| Indhold |
Orientering fra Miljøstyrelsen nr. 2, 2002
Effektiviseringspotentiale på forbrændingsanlæg og deponeringsanlæg i Danmark
Indholdsfortegnelse
Bilag A: |
Beskrivelse af DEA metoden
|
Bilag B: |
Forbrænding, DEA Model 1
|
Bilag C: |
Forbrænding, DEA Model 2
|
Bilag D: |
Forbrænding, DEA Model 3
|
Bilag E: |
Forbrænding, DEA Model 4
|
Bilag F: |
Forbrænding, DEA Model 5
|
Bilag G: |
Forbrænding, DEA Model 6
|
Bilag H: |
Statistiske analyser, forbrænding
|
Bilag I: |
Deponering, DEA-model1
|
Bilag J: |
Deponering, DEA-model2
|
Bilag K: |
Deponering, DEA-model3
|
Bilag L: |
Deponering, DEA-model 4
|
Bilag M: |
Deponering, DEA-model5
|
Bilag N: |
Deponering, DEA-model6
|
Bilag O: |
Deponering, DEA-model7
|
Bilag P: |
Deponering, DEA-model8
|
Bilag Q: |
Statistiske analyser, deponering |
Denne publikation er den endelige afrapportering af et projekt om
effektiviseringspotentialet på forbrændings- og deponeringsområdet. Projektet er
finansieret af Miljøstyrelsen og udført af COWI A/S i 2001.
Baggrunden for projektet er Finansministeriets behandling af affaldssektoren i
"Miljøvurdering af finanslovsforslaget for 2000". Her konkluderes, at "en
øget effektivitet via f.eks. udlicitering og benchmarking i affaldssektoren vil betyde,
at det er muligt at opnå samme miljøtilstand for færre økonomiske omkostninger."
For at sikre en analyse med tilstrækkelig vægt på miljøfaktorer valgte Miljøstyrelsen
at foreslå to projekter:
 | Effektiviseringspotentiale på forbrændings- og deponeringsområdet |
 | Forudsætninger for og konsekvenser af en liberalisering af affaldssektoren |
Formålet med effektiviseringsprojektet er at afdække, om der er et
effektiviseringspotentiale på forbrændings- og deponeringsområdet, og i givet
fald afdække årsagerne til et sådant potentiale. Der er tale om en analyse af
sektoren som helhed, og der er således ikke fokus på det enkelte anlæg.
Projektet er et benchmarking analyse baseret på 2000 data, hvor alle anlæg måles mod
de mest effektive i sektoren. I fremstillingen af resultaterne er det tilstræbt at sætte
fokus på, hvad der karakteriserer de bedste anlæg. På den måde skal projektet være en
del af en proces, hvor alle anlæg lærer af hinanden og dermed bliver mere effektive
både i forhold til miljø og omkostninger. Projektet kan følges op af nye benchmarking
undersøgelser inden for de næste år så det bliver muligt at følge udviklingen på
området.
Effektiviseringsprojektet er starten på en proces, som skal føre til en fortsat
dynamisk udvikling i affaldssektoren med fokus på både miljømæssig og økonomisk
effektivisering.
I denne rapport kortlægges størrelsen af et eventuelt effektiviseringspotentiale på
forbrændingsanlæg og deponeringsanlæg i Danmark. Herudover indeholder rapporten en
vurdering af, i hvilket omfang potentialet kan realiseres på kort og lang sigt og af
hvem.
Projektets resultater er tilvejebragt på grundlag af en omfattende dataindsamling
blandt forbrændings- og deponeringsanlæg i Danmark. Efterfølgende er der foretaget en
benchmarking af de indberettede data. Hertil er der anvendt benchmarkingmetoden DEA, der
kort fortalt karakteriserer en række anlæg som "de bedste" ud fra både en
økonomisk og en miljømæssig vurdering og sammenligner de andre anlæg hermed. For at
undersøge potentialerne nærmere, er der foretaget en række supplerende og
kvalificerende analyser.
Der er altså ikke tale om en samfundsøkonomisk analyse. I en sådan analyse skal alle
fordele og ulemper ved en realisering af potentialet medtages. Det betyder, at alle
konsekvenser som f.eks. øget transportafstand, hvis der bliver lukket anlæg
skal opgøres, værdisættes og sammenvejes.
Ikke desto mindre er analysen et vigtigt indspil til en samfundsøkonomisk analyse,
idet resultaterne fra denne analyse kan bruges til at beskrive de alternative scenarier,
som man vil underkaste en samfundsøkonomisk analyse.
De analyserede forbrændingsanlæg forbrændte mere end 85% af de samlede
forbrændingsegnede affaldsmængder i år 2000. De analyserede deponeringsanlæg
deponerede 75% af de samlede mængder på deponeringsanlæg for blandet affald1.
De samlede bruttoomkostninger i år 2000 på de 23 forbrændingsanlæg, der indgår i
analysen, var på ca. 1,7 mia. kr. Disse anlæg forbrændte ca. 2,5 mio. ton affald. De
tilsvarende omkostninger på de 32 analyserede deponeringsanlæg var på 213 mio. kr. Der
blev på disse anlæg endeligt deponeret knap 600.000 tons2
i år 2000.
Tallene afspejler, at forbrændingsområdet er væsentligt større end
deponeringsområdet både målt i omkostninger og behandlede mængder. Også
driftsmæssigt er der tale om to helt forskellige områder, hvor forbrændingsanlæggene
er mere komplicerede driftsmæssigt end deponeringsanlæggene og omfatter flere
forskellige teknologier.
Ydermere har udviklingen i mængder til forbrænding og deponering været vidt
forskellige igennem de seneste år. Udviklingen ses i figuren nedenfor.
Figur 0.1
Udviklingen i forbrændte og deponerede totale mængder3
Kilde: Miljøstyrelsen.
I analysen indgår kun anlæg, der modtager blandet affald. Det er derfor ikke muligt
at sammenholde det totale tal med de 600.000 tons endeligt deponeret affald og den
mellemdeponerede mængde, der indgår i analysen. Men de fleste af de anlæg, der indgår
i analysen, har også oplevet faldende mængder i de seneste år. Samlet set er deres
mængder faldet med ca. 35% fra 1997-2000.
Den førte affaldspolitik i Danmark sigter primært mod forebyggelse af alle typer af
affald. Hernæst prioriteres genanvendelse, forbrænding med energiudnyttelse og til sidst
deponering. Udviklingen i affaldsmængderne til de enkelte behandlingsformer skal således
ses i lyset af den førte affaldspolitik.
De forbrændte mængder er steget med ca. 50% fra 1994 til 2000, svarende til en
stigning på ca. 7% per år. De deponerede mængder er derimod faldet med ca. 25% i samme
periode, svarende til et fald på knap 5% per år. Denne udvikling har betydning for den
relative størrelse af effektiviseringspotentialerne.
Effektiviseringspotentiale for forbrændingsanlæg
I alt 23 af de 31 danske forbrændingsanlæg4
indgår i undersøgelsen. Disse anlæg forbrændte i år 2000 hver især mellem 20.000 og
500.000 tons affald, så der er stor størrelsesmæssig spredning mellem anlæggene. Også
på andre områder er anlæggene forskellige. Anlæggene har vidt forskellig alder og
teknologi. Størstedelen af anlæggene producerer både varme og el på alle eller en del
af ovnene, mens få anlæg kun producerer varme.
Samtidig ses en stor forskel i relation til eksempelvis luftemissioner, hvilket
afspejler, at anlæggene i forskellig grad har tilpasset deres teknologier til kommende
skærpede krav, primært fra EU5.
Analysen peger dog på, at de danske forbrændingsanlæg generelt ikke adskiller sig
meget fra hinanden ud fra en effektivitetsvurdering. Således er der identificeret et
teknisk effektiviseringspotentiale (dvs. relateret til anlægges drift) på 7 anlæg og et
skalapotentiale (dvs. relateret til stordriftsfordele) på 15 anlæg. Når der tages
højde for udvidelsesplaner og varmemarked, vurderes det, at der kun er et
effektiviseringspotentiale på ca. halvdelen af de analyserede anlæg. Der er her taget
højde for forskellene mellem anlæggene, eksempelvis kapacitet, emissioner og
produktionen af enten kraftvarme eller varme.
De variable, der eksplicit er inddraget i DEA-analysen ses i tabellen nedenfor.
Endvidere er der undersøgt en række andre forhold i supplerende statistiske analyser
samt foretaget følsomhedsanalyser.
Tabel 0.1
Input og output i basis DEA-analysen
Variabel |
Enhed |
Samlede bruttoomkostninger |
Kr |
Partikelemissioner |
Kg |
SO2-emissioner |
Kg |
Ikke-genanvendt slaggemængde |
Ton |
Forbrændt mængde |
Ton |
Produceret mængde varme |
GJ |
Produceret mængde el |
MWh |
Note: Alle variable er årlige for 2000.
Analysen peger på, at det realiserbare effektiviseringspotentiale på
forbrændingsområdet er på 135-155 mio. kr. i år 2000, svarende til 8-10% af de samlede
omkostninger. Der er altså tale om et relativt lille potentiale. Imidlertid er en stor
del af potentialet koncentreret på få anlæg.
Mængderne til forbrænding har været stigende over en årrække, og på grund af en
bevidst politik om at sikre lige netop den nødvendige kapacitet kører stort set alle
forbrændingsanlæg på deres kapacitetsgrænse. Det har givetvis en betydning for
størrelsen af effektviseringspotentialet, da kapitalapparatet dermed udnyttes fuldt ud.
En del af potentialet vurderes at kunne realiseres på kort sigt, det vil sige inden
for 1-5 år, og en del på lang sigt, det vil sige 10-15 år. Endvidere er det
forskelligt, hvem der kan realisere potentialet: Anlæggene selv eller andre
interessenter, eksempelvis myndigheder. Hvis et anlæg f.eks. ønsker at udvide, så skal
udvidelsen godkendes af myndighederne.
Tabellen neden for viser fordelingen af potentialet i kategorierne tidshorisont og
aktør.
Tabel 0.2
Opdeling af effektiviseringspotentiale på forbrændingsområdet i Danmark, mio. kr. i
år 2000
Aktør
Tidshorisont |
Anlæg |
Ikke anlæg |
I alt |
Kort sigt |
120-130 |
- |
120-130 |
Lang sigt |
- |
15-25 |
15-25 |
I alt |
120-130 |
15-25 |
135-155 |
En stor del af det kortsigtede potentiale findes på anlæg med mange uplanlagte
driftsstop. Det skal bemærkes, at flere anlæg har opereret på kapacitetsgrænsen i
flere år. Med de igangværende udvidelser må antallet af uplanlagte driftsstop formodes
at falde i de kommende år givet konstante mængder affald til forbrænding.
For det langsigtede potentiale peger analysen på, at der er et skalapotentiale, som
kan realiseres, hvis en række af anlæggene modtager mere affald og formår at udnytte
stordriftsfordele (skalapotentiale). Potentialet relateret til stordriftsfordele kan
realiseres, hvis anlæggene kan reducere omkostningerne pr. ton ved at modtage mere
affald.
Det vurderes, at udviklingen i affaldsmængderne til forbrænding giver det nødvendige
grundlag for at udnytte stordriftsfordelene ved udvidelse af anlæggene fremfor
sammenlægning af anlæg. Der er allerede i dag planlagt en udvidelse af visse anlæg, og
de seneste analyser6 viser, at denne udvidelse
gør at kapaciteten er tilstrækkelig allerede fra 2004. Det identificerede potentiale
vurderes derfor at kunne realiseres med den nuværende struktur.
Det er ikke direkte undersøgt, hvor mange ressourcer, der skal til for at realisere
potentialerne. Men der er tale om et nettopotentiale i den forstand, at eventuelle
meromkostninger er indregnet, da potentialet er bestemt ud fra anlæg, der har tilsvarende
lavere omkostninger, men som allerede har foretaget en evt. driftsinvestering.
Bruttopotentialet kan altså være større end det potentiale, der er vist her.
Det skal endelig pointeres, at det viste potentiale undervurderer af det reelle
potentiale, da der ikke er taget højde for, at de "bedste" anlæg i analysen
muligvis kan blive bedre. Det er ikke muligt at vurdere størrelsesordenen af denne
undervurdering, men interviews med udvalgte af "de bedste" anlæg tyder på, at
også de er i gang med en løbende effektiviseringsproces, f.eks. ved indførelse af ny og
mindre mandskabskrævende teknologi.
Foruden det økonomiske potentiale viser analysen, at der er et miljømæssigt
"effektiviseringspotentiale". Anlæggene kan altså reducere deres udledninger
til luften samtidig med at de behandler samme mængde affald. For partikler ligger det
samlede potentiale i størrelsesorden 5-13 tons i 2000, hvilket svarer til en besparelse
på i gennemsnit 5-14 % af anlæggenes partikelemissioner. For SO2 ligger det
samlede potentiale i størrelsesorden 63-147 tons i 2000, hvilket svarer til en besparelse
på i gennemsnit 6-12 % af anlæggenes SO2 emissioner.
Effektiviseringspotentiale for deponeringsanlæg
I alt 32 af de 53 danske deponeringsanlæg, der modtager blandet affald, indgår i
undersøgelsen7. Hvert anlæg modtog i år 2000
mellem få tusinde og over 60.000 tons affald til endelig deponering, så ligesom på
forbrændingsområdet er der stor størrelsesmæssig spredning mellem anlæggene. På
andre områder er anlæggene også forskellige, primært i forhold til geografisk
placering og udformning, eksempelvis deponeringshøjde, membranforhold og
perkolatopsamlingsforhold. Endelig er der forskel på, hvilke affaldstyper anlæggene kan
modtage.
De variable, der eksplicit er inddraget i DEA-analysen, ses i tabellen nedenfor.
Endvidere er en række andre forhold undersøgt i de supplerende statistiske analyser.
Tabel 0.3
Input og output i basis DEA-analysen, deponering8
Variabel |
Enhed |
Samlede omkostninger, ekskl.
perkolatomkostninger og ekskl. gasomkostninger |
Kr |
Deponeret mængde (ekskl. ren jord) |
Ton |
Mellemdeponeret mængde (ekskl. ren jord) |
Ton |
Note: Alle variable er årlige for 2000.
Analysen peger på, at de danske deponeringsanlæg også ud fra en
effektivitetsvurdering adskiller sig meget fra hinanden. Der er identificeret et
effektiviseringspotentiale på 30 ud af de 32 analyserede anlæg. Men hvis der tages
højde for forskelle mellem anlæggene i relation til mængder, deponeringshøjde og
alder, udjævnes disse effektiviseringsforskelle betydeligt. Der er dog stadigvæk større
forskel på deponeringsanlæggene end på forbrændingsanlæggene ud fra en
effektiviseringssynsvinkel.
Analysen peger på, at det realiserbare effektiviseringspotentiale på
deponeringsområdet er på 55-90 mio. kr årligt, svarende til i gennemsnit 25-40% af de
totale omkostninger. Der er altså tale om et forholdsvis stort potentiale relativt set,
men dog mindre totalt set end på forbrændingsområdet.
En del af potentialet kan realiseres på kort og en del på lang sigt. Endvidere er det
forskelligt, hvem der kan realisere potentialet: Anlæggene selv eller andre
interessenter, eksempelvis myndigheder (f.eks. ved udvidelser). Tabellen neden for viser
fordelingen af potentialet i disse kategorier.
Tabel 0.4
Opdeling af effektiviseringspotentiale på deponeringsområdet i Danmark, mio. kr. i
år 2000
Aktør
Tidshorisont |
Anlæg |
Ikke anlæg |
I alt |
Kort sigt |
30-50 |
5-10 |
35-60 |
Lang sigt |
15-20 |
5-10 |
20-30 |
I alt |
45-70 |
10-20 |
55-90 |
Analysen peger på, at over halvdelen af det kortsigtede potentiale skyldes høje udgifter
til personale og eksterne tjenesteydelser. For det langsigtede potentiale peger analysen
på, at der er et mindre skalapotentiale, som kan realiseres, hvis en række af anlæggene
i fremtiden kan udnytte de identificerede stordriftsfordele. Dette kan eksempelvis ske
ved, at andre anlæg lukker, og at mængderne herfra tilføres de pågældende anlæg.
De samlede mængder til deponering forventes ikke at stige i de kommende år i Danmark.
Dog vil en række mindre fyldpladser og enkelte egentlige deponeringsanlæg lukke inden
for en årrække på grund af skærpede regler for deponering. Dette vil formentlig øge
mængden af affald til deponering på de analyserede deponeringsanlæg. Dette vurderes dog
ikke at være tilstrækkeligt til at kunne realisere det identificerede skalapotentiale,
hvorfor det kun kan realiseres ved en diskussion af antal og størrelse af
deponeringsanlæg i Danmark.
De faldende mængder til deponering som skyldes en aktiv affaldspolitik
har givetvis spillet en stor rolle for effektiviseringspotentialet på
deponeringsområdet. I deponeringsanlæggenes rammebetingelser er der ikke indlagt krav om
kapacitetstilpasning (ændring af åbningstid, sammenlægning, lukning af anlæg,
personalereduktion eller anden form for effektivisering) ved faldende mængder. I stedet
giver de faldende mængder en forlængelse af levetiden på de nuværende
deponeringsanlæg, hvilket selvfølgelig er positivt.
En væsentlig årsag til effektiviseringspotentialets størrelse er, at der på
deponeringsanlæggene er sket forskellige grader af kapacitetstilpasninger i takt med de
faldende mængder.
Det er ikke direkte undersøgt, hvor mange ressourcer, der skal til for at realisere
potentialerne. Men der er tale om et nettopotentiale i den forstand, at eventuelle
meromkostninger er indregnet, da potentialet er bestemt ud fra anlæg, der har tilsvarende
lavere omkostninger, men som allerede har afholdt en evt. driftsinvestering.
Bruttopotentialet kan altså være større end det potentiale der er vist her.
Modsat forbrændingsanalysen skønnes det ikke, at de bedste anlæg kan blive meget
bedre. Ved interviews med de effektive anlæg er det nemlig konstateret, at disse allerede
i en årrække har gennemgået en effektiviseringsproces. Deponeringsanlæg er mindre
teknisk tunge end forbrændingsanlæggene, og effektivisering på deponeringsanlæg er
derfor mindre knyttet til ny teknologi end på forbrændingsanlæg. Derfor skønnes der
ikke at være et betydeligt højere potentiale end det, der er identificeret her.
Ikke en samfundsøkonomisk analyse
Formålet med denne analyse har ikke været at udarbejde en samfundsøkonomisk analyse,
hvor alle fordele og ulemper for samfundet sammenvejes.
Generelt set skal samtlige relevante konsekvenser medtages i en samfundsøkonomisk
analyse af en given aktivitetsændring (det vil f.eks. sige lukning eller udvidelse af et
anlæg). Det betyder, at samtlige konsekvenser skal opgøres (i ton, km, mwh, timer, år
etc.), værdisættes i kr. og derefter sammenvejes.
Konsekvenser ved en ændring af strukturen på affaldsområdet kan bl.a. omfatte
ændringer i adgang til varmemarkedet, transportmønstre, udledningen af spildevand, lugt,
støj og restprodukter og risiko for grundvandsforurening.
Det er også vigtigt, at der ved anvendelse af resultaterne fra denne analyse tages
hensyn til andre relevante forhold omkring anlægget og dets ansatte, blandt andet
arbejdsmiljø og beskæftigelsessituation.
Endelig er der hele diskussionen om sektorens organisering, men dette hører hjemme i
en politisk diskussion.
1 |
Analysen omfatter ikke fyldpladser, specialdepoter og industrielle
deponeringsanlæg.
|
2 |
Heri er ikke medregnet ren jord og mellemdeponeret mængde.
|
3 |
Figuren indeholder mængder til forbrænding ekskl. slam og mængder til
mellemdeponering, deponering af ren jord og deponering ekskl. slagger, flyveaske mv. I
2000 udgjorde den deponerede mængde ren jord på registreringspligtige anlæg
62.000 tons.
|
4 |
Forbrændingsanlæg ekskl. slamforbrændingsanlæg, anlæg til
forbrænding af farligt affald og industrielle forbrændingsanlæg.
|
5 |
Alle anlæg skal inden udgangen af 2005 leve op til det nye EU
forbrændingsdirektiv.
|
6 |
Orientering nr. 11 fra Miljøstyrelsen: Affaldsforbrænding i 2004 og
2008. Mængder og kapacitet.
|
7 |
Analysen omfatter altså ikke fyldpladser, specialdepoter og industrielle
deponeringsanlæg.
|
8 |
Perkolat- og gasomkostningerne er fraregnet for at stille anlæggene lige
på disse områder. I modsætning til forbrændingsanalysen, hvor miljøeffekterne er
medtaget eksplicit, er der således tale om en ren økonomisk analyse på
deponeringsomårdet. Beregningsmetoden sikrer dog, at anlæg, der har omkostninger
forbundet med perkolatopsamling og gasindvinding, ikke straffes for dette. Miljøparametre
på deponeringsområdet er desuden vurderet i de supplerende analyser. |
This report is an analysis of the Danish incineration plants and landfills. The report
quantifies the potential for increasing the effectiveness of incineration plants and
landfills in Denmark. Moreover, it includes an assessment of the extent to which the
potential can be realised in the short and long term and by whom.
The results of the project have been obtained on the basis of extensive data collection
among incineration plants and landfills in Denmark. The collected data have been analysed
by using the benchmarking method DEA - Data Envelopment Analysis. This method identifies a
number of facilities as "the best" based on financial and environmental
criteria, and compares the remaining facilities with "the best". To analyse the
potentials further, a number of supplementary analyses have been carried out.
It should be noted that the analysis is not a socio-economic analysis, as a
socio-economic analysis would take all advantages and disadvantages into account. The
aspect increased transport distance is for instance not included in the analysis.
The 23 incineration plants included in the analysis incinerated more than 85% of the
total volumes suitable for incineration in the year 2000. Approx. 75% of the volumes
suitable for disposal9 were disposed at the 32
landfills included in the analysis.
The total gross costs in the year 2000 of the 23 incineration plants were 1.7 billion
DKK. The facilities incinerated approx. 2.5 million tonnes of waste. The corresponding
costs of the 32 landfills were 213 million DKK. In the year 2000, almost 600 thousand
tonnes10 of waste were disposed at these
landfills.
The figures reflect that incineration is a substantially larger area than landfill
disposal measured both in costs and volumes. Also from a technical point of view the two
areas are rather different, the incineration plants using a more complex technology than
the landfills.
Moreover, the volumes for incineration and the volumes for landfill disposal have
developed rather differently over the last decade. The volumes for incineration have
increased by 50% from 1994 to 2002, which corresponds to an annual increase of 7%. The
volumes for landfill disposal have, however, decreased by 25% over the same period,
corresponding to an annual decrease of 5%. This development influences the relative size
of the potential for increasing effectiveness.
Potential for increasing effectiveness at the incineration plants
The analysis shows that the Danish incineration plants do not differ very much from
each other. A technical potential for increasing effectiveness (related to the operation
of the facilities) has been identified at 7 facilities and a scale potential (related to
economies at scale) has been identified at 15 facilities. Taking extension plans and the
heating market into account, it is assessed that approx. half of the incineration plants
have a potential for increasing their effectiveness. This assessment takes into account
the differences of the facilities, i.e. capacity, air pollution and production of either
power or heat.
The analysis points to a potential for increasing effectiveness in the order of 135-155
million DKK in the year 2000 corresponding to 8%-10% of the total gross costs of the
incineration plants. Hence, the potential is relatively small, but a large proportion of
the potential is concentrated at few facilities.
The volumes for incineration have increased and due to a deliberate waste policy to
assure the exact capacity, almost all incineration plants are operated at their capacity
limit. This most likely affects (the size of) the potential for increasing effectiveness,
because the capital is fully exploited.
It is assessed that some of the potential can be realised in the short term, i.e.
within 1-5 years, some of the potential can be realised in the long term, which in this
respect means within 10-15 years. Moreover, different stakeholders influence the
realisation of the potential: The facilities themselves or other parties e.g. the
authorities. If a facility wishes to extend its capacity, the extension needs approval by
the authorities.
The table shows the financial potential of the incineration plants.
Tabel 0.1
Distribution of the potential for increasing effectiveness on the Danish
incineration plants, million DKK in the year 2000
Time horizon |
Incineration plant |
Others |
Total |
Short term |
120-130 |
- |
120-130 |
Long term |
- |
15-25 |
15-25 |
Total |
120-130 |
15-25 |
135-155 |
A large proportion of the potential is found at incineration plants with many unplanned
production stops. It should be noticed that several facilities have been operating at
their capacity limit for several years. With the ongoing extensions of some facilities,
the number of unplanned production stops should decrease in the coming years given
constant volumes for incineration.
It should be noticed that the potential for increasing effectiveness may underestimate
the real potential, because the fact that "the best" facilities may improve is
not taken into account. It is impossible to assess the potential underestimation, but
interviews with some of "the best" facilities indicate that these facilities are
also in a process of increasing effectiveness, e.g. by introducing new and less man power
demanding technology.
Besides the financial potential, the analysis reveals a potential for improving
environmental effectiveness. According to the analysis, the incineration plants should be
able to reduce their air emissions at the same time as they incinerate the same waste
volumes as today. For particles, the average reduction potential is around 5-13 tonnes in
the year 2000, which on average corresponds to a decrease of 5%-14% of the total particle
emissions. For SO2, the total reduction potential is around 63-147 tonnes,
which on average corresponds to a decrease of 6%-12% of the total SO2
emissions.
Potential for increasing effectiveness at the landfills
The analysis shows that the Danish landfills differ widely from each other
efficiency-wise. A potential for increasing effectiveness was identified at 30 of the 32
landfills included in the analysis. However, if account is taken of economies of scale,
disposal heights and age, the differences are to some extent reduced. There are,
nevertheless, larger differences among the landfills than among the incineration plants.
The analysis points to a potential for increasing effectiveness of 55-90 million DKK in
the year 2000 corresponding to 25%-40% of the total gross costs of the landfills. Hence,
the potential is relatively large, though less in total than the potential at the
incineration plants.
The table shows the financial potential of the landfills.
Tabel 0.2
Distribution of the potential for increasing effectiveness on the Danish
landfills, million DKK in the year 2000
Time horizon |
Landfill |
Others |
Total |
Short term |
30-50 |
5-10 |
35-60 |
Long term |
15-20 |
5-10 |
20-30 |
Total |
45-70 |
10-20 |
55-90 |
The analysis indicates that more than half of the short term potential is due to high
costs of personnel and external services. Regarding the long term potential, the analysis
indicates that there is a small potential relating to the size of the landfills, which can
be effectuated if a number of the landfills exploit the identified economies of scale.
This may be effectuated by closing down other landfills so that the volumes from these
landfills can be disposed at the former.
The decrease in waste volumes for disposal due to an active waste policy
has most likely played a major role in the potential for increasing effectiveness of the
landfills, because the landfills have adjusted their capacity.
Contrary to the analysis of the incineration plants, it is assessed that "the
best" landfills cannot improve. In interviews with "the best" landfills it
is noted that these landfills have already been through an effectiveness process. The
landfills' technology is less complicated than that of the incineration plants and
increasing effectiveness of the landfills is therefore less connected to new technology.
It is therefore assessed that there is no further potential than the potential identified
here.
9 |
The analysis does not cover dump sites, special landfill sites and
industrial landfills.
|
10 |
This figure does not include earth and volumes for temporary disposal. |
Miljøstyrelsen har vurderet, at der var behov for en nærmere analyse af
effektiviseringspotentialet på forbrændings- og deponeringsområdet.
Den direkte anledning er, at Finansministeriets "Miljøvurdering af
finanslovsforslaget for 2000" indeholder et kapitel om "Affaldshåndtering
miljø og økonomi". Her konkluderer Finansministeriet, at forskellene i
behandlingsgebyrer bl.a. kan tilskrives forskelle i effektivitet i selskaberne.
På grund af affaldsområdets kompleksitet har Miljøstyrelsen imidlertid også
vurderet, at det var nødvendigt at gennemføre et forprojekt, der skulle:
 | Afdække økonomiske, tekniske, juridiske og organisatoriske problemstillinger, der
knyttede sig til opgaven med at afdække effektiviseringspotentialet på områderne. |
 | Komme med anbefalinger, der kunne danne grundlag for opgave og metodebeskrivelse for det
egentlige effektiviseringsprojekt. |
Forprojektet er udarbejdet af Reno-Sam og afrapporteret i år 2000:
"Forundersøgelse af effektiviseringspotentialet på forbrændings- og
deponeringsområdet". Det danner grundlag for dette projekt.
Formålet med projektet er at undersøge effektiviseringspotentialet inden for
forbrændings- og deponeringsområdet. Det er undersøgt:
 | om der er et effektiviseringspotentiale, |
 | hvor stort effektiviseringspotentialet i givet fald er, |
 | hvilke væsentlige årsager der kan forklare et sådant effektiviseringspotentiale, |
 | i hvilken grad det er muligt at realisere et sådant effektiviseringspotentiale. |
Projektet har haft en følgegruppe med følgende deltagere:
 | Affaldsteknisk Samarbejde |
 | Danske Energiselskabers Forening, Elsam |
 | Dansk Industri |
 | Energistyrelsen |
 | Finansministeriet |
 | Kommunernes Landsforening |
 | Konkurrencestyrelsen |
 | Københavns Kommune |
 | Miljøstyrelsen |
 | Reno-Sam |
Følgegruppen har kommenteret og taget stilling til analyserne og rapporten.
Der har også været en arbejdsgruppe knyttet til projektet med repræsentanter for
udvalgte anlæg. Arbejdsgruppen har gennemgået spørgeskemaet og har været anvendt som
sparringspartner ved diskussion af resultaterne.
Projektet er gennemført af COWI.
Rapporten indledes i kapitel 2 med en kort beskrivelse af projektets forløb. Der
redegøres for, hvordan data er blevet indsamlet, ligesom præmisserne for analysen og
formidlingen diskuteres.
I kapitel 3 beskrives den overordnede tilgang og metode, der er anvendt til at
analysere og identificere effektiviseringspotentialet.
I kapitel 4 og 5 redegøres for resultaterne af henholdsvis forbrændings- og
deponeringsanalysen. Hvert af de respektive kapitler indledes med et resumé af
resultaterne og en kort beskrivelse af datagrundlaget, herunder resultatet af
dataindsamlingen. Herefter følger en beskrivelse af effektiviseringspotentialet.
Endelig indeholder rapporten en række bilag. Bilag 1 indeholder en teknisk beskrivelse
af DEA metoden. Bilag 2-8 indeholder resultaterne af de kvalificerende DEA-analyser og
statistiske analyser på forbrændingsområdet, mens bilag 9-17 indeholder resultaterne af
de kvalificerende DEA-analyser og statistiske analyser på deponeringsområdet.
Visse steder i teksten er der placeret grå bokse. De indeholder enten eksempler på
den anvendte metode, uddybende bemærkninger eller citater fra udvalgte anlæg.
Projektet omhandler situationen på forbrændings- og deponeringsområdet i år 2000.
Alle data stammer fra år 2000.
Hvis der har været specielle forhold for år 2000 i forhold til tidligere år, er der
taget højde for dette i analysen. Anlæggene har nemlig haft mulighed for at angive andre
økonomital for året eller bemærke, hvis der har været specielle forhold i år 2000,
eksempelvis indkøring af en ny ovn på et forbrændingsanlæg.
Derfor vurderes det, at resultaterne giver et udmærket generelt billede af forholdene
på anlæggene.
Projektet er gennemført i følgende aktiviteter:
- Definition af spørgeskema
- Indsamling af data, opfølgning og validering
- Analyse
- Formidling
Disse aktiviteter beskrives kortfattet i det følgende.
Definition af spørgeskema
Forud for definition og opbygningen af spørgeskemaet blev de nødvendige data og
informationer identificeret. Identifikationen blev foretaget på baggrund af
forundersøgelsens resultater og anbefalinger, og følgegruppen blev konsulteret.
Dataidentifikationsprocessen foregik i dialog med Reno-Sam, der i et par år har
arbejdet med nøgletals- og proces-benchmarking af affaldsbehandlingen i Danmark. Dialogen
med Reno-Sam havde specielt indflydelse på udformningen af spørgeskemaet omkring de
økonomiske forhold, idet et spørgeskema udarbejdet af Reno-Sam om økonomiske forhold i
tilpasset form dannede udgangspunktet for spørgeskemaet om økonomi. Dette lettede
besvarelsen for anlæg, der deltager i Reno-Sams projekt.
Det generelle spørgeskema blev diskuteret med følgegruppen og arbejdsgruppen for at
sikre, at der blev spurgt til de produktionsvariable og forhold i øvrigt, der er
afgørende for anlæggenes effektivitet.
Indsamling af data, opfølgning og validering
Anden fase af projektet bestod i at indsamle og validere de data, der er anvendt i
projektet. Dataindsamlingen blev gennemført fra juni til og med oktober måned 2001.
Helt fra starten af projektet var det højt prioriteret at sikre så god en kvalitet af
data som muligt.
Efter modtagelsen af besvarelserne blev de derfor kontrolleret og kvalitetssikret.
Kontrollen omfattede en vurdering af konsistensen og sammenligneligheden af data. Dette
gav anledning til, at en del problemområder blev identificeret. Som følge heraf er der
fulgt op på besvarelser for en lang række anlæg. Anlæggene blev således kontaktet,
hvis de oplyste størrelser så forkerte ud, eller hvis nogle centrale oplysninger
manglede.
Især har økonomi-oplysningerne været i fokus ved opfølgningen til anlæggene. Det
skal dog bemærkes, at en stor del af anlæggene deltager i Reno-Sams
benchmarking-projekt. Disse anlægs besvarelser af økonomi-spørgsmålene må derfor
formodes at være af høj kvalitet og konsistente.
Oplysningerne er herefter justeret og/eller suppleret. I enkelte tilfælde har COWI
måttet anlægge skøn ud fra anlæggenes oplysninger og regnskaber.
Åbenhed og validitet
For at højne kvaliteten af data og for at sikre fuld åbenhed og klarhed om de
oplysninger, der benyttes i analysen, blev der efter valideringen og justering sendt et
brev ud til hvert enkelt anlæg. I brevet var en række af de mest centrale
mængdemæssige og økonomiske størrelser angivet.
Proceduren gjorde det muligt for anlæggene at kontakte COWI, hvis de var uenige i de
anvendte størrelser.
Anonymitet
Det skal understreges, at anlæggenes svar er behandlet anonymt, og at det derfor ikke
er muligt at identificere enkelte anlæg i resultaterne.
Analyse
Efter indsamling og validering af data fulgte selve analysefasen. Analysemetoden er
nærmere beskrevet i afsnit 3.
Formidling
Et vigtigt led i projektet har været at inddrage relevante parter i en dialog om
projektet. Affaldsbranchens interesseorganisationer, overordnede myndigheder og andre
umiddelbare interessenter er repræsenteret i følgegruppen. Der har endvidere været
nedsat en arbejdsgruppe med repræsentanter for udvalgte anlæg til diskussion af faglige
problemstillinger og diskussion af projektets formål og relevante aspekter fra
anlæggenes synspunkt.
Projektet er endvidere præsenteret for Reno-Sams direktørkreds, på et møde om
Reno-Sams Benchmarkingprojekt (med en bred kreds af anlæg) og i Elsam-regi. Der har
desuden været afholdt et foredrag i forbindelse med SAFs årsmøde
(Sammenslutningen af affaldsforbrændingsteknikere).
Som afslutning på projektet har resultaterne været fremlagt og diskuteret på et
møde, hvortil repræsentanter fra alle deltagende anlæg var inviteret.
I dette afsnit skitseres den metode, der er anvendt til at identificere
effektiviseringspotentialet på forbrændings- og deponeringsområdet.
Anvendelsen af benchmarking inden for såvel den private som den offentlige
sektor bliver stadig mere udbredt. Benchmarking er defineret som systematiske
resultatsammenligninger og erfaringsudveksling baseret på målinger for at lære af de
bedste på et område med henblik på selv at blive bedre.
Benchmarking kan udføres ved hjælp af forskellige værktøjer, men i dette konkrete
projekt er der anvendt en kombination af følgende metoder:
 | DEA-metoden (Data Envelopment Analysis) |
 | Statistiske analyser suppleret med kvalitative sammenligninger og vurderinger |
Metoderne er de mest korrekte at anvende til en sådan sammenligning af anlæg, og de
er også anbefalet i forprojektet.
Elementerne i analysen beskrives i det følgende. Dernæst beskrives en række
elementer, der betyder noget for anlæggenes effektivitet.
DEA er en økonomisk metode til produktivitets- og effektivitetsvurderinger. Det
grundlæggende rationale bag DEA-metoden er relativ præstationssammenligning af
homogene enheder. Med homogene enheder menes enheder, der på et overordnet plan
producerer de samme typer af ydelser med de samme input. Det betyder derimod ikke noget,
om enhederne har forskellig størrelse.
