Komplexität und Entrepreneurship (eBook)

Prof. Dr. Andreas Liening ist Professor für Entrepreneurship und Ökonomische Bildung an der TU Dortmund. Er befasst sich vor allem mit der komplexitätswissenschaftlichen Diskussion im Bereich Entrepreneurship.  

Vorwort 5
Grußwort 7
Inhaltsverzeichnis 8
Abbildungsverzeichnis 19
Tabellenverzeichnis 25
1 Einführung 26
1.1 Über die Anmaßung und Grenzen des Wissens 26
1.2 Wirtschaft und ihre Teilbereiche als Komplexe Systeme 30
1.3 Wissenschaftliche Zugänge – Complexonomics 32
1.4 Zielsetzung und Inhalt – ‚Run Through‘ 34
1.4.1 Die vierfache Zielsetzung 34
1.4.2 Zur Gliederung und den Inhalten 35
1.5 Zur Vorgehensweise: Über Mathematik, Simulationen und die Papillon-Spirale 38
1.5.1 Über die Mathematik 38
1.5.2 Über Visualisierungen und Simulationen 38
1.5.3 Die Papillon-Spirale 39
Literatur 40
Hintergründe und Historie 42
2 Wie reagieren wir auf Komplexität? – Eine (nicht nur) verhaltensökonomische Betrachtung für Entrepreneure 43
2.1 Krisen, Chaos, Chancen – Anforderungen an unser Denken 44
2.1.1 ‚Krisenzeit‘ – ‚Chancenzeit‘ – Die Welt wird komplexer… 44
2.1.2 Wie rational ist der Mensch? 53
2.2 Verhalten in einfachen Situationen – Verhaltensanomalien sind beobachtbar 55
2.2.1 Anomalien im Informationsprozess 55
2.2.2 Informationswahrnehmung 56
2.2.2.1 ‚Selective Perception‘ – selektive Wahrnehmung der Information 56
2.2.2.2 ‚Availability‘ – Verfügbarkeit der Information 56
2.2.2.3 ‚Framing‘ – Präsentation der Information 58
2.2.3 Informationsverarbeitung 60
2.2.3.1 ‚Mental Accounting‘ – Mentale Kontoführung bei der Informationsverarbeitung 60
2.2.3.2 ‚Anchoring‘ – Verankerung der Informationsverarbeitung 60
2.2.3.3 ‚Representativeness‘ – Repräsentativität in der Informationsverarbeitung 62
2.2.3.4 ‚Information-Sources-Effect‘ – Informationsquelleneffekt in der Informationsverarbeitung 63
2.2.4 Informationsbewertung 64
2.2.4.1 ‚Reference-Point‘ – Bezugspunkt im Rahmen der Informationsbewertung 64
2.2.4.2 ‚Loss Aversion‘ – Verlustaversion in der Informationsbewertung 64
2.2.4.3 ‚Weighting of Probabilities‘ – Wahrscheinlichkeiten bei der Informationsbewertung 65
2.2.4.4 ‚Survivorship-Bias‘ – Verzerrung zugunsten der Überlebenden 69
2.2.5 Kontrollverhalten 70
2.2.5.1 Anomalien durch das Kontrollbedürfnis 70
2.2.5.2 ‚Overconfidence‘ – Überschätzen der eigenen Fähigkeiten 70
2.2.5.3 ‚Regret Aversion‘ – Abneigung gegenüber Bedauern 71
2.2.5.4 ‚Illusion of Control‘ – Kontrollillusion 72
2.2.5.5 ‚Home Bias‘ – Vertrautes präferieren 73
2.2.5.6 ‚Herding‘ – Das J-Muster 74
2.3 Verhalten in komplexen Situationen 76
2.3.1 Vier beobachtbare Strategien 76
2.3.1.1 ‚Trial and Error‘ – Ausprobieren 76
2.3.1.2 ‚Fading Out‘ – Ausblenden 77
2.3.1.3 ‚Rational Behaviour‘ – Rationales Herangehen 78
2.3.1.4 ‚Simplicity‘ – Reduktion auf einfache Faktoren 80
