Husholdningers betalingsvillighet for å unngå strømbrudd

Rapport 2022/23

Kristin Mjølnerød

Husholdningers betalingsvillighet for å unngå strømbrudd

Kategori	Rapporter
Underkategori(er)	Kraft og energiStatistikk og empirisk analyse
År	2022
Rapportnummer	23
Forfatter(e)	Kristin Mjølnerød
	https://vista-analyse.no/no/publikasjoner/husholdningers-betalingsvillighet-for-a-unnga-strombrudd/
Last ned	file_download (1.6 MB)
Les i nettleser	find_in_page

Rapport 2022/23	 | Masteropp	gave

Husholdningers betalingsvillighet for å unngå strømbrudd
En komparativ empirisk analyse av data fra 2017 og 2021
Kristin Mjølnerød

Husholdningers betalingsvillighet for å unngå strømbrudd

Vista Analyse	 | Rapport 2022/23

Dokumentdetaljer
Tittel	 	Husholdningers betalingsvillighet for å unngå strømbrudd	 – en komparativ analyse
Rapportnummer 	 	Rapport 2022/23
Forfattere	 	Kristin Mjølnerød
ISBN	 	978	-82	-8126	-581	-3
Prosjektleder	 	Orvika Rosnes
Dato for 	ferdigstilling	 	12. mai 2022
Tilgjengelighet	 	Offentlig
Nøkkelord	 	Empirisk analyse, kraft og energi, betalingsvillighet, contingent valuation, forsyningssikker-
het

Om Vista Analyse
Vista Analyse AS er et samfunnsfaglig 	analyseselskap med hovedvekt på økonomisk utredning, evaluering, rådgivning
og forskning. Vi utfører oppdrag med høy faglig kvalitet, uavhengighet og integritet. Våre sentrale temaområder er
klima, energi, samferdsel, næringsutvikling, byutvikling og velfe	rd. Vista Analyse er vinner av Evalueringsprisen 2018.
Våre medarbeidere har meget høy akademisk kompetanse og bred erfaring innenfor konsulentvirksomhet. Ved be-
hov benytter vi et velutviklet nettverk med selskaper og ressurspersoner nasjonalt og internasj	onalt. Selskapet er i
sin helhet eiet av medarbeiderne.

Husholdninger	s b	etalingsvillighet for å unngå
strømbrudd

En 	komparativ 	empirisk analyse av data fra	 2017 o	g 2021

Kristin Mjølnerød

Oppgave for graden
Master i 	samfunnsøkono	misk analyse

Økonomisk institutt
Samfunnsvitenskapelig Fakultet
Universitetet i Oslo

Mai 2022

Forord

Denne masteroppgaven markerer slutten på mine fem år som samfunnsøkonomistudent ved
Universitetet i Oslo.	 Data	materialet	 til denne oppgaven	 ble innsamlet som en del av
prosjektet «Nye KILE	-funksjoner for husholdninger», finansiert av NVE og Statnett, og
forskningsprosjektet «Samfunnsøkonomiske kostnader ved avbrudd i kritisk infrastruktur»,
finansiert av Statnett. Takk for at jeg fikk bruke 	dette datamaterialet	.

Tusen takk til hovedveilederen min, Ragnar Nymoen, som har gjort masterskrivingen til en
utelukkende positiv opplevelse. 	Jeg ønsker også å takke biveilederen min, Orvika Rosnes	 fra
Vista Analyse	, for gode diskusjoner og konstruktive tilbakemeldinger. Det h	ar vært til stor
hjelp.

Takk til mine gode venner og medstudenter for fem fine år sammen på Blindern.	 Grønnrommet
på 	Eilert Sundts hus	 har blitt et andre hjem.	 Spesielt vil jeg takke min gode venninne Martine
Bergh Gundersen for gode samtaler og hjelp med	 alt fra innhold til koding, fra start til slutt	 det
siste semesteret	. Jeg ønsker også å takke min svigersøster Thea og samboeren min Sindre for
hjelp med korrekturlesing og gode innspill.

Bearbeiding av datamaterialet og samtlige analyser er gjort i 	programvaren	 Stata17 og
RStudio. K	ode	r kan oppgis på forespørsel	.

Eventuelle feil og mangler	 i oppgaven	 er utelukkende mitt ansvar.

Sammendrag

Formålet 	med denne oppgaven 	er å sammenligne	 norske	 husholdningers betalingsvillighet for
å unngå 	strømbrudd i 2017 og 2021	. Som datagrunnlag benyttes to ulike spørre	undersøkelser
utført	 i regi	 av 	Vista Analyse	 fra	 de respektive årene. Undersøkelsene ble gjennomført
gjennom betinget verdsetting, hvor respo	ndentene oppga sin betalingsvillighet for å unngå et
strømbruddscenario på 24 timer som starter en tirsdag	 ettermiddag	 i januar.

Resultatene 	av 	den økonometriske 	analysen viser at betalingsvilligheten generelt stiger med
både respondentens inntekt, og hvo	r stor strømregning respondenten hadde året før. Høyere
alder reduserer 	imidlertid	 betalingsvilligheten. Betalingsvilligheten for å unngå det nevnte
strømbruddet var betydelig høyere i 2017 enn i 2021. Mye tyder på at inntekt driver dette
resultatet, og da	 spesielt én inntektsgruppe. Etter å ha kontrollert for ulike
forklaringsvariabler, inkludert den 	nevnte	 inntektsgruppen, er det fortsatt et gap mellom
betalingsvilligheten i de to årene. Ulike sensitivitetsanalyser bekrefter dette resultatet.

Det er opp	siktsvekkende at betalingsvilligheten for å unngå et tilsvarende strømbrudd er
lavere i 2021 enn i 2017. 	Hu	sholdningers kost	na	der og ulemper ved et strømbrudd 	er 	likevel
vanskelig	e å estimere. 	Respondentene fikk 	i de to undersøkelsene 	et relativt likt
verdsettingsspørsmål som omhandlet strømbruddet på 24	 timer	. Ulike formål førte imidlertid
til forskjeller mellom undersøkelsene når det gjelder både scenarioer, utforming av spørsmål,
og kontekst som ble presentert 	overfor respondenten	. Noe av forskjellen kan komme av en
ankereffekt i 2017, hvor respondentenes betalingsvilje har «bygd seg opp» gjennom ulike
verdsettingsspørsmål. 	I undersøkelsen fra 2021 ble det også fremstilt en mer troverdig
betalingsmekanisme som k	an ha senket betalingsvilligheten det året.	 I tillegg var det andre
forskjeller i spørreundersøkelsene og ytre faktorer de ulike årene som kan ha gitt utslag i
respondentenes svar.

Noe av kritikken mot metoden betinget verdsetting, hvor respondenter skal	 verdsette et
hypotetisk scenario	, er at svarene ikke blir virkelighetsnære, og at forskjeller i	 kontekst 	og
ordlyd kan gi store utslag. 	Dette kan føre til at resultater og estimater ikke er direkte
overførbare mellom ulike 	undersøkelser	 og eventuelt mellom land.

Innholdsfortegnelse

Introduksjon	 ................................	................................	................................	................................	.....	 1
 	Metode og litteratur	 ................................	................................	................................	........................	 3
 	Verdsettelse av et unngått strømbrudd	 ................................	................................	..................	 3
 	Betinget verdsetting	 ................................	................................	................................	.................	 5
 	Tidligere studier på verdsetting av strømbrudd	 ................................	................................	......	 6
 	Data	 ................................	................................	................................	................................	..................	 8
 	Datamaterialet	 ................................	................................	................................	.........................	 8
 	Datarensing og 	-tilrettelegging	 ................................	................................	..............................	 11
3.2.1	 	Avvikende atferdsresponser	 ................................	................................	................................	........	 11
3.2.2	 	2017	-datasettet	 ................................	................................	................................	............................	 12
3.2.3	 	2021	-datasettet	 ................................	................................	................................	............................	 15
 	Deskriptiv statistikk	 ................................	................................	................................	................	 17
 	Empirisk metode	 ................................	................................	................................	............................	 19
 	Resultater fra regresjonsanalyse	................................	................................	................................	....	 22
 	Generell modell 2017	 ................................	................................	................................	.............	 22
 	Generell modell 2021	 ................................	................................	................................	.............	 25
 	Forenklet modell 2017 og 2021	 ................................	................................	.............................	 27
 	Regresjonsmodell på det kombinerte datasettet	 ................................	................................	.. 30
 	Regresjonsmodell med interaksjonseffekter på det kombinerte datasettet	 ........................	 31
 	Sensitivitetsanalyser	................................	................................	................................	...............	 33
5.6.1	 	Fjerne høye observasjoner fra 2017	 ................................	................................	............................	 33
5.6.2	 	Opprinnelige (ikke	-justerte) svar	 ................................	................................	................................	. 34
5.6.3	 	Tobit	-modell	 ................................	................................	................................	................................	. 35
 	Diskusjon	 ................................	................................	................................	................................	........	 37
 	Ankereffekt og «coherent arbitrariness»	................................	................................	...............	 37
 	Forskjell i undersøkelsene og ytre faktorer	 ................................	................................	...........	 39
6.2.1	 	Forskjeller i undersøkelsene	 ................................	................................	................................	........	 39
6.2.2	 	Forskjeller i ytre faktorer	 ................................	................................	................................	..............	 41
 	Noen mulige politikkimplikasjoner	 ................................	................................	........................	 41
 	Konklusjon	 ................................	................................	................................	................................	......	 43
 	Bibliografi	 ................................	................................	................................	................................	.......	 45
 	Appendiks	 ................................	................................	................................	................................	.......	 48

Liste over tabeller

Kapittel 	3
Tabell 3	-1 – Deskriptiv statistikk bruttoutvalg 2017 og 2021	 ................................	..................	 17
Tabell 3	-2 – Deskriptiv statistikk nettoutvalg 2017 og 2021	 ................................	....................	 17
Kapittel 	5
Tabell 5	-1 – Regresjonsresultater generell modell 2017	 ................................	.........................	 23
Tabell 5	-2 – F-tester for grupper av forklaringsvariabler i generell modell 2017 («joint
significa	nce»)	 ................................	................................	................................	............................	 25
Tabell 5	-3 – F-tester for grupper av 	forklaringsvariabler i generell modell 2021 («joint
significance»)	 ................................	................................	................................	............................	 27
Tabell 5	-4 – Regresjonsresultater forenklet modell 2017 og 2021	 ................................	..........	 28
Tabell 5	-5 – Forskjeller i koeffisienter fra 2017 til 2021	 ................................	..........................	 29
Tabell 5	-6 – Regresjonsresultater for samlet modell	 ................................	...............................	 30
Tabell 5	-7 – Regresjonsresultater for samlet modell med interaksjonseffekter	 .....................	 32
Appendiks
Tabell 9	-1 – Variabelliste	 ................................	................................	................................	..........	 48
Tabell 9	-2 – Regresjonsresul	tater generell modell 2021	 ................................	.........................	 49
Tabell 9	-3 – F-tester for 	grupper av forklaringsvariabler i forenklet modell 2017 («joint
significance»)	 ................................	................................	................................	............................	 50
Tabell 9	-4 – F-tester for grupper av forklaringsvariabler i forenklet modell 2021 («joint
significance»)	 ................................	................................	................................	............................	 50
Tabell 9	-5 – F-tester for grupper av forklaringsvariabler i forenklet samlet modell («joint
significance»)	 ................................	................................	................................	............................	 50
Tabell 9	-6 – Regresjonsresultater med interaksjonsvariabler på to inntektsgrupper	 .............	 50
Tabell 9	-7 – Regresjonsresultater fra sensitivitetsanalyser	 ................................	.....................	 51

Liste over Figurer

Kapittel 	3
Figur 3	-1 – Utklipp av 	spørreundersøkelsen i 2017	 ................................	................................	... 9
Figur 3	-2 – Utklipp av spørreundersøke	lsen i 2021	 ................................	................................	. 10
Kapittel 	6
Figur 6	-1 – Gjennomsnittlig betalingsvill	ighet for ulike grupper 2017	 ................................	....	 38
Figur 6	-2 – Gjennomsnittlig logaritmisk betalingsvillighet for ulike grupper 2017	 .................	 39

1
 	Introduksjon

I dag er både storsamfunnet og enkeltindividet stadig mer avhengig av utstyr som må ha strøm
for å fungere. Det gjør at vi er svært avhengig av en sikker strømforsyning i Norge.
Klimaeksperter uttaler	 at det kan bli	 mer	 ekstremvær og uvær i årene som kommer	, og v	i vet at
det ofte forårsaker strømbrudd	 (Miljødirektoratet, 2021)	. Samtidig er det forventninger	 i
befolkningen	 om en 	tilgjengelig og 	sikker strømforsyning i Norge	. Eventuelle	 tiltak som skal
forebygge strømbrudd 	blir med det aktualisert, 	og 	kostnaden er det 	strømkundene	 som må ta	.

I denne oppgaven 	ser 	jeg på hva nordmenn er villig til å betale for å unngå et strømbrudd 	på 24
timer som starter en typisk tirsdag	 ettermiddag	 i januar	, og sammenligne	r svarene fra to
spørre	undersøkelser	 fra ulike tidspunkt (2017 og 2021)	 hvor dette er tema	. For å s	tudere	 dette
benytter jeg meg av to datasett 	fra to spørreundersøkelser som ble utført av	 Vista 	Analyse 	i
2017 og 2021.	 Dataen er innhentet ved 	uttrykte prefe	ranser	 gjennom betinget verdsett	ing	.

Det norske forbruket av strøm 	har økt med 5	 % fra 2016 til 2021 	(NVE, 2020)	 (Statnett, 2022)	.
Nettselskapene brukte i gjennomsnitt 1 time og 7 minutter på å få strømmen tilbake til
strømkundene i 2020 ved strømbrudd som hadde varighet på over 3 min 	(NVE, 2021)	. Vi har
med andre ord en veldig sikker strømleveranse i Norg	e, og de færreste har opplevd lengre
avbrudd	. Statens nettregulering sørger for riktig nivå av vedlikehold 	på 	strømnettet, og 	dette
tallfestes ved	 KILE	-satser.

KILE (kvalitetsjusterte inntektsrammer ved ikke levert energi) skal gjenspeile samfunnets
kost	nader ved avbrudd i strømforsyninge	n, og denne ordningen gjør at nettselskapene tar
hensyn til disse kostnadene. Dette skjer ved at nettselskapenes tillatte inntekt reduseres med en
gitt KILE	-sats dersom det oppstår et avbrudd 	(NVE,	 2021)	. KILE skal gjenspeile ulike
kundegruppers betalingsvillighet for å unngå strømbrudd, og kan kvantifiseres gjennom tapte
inntekter. Dette kan på mange måter være enklere å estimere for næringslivet	 ved å se på tapt
produksjo	n. Husholdningers bet	alingsvilje for å unngå strømbrudd 	er vanskelig å kvantifisere
fordi det	 å unngå et strømbrudd	 er et gode som ikke verdsettes i et marked	, og det er mange
ikke	-monetære ulemper	 og kostnader	 forbundet med det	. Ressursene og investeringene som
legges ned i sikker strømforsyning 	skal	 likevel også gjenspeile husholdningenes 	kostnader	.

2
Betinget verdsetting er en 	vanlig	 metode for å finne folk sin 	betalingsvilje for	 ulike goder som
ikke kjøpes og selges i et marked. 	Vista Analyse	 har i samarbeid med Kantar gjennomført	 to
spørreundersøkelser med betinget verdsetting 	(«contingent valuation	» på engelsk)	 for 	å finne
husholdningers betalingsvillighet for å unngå strømbrudd blant den norske befolkningen.
Resultatene fra undersøkelsene ble 	dokumentert i	 Vista Analyse sine rapporter 	Nye KILE	-
funksjoner for husholdninger	 fra 	2017	 hvor de så på strømbrudd 	i hjemmet 	med ulik varighet
og 	Husholdningers kostnader og ulemper ved strømbrudd i og utenfor hjemmet	 fra	 2021	 hvor
de så på strømbrudd 	i hjemmet hvor ulike samfunnsfunksjoner også ble rammet. 	Selv om det
var ulike formål 	med undersøkelsene de to årene var utformingen av spørreundersøkelsene
relativt like, og 	spørsmål om verdsetting av et strømbrudd som varer	 i 24 timer en typisk tirsdag
ettermiddag i	 januar ble stilt i begge undersøkelsene	. Det er dette scenarioet jeg skal
sammenligne for de to årene.

