Embed Size (px)
Citation preview
Masterarbeit
Im Studiengang Agrarwissenschaften
Die Bedeutung der DEA (Data Envelopment Analysis) als
Analyseinstrument in der landwirtschaftlichen Beratung
vorgelegt von B. Sc. Berthold Korth
Matrikelnummer: 1009477
Kiel, im Februar 2014
Erstgutachter: Herr Prof. Dr. Uwe Latacz-Lohmann
Zweitgutachter: Dr. Volker Saggau
Lehrstuhl für Landwirtschaftliche Betriebslehre und Produktionsökonomie
Institut für Agrarökonomie
Agrar- und Ernährungswissenschaftliche Fakultät
der Christian–Albrechts-Universität zu Kiel
II
Inhaltsverzeichnis
Abkürzungsverzeichnis ........................................................................................ IV
Abbildungsverzeichnis ......................................................................................... VI
Tabellenverzeichnis ............................................................................................ VII
1 Einleitung ............................................................................................................1
1.1 Problemidentifikation und Zielsetzung ........................................................2
1.2 Konzeption der Arbeit ..................................................................................4
2 Grundlagen der Effizienzmessung ......................................................................5
2.1 Begriffsdefinitionen und Grundlagen der Effizienzmessung .......................6
2.2 Skaleneffizienz............................................................................................13
2.3 Effizienzanalyse mit Hilfe von Frontierfunktionen ....................................16
2.4 Effizienzanalyse mittels Data Envelopment Analysis .................................20
2.5 CCR-Modell mit konstanten Skalenerträgen .............................................22
2.6 BCC-Modell mit variablen Skalenerträgen .................................................28
2.7 Erweiterungen der DEA ..............................................................................29
2.7.1 DEA-Supereffizienzmodell ...................................................................29
2.7.2 DEA Window Analysis ..........................................................................32
3 Datengrundlage ................................................................................................35
3.1 Vorstellung der Datengrundlage ................................................................36
3.2 Darstellung der Struktur der Untersuchungsbetriebe ...............................41
3.3 Vorstellung der SAC Unternehmensanalyse ..............................................43
3.4 Auswahl der Input- und Outputvariablen ..................................................51
3.5 Möglichkeiten der DEA als Beratungsinstrument ......................................55
4 Ergebnisse der empirischen Analyse ................................................................57
4.1 Ergebnisse der Data Envelopment Analysis ...............................................57
4.1.1 Ergebnisse der technischen Effizienzen ..............................................58
4.1.2 Ermittlung der Slacks ...........................................................................61
4.1.3 Benchmarks .........................................................................................64
4.1.4 Aggregationsgewichte .........................................................................66
III
4.2 Darstellung der Ergebnisse der SAC Analyse .............................................68
4.3 Vergleich zwischen DEA und SAC-Analyse .................................................72
4.4 Einfluss der DEA auf die Beratungsempfehlung ........................................76
5 Chancen und Schwierigkeiten der DEA als Beratungsinstrument ....................77
5.1 Chancen der DEA als Instrument in der landwirtschaftlichen Beratung ...77
5.2 Schwierigkeiten der DEA als landwirtschaftliches Beratungsinstrument ..79
6 Zusammenfassung und Ausblick.......................................................................82
Anhang .................................................................................................................85
Eidesstattliche Erklärung .....................................................................................95
IV
Abkürzungsverzeichnis
a.o. außerordentlich
Abb. Abbildung
aE allokative Effizienz
AK Arbeitskraft
BÄ Bestandsänderung
CRS konstante Skalenerträge
DEA Data Envelopment Analysis
DMU Decision Market Unit
EK Eigenkapital
FK Fremdkapital
GAP gemeinsame Agrarpolitik
ggf. gegebenenfalls
GKR Gesamtkapitalrendite
GUV Gewinn- und Verlustrechnung
ha Hektar
i.d.R. in der Regel
inkl. inklusive
JA Jahresabschluss
ldw. landwirtschaftlich
MPSS most productive scale size
NIRS non-increasing returns to scale
ord. ordentlich
PFP partielle Faktorproduktivität
RAP Rechnungsabgrenzungsposten
SAC SCHULDT-AGRO-CONCEPT GmbH
V
SE Skaleneffizienz
SFA stochastische Frontieranalyse
son. sonstige
tE technische Effizienz
TFP totale Faktorproduktivität
VE Vergleichseinheit
verm. vermindert
vgl. vergleiche
VRS variable Skalenerträge
z.B. zum Beispiel
z.T. zum Teil
zzgl. zuzüglich
VI
Abbildungsverzeichnis
Abbildung 1: Produktionsfrontier im Single-Input / Single-Output Fall .............8
Abbildung 2: Produktivität und Effizienz .............................................................9
Abbildung 3: Skaleneffizienz ...............................................................................15
Abbildung 4: Übersicht der Frontieransätze ......................................................18
Abbildung 5: Benchmarks und Inputslacks ........................................................25
Abbildung 6: Supereffizienz ................................................................................31
Abbildung 7: Input- und Outputgrößen .............................................................51
Abbildung 8: Übersicht zwischen DEA und SAC-Analyse ...................................80
VII
Tabellenverzeichnis
Tabelle 1: Flächenausstattung der Untersuchungsbetriebe .............................42
Tabelle 2: Codierung SAC-Code und BMELV-Code .............................................47
Tabelle 3:Erfolgskennzahlen mit Wichtung .......................................................49
Tabelle 4: Mittelwerte der Input- Outputgrößen nach Wirtschaftsjahren ......54
Tabelle 5: technische Effizienz für Abschreibung und Besatzkapital ................58
Tabelle 6: technische Effizienz für Personalaufwand und AK-Besatz ...............59
Tabelle 7: technische Effizienz für Eigentum- und Pachtanteil .........................60
Tabelle 8: Outputslacks .......................................................................................61
Tabelle 9: Slacks der Effizientesten und Ineffizientesten Betriebe ...................62
Tabelle 10: Häufigkeit der Nennung als Benchmark .........................................65
Tabelle 11: Durchschnittliche Aggregationsgewichte .......................................66
Tabelle 12: Punktzahlen der SAC-Unternehmensanalyse .................................70
Tabelle 13: Ranking-Vergleich der DEA mit der SAC-Analyse ...........................73
Tabelle 14: Korrelationen zwischen SAC-Analyse und DEA ..............................74
Tabelle 15: Übersicht über die Vor- und Nachteile der DEA und SAC-Analyse 81
1
1 Einleitung
Die Effizienz von Produktionsfaktoren wird in der heutigen Zeit ein immer
wichtigeres Themengebiet. In nahezu allen Unternehmen halten mehr und
mehr zunehmende Spezialisierung und Arbeitsteilung inne. Diese halten dabei
in allen Branchen Einzug, sodass die Wirtschaftlichkeit und somit einhergehend
die Effizienz von unternehmerischem Handeln in aller Munde ist. Die zuneh-
mende Globalisierung fördert zusätzlich die immer größer werdende Konkur-
renz der Unternehmen. Eine höhere Wettbewerbsintensität auch innerhalb
verschiedener Branchen zwingt zu stärkerem Ressourcenbewusstsein. Mehr
und mehr steigt die Gefahr der Übernahme durch andere Unternehmen und
damit die Gefahr, das unternehmerische Handeln zu verlieren. Nur wer eine
effiziente Verwertung der Produktionsfaktoren gewährleisten kann und
technischen Fortschritt realisiert, sichert langfristig die Existenz des Unterneh-
mens.
Auch die Wettbewerbsfähigkeit der Landwirtschaft ist davon betroffen. Die
europäische Agrarpolitik (GAP) lieferte vor allem in den letzten Jahrzehnten die
Grundvoraussetzung der Einkommenssicherung für landwirtschaftliche
Betriebe. Aufgrund sich ändernder gesellschaftlicher und marktpolitischer
Verhältnisse, wird im nächsten Jahrzehnt ein starker Wandel der Subventionie-
rung in der Landwirtschaft Einzug halten (BMELV, 2013). Die kürzlich stattge-
fundene Agrarministerkonferenz in München gibt Antwort darauf, wie sich die
deutsche Agrarlandschaft in den nächsten Jahren entwickeln soll. So werden ab
2015 besonders die bäuerliche Struktur, Junglandwirte und Grünlandflächen
gefördert. Zusätzlich erfolgt eine Umverteilung von der ersten in die zweite
Säule in Höhe von 4,5% der finanziellen Mittel. Hiermit sollen besonders eine
nachhaltige Landwirtschaft, der ökologische Landbau und die tiergerechte
Haltung gestärkt werden. Des Weiteren führt die kleinbetriebliche Förderung
aufgrund der unterschiedlichen Strukturverhältnisse zu einer Umverteilung der
Mittel von den neuen zu den alten Bundesländern (AMK, 2013). Aus den
bisherigen Aussagen des Agrarministerrats wurde jedoch nicht klar, welche
2
Kontrollen und Anforderungen die Unternehmen in der Zukunft einhalten
müssen, um die genannten Zusatzzahlungen zu erhalten. Begrifflichkeiten wie
Cross-Compliance, Prämienrechte und Greening sind weitere Strategien der
Gemeinsamen Agrarpolitik. Welche Instrumente nach 2020 die europäische
Landwirtschaft steuern, bleibt völlig offen.
Diese Veränderungen in der europäischen Agrarpolitik erfordern eine grundle-
gende Anpassung auf betrieblicher Ebene. Die Wirkungen dieser Reform sind
für den Einzelbetrieb nur schwer abschätzbar. Neue Herausforderungen in der
Wertschöpfungskette der Rohstoffverwertung sowie umfangreiche inner- und
außerbetriebliche Prozesse lassen eine ungewisse Zukunft vorhersehen.
Aufgrund der Ungewissheit über die fundamentalen und komplexen Verände-
rungen sind die Betriebsleiter auf geeignete Antwortstrategien aus Forschung,
Verwaltung und Beratung angewiesen, die effektive Strategien bereithalten, um
eine nachhaltige Produktion zu gewährleisten.
1.1 Problemidentifikation und Zielsetzung
Aus den einleitenden Überlegungen wird deutlich, dass die Europäische Union
ihren Fokus auf die Schaffung und Einbeziehung von Minimalbedingungen
(Cross-Compliance, Greening, ökologische Vorrangflächen) in die bestehende
und künftige Agrarpolitik legt. Diese Maßnahmen sind unter anderem eine
Folge der sinkenden Bereitschaft der Gesellschaft, Nahrungsmittel wie im
bisherigen Umfang zu subventionieren. Darüber hinaus muss das Einkommen
zunehmend durch entsprechend erbrachte Zusatzleistungen gesichert werden.
Für die Betriebe ergibt sich daraus eine widersprüchliche Herausforderung –
geschaffen durch den politischen Wettbewerb sowie der zunehmenden
preislichen Orientierung an den weltweiten Rohstoffmärkten. In jedem Fall wird
die Zukunft der europäischen Landwirtschaft zunehmend durch den Einfluss am
Markt bestimmt.
3
Die natürlichen Bedingungen (Bodenqualität, Klima, topografische Verhältnisse)
bestimmen immer mehr das erzielbare Naturalertragsniveau. Besonders
Betriebe auf Grenzertragsstandorten müssen überprüfen, ob sie durch den
Absatz der produzierten Güter ein zusätzliches Einkommen erzielen können.
Dies hängt davon ab, ob die Deckungsbeiträge je ha abzüglich aller Kosten
zumindest positiv sind, oder die Alternative Stilllegung zu einer vorteilhafteren
Handlungsweise führt.
Darüber hinaus bestimmt das Management in starkem Maße die Produktions-
kosten eines landwirtschaftlichen Betriebes. Nur wer seine betriebswirtschaftli-
chen Kennzahlen sowie die eingesetzten Produktionsfaktoren im Blick hat und
ggf. Anpassungen der Produktionstechnik unter Verwendung aller verfügbaren
Ressourcen und Informationen vornimmt, kann effizient wirtschaften. Dazu
kann die Beratung ein gutes Maß an Unterstützung liefern.
Im Zusammenhang mit dieser Aussage stellt sich die Frage nach Analysemetho-
den zur Bestimmung der Effizienz landwirtschaftlicher Unternehmen. In der
Wissenschaft wurden verschiedene Konzepte eingeführt, die der Messung von
Effizienz und somit der Identifizierung von Ressourceneinsparpotenzial dienen.
Dabei ist jedoch bisher nicht ausreichend untersucht worden, inwiefern diese
Methoden auch in der Praxis angewendet werden können. Dazu findet in
folgender Arbeit ein Vergleich der Data Envelopment Analysis mit einem
etablierten Analyseverfahren für landwirtschaftliche Unternehmen statt.
Ziel dieser Arbeit ist es herauszufinden, inwiefern die DEA als Analyseinstru-
ment in der landwirtschaftlichen Beratung eingesetzt werden kann. Dazu findet
ein Vergleich mit der SAC Unternehmensanalyse statt. Die Datengrundlage
bilden dabei die Jahresabschlüsse eines unabhängigen Beratungsunterneh-
mens. Die SAC Analyse wird hier seit etwa 20 Jahren angewendet.
4
Somit stellen sich für diese Arbeit folgende Leitfragen:
• Ist ein genereller Vergleich der DEA mit einer anderen Analysemethode
möglich?
• Welche Schwierigkeiten ergeben sich bei einem Vergleich?
• Welche Vor- und Nachteile bietet die DEA gegenüber anderen Analy-
seinstrumenten
1.2 Konzeption der Arbeit
Die vorliegende Arbeit gliedert sich in sechs Kapitel. Nach der Einleitung folgt
im zweiten Kapitel eine Vorstellung der Grundlagen der Effizienzanalyse. Zuerst
werden die wichtigsten Begriffe definiert, nachdem anschließend die Methode
der Data Envelopment Analysis vorgestellt wird. Das dritte Kapitel beschreibt
die Herkunft der Daten und deren Aufbereitung. Dabei wird zunächst auf die
Struktur des Datensatzes eingegangen. Anschließend wird die SAC Unterneh-
mensanalyse vorgestellt und die Auswahl der Input- und Outputvariablen
beschrieben. In Kapitel 4 werden die Ergebnisse der empirischen Analyse
vorgestellt. Es werden die Ergebnisse der DEA und der SAC Unternehmensana-
lyse dargestellt, bevor diese mittels verschiedener Methoden miteinander
verglichen werden. Zunächst erfolgt eine quantitative Analyse mit der Auswer-
tung und Nennung der Benchmarks. Es werden die Aggregationsgewichte der
Produktionsfaktoren beschrieben, sowie ein physischer Vergleich mittels
Befragung des Beraters angestellt. Abschließend soll in diesem Kapitel die
Stabilität der Ergebnisse und der Einfluss der DEA auf die Beratungsempfehlung
erläutert werden. Das fünfte Kapitel endet in einer Diskussion, wobei die
Chancen der DEA als Analyseinstrument und deren Schwierigkeiten beim
Einsatz als Beratungsinstrument erläutert werden sollen. In Kapitel 6 wird eine
Zusammenfassung der Arbeit gegeben.
5
2 Grundlagen der Effizienzmessung
Im folgenden Kapitel wird auf die Grundlagen der Effizienzmessung eingegan-
gen. Zu Beginn wird kurz die Bedeutung der Effizienzmessung dargestellt und
anschließend die wichtigsten in diesem Kontext auftretenden Begrifflichkeiten
erläutert. Im weiteren Verlauf dieses Kapitels werden die Effizienzmessung
mittels Frontieranalysen und darunter insbesondere die Data Envelopment
Analysis dargestellt. Des Weiteren werden die analytischen Erweiterungen der
Supereffizienz sowie der Window DEA Analysis erklärt.
6
2.1 Begriffsdefinitionen und Grundlagen der Effizienzmessung
Die DEA wird in der Forschung und Entwicklung als Methode zur Entschei-
dungsunterstützung von Effizienzmessung angewendet. Es gibt einige Untersu-
chungen zur Messung der Performance bei Non-Profit-Organisationen wie z.B.
in Forschungseinrichtungen oder medizinischen Einrichtungen.1 In der unter-
nehmerischen Praxis ist dieses Instrument bisher allerdings eher unbekannt
(Moog, 2007). Im landwirtschaftlichen Sektor wurden bereits zahlreiche
Analysen zur Bestimmung der technischen Effizienz durchgeführt. Allerdings
gab es laut Wissen des Autors bisher keine Untersuchung, in der die Ergebnisse
der DEA einem direkten Vergleich mit einem weiteren, seit langer Zeit ange-
wandten Analyseinstrument unterzogen wurden.
Bevor im weiteren Verlauf näher auf die bestimmenden Einflussfaktoren und
die Methodik zur Ermittlung von Effizienzwerten eingegangen wird, müssen
zunächst einige wichtige Zusammenhänge definiert werden. Als Erstes folgt
eine Definition der Begriffe Produktivität und Effizienz. Beide erlauben Aussa-
gen über die Ursachen unterschiedlicher Unternehmensleistungen. Ihre
Bedeutung unterscheidet sich jedoch hinsichtlich der Art ihrer Aussagefähig-
keit.
Produktivität kann laut Unger (1986) allgemein als Maßzahl für das Verhältnis
von Produktionsergebnis zu Faktoreinsatz oder als mengenmäßiges Verhältnis
vom eingesetzten Input zu dem erzielbaren Output beschrieben werden
(Töpfer, 2007). In folgender Formel (2.1) ist die Faktorproduktivität in einem
Single-Input / Single-Output Fall dargestellt.
��������������ä� = �₁�₁ = �������� (2. 1 )
1 Performance beschreibt die Leistung eines Produktionsprozesses
7
Die partielle Faktorproduktivität (PFP), welche in oben liegender Formel
dargestellt ist, betrachtet ausschließlich das Verhältnis eines bestimmten
Outputs zu einem bestimmten Input, wie z.B. der Arbeitsproduktivität oder der
Kapitalproduktivität. Es wird lediglich der Einsatz eines Faktors betrachtet. Alle
anderen Produktionsfaktoren bleiben unberücksichtigt. Dazu wird auf die
Theorie der Technologie und der Produktionsfunktion zurückgegriffen. Die
Technologiemenge enthält alle Input-Output Kombinationen (Produktionspunk-
te), die eine Produktionseinheit mit den vorhandenen technischen und
organisatorischen Fähigkeiten realisieren kann.
In Abbildung 1 ist die Produktionsfunktion F dargestellt. Alle auf und unter ihr
abgebildeten Produktionspunkte bilden die Technologiemenge (T). Die Produk-
tionspunkte sind in der Lage, ein Input der Menge x in ein Output der Menge y
zu verwandeln. Die Produktionsfunktion F bildet dabei den oberen Rand der
Technologiemenge, welche gleichzeitig eine bestmögliche Input- Output
Transformation ermöglicht. Die Produktionsfunktion wird somit anhand der
Beobachtungen mit der höchsten Produktivität definiert. Folglich liegen alle
anderen Produktionseinheiten, welche dieses Kriterium nicht erfüllen, unter-
halb der Produktionsfunktion (Cantner et al., 2007). Um die Produktivität der
unterhalb von F liegenden Einheiten zu erhöhen, gibt es zwei Möglichkeiten.
Für die in Abbildung 1 dargestellte Vergleichseinheit D besteht die Möglichkeit,
bei konstantem Input mehr Output zu erzeugen und folglich in Punkt D‘ zu
produzieren. Die zweite Möglichkeit besteht darin, das gleiche Output bei
einem geringeren Input zu erzeugen (Punkt D‘‘).
8
Abbildung 1: Produktionsfrontier im Single-Input / Single-Output Fall
Möchte man die Summe der Outputs yj (j = 1, …, J) ins Verhältnis zu der Summe
der Inputs xi (i = 1, …, I) eines Prozesses setzen, ergibt sich hieraus die totale
Faktorproduktivität (TFP). Diese ist dadurch gekennzeichnet, möglichst alle
Faktoren eines Produktionsprozesses zu betrachten und berücksichtigt die mit
vi und wj gewichteten Inputs und Outputs für die totale Faktorproduktivität Pt
der beobachteten Einheit t (t = 1, …, T) (vgl. Formel 2.2) (Scheel, 2000).
�� =�������� ��� �����
��� ����
(2. 2 )
Die Grundlage des Effizienzbegriffes geht auf Pareto und Koopmans zurück.
Nach Koopmans (1951) ist eine betrachtete Einheit technisch effizient, wenn es
innerhalb einer betrachteten Technologiemenge nicht möglich ist, sich in einem
Kriterium zu verbessern, ohne sich in einem anderen Kriterium zu verschlech-
tern. Darüber hinaus gilt laut Scheel (2000) eine Produktionseinheit als effi-
Quelle: eigene Darstellung nach Cantner et al., 2007
9
zient, wenn die Steigerung eines Outputs oder die Verringerung eines Inputs
nur durch die Verringerung eines anderen Outputs bzw. der Steigerung eines
anderen Inputs möglich ist (Pareto-Koopmans-Effizienz). Folglich ergibt sich
eine Unterscheidung von effizienten und ineffizienten Einheiten. Eine Einheit ist
dann effizient, wenn es keine andere Einheit gibt, die ein gegebenes Produkti-
onsniveau mit geringerem Mitteleinsatz erzielen kann. Effiziente Einheiten
produzieren somit bei gleichem Faktoreinsatz von einem Gut mehr oder
können bei gleicher Produktion bei mindestens einem Faktor Einsparungen
vornehmen. Somit berücksichtigt Effizienz die Verschwendung von Faktoren.
