F&E-Entwicklungsdynamik in der Wirtschaft

Inhalt

1. Einleitung: Fokus, Probleme und Vorgehen
1.1. Fokus
1.2. Probleme
1.3. Vorgehen

2. Top/Down-Analyse: Indikatoren, Trends und Diskurse
2.1. Indikatoren: Basisdaten, Transformation und Glättung
2.1.1. Basisdaten
2.1.2. Transformation
2.1.3. Glättung
2.2. Trends: GERD- und BERD-Dynamiken
2.2.1. GERD-Dynamiken
2.2.2. I-GERD-Dynamiken
2.2.3. BERD-Dynamiken
2.3. Diskurse: Methodik und Determinanten
2.3.1. Methodik
2.3.2. Determinanten
2.3.2.1 Krisen
2.3.2.2 Patente
2.3.2.3 Wachstum
2.3.2.4 Globalisierung
2.3.2.5 Finanzmärkte
2.3.2.6 Andere

3. Bottom/Up-Analyse: Länder, Firmen, Sektoren und Netzwerke
3.1. Länder: Fallstudien, Übersichten und Determinanten
3.1.1. Fallstudien
3.1.1.1 Einzelne Länder
3.1.1.1.1 Deutschland
3.1.1.1.2 USA
3.1.1.1.3 Japan
3.1.1.1.4 Andere
3.1.1.2 Ländergruppen
3.1.1.2.1 OECD
3.1.1.2.2 EU
3.1.1.2.3 Andere
3.1.1.3 Ländervergleiche
3.1.1.3.1 Deutschland/USA
3.1.1.3.2 Deutschland/andere
3.1.1.3.3 Andere
3.1.2. Übersichten
3.1.3. Determinanten
3.2. Firmen: Fallstudien, Übersichten und Determinanten
3.2.1. Fallstudien
3.2.2. Übersichten
3.2.3. Determinanten
3.2.3.1 Outsourcing
3.2.3.2 Patente
3.2.3.3 Investment
3.2.3.4 Strategien
3.2.3.5 Management
3.2.3.6 Kooperation
3.2.3.7 Andere
3.3. Sektoren: Fallstudien, Übersichten und Determinanten
3.3.1. Fallstudien
3.3.1.1 Einzelne Sektoren
3.3.1.2 Sektorengruppen
3.3.2. Übersichten
3.3.3. Determinanten
3.4. Netzwerke: Fallstudien, Übersichten und Determinanten
3.4.1. Fallstudien
3.4.1.2 Universitäten/Industrie
3.4.1.3 Andere
3.4.2. Übersichten
3.4.3. Determinanten

4. Kernliteratur: Reviews, Übersichten und Artikel
4.1. Reviews
4.2. Übersichten
4.3. Artikel

5. Gesamtbibliographie

6. Anhang

7. Danksagung

1. Einleitung: Fokus, Probleme und Vorgehen

1.1. Fokus

Gegenstand der vorliegenden Arbeit ist die F&E-Entwicklungsdynamik in der Wirtschaft. Der Fokus liegt dabei auf der F&E-Entwicklungsdynamik in der Industrie (Abbildung 1).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Gegenstand und Fokus der Arbeit; Quelle: Eigene Darstellung

Zeitlich konzentriert sich dieser Fokus auf die Periode von 2000 bis 2015 und dabei wiederum schwerpunktmäßig auf den Zeitraum von 2005 bis 2015. Inhaltlich ist er auf die entwickelten Industrieländer, speziell auf die USA, Japan und Europa ausgerichtet. Besondere Beachtung findet bei dieser Ausrichtung Deutschland.

Insgesamt wurden über 1.800 Quellen gesichtet. Von diesen mehr als 1.800 Quellen wurden über 440 ausgewählt, ausgewertet, strukturiert zusammengefasst und sowohl bibliographisch als auch im Volltext erfasst. Bei der überwiegenden Mehrzahl der Quellen handelt es sich um englischsprachige Journal-Artikel. Detailliert wird das Vorgehen weiter unten im Kapitel 1.3. beschrieben.

Ziel der Arbeit ist es, einen systematisch strukturierten Quellen- und Tool-Katalog zusammenzustellen, auf den bei einer Analyse der F&E-Entwicklungsdynamik in der Wirtschaft und daraus resultierenden wissenschaftspolitischen Problemen zurückgegriffen werden kann.

Der skizzierte Fokus der Arbeit und die Zusammenstellung des Quellen- und Tool-Katalogs führen sehr schnell zu zwei grundlegenden Problemen, nämlich was genau heißt „Entwicklungsdynamik“ und wie ist diese Dynamik zu analysieren? Diese beiden Probleme werden zunächst im Folgenden kurz umrissen (Kapitel 1.2), um dann ausgehend davon einen möglichen Lösungsweg für den Umgang mit diesen Problemen vorzuschlagen (Kapitel 1.3).

1.2. Probleme

Seitdem Lane¹ und Bell² den Begriff der postindustriellen „Wissensgesellschaft“ und Kreibich³ den der „Wissenschaftsgesellschaft“ geprägt haben, hat sich um diese beiden Termini ein Diskurs entwickelt, der auch und gerade die Theorie und Praxis der Wissenschaftspolitik betrifft. Geradezu augenfällig wird dies im Konzept des „Wissensstaates“⁴. In diesem Diskurs wird die Herausbildung der Wissens- beziehungsweise der Wissenschaftsgesellschaft häufig in Superlativen beschrieben. So beispielsweise, wenn Miegel davon spricht, dass sich damit „der dritte gewaltige Paradigmenwechsel in der Geschichte der Menschheit“⁵ vollzieht. In diesem Diskurs der Superlative ist dann auch von einer „Informationsexplosion“⁶ und „Wissensexplosion“⁷ die Rede. Diese Explosions-Metapher wiederum scheint in statistischen Analysen der Wissensproduktion ihre unumstößliche Bestätigung zu finden, wie sie prototypisch Dobrov⁸ und Price⁹ entwickelt haben und die ein exponentielles Wachstums des Wissens diagnostizieren.

