Hjem > grafikk, Indikatorer, KOSTRA > ST 48/11: Penger og produktivitet

ST 48/11: Penger og produktivitet

De tallene norske bibliotekarer er mest opptatt av, er budsjett og bemanning, på den ene siden, og besøk og utlån, på den andre.

Budsjett og bemanning er de viktigste (men ikke de eneste) ressursene biblioteksjefen rår over. Besøk og utlån er de viktigste (men ikke de eneste) tjenestene biblioteket leverer. Her viser jeg hvordan vi kan bruke KOSTRA-tallene til å undersøke sammenhengen mellom ressurser og resultater.

På resultatsiden gir KOSTRA oss tall for

  • besøk pr. innbygger (A1)
  • utlån pr. innbygger (A2)

(Kodene A1, A2, osv. kommer fra indikatorlisten til Plinius). I tillegg prøver jeg ut summen av de to,  som en samlet indikator for utadrettet aktivitet:

  • aktivitet = besøk pr. innbygger + lån pr. innbygger (A3)

På ressurs- eller input-siden har vi

  • antall årsverk pr. 10.000 innbyggere (B1)
  • lønn- og medieutgifter pr. innbygger (B2)

Korrelasjoner

Det er åpenbart en sammenheng mellom ressurser og resultater. Høye budsjetter gir god bemanning og god tilvekst av etterspurte bøker og medier.  God bemanning fører til lange åpningstider og god service. Hvis vi vil undersøke disse sammenhengene empirisk, med tall fra KOSTRA, kan vi

  • beregne korrelasjonen mellom indikatorene
  • vise sammenhengen mellom indikatorene i form av spredningsdiagram

Jeg starter med korrelasjonene. Gitt de tre A-indikatorene og de to B-indikatorene kan vi beregne seks mulige korrelasjonskoeffisienter (Pearson’s R). Med tall fra 2010 finner vi disse sammenhengene:

Besøk

  • sammenhengen mellom årsverk og besøk: R (A1, B1) = 0,28
  • sammenhengen mellom utgifter og besøk: R (A1, B2) = 0,27

Utlån

  • sammenhengen mellom årsverk og utlån: R (A2, B1) = 0,44
  • sammenhengen mellom utgifter og utlån: R (A2, B2) = 0,44

Aktivitet

  • sammenhengen mellom årsverk og aktivitet: R (A3, B1) = 0,40
  • sammenhengen mellom utgifter og aktivitet: R (A3, B2) = 0,39

Svake sammenhenger

Alle korrelasjonene er nokså lave.

For å tolke slike korrelasjoner, må vi kvadrere dem. En sentral statistisk formel sier at den kvadrerte koeffisienten forteller oss hvor stor del av variasjonen i den ene variabelen som kan tilskrives endringer i den andre variabelen.

En korrelasjonskoeffisient på 0,44 forteller oss at mindre enn tyve prosent av variasjonen i utlånet skyldes varaiasjoner i ressurstilgangen

Beregningen ser slik ut: 0,44 * 0,44 = 0,1936. Jeg avrunder til 0,19, det vil si nitten prosent.

De andre koeffisientene er ennå lavere. Ved første øyekast ser det ut til at sammenhengen mellom ressurser og resultater er ganske svak, stikk i strid med både erfaring og fornuft.

Gruppering

Det en forsker eller statistiker ofte gjør i slike situasjoner er å dele opp materialet. Skal vi se på lesevaner, bør vi skille mellom menn og kvinner. Skal vi studere juleskikker, bør folk fra ikke-kristne kulturer studeres særskilt. De savner ikke juletreet. Det å gruppere enhetene i mest mulig homogene grupper før vi analyserer dem, er en grunnleggende forskningsstrategi.

Kommunene, og dermed bibliotekene, kan i prinsippet grupperes på mange ulike måter: geografisk og topografisk, politisk og økonomisk, økologisk og demografisk. KOSTRA har selv laget en aviktig inndeling som kombinerer størrelse og økonomisk handlefrihet.  Men det er naturlig å starte med den enkleste, nemlig gruppering etter folketall. Disse tallene er lett tilgjengelige og blir ofte brukt i bibliotekdebatten. Jeg tro det er nyttig å undersøker andre kategorier i tillegg, men det får komme etterhvert.

