Wird die Wahl zwischen CCR und BCC automatisch getroffen oder dem Nutzer überlassen? Unter welchen Bedingungen wird CCR vs. BCC empfohlen — gibt es im System einen Methodik-Leitfaden?

Stelle diese Frage in einer Anbieter-Demo; OptDir empfiehlt nicht, sondern zeigt, was gefragt werden sollte.

Wie wird input- vs. output-orientiert ausgewählt? Können beide Orientierungen parallel berechnet und ein Peer-Benchmark-Vergleich erzeugt werden?

Stelle diese Frage in einer Anbieter-Demo; OptDir empfiehlt nicht, sondern zeigt, was gefragt werden sollte.

Wird die slack-basierte Messung (SBM, ein nichtradiales Modell) unterstützt? Wie werden nichtradiale Zusatz-Slacks berichtet?

Stelle diese Frage in einer Anbieter-Demo; OptDir empfiehlt nicht, sondern zeigt, was gefragt werden sollte.

Wird das Super-Effizienz-Modell für das Ranking unter effizienten Einheiten unterstützt? Gibt es ein automatisches Verfahren zur Markierung extremer Super-Effizienz-Scores (>2)?

Stelle diese Frage in einer Anbieter-Demo; OptDir empfiehlt nicht, sondern zeigt, was gefragt werden sollte.

Wird der Malmquist-Produktivitätsindex für zeitabhängige Dynamik unterstützt? Ist die Zerlegung in technischen Wandel + Effizienzwandel automatisch?

Stelle diese Frage in einer Anbieter-Demo; OptDir empfiehlt nicht, sondern zeigt, was gefragt werden sollte.

Ist Ausreißer-DMU-Erkennung (DMUs, die den Frontier mit extrem niedrigem Input oder extrem hohem Output verzerren) automatisch? Wird die Stichprobengrößen-Regel (N ≥ 3 × (m + s)) vom System durchgesetzt?

Stelle diese Frage in einer Anbieter-Demo; OptDir empfiehlt nicht, sondern zeigt, was gefragt werden sollte.

Wird eine Zweistufen-Analyse mit Regression der Scores gegen Determinanten (Tobit-Regression oder Bootstrap-basierte moderne Revision) unterstützt?

Stelle diese Frage in einer Anbieter-Demo; OptDir empfiehlt nicht, sondern zeigt, was gefragt werden sollte.

Endet der Vertrag, in welchem Standardformat (CSV, JSON, parametrische Modelldatei) lassen sich DMU-Definitionen, Input-Output-Historie, DEA-Score-Archiv, Peer-Benchmark-Berichte und Malmquist-Analyse-Historie exportieren?

Stelle diese Frage in einer Anbieter-Demo; OptDir empfiehlt nicht, sondern zeigt, was gefragt werden sollte.

Mehrere Inputs + mehrere Outputs — Wie messe ich die relative Effizienz meiner Filialen oder Einheiten?

Nichtparametrische LP-basierte Methode, die ähnlichen Einheiten (Filialen, Krankenhäusern, Schulen) mit mehreren Inputs und Outputs einen relativen Effizienzscore zuweist. Das Effizienz-OR-Grundproblem; Charnes-Cooper-Rhodes (1978) CCR-Modell; Banker-Charnes-Cooper (1984) BCC-Modell.

Kurz gesagt

Diese Seite richtet sich an Sie, wenn Sie eine Bank mit 100-500 Filialen, eine Krankenhauskette mit 200-1.500 Betten an mehreren Standorten, eine Bildungsdirektion mit Hunderten von Schulen oder eine öffentliche Stelle führen, die Provinz für Provinz vergleicht. Die Kernfrage: welche Ihrer Filialen/Kliniken/Schulen sind effizient und welche nicht — und an welchem ‘Peer’ sollen sich die schwachen orientieren, um wie viel zu schließen? Jede Einheit verbraucht gleichzeitig mehrere Inputs (Personal, Fläche, Budget) und produziert mehrere Outputs (Erträge, Kunden/Patienten/Schüler, Qualität); eine Einzelkennzahl wie ‘Ertrag pro Mitarbeiter’ bildet das nicht ab und kann eine effiziente Einheit als schwach ausweisen oder umgekehrt. Richtig aufgesetzt — weil der Peer-Benchmark einen konkreten Verbesserungsbezug liefert — steigt die Akzeptanz von Verbesserungsplänen für schwache Einheiten um 40-70%, was bei einem mittelgroßen Filialnetz grob 10-50 Millionen TRY operativer Marge pro Jahr entspricht.

Kommt Ihnen das bekannt vor?