Verschwendungen sind jedoch vom Unternehmer mittels verschiedener
Managementsysteme beeinflussbar. Effizienz zeigt, welche Reserven ein
Produktionsprozess aufweist und ist damit von hoher Aussagekraft für die
Unternehmensberatung (Hugo, 2005).
Um den Unterschied zwischen den Begriffen Produktivität und Effizienz deutlich
zu machen, wird in Abbildung 2 ein einfacher Produktionsprozess abgebildet, in
dem die Einheiten A bis F einen Input (X) zu einem Output (Y) transformieren.
Abbildung 2: Produktivität und Effizienz
Quelle: eigene Darstellung verändert nach Cantner et al. (2007)
10
In Abbildung 2 liegen die best-practice Einheiten A, B und C auf der sogenann-
ten best-practice Produktionsfunktion. Diese kann synonym auch als Rand-
oder Frontierfunktion bezeichnet werden und enthält die Einheiten, die aus
dem Maximum-Prinzip und dem Minimum-Prinzip hervorgehen.2 Alle Einheiten,
die auf der Produktionsfrontier liegen, werden als technisch effizient interpre-
tiert. Die Betriebe D, E und F, die nicht auf der Frontier liegen, könnten unter
den vorhandenen Gegebenheiten entweder Input einsparen oder die Output-
menge erhöhen und sind somit technisch ineffizient (Cantner et al., 2007).
Die Betriebe D und E liegen auf einer Geraden, welche im Ursprung entspringt.
Die beiden Punkte besitzen die gleiche Steigung und weisen somit die gleiche
partielle Faktorproduktivität y/x auf. Allerdings unterscheiden sie sich deutlich
in ihrer Effizienz. Betrieb D könnte aus dem verwendeten Input eine wesentlich
höhere Outputmenge realisieren, während sich Betrieb E nur in geringem
Umfang verbessern könnte. Beide könnten jedoch das gewünschte Outputni-
veau mit wesentlich geringerem Faktoreinsatz erzeugen und somit Produkti-
onsmittel einsparen. Die auf der Produktionsfrontier liegenden effizienten
Betriebe A, B und C weisen jedoch deutlich unterschiedliche Produktivitäten
auf, da sie eine sichtbar unterschiedliche Steigung y/x besitzen. Würde man
sich für jeden der Punkte A, B und C eine Gerade durch den Ursprung vorstel-
len, so würde A die höchste, C die geringste und B die mittlere Produktivität
beim Vergleich der drei Punkte darstellen.
Weiterhin kann zwischen einer input- und einer outputorientierten Betrach-
tungsweise unterschieden werden. Die inputorientierte Betrachtungsweise
untersucht, um wieviel Prozent der Inputeinsatz bei einem gegeben Outputni-
veau reduziert werden kann. Dies wäre der Fall wenn Einheit D in Abbildung 2
auf die links neben ihr liegende Einheit D´´ wechseln würde.
Die outputorientierte Betrachtungsweise untersucht, welches Outputniveau bei
gegebenen Mitteleinsatz erzielt werden kann, um effizient zu produzieren.
2 Das Maximum-Prinzip besagt, dass es keine Einheit gibt, die bei gleicher Inputmenge x eine
höhere Outputmenge y erzeugt. Das Minimum-Prinzip besagt, dass es keine Einheit gibt, die zur
Produktion einer Outputsmenge y weniger Input x benötigt (Mußhoff, 2011).
11
Dieselbe Einheit D würde dieses Maß erreichen wenn sie auf die über ihr
liegende Einheit D´ wechseln würde. Farrel (1957) definiert die technische
Ineffizienz in einer inputorientierten Betrachtung als maximal mögliche,
proportionale Reduktion der Inputmenge bei gleicher Ausbringungsmenge. Der
Effizienzwert ist Eins abzüglich der technischen Ineffizienz und wird auch als
äquiproportionale Effizienz bezeichnet.
Neben dem Begriff der technischen Effizienz (tE) gibt es die allokative Effizienz
(aE). Hierbei werden die Preise der In- und Outputs berücksichtigt. Diese
beschreibt somit die kostenminimale bzw. erlösmaximale Verwirklichung eines
Produktionsverfahrens (Coelli, 2005). Da dem vorliegenden Datenmaterial
keine Preise für In- und Outputs beigefügt sind, kann eine Berechnung der
allokativen Effizienz nicht durchgeführt werden.
Aus der Addition von technischer und allokativer Effizienz ergibt sich die
ökonomische Effizienz (Formel 2.3). Diese kann auch als der Abstand des
realisierten Produktionspunktes von dem definierten unternehmerischen
Zielwert definiert werden (Cantner, 2006).
TE + AE = ÖE (2. 3 )
Da sich die bisherigen Ausführungen nur auf einen Zeitraum bezogen haben,
müssen bei der Betrachtung über verschiedene Zeiträume weitere Aspekte in
der Analyse berücksichtigt werden. So kann eine Verbesserung der Produktivi-
tät im Zeitverlauf im Allgemeinen durch technischen Fortschritt, durch Um-
welteffekte sowie durch Steigerung der Transformation von Inputs in Outputs
begründet sein (Mußhoff, 2011).
Die Änderung von Preisen hat keinen direkt Einfluss auf die Produktionsfunkti-
on. Viel eher kann sie in dem Maße Substitutionseffekte mit sich bringen, dass
durch eine Verschiebung der Kostenstruktur eine veränderte Kombination der
12
Inputfaktoren (oder auch der Outputsituation) zu Stande kommt. Bei techni-
schem Fortschritt kommt es im Gegensatz dazu zu einer Verschiebung bzw.
Drehung der Produktionsfunktion. Dies kann durch die Mehrproduktion der
Outputmenge bei gleichem Faktoreinsatz oder der Inputreduktion bei konstant
gebliebener Outputmenge zu Stande kommen. In jedem Fall führt technischer
Fortschritt zu einer Erhöhung der totalen Faktorproduktivität, wobei dieser
Effekt auch durch die Minderung von Ineffizienzen auftreten kann. Umweltef-
fekte sind Variablen, die nicht direkt beeinflussbar sind, aber dennoch Einfluss
auf die Effizienz eines Unternehmens besitzen. In der landwirtschaftlichen
Produktion spielen besonders die natürlichen Standortbedingungen wie
Bodenbeschaffenheit, Umwelteffekte aber auch Naturschutzauflagen eine
Rolle. Besonders die Qualität des Standortes spielt eine wichtige Rolle. Laut
Hugo (2005) führt die Bodengüte, unabhängig von ihrer Aufnahme in die
Untersuchung zu veränderten Effizienzwerten. Eine Möglichkeit, dieses
Problem zu umgehen, ist eine Kombination der Flächenausstattung und der
Bodengüte.
Zusätzlich zu den genannten Begrifflichkeiten wird die Leistung eines Unter-
nehmens mit dem Begriff Effektivität beschrieben. Diese ist als Grad der
Zielerreichung definiert, erlaubt jedoch keine Aussage über die Art und Weise
der Zielerreichung. Da die eingesetzten Produktionsmittel in diesem Begriff
nicht berücksichtigt werden und es sich damit um eine reine Outputbetrach-
tung handelt, ist die Effektivität als solches im folgenden Kontext wenig
hilfreich (Mußhoff, 2011).
13
2.2 Skaleneffizienz
Die bisher erwähnten Effizienzmaße bestimmen die reine technische Effizienz.
Welche Auswirkungen diese Ergebnisse auf die Unternehmensgröße haben,
wurde bisher nicht bestimmt, da sich die Frontier an den best-practice Einhei-
ten orientiert hat. Dies erfolgte, ohne gleichzeitig Rückschlüsse auf die zugrun-
de liegenden Skalenerträge der Frontierfunktion zu schließen. Möchte man
jedoch den Einfluss der Unternehmensgröße auf die Effizienz der Input-
Outputtransformation untersuchen, werden Maßzahlen über die Skaleneffizi-
enz (SE) benötigt. Mit dieser wird ermittelt, welcher Anteil der Ineffizienz durch
eine zu große oder zu kleine Unternehmensgröße entsteht. Dabei kann
zwischen einer quantifizierten skalaren Kennzahl sowie einer qualifizierten
Kennzahl, welche sich auf ein zu kleines bzw. zu großes Produktionsvolumen
bezieht, unterschieden werden (Cantner et al., 2007). Somit kann eine Aussage
darüber getroffen werden, ob die ermittelten Ineffizienzen auf eine ungünstige
Skalengröße oder auf ineffiziente Input-Output-Transformationen zurückzufüh-
ren sind.
In Abbildung 3 sind die Frontiers für die Annahmen von konstanten (CRS) und
von variablen Skalenertägen (VRS) dargestellt. Diese werden jeweils mittels
eines Inputs und eines Outputs dargestellt. Bei der Betrachtung wird ersichtlich,
dass sich die VRS Frontier besser an die Technologiemenge anpasst und somit
mehr effiziente Einheiten berücksichtigen kann (Wettemann, 2012). Möchte
man die Skaleneffizienz berücksichtigen, geht das am besten mit einem
Vergleich der VRS und CRS Analyse. Der Effizienzparameter der VRS-Analyse
ermittelt lediglich die reine technische Effizienz eines Unternehmens. Der
Effizienzparameter aus der CRS Analyse enthält zum einen die reine technische
Effizienz sowie die Effizienz, die Einfluss auf die Größe des Unternehmens hat.
Diese beiden Parameter werden allerdings in einer Maßzahl dargestellt.
Möchte man nun die Skaleneffizienz ermitteln, ist es möglich, aus der Gesamt-
effizienz der CRS-Analyse die reine technische Effizienz mit Hilfe des Wertes aus
der VRS-Analyse zu ermitteln.
14
Die Skaleneffizienz berechnet sich demnach wie folgt (Coelli et al. 2005):
� = !"#$!%#$ (2. 4 )
Der Wert der Skaleneffizienz nimmt einen Wert im Intervall [0,1] an. Die
Gesamteffizienz einer Organisationseinheit kann den Wert Eins nicht überstei-
gen, da sie nicht höher als die technische Effizienz sein kann. Die Differenz
zwischen der berechneten Skaleneffizienz und dem Wert 1 gibt die Ineffizienz
an, die aus der nicht optimalen Unternehmensgröße (Skaleneffizienz) hervor-
geht. Dies kann beispielhaft an Abbildung 3 erläutert werden.
Die technische Effizienz der DMU B in inputorientierter Betrachtungsweise
unter Annahme CRS lässt sich aus dem Quotient der Strecken �&'´"#$)))))))))/�&')))))
und unter Annahme VRS aus dem Quotient der Strecken �&'´%#$))))))))))/�&')))))
berechnen. Aus dem Quotient der Strecken �&'´"#$)))))))))/�&'´%#$)))))))))) ergibt sich die
Skaleneffizienz.
Weiterhin kann untersucht werden, inwiefern die Unternehmensgröße als „zu
klein“ bzw. „zu groß“ gewählt wurde. Dazu dient das Konzept der „most
productive scale size“ (MPSS). Bei diesem Konzept wird die produktivste
Unternehmensgröße bestimmt, welche erreicht ist, wenn der Produktionspunkt
im Bereich konstanter Skalenerträge abgebildet wird. Dieser befindet sich im
Tangentialpunkt der Frontier unter Annahme konstanter Skalenerträge und der
Frontier unter Annahme variabler Skalenerträge (vgl. Abb. 3). Die technische
Effizienz der beobachteten Einheit unter CRS und VRS ist somit Eins und es
dürfen keine Slacks3 auftreten.
3 Slacks werden im Laufe des Kapitels erläutert.
15
Abbildung 3: Skaleneffizienz
Die Höhe der Skaleneffizienz wirkt sich unmittelbar auf die Produktivität der
betrachteten Einheit aus. Eine geringe Skaleneffizienz führt demzufolge zu
einem negativen Einfluss der Skalengröße auf die Produktivität. Allerdings
macht die Skaleneffizienz keine Aussage über den Bereich der Skalenerträge.
Somit kann vorerst nicht gesagt werden, ob die betrachtete Einheit im Bereich
zunehmender, abnehmender oder konstanter Skalenerträge produziert. Nach
Anpassung der Nebenbedingung der Summe der Skalenniveaufaktoren ,- von
gleich Eins auf kleiner gleich Eins ergibt sich die Annahme der „non-increasing
returns to scale“ (NIRS) der beobachteten Input- Outputtransformationen. Bei
einem Vergleich dieser Effizienzwerte mit denen der Betrachtung unter VRS
können zunehmende, abnehmende bzw. konstante Skalenerträge ermittelt
werden.
Quelle: eigene Darstellung, verändert nach Coelli et al. 2005
16
2.3 Effizienzanalyse mit Hilfe von Frontierfunktionen
Zur Ermittlung der technischen Effizienz von Vergleichseinheiten (VE) gibt es
unterschiedliche Ansätze.4 In der vorliegenden Arbeit werden die Effizienzni-
veaus mittels Frontiermodellen bestimmt. Mit Hilfe der Beobachtungen wird
eine Produktionsfunktion, auch „effizienter Rand der Technik“ genannt,
geschätzt, welche im Folgenden als Produktionsfrontier oder Randfunktion
bezeichnet wird.
Die Ansätze zur Messung von Effizienz mit Hilfe von Frontierfunktionen gehen
auf Farrell (1957) zurück. In dem vielfach zitierten Artikel beschreibt der Autor
die Messung der Effizienz für landwirtschaftliche Betriebe mit vier Input- und
einer Outputvariablen. Zielsetzung aller Ansätze der Effizienzanalysemethoden
soll es sein, eine zusammenfassende Kennzahl für die Effizienz einer Vergleichs-
einheit zu bestimmen und Variablen mit unterschiedlicher Skalierung und
Maßeinheiten aufzunehmen.
In der Fachliteratur werden die Frontieransätze in verschiedene Kriterien
unterteilt. Zum einen gibt es eine Unterteilung in parametrischen und nicht-
parametrischen Ansatz. Weiterhin erfolgt eine Einteilung in deterministische
und stochastische Verfahren. Beim parametrischen Ansatz wird a priori eine
Produktionsfunktion geschätzt. Die Darstellung erfolgt aufgrund einer Parame-
terschätzung, in die effiziente wie auch ineffiziente Vergleichseinheiten
gleichermaßen eingehen (Cantner, 2006). Es werden explizite Annahmen über
die Form der Produktionsfrontier vorausgesetzt. Mittels ökonometrischer
Methoden, wie der Cobb-Douglas-Produktionsfunktion oder auf dieser basie-
renden transzendent-logarithmischen (Translog) Funktionsform, werden die
Parameter der Randfunktion geschätzt (Francksen, 2007).
Der nicht-parametrische Ansatz unterscheidet sich dadurch, dass mittels
linearer Programmierung die empirisch beobachteten Werte des Datensatzes
eng umhüllt werden. Die Randfunktion wird dabei durch die best-practice
4 Als Synonym zum Begriff Produktionseinheit wird hier der Begriff Vergleichseinheit verwen-
det.
17
Beobachtungen gebildet, sodass a priori keine Spezifikation der Funktionsform
vorgenommen werden muss (Burger, 2009).
Eine weitere Unterteilung bildet die Einstufung in deterministischen und
stochastischen Ansatz. Bei Ersterem wird die Randfunktion durch den höchst-
möglichen Output abgebildet. Fehler in der Datendokumentation oder Aufbe-
reitung können hier sehr schnell zu Ausreißern führen und die Ergebnisse
verzerren. Bei den stochastischen Ansätzen wird zusätzlich in die Modellformu-
lierung ein zweigeteilter Störterm eingebaut, welcher eine Trennung von
Messfehlern oder Zufallsschocks und Abweichungen auf der Produktionsfron-
tier aufgrund von Ineffizienzen gewährleisten soll. Die Frontier wird somit nicht
mehr direkt durch die in die Produktionsfunktion eingehenden Produktionsfak-
toren bestimmt, sondern zusätzlich werden zufällige Einflüsse und Schwankun-
gen berücksichtigt. Allerdings können sich durch die Maßnahme der Einbezie-
hung einer Störvariable Fehler in der Verteilung der Randfunktion verzerrend
auf die Effizienzmessung auswirken (Cantner, 2006).
Bei den genannten parametrischen und nicht-parametrischen Ansätzen handelt
es sich um Methoden, mit deren Hilfe Produktivitäten und Effizienzmaße von
empirischen Beobachtungen ermittelt werden können. In der angewandten
Forschung finden solche Metholden zunehmend Anwendung. Dabei haben sich
bei den parametrischen Ansätzen die stochastische Frontieranalyse (SFA) und
bei den nicht-parametrischen Ansätzen die Data Envelopment Analysis (DEA)
durchgesetzt (vgl. Abbildung 3).
18
Beide Methoden dienen der Bestimmung von Produktivitäten sowie deren
Bestimmungsgründe. Insbesondere wird die Effizienzkomponente betrachtet.
Die DEA bestimmt mittels linearer Programmierung eine Randfunktion, indem
eine Hülle um die äußeren Beobachtungen gelegt wird. Dabei wirkt sich der
rein deterministische Charakter durch eine größere Sensitivität auf Datenfehler
aus. Ungenauigkeiten in der Datenanalyse, welche zu Ausreißern und somit zu
Abweichungen in der Frontier führen können, werden als Ineffizienz interpre-
tiert (Hugo, 2005). Die SFA ermittelt hingegen vorab eine Produktionsfunktion,
die unter Berücksichtigung effizienter wie auch ineffizienter Einheiten gebildet
wird. Über eine Zufallsvariable werden Messfehler berücksichtigt. Dadurch
besteht im gewissen Umfang die Möglichkeit, Datenungenauigkeiten auszuglei-
chen, sodass diese nicht in vollem Umfang effizienzwirksam werden (Aigner
1977). Dies ist bei den deterministischen Ansätzen nicht möglich, sodass hier
insbesondere auf die Genauigkeit der verwendeten Datengrundlage geachtet
werden muss.
Sollen mit der SFA wie auch mit der DEA technische Effizienzen berechnet
werden, sind ausschließlich Input- und Outputmengen erforderlich. Die SFA
kann in der Grundform allerdings nur einen Output berücksichtigen und weist
dadurch einen Nachteil auf. Außerdem scheint die a priori Annahme einer
gewählten Funktionsform und damit einer strengen Verteilung der Effizienzen
einschränkend auf die Formulierung der Ergebnisse. Die Data Envelopment
Abbildung 4: Übersicht der Frontieransätze
Quelle: eigene Darstellung nach Francksen 2007
19
Analysis ermöglicht die Berücksichtigung einer hohen Anzahl Inputs und
Outputs. Allerdings besitzt sie die Eigenschaft, dass zusätzliche Variablen immer
effizienzsenkende Effekte auf andere Einheiten ausüben. Der zu Verfügung
stehende Datensatz entscheidet grundlegend, wie viele Variablen in die
Betrachtung einbezogen werden können. Da die Frontier bei der SFA von
effizienten wie auch von ineffizienten Einheiten beeinflusst wird, fällt eine
Schwankung geringer aus. Die Sensibilität der Ergebnisse auf sich ändernde
Datensätze z.B. im Zeitablauf hat einen wesentlich geringeren Einfluss als bei
der DEA. Zusätzlich können die Ergebnisse der SFA auf Signifikanz getestet
werden. Zur Bestimmung von allokativen Effizienzen sind bei der DEA wie auch
der SFA zusätzliche Preisinformationen erforderlich. Je nach Betrachtungsweise
werden Inputpreise oder Outputpreise benötigt.
Mit der stochastischen Frontieranalyse und der Data Envelopment Analysis
wurden zwei Verfahren genannt, mit denen Berechnungen zur Effizienzmes-
sung erfolgen können. Die DEA als nicht-parametrisches Verfahren, weist den
Vorteil auf, keine Annahmen über die Gestalt der Produktionsfunktion zu
benötigen. Durch die deterministische Eigenschaft reagieren die Ergebnisse
jedoch sehr sensibel auf Ausreißer. Die SFA versucht, diese Eigenschaft durch
eine zusätzliche Variable zu vermeiden.
Im weiteren Verlauf der Arbeit wird der Ansatz der Data Envelopment Analysis
verwendet und in den folgenden Kapiteln erläutert. Es soll untersucht werden,
inwiefern dieses Instrument verstärkt in der Beratung landwirtschaftlicher
Unternehmen eingesetzt werden kann. Im Mittelpunkt der Untersuchung steht
dabei, inwiefern die Ermittlung der technischen Effizienz und weiterer Kennzah-
len einen möglichen Nutzen für die praktische Beratung bringt. Dazu wird im
folgenden Kapitel 2.3 der Ansatz der Data Envelopment Analysis vorgestellt. In
den weiteren Kapiteln erfolgt die Erläuterung einiger spezieller Formen dieser
Methode. Auf eine weitere Darstellung des Verfahrens der SFA wird an dieser
Stelle verzichtet, und auf Aigner, Lovell und Schmidt (1977), Meeusen und Van
den Broeck (1977) und Battese und Coelli (1993) verwiesen.
20
2.4 Effizienzanalyse mittels Data Envelopment Analysis
Nachdem im vorangegangenen Abschnitt die Grundsätze der Frontieranalyse
und auftretende Formen erläutert wurden, soll nun das Verfahren der Data
Envelopment Analysis vorgestellt werden. Im Folgenden wird dazu das in dieser
Arbeit angewendete DEA Modell erläutert. Für andere Modelle, die in dieser
Arbeit nicht erläutert werden, sei stattdessen auf Coelli et al. (2005) und
Cooper et al. (2006) verwiesen.
Zur Bestimmung der Effizienz einer DMU5 muss zunächst die Menge aller Input-
Output-Transformationen bestimmt werden, da die Effizienz immer im
Vergleich zu anderen DMU´s gemessen wird. Die Menge aller Input-Output-
Transformationen wird durch die Technologiemenge beschrieben. Um die
Technologiemenge darstellen zu können, müssen verschiedene Struktureigen-
schaften getroffen werden. Diese sind: empirische Vollständigkeit, Skalenertä-
ge, Konvexität und Verschwendbarkeit.
Empirische Vollständigkeit einer Technologiemenge liegt vor, wenn alle
empirisch beobachteten Input-Output-Transformation Teil der Technologie-
menge sind. Eine Technologiemenge umfasst alle beobachteten DMUs und
umhüllt diese mittels der Frontier. Das Skalenertragsverhalten kann konstant
oder variabel konstruiert sein. Bei konstanten Skalenerträgen führt eine
proportionale Steigerung der Inputs zu einer proportionalen Steigerung der
Outputs, während bei variablen Skalenerträgen eine proportionale Erhöhung
der Inputs zu einer über- oder unterproportionalen Steigerung der Outputs
führen. Durch die Struktureigenschaft der Konvexität einer Technologiemenge
wird angenommen, dass jeder Referenzpunkt einer Input-Output-
Transformation auch realisierbar ist, d.h. auch jede ineffiziente DMU aus der
Kombination zweier oder mehrerer anderer beobachteter Einheiten der
Technologiemenge gebildet werden kann (Wettemann, 2012).
5 Als Synonym für den Begriff Vergleichseinheit, welcher durch Inputs und Outputs charakteri-
siert ist, wird an dieser Stelle der von Charnes, Cooper und Rhodes (1978) eingeführte Begriff
Decision Making Unit (kurz: DMU) verwendet.
21
Die Struktureigenschaft der Verschwendbarkeit kann zwischen freier und
schwacher Verschwendbarkeit unterteilt werden. Erstgenannte liegt vor, wenn
eine zunehmende Steigerung des Inputeinsatzes keine Verringerung des
Outputniveaus zur Folge hat. DMUs, die demzufolge in hohem Maße Inputs
verschwenden, liegen nicht auf der Frontier und werden folglich als technisch
ineffizient betrachtet. Im Gegensatz dazu liegt schwache Verschwendbarkeit
dann vor, wenn ein übermäßiger Faktoreinsatz zu einer Verringerung des
Outputlevels führt (Banker et al., 1984; Cantner et al, 2007). Im Hinblick auf die
stattfindende Untersuchung werden empirische Vollständigkeit, Skalenerträge,
Konvexität und Verschwendbarkeit als Struktureigenschaften angenommen.
Die verwendeten Faktorausstattungen könnnen in den gegebenen physischen
Einheiten in die Effizienzanalyse einfießen. Allerdings sollte ein Verhältnis über
die Zahl der in die Analyse eingehenden DMUs und der Anzahl der Vaiablen
beachtet werden. Begründet ist dies dadurch, dass durch eine übermäßige Zahl
an Variablen die Anzahl effizienter Einheiten mehr oder minder stark erhöht
wird. Laut Banker et al. (1984) sollte ein Verhältnis der Stichprobengröße zu
den einfließenden Input- und Outputvariablen von 7:1 nicht unterschritten
werden.
22
�������� ��- �����
��� ��- ≤ 1�
��� ≥ 0
��� ≥ 0
2.5 CCR-Modell mit konstanten Skalenerträgen
Um die technische Effizienz einer DMU t, auf Basis der Produktivität zu bestim-
men, müssen für die dargestellte Faktorproduktivität in Formel (2.2) Gewichte
der einzelnen Inputs und Outputs bestimmt werden, um einen entsprechenden
Vergleich zu ermöglichen. Die Produktivität der DMU t soll durch einen
Optimierungsprozess unter den zu ermittelnden Aggregationsgewichten wjt und
vit maximiert werden. Die Aggregationsgewichte werden so gewählt, dass ihr
Wert selbst größer gleich Null ist. Die Produktivität darf dabei keinen Wert
größer Eins einnehmen. Für jede einzelne Einheit ergibt sich daraus folgendes
Optimierungsproblem (Coelli, 2005).
2���, ��� =�������� ��� �����
��� ���� (2. 5 )
s.t.:
In Formel (2.4) handelt es sich um ein sogenanntes Problem der Quotienten-
programmierung. Daher existieren unendlich viele Lösungen. Um dieses
Gleichungssystem korrekt lösen zu können, erfolgt eine Umwandlung in ein
Problem der linearen Programmierung durch die Normierung der gewichteten
Inputs auf Eins. Folglich ergibt sich die inputorientierte Multiplier Form des
CCR-Modells (Banker et al. 1984).
� = 1,… , 5
� ∈ 71, … , 58 9 = 1,… , : = 1,… , �
23
� = 1,… , 5
� ∈ 71, … , 58
9 = 1,… , : = 1,… , �
2���, � �������� ��� (2. 6 )
s.t.:
Das Modell in Formel (2.6) ist ein inputorientiertes CCR-Modell in primaler
Formulierung mit konstanten Skalenerträgen. Diese Multiplier Form geht auf
seine Entwickler Charnes, Cooper und Rhodes zurück, welche es 1978 entwi-
ckelt haben und lässt sich mit dem Simplex-Algorithmus lösen. Mit Hilfe der
Gewichtungsfaktoren wjt und vit ist es möglich, während des Optimierungspro-
zesses, die Stärken oder Schwächen der jeweiligen In- und Outputs der
betrachteten DMU zu ermitteln. In Abhängigkeit der Höhe der Faktoren
variieren die Ausmaße der Veränderungen.
Eine weitere Möglichkeit, die technische Effizienz zu ermitteln, liefert der
Dualitätsansatz. Mit ihm bietet sich die Möglichkeit, die primale Modellformu-
lierung in eine duale Modellformulierung umzustellen. Der ermittelte Wert der
technischen Effizienz bleibt in dieser Formulierung gleich. Allerdings können mit
Hilfe der gewonnen Ergebnisse zusätzliche Interpretationen erfolgen. In
nachfolgendem Modell wird die duale Modellformulierung von Modell (2.5) als
Envelopment-Form dargestellt, die Slacks berücksichtigt.
�������� ��- −�����
��� ��- ≤ 0
�������� ��� = 1
��� ≥ 0
��� ≥ 0
24
2�!<�!, , = !� − = >�?�@���� +�?�B
���� C (2. 7 )
s.t.:
In dieser Modellformulierung wird der technische Effizienzwert mit !� definiert.
Zusätzlich wird der Skalenniveaufaktor ,- eingeführt. Außerdem werden hier
In- und Outputslacks mit berücksichtigt. Im Unterschied zu Formel (2.5) werden
in diesem Modell keine Gewichtungsfaktoren mehr ermittelt. Stattdessen
minimiert die Zielfunktion die Differenz des Wertes der Effizienz !� sowie der
Summe aller In- und Outputslacks ?�@ und ?�B. Diese werden mit einer positiven
Infinitesimalzahl = multipliziert, welche einen kleinen positiven Wert einnimmt.
Aufgrund der Inputorientierung der Modellformulierung wird das Outputniveau
auf dem Level der beobachteten DMU t konstant gehalten. Dafür sorgt
Nebenbedingung Eins. Die zweite Nebenbedingung minimiert die Inputs xi so
weit wie möglich. Die Inputs xi müssen jedoch innerhalb der Frontier liegen. Die
dritte Nebenbedingung besagt, dass die Skalenniveaufaktoren ,- größer gleich
Null sind (Charnes et al., 1978; Coelli et al., 2005; Cantner et al., 2007).
Die technische Effizienz der beobachteten DMU t wird durch den Skalar !� wiedergegeben. Eine DMU gilt dann als technisch effizient, wenn für sie ein
Wert von Eins ermittelt wurde. Alle Vergleichseinheiten, welche technisch
effizient sind, bilden den effizienten Rand der Technik und umhüllen die
Technologiemenge. Diese DMUs werden als „Peers“ bezeichnet und dienen
anderen ineffizienten DMUs als „Benchmark“.
�,-D-�� E�- = ?�B + ���
�,-D-�� ��- = −?�@ + !����
,- ≥ 0
9 = 1,… , :
= 1,… , � � = 1, … , 5 � ∈ 71, … , 58
25
Ineffiziente DMUs weisen einen Effizienzwert kleiner Eins auf. Durch die
Subtraktion des spezifischen Effizienzwertes von Eins (1-θG) kann der technische
Ineffizienzwert ermittelt werden. Betrachtet man Abbildung 5, wird deutlich,
dass die DMU B und D die Randfunktion bilden. Ineffiziente DMUs werden
durch DMU A und C dargestellt. Wird nun die technische Effizienz der beobach-
teten Einheit A berechnet, gibt diese das Einsparpotential aller Inputs bei gleich
bleibendem Output an. Zur Erklärung könnte bei konstantem Output, z.B. bei
einem technischen Effizienzwert von 0,9 (90 %) eine Faktoreinsparung von 0,1
(10 %) erfolgen (1-θG). Anders gesagt, müsste die DMU A 10 % an Input
einsparen um technisch effizient zu werden.
Abbildung 5: Benchmarks und Inputslacks
Bei Betrachtung der Abbildung 5 wird eine weitere Eigenschaft deutlich. Die in
der Envelopment-Form des CCR-Modells gebildeten Skalenniveaufaktoren ,-,
geben einer ineffizienten DMU Benchmarks an. Eine Benchmark ist eine
effiziente DMU mit der sich ineffiziente Einheiten vergleichen können, um
Quelle: eigene Darstellung nach Coelli et al. (2005)
26
effizient zu werden. Dieser Referenzpunkt, auch „Target“ genannt, wird in
Abbildung 5 für die DMU C durch die auf der Frontier liegende DMU C´ abgebil-
det. Das Target C´ setzt sich wiederum aus den Benchmarks B und D zusammen.
Zu Beginn des Kapitels wurde der Effizienzbegriff näher erläutert. Demnach ist
eine Vergleichseinheit Pareto-Koopmans effizient, wenn es ihr nicht möglich ist,
einen Output zu steigern, ohne einen anderen zu verringern bzw. einen Input
zu verringern ohne dabei einen anderen Input zu erhöhen. Bei Betrachtung des
Targets C´ der DMU C in Abbildung 5 wird deutlich, dass der Input x2 weiter
reduziert werden könnte, ohne dabei gleichzeitig das Outputniveau zu verrin-
gern. Nach Pareto-Koopmans ist DMU A´ demnach nicht effizient. Dies wäre
erst in DMU B der Fall. Umgekehrt ist eine kostenlose Steigerung der Outputs
möglich (Cantner et al., 2006). Verdeutlicht wird dieser Aspekt durch die
Verwendung von „Schlupfvariablen“ oder auch „Slacks“. Diese sind in der
Zielfunktion enthalten und geben Auskunft über DMUs, die laut Pareto-
Koopmans nicht effizient sind, da noch weiteres Einsparpotential der Inputs
besteht. In- und Outputslacks ?�@ und ?�B drücken somit erforderliche Inputre-
duzierungen bzw. Outputsteigerungen in absoluten Werten aus. Bei der
Interpretation der Daten sollten diese Werte mit berücksichtig werden.
Demgegenüber drückt der Effizienzwert !� die erforderliche proportionale
Inputreduktion aus (Scheel, 2000).
In den bisherigen Ausführungen wurden nur konstante Skalenerträge (CRS)
betrachtet. Hierbei folgt man der Annahme, dass eine Verdopplung eines
Inputs (z.B. der Arbeit) auch gleichzeitig eine Verdopplung der Outputs (z.B.
Gesamtertrag) impliziert. Betrachtet man diese Eigenschaft, wird man schnell
herausfinden, dass dies bei der Analyse landwirtschaftlicher Produktionspro-
zesse eher weniger der Fall sein wird.
Variable Skalenerträge unterstellen hingegen, dass eine Erhöhung des Faktor-
satzes in Abhängigkeit der eingesetzten Menge zu einer unterproportionalen,
proportionalen oder überproportionalen Erhöhung der Outputs führt.
27
Die Verwendung von konstanten Skalenerträgen führt häufig zu Problemen bei
der Interpretation der Effizienz, da diese nicht die realen Produktionsgegeben-
heiten reflektieren.
28
2.6 BCC-Modell mit variablen Skalenerträgen
Das im folgenden Abschnitt erläuterte BCC Modell ist nach seinen Entwicklern
Banker, Charnes und Cooper (1984) benannt. Hinsichtlich der Struktureigen-
schaften von Technologiemengen unterstellt es variable Skalenertäge. Im
Folgenden ist das inputorientierte BCC-Modell in der Envelopment-Form
dargestellt, Slacks werden berücksichtigt (vgl. Charnes et al., 1978; Coelli et al.,
2005; Cantner et al., 2007).
2�!<�!, , = !� − = >�?�@���� +�?�B
���� C (2. 8 )
s.t.:
Bei Betrachtung der Modelle (2.7) und (2.8) fällt auf, dass das BCC Modell mit
variablen Skalenerträgen um lediglich eine Nebenbedingung erweitert wurde.
Die Konvexitätsbedingung besagt, dass die Summe der Skalenniveaufaktoren ,-
gleich Eins ist, sodass die Referenzeinheit eine Konvexkombination der Inputs
und Outputs der technisch effizienten Vergleichseinheiten entspricht.
�,-D-�� E�- = ?�B + ���
�,-D-�� ��- = −?�@ + !����
�,-D-�� = 1
,- ≥ 0
9 = 1,… , :
= 1,… , �
� = 1, … , 5 � ∈ 71, … , 58
29
2.7 Erweiterungen der DEA
Die vorgestellten DEA Modelle können durch eine Vielzahl von Erweiterungen
ergänzt werden. Im Folgenden soll lediglich auf die in dieser Arbeit benötigten
Erweiterungen eingegangen werden. Dazu gehören das Ranking effizienter
Organisationseinheiten durch Supereffizienz und die DEA Window Analysis,
welche eine zeitraumbezogene Analyse ermöglicht.
2.7.1 DEA-Supereffizienzmodell
Wie oben erwähnt, stellt das Maß der Supereffizienz eine Erweiterung der DEA
dar. Aus der Berechnung der bisher genannten Modellformulierungen erhalten
alle effizienten Einheiten einen Effizienzwert von Eins. Während alle ineffizien-
ten Einheiten nach ihrer Rangfolge der Effizienz geordnet werden können, ist
ein Ranking der effizienten DMUs nicht möglich, da allen auf der Produktions-
frontier liegenden DMUs derselbe Effizienzwert zugeordnet wird. Somit sind
diese hinsichtlich der Effizienzbewertung nicht unterscheidbar, da der Abstand
zwischen diesen DMUs mit Null klassifiziert wird. Je höher der Stichprobenum-
fang und auch die Anzahl verwendeter Inputs und Outputs ist, desto höher
kann folglich auch der Anteil effizienter DMUs sein, die nun nicht mehr
unterschieden werden können (Cantner et al. 2007).
Um dieses Problem zu lösen, haben Andersen und Petersen (1993) das beste-
hende DEA Modell angepasst, um ein Ranking unter den effizienten Einheiten
zu ermöglichen. Sie schlagen vor, die zu untersuchende effiziente Einheit,
welche sich auf dem Rand der Technologiemenge befindet, aus der Technolo-
giemenge herauszunehmen, sodass diese nicht auf ihre eigene Einheit als
Referenz abgebildet wird. Durch die Herausnahme einer Einheit entsteht eine
reduzierte Technologiemenge, in die weder die Beobachtung an sich noch derer
Konvexkombinationen enthalten sind. Folglich befindet sich die zu untersu-
chende Einheit außerhalb der „reduzierten“ Technologiemenge, sodass deren
Distanz ermittelt werden kann (Scheel, 2000). Die ermittelte Maßzahl gibt somit
30
Auskunft über den Umfang, mit dem die beobachtete Einheit den Input steigern
bzw. den Output reduzieren kann, oder aber um wie viel Prozent sich die
Produktivität verschlechtern darf, ohne dabei die effiziente Hülle zu verlassen.
Die Berechnung erfolgt wie in der vorgestellten Effizienzanalyse mit dem
Unterschied, dass die in den Nebenbedingungen beschriebene Referenztechno-
logie alle DMUs mit Ausnahme der Betrachteten enthält. Der Effizienzwert für
ineffiziente DMUs bleibt dagegen gleich, da die Benchmarks unverändert
bleiben. In Modell (2.9) ist die Berechnung der Supereffizienz im inputorientier-
ten BCC Modell in der Envelopment-Form dargestellt, Slacks werden berück-
sichtigt. (Charnes et al., 1978; Scheel, 2000; Coelli et al., 2005;)
2�!�$HI!, ,
(2. 9 )
s.t.:
Die Veränderung nach Andersen und Petersen (1993) bewirkt in Modell (2.9),
dass der errechnete Effizienzwert nicht mehr im Intervall [0,1], sondern im
Intervall [0,∞] liegt. Demzufolge erreichen die supereffizienten DMUs auch
Werte über Eins. Der Anteil über Eins kann demnach als Verschwendung des
Input- bzw. Output-Anteils interpretiert werden, den ein Unternehmen
realisieren dürfte, um in der gesamten Technologiemenge als effizient einge-
ordnet zu werden (Cantner et al., 2007)
�,-�K- E�- = ?�B + E�� �,-�K- ��- = −?�@ + !����
,- ≥ 0
L�,-�K- = 1M
9 = 1,… , :
= 1,… , �
� = 1, … , 5 � ∈ 71, … , 58
31
In Abbildung 6 wird die Anwendung der Supereffizienz dargestellt. Darin bilden
die effizienten DMUs A, B und C die Produktionsfrontier. Bei der Berechnung
der Supereffizienz von DMU B, wird eine Frontier gebildet, die sich ergibt, als
wenn die Analyse ohne DMU B durchgeführt wird, da die beobachtete Einheit
(DMU B) nicht mehr Teil der Technologiemenge ist. Folglich wird bei der
Berechnung des Supereffizienzwertes von DMU B der Referenzpunkt B´
gebildet, der auf der eingezeichneten Ursprungsgeraden liegt. Der Supereffi-
zienzwert lässt sich dann aus 0B´/0B errechnen und ist größer oder gleich Eins.
Allerdings kann es bei der Berechnung nach Andersen und Petersen (1993)
unter bestimmten Umständen und Lage der DMUs zu Verzerrungen bei den
Slacks der betrachteten Einheit kommen.
Abbildung 6: Supereffizienz
Unter der Annahme variabler Skalenerträge kann das lineare Problem für einige
DMUs jedoch nicht gelöst werden. Dies gilt in Situationen, in denen für
bestimmte DMUs aufgrund fehlender Referenzeinheiten keine Lösung existiert.
Solch ein Fall gilt für die inputorientierte wie auch die outputorientierte
Betrachtungsweise (Cantner et al., 2007).
Quelle: eigene Darstellung nach Andersen und Petersen (1993)
32
2.7.2 DEA Window Analysis
Die DEA nimmt im Allgemeinen eine zeitpunktbezogene Analyse der Effizienz
vor. Die die Analyse umfassenden Daten stammen somit von einem Bezugszeit-
punkt, der nicht erweitert werden kann. Soll dennoch eine Analyse der Effizienz
über den Zeitverlauf erfolgen, kann die Window Analysis angewendet werden.
Dies kann in dem Fall sinnvoll sein, wenn nicht ausreichend Daten zu einem
bestimmten Bezugszeitpunkt zur Verfügung stehen und folglich weitere
Zeiträume in die Betrachtung der Analyse mit einbezogen werden können, um
das Datenvolumen zu erhöhen.
Die Vorgehensweise basiert dabei auf der Methode der DEA und betrachtet
einen gleitenden Durchschnitt der in der Analyse verwendeten Daten. Außer-
dem kann die Effizienz einer DMU für verschiedene Zeitintervalle bestimmt und
daraufhin deren Entwicklung dargestellt werden.
In der Landwirtschaft kommt es durch verschiedene äußere Einflüsse zu
unterschiedlichen Ergebnissen in den einzelnen Wirtschaftsjahren. Dazu tragen
u. A. wechselnde klimatische Verhältnisse und die unterschiedlichen Witte-
rungsbedingungen in der Vegetationsperiode und Ernte der landwirtschaftli-
chen Kulturen bei. Diese führen zu starken Schwankungen in den Erträgen wie
auch der Qualitäten der einzelnen Kulturen. Diese und weitere Faktoren führen
zu unterschiedlichen Betriebsergebnissen in den einzelnen Wirtschaftsjahren.
