# Tidyverse: dplyr (Datenmanipulation), ggplot2 (Grafiken), u.a.
library(tidyverse)
# kableExtra: formatierte HTML-/PDF-Tabellen (kbl(), kable_styling())
library(kableExtra)
library(knitr)
# Farbpalette und Hilfsfunktionen des Kurses einbinden (Objekt `cols`)
source("../R/scm_functions.R")
source("../R/scm_helpers.R") # Darstellungshilfen (Farben, Tabellen, Formatierung)Lernziele
|>, group_by()/summarise(), read_csv() und formatierte Tabellen mit kableExtra einsetzen.Literatur zur Vertiefung
Im vorangegangenen Kapitel stand die strategische Ebene im Vordergrund: Welche Wertschöpfungsstufen übernimmt ein Unternehmen selbst, welche werden ausgelagert, und wie muss die Supply Chain gestaltet sein, damit sie zur Wettbewerbsstrategie passt (Strategic Fit)? Diese strategischen Weichenstellungen legen den Rahmen fest, innerhalb dessen Logistik und Supply Chain Management operativ handeln. Damit stellt sich die Anschlussfrage: Woran genau wird der Erfolg dieses operativen Handelns gemessen? Mit welchen Zielgrößen arbeitet das SCM, und was kostet es, diese Ziele zu erreichen?
Dieses Kapitel führt das Zielsystem der Logistik und des Supply Chain Managements ein, zeigt anhand eines anschaulichen “Tetraeders” die unausweichlichen Zielkonflikte zwischen Kosten, Geschwindigkeit, Qualität, Flexibilität sowie Nachhaltigkeit und arbeitet die wichtigsten Logistikkostenarten heraus. An mehreren Zahlenbeispielen — von der Bananenwertschöpfungskette bis zum Apple iPod — wird gezeigt, wie sich Logistikkosten in der Praxis zusammensetzen und wie man sie mit R systematisch auswertet. Ein eigener Abschnitt widmet sich der Nachhaltigkeit im Supply Chain Management, von ökologischen SCM-Strategien bis zur Kreislaufwirtschaft. Zum Abschluss wird die Fallstudie SushiFresh GmbH eingeführt, die den Reader von hier an begleitet.
Supply-Chain-Management gestaltet Material-, Informations- und Finanzflüsse über Unternehmensgrenzen hinweg. Jede Gestaltungsentscheidung — etwa über Standorte, Bestände, Transportmittel, Kapazitäten oder Lieferanten — beeinflusst mehrere Zielgrößen gleichzeitig. Ein Netzwerk mit niedrigen Kosten kann lange Lieferwege verursachen. Hohe Lieferbereitschaft kann Sicherheitsbestände erhöhen. Eine starke Zentralisierung kann Bestände und Abschreibungen verringern, zugleich aber Entfernungen zu Kundinnen und Kunden vergrößern.
Eine fundierte Entscheidung erfordert daher mehr als die Frage, welche Alternative die geringsten unmittelbaren Kosten auslöst. Sie verlangt eine transparente Bewertung wirtschaftlicher, leistungsbezogener, risiko- und umweltbezogener Wirkungen. Dieses Kapitel entwickelt dafür die Begriffe und Modellierungslogiken, auf die die folgenden Kapitel zur Standortplanung, Unsicherheit und Bestandssteuerung aufbauen.
Bevor wir uns den logistikspezifischen Zielen zuwenden, lohnt ein kurzer Blick auf die Struktur betrieblicher Zielsysteme insgesamt. In jedem Unternehmen existiert ein hierarchisch gegliedertes Managementsystem: Auf der normativen Ebene werden grundsätzliche Werte, die Unternehmensverfassung und die -kultur festgelegt; auf der strategischen Ebene werden langfristige Erfolgspotenziale aufgebaut (dies war der Gegenstand von Kapitel 2); auf der operativen Ebene schließlich werden die Tagesgeschäfte so gesteuert, dass die strategischen Vorgaben erfüllt werden (Dyckhoff 1998).
Jeder dieser Ebenen sind eigene Ziele zugeordnet — von sehr allgemeinen, langfristigen Leitbildern bis zu sehr konkreten, kurzfristig messbaren Kennzahlen. Logistik- und SCM-Ziele sind typischerweise auf der strategischen bis operativen Ebene angesiedelt: Sie leiten sich aus übergeordneten Unternehmenszielen (z. B. Rentabilität, Wachstum, Kundenzufriedenheit) ab, sind aber konkret genug, um im Tagesgeschäft als Entscheidungskriterium zu dienen.
Diese Einordnung ist mehr als eine akademische Fingerübung: Sie erklärt, warum Logistikentscheidungen fast nie “im luftleeren Raum” getroffen werden. Eine Entscheidung über die Anzahl der Auslieferungslager etwa ist eine operative bis strategische Entscheidung, die aber nur dann sinnvoll ist, wenn sie zur übergeordneten Servicestrategie des Unternehmens passt. Wer sich auf der strategischen Ebene für eine Kostenführerschaft entschieden hat (vgl. Kapitel 2), wird auf der operativen Ebene tendenziell andere Ziel-Anspruchsniveaus setzen als ein Unternehmen, das auf Differenzierung durch Schnelligkeit setzt. Das Zielsystem der Logistik ist also kein Selbstzweck, sondern die operative “Übersetzung” der Wettbewerbsstrategie in messbare Größen.
Definition: Ziel
Ein Ziel beschreibt einen angestrebten zukünftigen Zustand, der durch eine Zielgröße (das Was, z. B. “Lieferzeit”), ein Anspruchsniveau (das Wie viel, z. B. “maximal 24 Stunden”) und einen zeitlichen Bezug (das Bis wann) charakterisiert ist. Ziele dienen als Maßstab, an dem Entscheidungsalternativen bewertet und Zielerreichungsgrade gemessen werden.
Wirtschaftlichkeit bedeutet, die zur Leistungserstellung eingesetzten Ressourcen effizient zu nutzen. In Supply Chains umfasst dies insbesondere Beschaffungs-, Produktions-, Lager-, Transport-, Umschlag-, Informations- und Koordinationskosten. Entscheidend sind nicht isolierte Einzelkosten, sondern die Kosten des gesamten Systems. Eine Maßnahme, die lokale Transportkosten senkt, kann beispielsweise an anderer Stelle höhere Bestände, längere Durchlaufzeiten oder schlechtere Servicewerte verursachen.
Die Perspektive der Gesamtkosten wird häufig als Total-Cost-of-Ownership- oder Total-Logistics-Cost-Denken bezeichnet. Sie verlangt, dass Entscheidungen entlang der gesamten Kette bewertet werden und nicht nur aus Sicht einer einzelnen Funktion oder eines einzelnen Unternehmens.
Logistikleistung zeigt sich für Kundinnen und Kunden vor allem in Verfügbarkeit, Lieferzeit, Lieferzuverlässigkeit, Flexibilität und Informationsqualität. Typische Kennzahlen sind der Lieferbereitschaftsgrad, die vollständige und pünktliche Lieferung sowie die mittlere Durchlaufzeit.
Ein hohes Serviceniveau ist meist nicht kostenlos erreichbar. Kürzere Lieferzeiten benötigen häufig mehr Lagerstandorte, zusätzliche Kapazitäten, höhere Sicherheitsbestände oder schnellere Transportmodi. Die zentrale betriebswirtschaftliche Aufgabe besteht darin, das gewünschte Leistungsniveau explizit zu bestimmen und die dafür erforderlichen Ressourcen sichtbar zu machen.
Supply Chains sind Störungen ausgesetzt, etwa durch Nachfrageschwankungen, Ausfälle von Lieferanten, Kapazitätsengpässe, Naturereignisse oder infrastrukturelle Unterbrechungen. Resilienz beschreibt die Fähigkeit eines Netzwerks, solche Störungen zu absorbieren, sich anzupassen und seine Leistungsfähigkeit wiederherzustellen.
Resilienz kann durch Redundanzen, alternative Bezugsquellen, flexible Kapazitäten, regionale Diversifikation, Transparenz und geeignete Sicherheitsbestände verbessert werden. Solche Maßnahmen erhöhen häufig die unmittelbaren Kosten. Sie können jedoch wirtschaftlich sinnvoll sein, wenn sie erwartete Störungskosten, Umsatzausfälle oder Reputationsschäden vermindern.
Nachhaltigkeit erweitert das Zielsystem um ökologische und soziale Wirkungen. Im Mittelpunkt dieses Kapitels stehen zunächst ökologische Wirkungen logistischer Entscheidungen: Treibhausgasemissionen, Energie- und Ressourcenverbrauch, Flächeninanspruchnahme, Luftschadstoffe, Abfall und Verderb. Soziale Aspekte — etwa Arbeitsbedingungen, Sicherheit und regionale Wertschöpfung — sind ebenfalls relevant, werden hier aber nicht in ein einheitliches quantitatives Maß überführt.
Nachhaltigkeit ist kein isoliertes Zusatzkriterium. Sie verändert, wie Standorte, Transportwege, Bestände, Verpackungen, Produktionsmengen und Beschaffungsstrukturen bewertet werden. In vielen Supply Chains entstehen wesentliche Umweltwirkungen nicht im eigenen Betrieb, sondern bei Vorlieferanten, Transportdienstleistern oder in der Nutzungs- und Rücknahmephase von Produkten.
Traditionell wird die Leistungsfähigkeit von Logistik und Supply Chain Management anhand einer überschaubaren Menge von Zielmetriken beurteilt. Sechs Größen tauchen in nahezu jedem Logistik-Lehrbuch auf und bilden gemeinsam ein Rad, dessen Speichen sich gegenseitig beeinflussen:
Diese sechs Zielgrößen sind nicht unabhängig voneinander. Im Gegenteil: Ihr Zusammenspiel — genauer gesagt ihr Widerspruch — ist der eigentliche Kern des Logistikmanagements, wie der folgende Abschnitt zeigt.
Neben diesen “klassischen” ökonomischen Zielgrößen rücken in den letzten Jahren zunehmend ökologische und soziale Ziele in den Vordergrund: die Reduktion von Treibhausgasemissionen entlang der Kette, der schonende Umgang mit Ressourcen oder die Einhaltung sozialer Mindeststandards bei Zulieferern. Diese Ziele treten nicht additiv neben das bestehende Zielsystem, sondern verschärfen die bereits bestehenden Zielkonflikte zusätzlich — eine emissionsärmere Bahnverbindung ist oft langsamer als der Lkw-Transport, ein regionaler statt globaler Zulieferer kann teurer, aber ökologisch vorteilhafter sein. Eine vollständige Behandlung dieser dritten und vierten Zieldimension würde den Rahmen dieses Kapitels sprengen; sie sei aber als Ausblick festgehalten und findet sich vertiefend bei Dyckhoff u. a. (2008).
Würde man jede der sechs Zielgrößen unabhängig maximieren bzw. minimieren wollen, entstünde ein Logistiksystem mit perfekter Lieferzeit, perfekter Liefertreue, perfekter Qualität, maximaler Flexibilität, voller Transparenz — zu minimalen Kosten. Ein solches System existiert nicht. Jede Verbesserung einer Zielgröße geht in aller Regel zulasten mindestens einer anderen. Man spricht hier von einem Zielkonflikt.
Definition: Zielkonflikt
Ein Zielkonflikt liegt vor, wenn die Verbesserung einer Zielgröße (z. B. kürzere Lieferzeit) notwendigerweise die Verschlechterung mindestens einer anderen Zielgröße (z. B. höhere Kosten) nach sich zieht. Zielkonflikte lassen sich nicht “auflösen”, sondern nur durch eine bewusste Abwägung — einen Trade-off — handhaben.
Theorie-Vertiefung: Zielbeziehungen und Pareto-Effizienz
Die betriebswirtschaftliche Entscheidungstheorie unterscheidet drei Arten von Beziehungen zwischen zwei Zielen (Dyckhoff 1998): Komplementäre Ziele fördern sich gegenseitig (eine bessere Lieferqualität senkt z. B. Reklamations- und damit Logistikkosten), indifferente Ziele beeinflussen sich nicht, und konkurrierende Ziele stehen im Konflikt. Wichtig ist, dass die Art der Beziehung nicht “naturgegeben” ist, sondern vom betrachteten Bereich der Alternativen abhängt: Solange ein Logistiksystem Verschwendung enthält (etwa Leerfahrten oder doppelt gehaltene Bestände), lassen sich Kosten und Lieferzeit oft gleichzeitig verbessern — die Ziele verhalten sich in diesem Bereich komplementär. Erst wenn alle solchen Verbesserungen ausgeschöpft sind, wird die Beziehung konkurrierend.