Wir sind eine mittelgroße Bank mit 100-500 Filialen; jede Filiale trägt unterschiedlichen Personalstand, Fläche, Computer, Erträge sowie Einlagen- und Kreditvolumina — die Frage 'welche Filialen sind effizient' beantworten wir mit einfachen Kennzahlen (Ertrag pro Mitarbeiter), die Multi-Input-Multi-Output-Realität spiegelt sich nicht.
Wir sind eine Krankenhauskette mit 200-1500 Betten an mehreren Standorten; jedes Krankenhaus hat unterschiedlich viele Ärzte und Pflegekräfte, Betten, Geräte und produziert unterschiedliche Patientenzahlen + Behandlungserfolg — die Effizienzvergleiche sind intuitiv, eine wissenschaftliche Benchmark-Struktur fehlt.
Wir sind eine Bildungsdirektion (Provinz-MEB oder großes privates Bildungsnetz) mit Hunderten von Schulen; jede Schule hat andere Lehrer, Budgets, Klassenräume und produziert andere Prüfungsergebnisse + Absolventen + Anmeldezahlen — ein konsistentes Modell für Schul-Effizienzvergleiche fehlt.
Wir sind eine öffentliche Stelle, die Effizienzvergleiche provinzübergreifend führt (z.B. Leistungen der Provinzdirektionen des Gesundheitsministeriums, MEB-Provinzdirektionen, regionale Entwicklungsagenturen); jede Provinz produziert mit verschiedenen Ressourcen unterschiedliche Outputs, und Ein-Kennzahl-Vergleiche werden kritisiert.
Wir sind ein Einzelhandels- oder Service-Franchise mit 50-500 Outlets/Jahr; der Effizienzvergleich der Outlets hat mehrdimensionale Struktur (Fläche, Personal, Lage, Lagerinvestition) und Ergebnisse (Erträge, Kundenzahl, Kundenbindung) — einfache Kennzahlen reichen nicht.
Wir sind Manager einer landwirtschaftlichen Genossenschaft (200+ Erzeuger); für die Effizienz auf Erzeugerebene (Inputs: Saat + Dünger + Arbeit gegenüber Outputs: Ertrag + Qualität + kosten-bereinigte Erlöse) suchen wir eine DEA-basierte Methode.
Wir arbeiten bei einer Aufsichtsbehörde (BDDK, SPK, Gesundheitsministerium, MEB); wir publizieren sektorweite relative Effizienzberichte — DEA-basierte Studien sind die kanonische Referenz, doch für die Methodenwahl (CCR vs. BCC, input- vs. output-orientiert) brauchen wir einen strukturierten Entscheidungsprozess.

Warum es wichtig ist

Verluste intuitiver oder kennzahlbasierter Effizienzvergleiche: (1) Multi-Input-Multi-Output-Realität ignoriert — Manager ranken Einheiten auf einer Kennzahl wie ‘Ertrag pro Mitarbeiter’ oder ‘Patienten pro Bett’; eine Filiale oder ein Krankenhaus verbraucht real 3-5 Inputs und produziert 3-5 Outputs; eine als ineffizient wirkende Einheit kann tatsächlich effizient sein (eine personalreiche Filiale bedient hochwertige Firmenkunden — Ertrag pro Mitarbeiter niedrig, aber Ertrag pro m² hoch), (2) kein konkreter Peer-Beleg — einer ineffizienten Einheit ‘werde effizient’ zu sagen, ist nicht umsetzbar; eine systematische Effizienzanalyse liefert der ineffizienten Einheit ein konkretes Peer-Beispiel: ‘du stehst bei 74 % des Input-Output-Verhältnisses der Filialen Y und Z; diese beiden Peers sind deine Referenz’, (3) konstantes vs. variables Skalenmodell nicht getrennt — der Praktiker bleibt beim konstanten Skalenmodell; große Filialen wirken durch Skalenvorteile automatisch effizient, kleine werden unfair bestraft; ein Modell mit variablen Skalenerträgen trennt technische Effizienz von Skaleneffizienz und liefert einen fairen Vergleich, (4) Ausreißer brechen den Frontier — die kritischste Schwäche: eine ungewöhnlich produktive oder ungewöhnlich inputarme Einheit drückt den Frontier nach außen und die Scores aller anderen Einheiten sinken fälschlich; ohne Ausreißererkennungsverfahren kann das Ergebnis manipuliert werden, (5) Stichprobengrößen-Regel wird ignoriert — die kanonische Regel: die Zahl der Einheiten (DMUs) muss mindestens 3 × (Inputs + Outputs) sein; Praktiker speisen 30 Einheiten in ein 10-Input + 8-Output-Modell, fast jede Einheit ist dann effizient und der Bericht ist statistisch bedeutungslos, (6) Input-Output-Wahl ist subjektiv — was die Liste enthält, verschiebt das Ergebnis erheblich; das Hinzufügen ‘günstiger’ Inputs-Outputs, damit eine ineffiziente Einheit effizient wirkt, ist ein bekanntes Manipulationsrisiko in der Praxis, (7) Single-Vendor-Software-Lock-in — ohne Vertragsklausel ‘jährlicher Standardformat-Export von DMU-Daten, Modellparametern und Score-Historie’ geht das über Jahre aufgebaute Effizienzanalyse-Gedächtnis an den Lieferanten verloren. Die Praxis zeigt: ein korrekt kalibrierter Effizienzvergleich (parallel berichtete Modelle mit konstanten und variablen Skalenerträgen + Slack-Analyse + Ausreißererkennung + Stichprobengrößen-Kontrolle) liefert ein um 30-50 % konsistenteres Ranking als ein intuitives Ranking, und peer-belegte Verbesserungspläne für ineffiziente Einheiten heben die Akzeptanzquote um 40-70 %. Für eine mittelgroße 100-500-Filialen-Bank sind das 10-50M TRY zusätzlicher operativer Marge pro Jahr durch peer-geführte Verbesserung ineffizienter Filialen; für eine Bildungsdirektion mit Hunderten von Schulen liegt der Wert in objektiver Evidenz für Budgetentscheidungen; für eine öffentliche Stelle in einer publizierbaren, vertretbaren Methodik für Regulierungsberichte.

Wie wird es gelöst?

Technische Tiefe

In einem Satz: Löse pro Einheit (DMU) ein LP — jedes LP beantwortet “ist diese Einheit so effizient wie die gewichtete Kombination der anderen”; Einheiten mit Score 1 sind effizient (auf der Frontier), Einheiten unter 1 erhalten konkrete Peer-Referenzen (welche effiziente Einheiten sie als Vorbild nehmen sollen).