Daher wird unterstellt, dass stochastische Einflüsse in allen betrachteten
Zeiträumen der Window-Analysis gleich sind (Gubi, 2006).
Weiterhin beeinflussen die Preisschwankungen auf den Warentermin- und
Kassamärkten stark die Erlössituation eines landwirtschaftlichen Betriebes. Um
eine Veränderung der physischen Effizienz in den Jahren zu vermeiden, werden
die Preise deflationiert. Dadurch führt eine reine Senkung der Preise nicht
automatisch zu einem Produktivitätsrückschritt oder die Erhöhung von Preisen
in einem der Jahre zu einer Effizienzsteigerung. Dies gewährleistet eine
Vergleichbarkeit der Jahre in der Window Analysis.
33
Für die folgende Untersuchung hat dies Auswirkungen auf die Werte der Inputs
und Outputs der betrachten Zeiträume. Die betriebswirtschaftlichen Ergebnisse
unterscheiden sich in den Einzelbetrieben teilweise stark vom Vorjahr. Folglich
kann man davon ausgehen, dass auch die Inputs und Outputs, die über einen
Zeitraum betrachtet werden, variieren. Allerdings ist es notwendig, um eine
Zeitreihenanalyse zu erstellen, dass in allen betrachteten Zeiträumen auch
Daten jeder DMU vorhanden sind, sodass vergleichbare Transaktionen zu einer
Gruppe gebündelt werden können. Der Tatsache folgend, dass der Datenum-
fang der Analyse relativ gering ist, wird in dieser Arbeit die DEA Window
Analysis verwendet.
Nach Charnes et al. (1985) kann die Window Analysis als Methode verwendet
werden, um eine Analyse von Datensätzen mit geringem Stichprobenumfang zu
erstellen. Angewandt wurde diese methodische Erweiterung der DEA des
Weiteren von Paradi et al. (2004) und Asmild et al. (2004). Demnach werden
die DMUs so betrachtet, als ob sie in den verschiedenen Perioden unterschied-
lich voneinander autarke Vergleichseinheiten darstellen.
Durch diese Unabhängigkeit der Vergleichseinheiten lässt sich in der Analyse
eine höhere Anzahl an zu vergleichenden Einheiten erstellen, sodass die Anzahl
an Vergleichseinheiten in Analysen mit einer geringen Stichprobengröße die
Durchführbarkeit der DEA-Analyse gewährleistet. Bei der Wahl der zeitlichen
Perioden ist darauf zu achten, dass von allen Vergleichseinheiten in jedem
betrachteten Zeitraum die entsprechenden Daten zu Verfügung stehen. Da im
Anschluss an die Analyse Durchschnittssätze der einzelnen Vergleichseinheiten
gebildet werden, erscheint es in diesem Zusammenhang als sinnvoll, einen
homogenen Datensatz zu bearbeiten. Die Wahl der betrachteten Zeitperioden
hängt natürlich vom zur Verfügung stehenden Datensatz ab. In bisher durchge-
führten Untersuchungen wurden verschiedene Zeitperioden berücksichtigt.
Diese reichen von der Berücksichtigung einer Zeitperiode bis hin zu der Analyse
von ganzen Zeitreihen. Wichtig sei in diesem Zusammenhang, laut Charnes et
al. (1985) die Wahl enger Zeitfenster. Damit soll die mögliche Wirkung von
technischem Fortschritt, Lernfortschritt aus der Vorperiode sowie durch
34
stochastischen Einfluss, welche zu einer Verzerrung der Ergebnisse führen
können, vermieden werden. Für weitere Informationen zur DEA Window
Analysis wird in diesem Zusammenhang auf Charnes et al. (1985) verwiesen.
35
3 Datengrundlage
In diesem Kapitel soll die Datengrundlage dieser Arbeit vorgestellt werden.
Grundlage bildet dabei ein ausgewählter Datensatz des Beratungsunternehmen
SCHULDT AGRO CONCEPT GmbH mit Sitz in Neuengörs bei Bad Segeberg. Der
ausgewählte Datensatz umfasst 48 Jahresabschlüsse von 16 Betrieben. Die
Jahresabschlüsse stammen aus den Wirtschaftsjahren 2006/07 bis 2008/09.
Somit sind in der Datenmenge drei unterschiedliche Jahresabschlüsse pro
Betrieb enthalten.
Zur Auswertung und Analyse landwirtschaftlicher Jahresabschlüsse verwendet
das Unternehmen die SAC-Unternehmensanalyse. Diese stellt eine eigens
entwickelte auf Microsoft Excel basierende Software dar. Freundlicherweise
wurde dieses Instrument für einen Vergleich mit der DEA zur Verfügung
gestellt.6
Nachdem die Auswahl der Rohdaten erläutert wurde, erfolgt in Kapitel 3.1 eine
Einführung in die für diese Arbeit letztendlich relevanten Datensätze. Dazu wird
der Ablauf erklärt und die Korrektur der Rohdaten präzisiert. Im Anschluss
erfolgt in Kapitel 3.2 die Darstellung der Struktur der Untersuchungsbetriebe.
In Kapitel 3.3 erfolgt eine Erläuterung der SAC Unternehmensanalyse. Dazu
wird näher auf die Dateneingabe sowie dem Einfluss einzelner Kennzahlen
eingegangen. Um zu verstehen, wie das Ranking der effizienten Betriebe
innerhalb der Analyse vorgenommen wird, werden einige wichtige Kennzahlen
erläutert und ihre Bedeutung für das Ranking definiert.
In Kapitel 3.4 erfolgt die Auswahl der Input- und Outputvariablen. Anschließend
wird in Kapitel 3.5 kurz auf die Möglichkeiten der DEA als Beratungsinstrument
eingegangen.
6 Für die umfangreiche Unterstützung, dem offenen Umgang sowie der viele hilfreichen
Erklärungen möchte ich mich an dieser Stelle ganz herzlich bei der SCHULDT AGRO CONCEPT
GmbH bedanken, besonders bei dem Geschäftsführer Herrn V. Schuldt.
36
3.1 Vorstellung der Datengrundlage
Aus dem Datensatz der SCHULDT AGRO CONCEPT GmbH wird zu Beginn ein
Sample von 30 Betrieben ausgewählt, welches sich für eine grundlegende
Analyse eignet. Für diese Betriebe besteht seit längerer Zeit ein Beratungsman-
dat, sodass Informationen in Form von Jahresabschlüssen und ausgewerteten
Unternehmensanalysen bereitliegen. Die Jahresabschlüsse beinhalten neben
der Bilanz und der Gewinn- und Verlustrechnung auch Anlagen zur Bilanz. In
den Anlagen finden sich ein Anlagenspiegel, Angaben zum Tiervermögen und
den Vorräten, ein Forderungen-7 und Verbindlichkeitenspiegel8, Naturaldaten,
sowie die wichtigsten Daten zur Faktorausstattung wie Erntefläche, Tierbericht
und Arbeitskräfte (DLG-Ausschuss, 2006).
Unter den Primärbetrieben sind die Betriebsformen Gemischtbetrieb, Vered-
lungsbetrieb, spezialisierter Futterbaubetrieb9 und spezialisierter Ackerbaube-
trieb10 vorhanden. Da die Effizienzanalyse mittels DEA eine möglichst homoge-
ne Vergleichsgruppe erfordert, reduziert sich der Datensatz, da eine Gruppe mit
möglichst wenigen unterschiedlichen Betriebszweigen erstellt werden soll.
Unter diesen Ausschuss fallen zwei Schweinmastbetriebe sowie zwei Betriebe,
die unter Fremdbewirtschaftung stehen. Eine große Gruppe der Betriebe hat
die Betriebszweige Marktfruchtbau und die Milchviehhaltung im Portfolio. Da
sich beide Betriebszweige hinsichtlich ökonomischer wie auch arbeitstechni-
scher Gesichtspunkte gut ergänzen, jedoch völlig unterschiedliche Faktorein-
satzarten und -mengen benötigen, kann in diesem Zusammenhang nicht von
einer Technologiemenge gesprochen werden. Somit wurde in diesem Zusam-
menhang das Standarddeckungsbeitragsverfahren angewendet.
Demnach zählt ein Betrieb als spezialisierter Ackerbaubetrieb, wenn ein Anteil
von mindestens 66% des Gesamtstandarddeckungsbeitrages aus dem Stan-
darddeckungsbeitrag des Marktfruchtbaus stammt (KTBL, 2009).
7 ist im BMELV-JA für Einzelunternehmen und Personengesellschaften fakultativ 8 ist im BMELV-JA für Einzelunternehmen und Personengesellschaften fakultativ 9 im Folgenden Milchviehbetrieb 10 im Folgenden Marktfruchtbetrieb
37
In gleicher Weise verhält sich diese Rechnung mit den Milchviehbetrieben. Da
jedoch die Zahl der Betriebe mit Milchviehhaltung geringer ist, wurde sich für
den Betriebszweig Marktfruchtbau entschieden. Nach dem vorher genannten
Verfahren verringert sich die Anzahl auf 22 Betriebe.
Eine andere Möglichkeit bestünde darin, den Anteil der Kosten und Erlöse der
Milchproduktion aus den Gesamterträgen herauszurechnen. Allerdings bildet
der innerbetriebliche Schnittpunkt dieser beiden Betriebszweige das Grünland
und damit die Futtergrundlage der Milchviehhaltung. Maschinen und Personal
werden „überbetrieblich“ eingesetzt, sodass es mit Hilfe der vorhandenen
Kennzahlen sehr schwierig ist, eine korrekte Trennung der Kennzahlen durchzu-
führen.
In Anbetracht der Tatsache, dass zur Anwendung der DEA ein umfangreicher
Datensatz mit möglichst vielen Vergleichseinheiten vorhanden sein soll,11
wurde an dieser Stelle das Verfahren der DEA Window Analysis zu Rate
gezogen. Damit erhöht sich die Zahl der Jahresabschlüsse, da eine zeitraumbe-
zogene Analyse angewendet wird und mehrere Jahre in die Betrachtung
einfließen. Nach Anwendung des Verfahrens werden drei aufeinander folgende
Wirtschaftsjahre 2006/07 bis 2008/09 in die Analyse einbezogen. Damit
verringert sich der Datensatz auf 16 Haupterwerbsbetriebe, weil nicht für alle
Betriebe in jedem Jahr ein Jahresabschluss vorhanden ist. Zeitgleich steigt die
Anzahl der Beobachtungen auf 48 Einheiten an. Dabei treten Daten aller
Betriebe in jedem untersuchten Zeitraum auf.
Durch die Anwendung der Window Analysis wird jeder Betrieb dreimal in der
Untersuchung benannt. Allerdings sollen später Durchschnittsätze gebildet
werden, sodass jede Einheit in der Auswertung nur einmal betrachtet wird.
Zusätzlich sind die Preise der einzelnen Faktoren und Güter über den Zeitver-
lauf nicht mehr miteinander vergleichbar, da unterschiedliche Preisentwicklun-
gen stattgefunden haben. Um die Preisdaten in einem Bezugsjahr vergleichen
11 Es besteht die Gefahr, dass bei einer zu geringen Anzahl an Vergleichseinheiten alle Betriebe
als effizient klassifiziert werden.
38
zu können, wurden die einzelnen Inputs und Outputs mit Hilfe von Preisindices
des statistischen Bundesamtes (2006-2010) deflationiert.
Eine Bereinigung der Daten um Inflation sowie Zinssatz für das eingesetzte
Kapital findet in diesem Zusammenhang nicht statt, da die größten Preiseffekte
durch den vorher genannten Effekt bereinigt werden.
In einigen zuvor erstellten Arbeiten in diesem Themengebiet wird der prozess-
bezogene Ansatz verfolgt (vgl. von Hugo, 2005; Gubi, 2006). Damit soll ein
direkter Vergleich von Ertrag und Aufwand verfolgt werden. Da sich in der
Landwirtschaft das Wirtschaftsjahr (01.07. bis 30.06.) vom eigentlichen
Kalenderjahr abhebt, werden in den Jahresabschlüssen die Erträge einer Kultur
nicht ihren Aufwendungen gegenübergestellt. Der prozessbezogene Ansatz
verhindert dies, indem er die Erträge aus dem Pflanzenbau den Aufwendungen
des Vorjahres gegenüberstellt. Da bei der Vermarktung landwirtschaftlicher
Erzeugnisse oft Verzögerungen auftreten und die Jahresabschlüsse erst sehr
spät erstellt werden könnten, wird dieser Ansatz in der Praxis nicht verfolgt. Für
diesen Ansatz sind zudem immer zwei aufeinander folgende Jahresabschlüsse
erforderlich, da entweder die Erträge aus dem Folgejahr oder die Aufwendun-
gen aus dem Vorjahr vorhanden sein müssten. Dadurch würde der Datensatz
weiter verringert werden. Zudem entstehen Verzerrungen, wenn ein Teil der
Ernte bereits vor dem wirtschaftlichen Abschlusstag verkauft wird. Die Erträge
können den Aufwendungen nicht genau zugeordnet werden. Dies gilt ebenso
bei einigen Aufwandspositionen wie Personal und Maschinenaufwand.
Da in der SAC Unternehmensanalyse Produktionszeiträume betrachtet werden,
findet der zuvor beschriebene Ansatz in dieser Arbeit keine Anwendung. Die
Ergebnisse der SAC Analyse sollen direkt mit der DEA verglichen werden. Damit
besteht bei einer unterschiedlichen Zeitraumbetrachtung die Gefahr, dass die
Ergebnisse verzerrt werden und ein direkter Vergleich nicht gewährleistet
werden kann.
Unter dem gewählten Datensatz sind Betriebe mit unterschiedlichen Besteue-
rungsformen hinsichtlich der Umsatzsteuer. So finden sich pauschalierende wie
39
auch der Regelbesteuerung unterliegende Betriebe wieder. Um hier einen
einheitlichen Maßstab zu fassen, werden alle Preisinformationen als Nettobe-
träge aufgenommen, da die Umsatzsteuer als durchlaufender Posten ohnehin
ohne Gewinnauswirkungen an den Fiskus weitergeleitet bzw. als Vorsteuer
erstattet wird.
Weiterhin unterscheidet sich der Datensatz hinsichtlich der Rechtsform. In der
Betrachtung sind Einzelunternehmen, Personengesellschaften (GbR, GmbH &
Co KG) sowie Kapitalgesellschaften (GmbH) vorhanden. In den Einzelunterneh-
men und Personengesellschaften sind häufig Familienmitglieder tätig, die, wie
auch der Betriebsleiter, jedoch nicht in den Personalkosten enthalten sind.
Diese müssen nachträglich vom Gesamtgewinn entlohnt werden. Dazu wird der
Posten Lohnansatz für nicht entlohnte Arbeitskräfte (AK) angesetzt. In Anleh-
nung an die SAC-Analyse wird ein pauschaler Lohnansatz von 50.000 € pro nicht
entlohnter Familienarbeitskraft eingefügt.12
Um einen möglichst genauen Vergleich der DEA und der SAC Analyse zu
erreichen, wird versucht die Datengrundlage der DEA möglichst nahe an den in
der SAC Analyse verwendeten Daten zu halten. Daher wurde ein Großteil der
Daten aus der SAC Analyse verwendet und nur an einigen Stellen auf die
Jahresabschlüsse zurückgegriffen. Dennoch repräsentieren die verwendeten
Daten in vollen Umfang den Inhalt der Jahresabschlüsse.
Bei der Arbeit mit Jahresabschlüssen ist zusätzlich darauf zu achten, dass alle
Daten korrekt dargestellt werden. Einerseits können die Daten durch falsche
Werte verzerrt sein, anderseits sind die Angaben im Naturalbericht auf
Vollständigkeit zu prüfen. Dies betrifft z.B. Angaben zu den Ernteflächen und
Arbeitskräften, die nicht aktuell oder nur lückenhaft vorhanden sind.
Der Wert der Abschreibung von Maschinen und Gebäude taucht in der Bilanz
teilweise nur als Erinnerungswert auf. Damit wird jedoch meist nicht der
Zeitwert der Maschinen wiedergegeben. Er fällt bei einer Veräußerung wesent-
lich höher aus. Dieser Tatbestand wird dadurch gemildert, dass für alte
12 =Anzahl nicht entlohnter AK * Lohnansatz
40
Maschinen wesentlich höhere Wartungs- und Reparaturkosten aufzubringen
sind als bei Neumaschinen.
Einige Jahresabschlüsse werden als konsolidierte Jahresabschlüsse erstellt. Dies
betrifft i.d.R. Personengesellschaften. Dort erfolgt die Konsolidierung von
Gesamthandsbilanz und Sonderbilanz zur Gesamtbilanz.
Der konsolidierte Jahresabschluss gibt ein vollständiges, den tatsächlichen
Verhältnissen entsprechendes Bild der Vermögens-, Finanz- und Ertragslage der
in der Konsolidierung beteiligten Unternehmer und des Betriebes wieder
(Schirrmacher, 2013). Diese werden in den Ausführungen auch als solche
vorgestellt, sodass nicht das einzelne Unternehmen sondern immer das
Unternehmen mit seinen Gesellschaftern in den Ausführungen betrachtet wird.
Würde man an dieser Stelle das einzelne Unternehmen analysieren, ergäben
sich Probleme bei der Datenübernahme, da sich die Flächenverhältnisse häufig
nach Eigentumsverhältnissen bzw. nach steuerrechtlichen Gesichtspunkten
richten und nicht nach der Erlössituation. Somit weist ein Betrieb pflanzenbau-
liche Erlöse von Flächen auf, die nicht in seinem Naturalbericht aufgeführt sind,
da sie im Jahresabschluss eines Familienmitgliedes oder Geschäftspartners
stehen. Damit scheint die Verwendung der Daten aus konsolidierten Jahresab-
schlüssen sinnvoll. Diese dienen auch bei der Anfertigung der SAC-Analyse als
Grundlage.
41
3.2 Darstellung der Struktur der Untersuchungsbetriebe
Im folgenden Teil soll die Struktur der in dieser Untersuchung betrachteten
Betriebe vorgestellt werden. Da nach Korrektur der Primärdaten einige
Betriebe ausgeschieden sind, werden nachfolgend nur die tatsächlich verwen-
deten Betriebe vorgestellt.
Das regionale Kerngebiet der SCHULDT-AGRO-CONCEPT GmbH liegt in Meck-
lenburg-Vorpommern. Aus diesem Grund stammen auch die an der Untersu-
chung beteiligten Betriebe ausschließlich aus diesem Bundesland. In der
Unternehmensberatung wird Mecklenburg-Vorpommern in die drei Regionen -
Küste, Übergang und Binnenland - aufgeteilt. Allein schon aufgrund der
natürlichen Gegebenheiten, wie z.B. der Niederschlagsverhältnisse, ergeben
sich unterschiedliche Produktionsbedingungen. Diese sind in der DEA als
Umweltvariablen benannt, werden in der Untersuchung allerdings nicht weiter
berücksichtigt. Von den betrachteten Betrieben liegen sechs an der Küste, zwei
im Übergang und acht Betriebe im südlicheren Binnenland von Mecklenburg-
Vorpommern. Die Großzahl der Betriebe wurde neu gegründet. Unter den
Rechtsformen befinden sich fünf GmbHs, zwei GmbH & Co KGs, sieben Einzel-
unternehmen und zwei GbRs. Nach der Korrektur der Primärdaten können für
die Untersuchung 48 Jahresabschlüsse von 16 Betrieben aus den Jahren
2006/07 bis 2008/09 verwendet werden. Dabei stehen für jede Periode 16
Jahresabschlüsse zur Verfügung, sodass ein vollständiger Paneldatensatz
vorhanden ist.
Die Flächenstruktur der beobachteten Einheiten ist in Tabelle 1 dargestellt. Die
Untersuchungsbetriebe besitzen im Zeitablauf eine mittlere Flächenausstattung
von 1532 und 1567 ha landwirtschaftlicher Nutzfläche. Aus der Tabelle wird
deutlich, dass der Mittelwert im Verlauf der Jahre leicht sinkt. Die Betriebsgrö-
ßen liegen zwischen 328 ha und 3783 ha. Damit liegt zwischen dem kleinsten
und größten Betrieb eine Spannweite von 3455 ha. Der Median, welcher immer
unter dem Mittelwert liegt, deutet auf eine rechtsschiefe Verteilung der
Flächen im untersuchten Datensatz hin.
42
Tabelle 1: Flächenausstattung der Untersuchungsbetriebe
LN/Betrieb (ha) 2006/07 2007/08 2008/09
Mittelwert 1567 1565 1532
Median 1303 1308 1306
Min 328 328 328
Max 3783 3752 3599
Standardabweichung 1007 1002 970
Der recht hohe Wert der Standardabweichung von 1000 ha bestätigt die
mittlere Differenz zwischen dem größten und dem kleinsten Betrieb. Bei einer
durchschnittlichen Flächenausstattung in Mecklenburg-Vorpommern von 260
ha landwirtschaftlicher Nutzfläche pro Betrieb im Jahr 2009, liegt der Beispiel-
datensatz mit durchschnittlich über 1500 ha LN deutlich über dem Landes-
durchschnitt. Die landwirtschaftliche Betriebsfläche ändert sich im Durchschnitt
der Jahre nur in sehr geringem Umfang. Sie sinkt im Mittel der Betriebe um 36
ha. Insgesamt bewirtschaften die Betriebe im Jahr 2009 eine Fläche von 24500
ha.