2.3.2 Die Ölflecktheorie – „Rekursive Folgewirkungen geraten aus dem Ruder“ 81
2.3.3 Intuition als erfolgreiche Strategie zur Bewältigung komplexer Herausforderungen? 82
Literatur 85
3 Canvas – Von der mechanistischen zur komplexen Sichtweise der Welt 87
3.1 Ein kurzer Blick in die Historie – Über die Newtonsche Physik und Analogien in der Wirtschaftswissenschaft 88
3.1.1 Ein kurzer Blick in die Historie der Ökonomik und des Weltbildes zu Beginn der Neuzeit 88
3.1.1.1 Die Physiokratie und der mechanische Mensch 88
3.1.1.2 Die klassische Nationalökonomie 94
3.1.1.3 Die Neoklassik und ihr Menschenbild 95
3.1.2 Über die Klassische Mechanik und die Newtonsche Physik – ‚natura non facit saltus‘ 98
3.1.2.1 Vom Mimesisprinzip bis zum neuzeitlichen Wissenschaftsverständnis (Liening 1996) 99
3.1.2.2 Der „Laplacesche Dämon“ als Sinnbild des Determinismus 101
3.1.2.3 „Alles ist umkehrbar“ – Reversibilität 103
3.1.2.4 „Aus a folgt b“ – (starke) Kausalität 104
3.1.2.5 Systeme sind zerlegbar – Summativität 104
3.1.3 Analogiebildung zwischen klassischer Mechanik und Wirtschaftswissenschaft 105
3.1.3.1 Der Einfluss der klassischen Mechanik auf die Wirtschaftswissenschaft 105
3.1.3.2 Ein lineares, statisches Angebot-Nachfrage-Modell zur Veranschaulichung: Multicopter-Ingenieure für ein StartUp gesucht 107
3.1.3.3 Das Cobweb-Modell – Dynamisierung eines linearen Angebot-Nachfrage-Modells: „Multicopter-Ingenieure für ein StartUp gesucht“ 111
3.1.3.4 Hintergrundinformationen: Mathematische Betrachtungen zu einem linearen Cobweb-Modell 116
3.1.3.5 Philosophische Betrachtung zur Analogiebildung zwischen der klassischen Mechanik und der Wirtschaftswissenschaft – Die Erkenntnisgefahr im Wesensbann der Technik 120
3.2 Der Zusammenbruch des Laplaceschen Weltbildes 124
3.2.1 Erste Zweifel… 124
3.2.2 Die Wettervorhersage und der Schmetterlingseffekt 127
3.3 Ein Paradigmenwechsel kündigt sich an – Kennzeichen des neuen Ansatzes 131
3.3.1 Paradigmenwechsel in der Wirtschaftswissenschaft 131
3.3.2 Mit Systemen und Modellen die Welt beschreiben – Was ist eigentlich ein System, was ein Modell? 133
3.3.2.1 Historisches 133
3.3.2.2 Der Systembegriff 136
3.3.2.3 Grundmerkmale von Systemen 140
vi. Das Merkmal der ‚Kontraintuition‘ 156
3.3.2.4 Was sind Modelle? 158
3.4 Modellbildung und Simulation komplexer Systeme 160
3.4.1 Systems Dynamics – Die ‚neue‘ Sprache 160
3.4.2 Simulationen mit kontraintuitivem Systemverhalten 162
3.4.2.1 Positive Feedback-Schleifen 163
3.4.2.2 Negative Feedback-Schleifen 168
3.4.2.3 Doppelte Feedback-Schleifen 173
3.4.3 Systemarchetypen – Umgang mit Komplexität 175
3.4.3.1 Gleichgewichtsprozess mit Verzögerung 176
3.4.3.2 Grenzen des Wachstums 178
3.4.3.3 Problemverschiebung 179
3.4.3.4 Erodierende Ziele 181
3.4.3.5 Eskalation 183
3.4.3.6 Erfolg den Erfolgreichen 185
3.4.3.7 Tragödie der Gemeingüter 187
