IDEAS home Printed from https://ideas.repec.org/b/zbw/zewexp/296876.html
   My bibliography  Save this book

Data Sharing von Unternehmen: Umfrageergebnisse zu möglichen Anreizen

Author

Listed:
  • Erdsiek, Daniel
  • Rost, Vincent

Abstract

Die vorliegende Studie liefert auf Basis einer Befragung von Unternehmen in Deutschland Ergebnisse zu deren Plänen, künftig mit anderen Unternehmen Data Sharing zu betreiben. An der Befragung beteiligten sich im Januar 2023 rund 1.400 Unternehmen aus dem Verarbeitenden Gewerbe und der Informationswirtschaft, die sich aus der IKT-Branche, Mediendienstleistern und wissensintensiven Dienstleistern zusammensetzt. Da bisherige Untersuchungen eine bislang eher geringe Verbreitung des Data Sharing in Deutschland aufzeigen, zielt die vorliegende Studie darauf ab, empirische Evidenz hinsichtlich der folgenden drei Fragen bereitzustellen: 1) Inwieweit planen Unternehmen in Deutschland künftig Daten mit anderen Unternehmen zu teilen? 2) Welche Unternehmenscharakteristika weisen einen Zusammenhang mit der Wahrscheinlichkeit auf, dass ein Unternehmen künftig Data Sharing betreiben oder intensivieren möchte? 3) Welche Anreizfaktoren könnten aus Unternehmenssicht zu einer stärkeren Verbreitung von Data Sharing zwischen Unternehmen beitragen? Laut der Befragung schätzen die Unternehmen in der Informationswirtschaft die Wahrscheinlichkeit, dass sie in den kommenden zwei Jahren die Bereitstellung von Daten für andere Unternehmen starten oder intensivieren werden, im Durchschnitt auf 33 Prozent. Allerdings rechnen Unternehmen, die bislang noch keine Datenanbieter sind, hierbei im Durchschnitt nur mit einer Wahrscheinlichkeit von 8 Prozent. Unter den Unternehmen, die bereits Datenanbietersind, wird die Wahrscheinlichkeit, die Bereitstellung von Daten in Zukunft zu intensivieren, im Durchschnitt hingegen auf etwa 55 Prozent eingestuft. Auch im Verarbeitenden Gewerbe klaffen die Einschätzungen von Unternehmen, die bereits Daten bereitstellen bzw. nicht bereitstellen, deutlich auseinander. Sowohl in der Informationswirtschaft als auch dem Verarbeitenden Gewerbe stehen zudem weitere Unternehmenseigenschaften mit den Plänen für Data Sharing in Verbindung. So stehen Unternehmen dem Bereitstellen von Daten offener gegenüber, wenn sie bereits eine hohe Anzahl der im eigenen Unternehmen anfallenden Datentypen in digitaler Form speichern oder wenn Daten eine höhere Bedeutung für deren Geschäftsmodell innehaben. Zudem planen größere Unternehmen etwas häufiger mit einer künftigen Bereitstellung eigener Daten für andere Unternehmen. Mit dem Ziel, mögliche Anreizfaktoren für eine stärkere Verbreitung von Data Sharing zu identifizieren, wurde im Verlauf der Befragung ein (Quasi-)Experiment mit den teilnehmenden Unternehmen durchgeführt. Nachdem die Unternehmen die Fragen zu ihren Data-SharingPlänen beantwortet hatten, erhielten sie einen kurzen Text, der ein Szenario im Hinblick auf die Rahmenbedingungen von Data Sharing beschreibt und dabei auf Faktoren eingeht, die einen 5 Anreiz für das Teilen von Daten darstellen könnten. Im Anschluss sollten die Teilnehmer nochmals angeben, wie hoch sie die Wahrscheinlichkeit einer künftigen Datenbereitstellung einschätzen - nun aber unter Berücksichtigung der im Szenario beschriebenen Voraussetzungen. Durch den Vergleich der beiden Angaben lässt sich hierbei bewerten, ob und wie stark die in den Szenarien beschriebenen (Anreiz-)Faktoren die unternehmerische Entscheidung beeinflussen, künftig Data Sharing betreiben oder intensivieren zu wollen. Den Ergebnissen zufolge können von der Verfügbarkeit eines technisch und rechtlich sicheren Rahmens, von auf Gegenseitigkeit beruhenden Data-Sharing-Modellen sowie von der finanziellen Vergütung für angebotene Daten Anreize ausgehen, die Data-Sharing-Aktivitäten von Unternehmen fördern. Diese Studie ist Teil des vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Projekts "Incentives and Economics of Data Sharing - IEDS".

Suggested Citation

  • Erdsiek, Daniel & Rost, Vincent, 2024. "Data Sharing von Unternehmen: Umfrageergebnisse zu möglichen Anreizen," ZEW Expertises, ZEW - Leibniz Centre for European Economic Research, number 296876.
  • Handle: RePEc:zbw:zewexp:296876
    as

    Download full text from publisher

    File URL: https://www.econstor.eu/bitstream/10419/296876/1/1890323357.pdf
    Download Restriction: no
    ---><---

    References listed on IDEAS

    as
    1. Czarnitzki, Dirk & Fernández, Gastón P. & Rammer, Christian, 2023. "Artificial intelligence and firm-level productivity," Journal of Economic Behavior & Organization, Elsevier, vol. 211(C), pages 188-205.
    2. Büchel, Jan & Engels, Barbara, 2022. "Datenbewirtschaftung von Unternehmen in Deutschland: Eine empirische Bestandsaufnahme," IW-Trends – Vierteljahresschrift zur empirischen Wirtschaftsforschung, Institut der deutschen Wirtschaft (IW) / German Economic Institute, vol. 49(1), pages 73-90.
    3. Thomas Niebel & Fabienne Rasel & Steffen Viete, 2019. "BIG data – BIG gains? Understanding the link between big data analytics and innovation," Economics of Innovation and New Technology, Taylor & Francis Journals, vol. 28(3), pages 296-316, April.
    4. Engels, Barbara & Goecke, Henry, 2019. "Big Data in Wirtschaft und Wissenschaft: Eine Bestandsaufnahme," IW-Analysen, Institut der deutschen Wirtschaft (IW) / German Economic Institute, volume 127, number 130.
    Full references (including those not matched with items on IDEAS)

