Die Forschungsmethode - also das "Wie" ein Thema erforscht wird - ist für moderne und hochqualitative Forschung genaso wichtig, wie die Forschungsfrage per se - also das "Was" erforscht wird.

In der Industrielogistik - als ein Fachbereich des Wirtschaftsingenieurwesens - werden diverse Forschungsmethoden eingesetzt, um komplexe Fragestellungen zu untersuchen und innovative Lösungen zu entwickeln. Das Wirtschaftsingenieurwesen profitiert von der Kombination dieser modernen Forschungsmethoden, um den Herausforderungen einer zunehmend vernetzten und datengetriebenen Welt gerecht zu werden.

Die Forschungsrichtung wird auf Grund der Verzahnung von Technik und Wirtschaft häufig als "Techno-Ökonomie" bezeichnet, weshalb wir auf dieser Seite aktuelle techno-ökonomische Forschungsmethoden präsentieren, die wir aus unserer Forschung heraus als relevant für den Fachbereich ansehen.

Übersicht

research_methods
Quelle: adaptiert von Töpfer, A. (2012), Erfolgreich forschen: Ein Leitfaden für Bachelor-, Master-Studierende und Doktoranden, Springer-Lehrbuch, 3., überarbeitete und erweiterte Auflage, Springer Gabler, Berlin, Heidelberg.

In der folgenden Abbildung wird eine der möglichen Arten gezeigt, wie man die verschiedenen Forschungsmethoden klassifizieren kann. Es gibt viele Möglichkeiten, dies zu tun, weshalb die Abbildung lediglich einen ersten Überblick liefern soll. Detailliertere Betrachtungen folgen weiter unten.

 

Qualitative empirische Forschung

interview-g00e34cc28_640

Einleitung

Empirische Interviews sind eine qualitative Forschungsmethode im techno-ökonomischen Bereich, bei der Forscher gezielt Interviews mit relevanten Personen ("Experteninterviews") führen, um tiefergehende Einblicke in technologische und wirtschaftliche Aspekte zu gewinnen. Diese Methode ermöglicht es, individuelle Erfahrungen, Meinungen, Perspektiven und Einschätzungen der Interviewpartner zu erfassen und qualitative Daten für die Analyse und Interpretation zu gewinnen. Durch die empirischen Interviews können komplexe Zusammenhänge, Herausforderungen und Potenziale im techno-ökonomischen Bereich besser verstanden werden, was zur Entwicklung fundierter Entscheidungen, Strategien und Innovationen beiträgt.

Arten von Interviews

Es gibt verschiedene Arten der Interviewführung, die im Forschungskontext verwendet werden. Hier sind einige Beispiele:

  1. Semi-strukturiertes Leitfadeninterview: Bei einem semi-strukturierten Leitfadeninterview gibt es einen vordefinierten Fragenkatalog, der als Leitfaden für das Interview dient. Der Interviewer hat die Flexibilität, die Reihenfolge der Fragen anzupassen und zusätzliche Fragen zu stellen, um auf spezifische Antworten oder Themen näher einzugehen. Dies ermöglicht eine gewisse Standardisierung der Fragen, während gleichzeitig Raum für zusätzliche Informationen und Erklärungen bleibt.

  2. Experteninterview: Experteninterviews werden mit Personen durchgeführt, die über spezifisches Wissen, Erfahrung oder Fachkenntnisse in einem bestimmten Bereich verfügen. Die Fragen zielen darauf ab, das Fachwissen des Experten zu einem bestimmten Thema zu erfassen und tiefgreifende Einblicke zu gewinnen. Experteninterviews können entweder strukturiert oder semi-strukturiert sein, abhängig von den spezifischen Zielen der Forschung.

  3. Narratives Interview: Das narratives Interview konzentriert sich auf die Erzählungen und Erfahrungen der Interviewpartner. Es ermutigt die Befragten, ihre persönlichen Geschichten und Lebenserfahrungen im Zusammenhang mit dem Forschungsthema zu teilen. Der Interviewer stellt offene Fragen und gibt den Teilnehmern Raum, ihre Erzählungen frei zu entfalten.

  4. Gruppendiskussion: Bei einer Gruppendiskussion kommen mehrere Teilnehmer zusammen, um über ein bestimmtes Thema zu diskutieren. Der Moderator leitet die Diskussion, stellt Fragen und fördert den Austausch von Meinungen und Perspektiven innerhalb der Gruppe. Gruppendiskussionen ermöglichen es, unterschiedliche Standpunkte und soziale Dynamiken zu erkunden.

  5. Tiefeninterview: Das Tiefeninterview zielt darauf ab, tiefergehende Einsichten und Emotionen zu erfassen. Der Interviewer geht intensiv auf die Thematik ein und ermutigt den Interviewpartner, seine Gedanken, Gefühle und Motivationen ausführlich zu teilen. Tiefeninterviews können eine längere Dauer haben und erfordern eine hohe Aufmerksamkeit seitens des Interviewers.