3.4.3.8 Fehlkorrekturen 189
3.4.3.9 Wachstum und Unterinvestition 190
3.4.4 Warum sind Simulationen so wichtig? 192
3.4.5 Simulation eines ‚Komplexen Systems‘ am Beispiel eines Angebot-Nachfrage-Modells – „Multicopter-Ingenieure für ein StartUp gesucht“ 196
3.4.6 Erste Schritte zum Verstehen von Komplexität 202
3.4.6.1 Von der Irreversibilität der Zeit und der Katallaxie 202
3.4.6.2 Was bedeutet Komplexität? – Das Ende des Reduktionismus? 207
3.4.7 Konsequenzen für das Beispiel zum Angebot-Nachfrage-Modell 214
3.5 Erstes Fazit – Zusammenfassung wichtiger Aspekte sowie ein kurzes Plädoyer für eine (freie) Marktwirtschaft und die Betrachtung von Entrepreneurship als Komplexes Phänomen 217
3.5.1 Komplexität und Verhaltensökonomie 217
3.5.2 Komplexität, der Laplacesche Dämon und die Wirtschaftswissenschaft 218
3.5.3 Komplexität und (freie) Marktwirtschaft 218
3.5.4 Komplexität und Entrepreneurship 220
3.5.5 Ausblick 220
Literatur 221
Theorie und Empirie – Neuere Entwicklungen in der Komplexitätsforschung 230
4 Theorie – Theoretische Zugänge zur Komplexität 231
4.1 (Seltsame) Attraktoren und Fraktale 233
4.1.1 Attraktoren aller Art 233
4.1.1.1 Was ist ein Phasenraum? 233
4.1.1.2 Was versteht man unter einem Attraktor? 235
4.1.1.3 ‚Gutartige‘ Attraktoren 236
4.1.1.4 Hintergrundinformationen: Exkurs zu „Wurzel aus 2“ (Liening 2005, S. 40 ff.) 244
4.1.1.5 ‚Seltsame‘ bzw. ‚Chaotische‘ Attraktoren 249
4.1.2 Fraktale zur Beschreibung deterministischen Chaos 250
4.1.2.1 Selbstähnlichkeit bzw. Skaleninvarianz als ein Kennzeichen eines Fraktals 250
4.1.2.2 Der Baum als Analogie zum Fraktal 251
4.1.2.3 Das ‚Apfelmännchen‘ oder: Über das Entstehen selbstähnlicher Strukturen 252
4.1.2.4 Über die Länge eines Fraktalrandes – ‚How long is the Coast of Britain‘? – Kochkurven und ähnliche Überlegungen 255
4.1.2.5 Hintergrundinformationen: Berechnung der Fläche der Koch-Insel 259
4.1.2.6 Die Merkwürdigkeit gebrochener Dimensionen 260
4.1.2.7 Hintergrundinformationen: (Box-)Dimensionen 263
4.2 Bifurkationen 269
4.2.1 Bifurkationen in dynamischen Systemen 269
4.2.1.1 Was sind Bifurkationen? 269
4.2.1.2 Die Entdeckung der Bifurkationen 270
4.2.1.3 Bifurkationsszenarium am Beispiel der logistischen Funktion 270
4.2.1.4 Intermittenz und Bifurkationen 278
4.2.2 Der Nachweis von erratischem Verhalten 278
4.2.2.1 Das Li/Yorke-Theorem 278
4.2.2.2 Lyapunov-Exponenten 280
4.2.2.3 Hintergrundinformationen: Grundsätzliche Berechnung des Lyapunov-Exponenten 283
4.3 Katastrophentheorie 285
4.3.1 René Thoms Theorie 285
4.3.1.1 ‚Katastrophen‘ aus wissenschaftlicher Sicht 285
4.3.1.2 Über Singularitäten, Mannigfaltigkeit und Katastrophenmengen 285
4.3.2 Hermann Hakens Kritik 288
4.4 Synergetik – Die Theorie der Selbstorganisation 288
4.4.1 Die Grundidee der Synergetik 288
4.4.1.1 Selbstorganisationsphänomene erklären 288
