When R&D Taxonomies Travel: Target-Population Validity in the Selection of Young Technology-Oriented SMEs
Diese Studie zeigt, dass auf breiten Branchenpopulationen basierende Technologietransfer-Taxonomien oft eine mangelnde Selektionsvalidität für junge KMU aufweisen, wobei eine spezifische Rekalibrierung der F&E-Kriterien auf die Ziel-KMU-Population die Genauigkeit der Vorauswahl zur Identifizierung wachstumsstarker Unternehmen im Vergleich zur Verwendung standardisierter OECD-Sektorklassifikationen signifikant verbessert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Talentscout für ein riesiges Musikfestival. Ihr Job ist es, die nächste große Band zu finden, aber Sie müssen tausende Demos anhören und haben nur wenige Stunden Zeit. Um Zeit zu sparen, entscheiden Sie sich für eine Abkürzung: Sie hören sich nur Bands aus Städten an, die dafür bekannt sind, berühmte Rockstars hervorzubringen. Diese Abkürzung ist eine „Taxonomie“ – ein System zum Sortieren von Dingen in Kategorien basierend auf dem, was wir bereits wissen. In der Welt der Wissenschaft und des Geschäfts sind diese Taxonomien wie Landkarten, die Regierungen, Banken und Investoren dabei helfen, zu entscheiden, welche Unternehmen „hochtechnologisch“ sind und Geld oder Unterstützung verdienen. Die große Frage ist: Funktioniert eine Landkarte, die für ein ganzes Land gezeichnet wurde, genauso gut, wenn man nach einer ganz bestimmten Art von Person in einem winzigen Dorf sucht? Wenn die Karte erstellt wurde, indem man auf riesige Konzerne blickte, wird sie Sie dann immer noch zum richtigen Ziel führen, wenn man nach jungen, ehrgeizigen Start-ups sucht? Dieses Paper untersucht genau dieses Problem und erforscht, wie wir vermeiden können, die falschen Kandidaten auszuwählen, nur weil wir eine Karte verwendet haben, die nicht zum Gelände passte.
Das Paper mit dem Titel „When R&D Taxonomies Travel“ untersucht einen spezifischen Fehler, der passiert, wenn diese Sortiersysteme von einer Gruppe von Unternehmen auf eine andere „transportiert“ werden. Die Autorin, Hana Kim, argumenttiert, dass ein System zwar perfekt darin sein kann, das große Ganze zu beschreiben (deskriptive Validität), aber völlig versagen kann, wenn es darum geht, die richtigen Gewinner für einen spezifischen Job auszuwählen (Selektionsvalidität). Um dies zu testen, nutzte die Forscherin einen massiven Datensatz einer koreanischen Bank, der über 116.000 junge, kleine Technologieunternehmen enthielt. Sie verglich drei verschiedene Wege, um diese Unternehmen zu filtern:
- Die „Große Karte“ (OECD-Regel): Verwendung der standardmäßigen internationalen Liste der Hochtechnologiebranchen, die auf Daten aus allen Unternehmen basiert, einschließlich riesiger Konzerne.
- Die „Lokale Karte“ (KMU-F&E-Regel): Neukalkulation der Hochtechnologie-Liste unter Verwendung von Daten nur der jungen, kleinen Unternehmen selbst.
- Die „Super-Karte“ (Multi-Signal-Regel): Übernahme der lokalen Karte und das Hinzufügen zusätzlicher Hinweise wie Patentzahlen oder immaterieller Vermögenswerte, um zu sehen, ob dies noch mehr hilft.
Die Ergebnisse waren überraschend und klar. Während die „Große Karte“ (die standardmäßige internationale Regel) zwar einige erfolgreiche Unternehmen identifizierte und besser als der Zufall abschnitt, war sie weniger effektiv als die Alternativen. Als die Forscher zur „Lokalen Karte“ wechselten – die dasselbe Konzept der Forschungs- und Entwicklungsausgaben nutzte, aber speziell für kleine Unternehmen neu berechnet wurde –, fanden sie signifikant mehr Gewinner. Konkret identifizierte die Lokale Karte 2,23 Prozentpunkte mehr Unternehmen, die sowohl ein starkes Umsatzwachstum als auch eine gute Bonität erreichten, im Vergleich zur Großen Karte.
Hier ist der Wendepunkt, den das Paper explizit ausschließt: Viele Menschen nehmen an, dass die Standardkarte deshalb scheitert, weil sie nicht genug Arten von Innovationen (wie Patente oder Design) betrachtet. Sie denken, wir müssten mehr Hinweise zur Liste hinzufügen. Dieser Studie zufolge half das Hinzufügen dieser zusätzlichen Hinweise (die „Super-Karte“) jedoch kaum. Der Unterschied zwischen der Lokalen Karte und der Super-Karte war minimal. Das eigentliche Problem war nicht, dass der Karte Informationen fehlten; das Problem war, dass die Karte für die falsche Zielgruppe gezeichnet wurde. Die „Große Karte“ wurde von riesigen, alten Unternehmen dominiert, wessoeben zeigte sie auf Branchen, in denen kleine Start-ups tatsächlich nicht florieren konnten. Indem man die Karte einfach neu zeichnete, um sie an die kleinen Unternehmen anzupassen, verbesserte sich der Selektionsprozess erheblich, ohne dass neue Daten benötigt wurden.
Das Paper untersuchte auch, was passiert, wenn man beide Karten gleichzeitig verwendet (ein „Dual-Route“-System). Dieser Ansatz fängt mehr potenzielle Gewinner ab (höhere „Recall“-Rate), bedeutet aber auch, dass man mehr Zeit und Geld für die Bewertung vieler Unternehmen aufwenden muss, die möglicherweise scheitern werden. Die Studie legt nahe, dass dieser duale Ansatz nur dann lohnenswert ist, wenn die Kosten für das Verpassen eines großartigen Unternehmens höher sind als die Kosten für die Prüfung einiger zusätzlicher Firmen.
Kurz gesagt deutet das Paper darauf hin, dass wir uns, wenn wir versuchen, das nächste große Ding in der Technologie zu finden, nicht nur auf die Standardlisten verlassen sollten, die für die ganze Welt erstellt wurden. Stattdessen müssen wir diese Listen speziell für die Gruppe neu zeichnen, die wir suchen wollen. Die Studie zeigt, dass das Beheben der „Populations-Diskrepanz“ – also sicherzustellen, dass die Karte zu den Menschen vor Ort passt – weitaus mächtiger ist, als einfach nur kompliziertere Indikatoren zur Karte hinzuzufügen. Es ist eine Erinnerung daran, dass es bei der Jagd nach Innovation auf den Kontext ankommt, und dass ein Werkzeug, das für Giganten funktioniert, vielleicht nicht für die Kleinen funktioniert, die versuchen, etwas Neues zu schaffen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.