Ausgehend von dieser Explosions-Metapher sind es dann auch vor allem zwei Bilder, die intuitiv den Erwartungshorizont für wissenschaftspolitische Untersuchungen vorstrukturieren. Zum einen das Bild einer Explosion (das Chaos-Bild), zum anderen das Bild einer steil nach oben strebenden exponentiellen Wachstumskurve (das Ordnungs-Bild). Diese beiden Bilder führen dann unterschwellig zu der Erwartung, dass alle wissenschaftspolitischen Indikatoren mehr oder weniger Zunahme, Wachstum, Vergrößerung, Geschwindigkeitserhöhung etc. signalisieren. Aus dieser Perspektive sind zwar punktuelle Ausnahmen möglich, stellen aber Anomalien dar, die die Explosions-Regel bestätigen.

Nun gibt es nicht nur eine ganze Reihe von Untersuchungen, die eine derartige Sicht nicht teilen und der Herausbildung einer Wissens- oder gar Wissenschaftsgesellschaft nüchterner und kritischer gegenüberstehen¹⁰, sondern auch Analysen, die bereits sehr früh die exponentiellen Wachstumsdynamiken in Frage stellten¹¹, dennoch halten sich die beschriebenen suggestiven Chaos- und Ordnungs-Bilder und die daraus resultierenden Vor-Urteile und Erwartungen zäh. Aus diesen Vor-Urteilen und Erwartungen können sehr schnell Fehlschlüsse resultieren. Wie leicht man solchen Fehlschlüsse erliegen kann, soll im Folgenden exemplarisch demonstriert werden.

Nimmt man den klassischen GERD-Indikator („Gross Domestic Expenditure on R&D“) und sieht sich an, welchen Wert dieser Indikator für die USA, sagen wir, in den Jahren 1964, 1985, 2004 und 2011 angenommen hat , dann ergibt sich folgendes Bild (Abbildung 2):

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Anteil der F&E-Ausgaben am Bruttoinlandprodukt; Quelle: Marz 2015, S. 27

Abbildung in dieser Leseprobe nicht enthalten

Was zeigen diese Werte, auf welche langfristige Tendenz verweisen die Daten? Sinkt der Anteil der F&E-Ausgaben am Bruttoinlandsprodukt (1964 → 1985 → 2004 oder 1964 → 2011), steigt er (2004 → 2011) oder bleibt er annähernd konstant (2004 → 2011)?

Es liegt auf der Hand, dass sich diese Frage auf Basis dieser vier singulären Daten nicht zuverlässig beantworten lässt, da man nicht weiß, ob es sich bei diesen GERD-Werten um „Ausreißer“ handelt oder nicht. Allein dieses einfache Beispiel zeigt, dass es bei Trend-Untersuchungen nicht mit punktuellen Daten getan ist, sondern dass dafür Langzeitreihen erforderlich sind.

Aber auch Langzeitreihen als solche sind noch keine Garantie für eine zuverlässige empirische Datenbasis, wie das folgende Beispiel (Abbildung 3) zeigt, in der die gesamten F&E-Ausgaben der USA (kurz F&E-AI) für 57 Jahre, nämlich von 1953 bis 2010, dargestellt sind:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: F&E-Ausgaben in lfd. Preisen und Trendfunktion; Quelle: Marz 2015, S. 28

Abbildung in dieser Leseprobe nicht enthalten

Betrachtet man die Trendfunktion dieser Langzeitreihe (Expon), dann handelt es sich um eine exponentielle Kurve. Das oben beschriebene Ordnungs-Bild einer Wissens- und Wissenschaftsexplosion scheint hier eine geradezu grandiose empirische Bestätigung zu finden.

Ein Blick auf die Maßeinheit indes zeigt, dass die F&E-Ausgaben in Mrd. $ zu laufenden Preisen gemessen werden. Letzteres, die laufenden Preise, sind dabei der springende Punkt. Diese Preise beinhalten nämlich die Inflationseffekte und die wiederum können gravierende Auswirkungen auf den Trend der F&E-Indikatoren haben, wie das folgende Beispiel deutlich macht. In der Abbildung 4 sind die F&E-Ausgaben der USA insgesamt (F&E-AI) für den Zeitraum 1953-2010 zu laufenden und zu konstanten Preisen von 2005 einschließlich der beiden dazugehörigen Trendfunktionen angegeben.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: F&E-Ausgaben in lfd. und konst. Preisen und Trendfunktionen; Quelle: Marz 2015, S. 29

Abbildung in dieser Leseprobe nicht enthalten

Der Verlauf der F&E-AI zu laufenden Preisen und deren Trendfunktion sind schon aus Abbildung 3 bekannt (dunkelgraue Kurven). Hier kommen noch der Verlauf der F&E-AI zu konstanten Preisen von 2005 und deren Trendfunktion hinzu (schwarze Kurven). Letztere zeigen ein ganz anderes Bild. Von einer explosionsartigen Zunahme der F&E-Ausgaben kann bei ihnen nicht die Rede sein. Es handelt sich schlicht und einfach um eine lineare Trendfunktion. Der Vergleich macht deutlich, dass die exponentielle Trendfunktion vor allem der Angabe in laufenden Preisen, sprich dem Inflationseffekt geschuldet ist.