4.4.1.2 Über den Laser 289
4.4.1.3 Schwarmintelligenz – Der Zug von Vögeln (Liening und Mittelstädt 2008, S. 41–43) 292
4.4.2 Unternehmen und Innovationen synergetisch gedeutet 293
4.4.2.1 Teil- und Gesamtsysteme in der Synergetik 293
4.4.2.2 Der mathematische Trick: Das ‚slaving principle‘ 294
4.4.3 Kritische Anmerkung 295
4.5 Ordnung und Chaos nur im Computer? Über Definitionen, Bolzano-Weierstraß und ‚Controlling Complexity‘ 296
4.5.1 ‚Working definitions‘ 296
4.5.1.1 Die Genese des Begriffes ‚Chaos‘ – Zuspitzung des Komplexitätsbegriffs 296
4.5.1.2 Vorwissenschaftliche Deutung des Chaosbegriffes 300
4.5.1.3 Definitionen von Chaos und Komplexität 301
4.5.1.4 ‚Ordnung‘ als Gegenbegriff von ‚Chaos‘? 304
4.5.2 Existiert Chaos nur im Computer? 305
4.5.2.1 Ignis Fatuus? – Erzeugt der Rechner das Chaos? 305
4.5.2.2 Das erste Argument: Erhöhte Rechengenauigkeit in Komplexen Systemen führt zu keinen exakteren Ergebnissen 306
4.5.2.3 Das zweite Argument: Das ‚Schattenlemma‘ 310
4.5.2.4 Drittes Argument: Das ‚L-Dichte-Argument‘ 311
4.5.2.5 Hintergrundinformationen: Der Nachweis des rein algebraischen „Schmetterlingseffekts“ in der logistischen Gleichung: Das L-Dichte-Argument 311
4.5.3 ‚Controlling Complexity‘ – Lässt sich Chaos kontrollieren? 316
4.5.3.1 Chaotische Systeme und Kontrolle – ein Widerspruch? 316
4.5.3.2 Ein wenig Hoffnung – Einflussmöglichkeiten in chaotischen Systemen 317
4.5.3.3 Ein alternativer (synergetischer) Ansatz: Komplexität als Chance 320
4.5.3.4 ‚Nudges‘ und das Entstehen von gewollten Ordnungsparametern 325
4.5.3.5 Messung von Komplexität zur Bestimmung der Platzierung von ‚Nudges‘ 327
4.5.3.6 Es gibt sogar einen prognostizierbaren Pfad im Chaos – zumindest theoretisch (Satz von Bolzano-Weierstraß) 328
4.5.3.7 Hintergrundinformationen: Es muss einen prognostizierbaren Pfad im Chaos geben! – Der Satz von Bolzano-Weierstraß 329
4.6 Zweites Fazit – Zusammenfassung wichtiger Aspekte sowie der (heuristische) Wert einer Wissenschaft Komplexer Systeme für die Ökonomik im Allgemeinen und das Thema Entrepreneurship im Speziellen 333
4.6.1 Kurze Zusammenfassung wichtiger Aspekte 333
4.6.2 Was kann eine Wissenschaft Komplexer Systeme für die Ökonomik leisten? 333
4.6.2.1 Komplexe versus mechanistische Sichtweise 333
4.6.2.2 Methoden der Wissenschaft Komplexer Systeme als heuristische Analyseinstrumente 335
4.6.2.3 Ökonomische Bedeutung aus volkswirtschaftlicher Perspektive 335
4.6.2.4 Ökonomische Bedeutung aus Entrepreneurship-Perspektive 336
4.6.3 Ausblick: Vorhersagen – auch auf Unternehmensebene – sind in komplexen Situationen, Prozessen oder Strukturen nicht trivial, empirische Untersuchungen gleichwohl sinnvoll und notwendig 336
Literatur 337
5 Empirie – Empirische Methoden der Komplexitätsmessung 343
5.1 Komplexitätsmaße im Diskurs – Sind Lyapunov-Exponenten und fraktale Dimensionen geeignet? 344
