Erstellung eines Branchenindikators für den LED-Markt


Masterarbeit, 2010
124 Seiten, Note: 1,0

Leseprobe

Inhaltsverzeichnis

1 Einleitung

2 Vorgehensweise und Aufbau der Arbeit

3 Die Leuchtdiode (LED)
3.1 Der LED Markt
3.2 Historie und Ausblick der langfristigen Marktentwicklung

4 Prognosen und das „Business Forecasting“
4.1 Business Forecasting im betrieblichen Umfeld
4.1.1 Unternehmenssteuerung
4.1.2 Marketing
4.1.3 Controlling und Risikomanagement

5 Einteilung der Prognoseverfahren
5.1 Quantitative Verfahren
5.1.1 Zeitreihenmethoden (Time-Series Forecasting Methods)
5.1.1.1 Identifikation der Datenmuster
5.1.1.2 OMTS Methoden
5.1.1.3 FMTS Methoden
5.1.2 Regressionsmethoden
5.2 Qualitative Verfahren

6 Der Indikator
6.1 Die Indexzahl
6.2 Konjunkturindikatoren

7 Der Prognoseprozess
7.1 Die Daten
7.2 Auswahl des Prognoseverfahrens
7.2.1 Wahl der Prognosemethode in Abhängigkeit vom Produktlebenszyklus
7.2.2 Auswahl der Prognosemethode unter Berücksichtigung der Charakteristik der Prognosesituation
7.2.2.1 Charakteristik der Entscheidungssituation
7.2.2.2 Charakteristik der Prognosemethode

8 Das gewählte Verfahren: ARIMA (Box Jenkins)
8.1 Analyse der zugrundeliegenden Datenreihe (Zeitreihe)
8.1.1 Autokorrelationsfunktion (ACF)
8.1.2 Die Partielle Autokorrelationsfunktion (PACF)
8.1.3 Identifikation von Saisonalitäten
8.1.4 Prüfen auf Stationarität
8.1.4.1 Entfernen von nichtstationären Mustern
8.1.5 Das ARIMA Modell
8.1.5.1 Bestimmung der ARIMA-Modellparameter
8.1.5.2 Saisonalität und ARIMA-Modelle
8.1.5.3 Der Identifikationsprozess
8.2 Das ARIMA-Modell zum „LED-Shipment-Index" des japanischen Wirtschaftsministeriums
8.2.1 Die japanischen LED-Produzenten
8.2.2 Die Daten
8.2.3 Stationarität
8.2.4 Bestimmung des (vorläufigen) Modells
8.2.5 Evaluation des Modells
8.2.5.1 Die Residuen-ACF
8.2.5.2 Der „Out-Of-Sample“-Test
8.2.5.3 Optimierung des vorläufigen Modells
8.3 Das ARIMA-Modell auf Grundlage taiwanesischer LED-Exporte
8.3.1 Die taiwanesischen LED-Produzenten
8.3.2 Die Daten
8.3.3 Stationarität
8.3.4 Bestimmung des (vorläufigen) Modells
8.3.5 Evaluation des Modells
8.3.5.1 Die Residuen-ACF
8.3.5.2 Der „Out-Of-Sample"-Test
8.4 Der (quantitative) Indikator zur LED-Marktentwicklung - „LEDIX“
8.5 Zusammenfassende Bewertung zum quantitativen Index bzw. den quantitativen Prognosen

9 Der Stimmungsindikator
9.1 Die Mashup-Applikation „YahoolPipes“
9.2 Medienberichte als Konjunkturindikator
9.2.1 Der Indikator zur frühzeitigen Anzeige globaler Rezessionen - „RINDEX“
9.2.2 Der Indikator zur Darstellung des Branchenklimas - „CliLED“
9.2.3 Die Konstruktion der Filter
9.2.3.1 Evaluation der Filter
9.3 Das „Indikator-Cockpit"

10 Zusammenfassung und Fazit

11 Anhang - A

12 Anhang - B

13 Anhang - C

14 Anhang - D

15 Anhang - E

16 Anhang - F

17 Abkürzungen

18 Tabellenverzeichnis

19 Abbildungsverzeichnis

20 Literaturverzeichnis

1 Einleitung

Ziel der vorliegenden Arbeit ist die Erstellung eines Branchenindikators für den LED-Markt. Dieser soll eine möglichst objektive Prognose über die tendenzielle Entwicklung des LED-Marktvolumens mit einem zeitlichen Vorlauf von 3-12 Mona­ten liefern. Unter Marktvolumen wird dabei der gegenwärtig von allen Anbietern erzielte Umsatz für das betreffende Produkt verstanden. Ein solcher Indikator wür­de Marktteilnehmern - insbesondere den Anbietern - unter anderem dabei helfen, rechtzeitig Kapazitätsanpassungen vorzunehmen. Zur Erstellung des Indikators sollten möglichst nur öffentlich zugängliche Informationen verwendet werden. Hierzu gehören z.B. Pressemitteilungen und Quartalsabschlüsse von direkten Marktteilnehmern ebenso wie von Unternehmen in angelagerten Wertschöpfungs­stufen. Daher sollte ein Verfahren entwickelt werden, welches aus dem ständig „fließenden Datenstrom“ relevante Informationen extrahiert und objektiviert, um den Branchenindikator laufend zu pflegen. Dieser soll dann mit Hilfe historischer Daten validiert und das Selektionsverfahren für Informationen sowie die Methode zur Bildung der Kennziffer ggf. angepasst werden.[1]

Der im Rahmen der vorliegenden Arbeit konstruierte LED-Branchenindikator stützt sich in erster Linie auf quantitative Prognosen auf Basis ausgewählter marktnaher Zeitreihen und wird von zwei Stimmungsindikatoren ergänzt, die zum einen das aktuelle „Branchenklima“ und zum anderen die globale „Rezessionsgefahr“ auf Basis von Medienberichterstattungen widerspiegeln. Damit helfen sie unter ande­rem, die quantitativen Prognosen besser einzuordnen und sind ggf. Grundlage für deren nachvollziehbare Modifikation. Für die Erstellung der quantitativen Progno­sen werden Methoden des „Business Forecasting“ (Prognoserechnung) genutzt. In diesem Zusammenhang ist die Wahl der adäquaten Methode in Bezug auf Auf­gabenstellung unter den gegebenen Rahmenbedingungen von herausgehobener Bedeutung.[2] Die Aufgabe definiert hierbei den Bereich der nutzbaren Datenquel­len, den Prognosehorizont und die Prognoseintervalle. Die Qualität und Quantität der zur Verfügung stehenden Daten sind dann entscheidend für die Beurteilung, ob überhaupt brauchbare quantitative Prognosen möglich sind und wenn ja, mit welcher Genauigkeit. Grundlage für die systematische Datensuche war ein Ver- ständnis der „LED-Wertschöpfungskette“ sowie des LED-Marktes. Für ersteres wurde der Herstellungsprozess analysiert, um in einem frühen Stadium Schlüssel­elemente innerhalb der Wertschöpfungskette ausfindig zu machen, die eine be­sondere Signalfunktion besitzen. Diese würden - so die Überlegung - einen ent­scheidenden Einfluss auf die Anbieterseite haben und damit natürlich auch auf die Entwicklung des aggregierten LED-Marktvolumens. Im besten Fall würde eine die­ser Zeitreihen die Eigenschaft eines Frühindikators besitzen, der mit einem gewis­sen Vorlauf die Veränderungen des LED-Marktes aufzeigt. Dieses „Wunschergeb­nis“ stellte sich allerdings nach Untersuchung der gesammelten Daten nicht ein, was die Anwendung der Prognoserechnung unumgänglich machte, um den Anfor­derungen der Aufgabenstellung gerecht zu werden.