Auswertung der qualitativen Daten

Grundsätzlich kann die Auswertung der gesammelten Daten unterschiedlich geschehen - es gibt aber zwei "Extrema" bei der Auswertung:

  1. Analysemethoden nach Mayring: Mayring entwickelte die qualitative Inhaltsanalyse als Methode zur systematischen Auswertung von Interviews. Hierbei werden die Transkripte der Interviews in Kategorien unterteilt, die auf vordefinierten theoretischen Annahmen oder induktiv aus dem Material selbst abgeleitet werden. Die Inhalte werden dann in den Kategorien zusammengefasst und interpretiert.
  2. Grounded Theory: Die Grounded Theory ist eine qualitative Analysemethode, bei der die Theorie aus den Daten selbst entwickelt wird, anstatt vorab festgelegte Kategorien zu verwenden. Durch iteratives Vorgehen werden die Interviews analysiert, Codes und Kategorien identifiziert und Beziehungen zwischen ihnen aufgedeckt. Auf diese Weise entsteht eine Theorie, die eng mit den empirischen Daten verbunden ist.

Diese beiden Ansätze könnte man als die beiden Enden einer Skala sehen - am einen Ende Mayring und am anderen Ende die Grounded Theory. Auch in der Mitte gibt es verschiedene Ansätze zur Auswertung, wie beispielsweise die inhaltlich strukturierende qualitative Inhaltsanalyse nach Kuckartz.

Üblicherweise verwendet man zur Auswertung technische Hilfsmittel, wie beispielsweise MaxQDA.

Methodenliteratur

  • Kuckartz, U., 2018. Qualitative Inhaltsanalyse: Methoden, Praxis, Computerunterstützung, 4th ed. Beltz Juventa, Weinheim, Basel, 240 pp

  • Mello, J.E., Manuj, I., Flint, D.J., 2021. Leveraging grounded theory in supply chain research: A researcher and reviewer guide. International Journal of Physical Distribution & Logistics Management 51, 1108–1129

  • Kruse, J., 2009. Reader „Einführung in die Qualitative Interviewforschung“

Beispiele

  • Siems, E., & Seuring, S. (2021). Stakeholder management in sustainable supply chains: A case study of the bioenergy industry. Business Strategy and the Environment, 30 (7), 3105– 3119. https://doi.org/10.1002/bse.2792
  • Huge-Brodin, M., Sweeney, E. and Evangelista, P. (2020), Environmental alignment between logistics service providers and shippers – a supply chain perspective, The International Journal of Logistics Management, Vol. 31 No. 3, pp. 575-605. https://doi.org/10.1108/IJLM-04-2019-0101
  • Miklautsch, P. and Woschank, M. (2022). "Decarbonizing Industrial Logistics," in IEEE Engineering Management Review, vol. 50, no. 3, pp. 149-156, Sept. 2022. https://doi.org/10.1109/EMR.2022.3186738
  • (Masterarbeit) Binder, E. (2021). Leitfaden zur Gestaltung zukünftiger Lieferketten in der deutschen Automobilindustrie - Herausforderungen und Maßnahmen in Bezug auf die beschaffungsseitigen Lieferketten. https://pureadmin.unileoben.ac.at/ws/portalfiles/portal/7819921/AC16361278.pdf
classroom-g5f6ea52b8_640

Einleitung

Das "World Café" ist eine partizipative Forschungsmethode, die im techno-ökonomischen Bereich verwendet wird, um gemeinsames Wissen und kollektive Weisheit zu generieren. Es handelt sich um eine strukturierte Gesprächsform, bei der Teilnehmer in kleinen Gruppen an verschiedenen Tischen sitzen und über bestimmte Fragen oder Themen diskutieren. Nach einer festgelegten Zeit wechseln die Teilnehmer zu einem anderen Tisch und bringen ihre Ideen und Erkenntnisse aus der vorherigen Diskussion mit. Diese Methode fördert den offenen Austausch von Perspektiven und die Kollaboration zwischen den Teilnehmern. Am Ende des "World Café" werden die wichtigsten Erkenntnisse und Ideen gesammelt und präsentiert. Diese Methode eignet sich gut, um komplexe Themen im techno-ökonomischen Bereich zu erforschen, verschiedene Standpunkte zu integrieren und innovative Lösungsansätze zu entwickeln.

Arten von World Cafés

  1. Klassisches World Café: Dies ist die traditionelle Form des World Cafés, bei dem Teilnehmer an kleinen Tischen sitzen und in mehreren Runden zu verschiedenen Fragen oder Themen diskutieren. Nach jeder Runde wechseln die Teilnehmer zu einem anderen Tisch, um ihre Gedanken und Erkenntnisse mit neuen Teilnehmern zu teilen.

  2. Open Space World Café: Diese Variante kombiniert die Prinzipien des Open Space Formats mit dem World Café. Die Teilnehmer haben die Möglichkeit, eigene Themen oder Fragen einzubringen und selbstständig Diskussionsrunden zu leiten. Dadurch entsteht eine größere Vielfalt an Themen und ein selbstorganisiertes Umfeld für den Austausch.

  3. Online World Café: In der digitalen Ära gibt es auch Online-Versionen des World Cafés. Hier nehmen die Teilnehmer über Online-Kommunikationstools teil und diskutieren in virtuellen Räumen. Dies ermöglicht eine globale Teilnahme und den Austausch über geografische Grenzen hinweg.

  4. Hybrid World Café: Diese Variante kombiniert physische und digitale Elemente. Ein Teil der Teilnehmer befindet sich vor Ort an Tischen, während andere Teilnehmer online zugeschaltet sind. Durch die Verbindung von Präsenz- und Online-Diskussionen entsteht ein hybrides Format des World Cafés.

