Fokus på forsyning Investeringer I: Behov og afkast Investeringer II: Konsekvenser

Transkript

1 Investeringer I: Behov og afkast Investeringer II: Konsekvenser : I notatet beskrives datagrundlaget for analyserne af spildevandsselskabernes tilstand, muligheder og valg vedr. investering og finansiering. Relevante forhold, anvendte variable, regressionsmodeller samt tilhørende tests gennemgås. SPERA Grønnegade Århus C CVR

2 Dataudvælgelse: I Vand i tal 2012 er der data vedrørende 68 spildevandsselskaber. Når der bliver justeret for nulobservationer, er der 55 selskaber tilbage i stikprøven. En nulobservation skal forstås på den måde, at der er tomme observationer i de variable, som regressionsmodellerne er udregnet ud fra. For at kunne sikre et validt sammenligningsgrundlag mellem analyse I og II er yderligere 12 selskaber blevet fjernet fra stikprøven, da disse selskaber har årsrapporter, der ikke er opdelt på forsyningsarter, herunder afgrænset til spildevand. Det er derfor ikke muligt at identificere og gøre brug af relevant data kun for spildevand for disse selskaber. Stikprøven der ligger til grund for analyserne er således på 43 selskaber. På baggrund af ovenstående er følgende selskaber derfor fjernet: Afløb Ballerup A/S, Brøndby Forsyning A/S, Frederiksberg Kloak A/S, Glostrup Spildevand A/S, KE Afløb A/S, Lyngby-Tårbæk Spildevand A/S, Gladsaxe Spildevand A/S, Vallensbæk Forsyning, Lynettefælleskabet I/S, Møllåværket Renseanlæg Lundtofte, Måløv Rens A/S, Spildevandscenter Avedøre I/S, Århus Vand A/S, Vejen Forsyning A/S, Vandcenter Syd A/S, Skive Spildevand A/S, Skanderborg Forsyningsvirksomhed A/S, SK Spildevand A/S, Rudersdal Forsyning A/S, Rebild Vand & Spildevand A/S, Mariagerfjord Spildevand A/S, Jammerbugt Forsyning A/S, Horsens Vand A/S, Hjørring Vandselskab A/S, Herning Vand A/S, Frederiksberg Kloak A/S, Forsyning Helsingør. Investeringer I: Behov og afkast: Data til denne analyse er bygget på DANVA s rapport: Vand i tal Ydermere er der indhentet data fra selskabernes hjemmesider for at vurdere, om disse selskaber er et datterselskab og indgår i en overliggende selskabsstruktur, hvor denne struktur har ét eller flere forsyningsområder. Investeringsniveau er for selskaberne vurderet ud fra alder med angivelse af mulig over- eller underinvestering. Det giver en forholdsvis enkel analyse, der ved udarbejdelse af en egentlig investeringsplan vil bygge på langt flere komponenter. Opgørelse af over- eller underinvestering er opgjort ud fra følgende faktorer: De samlede anlægsaktiver, alder samt aldersforskel til gennemsnit på forventet 37,5 år, der bruges som grundlag for at prissætte, hvad en given reduktion eller forøgelse af alder vil indebære. Det skal understreges, at det er en overordnet indikation. Formålet er først og fremmest at indikere de beløbsmæssige konsekvenser af forskelle i alder. De endelige variable, som er blevet brugt i de to anvendte regressionsmodeller, er følgende: Alder på ledningsnet (år): Det er umiddelbart den bedste egnede indikator på tilstanden af et selskabs ledningsnet, såfremt ønsket er sammenligninger på tværs af selskaber. Der er dermed ikke taget højde for, at det enkelte selskab ved opgørelse af investeringsbehov anlægger et bredere perspektiv inden for hegnet og uden for hegnet. Og at investeringsbehov i høj grad vil bygge på en dyberegående opgørelse af de enkelte aktivers funktionelle tilstand, sådan at gennemsnitlig alder og restlevetid ikke er de eneste og ej heller de bedst egnede indikatorer på aktivernes tilstand. Det er forudsat en gennemsnitlig levetid på i alt 75 år i 2

3 overensstemmelse med Forsyningssekretariatets redegørelse om anlægsværdier i vand- og spildevandsselskaberne fra Driftsomkostninger (kr./solgt m ): Faktiske driftsomkostninger er udregnet som summen af driftsomkostninger vedrørende transport, rensning og kundehåndtering. Ved at summere de 3 omkostningstyper opnås det bedste mulige samlede billede af et selskabs omkostninger vedr. drift. Ledningsnet (km.): Kilometer ledningsnet bruges som indikator på selskabets størrelse. Andre opgørelsesmetoder omfatter antal kunder og mængde debiteret vand. Kilometer ledningsnet er gennemgående anvendt som indikator på størrelse. For det første fordi den i høj grad vil variere sammen med de andre mulige indikatorer. For det andet fordi omdrejningspunktet er investeringer, der erfaringsmæssigt netop vedrører ledningsnettet. Investeringer (kr./solgt m ): Investeringer omfatter selskabets samlede investeringer, mens dele af analysen især fokuserer på ledningsnettet. Det giver en skævvridning, som dog vurderes begrænset. Forklaringen er, at selskabernes overvejende investerer i netop ledningsnettet, hvor samtidig størstedelen af anlægsaktiver og afskrivninger findes. Størrelse: Denne variabel er en ordinal dummy variabel, skabt på baggrund af de enkelte selskabers kilometer ledningsnet. Selskaber med et ledningsnet under 842 km er kategoriseret som små selskaber, og selskaber med et ledningsnet på over 842 km er kategoriseret som store selskaber. Investeringer* størrelse: Denne variabel består af variablen investeringer og et interaktionsled med dummy variablen størrelse. Regressionsmodel 1 Ud over de brugte variable, findes der blandt DANVA s data mange andre variable, som er blevet forsøgt brugt for at forbedre modellen. Disse har dog enten forværret modellen eller har vist sig ikke at være signifikante. Den endelige regressionsmodel er præsenteret i (1): å = + ø (1) Det valgte signifikansniveau er sat til 10% for at evaluere de enkelte t-statistikker. er en konstant. Den viser den forventede alder på ledningsnettet, hvis alle variable havde værdien 0. er signifikant og negativ. Den viser, at større selskaber har et yngre ledningsnet ift. små selskaber. er signifikant og negativ. Den viser, at seleskaber der øger deres investeringer reducerer alderen på deres ledningsnet. 3

4 er signifikant og negativ. Den viser, at selskaber der øger deres driftsomkostninger reducerer alderen på deres ledningsnet. I nedenstående tabel er outputtet fra regressionsmodellen præsenteret. Tabel 1: Output regressionsanalyse Variabel K Driftsomkostninger Investeringer Størrelse Koefficient 56,42-0,08-0,19-3,11 T-statistik 11,10-2,97-1,86-1,83 P-værdi 0 0 0,07 0,07 Forklaringsgraden i modellen er på 34,46 % ( ). Dermed kan modellen forklare 34,46 % af variationen i alderen på ledningsnettet for selskaberne. Forklaringsgraden antager en værdi mellem 0 og 100 %. Hvis modellen fik tilføjet flere relevante variable, ville forklaringsgraden blive højere. Hvis værdien er 100 %, passer den lineære sammenhæng perfekt. Dermed forklarer de uafhængige variable al variation i den afhængige variabel. Da forklaringsgraden er på 34,46 %, betyder det dermed, at 64,54% af variationen i modellen skal forklares af andre faktorer. Det vil blandt andet indikere, at der kan være et potentiale for flere selskaber i analysen ud fra den fastlagte regressionsmodel. Regressionsmodel 2 Ud over de brugte variable findes der i blandt DANVA s data mange andre variable, som er blevet forsøgt brugt for at forbedre modellen. Disse har dog enten forværret modellen eller har vist sig ikke at være signifikante. Den endelige regressionsmodel er præsenteret i (2): = + + ø (2) Det valgte signifikansniveau er sat til 10% for at evaluere de enkelte t-statistikker. er en konstant. Den viser de forventede driftsomkostninger hvis alle variable havde værdien 0. er signifikant og negativ. Den viser, at jo flere kilometer kloakledning et givent selskab har, des færre forventelige faktiske driftsomkostninger vil et selskab have. Det indikerer, at der er findes stordriftsfordele i spildevandsbranchen. er signifikant og positiv. Denne variabel viser, at store selskaber har en stordriftsulempe ved at øge deres investeringer. 4

5 I nedenstående tabel er outputtet fra regressionsmodellen præsenteret. Tabel 2: Output regressionsanalyse Variabel K Koefficient 14,14-0,003 0,07 T-statistik 11,80-1,7 1,9 P-værdi 0 0,09 0,06 Ledningsnet Størrelse*Investeringer Forklaringsgraden i modellen er på 8% ( ). Dermed kan modellen forklare 8% af variationen i de faktiske driftsomkostninger for selskaberne. Forklaringsgraden antager en værdi mellem nul og 100 %. Hvis modellen fik tilføjet flere relevante variable, ville forklaringsgraden blive højere. Hvis værdien er 100 % passer den lineære sammenhæng perfekt, og dermed forklarer de uafhængige variable al variation i den afhængige variabel. Da forklaringsgraden er begrænset til blot 8% betyder det dermed, at 92% af variationen i modellen skal forklares af andre faktorer. Det indikerer, at der kan være et potentiale for flere selskaber i analysen ud fra den fastlagte regressionssmodel. Forudsætninger For at validere resultaterne fra de to regressionsmodeller er følgende forudsætninger blevet testet: F1. Fejlledet har en forventet værdi lig med 0 F2. Homoskedasticitet F3. Ingen multikollinearitet F4. Normalfordelte fejlled F1. Fejlledet har en forventet værdi lig med 0 Dette undersøges ved hjælp af en RESET-TEST. Den undersøger, om den lineære sammenhæng som modellerne bygger på, er korrekt. Dvs. om modellerne er korrekt specificeret eller ej. 5

6 Nedenstående er de enkelte hypoteser præsenteret. H 0 : Modellen er korrekt specificeret H 1 : Modellen er forkert specificeret Reset-testen er baseret på en hjælpe-regression, hvor der testes på den afhængige variabel kvadreret. I testen på de to modeller fremkommer følgende resultater, se tabel 3 og 4. Tabel 3: Output RESET- test model 1 Værdi P-værdi T-statistik 0,30 0,76 Tabel 4: Output RESET- test model 2 Værdi P-værdi T-statistik 0,43 0,68 Tabel 3 og 4 viser p-værdien. Den er ikke signifikant for nogen af modellerne, da værdierne på 0,76 og 0,68 er på langt over 0,05 som er grænsen for, hvornår en variabel er signifikant eller ej. Dvs. at der er en sandsynlighed på 95 % for at modellerne er korrekt specificeret. Dermed er den lineære sammenhæng, som modellerne bygger på, korrekt. F2. Homoskedasticitet Udover at teste for korrekt specifikation er modellene blevet testet for homoskedasticitet. Dette er gjort for at validere t-statistikerne. Hvis t-statistikerne ikke er valide, ville det skabe stor usikkerhed om variabel koefficienternes brugbarhed i de enkelte modeller. Der er lavet en såkaldt Breusch-Pagan test for heteroskedasticitet. Nedenstående er hypoteserne præsenteret. H 0 : Homoskedasticitet (konstant varians i residualet) H 1 : Heteroskedasticitet (ikke-konstant varians) De p-værdier, der fremkommer ved de test af begge modeller, er på henholdsvis 0,39 og 0,55. Det er større end grænseværdien på 0,05. Det betyder, at nul hypotesen ikke kan afvises for begge moddeler. Der er dermed 95 % sandsynlighed for at residualerne har konstant varians, og at de estimerede t-statistikker er valide. 6

7 F3. Ingen multikollinearitet Hvis der er multikollinearitet i modellerne, er de uafhængige variable stærkt korrelerede. Dette betyder, at man ikke kan bruge linear regression til at estimere modellerne, da estimationen af regressionskoefficienterne bliver usikre. Tabel 5: Korrelations matrice Driftsomk. Størrelse Investering Driftsomk. 1,00 0,27 0,10 Størrelse 0,27 1,00-0,19 Investering 0,10-0,19 1,00 Tabel 6: Korrelations matrice Ledningsnet Størrelse*Investering Ledningsnet 1,00 0,33 Størrelse*Investeringer 0,33 1,00 Multikollinearitet mellem forskellige individuelle koefficienter ville blive repræsenteret med værdien 1 i tabel 5 og 6. Da den højeste korrelationskoefficient har værdien 0,33, kan det konstateres at forudsætningen om ingen multikollinearitet for begge regressioner er opfyldt. F4. Normalfordelte fejlled Hvis fejlledene ikke er normalfordelte kan det skabe tvivl om hvorvidt, de estimerede t-statistikker er valide eller ej. Dette testes ved en Jarque-Bera-test. De p-værdier, der fremkommer ved testen af begge modeller, er på henholdsvis 0,57 og 0,51, hvilket er større end grænseværdien på 0,05. Dermed kan det konstateres at fejlledene er normalfordelte. Nedenstående figurerer viser residualplottet for begge modeller. Figur 1: Normalfordeling af residualer, regressionsmodel Series: RESID Sample 1 43 Observations 43 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability Figur 2: Normalfordeling af residualer regressionsmodel Series: RESID Sample 1 43 Observations 43 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability

8 Sammenfatning De fire tests viser, at begge regressionsmodeller både er korrekt specificeret, og at koefficienten for hver enkel variabel er brugbar. Dermed er ingen af modellerne udsat for forudsætningsbrud. Det kan dermed forudsættes, at de opstillede effektivitetsmodeller og regressionsanalyserne beskriver sammenhængen mellem de enkelte variable korrekt. De to regresionsmodeller viser hhv. Større selskaber i forhold til små selskaber har en lavere alder på ledningsnettet, samt at øgede investereringer og driftsomkostninger sænker alderen på ledningsnettet. Jo flere kilometer kloakledning et givent selskab har, des færre forventelige faktiske driftsomkostninger vil et selskab have. Det indikerer, at der er findes stordriftsfordele i spildevandsbranchen. Store selskaber har en stordriftsulempe ved at øge deres investeringer. Regressionsmodellernes forklaringsgrader er på henholdsvis 34,46 og 8 %. Det indikerer, at der for flere selskaber kan være potentialer for effektiviseringer. Flere variable vil øge modellernes forklaringskraft og imidlertid også svække den statistiske sikkerhed i effektivitetsmodellen. Det ændrer dog ikke på, at andre uafhængige variable har betydning for forskelle mellem selskabernes alder på deres ledningsnet og deres driftsomkostninger. De estimerede potentialer skal derfor primært ses som indikationer på potentialer. Investeringer II: Konsekvenser Data til denne analyse bygger på informationer fra selskabernes årsrapporter , data vedr. takster fra de enkelte selskabers takstblade samt prisloftsafgørelser fra Forsyningssekretariatet. Følgende forhold vedr. Investering 2 er det relevant at gøre opmærksom på: Selskabernes investeringer: Investeringer og POLKA er sammenholdt, og der viser sig en nær sammenhæng mellem samlede anlægsaktiver ifølge POLKA og investeringer. Trods forskelle i værdi af anlægsaktiver i selskabernes årsrapporter i forhold til POLKA, er der altså en forholdsvist tæt sammenhæng mellem POLKA som indikator på den samlede aktivmasse og selskabernes investeringer med henblik på at forny og vedligeholde denne aktivmasse. 8

9 Selskabernes låntagning: Gæld er opgjort ved udeladelse af enkelte ekstreme observationer. De udeladte selskaber er følgende: Provas A/S og Langeland Spildevand A/S Resultater: Prisloft er omfattet af analyserne, da afstand til prisloft formodes at have betydning for selskabernes frihedsgrader ved valg af finansiering af investeringer. Det bemærkes, at analysens omdrejningspunkt er investeringer, og at det udmeldte prisloft dækker mere end blot investeringer, herunder drift. Prisloft er alligevel medtaget som indikator på selskabernes frihedsgrader, da mindre end fuld udnyttelse af prisloftet forventes at give større handlerum også i dialogen med selskabets interessenter. På den måde kan afstand til prisloft give en mere overordnet indikation af selskabets spillerum i forhold til takstændringer, selv om prisloftet isoleret set blot rykkes ved planlægning af større investeringer. Likviditetsgrader er opgjort for selskaberne med henblik på et øjebliksbillede af selskabernes kortsigtede og langsigtede betalingsevne. De enkelte elementer i nøgletallene likvide aktiver, omsætningsaktiver og kortfristet gæld er ikke umiddelbart påvirket af prisloftsreguleringen, der gør opgørelse af fx overskudsgrad mindre relevant. Likviditetsgraderne er dog et øjebliksbillede, og et enkelt års udsving i den kortfristede gæld vil sløre resultaterne for det enkelte selskab. Likviditetsgraderne er især interessant, når de opgøres for flere år af gangen, da eventuelle udfordringer dér vil vise sig som klare tendenser. Opgjort for et enkelt år kan sammenligninger på tværs af selskaber være relevant, selv om disse som nævnt er mere følsomme over for enkelte udsving i året. Gruppering af selskaber på grupper vedrørende investeringer og finansiering bygger på gennemgang af data og de gennemførte analyser. Investeringer vedrører, om alder er højere end gennemsnitligt 37,5 år, og om investeringsniveauet er under 20 kr./solgt m 3. Det indebærer isoleret set en vurdering af, at selskabet har udfordringer i relation til investeringer. Finansiering vedrører selskaber frihedsgrader: Høj låntagning, lave likviditetsgrader og ringe luft til prisloftet indebærer isoleret set en vurdering af, at selskabet har udfordringer i relation til finansieringen. På den måde fører gennemgang af data for selskaberne til i alt 4 udfaldsmuligheder for selskaberne. 9