DEA analyse af kommunernes produktivitet p˚a
Transcription
DEA analyse af kommunernes produktivitet p˚a
DEA analyse af kommunernes produktivitet på husholdningsaffaldsområdet Forfatter: Andreas Hansen Vejleder: Sanne Wøhlk Department of Economics and Business Aarhus University Business and Social Sciences Januar, 2015 Abstract This paper deals with municipalities’ productivity within the household waste service area. The municipalities will within the next years be met with even greater demands regarding the types of solid waste they collect at the households and the required recycling rate. These demands arise from the European Union directive on waste and as well as the national Danish resource strategy that have set the goal of at least a recycling rate of 50 percent for household waste streams such as paper, glass, cardboard, metal and plastic in 2022. This requires the municipalities to introduce new waste systems in order to live up to the national strategy such as either more containers for different kinds of solid waste at the households or central sorting of the waste. The situation raises the question whether different kind of waste systems at the household drives the productivity. The question will be approached by using the DEA methodology that determines a productivity score for each municipality based on an input-output ratio using relevant input and output variables. The productivity scores will then be used together with a Mann-Whitney U test to see if the productivity scores between municipalities who use different kind of waste systems differs significantly, and whether the different types of systems drives the productivity in the developed DEA model. In this master thesis the systems are classified either as a single waste system consisting of separate bins to collect the waste, or as a multi waste systems classified as bins with multiple chambers. Two DEA BCC models are developed in the master thesis where the first model consists of the input of the expenditure for the household refuse. The output variables are the collected household refuse and organic waste. It is found that neither multisystems are significantly more productive than single systems, nor that single systems are more productive than multi systems. However, it is found when tested, that municipalities that collect organic waste are significantly more productive and use the organic waste to drive their productivity in the DEA model. It is also found that neither rural municipalities are not significantly more effective than city municipalities nor that city municipalities are significantly more productive than rural municipalities. The second DEA model uses the expenditure relating to waste area such as paper, cardboard and glass and the output variables are the paper, cardboard, glass, plastic and metal. It is found that municipalities that use single systems have a significantly higher productivity scores than municipalities that use a multi system. It is also found that rural municipalities are not significantly more productive than city municipalities nor that city municipalities are significantly more productive than rural municipalities. However, a model consisting of the total income relating to the waste area and using all seven waste streams finds a significant difference with multi systems having a higher productivity than single systems. Further suggested research with respect to this area is to extend the DEA models with either introducing controlling variables or using another variable such as the garbage fee charged of the households. Other possibilities are to use other DEA models such as the ones suggested by Cook et al. (2012) or Brockett and Golany (1996). 1 Indhold 1 Indledning 1.1 Problemformulering . . . . . . . . . . . . . . . . . . . 1.2 Metode . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.1 Resultatbenchmarking og processbenchmarking 1.2.2 Valg af produktivitetsanalysemetode . . . . . . 1.3 Afgrænsninger og forudsætninger . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 5 5 6 7 8 2 Situationsbeskrivelse 2.1 Affaldsdirektivet . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1 Den nationale affaldsstrategi og affaldsbekendtgørelsen 2.2 Indsamlingsordninger . . . . . . . . . . . . . . . . . . . . . . . 2.2.1 Sorteringsscenarier for hente- og bringeordninger . . . 2.2.2 Praktisk anvendelse i kommunerne . . . . . . . . . . . . . . . . . . . . . 10 10 10 11 11 13 3 Litteraturgennemgang 3.1 Produktionsfronten . . . . . . . . . . . . . . . 3.1.1 Corrected Ordinary Least Squares . . 3.1.2 Stochastic Frontier Analysis . . . . . . 3.1.3 Stochastic Data Envelopment Analysis 3.2 DEA i den akademiske litteratur . . . . . . . 3.2.1 Affaldshåndtering i Belgien . . . . . . 3.2.2 Affaldshåndtering i Spanien . . . . . . 3.2.3 Affaldsindsamling i Australien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 15 16 16 17 17 17 18 19 4 Data Envelopment Analysis 4.1 Indledning . . . . . . . . . . . . . . . . . . . 4.2 CCR modellen . . . . . . . . . . . . . . . . 4.2.1 CCR multiplier eksempel . . . . . . 4.2.2 Envelopment CCR . . . . . . . . . . 4.2.3 CCR envelopment eksempel . . . . . 4.3 BCC Model . . . . . . . . . . . . . . . . . . 4.3.1 Eksempel med CCR og BCC model 4.4 Statistiske test i DEA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 20 21 23 25 26 26 28 29 5 Modelopbygning 5.1 Input variabler . . . . . . . . . . . . . . . . . . . . 5.1.1 Udgifter og gebyrer for affaldshåndteringen 5.2 Output variabler . . . . . . . . . . . . . . . . . . . 5.2.1 Dagrenovation . . . . . . . . . . . . . . . . 5.2.2 Papir- og papaffald . . . . . . . . . . . . . . 5.2.3 Glas, metal og plast . . . . . . . . . . . . . 5.3 DEA modellen og affaldsområdet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 33 33 34 35 35 35 36 2 . . . . . . . . . . . . . . . . . . . . . . . 6 Data 6.1 Dataindsamlingen . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.1 Udgifter og gebyrer for affaldshåndteringen i kommunerne 6.1.2 Affaldsordninger i kommunerne . . . . . . . . . . . . . . . 38 38 38 42 7 Analysen 7.1 Model 7.1.1 7.1.2 7.1.3 7.2 Model 7.2.1 7.2.2 7.2.3 43 43 43 46 48 50 50 53 54 1 . . . . . . . . . . . . . . . Indledende analyse af data DEA modellen . . . . . . . Sammenligning af systemer 2 . . . . . . . . . . . . . . . Indledende analyse af data DEA modellen . . . . . . . Sammenligning af systemer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Konklusion og perspektivering 57 A Bilagsliste 63 3 1 Indledning Vi lever i et verdenssamfund, hvor der er fokus på bæredygtighed og genanvendelse af affald og ressourcer til fordel for miljøet og den fælles fremtid. Dette berører både de enkelte lande i verden, virksomhederne og borgerne. På det supranationale politiske niveau i den Europæiske Union er der således vedtaget et direktiv, der sigter mod at styre hele affaldscyklussen fra generering til bortskaffelse, hvor fokus er på genvinding, genanvendelse og forebyggelse af affald. I direktivet er der stillet krav til landene om, at der senest i år 2015 skal laves en særskilt indsamling af affaldsfraktionerne papir, glas, metal og plastik fra husholdningerne, såfremt det er teknisk, miljømæssigt og økonomisk muligt, og genbrug og genanvendelse af de førnævnte affaldsfraktioner skal i år 2020 være på mindst 50 vægtprocent samlet [23]. På baggrund af direktivet har den danske regering udarbejdet en national ressourcestrategi, Danmark uden Affald - Genanvend mere - forbrænd mindre, som omhandler hvilken affaldspolitik, der skal føres for at nå målene. Strategien lægger op til, at der skal forbrændes mindre affald til fordel for mere genanvendelse i kommunernes affaldshåndtering. De løsninger, der skal implementeres for at nå målet om mere genanvendelse, skal findes lokalt i kommunerne, og i udspillet er der lagt vægt på, at indsatsen tilrettelægges omkostningseffektivt og samfundsøkonomisk hensigtsmæssigt [36]. Dette betyder, at kommunerne skal til at implementere nye affaldssystemer for husholdningsaffald for at kunne opfylde de fastsatte mål. Det kan for eksempel være forskellige systemer så som flere beholdere til mere kildesortering hos husholdningerne, eller systemer som anvender centralsortering, efter at husholdningsaffaldet er blevet indsamlet. Denne situation rejser nogle interessante spørgsmål for kommunerne omkring hvilke systemer, der mere generelt driver produktiviteten. For at undersøge denne problemstilling vil der, efter inspiration fra Professor Niels Christian Petersen på Syddansk Universitet, blive anvendt en ‘data envelopment analysis’ (DEA) tilgang. Formålet er at udvikle en DEA model ud fra de eksisterende systemer i kommunerne og på baggrund af produktivitetsscorerne se, om der kan gives nogle generelle retningslinjer for, hvilke systemer der driver produktiviteten og dermed bidrage med viden på området til kommunerne. For at indsamle data til analysen er der indgået et samarbejde mellem Dansk Kompetence Center for Affald og Cluster for Operations Research and Logistics ved AU omkring udsendelse af spørgeskemaet til kommunerne. Emnet er også relevant for Logistik og Supply Chain Management uddannelsen, da affaldshåndteringen i kommunerne er et eksempel på et komplekst supply chain system, som har udviklet sig over flere år. Yderligere da DEA metoden hovedsagligt bliver anvendt i ‘operations research management science’ (OR/MS) verden [28], er det således et værktøj, der komplementerer de studieområder, vi som studerende har modtaget undervisning i. I næste afsnit vil problemformuleringen for kandidatspecialet blive præciseret. 4 1.1 Problemformulering Dette kandidatspeciale har til formål at anvende DEA modeller til at analysere produktiviteten i kommunerne på husholdningsaffaldsområdet for at se, om der kan gives nogle generelle retningslinjer for hvilke systemer, der driver produktivitetsscorerne i modellerne. Modellerne vil anvende et input variabel i form af udgifterne for affaldshåndteringen i kommunen og syv forskellige output variabler, som henholdsvis er dagrenovation, organisk-, papir-, pap-, glas-, metal- og plastaffald. Produktivitetsscorerne bliver udregnet ved hjælp af et input-output ratio, hvor kommunerne selv får lov til at vælge de vægte, der maksimerer deres produktivitetsscore mest. Dermed vil hovedspørgsmålet i specialet være: Kan man anvende produktivitetsscorerne fra en DEA model til at give nogle generelle retningslinjer om, hvilke systemer der driver produktiviteten i modellerne? Til at understøtte dette hovedspørgsmål vil der i specialet blive undersøgt følgende bispørgsmål i forbindelse med udviklingen af DEA modellerne: • Hvordan kan DEA metodologien anvendes på affaldsområdet? • Hvilke input og output variabler skal tages med i en relevant DEA model? For at undersøge hvilke systemer, der driver produktiviteten i DEA modellerne, vil der blive anvendt en statistik test sammen med produktivitetsscorerne, som vil blive delt op på baggrund af kommunernes anvendte systemer. Derfor vil der også være følgende bispørgsmål: • Hvilke statistiske tests er det fordelagtigt at anvende i en DEA model til at teste, om der er signifikant forskel på to gruppers produktivitetsscorer? • Er der forskel på produktivitetsscorerne imellem grupper af kommuner, som bruger forskellige typer af affaldssystemer? For at indsamle data er der udsendt et spørgeskema til kommunerne og indhentet data fra Danmarks Statistik. I næste afsnit vil metoden, der er anvendt i kandidatspecialet blive introduceret. 1.2 Metode Den grundlæggende idé bag dette kandidatspeciale er at foretage en sammenligning af en gruppe af enheder, som i dette tilfælde er de danske kommuner. Sammenligningen vil blive foretaget på baggrund af kommunernes affaldssystemer, hvor kommunerne omsætter udgifterne på affaldsområdet til et output i form af forskellige indsamlede affaldsfraktioner. Denne form for sammenligning af enheder og deres evner til at omsætte ressourcer til outputs er kendt som benchmarking i erhvervslivet, hvor det traditionelt bliver tænkt som et “managerial tool that improves performance by identifying and applying best documented practices” [Bogetoft, 2012, s. 1]. 5 Udbredelsen af benchmarking i erhvervslivet har medført, at der på nuværende tidspunkt i litteraturen er mange forskellige slags metoder, som enten er tilpasset et specifikt problem, eller som tilbyder en mere general indgangsvinkel til et problem. Hver indgangsvinkel har deres egne metoder og modeller, med forskellige antal trin der skal gennemføres, og analyseenheder, der skal anvendes [2]. Spørgsmålet er dermed, hvilken indgangsvinkel, metode og model vi skal anvende til problemformuleringen i kandidatspecialet. Den indgangsvinkel der vil blive anvendt, er hentet fra bogen Performance Benchmarking af Peter Bogetoft. Han er en af Danmarks førende forskere indenfor benchmarking, og det virker derfor kun naturligt at anvende hans materiale til at lede specialet i dens valg af metode. I bogen Performance Benchmarking er der sat følgende fremgangsmåde op for, hvordan en benchmarkingprocess skal foregå [Bogetoft, 2012, s. 2]. 1. “Select a product, service or process to benchmark and consider what may be appropiate key performance metrics” 2. “Choose companies or units to benchmark against and collect data on the performance and practices of these” 3. “Analyze the data to understand the firm’s relative cost position and possible strategic advantages to identify opportunities for improvement and to increase organization learning by bringing new ideas to the firm or facilitating experience sharing”. Det første trin handler om at vælge et produkt, service eller proces at sammenligne og udvælge variabler, der kan måles på. I afsnit 1.1 blev det redegjort for, at den proces, der vil blive fokuseret på i kandidatspecialet, er kommunernes affaldshåndtering af husholdningsaffald. Herefter skal der udvælges variabler, der kan være interessante at måle på, hvilket vil blive gjort med afsæt i kapitel 2, 3 og 5, som omhandler situationsbeskrivelsen, litteraturgennemgangen og opbygningen af modellerne. I det andet trin vil der blive anvendt et spørgeskema, som kan findes i bilag 1, og Danmarks Statistik til at indsamle data om variablerne. Disse data vil blive gennemgået i kapitel 6. Det tredje trin består af benchmarking analysen for at forstå kommunernes relative position i forhold til hinanden. Til dette formål vil kandidatspecialet anvende Finansministrerets vejledning Benchmarking i den offentlige sektor [7]. Ifølge denne vejledning kan en benchmarking analyse opdeles i to tilgange, resultatbenchmarking og processbenchmarking, som er baseret på forskellige metodologiske tilgange [7]. 