Reglerad miljöredovisning : Tillståndspliktiga företag i Dalarna 2013

Bakgrund: De verksamheter som bedriver miljöfarlig verksamhet enligt miljöbalkenär anmälnings- eller tillståndspliktiga. Dessa företag ska lämnamiljöinformation i förvaltningsberättelsen. Tidigare studier visar attföretagen inte följer denna regel fullt ut. Som förklaring till företagensval av att miljöredovisa eller att inte redovisa sin miljöpåverkan användervi oss av legitimitetsteorin och intressentteorin.Syfte: Syftet med undersökningen är att för år 2013 se hur väl detillståndspliktiga företagen i Dalarna följer lagen om miljöredovisningoch vilka faktorer som kan förklara deras tillämpning av lagen.Metod: Studien bygger huvudsakligen på kvantitativ metod med inslag avkvalitativ metod. Vi använder en deduktiv ansats för att skapa fyrahypoteser om omsättning, branschtillhörighet, revisionsbyrå ochskuldsättningsgrad. Urvalet är de tillståndspliktiga företagen i Dalarna.Varje företag kan ha flera enheter som är tillståndspliktiga och vårt urval,Dalarna, blir 209 enheter varav 116 är stora enheter.Slutsats: Företagen i Dalarna uppfyller inte lagen om reglerad miljöredovisning tillfullo. Endast 18 av 116 stora enheter uppfyller alla fyra punkterna.Däremot är det 61,2 procent av de stora enheterna som får tre poäng.Som en jämförelse med Ljungdahls studie där nästan 27 procent når trepoäng ser vi en klar förbättring. De faktorer som kan förklara företagenstillämpning av lagen i vår undersökning är omsättning, de som anlitarrevisionsbyrån PwC samt branschtillhörighet avlopp och avfall. Av defyra hypoteser som vi använder är det en som stämmer, två som förkastasoch en som vi inte med säkerhet kan avgöra om den ska vara kvar ellerförkastas.

Estimation of genetic variance for macro- and micro-environmental sensitivity using double hierarchical generalized linear models

Background: Genetic variation for environmental sensitivity indicates that animals are genetically different in their response to environmental factors. Environmental factors are either identifiable (e.g. temperature) and called macro-environmental or unknown and called micro-environmental. The objectives of this study were to develop a statistical method to estimate genetic parameters for macro- and micro-environmental sensitivities simultaneously, to investigate bias and precision of resulting estimates of genetic parameters and to develop and evaluate use of Akaike’s information criterion using h-likelihood to select the best fitting model. Methods: We assumed that genetic variation in macro- and micro-environmental sensitivities is expressed as genetic variance in the slope of a linear reaction norm and environmental variance, respectively. A reaction norm model to estimate genetic variance for macro-environmental sensitivity was combined with a structural model for residual variance to estimate genetic variance for micro-environmental sensitivity using a double hierarchical generalized linear model in ASReml. Akaike’s information criterion was constructed as model selection criterion using approximated h-likelihood. Populations of sires with large half-sib offspring groups were simulated to investigate bias and precision of estimated genetic parameters. Results: Designs with 100 sires, each with at least 100 offspring, are required to have standard deviations of estimated variances lower than 50% of the true value. When the number of offspring increased, standard deviations of estimates across replicates decreased substantially, especially for genetic variances of macro- and micro-environmental sensitivities. Standard deviations of estimated genetic correlations across replicates were quite large (between 0.1 and 0.4), especially when sires had few offspring. Practically, no bias was observed for estimates of any of the parameters. Using Akaike’s information criterion the true genetic model was selected as the best statistical model in at least 90% of 100 replicates when the number of offspring per sire was 100. Application of the model to lactation milk yield in dairy cattle showed that genetic variance for micro- and macro-environmental sensitivities existed. Conclusion: The algorithm and model selection criterion presented here can contribute to better understand genetic control of macro- and micro-environmental sensitivities. Designs or datasets should have at least 100 sires each with 100 offspring.