Designing two-part Greywater fees: Conceptual framework and empirical evidence from Germany
Notice bibliographique
Résumé
The wastewater sector in Germany -fragmented local natural monopolies under cost regulation and vulnerable to political intervention -comprises roughly 6.900 fee models. Unlike pricing schemes in other network economies, the prevalent fee models are quite simple as customers pay a single fee per cbm. Such a fee results in high incentives to reduce water consumption and greywater discharge simultaneously, which complies with the Water Framework Directive (WFD). However, the fee lacks financial, economic and social sustainability. Implementing an additional fixed fee seems to be a reasonable measure to remedy these shortcomings, although the fixed fee share in overall revenue remains an important control parameter to guarantee compliance with the WFD. Having argued for a two-part fee, two parameters for the fixed fee component must be defined: First, the fee base and second, the fee rate. Out of a wide range of possible fee bases, the 'Number of dwelling units in a residential building' is not just stable but also corresponds to the costs-by-cause principle and generates manageable transaction costs. However, transaction costs also depend on the extent to which gains and losses among customers due to the fee model switch occur. Testing different fee models with household data in three German cities of different population size, the authors find evidence that the number of dwelling units combined with a digressive rate structure results in less absolute gains/losses for customers. This finding is model-inherent and can be used to rethink fee models just based on the cbm. The authors recommend the fee model switch when (1) water consumption per capita is decreasing, (2) migration of water consumption is high and (3) resource costs are low.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».