Møreforsking Molde

• Hjemmeside
• Aktuelt
• Om oss
• Fagområder
• Ansatte
• Publikasjoner
• Prosjekter
• English
• Søk
• Ledige stillinger

Utgiftutjevningsmodell for lokale bil- og båtruter

Rapporten beskriver i grove trekk hvordan inntektssystemet er bygd opp. Deretter beskrives mer konkret kostnadsnøkkelen knyttet til lokale ruter. Vi diskuterer sammensetningen av kriteriene i nøkkelen og reiser noen kritiske spørsmål til disse kriteriene. Deretter foreslår vi alternative kriterier og argumenter for dette. Hoveddelen av rapporten består av statistiske analyser hvor vi tester ulike sammensetninger av forklaringsvariable i lineære regresjonsmodeller hvor "netto driftsutgifter til lokale bil- og båtruter" er avhengig variabel. Vi har i hovedsak brukt fylkesvise data fra SSBs samferdsels KOSTRA i analysene. Det er gjort partielle regresjonsanalyser for hvert år i fireårsperioden 2001-2004. Det kan være problematisk å oppnå robuste statistiske modeller med et utvalg på bare 19 fylkeskommuner og man er avhengig av å holde antall forklaringsvariable nede. Den regresjonsmodellen som forklarer driftsutgiftene best statistisk sett, har vi foreslått som ny kostnadsnøkkel for lokale ruter. Tabellen under viser vårt forslag til ny nøkkel med kriterier og vekter sammenlignet med KRDs gjeldende kostnadsnøkkel før og etter 1996 og KRDs nøkkel kalibrert gjennom en regresjonsanalyse med oppdaterte data for 2004. Kriterier og vekter som gjenspeiler signifikans fra regresjonsanalysene er markert med uthevet skrift.

Alle kriteriene vi har valgt i forslaget til ny modell er objektive og kriteriedataene er lett tilgjengelige og oppdateres hvert år. Når det gjelder kriterier som tilgodeser tettbebygde fylker har vi valgt å bruke "andel av innbyggere", som er gjennomgående signifikant i analysene. I stedet for "storbyfaktoren" har vi valgt å bruke "andel innbyggere per km offentlig vei". Hastighet har svært mye å si for km kostnadene i rutedrift. Storbyer kjennetegnes med kø- og framkommelighetsproblemer, og dette gir høye km kostnader. En tidligere SNF undersøkelse (Eldegard & Kristiansen, 2001) viser at det er en klar samvariasjon mellom driftskostnad per vognkilometer og bosettingsindikatoren "andel innbyggere per km offentlig vei". Undersøkelsen viste også at denne indikatoren var like sterkt korrelert til enhetskostnadene ved rutebildrift som "storbyfaktoren". Mens "storbyfaktoren" kun ivaretar fire fylker, ivaretar "andel innbyggere pr km offentlig vei" alle fylkenes kollektivtransportbehov. I nesten samtlige regresjonsanalyser vi har gjennomført kommer også dette kriteriet bedre ut statistisk sett enn "storby­faktoren". Justert R² blir i de fleste modellene større, når vi bruker kriteriet som forklaringsvariabel. Dessuten har kriteriet jevnt over høyere t-verdier og er dermed mer signifikant enn "storbyfaktoren".

Som et av kriteriene som tilgodeser typiske distriktsfylker har vi valgt "andel ferge- og båtruter" Variabelen erstatter både "andel av rutenett til sjøs" og "andel befolkning på øyer uten fast veg­forbindelse". Alle disse tre kriteriene er korrelert, noe vi ser når vi har ulike sammensetninger av forklaringsvariablene i modellene vi har testet. Dersom disse kriteriene forekommer samtidig i modellen, blir forklaringskraften dårligere. "Andel ferge- og båtruter" sier ikke bare noe om transportbehovet til sjøs, men også noe om de geografiske forholdene i fylkene. Det sier også noe om hvor dyrt det er å drive kollektivtransport på generelt grunnlag. Mange ferjestrekninger indikerer økte kostnader til ferge­billetter og økte tidskostnader pga. venting etc. I våre statistiske tester kommer variabelen svært godt ut med svært høye t-verdier i mange ulike modeller, noe som indikerer at den er sterkt signifikant. Den andre distriktsvariabelen vi har valgt er "andel areal" Dette kriteriet gir modellen høyere forklaringskraft og er mer signifikant enn det andre hovedalternativet vi prøvde ut "areal per innbygger".

Vårt modellforslag har fire forklaringsvariable i stedet for seks som KRD har i sin siste oppdaterte kostnadsnøkkel fra 1996. I regresjonsmodeller med så små utvalg som her (19 fylker), skal man være varsom med å bruke for mange forklaringsvariable, da dette kan svekke analysen. Vi mener derfor at en modell med fire forklaringsvariable er bedre enn seks. Modellen er også robust med gjennomgående høye justerte R² over hele tidsperioden. Samtidig er alle forklaringsvariablene signifikante på 5 % nivå. To av kriteriene ivaretar utkanter/distrikt og de to andre ivaretar tettsteder/byer.

KRDs modell fra 1996 har to "by-/tettstedsvariabler" mens den har fire "distriktsvariabler". Våre regresjonsanalyser med oppdaterte data fra årene 2001-2004 viser at det er multikollinaritet i departementets kostnadsnøkkel. Dvs. at det er stor grad av samvariasjon mellom forklaringsvariablene. Tre av de fire "distriktsvariablene" i modellen er innsignifikante. Vårt modellforslag har gjennomgående høyere forklaringskraft enn departementets nøkkel på tross av to færre forklaringsvariabler.

Vi har valgt å beregne oss fram til fordelingsnøkler ved bruk av regresjonsanalyser. Utgangspunktet er historiske data knyttet til netto driftsutgifter til lokale ruter og objektive kriterier knyttet til bosetning og andre strukturelle/naturgitte forhold. Slike modellgenererte fordelingsnøkler vil kunne være samfunns­økonomisk optimale, dersom tilskuddssystemet gir incentiver til effektiv drift i transportselskapene. Slik tilskuddsordningen er utformet kan den gi incentiver til ineffektivitet. Pga distriktspolitiske hensyn kan selskaper få tilskudd til å opprettholde inneffektive rutetilbud med tomme busser. I tettsteder og byer kan presset og konkurransen i markedet i større grad framtvinger effektiv drift. Slik sett kan en modell­generert fordelingsnøkkel basert på regresjonsanalyser av historiske data fordele mer til "distrikts­fylker" på bekostning av "tettstedsfylker" enn hva som er samfunnsøkonomisk optimalt. Vi tror at et normtall system vil være mer incentivorientert mot en optimal fordeling. Et slikt system vil ikke basere seg på historiske kostnadstall men beregnede km kostnader knyttet til kollektivtransport i ulike deler av landet. Disse beregningene vil måtte basere seg på hva det i realiteten koster å drive kollektivtransport eksempelvis i storbyer eller i områder med mange ferjestrekninger. Det må også tas hensyn til en minste transportstandard. Beregnede km kostnader vil for eksempel være høyere i Oslo enn i Oppland.