Wie beson­ders ist der dritte Sektor?

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!