Diese verschiedenen Arten von World Cafés bieten Flexibilität, um die Methode an die spezifischen Anforderungen, den Kontext und die Zielsetzung anzupassen. Die Wahl der geeigneten Variante hängt von Faktoren wie der Teilnehmerzahl, der Verfügbarkeit von Ressourcen und der gewünschten Reichweite der Diskussion ab.

Auswertung generierter Daten

  1. Thematische Analyse: Bei der thematischen Analyse werden die gesammelten Ideen, Einsichten und Informationen aus den World Café-Diskussionen transkribiert oder zusammengefasst. Anschließend werden gemeinsame Themen und Muster identifiziert. Diese Themen werden dann weiter analysiert und in Kategorien oder Unterkategorien eingeteilt, um Schlüsselaussagen oder -konzepte zu identifizieren.

  2. Inhaltsanalyse: Die Inhaltsanalyse beinhaltet die systematische Untersuchung des gesammelten Materials aus den World Cafés, um wichtige Inhalte, Begriffe oder Bedeutungen zu identifizieren. Hierbei können codierende Techniken wie offenes Kodieren, axiales Kodieren oder selektives Kodieren angewendet werden, um Bedeutungen und Beziehungen zwischen den Inhalten zu erschließen.

  3. Netzwerkanalyse: Die Netzwerkanalyse betrachtet die Beziehungen zwischen den generierten Ideen und Einsichten aus den World Cafés. Hierbei können Beziehungen zwischen den Themen, die Häufigkeit bestimmter Konzepte oder die Verbindungen zwischen den Teilnehmern untersucht werden. Netzwerkanalyse kann dazu beitragen, die Interaktionen und das Zusammenspiel der diskutierten Inhalte zu visualisieren und zu verstehen.

  4. Qualitative Zusammenfassung: Eine qualitative Zusammenfassung beinhaltet die Zusammenfassung der wichtigsten Aussagen, Erkenntnisse und Ideen aus den World Café-Diskussionen. Dabei werden die relevanten Informationen aus den Transkripten oder Notizen extrahiert und in einer verdichteten Form dargestellt. Diese Zusammenfassung ermöglicht es, die Kernelemente und Hauptthemen der Diskussionen zu erfassen.

journalists-g42b92642c_640

Einleitung

Die Delphi-Studie ist eine Forschungsmethode im techno-ökonomischen Bereich, die auf die Erhebung und Konsensbildung von Expertenmeinungen abzielt. Dabei werden Experten aus relevanten Fachbereichen wiederholt zu einem bestimmten Thema befragt, wobei ihre Antworten anonymisiert und zusammengefasst werden. In mehreren Runden erhalten die Experten Feedback über die Ergebnisse der vorherigen Runde und können ihre Meinungen und Einschätzungen überarbeiten. Ziel ist es, einen Konsens oder eine Konvergenz der Meinungen zu erzielen und Expertenwissen für strategische Entscheidungen oder Prognosen zu nutzen. Die Delphi-Studie ermöglicht es, komplexe Probleme zu erfassen, verschiedene Perspektiven zu integrieren und auf langfristige Entwicklungen im techno-ökonomischen Bereich zu reagieren.

Arten von Delphi-Studien

  1. Klassische Delphi-Studie: In der klassischen Delphi-Studie werden Experten aus einem bestimmten Fachgebiet über mehrere Runden hinweg befragt. Die Fragen werden in aufeinanderfolgenden Runden angepasst, basierend auf den Ergebnissen der vorherigen Runde. Das Ziel ist es, einen Konsens oder eine Konvergenz der Expertenmeinungen zu erzielen.

  2. Policy Delphi: Die Policy Delphi konzentriert sich auf die Bewertung von politischen oder gesellschaftlichen Entscheidungen. Experten werden befragt, um Meinungen zu den Auswirkungen von Politikoptionen oder zur Bewertung von politischen Maßnahmen abzugeben. Ziel ist es, eine breite Perspektive auf politische Fragen zu erhalten.

  3. Echtzeit-Delphi: Beim Echtzeit-Delphi wird ein verkürzter Zeitrahmen verwendet, um schnelle Ergebnisse zu erzielen. Die Expertenmeinungen werden in kurzer Zeit gesammelt und analysiert, um rasche Entscheidungen oder Einschätzungen zu ermöglichen. Diese Variante wird oft bei aktuellen oder zeitkritischen Themen angewendet.

  4. Online-Delphi: Mit dem Aufkommen von Online-Kommunikationstechnologien ist es möglich geworden, Delphi-Studien online durchzuführen. Experten können über virtuelle Plattformen oder E-Mail-Kommunikation befragt werden, was Zeit- und Kostenersparnisse ermöglicht und eine geografisch verteilte Expertengruppe erreichen kann.

  5. Gruppendelphi: Bei der Gruppendelphi werden die Experten nicht einzeln befragt, sondern sie kommen in einer Gruppe zusammen, um Meinungen und Perspektiven auszutauschen. Die Diskussionen und Konsensbildung finden in einer gemeinsamen Sitzung statt. Gruppendelphi fördert den interaktiven Austausch und kann zu tieferen Diskussionen führen.

