Wie beson­ders ist der dritte Sektor?

Organisationen, die weder dem Staat noch dem Markt angehören werden dem sogenannten «dritten Sektor» zugeordnet. Konkret sind dies oft NPOs oder NGOs wie Stiftungen und Vereine. In der Forschungsliteratur ist das Konstrukt des «dritten Sektors» jedoch nicht unbestritten.

Existiert der dritte Sektor tatsäch­lich und wenn ja in welcher Form? Zeich­net er sich zum Beispiel durch die Steu­er­be­freit­heit der Orga­ni­sa­tio­nen aus? Durch die Frei­wil­lig­keit der Helfen­den? Oder ist es doch das Akti­vi­täts­feld, dass Orga­ni­sa­tio­nen aus dem «drit­ten Sektor» am stärk­sten von Orga­ni­sa­tio­nen der Privat­wirt­schaft unter­schei­det? Die Forscher Sala­mon and Soko­low­ski (2016) merken an, dass der “dritte Sektor” wahr­schein­lich eines der komple­xe­sten Konstrukte im moder­nen poli­ti­schen und gesell­schaft­li­chen Diskurs sei.

In einer noch nicht publi­zier­ten Arbeit am CEPS haben wir das Konstrukt «drit­ter Sektor» mittels machine lear­ning Algo­rith­men aus einer neuen Perspek­tive beleuch­tet. Machine lear­ning eignet sich hier beson­ders gut, da diese Algo­rith­men sehr komplexe Struk­tu­ren und Muster aufdecken können. Um das zu bewerk­stel­li­gen, brau­chen diese Algo­rith­men jedoch auch sehr viel Daten. Da wir unter­su­chen woll­ten, ob sich Orga­ni­sa­tio­nen des drit­ten Sektors in ihrem Akti­vi­täts­feld von Orga­ni­sa­tio­nen des priva­ten Sektors unter­schei­den, liefer­ten wir diese Daten in Form von Text. Als Input fungier­ten die auf zefix.ch von mehr als 600’000 Orga­ni­sa­tio­nen geli­ste­ten Orga­ni­sa­ti­ons­zwecke. Darun­ter befin­den sich auch Zwecke von Verei­nen und Stif­tun­gen; also Orga­ni­sa­tio­nen des «drit­ten Sektors».

Der erste machine lear­ning Algo­rith­mus hatte die Aufgabe, die Ähnlich­kei­ten zwischen den Orga­ni­sa­ti­ons­zwecken zu berech­nen. Nun kann man iden­ti­fi­zie­ren, welche Orga­ni­sa­ti­ons­zwecke einan­der beson­ders ähnlich sind und welche nicht. Man könnte nun von Hand nach Mustern suchen und schauen, ob und inwie­fern sich die Orga­ni­sa­ti­ons­zwecke von Orga­ni­sa­tio­nen aus dem drit­ten Sektor von Orga­ni­sa­tio­nen aus dem priva­ten Sektor unter­schei­den. Doch, Sie ahnen es, auch diese Aufgabe haben wir machine lear­ning Algo­rith­men über­las­sen. Die können das nicht nur besser, sondern auch schnel­ler. Nun wende­ten wir soge­nann­tes «unüber­wach­tes Lernen» an. Man gibt dem Algo­rith­mus also kein Ziel vor, sondern der Algo­rith­mus selbst versucht in den Daten Muster zu erken­nen. Der Algo­rith­mus versuchte nun Muster in den Ähnlich­kei­ten der Orga­ni­sa­ti­ons­zwecken zu erken­nen. So kann man entdecken, ob sich Grup­pen von sehr ähnli­chen Orga­ni­sa­tio­nen bilden. Unser Ziel war zu schauen, ob der Algo­rith­mus von sich aus Orga­ni­sa­tio­nen des drit­ten Sektors als sepa­rate Gruppe identifiziert.

In der unten­ste­hen­den Abbil­dung sieht man, dass sich Orga­ni­sa­tio­nen aus dem drit­ten Sektor (Stif­tun­gen und Vereine) tatsäch­lich als sepa­rate Gruppe oben rechts ange­sie­delt haben. Die Farben wider­spie­geln die Rechts­for­men, nicht die vom Algo­rith­mus entdeck­ten Grup­pen. Sie erlau­ben uns zu sehen, dass der Algo­rith­mus den drit­ten Sektor tatsäch­lich als eher sepa­ra­ten und kohä­ren­ten Cluster entdeckt hat. Unsere Analyse scheint also die Existenz des «drit­ten Sektors», zumin­dest bezo­gen auf die Orga­ni­sa­ti­ons­zwecke, zu bestätigen.

Übri­gens: falls auch Ihre (gemein­nüt­zige) Orga­ni­sa­tion von Daten­ana­lyse und machine lear­ning profi­tie­ren soll, helfen Ihnen Orga­ni­sa­tio­nen wie data­cross gerne dabei!

StiftungSchweiz engagiert sich für eine Philanthropie, die mit möglichst wenig Aufwand viel bewirkt, für alle sichtbar und erlebbar ist und Freude bereitet.

Folgen Sie StiftungSchweiz auf

The Philanthropist by subscribtion
Benefit now!