Formal nennt man eine Alternative Pareto-effizient (oder dominanzfrei), wenn es keine andere zulässige Alternative gibt, die in mindestens einem Ziel besser und in keinem Ziel schlechter ist. Die Menge aller Pareto-effizienten Alternativen bildet die Effizienzgrenze — dieselbe Denkfigur, die in Kapitel 2 als Kosten-Reaktionsfähigkeits-Grenze eingeführt wurde. Echte Zielkonflikte existieren nur auf dieser Grenze. Daraus folgen zwei Managementaufgaben, die man sauber trennen sollte: Erstens ein ineffizientes System an die Grenze heranzuführen (hier gibt es keinen Zielkonflikt, nur Verbesserungspotenzial), und zweitens auf der Grenze eine Position zu wählen, die zur Wettbewerbsstrategie passt (hier ist eine Abwägung unvermeidlich). Die Zielprofile weiter unten sind im Grunde nichts anderes als unterschiedliche Positionen auf einer solchen mehrdimensionalen Effizienzgrenze.
Zur Veranschaulichung reduziert man das Zielsystem häufig auf vier zentrale, stark verdichtete Dimensionen: Qualität, Geschwindigkeit, Kosten und Flexibilität/Resilienz. Stellt man diese vier Dimensionen als die vier Eckpunkte eines Tetraeders (einer dreiseitigen Pyramide) dar, wird das Spannungsfeld unmittelbar sichtbar: Jede Kante des Tetraeders verbindet zwei Zielgrößen, zwischen denen abgewogen werden muss, und kein reales Logistiksystem kann gleichzeitig in allen vier Ecken “perfekt” positioniert sein.
library(plotly)
# Vier Eckpunkte des Tetraeders: 1-3 bilden die Grundfläche, 4 die Spitze
eckpunkte <- data.frame(
ziel = c("Qualität", "Geschwindigkeit", "Kosten", "Flexibilität / Resilienz"),
x = c(-3.8, 0.0, 3.8, 0.0),
y = c(-2.2, 3.2, -2.2, 0.0),
z = c(0.0, 0.0, 0.0, 4.2)
)
# Vier Dreiecksflächen: Grundfläche (0,1,2) sowie drei Seitenflächen zur Spitze (3)
flaechen_i <- c(0, 0, 0, 1)
flaechen_j <- c(1, 2, 3, 2)
flaechen_k <- c(2, 3, 1, 3)
# Aufbau der 3D-Grafik mit plotly: Flächen (mesh3d), Kanten (Linien), Beschriftungen
fig_tetraeder <- plot_ly() |>
add_trace(
type = "mesh3d",
x = eckpunkte$x, y = eckpunkte$y, z = eckpunkte$z,
i = flaechen_i, j = flaechen_j, k = flaechen_k,
intensity = c(0.20, 0.55, 0.85, 1.00),
colors = c(cols$mid, cols$atp, cols$strat, cols$top),
opacity = 0.78, flatshading = TRUE, showscale = FALSE,
hoverinfo = "skip"
) |>
add_trace(
type = "scatter3d", mode = "markers+text",
x = eckpunkte$x, y = eckpunkte$y, z = eckpunkte$z,
text = eckpunkte$ziel,
textposition = "top center",
marker = list(size = 6, color = cols$border),
textfont = list(size = 13, color = cols$text),
hovertemplate = "%{text}<extra></extra>",
showlegend = FALSE
) |>
layout(
scene = list(
xaxis = list(visible = FALSE), yaxis = list(visible = FALSE),
zaxis = list(visible = FALSE), bgcolor = "white"
),
paper_bgcolor = "white",
margin = list(l = 0, r = 0, b = 0, t = 0)
)
fig_tetraederDas Tetraeder der Zielkonflikte: Qualität, Geschwindigkeit, Kosten und Flexibilität/Resilienz stehen in einem gegenseitigen Spannungsfeld.
Konkrete Logistiksysteme lassen sich dann als Zielprofile innerhalb dieses Spannungsfelds charakterisieren. Ein Express-Kurierdienst positioniert sich z. B. nahe an der Ecke “Geschwindigkeit” — zulasten der Kosten. Ein auf Kosteneffizienz getrimmter Seefracht-Massentransport liegt dagegen nahe der Ecke “Kosten” — zulasten der Lieferzeit. Ein Zulieferer in einer Just-in-Sequence-Fertigung wiederum muss auf der Kante zwischen Flexibilität und Geschwindigkeit operieren, da er auf kurzfristige Abrufänderungen reagieren und dennoch termingenau liefern muss.
Statt der vier verdichteten Dimensionen lassen sich auch die vier Ursprungsgrößen Lieferzeit, Lieferzuverlässigkeit, Lieferflexibilität und Logistikkosten in einem sogenannten Zielprofil-Diagramm (auch Radar- oder Spinnendiagramm) abbilden. Jede Achse repräsentiert eine Zielgröße; ein konkretes System wird durch ein Polygon dargestellt, dessen Eckpunkte den erreichten Ausprägungen entsprechen. Vergleicht man mehrere Systeme (oder Systemalternativen) auf diese Weise, werden Unterschiede in der strategischen Positionierung sofort sichtbar — ein System mit einem “spitzen”, einseitig ausgerichteten Profil verfolgt eine klare Fokus-Strategie, während ein ausgeglicheneres Profil auf einen Kompromiss zwischen den Zielen setzt.
library(plotly)
# Vier Zielgrößen auf einer Skala von 0 bis 10; jedes Profil ein Polygon.
# Die erste Achse wird am Ende wiederholt, damit sich das Polygon schließt.
achsen <- c("kurze Lieferzeit", "hohe Lieferzuverlässigkeit",
"große Lieferflexibilität", "niedrige Logistikkosten")
zielprofile <- tibble::tribble(
~profil, ~lieferzeit, ~zuverlaessigkeit, ~flexibilitaet, ~kosten,
"Profil 1", 5.8, 8.7, 5.8, 1.8,
"Profil 2", 7.6, 3.2, 8.6, 3.2,
"Profil 3", 9.3, 4.9, 1.5, 5.0,
"Profil 4", 3.6, 1.5, 3.6, 8.2
)
# Radardiagramm mit plotly (scatterpolar): eine Spur je Zielprofil
fig_zielprofile <- plot_ly(type = "scatterpolar", fill = "toself")
for (i in seq_len(nrow(zielprofile))) {
werte <- as.numeric(zielprofile[i, -1])
fig_zielprofile <- fig_zielprofile |>
add_trace(
r = c(werte, werte[1]), # erste Achse wiederholen -> Polygon schließt sich
theta = c(achsen, achsen[1]),
name = zielprofile$profil[i],
opacity = 0.35
)
}
fig_zielprofile <- fig_zielprofile |>
layout(
polar = list(radialaxis = list(visible = TRUE, range = c(0, 10))),
paper_bgcolor = "white"
)
fig_zielprofileZielprofile: vier Logistiksysteme mit unterschiedlicher Positionierung zwischen kurzen Lieferzeiten, hoher Lieferzuverlässigkeit, großer Lieferflexibilität und niedrigen Logistikkosten.
Beide Darstellungen — Tetraeder und Zielprofil — transportieren dieselbe Botschaft: Logistik- und SCM-Entscheidungen sind fast immer Abwägungsentscheidungen. Es geht nicht darum, “das beste” System schlechthin zu finden, sondern dasjenige Zielprofil zu wählen, das am besten zur übergeordneten Wettbewerbsstrategie passt — eine unmittelbare Fortsetzung des in Kapitel 2 behandelten Strategic-Fit-Gedankens (Chopra und Meindl 2025).
R-Exkurs: Der Pipe-Operator |>
In den bisherigen Kapiteln haben Sie einzelne R-Befehle meist nacheinander in getrennten Zeilen notiert oder Funktionsaufrufe ineinander verschachtelt. Bei mehrstufigen Datenverarbeitungen — “Nimm die Daten, filtere sie, gruppiere sie, fasse sie zusammen, sortiere sie” — wird eine Verschachtelung schnell unübersichtlich. Der Pipe-Operator |> (gesprochen “dann”) löst dieses Problem: Er nimmt das Ergebnis auf seiner linken Seite und übergibt es als erstes Argument an die Funktion auf seiner rechten Seite.
[1] 229[1] 229Der Pipe-Operator verändert nicht, was berechnet wird — nur, wie leicht der Rechenweg nachvollziehbar ist. Ab jetzt werden wir ihn durchgängig verwenden, insbesondere in Verbindung mit den dplyr-Funktionen filter(), mutate(), group_by() und summarise(), die Sie in Kapitel 2 bereits kennengelernt haben bzw. im Folgenden kennenlernen. Eine Pipe-Kette liest sich dann fast wie ein Satz: “Nimm die Kostendaten, gruppiere sie nach Kostenart, und fasse sie zu Summen zusammen.”
Die Kostenperspektive verdient eine genauere Betrachtung, weil sie in praktisch jeder Zielabwägung als “Gegenspieler” zu Zeit, Qualität und Flexibilität auftritt. In vielen Teilbereichen der Logistik stehen sich zwei (oder mehr) Kostenkomponenten gegenüber, die sich mit derselben Entscheidungsvariable gegenläufig verhalten: Steigt die eine Kostenart, sinkt die andere — und umgekehrt. Weil beide Effekte gleichzeitig wirken, ergibt sich für die Gesamtkosten eine u-förmige Kurve mit einem (zumindest theoretischen) Kostenminimum.
Formal lässt sich ein solcher Zusammenhang häufig durch eine Kostenfunktion der Form
\[ K(x) = \underbrace{a \cdot x^2}_{\text{steigende Kostenart}} + \underbrace{\frac{b}{x}}_{\text{fallende Kostenart}}, \qquad x > 0 \]
beschreiben, wobei \(x\) die Entscheidungsvariable (z. B. Sicherheitsbestand, Losgröße, Anzahl Lager) und \(a, b > 0\) Kostenparameter sind. Das Minimum dieser Funktion ergibt sich durch Nullsetzen der ersten Ableitung:
\[ K'(x) = 2a x - \frac{b}{x^2} \stackrel{!}{=} 0 \quad \Longrightarrow \quad x^* = \left(\frac{b}{2a}\right)^{1/3} \]
Dieses Muster — eine steigende und eine fallende Kostenkomponente, deren Summe ein Minimum besitzt — begegnet uns in der Logistik in immer wieder ähnlicher Form. Wichtig ist dabei die Interpretation der Parameter \(a\) und \(b\): Sie sind keine willkürlichen Konstanten, sondern bilden reale Kostensätze ab (z. B. Zinssatz und Lagerkostensatz je Einheit für \(a\), Rüst- oder Fehlmengenkostensatz für \(b\)) und müssten in der Praxis aus der Kostenrechnung geschätzt werden. Je nach Entscheidungssituation ändert sich außerdem, welche Kostenart steigt und welche fällt — das mathematische Grundmuster bleibt aber dasselbe. Vier typische Beispiele:
# Entscheidungsvariable x (z.B. Sicherheitsbestand, Losgröße, Lageranzahl)
x <- seq(1, 5, length.out = 200)
# Zwei gegenläufige Kostenkomponenten
kosten_a <- 0.1 * x^2 # z.B. Lager-/Bestandskosten: steigen mit x
kosten_b <- 1 / x # z.B. Fehlmengen-/Rüst-/Transportkosten: fallen mit x
kosten_gesamt <- kosten_a + kosten_b
tradeoff_df <- tibble(
x = x, Lagerkosten = kosten_a, Gegenkosten = kosten_b, Gesamtkosten = kosten_gesamt
) |>
pivot_longer(-x, names_to = "kostenart", values_to = "kosten")
ggplot(tradeoff_df, aes(x = x, y = kosten, color = kostenart, linewidth = kostenart)) +
geom_line() +
scale_color_manual(values = c(
Lagerkosten = cols$mid, Gegenkosten = cols$atp, Gesamtkosten = cols$border
)) +
scale_linewidth_manual(values = c(Lagerkosten = 0.8, Gegenkosten = 0.8, Gesamtkosten = 1.3)) +
labs(
x = "Entscheidungsvariable (z. B. Sicherheitsbestand, Losgröße, Lageranzahl)",
y = "Kosten", color = "Kostenkomponente", linewidth = "Kostenkomponente"
) +
theme_minimal()
So anschaulich dieses Grundmuster ist, in der Praxis bleibt es oft nur eine Annäherung. Die tatsächliche Transparenz der Kostenfunktionen ist häufig stark eingeschränkt, und zwar aus mehreren Gründen:
Trotz dieser Einschränkungen ist das Grundmuster “zwei gegenläufige Kostenkomponenten, ein Optimum” ein zentrales Denkwerkzeug des Logistikmanagements. Es wird uns in den folgenden Kapiteln in konkreterer, formalisierter Form wiederbegegnen — etwa bei der Bestimmung der optimalen Bestellmenge (EOQ-Modell) oder bei der Wahl des optimalen Sicherheitsbestands unter Nachfrageunsicherheit.
R-Exkurs: Vektorisierte Kostenberechnungen
R ist von Grund auf vektorisiert: Rechenoperationen wirken automatisch auf jedes Element eines Vektors, ohne dass eine explizite Schleife (for) nötig wäre. Das ist besonders praktisch, wenn Gesamtkosten aus mehreren Kostenkomponenten zusammengesetzt werden sollen, die jeweils für unterschiedliche Perioden, Standorte oder Produkte vorliegen.