Für Delphi-Studien passende Forschungsfragen

  • Bewertung/Reihung von Einflussfaktoren, die auf ein spezifisches Phänomen wirken
  • Entwicklung von Szenarien/Prognosen in einem spezifischen Bereich

Methodenliteratur

  • Skulmoski, G., Hartman, F. and Krahn, J (2007). The Delphi Method for Graduate Research. Jorunal of Information Technology Education.https://doi.org/10.28945/199

Beispiele

document-g6728d1797_640

Einleitung

Die Qualitative Comparative Analysis (QCA) ist eine Forschungsmethode im techno-ökonomischen Bereich, die darauf abzielt, komplexe Zusammenhänge zwischen Ursachen und Wirkungen zu analysieren. QCA basiert auf einer vergleichenden Fallstudienanalyse und kombiniert qualitative und quantitative Elemente. Es wird untersucht, wie verschiedene Faktoren oder Bedingungen gemeinsam zur Entstehung eines bestimmten Ergebnisses beitragen.

Bei der QCA werden Fallstudien oder Fälle betrachtet, die bestimmte Merkmale oder Eigenschaften aufweisen. Diese Fälle werden in Bezug auf verschiedene relevante Variablen oder Kriterien analysiert. Dabei werden verschiedene Konfigurationen von Merkmalen identifiziert, die zu einem bestimmten Ergebnis führen oder es verhindern. Die Analyse zielt darauf ab, Muster oder Kombinationen von Bedingungen zu identifizieren, die zu einem bestimmten Ergebnis führen.

QCA verwendet die Boole'sche Algebra zur Auswertung. Dabei werden Wahrheitstabelle und Konsistenztests verwendet, um die Übereinstimmung der Fälle mit den untersuchten Bedingungen zu bewerten. Auf diese Weise können Konfigurationen von Bedingungen identifiziert werden, die notwendig oder hinreichend für das Auftreten eines bestimmten Ergebnisses sind.

QCA ist eine nützliche Methode im techno-ökonomischen Bereich, da sie dazu beiträgt, komplexe Zusammenhänge zwischen verschiedenen Variablen oder Bedingungen zu verstehen. Sie ermöglicht die Identifizierung von Konfigurationen, die spezifische Ergebnisse beeinflussen, und kann dazu beitragen, Kausalitäten in komplexen Systemen besser zu verstehen.

Methodenliteratur

  • Ketchen, D. J., Kaufmann, L., & Carter, C. R. (2022). Configurational approaches to theory development in supply chain management: Leveraging underexplored opportunities. Journal of Supply Chain Management, 58( 3), 71– 88. https://doi.org/10.1111/jscm.12275

Beispiele

  • Stekelorum, R., Laguir, I., Gupta, S. and Kumar S. (2021). Green supply chain management practices and third-party logistics providers’ performances: A fuzzy-set approach. International Journal of Production Economics. https://doi.org/10.1016/j.ijpe.2021.108093
  • Hartmann, J., Inkpen, A. and Ramaswamy, K. (2022). An FsQCA exploration of multiple paths to ecological innovation adoption in European transportation. Journal of World Business. https://doi.org/10.1016/j.jwb.2022.101327
  • Timmer, S. and Kaufmann, L. (2019), Do Managers’ Dark Personality Traits Help Firms in Coping with Adverse Supply Chain Events?. Journal of Supply Chain Management, 55: 67-97. https://doi.org/10.1111/jscm.12212
tube-bender-g7f5104d80_640

Einleitung

Die Fallstudie ist eine Forschungsmethode im techno-ökonomischen Bereich, die es ermöglicht, ein Phänomen oder eine Situation in ihrer realen Umgebung umfassend zu untersuchen. Bei einer Fallstudie werden detaillierte Informationen über einen Einzelfall gesammelt, um tiefe Einblicke in das Phänomen zu gewinnen und komplexe Zusammenhänge zu verstehen.

Die Fallstudie im techno-ökonomischen Bereich kann verschiedene Ansätze haben, einschließlich der Analyse von Unternehmen, Organisationen, Projekten, Technologien oder Branchen. Es können sowohl qualitative als auch quantitative Daten gesammelt werden, um das Verständnis des Fallstudienobjekts zu verbessern.

Die Daten für eine Fallstudie können aus verschiedenen Quellen stammen, wie z.B. Interviews, Beobachtungen, Dokumentenanalysen, Archivmaterial oder Fragebögen. Die Daten werden analysiert, um Muster, Zusammenhänge und Besonderheiten zu identifizieren und zu interpretieren.

Die Fallstudie ermöglicht es Forschern, kontextspezifische Faktoren zu berücksichtigen und Einblicke in reale Probleme oder Herausforderungen im techno-ökonomischen Bereich zu gewinnen. Sie kann zur Beschreibung, Erklärung oder Bewertung eines Phänomens oder zur Entwicklung von Theorien oder Hypothesen dienen.

Die Fallstudie ist eine flexible Methode, die es ermöglicht, komplexe Zusammenhänge in ihrer tatsächlichen Umgebung zu erforschen und zu verstehen. Sie kann in Verbindung mit anderen Forschungsmethoden eingesetzt werden, um ein umfassendes Bild des untersuchten Phänomens im techno-ökonomischen Bereich zu erhalten.