Für das Verständnis des LED-Marktes war - neben der Analyse der aktuellen Marktstruktur - die historische und zukünftige Entwicklung des Marktes (Zeithori­zont: größer IJahr) sowie seiner treibenden Elemente im zeitlichen Verlauf von Interesse. Hierbei ist die sich verändernde Sättigung der einzelnen Marktsegmen­te in Abhängigkeit von der Durchdringung der LED-Technik von großer Bedeu­tung. Sie steigert in der Regel die Komplexität des Prognosevorhabens, relativiert die Wichtigkeit bestimmter Daten und fordert alternative „qualitative“ Hilfsmittel als Ergänzung zu den quantitativen Methoden. Zum Beispiel könnte eine aktuelle Prognose der weltweiten Leuchtmittelverkäufe für das kommende Jahr - basie­rend auf historischen Zahlen - nur schwerlich herangezogen werden, um damit gleichzeitig auch eine Aussage über die zukünftigen LED-Umsätze für den glei­chen Prognosehorizont zu tätigen. Wäre allerdings die LED das etablierte Herz­stück dieser Leuchten[3], so würde eine höhere Korrelation zwischen Leuchtmittel­umsätzen und LED-Umsätzen wahrscheinlich sein; kurz: das qualitative Verlaufs­muster der Leuchtmittelumsätze würde annähernd dem Verlaufsmuster der LED- Umsätze entsprechen. Weitere Prognosen zur Entwicklung dieses Marktes (soweit die LED im selben Zeitraum nicht von einer überlegeren Technik abgelöst oder verdrängt werden würde) wären dann „relativ“ einfach zu erstellen.

Dieses Szenario entspricht zum gegenwärtigen Zeitpunkt allerdings nicht der Rea­lität, da die Durchdringung des Teilmarktes „Allgemeinbeleuchtung“ mit dem deut­lich größten Marktpotential (siehe Kap.3.1) noch in seinen Kinderschuhen steckt und der Zeitpunkt, zu dem sich das „schnelle Wachstum" (siehe Kap.7.2.1) ein­stellt, von gehobener Bedeutung ist. Modelle, die diesen Zeitpunkt versuchen vor­herzusagen sind existent und können käuflich erworben werden. Unterjährige Prognosen diesbezüglich existieren dagegen nicht.

2 Vorgehensweise und Aufbau der Arbeit

Die vorliegende Arbeit lässt sich grob in 3 große Abschnitte einteilen. Der erste Teil behandelt vornehmlich die allgemeinen theoretischen Rahmenbedingungen zu Prognosen bzw. dem „Business Forecasting". Teil zwei widmet sich der Ent­wicklung des quantitativen Indikators zur tendenziellen Vorhersage der 12- monatigen Marktentwicklung und Teil drei thematisiert den Aufbau der qualitativen Indikatoren zur Optimierung (Ergänzung) der quantitativen Prognosen. Vor jedem Anwendungsabschnitt erfolgt die Darlegung der notwendigsten - aber nicht er­schöpfend umfassenden - theoretischen Grundlagen, um dem Leser die getroffe­nen Entscheidungen und Ableitungen nachvollziehbar darzulegen.

Beginnend mit einer kurzen Vorstellung des Produktes, werden der LED-Markt und seine Hauptcharakteristika beschrieben. Anschließend folgt eine grundlegen­de Erläuterung, was unter Prognosen und dem „Business Forecasting" (BF) zu verstehen ist und was die anhänglichen Verfahren im Grunde zu leisten vermö­gen. Nach einer kurzen Darstellung, in welchen betrieblichen Bereichen die Me­thoden des BF zum Einsatz kommen können, wird versucht, die Gesamtheit der heute nutzbaren Verfahren nach bestimmten Hauptkriterien einzuteilen, um sich im „Dickicht" der Methoden besser zurechtzufinden. Hier werden Vor - und Nach­teile der einzelnen Verfahren (Verfahrensgruppen) deutlich und die Grenzen der verschiedenen Ansätze sichtbar.

In Kapitel 6 werden dann die Haupteigenschaften von „Indikatoren" erläutert (Auf­bau, Notation) und am Beispiel der Konjunkturindikatoren das Prinzip der „vorlau­fenden", „gleichlaufenden" und „nachlaufenden" Indikatoren erklärt.

Dem in Kapitel 7 vorgestellten Prognoseprozess und der grundlegenden Diskussi­on, wie eine „optimale" Kombination von quantitativen und qualitativen Methoden gestaltet werden könnte, folgt die Darstellung der Vorgehensweise zur Datensu­che und Datenselektion. Anschließend werden verschiedene Aspekte einer sys­tematischen Methodenauswahl diskutiert, die schließlich in der Identifikation des „passenden" Prognoseverfahrens ARIMA (Box Jenkins) mündet.

Der erste Teil des Kapitels 8 umfasst dann die theoretischen Grundlagen zu dem „Box-Jenkins"-Ansatz und die Darlegung des Prozesses zur ARIMA- Modellidentifikation. Der 2. und 3. Teil dieses Abschnittes widmen sich anschlie­ßend der praktischen Anwendung der theoretischen Erkenntnisse zur Bestimmung der „optimalen" ARIMA-Modelle. Teil vier beschreibt das Konstruktionsprinzip des zusammengesetzten quantitativen Indikators zur LED-Marktentwicklung („LEDIX") und in Teil fünf werden die Hauptcharakteristika der quantitativen Resultate zu­sammengefasst und bewertet.

Für die Berechnungen im Zuge der Modellentwicklung, Prognose und Evaluation wurde die Prognosesoftware „ForecastX" genutzt, die als (kostenpflichtige) Zu­satzfunktion in „Microsoft Excel 07" implementiert werden kann.

Mit Blick auf die Begrenztheit quantitativer Methoden werden schließlich im letzten großen Abschnitt zwei Stimmungsindikatoren eingeführt, die zum Einen die wach­sende globale Rezessionswahrscheinlichkeit frühzeitig anzeigen („RINDEX") und zum anderen die aktuelle Branchenstimmung („CliLED") objektiv wiedergeben sol­len. Die theoretischen Hintergründe, Konstruktionsprinzipien sowie Schlüsselele­mente zur Realisierung dieser eher qualitativen Indikatoren werden beschrieben und erläutert.

3 Die Leuchtdiode (LED)

Seit der kommerziellen Einführung von Leuchtdioden (light-emitting diodes, LEDs) durch „General Electric" im Jahre 1962 haben sich diese Bauelemente in einer Vielzahl von Anwendungen etabliert und dringen in weitere Applikationsbereiche vor. Leuchtdioden, die im sichtbaren Spektralbereich emittieren, werden in Anzei­gesystemen wie beispielsweise Vollfarbendisplays oder Verkehrszeichen einge­setzt, für die innere und äußere Beleuchtung von Kraftfahrzeugen, für die Hinter­grundbeleuchtung von LCD-Fernsehern und Monitoren bis hin zu Lichtlösungen im Bereich der Allgemeinbeleuchtung. [4] Anders als herkömmliche Lampen, die mit einer Glühwendel oder Gasentladung arbeiten, sind LEDs winzige Elektronik-Chips aus speziellen Halbleiterkristallen. Fließt Strom durch diesen Festkörper, beginnt er zu leuchten, er „emittiert“ Licht. In der Fachsprache wird dieser Prozess „Elektrolumineszenz“ genannt. Mit einer Kantenlänge von etwa einem Millimeter gehören LEDs zu den kleinsten verfügbaren, nahezu punktförmigen Lichtquellen. Klassische Leuchtdioden sind meist (dotierte) III-V-Halbleiter, das heißt, sie sind aus Elementen der 3. und 5. Gruppe des Periodensystems aufgebaut. Dazu gehö­ren Stoffe wie Galliumphosphid (GaP), Aluminiumgalliumarsenid (AlGaAs) oder Indiumgalliumnitrid (InGaN).[5] Das verwendete Halbleitermaterial bestimmt die do­minante Wellenlänge und damit die Lichtfarbe der Dioden: Rot, Grün, Gelb oder Blau.

