Advertisement

Evolutorische Innovationsökonomik

  • Andreas PykaEmail author
Living reference work entry

Zusammenfassung

Die evolutorische Ökonomik setzt sich die Erklärung von dynamischen, überwiegend durch technologische und andere Innovationen verursachten Wirtschaftsprozessen zum Ziel. Theoretisch wurzelt sie in den Arbeiten von Joseph A. Schumpeter aus dem frühen 20. Jahrhundert, der den in der Volkswirtschaftslehre im Vordergrund stehenden Preiswettbewerb durch den Innovationswettbewerb ersetzt und dem passiven homo oeconomicus den umtriebigen Entrepreneur an die Seite gestellt hat. Durchsetzen konnte sich die moderne evolutorische Ökonomik seit den 1980er-Jahren und liefert heute mit dem Ansatz der Innovationssysteme, den Rahmen für die ökonomische Innovationsforschung und Innovationspolitik.

Schlüsselwörter

Echte Unsicherheit Innovation Technologische Paradigmen Routinen Wissen 

1 Einleitung

Die Hauptursache für den Unterschied zwischen der evolutorischen Ökonomik und des vorherrschenden ökonomischen Mainstreams, so wie er sich heute in den gängigen Lehrbüchern darstellt, ist die Überzeugung der Evolutionsökonomen, dass permanenter durch Innovationen angestoßener Wandel das Wesensmerkmal kapitalistisch organisierter Wirtschaftssysteme darstellt. Richard Nelson (1989a) einer der zentralen Autoren der evolutorischen Ökonomik, spricht vom capitalism as an engine of progress.

Der Kernbereich der modernen evolutorischen Ökonomik (Nelson et al. 2018; Pyka 1999) hat seine intellektuellen Wurzeln in den Arbeiten Joseph A. Schumpeters (siehe hierzu auch Blättel-Mink zu Schumpeter in diesem Band) aus der ersten Hälfte des 20. Jahrhunderts. In seinem viel beachteten Spätwerk (Schumpeter 1950) „Capitalism, Socialism and Democracy“ betont Schumpeter, „in dealing with capitalism, we are dealing with an evolutionary process“ (S. 82). Schumpeter war sich bewusst, dass die in der Ökonomie bis heute vorherrschende Betrachtung des Preiswettbewerbs durch die Betrachtung des Innovationswettbewerbs abgelöst werden muss, insbesondere wenn es um das Verständnis der langfristigen wirtschaftlichen Entwicklung geht.

„But in capitalist reality as distinguished from its textbook picture, it is not that kind of competition which counts but the competition from the new commodity, the new technology […] This kind of competition is as much more effective than the other as a bombardment is in comparison with forcing a door, and so much more important that it becomes a matter of comparative indifference whether competition in the ordinary sense functions more or less promptly.“ (Schumpeter 1950, S. 84)

Von den Arbeiten Schumpeters bis zur evolutorischen Ökonomik in 1980er-Jahren war es noch ein weiter Weg. Als Geburtsstunde für die moderne evolutorische Ökonomik wird das Erscheinen von Richard R. Nelsons und Sidney G. Winters Buch „An Evolutionary Theory of Economic Change“ aus dem Jahr 1982 genannt. Die Volkswirtschaftslehre war in den ersten drei Nachkriegsjahrzehnten zunächst geprägt von einer Dominanz der sogenannten „neoklassischen Wirtschaftstheorie“. Deren Vorstellung von wirtschaftlichen Gleichgewichten und einem zwingenden Optimierungskalkül in ökonomischen Entscheidungen, stand einem vertieften Verständnis einer innovationsgetriebenen Entwicklungsdynamik im Wege. Zunächst galt es, die Besonderheiten der Wissensentstehung und -ausbreitung in Volkswirtschaften besser zu verstehen und geeignete Konzepte für die Innovationsanalyse zu entwickeln. Davon wird im Abschn. 2 dieses Handbuchartikels zu sprechen sein.

Das verbesserte Verständnis der Organisation von Innovationsprozessen spiegelte sich schließlich in der Entwicklung der modernen evolutorischen Ökonomik wider, die im 3. Abschnitt behandelt wird. Im Wesentlichen geht es hierbei um eine Alternative zum, mit olympischer Rationalität optimierenden homo oeconomicus. Betrachtet man die echte Unsicherheit (Knight 1921) als Wesensmerkmal von Innovationen, verbietet sich die Heranziehung der typischen neoklassischen Annahmen, wie vollkommene Voraussicht, Profitmaximierung und die daraus resultierende Gleichgewichtsvorstellung. Die Akteure werden, wie Kurt Dopfer (2004) es formuliert hat, zum homo sapiens oeconomicus, mit der Konsequenz, dass fehlerbehaftete Such- und Lernprozesse möglich werden. Das Wissen der Akteure und dessen Veränderung und Anpassung rückt in den Mittelpunkt. Dies ist eine zentrale Voraussetzung für ein verbessertes Verständnis von Innovationsprozessen, vor allem, wenn man die Häufigkeit des Scheiterns von Innovationsprojekten und insbesondere von innovationsgetriebenen Unternehmensgründungen kennt (van der Panne et al. 2003).

Der letzte Abschnitt fasst zusammen, gibt weiterführende Literaturhinweise und einen Ausblick auf die Evolution der evolutorischen Ökonomik.

2 Wissen und technologischer Fortschritt als evolutorischer Prozess

In den 1950er-Jahren erregten zwei Studien zum Wachstum der US Volkswirtschaft zwischen 1850 bzw. 1870 bis 1950 großes Aufsehen: Moses Abramovitz (1956) und Robert Solow (1957) stellten in ihren sogenannten Growth-Accounting Studien fest, dass höchstens 15 Prozent des US-Wirtschaftswachstums mit der Zunahme der Produktionsfaktoren Arbeit und Kapital erklärt werden können. Der Löwenanteil ist offensichtlich auf Faktoren zurückzuführen, die bislang nicht betrachtet wurden. Für Solow (1956) kommt als Erklärung dafür technischer Fortschritt in Frage, der exogen die makroökonomische Produktionsfunktion nach außen verschiebt und so den abnehmenden Wachstumsraten aus der Kapitalakkumulation entgegenwirkt. Für Abramovitz (1993) handelt es sich bei den 85 Prozent nicht erklärten Wirtschaftswachstums, wie er es 37 Jahre später formuliert, um eine aus ökonomischer Sicht unverstandene Größe.

Die Vermutung Solows, dass technologischer Fortschritt die wichtigste Determinante für Wirtschaftswachstum ist, rief das Interesse der sich gerade etablierenden Industrieökonomik hervor, mit dem Anspruch, Innovationsprozesse zu endogenisieren. Als Akteure wurden eindeutig Industrien und deren Unternehmen identifiziert. Die mehr als 50 Jahre zuvor von Thorstein Veblen (1898) in seinem berühmten Aufsatz „Why is economics not an evolutionary science?“ erhobene Forderung: „For the purposes of economic science the process of cumulative change that is to be accounted for is the sequence of change in methods of doing things“ (S. 387) geriet dabei jedoch unter die Räder. Nicht der wirtschaftliche Wandel, sondern die Integration des Innovationsprozesses in die Produktionstheorie sollte für die nächsten drei Jahrzehnte im Mittelpunkt stehen. Innovationen wurden als Output einer Innovationsproduktionsfunktion betrachtet, deren wichtigster Input neues technologisches Wissen ist. Weil nicht anders greifbar, wurde das technologische Wissen durch die Forschungs- und Entwicklungsaufwendungen (F&E) approximiert.

Mit Kenneth Arrow (1962) Beitrag hat sich dann in den frühen 1960er-Jahren der bis heute zugrunde liegende Fokus auf die Innovationsanreize in der Mainstreamökonomik eingestellt. Für Arrow ist der Innovationsprozess zwangsläufig durch Marktversagen gekennzeichnet, da neues technologisches Know-how wie öffentliche Güter durch Nicht-Rivalität gekennzeichnet ist. In Form von sogenannten Spillover-Effekten diffundiert es unfreiwillig und nützt auch Unternehmen, die sich nicht an den F&E-Aufwendungen beteiligen. Es stellt sich Trittbrettfahrerverhalten ein mit der Konsequenz, dass die Innovationsaufwendungen hinter den sozial wünschenswerten Aufwendungen zurückbleiben und staatliches Eingreifen erforderlich ist.