Således er DEA en produktivitets- og effektivitets-analysemetode, der kan undersøge
enheders effektivitet i forhold til de bedste enheder inden for samme sektor.
Sprogbrug i rapporten
De "bedste enheder" kaldes i DEA-terminologi for efficiente
enheder.
Denne sprogbrug er anvendt igennem hele rapporten. |
De efficiente er de anlæg, der er mest effektive i relation til variablene i
analysen. Disse anlæg har en score på 1, og effektiviseringspotentialet for disse
efficiente anlæg er 0.
Alle andre anlæg sammenlignes med de efficiente anlæg. Anlæggenes præstationer
vurderes altså ikke i forhold til en på forhånd fastsat norm for, hvor god
præstationen bør være. Der anlægges heller ikke nogen vægtning af omkostninger i
forhold til miljø. Da de bedste muligvis også kan blive bedre, betyder dette, at
effektiviseringspotentialet måske undervurderes.
Begrebet effektivitet vedrører evnen til at konvertere de anvendte ressourcer (input)
til den største effekt målt som flest mulige varer eller ydelser (outputs). Jo mindre
input for et givent output, jo mere effektiv er et anlæg11.
For en mere uddybende beskrivelse af DEA henvises til Bilag 1. I forprojektet findes
endvidere en mere teknisk beskrivelse af DEA-metoden.
Eksempel på baggrunden for DEA-metoden
Betragt 3 forbrændingsanlæg: Anlæg A, B og C. Alle anlæg brænder
10.000 tons affald per år. Antag nu, at den væsentligste emission er partikler.
Anlæggene har investeret forskelligt i røggasrensning, og har derfor forskellige
emissioner af partikler og omkostninger per ton:
Anlæg |
Partikler, g/ton |
Omkostninger, kr/ton |
A
B
C |
20
40
80 |
1000
800
600 |
Det er umiddelbart ikke muligt at vurdere, hvilket anlæg der samlet
set er "bedst". En sammenligning afhænger nemlig af, hvor stor vægt man
lægger på partikelemissioner og økonomi.
Hvis man lægger mest vægt på omkostningerne, vil man udpege anlæg
C som det bedste. Hvis man omvendt lægger mest vægt på emissionerne, vil man udpege
anlæg A som det bedste.
DEA-analysen er netop designet til at overkomme disse vanskeligheder.
For en yderligere beskrivelse henvises til bilag om DEA-analysen. |
En af styrkerne ved DEA-metoden er, at den kan håndtere, at enheder producerer flere
forskellige typer af output og anvender flere forskellige typer af input. Dette udnyttes i
analyserne, hvor både økonomi og miljø inddrages som selvstændige parametre. Anlæg
får på denne måde både mulighed for at klare sig godt på økonomiske og
miljømæssige karakteristika.
Som allerede nævnt baserer DEA-metoden sig på at sammenligne den relative præstation
af homogene enheder, dvs. enheder, der bruger den samme type af ressourcer (input)
til at producere de samme typer af ydelser (output). Data for deponering og forbrænding
er derfor gjort homogene, således at aktiviteter og omkostninger er kategoriseret på
samme måde for alle anlæg, der indgår i analysen. I afsnit 3.6 er anlæggenes
homogenitet i øvrigt diskuteret.
Et helt centralt element i en DEA-analyse er valget af variable.
Man skal udvise stor varsomhed, når man vælger variable til en DEA-analyse.
Overvejelserne er på ingen måde de samme, som man gør sig i sædvanlige statistiske
analyser. Her drejer det sig typisk om at inddrage så mange variable som muligt for at
opnå, at analysen på den bedst mulige måde beskriver virkeligheden. Det er ikke det
grundlæggende kriterium i DEA-analysen.
Variablene i DEA-analysen skal for det første direkte være ressourcer (input) og
ydelser eller produkter (output). Det er således ikke muligt, som i en statistisk analyse
at medtage dummyvariable12 for eksempelvis
forskellig typer af røggasrensning eller at medtage variable som deponeringshøjde, der
ikke er en egentlig ressource eller output.
For det andet er det centralt, at det er entydigt om mere eller mindre af en variabel
er godt, da en rangordning af anlæggene i forhold til denne variabel ellers ikke giver
mening.
For det tredje er det vigtigt at forstå tankegangen bag DEA-analysen, når variablene
skal vælges. Tager man en ekstra variabel med, betyder det, at man giver anlæggene
"en chance til" for at være efficiente på den variabel. Et godt argument for
at tage en variabel med er for eksempel, hvis der er stor forskel på anlæggenes
omkostninger i forbindelse med denne variabel. Hvis variablen tages med, udjævnes disse
forskelle i og med, at de anlæg, der er belastede, får mulighed for at være efficiente
på den pågældende variabel.
Den logiske følge heraf er, at hvis man tager for mange variable med i analysen, er
der stor sandsynlighed for, at samtlige anlæg bliver efficiente. Man skal derfor være
varsom med at tage ekstra variable med i analysen. Variable skal kun med, hvis de
udtrykker en ressourcebelastning for samfundet eller udgør en ønskværdig ydelse, og
hvis man mener, at det er acceptabelt, at anlæggene kan være efficiente, hvis de klarer
sig godt på variablen.
En tommelfingerregel siger, at analysen bliver mest retvisende, hvis antallet af input
plus output variable ikke overstiger en tredjedel af antallet af observationer/anlæg.
Skal de totale omkostninger eller både
driftsomkostninger og anlægsomkostninger indgå i DEA-analysen for forbrændingsanlæg?
Umiddelbart lyder det besnærende at inkludere driftsomkostninger og
anlægsomkostninger (afskrivning og forrentning) hver for sig i DEA-analysen. Der er jo en
opsplitning til rådighed i datamaterialet, og hvorfor så ikke bruge den?
Hvis begge typer af omkostninger inkluderes, så har det imidlertid
nogle uheldige effekter:
 | Anlægget med de relativt laveste anlægsomkostninger (anlæg A)
bliver efficient, selv om anlæggets samlede omkostninger kan være meget høje. Og
omvendt:
|
 | Anlægget med de relativt laveste driftsomkostninger (anlæg B)
bliver efficient, selv om det kan have meget høje samlede omkostninger.
|
Samtidig vil dette ændre scorerne for alle de andre anlæg. De, der
har relativt lave anlægsomkostninger vil blive sammenlignet med anlæg A, og de, der har
relativt lave driftsomkostninger vil blive sammenlignet med anlæg B.
Da der ydermere er en række substitutionsmuligheder mellem drift- og
anlægsomkostninger, bliver effektiviseringspotentialet ikke retvisende. På denne
baggrund er det valgt at anvende de samlede omkostninger i DEA-analysen for
forbrændingsanlæggene. |
DEA-analysen resulterer i en score mellem 0 og 1 for hver anlæg. Scoren udtrykker,
hvor effektivt anlægget er i sammenligning med de efficiente anlæg i analysen. En score
på 1 udtrykker, at anlægget er blandt de efficiente anlæg. En score på mindre end 1
udtrykker, at anlægget kunne producere det samme output med mindre input altså
blive mere effektivt.
Scorens størrelse udtrykker, hvor meget anlægget burde kunne reducere sin mængde
input med og samtidig producere det samme output. En score på 0,80 udtrykker således, at
anlægget burde kunne reducere input (f.eks. omkostninger) med 20% - altså er der et
totalt effektiviseringspotentiale på 20% af anlæggets totale omkostninger og
miljøparametre.
Beregning af effektiviseringspotentiale på basis
af DEA-scorerne
Effektiviseringspotentialet beregnes direkte på basis af DEA-scorerne
og input, eksempelvis omkostninger. Nedenfor er der vist et eksempel herpå.
|
DEA-Score |
Omkostninger, mio kr |
Effektiviserings-
potentiale, mio kr |
% |
Anlæg I
Anlæg II
Anlæg III |
1
0,8
0,9 |
1,2
2,0
1,0 |
0,0
0,4
0,1 |
0%
20%
10% |
I alt |
- |
4,2 |
0,5 |
12% |
Det vægtede effektiviseringspotentiale bliver altså på 12% af de
4,2 mio kr. |
I DEA-analysen kan man have forskellige forudgående antagelser om eksistensen af
stordriftsfordele. I nogle sektorer er der store stordriftsfordele, mens der i andre
sektorer ikke er nogen nævneværdige stordriftsfordele. Begge muligheder er undersøgt
for deponeringsanlæg og forbrændingsanlæg.
Scoren, der udtrykker effektiviseringspotentialet uden, at der er taget hensyn til
eventuelle stordriftsfordele eller -ulemper, kaldes CRS13.
Scoren, hvor realisering af stordriftsfordele eller -ulemper er medregnet kaldes for
VRS14. Det er disse to scorer, der
præsenteres og fortolkes i resultatafsnittet15.
Den grundlæggende og intuitive hypotese med hensyn til stordriftsfordele eller
ulemper i denne analyse er, at der både på forbrændings- og deponeringsområdet
eksisterer stordriftsfordele, mens det er vanskeligt at argumentere for stordriftsulemper16.
Sammenligner man VRS og CRS scorerne kan det direkte aflæses, hvor store
stordriftsfordelene er identificeret til at være for det enkelte anlæg.
Forskellige typer af potentiale
Det potentiale, der kan tilskrives stordriftsfordele kaldes i
rapporten også for skalapotentiale. Dette potentiale har altså at gøre med
størrelsen af anlæggene. Den anden type af potentiale kaldes i rapporten for teknisk
potentiale. Dette potentiale stammer fra selve driften af anlæggene. |
Hvis der eksisterer stordriftsfordele, vil et anlæg kunne opnå en højere
effektivitetsscore ved at være større, dvs. modtage mere affald. Den simple fortolkning
af stordriftsfordele er således, at et anlæg af beskeden størrelse potentielt vil kunne
deponere affald til en lavere omkostning per ton affald ved at være større. I DEA
terminologien siger man, at anlægget producerer på for lille skala, og at der som
følge heraf eksisterer et skalapotentiale.
Anlæggene bestemmer dog ikke selv deres affaldsmængde. Faktisk er det en
bagvedliggende målsætning for anlæggene at søge at minimere mængden så meget som
muligt. Stordriftsfordelene kan derfor kun udnyttes ved en strukturændring.
Eksempel på fortolkning af de to slags DEA-scorer
Nedenfor ses eksempler på DEA-scorer for anlæg og deres fortolkning.
Anlæg |
Score uden
stordriftsfordele |
Score med
stordriftsfordele |
A
B
C |
1,00
0,80
0,60 |
1,00
1,00
0,85 |
Samtlige tre anlæg har forskellige kombinationer af de to scorer, som
hver især giver forskellig fortolkning.
Anlæg A har 1-taller i begge søjler og er derfor efficient med og
uden hensyntagen til stordriftsfordele.
Anlæg B har et 1-tal, hvis der tages hensyn til stordriftsfordele.
Dette betyder, at hvis anlægget modtog mere affald og var i stand til at udnytte de
fordele, der er forbundet med at være større, da ville anlægget blive efficient.
Anlæg C kan også drage fordele af at blive større. Men selv hvis
anlægget blive større og formår og udnytte stordriftsfordelene vil anlægget alt andet
lige fortsat være inefficient i sammenligning med de øvrige anlæg. Med hensyntagen til
stordriftsfordele er C's score 0,85, hvilket betyder at anlæg C stadigvæk bør kunne
reducere sine input med 15% (15%=1-0,85). Disse sidste 15 % kaldes så det tekniske
potentiale. |
Det er vigtigt at bemærke, at DEA-analysen udelukkende identificerer et
effektiviseringspotentiale ved sammenligning af anlæggene. Analysen forholder sig ikke
til, om der også er et effektiviseringspotentiale for de efficiente anlæg. Hvis det er
tilfældet vil potentialet for de ikke-efficiente anlæg også være større end det
identificerede potentiale.
DEA-analysen undervurderer derfor det reelle bruttopotentiale.
Et allerede effektivt anlæg har plan for
effektivisering
Et af de forbrændingsanlæg, der kommer ud som efficient i analysen,
har over for COWI tilkendegivet, at de seneste års benchmarking-diskussion har givet
anledning til effektiviseringsdrøftelser på anlægget.
Anlægget har derfor netop udarbejdet en effektiviseringsplan for de
næste 2-3 år, hvor målet er at effektivisere, blandt andet igennem øget
automatisering. |
Visse af de indsamlede data er utvivlsomt behæftet med usikkerhed. Det er derfor
essentielt at undersøge, hvor følsomme DEA-resultaterne er overfor ændringer i de
anvendte dataelementer. Derfor er der gennemført en række robusthedsanalyser.
Manglen på automatisk mulighed for usikkerhedsanalyser er et af de punkter, der
traditionelt fremhæves som en svaghed ved DEA-analysen. Også derfor er det nødvendigt
at være ekstra opmærksom herpå i dette projekt.
I resultatafsnittene præsenteres resultaterne af sådan en robustheds-undersøgelse,
hvor de præsenterede analyser for forbrændingsanlæg og deponeringsanlæg er taget som
udgangspunkt17. Nedenfor diskuteres, hvor den
største usikkerhed optræder.
Analyserne er koncentreret om tre forskellige typer af data:
 | Mængder (affald, el og varme) |
 | Omkostninger |
 | Miljø-parametre |
Disse tre typer af data-elementer er behæftet med forskellige former for og størrelse
af usikkerhed.
Generelt vurderes mængderne ikke at være behæftet med betydelig usikkerhed, og disse
er derfor ikke medtaget i robusthedsanalysen. Anderledes forholder det sig med de to
øvrige typer af data.
Omkostninger
Omkostningerne kan være forbundet med en form for usikkerhed, der i litteraturen
kaldes metodeusikkerhed. Der er usikkerhed forbundet med den metode, hvormed man opgør
den undersøgte størrelse.
Eksempelvis er der metodeusikkerhed forbundet med opgørelse af afskrivning og
forrentning: Hvilken metode skal anvendes? Hvilke levetider skal anvendes?
En stor del af anlæggene har været igennem øvelsen med at fastlægge et
anlægskatalog og afskrive hver enkelt komponent. Anlæggene i Reno-Sams projekt har efter
alt at dømme anvendt nogenlunde fælles retningslinier, mens øvrige anlæg for eksempel
kan have anvendt andre levetider. Det vigtige er her ikke, at de samme levetider anvendes,
men at der anvendes nogle levetider, der afspejler anlæggenes økonomiske levetid så
godt som muligt.
Et andet usikkerhedsmoment opstår, når omkostningerne skal fordeles mellem
forskellige aktiviteter. Problematikken er relevant i relation til fordeling af alle typer
af omkostninger. Visse typer (kaldes typisk de direkte henførbare omkostninger), kan
direkte henføres til de undersøgte aktiviteter, forbrænding og deponering. Andre
omkostninger kan ikke det kan eksempelvis være ansatte, der arbejder både på
deponeringsanlægget og genbrugsstationen, de ansatte i en fælles administration,
omkostninger til anlæg og drift af administrationsbygningen etc. Disse omkostninger
(kaldes de indirekte henførbare omkostninger) fordeles ud på de fælles aktiviteter på
basis af skøn eller fastlagte fordelingsnøgler. Fordelingsnøglerne kan eksempelvis
være baseret på timeregistrering hos de ansatte. Afhængig af den valgte
fordelingnøgle, kan fordelingen af de sidstnævnte omkostninger naturligvis variere
meget.
Emissioner
Emissionsopgørelserne på anlæggene bliver enten baseret på kontinuerte målinger
eller på et mindre antal stikprøver i løbet af året. I nogle tilfælde er der kun tale
om to målinger. På anlæg, der kun tager stikprøver, kan opgørelserne være temmeligt
usikre. Ligger én af stikprøverne i den høje ende, kommer anlægget ud med et relativt
højt resultat. Denne form for usikkerhed kaldes for måleusikkerhed.
Robusthedsanalyser
For både forbrænding og deponering er usikkerheden på omkostningerne og
miljøparametrene vurderet, og der er efterfølgende gennemført robusthedsberegninger på
hvert af de to områder.
Det er imidlertid ikke nødvendigvis sikkert, at hele det identificerede
bruttopotentiale kan realiseres. For at undersøge det aspekt, er der efterfølgende
gennemført en række statistiske analyser på DEA-scorerne.
Princippet bag den statistisk analyse er, at DEA-scorerne forsøges forklaret ud fra
anlæggenes forskellige karakteristika. På denne måde kan forskellene i scorer forklares
og potentialet kvalificeres. De statistiske analyser er suppleret med en kvalitativ
vurdering.
Metode for statistiske analyser
De statistiske analyser er foretaget ved først at undersøge, om der er variable i
datamaterialet, der varierer sammen. Dernæst er der gennemført en statistisk analyse,
hvor data systematisk er gennemgået for at identificere signifikante sammenhænge mellem
DEA-scorerne og de karakteristika, der er specifikke for hvert anlæg.
Anvendelse af statistiske analyser på DEA-scorer
Umiddelbart virker det naturligt at gennemføre statistiske analyser
på DEA-scorer for at undersøge, hvilke variable der kan forklare scorerne. På denne
måde kan det totale effektiviseringspotentiale, der er identificeret ved DEA-scorerne,
opdeles i forskellige grupper afhængig af deres natur.
Det er imidlertid teoretisk set ikke uproblematisk at foretage denne
øvelse. En statistisk analyse har således som grundlæggende antagelse, at de indgående
variable, der forklares, skal være uafhængige. Det er DEA-scorerne i høj grad ikke.
Dette har betydning, når det skal vurderes om en variabel har
betydning for scoren eller ej, hvor de sædvanlige signifikans-kriterier ikke kan
benyttes. I stedet for en almindelig statistisk analyse foreslås det i litteraturen* at
anvende de såkaldte bootstrap-teknikker for at overkomme disse vanskeligheder. Disse
teknikker fordrer dog en langt større mængde af observationer end det, der her er til
rådighed.
Derfor har vi valgt i stedet at være meget forsigtige med at udelukke
variable, der ligger på grænsen af at være signifikante i den statistiske analyse og at
fortolke resultaterne forsigtigt. På denne måde imødegås vanskelighederne ved
afhængigheden i DEA-scorerne på bedst mulig måde.
* Overcoming the Inherent Dependency of DEA efficiency scores: A
bootstrap Approach, Mei Xue & Patrick T. Harker, Wharton Financial Institutions
Center, Pennsylvania, USA. |
Det er dog vigtigt at understrege, at en sådan analyse har sine begrænsninger.
Systematiske sammenhænge kan kun afdækkes ved hjælp af en statistisk analyse, hvis
der både er en vis variation i scorerne og i anlæggenes karakteristika. Og hvis disse
variationer er systematiske, så scorerne eksempelvis generelt er lavere eller højere for
en vis type røggasrensning.
Endvidere er det vigtigt at understrege, at effekterne fra den statistiske analyse godt
kan dække over andre forhold end de identificerede. Tag for eksempel en effekt som alder,
som optræder for deponeringsanlæg. Denne effekt kan skyldes, at ældre anlæg er
afskrevet i højere grad end yngre anlæg. Men den kan også skyldes, som nævnt senere i
rapporten, at det er blevet relativt dyrere at anlægge deponeringsanlæg, blandt andet
på grund af skærpede krav til membran. Et andet eksempel er driftsstop for
forbrændingsanlæg. Her kan det være, at hele årsagen til den identificerede mindre
effektivitet skyldes de mange driftsstop, men det kan ligevel være en kombination af
disse og for eksempel generel mindre effektivitet hos anlæg med mange driftsstop. Der er
dog ikke i det omfattende spørgeskema indsamlet information, der kunne give en bedre
forklaring af dette potentiale end variablen driftsstop. Dette aspekt er vigtigt at holde
sig for øje ved anvendelse af resultaterne.
Det er tillige ikke altid, at de statistiske analyser kan give tilstrækkelig med
information. De er derfor suppleret med en kvalitativ vurdering.
Metode for kvalitativ vurdering
Udgangspunktet for den kvalitative vurdering er resultaterne fra DEA-analysen og et
overblik over karakteristika ved de enkelte anlæg. Dette overblik er skabt på baggrund
af anlæggenes svar, en helhedsvurdering af anlæggenes situation og ved COWIs kendskab
til de enkelte anlæg.
Forskellige former for potentiale
Potentialet kan via den statistiske analyse kombineret med den kvalitative
analyse således opdeles i flere forskellige komponenter. Ud fra et
effektiviseringssynspunkt er det meget relevant at skelne mellem dimensionerne
tidshorisont og aktør:
 | Potentiale på kort sigt (1-5 år), på lang sigt (10-1518
år) og potentiale, der kun vanskeligt eller slet ikke kan realiseres |
 | Potentiale, der kun afhænger af anlæggenes/selskabernes egne beslutninger, og
potentiale, der i højere grad bestemmes udefra givne forhold som eksempelvis
myndighedsregulering eller anlæggenes fysiske placering |
Kortsigtspotentialet, der er omfattet af selskabets egne beslutninger bør
umiddelbart kunne realiseres. En effektivisering kræver dog altid, at de rette
incitamenter er til stede. Hvis kortsigtspotentialet ikke allerede er udnyttet, tyder det
på, at disse incitamenter ikke har været til stede i så høj grad, som det var
hensigtsmæssigt ud fra et effektiviseringssynspunkt.
Langsigtspotentialet, der er omfattet af selskabets egne beslutninger,
bør også kunne realiseres om end naturligvis på længere sigt. Denne type af potentiale
omfatter også potentiale, der kan realiseres eksempelvis med øget samarbejde mellem
selskaberne, mere helhedsorienteret planlægning etc. Før det konkluderes, at hele
langsigtspotentialet kan realiseres, er det vigtigt at foretage en samfundsøkonomisk
analyse af, om det overordnet set kan betale sig. Et vigtigt element i en sådan analyse
vil være transportomkostninger for begge typer af anlæg og adgang til varmemarkedet for
forbrændingsanlæg. Det sidstnævnte aspekt er diskuteret nærmere i resultatkapitlet for
forbrændingsanlæg.
Potentiale der kun vanskeligt eller slet ikke kan realiseres kan også
identificeres ud fra den statistiske analyse. Dette potentiale skyldes forhold som
anlæggene eller myndighederne ikke, eller kun i meget begrænset omfang, har indflydelse
på. Eksempelvis et anlægs alder eller fysiske placering.
Realiseringen af potentialet, der er omfattet af udefra givne forhold,
er vanskeligere at vurdere end de øvrige former for potentiale. I sagens natur
afhænger det af viljen til forandring, men andre og bredere samfundsøkonomiske aspekter
kan spille en rolle her.
I flere tilfælde er der endvidere tale om et potentiale, der slet ikke vil kunne
realiseres.
Specielt for den form for effektivisering, som selskaberne selv er herre over,
realiseres potentialet lettest, hvis der er de rigtige incitamenter forbundet med både
anlæg og drift. Der opereres typisk med to former for øgede incitamenter:
"pisk" eller "gulerod" eller en kombination.
Disse incitamenter kan enten komme fra selskabernes ledelse selv eller
lovgivningsmæssigt, selv om det i begge tilfælde kan være selskaberne, der skal
udmønte effektiviseringen.
Et eksempel på en effektivisering med en
kombination af pisk og gulerod (eksempel fra en navngiven, men anonym virksomhed i
Danmark)
Virksomheden fortalte, at deres omkostningsniveau skulle sænkes og at
det kun kunne ske med hjælp fra deres medarbejdere. Virksomheden overvejede, hvordan
dette skulle gribes an.
Løsningen for virksomheden var følgende:
For det første blev der aftalt en lønreduktion på 20% med
alle medarbejderne og deres organisationer.
For det andet blev der samtidig indført et bonussystem i
aflønningen, der betød, at såfremt omkostninger forbundet med vedligeholdelse af
kapitalapparat (vogne, maskiner m.v.), skader og fejl faldt til et bestemt niveau inden
for et team af medarbejdere, ville hele teamet opnå en bonus.
For det tredje blev hele processen understøttet af fokus på
tre afgørende elementer for virksomheden: kvalitet, miljø og arbejdsmiljø.
Medarbejderne blev inddraget for at sikre, at virksomheden stadig forbedrede sig på disse
områder.
Resultat: Virksomhedens omkostninger blev væsentlig nedbragt med over
25% samtidig med, at medarbejdernes lønniveau samlet set steg. Ingen medarbejdere
oplevede en reel lønnedgang og i enkelte teams oplevede medarbejderne lønstigninger på
10-20% i takt med, at omkostningerne blev mindsket. |
Ved identifikation af de forskellige typer af effektiviseringspotentiale er det tillige
vigtigt at huske på, hvilke muligheder anlæggene selv har for at påvirke forskellige
elementer i deres drift. Dette er diskuteret nedenfor.
I dette afsnit diskuteres de væsentligste forhold, der spiller ind, når
effektiviseringspotentialet for forbrændings- og deponeringsanlæggene skal kvalificeres.
For en uddybende beskrivelse henvises til projektets forprojekt: "Forundersøgelse af
effektiviseringspotentialet på forbrændings- og deponeringsområdet i Danmark".
De vigtigste af de skitserede forskelle er forsøgt medtaget enten i DEA-analysen eller
den efterfølgende statistiske og kvalitative analyse.
Organisering af forbrændings og deponeringsanlæg
Affaldsforbrændingsanlæg kan være kommunalt eller fælleskommunalt ejet, ejet af
et andelsejet fjernvarmeværk, elværksejet eller ejet i fællesskab af 2 eller alle
ovenstående. Deponeringsanlæg er ligeledes decentralt ejede og styrede, typisk igennem
kommunalt eller fælleskommunalt samarbejde.
Den forskellige organisering og placering af anlæggene kommer blandt andet til udtryk
ved, at anlæggene møder forskellige krav til deres anlæg og drift. Visse af disse krav
afspejler sig i anlæggenes omkostninger og derved i deres effektivitet.
Miljøkrav
Et af de områder, hvor der er størst forskel på krav til anlæggene, er i
relation til miljøet.
Her stiller de enkelte myndigheder og ejere ikke altid samme krav, eksempelvis til
udledning af emissioner fra forbrændingsanlæg, til rensning af spildevand fra
forbrændingsanlæg eller perkolat fra deponeringsanlæg og til hyppighed og omfang af
monitering og prøveudtagning. Dette har selvsagt betydning for de omkostninger,
anlæggene påføres og dermed deres effektivitet.
Et vigtigt aspekt er også, at kravene kommer til anlæggene i forskellige tempi. Et
konkret eksempel er krav om rensning for dioxin på forbrændingsanlæg, der kræver
nyinvesteringer. Visse anlæg har allerede investeret i udstyret, mens andre først
planlægger at gøre det i år.
Forskellige overenskomster og bemandingsmæssige krav
På grund af anlæggenes organisering er de ansatte organiseret forskelligt på de
enkelte anlæg. Også fra Arbejdstilsynet i amterne møder anlæggene forskellige krav,
blandt andet om minimumsbemanding på vagter på forbrændingsanlæg. Begge dele har
betydning for lønudgifterne på anlægget.
Sideaktiviteter
Organiseringen og planlægningen af deponerings- og forbrændingsanlæggene med
eller uden sideaktiviteter såsom container/genbrugsplads, kompostering, sortering til
genanvendelse etc., kan også have betydning for anlæggenes omkostninger. Er der mange
sideaktiviteter, kan anlæggene principielt udnytte mandskabsressourcerne bedre.
Samarbejde
Visse deponeringsanlæg træder til, når forbrændingsanlæg i nærheden har
driftsstop og står med et stort overskud af affald. For nogle forbrændingsanlæg er der
tale om meget store mængder, og de tilknyttede deponeringsanlæg har derfor behov for et
beredskab, der kan håndtere disse situationer. Der er dog kun ét deponeringsanlæg, der
nævner dette som et vigtigt aspekt i deres besvarelse af spørgeskemaet. Der er taget
højde herfor i kvalificeringen af potentialet for dette anlæg.
Membran og deponeringshøjde
Både membran og deponeringshøjde er forskellige fra anlæg til anlæg. Der kan
visse steder eksempelvis eksistere en naturlig membran (lerbund), så det ikke er
nødvendigt at anlægge en kunstig membran. Begrænsninger i deponeringshøjden kan være
geografisk bestemt, et krav fra myndighederne eller begge dele.
Typer affald til deponering
På deponeringsanlæg er der endvidere forskel på, hvilke affaldstyper der kan
modtages, og om der er opbygget celler til de forskellige affaldstyper.
Teknologi
På forbrændingsanlæggene giver den valgte størrelse og teknologi i anlægs-
eller tilbygningsåret forskellige vilkår for anlæggene i dagens situation.
Forskellige aktiviteter
Endelig er der en gruppe af forskelle mellem anlæggene, der ikke stammer fra
lovgivningsmæssige krav og ej heller fra de forskellige vilkår, som anlæggene er
underlagt.
Det drejer sig om serviceniveau over for kommunen/den kommunale
administration/politikere, over for affaldsproducenterne (borgere, virksomheder
(offentlige myndigheder) og over for affaldstransportører.
Serviceydelserne omfatter information, vejledning, affaldsplanlægning, kortlægning,
takstberegning, fakturavejledning, besøg, klagesagsbehandling og andre former for
service.
Denne analyse forholder sig udelukkende til ovenstående relevante problemstillinger
ved at betragte de enkelte anlæg
Det er vigtigt at pointere, at formålet med denne analyse ikke har været at udarbejde
en samfundsøkonomisk analyse, hvor alle fordele og ulemper for samfundet sammenvejes.
Forskellen imellem dette projekt og en samfundsøkonomisk analyse er især vigtig at
bemærke i relation til begrebet stordriftsfordele og en diskussion af anlæggenes
størrelser og placering.
Identifikation af stordriftsfordele på forbrændings- og deponeringsområdet
indebærer, at selve affaldshåndteringen kan billiggøres med færre, men større anlæg.
Det vil eksempelvis sige, at en eventuel kapacitetsudvidelse burde ske ved udvidelse af
eksisterende anlæg fremfor ved nybygning, eller at små anlæg burde nedlægges.
Men - så hurtigt kan konklusionen ikke drages.
Det er meget vigtigt at tage hensyn til samtlige fordele og ulemper, hvilket
eksempelvis vil betyde, at transportomkostningerne bør inddrages. Selvom ét anlæg er
billigere end et andet, spiller transportomkostningerne en rolle i de samlede omkostninger
til bortskaffelse.
DEA-analysen er i denne forbindelse derfor ikke en altomfattende analyse. Hvis man
lukkede et anlæg (med lav effektivitet) i et område, der kun modtager affald fra lokale,
kunne det således principielt betyde, at en del af potentialet ville blive modregnet af
øgede transportomkostninger.
Princippet i en samfundsøkonomisk beregning, der
medtager transport
Et groft skøn på transportomkostninger er fra 1-1,50 kr per tonkm
for en fyldt lastbil på ca. 10 ton inklusive tom returtransport.
At transportere 10 tons affald 50 km koster således mellem 50 og 75
kr per ton. Før beslutningen om transport af affaldet tages, skal man altså være sikker
på, at anlægget længere væk kan behandle affaldet så meget billigere, og at det har
den fornødne kapacitet.
Endelig skal det naturligvis aftales mellem de involverede parter. |
Et andet vigtigt aspekt for forbrændingsanlægs placering og størrelse er adgang til
varmemarkedet. Det vil naturligvis være mest effektivt at udvide
forbrændningskapaciteten steder, hvor en stor del af varmen kan aftages.
For deponeringsanlæggenes placering er det centralt at vurdere og inddrage de
potentielle miljøproblemer, blandt andet risiko for forurening af grundvandsressourcer i
en samfundsøkonomisk analyse. Endvidere er der en række problemstillinger vedrørende
strukturen på deponeringsområdet i Danmark, eksempelvis nedlukning og åbning af
deponeringsanlæg. Det gælder både den samlede deponeringskapacitet og omkostningerne
hertil.
Generelt set skal samtlige relevante konsekvenser medtages i en samfundsøkonomisk
analyse af en given aktivitetsændring (det vil f.eks. sige lukning eller udvidelse af et
anlæg). Det betyder, at samtlige konsekvenser skal opgøres (i ton, km, mwh, timer, år
etc.), værdisættes i kr. og derefter sammenvejes.
Udvalgte emissioner er medtaget i DEA-analysen for forbrændingsanlæg i denne analyse.
En anden mulighed havde været at værdisætte og medtage emissionerne som en omkostning.
Dette er p.t. ikke muligt, da der ikke eksisterer omkostningsestimater for alle
emissioner. Det er heller ikke muligt at udtale sig om, i hvilken retning resultatet ville
pege. Det kan både tænkes, at de foretagne investeringer har været dyrere eller
billigere end de tilsvarende samfundsøkonomiske omkostninger. Tilsvarende f.eks. med
spildevand, hvor der betales en afgift for afledning. Denne afgift afspejler ikke
nødvendigvis de samfundsøkonomiske omkostninger ved spildevandet.
Det er også vigtigt, at der ved anvendelse af resultaterne fra denne analyse tages
hensyn til andre relevante forhold omkring anlægget og dets ansatte, blandt andet
arbejdsmiljø og beskæftigelsessituation.
Endelig er der hele diskussionen om sektorens organisering, men dette hører hjemme i
en politisk diskussion og ikke i en samfundsøkonomisk analyse.
11 |
Der er her tale om en såkaldt input-orienteret analyse, hvor output er
fast, og hvor det undersøges i hvor høj grad input kan reduceres.
|
12 |
En dummy-variabel er en variabel, der kun antager f.eks. værdierne 0
eller 1.
|
13 |
Constant Returns to Scale eller konstant skalaafkast.
|
14 |
Variable Returns to Scale eller variabelt skalaafkast.
|
15 |
For at kunne identificere om der rent faktisk er tale om stordriftsfordele
eller ulemper, producerer DEA-programmet den såkaldte NIRS-score. Hvis NIRS = CRS, er der
tale om stordriftsfordele, og hvis NIRS = VRS, er der tale om stordriftsulemper.
|
16 |
Hvis DEA-analysen identificerer stordriftsulemper, sættes VRS lig CRS, og
potentialet medregnes.
|
17 |
Det er CRS-scorerne, der anvendes.
|
18 |
For deponeringsanlæg kan tidshorisonten være længere. Det er der dog
taget højde for i analyserne ved, at en del af det meget langsigtede potentiale er
placeret under vanskeligt eller ikke realiserbart. |
Analysen peger på, at de danske forbrændingsanlæg generelt ikke adskiller sig så
meget fra hinanden ud fra en effektivitetsvurdering. Således er der identificeret et
teknisk effektiviseringspotentiale på 7 anlæg og et skalapotentiale på 15 anlæg. Når
der tages højde for udvidelsesplaner og varmemarked, resulterer dette i et
effektiviseringspotentiale på ca. halvdelen af de analyserede anlæg19.
Potentialet på de inefficiente anlæg tilsammen ses i tabellen nedenfor.
Aktør
Tidshorisont |
Anlæg |
Ikke anlæg |
Ikke
realiserbart |
I alt |
Kort sigt |
120-130 |
- |
Opdeles ikke |
120-130 |
Lang sigt |
- |
15-25 |
Opdeles ikke |
15-25 |
Ikke realiserbart |
Opdeles ikke |
Opdeles ikke |
60-70 |
60-70 |
I alt |
120-130 |
15-25 |
60-70 |
215 |
Figur 4.1
Opdeling af effektiviseringspotentiale på forbrændingsområdet i Danmark,
mio. kr. i år 2000
Det er ikke muligt at lægge henholdsvis de laveste tal sammen og de højeste tal
sammen og få et interval på det samlede potentiale. Usikkerheden på det totale
potentiale vurderes at være på maksimalt ± 20%.
Det kan konkluderes, at 120-130 mio. kr. årligt, svarende til i gennemsnit 7-8% af de
samlede omkostninger, bør kunne realiseres på kort sigt, mens 15-25 mio. kr. årligt,
svarende til i gennemsnit 1-1,5% bør kunne realiseres på lang sigt. Beløbet kan spares
via en reduktion i omkostningerne per ton ved stigende mængder i forhold til
omkostningerne per ton i dag.
Der er således en stor andel af det identificerede potentiale, som bør kunne
realiseres på relativt kort sigt. Analysen peger på, at en stor del af det kortsigtede
potentiale skyldes uplanlagte driftsstop, men dette resultat kan også dække over, at
anlæggene med mange driftsstop på andre punkter ikke er effektive i deres drift. Det er
imidlertid ikke muligt at uddybe dette på basis af datagrundlaget i analysen.
Det skal her bemærkes, at flere anlæg har opereret på kapacitetsgrænsen i flere
år. Med de igangværende udvidelser må antallet af uplanlagte driftsstop formodes at
falde i de kommende år givet at mængden af affald til forbrænding ikke stiger.