Durch die Möglichkeit mit LEDs weißes Licht zu erzeugen, haben sich erst die Vo­lumen-Märkte eröffnet, welche bisher ausschließlich von inkandeszenten[6] Licht­quellen bedient wurden.[7] Dieses weiße LED-Licht kann durch unterschiedliche Herstellungsverfahren erzeugt werden. Das derzeit gängigste Verfahren nutzt das Prinzip der „Lumineszenzkonversion“. Bei dieser Methode wird oberhalb eines blauen LED-Chips eine Phosphor- Leuchtschicht angebracht.[8] Sie wandelt einen Teil des blauen Lichts in gelbes Licht, womit wiederum durch Mischung von gel­bem und blauem Licht ein weißer Farbeindruck entsteht.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1 : links:Schematische Darstellung der "weißen" LED9, rechts: Eine konventionel¬le Hochleistungs-LED aus dem OSRAM Opto Semiconductors GmbH Produktportfolio10

3.1 Der LED Markt

Diese Arbeit fokussiert auf den Markt der „High-Brightness LEDs" (HB LEDs) und fußt damit auf einer relativ neuen Entwicklung der LED-Industrie. Während LEDs schon seit 50 Jahren kommerziell produziert werden, sind HB LEDs erst seit den späten 1980ern zu erwerben. Tab.1 zeigt die zehn größten Wettbewerber in die­sem Markt im Jahr 2009.

Tabelle 1: "Top 10"-Wettbewerber im Jahr 2009 (eigene Darstellung)11

Abbildung in dieser Leseprobe nicht enthalten

Technologisch lässt sich der Markt grob anhand der zugrundeliegenden Halblei­termaterialien „InGaN“ (und „InGaAlP“) abgrenzen.[12] In Bezug auf die Entwicklung der relevanten Marktgröße hat sich die Marktsegmentierung in Abhängigkeit von den jeweiligen LED-Applikationen als vorteilhaft erwiesen.

In diesem Zusammenhang lassen sich 6 Segmente unterscheiden:

1. Mobile Appliances (Mobile Anwendungen)
2. Signs and Displays (Elektronische Schilder, Anzeigen und Bildschirme)
3. Automotive (Fahrzeugbeleuchtung)
4. Signals (Signalanlagen)
5. Illumination/Lighting (Allgemeinbeleuchtung)
6. Others (Sonstige Anwendungen)

Abb.2 zeigt die 6 Marktsegmente und deren Anteil am gesamten HB LED-Markt im Jahre 2009 sowie eine Auswahl der typischen LED-Anwendungen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: HB LED-Marktsegmente in Abhängigkeit der LED - Applikationen [13]

3.2 Historie und Ausblick der langfristigen Marktentwicklung

Auf dem Höhepunkt der Weltwirtschaftkrise 2009 gab der weltweite Halbleiter­markt negative Wachstumszahlen bekannt, der HB LED Markt hingegen wuchs um 6% auf 5,4 Mrd.US-Dollar. Der größte Teil dieses Wachstums rührte aus der gestiegenen LED-Durchdringung im Bereich der LCD-Hintergrundbeleuchtung und dem zunehmenden Einsatz der LED im Bereich der Allgemeinbeleuchtung.[14] Mo­mentan ist der Teilmarkt „Mobile" immer noch der größte. Sein Umfang geht aller­dings tendenziell zurück, wofür der Preisverfall der LEDs und die Marktsättigung in diesem Bereich verantwortlich sind[15] (vgl. Abb.3). Betrachtet man die historische Marktentwicklung zwischen 2002 bis 2009 und die langfristigen Prognosen, so lässt sich in den Jahren 2002 bis 2004 das Mobilesegment als Markttreiber aus­machen (siehe Markierung Abb.3). Gegenwärtig ist „Display" der am schnellsten wachsende Teilmarkt und absehbar „Lighting/Illumination" mit dem deutlich größ­ten Marktpotential (siehe Markierung Abb.4). [16]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Entwicklung des HB LED Marktes und seiner Segmente von 2002 bis 200917 (eigene Darstellung)

„Strategies Unlimited“18 prognostiziert ein Gesamtmarktwachstum in 2010 von 57% und ein durchschnittliches jährliches Wachstum von 29% bis 2014.19

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Prognose der Entwicklung des HB LED Marktes und seiner Segmente bis 201420 (eigene Darstellung)

4 Prognosen und das „Business Forecasting“

“You do not plan to ship goods across the ocean, or to assemble merchandise for sale, or to borrow money without first trying to determine what the future may hold in store. Ensuring that your materials you order are delivered on time, seeing to it that the items you plan to sell are produced on schedule, and getting your sales facilities in place all must be planned before that moment when costumers show up and lay their money on the counter. The successful business executive is a forecaster first; purchasing, marketing, pricing, and organisation all follow.21

Unter Prognose versteht man die Vorhersage eines Vorganges oder eines Zu- standes.[22] Sie ist durch folgende zwingende Merkmale gekennzeichnet:

- Alle Prognosen überführen festgestellte Gesetzmäßigkeiten in die Zukunft, so dass der Faktor Zeit direkt eingeht.
- Sie stützt sich auf Beobachtungen, Analysen, Informationen oder theoreti­sche Erkenntnisse. Also auf Informationen, die in Vergangenheitsdaten vorhanden sind.
- Sie ist um Objektivität bemüht.
- Ihr liegen Annahmen bestimmter Umweltbedingungen und bestimmter kon­trollierbarer Variablen zugrunde.
- Die durch Prognosen gewonnenen Informationen sind naturgemäß mit Un­sicherheiten belastet. (Denn könnte man sicher darüber sein, welche Um­stände zu einer bestimmten Zeit in der Zukunft herrschten, so wäre die Vorbereitung einer Prognose trivial.) 23,24

Business Forecasting ist ein wesentliches Hilfsmittel zur Verbesserung von Unter­nehmensentscheidungen, indem es durch Anwendung methodisch stringenter Vorgehensweisen - meist aufgrund von Erkenntnissen aus Datenmustern der Vergangenheit - die Prognoseunsicherheit eingrenzt. Dabei ist festzuhalten, dass die „Techniken" des Business Forecasting nie das persönliche Urteilsvermögen - meist gewonnen aus praktischer Erfahrung - sowie den gesunden Menschenver­stand der Entscheidungsträger ersetzen können. Jede gute Prognose setzt sich immer aus einem analytischen Teil (Business Forecasting) und einer persönlichen Zukunftseinschätzung zusammen.[25] Mit der Verbreitung von leistungsstarken PCs und der Verfügbarkeit von komplexen Softwarepaketen ist die reine Berechnung von Prognosen relativ einfach durchzuführen. Unabhängig davon kann diese Er­leichterung nicht das klare Denken ersetzen. Mangelnde Übersicht beim Mana­ger[26] und fehlerhafter Einsatz der Business Forecasting Techniken kann zu kost­spieligen Entscheidungen führen.[27]

Bei der großen Auswahl dieser Prognosetechniken besteht nun das Problem für den Praktiker zu verstehen, inwieweit die jeweilige Methode zu der entsprechen­den Entscheidungssituation passt. Der größte Teil der heute veröffentlichten Lite­ratur behandelt dieses Problem nicht; entweder, weil die meisten Arbeiten auf ei­nen schmalen Bereich der Methoden fokussieren oder weil viele Autoren anneh­men, dass ihre Methoden, auf die sie sich spezialisiert haben, die meisten Situati­onen beherrschen können.[28] Tatsächlich scheint es so, dass zu viele Prognose­techniken (bei der letzten Zählung waren es alleine über 60 Zeitreihentechniken) verfügbar sind und der Versuch die „Richtige" auszuwählen, leicht in einem „In­formation Overload" enden kann. So ein Szenario führt oft dazu, dass die potenti­ellen Anwender aufgeben, die volle Bandbreite dieser Techniken zu verstehen und folglich nur noch eine oder zwei Methoden nutzen, mit denen sie sich auskennen - unabhängig davon, ob diese für die Prognosesituation geeignet sind oder nicht.[29]

4.1 Business Forecasting im betrieblichen Umfeld

Eine breite Darstellung unternehmerischer Entscheidungssituationen in Abhängig­keit vom Prognosehorizont kann Tab.7 (siehe Anhang - A) entnommen werden. Nachfolgend werden die Anwendungsfelder für das „Business Forecasting" im Rahmen der Unternehmenssteuerung, des Marketings und des Controllings detail­lierter beleuchtet.