Aber auch Zeitreihen, die auf konstanten Preisen basieren können zu Fehlschlüssen führen. Dies ist unter anderem dann der Fall, wenn es sich um Zeitreihen handelt, die lediglich einen Zeitraum von zehn Jahren oder kürzer umfassen. Untersuchungen zur F&E-Entwicklungsdynamik¹² deuten nämlich darauf hin, dass es in dieser Dynamik auch zyklische Prozesse gibt. Dies wiederum bedeutet, dass es sich bei bestimmten Auf- oder Abwärts-Tendenzen nicht notwendigerweise um neue Trends handeln muss, sondern um Auf- und Abwärtsphasen, die Teil eines längerfristigen zyklischen Entwicklungsmusters sind.

Um die hier umrissenen Vor-Urteile und Fehlschlüsse zu vermeiden, wird im Folgenden ein mögliches Untersuchungsverfahren beschrieben, das derartige Probleme zwar nicht aus der Welt schaffen, aber doch erheblich minimieren kann.

1.3. Vorgehen

Die grundlegende Idee des im Folgenden skizzierten Untersuchungsverfahrens besteht zunächst darin, eine bibliographische Top/Down- mit einer bibliographischen Bottom/Up-Analyse zu kombinieren (Abbildung 5). Das heißt, die F&E-Entwicklungsdynamik in der Wirtschaft und speziell die F&E-Entwicklungsdynamik in der Industrie werden aus zwei Richtungen betrachtet, einmal von der gesellschaftlichen Makroebene aus in Richtung Unternehmen und zum anderen vom Unternehmen aus in Richtung der gesellschaftlichen Makroebene.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5: Top/Down- und Bottom/Up- Analyse; Quelle: Eigene Darstellung

Die Kombination dieser beiden komplementären Untersuchungsperspektiven ermöglicht es, die Konvergenz- und Schnittpunkte von Makro- und Mikro-Trends in den Blick zu bekommen. Die Existenz solcher Konvergenz- und Schnittpunkte macht es sehr wahrscheinlich, dass die entsprechenden Makro- und Mikro-Trends grundlegende Veränderungsprozesse in der F&E-Entwicklungsdynamik der Wirtschaft im Allgemeinen und in der F&E-Entwicklungsdynamik der Industrie im Besonderen anzeigen.

Ein Beispiel für eine solche Konvergenz von Makro- und Mikro-Trends analysiert Cozza in seiner Arbeit „Measuring the Internationalization of EU Corporate R&D: A Novel Complementary Use of Statistical Sources“, in der er die Kovergenz zwischen dem „EU R&D Scoreboard“¹³ (Bottom/Up-Perspektive) und den BERD-Daten (Business enterprise Expenditure on Research and Development)¹⁴ (Top/Down-Perspektive) aufzeigt und analysiert¹⁵. Eine nähere Analyse der BERD-Daten und ein Vergleich mit den entsprechenden GERD-Daten erfolgt in den Kapiteln 2.1 und 2.2. Bereits bei einer flüchtigen Durchsicht der in dieser Arbeit ausgewählten über 440 Quellen wird sehr schnell deutlich, dass es eine ganze Reihe weiterer Konvergenzen gibt, so beispielsweise was die Patent-Politik oder die Ausgaben für Entwicklung betrifft.

Um derartige Konvergenz- und Schnittpunkte von Makro- und Mikro-Trends bei den F&E-Prozessen in der Wirtschaft und speziell in der Industrie möglichst leicht und schnell in den Blick zu bekommen und gegebenenfalls vertiefend zu analysieren, wird in der vorliegenden wie folgt vorgegangen:

- Im Kapitel 2 wird eine bibliographische Top/Down-Analyse vorgenommen, in der Publikationen zu Indikatoren, Trends und Diskursen auf der gesellschaftlichen Makro-Ebene systematisiert und zusammengestellt werden.
- Im Kapitel 3 wird komplementär dazu eine bibliographische Bottom/Up-Analyse entwickelt, in der Untersuchungen zu einzelnen Ländern, Firmen, Sektoren und Netzwerken systematisch erfasst und geordnet werden.
- Im Kapitel 4 ist die Kernliteratur aus den Kapiteln 2 und 3 zusammengestellt, die bei einer entsprechenden Analyse unbedingt durchgesehen werden sollte. Dabei wurden drei Schwerpunkte gebildet, und zwar erstens Literatur-Reviews zu F&E-Prozessen in der Wirtschaft und der Industrie, zweitens Statistische Übersichten zur F&E-Entwicklungsdynamik und schließlich drittens einzelne Artikel, die diese Dynamik aus sehr unterschiedlichen und kreativen Perspektiven beleuchten

Um einen schnellen und effizienten Zugriff auf die ausgewählten Quellen zu haben, empfiehlt es sich, diese in einem entsprechenden Literaturverwaltungsprogramm einzupflegen. Hierzu eignet sich beispielsweise die Software „Citavi“ sehr gut. Das Citavi-Projekt ermöglicht unter anderem Folgendes:

- Die Quellen lassen sich in verschiedenen Kategorien erfassen und können sofort entweder über die Gliederung oder über die jeweilige Kategorie aufgerufen, gesichtet und durchgearbeitet werden, und zwar sowohl am PC als auch über die Export- und Druckfunktionen in Print-Form. Eine Reihe von Quellen sind nicht nur einer, sondern mehreren Kategorien zugeordnet.
- Alle Titel und vielfach auch Abstract und Inhaltsverzeichnis der Artikel können darüber hinaus zusätzlich nach bestimmten Begriffen durchsucht werden, die andere oder ergänzende Zuordnungen ermöglichen als das vorliegende Kategoriensystem.
- Die überwiegende Zahl der PDF-Volltexte kann über Adobe-Reader (Erweiterte Suche) oder DocFetcher nach entsprechenden Begriffen durchsucht werden. Wo dies nicht möglich ist, können die entsprechenden Dokumente in den meisten Fällen mit Hilfe von ABBYY-Finreader durchsuchbar gemacht werden.
- Über das Word Add-In von Citavi lassen sich Quellen in jeder gewünschten Zitierweise sofort problemlos in einen Word-Text einfügen. Citavi erstellt zum Schluss auch eine Bibliographie sämtlicher zitierter Literatur.
- Zusätzliche Recherchen können innerhalb von Citavi komfortabel durchgeführt werden, entweder über die entsprechenden Datenbanken, über die ISBN-Suche oder über die Picker-Funktionen.
- Alle Citavi-Quellen lassen sich auch in andere Literaturverwaltungsprogramme wie etwa EndNote exportieren.
- Citavi ermöglicht sowohl Einzelplatz- als auch Teamarbeit, was sich bei einer gemeinsamen Arbeit als hilfreich erweisen kann.
- Ein besonderer Vorzug von Citavi ist die „Wissen“-Funktion, die einen guten Überblick über den Literaturfundus ermöglicht und die problemlos Differenzierungen und/oder Zusammenfassungen von Kategorien und den ihnen zugeordneten Quellen gestattet.

Um sich möglichst schnell in die hier aufbereitete Literatur einzuarbeiten, empfehle ich den Leserinnen und Lesern, folgende vier Schritte:

- 1 Stunde „durchklickern“ durch das Kategoriensystem und die entsprechenden Titel, um ein erstes Gefühl für die Breite und Tiefe des Diskursfeldes zu bekommen.
- 2 Stunden sichten der im Kapitel 4 zusammengestellten Kernliteratur
- 4 Stunden stichpunktartige Lektüre der Kernliteratur
- 1 Stunde sichten der in Kapitel 3.1.1.1.1 und 3.1.1.3.1 erfassten Literatur

Diese Reihenfolge und Zeitstruktur schützt davor, die Perspektive vorschnell auf Deutschland einzuengen. Ebenso sollten bei der Sichtung der Literatur ökonometrische Analysen nicht gleich ad acta gelegt werden, denn die Einleitungen und die Zusammenfassungen vieler dieser Quellen sind nicht Mathematik lastig und ausgesprochen hilfreich, um die F&E-Entwicklungsdynamik besser zu verstehen.

2. Top/Down-Analyse: Indikatoren, Trends und Diskurse

Im Folgenden wird exemplarisch gezeigt, wie eine Top/Down-Analyse der F&E-Entwicklungsdynamik in der Wirtschaft und speziell in der Industrie aussehen könnte. Ausgangspunkt sind dabei F&E-Indikatoren, wie sie durch unterschiedliche Statistiken bereitgestellt werden (Kapitel 2.1). Aus einer Analyse dieser Indikatoren lassen sich Trends ableiten (Kapitel 2.2), deren Ursachen und Verlaufsformen wiederum direkt oder indirekt den Gegenstand unterschiedlicher Diskurse bilden (Kapitel 2.3).

2.1. Indikatoren: Basisdaten, Transformation und Glättung

Bekannter Weise gibt es eine Vielzahl sehr unterschiedlicher Indikatoren, die einzeln oder gruppiert die Entwicklungsdynamik von F&E-Prozessen widerspiegeln¹⁶. Welche Indikatoren aus diesem breiten Spektrum ausgewählt und differenzierter analysiert werden, hängt von der inhaltlichen Fokussierung des jeweiligen Forschungsprojektes ab und liegt im Ermessen der Forscherinnen und Forscher. Feste Regeln sind, soweit ich sehe, hier nicht erkennbar. Weitgehend sicher dürfte nur eins sein: Ein vollständiger Verzicht auf jedwede Indikator-Untersuchung ist meines Erachtens jedoch kaum, im Grunde gar nicht möglich¹⁷.

Im Folgenden wird exemplarisch ein grob vereinfachtes Verfahren zur Indikator-Analyse vorgestellt. Dieses Verfahren basiert auf der Methodik der „Periodisierungsmatrix“¹⁸ und wurde auch schon im Rahmen einer differenzierten F&E-Indikatoranalyse für die USA von 1953-2011 angewandt¹⁹. Das Verfahren besteht aus folgendem simplen dreischrittigen Algorithmus:

1. Auswahl einer Indikator-Langzeitreihe (Basisdaten)
2. Transformation der Indikator-Langzeitreihe
3. Glättung der transformierten Indikator-Langzeitreihe

Dieser Algorithmus wird in den nächsten drei Kapiteln am Beispiel dreier Standard-Indikatoren für Deutschland an Hand von Grafiken Schritt für Schritt erläutert.

2.1.1. Basisdaten

Einen guten Ausgangspunkt für die Auswahl einer Indikator-Langzeitreihe bilden die online recherchierbare „OECD iLibrary“ und dort speziell die „Main Science and Technology Indicators“²⁰. Eine Analyse in dieser Datenbank, die für den Zeitraum von 1981 bis 2013 über 120 verschiedene Indikatoren für mehr als 40 Länder beziehungsweise Ländergruppen umfasst, ist im Hinblick auf alle drei Variablen (Zeitraum, Indikatoren und Länder) frei konfigurierbar.

Für die exemplarische Erläuterung des dreischrittigen Analyseverfahrens wurde aus dieser Datenbank die Langzeitreihe des GERD-Indikators für den Zeitraum von 1982-2012 für Deutschland ausgewählt²¹. Der GERD-Indikator umfasst die Bruttoinlandsaufwendungen für F&E („Gross Domestic Expenditure on R&D“) und wurde in Mrd. $ zu konstanten Preisen von 2005 gemessen. Er beinhaltet die Ausgaben für Forschung und Entwicklung der drei Sektoren Wirtschaft, Staat und Hochschulen sowie der privaten Organisationen ohne Erwerbszweck.