# Monatliche Kostenkomponenten eines Lagerstandorts (in Tsd. EUR)
transportkosten <- c(42, 38, 45, 51, 47, 39)
lagerkosten <- c(18, 19, 17, 20, 21, 18)
fehlmengenkosten <- c(3, 1, 6, 2, 0, 4)
# Gesamtkosten je Monat: elementweise Summe der drei Vektoren --
# R addiert automatisch Element 1 mit Element 1, Element 2 mit Element 2 usw.
gesamtkosten <- transportkosten + lagerkosten + fehlmengenkosten
gesamtkosten[1] 63 58 68 73 68 61# Anteil der Fehlmengenkosten an den Gesamtkosten je Monat, in Prozent
fehlmengenkosten / gesamtkosten * 100[1] 4.761905 1.724138 8.823529 2.739726 0.000000 6.557377 Summe Mittelwert Maximum
391.00000 65.16667 73.00000 Ohne Vektorisierung müsste man für jede dieser Berechnungen eine Schleife über die sechs Monate schreiben. Da R Vektoroperationen “elementweise” ausführt, genügt ein einziger Ausdruck — kürzer, lesbarer und weniger fehleranfällig.
Nachdem das Grundmuster der Abwägung geklärt ist, lohnt sich ein systematischerer Blick auf die Logistikkosten selbst.
Definition: Logistikkosten
Logistikkosten sind der bewertete Verzehr von Sachgütern und Dienstleistungen zum Zweck der Erbringung logistischer Leistungen — also aller Aktivitäten, die Güter in der richtigen Menge, Qualität, am richtigen Ort und zur richtigen Zeit verfügbar machen (Schulte 2001).
In der Literatur und Praxis hat sich eine grobe Einteilung in fünf bis sechs Hauptkategorien etabliert, die sich unmittelbar aus den im vorangegangenen Abschnitt diskutierten Abwägungsentscheidungen ergeben:
Diese Kostenarten korrespondieren eng mit den vier Abwägungsbeispielen aus dem letzten Abschnitt: Transportmittelwahl betrifft primär Transport- vs. Bestandskosten, die Lageranzahl betrifft Lager- vs. Transportkosten, der Sicherheitsbestand betrifft Bestands- vs. Fehlmengenkosten, und die Losgröße betrifft Lager- vs. Rüstkosten. Ein zentrales Anliegen des Supply Chain Costing (Kostenrechnung entlang der gesamten Kette) ist es, diese Kostenarten nicht isoliert je Unternehmen, sondern kettenübergreifend zu betrachten — denn eine lokale Kostenoptimierung bei einem Akteur kann an anderer Stelle der Kette zu höheren Kosten führen (Günther und Tempelmeier 2012; Thonemann 2023).
Wie stark Logistik- und Handelsspannen den Endpreis eines Produkts prägen können, zeigt die Wertschöpfungskette der Banane von Ecuador nach Deutschland (Abbildung 3.1). Von jedem Euro, den Konsumentinnen und Konsumenten im deutschen Einzelhandel für eine Banane bezahlen, verbleiben nur rund 6,1 % bei den Produzent:innen und 6,7 % als Löhne der Arbeiter:innen vor Ort — während Importeure (23,9 %) und der Einzelhandel (34,6 %) den größten Teil der Marge vereinnahmen.
Diese Verteilung lässt sich in R nachbilden und systematisch auswerten — ein guter Anlass, zwei zentrale dplyr-Werkzeuge einzuführen: group_by() und summarise().
R-Exkurs: Aggregation mit group_by() und summarise()
Häufig liegen Kostendaten in einer “langen” Tabelle vor — eine Zeile je Einzelposition — und man möchte sie nach einem Merkmal gruppieren und je Gruppe eine Kennzahl (Summe, Mittelwert, Anzahl, …) berechnen. Genau das leisten dplyr::group_by() und dplyr::summarise() im Zusammenspiel:
group_by(spalte) teilt den Datensatz gedanklich in Untergruppen anhand der Ausprägungen von spalte.summarise(neue_spalte = funktion(...)) berechnet für jede Gruppe eine oder mehrere zusammenfassende Kennzahlen und liefert eine neue, kompaktere Tabelle zurück — eine Zeile je Gruppe.# Wertschöpfungskette der Banane: Anteil je Akteur am Endpreis (in Prozent)
bananenkette <- tibble::tribble(
~akteur, ~kategorie, ~anteil_prozent,
"Löhne der Arbeiter/innen", "Produktionsland", 6.7,
"Produzenten", "Produktionsland", 6.1,
"Exporteure", "Produktionsland", 5.5,
"Importeure", "Handel", 23.9,
"Zoll", "Handel", 11.8,
"Großhandel und Reiferei", "Handel", 11.4,
"Einzelhandel", "Handel", 34.6
)
# Pipe + group_by + summarise: "Nimm die Bananenkette, gruppiere nach
# Kategorie, und summiere je Kategorie den Anteil am Endpreis."
bananenkette |>
group_by(kategorie) |>
summarise(
anteil_gesamt = sum(anteil_prozent),
anzahl_akteure = n()
)# A tibble: 2 × 3
kategorie anteil_gesamt anzahl_akteure
<chr> <dbl> <int>
1 Handel 81.7 4
2 Produktionsland 18.3 3Das Ergebnis macht die zentrale Botschaft der Grafik in einer Zahl greifbar: Nur rund 18,3 % des Endpreises verbleiben im Produktionsland (bei drei Akteuren), während 81,7 % auf Handel, Zoll und Distribution im Zielland entfallen (bei vier Akteuren). group_by()/summarise() funktioniert nach demselben Prinzip auch für Logistikkosten: Gruppiert man z. B. nach Kostenart (Transport, Lager, Bestand, Fehlmengen) statt nach Kette-Kategorie, erhält man auf identische Weise eine Kostenartenübersicht — eine Auswertung, die in jeder Logistik-Controlling-Abteilung routinemäßig anfällt.
Rohtabellen wie im letzten R-Exkurs sind für die interaktive Analyse praktisch, für die Präsentation in einem Bericht oder einer Präsentation aber oft zu schlicht. Das Paket kableExtra erlaubt es, Tabellen mit wenigen zusätzlichen Befehlen professionell zu formatieren.
Als Anwendungsbeispiel dient eine Gegenüberstellung des Anteils der Logistikkosten (LK) am Verkaufspreis für fünf sehr unterschiedliche Produkte — von der in Bangladesch gefertigten Jeans bis zum in China montierten, per Luftfracht verschifften Mobiltelefon.
R-Exkurs: Formatierte Tabellen mit kableExtra
kableExtra baut auf knitr::kable() auf und ergänzt es um Styling-Optionen. Der typische Arbeitsablauf ist: Daten mit dplyr aufbereiten \(\rightarrow\) mit kbl() (kurz für “kable”) in eine Tabelle verwandeln \(\rightarrow\) mit kable_styling() formatieren.
# Logistikkostenanteile ausgewählter Produkte (Daten grob nach
# praxisnahen Kalkulationsbeispielen, gerundet)
produktkosten <- tibble::tribble(
~produkt, ~verkaufspreis_eur, ~direkte_lk_eur, ~indirekte_lk_eur,
"Jeans", 12.92, 1.89, 3.19,
"Bluse", 129.30, 2.77, 16.81,
"Ford Focus", 12932.03, 1175.00, 106.00,
"el. Zahnbürste", 112.07, 8.19, 7.08,
"Mobiltelefon", 120.69, 5.95, 9.03
)
# Logistikkosten insgesamt und deren Anteil am Verkaufspreis berechnen
produktkosten <- produktkosten |>
mutate(
lk_gesamt_eur = direkte_lk_eur + indirekte_lk_eur,
lk_anteil_prozent = round(lk_gesamt_eur / verkaufspreis_eur * 100, 1)
)
# Formatierte Tabelle: kbl() erzeugt die Tabelle, kable_styling()
# formatiert sie (u.a. gestreifte Zeilen, kompakte Breite)
produktkosten |>
select(Produkt = produkt, `Preis (€)` = verkaufspreis_eur,
`LK gesamt (€)` = lk_gesamt_eur, `LK-Anteil (%)` = lk_anteil_prozent) |>
kbl(digits = 2, caption = "Logistikkostenanteile ausgewählter Produkte") |>
kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE)| Produkt | Preis (€) | LK gesamt (€) | LK-Anteil (%) |
|---|---|---|---|
| Jeans | 12.92 | 5.08 | 39.3 |
| Bluse | 129.30 | 19.58 | 15.1 |
| Ford Focus | 12932.03 | 1281.00 | 9.9 |
| el. Zahnbürste | 112.07 | 15.27 | 13.6 |
| Mobiltelefon | 120.69 | 14.98 | 12.4 |
Die Tabelle zeigt eine bemerkenswerte Spannweite: Während beim Ford Focus die Logistikkosten mit rund 9,9 % des Verkaufspreises verhältnismäßig gering ausfallen (weil der Fahrzeugpreis selbst sehr hoch ist), machen sie bei der vergleichsweise günstigen Jeans knapp 40 % des Verkaufspreises aus. Der Grund liegt im Verhältnis von Produktwert zu Transportaufwand: Eine Jeans wird über weite Strecken per Seefracht transportiert und ist trotzdem ein “Low-Value”-Produkt, sodass die (in absoluten Zahlen kleinen) Logistikkosten einen großen Anteil am ebenfalls kleinen Verkaufspreis ausmachen. Beim Auto verhält es sich umgekehrt: Auch wenn absolut hohe Logistikkosten anfallen (globales Sourcing, mehrere Transportstufen), ist der Fahrzeugwert so hoch, dass der prozentuale Anteil gering bleibt. Diese Beobachtung ist ein wichtiges Prinzip für die Praxis: Die Bedeutung der Logistikkosten hängt maßgeblich vom Wert-Gewicht- bzw. Wert-Volumen-Verhältnis eines Produkts ab — ein Zusammenhang, der auch die Standortentscheidungen im nächsten Kapitel mitbestimmt.
Ein besonders anschauliches Fallbeispiel für Supply Chain Costing — also die Analyse der Kosten- und Wertschöpfungsverteilung entlang einer gesamten, global verteilten Kette — liefert der Video-iPod (30 GB) von Apple, wie er in der Studie von Dedrick, Kraemer und Linden (Dedrick 2012) rekonstruiert wurde.
Die Wertschöpfungskette umfasst vier Prozessstufen: Beschaffung, Produktion, Distribution und Absatz. Komponenten wie Festplatte und Display kommen aus Japan, Speicherchips aus Korea, Prozessor und Flash-Speicher aus den USA, weitere Teile (u. a. Akku) aus anderen Ländern. Die Endmontage findet in China statt, Distribution und Handel laufen über die USA, bevor das Produkt bei US-amerikanischen Endkund:innen ankommt.
Die Kostenstruktur lässt sich wie folgt zusammenfassen: Die eingekauften Komponenten summieren sich auf 97 + 3 + 16 + 24 = 140 US-Dollar. Die Montage in China kostet zusätzlich 4 US-Dollar, und für Distribution und Einzelhandel in den USA fallen rund 75 US-Dollar an. Zusammen ergeben sich 140 + 4 + 75 = 219 US-Dollar, die in der Studie als “Herstellungskosten” aus Sicht von Apple ausgewiesen werden — der Begriff ist hier also weit gefasst und umfasst die gesamte Kette bis zum Regal. Bei einem Verkaufspreis von 299 US-Dollar verbleibt Apple ein Deckungsbeitrag von absolut 80 US-Dollar bzw. relativ rund 26 % des Verkaufspreises.
# Kostenpositionen des Apple Video iPod (30 GB), in US-Dollar
ipod_kosten <- c(
Komponenten_Japan = 97,
Komponenten_Korea = 3,
Komponenten_USA = 16,
Komponenten_Sonstige = 24,
Montage_China = 4,
Distribution_Handel = 75
)
# Vektorisierte Summenbildung: Herstellungskosten insgesamt
herstellungskosten <- sum(ipod_kosten)
herstellungskosten[1] 219verkaufspreis <- 299
deckungsbeitrag_abs <- verkaufspreis - herstellungskosten
deckungsbeitrag_rel <- deckungsbeitrag_abs / verkaufspreis * 100
# Übersicht der Kennzahlen
tibble::tibble(
Herstellungskosten = herstellungskosten,
Verkaufspreis = verkaufspreis,
Deckungsbeitrag_absolut = deckungsbeitrag_abs,
Deckungsbeitrag_relativ_Prozent = round(deckungsbeitrag_rel, 1)
) |>
kbl(digits = 1, caption = "Kostenrechnung Apple Video iPod (30 GB)") |>
kable_styling(bootstrap_options = c("striped", "condensed"), full_width = FALSE)| Herstellungskosten | Verkaufspreis | Deckungsbeitrag_absolut | Deckungsbeitrag_relativ_Prozent |
|---|---|---|---|
| 219 | 299 | 80 | 26.8 |
Bemerkenswert an diesem Beispiel ist, dass die Distributions- und Handelskosten (75 US-Dollar) fast so hoch sind wie alle Komponentenkosten zusammen (140 US-Dollar) und die reine Endmontage in China mit 4 US-Dollar nur einen minimalen Anteil ausmacht. Dieses Muster ist typisch für globale Elektronik-Supply-Chains: Der größte Teil der Wertschöpfung — und ein erheblicher Teil der Kosten — entsteht nicht in der Fertigung selbst, sondern in Beschaffung, Distribution und Handel. Genau hier setzt Supply Chain Management an: Es geht nicht darum, isoliert einzelne Fertigungsschritte zu optimieren, sondern die Kosten- und Wertschöpfungsstruktur der gesamten Kette zu verstehen und zu steuern (Chopra und Meindl 2025; Tripp 2024).
