Benchmarking af fjernvarmesektoren
Professor Jens Leth Hougaard
Sektion for Produktion, Markeder og Politik Københavns Universitet
Rolighedsvej 25, Bygning: 1.208B DK‐1958 Frederiksberg C
E‐mail: jlh@ifro.ku.dk
Professor Thomas Rønde
Institut for Strategi og Innovation Copenhagen Business School Kilevej 14A, 3. sal
DK‐2000 Frederiksberg
E‐mail: thr.si@cbs.dk
Resumé
I denne rapport skitserer vi udfordringerne ved at bruge benchmarking‐metoderne kendt fra vandsektoren til regulering af fjernvarmesektoren. Vi vurderer, at metoderne kræver, at alle enheder opererer under de samme teknologiske og økonomiske rammevilkår. På grund af en stærkt heterogen produktionsstruktur blandt fjernvarmeværkerne vil det derfor være nødvendigt at splitte værkerne op i mere sammenlignelige undergrupper. Hvis disse undergrupper bliver for små, vil metoderne finde, at mange værker er fuldt efficiente. Dette vil – imod hensigten med loven – mindske effektivisering‐presset på selskaberne. Man kan også frygte, at datamaterialet for nogle undergrupper bliver for ”tyndt” til at kunne bruge metoderne meningsfuldt idet de estimerede effektiviseringspotentialer bliver meget usikre.
Udarbejdelsen af denne rapport er finansieret af Dansk Energi, der også har bidraget med sektor‐
specifik viden. Synspunkterne udtrykt i rapporten er forfatternes egne.
1. Introduktion
Regulering af naturlige monopoler såsom forsyning af el, vand, varme og gas, fastnet telefoni og jernbanedrift har en lang tradition. Selskaberne i disse brancher møder intet – eller et meget begrænset – konkurrencepres. De ville derfor uden regulering kunne tage høje priser og have en begrænset tilskyndelse til at effektivisere driften, til skade for forbrugerne og den samlede økonomiske velfærd. I de seneste årtier har der været en bevægelse mod liberalisering af tidligere monopoler. Adgangen til kritiske dele af infrastrukturen er fortsat reguleret, mens konkurrence er introduceret i andre led af værdikæden. Eksempler på denne tilgang er Banedanmark og Energinet, der som offentlige myndigheder driver henholdsvis jernbanenettet og transmissionsnettet på elmarkedet. Samtidigt er dele af jernbanedriften konkurrenceudsat, og der er konkurrence på detail‐ og engrosmarkedet for elektricitet. Idéen bag liberaliseringerne er, at velfungerende konkurrence er bedre end regulering til at sikre lavere priser og tilskynde selskaberne til at være effektive og innovative.
Vandsektoren er ikke blevet liberaliseret, og består fortsat af en lang række lokale monopoler af meget forskellige størrelse. Vandforsyningen bygger på et ”hvile‐i‐sig‐selv” princip, hvor evt.
overskud skal tilbagebetales til kunderne. Dette sikrer mod meget høje priser, men det løser ikke problemet, at monopoler ”lever et stille liv”, og har en begrænset tilskyndelse til at effektivisere driften og implementere nye løsninger (Leibenstein, 1966). I vandsektoren er denne udfordring søgt løst gennem benchmarking af drikke‐ og spildevandsselskaberne. Benchmarking‐modellerne sammenholder et selskabs faktiske omkostninger med de omkostninger, som man kunne forvente givet sammensætningen af selskabets net og de gennemsnitlige omkostninger i branchen. Analysen resulterer i en efficiens‐score, der måler hvor effektiv produktionen er, og i et individuelt effektiviseringskrav. Benchmarking skaber derfor en form for konkurrencepres i sektoren, hvor de mindst effektive selskaber bliver tvunget til at forbedre sig mest.
Benchmarking af drikke‐ og spildevandsselskaberne blev introduceret med prislofterne i 2012.
Reguleringen har været forholdsvis forsigtig, og selskaberne har været (og er) på forskellig vis sikret mod effektiviseringskrav, der enten skyldtes fejl i data eller model, eller var så store, at de var urealistiske at opnå. Prislofterne pålagde selskaberne et samlet effektiviseringskrav på 1,1 mia. fra 2011 til 2016 (KFST, 2016). Selskaberne opnåede endnu større effektiviseringer end de i reguleringen fastsatte mål, og i perioden 2011‐2016 skete der en gennemsnitlig årlig reduktion i driftsomkostningerne på hhv. 7,1 og 6,4 pct. for drikke‐ og spildevandsselskaberne (KFST, 2016).
Dette er imidlertid ikke direkte genspejlet i forbrugerpriserne da der samtidigt er sket en vækst i investeringerne. Fra 2017 er man overgået til en totaløkonomisk regulering bl.a. for at sikre de korrekte incitamenter til at investere. Det er naturligvis umuligt at vide, hvordan sektoren ville have udviklet sig uden prislofter, men det må formodes, at reguleringen har bidrag til de effektiviseringer, som er sket. Reguleringen af vandsektoren og erfaringerne gjort gennemgås i flere detaljer i afsnit 2 og 3.
