Leseprobe
Inhalt
1 Einleitung
2 Grundlagen
2.1 Hypothesen und Hypothesen-Tests
2.2 Signale und Signaling-Theorie
2.3 (Lokale) institutionelle Qualität
2.4 Rechtsform eines Unternehmens
2.5 Neue Erwartungstheorie (Prospect-Theory)
2.6 Logistische Regression
3 Vorstellung der Studie: Vorgehen und Ergebnisse
3.1 Darstellung der Hypothesen der Arbeit
3.2 Darstellung der empirischen Vorgehensweise der Arbeit
3.3 Darstellung der zentralen Ergebnisse
4 Implikationen für die Praxis
5 Zusammenfassung und Ausblick
6 Literaturverzeichnis
7 Abbildungsverzeichnis
1 Einleitung
Diese Seminararbeit befasst sich damit, die Studie „The online Shadow of offline Signals: Which Sellers get contacted in online B2B Marketplaces?“ von Lanzolla und Frankort vorzustellen und zu analysieren. Der Fokus liegt darauf, wie Käufer sich in Online-B2B-Märkten entscheiden und welche Verkäufer sie kontaktieren (vgl. Lanzolla/Frankort 2016, S. 207); dabei fokussieren sich Lanzolla und Frankort besonders auf juristische und lokale Eigenschaften dieser B2B-Beziehungen.
Online-B2B-Märkte unterscheiden sich maßgeblich von klassischen Märkten. Daten über den Verkäufer sind spärlich, die Beschaffung von Informationen ist recht aufwändig. Während für traditionelle Märkte („offline“) eine Vielzahl an Informationen über den Verkäufer vorliegen, ist man auf den Online-B2B-Märkten stärker eingeschränkt. Typischerweise können innerhalb dieser Plattformen Käufer über das Profil eines Verkäufers lediglich Daten zur geographischen Lage sowie über den Rechtsstatus (Rechtsform, Registereinträge, etc.) erheben (vgl. Lanzolla/Frankort 2016, S. 207). Für den Käufer bedeutet eine geringe Informationsmenge über den Verkäufer ein erhöhtes Risiko beim Kauf, da in einem anonymen Käufer-/ Verkäuferverhältnis kaum Vertrauen aufgebaut werden kann (vgl. Lanzolla/Frankort 2016, S. 207). Andere Studien zur Betrachtung des Käuferverhaltens:
Bezüglich traditioneller Märkte kommen Studien zu dem Ergebnis, dass Käufer ein geringeres Risiko bei bekannten Verkäufern tragen. „Bekannt“ bedeutet hierbei, dass diese Verkäufer bereits einen Ruf der Zuverlässigkeit genießen. Weiterhin sind durch mehrfache Handelsaktivitäten dieser Verkäufer vermehrte Informationen über Art und Weise des Kaufprozesses im Umlauf (vgl. für den in diesem Absatz ausgeführten Gedankengang Lee/Kang/McKnight 2007, S. 729, Smith/Brynjolfson 2001, S. 542, Lanzolla/Frankort 2016, S. 207).
Folgerichtig präsentieren weitere Studien Bewertungssysteme für Verkäuferverhalten, um das Risiko in Online-B2B-Märkten zu verringern. Die zugrunde liegende Idee ist, durch ein einheitliches Bewertungssystem mit festgelegten Richtlinien eine aussagekräftige Datenbasis zu erschaffen mit einer möglichst umfassenden Bewertung aller Verkäufer. Dies ermöglicht den Käufern, sich auf mehrfach gut bewertete Verkäufer zu konzentrieren und somit das Kaufrisiko zu reduzieren. Ein Nachteil ergibt sich daher für neu auf dem Markt agierende Verkäufer sowie Verkäufer von Nischenprodukten, die wenige bis gar keine Bewertungen haben. Durch ein bereits etabliertes Bewertungssystem wird ihnen der Markteintritt erschwert.