Folketall

Den gamle ABM-statistikken brukte hele tolv befolkningskategorier. Det gir mye ekstraarbeid for de som skal beregne og tolke informasjonen. Jeg har valgt å holde meg til fem grupper:

  • mer enn femti tusen innbyggere (50+)
  • mellom tjue og femti tusen (20+)
  • mellom ti og tjue tusen (10+)
  • mellom fem og ti tusen (5+)
  • under fem tusen (5-)

Når vi arbeider med disse gruppene, må vi ha to tanker i hodet samtidig. De fleste norske kommuner er små. De fleste nordmenn bor i større kommuner. Dagens tall ser slik ut:

  • 1,85 millioner bor i de fjorten største kommunene (inkl. Tønsberg+Nøtterøy)
  • 1,07 millioner bor i trettiseks kommuner med tjue til femti tusen innbyggere

Disse femti kommunene har 2,92 millioner innbyggere, dvs. godt over halvparten av Norges befolkning.

  • femtini kommuner har mellom ti og tjue tusen,
  • åttiåtte kommuner har mellom fem og ti tusen,
  • mens tohundreogtrettito kommuner har mindre enn fem tusen innbyggere

De minste kommunene utgjør mer enn halvparten av kommunene, men har bar en tolvtedel av befolkningen.

Straks vi grupperer kommunene etter størrelsen fyker korrelasjonene i været. Siden vi nå har fem grupper, må vi studere tredve koeffisienter. Det gjøres best grafisk.

Diagram 1

Overgangen til grupper gjør at den statistiske sammenhengen mellom input og output kommer tydeligere fram. Det første diagrammet viser at korrelasjonene mellom personalressursen og de tre resultindikatorene er atskillig høyere innenfor hver av de fire første gruppene enn i landet som helhet.

Det er spesielt utlån og samlet aktivitet som kommer godt ut. Besøkstallene er svakere koplet til ressursinnsatsen.

De aller minste kommunene skiller seg imidlertid fra resten. Her ligger alle tre koeffisienter på omtrent samme lave nivå som i hele Norge.

Diagram 2

Det andre diagrammet gir samme hovedresultat som det første. I kommuner med mer ennn fem tusen innbyggere ligger korrelasjonene mellom de operative utgiftene og de tre resultindikatorene langt over landet som helhet. Besøkstallene er svakere koplet. De aller minste kommunene skiller seg ut.

Diagram tre

I dt tredje diagrammet er korrelasjonene for besøkstallene, for de minste kommunene og for Norge fjernet. Vi står igjen med fire koeffisienter:

  • sammenhengen mellom årsverk og utlån (lys blå)
  • sammenhengen mellom årsverk og aktivitet (lys grønn)
  • sammenhengen mellom utgifter og utlån (mørk blå)
  • sammenhengen mellom utgifter og aktivitet (mørk grønn)

Det er tydelig at de «mørke» koeffisientene ligger høyere enn de «lyse». Det betyr at de operative utgiftene pr. innbygger gir høyere korrelasjoner enn selve bemanningen. Penger teller mer enn tid.  Koeffisientene ligger rundt 0.65, enten vi ser på den samlede aktiviteten eller på utlånet alene. Det betyr at over førti prosent av variasjonen er kan koples til utgiftene pr. innbygger.

Neste skritt bli å undersøke om disse resultatene også er holdbare for tidligere år.

Diagram 4

Diagram 4 viser de seks korrelasjonene for de fire største bibliotekgruppene i 2009. Mønsteret er omtrent det samme som i 2010. Besøkstallet (A1) er svakest koplet til ressursbruken. De sterkeste sammenhengene finner vi  mellom utgifter og aktivitet og mellom utgifter og utlån.