Der er indgået politiske aftaler om ny regulering af fjernvarmesektoren i 2016 og 2017. Som en vigtig del af aftalerne, indføres benchmarking af fjernvarmeselskaberne fra 2020. Aftalerne undtager de
mindste værker og de største værker fra benchmarking, men det forventes at reguleringen kommer til at omfatte 90 pct. af fjernvarmedistributionen. Ambitionen fra politisk hold er, at den nye regulering vil føre til betydelige effektiviseringer i sektoren, og dermed understøtte den økonomiske vækst.
I denne rapport skitserer vi udfordringerne ved at bruge benchmarking‐metoderne kendt fra vandsektoren til regulering af fjernvarmesektoren. Vi vurderer, at metoderne kræver, at alle enheder opererer under de samme teknologiske og økonomiske rammevilkår. Det vil derfor være nødvendigt at splitte produktion og distribution op i mere sammenlignelige undergrupper. Hvis disse undergrupper bliver for små, vil metoderne finde, at mange selskaber er fuldt efficiente. Dette vil – imod hensigten med loven – mindske effektivisering‐presset på selskaberne. Man kan også frygte, at datamateriale for nogle undergrupper bliver for ”tyndt” til at kunne bruge metoderne meningsfuldt.
En anden udfordring er, at fjernvarmeværkerne bruger meget forskellige produktionsteknologier.
Det gør det vanskeligere at aggregere alle produktionsinputs, som det sker i benchmarkingen af drikke‐ og spildevandsselskaberne. Der er ikke nødvendigvis en entydig pris for alle inputs. Hvis værkerne anvender meget forskellige kombinationer af inputs, risikerer man derfor, at evt. fejl i de relative inputpriser påvirker vurderingen af de enkelte værkers efficiens betydeligt. Dette tilsiger igen, at værkerne skal opdeles i mindre og mere sammenlignelige grupper med de ovennævnte konsekvenser for reguleringen.
Rapporten er opdelt som følger: I næste afsnit gennemgås antagelserne bag de typer af benchmarking‐modeller, der anvendes i regulering af vandsektoren. Afsnit 3 sammenfatter erfaringerne fra prisloft‐reguleringen af vandsektoren, og gennemgår i flere detaljer de specifikke benchmarking‐modeller anvendt. I afsnit 4 diskuterer vi udfordringerne ved at indføre benchmarking i fjernvarmesektoren, og afsnit 5 sammenfatter og perspektiverer rapporten.
2. Benchmarking‐Modeller
Benchmarking‐modeller er et populært værktøj til at give regulator information omkring de regulerede selskabers produktions‐ og omkostningsforhold. Disse forhold er kendt af de individuelle selskaber men kun i begrænset omfang af regulator. En benchmarking‐model giver regulator mulighed for at kunne lave relative sammenligninger af de enkelte selskabers præstationer i den forstand, at hvert selskab sammenlignes med de bedste selskaber i industrien (benchmark).
Benchmarking‐modeller er ofte brugt i praksis som det f.eks. er tilfældet med regulering af de danske vandselskaber, se nedenfor. Her benyttes to velkendte metoder fra teorien om produktivitetsmåling: Data Envelopment Analysis (DEA) og Stochastic Frontier Analysis (SFA). Som alle sådanne metoder bygger de på en række centrale antagelser. Vigtige og grundlæggende antagelser i DEA og SFA er:
1. Alle enheder kan repræsenteres ved de samme produktionsfaktorer: Dvs. produktionen for alle selskaber der indgår i analysen kan beskrives ved de samme inputs (fysiske inputs eller omkostningskategorier) som i princippet bruges til at producere de samme outputs (fysiske produkter eller indtjeningskategorier).
2. Alle enheder opererer under de samme teknologiske og økonomiske rammevilkår: De selskaber der indgår i analysen antages at operere under de samme grundvilkår, dvs. under den samme form for produktionsteknologi og under de samme overordnede økonomiske vilkår.
3. Metodiske antagelser om konveksitet og skalaafkast i produktionen (for DEA) og eksistensen af en bestemt funktionel form for produktionssammenhængen (for SFA): Dette er metode‐
tekniske antagelser, men de har stor betydning for analysens resultat. Løst sagt betyder det i DEA, at faktisk eksisterende selskaber kan blive målt op mod en hypotetisk enhed skabt som en kombination af andre selskabers produktion og at produktioner kan skaleres op eller ned anhængig af de konkrete skalaafkastsantagelser (således at selskaber kan sammenlignes på tværs af størrelsesforskelle). Benchmark bliver således en hypotetisk ”efficient‐front” af de estimerede produktionsmuligheder. I SFA samles disse antagelser i et postulat om at produktionsmulighederne kan beskrives ved en bestemt funktionel form (typisk i form af en såkaldt translog‐funktion). Dette sker på trods af at man dybest set ikke kender denne funktionelle sammenhæng. Det muliggør imidlertid brugen af statistiske tests for variabelsignifikans i SFA, i modsætning til DEA. Der er således fordele og ulemper ved begge metoder og ingen af de to kan siges at være bedre end den anden ud fra et teoretisk perspektiv.
På den positive side kan man fremhæve, at benchmarking‐modellerne gør alle disse antagelser eksplicitte i den konkrete regulering, og disse antagelser derfor kan gøres til genstand for en diskussion mellem de involverede parter. På den negative side tæller det derimod, at disse antagelser ofte er tvivlsomme i en praktisk kontekst, som vi vil give eksempler på nedenfor. For at imødekomme dette problem har man i reguleringen af vandselskaberne bl.a. valgt at bruge et
”bedste‐af‐to” princip hvor analysen udføres ved brug af både DEA og SFA og der vælges den af de to analyser der stiller selskabet i det bedste lys. Derudover har man indført en række kvalitetstjek til at sikre fjernelse af ”outliers” således at disse ikke skævvrider den efficiente front, samt tjek for at de selskaber, der indgår i dannelsen af benchmark, rent faktisk også er repræsentative, mv.
For at lave en velgennemført benchmarking‐analyse er det altså vigtigt at alle deltagende selskaber er ”sammenlignelige” i den forstand, at de alle kan beskrives ved de samme inputs og outputs i produktionen, og de alle opererer under de samme rammevilkår både teknologisk og økonomisk. I praksis er det ofte en delikat balance mellem at ville inkludere en tilstrækkelig stor mængde selskaber til at gøre analysen meningsfyldt og relevant, og så sikre at de selskaber der indgår nu også er ”ens” i den forstand, at det giver mening at måle dem op mod hinanden. En tilsvarende balancegang genfindes i bestemmelsen af modellens aggregeringsniveau (altså hvor mange input og output variable der beskriver selskabernes faktiske produktion). På den ene side kræver en realistisk beskrivelse af de faktiske produktionsforhold ofte af modellen inkluderer mange inputs og
mange outputs. På den anden side mister modellen evnen til at skelne mellem selskaberne jo flere inputs og outputs der indgår af den simple årsag, at det bagved liggende dominansbegreb (at et selskab er bedre end et andet selskab hvis det ved brug af færre inputs kan producere mere output) er en svag ordning. Af praktiske årsager tvinges man derfor ofte til at aggregere inputs og outputs i modellen for at gøre selskaberne mere sammenlignelige. I benchmarking‐modellerne for drikke‐ og spildevandsselskaberne aggregeres eksempelvis de mange forskellige inputs til de forventede omkostninger givet selskabets net og de gennemsnitlige input‐omkostninger i branchen.
Eksempel på aggregering
To selskaber bruger to inputs til at producere et output:
Input 1 Input 2 Output
Selskab 1 1 2 3
Selskab 2 2 1 3
Det er i udgangspunktet ikke muligt at afgøre, hvilket selskab er mest efficient, da de bruger forskellige input‐kombinationer til at producere den samme mængde output. Input‐priserne kan her bruges til at aggregere de to inputs. Antag f.eks. at input 1 og 2 koster hhv. kr. 100 og kr. 200 per enhed.
Følgende tabel, der viser selskabernes driftsomkostninger, kan så opstilles:
Driftsomkostning (kr.) Output Selskab 1 1*100 + 2*200 = 500 3 Selskab 2 2*100 + 1*200 = 400 3
Selskaberne kan sammenlignes ud fra tabellen, og selskab 2 fremstår mest efficient, da det producerer tre enheder output kr. 100 billigere end selskab 1.
Aggregering vha. input‐priser er ikke uden udfordringer, da ikke alle inputs har en markedspris. Det kan f.eks. være svært at prissætte brugen af et eksisterende net eller af bygninger, der indgår i produktionen af flere outputs, som ikke alle er del af benchmarking‐analysen (se næste afsnit). Det gælder også her, at benchmarking‐analysen er mest robust, når selskaberne anvender den samme form for produktionsteknologi, og bruger de samme inputs i nogenlunde ens forhold. Skulle et input være prissat forkert, påvirkes vurderingen af selskabernes relative efficiens mindre end hvis kun nogle af selskaberne brugte dette input. En anden praktisk udfordring er manglende inputs og outputs i benchmarking‐analysen. Dette er et problem, som Forsyningssekretariatet har givet stor
opmærksomhed i reguleringen af vandsektoren, og benchmarking‐modellerne er løbende blevet udvidet med forhold, der medvirker til at forklare selskabernes omkostninger (såkaldte cost‐
drivers). Det gælder også her, at manglende cost‐drivers påvirker resultat af benchmarkingen mindre, hvis alle selskaber anvender dette (manglende) input end hvis kun nogle gør det.
En anden udfordring er, at benchmarking‐analysen udgør et øjebliksbillede (for data indsamlet over en specifik periode) hvorimod selskaberne opererer i en dynamisk verden hvor f.eks.
investeringsbeslutninger træffes i et dynamisk perspektiv og krav til driften kan påvirkes af skiftende politiske ambitioner mv. Hvis man ikke er opmærksom på dette når modellen fastlægges kan det f.eks. betyde at et selskab i en given periode kan fremstå som inefficient på trods af det, ud fra en økonomisk set optimal investeringsstrategi, har valgt afholde udgifter her og nu mod at opnå en mere efficient drift fremover. I praksis kan man forsøge at korrigere for dette problem men grundlæggende er det problematisk at modellerne ikke er dynamiske.1 De tager således heller ikke højde for, at selskabernes handlinger ikke kun påvirkes af reguleringen i det gældende år men også af deres forventninger til fremtidig regulering. Eftersom selskaberne kun investerer, hvis de opnår et givet forventet afkast, kan regulering der mindsker størrelsen af det forventede afkast dæmpe investeringslysten. Regulator står således over for et dilemma: På den ene side øger det effekten af regulering hvis regulator inddrager information fra andre selskaber (benchmarking); på den anden side risikerer regulator at reducere de enkelte selskabers incitament til at foretage økonomisk rentable investeringer (se f.eks. Sobel, 1999, for en teoretisk diskussion).
3. Erfaringer fra vandsektoren
Drikke‐ og spildevandsselskaberne blev første gang benchmarket mod hinanden ifm. indførslen af prisloftet i 2012. Forud var gået et betydeligt dataindsamlings‐ og modeludviklingsarbejde, hvor selskabernes aktiver blev opgjort og værdisat, og driftsomkostningerne blev indberettet og kontrolleret. I perioden 2011‐2016 var det kun selskabernes driftsomkostninger, der blev sammenlignet i en såkaldt OPEX‐model (”operating expenses”). Det betød bl.a., at investeringsudgifter ikke indgik, hvilket gav selskaberne et (for) stærkt incitament til at investere i reduktioner i driftsomkostningerne. Benchmarking‐modellen blev løbende justeret i perioden 2011‐
2016, og blev gennemgribende revideret ifm. prisloftet for 2017, hvor man overgik til at sammenligne selskabernes totale udgifter i en TOTEX‐model (”total expenses”), formodentlig for at give selskabernes større incitament til at tænke i samlede omkostninger når de investerer.
Tilgangen til prisreguleringen af vandsektoren har været forholdsvis forsigtig. Der er indbygget flere justeringer i modellen, der sikrer i) at der kan tages hensyn til de enkelte selskabers specifikke forhold, ii) at selskaberne ikke rammes af mulige fejl‐specifikationer af benchmarking‐modellen, og iii) at selskaberne ikke møder urealistisk høje effektiviseringskrav i de enkelte år.
1 Overgangen fra OPEX‐ til TOTEX‐modellen i vandsektoren gav eksempelvis selskaberne incitamenter til at betragt en længere tidshorisont i deres investeringsbeslutninger.
Der er sket betydelige effektivitetsgevinster på driftssiden i sektoren siden indførslen af prislofterne.
Reguleringen pålagde selskaberne et samlet effektiviseringskrav på 1,1 mia. fra 2011 til 2016 (KFST, 2015). Selskaberne opnåede større effektiviseringer end de i reguleringen fastsatte mål, og i perioden 2011‐2016 skete der en gennemsnitlig årlig reduktion i driftsomkostningerne på hhv. 7,1 og 6,4 pct. for drikke‐ og spildevandsselskaberne (KFST, 2015). Prisloftet blev derfor justeret ekstraordinært i perioden for at sikre, at selskaberne fortsat havde tilskyndelse til at forbedre driften. Effektiviseringerne er dog ikke direkte genspejlet i forbrugerpriserne da selskaberne samtidigt har øget investeringerne og kapitaludgifterne indtil 2017 ikke var underlagt benchmarking.
Det er naturligvis umuligt at vide, hvordan effektivitetsudviklingen i sektoren ville have været, hvis prislofterne ikke havde været indført. Det må dog formodes, at reguleringen har tilskyndet selskaberne til effektiviseringer i driften, og har bidraget til skabe en form for konkurrencepres i en sektor kendetegnet ved lokale monopoler. De store effektivitetsforbedringer er dog sikkert også udtryk for vis ineffektivitet i sektoren forud for indførslen af prislofterne, hvorfor der har været gode muligheder for effektivitetsfremmende tiltag.
TOTEX‐modellerne i vandsektoren
Benchmarking‐modeller sammenligner almindeligvis den mængde af input, der bruges til at producere en given mængde output. I vandsektoren har man valgt ikke at udvikle et mål for de output, som selskaberne leverer. I stedet sammenlignes de faktiske omkostninger med de omkostninger, som selskabet ville have, hvis de svarede til gennemsnittet for branchen.
På input‐siden indgår driftsomkostninger, afskrivninger, og finansielle omkostninger. Output‐
siden er summen af to mål, der fanger de gennemsnitlige omkostninger i branchen ved drive selskabets net. For et drikkevandsselskab vil omkostningerne f.eks. afhænge af antal boringer, vandværker, kunder, meter ledninger, etc. Disse kaldes for cost‐drivere. Der beregnes både (i) de forventede gennemsnitlige driftsomkostning (OPEX‐netvolumenmål) ud fra selskabets sammensætning af cost‐drivere samt de gennemsnitlige omkostninger til de forskellige cost‐
drivere i branchen, samt (ii) de forventede kapitaludgifter ud fra standardlevetider og genanskaffelsespriser for selskabets forskellige aktiver (CAPEX‐netvolumenmål). Output er således summen af selskabets OPEX‐ og CAPEX‐netvolumenmål. Der er udviklet separate modeller for drikkevands‐ og spildevandsselskaberne, hvor forskellige cost‐drivere indgår. Endelig beregnes alternative netvolumenmål, hvor der justeres for nettenes alder og tæthed. Disse justeringer er et eksempel på, at aggregering af inputs til ét outputmål kan være vanskelig.
På baggrund af disse input‐ og output‐mål beregnes selskabernes efficiens‐scorer vha. Data Envelopment Analysis (DEA) og Stochastic Frontier Analysis (SFA). En efficiens‐score er et tal mellem 0 og 1, hvor 1 repræsenterer fuld efficiens. Af forsigtighedshensyn sættes selskabernes efficiens‐score til den højeste af de to scorer, der kommer ud af DEA og SFA.
Et selskabs samlede omkostninger beregnes som de påvirkelige omkostninger plus tillæg til dækning af særlige forhold (f.eks. flytning og udvidelser af nettet) og/eller en særlig sammensætning af nettet. De påvirkelige omkostninger inkluderer de input, der indgår i benchmarking‐modellerne, men også omkostninger til miljø‐ og servicemål, tilknyttede aktiviteter mm. Skatter og afgifter er f.eks. ikke påvirkelige omkostninger, da disse er uden for selskabernes kontrol. Det effektive niveau for et selskabs omkostninger beregnes som de samlede omkostninger gange efficiens‐scoren. Det individuelle effektiviseringskrav fremkommer som forskellen mellem selskabets samlede omkostninger og dets effektive omkostningsniveau, dog højest 2 pct. af de totaløkonomiske omkostninger årligt. Det er således alle påvirkelig omkostninger, der underlægges et effektiviserings‐krav, og ikke kun de omkostninger, der indgår i benchmarking‐
analysen.
Kilde: KFST (2016, 2018)
4. Benchmarking af fjernvarmesektoren
Fjernvarmesektoren er karakteriseret ved selskaber der er meget heterogene i såvel produktion som distribution. Vedrørende distributionen kan der være store forskelle i befolkningstætheden og vedrørende produktion kan det enkelte selskab eje flere værker, der igen kan bestå af flere varmeproducerende anlæg, der teknologisk set er vidt forskellige. I dag produceres fjernvarme på baggrund af affald, flis, halm, el, solvarme, geotermi, naturgas, olie, kul, overskudsvarme fra industri mm. Det mest almindelige er at hver værk har 1‐2 forskellige typer produktionsanlæg, men der er værker med over 5 forskellige typer anlæg. Nedenstående tabel illustrerer fordelingen af anlæg på baggrund af teknologier, varmeproduktion og ‐kapacitet. Som det fremgår af tabellen er der ud over variationen i typer anlæg også stor forskel i anlæggenes størrelse: Nogle værker leverer til hundredtusinde husstande, andre til ganske få. Kedel og forbrændingsmotor den mest udbredte form for anlæg. På baggrund af de seneste opgørelser fra 2016 er der således 1954 produktionsanlæg fordelt på 907 værker (et værk kan godt være en spidslastcentral, der ejes af et selskab med flere produktionslokaliteter) med 187 unikke kombinationer af teknologier og primære brændsler. I benchmarking af fjernvarmeproduktion er det sandsynligvis enkelte værker som bliver sammenlignet, hvilket for et betydeligt antal af værkerne vil gælde for selskabets samlede produktion. I distributionen vil sammenligningen sandsynligvis være på selskabsniveau.
Kilde: Dansk Energi på baggrund af Energiproducenttællingen. Tabellen indeholder samtlige anlæg fra 2016, som har produceret og leveret varme til fjernvarmenettet.
Tabel: Fjernvarmeanlæg opdelt på teknologier, varmeproduktion og ‐kapacitet.
I relation til at overføre benchmarking‐metoderne fra vandsektoren til fjernvarmesektoren er der således flere punkter man skal være opmærksom på: 2
1. De politiske aftaler fra 2016 og 2017 fritager de mindste, og de største værker fra benchmarking. Hvilke værker der skal være omfattet af indtægtsrammer skal afgøres i politiske drøftelser i 2018. De resterende værker, der skal benchmarkes, er dog fortsat meget heterogene mht. deres produktionsteknologi, og det er vanskeligt at se, hvordan alle værker skal kunne inkluderes i den samme benchmarking‐model. Rent ingeniørmæssigt er der betydelige forskelle mellem de forskellige anlægstyper og derudover anvender det enkelte værk typisk flere anlæg, der ydermere kan bruge forskellige brændselstyper. Det betyder bl.a. at der også er forskellig økonomi i de forskellige typer driftsanlæg. Problemerne med at sammenligne værkerne opstår på flere fronter. For det første burde man ideelt set bestemme de input og de output variable, der bedst beskriver produktionen. Det er dog svært at se hvordan de samme input‐ og outputvariable skal kunne være repræsentative for alle værker. Hvis alle relevante variable indgår for alle typer værker vil der være mange input/output kategorier for hvilke det enkelte værk ikke har registreret data. Dette skaber notorisk estimationstekniske problemer i DEA og SFA modeller og dermed problemer med validiteten af de estimerede forbedringspotentialer.3 Det fjerner ikke problemet, at man definerer costdrivers, som man sammenvejer og præsenterer som et samlet output (eller input for den sags skyld). Problemet er nu blot indlejret i aggregeringen, se også punkt 4 nedenfor.
2. For det andet er det tvivlsomt hvorvidt det er meningsfyldt at danne benchmark ud fra hypotetiske enheder skabt som kombinationer af eksisterende værkers produktion hvis de værker der indgår i kombinationerne opererer med vidt forskellige kombinationer af produktionsanlæg. At kombinere produktionsdata fra værker med forskellige produktionsanlæg skaber en hypotetisk hybrid‐enhed, der med garanti ikke har rod i faktiske teknologiske forhold, og dermed ikke er brugbar som benchmark for eksisterende værker.
Man bør derfor benytte separate modeller for hver slags af de overordnede anlægs‐ og brændselskombinationer. Som nævnt ovenfor er der principielt relevante kombinationer af teknologier og brændsler, men selv hvis man reducerer til de mest udbredte kombinationer vil der være tale om et betydeligt antal forskellige produktionsteknologier med hver deres estimerede efficiente ”front”.
3. Derved opstår det tredje problem, nemlig at data materialet bliver relativt tyndt hvis værkerne inddeles i mange mindre undergrupper ud fra deres anlægs‐ og brændselskombination (teknologi). Få observationer i de enkelte undergrupper giver høj
2 Opmærksomhedspunkterne nævnt i det efterfølgende vil gælde uanset om man betragter en TOTEX‐model eller separate OPEX‐ og CAPEX‐modeller.
3 Denne pointe illustreres af Munksgaard et al. (2005), der udvikler en DEA‐model for den danske fjernvarmesektor. Forfatterne viser, at rangeringen af selskaberne efficiens afhænger afgørende af hvilke inputs og outputs, der medtages i analysen.
usikkerhed på estimaterne af efficiens‐scoren for de enkelte værker i gruppen og dermed lav validitet af analyse‐resultatet. Kort fortalt er problemet at DEA modellen bliver lempelig og SFA modellen risikerer at blive insignifikant. For en DEA model med 5‐6 input‐output variable (som for vandselskaberne) vil det være problematisk med datasæt med færre end 50 sammenlignelige værker. For SFA‐modeller er kravet til antallet af sammenlignelige observationer endnu større. Til sammenligning har man for drikkevandselskaberne valgt en model med et input og fem outputs med 75 selskaber. For spildevandselskaber har man valgt en model med et input og fire outputs med 104 selskaber.
4. Fjernvarmeanlæg indgår typisk i samproduktion med andre aktiviteter som f.eks. el‐
produktion eller affaldshåndtering. Under alle former for samproduktion opstår der problemer med at fordele fællesomkostninger ud på de enkelte aktiviteter. Fordeling af fællesomkostninger er underlagt regulering for at sikre at konkurrenceudsat produktion af f.eks. elektricitet ikke krydssubsidieres af ikke‐konkurrenceudsat produktion af fjernvarme.