Diese Sichtweise wurde von Anfang an auch in Frage gestellt. Mit der zugrunde liegenden linearen Innovationsvorstellung – der Sequenz von Invention, Innovation und Diffusion – wird unterstellt, dass von den Unternehmen eingesetztes technologisches Wissen eine schlichte Anwendung wissenschaftlichen Wissens darstellt. Diese Perspektive übersieht einen entscheidenden Punkt: Die technologische Wissensbasis von Unternehmen begründet sich nicht nur in der Anwendung des Wissens aus der vorgelagerten Inventionsphase. Ganz im Gegenteil kommen auf der Ebene der Unternehmen wesentliche Elemente hinzu, die sich aus dem spezifischen Kontext heraus entwickeln und ihren Ursprung in der praktischen Auseinandersetzung mit Fragen der Umsetzung haben. Es kommen sogar Technologien zur Anwendung, die wissenschaftlich noch nicht betrachtet worden sind (Rosenberg 1982, S. 143).

Dieser Teil des Know-how ist das Ergebnis subjektiver, spezifischer und auf Unternehmensebene internalisierter Suchheuristiken und wird als Erfahrungswissen (learning-by-Aktivitäten) charakterisiert. Im Gegensatz zu den formalen Wissensbildungsprozessen in F&E-Labors fällt dieses Wissen in allen unternehmerischen Funktionsbereichen an. Die Art des Wissenserwerbs bringt es mit sich, dass entsprechendes Wissen in der Regel nicht in niedergeschriebener Form vorliegt, meistens sogar nicht einmal kodifizierbar ist. Von Michael Polanyi (1962) stammt die Charakterisierung als implizites Wissen (tacit know-how), worunter er versteht, dass Individuen mehr wissen als sie mitteilen können.

Eine unmittelbare Weitergabe von tacit know-how ist durch dessen eingeschränkte Artikulierbarkeit nicht möglich. Nur durch die direkte Auseinandersetzung mit dem entsprechenden Problem und durch engen Kontakt mit Mitarbeiterinnen, die dieses Wissen bereits internalisiert haben, ist der Erwerb des impliziten Wissens möglich. Durch die Abhängigkeit des Know-hows vom spezifischen Umfeld wird die Weitergabe erschwert. Auch wenn Spillover-Effekte potenziell nicht auszuschließen sind, ist möglichen Imitatoren dieses Wissen nicht sofort von Nutzen, d. h. der Trittbrettfahrerproblematik kommt nur eine eingeschränkte Bedeutung zu.

Noch eine weitere Einschränkung wird ebenfalls bereits in den 1960er-Jahren thematisiert: Neues Wissen ist nicht auf alle Technologien übertragbar, da es häufig durch Technologiespezifitäten gekennzeichnet ist. Auf diese Einschränkung haben Anthony B. Atkinson und Joseph E. Stiglitz (1969) in ihrer Theorie des lokalen technischen Fortschritts hingewiesen. Die Autoren kritisieren die Vorstellung der neoklassischen Innovationstheorie von einem, sämtliche Punkte einer Produktionsfunktion tangierendem, technischen Fortschritt. Die einzelnen Punkte einer Produktionsfunktion repräsentieren unterschiedliche Technologien für die Produktion eines bestimmten Gutes. Neues technologiespezifisches Wissen kann sich jetzt im Extremfall auf nur einen einzigen Punkt auf der Produktionsfunktion beziehen, wodurch es nur zu lokalem technischen Fortschritt kommt. Unzureichende Aneignungsbedingungen haben in diesem Fall weitaus geringere Auswirkungen, da die technologischen Spillover-Effekten nur für die Unternehmen von Wert sind, die exakt die gleiche Technologie anwenden, mit anderen Worten: das innovierende Unternehmen muss kaum Imitation befürchten.

Neben der Anreizproblematik richtete sich seit den 1980er-Jahren das Interesse der Innovationsforschung zusätzlich auf die technologischen Möglichkeiten (für einen Überblick siehe Dasgupta 1986). Nicht nur, dass Innovation in unterschiedlichen Sektoren eine unterschiedliche Rolle spielen, sondern die technologischen Möglichkeiten können sich auch wechselseitig beeinflussen. Von Rod W. Coombs (1988, S. 304) stammt die wichtige Unterscheidung zwischen intensiven und extensiven technologischen Möglichkeiten: Die intensiven Möglichkeiten bezeichnen das spezifische Entwicklungspotenzial eines technologischen Entwicklungspfades, welches durch technisch-naturwissenschaftliche Engpässe beschränkt wird. Extensive Opportunitäten beziehen sich dagegen auf die wechselseitigen Beeinflussungen unterschiedlicher Technologien und auf deren komplementären Charakter. Bezüglich intraindustrieller Interdependenzen wird diese Unterscheidung unmittelbar einsichtig: Stehen die Forschungsanstrengungen in einer substitutiven Beziehung zueinander, sind bei einem Durchsickern technologischen Know-hows die intensiven Opportunitäten betroffen. Handelt es sich dagegen um komplementäre Anstrengungen, beeinflussen technologische Spillover-Effekte die extensiven Opportunitäten. Während es sich im ersten Fall um schlichte Imitation bereits existierender Know-hows handelt, werden im zweiten Fall neue technologische Möglichkeiten geschaffen.

Auf die komplementären Beziehungen unterschiedlicher Technologien und das Ausschöpfen extensiver technologischer Möglichkeiten ist insbesondere in technologiehistorischen Untersuchungen (z. B. Mokyr 1990) hingewiesen worden. Dort wurde zuerst die große Bedeutung von gegenseitigen Befruchtungen (cross-fertilization) unterschiedlicher Technologien erkannt, wodurch völlig neue technologische Möglichkeiten mit Auswirkungen, oft weit über die eigentlich innovierende Branche hinaus, entstehen. Historische Beispiele finden sich in Joel Mokyr (1990, S. 281):

„Advances in metallurgy and boring technology made the high-pressure steam engine possible; radical changes in the design of clocks and ships suggested to others how to make better instruments and windmills; fuels and furnaces adapted to beer brewing and glassblowing turned out to be useful to the iron industry; technical ideas from organ making were applied successfully to weaving.“

Fumio Kodama (1986, S. 70) zeigt mit Beispielen aus der 1980er- und 1990er-Jahren ebenfalls die Relevanz der gegenseitigen Befruchtung:

„[…] marrying optics and electronics created optoelectronics, which gave birth to fiber-optics communication systems; fusing mechanical and electronics technologies produced the mechatronics revolution, which has transformed the machine tool industry.“

Als aktuelles Beispiel kann die Fusion von Datenbanktechnologien und Molekularbiologie in den frühen 2010er-Jahren angeführt werden. Aufgrund der enormen Datenmengen und deren Vielfalt in der Molekularbiologie kam man mit traditionellen statistischen Verfahren nicht weiter und der neue Sektor der Bioinformatik entstand. Daraus entwickelten sich ein Jahrzehnt später die Big-Data-Anwendungen, die heute die Informationsdienstleistungsbereiche beherrschen.

Bei der gegenseitigen Befruchtung unterschiedlicher Technologien im Sinne der Erschließung neuer extensiver Möglichkeiten kommt Spillover-Effekten eine herausragende Rolle zu. Sie werden für die Verbreitung von neuem technologischen Know-how über die eigenen technologischen Grenzen hinaus verantwortlich gemacht. Im Gegensatz zur anreizmindernden Interpretation erfahren sie jetzt eine ideenschaffende Interpretation.

Neues technologisches Know-how ist somit sowohl öffentlich als auch privat, weswegen Nelson (1989b) die Charakterisierung als latent öffentliches Gut vorgeschlagen hat. In entscheidenden Fällen greift die Anreizorientierung der neoklassischen Innovationsökonomik nicht und neues technologisches Wissen diffundiert in Form von unfreiwilligen Spillover-Effekten nicht zu schnell, sondern ganz im Gegenteil, nicht ausreichend, wodurch die wirtschaftliche Innovationsdynamik zu niedrig ausfällt.

