Deep-Tech-Innovation: Wissenschaft und Industrie im Fokus von Risiko und Rendite aktiver Innovationstätigkeit – Eine Untersuchung mittels neuartiger quantitativer Methodik unter Berücksichtigung von Wettbewerbsstrategien, dynamischen Umgebungen und Unternehmensheterogenität

Innovation gilt als zentraler Treiber von Wachstum und Wohlstand, doch gerade Deep-Tech- Entwicklungen in Feldern wie Biotechnologie, Life Sciences und anderen naturwissenschaftlich geprägten Bereichen sind von hoher Unsicherheit und schwer prognostizierbaren Ergebnissen geprägt. Diese Dissertation untersucht die Dynamiken, Determinanten und Konsequenzen von Innovationsaktivitäten in industriellen und akademischen Kontexten. Im Fokus steht die Frage, wie Forschung und Entwicklung (F&E) Unternehmensleistung unter Unsicherheit beeinflusst. Damit adressiert die Arbeit ein Kernparadoxon der Innovationsökonomie: Während Theorien positive F&E-Effekte nahelegen, liefern empirische Befunde bislang uneinheitliche Evidenz – eine Diskrepanz, die hier auf methodische Limitationen mittelwertorientierter Modelle sowie auf die inhärente Streuung naturwissenschaftlich fundierter Innovationsergebnissen zurückgeführt wird. Es lassen sich drei Hauptbeiträge dieser Dissertation hervorheben: Erstens entwickelt und implementiert sie fortgeschrittene statistische Verfahren, die Nichtlinearität, Schwellenwertdynamiken und Dispersion berücksichtigen – darunter semiparametrische Location-Scale- und Quantils-Modelle sowie verteilungsbasierte Frameworks – und zeigt, dass F&E primär die Varianz und die Ränder der Performanceverteilungen beeinflusst. Zweitens verdeutlichen die empirischen Analysen die Rolle des Unternehmens-Kontexts: Anhand von Eurostat-CIS-Mikro- und Compustat-Branchen-Daten wird gezeigt, dass Risiko-Rendite- Profile von Innovation maßgeblich durch Wettbewerbsstrategien und Umweltdynamiken bestimmt werden und nicht immer mit erhöhtem Risiko verbunden sind. Dies widerspricht einem der wohl stärksten Narrative der Innovationsforschung – der Vorstellung, dass Innovieren zwangsläufig riskant sei. Drittens werden diese Ansätze auf die empirische Wissenschaftsforschung ausgeweitet: Eine Analyse der Verteilung wissenschaftlicher Disruptivität im zeitlichen Verlauf zeigt die Notwendigkeit der Anwendung weiterentwickelter statistischer Verfahren und relativiert jüngste Behauptungen eines signifikanten Rückgangs disruptiver Forschung. Insgesamt leisten die sieben Beiträge dieser kumulativen Dissertation einen Beitrag zu einem vertieften Verständnis technologie-getriebener Innovation. Sie entwickeln eine differenzierte, verteilungsorientierte Perspektive auf Innovationsprozesse, die deren Komplexität besser erfasst, und liefern praxisrelevante Implikationen für strategische Entscheidungen von Unternehmen und Politik – mit besonderem Fokus auf naturwissenschaftlich fundierte Deep- Tech-Felder wie Biotechnologie und Life Sciences.