4.1.1 Unternehmenssteuerung

Ein wichtiger Aspekt der Führung eines Unternehmens besteht in der Festlegung von Zielen und der Planung betrieblicher Maßnahmen/Veränderungen in Abhän­gigkeit zukünftiger Rahmenbedingungen zur Zielerreichung. Entsprechend hängt der langfristige Erfolg eines Unternehmens davon ab, wie gut das Management die Zukunft voraussieht und diesbezüglich geeignete Strategien entwickelt. Eine gute Beurteilungsgabe und Intuition (Bauchgefühl) können den jeweiligen Ent­scheiden eine „grobe" Idee darüber geben, was in Zukunft passieren wird. Will das Management in diesem Zusammenhang versuchen, die Abhängigkeit vom Zufall zu reduzieren sowie die Umwelt „neutraler" zu erfassen, könnten sich ge­eignete Methoden der Prognoseermittlung (Business Forecasting) als nützlich er­weisen30. Da die Funktion der Unternehmensführung von zentraler Bedeutung für den Erfolg des Unternehmens ist, sind Prognosen, die als Grundlage der Ent­scheidungsfindung auf dieser Ebene dienen können, besonders kritisch. Hierbei sind insbesondere Vorhersagen über wirtschaftliche Faktoren, die als Grundlage der Planung betrieblicher Expansion hinsichtlich Zeit und Umfang sowie strategi­scher Maßnahmen dienen können, außerordentlich wichtig[31]. Dieses gilt beson­ders vor und während Phasen starken Marktwachstums, denn hier werden in der Regel die höchsten Investitionen getätigt. Das Signal zum bevorstehenden Wachstum führt dann oft zu umfassenden Erweiterungen des Anlagevermögens. Kostenanalysen zeigen jedoch, dass Produktionsanlagen 80% oder mehr ausge­lastet sein müssen, um bei starkem Wettbewerb eine belastbare Kapitalrentabilität vorweisen zu können. Das richtige Timing der Investitionsaufwendungen zur Ka­pazitätserweiterungen ist daher entscheidend und hängt entsprechend von akku­raten Prognosen ab.[32]

4.1.2 Marketing

Im Marketing werden Prognosen vor allem im Rahmen der Markt- und Absatzpla­nung erstellt. Hier sind zum einen Prognosen über die zukünftige Entwicklung des Marktes (Entwicklungsprognosen), zum anderen Prognosen über die voraussicht­liche Wirkungsweise alternativer Instrumenteneinsätze (Wirkungsprognosen) von Interesse. Wirkungsprognosen gehen von den absatzpolitischen Instrumenten als unabhängiger Variable aus, wobei vom Zeitablauf und sonstigen Umwelteinflüssen abstrahiert wird. Zur Schätzung des Absatzpotenzials wird der eigene Instrumen­teinsatz, für das Marktpotential der Instrumenteinsatz der gesamten Branche als unabhängige Variable herangezogen.[33] Im Rahmen der Entwicklungsprognose möchten Unternehmen im Voraus abschätzen, welche Nachfrage sich aus dem künftigen Verhalten der Käufer unter gegebenen Bedingungen entwickeln wird. Für nur sehr wenige Produkte ist dies einfach. Voraussetzungen für einfache Vor­hersagen sind gleichbleibende Absatzzahlen oder gleichmäßiges Wachstum bei konstanter Wettbewerbssituation. Da aber bei den wenigsten Produkten eine stabile Gesamtnachfrage oder eine konstante Nachfrage nach den Erzeugnissen eines Unternehmens besteht, wird eine genaue Vorhersage zu einem echten Schlüsselfaktor für den Erfolg oder Misserfolg eines Anbieters. Je instabiler die Nachfrage, umso wichtiger sind genaue Vorhersagen und ausgeklügelte Progno­semethoden.[34] Ihre Ergebnisse können dann ferner zur Gestaltung der Preispolitik genutzt werden z.B. im Rahmen eines „Yield Managements"[35]. Dieses besteht im Allgemeinen aus vier Bausteinen: Einer Datenbank zur Datenbeschaffung, einem Prognosemodul, einem Optimierungsmodul und der Ergebniskontrolle (siehe Abb.5). Das Optimierungsmodul lässt sich wiederum in ein Kapazitätssteue­rungsmodul und ein Preissteuerungsmodul zerlegen. Das Prognosemodul schätzt durch einen Vergleich der historischen Nachfrageentwicklung mit dem aktuellen Nachfrageverlauf die insgesamt zu erwartende Nachfragemenge und bildet die informationelle Grundlage der Preis- und Kapazitätsplanung.[36]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5: Integriertes Yield-Management-System[37]

4.1.3 Controlling und Risikomanagement

Im strategischen Management wurde die Notwendigkeit erkannt, die Umwelt des Unternehmens hinsichtlich strategisch wichtiger Entwicklungen zu beobachten. Hierzu sollten Früherkennungssysteme dienen. In jüngerer Zeit wird die Notwen­digkeit von Frühwarnsystemen als Element des Risikomanagements verstärkt auch aus prüfungs- und haftungsrechtlicher Sicht vor dem Hintergrund der Anfor­derungen des KonTraG (Gesetz zur Kontrolle und Transparenz im Unterneh­mensbereich) diskutiert. Ein Frühwarnsystem hat grundsätzlich die Aufgabe, po­tentielle oder bereits eingetretene, interne bzw. externe Gefährdungen des Unter­nehmens so rechtzeitig aufzuzeigen, dass der jeweilige Entscheidungsträger in die Lage versetzt wird, drohende Gefahren in ihren Auswirkungen zu mildern.[38] Hoch­rechnungen ermöglichen eine "antizipierende Kontrolle", denn im Vergleich zu kennzahlenorientierten Systemen werden Planwerte nicht mit Istwerten verglichen, sondern mit voraussichtlichen Werten zum Ende des Betrachtungszeitraums. Die­se werden aus bereits realisierten beispielsweise monatlichen Zwischenergebnis­sen als jeweils aktuelle Vorschau auf das zu erwartende Endergebnis ermittelt. Auch diese Methode ist unter dem Begriff Forecasting heute in der Controllingpra­xis üblich. Die Hochrechnung ermöglicht es, bereits frühzeitig vor dem Ende des Betrachtungszeitraums und ohne Vorliegen endgültiger Istwerte, positive oder ne­gative Abweichungen zu erkennen und Steuerungsmaßnahmen einzuleiten. Die hochrechnungsorientierte Früherkennung im Rahmen des Risikomanagements stellt einen Fortschritt gegenüber rein kennzahlenorientierten Systemen dar. Sie lässt eine frühzeitigere Identifikation von Gefahren und Chancen zu, erhöht damit den Handlungsspielraum und zwingt zu einer Beschäftigung mit der künftigen Entwicklung. Doch trotz der erhöhten Handlungs- und Steuerungsmöglichkeiten kann auch die hochrechnungsbasierte Früherkennung nur Entwicklungen im kurz­fristigen, unterjährigen Bereich und daher mit nur begrenztem zeitlichen Vorlauf aufzeigen. Außerdem können erstmalige, unerwartete Ereignisse, die in der Ver­gangenheit nicht aufgetreten sind, nicht erkannt werden.[39]

5 Einteilung der Prognoseverfahren

Prognosemethoden variieren weitgehend bezüglich ihres Zeithorizonts sowie der Art ihrer zugrundeliegenden Datenmuster und der Parameter, die das tatsächliche Ergebnis bestimmen (exogene Größen[40] ).