Das Tetraeder der Zielkonflikte war bewusst auf die klassischen Leistungsdimensionen der Logistik beschränkt. Seit einigen Jahren tritt diesem Zielsystem eine weitere Dimension zur Seite, die sich nicht bruchlos in eine der vier Ecken einordnen lässt: die Nachhaltigkeit. Sie ist kein „fünfter Eckpunkt“, sondern eine Querschnittsdimension, die auf jede der vier Ecken zurückwirkt – auf die Kosten (z. B. durch CO₂-Bepreisung oder Investitionen in emissionsarme Fahrzeuge), auf die Geschwindigkeit (z. B. wenn eine emissionsärmere Bahnverbindung länger braucht als der Lkw), auf die Qualität (z. B. durch Anforderungen an recycelte Materialien) und auf die Flexibilität (z. B. wenn Rücknahmesysteme zusätzliche Kapazitäten binden). Wer Nachhaltigkeit ernst nimmt, muss deshalb denselben Abwägungslogiken folgen wie beim klassischen Tetraeder – nur dass eine zusätzliche, oft schwer monetarisierbare Zielgröße in die Abwägung eingeht.
Dieser Abschnitt folgt dem Aufbau der Vorlesung: Zunächst wird geklärt, was Nachhaltigkeit im SCM bedeutet, dann wird eingeordnet, wie Unternehmen strategisch auf ökologische Anforderungen reagieren, und anschließend werden ökologische SCM-Strategien, Planungsaufgaben und die Kreislaufwirtschaft behandelt. Zum Schluss wird gezeigt, wie sich Umweltwirkungen in quantitative Entscheidungsmodelle einbauen lassen.
Der Begriff “Nachhaltigkeit” wird heute so inflationär verwendet, dass eine saubere Definition unerlässlich ist, bevor wir ihn auf Supply Chains anwenden. Die bis heute einflussreichste Definition stammt aus dem 1987 veröffentlichten Brundtland-Bericht der Vereinten Nationen:
Definition: Nachhaltigkeit
Ein Gesellschaftssystem wird als nachhaltig bezeichnet, wenn es intra- als intergenerativ gerecht angesehen werden kann. Gerecht heißt, “die Bedürfnisse der Gegenwart befriedigt, ohne zu riskieren, dass künftige Generationen ihre eigenen Bedürfnisse nicht befriedigen können” (Hauff 1987).
Zwei Aspekte dieser Definition verdienen besondere Beachtung. Erstens ist von intragenerativer Gerechtigkeit die Rede – also Gerechtigkeit innerhalb der heute lebenden Generation, etwa zwischen Industrie- und Entwicklungsländern oder zwischen verschiedenen Bevölkerungsgruppen. Zweitens ist von intergenerativer Gerechtigkeit die Rede – Gerechtigkeit zwischen heutigen und zukünftigen Generationen. Nachhaltigkeit ist damit von vornherein kein rein ökologisches, sondern ein explizit auch soziales und ökonomisches Konzept: Ressourcen dürfen heute nicht so verbraucht werden, dass künftige Generationen ihre eigenen Bedürfnisse nicht mehr befriedigen können, und diese Einschränkung gilt gleichermaßen für natürliche wie für soziale und wirtschaftliche “Ressourcen”.
Aus dieser Doppelung ökonomischer, ökologischer und sozialer Aspekte entwickelte sich das im Nachhaltigkeitsmanagement am weitesten verbreitete Ordnungsschema: die Triple Bottom Line (Baumast und Pape 2013). Sie unterscheidet drei gleichrangige Zieldimensionen, deren gemeinsame Erfüllung – nicht die einseitige Maximierung einer einzelnen Dimension – als nachhaltig gilt:
Für das Supply Chain Management lässt sich daraus eine handhabbare Arbeitsdefinition ableiten, an der sich dieses Kapitel orientiert:
Definition: Sustainable Supply Chain Management
Sustainable Supply Chain Management (Sustainable SCM) bezeichnet die Planung, Ausführung und Kontrolle von Geschäftsprozessen unter Berücksichtigung ökonomischer, ökologischer und sozialer Ziele, um die langfristige Wettbewerbsfähigkeit der Supply Chain sicherzustellen (Bouchery u. a. 2016).
Bemerkenswert an dieser Definition ist, dass sie Nachhaltigkeit nicht als Gegensatz zur Wettbewerbsfähigkeit formuliert, sondern als deren Voraussetzung: Eine Supply Chain, die ihre ökologischen und sozialen Wirkungen ignoriert, riskiert Reputationsschäden, regulatorische Eingriffe, steigende Rohstoffpreise und den Verlust von Marktzugängen – und damit letztlich genau jene ökonomische Wettbewerbsfähigkeit, die sie durch die Vernachlässigung von Nachhaltigkeit eigentlich schützen wollte. Nachhaltigkeit und klassische SCM-Ziele stehen also in einem doppelten Verhältnis: kurzfristig häufig im Zielkonflikt (mehr Nachhaltigkeit kostet in der Regel zunächst Geld oder Zeit), langfristig aber komplementär (fehlende Nachhaltigkeit gefährdet die Wettbewerbsfähigkeit selbst).
Nicht jedes Unternehmen ist in gleichem Maße von ökologischen Fragestellungen betroffen, und nicht jedes Unternehmen reagiert auf eine gegebene Betroffenheit gleich offensiv. Um diese Beobachtung zu systematisieren, lässt sich – analog zum Strategic-Fit-Konzept aus Kapitel 2 – ein zweidimensionales Raster aufspannen (Günther 2008):
Aus der Kombination beider Dimensionen ergeben sich vier idealtypische Positionierungen, die die folgende Tabelle zusammenfasst:
tibble(
Typ = c("Ökologieignoranz", "Ökologieresistenz", "Ökologieadaption", "Ökologieoffensive"),
Betroffenheit = c("niedrig", "hoch", "hoch", "niedrig"),
Ökologieorientierung = c("niedrig", "niedrig", "hoch", "hoch"),
Reaktionsmuster = c(
"Ökologische Themen werden als strategisch nachrangig behandelt.",
"Nur regulatorische Mindestanpassung; Investitionen werden verzögert, teils Lobbyismus gegen strengere Vorgaben.",
"Aktive Anpassung an ökologische Anforderungen zur Sicherung von Resilienz und Wettbewerbsfähigkeit.",
"Nachhaltigkeit wird aktiv als Innovations- und Wettbewerbschance genutzt."
),
Beispiele = c(
"Volkswagen (Diesel-Skandal, verzögerte E-Strategie)",
"SKW Piesteritz (Chemieindustrie)",
"EON (Ausbau erneuerbarer Erzeugung); Stegra (grüner Stahl)",
"Patagonia (Reparaturservice, Kreislaufansätze); IKEA (erneuerbare Energien, nachhaltige Materialien)"
)
) |>
kable(align = "lllll",
caption = "Vier Positionierungen im Raster aus ökologischer Betroffenheit und Ökologieorientierung") |>
kable_styling(font_size = 12)| Typ | Betroffenheit | Ökologieorientierung | Reaktionsmuster | Beispiele |
|---|---|---|---|---|
| Ökologieignoranz | niedrig | niedrig | Ökologische Themen werden als strategisch nachrangig behandelt. | Volkswagen (Diesel-Skandal, verzögerte E-Strategie) |
| Ökologieresistenz | hoch | niedrig | Nur regulatorische Mindestanpassung; Investitionen werden verzögert, teils Lobbyismus gegen strengere Vorgaben. | SKW Piesteritz (Chemieindustrie) |
| Ökologieadaption | hoch | hoch | Aktive Anpassung an ökologische Anforderungen zur Sicherung von Resilienz und Wettbewerbsfähigkeit. | EON (Ausbau erneuerbarer Erzeugung); Stegra (grüner Stahl) |
| Ökologieoffensive | niedrig | hoch | Nachhaltigkeit wird aktiv als Innovations- und Wettbewerbschance genutzt. | Patagonia (Reparaturservice, Kreislaufansätze); IKEA (erneuerbare Energien, nachhaltige Materialien) |
Die Achsen sind dabei so zu lesen, dass die obere Hälfte des Rasters (hohe Betroffenheit) Unternehmen umfasst, die sich ökologischen Anforderungen kaum entziehen können – sie reagieren entweder abwehrend (Resistenz) oder anpassend (Adaption). In der unteren Hälfte (geringe Betroffenheit) besteht dagegen ein Wahlrecht: Man kann ökologische Themen ignorieren oder sie offensiv als Differenzierungsmerkmal nutzen, obwohl kein unmittelbarer Druck besteht. Die vier Positionierungen zeigen damit, dass Betroffenheit allein noch keine Strategie determiniert: SKW Piesteritz und EON sind beide durch ihre Branche hoch von ökologischen Fragen betroffen, reagieren darauf aber sehr unterschiedlich – das eine Unternehmen minimalistisch-abwartend (Ökologieresistenz), das andere durch aktive Transformation des eigenen Geschäftsmodells (Ökologieadaption). Für das Supply Chain Management folgt daraus eine wichtige Konsequenz: Die eigene Positionierung im Raster beeinflusst unmittelbar, welche der im Folgenden vorgestellten Strategien überhaupt ernsthaft in Betracht gezogen werden – ein ökologieoffensives Unternehmen wird eher bereit sein, in Circular-Product-Design oder Remanufacturing zu investieren, als ein ökologieresistentes.
Die Praxis kennt eine kaum überschaubare Vielzahl einzelner Maßnahmen, mit denen Unternehmen auf ökologische Anforderungen reagieren – von der Tourenoptimierung über Recyclingquoten bis zum Carsharing. Um in dieser Vielfalt Orientierung zu schaffen, lässt sich ein vierstufiges Hierarchiemodell ökologieorientierten Wirtschaftens aufspannen, das von sehr allgemeinen Handlungsregeln bis zu konkreten, unmittelbar umsetzbaren Konzepten reicht (Dyckhoff u. a. 2008). Die Logik dieser Hierarchie ist deduktiv: Handlungsregeln begründen Grundstrategien, Grundstrategien werden über Grundprinzipien operationalisiert, und Grundprinzipien münden schließlich in konkrete Konzepte, die sich in einzelnen Unternehmen tatsächlich umsetzen lassen.
Auf der obersten Ebene stehen vier Handlungsregeln, die formulieren, unter welchen Bedingungen wirtschaftliches Handeln als ökologisch tragfähig gelten kann: die Gesunderhaltung ökologischer Systeme (z. B. IKEAs zertifizierte Holzbeschaffung), die Beachtung der Aufnahmefähigkeit ökologischer Systeme (z. B. Emissionsmonitoring in Chemieparks, das sich an Belastungsgrenzen orientiert), die ausgewogene Nutzung regenerierbarer Ressourcen (z. B. Fangquoten in der Fischerei, die sich am Reproduktionsvermögen der Bestände orientieren) sowie die ausgewogene Nutzung nicht-regenerierbarer Ressourcen (z. B. Aluminium-Recycling zur Schonung von Primärrohstoffen). Diese vier Regeln übersetzen die abstrakte Brundtland-Definition in konkrete Anforderungen an den Umgang mit natürlichen Systemen.
Aus diesen Handlungsregeln lassen sich drei Grundstrategien ableiten, die häufig auch als “die drei großen S” der Umweltstrategie bezeichnet werden: Suffizienz zielt auf einen geringeren absoluten Ressourcenverbrauch durch weniger, langsameren oder bedarfsgerechteren Konsum – etwa wenn Patagonia gezielt Reparaturen statt Neukäufe bewirbt oder wenn Sharing-Modelle die gemeinschaftliche statt individuelle Nutzung von Produkten fördern. Effizienz bedeutet, mit weniger Energie- und Materialeinsatz dieselbe oder eine höhere Leistung zu erzielen – etwa durch Tourenoptimierung in der Logistik oder die LED-Umrüstung von Filialnetzen, die bei gleicher Beleuchtungsleistung deutlich weniger Strom benötigt. Konsistenz schließlich versucht, Stoff- und Energieströme von vornherein naturverträglich zu gestalten, etwa durch geschlossene Materialkreisläufe (Interface bei Teppichfliesen) oder den Ersatz fossiler durch erneuerbare Energieträger. Wichtig ist der Unterschied zwischen diesen drei Strategien: Suffizienz reduziert den Verbrauch absolut, Effizienz reduziert ihn relativ zur erbrachten Leistung, und Konsistenz verändert die Art der eingesetzten Stoff- und Energieströme, ohne notwendigerweise deren Menge zu reduzieren.
