Produktivitätsmodelle geben Auskunft darüber, welche Leistung mit einem bestimmten Verfahren unter konkreten Rahmenbedingungen zu erwarten ist. In der Forstwirtschaft sind sie für Planungen und Kalkulationen notwendig. In bisherigen forstlichen Produktivitätsmodellen für den Maschineneinsatz wurde der Faktor Mensch, welcher einen wichtigen, bisher jedoch weitestgehend unbekannten Einfluss auf die Leistung hat, vernachlässigt. Ziel der vorliegenden Untersuchung ist es daher, den menschlichen Einfluss auf die Leistung von Harvestersystemen quantitativ zu erfassen und ihn in Produktivitätsmodelle einzubauen. Die Untersuchungsgrundlage bilden Leistungsmessungen, die mit vier verschiedenen Datenerhebungsverfahren an bis zu 32 Fahrern erfolgten. Neben einer neu entwickelten, sensorgestützten, semiautomatischen Zeitstudienmessung fand die Auswertung von summarischen Bordcomputer-Bestandesdaten über einen Zeitraum von drei Jahren Anwendung. Weiterhin erfolgte die (Weiter-)Entwicklung eines standardisierten Parcourstests, welcher auf einer Freifläche durchgeführt wird sowie eine Beurteilung der Leistung der Harvesterfahrer durch Gutachter. Alle vier Verfahren wurden miteinander verglichen und auf ihre Treffsicherheit und Aussagefähigkeit hin überprüft. Dabei konnten signifikante Korrelationen zwischen allen vier Datenerhebungsverfahren nachgewiesen werden, was eine Umrechnung untereinander grundsätzlich zulässt. Im Rahmen dieser Untersuchungen konnte die Vermutung quantitativ bestätigt werden, dass große, signifikant unterschiedliche Leistungshergaben zwischen den verschiedenen Harvesterfahrern existieren. Dies gilt nicht nur für den Vergleich zwischen so genannten „unerfahrenen“ und „erfahrenen“ Maschinenführern. Auch zwischen schon lange auf den Erntemaschinen arbeitenden Fahrern ist ein Leistungsunterschied von bis zu 80% zu verzeichnen. Somit ist die Beachtung des Parameters „Mensch“ für präzise Produktivitätsmodelle zwingend erforderlich. Der ursprüngliche Lösungsansatz, ein allgemein gültiges Produktivitätsmodell zu entwickeln, in dem der Einfluss des Menschen berücksichtigt wird, wurde aufgrund von Informationsdefiziten sowie zu starken Unterschieden und Komplexität der vorhandenen Modelle verworfen. Mit dem neu gewählten Lösungsansatz, der die Bestimmung eines Leistungswertes für jeden Fahrer vorsieht, ist es nun möglich, ein beliebig erstelltes Produktivitätsmodell linear auf ein Basisniveau zu normieren. Die Multiplikation des normierten Modells mit dem Leistungswert eines Fahrers ermöglicht es, die wahrscheinlich von ihm zu erwartende Produktivität zu berechnen. Dieser Wert kann auf verschiedene Weisen erhoben werden. Als Ergebnis dieser Arbeit kann dafür der entwickelte, schnell und einfach durchzuführende Parcourstest empfohlen werden. Er erreicht eine ungefähre Treffgenauigkeit von ±10%. Die Untersuchungen wiesen des Weiteren aus, dass beim Harvestereinsatz unter einfachen Umwelt- und Geländebedingungen der Fahrereinfluss auf die Produktivität bei 37% liegt. Er stellt somit nach Baumvolumen des ausscheidenden Bestandes (46%) den zweitwichtigsten Einflussfaktor dar. Die Leistungshergabe des einzelnen Harvesterfahrers ist nicht immer gleich, sondern verändert sich über der Zeit (Lernkurve). Die gemessenen Lerngeschwindigkeiten variieren dabei zwischen den Harvesterfahrern sehr stark. Das Anlernen eines unerfahrenen Harvesterfahrers dauerte bei den untersuchten Probanden im Mittel neun Monate, was einer Minderleistung von ca. 24% über diesen Zeitraum entspricht. Die bisherigen angenommenen Modelle der Lernkurve konnten bestätigt werden. Darüber hinaus zeigten sich Tendenzen, dass die Leistung der Fahrer nach der Lernphase ein konstantes Leistungsniveau erreicht, allerdings bei einer hohen Fehlerabweichung. Durch die Beurteilung und Berücksichtigung der Leistungen der Fahrer steht der Forstwirtschaft ein Werkzeug zur Verfügung, mit dem man in Zukunft die erstellten Produktivitätsmodelle für den Harvestereinsatz genauer auf die jeweiligen individuellen Gegebenheiten des eigenen Betriebes anpassen kann. Die