert, wobei insbe-
sondere der Umfang des Planungsbegriffs als auch dessen Abgrenzung zur Steuerung
umstritten sind (vgl. z. B. Weber, 2004; Goeldel, 1997; Laufer, 1991; Mintzberg,
1981). Tabelle 2.5 auf Seite 34 verdeutlicht beispielhaft die Vielfalt möglicher Defini-
tionen des Planungsbegriffs. In Ermangelung einer umfassenden Definition analysiert
Mintzberg (1981) daher vier verschiedene Ansätze – Planning as future thinking“,
”
Planning as integrated decision making“, Planning as formalized procedure and
” ”
articulated result“ und Planning as programming“ – um aufzuzeigen, welche Aspekte
”
Planung 33
in eine Definition einfließen sollten. In ähnlicher Weise formuliert Laufer (1991) eine
Reihe konstituierender Merkmale für den Planungsbegriff:
• Entscheidungsprozesse
• antizipatives Entscheiden
• Integration interdependenter Entscheidungen in ein Entscheidungssystem
• hierarchische Prozesse, die sich aus generellen Richtlinien, Zielvorgaben, Mitteln

und Restriktionen ableiten und genaue Vorgehensweisen definieren
• Prozesse, die Teile oder alle der folgenden Aktivitäten enthalten: Informations-
suche und systematische -analyse, Entwicklung von Entscheidungsalternativen,
systematische und explizite Analyse und Bewertung der Alternativen, Entschei-
dung
• der Einsatz formaler Prozeduren und Techniken
• Fixierung in Dokumenten
• Implementierung
In einer späteren Arbeit umschreibt Laufer Planung als den Prozess der Entschei-
dung, was zu tun ist und wie es zu tun ist, noch bevor Handlungen erforderlich sind
(Laufer, 1992). Planung stellt damit den Entwurf einer Grundordnung dar, nach
der sich das betriebliche Geschehen in Zukunft vollziehen soll und kann damit als
das gedankliche, systematische Gestalten zukünftigen Handelns bezeichnet werden
(Ehrmann, 1995). Diese gedankliche Vorwegnahme zukünftigen Handelns“ manifes-
”
tiert sich im Treffen von Entscheidungen, die in die Zukunft gerichtet sind“ (Wöhe,
”
1996, S. 140), die auch als Antizipationsentscheidungen“ (Koch, 1982) bezeichnet
”
werden.
Wie bereits erwähnt, wird der Begriff der Planung intensiv diskutiert (vgl. z. B.
Weber, 2004). Ein Blick auf Tabelle 2.5 verdeutlicht, dass sich die meisten Definitionen
des Planungsbegriffs auf den Prozess der Formulierung von Plänen beschränken
und damit das letzte der von Laufer (1991) genannten Kriterien nicht erfüllen.
Die vorliegende Arbeit weicht von dieser relativ engen Sichtweise ab, da in der
Autor Definition
Weber (2004, S. 311) Planung ist ein in der betriebswirtschaftlichen Diskussion häufig ver-
”
wendeter, allerdings im Detail unscharfer Begriff [...]. Weitgehende
Einigkeit unter den Autoren liegt bezüglich der folgenden Merkmale
vor: Planung wird als ein rationaler, sich an Zielen orientierender Pro-
zess gesehen. Planung bezieht sich auf zukünftiges Handeln. Planung
bedeutet einen Informationsverarbeitungsprozess. Ohne relevantes Wis-
sen kann nicht geplant werden.“
Wöhe (1996, S. 140) Planung ist die gedankliche Vorwegnahme zukünftigen Handelns durch
”
Abwägen verschiedener Handlungsalternativen und Entscheidungen für
den günstigsten Weg. Planung bedeutet also das Treffen von Entschei-
dungen, die in die Zukunft gerichtet sind und durch die der betriebliche
Prozeßablauf als Ganzes und in allen seinen Teilen festgelegt wird.“
Ehrmann (1995, S. 19) Planung ist der Entwurf einer Ordnung, nach der sich das betriebli-
”
che Geschehen in der Zukunft vollziehen soll, sie ist das gedankliche,
systematische Gestalten des zukünftigen Handelns.“
Voigt (1993, S. 5) Planung ist bewußtes, rationales und damit menschliches Denkhandeln
”
- auch dann, wenn es von Maschinen (z. B. Computern) unterstützt
wird [...]. Durch Planung nimmt [der Mensch] zukünftige Geschehnisse
gedanklich vorweg, strukturiert und ’ordnet’ sie und versucht, Maßnah-
men, die er erst später ausführen will, schon jetzt möglichst zielgünstig
festzulegen oder auszuwählen.“
Bircher (1989, S. 1505) Planung kann verstanden werden als ein systematischer, informations-
”
verarbeitender, von Führungskräften getragener und soziale Interak-
tionsprozesse einschließender Prozess der qualitativen, quantitativen
und zeitlichen Bestimmung zukünftiger Ziele, Mittel und Verfahren
zur mittelbaren Gestaltung und Lenkung des operationellen Systems.“
Kreikebaum (1989, S. 23) Planung ist also diejenige kollektive Tätigkeit in Organisationen, die
”
zum gegenwärtigen Zeitpunkt eine Entscheidung vorbereitet und unter
verschiedenen Handlungsmöglichkeiten eine Alternative auswählt.“
Martino (1964a, S. 17) Planning is the determination of requirements upon project resources
”
and their necessary order of commitment in the various operations that
must be performed to achieve the project objectives.“
Tabelle 2.5: Verschiedene Definitionen des Planungsbegriffs und der Projektplanung
wissenschaftlichen Literatur vielfach eine parallele Betrachtung von Formulierung

und Implementierung gefordert wird (vgl. z. B. Sashittal und Tankersley, 1997;
Goeldel, 1997):
Die strikte Trennung zwischen der Formulierung und der Implementierung eines
Plans basiert auf der traditionellen Sichtweise, dass es sich bei diesen beiden Akti-
vitäten um zwei voneinander getrennte Prozesse handelt. Die Forschung ist jedoch
Planung 35
zunehmend von dieser Perspektive abgewichen und aktuellere Publikationen sehen

Planformulierung und -implementierung als einen einzigen interaktiven Prozess an
(Schäffer und Willauer, 2002; Menon, Bharadwaj, Adidam und Edison, 1999; Sashittal
und Tankersley, 1997; Speed, 1994). Betriebliche Planung wird als ein revolvierender
Vorgang angesehen, der nicht mit der Aufstellung eines oder mehrerer Pläne beendet
ist (Baur, 1967). Hieraus ergibt sich ein Kreislauf aus Planung und Implementierung,
der eine wesentlich stärkere Verzahnung dieser beiden Aktivitäten erforderlich macht
(Schäffer und Willauer, 2002; Sashittal und Tankersley, 1997; Bonoma, 1984). Zudem
ist in der Praxis zu beobachten, dass viele Manager bestehende Pläne ignorieren
oder gar boykottieren und Entscheidungen aus dem Bauch heraus“ treffen (Thomas,
”
2002; Sinha, 1990; Gluck, 1984). Hierdurch führen bestehende Pläne häufig nicht zu
dem gewünschten Erfolg, da sie sich im Rahmen der Umsetzung im Sande verlaufen“
”
(Meffert, 1988). Insofern ist Goeldel (1997, S. 73) zuzustimmen, der ausführt, dass
[e]ine Analyse der betrieblichen Planung [...] daher sowohl die Planung als auch die
”
Durchsetzung umfassen“ muss.
Diese Aussage wird ebenfalls durch Forschungserkenntnisse aus dem Bereich der
strategischen Planung und des strategischen Managements gestützt. Untersuchungen
zeigen, dass auch auf dieser Ebene Pläne nicht oder nur unzureichend umgesetzt
werden (vgl. z. B. Beer und Eisenstat, 2000; Cespedes und Piercy, 1996). Ein
Grund hierfür wird in der als formulation-implementation dichotomy“ bezeich-
”
neten organisatorischen und personellen Trennung von Strategieformulierung und
-implementierung gesehen, der ein negativer Effekt auf den Unternehmenserfolg
zugeschrieben wird (Cespedes und Piercy, 1996, S. 155).
2.3.2 Funktionen und Grenzen der Planung

Neben den im Rahmen der Begriffsbestimmung benannten Merkmalen der Pla-
nung liefert die Betrachtung ihrer Funktionen weitere wertvolle Erkenntnisse bei
der Erschließung des Begriffes (Goeldel, 1997). Die Literatur bietet eine Reihe von
Übersichten, in denen die Funktionen, die der Planung zugeschrieben werden, ge-
nannt werden (vgl. z. B. Schenkel, 2006; Goeldel, 1997; Matthes, 1989; Rühli, 1989).
Kritisch anzumerken ist allerdings, dass diese Aufzählungen in der Regel weder eine
Priorisierung der einzelnen Funktionen liefern, sowie, dass es bei den Funktions-
auflistungen immer wieder zu Überschneidungen und Redundanzen kommt (Eybl,
1984). Ziel dieser Darstellung der Planungsfunktionen sollt es daher nicht sein, einen
erschöpfenden Überblick zu liefern, sondern vielmehr die zahlreichen Funktionen der
Planung zu unterstreichen und damit ihre Bedeutung für die betrieblichen Aktivitäten
herauszustellen (Hamprecht, 1996).
Als Hauptfunktion der Planung wird die Steigerung der Erfolgswahrscheinlichkeit
”
bzw. Effizienz menschlichen Handelns und des Einsatzes knapper Ressourcen“ (Krys-
tek und Zumbrock, 1993, S. 41) angesehen. Sie dient also der Sicherung bzw. Stei-
gerung von Effektivität und Effizienz der Unternehmensaktivitäten (Hahn, 1993).
Hieraus lassen sich weitere Funktionen der Planung ableiten, die im Folgenden kurz
skizziert werden:5
Reduktion von Unsicherheit und Komplexität Unsicherheit und Komplexität

stellen wesentliche Merkmale von Entscheidungen und Unternehmensaktivitäten,
wie z. B. der Neuproduktentwicklung, dar (vgl. z. B. Delfmann, 1993; Mag, 1993;
D. J. Campbell, 1988), für die Planung von besonderer Bedeutung ist (Dvir und
Lechler, 2004; Goeldel, 1997). Planung soll zur Verbesserung von Entscheidungen
beitragen, indem durch die Beschaffung und Auswertung von Informationen Zusam-
menhänge sowie Chancen und Risiken transparenter und kalkulierbarer werden: Im
Rahmen der Planung geht es um die Gewinnung von Informationen als ’Rohmate-
”
rialien’ von planungsabschließenden Entscheidungen, die das psychische Unbehagen
des Menschen bei Unsicherheit beseitigen oder wenigstens herabsetzen sollen“ (Mag,
1993; Krystek und Zumbrock, 1993). Hierzu werden Einflussgrößen identifiziert und
Prognosen über die Entwicklung dieser Faktoren erstellt (Goeldel, 1997). Da es
sich bei diesen Einflussgrößen sowohl um unternehmensinterne als auch -externe
Faktoren handeln kann, bezieht sich die Reduktion von Unsicherheit nicht nur auf
das Unternehmensumfeld, sondern auch auf das Innenverhältnis im Unternehmen,
da zukünftige Handlungen bzw. Handlungsalternativen im Rahmen der Planung fest-
gelegt werden und damit alternative Handlungsmöglichkeiten ausgeschlossen werden
(Mag, 1993; Wild, 1974). Aufgrund der notwendigen Prognosen für die Einflussgrößen
5
Über die hier dargestellten Funktionen hinaus werden in der Literatur auch die Synergiefunktion
(Krystek und Zumbrock, 1993), die Unterstützung der Informationsverarbeitung, der Konsensbil-
dung und Konfliktaustragung (Goeldel, 1997), die Gestaltungsfunktion, die Steuerungsfunktion
sowie die Informationsfunktion (Schenkel, 2006) genannt.
Planung 37
wird diese Funktion der Planung zuweilen auch als Prognosefunktion bezeichnet (vgl.
z. B. Schenkel, 2006).
Koordinationsfunktion Betriebliche Prozesse und Entscheidungen werden für ge-

wöhnlich von mehreren Personen oder Instanzen getragen, deren Aktivitäten aufgrund
der zwischen ihnen bestehenden Interdependenzen zu koordinieren sind (Voigt,
1993; Matthes, 1989). Durch eine ex-ante vorgenommene Planung können diese
interdependenten Entscheidungen und Prozesse koordiniert werden, so dass sie in
einen gemeinsamen Rahmen bzw. einen Gesamtplan integriert werden können (Rühli,
1989). Durch das im Rahmen der Planung vorgenommene antizipative Durchdenken“
”
der Entscheidungsmöglichkeiten und Interdependenzen sollen Probleme und Engpässe
frühzeitig identifiziert sowie effiziente Prozessabläufe und Ressourcenallokationen
gesichert werden (Goeldel, 1997, S. 14).
Motivationsfunktion Zur Durchsetzung der Unternehmensziele ist es erforderlich,

Handlungs- und Entscheidungsträger zu zielkonformem Verhalten zu motivieren
(Matthes, 1989). Dies kann erreicht werden, indem die in einem Plan formulierten Zie-
le als Leistungsanreize für die Handlungs- und Entscheidungsträger genutzt werden,
um damit ihre Verhalten im Sinne des Unternehmens zu beeinflussen (Krystek und
Zumbrock, 1993). Durch die hieraus resultierende Verknüpfung von Unternehmens-
und Mitarbeiterzielen soll die negative Auswirkung konträr gelagerter Individualin-
teressen auf Seiten der Mitarbeiter vermieden werden (Schenkel, 2006).
Flexibilitätsfunktion Planung soll durch antizipative Problemanalyse und -lösung

Handlungsspielräume eröffnen, die bei reaktiven Entscheidungen nicht mehr rea-
lisierbar wären (Goeldel, 1997; Krystek und Zumbrock, 1993): Durch frühzeitiges
Erkennen und Lösen von Problemen können Sach- und Zeitzwänge vermieden werden,
die zu einer Einschränkung der Zahl möglicher Handlungsalternativen hätten führen
können.
Innovationsfunktion Im Rahmen betrieblicher Prozesse ist es immer wieder erfor-

derlich, neue Lösungen zu entwickeln und durchzusetzen und damit zur Bewältigung
aktueller und potentieller Probleme beizutragen (Matthes, 1989). Eine Funktion der
Planung ist daher, die Erarbeitung kreativer Problemlösungen als Grundlage für
”
Innovationen [zu] ermöglichen, die in einem unsystematischen Trial-and-error-Prozeß

möglicherweise nicht gefunden würden“ (Krystek und Zumbrock, 1993, S. 43).
Neben den genannten Funktionen der Planung und dem daraus gezogenen Nutzen
weist die Planung als Problemlösungsprozess jedoch eine Reihe von Limitationen auf,
die im Folgenden näher betrachtet werden sollen.
Wie bereits ausgeführt trägt Planung über die Beschaffung und Auswertung von
Informationen zur Entscheidungsfindung bei. Hierbei wird die Zukunft gemäß der Li-
nearitätsannahme der Planung aus vergangenheits- oder gegenwartsbezogenen Daten
extrapoliert (Pina e Cunha und Vieira da Cunha, 2002). Mit zunehmender Volatilität,
Unsicherheit und Risiken wird diese Annahme jedoch zunehmend problematischer
und die Planung erschwert (Grant, 2003; Bettis und Hitt, 1995). So führen Pina e
Cunha und Vieira da Cunha (2002, S. 300) aus:
As a consequence, formal plans quickly fall into obsolescence not only

”
because their major basis - the past - is no longer an accurate compass for
the future but also because change is so pervasive that the environment
can undergo profound alterations while the formal planning process is
underway.“
Ein Plan ist also immer nur so gut wie die Informationen, auf denen er basiert. Diese
Situation verlangt nach einer Änderung traditioneller Planungweisen (Grant, 2003):
Pläne müssen offen für Veränderungen sein und Flexibilität sowie die Abkehr von
hierarchischen Weisungsstrukturen können zu wesentlichen Erfolgsfaktoren werden
(Kenny, 2003; Pascale, 1999). Gerade auch im Rahmen der Neuproduktentwicklung
wird aufgrund der hohen Unsicherheit wiederholt auf diese Notwendigkeit hingewiesen
(vgl. z. B. Verganti, 1999; Moorman und Miner, 1998a; Brown und Eisenhardt, 1997).
Planungs- und Entscheidungsprozesse sind zudem stets durch eine politische Dimen-
sion gekennzeichnet und können somit auf Widerstand stoßen (Dean und Sharfman,
1996; Ramanujam, Venkatraman und Camillus, 1986): Organisationsmitglieder haben
aufgrund funktionaler, hierarchischer, berufsbedingter oder persönlicher Faktoren un-
terschiedliche Interessen und versuchen, diese durch die Beeinflussung von Planungs-
und Entscheidungsprozessen bestmöglich zu vertreten. Im Falle von Interessenkonflik-
ten kann es daher zu Ablehnung oder Widerstand gegenüber der Planung kommen,
indem die Beteiligung an der Planung verweigert, sie nicht akzeptiert oder ihre
Planung 39
Umsetzung boykottiert wird (Thomas, 2002; Guth und MacMillan, 1986). Hierdurch
vermindert sich die Effektivität der Planung (Dean und Sharfman, 1996; Ramanujam
et al., 1986).
Planung verlangt darüber hinaus den Einsatz von Ressourcen in Form von Zeit
und Finanzmitteln, z. B. für die Entlohnung der Planenden (Ramanujam und Ven-
katraman, 1987a, 1987b). Insofern sind Planungsbemühungen Grenzen durch den
Umfang der hierzu zur Verfügung gestellten Ressourcen gesetzt.
Abschließend muss konstatiert werden, dass Planung per se keinen Erfolg garan-
tiert. So sind empirische Befunde zur Erfolgswirksamkeit der Planung uneinheitlich:
Zu dem auf strategischer Ebene vielfach untersuchten Zusammenhang zwischen
(formaler) Planung und Unternehmenserfolg liegen inkonsistente empirische Befunde
vor (Ramanujam und Venkatraman, 1987a; King, 1983; S. J. Armstrong, 1982) und
die Stärke des Zusammenhangs schwankt in Abhängigkeit von dem betrachteten
Erfolgsmaß (Ramanujam und Venkatraman, 1987b), so dass Sinha (1990, S. 491) von
dem elusive link between planning and performance“ spricht. Der Autor zeigt zudem,
”
dass Planung nur wenig zu technologie- und neuproduktentwicklungsbezogenen
Entscheidungen beiträgt.
Auf Projektebene sind diese Befunde einheitlicher. Lechler (1997) identifizierte
13 empirische Untersuchungen zum Zusammenhang zwischen Projektplanung und
Projekterfolg, die alle signifikante mittel bis stark positive Wirkungen der Planung
auf den Projekterfolg nachweisen konnten. Dieser Zusamenhang wird auch in ak-
tuelleren Untersuchungen von Dvir und Lechler (2004) und Weise (2005) bestätigt.
Jedoch existiert daneben eine Reihe von Untersuchungen, die den Wert formaler
Planung in Neuproduktentwicklungsprojekten relativieren und aufgrund der hohen
Unsicherheit mehr Flexibilität und Offenheit für Veränderungen fordern (Verganti,
1999; Moorman und Miner, 1998a; Brown und Eisenhardt, 1997). Die Argumentation
verläuft hierbei analog zu der bereits geschilderten Kritik an der Liniaritätsannahme
der Planung. Die Bedeutung dieses Einwands wird auch aus der bereits zitierten
Untersuchung von Dvir und Lechler (2004) deutlich, die zeigen, dass die positiven
Effekte der Planung auf den Projekterfolg in ihrer Wirkung durch die negativen
Effekte von Zieländerungen, die sich aufgrund geänderter Informationen ergeben,
übertroffen werden.
Hieraus wird ersichtlich, wie es zu dem in der Literatur herrschenden breiten

Meinungsspektrum hinsichtlich des Nutzens und der Sinnhaftigkeit von Planung
kommen kann, indem sowohl auf strategischer als auch auf Projektebene Planung
gerade für besonders unsicherheitsbehaftete oder komplexe Aufgaben wie die Neu-
produktentwicklung empfohlen wird (vgl. z. B. S. J. Armstrong, 1982; Rothwell
et al., 1974), während an anderer Stelle Planung lediglich in stabilen und sicheren
Situationen als geeignet angesehen wird (vgl. z. B. Grant, 2003; Kenny, 2003).
2.3.3 Ebenen der Planung

Wie bereits erwähnt, werden betriebliche Prozesse und Entscheidungen für gewöhn-
lich von mehreren Personen oder Instanzen getragen, deren Aktivitäten aufgrund
der zwischen ihnen bestehenden Interdependenzen zu koordinieren sind (Voigt, 1993;
Matthes, 1989). Durch die ex-ante vorgenommene Planung können diese interde-
pendenten Entscheidungen und Prozesse koordiniert werden, so dass sie in einen
gemeinsamen Rahmen bzw. einen Gesamtplan integriert werden können (Rühli, 1989).
Als mögliche Vorgehensweisen hierfür werden in der Literatur die Sukzessivplanung
und die hierarchische Unternehmensplanung vorgeschlagen (Voigt, 1993). Der Ansatz
der hierarchischen Unternehmensplanung berücksichtigt, dass die im Rahmen der
Planung getroffenen Entscheidungen unterschiedliche Tragweiten haben und dadurch
mit verschiedenen Konsequenzen behaftet sind. Hieraus können Planungsebenen
abgeleitet werden, die hierarchisch angeordnet sind. In diesem Zusammenhang wird
typischerweise zwischen strategischer und operativer Planung unterschieden (vgl.
z. B. Ehrmann, 1995; Voigt, 1993; Hoffmann, 1989).
Die strategische Planung dient der langfristigen Existenzsicherung des Unterneh-

mens, indem sie durch die Formulierung von Zielen, die Schaffung von Handlungsspiel-
räumen, das Erkennen und Nutzen von Chancen, die Vermeidung von Risiken, den
Erhalt und Ausbau von Stärken und die Minderung und Beseitigung von Schwächen
die Effektivität des Unternehmens sichert (Ehrmann, 1995; Kreikebaum, 1989). Sie ist
meist langfristig angelegt (Voigt, 1993). Die operative Planung entwickelt, ausgehend
von den Ergebnissen der strategischen Planung, Pläne und Maßnahmen, die die
Umsetzung der Strategie in der Realität ermöglichen (Wöhe, 1996). Sie ist damit
der Strategieimplementierung zuzurechnen (Mintzberg, Quinn und Ghoshal, 1999).
Planung 41
Dabei wird die strategische Planung stufenweise konkretisiert und in bereichs- und
abteilungsbezogene operative Maßnahmenprogramme für kürzere Zeiträume - z. B.
in Form von Jahresplänen - heruntergebrochen (Welge und Al-Laham, 2001). Diese
werden ggf. in der mittel- bis kurzfristigen taktischen Planung weiter verfeinert und
detailliert (Koch, 1982). Hieraus ergibt sich eine Verzahnung der strategischen mit
”
der operativen Ebene“ (Welge und Al-Laham, 2001, S. 530), in der die Strategie
in einem System koordinierter Bereichsplanungen“ (Koch, 1982, S. 37) abgebildet
”
wird, das auch als integrierte Gesamtunternehmensplanung bezeichnet wird (Welge
und Al-Laham, 2001; Hahn, 1989; Hoffmann, 1989).
Die Unterscheidung in strategische und operative Planung ermöglicht eine funktio-

nale Betrachtung der Planung, d. h. sie gestattet eine Differenzierung hinsichtlich
der zu planenden Objekte. Da Planungsaktivitäten jedoch stets mit den an der
Planung beteiligten Personen, den Planungsträgern, verbunden sind, ist neben der
funktionalen Betrachtung auch eine institutionale Betrachtung der Planung erfor-
derlich, die sich damit beschäftigt, wie Planungsträger zu bestimmen und ihnen
Planungsaufgaben sowie Planungskompetenzen zuzuordnen sind (Goeldel, 1997).
Die hierfür infrage kommenden Personen und Instanzen sind maßgeblich von der
Art der Planung und der Organisationsstruktur des Unternehmens beeinflusst. Sie
reichen von einzelnen Funktionsträgern über Planungsstellen und Stäbe, bis hin zur
Geschäftsleitung oder gar externen Stellen wie z. B. Wirtschaftsprüfern (Ehrmann,
1995).
Für das Problem der institutionalen Gestaltung der Planung gibt es keine allge-
meingültige Lösung für die Verknüpfung von Planungsaufgaben, Planungsträgern
und Planungskompetenzen (Koch, 1993). Die Ausgestaltung dieser Verknüpfungen
wird in der Literatur häufig mit den Extrempolen der zentralen und dezentralen
Planung beschrieben (Goeldel, 1997). Eine zentrale Planung ist dadurch gekennzeich-
net, dass ein Großteil der Planungsaufgaben von der obersten Unternehmensleitung
wahrgenommen wird, die in sämtlichen Planungsphasen dominiert (Koch, 1993).
Von einer dezentralen Planung hingegen wird gesprochen, wenn Planungsaufgaben
aus der Gesamtplanung herausgelöst werden und an hierarchisch untergeordnete
Einheiten delegiert werden (Hamprecht, 1996). Ein weiteres wesentliches Merkmal
der institutionalen Gestaltung der Planung ist die Partizipation oder Mitwirkung
an der Planung (Steinmann und Schreyögg, 1989), also die Beteiligung bestimm-
ter Unternehmenseinheiten oder Mitarbeiter an der Lösung von Planungsaufgaben

(Goeldel, 1997). Die Ausweitung des Kreises derjenigen, die im Planungsprozess
Einfluss nehmen können, lässt sich im Wesentlichen über drei Elemente realisie-
ren (Steinmann und Schreyögg, 1989): Als wichtigstes Element ist zunächst die
Möglichkeit der Einflussnahme auf den Planungsinhalt zu nennen, also die Gele-
genheit, eigene Vorstellungen in die Planung einzubringen. Ein zweiter wesentlicher
Aspekt ist die Erweiterung des Teilnehmerkreises der an der Planung beteiligten
Personen bzw. Instanzen. Abschließend bietet sich das Element der kooperativen
Interaktion, im Rahmen derer eine Mitwirkung über kommunikativen Austausch
realisiert wird und die beteiligten Parteien gemeinsam handeln. Somit setzt jegliche
Form von Partizipation eine Integration in den Planungsprozess voraus.
2.3.4 Improvisation
Das Phänomen der Improvisation in Organisationen gewinnt erst seit kurzem das
Interesse der Organisationforschung, so dass dieses Forschungsfeld noch nicht vollstän-
dig erschlossen ist und die bisherigen Arbeiten häufig konzeptioneller Natur sind und
zur Theorieentwicklung auf diesem Gebiet beitragen (Vieira Da Cunha, Kamoche und
Pina e Cunha, 2003). Gleichwohl wird dem Konzept der Improvisation bereits heute
weitreichender Einfluss auf eine Reihe organisationaler Phänomene wie Teamwork,
Kreativität, Produktentwicklung und organisationale Anpassung und Erneuerung
zugeschrieben (Kamoche, Pina e Cunha und Vieira da Cunha, 2003). Organisationale
Improvisation wurde insbesondere im Bereich schnelllebiger und von Wettbewerb
geprägten Situationen wie der Neuproduktentwicklung (Moorman und Miner, 1998a,
1998b; Eisenhardt und Tabrizi, 1995) oder im Bereich des Krisenmanagements
(Weick, 1993) untersucht (Miner et al., 2001). Darüber hinaus haben Forscher das
Phänomen der Improvisation auch außerhalb des organisationalen Kontextes in
einer Reihe verschiedener Bereiche wie z. B. Theater und Musik (Vera und Crossan,
2004; Kamoche et al., 2003; Zack, 2000; Barrett, 1998), Bildung (Irby, 1992; Borko
und Livingston, 1989) und der Psychiatrie (Embrey, Guthrie, White und Dietz,
1996) beobachtet und analysiert. Insbesondere aus den Bereichen Jazz und Theater
hat die Forschung zur Improvisation in Organisationen und im Management den
Ansatz entliehen, dass Ideen entworfen und unmittelbar umgesetzt werden (Crossan,
Pina e Cunha, Vera und Vieira da Cunha, 2005). Crossan, White, Lane und Klus
Planung 43
(1996) interpretieren Improvisation daher als Zusammentreffen von Planung und

einer sich auftuenden Gelegenheit, deren Zusammentreffen zu einer Vermischung von
Strategieplanung und -umsetzung führt. Ähnlich beschreibt Weick (2001, S. 352)
Improvisation als Just-in-Time-Strategy“:
”
Just-in-time strategies are distinguished by less investment in front-
”
end loading (try to anticipate everything that will happen or that you will
need) and more investment in general knowledge, a large skill repertoire,
the ability to do a quick study, trust in intuitions, and sophistication in
cutting losses.“
Improvisation kann also als unvorbereitete aber bewusste Handlung aufgefasst

werden. Wesentliches Merkmal des Improvisationsbegriffs ist somit, dass er eine
Handlung beinhaltet. Diese Handlung erfolgt aus dem Stehgreif, wird also nicht
durch bereits existierende Routinen oder Pläne ausgelöst. Selbst wenn detaillierte
Pläne vorliegen, können Krisen oder unerwartete Ereignisse auftreten, für die keine
Pläne definiert wurden und existierende Routinen nicht anwendbar sind (Hayward,
1986). Weiterhin wird die Handlung bewusst bzw. vorsätzlich vorgenommen. Will-
kürliche oder zufällige Veränderungen organisationaler Abläufe werden somit nicht
als Improvisation verstanden (Moorman und Miner, 1995). Dieses Verständnis wird
durch die in Tabelle 2.6 gesammelten Definitionen unterstützt.6
Das Konzept der Improvisation lässt sich nach dem hier geschilderten Verständnis
auf einem Kontinuum positionieren (Moorman und Miner, 1998b, 1995). Dessen einer
Extrempunkt bildet die totale Improvisation, bei der eine Organisation Handlungen
ausführt, die gänzlich von vorherigen Plänen, Regeln oder standardisierten Routinen
losgelöst sind. Den anderen Extrempunkt bilden Handlungen, die in vorherigen
Plänen und Routinen genau definiert sind und von denen auch bei unerwarteten
Geschehnissen oder Informationen nicht abgewichen wird. Zwischen diesen Extrem-
punkten sind verschiedene Grade an Improvisation möglich (Moorman und Miner,
1995). Insofern ist Improvisation, gerade auch im Hinblick auf die in Abschnitt 2.3.2
6
Improvisation unterscheidet sich damit von einer Reihe verwandter Konstrukte, von denen in
der Literatur insbesondere Kreativität, Anpassung und Innovation diskutiert werden. Während
die drei letztgenannten Konstrukte darauf abzielen, die Vielfalt zu erhöhen und effektiv zu sein,
versucht Improvisation zusätzlich, diese Vielfalt soweit zu bündeln, dass sie effizient genutzt
werden kann (Pina e Cunha, Vieira da Cunha und Kamoche, 1999; Moorman und Miner, 1995).
Autor Definition
Müller (2008, S. 261) Für die weitere Darstellung wird Improvisation als ein in-
”
formationsverarbeitendes, gestaltungs- und auch zukunfts-
orientiertes Problemlösungsverhalten definiert, bei dem:
1. Konzeption und Realisierung der Maßnahme simultan
erfolgen, so dass
2. die Realisierung der Maßnahme ohne eine vollständige
antizipative Reflexion von Alternativen und deren Konse-
quenzen beginnt und
3. die Zwischenergebnisse der Realisierung durch simultane
Rückkopplung in der weiteren Problemlösung berücksichtigt
werden.“
Miner et al. (2001, S. 314) Improvisation is the deliberate and substantive fusion of
”
the design and execution of a novel production.“
Pina e Cunha et al. (1999, S. 302) Organizational improvisation can thus be defined as the
”
conception of action as it unfolds, by and organization
and/or its members, drawing on available material, cogniti-
ve, affective and social resources.“
Moorman und Miner (1998a, S. 702) The degree to which composition and execution converge
”
in time.“
Voigt (1993, S. 12) Improvisationen sind Ad-hoc-Entscheidungen ohne ’pla-
”
nungstypische’ Vorbereitung und Gründlichkeit, insbeson-
dere ohne großen Informationsaufwand.“
Tabelle 2.6: Verschiedene Definitionen des Improvisationsbegriffs
geschilderten Grenzen der Planung, als eine notwendige, die Planung ergänzende
”
Form der betrieblichen Problemlösung“ anzusehen (Müller, 2008, S. 255). In glei-
cher Art und Weise umschreibt Mintzberg (1999) die realisierte Strategie als eine
Mischung aus intendierten und im Laufe des Prozesses entstehenden (emergenten)
Strategien und liefert damit ebenfalls eine gute Beschreibung des Verhältnisses zwi-
schen Planung und Improvisation: Während intendierte Strategien typischerweise
analytischer, geplanter und formaler sind, werden emergente Strategien als intuitivere,
handlungsorientiertere und fortlaufende Prozesse beschrieben (Crossan, 1998).
Organisationen improvisieren, wenn sie mit einem Ereignis konfrontiert werden,

das sie unerwartet trifft, für das es keine im Vorhinein geplanten Maßnahmen gibt
und das in der Wahrnehmung der Organisation einer schnellen Handlung bedarf
Planung 45
(Weick, 2001; Moorman und Miner, 1998a, 1998b; Crossan und Sorrenti, 1997; Hatch,
1997; Moorman und Miner, 1995). Improvisation tritt demnach auf, wenn sowohl 1)
ein Bedarf an a) Schnelligkeit und b) Handlung besteht als auch 2) eine Situation als
unerwartet und als nicht in Plänen berücksichtigt wahrgenommen wird (Pina e Cunha
et al., 1999): Hieraus lässt sich ableiten, dass das auslösende Ereignis als wichtig
genug wahrgenommen werden muss, um eine Handlung zu rechtfertigen. Zudem muss
es im Rahmen der Einflussmöglichkeiten der Organisation liegen. Dieses Ereignis kann
dabei sowohl als Problem als auch als günstige Gelegenheit wahrgenommen werden.
Schließlich dürfen weder Routinen noch vorgegebene Handlungsmuster existieren.
So ist beispielsweise der Druckabfall in einer Flugzeugkabine als ein unerwartetes
Ereignis zu werten, welchem allerdings mit hochstandardisierten und langfristig
vorher festgelegten Routinen begegnet wird.
Improvisation bedarf einer Reihe von Voraussetzungen innerhalb der Organisation,

um aufzutreten (Kamoche und Pina e Cunha, 2001; Miner et al., 2001; Pina e Cunha
et al., 1999; Crossan, 1998; Weick, 1998): Hierzu zählen neben einer Experimental-
kultur, welche Fehler toleriert, Handlungsinitiativen unterstützt und einen gewissen
Zeitdruck an die Organisationsmitglieder vermittelt, insbesondere auch die sogenann-
ten Minimalstrukturen in Form von Kontrollmechanismen, klaren Zielvorgaben und
regelmäßigen Meilensteinen.7 Ähnlich wie musikalische Improvisation im Jazz einer
Minimalstruktur in Form einer Tonart, einer Melodie, eines Rhythmuses oder eines
Tempos bedarf, benötigt auch organisationale Improvisation einer semistructure“
”
aus klaren Verantwortlichkeiten und Prioritäten sowie weitreichender Kommunikation
(Brown und Eisenhardt, 1997, S.16):
The limited structure provides the overarching framework without

”
which there are too many degrees of freedom. The communication allows
the players to coordinate and mutually adjust within that framework.
7
Neben diesen generellen organisationalen Faktoren werden in der Literatur auch weitere Faktoren
genannt. Auf organisationaler Ebene spielen Faktoren wie die Teamgröße, die Kommunika-
tionsstrukturen, das organisationale Wissen und vielfältig einsetzbare Ressourcen eine Rolle.
Zudem sind primär persönlichkeitsbedingte Merkmale wie Führungsstil, persönliche Fähigkeiten,
Kreativität sowie die Unterschiedlichkeit der beteiligten Personen als wichtige Einflussfaktoren
für das Auftreten von organisationaler Improvisation identifiziert worden. Da diese den Rahmen
der vorliegenden Arbeit übersteigen, sei auf die ausführliche Übersicht bei Pina e Cunha et al.
(1999) verwiesen.
Together, people can adaptively accomplish tasks even as the context is

changing.“
Ähnliche Ansätze finden sich bereits bei Emery und Trist (1965) sowie J. W. Meyer
und Rowan (1977), die ausführen, dass Organisationen wie Schulen oder Forschungs-
einrichtungen sehr detaillierte und strenge Verwaltungsrichtlinien haben, die in ihnen
arbeitenden Personen jedoch relativ viel Freiheit hinsichtlich der Herangehensweise
an ihre Arbeit genießen. Insofern bedarf es institutioneller Regeln, die dem Einzelnen
Vertrauen entgegenbringen (Emery und Trist, 1965), was von J. W. Meyer und
Rowan (1977, S. 357) auch als the logic of confidence and good faith“ bezeichnet
”
wird. Dies verdeutlicht das paradoxe Wesen der Improvisation, die eine Struktur
benötigt, die die Grenze der Handlungen definiert, aber gleichzeitig flexibel genug ist,
um überhaupt neue Handlungen zu ermutigen (Roux-Dufort und Vidaillet, 2003).
Wenn Improvisation auftritt, kann diese sowohl positive als auch negative Aus-
wirkungen haben (Miner et al., 2001; Pina e Cunha et al., 1999), wodurch sich in
der Forschung zwei Meinungen durchgesetzt haben, die Improvisation entweder als
generell schädlich oder generell nützlich beschreiben (Moorman und Miner, 1998a,
S.7):
There has been a tendency to think of improvisation as either helpful

”
or hurtful to organizations.“
Insofern sollen im Folgenden beide Aspekte der Improvisation näher betrachtet

werden. Improvisation kann eine Reihe positiver Effekte haben (Miner et al., 2001;
Moorman und Miner, 1998a; Eisenhardt und Tabrizi, 1995; Weick, 1993), die sich
in die Kategorien Flexibilität, Lernen, Motivation und Emotion unterteilen lassen
(Pina e Cunha et al., 1999):
Flexibilität im Sinne von schneller Anpassung an sich ändernde Umfeldbedingun-
gen wird hierbei als der wichtigste und am häufigsten genannte positive Effekt der
Improvisation gesehen (vgl. z. B. Miner et al., 2001; Pina e Cunha et al., 1999;
Moorman und Miner, 1998a).
Improvisationsbedingtes Lernen kann in drei verschiedenen Formen auftreten.
Zunächst lernt die Organisation wie sie improvisieren kann. Des Weiteren vermag sie
Planung 47
aus der Institutionalisierung der Improvisationen in die üblichen Unternehmensabläu-

fe zu lernen und schließlich kann sie durch das Handlungselement der Improvisation
mehr über sich selbst und ihre Umwelt erlernen (Miner et al., 2001; Pina e Cunha et
al., 1999).
Nach Hackman und Oldham (1980) wirken sich Aufgabenvielfalt, die Bedeutung
der Aufgabe, Verantwortung, Feedback und die Identifikation mit der Aufgabe positiv
auf die Motivation aus. Durch die Betonung von Meilensteinen, iterativem Vorgehen
und dem damit verbundenen Feedback hat Improvisation eine potenziell positive
Wirkung auf die Motivation (Pina e Cunha et al., 1999; Brown und Eisenhardt, 1997;
Eisenhardt und Tabrizi, 1995).
Schließlich kann sich erfolgreiche Improvisation dadurch positiv auf das Selbst-
bewusstsein der beteiligten Personen auswirken, dass sie das Gefühl vermittelt, ein
Problem gelöst oder eine Gelegenheit genutzt zu haben, die als wichtig aber auch
schwierig zu bewältigen empfunden wurde (Pina e Cunha et al., 1999; Barrett, 1998).
Aufgrund der genannten positiven Effekte wird in der Literatur davor gewarnt,
dass Organisationsforscher Gefahr laufen, die Bedeutung von Improvisation für Un-
ternehmen zu überschätzen (Moorman und Miner, 1998a; Hatch, 1997). Folglich ist
es erforderlich, sich auch den negativen Aspekten von Improvisation zu widmen: Die
aus einer Improvisation gewonnenen Erkenntnisse können zu fehlerhaften Verallge-
meinerungen führen, wenn die erfolgreichen Improvisationhandlungen lediglich in
der fraglichen Situation sinnvoll waren, nicht jedoch als generelle Handlungsweisen
im Unternehmen (Moorman und Miner, 1998b, 1995). Selbst wenn die Improvi-
sationshandlungen zu generellen Handlungsweisen verallgemeinert werden können,
besteht keine Sicherheit darüber, ob die improvisierte Vorgehensweise die effizientes-
te ist (Pina e Cunha et al., 1999). Produktentwicklung aus Improvisationen kann
nach Miner, Moorman und Bassoff (1997) dazu führen, dass das Unternehmen seine
Ressourcen aufgrund fehlender Koordination auf zu viele Projekte verteilt (oppor-
tunity trap), bzw. dass einzelne Projekte durch viele kleine improvisationsbedingte
Änderungen zu langsam entwickelt werden und zu teuer werden (specification creep).
Improvisiertes Verhalten kann zudem ausufern. Gerade im Unternehmensumfeld
liegt ihr Wert jedoch in der Komplementierung geplanter Strategien und nicht in
permanenter Improvisation, die ähnlich einem Teufelskreis weiter Schwierigkeiten und
Komplexität schafft, die wiederum improvisiertes Verhalten auslöst (Pina e Cunha et
al., 1999). In ähnlicher Weise können Improvisationserfolge zu einer Überlegitimierung

der Improvisation als ausschließlich zu wählendes Problemlösungsverhalten führen
(Miner et al., 1997), was zu einer Verdrängung geplanter Handlungen führen würde,
obwohl diese in vielen Situationen effizienter sein können (Pina e Cunha et al., 1999).
Auf Basis der bisherigen Ausführungen ist zu konstatieren, dass sowohl Planung
als auch Improvisation wichtige und erforderliche Problemlösungsprozesse in Orga-
nisationen darstellen. Beide Verhalten werden zudem im Kontext von Innovation
genutzt. Allerdings zeigt sich ferner ebenfalls, dass beiden Ansätzen Grenzen gesteckt
sind. Im Folgenden soll daher das Verhältnis von Planung und Innovation näher
beleuchtet werden, um ein besseres Verständnis über deren Wirkungsbeziehung zu
entwickeln.
2.4 Planung und Innovation

Neuproduktentwicklungsprozesse umfassen eine Vielzahl von Entscheidungen auf
unterschiedlichsten Ebenen (Anderson, Jr. und Joglekar, 2005; Brown und Eisen-
hardt, 1995). Planung bildet als Basis für diese Entscheidungen neben den Bereichen
Organisation, Führung und Durchsetzung sowie Kontrolle einen der wesentlichen
Aufgabenbereiche des F&E-Managements sowohl auf strategischer als auch taktisch-
operativer Ebene (Specht und Beckmann, 1996; Liberatore und Titus, 1989). Auf
strategischer Ebene beschäftigt sich die innovationsbezogene Planung mit der Har-
monisierung von Unternehmens- und Technologiestrategien zur Erlangung einer
intendierten Marktposition (Scott, 2001). Hierzu wird ein Leitbild der Forschung
und Entwicklung definiert, welches für die Festlegung von F&E-Zielen und die For-
mulierung von F&E-Strategien genutzt wird. Auf Basis der gewählten Strategien
werden Forschungsprogramme entwickelt, die schließlich die Grundlage für die auf
taktisch-operativer Ebene durchzuführenden Projekte bilden (Specht und Beckmann,
1996). Planung ist auf allen diesen Ebenen als ein Erfolgsfaktor für die Neuprodukt-
entwicklung identifiziert worden (Griffin, 1997b).
In der Literatur findet sich eine Vielzahl an Bezugsrahmen, die diese Zusam-
menhänge visualisieren. Während in der Vergangenheit hierfür meist lineare Modelle
gewählt wurden, hat sich in jüngerer Zeit die Erkenntnis durchgesetzt, dass rekursive
Planung und Innovation 49
Overall
Budget
Forecast
Profit
Opportunity
by Product Level 1: Strategic
Constraints
Portfolio Selection,
Budgeting &
Timing
Management Level
Operating Level 2: Tactical

Results Development
Constraints
Capacity
Operating Acquisition,
Assumptions Allocation, &
Outsorcing
Operating
Results Level 3: Operational
Project Execution:
Task Scheduling,
Sequencing, &
Crashing
Level 0: Operating
Infrastructure Results
Determine Nominal
Operating
Assumptions
Planning Frequency
Abbildung 2.7: Ansatz zur hierarchischen Produktentwicklungsplanung. Quelle: Anderson,

Jr. und Joglekar (2005)
und flexible Modelle deutlich besser geeignet sind, um die Realität in der Neuprodukt-
entwicklung abzubilden (McCarthy, Tsinopoulos, Allen und Rose-Andersen, 2006),
da die Entscheidungen auf den verschiedenen hierarchischen Ebenen eine Vielzahl an
Interdependenzen aufweisen können (Anderson, Jr. und Joglekar, 2005). Abbildung
2.7 zeigt ein im Bereich des Operations Management entwickeltes Modell der Planung
in der Neuproduktentwicklung. Der dort beschriebene Level 0: Infrastructure“ ist
”
die Ebene, auf der Ausgangsannahmen für die Planung auf den verschiedenen hier-
archischen Ebenen aus den Betriebsdaten abgeleitet werden. Zu diesen Annahmen
gehören typischerweise Marktprojektionen, Technologievorhersagen, Zeitvorgaben
und Kapazitätsbedarfe. Insofern verläuft die Planung auf den verschiedenen Ebenen,
die im Folgenden detaillierter dargestellt werden, nicht streng sequentiell, sondern
weist einen gewissen Grad an Überlappung auf (Anderson, Jr. und Joglekar, 2005).
2.4.1 Strategische Ebene

Die strategische Ebene der innovationsbezogenen Planung wird auch als technolo-
”
gy strategy“ (Davenport, Campbell-Hunt und Solomon, 2003) oder development
”
strategy“ (Wheelwright und Clark, 1992b) bezeichnet und vereint sowohl technolo-
giebezogene als auch produkt-/marktbezogene Faktoren miteinander. Obwohl das
Konzept der Technologiestrategie bereits seit den 1970er Jahren Gegenstand der
Forschung ist, ist dessen genaue Definition lange Zeit umstritten gewesen (Clarke,
Ford, Saren und Thomas, 1995; Rieck und Dickson, 1993). Die Spannweite reicht
hier von engen Definitionen, die sich ausschließlich auf die Technologieentwicklung
konzentrieren, bis hin zu weiten Definitionen, die auf das Wissen im Unternehmen
abzielen (Davenport et al., 2003). Eine aktuelle Definition liefern Davenport et al.
(2003, S. 483):
Technology strategy encompasses the acquisition, management and

”
exploitation of technological knowledge and resources by the organisation
to achieve its business and technological goals.“
Die Autoren unterstreichen damit noch einmal die Notwendigkeit der Verbindung von
Technologie und Markt zum Erreichen der Unternehmensziele. Typische Fragestellun-
gen der strategischen Innovationsplanung lauten somit beispielsweise Welche Markt-
”
und Produktstrategie ist die erfolgversprechendste?“, Welche Technologien sollen
”
in zukünftigen Produkten eingesetzt werden?“, Welches Produktportfolio sollte
”
angestrebt werden?“ oder Wann sollen neue Entwicklungsaktivitäten begonnen
”
werden?“. Planung trägt hier also zu Entscheidungen über die Zielmärkte des Unter-
nehmens, dessen Produktportfolio, Projektpriorisierungen, Ressourcenallokationen
und zukünftig zu nutzende Technologien bei (Krishnan und Ulrich, 2001). Mansfield
und Wagner (1975) zeigen, dass diese Faktoren einen wesentlichen Einfluss auf
den wirtschaftlichen Erfolg von F&E-Aktivitäten eines Unternehmens haben. Auch
Roussel, Saad und Erickson (1991) stellen die strategische Bedeutung von Forschung
und Entwicklung für die Erhaltung und den Ausbau bestehender Geschäftsfelder, die
Erschließung neuer Geschäftsfelder und die technologiebezogenen Fähigkeiten des
Unternehmens heraus. Diese Ebene ist somit von zentraler Bedeutung (Anderson, Jr.
und Joglekar, 2005, S. 350):
This planning level influences, not only the immediate profit of the
”
firm, but also its market penetration and ist future technological base.“
Aufgrund ihrer hohen Bedeutung wird die Planung auf dieser Ebene durch eine
Vielzahl an Techniken unterstützt, von denen insbesondere Portfolio- und Road-
mappingtechniken (vgl. z. B. Möhrle und Isenmann, 2007) und das Konzept des
Entwicklungstrichters zu nennen sind (vgl. z. B. Whalen, 2007; Anderson, Jr. und
Joglekar, 2005; Wheelwright und Clark, 1992b). Auch die betriebswirtschaftliche
Forschung auf dem Gebiet des Operations Management hat verschiedene Modelle
(vgl. z. B. Kavadias und Loch, 2003; Li, Loulou und Rahman, 2003; Huchzermeier
und Loch, 2001) zur Planungsunterstützung auf dieser Ebene entwickelt.
2.4.2 Taktische Ebene

Innovationsbezogene Planung widmet sich auf dieser Ebene der Beschaffung und Allo-
kation von Ressourcen, insbesondere der Einstellung und Ausbildung von Fachkräften
wie Ingenieuren, technischen Mitarbeitern oder Programmierern, der Bereitstellung
von Hilfsmitteln wie CAD (Computer Aided Design) sowie der Aufteilung der F&E-
Aktivitäten auf verschiedene Forschungsstandorte und gegebenenfalls notwendigen
Outsourcingentscheidungen (Anderson, Jr. und Joglekar, 2005). Diese Ebene wird von
Wheelwright und Clark (1992b, S. 48) auch als aggregate project plan“ bezeichnet:
”
The aggregate project plan brings a second stage of integration down
”
to the level of specific projects and resources. The purpose of creating such
a plan is to ensure that the collective set of projects will accomplish the
development goals and objectives and build the organizational capabilities
needed for ongoing development success.“
Diese Ebene der Planung hat in der Forschung zur Neuproduktentwicklung ver-
gleichsweise wenig Aufmerksamkeit erhalten (Herroelen, 2005; Krishnan und Ulrich,
2001). Eine Ausnahme bildet die Arbeit von Leus und Herroelen (2004), in der
die Autoren ein Modell zur Ressourcenallokation für Projekte, bei denen die Dauer
einzelner Aktivitäten ungewiss ist, entwickeln. Herroelen (2005) führt unzureichend
ausgebildete und/oder unerfahrene Projektmanager als einen der Hauptgründe für
das Überschreiten von Budget- und Zeitvorgaben an und unterstreicht damit die
Bedeutung der auf dieser Ebene zu treffenden Entscheidungen.
Empirische Befunde hingegen sind uneinheitlich: D. Robertson und Allen (1993)

zeigen, dass der Einsatz von CAD in der Entwicklung die Leistung von Ingenieuren
erhöht, jedoch ist dieser Zusammenhang lediglich für den Einsatz von CAD zur
Kommunikationsunterstützung signifikant. In anderen Anwendungsbereichen bleiben
die Ergebnisse jedoch - wenn auch knapp - nicht signifikant. Die Untersuchung
von Chan, Jiang und Klein (2008) zeigt, dass sich Fach- und Methodenwissen der
Ingenieure positiv auf den Projektprozessablauf und den Projekterfolg auswirken.
Hohe Teamfähigkeit verstärkt diese Zusammenhänge zusätzlich, jedoch nicht in der
Beziehung zwischen Methodenwissen und Projekterfolg. Hier wird die Beziehung bei
hoher Teamfähigkeit sogar negativ.
2.4.3 Operative Ebene
Auf dieser Ebene wird F&E typischerweise in Form von Projekten durchgeführt
(Kerssens-van Drongelen und Bilderbeek, 1999). Wheelwright und Clark (1992b, S.
51) unterstreichen, dass sich die Planung auf dieser Ebene jedoch nicht ausschließlich
auf einzelne Projekte konzentrieren darf, sondern vielmehr im Kontext der weiteren,
ebenfalls verfolgten Entwicklungsprojekte und der Innovationsstrategie geschehen
müsse:
Since a primary objective of development strategy is to better focus,

”
bound, and set the stage for individual projects, individual projects must
build on prior planning by starting with their own planning phase. In
essence, each project needs to create its own project strategy and plan
that fits with the development strategy. Thus, at the front end of an
individual project, the firm needs a process to connect the project in its
details to the broader strategy and direction of the business.“
Auf dieser Ebene gilt es, Entwicklungsziele zu priorisieren, die Zeit- und Ab-
laufplanung für die einzelnen Projektaktivitäten vorzunehmen und Meilensteine zu
definieren (Krishnan und Ulrich, 2001). Um ein tieferes Verständnis für die hiermit
verbundenen Planungsaktivitäten zu gewinnen soll im Folgenden zunächst auf den
Begriff des Projekts eingegangen werden, bevor die Projektplanung diskutiert wird.
2.4.3.1 Der Projektbegriff
Der Begriff des Projekts unterliegt weitläufiger Verwendung im allgemeinen Sprach-

gebrauch und wird zur Beschreibung so verschiedener Tatbestände wie der Gruppen-
arbeiten in Schulen und der Entwicklung eines neuen Flugzeugtyps genutzt (Lechler,
1997). Folglich stellt Dülfer (1982, S. 4) fest, dass es sich beim Projektbegriff um
einen jener Ausdrücke handelt, [...]die jedermann versteht und genau zu kennen
”
glaubt, deren präzise merkmalsmäßige Festlegung jedoch unerwartete Schwierigkeiten
erkennen läßt.“ Insofern erscheint es nicht verwunderlich, dass sich keine allgemein-
gültige Definition des Projektbegriffs durchgesetzt hat (Kuster et al., 2008; Brockhoff,
2006; Pinkenburg, 1980). Eine Auswahl von Definitionen findet sich daher in Tabelle
2.7.
Diese verdeutlichen, dass sich bei der Beschreibung des Projektbegriffs zwei Sicht-
weisen unterscheiden lassen: Im Rahmen einer institutionellen Sichtweise werden
Projekte als Organisationseinheiten aufgefasst (Gareis und Titscher, 1992), während
sie aus funktionaler Sicht durch Aufgabenmerkmale wie Einzigartigkeit, Komplexität,
Innovationsgrad, Risiko und ein eigenes Zielsystem von anderen Aufgabentypen
abgegrenzt werden (Grün, 1992). Gareis und Titscher (1992, S. 1938) sprechen sogar
von drei verschiedenen Bedeutungen des Projektbegriffs:
Der Begriff Projekt wird in zumindest drei verschiedenen Bedeutungen

”
verwendet: a) als neues Wort, das die bisherige Terminologie (komplexe
Aufgabe, Vorhaben u.ä.) ersetzt; b) als spezifische Form der Organisierung
von Aufgabenbewältigung, und schließlich c) als Bezeichnung für ein
eigenständiges soziales Gebilde.“
Die Definitionsansätze widmen sich dabei explizit und implizit der Projektaufgabe,
dem Projektverlauf, der Projektorganisation und dem Projektergebnis (Lechler, 1997).
Projektaufgaben zeichnen sich im Wesentlichen durch ihre Einzigartigkeit, Kom-

plexität und ein originäres Zielsystem, bestehend aus Leistungsziel, Kostenziel und
Terminziel aus (Grün, 1992; Rosenau, 1992). Dem Inhalt nach können die Aufgaben
jedoch sehr unterschiedlich sein, und Projektteams werden für verschiedenste Zwecke
innerhalb des Unternehmens gebildet (Cleland, 2004). Der Projektverlauf und die
Projektorganisation zum erfolgreichen Abschluss der Projektaufgabe sind Gegenstand
Autor Definition
Tonicha (2008, S. ix) [...]we define a project as a group of integrated activities aimed at
”
carrying out one or several objectives of quality within a certain time
and with a limited budget and availability of resources[...]“
DIN 69901 Ein Projekt ist ein Vorhaben, das im wesentlichen durch Einmaligkeit
”
der Bedingungen in ihrer Gesamtheit gekennzeichnet ist, wie z. B.
Zielvorgabe,
zeitliche, finanzielle, personelle oder andere Begrenzungen,
Abgrenzung gegenüber anderen Vorhaben,
projektspezifische Organisation.“
Cleland (2004, S. 209) A broad definition of a project is that it is a combination of orga-
”
nizational resources being pulled together to create something that
did not previously exist and that will, when completed, provide a
performance capability to support strategic management initiatives in
the enterprise.“
Tuman, Jr. (1988, S. 655) A project is an organization of people dedicated to a specific purpose
”
or objective. Projects may be large, expensive, unique, or high-risk
undertakings; however, all projects have to be completed by a certain
date, within some expected level of performance. At a minimum, all
projects need to have well-defined objectives and sufficient resources
to carry out all the required tasks.“
Martino (1964b, S. 17) A project is any task which has a defineable end and requires the
”
expenditure of one or more resources in each of the separate but
interrelated and interdependent activities which must be completed to
achieve the objectives for which the task (or project) was instituted.“
Gaddis (1959, S. 89) A project is an organization unit dedicated to the attainment of
”
a goal - generally the successful completion of a developmental pro-
duct on time, within budget, and in conformance with predetermined
performance specifications.“
Tabelle 2.7: Verschiedene Definitionen des Projektbegriffs
des Projektmanagements (Lechler, 1997). Diesem kommt eine hohe Bedeutung zu,
da viele Projekte, insbesondere in den Bereichen Bauvorhaben und Entwicklung
mit erheblicher Unsicherheit behaftet sind (Archer und Ghasemzadeh, 2004), die
sich in hohen Abbruchraten und erfolglosen Projektabschlüssen widerspiegelt (vgl.
z. B. Thiry, 2004). Insbesondere Neuproduktentwicklungsprojekten kommt dabei
eine besondere Rolle zu (Milosevic, 2004, S. 1291):
This analysis of project characteristics in NPD, SWD, and construction

”
projects points to a clear conclusion: While NPD projects have similarities
with other types of projects, they also have differences. These differences
and other features [...] have prompted some experts to describe NPD
projects as a microcosm of the whole organization (Bowen et al., 1994).
In particular, because NPD projects typically are implemented under
severe speed and financial pressures, they tend to expose the strengths
and weaknesses of a company, including its culture, management systems,
organizational structure, and people. Therefore, NPD projects are a
comprehensive, real-time test of the whole corporation (Bowen et al.,
1994).“
Die bisherigen Ausführungen haben gezeigt, dass in einer solchen Situation Planung
einen Beitrag zur Reduktion der Unsicherheit zu leisten vermag. Es ist allerdings zu
konstatieren, dass die mit Neuproduktentwicklungsprojekten verbundene Unsicherheit
sowie die notwendige Verknüpfung der für das Projekt benötigten Ressourcen nicht
nur nach einer vorausschauenden Projektplanung verlangen, sondern diese auch
gleichzeitig besonders schwierig werden lassen (Tatikonda und Rosenthal, 2000a;
Ehrmann, 1995). Daher wird im Folgenden die Planung von Projekten mit einem
besonderen Schwerpunkt auf Neuproduktentwicklungsprojekte betrachtet.
2.4.3.2 Planung von Innovationsprojekten
Projektplanung ist eine der wesentlichen Aufgaben des Projektmanagements (Pich,

Loch und De Meyer, 2002), das zum Ziel hat (Rüsberg, 1976, S. 56):
[...] eine systematische, umfassende Planung, eine zielstrebige Führung

”
sowie eine wirkungsvolle Koordinierung und Überwachung aktiv und
zentral durchzuführen, um damit den vorgezeigten Erfolg des Projektes
sicherzustellen.“
Im Projektablauf ist die Planung nach der Projektinitiierung als zweite Phase vor der
Projektdurchführung und dem Projektabschluss angesiedelt (Zwikael und Globerson,
2006). Sie dient einer Reihe von Zwecken innerhalb eines Projekts. So hilft sie, ein
gemeinsames Verständnis der zu bewältigenden Aufgabe zu erlangen, einen Überblick
über die zu erledigenden Arbeiten zu erhalten, eine Basis für die Allokation und
Vergabe von Ressourcen zu schaffen und Überwachungs- und Kontrollmaßnahmen
zu definieren (Andersen, Grude und Haug, 1999). Die in Tabelle 2.8 aufgeführten
Definitionen unterstreichen diese wichtigen Aufgaben der Projektplanung.
Autor Definition
Zwikael und Globerson (2006, S. 3436) Project planning specifies a set of decisions concerning
”
the ways that things should be done in the future, in order
to execute the design for a desired product or service.“
Zwikael und Bar-Yoseph (2004, S. 123) Planning processes define and refine objectives and select
”
the best of the alternative courses of action to attain the
objectives that the project was undertaken to address.“
Cleland (2004, S. 214) Basically, project planning is a process for achieving
”
success in the future of the project and of the organization.
It is a plan of action for getting the best return from the
resources that are going to be used on the project during
its life cycle. The project plan is an expected arrangement
for dealing with the ever-changing environment facing
the project and the enterprise.“
Spinner (1992, S. 15) In planning, we determine what has to be done in ac-
”
complishing a project, establishing the sequence of work,
and specifying the interrelations between jobs.“
Cleland und King (1988, S. 176) Planning involves the development of project techni-
”
cal performance objectives, goals, schedules, costs, and
strategies.“
Moder (1988, S. 324) Planning is the process of preparing for the commitment
”
of resources in the most economical fashion.“
Pinto und Slevin (1988b, S. 482) [...] planning activities are scheduling, budgeting, and
”
the allocation of other specific tasks and resources.“
Tabelle 2.8: Verschiedene Definitionen der Projektplanung
In einer Aufarbeitung der Forschung zu kritischen Erfolgsfaktoren des Projektman-

agements ermitteln Zwikael und Globerson (2006) die Projektplanung als den am
häufigsten genannte Erfolgsfaktor. In der Literatur zum Projektmanagement existie-
ren zudem einige Untersuchungen, die den Planungsprozess detailliert betrachten
(vgl. z. B. Laufer, 1992; Cohenca-Zall, Laufer, Shapira und Howell, 1994). Die hierbei
untersuchten Projekte entstammen einer weiten Bandbreite verschiedener Bereiche
vom Gesundheitswesen (Nutt, 1977) bis zu Bauprojekten (Laufer, 1992; Shapira und
Laufer, 1993; Cohenca-Zall et al., 1994; Shapira, Laufer und Shenhar, 1994). Tabelle
2.9 auf Seite 58 liefert einen Überblick über Studien, die sich mit der Erfolgswirksam-
keit der Projektplanung beschäftigt haben.8 Die empirischen Befunde belegen in den
meisten Fällen die Bedeutung der Planung für den Projekterfolg (vgl. z. B. Verworn,
2005; Dvir und Lechler, 2004). Auch im Bereich der Neuproduktentwicklung ist
Planung vielfach als Erfolgsfaktor identifiziert worden und trotz nicht immer ein-
heitlicher Befunde wird vielfach argumentiert, dass eine gründliche Eingangsplanung
wesentlich über den Projekterfolg mitentscheidet (vgl. z. B. Verworn, 2005). Diese
Überzeugung manifestiert sich schließlich in der von Brown und Eisenhardt (1995, S.
348) gewählten Formulierung, die in ihrer Aufarbeitung der Innovationsforschung
eine Forschungsrichtung als product development as a rational plan“ bezeichnen:
”
This rational plan perspective emphasizes that successful product
”
development is the result of (a) careful planning of a superior product for
an attractive market and (b) the execution of that plan by a competent
and well-coordinated cross-functional team that operates with (c) the
blessings of senior management. Simply put, a product that is well
planned, implemented, and appropriately supported will be a success.“
8
Aufgrund der großen Heterogenität der Analyseverfahren wird von einer metaanalytischen
Auswertung abgesehen und die Effektstärke wird stattdessen anhand einer Skala von - -“ bis
”
++“ kodiert. Die Vergabe der Gewichte erfolgte bei a) Diskriminanzanalysen, Mittelwert-
”
vergleichen und Häufigkeitsanalysen relativ zu den innerhalb der einzelnen Studie ermittelten
Ergebnisse. Bei b) Korrelationskoeffizienten wurden für signifikante Werte (r ≥ 0, 3) ein ++“,
”
für signifikante Werte (r ≥ 0) ein +“ und für nicht signifikante Werte eine 0“ vergeben. Bei
” ”
c) Regressionskoeffizienten wurde bei (β ≥ 0, 2) ein ++“ vergeben und des Weiteren wie bei
”
b) beschrieben verfahren. Für eine ausführlichere Darstellung zu dieser Vorgehensweise siehe
Lechler (1997).
58
Tabelle 2.9: Ausgewählte Untersuchungen zum Zusammenhang zwischen Projektplanung und Projekterfolg. Quelle: In Anlehnung
an Verworn (2005)
Studie Stichprobe Wirkung erfolgsrelevante Größe betrachtete Erfolgsmaße
Stockstrom und Her- 475 Projekte +/++ project planning external success, internal
statt (2008) success, learning
Verworn, Herstatt und 497 Projekte ++ intensity of planning efficiency
Nagahira (2008)
Salomo, Weise und 132 Projekte 0 project planning innovation success
Gemünden (2007)
Verworn (2005) 144 Projekte 0/+/++ Planungsintensität Projekterfolg (Effizienz und
Zufriedenheit)
Weise (2005) 134 Projekte + Projektplanung Vorhabenserfolg (Projekt-
planung wirkt sich positiv
auf die Prozessstabilität aus,
die wiederum positiv auf den
Vorhabenserfolg wirkt)
Dvir und Lechler (2004) 448 Projekte + quality of planning Projekterfolg (Effizienz und
Kundenzufriedenheit)
Dvir, Lipovetsky, Shen- 110 Projekte 0 implementation of planning meeting planning goals, end-
har und Tishler (2003) procedures user benefits, contractor
benefits
Thieme et al. (2003) 192 Projekte +/++ planning proficiency new product survival
Shenhar, Tishler, Dvir, 127 Projekte nicht quantifiziert work breakdown structure, project success
Lipovetsky und Lechler planning methods
(2002)
Tabelle wird fortgesetzt...

Konzeptionelle Grundlagen
Cobbenhagen (2000) 63 Geschäftseinhei- 0 project planning project success

ten
Balbontin und Yazdani 208 Projekte 0 project planning, clear time perceived impact on project
(1999) goals success
Rehesaar und Beames 37 Projekte 0 project plan comprehensive- time success
(1998) ness
Planung und Innovation
Lechler (1997) 448 Projekte + Planung/Steuerung Projekterfolg (Effizienz,

Effektivität, Sozialerfolg)
Kotzbauer (1992) 120 Projekte + Planungsqualität finanzieller Erfolg des Pro-
duktes
Deutsch (1991) 24 Projekte ++ planning project’s technical and busi-
ness performance
Keplinger (1991) 16 Projekte ++ Planung Projekterfolg
R. G. Cooper und 203 Projekte ++ unterschiedliche Analysen unterschiedliche Maße für
Kleinschmidt (1990a, und Analyseeinheiten, z. B. new product success, u.a.
1990b, 1987b, 1986) business/financial analysis financial performance, op-
NewProd II und III portunity window, market
impact
Pinto und Prescott 408 Projekte ++ planning efficiency and value of the
(1990) projects
Thamhain (1990) 360 Neuprodukt- ++ clear objectives and plans senior management percep-
manager in 52 tion innovative performance
Unternehmen
Zirger (1990) 148 Projekte ++ R&D excellence (u.a. plan- financial performance
ning)
Tabelle wird fortgesetzt...