Inden for de reguleringsmæssige rammer vil der dog ofte være et vist rum til ad‐hoc bestemte fordelingsnøgler for de enkelte selskaber. Fordelingsnøglerne kan f.eks. være opstået som et resultat af de konkrete historiske forudsætninger for etableringen af de enkelte anlæg. Sådanne fordelingsmæssige problemer kan dog besværliggøre en direkte sammenligning af omkostningsvariable på tværs af selskaber. Dette er således endnu et argument for kun at benchmarke værker med samme anlægstype, om end det ikke fuldstændigt fjerner problemet med selskabsspecifikke fordelingsnøgler. I distributionen er et andet problem prisen på brugen af det eksisterende net. I vandsektoren er dette søgt løst vha. et pris‐ og levetidskatalog (POLKA), der kan bruges til at udregne værdien af nettet. Der pågår i øjeblikket et arbejde med at udvikle et tilsvarende katalog for fjernevarmesektoren.
Erfaringerne fra vandsektoren viser dog, at POLKA ikke er perfekt, hvorfor der laves forskellige ad‐hoc justeringer for nettets alder og tæthed. Tilsvarende problemer vil sandsynligvis også opstå i fjernvarmesektoren, og jo mere heterogene selskabernes produktion og distribution er, desto sværere bliver det at aggregere deres aktiver på en måde der ikke forvrider deres relative efficiens.
5. Skalafordele i distributionen og produktion udgør en anden udfordring. Det er f.eks. klart at det umiddelbart virker som en fordel for værker at være placeret i et bymiljø hvor de enkelte husstande ligger tæt og distributionsnettet derfor kan udnyttes mere effektivt. Man kan derfor forstille sig at hvis man i benchmarking‐analysen antager konstant skalaafkast betyder det at store værker i byerne kan nedskaleres og bruges som benchmark for mindre værker med barmarksanlæg. Dette virker umiddelbart ikke hensigtsmæssigt. I analysen af vandselskaberne har man da også valgt at bruge såkaldt variabelt skalaafkast hvilket er en betydeligt svagere antagelse end konstant skalaafkast som sikre, at selskaber kun bliver sammenlignet med andre selskaber af samme størrelsesorden. Det skal her bemærkes at hvis man antager variabelt skalaafkast så stilles der større krav til antallet af observationer for at skabe valide efficiensscorer.
6. Forskellige fjernvarmeanlæg kan være født med forskelligt politisk sigte. Selskaberne er f.eks. underlagt politiske valg angående brændsel og samproduktion af kraft og varme. Det er måske ikke umiddelbart økonomisk rentabelt af bruge et bestemt brændsel i produktionen for det enkelte værk men samfundsøkonomisk er det en god ide at bruge brændslet. Produktionen af fjernvarme drives således ikke nødvendigvis på markedsvilkår men indgår i et bredere politisk perspektiv.4 Det er svært at se hvordan sådanne forskelle skal kunne korrigeres indenfor rammerne af benchmarking‐analysen, hvis værker med meget forskellige teknologiske strukturer sammenlignes. Samtidigt kan det være svært for selskaberne, der af historiske, miljømæssige eller andre grunde har en portefølje af anlæg med høje produktionsomkostninger, at drive en levedygtig forretning, hvis priserne fastsættes på baggrund af selskaber, der anvender teknologier med lavere omkostninger.5 Samlet set må det således konkluderes, at der er en række fundamentale udfordringer forbundet med at overføre benchmarking‐metoderne fra vandsektoren direkte til fjernvarmesektoren. Dette er naturligvis ikke det samme som at sige, at det er umuligt at benchmarke fjernvarmeproduktionen ved brug af DEA eller SFA modeller, men validiteten af de opnående efficiens‐scorer, der indgår i bestemmelsen af de værkspecifikke effektiviseringspotentialer, vil være behæftet med større usikkerhed. Denne usikkerhed opstår enten fordi man har valgt at benytte samme model for alle værker trods deres fundamentalt heterogene natur, eller fordi man har valgt at splitte værkerne op i mere sammenlignelige undergrupper og derved får et tyndere datamateriale for de enkelte undergrupper. Igen skal det her bemærkes, at der naturligvis kan findes undergrupper af værker eller aktiviteter, hvor metodekravene om sammenlignelighed og antal er opfyldt, og hvor benchmarking‐metoderne giver robuste resultater.
5. Sammenfatning og diskussion
Der blev i 2016 og 2017 indgået politiske aftaler om at indføre benchmarking af fjernvarmesektoren.
Denne rapport beskriver udfordringerne ved at overføre benchmarking‐metoderne, som de kendes fra vandsektoren, til fjernvarmesektoren. Metoderne kræver, at alle enheder opererer under de samme teknologiske og økonomiske rammevilkår. Samtidigt kan det være svært at aggregere de mange forskellige produktions‐input til en samlet omkostning, hvis de enkelte enheder bruger meget forskellige inputs. På produktionssiden vil benchmarking derfor kræve, at værkerne splittes op i mere sammenlignelige undergrupper. Da fjernvarmeværkerne bruger meget forskellige kombinationer af anlægs‐ og brændselstyper, kan nogle af disse undergrupper blive så små, at metoderne ikke meningsfuldt kan anvendes. For andre undergrupper vil et relativt lavt antal af
4 Agrell og Bogetoft (2005) udvikler en DEA‐model for den danske fjernvarmesektor, og finder af politiske valg angående f.eks. størrelsen af værkerne og brændsel er tre gange vigtigere for et selskabs efficiens end selve driften af anlægget.
