@techreport{Seidlmeier2021, type = {Working Paper}, author = {Seidlmeier, Heinrich}, title = {Experimentelle Untersuchung der sozialen Beziehungen in einem Prozessnetzwerk - Vorgehen, Ergebnisse, Erkenntnisse}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:861-opus4-17585}, pages = {25}, year = {2021}, abstract = {Die Beteiligten eines betrieblichen Prozesses erzeugen durch ihre meist sequenzielle Zusammenarbeit ein Netzwerk aus fachlichen Beziehungen. Dieses Netzwerk wird in diesem Papier als aufgabenbezogenes Prozessnetzwerk oder auch als Transaktionsnetzwerk bezeichnet. Durch die Arbeitsbeziehungen entstehen weiterhin zwangsl{\"a}ufig pers{\"o}nliche Beziehungen zwischen den Beteiligten. Es entsteht ein zweites, soziales Netzwerk. In diesem Arbeitspapier wird experimentell untersucht, wie ein typischer betrieblicher Prozess (zur Auftragsbearbeitung) {\"u}ber sein Transaktionsnetzwerk die entstehenden sozialen Beziehungen zwischen den (studentischen) Akteuren beeinflusst. Die Unterscheidung in Output- und Input-Transaktionen sowie in aktive und passive Bekanntschaft („A kennt B", „A wird von B gekannt") erweist sich hierbei als erkenntnisf{\"o}rdernd. Naheliegend spielt auch die H{\"a}ufigkeit der pers{\"o}nlichen Kontakte eine Rolle. Damit konzentriert sich dieses Paper auf einen speziellen Aspekt der aktuell kaum beachteten Prozessnetzwerke. Das eigentliche Forschungsinteresse liegt mehr darin, Prozessnetzwerke zur empirisch fundierten, theoretischen Erkl{\"a}rung und Gestaltung von betrieblichen Prozessen einzusetzen. Das daf{\"u}r zur Verf{\"u}gung stehende „Instrumentarium" der Netzwerkforschung wird in diesem Papier bestenfalls angedeutet.}, subject = {Netzwerkforschung}, language = {de} } @techreport{Eierle2021, type = {Working Paper}, author = {Eierle, Benno}, title = {Mechanische Kennwerte - vom Versuch zum statischen Nachweis}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:861-opus4-16425}, pages = {12}, year = {2021}, abstract = {Die Entwickler und Hersteller von Bauprodukten sind nur selten Experten f{\"u}r statische Nachweise. Entsprechend schwierig gestaltet sich die Diskussion mit Pr{\"u}finstituten oder Statikern, wenn es um die Bestimmung oder die Ver-wendung von statischen Kennwerten geht. W{\"a}hrend es fr{\"u}her ausreichte, den Mittelwert einer Versuchsreihe auszu-werten, ist heute bereits die statistische Versuchsauswertung hinreichend komplex. Was ist genau gemeint, wenn der Statiker nach dem charakteristischen Wert oder dem Bemessungswert fr{\"a}gt? Der Aufsatz erkl{\"a}rt f{\"u}r den Nicht-Statiker, was bei der Planung und Auswertung von Versuchen zu beachten ist, damit die gewonnen Kennwerte als Basis f{\"u}r statische Nachweise brauchbar sind. Der gesamte Prozess vom Versuch bis zum statischen Nachweis wird dazu in 10 Einzelschritte unterteilt.}, language = {de} } @techreport{HuberKrommes2019, type = {Working Paper}, author = {Huber, Michael and Krommes, Sandra}, title = {Elektromobilit{\"a}t: Status, Bedarf und Potentiale {\"o}ffentlicher Ladeinfrastruktur}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:861-opus4-13320}, pages = {28}, year = {2019}, abstract = {Die empirische Studie „Elektromobilit{\"a}t: Status, Bedarf und Potentiale {\"o}ffentlicher Ladeinfrastruktur" besch{\"a}ftigt sich mit dem Status und den Gesch{\"a}ftsstrukturen von Versorgungsunternehmen im Gesch{\"a}ftsfeld der Elektromobilit{\"a}t sowie dem aktuellen Stand, den Planungen und den Entwicklungen im Bereich der {\"o}ffentlichen Ladeinfrastruktur. Sie liefert Informationen zu der Bedeutung, der Struktur und der marktseitigen Ausgestaltung von den Gesch{\"a}ftsmodellen der {\"o}ffentlichen Ladeinfrastruktur von Versorgungsunternehmen sowie den strategischen Implikationen hinsichtlich der zuk{\"u}nftigen Investitionen, H{\"u}rden, Anreize sowie dem erforderlichen Netzausbau und den Auswirkungen auf die Gesch{\"a}ftsmodelle der {\"o}ffentlichen Ladeinfrastruktur. Die Studie wurde im Zeitraum April bis Juli 2019 erhoben. Insgesamt haben 33 Energieversorgungsunternehmen (EVU) aus dem gesamten Bundesgebiet an der Studie teilgenommen. Die 33 teilnehmenden Unternehmen sind je zu einem Drittel kleine, mittelgroße und große EVU, wobei sich die Charakterisierung nach der Gr{\"o}ße an der Anzahl der Mitarbeiter orientiert.}, language = {de} } @techreport{Hammerschmidt2017, type = {Working Paper}, author = {Hammerschmidt, Thomas}, title = {Factors influencing the outcomes of the AMNOG benefit assessment}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:861-opus4-2291}, pages = {16}, year = {2017}, abstract = {Background: Since 2011, pharmaceutical companies have to proof the added benefit of new drugs in Germany. The benefit assessment is in relation to an "appropriate comparator therapy" (ACT) defined by the Federal Joint Committee (FJC). Based on the benefit assessment, a reimbursement price is negotiated. In order to proof added benefit, it is essential to provide evidence on patient-relevant outcomes from direct head-to-head comparisons with the ACT. Indirect treatment comparisons and evidence based on surrogate parameters are usually not sufficient. FJC often splits the indication into different subpopulations. Objective: The objective was to analyse whether factors beyond the clinical evidence have influence on the benefit assessment of the FJC. Methods: All benefit assessments between 2011 and 2015 were included in the analysis. The benefit for each drug was calculated by weighting the evidence grade, strength of evidence and size of subpopulations. Drugs were then clustered in high, low or no benefit. Univariate logistic regression was used to identify variables with potential influence (p<0.25). Those variables were included in a multivariate logistic regression model and variables with p>0.1 were excluded in a stepwise approach. Results: The final multivariate logistic regression identified that following variables increase the chance of getting a higher benefit: pharmacologically innovative drug, drugs in disease areas with high unmet medical need, drugs in oncology or infectious diseases, and drugs for which the FJC can split the assessment into subpopulations. Conclusions: The analysis identified variables beyond clinical evidence that influence the benefit assessment by the FJC and provided a better understanding of decision making by the FJC.}, subject = {AMNOG}, language = {en} }