59
60
Baker, Murphy und 650 Projekte nicht quantifiziert adequate planning and con- perceived project success
Fisher (1988) trol techniques, accurate
initial cost estimates
Pinto und Slevin 418 Projekte ++ schedules/plans project success (Effizienz-
(1988a, 1988b) und Effektivitätsmaße)
Ashley, Lurie und Ja- 16 Projekte 0 planning effort project success
selskis (1987)
Souder (1987) 235 Projekte + degree of detailed planning technical and commercial
and control applied outcomes
Pinto (1986) 418 Projekte ++ project schedule/plans project success
Maidique und Zirger 118 Projekte ++ planning new product success
(1984)
R. G. Cooper (1979) 195 Projekte 0 proficiency of precommercia- new product success
lization activities
Rubenstein, Chakrabar- 103 Projekte + level of project planning technical and project success
ti, O’Keefe, Souder und
Young (1976)
Utterback, Allen, Hol- 117 Projekte + more structured planning commercial success
lomon und Sirbu, Jr. process
(1976)
Rothwell et al. (1974) 86 Projekte ++ planning commercial success
Konzeptionelle Grundlagen
Hieraus wird deutlich, dass die Planung von Innovationsprojekten einen zentra-
len Punkt in der Erfolgsfaktorenforschung zur Neuproduktentwicklung einnimmt.
Untersuchungen haben gezeigt, dass Entwicklungszeiten verkürzt (Griffin, 1997a),
Fehlerraten gesenkt (Montoya-Weiss und Calantone, 1994; R. G. Cooper und Klein-
schmidt, 1986), höhere Gewinne erzielt (Ittner und Larcker, 1997; Song und Parry,
1997b) und höhere Innovationsgrade erreicht (Olson, Walker und Ruekert, 1995) wer-
den können, wenn Unternehmen eine Projekteingangsplanung durchführen (Moorman
und Miner, 1998a). Zudem konnten Dvir, Lipovetsky et al. (2003) zeigen, dass eine
formale Projektplanung eine stark positive Wirkung auf die Einhaltung von Zeit- und
Budgetvorgaben hat und sich positiv auf den Kundennutzen aus dem Endprodukt,
den Markterfolg und die Erschließung neuer Marktpotenziale auswirkt.
Trotzdem besteht in der Literatur ein Dissenz über die Eignung verschiedener
Projektplanungs- und -managementansätze. Während Einigkeit darüber besteht, dass
ein Projekt eine einmalige Aufgabe ist, führt diese Erkenntnis zu unterschiedlichen
Empfehlungen. Zwikael und Bar-Yoseph (2004, S. 139) schreiben Planung daher eine
besondere Bedeutung zu: Planning is of major importance to a project because the
”
project involves doing something that has not been done before.“ Hingegen fragt
Andersen (1996, S. 89) Why is activity planning at the start of the project to be
”
considered harmful?“ und antwortet As implied by the definition of a project, it
”
is doubtful whether project planners can foresee all the activities at the beginning
of the project.“ Als Konsequenz dieser Uneinigkeit kann die Unternehmenspraxis
nur begrenzt von den gewonnenen Erkenntnissen profitieren, wie Pich et al. (2002, S.
1008) beobachten:
An extensive literature on project planning has developed our under-

”
standing of project task scheduling (e.g., CPM, PERT, and GERT) and
’risk management’ (sequential decision making, dynamic programming),
including work on contingency planning and the management of project
buffers. [...] There is also empirical work recommending an ’iterative,
experimental’ project management approach when the environment is
fast-changing or highly uncertain (e.g., Eisenhardt and Tabrizi 1995,
Lynn et al. 1996). [...] These existing project management approaches
advocate partially conflicting approaches to the project team, such as the
need to execute planned tasks, trigger preplanned contingencies based
on unfolding events, experiment and learn, or try out multiple solutions

simultaneously. While all of these approaches encompass the idea of
uncertainty, no conceptual model currently exists that enables project
managers to understand why different approaches exist, which one to
choose, and when.“
Ein mögliches Problem entsteht zudem durch die Art und Weise in der Planung
im Rahmen der Innovationsforschung untersucht wird. Eine Analyse der in Tabelle
2.9 genannten Arbeiten zeigt, dass Planung vielfach lediglich über ein einziges Item
als Teil eines weiter gefassten Konstruktes (vgl. z. B. Zirger, 1990; R. G. Cooper
und Kleinschmidt, 1990a, 1990b, 1987b, 1986) erhoben wird oder ausschließlich auf
formale Aspekte (z. B. die Erstellung von Arbeitspaketen oder einer Budgetplanung)
bzw. eingesetzte Planungsmethoden (Netzplantechniken, Gantt Charts, etc.) abge-
stellt wird (vgl. z. B. Verworn, 2005; Dvir und Lechler, 2004; Lechler, 1997). Obwohl
dieser Ansatz wertvolle Erkenntnisse darüber liefert, in welchen Organisationsformen
und unter welchen äußeren Bedingungen Planungswerkzeuge und -techniken effektiv
eingesetzt werden können, vernachlässigt er jedoch viele Aspekte des Planungspro-
zesses, die entscheiden, wie Planung durchgeführt wird und wie diese Werkzeuge
und Methoden im Planungsprozess implementiert werden können (Segars, Grover
und Teng, 1998). Insofern ist ähnlich zur Kritik an der Forschung zur strategischen
Planung auch hier zu konstatieren, dass es weder ein einheitliches Messinstrument der
Projektplanung gibt (vgl. z. B. Boyd und Reuning-Elliott, 1998), noch die inhaltliche
Breite des Konstrukts der Projektplanung durch die bestehenden Operationalisie-
rungen ausreichend abgebildet wird (vgl. z. B. Boyd, 1991; Pearce, Freeman und
Robinson, 1987). Ramanujam und Venkatraman (1987a, S. 25) bestätigen dies, indem
sie ausführen Good planning extends beyond techniques [...] planning is not merely
”
the use of sophisticated techniques. Planning techniques provide only a basis to
structure the ’unstructuredness’ that characterizes most strategic decisions.“ Auch
De Meyer et al. (2002, S. 65) stellen fest, dass Tools such as Gantt charts - graphical
”
representations of the exact timing of all project activities - are inadequate. As
the team manager observes, ’A Gantt chart is more a reflection of what happened
last week, and what someone hopes will happen next week’.“ Insofern überrascht es
nicht, dass Zwikael und Globerson (2006) für viele der zur Operationalisierung der
Planung genutzten Methoden in ihrer Untersuchung nur einen geringen Einfluss auf
Erfolgsgrößen wie Kundenzufriedenheit, technische Leistung und die Einhaltung von

Budget- und Zeitzielen feststellen konnten.
Auch in der Forschung zum Innovationsmanagement ist diese Problematik the-

matisiert worden. So fordern Zwikael und Globerson (2006) eine Abkehr von der
Suche nach Erfolgsfaktoren (critical success factor - CSF) hin zu einer Suche nach
Erfolgsprozessen (critical success processes - CSP), da die erstgenannten als zu
vage angesehen werden, um daraus konkrete Handlungsempfehlungen für die Praxis
abzuleiten. In gleicher Weise fordern Dougherty (1996) und Shenhar und Dvir (1996)
eine verstärkte Nutzung aktivitätsbasierter Konstrukte. Jelinek und Schoonhoven
(1990) kritisieren den Mangel an konzeptioneller Einbindung verschiedener Manage-
mentaktivitäten. Viele Untersuchungen beschränken sich entweder auf einige wenige
Aktivitäten im Projektmanagement oder betrachten ausschließlich weit gefasste
Produktentwicklungsansätze, so dass es lediglich wenig Wissen darüber gibt, was
Unternehmen wirklich tun, um Projekte zu managen und wie verschiedene Manage-
mentstile sich auf den Projekterfolg auswirken (Lewis, Welsh, Dehler und Green,
2002). Konstrukte, welche auf Basis von Projektmanagementaktivitäten entwickelt
würden, würden eine detailliertere Analyse der Prozesse, der Dynamik und des
Geschehens in Innovationsprojekten gestatten (Dougherty, 1996).
So gibt es trotz der vielfachen Befunde hinsichtlich der Erfolgswirksamkeit der
Planung vergleichsweise wenig Erkenntnisse über den Planungsprozess selbst (Laufer,
1992). Dies liegt auch in der geringen Anzahl an Untersuchungen begründet, die
sich mit der Frage beschäftigen, wie Unternehmen ihre F&E-Aktivitäten planen:
Eine Auswertung der Literatur zum Innovationsmanagement identifizierte lediglich
drei solcher Studien im Zeitraum von 1950 bis 1985 und konstatierte somit, dass
die innovationsbezogene Planungsforschung dem State-of-the-art“ der Planungsfor-
”
schung hinterherhinkt (Lovelace, 1987). Dies ist insbesondere auch von Bedeutung,
da Planung erheblich von einer Reihe von Umwelt- und Kontextfaktoren beeinflusst
wird (Nutt, 1982; Shenhar, 2001), die Eigenschaften einer effektiven Planung mit
der Unternehmensgröße und Branchenzugehörigkeit variieren (Bryson und Bromiley,
1993; Zwikael und Globerson, 2004) und Neuproduktentwicklungsprojekte sich – wie
oben ausgeführt – von anderen Projekten unterscheiden (Milosevic, 2004). Inso-
fern können die Befunde aus der Projektmanagementliteratur nicht ohne weiteres
auf die Neuproduktentwicklung übertragen werden. Dies gilt insbesondere, da die
Planungsliteratur die Eigenarten der Forschung und Entwicklung und ihre Unterschie-
de gegenüber anderen organisatorischen Funktionen nicht berücksichtigt (Lovelace,
1987).
Folglich besteht trotz der genannten Untersuchungen weiterhin Forschungsbe-

darf in diesem Gebiet, zumal hier erhebliches Verbesserungspotenzial, auch für
die Unternehmenspraxis, gesehen wird: Song und Montoya-Weiss (1998, S. 132)
beobachten a significant gap between current and best practice regarding the relative
”
emphasis on strategic planning activities“ in der Neuproduktentwicklung. Bart (1993)
berichtet über Aussagen von Managern, dass Innovationsprojekte selten so durchge-
führt werden wie sie geplant wurden und argumentiert, dass traditionelle Planungs-
und Kontrollprozesse versagen, da sie die für Innovationen notwendige Kreativität
zu stark einschränken. In ähnlicher Weise stellen McGinnis und Ackelsberg (1983)
heraus, dass ein gewisses Maß an Ambivalenz in den Projektzielen und -prozessen
notwendig ist, um Such- und Experimentierprozesse auszulösen und dadurch schließ-
lich bessere Lösungen erzielen zu können. Sie vertreten die Meinung, dass ein zu
hohes Maß an formaler Kontrolle zu einer Verringerung der Anzahl betrachteter
Entscheidungsalternativen führt und warnen vor der Gefahr, dass Planung von
einem Werkzeug zur Zielbestimmung und -erreichung zu einem reinen Selbstzweck
verkommt. Zudem weisen Song und Montoya-Weiss (1998) darauf hin, dass Projekt-
planungsaktivitäten stärker an den Innovationsgrad des zugrundeliegenden Produktes
angepasst werden müssten. Insofern wird gefordert, dass sich zukünftige Forschung
darum bemühen sollte, Faktoren zu identifizieren, die gute Planung begünstigen,
sowie darum, ein Verständnis dafür zu entwickeln, was gute Planung ist (Thieme
et al., 2003). Als Ansatzpunkt hierfür verweisen die Autoren auf die Forschung zur
organisationalen Improvisation. Dieser Hinweis erscheint angebracht, wie die folgende
Aussage von Dawson und Dawson (1998, S. 299) verdeutlicht:
Unfortunately, the deterministic nature of the standard planning

”
techniques are not at all suited to projects where there is uncertainty
over the likely length of individual tasks or even over whether a task will
be needed at all.“
Auch MacCormack, Verganti und Iansiti (2001) sprechen sich angesichts einer zu-
nehmenden Dynamik des Unternehmensumfelds für eine Abkehr von traditionellen
Entwicklungsprozessen und einen Übergang zu flexibleren Prozessen aus. Gleichsam

wird zunehmend Abstand von der auf traditionellen Projektmanagementmethoden
basierende linearen Darstellung des Innovationsprozesses genommen und ein Wechsel
zu rekursiven, chaosbasierten oder adaptiven Modellen befürwortet (vgl. z. B. McCar-
thy et al., 2006; McDonough, 2000). Dieses Vorgehen erscheint sinnvoll, da Projekte
während ihrer Umsetzung einem hohen Maß an Unsicherheit unterliegen, die Pläne
obsolet werden lassen kann: Aktivitäten können mehr oder weniger Zeit benötigen
als ursprünglich veranschlagt, Ressourcen können plötzlich nicht mehr verfügbar sein,
Zulieferer können möglicherweise nicht pünktlich liefern, Meilensteine und Zeitvorga-
ben können geändert werden und unter Umständen müssen neue Aktivitäten in das
Projekt integriert werden oder angefangene Aktivitäten abgebrochen werden, wenn
sich die Projektziele ändern (Herroelen und Leus, 2004).
Aus diesen Überlegungen heraus hat sich eine weitere Forschungsrichtung entwi-
ckelt, die die Effektivität einer umfassenden Projekteingangsplanung in Frage stellt
und argumentiert, dass es vielmehr die Fähigkeit kurzfristig auf Änderungen im
Projektablauf und -umfeld zu reagieren und zu improvisieren sei, die zu Projekterfol-
gen führe (vgl. z. B. Miner et al., 2001; Verganti, 1999; Moorman und Miner, 1998a;
Brown und Eisenhardt, 1997; Eisenhardt und Tabrizi, 1995; Ward et al., 1995). Diese
Arbeiten berufen sich dabei auf die in Abschnitt 2.3.4 dargestellten positiven Effekte
von Improvisation und stellen insbesondere auf deren flexibilitätssteigernde Wirkung
ab. Während es aufgrund eines Mangels an großzahligen empirischen Studien zur
Wirkung von Improvisation in der Neuproduktentwicklung nicht möglich ist, eine
Darstellung wie in Tabelle 2.9 zu erarbeiten, liefern die in Abschnitt 2.3.4 und an
dieser Stelle genannten Arbeiten jedoch eine Reihe von Fallstudien und Anekdoten
über erfolgreiche und erfolgsteigernde Improvisationen in der Neuproduktentwicklung.
Die beiden großzahligen empirischen Arbeiten von Vera und Crossan (2005) und
Moorman und Miner (1998a) zeigen eine erfolgsteigernde Wirkung von Improvisation
auf einzelne Erfolgsmaße, wenn einzelne der in Abschnitt 2.3.4 genannten Vorausset-
zungen gegeben sind bzw. wenn das Umfeld entsprechend dynamisch ist. Allerdings
sind auch diese Befunde uneinheitlich.
Zeitlich parallel ist eine Reihe von Studien entstanden, die sich im Sinne der
Paradoxonforschung im Management (vgl. z. B. Lewis, 2000) um eine Auflösung des
Konflikts zwischen organischen und mechanistischen Strukturen bemüht: Gewöhnlich
werden diese als die Extrempunkte einer Skala aufgefasst, so dass im Rahmen derart
gestalteter Untersuchungen ein Projekt als formal oder mechanistisch bewertet wird
(vgl. z. B. Lewis et al., 2002), wodurch die sich aus den unterschiedlichen Ansprüchen
von Flexibilität und Effizienz ergebenden Anforderungen an den Managementprozess
nicht ausreichend eingefangen werden (Dougherty, 1996). Diese Arbeiten zeigen, dass
im Rahmen der Projektimplementierung ein Wechsel- und Zusammenspiel geplanter
und emergenter (Lewis et al., 2002) bzw. strikter und flexibler (Tatikonda und Rosen-
thal, 2000a) Managementansätze stattfindet. In ähnlicher Weise zeigt Verganti (1999),
dass erfolgreiche Projekte durch eine Kombination von antizipierenden und bewusst
verzögerten Entscheidungen gekennzeichnet sind, wodurch einerseits wesentliche
Eckpunkte des Projektes frühzeitig festgelegt werden und gleichzeitig ein möglichst
hohes Maß an Flexibilität erhalten wird. Dieses Verfahren bezeichnet der Autor
als planned flexibility“. Vera und Crossan (2005) zeigen in ihrer Untersuchung,
”
dass Improvisation allein keine signifikante Auswirkung auf die Innovationsfähigkeit
eines Projektteams hat, sondern entsprechende Voraussetzungen wie Erfahrung, eine
Experimentierkultur, Teamfähigkeit und umfangreiche Kommunikation unter den
Projektmitgliedern gegeben sein müssen, um eine positive Wirkung von Improvisa-
tion zu erzielen. Schließlich untersucht Naveh (2007) die Wirkung von Formalität
und Entscheidungsfreiheit auf den Projekterfolg. Während beide Faktoren einzeln
positiv auf den Projekterfolg wirken, sind besonders erfolgreiche Projekte durch einen
hohen Grad von sowohl Formalität als auch Entscheidungsfreiheit gekennzeichnet.
Schließlich führt Naveh (2007, S. 123) aus:
In other words, the results suggest that by managing formality and

”
discretion of R&D project, the effect of project uncertainty on performance
can be eliminated. As a result, performance of R&D projects, which is
widely agreed to be affected by project uncertainty - a factor that is
beyond the team’s control - can be improved by the project team if
formality and discretion are applied.“
Zusammenfassend lässt sich konstatieren, dass sowohl formale Planung als auch
Improvisation relevante Faktoren für den Erfolg von Innovationsprojekten darstellen.
Empirische Befunde und Aussagen hinsichtlich der Überlegenheit eines der beiden
Problemlösungsverfahren sind jedoch uneinheitlich und scheinen sowohl von der mit
dem Projekt verbundenen Unsicherheit im Sinne des Innovationsgrades als auch
dem Branchenumfeld abzuhängen. Schließlich zeigen neuere Untersuchungen ein

kompliziertes und erfolgswirksames Zusammenspiel formaler und flexibler Aspek-
te und greifen damit sowohl die Forderung nach einer Überarbeitung klassischer
Projektplanungsverfahren als auch nach minimalen Strukturen im Rahmen von
Improvisationsprozessen auf. Auf Basis dieser Ausführungen lässt sich die eingangs
aufgeworfene Forschungsfrage wie folgt konkretisieren:
1. Welchen Beitrag leisten formale, effizienzbezogene Planungselemente zum Pro-

jekterfolg?
2. Welchen Beitrag leisten flexible Planungselemente zum Projekterfolg?
3. Ist ein Planungsprozess, der sowohl formale als auch flexible Elemente mitein-
ander vereint, erfolgswirksamer, als ein Planungsprozess, der primär formal
oder primär flexibel ist?
4. Wie wirken sich Planungsgegenstand - im Sinne der Charakteristika des zugrun-

deliegenden Projekts - und Planungskontext - im Sinne der Umweltdynamik -
auf die Erfolgswirksamkeit des Planungsprozesses aus?
3 Planung, Umsetzung und Erfolg von
Innovationsprojekten
3.1 Überblick
Das folgende Kapitel dient der Entwicklung des Untersuchungsmodells auf Basis
der bereits geschilderten Überlegungen. Wie in Kapitel 2 aufgezeigt wurde, sollte
sich eine Analyse der Projektplanung nicht nur der Formulierung des Plans, sondern
auch dessen Implementierung widmen. Auf diese wird in den Abschnitten 3.2 und
3.3 eingegangen. Darüber hinaus wurde deutlich, dass die Projektplanung in ihrem
jeweiligen Kontext betrachtet werden muss. Als besonders relevante Einflussfaktoren
wurden der Planungsgegenstand, also die Eigenschaften des zu planenden Projektes,
und das Planungsumfeld, also die Unternehmensumwelt, identifiziert. Abschnitt 3.4
und die zugehörigen Unterabschnitte beschäftigen sich mit den hieraus abgeleiteten
Konstrukten. Um schließlich zu einer Bewertung der Planungsaktivitäten zu gelangen,
bedarf es einer abhängigen Variablen. Wie bereits in Kapitel 2 deutlich wurde, wählt
die große Mehrheit aller Untersuchungen hierfür den Projekterfolg. Auf diesen wird
in Abschnitt 3.5 näher eingegangen.
3.2 Planung von Innovationsprojekten

In Abschnitt 2.4.3.2 wurde ausgeführt, dass bestehende Untersuchungen, die sich
mit der Planung von Innovationsprojekten beschäftigen, diese vielfach als Indikator
eines höherrangingen Konstruktes verstehen oder die Planung über die Auswahl und
Nutzung von Planungstechniken konzeptualisieren. Eine solche Operationalisierung
trägt jedoch dem komplexen Phänomen der Planung nicht ausreichend Rechnung.
Auch wenn in anderen betriebswirtschaftlichen Forschungsfeldern ähnlich gelagerte
Probleme diagnostiziert werden (vgl. z. B. Segars et al., 1998), finden sich dort jedoch
70 Planung, Umsetzung und Erfolg von Innovationsprojekten
verstärkt Ansätze zu einer umfassenderen Konzeptualisierung der Planung, die im

Rahmen der vorliegenden Arbeit auf die Planung von Neuproduktentwicklungspro-
jekten übertragen werden sollen.9
Diese Untersuchungen zeigen, dass sich Planungs- und Entscheidungsprozesse
mittels zweier verschiedener Ansätze konzeptualisieren lassen (Sabherwal und King,
1995): Im Rahmen des ersten Ansatzes werden Planungen bzw. Entscheidungen
modelliert, indem sie in verschiedene Prozessphasen unterteilt werden, aus denen sie
bestehen (vgl. z. B. Shrivastava und Grant, 1985; Nutt, 1984; Mintzberg, Raisinghani
und Theoret, 1976). Ein wesentliches Merkmal dieses Ansatzes ist es somit, zu
beschreiben, welche Prozessschritte in welcher Reihenfolge ablaufen (Sabherwal und
King, 1995). Aktuelle Beispiele für eine ähnliche Form dieser Modellierung des
Planungsprozesses in der Innovationsforschung sind die Arbeiten von Salomo et al.
(2007) und Weise (2005), die eine vorgelagerte Phase der Businessplanung“ und
”
eine spätere Phase der Projektplanung“ unterscheiden.
”
Der zweite Ansatz konzentriert sich auf wesentliche Merkmale bzw. Eigenschaften
des gesamten Entscheidungsprozesses (vgl. z. B. Bourgeois und Eisenhardt, 1988;
D. Miller, 1987a; Stein, 1981). Im Gegensatz zur Operationalisierung über konkrete
Methoden und Techniken handelt es sich bei solchen breiter gefassten Eigenschaften,
auch als Prozessdimensionen bezeichnet, um das Ergebnis der Werte, Überzeugungen
und Erfahrungen des Managements im Hinblick auf Planung, so dass diese Dimen-
sionen eine Planungsinfrastruktur“ darstellen, auf Basis derer konkrete Planungs-
”
methoden und -techniken eingesetzt werden: Diese Dimensionen gestatten es somit,
ein Verständnis dafür zu entwickeln, wie in verschiedenen organisatorischen und
Umfeldbedingungen geplant wird (Segars et al., 1998). Im Bereich der Innovations-
forschung verfolgt nur die Arbeit von Büschelberger (2004), die die Planungsqualität
von Prozessinnovationen untersucht, diesen Ansatz konsequent. In vereinfachter Form
findet sich dieser Ansatz zudem in der Arbeit von Thieme et al. (2003).
Im Rahmen dieser Betrachtungsweise kommt der Auswahl der Prozessdimensionen
eine besondere Bedeutung zu, um sicherzustellen, dass wesentliche Unterschiede
zwischen verschiedenen Planungsprozessen erfasst werden können (Sabherwal und
9
Exemplarisch seien an dieser Stelle Arbeiten zur marktbezogenen Planung (Schenkel, 2006), zur
Planung betrieblicher Informationssysteme (Doherty, Marples und Suhaimi, 1999; Segars et al.,
1998; Sabherwal und King, 1995) und zur strategischen Unternehmensplanung (B. S. Chakravar-
thy, 1987; Dutton und Duncan, 1987; Ramanujam und Venkatraman, 1987a) genannt.
Planung von Innovationsprojekten 71
King, 1995). Gemäß der Ausführungen in Kapitel 2 ist dabei vor allem auch auf
solche Dimensionen zu achten, die formale bzw. flexible Elemente der Planung von
Innovationsprojekten beschreiben. Da diese Betrachtungsweise zudem insbesondere
in der Forschung zur strategischen Unternehmensplanung und zur Planung von
betrieblichen Informationssystemen genutzt wurde, ist kritisch zu prüfen, ob die
dort genutzten Dimensionen sinnvoll auf die Planung von Neuproduktentwicklungs-
projekten übertragen werden können bzw. welche Anpassungen vorzunehmen sind.
Exemplarisch für die in den oben genannten Arbeiten identifizierten Prozessdimen-
sionen sei hier die von Doherty et al. (1999) für den Bereich der betrieblichen
Informationssysteme erarbeitete Übersicht genannt, die in Tabelle 3.1 dargestellt ist.
Variable Definition
Comprehensiveness The extent to which an organisation attempts to be exhaustive in
making and integrating decisions
Formalisation The existence of structures, techniques and written procedures to
support the planning process
Focus The balance between the application of financial control in conside-
ring applications, versus the welcoming of more creative contributions
appraised through non-financial criteria
Flow The locus of authority or devolution of responsibilities for strategic
planning (bottom up, top down or interactive)
Participation The breadth of involvement in the strategic planning process (narrow
v wide)
Frequency The frequency of planning activities or cycles (occasional v continuous)
Alignment The degree to which alignment between corporate and IS strategies is
explicitly sought
Ownership The locus of ownership for the planning process (business/IS
group/mixed)
Implementation Focus during the planning process on the implications for implementa-
tion
Competitive focus The range of benefits sought (primarily efficiency v wider benefits,
including competitive advantage)
Tabelle 3.1: Ausgewählte Planungsprozessdimensionen und ihre Definitionen. Quelle:

Doherty et al. (1999)
Bei der Betrachtung von Tabelle 3.1 wird unmittelbar deutlich, dass sich nicht alle
diese Dimensionen sinnvoll auf die Planung von Innovationsprojekten übertragen
lassen.
Beispielsweise stellt die Dimension Alignment“, in der es um die Übereinstim-
”
mung von Projekt und Unternehmensstrategie geht, einen Problemkreis dar, der im
Rahmen der Entwicklung des Projektportfolios und der Auswahl und Priorisierung
von Projekten von besonderer Bedeutung ist. Damit handelt es sich um ein Datum
für die anschließend auf operativer Ebene stattfindende Projektplanung. Auch die
Dimension Competitive focus“ beschreibt ihrem Inhalt nach ein Problembewusstsein,
”
welches im Rahmen der Projektauswahl und -priorisierung von Bedeutung ist. Zudem
wird diese Variable von Doherty et al. (1999) sowohl als Prozessdimension als auch
unter anderem Namen aber mit gleichem Inhalt als Erfolgsmaß genutzt. Insofern ist
der Zurechnung als Prozessdimension kritisch gegenüberzustehen.
Die Dimensionen Flow“ und Ownership“ erscheinen nicht sinnvoll auf die Planung
” ”
konkreter Innovationsprojekte übertragbar. In der Literatur besteht weitreichende
Einigkeit darüber, dass die Planung der Innovationsprojekte als eine dezentrale,
operative Planung (Anderson, Jr. und Joglekar, 2005) Aufgabe des Projektmanagers
ist: So nennt der Project Management Body of Knowledge (PMBOK) 39 verschiedene
Prozesse, welche vom Projektmanager durchlaufen werden sollten. Hiervon sind
21 (54%) Planungsprozesse (Zwikael und Globerson, 2004). Diese Sichtweise wird
zudem dadurch unterstützt, dass Zentralisierung in einer Reihe empirischer Studien
konsistent als signifikant negativer Einfluss auf die Innovationsfähigkeit identifiziert
wurde (McDonough, 2000; Damanpour, 1991).
Die Prozessdimension Implementation“ beschreibt, in welchem Umfang bereits
”
während der Planung die Belange für deren Umsetzung berücksichtigt wurden.
Da sich Doherty mit der strategischen Planung betrieblicher Informationssysteme
beschäftigt, bewegt sie sich im System der hierarchischen Unternehmensplanung auf
einer höheren Ebene als die konkrete Projektplanung, die aufgrund ihrer operativen
Natur bereits deutlich umsetzungsnäher erfolgen sollte. Insofern erscheint es fraglich,
ob eine besondere Fokussierung auf die Umsetzbarkeit der Planung im Gegensatz
zur strategischen Ebene hier als wesentlicher Unterschied zwischen verschiedenen
Planungsprozessen anzunehmen ist. Hinzu kommt, dass, wie schon für die Dimen-
sion Competitive focus“ geschildert wurde, Doherty auch diese Variable sowohl als
”
Prozessdimension als auch als Erfolgsmaß verwendet. Folglich sieht der Verfasser
auch hier inhaltliche Probleme. Abschließend sei angemerkt, dass die Planumsetzung
an anderer Stelle des zu formulierenden Modells Berücksichtigung findet, wie im
vorangegangenen Abschnitt verdeutlicht wurde.
Die Planungsdimension Focus“ hingegen erscheint grundsätzlich für die Betrach-
”
tung der Planungsprozesse in Neuproduktentwicklungsprojekten geeignet. Trotzdem
hat sich der Verfasser aufgrund folgender Überlegungen gegen die Verwendung dieser
Dimension entschieden:
Die strategische Planung betrieblicher Informationssysteme, für die diese Dimensi-
on ursprünglich betrachtet wurde, ist ein deutlich abstrakterer Prozess als die ihr
nachgelagerte, operative Projektplanung. Betrachtet man die von Segars (1994), auf
den diese Dimension zurückgeht, zur Operationalisierung genutzten Items, zeigt sich,
dass diese nur bedingt zur Planung konkreter Projekte passen: The primary focus
”
of IS planning is controlling cost through extensive budgeting“, In our IS planning
”
process we encourage creativity and idea generation over control“, Strategic IS
”
planning is viewed as a means of controlling the growth of technology“, Control
”
systems are used to monitor variances between planned actions and outcomes“ und
Our IS planning process is tightly integrated with the firm’ normal financial planning
”
or capital budgeting routine“. Projektplanung ist durch die auf strategischer und tak-
tischer Ebene getroffenen Entscheidungen an gewisse Rahmenbedingungen gebunden,
so dass Kreativität und Budget weitgehend durch die Projektvorgaben bestimmt sind,
im Rahmen derer die Ausgangsfragestellung gelöst werden soll. Insofern wäre eine
Abschwächung bzw. Reformulierung dieser Items nötig, ähnlich wie sie beispielsweise
von Lewis et al. (2002) genutzt wird. Hinzu kommt, dass diese Dimension in der
Arbeit von Segars (1994) hinsichtlich Reliabilität und Validität im Vergleich zu
den anderen Planungsdimensionen mit Abstand am schlechtesten abschnitt. Auf
Basis dieser Überlegungen erscheint es dem Verfasser sinnvoller, flexible und formale
Elemente der Planung mittels anderer Prozessdimensionen einzufangen.
Die verbleibenden Prozessdimensionen Comprehensiveness“, Formalization“,

” ”
Participation“ und Frequency“ schließlich lassen sich direkt auf die Planung von
” ”
Innovationsprojekten übertragen. Inhaltlich beschreiben sie Vorgehensweisen, die auf
den verschiedenen Ebenen der hierarchischen Unternehmensplanung und unabhängig
vom Grad der Konkretisierung der Planungsaufgabe sinnvoll interpretiert werden
können. Zudem lassen sich die beiden erstgenannten Dimensionen einem formalen
Planungsverhalten zuordnen, während die beiden letztgenannten Dimensionen eher
als Merkmale eines flexiblen Prozesses verstanden werden können (Segars et al., 1998).
Weiterhin schließen sie sich dem Inhalt nach nicht gegenseitig aus, so dass es möglich
ist, das in Abschnitt 2.4.3.2 beschriebene komplexe Zusammenwirken formaler und
flexibler Faktoren über diese Prozessdimensionen zu modellieren und zu untersuchen.
Insofern erfüllen diese Dimensionen die Anforderungen, um zur Beantwortung der

in Abschnitt 2.4.3.2 konkretisierten Forschungsfragen herangezogen zu werden. Sie
stimmen zudem weitgehend mit den von Thieme et al. (2003, S. 109) gemachten Be-
obachtungen überein, die feststellen, dass [...]planning that is detailed, participative,
”
and flexible enables teams to stay focused in a cross-functional structure, to reduce
their development cycle time, and to adapt to changes in their environment. These
outcomes from effective planning give their new product a better chance to succeed
in the market.“
In den folgenden Abschnitten werden daher diese vier identifizierten Dimensionen

näher betrachtet.
3.2.1 Planungsausmaß
Der Umfang und die Vollständigkeit der Planung, im englischen als comprehensiven-
”
ess“ bezeichnet (vgl. z. B. Fredrickson, 1984), beschreibt die Struktur, Stringenz und
Gründlichkeit bei der Beschaffung und Analyse von Informationen im Rahmen von
Planungs- bzw. Entscheidungsprozessen (Menon et al., 1999, S. 22):
Comprehensiveness refers to the systematic identification and in depth

”
evaluation of multiple alternatives to [the] chosen strategy.“
Wörtlich lässt sich comprehensive“ mit umfassend“ übersetzen, jedoch deckt

” ”
das Wort Planungsumfang“ nicht die gesamte Bedeutung von comprehensive-
” ”
ness“ ab. Gleiches gilt für die Übersetzung als Planungstiefe“, die ebenfalls nur
”
einen Aspekt von comprehensiveness“ abdecken würde. Im Folgenden soll daher
”
vom Planungsausmaß“, welches sowohl den Umfang der Planung, als auch die
”
Planungstiefe abdecken soll, gesprochen werden (vgl. Büschelberger, 2004).
Nach Janis und Mann (1977) umfasst dieses Konstrukt eine Reihe von Verhaltens-
weisen:
• gründliche Suche nach allen erdenklichen Alternativen,
• Berücksichtigung aller erstrebenswerter Ziele,
• gewissenhafte Bewertung der Kosten und Risiken der verschiedenen möglichen

Folgen,
• intensive Informationssuche zur Bewertung der alternativen Handlungsmöglich-

keiten,
• objektive Bewertung der Informationen und Expertenmeinungen in Bezug auf

die verschiedenen Handlungsalternativen,
• wiederholte Untersuchung der positiven und negativen Auswirkungen aller

bekannten Alternativen,
• Ausarbeitung eines detaillierten Plans, welcher die Betrachtung aller möglichen

Eventualitäten bei der Umsetzung der gewählten Alternative mit einschließt.
Eine Planung hohen Ausmaßes und die Evaluation verschiedener Handlungsoptio-

nen zwingt Manager, die ihrer Planung zugrundeliegenden Hypothesen zu überprüfen
(Eisenhardt, 1989), wodurch neue Einsichten gewonnen werden können, welche zu
einem tieferen Verständnis des Plans und größerer Entscheidungssicherheit der Ver-
antwortlichen beitragen (Day, 1994). Eine so durchgeführte Planung steigert die
Erfolgsaussichten, da das bessere Verständnis des Plans und des Umfeldes, in dem
er entwickelt wird, zu einer realistischeren Einschätzung möglicher Konsequenzen
für die Organisation beiträgt und somit bessere Entscheidungen ermöglicht (Sniezek,
1992).
Unternehmen können als Informationsverarbeitungs- oder Interpretationssysteme

aufgefasst werden, die ihr Umfeld nach Daten absuchen, diese sammeln und interpre-
tieren, aufgrund ihrer Interpretationen handeln und aus diesem Handeln lernen (Daft
und Weick, 1984). Dieser Gedanke steht im Zentrum des kontingenztheoretischen
Ansatzes, der die Basis für die situative Theorie der Informationsverarbeitung (engl.:
Information Processing Theory) bildet (vgl. z. B. Galbraith, 1973). Nach dem kontin-
genztheoretischen Ansatz beeinflusst die Übereinstimmung (engl.: Fit) zwischen der
Art und dem Umfang an Informationen, die für die Ausführung einer bestimmten
Aufgabe benötigt werden, und den Informationsverarbeitungsfähigkeiten der mit der
Ausführung der Aufgabe betrauten Organisationseinheit deren Erfolg (Tushman und
Nadler, 1978; Galbraith, 1973). So ist eine der Kernvorhersagen dieser Theorie, dass
sich ein Unternehmen in einem sehr turbulenten Umfeld mit komplexen Informati-
onsverarbeitungsanforderungen konfrontiert sieht, die eine Organisationsstruktur,
Planungsprozesse, Kontrollmechanismen und Kommunikationsstrukturen verlangen,
die eine schnelle, möglichst in Echtzeit stattfindende, Sammlung und Interpretation

von Informationen gestatten (Atuahene-Gima und Li, 2004; Eisenhardt, 1989; Daft
und Macintosh, 1981; Tushman und Nadler, 1978; Galbraith, 1973).
Der für diesen Ansatz zentrale Begriff der Information wird von Galbraith (1973,
S. 5) nicht direkt definiert. Vielmehr verwendet er den Begriff der Unsicherheit (engl.:
uncertainty), welche als ein Mangel an Informationen aufgefasst werden kann:
Uncertainty is defined as the difference between the amount of informa-

”
tion required to perform a particular task, and the amount of information
already possessed by the organization.“
Demnach entsteht Unsicherheit als Resultat des Zusammenspiels einer bestimmten

Aufgabe mit einer bestimmten Organisationskonfiguration. Je höher die hieraus
resultierende Unsicherheit ist, desto größer ist der Informationsbedarf, den die
Organisation aktiv befriedigen muss (Galbraith, 1973, S. 5):
Therefore, the greater the task uncertainty, the greater the amount of
”
information that must be processed among decision makers during task
execution in order to achieve a given level of performance.“
Der Ansatz wurde später von Daft und Lengel (1986) erweitert, die neben der
Unsicherheit auch das Konzept der Mehrdeutigkeit (engl.: equivocality) heranzogen,
um die Notwendigkeit der Informationsverarbeitung theoretisch zu begründen. Der
entscheidende Unterschied liegt hierbei darin, dass Unsicherheit auf einen Mangel an
Information zurückgeführt werden kann, der dazu führt, dass auf bestehende Fragen
keine Antworten gegeben werden können. Mehrdeutigkeit hingegen stellt insofern ein
grundlegenderes Problem dar, als dass in diesem Fall nicht einmal klar ist, welche
Fragen überhaupt zu beantworten sind. Insofern kann eine Organisationseinheit, die
sich mit einer mehrdeutigen Situation konfrontiert sieht, diesen Informationsdefekt
nicht dadurch beheben, dass sie zusätzliche Informationen beschafft (Daft und Ma-
cintosh, 1981).
Unsicherheit und Mehrdeutigkeit können somit als Auslöser der Informationsver-

arbeitungsaktivitäten einer Organisation angesehen werden. Damit ist jedoch noch
nicht geklärt, wodurch Unsicherheit und Mehrdeutigkeit entstehen. Ihre Ursachen
sind sowohl in der Tätigkeit bzw. Aufgabe der betroffenen Organisationseinheit zu

suchen, als auch in ihrem externen Umfeld (vgl. z. B. Zeithaml, Varadarajan und
Zeithaml, 1988).
Als eine wesentliche Ursache von Unsicherheit und Mehrdeutigkeit werden in der
Literatur zunächst häufig die Charakteristika der von einer Organisationseinheit zu
erfüllenden Aufgabe genannt (vgl. z. B. Van de Ven, Delbecq und Koenig, 1976; Gal-
braith, 1973; Perrow, 1967). Sind Arbeitsprozesse lediglich mit wenigen Problemen
oder Ausnahmesituationen verbunden, so verfügen die betroffenen Organisations-
mitglieder über ein vergleichsweise vollständiges Verständnis der zugrundeliegenden
Zusammenhänge und sind in der Lage, Aufgaben ohne eine umfangreiche Infor-
mationsverarbeitung vorauszuplanen (Galbraith, 1973). Ändern sich dagegen die
Aufgabenstellungen und die damit verbundenen Prozesse häufig, so werden die Betrof-
fenen regelmäßig mit unerwarteten, neuartigen Ereignissen konfrontiert. Bestehende
Annahmen und Pläne decken diese Änderungen nicht mehr ab, so dass ein gesteigerter
Informationsbedarf entsteht. Somit ist anzunehmen, dass mit einem zunehmenden
Grad an Aufgabenänderungen auch ein steigender Bedarf an Informationsverarbei-
tung einhergeht (Daft und Macintosh, 1981). Gleiches gilt für die Mehrdeutigkeit,
mit der Informationen behaftet sein können: Je komplexer eine Situation oder eine
Aufgabenstellung ist, desto schwieriger ist es, diese zu analysieren und zu präzisen,
aussagekräftigen Ergebnissen zu gelangen (D. J. Campbell, 1988), so dass der Grad an
Mehrdeutigkeit der zu verarbeitenden Informationen im umgekehrten Verhältnis zur
Analysierbarkeit der zu bewältigenden Aufgabe steht (Daft und Macintosh, 1981).
Auch die externe Umwelt darf als potenzieller Auslöser organisationaler Informati-
onsverarbeitung nicht vernachlässigt werden (Dess und Beard, 1984; Kieser, 1974;
Duncan, 1972). Um erfolgreich am Markt zu agieren, können Unternehmen sich nicht
von ihrer Umwelt isolieren, sondern müssen vielmehr Mechanismen entwickeln, die
es ihnen erlauben, die für ihr Überleben und ihre Wettbewerbsfähigkeit relevanten
Informationen wie Markttrends, Technologiesprünge und Wettbewerberreaktionen zu
erfassen und zu interpretieren (Daft und Weick, 1984; Tushman und Nadler, 1978).
Die Beschaffung und Verarbeitung der Informationen aus und über das externe
Umfeld muss zweierlei Bedürfnisse befriedigen (Daft und Lengel, 1986): Auf der
einen Seite ist es notwendig, die Unsicherheit über objektive Indikatoren, wie z. B.
Marktanteile oder demographische Kundenmerkmale, zu verringern. Auf der anderen
Seite gilt es, innerhalb der Organisationseinheit eine gemeinsame Interpretation
mehrdeutiger Ereignisse und Umweltbedingungen zu erzielen, um so ein besseres

Verständnis möglicher Ursache-Wirkungsbeziehungen in der externen Umwelt zu
erlangen. In tendenziell eindeutig analysierbaren Umweltsituationen kann das Man-
agement sich somit auf die Beschaffung objektiver Informationen als Grundlage
für Entscheidungen und die Beantwortung von Fragen konzentrieren. Sind dagegen
Kausalzusammenhänge im vorhinein nur schwer zu identifizieren, so sollte der Fokus
der Informationsverarbeitung eher auf eine Reduktion der Mehrdeutigkeit durch
Meinungsaustausch und Diskussionen gerichtet werden.
Wie bereits erläutert, besteht die Grundhypothese des situativen Ansatzes der
Informationsverarbeitung darin, dass Unternehmen oder Organisationseinheiten nur
dann erfolgreich agieren können, wenn ihre Informationsverarbeitungsfähigkeiten an
den jeweiligen Informationsverarbeitungserfordernissen ausgerichtet sind (Tushman
und Nadler, 1978; Galbraith, 1973). Empirische Befunde zeichnen jedoch kein ein-
deutiges Bild über die Rolle umweltbedingter Unsicherheit (vgl. z. B. Forbes, 2007;
Atuahene-Gima und Li, 2004). Die Untersuchungen von Fredrickson (1984) und
Fredrickson und Mitchell (1984) kommen zu dem Ergebnis, dass Entscheidungen
mit einem hohen Planungsausmaß in einem stabilen Umfeld erfolgswirksam sind,
während sie in einem instabilen Umfeld erfolgsmindernd wirken, da der mit einem
solchen Entscheidungsprozess verbundene Aufwand es nicht gestattet, sich schnell
genug an veränderte Rahmenbedingungen anzupassen. In einem mit Unsicherheit
behafteten Umfeld verlangsamt ein hohes Planungsausmaß die Geschwindigkeit, mit
der Entscheidungen getroffen werden, behindert den Informationsfluss in Echtzeit und
belastet sowohl die finanziellen als auch personellen Ressourcen der Unternehmen.
Darüber hinaus machen es kognitive Limitationen und beschränkte Rationalität
(engl.: bounded rationality) auf Seiten der Entscheidungsträger für sie beinahe
unmöglich, alle relevanten Probleme, Umwelteinflüsse und Effekte zwischen diesen
Größen zu berücksichtigen, wie es nach einem streng synoptischen Modell unterstellt
wird (Braybrooke und Lindblom, 1963). Dies gilt insbesondere auch für Projekte in
der Neuproduktentwicklung, da es dort gerade im Rahmen der Projekteingangspla-
nung häufig an einem genauen Verständnis der spezifischen Projektaufgaben, der
Aufgabenabfolge, der Interdependenzen zwischen den Aufgaben sowie ihrer zeitlichen
Befristung mangelt (Tatikonda und Rosenthal, 2000a). Im Gegensatz zu den oben
geschilderten Befunden kommen andere Untersuchungen zu dem Ergebnis, dass ein
hohes Planungsausmaß in einem dynamischen Umfeld erfolgswirksam ist, aber sich

in einem stabilen Umfeld erfolgsmindernd auswirkt (vgl. z. B. Goll und Rasheed,
1997; Priem, Rasheed und Kotulic, 1995; D. Miller und Friesen, 1983). So zeigt
beispielsweise die Studie von Bourgeois und Eisenhardt (1988), dass sich in einem
extrem schnelllebigen Umfeld die effektivsten Entscheidungen mit einem rationalen
Entscheidungsprozess hohen Ausmaßes erzielen ließen.
b +
Comprehensiveness Decision Quality (Firm) Performance
Environmental and
Task Instability
-
b
Cost of the
Decision Process
+ (time and resources)
Abbildung 3.1: Planungsausmaß und Wirkungszusammenhänge. In Anlehnung an Forbes

(2007)
Forbes (2007) führt dies auf zwei Fakten zurück: Obwohl viele Untersuchungen
sich theoretisch mit dem Zusammenhang zwischen Planungsausmaß und Entschei-
dungsqualität beschäftigen, wird dieser Zusammenhang in den meisten Fällen nicht
empirisch untersucht. Stattdessen wird vielfach die Wirkung des Planungsausmaßes
auf den Unternehmenserfolg analysiert, was in seinen Augen problematisch erscheint,
da diese Beziehungen aufgrund der höheren Komplexität des Konstrukts Unterneh-
menserfolg im Vergleich zum Konstrukt Entscheidungsqualität nicht gleichgesetzt
werden können (Dean und Sharfman, 1996; Langley, 1989). Die Theorien und empi-
rischen Untersuchungen beziehen sich zudem häufig auf den moderierenden Effekt
der Instabilität der Umwelt (vgl. z. B. Fredrickson, 1984). Dies ist nach Forbes inso-
fern problematisch, als dass Instabilität ein zu allgemeines Konzept darstellt, um
als verlässlicher Moderator der Erfolgswirksamkeit des Planungsausmaßes auf die
Entscheidungsqualität angesehen zu werden. Betrachtet man die Untersuchungen
genauer, wird deutlich, dass Instabilität vielfach als eine Näherung sowohl für Mehr-
deutigkeit als auch für Unsicherheit benutzt wird, bei denen es sich um zwei präzisere
Kontextfaktoren handelt, die zudem tendenziell unterschiedliche moderierende Ein-
flüsse aufweisen (Forbes, 2007). Die Wirkungszusammenhänge sind in Abbildung 3.1

dargestellt, wobei uneinheitliche empirische Befunde durch ein b“ gekennzeichnet
”
sind.
Tabelle 3.2 bietet einen Überblick auf empirische Befunde der Erfolgswirksamkeit
des Planungsausmaßes und verdeutlicht noch einmal die uneinheitlichen Ergebnisse.
Während die Studien von Hough und White (2003) und Goll und Rasheed (1997)
keine signifikante Beziehung nachweisen können, überwiegen in den verbleibenden
Untersuchungen die Befunde, die zumindest für bestimmte Umweltsituationen eine
Erfolgswirksamkeit des Planungsausmaßes bestätigen.
Zusammenfassend ist zu konstatieren, dass auf Basis der vorliegenden empirischen

Befunde keine eindeutige Wirkungsbeziehung zwischen Planungsausmaß und Erfolg
identifiziert werden kann. Die Ergebnisse in Tabelle 3.2 deuten jedoch darauf hin,
dass das Planungsausmaß insbesondere in solchen Situationen positiv wirkt, in denen
wenig Informationen vorliegen bzw. diese aufgrund sich ändernder Umweltbedin-
gungen einem Wandel unterliegen. Dies erscheint insofern einleuchtend, als dass in
einem solchen Umfeld eine erfolgreiche Planung erheblich erschwert wird, so dass eine
fundiertere Informationsbasis von höherem Wert ist als in einer ohnehin eindeutigen
Planungssituation. Innovationsprojekte unterliegen erheblicher Unsicherheit, wie in
Kapitel 2 ausgeführt wurde. Insofern ist anzunehmen, dass diese als ein Planungs-
gegenstand bzw. eine Planungssituation gewertet werden können, in der ein hohes
Planungsausmaß von besonderer Bedeutung ist, so dass auf Basis dieser Überlegungen
die folgende Hypothese formuliert wird:
Hypothese 1: Je höher das Planungsausmaß eines Innovationsprojektes, desto

höher ist dessen Erfolg.
Tabelle 3.2: Ausgewählte empirische Studien zur Erfolgswirksamkeit des Planungsausmaßes. Quelle: Forbes (2007)
Studie Stichprobe erfolgsrelevante Befunde

Größe
Atuahene-Gima 373 new technology ventures comprehensiveness Comprehensiveness and new product performance were po-
und Li (2004) sitively related when perceived demand uncertainty was
higher and negatively related when perceived technology
uncertainty was higher
Hough und White 400 decisions in 54 teams rationality Rationality was unrelated to decision quality, but in stable
(2003) (experiment) environments higher-quality decisions were associated with
ensuring that all decision makers were well-informed
Zahra, Neubaum 228 new manufacturing firms comprehensiveness Comprehensiveness was positively related to firm perfor-
und El-Hagrassey mance; in addition, these relationships were stronger when
Planung von Innovationsprojekten
(2002) executives experienced higher levels of perceived environ-

mental uncertainty
Simons, Pelled und 57 manufacturing firms comprehensiveness Comprehensiveness partially mediated the positive interac-
Smith (1999) tive effects of diversity and debate on firm performance
Papadakis (1998) 70 decisions in 38 manufactu- rationality Rationality was positively related to most measures of per-
ring firms formance
Goll und Rasheed 62 manufacturing firms rationality Rationality did not significantly enhance performance; how-
(1997) ever, rationality did enhance performance in environments
high in munificence and dynamism
Dean und Sharf- 52 decisions in 24 manufactu- rationality Procedural rationality enhanced decision effectiveness; re-
man (1996) ring firms sults did not support the hypothesis that this relationship
was stronger in unstable environments
Priem et al. (1995) 101 manufacturing firms rationality Rationality was positively related to firm performance in
high-dynamism environments but not in moderate- or low-
dynamism environments
Glick, Miller und 79 business units from multi- comprehensiveness Comprehensiveness enhanced profitability in more turbulent
Huber (1993) ple, unspecified industries environments but not in less turbulent ones; no relationship
between comprehensiveness and open systems effectiveness
81
3.2.2 Formalization
Die Planungsdimension Formalization“, im Deutschen als Formalisierung“ bezeich-
” ”
net, beschreibt nach Damanpour (1991, S. 589):
[...]the emphasis on following rules and procedures in conducting

”
organizational activities.“
Formalisierung beschreibt somit den Umfang an Strukturen, Techniken und schrift-

lich ausgearbeiteten Arbeitsabläufen, die den Planungsprozess unterstützen (Segars
et al., 1998). Stark formalisierte Prozesse zeichnen sich nach Naveh (2007) durch
die Einhaltung von Standards, klar definierte Verantwortlichkeiten und Prioritäten,
eine rationale und analytische Vorgehensweise sowie Koordination, Präzision und
Genauigkeit aus.
Formalisierung erlaubt eine effizientere Beschaffung, Verarbeitung und Weitergabe
von Informationen im Rahmen von Planungsprozessen, wodurch die Basis der ihnen
zugrundeliegenden Informationen verbreitert werden kann (Segars, 1994; Dutton und
Duncan, 1987). Zudem wird durch Formalisierung eine gemeinsame Sprache“ ge-
”
schaffen, die die Kommunikation innerhalb des Projektteams bzw. des Unternehmens
erleichtert (Walsh und Dewar, 1987). Auch wird darauf hingewiesen, dass es ohne
eine formale Struktur, mittels derer Produktspezifikationen eingefroren und deren
Änderungen bewertet werden können, zu einer permanenten Weiterentwicklung (sog.
creeping elegance) kommen kann, die nicht mehr durch entsprechende Leistungs-
oder Qualitätssteigerungen zu rechtfertigen ist (R. Cooper, Aouad, Lee und Wu,
2004; Bonner, Ruekert und Walker, 2002). Formale Richtlinien bzw. Vorgaben bil-
den somit die Basis, erwünschte und nicht erwünschte Handlungen sowie die zu
erzielenden Ergebnisse zu definieren, und stellen gleichzeitig den Referenzpunkt für
eine eventuell vorzunehmende Kontrolle oder Überprüfung dar (Bodewes, 2002).
Diesen positiven Wirkungen steht jedoch ein Verlust an Flexibilität entgegen, da
formale Prozesse häufig langwierig sind und somit nicht schnell genug auf veränderte
Rahmenbedingungen reagiert werden kann (Dutton und Duncan, 1987). Hierdurch
werden veraltete, unwichtig oder sogar falsch gewordene Informationen häufig erst zu
spät aus dem Planungsprozess eliminiert bzw. neue Informationen nicht schnell genug
integriert und verteilt, so dass es zu Fehlplanungen und Verzögerungen kommen kann
(Lukas, Menon und Bell, 2002; Dutton und Duncan, 1987). In gleicher Weise kann
ein hoher Grad an Formalisierung aufgrund der damit verbundenen Regeln und Pro-
zeduren zu einer verringerten Handlungsfreiheit der Teammitglieder führen, wodurch
individuelle Initiative und Kreativität eingeschränkt werden und das Informationsver-
arbeitungspotenzial des Teams gesenkt wird (Organ und Greene, 1981; Duncan, 1974).
Entsprechend dieser gegenläufigen Effekte, liefern empirische Befunde zur Erfolgs-

wirksamkeit formaler Prozesse in der Neuproduktentwicklung ein uneinheitliches
Bild (Bodewes, 2002; Zmud, 1982). So weist Naveh (2007) eine positive Wirkung
von Formalisierung auf eine Reihe verschiedener Erfolgsmaße wie z. B. die Kunden-
zufriedenheit, die Entwicklungsdauer und die Einhaltung von Kostenzielen nach.
Cardinal (2001) hingegen stellt in ihrer Untersuchung einen negativen Zusammen-
hang zwischen der Weiterentwicklung von Medikamenten und der Formalisierung der
Entwicklungsaktivitäten fest. Eine Metaanalyse von Damanpour (1991) weist eine
positive Wirkung von Formalisierung auf die Entwicklung sowohl radikaler als auch
inkrementaler Produktinnovationen nach, allerdings sind beide Zusammenhänge nicht
signifikant. Insofern verwundert es nicht, dass Ayers, Gordon und Schoenbachler
(2001, S. 139) ausführen, dass
[t]he effects of centralization and formalization on various organiza-

”
tional outcomes has been investigated extensively over the last thirty
years. While these variables have been strongly linked to perceptual
measure of individual and organizational outcomes (e.g. satisfaction, per-
ceived effectiveness, organizational commitment, etc.), their success at
explaining more objective measures of outcomes (e.g. profit, sales, etc.)
has been limited.“
Bodewes (2002) führt dieses nicht zuletzt darauf zurück, dass den Studien viel-
fach unterschiedliche Verständnisse des Formalisierungsbegriffs zugrundeliegen. Ein
weiteres Problem ergibt sich aus den unterschiedlichen Phasen des Innovations-
prozesses und den unterschiedlichen Anforderungen, die sie an das Verhalten der
Teammitglieder stellen (Duncan, 1974): Während Formalisierung im Rahmen der
Ideengenerierung und der frühen Phasen des Innovationsprozesses aufgrund ihres
potenziell kreativitätseinschränkenden Charakters hinderlich sein kann, wird ihr im
Rahmen des weiteren Verlaufs und der Umsetzung des Projektes vielfach eine positive
Wirkung zugeschrieben. Insofern erscheint es erforderlich, Formalisierung nicht – wie
häufig vorgenommen – auf der Ebene der gesamten Organisation, sondern den Grad
an Formalisierung innerhalb einzelner Abteilungen, Projektteams oder Aufgaben zu
messen (Bodewes, 2002).
Auf Basis der obigen Ausführungen ist festzustellen, dass die Wirkungsbeziehung
zwischen Formalisierung und Projekterfolg nicht eindeutig zu ermitteln ist. Aus rein
theoretischer Sicht sind die beiden für Neuproduktentwicklungsprojekte wichtigen
Aspekte der Effizienz und der Kreativität unterschiedlich vom Grad der Forma-
lisierung betroffen. Da keinerlei Wertung hinsichtlich deren relativer Bedeutung
vorgenommen werden kann, muss für die Formulierung einer Hypothese auf die
empirischen Befunde zurückgegriffen werden. Diese zeigen eine leichte Tendenz zu
einem positiven Zusammenhang von Formalisierung und Projekterfolg, da in zwei
von drei Studien positive Wirkungen ermittelt werden, die allerdings nur in einer
Studie signifikant sind. Unter Berücksichtigung dieser Einschränkung wird daher die
folgende Hypothese formuliert:
Hypothese 2: Je höher die Formalisierung der Planung eines Innovationspro-

jektes, desto höher ist dessen Erfolg.
3.2.3 Planungskonsistenz
Consistency“ beschreibt das Maß für die Konsistenz und Regelmäßigkeit der Planung.
”
Nach Segars et al. (1998) zeichnet sich High Consistency“ Planung durch einen
”
kontinuierlichen Planungsprozess, stetige Kommunikation unter den Beteiligten sowie
eine regelmäßige Überprüfung und ggf. Modifikation der Planung aus. Die gleiche
Dimension wird später von Doherty et al. (1999) auch mit Frequency“ bezeichnet.
”
In der Psychologie und der Forschung zur Neuproduktentwicklung wird in diesem
Zusammenhang von Reflexivity“ gesprochen (Hoegl und Parboteeah, 2006; Schippers
”
und Den Hartog, 2007; De Dreu, 2007; M. A. West, 1996). Nach M. A. West (1996,
S. 559) versteht man hierunter:
[T]he extent to which group members overtly reflect upon the group’s
”
objectives, strategies, and processes and adapt them to current or antici-
pated endogenous or environmental circumstances.“
Die regelmäßige und kritische Reflexion der bestehenden Planung gestattet es,
diese an geänderte Umfeldbedingungen anzupassen und bildet somit eine wichti-
ge Basis für hohe Leistungsfähigkeit im Rahmen komplexer Aufgaben (Gurtner,
Tschan, Semmer und Nägele, 2007). Dabei wird Reflexivität typischerweise als ein
Gruppenprozess verstanden (Schippers und Den Hartog, 2007). Reflexive Teams
sind sich der Konsequenz ihres Handelns bewusst und agieren proaktiv. Sie kon-
trollieren sich und ihr Umfeld kontinuierlich und sind somit besser in der Lage,
sich an ein geändertes Umfeld anzupassen, wenn dies erforderlich wird (Hoegl und
Parboteeah, 2006). Nicht reflexive Teams hingegen zeigen weniger Bewusstsein für
die Ziele, Strategien und das Umfeld, in dem das Team agiert, so dass sie sich eher
reaktiv verhalten und defensiv auf sich ändernde Umweltbedingungen reagieren
(Schippers und Den Hartog, 2007). Reflexivität ist insbesondere für Projektteams
von Bedeutung, die an besonders herausfordernden oder komplexen Aufgaben arbei-
ten oder in einem unruhigen Umfeld agieren müssen (Tjosvold, Tang und West, 2004).
Reflexive Teams arbeiten effektiver (Gurtner et al., 2007; Hoegl und Parboteeah,
2006; Tjosvold et al., 2004; Carter und West, 1998): Die mit Reflexivität verbundene
Selbstreflexion und Selbsterkenntnis gestatten es dem Team, bessere Lösungen für
Probleme zu entwickeln, mit denen es konfrontiert ist (Hoegl und Parboteeah, 2006).
Teams in innovativen Projekten sehen sich einer großen Spannweite unterschiedlichster
Aufgaben und gleichzeitig erheblicher Unsicherheit bezüglich möglicher Lösungsstra-
tegien gegenüber (Gales, Porter und Mansour-Cole, 1992; Daft und Lengel, 1986).
Reflexivität fördert wie beschrieben das kontinuierliche Sammeln und Teilen von
Informationen, welches als wesentlicher Erfolgsfaktor identifiziert wurde (Sicotte und
Langley, 2001). Dieses Sammeln und Teilen von Informationen sowohl innerhalb
des Teams als auch nach außen erleichtert die Aufgabenplanung, die Koordination
teaminterner und -externer Aktivitäten und die Suche nach Problemlösungen (Hoegl
und Gemünden, 2001; Sethi und Nicholson, 2001; Ancona und Caldwell, 1990). Die
so verbesserte Kommunikation kann zu einer höheren Teamleistung beitragen, da alle
Beteiligten besser über Probleme und zugehörige Lösungsstrategien informiert sind
(Hoegl und Parboteeah, 2006). Durch den gegenseitigen Austausch von Informationen
sind die Teammitglieder in reflexiven Teams zudem besser über individuelles Wissen
und individuelle Fähigkeiten der Mitglieder informiert und setzen sich intensiver
und wertungsfreier mit diesen auseinander, so dass bestehendes Wissen besser ge-
nutzt wird und hochwertigere Problemlösungen gefunden werden können (Rogelberg,

Barnes-Farrell und Lowe, 1992). Die Untersuchung von Hoegl und Parboteeah (2006)
bestätigt diesen Zusammenhang und ermittelt eine Effektstärke von 0,19 zwischen
Reflexivität und der Effektivität des Teams. Auch Gurtner et al. (2007) finden mit
einer Effektstärke von 0,255 einen positiven Zusammenhang zwischen Reflexivität
und ihrer abhängigen Variable Team Performance“. Die Untersuchung von Carter
”
und West (1998) bestätigt ebenfalls einen positiven Zusammenhang zwischen Re-
flexivität und verschiedenen Erfolgsmaßen (0,04-0,52) für die Teameffektivität, die
Effekte sind jedoch nicht alle signifikant.
Ebenfalls wird reflexiven Teams unterstellt, effizienter zu arbeiten als nicht reflexive
Teams (Hoegl und Parboteeah, 2006; Tjosvold et al., 2004). Da reflexive Teams sich
der Probleme und Restriktionen mit denen sie konfrontiert sind besser bewusst sind
(Sicotte und Langley, 2001), ist es wahrscheinlich, dass sie den aktuellen Stand des
Projektes besser einschätzen können, das Projekt besser durchführen können und
Zeit- sowie Kostenvorgaben genauer beachten (Hoegl und Parboteeah, 2006). Die
Einhaltung dieser Vorgaben ist ein wesentliches Erfolgsmaß für die Bewertung von
Innovationsprojekten (vgl. z. B. Griffin, 1997a). Das Bewusstsein für die Einhaltung
von Zeitvorgaben beeinflusst die Arbeits- und Verhaltensweisen von Projektteams
(Gersick, 1989, 1988) und daraus eventuell resultierender Zeitdruck kann sich negativ
auf den Projektfortschritt auswirken (Gevers, van Erde und Rutte, 2001). In dem
Maße, in dem Reflexivität zu einem Bewusstsein für Zeitvorgaben und proaktivem
Handeln beiträgt, kann sie zur Reduktion von Zeitdruck und kontinuierlichem Projekt-
fortschritt beitragen, so dass Zeit- und Kostenziele eher erreicht werden. Reflexivität
erleichtert, wie oben beschrieben, die Identifikation richtiger“ Probleme und ihrer
”
Lösungsstrategien. Auf diese Weise trägt sie dazu bei, dass das Projektteam sich
nicht über Gebühr mit weniger wichtigen oder dringenden Problemen beschäftigt
und dadurch in Verzug gerät (Hoegl und Parboteeah, 2006). Die kontinuierliche und
kritische Überprüfung der getroffenen Entscheidungen und ergriffenen Maßnahmen
kann zudem dazu beitragen, dass sog. escalating commitment“ (Herroelen, 2005;
”
Keil, Truex III und Mixon, 1995; Brockner, 1992) zu vermeiden, indem frühzeitig
und im Team über die aktuelle Strategie und das Projektumfeld reflektiert wird und
eventuell erforderliche Anpassungen vorgenommen werden. Schließlich erlaubt es das
bessere Verständnis der individuellen Wissensstände und Fertigkeiten, welches in
einem reflexiven Team herrscht, die einzelnen Teammitglieder besser gemäß ihrer
Fähigkeiten einzusetzen, so dass diese effizienter agieren können (Hoegl und Parbo-
teeah, 2006). Trotz dieser Vielzahl an Argumenten sind die empirischen Befunde zum
Zusammenhang zwischen Reflexivität und Effizienz uneinheitlich. Die Untersuchung
von Hoegl und Parboteeah (2006) ermittelt einen positiven, jedoch nicht signifikanten
Effekt in Höhe von 0,11.
Im Hinblick auf Planung manifestiert sich Reflexivität dahingehend, dass Planungs-

aktivitäten nicht nur sporadisch durchgeführt werden. Vielmehr ist in diesem Fall
von einem kontinuierlichen Planungsprozess mit häufigen Besprechungen, ständi-
ger Kommunikation zwischen den an der Planung Beteiligten sowie regelmäßigen
Überprüfungen der strategischen Richtung auszugehen. Eine solche Planungsweise
wird notwendig, wenn häufige unerwartete Änderungen des internen oder externen
Unternehmensumfeld zu erwarten sind (Wysocki, 2003; Slevin und Covin, 1997; Dess,
Lumpkin und Covin, 1997; Dean und Sharfman, 1996; Eisenhardt, 1989; Prescott,
1986). Der Bereich der Neuproduktentwicklung ist aufgrund der mit der Entwicklung
neuer Produkte verbundenen hohen Unsicherheit ein Arbeitsumfeld, in welchem mit
derartigen Änderungen zu rechnen ist. Die theoretischen Ausführungen unterstreichen
dies. Trotz der mangelnden Signifikanz der empirischen Befunde, die jedoch alle
auf den theoretisch postulierten positiven Wirkungszusammenhang hindeuten, wird
daher die folgende Hypothese formuliert:
Hypothese 3: Je höher die Konsistenz der Planung eines Innovationsprojektes,

desto höher ist dessen Erfolg.
3.2.4 Partizipation
Participation captures the breadth of involvement“ (Segars et al., 1998, S. 309),
”
also den Umfang gemeinschaftlicher Entscheidungsfindung bzw. das Teilen von
Befugnissen (Wagner III und Gooding, 1987; Mitchell, 1973). Diese Beteiligung
bezieht sich auf die Anzahl der an der Planung beteiligten Personen, die Menge der
beteiligten Unternehmensbereiche sowie den Umfang lateraler Kommunikation im
Unternehmen (Sabherwal und King, 1995). Partizipation im Rahmen von Planungs-
und Entscheidungsprozessen wird eine erfolgsfördernde Wirkung unterstellt, da sie
zu einer höheren Qualität der Zielformulierung, zu einer höheren Verbindlichkeit

der Zielvorgaben und zu einer Reduktion der Konflikte im Projektteam beiträgt
(Gemünden, 1995). In der empirischen Wirtschaftsforschung ist Partizipation in
ihrer Wirkung auf eine Reihe von Erfolgsmaßen wie Produktivität, Motivation und
Zufriedenheit untersucht worden (Wagner III und Gooding, 1987). Hierbei lassen sich
drei verschiedene Erklärungsansätze unterscheiden (K. I. Miller und Monge, 1986):
Kognitive Untersuchungsansätze betonen die Verbesserung der Kommunikations-

flüsse und der Informationsnutzung durch partizipative Planung (Mitchell, 1973):
Partizipation und die damit verbundene Kommunikation ermöglichen es, die Fähig-
keiten und das Wissen der Mitarbeiter besser zu mobilisieren (Hage, 1999). Diese sind
häufig mit den technischen, funktionalen und marktbezogenen Herausforderungen,
mit denen sich ein Projekt konfrontiert sieht, vertraut, so dass die Beteiligung der
Teammitglieder zu realistischeren und erreichbaren Zielformulierungen führen kann
(Bonner et al., 2002). Auf diese Weise kann Partizipation dazu beitragen, die boun-
”
ded rationality“ einzelner Planer bzw. Entscheider zu reduzieren (Segars et al., 1998).
Dies ist insbesondere in Situationen von Bedeutung, die durch Komplexität und
Unsicherheit gekennzeichnet sind, so wie dies auch in der Neuproduktentwicklung
der Fall ist (Büschelberger, 2004). Duncan (1974, S. 708) fasst daher zusammen:
Finally, greater participation in decision making may increase the

”
information-processing potential of the decision unit when faced with
perceived uncertainty in its environment, by bringing new insights and
sources of information into the unit as well as providing more sources of
feedback and resulting checks on the unit’s behavior.“
Eine Beteiligung an Entscheidungsprozessen bereitet die betroffenen Mitarbeiter

zudem besser auf die spätere Umsetzung der Entscheidung vor (K. I. Miller und
Monge, 1986).
Affektive Untersuchungsansätze untersuchen die motivationale Wirkung von Par-
tizipation. Dabei werden folgende Wirkungen unterstellt: Beteiligung an Planungs-
und Entscheidungsprozessen trägt zur Befriedigung höherer Bedürfnisse wie Selbst-
verwirklichung und Anerkennung bei, wodurch die Mitarbeiter zufriedener und damit
motivierter und produktiver werden (Bonner et al., 2002; K. I. Miller und Monge,
1986). Darüber hinaus wird angenommen, dass Partizipation zu einem besseren
Verständnis von Anreizen durch die Mitarbeiter führt. Diese wären dadurch moti-
viert, sich anreizkonform zu verhalten, um entsprechend belohnt zu werden, wodurch
ihre Produktivität steigen würde (Mitchell, 1973).
Kontingenztheoretische Modelle hingegen unterstellen that it is not possible to
”
develop models of participative effects that will hold across a wide variety of individu-
als and situations. Rather, they suggest that participation will affect satisfaction and
productivity differently for different people and situations“ (K. I. Miller und Monge,
1986, S. 731). Eine positive Wirkung von Partizipation hängt damit von persönlichen
Merkmalen der betroffenen Mitarbeiter und der Entscheidungssituation ab. Wie in
den beiden vorangegangenen Ansätzen beschrieben, wird Partizipation jedoch auch in
diesem Erklärungsansatz besonders in komplexen Entscheidungssituationen und bei
Personen mit einem hohen Bedürfnis nach Unabhängigkeit und Selbstverwirklichung
zu positiven Effekten führen.
Studie Stichprobe Wirkung betrachtete Erfolgs-

maße
Lechler (1997) 448 Projekte 0 Gesamterfolg
de Brentani (1989) 276 Projekte + cost performance
Thamhain und 30 Projekte ++ team performance
Wilemon (1987)
Myers und Devey 55 Projekte ++ cost growth, slip in con-
(1984) struction schedule, start-
up time, and performance
Balachandra und 51 Projekte nicht quantifi- project success
Raelin (1984) ziert
Souder und Cha- 114 Projekte + degree of technical and
krabarti (1978) commercial success
Tabelle 3.3: Ausgewählte empirische Studien zur Erfolgswirksamkeit der Partizipation.

Quelle: In Anlehnung an Lechler (1997)
Die empirischen Befunde aus der Organisationsforschung und der Psychologie zur
Wirkung von Partizipation sind uneinheitlich, so dass die Frage, ob Partizipation
tatsächlich zu höherer Leistung führt, noch nicht abschließend beantwortet werden
kann (Gebert, 1995; Latham und Locke, 1995). So scheint dieser Wirkungszusam-
menhang von einer Reihe moderierender und mediierender Variablen beeinflusst zu
sein (vgl. z. B. Latham und Winters, 1994; Wagner III und Gooding, 1987), was
für die Validität kontingenztheoretischer Wirkungsmodelle spricht. K. I. Miller und
Monge (1986, S. 733) stellen jedoch fest, dass Employees who value participation
”
will be the most positively influenced by it, and these are likely to be higher-level
employees, or individuals working in research or service industries.“ Im Rahmen
dieser Untersuchung kann demnach von einer tendenziell positiven Wirkung der
Partizipation ausgegangen werden, da sowohl die situativen als auch personellen
Umstände günstig erscheinen. Zudem ergibt die Metaanalyse von K. I. Miller und
Monge (1986) über alle 47 untersuchten Studien hinweg einen insgesamt positiven
Einfluss der Partizipation sowohl auf die Zufriedenheit als auch die Produktivität.
Auch die Metaanalyse von Wagner III und Gooding (1987) bestätigt dieses Ergebnis,
zeigt jedoch, dass die Stärke des Zusammenhangs auch wesentlich davon abhängt,
ob die unabhängige und die abhängige Variable von einer oder von verschiedenen
Personen erhoben wurden. Die in Tabelle 3.3 dargestellten Befunde zur Partizipation
in Entwicklungsprojekten unterstützen diese Annahme. Auf Basis dieser Befunde
sowie der angestellten Überlegungen wird daher die folgende Hypothese formuliert:
Hypothese 4: Je höher die Partizipation bei der Planung eines Innovationspro-

jektes, desto höher ist dessen Erfolg.
3.2.5 Coalignment
Unternehmen sehen sich in der heutigen Zeit vielfach unterschiedlichsten und teilweise
konfliktären Bedürfnissen ausgesetzt, denen ihre Planungsprozesse gerecht werden
müssen. So verlangt das Wettbewerbsumfeld von Unternehmen heute nicht nur
Effizienz und hohe Qualität, sondern auch schnelle Entwicklungszeiten (Stalk und
Hout, 1990), Flexibilität (Womack, Jones und Roos, 1990) und die Berücksichtigung
sich ändernder Bedürfnisse und Meinungen (Schmidheiny, 1992). Vielen Planungspro-
zessmodellen gelingt es nicht, diese Komplexität zu erfassen, da sie Planung häufig
in einer entweder-oder-Entscheidung“ als rational oder inkrementell darstellen (vgl.
”
z. B. Fredrickson, 1984). Besonders in der Forschung zum strategischen Manage-
ment wird daher angenommen, dass sich die unterschiedlichen Dimensionen des
Planungsprozesses ergänzen sollten, so dass eine Struktur entsteht, die die unter-
schiedlichen Planungsbedürfnisse der Organisation widerspiegelt (B. S. Chakravarthy,
1987; Lorange und Vancil, 1976). In diesem Sinne definiert Venkatraman (1990, S.
20) Coalignment als the match between (or among) a set of theoretical dimensions.“
”
Dahinter steht der Gedanke, dass der ganze Planungsprozess größer als die Summe
seiner Teile ist: Ein Planungsprozess, der ein hohes Maß an Coalignment unter den
verschiedenen Dimensionen aufweist, soll effektiver sein als ein Planungsprozess, dem
diese Eigenschaft fehlt (Menon et al., 1999; Segars et al., 1998; Hart und Banbury,
1994).
Unternehmen, die Kompetenzen in unterschiedlichen Planungsverfahren aufweisen,

können daraus unter Umständen eine Ressource im Sinne des ressourcenbasierten
Ansatzes entwickeln, die von Mitbewerbern nur schwer zu imitieren ist (Verona,
1999; Grant, 1991; Wernerfelt, 1984). Der ressourcenbasierte Ansatz entstammt
der Literatur zum strategischen Management und wird dort als komplementäre
Sichtweise zur Industrieökonomik verstanden (Barney, 1991). Er stellt die unterneh-
mensinternen Ressourcen in den Focus der Analyse. Während die Bedeutung der
unternehmensinternen Ressourcenausstattung bereits bei Penrose (1959) diskutiert
wurde, konnte sich der ressourcenbasierte Ansatz erst mit der Arbeit von Wernerfelt
(1984) als eine Grundlage für die Forschung im strategischen Management etablieren.
Die Erweiterung des ressourcenbasierten Ansatzes um das Konzept der dynamischen
Fähigkeiten (dynamic capabilities) von Teece, Pisano und Shuen (1997) führte dazu,
dass nicht nur der aktuelle Ressourcenbestand eines Unternehmens, sondern auch
dessen Fähigkeit zur Ressourcenänderung, also konkrete organisatorische Prozesse,
ins Blickfeld der Forschung rückten. Bei diesen Prozessen handelt es sich insbesondere
auch um Produktentwicklungs- und Innovationsprozesse (Eisenhardt und Martin,
2000).
Daher sollten Unternehmen, die verschiedene Prozessfähigkeiten zu einer kom-
plexen Planungsfähigkeit vereint haben, erfolgreicher als weniger leistungsfähige
Unternehmen sein (Hart und Banbury, 1994; Barney, 1991). In der Literatur zur
Paradoxon-Perspektive auf organisationale Effizienz wird untersucht, in wie weit
Erfolge bzw. besondere Leistungen die gleichzeitige Beherrschung scheinbar wider-
sprüchlicher und paradoxer organisationaler Fähigkeiten erfordern (vgl. z. B. Lewis,
2000; Clegg, Cunha und Cunha, 2002). Planungsprozesse, die diskrepante oder pa-
radoxe Verfahrensweisen kombinieren, sollen demnach zu größerem Erfolg führen.
Folglich sollten Unternehmen, die ein breites Spektrum an Verfahrensweisen einsetzen,
erfolgreicher sein als solche, die ihre Planungsprozesse lediglich mit sehr ähnlichen
Verfahren durchführen (Hart und Banbury, 1994).
Auch inhaltlich lassen sich diese Überlegungen nachvollziehen. So ist die Ra-
tionalität eines Planungsprozesses wiederholt als wesentlicher Erfolgsfaktor von
Planungsaktivitäten identifiziert worden (Hough und White, 2003; Priem et al.,
1995; B. S. Chakravarthy, 1987). Diese kann durch ein hohes Planungsausmaß
(Eisenhardt, 1989; Fredrickson, 1984) oder eine entsprechende formale Ausgestaltung
des Planungsprozesses (Dutton und Duncan, 1987) erreicht werden. Eine gleichzeitige
Betonung dieser Gestaltungsdimensionen schafft eine Struktur für die Planung, die
die Bedeutung des Treffens richtiger Entscheidungen und der Koordination der Pla-
nungsaktivitäten widerspiegelt (Segars, 1994). Gleichzeitig muss ein Planungsprozess
jedoch anpassungsfähig bzw. lernfähig“ sein (Mintzberg, 1990). Hierunter wird die
”
Eigenschaft verstanden, während des Prozessablaufs das organisationale und externe
Umfeld zu beobachten, Veränderungen wahrzunehmen und den Prozess gegebenen-
falls entsprechend anzupassen (Segars, 1994). Dies kann sowohl über die Beteiligung
des Projektteams und/oder verschiedener betrieblicher Funktionen an der Planung
(Dyson und Foster, 1982) als auch über eine regelmäßige Überprüfung und Hinterfra-
gung der bestehenden Planung geschehen (Judge und Miller, 1991; Eisenhardt, 1989).
Diese Gestaltungsdimensionen spiegeln die Bedeutung der Informationssammlung aus
unterschiedlichsten Quellen sowie die permanente Überprüfung und Anpassung der
Planung an den jeweiligen Planungskontext wider (Segars, 1994). Ein Planungspro-
zess, der alle diese Gestaltungsdimensionen miteinander vereint, kann als gleichzeitig
rational im Sinne einer übergeordneten Struktur und anpassungsfähig durch eine
breite Beteiligung und regelmäßige Kontrolle beschrieben werden und wird daher
auch als rational adaptation“ bezeichnet (Segars et al., 1998).
”
Bereits in den 1970er Jahren wiesen Autoren darauf hin, dass es wünschenswert
sei, verschiedene Planungs- und Entscheidungsverhalten sequentiell (G. T. Allison
und Zelikow, 1999) oder gleichzeitig (Mintzberg, 1973) miteinander zu kombinieren
und auch Sullivan (1985) spricht sich für eine Planung aus, die Rationalität und
Anpassungsfähigkeit auf vielschichtige Weise miteinander verbindet. In der Forschung
zum strategischen Management findet sich zudem eine Reihe von Studien, die die
Effektivität von Planungsprozessen dokumentieren, die formal gestaltet sind, jedoch
adaptive Elemente enthalten, die es den Planern gestatten, die Planungsvorgaben
stets an sich ändernde Umfeldbedingungen anzupassen (vgl. z. B. Kukalis, 1991;

Mintzberg, 1990; Eisenhardt, 1989; Quinn, 1978). In ähnlicher Weise zeigt Naveh
(2007) in einer aktuellen Untersuchung, dass Formalität sich insbesondere in Ver-
bindung mit einem großen Ermessensspielraum des Projektteams, also einem hohen
Grad an Autonomie, in der Neuproduktentwicklung positiv auf eine Reihe von Er-
folgsmaßen auswirkt. Neben dieser direkten Erfolgswirkung legen die Überlegungen
zudem nahe, dass ein hohes Planungsausmaß in Verbindung mit schriftlich fixierten
Verantwortlichkeiten, Prioritäten und Prozessen sowie regelmäßiger Überprüfung
der Planung und breiter Beteiligung der involvierten Personen und betrieblichen
Funktionen zu einer Verbreiterung und Verbesserung der Informationsbasis für die im
Rahmen der Planung zu treffenden Entscheidungen beiträgt. Diese ermöglicht es nicht
nur, realistischere Projektziele und -prozesse zu formulieren, sondern auch besonders
schnell auf neue Informationen reagieren zu können und so größere nachträgliche
Änderungen der Ziele und Prozesse zu vermeiden.
Aufgrund dieser theoretischen Überlegungen sowie der vorhandenen empirischen

Befunde kann insgesamt von einer Erfolgswirksamkeit komplexer Planungsprozesse,
die sowohl rationale als auch adaptive Elemente miteinander verknüpfen, ausgegan-
gen werden. Basierend auf diesem Ergebnis werden daher die folgenden Hypothesen
formuliert:
Hypothese 5: Die Bildung eines den einzelnen Planungsdimensionen überge-

ordneten Faktors zweiter Ordnung, des Coalignments, ist zulässig.
Hypothese 6: Je stärker ein Planungsprozess im Sinne einer rational adap-

”
tation“ sowohl rationale als auch adaptive Elemente miteinander verbindet und
damit ein hohes Maß an Coalignment aufweist, desto höher ist dessen Wirkung
auf den Projekterfolg. Die einzelnen Gestaltungsdimensionen Planungsausmaß,
Formalisierung, Planungskonsistenz und Partizipation sind dabei alle hoch ausge-
prägt.