5.1.1 Zum Verhältnis zwischen Theorie und Praxis 344
5.1.1.1 Die induktive Sichtweise 345
5.1.1.2 Die deduktive Sichtweise 346
5.1.1.3 Wissenschaft als sozialer Prozess 347
5.1.1.4 Raffinierte Falsifikation 348
5.1.1.5 Gegensätzliche Theorien zulassen 349
5.1.1.6 Die Bedeutung der Methoden 350
5.1.2 Zeitreihen als Resultat nicht-linearer dynamischer Prozesse? 351
5.1.3 Fraktale Dimension, Lyapunov-Exponenten und andere ‚klassische‘ Verfahren 355
5.1.3.1 Ein erster Überblick zur Bestimmung von Komplexität in Zeitreihen 355
5.1.3.2 Rekonstruktion des Phasenraumes eines Systems 359
5.1.3.3 Besonderheiten bei der Rekonstruktion von Phasenräumen – Die Bestimmung des Time-Lag 367
5.1.3.4 Hintergrundinformationen: Korrelationskoeffizient – Autokorrelation 371
5.1.3.5 Hintergrundinformationen: Erwartungswert einer Zufallsvariablen & ‚Mutual Information‘
5.1.3.6 Besonderheiten bei der Rekonstruktion von Phasenräumen – Die Bestimmung der Attraktor-Dimension: D2 377
5.1.3.7 Besonderheiten bei der Rekonstruktion von Phasenräumen – Überschneidungsfreiheit und Orthogonalität 379
5.1.3.8 Besonderheiten bei der Rekonstruktion von Phasenräumen – Surrogaten-Test 381
5.1.3.9 Über die Verwendung von Lyapunov-Exponenten für die empirische Forschung: D2, PD2, Wolf-, Briggs-, Kantz- u. a. Algorithmen 382
5.1.3.10 Hintergrundinformationen: Komplexitätsmessung 385
5.1.4 Beispiele für die Anwendung ‚klassischer‘ Verfahren im Kontext empirischer Untersuchungen 394
5.1.4.1 Makroökonomische Datenreihen, wie z. B. BIP-Zeitreihen 394
5.1.4.2 Preisentwicklungen 395
5.1.4.3 Wechselkursfluktuationen 395
5.1.4.4 Aktienkursschwankungen 396
5.1.5 Kritische Betrachtung der ‚klassischen‘ Methoden 398
5.1.5.1 Rekonstruktion des Phasenraumes 399
5.1.5.2 Fraktale und die Wirklichkeit 399
5.1.5.3 Lyapunov-Exponenten in der Kritik 401
5.2 Algorithmische Kodierungen als alternative Komplexitätsmaße? – Entropiekodierungen und andere Maße 402
5.2.1 Resignation oder Chance? 402
5.2.1.1 (Vergebliche) Sortieralgorithmen: Vom ‚Bubble‘- bis zum ‚Quick‘-Sort 402
5.2.1.2 Komprimierungsalgorithmen – schon besser 404
5.2.2 Entropie als Komplexitätsmaß 408
5.2.3 Entropie in der Informationstheorie – ‚Informationsentropie‘ 410
5.2.3.1 Einführung in die Shannon-Entropie 410
5.2.3.2 ‚Variable Length Coding‘ (VLC) und die Shannon-Entropie 413
5.2.3.3 Huffman-Kodierung zur Erzeugung optimaler Kodes variabler Länge 416
5.2.3.4 Entropie-Kodierung und Komplexität 423
5.2.4 ‚Permutationsentropie‘ versus ‚Informationsentropie‘ 424
5.2.5 ‚Grammar Complexity‘ als inverse Alternative zur ‚Permutationsentropie‘ 427
5.3 JPEG als Lösung? – Transformationskodierungen 428
5.3.1 LZW-Kompressionsalgorithmus (Lempel, Ziv, Welch) 428
5.3.2 Transformationskodierungen 429
5.3.2.1 (Diskrete) Fourier-Transformation (FT und DFT) 430