Übertragung des gewählten Lösungsansatzes auf weitere Forstmaschinen, die von Menschen bedient werden, sollte geprüft werden. / Productivity models provide information about the expected performance of a given procedure under specific conditions. In forestry, they are essential to planning and cost estimation. In hitherto existing productivity models of forest machinery, however, the human being as an important yet mostly unknown factor influencing productivity has been disregarded. Therefore, the objectives of this study are the quantification of the human impact on the performance of forest harvesting systems and its integration into productivity models. The study is based on performance measurements collected using four different methods of data acquisition to monitor up to 32 machine operators: (i) a newly developed sensor-based semi-automatic time study, (ii) the extraction of on-board computer data accumulated over a 3-year period, (iii) an improved standardized machinery test course conducted in an open area, and (iv) the expert evaluation of operator performance. The four data acquisition methods were compared and tested for data accuracy and informational value. All correlations between data yielded by each of the four methods were significant, thus in principle allowing for data conversion between data rendered by different acquisition methods. The results of this study quantitatively corroborate the presumption of major, significantly different performances between harvester operators. This holds true not only for the comparison of so-called ‘inexperienced’ and ‘experienced’ machine operators, but also when exclusively comparing experienced operators with each other. A performance difference of up to 80% has been observed between individuals featuring long-term experience in operating harvesting machinery. The integration of the parameter ‘human being’ is thus an imperative for precise productivity models. The original aim of developing a general productivity model accounting for human influence had to be abandoned due to an information deficit, substantial differences between the existing models as well as their inherent complexity. Instead, the new approach of determining a performance indicator for each individual machine operator now allows for the linear standardisation of any productivity model. By multiplying the standardised model with the performance indicator of a particular operator the probable performance to be expected of this operator can be calculated. This value can be determined in various ways. Based on this study, the test course value can be recommended, which was explicitly developed for fast and simple assessment of operator performance and achieves an accuracy of ±10%. The study results show that under favourable environmental conditions and on easy terrain the influence of the machine operator on overall performance amounts to 37%. The human factor is thus second only to the average volume of harvested trees (46%) with respect to influencing performance. The performance of an individual harvester operator is not constant, but changes over time (learning curve). The measured rate of learning largely differed between operators. The initial training of an inexperienced harvester operator took on average nine months, which corresponds to a performance deficiency of approx. 24% throughout this time period. Hitherto developed models of learning curves were corroborated by the study results. Performance levels following the initial training period tended to remain constant over time, but were characterised by large error margins. The evaluation and consideration of operator performance presents a forest management tool which allows for future customization of existing productivity models of harvesting machinery to the specific conditions and economics of any individual forest enterprise. The extrapolation of the presented approach towards quantification and integration of machine operator performance to other human-operated forest machinery needs to be investigated in subsequent studies.