Um mit dieser Diversität umgehen zu können, wurden vielfältige Prognosetechni­ken entwickelt. Diese lassen sich in zwei grundsätzliche Kategorien unterteilen:

- quantitative Verfahren und
- qualitative oder technologische Verfahren.

Diese Klassifikation zeigt im Grunde an, in welchem Ausmaß eine Prognose direkt auf Vergangenheitsdaten aufgebaut werden kann.[41]

5.1 Quantitative Verfahren

Verfahren, die von Daten der Vergangenheit ausgehen und dann mittels bestimm­ter Regeln eine Vorhersage zukünftiger Daten entwickeln, fallen unter die Katego­rie der quantitativen Methoden.[42] Diese können genutzt werden, wenn drei Bedin­gungen erfüllt sind:

1. Informationen über die Vergangenheit sind verfügbar
2. Diese Informationen können mittels numerischer Daten quantifiziert wer­den.
3. Es kann vorausgesetzt werden, dass einige Aspekte des vergangenen Ver­haltensmusters sich auch in der Zukunft fortsetzen.

Diese letzte Kondition wird auch als “Kontinuitätsbedingung” bezeichnet und ist eine grundlegende Prämisse für alle quantitativen und viele technologischen Pro­gnosemethoden[43] - unabhängig davon, wie komplex sie auch immer sein mögn[44]

Eine zusätzliche Dimension der Klassifizierung von quantitativen Prognosemetho­den liegt in der Betrachtung des zugrundeliegenden Modells. Hier existieren zwei große Prognosemodellgruppen:

- die Zeitreihenmodelle und
- die Regressions- (Kausal-)modelle.

Bei den Erstgenannten basieren Vorhersagen über die Zukunft auf vergangenen Werten einer Variablen. Das Ziel einer solchen Zeitreihenprognosemethode liegt in der Entdeckung eines Musters in den historischen Datenreihen und in der Ext­rapolation dieses Musters in die Zukunft. Kausalmodelle setzen voraus, dass die vorherzusagende Größe eine Beziehung zu einer oder mehreren unabhängigen Variablen besitzt. Zeitreihen- und Kausalmodelle haben ihre Vorteile in verschie­denen Situationen. Während Zeitreihenmodelle einfacher für Prognosen genutzt werden können, sind Kausal-Modelle erfolgreicher bei Strategie- und Entschei­dungsfindung.[45] Stehen ausreichend Daten zur Verfügung, empfiehlt es sich im­mer eine mögliche Kombination dieser beiden Verfahren zu prüfen.

5.1.1 Zeitreihenmethoden (Time-Series Forecasting Methods)

Ein wichtiger Schritt bei der Wahl einer angemessenen Zeitreihenmethode ist die Prüfung auf bestimmte Datenmustertypen, so dass die Methode, die in Bezug auf diese Typen am geeignetsten erscheint, bestimmt werden kann.

1. Ein horizontales stationäres Muster (Level) liegt vor, wenn die Datenwerte sich um einen konstanten Mittelwert bewegen, z.B. Umsätze für ein be­stimmtes Produkt, die über eine bestimmte Zeitspanne nicht steigen oder fallen.
2. Ein saisonales Muster existiert, wenn eine Reihe von einem saisonalen Faktor beeinflusst wird, z.B. monatliche Umsatzzahlen von Eiskrem- und Heizölproduzenten.
3. Ein zyklisches Muster ist gegeben, wenn die Daten von längerfristigen Fluktuationen beeinflusst werden, wie z.B. im Falle von Datenverläufen die mit Konjunkturzyklen in Verbindung gebracht werden können, z.B. Umsätze in der Automobil- und Stahlindustrie. Der Hauptunterschied zwischen sai­sonalen und zyklischen Mustern liegt darin, dass saisonale Muster konstan­te Länge besitzen und regelmäßig erscheinen, wobei zyklische Muster in Länge und Ausmaß variieren (in der Regel fallen unter die zyklischen Mus­ter saisonale Muster, die länger als 1 Jahr andauern.) Ferner sind Metho­den, die mit saisonalen Mustern umgehen können, auch für zyklische Mus­ter geeignet.[46]
4. Ein Trend liegt vor, wenn die Datenwerte langfristig stetig steigen oder fal­len, z.B. die Gesamtumsätze von diversen Unternehmen oder das Bruttoin­landsprodukt (BIP).

Mentzer u.a. ergänzen noch um das Charakteristikum des Rauschens[47]: eine zu­fällige Fluktuation der historischen Daten, die mittels Zeitreihenmodell nicht erklärt werden kann (sie wird auch als Residualkomponente bezeichnet)48

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 6: Zeitreihenkomponenten mit der Umsatzentwicklung als zugrundeliegende Zeitreihe.49 (eigene Darstellung)

Viele Datenreihen umfassen Kombinationen dieser vorgestellten Muster. Progno­semethoden, die in der Lage sind, diese Datenmuster zu erkennen, müssen hier zur Anwendung gebracht werden, wenn eine Trennung dieser Muster erforderlich ist. Gleichermaßen können alternative Prognosemethoden genutzt werden, um die Muster zu identifizieren und die Daten anzupassen, damit zukünftige Werte best­möglich prognostiziert werden können.[50]

Zeitreihenmodelle können grundsätzlich in zwei Kategorien eingeteilt werden:

- die offenen Zeitreihenmodelle OMTS (open-model time-series) und
- die stationären Zeitreihenmodelle FMTS (fixed-model time-series)

Diese Kategorisierung basiert darauf, inwieweit die Modelle in der Lage sind, die o.a. Datenmuster zu erkennen und zu prognostizieren (siehe Tab.3, Seite 35).

5.1.1.1 Identifikation der Datenmuster

Für die Identifikation der Datenmuster einer Zeitreihe ist die Prüfung auf Autokor­relation ein entscheidender Schritt. Unter Autokorrelation versteht man den Zu­sammenhang zwischen der sequentiell verzögerten Variablen und ihrer selbst. Die Autokorrelationskoeffizienten werden genutzt, um die Datenmuster der Zeitreihe zu identifizieren. Der Autokorrelationskoeffizient rk mit einer Verzögerung к be­rechnet sich wie folgt:

Abbildung in dieser Leseprobe nicht enthalten [51]

Auf die praktische Anwendung der Autokorrelationsfunktion (ACF) wird im Rah­men der Prognosemodellentwicklung (siehe Kap.8) näher eingegangen.