Zu diesem Ergebnis kam Dellarocas bereits 2003 (vgl. für den in diesem Absatz ausgeführten Gedankengang Dellarocas 2003, S. 1422, Lanzolla/Frankort 2016, S. 207). Ähnlich zu den Bewertungssystemen kann laut einer wissenschaftlichen Arbeit von Pavlov & Gefen 2004 das Käuferrisiko ebenfalls durch Zertifikate verringert werden. Käufer sollen hierbei Zertifikaten vertrauen, die einen Verkäufer bezüglich dessen Zuverlässigkeit akkreditieren. Verkäufer mit Zertifikat und damit geringerem Käuferrisiko haben also eine bessere Chance auf Online-B2B-Märkten (vgl. Gefen/Pavlou 2004, S. 53, Lanzolla/Frankort 2016, S. 207).
Hegde und Tumlinson (2014) sowie Sorenson und Stuart (2001) analysieren, dass räunliche und soziale Nähe zwischen Käufer und Verkäufer die Prüfkosten der Verlässlichkeit maßgeblich verringern. (vgl. für den in diesem Absatz ausgeführten Gedankengang Hegde/Tumlinson 2014, S. 2357, Sorenson/Stuart 2001, S. 1551, Lanzolla/Frankort 2016, S. 207ff.).
Online-Märkte leiden allerdings darunter, dass sowohl die Verfügbarkeit als auch die Aussagekraft von Bewertungs- und Zertifizierungssystemen stark variiert. Verschiedene Zertifizierungssysteme besitzen zusätzlich unterschiedliche Kriterien und Gewichtungen. Sind Verkäufer im Besitz unterschiedlicher Zertifikate, lässt sich deren Qualität nur erschwert vergleichen. Bewertungssysteme leiden unter den typischen Phänomenen wie gefälschte Bewertungen, starke Subjektivität und einem uneinheitlichen Maßstab der Rezensionsverfasser (vgl. Lanzolla/Frankort 2016, S. 208, Thompson 2014). Gleichzeitig stellt sich online die Frage, was Nähe tatsächlich bedeutet. Es ist unklar, ob sich Unternehmen online nah sind, die ähnliche Produkte verkaufen oder die einen Geschäftssitz in geographischer Nähe offline besitzen (vgl. Gefen/Carmel 2008, S. 379).
Insgesamt werden die Möglichkeiten zur Risikoverringerung eines Käufers online als stark eingeschränkt angesehen. Die vorliegende Studie betrachtet den Prozess der Wahl eines Online-Verkäufers, indem auch die Rolle von Offline-Signalen als mögliche Einflussfaktoren für die Kaufentscheidung diskutiert wird.
2 Grundlagen
2.1 Hypothesen und Hypothesen-Tests
Eine Hypothese beschreibt eine Vermutung, die noch nicht bewiesen ist. Mithilfe von Hypothesen-Tests und anderen statistischen Merkmalen wird versucht, diese empirisch zu bestätigen oder zu widerlegen (vgl. o.V. o.D. (Statistik-Lexikon: Definition Hypothese, Statista)). Hypothesen stellen einen essentiellen Bestandteil der Statistik dar und beinhalten die Einflussgrößen, die die Zielgröße (das zu untersuchende Merkmal) beeinflussen (vgl. o.V. o.D. (Glossar, Uni Münster)).
Hypothesen-Tests werden immer dann angewendet, wenn Thesen mittels empirischen Daten nachgewiesen werden sollen. Die Logik beruht hierbei darauf, das Gegenteil der Behauptung zu widerlegen. In der Studie von Lanzolla und Frankort werden vier Hypothesen aufgestellt, die im weiteren Verlauf der wissenschaftlichen Arbeit genauer betrachtet werden, um deren Wahrheitsgehalt zu überprüfen (vgl. o.V. 2017).
2.2 Signale und Signaling-Theorie
In der Überschrift der Studie als auch in der Studie selbst und in dieser Seminararbeit trifft man auf den Begriff „Offline-Signale“ und „Online-Signale“: Offline-Signale sind beispielsweise die Rechtsstellung der Firma oder wiederum die geographische Lage des Firmensitzes. Käufer empfangen Signale, verarbeiten diese weiter und lassen sie in die Kaufentscheidung einfließen (vgl. Erlei/Szczutkowski 2018). Online-Signale sind im hiesigen Kontext Signale, die online auftreten, z.B. Webpräsenz und Preisgestaltung. Weiterhin senden Verkäufer auf Märkten diese Signale bewusst und unbewusst aus; bewusste Signale wären hierbei beispielsweise Produktangebote, unbewusst vermittelte Signale z.B. die Rechtsform eines Unternehmens oder die sog. lokale institutionelle Qualität (s.u.).