I resultatene mine	 var den gjennomsnittlige betalingsvilligheten blant hele utvalget 	1 084
kroner	 i 2017	, mens det i 2021 var en gjennomsnittlig betalingsvillighet på 	657 	kroner. 	Det er
med andre ord en 	reduksjon	 i betalingsvillighet fra 2017 til 2021	 på 39 %	. I denne oppga	ven
skal jeg prøve å forklare 	hva som driver betalingsvilligheten i de ulike årene, samt den 	store
forskjellen i gjennomsnittlig betalingsvillighet for et nokså likt strømbruddscenario	. Jeg er
spesielt interessert i å undersøke om det er noen sammenheng me	llom betalingsvillighet og
ulike forklaringsvariabler, som 	for eksempel 	inntekt og alder.	 Jeg skal se på hva som kan
forklares 	statistisk 	gjennom regresjonsanalys	e, 	og hva som eventuelt kan forklares 	ved å vise
til forskjeller i spørreundersøkelsene	 og ytre faktorer de ulike årene	.

I k	apittel 2 	vil jeg 	gi en oversikt over tidligere litteratur og 	forskning på 	verdsetting av goder
som ikke handles i et marked. 	Kapittel 3 gir en oversikt over 	datamaterialet	, rensinge	n som er
gjort av dataen og deskriptiv statistikk. Kapittel 4	 er en gjennomgang av den empiriske
metoden. Kapittel 5 	inneholder resultater fra regresjonsanalysen	, og kapittel 6 er en
gjennomgang av 	forskjeller i undersøkelsene og 	ytre faktorer 	de ulike årene	. Kapittel 7
konkluderer oppgaven.

3
 	M	etode	 og litteratur

I dette kapittelet tar jeg for meg ulike metoder 	for 	å verdsette et unngått strømbrudd	, og jeg ser
på 	studier og eksempler hentet fra N	orge og utlandet. 	Det finnes flere ulike metoder 	for 	å
kvantifisere kostnadene og ulempene husholdninger har ved et strømbrudd. 	Tre kjente metoder
er produksjonsfunksjons	metode	n («production	-function	»), hvor man bruker tapt produksjon
eller tid, 	avslørte preferanser (	«revealed preference	») som baseres på de observerte valgene
respondentene har	 tatt	, og 	uttrykte preferanser (	«stated preference»	) som baseres på
undersøkelser hvor respondenter skal oppgi sin	 betalingsvillighet. 	Metoden med uttrykte
preferanser	 blir av mange løftet frem som den beste metoden for å finne betalingsvilligheten
for et teoretisk scenario, og dette gjøres ofte ved en betinget verdsettelsesundersøkelse.

Verdsettelse av et unngått s	trømbrudd

Det er	 en rimelig hypotese at	 husholdningers 	betalingsvilje for å unngå strømbrudd 	gjenspeiler
deres kostnader og ulemper	 ved strømbrudd	. Ettersom dette er et gode som ikke verdsettes i	 et
marked	 er det 	ingen markedspris tilgjengelig for å 	kvantifisere dette.	 Sullivan	 et al. (2018) 	ser
på ulike måter å estimere 	verdien av kunders kostnader ved avbrudd i kraftsystemet («	customer
interruption cost»)	. De 	trekker frem verdier 	kundene oppgir i	 spørre	undersøkelser som en av
de mest nøyaktige	 metod	ene	. Slike undersøkelser 	baserer seg 	ofte på 	uttrykte preferanser	 hvor
respondentene blir 	bedt om å verdsette	/gi et estimat for en 	tjeneste	 eller et gode	 i et teoretisk
scenario.

De aller fleste h	usholdninger har opplevd kortere strømbrudd, og har 	derfor et grunnlag til å
estimere kostnader og ulemper forbundet med avbruddet	 (Sullivan	 et al.	, 2018)	. I tillegg vil
metoder som benytter seg av uttrykte preferanser ta hensyn til alle velferdseffektene ved at den
inkluderer verdier som ikke har en marked	sverdi. Den vil med andre ord inkludere alle ulemper
som ikke er monetære ved at husholdningene for eksempel ikke får sett på tv eller laget den
maten de ønsker. Disse konsekvensene av et strømbrudd har ikke en markedsverdi, men de vil
ha en effekt på hush	oldningenes velferd 	(Carlsson & Martinsson, 2007)	.

4
Metoder som benytter seg av uttrykte preferanser vil være godt egnet til å verdsette goder som
ikke handles i et marked, og spesielt i 	et scenario som dette 	hvor man skal verdsette unngåelse
av et strømbrud	d, hvor det er mange indirekte kostnader	. Betinget	 verdsetting er den vanligste
og mest brukte metoden som benytter seg av uttrykte preferanser, hvor hver respondent blir
bedt om å oppgi deres betalingsvillighet for et gitt scenario gjennom en spørreundersøkelse
(eller hva du er villig til å bli kompenser	t for å gi fra deg noe). En annen metode som benytter
seg av uttrykte preferanser er	 valgeksperiment («discrete choice experiments»), h	vor
respondentene skal velge mellom et gitt sett av alternativer 	(Johnston, et al., 2017)	.

Sullivan	 et al. 	(2018) 	omtaler også	 markedsbaserte metoder	. Avslørte preferanser er et
eksempel på en markedsbasert metode, hvor man benytter seg av de observerte valgene
respondentene gjør eller har gjort	 for å estimere verdien av et gode som ikke handles i et
marked. 	Dette kan	 for eksempel være hvor mye penger den norske befolkningen i gjennomsnitt
bruker 	eller har brukt 	på nødaggregat,	 primus,	 stearinlys, osv	. for å sikre seg mot eventuelle
strømbrudd. 	Som tidligere nevnt er strømleveransene svært sikre i Norge. Det vil gjøre det
mindre sannsynlig at nordmenn gjør denne type innkjøp for å minske risiko ved et eventuelt
strømbrudd.	 Det vil også	 være usikkert hva som er perfekte substitutter til de 	godene 	og
tjenestene man mister 	ved et strømbrudd (og hva som er grunnen til innkjøpet) 	(London
Economics, 2011)	. Det	te, i tillegg til at indirekte kostnader ikke hensyntas, 	fører til at 	metoden
ikke gir tilstrekkelig informasjon om norske forhold.

En annen vanlig brukt metode for å verdsette strømbrudd er	 produksjonfunksjonsmetoden.
Denne metoden benyttes 	ofte for å estimere verdien	 av et strømbrudd	 for 	næringslivet	. For
bedrifter måler metoden	 tapt produksjon, mens for husholdninger måler den tapt tid 	(De Nooij
et al.,	 2007)	. Ettersom det i all hovedsak er fritid husholdningene mister ved et strømbrudd vil
tapt fritid fungere som en indikator for kostnadene 	ved bruk av produksjonsfunksjonsmetoden,
og det er vanlig å estimere den tapte fritiden ved hjelp av husholdningens lønn	 (Shivakumar et
al., 2017)	. Alle fritidsaktiviteter er ikke avhengig av strøm, og det er derfor vanlig å nedjustere
hvor mye husholdningen taper i nytte	 av å miste fritid som følge av strømbrudd	. Denne metoden
vil likevel ofte gi høyere estimater enn andre m	etoder nettopp fordi lønn blir brukt som en
kostnadsindikator	.

5
Denne oppgaven bygger på datasett fra to 	spørreundersøkelser	 som baserer seg på 	uttrykt	e
preferanse	r og som gjennomføres med betinget verdsetting. Jeg velger derfor å fokusere på
betinget verdsetting	, samt utforming av spørreundersøkelsen videre i dette kapittelet.

Betinget verdsetting

Når man bruker b	etinget verdsetting 	benytter man 	spørreundersøkelse	r for å 	få respondentene
til å 	estimere 	verdien på et gode eller en tjeneste	, og det	 vil ofte være hypotetiske scenarioer
eller goder	 respondentene 	blir bedt om å 	verdsette.

Undersøkelser 	basert på betinget verdsetting består ofte av tre svarformater. Det første er et
format hvor respondentene fritt svarer hva deres betalingsvillighet er (ofte kalt 	«open	-ended	»
på engelsk). Det andre formatet går ut på at respondentene skal velge fra en liste	 med mulige
beløp (	«payment	 card	»), og det siste formatet innebærer at respondentene skal godta eller avslå
enkelte beløp (	«dichotomous	-choice	») (Boyle, 2017)	. I spørreundersøkelsene	 fra 2017 og 2021
stilles verdsettelsesspørsmå	let slik at respondentene velger et beløp på en glideskala. Dette
tilsvarer formatet med 	«payment	 card».

En 	av kritikkene	 mot betinget verdsetting av hypotetiske goder 	og/	eller scenarioer er at
respondenter systematisk over	- eller underestimerer sin betalingsvillighet på grunn av at det
ikke er en reell betaling som skal 	gjennomføres	 (eller 	mottas	) (Hanley & Czajkowski, 2020)	.
Dette kalles ofte 	for e	n hypotetisk 	skjevhet	 («hypothetical bias	»). 	Det 	vil derfor være viktig å
utforme undersøkelsen på en måte slik at den avslører respondentenes faktiske
betalingsvillighet. 	Dette går ut på å 	utforme undersøkelsen slik at	 respondentene	 har et insentiv
til å oppgi sin faktiske betalingsvillighet	. Det er viktig	 at respondentene 	har en god forståelse
av hvordan godet skal bli levert/tilbudt	, at spørreundersøkelsen er tydelig på hvordan en
eventuell betaling skulle ha foregått og 	hvordan staten kan pålegge denne betalingen	. I tillegg
er det viktig 	at 	respondentene	 selv tror at deres svar kan være med å påvirke tilbudet av godet
(Carson	 et al.	, 2001)	.

En a	nnen kritikk mot undersøkelsesbaserte metoder er at resultatene vil avhenge a	v hvordan
spørsmålet blir formulert og hvordan undersøkelsen utføres	 (Sanghvi, 1982)	. Det er vanlig at
respondentenes svar er påvirket av 	et anker, eller et referansepunkt. Dette 	kan 	ha flere årsaker	,
og e	ksempler på 	noe	 som kan påvirke respondentenes anker er	 hvordan	 svarformatet på

6
verdsettingen	 er utført	, rekkefølgen av spørsmålene	, og tidligere svar. Dette	 vil	 ha en effekt på
senere svar og omtales som en ankereffekt	. Respondentene kan	 også	 ha endogene anker som
ikke kommer av selve undersøkelsen, 	og som kan påvirke de	m forskjellig 	(Van Exel	 et al.	,
2006)	.

Tidligere studier	 på verdsetting av strømbrudd

Internasjonalt omtales verdien av unngåtte strømbruddbrudd som «Value of lost load» (VoLL),
og det er flere ulike måter å estimere denne verdien på. I det følgende vil jeg gi noen eksempler
på tidligere norske og internasjonale studier av dette fenomenet.

Som tidligere nevnt er det vanlig å benytte seg av spørreundersøkelser for å estimere verdien
av strømbrudd for husholdninger. Slike spørreundersøkelser er gjennomført i flere andre
europeiske land	, se for eksempel 	Reichl	 et al. 	(2013) for Østerrike, 	Pra	ktiknjo	 (2014) for
Tyskland og Baarsma & Hop (2009) for Nederland. 	En studie fra 2017 estimerer VoLL for
husholdninger i 28 EU	-land	, hvor de	 benytter seg av en 	produksjonsfunksjonsmetode
(Shivakumar, et al., 2017)	.

Det har gjennom tidene blitt gjennomført flere studier for å estimere kostnadene
husholdningene 	bærer	 	ved strømbrudd	 	i Norge	. I 2001 ble det gjennomført en
spørreundersøkelse, hvor motivasjonen var å sammenligne svar fra en tilsvarende undersøkelse
fra 199	1, for å teste hypotesen om at strømkundene har større kostnader ved strømbrudd i 2001
kontra 1991 grunnet	 større avhengighet av strøm	. Referansetidspunktet var et strømbrudd en
hverdag i januar	 klokken 16	, og r	esultatene vis	er en relativ økning i kostnade	r per kilowatt	-time
på 67	 % for et	 strømbrudd på 1 	time 	(Kjølle	 et al.	, 2008)	.

I en rapport utarbeidet for Energi Norge AS ble det i 2010 gjennomført en spørreundersøkelse
for å avdekke	 norske	 husholdningers betalingsvillighet for å unngå strømbrudd.	 Betinget
verdsetting	 ble brukt,	 og	 respondentene svarte et fritt beløp (tilsvarende 	«open	-ended	» svar).
Rapporten 	tok for seg	 et strømbrudd som starter en hverdag om vinteren klokken 17 og varer i
24 timer.	 Strømbruddet er ikke varslet	, og d	e finner en gjennomsnittlig betalingsvillighet på
183	 krone	r for scenarioet på 24 timer 	(Pöyry & SINTEF, 2012)	. Dette tilsvarer 230 kroner i
2021	-kroneverdi 	(SSB, 2022)	.

7
I sin studie, så Carlson og Martinsson 	(2007) 	på	 svenske husholdningers betalingsvillighet for
å unngå et strømbrudd på 24 timer som starter klokken 18 en dag i januar. Dette 	ble gjort
gjennom en betinget verdsettelsesundersøkelse, og 	undersøkelsen ble gjennomført i 2004. De
finner	 at den gjennomsnittli	ge betalingsvilligheten for et strømbrudd på 24 timer som ikke er
varslet er 223 svenske kroner. Dette tilsvarer 	274 svenske kroner i 2021	 (SCB, 2022)	, og
konvertert til norske 	kroner med valutakursen for 2021 blir det 	27	5 norsk	e kroner	 (Norges
Bank, u.d.)	.

Det ble også 	gjort	 en oppfølgingsstudie av Carlsson & Martinsson (2007)	 hvor de sammenlignet
svarene	 fra 200	4 med	 en 	tilsvarende verdsettelsesundersøkelse fra	 2017	. Der f	inner	 de en
gjennomsnittlig betalingsvillighet på 	26	5 svenske 	kroner (28	3 norske	 kroner 	i 2021	-priser	) for
et strømbrudd på 12 timer	 (SCB, 2022)	 (Norges Bank, u.d.)	. De en	este strømbruddscenarioene
som 	var	 like i de to undersøkelsene 	som ble sammenlignet 	var	 på	 1 time og 4 timer. 	Begge disse
scenarioene hadde høyere gjennomsnittlig betalingsvillighet i 2017 enn i 2004 (tall fra 2004
inflasjonsjustert til 2017	-tall)	. Betaling	svilligheten steg med henholdsvis 84	 % for strømbrudd
på 1 time og 	86	 % for strømbrudd på 4 timer	 (Carlsson	 et al.	, 2021)

Det generelle bildet man finner av å se på annen tidligere litteratur, spesielt i Norge og Sverige
hvor lignende metoder er brukt	, er at betalingsvilligheten er stigende 	over tid	. Vista Analyse
finner 	derimot i	 sine	 rapporter fra 2017 og 2021 en gjennomsnittlig betalingsvillighet på
henholdsvis 1	 032	 kroner og 678 kroner	 for å unngå et strømbrudd på 24	 timer	. Dersom man
inflasjonsjusterer tallet fra 2017 får man en betalingsvillighet på 1	 135	 kroner 	i 2017 	og 678
kroner	 i 2021	 (SSB, 2022)	. Det var altså lavere betalingsvillighet blant norske husholdninger i
2021 enn det 	var i 2017	 for et strømbrudd i hjemmet på 24 timer 	(Vista Analyse, 2017)	 (Vista
Analyse, 2021)	.

