10 Jahre Wissensbilanz in Österreich. 30. September 2008, ÖAW

Transkript

1 1 Jahre Wissensbilanz in Österreich 3. September 28, ÖAW

2 Analyse von Indikatoren mit Hilfe der Data Envelopment Analysis am Beispiel von Universitäten Dr. Michaela Schaffhauser-Linzatti Universität Wien, Lehrstuhl für Externes Rechnungswesen auf Basis gemeinsamer Arbeiten mit K.-H. Leitner, J. Prikoszovits, R. Stowasser, K. Wagner

3 UNIVERSITÄRES BERICHTSWESEN Interne Berichte Externe Berichte Balanced Scorecard UNIVIS I3V Sonstige Berichte freiwillige Berichte (Bsp. Uni Wien) verpflichtend lt. UG 22 Kosten- und Leistungsrechnung Sonstige Berichte Evaluierung verpflichtend lt. UOG 1993: u.a. ABIV an die breite Öffentlichkeit an politische Entscheidungsträger Leistungsvereinbarung Leistungsbericht Wissensbilanz Rechnungslegung Sonstige Berichte Universitätsbericht u.u. Berichte des Universitätsrates Sonstige Berichte

4 Wissensbilanz Zielsetzung Dokumentation Marketing Wettbewerb Vergleich zwischen Universitäten und innerhalb Universitäten (v.a. als Entscheidungsgrundlage und zur Budgetverteilung) Voraussetzung für Indikatoren klar, präzise, umfassend quantifizierbar intersubjektiv nachvollziehbar vergleichbar bzgl. Studienangeboten, Forschungs- und Organisationseinheiten und im Zeitablauf geeignet, Ziele und Zielfindungsprozesse realitätsnahe abzubilden

5 ABIV Ablauf der empirischen Studie Auswahl geeigneter Indikatoren Auswahl geeigneter Fachbereiche Auswahl geeigneter Spezialisierung Identifizierung effizienter Institute Korrelationen OLS-Regression OLS-Regression Faktoranalyse DEA Identifizierung von Verbesserungspotenzialen einzelner Institute Schlussfolgerungen DEA Sensitivitätsanalyse Diskriminanzanalyse

6 Indikatoren Inputs Mitarbeiter (Vollzeitäquivalente) Fläche (m²) Outputs Lehre Prüfungen Diplomarbeiten Outputs Industrie Eingeworbene Drittmittel Ad personam Projekte Institutsprojekte im Rahmen der Teilrechtsfähigkeit Patente Outputs Forschung Monographien Originalbeiträge in Fachzeitschriften und Sammelwerken Forschungsberichte Sonstige wissenschaftliche Veröffentlichungen Dissertationen

7 Data Envelopment Analysis DEA Input 2 / Output * A Ziel mißt relative Effizienz zwischen DMUs zeigt Verbesserungspotenzial Charakteristik mehrfache Inputs und mehrfache Outputs unabhängig von Einheit und Skalierung keine a priori Gewichtung * B * G * P C * * p E D * F * geeignet für non-profit Organisationen Input 1 / Output

8 Stichprobe Institute nach Größe alle technischen, formalen und naturwissenschaftlichen Institute aller öffentlicher Universitäten 133 DMUs von 7 Universitäten Zeitraum: 2 22 klein (1-1 MA) mittel (11-34 MA) groß (>35 MA) Institute nach Universität und Größe Institute nach Fachbereich und Größe JKU KFU LFU PLU TU TU Uni Linz Graz Innsbruck Salzburg Graz Wien Wien Biologie Chemie Erdw. Formalw. Geogr. Informatik Physik

9 Effizienz 9 Effizienz nach Größe Effizienz der ausgewählten Institute effizient 48% ineffizient 52% 2 1 klein mittel groß Effizienz nach Universität Effizienz nach Fachbereich JKU KFU LFU PLU TU TU Uni Linz Graz Innsbruck Salzburg Graz Wien Wien Biologie Chemie Erdw. Formalw. Geogr. Informatik Physik

10 Spezialisierung Spezialisierung der ausgewählten Institute 1 8 Spezialisierung nach Größe 2% 7% 19% Industrie Lehre Forschung 6 4 Allrounder 2 64% 8% keine Spezialisierung klein mittel groß 3 Spezialisierung nach Universität 3 Spezialisierung nach Fachbereich JKU KFU LFU PLU TU TU Uni Linz Graz Innsbruck Salzburg Graz Wien Wien Biologie Chemie Erdw. Formalw. Geogr. Informatik Physik

11 Erkenntnisse große Heterogenität zwischen Universitäten und Fachbereichen Vergleichbarkeit nur innerhalb ähnlicher Fachbereiche zielführend einfache Input/Output Kennzahlen nicht geeignet DEA ermöglicht Evaluierung akademischer DMUs Feststellung von Verbesserungspotenzial Voraussetzung nur wenige Indikatoren zur Evaluierung benötigt, aber ausreichend große Anzahl von DMUs

12 Schlußfolgerungen Die geplante Veränderung der Wissensbilanz im Zuge der UG 22-Novellierung möge berücksichtigen: Einbeziehung solcher Indikatoren, die für eine quantitative Evaluierung geeignet sind Definition der Kennzahlen und Schichtungsmerkmale derart, dass ein Vergleich zwischen Universitäten möglich wird Tiefe der Schichtungsmerkmale derart, dass eine ausreichende Anzahl von DMUs für DEA zwischen Universitäten, aber auch auf Department-Ebene innerhalb von Universitäten vorhanden ist