• Keine Ergebnisse gefunden

Datenauswertung mithilfe uni-, bi- und multivariater Analysemethoden

4 Forschungsprozess

4.3 Quantitativer Forschungsstrang – eine statistische Detailanalyse

4.3.3 Datenauswertung mithilfe uni-, bi- und multivariater Analysemethoden

Methoden. In den folgenden Abschnitten wird die Methodenauswahl zunächst begründet sowie die methodischen Grundlagen der konkreten Anwendung offengelegt.

4.3.3.1 Begründung der Methodenauswahl und Spezifizierung der Methodik Die in Abschnitt 4.3.1 beschriebenen unterschiedlichen Ziele der statistischen Analyse bedingen eine Vielzahl statischer Methoden. Abbildung 15 fasst die Zielsetzungen sowie die damit verbundenen Analyseverfahren zusammen:

Abbildung 15: Übersicht über die Zielsetzungen durchgeführter statistischer Analysen

Die statistische Analyse diente in erster Linie der Identifikation von Zusammenhängen zwischen den Veränderungstreibern, zur Strukturierung der möglichen Lösungsansätze für die digitale Transformation sowie zur Analyse von deren Wirkung auf die Anpassungsfähig-keit der Unternehmen. Unterschiede wurden in AbhängigAnpassungsfähig-keit von der Unternehmensgröße sowie der Kernrolle der Akteure im Wertschöpfungsnetzwerk identifiziert. Für die Analyse sind univariate, bivariate und multivariate Verfahren zu unterscheiden (vgl. Diekhoff 1992), die aufgrund der genannten Zielsetzungen in der vorliegenden Arbeit alle drei zum Einsatz kommen. Tabelle 11 gibt einen zusammenfassenden Überblick über die verwendeten statistischen Verfahren.

Veränderungstreiber

Zusammenhänge

Logistik

Produktion Handel

mittelkleingroß

Wirkungen

Lösungsansätze

Strukturen Kernrollen im Wertschöpfungsnetzwerk

Unternehmensgße

Unterschiede

Unterschiede

Quantitativer Forschungsstrang – eine statistische Detailanalyse 57

Tabelle 11: Eingesetzte statistische Verfahren auf Basis der Zielsetzungen

Zielsetzung Art der Analyse Eingesetzte Verfahren

Stand der Praxis Univariat Häufigkeiten, Lagemaße

Unterschiede Bivariat Varianzanalysen, Kontingenzanalysen

Zusammenhänge Bivariat Korrelationsanalysen

Strukturen Multivariat Explorative Faktorenanalysen

Wirkungen Multivariat Multiple Regressionsanalysen

Zur Beschreibung des Status quo hinsichtlich wahrgenommener Veränderungstreiber sowie verfolgter Ansätze bieten sich zunächst einfache univariate Analysen an. Häufigkeits-analysen sowie Lagemaße stellen eine Möglichkeit dar, Aussagen über Verteilungen sowie Fortschrittsmaße zu treffen (vgl. Meißner 2004, S. 67). Vor dem Hintergrund der in Ab-schnitt 4.3.1 genannten veränderten Rollen in einem Wertschöpfungsnetzwerk ist es von Interesse, wie sich der Fortschritt der Akteure bei der digitalen Transformation in Abhängig-keit von der Rolle der Befragten innerhalb der Supply Chain sowie von deren Unter-nehmensgröße unterscheidet. Für eine solche Fragestellung bieten sich Varianz- sowie Kontingenzanalysen an (vgl. Backhaus et al. 2016, S. 17f.). Zusammenhänge bei den beobachteten Veränderungstreibern lassen sich über Korrelationsanalysen bestimmen und liefern damit Anhaltspunkte für mögliche Stellhebel14 (vgl. Field 2009, S. 167). Die in den Interviews ermittelten Lösungsansätze sind hinsichtlich übergeordneter Konstrukte zu ana-lysieren. Hierzu bieten explorative Faktorenanalysen die Möglichkeit, Strukturen zu ermit-teln (vgl. Schendera 2010, S. 188f.; Field 2009, S. 628) und damit „Cluster“ an Ansätzen zu identifizieren. Ebenfalls von zentralem Interesse ist schließlich die Wirkung, welche die Ver-folgung dieser Ansätze auf die Anpassungsfähigkeit der Unternehmen hat. Solche Ursache-Wirkungsbeziehungen lassen sich mithilfe von Regressionsanalysen ermitteln (vgl. Backhaus et al. 2016, S. 16; Field 2009, S. 198).

4.3.3.2 Ablaufmodell und Regelwerke der Analyse

Die Auswertung der Daten folgte einem strukturierten Prozess. Dieser ist in Abbildung 16 dargestellt. Für die Analyse der Daten mithilfe der Software IBM® SPSS® Statistics Ver-sion 23 wurden die Daten entsprechend präpariert. Dazu wurden die Antwortdatensätze zunächst aus LimeSurvey exportiert, sodann aggregiert und anschließend über den SPSS Syntax Editor zur Weiterverarbeitung importiert.