Vista Analyse gjennomførte også en oppfølgingsundersøkelse i etterkant av 2017	-
undersøkelsen. De argum	enterte for at det kan være få respondenter som faktisk har opplevd
lange strømbrudd og valgte derfor å gjennomføre en ny spørreundersøkelse blant respondenter
som har opplevd lange avbrudd i strømforsyningen. 	Disse respondentene vil ha en mer realistisk
oppfatning av hvilke kostnader og ulemper de har ved lange avbrudd. 	Resultatene viser en
gjennomsnittlig betalingsvillighet på 1	 519 kroner (dette tilsvarer 1	 671 kroner 	inflasjonsjustert
til 2021)	 for et strømb	rudd på 24 timer	 (Vista Analyse, 2018a)	. Dette bygger opp under
resultatene om en høy gjennomsnittlig betalingsvillighet i 2017.

8
 	Data

I kapittel 3 tar jeg for meg hvilken informasjon de ulike datasettene inneholder,	 hvilken
estimeringsstrategi som er benyttet,	 samt rensingen og tilretteleggingen av dataen. Jeg luker ut
respondenter på bakgrunn av avvikende atferdsresponser i form av protestsvar, inkonsistente
svar og ekstreme observasjoner.	 Etter 	rensingen	 henter jeg	 ut alle variablene som er like i de
to datasettene og re	-kategoriserer og tilrettelegger 	slik at de blir	 sammenlignbare.

Datamaterialet

Rådatasettet som er benyttet i denne oppgaven består av 	to spørreundersøkelser som ble utført
av Norsk Gallup (Kant	ar) i 2017 og 2021. Undersøkelsene ble gjennomført på vegne av Norges
vassdrags	- og energidirektorat (NVE)	 og Statnett	 i 2017 og Statnett i 2021. Datainnsamlingen
ble gjort gjennom en betinget 	verdsett	elses	undersøkelse	 hvor individene 	oppga	 sin
betalingsv	illighet 	direkte gjennom en spørreundersøkelse.

Spørreundersøkelsen tok omtrent ti minutter å besvare	, og den ble distribuert elektronisk.
Undersøkelsen ble besvart av husholdningene alene (uten intervjuer) og den var strukturert som
følger både i 2017 og i 2021	: Etter innledende spørsmål og velkomst til undersøkelsen fikk
respondentene	 opplysninger som e	r ment å ramme inn spørsmålene	. De ble gjort
oppmerksomme på at samfunnets ressurser er knappe og at disse 	til enhver tid må fordeles
mellom ulike sentrale samfunnsfunksjoner. Det ble også stilt spørsmål som kartla
respondentenes kjennskap til tidligere st	rømbrudd. Videre fikk respondentene spørsmål om
hvilke konsekvenser man kunne se av et eventuelt strømbrudd, samt spørsmål rundt egen
betalingsvillighet for å unngå disse i form av ulike strømbruddscenarioer.	 De ble også informert
om at eventuelle tiltak f	or å sikre strømforsyningen vil øke kostnaden for strømkundene
gjennom økt nettleie (eller andre avgifter). 	Etter å ha besvart alle spørsmål om betalingsvillighet
fikk respondentene mulighet til å kontrollere og endre sine egne oppgitte 	svar	 på
betalingsvi	llighet. Undersøkelsen ble avsluttet med bakgrunnsspørsmål som omhandlet	 ulike
karakteristika ved respondenten.

9
Vista Analyse 	undersøkte i 2017	 husholdningers betalingsvillighet for å unngå strømbrudd av
ulike varigheter og på ulike tidspunkt av døgnet. Undersøkelsen ble gjennomført 	mellom 	april
og mai 2017 og referansetidspunktet 	var	 et strømbrudd en tirsdag i januar klokken 17	, med ulik
varighet.	 Figur 3	-1 viser hvordan det aktuelle verdsettingsspørsmålet (24 timer) ble lagt frem i
undersøkelsen fra 2017.	 Undersøkelsesenheten var husholdninger og det ble trukket et
representativt utv	alg av norske husholdninger	 ved at utvalget var forhåndsstratifisert etter alder,
kjønn og bosted	. Spørreskjemaet ble sendt til 4	 399 husholdninger	 og	 2 029 husholdninger
besvarte hele undersøkelsen	 (Vista Analyse, 2017)	. I kapi	ttel	 3.3 kommer jeg tilbake til
representativiteten etter frafallet av respondenter.

Figur 	3-1 – Utklipp av spørreundersøkelsen i 2017

I en	 annen 	studie 	som ble gjennomført i	 2021 	undersøkte	 Vista Analyse	 husholdningenes
betalingsvillighet for å unngå et stort strømbrudd	. Det ble 	definert som et strømbrudd som varer
i 24 timer og	 som	 rammer kritiske samfunnsfunksjoner. 	Vista Analyse	 (2021)	 spesifisert	e fire

10
kritiske samfunnsfunksjoner: 	1) 	but	ikker og spisesteder, 	2) 	kollektivtransport, 	3) 	elektronisk
kommunikasjon	 og	 4) barnehage, skole og SFO. Undersøkelsen ble gjennomført mellom
februar og april 2021	 og referansetidspunktet 	var	 et strømbrudd som starte	t en hverdag i januar
klokken 15 og var	te ett døgn.	 Figur 3	-2 viser hvordan verdsettingsspørsmålet som omhandlet
et strømbrudd på 24 timer i hjemmet ble lagt frem i 2021. 	 Undersøkelsesenheten var
husholdninger og det ble trukket et representativt utvalg av	 norske husholdninger ved at
utvalget var 	forhåndsstratifisert etter alder, kjønn og bosted. Spørreskjemaet ble sendt til 11	 000
husholdninger og 4	 926 husholdninger besvarte hele undersøkelsen	 (Vista Analyse, 2021)	.

Figur 	3-2 – Utklipp av spørreundersøkelsen i 2021

Datasettet for 2017 inneholder informasjon om hver husholdning	 	sin	 	maksimale
betalingsvillighet for å unngå 	et 	strømbrudd i deres bolig 	med varighet på ett minutt, 	to timer,
seks timer, 24 timer og 72 timer	 som starter klokken 17 en typisk tirsdag i januar. Datasettet for
2021 inneholder informasjon om hver husholdning	 sin	 maksimale betalingsvillighet for 	å unngå
et strømbrudd 	i deres private hjem 	som	 starter klokken	 15 en typisk tirsdag i januar og som
varer i 24 timer, men som 	i tillegg	 rammer ulike kritiske samfunnsfunksjoner. Disse blir 	i sin
tur 	lagt til i scenarioet hvor det allerede er et strømbrudd i hjemmet, 	og 	scenarioe	ne 	ender med
at alle de kritiske samfun	nsfunksjonene er rammet i tillegg til strømbrudd i hjemmet.	 Scenarioet
med et strømbrudd kun i hjemmet, og som varer i 24 timer finnes	 altså	 i begge datasettene, og
benyttes i	 denne oppgaven 	for	 å sammenligne betalingsvilligheten for dette scenarioet fra 2	017
og 2021.

11
Det som i all hovedsak skil	te 	de 	to 	spørreundersøkelsene 	var	 	derfor 	hvilke
strømbruddscenarioer	 husholdningene ble bedt om å	 verdsette	. Dessuten hadde 	respondentene
i de 	to 	undersøkelsene	 ulike alternativer å velge mellom 	på enkelte av spørsmålene, 	både når
det gj	aldt	 verdsetting og 	visse 	andre spørsmål.	 Slike forskjeller har det vært viktig å ta hensyn
til, og så langt som mulig å 	kontrollere for	, slik	 at jeg skulle kunne gjennomføre stat	istisk
analyse av begge datasettene. Videre i dette kapitlet gjør jeg blant annet rede for arbeidet med
datatilrettelegging.

Datarensing og 	-tilrettelegging

3.2.1	 	Avvikende atferdsresponser

Ettersom man med betinget verdsetting må basere seg på hva 	respondentene svarer på ulike
(ofte	 hypotetiske	) scenarioer eller goder, kan man risikere at svarene blir unormale eller
avvikende. Dersom avvikene kommer av at respondentene ikke viser sin faktiske
preferanse/betalingsvilje vil dette bidra til støy i 	data	materialet og gi redusert mulighet for
presis estimering 	(Johnston et al., 2017)	.

Avvikende svar	 kan 	dreie seg om	 blant annet	 protestsvar og ekstreme observasjoner. 	Noen
respondenter vil svare at deres betalingsvillighet er null som en type protest mot s	pørsmålet
eller en annen del av undersøkelsen selv om deres faktiske betalingsvillighet ikke er null. En
måte å korrigere for dette på er å utelate svar som 	anses som	 såkalte protest	-nullsvar. Det er
også vanlig å utelate svar som virker urimelig høye 	(Hausman, 2012)	. Det er viktig å definere
hvordan man både identifiserer og behandler nevnte 	protestsvar, i tillegg til å foreta en
sensitivitetsanalyse som skal undersøke hvor robuste resultatene er for endringer i 	forskjellige
faktorer. Johns	ton nevner i sin artikkel om studier som benytter seg av uttrykte preferanser, at
slike spørreundersøkelser bør inneholde oppfølgingsspørsmål for å identifisere protestsvar
(Johnston et al., 2017)	.

Hausman	 (2012)	 nevner også v	iktigheten av å anvende den samme datarensingen på begge
datasett når det skal foretas sammenlignende undersøkelser med betinget verdsetting	.

12
3.2.2	 	2017	-datasettet

For at 	svaralternativer i nominelle kroner 	fra 2017 skal være sammenlignbare med
svaralternativene	 fra 2021 må 	tall 	fra 2017 inflasjonsjusteres	. Alle s	var	 som er oppgitt i
nominel	le 	krone	beløp	 er derfor blitt 	multipliser	t med 1	,1, som er forholdstallet mellom den
offisielle konsumprisindeksen (KPI) i 2021 og 20	17	 (SSB, 2022)	.

I spørreundersøkelsen fra 2017 ble det spurt om hva det 	var 	verdt for husholdningen å unngå
kostnadene og ulempene ved et gitt scenario. Fordi respondentene måtte velge mellom
forhåndsdefinerte	 svaralternat	iver	 så k	an 	den sanne betalingsvilligheten 	ligge	 mellom
alternativene	 og betalingsvilligheten kan derfor være 	høyere 	(eller lavere) 	enn det beløpet som
ble valgt. For eksempel kan det hende at husholdningen har en maksimal betalingsvillighet på
250 kr for et gitt scenario (mellom alternativene på 200kr og 300kr). Siden 300kr er over den
maksimale betalingsvillighe	ten har respondenten vært nødt til å velge alternativet med 200kr
selv om den faktiske betalingsvilligheten egentlig er høyere. Det beløpet som	 faktisk	 ble valgt
ble av Vista	 Analyse (2017)	 definer	t som nedre grense og neste beløp på skalaen 	ble 	definer	t
som øvre grense	, og 	de	 valgte 	en estimeringsstrategi	 hvor de brukte nedre og øvre grense 	for	 å
lag	e et gjennomsnitt. Dette er det estimatet som ble brukt i rapporten både i 2017 og 2021 og
jeg 	har valgt å benytte 	meg av samme type midtpunktestimering. 	Det finnes en	 mulighet 	for	 at
respondenten har valgt det beløpet som lå nærmest eller som føl	tes	 nærmes	t deres sanne
maksimale betalingsvillighet og at de derfor v	algte	 alternativet med 300 kr selv om den sanne
betalingsvilligheten var 250 kr. I så fall vil denne typen estimering gi tall som er lengre unna
den sanne betalingsvilligheten. Jeg velger likevel 	å benytte meg av samme type
estimering	sstrategi	 som det Vista Analyse	 (2017)	 har gjort fordi respondenten blir bedt om å
oppgi sin maksimale betalingsvillighet, og da skal de i teorien ikke oppgi noe om er høyere enn
den sanne betalingsvilligheten. 	Dersom 	respondenten	 oppg	a null som betalingsvillighet blir
dette	 stående som null.

5 respondenter	 ble utelatt av Vista	 Analyse (2017)	 grunnet ulike kommentarer i undersøkelsen
som avslør	te at 	husholdningene	 tok hensyn til tapte næringsinntekter i sin verdsetting	 (dette
gjelder ikke 	tapte inntekter og betalingsvillighet for 	husholdningen).	 Disse 	respondentene 	har
jeg o	gså fjernet 	fra 	mitt datasett.

13
Respondentene som oppg	a inkonsistente svar 	blir også tatt ut av datasettet	. Dersom
husholdningen 	ha	r lavere 	betalingsvillighet for et scenario med høyere alvorlighetsgrad enn et
scenario med lavere alvorlighetsgrad bl	ir dette regnet som et inkonsistent svar. Høyere
alvorlighetsgrad bl	ir her regnet som lengre strømbrudd, i tillegg til at uvarslet strømbrudd ha	r
høyere alvorlighetsgrad enn varslet. 	Vista Analyse (2017) luker ut inkonsistente svar etter det
samme prinsippet.

Ettersom formålet er å sammenligne betalingsvilligheten for 	et scenario	 med 24 timers
strømbrudd velger 	jeg å	 kun å beholde scenarioet som gjelder 	et strømbrudd på 24 timer som
starter 	klokken 17 en tirsdag i januar. Jeg velger å ekskludere mange respondenter fra det fulle
datasettet på bakgrunn 	av 	inkonsistente svar før jeg selv går videre til det endelige datas	ettet
som kun inneholder 	det nevnte scenarioet	. Dette betyr at flere respondenter blir utelatt fra det
endelige datasettet 	på grunn av	 inkonsistente svar 	relatert til	 andre scenarioer enn det jeg skal
fokusere på. 	Jeg velger å utelate disse fordi jeg anser	 hele besvarelsen som upålitelig	 grunnet
oppfylte ekskluderingskriterier	 basert på inkonsistente svar	, uavhengig av hvilken del av
undersøkelsen de oppstår i.

I spørreundersøkelsen fra 2017 fikk husholdningene et oppfølgingsspørsmål mot slutten av
undersøkelsen dersom de svarte null på et	t eller flere scenarioer på strømbrudd 	som varte over
6 timer. Her ble de spurt om grunnen til at de oppga null. Dersom de oppga	 et av alternativene
Det er 	nettselskapenes	 ansvar å sikre at disse tjenestene fungerer	, Det var for vanskelig å
komme frem til et beløp	, Ingen av utsagnene passer helt eller delvis	, Vet ikke	 eller ikke svart	e
på oppfølgingsspørsmålet bl	ir svaret regnet som et såkalt protestsvar. Dersom de svarte at
grunnen var at 	Husholdningen klarer seg uten strøm	 i denne perioden	 eller at 	Husholdningen
har ikke råd til å betale dette	 blir det regnet som reelle nullsvar	. Jeg velger å definere protest	-
null	svar som de husholdningene som har svart null på scenarioet med 24 timer og som i tillegg
har protestsvar i begrunnelsen. Alle respondenter som har	 slike	 protest	-nullsvar blir utelatt.
Hvilke svar	 på 	oppfølgingsspørsmålet	 som regnes som protestsvar er de s	amme som i Vista
Analyse (2017)	.

En	 metode	 som tidligere er brukt	 for å luke ut ekstreme observasjoner er å fjerne observasjoner
hvor betalingsvilligheten er mer enn 2	 % av husholdningens inntekt. Se for eksempel 	Veisten
et al.,	 (2004). Jeg 	velger den samme grensen for ekstreme observasjoner for å fjerne
respondentene 	med unaturlig høy betalingsvillighet	.

14
For å gjøre datasettet for 2017 sammenlignbart med 2021 	har jeg 	endret	 kategoriseringen av
svarene på enkelte 	spørsmål	1. For eksempel var b	oligstørrelse 	ulikt k	ategorisert i 	de to
undersøkelsene.	 I 2017	-undersøkelsen er det f	lere	, og dermed mer presise kategorier 	enn i 2021.
I tillegg er det en skrivefeil i undersøkelsen fra 2021 som gjør at noen kategorier må slås
sammen. 	Jeg 	lager	 nye kategorier som er felles for 2017 og 2021 slik at de	 blir sammen	lignbare.