Methodenliteratur

Beispiele

  • Kelliher, F. and McAdam, R. (2018), Applying a longitudinal interpretive multi-case research method to study the employee impact of operations management systems in a micro firm setting. Production Planning & Control, 29:16, 1321-1331. https://doi.org/10.1080/09537287.2018.1535134
  • Seles, B., Lopes de Sousa Jabbour, A., Chiappetta Jabbour, C. and Dangelico, R (2016). The green bullwhip effect, the diffusion of green supply chain practices, and institutional pressures: Evidence from the automotive sector. International Journal of Production Economics. https://doi.org/10.1016/j.ijpe.2016.08.033

Quantitative empirische Forschung

Die Basis für quantitative Forschung im engeren Sinne bilden in der Regel Umfragen, die von einer Vielzahl an Teilnehmern ausgefüllt werden. Der Erstellung solcher Umfragen/Fragebögen widmet sich die dementsprechende Methodenliteratur. Im Folgenden stellen wir einige Möglichkeiten vor, wie solche Fragebögen ausgewertet werden können. Bitte beachten Sie, dass sich die notwendigen Fragestellungen und Antwortmöglichkeiten bei Umfragen je nach Analysemethode unterscheiden können.

1-s2
Quelle: https://doi.org/10.1016/j.trip.2023.100857

Einleitung

Die Korrelationsanalyse untersucht den Zusammenhang zwischen zwei oder mehr Variablen, um festzustellen, ob und in welchem Ausmaß sie miteinander in Beziehung stehen. Sie ermöglicht es, den Grad der linearen Beziehung zwischen den Variablen zu messen und statistische Korrelationskoeffizienten zu berechnen.

Die Regressionsanalyse geht einen Schritt weiter und untersucht die Abhängigkeit einer abhängigen Variablen von einer oder mehreren unabhängigen Variablen. Sie ermöglicht es, eine mathematische Beziehung zwischen den Variablen herzustellen und Vorhersagen für die abhängige Variable auf Basis der unabhängigen Variablen zu treffen.

Die Gruppenanalyse, auch als Gruppenvergleichsanalyse bekannt, vergleicht statistische Unterschiede zwischen verschiedenen Gruppen von Beobachtungen oder Teilnehmern. Sie wird eingesetzt, um festzustellen, ob es signifikante Unterschiede zwischen den Gruppen in Bezug auf bestimmte Variablen oder Merkmale gibt. Hierbei können verschiedene statistische Tests wie der t-Test, der Chi-Quadrat-Test oder die Varianzanalyse verwendet werden.

Wichtig bei diesen Verfahren ist die Auswahl der korrekten Testverfahren. Für jede dieser Analysen gibt es unterschiedliche statistische Tests, die nach diversen Kriterien ausgewählt werden können. Eines dieser Kriterien ist beispielsweise, ob die zu grunde liegenden Daten der Normalverteilung unterliegen.

Diese Analyseverfahren werden häufig im der Techno-Ökonomie eingesetzt, um quantitative Daten zu analysieren, Beziehungen zwischen Variablen zu identifizieren, Vorhersagen zu treffen und Unterschiede zwischen Gruppen zu untersuchen. Sie ermöglichen es, komplexe Zusammenhänge zu untersuchen und fundierte Entscheidungen im Bereich der Industrielogistik zu treffen.

Methodenliteratur

Beispiele

  • Miklautsch, P. and Woschank, M. (2023). The adoption of industrial logistics decarbonization practices: Evidence from Austria. Transportation Research Interdisciplinary Perspectives. https://doi.org/10.1016/j.trip.2023.100857

20230518_SEM

Einleitung

Die Strukturgleichungsmodellierung (SEM) ist eine Forschungsmethode im techno-ökonomischen Bereich, die zur Untersuchung komplexer Zusammenhänge zwischen Variablen eingesetzt wird. SEM kombiniert Messmodellierung und Strukturmodellierung, um Kausalbeziehungen zwischen latenten (nicht direkt beobachtbaren) Konstrukten zu analysieren.

Beim SEM werden Hypothesen über die Zusammenhänge zwischen den Variablen aufgestellt und anhand von statistischen Modellen überprüft. Es können sowohl direkte als auch indirekte Effekte zwischen den Variablen berücksichtigt werden. Das SEM ermöglicht es, sowohl die Qualität der Messung der latenten Konstrukte (Messmodell) als auch die Beziehungen zwischen den Konstrukten (Strukturmodell) zu untersuchen.

Die Daten für das SEM können aus Umfragen, Befragungen, Beobachtungen oder anderen Quellen stammen. Die Daten werden in der Regel mit Hilfe von spezieller Software (bspw. SPSS AMOS, SmartPLS) analysiert, die statistische Schätzungen und Modelle berechnet.

Das SEM wird im techno-ökonomischen Bereich eingesetzt, um komplexe Modelle von Zusammenhängen zwischen technologischen, wirtschaftlichen und sozialen Variablen zu erforschen. Es ermöglicht die Untersuchung von Ursache-Wirkungs-Beziehungen, die Bewertung von Hypothesen und die Identifizierung von Faktoren, die das Verhalten oder die Leistung in diesem Bereich beeinflussen.

Durch die Anwendung des SEM können Forscher im techno-ökonomischen Bereich ein besseres Verständnis der komplexen Interaktionen zwischen technologischen, wirtschaftlichen und sozialen Faktoren gewinnen und evidenzbasierte Entscheidungen und Strategien entwickeln.

