Методологические подходы к бенчмаркингу российских электросетевых фирм

Методологические подходы к бенчмаркингу российских электросетевых фирм

Проблема установления сбалансированных тарифов в последнее время приобрела особую остроту: потребители и государство, считают, что повышать тарифы темпами, опережающими инфляцию больше невозможно. Тарифы на услуги по передаче электроэнергии подлежат прямому ценовому регулированию со стороны государства, их величина определяет от 30 до 40% конечной цены на электроэнергию по разным оценкам. В данном секторе работает свыше 2 тыс. компаний, из которых 13 владеют более 80% активов и обеспечивают основную часть полезного отпуска. Эти компании существенно различаются по уровню издержек, что обусловлено как объективными, так и субъективными факторами, и вызывает претензии к их эффективности со стороны регуляторов и потребителей. В сложившейся ситуации выходом могло бы стать использование бенчмаркинга для установления тарифов на основе стимулирующего регулирования в электроэнергетическом секторе. С этим согласны многие специалисты. Так, в итоговом докладе по результатам работы над "Стратегией 2020" в числе мер отраслевого регулирования сетевых компаний для реализации предпочтительного сценария эксперты предложили учитывать результаты бенчмаркинга при нормировании затрат и технологическом аудите (Стратегия 2020, 2012).

С 2008 г. Россия стала использовать RAB-регулирование, в рамках которого возможно применение бенчмаркинга для определения подконтрольных операционных расчетов при установлении тарифов. Тарифы, установленные с учетом результатов эффективности операционных затрат, стимулируют повышение эффективности их деятельности (и таким образом, защищают потребителей от их необоснованного повышения) и позволяют электросетевым компаниям привлекать необходимые инвестиции для развития, т. е. могут с большими основаниями называться сбалансированными и экономически обоснованными.

Обзор теоретических и эмпирических подходов

Стимулирующее регулирование на основе бенчмаркинга предполагает получение оценки потенциала повышения компанией своей эффективности при соблюдении требуемого уровня качества предоставляемых услуг. За последние несколько десятилетий были опубликованы многочисленные и подробные описания современных теоретических основ анализа эффективности и продуктивности и возможности их практического применения для целей бенчмаркинга (например, Coelli T., et al, 1998, 2003).

Бенчмаркинг широко используется регуляторами во всем мире в различных отраслях, включая в распределении электроэнергии. В некоторых странах в таких как Нидерланды, Норвегия и Великобритания бенчмаркинг прямо используется для определения необходимой валовой выручки, в то время как в других странах, например, в Финляндии бенчмаркинг используется лишь для поддержки решений регулятора.

Хотя бенчмаркинг широко распространен, он применяется не везде в регуляторном процессе и имеет своих критиков, которые указывают на субъективный подход в выборе определенных методов, способов и приемов, делая на этом основании вывод о его непригодности для ценового регулирования (Shuttleworth, G., 2003; Irastorza, V., 2003).

В академической литературе приводится большое количество различных видов бенчмаркинга, часто называются следующие пять (Berg, S. V., 2010):

·  бенчмаркинг ключевых индикаторов;

·  бенчмаркинг на основе показателей результативности, полученных с помощью оценки производственной функции или функции издержек;

·  сравнение с идеальной компанией (модельные сравнения);

·  бенчмаркинг на основе опросов восприятия потребителей.

Последние два вида бенчмаркинга предполагают использование довольно затратных (с точки зрения временных и финансовых ресурсов) качественных (опросных) методов анализа. Но существует широкий спектр методов (сравнительно недорогих и несложных в применении), которые активно используются для определения границы эффективности. Они включают в себя методы линейного программирования (непараметрические) и статистические (параметрические) методы. Выбор того или иного метода может на практике влиять на показатели эффективности и зависит, по крайней мере, частично от доступных данных и целей бенчмаркинга (Murillo-Zamarano, L. R., 2004; Filippini, M., Farsi, M., Fetz, A., 2005).

Методы линейного программирования не обращаются к эконометрической оценке соотношения выпуска и использованных ресурсов. Граница эффективности при использовании этих методов определяется путем прямых исчислений на основе данных. Среди этих методов наибольшее распространение нашел метод свертки данных - МСД (DEA - Data Envelopment analysis), разработанный.(Charnes, A., Cooper, W., Rhodes, E. 1978) на основе идей (Farrel, M. J., 1957), позже дополненный (Banker, R. D., Charnes, A., Cooper, W., 1984) возможностью учитывать возврат на масштаб в АСФ.

Среди параметрических методов наиболее известны детерминированный МСНК (COLS - Сorrected Ordinary Least Squares)( Richmond, J., 1974) и стохастический метод АСГ (SFA - Stochastic Frontier Analysis) (Aigner, D. J., Lovell, C. A.K., Schmidt, P., 1977). Основной недостаток параметрических методов состоит в том, что для их использования требуется заранее определить вид граничной функции. Параметрические методы являются наиболее совершенными с точки зрения теоретической проработки. Детерминированные методы предполагают, что все отклонения от границы происходят по причине неэффективности. В соответствие с моделями, основанными на стохастических методах, неэффективность подразделяется на собственно неэффективность и ошибку измерения. Граничные функции при использовании параметрического подхода могут быть построены как функция издержек или как производственная функция. Существуют различные подходы, предполагающие применение различных форм основной функции (простой линейной, логарифмической, полиномиальной) и формы функции распределения ошибок (полунормальная, скошенная нормальная) для разделения неэффективности и статистического шума.

Выбор конкретной методологии для использования в целях регулирования во многом зависит от задач, решаемых регулятором, доступных данных, их качества (необходимости учета статистического шума). Для использования параметрических методов бенчмаркинга необходимы длинные временные ряды для обеспечения необходимой степени статистической свободы.

Важнейшей задачей является правильный выбор переменных для бенчмаркинга. Наиболее часто используемыми переменными при бенчмаркинге операционных затрат являются показатели полезного отпуска электрической энергии, количества потребителей и протяженности электрической сети (Jamasb, T., Pollitt, M., 2001). Причем переменная количества потребителей может сильно коррелировать с переменной полезного отпуска, что позволяет упростить модель, отказавшись от использования переменной количества потребителей (CEPA, 2003).

Несмотря на большое количество исследований, посвященное использованию граничных методов количественного анализа для бенчмаркинга за рубежом, в России подобных серьезных исследований практически не проводилось. По проблеме бенчмаркинга в электроэнергетике нам удалось найти лишь одну попытку анализа (, 2005), посвященную анализу эффективности государственного регулирования тарифов в электрогенерации. Ранее публиковались результаты исследований возможности применения граничных непараметрических (, 1983; , 1982; 1982) и граничных стохастических параметрических методов (, 1981; , 1981; Danilin, V. I., Materov, I. S., Rosefielde, S., Lovell, C. A.K., 1985). Но в советской системе управления они находили весьма ограниченное применение.

Таким образом, анализ академической литературы свидетельствует о дефиците исследований, посвященным возможности применения бенчмаркинга для оценки эффективности операционных издержек с целью регулирования электросетевых компаний в России.

Методология и описание данных

В рамках анализа эффективности деятельности российских электросетевых компаний мы использовали следующие методы: МСНК (COLS) и АСГ (SFA) с использованием функции издержек, входооринтированный МСД (DEA). Мы также предприняли попытку опробовать метод POLS, в которой используется вращение (pivoting) линии регрессии в направлении оси абсцисс (Х) вокруг точки пересечения линии регрессии с осью ординат (Y) до точки координат наиболее эффективной фирмы (вместо параллельного переноса, используемого в МСНК).

Мы пользовались опубликованными в годовых отчетах данные о себестоимости продаж 12 электросетевых компаний МРСК» за 2010 и 2011 гг., протяженности линий электропередач и объема отпуска электрической энергии потребителям и смежным ТСО. Данные себестоимости за 2011 г. были очищены от влияния инфляции на основе данных Росстата об уровне инфляции в Российской Федерации в 2011 г. (6,1%).

В различных вариантах параметрических моделей в качестве независимых переменных использовались составная независимая переменная с весами 50% для уровня объема полезного отпуска и 50% - для протяженности сети, а также 2 независимые переменные – уровень объема полезного отпуска и протяженность сети. В качестве зависимой переменной - себестоимость продаж. Эта же переменная служила в качестве входной при использовании непараметрических методов. Соответственно, выходными переменными в этом случае были уровень объема полезного отпуска и протяженность сети.

Результаты

Таблица 1. Результаты регрессионного анализа на основе МСНК (СOLS)

	Уравнение	R2 (стандарт- ная ошибка)	Скорректиро-ванный свободный член	Фирма, определяю-щая границу эффектив-ности	Средняя эффектив-ность фирм (со стандартным отклонением)
12 фирм	y=17145 + 0.219x	0	1202.19	СК-1 (2011)	62% (26%)
10 фирм с исключением выбросов	y=10533 + 0.252x	0	-1079.54	СК-2 (2011)	58% (29%)
8 фирм с исключением самой эффективной и самой неэффективной	y=10543 + 0.247x	0	-652.86	СК-2 (2011)	64% (28%)

Таблица 2. Оценки эффективности компаний МРСК», рассчитанные на основе метода МСНК (COLS)

	Наименование компании	Все компании	Без выбросов	Без самой эффективной и самой неэффективной
1	СК-1	1.023536
2	СК-2	0.983512	1.000251	1.000202
3	СК-3	0.780357	0.843188	0.833961
4	СК-4	0.757074	0.808253	0.801114
5	СК-5	0.483731	0.502831	0.500792
6	СК-6	0.689978	0.337729
7	СК-7	0.324815	0.283858	0.292462
8	СК-8	0.355578	0.341826
9	СК-9	0.446983	0.134003	0.19343
10	СК-10	0.768838	0.836919	0.826683
11	СК-11	0.616322	0.66184	0.655314
12	СК-12	0.192799

Таблица 3. Результаты регрессионного анализа на основе МСНК (СOLS) с использованием полиномиальной функции

Вариант выборки	Уравнение	R2	Скорректированный свободный член	Фирма, определяющая границу эффективности	Средняя эффективность компаний (со стандартным отклонением)
12 компаний	y = -2E-06x2 + 0.6405x + 5153.9	0.36	-20759	СК-1(2011)	0; без негативных значений
10 компаний с исключением выбросов	y = -1E-06x2 + 0.4854x + 4635.9	0.79	-13185.5	СК-2 (2011)	0; без негативных значений 0
8 компаний с исключением самой эффективной и самой неэффективной	y = -7E-07x2 + 0.3756x + 6951.4	0.78	-6440	СК-2 (2011)	0; без негативных значений 0

Таблица 4. Результаты регрессионного анализа на основе МСНК (СOLS) с использованием 2 нелогарифмированных и логарифмированных независимых переменных

Вариант выборки	Результаты регрессии и анализа эффективности с использованием 2 простых независимых переменных	Результаты регрессии и анализа эффективности с использованием 2 логарифмированных независимых переменных
Выборка из 12 компаний	а=1481.99; b1=0.7338; b2=0.00164; скорректированный а=-14130.8. Среднее значение эффективности – 23%, стандартное отклонение – 95% (без отрицательных значений среднее значение эффективности – 64%, стандартное отклонение – 24%), компания, определяющая границы эффективности - СК-8	а=2.34; b1=0.775; b2=-0.017; скорректированный а=1.98 Среднее значение эффективности -96% , стандартное отклонение -3%, компания, определяющая границы эффективности –СК-1.
Выборка из 10 компаний	а=4321.01; b1=0.453; b2=0.0538; скорректированный а=-2240. Среднее значение эффективности -77% , стандартное отклонение -24%, компания, определяющая границы эффективности – СК-2	а=2.28; b1=0.617; b2=0.0131; скорректированный а=1.96 Среднее значение эффективности – 97%, стандартное отклонение – 2%, компания, определяющая границы эффективности –СК-2
Выборка из 8 компаний	а=5830.25; b1=0.4655; b2=0.04541; скорректированный а=-1247.58. Среднее значение эффективности – 103%, стандартное отклонение – 57%, компания, определяющая границы эффективности – СК-2	а=3.291; b1=0.6274; b2=0.0392; скорректированный а=2.96 Среднее значение эффективности – 88%, стандартное отклонение – 16%, компания, определяющая границы эффективности – СК-3

Таблица 5. Результаты эффективности деятельности компаний, рассчитанных на основе МСД (DEA) с использованием составной переменной

	МСД с постоянным возвратом на масштаб	МСД с переменным возвратом на масштаб
12 компаний	Среднее значение эффективности (со стандартным отклонением) 56% (26%)	Среднее значение эффективности (со стандартным отклонением) 72% (29%)
Компании определяющие границу: СК-1	Компании определяющие границу: СК-1, СК-3, СК-10, СК-6
10 компаний	Среднее значение эффективности (со стандартным отклонением) 60% (24%)	Среднее значение эффективности (со стандартным отклонением) 77% (25%)
Компании определяющие границу: СК-2	Компании определяющие границу: СК-2, СК-3, СК-6, СК-10
8 компаний	Среднее значение эффективности (со стандартным отклонением) 77% (30%)	Среднее значение эффективности (со стандартным отклонением) 85% (24%)
Компании определяющие границу: СК-4. Суперэффективные: СК-2, СК-3	Компании определяющие границу: СК-4. Суперэффективные: СК-2, СК-3, СК-9, СК-10

Таблица 6. Результаты эффективности деятельности компаний, рассчитанных на основе МСД (DEA) с использованием 2 зависимых переменных

	МСД с постоянным возвратом на масштаб	МСД с переменным возвратом на масштаб
10 компаний	Среднее значение эффективности (со стандартным отклонением): 77% (22%)	Среднее значение эффективности (со стандартным отклонением): 88% (13%)
Компании определяющие границу: СК-2, СК-3 (2010), СК-8 (2010)	Компании определяющие границу: СК-2 (2010), СК-3 (2010), СК-6 (2010), СК-10
8 компаний	Среднее значение эффективности (со стандартным отклонением) 98% (4%)	Среднее значение эффективности (со стандартным отклонением) 95% (12%)
Компании определяющие границу: СК-3 (2011), СК-5. Суперэффективные компании: СК-2, СК-3 (2010), СК-4 (2010), СК	Компании определяющие границу: СК-4 (2010), СК-5 (2010), СК-7 (2011), СКСуперэффективные: СК-2, СК-3 (2010), СК, СК-10.

Таблица 7. Результаты эффективности деятельности компаний, рассчитанных на основе АСГ (SFA) с использованием логарифмированных и нелогарифмированных переменных

	АСГ с нелогарифмированными переменными	АСГ с логарифмированными переменными
12 компаний	β0=-13181.82; β1=0.645; β2=0.0329 (σ2=; γ=0.(9); коэфф. правдоподобия LR=10.96)	β0=-1.8; β1=0.84; β2=-0.0665 (σ2=0.21; γ=0.(9); коэфф. правдоподобия LR=7.3)
Эффективная компания: СК-3. Средняя арифметическая эффективность: 30% (стандартное отклонение: 90%)	Эффективные компании:СК-1, СК-8. Средняя арифметическая эффективность: 72% (стандартное отклонение: 20%)
10 компаний	β0=-755.57; β1=0.4982; β2=0.026799 (σ2=; γ=0.(9); коэфф. правдоподобия LR=3.2)	Статистически незначимые параметры
Эффективные компании: СК-3. Средняя арифметическая эффективность: 71% (стандартное отклонение: 24%)
8 компаний	β0=1139.5646; β1=0.4698; β2=0.0438563 (σ2=; γ=0.66; коэфф. правдоподобия LR=0.047)	Статистически незначимые параметры
Эффективные компании: СК-7, СК-9, СК-11. Средняя арифметическая эффективность: 95% (стандартное отклонение: 47%)

Обобщение результатов и выводы

В исследовании, проведенном в рамках программы фундаментальных исследований НИУ ВШЭ в 2012 г., мы проанализировали принципиальную возможность использования ряда граничных параметрических и непараметрических методов для оценки эффективности операционных издержек межрегиональных распределительных электросетевых фирм для целей государственного регулирования. Мы показали, что в России возможно применение входо-ориентированных методов МСД (DEA) с различным возвратом на масштаб и МСНК (COLS) с составной независимой переменной и с самостоятельными переменными - себестоимости продаж, полезного отпуска электрической энергии и протяженности электрической сети - на выборке компаний, очищенной от выбросов.

Эти методы можно использовать как взаимодополняемые. Так, МСНК (COLS) позволяет получить оценку статистической значимости параметров, а МСД (DEA) правильно подобрать веса.

Эти методы понятны, просты в использовании, для них разработано доступное программное обеспечение (которое в рамках нашего исследования давало идентичные результаты), и они в целом успешно применяется регуляторами за рубежом.

Результаты проведенного нами анализа свидетельствуют в пользу выборок, очищенных от выбросов. Выборка из 10 компаний в нашем исследовании позволяла рассчитывать показатели эффективности деятельности по максимальному числу компаний с использованием различных граничных методов, причем результаты характеризовались высоким статистическим качеством.

Использование каждого из методов показывает наличие существенного потенциала снижения издержек сетевых компаний. Кстати, полученные нами результаты эффективности довольно близки к самооценке эффективности компаний самого ОАО "Холдинг МРСК", который в (Стратегия развития ОАО "Холдинг МРСК", 2011) ставит задачу по "сокращению операционных издержек на потребителя на 40% по сравнению с уровнем 2011 г.".

Для снятия остроты проблемы чувствительности результатов к используемым методам мы предлагаем рассмотреть возможность использования на практике комбинированного подхода - усредненного показателя эффективности, рассчитанного с применением различных МСНК (COLS) и МСД (DEA), в том числе МСД с переменным возвратом на масштаб (DEA-VRS), особенно в тех случаях, когда эмпирические исследования свидетельствуют о влиянии изменения масштаба на достижение границы эффективности.

Проблема установления тарифов для компаний, исключенных из выборки, а также компаний, средние показатели которых характеризуются высоким стандартным отклонением, может решаться на первоначальном этапе регулирования в индивидуальном порядке, на последующих этапах - применение международного бенчмаркинга.

В любом случае результаты бенчмаркинга на основе, рассмотренных нами методов, могут быть использованы лишь как начало для консультаций с компаниями о повышении эффективности регулируемых компаний, снижения себестоимости регулируемых услуг в неэффективных фирмах. Регулятору необходимо проверить (например, с помощью 2SLS) значимость факторов, на которые ссылаются компании в свою защиту и при необходимости учесть их. Кроме того, регуляторы, как правило, предпочитают подкрепить результаты количественного анализа результатами, полученными с помощью качественных методов с тем, чтобы они лучше отражали реальность.

Литература

1.  Стратегия 2020, 2012. Итоговый доклад о результатах экспертной работы по актуальным проблемам социально-экономической стратегии России на период до 2020 года "Стратегия-2020: Новая модель роста - новая социальная политика" . С.526 - http://*****/documents/.html

2.  Стратегия развития ОАО "Холдинг МРСК", 2011. Стратегия развития МРСК» до 2015 года и на перспективу до 2020 года (сокращенная версия) Ноябрь 2011 - http://www. *****/about/mission/Strategiya_razvitiya_Holdinga_MRSK_korotkaya_versiya_v3.pdf

3.  , 2005. Анализ эффективности государственного регулирования тарифов на электроэнергию (на примере генерации).Санкт-Петербург, СПбГУ

4.  , 1981. Производственные функции в моделях экономического роста, Москва, Издательство Московского Университета

5.  , 1983. Совершенствование хозяйственного механизма на основе развития нормативных методов. Вопросы экономики, март, 66-76

6.  , 1982. Производственная мощность: проблемы и суждения. Плановое хозяйство, февраль, 23-38

7.  1982. Вопросы оценки и планирования эффективности деятельности предприятия. Плановое хозяйство, январь, 77-81

8.  , 1981. К проблеме полной идентификации модели стохастической границы производства. Экономика и математические методы, 17, 684-788

9.  Aigner, D. J., Lovell, C. A.K., Schmidt, P., 1977. Formulation and Estimation of Stochastic Frontier Production Function Models, Journal of Econometrics, 6, 21-37

10.  Banker, R. D., Charnes, A., Cooper, W., 1984. Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis, Management Science, 30, .

11.  Berg, S. V., 2010. Water Utility Benchmarking. Measurement, Methodologies and Performance Incentives, IWA, London

12.  CEPA, 2003. Background to Work On Assessing Efficiency For the 2005 Distribution Price Control Review. Final Report

13.  Coelli, T., Estache, A., Perelman, S., and Trujillo, L., 2003. A Primer on Efficiency Measurement for Utilities and Transport Regulators, World Bank Institute Development Studies, the World Bank, Washington, DC

14.  Danilin, V. I., Materov, I. S., Rosefielde, S., Lovell, C. A.K., 1985. Measuring Enterprise Effficiency in the Soviet Union^ A Stochastic Frontier Analysis. Economica, 52, May, 225-233

15.  Farrel, M. J., 1957. The Measurement of Productive Efficiency, Journal of the Royal Statistical Society, Series A, CXX, Part 3, 253-290

16.  Filippini, M., Farsi, M., Fetz, A., 2005. Benchmarking Analysis In Electricity Distribution. Center forEnergy Policy and Economics, Swiss Federal Institute of Technology, Zurich

17.  Jamasb, T., Pollitt, M., 2001. Benchmarking and Regulation: International Electricity Experience, Utilities Policy, 9/3

18.  Irastorza, V., 2003. Benchmarking for Distribution Utilities: A Problematic Approach to Defining Efficiency. The Electricity Journal, 16(10), 30-38

19.  Murillo-Zamarano, L. R., 2004. Economic Efficiency and Frontier Techniques, Journal of Economic Surveys, 18(1), 33-77

20.  Richmond, J., 1974. Estimating the efficiency of production. International Economic Review, 15, 2 June, 515-521

21.  Shuttleworth, G., 2003.Firm Specific Productive Efficiency: A Response, The Electricity Journal, Volume 16, Issue 5