”
damit ein hohes Maß an Coalignment aufweist, desto stabiler bleiben die Projekt-
ziele während der Umsetzung. Die einzelnen Gestaltungsdimensionen Planungs-

ausmaß, Formalisierung, Planungskonsistenz und Partizipation sind dabei alle
hoch ausgeprägt.

”
damit ein hohes Maß an Coalignment aufweist, desto stabiler verläuft der Pro-
jektprozess während der Umsetzung. Die einzelnen Gestaltungsdimensionen Pla-
nungsausmaß, Formalisierung, Planungskonsistenz und Partizipation sind dabei
alle hoch ausgeprägt.
3.3 Umsetzung
Vor Beginn der Umsetzung sollten die Projektziele und die Strategien zu deren
Erreichung definiert werden, da diese die Basis für die anschließende Umsetzung
bilden (Dvir, Raz und Shenhar, 2003). Dieser Vorgang wird auch als stage setting“
”
(McDonough, 2000) bezeichnet. Da Entwicklungsaktivitäten jedoch mit Unsicherheit
behaftet sind und nicht vollständig im voraus geplant werden können (Keplinger,
1991; McDonough und Leifer, 1986), kann es im Laufe der Projektdurchführung zu
wiederholten Veränderungen der Ziele und Prozesse kommen, so dass ein gewisses
Maß an Flexibilität erforderlich ist, wie das folgende Zitat von K. G. Cooper und
Sklar Reichelt (2004, S.745) veranschaulicht:
Change is a necessary fact of project life. Projects are not just about
”
meeting contractual requirements; they are about achieving the outcomes
the end users need. In a world in which markets shift, technology advances,
and requirements evolve, projects must be able to accommodate all of
these types of changes. The result can be a more capable product that
better meets the users’ needs.“
Hieraus ergeben sich große Herausforderungen (vgl. z. B. McDonough und Leifer,

1986), auf die für gewöhnlich damit reagiert wird, dass das Projektteam in die
Lage versetzt wird, den Projektverlauf kritisch zu überprüfen und ggf. die Ziele
und Prozesse an geänderte Umfeldbedingungen anzupassen (Marks und Mathieu,
Umsetzung 95
2001). In diesem Zusammenhang kann zwischen zwei verschiedenen Arten von Ver-
änderungen unterschieden werden (Dvir und Lechler, 2004): Veränderungen, die
sich auf den Projektplan, aber nicht auf das Projektziel oder die Befriedigung der
Kundenbedürfnisse auswirken und Veränderungen, die eine Änderung der Projektziele
nach sich ziehen.
Planänderungen ergeben sich typischerweise aus dem Projektumfeld und ver-
hindern, dass die ursprüngliche Planung umgesetzt werden kann. Auslöser können
Ressourcenengpässe, Verzögerungen etc. sein. Planänderungen können sich auch aus
einer schlechten Eingangsplanung ergeben, die später korrigiert werden muss, ohne
jedoch notwendigerweise auch die Projektziele zu ändern.
Projektzieländerungen sind für gewöhnlich das Ergebnis einer bewussten Ent-
scheidung der Projektstakeholder. Sie können sich aus veränderten Anforderungen,
der Erkenntnis, dass die bisherigen Projektziele nicht in dem gesteckten Zeit- und
Budgetrahmen zu erreichen sind, oder Veränderungen im Umfeld, die Einfluss auf
das Projektziel haben, ergeben. Wenn einer Projektzieländerung zugestimmt wird,
muss in aller Regel auch die Projektplanung verändert werden.
Die Auswirkungen solcher Änderungen werden in der Forschung konträr diskutiert:

Während van Genuchten (1991) einen negativen Zusammenhang von Zieländerun-
gen auf den Projekterfolg empirisch nachweist, zeigen Hauschildt und Pulczynski
(1992) anhand von Fallstudien, dass das strikte Festhalten an Projektzielen ohne die
Berücksichtigung sich ändernder Umfeldbedingungen zum Scheitern von Projekten
führen kann.
Starke Veränderungen der Projektziele im Laufe der Umsetzung können nega-
tive Auswirkungen auf den Projekterfolg haben. Dies gilt insbesondere, wenn die
Ziele so stark verändert werden, dass sie nichts mehr oder nur noch wenig mit der
ursprünglichen Zielsetzung gemein haben (Van de Ven, Polley, Garud und Venkatara-
man, 1999): Veränderungen der Projektziele, insbesondere der Produkteigenschaften,
können dazu führen, dass bereits getätigte Investitionen verloren sind (engl. sunk
costs) oder dass die Entwicklungskosten aufgrund notwendiger Prozessänderungen
und einer dadurch verlängerten Entwicklungszeit steigen (Thomke und Fujimoto,
2000; Wheelwright und Clark, 1992b). Indirekt können sich regelmäßige Änderungen
effizienzmindernd auswirken, da sie zu Frustration und Enttäuschung auf Seiten des
Projektteams führen können (Barczak und Wilemon, 2003; Billing, 2003). Regel-
mäßige Änderungen der Projektziele und -prozesse können auch als Indikator für ein
Prozessmanagement gewertet werden, das primär auf ad hoc Entscheidungen basiert,
bzw. bei dem wiederholt und unkontrolliert versucht wird, das Produkt weiterzu-
entwickeln oder es anzupassen (Gerwin und Moffat, 1997). So berichten G. Bacon,
Beckman, Mowery und Wilson (1994) von voreiligen und schlecht durchgeführten
Anpassungen, die den Entwicklungsprozess verzögerten, die Kosten erhöhten und
schließlich Projekte scheitern ließen und stellen fest, dass teams must also know when
”
not to make changes“ (G. Bacon et al., 1994, S. 34). Eine großzahlige Untersuchung
von Bullinger (1990) ergab, dass sich hinter einem Drittel des Gesamtentwicklungsauf-
wandes der Unternehmen vermeidbare Änderungen verbargen. Wenn beispielsweise
während der Entwicklung neue Technologien verfügbar werden, werden diese oft in
das Produkt integriert, ohne dass wirklich die Notwendigkeit hierfür bestanden hätte
(Gupta und Wilemon, 1990). Um diese ungerechtfertigte, permanente Weiterent-
wicklung zu unterbinden, sollten Unternehmen lediglich notwendige Anpassungen
durchführen und diese vorab entsprechend kritisch überprüfen (R. Cooper et al., 2004;
Bonner et al., 2002; Keplinger, 1991). Die Ergebnisse von Wiskow (1999) legen zudem
nahe, dass ein Großteil der Störungen vermeidbar wäre. Entwickler schätzten lediglich
38% der Störgrößen auf Entwicklungszeiten als nicht oder nur schwer beeinflussbar
ein. Als Konsequenz hieraus ergibt sich eine Verlängerung der Entwicklungsdauer und
die Akzeptanz von großen Abweichungen von dem ursprünglich geplanten Produkt,
ohne dass diese in ähnlich intensiver Weise geprüft werden, wie es zu Projektanfang
wahrscheinlich gewesen ist. So ist schließlich zu befürchten, dass bei einer Vielzahl an
Veränderungen im Ergebnis eine Lösung entwickelt wird, die weniger wirtschaftliche
Vorteile bietet als die ursprünglich geplante.
Andererseits kann die völlige Abwesenheit von Projektzieländerungen ein Anzei-
chen für zu starres Prozessmanagement sein (Verganti, 1999; Thomke und Reinertsen,
1998). Die vollkommene Einhaltung ursprünglich geplanter Ziele und Prozesse kann
ein Signal dafür sein, dass die Organisation nicht ausreichen auf externe und interne
Veränderungen reagiert (Covin und Slevin, 1998; Thomke und Reinertsen, 1998). Da
jedoch die Neuproduktentwicklung, wie eingangs erwähnt, mit erheblicher Unsicher-
heit behaftet ist, erscheint es recht unwahrscheinlich, dass die ursprünglich geplanten
Ziele ohne jegliche Veränderungen erreicht werden können (Thomke, 1997; Keplinger,
1991; McDonough und Leifer, 1986).
Umsetzung 97
Wie die Ausführungen verdeutlichen, können Ziel- und Prozessstabilität damit

als Indikator für die Umsetzung und die Planungsqualität aufgefasst werden. Im
Rahmen dieser Arbeit wird zudem unterstellt, dass sich hieraus ein eigener Effekt
auf den Projekterfolg ergibt (vgl. Salomo et al., 2007; Weise, 2005; Dvir und Lechler,
2004). Die empirischen Befunde, die in Tabelle 3.4 auf Seite 98 zusammengefasst
sind bestätigen dies. Sie zeigen, dass die negativen Effekte von Projektziel- und
Planänderungen überwiegen und sich nachteilig auf den Projekterfolg auswirken. Auf
Basis dieser Befunde werden daher die folgenden Hypothesen formuliert:
Hypothese 9: Je größer die Stabilität der Projektziele, desto größer ist die
Stabilität des Projektprozesses während dessen Umsetzung.
Hypothese 10: Je größer die Stabilität der Projektziele, desto größer ist der
Projekterfolg.
Hypothese 11: Je größer die Stabilität des Projektprozesses, desto größer ist
der Projekterfolg.
98
Tabelle 3.4: Ausgewählte empirische Studien zum Zusammenhang zwischen Plan- bzw. Zieländerungen und Projekterfolg. Quelle:
In Anlehnung an Verworn (2005)
Salomo et al. (2007) 132 Projekte ++ goal stability innovation success

Verworn (2005) 144 Projekte - Abweichung von Vorgaben Gesamterfolg
Weise (2005) 134 Projekte ++ Prozessstabilität Gesamterfolg
Dvir und Lechler (2004) 448 Projekte -/- und -/0 goal changes, plan changes Projekterfolg (Effizienz und
Kundenzufriedenheit)
Lechler (1997) 448 Projekte – Zieländerungen Gesamterfolg
G. Bacon et al. (1994) 12 Projekte nicht quantifiziert change in project definition cost performance
Balachandra (1984) 51 Projekte nicht quantifiziert number of end uses of pro- project success
duct
Planung, Umsetzung und Erfolg von Innovationsprojekten
Einflussfaktoren 99
3.4 Einflussfaktoren
Planung wird erheblich von einer Reihe von Umwelt- und Kontextfaktoren beeinflusst
(Tidd und Bodley, 2002; Shenhar, 2001; Nutt, 1982) und die Eigenschaften eines
effektiven Planungssystems variieren mit der Unternehmensgröße und Branchen-
zugehörigkeit (Bryson und Bromiley, 1993; Zwikael und Globerson, 2004). Daher
werden in den folgenden Abschnitten ausgewählte Einflussfaktoren diskutiert, die
in der Literatur als relevant für die Planung von Innovationsprojekten identifiziert
wurden.
3.4.1 Innovationsgrad
Neuproduktentwicklungsprojekte lassen sich für gewöhnlich nicht in eine Reihe vor-
hersehbarer Schritte, die im vorhinein identifiziert und geplant werden könnten,
zerlegen (Schilling und Hill, 1998; Bailetti et al., 1994), da es zu Beginn der Projekt-
durchführung häufig an einem genauen Verständnis der spezifischen Projektaufgaben,
der Aufgabenabfolge, der Interdependenzen zwischen den Aufgaben sowie ihrer zeit-
lichen Befristung mangelt (Tatikonda und Rosenthal, 2000a). Dies gilt insbesondere
für radikale Innovationen, die nicht nur als unsicherer, risikobehafteter und teurer,
sondern auch als schwieriger präzise vorauszuplanen und auszuführen gelten (Ettlie
und Subramaniam, 2004; A. Drejer, 2002). So beeinflusst der Innovationsgrad die rela-
tiven Effekte verschiedener Neuproduktentwicklungsaktivitäten auf den Projekterfolg
(Song und Montoya-Weiss, 1998). Beispielsweise wird das Management besonders
unsicherer und innovativer Projekte als flexibler und weniger formal (Shenhar, 2001)
beschrieben: Projekte, insbesondere im Bereich der Hochtechnologie, gelten als deci-
”
sion intense environments“ (Shenhar, 2001). Projektmanager müssen gerade dort
eine Balance zwischen Planung und Umsetzung (Iansiti, 1998) und formalem und
informellem Verhalten (Brown und Eisenhardt, 1997) finden. Im Extremfall können
somit die für inkrementelle Innovationen als geeignet angesehenen Managementprak-
tiken den Fortschritt radikaler Innovationsprojekte erheblich behindern (Rice et al.,
1998). So vermuten Tidd und Bodley (2002, S. 128) there is unlikely to be ’one
”
best way’ to manage and organize product development“ und de Brentani (2001,
S. 181) kommt zu dem Ergebnis, that radically different types of new product
”
ventures require a different approach to achieving NPD success.“ Somit erscheint
eine kontingenztheoretische Betrachtung angebracht (Tidd, 2001). Jin (2000) zeigt,

dass der Entwicklungsprozess bei hoher Marktneuheit weniger linear abläuft und mit
regelmäßigeren Designiterationen, Feedback und Veränderungen verbunden ist.
Auf den Innovationsgrad wurde bereits detailliert in Abschnitt 2.2 eingegangen.

Hierbei wurde deutlich, dass ein zunehmender Innovationsgrad insbesondere auch
mit einem steigenden Grad an Unsicherheit verbunden ist. Diese wirkt sich auf
Entscheidungs- und Planungsprozesse aus, wie in Abschnitt 2.4.3.2 dargelegt wurde.
In Hinblick auf die betrachteten Planungsprozessdimensionen ergeben verschiedene
Implikationen:
Hinsichtlich des Planungsausmaßes muss festgestellt werden, dass bei erheblicher

Unsicherheit entsprechend wenige belastbare Informationen verfügbar sind oder diese
gegebenenfalls nur unter Aufwendung erheblicher Kosten gesammelt und verifiziert
werden können. Während die Definition klarer Verantwortlichkeiten, Prioritäten,
Projektziele und Aufgabenpakete zur Strukturierung und Koordination der Projekt-
aktivitäten und zu einer gezielten Reduzierung der Unsicherheit beitragen kann, wird
dieser positive Effekt durch die unsichere Informationsbasis jedoch abgeschwächt oder
sogar negativ. Im Extremfall kann es dazu kommen, dass unerwartete Entwicklungen
zu permanenten Neuplanung und Plananpassungen führen, die so viele Ressourcen
binden, dass eine gezielte und effiziente Projektumsetzung nicht mehr gewährleistet
ist. Ein hohes Maß an Planungskonsistenz hingegen hilft dabei, kurzfristig auf neu
verfügbare Informationen zu reagieren. Auf diese Weise kann besser auf unerwartete
Chancen und Risiken reagiert werden. Eine breite Beteiligung der betroffenen Perso-
nen und Unternehmensbereiche kann sich positiv auf die Informationsbasis auswirken,
da mehr Informationen gesammelt und bewertet werden können. Insofern kann die
Auswirkung des Innovationsgrades auf die Wirkung der Planungsprozessdimensionen
nicht eindeutig beantwortet werden. Da sich sowohl negative als auch positive Effekte
ergeben ist es durchaus wahrscheinlich, dass diese sich gegenseitig aufheben. Vor
diesem Hintergrund wird die folgende Hypothese formuliert:
Hypothese 12: Die positive Wirkung des Coalignments der Planungsprozessdi-

mensionen auf den Projekterfolg wird nicht vom Innovationsgrad beeinflusst.
3.4.2 Branchenumfeld
Manche Branchen werden durch ihre Instabilität versinnbildlicht: So werden beispiels-
weise die Computer-, Medien- und Telekommunikationsindustrien häufig als sehr
turbulent und schnelllebig beschrieben und typischerweise wird davon ausgegangen,
dass dies in diesen Brachen auch zukünftig der Fall sein wird (vgl. z. B. Henard und
Szymanski, 2001; Eisenhardt und Tabrizi, 1995; Eisenhardt, 1989). Jedoch wird sich
jede Branche irgendwann zumindest vorübergehend mit einem mehr oder minder
turbulenten Umfeld auseinandersetzen müssen (Calantone, Garcia und Dröge, 2003).
Ein turbulentes Branchenumfeld ist dadurch charakterisiert, dass sich in kurzer Zeit
massive Veränderungen ergeben können, die ein hohes Maß an Unsicherheit und
Unvorhersagbarkeit schaffen (Bourgeois und Eisenhardt, 1988; Dess und Beard, 1984).
Hierzu zählen beispielsweise dynamische und volatile Nachfrage- und Wachstumsraten
mit abrupten Trendbrüchen (Glazer und Weiss, 1993), kurzfristige Wettbewerbs-
vorteile, die kontinuierlich geschaffen und wieder verloren werden und niedrige Ein-
und Austrittsbarrieren der Branche, durch die sich die Wettbewerbsstruktur in der
Branche permanent wandelt (B. Chakravarthy, 1997). Solche Umfelder sind mit
Attributen wie unbekannt (Souder und Song, 1998), feindlich (Covin und Slevin,
1989; D. Miller, 1987b), heterogen (D. Miller, 1987b), unsicher (Thompson, 1967),
komplex (Duncan, 1972; Emery und Trist, 1965), dynamisch (D. Miller, 1987b; Dess
und Beard, 1984; Duncan, 1972; Emery und Trist, 1965) und volatil (Bourgeois,
1985) beschrieben worden. So definieren Calantone et al. (2003, S. 91):
[W]e define a turbulent environment as one in which frequent and
”
unpredictable market and/or technological changes within an industry
accentuate risk and uncertainty in the NPD strategic planning process.“
Vor allem Hochtechnologiebranchen werden in der Literatur im Vergleich zu low
”
tech Märkten“ als komplexer, informationsintensiver, turbulenter und aufgrund sich
schnell ändernder und heterogener Technologien auch als unsicherer eingestuft (vgl.
z. B. Henard und Szymanski, 2001). Diese Charakteristika von Hochtechnologiemärk-
ten, wie z. B. der Elektronikindustrie oder den eingangs genannten Industriezweigen,
wirken sich möglicherweise auf die Effektivität eines strukturierten Ansatzes zur
Neuproduktentwicklung aus, so dass eine stärkere Strukturierung des Innovationspro-
zesses in diesen Märkten einen negativen Einfluss auf den Innovationserfolg haben
könnte (Henard und Szymanski, 2001).
Trotz einiger empirischer Untersuchungen, die sich mit technologischen oder Markt-
veränderungen und deren Auswirkungen auf Neuproduktentwicklungsprojekte befasst
haben (vgl. z. B. Tatikonda und Montoya-Weiss, 2001; Song und Montoya-Weiss,
2001; Eisenhardt und Tabrizi, 1995) erhielten diese Variablen in der Forschung zur
Neuproduktentwicklung als moderierende Faktoren des Projekterfolgs nur begrenzte
Aufmerksamkeit (Bstieler, 2005). So argumentieren einige Forscher, dass Faktoren
wie das marktliche Wettbewerbsumfeld im Vergleich zu anderen Determinanten nur
einen untergeordneten Einfluss auf den Projekterfolg haben (vgl. z. B. Montoya-Weiss
und Calantone, 1994). Über diesen und andere Umwelteinflüsse wird behauptet, dass
sie keinen starken Einfluss auf den Projekterfolg hätten, so dass sie als unbedeutend
angesehen werden und Ergebnisse nicht berichtet werden (Bstieler, 2005). Griffin
(2002) unterstreicht dies, indem sie ausführt, dass viele Forschungsbemühungen, die
sich dem Einfluss des Branchenumfelds auf die Neuproduktentwicklung gewidmet
haben, kaum signifikante empirische Befunde liefern konnten.
Im Gegensatz hierzu weisen andere Forscher darauf hin, dass zukünftige Untersu-
chungen sich expliziter dem Einfluss der Unternehmensumwelt widmen sollten und
merken an,
• dass der Einfluss des Marktumfeld auf die Unternehmenserfolg generell ver-
nachlässigt wurde (Brown und Eisenhardt, 1995),
• dass sich die meisten bestehenden Studien nur auf die Hauptbeziehungen (main
effects) unter den Variablen konzentrieren und das Projektumfeld, insbesondere
das unternehmensexterne, kaum beachtet haben (MacCormack und Verganti,
2003),
• dass weiterer Forschungsbedarf hinsichtlich der Interaktion zwischen Produkt-

entwicklung und Marktunsicherheit besteht (Souder und Song, 1997),
• dass es noch immer viele unbeantwortete Fragen hinsichtlich der Auswirkung

einer unsicheren Umwelt auf die Neuproduktentwicklung auf Projektebene gibt
(Song und Montoya-Weiss, 2001).
Eine von Bstieler (2005) durchgeführte Analyse kommt zu dem Ergebnis, dass in
bestehenden Studien ein Konsens besteht, dass umweltbezogene Unsicherheit sich
im Wesentlichen in der Unvorhersehbarkeit von, der Unvertrautheit mit und dem
mangelnden Verständnis von technologischen und marktbezogenen Entwicklungen

oder Veränderungen im externen Umfeld manifestiert. Die dabei gewonnenen em-
pirischen Befunde zum moderierenden Einfluss der umweltbezogenen Unsicherheit
auf die Erfolgswirksamkeit verschiedener Projektaktivitäten hingegen sind uneinheit-
lich. Folglich besteht weiterer Forschungsbedarf bezüglich der Auswirkungen von
technischer und marktbezogener Unsicherheit als externe Projekteinflüsse (Shenhar,
2001). Eine Reihe von Untersuchungen hat gezeigt, dass das Branchenumfeld bzw. die
Unternehmensumwelt sowohl die Menge an hervorgebrachten Innovationen als auch
deren Innovationsgrade beeinflussen (Tidd und Bodley, 2002). So stellt Damanpour
(1996) fest:
[...] environmental uncertainty influences both the magnitude and the

”
nature of innovation [...] [which] suggests that future research should
adopt environmentally sensitive theories of organizational innovation by
explicitly controlling for the degree and the nature of environmental
uncertainty.“
Einige Studien weisen inzwischen einen Zusammenhang zwischen der wahrgenom-

menen Unsicherheit und der Organisation und dem Management von Neuprodukt-
entwicklungsprojekten nach (vgl. z. B. Story, Smith und Saker, 2001; Hauptman
und Hirji, 1999; Souder et al., 1998). Bstieler (2005) kommt zu dem Ergebnis, dass
eine Kompressionsstrategie“ (Eisenhardt und Tabrizi, 1995) bei geringer technischer
”
Unsicherheit zu einer Verkürzung der Projektdauer beiträgt, während sie bei hoher
technischer Unsicherheit die Projektdauer verlängert.
Im Hinblick auf die hier betrachteten Planungsprozessdimensionen kann ein be-

sonders dynamisches und unsicheres Branchenumfeld zu Problemen führen, wenn
die für Entscheidungen relevanten Variablen nicht identifiziert oder Wirkungszu-
sammenhänge nicht erschlossen werden können (Fredrickson und Mitchell, 1984).
Hierdurch können rationale Entscheidungsprozesse im Vergleich zu einem stabilen
Umfeld erheblich beeinträchtigt werden. Ein wesentliches Merkmal derart gestal-
teter Entscheidungsprozesse ist das Planungsausmaß, dessen Nützlichkeit hiervon
betroffen sein könnte. So argumentiert Fredrickson (1984), dass ein entsprechender
Planungsansatz nur in einem stabilen Unternehmensumfeld praktikabel sei. Aktuelle
Studien belegen jedoch, dass sich Entscheider gerade in turbulenten und unsicheren
Umfeldern um ein hohes Planungsausmaß bemühen und dass die Planungs- und
Entscheidungsprozesse hierdurch nicht signifikant verlängert werden (Eisenhardt,
1989). Auch die Untersuchungen von Judge und Miller (1991) sowie von Kukalis
(1991) bestätigen einen positiven Einfluss des Planungsausmaßes bei umweltbedingter
Unsicherheit.
In einem solchen Umfeld sollten Planungsprozesse zudem ein höheres Maß an
Formalität und Planungskonsistenz aufweisen (Judge und Miller, 1991; Kukalis, 1991;
B. S. Chakravarthy, 1987; Fredrickson, 1984). Hierdurch werden die Bedürfnisse
nach einer grundlegenden Struktur sowie einer regelmäßigen Überprüfung und ggf.
Modifikation der Planung befriedigt. Zudem hat sich in einem solchen Umfeld ei-
ne breite Partizipation an der Planung als positiv herausgestellt (Kukalis, 1991;
B. S. Chakravarthy, 1987). Auf Basis dieser Befunde ist anzunehmen, dass ein Pla-
nungsprozess im Sinne einer rational adaptation“ unter diesen Umständen besonders
”
erfolgversprechend sein sollte. Daher wird die folgende Hypothese formuliert:
Hypothese 13: Die positive Wirkung des Coalignments der Planungsprozess-

dimensionen auf den Projekterfolg fällt in einem dynamischen Branchenumfeld
höher aus als in einem stabilen.
3.4.3 Projektkomplexität
Ausgehend von einer Analyse der Projektmanagementliteratur definiert Baccarini

(1996) Projektkomplexität über die Anzahl der verschiedenen Elemente eines Projekts
und den Interdependenzen zwischen diesen. Auf Basis dieser Definition unterscheidet
er zwei Formen von Projektkomplexität: organisatorische Komplexität und technologi-
sche Komplexität. Die erstgenannte bezieht sich auf die Anzahl und die Beziehungen
zwischen Hierarchieebenen, formalen organisatorischen Einheiten und Spezialisierun-
gen. Technologische Komplexität bezieht sich auf die Anzahl und die Beziehungen
zwischen Inputs, Outputs, Aufgaben und Technologien. Turner und Cochrane (1993)
schlagen zudem Unsicherheit als eine weitere Dimension der Projektkomplexität vor.
Sie beschreiben sie als das Ausmaß, in dem die Projektziele und Maßnahmen nur
unzureichend definiert sind, und wahrscheinlich zukünftigen Änderungen unterliegen.
Indem Williams (1999) die Dimensionen von Baccarini (1996) und Turner und
Cochrane (1993) integriert, schlägt er zwei voneinander verschiedene Aspekte der Pro-
jektkomplexität vor: strukturelle Komplexität und unsicherheitsbasierte Komplexität.
Er argumentiert, dass zur vollständigen Erfassung von Projektkomplexität nicht nur
die strukturelle Komplexität, die der dem Projekt zugrunde liegenden Struktur ent-
stammt, sondern auch unsicherheitsbasierte Komplexität, die aus Veränderungen im
Projektumfeld herrührt, berücksichtigt werden müssen. Die Unterscheidung zwischen
struktureller und unsicherheitsbasierter Komplexität ist insofern von Bedeutung, als
dass diese beiden Facetten unterschiedliche Anforderungen an die Fähigkeiten der Or-
ganisation stellen. Für gewöhnlich können Organisationen recht gut mit struktureller
Komplexität umgehen, während sie häufig nicht entsprechend für unsicherheitsbasier-
te Komplexität gerüstet sind, die sich konventionellen Managementmethoden entzieht
(Senge, 1997). Shenhar und Dvir (1996) argumentieren, dass die strukturelle Kom-
plexitätsdimension auf dem Umfang oder dem hierarchischen Rahmen eines Systems
und seiner Subsysteme basiert, während unsicherheitsbasierte Komplexität auf dem
Grad an technologischer Unsicherheit während der Initiierungsphase des Projekts
beruht. Aufgrund dieser Merkmale kann insbesondere die Neuproduktentwicklung
als eine komplexe Aufgabe aufgefasst werden (D. J. Campbell, 1988).
In der allgemeinen Projektmanagementliteratur sind eine Reihe von komplexitäts-
erhöhenden Faktoren und entsprechende Maße vorgeschlagen worden, wie etwa die
Bedeutung des Projekts, der Umfang und Neuheitsgrad der benötigten Technologie,
der Projektumfang, das Projektteam, Beziehungen zu externen Parteien und der
monetäre Projektwert (Wozniak, 1993).
Im Rahmen der Forschung zur Neuproduktentwicklung wurde die Projektkomple-
xität in verschiedenen Forschungsvorhaben untersucht (vgl. z. B. Novak und Eppinger,
2001; Tatikonda und Rosenthal, 2000b; Griffin, 1997a) und als wichtiger Einflussfak-
tor in Neuproduktentwicklungsprojekten identifiziert (Kim und Wilemon, 2003). In
der Forschung zum Projektmanagement hingegen, hat Projektkomplexität abgesehen
von den obigen Ausführungen wenig detaillierte Aufmerksamkeit erfahren (Baccarini,
1996). Wie bereits deutlich geworden ist, lässt sich Projektkomplexität nicht allein
mit der Größe eines Projekts gleichsetzen (Tatikonda und Rosenthal, 2000b), sondern
bezieht sich auch auf die Vielzahl an Verbindungen, die sich zwischen den an einem
Projekt beteiligten Personen, Aufgaben und Technologien ergeben (Baccarini, 1996).
So definieren Tatikonda und Rosenthal (2000b, S. 78):
We define project complexity as the nature, quantity, and magnitude

”
of organizational subtasks and subtask interactions posed by the project.
The operationalization of this definition extends existing measures of
complexity by considering multiple project elements other than size to
address the nature of the work effort.“
Kim und Wilemon (2003) betonen in Anlehnung an Downs und Mohr (1976),
dass es sich bei Komplexität um ein subjektiv wahrgenommenes Konstrukt handelt,
das von der betroffenen Person in Abhängigkeit von den jeweiligen Umständen und
anderen beteiligten Personen empfunden wird. In ihrer Definition stellen sie zudem
die Bedeutung von Unsicherheit für die wahrgenommene Komplexität heraus (Kim
und Wilemon, 2003, S. 16):
[C]omplexity consists of the difficulties and uncertainties, posed by the

”
number of technologies/components/functions in development efforts and
the nature of the organizational tasks that individuals and organizations
face in carrying out NPD programs.“
Tatikonda und Rosenthal (2000b) unterscheiden in ihrer Untersuchung drei wesent-

liche Merkmale von Projektkomplexität: den Grad der Interdependenz zwischen und
unter den zu entwickelnden Prozess- und Produkttechnologien, den Neuheitsgrad der
Projektziele für das entwickelnde Unternehmen und den Schwierigkeitsgrad der Pro-
jektziele. Diese Merkmale stimmen mit komplexitätsverwandten Konstrukten überein,
die als Einflussfaktoren auf die aufgabenbezogene Unsicherheit im Rahmen des situa-
tiven Ansatzes der Informationsverarbeitung identifiziert wurden (vgl. z. B. Tushman
und Nadler, 1978; Galbraith, 1977; Perrow, 1967): die gegenseitige Abhängigkeit
verschiedener Teilaufgaben (d. h. die Interdependenzen zwischen den verschiedenen
Technologien)10 , den Neuheitsgrad der Aufgabenziele (d. h. den Neuheitsgrad der
Ziele)11 und den erforderlichen Grad an Leistung (d. h. die Projektschwierigkeit)12 .
10
task interdependence is [...] [an] important source of work-related uncertainty.“ (Tushman und
”
Nadler, 1978, S. 616)
11
Perrow (1967) erläutert, dass organisatorische Aufgaben sich darin unterscheiden, wie viel
Erfahrung die Organisation mit den dabei zu erreichenden Zielen hat und ob sie weiß, wie diese
erreicht werden können. Hierdurch reduziert sich die aufgabenbezogene Unsicherheit.
12
Der level of goal performance needed“ (Galbraith, 1977) ist eine Determinante für die zur
”
Lösung einer Aufgabe zu beschaffenden Informationen und beeinflusst damit auch den Grad an
aufgabenbezogener Unsicherheit.
Autor Verständnis
Jaafari (2004, S. 289) Project complexity can be understood in terms of relevant interlocking
”
subsystems of hardware, software, of project-specific and temporary hu-
man and social systems, of related technical and technological systems, of
financial and managerial systems, of specialized expertise and information
sets, and so on that are typically created and managed to realize the
project objectives.“
Shenhar und Dvir Project complexity depends on product scope, number and variety of
”
(2004, S. 1268) elements, and the interconnection among them. But it also depends on the
complexity of the organization and the connections among its parties.“
Kim und Wilemon [C]omplexity consists of the difficulties and uncertainties, posed by the
”
(2003, S. 16) number of technologies/components/functions in development efforts and
the nature of the organizational tasks that individuals and organizations
face in carrying out NPD programs.“
Tatikonda und Rosen- We define project complexity as the nature, quantity, and magnitude of
”
thal (2000b, S. 78) organizational subtasks and subtask interactions posed by the project.“
Clift und Vanden- [...] reengineering projects or projects that make only minor modification
”
bosch (1999, S. 188) to existing products are far less complex than projects that call for major
modifications to existing products or projects that lead to new-to-the-
world products. Reengineering projects and minor modifications (what we
term as simple development projects) face fewer design challenges, fewer
difficulties in production of the final design, and less market uncertainty
than do major modifications and new-to-the-world projects (complex
development projects).“
Williams (1999, S. [...] the overall difficultness and messiness of the overall project [...] has
”
271) been called overall project ‘complexity’ as a shorthand in this paper.“
Baccarini (1996, S. It is proposed that project complexity be defined as ’consisting of many
”
202) varied interrelated parts’ and can be operationalized in terms of differen-
tiation and interdependency.
This definition can be applied to any project dimension relevant to the
project management process, such as organization, technology, environ-
ment, information, decision making and systems. So when referring to
project complexity it is important to state clearly the type of complexity
being dealt with.“
Tabelle 3.5: Verständnis des Komplexitätsbegriff im Projektkontext
Tabelle 3.5 liefert einen Überblick über die von verschiedenen Verfassern gewählten
Definitionen von Komplexität im Kontext von Projekten.
Die Komplexität eines Projekts gehört zu den Projekteigenschaften, die insofern von
hoher Bedeutung sind, als dass basierend auf ihnen ein angemessener Managementan-
satz für den erfolgreichen Abschluss des Projektes definiert werden muss (Baccarini,
1996). So verlangt sie ein besonderes Maß an Führung und der Einsatz konventioneller
Projektmanagementsysteme, die für gewöhnliche Projekte entwickelt wurden, hat
sich als nicht geeignet für komplexe Projekte herausgestellt (Morris und Hough,
1993). Beispielsweise zeigen die Untersuchungen von Roberts, Cheney, Sweeney
und Hightower (2005) und Roberts, Cheney und Sweeney (2002) mit studentischen
Projektgruppen, dass sich das Kommunikationsverhalten des Projektteams mit der
Projektkomplexität verändert, wodurch in komplexen Projekten ein Bedarf an aktiver
Kommunikationsförderung durch den Projektmanager entsteht. Wonglimpiyarat
(2005) zeigt mittels verschiedener Fallstudien, wie sich die Komplexität auf die
Entwicklungsdauer auswirkt. Baccarini (1996) ergänzt diese Befunde, indem er in einer
Analyse der Literatur herausarbeitet, dass Komplexität weitreichende Bedeutung für
Projekte hat, indem sie
• bedeutenden Einfluss auf die Planungs-, Koordinations- und Kontrollanforde-

rungen hat, die an das Projektmanagement gestellt werden,
• die eindeutige Identifikation der Projektziele erschwert,
• ein bedeutendes Kriterium bei der Auswahl einer geeigneten Organisationsform

für das Projekt darstellt,
• Einfluss auf die Auswahl der für das Projekt benötigten Ressourcen, z. B. im
Hinblick auf die notwendigen Qualifikationen der Projektteammitglieder, hat,
• sich auf die Vorgaben für die Projektdauer, -kosten und die angestrebte Pro-
duktqualität auswirkt, wobei komplexe Projekte für gewöhnlich mehr Zeit und
umfangreichere Finanzmittel benötigen.
Die qualitative Untersuchung von Clift und Vandenbosch (1999, S. 195 f.) kommt
zu den folgenden Ergebnissen hinsichtlich des Managements von komplexen Projekten
und dem Ziel einer möglichst kurzen Projektlaufzeit:
The leaders of the short-cycle complex projects in our sample re-

”
ported: the elimination of as many decisions or gates as possible; the
maximization of the overlap of process stage activities by starting subse-
quent development activities early; the utilization of a more participative
management style; the involvement of prospective customers as early as

possible in the new product development process; and the use of external
suppliers wherever possible. These activities tend to reduce the formal
structure of the development process to allow many stakeholders (team
members, senior management, customers, suppliers, etc.) to contribute
directly to the project. Since projects of this type are inherently more
uncertain, both from a product development and market acceptance
standpoint, than short-cycle simple projects, the contributions of multi-
ple stakeholders facilitate the necessary risk-sharing activities that must
take place as these projects move toward completion. In addition, multiple
contributors afford the greatest flexibility in terms of completing tasks
simultaneously. These parallel processing activities are required if the
project is to be completed in a reasonable length of time.[...] While the
short-cycle simple projects in our sample conform - more or less - to
the compression model of NPD, the short-cycle complex projects in our
sample do not conform to either the compression or experiential models
as described by Eisenhardt and Tabrizi (1995).[...] The leaders of the
short-cycle complex project teams in our sample reported higher levels of
improvisation, as per the experiential model; however, the project leaders
did not report increases in the number of design iterations or greater
authority of the project leader. In fact, most of the short-cycle complex
projects in our sample were characterized by a participative leadership
style, with stage-gate decisions being made by consensus. These results
are intriguing and certainly provide impetus for future research in this
area.“
Wie bereits bei einigen der vorgenannten Variablen ergibt sich auch hinsichtlich
des Einflusses der Projektkomplexität auf den Projekterfolg ein uneinheitliches empi-
risches Bild. Hierbei ist zwischen Studien zu unterscheiden, die einen direkten Effekt
von Projektkomplexität auf verschiedene Erfolgsmaße untersuchen und solchen, die
sich einem moderierenden Einfluss der Komplexität auf z. B. die Erfolgswirksamkeit
verschiedener Managementtechniken widmen.
Die Untersuchung von Kim und Wilemon (2003) nennt eine Reihe möglicher
Auswirkungen von Komplexität auf Neuproduktentwicklungsprojekte: die Verzöge-
rung des Projektes, negative Beeinflussung von Projektzielgrößen, Änderung des
Organisationsverhaltens, die Schaffung von Wettbewerbsvorteilen, erhebliche Lern-
effekte und eine kooperative Kultur. Allerdings entwickeln die Autoren lediglich
ein Diagnoseinstrument zur Erhebung von Komplexität und überprüfen ihre Hy-
pothesen nicht empirisch. Nach Smith und Reinertsen (1992) beeinflusst der Grad
an Komplexität den Arbeitsaufwand, der in einem Projekt erbracht werden muss,
und damit auch die Entwicklungsdauer. M. H. Meyer und Utterback (1995) zeigen,
dass sowohl die Anzahl als auch die Verschiedenheit der in einem Projekt genutz-
ten Kerntechnologien einen signifikanten Einfluss auf die Entwicklungsdauer haben.
Die Autoren behandeln diese Größen als Indikatoren für ihr Konstrukt integra-
”
tion complexity“. Griffin (1997a) schließlich zeigt, dass die Entwicklungsdauer mit
steigender Projektkomplexität zunimmt und diese einen stärkeren Einfluss auf die
Projektdauer hat als der Innovationsgrad. Auf Basis der oben ausgeführten theoreti-
schen Überlegungen formulieren Tatikonda und Rosenthal (2000b) die Hypothese,
dass die Projektkomplexität sich negativ auf den Projekterfolg auswirkt, welchen
die beiden Autoren anhand der Erreichung technischer Leistungsziele, Kostenziele
und der Entwicklungsdauer messen. Eine empirisch signifikante Beziehung in der
vermuteten Richtung können die Autoren allerdings lediglich in der Beziehung zwi-
schen Projektkomplexität und den Zielkosten für das neue Produkt nachweisen. Die
Untersuchung von McComb, Green und Compton (2007) beschäftigt sich mit der
moderierenden Wirkung von Komplexität in der Beziehung zwischen Flexibilität des
Projektteams und der Teameffizienz bzw. dem Teamzusammenhalt. Die Autoren zei-
gen, dass ihre beiden Komplexitätsdimensionen Mehrdeutigkeit“ und Vielfältigkeit
” ”
möglicher Lösungswege“ dabei unterschiedlich wirken. Während sich Flexibilität
bei Mehrdeutigkeit positiv auf den Teamzusammenhalt auswirkt, weil durch die
Mehrdeutigkeit ein offener Meinungsaustausch möglich und förderlich ist, wirkt sich
Flexibilität bei der Auswahl einer möglichen Lösungsstrategie negativ aus, da es
aufgrund bereits gefestigter Meinungen zu Konflikten und damit zu einem sinkenden
Teamzusammenhalt kommt. Hinsichtlich der Teameffizienz gelingt es den Autoren
nicht, einen positiven Moderationseffekt der Komplexität zu zeigen.
Projekterfolg 111
In der Summe unterstreichen diese Befunde, dass die Planung hochkomplexer

Projekte mit besonderer Sorgfalt und Umsicht erfolgen muss. Vor diesem erscheint
ein hohes Planungsausmaß von besonderer Bedeutung zu sein. Gleichzeitig kann
eine schriftliche Fixierung von Verantwortlichkeiten, Prioritäten, Prozessen für die
notwendige Orientierung und Struktur sorgen. Gleichsam ist die Bedeutung einer
regelmäßigen Überprüfung des Projektfortschritts und ausreichender Kommunikation
unter den beteiligten Personen hervorgehoben worden. Vor diesem Hintergrund ist
anzunehmen, dass ein Planungsprozess im Sinne der rational adaptation“ in einer
”
solchen Situation von Vorteil ist. Somit wird die folgende Hypothese formuliert:
Hypothese 14: Die positive Wirkung des Coalignments der Planungsprozessdi-

mensionen auf den Projekterfolg fällt in einem Projekt mit hoher Komplexität
höher aus als in einem Projekt, das lediglich geringe Komplexität aufweist.
3.5 Projekterfolg
Erfolgsbewertung ist in weiten Bereichen der Betriebswirtschaft seit jeher ein tech-
nisch schwieriges und zuweilen auch emotional beladenes Thema gewesen, da sie fast
unvermeidlich Allokationsentscheidungen über knappe Ressourcen beeinflusst und
häufig implizit oder explizit mit dem Entlohnungssystem gekoppelt ist. Dies trifft
insbesondere auch auf betriebliche Forschungs- und Entwicklungsbemühungen zu,
die aufgrund ihrer Komplexität, dem dynamischen Umfeld, in dem sie stattfinden,
und der langen Zeitspanne zwischen Prozessbeginn und Ergebnis häufig schwierig zu
bewerten sind (Kerssens-van Drongelen, Nixon und Pearson, 2000). Im Rahmen des
betrieblichen Innovationsmanagements kommt dem Innovationserfolg als Bewertungs-
maßstab eine zentrale Bedeutung zu. Gleichzeitig ist dessen Operationalisierung in
der Literatur zur Neuproduktentwicklung und zum Innovationsmanagement intensiv
und teilweise auch konträr diskutiert worden (vgl. z. B. Shenhar et al., 2002; Montoya-
Weiss und Calantone, 1994). Da die Organisationsform des Projekts zur Durchführung
von Neuproduktentwicklungsvorhaben in den Unternehmen weit verbreitet ist, wird
im Rahmen dieser Arbeit der Innovationserfolg auf Projektebene betrachtet und als
Messgröße herangezogen. Aufgrund der wachsenden strategischen Bedeutung von
Projekten, gerade auch im Bereich der Forschung und Entwicklung, ist der Projekt-
erfolg zunehmend auch mit der Leistungsfähigkeit des gesamten Unternehmens und
damit auch mit dessen Erfolg verknüpft. Trotzdem ist das konzeptionelle Verständnis
des Projekterfolgs noch nicht ausgereift und es besteht kein einheitliches Verständnis
des Begriffs (Shenhar, Dvir, Levy und Maltz, 2001; Baccarini, 1999). So stellen Liu
und Walker (1998, S. 213) fest:
Project success is a topic which is frequently discussed and yet rarely

”
agreed upon. The concept of project success has remained ambiguously
defined. It is a concept which can mean so much to so many different
people because of varying perceptions, and leads to disagreements about
whether a project is successful or not.“
Diese wissenschaftliche Diskussion macht deutlich, dass es sich beim Projekterfolg

und insbesondere auch beim Innovationserfolg um ein vielschichtiges Konstrukt
handelt, das aus einer Reihe verschiedener Perspektiven und hinsichtlich unterschied-
licher Dimensionen betrachtet werden kann (vgl. z. B. Weise, 2005). Daher ist es
erforderlich, ein Messkonzept für den Innovationserfolg zu spezifizieren, aus dem
der Messbereich, die Messdimensionen, der Messzeitpunkt, die Referenzgrößen der
Messung und das Messsubjekt hervorgehen (Hauschildt, 1991):
Der Messbereich beschreibt dabei das Objekt, auf das der Innovationserfolg bezogen
wird. Hierbei ist grundsätzlich zwischen einer Mikro- und einer Makroebene zu
unterscheiden (F. Johne und Snelson, 1988). Die erstgenannte widmet sich der
Ebene des individuellen Innovationsprojektes, während auf der Makroebene mehrere
Projekte, bis hinauf auf die Unternehmensebene, zusammengefasst werden.13
Die Messdimension beschäftigt sich mit den Eigenschaften, anhand derer der
Innovationserfolg gemessen werden soll. Ein im Rahmen des Projektmanagements
weit verbreiteter Ansatz ist es, ein Projekt als erfolgreich zu bewerten, wenn Zeit-
und Budgetziele eingehalten werden (vgl. z. B. Shenhar et al., 2001; M. Freeman und
Beale, 1992). Darüber hinaus wird häufig die Einhaltung von Qualitätsstandards
13
Im Gegensatz zu der betriebswirtschaftlichen Betrachtung des Innovationserfolgs auf Unterneh-
mensebene widmen sich industrieökonomische und volkswirtschaftliche Messungen des Innovati-
onserfolgs primär ganzen Branchen, Nationen oder Wirtschaftsblöcken (vgl. z. B. Hauschildt,
1991; Glismann und Horn, 1988).
Projekterfolg 113
als weiteres Bewertungskriterium für den Projekterfolg genannt, so dass von einem
goldenen Dreieck“ oder eisernen Dreieck“ der Projekterfolgsmessung gesprochen
” ”
wird (Gardiner und Stewart, 2000; Atkinson, 1999; Pleschak und Sabisch, 1996).
Vielfach erscheint eine ausschließliche Konzentration auf diese drei Kriterien jedoch
nicht ausreichend oder angemessen, wie die folgenden Beispiele von Shenhar et al.
(2001, S. 700) verdeutlichen:
[The construction of the Sydney Opera House] took three times longer
”
than anticipated and cost almost five times higher than planned. But
it quickly became Australia’s most famous landmark, and no tourist
wants to leave Australia without seeing it. Similarly, Microsoft’s launch
of its first Windows software suffered substantial delays and required
a continuous flow of resources and additional staff. However, from the
moment of its introduction, it became an enormous source of revenue
for the company, and approximately 90% of all PCs in the world now
use the Windows operating system. And prior to the development of
its hit product, the Macintosh, Apple Computers had experienced the
business disappointment of the Lisa computer. But Apple managers later
acknowledged that, without the technologies developed and lessons learnt
during the Lisa project, the Macintosh success would not have happened.“
Diese Beispiele verdeutlichen, dass eine solche Erfolgsmessung von Innovations-

projekten, die häufig von zentraler Bedeutung für die strategische Entwicklung
von Unternehmen sein können, zu kurz greift. Daher fordert Atkinson (1999) eine
Ausweitung von Beurteilungskriterien, die nicht wie das goldene Dreieck“ primär
”
auf Effizienz abstellen, wie zum Beispiel den Erfolg des Projektergebnisses oder
Vorteile für das Unternehmen. Auch Shenhar et al. (2001) sprechen sich für ei-
ne Ausweitung der Beurteilungskriterien für den Projekterfolg aus und schlagen
vier Beurteilungsdimensionen vor: Projekteffizienz (Einhaltung von Kosten- und
Budgetzielen), wirtschaftlicher Erfolg (Gewinn-, Umsatz- und Marktanteilsziele),
Bedeutung für den Kunden (Befriedigung der Kundenbedürfnisse und technische
Leistungsfähigkeit des Produkts) und Vorbereitung auf die Zukunft (Schaffung
neuer Märkte, Technologien, Fähigkeiten, Kompetenzen und Wettbewerbsvorteile).
Auch im Rahmen der Bewertung des Erfolgs von Innovationsprojekten hat sich
eine solche mehrdimensionale Messung des Projekterfolgs durchgesetzt. Auf Basis
einer vergleichenden Literaturanalyse von 35 Studien zu Erfolgsfaktoren der Neupro-

duktentwicklung unterteilt Hauschildt (1991) den Innovationserfolg heuristisch in
eine technische, eine ökonomische und eine sonstige Dimension. Während er dabei
Aspekte, wie z. B. den Reputationsgewinn für den Forscher, die in den vorgenannten
Kategorisierungen vernachlässigt wurden, thematisiert, erfasst er das Spektrum an
Erfolgsmaßen dennoch nicht vollständig. Wichtige Kriterien wie die Projekteffizienz
und die Kundenzufriedenheit werden überhaupt nicht berücksichtigt und auch die
Messung des Markterfolgs ausschließlich über den Umsatz ist problematisch (vgl.
z. B. Weise, 2005). Zudem weisen Griffin und Page (1993) darauf hin, dass Hauschildt
keine statistische Validierung seiner erarbeiteten Heuristik vornimmt. Griffin und
Page (1993) ermitteln durch eine Literaturanalyse und Diskussionen mit anderen
Wissenschaftlern ebenfalls drei Dimensionen des Projekterfolgs ( consumer based“,
”
financial“ und technical or process-based“). Diese wurden zusätzlich mittels einer
” ”
Faktorenanalyse überprüft, wofür die Autoren Daten von 50 Managern im Rahmen
der PDMA Konferenz 1991 erhoben und auswerteten. Diesen drei Erfolgsdimensionen
ordnen Griffin und Page 16 core measures“ zu, bei welchen es sich um Maße handelt,
”
die sowohl von Forschern als auch von Managern genutzt wurden und zukünftig in
der Unternehmenspraxis weiter genutzt werden sollen. Dieses Messkonzept ist in
Abbildung 3.2 dargestellt.
Project-level core measures
Product Customer Financial
Launch on time Met revenue goals Profit goals

Met quality specs Met share goals Margin goals
Development cost Met unit volume goals Break-even time
Perform to specs Customer acceptance ROI / IRR
Speed to market Customer satisfaction
Revenue growth
Abbildung 3.2: Messdimensionen des Innovationserfolgs auf Projektebene. Quelle: Griffin

und Page (1993)
Projekterfolg 115
Das von Griffin und Page (1993) entwickelte Messkonzept ist seitdem in einer
Reihe empirischer Untersuchungen in verschiedenen Kontexten überprüft worden
(vgl. z. B. Story et al., 2001; Griffin und Page, 1996; Hultink und Robben, 1995).
Der Messzeitpunkt gibt Aufschluss darüber, wann die Erfolgsbeurteilung für ein
Innovationsprojekt vorgenommen wird. Im Rahmen der Forschung zur Neuprodukt-
entwicklung ist es verbreitete Praxis, für die Beurteilung einen Messzeitpunkt nach
der Einführung des Produkts in den Markt zu wählen, was insbesondere für die Be-
wertung des ökonomischen Effekts der Innovation erforderlich ist (Hauschildt, 1991).
Er sieht hierin jedoch ein erhebliches methodisches Problem begründet, da es sich bei
dem Terminus nach der Markteinführung“ um einen unbestimmten Zeitabschnitt
”
handelt. Wenn sich in der Forschung hierzu überhaupt Angaben finden, so werden
pauschale Fristen genannt (z.B. ein Projekt, das im letzten halben Jahr abgeschlossen
wurde). Die Betrachtung eines Produktlebenszyklusmodells verdeutlicht jedoch, dass
eine Messung des Projekterfolgs zu einem quasi beliebigen Zeitpunkt mit erheblichen
Schwierigkeiten verbunden sein kann, so dass hierin ein ernstes methodisches Defizit
der Innovationsforschung zu sehen ist (Hauschildt, 1991). Es ist klar zu ersehen, dass
die relative Bedeutung der verschiedenen Projektdimensionen von dem Beurteilungs-
zeitpunkt abhängt: So wird als kurzfristiges Erfolgsmaß und als Maßstab während
der Projektdurchführung vielfach die Projekteffizienz in den Fordergrund gestellt, da
sie zudem die einzige Größe ist, die zu diesem Zeitpunkt erhoben werden kann. Mit
zunehmendem zeitlichen Abstand gewinnen die anderen Dimensionen an Bedeutung
und ersetzen die Projekteffizienz als wichtigsten Erfolgsmaßstab (Shenhar et al.,
2001). Während Shenhar et al. (2001) dieses empirisch jedoch nicht belegen, weisen
Hultink und Robben (1995) in ihrer Untersuchung statistisch nach, dass kurzfristig
vor allem die time-to-market“ und die Entwicklungskosten von Bedeutung sind,
”
während langfristig Profitabilitätsmaße und Umsatzziele entscheidende Maßgrößen
für den Projekterfolg sind.
Der Referenzpunkt der Messung schließlich beschreibt, womit der Innovationserfolg
verglichen wird, da neben einer reinen Messung auch eine Bewertung vorzunehmen ist
(Hauschildt, 1991). Um der Verschiedenartigkeit unterschiedlicher Projekte in ihrer
Erfolgsbewertung gerecht zu werden, sollten als Beurteilungsmaßstab die zentralen
Ziele herangezogen werden, die ursprünglich für das Projekt definiert wurden (Lechler,
1997; Griffin und Page, 1996; de Wit, 1998). Nur auf diese Weise kann es gelingen,
unterschiedlichen Projekten und Beurteilungsperspektiven in der Projektbewertung
gerecht zu werden. Dies ist von Bedeutung, da je nach Art des Projektes unterschied-
liche Bewertungskriterien von höherer bzw. nachgelagerter Bedeutung sind, bzw.
die Stakeholder eines Projektes dieses aufgrund divergierender Ziele unterschiedlich
beurteilen (Bryde und Robinson, 2005; Shenhar et al., 2001; Lim und Mohamed,
1999). Hier besteht allerdings das Risiko, dass eine solche Erfolgsmessung, bei der
auf die ursprünglichen Projektziele referenziert wird, zu Problemen führen kann,
wenn diese Ziele vorab sehr niedrig gewählt worden sind. Trotz eines in diesem Fall
hohen Grades an Zielerreichung ließe sich dann nicht mit Sicherheit bestimmen,
ob das betreffende Projekt als erfolgreicher einzustufen wäre als andere Projekte
des betrachteten Unternehmens oder von Mitbewerbern (Ernst, 2001). Ebenso ist
das Horrorgemälde der Nicht-Innovation“, also der Vergleich mit einem fiktiven
”
ex-post Zustand, in dem das Projekt nicht durchgeführt worden wäre, problematisch:
Mit der daraus resultierenden Argumentation aus Hätten wir die Innovation nicht
”
durchgeführt, dann wäre die Konkurrenz...“ wird jedes Innovationsprojekt definitions-
notwendig erfolgeich (Hauschildt, 1991, S. 470). Zeit- und branchenübergreifende
Erfolgsvergleiche mittels eines absoluten Referenzmaßstabs erscheinen allerdings
aufgrund der damit verbundenen Willkür genauso problematisch (vgl. z. B. Zhang
und Doll, 2001; Song und Parry, 1997a; Hauschildt, 1991). Auch hier werden Inno-
vationen tendenziell als zu erfolgreich bewertet. Vor diesem Hintergrund beurteilt
Hauschildt (2004) den Vergleich von Innovationsprojekten mit einem zuvor definier-
ten Ziel als einzig rationale Vorgehensweise zur Erfolgsbewertung. Tabelle 3.6 bietet
diesbezüglich einen Überblick über Studien, die eine Korrelation subjektiver und
objektiver Erfolgsmaße ermittelt haben.
Projekterfolg 117
Studie Stichprobe Korrelation betrachtete Erfolgs-

maße
Chamanski und 115 norwegische Unter- 0,57 Aggregierte Maße aus
Waagø (2001) nehmen Umsatz, Marktanteil
und Rentabilität
Dawes (1999) 45 australische Unterneh- 0,51 ROI des aktuellen Jah-
men res
0,48 ROI des Vorjahres
Zahra (1996) 112 US-amerikanische 0,67 ROE
Unternehmen 0,64 Umsatzwachstum
0,59 Marktanteilswachstum
Hart und Banbu- 240 US-amerikanische 0,55 ROA
ry (1994) Unternehmen 0,44 Umsatzwachstum
Covin, Slevin 91 US-amerikanische 0,44 Umsatzwachstum
und Schultz Unternehmen
(1994)
Pearce, Robbins 92 US-amerikanische 0,74 ROA
und Robinson Unternehmen 0,77 Umsatz
(1987)
Dess und Robin- 26 US-amerikanische 0,69 Umsatz
son (1984) Unternehmen 0,61 ROA nach Steuern
0,56 Performance (subj.)
und Umsatz
0,48 Performance (subj.)
und ROA
Tabelle 3.6: Korrelation zwischen subjektiv geschätztem Erfolg und objektiven Erfolgsma-
ßen auf Unternehmensebene. Quelle: Weise (2005)
3.6 Hypothesensystem und Modellstruktur im

Überblick
In den vorangegangenen Abschnitten wurde ausführlich auf die Herleitung der im

Rahmen diese Arbeit zu überprüfenden Hypothesen eingeganen. Da es sich um eine
größere Anzahl an Hypothesen handelt, werden an dieser Stelle noch einmal die
entwickelten Modellstrukturen sowie die zugehörigen 14 Untersuchungshypothesen
zusammengefasst. Da die vorliegende Arbeit sowohl die direkte Erfolgswirksamkeit
der einzelnen Planungsprozessdimensionen als auch die des Coalignments untersucht,
sind die hierzu formulierten Hypothesen auf die beiden Darstellungen aufgeteilt.
Planungsausmaß
H1
Formalisierung
H2
H3 Projekterfolg
Planungs-
konsistenz H4
Partizipation
Abbildung 3.3: Übersicht der Untersuchungshypothesen zur Erfolgswirkung der einzelnen

Planungsprozessdimensionen
Hypothese 1: Je höher das Planungsausmaß eines Innovationsprojektes, desto höher

ist dessen Erfolg.
Hypothese 2: Je höher die Formalisierung der Planung eines Innovationsprojektes,

Hypothesensystem und Modellstruktur im Überblick 119
Hypothese 3: Je höher die Konsistenz der Planung eines Innovationsprojektes,

Hypothese 4: Je höher die Partizipation bei der Planung eines Innovationsprojektes,

Planungsausmaß Innovationsgrad Projektkomplexität Umfelddynamik
H5 H12 H14 H13

Formalisierung
H6
Coalignment Projekterfolg
Planungs-
konsistenz H7 Projektziel- H10
stabilität
Partizipation H9
H8 Projektprozess- H11
stabilität
Abbildung 3.4: Übersicht der Untersuchungshypothesen zur Erfolgswirkung des Coalign-

ments sowie der weiteren Modellvariablen
Hypothese 5: Die Bildung eines den einzelnen Planungsdimensionen übergeordneten

Faktors zweiter Ordnung, des Coalignments, ist zulässig.
Hypothese 6: Je stärker ein Planungsprozess im Sinne einer rational adaptation“

”
sowohl rationale als auch adaptive Elemente miteinander verbindet und damit ein
hohes Maß an Coalignment aufweist, desto höher ist dessen Wirkung auf den Pro-
jekterfolg. Die einzelnen Gestaltungsdimensionen Planungsausmaß, Formalisierung,
Planungskonsistenz und Partizipation sind dabei alle hoch ausgeprägt.

”
sowohl rationale als auch adaptive Elemente miteinander verbindet und damit ein
hohes Maß an Coalignment aufweist, desto stabiler bleiben die Projektziele während
der Umsetzung. Die einzelnen Gestaltungsdimensionen Planungsausmaß, Formalisie-

rung, Planungskonsistenz und Partizipation sind dabei alle hoch ausgeprägt.