Durch den teilweise öffentlichen und privaten Gut-Charakter und die Interdependenz der technologischen Möglichkeiten ergeben sich im Innovationsprozess charakteristische Muster, für welche Giovanni Dosi (1982, 1988) den Begriff des technologischen Paradigmas geprägt hat. Ein technologisches Paradigma kann dabei als ein Lösungsmuster für ausgewählte techno-ökonomische Probleme aufgefasst werden. Dieses Lösungsmuster basiert sowohl auf den als relevant erachteten naturwissenschaftlichen Zusammenhängen, als auch auf bestimmten Methoden des Wissenserwerbs. Auf diese Weise gibt ein technologisches Paradigma ein Fortschrittskonzept vor, das sich anhand spezifischer techno-ökonomischer Trade-off Beziehungen definiert. Dosi (1988, S. 1127) beschreibt ein Paradigma folgendermaßen:

„Both scientific and technological paradigms embody an outlook, a definition of the relevant problems of enquiry. A ‚technological paradigm‘ defines contextually the scientific principles utilized for the task, the material technology to be used […]. A technological paradigm is both an exemplar – an artifact that is to be developed and improved (such as a car, a lathe, each with its particular technoeconomic characteristics) – and a set of heuristics (e.g., Where do we go from here? Where should we search? What sort of knowledge should we draw on?).“

Der Entwicklungsrahmen eines technologischen Paradigmas, kann an einem Basisdesign (Abernathy und Utterback 1978) konkretisiert werden. Die Entwicklung des Paradigmas wird durch die Weiterentwicklung dieses Basisdesigns bestimmt, wobei es sich dabei sowohl um eine bestimmte technische Realisierung (z. B. ein Kraftfahrzeug mit Verbrennungsmotor) als auch um eine ganze Technologie (z. B. Biotechnologie) handeln kann. Von einem technologischen Paradigma wird vorgegeben, welche Suchheuristiken zur Anwendung kommen und welche Wissensquellen als relevant erachtet werden. Ein so beschriebenes technologisches Paradigma ist dafür verantwortlich, dass wir trotz der immensen technologischen Vielfalt keinen vollkommen willkürlichen Innovationsprozess beobachten. Die Innovationsanstrengungen der Unternehmen beschränken sich auf die vom Paradigma vorgegebenen Richtungen.

Der innerhalb eines technologischen Paradigmas zielgerichtete und kumulative normale technische Fortschritt vollzieht sich entlang bestimmter Entwicklungspfade bzw. technologischer Trajektorien, deren Richtung durch das Basisdesign und die zur Anwendung gelangenden Suchheuristiken vorgegeben ist. Dosi definiert eine technologische Trajektorie wie folgt: „We will define a technological trajectory as the pattern of ‚normal‘ technical problem solving activity (i.e. ‚progress‘) on the ground of a technological paradigm“ (Dosi 1982, S. 152). Die kumulative technologische Entwicklung bringt mit sich, dass entlang einer technologischen Trajektorie mit fortschreitender Ausschöpfung der Entwicklungspotenziale zunehmend Engpässe aufgrund naturgesetzlicher Beschränkungen entstehen müssen, wodurch sich der Spielraum für weitere Entwicklungen einschränkt.

Dennoch stellt ein solches Paradigma keinen für alle Zeiten festen Rahmen der technologischen Entwicklung dar. Der Prozess eines technologischen Paradigmenwechsels verläuft wie der von Thomas Kuhn (1962) beschriebene Umbruchprozess in den Wissenschaften. In der technologischen Entwicklung können Engpässe auftreten, die für eine unbefriedigende Rate des technischen Fortschritts verantwortlich sind. In einer solchen Situation richten sich die Innovationsanstrengungen auf alternative, bisher vernachlässigte technologische Ansätze. Entsteht so ein wesentlicher technologischer Durchbruch (radikale Innovation) kann es zu einem Paradigmenwechsel kommen, wodurch die geordnete Phase des normalen technischen Fortschritts unterbrochen wird.

Das verbesserte Innovationsverständnis, das sich seit den frühen Arbeiten in der Mitte der 1950er-Jahre bis zu Beginn der 1980er-Jahre eingestellt hat, verdeutlicht die zu Beginn dieses Abschnitts zitierte Feststellung von Moses Abramovitz (1993) dass die Volkswirtschaftslehre zunächst mit einer gewaltigen area of ignorance in der ökonomischen Innovationsanalyse konfrontiert war. Die neuen empirischen Befunde, können als Vorarbeiten für die moderne evolutorische Ökonomik eingestuft werden und führten in den 1980er-Jahren schließlich zu einer systemischen Betrachtung des Innovationsprozesses, durch die die evolutorische Ökonomik eine, insbesondere in der politischen Anwendung, große Sichtbarkeit erlangte.

„The dominant mode of innovation is systemic. Systemic innovation is brought about through the fission and fusion of technologies; it triggers a series of chain reactions in a total system. […] The interactive process of information creation and learning is crucial for systemic innovation […] The characteristic trait of the new industrial society is that of continuous interactive innovation generated by the linkages across the borders of specific sectors and specific scientific disciplines.“ (Imai und Baba 1991, S. 389)

Damit ist der bis heute erfolgreiche evolutionsökonomische Ansatz der Innovationsysteme geboren (Lundvall 1992; Nelson 1993). In dem es zunächst darum ging, die bedeutenden Unterschiede in der Organisation von Innovationsprozessen zwischen verschiedenen Volkswirtschaften und deren Einfluss auf die Innovationsleistung zu erklären. Die Analyse erweiterte sich von der isolierten Betrachtung unternehmerischer Innovationsprozesse und es wurden zusätzlich Politikeinflüsse, die Rolle von Universitäten und öffentlichen Forschungseinrichtungen, sowie die Rolle der Nachfrage im Innovationsprozess thematisiert. Gleichzeitig erfolgte eine ausgeprägte Rückbesinnung auf die Arbeiten von Schumpeter, der in seiner „Theorie der wirtschaftlichen Entwicklung“ von 1911 die Rolle des Entrepreneurs betonte, einer dynamischen Unternehmerpersönlichkeit, die sich nicht mit dem neoklassischen Menschenbild des homo oeconomicus erfassen lässt. Unternehmensgründungen, im Jargon des beginnenden 21. Jahrhunderts, Start-ups, sind häufig besser geeignet, radikale Innovationen anzustoßen, und auf diese Weise den Strukturwandel (Paradigmenwechsel) in einer Volkswirtschaft anzustoßen. Ohne Zweifel haben große etablierte Unternehmen weitaus höhere Mittel für Innovation zur Verfügung, und dennoch gelingt ihnen häufig nicht der radikale Durchbruch. Die Stärke der etablierten Unternehmen liegt hingegen – wie ebenfalls von Schumpeter in seinem Werk von 1950 „Capitalism, Socialism and Democracy“, betont, in der Perfektionierung existierender technologischer Ansätze, in anderen Worten: Im effizienzsteigernden Voranschreiten mit Hilfe inkrementeller Innovationen entlang technologischer Trajektorien. Für die langfristige wirtschaftliche Entwicklung sind sowohl inkrementelle wie auch radikale Innovationen erforderlich und finden ihren Platz in der Theorie der Innovationssysteme.

Die wichtigen sektoralen Unterschiede im zugrunde liegenden Wissen und den technologischen Möglichkeiten (z. B. Pavitt 1984) haben zwischenzeitlich zu einer breiten Ausdifferenzierung der Innovationssysteme geführt. Ursprünglich standen nationale Innovationssysteme im Mittelpunkt. Doch die Unterschiede zwischen Volkswirtschaften, Regionen, Industrien und Technologien verdeutlichen, dass eine One-size-fits-all-Innovationstheorie nicht überzeugen kann. In den letzten 20 Jahren wurde die Theorie der Innovationssysteme durch regionale Innovationssysteme (Cooke et al. 1997), sektorale Innovationssysteme (Malerba 2002), technologische Innovationssysteme (Carlsson und Stankiewicz 1991) und sogenannte Dedicated Innovation Systems (Pyka 2017), die sich mit Fragen der fundamentalen Transformation von Wirtschaftssystemen zur Nachhaltigkeit beschäftigen, komplementiert.