Der mittlere Pachtanteil aller Betriebe liegt im Durchschnitt aller Jahre bei 56 %
und sinkt vom Jahr 2006/07 bis 2008/09 um 6 %. Im Jahr 2008/09 liegt die
Spannweite unter den 16 Betrieben zwischen 33 % und 79 % Pachtanteil.
43
3.3 Vorstellung der SAC Unternehmensanalyse
Mit Hilfe der in der Buchführung entwickelten Ergebnisse möchte die Unter-
nehmensführung die Stärken und Schwächen eines Unternehmens darstellen,
Rationalisierungsmaßnahmen charakterisieren sowie eine Weisung für die
zukünftige Unternehmerentscheidung aufzeigen. Basierend auf dieser Grundla-
ge ist es das Ziel der SAC Unternehmensanalyse, die Erfolgskennzahlen des
Betriebes bzw. der Unternehmensgruppe herauszustellen. Zu diesen Erfolgs-
kennzahlen zählen die Rentabilität, Liquidität, Finanzierung und Stabilität
(Schuldt, 2012). Diese Begriffe sollen im Folgenden kurz erläutert werden.
Die Rentabilitätskennzahl wird durch das Verhältnis von Gewinn bzw. Verlust zu
den eingesetzten Produktionsfaktoren Arbeit oder Kapitaleinsatz gebildet.
Darunter kann die Eigenkapitalrentabilität (EKR) von der Gesamtkapitalrentabi-
lität (GKR) dadurch unterschieden werden, dass die Zweitgenannte zusätzlich
zum Eigenkapital (EK) die Verzinsung sowie das Fremdkapital (FK) mit einbe-
zieht. Damit berechnet sich die Gesamtkapitalrentabilität folgendermaßen (vgl.
Formel 3.10):
NOP = NQ��� + �OR�? O + �O (3. 10 )
Das Eigenkapital wird häufig als Mittelwert aus dem Eigenkapital der Anfangsbi-
lanz und dem Eigenkapital der Schlussbilanz gebildet. Folglich wird das durch-
schnittliche Eigenkapital verwendet. Die Rentabilität gibt somit Auskunft über
die Verzinsung des eingesetzten Kapitals.
Die Liquidität beschreibt die Fähigkeit des Unternehmens, seinen Zahlungsver-
pflichtungen termingemäß nachzukommen. Es lassen sich drei Liquiditätsgrade
unterscheiden. Die Liquidität 1. Grades beschreibt das Verhältnis aus Kassenbe-
stand und Bankguthaben zu den kurzfristigen Verbindlichkeiten und gibt damit
Auskunft über die direkt verfügbaren liquiden Mittel (kurzfristige Liquidität).
44
Die Liquidität 2. Grades bezieht zusätzlich die Forderungen und die Liquidität 3.
Grades das Umlauf- und Tiervermögen13 in die Betrachtung ein (mittelfristige
Liquidität). Generell ist ein Unternehmen zahlungsfähig, wenn die Liquidität 1.,
2. und 3. Grades einen möglichst hohen Wert einnimmt. Allerdings sagen diese
relativen Werte nichts über Zeitpunkt und Höhe des vorhandenen Kapitals
sowie der zu entrichtenden Zahlungsströme aus. Dazu wird die Liquiditätsstufe
als absolute Kennzahl verwendet.
Die Erfolgskennzahl Finanzierung betrachtet neben dem Kapitaldienst14
gemessen in €/haLN die mittelfristige Kapitaldienstgrenze. Letztere gibt den
wirtschaftlich maximal tragbaren Kapitaldienst eines Unternehmens an und
beschreibt damit die Möglichkeit, Fremdkapital für neue Wirtschaftsgüter
aufzunehmen. Sie ergibt sich aus dem Verhältnis von Kapitaldienst und
Kapitaldienstgrenze. Zur Ermittlung werden das ordentliche Ergebnis aus der
Gewinn- und Verlustrechnung (GuV) abzüglich Entnahmen zzgl. der bisher
geleistete Zinsaufwand und Abschreibungen berechnet.
Die Stabilität beschreibt die Fähigkeit eines Unternehmens, die Rentabilität und
Liquidität langfristig zu sichern. Dies soll auch bei unvorhergesehenen Risiken
und einer Verschlechterung der Rahmenbedingung gewährleistet sein. In
diesem Zusammenhang werden die FK-Deckung aus mobilen Aktiva und die
Eigenkapital-Quote verwendet.
Die FK-Deckung aus den mobilen Aktiva bildet das Verhältnis aus Umlaufver-
mögen und FK und beschreibt den Anteil an schnell verfügbaren Vermögensan-
teilen zur Fremdkapitaldeckung (vgl. DLG, 2009; Mußhoff, 2011).
Im Folgenden soll der Aufbau der SAC-Analyse erläutert werden. Dazu sei
vermerkt, dass der Grundaufbau dem vom Bundesministerium für Landwirt-
13 Das Tiervermögen ist bei SAC Bestandteil des Umlaufvermögens 14 Kapitaldienst: zu leistende Zahlung für Fremdkapital = Zinssatz + Tilgung
45
schaft (BML) herausgegebenen und weiterentwickelten BMELV-Kontenrahmen
entspricht (vgl. DLG, 1997).15
Die jeweilige Position der Kennzahlen ist ebenso wie im BMELV Kontenrahmen
mit einem Code gekennzeichnet. Durch den vergleichbaren Aufbau unterschei-
den sich die Kennzahlen hinsichtlich ihrer Aussagekraft nur an wenigen Stellen.
Die Eingabe in die SAC-Unternehmensanalyse erfolgt in drei Teilen. Zur
Veranschaulichung dient Tabelle 2. In der ersten Spalte sind die wichtigsten
Kennzahlen der SAC-Analyse aufgeführt. In der Spalte zwei befindet sich der
dazugehörige SAC-Code und in der dritten Spalte ist der jeweils passende
BMELV-Code aufgeführt. Zunächst werden unter (A) alle verfügbaren Daten aus
dem Naturalbericht eingetragen. Darunter die Daten zur landwirtschaftlichen
Nutzfläche (LN), der Anteil LN-Eigentum, die produktive Marktfruchtfläche,
verkaufte Milch sowie die Anzahl der eingesetzten Arbeitskräfte. Dieser Block
ist in Tabelle 2 nicht vorhanden, da sich diese Daten als Naturalbericht in der
Anlage des Jahresabschlusses befinden. Häufig werden diese Daten allerdings
nicht oder nur unregelmäßig aktualisiert. Es wird davon ausgegangen, dass der
Berater regelmäßigen Kontakt zum Landwirt pflegt bzw. umgekehrt und somit
die zeitgemäße Beschaffung der Daten gewährleistet ist.
Als nächstes folgt die Übernahme der Daten aus der Bilanz in Block (B). In
diesem Block werden das Anlagevermögen, das Umlaufvermögen, das Eigenka-
pital sowie Fremdkapital, Rückstellungen und Rechnungsabgrenzungsposten
(RAP) berücksichtigt. In Block (C) werden alle Kennzahlen aus der Gewinn-und
Verlustrechnung (GuV) übernommen. Hierzu zählen die Erträge aus pflanzlicher
und tierischer Produktion sowie die Erträge aus Fördermitteln.
Des Weiteren werden alle Aufwendungen wie Materialaufwand, Personalauf-
wand und Abschreibungen übernommen. Pachten und Mieten fallen hier nicht
unter die sonstigen betrieblichen Aufwendungen (BMELV-Code 2897) und
15 Eine aktuellere Version befindet sich in: Effiziente Jahresabschlussanalyse (DLG/Band 194,
2006). Für weitere detaillierte Erläuterungen zu Anpassungen im BMELV-Jahresabschluss und
zu Ausführung in den einzelnen Abschnitten sei auf Buchführung der Testbetriebe – Ausfüh-
rungsanweisung zum BMELV-Jahresabschluss (2008) verwiesen.
46
bekommen stattdessen eine extra Kennzahl zugewiesen. Zudem werden im
Gegensatz zum BMELV Kontenrahmen die sonstigen Steuern (SAC-Code 31) in
das ordentliche Betriebsergebnis mit einbezogen. Zzgl. des positiven oder
negativen Zinsergebnis ergibt sich das ordentliche Unternehmensergebnis
(SAC-Code 34). Addiert mit zeitraumfremden und außerordentlichen Erträgen,
die gesondert aufgeführt werden, ergibt sich das Unternehmensergebnis. Wird
an dieser Stelle die Ertragssteuer (Körperschafts- und Gewerbesteuer) abgezo-
gen, so wird der Gewinn bzw. Verlust des Geschäftsjahres ausgewiesen. Dieser
Wert muss unbedingt mit dem Gewinn/Verlust (Code 2959) im BMELV-
Jahresabschluss übereinstimmen. Zur Kontrolle, ob die Daten korrekt über-
nommen wurden, sind in regelmäßigen Abständen Kontrollfelder eingebaut, die
einen Abgleich der Daten gewährleisten.
47
Tabelle 2: Codierung SAC-Code und BMELV-Code
Quelle: eigene Darstellung
SAC-Code
BMELV-Code
B. Bilanz
Anlagevermögen (ohne Tierverm.) 11 1089
Umlaufvermögen 12 1099 + 1189
Aktiva gesamt 13 1229
Eigenkapital 14 1499 bzw. 1439
FK – langfristig 15 -
FK – mittelfristig (bis 5 Jahre) 16 -
FK – kurzfristig 17,1 -
Rückstellungen und RAP 17,2 1539+1567
Fremdkapital gesamt 18 1559 (1540 bis 1558)
C. Gewinn- und Verlustrechnung
Ertrag
Verkäufe Pflanzenprod. inkl. BÄ 21 2099 + 2347
Erträge Tierproduktion inkl. BÄ 22 2199 + 2348
Erträge Fördermittel 23 2449
Sonstige Erträge 24
2337 + 2498-2497-2449
Aufwand
Materialaufwand 25 2789
Personalkosten inkl. Berufsgenossens. 26 2799
Abschreibungen 27 2809
Son. ldw. Aufwand 28 2897-(2840 bis 2845)
Pachten, Mieten 29 2840 bis 2845
Nebenbetriebe 30 2337
Betriebliche Steuern 31 2949
Ordentl. Betriebsergebnis 32 2899
Zinsergebnis 33 2918
Ord. Unternehmensergebnis 34 2919
Zeitraumfremdes und a.o. Ergebnis 35 2497
Unternehmensergebnis 36 2919
Ertragssteuer Körpersch./Gewerbe 37 2939
Gewinn/Verlust laut JA 38 2959
48
Schwierigkeiten können bei dem Anwender vor allem aufgrund der Vielfalt
vorhandener unterschiedlicher Kontenrahmen entstehen. Für die Datengrund-
lage ist die Beratung auf die steuerlichen Jahresabschlüsse des Steuerberaters
angewiesen. Durch eine Vielzahl unterschiedlicher Steuerprogramme, die
unterschiedliche Buchführungsprogramme nutzen, unterscheiden sich die
Kontenrahmen hinsichtlich ihrer Kategorisierung und Strukturierung teilweise
erheblich voneinander. Durch den unterschiedlichen Aufbau befinden sich die
Kennzahlen an unterschiedlichen Stellen. Beispielsweise sind Fremdkapitalarten
unterschiedlich gekennzeichnet. Erträge und Aufwendungen besitzen völlig
unterschiedliche Codierungen. Somit unterscheidet sich der Kontenrahmen von
Datev (SKR03 und SKR04) im Aufbau und der Strukturierung stark von anderen
Buchführungsprogrammen, wie z.B. Lexware. Zur Vereinfachung sei hier nur auf
den BMELV-Jahresabschluss verwiesen.
Darüber hinaus erfolgt die Eingabe weiterer betrieblicher und wirtschaftlicher
Kennzahlen, die aufgrund der Beratung erhoben werden und somit über die
Informationen aus dem Jahresabschluss hinausgehen. Aus Einfachheitsgründen
werden diese hier nicht weiter aufgeführt.
Nach Eingabe des Jahresabschlusses in die SAC-Analyse erfolgt unter (D) die
Abbildung der Erfolgskennzahlen. Diese werden auf Grundlage der aus dem
Jahresabschluss eingegebenen Daten berechnet. Eine ausführliche Darstellung
für die Auswertung eines Beispielbetriebes entnehmen sie Anlage 1.
In Anlage 2 befindet sich eine Auflistung der in die Auswertung einfließenden
sieben Erfolgskennzahlen. Diese gehen mit unterschiedlichen Gewichten in das
Rating ein. Dazu wird jeder Erfolgskennzahl ein Zielwert zugeordnet. Nach
Berechnung der Kennzahl wird diese mit dem Zielwert verglichen und eine
Rating-Punktzahl vergeben. Diese kann je nach Kennzahl einen Wert von 10 bis
20 Punkten einnehmen und ergibt einen maximal möglichen Wert aller sieben
Kennzahlen von insgesamt 100 Punkten. Als Ergebnis der einzelnen Erfolgs-
kennzahl erhält man die Gesamtabweichung von Einhundert. Eine Übersicht
der in die Auswertung einfließenden Kennzahlen mit den entsprechenden
Gewichten befindet sich in Tabelle 3.
49
Die Einstufung der Rating Punkte basiert dabei auf dem Vergleich der Ra-
tingskala für die Kreditvergabe von Kreditinstituten. Eine Darstellung ist in
Anhang 3 zu finden. Nach der Ermittlung des Gesamtergebnisses erfolgt eine
Benotung mittels Schulnotensystem (Ungenügend bis ausgezeichnet).
Tabelle 3: Erfolgskennzahlen mit Wichtung
Erfolgskennzahl Einheit Wichtung (Punkte)
Rentabilität Faktorentlohnung % 15
Kapital-Rentabilität % 20
Liquidität
Cash-Flow €/ha 15
Liquiditätsstand €/ha 10
Mittelfr. Kapitaldienstgrenze % 10
Stabilität FK-Deckung aus mob. Aktiva % 10
Eigenkapital-Quote % 20
Gesamt 100
Quelle: eigene Darstellung, verändert nach Schuldt (2013)
Das Rating des Einzelbetriebes wird für das laufende Jahr sowie für den
Durchschnitt der letzten drei Jahre angegeben. In einem Diagramm können die
unterschiedlichen Kennzahlen dargestellt und miteinander verglichen werden.
Dadurch, dass ein gleichmäßiges Punktesystem für alle Betriebe einheitlich
verwendet wird, können die betreuten Betriebe nach Auswertung der Erfolgs-
kennzahlen direkt in einem Ranking miteinander verglichen werden. Dies
erfolgt mit Hilfe des Rankings nach der berechneten Gesamtpunktzahl sowie als
Darstellung des Einzelbetriebes im Vergleich zur Gruppe. In Abhängigkeit der
Auswahl der Erfolgskennzahl können somit unterschiedliche Aussagen für das
Einzelunternehmen an sich oder im Vergleich der Gruppe gemacht werden. Aus
der Veränderung des Einzelbetriebes zum Vorjahr können Aussagen über die
betriebliche Entwicklung gemacht werden.
50
Die Betrachtung der Durchschnittwerte über drei Jahre gibt dagegen einen
Mittelwert und entzerrt Ausreißer. Mit Hilfe des Vergleichs der gesamten
Gruppe wird ein horizontaler Betriebsvergleich erstellt.
Darüber hinaus werden in der Unternehmensberatung Quantile gebildet. Damit
werden die 25% besten Betriebe (oberes Quartil) und die 25% schlechtesten
Betriebe (unteres Quartil) dargestellt. Dadurch lassen sich Aussagen über die
Kennzahlen machen, die im oberen Quartil besonders gut ausfallen bzw.
Verbesserungspotentiale für die schlechten und mittleren Betriebe bilden.
Zusätzlich können Einsparpotentiale ermittelt und ein Vergleich in diesen
untergeordneten Gruppen gebildet werden.
Insgesamt stellt die SAC-Analyse ein umfangreiches Instrument zur Beratung
eines Unternehmens sowie einer Unternehmensgruppe dar. Die dafür wichti-
gen Erfolgskennzahlen können in einer gut strukturierten Übersicht dargestellt
werden und bieten eine anschauliche Zusammenfassung der betriebswirt-
schaftlichen Kennzahlen eines landwirtschaftlichen Unternehmens.
Eine einheitliche Auswertung macht es möglich, eine Gruppe von Betrieben
miteinander zu vergleichen und mit Hilfe eines gewichteten Ratings ein Ranking
der Gruppe zu erstellen. Zusätzlich bietet es die Möglichkeit, betriebszweigbe-
zogene Auswertungen anzufertigen, sowie weitere Aussagen über den Erfolg
des Betriebsleiters zu treffen. Grundlage dafür ist allerdings eine gut geführte
Datenbasis, ohne die jedoch kein Analyseinstrument auskommt.
51
3.4 Auswahl der Input- und Outputvariablen
Die in die Analyse einfließenden Variablen müssen den Produktionsprozess in
der Landwirtschaft möglichst komplett wiederspiegeln. Dazu müssen die
entsprechenden Input- und Outputgrößen, die an dem jeweiligen Produktions-
prozess beteiligt sind, bestimmt werden. Die Inputgrößen umfassen alle
Produktionsfaktoren, die zur Erstellung eines bestimmten Outputs in einem
Zeitraum erforderlich sind. Dabei ist es wichtig, dass keine der Größen doppelt
in der Analyse verwendet wird. Zu den Outputs zählen Güter, Leistungen und
Erträge, die ein Wirtschaftsobjekt erstellen kann. In Abbildung 7 sind die Input-
und Outputgrößen, welche in die Effizienzanalyse einfließen, dargestellt.
Zu den Inputvariablen gehören der Boden, Arbeit, Aufwand und das Kapital. Die
Outputvariable wird durch die landwirtschaftliche Erzeugung abgebildet.
Abbildung 7: Input- und Outputgrößen
Die Variable Boden beinhaltet die gesamte landwirtschaftlich genutzte Fläche
des Unternehmens. Darin enthalten sind die gepachteten Flächen abzüglich der
verpachteten Fläche zzgl. der Eigentumsfläche gemessen in Hektar.
Quelle: eigene Darstellung
52
In die Variable Arbeit fließen entlohnte, nicht entlohnte sowie für die Einzelun-
ternehmen nicht entlohnte Familienarbeitskräfte gemessen in Euro ein.
Zusätzlich sind die Abgaben für Berufsgenossenschaft enthalten. Da die nicht
entlohnten Familienarbeitskräfte bei den Einzelunternehmen nicht im Perso-
nalaufwand entlohnt sind, wird an dieser Stelle ein pauschaler Lohnansatz von
50.000 €/AK im Personalaufwand berücksichtigt. An dieser Stelle wird dem
Hinweis der Beratung gefolgt.
Die Variable Aufwand beinhaltet neben dem Materialaufwand die sonstigen
betrieblichen Aufwendungen. Der Materialaufwand setzt sich aus dem Spezial-
aufwand für Pflanzen und Tierproduktion sowie dem sonstigen Materialauf-
wand zusammen. Darunter fallen Aufwendungen für Energie, Wasser und
Treibstoffe. Die sonstigen betrieblichen Aufwendungen enthalten neben dem
Unterhalt für Wirtschaftsgebäude und Maschinen, den Aufwand für Versiche-
rungen sowie den sonstigen Betriebsaufwand, darunter Grundabgaben für
Wasser- und Bodenverband, Beiträge für Verbände sowie Steuer- und Wirt-
schaftsberatung.
Miet- und Pachtaufwendungen sind im Aufwand nicht berücksichtigt, um
Betriebe mit hohen Pachtausgaben nicht zu benachteiligen. Der Pachtaufwand
würde aufgrund der Zunahme des Inputs bei Betrieben mit hohem Pachtanteil
zu einer verringerten Effizienz führen. Allerdings ist dies kritisch zu sehen, da
Betriebe mit hohem Eigenlandanteil wesentlich mehr Kapital gebunden haben.
Die Variable Kapital wird in Form von Abschreibungen in der Analyse berück-
sichtigt. Darunter fällt das im Betrieb langfristig gebundene Kapital. Darunter
die planmäßigen und außerplanmäßigen Abschreibungen auf immaterielle
Vermögensgegenstände und Sachanlagen sowie Tiere.
Der Indikator Abschreibung wird verwendet, da er die Kapitalkosten besser
wiedergibt, als das im Betrieb eingesetzte Kapital. Unternehmen, die neue
Investitionen getätigt haben, wären ansonsten benachteiligt. Anderseits
spiegelt die Abschreibung jedoch häufig nicht den Realwert der im Betrieb
vorhanden Vermögensgegenstände wieder, da ältere Maschinen nur mit einem
Restwert in der Bilanz verbucht werden, der tatsächliche Wert jedoch meistens
53
höher ist. Eine weitere Möglichkeit bietet die Verwendung des Besatzkapitals.
Diese bildet sich aus der Differenz von Aktiva und Bodenkapital und wird in
dieser Analyse als Vergleichskennzahl verwendet.
In der Outputvariablen landwirtschaftlicher Erlös sind alle Werte enthalten, die
durch die verwendeten Inputvariablen erzeugt werden können. Darunter
zählen die pflanzlichen und tierischen Umsatzerlöse inkl. Bestandveränderun-
gen sowie die Zulagen und Zuschüsse, Agrardieselerstattungen und sonst.
Aufwandzuschüsse. Nicht enthalten sind Erträge aus Vermietung, Verpachtung
und Maschinenmiete sowie außerordentliche und zeitraumfremde Erträge.
Eine Zusammenstellung der bedeutsamsten Input- und Outputgrößen im
Durchschnitt der Betriebe geordnet nach Jahren befindet sich in Tabelle 4. Zu
beachten ist, dass die Preisangaben in Tausend Euro (T€) angegeben sind.
54
Tabelle 4: Mittelwerte der Input- Outputgrößen nach Wirtschaftsjahren
2006/07 Einheit Mittelwert Standardabw. Max Min
landwirts. Nutzfläche ha 1567 1007 3783 328
Arbeit T€ 431 284 906 57
Aufwand T€ 1190 895 3424 208
Kapital (Abschreibungen) T€ 226 161 547 34
Output T€ 3139 1953 6365 436
2007/08 Einheit Mittelwert Standardabw. Max Min
landwirts. Nutzfläche ha 1565 1002 3752 328
Arbeit T€ 437 286 900 57
Aufwand T€ 1385 941 3238 257
Kapital (Abschreibungen) T€ 245 182 610 34
Output T€ 3473 2364 8418 593
2008/09 Einheit Mittelwert Standardabw. Max Min
landwirts. Nutzfläche ha 1532 970 3599 328
Arbeit T€ 411 265 862 58
Aufwand T€ 1217 815 2832 244
Kapital (Abschreibungen) T€ 252 196 597 37
Output T€ 2385 1495 5396 371
eigene Darstellung
55
3.5 Möglichkeiten der DEA als Beratungsinstrument
Die Unternehmensberatung möchte mittels geeigneter Instrumente die Stärken
und Schwächen eines Betriebes zusammentragen. Als Grundlage dafür dienen
die betriebswirtschaftlichen oder steuerlichen Jahresabschlüsse, wie auch
Informationen des Betriebsleiters. Aus einer Gruppe von Mandantenbetrieben
wird zunächst ein horizontaler Betriebsvergleich erstellt. Damit wird ein
Durschnittsatz gebildet mit dem jeder Einzelbetrieb verglichen werden kann.
Das macht es möglich betriebliche Reserven aufzudecken. Zusätzlich erfolgt ein
vertikaler Betriebsvergleich über einen gewissen Zeitraum. Damit kann die
Entwicklung des Unternehmens dargestellt werden. Mit Hilfe der langfristigen
Kenntnis über den Betrieb sowie dem Betriebsleiter können durch die Erfah-
rung des Beraters weitere Beurteilungen, wie der Managementfähigkeit des
Betriebsleiters, erfolgen.
Die Effizienzanalyse mittels DEA kann im Bereich des horizontalen Vergleichs
der Betriebe anknüpfen. Mit Hilfe der ermittelten Targets lassen sich für jeden
Betrieb Benchmarks finden, mit denen sie sich vergleichen können. Eine erste
Einteilung erfolgt mittels der Bestimmung einer Frontier auf der sich die
effizienten Betriebe befinden. Mittels Supereffizienz lassen sich die effizienten
Betriebe von den Effizienten herausfiltern. Zusätzlich bietet die Quantifizierung
der Ergebnisse direkte Aussagen über das Ausmaß der Reserven der einzelnen
Faktoren. Über Skaleneffizienzen lassen sich weitere interessante Ergebnisse
ermitteln
Allerdings muss in diesem Zusammenhang erwähnt werden, dass die ermittel-
ten Werte sich mit der Praxis häufig nicht vereinbaren lassen. So wird es in der
Regel im Fall des Inputs Arbeit schwierig sein, 20% des genannten Inputs zu
verringern, um letztendlich in Abhängigkeit der Benchmarks einen Effizienzwert
von Eins zu erreichen. Es wird in der betrieblichen Praxis nicht einfach durch-
führbar sein, einen Teil der Arbeitskräfte zu entlassen, um Kosten zu sparen
und den Gesamterlös zu erhöhen. Aufgrund der Annahme, dass bei einer
fehlenden Arbeitskraft einige Tätigkeiten nicht erbracht werden können, wird
56
der Gesamterlös um mindestens denselben Umfang sinken. An dieser Stelle
muss bei der Interpretation der Ergebnisse sehr darauf geachtet werden.
Ein interessantes Instrument bietet die allokative Effizienz. Um diese ermitteln
zu können, werden Preis- und Mengeninformationen für jede Art von Aufwen-
dungen und Einnahmen benötigt. Diese Informationen stehen den Jahresab-
schlüssen in der Regel nicht zur Verfügung. Eine mögliche Quelle bieten ggf. die
Betriebszweigabrechnungen, die allerdings nur in wenigen Unternehmen mit
aussagekräftigen Informationen zu finden sein werden. Somit wird sich die
Analyse weiterhin an der reinen technischen Effizienz orientieren.
Ein weiterer Gesichtspunkt ist die Betrachtung der Managementeffizienz. Diese
wird in der DEA mittels der Kennzahl der Fördermittel Rechnung getragen. Wie
in Kapitel 1 erwähnt, orientiert sich das landwirtschaftliche Einkommen
zunehmend an der Einbeziehung von Minimalbedingungen. Somit hat der
Betriebsleiter die Wahl zwischen der Intensivierung und Ausweitung der
Produktion oder er richtet sich verstärkt an politische Regularien. Der Betriebs-
leiter hat die Wahl, welche Strategie er verfolgt und somit auch entscheidenden
Einfluss auf die erfolgreiche Einkommenssicherung.
In diesem Zusammenhang sei auch das Vermarktungsgeschick genannt.
Landwirtschaftliche Unternehmen agieren an unterschiedlichen lokalen
Märkten und erzielen somit bei der Vermarktung ihrer Produkte unterschiedli-
che Preise. Allerdings hat auch das Verhandlungsgeschick sowie die Bereitschaft
des Unternehmers, sich ständig über aktuelle Markt- und Preisdaten zu
informieren, hohen Einfluss auf die Managementeffizienz. Die daraus resultie-
renden Unterschiede in der technischen Effizienz können daher nur schwer in
der Beratungsempfehlung berücksichtig werden.
57
4 Ergebnisse der empirischen Analyse
Zunächst werden in diesem Kapitel die Ergebnisse der DEA vorgestellt. Dazu
erfolgt in Kapitel 4.1 die Darstellung der technischen Effizienzen, Slacks,
Benchmarks sowie Aggregationsgewichte der untersuchten Betriebe. Anschlie-
ßend folgt in Kapitel 4.2 die Auswertung der SAC-Analyse. Dem schließt sich in
Kapitel 4.3 ein Vergleich der beiden Methoden an. In Kapitel 4.4 wird kurz der
auf den Ergebnissen beruhende Einfluss der DEA auf die Beratungsempfehlung
genannt.
4.1 Ergebnisse der Data Envelopment Analysis
Bei der Wahl der Betrachtungsweise wird, wie schon erwähnt, zwischen input-
und outputorientierter Betrachtungsweise unterschieden. Beide Modelle
bestimmen eine Frontier. Sie unterscheiden sich lediglich in der horizontalen
oder vertikalen Messung des Abstandes im Koordinatensystem. Die outputori-
entierte Betrachtung wird häufig genutzt, da der landwirtschaftliche Unter-
nehmer i. d. R. gewillt ist, seinen Erlös mit den zur Verfügung stehenden
Mitteln zu maximieren. Es wird davon ausgegangen, dass eine ausreichende
Menge an Produktionsfaktoren zur Verfügung stehen, um den Output entspre-
chend zu steigern. Durch Marktbesonderheiten, z.B. am Faktor Boden oder der
vom Unternehmer gesetzte Schwerpunkte, können unterschiedliche Zielset-
zungen entstehen.
Die inputorientierte Betrachtung erscheint besonders bei der Erfüllung von
Quoten oder bei der Erreichung eines festen Ertragszieles sinnvoll. Quoten
liegen in dem vorliegenden Datensatz besonders bei den Milchviehbetrieben in
Form der Milchquote vor. Da dieser Betriebszweig durch die gewählte Homo-
genisierung der Technologiemenge mit dem Schwerpunkt, dass 2/3 des GDB
aus dem Marktfruchtbau stammen, eine weniger gewichtete Rolle einnimmt,
wird für die folgenden Berechnungen die outputorientierte Betrachtungsweise
58
verwendet. Die Berechnungen zur DEA werden mit dem Programm Ems von H.
Scheel der Universität Dortmund durchgeführt (Scheel, 2000).
4.1.1 Ergebnisse der technischen Effizienzen
Zunächst sollen die Ergebnisse der outputorientierten DEA vorgestellt werden.
Da für die einzelnen Inputgrößen teilweise verschiedene Datensätze vorliegen,
werden diese auf ihre mögliche Einflussnahme der Effizienz geprüft. Dazu wird
bei jeder Analyse jeweils ein Wert geändert. Bei der Betrachtung des Inputs
Kapital wurden jeweils einzeln eine Window DEA mit den Daten Abschreibung
sowie mit dem Datenset Besatzkapital ermittelt. Die Ergebnisse befinden sich in
Tabelle 5.
Die Analysen mit unterschiedlichen Werten wurden auch aus dem Grund
getätigt, um die Variante mit der höchstmöglichen Korrelation mit der SAC-
Analyse zu ermitteln.
Tabelle 5: technische Effizienz für Abschreibung und Besatzkapital
CRS VRS Outputsteigerungs-
potenzial
Mittel-
wert
Mittel-
wert
Quartil
25% Median
Quartil
75% in % in €/ha
Abschrei-
bung 1,30 1,24 1,30 1,25 1,16 24% 463
Besatz-
kapital 1,28 1,22 1,26 1,21 1,1 22% 400
Quelle: eigene Berechnung
Tabelle 5 zeigt die Ermittlung der technischen Effizienz unter der Annahme
konstanter und variabler Skalenerträge. Aufgrund der bereits aufgeführten
Gründe werden hauptsächlich variable Skalenerträge in der weiteren Betrach-
59
tung untersucht. Die Variable Kapital wird hierbei einmal mit der Größe
Abschreibung sowie mit dem Besatzkapital dargestellt.
Die Effizienzwerte unter Annahme variabler Skalenertäge liegen im Mittel bei
1,24 bei Betrachtung der Abschreibungen sowie bei 1,22 beim Besatzkapital.
Die effizienteren 25 % der Betriebe erreichen jeweils Effizienzwerte von 1,16,
wobei die 25 % der ineffizienteren Betriebe mit 1,26 bei Betrachtung des
Besatzkapitals leicht effizienter sind als bei der Abschreibung. Der ineffizientes-
te Betrieb erreicht hier einen Effizienzwert von 1,45. Das Outputsteigerungspo-
tential beläuft sich somit auf 24 % oder auf absolut 463 € je ha. Beim Besatzka-
pital fällt es etwas geringer aus.
Weiterhin wurde die Variable Arbeit für den Personalaufwand sowie den AK-
Besatz untersucht. Beide Werte sollen die Variable Arbeit aufgrund der zu
Grunde gelegten Daten identisch wiederspiegeln. In Tabelle 6 sind die ermittel-
ten technischen Effizienzwerte aufgezeigt.
Tabelle 6: technische Effizienz für Personalaufwand und AK-Besatz
CRS VRS Outputsteigerungs-
potenzial
Mittel-
wert
Mittel-
wert
Quartil
25% Median
Quartil
75% in % in €/ha
Personal-
aufwand 1,33 1,24 1,32 1,24 1,13 24% 463
AK-
Besatz 1,32 1,23 1,31 1,21 1,13 23% 418
Quelle: eigene Berechnung
Die Werte ähneln sich insgesamt sehr. Der Mittelwert der technischen Effizienz
liegt demnach beim Datensatz Personalaufwand um 0,01 Punkte über dem des
AK-Besatzes. Lediglich der Median unterscheidet sich um 0,03 Punkte. Daraus
ergibt sich unter Einbeziehung des Datensatzes AK-Besatz ein absolutes
Outputsteigerungspotential von 418 € je ha.
60
Der Effizienzunterschied bei Betrachtung der Bodeneigentumsverhältnisse geht
aus Tabelle 7 hervor. Im Mittel liegt die technische Effizienz bei Betrachtung des
Eigenlandanteils 0,02 Punkte über der des Pachtanteils von 1,21. Die 25 % der
effizienteren Betriebe weisen Effizienzwerte von 1,14 (1,13) auf. Die ineffizien-
testen Betriebe haben bei Betrachtung des Eigenlandanteils Effizienzwerte in
Höhe von 1,43 bzw. 1,46 beim Pachtland. Insgesamt ergibt sich ein absolutes
Outputsteigerungspotential von 418 €/ha bzw. 381 €/ha.
Tabelle 7: technische Effizienz für Eigentum- und Pachtanteil
CRS VRS Outputsteigerungs-
potenzial
Mittel-
wert
Mittel-
wert
Quartil
25% Median
Quartil
75% in % in €/ha
Eigenland-
anteil 1,30 1,23 1,35 1,17 1,14 23% 418
Pacht-
anteil 1,35 1,21 1,39 1,23 1,13 21% 381
eigene Darstellung
Die ausgewiesenen Ergebnisse ähneln sich insgesamt relativ stark. Die Frontier
wird in fast allen Betrachtungen durch lediglich eine DMU gebildet. Grund dafür
ist einerseits der geringe Stichprobenumfang von 16 Betrieben. Anderseits wird
durch die Anwendung der Window DEA Analysis die Auswahl effizienter
Betriebe sehr stark reduziert, da Mittelwerte der einzelnen Jahre gebildet
werden. Damit wird eine DMU nur dann als Frontierbetrieb ausgewiesen, wenn
sie in jeder Periode einen Effizienzwert von Eins erreicht. Damit wird die
Auswahl effizienter Betriebe sehr stark vorsortiert. Die Erweiterung der
Supereffizienz muss damit meist nicht zur Anwendung kommen.
61
4.1.2 Ermittlung der Slacks
Neben dem Wert der technischen Effizienz werden Slacks ausgewiesen. Diese
sollen im Folgenden quantifiziert werden. Slacks werden als das nicht-
proportionale Einsparpotential interpretiert. In Tabelle 8 sind die Slacks der
outputorientierten Betrachtungsweise unter Annahme variabler Skalenerträge
abgebildet. Als Grundlage wurde der Datensatz mit der landwirtschaftlichen
Nutzfläche, dem Personalaufwand sowie der Abschreibungen verwendet.
Werden die Einheiten individuell betrachtet, ergeben sich sehr unterschiedliche
Werte, sodass nur tendenzielle Angaben gemacht werden können. Bei Betrach-
tung der anderen Datensätze ergeben sich im Durchschnitt ähnliche Werte. Die
absoluten Werte sind in ha bzw. Euro angegeben.
Tabelle 8: Outputslacks
Slacks {S} Boden {S} Arbeit {S} Aufwand {S} Abschrei-
bungen
Slacks (%) 7,6 11,9 3,1 12,4
Mittel-
wert 118 ha 50.936 € 39.716 € 29.860 €
Spann-
weite 566 ha 233.730 € 227.150 € 124.717 €
Quelle: eigene Berechnung
Die ineffizienten Betriebe sollten im Mittel knapp 8 % ihrer landwirtschaftlichen
Flächen aus der Produktion nehmen. Dies entspricht bei einer durchschnittli-
chen Flächengröße von 1555 ha einer Produktionsrücknahme von 118 ha. Das
Einsparpotential bei der Arbeit beläuft sich auf 12 %. Die Summe der höchsten
Einsparung beläuft sich auf 233.730 €. Bei den Aufwendungen können im Mittel
der Betriebe 3 % der Kosten eingespart werden. Dies entspricht absolut einem
Wert von 40 T€. Durch die Unterschiede hinsichtlich der Betriebsgröße liegt die
62
Spannweite beim Aufwand bei rund 227.150 €. Die Werte reichen dabei von
keiner erforderlichen Ersparung bis zum genannten Wert von 227.150 €.
Zusätzlich können Unterschiede zwischen den 25 % effizientesten und 25 %
ineffizientesten Betrieben ermittelt werden. Hierbei ist es sinnvoll das gesamt
Sample, also alle 48 untersuchten Einheiten zu betrachten, da die 25 %
effizientesten Betriebe nicht gleichzeitig alle einen Effizienzwert von Eins
besitzen. Bei den 25 % effizienteren Betriebe werden im Schnitt keine Slacks
ausgewiesen. Tabelle 9 zeigt, dass die nicht-proportionalen Einsparpotentiale
der effizienten und ineffizienteren Betriebe z.T. weit auseinander liegen. Dies
wird besonders an den Abschreibungen deutlich. Die 25 % ineffizienten
Einheiten könnten bis zu 19 % Abschreibungen einsparen. Beim Personalauf-
wand liegt das Einsparpotential bei den 25 % ineffizienteren Betrieben bei 8 %
und beim Aufwand bei 5 %. Insgesamt lassen sich in Tabelle 9 beim Vergleich
zwischen den beiden Gruppen große Unterschiede hinsichtlich der Slacks und
auch des Ressourceneinsparpotentials ermitteln.
Tabelle 9: Slacks der Effizientesten und Ineffizientesten Betriebe
Slacks {S} Boden {S} Arbeit {S} Aufwand {S} Abschrei-
bungen
25 %
Effizienteste
(%)
0 0 0 0
25 %
Ineffizienteste
(%)
8 8 5 19
Quelle: eigene Berechnung
Aus der Betrachtung der Slacks wird deutlich, dass sich teilweise erhebliche
Unterschiede hinsichtlich der Einsparpotentiale zwischen den einzelnen
Betrieben befinden. Diese hohen Spannweiten kommen teilweise durch die
erheblichen Unterschiede in den Betriebsgrößen zu Stande. Damit einhergend
63
unterscheidet sich die benötigte Menge an Produktionsfaktoren, was in Tabelle
8 z.B. am Faktor Boden oder der Arbeit deutlich wird.
64
4.1.3 Benchmarks
Die Analyse mit dem BCC-Modell mit variablen Skalenerträgen in der outputo-
rientierten Betrachtungsweise gibt Auskunft über die effizienten Unternehmen.
Außerdem werden den ineffizienten Unternehmen effiziente Referenzeinheiten
zugeordnet. Diese werden auch als Peers oder Peer-Gruppe bezeichnet und
werden in dem jeweiligen Datensatz effizient bestimmt. Diese Peers bilden
dann die Frontier. Wie häufig jede einzelne DMU als Benchmark genannt wurde
ist in Tabelle 10 abzulesen. In dieser Analyse wurden jedoch der komplette
Datensatz der Window Analysis verwendet, da es ansonsten nur ein Unterneh-
men gibt, das als Referenzunternehmen für alle Anderen in Frage kommt.
Folglich werden aus dem Set der untersuchten 48 Einheiten die effizienten
Einheiten herausgesucht. Aus diesen 48 effizienten Einheiten werden 36 (75 %)
als ineffizient ausgewiesen. Von den 12 (25 %) ausgewiesenen effizienten
Einheiten wird eine Einheit nicht als Referenzbetrieb (Peer) genannt, sodass 11
Unternehmen die Effizienzfrontier bilden. Diese treten in einer Häufigkeit von 1
bis 32 als Referenz DMU auf. Wird eine Einheit als Peer benannt lässt dies je
nach Häufigkeit der Nennung auf die Ausgewogenheit eines bestimmten
Produktionsverhaltens im betrachteten Datensatz schließen (Lissitsa, 2003).
65
Tabelle 10: Häufigkeit der Nennung als Benchmark
Anzahl der untersuchten
Einheiten: 48
Anzahl der effizienten
Einheiten: 12
Häufigkeit der Nennung
als Benchmark
effiziente
Einheit
Nennung als
Benchmark
47 32
29 15
30 12
28 10
38 8
26 6
35 6
21 6
22 3
46 3
45 1
6 0
Quelle: eigene Darstellung
Die effiziente Einheit 47 wird für 32 der 48 Einheiten als Referenz DMU
benannt. Dies entspricht einem Anteil von 67 %. Mit relativ weitem Abstand
wird die Einheit 29 für 15 (31 %) der untersuchten Einheiten als Peer benannt.
Die Referenzeinheiten mit einer geringeren Anzahl an Nennungen scheinen
zwar nicht für die Repräsentativität eines Produktionsverhaltens zu sprechen,
dafür aber für einzelne Gruppen mit ähnlichem Produktionsverfahren. In dieser
Analyse wären das die Einheiten 38, 26, 35, und 21 mit jeweils 8 bzw. 6
Nennungen (Lissitsa, 2003)
66
4.1.4 Aggregationsgewichte
Im Zuge der Effizienzermittlung mittels DEA lassen sich Aggregationsgewichte
ermitteln. Diese spiegeln die relative Stärke der jeweiligen Inputvariablen wider
und ermöglichen damit eine Bewertung der eingesetzten Produktionsfaktoren.
Hohe Werte in den Gewichten deuten auf einen großen Einfluss des jeweiligen
Produktionsfaktors auf die Effizienz hin. Die Aggregationsgewichte für die in
dieser Analyse verwendeten Inputs werden in Tabelle 11 im Durchschnitt aller
Einheiten sowie für die 25 % effizientesten und 25 % ineffizientesten Einheiten
dargestellt.
Tabelle 11: Durchschnittliche Aggregationsgewichte
Durchschnitt 25 % effizien-
teste Einheiten 25 % ineffizien-teste Einheiten
Boden 2% 2% 3%
Arbeit 9% 15% 3%
Aufwand 6% 8% 7%
Abschreibungen 18% 40% 11%
Quelle: eigene Berechnung
Die relative Stärke des Inputs Arbeit liegt beispielsweise im Durchschnitt aller
Einheiten bei 9 %. Für die 25 % effizienteren Einheiten ist der Wert mit 15 %
etwas höher, wohingegen die Arbeit für die 25 % ineffizienteren Einheiten ein
weniger großes Gewicht hat. Beim Aufwand ergibt sich für die 25 % effiziente-
ren Einheiten im Schnitt mit ebenfalls 8 % eine mittlere Auswirkung. Im Mittel
aller Einheiten ist der Aufwand mit 6 % etwas geringer gewichtet. Auffallend ist
in Tabelle 11 der hohe Wert des Faktors Abschreibungen ebenfalls bei den 25 %
effizienteren Einheiten mit 40 %. Dieser Wert kommt durch Einheiten zustande,
die einen so hohen Anteil in den Abschreibungen haben. Das deutet darauf hin,
dass der Betrieb in den letzten Jahren hohe Investitionen getätigt hat. Konkret
handelt es sich dabei um eine Einheit. Da der Wert der Abschreibung über alle
67
drei betrachteten Jahre ähnlich hoch ausfällt kann in diesem Zusammenhang
ein Ausreißer ausgeschlossen werden.
68
4.2 Darstellung der Ergebnisse der SAC Analyse
An dieser Stelle sollen die Ergebnisse der SAC-Analyse dargestellt werden. Wie
bereits in Kapitel 3.3 erwähnt gibt die Analyse unterschiedliche Kennzahlen für
das Rating der analysierten Betriebe aus. Die Kennzahlen werden wiederum aus
weiteren für die Unternehmensführung bedeutenden Kennzahlen gewonnen.
Die Wichtung der einzelnen Kennzahl erfolgt anhand eines definierten Zielwer-
tes. Die Summe der erreichten Werte in den Einzelergebnissen ergibt ein
Gesamtergebnis. Dieses wird ebenfalls anhand einer Punktzahl eingestuft. In
den nachfolgenden Tabellen werden die Ergebnisse der ausgewählten Betriebe
als Gesamtergebnis der SAC-Unternehmensanalyse sowie in den einzelnen
Teilergebnissen dargestellt. Im nächsten Kapitel erfolgt ein Vergleich mit dem
Ranking der DEA.
Zunächst wird die Darstellung der Ergebnisse der SAC-Analyse so gewählt wie
sie für gewöhnlich dargestellt werden. D.h. der Betrieb mit der höchsten
Punktzahl ist im Ranking weit vorne bzw. ist der am besten wirtschaftende
Betrieb. Im Gesamtergebnis können maximal 100 Punkte erreicht werden.
Allerdings korrespondiert dieser Wert bzw. Rangfolge nicht mit den Ergebnissen
der DEA, da das effizienteste Unternehmen in der outputorientierten Betrach-
tungsweise einen Effizienzwert von Eins aufweist. Dieser Umstand hat zur Folge
das die jeweiligen Rankings aufeinander angepasst werden müssen um einen
konkreten Vergleich anstellen zu können. Aus diesem Grund wird beim
Vergleich der Kehrwert der Ergebnisse der SAC-Analyse gebildet, um auch hier
das am besten wirtschaftende Unternehmen mit dem kleinsten Wert (Eins)
vorzufinden. Nur so kann ein durchgehender Vergleich gewährleistet werden.
Dieser Umstand könnte für den Berater ungewöhnlich sein, da er sich an die
Reihenfolge seines Rankings sowie die Art und Weise der Punktevergabe
gewöhnt hat. Anders herum könnten auch die Ergebnisse der DEA auf diese Art
und Weise angepasst werden. Allerdings wird sich die Interpretation der
Ergebnisse besonders aufgrund der outputorientierten Betrachtungsweise als
teilweise sehr schwierig gestalten. Aus diesem Grund wird die erläuterte
Vorgehensweise gewählt.
69
Im Folgenden werden die Ergebnisse der SAC-Analyse allerdings in der gewöhn-
lichen Form präsentiert. Weiterhin werden die Betriebe zur besseren Übersicht-
lichkeit in durchnummerierten alphabetischen Buchstaben gekennzeichnet.
Dadurch, dass eine Auswahl der Betriebe des Beratungsunternehmens getrof-
fen wird, und die Betriebskennung mittels der normalen Nummern lückig ist,
wird diese Darstellung gewählt. Zudem ist dies für den Leser besser nachvoll-
ziehbar.
In der Tabelle 12 sind die Erfolgskennzahlen der SAC-Unternehmensanalyse
2009 im Mittel der letzten drei Jahre und das Gesamtergebnis der untersuchten
Betriebe dargestellt. Dabei werden den Betrieben ihren entsprechend erreich-
ten Punktzahlen gegenüber gestellt. In der ersten Spalte befinden sich die
Betriebsnummern. Daneben folgen die Erfolgskennzahlen der Rentabilität,
Liquidität und der Stabilität welche sich aus den in Tabelle 3 genannten
Kennzahlen ergeben. Aus den Punktzahlen wird die Gesamtpunktzahl gebildet.
Außerdem werden in der oberen Zeile die erreichbaren Punktzahlen für die
jeweilige Erfolgskennzahl ausgewiesen. Diese können nicht überschritten
werden. Unternehmen 1 weist beispielsweise eine Gesamtpunktzahl von 92
Punkten auf. Diese resultieren aus den 28 Punkten der Rentabilität, den 34
Punkten der Liquidität sowie den 30 Punkten der Kennzahl der Stabilität (vgl.
Tabelle 12).
70
Tabelle 12: Punktzahlen der SAC-Unternehmensanalyse
Rentabilität Liquidität Stabilität Gesamt-Punkte
Betrieb 35 35 30 100
1 28 34 30 92
3 31 25 29 85
8 26 23 24 73
10 29 33 29 91
15 33 16 12 60
16 35 26 18 79
21 27 14 15 56
24 35 35 30 100
26 24 17 21 62
30 35 35 30 100
36 20 16 23 59
44 20 17 25 61
49 29 10 7 46
53 35 29 26 91
67 35 33 30 98
74 27 31 29 88 Quelle: SCHULDT AGRO CONCEPT (2013)
Durch die gezielte Punktevergabe des Einzelbetriebes können Abstände
zwischen den einzelnen Betrieben ermittelt werden. Diese geben Aufschluss
darüber, wie viel Verbesserungspotential ein Unternehmen hat. Unternehmen
1 ist in der Rentabilität beispielsweise drei Punkte schlechter als Unternehmen
3. Damit lässt sich eine relative Aussage treffen, um wieviel sich Unternehmen
1 verbessern müsste, um in der Rentabilität gleich auf mit dem nächst besseren
Unternehmen zu sein. So sollte Unternehmen 1 seinen Gewinn erhöhen oder
das eingesetzte Kapital (FK + EK) verringern, um seine Rentabilität zu erhöhen.
Eine absolute Zahl zu ermitteln, um wie viel ein Unternehmen sich in einem
Wert verbessern müsste, scheint dabei aufgrund der Komplexität der einzelnen
Erfolgskennzahl als sehr schwierig. So kann man nicht sagen wie hoch der
Gewinn von Unternehmen 1 steigen muss um die Liquiditätskennzahl von
Unternehmen 3 zu erreichen. Dennoch lassen sich mit Hilfe der Beratung in
71
Zusammenhang mit der Auswertung der Kennzahlen stichhaltige Aussagen
treffen. Dasselbe gilt für die Kennzahlen der Liquidität und der Stabilität.
Weiterhin können durch die Auswahl der unterschiedlichen Kennzahlen Stärken
und Schwächen der Betriebe ausgemacht werden. Vergleicht man die Betriebe
16 und 44 miteinander kann man schnell feststellen, dass Unternehmen 16 im
Verhältnis liquide Mittel vorweisen kann, diese jedoch bei einem Eintreten
unvorhersehbarer Ereignisse nicht verfügbar sind (18 Punkte bei Stabilität).
Unternehmen 44 hat hingegen eine höhere Stabilitätskennzahl, weist jedoch
eine Schwäche in der Liquidität auf und besitzt somit mögliche Defizite bei der
Befriedigung von Zahlungsverpflichtungen. Unternehmen 16 wirtschaftet
außerdem rentabler als Unternehmen 44. Werden nun die Einzelkennzahlen
ermittelt können zusätzliche Unterschiede benannt werden. Hierauf soll aber
nicht weiter eingegangen werden.
72
4.3 Vergleich zwischen DEA und SAC-Analyse
Die Methodik der DEA entscheidet sich grundlegend von der Methode der SAC-
Analyse. Während die DEA technische Effizienzen ermittelt und konkrete
Verbesserungspotentiale für einzelne Betriebe ausgibt, untersucht die SAC-
Analyse die wirtschaftlichen Kennzahlen der Unternehmen. Dazu werden die
Erfolgskennzahlen der Rentabilität, Liquidität und Stabilität zu einer Gesamt-
Kennzahl zusammengefasst in der 100 Punkte erreicht werden können. Der
Fokus liegt dabei zunächst auf einer Bewertung des Einzelbetriebes aus den
Kennzahlen der Jahresabschlüsse. Die Ergebnisse werden aus einem umfangrei-
chen Vergleich der Einzelkennzahlen gewonnen. Erst danach werden diese mit
anderen Betrieben verglichen. Die SAC-Analyse kann damit ein Gesamtranking
aller in der Beratung betrachteten Betriebe liefern, Stärken und Schwächen
sowie Verbesserungspotentiale der Einzelbetriebe aufzeigen. Sie gibt allerdings
keine absoluten Empfehlungen wieder. Vorteilhaft ist, dass unterschiedliche
Zeiträume analysiert werden können. Zusätzlich kann der Fortschritt eines
Betriebes ermittelt werden, unabhängig davon, wie viele Perioden berücksich-
tigt werden oder wie viele Betriebe an der Untersuchung teilnehmen.
Die DEA ermittelt technische Effizienzen aus einer Technologiemenge, in der
das Sample eine möglichst homogene Struktur aufweisen soll. Die Effizienz
eines Betriebes wird im Verhältnis aller Betriebe ermittelt und ergibt sich damit
aus der zu Grunde liegenden Vergleichsgruppe. Damit geht einher, dass eine
Mindestanzahl von Betrieben für die Analyse erforderlich ist, da ansonsten die
Menge an Freiheitsgeraden zu gering ist.
Um beide Analysen vergleichen zu können ist in Tabelle 13 ein Ranking der DEA
mit den Gesamt-Punkten der SAC-Analyse erstellt. Auf der linken Seite befinden
sich die Ergebnisse der DEA mit den gerankten DMUs und den entsprechend
ermittelten Effizienzwerten auf der rechten Seite. Synonym ist es für die SAC
Analyse dargestellt. Der oberste Betrieb gibt jeweils die Erstplatzierung an, der
Unterste demnach den letzten Rang.
73
Tabelle 13: Ranking-Vergleich der DEA mit der SAC-Analyse
Gesamt-Punkte
DEA SAC
DMU 16 1,000 DMU 30 0,999
DMU 30 1,094 DMU 24 1,000
DMU 53 1,132 DMU 67 1,017
DMU 15 1,149 DMU 1 1,087
DMU 67 1,161 DMU 10 1,099
DMU 49 1,163 DMU 53 1,103
DMU 24 1,198 DMU 74 1,136
DMU 8 1,249 DMU 3 1,176
DMU 26 1,251 DMU 16 1,271
DMU 3 1,267 DMU 8 1,370
DMU 74 1,273 DMU 26 1,604
DMU 1 1,288 DMU 44 1,633
DMU 36 1,355 DMU 15 1,657
DMU 10 1,358 DMU 36 1,705
DMU 21 1,442 DMU 21 1,786
DMU 44 1,448 DMU 49 2,158 Quelle: eigene Darstellung
Im Mittel weisen die jeweils oberen Betriebe eine ähnliche Betriebsstruktur auf.
Im Ranking der DEA befinden sich im oberen Quartil zwei Marktfrucht- sowie
zwei Gemischtbetriebe welche im Mittel eine landwirtschaftliche Nutzfläche
von 1000 ha bewirtschaften. Das untere Quartil setzt sich aus einem Gemischt-
betrieb und drei Marktfruchtbetrieben zusammen welche im Durchschnitt eine
Fläche von 1500 ha bewirtschaften. Eine ähnliche Struktur zeigt die SAC-
Analyse. Der Anteil der Betriebsformen ist in beiden Bereichen gleich. Im Mittel
bewirtschaften die besseren Betriebe eine landwirtschaftliche Nutzfläche von
1300 ha und die schlechteren 1700 ha. Damit zeigen sich gewisse Abweichun-
gen. Eine ähnliche Struktur ist allerdings erkennbar. Die grau hinterlegten
Felder in Tabelle 13 zeigen Betriebe, die sich im jeweils anderem Ranking an
ähnlicher Position befinden.
Aufgrund des geringen Datensatzes und der damit unsicheren Aussagefähigkeit
soll an dieser Stelle auf weitere Einzelheiten eines derartigen Vergleichs
74
verzichtet werden. Die Auswertung der Rankings für die anderen Erfolgskenn-
zahlen für Rentabilität, Liquidität und Stabilität befinden sich im Anhang 4. Das
Ranking der DEA ist jeweils gleich, jedoch sind die Ergebnisse des SAC-Rankings
der jeweiligen Kennzahl angepasst. Dort lassen sich ähnliche Aussagen wie die
oben genannten feststellen.
Eine Übersicht des Zusammenhangs der beiden Analysen befindet sich in
Tabelle 14. Dort sind die Korrelationskoeffizienten nach Pearson des Rankings
der DEA mit dem Ranking der jeweiligen Kennzahl der SAC-Analyse gegenüber-
gestellt. Dies gilt für CRS sowie für VRS. Wie bisher in dieser Arbeit werden die
Aussagen auf variable Skalenerträge begrenzt.
Tabelle 14: Korrelationen zwischen SAC-Analyse und DEA
SAC
DEA Rentabilität Liquidität Stabilität Gesamt-
Punkte
CRS 0,921 0,893 0,792 0,918
p-Wert 0,0000004 0,0000031 0,0002539 0,0000005
VRS 0,930 0,896 0,788 0,921
p-Wert 0,0000002 0,0000026 0,0002852 0,0000004
Quelle: eigene Berechungen
Insgesamt zeigen sich in der Auswertung relativ hohe Korrelationswerte von
0,789 bis 0,93. Dies zeigt, dass statistisch gesehen ein relativ hoher linearer
Zusammenhang zwischen den Rankings der beiden Analysen herrscht. Außer-
dem sind die Signifikanzen der jeweiligen Korrelation dargestellt. Alle Werte
befinden sich im Bereich unter 0,05. Damit besteht der ein signifikanter
Zusammenhang zwischen den beiden Analysen. Die Ergebnisse kommen somit
nicht zufällig zustande.
75
Die dargestellten Korrelationen sind aber durchaus als kritisch zu sehen. Es fällt
auf, dass die Werte der Rentabilität über den Korrelationswerten der Gesamt-
Punkte liegen. Die Kennzahlen welche in die DEA und in die Berechnung der
Rentabilität einfließen sind jedoch durchaus unterschiedlich. Inwiefern es sich
an dieser Stelle um Korrelation handelt muss demnach kritisch beurteilt
werden. Die Werte der beiden anderen Kennzahlen liegen unter den Gesamt-
Punkten, sodass sich ein eventuell auftretender Effekt aufhebt. Damit sei
kritisch hinterfragt, inwiefern es sich an dieser Stelle um Korrelation und nicht
viel mehr um ein Ursache-Wirkungs-Prinzip also Kausalität handelt. Eine genaue
Schlussfolgerung kann an dieser Stelle nicht gegeben werden, da der unter-
suchte Datensatz dafür nicht ausreichend erscheint.
76
4.4 Einfluss der DEA auf die Beratungsempfehlung
Die Ergebnisse der DEA ähneln z.T. denen der konventionellen Beratung.
Gleichzeitig gibt sie jedoch neue Informationen, die so bisher nicht vorhanden
sind. Dies betrifft insbesondere der Ermittlung von relativen Stärken einzelner
Betriebe sowie der Möglichkeit, konkrete Benchmarks zu benennen, mit denen
sich ineffiziente Unternehmen vergleichen können.
Der Nutzen für die Beratung hängt wahrscheinlich vom Berater selbst ab. Dieser
hat ein eigenes Tool, welches nach entsprechender Anwendungsdauer auf die
eigenen Ansprüche sowie äußere Einflüsse der untersuchten Unternehmen wie
Betriebsstruktur, Unternehmereigenschaften oder Umwelteinflüsse wie
klimatische Verhältnisse angepasst wurde. Danach hängt es vom Berater selbst
ab, inwiefern er Platz für ein neues Beratungsinstrument schaffen kann und
auch möchte. Dennoch lassen sich aus den genannten Ergebnissen teilweise
gute Empfehlungen für die Beratung landwirtschaftlicher Betriebe ableiten.
Zufällige Einflüsse sind aber ohne Kenntnis des Beraters nicht identifizierbar.
77
5 Chancen der DEA und Schwierigkeiten beim Einsatz als
Beratungsinstrument
In diesem Kapitel soll ausgehend von der durchgeführten Analyse geklärt
werden, welche Chancen die DEA als Beratungsinstrument hat und welche
Schwierigkeiten den Einsatz beschränken können. Dazu sollen besonders
praktische Empfehlungen getroffen werden, welche Aussagen die Beratung
unterstützen oder an welcher Stelle die DEA an ihre Grenzen stößt.
5.1 Chancen der DEA als Analyseinstrument in der landwirt-
schaftlichen Beratung
Generell lässt sich sagen, dass die DEA gute Zusatzinformationen hinsichtlich
der Beratungsempfehlung geben kann. Die ausgewiesenen Benchmarks dienen
dazu ineffizienten Unternehmen andere technisch effiziente Unternehmen zu
zeigen mit denen sie sich vergleichen können um ihre Effizienz zu erhöhen. Dies
ist ein interessantes Argument, stellt jedoch große Anforderungen an den
einfließenden Datensatz. Somit ist es von hoher Bedeutung, Ausreißer in der
Analyse zu vermeiden. Dies erfordert eine genaue Überprüfung der erhaltenen
Ergebnisse und die Abstimmung durch den Berater um eventuelle Fehleinschät-
zungen zu vermeiden. Werden diese Fehlerquellen durch eine externe Variable
berücksichtigt wie es auch bei den stochastischen Modellen angewendet wird,
stellt sich dieser Aspekt als durchaus gute zusätzliche Beratungsempfehlung
dar.
Die ermittelten Aggregationsgewichte können interessante Aussagen über die
relativen Stärken der Produktionsfaktoren der Unternehmen geben. Dieser
Aspekt wird in der Art und Weise in der konventionellen Beratung nicht mit
ausgewiesen und bildet damit grundlegendes Potential. In der SAC Unterneh-
mensanalyse wird dieser Tatsache mit Hilfe des unterschiedlichen Ratings der
einzelnen Erfolgskennzahlen Rechnung getragen. Eine direkte Identifizierung
zwischen den unterschiedlichen Aussagen der Erfolgskennzahlen der SAC-
78
Analyse mit den Aggregationsgewichten der DEA erfolgt nicht, sodass diese
durchaus in die Beratung mit einfließen können. So können konkrete Aussagen
über die relativen Stärken der in der Analyse einfließenden Inputs gemacht
werden. Diese Aussagen sollten jedoch in einer weiteren Analyse zur Überein-
stimmung im Unternehmen überprüft werden, um Fehleinschätzungen zu
vermeiden.
Eine weitere Möglichkeit bietet die Ermittlung der Entwicklung des Unterneh-
mens. Um den technischen Fortschnitt im Zeitablauf bzw. die Veränderung der
Produktivität durch eine individuelle Leistungsanpassung der Produktionsfakto-
ren mit Hilfe des Malmquist-Index zu berechnen, ist der in dieser Arbeit
verwendete Datensatz nicht umfangreich genug. Da die konventionelle
Beratung jedoch auch die innerbetriebliche Entwicklung des Einzelbetriebes in
einem gewissen Zeitraum darstellt, bieten sich hier durchaus gute Vergleichs-
möglichkeiten der Entwicklung eines Betriebes. Gleichzeitig können weitere
Schwerpunkte der DEA ausfindig gemacht und definiert werden, und dadurch
eine zusätzliche Beratungsempfehlung stattfinden.
Die Aussagen sind in einer Tabelle 16 noch einmal übersichtlich dargestellt.
79
5.2 Schwierigkeiten beim Einsatz der DEA in der landwirtschaft-
lichen Beratung
Grundgerüst der DEA ist der vorhandene Datensatz. Um eine Berechnung der
technischen Effizienz durchführen zu können, muss eine ausreichend große
Menge an Betrieben vorhanden sein, damit eine Mindestanzahl an Freiheitsge-
raden in der Untersuchung gewährleistet wird. Zusätzlich muss die Technolo-
giemenge möglichst homogen gewählt werden um aussagekräftige Ergebnisse
zu erzielen. Dies erfordert vom Beratungsunternehmen eine höhere Anzahl an
Betrieben im Datenpool, die zusätzlich über eine ähnliche Produktionsstruktur
verfügen. Für die Durchführung der Effizienzanalyse mittels DEA bildet dies die
Grundlage. Da die Anzahl großer Beratungsunternehmen mit dem Schwerpunkt
Landwirtschaft in Deutschland begrenzt ist, muss sich in diesem Bereich gezielt
nach Unternehmen mit einem großen Datenpool umgeschaut werden.
Allerdings sind darüber hinaus auch andere Bereiche wie Banken, Versicherun-
gen oder Steuerberatungsgesellschaften an der Effizienz landwirtschaftlicher
Betriebe interessiert. Besonders Erstgenannte können durch die zusätzlichen
Informationen, weitere wichtige Kenntnisse über die Performance eines
landwirtschaftlichen Betriebes erhalten und die Aussagen für die Kreditvergabe
nutzen. Aber auch hier hat der Bankensektor seine eigenen Instrumente
vorliegen, gegen die sich die DEA zunächst behaupten müsste.
Wie diese Analyse haben auch andere bisher stattgefundene Untersuchungen
gezeigt, dass die DEA interessante Zusatzinformationen liefert welche die
Ergebnisse des Beratungsunternehmens zusätzlich bereichern können, diese
jedoch lediglich als Zusatzinformationen zu verwenden sind. Für die Verwen-
dung als eigenständiges Beratungsinstrument sind die bisher bekannten
Informationen allerdings nicht ausreichend.
Das in Abbildung 8 dargestellte Venn-Diagramm zeigt im Grundriss die Position
der DEA in Beziehung zur SAC-Analyse. Dort ist die SAC- Analyse als linker und
die DEA als rechter Kreis dargestellt. Als reines Beratungsinstrument deckt die
SAC-Analyse einen größeren Bereich ab und bietet hierfür umfangreiche
80
Informationen. Einen Teil dieser Informationen gibt die DEA auch wieder (sich
schneidender Bereich) sowie einen anderen Bereich der in die Unternehmens-
beratung noch nicht einfließen kann.
Abbildung 8: Übersicht zwischen DEA und SAC-Analyse
Es bleibt somit bei einem Zusatznutzen, welcher die Arbeit des Beraters vorerst
nicht begrenzen. Zusätzlich muss er sich mit einem neuen Beratungsinstrument
vertraut machen, welches eine gewisse Einarbeitungszeit erfordert. Die DEA ist
dabei als sehr komplexes Instrument zu sehen, das weitere Softwarelösungen
benötigt um es dem Anwender möglichst transparent zu machen.
In der nachfolgenden Tabelle 15 befindet sich eine Übersicht der Aussagen zu
den Chancen und Schwierigkeiten beim Einsatz der DEA. Zusätzlich werden Vor-
und Nachteile der SAC-Analyse aufgeführt.
Quelle: eigene Darstellung
81
Tabelle 15: Übersicht über die Vor- und Nachteile der DEA und SAC-Analyse
DEA SAC
Vorteile • gibt z.T. gute Zusatz-
informationen
• neuer Beratungsnutzen
• komplexes Instrument zur
Analyse und Betreuung land-
wirtschaftlicher Unternehmen
• unterschiedliche Schwerpunkte,
gute Anpassungsfähigkeit
Nachteile • als selbständiges Beratungs-
instrument nicht tragfähig
• schwieriges Hintergrund-
system (Modelle, Software)
• Interpretation der Daten
erfordert Einarbeitung
• viele Besonderheiten zu
beachten
• Datenpflege! = Notwendigkeit
• an manchen Stellen etwas
diffizil (Excel-tool)
Quelle: eigene Darstellung
82
6 Zusammenfassung und Ausblick
Zunehmende Einflüsse im landwirtschaftlichen Sektor wie die GAP, Preiskämpfe
um Lebensmittel auf den Weltmärkten und zunehmende Ansprüche der
Verbraucher an die Grundnahrungsmittel lassen spürbare Wirkungen auf die
landwirtschaftliche Produktion nicht aus. Der Landwirt ist nicht mehr nur
Urproduzent landwirtschaftlicher Rohstoffe auf einem regionalen Markt tätig
sondern agiert als Unternehmer auf den weltweiten Rohstoffmärkten. Die
vorhandenen Möglichkeiten scheinen dabei genauso vielfältig wie die Risiken
falsche Entscheidungen für die nachhaltige Stabilität des eigenen Landwirt-
schaftsunternehmens zu treffen. Dies erfordert eine intensive Auseinanderset-
zung mit den Möglichkeiten und damit einhergehenden Risiken. Der Landwirt
ist aufgrund der Vielfalt eingehender Prozesse auf zusätzliche Hilfe angewiesen
um diesen Herausforderungen gerecht zu werden. Seine persönlichen Partner
sowie die landwirtschaftliche Unternehmensberatung stehen ihm dabei mit
hilfreichen Ideen zur Verfügung.
Die Beratung nutzt dabei ihre eigenen Instrumente um den Landwirten bei
ihren Herausforderungen so gut es geht zu unterstützen. Dazu liefern hilfreiche
Instrumente eine Übersicht um die Wirtschaftlichkeit landwirtschaftlicher
Unternehmen darzustellen. Bisherige Instrumente basieren dabei auf einem
vertikalen und horizontalen Betriebsvergleich in denen zunächst das Einzelun-
ternehmen analysiert und anschließend mit einer Gruppe aus Unternehmen
verglichen wird. Eine weitere Möglichkeit bietet die Anwendung von Frontier-
ansätzen bei denen die technische Effizienz untersucht wird. Um die Anwend-
barkeit dieser Ansätze in der Beratung zu untersuchen findet in dieser Mas-
terthesis ein Vergleich der Data Envelopment Analysis mit einem etablierten
Unternehmensanalyseverfahren der SAC-Analyse statt.
Dazu werden in Kapitel 2 die Grundlagen zur Produktivität und Effizienz
erläutert. Anschließend werden die unterschiedlichen Formen der Frontieran-
sätze benannt sowie deren Unterschiede dargelegt. Zu den nicht-parametrisch
deterministischen Ansätzen gehört auch die in dieser Arbeit verfolgte Methode
83
der Data Envelopment Analysis. Um die Grundüberlegungen der DEA darzustel-
len, werden diese definiert sowie die einzelnen Formen benannt. Dazu zählen
neben dem auf konstanten Skalenerträgen beruhenden CCR-Model auch das
BBC-Model welches variable Skalenerträge nutzt und in dieser Untersuchung
angewendet wird. Die Erweiterung der Supereffizienz wird ebenso wie die DEA
Window-Analysis erläutert.
In Kapitel 3 folgt die Vorstellung des Datensatzes. Dieser besteht aus einem
Sample mit 16 Betrieben eines unabhängigen Beratungsunternehmens bei Bad
Segeberg. Die 16 in Mecklenburg-Vorpommern ansässigen Unternehmen
werden über einen Zeitraum von drei Jahren betrachtet. Die Grundlage des
Datensatzes bilden dazu die Jahresabschlüsse aus den Jahren 2006/07 bis
2008/09, sodass durch Anwendung der Window-Analysis insgesamt 48 Be-
obachtungen in die Analyse einfließen. Diese macht ein Deflationieren der
Preise erforderlich. Aus diesen 48 Beobachten werden die Mittelwerte der
Einzelbetriebe gebildet und diese anschließend in Kapitel 4 mit dem 3-
Jahresdurchschnitt der SAC-Analyse verglichen.
Die Methoden der DEA und der SAC-Analyse unterscheiden sich demnach
deutlich voneinander. Während der Fokus der DEA auf eine Berechnung der
technischen Effizienz aus einer Gruppe von Unternehmen liegt, werden bei der
SAC-Analyse zunächst der Einzelbetrieb hinsichtlich seiner betriebswirtschaftli-
chen Erfolgskennzahlen untersucht und anschließend wie auch in der DEA in
einem Ranking mit anderen Betrieben verglichen. Die SAC-Analyse untersucht
dazu vorrangig die betriebswirtschaftlichen Kennzahlen der Rentabilität,
Liquidität und Stabilität und fasst diese in einer Gesamtpunktzahl zusammen.
Dennoch ergeben sich bei einem direkten Vergleich auf Grundlage des Daten-
satzes ähnliche Ergebnisse, welche aus einem überzufälligen Zusammenhang
hervorgehen.
Die DEA weist dabei zusätzlich interessante Ergebnisse auf, welche als zusätzli-
cher Nutzen in die Beratung einfließen können. So werden Stärken und
Schwächen der Einzelbetriebe quantifiziert und Benchmarks identifiziert. Ob
dieser Zusatznutzen in die Beratung einfließen kann, hängt dabei im großen
84
Maße vom Berater ab. Dieser bestimmt letztendlich, welche Informationen er
für die Unternehmensberatung benötigt.
Als eigenständiges Instrument im Gebiet der Unternehmensberatung ist die
Data Envelopment Analysis dennoch nicht tragfähig. Sie gibt einen Teil der
Informationen wieder, welche auch in der SAC-Analyse ermittelt werden. Diese
sind jedoch nicht ausreichend, um den kompletten Produktionsprozess eines
Betriebes darzustellen.
Die in dieser Arbeit ermittelten Ergebnisse sollten in weiteren Analysen
bestätigt werden. Dazu bleiben viele offene Problemfelder. So bietet sich der
Einsatz der DEA vor allem bei größeren Datensätzen mit vielen Betrieben an.
Unterschiedliche regionale Strukturen, klimatische Verhältnisse und Betriebs-
formen erschweren die Anwendung und erfordern die Beachtung vieler
Besonderheiten. Eine einfache Softwarelösung erscheint aufgrund der Komple-
xität für die Praxis zunehmend als wünschenswert. Eine enge Zusammenarbeit
mit der Beratung bietet sich an dieser Stelle an.
Für einen künftigen Einsatz der DEA müssen weitere Arbeitsschritte unter-
nommen werden. Die Analyse der Effizienz bildet jedoch eine interessante
Möglichkeit, die konventionelle Beratung bei ihren Aufgaben zu unterstützen.
85
Literaturverzeichnis
Aigner, D./Lovell, C./Schmidt, P. (1977): Formulation and Estimation of
Stochastic Frontier Function. American Economic Review, Bd. 58
AMK. (05. November 2013): Agrarministerkonferenz. Internet:
https://www.agrarministerkonferenz.de/Presse.html. Abgerufen am 10.
November 2013
Andersen, P./Petersen, N. (1993): A Procedure for Ranking Efficient Units in
Data Envelopment Analysis. Odense: Management Science
Banker, R. D./Charnes, A./Cooper, W.W. (1984): Some Models for Estimating
Technical and Scale Efficiencies in Data Envelopment Analysis, in:
Management Science, Bd. 30
Battese, G. E./Coelli, T.J. (1993): A stochastic frontier production function
incorporating a Model for Technical Inefficiency Effects. Working papers
in econometrics and applied statistics
Burger, A. (2009): Effizienzanalyse auf Prozessebene. Benchmarking von
Transaktionen mit der Data Envelopment Analysis am Beispiel eines
bankbetrieblichen Prozesses., Logos Verlag Berlin, Frankfurt a. Main
BMELV. (April 2008): Buchführung der Testbetriebe: Ausführungsanweisung
zum BMELV-Jahresabschluss. Bonn. 2008
BMELV. (26. September 2013): Bundesministerium für Ernährung,
Landwirtschaft und Verbraucherschutz: Zukünftige
Rahmenbedingungen der Land-, Agrar-und Ernährungswirtschaft.
Internet: http://www.bmelv.de/SharedDocs/Reden/2013/09-26-KL-
175Jahre-Nordzucker.html. Abgerufen am 30. November 2013
Cantner, U./Krüger, J./Hanusch, H. (2006): Produktivitäts- und Effizienzanalyse:
Der nicht-parametrische Ansatz., Springer Verlag, Augsburg
Charnes, A./Cooper, W.W./Rhodes, E. (1978): Measuring the efficiency of
decision making units. European Journal of Operational Research
Charnes, A./Cooper, W.W./Lewin, A.Y./ Seiford, L.M. (1994): Data Envelopment
Analysis: Theory, Methodology, and Application. United States of
America, Norwell: Kluwer Academic Publishers
86
Coelli, T..J./Rao, D.S.P./O´Donnell, C.J./Battese, G.E. (2005): An Introduction to
Efficiency and Productivity Analysis. 2. Auflage, Springer Verlag, New
York
COOPER, W. W./Seiford, L.M./Tone, K. (2006): Introduction to Data
Envelopment Analysis and its Uses. Springer Verlag, New York
DBV. (2009): Situationsbericht 2009. Deutscher Bauernverband. Berlin
Destatis. (2013): Erzeugerpreisindizes landwirtschaftlicher Produkte.
Statistisches Bundesamt., Wiesbaden Internet:
https://wwwgenesis.destatis.de/genesis/online/data
Destatis: (2013): Preisindizes für landwirtschaftliche Betriebsmittel. Sta-
tistisches Bundesamt., Wiesbaden Internet:
https://wwwgenesis.destatis.de/genesis/online/data
DLG-Ausschuss. (1997): Wirtschaftsberatung und Rechnungswesen. Effiziente
Jahresabschlussanalyse. DLG-Verlag, Frankfurt a. Main
DLG-Ausschuss. (2006): Wirtschaftsberatung und Rechnungswesen, Effiziente
Jahresabschlussanalyse - Einheitliche Erfolgskennzahlen für
landwirtschaftliche Betriebe aller Rechtsformen: Bd. 194, 2. Auflage.
DLG-Verlags-GmbH, Frankfurt a. Main
Farrel, M. J. (1957): The measurement of productive efficiency. In: Journal of
the Royal Statistical Society. Series A., Vol. 120.
Francksen, T. (2007): Dissertation: Effizienzanalyse in der Landwirtschaft:
Innovative Ansätze und ihre Implementierung, Kiel: Christian-Albrechts-
Universität zu Kiel
Gubi, G. (2006): Dissertation: Analyse der erfolgs- und effizienzbestimmenden
Faktoren im ökologischen Landbau, Kiel: Christian-Albrechts-Universität
zu Kiel
v. Hugo, A. (2005): Masterthesis: Beurteilung der Effizienzanalyse als
Instrument der landwirtschaftlichen Beratung. Kiel: Christian Albrechts-
Universität zu Kiel
Kleine, A. (2002): DEA-Effizienz : entscheidungs- und produktionstheoretische
Grundlagen der Data Envelopment Analysis.: Deutscher
Universitätsverlag, Wiesbaden
Koopmans, T. C. (1951): An Analysis of Production as an Efficient Combination
of Activities. Cowles Comission for Research in Economics, New York
87
KTBL. (2009): Faustzahlen für die Landwirtschaft. Kuratorium für Technik und
Bauwesen in der Landwirtschaft. 14. Auflage, Darmstadt
Lissitsa, A. S. (2003): Russischer Agrarsektor im Aufschwung? Eine Analyse der
technischen Skaleneffizienz der Agrarunternehmen. Institut für
Agrarentwicklung in Mittel- und Osteuropa (IAMO)., S. Discussion Paper
No. 52., Halle (Saale)
Meussen, W. (1977): Efficiency Estimation from Cobb-Douglas Production
Functions with Composed Error International Economic Review
Moog, M. (2007). Technische Universität München. Internet:
http://www.fwl.wi.tum.de/fileadmin/Downloads/Master_Forst/Data_E
nvelopment_Analysis__DEA__28-04-09.pdf. Abgerufen im November
2013
Mußhoff, O. (2011): Modernes Agrarmanagement. Vahlen Verlag, München
Pjevčević, D. A. R. (November 2010): DEA Window Analysis for Measuring Port
Efficiencies in Serbia. Traffic Management Review, Belgrad, Serbien
Scheel, H. (2000): Effizienzmaße der Data Envelopment Analysis. Gabler Verlag,
Wiesbaden
Scheel, H. (August 2000): EMS: Efficiency Measurement System; User´s Manual
Scheel, H. (2000): Efficiency Measurement System (EMS). Version 1.3., Internet:
http://www.holger-scheel.de/ems/index.html., Abgerufen im August
2013., Dortmund, Universität Dortmund,
Schirrmacher, M. (Juni 2013): Landesamt für Umwelt, Landwirtschaft und
Geologie. Freistaat Sachsen. Abgerufen im Januar 2014, Sachsen
Schuldt, V. (2012): Handbuch SAC Unternehmensanalyse. SCHULDT-AGRO-
CONCEPT GmbH, Neuengörs
Töpfer, A. (2007): Betriebswirtschaftslehre Anwendungs- und
prozessorientierte Grundlagen. Springer Verlag, Heidelberg
Unger, R. (1986): Messung und Analyse der Totalen Faktorproduktivität für 28
Sektroen der Bundesrepublik Deutschland. 1960 bis 1981. Peter Lang
Verlag, Frankfurt am Main
Wettemann, P. (2012): Masterthesis: Eine ökonomische Analyse verschiedener
Verfahren zur Flurneuordnung - auf Basis einer Data Envelopment Ana
lysis, Kiel, Christian-Albrechts-Universität zu Kiel
88
Anhang
Anhang 1: SAC Unternehmensanalyse
89
90
91
Anhang 2: Rating Punkte der SAC –Analyse
92
Anhang 3: Ratingklassen Übersicht der Banken und SAC
93
Anhang 4: Vergleich der Rankings der DEA und der SAC-Analyse
Rentabilität
DEA SAC
DMU 16 1,000 DMU 30 1,000
DMU 30 1,094 DMU 24 1,000
DMU 53 1,132 DMU 67 1,000
DMU 15 1,149 DMU 53 1,000
DMU 67 1,161 DMU 16 1,010
DMU 49 1,163 DMU 15 1,071
DMU 24 1,198 DMU 3 1,141
DMU 8 1,249 DMU 49 1,207
DMU 26 1,251 DMU 10 1,221
DMU 3 1,267 DMU 1 1,250
DMU 74 1,273 DMU 74 1,280
DMU 1 1,288 DMU 21 1,296
DMU 36 1,355 DMU 8 1,346
DMU 10 1,358 DMU 26 1,438
DMU 21 1,442 DMU 36 1,780
DMU 44 1,448 DMU 44 1,795
Liquidität
DEA SAC
DMU 16 1,000 DMU 30 1,000
DMU 30 1,094 DMU 24 1,000
DMU 53 1,132 DMU 1 1,029
DMU 15 1,149 DMU 67 1,050
DMU 67 1,161 DMU 10 1,061
DMU 49 1,163 DMU 74 1,117
DMU 24 1,198 DMU 53 1,193
DMU 8 1,249 DMU 16 1,329
DMU 26 1,251 DMU 3 1,400
DMU 3 1,267 DMU 8 1,522
DMU 74 1,273 DMU 26 2,019
DMU 1 1,288 DMU 44 2,121
DMU 36 1,355 DMU 15 2,187
DMU 10 1,358 DMU 36 2,234
DMU 21 1,442 DMU 21 2,500
DMU 44 1,448 DMU 49 3,500
94
Stabilität
DEA SAC
DMU 16 1,000 DMU 30 1,000
DMU 30 1,094 DMU 24 1,000
DMU 53 1,132 DMU 1 1,000
DMU 15 1,149 DMU 67 1,000
DMU 67 1,161 DMU 10 1,023
DMU 49 1,163 DMU 74 1,023
DMU 24 1,198 DMU 3 1,023
DMU 8 1,249 DMU 53 1,139
DMU 26 1,251 DMU 44 1,188
DMU 3 1,267 DMU 8 1,250
DMU 74 1,273 DMU 36 1,286
DMU 1 1,288 DMU 26 1,452
DMU 36 1,355 DMU 16 1,698
DMU 10 1,358 DMU 21 2,000
DMU 21 1,442 DMU 15 2,571
DMU 44 1,448 DMU 49 4,091
95
Eidesstattliche Erklärung
Hiermit erkläre ich, dass ich die vorliegende Arbeit selbständig und ohne
fremde Hilfe angefertigt und keine anderen als die angegebenen Quellen und
Hilfsmittel verwendet habe. Die eingereichte schriftliche Fassung der Arbeit
entspricht der auf dem elektronischen Speichermedium.
Weiterhin versichere ich, dass diese Arbeit noch nicht als Abschlussarbeit an
anderer Stelle vorgelegen hat.
Kiel, den 10.02.2014
_________________________
Berthold Korth