På spørsmål om man har opplevd strømbrudd 	er de eneste alternativene i 2021	 Ja	, Nei	 og 	Vet
ikke	, men	s man i 2017 hadde mulighet til å svare hvor mange strømbrudd det var (	én til to	, tre
til fire	, over fire ganger	 og 	vet ikke	). O	gså på spørsmål om type bolig finnes det et ekstra
svaralternativ (	vet ikke	) i 2017. 	Svarene her re	-kategoriseres 	slik at de havner i de samme
kategoriene som er fremstilt i undersøkelsen fra 2021.	 Det betyr at alle svar som innebærer et
strømbrudd i 2017 kat	egoriseres som 	ja på om de har opplevd strømbrudd	, mens
svaralternativet 	vet ikke	 i boligtype kategoriseres som 	annet	.

Det er også flere svaralternativer når det kommer til husholdningens samlede bruttoinntekt i
2017	-undersøkelsen	, og disse	 tilsvarer ikke	 alternativene fra 2021 når tallene er justert for
inflasjon. 	Husholdningene oppga bruttoinntekt som lå i et intervall (for eksempel 200	 001	-
400	 000	 kr) og det ble derfor konstruert variabler for inntekt av Vista Analyse	 (2017)	 som er et
gjennomsnitt av den høyeste og laveste inntekten i intervallet.	 Dersom 	respondenten ikke har
oppgitt inntekt bl	ir denne	 variabelen erstattet av gjennomsnittsinntekten i datasettet.	 Jeg
benytter meg av tilsvarende inntektsvariabler,	 	inflasjonsjus	terer 	de, 	og lager nye
inntektsintervaller de kan plasseres inn i.	 Det blir 	én kategori mindre	 enn det opprinnelig var i
2021	-undersøkelsen slik at ingen inntekter fra 2017 faller mellom kategoriene.	 Eksempelvis så
var det i 2017 en inntektskategori på 	1 200	 001 	– 1 400	 000	 og i 2021 var de to nærliggende
kategoriene på 	800	 001 	– 1 300	 000	 og 	1 300	 001 	– 1 600	 000	. For at den inflasjonsjusterte
inntektskategorien fra 2017 skal falle innenfor samme kategorier som fra 2021 må noen
kategorier altså slås sam	men.

På spørsmål	et om hva husholdnin	gens	 samlede strømregning var i fjor 	fikk 	respondentene	 også
muligheten til å velge mellom gitte intervaller. Her l	ager jeg tilsvarende 	«midpoints	» (et
gjennomsnitt mellom minste og største tall i svarintervallet) 	som 	jeg inflasjonsjusterer. Deretter
lager jeg egne felles 	intervaller 	som svarene 	kan sorteres inn i	 slik at også disse blir
 	1 Se tabell 9	-1 i appendiks for fullstendig variabelliste.

15
sammenlignbare med tilsvarende tall for 2021. 	Høyere utdanning må også re	-kategoriseres for
å være sammenlignbart med datasettet for 2	021. Til slutt lager jeg nye kategorier for fylke slik
at fylkene fra 2017 samsvarer med den nye fylkes	sammenslåingen.

Kategoriene respondentene kunne velge mellom når det gjelder betalingsvillighet er også
forskjellig i de ulike datasettene. Her 	velger	 jeg	 å ikke lage nye, færre kategorier 	for å gjøre de
like med 2021	, men beholder 	de inflasjonsjusterte midtpunkt	estimaten	e slik de er	. Dette er fordi
betalingsvillighet er den avhengige variabelen i de videre analysene og jeg ønsker å 	beholde
alle svaralternativ slik at den kan tolkes som	 kontinuerlig	. For å gjøre datasettet klart for videre
analyse fjerner jeg også alle res	pondenter som ikke har oppgitt et svar på betalingsvillighet.	 Det
endelige datasettet 	for 2017 	inneholder svar fra 1	 515 respondenter.

3.2.3	 	2021	-datasettet

I spørreundersøkelsen f	ra 2021 	ble husholdningene spurt om hvilket beløp som var det høyeste
de var	 villig	e til å betale for å unngå utgiftene og ulempene ved et gitt scenario	, og i likhet med
2017 brukes samme type midtpunktestimering for å lage et estimat for betalingsvilligheten.

Individene 	anga	 også i 2021	 brutto	inntekt som l	å i et intervall (	for e	ksempel	 200	 001	 – 400
000	) og det 	blir 	derfor konstruert 	variabler for inntekt som er et gjennomsnitt av den høyeste
og laveste inntekten i intervallet	. Jeg velger 	å bruke gjennomsnittsinntekten	 blant alle
respondenter i hele undersøkelsen	 dersom spørsmålet om inntekt ikke er besvart	 (slik det også
ble gjort 	i datasettet for 2017	).

De respondentene som 	oppga 	inkonsistente svar 	blir ekskluder	t fra den videre undersøkelsen	.
Et svar med	 lavere betalingsvillighet for et scenario med høyere alvorlighetsgrad enn et scenario
med lavere alvorlighetsgrad 	blir regnet	 som et inkonsistent svar	. Her 	blir høyere
alvorlighetsgrad 	regnet 	som scenarioer 	hvor	 flere kritiske samfunnsfunksjoner	 ble ramme	t, og
Vista Analyse (2021) luker ut inkonsistente svar etter det samme prinsippet.

I denne oppgaven er formålet å sammenligne betalingsvilligheten for scenarioet med 24 timers
strømbrudd for 2017 og 2021 og jeg velger 	derfor 	å bare	 beholde scenarioet 	for	 et strømbrudd
i hjemmet 	(24 timer) 	i mitt	 endelige datasett	 for 2021	. Også her 	blir	 flere respondenter

16
ekskludert fra det endelige datasettet 	som følge	 inkonsistente svar 	i øvrige	 scenarioer	, da hele
besvarelsen anses å være ugyldig i henhold til eksklude	ringskriterier nevnt i kapittel 3.2.2.

I spørreundersøkelsen fra 2021 var det et oppfølgingsspørsmål etter hvert scenario 	som måtte
besvares dersom	 respondentene	 oppga	 null	 i betalingsvillighet	. Her bl	e husholdningene 	spurt
om grunnen til at de oppga null. 	Jeg fjerner protest	-nullsvar på samme måte som i datasettet fra
2017, hvor de 	respondentene 	med null i betalingsvillighet og protestsvar	 	på
oppfølgingsspørsmålet	 fjernes.	 Åtte respondenter har 	oppgitt	 en positiv betal	ingsvillighet, men
har også	 svar	t på oppfølgingsspørsmålet. Dette kommer av at respondentene hadde mulighet til
å endre på betalingsvillighetene senere i undersøkelsen. De åtte respondentene som har fått
oppfølgingsspørsmål til tross for positiv betalingsv	illighet er derfor respondenter som har
oppgitt null i betalingsvillighet når spørsmålet først stilles (og dermed fått
oppfølgingsspørsmål), men som senere har endret svaret sitt til en positiv betalingsvillighet	2.
Disse	 svarene	 regner jeg ikke	 som protes	t-nullsvar uansett hva de opprinnelig oppga som grunn
i oppfølgingsspørsmålet.	 I datasettet fra 2021 ekskluderer jeg også	 respondenter som har oppgitt
svært høye betalingsvilligheter	, og jeg velger 	i likhet med 2017	-kriter	iene	 en	 grense på 2	 % av
husholdningens inntekt.

Noen av svaralternativene i 2021 må 	også 	re-kategoriseres for å være sammenlignbar	e med
data fra 2017. Spørsmål om inntekt, hvor stor strømregning husholdningen hadde i fjor og
høyeste fullførte utdanning re	-kategoriseres på 	samme måte som for 2017 slik at
svarkategoriene er de samme. 	Dette innebærer at 23 respondenter kodes om til manglende verdi
på utdanning ettersom de svarte 	vet ikke	 på dette spørsmålet, og den kategorien ikke finnes i
2017	-undersøkelsen.	 Etter dette er alle de uavhengige variablene sammenlignbare 	i og med at
de 	er kategorisert likt	 i 2017	- og 2021	-datasettet	. 3

Også	 i datasettet for 2021	 beholdes 	midtpunktestimatene	 for betalingsvillighet slik de er 	for at
den avhengige variabelen skal kunne tolkes som kontinuerlig. 	De respondentene som ikke har
svart på spørsmålet om betalingsvillighet fjernes og det endelige datasettet er på 2	 115
respondenter	 (2 092 respondenter har verdier i alle kategoriene)	.

2 I den videre analysen er de justerte tallene benyttet.	 	3 Se tabell 9	-1 i appendiks for detaljert variabelliste.

17
 	Deskriptiv	 statistikk

Tabell 	3-1 – Deskriptiv statistikk bruttoutvalg 2017 og 2021

Tabell 3	-1 inneholder den	 deskriptive statistikken fra	 bruttoutvalge	ne	. Den 	viser 	at
respondentene 	generelt har et høyere utdanningsnivå enn den faktiske befolkningen 	(SSB,
2021)	. Det viktigste i konteksten av denne oppgaven er likevel hvor sammenlignbare de to
utvalgene er. De 	to bruttoutvalgene er relativt like på de deskriptive variablene jeg har valgt å
se på. Det er et litt	 høyere utdanningsnivå i 2021 enn i 2017	 i tillegg til at det er litt flere menn
relativt til kvinner i 2017.	 Den gjennomsnittlige betalingsvilligheten er	 høyere i 2017 enn i
2021. 	Bruttoutvalget i 2017	 består	 av færre respondenter enn i 2021.

Tabell 	3-2 – Deskriptiv statistikk	 nettoutvalg	 2017 og 2021

Tabell 3	-2 inneholder den deskriptive 	statistikken fra nettoutvalge	ne	. 	I 2017 var
gjennomsnittsinntekten til husholdningene i det endelige datasettet	 (nettoutvalget)	 909	 329
kroner	. Respondentene 	var 	i gjennomsnitt 51 år gamle og 55	 % var 	menn. 	58	 % 	har tatt høyere
utdanning (	ett	 år eller mer	) og 81	 %	 av respondentene har opplevd strømbrudd.	 Selv om
majoriteten av respondentene har opplevd strømbrudd	, viser statistikken som nevnt i kapittel 1,
at de færreste har opplevd lange strømbrudd.	 Den gjennomsnittlige 	betalingsvilligheten for å

18
unngå et 	strømbrudd i hjemmet som startet klokken 17 en hverdag i januar og som varte i 24
timer var 1	 098 kroner i 2017.	 Som nevnt ovenfor er alle kronebeløp justert for prisstigning.

Gjennomsnittsinntekten til husholdningene i det endelige datasettet 	(nettoutval	get)	 i 2021	 var
877	 793 kroner. Respondentene var i gjennomsnitt 49 år gamle og 52	 % var menn. 	66	 % 	har
tatt høyere utdanning (	ett	 år eller mer	) og 82	 % av respondentene har opplevd et strømbrudd.
Den gjennomsnittlige 	betalingsvilligheten for å unngå et strømbrudd i hjemmet som startet
klokken 17 en hverdag i januar og som varte i 24 timer var 673 kroner i 2021	4.

De ulike deskriptive 	målene	 synes ikke å ha endret seg i 	særlig	 grad	 fra brutto	- til nettoutvalg	.
Den gjen	nomsnittlige betalingsvilligheten er relativt lik, i tillegg til at de ulike karakteristikkene
er likt fordelt. Den største forskjellen mellom brutto	- og nettoutvalget synes å være andelen
med høyere utdanning i 2021	, i tillegg til at 	relativt 	flere respondenter er utelatt fra
bruttoutvalget i 2021.

Den største forskjellen 	mellom	 de to	 nettoutvalgene 	er hvor stor andel som har høyere
utdanning, mens de resterende karakteristikkene synes å være relativt like. Det er en stor
forskjell når det ko	mmer til den gjennomsnittlige 	betalingsvilligheten, hvor betalingsvilligheten
i 2021 er 39	 % lavere enn i 2017. 	Inntekten brukt i den deskriptive statistikken er
inntektsvariab	elen	 som 	ble	 konstruert ved bruk av de svarene respondentene oppga i
undersøkels	en (et gjennomsnitt av det høyeste og laveste beløpet i intervallet)	 for 2017 og
inntektsdata Kantar hadde på respondentene 	for	 2021	5. Senere i analysen benytter jeg de nye
inntektskategoriene	 	som begge er konstruert ved hjelp av inntektsvariablene fra
sp	ørreundersøkelsen	6. Det er spesielt én inntektskategori som skiller seg ut, nemlig kategorien
850	 000 	– 1 700	 000	. Denne kategorien er relativt stor som 	en 	konsekvens 	av re	-
kategoriseringen, og nærmere 49	 % av alle respondentene havner innenfor denne
inntektskategorien både i 2017 og i 2021. 	Også for de resterende inntektskategoriene er
respondentene relativt likt fordelt i begge år.

4 Vista Analyse (2017) finner en gjennomsnittlig betalingsvillighet på 1	 032 krone	r (1	 135 kroner i 2021	-priser),
og Vista Analyse (2021) finner en gjennomsnittlig betalingsvillighet på 678 kroner. Forskjellen mellom disse
estimatene og mine estimater kommer av ulik rensing av data.	 	5 Ulikt	 datagrunnlag 	for	 inntekt i deskriptiv statisti	kk kommer av mer detaljert informasjon om respondentenes
inntekt i undersøkelsen fra 2017 i forhold til 2021.	 	6 Se tabell 9	-1 i appendiks for oversikt over de ulike kategoriene.

19
Samlet sett er det grunn til å tro at arbeidet med å	 rense og tilretteleg	ge data	materialet (kapittel
3.2) har 	hevet kvaliteten og sammenlignbarheten mellom de to datasettene. 	Samtidig har jeg
ikke grunn til å tro at dette har gått på bekostning av representativiteten.
 	Empirisk metode

Jeg starter med en lineær 	regresjon	 der det benyttes	 robuste standardfeil	 (for å dekke opp for
ukjente former for heteroskedastisitet	) hvor betalingsvillighet er den avhengige variabelen	 og
de uavhengige variablene er alder, inntekt, boligareal, boligtype, kjønn, opplevd strømbrudd,
utdanning, 	strøm	regning i fjor og fylke. 	Ettersom flere av forklaringsvariablene er kategoriske
må hver av 	variablene innad i en kategori	 ha en egen dummy. 	De	rsom	 det er k 	variabler 	lager
man k	-1 dummyer for å unngå	 en dummyvariabel	felle («	dummy variable 	trap	»),	 som er et
tilfelle av 	perfekt multikol	linearitet. 	Respondentene fikk såpass mange alternativer å velge
mellom da de skulle angi sin maksimale betalings	villighet 	at variabelen for betalingsvillighet
kan 	betraktes 	som 	en 	kontinuerlig	 variabel	.

Modelligningen	 er på følgende	 forenklede	 form:

�������=	 ������0+	 ������1������1�+	 ������2�������+	 �� (1)

For enkelthets skyld	 antar	 jeg	 her at man har en 	lineær 	regresjon med konstantledd 	og 	to
forklaringsvariabler hvor en er binær og den andre er kontinuerlig	, samt et restledd	 ��. ������� er
betalingsvillighet,	 ������� er alder, og den binære variabelen 	������1� er en dummy	 som tar verdien 1
eller 0	.

Regresjonsmodell	en	 består av 	(1) og 	følgende forutsetninger	 (Bårdsen & Nymoen, 2011)	:
a. E(	��) = 0, 	∀ i
b. Var(	��) = 	σ2 , ∀ i
c. Kov(	�� , ��) = 0, 	∀ i ≠ j
d. 	������0, ������1, ������2, og 	σ2 er konstante parametere.

20
Fordi modelligningen inneholder en stokastisk høyresidevariabel gjelder a.	-c. betinget på
aldersvariabelen.

e. 	�� ∼ N(0, 	σ2 ), i = 1, 2, . . . , n.

Tolkningen av 	������1 vil i dette tilfellet være gjennomsnittseffekten på forventet betalingsvillighet
av å ha 	������1�=	1 sammenlignet med de som har referanseverdien 	������1�=	0 når alder holdes
konstant. Dersom modellen estimeres med minste kvadraters metode (MKM) vil estimatet på
������1 generelt være influert av korrelasjonen mellom dummyvariabelen og den kontinuerlige
høyresidevariabelen. Estimatet på 	������1 vil derfor 	vise differansen i forventet betalingsvillighet,
justert for alder, mellom de som har 	������1�=	1 og de som har referanseve	rdien 	������1�=	0. I det
spesielle tilfellet der 	(den empiriske) korrelasjonen mellom D og A er null vil MKM estimatet
på 	������1 være lik differansen mellom de aritmetiske gjennomsnittene for betalingsvillighet	.
Tolkningen av dummykoeffisientene 	(og MKM	 estimatene av dem) 	vil være tilsvarende når det
er 	flere 	dummyvariabler	 (f.eks.	 for 	en	 kat	egorisk vari	abe	l med mange alternativer)	, og	 mer enn
én kontinuerlig	 variabel	.