Die Entwicklung des GERD-Indikators für Deutschland von 1982-2012 zeigt die folgende Abbildung 6²²:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 6: GERD für Deutschland; Quelle: Eigene Darstellung

Diese Abbildung zeigt die Hauptentwicklungsrichtung des GERD-Indikators an. Er steigt von 1982-2012 tendenziell und verdoppelt sich in diesem Zeitraum. Schwer erkennbar ist jedoch die Entwicklungs dynamik dieses Indikators. Um die in den Blick zu bekommen, ist es notwendig, die originale Langzeitreihe zu transformieren.

2.1.2. Transformation

Um die Entwicklungsdynamik einer Langzeitreihe zu erfassen, wird die originale Reihe in eine Zeitreihe transformiert, in der die Veränderungsraten des Indikators sichtbar werden und die interessante statistische Eigenschaften besitzt, die für eine detailliertere Untersuchung wichtig sind. Da es sich bei der originalen GERD-Reihe der OECD iLibrary um eine Langzeitreihe mit Jahreswerten handelt, beziehen sich die Veränderungsraten jeweils auf diese Jahreswerte. Es handelt sich also um jährliche Veränderungsraten.

Die jährlichen Veränderungsraten können auf unterschiedliche Art und Weise berechnet werden. Eine häufig benutzte Methode besteht in der Berechnung der sogenannten „logarithmischen Renditen“, die auch als „Logreturns“, „logarithmischen Differenzen“, „logarithmierte Renditen“ oder „stetige Renditen“ bezeichnet werden. Die mit dieser Methode berechneten Veränderungsraten sind nahezu identisch mit den auf übliche Weise ermittelten Raten, bieten jedoch darüber hinaus eine Reihe von mathematisch-verfahrenstechnischen Vorteilen, die hier jedoch nicht im Detail diskutiert werden müssen²³.

Transformiert man nun die gesamte originale GERD-Langzeitreihe nach diesem Verfahren der logarithmischen Differenzen, dann ergibt sich daraus die transformierte Langzeitreihe L-GERD, deren Werte in % angegeben werden. Wie die originale GERD-Reihe lässt sich auch die transformierte L-GERD-Reihe grafisch darstellen. Beide Reihen zusammen ergeben dann folgendes Bild (Abbildung 7):

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 7: GERD und L-GERD für Deutschland; Quelle: eigene Darstellung

Die numerischen Werte für L-GERD und alle anderen transformierten Reihen sind im Anhang im Kapitel 6.1 in tabellarischer Form aufgelistet.

Gegenüber der originalen GERD-Reihe wird in der transformierten Reihe L-GERD nun die Entwicklungsdynamik des Indikators sehr anschaulich deutlich. Diese transformierte Reihe ist, wie man sieht, sehr volatil. Die jährlichen Wachstumsraten bewegen sich in einem Korridor von -4% (Minimum) bis + 9% (Maximum). Der Nachteil dieser Darstellung ist allerdings ebenfalls deutlich erkennbar. Er besteht darin, dass es schwer und für das ungeübte Auge nahezu unmöglich ist, den spezifischen Trend dieser Entwicklungsdynamik in dem ständigen Auf und Ab der Veränderungsraten zuverlässig zu bestimmen. Um dieses Manko auszugleichen, wird nun die transformierte Indikator-Reihe in einem dritten Schritt geglättet.

2.1.3. Glättung

Die Glättung der transformierten Indikator-Reihe L-GERD kann durch sehr unterschiedliche Filter erfolgen²⁴. Einer der gebräuchlichsten Filter ist der so genannte „Hodrick-Prescott“- oder kurz HP-Filter, der insbesondere in der Konjunkturforschung eingesetzt wird. In der Literatur sind viele praktische Erfahrungen beschrieben, die bei der Anwendung des HP-Filters gesammelt wurden²⁵. Die Glättung der L-GERD-Reihe ist einfach. Entweder man benutzt das von Annen entwickelte „Hodrick Prescott Excel Add-In“, das er als Freeware-Download ins Netz gestellt hat oder man wendet sich an die Kollegen der Konjunkturabteilung des DIW, die die entsprechenden Excel-Tabellen der OECD iLibrary mit ihren HP-Filtern im wahrsten Sinne des Wortes per Knopfdruck in Sekunden glätten können.

Glättet man nun die transformierte L-GERD-Reihe mit Hilfe des HP-Filters, dann ergibt sich daraus die geglättete Langzeitreihe HP-GERD, deren Werte ebenfalls in % angegeben werden. Wie die originale Indikator-Reihe GERD und die transformierte Reihe L-GERD lässt sich auch die geglättete Reihe HP-GERD wieder grafisch darstellen. Alle drei Reihen zusammengenommen ergeben dann folgendes Bild (Abbildung 8):

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 8: GERD, L-GERD und HP-GERD für Deutschland; Quelle: eigene Darstellung

Die numerischen Werte für die geglättete Langzeitreihe HP-GERD und alle anderen nach dem gleichen Prinzip geglätteten Reihen sind wieder im Anhang im Kapitel 6.1 aufgeführt.