Die in der Studie referenzierte Signaling-Theorie handelt von den Interpretationsmöglich-keiten der vorliegenden Signale sowie den Schlussfolgerungen, die daraus gezogen werden können (vgl. Lanzolla/Frankort 2016, S. 208). Die Theorie, die von Michael Spence stammt, dient zum Beschreiben des Verhaltens zweier Parteien, die Zugriff auf unterschiedliche Informationen besitzen. Michael Spence kam zu dem Ergebnis, dass die beiden Parteien das Problem der asymmetrischen Informationsverteilung umgehen, indem eine Partei ein Signal mit relevanten Informationen für die andere Partei sendet. Die andere Partei empfängt dieses und passt daran ihr Kaufverhalten an. Dies ist auf vielen Arten von Märkten der Fall, so auf B2B-Märkten wie auch auf Job-Märkten (vgl. Spence 1973).
2.3 (Lokale) institutionelle Qualität
In ihrer Studie verwenden Lanzolla und Frankort die „institutionelle Qualität“ als Einflussgröße. Diese findet in zwei der vier Hypothesen Anwendung, genauer genommen in Form der o.g. „lokalen institutionellen Qualität“. Die Einflussgröße bildet sich aus mehreren 3 Indikatoren, die zwei Kernbereiche sind hierbei die juristische Effizienz sowie die Intensität der vorliegenden Korruption und des organisierten Verbrechens einer Gegend. Zur Untersuchung der juristischen Effizienz wurde sowohl überregionale Daten bezüglich der durchschnittlichen Dauer von Insolvenzverfahren als auch regionale Daten bezüglich der durchschnittlichen Dauer von Zivilverfahren in verschiedenen Instanzen erhoben (vgl. Lanzolla/Frankort 2016, S. 215ff). Die lokale institutionelle Qualität wird sowohl vom Verkäufer als auch vom Käufer im Kaufprozess berücksichtigt.
Um Korruption und organisierte Verbrechen mit einzubeziehen haben Lanzolla und Frankort Messungen anderer Studien verwendet. So wurde die Korruption über den Korruptions-messwert „G“ von Golden und Picci 2005 verwendet (vgl. Golden/Picci 2005, Lanzolla/Frankort 2016, S. 215ff.). Dieser misst den Mangel an Korruption in jeder einzelnen der 20 Regionen Italiens. Als Basis für den Wert des organisierten Verbrechens wurde der sogenannte „MIen“ Rangindikator aus einer Studie von Calderoni 2011 herangezogen (vgl. Calderoni 2011, S. 41, Lanzolla/Frankort 2016, S. 215). Dieser stuft die italienischen Provinzen bezüglich Messwerten des organisierten Verbrechens ein. Insgesamt haben Lanzolla und Frankort aus den Daten fünf Indikatoren gezogen, die sie schlussendlich per Faktoranalyse auf regionaler Ebene und dem Kaiser-Meyer-Olkin Messwert bezüglich ihrer Repräsentativität der institutionellen Qualität überprüft haben (vgl. Lanzolla/Frankort 2016, S. 215ff).
Hohe institutionelle Qualität bietet dem Käufer eine Reihe an Vorteilen. An der institutionellen Qualität einer Umgebung spiegelt sich die juristische Effizienz wieder (vgl. Woodruff/Laeven 2007, S. 612, Lanzolla/Frankort 2016, S. 210). Dies bedeutet, dass in qualitativ höheren Umgebungen institutioneller Qualität die Durchsetzungskosten geringer sind (vgl. Shleifer/Djankov/La Porta 2003, S. 453, Lanzolla/Frankort 2016, S. 210). Käufer besitzen somit leichter die Möglichkeit, ihre zustehenden Rechte gerichtlich durchzusetzen, was wiederum die Handelsrisiken deutlich verringert (vgl. Lanzolla/Frankort 2016, S. 210). Hierdurch sollten Käufer bei Verkäufern aus Umgebungen mit hoher institutioneller Qualität mit größerer Wahrscheinlichkeit damit rechnen, finanziell kompensiert zu werden, falls der Verkäufer seine Verkaufsversprechen nicht einhalten kann (vgl. Jappelli/Pagano/Bianco 2005, S. 240, Lanzolla/Frankort 2016, S. 210).