Dersom vi utvider modellen til å 	inkludere	 to 	dummyvariabler	 blir modelligningen	:

�������=	 ������0+	 ������1������1�+	 ������2������2�+	 ������3�������+	 �� (2)

Det er to tolkninger av å ha to dummyer. 	Den ene tolkningen er at man har en kvalitativ variabel
som er brutt opp i tre kategorier. Vi vil da ha 	en	 referansekategori og to andre kategorier som
er representert ved 	������1� og 	������2�. I denne tolkningen vil kate	goriene være gjensidig 	utelukkende,
og de additive dummy	variablene	 er dermed tilfredsstillende. 	Den andre tolkningen er at vi har
to kategoriske variabler og at hver av dem er binære. I denne tolkningen er ikke kategoriene
gjensidig utelukkende (eksempelvi	s kjønn og høyere utdanning) og da forutsetter den additive
spesifikasjonen at det ikke 	gjør seg gjeldene	 noen interaksjonseffekter.

21
En mulighet 	som er relevant for	 min analyse	 er dermed	 at man har en	 eller flere
interaksjon	seffekt	er mellom noen av de uavhengige variablene	, ettersom modellen som skal
analyseres inneholder flere kategoriske variabler	. Dette medfører at effekten på den avhengige
variabelen (Y)	, av en endring i en av de uavhengige variablene	, avhenger av verdien på en
annen uavhengig variabel.	 En begrensning ved å ikke ha med interaksjonsvariabler som fanger
opp disse effektene, 	vil være	 at effekten på den avhengige variabelen av en av dummyene	 vil
være lik uansett hvilken verdi/d	ummy	 du har p	å de andre	 variablene	 (Stock & Watson, 2003)	.

Tolkningen av koeffisientene	 i ligning (2)	 vil være litt ulik avhengig av om det er en kvalitativ
variabel med tre kategorier eller om det er to binære variabler. Dersom det er den første
tolkningen med tre kategorier vil tolkningen av koeffisientene være at eksempelvis 	������1, viser
gjennomsnittseff	ekten av å ha 	������1�=	1 sammenlignet med de som har referanseverdien
������1�=	0 (og dermed også 	������2� = ettersom de er gjensidig utelukkende) når alt annet holdes
konstant (justert for de andre variablene). Dersom det er den andre tolkningen med to binære
va	riabler vil tolkningen av koeffisientene være 	den samme	 som i (1), hvor alle andre variabler
er holdt konstante.

Alle de uavhengige variablene bortsett fra alder er kategoriske variabler. 	Referanseverdien	 til
de ulike dummyene 	i de kategoriske variablene 	er som følger:
- Inntekt: 100	 000 	– 150	 000
- Boligareal: Under 30 m2
- Boligtype: Enebolig
- Kjønn: Kvinne
- Opp	levd strømbrudd: Ja
- Utdanning: Grunnskole
- Regning i fjor: 5	 000 	– 5 500
- Fylke: Oslo

Det er et stort antall observasjoner i både datasettet for 2017 og for 2021. Det 	er derfor	 mulig å
estimere en stor modell først, hvor alle de nevn	te forklaringsvari	ablene er inkludert. Det vil
videre være av interesse å teste om det er noen (grupper av) dummyer som skiller seg ut som
mer signifikante enn de andre. Dette vil lede til modeller som er mindre, og gyldige forenklinger
av den første store modellen.

22
 	Resultater 	fra	 regresjonsanalyse

Kapittel 5 inneholder resultatene fra regresjonsanalysen. Jeg starter med en generell modell
hvor alle forklaringsvariablene er inkludert for både 2017 og 2021. For å finne 	hvilke	 gruppe	r
av	 variabler som er statistisk si	gnifikant	e gjennomfører jeg F	-tester på de ulike gruppene. Jeg
velger å lage forenklede modeller for både 2017 og 2021 av de generelle modellene ved å
benytte meg av de 	gruppene som er 	statistisk signifikant	e. Her sammenligner jeg resultatene
fra de 	to for	enklede modellene for å finne de forklaringsvariablene som gir størst utslag.
Deretter kombinerer jeg datasettene til en samlet modell slik at jeg kan se 	på 	forskjellen i
betalingsvillighet de ulike årene. 	Jeg velger også	 å inkludere de variablene som g	ir størst uts	lag
mellom 2017 og 2021 som egne forklaringsvariabler i interaksjon med år for å prøve å
kontrollere bort noe av forskjellen i betalingsvillighet. 	Avslutningsvis gjennomfører jeg flere
sensitivitetsanalyser for å 	undersøke hvor robuste resultaten	e er for endringer i 	ulike	 faktorer	.

Generell	 modell 2017

Tabell 5	-1 inneholder regresjonsresultatene fra den generelle modellen for 2017, hvor alle
forklaringsvariablene er inkludert. Selv om den viser at det er få signifikante variabler, er det
likevel flere resultater det er verdt å legge merke til. Koeffisien	ten for 	alder	 er negativ og
signifikant, noe som vil si at betalingsvilligheten blir lavere med alderen. Alle
dummykoeffisientene for inntekt er positive	, bortsett	 fra kategorien med inntekt over 2 000 000.
Den har et negativt fortegn, 	men ved å benytte de	n oppgitte standardfeilen ser man at denne
variabelen har en t	-verdi som er svært nært null og er derfor insignifikant	. Man ser også
tendenser til stigende betalingsvillighet jo høyere inntekt respondentene har, og de fleste
koeffisientene er signifikante.	 For eksempel så har de med 850 000 	– 1 700 000 kroner i inntekt
i gjennomsnitt cirka 581 kroner høyere betalingsvillighet enn de med referanseinntekt på
100	 000 	– 150	 000 kroner når alt annet holdes konstant.

Tabell 	5-1 – Regresjonsresultater generell modell 2017

24
Alle dummyene for boligareal er også positive sammenlignet med referanseverdien,	 og av de
koeffisientene som er signifikante	 så	 stiger betalingsvilligheten med boligstørrelsen	.
Betalingsvilligheten ser ut til å være positiv sammenlignet med referanseverdien når det
kommer	 til boligtype, og den er stigende i det som 	generelt	 er mindre 	boliger (leilighet er
generelt	 mindre enn rekkehus som er mindre enn tomannsbolig og enebolig). Likevel er det kun
én av dummyene som er signifikante når det kommer til boligtype. Menn har ifølge
regresjonsresultatene litt høyere betalingsvillighet enn kvi	nner, men dette er marginalt og ikke
et signifikant resultat. Begge dummyene for 	hvorvidt 	respondenten har opplevd strømbrudd er
negative. Dette er et plausibelt resultat	 ved at de som ikke har opplevd strømbrudd eller ikke
vet	, har en lavere betalingsvill	ighet sammenlignet med de som har opplevd strømbrudd, 	men
koeffisientene er ikke statistisk signifikante.

Utdanningsresultatene viser ikke tegn til et klart mønster og ingen av koeffisientene er
signifikante. Det er en stigende betalingsvilje avhengig av hvor stor strømregning
husholdningen hadde i fjor, sett bort ifra dersom husholdningen hadde over 40 000 kr	oner i
strømregning året før. Denne dummyen, i tillegg til dummyen 	vet ikke	 er også de eneste
koeffisientene som ikke er	 statistisk	 signifikante i denne kategorien. Alle fylkene har negative
fortegn sammenlignet med Oslo, bortsett fra Nordland og Troms og 	Finnmark, som er de
nordligste fylkene. Dette virker plausibelt da det generelt er mer ekstremvær	 i nord
sammenlignet med Oslo	, men ingen av koeffisientene i denne kategorien er signifikante.

Resultatene fra de lineære regresjonene viser dermed 	at 	kun 	et mindretall	 av koeffisientene er
statistisk 	signifikante	 når vi betrakter dem én og én, og d	eterminasjonskoeffisienten R	2 på 0,041
viser at svært lite av variasjonen i betalingsvillighet blir forklart av forklaringsvariablene som
er inkludert i 	modellen.	 Det er altså en korrelasjon mellom forklaringsvariablene og den
avhengige variabelen (betalingsvillighet), men modellen forklarer ikke mye av variasjonen i
dataen.	 For å 	undersøke om noen av	 gruppene	 med uavhengige variabler 	er signifikante	 samle	t
sett	 gjennomfører jeg en variansanalyse som viser statistiske F	-tester. F	-testen er på følgende
form:

������	=	 ��	�������−	��	�������
��	�������
 × �−	�−	1
�	 ~ ������(�,�−	�−	1)

25
Tabell 	5-2 – F-tester for grupper av 	forklaringsvariabler i	 generell	 modell 2017	 («joint significance»)

Tabell 	5-2 viser resultatene fra F	-testene. Den inneholder	 antall frihetsgrader, F	-verdien og
tilhørende p	-verdi (Prob>F). 	Den inneholder også antall respondenter i utvalget og
determina	sjonskoeffisienten	 fra den generelle modellen	. Resultatene	 fra variansanalysen viser
at følgende grupper er signifikante på et 5	 %-nivå: 	alder, inntekt og strømregning i fjor.	 Den
lave determinasjonskoeffisienten R	2 for den generelle	 modellen	 fra 2017 	kunne vært en
indikator på at ingen eller veldig få av variablene er signifikante. Likevel viser
regresjonsresultatene flere enkeltkoeffisienter som er signifikante, i tillegg til at
variansanalysen viser at flere grupper er signifikante samlet sett.	 Variansanalysen viser også at
hele 	modellen med alle forklaringsvariablene er bedre til å forklare dataen enn en modell uten
forklaringsvariabler (med kun et konstantledd). Modellen forklarer altså mer enn å kun bruke
et gjennomsnitt av den avhengige vari	abelen, og dette ser man	 av	 resultatene fra F	-testen på
hele modellen.

Generell	 modell 	20	21

Også i resultatene fra regresjonen	 på den generelle modellen	 for 2021	7 er koeffisienten 	for 	alder
negativ og signifikant. 	Alle	 dummyene for inntekt er signifikante	, og alle 	inntektsgruppene har
i motsetning 	til 2017	 noenlunde like koeffisienter, med unntak av 	300	 000	 - 350	 000	 som er en
del lavere og 	over 2	 000	 000	 som er en del høyere enn de resterende. I likhet med resultatene
fra 2017 ser man ikke noe klart tegn til et mønster når det kommer til boligstørrelse, og i
 	7 Se tabell 9	-2 i appendiks for regresjonsresultater generell modell 2021.

26
resultatene for 2021 er ingen av 	de tilhørende 	koeffisient	ene	 signifikante. Det er kun 	én av
dummy	ene på boligtype som er signifikant i 2021 og i motsetning til 2017 så er noen av d	isse
negative.	 Koeffisienten på 	tomannsbolig	 er den eneste signifikante	 i den kategorien, og den har
negativt fortegn.	 Det er positivt fortegn for menn også i 2021	, men 	heller ikke her er
koeffisienten signifikant.

Det er noe 	kontraintuitivt	 at det er positive fortegn på dummyene 	for om	 respondenten ikke har
eller ikke vet om 	de har opplevd strømbrudd	, relativt til om de har det. De tilhørende t	-verdiene
til disse koeffisientene er derimot veldig lave og 	insignifikant	e ved bruk av vanlige
signifikansnivåer	. Det er hverken	 et klart mønster eller signifikante resultater når det kommer
til 	utdanning	. I lik	het med 2017 er det i 2021	 også	 tendenser til økende betalingsvilje når det
kommer til hvilken strømregning husholdningen hadde året før, og også her 	er koeffisienten	e
til dummyvariablene	 over 40	 000	 og 	vet ikke	 insi	gnifikante	. Koeffisientene på 	dummyene for
de ulike fylkene er alle negative sammenlignet med Oslo, med unntak av Rogaland	, og ingen
av koeffisientene er signifikante	.

Jeg velger å 	gjennomfør	e en 	variansanalyse	 med F	-tester	 også på den 	generell	e modellen for
2021 for å se hvilke grupper med kategorier som samlet sett er signifikante.	 Resultatene vises i
tabell 5	-3. 	 Her er det kun 	alder 	som viser seg å være signifikant på 5	 %-nivå. En ting å merke
seg angående disse resultatene er at kategorien 	for 	inntekt ikke får et signifikant resultat 	i den
statistiske F	-testen, selv om alle dummyene er signifikante i den store regresjonsmodellen (på
5 %	-nivå hos alle bortsett fra 	én som er signifikant på 10	 %-nivå).	 Determinasjonskoeffisienten
R2 er enda mindre i den 	generelle	 modellen for 2021 enn for 2017	-modellen	, og resultatet fra
F-testen for modellen i sin helhet viser at den ikke er signifikant 	på 5	 %-nivå (men den er
signifikant på 10	 %-nivå).

27
Tabell 	5-3 – F-tester for grupper av forklaringsvariabler i generell modell 2021 («joint significance»)

Forenklet modell	 2017 og 2021

Ettersom alder, inntekt og strømregning i fjor var signifikante	 grupper med variabler	 samlet sett
i 	den generelle 	modellen f	or 2017	-datasettet	 velger jeg å lage en forenklet lineær
regresjonsmodell med disse variablene som forklaringsvariab	ler	. Dette gjør jeg både for 2017
og 2021	, slik 	at jeg kan sammenligne de ulike	 koeffisientene for de to årene. Resultatene vises
i tabell 5	-4. Jeg 	gjennomfører	 også en 	variansanalyse	 med statistiske F	-tester for å se om
kategoriene fortsatt er signifikante samlet sett i de 	forenklede modellen	e8. Alle kategoriene
viser seg å være signifikante i modellen for 2017, og 	alle kategoriene bortsett fra 	strømregning
i fjor	 blir signifikante i den nye modellen	 for 2021	 (på 5	 %-nivå)	. F-testen for hele modellen
viser også at modellen i sin helhet er signif	ikant både for 2017 og 2021, men
de	terminasjonskoeffisientene 	(R	2) synker noe fra de 	generelle	 modellene.
 	8 Se tabell 9	-3 og 9	-4 i appendiks.

28
Tabell 	5-4 – Regresjonsresultater forenklet modell 2017 og 2021

De deskriptive 	statistiske målene	 viste en gjennomsnittlig maksimal betalingsvillighet på 1	 098
kroner i 2017 og 673 kroner i 2021. 	Regresjonsresultatene fremstilt i 5	-4 viser at k	onstantleddet
i begge modellene er signifikante på et 5	 %-nivå og allerede her	 ser vi at betalingsvilligheten
er høyere i 2017 enn i 2021.	 Resultatene 	viser	 også	 at alder ikke er en av driverne bak 	forskjellen
i betalingsvillighet	 da koeffisienten er lavere for 2017 enn for 202	1, og d	en deskriptive
statistikken vis	te en noenlunde li	k aldersfordeling 	i de to årene. 	Koeffisienten for 	alder	 er
negativ og signifikant i begge modellene, men betalingsvilligheten synker mer med alder i 2017
enn i 2021.

29
Sett bort fra	 koeffisienten på	 alder	 kan man se at de 	resterende	 koeffisientene jevnt over er
høyere i modellen 	med	 2017	-data enn 	modellen 	med	 2021	-dat	a. Dette gjelder alle
koeffisientene bortsett 	fra variablene 	over 2	 000	 000	 på	 inntekt og 	vet ikke	 på strømregning i
fjor. Disse koeffisientene 	er 	ikke signifikante i modellen for 2017 (	dummyvariabelen	 vet ikke
på strømregning i fjor er heller ikke signifikant	 i modellen for 2021).

Når det gjelder inntektskoeffisientene i 2017 ser man et tydelig mønst	er. 	Betalingsvilligheten
øker markant når respondentens inntekt øker. Igjen er dette sett bort i fra den høyeste
inntektskategorien som ikke har 	en 	signifikant koeffisient. 	I 2021 er det i motsetning jevnt over
lavere koeffisienter	 på inntekt	, og man ser ikke den samme 	vesentlige 	økningen i
betalingsvillighet når inntekten øker. 	Det er færre signifikante variabler når det kommer til hvor
stor strømregning respondenten hadde i fjor, men	 alle 	koeffisientene	, med unntak av én,	 er
høyere i 2017	-mo	dellen enn i 2021	-modellen.

Figur	 5-5 viser relative og absolutte forskjeller i de ulike koeffisientene fra de forenklede
regresjonsmodellene	, fra	 2017 	til 2021	. Tallene som er uthevet viser de største forskjellene hvor
både koeffisienten f	ra 2017 og 2021 er signifikante. Jevnt over er de signifikante variablene
høyere i 2017 enn i 2021, og det er store forskjeller både når det kommer til de ulike
inntektsgruppene	, og hvor stor strømregning respondentene hadde året før.

Tabell 	5-5 – Forskjeller i koeffisienter fra 2017 til 2021

30
To grupper som skiller seg ut ved å se på de relative og absolutte forskjellene er
inntektsgruppen	e 850	 000 	– 1 700	 000	 og 	1 800	 000 	– 2 000	 000	. De har begge en absolutt
forskjell i gjennomsnittlig estimert betalingsvillighet på over 300 	kroner og 	over 50	 % forskjell
i relativ betalingsvillighet. Disse inntektsgruppene kan derfor være med å forklare den store
forskjellen i gjennomsnittlig betalin	gsvillighet mellom 2017 og 2021.

Regresjonsmodell på det kombinerte datasettet

I denne delen av analysen 	slår jeg sammen	 de to datasettene for 2017 og 2021 	for 	å
sammenligne resultater fra de to årene	. Jeg lager nye respondentnummer og 	konstruerer en	 egen
dummy	variabel	 for år. Den 	tar verdien eller 1, og referanse	verdien til denne dummyen er at
året er 2017. 	Regresjonsresultatene vises i tabell 5	-6.

Tabell 	5-6 – Regresjo	nsresultater 	for samlet modell

Resultatene	 viser at de fleste koeffisientene er signifikante. Etter å ha 	kombinert	 begge
datasettene sitter jeg igjen med 3	 630 observasjoner og en høyere determinasjonskoeffisient
(R	2) enn 	ved 	de to forenklede modellene for 2017 og 2021	. Man ser tendenser til stigende
betalingsvilje ved høyere inntekt og høyere strømregning året før. D	ette 	kan sies å være
forventede resultater, 	da høyere inntekt gir høyere betalingsvillighet, og husholdningenes

31
strømregning fra året før kan fungere som en indikator for deres totale strømforbruk, og dermed
avhengighet av strøm. D	et største utslaget 	i est	imert gjennomsnittlig betalingsvillighet kommer
av om det var 2017 eller 2021. Der viser koeffisienten en estimert reduksjon i	 gjennomsnittlig
betalingsvillighet på 453 kroner dersom året var 2021, sammenlignet med 2017	, når alt annet
holdes konstant	. Desk	riptiv statistikk viste en forskjell i gjennomsnittlig betalingsvillighet på
425 kroner. Dette tallet hadde vært den estimerte MKM	-koeffisienten for dummyen på 	år
dersom det kun var et konstantledd og ingen andre forklaringsvariabler. 	Forskjellen i de to
estimatene	 tyder på at korrelasjonene mellom de ulike forklaringsvariablene har noe å si, og
forskjellen i gjennomsnittlig betalingsvillighet er enda større når disse er 	inkludert. 	En
variansanalyse av de ulike gruppene 	med kategorier 	viser også at alle 	er signifikante på 1	 %	-
nivå.	 9

Regresjonsmodell med interaksjonseffekter på det kombinerte datasettet

I dette delkapittelet velger jeg å inkludere 	variabler med 	interaksjonseffekter 	som er estimert
på det kombinerte datasettet	. Jeg gå	r videre med de to inntektsgruppene som viste de største
forskjellene mellom de forenklede modellene	10, og	 konstruerer nye variabler med interaksjoner
mellom de to inntektsgruppene og år. 	Resultatene fra regresjonsmodellen viser at 	én av
inntektsgruppene er signifikant og gir stort utslag på	 dummyvariabelen for 	år	11. Jeg velger
derfor å inkludere 	kun 	den ene inntektsgruppen som en egen interaksjonsvariabel med år.

Modelligningen vil derfor se slik ut:

�������= ������0+ ������1���������������	�+ ������2����������������������	�+ ������3����������������	�+	������4Å�������+ ������5(5.����������������������	� ×	Å������3)+	�� (3)

Det som er nytt i ligning (3) er at det er lagt til 	en	 interaksjonsvariab	el. Det	 er en interaksjon
mellom inntektsgruppen 	850	 000 	– 1 700	 000	 (5.Inntekt) 	og 	år	. Det var den inntektsgruppen
som viste den største forskjellen mellom 2017 og 	2021.	 Tolkningen av koeffisienten på denne
variabelen vil 	være gjennomsnittseffekten på forventet betalingsvillighet	 av å ha inntekt på
850	 000 	– 1 700	 000 i 2021 sammenlignet med de som har den samme inntekten i 2017, når
 	9 Se tabell 9	-3 i appendiks for resultater fra variansanalysen på den samlede modellen. 	 	10 Se tabell 5	-5. 	 	11 Se tabell 	9-6 for regresjonsresultater med interaksjonvariabler på begge inntektsgruppene.

32
alder	 og strømregning året før	 ho	ldes konstant. 	Resultatene fra den nye modelligningen er
oppstilt i tabell 5	-7.

Tabell	 5-7 – Regresjonsresultater for samlet modell med interaksjonseffekter

Resultatene viser at 	den nye 	interaksjonsvariabelen	 er 	signifikant	 på 1	 %-nivå	, og 	koeffisienten
er 	-335	. Det viser at de med inntekt på 850	 000 	– 1 700	 000 i gjennomsnitt har 355 kroner lavere
estimert 	betalingsvillighet i 2021 enn i 2017. 	 Mye tyder derfor på at den nevnte
inntektskategorien 	kan forklare en stor del av forskjellen i gjennomsnittlig betalingsvillighet
mellom 2017 og 2021. Før interaksjonsvariab	elen	 ble	 inkludert hadde dummyen på 	år	 en
koeffisient på 	-453, og i den nye regresjonsmodellen med 	en 	interaksjonsva	riab	el viser denne
koeffisienten 	-288	. Det vil si at når 	jeg	 kontrollerer for interaksjonseffekten mellom de	n nevnte
inntektskategorien og år så forsvinner mye av den direkte estimerte effekten av hvilket år det
er.	 Som nevnt tidligere ligger en stor del a	v utvalget i denne inntektskategorien. Dette medfører
at det er en relativt stor gruppe som driver den store forskjellen i betalingsvillighet mellom de
to årene.

33
Etter regresjonsanalyser viser resultatene at selv om 	man	 kontrollerer for den inntektsgruppen
som gir størst utslag i en interaksjon med år	, er det	 en betydelig forskjell 	mellom
betalingsvilligheten i 2017 og i 2021. Betalingsvilligheten i 2021 er etter a	lle analysene	 fortsatt
288	 kroner lavere enn i 2017.

Sensitivitetsanalyse	r

5.6.1	 	Fjerne høye observasjoner 	fra 2017

En forskjell i de to undersøkelsene er hvilke alternativer respondentene hadde å velge i da de
skulle 	oppgi	 et beløp. I undersøkelsen for 2017 var 	det 	høyeste	 alternativet 	mer enn 12	 500
kroner	 og i undersøkelsen fra 2021 var det høyeste alternativet 	mer enn 10	 000 kroner	. D	ersom
respondentene 	oppga dette svaret	 ble de 	«sendt videre	» til et oppfølgingsspørsmål 	hvor de
skulle 	oppgi	 sin 	maksimale betalingsvilligheten i et fritt beløp. Dette fritt valgte beløpet er lagt
inn som respondentens betalingsvillighet dersom de 	valgte	 alternativet 	over 	de nevnte grensene	.
I scenarioet med 24 timer er det kun respondenter f	ra 2017 som har svart beløp over den angitte
grensen. Ettersom disse fritt valgte beløpene kan settes så høyt 	respondentene	 ønsker vil	 noen
av	 beløpene fra disse respondentene være relativt høye	. Jeg velger derfor å fjerne de
respondentene med betalingsvil	lighet over 10	 000 kroner og gjennomfører en ny
regresjonsanalyse med de samme forklaringsvariablene som 	i de forenklede modellene	 uten
interaksjonseffekter. 	Dette er for å se om det er noen få observasjoner	 som driver den store
forskjellen i betalingsvillighet, og som 	da vil være fra 2017	-datasettet.

En slik endring	 påvirker	 ikke 	data	settet	 fra 2021	 ettersom ingen svarte 	mer enn 10	 000 kroner
på	 scenarioet 	med	 24 timer	. Jeg gjennomfører en ny regresjonsana	lyse med den forenklede
modellen for 2017	12. Av de signifikante variablene gir ikke	 modellen	 med det nye utvalget
nevneverdige endringer, bortsett fra to inntektsgrupper som får høyere koeffisienter	, i tillegg til
variabelen 	35	 000	 - 38	 500	 på regning i fjor	. Inntektsgruppene det gjelder er 	700	 000	 - 800	 000
og 	850	 000	 - 1 700	 000	, hvor den sistn	evnte	 gruppen	 får den største endringen	. For å se hvordan
denne endringen eventuelt påvirker gapet i gjennomsnittlig betalingsvillighet mellom de to
årene gjennomfører jeg også en ny regresjonsanalyse på den samlede modellen. Dette reduserer
koeffisienten 	på inntektsgruppen 	850	 000 	– 1 700	 000	 noe, og 	koeffisienten på 	år	 reduseres fra
 	12 Se tabell 9	-6 i appendiks for regresjonsresultater fra sensitivitetsanalysen.

34
-453 til 	-366. 	De observasjonene som ble fjernet drev altså mye av forskjellen	, og mye tyder på
at mange av disse observasjonene lå i 	den sistnevnte inntektsgruppen.

Sensitivitetsanalysen hvor høye observasjoner fra 2017 er fjernet viser dermed til at den store
forskjellen i gjennomsnittlig betalingsvillighet 	kan være	 noe lavere en	n først antatt.

5.6.2	 	Opprinnelige (ikke	-justerte) svar

Respondentene hadde mulighet til å justere de opprinnelige svarene 	på betalingsvillighet	 i både
2017 og 2021	. De fikk 	presentert 	beløpene	 de hadde 	oppgitt	 tidligere i undersøkelsen, og fikk
mulighet til å justere 	beløpene	 dersom de ønsket. 	Tallene som er brukt i de 	tidligere	 kapitlene
og analysene	 er de justerte tallene.	 Som en sensitivitetsanalyse ønsker jeg å undersøke om det
er en forskjell i gjennomsnit	tlig betalingsvillighet dersom jeg benytter meg av de opprinnelige
tallene	 i stedet for de justerte tallene	. Ved å bruke de opprinnelige tallene er det rimelig å anta
at respondentene ikke har blitt påvirket	 i like stor grad	 av hva de svarte på de andre sc	enarioene,
som er forskjellig i de to undersøkelsene.	 Jeg renser data	settene	 på samme måte som før. Jeg
fjerner inkonsistente svar på bakgrunn av de justerte svarene (ettersom 	respondentene	 da har en
bedre oversikt over de ulike varighetene og scenarioene)	, men jeg fjerner protestsvar og
ekstreme observasjoner basert på de opprinnelige svarene.

Igjen velger jeg å gjennomføre nye regresjonsanalyser på de	n forenklede modellen for 2017 og
den samlede modellen	13. I den forenklede modellen for 2017 synes 	koeffisientene	 på inntekt	 å
være jevnt lavere,	 mens alle koeffisientene på strømregning i fjor synes å være 	høyere	.
Koeffisienten på 	alder	 er ikke nevneverdig påvirket. 	Regresjonsresultatene fra den samlede
modellen viser det samme bildet. Her er koeffisie	nten på dummyen for år endret fra 	-453 til
– 509, noe som tyder på at forskjellen mellom gjennomsnittlig betalingsvillighet er større når
opprinnelige svar er benyttet	. En sjekk av gjennomsnittlig betalingsvillighet i de to årene viser
at 	tallene i snitt 	ble justert opp i større grad i spørreundersøkelsen fra 2021 enn fra 2017.

Noe av grunnen til at man får en så betydelig nedgang i gjennomsnittlig betalingsvillighet i
2021	 ved å se	 på de opprinnelige svarene,	 er at 110 respondenter opprinnelig hadde en	 positiv
betalingsvillighet for å unngå strømbruddet, men når respondentene fikk mulighet til å endre
 	13 Se tabell 9	-6 i appendiks for regresjonsresultater fra sensitivitetsanalysen.

35
på disse tallene endret de til en betalingsvillighet på null. Oppfølgingsspørsmålet respondentene
fikk i 2021 ble kun stilt dersom de svarte null på det o	pprinnelige spørsmålet, og ikke dersom
de senere endret dette tallet til null. De 110 respondentene som endret betalingsvilligheten sin
til null vil derfor være kodet med null i betalingsvillighet, og uten et svar på
oppfølgingsspørsmålet. Når de ikke har 	oppgitt et svar på oppfølgingsspørsmålet blir de	t kodet
som protest	-nullsvar og 	respondentene 	blir dermed fjernet fra datasettet. Dette medfører at flere
potensielt reelle nullsvar blir fjernet fra datasettet som protestsvar	 ved bruk av de justerte
tallene	, og den gjennomsnittlige betalingsvillighet 	kan	 derfor 	være	 overestimert.

Jeg velger derfor å inkludere de 110 respondentene som blir fjernet grunnet protest	-nullsvar i
datasettet for 2021 hvor de justerte tallene er brukt. Da finner jeg en	 gjennomsnittlig
betalingsvillighet på 640 kroner, 	hvilket	 kan tyde på at gjennomsnittet i 	tidligere	 analyse er 	noe
overestimert (673 kroner i	 gjennomsnitt 	fra deskriptiv statistikk	). Likevel er det uvisst om de
respondentene som justerte betalingsvillighet	en sin til null er reelle nullsvar eller ikke, og
dersom man luker ut de som ikke har svart på oppfølgingsspørsmålet renskes dataen på	 lik	 måte
i 2017 og 2021.

I spørreundersøkelsen fra 2017 stilles oppfølgingsspørsmålet etter alle tall er justert og man
treffer derfor ikke på det samme problemet i datasettet for 2017. 	Sensitivitetsanalysen med
opprinnelige svar	 viser altså at gapet mellom gjennomsnittlig betalingsvillighet er noe høyere
enn det som ble 	estimert	 i hoveddelen av analysen.

5.6.3	 	Tobit	-modell

10	 %	 av respondentene hadde en betalingsvillighet på 	null 	kroner i 2017 og 15	 % 	hadde en
betalingsvillighet på 	null	 kroner i 2021.	 Som en robusthetstest gjennomfører jeg derfor en tobit	-
modell hvor jeg antar at observasjonene av den avhengige variabelen er s	ensurert fra venstre.
Det er ikke mulig for respondentene å velge et negativt beløp når de skal oppgi sin maksimale
betalingsvillighet for å unngå strømbrudd, og det kan derfor hende at noen av de respondentene
som har oppgitt	 null i betalingsvillighet fak	tisk har en negativ betalingsvillighet. 	En mulighet
er dermed at 	enkelte respondenter ønsker å få betalt for å godta et strømbrudd	, altså at de er
villig til å akseptere flere strømbrudd for å få lavere nettleie. E	n tobit	-modell tar hensyn til at
enkelte n	ullsvar kan være negative i virkeligheten 	(Eisenberg	 et al.	, 2015)	.

36
Resultatene fra 	estimering av en 	tobit	-modell	 på den forenklede modellen for 2017 viser at
koeffisientene 	har det	 samme mønsteret som ved en 	MKM	-regresjon	14. Det er stigende
betalingsvilje i de ulike inntektskategoriene (bortsett fra 	over 2	 000	 000	) og stigende
betalingsvilje i de ulike kategoriene for strømregning i fjor (bortsett fra 	over 40	 000	 og 	vet ikke	),
men den nye modellen endrer	 ikke alle koeffisien	tene i samme retning. I tobit	-modellen er
alder	skoeffisienten	 mer negativ	 enn i 	MKM	-regresjonen	, inntektskategoriene er jevnt over
høyere og kategoriene for regning i fjor er ikke påvirket i så stor grad (	men	 i ulike retninger).
Ved å bruke en tobit	-regres	jon blir likevel færre av koeffisientene signifikante, og på et lavere
signifikansnivå.

Resultatene fra 	estimering av en tobit	-modell 	på den samlede modellen viser at koeffisientene
blir påvirket på lik måte som i den forenklede 	2017	-modellen	, og at det også her er færre
signifikante variabler	 enn ved MKM	-estimering	. K	oeffisienten på 	år	 er 	likevel 	signifikant på
et 1	 %-nivå og	 endres fra 	-453 til 	-528. 	Den nye modellen	 tar hensyn til at noen av null	-svarene
kan være negative i vir	keligheten, og det vises 	ved	 at gapet i betalingsvillighet mellom 2017 og
2021, kontrollert for ulike forklaringsvariabler, er enda større enn ved estimering ved hjelp av
MKM	. Dette kommer av at det er relativt flere nullsvar i datasettet fra 2021 enn fra 	2017.

Sensitivitetsanalysen med estimering ved en tobit	-modell viser i likhet med sensitivitetsanalyse
2 (opprinnelige svar) at forskjellen i betalingsvillighet mellom de to årene 	kan være	 høyere enn
opprinnelig estimert.

14 Se tabell 9	-6 i appendiks for regresjonsresultater fra sensitivitetsanalysen.

37
 	Diskusjon

I følgende kapit	tel ser jeg på andre forklaringsmuligheter for den store forskjellen i
betalingsvillighet mellom de to årene. Forskjellen kan 	komme av ulik atferd hos respondentene
ut ifra hvilke scenarioer de skulle verdsette og i hvilken rekkefølge, andre forskjeller me	llom
de to undersøkelsene, eller ytre faktorer som påvirket respondentene ulikt de to årene.

Ankereffekt og «coherent arbitra	riness»

Når man bruker betinget verdsetting	 slik det er	 gjort i spørreundersøkelsene fra 2017 og 2021,
og spørreundersøkelsene i	kke er nøyaktig like, vil det være nesten uunngåelig at resultatene
ikke	 	gjenspeiler en atferdseffekt. En av de største forskjellene 	mellom	 	de to
spørreundersøkelsene 	var	 i hvilken rekkefølge respondentene fikk	 ulike	 scenarioe	r presentert	.
I 2017 	starte	t verdsettingsspørsmålene med et scenario på 1 minutt, deretter 2 timer, 6 timer og
så 24 timer (72 timer til slutt). Det vil derfor være naturlig at betalingsvilligheten har 	«bygd seg
opp	» fra det første scenarioet, og til 	man	 kom til scenarioet med	 24 timers strømbrudd. En
mulighet i 2017	-undersøkelsen	 er derfor at man har en ankereffekt (	«anchoring effect	» på
engelsk) hvor respondentenes betalingsvillighetsestimater er påvirket av tidligere svar 	(Baik,
Davis, & Morgan, 2017)	. Til sammenligning 	var	 scenarioet med 24 timer strømbrudd i hjemmet
det første scenarioet respondentene bl	e bedt om å verdsette i undersøkelsen for 2021, hvor de
deretter f	ikk	 scenarioer som i tillegg ramme	t ulike samfunnsfunksjoner	. I 2021	 ble	 de	 også	 bedt
om å tallfeste utgiftene sine ved det aktuelle strømbruddet før de skulle oppgi sin
betalingsvillighet for å unngå utgiftene og ulempene knyttet til det, og 2021	-daten kan derfor
også ha en ankereffekt knyttet til dette tallet, uten at betalingsvilli	gheten har «bygd seg opp»
på samme måte som i 2017.

Noe som kan være med å forklare den store forskjellen i betalingsvillighet fra 2017 og 2021 er
en teori om hvordan mennesker estimerer verdi	, som kalles	 «coherent arbitrar	iness». Ariely	 et
al. 	(2003) 	viser gjennom flere eksperimenter at den innledende/første verdsettingen av varer	 og
tjenester som	 du selv opplever	 nytten av	 («experience goods	») er sterkt påvirket av tilfeldige
anker, 	men at den relative verdsettingen mellom ulike mengder fremstå	r velordnet, som om den
stammer fra etterspørselskurver avledet fra grunnleggende preferanser. Verdsettingen viser seg
å være en slags kombinasjon av dette, og blir referert til som «coherent arbitrar	iness», eller på

38
norsk en slags sammenhengende tilfeldig	het. 	I dette tilfellet	 vil man da kunne anta at
verdsettingen av det første scenarioet er noenlunde tilfeldig og kan ha blitt påvirket av mange
ytre faktorer, men at det vil være en stigende betalingsvilje 	ettersom lengden på strømbruddet
øker,	 uansett hva	 den opprinnelige betalingsvilligheten var.

For å 	undersøke	 «coherent arbitrariness	» og ankereffekt i 2017	-datasettet 	hvor det er relative
mengder av det samme strømbruddet 	går jeg tilbake til datasettet med alle de ulike scenarioene
for å se på den 	relative forskjellen	 i betalingsvillighet	 mellom dem. Jeg rensker dataen på
samme måte som tidligere, ved at jeg fjerner protestsvar, inkonsistente svar og ekstreme
observasjoner. Deretter deler jeg respondentene inn i tre ulike grupper basert på den total	e
betalingsvilligheten på alle scenarioene. De tre gruppene er høy, middels og lav
betalingsvillighet	, og er laget slik 	at cirka 33	 % av	 respondentene havner i hver gruppe. Jeg
ønsker å se om det er et tydelig mønster på hvordan den relative betalingsvilli	gheten endrer seg
ut i ifra de ulike varighetene på strømbruddene.

I figur 6	-1 ser man den gjennomsnittlige betalingsvilligheten på de ulike varighetene til de tre
ulike gruppene. Denne viser en 	tilnærmet 	eksponentiell økning i betalingsvillighet 	for alle
gruppene	. De ulike kurvene krysser aldri hverandre og jeg kan derfor ikke utel	ukke en eventuell
ankereffekt	, altså at respondentene ble påvirket av sine egne tidligere svar.

Figur 	6-1 – Gjennomsnittlig betalingsvillighet for ulike grupper 2017

39
I figur 	6-2 har jeg tatt logaritmen av kurvene fra figur 	6-1. Denne figuren viser noenlunde
parallelle kurver, som tyder på at man har coherent arbitrar	iness i datasettet fra 2017. Altså at
ua	nsett hvor den initiale betalingsvilligheten er så stiger betalingsvilligheten parallelt med de
ulike varighetene.	 Den bekrefter også den eksponentielle økningen som ble fremvist i figur 6	-
1.

Figur 	6-2 – Gje	nnomsnittlig logaritmisk betalingsvillighet for ulike grupper 2017

Forskjell i undersøkelsene	 og 	ytre faktorer

I følgende 	del	kapittel skal jeg gå gjennom noen av de største forskjellene mellom de to
under	søkelsene	, som kan ha ført til 	«coherent arbitrariness» og ankereffekter	, samt drøfte
andre ytre faktorer som kan ha påvirket respondentene ulikt de forskjellige årene.

6.2.1	 	Forskjeller i undersøkelsene

I et viktig bidrag	 til metodikken	 skriver 	Hausman om hvordan det samme scenarioet blir
verdsatt annerledes ut ifra hvilken plass i en rekke av spørsmål scenarioet kommer i 	(Hausman,
2012)	. Det er rimelig å anta at respondentene i stor grad bl	e påvirket av en oppbyggende
betalingsvilje i 2017	, i motsetning til i 2021 hvor det ikke har vært en oppbygging til scenarioet

40
på 24	 timer,	 og	 hvor man kun har 	et mulig	 ankerpunkt knyttet til de faktiske 	utgiftene	 ved det
nevnte strømbruddet.

Ankerpunktet knyttet til de faktiske kostnadene i 2021 kan 	føre til at respondentene ikke 	tar
hensyn til	 alle ikke	-monetære kostander og ulemper når de skal oppgi sin betalingsvillighet.	 De
blir gjort oppmerksomme på slike ulemper tidligere i undersøkelsen, men ettersom de oppgir
sine faktiske kostnader rett før de 	skal oppgi sin betalingsvillighet er det rimelig å anta at det er
et ankerpunkt knyttet til de faktiske (monetære) utgiftene. 	Det vil i så fall føre til lavere	 beløp	 i
2021 enn i 2017, og kan være med på å forklare noe av forskjellen i betalingsvillighet m	ellom
de to årene.

I Vista Analyse 	(2021	) så de også på den gjennomsnittlige betalingsvilligheten for å unngå et
24 timers strømbrudd i hjemmet som også rammer alle fire samfunnsfunksjoner	: butikker og
spisesteder, kollektivtransport, elektronisk kommunikasjon	 og barnehage, skole og SFO	. Den
ble est	imert til 979 kroner	. Det er bemerkelsesverdig at et strømbrudd i hjemmet hvor alle
samfunnsfunksjoner rammes er lavere i 2021 enn et strømbrudd kun i 	hjemmet i 2017	. Dette 	er
en indikasjon på	 at respondentenes verdsettinger ikke gjenspeiler omfanget av st	rømbruddene
og at de er «scope insensitive»	, noe som dermed 	tyder på at forskjellene i undersøkelsene gjør
at respondentene får ulike oppfatninger av alvorlighetsgraden på strømbruddene	 (Baik	 et al.	,
2017)	.

Ordlyden i 	verdsettingsspørsmålet	 var	 også litt forskjellig. I undersøkelsen fra 2021 st	o det
eksplisitt når respondentene sk	ulle	 oppgi	 sin maksimale betalingsvillighet at den eventuelle
betalingen i praksis kan skje gjennom høyere skatter, avgifter eller nettleie, o	g at betalingen
kommer i tillegg til det respondenten allerede betaler. Selv om det også 	ble	 informert om at den
eventuelle betalingen skjer gjennom økt nettleie i undersøkelsen fra 2017, 	var	 ikke denne
informasjonen synlig 	i det	 respondentene sk	ulle	 velge	 et konkret beløp.	 Det blir dermed en mer
troverdig betalingsmekanisme i undersøkelsen fra 2021. 	Dette er også noe som kan gi utslag og
være med å forklare den lave betalingsvilligheten i 2021, ved at respondentene 	i 2021 	ble mer
oppmerksomme på at høye sv	ar på undersøkelsen kan resultere i økte 	personlige 	kostnader.
Ettersom sikker strømleveranse er et offentlig gode er det nærliggende å tro at mange
respondenter ønsker en sikker strømleveranse, men at andre betaler for det. Dette kalles et
gratispassasjer	problem og kan føre til at respondentene oppgir høye svar dersom de ikke er klar

41
over at de selv kan ende opp med å betale for det. Den troverdige betalingsmekanismen i 2021
reduserer dette problemet.

En annen forskjell mellom de to undersøkelsene er hvi	lke beløp respondentene hadde å velge
mellom. I undersøkelsen fra 2021 var det flere valgmuligheter 	ved selve verdsettingen 	enn i
2017	, noe som også kan ha påvirket 	respondentenes svar.

6.2.2	 	Forskjeller i	 ytre faktorer

Kostnadene for å	 sikre strømforsyningen vil kun	ne	 påvirke	 nettleien husholdningene betaler.
Tall fra	 SSB	 på	 den gjennomsnittlige nettleien i periodene undersøkelsene ble gjennomført
viser at nettleien lå på det samme nivået begge årene. 	Kraftprisene 	var derimot 	betydelig 	høyere
i 2021 enn i 20	17	 (SSB, 2022)	. Dette kan ha hatt en innvirkning på husholdningenes oppfatning
av	 kostnader 	til sikker strømforsyning	, selv om det 	er nettleien 	som eventuelt påvirkes	. Likevel
var strømprisene generelt på et lavt nivå i begge årene, og strømprisene ble ikke fremhevet i
media i de to periodene.

Det var også	 store 	nedstengninger	 og smittevernsrestriksjoner i landet i 2021	 på grunn av covid	-
pandemien	. Store deler av den n	orske befolkningen jobbet fra hjemmekontor, og tilbragte
derfor mer tid i hjemmet. Det er derfor overaskende at betalingsvilligheten for å unngå et
strømbrudd i hjemmet er lavere i 2021 enn i 2017. 	Likevel ble det etter pandemien	 tydelig for
mange at ekstr	eme hendelser med samfunnet faktisk 	kan inntreffe	. Dette kan ha gjort 2021	-
utvalget mer klar over premissene ved selve undersøkelsen, nemlig at lengre strømbrudd 	faktisk
kan skje og dersom det skal unngås i fremtiden må strømkundene bære kostnadene av det.	 En
slik oppfatning kan drive betalingsvilligheten ned, ettersom respondentene er klar over de
eventuelle implikasjonene av svarene deres.

Noen mulige politikkimplikasjoner

Dersom man skal se på hvordan betalingsvilligheten for å unngå strømbrudd har utviklet seg
over tid vil det være hensiktsmessig å bruke 	en helt lik undersøkelse	 over 	flere år.	 Dersom man
skal prøve å estimere kostnadene og ulempene for husholdningene for å	 benytte dette estimatet
i eventuelle	 KILE	-satser kan det være hensiktsmessig å sammenligne resultater fra ulike
metoder	. Det vil også være mulig å benytte estimater som er hentet gjennom ulike 	formater 	av

42
den samme metoden for å sikre robuste estimater. 	Dette kan for eksempel være å ha ulik ordlyd
og rekkefølge på scenario	er i en betinget verdsettingsundersøkelse	.

Det kan være andre forskjeller i de ulike årene som fører til det store gapet i betalingsvillighet,
og som ikke omhandler forskjeller i verds	ettingsscenarioer og ordlyd. Det vil være vanskelig å
si med sikkerhet hva som gjorde at betalingsvilligheten var så ulik i de forskjellige årene. En
mulighet for å finne ut hva som 	kommer av	 faktisk forskjell i betalingsvillighet	 og hva som
kommer av	 fors	kjell	er i undersøkelse	ne	 kunne som nevnt over ha vært å estimere de samme
kostnadene ved å bruke 	ulike m	etoder. Da kunne man ha undersøkt om man finner det samme
mønsteret som i	 resultatene fra	 spørreundersøkelsene fra 2017 og 2021.

Resultatene fra den empiriske analysen 	av	 de to undersøkelsene og datasettene 	tyder på	 at
betalingsvilligheten for å unngå strømbrudd er 	lavere i	 20	21	 enn i	 20	17	. Dette bygger på det
faktum at det samme spørsmålet (med litt forskjellig ordlyd) ble stilt i 	undersøkelsen i 2017 og
2021. 	Til tross for at intensjonen var å utarbeide spørreundersøkelsene så like som mulig, ble
både 	noen av 	scenarioene og spørsmålene ulike som følge av at spørreundersøkelsene hadde
ulike formål.	 Det er derfor	 mulig at	 svarene er 	påvirket av hvilken undersøkelse respondentene
svarte på (2017 eller 2021), og at estimatene alene derfor ikke er 	fullstendig 	sammenlignbare
dersom man skal se på hvordan de faktiske kostnadene og ulempene til husholdningene ved et
strømbrudd har endret se	g over tid.	 Dette kan føre til at resultatene ikke er direkte overførbare
mellom ulike undersøkelser	, og heller ikke mellom ulike land.

Store	, motstriden	de forskjeller mellom estimatene fra de to undersøkelsene brukt i denne
oppgaven, samt forskjeller mellom ulike land 	(for eksempel 	den 	lave betalingsvillighet	en hos
svenske husholdninger	15) kan tyde på at utforming og ordlyd i undersøkelsene spiller en stor
rolle.

15 Carlsson et al. (2021) finner en betalingsvillighet på 283 norske kroner for å unngå et strømbrudd på 12 timer
i 2017 i Sverige, og Vista Analyse (2017) finner ved en tilsvarende undersøkelse en betalingsvillighet på 434
kroner for å unngå et strømbrudd p	å 6 timer i 2017 i Norge.

43
 	 Konklusjon

Den norske befolkningen blir mer avhengig av strøm og en sikker strømleveranse. For å finne
det optimale	 investering	snivået	 i sikker strømleveranse 	med hensyn til	 husholdningene er det
viktig å estimere deres kostnader og ulemper ved et strømbrudd. I denne oppgaven har jeg
sammenlignet 	data	 fra to undersøkelser fra	 henholdsvis	 2017 og 2021	 hvor husholdningene	,
gjennom betinget verdsetting,	 ble bedt om å oppgi sin b	etalingsvillighet for et 24	 timers
strømbrudd som starter en hverdag i janua	r. Dette med formål om å undersøke hva som driver
betalingsvilligheten blant husholdninger i Norge, og sammenlikne betalingsvilligheten over tid.

Det er mange likheter i resultate	ne fra regresjonsanalysene for datasettet fra 2017 og 2021.
Generelt er betalingsvilligheten stigende med inntekt og strømregning i fjor, men det er større
forskjeller i betalingsvillighet mellom de ulike inntektsgruppene og 	de ulike
strømregningsgruppene	 i datasettet fra	 20	17	 enn i 	datasettet fra 	20	21	. Spesielt så gir
inntektsgruppene større utslag i 2017 enn i 2021, og d	ette bekreftes med mange signifikante
koeffisienter. 	Alder påvirker betalingsvilligheten negativt i modellene både for 2017 og 2021,
men 	i større grad i 2017.

Litteratur fr	a Norge og Sverige tyder på at betalingsvilligheten er stigende over tid	 fordi vi blir
rikere og mer avhengig av strøm. 	Resultatene	 fra modellen på det kombinerte datasettet	 viser
likevel	 at betalingsvilligheten for å unngå et strømbrudd 	var	 453 kroner 	lavere	 i 20	21	 enn i 20	17
etter tallene e	r justert 	for prisvekst	. Re	spondentene med inntekt på 850	 000 	– 1 700	 000 driver
en stor del av denne forskjellen, og når jeg kontrolle	rer	 for denne i	nntektsgruppen i interaksjon
med år 	reduseres	 gapet i betalingsvillighet fra 453 kroner til 288 kroner.

Kostnader og ulemper ved et strømbrudd er en vanskelig verdi å estimere. Det gjøres gjennom
ulike metoder, og 	i denne 	oppgaven har	 jeg	 hovedsakelig 	fokusert	 på betinget verdsetting og
uttrykte preferanser. Det er oppsiktsvekkende at betalingsvilligheten for å unngå et strømbrudd
er såpass mye høyere i 2017 enn i 2021, selv etter	 å ha kontrollert for 	ulike forklaringsvariabler.
Dette kan 	tyde på at noe av forklaringen ligger i forskjeller i undersøkelsene og selve
spørsmålsstillingen. 	I 2017 tyder mye på at svarene har «bygd seg opp» gjennom ulike
varigheter på avbruddene og at svarene derfor gjenspeiler en ankereffekt. 	Betalingsvillighete	n
stiger eksponentielt, noe som viser en sammenheng mellom det første verdsettingsspørsmålet

44
og andre relative varigheter på strømbruddet. I undersøkelsen fra 2021 ble 	det	 fremstilt en mer
troverdig betalingsmekanisme	, som kan ha redusert deres betalingsvi	lligheter.

Det var relativt små forskjeller mellom sensitivitetsanalysene og hovedanalysen, og det store
gapet i betalingsvillighet var gjennomgående i alle analysene. 	Selv om det er et tilsvarende
spørsmål som blir stilt i begge undersøkelsene er det li	tt ulik ordlyd på spørsmålene, og 	det var
ulike scenarioer respondentene skulle verdsette både før og etter scenarioet på 24 timer.	 I tillegg
ble respondentene bedt om å verdsette et hypotetisk scenario	, og de færreste har opplevd l	ange
strømbrudd i Norge.	 Noe av	 kritikken	 mot betinget verdsettin	g går på nettopp dette,	 at
forskjeller i spørsmålsstilling	 og kontekst	 kan gi 	ulike	 svar	, og at svarene ofte er påvirket av en
hypotetisk skjevhet. 	De store utslagene som kommer av disse forskjel	lene kan føre til at
resultater og estimater ikke er direkte overførbare mellom 	ulike undersøkelser	.

45
 	Bibliografi

Alberini, A., & Kahn, J. R. (2006). 	Handbook on Contingent valuation.	 Edward Elgar
Publishing.
Ariely, D., Lowenstein, G., & Prelec, D. (2003). "Coherent arbitrariness": Stable Demand
Curves Without Stable Preferences. 	The Quarterly Journal of Economics, 118(1)	, 73	-
106.
Baik, S., Davis, A. L., & Morgan, M. G. (2017). Assessing the Cost of Large	-scal	e Power
Outages to Residential Customers. 	Risk Analysis, 38(2)	, 283	-296.
Boyle, K. J. (2017). 	A primer on nonmarket valuation: Contingent valuation in practice.
Springer: Dordrecht.
Bårdsen, G., & Nymoen, R. (2011). 	Innføring i økonometri.	 Bergen: Fagbokfo	rlaget.
Baarsma, B. E., & Hop, J. (2009). Pricing power outages in the Netherlands. 	Energy, 34(9)	,
1378	-1386.
Carlsson , F., Mitesh, K., Lampi, E., & Martinsson, P. (2021). Past and present outage costs 	–
A follow	-up study of households’ willingness to pay	 to avoid power outages. 	Resource
and Energy Economics, 64, 101216	.
Carlsson, F., & Martinsson, P. (2007). Willingness to Pay among Swedish Households to Avoid
Power Outages: A Random Parameter Tobit Model Approach. 	The Energy Journal,
28(1)	.
Carson, R. T.	, Flores, N. E., & Meade, N. F. (2001). Contingent Valuation: Controversies and
Evidence. 	Environmental and Resource Economics, 19(2)	, 173	-210.
Castro, R., Faias, S., & Esteves, J. (2016). The cost of electricity interruptions in Portugal:
Valuing lost loa	d by applying the production	-function approach. 	Utilities Policy, 40	,
48	-57.
Champonnois, V., Chanel, O., & Makhloufi, K. (2018). Reducing the anchoring bias in multiple
question CV surveys. 	Jounral of choice modelling, 28	, 1	-9.
De Nooij, M., Koopmans, C., & Bijvoet, C. (2007). The value of supply security: The cost of
power interruptions: Economic input for damage reduction and investment in
networks. 	Energy Economics, 29(2)	, 277	-295.
Eisenberg, T., Eisenberg, T., Wells, M. T., & Zhang, M. (2015). Adressing the zeros problem:
Regression models for outcomes with a large proportion of zeros, with an application
to trial outcomes. 	Journal of Empirical Legal Studies, 12(1)	, 161	-186.
Hanley,	 N., & Czajkowski, M. (2020). The Role of Stated Preference Valuation Methods in
Understanding Choices and Informing Policy. 	Review of Environmental Economics and
Policy.
Hausman, J. A. (2012). 	Contingent valuation 	- A critical assessment .	 Elsevier.
John	ston, R. J., Boyle, K. J., Adamowicz, W., Bennett, J., Brouwer, R., Cameron, T. A., . . .
Vossler, C. A. (2017). Contemporary guidance for stated preference studies. 	Journal
of the Association of Environmental and Resource Economists, 4(2)	, 319	-405.
Kjølle	, G. H., Samdal, K., Singh, B., & Kvitastein, O. A. (2008). 	Customer costs related to
interruptions and voltage problems: Methodology and results. 	IEEE Transaction on
power systems, 23(3)	, 1030	-1038.
Leahy, E., & Tol, R. S. (2011). An estimate of the value	 of lost load for Ireland. 	Energy policy,
39(3)	, 1514	-1520.
Linares, P., & Rey, L. (2013). The costs of electricity interruptions in Spain. Are we sending
the right signals? 	Energy Policy, 61	, 751	-760.

46
London Economics. (2011). 	Estimating Value of Lost Loa	d (VoLL).	 Boston.
Miljødirektoratet. (2021, 	9. 	august). 	Hovedfunn i første del i sjette hovedrapport	. Hentet 	25.
april, 2022 fra miljodirektoratet.no:
https://www.miljodirektoratet.no/ansvarsomrader/klima/fns	-klimapanel	-ipcc/dette	-
sier	-fns	-klimapanel/sjett	e-hovedrapport/hovedfunn	-forste	-del	-sjette	-hovedrapport/
Norges Bank. (u.d.). 	VALUTAKURSER	. Hentet 	23. 	april, 2022 fra norges	-bank.no:
https://www.norges	-bank.no/tema/Statistikk/Valutakurser/?tab=currency&id=SEK
NVE. (2017, 4. januar). 	Rekordhøyt forbruk o	g produksjon av strøm i 2016	. Hentet 16. april,
2022 fra nve.no: https://www.nve.no/nytt	-fra	-nve/nyheter	-energi/rekordhoyt	-
forbruk	-og	-produksjon	-av	-strom	-i-2016/
NVE. (2019, 	31. 	oktober). 	Færre og kortere strømavbrudd i 2016	. Hentet 	10. 	april, 2022 fra
nve	.no: https://www.nve.no/reguleringsmyndigheten/nytt	-fra	-rme/nyheter	-
reguleringsmyndigheten	-for	-energi/faerre	-og	-kortere	-stromavbrudd	-i-2016/
NVE. (2020, 	28. 	august). 	Kraftåret 2017: Rekordhøyt strømforbruk og høye priser til tross for
vått og varmt år	. Hentet 	10. april	, 2022 fra nve.no: https://www.nve.no/nytt	-fra	-
nve/nyheter	-energi/kraftaret	-2017	-rekordhoyt	-stromforbruk	-og	-hoye	-priser	-til-
tross	-for	-vatt	-og	-varmt	-ar/
NVE. (2021, 	7. 	september). 	Avbruddsstatistikk	. Hentet 	27. 	april, 2022 fra nve.no:
http	s://www.nve.no/reguleringsmyndigheten/publikasjoner	-og	-
data/statistikk/avbruddsstatistikk/
NVE. (2021, 	16. 	juni). 	KILE 	– kvalitetsjusterte inntektsrammer ved ikke	-levert energi	. Hentet
10. 	februar, 2022 fra nve.no:
https://www.nve.no/reguleringsmyndigheten	/regulering/nettvirksomhet/%c3%b8ko
nomisk	-regulering	-av	-nettselskap/om	-den	-okonomiske	-reguleringen/kile	-
kvalitetsjusterte	-inntektsrammer	-ved	-ikke	-levert	-energi/
NVE. (2021, 	9. 	november). 	nve.no.	 Hentet 	2. 	mai, 2022 fra Avbruddsstatistikk 2020:
https://www.	nve.no/reguleringsmyndigheten/publikasjoner	-og	-
data/statistikk/avbruddsstatistikk/avbruddsstatistikk	-2020/
Praktiknjo, A. J. (2014). Stated preferences based estimation of power interruption costs in
private households: An example from Germany. 	Energy, 76	, 82	-90.
Pöyry, & SINTEF. (2012). Samfunnsøkonomiske kostnader ved avbrudd og
spenningsforstyrrelser 	- Implikasjoner for regulering. 	Energi Norge, publikasjon nr
348	-2012	.
Reichl, J., Schmidthaler, M., & Schneider, F. (2013). 	The value of supply security: T	he costs of
power outages to Austrian. 	Energy Economics, 36	, 256	-261.
Sanghvi, A. P. (1982). Economic costs of electricity supply interruptions: US and foreign
experience. 	Energy Evonomics, 4(3)	, 180	-198.
SCB. (2022, 	14. 	januar). 	Konsumentprisindex (1980=1	00), skuggindextal samt index för
huvudgrupper, årsmedelvärden	. Hentet 	10. 	april, 2022 fra scb.se:
https://www.scb.se/hitta	-statistik/statistik	-efter	-amne/priser	-och	-
konsumtion/konsumentprisindex/konsumentprisindex	-kpi/pong/tabell	-och	-
diagram/konsumentpris	index	-kpi/kpi	-huvudgrupper	-ar/
Shivakumar, A., Welsch, M., Taliotis, C., Jakšić, D., Baričević, T., Howells, M., . . . 	Rogner, H.
(2017). Valuing blackouts and lost leisure: Estimating electricity interruption costs for
households across the European Union	. Energy Research & Social Science, 34	, 39	-48.

47
SSB. (2021, 	18. 	juni). 	Befolkningens utdanningsnivå	. Hentet	 22.	 april	, 2022	 fra ssb.no:
https://www.ssb.no/utdanning/utdanningsniva/statistikk/befolkningens	-
utdanningsniva
SSB. (2022). 	Elektrisitetspriser	. Hen	tet 	24. 	april, 2022 fra ssb.no:
https://www.ssb.no/statbank/table/09387/
SSB. (2022, 	10. 	mars). 	Konsumprisindeksen.	 Hentet 	15. 	mars, 2022 fra ssb.no:
https://www.ssb.no/priser	-og	-
prisindekser/konsumpriser/statistikk/konsumprisindeksen
Statnett. (2022, 	6. 	januar). 	Det eksepsjonelle kraftåret 2021	. Hentet 	10. 	april, 2022 fra
statnett.no: https://www.statnett.no/om	-statnett/nyheter	-og	-
pressemeldinger/nyhet	sarkiv	-2022/det	-eksepsjonelle	-kraftaret	-2021/
Stock, J. H., & Watson, M. W. (2003). 	Introduction to econometrics (Vol 104).	 Boston:
Addison Wesley.
Sullivan, M., Collins, M. T., Schellenberg, J., & Larsen, P. H. (2018). 	Estimating Power System
Interruption Costs: A Guidebook for Electric Utilities.	 Ernest Orlando Lawrence
Berkeley National Laboratory.
Van Exel, J., Brouwer, W. B., Van den Berg, B., & 	Koopmanschap, M. (2006). With a little help
from an anchor: Discussion and evidence of anchoring effects in contingent
valuation. 	The Journal of Socio	-Economics, 35(5)	, 836	-853.
Veisten, K., Hoen, H. F., & Strand, J. (2004). Sequencing and the adding	-up pr	operty in
contingent valuation of endangered species: are contingent non	-use values economic
values?. 	Environmental and Resource economics, 29(4)	, 419	-433.
Vista Analyse. (2017). 	Nye KILE	-funksjoner for husholdninger.	 Vista Analyse Rapport 2017/32.
Oslo.
Vista Analyse. (2018a). 	KILE	-funksjoner for husholdninger bygget på erfaringer med lange
avbrudd.	 Vista Analyse Rapport 2018/05. Oslo.
Vista Analyse. (2021). 	Husholdningenes kostnader og ulemper ved strømbrudd i og utenfor
hjemmet.	 Vista Anayse Rapport 2021	/49. Oslo.

48
 	Appendiks
Tabell 	9-1 – Variabelliste

49
Tabell	 9-2 – Regresjonsresultater 	generell	 modell 2021

50
Tabell 	9-3 – F-tester for grupper av 	forklaringsvariabler i forenklet modell 2017 («joint significance»)

Tabell 	9-4 – F-tester for grupper av forklaringsvariabler i forenklet modell 2021 («joint significance»)

Tabell 	9-5 – F-tester for grupper av forklaringsvariabler i forenklet samlet modell («joint significance»)

Tabell 	9-6 – Regresjonsresultater med interaksjonsvariabler	 på to inntektsgrupper

51
Tabell 	9-7 – Regresjonsresultater fra 	sensitivitetsanalysene. 1) 	Høye observasjoner er fjernet, 2) opprinnelige svar er benyttet
og 3) estimert ved en tobit	-modell

Husholdningers betalingsvillighet for å unngå strømbrudd

Vista Analyse	 | Rapport 2022/23	 	3

Vista Analyse AS
Meltzers gate 4
0257 Oslo

post@vista	-analyse.no
vista	-analyse.no