Gegenüber der transformierten Reihe L-GERD tritt nun in der mit dem HP-Filter geglätteten Reihe HP-GERD sehr klar ein Trendverlauf der Entwicklungsdynamik des Indikators hervor, der in der volatilen W-BIP-Reihe nur schwer oder gar nicht erkennbar war. Grob vereinfacht sind zwei Phasen erkennbar. In der ersten Phase von 1982-1994 sinken die jährlichen Wachstumsraten tendenziell, in der zweiten Phase von 1994-2012 steigen sie wieder tendenziell. Derartige Phasen können natürlich das Ergebnis zufälliger Prozesse sein, sie können aber auch auf tieferliegende, systematische Ursachen verweisen. Auf jeden Fall liefern sie Anhaltspunkte für vertiefende Top/Down- und Bottom/Up-Analysen, die derartige Ursachen aufdecken können.

Der hier am Beispiel des GERD-Indikators skizzierte dreischrittige Algorithmus

1. Auswahl einer Indikator-Langzeitreihe (Basisdaten)
2. Transformation der Indikator-Langzeitreihe
3. Glättung der transformierten Indikator-Langzeitreihe lässt sich auf alle anderen F&E-Indikatoren anwenden. Desgleichen ist es möglich, die entsprechenden Indikator-Untersuchungen auch miteinander zu kombinieren. Im Folgenden werden, wieder nur exemplarisch, einige Analyse-Möglichkeiten in dieser Richtung aufgezeigt.

2.2. Trends: GERD- und BERD-Dynamiken

Den Ausgangspunkt für die Beschreibung einer kombinierten Indikator-Analyse bilden wieder die „OECD iLibrary“ und deren „Main Science and Technology Indicators“. Aus dieser Datenbank werden zunächst exemplarisch drei Indikatoren ausgewählt, und zwar

1. Der bereits bekannte GERD-Indikator („Gross Domestic Expenditure on R&D“, in Mrd. $ zu konstanten Preisen von 2005)
2. Der I-GERD-Indikator („Percentage of GERD financed by Industry“, in %)
3. Der BERD-Indikator („Business Enterprise Expenditure on R&D“, in Mrd. $ zu konstanten Preisen von 2005)

Die Entwicklungsdynamik dieser drei Indikatoren wird für drei Länder beziehungsweise Ländergruppen untersucht, nämlich für Deutschland, die USA und die Europäische Union (15). Der Untersuchungszeitraum erstreckt sich wieder von 1982-2012.

Dabei werden nicht noch einmal bei jedem Indikator die drei Schritte des zuvor erläuterten Algorithmus dargestellt, sondern lediglich die jeweiligen Ergebnisse desselben, also die geglätteten Langzeitreihen.

2.2.1. GERD-Dynamiken

Zunächst werden die beiden GERD-Dynamiken, also der HP-GERD und der HP-I-GERD untersucht. Bildet man jeweils den HP-GERD für die EU, die USA und Deutschland und vergleicht diese drei geglätteten Indikator-Reihen miteinander, dann ergibt sich folgendes Bild (Abbildung 9):

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 9: GERD-Dynamiken für die EU (15), die USA und Deutschland; Quelle: Eigene Darstellung

Zweierlei ist auf Anhieb erkennbar: Erstens, von 1982 bis ungefähr 2000 zeigt sich für die USA, die EU und Deutschland eine ähnliche Entwicklungsdynamik des GERD-Indikators. Bis Anfang der 90er Jahre sinken die jährlichen Wachstumsraten tendenziell, dann steigen sie bis 2000 wieder an. Zweitens, ab 2003 gehen die Entwicklungsdynamik in der EU und den USA einerseits und in Deutschland andererseits auseinander. Während in der EU und in den USA die Wachstumsraten sinken, steigen sie in Deutschland an.

2.2.2. I-GERD-Dynamiken

Berechnet man nun analog den HP-I-GERD für die EU, die USA und Deutschland und vergleicht diese drei geglätteten Indikator-Reihen miteinander, dann ergibt sich folgendes Bild (Abbildung 10):

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 10: I-GERD-Dynamiken für die EU (15), die USA und Deutschland; Quelle: Eigene Darstellung

In dieser Abbildung sind sehr deutlich unterschiedliche und teilweise gegensätzliche Entwicklungsmuster des I-GERD-Indikators in der EU, den USA und Deutschland erkennbar. Hier zeichnen sich mindestens drei unterschiedliche Entwicklungsphasen ab: eine erste, die von 1982 bis ungefähr 1992 reicht und in der die jährlichen Wachstumsraten der EU und Deutschlands tendenziell sinken, während die der USA steigen; eine zweite, von 1992 bis ungefähr 1998, in der sich diese Trends umkehren, das heißt die Wachstumsraten der USA tendenziell sinken und die der EU und Deutschland steigen; und eine dritte Phase ab 1998, in der sich die Wachstumsraten der USA und Deutschlands in eine ähnliche Richtung entwickeln.

2.2.3. BERD-Dynamiken

Berechnet man nun di geglätteten Zeitreihen für den BERD-Indikator, also die HP-BERD für die EU, die USA und Deutschland und setzt diese drei geglätteten Kurven miteinander in Beziehung, dann ergibt sich folgendes Bild (Abbildung 11):

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 11: BERD-Dynamiken für die EU (15), die USA und Deutschland; Quelle: Eigene Darstellung

Auch hier sind wieder sofort unterschiedliche Entwicklungsperioden erkennbar, und zwar mindestens vier: Von 1982 bis Anfang der 90er Jahre sinken die jährlichen Wachstumsraten mit einem leichten Zeitversatz in den USA, der EU und Deutschland; von 1992/93 bis ungefähr 2000 steigen die Raten wieder an; von 2000 bis zirka 2006 bleiben sie annähernd konstant und ab 2006 sinklen sie in den USA und der EU, während sie in Deutschland steigen.