Auf der dritten Ebene stehen vier Grundprinzipien, die beschreiben, wie Unternehmen die Grundstrategien organisatorisch umsetzen. Das Verantwortungsprinzip verlangt, dass Verursacher ökologischer Wirkungen auch Verantwortung für deren Folgen übernehmen – etwa im Rahmen einer erweiterten Herstellerverantwortung für Verpackungen oder einer systematischen CO2-Bilanzierung, die Emissionen der eigenen Wertschöpfung zurechnet. Das Kooperationsprinzip geht davon aus, dass sich ökologische Probleme durch Zusammenarbeit besser lösen lassen als durch isoliertes Einzelhandeln, etwa in Form von Brancheninitiativen für nachhaltige Lieferketten oder industrieller Symbiose, bei der die Abwärme oder Nebenprodukte eines Werks von einem anderen genutzt werden. Das Kreislaufprinzip fordert, Materialien möglichst lange im Umlauf zu halten – ein Prinzip, dem wir uns im nächsten Abschnitt ausführlich widmen. Und das Prinzip der Funktionsorientierung rückt nicht das physische Produkt, sondern die gewünschte Funktion in den Mittelpunkt: Carsharing verkauft Mobilität statt Fahrzeugeigentum, “Licht als Dienstleistung” verkauft Beleuchtung statt Lampenbestand.
Auf der untersten, konkretesten Ebene stehen schließlich vier Konzepte, mit denen Unternehmen die Grundprinzipien im Tagesgeschäft umsetzen: Entstofflichung ersetzt materielle Prozesse durch digitale Lösungen (digitale statt gedruckte Rechnungen, Streaming statt physischer Datenträger); Energieeffizienzsteigerung erbringt dieselbe Leistung mit weniger Energieeinsatz (Wärmerückgewinnung in der Produktion); Entflechtung löst problematische Kopplungen zwischen Wirtschaftswachstum und Ressourcenverbrauch (Homeoffice statt Pendelverkehr, regionale statt globale Beschaffung); und Entschleunigung setzt auf langsamere, langlebigere Nutzungsmuster (Slow Fashion statt kurzer Kollektionszyklen, Bahn statt Flug bei Geschäftsreisen). Die folgende Tabelle fasst diese vierstufige Hierarchie mit je einem Praxisbeispiel zusammen.
tibble(
Ebene = c(
rep("Handlungsregel", 4),
rep("Grundstrategie", 3),
rep("Grundprinzip", 4),
rep("Konzept", 4)
),
Bezeichnung = c(
"Gesunderhaltung ökologischer Systeme",
"Beachtung der Aufnahmefähigkeit",
"Nutzung regenerierbarer Ressourcen",
"Nutzung nicht-regenerierbarer Ressourcen",
"Suffizienz", "Effizienz", "Konsistenz",
"Verantwortungsprinzip", "Kooperationsprinzip",
"Kreislaufprinzip", "Funktionsorientierung",
"Entstofflichung", "Energieeffizienzsteigerung",
"Entflechtung", "Entschleunigung"
),
Beispiel = c(
"IKEA: zertifizierte/recycelte Holzbeschaffung",
"Chemiepark mit kontinuierlichem Emissionsmonitoring",
"Fangquoten in der Fischerei",
"Aluminium-Recycling in der Verpackungswirtschaft",
"Patagonia: Reparaturservice statt Neukauf",
"DHL: Tourenoptimierung",
"Interface: Kreislauffähige Teppichfliesen",
"Erweiterte Herstellerverantwortung für Verpackungen",
"Brancheninitiativen für nachhaltige Lieferketten",
"Renault: Remanufacturing von Autoteilen",
"Carsharing statt Fahrzeugbesitz",
"Digitale statt gedruckte Rechnungen",
"Wärmerückgewinnung in der Produktion",
"Homeoffice statt Pendelverkehr",
"Bahn statt Flug bei Geschäftsreisen"
)
) |>
select(-Ebene) |>
kable(align = "ll",
col.names = c("Bezeichnung", "Beispiel"),
caption = "Vierstufige Hierarchie ökologischer SCM-Strategien: von der Handlungsregel zum Konzept") |>
kable_styling(font_size = 12) |>
pack_rows("Handlungsregeln", 1, 4) |>
pack_rows("Grundstrategien", 5, 7) |>
pack_rows("Grundprinzipien", 8, 11) |>
pack_rows("Konzepte", 12, 15)| Bezeichnung | Beispiel |
|---|---|
| Handlungsregeln | |
| Gesunderhaltung ökologischer Systeme | IKEA: zertifizierte/recycelte Holzbeschaffung |
| Beachtung der Aufnahmefähigkeit | Chemiepark mit kontinuierlichem Emissionsmonitoring |
| Nutzung regenerierbarer Ressourcen | Fangquoten in der Fischerei |
| Nutzung nicht-regenerierbarer Ressourcen | Aluminium-Recycling in der Verpackungswirtschaft |
| Grundstrategien | |
| Suffizienz | Patagonia: Reparaturservice statt Neukauf |
| Effizienz | DHL: Tourenoptimierung |
| Konsistenz | Interface: Kreislauffähige Teppichfliesen |
| Grundprinzipien | |
| Verantwortungsprinzip | Erweiterte Herstellerverantwortung für Verpackungen |
| Kooperationsprinzip | Brancheninitiativen für nachhaltige Lieferketten |
| Kreislaufprinzip | Renault: Remanufacturing von Autoteilen |
| Funktionsorientierung | Carsharing statt Fahrzeugbesitz |
| Konzepte | |
| Entstofflichung | Digitale statt gedruckte Rechnungen |
| Energieeffizienzsteigerung | Wärmerückgewinnung in der Produktion |
| Entflechtung | Homeoffice statt Pendelverkehr |
| Entschleunigung | Bahn statt Flug bei Geschäftsreisen |
Nachhaltigkeit verändert nicht nur die Zielgrößen, sondern auch die Planungsaufgaben entlang der Supply Chain. Stindt (2017) ordnet diese – analog zur Supply Chain Planning Matrix aus Kapitel 5 – nach Planungsebene und Prozess. Auf der strategischen Ebene geht es um die Gestaltung eines Netzwerks, das neben den Vorwärts- auch Rückflüsse (Rücknahme, Aufbereitung, Recycling) aufnehmen kann, um die Auswahl von Lieferanten nach ökologischen und sozialen Kriterien sowie um die kreislauffähige Gestaltung von Produkten. Auf der taktischen Ebene werden Kapazitäten für Rückführung und Aufbereitung dimensioniert, Transportmodi unter Emissionsgesichtspunkten gewählt und Emissionsbudgets auf Standorte und Perioden verteilt. Auf der operativen Ebene schließlich geht es um emissionsarme Tourenplanung, die Steuerung von Rückläufern und die Vermeidung von Verderb und Abfall im Tagesgeschäft.
Stindts zentrale These ist, dass Nachhaltigkeit nicht als zusätzliches, nachgelagertes Planungsmodul “aufgesetzt” werden kann, sondern in die bestehenden Planungsaufgaben integriert werden muss: Jedes der in diesem Reader behandelten Modelle – Standortplanung, Transportproblem, Bestandsplanung – lässt sich um ökologische Zielgrößen oder Nebenbedingungen erweitern, wie es weiter unten in diesem Abschnitt mit CO₂-Preisen und Emissionsbudgets gezeigt wird.
Unter den vier Grundprinzipien des vorigen Abschnitts verdient das Kreislaufprinzip eine vertiefte Betrachtung, weil es die Struktur ganzer Supply Chains verändert – nicht nur einzelne Prozesse innerhalb einer unveränderten Kettenlogik. Um diese strukturelle Veränderung zu verstehen, lohnt sich zunächst ein Blick auf die Abfallhierarchie der Ellen MacArthur Foundation, die die grundsätzlich verfügbaren Umgangsformen mit Materialien und Produkten am Ende ihres Lebenszyklus nach ökologischer Vorzugswürdigkeit ordnet:
tibble(
Rang = 1:6,
Stufe = c("Prevent", "Reduce", "Reuse", "Recycling", "Energy Recovery", "Disposal"),
Bedeutung = c(
"Entstehung von Abfall von vornherein vermeiden (z. B. durch Suffizienz oder Funktionsorientierung)",
"Menge des eingesetzten Materials verringern (Effizienz)",
"Produkte oder Komponenten ohne erneute Bearbeitung weiterverwenden",
"Material stofflich aufbereiten und erneut als Rohstoff einsetzen",
"Nicht mehr verwertbares Material energetisch nutzen (z. B. Verbrennung mit Wärmegewinnung)",
"Endgültige, möglichst schadstoffarme Beseitigung (letzte Option)"
)
) |>
kable(align = "cll",
caption = "Abfallhierarchie: von der Vermeidung (höchste Priorität) bis zur Beseitigung (niedrigste Priorität)")| Rang | Stufe | Bedeutung |
|---|---|---|
| 1 | Prevent | Entstehung von Abfall von vornherein vermeiden (z. B. durch Suffizienz oder Funktionsorientierung) |
| 2 | Reduce | Menge des eingesetzten Materials verringern (Effizienz) |
| 3 | Reuse | Produkte oder Komponenten ohne erneute Bearbeitung weiterverwenden |
| 4 | Recycling | Material stofflich aufbereiten und erneut als Rohstoff einsetzen |
| 5 | Energy Recovery | Nicht mehr verwertbares Material energetisch nutzen (z. B. Verbrennung mit Wärmegewinnung) |
| 6 | Disposal | Endgültige, möglichst schadstoffarme Beseitigung (letzte Option) |
Die Hierarchie ist bewusst als Rangfolge zu lesen: Je weiter oben eine Option steht, desto stärker bleibt der ökonomische und ökologische Wert eines Materials erhalten, und desto geringer ist der zusätzliche Ressourcen- und Energieeinsatz, der zu seiner erneuten Nutzung nötig ist. Recycling steht dabei bewusst erst an vierter Stelle: Häufig wird Recycling in der öffentlichen Debatte mit Nachhaltigkeit gleichgesetzt, tatsächlich ist es aus ökologischer Sicht aber nur die drittbeste verfügbare Option, weil auch das Recycling selbst Energie und Prozesse benötigt und ein Teil der ursprünglich im Produkt gebundenen Wertschöpfung verloren geht.
Genau diese Rangfolge liegt dem Konzept der Kreislaufwirtschaft (Circular Economy) zugrunde: Statt Materialien nach einmaliger Nutzung zu entsorgen, sollen sie so lange wie möglich auf möglichst hoher Hierarchiestufe im Wirtschaftskreislauf gehalten werden. Für die Supply-Chain-Gestaltung lassen sich daraus drei grundlegend verschiedene Kettentypen unterscheiden (Dyckhoff 1998; Chopra und Meindl 2025):
Definition: lineare, reverse und zirkuläre Supply Chain
Eine lineare Supply Chain folgt dem klassischen Fluss Rohstoffgewinnung → Produktion → Distribution → Nutzung → Entsorgung, ohne dass Materialien nach der Nutzungsphase in die Kette zurückfließen.
Eine reverse Supply Chain (Reverse Logistics) ergänzt diesen linearen Fluss um einen Rückfluss von Produkten, Komponenten oder Verpackungen vom Endkunden zurück zu vorgelagerten Stufen – etwa zur Reparatur, zum Recycling oder zur fachgerechten Entsorgung.
Eine zirkuläre Supply Chain (Circular Supply Chain) geht noch einen Schritt weiter: Sie ist von vornherein so gestaltet, dass zurückgeführte Materialien und Produkte wieder vollwertig in den Produktions- und Nutzungskreislauf eingespeist werden, sodass Primärressourcen möglichst vollständig durch im System zirkulierende Sekundärressourcen ersetzt werden.
Der Unterschied zwischen reverser und zirkulärer Supply Chain ist mehr als semantisch: Eine reverse Logistik kann rein defensiv motiviert sein (gesetzliche Rücknahmepflicht, Garantieabwicklung), während eine zirkuläre Supply Chain die Rückführung bereits im Produkt- und Prozessdesign antizipiert und damit von Anfang an höhere Stufen der Abfallhierarchie – Wiederverwendung und Remanufacturing statt bloßem Recycling – erreichbar macht.
Um Kreislaufwirtschaft entlang einer Supply Chain tatsächlich umzusetzen, müssen mehrere Gestaltungsfelder gleichzeitig adressiert werden, die sich grob drei Bereichen zuordnen lassen:
Der mittlere dieser drei Bereiche – Sustainable Logistics – betrifft unmittelbar eine Entscheidung, die uns bereits aus früheren Kapiteln vertraut ist: die Wahl des Verkehrsträgers. Wie stark sich diese Wahl auf die CO₂-Bilanz einer Sendung auswirkt, zeigt die R-Rechnung am Ende dieses Abschnitts.