5.3.2.2 Diskrete Cosinus-Transformation (DCT) 434
5.3.2.3 Der JPEG-Kompressionsalgorithmus 435
5.3.2.4 Audiokompressionen 437
5.3.2.5 Hintergrundinformationen: Transformationskodierung 438
5.3.3 Komplexitätsuntersuchungen 451
5.3.3.1 Anwendung von Bildkomprimierungsverfahren 451
5.3.3.2 Anwendung von Audiokomprimierungsverfahren 452
5.3.3.3 Anwendung von Textdokument-Komprimierungsverfahren 452
5.3.4 Drittes Fazit – Zahlreiche Methoden zur Bestimmung von Komplexität 453
5.3.4.1 Zusammenfassung der wichtigsten Ergebnisse 453
5.4 Ausblick 454
Literatur 454
Multiperspektive – Entrepreneurship und Komplexität 460
6 Entrepreneurship und Komplexität 461
6.1 Was ist Entrepreneurship? – Trends und Kontroversen 462
6.1.1 Was ist Entrepreneurship? 462
6.1.1.1 Zur Begriffsentstehung 462
6.1.1.2 Entrepreneur versus Manager 467
6.1.1.3 Entrepreneur – „Born or Made“? 471
6.1.1.4 Unterschiedliche Entrepreneurship-Klassifizierungen 472
6.1.2 Aktuelle Trends und Kontroversen 474
6.1.2.1 Der deterministische Machbarkeitsglauben und der Laplacesche Dämon 474
6.1.2.2 Entrepreneure zwischen einfacher und komplexer Welt 476
6.1.2.3 ‚Discovery-‘ versus ‚Creation-Theory‘ 478
6.1.2.4 Der Effectuation-Ansatz 482
6.2 Entwicklung eines ‚Synergetic Entrepreneurship Model‘ (SEM) 485
6.2.1 Grundlegendes: Linealität versus Nicht-Linealität 485
6.2.2 Synergetik als Grundlage der komplexitätswissenschaftlichen Diskussion von Entrepreneurship 487
6.2.3 Das erweiterte Synergetik-Modell 490
6.2.4 Grundlegende Erläuterung des Modells 493
6.2.4.1 Die Einbettung der Analyse von entrepreneurialen Gründungsprozessen in eine Mehrebenenstruktur 493
6.2.4.2 Nähere Betrachtung der drei Ebenen eines entrepreneurialen Gründungsprozesses 496
6.2.4.3 Die wirtschaftswissenschaftliche Sicht – Drei Perspektiven auf entrepreneuriale Gründungsprozesse 499
6.2.4.4 Drei Teilmodelle, das Mehrebenenmodell und die Synergetik 500
Literatur 502
7 Das ‚Synergetic Entrepreneurship Model‘ (SEM) 508
7.1 Die individuelle Ebene: Fokussierung auf die Entrepreneurship Education (SEM1) 509
7.1.1 Grobskizze des ‚Synergetic Entrepreneurship Model 1‘: Die individuelle Ebene aus wirtschaftsdidaktischer Perspektive (SEM1) 509
7.1.2 Die Elemente des Systems 515
7.1.2.1 Kontrollparameter 515
7.1.2.2 Die mikroskopische Ebene 528
7.1.2.3 Die makroskopische Ebene – Ordnungsparameter 528
7.1.2.4 Beschränkungen 529
7.1.2.5 Umwelt 530
7.1.3 Der kreiskausale Prozess 531
7.1.3.1 Allgemeine Erläuterung des kreiskausalen Prozesses 531
7.1.3.2 Ordnungsparameter entstehen durch Selbstorganisation und Synchronisation – Die Bedeutung der Phasenübergänge 533
7.1.3.3 ‚Nudges‘ können die Entstehung von sachgerechten Ordnungsparametern unterstützen, die eine begründete entrepreneuriale Haltung begünstigen 537
7.1.3.4 Messung von Komplexität zur gezielten Initiierung von ‚Nudges‘ 540
