Die Erfolgsmessung von Unternehmen stellt ein wesentliches Problem der betriebswirtschaftlichen Forschung und Praxis dar. Aufgrund von Unsicherheiten bezüglich der relevanten und objektiv bestimmbaren Erfolgsindikatoren, lassen sich allgemeine Verfahrensweisen relativ schwierig rechtfertigen. Häufig wird zwischen finanziellen und operativen Erfolgsaspekten differenziert. Erstere sind dabei i.d.R. mit einer Reihe von Problemen belastet, beispielsweise verursacht durch Bilanzierungswahlrechte und Unterschiede in nationaler Rechnungslegung. Aufgrund dessen ist es nicht möglich, allein aus einer finanziellen Erfolgsbetrachtung auf eine entsprechende interne produktionswirtschaftliche Effizienz zu schließen. Noch problematischer diesbezüglich sind öffentliche Organisationen, deren erbrachte Leistung gerade nicht durch monetäre Größen adäquat abgebildet werden kann. In Bezug auf die interne Planung und Kontrolle ist eine Erfolgsmessung jedoch unabdingbar. Diese erfolgte in der Vergangenheit häufig mittels spezieller Kennzahlensysteme. Allerdings garantieren eine Vielzahl gewonnener Kennzahlen nicht automatisch Zusatzinformationen. Dafür bedarf es gewöhnlich der Komprimierung der Einzeldaten zu aussagefähigen Spitzenkennzahlen.
Mit der in den siebziger Jahren entwickelten Data Envelopment Analysis (DEA) entstand ein Verfahren, welches die Effizienzbestimmung verschiedener Entscheidungseinheiten anhand von monetären und nicht-monetären Faktoren ermöglicht. Dies führte dazu, dass sowohl realwirtschaftliche als auch finanzielle Effizienzbestimmungen zwischen verschiedenen Organisationseinheiten durchgeführt und in einer einzigen Kennzahl ausgedrückt werden konnten.
Ziel dieser Seminararbeit ist es, zunächst die Methode der DEA und wesentliche produktionsökonomischen Grundlagen ausführlich darzustellen. Unter Zuhilfenahme mehrerer Beispiele soll dabei die komplexe mathematische Formulierung der DEA anschaulicher vorgestellt werden.
Danach wird die Anwendbarkeit der DEA im Rahmen von Planungs- und Kostenrechnungen beurteilt bevor abschließend eine kritische Würdigung der dargestellten Form der Effizienzanalyse4erfolgt.
Inhaltsverzeichnis
1 Problemstellung
2 Die Methode der Data Envelopment Analysis
2.1 Produktionstheoretische Grundlagen
2.2 DEA als Verfahren zur Schätzung von Produktionsfunktionen
2.3 Unterschiede zu traditionellen Methoden
2.4 Das Basismodell vom Typ CCR
2.4.1 Die formale Darstellung
2.4.2 Ein erläuterndes Beispiel
2.5 Neuere Modelle und Methoden
3 Anwendung der DEA im Rahmen der Planungs- und Kostenrechnung
3.1 Einsatzmöglichkeiten in Benchmarking-Projekten
3.2 DEA als Tool zur Vereinfachung von Prozessanalysen
4 Kritische Würdigung der Data Envelopment Analysis
4.1 Vorteile der DEA
5 Fazit
6 Anlage 1: Herleitung des CCR-Grundmodells
7 Anlage 2: Outputorientierte Darstellung der DEA
8 Anlage 3: Rechenbeispiel
9 Anlage 4: Graphische Darstellung der DEA-Ergebnisse
Zielsetzung und Themen
Die Arbeit verfolgt das Ziel, die Methode der Data Envelopment Analysis (DEA) als nicht-parametrisches Verfahren zur Effizienzmessung von Entscheidungseinheiten umfassend darzustellen. Dabei wird analysiert, wie komplexe, multi-dimensionale Input-Output-Beziehungen ohne a-priori-Annahmen über den Funktionsverlauf effizient bewertet und in Benchmarking- sowie Prozesskostenrechnungskontexten nutzbar gemacht werden können.
- Produktionstheoretische Grundlagen und Effizienzmaße
- Mathematische Herleitung und Funktionsweise des CCR-Modells
- Vergleichende Analyse von DEA gegenüber traditionellen Regressionsverfahren
- Anwendungsszenarien in der betrieblichen Planungs- und Kostenrechnung
- Kritische Reflexion der Stärken und Anwendungsgrenzen der Methode
Auszug aus dem Buch
2.3 Unterschiede zu traditionellen Methoden
Die zentrale Besonderheit der DEA liegt darin, dass der effiziente Rand ausschließlich auf Basis realer Beobachtungen gebildet wird. Auf diese Weise wird nicht ein theoretisch möglicher Optimalpunkt, sondern die am Markt und in anderen öffentlichen Sektoren oder auch in anderen Standorten realisierte Maximalperformance als Referenzmaßstab vorgegeben. Es erfolgt demzufolge keine schwer objektivierbare a-priori-Schätzung einer Produktionsfunktion, wie dies bei parametrischen Verfahren der Effizienzbewertung der Fall ist.
Darüber hinaus gehen die beobachteten Daten mit ihren absoluten Werten in die Effizienzberechnung ein. Bei Anwendung von Regressionsverfahren auf die beobachteten Daten kommt es dagegen zur Bildung einer Durchschnittsproduktionsfunktion. Abweichungen von diesem Durchschnitt werden demnach als zufällig und temporär aufgefasst und lassen keine eindeutigen Effizienzinterpretationen zu. Dieser Sachverhalt wird durch die folgende Abbildung verdeutlicht.