Die detaillierte Auseinandersetzung mit der durch Innovationen vorangetriebenen wirtschaftlichen Entwicklung hat seit den 1960er-Jahren zu einem verbesserten Verständnis von Innovationsprozessen geführt, das sich jedoch nicht in die neoklassische Wirtschaftstheorie mit ihrem durch restriktive Annahmen engen Korsett integrieren lässt. Die überwiegend empirischen Betrachtungen des Wissensentstehungs- und Ausbreitungsprozesses haben von einem abstrakten singulär auf Innovationsanreize abstellenden neoklassischen Ansatz zum wissensbasierten evolutorischen Ansatz im Rahmen der Betrachtung von Innovationssystemen geführt. Im folgenden Abschnitt wird es um die theoretischen Neuerungen gehen, die in der modernen evolutorischen Ökonomik zur Anwendung kommen.

3 Experimentelles Verhalten und Lernen statt optimales Verhalten

Der vorige Abschnitt verdeutlicht, dass eine der maßgeblichen Ursachen für das große Interesse an der evolutorischen Ökonomik seit den 1980er-Jahren in den Unzulänglichkeiten der neoklassischen Innovationsanalyse zu sehen ist. Die Beschränkung der durch technischen Fortschritt induzierten Entwicklung auf einen rein mechanistisch ablaufenden reaktiven Anpassungsprozess, kann vor dem Hintergrund der empirischen Befunde kaum befriedigen. Nicht die Anpassung an eine exogen vorgegebene Änderung eines bestehenden Gleichgewichts, sondern dessen Veränderung selbst wird zum Forschungsgegenstand der Innovationsökonomik. Dabei wird der Raum für Innovation und kreatives Handeln erst durch eine explizite Einbeziehung des Faktors Unsicherheit und den daraus abgeleiteten, nur beschränkten, Fähigkeiten der Akteure eröffnet.

Die notwendige Berücksichtigung echter Unsicherheit (Knight 1921) stellt aus evolutionsökonomischer Perspektive den entscheidenden Unterschied dar. Innovationen sind genuin unsicher: Würde man deren Ergebnis bereits im Voraus kennen, könnte man nicht mehr von Innovationen sprechen. Eine Anwendung des ökonomischen Optimierungsansatzes scheidet bei echter Unsicherheit mangels einer deterministischen Zielfunktion also aus. Stattdessen rückt Lernen und experimentelles Verhalten in den Mittelpunkt, weswegen auch nicht mehr repräsentative Akteure als Vereinfachung herangezogen werden, sondern heterogene Verhaltensweisen wahrscheinlich werden. Ebenso sind Gleichgewichtsvorstellungen durch eine dynamische prozessorientierte Sichtweise zu ersetzen.

Seit den 1980er-Jahren sind zahlreiche Veröffentlichungen erschienen, die alle den einen oder den anderen der obigen Kritikpunkte der Mainstream-Ökonomik vorwerfen und als Alternative die evolutorische Ökonomik zur Analyse der wirtschaftlichen Entwicklung vorschlagen (z. B. Nelson und Winter 1982; Witt 1987; de Bresson 1987; Clark und Juma 1987; Faber und Proobs 1990). Gemeinsamer Tenor dieser Arbeiten ist die Betonung des prozessualen Charakters des Untersuchungsgegenstandes ökonomischer Forschung. Evolutorische Theorien, deren Erklärungsgegenstand die Entstehung und Ausbreitung von Neuerungen und der dadurch endogen erzeugte Wandel ist, bilden auch in der Ökonomie den geeigneten Rahmen zur Analyse der wirtschaftlichen Entwicklung. Für Ulrich Witt (1987, S. 9) sind für eine evolutorische Theorie die folgenden Merkmale kennzeichnend:
  1. (i)

    Die Theorie ist dynamisch, d. h. sie hat eine in der Zeit ablaufende Entwicklung zum Gegenstand.

     
  2. (ii)

    Der Theorie liegt das Konzept der irreversiblen, historischen Zeit zugrunde, das heißt, sie bezieht sich auf Entwicklungen, die eine zeitlich nicht umkehrbare Richtung aufweisen.

     
  3. (iii)

    Die Theorie erklärt, wie es zu Neuerungen kommt und welche allgemeinen Einflüsse sie haben, das heißt sie formuliert Hypothesen über das zeitliche Verhalten von Systemen, in denen Neuerungen auftreten und sich ausbreiten.

     

Wie fügt sich nun die hinsichtlich der neoklassischen Vorgehensweise kritische Betrachtung des Innovationsprozesses des vorigen Abschnitts in einen evolutionstheoretischen Analyserahmen ein? Innovationen werden als das Ergebnis menschlicher Kreativität in der Erschließung neuer Handlungsmöglichkeiten gesehen (Kriterium (iii)). In der Erklärung der Voraussetzungen für und der endogenen Entstehung von Neuerungen liegt dann auch die spezifische evolutorische Anforderung an die Theorie. Da die Akteure im Innovationsprozess nur über unvollständige Fähigkeiten und eine eingeschränkte Vorausschau verfügen, wird die ökonomische Evolution zu einem Zeit beanspruchenden Lern- und Experimentierprozess (Kriterium (i)). Es entstehen kumulative Entwicklungen und Pfadabhängigkeiten (Kriterium (ii)). Die Erklärung der Innovationsprozesse kann auf eine explizite Berücksichtigung des Faktors Zeit nicht verzichten, da zum einen die dynamische Komponente ausdrücklich mit dem Untersuchungsgegenstand verbunden ist, und da zum anderen die Historizität selbst einen wichtigen Einfluss ausübt.

Ist aber nicht angesichts der Verabschiedung des Rationalitätspostulats und der Gleichgewichtsorientierung in der evolutorischen Ökonomik mit einer Komplexitätszunahme zu rechnen, die einer Durchdringung des Untersuchungsgegenstandes entgegensteht? Welche alternativen Erklärungsansätze und Konzepte bietet die evolutorische Ökonomik an? In den folgenden Abschnitten werden wir sehen, dass die evolutorische Ökonomik wesentliche Anleihen bei der verhaltenswissenschaftlichen Organisationstheorie genommen hat (siehe Frantz et al. 2017).

3.1 Routine-geleitetes Verhalten

Rückt man von vollkommener Vorausschau ab, ist man unmittelbar mit Informations- und Kompetenzlücken konfrontiert. Insbesondere in Untersuchungsergebnissen der kognitiven Psychologie, die auch zu den behavioristisch orientierten Ansätzen in der Theorie der Firma (vgl. Simon und March 1958 und Cyert und March 1963) geführt haben, sind die grundlegenden Konzepte für die Erklärung von Innovationsprozessen als Such- und Experimentieraktivitäten zu finden. Eng damit in Zusammenhang stehen die Arbeiten von Herbert Simon (1955, 1979) zu Konzepten einer nur beschränkten Rationalität und die Ergebnisse der experimentellen Psychologie (vgl. Kahneman und Tversky 1979, 1986) die eine systematische Abweichung individuellen Verhaltens von optimalen Verhaltensweisen nachweisen. Vor diesem Hintergrund ist von Nelson und Winter (1982) das Konzept der Routinen eingeführt worden, mit deren Hilfe der veränderten Sichtweise der Motivationen ökonomischer Akteure Rechnung getragen wird. Auf das Routinekonzept wird weiter unten detailliert eingegangen werden. Zunächst wird jedoch noch eine Kategorisierung der Quellen von Unsicherheit vorgestellt, die ja als wesentliche Ursache des Umstandes nur beschränkt rationalen Handelns zu betrachten ist.

3.2 Substanzielle und prozessuale Unsicherheit

Für die Unsicherheit im Innovationsprozess werden zwei Ursachen verantwortlich gemacht: Auf der einen Seite haben die Akteure keine, oder nur unvollständige Informationen über einen zu entscheidenden Sachverhalt. Kennen sie allerdings alle möglichen Alternativen und können diesen auch bestimmte Eintrittswahrscheinlichkeiten zuordnen, handelt es sich nur um eine schwache Form von Unsicherheit, man spricht in diesem Zusammenhang auch von versicherbarem Risiko. Diese Situationen sind grundsätzlich auch in einem neoklassischen Rahmen analysierbar. Innovationen sind aber gerade dadurch gekennzeichnet, dass sie dem vorhandenen Alternativenraum neue Möglichkeiten hinzufügen, bei denen eine Verbesserung des Informationsstands untrennbar mit der eigentlichen Innovation einhergeht. In diesen Fällen unbekannter Alternativen beziehungsweise Situationen, in denen keine Aussagen zu Eintrittswahrscheinlichkeiten getroffen werden können, handelt es sich um starke substanzielle Unsicherheit (Dosi und Egidi 1991, S. 148) die in einem neoklassischen Rahmen nicht mehr analysierbar ist.