    Most related items

    These are the items that most often cite the same works as this one and are cited by the same works as this one.
    1. Erdsiek, Daniel & Rost, Vincent, 2022. "Datenbewirtschaftung in deutschen Unternehmen: Umfrageergebnisse zu Status-quo und mittelfristigem Ausblick," ZEW Expert Briefs 22-09, ZEW - Leibniz Centre for European Economic Research.
    2. Irene Bertschek & Joern Block & Alexander S. Kritikos & Caroline Stiel, 2024. "German financial state aid during Covid-19 pandemic: Higher impact among digitalized self-employed," Entrepreneurship & Regional Development, Taylor & Francis Journals, vol. 36(1-2), pages 76-97, January.
    3. Christian Rammer & Gastón P Fernández & Dirk Czarnitzki, 2021. "Artificial Intelligence and Industrial Innovation: Evidence from Firm-Level Data," Working Papers of Department of Economics, Leuven 674605, KU Leuven, Faculty of Economics and Business (FEB), Department of Economics, Leuven.
    4. Czarnitzki, Dirk & Fernández, Gastón P. & Rammer, Christian, 2023. "Artificial intelligence and firm-level productivity," Journal of Economic Behavior & Organization, Elsevier, vol. 211(C), pages 188-205.
    5. Venturini, Francesco, 2022. "Intelligent technologies and productivity spillovers: Evidence from the Fourth Industrial Revolution," Journal of Economic Behavior & Organization, Elsevier, vol. 194(C), pages 220-243.
    6. Delera, Michele & Pietrobelli, Carlo & Calza, Elisa & Lavopa, Alejandro, 2022. "Does value chain participation facilitate the adoption of Industry 4.0 technologies in developing countries?," World Development, Elsevier, vol. 152(C).
    7. Kristina McElheran & J. Frank Li & Erik Brynjolfsson & Zachary Kroff & Emin Dinlersoz & Lucia Foster & Nikolas Zolas, 2024. "AI adoption in America: Who, what, and where," Journal of Economics & Management Strategy, Wiley Blackwell, vol. 33(2), pages 375-415, March.
    8. Genghua Tang & Hongxun Mai, 2022. "How Does Manufacturing Intelligentization Influence Innovation in China from a Nonlinear Perspective and Economic Servitization Background?," Sustainability, MDPI, vol. 14(21), pages 1-16, October.
    9. Wang, Li & Wu, Yuhan & Huang, Zeyu & Wang, Yanan, 2024. "Big data application and corporate investment decisions: Evidence from A-share listed companies in China," International Review of Financial Analysis, Elsevier, vol. 94(C).
    10. Sarbu, Miruna, 2022. "The impact of industry 4.0 on innovation performance: Insights from German manufacturing and service firms," Technovation, Elsevier, vol. 113(C).
    11. Wang, Zongrun & Zhang, Taiyu & Ren, Xiaohang & Shi, Yukun, 2024. "AI adoption rate and corporate green innovation efficiency: Evidence from Chinese energy companies," Energy Economics, Elsevier, vol. 132(C).
    12. Mihai BOGDAN & Anca BORZA, 2019. "Big Data Analytics and Organizational Performance: A Meta-Analysis Study," Management and Economics Review, Faculty of Management, Academy of Economic Studies, Bucharest, Romania, vol. 4(2), pages 1-13, June.
    13. Giacomo Damioli & Vincent Van Roy & Daniel Vertesy & Marco Vivarelli, 2024. "AI as a new emerging technological paradigm: evidence from global patenting," DISCE - Quaderni del Dipartimento di Politica Economica dipe0038, Università Cattolica del Sacro Cuore, Dipartimenti e Istituti di Scienze Economiche (DISCE).
    14. Fossen, Frank M. & McLemore, Trevor & Sorgner, Alina, 2024. "Artificial Intelligence and Entrepreneurship," IZA Discussion Papers 17055, Institute of Labor Economics (IZA).
    15. Mihai BOGDAN & Anca BORZA, 2020. "Big Data Analytics And Firm Performance: A Text Mining Approach," Proceedings of the INTERNATIONAL MANAGEMENT CONFERENCE, Faculty of Management, Academy of Economic Studies, Bucharest, Romania, vol. 14(1), pages 549-560, November.
    16. Thomas Meier & Helena Makyšová & Alena Pauliková, 2023. "Evaluation of the Economic, Ecological and Ethical Potential of Big Data Solutions for a Digital Utopia in Logistics," Sustainability, MDPI, vol. 15(6), pages 1-25, March.
    17. Paolo Carioli & Dirk Czarnitzki & Gastón P Fernández Barros, 2024. "Evidence on the Adoption of Artificial Intelligence: The Role of Skills Shortage," Working Papers of Department of Management, Strategy and Innovation, Leuven 735893, KU Leuven, Faculty of Economics and Business (FEB), Department of Management, Strategy and Innovation, Leuven.
    18. Lahcene Makhloufi & László Vasa & Joanna Rosak-Szyrocka & Farouk Djermani, 2023. "Understanding the Impact of Big Data Analytics and Knowledge Management on Green Innovation Practices and Organizational Performance: The Moderating Effect of Government Support," Sustainability, MDPI, vol. 15(11), pages 1-22, May.
    19. Christian Rusche & Jeanne Mouton, 2024. "The anti-steering provision of Article 5 (4) of the DMA: a law and economics assessment on the business model of gatekeepers and business users," European Journal of Law and Economics, Springer, vol. 57(1), pages 207-237, April.
    20. Saam Marianne, 2024. "The Impact of Artificial Intelligence on Productivity and Employment – How Can We Assess It and What Can We Observe?," Intereconomics: Review of European Economic Policy, Sciendo, vol. 59(1), pages 22-27, February.

    Corrections

    All material on this site has been provided by the respective publishers and authors. You can help correct errors and omissions. When requesting a correction, please mention this item's handle: RePEc:zbw:zewexp:296876. See general information about how to correct material in RePEc.

    If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

    If CitEc recognized a bibliographic reference but did not link an item in RePEc to it, you can help with this form .

    If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the "citations" tab in your RePEc Author Service profile, as there may be some citations waiting for confirmation.

    For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: ZBW - Leibniz Information Centre for Economics (email available below). General contact details of provider: https://edirc.repec.org/data/zemande.html .

    Please note that corrections may take a couple of weeks to filter through the various RePEc services.

    IDEAS is a RePEc service. RePEc uses bibliographic data supplied by the respective publishers.