Metrics and Methods for Comparing Water Utility Rate Structures
Notice bibliographique
Résumé
Utility managers must design rate structures that meet multiple objectives: full cost recovery, fairness, economic efficiency, and resource conservation. To reach these multiple goals, the design of an optimal rate structure would ideally include detailed information on cost of service, demand elasticity, and preferences of the customer base within each utility. However this information is often unavailable, especially when analyzing utilities at regional or national scales. In this absence, the comparison or benchmarking of rate structures across utilities may reveal insights regarding the features, management, or performance of one utility relative to another. We review the metrics and methods available to water utility managers for comparing rate structures with publicly available information. By presenting the full range of metrics available to utility managers, we aim to facilitate the comparison of water rate structures, and ensure that the analysts can select the metric that best fits their needs. To illustrate how these metrics may help generate insight, we use them to compare the rate structures of five municipalities in Canada. Despite the contextual differences, we find that the rates tend to converge at a single metric, the Canadian standard of 25[Formula: see text]m 3 /month, suggesting that there is a “looking over the shoulder effect” in which managers are probably cognizant of the metrics used to compare them to others. We suggest that the design or re-design of rate structures can be informed by the metrics that compare rates across utilities, despite the limitations of working with only publicly available information.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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 ».