Empirische Ergebnisse der quantitativen Untersuchung

Wissmann, Johannes

doi:10.1007/978-3-658-03553-2_8

Johannes Wissmann²

Part of the book series: Kundenmanagement & Electronic Commerce ((KEC))

2103 Accesses
2 Citations

Zusammenfassung

Nachdem die Grundlagen zur quantitativen Untersuchung im vorangehenden Kapitel vorgestellt wurden und damit die notwendigen Grundlagen für die Auswertung gelegt worden sind, werden die empirischen Ergebnisse im Folgenden präsentiert und diskutiert. Die Struktur orientiert sich dabei an der zweiten und dritten Forschungsfrage. In Abschnitt 8.1 werden zuerst die Ergebnisse der logistischen Regression thematisiert.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution

Chapter: USD 29.95; Price excludes VAT (USA)

eBook: USD 69.99; Price excludes VAT (USA)

Softcover Book: USD 74.99; Price excludes VAT (USA)

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

1.
Vgl. hierzu auch die Ausführungen zur Datenerhebung in Abschnitt 7.2.1.
2.
Vgl. Aldrich/Nelson (1984), S. 53.
3.
Die Freiheitsgrade ergeben sich aus der Anzahl der Beobachtungen abzüglich der Anzahl der zu schätzenden Parameter. Diese setzen sich wiederum aus der Anzahl der unabhängigen Variablen und der Konstanten zusammen, wobei für kategoriale Variablen für jede Ausprägung mit Ausnahme der Referenzkategorie ein Parameter vorliegt. Vgl. Krafft (1995), S. 314.
4.
Aufgrund des nicht signifikanten Effekts der kategorialen Kontrollvariable ‚Bildung’ in vorläufigen Modellen wird diese im finalen Gesamtmodell nicht berücksichtigt, sodass das Problem leerer Zellen nicht mehr auftritt.
5.
Vgl. Menard (2001), S. 76; Naß (2012), S. 143.
6.
Vgl. Schneider (2009), S. 225.
7.
Vgl. Backhaus et al. (2011), S. 96.
8.
Vgl. Phelps/Nowak/Ferrell (2000), S. 39.
9.
Vgl. Baek/Morimoto (2012), S. 64; Mothersbaugh et al. (2012), S. 83; Tezinde/Smith/Murphy (2002), S. 28 und S. 32; Tsang/Ho/Liang (2004), S. 66 f. sowie hierzu und im Folgenden die Ausführungen in Abschnitt 4.2.2.1 der vorliegenden Arbeit.
10.
Baek/Morimoto (2012), S. 64.
11.
Vgl. hierzu auch Phelps/Nowak/Ferrell (2000), S. 30 und S. 36.
12.
Als eines der grundlegendsten statistischen Verfahren wird die lineare Regressionsanalyse als bekannt vorausgesetzt und nicht näher vorgestellt. Vgl. Krafft (1995), S. 298 f. Als Grundlagenliteratur werden Backhaus et al. (2011), S. 55-118 und Hair et al. (2010), S. 153-234 empfohlen.
13.
Vgl. Backhaus et al. (2011), S. 92-96.
14.
Vgl. zur Prämisse der Autokorrelation auch Abschnitt 7.1.2.1 der vorliegenden Arbeit.
15.
Vgl. Field (2009), S. 220 sowie hierzu und im Folgenden Backhaus et al. (2011), S. 90-92 und S. 106 f.
16.
Beim Verfahren von Glesjer wird eine Regression der absoluten Residuen auf die Regressoren (‚Individualisierung’, ‚Unterhaltungswert’) durchgeführt und die Nullhypothese getestet, dass die Regressionskoeffizienten βj nicht signifikant von Null abweichen. Ist dies der Fall, muss die Annahme der Homoskedastizität verworfen werden. Vgl. Backhaus et al. (2011), S. 92.
17.
Vgl. Hayes/Cai (2007); MacKinnon/White (1985).
18.
Vgl. Backhaus et al. (2011), S. 74-76; Field (2009), S. 221 f. Hair et al. (2010), S. 209.
19.
Vgl. Backhaus et al. (2011), S. 65 f.
