Innovation ist zentral für die Wettbewerbsfähigkeit von Unternehmen und Volkswirtschaften. Während Schumpeter ursprünglich den heroischen Unternehmer als Motor von Innovationen betrachtete, betonte er später die Routinisierung von Innovationsprozessen in Forschungs- und Entwicklungs-Abteilungen (FuE). Lundvall entwickelte diese Perspektive weiter und konzeptualisierte Innovation als Ergebnis interaktiven Lernens innerhalb nationaler Innovationssysteme. Die vorliegende Arbeit untersucht, ob sich kooperations- und lernbezogene Unternehmensstrategien in deutschen Unternehmen empirisch identifizieren lassen und ob sich diese hinsichtlich ihres Innovationsoutputs unterscheiden. Auf Basis des Mannheimer Innovationspanels (MIP 2023, n = 1917 innovative Unternehmen) werden mittels hierarchischer Clusteranalysen vier Kooperationscluster und vier Lernkanäle identifiziert. Die Ergebnisse zeigen, dass 69% der innovativen Unternehmen kaum kooperieren. Unter den kooperierenden Unternehmen dominiert ein Multi-Kanal-Lernprofil (56%), das verschiedene Partnertypen kombiniert. Bivariate Analysen belegen, dass Multi-Kanal-Lernprofile und wissenschaftsorientierte Lernkanäle signifikant höhere Anteile an Markt- und Weltneuheiten aufweisen. Intensive Kooperationsstrategien sind strukturell an größere Unternehmen, höhere Akademikeranteile und interne FuE-Kapazitäten gebunden. Die Befunde stützen Lundvalls These des interaktiven Lernens: Nicht Kooperation an sich, sondern Vielfalt und Wissenschaftsnähe der Partnerbeziehungen sind maßgeblich für Innovationserfolg.
Inhaltsverzeichnis
Einleitung
Theorie
Daten und Operationalisierung
Methodik
Ergebnisse
Theorieabgleich und Einordnung der Ergebnisse
Limitationen
Fazit
Tabellenverzeichnis
Tabelle 1: Feinvariablen Kooperationen
Tabelle 2: Thematisch zusammengefasste Kooperationscluster
Tabelle 3: Kooperationsmerkmale nach Kooperationsclustern (Grobcluster)
Tabelle 4: Strukturelle Unternehmenscharakteristika nach Kooperationsclustern
Tabelle 5: Kooperationsmerkmale nach Lernclustern (Feincluster)
Tabelle 6: Verteilung der Lernkanäle auf die Kooperationscluster
Tabelle 7: Auswirkungen der Lerncluster auf den Innovationsoutput
Tabelle 8: Auswirkungen der Kooperationscluster auf den Innovationsoutput
Abstract
Innovation ist zentral für die Wettbewerbsfähigkeit von Unternehmen und Volkswirtschaften. Während Schumpeter ursprünglich den heroischen Unternehmer als Motor von Innovationen betrachtete, betonte er später die Routinisierung von Innovationsprozessen in Forschungs- und Entwicklungs-Abteilungen (FuE). Lundvall entwickelte diese Perspektive weiter und konzeptualisierte Innovation als Ergebnis interaktiven Lernens innerhalb nationaler Innovationssysteme. Die vorliegende Arbeit untersucht, ob sich kooperations- und lernbezogene Unternehmensstrategien in deutschen Unternehmen empirisch identifizieren lassen und ob sich diese hinsichtlich ihres Innovationsoutputs unterscheiden. Auf Basis des Mannheimer Innovationspanels (MIP 2023, n = 1917 innovative Unternehmen) werden mittels hierarchischer Clusteranalysen vier Kooperationscluster und vier Lernkanäle identifiziert. Die Ergebnisse zeigen, dass 69% der innovativen Unternehmen kaum kooperieren. Unter den kooperierenden Unternehmen dominiert ein Multi-Kanal-Lernprofil (56%), das verschiedene Partnertypen kombiniert. Bivariate Analysen belegen, dass Multi-Kanal-Lernprofile und wissenschaftsorientierte Lernkanäle signifikant höhere Anteile an Markt- und Weltneuheiten aufweisen. Intensive Kooperationsstrategien sind strukturell an größere Unternehmen, höhere Akademikeranteile und interne FuE-Kapazitäten gebunden. Die Befunde stützen Lundvalls These des interaktiven Lernens: Nicht Kooperation an sich, sondern Vielfalt und Wissenschaftsnähe der Partnerbeziehungen sind maßgeblich für Innovationserfolg.
Schlagwörter: Innovation, Kooperationsstrategien, Lernkanäle, Mannheimer Innovationspanel, Clusteranalyse, Nationale Innovationssysteme
Einleitung
Innovation ist für die Wettbewerbsfähigkeit von Ländern und Unternehmen zentral. Dies spiegelt sich auch in der deutschen Innovationspolitik wider: Der aktuelle Koalitionsvertrag betont Bildung, Forschung und Innovation als „Schlüssel zur Zukunft" und verpflichtet sich zu erhöhten Investitionen in diesen Bereichen (Koalitionsvertrag 2025, 71). Parallel zur politischen Priorisierung von Innovation zeigt sich ein empirisches Phänomen: Forschung und Entwicklung sind längst nicht mehr Nischenaktivitäten, sondern etablierte, professionalisierte Funktionen in Unternehmen und wissenschaftlichen Einrichtungen. FuE-Abteilungen, Innovationsmanagementsysteme und staatliche Förderprogramme strukturieren Innovationsprozesse systematisch und nach planbaren Routinen. Zugleich prägt ein anderes Narrativ die öffentliche Wahrnehmung von Innovation: Der Kult um das technologische Genie. Populäre Medien - Filme wie „The Social Network" oder Biografien erfolgreicher Gründer, wie Elon Musk - verbreiten ein Bild von Innovation als Werk außergewöhnlicher Einzelpersonen, Visionären, die gegen etablierte Strukturen ankämpfen und diese durchbrechen. Diese beiden Narrative, Innovation als geplante Routine versus Innovation als disruptive Genietat, scheinen auf den ersten Blick widersprüchlich. Auch der Innovationssoziologie sind diese unterschiedlichen Perspektiven auf Innovation nicht fremd. Schumpeter arbeitet in seinem Frühwerk die Rolle des Unternehmers heraus, der maßgeblich für die Entstehung von Innovationen verantwortlich ist. Gegen Ende seines Schaffens macht er jedoch die Beobachtung, dass sich Innovation immer weiter in die großen, etablierten Unternehmen in Form von FuE Abteilungen verlagert. Diese Beobachtung greift Lundvall in seiner Theorie der nationalen Innovationssysteme auf und behauptet lernen sei der maßgebliche Treiber von Innovationen. In meiner Arbeit möchte ich diesen Wandel genauer untersuchen und überprüfen, welche Relevanz das strukturierte Lernen für den Innovationserfolg heute hat. Meine Forschungsfrage lautet daher:
H: „Lassen sich kooperations- und lernbezogene Unternehmensstrategien in deutschen Unternehmen identifizieren, und unterscheiden sich diese Strategietypen systematisch hinsichtlich ihres Innovationsoutputs?“
Als empirische Grundlage dienen Daten des Mannheimer Innovationspanel (MIP), eine fortlaufende Panelbefragung deutscher Unternehmen seit 1993, durchgeführt durch das Zentrum für Europäische Wirtschaftsforschung (ZEW). Die Befragung bezieht sich auf das Innovationsverhalten der deutschen Wirtschaft.
Ich versuche mittels einer multivariaten Clusteranalyse verschiedene Kooperations- und Lernstrategien in den Daten aufzudecken, die wiederum unterschiedliche Effekte auf den Innovationsoutcome haben. Die Analyse unterteile ich in drei Untersuchungsgegenstände:
1. Identifikation: Welche Typen von Lernstrategien lassen sich anhand von Kooperations ‑ und Lernindikatoren mithilfe einer Clusteranalyse empirisch unterscheiden?
2. Output ‑ Unterschiede: Unterscheiden sich diese Lernstrategien in ihrem Innovationsoutput?
3. Interne FuE als Lernform: Unterscheiden sich die identifizierten Lernstrategien in der Kombination von kooperativem und internem FuE ‑ basiertem Lernen, und wie hängt diese Kombination mit dem Innovationsoutput der Unternehmen zusammen?
Das weitere Vorgehen in dieser Arbeit sieht folgendermaßen aus:
In Abschnitt 1 gehe ich vertieft auf die innovationssoziologischen Theorien ein, die meiner Arbeit zugrunde liegen und auf Basis derer ich das Forschungsdesign konzipiere. Im Anschluss erläutere ich in Abschnitt 3 und 4 die Datengrundlage genauer und präsentiere die gewählten Variablen und Methoden zur weiteren Analyse. Abschnitt 5 setzt sich dann mit der eigentlichen Analyse auseinander und stellt die Ergebnisse vor und setzt diese anschließend in Abschnitt 6 in Kontext zur Theorie. In Abschnitt 7 lege ich kritisch die Limitierungen und Mängel der Analyse dar. Abschließend gebe ich nochmal eine Zusammenfassung der zentralen Erkenntnisse.
Theorie
Schumpeters Innovationstheorie
Im Folgenden werde ich die Theorieansätze darlegen, auf deren Basis die folgende empirische Analyse operationalisiert werden soll. Der zuvor genannte Personenkult, der des Öfteren den Dialog über Innovationen begleitet, findet durchaus auch Repräsentanz – wenn auch differenzierter - in der wissenschaftlichen Auseinandersetzung mit der Einführung und Durchsetzung von Innovationen. Schumpeter gilt unter anderem als großer Vertreter dieses sogenannten „methodologischen Individualismus“ und als Begründer der Innovationssoziologie. Diese Denkschule setzt den Akteur in den Mittelpunkt der Analyse und ist der Auffassung, das Handeln des Akteurs oder einer Gruppe von ihnen sei verantwortlich für gesellschaftliche Tatsachen (vgl. Blättel-Mink 2021, 64). Für Schumpeter bedeutet Innovation eine „neue Kombination“ der bestehenden wirtschaftlichen Gegebenheiten, wodurch mit der Durchsetzung dieser folglich die alten zerstört werden (vgl. Schumpeter 1911, 157-158). Dieses Phänomen wird auch kurz als „schöpferische Zerstörung“ gefasst.
„Unser Mann der Tat entzieht einen Teil der Güter, die in der statischen Wirtschaft, von der wir ausgehen, vorhanden sind, den statischen Verwendungen, denen sie bisher regelmäßig dienten oder für die sie produziert wurden, und verwendet sie anders. Das ist es, was wir unter der Durchsetzung neuer Kombinationen verstehen.“ (Schumpeter 1911, 157-158.)
Diese Neukombination kann also sowohl auf organisatorischer als auch auf kommerzieller und technischer Ebene durchgeführt werden. Schumpeter erläutert anhand mehrerer Beispiele, worauf sie sich beziehen kann.
1. Die Produktion eines neuen noch nicht bekannten Gutes
2. Die Schaffung einer neuen Qualität eines Gutes oder eine neue Verwendungsart eines bestehenden Gutes
3. Eine neue Produktionsmethode für bestehende Güter
4. Die Erschließung eines neuen Marktes
5. Die Änderung wirtschaftlicher Organisationsformen
Ein Phänomen, das viele dieser Möglichkeiten miteinschließt, ist laut ihm die Neugründung eines Unternehmens. Auch wenn nicht ausschließlich neugegründete Unternehmen seiner Definition von Innovation zuzuordnen sind, liegt doch ein großes Augenmerk auf diesen (vgl. Schumpeter 1911, 159-160). Die Unternehmensgründung leitet auch direkt zu Schumpeters nächstem zentralen Theoriebaustein über, dem Unternehmertypus. Die bisher erläuterte Neukombination ist in ihrer Art bis jetzt noch rein theoretischer Natur. Sie ist ein Baustein der Wirtschaft, der erklärt, wie sich drastischer Wandel in dieser vollziehen kann. Was dem Ganzen fehlt ist ein Akteur, der diese Neukombinationen vorantreibt. Hierfür ist laut ihm ein „reiner Unternehmer“ notwendig. Dieser unterscheidet sich maßgeblich von anderen Wirtschaftsteilnehmern durch seine „energische“ Herangehensweise im Vergleich zu einer größtenteils vorkommenden „hedonischen“ Herangehensweise (vgl. Schumpeter 1911, 176). Das bedeutet, dass sein wirtschaftliches Handeln nicht dadurch geprägt ist einen bestimmten Konsumstandard zu erreichen auf dem er sich ausruhen kann – seine Motivation ist intrinsisch. Das Schaffen selbst ist was sein Handeln motiviert. Was den Unternehmer nach Schumpeter ausmacht, ist das Durchsetzen dieser neuen Kombinationen gegenüber den Alten. Dies impliziert, dass er nicht der Erfinder des Gegenstands sein muss. Seine besondere Fähigkeit liegt darin, aus einer für ihn begrenzten Anzahl an Möglichkeiten, ohne vorher zu wissen, ob sie erfolgreich sein wird, die Richtige zu wählen und diese in die Tat umzusetzen (vgl. Schumpeter 1911, 167-177). Natürlich kann er in den meisten Fällen die Neukombination, für die er sich entschieden hat, nicht allein durchsetzen. Die Kooperation mit anderen Akteuren ist von Nöten. Diese Akteure, da sie nicht derselben Veranlagung wie der des Unternehmers entsprechen, werden nach Schumpeter nur durch Zwang und Befehl des Unternehmers an dieser Neukombination mitarbeiten. Der Unternehmer bedarf zweierlei Dinge der anderen Akteure, zum einen ihre Güter und zum anderen ihre Arbeitskraft (vgl. Schumpeter 1911, 186-188). Beides kann er in der heutigen Wirtschaft mittels Geldes erhalten:
„So ist also das Geld das Mittel, mit dem sich der Unternehmer in der ausgebildeten Verkehrswirtschaft die Herrschaft über jene Produktionsmittel erobert, deren er bedarf. Es erfüllt die Funktion, die in anders organisierten Volkswirtschaften der direkten Befehlsgewalt und dem physischen Zwange zukommt.“ (ebd.)
Schumpeter benennt einen letzten Aspekt der notwendig ist, um die Neukombinationen letzten Endes zu verwirklichen. Wie gerade beschrieben, benötigt der Unternehmer finanzielle Mittel, um seine Vorhaben in die Tat umzusetzen. Das Problem ist, dass der Unternehmer in der Regel nicht im Besitz ausreichender Mittel ist, um dies zu tun. Hierfür benötigt es einen weiteren Akteur, den „Bankier“. Der Bankier übernimmt die Rolle des Befähigers. Mit ihm steht und fällt, ob der Unternehmer sein Vorhaben in die Tat umsetzen kann, da er über erhebliche finanzielle Mittel verfügt, die er den Unternehmern zu Verfügung stellen kann (vgl. Schumpeter 1911, 197-198).
Somit ist Schumpeters Theorie zur Innovation vollständig. Wichtig sind:
1. Die Neukombination bestehender Mittel
2. Die schöpferische Zerstörung, indem sich die Neukombination durchsetzt
3. Der Unternehmer der die notwendigen Eigenschaften hat die Neukombinationen durchzusetzen
4. Der Bankier, der dem Unternehmer finanzielle Mittel zu Verfügung stellt, um sein Vorhaben zu realisieren
Gegen Ende seines Schaffens sieht Schumpeter Entwicklungen, die sich von seiner eben zusammengefassten Theorie entfernen. Er nimmt wahr, dass sich vor allem in den Großkonzernen eine Abwendung vom Unternehmertum vollzieht. Immer mehr Großunternehmen verlassen sich nicht mehr auf die Innovation entstehend aus dem reinen Unternehmertum. Es findet eine „Veralltäglichung“ von Innovation statt (vgl. Blättel-Mink 2021, 76). Dies geht vonstatten, indem nun mehr Abteilungen in Großkonzernen für Innovationen verantwortlich sind, was diese zu einem normalen geplanten und organisierten Bestandteil der Wirtschaft macht. Diese Erkenntnis soll im zweiten Theorieansatz zu Innovationssystemen genauer untersucht werden.
Innovationssysteme
Wie im letzten Kapitel erwähnt überarbeitete Schumpeter 1942 in seinem Buch Kapitalismus, Sozialismus und Demokratie seine ursprüngliche Theorie. Er wich von der These ab, individuell agierende Unternehmer wären die wichtigsten Akteure im Wirtschaftssystem, um Innovationen hervorzubringen und räumte kollektiver Arbeit in Research & Development Abteilungen großer Unternehmen eine immer größer werdende Bedeutung in der Hervorbringung ein. Lundvall hat aufbauend auf diesem Wandel weg von individueller Agency hin zu kollektiver bei Schumpeter diese Entwicklung noch einen Schritt weitergeführt und eine Theorie der Innovationssysteme entwickelt (vgl. Lundvall 1992, 94). Die Theorie basiert auf 2 Grundannahmen:
1. „First, it is assumed that the most fundamental resource in the modern economy is knowledge and accordingly that the most important process is learning.“ (Lundvall 1992, 85)
2. „Second, it is assumed that learning is predominantly an interactive, and therefore a socially embedded, process that cannot be understood without taking into consideration its institutional and cultural context.“ (Lundvall 1992, 86)
Basierend auf diesen beiden Annahmen definiert Lundvall Innovationssysteme als:
„It follows that a system of innovation is constituted by elements and relationships that interact in the production, diffusion and use of new and economically useful knowledge and that a national system encompasses elements and relationships, either located or rooted inside the borders of a nation state. (Lundvall 1992, 86)
Er ist also der Auffassung, die wichtigste Ressource in der heutigen Wirtschaft ist Wissen, welches durch den Prozess des Lernens generiert wird. Lernen ist ein Prozess, der nur in Interaktionen durchgeführt werden kann, weshalb er in das soziale Gefüge eingebettet ist. Ein Innovationssystem ist folglich ein Verbund aus unterschiedlichen Elementen, die in Beziehungen zueinanderstehen und in Interaktionen neues Wissen ökonomisch verwerten und verbreiten. Diese Elemente, Beziehungen und Interaktionen sind durch den Nationalstaat eingerahmt, wobei Lundvall einräumt, dass sich diese Rahmung mit zunehmender Globalisierung auflöst (vgl. Lundvall 1992, 86). Da Innovation im Fall seiner Theorie durch Lernen erzeugt wird, werden einige Charakteristika von Innovationen sichtbar, die so auch an Schumpeters Verständnis anknüpfen. Innovation ist nichts, was von außen in die Wirtschaft hineingetragen wird, sondern entsteht innerhalb des wirtschaftlichen Systems durch aufeinander aufbauendes Wissen. Diese Vorstellung stimmt auch mit Schumpeters Terminologie der „Neukombination“ überein. Innovationen sind Neukombinationen existierenden Wissens (vgl. Lundvall 1992, 93). Der Lernprozess, der zu Innovationen führen kann, wird maßgeblich durch das wirtschaftliche System eines Landes und der Struktur seiner Institutionen beeinflusst und lässt sich auf verschiedenen Ebenen beobachten (vgl. ebd.). Wichtig dabei ist jedoch zu beachten, dass sich durch diese Beobachtungen zwar eine Entwicklungsrichtung und Entwicklungsrate von Innovationen erkennen lässt, der Zufall in der Entstehung von Innovation aber immer auch eine maßgebliche Rolle spielt (vgl. Lundvall 1992, 97).
Aus der Beobachtung heraus unterscheidet Lundvall zwischen 3 Methoden der Findung von Neukombinationen:
1. „Learning“
2. „Searching“
3. „Exploring“
Learning findet in Routineaktivitäten statt. Diese Routineaktivitäten betreffen alle Mitarbeitenden einer Unternehmung und umfassen das Wissen, das diese in ihren alltäglichen Tätigkeiten erlangen. Für diese Art des Wissenserwerbs sind die Strukturen innerhalb der Unternehmungen von zentraler Bedeutung, was dazu führt, dass technische Entwicklungen meist in Bereichen erzielt werden, in denen ein Unternehmen oder eine Volkswirtschaft bereits starke Strukturen aufgebaut hat (vgl. Lundvall 1992, 94). Searching wird für Unternehmungen notwendig, wenn ihre Existenz bedroht wird. In diesem Fall verlassen sie den routinemäßigen Modus des Lernens und suchen nach Neukombinationen, um ihre Existenz zu sichern. Da es in der Regel ineffizient ist erst nach Lösungen zu suchen, wenn die Lage es erfordert, haben viele Unternehmen ständige Bereiche etabliert, die dauerhaft mit Suchaktivitäten beschäftigt sind, wie FuE Abteilungen (vgl. Lundvall 1992, 96). Der letzte Modus der Findung neuer Kombinationen ist das „Exploring“. Dieses unterscheidet sich von der Suche dadurch, dass es nicht in wirtschaftlichen Unternehmen stattfindet, sondern in Forschungseinrichtungen. Diese haben nicht den Verwertungszwang, den die Suche in Unternehmen hat und können so zu anderen Entdeckungen kommen (vgl. ebd.). Zuletzt möchte ich nochmal auf die nationalstaatliche Rahmung eingehen. Diese hält Lundvall für bedeutsam, da zwischen Nationalstaaten die Wirtschaftsform und Institutionenstruktur variiert und diese, wie soeben dargelegt, den Innovationsprozess beeinflussen. Es gibt 5 relevante Bereiche, in denen sich Staaten hinsichtlich ihrer Innovationsstrukturen unterscheiden:
1. Interne Unternehmensorganisation
2. Beziehungen zwischen Unternehmen
3. Rolle des öffentlichen Sektors
4. Struktur des Finanzsektors
5. FuE Intensität und Struktur
(vgl. Lundvall 1992, 98-99)
Die interne Organisation ist entscheidend, da Informationsaustausch und Lernfähigkeit davon abhängen, wie einzelne Abteilungen zusammenarbeiten und Wissen weitergeben. Die Beziehung zwischen Unternehmen bezieht sich nicht nur auf Konkurrenzverhältnisse, sondern auch auf Kooperationen zwischen Unternehmen, da beides zu Innovationen beiträgt. Der öffentliche Sektor hat verschiedene Rollen. Zum einen ist er Konsument neuer Innovationen, gleichzeitig aber auch Finanzmittelgeber und er strukturiert das Bildungswesen. Der Finanzsektor dient, wie bereits in Schumpeters Theorie dargestellt, als Befähiger, indem er finanzielle Mittel zur Umsetzung neuer Kombinationen zu Verfügung stellt. Die FuE Aktivitäten wurden bereits des Öfteren als maßgebliche Treiber von Innovationen durch Searching und Exploring Aktivitäten erwähnt (vgl. ebd.).
Während Schumpeter die Innovationskraft in Unternehmern sieht, die sich von der breiten Masse der wirtschaftlichen Akteure abheben und sich diese zu Untertanen machen, um ihre Visionen zu verwirklichen, übernimmt Lundvall einige grundsätzliche Annahmen, wie die Terminologie zu Neukombinationen, ist aber der Auffassung, Innovationen würden durch etablierte Strukturen und gemeinsames Lernen hervorgebracht werden. Schumpeters Analysen in seinem Spätwerk und Lundvalls Konzeptionalisierung von Innovation als strukturierter Lernprozess in nationalen Wirtschaftssystemen legen den Gedanken nahe, dass Innovationen planbare und durch strukturierte Maßnahmen herbeiführbare Gegenstände sind. Wenn dem so ist, müssten sich bei der Analyse innovativer Unternehmen Strategien erkennbar machen lassen, die zum Innovationsergebnis beigetragen haben. Die Erwartung ist, empirisch Strategien wie Learning, Searching und Exploring wiederzufinden und einen Unterschied in ihren Innovationsoutputs zu erkennen. Mittels einer Clusteranalyse möchte ich diese Strategien sichtbar machen und hinsichtlich ihres Erfolges untersuchen.
Daten und Operationalisierung
Das ZEW erhebt seit 1993 jährlich Daten zum Innovationsverhalten der deutschen Wirtschaft. Die Innovationserhebung deckt die Bereiche Bergbau, verarbeitendes Gewerbe, Energie, Baugewerbe, unternehmensnahe Dienstleistungen und distributive Dienstleistungen ab. Sie ist für Deutschland repräsentativ und ermöglicht Hochrechnungen für die deutsche Wirtschaft insgesamt sowie für einzelne Branchengruppen. Es wird im Auftrag des Bundesministeriums für Forschung, Technologie und Raumfahrt und in Kooperation mit infas und dem Fraunhofer‐ISI durchgeführt. Das MIP ist gleichzeitig der deutsche Beitrag zu den Community Innovation Surveys (CIS) der Europäischen Kommission. Das CIS ist der Community Innovation Survey, also eine europaweit standardisierte Unternehmensbefragung, mit der Innovations-aktivitäten, Innovationsausgaben und Zusammenarbeit von Unternehmen erfasst werden (vgl. Eurostat). Die jährliche Innovationserhebung ist als Panelbefragung konzipiert. Dabei werden jedes Jahr dieselben Unternehmen einbezogen. Die Repräsentativität der Stichprobe wird dadurch sichergestellt, dass sie um Unternehmensschließungen beziehungsweise Zusammenschlüsse bereinigt wird und alle zwei Jahre neugegründete Unternehmen in die Stichprobe aufgenommen werden. Das MIP liefert wichtige Informationen zur Einführung neuer Produkte, Dienstleistungen und Verfahren in Unternehmen, den Aufwendungen für Innovationen, und den Erfolg, den Unternehmen mit neuen Produkten, neuen Dienstleistungen und verbesserten Verfahren erzielen (vgl. Rammer & Schubert 2024, 7). Für meine Analysen verwende ich die Version der Erhebung von 2023, die neuste, die zum Zeitpunkt des Verfassens dieser Arbeit verfügbar ist. Die Innovationserhebung 2023 hatte zum Ziel, das Innovationsverhalten in der deutschen Wirtschaft im Referenzzeitraum 2020-2022 zu erfassen. Außerdem wurden Indikatoren zu den geplanten Innovationsaktivitäten in den Jahren 2023 und 2024 erhoben.
Zu Beginn der Operationalisierung halte ich es für notwendig zunächst die Innovationsbegriffe miteinander zu vergleichen, um zu gewährleisten, dass sich Theorien und Befragung über ihren Untersuchungsgegenstand einig sind. Das MIP hat 2019 seine Definition von Innovation überarbeitet und unterscheidet seitdem folgende Arten von Innovation:
„Definition Produkt‐ /Dienstleistungsinnovation ab 2019
Produkt‐/Dienstleistungsinnovationen sind neue oder verbesserte Produkte oder Dienstleistungen, deren Komponenten oder grundlegende Merkmale (technische Grundzüge, integrierte Software, Verwendungseigenschaften, Benutzerfreundlichkeit, Verfügbarkeit, Kundennutzen, Design) sich merklich von den zuvor von Ihrem Unternehmen angebotenen Produkten und Dienstleistungen unterscheiden. Die Innovation muss neu für Ihr Unternehmen sein, es muss sich dabei nicht notwendigerweise um eine Marktneuheit handeln. Es ist dabei unerheblich, wer die Innovation entwickelt hat. Der reine Verkauf von Innovationen, die von anderen Unternehmen produziert wurden, ist keine Produktinnovation.“ (ZEW 2024, S.7-8)
„Definition Prozess‐ / Verfahrensinnovation ab 2019
Prozess‐/Verfahrensinnovationen sind neue oder verbesserte Verfahren und Methoden, die sich merklich positiv auf Kosten oder Qualität auswirken. Prozess‐/Verfahrensinnovationen können sich auf Fertigungs‐/Verfahrenstechniken, Verfahren zur Dienstleistungserbringung, Logistik‐ und Vertriebsmethoden, Informationstechnik, unterstützende Aktivitäten (z.B. Bürotechnik, administrative Verfahren), Organisations‐ und Managementmethoden und Marketingmethoden beziehen. Die Innovation muss neu für Ihr Unternehmen sein, sie muss aber nicht notwendigerweise von Ihrem Unternehmen als erstes eingeführt worden sein. Es ist unerheblich, wer die Innovation entwickelt hat.“ (ZEW 2024, S.7-8)
Auch wenn sich die Innovationssystemtheorie in erster Linie auf technologische Produktinnovationen bezieht, fußt sie, wie bereits im Kapitel zu Innovationssystemen erläutert, auf Schumpeters Innovationenverständnis der Neukombination. Zur Erinnerung hier nochmal erläutert, gibt es nach Schumpeter fünf Arten der Neukombination:
1. Die Produktion eines neuen noch nicht bekannten Gutes
2. Die Schaffung einer neuen Qualität eines Gutes oder eine neue Verwendungsart eines bestehenden Gutes
3. Eine neue Produktionsmethode für bestehende Güter
4. Die Erschließung eines neuen Marktes
5. Die Änderung wirtschaftlicher Organisationsformen
Die erste Definition des MIP zu Produkt-/ Dienstleistungsinnovationen umfasst die ersten beiden Punkte von Schumpeters möglichen Neukombinationen. Die Autoren betonen ebenfalls im Sinne Schumpeters, dass der Innovator nicht auch der Erfinder sein muss. Worin sich die Definitionen unterscheiden ist, dass für das MIP das neue Produkt oder die Dienstleistung nur für das betrachtete Unternehmen neu sein muss. Der Aspekt der Durchsetzung auf dem Markt und der Verdrängung alter Kombinationsmethoden fällt somit weg. Der Punkt drei findet sich in beiden Definitionen des MIP wieder, wird aber nicht als notwendig angesehen. Die Punkte vier und fünf werden in der zweiten Definition des MIP zusammengefasst. Auch hier mit derselben Abweichung von Schumpeter, die Neuheit müsse lediglich für das Unternehmen selbst gelten. Trotz dieser Abweichung halte ich die Definitionen von Theorie und Panel hinreichend ähnlich, um sie für die Analyse zu benutzen.
Da ich mich in meiner Forschungsfrage mit den Lernstrategien von innovativen Unternehmen befasse, muss die Gesamtstichprobe um die nicht innovativen Unternehmen bereinigt werden. Hierfür habe ich nur Unternehmen ausgewählt, die in den vergangenen drei Jahren Innovationen hervorgebracht haben. Die Unternehmen mussten also folgende Bedingungen erfüllen:
Sie hatten die Variablen pz oder pd mit „ja“ beantwortet, also haben sie in den letzten drei Jahren Aktivitäten zur Entwicklung von Prozess- oder Produktinnovationen durchgeführt und sie haben pa und pn mit „nein“ beantwortet. Dies schließt die Unternehmen aus die ihre Innovationsprojekte in den letzten 3 Jahren abgebrochen oder nicht fertiggestellt haben. Außerdem wurden Unternehmen ausgeschlossen, die Innovationsaktivitäten zwar abgeschlossen haben, diese aber zu keiner Einführung von Produkt- oder Prozessinnovationen geführt haben (pok = „nein“). Das stellt sicher, dass nur Unternehmen in der Analyse berücksichtigt werden, die Innovationen erfolgreich entwickelt und eingeführt haben. Nach Anwendung der Filter reduziert sich die Stichprobe von ursprünglichen N = 4871 auf N = 1917 (39,4 %) Fälle.
Aus allen Variablen, die der Datensatz erhebt, teile ich die Variablen, die ich für meine Analyse benötige in drei Kategorien. Die erste Kategorie sind Variablen zur Modellierung der Lernstrukturen. Da ich diese in meiner Analyse clustern möchte, um Lernstrategien zu ermitteln nenne ich sie Clustervariablen. Das zweite Set an Variablen sind beschreibende Variablen, die ich benötige, um die Cluster genauer zu charakterisieren. Aus diesem Grund erhalten sie die Bezeichnung C harakterisierungsvariablen. Die letzte Gruppe sind Variablen, die das Innovationsergebnis näher beschreiben. Diese benötige ich, um zu ermitteln ob die gefundenen Cluster sich in ihren Innovationsergebnissen unterscheiden. Im Folgenden werden diese unter die Kategorie Outputvariablen fallen.
Clustervariablen
Lernen kann nach Lundvall auf verschiedenen Ebenen passieren. Für meine Analyse fokussiere ich mich auf die Ebene der Kooperationen zwischen den Unternehmen und weiteren gesellschaftlichen Akteuren. Diese Kooperationen werden durch zwei verschiedene Gruppen von Variablen abgedeckt. Zum einen nutze ich grobe Variablen, die abfragen, ob Kooperationen zu FuE bestehen (koopfue), ob Kooperationen zu Innovationen außerhalb von FuE bestehen (koopiaso) und ob Kooperationen bestehen, die die ersten Kategorien nicht umfassen (koopso). Darüber hinaus nutze ich feinere Variablen, die genauer abfragen, wenn Kooperationen bestehen, mit wem genau. Die möglichen Kooperationspartner sind hier:
Tabelle 1: Feinvariablen Kooperationen
Abb. in Leseprobe nicht enthalten
(Quelle: eigene Darstellung)
Der Datensatz unterscheidet zwischen Partnern im Inland (kod) und Partnern im Ausland (koa). Die sonstigen Kooperationspartner sind in obiger Tabelle der Vollständigkeit halber aufgelistet werden aber in den folgenden Analysen nicht berücksichtigt, da sie schwer zu interpretieren sind.
Charakterisierungsvariablen
Zur Charakterisierung der Cluster nutze ich drei Variablen. Zum einen die Beschäftigtenanzahl (bges), um Unterschiede in der Unternehmensgröße der Cluster zu erkennen. Wie bereits im Theorieteil erwähnt, treten Innovationen laut Lundvall oft in etablierten Wirtschaftsbereichen mit starken Strukturen auf. Die Unternehmensgröße soll hier ein Indikator für etablierte Strukturen sein. Weiter spielen noch der Akademiker-Anteil (bhsp) und ob die Unternehmen FuE Abteilungen besitzen (fueint) eine wichtige Rolle zur Charakterisierung. Sie ergänzen die Lernstrukturen auf kooperativer Ebene um eine intraorganisationale Ebene.
Outputvariablen
Die Outputvariablen zur Überprüfung der Innovationsergebnisse sind wie die Clustervariablen auch in zwei Gruppen geteilt. Da der Datensatz Innovationen in zwei Bereiche unterscheidet, die Prozessinnovationen und die Produktinnovationen, untersuche ich auch die Outputs der gebildeten Cluster hinsichtlich beider Optionen. Für die Prozessinnovationen prüfe ich, ob eine Kostenreduktion mit der Einführung einhergegangen ist (rek) und wenn ja um wie viel Prozent (rekp). Auf der Seite der Produktinnovationen untersuche ich wie viel Umsatz prozentual mit den neuen Produkten erzielt wurde (umneu), ob es sich bei dem neuen Produkt um eine Marktneuheit handelt (mneu) und noch spezifischer, ob es eine Weltmarktneuheit ist (mneuwo), um den Grad der Neuheit genauer zu bestimmen und unterscheiden zu können.
Methodik
Um herauszufinden ob sich in der deutschen Innovationslandschaft übergeordnete Lernstrategien im Bereich der Kooperationen erkennen lassen und sich diese, wie von Lundvall erwartet, in ihrem Innovationsoutput unterscheiden, habe ich die Analyse in zwei Schritte aufgeteilt. Der erste Schritt ist eine multivariate Clusteranalyse, die unter Einbezug aller bereits genannten Kooperationsformen, Unternehmen übergreifende Muster erkennen lässt. Im zweiten Schritt gleiche ich, mittels bivariater Verfahren die Cluster mit den vorher definierten Outcome Variablen ab und untersuche sie hinsichtlich signifikanter Unterschiede.
Cluster Analyse
Für meine Fragestellung halte ich die Anwendung von Clusterverfahren sinnvoll, da sie Muster in den Daten erkennen. Sie analysieren Fälle anhand der vorgegebenen Variablen und finden Muster, also Konstellationen, die die Variablen über mehrere Fälle hinweg annehmen. Sie bilden Gruppen (Cluster), indem sie sich ähnelnde Fälle zusammenführen. So entstehen Gruppen, die in sich sehr homogen sind, gegenüber anderen Gruppen aber maximal heterogen. Diese Verfahren ermöglichen mir Kooperationsformen zu erkennen, die unternehmensübergreifend existieren.
Als ersten Schritt meiner Analyse bilde ich Grobcluster. Hierfür nehme ich die oben erwähnten groben Variablen koopfue, koopiaso und koopso. Diese waren zuvor auf ja/nein codiert. Um sie mittels Clusterverfahren zu nutzen, habe ich sie dichotomisiert auf 1/0. Im Anschluss nutze ich ein hierarchisch-agglomeratives Verfahren mit Simple Matching Koefizient (SM) und Average Linkage, um die Cluster zu bilden. Für den SM entschied ich mich, da dieser auch gemeinsame Nicht-Ausprägungen berücksichtigt. Diese Wahl basiert auf dem theoretischen Hintergrund, dass die nicht Kooperation durchaus auch ein eigenständiges Kooperationsmuster sein kann. Die zweite Clusteranalyse auf Basis der Feincluster führte ich durch, indem ich zuerst die Variablen dichotomisierte und wie bereits erwähnt Inland und Ausland zu einer Variable zusammenführte. Abschließend habe ich die Variablen zu thematischen Blöcken zusammengefasst. Grundlage meiner Entscheidung war, dass einzelne der feinen Variablen sehr selten auftraten, was zu zu kleinen Fallzahlen in der Analyse geführt hätte.
Tabelle 2: Thematisch zusammengefasste Kooperationscluster
Abb. in Leseprobe nicht enthalten
(Quelle: eigene Darstellung)
Bei der zweiten Clusteranalyse habe ich mich ebenfalls für ein hierarchisch-agglomeratives Verfahren mit Average-Linkage entschieden, dieses Mal jedoch das Jaccard Distanzmaß gewählt, da dieses bei asymmetrischen binären Merkmalen gemeinsame positive Ausprägungen stärker gewichtet. Das Average-Linkage-Verfahren wurde in beiden Fällen verwendet, um die Distanz zwischen Clustern auf Basis der durchschnittlichen Paarabstände zu bestimmen und dadurch ausgewogene, gut interpretierbare Cluster zu erhalten. Für beide Clusteranalysen habe ich mehrere Clusterlösungen berechnet und auf Basis der Interpretierbarkeit und des Dendrogramms in beiden Fällen eine vier Cluster Lösung für am sinnvollsten erachtet. Ein weiteres Kriterium für die zweiteilige Clusterlösung war, dass sich nach der Berechnung der Grobcluster (n = 1917) ein großes Cluster von gering kooperierenden Innovatoren ergeben hat. Um den Fokus noch stärker auf die kooperierenden Unternehmen zu legen, habe ich auf Basis der feinen Variablen zusätzlich eine Clusterlösung nur für diese Unternehmen berechnet (n = 641). In der Auswertung werde ich immer Bezug auf beide Clusteranalysen nehmen und die Doppelstruktur zusätzlich als Robustheitscheck nutzen.
Cluster Auswertung
Im Anschluss an die Bildung der Lerncluster beschreibe ich diese zunächst deskriptiv und vergleiche sie anschließend hinsichtlich ihrer Unternehmensmerkmale und ihres Innovationsoutputs. Damit möchte ich die einzelnen Cluster inhaltlich charakterisieren und prüfen, ob sich zwischen ihnen systematische Unterschiede zeigen. Die deskriptiven Auswertungen bilden die Grundlage für die spätere Interpretation der Clusterprofile und der empirischen Ergebnisse. Für metrische bzw. ordinale Variablen verwende ich Median und Interquartilsabstand. Diese Kennwerte eignen sich besonders dann, wenn die Verteilungen schief sind oder Ausreißer enthalten, da sie robuster sind als Mittelwert und Standardabweichung. Bei dichotomen oder nominalen Variablen stelle ich die entsprechenden Anteile in Prozent dar. Auf diese Weise kann ich sowohl strukturelle Merkmale der Unternehmen als auch ihre Innovationsaktivitäten übersichtlich vergleichen. Zur statistischen Prüfung der Unterschiede zwischen den Clustern setze ich nichtparametrische Verfahren ein. Für metrische oder ordinale Variablen verwende ich den Kruskal-Wallis-Test, da ich damit Unterschiede zwischen mehr als zwei unabhängigen Gruppen untersuchen kann ohne Normalverteilung vorauszusetzen. Für nominale Variablen berechne ich den Chi-Quadrat-Test der Unabhängigkeit. Zusätzlich berichte ich bei diesen Tests Cramers V als Effektstärke, um die Stärke der Zusammenhänge zu beurteilen. Die Ergebnisse stelle ich in Tabellen dar, die die jeweiligen Kennwerte sowie die zugehörigen Teststatistiken und Signifikanzen enthalten. Signifikante Unterschiede zwischen den Clustern interpretiere ich anschließend inhaltlich und ordne sie in die theoretischen Überlegungen ein. Der deskriptive Auswertungsteil verbindet damit die Beschreibung der Cluster mit der empirischen Prüfung meiner Forschungsfrage.
Ergebnisse
Das Clusterverfahren mit den groben Kooperationsvariablen ergab eine vierteilige Clusterlösung (siehe Tabelle 3). Diese einzelnen Cluster sind als übergeordnete Kooperationsstrategien zu verstehen, die die Unternehmen verfolgen. Aus den Input-Variablen ergaben sich ein Cluster von breit kooperierenden Innovatoren, ein Cluster von Unternehmen die hauptsächlich im Bereich der Forschung und Entwicklung kooperieren, ein Cluster von Innovatoren, die zwar mit anderen Entitäten kooperieren, nicht jedoch konkret zu Innovationsprojekten und ein Cluster von Innovatoren, das nahezu keine Kooperationen aufweist. Die Gruppe der breit Kooperierenden weist hohe Ausprägungen über alle Variablen hinweg auf. Sie haben alle Kooperationen zu FuE Aktivitäten und Aktivitäten, die nicht direkt mit dem Innovationsprozess in Verbindung gebracht werden können. 70% von ihnen hat zudem zusätzliche Kooperationen im Innovationsbereich die über FuE hinausgehen. Man muss jedoch feststellen, dass diese Gruppe von stark kooperierenden Unternehmen eine kleine Gruppe innerhalb der innovativen Unternehmen darstellt. Sie decken lediglich einen Anteil von 5% ab. Die FuE kooperierenden Innovatoren arbeiten alle im Bereich der Forschung und Entwicklung mit anderen Parteien zusammen. Ein Viertel von ihnen hat zusätzlich auch noch Kooperationen zu anderen Innovationsthemen. Diese Gruppe deckt weitere 13% der Innovatoren ab. Die dritte Gruppe sind die rein operativ kooperierenden Innovatoren. Das bedeutet, ihre Kooperationen beziehen sich nicht direkt auf die Hervorbringung von Innovationen. Wie die vorherige Gruppe deckt diese ebenfalls 13% der Stichprobe ab. Zuletzt gibt es dann noch die gering, man könnte auch sagen nicht kooperierenden Innovatoren. Sie sind mit Abstand der größte Teil der Innovatoren und umfassen knapp 70%.
Tabelle 3: Kooperationsmerkmale nach Kooperationsclustern (Grobcluster)
Abb. in Leseprobe nicht enthalten
Anmerkung. Dargestellt sind Mittelwerte M und Standardabweichungen SD dichotomer Kooperationsvariablen (0 = keine Kooperation, 1 = Kooperation); M entspricht somit dem Anteil kooperierender Unternehmen in der jeweiligen Clustergruppe. Gesamtstichprobe n = 1917. Aufgrund von Rundungsdifferenzen summieren sich die Prozentwerte möglicherweise nicht exakt auf 100%. (Quelle: eigene Darstellung)
Um ein besseres Verständnis für die erhaltenen Cluster zu bekommen habe ich sie hinsichtlich verschiedener Charakteristika untersucht. Die FuE kooperierenden Innovatoren zeichnen sich besonders dadurch aus, dass fast alle von ihnen (98%) eine interne FuE Abteilung besitzen. Der Anteil an Akademikern ist ähnlich im Vergleich zu den breit und operativ Kooperierenden, jedoch deutlich höher als bei den gering Kooperierenden. Die Hälfte von ihnen hat mehr als 70 Mitarbeiter. Die gering kooperierenden Innovatoren fallen deutlich aus dem Muster der anderen Cluster heraus. Lediglich ein Drittel von ihnen besitzt eigene FuE Abteilungen. Sie haben einen deutlich geringeren Anteil an Akademikern im Unternehmen und ihre Unternehmensgröße ist meist kleiner als bei den anderen Gruppen. Nur die Hälfte von ihnen ist größer als 23 Mitarbeiter. Die Gruppe der breit Kooperierenden ähnelt der Gruppe der FuE Gruppe. 90% von ihnen besitzen FuE Abteilungen. Sie haben den größten Anteil an Akademikern und im Durchschnitt die größten Unternehmen, bezogen auf die Mitarbeiterzahl. Die Unternehmen des operativen Clusters befinden sich im Mittelfeld. Sie unterscheiden sich in ihrem Akademikeranteil nicht wesentlich von den FuE oder breiten Clustern, ähneln aber hinsichtlich der Belegschaft und dem Anteil der FuE Abteilungen eher dem Cluster der gering Zusammenarbeitenden. Erkennen lässt sich hierbei, der Großteil innovativer Unternehmen besitzt keine FuE Abteilungen. Diese sind vor allem bei größeren Unternehmen zu finden, die im Median mehr Mitarbeiter haben als die Vergleichsgruppen und den FuE und breiten Kooperierenden zugeordnet sind.
Tabelle 4: Strukturelle Unternehmenscharakteristika nach Kooperationsclustern
Abb. in Leseprobe nicht enthalten
Anmerkung. Für kontinuierliche bzw. ordinale Variablen werden Median und Interquartilsabstand (IQR) angegeben; für dichotome Variablen ist der Anteil der Kategorie „ja“ in Prozent ausgewiesen. Für ordinal-skalierte Variablen wurden Kruskal‑Wallis‑Tests (H) berechnet, für nominalskalierte Variablen Chi ‑ Quadrat ‑ Tests der Unabhängigkeit (χ²) mit Cramers V (V) als Effektstärke. * p <.05. (Quelle: eigene Darstellung)
Nach der Untersuchung in welchen Bereichen Kooperationen stattfinden, habe ich mir in einem zweiten Clusterschritt angeschaut mit welchen Entitäten diese Kooperationen zustande kommen. Ich habe die Gruppen, die sich aus der Analyse ergaben, Lernkanäle genannt, weil ich die Kooperationspartner mit Lundvall als Mittel begreife das eigene Wissen zu erweitern. Es ergaben sich vier übergeordnete Lernstrategien die Unternehmen verfolgen. Die Bezeichnungen verweisen auf den jeweils dominanten Kooperationsschwerpunkt. Die Cluster enthalten jedoch teilweise auch weitere Kooperationsformen, sodass es sich nicht um rein monostrategische Typen handelt. Das klar dominante Lerncluster ist das Multi-Kanal-Lernprofil, das 56% aller kooperierenden Firmen abbildet. Es zeichnet sich durch eine breite Aufstellung, die Kooperationspartner betreffend, aus. Alle Kooperationspartner (siehe Tabelle 2) sind in dieser Gruppe mit ca. 70% oder mehr vertreten. Das bedeutet, die Unternehmen in diesem Cluster stützen sich nicht fokussiert auf eine Art von Kooperationspartner, sondern schöpfen aus einer breiten Wissensbasis. Dem gegenüber stehen die anderen drei Cluster. Diese zeichnen sich jeweils durch einen klar dominierenden Partnertypen aus. Der horizontal dominierte Lernkanal hat wie der Name vermuten lässt eine dominante Ausrichtung auf horizontale Kooperationspartner, also Partnerunternehmen oder Wettbewerber aus der gleichen Branche. Ein Teil von ihnen (29%) hat zusätzliche Kooperationspartner aus der Beratung oder aus Verbänden. Der Lernkanal bildet 16% der kooperierenden Unternehmen ab. Der wissenschaftsorientierte Lernkanal hat seinen klaren Fokus auf akademischen Partnern und zu einem kleineren Teil von 42% auf Partner entlang der Wertschöpfungskette wie Kunden oder Zulieferer. Sie bilden die kleinste Gruppe mit nur 13% aller Kooperierenden. Die letzte Gruppe, der vertikal dominante Lernkanal, bildet eine Kooperationsachse. Die vertikale Achse an Partnern ist hier klar die dominante, jedoch hat eine relevante Menge von 55% ebenfalls Kooperationspartner auf horizontaler Ebene. Genau wie der horizontal dominante Lernkanal hat der Vertikale einen Anteil von 16% an der Gesamtheit.
Tabelle 5: Kooperationsmerkmale nach Lernclustern (Feincluster)
Abb. in Leseprobe nicht enthalten
Anmerkung. Dargestellt sind Mittelwerte M und Standardabweichungen SD dichotomer Kooperationsvariablen (0 = keine Kooperation, 1 = Kooperation); M entspricht somit dem Anteil kooperierender Unternehmen in der jeweiligen Lernclustergruppe. Gesamtstichprobe n = 641. Aufgrund von Rundungsdifferenzen summieren sich die Prozentwerte möglicherweise nicht exakt auf 100%. (Quelle: eigene Darstellung)
Als nächsten Schritt habe ich mir angeschaut, wie sich die Lernkanäle auf die thematisch gruppierten Kooperationscluster aus Tabelle 3 verteilen. Erwartbar war, dass ein Großteil des wissenschaftlich orientierten Lernkanals von 74% auf das FuE Cluster entfällt. Aus dem Multi-Kanal-Lernprofil entfallen zwar nur 42% auf das FuE Cluster, da dieser Kanal aber mit Abstand der Größte ist, bedeutet das, dass die Unternehmen aus diesem Cluster absolut den größten Anteil im FuE Cluster einnehmen. Weil jedoch auch im Multi-Kanal ein großer Anteil von 77% wissenschaftlicher Partner vertreten sind, verändert dieses Ergebnis nichts an der Aussage, wissenschaftliche Kooperationen würden in diesem Kooperationscluster dominieren. Die breit kooperierenden Innovatoren lassen sich fast ausschließlich auf das Multi-Kanal-Lernprofil herunterbrechen. Lediglich 20% des Clusters verteilen sich auf die anderen 3 Lernprofile. Auch dieses Ergebnis war zu erwarten, da Kooperationen in vielen Bereichen auch verschiedene Partner vermuten lässt. Über die Hälfte der Unternehmen mit vertikalem (57%) und horizontalem (67%) Lernkanal fallen unter die operativ kooperierenden Unternehmen. Zur Erinnerung, diese Unternehmen zeichnen sich dadurch aus, dass sie zwar Kooperationen eingehen, nicht aber zu Innovationen im spezifischen. Dass der wissenschaftlich orientierte Lernkanal hier nur mit 8% anteilig vertreten ist, deckt sich mit diesem Bild, da sich wissenschaftliche Partner eher in forschungsintensiven Kooperationen, wie der Entwicklung neuer Innovationen, erwarten lassen. Das Multi-Kanal Lernprofil ist anteilig an den operativen Kooperierenden der größte Kanal. Dies zeigt, dass auch wenn Unternehmen nicht speziell Kooperationen zu Innovationen eingehen, sie dennoch ein breites Netz an Partnern haben können. 9% der Unternehmen aller Lernkanäle zusammengerechnet entfallen auf die gering Kooperierenden. Hier lassen sich keine nennenswerten Muster erkennen. Dass der Anteil so gering ist, lässt aber darauf schließen, dass ein Großteil des geringen Kooperationsclusters überhaupt keine Kooperationen besitzt. Zur Erinnerung, das geringe Kooperationscluster umfasst 1315 Fälle. Aus den Lernclustern entfallen lediglich 57 Fälle auf das besagte Cluster. Jetzt muss man noch berücksichtigen, dass in der Lerncluster-Berechnung die sonstigen Partner (ko10) nicht beachtet wurden. Jedoch ändert es auch unter Einbezug dieser nichts an der Tatsache, dass über 1000 Unternehmen keine Kooperationspartner besitzen und trotzdem scheinbar innovativ sind.
Tabelle 6: Verteilung der Lernkanäle auf die Kooperationscluster
Abb. in Leseprobe nicht enthalten
Anmerkung. χ 2(9) =140.68, p <.001, Crameˊr ′ s V =.27. Aufgrund von Rundungsdifferenzen summieren sich die Prozentwerte möglicherweise nicht exakt auf 100%. (Quelle: eigene Darstellung)
Nachdem ich die Kooperationscluster auf verschiedene Arten untersucht und charakterisiert habe, komme ich zur entscheidenden Analyse. Der Abgleich der Cluster mit den Innovationsoutcome-Variablen soll zeigen, ob sich anhand der Kooperations- und Lernstrategien der Unternehmen eine Beeinflussung des Innovationserfolgs erkennen lässt. Tabelle 7 zeigt, dass sich die vier Lerncluster im Innovationsoutput unterscheiden. Besonders das Multi-Kanal-Lernprofil und der wissenschaftsorientierte Lernkanal schneiden bei mehreren Kennzahlen besser ab als die beiden anderen Cluster. Beim Umsatz mit neuen Produkten liegt das Multi-Kanal-Lernprofil mit einem Median auf Skalenwert 4 vorn; das entspricht einem Bereich von unter 20%. Die übrigen drei Cluster liegen jeweils bei Skalenwert 3, also im Bereich von unter 15%. Der Unterschied ist zwar nicht riesig, deutet aber darauf hin, dass ein breiteres Lernprofil mit etwas besseren Ergebnissen bei neuen Produkten zusammenhängt. Deutlicher fallen die Unterschiede bei Marktneuheiten und Weltneuheiten aus. Marktneuheiten berichten 43% der Unternehmen im wissenschaftsorientierten Lernkanal und 36% im Multi-Kanal-Lernprofil. Im vertikalen Lernkanal liegt der Wert bei 22%, im horizontalen Lernkanal bei 18%. Bei Weltneuheiten zeigt sich ein ähnliches Bild: Hier liegt der wissenschaftsorientierte Lernkanal mit 30% vorne, gefolgt vom Multi-Kanal-Lernprofil mit 19%, dem vertikalen Lernkanal mit 9% und dem horizontalen Lernkanal mit 6%.
Damit wird deutlich, dass vor allem wissenschaftsnahe und kombinierte Lernformen mit besonders neuartigen Innovationen verbunden sind. Auch bei den Prozessinnovationen ergibt sich ein ähnliches Muster. Eine Kostenreduktion durch Prozessinnovationen geben 36% der Unternehmen im Multi-Kanal-Lernprofil an, 27% im wissenschaftsorientierten Lernkanal, 21% im vertikalen Lernkanal und 14% im horizontalen Lernkanal. Bei der genauen Höhe der Kostenreduktion liegt der Median in allen Clustern zwar bei 0, aber die Streuung unterscheidet sich: Im Multi-Kanal-Lernprofil reicht der Interquartilsabstand von 0 bis 2, in den anderen Clustern nur von 0 bis 0 oder 0 bis 1. Das heißt, die meisten Unternehmen erzielen keine oder nur sehr geringe Kostenreduktionen, aber im Multi-Kanal-Cluster gibt es einzelne Unternehmen mit deutlich höheren Werten.
Tabelle 7: Auswirkungen der Lerncluster auf den Innovationsoutput
Abb. in Leseprobe nicht enthalten
Anmerkung. Die Medianwerte beziehen sich auf eine ordinal skalierte Prozentkategorie und geben daher nicht den exakten Prozentanteil an, sondern das jeweilige Intervall der Skala. Für kontinuierliche bzw. ordinale Variablen werden Median und Interquartilsabstand (IQR) berichtet, für dichotome Variablen der Anteil der Kategorie „ja“ in Prozent. Für ordinalskalierte Variablen wurden Kruskal-Wallis-Tests (H) berechnet, für nominalskalierte Variablen Chi-Quadrat-Tests der Unabhängigkeit (χ²) mit Cramers V (V) als Effektstärke. *p < .05. (Quelle: eigene Darstellung)
Bei der Betrachtung der Lernkanalcluster und ihrer Auswirkungen auf den Innovationsoutput hatte sich bereits gezeigt, dass vor allem das Multi-Kanal-Lernprofil und der wissenschaftsorientierte Lernkanal mit höheren Innovationserfolgen verbunden sind. Tabelle 8 bestätigt dieses Muster auf einer allgemeineren Ebene der Kooperationscluster. Auch hier schneiden jene Unternehmen besser ab, die entweder breit kooperieren oder gezielt FuE-nahe Kooperationen eingehen. Besonders deutlich wird die Parallele bei den Marktneuheiten. In der vorherigen Tabelle erreichten der wissenschaftsorientierte Lernkanal mit 43% und das Multi-Kanal-Lernprofil mit 36 Prozent die höchsten Werte. In der aktuellen Tabelle liegen nun die FuE kooperierenden Innovatoren und die breit kooperierenden Innovatoren mit jeweils 26% vorn, während die gering und operativ kooperierenden Cluster deutlich zurückbleiben.
Das deutet darauf hin, dass sich der Zusammenhang zwischen wissensintensiver bzw. vielfältiger Kooperation und höherem Innovationsoutput sowohl in der feineren Lernclusterlösung als auch in der gröberen Kooperationsclusterlösung zeigt. Ein ähnliches Bild ergibt sich bei den Prozessinnovationen. Bereits in der vorherigen Tabelle lag die Kostenreduktion beim Multi-Kanal-Lernprofil mit 36% und beim wissenschaftsorientierten Lernkanal mit 27% über den Werten der anderen Cluster. In der aktuellen Tabelle erreichen die breit kooperierenden Innovatoren mit 40% und die FuE kooperierenden Innovatoren mit 30% erneut die höchsten Werte. Insgesamt stützen beide Tabellen damit dieselbe Interpretation: Innovationsoutput fällt vor allem dort höher aus, wo Unternehmen entweder mehrere Kooperationskanäle kombinieren oder in forschungsnahe Kooperationen eingebunden sind. Geringe oder rein operative Kooperation reicht dagegen offenbar seltener aus, um vergleichbare Innovationserfolge zu erzielen.
Tabelle 8: Auswirkungen der Kooperationscluster auf den Innovationsoutput
Abb. in Leseprobe nicht enthalten
Anmerkung. Für dichotome Variablen ist der Anteil der Kategorie „ja“ in Prozent ausgewiesen. Für nominal-skalierte Variablen wurden Chi ‑ Quadrat ‑ Tests der Unabhängigkeit (χ²) mit Cramers V (V) als Effektstärke gemessen. * p <.05.
(Quelle: eigene Darstellung)
Die Ergebnisse lassen sich auf drei Ebenen zusammenfassen: der Struktur der Kooperationscluster, der Verteilung der Lernkanäle und dem Einfluss beider Clustertypen auf den Innovationsoutput.
Auf der ersten Ebene zeigt sich, dass der Großteil der deutschen innovativen Unternehmen kaum oder gar nicht kooperiert. Knapp 70% der Unternehmen fallen in das Cluster der gering kooperierenden Innovatoren. Der Rest verteilt sich auf drei Gruppen, die sich durch ihren Kooperationsschwerpunkt unterscheiden (forschungsnahe, breit angelegte und rein operative Kooperationsformen). Die strukturellen Merkmale aus Tabelle 4 zeigen, dass die Zugehörigkeit zu einem Kooperationscluster abhängig von Unternehmensgröße, FuE-Kapazitäten und Humankapital ist. Breit und FuE kooperierende Innovatoren sind im Median deutlich größer: Erstere weisen einen Median von 121 Beschäftigten auf, Letztere von 70. Gering und operativ kooperierende Unternehmen hingegen haben einen Median von nur 23 bzw. 33 Beschäftigten. Ähnlich deutlich ist der Unterschied beim Besitz eigener FuE-Abteilungen: Während 98% der FuE kooperierenden und 90% der breit kooperierenden Innovatoren über eine interne FuE verfügen, gilt das nur für 31% bzw. 36% der gering und operativ kooperierenden Unternehmen. Diese strukturellen Unterschiede legen nahe, dass intensive Kooperationsstrategien vor allem größere, forschungsstarke Unternehmen umsetzen können.
Auf der zweiten Ebene zeigt die Analyse der Lernkanäle, dass auch unter den kooperierenden Unternehmen eine klare Mehrheit ein breites Kooperationsprofil verfolgt. Das Multi-Kanal-Lernprofil umfasst 56% der kooperierenden Unternehmen und zeichnet sich durch eine gleichzeitige Einbindung verschiedener Partnertypen aus. Die drei übrigen Lernkanäle sind jeweils stärker auf einen dominanten Kooperationspartner ausgerichtet und decken jeweils nur 13% bis 16% der kooperierenden Unternehmen ab. Auf der dritten Ebene, dem Abgleich mit dem Innovationsoutput, zeigt sich ein konsistentes Muster. Sowohl in der Lerncluster- als auch in der Kooperationsclusteranalyse schneiden jene Unternehmen besser ab, die entweder mehrere Kooperationskanäle kombinieren oder gezielt forschungsnahe Kooperationen eingehen. Das Multi-Kanal-Lernprofil und der wissenschaftsorientierte Lernkanal weisen bei Marktneuheiten, Weltneuheiten und Kostenreduktionen die höchsten Werte auf. Auf der Ebene der Kooperationscluster bestätigen die breit und FuE kooperierenden Innovatoren dieses Bild. Geringe oder rein operative Kooperationsformen sind dagegen in beiden Analysen mit deutlich niedrigeren Innovationserfolgen verbunden.
Insgesamt legen die Ergebnisse nahe, dass die Art und Breite der Kooperationsstrategie eine relevante Rolle für den Innovationsoutput spielen. Dabei ist jedoch zu berücksichtigen, dass intensive und vielfältige Kooperationen strukturell an Voraussetzungen geknüpft sind: Unternehmen, die besonders erfolgreich kooperieren, verfügen zugleich über mehr Beschäftigte, einen höheren Akademikeranteil und häufiger über eigene FuE-Kapazitäten. Nicht Kooperation an sich, sondern die Vielfalt und Wissenschaftsnähe der Kooperationspartner, eingebettet in ein entsprechendes Ressourcenfundament, scheint entscheidend dafür zu sein, ob Unternehmen häufiger markt- oder weltneuartige Produkte einführen und Prozesse effizienter gestalten können.
Theorieabgleich und Einordnung der Ergebnisse
Zu der maßgeblichen Rolle des Unternehmers im Innovationsprozess, die Schumpeter in seiner ursprünglichen Theorie betont, lässt sich anhand der Daten leider wenig sagen. Sie liefern keinerlei Hinweise über den Einfluss einzelner Personen in den Unternehmen und in welcher Form diese zum Innovationserfolg beigetragen haben. Die Daten legen die Korrektheit seiner Annahme nahe, die Neukombinationen würden aus der Wirtschaft heraus entstehen. Die absolute Mehrheit der innovativen Unternehmen befindet sich in keinen Kooperationen, zieht also das Potenzial für Neukombinationen aus ihren eigenen Ressourcen. Auch seine Erkenntnis, dass sich Innovationsprozesse immer mehr in etablierte Großunternehmen, genauer in deren FuE Abteilungen, verlagern, lässt sich anhand der Daten vermuten. Die beiden Gruppen mit den höchsten Werten bei Marktneuheiten und Weltmarktneuheiten sind die wissenschaftlich und breit kooperierenden Innovatoren. Diese Gruppen, wie ich aufgezeigt habe, gehen in der Regel mit internen FuE Abteilungen und einer vergleichsweise höheren Mitarbeiterzahl einher, was sich exakt mit Schumpeters Beobachtungen deckt. Gerne hätte ich die Innovationen in meiner Analyse anhand Schumpeters Aufschlüsselung von Neukombination genauer unterschieden, die verfügbaren Outcome-Variablen haben dies jedoch nicht ermöglicht. Die einzige Unterscheidung, die mir möglich war, ist zwischen Prozess- und Produktinnovationen, wobei die Prozessinnovationen nur durch Variablen zur Kostenreduktion erfassbar waren. Aus diesem Grund habe ich den Fokus meiner Analyse auf die Kooperationsformen verschoben. Anhand dieser Erkenntnisse lassen sich meiner Auffassung nach, indirekt Vermutungen über die Rolle des einzelnen Genies ableiten, da eine große Rolle von Kooperation und Vernetzung für den Innovationserfolg, das Gewicht des Einflusses einzelner Personen dezimiert. Natürlich wären zusätzlich weitere Studien vonnöten, die gezielt den Einfluss einzelner Akteure genauer bestimmen und sichtbar machen.
Lundvalls Theorie lässt sich anhand der vorhandenen Daten weitaus besser untersuchen. Er erwähnt bereits in seiner Theorie, dass aufgrund der Globalisierung die nationalstaatlichen Grenzen verschwimmen. Zu erkennen ist das daran, dass die Unternehmen nicht nur inländische Kooperationen unterhalten, sondern auch mit ausländischen Partnern zusammenarbeiten. Gerne hätte ich untersucht, ob die Unterscheidung zwischen in- und ausländischen Kooperationen einen Unterschied beim Innovationsoutcome erkennen lässt, die Fallzahlen waren hierfür jedoch nicht repräsentativ. Abgesehen davon lässt sich Lundvalls Theorie des interaktiven Lernens sehr gut überprüfen. Das interaktive Lernen ist laut ihm ein sozialer Prozess, der in Beziehungen vollzogen wird. Diese Beziehungen lassen sich passend durch die Kooperationen, die im Datensatz abgefragt wurden, modellieren. Die Kooperations- und Lerncluster lassen sich als unterschiedliche Realisierungsformen dieses interaktiven Lernens verstehen. Das Multi-Kanal-Lernprofil schöpft aus einer breiten Wissensbasis und kombiniert vertikale, horizontale, wissenschaftliche und intermediäre Partner gleichzeitig. Es entspricht damit am ehesten dem, was Lundvall als umfassendes interaktives Lernen innerhalb eines nationalen Innovationssystems beschreibt, einer Einbindung in viele Beziehungen des Systems gleichzeitig. Auch seine Beobachtung einer Hierarchie der Lernstrategien lässt sich erkennen. Der Großteil der innovativen Unternehmen schöpft aus seinen eigenen Wissensreserven. Dies stellt die Stufe des einfachen Lernens dar und wird durch die gering Kooperierenden repräsentiert. Sie sind zwar innovativ, im Vergleich zu den anderen Clustern aber nicht so radikal. Das Searching und Exploring tritt interessanterweise oft in Kombination auf. Die Daten zeigen im FuE Cluster und dem breiten Cluster, dass die Unternehmen, die mit wissenschaftlichen Institutionen zusammenarbeiten, sehr oft auch eigene FuE Abteilungen besitzen. Außerdem sieht man anhand der Innovationsoutputs, dass diese beiden Lern- /Kooperationsformen öfter radikalere Innovationen hervorbringen.
Strukturelle Ressourcen als Bedingung von Lernstrategien machen zugleich deutlich, dass die Wahl der Lernstrategie nicht allein Resultat unternehmerischer Entscheidungen ist. Breit kooperierende Innovatoren haben im Median 121 Beschäftigte, FuE kooperierende 70, die gering kooperierenden hingegen nur 23. Lundvall selbst betont, dass die interne Organisationsstruktur und die FuE-Intensität als Bestandteile des nationalen Innovationssystems die Lernfähigkeit von Unternehmen prägen. Die Ergebnisse legen nahe, dass intensive Kooperationsstrategien strukturell an Voraussetzungen geknüpft sind, die kleineren Unternehmen ohne eigene FuE-Kapazitäten in der Regel fehlen. Ein Befund, der sowohl Schumpeters Bild des innovierenden Großunternehmens als auch Lundvalls Betonung institutioneller Einbettung stützt.
Um die Diskussion wieder einzufangen, zuletzt also nochmal der Rückbezug auf meine eingehende Forschungsfrage: „Lassen sich kooperations- und lernbezogene Unternehmensstrategien in deutschen Unternehmen identifizieren, und unterscheiden sich diese Strategietypen systematisch hinsichtlich ihres Innovationsoutputs?“
Meine Untersuchungen haben ergeben, dass sich verschiedene Strategien erkennen lassen, die sich in Einklang mit Schumpeters und Lundvalls theoretischen Annahmen befinden. Ebenfalls weisen die verschiedenen Strategien signifikante Unterschiede in den Innovationsoutputs der untersuchten deutschen Unternehmen auf. Meine Ergebnisse scheinen auf den ersten Blick recht eindeutig meine Annahmen zu belegen. In diesem Kapitel habe ich bereits immer wieder kleine Probleme und Schwächen meiner Untersuchungen und Ergebnisse thematisiert. Folgend möchte ich nochmal vertieft auf genau diese Punkte eingehen, um zu zeigen, dass die Ergebnisse und Interpretationen nicht so kohärent sind, wie sie zunächst scheinen mögen.
Limitationen
Das Problem beginnt bei meiner Datengrundlage. Das MIP ist eine Querschnittserhebung. Diese Tatsache macht kausale Aussagen nahezu unmöglich, da eine zeitliche Dimension in den Daten fehlt. Beispielsweise ist es schwer zu sagen, eine breite Aufstellung die Partner betreffend würde zu mehr Weltmarktneuerungen führen . Ebenso wäre denkbar, dass sich ein Unternehmen erst infolge des erfolgreichen Markteintritts eines neuen Produkts breiter aufgestellt hat. Es könnte zudem nur eine Korrelation sein und der Innovationsoutcome eigentlich von ganz anderen Faktoren abhängen, wie Branche oder Fördermitteln. Darüber hinaus sind gerade sehr neue Unternehmen unterrepräsentiert im Datensatz. Gerade kleine Startups, die eher für Schumpeters Unternehmertypus sprechen könnten, sind nur geringfügig vorhanden. Der letzte Punkt die Daten betreffend, ist ihre Erhebungsgrundlage, basierend auf Selbstauskünften der Unternehmen, die bei einigen Variablen Spielraum für Selbstinterpretationen der Befragten lässt und zumindest an ihrer 100-prozentigen Exaktheit Zweifel erlauben.
Die nächste Ungenauigkeit findet sich in meinen Operationalisierungen und Messungen wieder. Die Konstruktion der Theorieteile mittels Variablen ist lediglich eine Annäherung an die Wirklichkeit, die unzählige Dinge außer Acht lässt. Ich habe Lernen über Kooperationen und eigene FuE Leistung konstruiert. Hierbei finden einige Aspekte des Lernens die Lundvall erwähnt keine Beachtung. Gerade internes Lernen in den Firmen, wie der Wissensaustausch zwischen den Mitarbeitern oder der gelebten Fehlerkultur werden hierbei nicht beachtet, obwohl sie eine bedeutende Rolle in Lundvalls Verständnis von Lernen einnehmen. Die Innovationen selbst lassen sich, wie bereits im vorherigen Kapital erwähnt, durch die vorhandenen Outcome Variablen ebenfalls nur näherungsweise untersuchen, kratzen dabei aber lediglich an der Oberfläche. Hinzu kommen all die Bestandteile der Theorien, die ich überhaupt nicht berücksichtige, wie die Rolle des Staates, des Finanzsektors oder des Bildungswesens. Alles Aspekte, die ebenfalls einen Anteil am Innovationserfolg haben dürften, durch meine Analyse aber keine Beachtung finden.
Dies führt mich zum dritten Punkt meiner Kritik, meine Analysewerkzeuge. Die Clusteranalyse ermittelt Cluster abhängig davon welches Verfahren, Distanzmaß und Clusterzahl von mir festgelegt wird. Bei Veränderung dieser Vorbedingungen wird man leicht andere Ergebnisse erhalten, was meine nur zu einer von mehreren möglichen Lösungen macht. Zudem konnte ich immer wieder verschiedene Ansätze der Theorie nicht überprüfen, da die Fallzahlen zu gering waren. Gerade wenn es um die einzelnen Partnerverbindungen geht, habe ich bereits im bisherigen Text des Öfteren über diese Problematik gesprochen. Das gravierendste Limit, welches sich mir bei meiner Arbeit jedoch auftat, war, dass ich die ursprüngliche Idee einer Gegenüberstellung zwischen individueller Agency und routinisierter Kollektivität nicht vornehmen konnte. Die Daten machten es nicht möglich individuelle Agency des Unternehmertypus zu modellieren und genauer zu untersuchen, weshalb ich mich entschied in erster Linie nur den einen Teil der Kollektivität und Routinen zu analysieren.
Fazit
Abschließend lässt sich die eingangs formulierte Forschungsfrage klar beantworten. In deutschen Unternehmen lassen sich unterschiedliche kooperations- und lernbezogene Strategien identifizieren, und diese unterscheiden sich auch systematisch hinsichtlich ihres Innovationsoutputs. Die Ergebnisse zeigen damit, dass Innovation nicht einfach als einheitlicher Prozess auftritt, sondern in verschiedene organisatorische und relationale Muster eingebettet ist. Auffällig ist zunächst, dass der größte Teil der innovativen Unternehmen nur gering oder gar nicht kooperiert. Innovation ist also keineswegs zwangsläufig an umfangreiche externe Vernetzung gebunden. Wo Kooperationen jedoch vorkommen, lassen sich deutlich unterscheidbare Formen erkennen. Besonders das Multi-Kanal-Lernprofil und der wissenschaftsorientierte Lernkanal verweisen auf eine breit angelegte beziehungsweise wissensnahe Form des Lernens, die über einzelne Partnerbeziehungen hinausgeht. Genau diese Strategien gehen auch mit den höheren Innovationsoutputs einher, vor allem bei Marktneuheiten und Weltneuheiten. Damit zeigt sich, dass nicht jede Kooperation denselben Effekt entfaltet, sondern vor allem die Vielfalt und die Wissensnähe der Beziehungen relevant sind. Zugleich machen die Ergebnisse deutlich, dass diese Strategien mit strukturellen Unterschieden einhergehen. Unternehmen mit intensiveren Kooperationsformen sind im Durchschnitt größer, verfügen häufiger über interne FuE-Abteilungen und weisen höhere Akademikeranteile auf. Innovation erscheint damit nicht als rein individuelles Verhalten, sondern als Ergebnis organisational eingebetteter Lernprozesse. In diesem Punkt bestätigen die Befunde sowohl Schumpeters spätere Beobachtung der Routinisierung von Innovation als auch Lundvalls Annahme, dass Lernen sozial vermittelt und institutionell eingebettet ist. Die Ergebnisse lassen sich auch im Sinne Lundvalls als unterschiedliche Ausprägungen von Learning, Searching und Exploring lesen, wobei das Multi-Kanal-Lernprofil und der wissenschaftsorientierte Lernkanal besonders deutlich auf suchende bzw. explorative Wissensformen verweisen, während gering kooperierende Unternehmen eher dem routinisierten Learning zugeordnet werden können.
Die Ergebnisse der Analyse legt damit nahe, dass sich Innovationsfähigkeit weniger aus der bloßen Existenz von Kooperationen erklärt als aus deren Qualität, Breite und Einbettung in vorhandene Unternehmensstrukturen. Anknüpfende Studien könnten diese Zusammenhänge mit Längsschnittdaten, zusätzlichen Länder-Vergleichen oder einer stärkeren Berücksichtigung interner Lernprozesse weiter vertiefen. Dadurch ließe sich noch genauer zeigen, wie sich Kooperationsformen, organisationale Ressourcen und Innovationserfolg im Zeitverlauf gegenseitig beeinflussen.
Literaturverzeichnis
Blättel-Mink, Birgit, Ingo Schulz-Schaeffer, und Arnold Windeler, Hrsg. 2021. Handbuch
Innovationsforschung: Sozialwissenschaftliche Perspektiven. Wiesbaden: Springer Fachmedien.
CDU, CSU, und SPD. 2025. Koalitionsvertrag zwischen CDU, CSU und SPD - Verantwortung für
Deutschland - 21. Legislaturperiode. Koalitionsvertrag2025. https://www.koalitionsvertrag2025.de/sites/www.koalitionsvertrag2025.de/files/koav_2025.pdf (Zugegriffen: 10. Nov. 2025).
Ebner, Alexander. 2001. Unternehmerfunktion und Innovationssysteme: Ein schumpeterianischer Ansatz. 611–636.
Eurostat. o. J. Community innovation survey - Microdata - Eurostat. https://ec.europa.eu/eurostat/web/microdata/community-innovation-survey (Zugegriffen: 17. Mai 2026).
Lundvall, Bengt-Åke. 2016. The Learning Economy and the Economics of Hope. Anthem Press.
Rammer, Christian, und Torben Schubert. 2024. Dokumentation zur Innovationserhebung 2023. ZEW-Dokumentation 2024–01. https://madoc.bib.uni-mannheim.de/69337/ (Zugegriffen: 17. Mai 2026).
Schumpeter, Joseph Alois. 1911. Theorie der wirtschaftlichen Entwicklung. https://schumpeter.info/schriften/Theorie%201911.pdf (Zugegriffen: 12. Jan. 2026).
ZEW – Leibniz-Zentrum für Europäische Wirtschaftsforschung, Hrsg. 2025. Scientific-Use-Files des Mannheimer Innovationspanels: Erläuterungen für externe Nutzer zu den Datensätzen der MIP-Erhebungen 1993 bis 2023.
[...]
Jetzt kaufen
- Arbeit zitieren
- Moritz Müller (Autor:in), 2026, Innovation: Ergebnis kollektiven Lernens?, München, GRIN Verlag, https://www.grin.com/document/1745806