Methodenliteratur

  • Weiber, R. and Sarstedt, M. (2021). Strukturgleichungsmodellierung: Eine anwendungsorientierte Einführung in die Kausalanalyse mit Hilfe von AMOS, SmartPLS und SPSS. 3rd Edition. Springer Gabler. Wiesbaden. ISBN 978-3658326593
  • Hair, J.F.JR., Hult, T.M., Ringle. C.M., Sarstedt, M. (2021) A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). 3rd Edition. SAGE. Thousand Oaks. ISBN 978-1544396408

Beispiele

  • Woschank, M., Dallasega, P., Zunk, M. and Pacher, C. (2022). Strategic supplier selection: the importance of process formality in non-automated supplier selection decisions. Cogent Engineering. https://doi.org/10.1080/23311916.2022.2094853

  • Dallasega, P., Woschank, M., Sakris, J., Tippayawong, K.Y. (2022). Logistics 4.0 Measurement Model: Empirical Validation based on an International Survey. Industrial Management & Data Systems. https://doi.org//10.1108/IMDS-11-2021-0694

Desk Research

SLR
(c) Kaiblinger & Woschank (2022)

Einleitung

Die systematische Literaturrecherche ist eine Forschungsmethode im techno-ökonomischen Bereich, die darauf abzielt, relevante wissenschaftliche Literatur zu identifizieren, zu sammeln, zu bewerten und zu analysieren. Sie ermöglicht es, den aktuellen Kenntnisstand zu einem bestimmten Thema zu erfassen und wissenschaftliche Erkenntnisse systematisch zu nutzen.

Bei der systematischen Literaturrecherche werden vorab definierte Suchkriterien festgelegt, um die Relevanz und Qualität der ausgewählten Studien sicherzustellen. Dies umfasst die Festlegung der Suchbegriffe, Datenbanken und Zeitschriften, die in die Suche einbezogen werden. Die Literatursuche wird in der Regel in mehreren Schritten durchgeführt, wie z.B. Identifikation der relevanten Literatur, Titel- und Abstract-Screening, Volltextbewertung und Extraktion relevanter Daten.

Die systematische Literaturrecherche ermöglicht es, Informationen zu Trends, Forschungslücken, Theorien, Methoden und Ergebnissen in einem bestimmten Forschungsfeld zu sammeln. Sie unterstützt die Entwicklung einer umfassenden und fundierten Basis für die Forschung im techno-ökonomischen Bereich. Die Ergebnisse der Literaturrecherche können in systematischen Reviews, Metaanalysen oder als Grundlage für theoretische Überlegungen und Hypothesenbildung verwendet werden.

Diese Methode hilft auch, Duplikate zu identifizieren, die Qualität der Studien zu bewerten und die Verzerrung in der Dateninterpretation zu minimieren. Die systematische Literaturrecherche trägt zur Objektivität, Transparenz und Nachvollziehbarkeit der Forschung im techno-ökonomischen Bereich bei und fördert den Erkenntnisgewinn durch Zusammenführung und Analyse vorhandener wissenschaftlicher Erkenntnisse.

Um die Qualität einer SLR sicherzustellen, sollte sie anhand der Guidelines von PRISMA berichtet werden, siehe dazu hier oder unter der u.g. Publikation.

Methodenliteratur

  • Durach, C.F., Kembro, J. and Wieland, A. (2017), A New Paradigm for Systematic Literature Reviews in Supply Chain Management. J Supply Chain Manag, 53: 67-85. https://doi.org/10.1111/jscm.12145
  • Page M J, McKenzie J E, Bossuyt P M, Boutron I, Hoffmann T C, Mulrow C D et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews BMJ 2021; 372 :n71 https://doi.org/10.1136/bmj.n71

Beispiele

  • Kaiblinger, A. and Woschank, M. (2022). State of the Art and Future Directions of Digital Twins for Production Logistics: A Systematic Literature Review. Sustainability. https://doi.org/10.3390/app12020669

  • Miklautsch, P. and Woschank, M. (2022). A framework of measures to mitigate greenhouse gas emissions in freight transport: Systematic literature review from a Manufacturer's perspective. Journal of Cleaner Production. https://doi.org/10.1016/j.jclepro.2022.132883

  • Woschank, M., Rauch, E. and Zsifkovits, H. (2020). A Review of Further Directions for Artificial Intelligence, Machine Learning, and Deep Learning in Smart Logistics. Sustainability. https://doi.org/10.3390/su12093760

sustainability-14-15050-g004
Quelle: https://doi.org/10.3390/su142215050

Einleitung

Die Meta-Analyse ist eine Forschungsmethode im techno-ökonomischen Bereich, die darauf abzielt, eine Zusammenfassung und Synthese von Ergebnissen aus verschiedenen Studien zu einem bestimmten Thema durchzuführen. Anstatt eine neue empirische Studie durchzuführen, werden vorhandene Studien systematisch gesammelt, analysiert und kombiniert. Die zugrundeliegenden Studien oder Berichte können beispielsweise über eine systematische Literaturrecherche oder über andere Suchverfahren (Unternehmensdatenbanken, Open Data Portale, ...) gefunden werden.

Bei der Meta-Analyse werden quantitative Daten aus den ausgewählten Studien extrahiert und statistisch analysiert. Dabei werden Effektgrößen oder andere relevante Maße der Studienergebnisse verglichen und aggregiert. Ziel ist es, ein umfassendes Bild der Forschungslage zu erhalten, indem mehrere Studien miteinander verglichen und gemittelt werden.

Die Meta-Analyse ermöglicht es, größere Stichproben zu nutzen, um präzisere Schätzungen der Effekte zu erhalten und die Variabilität der Ergebnisse zwischen den einzelnen Studien zu untersuchen. Sie kann auch dazu beitragen, widersprüchliche Ergebnisse in der Literatur zu erklären, potenzielle Moderatorvariablen zu identifizieren und die Stärke der Effekte zu bestimmen.

Im techno-ökonomischen Bereich kann die Meta-Analyse eingesetzt werden, um beispielsweise die Auswirkungen bestimmter Technologien auf die Produktivität von Unternehmen, den Zusammenhang zwischen Innovation und Wettbewerbsfähigkeit oder die Effektivität bestimmter Managementpraktiken zu untersuchen. Indem sie eine große Anzahl von Studien zusammenführt, ermöglicht die Meta-Analyse eine robuste und generalisierbare Aussage über den Forschungsstand zu einem bestimmten Thema.

Es ist wichtig anzumerken, dass die Qualität der in die Meta-Analyse einbezogenen Studien eine wesentliche Rolle spielt. Eine sorgfältige Auswahl der Studien und eine Bewertung ihrer methodischen Qualität sind entscheidend, um aussagekräftige und verlässliche Ergebnisse zu erzielen.

Methodenliteratur

  • C. Forza & F. Di Nuzzo (1998) Meta-analysis applied to operations management: Summarizing the results of empirical research, International Journal of Production Research, 36:3, 837-861, https://doi.org/10.1080/002075498193714

Beispiele

  • Miklautsch, P., König, A. and Woschank, M. (2022). Identifying a Country’s Freight Transport-Intensive Economic Sectors and Their Logistics Emissions—Method Development and Exemplary Evaluation with Austria. Sustainability. https://doi.org/10.3390/su142215050
  • Rosenzweig, E.D. and Easton, G.S. (2010), Tradeoffs in Manufacturing? A Meta-Analysis and Critique of the Literature. Production and Operations Management, 19: 127-141. https://doi.org/10.1111/j.1937-5956.2009.01072.x

Weitere Methoden

fesios_steelplant_simulation
(c) Fesios GmbH, https://www.fesios.com/steel-plant-simulation

Einleitung

Die Simulation ist eine Forschungsmethode im techno-ökonomischen Bereich der Industrielogistik, bei der computergestützte Modelle verwendet werden, um reale Szenarien und Prozesse nachzubilden und zu analysieren. Durch die Simulation können komplexe logistische Systeme und Abläufe virtuell dargestellt und deren Verhalten unter verschiedenen Bedingungen untersucht werden.

In der Industrielogistik werden Simulationen eingesetzt, um beispielsweise den Materialfluss in Produktionsanlagen, die Lager- und Transportprozesse, die Layoutgestaltung von Lagern oder die Optimierung von Lieferketten zu analysieren. Dabei werden verschiedene Parameter und Variablen wie Produktionsraten, Auftragsvolumen, Ressourcenkapazitäten oder Betriebsbedingungen berücksichtigt.

Die Simulation ermöglicht es Forschern und Praktikern, "Was-wäre-wenn"-Szenarien durchzuspielen und die Auswirkungen von Veränderungen oder Entscheidungen zu untersuchen, ohne reale Ressourcen zu beanspruchen oder Risiken einzugehen. Durch die Modellierung und Simulation können verschiedene Alternativen verglichen und optimale Lösungen identifiziert werden.

Die Simulation basiert auf mathematischen Modellen, Algorithmen und statistischen Analysen. Die Daten, die für die Simulation benötigt werden, können aus verschiedenen Quellen stammen, wie zum Beispiel historische Daten, Echtzeitdaten oder spezifische Annahmen.

Die Vorteile der Simulation im techno-ökonomischen Bereich der Industrielogistik liegen in der Möglichkeit, komplexe Systeme zu analysieren, Risiken zu minimieren, Kosteneffizienz zu verbessern, Engpässe zu identifizieren und effektive Entscheidungen zu treffen. Durch die Simulation können Forscher und Praktiker die Leistung von logistischen Systemen vorhersagen, optimieren und verbessern, um einen reibungslosen und effizienten Betrieb sicherzustellen.

Simulationsparadigmen

Es gibt unterschiedliche Simulationsparadigmen, die je nach spezifischem Anwendungsbereich und Fragestellung eingesetzt werden. Agentenbasierte Simulationen eignen sich gut für die Modellierung von sozialen Systemen oder dezentraler Entscheidungsfindung, Diskrete Ereignissimulationen für Prozesse mit zeitlicher Diskontinuität und Ressourcenmanagement (bspw. Materialflüsse), während Dynamische Systeme/Systemdynamik oft für die Modellierung von langfristigen Verhaltenstrends in physikalischen, ökonomischen oder sozialen Systemen verwendet werden.