7.2 Die organisationale Ebene: Fokussierung auf entrepreneuriale Gründungsprozesse (SEM2) 541
7.2.1 Grobskizze des ‚Synergetic Entrepreneurship Model 2‘: Die organisationale Ebene aus betriebswirtschaftlich-entrepreneurialer Perspektive (SEM2) 541
7.2.2 Die Elemente des Systems 543
7.2.2.1 Kontrollparameter 543
7.2.2.2 Die mikroskopische Ebene 544
7.2.2.3 Die makroskopische Ebene – Ordnungsparameter 544
7.2.2.4 Beschränkungen 556
7.2.2.5 Umwelt 557
7.2.3 Der kreiskausale Prozess 557
7.3 Die gesamtwirtschaftliche Ebene: Fokussierung auf Markt, Konjunktur und Wachstum (SEM3) 558
7.3.1 Grobskizze des ‚Synergetic Entrepreneurship Model 3‘: Die gesamtwirtschaftliche Ebene aus maßgeblich volkswirtschaftlicher Perspektive (SEM3) 558
7.3.2 Die Elemente des Systems 565
7.3.2.1 Kontrollparameter 565
7.3.2.2 Die mikroskopische Ebene 566
7.3.2.3 Die makroskopische Ebene – Ordnungsparameter 567
7.3.2.4 Beschränkungen 567
7.3.2.5 Umwelt 568
7.3.3 Der kreiskausale Prozess 569
7.3.3.1 Konjunkturkreislauf 569
7.3.3.2 Dynamisches Wachstum 571
7.3.3.3 Ein Wachstumsmodell mit endogenisierter Humankapitalbildung – Transmissionseffekte durch entrepreneuriale Haltung 578
7.4 Herausforderungen: Die Umsetzung des ‚Synergetic Entrepreneurship Model‘ in die Praxis 584
7.4.1 Die ‚Entrepreneurship School‘ als praktische Umsetzung des SEM1 584
7.4.2 Das ‚Synergetic Entrepreneurship Model‘ (SEM) und das Problem der Phasenübergänge 586
7.4.3 ‚Business Gaming‘ als ein praktischer Kontrollparameter der ‚Entrepreneurship School‘ 587
7.4.4 Komplexitätsmessung zur Bestimmung von Phasenübergängen und ihre praktischen Konsequenzen 590
7.4.4.1 Lernprozesse, Krisen und Komplexitätsmessungen 590
7.4.4.2 Eine Studie aus dem Bereich des Business Gaming: „Lernen aus Krisen – Komplexitätsmessungen“ 591
7.4.4.3 Ergebnisse der Komplexitätsuntersuchung und Ausblick 600
7.5 Viertes Fazit: Synergetische Betrachtung von Entrepreneurship aus mehreren Perspektiven 603
7.5.1 Kurze Zusammenfassung des SEM-Modells und der dahinter stehenden Theorien und Sichtweisen 603
7.5.2 SEM1 – Die individuelle Ebene: Entrepreneurship Education als selbstorganisierender, komplexer Prozess 606
7.5.3 SEM2 – Die organisationale Ebene: StartUp-Gründungen als synergetischer Prozess unter Einbeziehung spezifischer, ordnender betriebswirtschaftlich-entrepreneurialer Methoden 607
7.5.4 SEM3 – Die gesamtwirtschaftliche Ebene: StartUps unterstützen den gesamtwirtschaftlichen Wachstumsprozess durch einen entrepreneurialen Transmissionseffekt 608
7.5.5 Erste empirische Ergebnisse 608
Literatur 609
8 Konklusion 616
8.1 Zum ersten Teil des Buches 617
8.2 Zum zweiten Teil des Buches 618
8.3 Zum dritten Teil des Buches 619
8.4 Schlussbemerkung 621
Literatur 622
9 Abspann – Auszug aus einem Reisebericht 623
Literatur 626
Stichwortverzeichnis 627