Um möglichen Missverständnissen oder Fehlinterpretationen vorzubeugen, sei hier nochmals darauf hingewiesen, dass die zuvor exemplarisch skizzierten Indikatoruntersuchungen nicht mehr – allerdings auch nicht weniger – als ein Tool für eine Analyse der F&E-Entwicklungsdynamik in der Wirtschaft und der Industrie darstellen. Die Ergebnisse dieser Untersuchungen und deren Gewichtung bedürfen in jedem Fall einer gesonderten Diskussion. Ob und inwieweit beispielsweise eine Veränderung von Wachstumsraten im einstelligen Prozentbereich relevant ist oder nicht, lässt sich pauschal nicht sagen, sondern hängt vom jeweiligen Indikator und von den anderen Ergebnissen der Top/Down- und Bottom/Up-Analyse ab.

In zweierlei Hinsicht dürfte jedoch eine Indikator-Untersuchung auf jedem Fall hilfreich sein. Zum einen als ein Analyse-Tool, das mit vergleichsweise wenig Aufwand umfangreiche empirische Datenberge strukturiert, zum anderen als eine Darstellungsform, die einen Antrag in anschaulicher Art und Weise in wissenschaftspolitische Langzeitprozesse einbettet.

Im Folgenden werden nun die Quellen zur Methodik und zu den Determinanten der Top/Down-Analyse strukturiert zusammengefasst.

2.3. Diskurse: Methodik und Determinanten

2.3.1. Methodik

Amir, Rabah; Garcia, Filomena; Halmenschlager, Christine; Pais, Joana (2011): R&D as a Prisoner's Dilemma and R&D-Avoiding Cartells. In: The Manchester School 79 (1), S. 81–99. DOI: 10.1111/j.1467-9957.2010.02233.x.

Barge-Gil, Andrés; López, Alberto (2014): R&D determinants: Accounting for the differences between research and development. In: Research Policy 43 (9), S. 1634–1648. DOI: 10.1016/j.respol.2014.04.017.

Berndt, Ernst R.; Hulten, Charles R. (Hg.) (2007): Hard-to-measure goods and services. Essays in honor of Zvi Griliches. Chicago: University of Chicago Press (Studies in income and wealth, v. 67).

Bogliacino, F.; Pianta, M. (2013): Profits, R&D, and innovation - a model and a test. In: Industrial and Corporate Change 22 (3), S. 649–678. DOI: 10.1093/icc/dts028.

Doraszelski, U.; Jaumandreu, J. (2013): R&D and Productivity: Estimating Endogenous Productivity. In: The Review of Economic Studies 80 (4), S. 1338–1383. DOI: 10.1093/restud/rdt011.

Dougherty, Sean M.; Inklaar, Robert; McGuckin, Robert H.; van Ark, Bart (2007): International Comparisons of R&D Expenditure: Does an R&D PPP Make a Difference? In: Ernst R. Berndt und Charles R. Hulten (Hg.): Hard-to-measure goods and services. Essays in honor of Zvi Griliches. Chicago: University of Chicago Press (Studies in income and wealth, v. 67), S. 291–322.

Erkal, Nisvan; Minehart, Deborah (2014): Optimal Technology Sharing Strategies in Dynamic Games of R&D. In: Journal of Economics & Management Strategy 23 (1), S. 149–177.

Fatas-Villafranca, F.; Sanchez-Choliz, J.; Jarne, G. (2007): Modeling the co-evolution of national industries and institutions. In: Industrial and Corporate Change 17 (1), S. 65–108. DOI: 10.1093/icc/dtm039.

Freeman, Christopher; Soete, Luc (2009): Developing science, technology and innovation indicators: What we can learn from the past. In: Research Policy 38 (4), S. 583–589. DOI: 10.1016/j.respol.2009.01.018.

Godin, Benoît (2003): Measuring Science: is there "Basic Research" without Statistics? In: Social Science Information 42 (1), S. 57–90. DOI: 10.1177/0539018403042001795.

Godin, Benoît (2003): The Most Cherished Indicator: Gross Domestic Expenditures on R&D (GERD). Hg. v. Project on the History and Sociology of S&T Statistics. Montreal (Working Papers, 22).

Godin, Benoît (2005): The Linear Model of Innovation: The Historical Construction of an Analytical Framework. Hg. v. Project on the History and Sociology of S&T Statistics. Montreal (Working Papers, 30).

Godin, Benoît (2007): Science, accounting and statistics: The input–output framework. In: Research Policy 36 (9), S. 1388–1403. DOI: 10.1016/j.respol.2007.06.002.

Grupp, Hariolf; Schubert, Torben (2010): Review and new evidence on composite innovation indicators for evaluating national performance. In: Research Policy 39 (1), S. 67–78. DOI: 10.1016/j.respol.2009.10.002.

Huang, Ning; Diewert, Erwin (2011): Estimation of R& D depreciation rates: a suggested methodology and preliminary application. In: The Canadian Journal of Economics 44 (2), S. 387–412.

Jones, Charles I.; Wiliams, John C. (1998): Measuring the Social Return to R&D. In: The Quarterly Journal of Economics (November), S. 1119–1135.

Katz, J. Sylvan (2006): Indicators for complex innovation systems. In: Research Policy 35 (7), S. 893–909. DOI: 10.1016/j.respol.2006.03.007.

Kim, Dong-Young; Kumar, Vinod (2009): A framework for prioritization of intellectual capital indicators in R&D. In: Journal of Intellectual Capital 10 (2), S. 277–293. DOI: 10.1108/14691930910952669.

Mansfield, Edwin; Romeo, Anthony; Switzer, Lorne (1983): R&D price indexes and real R&D expenditures in the United States. In: Research Policy 12 (2), S. 105–112. DOI: 10.1016/0048-7333(83)90007-0.

National Science Board (Hg.) (2014): Science and Engineering Indicators 2014 Digest.

