controller - Haufe.de

chenen Probleme verdeutlicht haben, dass mit
einer technokratischen Anwendung der DEA
die große Gefahr von Fehlanalysen einhergeht.
Um dieser Gefahr zu begegnen, ist in zweierlei
Hinsicht die Heranziehung von Expertenwissen
erforderlich: Zum einen sind detaillierte
Sachkenntnisse über die zu bewertenden
DMUs unabdingbar, z.B. um die plausible
Skalenertragsform festlegen zu können;
dies bedingt die Einbeziehung der betreffenden
Fachbereiche. Zum anderen müssen die
produktionstheoretischen Grundlagen der DEA
beherrscht werden, um die situationsspezifisch
angemessenen DEA-Modelle auswählen und
die Ergebnisse korrekt interpretieren zu können;
insb. hier steht das Controlling in der
Pflicht. Beide Wissensdomänen sind für sich allein
nicht hinreichend, um das Analysepotenzial
der DEA auszuschöpfen, sondern sie müssen
ergänzend zum Einsatz gelangen!
Weiterhin ist zu betonen, dass die DEA keineswegs
ein objektives Instrument ist, wie
gelegentlich angeführt wird. Allein die Frage,
welche DMUs überhaupt als miteinander vergleichbar
zu betrachten sind, lässt oft immense
Spielräume. Zudem existiert mittlerweise eine
solche Vielzahl an DEA-Modellen, dass sich
selbst für eine spezifische, gedanklich gut
durchdrungene Bewertungssituation alternative
Ansätze anbieten werden. Als großes Problem
kann sich auch die Bestimmung der zu berücksichtigen
Inputs und Outputs – oder treffender
der zu minimierenden und zu maximierenden
Ziele – herausstellen. Hier beispielsweise ist der
Sachverstand des Controllings insoweit gefragt,
als es darum geht, adäquate Bewertungskriterien
festzulegen. Im herangezogenen Praxisbeispiel
sind etwa die Kriterien „Anzahl Filialmitarbeiter“
und „Öffnungszeit in Stunden“ für sich
gesehen wenig aussagekräftige Größen. Sinnvoller
erscheint es, sie in eine den Arbeitseinsatz
erfassende Zielsetzung zu integrieren;
diese lässt sich dann z.B. über das Kriterium
„eingesetzte Personenstunden“ abbilden.
Grundsätzlich sollte auch stets geprüft werden,
ob die DEA im Einzelfall überhaupt das
geeignete Instrument ist. So sind vergleichende
Aussagen etwa der Art, dass eine DMU
1 halb so effizient ist wie eine DMU 2, nur erlaubt,
wenn sich die entsprechenden Effizienzgrade
auf denselben Referenzpunkt beziehen.
Der Bildung einer Rangfolge auf Basis von
DEA-Ergebnissen sind daher sehr enge Grenzen
gesetzt! 2
Darüber hinaus wird im Rahmen klassischer
DEA-Modelle in Kauf genommen, dass einzelne
Bewertungskriterien ggf. gänzlich unberücksichtigt
bleiben, um einer DMU den höchstmöglichen
Effizienzgrad zuordnen zu können. Unabhängig
von der in die Analyse einfließenden Zahl
von Bewertungskriterien ergibt sich ein solcher
Wert im Extremfall nur aus einem einzigen Input
und einem einzigen Output. Eine derartig einseitige
Prioritätensetzung erscheint aber in
vielen Fällen der Praxis als unzweckmäßig.
Das gilt insbesondere, wenn von der DEA-basierten
Effizienzanalyse eine verhaltenssteuernde
Wirkung ausgeht, denn dann sind
Fehlanreize vorprogrammiert.
Autor
Sollte also nicht besser auf Alternativen zur
DEA (vgl. Ahn/Dyckhoff/Gilles 2007) zurückgegriffen
werden? Nun, diese Frage lässt sich
nicht pauschal beantworten. Auf der einen Seite
geht mit der DEA eine Fülle von Problemstellungen
einher, die oft erst auf den zweiten
Blick erkennbar sind und gelöst werden wollen;
auf der anderen Seite bietet sie eine produktionstheoretisch
fundierte Methodik, welche die
Aussagekraft üblicher Instrumente des Benchmarking
bei weitem übertreffen kann. So sind
detaillierte Analysen der relativen Schwächen
und Stärken vergleichend bewerteter
DMUs möglich. Wann immer dies den Aufwand
lohnt, kann die DEA unseres Erachtens
einen wertvollen Beitrag zur Effizienzsteigerung
leisten.
Literaturverzeichnis
Ahn, H./Dyckhoff, H./Gilles, R. (2007): Datenaggregation
zur Leistungsbeurteilung durch
Ranking – Vergleich der CHE- und DEA-Methodik
sowie Ableitung eines Kompromissansatzes,
in: Zeitschrift für Betriebswirtschaft 77,
S. 615-643
Cooper, W.W./Seiford, L.M./Tone, K. (2007):
Data Envelopment Analysis – A Comprehensive
Text with Mod-els, Applications, References
and DEA-Solver Software, 2. Aufl., New York
Dyckhoff, H./Ahn, H. (2009): Advanced Data
Envelopment Analysis, Aachen/ Braunschweig,
www.controlling-tubs.de/fileadmin/user_upload/xForschung/Arbeitsbericht_aDEA_2009-
02-09.pdf
Dyson, R.G./Allen, R./Camanho, A.S./Podinovski,
V.V./Sarrico, C.S./Shale, E.A. (2001):
Pitfalls and protocols in DEA, in: European
Journal of Operational Research 132, S. 245-
259
Gilles, R. (2005): Performance Measurement
Prof. Dr. Heinz Ahn
ist Leiter des Instituts für Controlling und Unternehmensrechnung
an der Technischen Universität Braunschweig.
Tel.: 0531/391-3610
www.controlling-tubs.de
E-Mail: hw.ahn@tu-bs.de
mittels Data Envelopment Analysis, Lohmar/
Köln
Poddig, R./Varmaz, A. (2005): Data Envelopment
Analysis und Benchmarking, in: Controlling
17, S. 565 – 571
Röhner, J./Thamm, E. (2009): Effizienzmessung
von Unternehmen(seinheiten) − DEA in
der Sozialversicherung, in: Controller Magazin
34, Heft 4, S. 38 – 42
Fußnoten
CM März / April 2010
1 Nicht behandelt werden dagegen die modelltheoretischen
Grundlagen der DEA. Diesbezüglich
sei auf Cooper/Seiford/Tone (2007) verwiesen;
dort werden u.a. die hier angesprochenen
DEA-Modelle detailliert erläutert. Als
deutschsprachige Abhandlungen werden Gilles
(2005) und Poddig/Varmaz (2005) empfohlen.
2 Insofern ist es auch kritisch zu sehen, wenn
wir oben im Text z.B. von der „schlechtesten“
Filiale sprechen.
51