Gemäß der Prämisse „Datenqualität kommt vor Analysequalität. Dass schmutzige Daten verzerrte Ergebnisse nach sich ziehen, ist sachevident …“ (Schendera 2007, S. 7) erfolgte vor der Datenauswertung eine Überprüfung und Bereinigung des Datensatzes in Orientie-rung an den vier HauptanfordeOrientie-rungen nach Schendera (2007, S. 3). Die Vollständigkeit der vorliegenden Einzeldatensätze (die sich durch unterschiedlich versandte Authentifizie-rungslinks ergaben) und die damit verbundene Anzahl der ermittelten Fälle (Teilnehmer) wurde über einen Abgleich mit den Fallzahlen aus LimeSurvey bestätigt. Die Vollständigkeit

14 Als Stellhebel sind im Folgenden von Akteuren eingesetzte Maßnahmen zu verstehen, die einen positiven Einfluss auf ihre Anpassungsfähigkeit an Veränderungstreiber haben.

der vorliegenden Fälle sowie Variablen wurde zudem anhand eines Abgleichs mit den Metadaten und einer Überprüfung auf Fehlerfreiheit des Syntax-Logs sichergestellt (vgl.

Schendera 2007, S. 25ff.). Anschließend wurden die Daten auf interne Vollständigkeit (vgl.

Schendera 2007, S. 25), d. h. auf fehlende Werte, geprüft. Durch die Ausgestaltung der Befragung, welche ausschließlich Pflichtangaben umfasste, wurden fehlende Werte im Datensatz von vornherein vermieden. Eine zusätzliche Überprüfung von kontrollierten Missings erfolgte mithilfe von Häufigkeitstabellen. Das Vorliegen weiterer nicht-system-definiter fehlender Werte wurde über die Analyse von Häufigkeitstabellen variablenweise ausgeschlossen.

Abbildung 16: Ablaufmodell der quantitativen Analyse der Befragungs-Daten

Anschließend erfolgte eine Vereinheitlichung der Datensätze, Variablen, Labels und Werte (vgl. Schendera 2007, S. 37). Da durch die Ausgestaltung keine doppelten Werte möglich sein sollten, wurde eine einfache Prüfung auf Dopplungen vorgenommen (vgl. Schendera 2007, S. 95). Um unsorgfältig ausgefüllte Fragebogen auszuschließen, wurde zudem im Sinne einer Prüfung der Plausibilität, ein Zeitfaktor integriert der Fragebogen ausschließt, bei denen die durchschnittliche Dauer der Beantwortung je Seite unter 90 Sekunden liegt.

Zudem erfolgte eine manuelle Bereinigung um drei Datensätze, da diese durchgängig An-gaben wie „nicht relevant / weiß nicht“ enthielten bzw. im Kommentarfeld darauf hinwiesen, dass sie keinen Mehrwert für die Auswertung liefern.

Vor der Anwendung statistischer Tests sind deren Voraussetzungen zu überprüfen. Die vorgesehenen Tests setzen eine Normalverteilung der Daten und die Homogenität der Varianzen voraus (vgl. Field 2009, S. 133). Eine analytische Überprüfung erfolgte in Anleh-nung an Field (2009, S. 133ff.) mithilfe des K-S- und Shapiro-Wilk-Tests bzw. Levene-Tests sowohl für das Gesamtsample als auch für die einzelnen Subsamples (Kernrolle im Wert-schöpfungsnetzwerk und Größe der Unternehmen). Bei Verletzung der Nullhypothese wurde zudem eine visuelle Inspektion der Daten sowie eine Analyse der Schiefe und

Kurto- Normalverteilungstest (K-S- und Shapiro-Wilk-Test)

Test auf Homogenität der Varianzen (Levene-Test)

ANOVA

t-Test

Pearson ꭙ²-Test

Explorative Faktorenanalyse

Korrelationsanalyse

Multiple Regres-sionsanalyse

Unterschiede Interdependenzen Zusammenhänge

Präparation der Daten

Analyse der Daten

Datentransfer

Ausreißer

Plausibilität

Dopplungen

Fehlende Werte

Vollständigkeit

Einheitlichkeit

Prüfung der Testvoraussetzungen Datenbereinigung

Quantitativer Forschungsstrang – eine statistische Detailanalyse 59

sis in Anlehnung an Schumacker & Lomax (2010, S. 62) vorgenommen, die in Struktur-gleichungsmodellen für ordinalskalierte Daten Werte zwischen -1 und 1 bzw. -1,5 und 1,5 empfehlen.

Die anschließenden Analysen hinsichtlich Unterschieden, Interdependenzen und Zusam-menhängen erfolgten in Anlehnung an Field (2009) sowie Hair (2010) bzw. (2014). Neben der Beurteilung der statistischen Signifikanz spielt vor allem die praktische Relevanz eine bedeutende Rolle. Diese bezieht sich auf die Stärke der analysierten Zusammenhänge und wird nach Meinung von Krebs & Menold (2014, S. 437) in der sozialwissenschaftlichen Forschung häufig vernachlässigt. Eine Aussage hinsichtlich der praktischen Relevanz liefern Effektgrößen (vgl. Cohen 1969, S. 10), die in der Ergebnisdarstellung entsprechend dargelegt werden.