NSF National Science Board (Hg.) (2010): Science and Engineering Indicators 2010. Arlington.

NSF National Science Board (Hg.) (2012): Science and Engineering Indicators 2012. Arlington.

NSF National Science Board (2014): Science and Engineering Indicators 2014, Chapter 4.

NSF/NCSES (2014): Business Research and Development and Innovation: 2011.

O hUallachain, Breandan.; Leslie, Timothy F. (2007): Rethinking the regional knowledge production function. In: Journal of Economic Geography 7 (6), S. 737–752. DOI: 10.1093/jeg/lbm027.

OECD (2010): Main Science and Technology Indicators: OECD.

Richtnér, Anders; Åhlström, Pär; Goffin, Keith (2014): “Squeezing R&D”: A Study of Organizational Slack and Knowledge Creation in NPD, Using the SECI Model. In: Journal of Product Innovation Management 31 (6), S. 1268–1290. DOI: 10.1111/jpim.12139.

Shi, Ping; Zhu, Chengliang; Wang, Yurong (2012): A Study on Causes of Errors of Enterprise R&D Statistics & Accounting Data. In: Progress in Applied Mathematics 4 (1), S. 22–31.

Squicciarini, Mariagrazia; Criscuolo, Chiara; Dernis, Hélène (2013): Measuring Patent Quality. Indicators of Technological and Economic Value (OECD Science, Technology and Industry Working Papers, 2013/03).

Steen, Jan (2012): Modes of Public Funding of Research and Development. Towards Internationally Comparable Indicators (OECD Science, Technology and Industry Working Papers, 2012/04).

Vezzani, Antonio; Montresor, Sandro (2013): The production function of top R&D investors: Accounting for size and sector heterogeneity with quantile estimations (IPTS Working Papers on Corporate R&D and Innovation, 2).

Wörner, Stefan; Grupp, Hariolf (2003): The derivation of R&D return indicators within a real options framework. In: R&D Management 33 (313-325).

2.3.2. Determinanten

2.3.2.1 Krisen

Brautzsch, Hans-Ulrich; Günther, Jutta; Loose, Brigitte; Ludwig, Udo; Nulsch, Nicole (2015): Can R&D subsidies counteract the economic crisis? – Macroeconomic effects in Germany. In: Research Policy 44 (3), S. 623–633. DOI: 10.1016/j.respol.2014.11.012.

Cavallo, Alberto F.; Cavallo, Eduardo A. (2010): Are crises good for long-term growth? The role of political institutions. In: Journal of Macroeconomics 32 (3), S. 838–857. DOI: 10.1016/j.jmacro.2010.01.006.

Francois, Patrick; Lloyd-Ellis, Huw (2009): Schumpeterian cycles with pro-cyclical R&D. In: Review of Economic Dynamics 12 (4), S. 567–591. DOI: 10.1016/j.red.2009.02.004.

Kaiser, Robert; Prange-Gstöhl, Heiko (2010): A paradigm shift in European R&D policy? The EU Budget Review and the economic crisis. In: Science and Public Policy 37 (4), S. 253–265.

Kladroba, Andreas; Stenke, Gero (2011): Wie krisenfest ist Forschung und Entwicklung? Auswirkungen der Wirtschafts- und Finanzkrise 2009 auf die FuE-Aktivitäten der deutschen Wirtschaft. In: Vierteljahreshefte zur Wirtschaftsforschung 80 (3), S. 55–71.

Lech, Aleksandra (2011): Research and Development Expenditures of Innovative Enterprises in the Time of Crisis. In: Comparative Economic Research 14 (3). DOI: 10.2478/v10103-011-0019-x.

Meyer, Thomas-D (2010): Innovationskraft nach der Krise: Deutsche Unternehmen setzen auf F&E. In: Deutsche Bank Research, S. 1–8.

2.3.2.2 Patente

Bessen, James (2008): The value of U.S. patents by owner and patent characteristics. In: Research Policy 37 (5), S. 932–945. DOI: 10.1016/j.respol.2008.02.005.

[...]

---

¹ Lane 1966

² Bell 1973

³ Kreibich 1986

⁴ Campbell und David 2006

⁵ Miegel 2001

⁶ Jungk 1975

⁷ Lämmert 1997

⁸ Dobrov 1971

⁹ Price, Derek J. de Solla 1974

¹⁰ Bittlingmayer 2001; Gemperle 2007; Junge 2008; Kübler 2009; Laughlin 2008

¹¹ Stuhlhofer 1980, 1983

¹² Arvanitis und Woerter 2014; Barlevy 2007; Brautzsch et al. 2015; Francois und Lloyd-Ellis 2009; Marz 2015

¹³ Neueste Scoreboard-Daten siehe European Commission 2014

¹⁴ Neueste BERD-Daten siehe OECD 2015

¹⁵ Cozza 2010, S. 9–12

¹⁶ Marz 2015; OECD 2015

¹⁷ Godin 2003

¹⁸ Böhme und Marz 2014a, 2014b

¹⁹ Marz 2015

²⁰ OECD 2015

²¹ OECD 2015

²² Die entsprechenden numerischen Daten für diese und die folgenden Abbildungen sind im Anhang im Kapitel 6.1 tabellarisch aufgelistet.

²³ Marz 2015, S. 38

²⁴ So beispielsweise durch den „Baxter-King“-Filter, den „Moving-Average“-Filter, den „Extended-Exponential-Smoothing-Filter“, den „Christiano-Fitzgerald“-Filter oder den „Trendfunktions“-Filter.

²⁵ Hierzu siehe beispielsweise Ahumada und Garegnani 1999; Fukuda 2010; Jönsson 2010; Nilsson und Gyomai 2011; Razzak 1997; Schlicht 2005; Yamada 2012