20.
Vgl. Field (2009), S. 220 f. sowie die Ausführungen in Abschnitt 7.1.2.1.
21.
Vgl. hierzu und im Folgenden Field (2009), S. 296 f.; Hilbe (2009); S. 83 f.; Menard (2001), S. 70; Naß (2012), S. 144 sowie die Ausführungen in Abschnitt 7.1.2.1.
22.
Vgl. hierzu auch die Ausführungen in den Abschnitten 6.1.3 und 7.2.2 sowie Anhang D, S. 315.
23.
Vgl. hierzu auch die Ausführungen in Abschnitt 7.2.1 sowie Anhang D, S. 305 und Anhang F.
24.
Vgl. Dommeyer/Gross (2003), S. 44 f.; Milne/Rohm (2000), S. 241 und S. 244; Sheehan (1999), S. 24.
25.
Vgl. Mooi/Sarstedt (2011), S. 168.
26.
Vgl. hierzu und im Folgenden Field (2009), S. 292 f.; Menard (2001), S. 84 und S. 90 f. sowie die grundlegenden Ausführungen zur Ausreißerdiagnose in Abschnitt 7.1.2.2 der vorliegenden Arbeit.
27.
Dieser Wert ergibt sich aus (J+1)/K mit J = 21 unabhängigen Variablen und K = 1.400 Beobachtungen.
28.
Vgl. zu den Gütekriterien und den an sie gestellten Anforderungen Tabelle 20 sowie die grundlegenden Ausführungen in Abschnitt 7.1.2.2 der vorliegenden Arbeit.
29.
Die Freiheitsgrade entsprechen der Anzahl der unabhängigen Variablen J im Modell.
30.
Vgl. Krafft (1995), S. 314.
31.
Vgl. hierzu und im Folgenden Backhaus et al. (2011), S. 276.
32.
Vgl. hierzu und im Folgenden Backhaus et al. (2011), S. 273 f.; Krafft (1995), S. 316. Von einer Aufteilung der Stichprobe in ein Calibration Sample und ein Hold-Out Sample wurde bewusst abgesehen. Damit hätte eine substanziell kleinere Stichprobe zur Modellschätzung zur Verfügung gestanden, wodurch deren Zuverlässigkeit reduziert worden wäre. Der Verzicht auf ein Hold-Out Sample wird vor dem Hintergrund der Zielsetzung dieser Untersuchung als unkritisch erachtet. So dient das logistische Regressionsmodell in erster Linie nicht der Prognose von Einwilligungen, sondern der Überprüfung der a priori spezifizierten Hypothesen.
33.
Vgl. Hosmer/Lemeshow (2000), S. 162.
34.
Effekte, die mindestens auf dem 10 %-Niveau signifikant sind, sind in Tabelle 47 mittels Fettdruck hervorgehoben. Die kategoriale Kontrollvariable ‚Haushaltsnettoeinkommen’ ist auf dem 10 %-Niveau signifikant. Im Vergleich zur Referenzkategorie ‚Haushaltsnettoeinkommen ≤ 1.500 €’ ist für die Gruppe mit einem Einkommen zwischen 2.501 und 3.500 Euro insgesamt eine signifikant höhere Einwilligungswahrscheinlichkeit zu beobachten.
35.
Vgl. Abschnitt 6.1.1 der vorliegenden Arbeit sowie bspw. auch Krishnamurthy (2001); Milne/Gordon (1993), S. 207 f.; Son/Kim (2008), S. 510.
36.
Vgl. hierzu bspw. auch Krishnamurthy (2001); Milne/Gordon (1993), S. 208; Son/Kim (2008), S. 510; Wang/Petrison (1993), S. 18.
37.
Vgl. hierzu bspw. auch Baek/Morimoto (2012), S. 66; Godin (1999), S. 43 und S. 49; Krafft (2007), S. 308 f.; Montgomery/Smith (2009), S. 130; Roberts/Berger (1999), S. 5; Schwarz (2002), S. 988; Tezinde/Smith/Murphy (2002), S. 32.
38.
Vgl. zur Informationspreisgabe bspw. auch Mothersbaugh et al. (2012), S. 83 und S. 89; White (2004), S. 44 und S. 47 f.; Zhao/Lu/Gupta (2012), S. 73.
39.
Vgl. bspw. Tsang/Ho/Liang (2004), S. 69 und S. 74 sowie Abschnitt 4.2.2.1.
40.
Vgl. hierzu und im Folgenden, z. B. zur Berechnung der Variable ‚Relevanz+’, auch die Ausführungen in Abschnitt 8.1.1 der vorliegenden Arbeit.