Diagram 5

Diagrammet for 2008 bekrefter resultatet fra 2009. I 2008 er sammenhengen mellom utgifter og aktivitet totalt sett noe sterkere enn sammenhengen mellom utgifter og utlån.

Utgifter og aktivitet

Ut fra en rent statistisk vurdering kan både forholdet mellom utlån og utgifter og forholdet mellom aktivitet og utgifter fungere som mål på produktivitet. Ut fra en strategisk vurdering tror jeg likevel det er verd å satse på aktivitet framfor utlån. Bibliotekenes bruksmåte forandrer seg. Mange urbane bibliotek er mer preget av besøks- enn av utlånsaktiviteter. En produktivitetsindikator som bare bygger på utlånstall peker i en mer tradisjonell retning enn en indikator som også tar hensyn til besøket.

Dersom det hadde vært stor avstand mellom alternativene, kunne jeg ikke argumentert for aktivitetsmålet på dennemåten. Men når de to «konkurrentene» ligger så nær hverandre rent statistisk, må det være lov å legge vekt på faglige strategier i tillegg.

Homogenitet

For å komme fram til denne konklusjonen har vi analysert KOSTRA-tallene ved hjelp av korrelasjoner og linjediagrammer.  Vi avslutter denne sekvensen med et diagram som viser korrelasjonen mellom teller og nevner i den nye indikatoren for årene 2008-2010:

Diagram 6

Vi ser at gruppen 20+ skiller seg ut. De foregående diagrammene forteller det samme. I intervallet jue til femti tusen innbyggere de statistiske sammenhengene ekstra sterke. Jeg tolker dette som et uttrykk for homogenitet.

Gruppen omfatter sytten mellomstore byer og seksten landkommuner i nærheten av større byer.  Alle representerer det moderne Norge

Byer

  1. Bodø
  2. Ålesund
  3. Sandefjord
  4. Larvik
  5. Arendal
  6. Porsgrunn
  7. Haugesund
  8. Moss
  9. Halden
  10. Gjøvik
  11. Lillehammer
  12. Horten
  13. Rana
  14. Kongsberg
  15. Molde
  16. Kristiansund
  17. Harstad

Landkommuner

  1. Skedsmo
  2. Karmøy
  3. Lørenskog
  4. Ringsaker
  5. Ullensaker
  6. Ringerike
  7. Ski
  8. Askøy
  9. Oppegård
  10. Lier
  11. Sola
  12. Nedre Eiker
  13. Fjell
  14. Stjørdal
  15. Nittedal
  16. Eidsvoll

Vi har også sett at de minste kommunene skiller seg radikalt fra de øvrige. Når folketallet kryper under fem tusen, har vi som oftest å gjøre med den geografiske periferien. Kommunene er små fordi fjord og fjell og skog setter stengsler. I den norske utkanten, tenker Plinius, vil særegne, stedsegne, lokale forhold ha større innflytelse enn den brede norske moderniteten.  Kunnskapssamfunnet slår rot i byene og påvirker alle som bor i nærheten.

Skedsmo, Lørenskog, Ullensaker, Ski, Oppegård, Nittedal og Eidsvoll sirkler rundt Oslogryta som katten rundt den varme grøten. Lier og Nedre Eiker trekkes mot  Drammen, som er Oslos lillebror mot vest. Askøy har Bergen, Karmøy og Sola har Stavanger og Stjørdal har Trondheim.

Ressurser

KOSTRA10A(copy)

Kategorier:grafikk, Indikatorer, KOSTRA
  1. Ingen kommentarer så langt.
  1. No trackbacks yet.

Legg igjen en kommentar

Fyll inn i feltene under, eller klikk på et ikon for å logge inn:

WordPress.com-logo

Du kommenterer med bruk av din WordPress.com konto. Logg ut / Endre )

Twitter picture

Du kommenterer med bruk av din Twitter konto. Logg ut / Endre )

Facebookbilde

Du kommenterer med bruk av din Facebook konto. Logg ut / Endre )

Google+ photo

Du kommenterer med bruk av din Google+ konto. Logg ut / Endre )

Kobler til %s

%d bloggers like this: