Skip to main content
main-content

Open Access 2023 | Open Access | Buch

Buchtitelbild

Effectuation entwickeln

Ein auf Reinforcement Learning aufbauender agentenbasierter Modellierungsbeitrag zur Formalisierung unternehmerischen Verhaltens

share
TEILEN
insite
SUCHEN

Über dieses Buch

In diesem Open-Access-Buch wird ein Rahmenwerk entwickelt, das simulationsbezogene Untersuchungen von Effetcuation ermöglicht und gleichzeitig die Grundlage für die Entwicklung von gründungsunterstützenden Entscheidungssystemen schafft. Es wird diskutiert, inwieweit effektuatives Lernen modelliert und algorithmisch interpretiert werden kann. Auf Basis der Vorstellung und kritischen Evaluierung aktueller Simulationsmodelle, die Effectuation abbilden, wird mit Hilfe von Methoden agentenbasierter Modellierung und des Reinforcement Learnings ein aggregiertes Modell entwickelt, das effektuatives Verhalten im Rahmen einer prototypischen Gründungssituation ermöglicht. Die Ergebnisse zeigen, dass ein entrepreneurialer Agent in der Lage ist, effektuatives Verhalten zu erlernen. Leistungsunterschiede während des Lernens ergeben sich bei Veränderung seiner Umgebung. Der Erfolg des Agenten ist abhängig von der Verbindlichkeit potentieller Partner und Kunden. Weiterhin lässt sich ein Lernerfolg feststellen, wenn der Agent das Affordable-Loss-Prinzip in Verbindung mit marktkonformem Verhalten anwendet. Mit dem entwickelten Modell können künftig, unter Einbeziehung des Entscheidungsverhaltens eines realen Entrepreneurs, weitere Untersuchungen zum effektuativen Lernverhalten durchgeführt werden.

Inhaltsverzeichnis

Frontmatter

Open Access

Kapitel 1. Einleitung
Zusammenfassung
Im Bereich des Entrepreneurships hat sich ein Ansatz herausgebildet, der das Vorgehen von Gründern in einem unsicheren Umfeld beschreibt und unter dem Begriff Effectuation bekannt ist. Bisher werden in der Effectuation-Forschung mit Hilfe qualitativer und quantitativer Methoden insbesondere zeitpunktbezogene Zusammenhänge untersucht. Die Betrachtung von Effectuation aus prozessthoretischer Sicht erlaubt darüber hinaus entrepreneuriale Wirkungsweisen im Zeitverlauf zu verstehen. Ziel der vorliegenden Arbeit ist es, die Effectuation-Theorie um einen prozessorientierten Beitrag zu erweitern sowie Elemente bestehender Modelle zu aggregieren und um den Baustein effektuativen Lernens zu ergänzen.
Martin Sterzel

Open Access

Kapitel 2. Aspekte entscheidungstheoretischer Grundlagen im Rahmen von Effectuation
Zusammenfassung
Effectuation erweitert das Gebiet entscheidungstheoretischer Konzepte und versucht sich von bisherigen Ansätzen, wie beispielsweise dem bayesschen Schließen, abzugrenzen. Im Rahmen des Kapitels wird Sarasvathy’s Interpretation des bayesschen Wahrscheinlichkeitsbegriffs unter Zuhilfenahme der Bildung eines Wahrscheinlichkeitsraumes mathematisch formalisiert. Darüber hinaus werden Ansätze des maschinellen Lernens im Kontext von Effectuation erarbeitet, die über die bisher in der Literatur zu findenden Ausführungen hinausgehen. Sie stellen die Grundlage für das in der Arbeit entwickelte effektuative Entscheidungsmodell dar.
Martin Sterzel

Open Access

Kapitel 3. Evaluierung bestehender Modellierungs- und Simulationsansätze im Kontext von Effectuation
Zusammenfassung
Die Auseinandersetzung mit bestehenden Konzepten zur Modellierung von Effectuation dient einerseits einer Annäherung an die Forschungsfrage und andererseits der methodischen Aufarbeitung der Ansätze. Die in diesem Kapitel behandelten Simulationsmodelle werden zunächst beschreibend dargestellt und deren Wirkungsweisen im Kontext des realen entrepreneurialen Phänomens rläutert. Darauf aufbauend erfolgen die Verifikation sowie mathematische Formalisierung und Modellierung. Anschließend werden die Ergebnisse der bestehenden Studien kritisch evaluiert und mit den aus replizierten Implementierungen gewonnenen Ergebnissen verglichen.
Martin Sterzel

Open Access

Kapitel 4. Forschungsmethodik
Zusammenfassung
Zur algorithmischen Interpretation von Effectuation kommen Ansätze agentenbasierter Modellierung zum Einsatz. Zur Abbildung effektuativen Lernens werden Methoden des Reinforcement Learnings zur Anwendung gebracht. Anhand einer protypischen Gründungssituation wird ein Zustandsraum gebildet, der als Lernumgebung des effektuativen Agenten dient. Durch Modellierung einer Belohnungsfunktion erhält der entrepreneuriale Agent die Möglichkeit Effectuation zu erlernen. Die Verwendung des Q-Learning-Algorithmus als Lernstrategie erlaubt die Modellierung der Kernelemente des entrepreneurialen Problemraums.
Martin Sterzel

Open Access

Kapitel 5. Ergebnisse des Lernprozesses
Zusammenfassung
Das Lernverhalten des effektuativen Agenten wird bei Veränderung der Dynamiken der Lernumgebung sowie verschiedener Parameter untersucht. Es werden Leistungsvergleiche bei Manipulation der Belohnungsfunktion, Variation der Transitionswahrscheinlichkeiten sowie ausgewählter Hyperparameter angestellt. Die Ergebnisse zeigen, dass ein Agent grundsätzlich in der Lage ist effektuative Prinzipien zu erlernen. Es werden Parameter- und Umgebungskonstellationen eruiert, die effektuatives Lernen begünstigen.
Martin Sterzel

Open Access

Kapitel 6. Zusammenfassung und Ausblick
Zusammenfassung
In diesem Kapitel werden die wesentlichen Erkenntnisse und Grenzen der Arbeit herausgestellt und weitere Forschungspotentiale aufgezeigt. Durch die Verwendung von Reinforcement Learning und agentenbasierter Modellierungsmethoden wurde die Operationalisierung des entrepreneurialen Problemraums realisiert und effektuatives Lernen ermöglicht. Das realweltliche Phänomen einer Unternehmensgründung konnte aus Gründen der Komplexitätsreduzierung im entwickelten Modellansatz nur unter Einschränkungen erfasst werden. Weitere Forschungspotentiale ergeben sich hinsichtlich der Evaluierung weiterer Lernstrategien, modifizierter Belohnungsfunktionen sowie der Anpassung der Lernumgebung des Agenten.
Martin Sterzel
Backmatter
share
TEILEN
Metadaten
Titel
Effectuation entwickeln
verfasst von
Martin Sterzel
Copyright-Jahr
2023
Electronic ISBN
978-3-658-39251-2
Print ISBN
978-3-658-39250-5
DOI
https://doi.org/10.1007/978-3-658-39251-2

Premium Partner