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  

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   

2  

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: 

3  

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 

4  

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 

5  

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. 

6  

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. 

7  

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.  

   

8  

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. 

 

9  

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. 

10  

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.  

11  

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.  

12  

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. 

 

   

13  

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.