41.
Der standardisierte Regressionskoeffizient beträgt 0,276, die Odds Ratio 2,019.
42.
Der standardisierte Regressionskoeffizient beträgt für die Variable ‚Individualisierung’ 0,186 und für die Variable ‚Unterhaltungswert’ 0,157. Die Effektkoeffizienten weisen Werte von 1,432 bzw. 1,370 auf.
43.
Vgl. Abschnitt 4.2.2.1.
44.
Vgl. De Wulf/Odekerken-Schröder/Iacobucci (2001), S. 34 und S. 43; Hennig-Thurau/Gwinner/Gremler (2002), S. 240; Yoon/Choi/Sohn (2008), S. 606 und S. 612.
45.
Vgl. bspw. Hui/Teo/Lee (2007), S. 24; Tsang/Ho/Liang (2004), S. 69 und S. 71 sowie die zur Hypothesenherleitung zitierte Literatur in Abschnitt 6.1.1 der vorliegenden Arbeit.
46.
Vgl. Xie/Teo/Wan (2006), S. 70.
47.
Vgl. hierzu und im Folgenden Andrade/Kaltcheva/Weitz (2002), S. 350-352.
48.
Vgl. hierzu und im Folgenden auch die Ausführungen in Abschnitt 4.2.2.1 der vorliegenden Arbeit.
49.
Vgl. zur sozialen Einflussnahme als Grund für psychologische Reaktanz Dickenberger/Gniech (1982), S. 323; Wicklund (1974).
50.
Vgl. zu dieser Hypothese für Permission Marketing auch Krishnamurthy (2001) sowie für Kundenbindungsprogramme Noble/Phillips (2004), S. 293.
51.
Vgl. Abschnitt 4.2.2.2 der vorliegenden Arbeit.
52.
Vgl. zu den rechtlichen Grundlagen zum Widerruf von Einwilligungen § 28 Abs. 4 S. 1 f. BDSG; Simitis (2011), § 28 BDSG, Rn. 223-225, S. 1165 sowie die Ausführungen in Abschnitt 2.2.2.3.
53.
Vgl. hierzu auch die konzeptionellen Überlegungen von Krishnamurthy (2001).
54.
Vgl. Abschnitt 4.2.2.2 der vorliegenden Arbeit.
55.
Vgl. hierzu auch den ausführlichen Literaturüberblick in Kapitel 3.
56.
Vgl. Abschnitt 4.2.2.2.
57.
Vgl. Baek/Morimoto (2012), S. 66 f; Noble/Phillips (2004), S. 293; Tsang/Ho/Liang (2004), S. 69-71.
58.
Vgl. Jayawardhena et al. (2009), S. 487; Mothersbaugh et al. (2012), S. 82 und S. 89; Phelps/Nowak/Ferrell (2000), S. 33-36 sowie weiterführend den detaillierten Literaturüberblick in Kapitel 3 der vorliegenden Arbeit.
59.
Vgl. hierzu und im Folgenden auch die Ausführungen zu den beiden theoretischen Bezugspunkten in Kapitel 5, insbesondere Abschnitt 5.3.3 und Abschnitt 5.4.2.
60.
Vgl. Foxman/Kilcoyne (1993), S. 107; Malhotra/Kim/Agarwal (2004), S. 339 f.; Son/Kim (2008), S. 510 f.
61.
Vgl. Frey/Streicher/Klendauer (2004), S. 141 f.; Leventhal (1980), S. 39-46 sowie Tabelle 17in Abschnitt 5.3.2.
62.
Die genauen Effektkoeffizienten betragen 0,826 für die Variable ‚Belästigung’ und 0,828 für die Variable ‚Datenschutzbedenken’.
63.
Der Effektkoeffizient der Variable ‚Konsumentenseitige Kontrolle’ beträgt 1,194.
64.
Der Effektkoeffizient der Variable ‚Registrierungsaufwand’ beträgt 0,872.
65.
Vgl. zu den Effekten der drei Variablengruppen ‚Nutzenbezogene Determinanten’, ‚Konstenbezogene Determinanten‘ und ‚Konsumenten- und Beziehungscharakteristika’ auch die genesteten Modelle am Ende dieses Abschnitts.
66.
Vgl. Abschnitt 4.2.2.3 der vorliegenden Arbeit.
67.
Vgl. bspw. Doney/Cannon (1997), S. 39; Garbarino/Johnson (1999), S. 74 und S. 80; Geyskens/Steenkamp/Kumar (1998), S. 241 f.; Morgan/Hunt (1994), S. 22 und S. 30; Palmatier et al. (2006), S. 137 und S. 149.
68.
Vgl. bspw. Schoenbachler/Gordon (2002), S. 11 f.
69.