1.2.1 Resultatbenchmarking og processbenchmarking I Baunkjær et al. (2000, s. 17) bliver resultatbenchmarking karakteriseret som den typiske form for benchmarking, som også kendes som performancebenchmarking. Den består af kvantitative analyser som for eksempel sammenligning af centrale nøgletal for virksomheder, og kan benyttes på sammenligning af 6 blandt andet kommunale serviceområder. Modsætningen er processbenchmarking, som ifølge Baunkjær et al. (2000, s. 18) er en omfattende detaljeret analyse og sammenligning af arbejdsprocesser og arbejdstilrettelæggelser i de enkelte virksomheder. Begge metoder er baseret på forskellige tilgange og er med til at understøtte hinanden, hvor en procesanalyse kan forfine resultaterne fra en resultatbenchmarking analyse. Metoden der bliver anvendt i dette speciale, vil være baseret på resultatbenchmarking. Der vil dog også være inspiration fra processbenchmarking, da vi anvender de kommunale affaldssystemer, som kan være et udtryk for en arbejdsproces, til at sammenligne kommunernes produktivitet. I den kvantitative resultatbenchmarking analyse skelnes der ifølge Baunkjær et al. (2002, s. 24) mellem to præstationsmål, henholdsvis produktivitet og effektivitet. Produktivitet omhandler en virksomheds evne til at konvertere udvalgte ressourcer til flest mulige ydelser, og en høj produktivitet medfører således, at der kan produceres mere ved et bestemt input. Effektivitet er derimod et udtryk for virksomhedens evne til at anvende de samlede antal inputs, der er til rådighed i virksomheden til produktion af outputs. I dette speciale bliver der målt på produktiviteten på baggrund af udvalgte variabler og ikke kommunernes samlede effektiviteten. Næste afsnit vil omhandle hvilken tilgang, der kan anvendes til, at måle kommunernes produktivitet med. 1.2.2 Valg af produktivitetsanalysemetode Ifølge Baunkjær et al. (2000, s. 23) består den mest simple tilgang til resultatbenchmarking af en sammenligning af centrale nøgletal (KPIer). KPIer er et tal, som i dets udgangspunkt skal fortælle noget essentielt om en virksomheds produktivitet, og som gør det muligt at sammenligne virksomheder med hinanden. En KPI, der måler på produktiviteten, afdækker, hvor meget output man opnår for hver enhed input, og vil kunne se ud på følgende måde: Produktivitet = Output Input En metode til dette speciale kunne derfor være at sammenligne kommunernes produktivitet på baggrund af en konstrueret KPI, hvor input ville være udgifterne for affaldshåndteringen og output antal ton affald indsamlet per kommune. Produktivitet = Antal ton affald indsamlet i kommunen Udgifterne for affaldshåndteringen De kommuner, der har de højeste KPI værdier, vil blive bedømt til at være blandt de mest produktive, da de indsamler mest affald i forhold til deres udgifter. Denne tilgang ville være naiv, da der indsamles flere forskellige typer af affaldsfraktioner i kommunerne og ikke kun en samlet. En anden mulighed ville være at fordele udgifterne ud på de enkelte affaldstyper og lave KPIer for hver enkelt af dem. Det er dog forbundet med udfordringer at fordele udgifterne i forhold til affaldstyper, og ifølge Bogetoft (2012, s. 4) er der tre forudsætninger for KPIer, 7 som er med til at begrænse nytten af dem i forbindelse med sammenligning af virksomheder. Den første forudsætning er, at KPIer kun har fokus på et input og output ad gangen, og der forekommer dermed kun en delvis evaluering af en virksomhed. Sammenligningsgrundlaget vil derfor blive udfordret, hvis der er virksomheder, der scorer højt og lavt på forskellige KPIer, og det kan dermed være vanskeligt at sige noget om den samlede effektivitet i en virksomhed. De to andre forudsætninger er konstant skalaafkast og Fox paradokset. Ved konstant skalaafkast forudsætter man, at enhederne, der bliver benchmarket med hinanden, har de samme forudsætninger, og at en proportionelt stigning i inputtet skal føre til samme proportionelle stigning i outputtet for at en virksomhed skal forblive effektiv. For kommunerne vil dette være problematisk, da de har forskellige størrelser, og der kan for eksempel være faste opstartsudgifter til en indsamlingsordning, hvilket tilgodeser de større kommuner med flere husstande at dele udgifterne ud på. Yderligere tilsiger Fox paradokset, at selvom en enhed er bedst på de individuelle opstillede KPI’er, og dermed skal være den mest produktive enhed samlet set, kan det godt være tilfældet, at enhedens totale produktivitet er lavere end de andres enheder, hvilket dermed vil give den forkerte fortolkning [11]. I stedet for at anvende KPIer anbefaler Bogetoft (2012) og Baunkjær et al. (2000), at man kan benytte sig af DEA metoden til at udregne en produktivitetsscore for virksomhederne på baggrund af udvalgte variabler. Sammenholdt med anbefalingen fra Professor Niels Christian Petersen ved Syddansk Universitet vælger vi derfor at anvende DEA metoden. DEA metoden er baseret på, at de enkelte kommuners faktiske præstationer sammenlignes relativt med hinanden på baggrund af indhentede data og ikke i forhold til et idealnorm for, hvor god effektiviteten teoretisk burde være [7]. Dette vil blive uddybet i kapitlerne 3 og 4. Kandidatspecialet vil blive afsluttet med en analyse af kommunernes produktivitet, og hvilke systemer der driver deres produktivitet i de udarbejdede DEA modeller i kapitel 7, og konklusionen vil følge i kapitel 8. 1.3 Afgrænsninger og forudsætninger DEA modellerne i dette speciale måler produktiviteten for kommunerne baseret på udvalgte variabler. Der er således lavet en afgrænsning fra at måle hele den samlede effektivitet for kommunernes affaldshåndtering, som består af deres evne til at omdanne samlede antal input til outputs, og i stede måle produktiviteten på udvalgte variabler. Det forudsættes, at produktiviteten i forhold til de anvendte systemer kan måles ud fra de udgifter, der er på området til affaldsordningerne, og det der bliver indsamlet af dagrenovation, organisk-, papir-, pap-, glas-, metal- og plastaffald. Der bliver også indsamlet andre affaldsfraktioner som storskrald, haveaffald, elektriske apparater og batterier med mere, men dette gøres oftest uden brug af egentlige beholdere. I de indsamlede data om affaldsfraktionerne er der ikke taget hensyn til kvaliteten af affaldsfraktioner, og om hvorvidt det for eksempel er blødt eller hårdt plastik materiale, der bliver indsamlet. Kvaliteten af affaldsfraktioner har en betydning for den videre behandling i systemet og udgifterne. Derudover har 8 der for nogle af kommunerne, som indsamler visse typer af affaldsfraktioner ved hjælp af storskraldsordninger ikke været muligt at adskille affaldsfraktionerne fra hinanden som for eksempel med jern og metal. Det forudsættes derfor, at hele mængden er metal af praktiske årsager. Modellerne kan også være begrænset af, at husholdningerne i nogle kommuner producerer mere affald generelt end andre. Kommunerne er i specialets analyse enten kategoriseret ved kommuner, der anvender enkeltkammer- eller multikammersystemer. Det forudsættes, at kategoriseringen kan foretages på baggrund af, hvilke systemer der bliver anvendt hos enfamilie boligerne i kommunerne. Der er ikke taget hensyn til hvilken typer af affaldsfraktioner affaldssystemerne er anvendt sammen med, eller hvor udbredte systemerne er i kommunen. I en DEA model forudsættes det, at mindre af inputtet og mere af outputtet er bedre, og det bliver således også forudsat, at de kommuner, som indsamler mest til færrest udgifter, er mest produktive i overordnede træk. Dette kan måske medvirke til at stille de kommuner, som er gode til at forebygge affald ringere i en DEA end dem, som ikke er. Såfremt en kommune afhenter flere forskellige typer af affaldsfraktioner, eller har mulighed for at borgerne kan hjemmekompostere, vil deres dagrenovations mængde sandsynligvis være mindre, hvilket medfører samme begrænsning i modellen. For model 2 har det ikke været muligt, at adskille udgifterne for metal og plastik fra funktionen øvrige ordninger i kommunernes regnskaber, og udgifterne for disse ordninger er derfor ikke taget med. Dette er med til at begrænse modellen, og resultaterne herfra skal tages med forbehold for dette. 9 2 Situationsbeskrivelse Dette kapitel beskæftiger sig med affaldssituationen i Danmark, og formålet er at vise, hvor kravene til kommunernes affaldshåndtering kommer fra, og hvilke systemer kommunerne kan anvende til at indsamle affald med. Det er med til at sætte kandidatspecialet i en sammenhæng, som er baseret på kommunernes virkelighed. Derfor vil der i afsnit 2.1 blive gennemgået det europæiske affaldsdirektiv, den nationale affaldsstrategi og affaldsbekendtgørelsen. I afsnit 2.2 vil et udvalg af de forskellige affaldssystemer som kommunerne kan anvende, og hvordan de praktisk bliver anvendt i kommunerne blive gennemgået. 2.1 Affaldsdirektivet Formålet med det europæiske affaldsdirektiv har været at skabe en lovramme for håndtering af affald, som sigter imod at styre hele affaldscyklussen fra generering til bortskaffelse, hvor genvinding og genanvendelse er i fokus. Direktivet foreskriver, at landene skal læne sig op ad det følgende affaldshierarki i deres tilgang til håndtering af affald [23]. (I) Forebyggelse (II) Forberedelse til genbrug (III) Genanvendelse (IV) Anden nyttiggørelse, specielt energiudvinding (V) Bortskaffelse Tanken bag affaldshierarkiet er, at det skal være med til at sikre, at landene igennem deres affaldshåndtering er med til at benytte sig af de muligheder, der giver det bedste miljøresultat. Dermed er det grundlæggende bedst at forebygge, at der genereres affald, og den værste løsning et land kan vælge er at bortskaffe affald ved for eksempel deponering. Der har dog været kritik af at implementere affaldshierarkiet i de nationale lovsamlinger. Kritikken er, at den rangordning, der findes i hierarkiet, ikke tager sit direkte udgangspunkt i samlede samfundsøkonomiske analyser, og dermed er det uklart, om det er bedst for samfundet at følge det [21]. I affaldsdirektivet er der også fastsatte krav om indførsel af særskilt indsamling for minimum papir, metal, plastik og glas senest i 2015, og at genanvendelse af affaldsmaterialer fra husholdninger, som minimum papir, metal, plastik og glas, skal være på samlet mindst 50 vægtprocent senest i 2020. Affaldsdirektivet skal indarbejdes i den danske lovsamling, hvilket er gjort ved hjælp af affaldsbekendtgørelsen og en national affaldsstrategi, som er fremsat af regeringen. Dette vil være fokus for næste afsnit. 2.1.1 Den nationale affaldsstrategi og affaldsbekendtgørelsen I strategien er der lagt vægt på, at det er op til kommunerne lokalt at sørge for de praktiske løsninger, som kan være med til at sikre, at genanvendelsesmålene 10 bliver nået, og derfor indeholder strategien ikke krav til kommunernes brug af praktiske systemer til indsamling af affald. Det er således op til kommunerne selv at fastlægge hvilket serviceniveau og praktiske systemer, der skal anvendes, og dermed kan man i praksis have 98 forskellige systemer. Det er dog klart, at for at opnå de fastsatte genanvendelsesmål kræver det, at der skal til at sorteres mere affald [36]. De overordnede rammer for kommuners affaldshåndtering bliver reguleret under den gældende affaldsbekendtgørelse, hvor det er klargjort, at den kommunale affaldshåndtering skal ske i overensstemmelse med affaldshierarkiet. Kommunerne er også forpligtet til at udarbejde affaldsregulativer i forhold til et præspecificeret paradigme, som omhandler hvilke indsamlings- og anvisningsordninger og herunder hvilken sortering, der bliver anvendt. For dette må kommunerne opkræve et gebyr, der dækker udgifterne for affaldshåndteringen. For at få en bedre forståelse for hvad en indsamlingsordning indebærer, vil næste afsnit handle om forskellige sorteringsscenarier, der kan anvendes i en indsamlingsordning. Der vil blive draget praktikske eksempler frem på hvilke affaldssystemer, der bliver benyttet i udvalgte kommuner. 2.2 Indsamlingsordninger En indsamlingsordning er ifølge affaldsbekendtgørelsen defineret som “en regulativbestemt ordning, hvor kommunen overtager ansvaret for affaldets videre håndtering ved opsamlingsstedet, og som er organiseret som en hente- eller en bringeordning” [1]. Der findes ikke nogen fast definition på, hvad en hente- og bringeordning indebærer, men en henteordning bliver som regel karakteriseret ved, at affaldet bliver afhentet ved husstandene i forskellige typer af beholdere, mens ved en bringeordning sørger husstandene for, at affaldet bliver bragt til indsamlingssteder, som for eksempel kan være nærgenbrugsstationer og kuber, hvorefter kommunen opsamler det. Overordnet set er der især tre hovedspørgsmål, der skal besvares når en kommunen etablere en indsamlingsordning, og de er som følgende; hvilke affaldsfraktioner skal indsamles, hvordan skal de relevante affaldsfraktioner sorteres fra det resterende affald ude hos husholdningerne, og hvordan skal det sorterede affald efterfølgende indsamles [31]. For at få et overblik over hvordan indsamlingsordninger kan sammensættes og for at illustrere mangfoldigheden blandt systemerne, allerede inden der kommer nye skærpede krav, vil det følgende afsnit omhandle forskellige sorteringsscenarier. Med mindre andet er angivet i teksten, er det baseret på rapporten Kortlægning af indsamlings-og forbehandlingsmetoder for organisk affald af konsulentbureauet Niras, som er blevet udarbejdet for RenoSam [35]. 2.2.1 Sorteringsscenarier for hente- og bringeordninger Når affaldet skal sorteres ved husholdningerne i form af henteordninger, findes der flere forskellige typer af beholdere, der kan anvendes til formålet. Hvilken type af beholdere der bliver anvendt, kan afhænge af flere forskellige interne 11 forhold i kommunen. Dette kan for eksempel være, om affaldet skal sorteres på en bestemt måde for at kunne blive viderebehandlet på det anvendte affaldsbehandlingsanlæg, hvor mange gange kommunen ønsker at tømme beholderne om måneden, den ønskede renhed af materialet og så videre. Beholderne kan overordnet inddeles i følgende typer: • Separat beholder. • To-delt beholder. • Fir-delt beholder. Den separate beholder er kendetegnet ved enten at være et stativ med sæk eller en beholder, som ikke er opdelt af skillerum eller indsatser. Den kommer i forskellige størrelser, hvor den typiske anvendte størrelse i kommunerne er på 110 liter eller 140 liter, og er normalt anvendt sammen med et 14. dages tømningsinterval. Fordelen ved en separat beholder er, at det er nemt at ændre på antallet af dage, der går mellem tømningssdagene, da der ikke skal tages hensyn til andre affaldsfraktioner i beholderen, og at den kan tømmes af alle slags renovationsbiler, mens ulemperne er, at såfremt man ønsker at lave mere kildesortering, så kræver det flere beholdere hos de enkelte husholdninger og flere afhentninger. Den to-delte beholder har to rum, og er oftest på mellem 190 og 240 liter i kommunerne med et 14. dages tømningsinterval. Fordelen ved en to-delt beholder er, at der kan kildesorteres to affaldsfraktioner på samme tid i samme beholder, og at der kun kræves en kørsel for at tømme den. Ulemperne er, at der skal benyttes en todelt skraldebil, og aflæsningen af affaldet skal dermed ske det samme sted. Derudover kan det variere, hvor hurtigt de to rum bliver fyldt op med hver sin affaldsfraktion, og dette kan være med til at gøre indsamlingen dyrere, da alt kapaciteten i renovationsbilerne og beholderne ikke nødvendigvis bliver udnyttet optimalt. Den firdelte beholder tillader opsamling af fire forskellige affaldsfraktioner og er hyppigt anvendt i Sverige, hvor den typiske anvendte størrelse er på 370 liter, som bliver tømt hver 14. dag. I Danmark er den kendt under navnet “Madam Skrald” og blandt andet anvendt i Herlev. ‘Madam Skrald’ er en beholder, der er delt op i to små og to store rum, som bliver anvendt til opsamling af papir, plast, glas og metal hos villaer og rækkehuse. Beholderne bliver tømt af specialdesignede renovationsbiler ‘Hr. Skrald’ med fire kamre, så affaldet ikke bliver blandet sammen. Fordelen ved denne type af beholder er, at den reducerer behovet for, at borgerne kører til genbrugspladsen, samt at den øger muligheden for bedre genbrug af affaldsfraktionerne. Ulemperne er, at det tager længere tid at tømme beholderen i renovationsbilen, at renovationsbilens affaldsfraktioner skal aflæsses på samme plads, og at der kan være problemer med at udnytte beholderens og renovationsbilens kapacitet fuldt ud. Udover de forskellige beholdertyper kan der også anvendes 2 forskellige farvede poser til at sortere, hvor poserne enten kan være lavet af papir, biomateriale 12 eller plastik, og hvor man får adskilt affaldsfraktionerne med efterfølgende optisk sortering. Ulempen er ekstra omkostninger til optisk sortering, men fordelen er man får mulighed for flere affaldsfraktioner i en beholder. Andre muligheder er at benytte sig af mindre beholdere til batterier, elektronikaffald, eller farligt affald, som stilles frem ved skraldespanden på tømningsdagen af borgerne, og tages med af renovationsarbejderne. Der kan også anvendes fortovsindsamling, hvor borgerne stiller forskellige materialer ud til vejen på bestemte dage enten i sække eller i papkasser, og som så bliver taget med af renovationspersonalet. Når affaldet skal sorteres ved hjælp af bringeordninger, kan de opdeles i to kategorier. Den første kategori er genbrugspladser, som er karakteriseret ved, at denne afleveringsmulighed oftest kræver, at man har et transportmiddel for at kunne benytte sig af dem. Den anden kategori af bringeordninger er nærgenbrugspladser, affaldsøer, igloer, kuber eller lignende, som er i nærområdet. Disse kan anvendes uden brug af bil, og er dermed en afleveringsmulighed for et mindre antal husstande. Gældende for begge kategorier af bringeordninger er, at de er fleksible i forhold til hvilke typer af affaldsfraktioner, de kan akkommodere. Disse hente- og bringeordninger kan kombineres på kryds og tværs, og kendetegnet for dem er, at de pålægger den enkelte husholdninger et større eller mindre ansvar for at sørge for at sorteringen bliver en succes. Der skal derfor være opmærksomhed på, at hvis kompleksiteten bliver for stor, kan der være en risiko for, at borgerne ikke benytter sig korrekt af indsamlingsordningerne [31]. Det næste afsnit vil komme med praktiske eksempler på, hvordan det bliver gjort i kommunerne på nuværende tidspunkt. 2.2.2 Praktisk anvendelse i kommunerne I Aarhus kommune anvendes der separate beholdere, minicontainere og nedgravede affaldscontainere til indsamling af dagrenovation. Den mest anvendte separate beholder kan indeholde 190 liter, og bliver hovedsagligt anvendt hos villaer, mens der ved fælles affaldsordninger kan anvendes containere. Derudover bliver der i udvalgte områder i Aarhus anvendt nedgravede affaldscontainere til dagrenovation, hvor husstande, som er tilmeldt kan anvende dem. Batterier kan enten lægges på låget af de separate beholdere i en klar plastikpose, afleveres i nedgravede containere, butikker eller på genbrugspladsen. Glas og papir kan enten afleveres i en bringeordning, som foregår enten på kommunens seks genbrugsstationer eller i kuber og nedgravede affaldscontainere, som er opstillet centrale steder i kommunen. Enfamiliehuse har også mulighed for at få en separat 190 liter beholder til kun papir. I Ikast-Brande kommune er der to muligheder for sortering af dagrenovation for grundejerne. Den første mulighed er en to-delt beholder, hvor man kan komme organisk og restaffald affald i hver sit rum. Det organiske affald, som kommes i en grøn pose inden det kommer i beholderen, er til centralkompostering, mens restaffaldet er til forbrænding. Den anden mulighed er, at man får en separat beholder til restaffaldet og en hjemmekompostbeholder til det organiske affald. Glas og papir bliver opsamlet ved hjælp af en bringeordning, og kan afleveres i miljøøer, som er opstillet forskellige steder i kommunen eller på genbrugspladser sammen med pap. Villaer og rækkehuse har også mulighed for 13 at bruge en rød miljøboks til små mængder farligt affald til afhentning sammen med dagrenovation. I Brøndby kommune har man for nylig indført et nyt affaldssystem, som er baseret på mere kildesortering hos husstandene. De fleste villa- og rækkehuse har derfor fået 3 to-delte beholdere til affaldsfraktionerne organisk- og restaffald, papir og plast, samt metal og glas. Hver affaldsfraktion har dermed sit eget rum i beholderne, og borgerne skal kildesortere direkte ved den enkelte husstand. Derudover som supplement til de 3 to-delte beholdere er der også en miljøboks, hvori farligt affald kan afleveres, og miljøboksen kan efterfølgende stilles ud til beholderne, som vil blive taget med af renovationspersonalet. Beholderne har forskellige tømningsfrekvenser, hvor beholderen til organisk- og restaffald bliver tømt hver uge, papir- og plastbeholderen bliver tømt hver 3. uge og beholderen til glas og metal bliver tømt hver 8. uge. 14 3 Litteraturgennemgang Dette kapitel omhandler konceptet bag at estimere en produktionsfront, og hvordan DEA metoden er anvendt på affaldsområder. Derfor vil der i afsnit 3.1 blive gennemgået forskellige metoder man kan estimere en produktionsfront på udover DEA metoden, og formålet er at vise den mangfoldighed der er i litteraturen. Herefter vil der i afsnit 3.2 blive gennemgået tre artikler, som har anvendt DEA metoden på affaldsområdet, hvor formålet er, at vise hvilken tilgang de har valgt. 3.1 Produktionsfronten Det grundlæggende koncept bag DEA metoden er, at der bliver estimeret en produktionsfront ved hjælp af de data, der er indhentet om variablerne i modellen. Figur 1: Output og input orientering Kilde: Cooper et al. (2000) Produktionsfronten, som den vist i figur 1, der løber fra punktet (0,0) og igennem punktet B, er estimeret ved hjælp af en CCR DEA model, og repræsenterer den optimale kombination af input og output. I figur 1 er punktet A ikke produktivitetseffektiv, da det ikke ligger på produktionsfronten, men kan blive fuldt produktivitetseffektiv ved enten, at reducere dens input ‘employee’ og rykke hen til punkt A1 eller forhøje dens output ‘sales’ og rykke frem til punkt A2 . A’s produktivitetseffektivitet bliver dermed målt, som afstanden mellem den selv og produktionsfronten, enten i en input eller output orientering. Denne måde at måle produktivitetseffektiviteten på ved hjælp af en produktionsfront kan der anvendes forskellige metoder til udover DEA metoden. Ifølge Bogetoft og Otto (2011, s.17) kan metoderne inddeles efter, om de er baseret på en parameter eller ikke-parameter tilgang, og om de er stokastiske eller deterministiske i deres udgangspunkt. Parameter modellerne er kendetegnet ved, at produktionsfrontens funktionelle form er specificeret på forhånd af brugeren, og at der ud fra datamaterialet bliver estimeret de pågældende parameter i den funktionelle form. Dette 15 er modsat ikke-parameter modeller, som ikke kræver, at der bliver specificeret en funktionel form på forhånd, men hvor modellen selv estimerer den funktionelle form ud fra nogle forudsætninger i modellen som tilfældet er med DEA modellen [12]. Den anden sondring der kan gøres mellem modellerne, er hvorvidt de er deterministiske eller stokastiske i deres tilgange til estimeringen af produktionsfronten. I en deterministisk tilgang er forudsætningen som udgangspunkt, at afstanden mellem produktionsfronten og enheden kun består af ineffektivitet. I en stokastisk model er det forudsat, at afstanden består af ineffektivitet og støj, som kan stamme fra dårlig kvalitet i data eller variabler, der ikke er taget med i modellen. På baggrund af det ovenstående vil der i de følgende afsnit blive gennemgået tre forskellige metoder til, at estimere en produktionsfront med udover DEA metoden. Formålet er ikke at gennemgå dem matematisk men at give en forståelse for, at der findes forskellige modeller, man kan anvende, og som kan have en indflydelse på, hvordan produktionsfronten bliver estimeret, og dermed produktivitetsscorerne. DEA metoden vil blive behandlet i kapitel 4. 3.1.1 Corrected Ordinary Least Squares Corrected Ordinary Least Squares (COLS) er en deterministisk parameter metode til at estimere en produktionsfront med, hvor den funktionelle form er bestemt på forhånd af brugeren. Det første trin i metoden er, at man estimerer en OLS regressionslinje ud fra datamaterialet, og anvender de indsamlede data til at estimere parametrene i OLS regressionslinjen. Herefter bliver regressionslinjen enten justeret opad eller nedad ved hjælp af fejlledet i modellen, og man får estimeret en produktionsfront [12]. Fordelen ved denne metode er, at den er simpel at implementere, mens ulempen er, at dette sker på baggrund af en OLS regression, som bliver estimeret ud fra et ønske om at minimere forskellene mellem enhederne mest muligt og ikke ud fra en forudsætning om, at estimere en produktionsfront ud fra de bedste enheder i analysen. Derudover skal produktionsfronten også løbe parallelt med OLS regressionslinjen, hvilket gør, at produktionsfronten muligvis ikke ligger tættest muligt på enhederne [12]. 3.1.2 Stochastic Frontier Analysis Stochastic Frontier Analysis (SFA) er en stokastisk parameter metode til, at estimere en produktionsfront med, hvor metoden antager at afstanden mellem den enkelte virksomhed og produktionsfronten ikke kun udgøres af ineffektivitet men også af støj. Dette bliver gjort ved at introducere et symmetrisk fejlled i dens funktionelle form, og til at estimere parametrene bliver der traditionelt anvendt en ‘maximum likelihood’ tilgang med en asymptotisk forudsætning, hvilket kræver en stor gruppe af enheder i undersøgelsen [16]. Maximum likelihood estimerer parametrene på baggrund af de indsamlede data ud fra en betragtning om, at de indsamlede data er de mest sandsynlige værdier for den sande produktionsfront, og ulempen er, at det kræver, at 16 der bliver lavet nogle stærke forudsætninger om den underliggende data genereringproces. Metoden er hovedsagligt udviklet og anvendt i økonometriens verden [16]. 3.1.3 Stochastic Data Envelopment Analysis Stochastic Data Evenlopment Anlaysis (SDEA) metoden kombinerer den fleksibilitet, som der er fra DEA metoden med hensyn til ikke, at skulle specificere en funktionel form samtidig med, at det indarbejder et stokastisk element fra SFA metoden, hvor vi ikke længere ser afstanden mellem produktionsfronten og den enkelte enhed som kun ineffektivitet men også som støj [12]. Dermed tillader man at der en stokastisk variation for de enkelte enheder omkring produktionsfronten, som sker ved, at der er en forudsætning om, at enten input eller output variabler bliver trukket fra en underliggende sandsynlighedsfordeling [29]. Denne kombination af en SFA og DEA model er tillokkende men udregningerne er komplekse, samt der er nogle stærke forudsætninger for hvilken sandsynlighedsfordeling, der skal bruges til at trække variablerne fra, hvilket medfører at datasættene skal være store for at kunne gøre dette. Yderligere er SDEA ikke særlig veludviklet i litteraturen, og derfor overgår fordelene ved at gå over til en SDEA ikke ulemperne [12]. Vi har nu set, at der er forskellige måder at estimere en produktionsfront på ved enten at bruge deterministiske eller stokastiske modeller, og dermed har det i sidste ende betydning for produktivitetsscorerne [12]. Næste afsnit vil omhandle hvordan DEA metoden er anvendt i den akademiske litteratur på affaldsområdet. 3.2 DEA i den akademiske litteratur Dette afsnit tager sit afsæt i tre udvalgte akademiske artikler, som er fundet relevante efter en omfattende litteraturgennemgang, der anvender DEA metoden på affaldsområdet. Formålet er at få inspiration til, hvilke variabler man kan inkludere i en analyse, hvilke DEA modeller der er brugt til at estimere en produktionsfront med og hvilke statistiske tests, der er anvendt. På affaldsområdet findes en omfattende mængde litteratur, udover DEA litteraturen, blandt andet hvordan man indsamler affald og minimerer transportomkostninger [20], [30] [26] og hvilke affaldssystemer der økonomisk er bedst [34], [40] med mere. Det er valgt i dette speciale at begrænse sig fra at omtale dette i litteraturgennemgangen, af hensyn til antal sider, der er til rådighed. 3.2.1 Affaldshåndtering i Belgien Rogge og Jaeger (2012) har undersøgt omkostningseffektiviteten af den kommunale affaldsindsamling og efterfølgende behandling af affaldet i Belgien ved hjælp af en DEA metode. Den anvendte DEA model består af en input variabel i form af omkostningerne, kommunerne har på området og seks forskellige typer af affaldsfraktioner. I modellen anvendes der en input-orientering, da det ifølge 17 forfatterne giver mest mening for kommunerne at reducere omkostningsniveauet. Stikprøven i DEA modellen udgøres af 293 kommuner i Flandern. Data for input variablen, de kommunale omkostninger for affaldshåndteringen, er i artiklen blevet indhentet fra de kommunale regnskaber. Grundet kompleksiteten i de Belgiske kommuners regnskabspraksis medfører dette, at der ikke er mulighed for, at dele omkostningerne op i forhold til hvor stor en del, der går til hver type af affaldsfraktion. Da det for forfatterne i artiklen ikke er muligt at opdele omkostninger i forhold til, hvor meget der bliver brugt på hver affaldsfraktion, gør de brug af en ‘shared-input’ DEA model. Konceptet bag denne fremgangsmåde er, at DEA modellen deler omkostningerne optimalt op for hver kommune i henhold til hver affaldsfraktion, hvilket giver delvise produktivitetsscorer for hver affaldsfraktion for hver kommune, og efterfølgende en samlet global produktivitetsscore. Denne fremgangsmåde er med til at give de enkelte kommuner mulighed for frit, at vælge hvor stor en del af omkostningerne der skal tilskrives til hver affaldsfraktion, og det gør det svært at argumentere imod en dårlig produktivitetsscore. Ulempen er selvfølgelig, at denne fremgangsmåde tillader, at en kommune kan tilskrive en meget høj procentdel af de samlede omkostninger til en enkelt affaldsfraktion. Dette bliver i artiklen omgået ved, at indføre restriktioner på hvor meget hver kommune må vægte en affaldsfraktion i forhold til omkostningerne i DEA modellen. Forfatterne i artiklen finder, at kommunerne i gennemsnit kan reducere deres input med 47,21 %, og at der er en stor gruppe af kommuner, som ikke er produktivitetseffektive, hvor kun en lille gruppe af kommuner er fuldt produktivitetseffektive. 3.2.2 Affaldshåndtering i Spanien Garcia-Sanchez (2007) har analyseret produktivitetseffektiviteten i de spanske kommuner, som har et indbyggertal over 50.000 ved hjælp af en DEA model. De spanske kommunernes affaldshåndtering omfatter gaderengøring, indsamling affald og behandling af affaldet efterfølgende. Artiklens fokus er på gaderengøring, og indsamling af affald og stikprøven i analysen udgøres af 38 kommuner. Til analysen bliver der anvendt en input-orienteret BCC DEA model, hvor input variablerne til forskel fra Rogge og Jaeger (2012) ikke er omkostningerne for affaldshåndteringen i kommunen, men de ressourcer der bliver anvendt som er personale, biler og containere. Output variablerne udgøres af antal ton affald indsamlet, antal opsamlingssteder, kilometer af gader vasket og opsamlingstæthed. Fortolkningen er dermed ikke hvor omkostningseffektive kommunerne er, men hvor ressourceeffektive de er. Forfatterne til artiklen undersøger også, hvor vidt der er en sammenhæng mellem indikatorer som befolkningstæthed, størrelse af byen, politisk ideologi med mere og produktivitetsscorerne. På baggrund af dette vælger forfatterne, at inkludere et turist index variabel i DEA modellen for at kontrollere for dette. Efter forfatterne har kørt DEA modellen, vælger de at anvende en MannWhitney U test, for at analysere om der er signifikant forskel på produktivitetsscorerne mellem de kommuner, som har affaldshåndteringen internt i kom18 munen, og de kommuner som har udliciteret affaldshåndteringen, og de finder at der ikke er en forskel. De finder, at kommunerne i gennemsnit har en produktivitetseffektivitet på 83,60 %, og 55 % af kommunerne er fuldt produktivitetseffektive til forskel fra Rogge og Jaeger, hvor kun en mindre gruppe var fuldt effektive (2012). 3.2.3 Affaldsindsamling i Australien Worthington og Dollery (2000) anvender en input orienteret BCC og CCR DEA model til at analysere DEA effektiviteten for affaldshåndteringen hos 103 kommuner i New South Wales. Der er anvendt en input orienteret model, da det ifølge forfatterne vil give mest mening for en kommune at reducere input variablen, som er omkostningerne for affaldshåndteringen i kommunen. Output variablerne i modellen er total restaffald indsamlet, total genbrugelig materiale indsamlet og en udregnet genbrugsprocent. I modellen er der, som i Garcia-Sanchez (2007), anvendt kontrol variabler, som befolkningstæthed, antal beboede huse med videre, for at kontrollere for forhold i modellen som kommunerne ikke har kontrol over. Derudover oplyser forfatterne at estimatet for input variablen omkostninger grundet regnskabsregler og hvordan kommunerne håndtere omkostningsstrukturen kan være usikkert, som det også blev set i Rogge og Jaeger (2012). Efter at DEA modellen er kørt i artiklen bliver der anvendt en Welch, MannWhitney U, og to Banker’s F-tests for at analysere, om der er en forskel på produktivitetsscorerne mellem kommunerne baseret på deres kategorisering af hvor bymæssige eller regionale de er. De anvendte statistiske test i artiklen viser, at by kommuner generelt er mere effektive end de regionale kommuner. I DEA analysen finder de, at for BCC modellen er gennemsnit effektiviteten på 56,14 %, hvilket er i samme område som Rogge og Jaeger (2012). 19 4 Data Envelopment Analysis Dette kapitel introducerer teorien for DEA metodologien. Det vil blive gjort med hjælp af metodens matematiske grundlag og en grafisk fremstilling af dem. Formålet er at give læseren en forståelse for, hvordan DEA metoden fungerer, og hvordan den kan anvendes i samspil med problemstillingen i specialet. Såfremt andre kilder ikke er angivet i teksten, er det forudsat, at kilden er DEA: A Comprehensive Text with Models, Applications, References and DEA-Solver Software af Cooper, Seiford og Tone (2000) [19]. 4.1 Indledning DEA er en deterministisk ikke-parameter metode, og de enheder som deltager i undersøgelsen, bliver omtalt ved det generiske udtryk ‘decision making units’ (DMU). Den enkelte DMU bliver refereret til som DM Uj (j = 1, . . . , n), og i analysen er der udvalgt m input og s output variabler, hvor data for dem bliver indsat i to matricer X og Y [14]. X(m x n) = Y(s x n) = x11 x21 .. . x12 x22 .. . ... ... .. . x1n x2n .. . xm1 xm2 . . . xmn y11 y12 . . . y1n y21 y22 . . . y2n .. .. .. .. . . . . ys1 ys2 . . . ysn Hver kolonne i X og Y repræsenterer, hvad den enkelte DM Uj bruger, og producerer af input og output variablerne. DM U1 vil således bruge input variablerne x11 , x21 , . . . , xm1 til, at producere output variablerne y11 , y21 , . . . , ys1 med. På baggrund af dette bliver der foretaget en optimering af en produktivitetsscore θ∗ for den enkelte DM Uj . Dette bliver gjort ved hjælp af et ratio forhold mellem input og output variablerne, hvor der på variablerne bliver ganget de virtuelle vægte us og vm som vist i (1). θ∗ = u1 y1o + . . . + us yso v1 x1o + v2 x2o + . . . + vm xmo (1) ∗ repræsenterer de vægte, som maksiDe optimale virtuelle vægte u∗s og vm merer den enkelte DM Uj ratio i forhold datamatricerne X og Y, og vægtene ∗ bliver bestemt af DEA modellen. De kan tolkes som, hvor meget hvert u∗s og vm enkelt input og output variabel relativt bidrager med til den enkelte DM Uj ’s produktivitetsscore θ∗ , og DMUerne er således med til selv at vælge deres vægte. Basis DEA modellerne, CCR [14] og BCC [4], antager enten en input eller orientering som vist i figur 2. I figuren repræsenterer punkt A en DMU, som er ineffektiv, da den ikke er på produktionsfronten. For at blive effektiv skal den enten rykke hen til punkt A1 , ved at reducere antallet af ‘employee’, eller punkt A2 ved at ekspandere output variablen ‘sales’. 20 Figur 2: Input og output orientering Kilde: Cooper et al. (2000) Derfor hvis DEA modellen er input-orienteret, vil det betyde, at modellen forsøger at minimere input variablerne proportionelt samlet, mens den holder output variablernes niveau fast. Det modsatte er tilfældet for en outputorienteret DEA model, hvor modellen forsøger at maksimere output proportionelt samlet, mens input variablernes niveau holdes fast [43]. I specialet vil vi følge Rogge og Jeager (2012), Garcia-Sanchez (2007) og Worthington og Dollery (2001) og anvende en input orienteret DEA model. Det vil også være mest meningsfuldt for kommunerne at reducere inputtet, som er udgifterne, fremfor at ekspandere outputtet, som er de forskellige affaldsfraktioner. De ovenstående principper om at anvende virtuelle vægte til at udregne en produktivitetsscore og enten have en input eller output orientering danner grundlaget for de to basis DEA modeller CCR [14] og BCC [4] i litteraturen. I det næste afsnit vil CCR modellen blive præciseret. 4.2 CCR modellen CCR modellen blev introduceret i 1978 af Charnes, Cooper og Rhodes [14]. I modellen er der en forudsætning om, at data i datamatricerne X og Y er positive, og at der eksisterer et konstant skalaafkast mellem input og output variablerne [14]. Modellen er oprindeligt formuleret som et ikke-lineært fraktionsproblem (FP) og angivet i (2) - (5). (F Po ) max θ = subject to u1 y1o + u2 y2o + . . . + us yso v1 x1o + v2 x2o + . . . + vm xmo u1 y1j + . . . + us ysj ≤ 1 (j = 1, . . . , n) v1 x1j + . . . + vm xmj v1 , v2 , . . . , vm ≥0 u1 , u2 , . . . , us ≥0 (2) (3) (4) (5) I FP formuleringen er objektivfunktion (2) ratio forholdet mellem output og input, hvor formålet er at finde de virtuelle vægte, som optimerer det optimale ratio for den DMU, som er under optimering. θ∗ vil altid have en værdi mellem 21 0 og 1, og dette sker under forudsætning af, at de pågældende virtuelle vægte er større eller lig med 0 som vist i (4) og (5), og at ratio forholdet skal være mindre eller lig med 1, som vist i (3). Det blev senere korrigeret til, at vægtene skal være strengt positive, ellers kan θ risikere at være svag CCR effektiv, hvilket er et koncept, vi vender tilbage til [15]. En DMU er dermed på produktionsfronten, når den har en θ∗ = 1, og de virtuelle vægte er over 0. FP formuleringen kan omformuleres til et lineært problem ved hjælp af “Charnes-Cooper” transformationen, som gør, at den kan løses med lineær programmering. Denne lineære formulering, vist i (6) - (10), er kendt som multiplier modellen, da de virtuelle vægte optræder i objektivfunktionen [43]. (LPo ) max θ = µ1 y1o + . . . + µs yso subject to (6) ν1 x1o + . . . + νm xmo = 1 (7) µ1 y1j + . . . + µs ysj ≤ ν1 x1j + . . . + νm xmj (8) (j = 1, . . . , n) ν1 , ν2 , . . . , νm ≥ 0 (9) µ1 , µ2 , . . . , µs ≥ 0 (10) Eller i matrix notationsform hvor den DM Uj som er under optimering og dens input og output, bliver benævnt DM Uo , xo og yo . (LPo ) max θ = uyo (11) subject to vxo = 1 (12) −vX + uY ≤ 0 (13) v ≥ 0, u ≥ 0 (14) Indtil nu har der været en forudsætning om, at data i matricerne X og Y er positive. Denne forudsætning bliver nu lempet til, at data er semi-positive, hvilket kan skrives som xj ≥ 0, xj 6= 0 og yj ≥ 0, yj 6= 0 for j = 1, . . . , n. Dette betyder, at en DMU har mindst en positiv værdi for både en input og en output variabel, hvor x ∈ Rm og y ∈ Rs . Regionen under produktionsfronten, som vist i figur 3, siges at være ‘production possibility set’ (PPS), som betyder at enhver punkt i dette område udgør en mulig produktion på baggrund af de informationer, vi har fra det empiriske data. Regionen har følgende fire forudsætninger i en CCR model: • Aktiviteterne (xj , yj ) (j = 1, . . . , n), og dermed DM Uj , tilhører PPS. • Hvis en aktivitet (x, y) hører til i PPS, så tilhører (tx, ty), hvor t er en positiv skalar, også PPS. Dette er forudsætningen om konstant skalaafkast, og vil blive lempet i BCC modellen til fordel for en forudsætning om variabelt skala afkast. • En aktivitet (x̄, ȳ) hvor x̄ ≥ x og ȳ ≤ y tilhører PPS. 22 Figur 3: Production Possibilty Set Kilde: Cooper et al. (2000) • Enhver semi-positiv lineær kombination af aktiviteterne i PPS tilhører PPS. De fire forudsætninger kan matematisk opsummeres som at PPS = {(x, y)| x ≥ Xλ, y ≤ Yλ, λ ≥ 0}, hvor λ er en semi-positiv vektor, der tilhører Rn . På baggrund af dette vil CCR modellen estimere en stykvis lineær produktionsfront (efficient frontier) som den vist i figur 3. Den overordnede teori og forudsætningerne bag CCR modellen er nu blevet gennemgået. Det næste afsnit vil bestå af et eksempel fra Cooper et al. (2000) [19] for at vise, hvornår en DMU er CCR effektiv, hvordan referencesættet for den enkelte DMU bliver fundet, og hvilke udfordringer der kan være ved at anvende LP modellen. 4.2.1 CCR multiplier eksempel Tabel 1 består af seks forskellige DMUer, der anvender to forskellige input til at producere et output med. Vi anvender software programmet DEAFrontier DEA Add-In for Microsoft Excel Student Version [43] til at udregne produktivitetsscorerne for de enkelte DMUer med, som er vist i tabel 2. Tabel 1: Input og output variabler DMU X1 X2 A 04 3 B 07 3 C 08 1 D 04 2 E 02 4 F 10 1 Kilde: Cooper et al. Y 1 1 1 1 1 1 (2000) Fra tabel 2 ses det, at DMU C, D og E er CCR effektive med en produktivitetsscore på 1 (θ∗ = 1) og med virtuelle vægte over 0 (v ∗ > 0 og u∗ > 0). 23 Tabel 2: Input og output variabler DMU A B C D E F CCR(θ∗ ) v1 v2 u1 0,8571 0,1429 0,1429 0,8571 0,6316 0,0526 0,2105 0,6316 1,0000 0,0833 0,3333 1,0000 1,0000 0,0833 0,3333 1,0000 1,0000 0,1667 0,1667 1,0000 1,0000 0,0000 1,0000 1,0000 Kilde: Egne beregninger v2 /v1 1 4 4 4 1 1 DMU F har også en produktivitetsscore på 1, men da v1∗ = 0 betyder dette, at den er svag CCR effektiv, hvilket også kaldes, at være ratio effektiv og mix ineffektiv, hvilket betyder, at enheden kan opnå en forbedring, som ikke er afhængig af, at alle input bliver reduceret proportionelt. Figur 4: Produktivitetseffektivitet Kilde: Cooper et al. 2010 Dette koncept kan vises ved hjælp af figur 4, hvor F er på produktionsfronten, men stadig har mulighed for at forbedres, ved at reducere input 1 på X aksen, fjerne dens ‘slack’ og rykke hen til C. For at undgå at en DMU, som er mix ineffektiv, får en θ∗ på 1, kan man tvinge vægtene i (14) til at være over 0 ved at indsætte en variabel , som er et meget lille tal, som normalt er sat til 10− 6 [43]. Dette kan dog skabe problemer for modellen, og en forkert valgt kan medvirke til, at multiplier modellen ikke kan løses. Cook og Zhu (2008) [18] anbefaler derfor i stedet, at man benytter sig af envelopment versionen af CCR modellen, som vil blive introduceret i næste afsnit, og bruger ‘multiplier’ modellen med en = 0 som et analyse værktøj til at se, hvor meget hvert input og output bliver vægtet af den enkelte DMU. For at se hvor meget hver enkelt DMU vægter dens forskellige variabler, kan man dividere vægtene med hinanden, som det er gjort i tabel 2. Her kan man se at DMU C og D, vægter input 2 fire gange højere end input 1 i deres stræben efter at blive CCR effektive. DMU A og B er CCR ineffektive med en θ∗ mindre end 1, og skal reducere deres input proportionelt med henholdsvis 14,29% (1-0,8571) og 36,84% (124 0,6316) for at rykke frem til produktionsfronten og blive effektive. Da DMU A og B er ineffektive betyder dette, at der kan findes et referencesæt for dem blandt de eksisterende DMUer, hvilket matematisk kan skrives som Eo0 = {j : s P r=1 u∗r yrj = m P vi∗ xij } i=1 Deres referencesæt kan grafisk ses i figur 4, hvor DMU A vil havne mellem DMU E og D, når den reducerer sine inputs, og dermed er DMU E og D dens referencesæt, og tilsvarende for DMU B vil DMU D og C være dens referencesæt. I næste afsnit vil envelopment CCR modellen blive introduceret. Dette er dualen af multipier modellen og har den fordel, at den er mindre beregningstung. Det er muligt at finde eventuelt ‘slack’, og fortolkningen er mere meningsfuldt, da løsningen er karakteriseret som de input og output variabler, der bliver anvendt fremfor de virtuelle vægte. 4.2.2 Envelopment CCR Envelopment modellen er dualen af multiplier modellen og angivet i (15) - (18). (DLPo ) min θ subject to (15) θxo − Xλ ≥ 0 (16) Yλ ≥ yo (17) λ≥0 (18) Objektivfunktionen er at minimere θ. Da der findes en mulig løsning, hvor θ = 1, λo = 1, λj = 0 (j 6= 0), vil θ∗ aldrig være større end 1, og fordi at der er en ikke-negativ forudsætning for datasættene, vil begrænsningen (17) sikre, at θ skal være større end 0. Idet at θ bliver ganget på xo , vil input variablerne blive reduceret proportionelt samtidigt med, at der i PPS ses efter en aktivitet, som kan producere mindst det samme output som yo . Derfor hvis θ∗ < 1 vil dette betyde, at der er fundet en aktivitet i PPS, hvor (Xλ, Yλ) performer bedre end (θxo , yo ). I ‘envelopment’ modellen er det muligt at køre en LP model for at finde eventuelt ‘slack’ i DMUerne ved at anvende dets θ∗ . Dette ‘slack’ var grafisk fremstillet i figur 4, hvor DMU F kunne forbedres ved at rykke hen til DMU C, og kan beskrives ved hjælp af to ‘slack’ variabler, s− ∈ Rm for input variablerne og s+ ∈ Rs for output variablerne, og udregnes som følgende. s− = θxo − Xλ, s+ = Yλ − yo (19) Den LP model, der anvendes til at optimere det totale ‘slack’ for den enkelte DMU, er formuleret i (20) - (23), hvor e er en vektor, der består af 1 taller, hvilket gør, at alt ‘slack’ for den enkelte DMU bliver summeret i ω. max ω = es− + es+ − (20) ∗ subject to s = θ xo − Xλ (21) + s = Yλ − yo − (22) + λ ≥ 0, s ≥ 0, s ≥ 0 25 (23) En DMU i envelopment modellen er dermed CCR effektiv når at θ∗ = 1 og s−∗ = 0, s+∗ = 0. I næste afsnit vil vi anvende envelopment modellen på det forrige eksempel. 4.2.3 CCR envelopment eksempel Vi anvender eksemplet fra afsnit 4.2.1 og tabel 1 sammen med envelopment modellen, og får følgende værdier i tabel 3. Tabel 3: Envelopment modellen DMU A B C D E F θ λ s− x1 0,8571 0,714 D, 0,286 E 0 0,6316 0,105 C, 0,895 D 0 1,0000 0 1,0000 0 1,0000 0 1,0000 1,000 C 2 Kilde: Egne beregninger s− x2 0 0 0 0 0 0 s+ y1 0 0 0 0 0 0 DMUerne opnår samme produktivitetsscorer, som i multiplier modellen, men giver nogle mere intuitive værdier for referencesættene for de DMUer, som ikke er CCR effektive. Det kan således ses, at DMU As referencesæt består af D og E, og for at den skal få en produktivitetsscore på 1, skal den bruge 71,4% og 28,6% af henholdsvis D og E’s input variabler. Matematisk kan en DMUs referencesæt nu skrives som Eo = {j|λ∗j > 0} j ∈ (1, . . . , n). Herefter kan vi anvende LP modellen i (20) - (23) med DMUernes θ∗ værdier, − + og optimere den enkelte DMUs slack, hvilket giver værdierne s− x1 , sx2 , sy1 i tabel 3, og som det ses, så har F en slack værdi på 2 for dens input variable x1 , hvilket stemmer overens med figuren i 4. F er derfor kun svag CCR effektiv. Multiplier og envelopment udgaven af CCR modellen kan dermed anvendes til to forskellige formål, som er med til at supplere hinanden og giver forskellige fortolkningsmuligheder. En af de grundlæggende forudsætninger for CCR modellen er, at der er et konstant skalaafkast mellem input og output variablerne. På affaldsområdet vil det ikke være en logisk slutning at en proportional stigning i omkostninger vil føre til en proportionel stigning i affaldsmængden. Derfor vil næste afsnit introducere en BCC DEA model, hvor der er en forudsætning om variabelt skalaafkast. 4.3 BCC Model BCC modellen blev introduceret i 1984 [4], hvor forudsætningen om konstant skalaafkast blev ændret til variabelt skalaafkast. Dette er gjort ved at indføre en ekstra begrænsning i LP modellen om at eλ = 1. Envelopment BCC modellen er angivet i (24) - (28). 26 (DLPo ) min θB subject to (24) θB xo − Xλ ≥ 0 (25) Yλ ≥ yo (26) eλ = 1 (27) λ≥0 (28) Begrænsningen i (27) indfører en konveksitet kondition i modellen og dermed variabelt skalaafkast. Multiplier BCC modellen bliver fundet ved at tage dualen af envelopment BCC modellen og (27) kommer til at optræde som en ikkebegrænset variabel uo . Multiplier modellen er angivet i (29) - (32). (LPo ) max z = uy0 − u0 (29) subject to vx0 = 1 (30) −vX + uY − u0 e ≤ 0 (31) v ≥ 0, u ≥ 0, u0 ikke-begrænset (32) Efterfølgende kan θ∗ for DMUerne, ligesom i CCR envelopment modellen, blive anvendt sammen med en LP model for at maksimere eventuelt slack. Dermed er en DMU BCC effektiv når θ∗ = 1 og slack variablerne s−∗ = 0 og s+∗ = 0, og referencesættet for en DMU er Eo = {j | λ∗j > 0} j ∈ {1, . . . , n}. På samme måde som CCR modellen har PPS for BCC modellen følgende fire forudsætninger [4]. • (B1) Hvis (Xj , Yj ) ∈ P P S, j = 1,. . . ,n og λj ≥ 0 sådan at n P λj = 1, j=1 betyder det at ( n P j=1 λj X j , n P λj Yj ) ∈ P P S. Dette er konveksitet forud- j=1 sætningen for BCC modellen. • (B2) Hvis (X, Y) ∈ P P S og X̄ ≥ X, vil dette betyde at (X̄, Y) ∈ P P S, og hvis (X, Y) ∈ P P S og Ȳ ≤ Y, vil dette betyde at (X, Ȳ) ∈ P P S. • (B3) Hvis (X, Y) ∈ P P S så (kX, kY) ∈ P P S for enhver k > 0. • (B4) PPS består af det det subsæt som udgøres af B1, B2 og B3, sådan ˆ S, j = 1, . . . , n at (Xj , Yj ) ∈ P P Matematisk kan PPS i BCC derfor skrives som [19]: P P S = {(x, y)|x ≥ Xλ, y ≤ Yλ, eλ = 1, λ ≥ 0} Næste afsnit vil bestå af et eksempel, hvor der vil blive anvendt både en CCR og BCC model. Formålet med dette er at vise forskellene mellem de to tilgange, og hvilken betydning det har. 27 4.3.1 Eksempel med CCR og BCC model Til eksemplet anvendes de DMUer, som er i tabel 4. Der bliver anvendt både en CCR og BCC model envelopment model, og vi får resultaterne som vist i tabel 5. Tabel 4: Input og output variabler DMU X A 2 B 3 C 5 D 4 Kilde: Cooper et Y 1 4 6 3 al. (2000) Tabel 5: Envelopment modellen DMU A B C D θ∗ CCR λCCR θ∗ BCC λBCC 0,375 0,250 B 1,000 1,000 A 1 1,000 B 1,000 1,000 B 0,900 1,500 B 1,000 1,000 C 0,563 0,750 B 0,667 0,333 A, 0,667 B Kilde: Egne beregninger Der er også blevet kørt en ‘slack’ LP model, hvor alle værdier er 0. DMUerne er fremstillet grafisk i figur 5. Figur 5: CCR og BCC Kilde: Cooper et al. (2010) I figur 5 er CCR produktionsfronten tegnet ind som en stiplet linje, der løber fra 0 og igennem DMU B. BCC produktionsfronten er tegnet ind som den faste linje, der løber igennem A, B og C. Det ses tydeligt, at generelt er BCC θ∗ værdierne altid lig med CCR værdierne eller højere end dem, og at BCC modellen i det her tilfælde på grund af dens konveksitet forudsætning har 28 flere DMUer, som fremtræder med en produktivitetsscore på 1. I tabel 5 ses det også på DMU Ds λ værdier, at dens referencesæt afhænger af, om man anvender CCR eller BCC modellen og dermed tydeligt, at valg af modellen har indflydelse på resultaterne i analysen. Næste afsnit vil omhandle, hvilke statistiske tests vi kan anvende for at teste, om der er signifikant forskel på kommunernes produktivitetsscore afhængig af en gruppeinddeling af kommunerne. 4.4 Statistiske test i DEA DEA er en ikke-parameter model, hvilket betyder, at der ikke bliver specificeret nogen funktionel form på forhånd til forskel fra COLS og SFA. Den antager også at afstanden fra den enkelte DMU og til produktionsfront, kun består af ineffektivitet og ikke af støj. Den er således blevet karakteriseret som ikkestatistisk i sin natur og derfor af begrænset nytte på grund af dette [39]. På baggrund af denne kritik udgav Banker i 1993 [3] en artikel, hvori han identificerede forudsætninger for, hvornår DEA estimater er statistiske konsistente, og hvor en DEA model kan tolkes ved hjælp af estimeringsmetoden ‘maximum likelihood’ [3]. Dette fører til formuleringen af to asymptotiske statistiske tests, som tester, om to grupper af DMUers produktivitetsscore er signifikant forskellige fra hinanden. Disse er kendt som Bankers to F-tests og blev blandt andet anvendt af Worthington og Dollery (2001). For at udføre de to tests skal gruppen af N DMUer inddeles i to subgrupper, som bliver kaldt G1 og G2 hvor G1 + G2 ≤ N . Der er dermed ikke et krav om, at det er alle DMUer skal indgå i de to subgrupper. Herefter bliver hypoteserne sat op som er [5]: Ho : Ingen forskel på produktivitetsscorernes fordeling mellem de to subgrupper Ha : Forskel på produktivitetsscorernes fordeling mellem de to subgrupper Forskellen mellem de to tests er baseret på, hvorvidt man antager, at de sande produktivitetsscorer følger en eksponentiel eller halv-normal fordeling. Såfremt man antager, at de sande produktivitetsscorer i de to grupper følger en eksponentiel fordeling, hvor den sande θ∗ følger [0, ∞), er testen følgende, hvor N1 og N2 er udtryk for n i G1 og G2 : [ X ln(θ̂j )/N1 ] / [ j∈G1 X ln(θ̂j )/N2 ] (33) j∈G2 Denne test værdi vil så blive holdt op imod værdien fra en F-distribution med frihedsgraderne (2N1 1, 2N2 ). Såfremt man antager, at de sande produktivitetsscorerne i de to grupper, følger en halv-normal fordeling, er testen: [ X {ln(θ̂j )2 }/N1 ] / [ j∈G1 X j∈G2 29 {ln(θ̂j )2 }/N2 ] (34) Denne test værdi vil så blive holdt op imod værdien fra F-distribution med frihedsgrader (N1 , N2 ). Da de to ovenstående statistiske tests bygger på forudsætninger om estimering ved ‘maximum likelihood’ og en underliggende sandsynlighedsfordeling for produktivitetsscorerne, betyder dette, at de er asymptotiske af natur, hvilket stiller et krav om at stikprøven, som udgøres af de DMUer, der er med i undersøgelsen, skal være forholdsvis stor. Banker et al. (2010) [6] viser ved hjælp af simulationer, at såfremt man antager, at produktivitetsscoren kun er et udtryk for effektivitet og ikke støj, så jo større ens stikprøve er, jo bedre performer de to test, hvorimod hvis stikprøven er mindre (n = 30), er der andre tests, heriblandt Mann-Whitney U og regressionstests, som performer bedre sammenlignet med de to F-tests. De to Banker F-tests er meget overfølsomme over for støj i modellen forstået ved at risikoen for, at give type I og type II fejl stiger forholdsvis mere ved støj end set i forhold til de andre tests [6]. Derfor er der i dette kandidatspeciale, hvor stikprøven udgøres af 40 DMUer, og hvor der kan argumenteres for, at der kan være støj i modellen fra ikkeinkluderet variabler, fravalgt at anvende de to Banker F-tests til at teste for, om der er forskel på to gruppers produktivitetsscorer. En anden mulighed er at anvende parameter test. Banker og Natarajan (2010) [5] foreslår to forskellige parameter tests, som er henholdsvis baseret på en OLS regression, hvor de to inddelte grupper af DMU bliver repræsenteret ved en dummy variabel og efterfølgende anvendt en t-test, eller en OLS regression med en modificeret t-test. Da disse tests anvender teori fra parameter modeller som OLS og SFA og kræver en selvstændig OLS regression, vil vi ikke komme nærmere ind på dem i dette speciale, men konstatere, at de er mere robuste over for støj end Bankers F-test og Mann-Whitney U og performer bedre sammenliget med de andre ved et lille antal n [6]. Det er også muligt at anvende ikke-parameter tests til at teste for forskelle i produktivitetsscorerne mellem to grupper af DMUer. Banker et al. (2010) [6] foreslår tre tests, som er henholdsvis median, Kolmogorov-Smirnov og MannWhitney U-test, som hver er baseret på ‘order statistics’. De to hypoteser er: H0 : Der er ingen forskel mellem de gruppers produktivitetsscore HA : Der er forskel mellem de gruppers produktivitetsscore Den første test, median testen, er baseret på at teste på de to gruppers median. Den test-statistik, der bliver anvendt, er følgende [5]: q Ẑ = (P̂1 − P̂2 )/ (P̂1 − P̂ )(1/N 1 + 1/N 2) hvor, P̂ = (N1 P̂1 + N 2P̂2 )/(N1 + N 2) P̂1 = n1 /N1 , P̂2 = n2 /N2 og n1 og n2 er antallet af observationer i henholdsvis hver af de grupper, som har værdier mindre end medianen for den samlede gruppes produktivitetsscorer [5]. 30 En anden mulighed er at anvende Mann-Whitney U-test, som også blev anvendt af Worthington og Dollery (2001) og Garcia-Sanchez (2007). Denne test er baseret på at rangere produktivitetsscorerne fra højst til lavest og derefter udregne, hvor mange pladser produktivitetsscorerne ligger over hinanden i den samlede gruppe af produktivitetsscorerne for de to grupper, og om den enes rangorden er stokastisk større end den andens gruppes. Dette bliver gjort ved hjælp af følgende udregninger [5]. ˆi og ũ ˆj , og udregn antal gange ũ ˆi er over ũ ˆj i variablen Definer to variabler, ũ ˆ ˆ D̂ij = {1 hvis ũi < ũj }. Udregn derefter følgende: Û = N P1 N P2 D̂ij i=1 j=1 og hold værdien op imod en Mann-Whitney U-test tabel. Alternativt kan der, såfremt stikprøvens størrelse er stor nok, anvendes en normal distribution som følgende: p Ẑ = (Û − N1 N2 /2)/ N1 N2 (N + 1)/12 Den sidste mulighed er at anvende en Kolomogorov-Smirnov test, som udregner den maximale vertikale afstand mellem de gruppers empiriske fordeling for at fastslå, om der er en forskel [5]. Denne vil ikke blive anvendt i dette speciale på grund af, at der kun er 40 kommuner, og en empiriske fordeling kan derfor være tvivlsom. For at opsummere så har Banker (1993) vist, at der er et statistisk grundlag for en DEA model på baggrund af en ‘maximum likelihood’ estimering, og dermed muligt at designe to F-tests, hvor der er en forudsætning om, at de sande produktivitetsscorer enten følger en eksponentiel eller halv-normal fordeling. Da disse tests er meget følsomme over for støj i modellen, vil de ikke blive anvendt i specialet. En anden mulighed kunne være at anvende de to parameter tests, men da dette introducerer elementer af SFA og kræver en regression med underliggende forudsætninger for fordelinger, vil disse heller ikke blive anvendt. Dermed er der tre ikke-parameter tests, der kan anvendes. Da KolmogorovSmirnov testen er baseret på de empiriske fordelinger, og stikprøven i specialet ikke er større end 40, vil vi ikke anvende den, og valget er således mellem Mann-Whitney U og median testen. Valget falder på Mann-Whitney U testen, da den er mere robust over for mindre størrelser af stikprøver, når støj bliver introduceret i modellen end median testen [6]. 31 5 Modelopbygning Dette kapitel omhandler opbygningen af DEA modellerne i specialet. Derfor vil der blive introduceret hvilke principper, der er anvendt til at vælge input og output variabler med, hvilke variabler der er blevet udvalgt, og hvilke udfordringer, der kan være med at bruge disse variabler. Udvikling af DEA modeller er kompliceret på grund af det store antal input og output variabler, som enheder bruger i deres produktion. Det bliver endnu mere kompliceret af, at virksomhederne som regel vil være gode i nogle og mindre gode i andre. Bogetoft (2012) anbefaler derfor, at man anvender en system-orienteret tilgang, hvor man tager højde for alle de input og output, enhederne anvender [11]. Såfremt dette gøres, vil der være tale om at måle hele enhedens effektivitet og ikke kun en del af dens produktivitet. Fokus i dette speciale er at måle den produktivitet, der er omkring affaldshåndteringen hos husholdningerne i kommunen ved brug af relevante variabler. Ifølge Bogetoft (2012) så er udvælgelsen af variabler en af de vigtigste aktiviteter for en god DEA model, men også en aktivitet, der ikke er særlig velbeskrevet i litteraturen, og det anbefales derfor, at man benytter følgende fem principper. • Relevante - De variabler, der er taget med, skal give mening for brugerne af systemet. • Komplette - Variablerne skal dække over de ressourcer og output, der bliver brugt i systemet. • Operationelle - Det er muligt at måle på variablerne i systemet. • Uafhængighed - Variablerne skal følge at mere output er bedre end mindre, og mindre input er bedre end mere input, uafhængigt af, hvordan de andre variabler i modellen opfører sig. • Ikke-overflødige - Modellen skal være så simpel som mulig. Derudover skal man også være opmærksom på ratio forholdet mellem antal variabler og DMUer. Et for stort antal variabler i forhold til DMUer vil være med til at reducere modellens forklaringseffekt, da man så kan risikere, at alle DMUer bliver bedømt som fuldt effektive [38]. Der findes flere forskellige bud på, hvordan ratio forholdet mellem variablerne og DMUerne skal være, som er listet forneden, hvor m og s er antal af input og output variabler [38] • Bowlin-ratioet: # DMU ≥ 2 ∗ (m + s) • Friedman og Sinuany-Stern-ratioet:# DMU ≥ 3 ∗ (m + s) eller (m + s) < #DM U/3 • Dyson-ratioet: # DMU ≥ 2 ∗ (m ∗ s) I specialet vil vi sikre os at følge disse principper, og at ratioerne bliver overholdt for den anvendte DEA model. De næste to afsnit vil omhandle hvilke input og output variabler, der er blevet udvalgt til modellen, og hvilke forhold vi skal være opmærksomme på, når de bliver anvendt i en DEA model. 32 5.1 Input variabler I litteraturgennemgangen så vi, hvordan Rogge og Jaeger (2012) og Worthington og Dollery (2001) anvendte omkostningerne for kommunernes affaldshåndtering som input variabler, mens Garcia-Sanchez (2007) brugte hvilke ressourcer, der blev anvendt af kommunerne. Input variablerne for DEA modellerne i dette speciale vil blive udvalgt med baggrund i, hvordan det danske affaldssystem er bygget op. I situationsbeskrivelsen så vi, at i Danmark er det kommunerne, som har ansvaret for affaldshåndteringen for husholdninger og at der fastsættes et gebyr, der skal dække udgifterne ved affaldshåndteringen. Derfor vil det være muligt i modellen at anvende både ressourcer som biler og antal medarbejdere, gebyrer og udgifter som input variabler. Efter samtale med miljøchef Hardy Mikkelsen fra RenoDjurs har det dog vist sig, at det vil være en udfordring at indsamle data om antal renovationsbiler og medarbejdere, der bliver anvendt til at indsamle affald i kommunerne da disse opgaver, som regel er udliciteret til private firmaer. Derfor ved kommunerne ikke hvor mange renovationsbiler og renovationsmedarbejdere, der bliver anvendt i den daglige drift. På baggrund af dette, er der udvalgt to mulige input variabler, som er udgifterne for affaldshåndteringen i kommunen og gebyr per husstand i kommunen. Dette er med til at give modellen en økonomisk fortolkning, og næste afsnit vil omhandle disse to input variabler. 5.1.1 Udgifter og gebyrer for affaldshåndteringen Størstedelen af affaldsområdet i kommunerne er underlagt regler om fuld gebyrfinansiering og hvile-i-sig-selv princippet. Dette betyder, at den pris der bliver opkrævet for affaldshåndteringen over en årrække, skal modsvare de faktiske omkostninger, der er i forbindelse med affaldshåndteringen [21]. Ifølge §53 og §54 i affaldsbekendtgørelsen skal kommunalbestyrelserne i kommunerne fastsætte gebyrerne i et gebyrblad for affaldsområdet, og omkostningerne ved den enkelte indsamlings- og anvisningsordning skal opgøres i det kommunale budget- og regnskabssystem, således at den samlede gebyrindtægt for hver ordning alene dækker kommunens omkostninger til ordningen. Til dette formål er der oprettet seks funktioner i kommunernes regnskabssystemer, som er følgende [8]: • 1.38.60 Generel administration • 1.38.61 Ordninger for dagrenovation - restaffald • 1.38.62 Ordninger for storskrald og haveaffald • 1.38.63 Ordninger for glas, papir og pap • 1.38.64 Ordninger for farligt affald • 1.38.65 Genbrugsstationer 33 • 1.38.66 Øvrige ordninger og anlæg Funktionen ‘generel administration’ dækker over de udgifter og indtægter, som kommunen har i forbindelse med den generelle administration af affaldsområdet, og som ikke kan henføres objektivt til de enkelte affaldsordninger. De fem funktioner for de forskellige affaldsordninger og genbrugsstationer dækker generelt over udgifter og indtægter i forbindelse med planlægning, etablering og drift af ordningerne. Hvis indsamlingen af glas, papir og pap foregår via en storskraldsordning, skal indtægterne og udgifterne i forbindelse med dette registreres på ordningen for storskrald og haveaffald. Øvrige ordninger og anlæg dækker over affaldsordninger, som ikke er nævnt i de andre funktioner samt udgifter og indtægter i forbindelse med kommunale behandlingsanlæg. De gebyrer som husholdningerne betaler i kommunerne skal registreres på artskonto ‘7.9 Øvrige Indtægter’ og eventuelle indtægter i forbindelse med salg af genanvendelige materialer skal registreres på artskonto ‘7.2 Salg af ydelser og produkter’ [8]. Da der forekommer en sådan registrering hos kommunerne, vil det være muligt at leve op til de fem principper, som Bogetoft (2012) har sat op for brugen af variabler i en DEA model, idet at udgifter og gebyrer vil være relevante, og give mening for dem der bruger systemet, idet de dækker over de ressourcer der bliver anvendt til at producere outputtet med. Der kan gives kritik med hensyn til rimeligheden i at anvende udgifterne og gebyrerne som sammenligningsgrundlag i en analyse. Kritikken er, at gebyrerne og udgifterne kan afhænge af, hvordan kommunerne vælger at afdrage på investeringer, hensættelser til planlagte investeringer, og den pris som kommunerne har givet for jorden, der bliver anvendt til genbrugspladser og behandlingsanlæg. Gebyrerne kan derfor have en vis naturlig variation kommunerne imellem [8]. Generelt vil et datamateriale dog aldrig nogensinde blive helt perfekt og vil altid være et diskussionsemne. I et benchmarking projekt er det også som udgangspunkt, de store forskelle der er interessante [7]. Næste afsnit vil omhandle hvilke output variabler der kan anvendes i modellen. 5.2 Output variabler Udgangspunktet for valget af output variabler i dette kandidatspeciale vil være den nationale affaldsstrategi, som omhandler affaldsfraktioner som organisk affald, papir-, pap-, glas-, plast- og metalaffald. Dette er også traditionelt affaldsfraktioner, som kan blive indsamlet ved hjælp af henteordninger hos husholdningerne i kommunen ved hjælp af forskellige typer af beholdere. Andre mulige output variabler, der kunne inkluderes i modellen, er elektriske og elektroniske produkter (WEEE), batterier og akkumulatorer og hvor meget husstandene i kommunen hjemmekomposterer. Data for disse variabler blev også forsøgt indhentet ved hjælp af spørgeskemaet, men kvaliteten af besvarelsen på dette område har ikke været god nok til at kunne bruges i en analyse. Det interessante i en DEA model, der anvender affaldsfraktionerne, er hvordan de forskellige affaldsfraktioner bliver defineret på tværs af kommunerne. De 34 næste afsnit vil handle om dette. 5.2.1 Dagrenovation Definitionen for dagrenovation i affaldsbekendtgørelsen er følgende: “Affald, som hovedsaligt består af køkkenaffald, hygiejneaffald, og mindre emner af kasserede materialer, der typisk frembringes af private husholdninger, herunder madaffald og restaffald i form af kartoner til mælk, juice og lignende snavset papir, pap og plast m.v., og som ikke er omfattet af andre ordninger.” Her er der givet en meget klar definition på, hvad dagrenovation er, og hvad det er, kommunerne skal indsamle. Dagrenovation kan dog deles op i tre underkategorier, som kan blive vist ved hjælp af affaldsregulativet fra Billund, hvor dagrenovationen hos husstandene, som er restaffald, bioaffald og vegetabilsk affald. I Billund er bioaffald groft sagt alle madvarer uden emballage og skal i en separat spand, restaffald er det som hensigtsmæssigt kan bortskaffes som dagrenovation, og vegetabilsk affald forstås som affald fra grøntsager og frugter med mere, hvor der er mulighed for at hjemmekompostere det. 5.2.2 Papir- og papaffald Der er ikke nogen definition på, hvad papir- og papaffald er i affaldsbekendtgørelsen, og det er således op til de enkelte kommuner selv at definere, hvad det indebærer. Hvis man kigger i en af miljøstyrelsens publikationer omkring papir og pap, bliver papir defineret som aviser, blade, telefonbøger, adresserede forsendelser, andet papir som kladdehæfter med videre, hvor pap bliver defineret, som blandt andet papæsker- og ruller, støbepap, bølgepap med videre [34]. I Aalborg kommune, hvor man indsamler papir og pap i samme separate beholder, er det defineret som aviser, ugeblade, reklamer med mere og pap, er defineret som pap og karton med videre fra emballage, og det skal være rent og tørt, når det bliver smidt ud, mens det i Allerød ikke er tilladt at komme æggebakker og tilsmudset pap i. 5.2.3 Glas, metal og plast Glas, metal og plast er defineret, som det der er omfattet af definitionen på emballage i emballagebekendtgørelsen. I emballagebekendtgørelsen er emballageret defineret som følgende: “Alle produkter af en hvilken som helst art og materiale, som anvendes til pakning, beskyttelse, håndtering, levering fra producenten til brugeren eller forbrugeren og præsentation af varer, det være sig råvarer eller forarbejdede varer. Alle engangsartikler, der anvendes til samme formål, skal tilsvarende betragtes som emballage.” Blandt kommunerne er der små forskelle på, hvilke plasttyper der må komme i beholderne (blødt og hårdt plast), og hvor grundigt det skal være rengjort. 35 Ud fra ovenstående gennemgang kan det ses, at der for nogle affaldsfraktioner er meget klare definitioner på, hvad en affaldsfraktion indeholder, mens det for andre er op til kommunerne selv at definere, hvad det indebærer. Dette kan give nogle udfordringer med hensyn til de fem principper fra Bogetoft (2012). For eksempel at det kan være svært helt præcist at vide, hvad det er man måler på i de enkelte kommuner, og uafhængigheden mellem variablerne kan diskuteres. Man kan for eksempel forestille sig at en kommune, som har mere genbrug hos husstandene, vil have en mindre mængde dagrenovation, da en del af det bliver udsorteret til genbrug. 5.3 DEA modellen og affaldsområdet DEA har en forudsætning om homogenitet, hvilket vil sige, at DMUerne skal påtage sig lignende opgaver i samme type af miljø, og at der bliver anvendt fælles input og output variabler. De danske kommuner har ansvaret for at hente husholdningsaffald fra husstandene, og der er dermed homogenitet i deres arbejdsopgaver, men kommunerne befinder sig i forskellige typer af miljøer, som for eksempel kan kvantificeres i forskellige befolkningstæthed, typer af antal husstande med videre. Det er muligt at indarbejde kontrol variabler i DEA modellerne, som det blev gjort af Garcia-Sanchez (2007) og Worthington og Dollery (2000), men dette kan medføre en række andre problemstilinger, og vil derfor ikke blive gjort i dette kandidatspeciale [22]. En anden aktuel problemstilling, er anvendelsen af semi-positive datasæt, hvor nogle variabler vil have 0 værdier for nogle DMUer. Problemstillingen er, at det kan argumenteres for, at der sker en unfair sammenligning mellem enhederne på dette grundlag. En enhed, der ikke vælger at producere et bestemt output, vil måske automatisk have lavere omkostninger, mens en enhed, som vælger at producere et bestemt output, kan blive bedømt effektiv på dette [17]. Disse 0 værdier repræsenterer en bevidst beslutning fra kommunernes side om ikke at indsamle den bestemte type af affaldsfraktion og er en beslutning, som skal analyseres, men som samtidig skal ses på i sammenhængen af brugen af en DEA model [41]. I litteraturen er der flere forskellige bud på, hvordan man skal håndtere, at en enhed ikke vælger at producere en bestemt type af variable. Den traditionelle løsning har været at tilskrive de pågældende variabler enten en værdi af 0 eller en meget lille værdi [38]. En anden mulighed kunne være at lave flere små DEA modeller, hvor man kun sammenligner kommuner med hinanden, der indsamler samme type af affald. Der kan dog argumenteres for, at ved denne metode fjerner man informationer fra modellerne, som er med til at skabe produktionsfronten [17]. Cook et al. (2012) foreslår en DEA model, hvor problemstillingen bliver behandlet ved introduktionen af en ekstra variabel i modellen, der gør, at inputtene bliver delt ud på baggrund af grupperinger af outputtene, for den enkelte DMU. Derefter bliver der kørt flere DEA modeller igennem på basis af dette for derefter at tage gennemsnittet af produktivitetsscorerne for den enkelte DMU [17]. Dette var også noget lignende af det, som blev gjort i Rogge og Jaeger (2012). Undertegnede til dette speciale er dermed klar over, at der er en relevant 36 problemstilling med hensyn til brugen af 0 værdier i datasættene. I dette speciale er der valgt at tilskrive en 0-værdi for affaldsfraktioner, som ikke bliver indsamlet af visse kommuner og anvende multiplier modellen til at analysere, hvordan de enkelte kommuner vægter de forskellige affaldsfraktioner i deres forsøg på at blive effektive. 37 6 Data Dette kapitel omhandler de data, der er blevet indsamlet omkring variablerne ved hjælp af henholdsvis et spørgeskema og fra Danmark Statistik. Formålet er at gennemgå et udvalg af de indhentede data, og se, hvorledes de kan anvendes i en analyse. 6.1 Dataindsamlingen I undersøgelsen er der 43 kommuner, der har deltaget og ud af de 43, er der 6 kommuner (Brønderslev og Hjørring, Guldborgsund og Lolland, Norddjurs og Syddjurs), som har besvaret spørgeskemaet sammen i par, og det giver dermed 40 DMUer, der kan anvendes i DEA modellen. I tabel 6 er kommuner fordelt ud på regionerne. Tabel 6: Besvarelser fordelt ud på regioner Region Sjælland Syddanmark Hovedstaden Midtjylland Nordjylland Total Antal kommuner Antal 17 22 29 19 11 98 Kilde: Egne data besvarelser 14 12 06 06 05 43 De data der er blevet indsamlet er i bilag 2, som er et dataudtræk fra SurveyXact Rambøll. Derudover er der også blevet indsamlet data fra Danmarks Statistik. I det næste afsnit vil de data, der er blevet indsamlet omkring udgifterne og gebyrerne for kommunernes affaldshåndtering blive gennemgået. 6.1.1 Udgifter og gebyrer for affaldshåndteringen i kommunerne For at indsamle data omkring de gebyrer der bliver betalt i kommunerne, var tilgangen fra begyndelsen at få de enkelte kommuner til at oplyse hvor mange husstande, der er tilmeldt hver ordning, der fremgår på kommunens gebyrblad for affaldshåndteringen. Efter samtaler med aktører på affaldsområdet blev det dog vurderet til, at dette ville kræve en så stor arbejdsindsats fra kommunernes side, at det ville afskrække nogle af kommunerne fra at deltage i undersøgelsen. Derfor blev det lavet om til, at kommunerne blev bedt om at komme med et overslag for, hvad den gennemsnitlige husstandstype i kommunen betaler i gebyr i forhold til det gældende gebyrblad for renovation i kommunen. Disse estimater blev så efterfølgende ganget på antallet af de forskellige husstande i kommunen, som er blevet trukket fra Danmarks Statistiks BOL101 dataserie, og efterfølgende divideret med antal samlede husstande i kommunen for et få et vægtet gennemsnit. Disse beregninger er i bilag 3, og estimatet er vist i figur 6. 38 Figur 6: Estimat for gebyr per husstand per år Kilde: Egne data Det kan ses i figur 6, at hvis man beder kommunerne om at komme med et overslag over gebyrerne for de enkelte typer af husstande, så er den kommune med det højeste vægtede gennemsnit Kerteminde kommune, mens den kommune med det lavest vægtede gennemsnit er Nordfyns kommune. Gennemsnitsgebyret for kommunerne er på 1.744 kroner. Brønderslev og Hjørring, Haderslev og Vesthimmerlands kommune har ikke afgivet tilstrækkeligt information til, at der kan udregnes et vægtet gennemsnit. Denne måde at estimere gebyr per husstand på i kommunerne er meget upræcis. En anden mulighed er at anvende dataserien REGK31 fra Danmarks Statistik, som indeholder data om de kommunale regnskaber efter område, funktion, DRANST og art. Denne dataserie er delt op i de seks funktioner, som blev gennemgået i afsnit 5.1.1, hvor der på art konto ‘7.9 Øvrige indtægter’ bliver registreret indtægter i form af gebyrer [8]. Udfordringen med denne fremgangsmåde er, at udgifter og indtægter først bliver tilskrevet til de enkelte affaldsfunktioner, hvis de objektivt kan føres hen til dem, ellers bliver de registreret på funktionen ‘1.38.60 General administration”, samt at funktionen ‘1.38.66 Øvrige ordninger og anlæg’ dækker over indtægter og udgifter i forbindelse med ordninger som metal og plast affaldsordninger, men også over behandlingsanlæg og varmeanlæg med mere [8]. Til trods for disse begrænsninger i funktionerne giver det alligevel en mulighed for at kontrollere noget af nøjagtigheden i kommunernes egne estimater, for hvad en gennemsnitlig husstand betaler i gebyr. Alle funktioner, undtagen ‘farlig affald’ og ‘øvrige ordninger og anlæg’, da disse kan være forurenet af andre gebyrer, bliver summeret sammen og divideret med antal husstande i kommunen, hvilket er gjort i bilag 4 og vist i figur 7. De blå søljer er kommunernes egne estimater, mens de røde søljer er estimater lavet på baggrund af data fra Danmarks Statistik. Da der er udeladt to 39 Figur 7: Estimat for gebyr per husstand per år Kilde: Egne data af funktionerne, burde det forventes, at estimatet fra Danmarks Statistik ville være lavere end estimatet fra kommunerne selv. Det kan dog ses i figur 7, at for størstedelen af kommunerne, hvor estimatet er udregnet ved hjælp af data fra Danmarks Statistik er det højere end kommunernes egne estimater. Dette kan være enten fordi, at det har været for svært for kommunerne at lave et overslag over de gebyrer, der kommer ind fra de enkelte typer af husstande, eller at kvaliteten i datasættet fra Danmarks Statistisk ikke er god nok. Det kan for eksempel virke mistænkeligt, at kommunerne Greve, Ringsted, Brøndby og Aarhus, ifølge data brugt fra Danmarks Statistik, kun skulle have et gebyr per husstand på under 60 kroner per husstand taget deres eget estimat i betragtning. En anden problemstilling, der kan være med hensyn til at bruge gebyrerne, er at affaldsområdet er et hvile-i-sig-selv område, og at det, der bliver tjent på salg af produkter og affaldsfraktioner, derfor skal bruges på området igen. Det betyder, at de kommuner, som har et stort salg af affaldsfraktioner, ikke behøver at opkræve samme størrelse af gebyrer fra husstandene i kommunen relativt set i forhold til andre kommuner. Salgsdata i forbindelse med salg af genanvendelige materialer kan trækkes fra Danmarks Statistik fra dataserien REGK31, hvor indtægter bliver registreret på artskonto ‘7.2 Salg af ydelser og produkter’ [8]. Data for funktionerne undtagen farlig affald og øvrige ordninger bliver trukket, og som det kan ses i figur 8 og i bilag 5, så er der stor forskel på, hvor meget kommunerne sælger og dermed substituerer en del af deres gebyr med indtægter fra salg af genanvendelige materialer. Det kan selvfølgelig argumenteres for, at de kommuner, der gør dette, skal belønnes for det i en eventuel analyse. På grund af det ovenstående bliver det fravalgt at anvende gebyret per husstand som en input variabel i en DEA model. I stedet for bliver der brugt et 40 Figur 8: Estimat for salg af genanvendelige materialer per husstand per år Kilde: Egne data estimat for udgifterne for kommunernes affaldshåndtering. Estimatet for dette bliver indhentet ved hjælp af data fra Danmarks Statistik og kommunernes og affaldsselskabernes regnskaber og budgetter. Data fra Danmarks Statistik kommer fra dataserien REGK31 under artskontoen ‘Udgifter excl. beregnede omkostninger’ for de samlede funktioner, og er i bilag 6. Samtidig er der hentet estimater fra kommunernes regnskaber for at kontrollere dataene fra Danmarks Statistik, hvilket også kan findes i bilag 6. Figur 9: Totale udgifter og indtægter for affaldsområdet per år Kilde: Egne data I figur 9 er det tydeligt, at der er overensstemmelse mellem de sammenlagte udgift og indtægts data fra Danmarks Statistik og de data, der er hentet ved 41 hjælp af regnskaberne. Derfor bliver udgifterne fra Danmarks Statistik anvendt som en input variabel i DEA modellerne. Da der ikke er data på kommunerne Greve, Nord- og Syddjurs, Guldborgsund og Lolland og Aabenraa, bliver der anvendt data fra deres regnskaber. Næste afsnit vil omhandle de indhentede data omkring kommunernes affaldsordninger. 6.1.2 Affaldsordninger i kommunerne Data omkring hvilken type af systemer husstandene anvender, er indsamlet ved hjælp af et spørgeskema og læsning af affaldsregulativer. Det tager sit udgangspunkt i de beholdere, der er hos enfamiliehusene, da det forudsættes at flerfamiliehuse (etageboliger), som udgangspunkt anvender separate containere til de forskellige affaldsfraktioner, da denne form for boligtype oftest er bedst akkommoderet til denne form for beholder. De indhentede data omkring affaldsordningerne kan findes bilag 7. Data omkring mængder af de forskellige affaldsfraktioner vil blive gennemgået i analysen. 42 7 Analysen Dette kapitel indeholder kandidatspecialets analyse og består af to DEA modeller. Den første model har udgifterne for dagrenovation som input variabel og dagrenovation og organisk affald som output variabler, og findes i afsnit 7.1. Den anden model er baseret på en input variabel, som indeholder udgifterne for glas, papir, pap, storskrald og haveaffald og anvender papir, pap, glas, metal og plast som output variabler. For at opnå produktivitetsscorerne for kommunerne vil der både blive anvendt en envelopment og multiplier udgave af BCC DEA modellen. Envelopment udgaven tillader, at vi kan kontrollere, om en kommune er fuldt BCC effektiv, og ved hjælp af multiplier udgaven og dennes virtuelle vægte vil det blive analyseret, hvordan den enkelte kommune har valgt at vægte sine outputs i sin søgen efter den højeste produktivitetsscore. Produktivitetsscorerne vil efterfølgende blive anvendt sammen med en MannWhitney U test, hvor kommunerne vil blive inddelt på baggrund af, hvilke typer systemer de anvender hos husstandene, og der vil blive testet, om der er en signifikant forskel på produktivitetsscorerne mellem kommuner, der anvender forskellige typer af systemer. Det vil også blive testet, om der er en forskel mellem kommunerne, alt efter om de er klassificeret som bykommune eller landdistrikt. Næste afsnit omhandler den første model, og alle grafer i analysen kan findes i større udgave i deres respektive bilag. 7.1 Model 1 Model 1 er en BCC DEA model, der omhandler den traditionelle dagrenovation. Den anvender udgifterne for dagrenovation per husstand som en input variabel og dagrenovation og organisk affald som output variabler. Tabel 7: Model 1 Input variabler Udgifter per husstand Output variabler Dagrenovation Organisk affald Den følgende analyse vil være delt op i tre afsnit, som er henholdsvis indledende analyse, DEA modellen og sammenligning af systemer. I den indledende analyse vil data for de tre variabler blive gennemgået. Herefter vil DEA modellen blive kørt igennem, hvor produktivitetsscorerne og de virtuelle vægte vil blive analyseret. I det sidste afsnit anvendes en Mann-Whitney U test til sammenligning af systemer. 7.1.1 Indledende analyse af data Data for input variablen ‘udgifter per husstand’ er indhentet fra Danmarks Statistiks dataserie REG31 under funktionen “1.38.61 Ordninger for dagrenovation”, DRANST kontoen ‘Driftskonti’ og artskontoen ‘Udgifter excl. beregnede omkostninger’. 43 Herefter er der udregnet, hvor stor en procentdel funktionen 1.38.61 udgør af de samlede udgifter, der er registeret på funktionerne 1.38.61 - 1.38.66. Procentdelen er herefter ganget på funktionen “1.38.60 General administration” og lagt til udgifterne på 1.38.61 for at få fordelt de generelle administrationsudgifter. Udregningerne er i bilag 8. I datamaterialet fra Danmarks Statistik er der ikke data for kommunerne Greve, Guldborgsund og Lolland, Nord- og Syddjurs og Aabenraa. Der er istedet anvendt udgifter fra deres regnskaber, mens det for Aabenraa kommune kun har været muligt at finde omsætningen for dagrenovationsområdet. Regnskaberne for de enkelte kommuner kan findes i bilag 13, og en samlet oversigt over udgifter og indtægter kan findes i bilag 6. Den estimerede udgift per husstand i kommunerne i forhold til dagrenovationsområdet er vist i figur 10. Den dyreste kommune er Gribskov med et gebyr på 2.035 kroner, og den kommune med den laveste udgifter er Herning med et gebyr på 625 kroner. Figur 10: Udgifter per husstand for dagrenovation per år Kilde: Egne data De totale udgifter for dagrenovation er efterfølgende visuelt inspiceret i et spredningsdiagram i figur 11. Der er estimeret en regressionslinje med et lineært forhold, som har en R2 på 92.73 %, og der er således ikke den store variation mellem antal husstande og de samlede udgifter for dagrenovation. Henholdsvis Frederiksberg, Guldborgsund og Lolland (indikeret med rødt) ligger relativt over regressionslinjen, mens Herning, Esbjerg og Aalborg (indikeret med gult) ligger relativt under. For at undersøge om forskellene i udgifter per husstand kan forklares ved den befolkningsmæssige tæthed i kommunerne, er der anvendt et datasæt for dette fra “Kommunernes Nøgletal” og opstillet et spredningsdiagrammet i figur 12. Det vil for eksempel kunne formodes, at i en mindre befolket kommune vil der være længere mellem husstandene, hvilket vil gøre indsamlingen dyrere 44 Figur 11: Totale udgifter for dagrenovation per år Kilde: Egne data og færre at dele udgifterne ud på. Der er en R2 på 4,51% og dermed ikke nogen stor sammenhæng mellem befolkningstæthed og udgifter per husstand, og umiddelbart er det derfor ikke en del af forklaringen på forskellene. Figur 12: Befolkningstæthed og udgifter per husstand per år Kilde: Egne data En anden mulig forklaring kunne være at de kommuner, der indsamler organisk affald sammen med dagrenovationen, er dyrere, end de kommuner som ikke indsamler det. En visuel inspektion af figur 10, hvor de kommuner, der indhenter organisk affald er markeret med rødt, viser en relativ god spredning, 45 Figur 13: Antal ton dagrenovation og organisk affald per husstand per år Kilde: Egne data og der kan dermed ikke siges noget entydigt om dette. Figur 13 viser antal ton dagrenovation (markeret med blå søjle) og antal ton organisk affald (markeret med rød sølje), der er blevet indsamlet per husstand. I gennemsnit har de kommuner, som har besvaret spørgeskemaet, indsamlet 515 kilo dagrenovation og 94 kilo organisk affald per husstand per år. Data kan findes i bilag 9. 7.1.2 DEA modellen DEA BCC modellen er i bilag 10 i arket ‘Data’, og software programmet ‘DEAFrontier DEA Add-In for Microsoft Excel’ af Joe Zhu er anvendt til at udføre beregningerne med. Resultaterne af DEA BCC envelopment modellen kan ses i arkene ‘Target’, ‘Slack’ og ‘Efficiency’. ‘Target’ arket indeholder de oprindelige værdier, ‘Slack’ arket indeholder værdierne for eventuelt ‘slack’ for den enkelte kommune og kan dermed bruges til at afgøre om en kommune, der har en produktivitetsscore på 1, er BCC effektiv. ‘Efficiency’ arket indeholder produktivitetsscorerne. Produktivitetsscorerne for kommunerne er i figur 14, hvor de kommuner, der indsamler dagrenovation og organisk affald, er markeret med en blå sølje. Det ses, at kommunerne Vesthimmerland, Herning, Ikast-Brande, Gribskov og Billund har en produktivitetsscore på 1. En inspektion af deres slack værdier i bilag 10 i arket ‘slack’ viser, at de er på 0, og de er dermed BCC effektive. ‘Efficieny’ arket viser også, at de kommuner, som ikke indsamler organisk affald, og som har en produktivitetsscore på mindre end 1, bruger Herning og Vesthimmerland i deres referencesæt og referencepunkt for, hvor meget de skal forbedre deres input for at kunne blive flyttet frem til produktionsfronten. Hvis man i stedet ser på referencesættet for de kommuner, som indsamler organisk 46 affald og har en produktivitetsscore på mindre end 1, for eksempel Slagelse, Holbæk, Vejle, Odsherred, Rødovre og Ringsted, anvender de til dels også Herning og Vesthimmerland som et referencepunkt, men også kommunerne Billund og Ikast-Brande. En inspektion af mængderne og udgifter per husstand bekræfter også, at Gribskov og Vesthimmerland er de kommuner, der samler mest dagrenovation ind per husstand, og Herning er den kommune med den mindste omkostning per husstand. Dette er således medvirkende til, at de har en produktivitetsscore på 1 i DEA modellen. Figur 14: Produktivitetsscorerne for model 1 Kilde: Egne data For at se hvor meget kommunerne vægter organisk affald i deres søgen efter at blive produktivitetseffektive, bliver der anvendt en multiplier model, som er i bilag 10 i arket ‘Efficiency report’. De virtuelle vægte for de kommuner, som 47 indsamler organisk affald, er i tabel 8. Tabel 8: Virtuelle vægte Kommune Ikast-Brande Gribskov Billund Kerteminde Slagelse Kalundborg Holbæk Ringsted Rødovre Odsherred Vejle Produktivitetsscore Dagrenovation 1,000 0,000 1,000 1,032 1,000 0,000 0,929 1,772 0,878 1,432 0,863 1,488 0,795 0,000 0,754 0,000 0,729 1,675 0,704 2,016 0,683 1,497 Kilde: Egne data Organisk 10,382 2,877 6,792 5,408 4,371 4,149 2,056 2,508 5,113 2,653 4,569 Forhold N/A 2,787 N/A 3,053 3,053 2,787 N/A N/A 3,053 1,316 3,053 I tabel 8 repræsenterer variablen ‘Forhold’ forholdet mellem organisk affald og dagrenovation. Det kan, ses at kommunerne Ikast-Brande og Billund, som har en produktivitetsscore på 1, vælger at lægge alt deres på vægt på organisk affald i deres søgen efter at få den højeste produktivitetsscore, mens Gribskov vægter det organiske affald 2,787 gange højere end dagrenovationen. Det er muligt at indføre nogle begrænsninger for vægtene, som blandt andet er anvendt i Rogge og Jaeger (2012), men det er fravalgt i dette speciale, da det vil medføre en række nye diskussioner og går imod grundtanken i DEA metoden om, at enhederne selv får lov til at vælge deres vægte. I DEA modellen har fem ud af 40 kommuner en produktivitetsscore på 1 med et slack på 0, hvilket betyder, at de er BCC produktivitetseffektive. Gennemsnitsproduktiviteten for kommunerne er på 0,75 med en varians på 0,02 og en standardafvigelse på 0,14. Dette betyder, at kommunerne i gennemsnit skal reducere deres input med omkring 25% for at blive flyttet frem til produktionsfronten og opnå en produktivitetseffektivitet på 1. I Rogge og Jaeger (2012) er den gennemsnitlige produktivitetseffektivitet på 0,47 med en standardafvigelse på 0,14, mens den i Worthington og Dollery (2000) er på 0,56 med en standardafvigelse på 0,33. Sammenlignet med de to undersøgelser og deres modeller er de danske kommuner i den pågældende DEA model mere produktivitetseffektive og tættere grupperet i deres produktivitetsscorer. 7.1.3 Sammenligning af systemer For at teste, hvilke systemer der driver produktiviteten, er kommunerne inddelt i to grupper i forhold til deres systemer i bilag 10 i arket ‘Mann-Whitney 1’. De kommuner, som anvender en to-delt beholder, er karakteriseret som et multikammer system, mens de kommuner, som anvender en enkeltkammer beholder, er karakteriseret som et enkeltkammer system. Der er fem multikammer kommuner, og de har en gennemsnitsproduktivitetsscore på 0,82. Enkeltkam48 mer kommunerne udgøres af en gruppe på 35 kommuner med en gennemsnitsproduktivitetsscore på 0,75. Der bliver anvendt en Mann-Whitney U test, og det bliver forudsat, at begge grupper har samme fordeling. Da multikammer kommunerne har en større gennemsnitsscore end enkeltkammer kommunerne, vælger vi hypoteserne som følgende: Ho : Der er ingen forskel i produktivitetsscorerne mellem de kommuner, som anvender enkeltkammer systemer og de, der anvender multikammer systemer HA : Multikammer kommunerne har en signifikant højere produktivitetsscore end enkeltkammer kommunerne Der bliver anvendt en normalt fordelt approksimation, hvilket giver en pværdi på 14,9% og betyder, at vi ikke kan afvise H0 . Ud fra datamaterialet kan der dermed ikke konkluderes, at multikammer kommuner har en signifikant højere produktivitetsscore end enkeltkammer kommuner. Der er også testet om enkeltkammer kommunerne har en højere produktivitetsscore end multikammer kommunerne, og her kunne Ho heller ikke afvises. Kommunerne er også blevet inddelt i to grupper, efter om de indsamler organisk affald sammen med dagrenovation eller ej. Der er 11 kommuner, som indsamler organisk affald sammen med dagrenovation, og de har en gennemsnitsproduktivitetsscore på 0,85. De kommuner, som ikke indsamler organisk affald, har en gennemsnitsproduktivitetsscore på 0,72. Der bliver anvendt en Mann-Whitney U test, og det bliver forudsat, at begge grupper har samme fordeling. Da de kommuner, som indsamler organisk affald, har en større gennemsnitsscore end kommuner, som ikke gør, vælger vi hypoteserne som følgende: Ho : Der er ingen forskel mellem kommunernes produktivitetsscorer HA : De kommuner, som indsamler organisk affald, har en højere produktivitetsscore end de kommuner, som ikke gør. Testen er udført i bilag 10 i arket ‘Mann-Whitney 2’, hvor der er anvendt en normal fordelt approksimation, hvilket giver en p-værdi på 0,95%. Vi forkaster derfor H0 med et alphaniveau på 0,05, og de kommuner, som indsamler organisk affald, har en signifikant højere produktivitetsscore end de kommuner, som ikke indsamler organisk affald. Det ses også i figur 7, at de kommuner, som indsamler organisk affald og dagrenovation, udgør en stor del af toppen, og som vi så tidligere, brugte nogle af kommunerne det organiske affald til at få en produktivitetsscore på 1, og det organiske affald er derfor med til at drive deres produktivitet. Med inspiration fra Worthington og Dollery (2001) vælger vi også at teste, om der er signifikant forskel i produktivitetsscorerne for kommuner, som er klassificeret som bykommune eller landdistrikt ifølge Ministeriet for Fødevarer, Landbrug og Fiskeri [27]. Bykommunerne har en gennemsnitsproduktivitet på 0,71, og for landdistrikterne er den på 0,77. Vi vælger derfor at teste for følgende. Ho : Der er ingen forskel på bykommunernes og landdistrikternes produktivitetsscorer HA : Landdistrikterne har signifikante højere produktivitetsscorer end bykommunerne 49 Testen er udført i bilag 10 i arket ‘Mann-Whitney 3’, hvor der bliver anvendt en normalt fordelt approksimation og forudsat, at begge grupper har samme fordeling, hvilket giver en p-værdi på 8,73%. Dette betyder, at vi ikke kan afvise H0 , og fra datamaterialet kan der ikke konkluderes, at landdistrikterne har en signifikant højere produktivitetsscorer end bykommunerne, hvilket passer godt med figur 12. Der er også testet om bykommunerne har signifikante højere produktivitetsscorer end landdistrikterne, og her kunne Ho heller ikke afvises. Næste afsnit omhandler den anden DEA model. 7.2 Model 2 Model 2 er en BCC DEA model, der anvender udgifterne for glas, papir, og pap, storskrald og haveaffald som input variabel. Udgifterne for storskrald og haveaffald er taget med, da visse kommuner indsamler nogle af affaldsmaterialerne ved fortovsindsamling, hvor det derfor falder ind under storskrald. Output variablerne er mængderne af glas, papir, pap, metal og plastik, der bliver indsamlet både ved hente- og bringeordninger. Modellen er vist i tabel 9. Tabel 9: Input og output variabler for Model 1 Input variabler Udgifter per husstand Output variabler Glas Papir Pap Metal Plastik Den følgende analyse vil også som tidligere være delt op i tre afsnit, som er henholdsvis indledende analyse af data, DEA modellen og sammenligning af systemer. 7.2.1 Indledende analyse af data Inden den indledende analyse af data begynder, er det værd at knytte et par kommentarer til kvaliteten af estimatet for udgifterne for glas, pap, pap, storskrald og haveaffald. Disse tal er hentet fra Danmarks Statistik dataserie REG31, men kvaliteten af dem kan dog være tvivlsomt, da der for eksempel er flere steder, hvor der ikke er anført noget beløb på enkelte af ordningerne til trods for, at de findes i kommunen. Derudover har det ikke været muligt, hverken fra Danmarks Statistik eller kommunernes regnskaber at få en tilstrækkelig detaljeret oversigt over funktionen 1.38.66 ‘Øvrige ordninger og anlæg’, der tillader, at man kan separere ordningerne som metal og plast ud, og derfor er denne funktion ikke taget med. Det har også været nødvendigt at fjerne Nordfyns kommune, da der ikke var økonomiske data på dem, og Billund, da de ikke har opgivet nogen mængder for de fem ordninger. Eventuelle forudsætninger, der er antaget med hensyn til mængderne kan findes i bilag 14. For variablen udgifter per husstand er der som i model 1 udregnet en fordelingsnøgle for administrationsudgifterne, og i figur 15 findes den estimerede 50 udgift per husstand for de fem ordninger. Den dyreste kommune er Albertslund med en udgift på 968 kroner per husstand, og den billigste kommune er Mariagerfjord kommune med en udgift på 47 kroner per husstand. Beregningerne er vist i bilag 11. Figur 15: Udgifter per husstand per år for de fem ordninger Kilde: Egne data De pågældende data for udgifterne bliver, som i model 1, visuelt inspiceret i et spredningsdiagram i figur 16. Her ses det, at der er en relativ stor spredning med en R2 på 15,6%. Denne spredning kan eventuelt tilskrives kvaliteten af data fra Danmarks Statistik, befolkningstæthed, eller at det varierer fra kommune til kommune hvilke affaldsfraktioner, de afhenter ved hjælp af hente- og bringeordninger, hvor det kan formodes, at de kommuner der henter flere affaldsfraktioner har en højere udgift. Figur 16: Totale udgifter for de fem ordninger per år Kilde: Egne data Derfor bliver der sat et spredningsdiagram op i figur 17 for befolkningstætheden og udgifter per husstand. Dette giver kun en forklaringsgrad på 16%. For 51 Figur 17: Befolkningstæthed og udgifter per hustand per år Kilde: Egne data at undersøge om antal affaldsfraktioner, der bliver indsamlet, har betydning for udgifter per husstand, bliver der opstillet et spredningsdiagram i figur 18 hvor x-aksen, er hvor mange affaldsfraktioner en kommune indsamler ved hente- og bringeordninger undtagen genbrugsplads. Det ses, at der kun er en forklaringsgrad på 22%, og det er dermed med til at forklare noget af variationen, men langt fra størstedelen. Figur 18: Hente og bringeordninger Kilde: Egne data Mængderne for de fem affaldsfraktioner, der er anvendt i modellen, er vist i figur 19 per husstand, og data er i bilag 9. I gennemsnit indsamler de kommuner, der har deltaget i undersøgelsen, cirka 81 kilo papir, 7 kilo pap, 30 kilo glas, 9 kilo metal og 2 kilo plast per husstand per år. 52 Figur 19: Affaldsfraktioner i ton per husstand per år Kilde: Egne data 7.2.2 DEA modellen Den anvendte BCC DEA model er sat op i bilag 12. I figur 20 er produktivitetsscorerne sat op i et søjlediagram, og de grønne søjler er kommuner, som ikke anvender noget beholdersystem hos enfamilie husstandene for de fem affaldsfraktioner. De røde søjler er kommuner, som anvender et multikammer system (to-delt beholdere og kassetter), og de blå søjler er kommuner, som anvender et enkeltkammer system (separate beholdere og fortorvsordning). Kommunerne, der har en produktivitetsscore på 1, har alle en samlet slack værdi på 0 og er dermed BCC effektive. I tabel 10 er de virtuelle vægte fra multiplier modellen vist, og variablen PS er produktivitetsscoren. I tabellen kan det ses, at det for de kommuner, som har en produktivitetsscore på 1, varierer meget forskelligt, hvordan de har placeret vægtene i forhold til at blive mest produktivitetseffektive. For eksempel vægter Kalundborg kun deres metal indsamling. I DEA modellen har 10 ud af de 40 kommuner en produktivitetsscore med et slack på 0, hvilket betyder, at de er BCC produktivitetseffektive. Gennemsnitsproduktivitetsscoren er på 0,54 med en standardafvigelse på 0,34 og altså væsentlig lavere end i model 1 og med mere spredning. Gennemsnitsscoren er dermed mere lignende det, vi så i Rogge og Jaeger (2012) og Worthington og Dollery (2000). Hvis man sammenligner figur 14 med figur 20, vil man nu også se, at der er andre kommuner, som har en produktivitetsscore på 1 end dem i den anden model. Aarhus ligger for eksempel nu helt i toppen med en score på 1 modsat i den anden model, hvor de lå i bunden, og Kerteminde kan fremhæves som en kommune, der fortsat ligger i toppen. 53 Figur 20: Produktivitetsscorerne for model 2 Kilde: Egne data 7.2.3 Sammenligning af systemer For at teste om det er systemerne, der i denne model driver produktivitetsscorerne, vil der blive anvendt en Mann-Whitney U-test, hvor kommunerne vil blive inddelt i henholdsvis de kommuner, som anvender multikammer systemer (to-delt beholder og kassetter i beholdere), og dem, som anvender enkeltkammer systemer (separat beholder og fortovsordning). Multikammer kommunerne har en gennemsnitsproduktivitetsscore på 0,34 og enkeltkammer kommunerne har en gennemsnitsscore på 0,59. Da enkeltkammer kommunerne har en højere gennemsnitsscore, vælger vi hypoteserne som følgende, hvor det er forudsat at begge grupper har samme fordeling. 54 Tabel 10: Virtuelle vægte Kommune Odsherred Mariagerfjord Guldborgsund og Lolland Aarhus Norddjurs og Syddjurs Kerteminde Kalundborg Assens Middelfart Solrød PS Papir Pap 1,000 28,762 0,000 1,000 4,637 16,353 1,000 10,457 0,000 1,000 5,599 0,000 1,000 16,721 16,432 1,000 7,688 0,000 1,000 0,000 0,000 1,000 0,000 59,523 1,000 12,696 1,314 1,000 37,565 0,000 Kilde: Egne data Glas 54,466 0,000 0,000 14,329 0,000 0,000 0,000 0,000 0,000 0,000 Metal 0,000 0,000 0,000 0,000 0,000 0,000 35,952 0,000 0,000 40,880 Plast 0,000 5,930 28,700 0,000 0,000 21,099 0,000 0,000 11,643 0,000 Ho : Der er ingen forskel mellem de to gruppers produktivitetsscorer HA : De kommuner som anvender enkeltkammer systemer har signifikant højere produktivitetsscorer end multikammer kommuner Testen er udført i bilag 12 i arket ‘Mann-Whitney 1’, og de kommuner, som ikke anvender et system hos husholdningerne, er fjernet. Der er anvendt en normalt fordelt approksimation, hvilket giver en p-værdi på 4,60%, og vi kan dermed forkaste Ho med et alpha niveau på 5% og konkludere, at de kommuner, som anvender et enkeltkammer system, er signifikant mere produktivitetseffektive end de kommuner, som anvender et multikammer system. Det ses også i figur 20, at enkeltkammer systemerne ligger i toppen. Vi vælger også at køre en Mann-Whitney U test baseret på, om en kommune er klassificeret som en bykommune eller landdistrikt for at se, om der en signifikant forskel på produktivitetsscorerne mellem disse to grupper. Bykommunerne har en gennemsnitsproduktivitetsscore på 0,47, og landdistrikterne har en gennemsnitsscore på 0,59. Da landdistrikterne har en højere gennemsnitsscore vælger vi hypoteserne som følgende, hvor det er forudsat, at begge gruppe har samme fordeling: Ho : Der er ingen forskel mellem de to gruppers produktivitetsscorer HA : Landdistrikterne har signifikante højere produktivitetsscorer end bykommunerne Testen er udført i bilag 12 i arket ‘Mann-Whitney 2’, hvor der er anvendt en normalt fordelt approksimation, hvilket giver en p-værdi på 10,45%, og vi kan dermed ikke afvise Ho . Der er også testet, om bykommunerne har signifikante højere produktivitetsscorer end landdistrikterne, og her kunne Ho heller ikke afvises. En anden måde at anskue affaldsområdet på ville være ved en DEA model, hvor mængderne for alle syv affaldsfraktioner, der er indsamlet ved henteordninger per husstand, er taget med som output variabler, og input variablen er 55 de samlede indtægter per husstand på affaldsområdet. Dette er gjort i bilag 15, hvor produktivitetsscorerne er rapporteret sammen med to Mann-Whitney U tests. Den første Mann-Whitney U test har en HA hypotese om, at landdistrikterne har signifikante højere produktivitetsscorer end bykommunerne, og Ho er, at der ikke er nogen forskel. I dette tilfælde kan Ho ikke afvises, og vi afviser dermed, at landdistrikterne har en signifikant højere score end bykommunerne. Det er også testet om bykommunerne har en signifikant højere produktivitetsscore end landdistrikterne, hvor Ho heller ikke kan afvises. Der anden Mann-Whitey U test har en HA hypotese, om at de kommuner, som anvender multikammer systemer, er signifikant mere produktive end de kommuner, som ikke gør, og Ho er, at der ikke er nogen forskel. I dette tilfælde afviser vi Ho , og vi kan konkludere i denne model, at multikammer kommunerne har signifikante højere produktivitetsscorer end enkeltkammer kommunerne. Dette er modsat den tidligere konklusion, der var i model 2, og viser dermed, at det har betydning, hvordan man anskuer problemet. 56 8 Konklusion og perspektivering De danske kommuner står over for at skulle indsamle flere typer af affaldsfraktioner som følge af regeringens strategi på affaldsområdet fra 2013 [36]. Denne situation rejser nogle interessante spørgsmål, blandt andet om der er en sammenhæng mellem hvilke affaldssystemer, der bliver anvendt hos kommunerne, og deres produktivitet. For at undersøge produktiviteten i kommunerne er der blevet anvendt en resultatbenchmarking tilgang som anbefalet af Finansministeriet [7], men også hentet inspiration fra processbenchmarking, da de pågældende produktivitetsscorer bliver sammenlignet på baggrund af affaldssystemerne i kommunerne, som kan anses for at være en arbejdsproces. Til at foretage resultatbenchmarking er der i kandidatspecialet anvendt en DEA tilgang som anbefalet af Baunkjær et al. (2000), Bogetoft (2012) og Professor Niels Christian Petersen fra Syddansk Universitet. Det blev set i afsnit 3.1, at der udover DEA metoden, også findes andre metoder til at estimere en produktionsfront med for eksempel ved hjælp af COLS, SFA og SDEA. Dette kan have betydning for produktivitetsscorerne, men fordi de tre metoder har deres oprindelse i økonomiens verden, blev disse fravalgt til fordel for DEA metoden, som har sit ophav i OR/MS [28], og som er blevet anbefalet. For at godtgøre for hvordan DEA metoden kan anvendes på affaldsområdet, er der i kapitel 4 blevet gennemgået teorien for to typer af DEA modeller. CCR modellen forudsætter et konstant skalaafkast mellem input og output variabler og blev derfor fravalgt til fordel for BCC modellen, som tillader et variabelt skalaafkast. Det blev vist, at DEA metoden kan anvendes på affaldsområdet ved at udvælge relevante input og output variabler, som er med til at bestemme produktionsfronten og dermed produktiviteten for de enkelte kommuner, som det blandt andet er gjort af Rogge og Jeager (2012), Garcia-Sanchez (2007) og Worthington og Dollery (2001). Til modellerne blev der i kapitel 5 udvalgt forskellige input og output variabler på affaldsområdet heriblandt udgifterne for affaldsområdet, og affaldsfraktionerne dagrenovation, organisk-, papir-, pap-, glas-, metal- og plastaffald. Der blev samtidigt også redegjort for, at når man anvender variabler, hvor der for nogle af kommunerne kan optræde et 0 i udvalgte værdier, skal man være opmærksom på, at det kan have en betydning for resultaterne. Der er forskellige måder, man kan behandle dette på blandt andet ved hjælp af forskellige modeller. Der blev valgt den klassiske løsning med at bevare 0 værdierne for efterfølgende at se på de virtuelle vægte og på hvordan de kommuner, som har en produktivitetsscore på 1, vægter output variablerne i forhold til hinanden. I afsnit 4.4 blev der sat fokus på, hvilke statistiske tests, der kan anvendes for at analysere, om der er signifikant forskel imellem grupper af kommuner, som anvender forskellige typer af systemer. Den statistiske test, der blev udvalgt i kandidatspecialet, var ‘Mann-Whitney U’ testen, da den i simulationsstudier af Banker (2010) viste sig at være en af dem, der klarede sig bedst i forbindelse med en mindre stikprøve og var mere robust over for støj i modellen. Hvis man havde forudsat, at der ikke er støj i modellen, og undersøgelsens stikprøve var stor nok, ville det naturlige valg have været Bankers to F-tests, på grund af dens asymptotiske forudsætninger. 57 Analysen i kandidatspecialet blev udført i kapitel 7, hvor der blev kørt to DEA modeller igennem. Den første model brugte udgifterne for affaldsordningen dagrenovation som input variabel, og dagrenovation og organisk affald som output variabler. Efterfølgende blev produktivitetsscorerne anvendt til at teste, om der var en signifikant forskel imellem kommuner, som anvender enkeltkammer og multikammer systemer ved hjælp af en Mann-Whitney U test. Resultatet var, at de kommuner, som anvender multikammer systemer på dagrenovationsområdet, ikke er signifikant mere produktive end de kommuner, som anvender enkeltkammer systemer, og altså umiddelbart ikke det, der er med til at drive produktiviteten. Der blev også testet om de kommuner, der anvender enkeltkammer systemer, er mere produktive, men dette kunne heller ikke konkluderes. Herefter blev der testet på, om der er en signifikant forskel mellem de kommuner, som indsamler organisk affald og dem, som ikke gør det. Testen konkluderede, at de kommuner, som indsamler organisk affald, har en højere produktivitetsscore end de kommuner, som ikke gør. En nærmere inspektion af de virtuelle vægte tydeliggjorde, at 2 ud af de 5 kommuner, som havde en produktivitetsscore på 1, lagde alt vægten på det organiske affald for at blive produktive. Det var således med til at drive deres produktivitet frem. Der blev også testet for, om landdistrikter er signifikant mere produktive end bykommuner, hvilket ikke kunne konkluderes, og om bykommuner er signifikante mere produktive end landdistrikter, hvilket heller ikke kunne konkluderes. Den anden DEA model bestod af en udgifts input variabel og fem affaldsfraktioner som output variabler. Det skal dog fremhæves, at kvaliteten af data for denne model er noget tvivlsomme, og resultaterne skal derfor tages med et forbehold. Der blev testet, om der er signifikant forskel på kommuner, der anvender enkeltkammer i forhold til multikammer systemer til de fem ressourcer, og der blev fundet, at de kommuner, som anvender enkeltkammer systemer i modellen, er mere produktivitetseffektive end dem, som ikke gør. Der blev også testet for om landdistrikter er signifikant mere produktive end bykommuner, hvilket ikke kunne konkluderes, og det kunne heller ikke konkluderes, at bykommuner er signifikante mere produktive end landdistrikter. For at besvare hovedspørgsmålet i specialet om man kan anvende produktivitetsscorerne til at give nogle generelle retningslinjer om, hvilke systemer der driver produktiviteten, er svaret ja. Det er muligt at anvende statistiske test for at teste, om der er signifikant forskel på grupper af enheder, der bruger forskellige systemer, og efterfølgende analysere dybere ved hjælp af for eksempel de virtuelle vægte, som tilfældet var i model 1, hvor det kunne ses, at de kommuner som indsamler organisk affald, brugte det til at drive deres produktivitet. Det er dog vigtigt at gøre sig klart med hensyn til resultaterne, at enhver DEA model rummer sin egen sandhed omkring produktiviteten på baggrund af de input og output variabler, der er taget med i modellen og dens forudsætninger og begrænsninger. I modellerne, især model 1, hvor det har været muligt at adskille udgifterne til dagrenovation fra de øvrige udgifter, kan det yderligere argumenteres for, at det interessante ikke så meget er de kommuner, som har fået en produktivitetsscore på 1, men i stedet de kommuner, som for eksempel Aarhus og Frederiksberg, der har de laveste produktivitetsscorer i model 1, selvom de har fået lov til at vælge deres egne vægte. Her vil budskabet være at 58 fokusere på de store forskelle i en resultatbenchmarking, som det bliver tilrådet af Finansministeriets vejledning [7], og efterfølgende vælge to kommuner som har en høj og lav produktivitetsscore og lave en detaljeret processbenchmarking undersøgelse, hvor man går i dybden med deres arbejdsprocesser for at finde ud, af om der er nogle processer i kommunerne, der udgør forskellene. I denne afhandling har fokus været på udviklingen og analysen af to DEA modeller, som har en stikprøve på 40 kommuner. Da de statistiske test er asymptotiske i deres natur, og DEA modellen bygger på data, hvor den ser alt som effektivitet, ville det have været ønskværdigt at have haft endnu flere deltagende kommuner med for at forstærke afhandlingens konklusioner. Det kunne også have været interessant at kunne udvide modellerne med et estimat for, hvor store gebyrer husstandene betaler i kommunerne, og dermed få en anden fortolkning på modellen. Dette blev forsøgt gjort med en model bestående af indtægterne på affaldsområdet for husholdninger og syv output variabler, som bestod af de affaldsmængder, der blev indsamlet ved henteordninger. Det blev i dette tilfælde fundet, at multikammer systemerne havde en signifikant højere produktivitetsscore end enkeltkammersystemer. En anden interessant DEA model man kunne udvikle ville være, hvor mange husstande i de enkelte kommuner der anvender affaldssystemerne i forhold til kommunernes udgifter. Der blev forsøgt at indhente data om dette, men kvaliteten var ikke fyldestgørende. Derudover vil dette også være ønskværdigt, hvis data var mere præcise og således kunne bidrage positivt til modellernes validitet. En anden mulighed til fremtidige modeller på området kunne være at anvende den type af model, som er foreslået af Cook et al. (2012), hvor man giver enhederne mulighed for at fordele inputtet optimalt ud i forhold til de output, der er i modellen, i deres søgen efter at blive effektive. For kommunerne vil dette også give mening, da det oftest kan være svært helt præcist at dele udgifterne ud på de forskellige affaldsfraktioner. Man kunne også have fulgt Rogge og Jaeger (2012) og indført begrænsninger på, hvor meget vægt enhederne må lægge på output variablerne relativt til hinanden. I en fremtidig analyse kunne man også vælge at følge Brockett og Golany (1996) og først køre DEA modeller for de kommuner, som anvender samme slags systemer, gøre dem helt produktivitetseffektive ved hjælp af θ værdien, og efterfølgende køre en samlet DEA model igennem med enhedernes optimale værdier og teste, om der er signifikant forskel på produktivitetsscorerne imellem forskellige typer af systemer [13]. Endelig kunne det også have været en mulighed at indføre kontrolvariabler for kommunerne, som det blev gjort i blandt andet Worthington og Dollery (2000). 59 Litteratur [1] Affaldsbekendtgørelsen BEK nr. 1309 af 18/12/2012. [2] Anand, G. og Kodali, R. 2008, ‘Benchmarking the benchmarking models’, Benchmarking: An International Journal, Bind 15, Hæfte 3, Side 257 291. [3] Banker, R. D. 1993, ‘Maximum likelihood, consistency and data envelopment analysis : a statistical foundation’, Management Science, Bind 39, Hæfte 10, Side 1265 - 1273. [4] Banker, R. D., Charnes, A. og Cooper, W. W. 1984, ‘Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis’ Management Science, Bind 30, Hæfte 9, Side 1078 - 1092. [5] Banker, R. D. og Natarajan R. 2011, Kapitel 11: ‘Statistical Tests Based on DEA Efficiency Scores’ Bog: Cooper, W.W., Seiford, L. M. og Zhu, J. Handbook on Data Envelopment Analysis - second edition, Springer, New York. [6] Banker, R. D., Zheng, Z. E. og Natarajan, R. 2010, ‘DEA-based hypothesis tests for comparing two groups of decision making units’ European journal of operational research, Bind 206, Hæfte 1, Side 231 - 238. [7] Baunkjær, C. F., Cold, J., Bjerre, J. og Kjærsgaard, K. 2000, Benchmarking i den offentlige sektor - nogle metoder og erfaringer, Schultz Information, Albertslund. [8] Bekendtgørelse om kommunernes budget- og regnskabsvæsen, revision m.v. BEK nr. 13/01/2015. [9] Bekendtgørelse om visse krav til emballager BEK nr. 1049 af 10/11/2011. [10] Bogetoft, P. 2014, ‘En Benchmarkers Bekendelser’ DanskEnergi www.danskenergi.dk/Aktuelt/Arkiv/2014/August/14 08 25A.aspx Tilgået: 18-01-2015. [11] Bogetoft, P. 2012, Performance Benchmarking - Measuring and Managing Performance, Springer, New York. [12] Bogetoft, P. og Otto, L. 2011, Benchmarking with DEA, SFA, and R, Springer, New York. [13] Brockett, P. L. og Golany B. 1996, ‘Using Rank Statistics for Determining Programmatic Efficiency Differences in Data Envelopment Analysis’ Management Science, Bind 42, Hæfte 3, Side 466 - 472. [14] Charnes, A., Cooper, W. W. og Rhodes, E. 1978, ‘Measuring the efficiency of decision making units’ European journal of operational research, Bind 2, Hæfte 6, Side 429 - 444. 60 [15] Charnes, A., Cooper, W. W. og Rhodes, E. 1979, ‘Short Communication: Measuring the efficiency of decision-making units’ European Journal of Operational Research, Bind 3, Hæfte 4, Side 339 - 339. [16] Coelli, T. J., Rao, D. S. P., O’Donnell, C. J. og Battese, G. E. 2005, An Introduction to Efficiency and Productivity Analysis, Springer, New York. [17] Cook, W. D., Harrison, J., Rouse, P. og Zhu, J. 2012, ‘Relative efficiency measurement: the problem of a missing output in a subset of decision making units’ European journal of operational research, Bind 220, Hæfte 1, Side 79 - 84. [18] Cook, W. og Zhu, J. 2008 Data Envelopment Analysis: Modeling Operational Processes And Measuring Productivity, Kluwer Academic Publishers, Boston. [19] Cooper, W. W., Seiford, L. M. og Kaoru, T. 2000, Data Envelopment Analysis - A Comprehensive Text with Models, Applications, References and DEA-Solver Software, Kluwer Academic Publishers, Massachusetts. [20] Dekker, R. 2004, Reverse logistics: quantitative models for closed-loop supply chains, New York, Springer. [21] Det Økonomiske Råd 2013, Økonomi og Miljø, Rosendahls-Schultz, Albertslund. [22] Dyson, R.G., Allen, R., Camanho, A.S., Podinovski, V. V., Sarrico, C.S. og Shale, E.A, 2001, ‘Pitfalls and protocols in DEA’ European Journal of Operational Research, Bind 132, Hæfte 2, Side 245 - 259. [23] Europæiske Union 2008, Affaldsrammedirektivet 2008/98/EF. [24] Finansministeriet, 1997, Kapitel: 9 ‘Affaldshåndtering i danske kommuner’, Bog: Finansministeriet, Budgetredegørelse 1997, Schultz Information, Albertslund. [25] Garcı́a-Sánchez, I. M. 2007, ‘The performance of Spanish solid waste collection’ Waste management & research : the journal of the International Solid Wastes and Public Cleansing Association, ISWA, Bind 26, Hæfte 4, Side 327 - 336. [26] Gendreau, M., Laporte, G. og Semet, F. 2002 ‘A Guide to Vehicle Routing Heuristics’ The Journal of the Operational Research Society, Bind 53, Hæfte 5, Side 512 - 522. [27] Kristensen, I. T., Kjeldsen, C. og Dalgaard, T. 2007, ‘Landdistriktskommuner - indikatorer for landdistrikt’, Danmarks Jordbrugsforskning. [28] Lampe, H. W. og Hilgers, D. 2014, ‘Trajectories of efficiency measurement: A bibliometric analysis of DEA and SFA’, European Journal of Operational Research, Bind 240, Hæfte 1, Side 1 - 21. 61 [29] Land, Kenneth C. 1993, ‘Chance-constrained data envelopment analysis’, Managerial and decision economics, Bind 14, Hæfte 6, Side 541 - 554. [30] Laporte, G. 2009, ‘Fifty years of vehicle routing’, Transportation science, Bind 43, Hæfte 4, Side 408 - 416 [31] McMillen, A. og Skumatz, L. A. 2001, Kapitel 5: ‘Separation, collection, and monitoring systems’ Bog: Lund, H. F. 2001, The McGraw-Hill Recycling Handbook - second edition, McGraw-Hill, New York. [32] Miljøministeriet 2014 ‘Danmark Uden Affald - Ressourceplan for affaldshåndtering 2013-2018’ Vejledning fra Miljøstyrelsen nr. 4, 2014. [33] Miljøministeriet 2013 ‘Miljø- og samfundsøkonomisk vurdering af muligheder for øget genanvendelse af papir, pap, plast, metal og organisk affald fra dagrenovation’ Miljøprojekt nr. 1458, 2013. [34] Miljøministeriet 2013 ‘Kortlægning af papir- og pappotentalet fra private husstande i 2010’ Miljøprojekt nr. 1411, 2012. [35] Niras 2013, ‘Kortlægning af indsamlings- og forbehandlingsmetoder for organisk affald’, RenoSam. [36] Regeringen, 2013, Danmark uden Affald. [37] Rogge, N. og Jaeger, S. D. 2012 ‘Evaluating the efficiency of municipalities in collecting and processing municipal solid waste: a shared input DEAmodel’ Waste management (New York, N.Y.), Bind 32, Hæfte 10, Side 1968 [38] Sarkis, J. 2007, Kapitel 17: ‘Preparing your Data for DEA’ Bog: Zhu, J. og Cook, W. D. 2007 Modeling Data Irregularities and Structural Complexities in Data Envelopment Analysis, Springer, New York. [39] Schmidt, P. 1978 ‘On the statistical estimation of parametric frontier production functions’ The review of economics and statistics, Bind 60, Hæfte 3, Side 481 - 482. [40] Tanskanen, J. H. og Kaila. J 2001 ‘Comparison of methods used in the collection of source-separated household waste’ Waste management & research : the journal of the International Solid Wastes and Public Cleansing Association, ISWA, Bind 19, Hæfte 6, Side 486 - 497. [41] Thompson, G., Dharmapala, P. S. og Thrall, R. M. 1993, ‘Importance for DEA of Zeros in Data, Multipliers, and Solutions’ Journal of productivity analysis, Bind 4, Hæfte 4, Side 379 - 390. [42] Worthington, A. C. og Dollery, B. E. 2000 ‘Measuring Efficiency in Local Governments’ Planning and Regulatory Function’ Public Productivity & Management Review, Bind 23, Hæfte 4, Side 469 - 485. [43] Zhu, J. 2009 Quantitative Models for Performance Evaluation and Benchmarking - second edition, Boston, Springer. 62 A Bilagsliste • Bilag 01: Spørgeskema. • Bilag 02: Dataudtræk fra Rambøll SurveyXact. • Bilag 03: Beregninger for estimat for gebyr per husstand. – Figur 6 - Estimat for gebyr per husstand per år. • Bilag 04: Beregninger for estimat for gebyr per husstand med data fra Danmarks Statistik for dagrenovation og organisk affald. – Figur 7 - Estimat for gebyr per husstand per år. • Bilag 05: Beregninger for salg per husstand med data fra Danmarks Statistik. – Figur 8 - Estimat for salg af genanvendelige materialer per husstand per år. • Bilag 06: Data fra Danmarks Statistik omkring udgifter og indtægter for funktioner samt data fra kommunernes regnskaber og budgetter. – Figur 9 - Totale udgifter og indtægter for affaldsområdet per år. • Bilag 07: Systemer i kommunerne. • Bilag 08: Data for inputvariablen i model 1. – Figur 10 - Udgifter per husstand for dagrenovation per år. – Figur 11 - Totale udgifter for dagrenovation per år. – Figur 12 - Befolkningstæthed og udgifter per husstand per år. • Bilag 09: Antal ton affald oplyst i spørgeskema. – Figur 13 - Antal ton dagrenovation og organisk affald per husstand per år. – Figur 19 - Affaldsfraktioner i ton per husstand per år. • Bilag 10: Model 1 – Figur 14 - Produktivitetsscorerne for model 1. • Bilag 11: Beregninger for input variablen til model 2. – Figur 15 - Udgift per husstand per år for de fem ordninger. – Figur 16 - Totale udgifter for de fem ordninger per år. – Figur 17 - Befolkningstæthed og udgifter per husstand per år. – Figur 18 - Hente- og bringeordninger. • Bilag 12: Model 2 63 – Figur 20 - Produktivitetsscorerne for model 2. • Bilag 13: De kommunale regnskaber. • Bilag 14: Forudsætninger om mængder. • Bilag 15: Produktivitetsscorer for model med alle syv affaldsfraktioner. 64