For det langsigtede potentiale peger analysen på, at der er et skalapotentiale, som
kan realiseres, hvis en række af anlæggene kan modtage mere affald og samtidig udnytte
de identificerede stordriftsfordele.
Det vurderes, at udviklingen i affaldsmængderne til forbrænding giver grundlag for at
udnytte stordriftsfordelene ved udvidelse af anlæggene fremfor sammenlægning af anlæg.
Der er allerede i dag planlagt en udvidelse af visse anlæg, og de seneste analyser20 viser, at denne udvidelse gør at kapaciteten
er tilstrækkelig allerede fra 2004. Det identificerede potentiale vurderes derfor at
kunne realiseres med den nuværende struktur.
Der er endvidere identificeret et potentiale på 60-70 mio. kr. årligt, som forventes
at blive vanskeligt at realisere eller som slet ikke kan realiseres. Potentialet skyldes
forhold på anlæggene såsom valg af teknologi til røggasrensning og ovntype. Det er i
den forbindelse væsentligt at påpege, at det tidspunkt, et anlæg er etableret på, er
afgørende for hvilken teknologi (eksempelvis inden for røggasrensning), der er
implementeret, idet metoderne er udviklet på forskellige tider og anbefalingerne har
skiftet over tid.
Potentialet for samtlige anlæg i Danmark vil højst sandsynligt være større end det
viste potentiale, idet det er vurderet at analysen dækker ca. 85% af de forbrændte
mængder eller 74% af de danske forbrændingsanlæg. Hvis de ikke-inkluderede anlæg
ligner de anlæg, der er medtaget i analysen, vil det samlede
bruttoeffektiviseringspotentiale stige fra 215 mio. kr. i år 2000 til ca. 250 mio. kr.
Endelig skal det bemærkes, at potentialet er fastlagt i forhold til de "bedste"
af anlæggene i analysen, og analysen forholder sig således ikke til, at de
"bedste" anlæg muligvis kan blive endnu mere effektive. Det samlede potentiale
kan derfor af den grund være større end det her fastlagte potentiale. Visse af de
efficiente anlæg har allerede gennemgået en effektiviseringsproces, mens denne hos andre
kun lige er påbegyndt. For forbrændingsanlæg optræder der endvidere både emissioner
og omkostninger på inputsiden. Derfor bliver de anlæg, der klarer sig godt på
emissionssiden, ikke evalueret "omkostnings-mæssigt" i forhold til
emissionsbegrænsning. Der kan altså også være et økonomisk effektiviseringspotentiale
for disse, som ikke kommer frem i analysen. Undervurderingen af
effektiviseringspotentialet for forbrændingsanlæggene må derfor alt andet lige være
større end for deponeringsanlæggene, men det er naturligvis ikke muligt at vurdere
størrelsen af det reelle potentiale.
Foruden det økonomiske potentiale viser analysen, at der er et miljømæssigt
"effektiviseringspotentiale". Anlæggene kan altså reducere deres udledninger
til luften samtidig med at de behandler samme mængde affald. For partikler ligger det
samlede potentiale i størrelsesorden 5-13 tons i 2000, hvilket svarer til en besparelse
på i gennemsnit 5-14 % af anlæggenes partikelemissioner. For SO2 ligger det
samlede potentiale i størrelsesorden 63-147 tons i 2000, hvilket svarer til en besparelse
på i gennemsnit 6-12 % af anlæggenes SO2 emissioner.
I dette afsnit redegøres kort for det datagrundlag, der har været udgangspunktet for
analyserne af forbrændingsanlæggene. En række af de væsentligste elementer ved de
indsamlede data beskrives, dels ved hjælp af en række illustrationer, dels ved hjælp af
kvalitative beskrivelser af data.
I analysen indgår som udgangspunkt samtlige affaldsforbrændingsanlæg i Danmark
bortset fra slamforbrændingsanlæg, anlæg til forbrænding af farligt affald og
industrielle forbrændingsanlæg.
Resultat af dataindsamling
Datagrundlaget for forbrændingsanalysen er information indhentet via et spørgeskema
udarbejdet til brug for denne undersøgelse. Spørgeskemaet har været udsendt til i alt
31 forbrændingsanlæg. Status for besvarelserne fremgår af tabellen nedenfor.
Tabel 4.1
Resultat af dataindsamlingen, forbrændingsanlæg
Status |
Antal |
Procent |
Afleverede og anvendelige |
23 |
74% |
Afleverede, men kan ikke anvendes |
5 |
16% |
Ikke afleveret |
3 |
10% |
I alt |
31 |
100% |
Der er flere årsager til, at 5 anlægs besvarelser af spørgeskemaet ikke kunne anvendes:
 | 3 forbrændingssanlæg har både affaldsforbrænding og afbrænding af naturgas og/eller
biomasse. Det er blevet besluttet ikke at anvende data for disse anlæg, fordi det ikke
har været muligt at fordele disse mellem affaldsforbrænding og øvrigt brændsel. Dette
gælder alle typer af data, eksempelvis afskrivning og forrentning af anlægget,
sammensætningen af personalet samt el, varme og emissioner. |
 | 1 anlæg, der ikke har udfyldt økonomidelen af spørgeskemaet, da anlægget er et
forbrugerejet fjernvarmeanlæg, hvis økonomi også dækker over ledningsnet, reserve- og
spidslastcentraler samt servisering af installationer og drift af naboværk. |
 | 1 anlæg, der har været under ombygning i år 2000, og derfor ikke kan indgå i
undersøgelsen. |
I alt er der en svarprocent på 90%, hvilket vurderes som særdeles tilfredsstillende.
23 anlæg eller 74% af samtlige anlæg indgår i analysen, hvilket vurderes som
tilstrækkeligt til at gennemføre analysen.
Tabellen nedenfor viser de forbrændingsanlæg, der ikke har besvaret spørgeskemaet.
De tre anlæg vurderes at have en årlig kapacitet på ca. 70.000 tons.
Tabel 4.2
Forbrændingsanlæg, der ikke har besvaret spørgeskemaet
Navn |
Hammel Fjernvarme Amba
Skagen Forbrænding
Vestfyns Forbrænding |
Når data og analyser præsenteres i det følgende, er de baseret på de 23 anlæg. Det
enkelte anlæg i analysen er tildelt et bogstav, og hvert enkelt anlæg bevarer det samme
bogstav igennem hele rapporten. I præsentationer, hvor anlæggene er tildelt et tal, er
der tale om en rangordning af anlæggene efter det viste karakteristika.
For at analysen er repræsentativ, er det væsentligt, at anlæg af alle størrelser er
dækket i analyserne. Figuren nedenfor viser størrelsen af de forbrændingsanlæg, der
indgår i analysen.
Figur 4.2
Anlæggenes forbrændte mængder i 2000
Som det fremgår af figuren, er der en udmærket spredning af forbrændingsanlæggenes
størrelse.
De analyserede anlæg forbrændte tilsammen ca. 2,5 mio. tons eller ca. 86% af den
samlede forbrændte mængde affald i Danmark i år 2000. De 5 forbrændingsanlæg, der har
besvaret spørgeskemaet, men som er udeladt af analysen, brændte tilsammen 323.000 tons i
2000. Besvarelserne dækker således i alt ca. 98% af de forbrændte mængder i 2000.
Datagrundlaget for analysen vurderes således at være tilfredsstillende.
Nedenfor beskrives anlæggenes karakteristika overordnet.
Anlægsbeskrivelse
Langt de fleste af forbrændingsanlæggene i analysen producerer både el og varme
(KV-anlæg). Dog er der tre anlæg, der kun producerer varme (VV-anlæg). Tabellen
nedenfor illustrerer fordelingen af anlæggene og deres gennemsnitlige produktion af el og
varme. Det skal bemærkes, at tallene for varme- og elproduktion er eksklusiv eventuelt
energitab men inklusiv eventuelt bortkølet varme. Det indfyrede affalds brændværdi er
således noget højere end de viste tal.
Tabel 4.3
Fordeling af anlæggene på ovntyper
Anlægstype |
Antal |
Varme
GJ/ton affald
Snit (min. - maks.) |
El
MWh/ton affald
Snit (min. maks.) |
KV-anlæg |
20 |
7,1 (6,2-8,3) |
0,38 (0,25-0,67) |
VV-anlæg |
3 |
8,7 (8,0-9,0) |
- |
Note: Et anlæg betegnes KV-anlæg, hvis mindst en ovn producerer både el og
varme. Et enkelt anlæg har ikke egen turbine og har derfor kun angivet produktionen som
varme, selvom der også produceres el.
Blandt KV-anlæggene er der stor forskel på, hvor meget el der produceres pr. ton
affald. Det skyldes hovedsageligt, at nogle ovne på anlæggene kun producerer varme.
Elproduktionen stiger naturligvis med andelen af affaldet, der forbrændes i KV-ovne.
Varmeproduktionen er mindre varierende, men logisk nok højest på VV-anlæggene.
Et andet punkt, hvor anlæggene adskiller sig, er på røggasrensningsteknologien.
Tabellen nedenfor illustrerer fordelingen af de analyserede anlæg på
røggasrensningstype.
Tabel 4.4
Fordeling af anlæggene på røggasrensningsteknologi
Røggasrensningsteknologi |
Antal |
Våd |
13 |
Semitør |
3 |
Tør |
4 |
Kombination |
3 |
I alt |
23 |
Det ses, at godt halvdelen af anlæggene har våd røggasrensning, mens ca. en tredjedel
har enten tør eller semitør røggasrensning. Tre anlæg har en kombination af disse
former for rensning.
Omkostninger
De økonomiske data spiller en central rolle i benchmarkinganalysen. På figuren
nedenfor illustreres spredningen i bruttoomkostningerne til forbrænding.
Figur 4.3
Bruttoomkostning (ekskl. moms, indtægter og affaldsafgift) pr. ton
forbrændt affald, forbrændingsanlæg
Der er en vis spredning i bruttoomkostningerne pr. ton forbrændt affald, og det
dyreste anlæg er over dobbelt så dyrt som det billigste. Langt de fleste anlægs
omkostninger ligger dog på ca. 600-800 kr. pr. ton. Det vægtede gennemsnit21 af bruttoomkostningerne er på 671 kr. pr. ton.
Spredningen kan skyldes variationer i den egentlige drift af anlæggene, men den kan
også dække over forskellige ovn- og rensningstyper, miljøkrav og serviceniveauer for
forbrændingsanlæggene.
VV-anlæggene i analysen har i gennemsnit højere omkostninger pr. ton end de øvrige
anlæg, men de er også blandt de mindste af anlæggene.
Figuren nedenfor illustrerer, hvordan omkostningerne er fordelt på forskellige
kategorier.
Figur 4.4
Fordeling af bruttoomkostninger, forbrændingsanlæg
Det fremgår, at ca. 54% af anlæggenes omkostninger stammer fra driftsopgaver, nemlig
personaleomkostninger, eksterne tjenesteydelser, materiale- og ressourceforbrug og øvrige
omkostninger. De omkostninger kan i stor udstrækning opfattes som variable omkostninger.
Tallene dækker dog også over mindre anlægsinvesteringer, der ikke aktiveres og
afskrives, men indgår direkte som en driftsomkostning. Omkostningerne til driftsopgaver
varierer mellem 30% og 82%, hvor den næsthøjeste andel er 64%.
De faste omkostninger til afskrivning, forrentning22
og leasing af materiel udgør ca. 40% af anlæggenes omkostninger. Denne andel varierer
mellem 18% og 65%. Den lave andel på 18% er for et lille gammelt anlæg, der formentlig
er afskrevet i udstrakt grad. Der er dog ikke en entydig sammenhæng mellem anlæggenes
alder og afskrivningerne, da mange anlæg er blevet moderniseret. Den næstlaveste andel
af omkostningerne til afskrivning, forrentning og leasing af materiel er 29%.
Indtægter
Behandlingsgebyret afspejler ikke omkostningerne, da forbrændingsanlæggene har
betydelige indtægter fra salg af el og varme. På figuren nedenfor illustreres
spredningen i behandlingsgebyrerne til forbrænding af almindeligt brændbart affald, der
ikke kræver neddeling. Bemærk, at mange anlæg kan have forskellige behandlingsgebyrer
for forskellige typer af affald.
Figur 4.5
Behandlingsgebyr eksklusiv moms og statsafgift, forbrændingsanlæg (kr/ton)
Note: Behandlingsgebyret er for almindeligt forbrændingsegnet affald, der ikke
kræver neddeling.
Der er en betydelig variation i behandlingsgebyrerne. Et enkelt anlæg opkræver ikke
noget gebyr ud over statsafgiften, mens et andet anlæg opkræver mere end 900 kr. pr. ton
ud over statsafgift. Gebyret eksklusiv moms og statsafgift er generelt væsentligt lavere
end bruttoomkostningerne pr. ton. Det hænger selvfølgelig sammen med, at anlæggene har
betydelige indtægter fra salg af el og varme samt mindre indtægter fra øvrige
aktiviteter. Endvidere kan forholdet mellem omkostninger pr. ton og behandlingsgebyrer
afvige fra år til år eksempelvis pga. årlige reguleringer (overskud/underskud i det
foregående år).
Behandlingsgebyrets andel af omkostningerne fremgår af figuren nedenfor.
Figur 4.6
Behandlingsgebyr eksklusiv moms og statsafgift i forhold til
bruttoomkostninger pr. ton, forbrændingsanlæg
Mens elprisen ikke varierer meget fra anlæg til anlæg, er der en betydelig variation
i den varmepris, anlægget kan opkræve. Varmeprisen er nemlig typisk ikke ensartet
omkostningsfastsat, idet den fastsættes som det laveste af den omkostningsbestemte værdi
og substitutionsprisen23. Dette er illustreret
i figuren nedenfor.
Figur 4.7
Varmepris på forbrændingsanlæg
Figuren illustrerer, at der er op til en faktor 5 mellem den laveste og højeste
varmepris. Dette tyder på meget forskellige indtjeningsmuligheder for anlæggene. Det
gør også, at visse anlæg kan få dækket en større del af deres omkostninger og dermed
har gunstigere vilkår end andre. Disse anlæg har muligvis mindre incitament end de
øvrige anlæg til at reducere omkostningerne. Det skyldes, at hvis man får en lav
varmepris er man nødt til at få dækket sine omkostninger ved et højere affaldsgebyr.
Det øger incitamentet til at reducere omkostningerne24.
Miljø
Anlæggenes økonomiske forhold er væsentlige i relation til benchmarkingen, men det
er samtidigt vigtigt at tage højde for, at anlæggene lever op til en vis miljøstandard.
Der er forskel på de nærmiljøkrav, som anlæggene bliver stillet overfor, således
bliver nogle anlæg pålagt specielle krav fra lokal side (jf. Afsnit 3.6).
Blandt anlæggene er 5 ISO-certificeret. ISO-certificeringerne er af typen ISO-14001,
ISO-9002 eller EMAS.
Anlæggene er blevet spurgt, om de lever op til det nye EU-direktiv25, der bl.a. regulerer luftemissioner og
spildevandskvalitet. Direktivet skal implementeres i dansk lovgivning inden udgangen af
2002, og anlæggene skal inden udgangen af 2005 leve op til kravene i direktivet.
Besvarelserne viser imidlertid, at kun ca. en fjerdedel af anlæggene angiver, at de med
sikkerhed allerede lever op til alle kravene i direktivet, mens godt og vel det samme
antal anlæg ikke mener, at de lever op til direktivet. De resterende anlæg angiver, at
de på de fleste punkter lever op til EU-direktivet.
Tabel 4.5
Opfylder anlægget EU direktiv 2000/76/EF af 4/12-2000
|
Antal |
Ja, helt sikkert |
6 |
På de fleste punkter |
9 |
Nej |
7 |
Ikke besvaret |
1 |
I alt |
23 |
Anlæggene er tillige blevet spurgt, om de udarbejder grønt regnskab. Svarenes fordeling
ses i figuren nedenfor. Det fremgår, at langt de fleste anlæg begyndte at lave grønt
regnskab i 1996. Et enkelt anlæg først i 1999, da anlægget først åbnede dette år.
Figur 4.8
Fordeling af anlæggene efter hvornår de begyndte at lave grønt regnskab
Note: Tre anlæg har ikke besvaret spørgsmålet.
Der er stor fokus på luftemissionerne fra forbrændingsanlæggene, og disse
rapporteres i anlæggenes grønne regnskaber.
I figuren nedenfor vises emissionerne af partikler, SO2 og HCl fra
anlæggene. Der er også spurgt til anlæggenes øvrige emissioner, der indbefatter CO,
TOC, HF og NO2, samt dioxin og en række tungmetaller, men de er ikke vist her.
Alle disse emissioner er reguleret af EU-direktivet, men specielt emissionerne af
tungmetaller har mange anlæg ikke opgjort.
Der ses i figuren en endog meget stor variation i partikler, SO2- og
HCl-emissionerne.
Se her!
Figur 4.9
Udvalgte emissioner pr. ton forbrændt affald
I figuren angives, hvilken type røggasrensning anlæggene har. Typen af
røggasrensning kan ikke forklare størrelsen af emissionen pr. ton for partikel- og SO2-emissioner.
Til gengæld har de våde anlæg i analysen signifikant lavere HCl-emissioner end de
øvrige anlæg. Det harmonerer med generel teknisk viden om røggasrensning.
Det er endvidere kendt, at der er en svag tendens til at tørre anlæg har lavere SO2-emissioner
end våde anlæg uden SO2-proces. Det omvendte forhold gør sig gældende, hvis
de våde anlæg har SO2-rensning. Det kan forklare, at der ikke ses en tydelig
sammenhæng mellem røggasrensningstypen og SO2-emissionerne.
Endvidere ses en vis men ikke helt klar - tendens til, at emissionerne er
sammenhængende, således at anlæggene med lave partikelemissioner også har lave SO2-
og HCl-emissioner og omvendt. Det tyder på, at nogle anlæg generelt belaster miljøet
mindre end andre.
Usikkerhed ved
emissionsmålingerne
Emissionsopgørelserne på anlæggene bliver enten baseret på
kontinuerte målinger eller et mindre antal stikprøver i løbet af året. I nogle
tilfælde er der kun tale om to målinger. På anlæg, der kun tager stikprøver, kan
opgørelserne være temmeligt usikre. Ligger én af stikprøverne i den høje ende, kommer
anlægget ud med et relativt højt resultat.
Et anlæg opgiver eksempelvis partikelemissionerne i 1999 til dobbelt
så meget som i 1998 men kun 79% i 2000. Alle målinger er foretaget på det samme anlæg.
Det er derfor særdeles relevant at lave usikkerhedsberegninger for
emissionerne for at undersøge det endelig resultats følsomhed over for emissionerne. |
Slaggerne fra forbrænding udgør ca. 20% af den indvejede mængde, så der er tale om
betydelige mængder. Anlæggene er blevet spurgt om, hvor stor en del af slaggerne, der
genanvendes. Langt størstedelen af anlæggene har angivet, at de genanvender 100% af
slaggerne. Det bør dog bemærkes, at der pr. 1. januar 2001 er kommet skærpede krav til
slaggernes kvalitet26. Det betyder at perioden
til mellemdeponering af slagger bliver øget, og at anlæggenes udgifter til
mellemdeponering dermed stiger.
Anlæggene er blevet spurgt om mængden af restprodukt fra røggasrensning. Der er
størrelsesmæssig forskel på mængden af restprodukter, alt efter om anlæggene har våd
eller tør røggasrensning.
Anlæggene er blevet spurgt, om de har specielle krav til udledning af spildevand. Her
har 2 anlæg svaret, at de har særlige krav for indholdet af kadmium (Cd) og et enkelt
anlæg har svaret at de har et særligt krav til saltindholdet i spildevandet. De øvrige
anlæg har ikke svaret, at de har specielle krav for spildevandet.
Service- og øvrige forhold
I et forsøg på at opfange alle vigtige forhold der spiller ind på driften af
anlæggene, blev de tillige stillet en række spørgsmål om serviceforhold (jf. Afsnit
3.6). De blev bl.a. spurgt om forhold i relation til deres ansatte, arbejdsmiljø og
ressourceforbrug på andre serviceopgaver.
Indsamlingen af data om ansatte viser, at der er en stor variation i det antal ansatte,
som forbrændingsanlæggene har ansat i forhold til den forbrændte mængde. I gennemsnit
har forbrændingsanlæggene ansat ca. 3,2 mand pr. 10.000 tons forbrændt affald27. Gennemsnittet dækker over en spredning fra
1,7 til 7,8 mand pr. 10.000 tons forbrændt. Det anlæg, der har næstflest ansatte pr.
10.000 ton, har dog kun 4,6 ansatte pr. 10.000 tons forbrændt.
Antallet af ansatte afspejler flere forhold. For det første er der stordriftsfordele.
Store anlæg klarer sig med relativt færre ansatte i forhold til affaldsmængden end små
anlæg. For det andet har anlæggene forskelligt træk på eksterne folk, der ikke indgår
i antallet af ansatte. For det tredje er anlæggene mere eller mindre mandskabskrævende.
Der er således en afvejning mellem at have et meget mandskabskrævende anlæg og et
dyrere men mere automatiseret anlæg. Endvidere er der i et vist omfang forskellige
aktiviteter knytter til anlæggene, eksempelvis forbehandling og nedknusning, hvilket kan
medføre forskelligt mandskabsbehov. Endelig udfører anlæggene en varierende mængde
serviceopgaver.
Gennemsnitsalderen for de ansatte på forbrændingsanlæggene er ca. 45 år. Det
dækker over en spredning i gennemsnitsalderen på 39-50 år på de enkelte anlæg.
Det gennemsnitlige antal sygedage pr. ansat i år 2000 udgjorde 7,8. Dette dækker over
en spredning fra 2-17 dage pr. ansat.
De ansatte skal dels holde anlægget kørende, dels servicere kunderne i åbningstiden.
Forbrændingsanlæggenes åbningstider er således en serviceparameter over for kunderne,
men kan også være en betydende parameter i forhold til effektiviteten på anlægget. Det
er dog vigtigt at bemærke, at åbningstiden ikke alene siger noget om ressourceforbruget
på anlæggene, idet der kan være stor forskel på bemandingen på forskellige
tidspunkter af dagen.
Figur 4.10
Antal lastbiler der kommer til anlægget målt mod åbningstid
Note: To anlæg er ikke med, da de havde angivet døgnåbent.
Som det fremgår af figuren ovenfor, har anlæggene typisk åbent mere end 45 timer om
ugen. Ingen forbrændingsanlæg oplyser, at de har en ugentlig åbningstid på under 42
timer pr. uge, mens et enkelt oplyser, at det har åbent hele 84 timer om ugen.
Åbningstiden skal ses i sammenhæng med, hvor mange lastbiler der dagligt ankommer til
forbrændingsanlægget. Antallet af lastbiler varierer naturligvis med den mængde affald,
som anlægget modtager, men der ses ingen klar sammenhæng mellem lastbiler, der kommer,
og anlæggets åbningstid.
Anlæggene er blevet spurgt, om de assisterer kommunen/kommunerne med at udarbejde
kommunale affaldsplaner. Ni ud af 23 anlæg, dvs. 39%, har svaret ja, mens 57% har svaret
nej. Et enkelt anlæg har ikke besvaret spørgsmålet.
Anlæggene er endvidere blevet bedt om at anslå forbrændingsanlæggets tidsforbrug
til en række serviceopgaver, f.eks. information og vejledning, affaldsplanlægning,
takstberegning, besøg m.m. Omtrent halvdelen af anlæggene har svaret på spørgsmålene,
og mange angiver, at det er svært at opgøre tidsforbruget pga. manglende registrering af
timeforbruget på specifikke opgaver.
Svarene dækker over meget store variationer. Det samlede tidsforbrug på
forbrændingsanlæggene til denne slags opgaver er angivet til mellem 68 og 1.825 timer
årligt. Det maksimale tidsforbrug svarer således til ca. 1 fuldtidsbeskæftiget.
Modsat deponeringsanlæggene spiller øvrige aktiviteter end forbrænding ikke så stor
en rolle på forbrændingsanlæggene. Sideaktiviteter er specielt vigtige i
benchmarkingen, hvis anlæggene kan opnå en økonomisk fordel ved at have flere
aktiviteter. Det fremgår af besvarelserne, at knap halvdelen af anlæggene ikke har andre
aktiviteter på anlæggene end forbrænding.
Til trods for de belyste forskellige karakteristika for forbrændingsanlæggene kan
anlæggene opfattes som homogene enheder i relation til benchmarkinganalysen. Det er
derfor relevant at analysere anlæggene i en DEA-model.
Der tages udgangspunkt i én DEA-model, som vurderes at beskrive anlæggenes produktion
på den bedste måde. Til denne model er udvalgt de mest centrale variable ud fra en overordnet
betragtning om, hvilke elementer der spiller en rolle i driften af
forbrændingsanlæggene. Denne model kaldes i det følgende for basis DEA-modellen.
Modellen er efterfølgende suppleret med en række DEA-analyser med forskellige
kombinationer af variable. For overskuelighedens skyld præsenteres her først resultatet
af basismodellen i detaljer, hvorefter resultaterne fra de øvrige DEA-analyser
præsenteres mere overordnet (dog med detaljer dokumenteret i bilag).
Input og output
Som input i basis DEA-modellen indgår forbrændingsanlæggets bruttoomkostninger,
udvalgte luftemissioner og den ikke-genanvendte slaggemængde.
Fortolkningen af bruttoomkostningerne som et input er naturlig, da det er en ressource,
der skal til for at forbrænde affaldet. Bruttoomkostningerne på anlæggene betragtes
samlet, så delelementer, f.eks. driftsomkostninger alene eller afskrivninger og
forrentning alene, analyseres ikke separat i basis DEA-analysen. En opdeling af
omkostningerne i drifts- og anlægsomkostninger analyseres i en supplerende DEA-analyse i
næste afsnit.
Fortolkningen af emissioner og ikke-genanvendt slaggemængde som input i analysen er,
at de er en belastning for miljøet og dermed en omkostning for samfundet ligeså vel som
de faktiske omkostninger på anlæggene. Emissionerne og den ikke-genanvendte
slaggemængde kunne også inddrages som output i analysen (sådan som miljøoutput normalt
forbindes med anlæggene), men ville da skulle modelleres som et uønsket output. Den
valgte tilgang vurderes at give en mere klar fortolkning.
Centrale, repræsentative emissioner er udvalgt. Valget af partikler er baseret på, at
partikler er meget sundhedsskadelige, og at emissionen af tungmetaller, som også er
sundhedsskadelige, er korreleret med partikelemissionerne. SO2 repræsenterer
anlæggenes sure emissioner. Endvidere fremgik det af dataafsnittet, at der - modsat de
sure HCl-emissioner - ikke er en entydig tendens til høje eller lave SO2-emissioner
afhængig af røggasrensningstypen. SO2 giver derfor det mest retvisende
billede.
Det er også relevant eksempelvis at inddrage dioxin, da nogle anlæg renser specifikt
for denne type emission. Datagrundlaget for dioxinemissioner er for sparsomt til, at
dioxin kan inddrages eksplicit i analysen. I en supplerende analyse i næste afsnit
justeres for omkostninger til dioxinrensninger for på denne måde at korrigere for
forskelle i dioxinrensning på anlæggene.
Emissionerne af CO, TOC og NO2 er ikke inkluderet i analysen. NO2
kunne være relevant at inkludere, men 11 af anlæggene har desværre ikke opgivet denne
emissionstype. TOC og specielt CO28 anses for
at være mindre væsentlige i forhold til de medtagne emissioner, og desuden har enkelte
anlæg ikke angivet disse emissioner.
Slagger er ligesom emissionerne en belastning for miljøet. Den ikke-genanvendte
slaggemængde er inddraget, fordi disse slagger deponeres og er dermed en belastning for
miljøet. Restprodukterne fra anlæggenes røggasrensning repræsenterer også et
miljøproblem, men der er stor forskel på mængden af restprodukter på våde og tørre
anlæg. Endvidere er det i ligeså høj grad sammensætningen som mængden, der har
betydning i forhold til miljøet. Oplysninger om restproduktets sammensætninger er ikke
indrapporteret i spørgeskemaet, da det er meget komplekst. Spildevandet er ligeledes en
miljøparameter for anlæggene. Spildevandet er dog heller ikke kvalificeret i mængde og
sammensætning i spørgeskemaet, og kan derfor ikke indgå i DEA-analysen.
Som output i analysen er inddraget forbrændt affaldsmængde, produceret mængde varme
og produceret mængde el.
Den samlede forbrændte affaldsmængde indgår som output i basis DEA-analysen.
Forbrænding af affald fortolkes som en ydelse og derfor et output. Analysen forholder sig
således ikke til, at det måske vil være samfundsøkonomisk fordelagtigt at minimere
affaldsmængderne.
Affaldets sammensætning er ikke inkluderet, da det er vurderet at have mindre
betydning for det enkelte anlæg, idet anlæggene i høj grad er optimeret til at modtage
den affaldssammensætning, som oplandet genererer. Det er således ikke en entydig fordel
eller ulempe at modtage meget af en given affaldstype.
Det skal dog bemærkes, at mange anlæg er optimeret til affaldssammensætningen som
den var ved anlægstidspunktet. Sammensætningen har imidlertid ændret sig siden da og
vil ændre sig fremover (jf. Affald 21), hvilket har betydning for driften af anlæggene.
Det vurderes imidlertid ikke, at anlæg kan blive efficiente, blot fordi de har en stor
mængde af en given type affald til forbrænding, jf. Afsnit 3.2 side *. Derfor er det i stedet undersøgt, om de varierende
brændværdier på de enkelte anlæg kan forklare variationen i scorer.
Den producerede mængde varme indgår som output i basis DEA-analysen. Ved at vælge
den producerede mængde ses bort fra det faktum, at en del anlæg bortkøler en betydelig
mængde af den producerede varme. I en supplerende DEA-analyse er dette forhold belyst
nærmere.
Endelig er den producerede mængde el inddraget som output i basis DEA-analysen. Den
producerede mængde el pr. ton affald varierer betydeligt fra anlæg til anlæg (jf. Tabel
4.3). Denne tilgang betyder, at rene VV-anlæg analyseres sammen med KV-anlæg.
VV-anlæggene producerer ikke el. Til gengæld producerer disse anlæg mere varme end
KV-anlæggene, og VV-anlæggene får derfor større mulighed for at være efficiente på
varmeproduktionen. Input og output fremgår af tabellen nedenfor.
Tabel 4.6
Input og output i basis DEA-analysen
Type variabel |
Variabel |
Enhed |
Input |
Samlede bruttoomkostninger |
Kr |
Input |
Partikelemissioner |
Kg |
Input |
SO2-emissioner |
Kg |
Input |
Ikke-genanvendt slaggemængde |
Ton |
Output |
Forbrændt mængde |
Ton |
Output |
Produceret mængde varme |
GJ |
Output |
Produceret mængde el |
MWh |
Note: Alle variable er årlige for 2000.
Resultater
På basis af input og outputvariablene i tabellen er basis DEA-analysen
gennemført, og scorerne for hvert af de 23 forbrændingsanlæg er afbildet i figuren
nedenfor. En score på 1 betyder, at anlægget er efficient, mens et anlæg med en score
mindre end 1 er inefficient29.
Resultaterne er vist for de to analyser, hvor der i den ene antages ikke at være
stordriftsfordele/ulemper (CRS), mens der i den anden antages at være
stordriftsfordele/ulemper (VRS). Forskellen mellem de to scorer det der på figuren
er mørkt kan overordnet fortolkes som et skalapotentiale, mens det hvide mellemrum
oven over søjlerne overordnet kan fortolkes som et potentiale knyttet til anlæggenes
tekniske formåen.
Figur 4.11
Scorer i basis DEA-analysen
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
Mere konkret ses det, at 7 anlæg er efficiente under antagelse om fravær af
stordriftsfordele/ulemper. De 16 inefficiente anlæg i den analyse har en gennemsnitlig
score på 0,81, hvilket betyder, at de inefficiente anlæg kan reducere deres input med
mindst 19% i gennemsnit og samtidig producere det samme output, dvs. forbrænde den samme
mængde og producere den samme mængde el og varme. Den gennemsnitlige score for samtlige
anlæg er 0,87.
I analysen med antagelse om stordriftsfordele/ulemper er 17 anlæg efficiente. De 6
inefficiente anlæg har en gennemsnitlig score på 0,84, hvilket betyder, at de 6
inefficiente anlæg kan reducere deres input med mindst 16% i gennemsnit. Den
gennemsnitlige score for samtlige anlæg er 0,96.
Effektivisering på anlæggene ses i analysen
Nogle af de danske forbrændingsanlæg har i spørgeskemaet angivet,
at de i en årrække har gennemgået en effektiviseringsproces. Blandt andet har de haft
stor fokus på ledelsen af de enkelte anlæg, og arbejder også tæt sammen om f.eks.
ansættelse af faglærte teknikere, som på denne måde kan servicere de pågældende
anlæg med kort varsel.
De pågældende anlæg på nær ét kommer ud som efficiente i VRS
analysen. Det sidste er meget tæt på at være efficient. Dog kunne visse af anlæggene
vinde ved at blive lidt større. |
Som tidligere nævnt er det intuitivt logisk at acceptere, at forbrændingsanlæg har
stordriftsfordele. Til gengæld er der ikke noget der taler for at meget store anlæg vil
have vanskeligere ved at være effektive, hvorfor stordriftsulemper ikke accepteres. I
sammenligningen af scorerne for hvert anlæg i de to analyser kan det fastlægges, om
analysen peger på stordriftsfordele eller stordriftsulemper for et enkelt anlæg.
For 15 af de 16 CRS-inefficiente anlæg peger analysen på, at anlæggene ville kunne
klare sig bedre, hvis stordriftsfordelene kunne udnyttes. Dette harmonerer med
forventningen om, at der eksisterer stordriftsfordele. Det er undersøgt, om det sidste
anlæg kan tænkes at have stordriftsulemper ved ikke at kunne afsætte sin varme, som det
eksempelvis er tilfældet på fjernvarmeområdet. Det er dog ikke tilfældet30, og det er derfor er valgt at opfatte potentialet for
dette anlæg som et egentligt teknisk potentiale31.
På denne baggrund er det samlede bruttoeffektiviseringspotentiale beregnet. Dette er vist
i tabellen nedenfor.
Tabel 4.7
Samlet bruttoeffektiviseringspotentiale, forbrændingsanlæg
|
Uden stordriftsfordele |
Med stordriftsfordele |
Omkostninger (mio. kr./år), alle anlæg |
213 |
145 |
Gennemsnitlig besparelse pr. anlæg |
13% |
9% |
Gennemsnitlig besparelse pr. inefficient
anlæg |
18% |
23% |
Note: Potentialet pr. anlæg er forskelligt fra det potentiale, de gennemsnitlige
DEA-scorer udtrykker, fordi besparelsen er udtrykt i kr., mens DEA-scorerne var udtrykt
pr. anlæg og derfor ikke tog hensyn til størrelsen af anlæggene.
Det fremgår, at det beregnede bruttoeffektiviseringspotentiale på basis af den
foreløbige analyse ligger på 145-213 mio. kr. årligt svarende til en besparelse på i
gennemsnit 9%-13% pr. anlæg. Potentialet på 213 mio. kr. er udtryk for et unuanceret bud
på det langsigtede bruttopotentiale på forbrændingsområdet, der medtager
strukturændringer. 60% af potentialet på 213 mio. kr. findes på 3 anlæg.
Årsager til effektiviseringspotentialet
Et vigtigt element i en effektiviseringsdiskussion på forbrændingsområdet er
udviklingen i mængden af affald. Figuren nedenfor viser udviklingen fra 1994 til 2000.
Figur 4.12
Udviklingen i mængder på forbrændingsområdet
Kilde: Miljøstyrelsen.
Mængderne til forbrænding har således været stigende over en årrække, og på
grund af en bevidst politik om at sikre lige netop den nødvendige kapacitet kører stort
set alle forbrændingsanlæg på deres kapacitetsgrænse. Det har givetvis en betydning
for størrelsen af effektiviseringspotentialet, da kapitalapparatet dermed udnyttes fuldt
ud.
Kvalificering af potentialet
Der er imidlertid ikke taget højde for øvrige årsager til forskelle i scorer og
heller ikke, at en del af potentialet skyldes faktorer, som forbrændingsanlæggene ikke
vil have mulighed for at påvirke. Det uddybes i afsnit 4.5. Endvidere er robustheden af
resultatet i forhold til de valgte variable ikke analyseret. Det belyses i afsnit 4.4.
Ved at inddrage emissionerne som input i analysen sikres opretholdelse af en vis
miljøstandard. Det betyder også, at der faktisk er identificeret et potentiale for
reduktion af luftemissioner på samme tid som et økonomisk potentiale.
Analysen viser således, at der samtidig med det økonomiske
effektiviseringspotentiale er et miljømæssigt "effektiviseringspotentiale".
For partikler ligger det samlede potentiale i størrelsesorden 5-13 tons årligt, hvilket
svarer til en besparelse på i gennemsnit 5%-14% af anlæggenes partikelemissioner. For SO2
ligger det samlede potentiale i størrelsesorden på 63-147 tons årligt, hvilket svarer
til en besparelse på i gennemsnit 6%-12% af anlæggenes SO2-emissioner.
Sparede emissioner i
samfundsøkonomisk analyse
I en samfundsøkonomisk analyse ville de identificerede besparelser i
emissioner kunne prissættes og indgå som en gevinst for samfundet ved en realisering af
potentialet. |
For at kvalificere resultatet fra basis DEA-analysen er der udført en række
supplerende analyser, der belyser, hvor meget resultaterne afviger ved brug af alternative
kombinationer af input og output. Følgende 6 DEA-modeller er analyseret:
 | Model 1: Uden ikke-genanvendt slagger. Som nævnt tidligere er der en vis usikkerhed om
validiteten af denne oplysning og der er indført skærpede regler for kvaliteten af
slaggerne for at de kan genanvendes. |
 | Model 2: Med HCl-emissionerne i stedet for SO2-emissionerne. |
 | Model 3: Med opsplitning af omkostningerne i drifts- og anlægsomkostninger
(afskrivning, forrentning og leasing). |
 | Model 4: Uden emissioner og ikke-genanvendte slagger. |
 | Model 5: Produceret varme erstattet af produceret minus bortkølet mængde. |
 | Model 6: Samlede omkostninger fratrukket skønnede omkostninger til dioxinrensning
(investering samt drift og vedligehold). |
Input og output
Tabellen nedenfor giver en samlet oversigt over de indgående variable i de supplerende
modeller.
Tabel 4.8
Oversigt over input og output i analyserne
Model |
BM |
M1 |
M2 |
M3 |
M4 |
M5 |
M6 |
Input |
|
|
|
|
|
|
|
Samlede omkostninger (brutto) |
X |
X |
X |
|
X |
X |
|
Driftsomkostninger |
|
|
|
X |
|
|
|
Afskrivning, forrentning og leasing |
|
|
|
X |
|
|
|
Samlede omkostninger minus forventede
dioxinomkostninger |
|
|
|
|
|
|
X |
Partikelemissioner |
X |
X |
X |
X |
|
X |
X |
SO2-emissioner |
X |
X |
|
X |
|
X |
X |
HCl-emissioner |
|
|
X |
|
|
|
|
Ikke genanvendt slaggemængde |
X |
|
X |
|
|
X |
X |
Output |
|
|
|
|
|
|
|
Forbrændt mængde |
X |
X |
X |
X |
X |
X |
X |
Produceret mængde varme |
X |
X |
X |
X |
X |
|
X |
Produceret mængde el |
X |
X |
X |
X |
X |
X |
X |
Produceret minus bortkølet mængde varme |
|
|
|
|
|
X |
|
Resultater
På basis af input og outputvariablene i tabellen er de supplerede DEA-analyser
gennemført. Scorerne for hvert af de 23 forbrændingsanlæg vises i Bilag 2-7. De samlede
beregnede bruttopotentiale for hver af analyserne ses i figuren nedenfor. De potentialer,
der sammenlignes, er bruttopotentialer inklusiv eventuelt langsigts strukturændringer.
Figur 4.13
Bruttoeffektiviseringspotentiale i DEA-analyserne
Basismodellen fra afsnit 4.3 er illustreret ved den første søjle i figuren. Det
fremgår, at resultaterne fra Model 1, Model 2, Model 5 og Model 6 ligger endog meget tæt
på basismodellen. Det betyder, at skiftene i variable ikke påvirker det samlede
bruttopotentiale i nævneværdigt omfang.
I Model 5 skal det understreges, at det ofte er forhold, som anlægget ikke har
mulighed for at påvirke, der medfører, at en del af affaldsvarmen bliver bortkølet. På
det samlede niveau betyder denne forudsætning som vist stort set intet. Effekten på det
enkelte anlæg kan dog være større (se bilag).
De modeller, hvor det samlede potentiale påvirkes i større omfang, er Model 3 og
Model 4. Begge resultater er i overensstemmelse med forventningerne.
I Model 3 reduceres bruttopotentialet med ca. 15%. I denne model tillades det nemlig,
at et anlæg kan blive efficient på to omkostningselementer i stedet for et (de samlede
omkostninger). Det betyder, at et anlæg kan blive efficient, når bare den ene af disse
omkostningskomponenter er lav, selvom de samlede omkostninger er høje. Dette virker ikke
rimeligt. Analysen vurderes derfor ikke at være relevant til at fastlægge
bruttoeffektiviseringspotentialet i det efterfølgende afsnit.
DEA-analyse på driftsomkostninger
Kunne man ikke udføre DEA-analysen som i basisanalysen, men kun
inkludere driftsomkostninger i stedet for samtlige omkostninger? På den måde ville man
slippe for at benytte de mere usikre omkostninger til afskrivning og forrentning, der er
en fast omkostning anlæggene har svært ved at ændre.
Ved at udføre DEA-analysen alene på driftsomkostninger (og med
miljø) udelades det vigtige element, at der er en afvejning mellem driftsomkostninger og
anlægsomkostninger. Man kan beslutte at producere på et gammelt og næsten fuldt
afskrevet produktionsapparat, men til gengæld have lave driftsomkostninger og vice versa.
Således har nogle anlæg høje anlægsomkostninger, men til gengæld lave
driftsomkostninger, mens andre anlæg har lave anlægsomkostninger men til gengæld
højere driftsomkostninger. Det relevante i benchmarkingen er det samlede
omkostningstræk, og det får man ikke med ved at lave DEA-analysen alene på
driftsomkostninger.
For at belyse konsekvensen er der gennemført en DEA-analyse, som i
stedet for de totale omkostninger alene medtager driftsomkostninger. Miljøparametre og
outputparametre er stadig de samme som i basismodellen. Denne analyse resulterer i et
samlet bruttoeffektiviserings-potentiale på 320 mio. kr. Potentialet vokser altså med
ca. 50% i forhold til basis DEA-modellen. Årsagen til, at potentialet vokser så meget,
er, at der er meget større variationer i driftsomkostningerne pr. ton, end der er i de
samlede bruttoomkostninger pr. ton. (Det er et tilfælde, at resultatet af denne analyse
svarer næsten nøjagtigt til resultatet af Model 4)
(Det skal bemærkes, at denne analyse ikke indgår i Figur 4.13.) |
I Model 4 vokser bruttopotentialet med ca. 50%. I denne model tillades nemlig, at et
anlæg bliver efficient, hvis det er billigt, selvom det samtidig udleder mange emissioner
og slagger til deponering. Denne analyse illustrerer således også, at de anlæg, der er
miljøvenlige altså betaler for at være det. Det ses i analysen, at det netop er anlæg
med lave emissioner, som i basismodellen var efficiente, som i Model 4 bliver
inefficiente. Model 4 kunne i princippet danne grundlag for den videre analyse. I så fald
skulle forskellene i emissioner i stedet medtages i den statistiske analyse. Det er
imidlertid vurderet, at DEA-metoden er et bedre redskab til at tage højde for, at
anlæggene har forskellige niveauer af emissioner og slagger. Derfor anvendes Model 4 ikke
som grundlag for den videre analyse.
Er antallet af variable i DEA-analysen for højt?
Kan det tænkes, at antallet af variable er for højt i forhold til
antallet af anlæg i analysen? Det vil i så fald bevirke, at der er for mange efficiente
anlæg.
Det er rigtigt, at jo flere variable der er i analysen, jo større
sandsynlighed er der for, at et enkelt anlæg bliver efficient. Det er imidlertid også
vigtigt at centrale input og output ikke ekskluderes af analysen.
For at belyse konsekvensen af antallet af variable er der udført en
DEA-analyse, som ekskluderer SO2-emissionerne og den ikke genanvendte
slaggemængde, men ellers er som basis DEA-analysen. Denne analyse inkluderer således 5
input og output variable i stedet for 7, men indeholder stadig én miljøparameter,
hvilket er centralt for resultatets anvendelighed.
Denne analyse resulterer i et samlet bruttoeffektiviseringspotentiale
på 237 mio. kr. Potentialet vokser altså med ca. 12% i forhold til basis DEA-modellen.
Som forventet har antallet af variable betydning for
bruttoeffektiviseringspotentialets størrelse om end forskellen i det samlede potentiale
er mindre. Det er vigtigt at understrege, at hvis man ekskluderer væsentlige variable vil
analysen ikke blive retvisende. Hvis det eksempelvis blev valgt at ekskludere miljø helt
af DEA-analysen, skulle de supplerende analyser justeres for miljø i stedet (hvis man
fortsat mener, at emissioner udgør en ressourcebelastning for samfundet), hvilket igen
ville reducere potentialet. |
Der er som nævnt en række andre forhold end de, der er inkluderet i DEA-analyserne,
der potentielt spiller en rolle for effektiviteten på et anlæg. Formålet med dette
afsnit er at kvalificere det identificerede bruttopotentiale ud fra disse andre forhold
ved at udføre statistiske analyser. Det ultimative formål er således at identificere
årsagerne til potentialet og vurdere i hvilket omfang potentialet kan realiseres.
Kvalificeringen af potentialet beskrives i det følgende afsnit.
De variable, som ikke er inddraget direkte i DEA-analyserne, kan i princippet være
lige så vigtige som dem, der indgår direkte. Det er imidlertid ikke alle variable, der
kan integreres i en DEA-model (se Bilag 1). Derfor er en række af de indsamlede variable
inddraget i supplerende statistiske analyser.
Følgende variable har været inddraget og undersøgt i supplerende statistiske
analyser:
 | Ovntype |
 | Røggasrensningstype |
 | Filter |
 | Dioxinrensning |
 | Ovnkapacitet |
 | Ovnliniernes alder |
 | Uplanlagte driftsstop |
 | Tid med driftsstop i forhold til aktiv tid |
 | Affaldets brændværdi |
 | Sideaktiviteter |
 | Opfyldelse af EU direktiv |
 | Geografisk placering |
 | Ejerforhold |
 | Sygedage pr. ansat |
 | Resultatløn |
 | Ressourceforbrug på affaldsplaner |
 | Åbningstid |
Den statistiske analyse skal forsøge at forklare den del af potentialet, der ikke er
identificeret som et potentiale relateret til stordriftsfordele (skalapotentiale). Det er
således ved hjælp af lineær regression undersøgt, om VRS-scoren for anlæggene
afhænger statistisk signifikant af ovenstående variable. En række af variablene indgår
som dummy-variable, dvs. de antager enten værdien 0 eller 1. Dette gælder f.eks.
røggasrensningstype, geografisk placering og dioxinrensning. En række andre variable er
konstruerede variable mellem 0 og 1. Dette gælder eksempelvis ovntypen, som er 0, hvis
anlægget kun har VV ovne, 1 hvis anlægget kun har KV ovne og mellem 0 og 1 for blandede
anlæg32.
Den statistiske analyse udpeger nogle få elementer som har betydning for de
identificerede scorer. De fleste af de ovenstående elementer har imidlertid vist sig ikke
at have statistisk signifikant påvirkning af scorerne. I den sammenhæng skal det
erindres, at de fleste anlæg er efficiente, og at der derfor ikke er mange anlæg med en
score mindre end én. Endvidere er der ikke stor variation i scorerne.
Nedenfor er nævnt de variable, der har vist sig at kunne forklare forskellene i
anlæggenes scorer på den bedste måde33.
Antallet af uplanlagte driftsstop pr. ovn har en væsentlig betydning for
anlæggenes score. Jo flere uplanlagte driftsstop, jo lavere score34. Det er et meget intuitivt resultat, da det er dyrt ikke
at kunne benytte anlægget optimalt. Ofte er gamle og dårligt vedligeholdte anlæg
tilbøjelige til at have flere uplanlagte driftsstop end andre anlæg. Men der kan også
være flere uplanlagte driftsstop, hvis anlægget drives for tæt på kapacitetsgrænsen.
Det skal dog bemærkes, at resultatet også kan dække over, at anlæggene med mange
driftsstop på andre punkter er inefficiente i deres drift. Det skal her bemærkes, at
flere anlæg har opereret på kapacitetsgrænsen i flere år inklusiv år 2000. Med de
igangværende udvidelser må antallet af uplanlagte driftsstop formodes at falde i de
kommende år, givet at mængderne af affald til forbrænding ikke stiger.
Jo større andel af ovnene på et anlæg, der er KV-ovne, jo større er
sandsynligheden for at anlægget er efficient. Det skal erindres, at benchmarkinganalysen
kun betragter omkostningssiden. Branchen har peget på, at der kan være større
omkostninger forbundet med at producere både el og varme. Det bekræftes altså ikke af
benchmarkinganalysen.
Endelig er der en tendens til, at anlæg med våd røggasrensning kommer
dårligere ud end de andre anlæg i analysen. Det kan skyldes, at våd røggasrensning er
dyrere i investeringsomkostninger end tør og semitør røggasrensning. Anlæg med våd
røggasrensning er dog billigere i drift på nogle områder, men også mere komplicerede,
så forskellen kan også skyldes eksempelvis forskelle i uddannelse af personale til
håndteringen af røggasrensningen.
Alle de øvrige variable nævnt i listen ovenfor har således ikke vist sig at være
signifikante for anlæggenes effektivitet. Det vil eksempelvis sige, at det ikke er muligt
at identificere en forskel mellem anlæg, der modtager affald med en høj og en lav
brændværdi. Dette betyder, at anlæg, der på grund af sammensætningen af affaldstyper
modtager affald med en lav brændværdi, ikke systematisk kommer dårligere ud i analysen
end anlæg, der modtager affald med en høj brændværdi.
Det skal dog nævnes, at der ses en tendens til at anlæg, der assisterer med at
udarbejde affaldsplaner, er mindre efficiente end de øvrige anlæg. Endvidere ses
en tendens til at jo nyere anlæggene er, jo mindre efficiente er de. Det skyldes
formentligt, at de ældre anlæg i højere grad er afskrevet.
DEA-analysen identificerede to bruttoeffektiviseringspotentialer. Det ene potentiale
var på 213 mio. kr. årligt og indeholdt både et skalapotentiale og et teknisk
potentiale. Det andet potentiale var på 145 mio. kr. årligt og indeholdt kun det, der
her kaldes et teknisk potentiale.
Resultaterne af den statistiske analyse anvendes i det følgende til at kvalificere det
identificerede tekniske effektiviseringspotentiale på 145 mio. kr. pr. år.
Efterfølgende vurderes det kvalitativt, hvor stor en del af det identificerede
skalapotentiale på 68 mio. kr. (213-145 mio. kr.), der kan forventes realiseret.
Først udregnes de konkrete delelementer af det tekniske potentiale på basis af de
statistiske analyser, og dernæst vurderes det resterende potentiale. Potentialet
kategoriseres som beskrevet i metodeafsnittet efter to dimensioner:
 | Potentiale på kort sigt, på lang sigt og vanskeligt eller slet ikke realiserbart. |
 | Potentiale, som anlæggene selv kan påvirke eller som de ikke kan påvirke. |
Anvendt metode til kvalificering af potentialet
Den statistiske analyse resulterer i en række parametre.
Eksempelvis er parameteren for, at anlægget har våd røggasrensning
på -0,079. Dette betyder rent teknisk, at de anlæg, der har våd røggasrensning, i
gennemsnit ville have en VRS score på 0,079 højere, end de har nu, hvis de ikke havde
våd røggasrensning. Dette kan direkte omregnes til et potentiale, nemlig summen af
0,079*totalomkostningerne på de pågældende anlæg.
Helt så enkelt er det ikke med parameteren til uplanlagte driftsstop.
For at kvalificere potentialet er det nødvendigt at vurdere, hvilket
sammenligningsgrundlag, der skal anvendes. Eksempelvis en halvering af de uplanlagte
driftsstop. |
Teknisk potentiale
I dette afsnit benyttes resultaterne af de statistiske analyser.
Uplanlagte driftsstop
Effektiviseringspotentialet, der stammer fra uplanlagte driftsstop på de forskellige
forbrændingsanlæg, kan beregnes til ca. 99 mio. kr. i år 2000 svarende til ca. 68% af
det identificerede tekniske potentiale. Udgangspunktet for denne beregning er en antagelse
om, at anlæggene kan halvere antallet af uplanlagte driftsstop.
De uplanlagte stop giver anledning til ekstra omkostninger, da reparationsarbejder ikke
kan planlægges og dermed ofte udføres uden konkurrence med overtidsbetaling og med
haste-fremskaffelse af komponenter. Det skal dog bemærkes, at resultatet også kan dække
over, at anlæggene med mange driftsstop på andre punkter ikke er effektive i deres
drift.
Potentialet kategoriseres som et kortsigtspotentiale, som anlæggene og deres ejere
selv kontrollerer. Denne kategorisering baseres på de pågældende anlægs situation. Det
skal her bemærkes, at flere anlæg har opereret på kapacitetsgrænsen i flere år. Med
de igangværende udvidelser må antallet af uplanlagte driftsstop formodes at falde i de
kommende år, givet at mængderne af affald til forbrænding ikke stiger. En del af
potentialet kan skyldes, at anlæggene kunne vedligeholdes eller drives bedre, mens en
anden del af potentialet kan skyldes, at anlæggene er gamle. Det er klart, at en
modernisering af anlæggene ikke er et potentiale på helt kort sigt, men dog heller ikke
på helt lang sigt.
Type ovn
Anlæggenes ovntype bidrager med ca. 10 mio. kr. pr. år til
effektiviseringspotentialet. Den statistiske analyse indikerer, at jo større andel
KV-ovne på anlægget, jo bedre effektivitet. Dette potentiale vil automatisk blive en
realitet, når anlæggene fornyes, men potentialet er svært at forklare. Derfor
kategoriseres potentialet som et potentiale, der kun vanskeligt eller slet ikke kan
realiseres.
Våd røggasrensning
Om anlæggene har våd røggasrensning, bidrager med ca. 14 mio. kr. pr. år til
effektiviseringspotentialet. Den statistiske analyse indikerer altså, at jo færre anlæg
med våd røggasrensning, jo bedre effektivitet. Igen er potentialet svært at fortolke.
Samtidig har anlæg med våd røggasrensning den fordel, at de har mindre restprodukt end
de anlæg med tør røggasrensning, hvilket hverken indgår i DEA-analysen eller i den
statistiske analyse. Derfor kategoriseres potentialet under et potentiale, der kun
vanskeligt eller slet ikke kan realiseres.
På basis af de tre identificerede betydende parametre er de inefficiente anlægs
potentialer justeret, så potentialet for disse anlæg renses for de tre forhold. Dette er
illustreret i figuren nedenfor.
Figur 4.14
Justeret VRS-scorer på anlæggene
Figuren illustrerer, at en stor del af potentialet kan forklares med de identificerede
faktorer. Fortolkningen er, at for eksempelvis anlæg O har de identificerede parametre
været i stand til at forklare hele det identificerede potentiale. Anlæg O er et anlæg
med våd røggasrensning, der har en VV-ovn og to KV-ovne og har haft 9 uplanlagte
driftsstop pr. ovn i år 2000. Det ses, at disse karakteristika forklarer hele anlæggets
score ud fra den statistiske analyse.
Karakteristik af de 7 efficiente anlæg
De efficiente anlæg i analysen er meget forskellige. De er
karakteriseret ved:
 | Anlæggenes alder varierer meget.
|
 | Anlæggene har fra 1 til 5 ovne
|
 | De efficiente anlæg er både rene KV anlæg og blandede anlæg.
|
 | Anlæggenes affald har ikke en markant højere brændværdi end de
øvrige anlæg.
|
 | 3 af anlæggene renser allerede for dioxin
|
 | Blandt de 7 anlæg har 3 anlæg svaret, at de allerede lever op til
kravene i EU direktivet.
|
 | Anlæggenes materiale og ressourceforbrug (i % af de samlede
omkostninger) ligger lidt under disse omkostninger på flere af de øvrige anlæg.
|
 | Personaleomkostningerne svinger meget og er således ikke generelt
lavere end de øvrige anlægs omkostninger.
|
 | 6 ud af de 7 anlæg angiver, at de udfører forebyggende vedligehold
på anlæggene.
|
 | Anlæggene angiver, at både miljø og økonomi prioriteres højt.
|
 | 2 af de 7 anlæg udarbejder affaldsplaner for interessentkommunerne.
|
 | Anlæggene udfører alle serviceydelser i større eller mindre grad.
|
Det overordnede billede af de efficiente anlæg er således blandet. |
Det resterende potentiale
Det resterende tekniske potentiale (efter justering for de testede variable) er på
21,8 mio. kr. Potentialet kan ikke umiddelbart kvalificeres ud fra den statistiske
analyse. Det resterende potentiale dækker over et potentiale på ca. 12 mio. kr. på et
anlæg, som har angivet, at år 2000 var et indkøringsår for en ny ovn. Ud fra et
konservativt princip er det skønnet, at dette potentiale ikke er et reelt potentiale, og
det grupperes derfor som et vanskeligt eller et slet ikke realiserbart potentiale. Hertil
kommer ca. 1 mio. kr., der anvendes til forskellige former for serviceydelser på
anlæggene, blandt andet udarbejdelse af affaldsplaner, klagesagsbehandling, besøg,
takstberegning etc. Dette potentiale vil heller ikke kunne realiseres.
Figur 4.15
Kvalificering af det tekniske potentiale ud fra den statistiske analyse
For at kunne kvalificere det resterende potentiale yderligere, er der nedenfor
foretaget en supplerende analyse af DEA-scorerne.
Ud over DEA-scorerne beskriver DEA-programmet også, hvordan et inefficient anlæg skal
være for at være efficient, altså hvilke omkostninger mv. anlægget skal have. Disse
beregninger baserer sig på omkostningerne mv. fra de efficiente anlæg i analysen. Det
kan benyttes til at kvalificere, hvilken type omkostninger de inefficiente anlæg bør
kunne reducere. Omkostningerne er i det følgende splittet op i to kategorier:
 | Driftsomkostninger: Personale, eksterne tjenesteydelser, materialer, øvrige og
fællesomkostninger. |
 | Anlægsomkostninger: Afskrivning, forrentning og leasing af materiel. |
Udregnes det samlede tekniske potentiale for de to omkostningskategorier er resultatet,
at 111 mio. kr. eller 77% af det tekniske potentiale er driftsomkostninger, mens kun 34
mio. kr. eller 23% stammer fra anlægsomkostninger.
Det er således langt den overvejende del af potentialet, der må antages at kunne
henføres til driftsomkostninger. Det er på denne baggrund vurderet, at de 9,8 mio. kr.
af det resterende potentiale højst sandsynligt er driftsomkostninger, som kan realiseres
på kort sigt.
Tabellen nedenfor opsummerer det tekniske potentiales fordeling.
Tabel 4.9
Opdeling af det tekniske potential, forbrændingsanlæg
|
Mio. kr. |
Realiserbart på kort sigt, anlæg |
108 |
Realiserbart på lang sigt |
- |
Ikke realiserbart |
37 |
I alt |
145 |
Skalapotentiale
DEA-analysen identificerede - udover det netop diskuterede tekniske potentiale - et
skalapotentiale på 68 mio. kr. årligt. Skalapotentialet peger på, at en række anlæg
kunne blive bedre, hvis de kunne udnytte stordriftsfordele bedre, end de gør nu.
Dette betyder også, at anlæggene enten skulle udvides og samtidig modtage mere
affald, eller at anlæggene skulle slås sammen. Affaldsmængderne til forbrænding har
imidlertid været stigende og vil formentlig fortsætte med at stige i de kommende år.
Samtidig har anlæggene i mange tilfælde ikke haft kapacitet nok til at forbrænde de
indkomne mængder, men har været nødt til at mellemdeponere affaldet. Der er allerede i
dag planlagt en udvidelse af visse anlæg, og de seneste analyser35 viser, at denne udvidelse gør at kapaciteten er
tilstrækkelig allerede fra 2004. Derfor er det sandsynligt, at der er affald nok til at
udnytte stordriftsfordelene ved den allerede igangværende udvidelse af eksisterende
anlæg.
DEA-analysens resultat om anlæg, som burde kunne udnytte stordriftsfordele, er
sammenlignet med de anlæg, som er i gang med at udvide kapaciteten. Den del af
skalapotentialet karakteriseres som et realiserbart kortsigtspotentiale.
Det resterende skalapotentiale er kategoriseret som et langsigtspotentiale. Dette
potentiale er vurderet ved at betragte hvert enkelt af de resterende anlæg og overordnet
at vurdere anlæggets varmemarked. Potentialet for anlæg, som i forvejen bortkøler mere
end 5% af den producerede varme, er ekskluderet, idet disse ikke vurderes at kunne
afsætte mere varme36. Endvidere er
potentialet for anlæg, der ligger på en geografisk placering, som påvirker
affaldsoplandet, udelukket fra analysen.
På denne baggrund kan skalapotentialet opdeles som vist i tabellen nedenfor.
Tabel 4.10
Opdeling af skalapotentialet, forbrændingsanlæg
|
Mio. kr. |
Antages at blive realiseret ved planlagt
udvidelse |
17 |
Realiserbart på lang sigt |
19 |
Ikke realiserbart |
31 |
I alt |
68 |
Potentialet er realiserbart i den forstand, at bruttoomkostningerne per ton burde blive
mindre, jo større anlæggene bliver. Men, hvis de samlede mængder stiger, vil de samlede
bruttoomkostninger naturligvis også stige.
En udvidelse af anlæggene kræver miljøgodkendelser. Det er derfor klart, at den
realiserbare del af potentialet forudsætter, at myndighederne tillader udvidelserne. Ud
fra et konservativt princip kategoriseres hele det resterende potentiale som et
potentiale, anlæggene ikke selv kan påvirke.
Opsummering af potentialet
Nedenfor er opsummeret fordeling af skalapotentialet og det tekniske potentiale opdelt
på de identificerede poster.
Se her!
Figur 4.16
Opsummering af potentialet på forbrændingsanlæg
Skalapotentialet udgør ca. 68 mio. kr. i år 2000, mens det tekniske potentiale udgør
ca. 145 mio. kr. i år 2000.
Konklusion
Analysen peger på, at der er et effektiviseringspotentiale på forbrændingsområdet i
Danmark. Når der er taget hensyn til alle ovenstående aspekter, er der identificeret et
potentiale på ca. halvdelen af anlæggene. Potentialet er opgjort som vist i tabellen
nedenfor.
Tabel 4.11
Opdeling af effektiviseringspotentiale på forbrændingsområdet i Danmark,
mio. kr. i år 2000
Aktør
Tidshorisont |
Anlæg |
Ikke anlæg |
Ikke
realiserbart |
I alt |
Kort sigt |
120-130 |
- |
Opdeles ikke |
120-130 |
Lang sigt |
- |
15-25 |
Opdeles ikke |
15-25 |
Ikke realiserbart |
Opdeles ikke |
Opdeles ikke |
60-70 |
60-70 |
I alt |
120-130 |
15-25 |
60-70 |
215 |
Det kan konkluderes, at 120-130 mio. kr. årligt, svarende til i gennemsnit 7-8% af de
samlede omkostninger, bør kunne realiseres på kort sigt, mens 15-25 mio. kr. årligt,
svarende til i gennemsnit 1-1,5% bør kunne realiseres på lang sigt. En mindre del af det
kortsigtede og hele det langsigtede potentiale er ikke direkte beløb, der kan spares.
Beløbet kan spares via en reduktion i omkostningerne per ton ved stigende mængder i
forhold til omkostningerne per ton i dag (Skalapotentiale).
Der er således en stor andel af det identificerede potentiale, som bør kunne
realiseres på relativt kort sigt. Analysen peger på, at en stor del af det kortsigtede
potentiale skyldes uplanlagte driftsstop, men dette resultat kan også dække over, at
anlæggene med mange driftsstop på andre punkter er inefficiente i deres drift. Det skal
her bemærkes, at flere anlæg har opereret på kapacitetsgrænsen i flere år. Med de
igangværende udvidelser må antallet af uplanlagte driftsstop formodes at falde i de
kommende år, givet at mængden af affald til forbrænding ikke stiger.
For det langsigtede potentiale peger analysen på, at der er et skalapotentiale, som
kan realiseres, hvis en række af anlæggene kan udnytte de fordele der er forbundet med
at modtage en større mængde affald (udnytte stordriftsfordele).
De fleste anlæg afbrændte i år 2000 affald helt op til deres kapacitetsgrænse. Det
vurderes, at udviklingen i affaldsmængderne til forbrænding giver grundlag for at
udnytte stordriftsfordelene ved udvidelse af anlæggene fremfor sammenlægning af anlæg.
Der er allerede i dag planlagt en udvidelse af visse anlæg, og de seneste analyser37 viser, at denne udvidelse gør at kapaciteten
er tilstrækkelig allerede fra 2004. Det identificerede potentiale vurderes derfor at
kunne realiseres med den nuværende struktur. En forudsætning er dog, at den øgede
energiproduktion kan afsættes til mindst de marginale omkostninger.
Det er ikke direkte undersøgt, hvor mange ressourcer, der skal til for at realisere
potentialerne. Tag potentialet på 120 mio kr fra tabellen ovenfor som eksempel. Hvis det
kan opgøres, at det vil koste 40 mio kr at realisere potentialet, så viser analysen, at
der kan spares 160 mio kr. Potentialet på de 120 mio kr er altså en mulig
netto-besparelse, givet at anlæggene investerer ligeså fornuftigt som de effektive
anlæg. Årsagen er, at potentialet er bestemt ud fra anlæg, der har tilsvarende lavere
omkostninger, men som allerede har afholdt evt. driftsinvesteringer.
Der er endvidere identificeret et potentiale på 60-70 mio. kr. årligt, som dog
forventes kun vanskeligt eller ikke at kunne realiseres.
I metodeafsnittet er usikkerheden på følgende elementer diskuteret:
 | Mængder |
 | Omkostninger |
 | Miljø-parametre |
Nedenfor diskuteres usikkerheden specielt i relation til forbrændingsanlæg.
Som nævnt i metodeafsnittet vurderes mængderne ikke at være usikre.
Omkostninger
For omkostningernes vedkommende, er der dels usikkerhed ved opgørelse af afskrivning
og forrentning og dels ved fordeling af omkostningerne mellem de forskellige aktiviteter.
Afskrivninger og forrentning vurderes at være det element, der er forbundet med den
mest betydningsfulde usikkerhed for forbrændingsanlæg. Denne omkostningskomponent udgør
ca. 40% af de samlede omkostninger i analysen.
Ni ud af de 23 analyserede anlæg oplyser, at de ikke normalt følger
årsregnskabsloven i deres regnskab. Flere af disse gør dog noget tilsvarende. De
resterende anlæg har måttet skønne afskrivning og forrentning til denne undersøgelse.
Det er dog undersøgt, om de 9 anlæg systematisk adskiller sig fra de øvrige anlæg i
analysen, og dette er ikke tilfældet. De resterende 14 anlæg angiver, at de følger
årsregnskabsloven, det vil sige opgør forretning og afskrivning efter en nøjere fastsat
metode. Det kan være, at anlæggene anvender forskellige levetider, men det er vigtigere,
at de anvender realistiske levetider for deres anlæg end de samme levetider på samtlige
anlæg.
Et andet usikkerhedselement, der dog for forbrændingsanlæg vurderes at have mindre
betydning, er fordeling af omkostninger. Ca. halvdelen af forbrændingsanlæggene har ikke
andre aktiviteter end forbrænding, og her er der således ingen usikkerhed. For de
øvrige anlæg vil selve forbrændingsanlægget typisk være meget omkostningstungt både
på anlægs og driftssiden. Derfor betyder det mindre, om f.eks. fællesomkostningerne,
som kun udgør 6%, er helt korrekt delt ud mellem de forskellige aktiviteter.
En samlet vurdering af usikkerheden på omkostningerne til forbrænding på op til ± ca.10%38 vurderes at
være rimelig. Dette svarer til en usikkerhed på afskrivning og forrentning på over 20%
kombineret med en mindre usikkerhed på fordeling af omkostninger.
Emissioner
Emissionerne er som nævnt behæftet med måleusikkerhed, der kan være rimelig stor.
For emissionerne er der således anvendt en usikkerhed på ±
ca.30%. De to indgående emissioner, partikler og SO2 er varieret uafhængigt
af hinanden.
Konkret metode
I de præsenterede robusthedsanalyser er data-elementerne ændret 20 gange med en
tilfældig (normalfordelt) faktor. Dernæst er der gennemført en DEA-analyse svarende til
hvert af de 20 datasæt, og de resulterende scorer er anvendt til at udregne det totale
effektiviseringspotentiale.
De anvendte tilfældige tal er vist i figuren nedenfor for afvigelserne på ca. ± 10%. For afvigelserne på ± 30% er der
anvendt 3 gange disse afvigelser.
Figur 4.17
Anvendte afvigelser i robusthedsanalysen
Note: Gennemsnittet af de automatisk generede afvigelser er meget tæt på 0. Hver
af prikkerne i figuren illustrerer den faktor, der er anvendt på en af de 23 anlæg i et
af de 20 "forsøg". Figuren illustrer, at der hovedsagelig er anvendt afvigelser
på op til ± 10%, men også i enkelte tilfælde højere. Da
DEA-analysen direkte sammenligner anlæggene med hinanden, er det værd at bemærke, at
den relative forskel i anlæggenes data har varieret med op til det dobbelte. Der er
således tale om betydelige ændringer i de relative størrelser.
Robusthedsanalyse på økonomi
De beregnede effektiviseringspotentialer i hvert af de 20 "forsøg" er
sammenlignet med potentialet i basis-situationen. Gennemsnittet af de 20
effektiviseringspotentialer er lidt under 2% lavere end effektiviseringspotentialet i
basissituationen, hvilket vurderes at være tilfredsstillende. Fordelingen af de
procentvise afvigelser fra basis-situationen er vist i figuren nedenfor.
Figur 4.18
Robusthedsanalyse på omkostninger - procentvise afvigelser fra
basis-situationen
Note: afvigelserne er sorteret efter størrelse.
Figuren viser, at effektiviseringspotentialet i de 20 kørsler med 2 undtagelser er inden
for ± 15% af effektiviseringspotentialet i basis-situationen.
Årsagen til dette resultat er, at forbrændingsanlæggene ligger så relativt tæt på
hinanden, at det svinger lidt, hvilke anlæg, der er efficiente. Specielt er der 2 anlæg,
der ligger "på vippen", og skiftevis er efficiente og ikke efficiente i
analysen. Disse anlæg har i basis-modellen en score på 0,96 og 1 ét er altså
efficient og det andet tæt på at være det.
Resultatet vurderes at være tilfredsstillende set i lyset af de forholdsvis store og samtidige
afvigelser i anlæggenes totale omkostninger. Hvis det er omkostningerne for et enkelt
anlæg, der er for store eller for små, er effekten naturligvis betydelig mindre.
Robusthedsanalyse på emissioner
De beregnede effektiviseringspotentialer i hvert af de 20 "forsøg" er igen
sammenlignet med potentialet i basis-situationen. Gennemsnittet af de 20
effektiviseringspotentialer er 3% højere end effektiviseringspotentialet i
basissituationen, hvilket igen vurderes at være tilfredsstillende. Fordelingen af de
procentvise afvigelser fra basis-situationen er vist i figuren nedenfor.
Figur 4.19
Robusthedsanalyse på emissioner - procentvise afvigelser fra
basis-situationen
Note: afvigelserne er sorteret efter størrelse.
Figuren viser, at effektiviseringspotentialet selv med store afvigelser på emissionerne,
kun varierer med op til ca. 10%. Det kan således konkluderes, at resultatet er robust
mht. usikkerhed på emissioner, selvom netop emissionerne kan være behæftet med en
betydelig måleusikkerhed.
"Outliers"
Der er ikke i forbrændingsanalysen visse anlæg, der kraftigt dominerer de øvrige
anlæg. Derfor er der ikke grund til at undersøge effekten af, at dominerende anlæg
udelukkes fra analysen.
Konklusion
Samlet set viser robusthedsanalyserne, at rimelige afvigelser i de samlede omkostninger
og endog større afvigelser i emissionerne ikke skævvrider det samlede billede
betydeligt.
Det er naturligvis altid vigtigt at have indsamlet de korrekte data fra anlæggene, men
der er således ikke grund til bekymring over mindre afvigelser fra det sande billede.
Usikkerhedsanalyserne indikerer, at en usikkerhed på ± 20%
på det samlede potentiale er en tilstrækkelig usikkerhedsmargin.
19 |
Inklusiv skalapotentiale og hensyntagen til udvidelsesplaner
og varmemarked.
|
20 |
Orientering nr. 11 fra Miljøstyrelsen: Affaldsforbrænding
i 2004 og 2008. Mængder og kapacitet.
|
21 |
Der er vægtet med affaldsmængderne.
|
22 |
Det skal bemærkes, at forrentning er beregnet som 6% af den
gennemsnitlige værdi af anlæggets aktiver (kapitalværdi) for år 2000. Forretning
beregnes sædvanligvis på denne måde i finansielle analyser, og fortolkningen er, at der
er en omkostning ved at have bundet pengene i anlægget fremfor f.eks. at have investeret
i obligationer. Forrentningen omfatter således ikke faktiske finansielle omkostninger
(renteudgifter og -indtægter). Analysen forholder sig således ikke til, hvor effektive
anlæggene er til at låne penge.
|
23 |
Der henvises til Bekendtgørelse af lov om varmeforsyning LBK
nr 772 af 24/07/2000 §20.
|
24 |
Kilde: Milgrom, Paul og John Roberts (1992): Economics,
organization and management og Tirole, Jean (1988): The theory of industrial organization
|
25 |
Direktiv 2000/76/EC af 4. december 2000.
|
26 |
Restproduktbekendtgørelsen, Bekendtgørelse nr. 655 af 27.
juni 2000.
|
27 |
Gennemsnittet er vægtet med affaldsmængderne. Tages et
uvægtet gennemsnit fås 3,5 ansatte pr. 10.000 tons forbrændt affald.
|
28 |
CO anses ikke for at have væsentlige sundhedsskadelige
effekter, når det slippes ud i atmosfæren. I værdisætningslitteraturen er CO ofte
prissat med nul.
|
29 |
Scoren giver et konservativt estimat for, hvor stor en andel
af samtlige input, anlægget burde kunne nøjes med og stadig producere den samme mængde
output. Estimatet er konservativt, fordi der kan optræde såkaldt inputslack i
inputvariablene (se Bilag 1). Det er undersøgt, om der er inputslack af betydning for de
indgående variable. For omkostningerne er der intet input-slack, mens der for
emissionerne ses et blandet billede. Inputslacket er størst for SO2
emissioner.
|
30 |
Det kan nævnes, at anlægget i 2000 bortkølede mindre end
0,25% af den producerede varme. Det er COWIs vurdering, at affaldsoplandet ikke er en
begrænsende faktor for det pågældende anlæg.
|
31 |
For det anlæg, der producerer på for stor skala,
omdefineres skala-inefficiensen til teknisk inefficiens. Når en antagelse om
stordriftsulemper ikke accepteres, er dette den korrekte måde at håndtere og beskrive
inefficiensen på.
|
32 |
Her er værdien bestemt som et vægtet gennemsnit af
ovntyperne med antallet af driftstimer.
|
33 |
De nævnte variable er signifikante på 90%s
signifikansniveau.
|
34 |
De uplanlagte driftsstop indgår både som antallet og
antallet i anden i estimationen.
|
35 |
Orientering nr. 11 fra Miljøstyrelsen: Affaldsforbrænding
i 2004 og 2008. Mængder og kapacitet.
|
36 |
Dette er COWIs vurdering. For en mere detaljeret vurdering,
skulle der gennemføres en egentlig samfundsøkonomisk analyse af dette aspekt på de
enkelte anlæg.
|
37 |
Orientering nr. 11 fra Miljøstyrelsen: Affaldsforbrænding
i 2004 og 2008. Mængder og kapacitet.
|
38 |
Da der opereres med normalfordelte afvigelser, kan de ikke
helt holdes inden for ± 10%. Visse ligger over. |
Analysen peger på, at de danske deponeringsanlæg39
adskiller sig meget fra hinanden ud fra en effektivitetsvurdering. Således er der
identificeret et effektiviseringspotentiale på 30 ud af de 32 analyserede anlæg. Hvis
der imidlertid tages højde for forskellene mellem anlæggene i relation til mængder,
deponeringshøjde og alder, udjævnes disse forskelle betydeligt. Der er dog stadigvæk
større forskel på deponeringsanlæggene end på forbrændingsanlæggene set ud fra en
effektiviseringssynsvinkel.
Potentialet på de inefficiente anlæg tilsammen ses i tabellen nedenfor. Potentialet
for samtlige anlæg i Danmark vil være større end det viste potentiale, idet det er
vurderet, at analysen dækker ca. 75% af de deponerede mængder blandet affald40.
Tabel 5.1
Opdeling af effektiviseringspotentiale på deponeringsområdet i Danmark,
mio. kr. i år 2000
Aktør
Tidshorisont |
Anlæg |
Ikke anlæg |
Ikke realiserbart |
I alt |
Kort sigt |
30-50 |
5-10 |
Opdeles ikke |
35-60 |
Lang sigt |
15-20 |
5-10 |
Opdeles ikke |
20-30 |
Ikke
realiserbart |
Opdeles ikke |
Opdeles ikke |
65-95 |
65-95 |
I alt |
45-70 |
10-20 |
65-95 |
151 |
Det er ikke muligt at lægge henholdsvis de laveste tal sammen og de højeste tal sammen
og få et interval på det samlede potentiale. Usikkerheden på det totale potentiale
vurderes at være på maksimalt ± 15%.
Det kan konkluderes, at 30-50 mio. kr. årligt bør kunne realiseres af anlæggene på
kort sigt, svarende til mellem ca. 15% og 25% af deponeringsanlæggenes samlede
omkostninger. 15-20 mio. kr. årligt bør kunne realiseres af anlæggene på lang sigt,
svarende til yderligere mellem 7% og 10% af de totale omkostninger. 5-10 mio kr bør kunne
realiseres af andre end anlæggene både på kort og på lang sigt, det vil sige i alt
5-10%.
Der er således to tredjedele af det identificerede realiserbare potentiale, som bør
kunne realiseres på relativt kort sigt. Analysen peger på, at en stor del af det
kortsigtede potentiale skyldes høje udgifter til personale og eksterne tjenesteydelser,
mens en mindre del skyldes anlæggenes størrelse.
For det langsigtede potentiale peger analysen på, at der er et skalapotentiale, som
kan realiseres, hvis en række af anlæggene bliver bedre til at udnytte
stordriftsfordele.
Mængderne til deponering forventes ikke at stige i de kommende år samlet set i
Danmark. Dog vil en række mindre fyldpladser lukke inden for en årrække på grund af
skærpede regler for deponering. Dette vurderes dog ikke at være tilstrækkeligt for at
kunne realisere hele det identificerede skalapotentiale, hvorfor det kun kan realiseres
ved en diskussion af antal og størrelse af deponeringsanlæg i Danmark.
Der er endvidere identificeret et potentiale på 65-95 mio. kr. årligt, svarende til
fra 30% til 45% af de totale omkostninger (inklusive omkostninger til perkolatopsamling og
gasindvinding), som forventes at blive vanskeligt at realisere eller som slet ikke kan
realiseres. Dette potentiale skyldes forhold på anlæggene såsom forskel i
deponeringshøjde, anlæggenes alder, håndtering af farligt affald og forhold, der er
forskellige på grund af myndighedskrav.
Det skal bemærkes, at analysen omfatter ca. 75% af de deponerede mængder blandet
affald i år 2000. For de anlæg, der ikke har svaret, er der foretaget et skøn over
affaldsmængder i år 2000. Denne mængde udgør ca. 15% af den samlede mængde deponeret
affald for samtlige anlæg, der har kunnet deltage i undersøgelsen. De udeladte anlægs
deponerede mængder udgør ca. 10% af de samlede mængder til deponering. Hvis de
ikke-inkluderede anlæg ligner de anlæg, der er medtaget i analysen, vil det samlede
bruttoeffektiviseringspotentiale stige fra 151 mio. kr. i år 2000 til ca. 200 mio. kr.
Endelig skal det bemærkes, at potentialet er fastlagt i forhold til de
"bedste" af anlæggene i analysen, og analysen forholder sig således ikke til,
at de "bedste" anlæg muligvis kan blive endnu mere effektive. Det samlede
potentiale kan derfor af den grund være større end det her fastlagte potentiale. Ved
interview med de effektive anlæg er det konstateret, at disse allerede i en årrække har
gennemgået en effektiviseringsproces. Da deponeringsanlæg er mere simple rent teknisk
end forbrændingsanlæg er der ikke her den samme mulighed for løbende effektivisering
gennem investering i ny teknologi. Samtidig udgør omkostningerne det eneste input i
deponeringsanalysen, og det er således alt andet lige de billigste anlæg, der er de mest
effektive anlæg. Dette sammenholdt med en nøje gennemgang af omkostningerne hos disse
anlæg peger i retning af, at undervurderingen af potentialet ikke er af stor betydning
på deponeringsområdet.
I dette afsnit redegøres kort for det datagrundlag, der har været udgangspunktet for
analyserne. En række af de væsentligste elementer ved dataene beskrives ved hjælp af en
række illustrationer og kvalitative beskrivelser af data.
I analysen indgår alle deponeringsanlæg i Danmark bortset fra fyldpladser,
specialdepoter og industrielle deponeringsanlæg.
Resultatet af dataindsamling
Datagrundlaget for deponeringsanalysen er information indhentet via et spørgeskema
udarbejdet til brug for denne undersøgelse. Spørgeskemaet har været udsendt til i alt
53 deponeringsanlæg. Status for besvarelserne fremgår af tabellen nedenfor.
Tabel 5.2
Status for dataindsamlingen, deponeringsanlæg
Status |
Antal |
Procent |
Afleverede og anvendelige |
32 |
60% |
Afleverede, men kan ikke anvendes |
7 |
13% |
Ikke afleveret* |
14 |
27% |
I alt |
53 |
100% |
*Heraf har 3 anlæg en god begrundelse for ikke at svare, da de er under
nedlukning.
Der er flere årsager til at 7 anlægs besvarelser af spørgeskemaet ikke har kunnet
anvendes:
 | Enkelte anlæg er udeladt, fordi spørgeskemaet generelt er meget mangelfuldt udfyldt. |
 | En del anlæg har kun besvaret det generelle spørgeskema, dvs. uden at udfylde
økonomidelen. Når det efter en opfølgning viste sig, at anlæggene ikke har ønsket at
skønne omkostningerne, er anlæggene udeladt af analysen på denne baggrund. |
 | Endelig er et enkelt anlæg udeladt af analysen, fordi det er i gang med nedlukning og
forventer at lukke inden for det næste år. |
I alt er der en svarprocent på 73%, hvilket er tilfredsstillende. Ligeledes vurderes
det, at 32 anlæg - eller 60% - er fuldt tilstrækkeligt for at gennemføre analysen.
Tabellen nedenfor viser de deponeringsanlæg, der ikke har besvaret spørgeskemaet.
Tabel 5.3
Deponeringsanlæg, der ikke har besvaret spørgeskemaet
Navn |
Udholm Losseplads |
Toelt Losseplads |
Skibstrup Affaldscenter |
Læsø Losseplads |
Vejlby Losseplads |
Hadsund Losseplads |
Sandholt Lyndelse Losseplads* |
Fredericia Kommunes Losseplads |
Renordvest Losseplads |
Kjærgårdsmølle Losseplads* |
Thyholm Losseplads* |
Affaldsdeponi af 1.8.90 |
Grindsted Affalds- og Genbrugscenter |
Vester Gammelby Losseplads |
* Sandholt Lyndelse, Kjærgårdsmølle Losseplads og Thyholm Losseplads afleverede
ikke besvarelsen efter aftale, idet anlæggene står overfor lukning.
Når data og analyser præsenteres i det følgende er disse baseret på de 32 anlæg.
Det enkelte anlæg i analysen er tildelt et bogstav, og hvert enkelt anlæg bevarer det
samme bogstav igennem hele rapporten. I præsentationer, hvor anlæggene er tildelt et
tal, er der tale om en rangordning af anlæggene efter det viste karakteristika.
For at analysen er repræsentativ for deponeringsanlæg i Danmark er det væsentligt,
at anlæg af alle størrelser er dækket i analyserne. Figuren nedenfor viser
affaldsmængderne i år 2000 de deponeringsanlæg, der indgår i deponeringsanalysen.
Figur 5.1
Mængder på deponeringsanlæggene
Note: Indeholder kun de anlæg som indgår i analysen.
Som det fremgår af figuren, er der en udemærket spredning i de deponerede og
tilførte mellemdeponerede mængde for deponeringsanlæggene.
Det kan diskuteres, hvilke mængder i relation til mellemdeponering, der er korrekte at
medtage i analysen. Det har derfor været undersøgt, om det var muligt på basis af de
stillede spørgsmål at medtage summen af tilførte og fraførte mellemdeponerede mængder
i analysen. Desværre viser data, at spørgsmålene om de udvejede mængder ikke er
besvaret entydigt. Derfor er det besluttet at anvende de tilførte mellemdeponerede
mængder som en indikation af aktiviteten omkring mellemdeponering. Den udvejede mængde
er desuden undersøgt i de statistiske analyser.
Den deponerede mængde i de afleverede besvarelser dækker ca. 80% af den samlede
deponerede mængde for alle adspurgte anlæg41.
Dette vurderes at være en tilfredsstillende andel for, at analysen er repræsentativ for
deponeringen af blandet affald i Danmark.
Økonomi
De økonomiske data spiller en central rolle i analysen. På figuren nedenfor
illustreres spredningen i bruttoomkostningerne til deponering for de deponeringsanlæg,
som indgår i analysen.
Figur 5.2
Bruttoomkostning per ton deponeret affald samt bruttoomkostning per ton
deponeret + mellemdeponeret affald
Bruttoomkostningerne dækker alle omkostninger (ekskl. omkostningerne til perkolat
håndtering og gasindvinding) til såvel endelig deponering som mellemdeponering. Det
betyder, at bruttoomkostningerne per ton endeligt deponeret affald er et misvisende
nøgletal i de tilfælde, hvor den mellemdeponerede mængde er stor.
Det fremgår af figuren, at der er en meget stor spredning i nøgletallene, som
udtrykker bruttoomkostningerne per ton affald endeligt deponeret plus mellemdeponeret. Det
er en indikation af, at der findes et betydeligt effektiviseringspotentiale på
deponeringsområdet.
Den store spredning dækker efter al sandsynlighed over variationer i organiseringen af
behandlingen af deponeringsaffald samt den egentlige drift af anlæggene, men kan i
princippet skyldes forskellige miljøkrav og serviceniveauer for deponeringsanlæggene.
For deponeringsanlæggene bør der i modsætning til for forbrændingsanlæg være en
forholdsvis tættere sammenhæng mellem deponeringsanlæggenes bruttoomkostninger per ton
til deponering og deres behandlingsgebyr, da de fleste af deponeringsanlæggene kun har
beskedne biindtægter.
På figuren nedenfor illustreres spredningen i gebyrerne til deponering for de
deponeringsanlæg, som indgår i analysen.
Figur 5.3
Behandlingsgebyr eksklusiv moms og statsafgift for affald til endelig
deponering per ton
Note 1: Gebyret er for sorteret ikke-brændbart affald til deponering.
Note 2: Der kan være forskel på gebyrer for småt og stort affald. De viste størrelser
er dem, anlæggene har opgivet.
Figuren med behandlingsgebyrer viser det samme billede som figuren med bruttoomkostning
per ton, dog er spredningen en anelse mindre. Der er således store forskelle i prisen for
deponering af affald mellem de forskellige anlæg.
Da bruttoomkostningerne både dækker omkostninger til deponering og evt. omkostninger
til mellemdeponering, giver det ikke mening at sammenligne størrelsen af
behandlingsgebyret og bruttoomkostningerne per ton for samtlige anlæg. Men for de anlæg,
som ikke har haft mellemdeponeret affald, kan sammenligningen bruges. På figuren nedenfor
illustreres gebyrets andel af bruttoomkostningerne til deponering pr ton for de anlæg som
ikke har mellemdeponering.
Figur 5.4
Behandlingsgebyr ekskl. moms og statsafgifter i forhold bruttoomkostninger
per ton deponeret (kun for deponeringsanlæggene uden mellemdeponeret affald)
Figuren viser, at der er betydelig afvigelse mellem behandlingsgebyret og
bruttoomkostningerne per ton deponeret affald for mange deponeringsanlæg.
Bør gebyrerne afspejle bruttoomkostninger for et
år isoleret?
Der er store forskelle imellem deponeringsanlæggenes gebyrer og den
gennemsnitlige bruttoomkostning per ton.
Forskellen kan skyldes en række forskellige aspekter:
 | Deponeringsanlæggene bestemmer ikke selv den mængde affald, der
deponeres. For små deponeringsanlæg vil selv mindre afvigelser fra en budgetteret
mængde have betydelig indflydelse på balancen mellem indtægter (gebyrer) og
omkostninger.
|
 | Henlæggelser er ikke medtages i anlæggenes omkostninger, men kan
være indregnet i gebyret.
|
 | Der kan være usikkerhed ved fordeling af omkostninger mellem
sideaktiviteter f.eks. til fælles aktiviteter og maskiner. Endelig kan omkostningerne til
selve deponeringen svinge fra år til år, hvilket ikke kan forudses af anlæggene.
|
Det er således ikke mærkeligt, hvis omkostninger og gebyrer for et
enkelt år ikke er lig hinanden. Dette ændrer dog ikke ved at anlæggene er underlagt
"hvile i sig selv princippet", hvorfor der må finde en udligning mellem
omkostninger og indtægter (gebyret) sted over en årrække. |
Figuren nedenfor illustrerer, hvordan deponeringsanlæggenes omkostninger i gennemsnit er
fordelt på forskellige kategorier.
Figur 5.5
Fordeling af bruttoomkostninger, deponeringsanlæg
Note: Fordelingen er vægtet med beløbenes størrelse.
Perkolatomkostningerne er vist separat på figuren, men kan henføres til de øvrige
omkostningskategorier.
Figuren viser, at deponeringsanlæggenes omkostninger til perkolathåndtering i
gennemsnit udgør ca. 14% af de totale omkostninger. Desuden viser figuren, at ca. 70% af
anlæggenes omkostninger kan tilskrives driften, nemlig personaleomkostninger, eksterne
tjenesteydelser, materiale- og ressourceforbrug, øvrige omkostninger samt andel af
eventuelle fællesomkostninger og perkolatomkostninger. De resterende 30% kan tilskrives
afskrivning, forrentning, leasing og hensættelser, hvoraf en del igen stammer fra andele
af eventuelle fællesomkostninger og perkolatomkostninger. Disse kan ikke genfindes i
figuren, da fællesomkostninger og perkolatomkostninger også inkluderer afskrivning og
forrentning.
Andelen af de faste omkostninger (afskrivning, forrentning, leasing og hensættelser)
er dermed lavere for deponeringsanlæg end for forbrændingsanlæg.
Den gennemsnitlige fordeling af bruttoomkostningerne ovenfor dækker imidlertid over
meget store variationer i fordelingerne. Eksempelvis varierer andelen af
personalomkostninger fra 3% til 45%, mens afskrivninger varierer fra 3% til 37%.
I forbindelse med indhentningen af de økonomiske data for deponeringsanlæggene viste
det sig, at det er meget vanskeligt for en stor del af deponeringsanlæggene at angive
deres omkostninger fordelt på disse få kategorier. Det er flere forklaringer dette. For
det første er deponeringsanlæggenes økonomi i mange tilfælde integreret med økonomien
for andre driftsområder på anlægget eller for et helt selskabs aktiviteter. I andre
tilfælde er økonomien registreret i en kommunes økonomisystem, hvor afskrivninger af
investeringer ikke opgøres.
I forbindelse med spørgeskemaet blev deponeringsanlæg spurgt, hvorvidt de følger den
gældende regnskabspraksis for afskrivninger som beskrevet i Årsregnskabsloven. 14 af de
32 deponeringsanlæg oplyser, at de ikke følger principperne fra årsregnskabsloven, men
derimod benytter principper i den kommunale regnskabspraksis. Visse anlæg gør begge
dele.
Anlæggenes forskellige praksis til økonomistyring, specielt hvad angår aktivering og
afskrivning af anlægsaktiver vanskeliggør sammenligning af anlæggenes økonomi.
Affaldstyper
Data viser, at der er stor forskel på, hvilke affaldstyper de enkelte
deponeringsanlæg modtager. Mest udbredt er deponeringsegnet storskrald, byggeaffald og
industriaffald. Det er i den statistiske analyse undersøgt, om der er forskel på
anlæggene afhængig af hvor mange og hvilke affaldstyper, de modtager.
Sideaktiviteter
Variationen i organiseringen af affaldshåndteringen kommer bl.a. til udtryk i, hvordan
affaldsselskabernes deponeringsanlæg er lokaliseret i forhold til andre driftsområder
inden for behandlingen af affald. Det betyder, at der er forskel på, hvor mange andre
aktiviteter, udover deponering, der findes på et anlæg. På de to figurer nedenfor
illustreres, dels hvor mange af de forskellige sideaktiviteter der findes på
deponeringsanlæggene, dels fordelingen af antal sideaktiviteter på
deponeringsanlæggene.
Figur 5.6
Oversigt over sideaktiviteter på deponeringsanlæggene
Nedenfor vises en figur over antallet af sideaktiviteter i forbindelse med
deponeringsanlæggene.
Figur 5.7
Oversigt over antallet af sideaktiviteter på deponeringsanlæggene
Figuren viser, at der er to deponeringsanlæg, der ingen sideaktiviteter har i
forbindelse med deponeringsanlægget.
Det fremgår af figuren, at deponeringsanlæggene typisk har 3-4 sideaktiviteter i
forbindelse med deponeringsanlægget. Endvidere viser den, at langt de fleste
deponeringsanlæg også har sortering, kompostering og "andet" i forbindelse med
deponeringsanlægget. "Andet" dækker i denne forbindelse over en lang række af
forskellige sideaktiviteter som eksempelvis nedknusning, omlastning, rensning af
olieforurenet jord mv.
Deponeringshøjde
Deponeringsanlæggenes deponeringshøjde er fastlagt af
godkendelsesmyndigheden for det enkelt deponeringsanlæg oftest ud fra en vurdering af de
landskabelige forhold. For de deponeringsanlæg, som deltager i analysen, varierer
deponeringshøjden fra 4 til 25 meter med et enkelt anlæg, der har 40 meters
deponeringshøjde. Gennemsnittet er på godt 12,1 meter. Vægtet med anlæggenes
deponerede mængder er gennemsnittet på 13,0 meter.
Deponeringshøjden er vigtig i forhold til, hvor stort
deponeringsvolumen er på et givet areal og har som følge heraf indflydelse på de
samlede anlægsomkostninger.
Fem anlæg skriver i deres besvarelser, at deres deponeringshøjde er
beskeden og bemærker samtidig, at dette aspekt er væsentlig i forhold til deres
omkostninger især anlægsomkostningerne. |
Miljøforhold
Deponeringsanlæggene blev i spørgeskemaet spurgt om en række miljøforhold, bl.a.
til den fysiske udformning af deponeringsanlægget. Den har indflydelse på såvel
miljøbelastningen som ressourceforbruget. Endvidere blev de spurgt om forhold relateret
til opsamling og behandlingen af perkolat, andre miljøforanstaltninger og
ressourceforbruget.
Tre af de 32 anlæg opsamler ikke perkolat. På de øvrige deponeringsanlæg er der
stor variation i, hvilken type membran deponeringsanlæggene har. Mens nogle anlæg kun
har enkeltmembran i enten ler eller plast har andre anlæg kompositmembransystemer i
kombinationer af ler, plast og bentonit. Mange deponeringsanlæg har forskellige typer af
membraner på forskellige dele af deponeringsanlægget. Deponeringsanlæggenes membrantype
er bestemt af en hel række forhold, eksempelvis tidspunktet for anlæggelse af
deponeringsanlægget og dermed de på det tidspunkt gældende krav, hvilke
affaldsfraktioner deponeringsanlægget modtager samt recipient- og geologiske forhold.
Der er endvidere stor variation i den mængde af perkolat som deponeringsanlæggene
opsamler, både i faktisk mængde og mængde relativ til total deponeret mængde,
størrelse og årlig deponeret mængde. En del af disse forskelle skyldes forskellig
nedbørsmængde på anlæggene.
Kun to anlæg oplyser, at de er miljøcertificeret, mens yderligere 1 anlæg oplyser,
at de forventer certificering i løbet af 2001. Det er endvidere kendetegnende, at det kun
er få deponeringsanlæg, der udarbejder grønne regnskaber - typisk de deponeringsanlæg,
der er en del af et større affaldsselskab.
Anlæggene er blevet spurgt, om de lever op til det nye EU-direktiv. Besvarelserne
viser, at et anlæg angiver, at de med sikkerhed allerede lever op til alle kravene i
direktivet, mens ca. en tredjedel ikke ved det. Knap halvdelen mener, at de på langt de
fleste punkter lever op til direktivet. Anlæggene skal inden udgangen af 2009 leve op til
kravene i direktivet.
Tabel 5.4
Opfylder anlægget EU direktiv
|
Antal |
Ja, helt sikkert |
1 |
På de fleste punkter |
14 |
Nej |
4 |
Ikke besvaret |
2 |
Ved ikke |
11 |
I alt |
32 |
Service- og øvrige forhold
I et forsøg på at opfange alle vigtige variationer blev anlæggene tillige spurgt om
serviceforhold. Således blev deponeringsanlæggene bl.a. spurgt om forhold relateret til
deres ansatte, arbejdsmiljø og ressourceforbrug på andre serviceopgaver.
I faktiske tal, hvor der ikke tages højde for den affaldsmængde som
deponeringsanlæggene modtager, er det gennemsnitlige antal ansatte på
deponeringsanlæggene 4,7 ansatte, hvilket dækker over en spredning på 1-10 ansatte på
de forskellige deponeringsanlæg. I gennemsnit har deponeringsanlæggene ansat ca. 3,5
mand per 10.000 tons deponeret affald (ca. 2,5 mand per 10.000 tons
deponeret+mellemdeponeret affald). Gennemsnittet dækker over en spredning fra 0,6 til
godt 13 mand per 10.000 tons deponeret (0,2 til 6 mand per 10.000 tons
deponeret+mellemdeponeret)42.
Antallet af ansatte afspejler flere forhold. For det første er der stordriftsfordele.
Store anlæg kan klare sig med relativt færre ansatte i forhold til affaldsmængden end
små anlæg. For det andet har anlæggene forskelligt træk på eksterne folk, der ikke
indgår i antallet af ansatte. Endvidere er der i et vist omfang forskellige aktiviteter
knyttet til anlæggene, eksempelvis behandling af farligt affald, hvilket kan medføre
forskelligt mandskabsbehov. Endelig udfører anlæggene en varierende mængde udviklings-
og serviceopgaver. Gennemsnitsalderen for de ansatte på deponeringsanlæggene er ca. 47
år, hvilket dækker over en spredning fra ca. 35-55 år.
Middelværdien for det oplyste antal sygedage per ansat udgør 5,5, men enkelte anlæg
har langtidssygemeldte, hvilket bevirker, at det gennemsnitlige antal sygedage for alle
anlæg er godt 12 per ansat.
Deponeringsanlæggenes åbningstider er naturligvis en vigtig serviceparameter overfor
kunderne, men kan tillige være en betydende parameter i forhold til effektiviteten på
anlægget. I figuren nedenfor illustreres fordelingen antallet af anlæg fordelt på
forskellige intervaller for den ugentlige åbningstid.
Figur 5.8
Deponeringsanlæggenes ugentlige åbningstid i timer
Som det fremgår af figuren, har anlæggene typisk åbent 40-50 timer om ugen. Ingen
deponeringsanlæg oplyser, at de har en ugentlig åbningstid på under 31 timer per uge,
mens et enkelt anlæg oplyser, at det har åbent hele 65 timer om ugen. Åbningstiden skal
ses i sammenhæng med, hvor mange lastbiler der dagligt ankommer til deponeringsanlægget.
Antallet af lastbiler varierer naturligvis med den mængde affald, som
deponeringsanlægget modtager, men der er ingen sammenhæng mellem, hvor mange lastbiler,
der kommer og anlæggets åbningstid.
Antallet af lastbiler, som ankommer til deponeringsanlæggene per dag, varierer mellem
6 og 80 med et gennemsnit på ca. 38 lastbiler.
Åbningstiden - en vigtig serviceparameter?
Ni anlæg oplyser, at der dagligt i gennemsnit kommer færre end 20
lastbiler til deponeringsanlægget. Samtidig kan det konstateres, at disse
deponeringsanlæg i gennemsnit har den samme ugentlige åbningstid som de øvrige
deponeringsanlæg. Selvom åbningstiden på deponeringsanlægget skal ses i relation til
eventuelle andre aktiviteter i forbindelse med deponeringsanlægget, er det imidlertid
interessant, at de deponeringsanlæg, som ikke har eller kun har få sideaktiviteter, ikke
har en mindre ugentlig åbningstid end de øvrige deponeringsanlæg.
På denne baggrund vurderes det, at deponeringsanlæggene anser
åbningstiden for en meget vigtig serviceparameter i forhold til kunderne. |
Deponeringsanlæggene blev spurgt om deres ressourceforbrug på serviceopgaver som
eksempelvis udarbejdelse af affaldsplaner for kommuner og affaldsproducenter,
takstberegning, fakturavejledning, klagesagsbehandling mv. Det er imidlertid kun få
deponeringsanlæg, der har besvaret disse spørgsmål detaljeret, andre har svaret
overordnet, mens enkelte slet ikke har svaret. Deponeringsanlæggenes har haft vanskeligt
ved at udfylde denne del af skemaet, da det kun er få deponeringsanlæg (ofte dem der er
ejet af de store selskaber), der registrerer deres tidsforbrug.
Ud fra de deponeringsanlæg, der har oplyst deres ressourceforbrug på serviceopgaver,
kan det konstateres, at der er en stor spredning. Dog er det kun få deponeringsanlæg,
som angiver et betydeligt ressourceforbrug.
Til trods for de belyste forskellige karakteristika for deponeringsanlæggene kan
anlæggene opfattes som homogene enheder i relation til benchmarkinganalysen. Det er
derfor relevant at analysere anlæggene i en DEA-model. At anlæggene har meget
forskellige størrelse, giver ikke anledning til bekymring i den forbindelse. DEA-metoden
er netop designet til at håndtere dette aspekt.
Det væsentlige i forhold til kravet om homogenitet er at anlæggene bruger de samme
basisressourcer til at producere de samme ydelser, hvilket er tilfældet.
Endvidere bliver givne forskelle mellem anlæggene, eksempelvis forskel i
deponeringshøjde, alder og størrelse undersøgt i de efterfølgende analyser, og
forskellene i relation til perkolatforhold er helt fjernet inden DEA-analysen.
Der tages udgangspunkt i én DEA-model, som vurderes at beskrive anlæggenes produktion
på den bedste måde. Til denne model er således de mest centrale variable udvalgt ud fra
en overordnet betragtning om, hvilke elementer der spiller en rolle i driften af
deponeringsanlæggene. Denne model kaldes i det følgende for basis DEA-modellen.
Modellen er efterfølgende suppleret med en række DEA-analyser med forskellige
kombinationer af variable. For overskuelighedens skyld præsenteres her først resultatet
af basismodellen i detaljer, hvorefter resultaterne fra de øvrige DEA-analyser
præsenteres mere overordnet (dog med detaljer dokumenteret i bilag).
Input og output
Som input indgår deponeringsanlæggets omkostninger, mens output i basis DEA-modellen
er deponeret og mellemdeponeret affald. Deponering af affald er en ydelse og skal derfor
fortolkes som et output. Omkostningerne er et udtryk for de ressourcer, som anlæggene
forbruger til deponering, og de skal fortolkes som et input.
Grunden til, at affaldsmængden er opsplittet på deponeret og mellemdeponeret mængde,
er, at der er store forskelle på hvor meget mellemdeponeret affald, deponeringsanlæggene
modtager. Der er endvidere forskel på omkostningerne forbundet med mellemdeponering og
endelig deponering, specielt i relation til afskrivning og forrentning, og det er derfor
valgt at skille de to mængder fra hinanden. Mængden af mellemdeponeret affald skyldes
primært underkapacitet på forbrændingsanlæggene, og en medtagelse af mellemdeponering
separat sikrer, at de anlæg, der har store mængder mellemdeponeret affald, ikke
straffes.
I princippet bør alle centrale input og output fra deponeringsanlæggene indgå.
Belastning af miljøet udgør en omkostning for samfundet, hvorfor miljøindikatorer, der
afspejler en belastning, også bør indgå, i det omfang de afspejler et ressourcetræk
for samfundet.
Perkolat er det mest umiddelbare udtryk for et deponeringsanlægs miljøbelastning.
Imidlertid er det ikke entydigt, om en stor mængde er godt eller om en lille mængde er
godt. En stor mængde opsamlet perkolat kan således være udtryk for, at man på
deponeringsanlægget gør meget ud af at opsamle perkolatet. Perkolatmængden kan også
variere afhængig af forskellige former for slutafdækning. For miljøet er det heller
ikke mængden af perkolat, men perkolatets skadelighed og evt. udslip, der er skadelig for
miljøet. Der findes imidlertid ikke tilstrækkelig viden på området til at indrage
dette aspekt i analysen. På denne baggrund er det derfor valgt ikke direkte at
inddrage perkolat i basis DEA-modellen.
Imidlertid kan omkostningerne til perkolathåndtering være meget betydende for
deponeringsanlæggenes samlede omkostninger. I den forbindelse kan 4 aspekter fremhæves:
 | Hvorvidt perkolat opsamles eller ej |
 | Hvilken type membran der er anlagt på deponeringsanlægget |
 | Hvorvidt perkolatet forbehandles på eget anlæg eller sendes direkte til et
rensningsanlæg |
 | Mængden af perkolat (bl.a. afhængig af nedbørsmængde, men også af kvaliteten og
hurtigheden af slutafdækning) |
Da det ikke har været muligt direkte at indrage perkolat som et input eller output i
analysen, og da omkostningerne til perkolathåndteringen varierer kraftigt fra anlæg til
anlæg, er det besluttet at trække omkostningerne til perkolathåndtering ud af analysen.
Det betyder, at de omkostninger, som indgår som input i DEA-modellen, er eksklusiv
eventuelle omkostninger til perkolathåndtering.
En udeladelse af perkolatomkostningerne er et forsøg på at stille alle anlæg lige i
analyserne43. Anlæggene bliver således ikke
straffet for at have omkostninger til perkolatopsamling og -håndtering. Der er heller
ikke tale om, at anlæggene skal kunne deponere affald så billigt som de anlæg, der ikke
har perkolatopsamling.
Konsekvensen af dette er dog også, at anlæggene i analysen ikke bliver målt på
deres evne til at håndtere perkolat..
Endelig kan man diskutere, hvorvidt produktion af gas udgør et output, der skal
medtages i DEA-analysen. Indvinding af gas kan være forbundet med et driftsmæssigt
overskud, men ofte er indvindingen provenuneutral, og gassen indvindes udelukkende af
miljømæssige årsager. Miljøgevinsten ved indvinding af gas er tofoldig, idet man både
opnår, at den skadelige drivhusgas methan (CH4) omdannes til den mindre
skadelige CO2, og samtidig produceres energi, der reducerer mængden af
skadelige emissioner fra andre energikilder.
Indvinding af gas er kun relevant for de deponeringsanlæg, hvor der har været
deponeret betydelige mængder af biologisk nedbrydeligt materiale. Herudover er det kun
få deponeringsanlæg, der selv producerer gas, mens enkelte andre deponeringsanlæg har
afgivet rettighederne til at opsamle gassen til et andet selskab. Det er på denne
baggrund vurderet, at det ikke er rimeligt direkte at medtage gas som et output i
basismodellen.
For ikke at stille de deponeringsanlæg, der har gasproduktion dårligere end
deponeringsanlæg, der ikke har gasproduktion, er det derfor besluttet også at fratrække
omkostningerne til gas inden gennemførelsen af analysen. Igen er konsekvensen, at
deponeringsanlæggene i analysen ikke bliver målt på deres evne til at indvinde gas, men
omvendt betyder det også, at eventuelle effektivitetsforskelle ikke kan forklares med
fordele/ulemper i forhold til indvindingen af gas.
Det skal tilføjes, at gasindvinding ikke ignoreres fuldstændig i den samlede analyse,
idet betydningen af produktionen analyseres gennem en supplerende DEA-analyse, hvor gas
indgår som output.
Endelig kan det nævnes, at anlæggenes volumenforhold også kan være vigtig i en
effektiviseringsdiskussion, da der er visse forskelle på ressourceforbruget ved
behandling af forskellige typer af affald. Der er imidlertid på baggrund af
forprojektet ikke indsamlet data om anlæggenes volumenforhold, hvorfor dette
aspekt ikke er medtaget i analysen.
De output og input, som indgår i basis DEA-modellen, fremgår af tabellen nedenfor.
Tabel 5.5
Input og output i basis DEA-analysen, deponering
Type variabel |
Variabel |
Enhed |
Input |
Samlede omkostninger, ekskl.
perkolatomkostninger og ekskl. gasomkostninger |
Kr |
Output |
Deponeret mængde (ekskl. ren jord) |
Ton |
Output |
Mellemdeponeret mængde (ekskl. ren jord) |
Ton |
Note: Alle variable er årlige for 2000.
Resultater
På basis af input og outputvariablene i tabellen ovenfor er basis DEA-analysen
gennemført, og scorerne for hvert af de 32 deponeringsanlæg er afbildet i figuren
nedenfor. En score på 1 betyder, at anlægget er efficient, mens et anlæg med en score
mindre end 1 er inefficient44.
Resultaterne er vist for de to analyser, hvor der i den ene ikke antages at være
stordriftsfordele/ulemper (CRS), mens der i den anden antages at være
stordriftsfordele/ulemper (VRS). Forskellen mellem de to scorer det der på figuren
er mørkt kan således overordnet fortolkes som et skalapotentiale, mens det hvide
mellemrum oven over søjlerne overordnet kan fortolkes som et potentiale knyttet til
anlæggenes tekniske formåen.
Se her!
Figur 5.9
DEA-scorer i basis DEA-modellen under hhv. konstant (CRS) og variabelt (VRS)
skalaafkast, deponeringsanlæg
Når der ikke tages højde for stordriftsfordele er 2 anlæg efficiente (CRS-analysen).
I gennemsnit har anlæggene en score på 0,24, hvilket betyder at deponeringsanlæggene
under en antagelse om konstant skalaafkast i gennemsnit kan reducere deres input med 76%.
Gennemsnittet af de ineffektive anlægs score isoleret er 0,19.
Når der tages højde for stordriftsfordele er der 7 deponeringsanlæg, der er
efficiente (VRS-analysen), mens 25 deponeringsanlæg er inefficiente. I gennemsnit har
anlæggene en score på 0,52, hvilket betyder at deponeringsanlæggene under en antagelse
om variabelt skalaafkast i gennemsnit kan reducere deres input med 48%. Gennemsnittet af
de ineffektive anlægs score isoleret er 0,43.
Som tidligere nævnt er det intuitivt logisk at acceptere, at deponeringsanlæg har
stordriftsfordele. Til gengæld er der ikke noget der taler for at meget store anlæg vil
have vanskeligere ved at være effektive, hvorfor stordriftsulemper ikke accepteres. I
sammenligningen af scorerne for hvert anlæg i de to analyser kan det fastlægges, om
analysen peger på stordriftsfordele eller stordriftsulemper for et enkelt anlæg. Alle
undtaget to anlæg producerer ifølge DEA-analysen på for lille skala45.
Dette bekræfter den grundlæggende hypotese om, at der er stordriftsfordele for drift
af deponeringsanlæg, hvilket mere præcist vil sige, at anlæg kan deponere affald
billigere per ton, jo større de er.
Det samlede bruttoeffektiviseringspotentiale
Ud fra effektivitetsscorerne kan det samlede bruttoeffektiviseringspotentiale beregnes.
Effektiviseringspotentialet dækker den mulige besparelse af input i analysen, hvilket i
basismodellen for deponering blot er bruttoomkostningerne ekskl. evt. omkostninger til
perkolathåndtering og gasindvinding.
Tabel 5.6
Beregnet bruttoeffektiviseringspotentiale for deponeringsanlæg
|
Uden hensyntagen til
stordriftsfordele |
Med hensyntagen til
stordriftsfordele |
Omkostninger (mio. kr./år), alle anlæg |
151 |
130 |
Gennemsnitlig besparelse per anlæg |
84% |
72% |
Gennemsnitlig besparelse per inefficient
anlæg |
86% |
74% |
Note: Potentialet per anlæg er forskelligt fra det potentiale de gennemsnitlige
DEA-scorer udtrykker, fordi besparelsen er udtrykt i kr., mens DEA-scorerne var udtrykt
per anlæg og derfor ikke tog hensyn til størrelsen af anlæggene.
Som det fremgår af tabellen ovenfor, er det samlede bruttoeffektiviseringspotentiale
på lang sigt uden hensyntagen til stordriftsfordele beregnet til 151 mio. kr. årligt
svarende til en besparelse på i gennemsnit 84% af deponeringsanlæggenes samlede
omkostninger. Med hensyntagen til stordriftsfordele, dvs. med en underliggende hypotetisk
antagelse om, at anlæggene producerer ved den mest effektive størrelse ses, at
potentialet falder til 130 mio. kr., svarende til 72% af deponeringsanlæggenes samlede
omkostninger.
Der er altså tale om et endog meget stort relativt effektiviseringspotentiale på
deponeringsområdet i Danmark.
Årsager til effektiviseringspotentialet
Et meget vigtigt element i en effektiviseringsdiskussion på deponeringsområdet er
udviklingen i mængden af affald. Figuren nedenfor viser udviklingen fra 1994 til 2000.
Figur 5.10
Udviklingen i mængder fra 1994 til 2000
Kilde: Miljøstyrelsen
Mængderne til deponering har været faldende igennem en årrække. Udviklingen er
resultatet af en politik om at minimere affaldet til deponering. Anlæggene har selv
spillet en væsentlig rolle ved minimeringen af affaldsmængderne til deponering.
Siden 1994 er der kun lukket få deponeringsanlæg (ikke omfattende fyldpladser og
specialdepoter) i Danmark, hvorfor mængderne til deponering på hvert enkelt
deponeringsanlæg i gennemsnit vurderes at være faldet.
Det er samtidig et faktum, at der ikke i deponeringsanlæggenes rammebetingelser er
indlagt krav om kapacitetstilpasning (sammenlægning, lukning af anlæg,
personalereduktion eller anden form for effektivisering) ved faldende mængder46. I stedet giver de faldende mængder en
forlængelse af levetiden på de nuværende deponeringsanlæg, hvilket er positivt.
Da det imidlertid kan konstateres, at der på deponeringsanlæggene er sket forskellige
grader af kapacitetstilpasninger i takt med de faldende mængder, er dette en væsentlig
årsag til den store spredning i anlæggenes omkostninger per ton og dermed til
effektiviseringspotentialets størrelse.
Kvalificering af potentialet
Det er dog vigtigt at påpege, at det beregnede bruttopotentiale i Tabel 5.6 udtrykker
et fuldstændig unuanceret potentiale, hvor der ikke er taget stilling til, hvor stor en
del af de samlede potentiale, som reelt vil kunne realiseres. For eksempel kan
anlægsaktiverne ikke umiddelbart realiseres, og disse omkostninger er derfor ikke et
potentiale på kort sigt. For at få et bedre billede af det kortsigtede
effektiviseringspotentiale, kan man f.eks. udføre en tilsvarende analyse, hvor man i
stedet for de samlede omkostninger tager driftsomkostningerne med.
I de følgende afsnit redegøres for resultaterne af analyser, som har til formål at
kvalificere potentialet yderligere.
Som allerede nævnt er der valgt én basis DEA-analyse, der vurderes at være den
analyse, der bedst beskriver anlæggene inden for de rammer DEA-analysen har. Imidlertid
er der desuden udført en række supplerende og kvalificerende DEA-analyser, der belyser
hvor meget resultaterne afviger ved brug af alternative kombinationer af input og output.
De kvalificerende DEA-analyser omfatter desuden analyse af betydningen af udeladelse af
meget effektive og meget inefficiente deponeringsanlæg.
Der er udført 8 supplerende DEA-analyser på deponeringsområdet, som alle er
varianter af basismodellen:
Model 1: Med opsplitning i drifts- og anlægsomkostninger
Model 2: Kun på driftsomkostninger i stedet for totalomkostninger
Model 3: Med gasindvinding som output
Model 4: Med dieselforbrug som input
Model 5: Totalomkostninger inkl. i stedet for ekskl. perkolatomkostninger
Model 6: Faktiske omkostninger erstattet med beregnede fiktive omkostninger på basis
af behandlingsgebyrer
Model 7: Deponeret og mellemdeponeret som en samlet mængde
Model 8: Uden mellemdeponeret mængde
Input og output
Tabellen nedenfor giver en oversigt over de input- og outputvariable, der indgår i
de i alt 9 modeller.
Tabel 5.7
Oversigt over input og output i deponeringsanalyserne
Model |
BM |
M1 |
M2 |
M3 |
M4 |
M5 |
M6 |
M7 |
M8 |
Input |
|
|
|
|
|
|
|
|
|
Samlede omkostninger ekskl. omkostninger
til perkolathåndtering og gasindvinding |
X |
|
|
X |
X |
|
|
X |
X |
Driftsomkostninger ekskl. omkostninger
til perkolathåndtering og gasindvinding |
|
X |
X |
|
|
|
|
|
|
Afskrivning, forrentning og leasing
ekskl. omkostninger til perkolathåndtering og gasindvinding |
|
X |
|
|
|
|
|
|
|
Samlede omkostninger ekskl. omk. til
gasindvinding |
|
|
|
|
|
X |
|
|
|
Dieselforbrug |
|
|
|
|
X |
|
|
|
|
Fiktive omkostninger beregnet på
baggrund af gebyrer |
|
|
|
|
|
|
X |
|
|
Output |
|
|
|
|
|
|
|
|
|
Deponeret mængde |
X |
X |
X |
X |
X |
X |
X |
|
X |
Mellemdeponeret mængde |
X |
X |
X |
X |
X |
X |
X |
|
|
Deponeret + mellemdeponeret mængde |
|
|
|
|
|
|
|
X |
|
Produceret mængde gas |
|
|
|
X |
|
|
|
|
|
Resultater
På basis af input og outputvariablene i tabellen er de supplerede DEA-analyser
gennemført. Scorerne for hvert af de 32 deponeringsanlæg er vises i bilag 9-16. De
samlede beregnede bruttopotentialer for hver af analyserne ses i figuren nedenfor. De
potentialer, der sammenlignes, er bruttopotentialer inklusiv eventuelt
langsigtsstrukturændringer, der kan medvirke til at realisere stordriftsfordele.
Se her!
Figur 5.11
Bruttoeffektiviseringspotentialer fra de alternative DEA-modeller,
deponeringsanlæg
Bruttopotentialet bliver lidt mindre i model 1, fordi omkostningerne er splittet op i
drifts- og anlægsomkostninger. Dette giver deponeringsanlæggene yderligere en parameter
at blive efficient på, og det betyder også, at selv om et deponeringsanlæg har høje
driftsomkostninger kan det stadig blive efficient, hvis det til gengæld har lave
anlægsomkostninger og vice versa. Da det er anlæggenes totale økonomi, der er
interessant og ikke en specialisering i enten lave driftsomkostninger eller lave
anlægsomkostninger, beskriver denne model ikke virkeligheden ligeså godt som en model
med samlede omkostninger. Anlæggene har i øvrigt stor mulighed for at påvirke
fordelingen af drifts- og anlægsomkostninger, ud fra deres valg af afskrivningspolitik.
Resultatet fra denne model må derfor betragtes med forbehold.
Da der i model 2 kun medtages driftsomkostninger, er det ikke overraskende at
bruttopotentialet i denne model bliver mindre end i basismodellen, idet variationen i
driftsomkostninger svarer til variationen i de samlede omkostninger. I modellen udelades
anlægsomkostninger som en parameter, man kan være efficient på, hvorved man ikke tager
hensyn til anlæggenes måde at investere på. I gennemsnit er effektivitetsscorerne stort
set uændret i forhold til basismodellen. Modellens resultat anvendes i forbindelse med
kvalificeringen af bruttopotentialet.
Bruttopotentialet er mindre i model 3 and i basismodellen, fordi anlæggene kan være
efficient på gasproduktion som output. Tilsvarende er bruttopotentialet mindre i model 4,
fordi anlæggene kan være efficiente på diesel som input. Igen er det værd at bemærke
at ingen af disse parameter kan forrykke det samlede bruttopotentiale væsentligt.
Bruttopotentialet for model 5 er en del større end basismodellen, da omkostningerne
til perkolathåndtering er medtaget i denne model. Den primære årsag til det højere
potentiale er, at de totale omkostninger for deponeringsanlæggene er større i denne
model, men effektivitetsscorerne er dog også en anelse mindre i denne model. Strukturelle
forhold bevirker, at anlæggenes ressourcebelastning til håndtering af perkolat varierer
kraftigt, og til at belyse dette forhold er modellen uden perkolatomkostninger det bedste
udgangspunkt.
Endelig giver model 6, hvor de faktiske omkostninger er erstattet med fiktive
omkostninger beregnet på baggrund af behandlingsgebyrerne, et bruttopotentiale, der er
noget mindre end i basisscenariet. Dette skyldes, at variationen i gebyrerne er mindre end
variationen i anlæggenes faktiske omkostninger eksklusiv perkolatomkostninger i år 2000.
Modellen er ikke relevant for kvalificeringen af potentialet, da den ikke afspejler de
faktiske omkostninger.
Bruttopotentialet for model 7 er en anelse større end for basismodellen, da
deponeringsanlæggene har en parameter mindre, de kan være efficiente på i denne model.
I model 8 bliver potentialet mindre, men det er som nævnt en undervurdering. Under
alle omstændigheder ligger variationen inden for usikkerheden.
Antallet af variable og
effektiviseringspotentialet
Normalt gælder det, at antallet af variable har en vis betydning for
DEA-scorernes størrelse. Analysen af deponeringsanlæg viser dog, at det her ikke er
meget udtalt. Effektiviseringspotentialet falder således kun med mellem 3% og 9%, når
der inkluderes en ekstra variabel i analysen.
I modellen med kun 2 variable er potentialet det samme som i
basismodellen, hvor der er 3 variable.
Generelt afhænger variationen og antallet af variable meget af, om
der er det såkaldte input slack (se bilag 1 for en nærmere forklaring af begrebet
input slack) forbundet med de enkelte variable. |
Der er, som allerede nævnt, indsamlet en lang række variable i undersøgelsen af
deponeringsanlæggene udover dem, der indgår direkte i DEA-analyserne. Formålet med
dette afsnit er at kvalificere potentialet ud fra disse andre forhold ved at udføre
statistiske analyser samt kvalitativt at vurdere forskellen mellem de efficiente og
inefficiente deponeringsanlæg. Formålet er at identificere årsagerne til potentialet,
og vurdere i hvilket omfang potentialet kan realiseres.
De variable, der ikke er inddraget direkte i DEA-analyserne, kan i princippet være
ligeså vigtige som de, der indgår direkte. Det er imidlertid ikke alle variable, der kan
integreres i en DEA-model (se bilag 1), hvorfor en række af de indsamlede variable er
inddraget i supplerende statistiske analyser.
Følgende variable har været inddraget og undersøgt i supplerende statistiske
analyser:
 | Ejerforhold |
 | Anlægsår |
 | Andre driftsområder |
 | Areal og kapacitet |
 | Membran |
 | Behandling af evt. mellemdeponeret affald |
 | Affaldstyper |
 | Regnskabspraksis |
 | Ressourceforbrug på affaldsplaner |
 | Åbningstid |
 | Antal lastbiler |
 | Miljøudstyr |
 | Grundvandsmonitering |
 | EU direktiv |
For disse variable er det ved hjælp af lineær regression undersøgt, om scoren for
anlæggene afhænger statistisk signifikant af forhold, som ikke er inddraget i
DEA-analysen.
Statistisk analyse
De statistiske analyser på deponeringsområdet er gennemført lidt anderledes end på
forbrændingsområdet.
Det er undersøgt, hvorledes VRS-scoren afhænger af de forskellige relevante
parametre, men resultaterne bliver langt mere anvendelige, når det er CRS-scoren, der
anvendes. Årsagen er, at der for adskillige deponeringsanlæg er stor forskel på de to
scorer, CRS og VRS, jfr. Figur 5.9 på side *, og anlæggenes
scorer er mere klare i CRS-analysen, hvor der ikke er kompenseret for stordriftsfordele.
Ved at benytte CRS-scorerne i stedet, forklarer den statistiske analyse
stordriftsfordelene i stedet for DEA-modellen. Der foretages en sammenligning af
resultaterne ved de to metoder.
Resultaterne og fortolkningen af analysen præsenteres i det følgende.
Den statistiske analyse udpeger en række elementer som værende af betydning for de
identificerede scorer. En meget lang række elementer har været afprøvet i den
statistiske model, men af disse er det kun et begrænset antal, som kan forklare scorerne.
Nedenfor beskrives de elementer, der har vist sig at beskrive data med en
tilfredsstillende forklaringsgrad47.
Jo større deponeret mængde, anlægget modtager, jo højere score har
anlægget. Det betyder, at også den statistiske analyse påpeger, at der er
stordriftsfordele på deponeringsområdet.
Jo højere deponeringshøjden er, jo højere score har anlægget. Dette er et
meget intuitivt resultat, idet især anlægsomkostningerne reduceres betydeligt, hvis
deponeringshøjden øges.
Jo yngre deponeringsanlægget er, desto lavere er scoren. Dette er en naturlig
følge af, at specielt forrentningsomkostningerne, men også afskrivningerne, er højere
ved nye anlæg end ved ældre anlæg. Det er også en logisk følge af, at der gennem
tiden er blevet stillet større og større krav til deponeringsanlæggets udformning.
Eksempelvis er kravene til membrantype løbende blevet skærpet, hvilket med tiden har
forøget omkostningerne til anlæg af deponeringsanlæg. Dette aspekt kan således også
være indeholdt i den effekt, der identificeres som alderseffekten.
Endvidere viser de statistiske analyser, at anlæg med 4 sideaktiviteter har
højere scorer i gennemsnit. Dette er også intuitivt, da flere aktiviteter giver bedre
mulighed for at udnytte ressourcerne. På grund af det sparsomme datamateriale, kan denne
parameter ikke opdeles yderligere. Endelig viser analysen, at de fælleskommunale anlæg
generelt har en højere score end de anlæg, der er kommunalt styrede eller styret på
anden vis. Der er en vis korrelation mellem disse variable, men det vurderes dog at være
fornuftigt at medtage dem begge i analysen.
En effekt kommer ikke helt så kraftigt ud som de effekter, der er redegjort for
ovenfor48. Det er om, hvorvidt anlægget
modtager farligt affald, som analysen peger på kan have betydning for anlæggets
score. Fem af de analyserede anlæg har angivet at modtage mere end 3,5% af deres affald
som farligt affald. Analysen indikerer, at dette aspekt kan have betydning for disse
anlægs scorer, så anlæggene der modtager farligt affald generelt har lidt lavere score
end de øvrige anlæg.
Det skal nævnes allerede på dette sted, at den estimerede model har vanskeligt ved at
forudsige høje effektivitetsscorer ud fra de oplysninger, der er tilstede. Dette tyder
på, at de mest effektive anlæg på en række andre punkter skiller sig ud fra de øvrige
anlæg. Dette aspekt diskuteres nærmere, når effektiviseringspotentialet kvalificeres.
Der er også en række faktorer, der har vist sig ikke at have signifikant betydning
for anlæggenes score:
Anlæggenes regnskabspraksis (årsregnskab eller kommunalt regnskab) har ingen
betydning for anlæggets score. Dette betyder, at der ikke kan observeres en systematisk
skævhed i opgørelsen af specielt anlæggenes værdier for afskrivning og forrentning.
Det skal dog nævnes, at der ses en meget svag tendens til, at anlæg, der assisterer
med at udarbejde affaldsplaner, er marginalt mindre efficiente end de øvrige
anlæg parameteren er ikke nær signifikant.
Hvor meget affald, anlæggene modtager af forskellige affaldstyper ud over
farligt affald, har heller ingen signifikant betydning for anlæggenes scorer.
Dette kan formentlig forklares med, at de efficiente anlæg i analysen modtager affald af
mange forskellige typer.
Endvidere har det ikke signifikant betydning, om anlægget har særligt
overvågnings- eller kontroludstyr til miljøkravene eller kvalitetssikring, eller om
anlæggene har forskellige krav til grundvandsmonitering.
Der er som nævnt justeret for perkolatopsamling i omkostningerne, før
DEA-analysen er gennemført. Men det er alligevel testet, om det forhold at anlæggene har
perkolatopsamling eller ej har en signifikant betydning for scoren. Det har det ikke,
hvilket bekræfter, at udeladelse af anlæggenes omkostninger til perkolatopsamling
stiller anlæggene lige.
De konkrete statistiske resultater anvendes i det følgende til at kvalificere det
identificerede bruttoeffektiviseringspotentiale på 151 mio. kr. i år 2000.
Først udregnes de konkrete delelementer af potentialet på basis af de statistiske
analyser, og dernæst vurderes det resterende potentiale. Potentialet kategoriseres som
beskrevet i metodeafsnittet:
 | Potentiale på kort sigt, på lang sigt og vanskeligt eller slet ikke realiserbart |
 | Potentiale, som anlæggene selv kan påvirke eller det, som de ikke kan påvirke. |
Anvendt metode til kvalificering af potentialet
Den statistiske analyse resulterer i en række parametre.
Eksempelvis er parameteren for, at anlægget modtager farligt affald
på 0,10. Dette betyder rent teknisk, at anlæggene, der modtager mere end 3,5% (den
valgte grænse) af deres affald som farligt affald, i gennemsnit ville have en VRS score
på 0,10 højere, end de har nu. Dette kan direkte omregnes til et potentiale, nemlig
summen af 0,10*totalomkostningerne på de pågældende anlæg.
Helt så enkelt er det ikke med parametrene til eksempelvis
deponeringshøjde. For at kvalificere potentialet er det nødvendigt eksplicit at vurdere,
hvilket sammenligningsgrundlag der skal anvendes.
Eksempelvis en deponeringshøjde på 15 m. Der udregnes dermed et
potentiale, der skyldes, at ikke alle anlæg har en deponeringshøjde på 15 m.
Parameteren til deponeringshøjde er på 0,027. Det betyder således, at anlæg, der har
en deponeringshøjde på 5 meter, i gennemsnit ville have en score på 0,27 højere, hvis
de havde en deponeringshøjde på 15 meter ((15-5)*0,027).
Ved disse vurderinger er der anvendt et sammenligningsgrundlag, der
omtrent afspejler det niveau, som de efficiente anlæg i analysen har. |
Mængder
Effektiviseringspotentialet, der stammer fra varierende mængder på de forskellige
deponeringsanlæg, kan beregnes til ca. 28 mio. kr. i år 2000.
Udgangspunktet for denne beregning er en årlig deponeret mængde på 60.000 tons og en
mellemdeponeret mængde på 10.000 tons. Det udregnede potentiale angiver altså
potentialet, hvis alle anlæg var af denne størrelse. Dette er klart ikke realistisk,
ejheller det optimale niveau, men er fastsat for at stille alle anlæg lige, og giver
således et billede af konsekvensen af, at anlæggene netop ikke er lige store. Hvis en
lavere grænse var valgt, ville potentialet, der stammer fra forskellige mængder, blive
mindre.
Potentialet er dog tæt på det potentiale på 22 mio. kr. i år 2000, som DEA-analysen
udpegede som potentialet relateret til stordriftsfordele.
Dette potentiale kan karakteriseres delvist som et kortsigtet og delvis som et
langsigtet potentiale. I tilfælde af en lukning af de mest inefficiente anlæg, vil de
årlige driftsomkostninger umiddelbart blive sparet. Dog vil der være udgifter til selve
nedlukningen. På den anden side vil omkostninger til afskrivninger og forretning være
tabt for de dele af anlægget, der ikke er mobile. En total realisering af potentialet
kræver endvidere en diskussion af antal og størrelse på deponeringsanlæg i Danmark.
Det kan tillige diskuteres, hvor stor en del af potentialet, der er realiserbart på lang
sigt, da også f.eks. transportomkostningerne skal inddrages for at give et retvisende
billede af potentialet.
Det skal dog understreges, at det kun er en mindre del af det samlede potentiale, der
er relateret til anlæggenes størrelse, og dermed strukturen på deponeringsområdet. En
langt større del af potentialet skyldes andre faktorer.
Deponeringshøjde
Forskel i deponeringshøjde bidrager med ca. 14 mio. kr. i år 2000 til
effektiviseringspotentialet. Udgangspunktet for denne beregning er en deponeringshøjde
på 15 m. Dette potentiale kan karakteriseres som et potentiale, der kun vanskeligt eller
slet ikke kan realiseres. Dette potentiale kan kun realiseres, hvis alle anlæg fik en
deponeringshøjde på 15 m, hvilket ikke er realistisk. Resultatet kan imidlertid benyttes
til at illustrere, hvor vigtig deponeringshøjden er for effektiviteten på et
deponeringsanlæg. Dette peger også på, at det er vigtigt ved fremtidige anlæg af
deponeringsanlæg at prioritere deponeringshøjden højt, naturligvis sammen med
miljøspørgsmål og andre relevante kriterier.
Alder
Anlæggets alder og dermed forskel i størrelsen og vægten af afskrivning og
forrentning, bidrager med ca. 16 mio. kr. til effektiviseringspotentialet. Også dette
element i det beregnede bruttoeffektiviseringspotentiale, kan kun vanskeligt eller slet
ikke realiseres.
Sideaktiviteter
At ikke alle anlæg har 4 sideaktiviteter, bidrager til effektiviseringspotentialet med
ca. 14 mio. kr. i år 2000. Ligesom potentialet, der havde at gøre med stordriftsfordele
på selve deponeringsaktiviteten, udtrykker dette potentiale udnyttelse af
stordriftsfordele på selskabsniveau. Derfor kan selskaberne også her selv realisere
potentialet.
Ejerform
Ca. 6 mio. kr. kunne realiseres, hvis alle anlæg var styret som de fælleskommunale
anlæg. Denne del af potentialet har sandsynligvis igen at gøre med stordriftsfordele, og
fanger givetvis noget af den variation, der ikke kan forklares med, om man har 1, 2 eller
3 sideaktiviteter. Derfor kan selskaberne også her selv realisere potentialet - om end
på lang sigt.
Farligt affald
På grund af usikkerheden ved estimatet på farligt affald, er det ikke uproblematisk
at beregne potentialet på dette. Det er dog medtaget, da det er positivt, at anlæggene
yder en speciel indsats for det farlige affald. Potentialet er ikke realiserbart og
medtages derfor i analysen. Modtagelsen af farligt affald bidrager således med 4,5 mio.
kr. til potentialet.
Resterende potentiale
De identificerede potentialer er opsummeret i figuren nedenfor. Det resterende
potentiale er på ca. 70 mio. kr..
Se her!
Figur 5.12
Opdeling af effektiviseringspotentiale på deponeringsområdet i Danmark, mio
kr. i år 2000
Figuren nedenfor viser variationen i scorerne på de enkelte anlæg.
Se her!
Figur 5.13
Justerede CRS-scorer på deponeringsanlæggene
Scorerne er justeret for at tage højde for de identificerede faktorer.
Det er valgt at illustrere score-justeringen i to skridt. Først er der justeret for de
faktorer, som optræder på grund af geografiske eller oplandsmæssige forhold for
anlæggene: mængde, deponeringshøjde og alder. Det er de mørke søjler. Betragtes
billedet efter denne justering ses, at der nu er en jævn fordeling af scorerne fra ca.
0,3 og op til 1. Der er altså ikke som på det oprindelige billede tale om enkelte
anlæg, der totalt dominerer de øvrige anlæg i analysen.
Dette billede vurderes at være mere retvisende end billedet af de oprindelige scorer,
da der her ikke var taget højde for forskelle i mængder, deponeringshøjde og alder.
De øverste hvide søjler illustrer den øvrige justering, det vil sige justering for
sideaktiviteter, ejerform og farligt affald.
Figuren illustrerer, at det er en stor del af potentialet, der kan forklares med de
identificerede faktorer. Gennemsnittet af de scorerne, når de er justeret for mængde,
deponeringshøjde og alder er således på 0,59 og gennemsnittet af de fuldt ud justerede
scorer på 0,70 mod 0,24 før justering.
Det ses imidlertid også, at der er meget stor forskel på, hvor meget de enkelte
scorer er justeret op.
Fortolkningen er, at for nogle anlæg, eksempelvis anlæg I, har de identificerede
parametre været i stand til at forklare stort set hele det identificerede potentiale.
Anlæg I er et lille anlæg, der har en meget lav deponeringshøjde, kun 2 andre
aktiviteter på anlægget og ikke er fælleskommunal.
For andre anlæg, eksempelvis anlæg C, har en langt mindre del af potentialet kunnet
forklares med de identificere parametre. Anlæg C har en gennemsnitlig deponeringshøjde,
er et gammelt anlæg, har allerede 4 øvrige aktiviteter og er allerede fælleskommunal.
Selv om scoren for C og I således som udgangspunkt var af samme størrelse, er de
justerede scorer meget forskellige.
Karakteristik af de 2 efficiente
De efficiente anlæg i analysen er karakteriseret ved:
 | Modtager relativt meget affald, men ikke mest.
|
 | Har personaleomkostninger på under 500.000 kr i år 2000 ekskl.
fællesomkostninger.
|
 | Tager imod mange forskellige affaldstyper: skrotaffald, slam,
forurenet jord
|
 | Har mange aktiviteter samlet ét sted
|
 | Har en miljøgodkendt restkapacitet, som er mindre end
gennemsnittet, men der ikke er nogen entydig karakteristik af anlæggene mht. til
restkapaciteten inden for det lokalplanlagte område
|
 | Foretager målinger af miljøtilstanden, blandt andet
grundvandsmonitering
|
 | Ingen særlige forhold ang. perkolat. Den ene har membran og
perkolatopsamling, mens den anden ikke har. (Alle anlæg er forsøgt stillet lige med
hensyn til perkolat i analysen)
|
 | Det ene anlæg oplyser at man (endnu) ikke lever op til kravene i
EU's direktiv for deponeringsanlæg, mens det andet oplyser at man delvist lever op til
direktivet.
|
 | Har ikke markant anden åbningstid end de øvrige anlæg
|
 | Et af anlæggene udarbejder selv affaldsplaner for
interessentkommunerne, for det andet anlæg udarbejdes affaldsplanerne af selskabet.
|
 | Har under målsætningerne svaret, at miljø og økonomi er lige
vigtige
|
 | Foretager løbende vedligeholdelse på anlægget
|
|
Det resterende potentiale på 70 mio. kr. kan ikke kvalificeres yderligere i den
statistiske analyse. Der kan være en del af det, der kan realiseres på kort sigt, men
givetvis også en del, der kun kan realiseres på lang sigt eller slet ikke.
For at kunne kvalificere denne del af potentialet yderligere, er der foretaget en
supplerende analyse på DEA-scorerne.
Supplerende analyse
Resultaterne fra DEA-analysen er opdelt på en række omkostningskategorier, og
effektiviseringspotentialet for hver af disse er identificeret.
Disse oplysninger er suppleret med en vurdering af, hvor stor en del af de
identificerede potentialer fra den statistiske analyse, der kan henføres til henholdsvis
anlæg, personaleomkostninger, materialeomkostninger og øvrige omkostninger. Eksempelvis
vurderes det, at deponeringshøjden hovedsagelig påvirker anlægsomkostninger, mens
håndtering af farligt affald både forøger personaleudgifter, anlægsomkostninger og
materialeudgifter.
Ved at kombinere disse oplysninger, er det resterende potentiale på 70 mio. kr opdelt
i kategorier. Resultatet ses i figuren nedenfor, som er den samme som Figur 5.12, dog med
de 70 mio. kr øverst i figuren opdelt på en række poster.
Se her!
Figur 5.14
Kvalificering af potentialet med en uddybning af det resterende potentiale
på 70 mio. kr., mio. kr. i år 2000
Figuren illustrerer, at der er stor forskel på størrelsen af de enkelte komponenter i
det resterende potentiale. Blandt andet ses, at afskrivninger, forrentning og leasing
udgør en meget lille del. Årsagen til dette er, at en stor del af de parametre, der blev
identificeret i den statistiske analyse, er relateret til afskrivninger og forrentning.
I øvrigt kan det bemærkes, at potentialet, der kan henføres til afskrivning og
forrentning stemmer udmærket overens med reduktionen i potentialet, når afskrivning og
forrentning helt udelades af DEA-modellen (jvf. supplerende DEA-model 2).
Det er ikke muligt at udtale sig håndfast om, hvor stor en del af disse potentialer,
der kan realiseres. Men mulighederne er diskuteret i det følgende.
Fællesomkostninger
Fællesomkostningerne er kun inddraget i lille omfang i den statistiske analyse, nemlig
via fælleskommunal og de 4 sideaktiviteter. Der er stor variation i
fællesomkostningerne, hvilket både kan skyldes reel variation, men også forskellige
praksis for fordeling af fællesomkostningerne ved besvarelse af spørgeskemaet. Derfor
kan det kun vanskeligt vurderes, i hvor høj grad det identificerede resterende potentiale
på ca. 12 mio. kr. kan realiseres.
Afskrivning, forrentning og leasing
Det resterende potentiale på disse poster er som nævnt ret småt, nemlig på knap 3
mio. kr. Der kan nemt være forhold relateret til afskrivning og forrentning, der ikke er
medtaget i analysen. Det kan f.eks. være investeringer i specielle anlæg eller maskiner
til håndtering af særlige affaldstyper som shredderaffald eller farligt affald. Det kan
også være, at specielle geografiske forhold gør sig gældende på anlægget. På den
anden side kan der også være investeret i for dyre maskiner, specielt set i lyset af de
faldende mængder. En forsigtig vurdering lyder dog på, at dette potentiale ikke vil
kunne realiseres.
Citat fra et af de efficiente anlæg
"Det er vigtigt, at det er billigt. Vi køber de billigste
maskiner, der dækker vores behov. Vi har heller ikke nye maskiner og et flot kontor.
Både vores ansatte og ejere er tilfredse med, at det kører på den måde." |
Øvrige omkostninger
De øvrige omkostninger dækker over en restgruppe, der blandt andet omfatter
forsikringer, offentlig kontrol samt ejendomsskatter. Der kan være en stor forskel på
ejendomsskatterne i de forskellige kommuner, ligesom forsikringer og offentlig kontrol
naturligvis også kan være forskellige. På denne baggrund er det vanskeligt at
forestille sig, at en stor del af dette potentiale på godt 13 mio. kr. kan realiseres.
Materialeomkostninger
Materialeomkostningerne består af en række forskellige omkostninger, såsom el,
brændsel, kemikalier, udgifter til monitering, hjælpematerialer i øvrigt herunder
forbrugsstoffer, spildevandsafgift (kloakafledning), brandslukningsmidler og
indpakningsmaterialer mv. ved mellemdeponi. Det er derfor selvsagt vanskeligt at vurdere,
hvor stor en del af potentiale på ca. 9 mio., der kan realiseres. Da visse elementer i
kategorien er udefrakommende omkostninger, kan hele potentialet dog næppe realiseres. På
den anden side er en del af potentialet også ressourceforbrug på selve
deponeringsanlægget, der til en hvis grad bør kunne reduceres.
Personaleomkostninger
Endelig er der personaleudgifter og udgifterne til de eksterne tjenesteydelser, der
udgør et potentiale på ca. 33 mio. kr. af de resterende potentiale. Meget taler for, at
en del af dette potentiale vil kunne realiseres.
Citater fra et af de efficiente anlæg
"Vores medarbejdere skal kunne træde til, hvor der er brug for
det. Hvis der ikke er en lastbil med affald, laver de noget andet."
"Vi har gjort en stor indsats de seneste år på
ledelsesområdet. Vores ansatte er dermed blevet mere tilfredse og motiverede i deres
daglige arbejde."
"Vores genbrugsstationer har åbent, når folk har fri." |
Årsagen hertil er, at der ses voldsomme forskelle i personale- og udgifter til eksterne
tjenesteydelser mellem de forskellige anlæg helt op til en faktor 10 til forskel
og det uden, at forskellene i al væsentlighed kan forklares med eksempelvis større
mængder, mange forskellige typer af affald eller krav om miljøforanstaltninger eller
monitering. Som nævnt har anlæggene haft yderst vanskeligt ved at besvare spørgsmålene
om deres tidsforbrug til forskellige serviceydelser, og det er derfor ikke muligt at
undersøge, hvorvidt service har en betydning. Dog har de anlæg, der har besvaret den del
af spørgeskemaet, ikke angivet en voldsom belastning med serviceydelser. Det er også
undersøgt, om arbejdet med affaldsplaner kan forklare forskellene, men det kunne det
ikke.
Dog er der visse elementer, der ikke er klarlagt i spørgeskemaet, og som kan have en
mindre betydning. Det er specielt udseende af deponeringsanlægget, hvor nogle anlæg gør
meget for æstetikken på anlægget, hensynet til naboer etc., mens det for andre anlæg
ikke er nødvendigt i samme grad. Endvidere er der visse anlæg, der er på forkant med
udviklingsaktiviteter, mens andre ikke beskæftiger sig med udvikling. Endelig har visse
anlæg en forsorteringsaktivitet på anlægget.
Ved en gennemgang af de konkrete svar fra anlæggene og opfølgning, har det været
muligt klart at identificere ca. 3 mio. kr. i personaleudgifter og udgifter til de
eksterne tjenesteydelser, der ikke vil kunne realiseres. Hertil kommer ca. 2 mio. kr, der
anvendes til forskellige former for serviceydelser på anlæggene, blandt andet
udarbejdelse af affaldsplaner, klagesagsbehandning, besøg, takstberegning etc. Endelig
vurderes der ved en gennemgang af anlæggenes omkostninger at være ca. 7 mio kr, der
relaterer sig til en sorteringsaktiviteter på ca. en tredjedel af samtlige anlæg. Dette
potentiale vil heller ikke kunne realiseres.
Af de resterende 21 mio. kr., det vil sige to tredjedele, vurderes en del at kunne
realiseres.
Under alle omstændigheder peger analysen på, at der er behov for, at
personaleforbruget på deponeringsanlæggene opgøres og diskuteres. Dette bekræftes af,
at kun et af de 32 anlæg har angivet, at det allerede løbende gennemfører
produktivitetsmålinger.
Arbejdsfordeling
Der er forskel på, hvor skarp arbejdsfordelingen er mellem det, som
anlæggets egne ansatte laver, og det eksterne folk anvendes til.
En revision af denne arbejdsfordeling, så anlæggenes folk i ledige
stunder udførte det arbejde, de eksterne nu udfører, ville bidrage til effektivisering
på anlæggene. |
Bemærkning vedrørende perkolatomkostninger
Sent i analyseforløbet blev det klart, at mange anlæg ikke har opgivet omkostninger
til anlæg af perkolatanlæg under søjlen med perkolathåndtering. Dette var potentielt
et problem, da de relevante omkostninger så ikke var trukket ud af analyserne for at
stille anlæggene lige med hensyn til perkolathåndtering. Derfor er konsekvenserne for
analysens resultater med hensyn til afskrivning og forrentning undersøgt nøje.
Potentialet, der kan henføres til afskrivning og forrentning kan opgøres til 41 mio
kr (størrelsen er ikke nævnt andetsteds i rapporten). Figuren nedenfor viser, hvorledes
disse 41 mio kr er fordelt på de forskellige elementer, der er diskuteret ovenfor.
Endvidere illustrerer figuren, hvilke af disse elementer, der er karakteriseret som et
potentiale, der kun vanskeligt eller slet ikke kan realiseres. Disse er markeret med
gråt.
Figur 5.15
Fordeling af afskrivnings- og forrentningspotentialet på 41 mio kr
Figuren illustrerer, at en meget stor andel af potentialet, der kan henføres til
afskrivning og forrentning, er karakteriseret som et potentiale, der kun vanskeligt eller
slet ikke kan realiseres.
Den hvide del af figuren kan henføres til anlæg, der ikke kan udnytte
stordriftsfordele så godt som andre anlæg. Dette vurderes ikke at være knyttet til
perkolatomkostningerne. En mindre del af dette potentiale er i øvrigt, som beskrevet
ovenfor, vurderet til ikke at kunne realiseres, men den største del kan realiseres
noget på kort og noget på lang sigt.
Selv om det potentielt var et problem, at det ikke var muligt at trække samtlige
omkostninger til perkolat ud af analysen, så har det altså vist sig, at det ikke spiller
en rolle i relation til størrelsen af det realiserbare potentiale.
Opsummering af potentialet
Nedenfor er opsummeret fordeling af skalapotentialet og det tekniske potentiale opdelt
på de identificerede poster.
Se her!
Figur 5.16
Opsummering af potentialet på deponeringsanlæg
Skalapotentialet udgør ca. 28 mio. kr i år 2000, mens det tekniske potentiale udgør
ca. 123 mio. kr. i år 2000.
Konklusion
Analysen har identificeret et betydeligt bruttopotentiale, og de supplerende analyser
har grupperet dette potentiale. Efterfølgende er der foretaget en vurdering af, hvem, der
har mulighed for at realisere potentialet og på hvilken tidshorisont potentialet
eventuelt kan realiseres. Da der er usikkerheder forbundet med disse vurderinger, er der
for hver potentiale-kategori foretaget en minimums og en maksimumsvurdering af muligheden
og ansvaret for realisering. Disse vurderinger er derefter samlet som intervaller og er
vist i tabellen nedenfor.
I resultaterne nedenfor tages der udgangspunkt i brutto-potentialet på de 151 mio. kr.
Tabel 5.8
Oversigt over effektiviseringspotentialet på deponeringsområdet, mio. kr. i
år 2000
|
Anlæg |
Ikke
anlæg |
Ikke
Realiserbart |
I alt |
Kort sigt |
30-50 |
5-10 |
Opdeles ikke |
35-60 |
Lang sigt |
15-20 |
5-10 |
Opdeles ikke |
20-30 |
Ikke Realiserbart |
Opdeles ikke |
Opdeles ikke |
65-95 |
65-95 |
I alt |
45-70 |
10-20 |
65-95 |
151 |
Det samlede potentiale er fast, og det er således ikke muligt at lægge henholdsvis de
laveste tal sammen og de højeste tal sammen og få et interval på dette potentiale.
Usikkerheden på det samlede potentiale vurderes at være på +/- 15%.
Det kan konkluderes, at 30-50 mio. kr. årligt bør kunne realiseres af anlæggene på
kort sigt, svarende til mellem ca. 15% og 25% af deponeringsanlæggenes samlede
omkostninger. 15-20 mio. kr. årligt bør kunne realiseres af anlæggene på lang sigt,
svarende til yderligere mellem 7% og 10% af de totale omkostninger. 5-10 mio kr bør kunne
realiseres af andre end anlæggene både på kort og på lang sigt, det vil sige i alt
5-10%.
Der er endvidere identificeret et potentiale på 65-95 mio. kr. årligt, svarende til
fra 30% til 45% af de totale omkostninger (inklusive omkostninger til perkolatopsamling og
gasindvinding), som forventes at blive vanskeligt at realisere eller som slet ikke kan
realiseres.
Det er ikke direkte undersøgt, hvor mange ressourcer, der skal til for at realisere
potentialerne. Tag potentialet på 30 mio kr fra tabellen ovenfor som eksempel. Hvis det
kan opgøres, at det vil koste 10 mio kr at realisere potentialet, så viser analysen, at
der kan spares 40 mio kr. Potentialet på de 30 mio kr er altså en mulig
netto-besparelse, givet at anlæggene investerer ligeså fornuftigt som de effektive
anlæg. Årsagen er, at potentialet er bestemt ud fra anlæg, der har tilsvarende lavere
omkostninger, men som allerede har afholdt udgifter til evt. driftsinvesteringer.
Det skal bemærkes, at analysen kun omfatter ca. 80% af de deponerede mængder i år
2000. Hvis de udeladte anlæg ligner de inkluderede anlæg, vil det samlede
bruttoeffektiviseringspotentiale stige fra 151 mio. kr i år 2000 til ca. 190 mio. kr. i
år 2000.
Det skal endelig pointeres, at det undersøgte potentiale er en undervurdering af det
samlede potentiale, da der ikke er medregnet en mulig effektivisering af de effektive
anlæg. Dette aspekt vurderes dog ikke at have så stor betydning på deponeringsområdet.
I metodeafsnittet er usikkerheden på følgende elementer diskuteret:
 | Mængder |
 | Omkostninger |
 | Miljø-parametre |
Nedenfor diskuteres usikkerheden specielt i relation til deponeringsanlæg.
Som nævnt i metodeafsnittet vurderes mængderne ikke at være usikre.
Omkostninger
For omkostningernes vedkommende, er der dels usikkerhed ved opgørelse af afskrivning
og forrentning og dels ved fordeling af omkostningerne mellem de forskellige aktiviteter.
For deponeringsanlæg vurderes begge elementer at være forbundet med en rimelig stor
usikkerhed.
Der er således usikkerhed med hensyn til opgørelsen af afskrivningerne, hvor
anlæggenes levetid er vanskelig at fastsætte. Med de seneste års nedgang i mængderne
til deponering, er levetiden utvivlsomt generelt steget, og dette kan være håndteret på
forskellig vis på de enkelte anlæg.
Sytten ud af de 32 analyserede anlæg oplyser endvidere, at de ikke normalt følger
årsregnskabsloven i deres regnskab. Et enkelt gør dog noget tilsvarende. De resterende
anlæg har måttet skønne afskrivning og forrentning til denne analyse, og i et par
tilfælde er dette skøn foretaget af COWI. Det er dog undersøgt, om de 17 anlæg
systematisk adskiller sig fra de øvrige anlæg i analysen, og dette er ikke tilfældet.
De resterende 15 anlæg angiver, at de følger årsregnskabsloven, det vil sige opgør
forretning og afskrivning efter en nøjere fastsat metode. Det kan være, at anlæggene
anvender forskellige levetider, men det er vigtigere, at de anvender realistiske levetider
for deres anlæg end de samme levetider på samtlige anlæg. Afskrivning og forrentning
udgør ca. 25% af de samlede omkostninger.
Fordeling af omkostninger vurderes at være vanskeligere på deponeringsanlæg end på
forbrændingsanlæg. I forbindelse med deponeringsanlæg er der nemlig typisk flere
sideaktiviteter (se databeskrivelse), og medarbejderne arbejder også typisk på tværs af
aktiviteter. Der er således både usikkerhed ved fastlæggelse af de direkte omkostninger
ved deponering og fordeling af fællesomkostningerne.
På denne baggrund er der i robusthedsanalysen anvendt en betydelig usikkerhed på ± 30% på de samlede omkostninger (ekskl. omkostninger til perkolat
og gasinvinding).
Miljøparametre
Der indgår ikke miljøparametre direkte i analysen, og usikkerhed op
perkolatomkostningerne og omkostningerne til gasinvinding kan siges at være indbefattet
af usikkerhedsberegningerne på omkostningerne.
Konkret metode
I de præsenterede robusthedsanalyser er data-elementerne ændret 20 gange med en
tilfældig (normalfordelt) faktor. Dernæst er der gennemført en DEA-analyse svarende til
hvert af de 20 datasæt, og de resulterende scorer er anvendt til at udregne det totale
effektiviseringspotentiale.
De anvendte tilfældige tal er vist i figuren nedenfor.
Figur 5.17
Anvendte afvigelser i robusthedsanalysen
Note: Gennemsnittet af de automatisk generede afvigelser er meget tæt på 0. Hver
af prikkerne i figuren illustrerer den faktor, der er anvendt på en af de 32 anlæg i et
af de 20 "forsøg". Figuren illustrer, at der hovedsagelig er anvendt afvigelser
på op til ± 30%, men også i enkelte tilfælde højere. Da
DEA-analysen direkte sammenligner anlæggene med hinanden, er det værd at bemærke, at
den relative forskel i anlæggenes omkostninger har varieret med op til det dobbelte. Der
er således tale om betydelige ændringer i de relative størrelser.
Robusthedsanalyse på økonomi
De beregnede effektiviseringspotentialer i hvert af de 20 "forsøg" er
sammenlignet med potentialet i basis-situationen. Gennemsnittet af de 20
effektiviseringspotentialer er ca. 2% højere end effektiviseringspotentialet i
basissituationen, hvilket vurderes at være tilfredsstillende. Fordelingen af de
procentvise afvigelser fra basis-situationen er vist i figuren nedenfor.
Figur 5.18
Robusthedsanalyse på økonomi - procentvise afvigelser fra basis-situationen
Figuren viser, at effektiviseringspotentialet selv med store afvigelser på
omkostningerne, kun varierer med op til ca. 10%. Årsagen er, at det er de samme anlæg,
der er efficiente igennem hele robusthedsanalysen.
"Outliers"
For deponeringsanlæg er der et par anlæg, der stort set dominerer samtlige andre
anlæg. Tages det mest dominerende anlæg (F) ud af analysen, reduceres
bruttoeffektiviseringspotentialet med ca. 12%. En nærmere analyse af tallene viser, at
der i dette tilfælde står ét anlæg på spring, der overtager pladsen som det bedste
anlæg. For dette anlæg forbedres scoren således betydeligt, mens der for langt de
fleste af de øvrige anlæg er tale om reduktioner i effektiviseringspotentialet på under
15%.
Tages de to mest dominerende anlæg (F og Å) ud af analysen, reduceres
bruttoeffektiviseringspotentialet med ca. 16%. En successiv udelukkelse af de næste
efficiente anlæg giver mindre reduktioner i potentialet.
Disse resultater er ikke overraskende, idet de efficiente anlæg klarer sig noget bedre
end de næstbedste anlæg. De efficiente anlæg er som tidligere karakteriseret ved en
række specielle forhold som er medvirkende til at omkostningerne per ton affald er lave.
Men det vurderes ikke at forholdene bevirker at de efficiente anlæg ikke kan sammenlignes
med de øvrige anlæg. Dette er også illustreret i Figur 5.13 på side *, hvor scorerne for anlæggene er justeret for mængde,
deponeringshøjde og alder. Figuren viser, at de dominerende anlæg F og Å efter denne
justering ikke er nær så dominerende.
Det skal i øvrigt understreges, at vi har gennemgået omkostningerne og de øvrige
data grundigt for de efficiente anlæg for at sikre, at de var korrekt opgivet.
På denne baggrund vurderes det ikke at give anledning til bekymring, at de mest
effektive anlæg har en betydning for bruttopotentialet.
Selskaber med flere anlæg
To selskaber driver hver to deponier. Disse selskaber kører økonomien for anlæggene
integreret, hvilket umiddelbart taler for at behandle selskabernes anlæg som ét anlæg.
Det er imidlertid vurderet, at det er vigtigt at have alle anlæg repræsenteret separat
for at afspejle og tage hensyn til de konkrete størrelser af deponeringsanlæggene.
Selskabernes økonomi for deponeringsanlæggene er derfor opsplittet.
For at belyse betydningen af opsplitningen af økonomien er der gennemført en
følsomhedsanalyse, hvor de to selskabers anlæg er slået sammen og indgår som ét
anlæg.
Resultatet af følsomhedsanalysen viser, at det samlede bruttopotentiale uden
hensyntagen til stordriftsfordele kun ændrer sig fra 151,4 mio. kr. til 151,6 mio. kr.
Det har således kun marginal betydning om anlæggene for selskaber med ansvar for flere
anlæg medtages som et samlet anlæg eller som separate anlæg.
Konklusion
Samlet set viser robusthedsanalyserne, at betydelige afvigelser i de samlede
omkostninger kun betyder små afvigelser i effektiviseringspotentialet. Det er naturligvis
altid vigtigt at have indsamlet de korrekte data fra anlæggene, men der er således ikke
grund til bekymring over mindre afvigelser fra det sande billede. Endvidere er det set, at
en udelukkelse af de dominerende anlæg fra undersøgelsen ikke betyder afgørende
ændringer i potentialets størrelse.
Usikkerhedsanalyserne indikerer, at en usikkerhed på ± 15%
på det samlede potentiale er en tilstrækkelig usikkerhedsmargin.
39 |
Deponeringsanlæg i Danmark bortset fra fyldpladser,
specialdepoter og industrielle deponeringsanlæg.
|
40 |
Vurderingen er baseret på de indrapporterede mængder samt
skøn over mængderne for de anlæg, der ikke har svaret.
|
41 |
Mængden for de anlæg, der ikke har besvaret spørgeskemaet
er dels oplyst i forprojektet, dels skønnet ud fra viden om de enkelte deponeringsanlæg.
Mængden for de anlæg, der skal lukke er ikke medtaget.
|
42 |
Data om ansatte skal tages med forbehold, idet anlæggenes
fordeling af personaleforbrug på evt. sideaktiviteter samt deponering er forbundet med
usikkerhed.
|
43 |
Det har sent i analysefasen vist sig, at ikke alle anlæg har
trukket omkostningerne til anlæg af perkolatanlæg og membran ud særskilt. Konsekvensen
af dette er diskuteret under resultater.
|
44 |
Scoren giver et konservativt estimat for, hvor stor en andel
af samtlige input, anlægget burde kunne nøjes med og stadig producere den samme mængde
output. Estimatet er konservativt, fordi der kan optræde såkaldt inputslack i
inputvariablene (se Bilag 1).
|
45 |
For de anlæg, der producerer på for lille skala,
omdefineres skala-inefficiensen til teknisk inefficiens. Når en antagelse om
stordriftsulemper ikke accepteres, er dette den korrekte måde at håndtere og beskrive
inefficiensen på.
|
46 |
I disse tilfælde vil der teoretisk set være tale om den
såkaldte Skralde-effekt, se box side *.
|
47 |
Samtlige de nævnte variable er signifikante på 90% niveau.
|
48 |
Denne variabel er signifikant på 70% niveau.
|
Kilde 1 |
Energistyrelsen "Forbedret energiudnyttelse af biomasse
og affald"
|
Kilde 2 |
Finansministeriet: "Miljøvurdering af
finanslovsforslaget for 2000"
|
Kilde 3 |
Finansministeriet: "Benchmarking i den offentlige sektor
- nogle metoder og erfaringer", Marts 2000
|
Kilde 4 |
Konkurrencestyrelsen og Erhvervsministeriet:
"Redegørelse om affaldssektoren", 1999
|
Kilde 5 |
Miljøstyrelsen: Affaldsstatistik 1999
|
Kilde 6 |
Miljøstyrelsen: Forundersøgelse af
effektiviseringspotentialet på forbrændings- og deponeringsområdet i Danmark, August
2000
|
Kilde 7 |
Mei Xue Patrick T. Harker: "Overcoming the Inherent
Dependency of DEA Efficiency scores: A Bootstrap Approach", Wharton Financial
Insitutions Center 1999
|
Kilde 8 |
Onfront manual
|
Bilag A:
Beskrivelse af DEA metoden
DEA er en økonomisk metode til produktivitets og effektivitetsvurderinger. Det
grundlæggende rationale bag DEA-metoden er relativ præstations sammenligning af
homogene enheder, der producerer de samme ydelser1.
Således er DEA en produktivitets- og effektivitetsanalysemetode, der kan undersøge
enheders effektivitet i forhold til de bedste enheder inden for samme sektor.
Enheders præstationer vurderes altså ikke i forhold til en på forhånd fastsat norm
for, hvor god præstationen bør være.
DEA betegnes ofte som en egentlig benchmarkingmetode, idet den både kan give et
bud på bedste praksis og et mål for hvor meget de enkelte enheder afviger fra den
bedste praksis. I DEA-metoden beregnes et mål for den bedste praksis (et benchmark) på
baggrund af alle enheders præstationer, der efterfølgende benyttes til at udtrykke de
enkelte enheders effektivitet.
Begrebet effektivitet vedrører evnen til at konvertere de anvendte ressourcer (input)
til den største effekt målt som flest mulige varer eller ydelser (outputs). Inden for
affaldssektoren vil input typisk være omkostninger og miljøbelastning, mens output
typisk vil være behandlet (bortskaffet) affald og produceret energi. Jo mindre input og
jo mere output jo større er effektiviteten.
Inputorienteret analyse et eksempel
Det grundlæggende ved DEA-metoden er en tildeling af efficiensgrader (en score) til
alle enheder der indgår i analysen ud fra en sammenligning af alle enheder. Scoren
tildeles ved sammenligning med en efficient rand, som metoden beregner ud fra de
bedste enheder.
I det følgende illustreres metoden ved hjælp af et eksempel. Eksemplet er konstrueret
og forenklet for at illustrere grundelementerne i DEA-metoden.
Bilagsfigur 1
Illustration af den efficiente rand
Note: Tallene 1, 2 og 3 angiver tre forbrændingsanlæg, som med forskellige
kombinationer af input, dvs. omkostninger og miljøbelastning kan producere et output,
dvs. behandle 1 tons affald.
I Bilagsfigur 1 er vist et simpelt eksempel hvor tre forbrændingsanlæg har behandlet
1 tons affald (1 output) med en kombination af omkostninger og miljøbelastning (2 typer
af input). Den efficiente rand udspændes af anlæg 1 og 2, der begge producerer med
effektive kombinationer af de to input. Omvendt producerer anlæg 3 ikke med en effektiv
kombination af omkostninger og miljøbelastning, hvilket i figuren illustreres af at den
ikke tilhører den efficiente rand. Jo længere væk fra den efficiente rand et anlæg
ligger (dvs. jo mere input anlægget forbruger) jo dårligere er anlæggets effektivitet.
Generelt er det således at der for hvert anlæg løses et problem, hvor en vægtning
af input- og output vælges således at virkningsgraden (output delt med input) bliver
størst mulig uden at noget andet anlæg får en virkningsgrad større end 1 ved disse
vægte. De anlæg, der har en virkningsgrad eller en score på 1 er de anlæg, der
udspænder den efficiente rand og dermed er effektive målt i forhold til alle andre
anlæg.
Figuren illustrerer at der for anlæg 1 og 2 kan vælges vægte, der giver de to anlæg
en virkningsgrad på 1.
Eksemplet i dette afsnit med 3 anlæg, 2 input (omkostninger og miljøbelastning) og 1
output (mængde forbrændt affald) illustrerer grundelementerne i DEA-metoden. DEA-metoden
kan imidlertid uden problemer formuleres og anvendes mere generelt i situationer med flere
anlæg og flere forskellige typer af input og output.
Eksemplet over for er udformet for det som betegnes som en input-orienteret analyse,
men fortolkningen af en output-orienteret analyse er helt parallel. Forskellen mellem de
to metoder består i om man analyserer hvor effektivt input bruges i forhold til et fast
output (input-orienteret) eller om man analyserer om der produceres nok output i forhold
til et fast input (output-orienteret).
Styrker og svagheder ved DEA-metoden
I forhold til andre effektivitetsanalyseværktøjer har DEA et par klare fordele:
 | For det første kan DEA-metoden håndtere tilfælde hvor enheder producerer flere
forskellige typer af outputs og anvender flere forskellige typer af input. Dette er netop
tilfældet ved affaldsbehandling, idet output fra eksempelvis et forbrændingsanlæg både
består af mængden af det forbrændte affald og den producerede mængde af energi. |
 | For det andet skal man i en DEA-analyse ikke tildele vægte til de forskellige inputs og
outputs som indgår i analysen. DEA-metode vælger selv vægtene på en sådan måde, at
den enkelte enhed stilles i det bedst mulige lys. Dette gøres ved at vælge vægtene
således, at enhederne opnår den højst mulige effektivitet under bibetingelse af, at de
valgte vægte ikke får nogle af de andre enheder til at have en effektivitet, der er over
100%. Det skal bemærkes, at denne fordel specielt er væsentlig, når det ikke på
forhånd vides, hvordan eksempelvis de forskellige outputs vægter i forhold til hinanden.
|
 | For det tredje stiller metoden ikke særlig store krav til antagelser om
produktionssammenhænge, dvs. skalaafkast (se afsnittet den underliggende
produktionssammenhæng nedenfor). |
 | Endelig stilles der ingen krav om sammenhæng mellem de anvendte enheder. |
 | DEA-metoden som værktøj til effektivitetsanalyse har imidlertid følgende svagheder: |
 | Det effektiviseringspotentiale som DEA måler udtrykker kun potentialet målt relativt i
forhold til andre anlægs effektivitet. Det vil sige at DEA kun afslører de potentialer
som mindst et andet anlæg allerede har fundet. |
 | DEA-metoden beregner hypotetiske enheder som lineare kombinationer af eksisterende
enheder som virkelige enheder sammenlignes med. Det betyder med andre ord, at der antages
at gælde stykkevis linear teknologi. Denne antagelse kan i visse tilfælde være
problematisk. |
 | Metoden er sårbar over for enheder som klarer sig unormalt godt på et eller flere
parametre. |
 | "Bløde værdier" som eksempelvis service eller miljøkrav kan ikke integreres
direkte i DEA-analyser. |
 | Det er vanskeligt at lave statistiske usikkerhedsberegninger og validering af
DEA-analysens resultater. |
Den underliggende produktions sammenhæng
De grundliggende DEA-modeller baseres som udgangspunkt på en antagelse om at
produktionen har konstant skalaafkast. Det vil sige at det antages, at en fordobling af
input medfører en fordobling af output. Konstant skalaafkast betyder at der hverken er
stordriftsfordele eller stordriftsulemper.
Man kan imidlertid forestille sig, at det forholder sig således at en forøget mængde
af input (= et "større" anlæg ) giver bedre mulighed for at producere output.
I dette tilfælde er der voksende skalaafkast i produktionen, dvs.
stordriftsfordele eller problemer ved at producere på for lille en skala. Ligeledes kan
man forestille sig tilfælde, hvor anlæg bliver så store, at det kræver flere
ressourcer at producere output. I disse tilfælde er der aftagende skalaafkast i
produktionen, dvs. stordriftsulemper eller problemer ved at producere på for stor en
skala.
Endelig kan der være tilfælde hvor der kan være voksende skalaafkast for små
produktionsniveauer og faldende skalaafkast for store produktionsniveauer. I dette
tilfælde er der varierende skalaafkast i produktionen.
Inden for økonomisk produktionsteori er det velkendt at det for visse typer af
virksomheder gælder at en vis størrelse er forbundet med de laveste omkostninger per
produceret enhed. Dette er illustreret i Bilagsfigur 2, der viser de marginale
produktionsomkostninger per produceret enhed. I starten er de marginale
produktionsomkostninger høje, hvorefter de falder på grund af stordriftsfordele og
endelig stiger de igen på grund af stordriftsulemper.
Bilagsfigur 2
Illustration af den mest efficiente skala ud fra udviklingen i marginale
produktionsomkostninger
Figuren illustrerer at der for en type virksomhed, der producerer de samme ydelser, kan
eksistere en optimal størrelse, hvilket omvendt betyder at en virksomhed både kan
producere på for lille en skala og for stor en skala.
DEA-analyserne kan udføres under følgende forskellige antagelser om skala:
Konstant skalaafkast (Constant Returns to Scale, CRS), der siger, at der
hverken er stordriftsfordele eller -ulemper. Dette er den mest restriktive antagelse.
Ikke-voksende skalaafkast (Non-Increasing Return to Scale, NIRS), der
siger, at alle anlæg frit kan skaleres ned, dvs. at der implicit antages at være ulemper
ved at producere på stor skala. Dette er en mindre restriktive antagelse end CRS.
Variabelt skalaafkast (Variable Returns to Scale, VRS) , der siger, at
alle anlæg frit kan skaleres ned. Dette er den mindst restriktive antagelse, hvilket
hænger sammen med at vægtene i linearkombinationen af de efficiente anlæg skal summere
til 1.
Det er vigtigt at man tager højde for den underliggende produktionssammenhæng eller
skalaafkast, idet man ellers risikerer at identificere et effektiviseringspotentiale, der
alene skyldes at eksempelvis en enhed producerer på for lille en skala (under antagelse
om konstant skalaafkast).
DEA gør det muligt at beregne effektivitetsgraden under forskellige antagelser om
skalaafkast. I figuren nedenfor er betydningen af DEA-modeller med forskellige antagelser
om skalaafkast illustreret. Figuren viser 3 enheder som alene producerer output ud fra 1
input.
Bilagsfigur 3
Mulighedsområdet under forskellige antagelser om skalaafkast
Ved en antagelse om konstant skalaafkast bestemmes den efficiente rand alene ud fra
anlæg 1, som er det anlæg der har den højeste virkningsgrad (output/input forhold).
Mulighedsområdet under konstant skalaafkast er begrænset af fra origo (0) gennem a.
Anlæggene 2 og 3 er begge inefficiente under denne teknologiantagelse.
Ved en antagelse om varierende skalaafkast tages der som tidligere nævnt højde for
skalaforskelle. I figuren er mulighedsområdet under en antagelse om varierende
skalaafkast afgrænset af liniestykkerne fra x=1 til a, a til b og den horisontale linie
fra b og til højre.
Under en antagelse om ikke-stigende skalaafkast er mulighedsområdet afgrænset af
liniestykkerne 0 til a, a til b og den horisontale linie fra b og til højre
Den mest restriktive antagelse om skalaafkast er således konstant skalaafkast.
Ikke-stigende skalaafkast er mindre restriktiv, mens den mindst restriktive er varierende
skalaafkast. Det betyder at anlæg som er efficiente under antagelse om konstant
skalaafkast også er det under antagelse om ikke-stigende og varierende skalaafkast.
Ved at beregne og betragte scorerne under de forskellige antagelser om skalaafkast i
DEA er det muligt at drage en række vigtige konklusioner. Hvis en enhed er inefficient
under antagelse om konstant skalaafkast, kan det således bestemmes, hvor stor en del som
skyldes skala, og hvor stor en del der skyldes teknisk inefficiens. Endvidere kan det
bestemmes hvorvidt de forskellige anlæg opererer på for stor eller for lille en skala2. Dette gøres ud fra et mål kaldet MES
(most efficient scale).
Scoren MES forklarer, hvor meget af et anlægs inefficiens, der kan forklares ved at
produktionen foregår på forkert skala. Er MES-scoren under 1 aflæses hvor stor en del
af inefficiensen, der skyldes forkert skala, som 1 minus MES-scoren.
Ud fra en skalaanalyse kan man nu afdække hvorvidt et anlæg opererer på en
uhensigtsmæssig skala, dvs. om et anlæg er for lille eller for stort. Hvorvidt et anlæg
med skala inefficiens opererer på for stor eller for lille skala aflæses som følger:
Hvis NIRS er sammenfaldende med VRS, da er skalaen for stor og skalaefficiensen måles
ved CRS/VRS.
Hvis NIRS er sammenfaldende med CRS, da er skalaen for lille og skalaefficiensen måles
ved CRS/VRS.
Fra DEA-scorer til effektiviseringspotentiale
Som beskrevet ovenfor, så gælder det at jo længere væk fra den efficiente rand et
anlæg ligger, jo dårligere er anlæggets effektivitet. DEA beregner en score eller en
efficiensgrad, som udtrykker graden af ineffektivitet.
Den score som beregnes i DEA i den input-orienterede model udtrykker den tekniske
effektivitet af det forbrugte input i forhold til output. En score på 1 betyder at
anlægget er effektivt (i forhold til en sammenligning af de øvrige anlæg), mens en
score under 1 betyder at anlægget har et effektiviseringspotentiale, hvor anlægget
bruger mindre input til at producere det samme output.
Bilagsfigur 4
Måling af den tekniske inefficiens (scoren)
Figuren viser tre anlægs forbrug af input til produktion af et output. Anlæg 1 og 2
udspænder den efficiente rand, mens anlæg 3 ligger inde i produktionsområdet, hvilket
betyder at enhed 1 og 2 er teknisk efficiente, mens enhed 3 er teknisk inefficient. For at
finde anlæg 3's effektivitet sammenlignes anlægget med en efficient (men hypotetisk)
enhed, der producerer med det samme mix af input som anlæg 3. Det hypotetiske anlæg er
repræsenteret ved punktet b på figuren og er et vægtet gennemsnit af de to andre
anlæg. I eksemplet er det hypotetiske anlæg således dannet som ½ af anlæg 1 og ½ af
anlæg 2.
Sammenligningen med det hypotetiske anlæg tilsiger nu at anlæg 3 i princippet burde
være i stand til at nedskalere brugen af input til punktet b og stadig producere den
samme mængde output.
Anlæg 3s tekniske inefficiens måles nu som forholdet mellem det faktisk
inputforbrug (0a) og det mindst mulige inputforbrug (0b). Dette forhold (0a/0b) udtrykker
hvor meget anlæg 3 kan nedskalere input med og stadig producere den samme mængde output.
I eksemplet illustreret i Bilagsfigur 4 kan anlæg 3s score beregnes til 0,75,
hvilket således betyder at enhedens input skal nedskaleres med faktor 0,75 eller 25% for
at være efficient. For enhed 3 betyder det at både input 1 og 2 skal reduceres til 1,5 i
stedet for 2.
Fortolkningen af DEA-scorerne er således ganske enkel, idet
effektiviseringspotentialet, målt som reduceret input, kan beregnes direkte på baggrund
af scorerne. I eksemplet er effektiviseringspotentialet således 0,5 af input 1 og 0,5 af
input 2.
Dette effektiviseringspotentiale beregnet ud fra scorerne udtrykker imidlertid et
konservativt eller et minimum for hvor meget et anlæg kan reducere input med, idet anlæg
i visse tilfælde kan reducere et eller flere input med endnu mere uden at nogen andre
anlæg for en score over 1. Dette fænomen betegnes som input slack, hvilket
betegner de situationer hvor anlæg ikke bruger de færrest mulige input til at producere
output.
Hvis man ønsker at beregne det fulde potentiale (uden slack) kan dette gøres ved at
beregne hvor meget input det hypotetiske anlæg (den lineare kombination af andre enhed)
som et inefficient anlæg sammenlignes med. Effektiviseringspotentialet, målt i input,
beregnes herefter simpelt ved at fratrække det hypotetiske anlægs input fra det
inefficiente anlægs input.
Ønsker man at udtrykke effektiviseringspotentialet i en anden dimension, eksempelvis
hvor meget et input eller et output skal øges for at være efficient, kan dette desuden
gøres ud fra en simulation. I simulationen hhv. øges output eller reduceres input til en
score på 1 opnås. Herefter haves potentialet i den ønskede dimension for den givne
enhed.
1 |
DEA analysen tager udgangspunkt i et homogent datasæt,
hvor aktiviteter og omkostninger er kategoriseret på samme måde for alle enheder, der
medtages i analysen.
|
2 |
Den præcise fortolkning af skalaafkast er mere kompliceret
end skitseret. Dette notat sigter imidlertid blot på at give et overordnet indblik i
hvordan et effektiviseringspotentiale kan identificeres ud fra DEA-metoden resultater. |
Bilag B:
Forbrænding, DEA Model 1
De output og input, som indgår i den alternative DEA-model, Model 1, fremgår af
tabellen nedenfor. I forhold til basismodellen adskiller Model 1 sig ved, at den
ikke-genanvendte mængde slagger er taget ud af modellen.
Bilagstabel 1
Input og output i Model 1, forbrændingsanlæg
Type variabel |
Variabel |
Enhed |
Input |
Samlede bruttoomkostninger |
Kr |
Input |
Partikelemissioner |
Kg |
Input |
SO2-emissioner |
Kg |
Output |
Forbrændt mængde |
Ton |
Output |
Produceret mængde varme |
GJ |
Output |
Produceret mængde el |
MWh |
Note: Alle variable er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Bilagsfigur 5
DEA-scorer under konstant skalaafkast (CRS) for Model 1 i sammenligning med
basismodellen, forbrænding
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
Som det fremgår, giver analysen præcis de samme scorer som basis DEA-analysen. Det
skyldes, at den ikke-genanvendte slaggemængde ikke er bindende i analysen, dvs. ingen af
anlæggene er efficiente blot på denne variabel ved antagelse om fravær af
stordriftsfordele.
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Bilagsfigur 6
DEA-scorer under variabelt skalaafkast (VRS) for Model 1 i sammenligning med
basismodellen, forbrændingsanlæg
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
Når der tages højde for ulemper ved at producere på for stor eller lille skala, er der
en lille forskel på scoren for 3 anlæg, mens scorerne for de resterende anlæg er
uændrede.
Bruttoeffektiviseringspotentialet under de forskelle antagelser om stordriftsfordele
fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 2
Bruttoeffektiviseringspotentiale for forbrændingsanlæg, Model 1
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio. kr./år), alle anlæg |
213 (213) |
148 (145) |
Gennemsnitlig besparelse per anlæg |
13% (13%) |
9% (9%) |
Note: Resultaterne af basis DEA-analysen fremgår i parentes.
Som det fremgår af tabellen er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 213
mio. kr. årligt svarende til en besparelse på i gennemsnit 13% af
forbrændingsanlæggenes samlede omkostninger. Dette svarer præcis overens med
basismodellen. Med hensyntagen til stordriftsfordele falder potentialet til 148 mio. kr.,
svarende til 9% af forbrændingsanlæggenes samlede omkostninger. Dette potentiale er
stort set det samme som i basis DEA-modellen.
Bilag C:
Forbrænding, DEA Model 2
De output og input som indgår i den alternative DEA-model, Model 2 fremgår af
tabellen nedenfor. I forhold til basismodellen adskiller Model 2 sig ved, at
HCl-emissionerne erstatter SO2-emissionerne.
Bilagstabel 3
Input og output i Model 2, forbrændingsanlæg
Type variabel |
Variabel |
Enhed |
Input |
Samlede bruttoomkostninger |
Kr |
Input |
Partikelemissioner |
Kg |
Input |
HCl-emissioner |
Kg |
Input |
Ikke-genanvendt slaggemængde |
Ton |
Output |
Forbrændt mængde |
Ton |
Output |
Produceret mængde varme |
GJ |
Output |
Produceret mængde el |
MWh |
Note: Alle variable er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Bilagsfigur 7
DEA-scorer under konstant skalaafkast (CRS) for Model 2 i sammenligning med
basismodellen, forbrænding
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
I alt bliver 9 anlæg efficiente, hvilket er 2 mere end i basisanalysen. Det fremgår,
at scorerne for de fleste af anlæggene varierer en lille smule. Anlæg Bs score
varierer dog betydeligt. I gennemsnit har anlæggene en score på 0,86, hvilket er stort
set som i basismodellen (0,87).
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Bilagsfigur 8
DEA-scorer under variabelt skalaafkast (VRS) for Model 2 i sammenligning med
basismodellen, forbrændingsanlæg
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
Når der tages højde for ulemper ved at producere på for stor eller lille skala, er
der 17 forbrændingsanlæg, som er efficiente (VRS-analysen) præcis som i basismodellen.
Den gennemsnitlige score er 0,95, hvilket igen er meget tæt på niveauet i basismodellen.
Bruttoeffektiviseringspotentialet under de forskelle antagelser om stordriftsfordele
fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 4
Bruttoeffektiviseringspotentiale for forbrændingsanlæg, Model 1
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio.
kr./år), alle anlæg |
207 (213) |
150 (145) |
Gennemsnitlig besparelse
per anlæg |
13% (13%) |
9% (9%) |
Note: Resultaterne af basis DEA-analysen fremgår i parentes.
Som det fremgår af tabellen, er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 207
mio. kr. årligt svarende til en besparelse på i gennemsnit 13% af
forbrændingsanlæggenes samlede omkostninger. Med hensyntagen til stordriftsfordele
falder potentialet til 150 mio. kr., svarende til 9% af forbrændingsanlæggenes samlede
omkostninger. Dette potentiale er en anelse højere end i basis DEA-modellen, men stadig
meget tæt på basismodellens resultat.
Bilag D:
Forbrænding, DEA Model 3
De output og input som indgår i den alternative DEA-model, Model 3 fremgår af
tabellen nedenfor. I forhold til basismodellen adskiller Model 3 sig ved, at
omkostningerne er splittet op i driftsomkostninger og i omkostninger til afskrivning,
forrentning og leasing af materiel. Den ikke genanvendte mængde slagge er ligeledes taget
ud.
Bilagstabel 5
Input og output i Model 3, forbrændingsanlæg
Type variabel |
Variabel |
Enhed |
Input |
Driftsomkostninger |
Kr |
Input |
Afskrivning, forrentning og leasing |
Kr |
Input |
Partikelemissioner |
Kg |
Input |
SO2-emissioner |
Kg |
Output |
Forbrændt mængde |
Ton |
Output |
Produceret mængde varme |
GJ |
Output |
Produceret mængde el |
MWh |
Note: Alle variable er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Bilagsfigur 9
DEA-scorer under konstant skalaafkast (CRS) for Model 3 i sammenligning med
basismodellen, forbrænding
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
I analysen uden hensyntagen til stordriftsfordele (CRS-analysen) bliver 9 anlæg
efficiente, hvilket er 2 mere end i basisanalysen, hvor omkostningerne ikke blev opdelt.
Endvidere ses det, at scorerne generelt er højere, hvilket skyldes, at anlæggene nu har
mulighed for at være efficiente både på anlægs- og driftsomkostningerne isoleret og i
kombination. I gennemsnit har anlæggene en score på 0,91, hvilket er noget højere end i
basismodellen (0,87).
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Bilagsfigur 10
DEA-scorer under variabelt skalaafkast (VRS) for Model 3 i sammenligning med
basismodellen, forbrændingsanlæg
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
Når der tages højde for ulemper ved at producere på for stor eller lille skala, er
der 19 forbrændingsanlæg, som er efficiente (VRS-analysen). Igen er niveauet generelt
højere end i basismodellen og i gennemsnit har anlæggene en score på 0,97.
Bruttoeffektiviseringspotentialet under de forskelle antagelser om stordriftsfordele
fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 6
Bruttoeffektiviseringspotentiale for forbrændingsanlæg, Model 3
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio. kr./år), alle anlæg |
180 (213) |
134 (145) |
Gennemsnitlig besparelse per anlæg |
11% (13%) |
8% (9%) |
Note: Resultaterne af basis DEA-analysen fremgår i parentes.
Som det fremgår af tabellen, er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 180
mio. kr. årligt svarende til en besparelse på i gennemsnit 8% af
forbrændingsanlæggenes samlede omkostninger. Med hensyntagen til stordriftsfordele
falder potentialet til 134 mio. kr., svarende til 8% af forbrændingsanlæggenes samlede
omkostninger. Bruttopotentialerne bliver således - som forventet - mindre i Model 3 end i
basisanalysen.
Bilag E:
Forbrænding, DEA Model 4
De output og input som indgår i den alternative DEA-model, Model 4 fremgår af
tabellen nedenfor. I forhold til basismodellen adskiller Model 4 sig ved, at
emissionerne og den ikke-genanvendte mængde slagger er taget ud af modellen.
Bilagstabel 7
Input og output i Model 4, forbrændingsanlæg
Type variabel |
Variabel |
Enhed |
Input |
Samlede bruttoomkostninger |
Kr |
Output |
Forbrændt mængde |
Ton |
Output |
Produceret mængde varme |
GJ |
Output |
Produceret mængde el |
MWh |
Note: Alle variable er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Bilagsfigur 11
DEA-scorer under konstant skalaafkast (CRS) for Model 4 i sammenligning med
basismodellen, forbrænding
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
I analysen uden hensyntagen til stordriftsfordele (CRS-analysen) bliver 5 anlæg
efficiente, hvilket er 2 mindre end i basisanalysen, hvor miljø var inddraget. Endvidere
ses det, at scorerne generelt er lavere, hvilket skyldes, at anlæggene nu kun har
mulighed for at være efficiente på omkostningerne isoleret. I gennemsnit har anlæggene
en score på 0,81, hvilket er noget lavere end i basismodellen (0,87).
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Bilagsfigur 12
DEA-scorer under variabelt skalaafkast (VRS) for Model 4 i sammenligning med
basismodellen, forbrændingsanlæg
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
Når der tages højde for ulemper ved at producere på for stor eller lille skala, er
der 8 forbrændingsanlæg, som er efficiente (VRS-analysen) mod 17 anlæg i basis
DEA-analysen. Igen er niveauet generelt lavere end i basismodellen, og i gennemsnit har
anlæggene en score på 0,86 mod 0,96 i basismodellen.
Bruttoeffektiviseringspotentialet under de forskelle antagelser om stordriftsfordele
fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 8
Bruttoeffektiviseringspotentiale for forbrændingsanlæg, Model 4
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio. kr./år), alle anlæg |
319 (213) |
245 (145) |
Gennemsnitlig besparelse per anlæg |
19% (13%) |
15% (9%) |
Note: Resultaterne af basis DEA-analysen fremgår i parentes.
Som det fremgår af tabellen, er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 319
mio. kr. årligt svarende til en besparelse på i gennemsnit 19% af
forbrændingsanlæggenes samlede omkostninger. Med hensyntagen til stordriftsfordele
falder potentialet til 245 mio. kr., svarende til 15% af forbrændingsanlæggenes samlede
omkostninger. Potentialet er således væsentligt højere, når miljø ekskluderes af
analysen.
Bilag F:
Forbrænding, DEA Model 5
De output og input, som indgår i den alternative DEA-model, Model 5, fremgår af
tabellen nedenfor. I forhold til basismodellen adskiller Model 5 sig ved, at den
producerede mængde varme erstattes af den producerede minus den bortkølede mængde
varme.
Bilagstabel 9
Input og output i Model 5, forbrændingsanlæg
Type variabel |
Variabel |
Enhed |
Input |
Samlede bruttoomkostninger |
Kr |
Input |
Partikelemissioner |
Kg |
Input |
SO2-emissioner |
Kg |
Input |
Ikke-genanvendt slaggemængde |
Ton |
Output |
Forbrændt mængde |
Ton |
Output |
Produceret minus bortkølet mængde varme |
GJ |
Output |
Produceret mængde el |
MWh |
Note: Alle variable er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Bilagsfigur 13
DEA-scorer under konstant skalaafkast (CRS) for Model 5 i sammenligning med
basismodellen, forbrænding
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
I analysen uden hensyntagen til stordriftsfordele (CRS-analysen) bliver 7 anlæg
efficiente, hvilket er det samme som i basisanalysen. Det ses, at scorerne ændrer sig
både opad og nedad. I gennemsnit har anlæggene således en score på 0,86, hvilket er
stort set som i basismodellen (0,87).
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Bilagsfigur 14
DEA-scorer under variabelt skalaafkast (VRS) for Model 5 i sammenligning med
basismodellen, forbrændingsanlæg
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
Når der tages højde for ulemper ved at producere på for stor eller lille skala, er
der 17 forbrændingsanlæg, som er efficiente (VRS-analysen) ligesom i basis DEA-modellen.
Niveauet er generelt som i basismodellen, og i gennemsnit har anlæggene en score på
0,96, hvilket er præcis som i basismodellen.
Bruttoeffektiviseringspotentialet under de forskelle antagelser om stordriftsfordele
fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 10
Bruttoeffektiviseringspotentiale for forbrændingsanlæg, Model 5
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio. kr./år), alle anlæg |
209 (213) |
145 (145) |
Gennemsnitlig besparelse per anlæg |
13% (13%) |
9% (9%) |
Note: Resultaterne af basis DEA-analysen fremgår i parentes.
Som det fremgår af tabellen, er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 209
mio. kr. årligt svarende til en besparelse på i gennemsnit 13% af
forbrændingsanlæggenes samlede omkostninger. Med hensyntagen til stordriftsfordele
falder potentialet til 145 mio. kr., svarende til 9% af deponeringsanlæggenes samlede
omkostninger. Disse tal er stort set identiske med resultaterne fra basismodellen.
Bilag G:
Forbrænding, DEA Model 6
De output og input, som indgår i den alternative DEA-model, Model 6, fremgår af
tabellen nedenfor. I forhold til basismodellen adskiller Model 6 sig ved, at de
estimerede dioxinrensningsomkostninger er trukket fra bruttoomkostningerne.
Omkostningerne til dioxinrensning er baseret på COWIs forbrændingseksperts
skøn over investeringsomkostningerne til dioxinrensning på de 8 anlæg, som havde
dioxinrensning i år 2000. Endvidere er der benyttet et skøn over omkostningerne per ton
til materiale- og ressourceforbrug samt drifts- og vedligeholdelsesomkostninger.
Bilagstabel 11
Input og output i Model 1, forbrændingsanlæg
Type variabel |
Variabel |
Enhed |
Input |
Samlede bruttoomkostninger minus
estimerede dioxinrensningsomkostninger |
Kr |
Input |
Partikelemissioner |
Kg |
Input |
SO2-emissioner |
Kg |
Input |
Ikke-genanvendt slaggemængde |
Ton |
Output |
Forbrændt mængde |
Ton |
Output |
Produceret mængde varme |
GJ |
Output |
Produceret mængde el |
MWh |
Note: Alle variable er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Bilagsfigur 15
DEA-scorer under konstant skalaafkast (CRS) for Model 6 i sammenligning med
basismodellen, forbrænding
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
I analysen uden hensyntagen til stordriftsfordele (CRS-analysen) bliver 7 anlæg
efficiente, hvilket er præcis det samme antal som i basisanalysen. Det er endvidere de
samme anlæg, der er efficiente. Til gengæld ses det, at scorerne generelt er lidt
lavere, hvilket skyldes det primært er i forvejen inefficiente anlæg, som ikke renser
for dioxin. I gennemsnit har anlæggene dog en score på 0,86, hvilket er næsten som i
basismodellen (0,87).
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Bilagsfigur 16
DEA-scorer under variabelt skalaafkast (VRS) for Model 1 i sammenligning med
basismodellen, forbrændingsanlæg
Note: For anlæg I er der identificeret stordriftsulemper, så dette potentiale
opfattes som et teknisk potentiale.
Når der tages højde for ulemper ved at producere på for stor eller lille skala, er
der 17 forbrændingsanlæg, som er efficiente (VRS-analysen). Igen er niveauet generelt
som i basismodellen, og i gennemsnit har anlæggene en score på 0,96 præcis som i
basismodellen.
Bruttoeffektiviseringspotentialet under de forskelle antagelser om stordriftsfordele
fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 12
Bruttoeffektiviseringspotentiale for forbrændingsanlæg, Model 6
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio. kr./år), alle anlæg |
218 (213) |
148 (145) |
Gennemsnitlig besparelse per anlæg |
13% (13%) |
9% (9%) |
Note: Resultaterne af basis DEA-analysen fremgår i parentes.
Som det fremgår af tabellen er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 218
mio. kr. årligt svarende til en besparelse på i gennemsnit 13% af
forbrændingsanlæggenes samlede omkostninger. Med hensyntagen til stordriftsfordele
falder potentialet til 148 mio. kr., svarende til 9% af deponeringsanlæggenes samlede
omkostninger. Således ændrer det samlede potentiale sig kun ubetydeligt ved at
fratrække de estimerede dioxinomkostninger.
Bilag H:
Statistiske analyser, forbrænding
Der er foretaget en statistisk analyse af VRS scorerne på forbrændingsområdet.
Analysen har som det er dokumenteret i rapporten forsøgt medtaget en lang række
parametre. Den model, der bedst beskriver VRS-scorerne, er beskrevet i det følgende.
Bilagstabel 13
Modelkarakteristika, forbrænding
Karakteristika |
Værdi |
Antal observationer |
23 |
Antal parametre |
4 |
R2 |
0,53 |
En forklaringsgrad på 53% vurderes at være udmærket i en model med 16 1-taller og kun 7
værdier mindre end 1.
De resulterende parametre ses i tabellen nedenfor.
Bilagstabel 14
Parameterestimater og p-værdier
Parameter |
Estimat |
P-værdi |
Intercept |
1,045 |
<.0001 |
Uplanlagte*Uplanlagte |
-0,0023 |
0.0004 |
Våd |
-0,056 |
0.0884 |
Uplanlagte3 |
-0,109 |
0.0094 |
Typeovn |
0,074 |
0.1002 |
Parametrene er forklaret i det følgende:
Uplanlagte er de uplanlagte driftsstop. Denne parameter optræder i anden potens,
hvilket betyder, at scoren bliver relativt dårligere, hvis antallet af uplanlagte
driftsstop stiger. Uplanlagte3 er en ny parameter, som kun indgår for de anlæg, hvor
antallet af uplanlagte driftsstop per ovn er mindre end eller lig 3. Disse to parametre
tilsammen beskriver den måde de uplanlagte driftsstop påvirker scoren på den bedst
mulige måde.
Våd er en indikator for, om der findes en ovn med våd røggasrensning på anlægget.
Typeovn er en parameter mellem 0 og 1, der angiver andelen af ovne med KV henholdsvis
VV teknologi. Hvis alle ovne er KV er typeovn = 1, hvis de alle er VV er typeovn = 0. For
blandede anlæg er typeovn en vægtning af ovntypen med antallet af driftstimer og type
for de enkelte ovne.
Generelt er der forsøgt mange forskellige modeller. Den viste var modellen, der
beskrev data på den bedst tænkelige måde.
Den statistiske analyse er foretaget i programpakken SAS.
Bilag I:
Deponering, DEA-model1
De output og input som indgår i den alternative DEA-model1 fremgår af tabellen
nedenfor. I forhold til basismodellen adskiller model1 sig ved at de samlede
omkostninger er opsplittet i drifts- og anlægsomkostninger.
Bilagstabel 15
Input og output i DEA-model1, deponering
Type variabel |
Variabel |
Enhed |
Input |
Driftsomkostninger, ekskl.
evt. perkolatomkostninger og gasomkostninger |
Kr. |
Input |
Anlægsomkostninger, ekskl.
evt. perkolatomkostninger og ekskl. gasomkostninger |
Kr. |
Output |
Deponeret mængde (ekskl.
ren jord) |
Ton |
Output |
Mellemdeponeret mængde
(ekskl. ren jord) |
Ton |
Note: Alle elementer er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 17
DEA-scorer under konstant skalaafkast (CRS) for model1 i sammenligning med
basismodellen, deponeringsanlæg
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 18
DEA-scorer under variabelt skalaafkast (VRS) for model1 i sammenligning med
basismodellen, deponeringsanlæg
Når der tages højde for ulemper ved at producere på for stor eller lille skala er
der 10 deponeringsanlæg som er efficiente (VRS-analysen). Igen er niveauet generelt
højere end i basismodellen og i gennemsnit har anlæggene en score på 0,61 mod 0,52 i
basismodellen.
Bruttoeffektiviseringspotentialet under de to forskellige antagelser om
stordriftsfordele fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 16
Beregnet bruttoeffektiviseringspotentiale for deponering, model1
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio.
kr./år), alle anlæg |
130 (151) |
113 (130) |
Gennemsnitlig besparelse
per anlæg |
72% (84%) |
62% (72%) |
Note: Resultaterne for basismodellen i parentes
Som det fremgår af tabellen er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 132
mio. kr. årligt svarende til en besparelse på i gennemsnit 76% af deponeringsanlæggenes
samlede omkostninger. Med hensyntagen til stordriftsfordele falder potentialet til 112
mio. kr., svarende til 65% af deponeringsanlæggenes samlede omkostninger.
Bilag J:
Deponering, DEA-model2
De output og input som indgår i den alternative DEA-model2 fremgår af tabellen
nedenfor. I forhold til basismodellen adskiller model2 sig ved at det kun er den
del af omkostningerne, som relaterer sig til driften, der er med i analysen.
Bilagstabel 17
Input og output i DEA-model2, deponering
Type variabel |
Variabel |
Enhed |
Input |
Driftsomkostninger, ekskl.
evt. perkolatomkostninger og. gasomkostninger |
Kr. |
Output |
Deponeret mængde (ekskl.
ren jord) |
Ton |
Output |
Mellemdeponeret mængde
(ekskl. ren jord) |
Ton |
Note: Alle elementer er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 19
DEA-scorer under konstant skalaafkast (CRS) for model2 i sammenligning med
basismodellen, deponeringsanlæg
I analysen uden hensyntagen til stordriftsfordele (CRS-analysen) bliver 2 anlæg
efficiente, hvilket er det samme som i basisanalysen, hvor omkostningerne ikke blev
opdelt. Det ses at scorerne generelt er lidt lavere end i basismodellen. I gennemsnit har
anlæggene en score på 0,23 mod 0,24 i basismodellen.
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 20
DEA-scorer under variabelt skalaafkast (VRS) for model2 i sammenligning med
basismodellen, deponeringsanlæg
Når der tages højde for ulemper ved at producere på for stor eller lille skala er
der 5 deponeringsanlæg som er efficiente (VRS-analysen), hvilket er færre end i
basismodellen (6). Niveauet er generelt lavere end i basismodellen og i gennemsnit har
anlæggene en score på 0,44 mod 0,52 i basismodellen.
Bruttoeffektiviseringspotentialet under de to forskellige antagelser om
stordriftsfordele fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 18
Beregnet bruttoeffektiviseringspotentiale for deponering, model2
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio.
kr./år), alle anlæg |
107 (151) |
96 (130) |
Gennemsnitlig besparelse
per anlæg |
85% (84%) |
76% (72%) |
Note: Resultaterne for basismodellen i parentes
Som det fremgår af tabellen er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 107
mio. kr. årligt svarende til en besparelse på i gennemsnit 85% af deponeringsanlæggenes
driftsomkostninger. Bruttopotentialet er lavere end i basismodellen fordi den kun omfatter
driftsomkostningerne. Når der tages hensyn til stordriftsfordele falder potentialet til
96 mio. kr., svarende til 76% af deponeringsanlæggenes driftsomkostninger.
Bilag K:
Deponering, DEA-model3
De output og input som indgår i den alternative DEA-model3 fremgår af tabellen
nedenfor. I forhold til basismodellen adskiller model3 sig ved at gasindvinding er
taget med som et output i analysen.
Bilagstabel 19
Input og output i DEA-model3, deponering
Type variabel |
Variabel |
Enhed |
Input |
De samlede omkostninger,
ekskl. evt. perkolatomkostninger og gasomkostninger |
Kr. |
Output |
Deponeret mængde (ekskl.
ren jord) |
Ton |
Output |
Mellemdeponeret mængde
(ekskl. ren jord) |
Ton |
Output |
Produceret mængde gas |
m3 |
Note: Alle elementer er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 21
DEA-scorer under konstant skalaafkast (CRS) for model3 i sammenligning med
basismodellen, deponeringsanlæg
I analysen med gas som output uden hensyntagen til stordriftsfordele (CRS-analysen) er
det fortsat blot 2 anlæg som er efficiente. Til gengæld får en række anlæg som ventet
en højere score. I gennemsnit har anlæggene en score på 0,26 mod 0,24 i basismodellen.
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 22
DEA-scorer under variabelt skalaafkast (VRS) for model3 i sammenligning med
basismodellen, deponeringsanlæg
Når der tages højde for ulemper ved at producere på for stor eller lille skala er
der fortsat 5 deponeringsanlæg som er efficiente (VRS-analysen). Niveauet er generelt
blot en anelse højere end i basismodellen - i gennemsnit har anlæggene en score på 0,54
mod 0,52 i basismodellen.
Bruttoeffektiviseringspotentialet under de to forskellige antagelser om
stordriftsfordele fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 20
Beregnet bruttoeffektiviseringspotentiale for deponering, model3
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio.
kr./år), alle anlæg |
141 (151) |
121 (130) |
Gennemsnitlig besparelse
per anlæg |
78% (84%) |
67% (72%) |
Note: Resultaterne for basismodellen i parentes
Som det fremgår af tabellen er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 141
mio. kr. årligt svarende til en besparelse på i gennemsnit 78% af deponeringsanlæggenes
samlede omkostninger. Når der tages hensyn til stordriftsfordele falder potentialet til
121 mio. kr., svarende til 67% af deponeringsanlæggenes omkostninger.
Bilag L:
Deponering, DEA-model 4
De output og input som indgår i den alternative DEA-model4 fremgår af tabellen
nedenfor. I forhold til basismodellen adskiller model4 sig ved at dieselforbrug er
taget med som et input i analysen (et mål for miljøbelastningen).
Bilagstabel 21
Input og output i DEA-model4, deponering
Type variabel |
Variabel |
Enhed |
Input |
De samlede omkostninger,
ekskl. evt. perkolatomkostninger og gasomkostninger |
Kr. |
Input |
Dieselforbrug |
Liter |
Output |
Deponeret mængde (ekskl.
ren jord) |
Ton |
Output |
Mellemdeponeret mængde
(ekskl. ren jord) |
Ton |
Note: Alle elementer er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 23
DEA-scorer under konstant skalaafkast (CRS) for model4 i sammenligning med
basismodellen, deponeringsanlæg
Deponeringsanlæggene med et lavt dieselforbrug er mere efficiente i denne analyse end
basismodellen. Når der ikke tages hensyn til stordriftsfordele (CRS-analysen) er der nu 3
anlæg som er efficiente mod 2 i basismodellen. I gennemsnit har anlæggene en score på
0,31 mod 0,24 i basismodellen.
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 24
DEA-scorer under variabelt skalaafkast (VRS) for model4 i sammenligning med
basismodellen, deponeringsanlæg
Når der tages højde for ulemper ved at producere på for stor eller lille skala er
der 6 deponeringsanlæg som er efficiente (VRS-analysen). Generelt er niveauet imidlertid
blot en anelse højere end i basismodellen - i gennemsnit har anlæggene en score på 0,55
mod 0,52 i basismodellen.
Bruttoeffektiviseringspotentialet under de to forskellige antagelser om
stordriftsfordele fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 22
Beregnet bruttoeffektiviseringspotentiale for deponering, model4
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio.
kr./år), alle anlæg |
141 (151) |
125 (130) |
Gennemsnitlig besparelse
per anlæg |
78% (84%) |
69% (72%) |
Note: Resultaterne for basismodellen i parentes
Som det fremgår af tabellen er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 141
mio. kr. årligt svarende til en besparelse på i gennemsnit 78% af deponeringsanlæggenes
samlede omkostninger. Når der tages hensyn til stordriftsfordele falder potentialet til
125 mio. kr., svarende til 69% af deponeringsanlæggenes omkostninger.
Bilag M:
Deponering, DEA-model5
De output og input som indgår i den alternative DEA-model5 fremgår af tabellen
nedenfor. I forhold til basismodellen adskiller model5 sig ved at omkostningerne
til perkolathåndtering er taget med i de samlede omkostninger.
Bilagstabel 23
Input og output i DEA-model5, deponering
Type variabel |
Variabel |
Enhed |
Input |
De samlede omkostninger,
ekskl. gasomkostninger |
Kr. |
Output |
Deponeret mængde (ekskl.
ren jord) |
Ton |
Output |
Mellemdeponeret mængde
(ekskl. ren jord) |
Ton |
Note: Alle elementer er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 25
DEA-scorer under konstant skalaafkast (CRS) for model5 i sammenligning med
basismodellen, deponeringsanlæg
Deponeringsanlæggene med høje omkostninger til perkolathåndtering får en lavere
score i denne model, mens dem med lave omkostninger til gengæld får en bedre score. Når
der ikke tages hensyn til stordriftsfordele (CRS-analysen) er der fortsat blot 2 anlæg
som er efficiente om end det ikke er de samme to som i basismodellen. I gennemsnit har
anlæggene en score på 0,22 mod 0,24 i basismodellen.
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 26
DEA-scorer under variabelt skalaafkast (VRS) for model5 i sammenligning med
basismodellen, deponeringsanlæg
Når der tages højde for ulemper ved at producere på for stor eller lille skala er
der 4 deponeringsanlæg som er efficiente (VRS-analysen) mod 6 i basismodellen. Generelt
er niveauet lavere end i basismodellen - i gennemsnit har anlæggene en score på 0,48 mod
0,52 i basismodellen.
Bruttoeffektiviseringspotentialet under de to forskellige antagelser om
stordriftsfordele fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 24
Beregnet bruttoeffektiviseringspotentiale for deponering, model5
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio.
kr./år), alle anlæg |
177 (151) |
155 (130) |
Gennemsnitlig besparelse
per anlæg |
84% (84%) |
74% (72%) |
Note: Resultaterne for basismodellen i parentes
Bruttopotentialet for model5 vil være højere end basismodellen alene fordi
perkolatomkostningerne er medtaget. Som det fremgår af tabellen er det samlede
unuancerede bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele
beregnet til 177 mio. kr. årligt svarende til en besparelse på i gennemsnit 84% af
deponeringsanlæggenes samlede omkostninger inkl. perkolatomkostninger. Når der tages
hensyn til stordriftsfordele falder potentialet til 155 mio. kr., svarende til 74% af
deponeringsanlæggenes omkostninger.
Bilag N:
Deponering, DEA-model6
De output og input som indgår i den alternative DEA-model6 fremgår af tabellen
nedenfor. I forhold til basismodellen adskiller model6 sig ved at de samlede
bruttoomkostninger er erstattet med fiktive omkostninger beregnet på baggrund af
behandlingsgebyrerne.
Bilagstabel 25
Input og output i DEA-model6, deponering
Type variabel |
Variabel |
Enhed |
Input |
Fiktive omkostninger
beregnet på baggrund af gebyrer |
Kr. |
Output |
Deponeret mængde (ekskl.
ren jord) |
Ton |
Output |
Mellemdeponeret mængde
(ekskl. ren jord) |
Ton |
Note: Alle elementer er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 27
DEA-scorer under konstant skalaafkast (CRS) for model6 i sammenligning med
basismodellen, deponeringsanlæg
Model6 resulterer i anderledes scorer end basismodellen, hvilket skal ses i lyset af at
lave bruttoomkostninger ikke nødvendigvis afspejler sig i lave behandlingsgebyrer.
Når der ikke tages hensyn til stordriftsfordele (CRS-analysen) er der 3 anlæg som er
efficiente, hvoraf det ene er det samme som et af de to anlæg der er efficiente i
basismodellen. Generelt er anlæggenes scorer meget højere end i basismodellen, hvilket
skal ses i lyset af at variationen i gebyrerne er noget mindre end variationen i
bruttoomkostningerne. I gennemsnit har anlæggene en score på 0,58 mod 0,24 i
basismodellen.
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 28
DEA-scorer under variabelt skalaafkast (VRS) for model6 i sammenligning med
basismodellen, deponeringsanlæg
Når der tages højde for ulemper ved at producere på for stor eller lille skala er
der 12 deponeringsanlæg som er efficiente (VRS-analysen) mod 6 i basismodellen. Generelt
er niveauet igen højere end i basismodellen - i gennemsnit har anlæggene en score på
0,71 mod 0,52 i basismodellen.
Bruttoeffektiviseringspotentialet under de to forskellige antagelser om
stordriftsfordele fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 26
Beregnet bruttoeffektiviseringspotentiale for deponering, model6
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio.
kr./år), alle anlæg |
81 (151) |
76 (130) |
Gennemsnitlig besparelse
per anlæg |
47% (84%) |
44% (72%) |
Note: Resultaterne for basismodellen i parentes
Bruttopotentialet for model6 er beregnet på baggrund af bruttoomkostningerne og ikke
de fiktive omkostninger for at gøre dem sammenlignelige med basismodellen.
Som det fremgår af tabellen er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 81
mio. kr. årligt svarende til en besparelse på i gennemsnit 47% af deponeringsanlæggenes
samlede omkostninger. Når der tages hensyn til stordriftsfordele falder potentialet til
76 mio. kr., svarende til 44% af deponeringsanlæggenes omkostninger.
Bilag O:
Deponering, DEA-model7
De output og input som indgår i den alternative DEA-model7 fremgår af tabellen
nedenfor. I forhold til basismodellen adskiller model7 sig ved at den deponerede og
mellemdeponerede mængde er taget med i analysen som en variabel ved en simple aggregering
af mængderne.
Bilagstabel 27
Input og output i DEA-model7, deponering
Type variabel |
Variabel |
Enhed |
Input |
De samlede omkostninger,
ekskl. evt. perkolat og gasomkostninger |
Kr. |
Output |
Deponeret + Mellemdeponeret
mængde (ekskl. ren jord) |
Ton |
Note: Alle elementer er årlige for 2000.
Der er gennemført en input-orienteret DEA-analyse med disse variable. Resultatet under
antagelse af konstant skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 29
DEA-scorer under konstant skalaafkast (CRS) for model7 i sammenligning med
basismodellen, deponeringsanlæg
I analysen uden hensyntagen til stordriftsfordele (CRS-analysen) bliver blot 1 anlæg
efficient mod 2 i basisanalysen. Da anlæggene har en variabel mindre at være efficient
på er det ikke overraskende at scorerne generelt er lavere end i basismodellen. I
gennemsnit har anlæggene en score på 0,21, hvilket er lidt lavere end i basismodellen
(0,24).
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 30
DEA-scorer under variabelt skalaafkast (VRS) for model7 i sammenligning med
basismodellen, deponeringsanlæg
Når der tages højde for ulemper ved at producere på for stor eller lille skala er
der 5 deponeringsanlæg som er efficiente (VRS-analysen) mod 6 i basismodellen. Generelt
er niveauet fortsat lavere - i gennemsnit har anlæggene en score på 0,45 mod 0,52 i
basismodellen.
Bruttoeffektiviseringspotentialet under de to forskellige antagelser om
stordriftsfordele fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 28
Beregnet bruttoeffektiviseringspotentiale for deponering, model7
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio.
kr./år), alle anlæg |
155 (151) |
137 (130) |
Gennemsnitlig besparelse
per anlæg |
86% (84%) |
76% (72%) |
Note: Resultaterne for basismodellen i parentes
Som det fremgår af tabellen er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 155
mio. kr. årligt svarende til en besparelse på i gennemsnit 86% af deponeringsanlæggenes
samlede omkostninger inkl. perkolatomkostninger. Når der tages hensyn til
stordriftsfordele falder potentialet til 137 mio. kr., svarende til 76% af
deponeringsanlæggenes omkostninger.
Bilag P:
Deponering, DEA-model8
De output og input som indgår i den alternative DEA-model8 fremgår af tabellen
nedenfor. I forhold til basismodellen adskiller model8 sig ved at kun den
deponerede mængde er taget med i analysen. Endvidere er der fratrukket 200 kr per ton
mellemdeponeret affald. Dette resulterer i , at 4 anlæg (F, N, R og Å) får negative
omkostninger, og disse er derfor udeladt af analysen.
Bilagstabel 29
Input og output i DEA-model8, deponering
Type variabel |
Variabel |
Enhed |
Input |
De samlede omkostninger,
ekskl. evt. perkolat og gasomkostninger |
Kr. |
Output |
Deponeret mængde (ekskl.
ren jord) |
Ton |
Note: Alle elementer er årlige for 2000.
Da der kun er to variable svarer DEA-analysen til en nøgletalsanalyse. Der kommer dog
lidt mere information ud af DEA-programmet. Der er gennemført en input-orienteret
DEA-analyse med disse variable. Resultatet under antagelse af konstant skalaafkast
fremgår af figuren nedenfor.
Se her!
Bilagsfigur 31
DEA-scorer under konstant skalaafkast (CRS) for model8 i sammenligning med
basismodellen, deponeringsanlæg
Resultatet under antagelse af variabelt skalaafkast fremgår af figuren nedenfor.
Se her!
Bilagsfigur 32
DEA-scorer under variabelt skalaafkast (VRS) for model8 i sammenligning med
basismodellen, deponeringsanlæg
Bruttoeffektiviseringspotentialet under de to forskellige antagelser om
stordriftsfordele fremgår af tabellen nedenfor (basismodellen i parentes).
Bilagstabel 30
Beregnet bruttoeffektiviseringspotentiale for deponering, model8
Inputvariabel |
Uden hensyntagen
til stordriftsfordele |
Med hensyntagen
til stordriftsfordele |
Omkostninger (mio.
kr./år), alle anlæg |
124 (151) |
93 (130) |
Gennemsnitlig besparelse
per anlæg |
89% (84%) |
67% (72%) |
Note: Resultaterne for basismodellen i parentes
Som det fremgår af tabellen er det samlede unuancerede
bruttoeffektiviseringspotentiale uden hensyntagen til stordriftsfordele beregnet til 124
mio. kr. årligt svarende til en besparelse på i gennemsnit 89% af de indgående
deponeringsanlægs samlede omkostninger inkl. perkolatomkostninger og med omkostninger til
mellemdeponering taget ud. Når der tages hensyn til stordriftsfordele falder potentialet
til 93 mio. kr., svarende til 67% af deponeringsanlæggenes omkostninger.
Hovedårsagen til, at potentialet falder er, at de effektive anlæg fra basis-analysen
tages ud. Dette ses af, at effektiviseringspotentialet per anlæg ikke ændres betydeligt,
da de effektive anlæg i basisanalysen har store mængder af mellemdeponeret affald.
Bilag Q:
Statistiske analyser, deponering
Der er foretaget en statistisk analyse af CRS scorerne på deponeringsområdet.
Analysen har som det er dokumenteret i rapporten forsøgt medtaget en lang række
parametre. Den model, der bedst beskriver CRS-scorerne, er beskrevet i det følgende.
Bilagstabel 31
Modelkarakteristika, forbrænding
Karakteristika |
Værdi |
Antal observationer |
32 |
Antal parametre |
9 |
R2 |
0,69 |
En forklaringsgrad på 69% vurderes at være udmærket.
De resulterende parametre ses i tabellen nedenfor.
Bilagstabel 32
Parameterestimater og p-værdier
Parameter |
Estimat |
P-værdi |
Intercept |
13,63 |
0.06 |
Deponeringshøjde |
0,024 |
0.05 |
Deponeringshøjde^2 |
-0,0004 |
0.09 |
Antal sideaktiviteter = 4 |
0,096 |
0.10 |
Anlægsår |
-0,007 |
0.06 |
Deponeret mængde |
0,004 |
0.09 |
Mellemdeponeret mængde |
0,009 |
0.01 |
Fælleskommunal |
0,187 |
0.05 |
Farligt affald |
-0,109 |
0.28 |
Parametrene "Deponeringshøjde", "Anlægsår", "Deponeret
mængde" og "Mellemdeponeret mængde" indgår alle med de reelle
observationer. Endvidere indgår "Deponeringshøjde" også i anden potens (og
med en positiv parameter), hvilket indikerer, at fordelene ved en høj deponeringshøjde
er stigende men med aftagende stigningstakt. De resterende parametre: "Antal
sideaktiviteter=4", "Fælleskommunal" og "Farligt affald" er 0-1
dummier, der angiver om anlægget har dette karakteristika eller ej. Fortolkningen af
disse er eksempelvis, at anlæg, der er fælleskommunale, i gennemsnit har en score på
0,187 (jvnf. tabellen) højere end de anlæg, der ikke er fælleskommunale.
Generelt er der forsøgt mange forskellige modeller. Den viste var modellen, der
beskrev data på den bedst tænkelige måde.
Den statistiske analyse er foretaget i programpakken SAS.
|