Zusammenfassung
Die bisher erzielten Ergebnisse zeigen den Bedarf auf, verschiedene Simulationsansätze zu integrieren, um sämtliche der gestellten Anforderungen an eine Automobilmarktsimulation zur Unterstützung der strategischen Planung von Produktportfolios zu erfüllen.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsNotes
- 1.
Vgl. Rand und Rust (2011).
- 2.
Vgl. hierzu auch Kieckhäfer et al. (2012c).
- 3.
Die nachfolgenden Ausführungen zur Modellkonzeption lehnen sich zum Teil eng an Kieckhäfer et al. (2012a) und Kieckhäfer et al. (2012b) an.
- 4.
Quelle: Modifiziert übernommen aus Kieckhäfer et al. (2012b).
- 5.
Die Wahl der demographischen Segmentierung steht der gängigen Praxis in der Automobilindustrie, Kunden in SIGMA-Milieus zu segmentieren, entgegen. Durch die Wahl einer SIGMA-Milieu-Segmentierung wird sich eine bessere Erklärung der Heterogenität im Kundenverhalten versprochen, wobei diese Annahme in empirischen Untersuchungen nur teilweise bestätigt werden kann. Vgl. hierzu vertiefend z. B. Struwe (2011), S. 147–153, 162–164.
- 6.
Die vorgenommene Auswahl an Antrieben und Fahrzeuggrößenklasse erfolgt im Hinblick auf die in Kapitel 6 folgenden Analysen. Der gewählte Modellierungsansatz erlaubt jedoch problemlos, weitere Antriebe wie z. B. einen Gas- oder einen Brennstoffzellenantrieb sowie weitere Größenklassen zu modellieren.
- 7.
Weitere Kosten, die durch den Betrieb eines Pkw (z. B. für Steuern, Versicherung und Wartung) entstehen, werden nicht berücksichtigt.
- 8.
Die nachfolgenden Ausführungen zur Simulation von Kaufentscheidungen lehnen sich zum Teil eng an Kieckhäfer et al. (2012a); Kieckhäfer et al. (2012b) und Kieckhäfer et al. (2012c) an.
- 9.
Markov-Prozesse gehören in der Marktforschung zu den stochastischen Modellen des Käuferverhaltens und finden z. B. Anwendung, um den Markenwechsel zu erklären bzw. zu prognostizieren. Zur Vertiefung siehe z. B. Massy et al. (1970), S. 80–140. Die Anwendung dieser Modelle wird insbesondere auf Grund der fehlenden verhaltenswissenschaftlichen Fundierung kritisiert, allerdings weisen sie oftmals eine gute prognostische Güte auf, vgl. Nieschlag et al. (2002), S. 627–628, 708–709.
- 10.
Üblicherweise finden in den in Abschnitt 4.3 vorgestellten Simulationsmodellen Standard-Logit-Modelle Anwendung. Logit-Modelle basieren jedoch auf der Annahme unabhängig und identisch verteilter Störterme und setzen somit die Eigenschaft der Unabhängigkeit von irrelevanten Alternativen voraus. Diese besagt, dass das Verhältnis der Auswahlwahrscheinlichkeiten zweier Alternativen unabhängig von den weiteren Alternativen ist. Durch die Verwendung eines Nested-Logit-Modells wird es möglich, diese restriktive Annahme teilweise zu umgehen, indem in den Untergruppen Korrelationen zwischen den Alternativen zugelassen werden. Ein Nested-Logit-Modell entspricht genau dann einem Logit-Modell, wenn in sämtlichen der gebildeten Untergruppen keine Korrelationen zwischen den Alternativen vorliegen. Vertiefend hierzu siehe z. B. Train (2003), S. 38–90.
- 11.
277 Vgl. Sterman (2000), S. 274-282.
- 12.
Vgl. Struben (2006b).
- 13.
Vgl. Walther et al. (2010); Wansart (2012), S. 115–121.
- 14.
Siehe zu den nachfolgenden Ausführungen zur gewählten Modellierung im Bereich des elektrischen Antriebsstrangs auch Kieckhäfer et al. (2012c).
- 15.
Vgl. Wissema (1982).
- 16.
Vgl. Henderson (1984); International Energy Agency (2000), S. 9–22.
- 17.
283Vgl. hierzu auch Kieckhäfer et al. (2012c).
- 18.
Siehe zu den nachfolgenden Ausführungen zur Modellkopplung auch Kieckhäfer et al. (2012a) und Kieckhäfer et al. (2012b).
- 19.
Ereignisgesteuerte Prozessketten werden typischerweise zur Beschreibung und Analyse von Geschäftsprozessen genutzt, siehe vertiefend hierzu z. B. Staud (2006), S. 59–245.
- 20.
Quelle: Eigene Darstellung.
- 21.
In Standardsoftware zur kontinuierlichen Simulation dynamischer Systeme sind insbesondere das Euler-Verfahren und Runge-Kutta-Verfahren unterschiedlicher Ordnung zur Lösung der Differentialgleichungen implementiert. Im vorliegenden Fall wird auf das Euler-Verfahren zurückgegriffen und eine sehr kleine Schrittweite gewählt. Zwar weisen die Runge-Kutta-Verfahren allgemein eine höhere Genauigkeit auf; für die im hybriden Simulationsmodell auftretenden Unstetigkeiten gilt jedoch das Euler-Verfahren als weniger fehleranfällig. Zugleich haben die im Automobilmarkt vorherrschenden Unsicherheiten einen weitaus größeren Einfluss auf die mit dem Modell erzielbaren Ergebnisse als das gewählte Lösungsverfahren, vgl. Sterman (2000), S. 903–911.
- 22.
Quelle: Eigene Darstellung.
- 23.
Quelle: Eigene Darstellung.
- 24.
Die nachfolgenden Ausführungen zur Implementierung lehnen sich zum Teil eng an Kieckhäfer et al. (2012a) und Kieckhäfer et al. (2012b) an.
- 25.
Vgl. Borshchev und Filippov (2004).
- 26.
Der Programmcode und das ausführbare Simulationsmodell sind in einem aus Geheimhaltungsgründen unveröffentlichtem elektronischen Anhang dokumentiert. Dieser elektronische Anhang umfasst auch die Ein- und Ausgangsdaten der im Rahmen Modellvalidierung und -anwendung (vgl. Kapitel 6) durchgeführten Simulationsläufe.
- 27.
Vertiefend zur Verifikation von Simulationsmodellen siehe z. B. Law und Kelton (2000), S. 264–273; North und Macal (2007), S. 221–226, oder Rabe et al. (2008).
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2013 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Kieckhäfer, K. (2013). Entwicklung eines hybriden Modells zur Marktsimulation. In: Marktsimulation zur strategischen Planung von Produktportfolios. Produktion und Logistik. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-02471-0_5
Download citation
DOI: https://doi.org/10.1007/978-3-658-02471-0_5
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-02470-3
Online ISBN: 978-3-658-02471-0
eBook Packages: Business and Economics (German Language)