While gender differences in mathematics achievement and attitudes overall have been declining during the past two decades, there still exists a disparity in advanced mathematics achievement and upper-level mathematics course-taking patterns that contributes to fewer females than males choosing professions in math, science, and technology fields. This study used a secondary analysis of the National Educational Longitudinal Study of 1988 database (NELS:88) and Walberg's Educational Productivity Model to determine whether gender differences in mathematics achievement testing outcomes, coursework, and attitude could be explained by the model and whether the Productivity Factors in the model operated differently for males and females, Productivity Factors from the eighth grade NELS:88 database were used to model the twelfth grade outcomes related to achievement testing, coursework, and attitude toward mathematics. Multiple and logistic regression analyses were run to examine the effect of the Productivity Model in accounting for gender differences in achievement (testing and coursework) and attitude. In order to accommodate the complex survey design of the NELS:88 database, the data analysis was done using Sudaan. Findings indicate that there are significant gender differences, favoring males, in overall math achievement, top quartile math achievement, and attitude toward mathematics, but no significant differences in math coursework. When the Productivity Factors are entered into the model, the differences in top quartile achievement and attitude disappear. Further analysis also indicates that a number of the Productivity Factors are significantly related to the achievement and attitude outcomes for males and females. Suggestions for further research and implications for parents and educators focus on the significant Productivity Factors which can possibly be modified through intervention or training, i.e., what Walberg calls the “alterable curriculum.” These include the motivational factors of expectancy for success, locus of control, and perceived usefulness of mathematics, as well as parental aspirations, classroom environment, peer influences, and television viewing patterns.

Produktivitätsmodelle geben Auskunft darüber, welche Leistung mit einem bestimmten Verfahren unter konkreten Rahmenbedingungen zu erwarten ist. In der Forstwirtschaft sind sie für Planungen und Kalkulationen notwendig. In bisherigen forstlichen Produktivitätsmodellen für den Maschineneinsatz wurde der Faktor Mensch, welcher einen wichtigen, bisher jedoch weitestgehend unbekannten Einfluss auf die Leistung hat, vernachlässigt. Ziel der vorliegenden Untersuchung ist es daher, den menschlichen Einfluss auf die Leistung von Harvestersystemen quantitativ zu erfassen und ihn in Produktivitätsmodelle einzubauen. Die Untersuchungsgrundlage bilden Leistungsmessungen, die mit vier verschiedenen Datenerhebungsverfahren an bis zu 32 Fahrern erfolgten. Neben einer neu entwickelten, sensorgestützten, semiautomatischen Zeitstudienmessung fand die Auswertung von summarischen Bordcomputer-Bestandesdaten über einen Zeitraum von drei Jahren Anwendung. Weiterhin erfolgte die (Weiter-)Entwicklung eines standardisierten Parcourstests, welcher auf einer Freifläche durchgeführt wird sowie eine Beurteilung der Leistung der Harvesterfahrer durch Gutachter. Alle vier Verfahren wurden miteinander verglichen und auf ihre Treffsicherheit und Aussagefähigkeit hin überprüft. Dabei konnten signifikante Korrelationen zwischen allen vier Datenerhebungsverfahren nachgewiesen werden, was eine Umrechnung untereinander grundsätzlich zulässt. Im Rahmen dieser Untersuchungen konnte die Vermutung quantitativ bestätigt werden, dass große, signifikant unterschiedliche Leistungshergaben zwischen den verschiedenen Harvesterfahrern existieren. Dies gilt nicht nur für den Vergleich zwischen so genannten „unerfahrenen“ und „erfahrenen“ Maschinenführern. Auch zwischen schon lange auf den Erntemaschinen arbeitenden Fahrern ist ein Leistungsunterschied von bis zu 80% zu verzeichnen. Somit ist die Beachtung des Parameters „Mensch“ für präzise Produktivitätsmodelle zwingend erforderlich. Der ursprüngliche Lösungsansatz, ein allgemein gültiges Produktivitätsmodell zu entwickeln, in dem der Einfluss des Menschen berücksichtigt wird, wurde aufgrund von Informationsdefiziten sowie zu starken Unterschieden und Komplexität der vorhandenen Modelle verworfen. Mit dem neu gewählten Lösungsansatz, der die Bestimmung eines Leistungswertes für jeden Fahrer vorsieht, ist es nun möglich, ein beliebig erstelltes Produktivitätsmodell linear auf ein Basisniveau zu normieren. Die Multiplikation des normierten Modells mit dem Leistungswert eines Fahrers ermöglicht es, die wahrscheinlich von ihm zu erwartende Produktivität zu berechnen. Dieser Wert kann auf verschiedene Weisen erhoben werden. Als Ergebnis dieser Arbeit kann dafür der entwickelte, schnell und einfach durchzuführende Parcourstest empfohlen werden. Er erreicht eine ungefähre Treffgenauigkeit von ±10%. Die Untersuchungen wiesen des Weiteren aus, dass beim Harvestereinsatz unter einfachen Umwelt- und Geländebedingungen der Fahrereinfluss auf die Produktivität bei 37% liegt. Er stellt somit nach Baumvolumen des ausscheidenden Bestandes (46%) den zweitwichtigsten Einflussfaktor dar. Die Leistungshergabe des einzelnen Harvesterfahrers ist nicht immer gleich, sondern verändert sich über der Zeit (Lernkurve). Die gemessenen Lerngeschwindigkeiten variieren dabei zwischen den Harvesterfahrern sehr stark. Das Anlernen eines unerfahrenen Harvesterfahrers dauerte bei den untersuchten Probanden im Mittel neun Monate, was einer Minderleistung von ca. 24% über diesen Zeitraum entspricht. Die bisherigen angenommenen Modelle der Lernkurve konnten bestätigt werden. Darüber hinaus zeigten sich Tendenzen, dass die Leistung der Fahrer nach der Lernphase ein konstantes Leistungsniveau erreicht, allerdings bei einer hohen Fehlerabweichung. Durch die Beurteilung und Berücksichtigung der Leistungen der Fahrer steht der Forstwirtschaft ein Werkzeug zur Verfügung, mit dem man in Zukunft die erstellten Produktivitätsmodelle für den Harvestereinsatz genauer auf die jeweiligen individuellen Gegebenheiten des eigenen Betriebes anpassen kann. Die Übertragung des gewählten Lösungsansatzes auf weitere Forstmaschinen, die von Menschen bedient werden, sollte geprüft werden. / Productivity models provide information about the expected performance of a given procedure under specific conditions. In forestry, they are essential to planning and cost estimation. In hitherto existing productivity models of forest machinery, however, the human being as an important yet mostly unknown factor influencing productivity has been disregarded. Therefore, the objectives of this study are the quantification of the human impact on the performance of forest harvesting systems and its integration into productivity models. The study is based on performance measurements collected using four different methods of data acquisition to monitor up to 32 machine operators: (i) a newly developed sensor-based semi-automatic time study, (ii) the extraction of on-board computer data accumulated over a 3-year period, (iii) an improved standardized machinery test course conducted in an open area, and (iv) the expert evaluation of operator performance. The four data acquisition methods were compared and tested for data accuracy and informational value. All correlations between data yielded by each of the four methods were significant, thus in principle allowing for data conversion between data rendered by different acquisition methods. The results of this study quantitatively corroborate the presumption of major, significantly different performances between harvester operators. This holds true not only for the comparison of so-called ‘inexperienced’ and ‘experienced’ machine operators, but also when exclusively comparing experienced operators with each other. A performance difference of up to 80% has been observed between individuals featuring long-term experience in operating harvesting machinery. The integration of the parameter ‘human being’ is thus an imperative for precise productivity models. The original aim of developing a general productivity model accounting for human influence had to be abandoned due to an information deficit, substantial differences between the existing models as well as their inherent complexity. Instead, the new approach of determining a performance indicator for each individual machine operator now allows for the linear standardisation of any productivity model. By multiplying the standardised model with the performance indicator of a particular operator the probable performance to be expected of this operator can be calculated. This value can be determined in various ways. Based on this study, the test course value can be recommended, which was explicitly developed for fast and simple assessment of operator performance and achieves an accuracy of ±10%. The study results show that under favourable environmental conditions and on easy terrain the influence of the machine operator on overall performance amounts to 37%. The human factor is thus second only to the average volume of harvested trees (46%) with respect to influencing performance. The performance of an individual harvester operator is not constant, but changes over time (learning curve). The measured rate of learning largely differed between operators. The initial training of an inexperienced harvester operator took on average nine months, which corresponds to a performance deficiency of approx. 24% throughout this time period. Hitherto developed models of learning curves were corroborated by the study results. Performance levels following the initial training period tended to remain constant over time, but were characterised by large error margins. The evaluation and consideration of operator performance presents a forest management tool which allows for future customization of existing productivity models of harvesting machinery to the specific conditions and economics of any individual forest enterprise. The extrapolation of the presented approach towards quantification and integration of machine operator performance to other human-operated forest machinery needs to be investigated in subsequent studies.

Problemformulering Det vi med denna uppsats vill undersöka är hur en tjänsteorganisations produktivitet kan mätas. Därför lyder vår problemformulering enligt följande: Hur kan produktivitet mätas i en tjänsteorganisation? Produktiviteten i en tjänsteorganisation påverkas av ett antal faktorer, till exempel personalen, kommunikation, ledarskap och de IT-system personalen arbetar i. Med ”mäta” syftar vi till att kvantifiera de kvalitativa faktorer som påverkar produktiviteten.   Syfte Utöver att se hur produktiviteten kan mätas i en tjänsteorganisation ska vi utveckla en modell som visar hur tjänsteproduktiviteten kan mätas samt identifiera vilka faktorer som påverkar och hur de påverkar produktiviteten. Vi kommer genom ett illustrativt exempel att identifiera de faktorer som påverkar produktiviteten i den tjänsteorganisationen och hur de påverkar. Den organisation vi valt att applicera vår studie på är Folksam, avgränsat till deras bokföringsavdelning.   Metod Vår kunskapssyn är hermeneutisk, vilket går i linje med vårt syfte då vi vill identifiera och tolka de faktorer som är viktiga för tjänsteproduktiviteten. Vi har valt att göra en kvalitativ studie, då identifieringen av faktorer som påverkar tjänsteproduktiviteten är ett relativt oexploaterat område och därför behöver vi undersöka det empiriskt i en etablerad organisation. Den iterativa metoden eller den gyllene medelvägen är det angreppsätt som vi valt, eftersom vi anser att det passar vår studie bäst att utgå ifrån befintlig teori och sedan enbart influeras av den för att låta empirin vara det som styr vår teoriutveckling. För att erhålla våra data har vi genomfört både observationssamtal och semistrukturerade intervjuer.   Teori Vi har i huvudsak använt oss av två modeller som tillsammans ger en bild över produktiviteten i en tjänsteorganisation. Fokus ligger på Grönroos och Ojasalos (2004) tjänsteproduktivitetsmodell. Den beskriver de input och output av intern och extern effektivitet som har en påverkan på tjänsteproduktiviteten. Den säger dock lite om hur tjänsteproduktiviteten kan mätas. Vi har därför valt att komplettera denna modell med en modell gjord av Sahay (2005) som kallas Multi-factor Productivity Measurement Model. Den modellen tar upp hur tjänsteproduktvitet kan mätas genom att utveckla olika index som är anpassade till den aktuella organisationen. Utöver dessa två modeller har vi sökt och använt teorier kring de faktorer som påverkar tjänsteproduktiviteten i vår organisation.   Slutsatser När produktiviteten ska mätas i en tjänsteorganisation är det viktigt att först kartlägga vilka faktorer som påverkar produktiviteten och att sedan anpassa dem efter den aktuella organisationen. Faktorer vi funnit i denna studie är bland annat ledarskap, grupper, kommunikation, IT-system och stress. Resultatet visar att de faktorer som påverkar tjänsteproduktiviteten samverkar och tillsammans ger en bild över hur tjänsteproduktiviteten ser ut och kan mätas.

No description available.