”
sowohl rationale als auch adaptive Elemente miteinander verbindet und damit ein ho-
hes Maß an Coalignment aufweist, desto stabiler verläuft der Projektprozess während
der Umsetzung. Die einzelnen Gestaltungsdimensionen Planungsausmaß, Formalisie-
rung, Planungskonsistenz und Partizipation sind dabei alle hoch ausgeprägt.
Hypothese 9: Je größer die Stabilität der Projektziele, desto größer ist die Stabilität
des Projektprozesses während dessen Umsetzung.
Hypothese 10: Je größer die Stabilität der Projektziele, desto größer ist der Pro-
jekterfolg.
Hypothese 11: Je größer die Stabilität des Projektprozesses, desto größer ist der
Projekterfolg.
Hypothese 12: Die positive Wirkung des Coalignments der Planungsprozessdimen-

sionen auf den Projekterfolg wird nicht vom Innovationsgrad beeinflusst.

sionen auf den Projekterfolg fällt in einem dynamischen Branchenumfeld höher aus
als in einem stabilen.

sionen auf den Projekterfolg fällt in einem Projekt mit hoher Komplexität höher aus
als in einem Projekt, das lediglich geringe Komplexität aufweist.
4 Empirische Untersuchung zur
Erfolgswirksamkeit der Projektplanung
von Innovationsprojekten
Im Rahmen dieses Kapitels wird die empirische Untersuchung der Planung von
Innovationsprojekten in ihrer Konzeptionierung und Durchführung geschildert. Hier-
zu wird in Abschnitt 4.1 zunächst auf das Untersuchungsdesign eingegangen und die
Operationalisierung der Modellvariablen, das Erhebungsdesign und die realisierte
Stichprobenstruktur beschrieben, bevor die eingesetzten Methoden der Datenaus-
wertung näher betrachtet werden. Im nächsten Schritt erfolgt die Aufbereitung der
Daten, welche in Abschnitt 4.2 beschrieben wird. Die empirische Überprüfung der in
Kapitel 3 hergeleiteten Untersuchungshypothesen erfolgt schließlich in Abschnitt 4.3.
4.1 Untersuchungsdesign
Dieser Abschnitt widmet sich der Operationalisierung der in Kapitel 3 beschriebenen

Modellvariablen, dem Erhebungsdesign und den Methoden der Datenauswertung.
Hierfür wird zunächst auf die der Operationalisierung zugrundeliegende Messtheorie
eingegangen um ein tieferes Verständnis für die Zusammenhänge zwischen den theore-
tisch identifizierten Modellvariablen und deren Messung im Rahmen der empirischen
Untersuchung zu entwickeln.
Anschließend wird der Prozess der Datenerhebung dargestellt, der erforderliche
Stichprobenumfang abgeschätzt und die realisierte Stichprobenstruktur beschrieben,
bevor die für diese Arbeit relevanten statistischen Analyseverfahren, die Faktoren-
analyse, die Regressionsanalyse sowie Strukturgleichungsmodelle, vorgestellt werden.
4.1.1 Operationalisierung der Modellvariablen
Das in dieser Arbeit verfolgte Forschungsziel, das Zusammenspiel und die Wirkung
verschiedener Projektplanungsprozessdimensionen und der Projektdurchführung auf
den Erfolg von Neuproduktentwicklungsprojekten zu untersuchen, erfordert hohe
Ansprüche an die Leistungsfähigkeit der hierzu einzusetzenden statistischen Verfahren,
da hierbei komplexe Wirkungszusammenhänge zwischen einer Vielzahl an Variablen
geprüft werden.
Da sich die für diese Untersuchung betrachteten Variablen einer direkten Messung
entziehen, werden sie auch als latente Variablen, Konstrukte, Faktoren, unbeobachte-
te Variablen oder True Scores bezeichnet (Bagozzi und Phillips, 1982; Bollen, 2002).
In der Literatur werden vor allem drei Aspekte latenter Variablen diskutiert (Bollen,
2002): Zunächst ist hierbei der bereits genannte Umstand der Unbeobachtbarkeit
latenter Variablen, also der fehlenden Möglichkeit, diese direkt zu messen oder zu be-
obachten, zu nennen (Homburg und Giering, 1998). Ebenfalls wird häufig diskutiert,
ob es sich bei latenten Variablen um reale Größen oder aber vielmehr um imaginäre,
hypothetische bzw. theoretische Gebilde handelt. Dieser letzteren Sichtweise folgen
beispielsweise Bagozzi und Phillips (1982), für die Konstrukte nicht real sind, sondern
nur den Versuch darstellen, reale Phänomene zu erfassen. Schließlich werden latente
Variablen häufig als Instrumente der Datenreduktion beschrieben, die eine Reihe
von Variablen zu einer geringeren Zahl von Faktoren oder gar Faktoren zweiter
Ordnung verdichten (vgl. z. B. Albers und Götz, 2006; Giere, Wirtz und Schilke,
2006). Hier wird also vor allem die deskriptive Funktion latenter Variablen, bzw. die
sachlogische Zusammengehörigkeit einzelner Indikatoren betont (Backhaus, Erichson,
Plinke und Weiber, 2000). Hieraus wird deutlich, dass es eine Vielzahl verschiedener
Arten von Konstrukten gibt, die sich unterschiedlich modellieren lassen. So lassen
sich latente Variablen erster und höherer Ordnung sowie ein- und mehrdimensionale
Konstrukte unterscheiden. Einen Überblick über die verschiedenen Möglichkeiten
bietet Abbildung 4.1.
Um latente Variablen in einem Forschungsvorhaben untersuchen zu können, müs-

sen diese zunächst empirisch greifbar“ (Homburg und Giering, 1998) und damit
”
messbar gemacht werden. Hierzu ist es in einem ersten Schritt erforderlich, festzule-
gen, was inhaltlich unter dem Konstrukt zu verstehen ist und welche Dimensionen
Untersuchungsdesign 123
Einfaktorieller Fall Mehrfaktorieller Fall
Konstrukt
=
Faktor
Eindimensionaler Fall Mehrdimensionaler Fall

…
Konstrukt Konstrukt
Faktor 1 .. Faktor m Dimension 1 … Dimension n
… …
Faktor 1.1 Faktor 1.m1 Faktor n.1 Faktor n.ma
.. .. .. ..
Abbildung 4.1: Arten von Konstrukten. Quelle: Homburg und Giering (1998)
bzw. Komponenten es umfasst (Hildebrandt und Temme, 2006). Je nach Komple-

xität der zugrundeliegenden latenten Variable unterscheidet man dabei zwischen
einfaktoriellen Konstrukten (der einfachsten Form einer latenten Variable) und mehr-
faktoriellen Konstrukten, welche wiederum ein- bzw. mehrdimensional sein können.
Dieser Vorgang wird als Konzeptualisierung bezeichnet (Homburg und Giering, 1998).
Im nächsten Schritt werden die Konstrukte und ihre Dimensionen durch ausgewählte
Indikatoren, d. h. durch beobachtbare Variablen, operationalisiert, die das Vorliegen
der betrachteten, aber nicht direkt erfassbaren Variable signalisieren (Backhaus et
al., 2000). Somit kann im Rahmen der Messung latenter Variablen lediglich versucht
werden, den mittels des Messinstrumentes erhobenen Wert möglichst nah an den
tatsächlichen Wert“ der latenten Variable anzugleichen. Da sich die empirisch beob-
”
achteten Werte jedoch aufgrund systematischer und Zufallsfehler von den wahren
Werten unterscheiden werden, ist dieses Ziel kaum jemals vollständig zu erreichen
(Churchill, 1979). Insofern kann eine aussagekräftige Messung komplexer latenter
Konstrukte nur unter der gleichzeitigen Verwendung mehrerer Indikatoren erfolgen,
wie die Zitate von Jacoby (1978, S. 93) und Blalock (1970, S. 111) verdeutlichen:
Given the complexity of our subject matter, what makes us think we

”
can use responses to single items (or even two or three items) as measures
of these concepts, then relate these scores to a host of other variables,

arrive at conclusions based on such an investigation, and get away calling
what we have done ’quality research’ ?“
With a single measure of each variable, one can remain blissfully

”
unaware of the possibility of measurement error, but in no sense will this
make his inferences more valid. [...] In the absence of better theory about
our measurement procedures, I see no substitute for the use of multiple
measures of our most important variables.“
Die hier geschilderte Messtheorie basiert aus wissenschaftstheoretischer Sicht auf

der Zweisprachentheorie von Carnap (1986). Im Rahmen dieser Theorie wird bei
der Entwicklung, Darstellung und Überprüfung wissenschaftlicher Theorien zwischen
zwei Sprachebenen unterschieden (Fassott und Eggert, 2005), die in Abbildung 4.2
dargestellt sind.
Theoretische Theoretische
Sprache Variablen
Korrespondenz-
Sprachen
regeln
Beobachtungs- Beobachtbare
sprache Variablen
Abbildung 4.2: Schematische Darstellung der Zweisprachentheorie. Quelle: Fassott und

Eggert (2005)
Auf der theoretischen Sprachebene arbeitet die Forschung dabei mit theoretischen
Begriffen, die wie bereits dargestellt, als hypothetische Konstrukte oder latente
Variablen bezeichnet werden, da sie sich einer unmittelbaren Messung entziehen.
Eine Theorie kann und muss zu einer empirischen Überprüfung nicht nur auf der
theoretischen Sprachebene, sondern auch auf der Ebene der Beobachtungssprache
formuliert werden. Diese manifestiert sich, wie oben geschildert, in den beobacht-
baren Variablen (Indikatoren). Da die Indikatoren als Signal für das Vorliegen der
latenten Variablen dienen, müssen diese mittels einer Korrespondenzregel in einen
Zusammenhang gebracht werden. Erst wenn dies der Fall ist, kann von einer empi-
risch gehaltvollen, positiven“ Theorie gesprochen werden (Bagozzi, 1998). Dieser
”
Zusammenhang und die Umsetzung der Zweisprachentheorie werden in Abbildung
4.3 mittels eines fiktiven Beispiels dargestellt.
Theoretische
Ebene
η1 η2
H
Korrespondenz-
regeln
γ1 γ2 γ3
Beobachtungs-
ebene
x1 x2 x3
r1 r2
r3
Abbildung 4.3: Umsetzung der Zweisprachentheorie in der empirischen Forschung. Quelle:

Fassott und Eggert (2005)
Im Rahmen der Hypothese H wird auf theoretischer Ebene ein Zusammenhang

zwischen den Begriffen η1 und η2 hergestellt. Auf der Beobachtungsebene wird der
theoretische Begriff η1 durch die beiden beobachtbaren Variablen x1 und x2 abgebildet.
In gleicher Weise wird η2 durch die beobachtbare Variable x3 repräsentiert. Die
Variablen auf den unterschiedlichen Ebenen werden mittels der Korrespondenzregeln
γ1 , γ2 und γ3 miteinander verbunden. Zwischen den beobachtbaren Variablen x1 und
x2 , die den theoretischen Begriff η1 repräsentieren, besteht eine Kovarianz, die als
r1 bezeichnet wird. Die Kovarianzen r2 und r3 wiederum stellen den beobachtbaren
Zusammenhang der auf theoretischer Ebene in der Hypothese H formulierten Aussage
dar. Als Grundlage für die folgenden statistischen Analysen dient die Annahme,
dass ein zunehmend stärkerer, theoretisch begründeter Zusammenhang zwischen
den Begriffen η1 und η2 zu einer stärkeren Ausprägung der empirisch beobachtbaren

Kovarianzen r2 und r3 führt. Dies setzt selbstverständlich die Eignung der formulierten
Korrespondenzregeln γ1 , γ2 und γ3 voraus (Fassott und Eggert, 2005).
Von besonderer Bedeutung ist dabei die Frage danach, welche Richtung die Korres-
pondenzregeln besitzen (MacKenzie, Podsakoff und Jarvis, 2005; Jarvis, MacKenzie
und Podsakoff, 2003):
Verursacht ein theoretischer Begriff die ihm zugeordneten empirischen Variablen,
wirkt die Korrespondenzregel also von der theoretischen Ebene zur Beobachtungsebe-
ne, wird von einem reflektiven Messmodell gesprochen. Wird der theoretische Begriff
hingegen als das Resultat der ihm zugeordneten beobachtbaren Variablen aufgefasst,
wirkt die Korrespondenzregel von der Beobachtungsebene hin zur theoretischen
Ebene und man spricht von einem formativen Messmodell.
Reflektive Messmodelle basieren auf der sog. Domain-Sampling Theorie (Rossiter,
2002), nach der ein Messinstrument durch Indikatoren gebildet wird, welche alle
der gleiche konzeptionellen Grundgesamtheit entstammen, die als Domäne oder
Universum bezeichnet wird (MacKenzie et al., 2005). Die messtheoretische Fundierung
reflektiver Messmodelle basiert auf der klassischen Testtheorie und setzt daher unter
anderem voraus, dass die ein Konstrukt gemeinsam erfassenden Indikatoren intern
konsistent sind und untereinander deutlich höher korrelieren als mit den Indikatoren
anderer Konstrukte (Bollen und Lennox, 1991). Da die Indikatoren von den latenten
Variablen, die sie repräsentieren, beeinflusst werden und deren Facetten gleichermaßen
gut erfassen sollten, ist die Konstruktvalidität idealerweise invariant gegenüber dem
Austausch oder der Elimination einzelner Indikatoren (MacKenzie et al., 2005; Bollen
und Lennox, 1991).
Formative Messmodelle gehen hingegen davon aus, dass Veränderungen der gemes-
senen Indikatoren zu einer Änderung der latente Variable führen, da die erstgenannten
einen direkten Einfluss auf das latente Konstrukt haben, bzw. dieses verursachen
(Rossiter, 2002, S. 314): They ’make the attribute appear’“. Hieraus wird gleich-
”
zeitig deutlich, dass eine Veränderung eines Indikators nicht notwendigerweise mit
einer Änderung der anderen Indikatoren der latenten Variable einher gehen muss
(Jarvis et al., 2003) Die Items müssen also nicht notwendigerweise untereinander
korrelieren oder intern konsistent sein (Bollen und Lennox, 1991). Rossiter (2002)
merkt daher kritisch an, dass man im Zusammenhang mit formativen Messmodellen
nicht länger von Indikatoren und latenten Variablen sprechen sollte. Da den Items
hier keine indikative, sondern eine formative Funktion zukommt handelt es sich bei
formativ gemessenen Konstrukten auch nicht um latente Variablen, so dass Begriffe
wie Kompositvariable“ verwendet werden sollten. Aus diesen Überlegungen folgt
”
unmittelbar, dass im Gegensatz zu reflektiven Messmodellen die Items einer Skala in
einem formativen Messmodell nicht ohne weiteres weggelassen oder ersetzt werden
ohne dass sich das Konstrukt inhaltlich verändert.
Für die empirische Forschung bedeutet dies, dass eine Beurteilung der Modellgüte
anhand der internen Konsistenz der Indikatoren im offensichtlichen Widerspruch
zu den Prämissen formativer Messmodelle steht und somit anstelle der klassischen
Beurteilungskriterien wie dem Cronbach’schen Alpha andere Aspekte in den Vorder-
grund treten (Fassott und Eggert, 2005; Rossiter, 2002). Die Beurteilung formativer
Konstrukte verlangt aufgrund ihres verursachenden Charakters vor allem eine Bewer-
tung in Bezug auf die vollständige inhaltlich-semantische Erfassung des Konstrukts
(Inhaltsvalidität) und in Hinblick darauf, in welchem Umfang sich die theoretisch
vorhergesagten Wirkungsbeziehungen zu kausal vor- und nachgelagerten Konstrukten
empirisch nachweisen lassen (nomologische Validität) (Jarvis et al., 2003; Diaman-
topoulos und Winklhofer, 2001; Bollen und Lennox, 1991). Insofern kann es bei
Fehlspezifikationen zu erheblichen Verzerrungen kommen, so dass einer Identifikation
reflektiver bzw. formativer Messmodelle erhebliche Bedeutung zukommt (MacKenzie
et al., 2005). Da die Entscheidung, ob ein latentes Konstrukt reflektiv oder formativ
gemessen werden sollte, vor allem auf der Grundlage inhaltlicher Überlegungen zu
treffen ist, haben Jarvis et al. (2003) einen Katalog aus sieben Indizien formuliert,
der diese Überlegungen leiten soll (Huber, Herrmann, Meyer, Vogel und Vollhardt,
2007, S. 19):
• Sind die Indikatoren definierende Merkmale oder Erscheinungsformen des

Konstrukts?
• Führen Veränderungen der Indikatorausprägungen zu Veränderungen des Kon-

strukts?
• Führen Veränderungen des Konstrukts zu Veränderungen der Indikatorausprä-

gungen?
• Sollten die Indikatoren denselben oder ähnlichen Inhalt haben? Haben die
Indikatoren ein gemeinsames Thema?
• Verändert der Ausschluss eines Indikators den konzeptionellen Rahmen des

Konstrukts?
• Sollte eine Änderung eines Indikators zur Änderung der anderen Indikatoren
führen?
• Sollten die Indikatoren dieselben Antezedenzien und Konsequenzen haben?
Aufbauend auf diesen Ausführungen werden in den folgenden Abschnitten die

Operationalisierungen der Modellvariablen erläutert, wobei im Rahmen dieser Arbeit
grundsätzlich eine reflektive Messung der latenten Konstrukte angestrebt wird. Im
Zuge ihrer Validierung in Abschnitt 4.3.1 wird aufgrund der geschilderten Problema-
tik jedoch neben den üblichen Beurteilungskriterien zusätzlich die Verträglichkeit
der Daten mit einem reflektiven Messmodell getestet.
4.1.1.1 Planungsausmaß
Das Planungsausmaß kann als Ausdruck der Rationalität aufgefasst werden und
beschreibt, inwieweit Entscheidungs- und Planungsprozesse auf der Sammlung von
für die Entscheidung relevanten Informationen sowie deren Auswertung im Rahmen
der Entscheidung bzw. Planung basieren (Dean und Sharfman, 1996). Unter anderem
finden sich Operationalisierungen bei Dean und Sharfman (1996), Segars et al. (1998),
Atuahene-Gima und Murray (2004), Atuahene-Gima und Li (2004), Büschelberger
(2004) und Segars (1994). Das Konstrukt wird in Anlehnung an die Ausführungen
in Abschnitt 3.2.1 und die dort von Janis und Mann (1977) genannten Kriterien
operationalisiert, die inhaltlich als Basis für die genannten Operationalisierungen
angesehen werden können. Die Formulierung orientiert sich dabei an den Arbeiten
von Büschelberger (2004) und Segars (1994).
Planungsausmaß
Dimensionen Indikatoren
intensive Informationssuche Wir haben versucht, alle relevanten Informationen für die
Planung des Innovationsprojekts zu sammeln.
Betrachtung aller möglichen Vor jeder Entscheidung wurden mögliche Alternativen
Alternativen gründlich untersucht.
zielkonforme Auswahl Wir haben versucht, die optimale aus den identifizierten
Alternativen zu ermitteln.
gewissenhafte und objektive In unserer Planungs- und Konzeptionsphase wurde wenig
Bewertung dem Zufall überlassen.
gründliche Prüfung Entscheidungen wurden solange vertagt, bis alle Alternati-
ven ausreichend geprüft waren.
Tabelle 4.1: Operationalisierung des Planungsausmaßes
4.1.1.2 Formalisierung
Wie in Abschnitt 3.2.2 erläutert, beschreibt Formalisierung den Umfang an Strukturen,

Techniken und schriftlich ausgearbeiteten Arbeitsabläufen, die den Planungsprozess
unterstützen. Operationalisierungen der Formalisierung finden sich beispielsweise in
den Untersuchungen von Dutton und Duncan (1987), B. S. Chakravarthy (1987),

Pearce, Robbins und Robinson (1987), Segars et al. (1998), Tatikonda und Montoya-
Weiss (2001), Ayers et al. (2001), Büschelberger (2004) und Naveh (2007). Hier wird
für die Operationalisierung auf die Arbeiten von Segars et al. (1998) und Tatikonda
und Montoya-Weiss (2001) zurückgegriffen, wobei die Formulierungen teilweise auf
die Projektebene angepasst werden.
Formalisierung
prozedurale Richtlinien Richtlinien und Prozeduren bestimmen weitgehend den Pro-

zess der Planung von Innovationsprojekten in unserem Un-
ternehmen.
Methodeneinsatz Wir haben stark formalisierte Planungsmethoden bei der
Planung des Innovationsprojektes verwendet.
dokumentierte Vorgaben Es existieren schriftliche Richtlinien zur Strukturierung der
Innovationsprojektplanung in unserem Unternehmen.
strukturierter Prozess Der Planungsprozess war sehr strukturiert.
Einhaltung von Richtlinien Die formalen Richtlinien und Prozeduren wurden bei der
Planung des Innovationsprojektes eingehalten.
Prozess- und Ergebnisdoku- Der Planungsprozess und die -ergebnisse wurden schriftlich
mentation dokumentiert.
Tabelle 4.2: Operationalisierung der Formalisierung der Planung
4.1.1.3 Partizipation
In Abschnitt 3.2.4 wurde erläutert, dass unter Partizipation der Umfang gemein-
schaftlicher Entscheidungsfindung bzw. das Teilen von Befugnissen verstanden wird.
Diese Beteiligung bezieht sich auf die Anzahl der an der Planung beteiligten Perso-
nen, die Menge der beteiligten Unternehmensbereiche sowie den Umfang lateraler
Kommunikation im Unternehmen. Operationalisierungen des Partizipationsbegriffs
finden sich unter anderem bei Dutton und Duncan (1987), B. S. Chakravarthy
(1987), Segars (1994) und Büschelberger (2004). Im Rahmen dieser Arbeit wird auf
die Operationalisierung von Segars (1994) zurückgegriffen und die Formulierungen
werden auf den Untersuchungsgegenstand angepasst. Die so entwickelten Indikatoren

sind in Tabelle 4.3 dargestellt.
Partizipation
Beteiligung leitender Ange- Eine Reihe verschiedener Funktionsbereichsleiter war in die

stellter Planung des Innovationsprojekts intensiv involviert.
Beteiligung operativer Mitar- Operative Mitarbeiter aus allen betroffenen Abteilungen wa-
beiter ren in der Planungsphase des Innovationsprojekts beteiligt.
allgemeine Beteiligung Die Planungsphase war ein relativ isolierter Prozess und
wurde von wenigen Personen getragen. (invers kodiert)
Beteiligung der Fachabteilun- An der Konzeptentwicklung für das Innovationsvorhaben
gen waren alle relevanten Fachabteilungen beteiligt.
Beteiligung des Projektteams Die Projektziele wurden in starker Interaktion mit dem
Projektteam vereinbart.
Tabelle 4.3: Operationalisierung der Beteiligung an der Planung
4.1.1.4 Planungskonsistenz
Wie in Abschnitt 3.2.3 beschrieben, wird unter der Konsistenz und Regelmäßigkeit
der Planung verstanden, wie kontinuierlich ein Planungsprozess abläuft. Die re-
gelmäßige und kritische Reflexion der bestehenden Planung gestattet es, diese an
geänderte Umfeldbedingungen anzupassen und bildet somit eine wichtige Basis für
hohe Leistungsfähigkeit im Rahmen komplexer Aufgaben (Gurtner et al., 2007).
Neben kontinuierlicher Planung gehören hierzu stetige Kommunikation unter den
Beteiligten sowie eine regelmäßige Überprüfung und ggf. Modifikation der Planung.
Operationalisierungen finden sich bei Segars (1994), Tjosvold et al. (2004), Hoegl
und Parboteeah (2006) und Schippers und Den Hartog (2007). Im Rahmen dieser
Arbeit wird die Operationalisierung von Segars (1994) genutzt, die hierfür auf die
Ebene von Entwicklungsprojekten angepasst wurde.
Planungskonsistenz
regelmäßige Kontrolle Die Übereinstimmung der Projektentwicklung mit dem Pro-

jektplan wurde ständig überprüft und bewertet ( Meilen-
”
steintrendanalyse“).
Planungsanpassungen Die Planung wurde regelmäßig korrigiert, um sie besser an
sich ändernde Gegebenheiten anzupassen.
Planungsverständnis Die Planung des Innovationsprojektes war kein einmaliger
sondern ein kontinuierlicher Prozess.
regelmäßige Kommunikation Zur Erstellung / Aktualisierung der Projektplanung wurden
regelmäßige persönliche Teamgespräche angesetzt.
Wir planen Innovationsprojekte formal, wenn die Notwen-
digkeit dazu besteht.
Tabelle 4.4: Operationalisierung der Planungskonsistenz
4.1.1.5 Coalignment
Im Hinblick auf die Operationalisierung nimmt das Coalignment eine besondere Rolle
im Rahmen dieser Arbeit ein. Wie in Abschnitt 3.2.5 beschrieben, wird mit dem
Begriff des Coalignment das Zusammenwirken der unterschiedlichen Dimensionen des
Planungsprozesses beschrieben, durch das eine Struktur entsteht, die die unterschied-
lichen Planungsbedürfnisse der Organisation widerspiegelt. Hierbei kann nicht wie in
den vorangegangenen Fällen auf eine Gruppe von Indikatoren zurückgegriffen werden,
da sich das Coalignment auf die bereits vorgestellten latenten Variablen bezieht.
Dadurch ergeben sich Herausforderungen für die Operationalisierung (Venkatraman,
1990, S. 21):
The basic theme of strategic coalignment is generally understood in its

metaphoric form, but the derivation of a precise conceptualization (with
its operationalization) is rather complex. This is largely because of the
multiplicity of meanings and uses for the term coalignment that can be
found in the strategy literature.
Methodisch lassen sich verschiedene Ansätze zur Modellierung des Coalignment un-
terscheiden, die in ihrem inhaltlichen Verständnis differieren, so dass die Modellierung
an dieser Stelle zwar nicht über repräsentative Indikatoren, aber doch über eine
inhaltlich repräsentative Methode vorgenommen wird (vgl. Venkatraman, 1989, 1990).
Interaktionsperspektive Coalignment ist in der Forschung vielfach aus einer Inter-

aktionsperspektive betrachtet worden. Die Bedeutung dieser Perspektive wird von
Schoonhoven (1981, S. 351) betont, die ausführt when contingency theorists assert
”
that there is a relationship between two variables [...] which predicts a third variable
[...] they are stating that an interaction exists between the first two variables“ und
damit unterstreicht, dass eine Vielzahl von Fragestellungen der Organisationsfor-
schung auf Basis der Interaktionsperspektive untersucht wird. Diese Perspektive wird
typischerweise in Form von Interaktions- oder gemeinsamen Effekten spezifiziert,
jedoch gibt es auch erweiterte analytische Ansätze wie z. B. von Joyce, Slocum und
von Glinow (1982). Die Verfasser differenzieren in ihrer Arbeit im Zusammenwir-
ken von Akteur/Aktion und Umwelt/Kontext zwischen drei verschiedenen Formen
des alignment“ bzw. der congruence“, die sie als effect“, general“ und func-
” ” ” ” ”
tional“ bezeichnen. Diese unterscheiden sich in ihrer theoretischen Fundierung des
Zusammenhangs zwischen Akteur/Aktion und Umwelt/Kontext. Das effect“ Modell
”
untersucht lediglich direkte Effekte, während das general“ Modell Interaktionseffekte
”
untersucht, dabei aber die Ähnlichkeit und das Zusammenpassen der unabhängigen
Variablen betrachtet, während im functional“ Modell Substitutions- und Hinde-
”
rungseffekte untersucht werden. Diese Unterscheidung gestattet es den Autoren, eine
differenziertere Überprüfung der Coalignmenthypothese vorzunehmen und konkur-
rierende Modelle für die Erklärung des Coalignment innerhalb eines analytischen
Ansatzes zu vergleichen.14
Perspektive der Profilabweichung Im Rahmen dieser Perspektive wird Coalign-

ment als der Grad an Übereinstimmung mit einem vorab definierten Profil aufgefasst,
worin diese Perspektive der von Drazin und Van de Ven (1985) beschriebenen pat-
”
tern analysis“ ähnelt. Die Argumentation aus dieser Perspektive nimmt an, dass
ex ante ein ideales Planungsprofil spezifiziert werden kann (beispielsweise in der
14
Für eine detaillierte Darstellung der Vorgehensweise wird auf den Artikel von Joyce et al. (1982)
verwiesen.
Vorgabe bestimmter Werte für die hier betrachteten Planungsdimensionen), so dass

der Grad an Übereinstimmung einer Projektplanung mit diesem mehrdimensionalen
Profil sich positiv auf den Projekterfolg auswirkt. Im Umkehrschluss würde nach
dieser Perspektive eine starke Abweichung von diesem Profil als ein geringes Maß
an Coalignment aufgefasst werden und sollte sich negativ auf den Projekterfolg
auswirken.
Kovarianzperspektive Die Kovarianzperspektive betrachtet Coalignment als ein

Muster der Kovarianz oder der internen Konsistenz der verschiedenen Planungs-
prozessdimensionen. In diesem Fall ist der Referenzpunkt somit nicht ein ex ante
definiertes Planungsprofil, sondern der Grad an interner Konsistenz unter den Dimen-
sionen. Im Rahmen dieser Betrachtungsweise wird unterstellt, dass jeweils einzelne
Dimensionen nicht ausreichen, um eine effektive Planung durchführen zu können,
weshalb alle Dimensionen beachtet werden müssen und es daher von besonderer
Bedeutung ist, die Kovarianz zwischen ihnen zu untersuchen. Diese Konzeptuali-
sierung ähnelt dem Konzept der Metastrategy“ von Mintzberg (1978) bzw. der
”
Beschreibung von Strategie als ein Muster oder eine Reihe von größeren und klei-
neren Entscheidungen (Miles, Snow, Meyer und Coleman, 1978; Mintzberg, 1978).
Die Spezifikation des Coalignment über die Kovarianz bedarf einer Erläuterung der
zugrundegelegten sachlogischen Verknüpfung der Planungsprozessdimensionen, wie
sie mittels des ressourcenbasierten Ansatzes in Abschnitt 3.2.5 dargelegt wurde.
Allgemeine lineare Modelle oder Regressionsanalysen sind in diesem Fall nur begrenzt
nützlich, da sie nicht in der Lage sind, das Konzept einer internen Konsistenz oder
eines übergeordneten roten Fadens“ einzufangen (Hambrick, 1980, S. 571):
”
However, such an approach runs the risk of missing the concept of a
”
central thread or internal logic underlying a strategy. The regression co-
efficients may have statistical significance, but may indicate no apparent
logical linkages among the various independent variables. In fact, the re-
gression results point to the statistical effect of each independent variable
on the criterion, but they are neither calculated from nor suggestive of
’strategies’, as normativists would use the term.“
Insofern liegt eine wesentliche Herausforderung dieser Perspektive in der Wahl ge-
eigneter statistischer Modelle, um diese theoretische Perspektive zu überprüfen.
Grundsätzlich geeignet sind in diesem Zusammenhang kovarianzbasierte Strukturglei-

chungsmodelle, die auch als Kausalanalysen bezeichnet werden. Da diese Perspektive
dem in Abschnitt 3.2.5 dargestellten Verständnis des Coalignments am nächsten
kommt, wird eine Überprüfung der dort formulierten Hypothese mittels eines kovari-
anzbasierten Strukturgleichungsmodells vorgenommen.15
4.1.1.6 Projektdurchführung
Wie in Abschnitt 3.3 dargestellt wurde, können Ziel- und Prozessstabilität als
Indikatoren für die Planungs- und Umsetzungsqualität aufgefasst werden. Zudem
bestätigen empirische Untersuchungen immer wieder die negativen Effekte von
Projektziel- und -planänderungen auf den Projekterfolg. Operationalisierungen von
Ziel- und Prozessstabilität finden sich bei Salomo et al. (2007), Weise (2005) und
Dvir und Lechler (2004). Im Rahmen dieser Arbeit werden die Operationalisierungen
von Weise (2005) und Dvir und Lechler (2004) genutzt. Der erstgenannte Autor
betrachtet lediglich die Prozessstabilität, während Dvir und Lechler (2004) beide
Variablen betrachten, die Prozessstabilität allerdings nur über einen Indikator messen,
so dass hierfür auf die Operationalisierung von Weise (2005) zurückgegriffen wird.
15
Eine Darstellung dieses statistischen Verfahrens findet sich in Abschnitt 4.1.3.1.
Projektdurchführung
Prozessstabilität Zeitplan und Zielvorgaben wurden nur selten explizit

geändert.
Ressourcenentscheidungen wurden nur selten explizit revi-
diert.
Das Top-Management griff nur selten direkt in Projektar-
beiten ein.
Projektzielstabilität Die Projektziele wurden häufig geändert. (invers kodiert)

Mindestens ein Hauptziel des Projektes wurde erheblich
geändert. (invers kodiert)
Die zentralen Projektziele stimmen im Wesentlichen noch
mit denen überein, die im ursprünglichen Businessplan nie-
dergelegt waren.
Tabelle 4.5: Operationalisierung des Projektdurchführung
4.1.1.7 Innovationsgrad
Wie in den Abschnitten 2.2 und 3.4.1 herausgearbeitet wurde, handelt es sich beim
Innovationsgrad um ein multidimensionales Konstrukt, bei dessen Messung sowohl
der Technologie-Innovationsgrad, der Organisations-Innovationsgrad, der Markt-In-
novationsgrad als auch der Umfeld-Innovationsgrad berücksichtigt werden sollte.
Eine solch umfassende Operationalisierung findet sich in den Arbeiten von Salomo et
al. (2007), Weise (2005), Krieger (2005), Billing (2003), Salomo (2003) und Garcia
und Calantone (2002). Im Rahmen dieser Arbeit wird auf die Operationalisierung
von Salomo et al. (2007) zurückgegriffen, die sich neben ihrer Aktualität auch durch
ihre statistische Sparsamkeit auszeichnet, da diese Skala bei einer vergleichsweise
geringen Anzahl von Indikatoren sehr gute statistische Gütewerte erzielt.
Innovationsgrad
Technischer Neuheitsgrad Bei dieser Innovation wird ein völlig neues technologisches
Prinzip angewendet.
Diese Technologie ermöglicht eine sprunghafte Leistungs-
steigerung.
Existierende Technologien werden durch die Innovation ver-
drängt (z. B. DVD vs. Video).
Neuheitsgrad für das eigene Mit der Umsetzung des Innovationsvorhabens war eine Neu-
Unternehmen orientierung der Unternehmensstrategie verbunden.
Die Umsetzung der Innovation verlangte eine vollkommen
neue Organisationsstruktur.
Zur Umsetzung der Innovation mussten Unternehmenspro-
zesse grundlegend verändert werden.
Das gesamte Innovationsvorhaben hat die bisher in dem
Unternehmen vorhandene Kultur sehr stark verändert.
Neuheitsgrad für den Markt Die Innovation verlangt vom Kunden umfangreiche
Einstellungs- und Verhaltensänderungen.
Die Innovation erfordert einen hohen Lernaufwand für den
Kunden.
Neuheitsgrad für das Unter- Für die Durchsetzung der Innovation am Markt musste eine
nehmensumfeld neue Infrastruktur geschaffen werden (z. B. Errichtung eines
neuen Tankstellennetzwerkes für die Versorgung wasserstoff-
betriebener PKW).
Für die Durchsetzung der Innovation am Markt mussten
regulatorische Rahmenbedingungen erheblich angepasst /
geschaffen werden.
Die Innovation steht im Kreuzfeuer gesellschaftlicher Kritik.
Tabelle 4.6: Operationalisierung des Innovationsgrades
4.1.1.8 Branchenumfeld
Wie in Abschnitt 3.4.2 ausgeführt wurde, wird sich jede Branche irgendwann zumin-
dest vorübergehend mit einem mehr oder minder turbulenten Umfeld auseinander-
setzen müssen (Calantone et al., 2003). Ein solches ist dadurch charakterisiert, dass
sich in kurzer Zeit massive Veränderungen ergeben können, die ein hohes Maß an
Unsicherheit und Unvorhersagbarkeit schaffen (Bourgeois und Eisenhardt, 1988; Dess
und Beard, 1984). Ein solches Branchenumfeld ist in der Forschung vielfach als dyna-
misch bezeichnet worden (vgl. z. B. D. Miller, 1987b; Dess und Beard, 1984; D. Miller
und Friesen, 1982; Duncan, 1972; Emery und Trist, 1965). Die Ausführungen haben
zudem gezeigt, dass zwischen verschiedenen Eigenschaften des Branchenumfelds, wie
z. B. Unsicherheit, Komplexität, Feindlichkeit und Schnelllebigkeit unterschieden
werden kann. Im Rahmen dieser Arbeit wird insbesondere die Schnelllebigkeit des
Unternehmensumfeldes betrachtet, da die Analyse der Literatur in Kapitel 2 gezeigt
hat, dass diese einen wesentlichen Einfluss auf die Planung haben kann. Zu diesem
Zweck wird die Operationalisierung von D. Miller und Friesen (1982) genutzt, die
in ihrer Arbeit verschiedene Formen von Umwelteinflüssen unterscheiden, so dass
davon ausgegangen werden kann, dass die Verfasser ein besonderes Augenmerk auf
die differenzierte Formulierung der verschiedenen Indikatoren gelegt haben.
Dynamik des Unternehmensumfeldes
stabil dynamisch
Unser Unternehmen muss nur selten mit Unser Unternehmen muss seine Marketingak-
Veränderungen der Marketingaktivitäten auf tivitäten sehr häufig als Reaktion auf den
den Markt / die Konkurrenz reagieren. Markt / die Konkurrenz verändern.
Die Taktrate, mit der Produkte und Services Die Taktrate, mit der Produkte und Services
in unserer Industrie obsolet werden, ist sehr in unserer Industrie obsolet werden, ist sehr
gering. hoch.
Aktivitäten von Konkurrenten sind einfach Aktivitäten von Konkurrenten sind nicht vor-
vorherzusehen. hersehbar.
Geschmack und Nachfrage von Kunden sind Geschmack und Nachfrage von Kunden sind
einfach vorherzusagen. nicht vorhersagbar.
Fertigungs- und Servicetechnologien in un- Fertigungs- und Servicetechnologien in unse-
serer Branche unterliegen keinen großen rer Branche verändern sich stark und häufig.
Veränderungen und sind weit entwickelt.
Tabelle 4.7: Operationalisierung der Umweltdynamik

4.1.1.9 Projektkomplexität
Gemäß der Ausführungen in Abschnitt 3.4.3 wird die Komplexität in Anlehnung

an die Erkenntnisse aus der Theorie der Informationsverarbeitung operationalisiert.
Hierbei wird auf die Arbeiten von Tatikonda und Rosenthal (2000b) und Tatikonda
(1999) zurückgegriffen, in welchen die Komplexität anhand der drei Dimensionen
Interdependenzen zwischen den verschiedenen Technologien“, Neuheitsgrad der
” ”
Ziele“ und Projektschwierigkeit“operationalisiert wird.
”
Projektkomplexität
Technische Interdependenzen Technologien können Interdependenzen aufweisen, so dass

z.B. Änderungen in einem Produktmodul Änderungen in
anderen Modulen nach sich ziehen. Wie hoch schätzten Sie
zu Projektbeginn die Interdependenzen...
...zwischen den Modulen des Produktes (der Anlage, des
Systems) ein?
...zwischen den Arbeitsprozessen in den verschiedenen Ferti-
gungsschritten ein?
...zwischen Produkt- und Fertigungstechnologie ein?
Neuheit der Projektziele Wie viel Erfahrung hatte das Projektteam zu Projektbeginn
mit...
...der Zielvorgabe für die technischen Leistungsmerkmale
des Produkts (der Anlage, des Systems)?
...der Zielvorgabe für die Stückkosten?
...der Zielvorgabe für die Projektlaufzeit?
Schwierigkeit des Projektes Projektziele sind unterschiedlich schwer zu erreichen. Für

wie schwierig hielt das Projektteam das Erreichen der fol-
genden Ziele:
Vorgaben für die technische Leistungsfähigkeit des Produk-
tes
Zielkosten
Projektlaufzeit
Projekt als Ganzes
Tabelle 4.8: Operationalisierung der Projektkomplexität
Damit stellt das von den Verfassern entwickelte Messkonzept der Komplexität
durch seine Mehrdimensionalität eine Erweiterung gegenüber anderen Ansätzen
dar, welche lediglich auf die Projektgröße abstellen (vgl. Tatikonda und Rosenthal,
2000b) oder nur begrenzt eine differenzierte Messung gestatten.16 Für die vorliegende
Arbeit wurden die Formulierungen der Indikatoren an den Untersuchungsgegenstand
angepasst.
4.1.1.10 Projekterfolg
Bereits in Abschnitt 3.5 wurde auf die Vielschichtigkeit des Erfolgsbegriffes hingewie-
sen und verdeutlicht, welche Probleme sich daraus für dessen Messung ergeben. So
sind nach Hauschildt (1991) im Rahmen eines Messkonzeptes für den Innovationser-
folg der Messbereich, die Messdimensionen, der Messzeitpunkt, die Referenzgrößen
der Messung und das Messsubjekt zu spezifizieren.
Entsprechend des Untersuchungsziels der vorliegenden Arbeit wird der Messbereich

auf die Ebene des Einzelprojektes festgelegt. Als Messdimensionen werden die in der
Untersuchung von Salomo et al. (2007) genutzten Indikatoren verwendet, welche den
Innovationserfolg in die drei Dimensionen Produkterfolg, Markterfolg und Projektef-
fizienz unterteilen. Bezüglich des Messzeitpunktes wurden die Informanten gebeten,
die Beantwortung des Fragebogens auf das letzte abgeschlossene Projekt, welches
das Unternehmen in den Markt eingeführt hat und an dem sie beteiligt waren, zu
beziehen. Hinsichtlich der Referenzgröße für die Messung wurde ausgeführt, dass zeit-
und branchenübergreifende Erfolgsvergleiche mittels eines absoluten Referenzmaß-
stabs aufgrund der damit verbundenen Willkür problematisch erscheinen (vgl. z. B.
Zhang und Doll, 2001; Song und Parry, 1997a; Hauschildt, 1991). Da die vorliegende
Arbeit jedoch Innovationsvorhaben in mehreren Branchen miteinander vergleicht,
wird dem Hinweis von Hauschildt (2004) gefolgt, der den Vergleich von Innovations-
projekten mit einem zuvor definierten Ziel als einzig rationale Vorgehensweise zur
Erfolgsbewertung ansieht. Insofern werden im Rahmen dieser Arbeit die während der
Frühphasenplanung ursprünglich definierten Vorhabensziele als Referenzgröße für die
Erfolgsbeurteilung herangezogen. Auf der Ebene des Messsubjektes, also der Frage
16
So stellen beispielsweise Clift und Vandenbosch (1999) in ihrer Untersuchung einen Zusammen-
hang zwischen dem Innovationsgrad und der Projektkomplexität her und setzen in Anlehnung
an das in Abschnitt 2.2 dargestellte Klassifikationsschema von Booz, Allen & Hamilton Kostenre-
duktionsprojekte und Repositionierungen mit einfachen Projekten gleich, während weitreichende
Veränderungen und Weltneuheiten als komplexe Projekte eingestuft werden.
Projekterfolg
Produkterfolg Wie hoch war die Zielerreichung für die folgenden produkt-
bezogenen Zielgrößen in Ihrem Entwicklungsvorhaben?
Erreichung der technischen Leistungsziele
Erreichung der angestrebten Qualität
Produktionsfreundlichkeit des Produktes
Markterfolg Wie hoch war die Zielerreichung für die folgenden marktbe-
zogenen Zielgrößen in Ihrem Entwicklungsvorhaben?
Erreichung des Zielumsatzes
Erreichung des Ziel-Marktanteils
Erzielung eines nachhaltigen Wettbewerbsvorteils
Projekteffizienz Wie hoch war die Zielerreichung für die folgenden projekt-
bezogenen Zielgrößen in Ihrem Entwicklungsvorhaben?
Budgeteinhaltung
Einhaltung der Time-to-Market
Zeitplaneinhaltung
Tabelle 4.9: Operationalisierung des Projekterfolgs
danach, wer um eine Erfolgsbewertung gebeten wird, muss sich die vorliegende Arbeit
auf das Urteil von Schlüsselinformanten verlassen.17 Auch wenn dieses Vorgehen
eigene Schwierigkeiten birgt, wurde von dem Versuch, objektive Kennzahlen für die
einzelnen Erfolgsdimensionen zu erheben, abgesehen, da auch dieses Vorgehen mit
erheblichen Problemen behaftet sein kann, wie Dess und Robinson (1984) und Dawes
(1999, S. 67 f.) verdeutlichen:
[...] managers may be reluctant to disclose actual performance data if

”
they consider it commercially sensitive or confidential. Second, subjective
measures may be more appropriate than objective measures for compa-
ring profit performance in cross-industry studies. This is because profit
levels can vary considerably across industries, obscuring any relationship
between the independent variables and company performance. Subjective
measures might be more appropriate in this situation because managers
17
Zur Eignung von Schlüsselinformanten als Datenquelle siehe auch Abschnitt 4.1.2.1
can take the relative performance of their industry into account when
providing a response (ie ’rate the profit performance of your firm rela-
tive to others in your industry’). Third, performance measures such as
profitability may not accurately indicate the underlying financial health
of a company. Profitability may vary due to reasons such as the level
of investment in R&D or marketing activity, that might have longer
term effects. Last, there have been several studies that show a strong
correlation between objective and subjective measures.“
Angesichts dieser potenziellen Probleme, der vergleichsweise einfach durchzufüh-

renden subjektiven Erfolgseinschätzung durch die Informanten und dem breiten
Industriequerschnitt der Untersuchung in der vorliegenden Arbeit, der die Ver-
gleichbarkeit objektiver Kennzahlen stark einschränken könnte, wird daher auf die
subjektiven Urteile der Schlüsselinformanten zurückgegriffen.
4.1.2 Erhebungsdesign und Stichprobenstruktur

Nachdem in Kapitel 3 die zu testenden Hypothesen formuliert wurden und die
Operationalisierung der Konstrukte in Abschnitt 4.1.1 und den zugehörigen Unter-
abschnitten dargestellt wurde, widmen sich die folgenden Punkte der praktischen
Durchführung der Datenerhebung. Hierzu wird zunächst auf die Datengrundlage
und die Erhebung eingegangen, bevor anschließend die Stichprobenstruktur näher
beschrieben wird.
4.1.2.1 Datengrundlage, erforderlicher Stichprobenumfang und

Datenerhebung
Den Ausgangspunkt einer empirischen Untersuchung bildet die Wahl einer der Fra-
gestellung angemessenen Datenerhebungsmethode. Im Rahmen der vorliegenden
Untersuchung, die den Anspruch erhebt, die entwickelten Hypothesen anhand der
betrieblichen Planungspraxis von Innovationsprojekten zu überprüfen, ist es erfor-
derlich, eine Primärerhebung durchzuführen.
Vor dem Hintergrund der Zielsetzung, die Planung von Innovationsprojekten mit
unterschiedlichen Neuheitsgraden und in unterschiedlichen Umfeldsituationen zu
untersuchen, wurde entschieden, die Erhebung nicht nur innerhalb einer Branche
durchzuführen, sondern durch eine Streuung über mehrere Branchen ein breiteres
Spektrum hinsichtlich des Branchenumfelds einzufangen, um zu möglichst allgemein-
gültigen Aussagen kommen zu können. Zur Identifikation der Branchen wurden
Expertengespräche mit Vertretern aus Wissenschaft und Praxis geführt. Um eine
Vergleichbarkeit der Planungsprozesse in den Projekten zu gewährleisten, wurde
entschieden, die Untersuchung auf das verarbeitende Gewerbe einzuschränken, da
in der Innovationsforschung neben den Gemeinsamkeiten der Entwicklung neuer
Dienstleistungen und Produkte auch immer wieder auf bedeutende Unterschiede
hingewiesen wird (vgl. z. B. Nijssen, Hillebrand, Vermeulen und Kemp, 2006; I. Drejer,
2004; A. Johne und Storey, 1998). Zudem wurden Branchen wie die Pharmaindus-
trie, Medizintechnik oder die Luftfahrt(zulieferer)industrie von der Untersuchung
ausgeschlossen, bei denen zu befürchten war, dass besonders strenge gesetzliche
Vorschriften und Dokumentationspflichten eine Vergleichbarkeit des Planungsver-
haltens mit anderen Branchen erschweren würde. Als Grundlage für die empirische
Untersuchung wurden schließlich die Branchen Maschinenbau (Nace18 -Schlüssel 29),
Herstellung von Geräten der Elektrizitätserzeugung und Elektrizitätsverteilung19
(Nace-Schlüssel 31), Medizin-, Mess-, Steuer- und Regelungstechnik, Optik20 (Nace-
Schlüssel 332, 333, 334) und Herstellung von Kraftwagen und Kraftwagenteilen
(Nace-Schlüssel 34) ausgewählt. Für die vorliegende Arbeit wurden zudem nur Unter-
nehmen mit mindestens 100 Mitarbeitern ausgewählt, um sicherzustellen, dass dort
etablierte Planungs- und Entwicklungsprozesse existieren, und zu vermeiden, dass
Prozesse kleiner und junger Unternehmen, die viele Eigenheiten aufweisen können
und damit schwer vergleichbar wären, Gegenstand der Analyse werden (vgl. auch
Eisenhardt und Tabrizi, 1995). In räumlicher Hinsicht wurde die Untersuchung auf
die Bundesrepublik Deutschland eingeschränkt.
In Hinblick auf die Identifikation konkreter Ansprechpartner in den identifizier-
ten Unternehmen war es von besonderer Relevanz, dass diese in die Planung von
Innovationsprojekten eingebunden waren. Um insbesondere hinsichtlich der Ge-
staltungsdimension Partizipation“ ein umfassendes empirisches Bild zu erhalten,
”
18
Nomenclature générale des activités économiques
19
Im Folgenden wird diese Branche aus Gründen der besseren Lesbarkeit als Elektrotechnik
bezeichnet.
20
Im Folgenden wird von der Mess-, Steuer- und Regelungstechnik gesprochen.
wäre eine Befragung ganzer Projektteams und evtl. weiterer, in die Planung ein-
gebundener Personen aus verschiedenen Unternehmensfunktionen vorteilhaft. Eine
derartige Vorgehensweise ließ sich allerdings aus Gründen der Erhebungseffizienz
nicht realisieren, so dass auf die Methode der Befragung von Schlüsselinformanten,
sog. Key-Informants, zurückgegriffen werden musste (vgl. z. B. Berekoven, Eckert
und Ellenrieder, 2006). Diese zeichnen sich dadurch aus, dass sie in Bezug auf die die
zu untersuchende Fragestellung über ein herausragendes Wissen verfügen und daher
als Repräsentanten“ der Zielgruppe fungieren können. Auf Basis der Ausführungen
”
in Abschnitt 3.2 lässt sich die Person des Projektleiters als ein möglicher Schlüs-
selinformant identifizieren. Zudem wurde im Rahmen der Expertengespräche der
Frage nachgegangen, welche weiteren Personen die für die zu untersuchende Fragestel-
lung zu stellenden Anforderungen erfüllen. Als potenziell geeignete Ansprechpartner
wurden so darüber hinaus Projektingenieure bzw. Konstrukteure, Projekt- bzw.
F&E-Controller, Produktmanager, Technische Leiter, Entwicklungsleiter und für
kleinere Unternehmen die Geschäftsleitung identifiziert.
Aufgrund der gegen die Befragung von Schlüsselinformanten vorgebrachten Beden-
ken hinsichtlich systematischer oder zufälliger Fehler insbesondere bei komplexen
Beurteilungsaufgaben wurden die Experten zudem um die Bewertung der Komple-
xität der vorliegenden Befragung gebeten. Dabei herrschte die Meinung vor, dass
ein einzelner Informant in der Lage wäre, die Fragen vollständig und verlässlich zu
beantworten.
Nachdem sowohl die zu untersuchenden Branchen als auch die potenziellen An-
sprechpartner in den Unternehmen identifiziert wurden, ist im nächsten Schritt
der für die Untersuchung notwendige Stichprobenumfang zu ermitteln. Wird von
einer Vollerhebung abgesehen, die vielfach aus Kosten- und Zeitgründen nicht re-
alisierbar ist, muss die Analyse auf Basis einer Teilerhebung durchgeführt werden.
In Abhängigkeit von den gewählten statistischen Analyseverfahren bedarf es dabei
einer mehr oder minder großen Stichprobe. Insbesondere die in Abschnitt 4.1.1.5
bereits erwähnten Strukturgleichungsmodelle verlangen nach großen Stichproben
(vgl. z. B. Hair, Black, Babin, Anderson und Tatham, 2006; Backhaus et al., 2000).
In der Literatur werden diesbezüglich immer wieder Faustformeln genannt, wobei die
Angaben zum Stichprobenumfang variieren: So werden N ≥ 100, N ≥ 200 oder auch
N ≥ Anzahl der zu schätzenden Parameter + 50 als Untergrenzen für den Stich-
probenumfang genannt (vgl. z. B. Backhaus et al., 2000; Bearden, Sharma und Teel,
1982; Bagozzi, 1981). Diese Regeln stoßen jedoch mit einer zunehmenden Komplexität
des zu schätzenden Modells an ihre Grenzen, da sie, wenn überhaupt, lediglich die
Anzahl der zu schätzenden Parameter als Einflussfaktor auf den erforderlichen Stich-
probenumfang berücksichtigen und andere Treiber vernachlässigen (Bearden et al.,
1982). Sie sind daher kritisch zu betrachten und werden in einigen Veröffentlichungen
bereits als veraltet bezeichnet (vgl. z. B. McQuitty, 2004).
Um auf Basis der Teilstichprobe inferenzstatistische Aussagen über die gesam-
te Population treffen zu können, müssen für den Forscher akzeptable statistische
Fehlerwahrscheinlichkeiten spezifiziert werden (Hair et al., 2006). Hierbei wird ty-
pischerweise zwischen dem Fehler erster Art (α) und dem Fehler zweiter Art (β)
unterschieden (Kleinbaum, Kupper, Muller und Nizam, 1998): Der Fehler erster Art
beschreibt die Wahrscheinlichkeit, die Nullhypothese zurückzuweisen, obwohl sie
eigentlich angenommen werden müsste, oder mit anderen Worten die Wahrschein-
lichkeit, dass ein Test statistische Signifikanz anzeigt, obwohl diese in Wahrheit nicht
vorliegt. Der Fehler zweiter Ordnung hingegen beschreibt die Wahrscheinlichkeit, eine
Nullhypothese nicht zurückzuweisen, obwohl sie eigentlich zurückgewiesen werden
müsste. Ein statistisch hoch interessantes Maß stellt die Wahrscheinlichkeit 1 − β
dar, die auch als statistische Power bezeichnet wird. Sie beschreibt die ability of
”
correctly rejecting the null hypothesis when it should be rejected. Thus, power is the
probability that statistical significance will be indicated if it is present“ (Hair et al.,
2006, S. 10). Diese Zusammenhänge der verschiedenen Fehlerwahrscheinlichkeiten
sind noch einmal in Abbildung 4.4 zusammengefasst:
Realität
kein Unterschied Unterschied
β
H0: kein Unterschied 1-α
Fehler zweiter Art
statistische
Entscheidung
α 1-β
Ha: Unterschied
Fehler erster Art statistische Power
Abbildung 4.4: Wahrscheinlichkeiten der Ergebnisse bei Hypothesentests. In Anlehnung

an Kleinbaum et al. (1998)
Für gewöhnlich wird α als derjenige Wert angegeben, bei dem statistische Zusam-
menhänge als signifikant erachtet werden, jedoch zeigt Abbildung 4.4, dass es die
statistische Power ist, die die Erfolgswahrscheinlichkeit bestimmt, mit der Unter-
schiede gefunden werden, wenn diese tatsächlich existieren. Allerdings lassen sich α
und β nicht zeitgleich auf besonders niedrige Werte setzen, da sie invers miteinander
verbunden sind: Je restriktiver der Fehler erster Art kontrolliert wird, umso höher ist
die Wahrscheinlichkeit für das Auftreten eines Fehlers zweiter Art. Somit verringert
eine stärkere Restriktion des Fehlers erster Art die Power eines statistischen Tests.
Insofern muss abgewogen werden, wie ein Gleichgewicht zwischen der Wahrschein-
lichkeit α und der Power eines statistischen Test realisiert werden kann (Hair et al.,
2006).
Diese Wahrscheinlichkeiten sind von Bedeutung, da sie es gestatten, gemeinsam
mit der Effektgröße, dem Grad zu dem angenommen wird, dass die Nullhypothese
H0 nicht zutrifft, im Rahmen einer sogenannten Poweranalyse einen mindestens
erforderlichen Stichprobenumfang rechnerisch zu ermitteln (MacCallum, Browne und
Sugawara, 1996).21 Im Rahmen einer Poweranalyse für ein Strukturgleichungsmodell
muss neben den genannten Größen zusätzlich die Anzahl der Freiheitsgrade des
Modells berücksichtigt werden (McQuitty, 2004). In der resultierenden Formel steigt
der erforderliche Stichprobenumfang mit einer abnehmenden Fehlerwahrscheinlich-
keit α, einer höheren gewünschten Power, einer geringeren Effektgröße sowie einer
geringeren Zahl an Freiheitsgraden (MacCallum et al., 1996; Cohen, 1992). Somit ist
auch dieses Verfahren nicht frei von Problemen, da bei Einbeziehung einer hohen
Anzahl an Indikatoren und einer sich daraus ergebenden hohen Zahl an Freiheitsgra-
den sehr kleine Mindeststichprobenumfänge entstehen können, welche kaum noch
Aussagekraft besitzen (McQuitty, 2004; MacCallum et al., 1996). Insofern ist der
ermittelte Wert als Untergrenze anzusehen, und es sollte trotzdem eine möglichst
hohe Fallzahl angestrebt werden.
Im Rahmen der vorliegenden Arbeit wurde wurde die Poweranalyse mit dem
SAS Makro csmpower“ von Michael Friendly durchgeführt, welches auf dem von
”
21
Problematisch ist allerdings, dass die Wahrscheinlichkeit, mit der eine Nullhypothese falsch
ist, eine für den Forscher unbekannte Größe darstellt. Diese Wahrscheinlichkeit kann jedoch in
Abhängigkeit von der zugrundegelegten Effektstärke und dem statistischen Testverfahren aus
der Literatur entnommen werden (vgl. z. B. MacCallum et al., 1996; Cohen, 1992, 1988).
MacCallum et al. (1996) entwickelten Verfahren basiert.22 Die hierfür erforderliche

Lizenz für die Statistiksoftware SAS konnte im Rahmen eines Projektantrages über
das Rechenzentrum der Universität Hamburg genutzt werden. Basierend auf den
Ausführungen in Abschnitt 3.6 und der Operationalisierung der latenten Variablen in
Abschnitt 4.1.1 ergibt sich ein Strukturgleichungsmodell mit 514 Freiheitsgraden. Für
den Fehler erster Ordnung α wird im Rahmen der Poweranalyse ein gängiger Wert
von 0,05 angenommen. Als Wert für die statistische Power wird üblicherweise 0,8
gewählt (vgl. für beide Werte Cohen, 1992). Für die vorliegende Untersuchung wird
jedoch ein Wert von 0,9 gewählt, um eine vorsichtigere Schätzung des minimalen
Stichprobenumfangs zu erhalten. Schließlich ist für eine Durchführung der Powera-
nalyse noch die Effektstärke zu spezifizieren. Diese wird nach dem Verfahren von
MacCallum et al. (1996) für Poweranalysen für Strukturgleichungsmodelle über die
RMSEA-Werte23 der Null- und der Alternativhypothese ermittelt. Hierbei werden
üblicherweise Werte von 0,05 für die Nullhypothese und 0,08 für die Alternativhypo-
these gewählt. Im Rahmen dieser Arbeit wird jedoch eine vorsichtigere Schätzung
vorgenommen, so dass ein Wert von 0,07 für die Alternativhypothese zugrundegelegt
wird.
Aufbauend auf diesen Werten liefert die Poweranalyse einen minimalen Stichpro-
benumfang von 101. Da es jedoch im Zuge der Reliabilitäts- und Validitätsprüfung
der Konstrukte zur Elimination einzelner Indikatoren kommen kann und sich hieraus
Änderungen für die Zahl der Freiheitsgrade ergäben, wurde zusätzlich eine Berech-
nung durchgeführt, in der gemäß der three indicator rule“ (vgl. z. B. Hair et al.,
”
2006) angenommen wurde, dass jede latente Variable lediglich mit drei Indikatoren
gemessen wird.24 Hieraus ergibt sich ein Modell mit 311 Freiheitsgraden, so dass sich
ein notwendiger minimaler Stichprobenumfang von 113 bzw. 140 für eine statistische
Power von 0,8 bzw. 0,9 ergibt.
22
Michael Friendly stellt das Makro im Internet über die Homepage der York University unter der
Adresse http://www.math.yorku.ca/SCS/sasmac/csmpower.html zur Verfügung.
23
Root Mean Square Error of Approximation
24
Nach der three indicator rule“ sollten latente Variablen möglichst mit drei oder mehr Indi-
”
katoren gemessen werden, um Identifikationsproblem im Rahmen der Modellspezifikation zu
vermeiden. Bei signifikanten Zusammenhängen zwischen den latenten Variablen ist jedoch auch
eine Operationalisierung mit zwei Indikatoren pro Konstrukt möglich (Hair et al., 2006).
Eine persönliche bzw. telefonische Befragung von mindestens 101 Unternehmens-

vertretern war aufgrund begrenzter finanzieller und zeitlicher Ressourcen nicht
praktikabel, so dass die Daten für die vorliegende Arbeit in Form einer schriftlichen,
standardisierten Befragung erhoben wurden. Neben pragmatischen Gründen, wie
der Kosten- und Zeitersparnis, sprechen jedoch auch methodische Überlegungen für
dieses Vorgehen. Beispielsweise können durch diese Art der Datenerhebung Antwort-
verzerrungen, die aus einem Interviewereinfluss erwachsen können, vermieden werden.
Darüber hinaus ist die Zusicherung von Anonymität der Informanten im Rahmen
einer schriftlichen Befragung in der Regel glaubhafter als bei persönlichen Interviews.
Schließlich können sich Personen, die beruflich oder privat stark eingebunden sind,
leichter an einer schriftlichen Befragung beteiligen da sie zeitlich flexibler gestaltet
werden kann und die Terminkoordination für ein Gespräch entfällt (Kuß, 2007).
Insbesondere dieser Aspekt ist für die vorliegende Untersuchung von Bedeutung,
da die identifizierten Schlüsselinformanten erfahrungsgemäß zu einer, vor allem aus
Termingründen, nur schwer erreichbaren Zielgruppe zählen.
Berekoven et al. (2006) verdeutlichen allerdings auch, dass die Erhebungsmethode
der schriftlichen Befragung mit potenziellen Problemen behaftet ist: So können
Kommunikationsprobleme entstehen, da im Gegensatz zu einer mündlichen oder tele-
fonischen Befragung keine oder nur beschränkte Möglichkeiten für etwaige Rückfragen
bestehen. Insofern ist im Rahmen der Ausarbeitung des Fragebogens mit besonderer
Sorgfalt vorzugehen und es ist u. a. auf die Formulierung verständlicher Fragen, einen
möglichst knappen Fragebogenumfang und eine gute Strukturierung zu achten.25
Diesen Aspekten wurde Rechnung getragen, indem die potenziellen Informanten im
Anschreiben ausdrücklich ermutigt wurden, für Rückfragen mit dem Verfasser in
Kontakt zu treten und sich darüber hinaus mit ihm über aus ihrer Sicht bestehende
Probleme oder Forschungsbedarfe auszutauschen. Bei der Erstellung des Fragebogens
wurden zudem die einschlägigen Empfehlungen der Methodenforschung beachtet
(vgl. z. B. Kuß, 2007; Aaker, Kumar und Day, 2001). Für die in den Messmodellen
genutzten Indikatoren wurde zudem versucht, auf bereits bewährte Skalen und Formu-
lierungen zurückzugreifen, um eine möglichst hohe Verständlichkeit zu gewährleisten.
Der Fragebogen wurde in einem iterativen Prozess entwickelt, in dessen Verlauf
er wiederholt mit Wissenschaftlern und Praktikern in Hinblick auf Sinnhaftigkeit,
25
Für eine ausführlichere Darstellung vgl. z. B. Berekoven et al. (2006) und Kuß (2007).
Eindeutigkeit und Verständlichkeit der Fragen und der Gestaltung diskutiert wurde.
Abschließend wurde mit 15 Schlüsselinformanten aus den Branchen Maschinenbau,
Optik und Herstellung von Kraftwagenteilen ein Pretest durchgeführt, in dessen
Rahmen die Probanden gebeten wurden, den Fragebogen auszufüllen, den hierfür
benötigten Zeitaufwand zu dokumentieren sowie Anmerkungen und Verbesserungs-
vorschläge zu unterbreiten. Auf Basis des Feedbacks wurden lediglich geringfügige
Modifikationen vorgenommen, um einzelne Fragen noch weiter zur präzisieren.
Ein weiteres Problem schriftlicher Befragungen besteht in der im Vergleich zu
persönlichen oder telefonischen Interviews geringen Rücklaufquote (Berekoven et
al., 2006). Diese können in Abhängigkeit von der Untersuchung erheblichen Schwan-
kungsbreiten unterliegen: So spricht Meffert (1992) von einer durchschnittlichen
Rücklaufquote schriftlicher Befragungen von 5-30 Prozent, während Aaker et al.
(2001) eine Spannweite von 10-90 Prozent angeben. Berekoven et al. (2006) wei-
sen zudem darauf hin, dass die Auskunftsbereitschaft seit geraumer Zeit rückläufig
ist, so dass sich zunehmend nur noch geringere Ausschöpfungsquoten realisieren
lassen. Dies ist insofern problematisch, als sich bei einer geringen Rücklaufquote
Repräsentanzprobleme ergeben können. Insofern ist einerseits eine ausreichend große
Grundgesamtheit für die Befragung zu bestimmen und andererseits sind Maßnahmen
zur Erhöhung der Rücklaufquote zu ergreifen.
Auf Basis einer angenommenen Rücklaufquote von ca. 10 Prozent der Fragebögen,26
von denen ca. 10 Prozent als nicht für die Datenauswertung nutzbar angenommen wer-
den, wurde ein minimaler Umfang von 1.700 für die Befragungsgesamtheit festgelegt.27
Als Grundlage für die Auswahl der Befragungsgesamtheit wurde die Hoppenstedt-
Datenbank gewählt. Diese umfasst nach eigenen Angaben Daten zu 250.000 deut-
schen Unternehmen. Die Unternehmensprofile enthalten neben Adressdaten wie
Anschrift und Telefonnummer und der über die NACE-Schlüssel kodierten Bran-
chenzugehörigkeiten auch Angaben zu verschiedenen Entscheidungsträgern in den
26
Aufgrund des unglücklichen Zeitpunktes der Datenerhebung ab Juni und der Gefahr, ferienbe-
dingt nicht alle Ansprechpartner erreichen zu können, wurde mit 10 Prozent ein vorsichtiger Wert
für den angenommenen Rücklauf zugrundegelegt. Aus Termingründen war eine Verschiebung
der Datenerhebung auf einen geeigneteren Zeitpunkt ab September leider ausgeschlossen.
27
Auf Basis dieser Annahmen würde sich ein Nettostichprobenumfang von 153 ergeben, der damit
die erforderlichen 140 Datensätze übersteigen würde.
Unternehmen.28 Damit bieten diese Firmenprofile nicht nur die erforderlichen Adress-
daten, sondern gestatten auch eine persönliche Ansprache der Schlüsselinformanten.
Unter Nutzung der bereits genannten Branchenschlüssel und einer Mindestanzahl von
100 Mitarbeitern als weiteren Filter wurden insgesamt 3077 Datensätze identifiziert.
Diese wurden zunächst um Doppelnennungen bereinigt, da eine Reihe von Unterneh-
men in mehreren der untersuchten Branchen geführt wurden. Ebenso wurden reine
Holding- und Beteiligungsgesellschaften ausgeschlossen. Anschließend wurden die
Datensätze hinsichtlich der benötigten Informationen auf Vollständigkeit überprüft.
Für 88 Unternehmen waren keine Angaben zu Entscheidungsträgern im Unternehmen
verfügbar. In 12 Fällen konnten diese auch nicht über weitere Recherchen ermittelt
werden, so dass diese Unternehmen von der Untersuchung ausgeschlossen wurden. Die
Schlüsselinformanten wurden anhand einer Reihe synonymer Suchbegriffe aus den Da-
tensätzen herausgefiltert.29 Konnte auf diesem Wege kein geeigneter Ansprechpartner
identifiziert werden, wurde in kleinen Unternehmen ein Mitglied der Geschäftsleitung
als Ansprechpartner ausgewählt.30 Für mittlere und große Unternehmen wurden
mittels Internetrecherchen und des Geschäftskontaktnetzwerkes Xing31 geeignete
Schlüsselinformanten identifiziert. Wenn sich auch hierdurch keine zufriedenstellende
Lösung erzielen ließ, wurde schließlich ein Mitglied der Geschäftsleitung als An-
sprechpartner gewählt. Im Zuge dieser Datenaufbereitung wurde festgestellt, dass
zu einer Reihe von Mehrfachnennungen einiger Ansprechpartner kam. Eine weitere
Betrachtung der Daten zeigte, dass in mehreren Fällen unterschiedliche Unterneh-
men unter der gleichen Anschrift und mit dem gleichen Ansprechpartner aufgeführt
waren. Aufgrund der verschiedenen Unternehmensnamen war diese Doppelung im
ersten Bereinigungsschritt nicht feststellbar. Wenn möglich, wurde in diesen Fällen
ein alternativer Ansprechpartner recherchiert. Zudem stellte sich im Rahmen der
Datenaufbereitung heraus, dass im Zuge des Datenexports aus der Datenbank und
der Portierung in eine Excel Datei einige Fehler bei der Darstellung von Umlauten
auftraten, so dass der Datensatz noch einmal einer Rechtschreibprüfung unterzogen
28
Für die Informationen zur Hoppenstedt-Datenbank vgl. http://www.firmendatenbank.de.
29
Hierfür wurden Begriffe wie Forschung, Entwicklung, Technik, Research, Development, Produkt,
technisch, F&E, R&D, etc. genutzt.
30
Hier wurden nach Möglichkeit die Verantwortlichen für die Bereiche Marketing oder Business
Development gewählt, da unterstellt wurde, dass diese eine gewisse Nähe zur Neuproduktent-
wicklung aufweisen würden.
31
http:/www.xing.de
wurde. Am Ende dieses Prozesses standen 2784 Datensätze zur Verfügung. Da sich
der ermittelte minimale Stichprobenumfang damit bereits auf ca. zwei Drittel der
zur Verfügung stehenden Grundgesamtheit belief, entschloss sich der Verfasser zu
einer Vollerhebung.32
Um eine zufriedenstellende Rücklaufquote zu erreichen, wurden die folgenden

Maßnahmen ergriffen:33
• personalisierte Adresse und Versand des Fragebogen als Brief (nicht als Druck-
sache)
• persönliches und handschriftlich unterzeichnetes Anschreiben, in dem das

Anliegen erläutert, vertrauliche Behandlung zugesichert und gegebenenfalls um
Weiterleitung gebeten wurde
• Angebot der kostenlosen Zusendung einer Zusammenfassung der Ergebnisse

sowie eines individuellen Benchmarkings als Gegenleistung“ für die Teilnahme
”
• sorgfältige und übersichtliche Gestaltung des Fragebogens sowie Fragebogen-
länge unter 12 Seiten34
• Möglichkeit der Fragebogenbeantwortung online oder in Papierform
• Durchführung einer zweistufigen Nachfassaktion: (1) Zusendung eines Erinne-

rungsschreibens mit einem Hinweis auf den online-Fragebogen ca. 3 Wochen
nach Versand der Fragebögen an diejenigen Ansprechpartner, die bis dahin noch
nicht geantwortet hatten. Da sich abzeichnete, dass aufgrund der Sommerferien
nur wenig Rücklauf auf die erste Nachfassaktion folgte, wurden nach weite-
ren vier Wochen (2) die Ansprechpartner noch einmal per E-Mail kontaktiert
32
Dieser Entschluss erfolgte auch aufgrund der von verschiedenen Autoren formulierten Anfor-
derungen an den Stichprobenumfang für die Analyse von Strukturgleichungsmodellen, da die
genannten Werte mehrfach den mittels der Poweranalyse berechneten Wert überschreiten (vgl.
z. B. Backhaus et al., 2000; Bearden et al., 1982; Bagozzi, 1981).
33
Für eine Übersicht über Möglichkeiten zur Steigerung der Rücklaufquote siehe Kuß (2007) und
Aaker et al. (2001).
34
Aaker et al. (2001) nennen bereits 6-8 Seiten als Obergrenze für den Umfang schriftlicher
Befragungen, wenn diese nur mittelmäßig interessant für die Respondenten ist. Der für diese
Arbeit genutzte Fragebogen umfasste insgesamt 8 Seiten, von denen ca. 6,5 für Fragen genutzt
wurden.
und mit dem erneuten Hinweis auf den online-Fragebogen sowie die bereits
eingegangenen Fragebögen um die Teilnahme an der Befragung gebeten.
Im Fragebogen wurden die Befragten gebeten, ihre Antworten auf das letzte
Neuproduktentwicklungsprojekt zu beziehen, an dem sie beteiligt waren und das
das Unternehmen abgeschlossen und in den Markt eingeführt hat. Dabei wurde
bewusst auf die Frage nach einem typischen“ Projekt verzichtet, da sich im Rahmen
”
des Pre-Tests zeigte, dass die Unternehmensvertreter die in ihren Unternehmen
durchgeführten Neuproduktentwicklungsprojekte als zu unterschiedlich empfanden,
um von einem typischen Vorgehen zu sprechen.
Zum Abschluss des Befragungszeitraumes (September 2008) waren 151 ausgefüllte
Fragebögen eingegangen. Zudem stellte sich heraus, dass bei 62 Unternehmen die
Adressdaten erloschen waren, es sich bei 17 Unternehmen um Töchter ausländischer
Unternehmen handelte, die in Deutschland keine Forschung und Entwicklung betrei-
ben, 8 Unternehmen lediglich Auftragsentwicklung betrieben und somit keine eigenen
Projekte planten und 5 Unternehmen in der Zwischenzeit Insolvenz angemeldet hat-
ten. Hieraus ergab sich eine Bruttostichprobe von 2692 Unternehmen. Auf dieser Basis
beträgt die Rücklaufquote somit 5,61 Prozent. Um eine Verzerrung der Ergebnisse
zu vermeiden, wurden die Fragebögen auf konsistentes Antwortverhalten hin geprüft
und Fragebögen von der Analyse ausgeschlossen, bei denen fehlende Werte bei der
abhängigen Variablen zu beobachten waren.35 Auf diese Weise wurden 14 Fragebögen
von der folgenden Analyse ausgeschlossen, wodurch sich eine Nettostichprobe von
137 Fragebögen und eine bereinigte Rücklaufquote von 5,1 Prozent ergaben. Auch
wenn mit Ausnahme der besonders konservativen Schätzung der im Rahmen der
Power-Analyse bestimmte erforderliche Stichprobenumfang übertroffen wurde und
sich das erzielte Ergebnis in der Spannweite durchschnittlich zu erwartender Werte
befindet, ist es insgesamt aber als gering zu beurteilen.
35
Während die Entfernung von Datensätzen mit fehlenden Werten aufgrund des damit verbunde-
nen hohen Informationsverlustes grundsätzlich kritisch zu betrachten ist, wird im Falle fehlender
Werte bei den abhängigen Variablen empfohlen, diese Datensätze von der Analyse auszuschlie-
ßen, um eine künstliche Verstärkung der Beziehung zwischen unabhängigen und abhängigen
Variablen zu vermeiden (vgl. z. B. Hair et al., 2006). Auf die Behandlung fehlender Werte bei
den unabhängigen Variablen wird in Abschnitt 4.2.2 eingegangen.
4.1.2.2 Stichprobenstruktur
Der folgende Abschnitt dient einer genaueren Beschreibung der erzielten Stichprobe
um im Anschluss daran mögliche Repräsentativitätsprobleme zu diskutieren. Abbil-
dung 4.5 zeigt die Verteilung der Branchenzugehörigkeit der Unternehmen in der
Grundgesamtheit sowie in der erzielten Stichprobe:
Realisierte Stichprobe Grundgesamtheit

2,2%
10,9% 12,54%
11,28%
13,87%
59,85% 60,94%
15,23%
13,14%
Maschinenbau Elektrotechnik Automobilzulieferer Mess-/Steuer-/Regelungstechnik nicht genannt
Abbildung 4.5: Vergleich von realisierter Stichprobe und Grundgesamtheit hinsichtlich

der Branchenverteilung
Zunächst ist zu konstatieren, dass Unternehmen aus allen angeschriebenen Bran-

chen an der Untersuchung teilgenommen haben.36 Jedoch gibt es gegenüber der
Grundgesamtheit leichte Abweichungen in der Verteilung, so dass einzelne Branchen
über- bzw. unterrepräsentiert sind. Die Unternehmen aus dem Maschinenbau machen
mit jeweils ca. 60 Prozent in der Grundgesamtheit und der erzielten Stichprobe
die absolute Mehrheit aus. Die Elektrotechnikbranche hingegen ist in der erzielten
Stichprobe leicht unterrepräsentiert. Während sie in der Grundgesamtheit mit 15,2
Prozent vertreten ist, liegt ihr Anteil in der Stichprobe lediglich bei 13,1 Prozent.
Die Hersteller von Kraftwagen und Kraftwagenteilen hingegen sind in der Stichprobe
überrepräsentiert: In der Grundgesamtheit liegt ihr Anteil mit 11,3 Prozent unter
dem erzielten Anteil von 13,9 Prozent. Die Unternehmen aus dem Bereichen Mess-,
36
Zur übersichtlicheren Darstellung wurden die verschiedenen Unterklassen des Nace-Schlüssels 33
zu einem Block Mess-, Steuer- und Regelungstechnik“ zusammengefasst. Hierin sind auch die
”
unter dem Nace-Schlüssel 334 geführten Unternehmen der Optikbranche enthalten.
Steuer- und Regelungstechnik sowie Optik hingegen sind in der Stichprobe unter-
repräsentiert. Gegenüber einem Anteil von 12,5 Prozent in der Grundgesamtheit
repräsentieren sie nur 10,9 Prozent der erzielten Stichprobe.
Insgesamt ist damit zu konstatieren, dass die Stichprobe hinsichtlich der Bran-
chenverteilung der Unternehmen weitgehende Ähnlichkeit mit der Grundgesamtheit
aufweist.
Die Unternehmensgröße wurde in Form einer offenen Frage erhoben und die
Unternehmen für eine einfachere Darstellung an dieser Stelle zu einzelnen Grup-
pen zusammengefasst. Die sich hieraus ergebende Verteilung der Unternehmen ist
in Abbildung 4.6 dargestellt. An dieser Stelle wird von einem Vergleich zwischen
der Grundgesamtheit und der erzielten Stichprobe abgesehen, da ein Überprüfung
der Angaben zeigte, dass die Auskünfte der Schlüsselinformanten und die in der
Hoppenstedt- Datenbank hinterlegten Werte teilweise erheblich voneinander abwi-
chen. Weiterführende Recherchen im Internet ergaben, dass dies zumindest teilweise
darauf zurückzuführen ist, dass die Antworten sich auf unterschiedliche Unterneh-
mensbereiche zu beziehen scheinen.37 Die Überprüfung ergab zudem, dass die in
der Hoppenstedt-Datenbank enthaltenen Angaben zur Mitarbeiterzahl teilweise acht
Jahre alt waren, so dass ein Vergleich an dieser Stelle wenig sinnvoll erscheint.
Hinsichtlich der befragten Personen ist insbesondere zu überprüfen, ob die zu-
vor identifizierten Schlüsselinformanten mit den tatsächlich antwortenden Personen
übereinstimmen. Deutliche Abweichungen zwischen den eigentlichen Zielpersonen
und den tatsächlich Antwortenden können zu Ergebnisverfälschungen führen, da nicht
ohne weiteres angenommen werden kann, dass die Aussagen der Nichtadressaten mit
denen der eigentlichen Schlüsselinformanten übereinstimmen (Berekoven et al., 2006).
Neben der Position des Antwortenden im Unternehmen wurde zudem dessen Berufs-
erfahrung in der Neuproduktentwicklung sowie die Anzahl der Innovationsprojekte,
die die antwortende Person in ihrer aktuellen Position begleitet hat, abgefragt. Ein
Abgleich der Angaben auf den Fragebögen mit den zuvor identifizierten potenziellen
Schlüsselinformanten wies weitreichende Übereinstimmung auf.
37
Manche Mitarbeiterzahlen scheinen sich auf konkrete (Produktions-)Standorte zu beziehen,
während andere sich auf Deutschland und weitere wiederum auf die weltweiten Mitarbeiter eines
Unternehmens beziehen.
35%
30%
25%
20%
15%
10%
5%
0%
100-250 251-500 501-1000 1001-5000 >5000 keine Angabe
Anzahl der Mitarbeiter
Abbildung 4.6: Verteilung der Unternehmen in der erzielten Stichprobe nach

Größenklassen
Die Befragten verfügten über durchschnittlich 13,7 Jahre Berufserfahrung in der

Neuproduktentwicklung und waren in ihrer aktuellen Position an durchschnittlich
19,7 Innovationsprojekten beteiligt. Somit ist davon auszugehen, dass die antwor-
tenden Personen sowohl aufgrund ihrer Position im Unternehmen als auch auf-
grund ihre beruflichen Erfahrung im Bereich Neuproduktentwicklung tatsächlich als
Schlüsselinformanten angesehen werden können und die Gefahr der Ergebnisverfäl-
schung durch ungeeignete Nichtadressaten somit als gering einzustufen ist.
Nachdem die Unternehmen sowie die Schlüsselinformanten beschrieben wurden,

sollen im Folgenden die Projekte näher betrachtet werden, die die Basis für die
Antworten der Informanten bilden. Abbildung 4.7 gibt einen Überblick über die
verschiedenen Geschäftstypen, denen sich die Innovationsprojekte zuordnen lassen.
Bei 66 Projekten (48 Prozent) handelte es sich um Produktgeschäfte. 38 Projekte (28
Prozent) entstanden aus Zulieferergeschäften, 18 Projekte (13 Prozent) lassen sich
dem Anlagengeschäft zuordnen und 15 Projekte (11 Prozent) dem Systemgeschäft.
Die Projekte dauerten im Schnitt ca. 24 Monate und wurden von Teams durchgeführt,
die eine durchschnittliche Größe von 11 Personen hatten.
13%
28%
11% Zulieferergeschäft
Produktgeschäft
Systemgeschäft
Anlagengeschäft
48%
Abbildung 4.7: Geschäftstypen der untersuchten Innovationsprojekte
Bezüglich des Innovationsgrades zeigt sich, dass die meisten Projekte einen mode-
raten bis mittleren Innovationsgrad aufweisen und nur wenige als radikal bezeichnet
werden können. Zur graphischen Veranschaulichung wurde der Mittelwert der Indi-
katoren gebildet und auf die jeweils nächste ganze Zahl auf- bzw. abgerundet. Die
Ergebnisse sind in Abbildung 4.8 zusammengefasst.
45%
40%
35%
30%
25%
20%
15%
10%
5%
0%
1 2 3 4 5 6 7
Innovationsgrad (gerundet)
Abbildung 4.8: Neuheitsgrad der untersuchten Innovationsprojekte
Basierend auf dieser Betrachtung der Stichproben- und Probandencharakteristika

lässt sich konstatieren, dass die Anforderungen an die Schlüsselinformanten für die
Beantwortung des Fragebogens weitgehend erfüllt sind. Zudem ist auch auf Basis
der unternehmensdemographischen Daten keine Verzerrung der Ergebnisse durch die

Über- oder Unterrepräsentanz einzelner Branchen zu erwarten.
Jedoch können Ergebnisverzerrungen auch daraus entstehen, dass sich die an der
Befragung teilnehmenden Unternehmen (Respondents) von den nicht antwortenden
Unternehmen (Non Respondents) in für die Untersuchung wesentlichen Merkmalen
unterschieden. Allerdings wird ein systematischer Vergleich beider Unternehmens-
gruppen durch den in der Regel geringen Informationsstand über die Merkmale der
nicht antwortenden Unternehmen erschwert.
Eine Möglichkeit zur Identifikation potenzieller Verzerrungen durch Nichtbeant-
wortung des Fragebogens bestimmter Unternehmensgruppen bietet das Verfahren
von J. S. Armstrong und Overton (1977) zur Schätzung des Nonresponse Bias. Dem
Verfahren liegt der Idee zugrunde, die Stichprobe in früh Antwortende ( early respon-
”
dents“) und spät Antwortende ( late respondents“) zu unterteilen und diese beiden
”
Gruppen auf systematische Unterschiede in ihrer demographischen Struktur und
ihrem Antwortverhalten zu untersuchen. Hierbei wird angenommen, dass mittels
der spät Antwortenden eine Extrapolation auf die nicht antwortenden Unternehmen
möglich ist, da die spät antwortenden Unternehmen den nicht antwortenden ähnlicher
sind als den früh antwortenden Unternehmen. Zu diesem Zweck wurde die Stich-
probe anhand des Medians des Rücklaufdatums des Fragebogens in zwei Gruppen
unterteilt. Anschließend wurden die Mittelwerte der abgefragten Unternehmensdaten
mittels eines t-Tests für zwei unabhängige Stichproben miteinander verglichen. Die
Ergebnisse sind in Tabelle 4.10 zusammengefasst.
Levene’s Test for t-Test for Equality of

Equality of Variances Means
Sig.
F Sig. t df (2-tailed)
Mitarbeiterzahl 2,636 0,107 -1,200 125 0,232
Jahresumsatz in Mio Euro 3,307 0,072 -1,146 116 0,254
Tabelle 4.10: Überprüfung auf Nonresponse Bias durch t-Test auf Gleichheit der Mittel-
werte zwischen früh Antwortenden und spät Antwortenden
Bei Betrachtung der Tabelle wird deutlich, dass die zu prüfende Nullhypothese
Es besteht kein Unterschied in den Mittelwerten zwischen den Gruppen der früh
”
Antwortenden und der spät Antwortenden“ auf einem Signifikanzniveau von 5 Pro-
zent nicht verworfen werden kann. Zudem zeigt der Levene-Test, dass auf einem
Signifikanzniveau von 5 Prozent auch keine signifikanten Unterschiede in den Varian-
zen der betrachteten Variablen zwischen den Gruppen bestehen. Insofern kann im
Rahmen der vorliegenden Arbeit davon ausgegangen werden, dass kein Nonresponse
Bias vorliegt.
Abschließen wurde der Datensatz mittels der Tests nach Komolgoroff-Smirnov und
Shapiro-Wilk auf eine multivariate Normalverteilung überprüft. Für beide Verfahren
musste die Hypothese über die multivariate Normalverteilung der Daten verworfen
werden.
4.1.3 Methodik der Datenauswertung

Im Rahmen dieses Abschnitts wird auf die für die vorliegende Arbeit wesentlichen
statistischen Verfahren eingegangen. Hierbei handelt es sich insbesondere um Struk-
turgleichungsmodelle, die in Abschnitt 4.1.3.1 behandelt werden sowie um die hierar-
chische moderierte Regressionsanalyse, die zur Überprüfung von Interaktionseffekten
genutzt werden kann und in Abschnitt 4.1.3.2 näher erläutert wird.
4.1.3.1 Strukturgleichungsmodelle
Die Ausführungen in Kapitel 2 und 3 haben gezeigt, dass es sich bei der Planung von
Innovationsprojekten um ein komplexes Phänomen handelt, für dessen Analyse die
Betrachtung einer Vielzahl von Variablen erforderlich ist. Zudem bedarf es für eine
Untersuchung der Erfolgswirksamkeit der Projektplanung sowohl der Betrachtung
von Beziehungen zwischen unabhängigen Variablen (z. B. zwischen Planung und
Umsetzung) als auch zwischen unabhängigen und der abhängigen Variable (z. B. zwi-
schen Planung und Erfolg sowie zwischen Umsetzung und Erfolg). In Abschnitt 4.1.1
wurde zudem verdeutlicht, dass es sich bei den hierbei zu betrachtenden Variablen
um latente Konstrukte handelt, die sich einer direkten Messung entziehen und daher
mittels beobachtbarer Variablen operationalisiert werden müssen. Folglich müssen
im Rahmen dieser Arbeit solche Analysetechniken genutzt werden, die die beiden
folgenden Eigenschaften bieten: Die Analysemethode muss es erlauben, eine Vielzahl
unabhängiger Variablen und deren Beziehungen untereinander simultan zu prüfen.

Die Analysetechnik muss in der Lage sein, explizit zwischen beobachtbaren Variablen
und latenten Konstrukten zu unterschieden, aber trotzdem beide Variablentypen
in der Untersuchung berücksichtigen. Diesen Ansprüchen werden grundsätzlich die
modernen Verfahren der Kausalanalyse (engl. structural equation modeling (SEM),
causal modeling), häufig auch als Strukturgleichungsmodelle bezeichnet, gerecht:
[...] various theoretical models can be tested in SEM that hypothesize how sets
”
of variables define constructs and how these constructs are related to each other“
(Schumacker und Lomax, 2004, S. 2).38
Die Analyse von Strukturgleichungsmodellen vollzieht sich in mehreren Schritten,
wobei insbesondere die Modellspezifikation, die Schätzung, die Modellbewertung und
eventuell erforderliche Modellmodifikationen von Bedeutung sind (vgl. z. B. Kline,
2005; Schumacker und Lomax, 2004; Hoyle, 1995). Der Ablauf dieser Schritte ist in
Abbildung 4.9 dargestellt. Im Folgenden wird vor allem näher auf die ersten drei von
ihnen eingegangen.
Modellspezifikation
und Identifikationsprüfung
Parameterschätzung
ggf. Modellmodifikation
Modellbeurteilung
Ergebnisinterpretation
Abbildung 4.9: Vorgehensweise im Rahmen der Kausalanalyse. Quelle: Homburg und

Pflesser (2000)
Modellspezifikation Im ersten Schritt einer Kausalanalyse muss das zu untersu-

chende Modell spezifiziert werden. Unter einem Modell ist dabei eine statistische
38
Im Folgenden wird ausschließlich auf kovarianzbasierte Strukturgleichungsmodelle eingegangen.
Neben diesen existieren varianzbasierte Verfahren wie die Partial Least Squares (PLS) Methode,
auf deren Darstellung hier jedoch verzichtet wird. Sie wird beispielsweise ausführlich in den
Büchern von Huber et al. (2007) und Bliemel, Eggert, Fassott und Henseler (2005) behandelt.
Aussage über die Beziehungen von Variablen zu verstehen (Hoyle, 1995). Im Rah-
men der Spezifikation wird zunächst ein theoriegeleitetes Modell aus latenten und
beobachtbaren Variablen entwickelt (Schumacker und Lomax, 2004, S. 62):
Model specification involves using all of the available relevant theory,

”
research, and information and developing a theoretical model. Thus, prior
to any data collection or analysis, the researcher specifies a specific model
that should be confirmed with variance-covariance data.“
Innerhalb des Modells werden lineare Zusammenhänge zwischen den verschiedenen

Variablen postuliert, wobei zwischen gerichteten und nicht gerichteten Beziehungen
unterschieden wird. Die gerichteten Zusammenhänge beschreiben die in den Hypo-
thesen formulierten Wirkungen einer Variable auf andere Variablen, während die
nicht gerichteten Beziehungen die Kovarianzen zwischen den Variablen darstellen.
Diese Beziehungen werden als nicht gerichtet bezeichnet, da keine Wirkungsrichtung
spezifiziert wird. Jeder dieser Beziehungen kann gedanklich ein numerischer Wert
zugewiesen werden, so dass sie wesentliche Modellparameter darstellen (MacCallum,
1995), die ebenfalls spezifiziert werden müssen (Schumacker und Lomax, 2004, S.
62):
Model specification involves determining every relationship and para-

”
meter in the model that is of interest to the researcher.“
Typischerweise wird im Rahmen der Spezifikation zwischen fixierten, eingeschränk-

ten und freien Modellparametern unterschieden, wobei die erstgenannten nicht auf
Basis der Daten geschätzt werden, sondern vom Forscher festgelegt werden, während
die beiden letztgenannten aus den Daten geschätzt werden. Eingeschränkte Para-
meter werden dabei so spezifiziert, dass sie dem Wert eines oder mehrerer anderer
Parameter entsprechen müssen. Die Kombination aus fixen, eingeschränkten und
freien Modellparametern beschreibt die zwei wesentlichen Komponenten eines Struk-
turgleichungsmodells: das Messmodell und das Pfadmodell39 (Hoyle, 1995). Das
Messmodell ist der Teil des Gesamtmodells, der - meist in Form eines konfirma-
torischen Faktorenmodells - die linearen Beziehungen zwischen den latenten und
39
Das Pfadmodell wird häufig auch als Strukturmodell im engeren Sinne bezeichnet. Von dieser
Nomenklatur wird hier jedoch Abstand genommen, um Missverständnisse zu vermeiden.
beobachtbaren Variablen beschreibt, also den Zusammenhang zwischen den latenten

Konstrukten und den ihnen zugehörigen Indikatoren charakterisiert. Das Pfadmodell
ist der Teil des Gesamtmodells, der die linearen Zusammenhänge zwischen den
latenten Variablen und ggf. den beobachtbaren Variablen, die nicht Indikatoren
sind, beschreibt. Der Kern der Kausalanalyse liegt somit in der Kombination der
Entwicklungen aus Ökonometrie (Pfadmodell) und Psychometrie zur Messung nicht
direkt beobachtbarer Konstrukte (Homburg und Klarmann, 2006). Mathematisch
wird das Pfadmodelle wie folgt beschrieben:
η = Bη + Γξ + ζ (4.1)
wobei η die latente endogene Variable, ξ die latente exogene Variable beschreibt. B ist
die Matrix der Pfadkoeffizienten βi der endogenen auf die endogenen Variablen. Γ ist
die Matrix mit den Pfadkoeffizienten, die die Zusammenhänge zwischen den exogenen
und den endogenen Variablen darstellen. ζ beschreibt den zusätzlichen Fehlerterm,
der aus zufälligen Störungen und Fehlspezifikationen besteht. Die φix schließlich
beschreiben die Kovarianzen zwischen den latenten Konstrukten Die Messmodelle für
die latenten exogenen und die latenten endogenen Variablen werden mathematisch
wie folgt beschrieben:
x = Λx ξ + δ (4.2)
y = Λy η + ε (4.3)
Hierbei werden die Indikatoren zur Messung der latenten exogenen Variablen mit
x und die der latenten endogenen Variablen mit y bezeichnet. Die Messfehler zu
den Indikatoren sind mit δ bzw. ε bezeichnet. Die Matrizen Λx und Λy sind die
Matrizen der Ladungen der Indikatoren x bzw. y auf die latenten Variablen ξ und η.
Die Elemente dieser Matrizen werden mit λ bezeichnet. Diese Zusammenhänge sind
in Abbildung 4.10 zusammengefasst.
Im Rahmen der Modellspezifikation ist insbesondere auch darauf zu achten, dass
das Modell identifiziert ist (Hoyle, 1995, S. 4)40 :
40
Ein Modell kann entweder genau identifiziert, unteridentifiziert oder überidentifiziert sein. Ein
Modell ist dann identifiziert und damit eindeutig lösbar, wenn es gerade identifiziert oder
überidentifiziert ist. Für eine ausführliche Darstellung siehe Kline (2005).
δ1 x1 λx11
ζ1
ξ1 γ 11
δ2 x2 λx21 λy11 y1 ε1
φ21 η1
δ3 x3 λx32 γ 12 λy21 y2 ε2
ζ2
ξ2 β21
δ4 x4 λx42 λy32 y3 ε3
γ 22
φ32 η2
δ5 x5 λx53 φ31 λy42 y4 ε4
ξ3 γ 23
δ6 x6 λx63
Messmodell der latenten Messmodell der latenten
exogenen Variablen endogenen Variablen
Pfadmodell
Abbildung 4.10: Strukturgleichungsmodell mit Messmodell und Pfadmodell
A fundamental consideration when specifying models in SEM is iden-

”
tification. Identification concerns the correspondence between the infor-
mation to be estimated - the free parameters - and the information from
which it is to be estimated - the observed variances and covariances. More
specifically, identification concerns whether a single, unique value for each
and every free parameter can be obtained from the observed data.“
Ist ein Modell nach der ursprünglichen Spezifikation unteridentifiziert und damit
nicht eindeutig lösbar, können durch die Einschränkung oder Fixierung weiterer
Modellparameter mehr Informationen zur Verfügung gestellt werden, um so das
Modell zu identifizieren (Schumacker und Lomax, 2004).
Parameterschätzung Nachdem ein identifiziertes Modell spezifiziert wurde, kann

es im nächsten Schritt geschätzt werden. Hierfür stehen eine Reihe meist iterativer
Verfahren zur Verfügung, deren gemeinsame Grundidee darin besteht, die Kovari-
anzmatrix der Indikatorvariablen bestmöglich zu reproduzieren, also die Differenz
zwischen der modellimplizierten Kovarianzmatrix und der aus den Daten beobach-
teten Kovarianzmatrix zu minimieren (Hoyle, 1995). Diese unterscheiden sich im
wesentlichen hinsichtlich der Voraussetzungen, auf denen sie basieren, sowie im Hin-
blick auf die statistischen Eigenschaften der resultierenden Schätzer (Homburg und
Baumgartner, 1995).
Merkmal ML GLS ULS
Normalverteilungsannahme ja ja nein
41
konsistente Schätzer ja ja ja
42
asymptotisch effiziente Schätzer ja ja nein
43
Skaleninvarianz ja ja nein
44
Skalenfreiheit ja ja nein
Tabelle 4.11: Eigenschaften verbreiteter Schätzverfahren. Eigene Darstellung in Anlehnung

an Krane und Slaney (2005), Schumacker und Lomax (2004) und Kaplan (2000)
Das am weitesten verbreitete Schätzverfahren ist die Maximum-Likelihood Schätzung

(ML), welche als Standardmethode in den meisten Computerprogrammen zur Analyse
von Strukturgleichungsmodellen voreingestellt ist (Kline, 2005). Weitere relevante
Methoden sind die General-Least-Squares Schätzung (GLS) und die Unweighted-
Least-Squares Schätzung (ULS) (vgl. z. B. Ogasawara, 2003; Schumacker und Beyer-
lein, 2000). Eine Übersicht über die Eigenschaften dieser Schätzverfahren findet sich
in Tabelle 4.11.
41
Konsistenz beschreibt die Eigenschaft der Schätzer, bei einem hinreichend großen Stichproben-
umfang den wahren“ Wert beliebig exakt zu schätzen (Bortz, 2005).
42 ”
Man spricht von einem effizienten Parameter, wenn er erwartungstreu (d. h. unverzerrt) ist
und gleichzeitig den geringsten Schätzfehler aller unverzerrt geschätzten Parameter aufweist
(Schneeweiß, 1990).
43
Man spricht von Skaleninvarianz, wenn der Wert der Zielfunktion bei Veränderung der Maßein-
heiten der Indikatorvariablen unverändert bleibt (Kaplan, 2000).
44
Skalenfreiheit liegt vor, wenn bei Veränderungen der Maßeinheiten der Indikatorvariablen die
Parameterschätzer entsprechend angepasst werden (Kaplan, 2000).
Wie aus der Tabelle ersichtlich wird, besitzen insbesondere die Methoden ML und
GLS eine Reihe statistisch wünschenswerter Eigenschaften. Insofern wird häufig zu
ihrem Einsatz geraten (Chou und Bentler, 1995, S. 54):
When the data are multivariate normally distributed and when the
”
sample size is large enough, the ML and GLS methods are certainly
preferred because of computational simplicity, accuracy, and correctness
of statistical results, but when data are nonnormal, the situation changes
completely.“ 45
Die Ausführungen von Chou und Bentler (1995) verdeutlichen jedoch gleichzei-
tig die erforderlichen Voraussetzungen für den Einsatz dieser Methoden. Wie die
Ausführungen in Abschnitt 4.1.2.2 gezeigt haben, erfüllt die vorliegende Stichprobe
nicht die Anforderung multivariater Normalverteilung der Daten. Obwohl in der
Literatur eine Vielzahl verschiedener Stichprobenumfänge als Mindestanforderung
für den Einsatz der ML-Methode genannt werden (vgl. z. B. Gaul und Homburg,
1988), ist der Umfang der vorliegenden Stichprobe mit 137 so dimensioniert, dass
Verzerrungen aufgrund einer möglicherweise zu geringen Anzahl an Datensätzen
nicht ausgeschlossen werden können.
Der hieraus resultierenden Problematik für die Wahl des Schätzverfahrens kann auf
vier verschiedene Weisen begegnet werden (Kline, 2005; S. G. West et al., 1995):
• Normalisierung der Daten mittels Transformationen und Anwendung des ML-

Verfahrens46
• Verwendung des ML-Verfahrens mit Korrekturverfahren47
• Verwendung eines Schätzverfahrens, das keine oder nur geringe Verteilungsan-

nahmen voraussetzt48
45
Für eine ausführliche Darstellung der Probleme, die sich beim Einsatz von ML und GLS mit
nicht normalverteilten Daten ergeben siehe S. G. West, Finch und Curran (1995).
46
Für die Vorgehensweise und aus der Datentransformation resultierende Probleme siehe Kline
(2005)
47
Siehe hierfür zum Beispiel Satorra und Bentler (2001).
48
Neben der bereits genannten ULS-Methode ist in dieser Situation auch die Schätzung mittels der
Weighted Least Squares (WLS) Methode möglich, welche allerding extrem große Stichproben
erfordert und daher auch als Asymptotically Distribution Free (ADF) bezeichnet wird. Komplexe
Modelle bedürfen für die Schätzung mittels ADF oft mehrere tausend Datensätze (Kline, 2005;
Krane und Slaney, 2005; Schumacker und Lomax, 2004).
• Verwendung des ML-Verfahrens und Durchführung eines nicht-parametrischen

Bootstrapping49
Im Rahmen der vorliegenden Arbeit wird vor diesem Hintergrund die Parameter-
schätzung mittels der ULS-Methode vorgenommen. Von Datentransformationen wird
aufgrund der damit verbundenen Probleme Abstand genommen. Die von Satorra
und Bentler (2001) entwickelten Korrekturverfahren für die ML-Schätzung sind
nicht in der genutzten Software AMOS verfügar, so dass nicht auf diesen Ansatz
zurückgegriffen werden kann.50 Von der Verwendung eines Bootstrapping wird neben
der Problematik des Stichprobenumfangs auch aufgrund fehlender Erfahrungswerte
abgesehen (Kline, 2005, S. 197): Because there are at present few other studies of
”
the bootstrap method as a way to deal with nonnormality in SEM, it is difficult to
recommend it now with confidence.“ Die ADF-Methode schließlich scheidet aufgrund
der erheblichen Anforderungen an den Stichprobenumfang als Schätzverfahren aus.
Trotz der im Vergleich zur ML-Methode oder dem GLS-Verfahren weniger wün-
schenswerten statistischen Eigenschaften bietet die ULS-Schätzung jedoch auch einige
Vorteile. Die mittels des Verfahrens vorgenommene Minimierung der Zielfunktion
und die zugehörige Definition eines guten Modell Fits sind besonders intuitiv (Krane
und Slaney, 2005). Simulationsstudien zeigen zudem, dass das ULS-Verfahren der
ML-Methode bei der Aufdeckung schwacher Wirkungszusammenhänge überlegen ist,
insbesondere wenn der Stichprobenumfang gering ist (Ximénez, 2006). Von geringerer
Bedeutung ist heutzutage der im Vergleich zur ML-Methode geringere Bedarf an
Rechenleistung und Computerhardwareanforderungen (Kline, 2005). Simulations-
studien zeigen zudem eine hohe Korrelation von ML-basierten und ULS-basierten
Schätzern, wenn einheitliche Skalen verwendet werden (Ogasawara, 2003).
Modellbeurteilung Im Rahmen der Modellbeurteilung wird der sogenannte Fit des

Modells, also die Anpassung der Daten an das Modell, bewertet (Hoyle, 1995, S. 6):
A model is said to fit the observed data to the extent that the covariance matrix it
”
implies is equivalent to the observed covariance matrix.“ Der Fit lässt sich auf zwei
49
Simulationsstudien von Nevitt und Hancock (2001) zeigen, dass ein Bootstrapping für Stich-
probenumfänge von N ≥ 200 zu einer Verringerung der Verzerrung von ML Schätzungen bei
nicht normalverteilten Daten führt. Für kleinere Stichprobenumfänge konnten jedoch keine
zufriedenstellenden Ergebnisse erzielt werden.
50
Die von Satorra und Bentler vorgeschlagenen Korrekturverfahren sind hingegen in den Statistik-
pakten LISREL und EQS in den aktuellen Versionen verfügbar.
verschiedene Arten betrachten: Einerseits kann die Anpassung des gesamten Modells
(global) betrachtet werden, andererseits auch die Anpassung einzelner Modellparame-
ter (lokal) (Schumacker und Lomax, 2004). Für gewöhnlich wird zur Bewertung der
Anpassungsgüte der sogenannte χ2 goodness-of-fit Index genutzt. Aufgrund verschie-
dener Probleme mit diesem Test wurden allerdings eine Reihe weiterer Fit-Indizes
entwickelt, die sich oft intuitiver interpretieren lassen. Ihnen ist gemeinsam, dass
sie nicht die modellimplizierte mit der beobachteten Kovarianzmatrix vergleichen,
sondern den Fit durch einen Vergleich des spezifizierten Modells mit einem sogenann-
ten Nullmodell, in dem keine Zusammenhänge zwischen den Variablen spezifiziert
sind, ermitteln. Insofern spiegeln die meisten dieser Indizes die Verbesserung der
Anpassung des spezifizierten Modells im Vergleich zum Nullmodell wider. Da diese
Indizes selbst keine Statistiken sind, gestatten sie keine formal-statistischen Tests der
Modellanpassung, sondern werden als globale Indizes der Modeleignung aufgefasst
(Hoyle, 1995). Im Gegensatz zu anderen statistischen Verfahren, die über einen
einzelnen besonders aussagekräftigen Anpassungstest verfügen, steht zur Beurteilung
von Strukturgleichungsmodellen eine mittlerweile schwer überschaubare Vielzahl
von Indizes zur Verfügung (Schumacker und Lomax, 2004; Hu und Bentler, 1995).51
Einen Überblick über die Einordnung einer Auswahl dieser Anpassungsmaße bietet
Abbildung 4.11.
Da bei Verwendung der ULS-Methode nicht alle von Hu und Bentler empfohle-
nen Anpassungsmaße zur Verfügung stehen, werden über die von Hu und Bentler
(1999) empfohlene 2-Index-Strategie“ 52 hinaus weitere, zusätzliche Anpassungsmaße
”
genutzt.
Einen Überblick über die im Rahmen dieser Arbeit verwendeten Anpassungsmaße

liefert Tabelle 4.12.
51
Ein Überblick findet sich bei Hu und Bentler (1995) sowie Hu und Bentler (1999).
52
Hu und Bentler (1999) untersuchen die Eignung einer Reihe von Paaren von Anpassungsmaßen.
Die jeweils gemeinsame Nutzung von zwei Anpassungsmaßen wird von den Autoren als 2-Index-
”
Strategie“ bezeichnet.
Anpassungsmaße
Globale Anpassungsmaße Lokale Anpassungsmaße
Anpassungsmaße Anpassungsmaße Anpassungsmaße

(Relative globale
mit für das für das
Anpassungsmaße)
Vergleichsstandards Strukturgleichungsmodell Messmodell
Beispiel: Beispiele:
• Quadrierte multiple • Indikatorreliabilität
Korrelation • t-Wert der Faktor-
ladungen
• Faktorreliabilität
St d Alone
Stand Al
• Durchschnittlich er-
Anpassungsmaße fasste Varianz
Inferenzstatistische Despkriptive Inkrementelle

Anpassungsmaße Anpassungsmaße Anpassungsmaße
Beispiele:
• F2-Teststatistik
• RMSEA (root mean Anpassungsmaße, Anpassungsmaße, Anpassungsmaße, Anpassungsmaße,
squared error of die Freiheitsgrade die Freiheitsgrade die Freiheitsgrade die Freiheitsgrade
approximation) nicht berücksichtigen berücksichtigen nicht berücksichtigen berücksichtigen
Beispiel: Beispiele: Beispiel: Beispiel:
• GFI • F2/df • NFI • CFI
• AGFI
Abbildung 4.11: Übersicht zu Anpassungsmaßen zur Beurteilung von Kausalmodellen.

Quelle: Homburg und Pflesser (2000)
Anpassungsmaß Schwellenwert
Gesamtmodell
GFI (Goodness of Fit Index) ≥ 0, 9
AGFI (Adjusted Goodness of Fit Index) ≥ 0, 9
NFI (Normed Fit Index) ≥ 0, 9
RFI (Relative Fit Index) ≥ 0, 9
PNFI (Parsimonious Normed Fit Index) ≥ 0, 7
Messmodell
Indikatorreliabilität ≥ 0, 4
Konstruktreliabilität ≥ 0, 6
durchschnittlich erfasste Varianz ≥ 0, 5
Strukturgleichungsmodell
quadrierte multiple Korrelation für Erfolgsgrößen ≥ 0, 2
Tabelle 4.12: Anpassungsmaße und Schwellenwerte. In Anlehnung an Verworn (2005)

4.1.3.2 Analyse von Moderationseffekten
Wie in Kapitel 3 ausgeführt wurde soll neben den komplexen Wirkungsbeziehungen

zwischen Projektplanung, -umsetzung und -erfolg auch der Einfluss verschiedener
Kontextfaktoren wie dem Innovationsgrad, der Projektkomplexität und dem Unter-
nehmensumfeld auf die Planungsaktivitäten von Innovationsprojekten untersucht
werden. Hieraus ergeben sich Wechselwirkungen, die auch als Moderationseffekte
bezeichnet werden. Die Variable, die die Wirkungsbeziehung zweier anderer Variablen
beeinflusst wird daher auch als Moderator bezeichnet (Baron und Kenny, 1986, S.
1174):
In general terms, a moderator is a qualitative (e.g., sex, race, class)

”
or quantitative (e.g., level of reward) variable that affects the direction
and/or strength of the relation between an independent or predictor
variable and a dependent or criterion variable.“
Moderationseffekte können auf unterschiedliche Weise analysiert werden. Grund-

sätzlich kann eine solche Überprüfung auch im Rahmen der bereits beschriebenen
Strukturgleichungsmodelle vorgenommen werden (Huber, Heitmann und Herrmann,
2006). Da diese jedoch in aller Regel lineare Wirkungszusammenhänge betrachten
sind hierfür erweiterte Ansätze erforderlich, die aufgrund ihrer Komplexität und
der Unkenntnis der Anwender hinsichtlich des Einsatzes dieser Methoden bislang
wenig genutzt werden (Scholderer, Balderjahn und Paulssen, 2006). Vor diesem
Hintergrund erscheint insbesondere der von Klein und Muthen (2007) entwickelte
Quasi-ML-Ansatz viel versprechend, der mittlerweile in der Statistiksoftware Mplus
integriert ist. Da diese dem Verfasser jedoch nicht zur Verfügung stand, wird im
Rahmen dieser Arbeit auf andere Analyseverfahren zurückgegriffen. Sharma, Durand
und Gur-Arie (1981) nennen hierbei insbesondere die Untergruppenanalyse (Sub-
group Analysis) als auch die moderierte Regressionsanalyse. Die erstgenannte findet
Anwendung, wenn es sich beim Moderator um eine kategoriale Variable handelt,
während die letztgenannnte für die Untersuchung metrisch bzw. kontinuierlich ska-
lierter Variablen eingesetzt wird.
Zum Zwecke einer Untergruppenanalyse werden die Daten anhand der Ausprägung
der Moderatorvariablen in verschiedene Gruppen unterteilt, für die jeweils die Wir-
kungsbeziehungen zwischen den weiteren betrachteten ermittelt werden. Zur Über-

prüfung des Moderationseffekts wird anschließend überprüft, ob sich die ermittelten
Beziehungen signifikant von einander unterscheiden. Wenn dies der Fall ist, kann der
Moderationseffekt als bestätigt angesehen werden.
Moderierte Regressionsanalyse Die Verwendung der Regressionsanalyse zur Un-

tersuchung von Moderationseffekten für metrisch bzw. kontinuierlich skalierte Va-
riablen bietet den Vorteil, dass ein möglichst hoher Informationsgehalt der Daten
gewahrt wird. Die für eine Untergruppenanalyse erforderliche Verdichtung dieser
Variablen zu einer kategorialen Gruppenvariable würde hingegen zu erheblichen Infor-
mationsverlusten führen (Sharma et al., 1981). Um zu überprüfen, ob die Beziehung
zwischen einer unabhängigen Variable x (Regressor, engl. predictor variable) und
einer abhängigen Variable y (Regressand, engl. criterion variable) von einer weiteren
Variable z (Moderator, engl. moderator variable) beeinflusst wird, wird üblicherweise
das Produkt von x und z, das auch als Interaktionsterm bezeichnet wird, gebildet
und dieses in die Regressionsgleichung eingeschlossen (Irwin und McClelland, 2001;
Aiken und West, 1991; Venkatraman, 1989). Es wird jedoch empfohlen, nicht nur eine
einzelne Regressionsgleichung mit dem Produkt von x und z zu berechnen, sondern
es sollte ein mehrstufiges, häufig auch als hierarchisch bezeichnetes, Vorgehen gewählt
werden, bei dem zunächst die direkten Effekte überprüft und erst danach schrittweise
die Interaktionsterme hinzugefügt werden (P. D. Allison, 1977). Im Rahmen einer
regressionsanalytischen Überprüfung eines einfachen Moderationseffekts sollten daher
die folgenden drei Regressionsgleichungen berechnet und analysiert werden (Zedeck,
1971):
y = a + bx (4.4)
y = a + b1 x + b2 z (4.5)
y = a + b1 x + b2 z + b3 xz (4.6)
Die Gleichungen 4.4 und 4.5 ermitteln die direkten Effekte von x und z, während
Gleichung 4.6 den Moderationseffekt enthält. Zur Klärung des moderierenden Einflus-
ses werden in der Literatur verschiedene Vorgehensweisen vorgeschlagen: Während
Bedeian und Mossholder (1994) und Sharma et al. (1981) ausschließlich auf die
Signifikanz der Koeffizienten in den verschiedenen Regressionsmodellen abstellen,
untersuchen Carte und Russell (2003) und C. H. Anderson (1986) die Regressions-
modelle auf signifikante Änderungen der erklärten Varianz R2 .53 Diesem Verfahren
soll auch im Rahmen der vorliegenden Arbeit gefolgt werden, so dass die Regressi-
onsmodelle anhand der folgenden Formel auf signifikante Unterschiede bezüglich der
von ihnen erklärten Varianz überprüft werden (C. H. Anderson, 1986):
RF2 − RR2
/dfF − dfR
FΔR2 = 2
(4.7)
(1 − RF )/(N − k − 1)
wobei FΔR2 den F-Wert für die Differenz der R2 -Werte des umfassenderen Modells
(RF2 ) und des reduzierten Modells (RR
2
), dfF und dfR die Anzahl der Freiheitsgrade
des umfassenderen bzw. des reduzierten Modells, N die Anzahl der Respondenten
und k die Anzahl der unabhängigen Variablen im umfassenderen Modell beschreibt.
Damit ein Moderationseffekt vorliegt, muss FΔR2 bei einem Vergleich der Regres-
sionen 4.6 und 4.5 signifikant sein. Anschließend kann mittels eines Vergleichs der
Regressionen 4.5 und 4.4 ermittelt werden, welchen Anteil der Varianz von y durch
z direkt erklärt wird. Ergibt sich ein nicht signifikanter Wert für FΔR2 , so hat z
lediglich einen signifikanten moderierenden Einfluss und man spricht von einem
echten Moderator. Ist FΔR2 hingegen signifikant, so übt z neben dem signifikanten
moderierenden Einfluss auch einen signifikanten direkten Einfluss auf y aus und wird
als Quasi-Moderator bezeichnet (Sharma et al., 1981).
Vor der Durchführung der moderierten Regressionsanalyse wird empfohlen, die un-
abhängigen Variablen zu zentrieren (Aiken und West, 1991).54 Diese Vorgehensweise
bietet dem Forscher zwei wesentliche Vorteile und wird daher auch im Rahmen dieser
Arbeit befolgt: Die Integration eines Interaktionsterms in eine Regression kann zu
53
Für eine ausführliche Darstellung der Probleme, die sich aus einer ausschließlichen Betrachtung
der Regressionskoeffizienten ergeben kann siehe Carte und Russell (2003).
54
Eine Variable wird zentriert, indem ihr Mittelwert von der jeweiligen Ausprägung subtrahiert
wird. Während aufgrund der nachstehend genannten Vorteile eine Zentrierung der Regressoren
als sinnvoll zu erachten ist, muss die abhängige Variable nicht zentriert werden (Aiken und West,
1991).
Datenaufbereitung 171
einer ausgeprägten Korrelation der unabhängigen Variablen untereinander und damit

zu Multikollinearitätsproblemen (lineare Abhängigkeit der Regressoren) führen.55
Dieses Problem kann durch eine Zentrierung der unabhängigen Variablen minimiert
werden (Aiken und West, 1991). Ein weiteres Problem besteht in der Interpretation
der Regressionskoeffizienten in Gleichung 4.6. Die Werte b1 und b2 beschreiben die
Steigung der Regressionsgeraden von y auf x bzw. z wenn der jeweils andere Wert 0
ist. Der Wert 0 ist jedoch im Rahmen sozialwissenschaftlicher Forschung häufig nicht
sinnvoll interpretierbar. Auf den vielfach genutzten Likert-Skalen mit Werten von 1
bis 7 ist er nicht einmal definiert. Hier verschafft eine Zentrierung Abhilfe, indem Sie
den Wert 0 als Mittelwert der Skala jedes Regressors interpretierbar macht (Aiken
und West, 1991). Während also die Werte b1 und b2 aus Gleichung 4.6 durch die
Zentrierung neu interpretiert werden, ändert sich weder der zu schätzende Wert von
b3 noch die ihm zugehörigen statistischen Tests (Irwin und McClelland, 2001; Aiken
und West, 1991).56
Zur vereinfachten Darstellung und Interpretation der aufgedeckten, signifikanten

Moderationseffekte wird empfohlen, diese zu visualisieren (Aiken und West, 1991):
Hierzu sollten die sog. simple slopes dargestellt werden, die die Steigung der Regressi-
onsgeraden von y auf x für fixe Werte für z beschreiben. Für diese Darstellung wird z
auf drei Werte fixiert: den Mittelwert von z (z̄) sowie z̄ ± eine Standardabweichung,
so dass insgesamt drei simple slopes pro Moderationseffekt dargestellt werden sollten.
4.2 Datenaufbereitung
4.2.1 Überprüfung auf Kodierungsfehler und nicht akzeptable
Fälle
Vor der eigentlichen quantitativen Analyse wurden die Rohdaten auf Kodierungsfehler
überprüft. Da die Antworten aus dem online- Fragebogen direkt in Excel bzw.
SPSS exportiert werden konnten, wurden zunächst nur die postalisch beantworteten
55
Mit steigender Multikollinearität nimmt der Standardfehler der Regressionskoeffizienten zu, so
dass deren Schätzung unzuverlässiger wird (Backhaus et al., 2000).
56
Der Wert b1 wird wie bereits im Text angedeutet nach der Zentrierung als Steigung der
Regressionsgeraden beim Mittelwert von z interpretiert. Dies gilt analog für b2 . Für eine
Herleitung der Auswirkungen der Zentrierung siehe (Irwin und McClelland, 2001).
Fragebögen überprüft. Zunächst wurden die Daten mittels Häufigkeitsverteilungen

auf Kodierungsfehler in Form von Variablenwerten, die außerhalb des zulässigen
Beantwortungsbereiches liegen, überprüft. Im Anschluss erfolgte eine detaillierte
Überprüfung der manuell kodierten Antworten. Auf diese Weise konnten 8 Kodierungs-
fehler ermittelt und die Eingaben entsprechend korrigiert werden. Zudem wurden, wie
bereits in Abschnitt 4.1.2.1 beschrieben, 13 Fragebögen aufgrund fehlender Daten bei
den abhängigen Variablen von der weiteren Analyse ausgeschlossen. Ein Fragebogen
wies zudem ein stark inkonsistentes Antwortverhalten auf, das sich wiederholt in
einem Alternieren zwischen den Extremwerten der Skala innerhalb eines Messmodells
manifestierte, so dass auch dieser nicht für die weitere Analyse berücksichtigt werden
konnte.
4.2.2 Behandlung fehlender Werte

Empirische Untersuchungen sehen sich häufig mit dem Problem fehlender Werte (engl.
missing values) in Datensätzen konfrontiert. Hierbei wird zwischen zwei verschiedenen
Formen von fehlenden Werten unterschieden. Zunächst können diese entstehen, wenn
Probanden nicht erreicht werden können, sie die Teilnahme an der Untersuchung
verweigern oder der beantwortete Fragebogen durch Verlust oder Verlegen nicht
in die Analyse der Daten einbezogen werden kann. Diese Form wird auch als unit
nonresponse bezeichnet (Lessler und Kalsbeek, 1992) und wurde bereits in Abschnitt
4.1.2.1 betrachtet. Zudem treten fehlende Werte auf, wenn im Rahmen der Untersu-
chung eine oder mehrere Fragen nicht oder nur unvollständig beantwortet werden.
In diesem Fall wird von item nonresponse gesprochen (Groves, 1989). Mögliche
Ursachen für beide Formen fehlender Daten können in der Art der Datenerhebung,
dem Fragebogen, dem Probanden oder dem Interviewer begründet sein (De Leeuw,
2001). Unvollständiges Datenmaterial kann im Rahmen der Datenauswertung zu
Problemen führen, da zahlreiche Analyseverfahren wie beispielsweise die Regressions-,
Faktoren oder Clusteranalyse nicht mehr unmittelbar auf die Daten angewandt
werden können (Huisman, 1999). Der für diese Arbeit genutzte Datensatz weist einen
Anteil fehlender Werte in Höhe von 1,25 Prozent aus. Dieser Wert ist als sehr gering
einzustufen. So ermittelt Schnell (1986) in einer Aufarbeitung empirischer Studi-
en Werte, die häufig zwischen 7 und 15 Prozent, teilweise sogar über 30 Prozent liegen.
Eine wesentliche Rolle kommt den sogenannten Fehlendmechanismen zu, die be-
schreiben ob und wie der Datenausfall mit dem Untersuchungsinhalt zusammenhängt
(Schafer und Graham, 2002; P. D. Allison, 2001). Die im Folgenden zu erläuternden
Strategien zur Behandlung fehlender Werte basieren auf Annahmen bezüglich des in
den Daten vorliegenden Fehlermechanismus, so dass sie nur nach einer entsprechenden
Überprüfung angewandt werden können (Huisman, 1999; Little und Rubin, 1987).
Die strengste Annahme bildet das komplett zufällige Fehlen von Daten, welches
als missing completely at random MCAR bezeichnet wird (P. D. Allison, 2001, S. 3):
Suppose there are missing data on a particular variable Y. The data on Y are said
”
to be missing completely at random (MCAR) if the probability of missing data on Y
is unrelated to the value of Y itself or to the values of any other variables in the
data set.“ Folglich ist den erhobenen Daten in diesem Fall keine Information über
den Fehlermechanismus zu entnehmen.
Eine wesentlich schwächere Annahme ist das missing at random (MAR) genannte
zufällige Fehlen von Daten (Little, 1988): Unter dieser Annahme hängen fehlende
Daten bei einer Variable Y nicht von deren Wert ab, können jedoch durch Werte
anderer Variablen im Datensatz hervorgerufen werden. Würden im Rahmen einer
Untersuchung beispielsweise das Einkommen und der Ehestand erhoben und eine
Analyse der Daten würde zeigen, dass fehlende Angaben zum Einkommen vom Ehe-
stand abhingen, jedoch innerhalb der Gruppen verheirateter und nicht verheirateter
Personen jeweils kein Zusammenhang zwischen fehlenden Einkommensangaben und
der Höhe des Einkommens bestünde, so würden die Daten der missing at random
Annahme genügen. Für Datensätze, bei denen die fehlenden Daten die MAR Annah-
me erfüllen und bei denen die den Fehlendmechanismus beeinflussenden Variablen
nicht mit den zu schätzenden Parametern in Beziehung stehen, werden die fehlenden
Werte als ignorable (ignorierbar) bezeichnet (P. D. Allison, 2001).
Erfüllen die Daten die MAR Annahme nicht, so werden sie als nonignorable oder
missing not at random (MNAR) bezeichnet (Göthlich, 2007). In diesem Fall ist
das Fehlen der Daten wie der Name bereits verrät nicht zufällig und wirkt damit
verzerrend, da eine Antwortwahrscheinlichkeit vom Wert der betrachteten Variable
abhängt (P. D. Allison, 2001). Ein Beispiel hierfür wäre eine sinkende Bereitschaft,
sein Einkommen anzugeben, je höher dieses ist.
4.2.2.1 Strategien zur Behandlung fehlender Werte
Aufgrund der eingangs beschriebenen Situation hat sich eine Reihe verschiedener
Strategien für den Umgang mit fehlenden Werten entwickelt (vgl. z. B. Göthlich,
2007; De Leeuw, 2001; Huisman, 2000). Diese Strategien sind im Rahmen empirischer
Untersuchungen und Simulationsstudien verglichen worden, jedoch hat sich keine von
ihnen als durchgängig überlegen herauskristallisiert (vgl. z. B. Huisman, 1999; Schulte
Nordholt, 1998; Malhotra, 1987; Schnell, 1986). Die Methodenauswahl muss daher
stets unter Berücksichtigung der mit den Verfahren verbundenen Vor- und Nachteile,
der ihnen zugrundeliegenden Annahmen, der Zielsetzung der Datenanalyse und der
Aufwändigkeit der Verfahren erfolgen (Göthlich, 2007; Schnell, 1986). Abbildung
4.12 bietet einen Überblick über die verschiedenen Klassen von Verfahren.
Verfahren zur Behandlung fehlender Daten
Fallreduktion Sample-Selection-Modelle Gewichtungsverfahren Imputationsverfahren
Konventionelle oder
Complete Case Analysis
Ad hoc Verfahren
Available Case Analysis Modellbasierte Verfahren
Einfache Imputation
(single imputation)
Mehrfache Imputation
(multiple imputation)
Abbildung 4.12: Übersicht über Verfahren zur Behandlung fehlender Daten. In Anlehnung
an Göthlich (2007)
Bei den Verfahren der Fallreduktion bleiben die fehlenden Werte als solche erhalten
und die Datenanalyse wird auf Basis einer unvollständigen Datenmatrix vorgenom-
men. Hierbei wird zwischen den Verfahren der Complete Case Analysis (CC) und
der Available Case Analysis (AC) unterschieden. Im Rahmen der erstgenannten
Methode, auch als listwise deletion“ bezeichnet, werden sämtliche Datensätze, die
”
fehlende Werte aufweisen gelöscht bzw. ignoriert, so dass lediglich vollständige Da-
tensätze (complete cases) in die Auswertung einbezogen werden. Im Rahmen der
zweiten Methode, die auch als pairwise deletion“ bezeichnet wird, wird lediglich die
”
betroffene Variable des Datensatzes von der Analyse ausgeschlossen (Göthlich, 2007).
Während diese Verfahren einfach anwendbar sind und somit häufig zu den Standar-
deinstellungen statistischer Softwarepakete gehören, weisen sie auch Nachteile auf.
Der Ausschlusses von ganzen Datensätzen oder einzelnen Variablen kann zu erhebli-
chen Informationsverlusten, verringerter Effizienz von Schätzungen und geringerer
Aussagekraft von statistischen Tests führen (De Leeuw, 2001). Im Fall der listwise
deletion kann es zudem dazu kommen, dass einzelne Analysen auf unterschiedlichen
Teilstichproben basieren und somit inkonsistent sind (Lessler und Kalsbeek, 1992).
Beide Verfahren setzen die MCAR Annahme voraus.
Sample-Selection-Modelle Die Sample-Selection-Modelle bemühen sich um die

Behandlung fehlender Werte, wenn diese nicht zufällig (MNAR) fehlen. Allerdings ist
es hierfür erforderlich, den Ausfallmechanismus zu spezifizieren und zu modellieren,
so dass für eine effektive Parameterschätzung a priori ein sehr detailliertes Wissen
über das Wesen der fehlenden Daten vorhanden sein muss (P. D. Allison, 2001). Dies
erscheint häufig kaum möglich, so dass die Anwendbarkeit dieser Verfahren kritisch
betrachtet wird (vgl. z. B. Schnell, 1997). Dementsprechend ist im Gegensatz zu den
anderen hier diskutierten Methoden kaum Software für die Implementierung eines
Sample-Selection-Modells verfügbar und die mit diesem Ansatz verbundenen Modelle
verlangen nach einem erheblichen Maß an statistischem Wissen (P. D. Allison, 2001,
S. 77 f.): ...it is no accident that there is little software available for estimating
”
nonignorable models [...] I will not go so far as to say, ’Don’t go there,’ but I will say
this: ’If you choose to go there, do so with extreme caution.’ In addition, if you do
not have much statistical expertise, make sure you find a collaborator who does.“
Der Ansatz von Gewichtungsverfahren besteht darin, Datensätze mit fehlenden

Werten vor der Auswertung zu entfernen und stattdessen vollständige Datensätze
mit einem stärkeren Gewicht innerhalb der Stichprobe in die Auswertung einfließen
zu lassen (Göthlich, 2007). Gewichtungsverfahren eignen sich daher lediglich für
Unit-Nonresponse-Probleme oder Item-Nonresponse-Probleme mit einer interessie-
renden Variablen. Im Falle multivariabler Analysen entstünde das Problem, dass
einer Variable mehrere Gewichte zugewiesen würden, so dass Gewichtungsverfahren
lediglich für Schätzung univariater Statistiken von Bedeutung sind (Lessler und
Kalsbeek, 1992; Schnell, 1986). Aufgrund des hier gewählten Forschungsdesigns sind
diese Verfahren für die vorliegende Arbeit daher nicht von Bedeutung.
Imputationsverfahren weisen gegenüber den bisher geschilderten Verfahren den

Vorteil auf, dass durch ihren Einsatz eine Reduzierung des Stichprobenumfangs und
der damit verbundene Informationsverlust vermieden wird, da sie zur Auffüllung
der fehlenden Werte in der Datenmatrix genutzt werden (Göthlich, 2007). Hierfür
wurde eine Reihe verschiedener Verfahren entwickelt, die alle das Ziel verfolgen,
einen Ersatzwert zu bestimmen, der dem fehlenden Wert so nah wie möglich kommt
(Lessler und Kalsbeek, 1992). Im Rahmen konventioneller Verfahren werden z. B.
Expertenschätzungen oder Mittelwertergänzungen vorgenommen, während modell-
basierte Verfahren auf Maximum-Likelihood-Schätzungen oder Bayes-Schätzungen
zurückgreifen (Göthlich, 2007)57 . In Abhängigkeit davon, ob pro leerem Feld in
der Datenmatrix ein oder mehrere Werte geschätzt werden wird zwischen einfacher
Imputation und multipler Imputation unterschieden. Die letztgenannten Verfahren
tragen der Unsicherheit der Schätzung fehlender Werte Rechnung, indem sie pro
leerem Feld mehrere Werte schätzen, so dass man mehrere Datenmatrizen erhält, die
dann mittels der statistischen Analysen untersucht werden können (Rubin, 1987).
4.2.2.2 Umsetzung eines Verfahrens
Basierend auf dem von Little vorgeschlagenen Testverfahren (Little, 1988; Little
und Rubin, 1987) wurden die Daten mit dem Missing Value Analysis Modul von
SPSS zunächst auf ihren Fehlendmechanismus hin überprüft. Das von Little vor-
geschlagene Verfahren ist ein χ2 -Test zur Überprüfung der MCAR Annahme. Bei
einem nichtsignifikanten Testergebnis kann angenommen werden, dass die Daten die
missing completely at random Annahme erfüllen. Die Überprüfung des gesamten
Datensatzes ergab einen χ2 -Wert von 1608,245, der bei 1578 Freiheitsgraden ein
Signifikanzniveau von 0,292 aufweist. Damit kann die Annahme, dass die Daten
der MCAR Annahme genügen nicht zurückgewiesen werden. Folglich sind sämtliche
dargestellten Strategien zur Behandlung fehlender Werte grundsätzlich anwendbar.
Wie bereits erwähnt, weist die Arbeit mit 1,25 Prozent einen sehr geringen Anteil
an fehlenden Werten auf. Jedoch würde ein Einsatz der verbreiteten Complete Case
Analysis und dem damit verbundenen listenweisen Ausschluss von Fällen mit fehlen-
57
Für eine ausführlichere Darstellung von Imputationsverfahren siehe auch Huisman (2000),
Schulte Nordholt (1998) und Schnell (1986).
den Werten zu einer Reduktion des Datensatzes von 137 auf 97 Fälle führen. Dieses
Verfahren würde in der vorliegenden Arbeit somit zu erheblichen Informationsverlus-
ten führen, so dass hiervon Abstand genommen wird. Der Einsatz einer Available
Case Analysis und der damit verbundene paarweise Ausschluss von Daten kann zu
Problemen bei nachgelagerten Analysen, insbesondere bei Strukturgleichungsmo-
dellen, führen (Kline, 2005). Insofern wird auch die Verwendung dieses Verfahrens
ausgeschlossen. Die vorangegangenen Ausführungen haben zudem bereits deutlich ge-
macht, dass sowohl die Sample-Selection Modelle als auch die Gewichtungsverfahren
auf anderen Annahmen basieren bzw. für die vorliegende Arbeit nicht geeignet sind.
Daher wird stattdessen ein modellbasiertes Imputationsverfahren gewählt, welches
als Expectation-Maximization (EM) Algorithmus bezeichnet wird (Dempster, Laird
und Rubin, 1977). Mit Hilfe des EM Algorithmus können Maximum Likelihood
(ML) basierte Schätzungen der fehlenden Datenpunkte vorgenommen werden. Der
Name des Verfahrens leitet sich aus seiner zweistufigen Funktionsweise ab, bei der
zunächst im Rahmen des expectation Schrittes die fehlenden Parameter geschätzt
werden. Für die ersten Iteration werden nach paar- oder listenweisem Ausschluss die
Mittelwerte, Standardabweichungen und Korrelationen auf Basis der verbleibenden
Daten berechnet. Diese werden als Ausgangspunkt für den zweiten Schritt, die maxi-
mization, genutzt. Hier werden neue Werte auf Basis der beobachteten und im ersten
Schritt imputierten Werte berechnet. In der nächsten Iteration wird die Schätzung
im expectation Schritt dann auf Basis der zuvor berechneten Werten durchgeführt
usw. Diese Schleife wird solange durchlaufen, bis der Algorithmus konvergiert, sich
die Parameterwerte also nicht mehr verändern (P. D. Allison, 2001).
Ein großer Vorteil des EM Algorithmus ist, dass er im Gegensatz zu normalen
regressionsbasierten Imputationsverfahren sämtliche zur Verfügung stehenden In-
formationen nutzt. Der Forscher muss also nicht spezifizieren, welche Variablen als
Prädikatoren für die fehlenden Werte genutzt werden sollen. So hat das Verfahren in
verschiedenen Simulationsstudien gerade auch im Hinblick auf Strukturgleichungs-
modelle sehr gute Ergebnisse erzielt (vgl. z. B. Enders und Bandalos, 2001; Schnell,
1986).
ML basierte Imputationsverfahren liegt allerdings die Annahme einer multivariaten
Normalverteilung zugrunde (P. D. Allison, 2001). In Abschnitt 4.1.2.2 wurde gezeigt,
dass diese Voraussetzung im vorliegenden Datensatz nicht erfüllt ist. Jedoch zeigt sich,
dass das Verfahren gegen Verstöße dieser Annahme recht stabil ist und Beale und
Little (1975) weisen nach, dass die Annahme der multivariaten Normalverteilung für
den EM Algorithmus nicht notwendig ist. Da der Anteil fehlender Werte zudem sehr
klein ist, sind somit trotz nicht multivariat normalverteilter Daten keine wesentlichen
Verzerrungen zu befürchten. Schließlich spricht P. D. Allison (2001, S. 85) für die
Berechnung von Strukturgleichungsmodellen eine ausdrückliche Empfehlung für den
Einsatz ML basierter Verfahren aus: If the goal is to estimate a linear model that
”
falls within the class of models estimated by LISREL and similar packages, then
maximum likelihood is probably the preferred method.“
4.3 Empirische Überprüfung der

Untersuchungshypothesen
4.3.1 Analyse des Messmodells

Nachdem in Abschnitt 4.1.1 die Operationalisierung der Konstrukte beschrieben
wurde, wird im Folgenden die Analyse des Messmodells und damit die Validierung
der Konstrukte dargestellt. Hierzu wird zunächst die Vorgehensweise erläutert bevor
diese im zweiten Schritt umgesetzt wird.
4.3.1.1 Vorgehensweise
Wie bereits in Abschnitt 4.1.1 erläutert wurde, muss die Überprüfung reflektiver
und formativer Messmodelle auf unterschiedliche Arten und Weisen vorgenommen
werden. Insofern wird im Rahmen der Validierung der Konstrukte analysiert, ob
die Daten mit einem reflektiven Messmodell verträglich sind. Da diese Arbeit, wie
an gleicher Stelle erwähnt, eine reflektive Messung der Konstrukte anstrebt, wird
zunächst einer diesem Messansatz entsprechenden Vorgehensweise gefolgt, welche
anhand der Ergebnisse der Überprüfung auf Verträglichkeit ggf. abgewandelt werden
muss.
Daher wird zunächst eine Überprüfung der Unidimensionalität vorgenommen.
Führt diese in Verbindung mit eventuell erforderlichen Bereinigungen der Indika-
torstrukturen zu einer statistisch und inhaltlich akzeptablen Lösung, wird diese auf
ihre Verträglichkeit mit einem reflektiven Messmodell geprüft. Ist ein solches nicht
abzulehnen, werden im nächsten Schritt die Reliabilität und Validität des Messmo-
Empirische Überprüfung der Untersuchungshypothesen 179
dells beurteilt (vgl. z. B. Ahire und Devaraj, 2001). Ist ein reflektives Messmodell
abzulehnen, wird das formative Modell anhand von Inhalts- und Indikatorspezifika-
tion, Indikatorrelevanz sowie der externen Validität der Konstrukte beurteilt (vgl.
z. B. Krafft, Götz und Liehr-Gobbers, 2005; Diamantopoulos und Winklhofer, 2001).
Diese Vorgehensweise wird im Folgenden näher erläutert:
Überprüfung auf Unidimensionalität Unidimensionalität beschreibt den Umstand,

dass ein Konstrukt von mehreren Indikatoren gemessen wird und jeder Indikator
dieses Messmodells nur ein gemeinsames Konstrukt misst (J. C. Anderson und
Gerbing, 1982): Unidimensionality refers to the existence of a single trait or construct
”
underlying a set of measures“ (Gerbing und Anderson, 1988, S. 186). Unidimensio-
nalität stellt eine grundlegende Annahme der klassischen Messtheorie dar (Lumsden,
1976) und ist für diese von wesentlicher Bedeutung: One of the most critical and
”
basic assumptions of measurement theory is that a set of items forming an instrument
all measure just one thing in common. This assumption provides the basis of most
mathematical measurement models.“(Hattie, 1985, S. 139). In der Literatur sind
eine Reihe von Verfahren zur Überprüfung der Unidimensionalität eines Messmodells
vorgeschlagen worden, jedoch hat sich keines davon als genereller Standard etablieren
können (J. C. Anderson, Gerbing und Hunter, 1987; Kumar und Dillon, 1987;
Hattie, 1985; J. C. Anderson und Gerbing, 1982). Auf Basis eines empirischen
Vergleichs verschiedener Validierungsmethoden empfehlen Ahire und Devaraj (2001)
den Einsatz explorativer und konfirmatorischer Faktoranalysen. Hierbei sollten zudem
mehrere Konstrukte parallel getestet werden, da bei einer individuellen Überprüfung
nicht ermittelt werden kann, ob ein Indikator nicht gleichzeitig Facetten zweier
verschiedener Konstrukte misst (O’Leary-Kelly und Vokurka, 1998).
Die explorative Faktoranalyse gestattet einen Einblick in die den Indikatoren zu-
grundeliegende Faktorenstruktur und bildet somit die Basis für die Elimination
derjenigen Indikatoren, die entweder nur niedrige Faktorladungen oder deutliche
Querladungen aufweisen (Gerbing und Anderson, 1988). Wird im Zuge der explorati-
ven Faktoranalyse einer vorab definierten Itembatterie nach dem Kaiser-Kriterium
nur ein Faktor extrahiert, kann dies als Nachweis für die Unidimensionalität der
Itembatterie aufgefasst werden (Homburg und Giering, 1998; Hattie, 1985).
Im Rahmen einer konfirmatorischen Faktoranalyse kann die Unidimensionalität

eines Messmodells, das so spezifiziert ist, dass alle Indikatoren auf genau einen Faktor
laden, anhand der Anpassungsgüte an die Daten überprüft werden (vgl. z. B. Ahire
und Devaraj, 2001). Gute Anpassungsmaße gelten dabei als Indiz für die Unidimensio-
nalität der durch die Indikatoren gebildeten Skala. Liefert die Überprüfung hingegen
schlechte Anpassungsmaße, so können anhand der Residual-Kovarianzmatrix diejeni-
gen Indikatoren identifiziert werden, die nur unzureichend vom Modell berücksichtigt
werden (Schumacker und Lomax, 2004). Diese können gegebenenfalls eliminiert oder
das Modell respezifiziert werden.
Überprüfung auf Verträglichkeit mit einem reflektiven Messmodell In Ab-

schnitt 4.1.1 wurde erläutert, dass die Entscheidung für ein formatives oder reflektives
Messmodell vielfach auf Basis inhaltlicher Überlegungen getroffen wird. So stützen
sich viele Empfehlungen zur Bestimmung der Spezifikationsart hauptsächlich auf die
Beurteilung von Experten (vgl. z. B. Rossiter, 2002; Diamantopoulos und Winklhofer,
2001) oder subjektive Entscheidungen des Forschers anhand von Entscheidungsfragen
wie sie im genannten Abschnitt dargestellt sind (vgl. z. B. Huber et al., 2007; Jarvis
et al., 2003). Jedoch sind diese Empfehlungen kritisch zu hinterfragen, da die Autoren
gleichzeitig anmerken, dass viele Konstrukte je nach Kontext sowohl formativ als
auch reflektiv spezifizierbar sind (Jarvis et al., 2003; Rossiter, 2002), so dass sich
für beide Spezifikationen begründete Argumente finden lassen. Zudem kann eine
ausschließlich auf inhaltlichen Betrachtungen basierende Entscheidung erheblich
durch die Subjektivität des Forschers determiniert werden (Huber et al., 2007).
Folglich erscheint es wünschenswert, diese Entscheidung methodisch zu unterstützen
und abzusichern. Eine Möglichkeit hierfür bietet der von Bollen und Ting entwickelte
Tetrad-Test, der auch als konfirmatorische Tetrad Analyse bezeichnet wird (Huber
et al., 2007; Hipp, Bauer und Bollen, 2005; Bollen und Ting, 2000, 1993). Das
Verfahren nutzt die einem reflektiven Messmodell zugrundeliegende Restriktion, dass
die Indikatoren korrelieren sollten, während dies bei formativen Indikatoren nicht
notwendigerweise der Fall ist (Huber et al., 2007). Ermittelt der Test nur geringe
oder gar keine Korrelationen, spricht dies gegen die Nullhypothese eines reflektiven
Messmodells (Bollen und Ting, 2000). Der Test ist somit nur zur Widerlegung eines
reflektiven Messkonzeptes geeignet. Auch kann er nicht zwischen einem formativen
Modell mit hoch korrelierenden Indikatoren und einem reflektiven Modell unterschei-
den. Insofern sollte der Test nicht ohne eine vorab auf inhaltlichen Überlegungen
entwickelte Hypothese durchgeführt werden (Huber et al., 2007).
Das Verfahren setzt implizit die Existenz von mindestens vier Indikatoren pro
Messmodell voraus, für die die Differenzen ihrer Kovarianzprodukte - diese werden
als Tetraden bezeichnet - berechnet werden (Bollen und Ting, 1993).58 Modellbedingt
müssen bei einer reflektiven Messung einzelne dieser Differenzen den Wert Null
annehmen. Diese Tetraden werden als vanishing tetrads“ bezeichnet (Bollen und
”
Ting, 1993, S. 148). Für eine genaue Darstellung der hierfür erforderlichen tedious
”
covariance algebra“ (Hipp et al., 2005, S. 77) wird auf die genannten Arbeiten von
Bollen, Hipp und Ting verwiesen. Im Rahmen dieser Arbeit wird das von John R.
Hipp entwickelte SAS Makro ctanest1“ genutzt.59 Das Ergebnis kann mit einer von
”
Bollen (1990) entwickelten Teststatistik verglichen werden. Wird eine nichtsignifikante
Teststatistik ermittelt, deutet dies darauf hin, dass die beobachteten vanishing tetrads
nicht signifikant von Null abweichen und die Daten folglich mit dem postulierten
reflektiven Messmodell verträglich sind.
Gütebeurteilung reflektiver Konstrukte Die Qualität der Erfassung eines latenten

Konstrukts mittels eines Messmodells wird im wesentlichen anhand der Reliabilität
(Zuverlässigkeit) und der Validität (Gültigkeit) der Messung beurteilt (Homburg
und Giering, 1998). Das Verhältnis dieser beiden Größen im Rahmen einer Messung
lässt sich durch die folgende Gleichung beschreiben (Homburg und Giering, 1998;
Churchill, 1979):
Xo = XT + XS + XR (4.8)
Hierbei beschreibt Xo den im Rahmen der Messung ermittelten Wert (observed score)
einer Variablen, XT deren tatsächlichen, wahren“ Wert (true score) und XS bzw.
”
XR den systematischen Fehler (systematic error) bzw. den Zufallsfehler (random
error) der Messung. So definiert Churchill (1979, S. 65):
58
Es lassen sich auch Modelle mit weniger als vier Indikatoren analysieren. Für eine detaillierte
Darstellung der hierfür nötigen Vorgehensweise siehe Bollen und Ting (2000).
59
John R. Hipp stellt das Makro im Internet über die Homepage der University of California at
Irvine unter der Adresse https://webfiles.uci.edu/hippj/johnhipp/ctanest1.htm zur Verfügung.
A measure is valid when the differences in observed scores reflect

”
true differences on the characteristic one is attempting to measure and
nothing else, that is, Xo = XT .“
A measure is reliable to the extent that independent but comparable

”
measures of the same trait or construct of a given object agree. Reliability
depends on how much of the variation in scores is attributable to random
or chance errors. If a measure is perfectly reliable, XR = 0.“
Eine Messung ist somit reliabel, wenn sie frei von Zufallsfehlern ist (Peter und
Churchill, 1986). Von einer validen Messung kann jedoch erst gesprochen werden,
wenn diese konzeptionell richtig ist, also der Messgegenstand gemessen wird, der
tatsächlich gemessen werden soll, so dass auch der systematische Fehler XS = 0
sein muss (Homburg und Giering, 1998). Somit wird deutlich, dass Reliabilität eine
notwendige, aber keine hinreichende Bedingung für die Validität darstellt.
Im Folgenden werden die Methoden vorgestellt, mittels derer sich die Reliabilität
und Validität der Messmodelle analysieren lassen.
Reliabilitätsprüfung Nach O’Leary-Kelly und Vokurka (1998) und Peter (1979)

lassen sich drei verschiedene Methoden zur Überprüfung der Reliabilität einer Messska-
la nutzen: das Test-Retest Verfahren, das Paralleltestverfahren und die Überprüfung
der internen Konsistenz. Die Verfahren verfolgen grundsätzlich einen gleichen Ansatz,
unterscheiden sich jedoch in dessen Umsetzung (Peter, 1979, S. 8):
Basically, these methods correlate scores obtained from a scale with

”
scores from some form of replication of the scale. If the correlation is high,
most of the variance is of the systematic type and, with some degree of
consistency, the measures can be depended upon to yield the same results.
The basic difference among the three methods is in what the scale is to
be correlated with to compute the reliability coefficient.“
Im Rahmen des Test-Retest Verfahrens wird das selbe Messinstrument zu zwei

verschiedenen Zeitpunkten eingesetzt und die Ergebnisse der beiden Messungen
werden miteinander korreliert. Das Paralleltestverfahren ähnelt dem Test-Retest
Verfahren weitestgehend. Allerdings werden hier zwei äquivalente, nicht aber die
selben Messinstrumente zu den verschiedenen Zeitpunkten genutzt. Wiederum wird
deren Korrelation als Maß für die Reliabilität der Messinstrumente interpretiert.
Bei der Überprüfung der internen Konsistenz wird ein Messinstrument lediglich
einmal genutzt. Im Anschluss werden Teilmengen der Indikatoren gebildet und diese
miteinander korreliert. Auch in diesem Fall wird eine hohe Korrelation als Zeichen
hoher Reliabilität angesehen.
Diese Verfahren sind mit verschiedenen Vor- und Nachteilen behaftet: So lassen
sich in der empirischen Sozialforschung oft nur sehr schwer wirklich äquivalente
Messinstrumente definieren und auch wiederholte Messungen sind häufig nicht ohne
weiteres möglich, so dass in der Praxis vor allem die Überprüfung der internen
Konsistenz als Prüfverfahren genutzt wird (O’Leary-Kelly und Vokurka, 1998).
Hierfür stehen eine Reihe verschiedener Verfahren zur Verfügung (vgl. z. B. Ahire
und Devaraj, 2001; D. R. Bacon, Sauer und Young, 1995), von denen das Cronbachsche
Alpha das am häufigsten genutzte ist (Peterson, 1994). Es misst die Reliabilität einer
Menge von Indikatoren, die ein Konstrukt messen als deren interne Konsistenz
(Homburg und Giering, 1998). Alpha berechnet sich wie folgt:
k 2

k i=1 σi
α= 1− (4.9)
k−1 σs2
wobei k die Anzahl der Indikatoren, σi2 die Varianz des Indikators i und σs2 die
Varianz der Messskala beschreibt. Alpha kann Werte von Null bis Eins annehmen,
wobei hohe Werte auf eine hohe Reliabilität hinweisen. Auch wenn keine klare Grenze
für eine hohe Reliabilität existiert (vgl. z. B. Peterson, 1994), werden für gewöhnlich
Werte von α ≥ 0, 7 als akzeptabel angesehen (Ahire und Devaraj, 2001). Dieser
Empfehlung wird auch im Rahmen der vorliegenden Arbeit gefolgt.
Zusätzlich kann die Item-to-Total Korrelation einer Indikatorvariablen berechnet
werden. Diese ist als die Korrelation dieses Indikators mit der Summe aller Indikato-
ren, die demselben Faktor zugeordnet sind, definiert (Homburg und Giering, 1998).
Im Falle eines geringen Wertes für Alpha können so, basierend auf den Werten der
Item-to-Total Korrelation, diejenigen Indikatoren eliminiert werden, die sich negativ
auf die Reliabilität des Konstrukts auswirken.
Validitätsprüfung Nachdem Unidimensionalität und Reliabilität als notwendige

Voraussetzungen der Validität überprüft wurden, ist diese im nächsten Schritt zu
begutachten. Es wird hierbei zwischen Inhaltsvalidität (content validity, face validity),
Kriteriumsvalidität (criterion validity) und Konstruktvalidität (construct validity)
unterschieden (Hair et al., 2006):
Inhaltsvalidität beschreibt die inhaltliche Übereinstimmung mit und die Abde-

ckung der Facetten des Konstrukts durch die Indikatoren, die zu dessen Messung
herangezogen werden. Die Kriteriumsvalidität beschreibt, wie weit die Messergeb-
nisse eines Messinstruments mit denen einer Messung eines anderen, inhaltsähnlichen
Kriteriums übereinstimmen. Hierfür werden oft bereits etablierte Messinstrumente
oder objektivierbare Daten als Referenzkriterium herangezogen. Wird das Alterna-
tivkriterium zeitgleich mit dem zu überprüfenden Messinstrument erhoben, spricht
man von Concurrent Validity. Wird das Alternativkriterium hingegen nach dem zu
überprüfenden Messinstrument erhoben, so wird von Predictive Validity gesprochen.
Die Konstruktvalidität schließlich beschreibt die Übereinstimmung zwischen dem
auf theoretischer Ebene formulierten Konstrukt und dessen Operationalisierung durch
die Indikatoren auf der Beobachtungsebene (Peter, 1981, S. 134):
The term ’construct validity’ generally is used to refer to the vertical

”
correspondence between a construct which is at an unobservable, con-
ceptual level and a purported measure of it which is at an operational
level. In an ideal sense, the term means that a measure assesses the
magnitude and direction of (1) all of the characteristics and (2) only the
characteristics of the construct it is purported to assess.“
Die Konstruktvalidität ist folglich ein Indikator für die Genauigkeit der Messung
(Hair et al., 2006) und kann im Vergleich zu den beiden vorgenannten Validitäts-
begriffen als aussagekräftiger angesehen werden (Weise, 2005). Da ein Konstrukt
per Definition nicht direkt messbar ist und somit keine Korrelation zwischen einem
Konstrukt und dessen Indikatoren berechnet werden kann (Peter, 1981), wird anstelle
einer direkten Messung auf die Konvergenzvalidität, die Diskriminanzvalidität und
die nomologische Validität zurückgegriffen (vgl. z. B. Peter, 1981; D. T. Campbell
und Fiske, 1959; Cronbach und Meehl, 1955).
Die Konvergenzvalidität beschreibt the extent to which varying approaches to

”
construct measurement yield the same results“ (Ahire und Devaraj, 2001, S. 322).
Zur Beurteilung der Konvergenzvalidität schlugen D. T. Campbell und Fiske (1959)
den Einsatz von Multitrait-Multimethod Matrizen, bei dem über die Korrelation
von Messergebnissen, die mittels verschiedener Messmethoden erhoben wurden, eine
Aussage über die Konvergenzvalidität getroffen werden kann. Aufgrund verschiedener
methodischer Probleme und des hohen Aufwands, der mit diesem Ansatz verbunden
ist, wird inzwischen der Einsatz konfirmatorischer Faktoranalysen zur Beurteilung
der Konvergenzvalidität empfohlen (Bagozzi, Yi und Phillips, 1991). Die in dieser
Arbeit vorgenommene Befragung von Schlüsselinformanten schließt einen Einsatz
unterschiedlicher Messmethoden aus, so dass hier die verschiedenen Indikatoren
eines Messmodells als unterschiedliche Messmethoden zur Messung eines Konstrukts
aufgefasst werden und deren Konvergenz ermittelt werden kann (vgl. z. B. Ahire und
Devaraj, 2001). Dies kann zunächst anhand der Faktorladungen geschehen. Diese
sollten ausreichend hoch und signifikant sein (Hair et al., 2006).60 Des Weiteren kann
die durchschnittlich erfasste Varianz (DEV) zur Messung der Konvergenzvalidität
herangezogen werden (Fornell und Larcker, 1981). Sie beschreibt den Varianzanteil
des Faktors, der im Durchschnitt durch die Indikatoren erfasst wird und ist auf
das Intervall von Null bis Eins normiert. Sie sollte mehr als 0,5 betragen (Hair et
al., 2006). Die durchschnittlich erfasste Varianz berechnet sich nach Homburg und
Giering (1998) wie folgt:
k
i=1 λ2ij φjj
DEV (ξj ) = k 2
k (4.10)
i=1 λij φjj + i=1 θii
Darüber hinaus können Reliabilitätsmaße wie die Faktorreliabilität oder Alpha als
Maße zur Überprüfung der Konvergenzvalidität genutzt werden, da Reliabilität ein
Indikator für die Konvergenzvalidität darstellt (Hair et al., 2006).
Die Diskriminanzvalidität ist the degree to which measures of distinct con-

”
cepts differ“ (Bagozzi und Phillips, 1982, S. 469). Betrachtet wird also, inwieweit
sich die verschiedenen Konstrukte tatsächlich unterscheiden (Hair et al., 2006). Zur
60
Im Rahmen dieser Arbeit kann aufgrund der Verwendung des ULS Verfahrens lediglich auf
die Höhe der Faktorladungen abgestellt werden, da das Verfahren keine Möglichkeit eines
Signifikanztests der Faktorladungen bietet.
Überprüfung der Diskriminanzvalidität stehen verschiedene Methoden zur Verfügung

(Ahire und Devaraj, 2001). Zunächst kann mittels χ2 -Differenztests eine Aussage
über die Diskriminanzvalidität getroffen werden. Hierzu wird ein χ2 -Wert für zwei
frei korrelierende Faktoren berechnet und dieser anschließend mit dem χ2 -Wert
verglichen, der sich ergibt, wenn die Korrelation der beiden Faktoren auf Eins fixiert
wird. Signifikante Verschlechterungen des χ2 -Wertes deuten auf Diskriminanzvalidität
hin (Homburg und Giering, 1998; Bagozzi und Phillips, 1982). Diese Berechnung
wird für alle Paare von Faktoren des Gesamtmodells durchgeführt. Aufgrund des
im Rahmen dieser Arbeit genutzten ULS-Schätzverfahrens ist diese Vorgehensweise
jedoch nicht anwendbar. Ein wesentlich strengeres Kriterium ist das von Fornell
und Larcker (1981) formulierte Kriterium, nach dem die DEV eines Faktors größer
als jede quadrierte Korrelation dieses Faktors mit einem anderen Faktor sein soll.
Nach den Autoren wird es häufig auch als Fornell/Larcker-Kriterium bezeichnet.
Zusätzlich sollte im Sinne der Diskriminanzvalidität darauf geachtet werden, dass
die Indikatoren des Messmodells lediglich auf ein Konstrukt laden sollten. Hohe
Querladungen gelten daher als Indikator für eine unzureichende Diskriminanzvalidität
(Hair et al., 2006).
Die nomologische Validität schließlich beschreibt the degree that the sum-
”
mated scale makes accurate predictions of other concepts in a theoretically based
model“ (Hair et al., 2006, S. 138). Hierzu wird das Konstrukt in einen übergeordneten
Rahmen bzw. in eine übergeordnete Theorie eingebunden, die auch als nomologi-
sches Netz bezeichnet wird (Cronbach und Meehl, 1955). Hierzu muss der Forscher
theoretisch begründete Wirkungsbeziehungen oder akzeptierte Wirkmechanismen
zwischen den Konstrukten aus vorangegangenen Forschungsvorhaben identifizieren
und überprüfen, ob zwischen den von ihm genutzten Messmodellen entsprechende
Zusammenhänge bestehen (Hair et al., 2006). Somit ist die Überprüfung auf nomo-
logische Validität letztlich eine des Wahrheitsgehalts der Theorie und der daraus
postulierten Hypothesen (Cronbach und Meehl, 1955).
Gütebeurteilung formativer Konstrukte Wie bereits erläutert muss die Gütebe-

urteilung formativer Konstrukte abweichend von den eben geschilderten Verfahren
vorgenommen werden. Diamantopoulos und Winklhofer (2001) identifizieren in ih-
rer Arbeit vier wesentliche Problemkreise bei der Bildung formativer Messmodelle:
Inhalts- und Indikatorspezifikation, Indikatorkollinearität sowie die externe Validität

der Messmodelle.
Diese bilden gleichzeitig wesentliche Ansatzpunkte der Gütebeurteilung formativer

Konstrukte. So sollte im Rahmen der Spezifikation eines formativen Messmodells
dessen Überprüfung auf Expertenvalidität erfolgen (Krafft et al., 2005): Hierzu sollte
ein Pretest durchgeführt werden, bei dem die Experten eine Menge zufällig angeord-
neter Indikatoren den einzelnen Konstrukten zuordnen sollen. Anschließend können
anhand der von J. C. Anderson und Gerbing (1991) vorgeschlagenen Formeln für
die proportion of substantive agreement (psa ) und den substantive-validity coefficient
(csv ) die Eindeutigkeit der Zuordnung und die inhaltliche Relevanz der Indikatoren
ermittelt werden.61 :
nc
psa = (4.11)
N
n c − no
csv = (4.12)
N
wobei nc die Anzahl der Experten ist, die einen Indikator dem postulierten Konstrukt
zurordnen und N die Anzahl der Experten. Hingegen stellt no die Anzahl der Experten
dar, die den Indikator dem am häufigsten genannten falschen Konstrukt zugeordnet
haben.62
Es wird deutlich, dass diese Überprüfung der Expertenvalidität bereits während
der Spezifikation der Konstrukte erfolgen sollte. Ist dies gegeben, ist im Zuge der
Gütebeurteilung nicht mit kritischen Abweichungen zu rechnen.
Im Anschluss wird die Indikatorrelevanz betrachtet (Krafft et al., 2005). Dabei
werden die Gewichte der einzelnen Indikatoren verglichen um zu bestimmen, welchen
Betrag jeder einzelne Indikator zur Konstruktbildung leistet. Diesem Schritt kommt
eine wesentliche Bedeutung zu (Huber et al., 2007, S. 38): Zur Beurteilung der
”
Güte interessieren bei formativen Konstrukten in erster Linie die multiplen Re-
gressionskoeffizienten zwischen dem Konstrukt und den Indikatoren sowie deren
61
Die Formeln für die Berechnung von psa und csv sind in Tabelle 4.13 auf Seite 189 dargestellt.
62
Angenommen es gäbe drei Konstrukte A, B und C. Ein Indikator x wird vom Forscher als zu
Konstrukt A zugehörig postuliert. Sieben Experten ordnen x tatsächlich dem Konstrukt A zu,
zwei hingegen dem Konstrukt B und vier dem Konstrukt C. In diesem Fall ergäbe sich nc = 7
und no = 4.
Signifikanz.“ Da die Indikatoren jedoch nicht beliebig austauschbar sind und daher
nicht einfach einem Messmodell zugefügt oder aus ihm entfernt werden können,
darf die Höhe der Regressionskoeffizienten nicht als Eliminationskriterium für einen
Indikator gelten (Rossiter, 2002, S. 315): Item selection to increase the ’reliability’
”
of the formed scale is definitely not appropriate.“ Der Grund hierfür liegt darin, dass
sämtliche Facetten eines latenten Konstrukts durch die Indikatoren abgedeckt werden
sollen, so dass eine Elimination einzelner Items zu einer inhaltlichen Veränderung des
Konstrukts führen könnte. Eine Elimination sollte lediglich erfolgen, wenn zwischen
den Indikatoren hohe Multikollinearität besteht. Da formative Messmodelle auf
Basis multipler Regressionsanalysen berechnet werden, ist eine eventuell vorhandene
Multikollinearität zwischen den formativen Indikatoren problematisch, weil sie zu
zunehmend unzuverlässigen Schätzungen führt und die multiple Regression der
Indikatoren auf das Konstrukt im Extremfall rechnerisch nicht mehr durchführbar ist
(Huber et al., 2007; Krafft et al., 2005). Ein Maß zur Prüfung auf Multikollinearität
stellt der Variance Inflation Factor (VIF) dar. Er nimmt einen Mindestwert von Eins
an und steigt mit zunehmender Multikollinearität. Werte größer 10 deuten auf hohe
Multikollinearität hin (Hair et al., 2006).
Reinartz, Krafft und Hoyer (2004) führen zudem die externe Validität als mögliches
Gütekriterium für die Bewertung formativer Konstrukte an. Basierend auf den Emp-
fehlungen von Diamantopoulos und Winklhofer (2001) führen sie hierfür Berech-
nungen von Multiple Indicators and Multiple Causes (MIMIC) Modellen durch, bei
denen ein Konstrukt gleichzeitig über formative und reflektive Indikatoren gemessen
wird: Da die im Rahmen von Partial Least Squares Modellen genutzten formativen
Messmodelle generell eine fehlerfreie Messung des formativen Konstrukts unterstellen,
diese jedoch nicht immer möglich ist, werden zusätzlich reflektive Indikatoren zur
Bestimmung der Fehlerterme erhoben, die zur externen Validierung des Messmodells
herangezogen werden können (Krafft et al., 2005). Alternativ kann mittels einer
reflektiv gemessenen latenten Phantomvariablen ein Modell mit zwei latenten Varia-
blen berechnet werden. Gelingt es hierbei, den postulierten starken und signifikanten
Zusammenhang zwischen dem latenten formativen Konstrukt und der Phantomvaria-
blen zu bestätigen, ist ein Nachweis für externe Validität erbracht (Rindskopf, 1984).
Tabelle 4.13 fasst diese Vorgehensweise noch einmal zusammen:
Güteart Definition Methoden (Kriterien)
Expertenvali- Ausmaß der Überein- Im Rahmen des Pretest

nc
dität stimmung zwischen Eindeutigkeit der Zuordnung: psa = N
a priori beabsichtig- Inhaltliche Relevanz: csv = ncN
−no
ter und tatsächlicher

Indikatorzuordnung
Indikatorrele- Überprüfung der In- Interpretation der Gewichte (nicht der Ladun-
vanz dikatoren auf ihren gen)
Beitrag zur Konstrukt- Indikatorelimination nur bei Multikollinearität
bildung Prüfung auf Multikollinearität durch:
- Korrelationsmatrix (paarweise)
- Variance Inflation Factor
- Konditionsindex
- Varianzzerlegung
Externe bzw. Evaluation der Gül- Redundante reflektive Operationalisierung

nomologische tigkeit der Konstrukt- (MIMIC-Modell bzw. Zwei-Konstrukt-Modell)
Validität messung Überprüfung der nomologischen Validität
Jeweils anhand der Stärke und Richtung sowie
der Signifikanz des Zusammenhangs
Tabelle 4.13: Gütebeurteilung formativer Messmodelle. Quelle: In Anlehnung an Krafft

et al. (2005)
4.3.1.2 Validierung der Konstrukte
Im Folgenden wird entsprechend der Ausführungen in Abschnitt 4.3.1.1 die Vali-

dierung der Konstrukte vorgenommen. Hierbei werden gemäß der Forderung von
O’Leary-Kelly und Vokurka (1998) entweder die Dimensionen komplexer Konstrukte
gemeinsam betrachtet oder inhaltlich verwandte Konstrukte kombiniert um parallel
überprüft zu werden.
Projektplanung Die explorative Faktoranalyse der Indikatoren der Projektpla-

nungsdimensionen ergab die Extraktion von fünf Faktoren anhand des Kaiser-Krite-
riums. Zudem ergaben sich verschiedene Querladungen. Dieses Ausgangsergebnis ist
in Tabelle A.1 in Anhang 1 auf Seite 282 dargestellt.
Im nächsten Schritt wurden iterativ diejenigen Indikatoren eliminiert, die die
höchsten Querladungen aufwiesen, bis eine Einfachstruktur erreicht wurde. In dieser
Lösung wurden nach dem Kaiser-Kriterium vier Faktoren extrahiert und die verblei-
PCA/Varimax
Indikator 1 2 3 4 MSA
Informationssuche 0,175 −0,020 0,732 0,179 0,767

Informationsbewertung 0,082 0,173 0,892 0,076 0,708
zielkonforme Auswahl −0,009 0,269 0,768 −0,014 0,745
prozedurale Richtlinien 0,797 0,076 0,092 0,085 0,780

Methodeneinsatz 0,861 0,165 0,012 0,146 0,816
dokumentierte Vorgaben 0,817 0,093 −0,029 0,122 0,869
strukturierter Prozess 0,718 0,260 0,245 0,160 0,875
Richtlinieneinhaltung 0,677 0,201 0,079 0,164 0,826
regelmäßige Kontrolle 0,241 0,683 0,272 0,080 0,746

Planungsanpassungen 0,175 0,830 −0,015 0,162 0,756
Planungsverständnis 0,232 0,720 0,041 0,127 0,905
Kommunikation 0,039 0,701 0,242 0,175 0,733
Beteiligung leitender Angestellter −0,066 0,081 0,297 0,729 0,858

Beteiligung operativer Mitarbeiter 0,243 0,083 0,069 0,748 0,801
allgemeine Beteiligung 0,263 0,145 −0,132 0,639 0,823
Beteiligung der Fachabteilungen 0,165 0,237 0,090 0,727 0,898
Eigenwert 5,326 2,128 1,520 1,387

Erklärte Varianz 33,3% 13,3% 9,5% 8,7%
2
KMO: 0,809; Bartlett-Test: χ = 932, 05; df = 120; p = 0, 00
Tabelle 4.14: Explorative Faktoranalyse zur Projektplanung
benden Indikatoren luden alle auf die postulierten Faktoren. Das Ergebnis dieses
Prozesses ist in Tabelle 4.14 zusammengefasst.
Der Bartlett-Test weist signifikante Korrelationen auf und sowohl der KMO-Wert
als auch die MSA Werte sind mit 0,809 bzw. 0,708 - 0,905 hoch. Im nächsten Schritt
wurden die 16 Indikatoren mittels des Makros ctanest1 in SAS auf ihre Verträglichkeit
mit einem reflektiven Messmodell überprüft. Dies führte zu einer nicht signifikanten
Teststatistik (χ2 = 28.96; df = 98; p = 1), so dass ein reflektives Messmodell nicht
abgelehnt werden kann. Anschließend wurde eine konfirmatorische Faktoranalyse
mit vier frei korrelierenden Faktoren durchgeführt, die sehr gute Anpassungsmaße
lieferte (vgl. Tabelle 4.15). Der Koeffizient α liegt mit Werte von 0,74 - 0,87 über
der geforderten Mindestgrenze, so dass die Reliabilität als gewährleistet angesehen
werden kann. Neben α übersteigt auch die Faktorreliabilität ρW LJ das geforderte
Mindestmaß von 0,6 mit Werten von 0,74 - 0,87 deutlich. Diese wird im Vergleich zur
Indikatorreliabilität als bedeutsamer eingestuft (Homburg und Giering, 1998). Daher
werden trotz teilweise geringer Item-to-Total Korrelationen und der in drei Fällen
nicht erfüllten Anforderungen an die Indikatorreliabilität aufgrund dieser guten
Ergebnisse keine weiteren Modifikationen vorgenommen. Hingegen liegt die durch-
schnittlich erfasste Varianz in zwei Fällen unter dem geforderten Mindestwert von 0,5.
Im Fall der Planungskonsistenz wird dieser Wert jedoch nur sehr knapp verfehlt, so
dass insgesamt von ausreichender Konvergenzvalidität ausgegangen werden kann. Die
Dimensionen werden daher zur Überprüfung der weiteren Hypothesen beibehalten.
Das Fornell-Larcker Kriterium ist mit quadrierten Konstruktinterkorrelationen (φ)
von 0,07 -0,27 und einer DEV von 0,42 - 0,58 für alle Faktoren erfüllt, so dass von
Diskriminanzvalidität ausgegangen werden kann.
standard. Indikatorreliabilität Faktorreliabilität
192
Faktor Indikator Ladung I-t-T K ρi α ρW LJ DEV φ
Informationssuche 0,69 0,52 0,48 0,07

Planungsausmaß Informationsbewertung 0,86 0,76 0,74 0,78 0,79 0,56 0,19
zielkonforme Auswahl 0,67 0,58 0,45 0,09
prozedurale Richtlinien 0,72 0,68 0,52

Methodeneinsatz 0,85 0,80 0,73 0,07
Formalisierung dokumentierte Vorgaben 0,72 0,70 0,52 0,87 0,87 0,58 0,27
strukturierter Prozess 0,82 0,69 0,67 0,25
Richtlinieneinhaltung 0,69 0,60 0,47
regelmäßige Kontrolle 0,72 0,55 0,52 0,27

Planungskon- Planungsanpassungen 0,75 0,71 0,56 0,26
0,79 0,79 0,49
sequenz Planungsverständnis 0,70 0,59 0,49 0,19
Kommunikation 0,62 0,55 0,38
Beteiligung leitender Angestellter 0,50 0,47 0,25 0,26

Beteiligung operativer Mitarbeiter 0,72 0,58 0,51 0,25
Partizipation 0,74 0,74 0,42
allgemeine Beteiligung 0,60 0,46 0,36 0,09
Beteiligung der Fachabteilungen 0,73 0,59 0,54
GFI: 0,97; AGFI: 0,96; NFI: 0,95; RFI: 0,94
Tabelle 4.15: Konfirmatorische Faktoranalyse zur Projektplanung

Empirische Untersuchung
Projektdurchführung Die explorative Faktoranalyse der Indikatoren des Innovati-

onsgrades ergab nach dem Kaiser-Kriterium die Extraktion von zwei Faktoren. Für
die Indikatoren geringe Managementinterventionen“ und generelle Zielkonstanz“
” ”
sind wesentliche Querladung zu beobachten. Dieses Ausgangsergebnis ist in Tabelle
A.2 in Anhang 1 auf Seite 283 dargestellt.
PCA/Varimax
Indikator 1 2 MSA
geringe Planänderungen 0,173 0,862 0,600

geringe Ressourcenänderungen 0,087 0,885 0,585
Änderungshäufigkeit 0,867 0,192 0,591

Änderungsumfang 0,897 0,074 0,572
Eigenwert 2,041 1,121

Erklärte Varianz 51,0% 28,0%
2
Tabelle 4.16: Explorative Faktoranalyse zur Projektdurchführung
Diese beiden Indikatoren wurden im Folgenden eliminiert, wodurch eine Einfach-

struktur erreicht wurde und die verbleibenden Indikatoren alle auf die postulierten
Faktoren luden. Das Ergebnis dieses Prozesses ist in Tabelle 4.16 zusammengefasst.
als auch die MSA Werte erfüllen mit Werten von 0,587 bzw. 0,572 - 0,600 die von
Kaiser und Rice (1974) formulierten Mindestanforderungen. Im nächsten Schritt
wurden die 4 Indikatoren auf ihre Verträglichkeit mit einem reflektiven Messmodell
überprüft. Dies führte zu einer nicht signifikanten Teststatistik (χ2 = 0.03; df = 1;
p = 0.86), so dass ein reflektives Messmodell nicht abgelehnt werden kann. An-
schließend wurde eine konfirmatorische Faktoranalyse mit zwei frei korrelierenden
Faktoren durchgeführt, die sehr gute Anpassungsmaße lieferte (vgl. Tabelle 4.17). Der
Koeffizient α liegt mit Werte von 0,72 und 0,73 über der geforderten Mindestgrenze,
so dass die Reliabilität als gewährleistet angesehen werden kann. Neben α übersteigt
auch die Faktorreliabilität ρW LJ das geforderte Mindestmaß von 0,6 mit Werten
von 0,73 und 0,76 deutlich. Auch die Indikatorreliabilität und die Item-to-Total
Korrelation übersteigen in allen Fällen den geforderten Mindestwert von 0,5. Gleiches
gilt für die durchschnittlich erfasste Varianz, so dass insgesamt von gegebener Kon-
vergenzvalidität ausgegangen werden kann. Das Fornell-Larcker Kriterium ist mit
einer quadrierten Konstruktinterkorrelationen (φ) von 0,15 und einer DEV von 0,58
bzw. 0,62 für alle Faktoren erfüllt, so dass von Diskriminanzvalidität ausgegangen
werden kann. Aufgrund dieser guten Ergebnisse werden keine weiteren Modifikationen
vorgenommen.

Prozessstabilität 0,72 0,73 0,58 0,15

Projektzielstabilität 0,73 0,76 0,62 0,15
GFI: 1,00; AGFI: 1,00; NFI: 1,00; RFI: 1,00
Tabelle 4.17: Konfirmatorische Faktoranalyse zur Projektdurchführung

Empirische Überprüfung der Untersuchungshypothesen
195
Innovationsgrad Die explorative Faktoranalyse der Indikatoren des Innovationsgra-

des ergab nach dem Kaiser-Kriterium die Extraktion von vier Faktoren. Lediglich für
den Indikator neue Infrastruktur“ ist eine wesentliche Querladung zu beobachten.
”
Dieses Ausgangsergebnis ist in Tabelle A.3 in Anhang 1 auf Seite 284 dargestellt.
Allerdings weist der Indikator gesellschaftliche Kritik“ sowohl einen vergleichsweise
”
geringen MSA Wert als auch als einziger mit 0,481 eine äußerst geringe Kommu-
nalität auf. Diese sollte mindestens 0,5 betragen, da dann die Hälfte der Varianz
des Indikators durch den Faktor erklärt wird (Hair et al., 2006). Aus diesem Grund
wurde der Indikator gesellschaftliche Kritik“ eliminiert und die Faktoranalyse erneut
”
durchgeführt. Es ergab sich eine Einfachstruktur ohne wesentliche Querladungen.
Diese ist in Tabelle 4.18 zusammengefasst.
PCA/Varimax
neue Technologie −0,004 0,785 0,217 −0,067 0,647

Leistungssteigerung 0,167 0,822 −0,038 0,041 0,682
Technologieverdrängung 0,074 0,716 0,217 0,149 0,804
strategische Neuorientierung 0,775 0,207 0,058 0,045 0,776

neue Organisationsstruktur 0,877 0,049 0,027 0,138 0,714
geänderte Unternehmensprozesse 0,820 0,081 0,092 0,141 0,826
veränderte Unternehmenskultur 0,765 −0,030 0,149 0,126 0,876
Verhaltensänderungen 0,087 0,146 0,922 0,151 0,610

hoher Lernaufwand 0,173 0,211 0,907 0,063 0,625
neue Infrastruktur 0,278 0,006 0,078 0,823 0,630

regulatorische Anpassungen 0,071 0,088 0,117 0,870 0,564
Eigenwert 3,709 1,937 1,336 1,098

2
Tabelle 4.18: Explorative Faktoranalyse zum Innovationsgrad

als auch die MSA Werte liegen mit 0,705 bzw. 0,564 - 0,876 größtenteils deutlich
über den geforderten Mindestwerten. Daher wurden die 11 Indikatoren anschließend
auf ihre Verträglichkeit mit einem reflektiven Messmodell überprüft. Dies führte
zu einer nicht signifikanten Teststatistik (χ2 = 16.32; df = 38; p = 1), so dass ein
reflektives Messmodell nicht abgelehnt werden kann. Im nächsten Schritt wurde eine
konfirmatorische Faktoranalyse mit vier frei korrelierenden Faktoren durchgeführt,
die sehr gute Anpassungsmaße lieferte (vgl. Tabelle 4.19). α liegt für drei Faktoren
über dem geforderten Mindestwert von 0,7. Lediglich für den Faktor Umfeld-Fit“,
”
der einen Wert von 0,69 erreicht, wird die Grenze knapp verfehlt. Insgesamt kann die
Reliabilität damit jedoch als gewährleistet angesehen werden. Neben α übersteigt
auch die Faktorreliabilität ρW LJ das geforderte Mindestmaß von 0,6 mit Werten
von 0,7 - 0,9 deutlich. Auch die Werte für die Indikatorreliabilität und die Item-
to-Total Korrelationen sind zufriedenstellend, so dass insgesamt keine weiteren
Modifikationen vorgenommen wurden. Leider liegt die durchschnittlich erfasste
Varianz für den Faktor Technologiedimension“ unter dem geforderten Mindestwert
”
von 0,5. Aufgrund der erfüllten Anforderungen hinsichtlich der Reliabilitätskriterien
kann jedoch insgesamt von einer ausreichender Konvergenzvalidität ausgegangen
werden kann, so dass der Faktor beibehalten wird, um diese inhaltlich wichtige
Facette des Innovationsgrades zu berücksichtigen. Das Fornell-Larcker Kriterium ist
mit quadrierten Konstruktinterkorrelationen (φ) von 0,03 -0,21 und einer DEV von
0,4 - 0,82 für alle Faktoren erfüllt, so dass von Diskriminanzvalidität ausgegangen
werden kann.
198
neue Technologie 0,64 0,52 0,40 0,08

Technologiedimension Leistungssteigerung 0,66 0,55 0,43 0,71 0,70 0,44 0,21
Technologieverdrängung 0,70 0,50 0,49 0,03
strategische Neuorientierung 0,73 0,64 0,54 0,08

neue Organisationsstruktur 0,83 0,76 0,69 0,09
interner Ressourcen-Fit 0,84 0,84 0,58
geänderte Unternehmensprozesse 0,78 0,69 0,61 0,20
veränderte Unternehmenskultur 0,69 0,62 0,47
Verhaltensänderungen 0,83 0,81 0,69 0,09

Marktdimension hoher Lernaufwand 0,98 0,81 0,96 0,90 0,90 0,82 0,21
0,09
neue Infrastruktur 0,82 0,53 0,66 0,09

Umfeld-Fit regulatorische Anpassungen 0,65 0,53 0,43 0,69 0,70 0,55 0,20
0,03
GFI: 0,99; AGFI: 0,97; NFI: 0,97; RFI: 0,95
Tabelle 4.19: Konfirmatorische Faktoranalyse zum Innovationsgrad

Umweltdynamik Die explorative Faktoranalyse der Indikatoren der Umweltdy-

namik ergab nach dem Kaiser-Kriterium die Extraktion von einem Faktor. Dieses
Ausgangsergebnis ist in Tabelle A.4 in Anhang 1 auf Seite 285 dargestellt. Aller-
dings ergab sich für den Indikator Konkurrenzaktivitäten“ eine Kommunalität von
”
lediglich 0,291, so dass dieser Indikator eliminiert wurde. Anschließend wurde die
Faktoranalyse erneut durchgeführt. Wiederum wurde nach dem Kaiser-Kriterium ein
Faktor extrahiert, wobei die Indikatoren durchweg hohe Faktorladungen aufwiesen.
Dieses Ergebnis ist in Tabelle 4.20 zusammengefasst.
PCA/Varimax
Indikator 1 MSA
Änderung der Marketingaktivitäten 0,734 0,675

Dauer des Produktlebenszyklus 0,778 0,665
Nachfrageänderungen 0,689 0,723
Prozessänderungen 0,726 0,700
Eigenwert 2,145
Erklärte Varianz 53,6%
KMO: 0,687; Bartlett-Test: χ2 = 102, 737; df = 6; p = 0, 000
Tabelle 4.20: Explorative Faktoranalyse zur Umweltdynamik
Im nächsten Schritt wurde die Indikatormenge auf ihre Verträglichkeit mit einem
reflektiven Messmodell überprüft. Dies führte zu einer signifikanten Teststatistik
(χ2 = 7.59; df = 2; p = 0.02), so dass ein reflektives Messmodell verworfen werden
muss. Da folglich ein formatives Messmodell beurteilt wird, muss von der bis hierher
genutzten Verfahrensweise abgewichen werden und das Messmodell anhand von
Expertenvalidität, Indikatorrelevanz und externer Validität überprüft werden.
Wie in Abschnitt 4.3.1.1 ausgeführt wurde, sollte die Expertenvalidität bereits wäh-
rend des Pre-Tests überprüft werden. Da der Fragebogen in mehreren Abstimmungs-
runden und unter Berücksichtigung der Hinweise von Experten aus Wissenschaft und
Praxis entwickelt wurde und die Indikatoren des Messmodells zur Umweltdynamik
dabei keinerlei Kritik hervorriefen, ist davon auszugehen, dass die Expertenvalidität
als erfüllt angesehen werden kann. Die Betrachtung der Gewichte der einzelnen
Indikatoren weist die Items Änderung der Marketingaktivitäten“, Dauer des Pro-
” ”
duktlebenszyklus“ und Nachfrageänderungen“ als besonders einflussreich aus. Im
”
Rahmen der Indikatorrelevanz ist zudem insbesondere eine mögliche Multikollinea-
rität zwischen den Indikatoren zu untersuchen. Diese liegt nach Huber et al. (2007,
S. 98) in perfekter Form vor, wenn die Werte einer unabhängigen Variablen aus
”
den anderen unabhängigen Variablen exakt vorhergesagt werden kann.“ Um dies zu
überprüfen wurden für jeden einzelnen Indikator Regressionsmodelle berechnet, in
denen untersucht wurde, inwieweit der jeweilige Indikator durch die anderen Indikato-
ren vorhergesagt wurde. Dies bildete die Basis zur Berechnung des Variance Inflation
Factors für jeden Indikator. Die Ergebnisse sind in Tabelle 4.21 zusammengefasst:
Indikator Variance Inflation Factor
Änderung der Marketingaktivitäten 1,479

Dauer des Produktlebenszyklus 1,527
Konkurrenzaktivitäten 1,166
Nachfrageänderungen 1,316
Prozessänderungen 1,416
Tabelle 4.21: Variance Inflation Factors der Indikatoren zur Messung der Umweltdynamik
Die Ergebnisse zeigen, dass die Werte für alle Indikatoren nahe der Untergrenze
von Eins liegen und damit deutlich von dem als problematisch geltenden Bereich
von V IF ≥ 10 entfernt sind. Insofern ist keine wesentliche Multikollinearität fest-
zustellen und folglich sind keine Indikatoren zu eliminieren. Abschließend wurde
die nomologische Validität mittels des von Diamantopoulos und Winklhofer (2001)
vorgeschlagenen Zwei-Konstrukt-Modells überprüft, da keine zusätzliche reflektive In-
dikatormenge für eine MIMIC Operationalisierung verfügbar war. Problematisch bei
der Überprüfung mittels eines Zwei-Konstrukt-Modells ist allerdings, dass zwischen
den Konstrukten eine vorab postulierte enge Verbindung bestehen soll, die mittels
des Modells überprüft wird. Da im Rahmen dieser Arbeit keine Größe erhoben wurde,
auf die eine direkte Wirkung der Umweltdynamik erwartet wird, muss auf den Pro-
jekterfolg abgestellt werden, da die Ausführungen in Abschnitt 3.4.2 gezeigt haben,
dass einige Untersuchungen einen direkten Zusammenhang zwischen dem Unterneh-

mensumfeld und einem Erfolgsmaß analysiert haben. Allerdings haben sich diese
empirischen Befunde als uneinheitlich herausgestellt. Der vorliegenden Problematik
entspricht am ehesten die Arbeit von Bstieler (2005), der einen positiven Einfluss
der Marktunsicherheit auf die Zeiteffizienz ermittelt. Daher wurde der Test unter
Verwendung der Erfolgsdimension Projekteffizienz“ durchgeführt. Hieraus ergab sich
”
ein positiver allerdings nicht signifikanter Zusammenhang zwischen Umweltdynamik
und Projekteffizienz. Zusätzlich wurden die beiden weiteren Erfolgsdimensionen sowie
der Erfolg als Faktor zweiter Ordnung mit allen drei Dimensionen getestet. In allen
Fällen wurde ein positiver aber nicht signifikanter Zusammenhang ermittelt. Insofern
kann die externe Validität nicht eindeutig bestätigt werden.
Projektkomplexität Die explorative Faktoranalyse der Indikatoren der Projektkom-

plexität ergab nach dem Kaiser-Kriterium die Extraktion von drei Faktoren. In dieser
Lösung waren für die Indikatoren Zeitzielanspruch“ und Anspruch des Gesamtpro-
” ”
jektes“ allerdings wesentliche Querladungen zu beobachten. Dieses Ausgangsergebnis
ist in Tabelle A.5 in Anhang 1 auf Seite 286 dargestellt. Daher wurden die beiden
Indikatoren eliminiert und die Faktoranalyse erneut durchgeführt. Wiederum wurden
nach dem Kaiser-Kriterium drei Faktoren, diesmal jedoch in Einfachstruktur, extra-
hiert. Diese sind in Tabelle 4.22 dargestellt. Der KMO Wert ist mit 0,605 akzeptabel
und die MSA Werte erfüllen bis auf den Indikator Kostenzielanspruch“ die Anforde-
”
rungen. Dieser wurde jedoch zunächst beibehalten, um die Schwierigkeitsdimension
weiter untersuchen zu können. Die verbleibenden acht Indikatoren wurden anschlie-
ßend auf ihre Verträglichkeit mit einem reflektiven Messmodell überprüft. Hierbei
ergab sich eine nicht signifikante Teststatistik (χ2 = 11.82; df = 17; p = 0.81.), so
dass ein reflektives Messmodell nicht verworfen werden kann. Die Ergebnisse der
anschließenden konfirmatorischen Faktoranalyse sind in Tabelle 4.23 dargestellt. Ins-
gesamt weist das Modell trotz guter globaler Gütewerte einige nicht zufriedenstellende
Befunde auf. Für die beiden Dimensionen Interdependenzen“ und Neuheit der
” ”
Projektziele“ ergeben sich teilweise ausreichende, teilweise jedoch auch ungenügende
Gütewerte. Da insbesondere die Werte der Faktorreliabilität jedoch ausreichend sind
bzw. die geforderte Mindestgrenze nur knapp verfehlen, wird für die weitere Analyse
zunächst an diesen beiden Dimensionen festgehalten. Die Dimension Schwierig-
”
keit der Projektziele“ hingegen weist fast durchweg nicht akzeptable Werte für die
Gütemaße aus, so dass diese von der weiteren Betrachtung ausgeschlossen werden
muss.
PCA/Varimax
Indikator 1 2 3 MSA
Produktmodulinterdependenzen 0,684 0,004 0,227 0,644

Prozessschrittinterdependenzen 0,848 −0,065 −0,029 0,627
Produkt-Prozess-Interdependenzen 0,784 0,134 0,073 0,637
Neuheit des Qualitätsziels −0,108 0,772 0,147 0,569

Neuheit des Kostenziels 0,064 0,780 −0,221 0,607
Neuheit des Zeitziels 0,111 0,745 0,007 0,630
Qualitätszielanspruch 0,285 −0,292 0,583 0,593

Kostenzielanspruch 0,024 0,150 0,878 0,440
Eigenwert 2,059 1,895 1,086

Erklärte Varianz 25,7% 23,7% 13,6%
2
Tabelle 4.22: Explorative Faktoranalyse zur Projektkomplexität

Produktmodule 0,59 0,44 0,35 0,00

Interdependenzen Prozessschritte 0,73 0,56 0,53 0,69 0,70 0,43 0,18
Produkt-Prozess 0,65 0,52 0,43
Qualitätsziel 0,56 0,45 0,32 0,00

Neuheit Kostenziel 0,76 0,53 0,58 0,67 0,68 0,42 0,06
Zeitziel 0,59 0,47 0,35
Qualitätsziel 0,75 0,63 0,57 0,06

Schwierigkeit 0,38 0,45 0,33
Kostenziel 0,29 0,80 0,08 0,18
GFI: 0,98; AGFI: 0,95; NFI: 0,91; RFI: 0,86
Tabelle 4.23: Konfirmatorische Faktoranalyse zur Projektkomplexität

Empirische Überprüfung der Untersuchungshypothesen
203
Projekterfolg Die explorative Faktoranalyse der Indikatoren der Erfolgsdimensio-

nen ergab nach dem Kaiser-Kriterium die Extraktion von drei Faktoren. Lediglich
für den Indikator Technische Leistung“ war hierbei eine wesentliche Querladung zu
”
beobachten. Dieses Ausgangsergebnis ist in Tabelle A.6 in Anhang 1 auf Seite 287
dargestellt. Auch hier wurde der fragliche Indikator eliminiert und die Faktoranalyse
erneut durchgeführt. In diesem Fall wurden drei Faktoren in Einfachstruktur extra-
hiert, die in Tabelle 4.24 dargestellt sind.
PCA/Varimax
Indikator 1 2 3 MSA
Qualität 0,279 0,060 0,832 0,725

Produktionsfreundlichkeit 0,059 0,191 0,860 0,722
Umsatz 0,270 0,860 0,018 0,734

Marktanteil 0,170 0,922 0,109 0,672
Wettbewerbsvorteil 0,023 0,824 0,210 0,759
Budgeteinhaltung 0,821 0,045 0,124 0,884

Time-to-Market 0,865 0,261 0,139 0,723
Zeitplaneinhaltung 0,901 0,165 0,152 0,697
Eigenwert 3,628 1,574 1,167

KMO: 0,729; Bartlett-Test: χ2 = 581, 752; df = 28; p = 0, 00
Tabelle 4.24: Explorative Faktoranalyse zum Projekterfolg
als auch die MSA Werte liegen mit 0,729 bzw. 0,672 - 0,884 alle deutlich über den
geforderten Mindestwerten. Die 8 Indikatoren wurden daher im nächsten Schritt auf
ihre Verträglichkeit mit einem reflektiven Messmodell überprüft, welches aufgrund
einer nicht signifikanten Teststatistik (χ2 = 14.17; df = 17; p = 0.66) nicht abgelehnt
werden konnte. Anschließend wurde eine konfirmatorische Faktoranalyse mit drei
frei korrelierenden Faktoren durchgeführt, die sehr gute Anpassungsmaße lieferte
(vgl. Tabelle 4.25). Der Koeffizient α verfehlt nur in einem Fall mit 0,69 sehr knapp
die geforderte Mindestgrenze, so dass insgesamt die Reliabilität als gewährleistet

angesehen werden kann, da die Faktorreliabilität ρW LJ das geforderte Mindestmaß
von 0,6 in allen Fällen deutlich überschreitet. Sowohl die Item-to-Total Korrelationen
als auch die Indikatorreliabilität sind durchweg hoch und liegen über den geforderten
Mindestwerten. Auch die Höhe der durchschnittlich erfassten Varianz ist in allen
Fällen zufriedenstellend, so dass von Konvergenzvalidität ausgegangen werden kann.
Das Fornell-Larcker Kriterium schließlich ist mit quadrierten Konstruktinterkorrela-
tionen (φ) von 0,13 -0,21 und einer DEV von 0,54 - 0,71 für alle Faktoren erfüllt, so
dass die Diskriminanzvalidität gewährleistet ist.
206

Qualität 0,80 0,53 0,64 0,13

Produkterfolg 0,69 0,70 0,54
Umsatz 0,89 0,75 0,79 0,13

Markterfolg Marktanteil 0,94 0,86 0,88 0,87 0,88 0,71 0,17
Wettbewerbsvorteil 0,68 0,66 0,46

Projekteffizienz Time-to-Market 0,94 0,80 0,89 0,87 0,88 0,71 0,21
Zeitplaneinhaltung 0,91 0,83 0,82
GFI: 0,99; AGFI: 0,99; NFI: 0,99; RFI: 0,98
Tabelle 4.25: Konfirmatorische Faktoranalyse zum Projekterfolg

4.3.2 Kausalanalytische Überprüfung der

Untersuchungshypothesen
Nachdem im vorangegangenen Abschnitt die Validierung der Konstrukte vorge-
nommen wurde, dient der folgende Abschnitt der Überprüfung der in Kapitel 3
hergeleiteten Untersuchungshypothesen. Hierzu wird zunächst der direkte Einfluss
der Planung auf den Projekterfolg untersucht. Im nächsten Schritt wird das Modell
um die Dimensionen der Umsetzung erweitert und es werden sowohl direkte als auch
indirekte Wirkungsbeziehungen zwischen Projektplanung und -erfolg analysiert.
4.3.2.1 Coalignment der Planungsprozessdimensionen und Projekterfolg
Zur Überprüfung der Hypothese zum Coalignment der Planungsprozessdimensio-

nen wird der Vorgehensweise von Segars et al. (1998) gefolgt. Hierbei werden zwei
verschiedene Strukturmodelle spezifiziert: In einem ersten Schritt werden zunächst
die direkten Wirkungen der einzelnen Planungsprozessdimensionen auf den Pro-
jekterfolg untersucht (sog. Basismodell“ oder Modell der direkten Effekte“). Im
” ”
zweiten Schritt werden die Planungsprozessdimensionen zu einem übergeordnetem
Planungsfaktor zweiter Ordnung, dem Coalignment, zusammengefasst und es wird
dessen Wirkung auf den Projekterfolg betrachtet ( Coalignment-Modell“). Mittels
”
eines Vergleichs der Ergebnisse kann anschließend bestimmt werden, welches Modell
die empirisch erhobenen Daten besser repräsentiert. Die von Segars et al. (1998)
vorgenommene Bestimmung eines Target-Koeffizienten zum Modellvergleich kann
aufgrund des im Rahmen dieser Arbeit genutzten ULS Schätzverfahrens nicht durch-
geführt werden. Stattdessen erfolgt der Modellvergleich anhand der in Abschnitt
4.1.3.1 dargestellten Gütemaße sowie unter Berücksichtigung zusätzlicher Parsimo-
niemaße.63
63
Parsimoniemaße können zum Vergleich verschiedener konkurrierender Modelle herangezogen
werden und bewerten deren Anpassung im Verhältnis zu ihrer Komplexität. Sie stellen damit ein
Maß der Sparsamkeit dar (Hair et al., 2006, S. 749 f.): A parsimony fit measure is improved
”
either by a better fit or by a simpler model. In this case, a simpler model is one with fewer
estimated parameters paths.[...] More complex models are expected to fit the data better, so
fit measures must be relative to model complexity before comparisons between models can be
made. The indices are not useful in assessing the fit of a single model, but are quite useful in
comparing the fit of two models, one more complex than the other.“
Abbildung 4.13 zeigt das Basismodell, in dem die Planungsprozessdimensionen

direkt auf den Projekterfolg wirken.64 Gemäß der in Kapitel 3 formulierten Hypothe-
sen wirken alle Dimensionen positiv auf den Projekterfolg. Das Modell besitzt 245
Freiheitsgrade.
Planungs-
Produkterfolg
ausmaß 0,38
0,65
Formalisierung 0,22
0,65
Projekterfolg Markterfolg
0,28
,
Planungs-
konsistenz
0,22 0,63
Partizipation Projekteffizienz
GFI: 0,79 AGFI: 0,74 NFI: 0,65 RFI: 0,61 PNFI: 0,58
Abbildung 4.13: Wirkung der einzelnen Planungsdimensionen auf den Projekterfolg
Abbildung 4.14 stellt das Coalignment Modell dar, welches 244 Freiheitsgrade
aufweist.65 Auch das Coalignment wirkt sich, wie in der Hypothesen in Kapitel
3 formuliert, positiv auf den Projekterfolg aus. Zudem weisen die Pfade höhere
Pfadkoeffizienten als im Basismodell auf.
Ein Vergleich der Gütemaße zeigt eindeutig, dass das Coalignment Modell wesent-
lich bessere Werte erzielen kann. Während das Basismodell für alle betrachteten
Gütemaße die geforderten Mindestkriterien verfehlt, werden diese im Coalignment
Modell ausnahmslos übertroffen. Zudem zeigt ein Vergleich der Parsimoniemaße, dass
das Coalignment Modell eine wesentlich bessere Anpassung im Verhältnis zur Modell-
komplexität liefert. Insofern ist das Basismodell zugunsten des Coalignment Modells
64
Im Sinne einer übersichtlicheren Darstellung wird lediglich das Strukturmodell abgebildet. Die
angegeben Pfadkoeffizienten entstammen der standardisierten Lösung.
65
Aus Übersichtlichkeitsgründen wird wiederum ausschließlich das Strukturmodell in der standar-
disierten Lösung dargestellt.
Planungs-
Produkterfolg
ausmaß
0,49 0,65
Formalisierung
0,68 0,37 0,63
Coalignment Projekterfolg Markterfolg
0 78
0,78
Planungs-
konsistenz
0,69 0,64
GFI: 0,95 AGFI: 0,93 NFI: 0,91 RFI: 0,90 PNFI: 0,81
Abbildung 4.14: Wirkung des Coalignments der Planungsdimensionen auf den Projekt-
erfolg
zu verwerfen, da dieses die empirisch erhobenen Daten erheblich besser repräsentiert.

Auf Basis des Modellvergleichs zeigt sich, dass das erfolgversprechendste Planungsver-
halten mit einer gleichzeitigen hohen Ausprägungen aller Planungsprozessdimensionen
gegeben ist, wobei die Ausprägungen der Dimension Planungskonsistenz das höchste
Gewicht aufweist und die Dimension Planungsausmaß das geringste. Insgesamt wer-
den durch das Coalignment Modell allerdings nur 13,6 Prozent des Projekterfolgs
erklärt. Dies verdeutlicht, dass, wie bereits angedeutet wurde, nicht nur die Planung
sondern auch deren Umsetzung betrachtet werden sollte. Daher wird im Folgenden
das Coalignment Modell um die Konstrukte der Prozess- und Projektzielstabilität
als Dimensionen der Planungsumsetzung erweitert.
4.3.2.2 Gesamtmodell
Im Rahmen des folgenden Abschnitts werden die weiteren in Kapitel 3 formulierten

Hypothesen anhand der Pfadkoeffizienten des Gesamtmodells überprüft. Jedoch
werden an dieser Stelle zunächst noch die moderierenden Effekt der in Kapitel 3
genannten Einflussfaktoren ausgeklammert. Abbildung 4.15 zeigt das Strukturmodell
des Gesamtmodells. Alle Konstrukte werden gemäß ihrer Validierung in Abschnitt
4.3.1.2 reflektiv gemessen. Das Modell weist 337 Freiheitsgrade auf.
Es wird deutlich, dass die Projektplanung sowohl direkt als auch indirekt auf den
Projekterfolg wirkt. Insgesamt werden 59,7 Prozent der Varianz des Projekterfolgs
durch das Modell erklärt. Die hierfür verantwortlichen direkten und indirekten Effekte
der latenten Variablen sind in Tabelle 4.26 zusammengefasst.
Planungs- Projektziel-
Produkterfolg
g
ausmaß stabilität
0,48 -0,06 0,21 0,59

Formalisierung
,
0,69 0 23
0,23 0 61
0,61
Coalignment Projekterfolg Markterfolg
0,76
Planungs- 0,41
konsistenz
0,70 0,27 0,59 0,70
Prozess-
stabilität
GFI: 0,93
0 93 AGFI: 0,92
0 92 NFI: 0,89
0 89 RFI: 0,88
0 88
Abbildung 4.15: Direkte und indirekte Wirkung des Coalignments der Planungsdimen-
sionen auf den Projekterfolg
Eine genauere Betrachtung von Tabelle 4.26 zeigt, dass die Hypothesen 6, 7 und
8 nicht widerlegt werden können. Mit Pfadkoeffizienten von 0,23 weist das Co-
alignment der Planungsprozessdimensionen auch in diesem Modell einen direkten
positiven Wirkungszusammenhang mit dem Projekterfolg auf. Darüber hinaus wirkt
sich die Projektplanung auch indirekt positiv auf den Projekterfolg aus. Auch die
Umsetzungsqualität in Form von Projektzielstabilität und Prozessstabilität wirkt mit
Pfadkoeffizienten von 0,21 und 0,59 direkt positiv auf den Projekterfolg. In gleicher
Weise bestätigt sich mit einem Pfadkoeffizienten von 0,41 ein deutlicher positiver
Zusammenhang von Projektzielstabilität und Prozessstabilität. Hingegen sind die
Ergebnisse für die Wirkungsbeziehungen von Projektplanung und Projektziel- bzw.
Prozessstabilität uneinheitlich. Hypothese 8, die einen positiven Zusammenhang
zwischen Projektplanung und Prozessstabilität postuliert, kann aufgrund eines posi-
tiven Pfadkoeffizienten von 0,27 nicht widerlegt werden. Jedoch muss Hypothese 7
zur positiven Wirkungsbeziehung zwischen Projektplanung und Projektzielstabilität
abgelehnt werden.
Wenngleich die im Gesamtmodell geschätzten Pfadkoeffizienten die zentralen Un-

tersuchungshypothesen weitestgehend zu bestätigen scheinen, muss zur Überprüfung
der Stichhaltigkeit der zugrunde liegenden Theorie letztendlich vor allem die Anpas-
Prozessstab. Projektzielstab. Coalignment

abhängige Variable dir. indir. ges. dir. indir. ges. dir. indir. ges.
Projekterfolg 0,59 0,59 0,21 0,24 0,45 0,23 0,13 0,36

- Produkterfolg 0,35 0,35 0,27 0,27 0,21 0,21
- Markterfolg 0,36 0,36 0,28 0,28 0,22 0,22
- Projekteffizienz 0,41 0,41 0,32 0,32 0,25 0,25
Prozessstabilität 0,41 0,41 0,27 −0,02 0,25
Projektzielstabilität −0,06 −0,06
Tabelle 4.26: Gesamtmodell: direkt, indirekte und gesamte Effekte der latenten Variablen
sungsgüte des Modells beurteilt werden. Während der Goodness of Fit Index (GFI)
und der Adjusted Goodness of Fit Index (AGFI) mit Werten von 0,93 bzw. 0,92
den geforderten Mindestwert von 0,9 übertreffen, wird dieser vom Normed Fit Index
(NFI) und Relative Fit Index (RFI) mit Werten von 0,89 bzw. 0,88 knapp verfehlt.
Aufgrund der hohen Anzahl zu schätzender Parameter sowie dem vergleichsweise
geringen Stichprobenumfang ist die Modellanpassung insgesamt als gut zu bewer-
ten, so dass die dem Modell zugrundeliegenden theoretischen Überlegungen nicht
zurückgewiesen werden.
4.3.3 Regressionsanalytische Überprüfung der

Moderationseffekte
Nachdem in den vorangegangenen Abschnitten die formulierten Hypothesen zum
Coalignment der Projektplanungsprozessdimensionen sowie zum Zusammenwirken
von Projektplanung und -umsetzung auf den Projekterfolg überprüft wurden, werden
im Folgenden die Hypothesen zum Einfluss der Kontextfaktoren Innovationsgrad,
Projektkomplexität und Branchenumfeld untersucht. Hierfür werden gemäß der
Ausführungen in Abschnitt 4.1.3.2 verschiedene Regressionsmodelle analysiert, in
denen der Einfluss der Kontextfaktoren in Form von Moderationseffekten berücksich-
tigt wird.
Da die Kovarianz der Planungsprozessdimensionen, die das Coalignment im Struk-
turgleichungsmodell beschreibt, auf Basis einer Matrix berechnet wird, so dass keine
individuellen Werte für jedes Projekt ermittelt werden können, war es zunächst erfor-
derlich, einen Näherungswert für das Coalignment zu berechnen. Hierfür wurde der
Kehrwert der Varianz der Indikatoren der Planungsprozessdimensionen gewählt, um

eine weitestgehende inhaltliche und mathematische Übereinstimmung zu realisieren.
Trotzdem ist anzumerken, dass hierbei Informationsverluste in Kauf zu nehmen
sind. Anschließend wurden die so ermittelten Werte sowie die weiteren abhängigen
Variablen, wie in Abschnitt 4.1.3.2 beschrieben, zentriert und die Regressionsanalysen
durchgeführt.
Einfluss des Innovationsgrades Tabelle 4.27 fasst die Ergebnisse der hierarchischen
moderierten Regression zum Einfluss des Innovationsgrades zusammen.
Es wird ersichtlich, dass lediglich das Modell 1a einen signifikanten F -Wert erreicht.
In diesem Modell sowie dem Modell 1b weist das Coalignment jeweils einen signifikant
positiven Effekt auf den Projekterfolg auf. Der Innovationsgrad zeigt in den Modellen
1b und 1c einen negativen jedoch nicht signifikanten direkten Zusammenhang mit dem
Projekterfolg und moderiert auch die Wirkungsbeziehung zwischen Coalignment und
Projekterfolg nicht. Sowohl die Regressionkoeffizienten als auch FΔR2 für den Vergleich
von Modell 1c und 1b sind nicht signifikant. Somit ist ein moderierender Einfluss
des Innovationsgrades nicht nachweisbar und Hypothese 12, die keine moderierende
Wirkung des Innovationsgrades auf den Wirkungszusammenhang von Coalignment
und Projekterfolg postuliert, kann nicht widerlegt werden.
Projekterfolg
Modell 1a Modell 1b Modell 1c
Haupteffekte
Coalignment 0,15∗ 0,14∗ 0,12
Moderator
Innovationsgrad −0,07 −0,10
Interaktionsterm
Coalignment x Innovationsgrad −0,09
R2 0,02 0,03 0,03

Adjusted R2 0,02 0,01 0,01
ΔR2 0,02 0,01 0,00
F 3,10∗ 1,90 1,55
∗
p ≤ 0, 1; es werden standardisierte Betawerte angegeben
Tabelle 4.27: Hierarchische moderierte Regressionsanalyse mit dem Innovationsgrad

Einfluss der Projektkomplexität Im nächsten Schritt wurde die moderierende

Wirkung der Projektkomplexität untersucht. Die Ergebnisse der hierarchischen mo-
derierten Regressionsanalyse zu deren Einfluss auf die Wirkungsbeziehung zwischen
Coalignment und Projekterfolg sind in Tabelle 4.28 zusammengefasst.
Wie ersichtlich wird, weisen die Modelle 2a und 2c signifikante F -Werte auf. In
allen Modellen wird ein positiver, signifikanter Einfluss des Coalignments auf den
Projekterfolg nachgewiesen. Jedoch kann auch in dieser Analyse kein signifikanter
direkter Effekt der Projektkomplexität nachgewiesen werden. Der Regressionskoeffi-
zient für den Moderationseffekt ist negativ, aber ebenfalls nicht signifikant. Auch
FΔR2 ist für die Vergleich von Modell 2a und 2b sowie für den von Modell 2b und
2c nicht signifikant, so dass ein moderierender Einfluss der Projektkomplexität auf
den Wirkungszusammenhang von Coalignment und Projekterfolg nicht nachgewie-
sen werden kann. Hypothese 14 über den positiven moderierenden Einfluss der
Projektkomplexität auf den Projekterfolg ist damit abzulehnen.
Projekterfolg
Haupteffekte
Coalignment 0,15∗ 0,15∗ 0,17∗
Moderator
Projektkomplexität 0,10 0,06
Interaktionsterm
Coalignment x Projektkomplexität −0,13
R2 0,02 0,03 0,05

Adjusted R2 0,02 0,02 0,03
ΔR2 0,02 0,01 0,02
F 3,10∗ 2,28 2,24∗
∗
p ≤ 0, 1; es werden standardisierte Betawerte angegeben
Tabelle 4.28: Hierarchische moderierte Regressionsanalyse mit der Projektkomplexität
In einem nächsten Schritt wurde zusätzlich der Geschäftstyp, der den jeweiligen
Projekten zugrundeliegt, als ein weiteres Merkmal der Projektkomplexität herange-
zogen. Entsprechend der Ausführungen in Abschnitt 4.1.3.2 wurde, da es sich beim
Geschäftstyp um eine kategoriale Variable handelt, auf eine Untergruppenanalyse
zurückgegriffen. Hierbei wird der Datensatz anhand der potenziell moderierenden
Variable in Subgruppen unterteilt und für jede Subgruppe die Korrelation zwischen
Coalignment und Projekterfolg ermittelt. Anschließend werden die Ergebnisse unter
Verwendung von Formel 4.13 auf signifikante Unterschiede überprüft. Die Nullhypo-
these lautet hierbei, dass die beiden Korrelationen identisch sind.
Z 1 − Z2
z= (4.13)
1 1
n1 −3
+ n2 −3
wobei Z1 und Z2 die z-transformierten Korrelationen von Coalignment und Projekt-

erfolg zweier Untergruppen und n1 bzw. n2 die Anzahl der Projekte in der jeweiligen
Untergruppe beschreiben. Der für eine Irrtumswahrscheinlichkeit von p ≤ 0, 05 erfor-
derliche z-Wert von 1,65 wird bei keinem Gruppenvergleich überschritten, so dass die
Nullhypothese, dass die Korrelationen zwischen Coalignment und Projekterfolg für
alle Untergruppen identisch sind, nicht verworfen werden kann. Auch auf Basis dieser
Analyse lässt sich kein moderierender Effekt der Projektkomplexität bestätigen, so
dass Hypothese 14 über einen positiven moderierenden Einfluss der Projektkom-
plexität auf die Wirkungsbeziehung von Coalignment und Projekterfolg auch im
Rahmen dieser Analyse abzulehnen ist.
Einfluss des Branchenumfelds Abschließend wird der moderierende Einfluss des

Branchenumfelds auf die Wirkungsbeziehung von Coalignment und Projekterfolg
überprüft. Die Ergebnisse der hierarchischen moderierten Regressionsanalysen sind
in Tabelle 4.29 dargestellt.
Alle drei Modelle weisen teilweise hochsignifikante F -Werte auf. Das Coalignment
wirkt sich in allen drei Modellen signifikant positiv auf den Projekterfolg aus. Modell
2b weist zudem einen hochsignifikanten positiven direkten Einfluss der Umfelddy-
namik auf den Projekterfolg nach. Auch FΔR2 für den Vergleich von Modell 3a
und 3b ist signifikant. Die Umfelddynamik leistet somit einen signifikanten direkten
Erklärungsbeitrag zur Varianz des Projekterfolgs. Hingegen ist der schwach negative
Moderationseffekt der Umfelddynamik auf den Wirkungszusammenhang zwischen
Coalignment und Projekterfolg nicht signifikant und auch FΔR2 erreicht für den
Vergleich von Modell 3b und 3c keinen signifikanten Wert, so dass die Hypothese 13
zum positiven moderierenden Einfluss des Branchenumfelds abzulehnen ist.
Projekterfolg
Haupteffekte
Coalignment 0,15∗ 0,15∗ 0,14∗
Moderator
Umfelddynamik 0,29∗∗∗ 0,27∗∗
Interaktionsterm
Coalignment x Umfelddynamik −0,09
2
R 0,02 0,10 0,11
Adjusted R2 0,02 0,09 0,09
ΔR2 0,02 0,08 0,01
F 3,10∗ 7,78∗∗∗ 5,53∗∗∗
∗∗∗
p ≤ 0, 01,∗∗ p ≤ 0, 05,∗ p ≤ 0, 1; es werden standardisierte Beta-
werte angegeben
Tabelle 4.29: Hierarchische moderierte Regressionsanalyse mit der Umfelddynamik
Zusammenfassend ist zu konstatieren, dass keine der drei potenziellen Moderatorva-

riablen einen signifikanten Einfluss auf die Wirkungsbeziehung zwischen Coalignment
und Projekterfolg ausübt. Damit kann auf Basis dieser Ergebnisse festgehalten wer-
den, dass eine Projektplanung, die sowohl formale als auch flexible Planungselemente
miteinander verbindet, nicht nur besonders erfolgversprechend ist, sondern zudem
auch äußerst stabil über verschiedene Arten von Projekten hinweg positiv auf den
Projekterfolg wirkt und insofern als eine Art best practice bezeichnet werden kann.
Um das Zusammenspiel der verschiedenen Planungsprozessdimensionen im Projek-
tablauf zu analysieren und damit das Verständnis über die Art und Weise, in der diese
Gestaltungsdimension miteinander kombiniert werden, zu verbessern, wird in der
folgenden explorativen Erweiterung der empirischen Untersuchung überprüft, ob sich
bestimmte Muster und Zusammenhänge zwischen den Planungsprozessdimensionen
im Projektablauf aufdecken lassen.
4.3.4 Explorative Erweiterungen

Die in den Abschnitten 4.3.2 und 4.3.3 durchgeführten Analysen haben auf Grundla-
ge einer ganzheitlichen Prozessbetrachtung eine hinreichende Basis zur Erklärung
des Projekterfolgs geliefert und gezeigt, dass für eine erfolgversprechende Planung
eine Verbindung der potenziell konfliktionären Anforderungen der Flexibilität und

Effizienz erforderlich ist. Jedoch kann auf Grundlage dieser Ergebnisse keine Aussage
darüber getroffen werden, ob und gegebenenfalls wie die einzelnen Planungsprozess-
dimensionen im Laufe des Projektes unterschiedlich ausgeprägt sind und wie sie sich
zueinander verhalten. Diese Fragen sollen im aktuellen Abschnitt näher untersucht
werden, um die gewonnenen Erkenntnisse weiter zu detaillieren.
Die Forschung auf Gesamtorganisationsebene hat sich in einem ähnlich gelagerten
Diskurs mit dem paradox of administration“ (Thompson, 1967) und dem Konflikt
”
zwischen mechanistischen Strukturen zur effizienten Nutzung bestehender Ressour-
cen und organischen Strukturen zur Förderung von Innovation, Kreativität und
Flexibilität beschäftigt (vgl. z. B. Sarkees und Hulland, 2009; Raisch, 2008; Volber-
da, Baden-Fuller und van den Bosch, 2001; Damanpour, 1991). Die entwickelten
Lösungen zur Überwindung dieses Wiederspruchs lassen sich im wesentlichen auf
drei Ansätze reduzieren (Raisch, 2008): Zeitliche Trennung von Exploitation und
Innovation, also ein zeitlich sequenzielles Alternieren zwischen flexiblen und starren
Strukturen; strukturelle Trennung von Exploitation und Innovation, so dass die
beiden Aufgaben von unterschiedlichen Personen in unterschiedlichen Unternehmens-
einheiten wahrgenommen werden; parallele Strukturen, bei denen Exploitation und
Innovation von denselben Personen, aber in unterschiedlichen strukturellen Kon-
texten wahrgenommen werden. Die so für Organisationen entwickelten Lösungen
entsprechend damit in bemerkenswerter Weise den von Altschuller formulierten
elementaren Umformungen zur Überwindung von Widersprüchen, die im Rahmen
der Invention von wesentlicher Bedeutung sind (vgl. z. B. Altschuller, 1998; Möhrle
und Pannenbäcker, 1997b, 1997a).
Wie bereits in den Ausführungen in Kapitel 2 deutlich wurde, ist dieser Wider-
spruch auch auf der Ebene des einzelnen Innovationsprojektes thematisiert worden
(vgl. z. B. Naveh, 2007; Tatikonda und Rosenthal, 2000a; Verganti, 1999). Mit Aus-
nahme der Untersuchung von Lewis et al. (2002) liegen jedoch keine Erkenntnisse
darüber vor, wie flexible und effizienzfördernde Elemente im Projektablauf eingesetzt
werden. Daher wird im Rahmen der vorliegenden Arbeit untersucht, wie die einzel-
nen Planungsprozessdimensionen in den unterschiedlichen Phasen der betrachteten
Projekte ausgestaltet waren. Hierzu wurden die Probanden gebeten, auf Basis des
Phasenschemas des Innovationsprozesses in Abbildung 4.16, das dem Innovations-
kompass (Brennecke et al., 2001) entstammt, ein Gesamturteil über die jeweilige
Ausprägung der Planungsprozessdimensionen während dieser Phasen abzugeben. Um

verschiedene Strategien zum Umgang mit der Ausgestaltung der Planungsprozessdi-
mensionen zu identifizieren, wurden die Daten einer Clusteranalyse (vgl. z. B. Hair
et al., 2006; Backhaus et al., 2000) unterzogen.66
Idee / Initiative / Business Geschäftsaufbau / Markterschließung /

Forschung Vorentwicklung Design Produkt- / Serienentwicklung
Plan /
Freeze
I Konzept II III
• Initiative zum Vorhaben • Generierung und Test von • Effiziente Gestaltung der
(„Funke“) Alternativen operativen Prozesse im
• Konkretisierung der Idee • Iterative Entwicklung mit Vordergrund
• Technische Fähigkeiten „Lead Customers“ • Produktänderungen nur
identifiziert • Festlegung Produktfunk- marginal
• Mögliche Anwendungen tionen und Design Freeze • Kommerzialisierung im
und Kundensegmente • Kundensegmente Massenmarkt
weitgehend unbekannt identifiziert… • Kundensegmente
• … aber Produktnutzen gut bekannt…
und Kundenakzeptanz • Produkte im Markt
weitgehend unbekannt etabliert
Abbildung 4.16: Prozessmodell in Anlehnung an den Innovationskompass
Mittels einer Clusteranalyse können Objekte (in diesem Fall die Projekte) grup-
piert werden, so dass die Objekte in einem Cluster Ähnlichkeit im Hinblick auf die
ausgewählten Charakteristika aufweisen (Hair et al., 2006). Hierfür muss zunächst
ein Ähnlichkeits- bzw. Distanzmaß67 ausgewählt werden, anhand dessen die Unter-
schiede bzw. Übereinstimmungen zwischen verschiedenen Objekten messbar gemacht
werden. Darüber hinaus ist ein Fusionierungsalgorithmus zu wählen, der die Objekte
basierend auf den Ähnlichkeitswerten in Gruppen zusammenfasst, die weitgehend
übereinstimmende Eigenschaftsstrukturen aufweisen (Backhaus et al., 2000). Das
zentrale Problem der Clusteranalyse besteht in der Bestimmung der Anzahl der
Cluster, die gebildet werden sollen, die wiederum von der Wahl des Distanzmaßes,
des Fusionierungsalgorithmuses und einer vom Forscher zu bestimmenden Regel
für die Festlegung der Clusteranzahl (engl. stopping rule) abhängt (Dubes, 1987;
Milligan und Cooper, 1985; Begovich und Kane, 1982). Da es keine allgemeingültigen
Empfehlungen oder statistische Tests für die Auswahl des Distanzmaßes und des
Fusionierungsalgorithmuses sowie der stopping rule gibt, wird empfohlen, die Anzahl
66
Für eine ausführliche Darstellung der Methodik wird insbesondere auf Hair et al. (2006) verwiesen.
67
In der Regel werden im Rahmen einer Clusteranalyse Distanzmaße verwendet, so dass im
Folgenden zur sprachlichen Vereinfachung nur noch von Distanzmaßen gesprochen wird und der
Begriff des Ähnlichkeitsmaßes vernachlässigt wird (Hair et al., 2006).
der zu bildenden Cluster sowie deren Struktur anhand mehrerer Distanzmaße, Fusio-
nierungsalgorithmen und stopping rules zu berechnen und die Ergebnisse durch die
Überprüfung der Übereinstimmung der Lösungen zu validieren (Hair et al., 2006).
Die vorliegende Arbeit folgt dieser Empfehlung, so dass nach einer ebenfalls empfoh-
lenen Standardisierung der Variablen zunächst anhand der Distanzmaße euklidische
”
Distanz“ und quadrierte euklidische Distanz“ sowie der Fusionierungsalgorithmen
”
Ward“, Average Linkage between Groups“ und Average Linkage within Groups“,
” ” ”
die als besonders leistungsfähig gelten (Hair et al., 2006), fünf hierarchische Clus-
teranalysen in SPSS durchgeführt wurden, im Rahmen derer sämtliche möglichen
Clusterungslösungen berechnet wurden.68 Da SPSS als Entscheidungskriterium le-
diglich einen absoluten Heterogenitätswert für jede Clusterlösung liefert, wurden als
zusätzliches Entscheidungskriterium die prozentuale Veränderung der Heterogenität
beim Übergang von einer zur nächsten Clusterlösung berechnet.69 Auf Basis dieser
Methoden wurden die folgenden, näher zu untersuchenden möglichen Clusterlösungen
ermittelt, die in Tabelle 4.30 dargestellt sind:
Ward-Verfahren Average Linkage zw. Gruppen Average Linkage in Gruppen

2 2
eukl. Distanz eukl. Distanz eukl. Distanz eukl. Distanz 2 eukl. Distanz
5 5
4 4 4 4 4
3
2 2 2 2 2
Tabelle 4.30: Mögliche Anzahl von Gruppen auf Basis der Clusteranalyse
Anschließend wurden diese 13 Lösungen näher betrachtet und Profile für die
Projekte erstellt. Hinsichtlich der Anzahl der Projekte in den verschiedenen Clustern
lieferten die Verfahren sehr unterschiedliche Werte, wie die folgende Tabelle 4.31
verdeutlicht:
68
Da das Ward-Verfahren mit dem Distanzmaß der quadrierten euklidischen Distanz durchgeführt
werden soll, wurde auf die Kombination aus Ward-Verfahren und euklidischer Distanz verzichtet
(Backhaus et al., 2000).
69
SPSS gestattet es nicht, Maße für die Veränderung der Varianz wie die root mean square
standard deviation (RMSSTD), statistische Maße für die Veränderung der Heterogenität wie
Pseudo F Statistiken oder pseudo T 2 Werte oder ein direktes Heterogenitätsmaß wie das cubic
clustering criterion (CCC) zu berechnen, so dass zur weiteren Validierung nicht auf diese Maße
zurückgegriffen werden konnte.
Ward-Verfahren Average Linkage zw. Gruppen Average Linkage in Gruppen

eukl. Dist.2 eukl. Dist.2 eukl. Dist. eukl. Dist.2 eukl. Dist.
4 3 2 5 4 2 4 2 5 4 2 4 2
47 47 72 95 131 136 131 136 44 44 79 45 84