Dieses Problem trägt in der Operations-Research-Literatur (Disziplin, die Mathematik und Computer für Geschäftsentscheidungen einsetzt) den Namen Data Envelopment Analysis (DEA — Dateneinhüllanalyse) — das Effizienz-OR-Grundproblem, eine nichtparametrische (keine angenommene Produktionsfunktion) LP-basierte Methode. Die grundlegenden Arbeiten stammen aus den späten 1970er und 1980er Jahren: das CCR-Modell (Constant Returns to Scale — konstante Skalenerträge), je DMU als LP formuliert, und das BCC-Modell (Variable Returns to Scale — variable Skalenerträge), das einen skalenabhängigen konvexen Frontier ergänzt. DEA ist heute ein 40+ Jahre altes akademisches Feld mit 10.000+ Arbeiten. Die Lösung läuft in drei Stufen:

1. Modellierung. Eingangsdaten: (a) DMU-Menge (Decision Making Units — homogene Einheiten) — N zu vergleichende Einheiten (z.B. 200 Bankfilialen, 80 Krankenhäuser, 500 Schulen, 81 Provinzen), jede DMU ähnlich strukturiert (gleicher Operationstyp, vergleichbare Größenordnung), (b) Input-Vektor — für jede DMU m Inputs (z.B. Filiale: Personal, Fläche, Computer, Miete; Krankenhaus: Ärzte, Pflegekräfte, Betten, Geräte, Budget), Inputs sind zu reduzierende Ressourcen, (c) Output-Vektor — für jede DMU s Outputs (z.B. Filiale: Einlagenvolumen, Kreditanzahl, Kundenzahl, Erträge; Krankenhaus: Patienten, Operationen, Behandlungserfolg, mittlere Verweildauer invers), Outputs sind zu steigernde Ergebnisse, (d) Stichprobengrößen-Prüfung — Cook-Seiford-(2009)-Regel: N ≥ 3 × (m + s); z.B. 5 Inputs + 4 Outputs erfordern mindestens 27 DMUs; sonst ist das Modell unterbestimmt und fast jede DMU wirkt effizient, (e) CCR- vs. BCC-Wahl — CCR (Charnes-Cooper-Rhodes 1978) nimmt alle DMUs als skalen-effizient gleich an; BCC (Banker-Charnes-Cooper 1984) ist ein skalenabhängiger konvexer Frontier (der Skalenvorteil einer großen Filiale wird anerkannt); BCC + Skalen-Effizienz-Zerlegung trennt technische von Skalen-Ineffizienz, (f) input- vs. output-orientiert — input-orientiert: Outputs fix, Inputs verkleinern (Filial-Szenario: Kundenzahl fix, Personal + Fläche reduzieren); output-orientiert: Inputs fix, Outputs wachsen (Krankenhaus-Szenario: Ärzte + Betten fix, Patienten + Erfolg steigern). Entscheidungsvariablen (CCR-LP-Formulierung nach Charnes-Cooper-Transformation, je DMU ‘o’ eine LP): u_r (Gewicht je Output r), v_i (Gewicht je Input i); Bedingungen: für jede DMU j, sum_r u_r × y_rj - sum_i v_i × x_ij ≤ 0 (keine DMU überschreitet das virtuelle Verhältnis 1), sum_i v_i × x_io = 1 (Normalisierung); Ziel: max sum_r u_r × y_ro (virtuelles Verhältnis von DMU o). Effizienzscore θ*_o = optimaler Zielwert, 0 < θ*_o ≤ 1.

2. Lösung mit Solver. Für N DMUs werden N LPs gelöst (je DMU eine LP); moderne Open-Source-LP-Solver (auf demselben Simplex-Fundament wie Charnes-Cooper-Rhodes 1978 — Dantzig 1947) lösen 1000+ DMU-Modelle mit 10-20 Inputs+Outputs in Sekunden; kommerzielle oder reife Open-Source-LP-Solver reichen, kein MIP-Bedarf (klassisches DEA ist reines LP). Stufe eins: pro DMU der Effizienzscore θ*_o und die effizienten Peers λ*_j (auf welche effizienten DMUs die ineffiziente DMU projiziert wird, gewichtet). Stufe zwei — slack-basierte Zusatzmessung: eine Schwäche des radialen DEA (CCR/BCC) — der Effizienzscore kann 1 sein, es können dennoch Slacks bestehen (ungenutzter Input oder Output-Defizit); Tone (2001) SBM (Slack-Based Measure) ist das nichtradiale Modell; es bezieht alle Slacks ein. Stufe drei — Super-Effizienz (Andersen und Petersen 1993): Ranking unter effizienten DMUs (klassisches DEA gibt jeder effizienten DMU Score 1, kein internes Ranking); das Super-Effizienz-Modell schließt die DMU aus ihrer Peer-Menge aus und berechnet Score > 1 (Ranking unter den effizienten). Stufe vier — Malmquist-Produktivitätsindex: zeitabhängig dynamisch (DEA ist einperiodisch statisch); Caves-Christensen-Diewert (1982) Malmquist-DEA plus Färe-Grosskopf-Lindgren-Roos (1992); Produktivitätsänderung zwischen zwei Perioden zerlegt in technischen Wandel + Effizienzwandel. Stufe fünf — Tobit-Regression: Regressionsanalyse der Determinanten der DEA-Scores (0-1 zensiert) gegen DMU-Eigenschaften (Alter, Lage, Größenordnung); Simar-Wilson (2007) ist die moderne Bootstrap-basierte Revision. Algorithmuswahl: Kern-DEA braucht CCR + BCC + Slack-Analyse; erweiterte Analyse ergänzt Super-Effizienz + Malmquist + Tobit.