Ebenso haben Studien gezeigt, dass die institutionelle Qualität mit dem Ausmaß an Korruption und organisiertem Verbrechen korreliert (vgl. Shleifer/Vishny 1993, S. 599, Lanzolla/Frankort 2016, S. 210). Diese Phänomene sind bei geringerer institutioneller Qualität deutlich ausgeprägter als bei höherer institutioneller Qualität. Geringe institutionelle Qualität erhöht somit das Risiko des Käufers, mit einem Verkäufer zu agieren, der in illegale Aktivitäten verwickelt ist (vgl. Lanzolla/Frankort 2016, S. 210). Die Ausprägungen dieser Variable reichen in der Studie von 0.00 (Kalabrien) bis 3.15 (Piemont) (vgl. Lanzolla/Frankort 2016, S. 216).
2.4 Rechtsform eines Unternehmens
Die Rechtsform eines Unternehmens legt dessen gesetzlichen Rahmenbedingungen fest. Rechtsformen gibt es viele, folgende Auflistung zeigt einen Ausschnitt (vgl. Schäfer 2016):
- Gesellschaft mit beschränkter Haftung (GmbH)
- Kommanditgesellschaft (KG), oder die Mischform GmbH & Co KG
- Einzelunternehmen
Die vorliegenden Daten der Studie von Lanzolla und Frankort konzentrieren sich auf die Rechtsformen Einzelunternehmen, GmbHs und Konzerne. Unter einem Konzern versteht man ein herrschendes sowie eine Anzahl von weiteren unabhängigen Unternehmen unter der einheitlichen Leitung des herrschenden Unternehmens. Die Rechtsform stellt in dieser Studie eine weitere Einflussgröße dar (vgl. Lanzolla/Frankort 2016, S. 217, S. 226).
Die unterschiedlichen Rechtsformen besitzen ein variierendes Ausmaß an ihnen vorliegenden Verpflichtungen und Kontrollen (vgl. Lanzolla/Frankort 2016, S. 211). Unter den typischen Rechtsformen unterliegen Konzerne den meisten Verpflichtungen, darauf folgen GmbHs und zu guter Letzt Einzelunternehmen (vgl. Lanzolla/Frankort 2016, S. 211). Es ist belegt, dass Unternehmen mit - aus Sicht des Käufers - besserer Rechtsstellung einfacher externe Finanzierungshilfen erlangen können, dadurch eine höhere Wahrscheinlichkeit haben, länger zu existieren und sich somit nicht aus finanziellen Gründen auflösen müssen (vgl. Storey 1994, S. 129, Brüderl/Preisendörfer/Ziegler 1992, S. 236ff Mata/Portugal 2002, S. 323, Lanzolla/Frankort 2016, S. 212).
2.5 Neue Erwartungstheorie (Prospect-Theory)
Die neue Erwartungstheorie - auch als „Prospect Theory“ bekannt - bezeichnet eine wirt-schaftswissenschaftliche Theorie zur Beschreibung des Verhaltens in Risiko-Situationen. Wichtig ist hierbei der Referenzpunkt der betrachteten Person. Muss diese sich zwischen verschiedenen Handlungsalternativen entscheiden, wird der Nutzen der Alternativen nicht am Bedürfnis- oder Vermögenszustand gemessen, sondern am Verhältnis zu genau jenem Referenzzustand. Somit werden die Handlungsalternativen jeweils als Gewinn oder Verlust in Relation zu dem Referenzzustand dargestellt. Die Verschlechterungen - also die Verluste -werden hierbei deutlich stärker empfunden als die Verbesserungen - die Gewinne.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Der subjektive Wert als Funktion des objektiven Wertes (vgl. o.V. 2015)
Abbildung 1 veranschaulicht die Aussage recht deutlich, dass z.B. der subjektive Wert bei den objektiven Werten +100 oder -100 verglichen wird. Das subjektive Empfinden spielt hier die entscheidende Rolle. Umweltzustände (äußere Einflussfaktoren) werden ebenfalls nicht objektiv gewichtet, sondern mittels einer Wahrscheinlichkeitsgewichtungsfunktion. Die neue Erwartungstheorie unterscheidet sich also klar von dem üblichen Erwartungsnutzenkonzept (vgl. zu dem in diesem Absatz ausgeführten Gedankengang Kahneman/Tversky 1979, Erlei 2018).
2.6 Logistische Regression
Die logistische Regressionsanalyse wird verwendet, um die Eintrittswahrscheinlichkeit eines Ereignisses in Abhängigkeit unterschiedlicher Einflussgrößen zu ermitteln. Sie überprüft, ob ein Zusammenhang zwischen einer binären abhängigen und einer beliebigen Anzahl an unabhängigen Variablen besteht. Binäre Variablen besitzen nur zwei mögliche Ausprägungen. Ein Beispiel wäre hierfür die Variable „Verheiratet“, die entweder mit ja (Ergebnis: 1) oder mit nein (Ergebnis: 0) beantwortet werden kann. Die unabhängigen Variablen sind entweder metrisch (z.B. Zahlen) oder kategorial. Die Abhängigkeit der Variablen kann mit Korrelationstests belegt werden. Sind alle abhängigen und unabhängigen Variablen definiert, findet der eigentliche Ablauf der logistischen Regressionsanalyse, wie folgt, statt:
Zur Durchführung der logistischen Regressionsanalyse findet zunächst die Modellformulierung statt. Hierbei werden zunächst die Faktoren bestimmt, die die Wahrscheinlichkeit des Eintretens der abhängigen Variable beeinflussen. Hierauf folgt die Sch ätzung der logistischen Regressionsfunktion Dies geschieht Mittels logarithmierter Likelihood-Funktion. Das Ergebnis ist eine Funktionskurve, die möglichst gut zu den gegebenen Daten passt. Die zu verwendenden Regressionskoeffizienten spiegeln das Ausmaß des Einflusses der unabhängigen Variable auf die Eintrittswahrscheinlichkeit des Ereignisses wider. Die Werte der (logistischen) Kurve geben somit die Wahrscheinlichkeit an, dass die abhängige Variable den Wert 1 annimmt (vgl. zu dem in diesem Absatz ausgeführten Gedankengang King/Zeng 2001, S. 140, o.V. 2018). Die gegebenen Wahrscheinlichkeitsverhältnisse werden bei der logistischen Regressionsanalyse direkt interpretiert. Diese berechnen sich aus dem Quotienten der Eintrittswahrscheinlichkeit der binären Variable sowie dessen Gegenwahrscheinlichkeit. Auf die abgeschlossene Interpretation der Regressionskoeffizienten folgt die Prüfung des Gesamtmodells Hierbei wird getestet, ob das gewählte Gesamtmodell geeignet ist, um die Daten zu beschreiben. Zum Einsatz kommen verschiedene Statistiken, so beispielsweise der 2-fache „Log Likelihood“. Schlussendlich werden die Ergebnisse mithilfe des Chi²-Tests auf Signifikanz überprüft. Zum Abschluss der logistischen Regressionsanalyse findet die Prüfung der Merkmalsvariablen statt. In diesem Schritt werden die einzelnen Regressionskoeffizienten auf ihre Signifikanz überprüft. Eine Möglichkeit hierfür ist die sogenannte Wald-Statistik. Sie berechnet sich mit der Formel W = (Pj/sp.)2.j ist hierbei der Index der unabhängigen Variablen, fy ist der Regressionskoeffizient und Sp. ist der Standardfehler des Regressionskoeffizienten. Die berechnete Wald-Statistik kann nun weiter mit dem Chi²-Test bezüglich ihrer Signifikanz untersucht werden [vgl. zu dem in diesem Absatz ausgeführten Gedankengang Schäfer 2012, o.V. o.D. (Logistische Regression, Empirical Methods - Hochschule Luzern), o.V: 2018].
Abbildung in dieser Leseprobe nicht enthalten
Es existieren weitere Varianten der logistischen Regressionsanalyse, die auch mit ordinalskaliert oder nominal abhängigen Variablen arbeiten können. Zum einfacheren Verständnis wird hier das Prinzip anhand der klassischen binären logistischen Regressionsanalyse erklärt. In der Studie von Lanzolla und Frankort wird auf die logistische Regression für seltene Fälle zurückgegriffen (vgl. Lanzolla/Frankort 2016, S. 222).
[...]