Ein weiterer Unterschied der DEA zu traditionellen Methoden besteht in der impliziten Berechnung von Input- und Outputgewichtungsfaktoren. Die Data Envelopment Analysis umgeht die Gewichtungsproblematik, indem für jedes zu beurteilende Untersuchungsobjekt eine individuelle Gewichtung zur Errechnung der Gesamteffizienz (h0) errechnet wird. Damit wird berücksichtigt, dass es aufgrund der Vielzahl von vorhandenen In- und Outputs auch mehrere Wege gibt, effizient zu sein. Im Basismodell vom Typ CCR hat das beispielsweise zur Folge, dass jede Organisationseinheit einen Effizienzwert von h0 = 1 zugewiesen bekommt, wenn es in mindestens einer Leistungsdimension (ein bestimmter Output/bestimmten Input) besser oder zumindest gleichwertig gegenüber allen Vergleichseinheiten ist. Aufgrund der systemimmanenten Priorisierung der einzelnen Gewichtungsfaktoren werden schwächere Leistungsdimensionen wenig bis gar nicht, bessere Output-Inputverhältnisse dagegen stärker bewertet, so dass für jede Organisationseinheit der maximale Effizienzwert errechnet wird.
Zusammenfassung der Kapitel
1 Problemstellung: Die Arbeit thematisiert die Schwierigkeit der Erfolgsmessung bei komplexen Organisationseinheiten und führt die DEA als Lösungsansatz ein.
2 Die Methode der Data Envelopment Analysis: Dieses Kapitel erläutert die theoretischen Grundlagen, die mathematische Herleitung des CCR-Modells und die Abgrenzung zu anderen Methoden.
3 Anwendung der DEA im Rahmen der Planungs- und Kostenrechnung: Hier wird der praktische Einsatz der DEA für Benchmarking-Projekte und Prozessanalysen untersucht.
4 Kritische Würdigung der Data Envelopment Analysis: Das Kapitel reflektiert die methodischen Vorzüge sowie die Anwendungsprobleme und Risiken der DEA.
5 Fazit: Die Arbeit schließt mit einer zusammenfassenden Bewertung der DEA als innovatives, praxisgeeignetes Instrument für das betriebliche Controlling.
Schlüsselwörter
Data Envelopment Analysis, DEA, Effizienzmessung, Produktionsfunktionen, CCR-Modell, Benchmarking, Prozesskostenrechnung, Relative Effizienz, Input-Output-Verhältnis, Best-Practice, Betriebswirtschaftliche Planung, Performance Measurement, Entscheidungseinheiten, Kostenkontrolle, Mathematische Programmierung.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht die Data Envelopment Analysis (DEA) als ein mathematisches Verfahren, um die Effizienz von verschiedenen Organisationseinheiten zu messen, ohne auf vorab festgelegte ökonomische Parameter oder monetäre Bewertungsmaßstäbe angewiesen zu sein.
Was sind die zentralen Themenfelder der Arbeit?
Die zentralen Felder sind die produktionstheoretischen Grundlagen der Effizienz, die mathematische Modellierung mittels linearer Programmierung und die konkrete Anwendung im Controlling, insbesondere im Benchmarking und der Prozesskostenrechnung.
Welches primäre Ziel verfolgt der Autor?
Das Ziel ist eine detaillierte und anschauliche Darstellung der mathematischen Formulierung der DEA sowie eine Beurteilung ihrer Anwendbarkeit in betriebswirtschaftlichen Planungs- und Kostenrechnungssystemen.
Welche wissenschaftliche Methode wird verwendet?
Es wird das nicht-parametrische, auf linearer Programmierung basierende Modell der Data Envelopment Analysis, insbesondere das CCR-Modell, detailliert analysiert und anhand von Beispielen illustriert.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung, die formale mathematische Modellierung des CCR-Typs, die Abgrenzung zu Regressionsanalysen sowie die Anwendung der Methode auf Benchmarking und Prozessanalysen.
Durch welche Schlüsselwörter lässt sich die Arbeit charakterisieren?
Die wichtigsten Begriffe sind Data Envelopment Analysis, Effizienzmessung, CCR-Modell, Benchmarking, Prozesskostenrechnung und betriebliche Erfolgsmessung.
Was unterscheidet die DEA von klassischen Regressionsverfahren?
Während Regressionsverfahren eine "Durchschnittsfunktion" bilden und Abweichungen oft als Zufall werten, definiert die DEA einen "effizienten Rand" (Best-Practice) auf Basis realer Beobachtungen und bewertet jede Einheit relativ dazu.
Wie geht die DEA mit unterschiedlichen Skalierungen der Eingangsdaten um?
Ein entscheidender Vorteil der DEA ist die Fähigkeit, unterschiedlich skalierte Daten (monetäre und nicht-monetäre Faktoren) direkt zu verarbeiten, da das Modell individuelle Gewichtungsfaktoren für jede Einheit optimiert.
Welches praktische Problem bei der Prozesskostenrechnung kann die DEA lösen?
Die DEA ermöglicht eine erste Grob-Beurteilung von aggregierten Prozessen, wodurch die aufwendige detaillierte Prozessanalyse auf ineffiziente Teilbereiche fokussiert und so die Ermittlungskosten gesenkt werden können.
- Quote paper
- Eric Göpel (Author), 2005, Data Envelopment Analysis als Verfahren zur Schätzung von Produktionsfunktionen - Einsatzmöglichkeiten im Rahmen von Planungsrechnungen und Kostenrechnungssystemen, Munich, GRIN Verlag, https://www.grin.com/document/63837