Vgl. Jayawardhena et al. (2009), S. 487.
70.
Vgl. hierzu und im Folgenden auch Tabelle 47 und Tabelle 48.
71.
Die Odds Ratio für die Variable ‚Vertrauen in das Unternehmen’ beträgt 1,125.
72.
Vgl. Gordon/McKeage/Fox (1998), S. 447 f. und S. 451-453; Mittal/Lee (1989), S. 380-383.
73.
Die Odds Ratio für die Variable ‚Produktinvolvement’ beträgt 1,125.
74.
Vgl. Alba/Hutchinson (1987), S. 418, S. 423 und S. 428; Homburg (2012), S. 76 f.; Hoyer/MacInnis/Pieters (2013), S. 188 f. und S. 194 f.; Moore/Lehmann (1980), S. 300 und S. 302.
75.
Vgl. Moorthy/Ratchford/Talukdar (1997), S. 274-276.
76.
Vgl. hierzu auch die Erläuterungen zu Hypothese H5 in diesem Abschnitt.
77.
Vgl. hierzu und im Folgenden Krafft/Albers/Lal (2004), S. 277 f.
78.
Vgl. zur Gütebeurteilung logistischer Regressionsmodelle auch die grundlegenden Erläuterungen in Abschnitt 7.1.2.2 der vorliegenden Arbeit.
79.
An dieser Stelle soll nur in aller Kürze auf die Überprüfung der Prämissen der logistischen Regression für das Convenience Sample eingegangen werden. Vgl. hierzu auch die ausführlichen Erläuterungen zu den Grundlagen der Prämissenprüfung (Abschnitt 7.1.2.1) sowie zur Anwendung auf die repräsentative Stichprobe (Abschnitt 8.1.1).
80.
Vgl. Aldrich/Nelson (1984), S. 53. Die Freiheitsgrade ergeben sich aus der Stichprobengröße (539) abzüglich der zu schätzenden Parameter (22).
81.
Vgl. Schneider (2009), S. 225. Die VIFs für das Convenience Sample sind in Anhang I aufgeführt. Sämtliche Werte liegen unter 1,6.
82.
Vgl. Field (2009), S. 220 f.
83.
Vgl. Field (2009), S. 292 f.; Menard (2001), S. 84 sowie die detaillierteren Ausführungen in den Abschnitten 7.1.2.2 und 8.1.1 der vorliegenden Arbeit.
84.
Die Ausreißerdiagnose für das Convenience Sample ist in Anhang I enthalten.
85.
Vgl. zu den Gütekriterien und den an sie gestellten Anforderungen die grundlegenden Ausführungen in Abschnitt 7.1.2.2, insbesondere Tabelle 20, sowie die Gütebeurteilung für die repräsentative Stichprobe in Abschnitt 8.1.1.
86.
Bei der Analyse der Devianz kann die Nullhypothese, dass das Modell eine perfekte Anpassung aufweist, nicht abgelehnt werden (Signifikanzniveau von 1). Der Likelihood-Ratio-Test bestätigt eine signifikant bessere Anpassung des geschätzten Modells im Vergleich zum Nullmodell.
87.
Werte von 0,365 bzw. 0,391 für das R2 von MacFadden bzw. Cox und Snell gelten als akzeptabel, der Wert des R2 von Nagelkerke ist mit 0,526 als sehr gut zu bewerten. Vgl. Backhaus et al. (2011), S. 276.
88.
Die Klassifikationsmatrix für das Convenience Sample ist in Anhang J dargestellt.
89.
Vgl. Hosmer/Lemeshow (2000), S. 162. Anhang J enthält die ROC-Kurve.
90.
Signifikante Effekte (p < 0,1) sind in Tabelle 51 mittels Fettdruck hervorgehoben.
91.
Abweichende Ergebnisse bei der Überprüfung der Hypothesen sind in Tabelle 52 fett gedruckt.
92.
Vgl. zur soziodemographischen Zusammensetzung des Convenience Samples auch Anhang H.
93.
Vgl. hierzu auch die beispielhaften Aussagen aus den Fokusgruppeninterviews in Abschnitt 4.2.2.1 der vorliegenden Arbeit.
94.
Hierbei handelt es sich um die Befunde zu den Hypothesen H7, H12 und H17. Die Unterschiede können u. a. durch die studentisch geprägte Struktur des Convenience Samples erklärt werden.