Auf der anderen Seite entsteht Unsicherheit durch die Aufgabe der Annahme perfekter Fähigkeiten. Fehlende Fertigkeiten und mangelnde Kenntnis verursachen eine Kompetenzlücke und führen so zu Schwierigkeiten, sämtliche Informationen wahrzunehmen, zu speichern und zu verarbeiten.

„But we can also classify our computational limits as a form of uncertainty. Even if we had a good model of the future, if our brains wouldn’t allow us to run the model as fast as time runs, we would still be uncertain about the future.“ (Simon 1991, S. 15)

Das Auftreten echter substanzieller und prozessualer Unsicherheit ist mit einem ernst zu nehmenden Vorbehalt verbunden: Eine Theorie des technischen Fortschritts kann nur eine Theorie der Prozesse sein, in denen Innovationen geschaffen werden. Theoretische Aussagen zur spezifischen Natur der einzelnen Innovationen sind nicht möglich.

In diesem Zusammenhang kommen in der evolutorischen Ökonomik die oben bereits angesprochenen technologischen Paradigmen zur Anwendung, die wenigstens innerhalb der Phasen des normalen technischen Fortschritts einen handlungsleitenden Rahmen darstellen. Der Paradigmen/Trajektorien-Ansatz gibt eine grobe Vorstellung von der Richtung und in Abhängigkeit von den technologischen Möglichkeiten von der Geschwindigkeit des technologischen Fortschritts, womit über den Prozess der Entstehung und Ausbreitung von Innovationen im obigen prozessbezogenen Sinne Aussagen abgeleitet werden können.

3.3 Beschränkte Rationalität

Wegen der substanziellen und der prozessualen Unsicherheit des Innovationsprozesses sind die Akteure mit einem Informations- und einem Kompetenzdefizit konfrontiert, wodurch ein optimaler Problemlösungsalgorithmus in unerreichbare Ferne rückt. Ihr Verhalten wird nicht mehr von Optimierung geleitet, vielmehr werden in ungewissen Entscheidungssituationen nur beschränkt rationale Verhaltensweisen an den Tag gelegt. Das auf Simon (1955, 1979) zurückgehende Konzept der beschränkten Rationalität grenzt sich in diesem Sinne von dem neoklassischen Rationalitätspostulat ab, womit allerdings nicht gemeint ist, dass sich die Akteure vollständig irrational verhalten. Vielmehr werden die Akteure weiterhin versuchen, logisch konsistente und rationale Entscheidungen zu treffen, was ihnen aber nur innerhalb des Rahmens ihrer Fähigkeiten und ihres Informationsstandes möglich ist. Die mit Innovationsprozessen untrennbar verbundene Unsicherheit beschränkt ihr Entscheidungskalkül.

Einschränkungen im rationalen Verhalten werden auch von Ergebnissen der experimentellen Psychologie unterstützt (vgl. Kahneman und Tversky 1979, 1986). In Bezug auf den unternehmerischen Innovationsprozess ergeben diese Untersuchungen, dass Abweichungen von rationalen Verhaltensweisen (i) von der Art der Problemstellung abhängen (framing-effects). (ii) Ebenso werden Abweichungen von rationalen Entscheidungskalkülen zu beobachten sein, wenn nicht mit unmittelbaren, sondern erst verzögerten Konsequenzen aus den Handlungen zu rechnen ist, wie das bei Entscheidungen Forschungsprojekte durchzuführen, regelmäßig der Fall ist. Ein weiterer Grund für von rationalen Entscheidungen abweichende Verhaltensweisen liegt (iii) in einer sich verändernden und instabilen Umwelt, die die Rahmenbedingungen für die Entscheidung darstellt und (iv) in Informationslücken bezüglich der Konsequenzen alternativer Verhaltensweisen. Sowohl instabile Rahmenbedingungen als auch durch unvollständige Information verursachte Unsicherheit stellen wesentliche Merkmale des Innovationsprozesses dar, so dass auch diese Voraussetzungen für von rationalem Verhalten abweichenden Entscheidungen erfüllt sind. Schließlich werden (v) Informationen, die auf eigene Erfahrung zurückgehen, höher eingeschätzt als externe Informationen. Mit Bezug auf unternehmerisches Innovationsverhalten spricht man in diesem Zusammenhang auch von dem Not-invented-here-Syndrom, wenn externen Informationen nur mit großer Skepsis begegnet wird. Im Innovationsprozess führt das zu den Schwierigkeiten etablierter Unternehmen, sich mit radikalen Innovationen auseinanderzusetzen, auf die auch von Simon (1991, S. 130) hingewiesen wird:

„It can be highly dysfunctional for a laboratory to live with the belief that its main product is the new knowledge produced by its inhouse research. Such belief produces the Not-Invented-Here phenomenon, with a consequent reinvention of many wheels.“

Der Innovationsprozess wird in der modernen evolutorischen Ökonomik zu einem Lern- und Experimentierprozess, in dem neue und fehlerbehaftete Verhaltensweisen ausprobiert und in Abhängigkeit von der jeweiligen Situation modifiziert werden. Die prozessuale Rationalität beinhaltet somit ein Verhalten, das eine fehlerhafte Suche (trial-and-error) nach neuen Problemlösungen mit noch vollkommen unsicheren Konsequenzen beinhaltet. Zusammenfassend lässt sich mit Simon (1986, S. 27) sagen:

„The rational person of neoclassical economics always reaches the decision that is objectively, or substantively, best in terms of the given utility function. The rational person of cognitive psychology goes about making his or her decisions in a way that is procedurally reasonable in the light of the available knowledge and means of computation.“

Die Fragen, die von den Unternehmen in ihren Innovationsentscheidungen zu beantworten sind, richten sich in der Realität nicht auf die Ableitung eines optimalen F&E-Mitteleinsatzes. Eine Analyse der unternehmerischen Entscheidungen im Innovationsprozess muss die Prozesse beinhalten, die für das jeweilige Problembewusstsein und die entsprechende Problemformulierung verantwortlich sind. Vor dem Hintergrund eines hochgradig komplexen Geflechts technologischer Beziehungen und der potenziellen Erschließung neuer technologischer Möglichkeiten über die gegenseitige Befruchtung unterschiedlicher Technologien, rücken Fragen nach einem optimalen Entscheidungskalkül somit zugunsten von prozessrationalen Verhaltensweisen in den Hintergrund. Mit Hilfe des Konzepts der Prozessrationalität sind echte Innovationsentscheidungen analysierbar, die im Sinne der evolutorischen Ökonomik zunächst unbekannte Alternativen ermöglichen, und die über ihre eigenen Ergebnisse wieder auf die ursprünglichen Entscheidungsgrundlagen zurückwirken.

3.4 Satisfycing Behaviour

Worin liegt nun das Ziel unternehmerischer Aktivitäten, wenn ihre Anstrengungen nicht mehr auf die Maximierung des Gewinns gerichtet sind? Hiermit ist gleichzeitig die Frage nach der Motivation innovativen Handelns gestellt, die von der neoklassischen Theorie nicht beantwortet werden kann, da unvorhersehbare zukünftige Ereignisse per definitionem nicht mit in das Optimalkalkül aufgenommen werden. Neben einer ökonomisch nicht weiter erklärbaren Hypothese, dass Individuen Spannung und Freude durch zuvor unbekannte kognitive Reize erfahren, wodurch eine mehr oder weniger stark ausgeprägte individuelle Neugier entsteht, findet Witt (1992, S. 30–31) eine weitere Motivationshypothese in dem Konzept des Satisfycing, das ebenfalls auf die behavioristische Theorie der Firma von Herbert Simon (1955) und James G. March und Herbert Simon (1958) zurückgeht und in einem engen Zusammenhang mit dem Konzept der beschränkten Rationalität steht.

Der Idee des Satisfycing zufolge entwickeln die Unternehmen immer dann innovative Aktivitäten, wenn ihre erzielten Ergebnisse unterhalb eines bestimmten variablen Anspruchsniveaus liegen. Dieses Anspruchsniveau leitet sich aus Erfahrungen ab. Immer dann, wenn es zwischen dem erzielten Ergebnis und dem Anspruchsniveau zu Diskrepanzen kommt, versuchen die Unternehmen über eine Veränderung ihrer Verhaltensweisen – in unserem Zusammenhang F&E-Tätigkeiten – ihr Anspruchsniveau wieder zu befriedigen. Mit Hilfe des Konzepts des Satisfycing ist somit die Erklärung innovativer Verhaltensweisen möglich, ohne bereits ex-ante schon sämtliche Konsequenzen kennen zu müssen. Stattdessen wird die Motivation zur Entfaltung von Neuerungsaktivitäten durch den Rückgriff auf vergangene und gegenwärtige Zustände erklärt.

3.5 Routinen

Es ist das Verdienst von Winter (1971) und Nelson und Winter (1982) mit dem Konzept der Routinen die Verbindung zwischen den behavioristischen Ansätzen in der Theorie der Firma und der modernen evolutorischen Ökonomik hergestellt zu haben. Auch wenn Innovationsprozesse untrennbar mit echter substanzieller und prozessualer Unsicherheit sowie mit beschränkter Rationalität einhergehen, legen die Unternehmen die Höhe ihrer F&E-Budgets nicht willkürlich fest. Sie wägen ihr Verhalten in einer nur begrenzt überschaubaren Umgebung ab und greifen dabei auf bestimmte Heuristiken und Daumenregeln zurück, wodurch Strukturen und Regelmäßigkeiten entstehen.

Für solche, über längere Zeiträume, regelgebundenen Verhaltensweisen haben Nelson und Winter (1982) den Begriff Routine geprägt, der in der Literatur eine weite Verbreitung gefunden hat. Nach einer Taxonomie von Winter (1994; vgl. auch Cohen et al. 1996) können Routinen in zwei Subgruppen unterteilt werden. Zum einen umfasst der Begriff Routine (im engeren Sinne) nur intuitives Verhalten, das heißt vergleichsweise komplexe Verhaltensweisen, die in bestimmten Situationen automatisch aufgerufen werden. Zum anderen fallen unter Routinen (in einer etwas weiter gefassten Interpretation) auch Daumenregeln, worunter Winter einfache quantitative Entscheidungsregeln versteht, die bewusst herangezogen werden, und deren Vorteil in vergleichsweise niedrigen Anforderungen an die Informationsverarbeitungskapazität liegt. Hierunter fallen im Innovationsprozess beispielsweise „rules for determining R&D expenditures […] in relation to sales“ (Cohen et al. 1996, S. 664).

Zur Erklärung der Entstehung von Routinen kann das Konzept des Satisfycing herangezogen werden. Routinen bilden sich aus Verhaltensweisen, die sich in der Vergangenheit über einen längeren Zeitraum hinweg als erfolgreich erwiesen haben. Solange die Resultate als befriedigend empfunden werden, besteht kein Anreiz von dem bisherigen Verhalten abzuweichen. Auf diese Weise wird es zum routinisierten Verhalten.

3.6 Unterschiedlichkeit als Quelle für Neuerungen

Aufgrund nur beschränkter Fähigkeiten und der Unsicherheit des Innovationsprozesses können die Unternehmen die ihnen offenstehenden Handlungsalternativen und technologischen Chancen nur selektiv und in Abhängigkeit des angesammelten Erfahrungsschatzes und Wissens wahrnehmen. In den neoklassischen Modellen wird die deshalb notwendigerweise auftretende Verhaltens- und Technologieheterogenität durch den Rückgriff auf einen repräsentativen Agenten beziehungsweise Unternehmen unterdrückt. Aufgrund des unterstellten Rationalitätspostulats ist eine Analyse voneinander abweichender Verhaltensweisen nicht notwendig, da es sich zum einen nur um vorübergehende Abweichungen handeln kann, die sich andererseits, wenn sie längerfristiger Natur sein sollten, im Marktprozess nicht behaupten könnten, das heißt, die entsprechenden Unternehmen würden wegen ihrer Suboptimalität aus dem Markt ausscheiden.

Die evolutorische Ökonomik betont dagegen gerade die Rolle der Unterschiedlichkeit der Unternehmen – insbesondere in technologischer Hinsicht – als wichtiges Innovationspozential. Dies wird besonders deutlich in dem großen Gewicht externer Wissensquellen und der Hervorhebung von Cross-fertilization-Effekten. Vor diesem Hintergrund werden auch in der theoretischen Betrachtung des Innovationsprozesses explizit Verhaltens- und Technologieunterschiede zugelassen.

Zur Erklärung der Voraussetzungen für die Entstehung von Neuerungen werden Mechanismen unterstellt, die sich auch in der biologischen Evolutionstheorie für Entwicklung verantwortlich zeichnen: Mutation beziehungsweise Variation und Selektion. Betrachtet man den Innovationsprozess aus der evolutorischen Perspektive, ist die neoklassische Homogenitäts-Annahme nicht mehr aufrechtzuerhalten: Zum einen ist die Unterschiedlichkeit in den Ausprägungen notwendige Voraussetzung für Selektion (Schumpeters Innovationswettbewerb) zum anderen sind heterogene Strukturen das zwangsläufige Ergebnis einer wirtschaftlichen und technologischen Entwicklung. Sind Mutationen in der Biologie rein zufallsbedingt, spielen in der ökonomischen Entwicklung Intentionen der Handelnden eine Rolle, was den entscheidenden Unterschied der Innovation in der kulturellen Evolution im Vergleich zur Mutation in der biologischen Evolution ausmacht.

3.7 Pfadabhängigkeiten und historische Zeit

Betrachtet man die Fertigkeiten und das Know-how der Unternehmen als unvollständig, aber sich ständig in dynamischer Weise verändernd, rückt der prozessuale Charakter des Innovationsprozesses in den Vordergrund. Mit dem Verzicht auf eine optimale Referenzgröße geht allerdings gleichzeitig sowohl die Verabschiedung einer ausschließlichen Orientierung auf Gleichgewichtszustände als auch die Heranziehung zeitabhängiger Konzepte wie Pfadabhängigkeit und Historizität einher.

Unter Pfadabhängigkeiten versteht man die Abhängigkeit gegenwärtiger von vergangenen Zuständen. Auf der einen Seite stellen sie sich aufgrund des Entscheidungsverhaltens bei beschränkter Rationalität ein. Die Verhaltens- und Entscheidungsregeln der Unternehmen sowie ihre Handlungsziele beruhen auf den in der Vergangenheit kumulierten Erfahrungen, die sich in ihren Routinen widerspiegeln. Auf der anderen Seite werden die Pfadabhängigkeiten durch den kumulativen und lokalen Charakter technischen Fortschritts noch verstärkt. Nelson (1995) beschreibt die Kumulativität von Technologien folgendermaßen: „In a cumulative technology, today’s technical advances build from and improve upon technology that was available at the start of the period, and tomorrow’s in turn builds on today’s“ (S. 74).

Die Suchaktivitäten richten sich meist auf den bereits beschrittenen Technologiepfad, da nur so auf bereits akkumulierte Erfahrungen zurückgegriffen werden kann. Das bedeutet, dass nicht alle potenziellen Entwicklungsrichtungen ausprobiert werden, sondern die Auswahl durch die bereits in der Vergangenheit eingesetzten Technologien und Verfahren beschränkt ist. Es werden solche Verhaltensweisen an den Tag gelegt, die von den Unternehmen am besten beherrscht werden.