  • Agentenbasierte Simulation ("agent-based"):
    • Basierend auf der Modellierung von autonomen, individuellen Agenten, die in einer Umgebung interagieren.
    • Agenten haben eigene Zustände, Verhalten und Entscheidungsfähigkeiten.
    • Der Schwerpunkt liegt auf der Modellierung des Verhaltens und der Interaktionen von Agenten.
    • Komplexe, emergente Phänomene können durch die Interaktion der Agenten entstehen.
    • Es werden oft räumliche und soziale Aspekte berücksichtigt.
  • Diskrete Ereignissimulation ("discrete event"):
    • Betrachtet die Modellierung und Analyse von diskreten Ereignissen, die das System beeinflussen.
    • Das System wird als eine Folge von Ereignissen dargestellt, die zu bestimmten Zeitpunkten auftreten.
    • Zustandsänderungen treten nur zu diskreten Zeitpunkten auf.
    • Die Schwerpunkte liegen auf der Modellierung von Warteschlangen, Ressourcennutzung und zeitlichen Abläufen.
    • Es können komplexe zeitliche Interaktionen und Ressourcenkonflikte modelliert werden.
  • Dynamische Systeme ("dynamic systems") bzw. Systemdynamik ("system dynamics"):
    • Betrachtet die Modellierung von Systemen mit kontinuierlichen Zustandsänderungen.
    • Fokussiert auf die Beschreibung von Beziehungen zwischen Zuständen und Flüssen innerhalb des Systems.
    • Das System wird durch eine Reihe von Differentialgleichungen oder Differenzengleichungen beschrieben.
    • Es werden Feedbackschleifen und Verzögerungen berücksichtigt.
    • Der Schwerpunkt liegt auf der Analyse der Systemdynamik, um Verhalten im Laufe der Zeit vorherzusagen.

Methodenliteratur

  • Tako, A. and Robinson, S. (2012). The application of discrete event simulation and system dynamics in the logistics and supply chain context. Decision Support Systems. https://doi.org/10.1016/j.dss.2011.11.015

Beispiele

DSR_Hevner
Quelle: https://www.researchgate.net/publication/345430098_Introduction_to_Design_Science_Research

Einleitung

Der Design Science Reserarch (DSR) Ansatz ist per se keine eigene Forschungsmethode, sondern stellt ein Rahmenwerk zur Entwicklung und Evaluierung von Artefakten (Modelle, Systeme, Prozesse, Frameworks) zur Verfügung, um praktische Probleme zu lösen und neue Lösungen zu schaffen. Der Fokus liegt auf der Gestaltung und Konstruktion von Lösungen, die darauf abzielen, spezifische Herausforderungen oder Anforderungen in der Industrielogistik zu adressieren.

Die DSR-Methodik besteht aus mehreren Schritten, darunter das Identifizieren und Verstehen des Problems oder der Aufgabe, die Entwicklung eines Artefakts basierend auf Theorien und bestehendem Wissen, die Durchführung von Evaluierungen, um die Wirksamkeit des Artefakts zu überprüfen, und schließlich die Kommunikation der Ergebnisse und Erkenntnisse.

Je nach Schritt können unterschiedliche Forschungsmethoden angewandt werden, um zu den notwendigen Erkenntnissen zu gelangen. Bei der Identifikation der Problemstellung und Anforderungen könnten bspw. ein World Café zum Einsatz kommen, die Evaluierung des Artefakts in der Praxis könnte dann über eine quantitative Umfrage oder eine Case Study geschehen.

DSR zielt darauf ab, praxisorientierte Lösungen zu entwickeln, die sowohl theoretisch fundiert als auch empirisch validiert sind. Es verfolgt einen zyklischen Ansatz, bei dem das Artefakt kontinuierlich verbessert wird und neue Erkenntnisse in den Gestaltungsprozess einfließen.

Der Ansatz wird in Bereich der Techno-Ökonomie eingesetzt, um innovative Konzepte, Systeme oder Methoden zu entwickeln, die den Anforderungen der Branche gerecht werden. Durch die Anwendung von DSR können neue Erkenntnisse gewonnen und praktische Probleme gelöst werden, um die Effizienz, Nachhaltigkeit und Leistungsfähigkeit der industriellen Logistik zu verbessern.

Methodenliteratur

  • vom Brocke, J., Hevner, A., Maedche, A. (2020). Introduction to Design Science Research. In: vom Brocke, J., Hevner, A., Maedche, A. (eds) Design Science Research. Cases. Progress in IS. Springer, Cham. https://doi.org/10.1007/978-3-030-46781-4_1
  • Sonnenberg, C., vom Brocke, J. (2012). Evaluations in the Science of the Artificial – Reconsidering the Build-Evaluate Pattern in Design Science Research. In: Peffers, K., Rothenberger, M., Kuechler, B. (eds) Design Science Research in Information Systems. Advances in Theory and Practice. DESRIST 2012. Lecture Notes in Computer Science, vol 7286. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-29863-9_28
  • Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design Science in Information Systems Research. MIS Quarterly, 28(1), 75–105. https://doi.org/10.2307/25148625

Beispiele

  • Heinbach, Christoph; Meier, Pascal; Thomas, Oliver (2022): Designing a shared freight service intelligence platform for transport stakeholders using mobile telematics. In: Inf Syst E-Bus Manage 20 (4), S. 847–888. https://www.doi.org/10.1007/s10257-022-00572-5.

  • Naim, Mohamed M.; Gosling, Jonathan (2023): Revisiting the whole systems approach: designing supply chains in a turbulent world. In: IJLM 34 (1), S. 5–33. https://www.doi.org/10.1108/IJLM-02-2021-0121.