DRUCKEN

Data Envelopment Analysis


Die Data Envelopment Analysis ( DEA ) ist eine spezielle Anwendung linearer Programmierung zur Messung der relativen Effizienz von Entscheidungseinheiten.

up

Für wen ist DEA relevant?

Entscheidungseinheiten sind produktive Einheiten im weitesten Sinne, z.B.: Unternehmungen, Abteilungen, oder einzelne Bearbeitungsgruppen, aber auch gesamte Volkswirtschaften. Sie werden durch für alle Entscheidungseinheiten vergleichbare, empirisch beobachtete Inputs und Outputs beliebiger Skalierung beschrieben und auf dieser Basis miteinander verglichen.

Die DEA bestimmt die relativ effizienten Entscheidungseinheiten und gibt für die anderen Entscheidungseinheiten ein Maß ihrer Ineffizienz an, wobei keine a priori Gewichtung der verschiedenen Input- und Outputarten erforderlich ist.

Es handelt sich um ein nicht-parametrisches Verfahren zur empirischen Schätzung einer "best practice" Produktionsfunktion.

up

Datenselektion

DEA liefert beträchtliche Flexibilität in der Datenselektion. Die Inputs und Outputs können kontinuierliche, diskrete oder kategorische Variablen sein.
Die Inputs und Outputs können auch in verschiedenen Einheiten der Analyse gemessen werden.

Der Ausdruck Output in DEA kann nicht nur Output- (Effizienz-) Leistungsmaßzahlen, sondern auch Qualitätsmaßzahlen und Ergebnis- (Wirksamkeits-) Maßzahlen umfassen.

Ebenso kann der Ausdruck Effizienz stark interpretiert werden, um nicht nur eine Beurteilung der Effizienz, sondern auch eine Beurteilung von Qualität und Wirksamkeit (Ergebnis) zu umfassen. Folglich kann DEA Effizienzbeurteilungen, Qualitätsbeurteilungen und Wirksamkeitsbeurteilungen oder jede Kombination davon machen.

up

Drei Vorteile

In Bezug auf Dienstleistungsunternehmensvergleiche hat DEA drei Hauptvorteile gegenüber einfachen Verhältnis-Analysen und der Regressionsanalyse.

DEA teilt zuerst allen Inputs und Outputs mathematisch optimale Gewichte zu, hingegen verlassen sich Verhältnis-Analyse und Regressionsanalyse auf die Vorlieben von Entscheidungsträgern bei der Zuteilung von Gewichten.

Weil DEA eine nicht-parametrische Methode ist, existiert kein Bedarf für die a priori Zuordnung von Gewichten. DEA leitet die Gewichte empirisch ab, die es den Inputvariablen und Outputvariablen jedes Anbieters zuteilt, nach der Regel, dass das Maximalgewicht auf jene Variablen gestellt ist, wo sich ein Anbieter vorteilhaft vergleicht, und Minimalgewicht auf jene Variablen gestellt ist, wo sich ein Anbieter ungünstig vergleicht.

Als zweites kann DEA einen gleichzeitigen Vergleich mehrfach abhängiger Leistungs- Maßzahlen (Effizienz (Output), Qualität und Wirksamkeit(Ergebnis)) machen und kann ein skalares Maß für den Besten liefern, was weder die einfache Verhältnis- Analyse noch Regressionsanalyse machen können.

Prozesse können simultan gemessen werden, in einem ökonomischen Sinn für sowohl allokative als auch technische Effizienz. Allokative Effizienz ist gemessen durch die Verwendung von Kostendaten (z.B. Kosten pro Output, Kosten pro Qualität, Kosten pro Ergebnis), während technische Effizienz durch Verwenden von Ressourcendaten gemessen wird (z.B. Outputs pro Einheit, Qualität pro Einheit). Prozesse, die als ineffizient erkannt werden, sind strikt ineffizient im Pareto Sinn, das heißt, dass mindestens ein anderer Prozess Outputs, Qualität oder Ergebnisse mit weniger Inputs produzieren kann.

Drittens kann DEA die Menge von Ressourcen berechnen, die gespart werden können, oder das Maß an zusätzlicher Effizienz (Output), Qualität oder Wirksamkeit (Ergebnis), wenn man einen effizienten Prozess auswählt.

up

Zukunftsweisendes Instrument

Aufgrund all dieser Vorteile stellt DEA ein wirksames und zukunftsweisendes Instrument zur vergleichenden Leistungsmessung dar.

Das Modell der Data Envelopment Analysis ist ein Werkzeug, das im Rahmen einer umfassenden Benchmarkinganalyse innerhalb des Unternehmens wertvolle Hinweise auf Ineffizienz und deren Ursachen liefern kann. Darauf aufbauend kann das Unternehmen dann seine internen Ursachenforschungen anstellen, und nach Identifizierung von veränderbaren Einflussgrößen diese Benchmarkingprozesse definieren und die Suche nach best practices forcieren.