3. Feldintegration. Output vierschichtig: (a) operationell — Effizienzscore-Tabelle je DMU (θ*, Ranking, Perzentil); ein Peer-Benchmark-Bericht je ineffiziente DMU (‘Filiale X bei 0,74 Effizienz, Peers Y und Z — projiziert auf 52% Y + 48% Z’); ein Slack-Bericht (wie viele Input-Einheiten zu reduzieren + wie viele Output-Einheiten zu steigern für Verbesserung), (b) Planung — jährlicher Effizienz-Benchmarking-Bericht (DMU-Vergleich, Ranking-Trend über Jahre, Malmquist-Produktivitäts-Zerlegung jährlicher Änderungen), (c) strategisch / Investition — Investitionsentscheidungs-Unterstützung (in welche DMU Ressourcen lenken, welche konsolidieren, welches Peer-Beispiel skalieren), objektive Evidenz für Budgetallokation, (d) Regulierung / Veröffentlichung — sektorweite relative Effizienzberichte (für Aufseher BDDK, SPK, Gesundheitsministerium, MEB), objektive Methodik für performance-basierte Kontrolle öffentlicher Stellen. Vorgelagerte Integration: Unternehmenssysteme (DMU-Stammdaten — Filial-, Krankenhaus-, Schul-Stamm), Finanzberichterstattung (Input-Output-Daten — Ertrag, Aufwand, Patientenzahl, Prüfungsergebnis), CRM (Kunden-/Patienten-/Schüler-Zahlen), BI / Dashboard-Plattform (Effizienzscore-Visualisierung). Quartalsweiser Effizienzausschuss: Score-Trend, peer-geführte Verbesserungspläne für ineffiziente DMUs, Ausreißer-DMU-Erkennung, Stichprobengrößen-Kontrolle (gilt N ≥ 3(m+s) bei neuer DMU), Malmquist-Produktivitätsbericht.

Alternativen

Manuell + Einzel-Kennzahlen + Tabellenkalkulation

Kostenlos

Null Lizenz

Für wen geeignet: Kleine Größenordnung (≤30 DMUs), 1-2 Inputs + 1-2 Outputs, periodisches Benchmarking

+ Null Softwarekosten
+ Vertrautes Werkzeug für das Operations-Team
+ Schnelle Berechnung, leicht zu verstehen
+ Bedingt nützlich bei wenigen DMUs

− Multi-Input-Multi-Output-Realität ignoriert
− Einzel-Kennzahl (Ertrag/Mitarbeiter) liefert Fehlrankings
− Kein Peer-Benchmark — ineffiziente Einheiten ohne konkrete Verbesserungs-Anleitung
− Kein CCR/BCC, Skalen-Effizienz, Malmquist
− 5-20M TRY operative Marge verpasst pro Jahr bei 100+ DMUs

Tabellenkalkulation + LP-Add-in, handgebautes DEA-Modell

Kostenlos

Null bis niedrige Lizenz (innerhalb einer Office-Suite)

Für wen geeignet: Mittlere Größenordnung (30-100 DMUs), erster DEA-Pilot, akademische Forschung

+ Geringe Investition, läuft mit LP-Add-in
+ CCR + BCC Kernmodell konstruierbar
+ Transparent mit akademischen Referenzen aufzusetzen
+ Geeignet für Universitätskooperation (40+ Thesen auf YÖK als Referenzimplementierungen)

− LP-Hand-Codierung pro DMU ist mühsam ab 100+ DMUs
− Slack-Analyse, Super-Effizienz, Malmquist von Hand umständlich
− Ausreißererkennung nicht automatisch
− Stichprobendisziplin hängt am Praktiker
− Schwache Versions- und Revisionskontrolle

Generische DEA-Software (akademisch / KMU)

Enterprise

200K-1M TRY Lizenz + 60K-300K TRY/Jahr Wartung (regionale Marktbeobachtung)

Für wen geeignet: Mittel-groß (100-500 DMUs), jährliches Benchmarking, internes Analytik-Team

+ CCR + BCC + SBM + Super-Effizienz + Malmquist-Module integriert
+ Automatische Ausreißererkennung, Stichprobengrößen-Prüfung
+ Automatische Peer-Benchmark-Berichte
+ Dashboard-Visualisierung
+ Lokalsprachige Oberfläche und Support

− Mittlere Lizenzkosten
− Abhängigkeit von einem bestimmten DEA-Werkzeug
− Integration aktueller Modelle (Network DEA, dynamisches DEA) kann begrenzt sein
− Datenexport-Format-Kontrolle ist kritisch

Open-Source-Solver + akademische DEA-Referenz + Beratung

Open Source

Lizenz kostenlos; 12-20 Wochen interner Aufbau + Beratung oder 400K-1,2M TRY

Für wen geeignet: Organisation mit Tech- + OR-Team, Integration in bestehende BI/Analytik, akademische Partnerschaft

+ Keine Lizenzkosten
+ Die Kernmodelle der Effizienzanalyse-Methode sind in kanonischen Lehrbüchern gut dokumentiert und lassen sich auf Open-Source-Solvern umsetzen
+ CCR + BCC + SBM + Super-Effizienz + Malmquist + Tobit haben alle Open-Source-Referenzimplementierungen
+ 40+ YÖK-Thesen als akademische Referenzen
+ Volle Datenhoheit
+ Transparente Methodik für regulatorische/akademische Veröffentlichung

− Inhouse OR- + Statistik-Spezialist + Infrastrukturteam erforderlich
− 4-9 Monate vom akademischen Prototyp zum Feldsystem
− Wartungsverantwortung im Betrieb
− Operations-Team-Oberfläche separat zu bauen

Internationale BI- / Performance-Management-Plattform + DEA-Modul

Enterprise

500K-3M EUR Lizenz + 200K-800K EUR/Jahr Wartung

Für wen geeignet: Großmaßstab (500+ DMUs), Mehrstandort-Organisation, regulatorischer Veröffentlichungsbedarf, Banken/Versicherungen/Gesundheitswesen Primärbetreiber

+ Reifes DEA-Modul mit allen Modellen (CCR, BCC, SBM, Super-Effizienz, Malmquist, Network DEA)
+ BI-Dashboard + Drill-down-DMU-Analyse
+ Integrierte Tobit-Regression + moderne Bootstrap-basierte Revision
+ Standard-Regulierungs-Berichtsvorlagen
+ Automatischer Mehrperioden-Vergleich

− Hohe Lizenz + lange (12-24 Monate) Einführung
− Anpassung an lokale Regulierung verlängert das Projekt
− Breites Schulungsprogramm für Operations- + Analytik-Teams
− DEA-Methodik-Parameterkontrolle kann eine Blackbox sein
− Hohes Single-Vendor-Lock-in-Risiko

Empfehlung

Klein

≤30 DMUs, 1-2 Inputs + 1-2 Outputs, periodisches Benchmarking: Einzel-Kennzahlen + Tabellenkalkulation genügen. Drei Disziplinen (mindestens 3 Kennzahlen im Jahres-Benchmark — Ertrag/Mitarbeiter, Ertrag/m², Ertrag/Kosten; Drittel-Gruppen statt Ranking — oben-mittig-unten; manuelle ’nächste Peer’-Zuweisung für ineffiziente DMUs) bringen 10-20% Verbesserung. Volle DEA-Investition zahlt sich nicht aus; Priorität ist DMU-Datenerfassung.