Kreislauforientierte Produktgestaltung lässt sich nicht für jedes Produkt nach demselben Muster betreiben – ein Smartphone erfordert eine andere Kreislaufstrategie als eine Verpackung. Um die passende Normstrategie zu bestimmen, lässt sich ein zweidimensionales Raster aus Produktkomplexität (niedrig bis hoch) und Dynamik der Kundenpräferenzen (statisch bis dynamisch) aufspannen. Die Kombination beider Dimensionen ergibt vier Normstrategien:
tibble(
Quadrant = c(
"niedrige Komplexität / dynamische Präferenzen",
"hohe Komplexität / dynamische Präferenzen",
"niedrige Komplexität / statische Präferenzen",
"hohe Komplexität / statische Präferenzen"
),
Normstrategie = c(
"Design for Recycling",
"Design for Remanufacture & Reuse",
"Design for Recycled Content",
"Design for Repair & Durability"
),
Begründung = c(
"Kurzlebige, trendabhängige Produkte lohnen sich kaum für Wiederaufbereitung; sortenreine Materialtrennung für stoffliches Recycling ist die effizienteste Kreislaufoption.",
"Hoher Materialwert und hohe Fertigungskomplexität rechtfertigen die aufwendigere Wiederaufbereitung ganzer Komponenten oder Geräte, trotz wechselnder Kundenwünsche.",
"Einfache, standardisierte Produkte mit stabiler Nachfrage eignen sich gut dafür, bereits im Herstellungsprozess einen hohen Anteil recycelten Materials einzusetzen.",
"Bei komplexen, aber langlebig nachgefragten Produkten zahlt sich eine auf Reparierbarkeit und lange Nutzungsdauer ausgelegte Konstruktion besonders aus."
),
Beispielprodukte = c(
"Bekleidung, Möbel",
"Smartphones, Computer",
"Verpackungen, Stahl",
"Autos, Haushaltsgeräte"
)
) |>
kable(align = "llll",
caption = "Normstrategien der Circular Supply Chain nach Produktkomplexität und Präferenzdynamik") |>
kable_styling(font_size = 12)| Quadrant | Normstrategie | Begründung | Beispielprodukte |
|---|---|---|---|
| niedrige Komplexität / dynamische Präferenzen | Design for Recycling | Kurzlebige, trendabhängige Produkte lohnen sich kaum für Wiederaufbereitung; sortenreine Materialtrennung für stoffliches Recycling ist die effizienteste Kreislaufoption. | Bekleidung, Möbel |
| hohe Komplexität / dynamische Präferenzen | Design for Remanufacture & Reuse | Hoher Materialwert und hohe Fertigungskomplexität rechtfertigen die aufwendigere Wiederaufbereitung ganzer Komponenten oder Geräte, trotz wechselnder Kundenwünsche. | Smartphones, Computer |
| niedrige Komplexität / statische Präferenzen | Design for Recycled Content | Einfache, standardisierte Produkte mit stabiler Nachfrage eignen sich gut dafür, bereits im Herstellungsprozess einen hohen Anteil recycelten Materials einzusetzen. | Verpackungen, Stahl |
| hohe Komplexität / statische Präferenzen | Design for Repair & Durability | Bei komplexen, aber langlebig nachgefragten Produkten zahlt sich eine auf Reparierbarkeit und lange Nutzungsdauer ausgelegte Konstruktion besonders aus. | Autos, Haushaltsgeräte |
Die Tabelle macht deutlich, dass “Kreislaufwirtschaft” kein einheitliches Rezept ist, sondern je nach Produktkategorie sehr unterschiedliche Schwerpunkte setzt. Bei Verpackungen und Stahl – niedrige Komplexität, stabile Nachfrage – steht die Erhöhung des Recycled-Content-Anteils im Vordergrund, weil sich hierfür standardisierte, planbare Materialkreisläufe etablieren lassen. Bei Smartphones und Computern dagegen, wo sowohl der Materialwert als auch die Fertigungskomplexität hoch sind, lohnt sich Remanufacturing – die Wiederaufbereitung ganzer Baugruppen oder Geräte für einen erneuten Verkauf –, obwohl sich die Kundenpräferenzen (neue Funktionen, neues Design) laufend ändern. Bei Autos und Haushaltsgeräten schließlich, die zwar komplex, aber vergleichsweise stabil nachgefragt werden, zahlt sich eine von vornherein auf Reparierbarkeit ausgelegte Konstruktion aus – ein Prinzip, das unmittelbar an das Renault-Beispiel aus der Strategien-Hierarchie weiter oben anknüpft.
Die bisherigen Konzepte beschreiben, was nachhaltiges SCM anstrebt. Für konkrete Planungsentscheidungen muss Nachhaltigkeit zusätzlich messbar gemacht und in Entscheidungsmodelle eingebaut werden.
Logistische Aktivitäten verursachen Umweltwirkungen entlang des gesamten Produktlebenszyklus. Zu den besonders relevanten Quellen gehören:
Für eine erste operative Bewertung werden Treibhausgasemissionen häufig als CO₂-Äquivalente ausgedrückt. Dieses Maß erleichtert Vergleiche, ersetzt jedoch keine vollständige Umweltbilanz. Beispielsweise können Flächenverbrauch, Wasserknappheit, Biodiversität oder lokale Luftschadstoffe bei derselben Entscheidung ebenfalls relevant sein.
Ein externer Effekt liegt vor, wenn eine Aktivität Dritte belastet oder begünstigt, ohne dass diese Wirkung vollständig im Marktpreis der Entscheidung enthalten ist. Emissionen, Lärm oder lokale Luftschadstoffe sind typische negative externe Effekte logistischer Aktivitäten.
Für betriebliche Entscheidungen können solche Wirkungen auf unterschiedliche Weise berücksichtigt werden:
Die Internalisierung bedeutet nicht, dass für jede Umweltwirkung ein zweifelsfreier Marktpreis existiert. Sie bedeutet zunächst, Umweltwirkungen in der Entscheidung sichtbar zu machen und eine nachvollziehbare Regel festzulegen, wie sie gegenüber Kosten und Service gewichtet oder begrenzt werden.
Sei (x) ein Vektor logistischer Entscheidungsvariablen, beispielsweise über Lagerstandorte, Transportmengen, Lieferwege oder Bestandsniveaus. Die Gesamtkosten werden mit (K(x)), die Treibhausgasemissionen mit (E(x)) bezeichnet. Dann lautet eine mehrzielige Darstellung:
\[ \min \; \left(K(x), E(x)\right). \]
Ein solches Problem besitzt im Allgemeinen nicht nur eine eindeutig beste Lösung. Eine Verbesserung der Kosten kann mit höheren Emissionen verbunden sein und umgekehrt. Als effizient oder Pareto-optimal gelten Lösungen, bei denen keine Zielgröße verbessert werden kann, ohne mindestens eine andere Zielgröße zu verschlechtern.
Das Serviceniveau kann als drittes Ziel oder als Mindestanforderung modelliert werden. Beispielsweise kann verlangt werden, dass ein Anteil von mindestens () der Nachfrage innerhalb einer vorgegebenen Zeit beliefert wird. In dieser Form wird klar: Nachhaltige Gestaltung bedeutet nicht automatisch, Kosten oder Service zu vernachlässigen, sondern Zielgrößen transparent gemeinsam zu steuern.
Eine Möglichkeit, Kosten und Emissionen in einer Zielfunktion zusammenzuführen, ist die gewichtete Bewertung:
\[ \min \; Z(x) = K(x) + \lambda E(x). \]
Der Parameter () beschreibt, mit welchem Betrag eine zusätzliche Emissionseinheit bewertet wird. Er kann einen gesetzlichen Preis, einen internen Lenkungspreis oder eine analytische Gewichtung darstellen. Steigt (), gewinnen emissionsärmere Alternativen relativ an Attraktivität.
Die Methode ist leicht anzuwenden, erfordert aber eine sorgfältige Interpretation. Ein bestimmter Wert von () ist keine naturwissenschaftlich vorgegebene Wahrheit, sondern Ausdruck einer Regel, Präferenz oder institutionellen Rahmenbedingung. Deshalb sollten Ergebnisse für mehrere plausible Werte analysiert werden.
Eine zweite Möglichkeit besteht darin, die Emissionen zu begrenzen und innerhalb dieses Budgets die Kosten zu minimieren:
\[ \begin{aligned} \min \quad & K(x) \\ \text{unter der Nebenbedingung} \quad & E(x) \leq \bar{E}, \\ & x \in X. \end{aligned} \]
Dabei bezeichnet ({E}) ein Emissionsbudget und (X) die Menge aller technisch und organisatorisch zulässigen Entscheidungen. Diese Formulierung passt besonders gut zu unternehmensinternen Reduktionszielen, regulatorischen Obergrenzen oder verbindlichen Nachhaltigkeitsvorgaben.
Ist das Budget sehr großzügig, entspricht die Lösung häufig dem reinen Kostenminimum. Wird es schrittweise verschärft, steigen die minimal erreichbaren Kosten typischerweise an. Die Differenz zwischen den optimalen Kosten bei zwei Budgets macht den ökonomischen Aufwand zusätzlicher Emissionsminderung sichtbar.
Ein Unternehmen beliefert Kundengebiete aus mehreren potenziellen Lagern. Jedes eröffnete Lager verursacht fixe Kosten. Transporte verursachen je nach Entfernung, Fahrzeugtyp, Auslastung und Energiequelle sowohl Kosten als auch Emissionen.
Eine kostenminimale Lösung kann wenige zentrale Lager bevorzugen, weil sie Fixkosten und Bestände bündelt. Eine emissionsminimale Lösung kann dagegen andere Standorte wählen, wenn dadurch Transportwege verkürzt, alternative Verkehrsträger erreichbar oder energieeffizientere Lager genutzt werden. Eine dritte Lösung minimiert Kosten unter einem verbindlichen Emissionsbudget.
Die Standort- und Netzwerkmodelle der folgenden Kapitel erweitern genau diese Logik. Dort werden fixe Standortkosten, Transportmengen, Kapazitäten und Zuordnungen als formale Entscheidungsvariablen modelliert.
Unterschiedliche Verkehrsträger – LKW, Bahn, Binnenschiff, Seeschiff, Flugzeug – unterscheiden sich massiv in ihrer CO2-Effizienz je transportierter Gütermenge. Die gebräuchliche Bezugsgröße hierfür ist die Tonnenkilometer (tkm): die Beförderung einer Tonne Ladung über einen Kilometer Strecke. Die CO2-Emission einer konkreten Sendung lässt sich dann näherungsweise als
\[ E \;=\; d \cdot m \cdot f \]
berechnen, wobei \(d\) die zurückgelegte Distanz in Kilometern, \(m\) die transportierte Masse in Tonnen und \(f\) den Emissionsfaktor des jeweiligen Verkehrsträgers in Gramm CO2 je Tonnenkilometer (g CO2/tkm) bezeichnet. Genau mit dieser Formel arbeiten wir in den folgenden drei R-Exkursen, die zugleich drei neue R-Techniken einführen: den Import tabellarischer Daten mit readr, die Bildung eines Index mit dplyr sowie die Konstruktion eines gestapelten Balkendiagramms mit ggplot2::geom_col().
R-Exkurs: Emissionsdaten importieren mit readr
Bislang haben wir in diesem Buch Daten fast ausschließlich direkt als Vektor oder tibble im R-Code angelegt. In der Praxis liegen Daten – etwa Emissionsfaktoren aus einer Umweltdatenbank – jedoch meist als Textdatei vor, typischerweise im CSV-Format (comma-separated values). Das tidyverse-Paket readr stellt dafür die Funktion read_csv() bereit, die eine CSV-Datei (oder, wie hier zu Demonstrationszwecken, einen CSV-formatierten Text) einliest und dabei automatisch sinnvolle Spaltentypen erkennt – Zahlen werden als double, Text als character importiert, ohne dass man dies von Hand angeben müsste.
Damit read_csv() eine Zeichenkette als Dateninhalt und nicht als Dateipfad interpretiert, wird sie mit der Basis-R-Funktion I() (“as is”) gekennzeichnet:
# CO2-Emissionsfaktoren ausgewaehlter Verkehrstraeger in g CO2 je Tonnenkilometer.
# Es handelt sich um gerundete, groessenordnungsmaessig realistische
# Richtwerte aus der einschlaegigen Verkehrs- und Logistikliteratur, die
# hier zu Illustrationszwecken verwendet werden.
emissionsdaten_text <- "Verkehrstraeger,Emissionsfaktor_g_tkm,Kategorie
LKW,62,Strasse
Bahn,22,Schiene
Binnenschiff,31,Wasser
Seeschiff,8,Wasser
Flugzeug,602,Luft"
# read_csv() liest den (literalen) Text ein und erkennt automatisch,
# dass die zweite Spalte numerisch ist -- I() verhindert, dass der
# String faelschlich als Dateipfad interpretiert wird
emissionsfaktoren <- read_csv(I(emissionsdaten_text), show_col_types = FALSE)
emissionsfaktoren |>
arrange(Emissionsfaktor_g_tkm) |>
kable(col.names = c("Verkehrsträger", "g CO₂ / tkm", "Kategorie"),
align = "lrl",
caption = "CO2-Emissionsfaktoren ausgewählter Verkehrsträger (Richtwerte)")| Verkehrsträger | g CO₂ / tkm | Kategorie |
|---|---|---|
| Seeschiff | 8 | Wasser |
| Bahn | 22 | Schiene |
| Binnenschiff | 31 | Wasser |
| LKW | 62 | Strasse |
| Flugzeug | 602 | Luft |
Schon diese sortierte Tabelle macht den zentralen Zielkonflikt der nachhaltigen Verkehrsträgerwahl sichtbar: Das Seeschiff ist je Tonnenkilometer mit Abstand am emissionsärmsten, gefolgt von Bahn und Binnenschiff; der LKW liegt deutlich höher, und das Flugzeug verursacht je Tonnenkilometer knapp das Zehnfache der Emissionen eines LKW. Gleichzeitig sind es gerade die emissionsärmeren Verkehrsträger – Schiff und Bahn –, die typischerweise langsamer und weniger flexibel sind als der LKW. Genau hier zeigt sich die eingangs beschriebene Rückwirkung der Nachhaltigkeitsdimension auf die klassischen Tetraeder-Ecken Geschwindigkeit und Flexibilität.
R-Exkurs: Normalisierung und Indexbildung
Absolute Emissionsfaktoren sind schwer intuitiv einzuordnen (“Ist 31 g CO2/tkm viel oder wenig?”). In der Praxis werden Kennzahlen deshalb häufig normalisiert, also auf eine gemeinsame Bezugsgröße umgerechnet – hier auf den sparsamsten verfügbaren Verkehrsträger, der als Index-Basiswert 100 erhält. Mit dplyr::mutate() lässt sich ein solcher Index in einer einzigen Codezeile berechnen, weil min() innerhalb von mutate() automatisch über die gesamte Spalte gebildet und anschließend elementweise auf jede Zeile angewendet wird:
# Emissionsindex: Emissionsfaktor jedes Verkehrstraegers im Verhaeltnis
# zum sparsamsten Verkehrstraeger (dieser erhaelt den Indexwert 100) --
# min() wird einmalig ueber die ganze Spalte gebildet und dann in jeder
# Zeile fuer die Division verwendet
emissionsfaktoren <- emissionsfaktoren |>
mutate(Emissionsindex = round(Emissionsfaktor_g_tkm / min(Emissionsfaktor_g_tkm) * 100, 0))
emissionsfaktoren |>
arrange(Emissionsindex) |>
kable(col.names = c("Verkehrsträger", "g CO₂ / tkm", "Kategorie", "Index (Seeschiff = 100)"),
align = "lrlr",
caption = "Emissionsindex der Verkehrsträger relativ zum Seeschiff")| Verkehrsträger | g CO₂ / tkm | Kategorie | Index (Seeschiff = 100) |
|---|---|---|---|
| Seeschiff | 8 | Wasser | 100 |
| Bahn | 22 | Schiene | 275 |
| Binnenschiff | 31 | Wasser | 388 |
| LKW | 62 | Strasse | 775 |
| Flugzeug | 602 | Luft | 7525 |
Der Index liest sich unmittelbar anschaulicher als die Rohwerte: Der LKW emittiert danach fast achtmal, das Flugzeug rund 75-mal so viel CO2 je Tonnenkilometer wie das Seeschiff. Dieselbe Normalisierungslogik – ein Wert wird durch einen Referenzwert geteilt und mit 100 multipliziert – begegnet einem in der Praxis regelmäßig, etwa bei Preisindizes, Konjunkturindikatoren oder eben Nachhaltigkeitskennzahlen wie der CO2-Intensität je Umsatzeinheit.
Die reinen Emissionsfaktoren sagen allerdings noch nichts über eine konkrete Sendung aus, weil eine reale Transportkette meist mehrere Verkehrsträger kombiniert. Betrachten wir eine Sendung von 20 Tonnen Ladung, die über insgesamt rund 800 Kilometer transportiert werden muss, und vergleichen drei Szenarien: (A) durchgängiger LKW-Transport, (B) Bahntransport mit LKW-Vor- und -Nachlauf zu den Terminals sowie (C) Binnenschifftransport, ebenfalls mit LKW-Vor- und -Nachlauf.
ladung_t <- 20 # Tonnen Ladung je Sendung, in allen Szenarien identisch
szenarien <- tibble(
Szenario = c(
"A: Nur LKW",
"B: Bahn kombiniert", "B: Bahn kombiniert", "B: Bahn kombiniert",
"C: Binnenschiff kombiniert", "C: Binnenschiff kombiniert", "C: Binnenschiff kombiniert"
),
Streckenabschnitt = c(
"Hauptlauf",
"Vorlauf", "Hauptlauf", "Nachlauf",
"Vorlauf", "Hauptlauf", "Nachlauf"
),
Verkehrstraeger = c(
"LKW",
"LKW", "Bahn", "LKW",
"LKW", "Binnenschiff", "LKW"
),
Distanz_km = c(800, 40, 700, 60, 30, 750, 20)
)
# Emissionsfaktoren je Verkehrstraeger per left_join anfuegen und
# Emissionen je Streckenabschnitt berechnen (g -> kg durch /1000)
szenarien <- szenarien |>
left_join(emissionsfaktoren, by = "Verkehrstraeger") |>
mutate(Emission_kg = Distanz_km * ladung_t * Emissionsfaktor_g_tkm / 1000)
szenarien |>
select(Szenario, Streckenabschnitt, Verkehrstraeger, Distanz_km, Emission_kg) |>
kable(digits = 1, align = "llrrr",
caption = "Emissionen je Streckenabschnitt und Szenario (Ladung: 20 t)")| Szenario | Streckenabschnitt | Verkehrstraeger | Distanz_km | Emission_kg |
|---|---|---|---|---|
| A: Nur LKW | Hauptlauf | LKW | 800 | 992.0 |
| B: Bahn kombiniert | Vorlauf | LKW | 40 | 49.6 |
| B: Bahn kombiniert | Hauptlauf | Bahn | 700 | 308.0 |
| B: Bahn kombiniert | Nachlauf | LKW | 60 | 74.4 |
| C: Binnenschiff kombiniert | Vorlauf | LKW | 30 | 37.2 |
| C: Binnenschiff kombiniert | Hauptlauf | Binnenschiff | 750 | 465.0 |
| C: Binnenschiff kombiniert | Nachlauf | LKW | 20 | 24.8 |
R-Exkurs: ein gestapeltes Balkendiagramm mit geom_col()
Um die drei Szenarien nicht nur tabellarisch, sondern auch grafisch zu vergleichen, bietet sich ein gestapeltes Balkendiagramm an: ein Balken je Szenario, dessen Segmente die Emissionen der einzelnen Streckenabschnitte zeigen. In ggplot2 erzeugt geom_col() – anders als geom_bar(), das Häufigkeiten zählt – Balken aus bereits vorliegenden y-Werten; das Argument fill = weist jedem Streckenabschnitt eine eigene Füllfarbe zu, und ggplot2 stapelt die Segmente automatisch übereinander, sobald mehrere Zeilen denselben x-Wert teilen:
szenarien |>
ggplot(aes(x = Szenario, y = Emission_kg, fill = Verkehrstraeger)) +
geom_col(color = "white", linewidth = 0.3) +
scale_fill_manual(values = c(
"LKW" = cols$atp,
"Bahn" = cols$top,
"Binnenschiff" = cols$mid
)) +
labs(x = NULL, y = "Emissionen (kg CO2)", fill = "Verkehrsträger") +
theme_minimal(base_size = 12) +
theme(axis.text.x = element_text(size = 9))
Die Stapelung macht auf einen Blick zweierlei sichtbar: erstens, wie stark die Gesamthöhe der Balken zwischen den Szenarien variiert, und zweitens, welchen Anteil die einzelnen Streckenabschnitte an dieser Gesamtsumme haben – im Szenario B etwa dominiert der Bahn-Hauptlauf die Emissionen, während die LKW-Vor- und -Nachläufe nur kleine Segmente beisteuern.
Die Rechnung bestätigt eindrucksvoll, was der Emissionsindex bereits andeutete: Szenario A (ausschließlich LKW) verursacht rund 992 kg CO2, Szenario C (Binnenschiff kombiniert) rund 527 kg und Szenario B (Bahn kombiniert) mit rund 432 kg CO2 nur etwa 44 % der Emissionen von Szenario A – obwohl in allen drei Szenarien dieselbe Menge über dieselbe Gesamtstrecke transportiert wird. Der kombinierte Verkehr spart also allein durch die Wahl des Hauptlauf-Verkehrsträgers deutlich CO2 ein. Diese Einsparung ist jedoch nicht kostenlos: Der Umschlag zwischen LKW und Bahn bzw. Binnenschiff an den Terminals kostet Zeit und Geld, die Transitzeit steigt, und die Flexibilität sinkt, weil Bahn- und Schiffsverbindungen seltener und unflexibler getaktet sind als der LKW. Wie sich Transportemissionen nach dem internationalen Standard ISO 14083 einheitlich bilanzieren und einzelnen Sendungen zuordnen lassen, zeigt Kapitel 12. Genau dieser Trade-off zwischen Nachhaltigkeit einerseits und Geschwindigkeit, Flexibilität und mitunter auch Kosten andererseits wird im folgenden Abschnitt in den Rahmen des Tetraeders eingeordnet.
Damit lässt sich der Bogen zurück zum Tetraeder schließen. Die Verkehrsträgerrechnung im vorigen Abschnitt hat exemplarisch gezeigt, dass sich Nachhaltigkeitsziele selten isoliert verfolgen lassen, sondern fast immer mit mindestens einer der vier klassischen Tetraeder-Ecken in Spannung stehen:
Diese Beobachtung bedeutet nicht, dass Nachhaltigkeit den anderen Zielen grundsätzlich unterlegen wäre – sie folgt vielmehr genau der Logik, die wir bereits für den klassischen Tetraeder kennengelernt haben: Ein Zielkonflikt lässt sich nicht auflösen, sondern nur durch eine bewusste, situationsabhängige Abwägung handhaben. Für die Verkehrsträgerwahl kann das etwa heißen, den emissionsintensiven, aber schnellen LKW für zeitkritische Teilstrecken zu reservieren und den emissionsärmeren, aber langsameren kombinierten Verkehr für planbare Hauptläufe zu nutzen – eine Lösung, die kein Extrempunkt des Tetraeders ist, sondern ein bewusst gewähltes Profil irgendwo im Inneren. Genau darin liegt eine zentrale Botschaft dieses Kapitels und des gesamten Readers: Supply Chain Management bedeutet nicht, ein einzelnes Ziel zu maximieren, sondern tragfähige Kompromisse zwischen mehreren, teils gegenläufigen Zielen – heute ausdrücklich einschließlich der Nachhaltigkeit – zu gestalten.
Kennzahlen verdichten komplexe Wirkungen, dürfen aber nicht zu falscher Sicherheit führen. Für Supply-Chain-Entscheidungen sind unter anderem relevant:
Kennzahlen sollten stets mit klaren Bilanzgrenzen, Bezugsgrößen und Zeiträumen dokumentiert werden. Eine Emission pro Einheit kann sich verbessern, obwohl die absoluten Emissionen aufgrund steigender Mengen zunehmen. Beide Perspektiven sind daher erforderlich.
Ein belastbarer Entscheidungsprozess umfasst typischerweise fünf Schritte:
Die explizite Dokumentation von Annahmen ist besonders wichtig. Sie macht Entscheidungen nachvollziehbar und erlaubt, Modellresultate bei veränderten Rahmenbedingungen zu aktualisieren.
Zum Abschluss der Grundlagenkapitel wird das Fallbeispiel eingeführt, das uns durch den gesamten weiteren Reader begleitet. Es erlaubt, die bisher eingeführten Konzepte — Wertschöpfungsprozess, Strategic Fit, Zielsystem und Zielkonflikte — auf ein konkretes, überschaubares Geschäftsmodell anzuwenden, bevor in den folgenden Kapiteln die quantitativen Planungsmodelle an demselben Unternehmen durchgerechnet werden.
Fallstudie: Die Geschäftsidee der SushiFresh GmbH
Die SushiFresh GmbH ist ein (fiktives) Start-up, das täglich frisch hergestellte Sushi-Boxen im Rhein-Main-Gebiet anbietet.
Eckdaten: Haltbarkeit maximal 24–36 Stunden; durchgehende Kühlkette von 0–4 °C; Zutaten Reis, Nori, regionales Gemüse sowie importierter Lachs und Thunfisch; stark schwankende Nachfrage (Wochentag, Wetter, Events); geplantes Wachstum von 3 auf 30 Verkaufsstellen.
Die Vorlesung stellt zu dieser Geschäftsidee zwei Gruppen von Leitfragen: zur strategischen Position und zur Struktur der Supply Chain. Im Folgenden wird eine mögliche Analyse skizziert, die die Begriffe der Kapitel 1 bis 3 systematisch anwendet. Sie ist nicht als einzig richtige Lösung zu verstehen, sondern als Beispiel für eine strukturierte Argumentation.
Kundengruppen und Nutzenversprechen. SushiFresh adressiert Kundinnen und Kunden, die eine schnelle, hochwertige Mahlzeit suchen — Berufstätige in der Mittagspause, Pendler, Kleinhaushalte am Abend. Im Sinne der Nutzenarten aus Kapitel 1 steht nicht allein der Formnutzen (das Produkt), sondern vor allem der Zeitnutzen (sofort verfügbar, ohne Wartezeit) und der Raumnutzen (im ohnehin besuchten Supermarkt) im Vordergrund. Die Frische ist dabei das zentrale Qualitätsmerkmal. Gegenüber Restaurants und Lieferdiensten punktet SushiFresh mit Bequemlichkeit und Preis, gegenüber industriell gefertigtem, länger haltbarem Supermarkt-Sushi mit Qualität und Frische. Wettbewerbsstrategisch entspricht dies am ehesten einer Qualitäts- bzw. Serviceführerschaft (vgl. die Normstrategien in Kapitel 2) — nicht einer Kostenführerschaft.
Implizierte Unsicherheit und Strategic Fit. Nach der Systematik aus Kapitel 2 ist die implizierte Unsicherheit hoch: Die Tagesnachfrage schwankt mit Wochentag, Wetter und Events; das Sortiment umfasst zwölf Varianten, deren Einzelnachfrage schwerer zu prognostizieren ist als die Gesamtnachfrage; der Kunde erwartet sofortige Verfügbarkeit (Lieferzeit null); und die Zahl der Verkaufsstellen soll stark wachsen. Hinzu kommt eine Besonderheit des Produkts: Wegen der Haltbarkeit von maximal 36 Stunden lässt sich Unsicherheit nicht über Fertigwarenbestände über mehrere Tage puffern. Das Produkt verhält sich damit ähnlich wie Fishers “innovative” Produkte, obwohl es sich um ein Lebensmittel handelt. Strategic Fit verlangt deshalb eine eher reaktionsfähige Supply Chain — allerdings mit einer Einschränkung: Die Reaktionsfähigkeit kann nicht über Lagerbestände fertiger Boxen, sondern nur über flexible Produktionsmengen, kurze Durchlaufzeiten und gute Prognosen hergestellt werden.
Zielkonflikte. Übertragen auf das Tetraeder dieses Kapitels treten vor allem drei Konflikte auf. Frische versus Kosten: Tägliche Produktion und Auslieferung verhindern große Lose und volle Lkw-Auslastung. Verfügbarkeit versus Ausschuss: Jede zusätzliche Box, die zur Absicherung gegen leere Regale produziert wird, erhöht das Risiko, am Abend unverkaufte Ware abschreiben zu müssen — genau der Zielkonflikt, den das Newsvendor-Modell in Kapitel 9 optimiert. Service versus Umwelt: Häufige, kleine Kühltransporte und Lebensmittelabfälle belasten die Ökobilanz (vgl. Abschnitt 3.11). Strategisch besonders wichtig sind damit die Zielgrößen Lieferqualität (Frische, Kühlkette), Liefertreue (Ware muss vor Ladenöffnung im Regal sein) und Verfügbarkeit; die Logistikkosten sind nachrangig, dürfen aber die Marge nicht aufzehren.
Stufen und Partner. Die Kette umfasst die Lieferanten (Fischgroßhandel für Lachs und Thunfisch, regionaler Gemüsehandel, Reis- und Nori-Lieferanten), die zentrale Küche von SushiFresh, die Kühllogistik zu den Filialen sowie den Lebensmitteleinzelhandel als Absatzkanal. Der Fisch ist dabei die kritische Komponente: Er ist teuer, verderblich und wird importiert, sodass Beschaffungsmenge und -zeitpunkt eng mit der Produktionsplanung abgestimmt werden müssen (vgl. den Bullwhip-Effekt in Kapitel 10).
Umgang mit Nachfrageschwankungen und Frische. Da Fertigwaren nicht gelagert werden können, liegt der Entkopplungspunkt (Kapitel 2) vor der Endmontage der Boxen: Vorgehalten werden allenfalls Rohwaren und vorbereitete Komponenten (gekochter Reis, geschnittenes Gemüse, portionierter Fisch), während die Boxen selbst täglich auf Basis einer Tagesprognose gefertigt werden. Die Kühlkette muss lückenlos dokumentiert werden, was für eine enge Anbindung der Logistik an SushiFresh spricht.
Zentralität versus Dezentralität. Eine zentrale Küche nutzt Skaleneffekte, bündelt Know-how und Qualitätskontrolle und erlaubt — wie Kapitel 8 zeigen wird — erhebliche Einsparungen durch Pooling der Nachfrageunsicherheit. Dem stehen längere Transportwege, ein höheres Ausfallrisiko (ein Standort) und frühere Produktionszeitpunkte gegenüber. Mehrere kleine, filialnahe Küchen wären reaktionsfähiger, aber teurer. Wo genau Produktionsstandorte liegen sollten und wie viele es sein sollten, ist Gegenstand der Kapitel 5 und 6.
Wertschöpfungstiefe. Die Kernkompetenz liegt in der Rezeptur, der Produktion und der Frischegarantie — diese Stufen gehören in eigene Hand (Make). Bei der Kühllogistik ist eine Make-or-Buy-Abwägung im Sinne von Kapitel 2 nötig: Ein spezialisierter Dienstleister bietet Skaleneffekte und variable statt fixer Kosten, eine eigene Flotte dagegen Kontrolle über Zeitfenster und Kühlkette — ein Argument, das angesichts des Frischeversprechens und der engen Anlieferzeit vor Ladenöffnung schwer wiegt. Beim Fischeinkauf spricht die Volatilität der Rohwarenpreise und -verfügbarkeit für langfristige Rahmenverträge mit wenigen, zuverlässigen Großhändlern.
Fallstudie: Ökologische Zielkonflikte der SushiFresh GmbH
SushiFresh bietet ein anschauliches Beispiel für die Nachhaltigkeitsfragen eines Frischeproduzenten. Drei Handlungsfelder stehen im Vordergrund:
Im Raster aus Betroffenheit und Ökologieorientierung ist SushiFresh als Lebensmittelhersteller mit verderblicher Ware und kritischem Rohstoff stark betroffen. Eine Positionierung als Ökologieadaption – etwa durch konsequente Abfallvermeidung, zertifizierten Fisch und Mehrwegverpackungen – passt zudem zur Qualitäts- und Frischepositionierung des Unternehmens.
Die folgenden Kapitel greifen jeweils eine der hier aufgeworfenen Fragen auf und beantworten sie quantitativ:
Die Reihenfolge entspricht dem Aufbau der Vorlesung.
| Kapitel | Fragestellung für SushiFresh | Methode |
|---|---|---|
| 4 | Über welche Kanäle und Strukturen soll die Distribution wachsen? | Absatz- und Logistikkanäle, Lieferservice, Lageranzahl |
| 5 | Welcher von drei Kandidatenstandorten eignet sich für die Produktion? Wo läge der transportkostenminimale Punkt? | Nutzwertanalyse, AHP, Center of Gravity, Weiszfeld |
| 6 | Welche Standorte sollten eröffnet und welche Filialen von wo beliefert werden? | Warehouse Location Problem, Add-/Drop-Heuristik |
| 7 | Wie wird die Ware im Weihnachtsgeschäft verteilt, wenn die Zentralküche nicht ausreicht? | Transportproblem, Vogel’sche Approximation |
| 8 | Wie viel Sicherheitsbestand spart eine zentrale Versorgung gegenüber einer dezentralen? | Kapazitäts- und Lagerbestandspooling |
| 9 | Wie viele Boxen sollen jeden Morgen für eine Filiale produziert werden? | Newsvendor-Modell |
| 10 | Wie schaukeln sich Bestellschwankungen zwischen Filialen, SushiFresh und Fischgroßhändler auf? | Bullwhip-Effekt, Order-up-to-Politik |
| 11 | Wie wird das Lager des Onlineshops Sushi@Home organisiert? | Lagerplatzvergabe, Picker Routing |
| 12 | Diesel oder E-Kühl-Lkw? Was kostet eine Box auf der letzten Meile? | Kostensätze, TCO, ISO 14083 |
| 13 | Wie weit ist es im Straßennetz von der Küche zu den Filialen? | Dijkstra-Algorithmus |
| 14 | In welcher Reihenfolge werden die Filialen beliefert? | TSP-Heuristiken, Savings-Verfahren |
Dieses Kapitel hat das Zielsystem der Logistik und des Supply Chain Managements eingeführt: Lieferzeit, Liefertreue, Lieferqualität, Flexibilität/Resilienz, Information und Kosten bilden gemeinsam den Rahmen, an dem logistische Entscheidungen gemessen werden. Da sich diese Ziele nicht unabhängig voneinander optimieren lassen, entstehen unvermeidliche Zielkonflikte, die sich anschaulich als “Tetraeder” zwischen Qualität, Geschwindigkeit, Kosten und Flexibilität/Resilienz sowie als individuelle Zielprofile darstellen lassen. Konkret wird dieses Spannungsfeld bei typischen logistischen Abwägungsentscheidungen — Transportmittelwahl, Lageranzahl, Sicherheitsbestand, Losgröße —, bei denen jeweils zwei gegenläufige Kostenkomponenten eine u-förmige Gesamtkostenkurve mit einem (theoretischen) Minimum ergeben.
Auf der Kostenseite wurden die wichtigsten Logistikkostenarten (Transport-, Lager-, Bestands-, Fehlmengen-, Rüst-/Bestellkosten) unterschieden und an drei Beispielen — der Bananenwertschöpfungskette, einem Produktvergleich der Logistikkostenanteile sowie der Kostenrechnung des Apple iPod — quantitativ veranschaulicht. Dabei wurde deutlich, dass die Bedeutung der Logistikkosten stark vom Wert-Gewicht-Verhältnis eines Produkts abhängt und dass ein sinnvolles Kostenmanagement die gesamte Supply Chain, nicht nur einzelne Stufen, in den Blick nehmen muss.
Auf der R-Seite haben Sie vier neue Werkzeuge kennengelernt: den Pipe-Operator |> zur lesbaren Verkettung von Operationen, dplyr::group_by() und summarise() zur Aggregation von Daten nach Gruppen, vektorisierte Berechnungen zur eleganten Kombination mehrerer Kostenkomponenten sowie formatierte Tabellen mit kableExtra. Diese Werkzeuge werden Sie in den folgenden Kapiteln — insbesondere bei der Standortplanung und der Bestandsplanung unter Unsicherheit — regelmäßig wiederverwenden: Immer dann, wenn Rohdaten zunächst aufbereitet, nach einem Merkmal gruppiert, zu Kennzahlen verdichtet und anschließend präsentationsfähig aufbereitet werden müssen, ist die Kombination aus Pipe, group_by()/summarise() und kableExtra das Standardwerkzeug der angewandten Datenanalyse in R.
Inhaltlich bildet dieses Kapitel das Scharnier zwischen der strategischen Positionierung aus Kapitel 2 und den quantitativen Planungsmodellen der folgenden Kapitel: Das hier eingeführte Zielsystem und die Grundidee der Kostenabwägung ziehen sich als roter Faden durch das gesamte weitere Buch — sei es bei der Wahl von Lagerstandorten, bei der Bestimmung optimaler Bestellmengen oder bei der Festlegung von Sicherheitsbeständen unter Nachfrageunsicherheit.
Logistikkosten müssen systemisch erfasst werden. Relevante Kosten entstehen in Beschaffung, Transport, Umschlag, Lagerung, Fehlmengen, Rücknahme und Koordination. Für Nachhaltigkeitsentscheidungen ist es zusätzlich notwendig, Emissionen und andere Umweltwirkungen sichtbar zu machen.
Nachhaltigkeit wurde als Querschnittsdimension des Zielsystems eingeführt. Ausgehend von der Brundtland-Definition und der Triple Bottom Line wurde gezeigt, wie Unternehmen je nach ökologischer Betroffenheit und Ökologieorientierung reagieren, wie sich ökologische SCM-Strategien von Handlungsregeln über Grundstrategien (Suffizienz, Effizienz, Konsistenz) und Grundprinzipien bis zu Konzepten ordnen lassen und wie lineare, reverse und zirkuläre Supply Chains zusammenhängen. Die Normstrategien der Circular Supply Chain hängen von Produktkomplexität und Präferenzdynamik ab.
Für quantitative Entscheidungen sind drei Modellierungslogiken besonders wichtig:
Mit der Fallstudie der SushiFresh GmbH wurde schließlich ein Geschäftsmodell eingeführt, an dem sich Strategic Fit und Zielkonflikte konkret zeigen: hohe implizierte Unsicherheit bei zugleich kaum lagerfähiger Ware, Zielkonflikte zwischen Frische, Verfügbarkeit, Kosten und Abfall sowie die Grundsatzfrage zentraler oder dezentraler Produktion. Die folgenden Kapitel wenden diese Ideen auf Standort- und Netzwerkentscheidungen an. Sie zeigen, wie räumliche Struktur, Kapazität, Transport und Service formal modelliert und unter erweiterten Zielsystemen bewertet werden können.
Kontrollfragen
Aufgaben zur Klausurvorbereitung mit ausklappbaren Musterlösungen (Teil 1) und eine vertiefende Gruppenfallstudie (Teil 2) zu diesem Kapitel finden Sie in Fallstudie 1: Grundlagen des Supply Chain Managements.