26 65 65 36 2 1 2 1 16 16 58 39 53
25 25 2 3 3 32 42 39
39 3 1 1 35 35 14
1 10
Tabelle 4.31: Anzahl der Projekte je möglicher Clusterlösung
Aus Tabelle 4.30 ist ersichtlich, dass alle Verfahren zu möglichen Lösungen von zwei
oder vier Clustern kommen. Diese potenziellen Lösungen scheinen daher besonders
stabil zu sein. Fünf bzw. drei Cluster wurden jedoch nur ein- respektive zweimal
als potenzielle Lösungen ermittelt, so dass diese Lösungen aufgrund mangelnder
Validierung von der weiteren Betrachtung ausgeschlossen wurden. Die erarbeiteten
Profile zeigten zudem, dass die Lösung mit zwei Clustern in allen Fällen zu einer
Gruppe von Projekten führte, die in allen Projektphasen hohe Werte für die Pla-
nungsprozessdimensionen und zu einer weiteren, die in allen Phasen niedrige Werte
aufwies. Aufgrund der eingeschränkten Aussagekraft dieser Lösung entschloss sich
der Verfasser, sich auf die Lösungen mit vier Clustern zu konzentrieren. Aus Tabelle
4.31 kann entnommen werden, dass die Lösungen, die anhand des Verfahrens Average
Linkage zwischen Gruppen ermittelt wurden, in beiden Fällen vier Cluster enthiel-
ten, die durch erhebliche Größenunterschiede gekennzeichnet waren. Da auf Basis
einer solchen Verteilung anzuzweifeln ist, dass hieraus allgemeingültigere Aussagen
abgeleitet werden können, wurden auch diese beiden Lösungen verworfen, so dass
schließlich drei mögliche Lösungen mit jeweils vier Gruppen von Projekten weiter
betrachtet wurden.
Im nächsten Schritt wurden gemäß der Empfehlungen von Hair et al. (2006) die
Mittelwerte der einzelnen Variablen für jeden Cluster dieser drei Lösungen ermittelt,
um diese als Ausgangswerte für eine anschließende nicht hierarchische k-means Clus-
teranalyse (Clusterzentrenanalyse) zur weiteren Validierung der Ergebnisse zu nutzen.
Diese hat den Vorteil, dass ein Objekt während der Analyse auch von einem Cluster
in einen anderen umsortiert werden kann, wenn sich im Ablauf der Analyse die
Cluster soweit verschieben, dass es besser in einen anderen Cluster passt. Während
einer hierarchischen Clusteranalyse hingegen verbleibt ein Objekt grundsätzlich in
dem Cluster, dem es zunächst zugeordnet wurde. Die Ergebnisse dieser Analyse
wurden erneut zur Erstellung von Clusterprofilen genutzt, die in Abbildung 4.17
dargestellt sind.70
comp_1 comp_1
7 7
part_3 comp_2 part_3 comp_2
6 6
5 5
4 4
part_2 comp_3 part_2 comp_3
3 3
2 2
1 1
part_1 0 f orm_1 part_1 0 f orm_1
const_3 f orm_2 const_3 f orm_2
const_2 form_3 const_2 f orm_3
const_1 const_1
Auf Basis: Ward + quadr. eukl. Distanz Auf Basis: Average Linkage in Gruppen + quadr. eukl. Distanz
comp_1
7
part_3 comp_2
6
5
4
part_2 comp_3
3
2
1
part_1 0 f orm_1
const_3 f orm_2
const_2 form_3
const_1
Auf Basis: Average Linkage in Gruppen + eukl. Distanz
Abbildung 4.17: Clusterprofile für die Lösung mit vier Clustern
Es ist zu erkennen, dass alle drei Lösungen ein sehr ähnliches Bild liefern. In
allen Fällen wird ein Cluster (1) von Projekten ermittelt, der über alle Phasen und
für alle Planungsprozessdimensionen hohe Werte aufweist (schwarze durchgezogene
70
Die Achsenbeschriftungen beschreiben die Planungsprozessdimensionen Planungsausmaß (comp),
Formalisierung (form), Planungskonsistenz (const) und Partizipation (part). Die jeweilige Zahl
beschreibt die Prozessphase gemäß Abbildung 4.16.
Linie). Eine zweite Gruppe von Projekten (2) ist dadurch gekennzeichnet, dass sie
für alle vier Planungsdimensionen einen jeweils starken Anstieg von der Phase 1
über die Phase 2 bis zur Phase 3 aufweist (graue durchgezogene Linie). Ein weiterer
Cluster (3) umfasst Projekte, die für alle Planungsprozessdimensionen mittlere und
nur vereinzelt hohe Werte aufweisen. Mit Ausnahme der Dimension Formalisierung
und der Partizipation in der Ward-Lösung“ nimmt die Stärke der Ausprägung der
”
Planungsprozessdimensionen über die verschiedenen Phasen ab. Hingegen ist die For-
malisierung in allen Lösungen in der zweiten Projektphase am stärksten ausgeprägt.
Zudem fällt auf, dass für diesen Cluster in allen Lösungen die Formalisierung die
am schwächsten ausgeprägte Gestaltungsdimension ist (schwarze gestrichelte Linie).
Die vierte Gruppe (4) schließlich weist über alle Planungsprozessdimensionen und
Projektphasen geringe Werte auf, wobei auch diese leicht von der ersten über die
zweite bis zur dritten Projektphase ansteigen. In allen Lösungen ist die Gestaltungsdi-
mension Planungsausmaß am stärksten ausgeprägt (schwarze gepunktete Linie). Zur
abschließenden Validierung der Ergebnisse wurde die Zuordnung der Projekte zu den
verschiedenen Gruppen für die unterschiedlichen Clusterungsvorgehen untersucht.
Insgesamt wurden 120 der 137 Projekte (87,6 Prozent) mit allen drei Ansätzen der
gleichen Gruppe zugeordnet. Dies spricht für eine außerordentliche Stabilität dieser
Lösung.
Aus den Profilen lassen sich keinerlei zeitliche Trennungen erkennen. Es gibt folglich
keine Projektphasen, in denen verstärkt flexible oder formale Planungselemente
vorherrschen. Die frühen Phasen eines Innovationsprojektes, das sogenannte Fuzzy
Front End (vgl. z. B. Herstatt und Verworn, 2004; Herstatt et al., 2004), wird also
nicht wesentlich anders geplant als die späteren Projektphasen, die häufig mit weit
weniger Unsicherheit behaftet sind. In diesem Fall müsste das Clusterprofil durch
gegensätzliche Linienverläufe für die einzelnen Gestaltungsdimensionen über die
Projektphasen gekennzeichnet sein. Ebenfalls lässt sich keine strukturelle Trennung
erkennen. In den Projekten wird, wie es bereits die Analyse zum Coalignment
gezeigt hat, sowohl mit formalen als auch flexiblen Planungselementen gearbeitet.
Insofern entsprechen die identifizierten Muster am ehesten dem Ansatz der parallelen
Struktur, in der die gleichen Personen sowohl um Innovation als auch Exploitation
bemüht sind. Dieses Bild wird auch durch die Untersuchung von Lewis et al. (2002)
bestätigt, die über den Projektablauf hinweg die Bedeutung geplanter und emergenter
Projektmanagementpraktiken nachweisen.
Um zu überprüfen, wie sich diese vier Strategien auf den Projekterfolg auswirken,
wurden die Mittelwert der Indikatoren für den Projekterfolg für jedes Projekt berech-
net und diese mittels einer einfaktoriellen Varianzanalyse (engl. ANOVA: Analysis of
Variance) auf systematische Unterschiede der Projekte in den verschiedenen Clustern
überprüft.71 Für alle drei Lösungen ergeben sich signifikante Unterschiede (p ≤ 0, 05)
zwischen den Mittelwerten des Projekterfolgs der einzelnen Gruppen. So ist der
Projekterfolg im Cluster (1) für alle drei Lösungen am höchsten, gefolgt von Cluster
(2), Cluster (3) und Cluster (4). Auch diese Reihenfolge wird in allen drei Lösungen
bestätigt. Dies spiegelt die in Abschnitt 4.3.2 ermittelten Befunde wider, nach denen
die einzelnen Planungsprozessdimensionen in ihrer Höhe genau wie ein hoher Grad
an Coalignment positiv auf den Projekterfolg wirken.
71
Für eine ausführliche Darstellung der Varianzanalyse siehe Kleinbaum et al. (1998).
Im Rahmen dieses Abschnitts werden zunächst die zentralen Ergebnisse der theoreti-
schen Aufarbeitung in den Kapiteln 2 und 3 und der empirischen Untersuchung in
Kapitel 4 zusammengefasst und abschließend diskutiert. Aufbauend hierauf werden
im Abschnitt 5.2 Implikationen für die Planung und Umsetzung von Innovationspro-
jekten dargestellt und Handlungsempfehlungen für die Unternehmenspraxis abgeleitet.
Abschließend wird in Abschnitt 5.3 noch einmal auf die Grenzen der vorliegenden
Arbeit eingegangen und es werden die sich daraus ergebenden Ansatzpunkte für
zukünftige Forschungsbemühungen herausgearbeitet.
5.1 Zusammenfassung wesentlicher Ergebnisse

Den Ausgangspunkt der vorliegenden Arbeit bilden die konfliktionären Anforderun-
gen an Flexibilität und Effizienz in der Planung von Innovationsprojekten, die für
die Unternehmenspraxis aufgrund zunehmend kürzerer Produktlebenszyklen und
einem steigenden Wettbewerbsdruck von wachsender Bedeutung sind und denen es
gilt, gleichzeitig gerecht zu werden. In der Literatur zur Innovationsforschung sind
diesbezüglich eine Reihe widersprüchlicher Perspektiven, empirischer Befunde und
daraus abgeleiteter Handlungsempfehlungen zu beobachten.
Angesichts der notwendigen Verknüpfung von Effizienz und Flexibilität in der Planung
von Innovationsprojekten und einem Mangel an Untersuchungen, die sich detailliert
mit der Planung von Neuproduktentwicklungsvorhaben beschäftigen, war somit eine
Forschungslücke zu konstatieren, die in die folgende übergeordnete Forschungsfrage
mündete:
Wie müssen Neuproduktentwicklungsprojekte im Spannungsfeld von

”
Effizienz und Flexibilität geplant werden, damit sie möglichst erfolgreich
umgesetzt und abgeschlossen werden können?“
Zur Beantwortung der Frage befasste sich die Arbeit auf theoretischer Ebene
zunächst mit den Begriffen der Innovation und des Innovationsgrades sowie der
Planung, um die zwei wesentlichen Kernbegriffe der Forschungsfrage zu erfassen. Die
gewonnenen Erkenntnisse wurden schließlich in einem Überblick über die Planung
von Innovationen auf verschiedenen betrieblichen Ebenen zusammengeführt und im
Hinblick auf die Planung von Innovationsprojekten konkretisiert. Diese Aufarbeitung
theoretischer und empirischer Ergebnisse der Innovationsforschung wurde genutzt,
um die anfänglich formulierte übergeordnete Forschungsfrage weiter zu präzisieren
und sie in einzelne Untersuchungsschritte zu strukturieren:
1. Welchen Beitrag leisten formale, effizienzbezogene Planungselemente zum Pro-

jekterfolg?
2. Welchen Beitrag leisten flexible Planungselemente zum Projekterfolg?
3. Ist ein Planungsprozess, der sowohl formale als auch flexible Elemente mitein-
ander vereint, erfolgswirksamer, als ein Planungsprozess, der primär formal
oder primär flexibel ist?
4. Wie wirken sich Planungsgegenstand - im Sinne der Charakteristika des zugrun-

deliegenden Projekts - und Planungskontext - im Sinne der Umweltdynamik -
auf die Erfolgswirksamkeit des Planungsprozesses aus?
Aus den gewonnenen Erkenntnissen wurde im nächsten Schritt ein Untersuchungs-

modell der Planung und Umsetzung von Innovationsvorhaben abgeleitet. In Anleh-
nung an die Forschung zur strategischen Unternehmensführung und zur Planung
betrieblicher Informationssysteme wurde die Projektplanung anhand von Gestaltungs-
dimensionen konzeptualisiert, die effizienzbezogene bzw. flexible Planungsverhalten
beschreiben. Unter Verwendung theoretischer und empirischer Forschungsergebnis-
se wurden Hypothesen zur individuellen und gemeinsamen Erfolgswirksamkeit der
einzelnen Gestaltungsdimensionen formuliert. Des Weiteren wurden Hypothesen
zur Mediatorwirkung der Planungsumsetzung auf die Wirkungsbeziehung zwischen
Projektplanung und Projekterfolg abgeleitet. Ferner wurden Hypothesen zum mode-
rierenden Einfluss von Planungsgegenstand und Planungskontext auf den Wirkungszu-
sammenhang zwischen Planung und Erfolg entwickelt. Im Rahmen der anschließenden
Zusammenfassung wesentlicher Ergebnisse 225
empirischen Untersuchung wurden diese Hypothesen mittels verschiedener statisti-

scher Verfahren überprüft.
Die Ergebnisse der statistischen Überprüfung der Untersuchungshypothesen an-

hand von 137 Innovationsprojekten bestätigen die postulierten Wirkungszusam-
menhänge zwischen den einzelnen Gestaltungsdimensionen der Projektplanung und
dem Projekterfolg. Sowohl die effizienzbezogenen Dimensionen Planungsausmaß“
”
und Formalisierung“ als auch die flexibilitätssteigernden Dimensionen Planungskon-
” ”
sistenz“ und Partizipation“ wirken positiv auf den Projekterfolg (Forschungsfragen
”
1 und 2). Auch die Hypothese zum Coalignment der Planungsprozessdimensionen,
also der Kombination effizienzbezogener und flexibler Planungsverhalten zu einer
komplexen Planungsstrategie im Sinne einer rational adaptation“, kann nicht wider-
”
legt werden. Zudem zeigt sich, dass eine derartige Planung nicht nur direkt positiv
auf den Projekterfolg wirkt, sondern auch indirekt zum Erfolg beiträgt, indem sie
sich in der Umsetzungsphase positiv auf die Stabilität des Projektprozesses auswirkt,
die wiederum erfolgssteigernd wirkt (Forschungsfrage 3). Hingegen kann ein positiver
Einfluss der Planung auf die Projektzielstabilität nicht nachgewiesen werden. Jedoch
trägt auch diese hypothesenkonform direkt und indirekt über die Prozessstabilität
zum Projekterfolg bei.
Die weiterführenden Analysen zeigen zudem, dass ein Planungsprozess, der durch ein
hohes Maß an Coalignment der Gestaltungsdimensionen geprägt ist, unabhängig vom
Innovationsgrad, der Projektkomplexität und der Branchendynamik positiv auf den
Projekterfolg wirkt (Forschungsfrage 4). Damit schlägt die vorliegende Arbeit eine
Brücke zwischen den eingangs skizzierten Forschungsstandpunkten und unterstreicht
die Notwendigkeit einer gleichzeitigen Betrachtung flexibler und effizienzbezoge-
ner Planungsverhalten. Um ein besseres Verständnis über das Zusammenspiel der
flexiblen und effizienzbezogenen Gestaltungsdimensionen im Projektablauf zu entwi-
ckeln, wurde die Planung während verschiedener Projektphasen näher untersucht.
Hierbei konnten vier verschiedene Gruppen von Projekten identifiziert werden, die sich
anhand ihres Planungsverhaltens im Projektablauf unterschieden. Die Ergebnisse un-
terstreichen die Notwendigkeit einer kontinuierlichen Verknüpfung effizienzbezogener
und flexibler Planungsverhalten. Die Projekte, in denen es gelang, den unterschiedli-
chen Anforderungen im gesamten Projektablauf möglichst gut gerecht zu werden,
konnten mit dem größten Erfolg abgeschlossen werden.
5.2 Implikationen für die Unternehmenspraxis

Neben der wissenschaftlichen Zielsetzung, ein umfassenderes Verständnis der Erfolgs-
wirksamkeit flexibler und effizienzbezogener Planungsverhalten in Neuproduktent-
wicklungsprojekten allein und in ihrem Zusammenspiel zu erlangen, ist die vorliegende
Arbeit auch um einen Transfer der gewonnenen Erkenntnisfortschritte in die unter-
nehmerische Praxis bemüht. Die Untersuchungsergebnisse belegen die Bedeutung
einer Verknüpfung flexibler und effizienzbezogener Planungselemente im Sinne ei-
ner rational adaptation“ für den erfolgreichen Abschluss von Innovationsprojekten.
”
Hieraus lassen sich einige wesentliche Erkenntnisse für die Planungspraxis von Inno-
vationsprojekten ableiten.
Wie in Abschnitt 3.2 ausgeführt, beschreiben die Planungsprozessdimensionen

eine Art Planungsinfrastruktur“, auf Basis derer konkrete Methoden und Pla-
”
nungstechniken eingesetzt werden können. Damit ist zunächst eine grundsätzliche
Bereitschaft zur Übernahme dieser Infrastruktur erforderlich. Da diese auf den Wer-
ten, Überzeugungen und Erfahrungen des Managements im Hinblick auf Planung
beruht, kann dies hohe Anforderungen an die Änderungsbereitschaft der beteiligten
Personen stellen, wenn sich diese auf neu gestaltete Prozesse einlassen müssen. Für
die Verknüpfung flexibler und effizienzbezogener Planungselemente und die damit
verbundene Überwindung dieses Paradoxons ist eine Unternehmenskultur von Vorteil,
in der stark problemorientiert gedacht wird, unterschiedliche Meinungen gefordert
und gefördert werden und geringe Machtgefälle vorherrschen (Lewis, 2000). Insofern
ist zunächst grundsätzlich eine dergestalte Unternehmenskultur zu fördern.
Ein hohes Planungsausmaß, also eine strukturierte, stringente und gründliche

Beschaffung und Analyse von Informationen ist insbesondere während der frühen
Innovationsphasen aufgrund deren inhärenter Unsicherheit problematisch. Die Analy-
sen zeigen jedoch, dass in erfolgreichen Projekten diese Aufgabe gerade auch während
der frühen Phasen besser durchgeführt wurde. Vor diesem Hintergrund bietet sich
eine Reihe von Methoden und Techniken an, die eine möglichst frühzeitige Gewin-
nung und Bewertung von Informationen unterstützen. In diesem Zusammenhang ist
insbesondere das Front-loading (Thomke und Fujimoto, 2000) zu nennen, im Rahmen
dessen mögliche (technische) Probleme bereits möglichst früh im Projekt identifiziert
Implikationen für die Unternehmenspraxis 227
werden sollen.72 Hierzu wird versucht, mittels Wissenstransfers aus abgeschlossenen

Projekten und unter Einsatz von IT-gestützten Simulationen, Experimenten und
frühen Prototypen Probleme möglichst früh zu erkennen und in schneller Abfolge
zu lösen. In Hinblick auf möglicherweise bestehende Marktunsicherheiten können
der Einsatz von Information Acceleration“ (Urban et al., 1997; Urban, Weinberg
”
und Hauser, 1996) oder Need Assessment Techniken (Herstatt und Geschka, 2002)
für inkrementale oder der Lead User Methodik (von Hippel, 1986) für radikalere
Innovationsvorhaben zu deren Abbau beitragen (Lüthje und Herstatt, 2004).
Die Gestaltungsdimension Formalisierung beschreibt den Umfang an Strukturen,

Techniken und schriftlich ausgearbeiteten Arbeitsabläufen, die den Planungsprozess
unterstützen, indem sie zur Einhaltung von Standards beitragen, klare Verantwort-
lichkeiten und Prioritäten definieren, eine rationale und analytische Vorgehensweise
fördern sowie zur Koordination der einzelnen Aktivitäten beitragen. Hierbei haben
sich insbesondere klare Verantwortlichkeiten und Prioritäten als wesentlicher Erfolgs-
faktor für Innovationsprojekte hervorgetan (Brown und Eisenhardt, 1997). Auch die
Nutzung von Meilensteinen innerhalb des Projekts wird als wichtiger Faktor hervor-
gehoben, während von einer allzu detaillierten Ausarbeitung von Arbeitsabläufen
und damit einer Vorabplanung konkreter Aktivitäten abgeraten wird (Lewis et al.,
2002; Andersen, 1996). Dies gilt insbesondere für radikalere Innovationsvorhaben.
Im Sinne einer hohen Planungskonsistenz sollten Planungsprozesse kontinuierlich

und nicht nur einmalig erfolgen. Ferner sollten sie durch stetige Kommunikation
unter den Beteiligten und eine regelmäßige Überprüfung und ggf. Modifikation der
Ursprungsplanung gekennzeichnet sein. Diese Gestaltungsdimension kann folglich mit
der Prozessformalisierung im Sinne einer Meilensteinplanung verknüpft werden. Hier-
bei kommt den Überprüfungskriterien an den jeweiligen Meilensteinen eine besondere
Bedeutung zu. In Abhängigkeit vom Innovationsgrad sollten hierbei entweder neue
Erkenntnisse bewertet oder aber ein strikterer Abgleich mit vorab definierten Zielen
vorgenommen werden (Lewis et al., 2002). Brown und Eisenhardt (1997) schildern
zudem, wie erfolgreich innovierende Unternehmen klare Verantwortlichkeiten und
72
Die Autoren verstehen hierunter a strategy that seeks to improve development performance
”
by shifting the identification and solving of [design] problems to earlier phases of a product
development process.“ (Thomke und Fujimoto, 2000, S. 129)
Prioritäten mit intensiver Kommunikation und regelmäßigen Besprechungen kombi-

nieren, um einerseits klare Strukturen zu etablieren, gleichzeitig aber durch raschen
Informationsaustausch flexibel reagieren zu können.
Die Dimension der Beteiligung bezieht sich auf die Anzahl der an der Planung
beteiligten Personen, die Menge der beteiligten Unternehmensbereiche sowie den Um-
fang lateraler Kommunikation im Unternehmen. Die Bedeutung des letztgenannten
Punktes ist bereits hervorgehoben worden. Zudem trägt ein hohes Maß an Beteili-
gung verschiedener Personen bzw. Unternehmensbereiche zu einer Verbreiterung der
Informationsbasis bei, so dass sie sich positiv auf das Planungsausmaß auswirken
kann. Dieser Effekt ist umso größer, je stärker das Projekt von Unsicherheit und
Komplexität gekennzeichnet ist. Insofern kommt der Partizipation bei radikalen
Innovationen eine noch höhere Bedeutung zu. Unter affektiven Gesichtspunkten ist
weiterhin die motivierende Wirkung von Beteiligung auf die Mitarbeiter zu nennen.
Vor diesem Hintergrund ist eine Beteiligung des Projektteams an der Planung zu
empfehlen. Dies setzt jedoch die Bereitschaft zum Teilen bzw. zur Übernahme von
Verantwortung auf Seiten des Projektleiters und des Projektteams voraus.
Die vorangegangenen Ausführungen verdeutlichen die bestehenden Synergien zwi-

schen den betrachteten Planungsprozessdimensionen und unterstreichen damit die
besondere Bedeutung einer gleichzeitigen Berücksichtigung aller Dimensionen: Der
gesamte Planungsprozess kann größer als die Summe seiner Teile sein. Ausgehend
von der Analyse zum moderierenden Einfluss des Innovationsgrades kann konstatiert
werden, dass die auf diese Weise geschaffene Planungsinfrastruktur sehr stabil ist
und für eine ganze Reihe von Projekten erfolgswirksam ist. Hingegen scheint es, dass,
wie in den vorangegangenen Absätzen geschildert, die auf Basis dieser Infrastruktur
genutzten Techniken und Methoden deutlich stärker vom Innovationsgrad beeinflusst
werden. Gerade hier scheint es auf Unternehmensseite jedoch erheblichen Nachhol-
bedarf zu geben, wie die Untersuchung von Sandau und Herstatt (2006) dokumentiert.
Die durchgeführte Untersuchung bestätigt darüber hinaus die Bedeutung der

Umsetzung des Projektplans als wesentlichen Erfolgsfaktor. So haben sowohl die
Stabilität der Projektziele als auch des Projektprozesses einen erheblichen Einfluss
auf den Projekterfolg. Insofern sollten Änderungen der Projektziele wenn möglich
Limitierungen und Ansatzpunkte für weitere Forschungsbemühungen 229
vermieden werden. Möglicherweise ließen sich die daraus resultierenden negativen

Folgen auch durch die frühzeitige Entwicklung von Szenarien und entsprechenden
Alternativplanungen lindern, auf die dann bei Bedarf zurückgegriffen werden könnte.
Zusammengefasst liefert die Arbeit somit drei wesentliche Empfehlungen für die
Planung von Innovationsprojekten in der unternehmerischen Praxis:
1. Die Entwicklung einer Planungsinfrastruktur auf Basis des Gedankens der ratio-
nal adaptation, d.h. einer Planungskultur, die über den gesamten Projektprozess
hinweg auf eine Verknüpfung effizienzbezogener und flexibler Planungsverhalten
ausgerichtet ist.
2. Die Auswahl von konkreten Methoden und Techniken, wie sie hier exemplarisch
genannt wurden, auf Basis der jeweiligen Projekteigenschaften und unter
Berücksichtigung der Synergien, die sich aus den Planungsprozessdimensionen
ergeben können.
3. Die möglichst stabile Umsetzung der Projektplanung sowie die Entwicklung

von Alternativplänen, um die negativen Auswirkungen von Projektziel- und
-prozessänderungen zu minimieren.
5.3 Limitierung der Analyse und Ansatzpunkte für

weitere Forschungsbemühungen
Neben den bereits geschilderten Implikationen für die Unternehmenspraxis bietet
die vorliegende Arbeit eine Reihe von Anknüpfungspunkten für zukünftige For-
schungsbemühungen. Die statistische Analyse in Abschnitt 4.3.2 hat gezeigt, dass
das abgeleitete Untersuchungsmodell rund 60 Prozent der Varianz des Projekterfolgs
erklärt. Obwohl dieses Ergebnis durchaus positiv zu bewerten ist, liegt es doch nahe,
dass dieser Wert durch Modellerweiterungen, die über den Rahmen der vorliegenden
Untersuchung hinausgehen und neue Forschungsfragen aufgreifen, gesteigert werden
kann. Ein erster Ansatz bietet sich bei der Auswahl der betrachteten Gestaltungs-
dimensionen der Projektplanung. Die Ausführungen in Abschnitt 3.2 zeigen, dass
neben den hier betrachteten eine Anzahl weiterer Dimensionen identifiziert worden
ist, von denen einige ebenfalls auf ihre Relevanz für die Planung von Innovations-
projekten zu überprüfen sind. In gleicher Art und Weise bietet eine umfassendere
Operationalisierung der Umsetzung Ansatzpunkte für weitere Forschungsvorhaben.
Lohnenswert erscheint ebenfalls, die im Rahmen dieser Arbeit aufgeworfene Frage
nach dem Zusammenspiel flexibler und effizienzbezogener Planungsverhalten im
Projektablauf detaillierter zu analysieren. Da sich die hier durchgeführte explorative
Erweiterung der Untersuchung auf Gesamtbewertungen der einzelnen Gestaltungsdi-
mensionen während der verschiedenen Projektphasen stützt, könnte ein auf diesen
Aspekt fokussiertes Forschungsvorhaben mit einer umfassenderen Operationalisierung
der Planung in den einzelnen Projektphasen differenziertere Ergebnisse erzielen.
Die Arbeit beschränkt sich zudem auf die Ebene des Einzelprojekts. Wie in Ab-
schnitt 2.4 dargestellt, muss die Planung von Innovationen daneben jedoch auch
auf der Multiprojekt-, der taktischen und der strategischen Ebene erfolgen. Die
einzelnen Projekte sind somit in einen Kontext zu integrieren. Auf diese Weise
könnte beispielsweise der Einfluss der Unternehmens- oder Innovationsstrategie auf
die Planung einzelner Innovationsprojekte näher untersucht werden. Auch die bisher
wenig betrachtete Ebene der taktischen Innovationsplanung mit ihrem Einfluss auf
die Personalrekrutierung und -entwicklung, die Allokation von Ressourcen auf ver-
schiedene Projekte und die Bereitstellung einer erforderlichen Infrastruktur kann mit
diesbezüglichen Entscheidungen erheblichen Einfluss auf die Planung und Umset-
zung einzelner Projekte haben. Diese Verknüpfungen könnten Gegenstand weiterer,
zukünftiger Untersuchungen werden.
Auch unter methodischen Gesichtspunkten bietet die vorliegende Arbeit Ansatz-
punkte für zukünftige Forschungsprojekte. Ein Forschungsdesign, das sich statt
auf Schlüsselinformanten auf die Erhebung von Daten aus ganzen Projektteams
konzentrieren würde, könnte nicht nur mögliche Verzerrungen, die aus der Befra-
gung einer einzelnen Person je Projekt resultieren könnten, vermeiden, es könnte
zudem die Planungs- und Problemlösungsprozesse innerhalb des Teams und die
Rollen der beteiligten Personen stärker beleuchten. In Hinblick auf die eingesetzten
statistischen Verfahren wäre es wünschenswert, eine Maximum Likelihood basierte
Schätzung der Untersuchungsmodelle vorzunehmen, um zu Aussagen über die Si-
gnifikanz der ermittelten Effekte zu gelangen. Diese war aufgrund der mangelnden
multivariaten Normalverteilung der zugrundeliegenden Daten in dieser Arbeit nicht
zu leisten. Wie geschildert, bieten ausgewählte Statistikprogramme mittlerweile zu-
Limitierungen und Ansatzpunkte für weitere Forschungsbemühungen 231
dem die Möglichkeit, Strukturgleichungsmodelle mit nicht linearen Zusammenhängen

und Interaktionseffekten zu berechnen. Auf diese Weise könnte z. B. der in der In-
novationsforschung häufig untersuchte moderierende Einfluss des Neuheitsgrades
gleichzeitig mit weiteren Zusammenhängen innerhalb eines Modells getestet werden
und nicht, wie weit verbreitet, mittels moderierter Regressionsanalysen außerhalb
des Strukturgleichungsmodells.
Darüber hinaus zeigen die Ergebnisse der Validierung der im Rahmen der vor-
liegenden Untersuchung verwendeten mehrdimensionalen Konstrukte, dass auch
diesbezüglich weiterer Forschungsbedarf besteht. Während die Überprüfung der Kon-
strukte weitgehend akzeptable Werte lieferte, ergaben sich insbesondere im Hinblick
auf die Operationalisierung der Projektkomplexität eine Reihe nicht befriedigender
Ergebnisse, die letztlich zur Eliminierung der Dimension Schwierigkeit der Pro-
”
jektziele“ führte. Da es sich hierbei um ein Konstrukt handelt, für das während
der Aufarbeitung der Forschungsliteratur nur sehr wenige umfassende Operatio-
nalisierungsansätze identifiziert werden konnten, erscheint eine weitere empirische
Überprüfung äußerst wünschenswert.
Zusammenfassend ist festzuhalten, dass die vorliegende Arbeit trotz der geschilder-
ten Limitationen das gesteckte Ziel erreicht. Die durchgeführten Analysen auf Basis
von 137 Innovationsprojekten haben eine Reihe von Antworten darauf gegeben, wie
Neuproduktentwicklungsprojekte im Spannungsfeld von Effizienz und Flexibilität
geplant werden müssen, damit sie möglichst erfolgreich umgesetzt und abgeschlossen
werden können. Die Konzeptualisierung der Projektplanung anhand von Planungs-
prozessdimensionen hat es ermöglicht, Effizienz und Flexibilität nicht im Sinne einer
entweder oder Entscheidung als die Endpunkte eines einzigen Kontinuums zu be-
trachten, sondern sie als eigenständige Aspekte der Planung zu erfassen. Zukünftige
Forschungsvorhaben in diesem Bereich können auf diesen Ergebnisse aufbauen.
Literaturverzeichnis
Aaker, D. A., Kumar, V. und Day, G. S. (2001). Marketing research (7. Aufl.). New
York, NY: Wiley.
Abernathy, W. J. und Clark, K. B. (1985). Innovation: Mapping the winds of creative
destruction. Research Policy, 14 (1), 3-22.
Ahire, S. L. und Devaraj, S. (2001). An Empirical Comparison of Statistical Construct
Validation Approaches. IEEE Transactions on Engineering Management, 48 (3),
319-329.
Aiken, L. S. und West, S. G. (1991). Multiple Regression: Testing and Interpreting
Interactions. Newbury Park, CA: Sage.
Albers, S. und Götz, O. (2006). Messmodelle mit Konstrukten zweiter Ordnung in
der betriebswirtschaftlichen Forschung. Die Betriebswirtschaft, 66 (6), 669-677.
Ali, A. (1994). Pioneering Versus Incremental Innovation: Review and Research
Propositions. Journal of Product Innovation Management, 11 (1), 46-61.
Allison, G. T. und Zelikow, P. D. (1999). Essence of decision : explaining the Cuban
Missile Crisis (2. Aufl.). New York, NY: Longman.
Allison, P. D. (1977). Testing for Interaction in Multiple Regression. American
Journal of Sociology, 83 (1), 144-153.
Allison, P. D. (2001). Missing Data (M. S. Lewis-Beck, Hg.) (Nr. 07-136). Thousand
Oaks, CA: Sage.
Altschuller, G. S. (1998). Erfinden - Wege zur Lösung technischer Probleme (Li-
mitierter Nachdruck der 2. Aufl.; M. G. Möhrle, Hg.). Berlin: VEB Verlag
Technik.
Ancona, D. G. und Caldwell, D. (1990). Beyond boundary spanning: managing
external dependence in product development teams. Journal of High Technology
Management Research, 1 (2), 119-135.
Andersen, E. S. (1996). Warning: Activity planning is hazardous to your project’s
health. International Journal of Project Management, 14 (2), 89.
234 Literaturverzeichnis
Andersen, E. S., Grude, K. V. und Haug, T. (1999). Goal directed project management.
New Delhi: Kogan Page.
Anderson, C. H. (1986). Hierarchical Moderated Regression Analysis: A Useful Tool
for Retail Management Decisions. Journal of Retailing, 62 (2), 186-203.
Anderson, J. C. und Gerbing, D. W. (1982). Some Methods for Respecifying Meas-
urement Models to Obtain Unidimensional Construct Measurement. Journal
of Marketing Research, 19 (4), 453-460.
Anderson, J. C. und Gerbing, D. W. (1991). Predicting the Performance of Meas-
ures in a Confirmatory Factor Analysis With a Pretest Assessment of Their
Substantive Validities. Journai of Applied Psychology, 76 (5), 732-740.
Anderson, J. C., Gerbing, D. W. und Hunter, J. E. (1987). On the Assessment of
Unidimensional Measurement: Internal and External Consistency, and Overall
Consistency Criteria. Journal of Marketing Research, 24 (4), 432-437.
Anderson, P. und Tushman, M. L. (1990). Technological Discontinuities and Dominant
Designs: A Cyclical Model of Technological Change. Administrative Science
Quarterly, 35 (4), 604-633.
Anderson, Jr., E. G. und Joglekar, N. R. (2005). A Hierarchical Product Development
Planning Framework. Production and Operations Management, 14 (3), 334-361.
Archer, N. und Ghasemzadeh, F. (2004). Project Portfolio Selection and Management.
In P. W. G. Morris und J. K. Pinto (Hg.), The Wiley Guide to Managing
Projects (S. 237-255). Hoboken, NJ: John Wiley & Sons, Inc.
Armstrong, J. S. und Overton, T. S. (1977). Estimating Nonresponse Bias in Mail
Surveys. Journal of Marketing Research, 14 (3), 396-402.
Armstrong, S. J. (1982). The Value of Formal Planning for Strategic Decisions:
Review of Empirical Research. Strategic Management Journal , 3 (3), 197-211.
Ashley, D. B., Lurie, C. S. und Jaselskis, E. J. (1987). Determinants of Construction
Project Success. Project Management Journal , 18 (2), 69-79.
Atkinson, R. (1999). Project management: cost, time and quality, two best guesses
and a phenomenon, its time to accept other success criteria. International
Journal of Project Management, 17 (6), 337-342.
Atuahene-Gima, K. (1995). An Exploratory Analysis of the Impact of Market
Orientation on New Product Performance: A Contingency Approach. Journal
of Product Innovation Management, 12 (4), 275-293.
Atuahene-Gima, K. und Li, H. (2004). Strategic decision comprehensiveness and

new product development outcomes in new technology ventures. Academy of
Management Journal , 47 (4), 583-597.
Atuahene-Gima, K. und Murray, J. Y. (2004). Antecedents and Outcomes of
Marketing Strategy Comprehensiveness. Journal of Marketing, 68 (4), 33-46.
Avlonitis, G. J., Papastahopoulou, P. G. und Gounaris, S. P. (2001). An empirically-
based typology of product innovativeness for new financial services: Success and
failure scenarios. Journal of Product Innovation Management, 18 (5), 324-342.
Ayers, D. J., Gordon, G. L. und Schoenbachler, D. D. (2001). Integration and new
product development success: The role of formal and informal controls. Journal
of Applied Business Research, 17 (2), 133-148.
Baccarini, D. (1996). The concept of project complexity - a review. International
Baccarini, D. (1999). The Logical Framework Method for Defining Project Success.
Project Management Journal , 30 (4), 25-32.
Backhaus, K., Erichson, B., Plinke, W. und Weiber, R. (2000). Multivariate Analy-
semethoden. Berlin: Springer.
Bacon, D. R., Sauer, P. L. und Young, M. (1995). Composite Reliability in Structural
Equations Modeling. Educational and Psychological Measurement, 55 (3), 394-
406.
Bacon, G., Beckman, S., Mowery, D. und Wilson, E. (1994). Managing product
definition in high-technology industries: A pilot study. California Management
Review , 36 (3), 32-56.
Bagozzi, R. P. (1981). Evaluating Structural Equation Models With Unobservable
Variables and Measurement Error: A Comment. Journal of Marketing Research,
18 (3), 375-381.
Bagozzi, R. P. (1998). A Prospectus for Theory Construction in Marketing: Revisited
and Revised. In L. Hildebrandt und C. Homburg (Hg.), Die Kausalanalyse
als Instrument der Empirischen Betriebswirtschaftlichen Forschung (S. 45-81).
Stuttgart: Poeschel Verlag.
Bagozzi, R. P. und Phillips, L. W. (1982). Representing and testing organisational
theories - A holistic construal. Administrative Science Quarterly, 27 , 459-489.
Bagozzi, R. P., Yi, Y. und Phillips, L. W. (1991). Assessing Construct Validity in
Organizational Research. Administrative Science Quarterly, 36 (3), 421-458.
Bailetti, A. J., Callahan, R. und DiPietro, P. (1994). A coordination structure

approach to the management of projects. IEEE Transaction on Engineering
Management, 41 (4), 394-403.
Baker, B. N., Murphy, D. C. und Fisher, D. (1988). Factors Affecting Project Success.
In D. I. Cleland und W. R. King (Hg.), Project Management Handbook (2nd
Aufl., S. 902-919). New York: Van Nostrand Reinhold.
Balachandra, R. (1984). Critical Signals for Making Go/NoGo Decisions in New
Product Development. The Journal of Product Innovation Management, 1 (2),
92-100.
Balachandra, R. und Friar, J. H. (1997). Factors for success in R&D projects
and new product innovation: A contextual framework. IEEE Transactions on
Engineering Management, 44 (3), 276-287.
Balachandra, R. und Raelin, J. A. (1984). When to Kill That R&D Project. Research
Management, 27 (4), 30-33.
Balbontin, A. und Yazdani, B. (1999). New product development success factors in
American and British firms. International Journal of Technology Management,
17 (3), 259-280.
Barczak, G. und Wilemon, D. L. (2003). Team member experiences in new product
development: views from the trenches. R&D Management, 33 (5), 463-479.
Barney, J. (1991). Firm Resources and Sustained Competitive Advantage. Journal
of Management, 17 (1), 99-120.
Baron, R. M. und Kenny, D. A. (1986). The moderator-mediator variable distinction
in social psychological research: Conceptual, strategic, and statistical conside-
rations. Journal of Personality and Social Psychology, 51 (6), 1173-1182.
Barrett, F. J. (1998). Creativity and Improvisation in Jazz and Organizations:
Implications for Organizational Learning. Organization Science, 9 (5), 605-622.
Bart, C. K. (1993). Controlling new product R&D projects. R&D Management,
23 (3), 187-197.
Baur, W. (1967). Neue Wege der betrieblichen Planung. Berlin u.a.: Springer.
Beale, E. M. L. und Little, R. J. A. (1975). Missing Values in Multivariate Analysis.
Journal of the Royal Statistical Society. Series B (Methodological), 37 (1),
129-145.
Bearden, W. O., Sharma, S. und Teel, J. E. (1982). Sample Size Effects on Chi
Square and Other Statistics Used in Evaluating Causal Models. Journal of
Marketing Research, 19 (4), 425-430.
Bedeian, A. G. und Mossholder, K. W. (1994). Simple Question, Not So Simple
Answer: Interpreting Interaction Terms in Moderated Multiple Regression.
Journal of Management, 20 (1), 159-165.
Beer, M. und Eisenstat, R. A. (2000). The Silent Killers of Strategy Implementation
and Learning. Sloan Management Review , 41 (4), 29-40.
Begovich, C. L. und Kane, V. E. (1982). Estimating the Number of Groups and
Group Membership Using Simulation Cluster Analysis. Pattern Recognition,
15 (4), 335-342.
Benkenstein, M. (1987). F&E und Marketing: Eine Untersuchung zur Leis-
tungsfähigkeit von Koordinationskonzeptionen bei Innovationsentscheidungen.
Gabler.
Berekoven, L., Eckert, W. und Ellenrieder, P. (2006). Marktforschung : Methodische
Grundlagen und praktische Anwendung (11. Aufl.). Wiesbaden: Betriebswirt-
schaftlicher Verlag Dr. Th. Gabler.
Bettis, R. A. und Hitt, M. A. (1995). The New Competitive Landscape. Strategic
Management Journal , 16 (Special Issue), 7-19.
Billing, F. (2003). Koordination in radikalen Innovationsvorhaben. Wiesbaden:
Gabler DUV.
Bircher, B. (1989). Planungssystem. In N. Szyperski und U. Winand (Hg.),
Handwörterbuch der Planung (S. 1503-1515). Stuttgart: C. E. Poeschel Verlag.
Blalock, H. M., Jr. (1970). Estimating Measurement Error Using Multiple Indicators
and Several Points in Time. American Sociological Review , 35 (1), 101-110.
Bliemel, F., Eggert, A., Fassott, G. und Henseler, J. (Hg.). (2005). Handbuch
PLS-Pfadmodellierung. Stuttgart: Schäffer-Poeschel.
Bodewes, W. E. J. (2002). Formalization and innovation revisited. European Journal
of Innovation Management, 5 (4), 214-223.
Bollen, K. A. (1990). Outlier Screening and a Distribution-Free Test for Vanishing
Tetrads. Sociological Methods & Research, 19 (1), 80-92.
Bollen, K. A. (2002). Latent Variables in Psychology and the Social Sciences. Annual
Review of Psychology, 53 , 605-634.
Bollen, K. A. und Lennox, R. (1991). Conventional Wisdom on Measurement: A

Structural Equation Perspective. Psychological Bulletin, 110 (2), 305-314.
Bollen, K. A. und Ting, K.-F. (1993). Confirmatory Tetrad Analysis. Sociological
Methodology, 23 , 147-175.
Bollen, K. A. und Ting, K.-F. (2000). A Tetrad Test for Causal Indicators. Psycho-
logical Methods, 5 (1), 3-22.
Bonner, J. M., Ruekert, R. W. und Walker, O. C., Jr. (2002). Upper management
control of new product development projects and project performance. Journal
of Product Innovation Management, 19 , 233-245.
Bonoma, T. V. (1984). Making your marketing strategy work. Harvard Business
Review , 62 (2), 69-76.
Booz, Allen & Hamilton. (1982). New product management for the 1980’s. New
York.
Borko, H. und Livingston, C. (1989). Cognition and Improvisation: Differences in
Mathematics Instruction by Expert and Novice Teachers. American Educational
Research Journal , 26 (4), 473-498.
Bortz, J. (2005). Statistik für Human- und Sozialwissenschaftler (6. Aufl.). Heidelberg:
Springer.
Bourgeois, L. J., III. (1985). Strategic goals, perceived uncertainty, and economic
performance in volatile environments. Academy of Management Journal , 28 (3),
548-573.
Bourgeois, L. J., III und Eisenhardt, K. M. (1988). Strategic decision processes in
high velocity environments: four cases in microcomputer industry. Management
Science, 34 (7), 816-835.
Boyd, B. K. (1991). Strategic Planning and Financial Performance: A Meta-Analytic
Review. Journal of Management Studies, 28 (4), 353-374.
Boyd, B. K. und Reuning-Elliott, E. (1998). Research Notes and Communications:
A Measurement Model of Strategic Planning. Strategic Manangement Journal ,
19 (2), 181-192.
Braybrooke, D. und Lindblom, C. E. (1963). A Strategy of Decision: Policy Evaluation
as a Social Process. New York: Free Press.
Brennecke, V. M., Drüner, M., Gemünden, H. G., Kassner, S., Langen, R., Richter,
K. et al. (2001). Innovationskompass 2001. Düsseldorf: VDI-Verlag.
Brockhoff, K. (1999). Forschung und Entwicklung - Planung und Kontrolle. München:

Oldenbourg.
Brockhoff, K. (2006). On the Novelty Dimension in Project Management. Project
Brockner, J. (1992). The escalation of commitment to a failing course of action:
Toward theoretical progress. Academy of Management Review , 17 (1), 39-61.
Brown, S. L. und Eisenhardt, K. M. (1995). Product Development: Past Research,
Present Findings, and Future Directions. The Academy of Management Review ,
20 (2), 343-378.
Brown, S. L. und Eisenhardt, K. M. (1997). The Art of Continuous Change:
Linking Complexity Theory and Time-paced Evolution in Relentlessly Shifting
Organizations. Administrative Science Quarterly, 42 (1), 1-34.
Bryde, D. J. und Robinson, L. (2005). Client versus contractor perspectives on
project success criteria. International Journal of Project Management, 23 (8),
622-629.
Bryson, J. M. und Bromiley, P. (1993). Critical factors affecting the planning and
implementation of major projects. Strategic Management Journal , 14 (5), 319.
Bstieler, L. (2005). The moderating effect of environmental uncertainty on new
product development and time efficiency. Journal of Product Innovation
Management, 22 (3), 267-284.
Bullinger, H.-J. (1990). IAO-Studie: F&E heute - Industrielle Forschung und
Entwicklung in der Bundesrepublik Deutschland. M?nchen: Gesellschaft für
Management und Technologie Verlag.
Büschelberger, A. (2004). Planungsqualität bei Prozessinnovationen - Theoretischer
Ansatz und empirische Analyse am Beispiel von Call Centern. Wiesbaden:
Gabler DUV.
Calantone, R. J., Garcia, R. und Dröge, C. (2003). The effects of environmental
turbulence on new product development strategy planning. The Journal of
Product Innovation Management, 20 (2), 90-103.
Campbell, D. J. (1988). Task Complexity: A Review and Analysis. Academy of
Management Review , 13 (1), 40-52.
Campbell, D. T. und Fiske, D. W. (1959). Convergent and Discriminant Validation
by the Multitrait-Multimethod Matrix. Psychological Bulletin, 56 (2), 81-105.
Cardinal, L. B. (2001). Technological Innovation in the Pharmaceutical Industry:

The Use of Organizational Control in Managing Research and Development.
Organization Science, 12 (1), 19-36.
Carnap, R. (1986). Einführung in die Philosophie der Naturwissenschaft. Frankfurt
am Main: Ullstein.
Carte, T. A. und Russell, C. J. (2003). In Pursuit of Moderation: Nine Common
Erros and Their Solutions. MIS Quarterly, 27 (3), 479-501.
Carter, S. M. und West, M. A. (1998). Reflexivity, Effectiveness, and Mental Health
in BBC-TV Production Teams. Small Group Research, 29 (5), 583-601.
Cespedes, F. V. und Piercy, N. F. (1996). Implementing Marketing Strategy. Journal
of Marketing Management, 12 (1-3), 135-160.
Chakravarthy, B. (1997). A new strategy framework for coping with turbulence.
Sloan Management Review , 38 (2), 69-82.
Chakravarthy, B. S. (1987). On tailoring a strategic planning system to its context:
some empirical evidence. Strategic Management Journal , 8 (6), 517-534.
Chamanski, A. und Waagø, S. J. (2001). Organizational Performance of Technology-
Based Firms - the Role of Technology and Business Strategies. Enterprise &
Innovation Management Studies, 2 (3), 205-223.
Chan, C.-L., Jiang, J. J. und Klein, G. (2008). Team Task Skills as a Facilitator
for Application and Development Skills. IEEE Transactions on Engineering
Management, 55 (3), 434-441.
Chandy, R. K. und Tellis, G. J. (1998). Organizing for Radical Product Innovation:
The Overlooked Role of Willingness to Cannibalize. Journal of Marketing
Research, 35 (4), 474-487.
Chandy, R. K. und Tellis, G. J. (2000). The Incumbent’s Curse? Incumbency, Size,
and Radical Product Innovation. Journal of Marketing, 64 (3), 1-17.
Chou, C.-P. und Bentler, P. M. (1995). Estimates and Tests in Structural Equation
Modeling. In R. H. Hoyle (Hg.), Structural Equation Modeling - Concepts,
Issues, and Applications (S. 37-55). Thousand Oaks, CA: Sage.
Churchill, J., Gilbert A.. (1979). A Paradigm for Developing Better Measures of
Marketing Constructs. Journal of Marketing Research, 16 (1), 64-73.
Clark, K. B. (1985). The interaction of design hierarchies and market concepts in
technological evolution. Research Policy, 14 (5), 235-251.
Clarke, K., Ford, D., Saren, M. und Thomas, R. (1995). Technology Strategy in UK
Firms. Technology Analysis & Strategic Management, 7 (2), 169-190.
Clegg, S. R., Cunha, J. V. d. und Cunha, M. P. e. (2002). Management paradoxes:
A relational view. Human Relations, 55 (5), 483-503.
Cleland, D. I. (2004). Strategic Management: The Project Linkages. In P. W. G. Mor-
ris und J. K. Pinto (Hg.), The Wiley Guide to Managing Projects (S. 206-222).
Hoboken, NJ: John Wiley & Sons, Inc.
Cleland, D. I. und King, W. R. (1988). Project Owner Strategic Management
of Projects. In D. I. Cleland und W. R. King (Hg.), Project Management
Handbook (2. Aufl., S. 165-188). New York, NY: Van Nostrand Reinhold.
Clift, T. B. und Vandenbosch, M. B. (1999). Project Complexity and Efforts to
Reduce Product Development Cycle Time. Journal of Business Research,
45 (2), 187-198.
Cobbenhagen, J. (2000). Successful innovation: towards a new theory for the
management of small and medium-sized enterprises. Cheltenham: Elgar.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2. Aufl.).
Hillsdale, NJ: Lawrence Erlbaum Associates.
Cohen, J. (1992). A Power Primer. Psychological Bulletin, 12 (1), 155-159.
Cohenca-Zall, D., Laufer, A., Shapira, A. und Howell, G. A. (1994). Process
of planning during construction. Journal of Construction Engineering and
Management, 120 (3), 561-578.
Cooper, K. G. und Sklar Reichelt, K. (2004). Project Changes: Sources, Impacts,
Mitigation, Pricing, Litigation, and Excellence. In P. W. G. Morris und
J. K. Pinto (Hg.), The Wiley Guide to Managing Projects (S. 743-772). Hoboken,
NJ: John Wiley & Sons, Inc.
Cooper, R., Aouad, G., Lee, A. und Wu, S. (2004). Process and Product Modeling.
Cooper, R. G. (1979). The dimensions of industrial new product success and failure.
Journal of Marketing, 43 (3), 93-103.
Cooper, R. G. (1994). Third-generation new product processes. Journal of Product
Innovation Management, 11 (1), 3-14.
Cooper, R. G. (1999). The invisible Success Factors in Product Innovation. Journal
of Product Innovation Management, 16 (2), 115-133.
Cooper, R. G. und de Brentani, U. (1991). New industrial financial services: What

distinguishes the winners. Journal of Product Innovation Management, 8 (2),
75-90.
Cooper, R. G. und Kleinschmidt, E. J. (1986). An investigation into the new
product process: steps, deficiencies, and impact. Journal of Product Innovation
Management, 3 (2), 71-85.
Cooper, R. G. und Kleinschmidt, E. J. (1987a). Success factors in product innovation.
Industrial Marketing Management, 16 (3), 215-223.
Cooper, R. G. und Kleinschmidt, E. J. (1987b). What makes a new product a winner:
success factors at the project level. R&D Management, 17 (3), 175-189.
Cooper, R. G. und Kleinschmidt, E. J. (1990a). New products: the key factors in
success. Chicago: American Marketing Association.
Cooper, R. G. und Kleinschmidt, E. J. (1990b). New product success factors: a
comparison of ’kills’ versus successes and failures. R&D Management, 20 (1),
47-63.
Covin, J. G. und Slevin, D. P. (1989). Strategic management of small firms in hostile
and benign environments. Strategic Management Journal , 10 (1), 75-87.
Covin, J. G. und Slevin, D. P. (1998). Adherence to Plans, Risk Taking, and
Environment as Predictors of Firm Growth. Journal of High Technology
Management Research, 9 (2), 207-237.
Covin, J. G., Slevin, D. P. und Schultz, R. L. (1994). Implementing strategic
missions: Effective strategic, strucutural and tactical choices. The Journal of
Management Studies, 31 (4), 481-505.
Cronbach, L. J. und Meehl, P. E. (1955). Construct Validity in Psychological Tests.
Psychological Bulletin, 52 (4), 281-302.
Crossan, M. M. (1998). Improvisation in action. Organization Science, 9 (5), 593-599.
Crossan, M. M., Pina e Cunha, M., Vera, D. und Vieira da Cunha, J. (2005). Time
and Organizational Improvisation. Academy of Management Review , 30 (1),
129-145.
Crossan, M. M. und Sorrenti, M. (1997). Making Sense of Improvisation. In Advances
in Strategic Management (Bd. 14, S. 155-180). JAI Press Inc.
Crossan, M. M., White, R. E., Lane, H. W. und Klus, L. (1996). The improvising
organization: Where planning meets opportunity. Organizational Dynamics,
24 (4), 20-35.
Cutler, L. S. (2000). Creativity: Essential to Technological Innovation. Research

Technology Management, 43 (6), 39-30.
Daft, R. L. und Lengel, R. H. (1986). Organizational Information Requirements,
Media Richness and Structural Design. Management Science, 32 (5), 554-571.
Daft, R. L. und Macintosh, N. B. (1981). A Tentative Exploration into the Amount
and Equivocality of Information Processing in Organizational Work Units.
Administrative Science Quarterly, 26 (2), 207-226.
Daft, R. L. und Weick, K. E. (1984). Toward a Model of Organizations as Interpre-
tation Systems. Academy of Management Review , 9 (2), 284-295.
Damanpour, F. (1991). Organizational innovation: A meta-analysis of effects of
determinants and moderators. Academy of Management Journal , 34 (3), 555-
590.
Damanpour, F. (1996). Organizational complexity and innovation: Developing and
testing multiple contingency models. Management Science, 42 (5), 693-716.
Danneels, E. und Kleinschmidt, E. J. (2001). Product innovativeness from the
firm’s perspective: Its dimensions and their relation with project selection and
performance. Journal of Product Innovation Management, 18 (6), 357-373.
Davenport, S., Campbell-Hunt, C. und Solomon, J. (2003). The dynamics of
technology strategy: an exploratory study. R&D Management, 33 (5), 481-499.
Dawes, J. (1999). The relationship between subjective and objective company
performance measures in market orientation research. Marketing Bulletin, 10 ,
65-75.
Dawson, R. J. und Dawson, C. W. (1998). Practical proposals for managing
uncertainty and risk in project planning. International Journal of Project
Management, 16 (5), 299-310.
Day, G. S. (1994). The Capabilities of Market-Driven Organizations. Journal of
Marketing, 58 (4), 37-52.
de Brentani, U. (1989). Success and Failure in New Industrial Services. Journal of
de Brentani, U. (2001). Innovative versus incremental new business services: Different
keys fo achieving success. Journal of Product Innovation Management, 18 (3),
169-187.
De Dreu, C. K. W. (2007). Cooperative Outcome Interdependence, Task Reflexivity,

and Team Effectiveness: A Motivated Information Processing Perspective.
Journal of Applied Psychology, 92 (3), 628-638.
De Leeuw, E. D. (2001). Reducing Missing Data in Surveys: An Overview of Methods.
Quality & Quantity, 35 (2), 147-160.
De Meyer, A., Loch, C. H. und Pich, M. T. (2002). Managing Project Uncertainty:
From Variation to Chaos. Sloan Management Review , 60-67.
de Wit, A. (1998). Measurement of project success. International Journal of Project
Management, 6 (3), 164-170.
Dean, J. W., Jr. und Sharfman, M. P. (1996). Does decision process matter? a study
of strategic decision-making effectiveness. Academy of Management Journal ,
39 (2), 368-396.
Delfmann, W. (1993). Planungs- und Kontrollprozesse. In W. Wittmann, W. Kern,
R. Köhler, H.-U. Küpper und K. von Wysocki (Hg.), Handwörterbuch der
Betriebswirtschaft (5th Aufl., Bd. 2, S. 3232-3251). Stuttgart: Schäffer-Poeschel
Verlag.
Dempster, A. P., Laird, N. M. und Rubin, D. B. (1977). Maximum Likelihood
from Incomplete Data via the EM Algorithm. Journal of the Royal Statistical
Society. Series B (Methodological), 39 (1), 1-38.
Dess, G. G. und Beard, D. W. (1984). Dimensions of organizational task environments.
Dess, G. G., Lumpkin, G. T. und Covin, J. G. (1997). Entrepreneurial strategy
making and firm performance: Tests of contingency and configurational models.
Strategic Management Journal , 18 (9), 677-695.
Dess, G. G. und Robinson, J., Richard B. (1984). Measuring Organizational
Performance in the Absence of Objective Measures: The Case of the Privately-
held Firm and Conglomerate Business Unit. Strategic Management Journal ,
5 (3), 265-273.
Deutsch, M. S. (1991). An exploratory analysis relating the software project
management process to project success. IEEE Transactions on Engineering
Management, 38 (4), 365-375.
Diamantopoulos, A. und Winklhofer, H. M. (2001). Index Construction with Forma-
tive Indicators: An Alternative to Scale Development. Journal of Marketing
Research, 38 (2), 269-277.
Doherty, N. F., Marples, C. G. und Suhaimi, A. (1999). The relative success of

alternative approaches to strategic information systems planning: an empirical
analysis. Journal of Strategic Information Systems, 8 (3), 263-283.
Dosi, G. (1988). The nature of the innovation process. In G. Dosi, C. Freeman,
R. Nelson, G. Silverberg und L. Soete (Hg.), Technical Change and Economic
Theory (S. 221-238). London and New York: Pinter Publishers.
Dougherty, D. (1996). Organizing for Innovation. In S. R. Clegg, C. Hardy und
W. Nord (Hg.), Handbook of organizational studies (S. 424-439). Thousand
Oaks, CA: Sage.
Downs, G. W., Jr. und Mohr, B., Lawrence. (1976). Conceptual Issues in the Study
of Innovation. Administrative Science Quarterly, 21 (4), 700-714.
Drazin, R. und Van de Ven, A. H. (1985). Alternative Forms of Fit in Contingency
Theory. Administrative Science Quarterly, 30 (4), 541-539.
Drejer, A. (2002). Situations for innovation management: towards a contingency
model. European Journal of Innovation Management, 5 (1), 4-17.
Drejer, I. (2004). Identifying innovation in surveys of services: a Schumpeterian
perspective. Research Policy, 33 (3), 551-562.
Dubes, R. C. (1987). How Many Cluster are Best? - An Experiment. Pattern
Recognition, 20 (6), 645-663.
Dülfer, E. (1982). Projekte und Projektmanagement im internationalen Kontext.
In E. Dülfer (Hg.), Projektmanagement international (S. 2-30). Stuttgart:
Schäffer-Poeschel.
Duncan, R. B. (1972). Characteristics of organizational environments and perceived
environmental uncertainties. Administrative Science Quarterly, 17 (3), 313-327.
Duncan, R. B. (1974). Modifications in Decision Structure in Adapting to the Envi-
ronment: Some Implications for Organizational Learning. Decision Sciences,
5 (4), 705-725.
Dutton, J. E. und Duncan, R. B. (1987). The influence of the stratgic planning
process on strategic change. Strategic Management Journal , 8 (2), 103-116.
Dvir, D. und Lechler, T. (2004). Plans are nothing, changing plans is everything:
the impact of changes on project success. Research Policy, 33 (1), 1-15.
Dvir, D., Lipovetsky, S., Shenhar, A. J. und Tishler, A. (2003). What is really
important for project success? a refined, multivariate, comprehensive analysis.
International Journal of Management & Decision Making, 4 (4), 382-404.
Dvir, D., Raz, T. und Shenhar, A. J. (2003). An empirical analysis of the relationship
between project planning and project success. International Journal of Project
Management, 21 (2), 89 - 95.
Dyson, R. G. und Foster, M. J. (1982). The Relationship of Participation and
Effectiveness in Strategic Planning. Strategic Management Journal , 3 (1),
77-88.
Edvinsson, L., Dvir, R., Roth, N. und Pasher, E. (2004). Innovations: the new unit
of analysis in the knowledge era. Journal of Intellectual Capital , 5 (1), 40-58.
Ehrmann, H. (1995). Planung. Ludwigshafen (Rhein): Friedrich Kiehl Verlag.
Eisenhardt, K. M. (1989). Making fast strategic decisions in high-velocity environ-
ments. Academy of Management Journal , 32 (3), 543-476.
Eisenhardt, K. M. und Martin, J. A. (2000). Dynamic capabilities: What are they?
Strategic Management Journal , 21 (10/11), 1105-1121.
Eisenhardt, K. M. und Tabrizi, B. N. (1995). Accelerating adaptive processes:
Product innovation in the global computer industry. Administrative Science
Quarterly, 40 (1), 84-110.
Embrey, D. G., Guthrie, M. R., White, O. R. und Dietz, J. (1996). Clinical Decision
Making by Experienced and Inexperienced Pediatric Physical Therapists for
Children With Diplegic Cerebral Palsy. Physical Therapy, 76 (1), 20-33.
Emery, F. und Trist, E. (1965). The Causal Texture of Organizational Environments.
Human Relations, 18 (1), 21-32.
Enders, C. K. und Bandalos, D. L. (2001). The Relative Performance of Full
Information Maximum Likelihood Estimation for Missing Data in Structural
Equation Models. Structural Equation Modeling, 8 (3), 430-457.
Ernst, H. (2001). Erfolgsfaktoren neuer Produkte: Grundlagen für eine valide
empirische Forschung. Wiesbaden: Gabler DUV.
Ettlie, J. E. und Subramaniam, M. (2004). Changing strategies and tactics for
new product development. Journal of Product Innovation Management, 21 (2),
95-109.
Eybl, D. (1984). Instrumente und Orientierungsgrundlagen zur Planung wettbewerbs-
orientierter Unternehmensstrategien. Frankfurt am Main: Peter Lang.
Fassott, G. und Eggert, A. (2005). Zur Verwendung formativer und reflektiver

Indikatoren in Strukturgleichungsmodellen: Bestandsaufnahme und Anwen-
dungsempfehlungen. In F. Bliemel, A. Eggert, G. Fassott und J. Henseler (Hg.),
Handbuch PLS-Pfadmodellierung (S. 31-47). Stuttgart: Schäffer-Poeschel.
Forbes, D. P. (2007). Reconsidering the strategic implications of decision compre-
hensiveness. Academy of Management Review , 32 (2), 361-376.
Fornell, C. und Larcker, D. F. (1981). Evaluating Structural Equation Models
with Unobservable Variables and Measurement Error. Journal of Marketing
Research, 18 (1), 39-50.
Fredrickson, J. W. (1984). The Comprehensiveness of Strategic Decision Processes:
Extension, Observations, Future Directions. Academy of Management Journal ,
27 (3), 445-466.
Fredrickson, J. W. und Mitchell, T. R. (1984). Strategic Decision Processes: Com-
prehensiveness and Performance in an Industry with an Unstable Environment.
Academy of Management Journal , 27 (2), 399-423.
Freeman, C. (1994). The economics of technical change. Cambridge Journal of
Economics, 18 (5), 463-514.
Freeman, M. und Beale, P. (1992). Measuring project success. Project Management
Journal , 10 (1), 8-17.
Gaddis, P. O. (1959). The Project Manager. Harvard Business Review , 37 (3),
89-97.
Galbraith, J. R. (1973). Designing Complex Organizations. Reading (MA): Addison-
Wesley.
Galbraith, J. R. (1977). Organization Design. Reading, MA: Addison-Wesley.
Gales, L., Porter, P. und Mansour-Cole, D. (1992). Innovation project technology,
information processing and performance: a test of the Daft and Lengel con-
ceptualization. Journal of Engineering and Technology Management, 9 (3,4),
303-338.
Garcia, R. und Calantone, R. (2002). A critical look at technological innovation
typology and innovativeness terminology: a literature review. Journal of Product
Gardiner, P. D. und Stewart, K. (2000). Revisiting the golden triangle of cost,
time and quality: the role of NPV in project control, success and failure.
International Journal of Project Management, 18 (4), 251-256.
Gareis, R. und Titscher, S. (1992). Projektarbeit und Personalwesen. In E. Gaugler

und W. Weber (Hg.), Handwörterbuch des Personalwesens (2. Auflage Aufl.,
S. 1938-1953). Stuttgart: C. E. Poeschel Verlag.
Gatignon, H., Tushman, M. L., Smith, W. und Anderson, P. (2002). A Structural
Approach to Assessing Innovation: Construct Development of Innoation Locus,
Type, and Characteristics. Management Science, 48 (9), 1103-1122.
Gaul, W. und Homburg, C. (1988). The Use of Data Analysis Techniques by German
Market Research Agencies. Journal of Business Research, 17 (1), 67-79.
Gebert, D. (1995). Führung im MbO-Prozeß. In A. Kieser, G. Reber und R. Wunderer
(Hg.), Handwörterbuch der Führung (S. 426-436). Stuttgart: Schäffer-Poeschel.
Gemünden, H. G. (1995). Zielbildung. In H. Corsten und M. Reiß (Hg.), Handbuch
Unternehmensführung (S. 251-266). Wiesbaden: Gabler.
Gerbing, D. W. und Anderson, J. C. (1988). An Updated Paradigm for Scale
Development Incorporating Unidimensionality and Its Assessment. Journal of
Gersick, C. J. G. (1988). Time and transition in work teams: Toward a new model
of group development. Academy of Management Journal , 31 (1), 9-41.
Gersick, C. J. G. (1989). Marking time: Predictable transitions in task groups.
Gerwin, D. und Moffat, L. (1997). Authorizing processes changing team autonomy
during new product development. Journal of Engineering and Technology
Management, 14 (3,4), 291-313.
Gevers, J. M. P., van Erde, W. und Rutte, C. G. (2001). Time pressure, potency,
and progress in project groups. European Journal of Worka nd Organizational
Psychology, 10 (2), 205-221.
Giere, J., Wirtz, B. W. und Schilke, O. (2006). Mehrdimensionale Konstrukte. Die
Betriebswirtschaft, 66 (6), 678-695.
Glazer, R. und Weiss, A. M. (1993). Marketing in Turbulent Environments: Decision
Processes and the Time-Sensitivity of Information. Journal of Marketing
Research, 30 (4), 509-521.
Glick, W. H., Miller, C. C. und Huber, G. P. (1993). The impact of upper echelon
diversity on organizational performance. In G. P. Huber und W. H. Glick
(Hg.), Organizational change and redesign: Ideas and insights for improving
peformance (S. 176 -214). New York, NY: Oxford University Press.
Glismann, H. H. und Horn, E.-J. (1988). Comparative invention performance of

major industrial countries: patterns and explanations. Management Science,
34 (10), 1169-1187.
Gluck, F. W. (1984). Vision and Leadership. In A. C. Hax (Hg.), Readings on Strategic
Management (S. 9-18). Cambridge, MA: Ballinger Publishing Company.
Goeldel, H. (1997). Gestaltung der Planung. Wiesbaden: Gabler DUV.
Goldhar, J. D. (1980). Some modest conclusions. In B. V. Dean und J. D. Goldhar
(Hg.), Management of research and innovation (S. 283-284). Amsterdam et al.:
North-Holland.
Goll, I. und Rasheed, A. M. A. (1997). Rational decision-making and firm perfor-
mance: The moderating role of environment. Strategic Management Journal ,
18 (7), 583-591.
Göthlich, S. E. (2007). Zum Umgang mit fehlenden Daten in großzahligen empirischen
Erhebungen. In S. Albers, D. Klapper, U. Konradt, A. Walter und J. Wolf (Hg.),
Methodik der empirischen Forschung (2. Auflage Aufl., S. 119-134). Wiesbaden:
Gabler.
Grant, R. M. (1991). The Resource-Based Theory of Competitive Advantage:
Implications for Strategy Formulation. California Management Review , 33 (3),
114-135.
Grant, R. M. (2003). Strategic Planning in a Turbulent Environment: Evidence from
the Oil Majors. Strategic Management Journal , 24 (6), 491-517.
Green, S. G., Gavin, M. B. und Aiman-Smith, L. (1995). Assessing a Multidimen-
sional Measure of Radical Technological Innovation. IEEE Transactions on
Griffin, A. (1997a). The effect of project and process characteristics on product
development cycle time. Journal of Marketing Research, 34 (1), 24-35.
Griffin, A. (1997b). PDMA Research on New Product Development Practices: Upda-
ting Trends and Benchmarking Best Practices. Journal of Product Innovation
Management, 14 (6), 429-458.
Griffin, A. (2002). Product development cycle time for business-to-business products.
Industrial Marketing Management, 31 (4), 291-304.
Griffin, A. und Page, A. L. (1993). An Interim Report on Measuring Product
Development Success and Failure. Journal of Product Innovation Management,
10 (4), 291-308.
Griffin, A. und Page, A. L. (1996). PDMA Success Measurement Project: Recom-

mended Measures for Product Development Success and Failure. Journal of
Groves, R. M. (1989). Survey Errors and Survey Costs. New York, NY: Wiley.
Grün, O. (1992). Projektorganisation. In E. Frese (Hg.), Handwörterbuch der
Organisation (3. Auflage Aufl., S. 2102-2116). Stuttgart: C. E. Poeschel Verlag.
Gupta, A. K. und Wilemon, D. L. (1990). Accelerating The Development Of
Technology-Based New Products. California Management Review , 32 (2),
24-44.
Gurtner, A., Tschan, F., Semmer, N. K. und Nägele, C. (2007). Getting groups to
develop good strategies: Effects of reflexivity interventions on team process,
team performance, and shared mental models. Organizational Behavior and
Human Decision Processes, 102 (2), 127-142.
Guth, W. D. und MacMillan, I. C. (1986). Strategy Implementation Versus Middle
Management Self-Interest. Strategic Management Journal , 7 (4), 313-327.
Hackman, J. R. und Oldham, G. R. (1980). Work redesign. Reading, MA: Addison-
Wesley.
Hage, J. T. (1999). Organizational innovation and organizational change. Annual
Review of Sociology, 25 (1), 597-622.
Hahn, D. (1989). Integrierte Planung. In N. Szyperski und U. Winand (Hg.),
Hahn, D. (1993). Planung und Kontrolle. In W. Wittmann, W. Kern, R. Köhler, H.-
U. Küpper und K. von Wysocki (Hg.), Handwörterbuch der Betriebswirtschaft
(5th Aufl., Bd. 2, S. 3185-3200). Stuttgart: Schäffer-Poeschel Verlag.
Hair, J. F., Jr., Black, W. C., Babin, B. J., Anderson, R. E. und Tatham, R. L.
(2006). Multivariate Data Analysis (6. Aufl.). Upper Saddle River, NJ: Prentice
Hall.
Hambrick, D. C. (1980). Operationalizing the Concept of Business-Level Strategy in
Research. Academy of Management Review , 5 (4), 567-576.
Hamprecht, M. (1996). Controlling von Konzernplanungssystemen. Wiesbaden:
Gabler DUV.
Hart, S. und Banbury, C. (1994). How strategy-making processes can make a
difference. Strategic Management Journal , 15 (4), 251-269.
Hatch, M. J. (1997). Jazzing up the Theory of Organizational Improvisation. In

J. P. Walsh und A. S. Huff (Hg.), Advances in Strategic Management (Bd. 14,
S. 181-191). JAI Press Inc.
Hattie, J. (1985). Methodology Review: Assessing Unidimensionality of Tests and
Items. Applied Psychological Measurement, 9 (2), 139-164.
Hauptman, O. und Hirji, K. K. (1999). Managing integration and coordination
in cross-functional teams: An international study of Concurrent Engineering
product development. R&D Management, 29 (2), 179-191.
Hauschildt, J. (1991). Zur Messung des Innovationserfolgs. ZfB Zeitschrift für
Betriebswirtschaft, 61 (4), 451-476.
Hauschildt, J. (1992). Innovationsmanagement. In E. Frese (Hg.), Handwörterbuch
der Organisation (3rd Aufl., S. 1029-1041). Stuttgart: Schäffer-Poeschel.
Hauschildt, J. (2004). Innovationsmanagement. München: Vahlen.
Hauschildt, J. und Pulczynski, J. (1992). Rigidität oder Flexibilität der Zielbildung
in Innovationsprozessen? zfo, 61 (2), 74-81.
Hauschildt, J. und Salomo, S. (2005). Je innovativer, desto erfolgreicher? Eine
kritische Analyse des Zusammenhangs zwischen Innovationsgrad und Innova-
tionserfolg. Journal für Betriebswirtschaft, 55 (1), 3-20.
Hayward, T. B. (1986). An Ex-CNO’s Reflection on the Garbage Can Theory
of Naval Decision Making. In J. G. March und R. Weissinger-Baylon (Hg.),
Ambiguity and Command (S. 258-268). Marshfield, MA: PitmanPublishing
Inc.
Henard, D. H. und Szymanski, D. M. (2001). Why Some New Products Are More
Successful Than Others. Journal of Marketing Research, 38 (3), 362-375.
Henderson, R. M. (1993). Underinvestment and incompetence as responses to radical
innovation: evidence from the photolithographic alignment equipment industry.
RAND Journal of Economics, 24 (2), 248-270.
Henderson, R. M. (1995). Of life cycles real and imaginary: The unexpectedly long
old age of optical lithography. Research Policy, 24 (4), 631-643.
Henderson, R. M. und Clark, K. B. (1990). Architectural Innovation: The Reconfigu-
ration of Existing Product Technologies and the Failure of Established Firms.
Herroelen, W. (2005). Project Scheduling - Theory and Practice. Production and
Operations Management, 14 (4), 413-432.
Herroelen, W. und Leus, R. (2004). Robust and reactive project scheduling: a review
and classification of procedures. International Journal of Production Research,
42 (8), 1599-1620.
Herstatt, C. und Geschka, H. (2002). Need assessment in practice. Theory, methods
and experiences. International Journal of Entrepreneurship and Innovation
Management, 2 (6), 56-70.
Herstatt, C. und Verworn, B. (2004). The Fuzzy Front End of Innovation. In EITIM
(Hg.), Bringing Technology and Innovation into the Boardroom (S. 347-373).
Houndmills and New York: Palgrave MacMillan.
Herstatt, C., Verworn, B. und Nagahira, A. (2004). Reducing project related
uncertainty in the ”fuzzy front endöf innovation - a comparison of german
and japanese product innovation projects. International Journal of Product
Development, 1 (1), 43-65.
Hildebrandt, L. und Temme, D. (2006). Probleme der Validierung mit Strukturglei-
chungsmodellen. Die Betriebswirtschaft, 66 (6), 618-639.
Hipp, J. R., Bauer, D. J. und Bollen, K. A. (2005). Conducting Tetrad Tests of Model
Fit and Contrasts of Tetrad-Nested Models: A New SAS Macro. Structural
Equation Modeling, 12 (1), 76-93.
Hoegl, M. und Gemünden, H. G. (2001). Teamwork Quality and the Success of Inno-
vative Projects: A Theoretical Concept and Empirical Evidence. Organization
Science, 12 (4), 435-449.
Hoegl, M. und Parboteeah, K. P. (2006). Team reflexivity in innovative projects.
R&D Management, 36 (2), 113-125.
Hoffmann, J. (1989). Integration strategischer und operativer Planung. In N. Szy-
perski und U. Winand (Hg.), Handwörterbuch der Planung (S. 763-770). Stutt-
gart: C. E. Poeschel.
Homburg, C. und Baumgartner, H. (1995). Die Kausalanalyse als Instrument der
Marketingforschung. Zeitschrift für Betriebswirtschaft, 65 (10), 1091-1108.
Homburg, C. und Giering, A. (1998). Konzeptualisierung und Operationalisierung
komplexer Konstrukte - Ein Leitfaden für die Marketingforschung. In L. Hil-
debrandt und C. Homburg (Hg.), Die Kausalanalyse (S. 111-146). Stuttgart:
Schäffer Poeschel.
Homburg, C. und Klarmann, M. (2006). Die Kausalanalyse in der empirischen

betriebswirtschaftlichen Forschung - Problemfelder und Anwendungsbereiche.
Die Betriebswirtschaft, 66 (6), 727-749.
Homburg, C. und Pflesser, C. (2000). Strukturgleichungsmodelle mit latenten Varia-
blen: Kausalanalyse. In A. Herrmann und C. Homburg (Hg.), Marktforschung:
Methoden, Anwendungen, Praxisbeispiele (2. Aufl., S. 635-659). Gabler.
Hough, J. R. und White, M. A. (2003). Environmental dynamism and strategic
decision-making rationality: An examination at the decision level. Strategic
Hoyle, R. H. (1995). The Structural Equation Modeling Approach: Basic Concepts
and Fundamental Issues. In R. H. Hoyle (Hg.), Structural Equation Modeling -
Concepts, Issues, and Applications (S. 1-15). Thousand Oaks, CA: Sage.
Hu, L.-t. und Bentler, P. M. (1995). Evaluating Model Fit. In R. H. Hoyle (Hg.),
Structural Equation Modeling - Concepts, Issues, and Applications (S. 76-99).
Thousand Oaks, CA: Sage.
Hu, L.-t. und Bentler, P. M. (1999). Cutoff Criteria for Fit Indexes in Covariance
Structure Analysis: Conventional Criteria Versus New Alternatives. Structural
Equation Modeling, 6 (1), 1-55.
Huber, F., Heitmann, M. und Herrmann, A. (2006). Ansätze zur Kausalmodellierung
mit Interaktionseffekten. Die Betriebswirtschaft, 66 (6), 696-710.
Huber, F., Herrmann, A., Meyer, F., Vogel, J. und Vollhardt, K. (2007). Kausalmo-
dellierung mit Partial Least Squares - Eine anwendungsorientierte Einführung.
Wiesbaden: Gabler.
Huchzermeier, A. und Loch, C. H. (2001). Project Management Under Risk: Using
the Real Options Approach to Evaluate Flexibility in R&D. Management
Science, 47 (1), 85-101.
Huisman, J. M. E. (1999). Item nonresponse: occurrence, causes, and imputation of
missing answers to test items. Leiden: DSWO Press.
Huisman, J. M. E. (2000). Imputation of Missing Item Responses: Some Simple
Techniques. Quality & Quantity, 34 (4), 331-351.
Hultink, E. J. und Robben, H. S. J. (1995). Measuring New Product Success:
The Difference that Time Perspective Makes. Journal of Product Innovation
Management, 12 (5), 392-405.
Iansiti, M. (1998). Technology Integration: Making Critical Choices in an Dynamic