Mittel

30-200 DMUs, 3-6 Inputs + 3-6 Outputs, jährliches Benchmarking: generische DEA-Software oder Open-Source-Solver + akademische DEA-Referenz + Beratung. 4-9 Monate Pilot. Erwartete Akzeptanzrate von Verbesserungsplänen für ineffiziente DMUs +30-50%, operative Marge +5-15% (durch peer-geführte Verbesserung). Amortisation 18-30 Monate.

Groß

200-1000+ DMUs, 5-10 Inputs + 5-10 Outputs, Mehrperioden-dynamisch (Malmquist), regulatorische Veröffentlichungspflicht: volle BI- / Performance-Management-Plattform + DEA-Modul + Tobit-Regression + automatische Ausreißererkennung + Stichprobengrößen-Prüfung. Jährliche Gesamtinvestition 1-3M EUR. Amortisation 24-42 Monate. Akzeptanzrate Verbesserungspläne ineffizienter DMUs +40-70%, operative Marge +10-25%, transparente Methodik für regulatorische/akademische Veröffentlichung.

Im Gespräch fragen

Wird die Wahl zwischen CCR und BCC automatisch getroffen oder dem Nutzer überlassen? Unter welchen Bedingungen wird CCR vs. BCC empfohlen — gibt es im System einen Methodik-Leitfaden?
Wie wird input- vs. output-orientiert ausgewählt? Können beide Orientierungen parallel berechnet und ein Peer-Benchmark-Vergleich erzeugt werden?
Wird die slack-basierte Messung (SBM, ein nichtradiales Modell) unterstützt? Wie werden nichtradiale Zusatz-Slacks berichtet?
Wird das Super-Effizienz-Modell für das Ranking unter effizienten Einheiten unterstützt? Gibt es ein automatisches Verfahren zur Markierung extremer Super-Effizienz-Scores (>2)?
Wird der Malmquist-Produktivitätsindex für zeitabhängige Dynamik unterstützt? Ist die Zerlegung in technischen Wandel + Effizienzwandel automatisch?
Ist Ausreißer-DMU-Erkennung (DMUs, die den Frontier mit extrem niedrigem Input oder extrem hohem Output verzerren) automatisch? Wird die Stichprobengrößen-Regel (N ≥ 3 × (m + s)) vom System durchgesetzt?
Wird eine Zweistufen-Analyse mit Regression der Scores gegen Determinanten (Tobit-Regression oder Bootstrap-basierte moderne Revision) unterstützt?
Endet der Vertrag, in welchem Standardformat (CSV, JSON, parametrische Modelldatei) lassen sich DMU-Definitionen, Input-Output-Historie, DEA-Score-Archiv, Peer-Benchmark-Berichte und Malmquist-Analyse-Historie exportieren?

Technische Details

Anmerkung der Redaktion

Dies ist das 100. Problem auf OptDir — der Eckpfeiler der Effizienz-Messfamilie. Es vergleicht ähnliche Einheiten mit mehreren Inputs und Outputs und liefert einen umfassenden Effizienzscore jenseits von Einzel-Kennzahlen (Ertrag/Mitarbeiter, Patienten/Bett).

Umgangssprachlich heißt das Problem “Filialvergleich”, “Krankenhaus-Effizienz-Benchmark” oder “Schulleistungs-Ranking”. In der akademischen Literatur ist der kanonische Name Data Envelopment Analysis (DEA), das Effizienz-OR-Grundproblem. Charnes, Cooper und Rhodes (1978) führten das CCR-Modell im European Journal of Operational Research ein (Gründungswerk des DEA); Banker, Charnes und Cooper (1984) ergänzten das BCC-Modell (Variable Returns to Scale) in Management Science; Cooper, Seiford und Tone (2007) sind das kanonische Lehrbuch; Cook und Seiford (2009) die 30-Jahres-Zusammenfassung; Emrouznejad und Yang (2018) überblicken 40 Jahre (1978-2016) DEA-Literatur mit 10.000+ Arbeiten. In der modernen Industrie ist DEA der Feld-Standard für relatives Effizienz-Benchmarking in Bank, Versicherung, Gesundheit, Bildung, öffentlichen Diensten und Landwirtschaft; in TR sind DEA-basierte Effizienzstudien die kanonische Referenz in Regulierungsberichten von BDDK, SPK, Gesundheitsministerium und MEB.

Im Feld am häufigsten übersprungener Punkt: die Wahl zwischen CCR (Constant Returns to Scale) und BCC (Variable Returns to Scale). CCR (Charnes-Cooper-Rhodes 1978, Originalmodell) nimmt alle DMUs als skalen-effizient gleich an — große und kleine Filialen bei gleicher Skalen-Unabhängigkeit. In der Praxis: eine große Filiale wirkt unter CCR automatisch effizient durch Skalenvorteile, kleine Filialen werden unfair bestraft. BCC (Banker-Charnes-Cooper 1984) ist ein skalenabhängiger konvexer Frontier — der Skalenvorteil der großen Filiale wird anerkannt; es zerlegt technische Effizienz (Nutzung) und Skalen-Effizienz (Skala). CCR-Score = technische Effizienz × Skalen-Effizienz; BCC trennt den Faktor. Praktiker nutzen meist CCR; BCC ist realistischer, und die parallele Berichterstattung ist für korrekte Entscheidungsunterstützung essenziell.