5.1.1.2 OMTS Methoden

OMTS Techniken[52] analysieren die Zeitreihen zur Identifikation bestimmter Da­tenmuster, um damit ein spezifisches Modell zu konstruieren, welches in der Lage ist, diese Datenmuster in die Zukunft zu projizieren. Dieses steht im Gegensatz zu den FMTS Techniken, die auf im Vorfeld festgelegte Gleichungen aufbauen, ba­ sierend auf Annahmen, dass gewisse Muster existieren (oder auch nicht). Alle OMTS Methoden setzen voraus, dass ein beträchtliches Verständnis quantitativer Methoden vorhanden ist, um diese Techniken wirksam nutzen zu können. Die Analyse mit OMTS Techniken kann komplex werden und verlangt ein signifikantes Eingreifen vom Anwender. Deshalb erfahren diese Methoden relativ niedrige Re­sonanz in der Praxis. Verbesserungen im Rahmen der Systemtechnologie haben zwar mittlerweile die Handhabbarkeit erleichtert, jedoch bleiben immer noch die hohen Anforderungen bezüglich der Datenquantität.[53]

5.1.1.3 FMTS Methoden

FMTS-Methoden[54] basieren fast ausschließlich auf einem (gewichteten) Mittel vergangener Zeitreihenwerte, wobei versucht wird, kurzfristige Fluktuationen, die nicht den generellen Verlauf der Zeitreihe repräsentieren, bestmöglich zu dämp­fen.[55] So nutzt man beispielsweise den gleitenden Mittelwert 3. Ordnung, um aus dem Mittelwert der letzten 3 Vergangenheitswerte den Prognosewert zu generie­ren. Die Gewichtung der betrachteten Vergangenheitswerte ist gleich. Anders im Fall der Exponentiellen Glättung. Hier werden die Prognosen aus dem gewichte­ten Mittel aller Vergangenheitswerte berechnet. Die Gewichtung selber nimmt mit dem Alter der Zeitreihenwerte ab, da angenommen wird, dass in dem aktuellsten Wert der Zeitreihe die meisten Informationen bezüglich des weiteren Verlaufs der betrachteten Daten enthalten sind. FMTS-Methoden sind - in der Regel - einfach und kostengünstig in der Nutzung und benötigen kleine Datenmengen. Letzteres - also die Fähigkeit auf Basis kleiner Datenmengen, Prognosen zu erarbeiten - er­laubt diesen Techniken, sehr schnell auf Änderungen der zugrundeliegenden Da­tenreihe zu reagieren. FMTS-Methoden sind in der Regel schneller in der Anpas­sung auf Veränderungen der Zeitreihenkomponenten als OMTS-Techniken (wel­che grundsätzlich mehr Daten mit stabilen Zeitreihenkomponenten über einen lan­gen Zeitabschnitt benötigen).[56] Die größte Einschränkung liegt allerdings in dem relativ kurzen Prognosehorizont[57], der mit diesen Methoden sinnvoll abzudecken ist.

5.1.2 Regressionsmethoden

Eine Eigenschaft teilen jedoch alle Zeitreihenmethoden: sie klammern andere Fak­toren, die womöglich den Verlauf der zugrundeliegenden Datenreihe beeinflusst haben, systematisch aus. In vielen Fällen kann jedoch das, was Zeitreihenmetho­den als Rauschen klassifizieren, durch Berücksichtigung dieser exogenen Variab­len erklärt werden.[58] Diese Berücksichtigung findet im Rahmen der Regressions­analyse statt. Die grundsätzlichen Voraussetzungen zur Anwendung von kausalen Methoden ist (wie schon angeführt), dass die vorauszusagende Größe eine signi­fikante Beziehung zu einer oder mehreren unabhängigen Variablen aufzeigt. Bei­spielsweise könnten Umsatzänderungen mit Preisänderungen, Werbeaufwendun­gen und Maßnahmen der Absatzförderung assoziiert werden. Ist man in der Lage, diese Beziehung und die zukünftigen Werte der freien Variablen zu quantifizieren, so können diese Informationen zur Prognose der vorherzusagenden Größe her­angezogen werden.

Die beiden Basistypen kausaler Modelle sind:

- Einfache Regression
- Multiple Regression

Einfache Regression wird genutzt, die Beziehung zwischen 2 Variablen (2 Daten­reihen) zu modellieren, um damit anschließend die Prognose der interessierenden Größe zu erstellen (z.B. Nachfrage = f(Preis)) Die einfache Regression nutzt also 1 unabhängige Variable (Prädiktor-Variable), während bei der Multiplen Re­gression zwei oder mehrere Prädiktor-Variablen zum Einsatz kommen.[59] Das all­gemeine (multiple) Regressionsmodell entspricht einer linearen Gleichung der Form:

Abbildung in dieser Leseprobe nicht enthalten

mit den exploratorischen Variablen Хг...Xp,.den Modellparametern a0,alt a2 ... ap und dem Prognosefehler e . Im Falle der einfachen Regression nimmt die Modell­gleichung entsprechend folgende Gestalt an: [Abbildung in dieser Leseprobe nicht enthalten] .

5.2 Qualitative Verfahren

Qualitative Prognosemethoden eignen sich meist am besten in Situationen, für die verlässliche Daten nicht ohne weiteres erhältlich oder anwendbar sind und für die das Management also mehr die subjektive Beurteilung einsetzen muss. Hier ist eine gewisse Interpretation der Vergangenheitsdaten notwendig, um die Prognose zu stützen und um möglicherweise auch andere führende Indikatoren und ursäch­liche oder korrelierte Faktoren zu identifizieren, die mit der betreffenden Änderung verknüpft sind. Eine Interpretation solcher verknüpften Daten muss von Experten vorgenommen werden, die entweder innerhalb der Firma das beste Verständnis für die Situation besitzen oder aus der entsprechenden Firmenbranche kommen. Das Ziel qualitativer Methoden ist sowohl die Vorhersage von Veränderungen in der Grundstruktur als auch die Entwicklung selber z.B. die Vorhersage der Trend­umkehr bezüglich Beliebtheit und Lebensdauer eines Produktes.[60]

Qualitative Methoden können in

- Exploratorische Methoden und
- Normative Methoden unterteilt werden.

Exploratorische Methoden (wie Delphi-Methode, S-Kurven, Technische Analogien oder Morphologische Forschung) analysieren vergangene und gegenwärtige Zu­stände und bewegen sich anhand von diversen Heuristiken in Richtung Zukunft - oft mit Blick auf alle erdenklichen Alternativen. Normative Verfahren (wie die Ent­scheidungsmatrix, das Relevanzbaumverfahren oder die Systemanalyse) begin­nen in der Zukunft mit der Bestimmung aller zukünftigen Ziele und arbeiten sich rückwärts, um zu erkennen, ob diese Ziele auch - in Anbetracht der gegebenen Rahmenbedingungen, Ressourcen und nutzbaren Technologien - erreicht werden können .[61]

6 Der Indikator

Indikatoren sind zunächst „Anzeiger" für verborgene Ereignisse/Entwicklungen. Sie üben eine Stellvertreterfunktion aus und sollen das ursprünglich gemeinte, aber nicht direkt wahrnehmbare Phänomen hilfsweise erkennbar machen. Frühin­dikatoren (vorauseilende Indikatoren, Leading Indicators) sollen die relevanten Ereignisse/Entwicklungen ihres Indikandums mit einem hinreichenden zeitlichen Verlauf sowie mit hinreichender Regelmäßigkeit signalisieren. Informationen aus Früherkennungsindikatoren müssen sich nicht nur in relativen oder absoluten Zah­len ausdrücken, sondern können auch qualitativ definiert sein. Häufig wird die Verwendung von Frühindikatoren kritisch als ein „measurement without theory" betrachtet und eine exakte Definition dessen, was unter einem Frühindikator zu verstehen ist, existiert offenbar ebenso wenig wie ein allgemeingültiges Konstruk­tionsmerkmal für solche Indikatoren. Dennoch unterliegt deren Konstruktion und Auswahl ökonomischen Plausibilitäten, speziell im Hinblick auf den ursächlichen Zusammenhang (Wenn - dann - Relation) zwischen dem vom Indikator angezeig­ten Wert (der von ihm signalisierten Tendenz) und dem Früherkennungsgegen­stand.[62]

6.1 Die Indexzahl

Die einfachen Indexzahlen (oder Messzahlen) beschreiben den Zusammenhang zwischen Ergebnissen für eine Maßzahl, gemessen zu verschiedenen Zeitpunkten der Entwicklung einer Grundgesamtheit. Es liegt also eine Zeitreihe von Maßzah­len vor. Mit x0 als Wert der Maßzahl in der Basisperiode und xt als Wert derselben Maßzahl in der Berichtsperiode ergibt sich die Indexzahl als

Die Entwicklung [Abbildung in dieser Leseprobe nicht enthalten] heißt Zeitreihe der Indizes. Wichtigste Anwendung dieser Index-Zeitreihen ist das vergleichende Studium verschiedener Zeitreihen, z.B. für Preismesszahlen [Abbildung in dieser Leseprobe nicht enthalten] (Preisindex). Dabei ist p der Preis eines be [Abbildung in dieser Leseprobe nicht enthalten]stimmten Produkts in der Basisperiode 0 bzw. zur Berichtsperiode t . Damit wird eine Zeitreihe von Messungen (Preise) durch Bezug auf eine Basisperiode in ge­wisser Weise standardisiert oder bereinigt. Indizes können - wie definiert - oder nach Multiplikation mit 100 in Prozent angegeben werden. Falls ein Index gleich „Eins" ist, hat keine Veränderung stattgefunden. Ein Indexwert größer Eins bedeu­tet einen Anstieg - z.B. Iot = 1,04 bedeutet ein Wachstum um 4% gegenüber dem Basiszeitpunkt - ein Indexwert kleiner „Eins" bedeutet entsprechend einen Rückgang im Vergleich zur Basisperiode.[63] Bei vielen ökonomischen Anwendun­gen ist man nicht nur an Zeitreihen einzelner Objekte interessiert, sondern möchte die zeitliche Entwicklung einer Gesamtheit von Objekten durch eine geeignete Maßzahl beschreiben. In der Regel wird eine solche Maßzahl durch geeignete Mittelung oder Aggregation von Einzelwerten gebildet. Wir sprechen dann allge­mein von einem Index. Die rechnerisch einfachste Aggregation von Einzelwerten zu einem Index ist die Bildung des ungewichteten Mittels. Ein klarer Nachteil die­ser einfachen Mittelung ist, dass Objekte mit unterschiedlicher Bedeutung mit glei­chem Gewicht in einen derartigen Index eingehen.[64]

6.2 Konjunkturindikatoren

Konjunkturindikatoren dienen dem Zweck, anhand einer oder weniger Variablen möglichst genaue Aussagen über den aktuellen Zustand der Konjunktur und ihre mögliche Entwicklung hinsichtlich Auf- und Abschwung machen zu können. Von besonderem Interesse ist dabei die frühzeitige Identifikation von Wendepunkten. Für diese Aufgaben ist der zeitliche Zusammenhang zwischen den Indikatoren und der zu beschreibenden Referenzgröße von zentraler Bedeutung. Dabei kann man drei Arten von Indikatoren unterscheiden:

- Führende Indikatoren
- Gleichlaufende Indikatoren
- Nachlaufende Indikatoren

In Abbildung 7 wird dieser zeitliche Zusammenhang schematisch dargestellt. Ist die Referenzgröße ein aggregiertes Output-Maß wie das Inlandsprodukt oder die industrielle Nettoproduktion, so können etwa Auftragseingänge, Lagerveränderun­gen oder Geschäftslageerwartungen als führende Indikatoren dienen. Diese wer­den auch als Frühindikatoren bezeichnet, da aus ihrer Veränderung Prognosen über die zukünftige konjunkturelle Entwicklung abgeleitet werden können. Gleich­laufende Indikatoren zeigen die aktuelle Konjunkturlage an. Sie sind besonders dann hilfreich, wenn die eigentliche Referenzgröße nur mit größerer zeitlicher Ver­zögerung exakt erfasst werden kann, erst mit Verzögerung publiziert wird oder auch nach der ersten Veröffentlichung Revisionen unterzogen wird, wie dies bei­spielsweise für das Bruttoinlandsprodukt der Fall ist.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 7: Idealisierte Darstellung von Verläufen verschiedener Konjunkturindikatoren (eigene Darstellung) [65]

Nachlaufende Indikatoren sind zwar für die Konjunkturprognose selbst ohne Be­lang, dienen jedoch dazu, ex post Prognosen zu überprüfen. Neben diesen nach ihrer zeitlichen Struktur gegliederten Indikatoren ist noch der Typus des Span­nungsindikators aufzuführen, der mögliche Rationierungszustände auf nicht ge­räumten Märkten abbilden soll. Zu dieser Kategorie werden etwa der Index des Auftragsbestandes gezählt, aber auch Preise, die auf einen Nachfrageüberhang reagieren. Eine weitere Kategorisierung von Indikatoren kann danach erfolgen, ob sie quantitativen oder qualitativen Charakter haben. Neben den quantitativen Indi­katoren, die schon lange im Gebrauch sind, erlangten qualitative Indikatoren in den letzten Jahren zunehmende Bedeutung. Diese qualitativen Indikatoren beru­hen auf Daten, die durch Umfragen unter Unternehmen, Managern, Verbrauchern etc. erhoben werden. Der Vorteil dieser “Stimmungsindikatoren” besteht darin, dass die Umfragen explizit die Erwartungen von Unternehmern über die zukünftige Entwicklung, z.B. ihrer Geschäftslage oder Preisentwicklung erfassen. Wie dies beispielsweise in den vom ifo Institut oder dem ZEW durchgeführten Umfragen der Fall ist. Dadurch erweisen sich einige dieser qualitativen Indikatoren als geeignete führende Indikatoren für die Prognose von Wendepunkten. Schließlich kann man neben einzelnen Indikatorreihen auch ganze Bündel von Indikatoren betrachten und daraus einen Gesamtindikator konstruieren. In diesen geht das Verhalten der einzelnen Indikatoren in einer gewichteten Form ein. Das Verhalten des Gesamt­indikators hängt damit auch wesentlich von der gewählten Gewichtung ab. Für diese können häufig keine theoretischen oder statistischen Grundlagen gefunden werden, so dass subjektive Aspekte mit einfließen. Ferner kann die Qualität des Gesamtindikators über die Zeit variieren, wenn die Gewichte sich ändern. Trotz dieser Probleme werden auch Gesamtindikatoren in der Praxis eingesetzt, bei­spielsweise von der Europäischen Kommission und der OECD.[66]

Leider ist ein „perfekter" Frühindikator - wie in Abb.7 dargestellt - in der Praxis eher unwahrscheinlich[67]. Gäbe es ihn für eine vorherzusagende Größe, so wäre die Prognose in einem solchen Fall eine triviale Aufgabe, die alleine durch An­wendung dieses „Frühindikators" gelöst werden könnte. Es gibt einige Größen, die anderen - im Schnitt - vorauseilen, doch das tun sie nicht immer und die Vorlauf­zeit ist auch nicht konstant. Die Probleme bei der Identifikation eines solchen vo­rauseilenden Indikators und die Bestimmung der Abweichung von der durch­schnittlichen Vorlaufzeit verhindert oft eine verlässliche Nutzung einer solchen vo­rauseilenden Datenreihe68 - was auch im Rahmen der Erstellung der vorliegenden Arbeit festgestellt werden musste.

7 Der Prognoseprozess

Die folgenden 5 Schritte definieren den grundlegenden Prognoseprozess[69][70]:

1. Problemformulierung
2. Datensammlung und Aufbereitung
3. Modellkonstruktion
4. Modell Implementierung
5. Prognoseevaluation

Aufgrund der jeweiligen Stärken und Schwächen von qua­litativen und quantitativen Prognosemethoden kann die Prognosequalität durch eine adäquate Kombination der beiden Verfahren verbessert werden:

a) Wegen des kostenmäßig und zeitlich geringen Aufwandes sollte in einem ersten Schritt eine datenorientierte Prognose ermittelt werden.

b) Falls es die finanziellen und zeitlichen Ressour­cen erlauben, sollte in einem weiteren Schritt eine qualitative bzw. meinungsorientierte Prog­nose erstellt werden.

c) In einem dritten Schritt erfolgt die Kombination der beiden Prognosen, wodurch der Prognosefehler um ca. 60%[71] - gegenüber dem alleinigen Einsatz von qualitativen bzw. meinungsorien- tierten Prognosemethoden - reduziert würde.

d) Basierend auf der zusammengesetzten Prognose fügt der Manager noch seine persönliche Beurteilung und Intuition sowie sein adäquates

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 8: Prognoseprozess (eigene Darstellung)


[1] Aufgabenstellung von OSRAM Opto Semiconductors GmbH

[2] Die Berechnung selber erfolgte mit der Prognosesoftware „ForecastX“, die sich als Zusatzfunktion in Microsoft Excel 2007 implementieren lässt.

[3] vgl. Anhang - D, Abb.50

[4] vgl. (Scherer, 2004, S. 2)

[5] vgl. (Gimmler, 2005, S. 17)

[6] z.B. herkömmliche Glühlampen

[7] vgl. (Scherer, 2004, S. 2)

[8] vereinfachte Beschreibung

[9] vgl. (licht.de, 2010)

[10] vgl. (OSRAM Opto Semiconductors GmbH, 2010)

[11] vgl. (Strategies Unlimited, 2010, S. 110-111)

[12] 20 09 waren auf „InGaN“ basierende LEDs für etwa 80% des gesamten HB LED-Umsatzes ver­antwortlich - Tendenz steigend. Vgl. (Strategies Unlimited, 2010, S. 13)

[13] vgl. (Bhandarkar, 2010, S. 20)

[14] engl. General Lighting, Illumination, Solid State Lighting

[15] vgl. (Strategies Unlimited, 2010, S. 2 ff.)

[16] vgl. (iSupply, 2009, S. 1 u. 5)

[17] vgl. (Strategies Unlimited, 2010, S. 2 ff.)

[18] ein führendes Marktforschungsunternehmen auf dem Gebiet der optischen Halbleiter, welches sich auf Analyse und Langfristprognosen >1 Jahr spezialisiert hat

[19] vgl. (Strategies Unlimited, 2010, S. 21)

[20] vgl. (Strategies Unlimited, 2010, S. 21)

[21] vgl. (Hanke, Reitsch, & Wichern, 2004, S. 2)

[22] vgl. (Degen & Lorscheid, 2002, S. 96)

[23] vgl. (Makridakis, Reschke, & Wheelwright, 1980, S. 13ff)

[24] vgl. (Benkenstein, 2001, S. 296-297)

[25] vgl. (Treyer, 2010, S. 26)

[26] „Ich denke, dass es einen Weltmarkt für vielleicht fünf Computer gibt" (IBM-Gründer, Thomas G. Watson, 1943)

[27] vgl. (Hanke u. a., 2004, S. 1)

[28] vgl. (Makridakis, Wheelwright, & McGee, 1983, S. 7)

[29] vgl. (Mentzer & Bienstock, 1998, S. 8)

[30] vgl. (Treyer, 2010, S. 27)

[31] vgl. (Makridakis u. a., 1980, S. 11)

[32] vgl. (Chambers, 1974, S. 162)

[33] vgl. (Meffert, 2000, S. 171)

[34] vgl. (Kotler, G. Armstrong, Saunders, & Wong, 2006, S. 430)

[35] Yield Management ist ein Instrument zur Ertragsoptimierung, bei dem auf der Grundlage eines integrierten Informationssystems eine dynamische Preises-Mengen-Steuerung zur gewinnoptima­len Nutzung der Kapazitäten führen soll. vgl.(Burmann, Meffert, & Kirchgeorg, 2007, S. 522)

[36] vgl. (Burmann u. a., 2007, S. 522-523)

[37] vgl. (Burmann u. a., 2007, S. 522)

[38] vgl. (Weber & Schäffer, 2008, S. 378-379)

[39] vgl. (Welsch, 2010, S. 35ff.)

[40] vgl. (Mentzer & Bienstock, 1998, S. 43)

[41] vgl. (Treyer, 2010, S. 9)

[42] vgl. (Treyer, 2010, S. 9)

[43] z.B. historische Analogien, Kuvenanpassungen

[44] vgl. (Makridakis u. a., 1983, S. 9)

[45] vgl. (Makridakis u. a., 1983, S. 9ff.)

[46] vgl. (Mentzer & Bienstock, 1998, S. 44)

[47] engl. noise

[48] vgl. (Treyer, 2010, S. 9)

[49] vgl. (Mentzer & Bienstock, 1998, S. 47)

[50] vgl. (Makridakis u. a., 1983, S. 9)

[51] vgl. (Hanke u. a., 2004, S. 60)

[52] z.B. die Zerlegungsmethoden, ARIMA (Box Jenkins) usw.

[53] vgl. (Mentzer & Bienstock, 1998, S. 44,76)

[54] Naive Prognosen, Holt’s Exponentielle Glättung, Winter’s Exponentielle Glättung, Glättungsme­thoden mit adaptiver Gewichtung usw.

[55] vgl. (Wilson & Keating, 2009, S. 99)

[56] vgl. (Mentzer & Bienstock, 1998, S. 57-75)

[57] ca.1-3 Monate (vgl. Tabelle 3, S.35)

[58] vgl. (Mentzer & Bienstock, 1998, S. 78)

[59] vgl. (Chase, 2009, S. 59-60)

[60] vgl. (Makridakis u. a., 1980, S. 15ff)

[61] vgl. (Makridakis u. a., 1983, S. 11)

[62] vgl. (Krystek & Moldenhauer, 2007, S. 107ff.)

[63] vgl. (Toutenburg, Heumann, & Schomaker, 2008, S. 221-222)

[64] vgl. (Fahrmeir, Künstler, Pigeot, & Tutz, 2009, S. 550)

[65] vgl. (Winker, 2010, S. 68)

[66] vgl. (Winker, 2010, S. 67ff.)

[67] vgl. (Wilson & Keating, 2009, S. 299)

[68] vgl. (Makridakis u. a., 1903, S. 605)

[69] vgl. (Hanke u. a„ 2004, S. 5)

[70] vgl. (J. S. Armstrong, 2002, S. 363)

[71] vgl. (Treyer, 2010, S. 29)

Ende der Leseprobe aus 124 Seiten

Details

Titel
Erstellung eines Branchenindikators für den LED-Markt
Hochschule
Hochschule Deggendorf
Note
1,0
Autor
Jahr
2010
Seiten
124
Katalognummer
V169506
ISBN (eBook)
9783640878390
Dateigröße
4613 KB
Sprache
Deutsch
Schlagworte
LED, Indikator, Konjunktur, Mashup, ARIMA, Box Jenkins, Prognoserechnung, Prognosemethoden, Leading Indicator, Index, Composite Indicator, Stimmungsindikator, Forecasting, Business, Zeitreihen, Analyse, Branchenklima, Halbleiter, Semiconductor, Time-Series Forecasting, Unternehmenssteuerung
Arbeit zitieren
Volker Waelther (Autor), 2010, Erstellung eines Branchenindikators für den LED-Markt, München, GRIN Verlag, https://www.grin.com/document/169506

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Erstellung eines Branchenindikators für den LED-Markt


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden