En analyse av effektivitetsnormen trinn1 og trinn2 for distribusjonsselskapene av elektrisk energi
1. 1
En analyse av effektivitetsnormen
trinn1 og trinn2 for
distribusjonsselskapene av elektrisk
energi
Professor Terje Vassdal1
og
Universitetslektor Guanqing Wang 2
Et oppdrag for Troms Kraft Nett AS, Tromsø
Rapport datert 27.11.2019
1
Handelshøgskolen ved UiT, campus Tromsø.
Terje Vassdal er kontaktperson. E-postadresse: terje.vassdal@uit.no
2
Handelshøgskolen ved UiT, campus Alta.
E-postadresse: guanqing.wang@uit.no
2. 2
Innhold
Innhold
Bakgrunn og metode for NVEs regulering av norske nettselskaper ....................................................... 4
Beskrivelse av data og analyser............................................................................................................. 12
Analysekapittel 1: NVEs modell Trinn1 ................................................................................................. 14
Resultater NVEs Trinn1...................................................................................................................... 14
Analysekapittel 2: NVEs modell Trinn2 ................................................................................................. 17
Resultater NVEs Trinn2.................................................................................................................... 17
Drøftinger .......................................................................................................................................... 20
Sammenligning av effektivitet trinn 1 med trinn 2. .............................................................................. 21
En grundigere forklaring av Trinn2.................................................................................................... 26
Tabell 1 Aggregert effektivitet Nord-Norge og resten av Norge 2017-19............................................... 6
Tabell 2 Spesielle restriksjoner som definerer begrensinger på 𝜆𝑗 . ...................................................... 8
Tabell 3 Talleksempel som illustrerer CRS, VRS og Koopmans forutsetning om skala ........................... 9
Tabell 4 Beskrivelse av variablene som inkluderes i trinn 1 og 2.......................................................... 11
Tabell 5 Trinn 1; Nord-Norge sammenlignes mot resten av Norge ...................................................... 14
Tabell 6 Trinn 1: Gjennomsnitt effektivitet for årene 2017 - 19 .......................................................... 14
Tabell 7 Trinn1 Regionale forskjeller og signifikans .............................................................................. 16
Tabell 8 Trinn2; korrigering av effektivitet med indikatorer for år....................................................... 18
Tabell 9 Trinn 2; Nord-Norge mot resten av Norge, gjennomsnittstall ............................................... 18
Tabell 10 Trinn2; Norge delt i 10 regioner med pooled datasett.......................................................... 19
Tabell 11 Beskrivelse av eksogene variable for år 2017........................................................................ 27
Tabell 12 Estimerte koefisienter for korreksjon, 2017-19 .................................................................... 27
Tabell 13 Z-tabell som viser eksogene faktorer for nordnorske selskaper, 2017 ................................. 28
3. 3
Figure 1 Et eksempel som viser CRS, VRS og Koopmans forutsetning på skala ...................................... 9
Figure 2 Trinn 1; regionale forskjeller i effektivitet............................................................................... 15
Figure 3 Regionvis rangering av effektivitet Trinn2 .............................................................................. 20
Figure 4 Trinn1; effektivitetstall på regionnivå før korrigering for eksogene faktorer ......................... 22
Figure 5 Trinn 1 og Trinn2; korrigering for Norge årene 2017 - 2019................................................... 23
Figure 6 Korrigering Trinn1 til Trinn2 for Norge, Norge uten Nord-Norge, og Nord-Norge separat.... 23
Figure 7 Korrigering på regionnivå ........................................................................................................ 24
Figure 8 Korrigering på bedriftsnivå internt I Nord-Norge.................................................................... 24
Figure 9 Ulik korrigering fra Trinn1 til Trinn2 i Nord-Norge. Sortert etter Trinn1 effektivitet.............. 25
Figure 10 Ulike korrigering fra Trinn1 til Trinn 2 på fylkesnivå i Nord-Norge ....................................... 26
Figure 11 Korrigering for nordnorske selskaper I 2019......................................................................... 29
4. 4
Bakgrunn og metode for NVEs regulering av norske nettselskaper
Alle norske selskaper som distribuerer elektrisk strøm til sluttbrukere er i utgangspunktet
såkalte «naturlige monopoler» i det området hvor selskapene opererer. Av kostnadsgrunner er
det ikke lønnsomt å ha to eller flere nettverk som distribuerer strøm til de samme kundene.
Den som først etablerer et nett av strømlinjer til kundene vil ha en markert kostnadsfordel
(fordi operatør vil ha hovedsakelig faste kostnader, og svært lave variable kostnader)
sammenlignet med nye konkurrenter. Derfor har myndighetene i de fleste land etablert en
eller annen form for prisregulering eller kostnadskontroll for nettselskaper slik at de ikke skal
kunne utnytte sin monopolmakt til ugunst for kunder.
I Norge anvendes i denne reguleringen en form for «yardstick competition», mens i andre
europeiske land, f.eks. Sverige, er reguleringen av type «Revenue Cap». Noen europeiske land
har regulering i form av «Price Cap» og andre i form av «Cost Recovery». For praktisk
implementering av disse reguleringsformene brukes ulike Benchmarking-metoder.3
I Norge er
det NVE som gjennomfører denne reguleringen. I reguleringsmodellen er begrensingen av
inntekter basert på en kombinasjon av kostnadsnorm, C*, og virkelige kostnader, C.
Den virkelige kostnaden 𝐶 for året 𝑡 blir estimert basert på regnskapstall i år t og t-2 med
justering for prisstigning etter følgende formel (NVE, 2015)4
:
𝐶𝑡 = 𝐷𝑉𝑡 ×
𝐾𝑃𝐼_𝑙ø𝑛𝑛 𝑡
𝐾𝑃𝐼_𝑙ø𝑛𝑛 𝑡−2
+ 𝐾𝐼𝐿𝐸𝑡−2 ×
𝐾𝑃𝐼𝑡
𝐾𝑃𝐼𝑡−2
+ 𝑁𝑇𝑡−2 × 𝑃𝑡 + 𝐴𝑉𝑆𝑡−2 + 𝐴𝐾𝐺𝑡−2
× 𝑟 𝑁𝑉𝐸
(1)
hvor
DVt er drifts- og vedlikeholdskostnader, inkludert betaling for kunder med lengre
strømbrudd.
KILE betingelser. KILE er den norske forkortelsen for Verdi av strømbrudd (value of
lost load - VOLL), år t-2.
3
For en oversikt over europeiske reguleringsregimer og benchmarkingsmetoder, se f.eks. P.J. Agrell og P.
Bogetoft (2013) Benchmarking and Regulation. CORE Discussion paper 2013/8.
4
NVE (2015) Infoskriv ETØ-4/2015 Om beregning av inntektsrammer og kostnadsnorm for 2016.
5. 5
KPI betegner konsumprisindeks. DV blir justert med 𝐾𝑃𝐼_𝑙ø𝑛𝑛 5
, mens KILE er
justert med normal KPI6
.
NT betegner overføringstap i MWh.
P er referansepris for området nettselskapet opererer innenfor (pris per MWh).
AVS er årlige avskrivinger.
AKG er avkastningsgrunnlaget for kapitalavkastning (inkludert 1% arbeidskapital).
𝑟 𝑁𝑉𝐸 er NVEs referanserente.
Inntektsbegrensingen, kalt Rcap, er beregnet etter følgende generelle formel:
𝑅𝑐𝑎𝑝 = 𝜌 ∙ 𝐶∗
+ (1 − 𝜌) ∙ 𝐶 = 𝐶 + 𝜌 ∙ (𝐶∗
− 𝐶) (2)
hvor 𝐶∗
betegner kostnadsnormen (optimale kostnader), 𝐶 begtegner virkelige kostnader for
hvert selskap, og 𝜌 er en vektingsvariabel som viser andelen av inntektsbegrensingen som
kommer fra kostnadsnormen, og (1 - 𝜌 ) er andelen som kommer fra virkelige kostnader. 𝜌 ∈
[0,1] og har økt fra 0,5 (for 2007 og 2008) til 0,6 fra 2009 (Bjørndal, Bjørndal and Fange,
2010).
Kostnadsnormen 𝐶∗
blir beregnet etter en tretrinns metode. I trinn 1 (stage 1) blir
effektivitetsskåre for hvert selskap beregnet ved bruk av DEA modell med 1 input og 3
output. I trinn 2 (stage 2) blir en lineær regresjonsmodell brukt for å korrigere for
ikkekontrollerbare rammebetingelser (eksogene faktorer), hvor effektiviteten fra første trinn
brukes som avhengig variable og 5 hovedsakelig geografiske variable brukes som uavhengige
variabler. Hensikten med trinn 2 er å korrigere for ikke-kontrollerbare variabler som
forutsettes å påvirke kostnadene, men som ikke er tatt med i trinn 1. Trinn 3 er en kalibrering
som har som hensikt at sum av bransjens kostnader skal dekkes inn ved den pålagte
inntektsrammen. Inntektsrammen som blir beregnet etter trinn 2 dekker ikke nødvendigvis de
samlede faktiske kostnader for alle nettselskapene. NVE kalibrerer derfor i trinn 3
inntektsrammen ved å legge en ekstra kostnad til den beregnede effektive kostnadene
beregnet for hvert enkelt selskap, slik at summen av de totale inntektsrammene blir lik
sektorens samlede kostnader. Kostnadsdekningen som da fremkommer, gjelder for hele
bransjen, men ikke for hvert enkelt selskap. Det vil fremdeles være slik at jo høyere
5
Tabell 03363: Konsumprisindeks for varer og tjenester, etter leveringssektor (1998=100) (1979 - ), se: ssb.no
6
Tabell 03014: Konsumprisindeks (1979 - ), se: ssb.no
6. 6
effektivitetsskåre et selskap oppnår over det gjennomsnittlige skår, jo mer vil selskapet tjene i
forhold til den gjennomsnittlige avkastning. På samme måte vil et selskap som har et skår
lavere enn gjennomsnitt få en avkastning som er under den gjennomsnittlige avkastning
(Bjørndal et al., 2018).
Troms Kraft Nett AS har et ønske om å analysere effektivitetstall på trinn 2 i NVEs modell
for alle norske nettselskaper. Troms Kraft AS har allerede gjort en foreløpig analyse av de
tilgjengelige tallene fra 2017-19, og tallene synes å bekrefte at nettselskaper i de tre nordligste
fylkene ikke er like effektive som i resten av landet.
Denne observasjonen er oppsummert i følgende tabell.
Tabell 1 Aggregert effektivitet Nord-Norge og resten av Norge 2017-19
Effektivitet trinn
2 (2019)
Effektivitet trinn
2 (2018)
Effektivitet trinn
2 (2017)
Nord-Norge 79,3 % 78,9 % 78,4 %
Norge utenfor NN 82,9 % 82,1 % 81,2 %
Hele Norge 82,2 % 81,5 % 80,6 %
Antall hele Norge 106 109 115
Tabell 1 viser også antall norske distribusjonsselskaper det enkelte år. Det er ulikt antall
observasjoner de forskjellige årene. Antall regulerte selskaper er avtakende. Dette skyldes at
hvert år fusjonere noen selskaper. Analyse av effekten av fusjon vil vi komme tilbake til i et
eget avsnitt i dette notatet.
Inntektsrammemodellen i formel (2) blir til slutt den følgende sammenheng:
𝑅𝑐𝑎𝑝 = 𝜌(𝐶∗
+ ∆) + (1 − 𝜌)𝐶 (3)
hvor 𝐶∗
er den optimale kostnad korrigert for kalibrering som oppnås med å stille sammen
den optimale kostnad etter trinn to og kalibrering i trinn tre. ∆ er det beløpet som legges til
den effektive kostnaden for hvert selskap.
I den tretrinns estimeringen som brukes av NVE, estimeres trinn 1 ved å løse følgende DEA
modell:
7. 7
𝜃̂𝑗0
𝐶𝑅𝑆
= 𝑚𝑖𝑛 𝜆,𝜃 𝜃
Når
𝜃𝑥𝑖𝑗0
≥ ∑ 𝜆𝑗
𝑛
𝑗=1 𝑥𝑖𝑗 , 𝑖 = 1, … , 𝑚
𝑦 𝑟𝑗0
≤ ∑ 𝜆𝑗 𝑦 𝑟𝑗
𝑛
𝑗=1 , 𝑟 = 1, … , 𝑠
𝜆𝑗 ≥ 0 , 𝑗 = 1, … , 𝑛
I modellen er xij input i for selskap j. I NVE-modellen er det bare én input, og det er totale
kostnader. Derfor blir i = 1 i modellen. På same måte er det i NVE-modellen tre output (se
Tabell 4 for nærmere beskrivelse av variablene). Derfor blir s = 3. Det er ca. 110 nettselskaper
i Norge nå. Antallet endrer seg noe for hvert år. Antall nettselskaper betegnes med
tellevariabel n .
DEA-modellen som har NVE brukt fra 2007 er av type CRS (Constant Returns to Scale). Før
2007 var DEA-modellen av type VRS (Variable Returns to Scale) og hadde andre
outputvariabler. Vi vil i denne rapporten ikke drøfte modeller brukt av NVE før 2007.
Skalaforutsetningen kan ha stor betydning for effektivitetstallene som beregnes. Det er gjort
en del forskning på effekten av ulike forutsetninger om skalaeffektivitet. Normalt
sammenlignes seks ulike varianter. Dette vises i Tabell 2 fra Wang, Bjørndal og Vassdal
(2019). Vekten 𝜆𝑗 er aldri negativ, se siste restriksjon i DEA-modellen ovenfor. Forståing av
restriksjonene for CRS og VRS er viktigst. CRS- restriksjonen betyr at det ikke legges noen
restriksjoner på ∑ 𝜆𝑗𝑗 . Følgen av CRS-restriksjonen er at den effektive fronten blir en rett linje
fra origo i en input – output figur. Ved CRS forutsetningen, som er den NVE nå bruker i sin
reguleringsmodell, vil en ikke kunne bruke DEA-modellen til å beregne stordriftsfordeler
eller stordriftsulemper fordi modellen forutsetter at alle enheter som analyseres (bedrifter,
nettselskaper) har konstant skalautbytte. VRS forutsetningen endrer på denne forutsetningen.
VRS sier rent teknisk at alle konvekse kombinasjoner av bedrifter er mulig. Restriksjoner som
settes på summen av 𝜆𝑗 fører til at mulighetsområdet for bedriftene blir mindre. Neste
konsekvens er at antall bedrifter på effektivitetsfronten blir høyere enn med CRS
forutsetningen og at de fleste ineffektive vil fremstå som mer effektive (ingen vil bli mindre
effektive) enn ved CRS-forutsetningen . Effektivitet beregnet med CRS-forutsetningen kalles
for 𝜃̂𝑗0
𝐶𝑅𝑆
og tilsvarende effektivitet for samme bedrift beregnet med VRS-forutsetningen for
8. 8
𝜃̂𝑗0
𝑉𝑅𝑆
. Med informasjon om de individuelle effektivitetstallene kan man beregne
skalaeffektivitet på selskapsnivå. Skalaeffektivitet beregnes som: 𝜃̂𝑗0
𝑆𝐾𝐴𝐿𝐴
=
𝜃̂𝑗0
𝐶𝑅𝑆
𝜃̂𝑗0
𝑉𝑅𝑆⁄ .
Siden 𝜃̂𝑗0
𝐶𝑅𝑆
≤ 𝜃̂𝑗0
𝑉𝑅𝑆
vil skaleffektiviteten være 0 ≤ 𝜃̂𝑗0
𝑆𝐾𝐴𝐿𝐴
≤ 1. Det samme gjelder for CRS-
effektivitet og VRS-effektivitet.
Tabell 2 Spesielle restriksjoner som definerer begrensinger på 𝜆𝑗 .
Antagelse om
skalaelastisitet
Konsekvens for begrensinger i
DEA-modellen
CRS ∑ 𝜆𝑗
𝑗
𝑢𝑡𝑒𝑛 𝑟𝑒𝑠𝑡𝑟𝑖𝑘𝑠𝑗𝑜𝑛𝑒𝑟
VRS ∑ 𝜆𝑗
𝑗
= 1
NIRS ∑ 𝜆𝑗
𝑗
≤ 1
NDRS ∑ 𝜆𝑗
𝑗
≥ 1
Koopmans 𝜆𝑗 ≤ 1 alle j
FDH 𝜆𝑗 ∈ {0, 1}
Følgende figur fra Wang, Bjørndal og Vassdal (2019), originalt fra Bjørndal (2016)7
, viser
den effektive fronten ved tre av disse skalaforutsetningene implementert i et enkelt
talleksempel med en input og en output. Det er bare CRS, VRS og Koopmans som vises i
figuren. Observasjonene er punktene i x-y diagrammet merket med A – H. De fargede linjene
er den beregnede effektive referansefronten. Under forutsetning av CRS er bare B effektiv.
Under forutsetning om VRS er A, C, D, E og H 100 % effektive. Under forutsetning av
Koopmans er bare B effektiv, men de ineffektive E og H er nå nærmere effektivitetsfronten
(den blå linjen) enn ved CRS-forutsetning.
Talleksemplet er tatt fra Tabell 1, side 3 i Cooper, Seiford og Tone (2007)8
og gjengis i Tabell
3 nedenfor.
7 E. Bjørndal (2016) Strukturinsentiver i reguleringsmodellen – alternativer til CRS. Foredrag for EnergiNorge,
10/3-2016
8
Cooper, W.W., L.M. Seiford og K. Tone (2007) Data Envelopment Analysis. A Comprehensive Text with
Models, Applications, References and DEA-Solver Software. (Second ed.), Springer, New York.
9. 9
Tabell 3 Talleksempel som illustrerer CRS, VRS og Koopmans forutsetning om skala
DMU A B C D E F G H
Input 2 3 3 4 5 5 6 8
Output 1 3 2 3 4 2 3 5
Figure 1 Et eksempel som viser CRS, VRS og Koopmans forutsetning på skala
I tretrinnsmodellen brukt av NVE vil man i trinn 2 bruke en lineær regresjonsmodell med fem
forklaringsvariabler for å forklare effektivitet (eller mangel på effektivitet) som beregnes i
trinn 1.
Følgende modell brukes:
𝜃̂𝑗
𝐶𝑅𝑆
= 𝛼0 + ∑ 𝛼 𝑘 ∙ 𝑍 𝑘𝑗
5
𝑘=1
+ 𝜀𝑗 (4)
10. 10
Fremgangsmåten for å korrigere for effekter som ikke er med i den vanlige DEA-modellen, er
en klassisk to-trinns DEA. I trinn 1 beregnes først DEA-effektivitet med en eksplisitt
forutsetning om skala, som i NVEs DEA-modell er konstant skalautbytte. En implisitt
forutsetning er at variablene i DEA-modellen er endogene variabler, dvs. variabler hvor den
bedrift som studeres har mulighet til å påvirke input og output som karakteriserer denne
bedriften. Sammenheng mellom input- og outputvariabler må også være at mer input ikke kan
gi mindre output, og at mindre output ikke kan medføre mer input. I trinn 2 trekkes inn
eksogene variabler, dvs. fem variabler (se liste i Tabell 4) som man kan anta påvirker
effektiviteten beregnet under DEA-modellen, men som bedriften ikke har mulighet til å
påvirke (eksempel: vær, vind og naturforhold der den opererer). Konstantleddet og
restleddet,𝛼0 + 𝜀𝑗, er da det korrigerte effektivitetstallet, dvs.9
𝜃𝑗
𝐶𝑜𝑟𝑟
= 𝜃̂𝑗
𝐶𝑅𝑆
− ∑ 𝛼̂ 𝑘 ∙ 𝑍 𝑘𝑗
5
𝑘=1 = 𝛼0 + 𝜀𝑗 (5)
Bruk av lineær regresjon under trinn 2 er ikke en perfekt statistisk metode. Dette er NVE klar
over. Ideelt burde man brukt en Tobit-modell, eller tilsvarende modelltype, siden
effektivitetstallene (den avhengige y-variabel i regresjonen) logiske sett er avgrenset, dvs. 0 ≤
𝜃̂𝑗
𝐶𝑅𝑆
≤ 1. For å komme forbi dette problemet estimerer NVE under trinn 1 en DEA_CRS
modell som måler «supereffektivitet»10
. Det betyr at i de tilfellene hvor effektivitetstallet ved
en vanlig CRS-modell blir 1 (dvs. observasjonen er 100 % effektiv) vil man ved bruk av en
supereffektivitetsmodell også kunne rangere alle som fikk resultat 1. Vi skal ikke forklare
supereffektivitet her, men NVE argumenterer at denne metoden også gir de effektive et
insentiv til å forbedre sin effektivitet.(Se: Amundsveen et al., 2014).
Ved trinn 3 blir effektivitetstallene fra trinn 2 kalibrert slik at det representative foretak i
bransjen tjener normal avkastning. Kalibreringen er kapitalveid og derfor kan man anta at den
tar hensyn til skjevhet som skyldes bruk av bokførte verdier for beregning av kapitalkostnad.
Som påpekt skal denne kalibreringen føre til at det gjennomsnittlig effektive foretak får en
9
Se: Amundsveen et al. (2014) Second Stage Adjustment for Firm Heterogeneity in DEA: A Novel Approach
Used in Regulation of Norwegian Electricity DSOS.
10
Se: Andersen og Pedersen (1993)
11. 11
avkastning som tilsvarer referanseavkastningen for kapital (Bjørndal, Bjørndal and Fange,
2010). Data og variabler som brukes i disse beregningene, vises i følgende Tabell 411
.
Tabell 4 Beskrivelse av variablene som inkluderes i trinn 1 og 2.
Variabelnavn Variabelbeskrivelse Måleenhet Brukt
i trinn
Totale kostnader Input variabel, bestående av fem faktorer
slik det fremgår av ligning (2)
NOK 1
Kunder Output variabel Antall
kunder
1
Lengde på
høyspenningslinjer
Output variabel Kilometer 1
Nettstasjoner
(transformatorer)
Output variabel Antall
stasjoner
1
«Under» Andel av høyspenning nedgravde kabler
(Proportion of high voltage underground
cables)
Veid mål 2
«Skog» Andel av høyspenningslinjer på mast i
bartreskog (Proportion of overhead high
voltage lines through coniferous forest)
Veid mål 2
«Geo1» Sammensatt variable Geo1: helning på
terreng, små kraftverk, andel av
høyspenningslinjer gjennom løvskog
(Composite variable Geo1: inclination,
small hydro power, proportion of
overhead high voltage lines through
deciduous forest)
Indeks
variabel
2
«Geo2» Sammensatt variabel Geo2: vind og
distanse fra kyst, antall øyer, andel av
sjøkabel (Composite variable Geo2:
wind/distance from coast, number of
islands, proportion of sea cables)
Indeks
variabel
2
11
Tabellen er tatt fra Wang, Bjørndal og Vassdal (2019), og delvis oversatt til norsk
12. 12
«Geo3» Sammensatt variabel Geo3: snø, mørketid,
ising og temperatur (Composite variable
Geo3: snow, dark period, amount of ice,
temperature)
Indeks
variabel
2
Beskrivelse av data og analyser
Dataene vi arbeider med er vist i Appendiks 1. Dataene er skaffet til veie for oss av Troms
Kraft Nett AS. Vi har supplert med data tilgjengelig på NVEs hjemmesider. Dataene mottatt
fra Troms Kraft Nett AS og fra NVE er offentlig informasjon.
Vår analyse har vært å se om de observerte forskjeller er geografisk fordelt, og å gjennomføre
statistiske analyser som kan indikere om observerte forskjeller er statistisk signifikante. Det
sentrale siktemålet med denne analysen har vært å kartlegge om effektiviteten for nordnorske
nettselskaper avviker fra selskaper i andre regioner i Norge.
Analysene er gjort i to kapitler. I analysekapittel 1 analyserer vi trinn 1 i NVEs modell. I
analysekapittel 2 analyserer vi effektiviteten i NVEs trinn2. Siden resultatet av trinn 2 etter
vår oppfatning er viktigere enn trinn 1, vil vi i analysekapittel 2 gå litt i dybden og forklare
hvilke korrigeringer som NVE gjør fra trinn 1 til trinn 2. Spesielt vil vi vise den
dekomponerte effekten for de enkelte nordnorske nettselskapene
I analysen av NVEs trinn1 og trinn2 har vi brukt regioner som analyseenhet. For det formålet
har vi analysert tre ulike hypoteser. Først har vi sammenlignet Nord-Norge med resten av
landet. Det blir da ikke store forskjeller. Vi deler deretter Norge opp i 10 regioner og
sammenligner disse 10 regionene mot hverandre. Vi får nå klare utslag for hypotesen om
regionale forskjeller i effektivitet. Vi kombinerer disse to hypotesene og undersøker om det er
store forskjeller årene 2017, 2018 og 2019 og om eventuelle forskjeller over tid gir uttrykk for
en tidstrend. Det finnes en svak underliggende trend i målt effektivitet. Denne trenden er
nasjonal og endrer ikke på de regionale forskjellene vi har påvist. En trend basert på bare tre
år er selvsagt en alt for kort tidsperiode til å trekke klare konklusjoner. Vi vil derfor ikke
legge mye vekt på tidselementet i vår analyse.
13. 13
De nordnorske selskapene sammenlignes med regional gruppering av selskaper utenfor Nord-
Norge. Selskapene hjemmehørende i Nord-Norge blir i denne analysen alltid betraktet som én
region uansett om selskapene er i Finnmark, Troms eller Nordland. Resten av Norge er delt
opp i regioner. I datamaterialet er alle selskaper registrert på fylkesnivå. Vi har foretatt en
gruppering i regioner som samler noen nærliggende fylker. For Norge utenfor Nord-Norge
brukes enten ett fylke som region, eller nærliggende fylker som region, til sammen 9 regioner
for «resten av Norge». De tre nordligste fylkene regnes som én region. Derfor er Norge i vår
analyse delt i til sammen 10 regioner. De 10 regionene som brukes i beregningen er:
1. Nord-Norge (Finnmark, Troms og Nordland)
2. Trøndelag (tidligere Sør-Trøndelag og Nord-Trøndelag)
3. Møre og Romsdal
4. Sogn og Fjordane
5. Oppland og Hedmark
6. Hordaland
7. Buskerud
8. Telemark
9. Rogaland og Vest-Agder
10. Vestfold, Østfold, Akershus og Oslo
Regioninndelingen er et valg vi har gjort for å få et tilstrekkelig antall observasjoner i hver
region. Vi har latt region 10 være det befolkningstette og sentrale østlandsområdet. Dette
området bruker vi som basis. De andre områdene sammenlignes mot dette basisområdet.
I noen modeller tar vi også hensyn til år. Dette er gjort ved å bruke dummyvariabler som
skiller mellom årene 2017 – 19. Den geografiske dimensjonen er presentert i to varianter.
Enten ved oppdeling i regioner eller ved å skille Nord-Norge fra resten av Norge (dvs. uten
Nord-Norge).
Dataene vi bruker er enten gjennomsnitt for de tre årene, eller alle årene samlet (pooled data).
14. 14
Analysekapittel 1: NVEs modell Trinn1
Resultater NVEs Trinn1
Data er gjennomsnitt for de tre årene og vi skiller bare mellom Nord-Norge og resten av
Norge. Vi har dummy for Nord-Norge (D=1 hvis region er Nord-Norge og D=0 hvis region er
resten av Norge).
Resultatet vises som utskrift fra et dataprogram (stort sett er Excel bruket i beregningene). For
signifikans se på kolonnen for «t Stat». Dersom tall er større enn +2 eller mindre enn -2 kan
man som en tommelfingerregel anta at koeffisienten er signifikant forskjellig fra null.
Tabell 5 Trinn 1; Nord-Norge sammenlignes mot resten av Norge
Koeffisienter Standardfeil t-Stat P-verdi Nederste 95% Øverste 95%
Skjæringspunkt 0,7205 0,0149 48,3479 0,0000 0,6910 0,7500
Dummy_NN -0,0118 0,0333 -0,3527 0,7250 -0,0778 0,0543
=> NN 0,7088
Vi ser av Tabell 5 at Nord-Norge (vist med «Dummy_NN») ikke er signifikant forskjellig fra
resten av Norge. Også hvis vi slår sammen alle tre årene vil vi få om lag samme resultat. Ved
NVEs reguleringsmodell Trinn1 skiller ikke Nord-Norge seg fra resten av Norge.
Også for hvert enkelt år viser tallene det samme. Nord-Norge skiller seg ikke ut fra resten av
Norge.12
Tabell 6 Trinn 1: Gjennomsnitt effektivitet for årene 2017 - 19
Effektivitet
trinn 1
(2019)
Effektivitet
trinn 1
(2018)
Effektivitet
trinn 1
(2017)
Nord-Norge 72,1 % 71,8 % 71,1 %
Norge utenfor NN 72,1 % 71,1 % 72,0 %
Hele Norge 72,1 % 71,2 % 71,8 %
Antall hele Norge 106 109 115
12
Gjennomsnittstallene er uveid gjennomsnitt, dvs. det er effektivitetstall delt på antall observasjoner i hver
gruppe.
15. 15
Vi viserdenregionaleoppdelingfor Trinn1.Determangelpåregionaloppdelingsomfører
til atnordnorskeselskaperi såliten gradskiller segfra restenavNorge.Nårdenregionale
oppdelingkommermed,vil vi seatbådeNord-Norgeogflereandreregionerharrelativtlave
effektivitetstall.Deterstorforskjell mellomregioner.Enmodellsombaresammenligner
Nord-Norgemotrestenavlandet,vil hamyestatistisk«støy»ogderforliten forklaringskraft.
Dettevil vi kommemertilbaketil nårvi analysererTrinn2.
Figure2Trinn 1; regionaleforskjellerieffektivitet
Datautskriftenfor analysepåregionnivåmedallebedrifteralletreårenevisesnedenfor.Det
er330observasjoner,ogsignifikansnivåetblir dasterkereennhvisvi analyserergjennomsnitt
avtreårellerhvertenkeltår.I andreanalyserharvi kontrollertfor tid, ogtidselementeter
ikke signifikant.R2
erca.0,33.
TabellenviseratNord-Norgehareneffektivitetdissetreårenesomer18,7% lavereenn
«Intercept»somer basis.Basisi disseberegningeneeralltid Oslo,Akershus,Vestfoldog
Østfoldbetraktetsomensamletregion.
17. 17
Analysekapittel 2: NVEs modell Trinn2
Trinn2 i NVEs modell for beregning inntektsgrunnlag for nettselskaper består i å korriger
resultatene i Trinn1 med eksogene faktorer som antas å kunne påvirke effektiviteten i Trinn1.
Med eksogene faktorer menes relevante kostnadspåvirkende faktorer som selskapene ikke kan
gjøre noe med. Med andre ord er meningen med denne korrigeringen at selskaper som har
ugunstige naturforhold, ugunstig klima, kostbare sjøkabel til øyer, bratt terreng eller mye
linjer i skog skal kunne få en kompensering for dette. Kompenseringen er ikke i form av
penger, men er i form av en avbøtende (dvs. korrigerende) endring i beregnet effektivitet. De
fleste selskapene i Norge får dermed beregnet en høyere effekt i Trinn2 enn i Trinn1, men et
lite antall selskaper får redusert sin effektivitet noe. Gjennomsnittlig effektivitetsforbedring
pga. korrigeringen er ca. 10 %-poeng på landsnivå, men det er store forskjeller både på
enkeltselskaper og på regionnivå. Korrigeringen fra Trinn1 til Trinn2 kan være vanskelig å
forstå i detalj. Vi har i først kapittel vist matematisk hvordan korrigering foregår, og skal i et
etterfølgende underkapittel vise detaljer på selskapsnivå. Først skal korrigeringen vises på
regionalt nivå.
Resultater NVEs Trinn2
Det er ikke opplagt at tid ikke har en betydning for korrigering til Trinn2 selv om tid ikke var
av betydning i analyse av effektivitet i Trinn1. Tilsvarende analyse av tidseffekt er derfor
gjort for effektivitet Trinn2. Resultatet vises i Tabell 8. År er markert med indikatorvariablene
D_2018 og D_2019. Koeffisientene for begge variablene er positive, som antyder en stigende
effektivitetstrend over tid. Imidlertid er ikke koeffisientene signifikante på noe rimelig
statistisk nivå. Vi ser at effektiviteten til Nord-Norge på Trinn2 er ca. 3,2 % under nivå for
resten av Norge. Indikatorene for år, slik vi har formulert beregningsmodellen, har som effekt
å endre konstantleddet (som viser basisnivå for hele landet minus Nord-Norge)13
. R2
for
modellen er lav, ca. 1,8 %. Med 330 observasjoner er dette også et tydelig tegn på at denne
modellen fremdeles har mye variasjon. Variasjonen vil bli mindre når vi analyserer
regionnivå.
13
Det finnes modeller som kan måle endring i selve koeffisienten for NN over tid. Vi har ikke beregnet slike
modeller fordi våre resultater tyder på at tid ikke har noen signifikant betydning i den korte tidsperioden vi ser
på.
18. 18
Tabell 8 Trinn2; korrigering av effektivitet med indikatorer for år
Coefficients
Standard
Error t Stat
Intercept 0,812768 0,010468 77,64392
Dummy_NN -0,03201 0,014817 -2,16051
D_2019 0,01575 0,014497 1,086482
D_2018 0,008378 0,014392 0,58211
=> N-N 2017 78,08 %
=> N-N 2018 78,91 %
=> N-N 2019 79,65 %
Vi analyserer også gjennomsnittstall, se Tabell 9. Resultatet endres ikke mye i forhold til
modellen hvor vi forsøker korrigere for en mulig endring over tid. Den eneste forskjellen er
nå at koeffisienten for Nord-Norge er mindre signifikant. Det skyldes færre observasjoner.
Forklaringsgraden målt med R2
er som før, ca. 1,8 %.
Tabell 9 Trinn 2; Nord-Norge mot resten av Norge, gjennomsnittstall
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,133106
R Square 0,017717
Adjusted R Square0,009176
Standard Error 0,102765
Observations 117
ANOVA
df SS MS F Significance F
Regression 1 0,021905 0,021905 2,074216 0,152524
Residual 115 1,214486 0,010561
Total 116 1,236391
CoefficientsStandard Errort Stat P-value Lower 95%Upper 95%
Intercept 0,822524 0,010599 77,60059 3,6E-101 0,801528 0,843519
Dummy_NN -0,03443 0,023906 -1,44021 0,152524 -0,08178 0,012924
19. 19
Dummy for Nord-Norge er ikke signifikant forskjellig fra null. R2
er lav. Modellen viser at
Nord-Norge har ca. 3,4 % lavere effektivitet enn resten av landet, men at det er stor spredning
rundt tallet. Den store spredningen gjør at vi må finne hvilke faktorer som skaper denne
spredningen og isolere disse faktorene. Det er to faktorer vi analyserer; tid og regioner. Vi vil
først se på tid separat, så regioner separat og deretter begge forhold.
I dette trinnet bruker vi fremdeles Pooled datasett. Basisregionene er region nr. 10: Vestfold,
Østfold, Akershus og Oslo. Resultatet vises i Tabell 10 nedenfor.
Tabell 10 Trinn2; Norge delt i 10 regioner med pooled datasett
Regionene Nord-Norge, Hordaland, Rogaland (med Vest-Agder) og Telemark er signifikant
dårligere i effektivitet trinn2 enn basisregionen. Også alle andre regioner er dårligere enn
Regression Statistics
Multiple R 0,32652
R Square 0,106615
Adjusted R Square 0,081489
Standard Error 0,103631
Observations 330
ANOVA
df SS MS F Significance F
Regression 9 0,410121 0,045569 4,243138 3,28E-05
Residual 320 3,436628 0,010739
Total 329 3,846749
CoefficientsStandard Errort Stat P-value Lower 95%Upper 95%
Intercept 0,881558 0,023775 37,0797 7,2E-118 0,834783 0,928332
D_NorNor -0,093 0,026981 -3,44681 0,000643 -0,14608 -0,03992
D_Trøn -0,05027 0,030587 -1,64366 0,101229 -0,11045 0,009902
D_MøreRoms -0,02524 0,029844 -0,84565 0,398381 -0,08395 0,033478
D_SognFjord -0,0868 0,031823 -2,72759 0,006732 -0,14941 -0,02419
D_Opp&Hed -0,04523 0,030802 -1,46841 0,142975 -0,10583 0,01537
D_Hord -0,11053 0,028761 -3,84317 0,000146 -0,16712 -0,05395
D_Busk -0,02672 0,029249 -0,91361 0,361609 -0,08427 0,030822
D__Telem -0,07485 0,031032 -2,41206 0,016425 -0,1359 -0,0138
D-Roga_VA -0,11195 0,031278 -3,57926 0,000398 -0,17349 -0,05042
20. 20
basisregionenseffektivitet,menstatistisksignifikansfor deandreregioneneerikke stornok
til atvi kanutelukkeatdetteskyldesstatistiskvariasjon.
Denregionaleforskjell er ogsåillustrerti Figure3. Leggmerketil atvertikalskalaikke starter
pånull. Detkangi inntrykk avatforskjellener størreenndenfaktisker.
Figure3RegionvisrangeringaveffektivitetTrinn2
Drøftinger
Detertydeligatdistribusjonsselskapenei Nord-Norgeharlitt lavereeffektivitetpåtrinn 2
ennrestenavNorge.Målt medaggregertetall for «restenavNorge»serforskjellenut til å
væreca.3 %-poeng.Dettetall erklart signifikantnårvi brukersammenslåttedatafor årene
2017-19,menerikke heltsignifikantpågjennomsnittstall.
Nårvi regionalisererrestenavNorge,fremkommerdettydeligatogsåflere andreregionerhar
sammeeffektivitetsomNord-Norge.Detbetyratdisseregioneneharom laglike avvikende
effektivitetsomNord-Norgesammenlignetmeddenmesteffektivedelavrest-Norge.De
fylkenesomharrelativtsammesvakeeffektivitet somNord-NorgeerSognogFjordane,
HordalandogRogaland(ogtil delsTelemark,mensomharfå observasjoner).Nårogsåresten
21. 21
av Norge ble regionalisert i beregningsmodellen, er effektivitetsavviket ved Trinn2 i
reguleringsmodellen ca. 9 %-poeng til ugunst for Nord-Norge. For Hordaland og Rogaland er
avviket hele 11 %-poeng. Sammenligningsgrunnlaget er da kraftselskapene i Vestfold,
Østfold, Akershus og Oslo. Denne analysen er gjort på sammenslåtte data. Korrigering for tid
i datamaterialet gir praktisk talt samme resultat, og vises ikke her.
På Trinn2 i NVEs reguleringsmodell er det derfor noen regioner som systematisk kommer
dårligere ut enn basisregionen slik den er definert i modellen. Dette er kystnære
distribusjonsselskaper. Vi vet ikke om dette skyldes beregningene gjort i Trinn1, eller det
skyldes korrigeringene som gjøres i Trinn2. Det er undersøkt i nest del av analysen.
Sammenligning av effektivitet trinn 1 med trinn 2.
Trinn 2 består av en korrigering av effektivitetstallen fra trinn 1. Det man korrigerer for er i
prinsippet faktorer som genererer kostnader som nettverkselskapene ikke har kontroll over.
Fem faktorer er valgt ut av NVE for å korrigere for eksistens av ikke-kontrollerbare
kostnader. Disse fem faktorene kalles eksogene faktorer. Korreksjonen kan i prinsippet både
bli til gunst og til ugunst for selskapene som analyseres.
Korrigeringen skjer på følgende måte. For hver av de fem korrigeringsvariablene blir det for
hvert år regnet ut en koeffisient som er enten positiv eller negativ. Dersom en variabel, f.eks.
«Geo1»14
er negativt korrelert med effektivitet i trinn 1, betyr det at selskaper som får
beregnet høy effektivitet på trinn 1 vil ha lite «Geo1» og de som får beregnet lav effektivitet
vil ha mye «Geo1» i sitt område. Hvis denne sammenhengen gjelder for hele bransjen, betyr
det at «Geo1» får en negativ koeffisient, f.eks. -0,2. Alle selskapene bli korrigert i trinn 2
avhengig av hvor mye «Geo1» som er i området til hvert enkelt selskap. Geo1, Geo2 og Geo3
er indekstall beregnet av NVE og er kalibrert til å ha et aritmetisk gjennomsnitt på 0.
Effektivitet i trinn 2 for et konkret selskap som har Eff_Trinn1 = 0,70 og Geo1 = 0,8 blir da
beregnet som Eff_Trinn2 = Eff_Trinn1 – (-0,2∙0,8) = 0,70 + 0,16 = 0,86.
14
For oversikt over variabelnavn og definisjon av variabler, se som tidligere Tabell 4.
22. 22
Et annetselskapkanhalav indeksrelaterttilGeo1, f.eks.0,1,mensammeberegnet
effektivitetEff_Trinn1= 0,7.Korrigeringenvil bli: Eff_Trinn2= 0,70–(-0,2·0,1)= 0,72.
Slik korrigeringgjøresfor alledefemvariablene.Defemkoeffisientenesombrukeserikke
nødvendigvisalltid negative,ogeruansettikke like store(betydningsfulle).Menalle
selskapeneblir korrigertmeddesammekoeffisientene.Imidlertid hardeenkelteselskapene
ulike ogegneverdierfor defemforklaringsvariablene,somer «Under»,«Skog»ogtre
geografiskeindeksvariabler.Derforslårkorrigeringensterktulikt ut for ulike selskaper.
Dengjennomsnittligeeffektivitetpåtrinn 1 påregionnivåvisesi følgendefigur.
Figure4Trinn1;effektivitetstallpåregionnivåfør korrigeringfor eksogenefaktorer
Påtrinn 1 erNord-Norgeomlag20%-poenglaverei effektivitetenn detsentrale
østlandsområdet,inkludertOslo.Hordalanderca.30%-poenglavere.
ForheleNorgeløfteseffektivitetstallenemedca10%-poengnårmankorrigererfor
tilstedeværelseaveksogenefaktorer.Resultatetvisesi Figure5 . Korrigeringener ganskelik
for hvertår.
24. 24
Deterenbetydelig forskjell i korrigeringfra regiontil region.Detsentraleøstlandsområdet
får faktiskenliten negativkorrigering,mensMøreogRomsdalfår enpositiv korrigeringpå
nesten20%-poeng.
Figure7Korrigeringpåregionnivå
Deenkelteselskapenei Nord-Norgefår ogsåulik korrigering.TromsKraft NettAS erblant
selskapenesomfår lite korrigering,mensLofotkraft ogRødøy-LurøyKraftverkerblantde
somfår størstkorrigering.Dettevisesi Figure8.
Figure8Korrigeringpåbedriftsnivåinternt I Nord-Norge
25. 25
Korrigeringenslårmegetulikt ut for ulike selskaper,bådeinnenforogutenforNord-Norge.I
følgendeFigure9 visesdettefor selskapenei Nord-Norge.I figurenvisesbådeeffektivitet
Trinn1ogeffektivitetTrinn2.Selskapeneersorterti stigenderekkefølgeettereffektivitet
Trinn1.Deflesteselskapenefår oppjustertsineffektivitet.Et lite antallfår ubetydelig
justering,ogettselskapfår enklar nedjustering.
Figure9Ulikkorrigering fra Trinn1til Trinn2i Nord-Norge.Sortertetter Trinn1effektivitet
Figure10viser hvordankorrigeringenslårut påfylkesnivåinnenNord-Norge.Denstørste
positivekorrigeringenskjerfor selskapersomeri Nordland,medca.10,4%. Deretter
kommerFinnmarksomharengjennomsnittligkorrigeringpåvel 5 %. Til sistkommerTroms
Fylkesomharenkorrigeringpåsineselskaperpå1,8%. Vi gjøroppmerksompåat
korrigeringeneeruveidgjennomsnittfor 2017-19.
26. 26
Figure10Ulike korrigeringfra Trinn1til Trinn2 påfylkesnivåi Nord-Norge
EngrundigereforklaringavTrinn2
SomtidligerepåpektereffektivitetvedTrinn1resultatetavenDEA-modellmed1 input
(totalekostnader)ogtreoutput(kunder,lengdepåhøyspentledningerogantallnettstasjoner).
I DEA-modellenskalkostnadenforsøkesminimalisertutenatoutputblir lavereenndetsom
ernivåeti deenkelteselskapene.Deterklart atflereandrefaktorerenndetre nevnte
outputfaktorenekanpåvirkekostnader.Foråfangeoppogkorrigerefor slikeeksogene
faktorererdetbestemtateffektivitetTrinn1skalkorrigeresfor dissefaktorene.Slike faktorer
erværogvind, geografiskeforhold,terrengforholdmedmer.
I innledningener vist hvordandettegjøresi prinsippet.Vi siterer:
«I trinn 2 trekkessåinn eksogenevariabler,dvs.fem variabler[…] sommankananta
påvirkereffektivitetenberegnetunderDEA-modellen,mensombedriftenikke har
mulighettil åpåvirke[…]. Konstantleddetogrestleddet, , erdadenkorrigerte
effektivitetstallet,dvs. .»
Dettebetyratmanmåhafemforklaringsvariablerfor hvertselskap.Dissevariableneblir
samleti enmatrise(tabell)oger i modellenkalt . Dennetabellenregnesut for hvertår av
NVE basertpåinformasjonfra bedrifteneogtall somNVEsamler inn fra andrekilder. De
geografisketalleneblir normertslik atgjennomsnitternull. Ensummariskbeskrivelseav
tallenefor 2017gisi Tabell11 nedenfor.I tillegg til informasjonenvist i tabellen,ervariablene
skjevfordelt.Vi viserikke statistikkfor detforholdet.
27. 27
Tabell 11 Beskrivelse av eksogene variable for år 2017
2017
Andel
høyspent som
jordkabel
Andel høyspent
i Barskog
Fjellbekk,
Geo 1 ØyVind, Geo 2 Frost, Geo 3
Minimun 0,08 0,00 -2,08 -0,66 -2,52
Maksimum 0,89 0,40 4,36 11,40 6,30
Gjennomsnitt 0,36 0,12 0,00 0,00 0,00
Standardavvik 0,18 0,10 1,50 1,50 1,68
Basert på disse tallene, estimerer NVE en regresjonsmodell
𝜃̂𝑗
𝐶𝑅𝑆
= 𝛼0 + ∑ 𝛼 𝑘 ∙ 𝑍 𝑘𝑗
5
𝑘=1
+ 𝜀𝑗
hvor det beregnes verdi (estimater) for 𝛼0 og 𝛼 𝑘 , k =1, …, 5. Dette gjøres hvert år, og man
får litt ulike koeffisienter (estimater på 𝛼0 og 𝛼 𝑘 , 𝑘 = 1, … ,5) hvert år. Det er imidlertid i
praksis ganske stor stabilitet på koeffisientene som estimeres, spesielt estimatet for
konstantleddet, 𝛼0. Estimeringen som utføres av NVE, er replisert av oss for årene 2017 – 19
og er vist nedenfor i Tabell 12.
Tabell 12 Estimerte koefisienter for korreksjon, 2017-19
2017 2017 2018 2018 2019 2019
Coefficient t Stat Coefficient t Stat Coefficient t Stat
Konstantledd ( 𝛼0) 0,7896 27,0885 0,7783 23,1816 0,7824 23,6782
Andel høyspent jordkabel ( 𝛼1) -0,0887 -1,4551 -0,0776 -1,0982 -0,0862 -1,2700
Barskog ( 𝛼2) -0,3201 -2,6404 -0,3180 -2,2780 -0,2480 -1,8377
Fjellbekk, Geo 1 ( 𝛼3) -0,0583 -8,4248 -0,0538 -7,0327 -0,0498 -6,7737
ØyVind, Geo 2 ( 𝛼4) -0,0555 -7,5545 -0,0448 -5,6278 -0,0495 -6,3787
Frost, Geo 3 ( 𝛼5) -0,0241 -2,9416 -0,0185 -2,0173 -0,0177 -1,9807
Vi viser “t-Stat” som brukes for å tolke statistisk signifikans for de estimerte koeffisientene.
Det er interessant å legge merke til at koeffisient for «Andel høyspent jordkabel» ikke er
signifikant forklaringsvariabel for noen av de tre årene vi har analysert. Variabelen kan
imidlertid være signifikant i andre år. «Barskog» er ikke signifikant i 2019. Variabelen
«Geo3» er på grense til å være ikke signifikant på 5 % nivå i 2019 og 2018. Når en
kontrollvariabel genererer en ikke-signifikant regresjonskoeffisient, er variabelen en kandidat
for utskiftning ved neste revisjon av modellen.
28. 28
Koeffisientene som beregnes hvert år multipliseres med hvert selskaps tall for Z-matrisen.
For de nordnorske selskapene ser Z-matrise ut som følger for 2017.
Tabell 13 Z-tabell som viser eksogene faktorer for nordnorske selskaper, 2017
Jord Skog Geo1 Geo2 Geo3
Selskap
Andel
høyspent
jordkabel
Andel
høyspent
i Barskog Fjellbekk ØyVind Frost
ALTA KRAFTLAG SA 0,19 0,00 -0,52 -0,03 2,84
HAMMERFEST ENERGI NETT AS 0,22 0,00 -0,52 0,09 5,14
LUOSTEJOK KRAFTLAG SA 0,13 0,00 -1,34 -0,65 1,72
NORDKYN KRAFTLAG SA 0,10 0,00 -0,49 0,31 6,30
REPVÅG KRAFTLAG SA 0,22 0,00 -0,87 0,61 5,15
VARANGER KRAFTNETT AS 0,18 0,00 -1,39 -0,51 3,43
YMBER AS 0,12 0,00 -0,97 0,23 2,33
TROMS KRAFT NETT AS 0,22 0,00 -0,28 -0,27 2,59
Hålogaland Kraft AS 0,21 0,00 -0,26 0,13 1,71
ANDØY ENERGI AS 0,33 0,00 -1,68 0,22 2,50
BALLANGEN ENERGI AS 0,08 0,00 0,43 -0,18 1,13
BINDAL KRAFTLAG SA 0,08 0,07 -0,66 -0,16 -0,39
ISE NETT AS 0,41 0,03 0,93 -0,64 0,86
TROLLFJORD KRAFT AS 0,20 0,00 -0,56 2,23 1,68
HELGELAND KRAFT AS 0,22 0,05 -0,59 0,23 0,59
MELØY ENERGI AS 0,32 0,05 0,37 0,75 -0,11
NORD-SALTEN KRAFT AS 0,12 0,02 -0,15 0,15 0,92
EVENES KRAFTFORSYNING AS 0,19 0,01 0,11 -0,62 1,27
Rødøy-Lurøy Kraftverk AS 0,08 0,01 -0,45 6,09 -0,11
LOFOTKRAFT AS 0,24 0,00 -0,48 2,71 1,33
VESTERÅLSKRAFT NETT AS 0,28 0,00 -0,87 0,98 2,03
NORDKRAFT NETT AS 0,42 0,01 0,97 -0,27 1,52
NORDLANDSNETT AS 0,37 0,04 0,13 0,38 0,60
Vi legger merke til at alle koeffisientene (bortsett fra konstantleddet) i Tabell 12 er negative.
Det kommer av at variablene er negativt korrelert med effektivitet beregnet på Trinn1. Det er
utvilsomt grunnen til at nettopp disse fem variablene på et tidligere tidspunkt ble valgt som
korreksjonsvariabler. De er hver for seg slik at jo høyere verdi selskapene har på en konkret
eksogen variabel, jo dårlige effektivitet Type1 blir beregnet.
For «andel høyspent i jordkabel» var landsgjennomsnittet i Norge i 2017 på 0,36. Bare tre
nordnorske selskaper er over gjennomsnittet. For andel høyspent i barskog er det norske
gjennomsnittet 0,12. De fleste nordnorske selskaper har 0,00. Høyeste verdi er 0,07. De tre
29. 29
geografiske variablene er alle konstruert slik at gjennomsnittet er null. For Geo1 er det fem
nordnorske selskaper som har verdi over 1. For de som har negativ verdi betyr beregningene
at de får et fratrekk i effektiviteten for denne variabel (et fratrekk gjør at normkostnaden blir
lavere). For Geo2 er det flere selskaper som er over null enn under. Men ett selskap
(LUOSTEJOK KRAFTLAG SA) har om lag den laveste verdi i Norge. For Geo3 derimot er
nesten alle selskapene i Nord-Norge over gjennomsnitt og noen selskaper er blant de høyest i
Norge.
Bortsett fra Geo3 er dette årsaken til at de nordnorske selskapene, som en gruppe, får mindre
korrigering enn gjennomsnitt av de andre selskapene i Norge.
I følgende Figure 11 Korrigering for nordnorske selskaper i 2019 vises korrigeringen for de
nordnorske selskapene for 2019.
Figure 11 Korrigering for nordnorske selskaper i 2019