5 Selv hvis et selskab fremadrettet gives helt frie rammer for investeringer i de mest økonomisk fordelagtige teknologier, vil det stadig mange år frem i tiden have højere omkostninger pga. de historisk valgte teknologier.
sammenlignelige værker resultere i lavere effektiviseringskrav. Det er naturligvis ikke det samme som at sige, at benchmarking ikke kan anvendes i sektoren, og metodekravene om sammenlignelighed og antal er vil sandsynligvis være opfyldt for visse undergrupper. Det er dog overvejende sandsynligt, at benchmarking‐regulering er et mindre virkningsfuldt redskab til at sikre effektivisering og lave priser i fjernvarmesektoren end i vandsektoren.
I en reguleringssammenhæng er der god grund til at forsøge at erstatte ”grønthøstermetoden”, hvor alle selskaber bliver mødt med samme forbedringskrav, med en model der bygger på mere individuelt fastsatte forbedringspotentialer. I princippet er det netop hvad benchmarking‐
modellerne kan tilbyde. Problemet er imidlertid bare den forholdsvis store usikkerhed der er forbundet med brug af DEA og SFA metoderne af grunde som beskrevet ovenfor. Denne usikkerhed sætter ofte alvorlige spørgsmålstegn ved validiteten af de opnåede forbedringspotentialer.
Benchmarking‐modellerne for drikke‐ og spildevandsselskaberne er løbende blevet forbedret, og modeller for fjernvarmesektoren må formodes at gennemgå en lignende udvikling. Spørgsmålet er, hvorvidt de ovennævnte udfordringer med benchmarking vil forsvinde, som modellerne bliver bedre? Økonomiske teori vil tilsige, at dette ikke er tilfældet. Kombinationen af asymmetrisk information omkring de regulerede enheders omkostningsforhold samt forskelle i disse forhold på tværs af enheder sætter en øvre grænse for, hvor effektiv reguleringen kan blive. Kort fortalt er det ikke muligt både at sikre de mindre effektive selskabers overlevelse og højest mulig efficiens hos de mest effektive selskaber (Laffont og Tirole, 1993). Fjernvarmeselskabernes forskellighed vil derfor vanskeliggøre effektiv regulering uanset hvor godt reguleringen skrues sammen.
Referencer:
Aftale om ny regulering på fjernvarmeområdet, https://efkm.dk/media/7440/
aftale_om_ny_regulering_paa_fjernvarmeomraadet.pdf
Aftale vedrørende økonomisk regulering af fjernvarmesektoren https://efkm.dk/media/8409/aftale‐vedr‐oekonomisk‐regulering‐af‐fjernvarmesektoren‐02‐06‐
17.pdf
Agrell P. og P. Bogetoft (2005): Economic and environmental efficiency of district heating, Energy Policy, 33, 1351‐1362.
Konkurrence‐ og Forbrugerstyrelsen (2013): Resultatorienteret benchmarking af vand‐ og spildevandsforsyningerne, www.kfst.dk.
Konkurrence‐ og Forbrugerstyrelsen (2016): Totaløkonomisk benchmarking. Fastsættelse af individuelle effektiviseringskrav i de økonomiske rammer for 2017, www.kfst.dk.
Konkurrence‐ og Forbrugerstyrelsen (2017): Totaløkonomisk benchmarking. Fastsættelse af individuelle effektiviseringskrav i de økonomiske rammer for 2018‐2019 for spildevandsselskaber, www.kfst.dk.
Konkurrence‐ og Forbrugerstyrelsen (2018): Totaløkonomisk benchmarking for drikkevandsselskaber. Model for beregning af individuelle effektiviseringskrav i de økonomiske rammer for 2019‐2020, www.kfst.dk.
Konkurrence‐ og Forbrugerstyrelsen (2015): Udvikling i prislofterne i vandsektoren, www.kfst.dk.
Laffont, J.J. og J. Tirole (1993): A Theory of Incentives in Procurement and Regulation, MIT Press.
Leibenstein, H. (1966): Allocative Efficiency vs. "X‐Efficiency", American Economic Review, 56, 392‐
415.
Munksgaard, J., L. Pade og P. Fristrup (2005), Efficiency gains in Danish district heating. Is there anything to learn from benchmarking? Energy Policy, 33, 1986‐1997.
Sobel, J. (1999): A reexamination of yardstick competition, Journal of Economics and Management Strategy, 8, 33‐60.