World. Boston, MA: Harvard Business School Press.
Irby, D. M. (1992). How Attending Physicians Make Instructional Decisions When
Conducting Teaching Rounds. Academic Medicine, 67 (10), 630-638.
Irwin, J. R. und McClelland, G. H. (2001). Misleading Heuristics and Moderated
Multiple Regression Models. Journal of Marketing Research, 38 (1), 100-109.
Ittner, C. D. und Larcker, D. F. (1997). Product development cycle time and
organizational performance. Journal of Marketing Research, 34 (1), 13-23.
Jaafari, A. (2004). Modeling of Large Projects. In P. W. G. Morris und J. K. Pinto
(Hg.), The Wiley Guide to Managing Projects (S. 288-320). Hoboken, NJ: John
Wiley & Sons, Inc.
Jacoby, J. (1978). Consumer Research: A State of the Art Review. Journal of
Marketing, 42 (2), 87-96.
Janis, I. L. und Mann, L. (1977). Decision making: A psychological analysis of
conflict, choice and commitment. New York: Free Press.
Jarvis, C. B., MacKenzie, S. B. und Podsakoff, P. M. (2003). A Critical Review of
Construct Indicators and Measurement Model Misspecification in Marketing
and Consumer Research. Journal of Consumer Research, 30 (2), 199-218.
Jelinek, M. und Schoonhoven, C. B. (1990). The innovation marathon: Lessons from
high technology firms. Oxford: Blackwell.
Jin, Z. (2000). How Product Newness Influences ’Learning and Probing’ and the
Linearity of its Development Process. Creativity and Innovation Management,
9 (1), 21-45.
Johne, A. und Storey, C. (1998). New service development: a review of the literature
and annotated bibliography. European Journal of Marketing, 32 (3/4), 184-251.
Johne, F. und Snelson, P. (1988). Success factors in product innovation: A selective
review of the literature. Journal of Product Innovation Management, 5 (2),
114-128.
Johnson, S. C. und Jones, C. (1957). How to Organize for New Products. Harvard
Business Review , 35 (3), 49-62.
Joyce, W., Slocum, J. W., Jr. und von Glinow, M. A. (1982). Person-Situation
Interaction: Competing Models of Fit. Journal of Occupational Behaviour ,
3 (4), 265-280.
Judge, W. Q. und Miller, A. (1991). Antecedents and Outcomes of Decision Speed

in Different Environmental Contexts. Academy of Management Journal , 34 (2),
449-463.
Kaiser, H. F. und Rice, J. (1974). Little Jiffy, Mark IV. Educational and Psychological
Measurement, 34 (1), 111-117.
Kamoche, K. und Pina e Cunha, M. (2001). Minimal Structures: From Jazz
Improvisation to Product Innovation. Organization Studies, 22 (5), 733-764.
Kamoche, K., Pina e Cunha, M. und Vieira da Cunha, J. (2003). Towards a Theory
of Organizational Improvisation: Looking Beyond the Jazz Metaphor. Journal
of Management Studies, 40 (8), 2023-2051.
Kaplan, D. (2000). Structural Equation Modeling: Foundations and Extensions.
Kavadias, S. und Loch, C. H. (2003). Optimal Project Sequencing With Recourse at
a Scarce Resource. Production and Operations Management, 12 (4), 433-444.
Keil, M., Truex III, D. P. und Mixon, R. (1995). The effects of sunk cost and project
completion on information technology project escalation. IEEE Transactions
on Engineering Management, 42 (4), 372-381.
Kenny, J. (2003). Effective Project Management for Strategic Innovation and Change
in an Organizational Context. Project Management Journal , 34 (1), 43-53.
Keplinger, W. (1991). Merkmale erfolgreichen Projektmanagements. Graz: dbv-
Verlag.
Kerssens-van Drongelen, I. C. und Bilderbeek, J. (1999). R&D performance meas-
urement: more than choosing a set of metrics. R&D Management, 29 (1),
35-46.
Kerssens-van Drongelen, I. C., Nixon, B. und Pearson, A. (2000). Performance
measurement in industrial R&D. International Journal of Management Reviews,
2 (2), 111-143.
Kessler, E. H. und Chakrabarti, A. K. (1999). Speeding Up the Pace of New Product
Development. Journal of Product Innovation Management, 16 (3), 231-247.
Khurana, A. und Rosenthal, S. R. (1998). Towards holistic “front ends” in new
product development. Journal of Product Innovation Management, 15 (1),
57-74.
Kieser, A. (1974). Der Einfluß der Umwelt auf die Organisationsstruktur der
Unternehmung. Zeitschrift für Organisation, 43 (6), 302-314.
Kim, J. und Wilemon, D. L. (2003). Sources and assessment of complexity in NPD

projects. R & D Management, 33 (1), 15-30.
King, W. R. (1983). Evaluating strategic planning systems. Strategic Management
Journal , 4 (3), 263-277.
Klein, A. G. und Muthen, B. O. (2007). Quasi-Maximum Likelihood Estimation of
Structural Equation Models With Multiple Interaction and Quadratic Effects.
Multivariate Behavioral Research, 42 (4), 647-673.
Kleinbaum, D. G., Kupper, L. L., Muller, K. E. und Nizam, A. (1998). Applied
Regression Analysis and Other Multivariate Methods (2. Aufl.). Pacific Grove,
CA: Duxbury Press.
Kleinschmidt, E. J. und Cooper, R. G. (1991). The Impact of Product Innovativeness
on Performance. Journal of Product Innovation Management, 8 (4), 240-251.
Kline, R. B. (2005). Principles and Practice of Structural Equation Modeling (2.
Aufl.). New York, NY: Guilford Press.
Koch, H. (1982). Integrierte Unternehmensplanung. Wiesbaden: Gabler.
Koch, H. (1993). Planungssysteme. In W. Wittmann, W. Kern, R. Köhler, H.-
Kotzbauer, N. (1992). Erfolgsfaktoren neuer Produkte: Der Einfluß der Innova-
tionshöhe auf den Erfolg technischer Produkte. Frankfurt am Main: Peter
Lang.
Krafft, M., Götz, O. und Liehr-Gobbers, K. (2005). Die Validierung von Struk-
turgleichungsmodellen mit Hilfe des Partial-Least-Squares (PLS)-Ansatzes.
In F. Bliemel, A. Eggert, G. Fassott und J. Henseler (Hg.), Handbuch PLS-
Pfadmodellierung (S. 71-86). Stuttgart: Schäffer-Poeschel.
Krane, W. P. und Slaney, K. L. (2005). A General Introduction to the Common
Factor Model. In A. Maydeu-Olivares und J. J. McArdle (Hg.), Contemporary
Psychometrics: A Festschrift for Roderick P. McDonald. Mahwah, NJ: Lawrence
Erlbaum Associates.
Kreikebaum, H. (1989). Strategische Unternehmensplanung (3. Aufl.). Stuttgart
u.a.: Verlag W. Kohlhammer.
Krieger, A. (2005). Erfolgreiches Management radikaler Innovationen - Autonomie
als Schlüsselvariable. Wiesbaden: Gabler DUV.
Krishnan, V. und Ulrich, K. T. (2001). Product Development Decisions: A Review

of the Literature. Management Science, 47 (1), 1-21.
Krystek, U. und Zumbrock, S. (1993). Planung und Vertrauen. Stuttgart: Schäffer-
Poeschel Verlag.
Kukalis, S. (1991). Determinants of Strategic Planning Systems in Large Organiza-
tions: A Contingency Approach. The Journal of Management Studies., 28 (2),
143-160.
Kumar, A. und Dillon, W. R. (1987). The Interaction of Measurement and Structure
in Simultaneous Equation Models with Unobservable Variables. Journal of
Kuß, A. (2007). Marktforschung : Grundlagen der Datenerhebung und Datenanalyse
(2. Aufl.). Wiesbaden: Betriebswirtschaftlicher Verlag Dr. Th. Gabler.
Kuster, J., Huber, E., Lippmann, R., Schmid, A., Schneider, E., Witschi, U. et al.
(2008). Handwörterbuch Projektmanagement (2. Aufl.). Berlin, Heidelberg:
Springer.
Langley, A. (1989). In Search of Rationality: The Purpose behind the Use of Formal
Analysis in Organizations. Administrative Science Quarterly, 34 (4), 598-531.
Latham, G. P. und Locke, E. A. (1995). Zielsetzung als Führungsaufgabe. In
A. Kieser, G. Reber und R. Wunderer (Hg.), Handwörterbuch der Führung
(S. 2222-2234). Stuttgart: Schäffer-Poeschel.
Latham, G. P. und Winters, D. C. (1994). Cognitive and motivational effects of
participation: a mediator study. Journal of Organizational Behavior , 15 (1),
49-63.
Laufer, A. (1991). Project planning: Timing issues and path of progress. Project
Laufer, A. (1992). A micro view of the project planning process. Construction
Management and Economics, 10 (1), 31-43.
Leavitt, H. J. (1965). Applied Organizational Change in Industry: Structural,
Technological and Humanistic Approaches. In J. G. March (Hg.), Handbook of
Organizations (Bd. II). New York: Garland Publishing Inc.
Lechler, T. (1997). Erfolgsfaktoren des Projektmanagements (W. Gaul und
H. G. Gemünden, Hg.). Frankfurt am Main et al.: Lang.
Lee, M. und Na, D. (1994). Determinants of Technical Success in Product De-

velopment When Innovative Radicalness Is Considered. Journal of Product
Leifer, R., McDermott, C. M., Colarelli O’Connor, F., Peters, L. S., Rice, M. und
Veryzer, R. W. (2000). Radical Innovation - How Mature Companies can
Outsmart Upstarts. Boston, MA: Harvard Business School Press.
Lessler, J. T. und Kalsbeek, W. D. (1992). Nonsampling Error in Surveys. New
York, NY: Wiley.
Lettl, C. (2004). Die Rolle von Anwendern bei hochgradigen Innovationen. Wiesbaden:
Gabler-DUV.
Leus, R. und Herroelen, W. (2004). Stability and resource allocation in project
planning. IIE Transactions, 36 (7), 667-682.
Lewis, M. W. (2000). Exploring paradox: Toward a more comprehensive guide.
Academy of Management Review , 25 (4), 760-776.
Lewis, M. W., Welsh, M. A., Dehler, G. E. und Green, S. G. (2002). Product
development tensions: Exploring contrasting styles of project management.
Academy of Management Journal , 45 (3), 546.
Li, S., Loulou, R. und Rahman, A. (2003). Technological Progress and Technology
Acquisition: Strategic Decision Under Uncertainty. Production and Operations
Management, 12 (1), 102-119.
Liberatore, M. und Titus, G. J. (1989). The R&D Planning-Business Strategy
Connection. Journal of the Socienty of Research Administrators, 20 (4), 17-26.
Lim, C. S. und Mohamed, M. Z. (1999). Criteria of project success: an exploratory
re-examination. International Journal of Project Management, 17 (4), 243-248.
Little, R. J. A. (1988). A Test of Missing Completely at Random for Multivariate
Data with Missing Values. Journal of the American Statistical Association,
83 (404), 1198-1202.
Little, R. J. A. und Rubin, D. B. (1987). Statistical analysis with missing data (1.
Aufl.). New York, NY: Wiley.
Liu, A. M. M. und Walker, A. (1998). Evaluation of project outcomes. Construction
Management and Economics, 16 (2), 209-219.
Lorange, P. und Vancil, R. F. (1976). How to design a strategic planning system.
Harvard Business Review , 54 (5), 75-81.
Lovelace, R. F. (1987). R&D Planning Techniques. R&D Management, 17 (4),

241-251.
Lukas, B. A., Menon, A. und Bell, S. J. (2002). Organizing for new product
development speed and the implications for organizational stress. Industrial
Marketing Management, 31 (4), 349-355.
Lumsden, J. (1976). Test Theory. Annual Review of Psychology, 27 , 251-280.
Lüthje, C. und Herstatt, C. (2004). The Lead User method: an outline of empirical
findings and issues for future research. R&D Management, 34 (5), 553-568.
Lynn, G. S. (1993). Understanding products and markets for radical innovations.
Unveröffentlichte Dissertation, Rensselaer Polytechnic Institute.
Lynn, G. S. und Akgün, A. E. (1998). Innovation strategies under uncertainty: A
contingency approach for new product development. Engineering Management
Journal , 10 (3), 11-17.
Lynn, G. S., Morone, J. G. und Paulson, A. S. (1996). Marketing and discontinuous
innovation: The probe and learn process. California Management Review ,
38 (3), 8-37.
MacCallum, R. C. (1995). Model Specification: Procedures, Strategies, and Related
Issues. In R. H. Hoyle (Hg.), Structural Equation Modeling - Concepts, Issues,
and Applications (S. 16-36). Thousand Oaks, CA: Sage.
MacCallum, R. C., Browne, M. W. und Sugawara, H. M. (1996). Power analysis dnd
determination of sample size for covariance structure modeling, , 2(1), 130-149.
Psychological Methods, 1 (2), 130-149.
MacCormack, A. und Verganti, R. (2003). Managing the sources of uncertainity:
Matching process and context in software development. The Journal of Product
MacCormack, A., Verganti, R. und Iansiti, M. (2001). Developing Products on
’Internet Time’: The Anatomy of a Flexible Development Process. Management
Science, 47 (1), 133-150.
MacKenzie, S. B., Podsakoff, P. M. und Jarvis, C. B. (2005). The Problem of Meas-
urement Model Misspecification in Behavioral and Organizational Research
and Some Recommended Solutions. Journal of Applied Psychology, 90 (4),
710-730.
Mag, W. (1993). Planung und Unsicherheit. In W. Wittmann, W. Kern, R. Köhler, H.-

Maidique, M. und Zirger, B. (1984). A study of success and failure in product
innovation: The case of the U.S. electronics industry. IEEE Transactions on
Malhotra, N. K. (1987). Analyzing Marketing Research Data with Incomplete
Information on the Dependent Variable. Journal of Marketing Research, 24 (1),
74-84.
Mansfield, E. und Wagner, S. (1975). Organizational and Strategic Factors Associated
with Probabilities of Success in Industrial R&D. Journal of Business, 48 (2),
179-198.
Marks, M. A. und Mathieu, S. J., John E.and Zaccaro. (2001). A Temporally
Based Framework and Taxonomy of Team Processes. Academy of Management
Review , 26 (3), 356-376.
Martino, R. L. (1964a). Applied Operational Planning (Bd. II). New York, NY:
American Management Assocation.
Martino, R. L. (1964b). Finding the Critical Path (Bd. I). New York, NY: American
Management Assocation.
Matthes, W. (1989). Maßnahmen- und Ressourcenplanung. In N. Szyperski und
U. Winand (Hg.), Handwörterbuch der Planung (S. 1059-1065). Stuttgart: C.
E. Poeschel Verlag.
McCarthy, I. P., Tsinopoulos, C., Allen, P. und Rose-Andersen, C. (2006). New
Product Development as a Complex Adaptive System of Decisions. Journal of
McComb, S. A., Green, S. G. und Compton, W. D. (2007). Team flexibility’s
relationship to staffing and performance in complex projects: An empirical
analysis. Journal of Engineering and Technology Management, 24 (4), 293-313.
McDermott, C. M. und Colarelli O’Conner, G. (2002). Managing radical innova-
tion: an overview of emergent strategy issues. Journal of Product Innovation
Management, 19 (6), 424-438.
McDonough, E. F., III. (2000). Investigation of Factors Contributing to the Success
of Cross-Functional Teams. Journal of Product Innovation Management, 17 (3),
221-235.
McDonough, E. F., III und Leifer, R. P. (1986). Effective Control of New Product
Projects: The Interaction of Organization Culture and Project Leadership.
Journal of Product Innovation Management, 3 (3), 149-157.
McGinnis, M. A. und Ackelsberg, M. R. (1983). Effective innovation management:
Missing link in strategic planning? Journal of Business Strategy, 4 (1), 59.
McQuitty, S. (2004). Statistical power and structural equation models in business
research. Journal of Business Research, 57 (2), 175-183.
Meffert, H. (1988). Strategische Unternehmensführung und Marketing. Wiesbaden:
Gabler.
Meffert, H. (1992). Marketingforschung und Käuferverhalten (2. Aufl.). Wiesbaden:
Gabler.
Menon, A., Bharadwaj, S. G., Adidam, P. T. und Edison, S. W. (1999). Antecedents
and Consequences of Marketing Strategy Making: A Model and a Test. Journal
of Marketing, 63 (2), 18-40.
Meyer, J. W. und Rowan, B. (1977). Institutionalized Organizations: Formal
Structure as Myth and Ceremony. American Journal of Sociology, 83 (2),
340-363.
Meyer, M. H. und Utterback, J. M. (1995). Product Development Cycle Time and
Commercial Success. IEEE Transactions on Engineering Management, 42 (4),
297-304.
Meyers, P. W. und Tucker, F. G. (1989). Defining Roles for Logistics During Routine
and Radical Technological Innovation. Journal of the Academy of Marketing
Science, 17 (1), 73-82.
Miles, R. E., Snow, C. C., Meyer, A. D. und Coleman, H. J., Jr. (1978). Organizational
Strategy, Structure, and Process. Academy of Management Review , 3 (3), 546-
562.
Miller, D. (1987a). Strategy Making and Structure: Analysis and Implications for
Performance. Academy of Management Journal , 30 (1), 7-32.
Miller, D. (1987b). The structural and environmental correlates of business strategy.
Miller, D. und Friesen, P. H. (1982). Innovation in Conservative and Entrepreneurial
Firms: Two Models of Strategic Momentum. Strategic Management Journal ,
3 (1), 1-25.
Miller, D. und Friesen, P. H. (1983). Strategy-Making and Environment: The Third

Link. Strategic Management Journal , 4 (3), 221-235.
Miller, K. I. und Monge, P. R. (1986). Participation, Satisfaction, and Productivity:
A Meta-Analytic Review. Academy of Management Journal , 29 (4), 727-753.
Milligan, G. W. und Cooper, M. C. (1985). An Examination of Procedures for
Determining the Number of Clusters in a Data Set. Psychometrika, 50 (2),
159-179.
Milosevic, D. Z. (2004). Managing New Product Development Projects. In
P. W. G. Morri und J. K. Pinto (Hg.), The Wiley Guide to Managing Projects
(S. 1287-1314). Hoboken, NJ: John Wiley & Sons, Inc.
Miner, A. S., Bassoff, P. und Moorman, C. (2001). Organizational Improvisation and
Learning: A Field Study. Administrative Science Quarterly, 46 (2), 304-337.
Miner, A. S., Moorman, C. und Bassoff, P. (1997). Organizational Improvisation in
New Product Development (Bericht Nr. 97-110). Marketing Science Institute.
Mintzberg, H. (1973). Strategy-making in three modes. California Management
Review , 16 (2), 44-53.
Mintzberg, H. (1978). Patterns in Strategy Formation. Management Science, 24 (9),
934-948.
Mintzberg, H. (1981). What is Planning Anyway? Strategic Management Journal ,
2 (3), 319-324.
Mintzberg, H. (1990). Strategy Formation: Schools of Thought. In J. W. Fredrickson
(Hg.), Perspectives on strategic management (S. 105-235). New York, NY:
Harper Business.
Mintzberg, H. (1999). Five Ps for Strategy. In H. Mintzberg, J. B. Quinn und
S. Ghoshal (Hg.), The Strategy Process (S. 13-21). Harlow u.a.: Financial
Times Prentice Hall.
Mintzberg, H., Quinn, J. B. und Ghoshal, S. (1999). The Strategy Process. Harlow
u.a.: Financial Times Prentice Hall.
Mintzberg, H., Raisinghani, D. und Theoret, A. (1976). The structure of unstructured
decision processes. Administrative Science Quarterly, 21 (2), 246-275.
Mitchell, T. R. (1973). Motivation and Participation: An Integration. Academy of
Moder, J. J. (1988). Network Techniques in Project Management. In D. I. Cleland

und W. R. King (Hg.), Project Management Handbook (2nd Aufl., S. 324-373).
New York: Van Nostrand Reinhold.
Möhrle, M. G. und Isenmann, R. (Hg.). (2007). Technologie-Roadmapping: Zukunfts-
strategien für Technologieunternehmen (3. Aufl.). Berlin: Springer.
Möhrle, M. G. und Pannenbäcker, T. (1997a). Das Konzept der Problemzentrierten
Invention. Wissenschaftsmanagement, 3 (5), 232-240.
Möhrle, M. G. und Pannenbäcker, T. (1997b). Problem-Driven Inventing: a Concept
for Strong Solutions to Inventive Tasks. Creativity and Innovation Management,
6 (4), 234-248.
Montoya-Weiss, M. M. und Calantone, R. (1994). Determinants of new product
performance: A review and meta-analysis. Journal of Product Innovation
Management, 11 (5), 397-417.
Moorman, C. und Miner, A. S. (1995). Walking the Tightrope: Improvisation and
Information Use in New Product Development (Bericht Nr. 95-101). Marketing
Science Institute.
Moorman, C. und Miner, A. S. (1998a). The convergence of planning an execution:
Improvisation in new product development. Journal of Marketing, 62 (3), 1-20.
Moorman, C. und Miner, A. S. (1998b). Organizational Improvisation and Organi-
zational Memory. Academy of Management Review , 23 (4), 698-723.
Morris, P. W. G. und Hough, G. H. (1993). The anatomy of major projects.
Chichester: Wiley.
Mueser, R. (1985). Identifying Technical Innovations. IEEE Transactions on
Müller, D. (2008). Bestimmungsfaktoren der Improvisation im Unternehmen. Zeit-
schrift für Planung & Unternehmenssteuerung, 18 (3), 255-277.
Myers, C. W. und Devey, M. R. (1984). How Management Practices can Affect Project
Outcomes: An Exploration of the PPS Database (Bericht). Santa Monica, CA:
Rand Corporation.
Naveh, E. (2005). The effect of integrated product development on efficiency and
innovation. International Journal of Production Research, 43 (13), 2789-2808.
Naveh, E. (2007). Formality and discretion in successful R&D projects. Journal of
Operations Management, 25 (1), 110-125.
Nevitt, J. und Hancock, G. R. (2001). Performance of Bootstrapping Approaches to

Model Test Statistics and Parameter Standard Error Estimation in Structural
Equation Modeling. Structural Equation Modeling, 8 (3), 353-377.
Nijssen, E. J., Hillebrand, B., Vermeulen, P. A. und Kemp, R. G. (2006). Exploring
product and service innovation similarities and differences. International
Journal of Research in Marketing, 23 (3), 241-251.
Normann, R. (1971). Organizational Innovativeness: Product Variation and Reorien-
tation. Administrative Science Quarterly, 16 (2), 203-215.
Novak, S. und Eppinger, S. D. (2001). Sourcing By Design: Product Complexity
and the Supply Chain. Management Science, 47 (1), 189-204.
Nutt, P. C. (1977). An experimental comparison of the effectiveness of three planning
methods. Management Science, 23 (5), 499.
Nutt, P. C. (1982). Hybrid planning methods. Academy of Management Review ,
7 (3), 442.
Nutt, P. C. (1984). Types of organizational decision processes. Administrative
Science Quarterly, 29 (3), 414-450.
Ogasawara, H. (2003). Correlations Among Maximum Likelihood and Weight-
ed/Unweighted Least Squares Estimators in Factor Analysis. Behaviormetrika,
30 (1), 63-86.
O’Leary-Kelly, S. W. und Vokurka, R. J. (1998). The empirical assessment of
construct validity. Journal of Operations Management, 16 (4), 387-405.
Olson, E. M., Walker, O. C. und Ruekert, R. W. (1995). Organizing for effective new
product development: The moderating role of product innovativeness. Journal
of Marketing, 59 (1), 48-62.
Organ, D. W. und Greene, C. N. (1981). The Effects of Formalization on Professional
Involvement: A Compensatory Process Approach. Administrative Science
Quarterly, 26 (2), 237-252.
Papadakis, V. M. (1998). Strategic investment decision processes and organizational
performance. British Journal of Management, 9 (2), 115-132.
Pascale, R. T. (1999). Surfing the Edge of Chaos. Sloan Management Review , 40 (3),
83-94.
Pearce, J. A., II, Freeman, B., Elizabeth und Robinson, R. B., Jr. (1987). The
Tenuous Link Between Formal Strategic Planning and Financial Performance.
Academy of Management Review , 12 (4), 658-675.
Pearce, J. A., II, Robbins, D. K. und Robinson, R. B., Jr. (1987). The impact
of grand strategy and planning formality on financial performance. Strategic
Penrose, E. E. T. (1959). The Theory of the Growth of the Firm. Oxford: Blackwell.
Perrow, C. (1967). A Framework for the Comparative Analysis of Organizations.
American Sociological Review , 32 (2), 194-208.
Peter, J. P. (1979). Reliability: A Review of Psychometric Basics and Recent
Marketing Practices. Journal of Marketing Research, 16 (1), 6-17.
Peter, J. P. (1981). Construct Validity: A Review of Basic Issues and Marketing
Practices. Journal of Marketing Research, 18 (2), 133-145.
Peter, J. P. und Churchill, J., Gilbert A. (1986). Relationships Among Research
Design Choices and Psychometric Properties of Rating Scales: A Meta-Analysis.
Journal of Marketing Research, 23 (1), 1-10.
Peterson, R. A. (1994). A Meta-analysis of Cronbach’s Coefficient Alpha. Journal
of Consumer Research, 21 (2), 381-391.
Pich, M. T., Loch, C. H. und De Meyer, A. (2002). On Uncertainty, Ambiguity, and
Complexity in Project Management. Management Science, 48 (8), 1008-1023.
Pina e Cunha, M. und Vieira da Cunha, J. (2002). To plan and not to plan: Toward a
synthesis between planning and learning. International Journal of Organization
Theory and Behavior , 5 (3/4), 299-315.
Pina e Cunha, M., Vieira da Cunha, J. und Kamoche, K. (1999). Organizational
improvisation: what, when, how and why. International Journal of Management
Reviews, 1 (3), 299-341.
Pinch, T. und Bijker, W. E. (1989). The social construction of facts and artifacts.
In W. E. Bijker, T. Hughes und T. Pinch (Hg.), The social construction of
technological systems: new directions in the sociology and history of technology.
Cambridge, MA: MIT Press.
Pinkenburg, H. F. W. (1980). Projektmanagement als Führungskonzeption in
Prozessen tiefgreifenden organisatorischen Wandels. München: Planungs- und
Organisationswissenschaftliche Schriften.
Pinto, J. K. (1986). Project Implementation: A Determination of its Critical Success
Factors, Moderators, and Their Relative Importance Across the Project Life
Cycle. Unveröffentlichte Dissertation, University of Pittsburgh.
Pinto, J. K. und Prescott, J. E. (1990). Planning and tactical factors in the project
implementation process. Journal of Management Studies, 27 (3), 305-327.
Pinto, J. K. und Slevin, D. P. (1988a). Critical success factors across the project life
cycle. Project Management Journal , 19 (3), 67-75.
Pinto, J. K. und Slevin, D. P. (1988b). Critical Success Factors in Effective Project
Implementation. In D. I. Cleland und W. R. King (Hg.), Project Management
Handbook (2nd Aufl., S. 479-512). New York: Van Nostrand Reinhold.
Pleschak, F. und Sabisch, H. (1996). Innovationsmanagement. Stuttgart: Schäffer-
Poeschel.
Prescott, J. E. (1986). Environments as Moderators of the Relationship Between
Strategy and Performance. Academy of Management Journal , 29 (2), 329.
Priem, R. L., Rasheed, A. M. A. und Kotulic, A. G. (1995). Rationality in strategic
decision processes, environment dynamism, and performance. Journal of
Management, 21 (5), 913-929.
Quinn, J. B. (1978). Strategic change: ’Logical Incrementalism’. Sloan Management
Review , 20 (1), 7-21.
Raisch, S. (2008). Balanced Structures: Designing Organizations for Profitable
Growth. Long Range Planning, 41 (5), 483-508.
Ramanujam, V. und Venkatraman, N. (1987a). Planning and Performance: A New
Look at an Old Question. Business Horizons, 30 (3), 19-25.
Ramanujam, V. und Venkatraman, N. (1987b). Planning System Characteristics
and Planning Effectiveness. Strategic Management Journal , 8 (5), 453-468.
Ramanujam, V., Venkatraman, N. und Camillus, J. C. (1986). Multi-objective assess-
ment of effectiveness of strategic planning: A discriminant analysis approach.
Regier, S. (2007). Markterfolg radikaler Innovationen. Wiesbaden: Gabler-DUV.
Rehesaar, H. und Beames, E. (1998). Project plans and time budgets in information
systems projects. In Software Engineering: Education & Practice (S. 120-124).
Dunedin, New Zealand.
Reinartz, W., Krafft, M. und Hoyer, W. D. (2004). The Customer Relationship
Management Process: Its Measurement and Impact on Performance. Journal
of Marketing Research, 41 (3), 293-305.
Rice, M. P., O’Connor, G. C., Peters, L. S. und Morone, J. G. (1998). Managing
discontinuous innovation. Research Technology Management, 41 (3), 52-58.
Rieck, R. M. und Dickson, K. E. (1993). A Model of Technology Strategy. Technology

Analysis & Strategic Management, 5 (4), 397-412.
Rindskopf, D. (1984). Using phantom and imaginary latent variables to parameterize
constraints in linear structural models. Psychometrika, 49 (1), 37-47.
Roberts, T. L., Cheney, P. H. und Sweeney, P. D. (2002). Project Chararcteristics and
Group Communication: An Investigation. IEEE Transactions on Professional
Communication, 45 (2), 84-98.
Roberts, T. L., Cheney, P. H., Sweeney, P. D. und Hightower, R. T. (2005). The
Effects of Information Technology Project Complexity on Group Interaction.
Journal of Management Information Systems, 21 (3), 223-247.
Robertson, D. und Allen, T. J. (1993). CAD Use and Engineering Performance.
IEEE Transactions on Engineering Management, 40 (3), 274-282.
Robertson, T. S. (1967). The Process of Innovation and the Diffusion of Innovation.
Journal of Marketing, 31 (1), 14-19.
Rogelberg, S. G., Barnes-Farrell, J. L. und Lowe, C. A. (1992). The Stepladder Tech-
nique: An Alternative Group Structure Facilitating Effective Group Decision
Making. Journal of Applied Psychology, 77 (5), 730-737.
Rogers, E. M. (1995). Diffusion of innovations. New York: Free Press.
Rosenau, M. D., Jr. (1992). Successful Project Management. New York, NY: Van
Nostrand Reinhold.
Rossiter, J. R. (2002). The C-OAR-SE procedure for scale development in marketing.
International Journal of Research in Marketing, 19 (4), 305-335.
Rothwell, R., Freeman, C., Horlsey, A., Jervis, V. T. P., Robertson, A. B. und
Townsend, J. (1974). SAPPHO updated - project SAPPHO phase II. Research
Policy, 3 (3), 258-291.
Rothwell, R. und Gardiner, P. (1988). Re-Innovation and Robust Designs: Producer
and User Benefits. Journal of Marketing Management, 3 (3), 372-387.
Roussel, P. A., Saad, K. N. und Erickson, T. J. (1991). Third Generation R&D.
Boston, MA: Harvard Business School Press.
Roux-Dufort, C. und Vidaillet, B. (2003). The Difficulties of Improvising in a
Crisis Situation. International Studies of Management & Organization, 33 (1),
86-115.
Rubenstein, A. H., Chakrabarti, A. K., O’Keefe, R. D., Souder, W. E. und Young,

H. C. (1976). Factors Influencing Innovation Success at the Project Level.
Research Management, 19 , 15-20.
Rubin, D. B. (1987). Multiple Imputation for Nonresponse in Surveys. New York
u.a.: John Wiley & Sons.
Rühli, E. (1989). Funktionen der Planung. In N. Szyperski und U. Winand (Hg.),
Rüsberg, K.-H. (1976). Praxis des Project- und Multiproject-Management (3. Aufl.).
München: Verlag Moderne Industrie.
Sabherwal, R. und King, W. R. (1995). An Empirical Taxonomy of the Decision-
Making Processes Concerning Strategic Applications of Information Systems.
Journal of Management Information Systems, 11 (4), 177-214.
Salaman, G. und Storey, J. (2002). Managers’ theories about the process of innovation.
The Journal of Management Studies, 39 (2), 147-165.
Salomo, S. (2003). Konzept und Messung des Innovationsgrades - Ergebnisse einer
empirischen Studie zu innovativen Entwicklungsvorhaben. In M. Schwaiger
und D. Harhoff (Hg.), Empirie und Betriebswirtschaft (S. 399-427). Stuttgart:
Schäffer-Poeschel.
Salomo, S., Weise, J. und Gemünden, H. G. (2007). NPD Planning Activities and
Innovation Performance: The Mediating Role of Process Management and the
Moderating Effect of Product Innovativeness. Journal of Product Innovation
Management, 24 (4), 285-302.
Sandau, J. und Herstatt, C. (2006). Effectiveness of R&D project selection in
uncertain environments: An empirical study in the German Automotive Supplier
industry. In Proceedings of the R&D Management Conference 2006. Lake
Windermere, Cumbria.
Sarkees, M. und Hulland, J. (2009). Innovation and efficiency: It is possible to have
it all. Business Horizons, 52 (1), 45-55.
Sashittal, H. C. und Tankersley, C. (1997). The Strategic Market Planning-
Implementation Interface in Small and Midsized Industrial Firms: An Ex-
ploratory Study. Journal of Marketing Theory and Practice, 5 (3), 77-92.
Satorra, A. und Bentler, P. M. (2001). A Scaled Difference Chi-Square Test Statistic
for Moment Structure Analysis. Psychometrika, 66 (4), 507-514.
Schafer, J. L. und Graham, J. W. (2002). Missing Data: Our View of the State of
the Art. Psychological Methods, 7 (2), 147-177.
Schäffer, U. und Willauer, B. (2002). Kontrolle, Effektivität der Planung und Erfolg
von Geschäftseinheiten - Ergebnisse einer empirischen Erhebung. Zeitschrift
für Planung, 13 (1), 73-97.
Schenkel, B. (2006). Die Qualität der marktbezogenen Planung. Wiesbaden: Gabler
DUV.
Schewe, G. (1992). Imitationsmanagement. Stuttgart: Schäffer-Poeschel.
Schilling, M. A. (2008). Strategic Management of Technological Innovation. New
York: McGraw-Hill.
Schilling, M. A. und Hill, C. W. L. (1998). Managing the new product development
process: Strategic imperatives. Academy of Management Executive, 12 (3),
67-81.
Schippers, M. C. und Den Hartog, D. N. (2007). Reflexivity in Teams: A Measure
and Correlates. Applied Psychology: An International Review , 56 (2), 189-211.
Schlaak, T. M. (1999). Der Innovationsgrad als Schlüsselvariable. Wiesbaden: Gabler
DUV.
Schmidheiny, S. (1992). Changing course: a global business perspective on development
and the environment. Cambridge, MA: MIT-Press.
Schneeweiß, H. (1990). Ökonometrie (4. Aufl.). Heidelberg: Physica-Verlag.
Schnell, R. (1986). Missing-Data-Probleme in der empirischen Sozialforschung.
Bochum.
Schnell, R. (1997). Nonresponse in Bevölkerungsumfragen: Ausmaß, Entwicklung
und Ursachen. Opladen: Leske + Budrich.
Scholderer, J., Balderjahn, I. und Paulssen, M. (2006). Kausalität, Linearität,
Reliabilität: Drei Dinge, die Sie nie über Strukturgleichungsmodelle wissen
wollten. Die Betriebswirtschaft, 66 (6), 640-650.
Schoonhoven, C. B. (1981). Problems with Contingency Theory: Testing Assumptions
Hidden within the Language of Contingency ’Theory’. Administrative Science
Quarterly, 26 (3), 349-377.
Schulte Nordholt, E. (1998). Imputation: Methods, Simulation Experiments and
Practical Examples. International Statistical Review , 66 (2), 157-180.
Schumacker, R. E. und Beyerlein, S. T. (2000). Confirmatory Factor Analysis With

Different Correlation Types and Estimation Methods. Structural Equation
Modeling, 7 (4), 629-636.
Schumacker, R. E. und Lomax, R. G. (2004). A Beginner’s Guide to Structural
Equation Modeling (2. Aufl.). Mahwah, NJ: Lawrence Erlbaum Associates.
Schwartz, M. A. (1978). The Imitation and Diffusion of Industrial Innovations.
Unveröffentlichte Dissertation, University of Pennsylvania.
Scott, G. (2001). Strategic Planning for High-Tech Product Development. Technology
Analysis & Strategic Management, 13 (3), 343-364.
Segars, A. H. (1994). Strategic information systems planning: The coalignment of
planning system design, its relationship with organizational context, and impli-
cations for planning system success. Unveröffentlichte Dissertation, University
of South Carolina.
Segars, A. H., Grover, V. und Teng, J. T. C. (1998). Strategic Information Systems
Planning: Planning system dimensions, Internal Coalignment, and Implications
for Planning Effectiveness. Decision Sciences, 29 (2), 303-345.
Senge, P. M. (1997). The Fith Discipline - The Art & Practice of The Learning
Organization. London: Century.
Sethi, R. und Nicholson, C. Y. (2001). Structural and contextual correlates of
charged behavior in product development teams. Journal of Product Innovation
Management, 18 (3), 154-168.
Shapira, A. und Laufer, A. (1993). Evolution of involvement and effort in construction
planning throughout project life. International Journal of Project Management,
11 (3), 155.
Shapira, A., Laufer, A. und Shenhar, A. J. (1994). Anatomy of decision making in
project planning teams. International Journal of Project Management, 12 (3),
172.
Sharma, S., Durand, R. M. und Gur-Arie, O. (1981). Identification and Analysis of
Moderator Variables. Journal of Marketing Research, 18 (3), 291-300.
Shenhar, A. J. (2001). One Size Does Not Fit All Projects: Exploring Classical
Contingency Domains. Management Science, 47 (3), 394-414.
Shenhar, A. J. und Dvir, D. (1996). Toward a typological theory of project manage-
ment. Research Policy, 25 (4), 607-632.
Shenhar, A. J. und Dvir, D. (2004). How Projects Differ, and What to do About
it. In P. W. G. Morris und J. K. Pinto (Hg.), The Wiley Guide to Managing
Shenhar, A. J., Dvir, D., Levy, O. und Maltz, A. C. (2001). Project Success: A
Multidimensional Strategic Concept. Long Range Plannning, 34 (6), 699-725.
Shenhar, A. J., Tishler, A., Dvir, D., Lipovetsky, S. und Lechler, T. (2002). Refining
the search for project success factors: a multivariate, typological approach.
R&D Management, 32 (2), 111-126.
Shrivastava, P. und Grant, J. H. (1985). Empirically Derived Models of Strategic
Decision-making Processes. Strategic Management Journal , 6 (2), 97-113.
Sicotte, H. und Langley, A. (2001). Integration mechanisms and R&D project
performance. Journal of Engineering and Technology Management, 17 (1),
1-37.
Simons, T., Pelled, L. H. und Smith, K. A. (1999). Making use of difference: Diversity,
debate, and decision comprehensiveness in top management teams. Academy
of Management Journal , 42 (6), 662-673.
Sinha, K., Deepak. (1990). The Contribution of Formal Planning to Decisions.
Slevin, D. P. und Covin, J. G. (1997). Strategy formation patterns, performance,
and the significance of context. Journal of Management, 23 (2), 189.
Smith, P. G. und Reinertsen, D. G. (1992). Shortening the Product Development
Cycle. Research Technology Management, 35 (3), 44-59.
Sniezek, J. A. (1992). Groups under Uncertainty: An Examination of Confidence
in Group Decision Making. Organizational Behavior and Human Decision
Processes, 52 (1), 124-155.
Song, M. X. und Montoya-Weiss, M. M. (1998). Critical development activities
for really new versus incremental products. Journal of Product Innovation
Management, 15 (2), 124-135.
Song, M. X. und Montoya-Weiss, M. M. (2001). The effects of perceived technological
uncertainty on japanese new product development. Academy of Management
Journal , 44 (1), 61-80.
Song, M. X. und Parry, M. E. (1997a). A cross-national comparative study of
new product development processes: Japan and the united states. Journal of
Marketing, 61 (2), 1-18.
Song, M. X. und Parry, M. E. (1997b). The determinants of Japanese new product

successes. Journal of Marketing Research, 34 (1), 64-76.
Souder, W. E. (1987). Managing New Product Innovations. Lexington, MA: Lexington
Books.
Souder, W. E. und Chakrabarti, A. K. (1978). The R&D/Marketing Interface:
Results from an Empirical Study of Innovation Projects. IEEE Transactions
on Engineering Management, 25 (4), 88-93.
Souder, W. E., Sherman, J. D. und Davies-Cooper, R. (1998). Environmental
Uncertainty, Organizational Integration, and New Product Development Ef-
fectiveness: A Test of Contingency Theory. Journal of Product Innovation
Management, 15 (6), 520-533.
Souder, W. E. und Song, M. X. (1997). Contingent product design and marketing
strategies influencing new product success and failure in u.s. and japanese
electronics firms. Journal of Product Innovation Management, 14 (1), 21-34.
Souder, W. E. und Song, M. X. (1998). Analyses of U.S. and Japanese management
processes associated with new product success and failure in high and low
familiarity markets. Journal of Product Innovation Management, 15 (3), 208-
223.
Specht, G. und Beckmann, C. (1996). F&E-Management. Stuttgart: Schäffer-
Poeschel.
Speed, R. (1994). Environmental Context and Marketing Planning Processes. Journal
of Marketing Management, 10 (7), 667-677.
Spinner, M. P. (1992). Elements of Project Management - Plan, Schedule & Control
(2. Aufl.). Englewood Cliffs: Prentice Hall.
Stalk, G. und Hout, T. M. (1990). Zeitwettbewerb: Schnelligkeit entscheidet auf den
Märkten der Zukunft. Frankfurt/Main: Campus-Verlag.
Stein, J. (1981). Strategic Decision Methods. Human Relations, 34 (11), 917-933.
Steinhoff, F. (2006). Kundenorientierung bei hochgradigen Innovationen. Wiesbaden:
Gabler DUV.
Steinmann, H. und Schreyögg, G. (1989). Mitwirkungsmuster an Planung. In
N. Szyperski und U. Winand (Hg.), Handwörterbuch der Planung (S. 1151-
1161). Stuttgart: C. E. Poeschel Verlag.
Stockstrom, C. und Herstatt, C. (2008). Planning and uncertainty in new product
development. R&D Management, 38 (5), 480-490.
Story, V., Smith, G. und Saker, J. (2001). Developing Appropriate Measures of New
Product Development: A Contingency-Based Approach. International Journal
of Innovation Management, 5 (1), 21-47.
Sullivan, J., Cornelius H. (1985). Systems Planning in the Information Age. Sloan
Tatikonda, M. V. (1999). An Empirical Study of Platform and Derivative Product
Development Projects. Journal of Product Innovation Management, 16 (1),
3-26.
Tatikonda, M. V. und Montoya-Weiss, M. M. (2001). Integrating operations and
marketing perspectives of product innovation: The influence of organizational
process factors and capabilities on development performance. Management
Science, 47 (1), 151-172.
Tatikonda, M. V. und Rosenthal, S. R. (2000a). Successful execution of product
development projects: Balancing firmness and flexibility in the innovation
process. Journal of Operations Management, 18 (4), 401-425.
Tatikonda, M. V. und Rosenthal, S. R. (2000b). Technology novelty, project
complexity, and product development project execution success: A deeper look
at task uncertainty in product innovation. IEEE Transactions on Engineering
Management, 47 (1), 74-87.
Teece, D. J., Pisano, G. und Shuen, A. (1997). Dynamic capabilities and strategic
management. Strategic Management Journal , 18 (7), 509-533.
Thamhain, H. J. (1990). Managing Technologically Innovative Team Efforts Toward
New Product Success. Journal of Product Innovation Management, 7 (1), 5-18.
Thamhain, H. J. und Wilemon, D. L. (1987). Building High Performing Engineering
Project Teams. IEEE Transactions on Engineering Management, 34 (3), 130-
137.
Thieme, J. R., Song, M. X. und Shin, G.-C. (2003). Project Management Character-
istics and New Product Survival. Journal of Product Innovation Management,
20 , 104-119.
Thiry, M. (2004). Program Management: A Strategic Decision Management Process.
Thomas, L. C. (2002). The nature and dynamics of counter-implementation in

strategic marketing: a propositional inventory. Journal of Strategic Marketing,
10 (3), 189-204.
Thomke, S. (1997). The role of flexibility in the development of new products: An
empirical study. Research Policy, 26 (1), 105-119.
Thomke, S. und Fujimoto, T. (2000). The Effect of ”Front-Loading”Problem-
Solving on Product Development Performance. Journal of Product Innovation
Management, 17 (2), 128-142.
Thomke, S. und Reinertsen, D. (1998). Agile Product Development: Managing
Development Flexibility in Uncertain Environments. California Management
Review , 41 (1), 8-30.
Thompson, J. D. (1967). Organizations in Action: Social Science Bases of Adminis-
trative Theory. New York, NY: McGraw-Hill.
Tidd, J. (1995). Development of Novel Products Through Intraorganizational and
Interorganizational Networks. The Case of Home Automation. Journal of
Tidd, J. (2001). Innovation management in context: environment, organization and
performance. International Journal of Management Reviews, 3 (3), 169-183.
Tidd, J. und Bodley, K. (2002). The influence of project novelty on the new product
development process. R & D Management, 32 (2), 127-138.
Tjosvold, D., Tang, M. M. L. und West, M. A. (2004). Reflexivity for Team Innovation
in China: The Contribution of Goal Interdependence. Group Organization
Management, 29 (5), 540-559.
Tonicha, S. (2008). Industrial Project Management. Berlin, Heidelberg: Springer.
Tuman, Jr., J. (1988). Development and Implementation of Project Management
Systems. In D. I. Cleland und W. R. King (Hg.), Project Management Handbook
(2. Aufl., S. 652-691). New York, NY: Van Nostrand Reinhold.
Turner, J. R. und Cochrane, R. A. (1993). Goals-and-methods matrix: coping with
projects with ill defined goals and/or methods of achieving them. International
Tushman, M. L. und Anderson, P. (1986). Technological Discontinuities and
Organizational Environments. Administrative Science Quarterly, 31 (3), 439-
465.
Tushman, M. L. und Nadler, D. A. (1978). Information Processing as an Integrating

Concept in Organizational Design. Academy of Management Review , 3 (3),
613-624.
Tushman, M. L. und Nadler, D. A. (1986). Organizing for Innovation. California
Uhlmann, L. (1978). Der Innovationsprozeß in westeuropäischen Industrieländern.
Berlin: Duncke & Humblot.
Ulrich, K. T. und Eppinger, S. D. (2004). Product design and development (3. Aufl.).
New York: McGraw-Hill.
Urban, G. L., Hauser, J. R., Quals, W. J., Weinberg, B. D., Bohlmann, J. D. und
Chicos, R. A. (1997). Information acceleration: validation and lessons from
the field. Journal of Marketing Research, 34 (1), 143-153.
Urban, G. L., Weinberg, B. D. und Hauser, J. R. (1996). Premarket forecasting of
really-new products. Journal of Marketing, 60 (1), 47-60.
Utterback, J. M. und Abernathy, W. J. (1975). A dynamic model of process and
product innovation. Omega, 3 (6), 639-656.
Utterback, J. M., Allen, T. J., Hollomon, J. H. und Sirbu, Jr., M. A. (1976).
The Process of Innovation in Five Industries in Europe and Japan. IEEE
Transactions On Engineering Management, 23 (1), 3-9.
Van de Ven, A. H., Delbecq, A. L. und Koenig, R., Jr. (1976). Determinants of
Coordination Modes within Organizations. American Sociological Review ,
41 (2), 322-338.
Van de Ven, A. H., Polley, D. E., Garud, R. und Venkataraman, S. (1999). The
Innovation Journey. New York, NY: Oxford University Press.
van Genuchten, M. (1991). Why is Software Late? An Empirical Study of Reasons For
Delay in Software Development. IEEE Transactions on Software Management,
17 (6), 582-590.
Venkatraman, N. (1989). The Concept of Fit in Strategy Research: Toward Verbal and
Statistical Correspondence. Academy of Management Review , 14 (3), 432-444.
Venkatraman, N. (1990). Performance Implications of Strategic Coalignment: A
Methodological Perspective. Journal of Management Studies, 27 (1), 19-41.
Vera, D. und Crossan, M. M. (2004). Theatrical Improvisation: Lessons for Organi-
zations. Organization Studies, 25 (5), 727-749.
Vera, D. und Crossan, M. M. (2005). Improvisation and Innovative Performance in

Teams. Organization Science, 16 (3), 203-224.
Verganti, R. (1999). Planned flexibility: Linking anticipation and reaction in product
development projects. Journal of Product Innovation Management, 16 (4),
363-376.
Verona, G. (1999). A resource-based view of product development. Academy of
Verworn, B. (2005). Die frühen Phasen der Produktentwicklung: Eine empirische
Analyse in der Mess-, Steuer- und Regelungstechnik. Wiesbaden: Gabler DUV.
Verworn, B. und Herstatt, C. (2002). The innovation process: an introduction to
process models (Bericht). Hamburg: TU Hamburg-Harburg. (Arbeitspapier Nr.
12)
Verworn, B., Herstatt, C. und Nagahira, A. (2008). The fuzzy front end of Japanese
new product development projects: impact on success and differences between
incremental and radical projects. R&D Management, 38 (1), 1-19.
Veryzer, J., Robert W. (1998). Discontinuous Innovation and the New Product
Development Process. Journal of Product Innovation Management, 15 (4),
304-321.
Vieira Da Cunha, J., Kamoche, K. und Pina e Cunha, M. (2003). Organizatinoal
improvisation: a contextual approach. International Review of Sociology, 13 (3),
567-589.
Voigt, K.-I. (1993). Strategische Unternehmensplanung - Grundlagen, Konzepte,
Anwendungen. Wiesbaden: Gabler.
Volberda, H. W., Baden-Fuller, C. und van den Bosch, F. A. J. (2001). Mastering
Strategic Renewal: Mobilising Renewal Journeys in Multi-unit Firms. Long
Range Planning, 34 (2), 159-178.
von Hippel, E. (1986). Lead users: a source of novel product concepts. Management
Science, 32 (7), 791-805.
Wagner III, J. A. und Gooding, R. Z. (1987). Shared influence and organization-
al behavoir: a meta-analysis of situational variables expected to moderate
participation-outcome relationships. Academy of Management Journal , 30 (3),
524-541.
Walsh, J. P. und Dewar, R. D. (1987). Formalization and the Organizational Life
Cycle. Journal of Management Studies, 24 (3), 215-231.
Ward, A., Liker, J. K., Cristiano, J. J. und Sobeck II, D. K. (1995). The second
Toyota paradox: How delaying decisions can make better cars faster. Sloan
Weber, J. (2004). Einführung in das Controlling. Stuttgart: Schäffer-Poeschel.
Weick, K. E. (1993). The Collapse of Sensemaking in Organizations: The Mann
Gulch Disaster. Administrative Science Quartlery, 38 (4), 628-652.
Weick, K. E. (1998). Improvisation as a Mindset for Organizational Analysis.
Weick, K. E. (2001). Making Sense of the Organization. Malden, MA: Blackwell.
Weise, J. (2005). Planung und Steuerung von Innovationsprojekten. Wiesbaden:
Gabler DUV.
Welge, M. K. und Al-Laham, A. (2001). Strategisches Management - Grundlagen,
Prozesse, Imlementierung (3. Aufl.). Wiesbaden: Gabler.
Wernerfelt, B. (1984). A Resource-based View of the Firm. Strategic Management
Journal , 5 (2), 171-180.
West, M. A. (1996). Handbook of Work Group Psychology. In M. A. West (Hg.),
(S. 555-579). Chichester: John Wiley & Sons.
West, S. G., Finch, J. F. und Curran, P. J. (1995). Structural Equation Models
With Nonnormal Variables: Problems and Remedies. In R. H. Hoyle (Hg.),
Structural Equation Modeling - Concepts, Issues, and Applications (S. 56-75).
Whalen, P. J. (2007). Strategic and Technology Planning on a Roadmapping
Foundation. Research Technology Management, 50 (3), 40-51.
Wheelwright, S. C. und Clark, K. B. (1992a). Creating Project Plans to Focus
Product Development. Harvard Business Review , 70 (2), 70-82.
Wheelwright, S. C. und Clark, K. B. (1992b). Revolutionizing Product Development.
New York, NY: Free Press.
Wild, J. (1974). Grundlagen der Unternehmensplanung. Reinbek: Rowohlt.
Williams, T. M. (1999). The need for new paradigms for complex projects. Interna-
tional Journal of Project Management, 17 (5), 269-273.
Wiskow, B. (1999). Die Verkürzung der Produktentwicklungszeit aus anreiztheoreti-
scher Sicht. München et al.: Hampp.
Witte, E. (1988). Lehrgeld für empirische Forschung. In E. Witte, J. Hauschildt und

O. Grün (Hg.), Innovative Entscheidungsprozesse: Ergebnisse des Projektes
Columbus“ (S. 312-321). Tübingen: Mohr.
”
Wöhe, G. (1996). Einführung in die Allgemeine Betriebswirtschaftslehre (19. Aufl.).
München: Vahlen.
Womack, J. P., Jones, D. T. und Roos, D. (1990). The Machine that Changed the
World. New York, NY: HarperCollins.
Wonglimpiyarat, J. (2005). Does complexity affect the speed of innovation? Techno-
vation, 25 (8), 865-882.
Wozniak, T. M. (1993). Significance vs. Capability: “Fit for Use“ Project Controls.
Transactions of AACE International , 37 (1), A.2.1-A2.8.
Wysocki, R. K. (2003). Effective Project Management. Indianapolis: Wiley.
Ximénez, C. (2006). A Monte Carlo Study of Recovery of Weak Factor Loadings in
Confirmatory Factor Analysis. Structural Equation Modeling, 13 (4), 587-614.
Yoon, E. und Lilien, G. L. (1985). New Industrial Product Performance: The
Effects of Market Characteristics and Strategy. Journal of Product Innovation
Management, 2 (3), 134-144.
Zack, M. H. (2000). Jazz Improvisation and Organizing: Once More from the Top.
Zahn, E. (1991). Innovation und Wettbewerb. In D. Müller-Böling, D. Seibt und
U. Winand (Hg.), Innovations- und Technologiemanagement. Stuttgart: C. E.
Poeschel Verlag.
Zahn, E. und Weidler, A. (1995). Integriertes Innovationsmanagement. In E. Zahn
(Hg.), Handbuch Technologiemanagement (S. 351-376). Stuttgart: Schäffer-
Poeschel.
Zahra, S. A. (1996). Technology strategy and new venture performance: A study
of corporate-sponsored and independent biotechnology ventures. Journal of
Business Venturing, 11 (4), 289-321.
Zahra, S. A., Neubaum, D. O. und El-Hagrassey, G. M. (2002). Competitive
analysis and new venture performance: Understanding the impact of strategic
uncertainty and venture origin. Entrepreneurship Theory and Practice, 27 (1),
1-28.
Zedeck, S. (1971). Problems with the use of ’moderator’ variables. Psychological
Bulletin, 76 (4), 295-310.
Zeithaml, V. A., Parasuraman, A. und Berry, L. L. (1985). Problems and Strategies

in Services Marketing. Journal of Marketing, 49 (2), 33-46.
Zeithaml, V. A., Varadarajan, P. R. und Zeithaml, C. P. (1988). The Contingency
Approach: Its Foundations and Relevance to Theory Building and Research in
Marketing. European Journal of Marketing, 12 (7), 37-64.
Zhang, Q. und Doll, W. J. (2001). The fuzzy front end and success of new product
development: a causal model. European Journal of Innovation Management,
4 (2), 95-112.
Ziamou, P. (1999). The Effect of the Degree of Newness of a ”Really New”Product
on Consumers’ Judgments. Advances in Consumer Research, 26 (1), 368-371.
Zirger, M. A., B. J. und Maidique. (1990). A model of new product development: an
empirical test. Management Science, 36 (7), 867-883.
Zmud, R. W. (1982). Diffusion of modern software practices: Influence of Centraliza-
tion and Formalization. Management Science, 28 (12), 1421-1431.
Zwikael, O. und Bar-Yoseph, B. A. (2004). Improving the capabilities of project
team management using the Gestalt cycle of experience. Team Performance
Management, 10 (7/8), 137-144.
Zwikael, O. und Globerson, S. (2004). Evaluating the quality of project planning: a
model and field results. International Journal of Production Research, 42 (8),
1545-1556.
Zwikael, O. und Globerson, S. (2006). From Critical Success Factors to Critical
Success Processes. International Journal of Production Research, 44 (17),
3433-3449.
A Anhang 1
282 Anhang 1
PCA/Varimax
Indikator 1 2 3 4 5 MSA
Informationssuche 0,182 0,789 0,044 0,190 −0,134 0,802

Informationsbewertung 0,000 0,838 0,195 0,101 0,122 0,782
zielkonforme Auswahl −0,139 0,629 0,282 0,034 0,258 0,786
Betrachtung aller möglichen Alternati- 0,154 0,552 −0,011 0,035 0,491 0,770
ven
gründliche Prüfung 0,201 0,628 −0,042 −0,039 0,312 0,819
prozedurale Richtlinien 0,837 0,151 0,162 0,102 −0,121 0,795

Methodeneinsatz 0,833 0,029 0,158 0,149 0,192 0,801
dokumentierte Vorgaben 0,795 −0,019 0,109 0,138 0,138 0,855
strukturierter Prozess 0,621 0,249 0,164 0,142 0,486 0,877
Richtlinieneinhaltung 0,582 0,094 0,068 0,130 0,529 0,879
Prozess- und Ergebnisdokumentation 0,171 0,185 0,137 0,135 0,755 0,870
regelmäßige Kontrolle 0,131 0,180 0,595 0,076 0,480 0,754

Planungsanpassungen 0,205 0,017 0,843 0,163 0,052 0,854
Planungsverständnis 0,299 0,107 0,764 0,118 −0,081 0,825
Kommunikation −0,039 0,225 0,614 0,174 0,386 0,887
Beteiligung leitender Angestellter −0,041 0,294 0,129 0,743 −0,116 0,844

Beteiligung operativer Mitarbeiter 0,246 0,091 0,059 0,740 0,075 0,761
allgemeine Beteiligung 0,217 −0,148 0,030 0,604 0,348 0,757
Beteiligung der Fachabteilungenen 0,134 0,019 0,222 0,731 0,168 0,863
Beteiligung des Projektteams 0,027 0,299 0,219 0,336 0,412 0,545
Eigenwert 6,347 2,340 1,716 1,427 1,237

Erklärte Varianz 31,7% 11,7% 8,6% 7,1% 6,2%
2
KMO: 0,826; Barlett-Test: χ = 1219, 730; df = 190; p = 0, 000
Tabelle A.1: Exploratorische Faktorenanalyse zur Projektplanung

283
PCA/Varimax
Indikator 1 2 MSA

geringe Managementinterventionen 0,454 0,416 0,821

generelle Zielkonstanz 0,369 0,167 0,879
Eigenwert 2,401 1,125

Erklärte Varianz 40,0% 18,7%
2
Tabelle A.2: Explorative Faktoranalyse zur Projektdurchführung

284 Anhang 1
PCA/Varimax
neue Technologie −0,015 0,766 0,223 −0,044 0,648

Leistungssteigerung 0,185 0,828 −0,033 −0,054 0,666
Technologieverdrängung 0,071 0,717 0,213 0,147 0,809
strategische Neuorientierung 0,774 0,203 0,060 0,029 0,766

neue Organisationsstruktur 0,883 0,053 0,027 0,108 0,722
geänderte Unternehmensprozesse 0,807 0,068 0,091 0,200 0,796
veränderte Unternehmenskultur 0,764 −0,027 0,146 0,125 0,875
Verhaltensänderungen 0,090 0,159 0,915 0,161 0,615

hoher Lernaufwand 0,176 0,216 0,905 0,069 0,627
neue Infrastruktur 0,322 0,086 0,041 0,673 0,642

regulatorische Anpassungen 0,082 0,146 0,074 0,860 0,579
gesellschaftliche Kritik 0,041 −0,158 0,107 0,665 0,562
Eigenwert 3,761 1,962 1,496 1,112

2
Tabelle A.3: Explorative Faktoranalyse zum Innovationsgrad

285
PCA/Varimax
Indikator 1 MSA
Änderung der Marketingaktivitäten 0,723 0,685

Dauer des Produktlebenszyklus 0,730 0,671
Konkurrenzaktivitäten 0,540 0,755
Nachfrageänderungen 0,682 0,771
Prozessänderungen 0,722 0,720
Eigenwert 2,334
Erklärte Varianz 46,7%
2
Tabelle A.4: Explorative Faktoranalyse zur Umweltdynamik

286 Anhang 1
PCA/Varimax
Indikator 1 2 3 MSA
Modulinterdependenzen 0,210 0,655 0,033 0,754

Prozessschrittinterdependenzen 0,125 0,842 −0,070 0,687
Produkt-Prozess-Interdependenzen 0,110 0,768 0,150 0,671
Erfahrung mit Qualitätsziel 0,011 −0,105 0,775 0,609

Erfahrung mit Kostenziel −0,159 0,095 0,748 0,578
Erfahrung mit Zeitziel −0,069 0,111 0,748 0,611
Qualitätszielanspruch 0,625 0,177 −0,206 0,680

Kostenzielanspruch 0,765 −0,094 0,250 0,611
Zeitzielanspruch 0,679 0,317 −0,236 0,703
Anspruch des Gesamtprojektes 0,796 0,341 −0,149 0,666
Eigenwert 3,009 1,919 1,193

2
Tabelle A.5: Explorative Faktoranalyse zur Projektkomplexität

287
PCA/Varimax
Indikator 1 2 3 MSA
Technische Leistung 0,408 0,143 0,558 0,824

Qualität 0,243 0,048 0,848 0,728
Umsatz 0,278 0,854 0,059 0,721

Marktanteil 0,167 0,922 0,112 0,670
Wettbewerbsvorteil 0,017 0,822 0,215 0,768

Time-to-Market 0,856 0,259 0,158 0,745
Zeitplaneinhaltung 0,890 0,163 0,169 0,719
Eigenwert 3,936 1,610 1,205

KMO: 0,747; Barlett-Test: χ2 = 636, 838; df = 36; p = 0, 000
Tabelle A.6: Explorative Faktoranalyse zum Projekterfolg

Lebenslauf Christoph Stockstrom
Persönliche Daten
Name Christoph Stephan Stockstrom
Geburtsdatum 25.11.1975
Geburtsort Hamburg
Staatsbürgerschaft deutsch
Familienstand verheiratet
Ausbildung
08/1986 - 06/1995 Gymnasium Oberalster in Hamburg
07/1995 - 04/1996 Grundwehrdienst
08/1996 - 06/1998 Ausbildung zum Bankkaufmann bei der Commerzbank AG in Ham-
burg
10/1998 - 07/2003 Studium der Betriebswirtschaftslehre an der Universität Hamburg
09/2004 Visiting special research student bei Prof. Akio Nagahira an der
Tohoku Universität, Sendai, Japan
10/2003 - 09/2008 Doktorand am Institut für Technologie- und Innovationsmanagement
der TU Hamburg-Harburg
Beruflicher Werdegang
06/1998 - 10/1998 Commerzbank AG Personalzentrum Nord, Fachbereich Auszubilden-
denbetreuung
11/1998 - 05/1999 Commerzbank AG Abteilung für Privatkunden / Personalkredite
(Teilzeit)
08/1999 - 09/1999 Praktikum bei der Holsten Brauerei AG, Hamburg
08/2000 - 10/2000 Praktikum bei der Otto GmbH & Co. KG, Hamburg
11/1999 - 09/2003 studentischer Mitarbeiter am Arbeitsbereich Internationales Manage-
ment der Universität Hamburg
06/2001 - 08/2004 freier Mitarbeiter bei Buse Krieger Business Development
04/2002 - 07/2002 Tutor für die Grundstudiumsvorlesung VWL I von Prof. Dr. W.
Pfähler, Arbeitsbereich Wirtschaftspolitik und Industrieökonomik
01/2002 - 09/2004 freier Mitarbeiter beim Brand Science Institute
10/2002 - 04/2003 Tutor für die Grundstudiumsvorlesung BWL II von Dr. Haas, Arbeits-
bereich Industrielles Management
10/2004 - 08/2008 Wissenschaftlicher Mitarbeiter am Institut für Technologie- und Inno-
vationsmanagement der TU Hamburg-Harburg
09/2008 - 01/2009 Selbständiger Berater und Dozent

Christoph Stockstrom Planung Und Umsetzung Von Innovationsprojekten Zur Wirkung Des Coalignment

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Christoph Stockstrom Planung Und Umsetzung Von Innovationsprojekten Zur Wirkung Des Coalignment

Hochgeladen von

Copyright:

Verfügbare Formate

Christoph Stockstrom

Planung und Umsetzung von Innovationsprojekten

Mit einem Geleitwort von Prof. Dr. Cornelius Herstatt

Dissertation Technische Universität Hamburg-Harburg, 2009

Alle Rechte vorbehalten

Zur Untersuchung der Forschungsfragen führt Herr Stockstrom eine empirische

Notwendigkeit einer gleichzeitigen Betrachtung ﬂexibler und eﬃzienzbezogener Pla-

Insgesamt liegt eine in theoretischer wie auch praktischer Hinsicht bemerkenswerte

Univ. Prof. Dr. Cornelius Herstatt

3 Planung, Umsetzung und Erfolg von Innovationsprojekten 69

4 Empirische Untersuchung 121

4.3.4 Explorative Erweiterungen . . . . . . . . . . . . . . . . . . . . 215

2.1 Der Innovationsprozess im weiteren Sinne . . . . . . . . . . . . . . . . 11

3.1 Planungsausmaß und Wirkungszusammenhänge . . . . . . . . . . . . 79

4.1 Arten von Konstrukten . . . . . . . . . . . . . . . . . . . . . . . . . . 123

2.1 Benennungsvielfalt des Phänomens Innovationsgrad“ . . . . . . . . . 16

3.1 Ausgewählte Planungsprozessdimensionen und ihre Deﬁnitionen. . . . 71

4.1 Operationalisierung des Planungsausmaßes . . . . . . . . . . . . . . . 129

4.15 Konﬁrmatorische Faktoranalyse zur Projektplanung . . . . . . . . . . 192

A.1 Exploratorische Faktorenanalyse zur Projektplanung . . . . . . . . . 282

AC . . . . . . . . . . . . Available Case Analysis

RMSEA . . . . . . . Root Mean Square Error of Approximation

1.1 Problemstellung und Zielsetzung

Though there are organisations that succeed in balancing eﬃciency and

Die zunehmende Verkürzung von Produktlebenszyklen und die steigende Wett-

Tatsächlich handelt es sich bei Neuproduktentwicklungsprojekten nicht um eine

• eﬃzienz- und ﬂexibilitätsfördernder Merkmale der Planung,

• ihrer Umsetzung im Laufe des Projektes und

• möglicher situativer Einﬂussfaktoren erfolgen.

1.2 Bezugsrahmen und Eingrenzung der

Effizienz direkte Erfolgswirkung

Abbildung 1.1: Bezugsrahmen der Untersuchung

Um den Bezugsrahmen in ein handhabbares Untersuchungsdesign zu überführen

Messobjekt Produktinnovation Prozessinnovation Sozialinnovation

Messebene Produkt/Projekt Portfolio/SGE Unternehmen Branche/Markt Nation

Projektleben Abgebrochene Projekte Laufende Projekte Abgeschlossene Projekte

Kosten- Repositionierung Produkt- neue

Messsubjekt Nutzer Hersteller Dritte

Branchenfokus Einzelunternehmen Einzelne Branche Branchenübergreifend

Abbildung 1.2: Eingrenzung der Untersuchung. Quelle: In Anlehnung an Verworn (2005)

Da sich die aufgezeigte Forschungslücke bezüglich der Planung eines Innovationspro-

könnte. Die Untersuchung richtet sich zudem ausschließlich an die innovierenden

Wie müssen Neuproduktentwicklungsprojekte im Spannungsfeld von

1.3 Vorgehensweise und Aufbau der Arbeit

In Kapitel 3 werden die grundlegenden Erkenntnisse aus den vorangegangenen

1 Einleitung 2 Konzeptionelle Grundlagen

3 Herleitung des Untersuchungsmodells

Abbildung 1.3: Aufbau der Untersuchung

[I]nnovation management and being on the move ... is of essence to

The imitation of a good represents the manufacturing of a product/pro-

Innovation im weiteren Sinne

Abbildung 2.1: Der Innovationsprozess im weiteren Sinne. Quelle: Brockhoﬀ (1999)

Die prozessbezogene Dimension der Innovation Die prozessuale Betrachtungs-

Prozess der Invention und Marktdurchsetzung umfasst (vgl. z. B. Brockhoﬀ, 1999;

Prozessuale Deﬁnition von Innovation Eine Innovation ist der

(Hauschildt, 2004). Demzufolge lässt sich zwischen einer individuellen Projektebene

Objektbezogene Dimension der Innovation Neben der prozessualen Deﬁnition

Objektbezogene Deﬁnition von Innovation Innovationen sind

Aspekt der objektbezogenen Betrachtungweise ist. Dabei wird zwischen zweckindu-

Subjektbezogene Dimension der Innovation Die subjektbezogene Dimension der

An innovation is an idea, practice, or object that is perceived as new by

organisationale, wettbewerbsbezogene und soziale Innovationen unterscheiden. Für

Es geht bei Innovation nicht um die Frage, ob“ Neuartigkeit vorliegt,