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: [email protected]
Professor Thomas Rønde Institut for Strategi og Innovation Copenhagen Business School Kilevej 14A, 3. sal DK‐2000 Frederiksberg E‐mail: [email protected]
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.