Zweiter übersprungener Punkt: die Stichprobengrößen-Adäquanz-Regel. Cook-Seiford-(2009)-Regel: Zahl der DMUs N ≥ 3 × (Input m + Output s). Z.B. erfordert ein 5-Input + 4-Output-Modell mindestens 27 DMUs; sonst ist das Modell unterbestimmt und fast jede DMU wirkt effizient — statistisch bedeutungslos. Praktiker speisen 30 DMUs in ein 10-Input + 8-Output-Modell und produzieren ‘alle sind effizient’-Berichte; diese Berichte sind methodisch defekt. Die Regel muss bei jeder DMU-Ergänzung oder Input-Output-Listenerweiterung neu geprüft werden.

Dritter übersprungener Punkt: Ausreißer brechen den Frontier. Die kritischste Schwäche des DEA: eine Ausreißer-Einheit (Dateneingabefehler, Sonderstatus-DMU, anomale Leistung) drückt den Frontier nach außen; die Scores aller anderen Einheiten sinken fälschlich. Ohne Ausreißererkennung (z.B. manuelle Prüfung von Einheiten mit Super-Effizienz-Score > 2, Bootstrap-Konfidenzintervall-Checks) können DEA-Ergebnisse manipuliert oder fehlgeleitet werden.

Vierter übersprungener Punkt: die Subjektivität der Input-Output-Wahl. Die Input-Output-Liste eines DEA-Modells verschiebt die Ergebnisse erheblich. An denselben 200 Filialen produzieren ein ‘(Personal + Fläche) Input + (Ertrag) Output’-Modell und ein ‘(Personal + Fläche + Computer + Miete) Input + (Ertrag + Kundenzahl + Kreditanzahl) Output’-Modell verschiedene Rankings. Bewusste Manipulationsrisiken (günstige Inputs-Outputs werden ergänzt, damit eine ineffiziente Einheit effizient wirkt) sind in der Literatur dokumentiert. Input-Output-Wahl ist eine methodische Entscheidung — sie muss mit Stakeholdern über einen transparenten Prozess gesetzt und danach nicht geändert werden.

Unterschied zu #018 (Markowitz-Portfolio): #018 ist finanzielle Anlagenauswahl/-gewichtung — Trade-off zwischen erwarteter Rendite und Risiko (Mean-Variance); DEA ist relatives Effizienzmaß — Einheitsvergleich, Produktionsfunktion (Multi-Input-Multi-Output). Verschiedene Domains — gemeinsamer Faden: beide sind optimierungsbasierte objektive Metriken, beide praktisch empfindlich gegenüber subjektiver Inputwahl (Kovarianzmatrix vs. Input-Output-Liste).

Schritt-für-Schritt-Roadmap — für KMU

Stufe 1 — Vorher messen, dann planen. Mindestens 2-3 Jahre DMU-Datenbasis: DMU-Liste (Filialen, Krankenhäuser, Schulen usw. — homogene Einheiten), jährliche Inputdaten je DMU (Personal, Fläche, Computer, Budget), jährliche Outputdaten je DMU (Ertrag, Kundenzahl, Patienten, Prüfungsergebnis). Datenqualität: konsistente Definitionen (z.B. ‘Personalstand’ als FTE oder Kopf, mit oder ohne Kontraktoren), Einheiten (TRY, Anzahl, m², Meter), Zeitkonsistenz (gleiche Periode über DMUs). Stichprobengrößen-Prüfung: gilt N ≥ 3 × (m + s) — wenn nicht, Input-Output-Liste verschmälern oder DMU-Menge erweitern.

Stufe 2 — Die Input-Output-Matrix aufstellen. Nach akademischer Literatur (Cook-Seiford 2009; Cooper-Seiford-Tone 2007) und sektorspezifischen DEA-Studien die Input-Output-Liste über transparente Methodik setzen. Beispiel: häufiges Input-Output-Set für Bankfilialen in der türkischen DEA-Literatur: Inputs (Personal, Fläche, Miete, IT-Ausstattung), Outputs (Einlagen, Kredite, Kundenzahl, Ertrag). Für Krankenhäuser: Inputs (Ärzte, Pflegekräfte, Betten, Budget), Outputs (Patienten, Operationen, Behandlungserfolg). Stakeholder-Einigung: Input-Output-Liste wird später nicht geändert (Manipulationsrisiko).

Stufe 3 — Pilot. 8-12 Wochen. CCR + BCC + Slack-Analyse parallel auf einer Untergruppe (z.B. die homogensten 30-50 Filialen oder eine Regionaldirektion) ausführen; Ausreißererkennung, Stichprobenprüfung und Peer-Benchmark-Bericht produzieren. Entscheidungen bleiben beim Manager; DEA gibt Vorschläge. Erfolgskriterien vorab schriftlich: Akzeptanzrate Verbesserungspläne ineffizienter DMUs +30% Minimum (durch konkrete peer-geführte Evidenz), CCR vs. BCC Score-Lücke berichtet (Skalen-Effizienz-Analyse), Ausreißererkennung angewendet.

Stufe 4 — Roll-out. 6-12 Monate bis vollständige DMU-Katalogabdeckung + Super-Effizienz (Ranking unter Effizienten) + Malmquist-Produktivitätsindex (jährliche Änderung) + Tobit-Regression (Determinantenanalyse). Quartalsweiser Effizienzausschuss: Score-Trend, Status peer-geführter Verbesserungspläne ineffizienter DMUs, Ausreißererkennung, neue DMU hinzugefügt (Stichprobenprüfung), Input-Output-Liste konstant (Methodik-Konsistenz).

Risiken — was schief gehen kann

Subjektivität der Input-Output-Wahl (bewusstes Manipulationsrisiko). Die Input-Output-Liste verschiebt die Ergebnisse erheblich. Die Leitung einer ineffizienten Filiale könnte versuchen, einen ‘Mietkosten’-Input zu ergänzen (die Filiale liegt in hoch-miet Gegend; einmal ergänzt wirkt sie effizient). Dies ist dokumentiertes Manipulationsrisiko. Lösung: Input-Output-Liste als methodische Entscheidung mit Stakeholdern via transparentem Prozess setzen; an sektor-standard akademischer Referenz ausrichten; danach nicht ändern (Konsistenz nötig für jährliches Benchmarking). Falls eine Änderung nötig ist, Vorher/Nachher-Vergleich veröffentlichen.
Ausreißer verzerren den Frontier. Eine Ausreißer-Einheit (Dateneingabefehler, Sonderstatus-DMU, anomale Leistung) drückt den Frontier nach außen; die Scores aller anderen Einheiten sinken fälschlich. Lösung: Ausreißererkennung (manuelle Prüfung von Einheiten mit Super-Effizienz-Score > 2; Bootstrap-Konfidenzintervall-Analyse — Simar-Wilson 2007); bei Dateneingabefehler korrigieren, bei Sonderstatus aus dem Modell ausschließen und separat berichten.
Stichprobengrößen-Regel ignoriert (N < 3 × (m + s)). Cook-Seiford-(2009)-Regel: DMU-Zahl ≥ 3 × (Inputs + Outputs). Werden 30 DMUs in ein 10-Input + 8-Output-Modell gespeist, wirkt fast jede DMU effizient — statistisch bedeutungslos. Lösung: Input-Output-Liste an DMU-Zahl anpassen (z.B. 5 Inputs + 4 Outputs erfordern mindestens 27 DMUs); weniger kritische Inputs in eine Variable aggregieren (z.B. alle Betriebskosten als ein ‘Gesamtkosten’-Input). Bei DMU-Ergänzung oder Listenerweiterung erneut prüfen.
Falsche CCR/BCC-Wahl (Skalen-Unabhängigkeits-Annahme bricht). CCR (Constant Returns to Scale) behandelt große und kleine DMUs als skalen-äquivalent; in der Praxis wirken große Filialen unter CCR automatisch effizient. BCC (Variable Returns to Scale) ist skalenabhängig; trennt technische vs. Skalen-Effizienz. Lösung: stets CCR und BCC parallel berichten; Skalen-Effizienz = CCR-Score / BCC-Score berechnen; Methodikwahl nach Sektor und DMU-Skalenspanne (schmale Spanne — CCR reicht; breite Spanne — BCC essenziell).
Lock-in eines einzigen DEA-Software-Lieferanten. Fehlt im Vertrag die Klausel ‘jährlicher Standardformat-Export (CSV, JSON) von DMU-Definitionen, Input-Output-Historie, DEA-Score-Archiv, Peer-Benchmark-Berichten und Malmquist-Analyse-Historie’, bedeutet das Verlassen des Systems den Verlust mehrjährig aufgebauten Effizienzanalyse-Gedächtnisses. Während regulatorische/akademische Veröffentlichung methodische Transparenz braucht (CCR/BCC-Wahlparameter, Ausreißererkennungsschwellen), kann eine Blackbox-DEA-Software diese Transparenz nicht liefern. Der Vertrag muss Methodik-Parameterexport und Standardformat-Output verlangen.

Technischer Blick auf die Lösungsmethoden

Ansatz	Typische Größe	Lösungszeit	Hinweise
Einzel-Kennzahlen + Tabellenkalkulation	Klein, ≤30 DMUs	sofort	Multi-Input-Multi-Output ignoriert
CCR (Charnes-Cooper-Rhodes 1978)	Mittel, 30-300 DMUs	Sekunden	Grundlegend; skalen-unabhängige Annahme
BCC (Banker-Charnes-Cooper 1984)	Mittel, 30-300 DMUs	Sekunden	Skalenabhängig; technische + Skalen-Effizienz-Zerlegung
SBM (Tone 2001 — Slack-Based Measure)	Mittel, 30-300 DMUs	Sekunden	Nichtradial, inklusive Slacks
Super-Effizienz (Andersen-Petersen 1993)	Mittel, Ranking Effiziente	Sekunden	Ranking unter Effizienten; auch für Ausreißererkennung
Malmquist-Produktivität (Färe et al 1992)	Mittel, Mehrperioden	Minuten	Zeitabhängig dynamisch; Produktivität + technisch + Effizienz-Zerlegung
Tobit-Regression / Simar-Wilson (2007) Bootstrap	Mittel, Zweistufen-Analyse	Minuten	Regression DEA-Scores gegen Determinanten
Network DEA / Dynamisches DEA	Komplexe Mehrstufenprozesse	Minuten	Moderne Erweiterungen — Färe-Grosskopf 2000+; begrenzte praktische Anwendung
Stochastisches / Chance-Constrained DEA	Unter Unsicherheit	Minuten	Moderne Erweiterung; Input-Output-Daten-Unsicherheit

Zielfunktion-Wahl:

Ziel 1 — Input-orientiert (Inputs senken): Outputs fix, Inputs minimieren; Bankfilial-Szenario (Kundenzahl fix, Personal + Fläche senken).
Ziel 2 — Output-orientiert (Outputs steigern): Inputs fix, Outputs maximieren; Krankenhaus-Szenario (Ärzte + Betten fix, Patienten + Erfolg steigern).
Ziel 3 — Nicht-orientiert (beides): SBM Tone (2001) — Inputreduktion + Outputwachstum gemeinsam; in moderner Praxis bevorzugt.
Ziel 4 — Gewinn-fokussiert: Gewinnmaximierungs-DEA (Färe et al 1985) — Kosten als Input, Erlöse als Output, gewinn-orientierte Effizienz.

DEA-Varianten — nach Sektor wählen:

CCR (Charnes-Cooper-Rhodes 1978): Grundlegend, skalen-unabhängig, Startmodell.
BCC (Banker-Charnes-Cooper 1984): Skalenabhängig, technische + Skalen-Effizienz-Zerlegung.
SBM (Tone 2001): Slack-basiert, nichtradial, moderner Praxisstandard.
Super-Effizienz (Andersen-Petersen 1993): Ranking unter Effizienten.
Malmquist-DEA (Färe-Grosskopf-Lindgren-Roos 1992): Mehrperioden-Produktivitätsänderungs-Zerlegung.
Network DEA (Färe-Grosskopf 2000+): Mehrstufenprozess (z.B. Bank: Einlagen-Sammeln → Kredit-Vergabe → Ertrag).
Stochastisches DEA: Chance-Constrained-Modell unter Datenunsicherheit.
Zweistufen-DEA + Tobit / Simar-Wilson (2007): Zweite Stufe Determinantenanalyse.

Akademische Quellen

Im Frontmatter unter sources aufgelistet. Charnes-Cooper-Rhodes (1978) grundlegend CCR; Banker-Charnes-Cooper (1984) BCC skalenabhängig; Cooper-Seiford-Tone (2007) kanonisches Lehrbuch; Cook-Seiford (2009) 30-Jahres-Zusammenfassung und Stichprobenregel; Emrouznejad-Yang (2018) 40-Jahres-Literaturübersicht (10.000+ Arbeiten); Tone (2001) SBM; Andersen-Petersen (1993) Super-Effizienz; Simar-Wilson (2007) Bootstrap-basierte Zweistufe; YÖK-Thesenzentrum, 40+ Thesen aus der TR-Akademie (zu den meistveröffentlichten OR-Themen in TR).

Quellen

Charnes, A., Cooper, W. W. und Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429-444. Grundlegende Arbeit zum CCR-Modell; das Gründungswerk des DEA.
Banker, R. D., Charnes, A. und Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management Science, 30(9), 1078-1092. BCC-Modell — die skalenabhängige (Variable Returns to Scale) Erweiterung.
Cooper, W. W., Seiford, L. M. und Tone, K. (2007). Data Envelopment Analysis: A Comprehensive Text with Models, Applications, References and DEA-Solver Software (2. Auflage). Springer. Das kanonische Lehrbuch des Feldes.
Cook, W. D. und Seiford, L. M. (2009). Data envelopment analysis (DEA) — Thirty years on. European Journal of Operational Research, 192(1), 1-17. Dreißig-Jahres-Zusammenfassung des DEA, Stichprobengrößen-Regel und Methodik-Leitfaden.
Emrouznejad, A. und Yang, G.-L. (2018). A survey and analysis of the first 40 years of scholarly literature in DEA: 1978-2016. Socio-Economic Planning Sciences, 61, 4-8. 40-Jahres-Übersicht der DEA-Literatur; 10.000+ akademische Arbeiten.
Tone, K. (2001). A slacks-based measure of efficiency in data envelopment analysis. European Journal of Operational Research, 130(3), 498-509. SBM (Slack-Based Measure) — das nichtradiale Modell.
Andersen, P. und Petersen, N. C. (1993). A procedure for ranking efficient units in data envelopment analysis. Management Science, 39(10), 1261-1264. Super-Effizienz-Modell, Ranking unter effizienten DMUs.
Simar, L. und Wilson, P. W. (2007). Estimation and inference in two-stage, semi-parametric models of production processes. Journal of Econometrics, 136(1), 31-64. Bootstrap-basierte Zweistufen-DEA + moderne Tobit-Revision.
YÖK Hochschulrats-Thesenzentrum — Schlagwörter ‘veri zarflama’ oder ‘DEA’ oder ‘verimlilik analizi’ — 40+ Thesen aus der TR-Akademie (zu den meistveröffentlichten OR-Themen in TR). tez.yok.gov.tr

Glossar

Data Envelopment Analysis: Nichtparametrische LP-basierte Frontier-Effizienz-Methode, die die relative technische Effizienz ähnlicher Einheiten (DMUs) misst, die mit mehreren Inputs und Outputs arbeiten.
Decision Making Unit: Analyse-Einheit in der DEA — eine ähnliche Entität (eine von N homogenen Organisationen), die gebenchmarkt wird; verbraucht mehrere Inputs, um mehrere Outputs zu erzeugen.
MIP: Optimierungsmodell, bei dem ein Teil der Entscheidungsvariablen ganzzahlig sein muss (z. B. Anzahl LKW, Anzahl Schichten).

X LinkedIn

War das hilfreich?

Korrektur vorschlagen

Mehrere Inputs + mehrere Outputs — Wie messe ich die relative Effizienz meiner Filialen oder Einheiten?

Kurz gesagt

Kommt Ihnen das bekannt vor?

Warum es wichtig ist

Wie wird es gelöst?

Alternativen

Manuell + Einzel-Kennzahlen + Tabellenkalkulation

Tabellenkalkulation + LP-Add-in, handgebautes DEA-Modell

Generische DEA-Software (akademisch / KMU)

Open-Source-Solver + akademische DEA-Referenz + Beratung

Internationale BI- / Performance-Management-Plattform + DEA-Modul

Empfehlung

Im Gespräch fragen

Technische Details

Anmerkung der Redaktion

Schritt-für-Schritt-Roadmap — für KMU

Risiken — was schief gehen kann

Technischer Blick auf die Lösungsmethoden

Akademische Quellen

Quellen

Glossar

Ähnliche Probleme

Fixes Budget, viele Kandidatenprojekte — welche Teilmenge wähle ich, damit der Gesamtertrag maximal wird?

Welcher Anteil meines Geldes geht in welche Anlage?