Een nieuwe methodologie voor het schatten van de kosten per student

1. Een nieuwe methodologie voor het schatten van de kosten per student Ben Jongbloed DAIR SEMINAR “Bouwen aan IR” Zeist, 6 en 7 November 2003

2. Recent CHEPS onderzoek voor OCW Jongbloed, Salerno & Kaiser, 2003 “Kosten per student: Methodologie, schattingen en een internationale vergelijking” Centrale onderzoeksvraag: Wat zijn de onderwijskosten per student per cluster van opleidingen in het WO en het HBO; hoe hebben de kosten zich ontwikkeld in de afgelopen jaren en in hoeverre verschillen de kosten tussen instellingen die onderling verschillen qua grootte en opleidingenaanbod?

3. Allereerst HO instellingen zijn multiproduct organisaties Dus: ‘shared resources’ problematiek ‘Kosten’ zijn: Euro’s die de instelling ervoor over heeft (en niet: Euro’s die nodig zijn) Kruissubsidies zijn ‘a way of life’ voor non-profits Prioriteitstelling per HO instelling verschilt: ga uit van waargenomen (‘revealed’) gedrag en niet van vooraf gekozen verdeelsleutels bij toerekenen van de uitgaven aan onderwijs resp. ‘niet-onderwijs’

4. Traditionele Methode Boekhoudkundige methode Is formula-based (cost accounting): noodzaak van a priori veronderstellingen (o.g.v. tijdsbesteding) t.a.v. verdeling van joint cost Aannames worden uniform toegepast op eenheden kosten/student = (directe onderwijskosten + deel van joint cost + deel van kosten kapitaal) ÷FTE studenten Meer/sterkere aannames nodig naarmate data minder gedesaggregeerd zijn of verslaggeving heterogener is

5. Meer sophisticated methoden Kostenfuncties C = G(Q1,Q2,…,Qm,P1,P2,…,Pn) (zie: de Groot et al, 1991; Goudriaan & Jongbloed, 1998) Is flexibel (multiple inputs & outputs) en levert schattingen voor marginale kosten, schaal en synergie Veronderstelt kostenminimaliserend gedrag A priori: keuze functionele vorm van kostenfunctie nodig Stochastic frontier cost functions kunnen weliswaar efficiëntie per instelling schatten maar vereisen veronderstellingen t.a.v. verdeling van (in-)efficiëntie

6. Data Envelopment Analysis (DEA) Lineair programmering benadering (o.a. Charnes et al, 1978 en Zhu, 2002) Is flexibele, veronderstellingsarme manier om ‘best practices’ te identificeren voor een set van ‘peer entities’ die multipele inputs omzetten in multipele outputs Is data-georiënteerd (spreadsheet-modellen) en vereist geen aannames over verband tussen inputs en outputs of verdeling van inefficiënties, maar…Keuze van variabelen en omvang steekproef is cruciaal! Kan zowel technische- als kostenefficiëntie identificeren - welke inputs worden over-/onderbenut? - treden schaaleffecten op?

7. Data envelopment analysis Focus is op de grens (frontier; dus niet op het gemiddelde: central tendency) en op waargenomen gedrag van eenheden (Decision Making Units = DMU’s) Relatieve efficiëntie gedefinieerd zonder a priori gewichten te verbinden aan enige input of output (Pareto Koopmans definitie) Een DMU is volledig (100%) efficiënt op basis van beschikbare informatie ‘iff’ de prestaties van andere DMU’s niet laten zien dat een van zijn inputs of outputs verbeterd kan worden zonder een van de overige inputs of outputs te verslechteren

8. Personele uitgaven per student Kapitaal- uitgaven per student Hoe DEA werkt : een eenvoudig voorbeeld

9. Een voorbeeld: Northeast University (bron: Salerno, 2002) Found to be 87% overall efficient when compared to 35 similar universities Labor inputs: Headcount Average Salary Tenured faculty members: 1,002 $38,146 Adjunct or part-time faculty members: 46 $18,296 Graduate research assistants: 704 $9,724 Graduate teaching assistants: 1,128 $9,261 Total expenditures on academic labor: $56,356,756 Outputs: Lower-level undergraduate students: 7,798 Upper-level undergraduate students: 6,131 Graduate students: 6,045 Number of research publications: 1,450

10. “Improved” Northeast University Based on DEA analysis Labor inputs: After Before Tenured faculty members: 828 1,002 Adjunct or part-time faculty members: 11 46 Graduate research assistants: 582 704 Graduate teaching assistants: 1,259 1,128 New total expenditures on academic labor: $49,112,408 Feasible cost reduction: $7,244,348 Outputs: Number Lower-level undergraduate students: 7,798 Upper-level undergraduate students: 8,911 (+2,780) Graduate students: 6,045 Number of research publications: 3,079 (+1,629)

11. Hoe DEA werkt : de formules n outputs m inputs Total factor productivity:

12. Het LP probleem (maximaliseer ‘overall’ efficiency) Zodanig dat: DEA adresseert het ‘joint cost’ probleem (de unieke gewichten w) - zonder a priori aannames of ‘expert opinion’ - en daarbij wordt elke DMU zo goed mogelijk afgeschilderd t.o.v. andere DMU’s

13. Shared resources DEA model Maximaliseer gewogen gemiddelde van onderwijs- en ‘onderzoeks-’ efficiency Z.d.d. q is het percentage van de ‘sharedresources’ besteed aan onderwijs q wordt via LP berekend, op objectieve wijze, en niet a priori

14. Kosten en kostenefficiëntie - WO Nederland DEA variabelen & parameters verbijzonderd naar drie clusters van hoofdkostenplaatsen: (1) alfa/gamma, (2) bèta/techniek/landbouw, (3) medisch in/ex AZ inputs: exploitatielasten (incl. Centrale kostenplaatsen), naar: personele lasten (data via OCW-bestand Jaarrekeningen) overige lasten ( ,, ,, ,, ) outputs: studenten voltijd & deeltijd (data via CRIHO/OCW) onderzoekscapaciteit (WP1+WP2+WP3 data via KUOZ/VSNU) Relatievenadruk op onderwijs t.o.v. onderzoek (lambda: 0<λ< 1) per universiteit en per cluster (o.g.v. tijdsbesteding: KUOZ/WOPI)

15. Voorbeeld: De Kosten per Student in het Alfa/Gamma cluster (WO), jaar 2000, in guldens

16. Kosten per student in het WO, 1996-2000 (in Euro, prijspeil 1995), volgens DEA- en traditionele (‘trad’) methode

17. Afsluiting DEA shared resources model levert een raamwerk voor benchmarking, identificatie van verbeteringsrichtingen en Kosten per student (of kosten per ‘onderzoeksprestatie’) DEA kan flexibel omgaan met multiproduct/multi-input organisaties DEA kan rekening houden met prioriteitstelling (profiel) en andere karakteristieken van afzonderlijke instellingen - ook hierbij uitgaand van waargenomen gedrag DEA kan dienen ter onderbouwing interne allocatiebeleid HO instelling en nationale bekostigingsbeleid van Ministerie DEA is net zo goed als de gebruikte variabelen en data !