Die Eigenschaft der Pfadabhängigkeit steht mit der Eigenschaft der Historizität bzw. der Irreversibilität bereits eingetretener Entwicklungen in einem engen Zusammenhang. In den neoklassischen Modellen können Innovationen prinzipiell – aufgrund der Anlehnung an die Newtonsche Mechanik – auch wieder zurückgenommen werden; ein Ereignis ist somit vollständig reversibel, weil „it can follow the same course phase by phase in the reverse order“ (Georgescu-Roegen 1971, S. 196). In ökonomischen Prozessen ist allerdings in den seltensten Fällen mit Reversibilität zu rechnen, insbesondere Innovationen und der durch sie erzeugte Wandlungsprozess sind vielmehr durch Irreversibilität gekennzeichnet: Einmal eingetretene Entwicklungen können nicht mehr zurückgenommen werden. Durch die Irreversibilität der Ereignisse wird die Zeit zur historischen Zeit.

Die Bedeutung der Brechung der Symmetrie zwischen Vergangenheit und Zukunft und der Gerichtetheit des Zeitvektors wurde dabei zunächst in der theoretischen Physik erkannt (vgl. Prigogine und Stengers 1993) fand aber auch schon vergleichsweise früh Eingang in die ökonomische Analyse. Beispielsweise zeigt Paul David (1975) dass durch die Berücksichtigung unvollständigen Wissens Ergebnisse erzeugt werden, die in einem Widerspruch zur neoklassischen Theorie stehen. So werden in seinem Modell die Entscheidungen der Unternehmen eine Funktion ihrer Geschichte, und es treten Pfadabhängigkeiten und Irreversibilitäten auf.

4 Zusammenfassung und Ausblick

Innovationsgetriebene wirtschaftliche Entwicklung, Strukturwandel, große Wirtschaftskrisen, rasante ökonomische Aufholprozesse, Transformation des ökonomischen Systems zur Nachhaltigkeit – alles Schlagworte, die die wirtschaftspolitische und gesellschaftliche Diskussion im beginnenden 21. Jahrhundert intensiv beschäftigen und Fragestellungen aufwerfen, die so nur von der evolutorischen Ökonomik bearbeitet werden können. Dies erklärt warum nach fast vier Jahrzehnten die moderne evolutorische Ökonomik sich international und vor allem in der wirtschaftspolitischen Anwendung ein sehr gutes Ansehen verschafft hat. Längst ist die evolutorische Ökonomik über die frühe Phase einer ausschließlich kritischen Auseinandersetzung mit dem ökonomischen Mainstream entwachsen und bietet eigenständige Erklärungen für besonders relevante wirtschaftliche Probleme an. Am erfolgreichsten ist die evolutorische Ökonomik sicherlich durch die Theorie der Innovationssysteme, die heute weltweit das Design innovationspolitischer Instrumente beeinflusst.

Die Ausführungen in diesem Handbuchartikel zeigen auf, wie ausgehend vom Untersuchungsgegenstand – der durch Innovationen angestoßenen dynamischen wirtschaftlichen Entwicklung – sich zunächst eine empirisch fundierte deutliche Vorstellung von Innovationsprozessen breitgemacht hat, die dann zu den Ansätzen der modernen Evolutionsökonomik führte. Der vorliegende Artikel kann die relevanten Theorien und Konzepte nur verkürzt darstellen. Deshalb sei an dieser Stelle auf zwei aktuelle Veröffentlichungen zur Vertiefung hingewiesen: Nelson et al. (2018) fassen den gegenwärtigen Stand der evolutorischen Ökonomik in einer umfänglichen Weise zusammen. Pyka und Dopfer (2018) haben in einer vierbändigen Aufsatzsammlung die wichtigsten Beiträge, die zur modernen evolutorischen Ökonomik führten, zusammengeführt und kommentiert.

Betrachtet man die aktuellen Entwicklungen in der evolutorischen Ökonomik, sind zwei Trends bemerkenswert, die die zukünftige Bedeutung der evolutorischen Ökonomik voraussichtlich maßgeblich beeinflussen werden: Zum einen spielt nach wie vor die empirische Erfassung der Innovationsdynamik eine wichtige Rolle, die durch neue Datenquellen und neue Methoden (z. B. Netzwerkanalyse, siehe Pyka 2002) neue Einsichten in Innovationsprozesse generiert. Zum andern kommen in der modernen evolutorischen Ökonomik mehr und mehr Ansätze aus der sogenannten Komplexitätsökonomik (vgl. Arthur 2014) zur Anwendung, insbesondere spielen empirisch motivierte agenten-basierte Simulationen (Pyka und Fagiolo 2007) eine wichtige Rolle. Betrachtet man die Fragestellungen, die gegenwärtig wissenschaftlich angegangen werden, wird deutlich, warum eine bessere Durchdringung komplexer wirtschaftlicher Prozesse, wie sie die moderne evolutorische Ökonomik ermöglicht, unverzichtbar ist: Eines der wichtigsten neuen Forschungsfelder in der evolutorischen Ökonomik ist die Behandlung der Transformation von Wirtschaftssystemen, welche vor dem Hintergrund der Nachhaltigkeitsdiskussion existenzielle Bedeutung für Wirtschaft und Gesellschaft zu Beginn des 21. Jahrhunderts hat (Schlaile et al. 2017).

Literatur

  1. Abernathy, William J., und James M. Utterback. 1978. Patterns of industrial innovation. Technology Review 7:40–47.Google Scholar
  2. Abramovitz, Moses. 1993. The search for the sources of growth: Area of ignorance, old and new. Journal of Economic History 53(2): 217–243.CrossRefGoogle Scholar
  3. Abramowitz, Moses. 1956. Resource and output trends in the United States since 1870. American Economic Review 46:5–23.Google Scholar
  4. Arrow, Kenneth J. 1962. Economic welfare and the allocation of resources. In The rate and direction of inventive activity: Economic and social factors, Hrsg. Richard R. Nelson, 609–626. Princeton: Princeton University Press.Google Scholar
  5. Arthur, Brian. 2014. Complexity and the economy. Oxford: Oxford University Press.Google Scholar
  6. Atkinson, Anthony B., und Joseph E. Stiglitz. 1969. A new view of technological change. Economic Journal 79:116–131.CrossRefGoogle Scholar
  7. Carlsson, Bo, und Ryszard Stankiewicz. 1991. On the nature, function and composition of technological systems. Journal of Evolutionary Economics 1:93–118.CrossRefGoogle Scholar
  8. Clark, Norman, und Calestous Juma. 1987. Long run economics – an evolutionary approach to economic growth. London: Pinter Publishers.Google Scholar
  9. Cohen, Michael D., Roger Burkhart, Giovanni Dosi, Massimo Egidi, Luigi Marengo, Massimo Warglien, und Sidney G. Winter. 1996. Routines and other recurring action patterns of organizations: Contemporary reseach issues. Industrial Structure and Corporate Change 5:653–698.CrossRefGoogle Scholar
  10. Cooke, Phil, Mikel Uranga, und Goio Etxebarria. 1997. Regional innovation systems: Institutional and organizational dimensions. Research Policy 26(4–5): 475–491.CrossRefGoogle Scholar
  11. Coombs, Rod W. 1988. Technological opportunities and industrial organization. In Technical change and economic theory, Hrsg. Giovanni Dosi, Christopher Freeman, Richard R. Nelson, Gerald Silverberg und Luc Soete, 295–308. London: Pinter Publishers.Google Scholar
  12. Cyert, Richard M., und James G. March. 1963. A behavioural theory of the firm. Cambridge: Blackwell.Google Scholar
  13. Dasgupta, Partha. 1986. The theory of technological competition. In New developments in the analysis of market structure. International economic association series, 77, Hrsg. Joseph E. Stiglitz und Frank G. F. Mathewson, 519–549. London: Palgrave Macmillan.CrossRefGoogle Scholar
  14. David, Paul. 1975. Technical choice, innovation and economic growth. London: Cambridge University Press.Google Scholar
  15. De Bresson, Chris. 1987. The evolutionary paradigm and the economics of technical change. Journal of Economic Issues 21:751–762.CrossRefGoogle Scholar
  16. Dopfer, Kurt. 2004. The economic agent as rule maker and rule user: Homo sapiens oeconomicus. Journal of Evolutionary Economics 14:177–195.CrossRefGoogle Scholar
  17. Dosi, Giovanni. 1982. Technological paradigms and technological trajectories: A suggested interpretation of the determinants and directions of technological change. Research Policy 11: 147–162.CrossRefGoogle Scholar
  18. Dosi, Giovanni. 1988. Sources, procedures, and microeconomic effects of innovation. Journal of Economic Literature 24:1120–1171.Google Scholar
  19. Dosi, Giovanni, und Massimo Egidi. 1991. Substantive and procedural rationality, an exploration of economic behaviour under uncertainty. Journal of Evolutionary Economics 1:145–168.CrossRefGoogle Scholar
  20. Faber, Malte, und John L. Proobs. 1990. Evolution, time, and the environment. Berlin: Springer.Google Scholar
  21. Frantz, Roger, Shu-Heng Chen, Kurt Dopfer, Floris Heukelom, und Shabnam Mousavi, Hrsg. 2017. Routledge handbook of behavioural economics. New York/Abingdon: Routledge.Google Scholar
  22. Georgescu-Roegen, Nicholas. 1971. The entropy law and the economic process. Cambridge: Cambridge University Press.CrossRefGoogle Scholar
  23. Imai, Ken, und Yasunori Baba. 1991. Systemic innovation and cross-border networks, transcending markets and hierachies to create a new techno-economic system. In Technology and productivity: The challenge for economic policy, Hrsg. OECD, 389–405. Paris: OECD.Google Scholar
  24. Kahneman, Daniel, und Amos Tversky. 1979. Prospect theory. Econometrica 47:263–291.CrossRefGoogle Scholar
  25. Kahneman, Daniel, und Amos Tversky. 1986. Rational choices and the framing of decisions. In Rational choice, the contrast between economics and psychology, Hrsg. Robin M. Hogarth und Melvin W. Reder, 251–278. Chicago: University of Chicago Press.Google Scholar
  26. Knight, Frank H. 1921. Risk, uncertainty and profit. Chicago: The Riverside Press.Google Scholar
  27. Kodama, Fumio. 1986. Technology fusion and the new R&D. Harvard Business Review 1992: 70–78.Google Scholar
  28. Kuhn, Thomas S. 1962. The structure of scientific revolution. Chicago: Chicago University Press.Google Scholar
  29. Lundvall, Bengt-Ake. 1992. National systems of innovation: Toward a theory of innovation and interactive learning. London: Pinter.Google Scholar
  30. Malerba, Franco. 2002. Sectoral systems of innovation and production. Research Policy 31: 247–264.CrossRefGoogle Scholar
  31. Mokyr, Joel. 1990. The lever of riches. New York: Oxford University Press.Google Scholar
  32. Nelson, Richard R. 1989a. Capitalism as an engine of progress. In Industrial dynamics, Hrsg. Bo Carlsson, 177–192. Boston: Kluwer Academic Publishers.CrossRefGoogle Scholar
  33. Nelson, Richard R. 1989b. What is private and what is public about technology? Science, Technology & Human Values 14(3): 229–241.CrossRefGoogle Scholar
  34. Nelson, Richard R. 1993. National innovation systems. Oxford: Oxford University Press.Google Scholar
  35. Nelson, Richard R. 1995. Recent evolutionary theorizing about economic change. Journal of Economic Literature XXXIII:48–90.Google Scholar
  36. Nelson, Richard R., und Sidney G. Winter. 1982. An evolutionary theory of economic change. Cambridge, MA: Cambridge University Press.Google Scholar
  37. Nelson, Richard R., Giovanni Dosi, Connie Helfat, Andreas Pyka, Pier-Paolo Saviotti, Keun Lee, Kurt Dopfer, Franco Malerba, und Sidney G. Winter. 2018. Modern evolutionary economics – An overview. Cambrdige, UK: Cambridge University Press.CrossRefGoogle Scholar
  38. Pavitt, Keith. 1984. Sectoral patterns of technical change, towards a taxonomy and a theory. Research Policy 13:343–373.CrossRefGoogle Scholar
  39. Polanyi, Michael. 1962. Personal knowledge: Towards a post-critical philosophy. New York: Harper Torchbook.Google Scholar
  40. Prigogine, Ilya, und Isabelle Stengers. 1993. Das Paradox der Zeit. Zeit, Chaos und Quanten. München: Piper.Google Scholar
  41. Pyka, Andreas. 1999. Der kollektive Innovationsprozess – Eine theoretische Analyse informeller Netzwerke und absorptiver Fähigkeiten. Berlin: Duncker & Humblot.CrossRefGoogle Scholar
  42. Pyka, Andreas. 2002. Innovation networks in economics: From the incentive-based to the knowledge-based approaches. European Journal of Innovation Management 5(3): 152–163.CrossRefGoogle Scholar
  43. Pyka, Andreas. 2017. Dedicated innovation systems to support the transformation towards sustainability: Creating income opportunities and employment in the knowledge-based digital bioeconomy. Journal of Open Innovation: Technology, Market, and Complexity 3(27).Google Scholar
  44. Pyka, Andreas, und Kurt Dopfer. 2018. Evolutionary economics. London: Routledge.Google Scholar
  45. Pyka, Andreas, und Giorgio Fagiolo. 2007. Agent-based modelling: A methodology for a neo-schumpeterian modelling. In The Elgar companion on neo-schumpeterian economics, Hrsg. Horst Hanusch und Andreas Pyka, 467–492. Cheltenham: Edward Elgar.Google Scholar
  46. Rosenberg, Nathan. 1982. Inside the black-box: Technology and economics. New York: Cambridge University Press.Google Scholar
  47. Schlaile, Michael, Sophie Urmetzer, Vincent Blok, Allan Dahl Andersen, Job Timmermans, Matthias Mueller, Jan Fagerberg, und Andreas Pyka. 2017. Innovation systems for transformations towards sustainability? Taking the normative dimension seriously. Sustainabillity 9(12).Google Scholar
  48. Schumpeter, Joseph A. 1950. Capitalism, socialism and democracy, 3. Aufl. New York: Harper.Google Scholar
  49. Schumpeter, Joseph A. 1993 [1911]. Theorie der wirtschaftlichen Entwicklung, 8. Aufl. Berlin: Duncker & Humblot.Google Scholar
  50. Simon, Herbert A. 1955. A behavioural model of rational choice. Quarterly Journal of Economics 69:98–118.CrossRefGoogle Scholar
  51. Simon, Herbert A. 1979. Rational decision making in business organizations. American Economic Review 69:493–513.Google Scholar
  52. Simon, H. 1986. Rationality in Psychology and Economics. In Rational choice, the contrast between Economics and Psychology, Hrsg. R. M. Hogarth und M. W. Reder. Chicago: University of Chicago Press.Google Scholar
  53. Simon, Herbert A. 1991. Bounded rationality and organizational learning, Organization. Science 2: 125–134.Google Scholar
  54. Simon, Herbert A., und James G. March. 1958. Organizations. New York: Blackwell.Google Scholar
  55. Solow, Robert. 1956. A contribution to the theory of economic growth. Quarterly Journal of Economics 70:65–94.CrossRefGoogle Scholar
  56. Solow, Robert. 1957. Technical change and the aggregate production function. Review of Economic Statistics 47:312–320.CrossRefGoogle Scholar
  57. Van der Panne, Gerben, Cees van Beers, und Alfred Kleinknecht. 2003. Success and failure of innovation: A literature review. International Journal of Innovation Management 7(3): 309–338.CrossRefGoogle Scholar
  58. Veblen, Thorstein B. 1898. Why is economics not an evolutionary science? Quarterly Journal of Economics 12:371–397.CrossRefGoogle Scholar
  59. Winter, S. G. 1971. Satisficing, Selection and the innovating remnant. Quarterly Journal of Economics 85:237–261.CrossRefGoogle Scholar
  60. Winter, Sidney G. 1994. Schumpeterian competition in alternative technological regimes. Journal of Economic Behaviour and Organization 5:287–320.CrossRefGoogle Scholar
  61. Witt, Ulrich. 1987. Individualistische Grundlagen der evolutorischen Ökonomik. Tübingen: Mohr Siebeck.Google Scholar
  62. Witt, Ulrich. 1992. Überlegungen zum gegenwärtigen Stand der evolutorischen Ökonomik. In Evolutorische Ökonomik: Neuerungen, Normen und Institutionen, Hrsg. Bernd Bievert, 23–55. Frankfurt a. M.: Campus Verlag.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Institut für VolkswirtschaftslehreUniversität HohenheimStuttgartDeutschland

Personalised recommendations