95.
Vgl. hierzu und im Folgenden Hayes (2012), S. 22 sowie die Ausführungen in Abschnitt 7.1.2.3 der vorliegenden Arbeit. Für die beiden linearen Regressionen wurden die zugrunde liegenden Prämissen überprüft. Während keine substanzielle Multikollinearität (VIFs < 2,110) und keine Autokorrelation (Werte der Durbin-Watson-Statistik von 1,871 bzw. 2,045) vorliegen, deuten die Ergebnisse des Verfahrens von Glesjer auf Heteroskedastizität hin. Aus diesem Grund wurde auf Schätzer zurückgegriffen, die auch bei Heteroskedastizität robust sind. Vgl. zu den Prämissen der linearen Regressionsanalyse auch die Ausführungen in Abschnitt 8.1.1.
96.
Die Prämissen der logistischen Regression wurden nach Aufnahme der Variablen ‚Distributive Fairness’ und ‚Prozedurale Fairness’ in das Modell erneut überprüft. Substanzielle Multikollinearität (VIFs 2,361), Autokorrelation (Wert der Durbin-Watson-Statistik von 2,041) oder eine Verletzung der Linearität im Logit liegen nicht vor. Vgl. hierzu auch die Ausführungen in Abschnitt 8.1.1.
97.
Vgl. Hayes (2012), S. 11 und S. 24. Die Berechnung der Konfidenzintervalle zur Beurteilung der Signifikanz der indirekten Effekte basiert jeweils auf 2.000 gezogenen Bootstrapping-Stichproben.
98.
Die Effekte aij der in Tabelle 54 aufgeführten Determinanten einer Direktmarketingeinwilligung auf die Variablen ‚Distributive Fairness’ und ‚Prozedurale Fairness’ werden in Anhang K berichtet.
99.
Vgl. Hayes (2012), S. 13; Preacher/Hayes (2008), S. 886. In PROCESS werden lediglich Konfidenzintervalle < 95% ausgegeben, sodass nicht beurteilt werden kann, ob die indirekten Effekte auch auf einen Niveau von < 1 % signifikant sind.
100.
Vgl. hierzu und im Folgenden Müller (2009), S. 245.
101.
Vgl. Hayes (2012), S. 22.
102.
Da sich der Koeffizient der Variable ‚Widerrufsaufwand’ bereits im Gesamtmodell in Abschnitt 8.1.2 als nicht signifikant herausgestellt hat, ist diese in Tabelle 54 nicht aufgeführt. Die zusätzliche Berücksichtigung der Mediatoren ‚Distributive Fairness’ und ‚Prozedurale Fairness’ führt ebenfalls nicht zu einem signifikanten direkten Effekt oder zu signifikanten indirekten Effekten der Variable ‚Widerrufsaufwand’.
103.
Vgl. Bozdogan (1987), S. 356-359; Sawtooth Software (2004), S. 10-12 sowie die Ausführungen in Abschnitt 7.1.3 der vorliegenden Arbeit.
104.
Aufgrund der Erhöhung (d. h. Verschlechterung) der Werte des CAIC mit zunehmender Segmentanzahl > 4 wurden keine Modelle mit mehr als sechs Segmenten geschätzt.
105.
In der Technical Paper Series von Sawtooth wird explizit darauf hingewiesen, dass die relativen Änderungen des CAIC häufig die besseren Indikatoren für die Bestimmung der Segmentzahl sind als dessen absolute Höhe. Vgl. Sawtooth Software (2004), S. 12.
106.
Die relativen Größen der Segmente weichen in diesen Fällen für die einzelnen Replikationen teilweise sogar um ca. zehn Prozentpunkte ab. Für die Lösung mit zwei Segmenten treten hingegen lediglich äußerst geringe Abweichungen von 0,3 Prozentpunkten auf.
107.
Die Freiheitsgrade entsprechen der Anzahl der Eigenschaftsausprägungen einschließlich der Nicht-Wahl-Option abzüglich der Anzahl der Eigenschaften. Vgl. Backhaus/Erichson/Weiber (2011), S. 364; Sawtooth Software (2013), S. 23.
108.
Für das R2 von MacFadden werden in der Literatur Werte ≥ 0,2 gefordert. Vgl. bspw. Backhaus et al. (2011), S. 276; Frenzen/Krafft (2008), S. 634 und S. 639; Krafft (1997), S. 631; Urban (1993), S. 62 f.
109.
Vgl. Gensler (2003), S. 138. Für das aggregierte Modell mit nur einem Segment nimmt das Entropie-Maß definitionsgemäß den Wert 1 an.
110.
Vgl. Gensler (2006b), S. 316 f. sowie hierzu und im Folgenden die Ausführungen in Abschnitt 7.1.3 der vorliegenden Arbeit.
111.
Dieser Wert ergibt sich aus den jeweils drei Stimuli in den Hold-Out Sets und der Nicht-Wahl-Option.
112.
Vgl. zur Datengrundlage auch die Ausführungen in Abschnitt 7.2.2 der vorliegenden Arbeit.
113.
Eine Einführung in die unterschiedlichen Verfahren der Clusteranalyse bietet Jensen (2008).
114.
Vgl. zur individuellen Nutzenschätzung mithilfe des Hierarchical Bayes-Ansatzes grundlegend Backhaus/Erichson/Weiber (2011), S. 359 f.; Völckner/Sattler/Teichert (2008), S. 704-707 sowie weiterführend Gensler (2003), S. 147-183.
115.
Die Segmentzuordnung der Konsumenten durch dieses zweistufige Vorgehen und dessen Prognosegüte sind der Latent Class-Schätzung deutlich unterlegen, sodass für die Ergebnisinterpretation von dieser Herangehensweise dringend abzuraten ist. Vgl. Teichert (2001), S. 211 f.
116.
Vgl. bspw. Böckermann (2013), S. 126-128; Homburg/Jensen/Krohmer (2008), S. 142; Homburg/Workman/Jensen (2002), S. 48; Jensen (2008), S. 349 und S. 361.
117.
Für 159 Probanden stimmt die Zuordnungen durch die Latent Class CBCA und die Clusteranalyse überein, für 30 Probanden ergeben sich Abweichungen. Ein Fall wurde zuvor durch den Single-Linkage-Algorithmus als Ausreißer identifiziert und eliminiert.
118.
Die Übereinstimmung der geschätzten Nutzenparameter mit den a priori vorhandenen Erwartungen zeugt von deren Plausibilität. Vgl. Gensler (2006b), S. 316 f. Zu den a priori vorhandenen Erwartungen vgl. die Ausführungen in Abschnitt 6.2 der vorliegenden Arbeit.
119.
Vgl. hierzu und im Folgenden auch die Abschnitte 4.2.2.1 und 4.2.2.2.
120.
Vgl. zu den Implikationen der CBCA für die Unternehmenspraxis auch die ausführliche Darstellung in Abschnitt 9.3 der vorliegenden Arbeit.
121.
Vgl. Field (2009), S. 334-341 und S. 689 f.; Homburg et al. (2008), S. 160 f.; Homburg/Klarmann/Krohmer (2008), S. 233-238.

Author information

Authors and Affiliations

Institut für Marketing, Marketing Center Münster, Westfälische Wilhelms - Universität Münster, Münster, Deutschland
Johannes Wissmann

Authors

Johannes Wissmann
View author publications
You can also search for this author in PubMed Google Scholar

Rights and permissions

Reprints and permissions

Copyright information

About this chapter

Cite this chapter

Wissmann, J. (2013). Empirische Ergebnisse der quantitativen Untersuchung. In: Einwilligungen im Permission Marketing. Kundenmanagement & Electronic Commerce. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-03553-2_8

Download citation

DOI: https://doi.org/10.1007/978-3-658-03553-2_8
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-03552-5
Online ISBN: 978-3-658-03553-2
eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics