MOHAMMED SEDDIK FILALI

L'EVOLUTION DE L'EFFICIENCE
TECHNIQUE DE LA PRODUCTION LAITIÈRE
QUÉBÉCOISE

Mémoire présenté
à la Faculté des études supérieures de l'Université Laval
dans le cadre du programme de maîtrise en économique
pour l'obtention du grade de maître es arts (M.A.)

FACULTE DES SCIENCES SOCIALES

UNIVERSITÉ LAVAL
QUÉBEC

2008

© Mohammed Seddik Filali, 2008

A la mémoire du Prof. Robert Romain.

1
 RÉSUMÉ

Cette étude analyse l'évolution de l'efficience technique de la production laitière

québécoise en utilisant des méthodes d'analyse de pointe. L'efficience technique
des fermes laitières est mesurée à partir de données de panel par le biais d'une
approche classique et d'une approche bayésienne qui permettent aux termes
d'inefficience de varier dans le temps. Cet exercice permet d'évaluer la robustesse
des estimés d'efficience technique par rapport au choix de la technique
d'estimation. L'impact du choix de la forme fonctionnelle est évalué en utilisant
une forme translog qui emboîte la forme Cobb-Douglas. Les facteurs influençant
l'efficience technique des fermes québécoises sont identifiés en décomposant les
mesures d'efficience en fonction des caractéristiques socio-économiques des
fermes. Le concept de dominance stochastique est utilisé pour évaluer jusqu'à quel
point les données supportent l'existence d'un processus de convergence dans
l'efficience des fermes. Cette étude utilise la banque de données AGRITEL
regroupant les producteurs qui sont associés à la fédération des syndicats de gestion
agricole (SGA) du Québec. Les résultats des analyses indiquent
qu'indépendamment de l'approche utilisée, les niveaux d'efficience technique
demeurent généralement très élevés, confirmant ainsi les résultats de Mbaga et al.
(2003). Ces résultats ne sont pas surprenants compte tenu de la stabilité des
politiques canadiennes dans le secteur laitier. Une tendance amélioratrice est
décelée également par le test de la dominance stochastique, mais cette tendance
semble s'estomper durant la période 1997-2003.

ii
 SUMMARY

This study looks into trends in levels of technical efficiency in dairy production in
Québec using the latest advances in the field. Levels of technical efficiency of dairy
farms are measured using both panel data and classical and Bayesian approaches.
This allows for efficiency levels to vary over time and ensures their robustness as it
relates to the estimation technique. The impact of the functional form is estimated
using a translog form within which is nested the Cobb-Douglas form. Déterminants
of farm level efficiency are estimated using farm-specific socio-economic factors.
Stochastic dominance is used to test for convergence in farm level efficiency. Data
used are from the AGRITEL database which contains information about farmers
who are members of the fédération of the Syndicat de gestion agricole (SGA) of
Québec. Results show that irrespective of the estimation method used, levels of
farm efficiency remain high, thus supporting results from Mbaga et al. (2003).
Thèse results are not unexpected given the stability of policies in the dairy sector.
Results of the stochastic dominance test show some improvement. However, that
trend disappears in the 1997-2003 period.
 AVANT-PROPOS

Le présent travail a été réalisé sous la direction du Prof. Bruno Larue, qui a succédé au
Prof. Robert Romain quand ce dernier a été incapacité par la maladie. Qu'ils trouvent
ici l'expression de mes sincères remerciements et de ma reconnaissance pour
l'encadrement attentionné qu'ils ont accordé à cette étude. Leur gentillesse et leur
modestie n'ont d'égal que leur compétence. Qu'il me soit permis de leur ré-exprimer
ma profonde gratitude. J'ai aussi eu le privilège d'avoir été co-dirigé par une sommité
dans le domaine des tests de dominance stochastique, le Prof. Jean-Yves Duclos. Je le
remercie pour son enthousiasme et sa générosité.

Je faillirais à mon devoir si je passais sous silence l'aide et les conseils ô combien
précieux du Prof. Nabil Amara. Qu'il me soit permis de lui exprimer ma vive
reconnaissance.

J'aimerais remercier chaleureusement mon épouse Jamila et notre aimable petite fille
Sarah qui m'ont accompagné durant toutes les étapes menant à la réalisation de ce
mémoire. Vous êtes extraordinaires, merci mille fois.

J'aimerais également remercier tous mes amis et mes collègues de travail qui ne m'ont
jamais refusé leur aide lorsque je les ai sollicités et m'ont témoigné une chaleureuse
sympathie.

Un dernier témoignage personnel, qui aurait pu être le premier, sera pour mes augustes
parents, mes sœurs et frères et à toute ma grande famille, leurs encouragements m'ont
permis de surmonter tous les problèmes que j'avais confrontés et réussir mon parcours
académique.

iv
 TABLE DES MATIÈRES

1 INTRODUCTION 1

1.1 Mise en contexte et problématique 1

1.2 Objectifs de la recherche 5
1.3 Organisation du mémoire 5

2 LA REVUE DE LA LITTÉRATURE 6

2.1 Pertinence du concept de l'efficience technique 6

2.2 L'efficience technique : définition 6
2.3 Discussion des approches pour mesurer l'efficience technique 8
2.4 Mesure de l'efficience technique avec des données de panel 11
2.5 Distributions et spécifications du terme d'inefficience technique 13
2.6 La dominance stochastique et l'inefficience technique 14
2.7 Les approches d'estimation économétrique et l'efficience technique 16

2.7.1 L'approche classique 17

2.7.2 L'approche bayésienne 18

2.8 Synthèse et hypothèses de recherche 20

3 MÉTHODOLOGIE ; 23

3.1 L'approche classique 23

3.2 L'approche bayésienne 26
3.3 Test de la dominance stochastique 29

4 RÉSULTATS ET DISCUSSION 36

4.1 Les données 36

4.2 Résultats 40

4.2.1 Modèle de l'effet de l'inefficience 40

4.2.2 Estimation classique vs estimation bayésienne 50

v
 4.2.3 Test de la dominance stochastique 58

5 CONCLUSION 62

6 RÉFÉRENCES BIBLIOGRAPHIQUES 65

vi
 LISTE DES TABLEAUX

Tableau 1 : Statistiques descriptives des variables du modèle de la frontière

stochastique du secteur laitier au Québec 37
Tableau 2: Estimés des paramètres de la fonction de production frontière
des différents modèles par la méthode du Maximum de
vraisemblance 42
Tableau 3: Tests LR pour la spécification des modèles 43
Tableau 4: Les estimés des élasticités des facteurs de production 45
Tableau 5: Les estimés par la méthode de maximum de vraisemblance des
effets du modèle de l'inefficience avec une frontière de
production translog et une spécification au changement
technologique 49
Tableau 6: Estimés de la frontière stochastique Cobb-Douglas avec une
efficience technique variable avec le temps via les méthodes de
Maximum de vraisemblance et Bayésienne 52
Tableau 7: Sommaire des statistiques des estimations classique et
bayésienne de l'efficience technique avec le temps 54
Tableau 8: Quelques distributions de fréquences des estimés moyens de
l'efficience technique 55
Tableau 9: Quelques quintiles des estimés moyens de l'efficience technique
via l'approche classique 56
Tableau 10: Quelques quintiles des estimés moyens de l'efficience technique
via l'estimation bayésienne 57
Tableau 11 : Test de la dominance stochastique restreint utilisant les scores
d'efficience technique des fermes laitières au Québec 59

vii
 LISTE DES FIGURES

Figure 1 : Représentation graphique de l'efficience technique et allocative 7

Figure 2 : Représentation graphique de la frontière de production stochastique 10
Figure 3: Composition génétique des fermes laitières au Québec 38
Figure 4: Répartition du niveau d'éducation des producteurs laitiers du
Québec 38
Figure 5: Niveau d'adoption des nouvelles technologies des fermes laitières au
Québec 39
Figure 6: La disposition graphique des distributions Cumulatives des estimés
de l'efficience technique 60

vin
1 INTRODUCTION

1.1 Mise en contexte et problématique

Ce chapitre introductif fait ressortir en premier lieu la pertinence du sujet. Il met en

évidence l'importance du secteur laitier canadien, ses principales caractéristiques
notamment le système de gestion de l'offre qui le régit, ainsi que la conjoncture actuelle
à laquelle il est confronté. En deuxième lieu, les objectifs spécifiques de l'étude sont
présentés. Le but de ce mémoire est de jeter un nouvel éclairage sur l'efficience
technique des fermes laitière au Québec en utilisant des méthodes d'analyse de pointe.

L'industrie laitière est le quatrième secteur en importance dans l'économie

agroalimentaire canadienne juste après les grains, les viandes rouges et l'horticulture.
En 2006, les exploitations laitières ont généré plus de 4,8 milliards de dollars en
recettes monétaires. Cette même année, les livraisons des usines laitières canadiennes
se sont chiffrées à 13 milliards de dollars et ont représenté 16,8 % de toutes les ventes
de l'industrie canadienne des aliments et des boissons. Pour l'année laitière 2005/2006,
environ 38 milles personnes travaillaient dans les 17,890 exploitations laitières
canadiennes, et quelques 26 000 autres sont employées dans les 282 usines canadiennes
enregistrées de transformation du lait1.

Toujours pour l'année 2006, les exportations canadiennes de produits laitiers se sont
chiffrées à 262,3 millions de dollars. Le Canada exportait alors principalement des
produits facilement entreposables et des produits haut de gamme tels que le fromage
cheddar fort. Pour leur part, les importations canadiennes de produits laitiers se sont
chiffrées cette même année à 519,6 millions de dollars. L'Union Européenne (UE),
l'Amérique du nord et l'Océanie représentaient les principaux fournisseurs de produits
laitiers pour le Canada avec respectivement 40,7 %, 24,3 % et 16,2 % de la valeur des
importations. Pour cette même année et pour une quatrième année consécutive, la

1
http://www4.agr.gc.ca/AAFC-AAC/display-afficher.do?id=l 182522993907&lang=f, Agriculture et
Agroalimentaire Canada, Octobre 2007

1
balance commerciale de produits laitiers du Canada s'est avérée déficitaire, la valeur
des importations excédant la valeur des exportations de 257,3 millions de dollars2.

Depuis le milieu des années 1960, le secteur laitier canadien a évolué sous le système
de la gestion de l'offre. En limitant l'importation et la production des produits laitiers,
ce système permet de générer des prix internes suffisamment élevés pour assurer que
70% des producteurs couvrent leur coût de production incluant la rémunération de leur
temps à un salaire d'ouvrier spécialisé.

À l'origine, ce système a été créé pour remédier aux problèmes engendrés par
l'instabilité des prix et de l'approvisionnement, et pour contrecarrer les effets néfastes
de la spéculation et de l'intermédiation. Les promoteurs de ce système font aussi valoir
qu'il encourage la souveraineté alimentaire. La gestion de l'offre est un système de
transferts financés par les consommateurs pour le bénéfice des producteurs laitiers
(Larue, 1994; Schmitz et Schmitz, 1994; Boyer et Charlebois, 2007). La contribution
du gouvernement se limite aux coûts de la réglementation qui sont beaucoup moins
élevés que si le Canada devait offrir le même soutien interne par le biais de
subventions.

Sous le système de la gestion de l'offre, les intérêts des consommateurs canadiens ne

sont certes pas au premier plan d'autant plus que le lait est un bien essentiel dont la
demande est inélastique. En effet, le prix du lait a augmenté de 53 % au cours des
douze dernières années, soit le double du taux de croissance de l'inflation, alors que,
durant la même période, les coûts de production ont enregistré une baisse de 3.8 %3. De
plus, le prix de détail du lait est de 37 % plus élevé au Québec qu'aux États-Unis.
L'Institut Économique de Montréal estime que le consommateur québécois
4
subventionne les producteurs de lait, des œufs de consommation et de poulet à hauteur
de 300 dollars par année par famille de 4 personnes. Cela représente un montant
faramineux de 575 millions pour l'ensemble de la province . De plus, ce système
accentue le problème d'iniquité fiscale. En effet, tous ceux qui achètent des produits

http://www.dairyinfo.gc.ca/ccilclc.htm, Centre Canadien de l'Information Laitière, Juin 2005.

3
http://www.iedm.org/uploaded/pdf/agri0807_fr.pdf, Institut Économique de Montréal, Août 2007.
4
Le secteur laitier représente 80% des produits régis sous la gestion de l'offre.
5
http://www.iedm.org/uploaded/pdf/agri0807_fr.pdf, Institut Économique de Montréal, Août 2007.

2
laitiers contribuent, sans égard à leurs revenus, à la rente des producteurs laitiers. En
raison de l'inélasticité revenu de la demande de lait, le fardeau des familles à faibles
revenus est relativement plus lourd que celui des familles à hauts revenus.

Le système de la gestion d'offre est un système qui limite l'entrée de nouvelles

entreprises dans le secteur laitier. En effet, les producteurs doivent investir dans des
droits de production, communément appelés quotas, pour pouvoir produire. Les prix
des quotas laitiers transigent à presque 27 000$/ kg de matière grasse par jour au
Québec6, ce qui constitue une barrière financière de taille pour la relève désireuse de se
lancer dans la production laitière.

Ainsi, l'industrie laitière canadienne, longtemps protégée de la concurrence

internationale, a évolué de façon différente que les industries laitières des États-Unis et
de la Nouvelle-Zélande (Romain et Sumner, 2001). Par exemple, la taille moyenne des
fermes a plus que triplé aux États-Unis entre 1976 et 2000 passant de 26,5 à 87,5
vaches. Durant la même période, au Canada, la taille moyenne des fermes a augmenté
de 24,5 vaches à 57,1 vaches : soit une augmentation de 130 %. Cependant, l'évolution
de cette structure diffère significativement d'une province à une autre. Entre 1976 et
1999, la taille moyenne des fermes a augmenté de 650 % en Alberta, passant de 14,2 à
107,5 vaches, alors qu'au Québec et en Ontario, les deux plus importantes provinces
laitières s'accaparant 75 % de la production canadienne, les taux de croissance ont été
de 52 % et 70 % respectivement (soit de 29,1 à 44,3 et de 33,5 à 56,8 vaches sur la
même période). Dans cet ordre d'idées, Romain et Sumner (2001) soutiennent que les
différences dans la productivité et la taille des fermes laitières canadiennes et
américaines sont principalement attribuables à la valeur élevée des quotas de
production découlant de la politique canadienne. Par contre, on ne sait pas si les fermes
canadiennes sont plus ou moins efficaces que les fermes américaines, lorsque l'on
contrôle pour la taille. On ne sait pas non plus jusqu'à quel point la productivité des
facteurs augmenterait si la taille des fermes canadiennes augmentait au point de
rejoindre la taille des fermes américaines.

6
http://www.dairyinfo.gc.ca/pdf/quota07.pdf, Centre Canadienne de l'Information Laitière, Août 2007.

3
Sur le plan du commerce international, le Canada est un grand joueur sur le marché
international des produits agricoles puisque pour l'année 2006 les exportations et les
importations canadiennes de ces produits ont atteint 27,86 et 22,42 milliards de dollars7.
Malheureusement, le Canada tient un double discours en prônant l'intensification des
échanges commerciaux tout en continuant de défendre son système de gestion de
l'offre. Ceci contribue à miner la crédibilité du Canada sur la scène internationale. Pour
les détracteurs du système de la gestion de l'offre, l'abolition de ce système donnerait
au Canada plus d'incitations à innover et à développer de nouveaux produits
(Petkantchin, 2006).

Récemment, l'Organisation Mondiale du Commerce (OMC) a rendu un jugement

contre le Canada suite à des plaintes des États-Unis et de la Nouvelle-Zélande. Cette
décision força le Canada à éliminer ses programmes d'exportation puisqu'ils
contrevenaient aux obligations canadiennes en ce qui a trait aux subventions à
l'exportation. Le dénouement du cycle de Doha pourrait amener d'importantes
augmentations dans l'accès des firmes étrangères au marché canadien par
l'élargissement des contingents et la diminution des tarifs. Le processus de
libéralisation pourrait éventuellement conduire au démantèlement de la gestion de
l'offre et fournir des opportunités de croissance aux fermes efficaces aux sens
technique et allocatif du terme.

En résumé, le système de la gestion d'offre dans le secteur laitier est un transfert des
consommateurs vers les producteurs. Ce transfert se fait sans égard à la capacité de
payer des consommateurs. Les prix des quotas laitiers constituent d'imposantes
barrières à l'entrée et contribuent au problème de relève. Le prix des quotas est aussi
responsable de la petite taille des fermes laitières au Canada. La libéralisation des
échanges est un processus irréversible qui va forcer les fermes laitières à être plus
compétitives en réponse à la concurrence étrangère.

La présente recherche met à contribution le concept d'efficience technique pour

élucider jusqu'à quel point les fermes laitières québécoises varient en terme

7
http://atn-riae.agr.ca/stats/4141_e.pdf, Agriculture et Agroalimentaire Canada, Octobre 2007.

4
d'efficience. De plus, nous mesurerons l'impact des déterminants de l'inefficience
technique pour ultimement élaborer un profil des entreprises efficaces.

1.2 Objectifs de la recherche

L'objectif général de cette étude est d'analyser l'évolution de l'efficience technique du

secteur laitier québécois. Pour atteindre cet objectif général, les objectifs spécifiques
suivants seront poursuivis :

1. Mesurer l'efficience technique des fermes laitières en utilisant des données de

panel. Identifier les facteurs influençant l'efficience technique des fermes
québécoises en reliant les mesures d'efficience aux caractéristiques socio-
économiques des fermes;
2. Évaluer la robustesse des estimés d'efficience technique par rapport au choix de
la technique d'estimation;
3. Mesurer l'importance du processus de convergence en efficience des fermes via
le concept de dominance stochastique;

1.3 Organisation du mémoire

La suite de ce mémoire s'articule comme suit : Dans le chapitre suivant, les concepts
théoriques qui sont à la base des outils empiriques utilisés dans cette recherche seront
présentés. Nous nous pencherons particulièrement sur les concepts d'efficience
technique, les frontières stochastiques et la dominance stochastique. Nous présenterons
aussi une brève revue des approches d'estimation économétrique de frontières
d'efficience. Le troisième chapitre est consacré aux aspects méthodologiques utilisés
pour atteindre nos objectifs de recherche. Le quatrième chapitre débute par une
description des données utilisées et de leurs sources. Le reste du chapitre est consacré à
la présentation des résultats et à la discussion de leurs implications. Finalement, le
cinquième et dernier chapitre résume nos résultats, discute de leurs limites ainsi que
d'avenues futures de recherche.

5
2 LA REVUE DE LA LITTÉRATURE

Ce chapitre présente les concepts théoriques ainsi que les outils analytiques utilisés
pour atteindre les objectifs de notre étude. Nous décrirons l'efficience technique, la
frontière stochastique et la dominance stochastique, et nous discuterons des analyses
ayant utilisé les approches classique et bayésienne pour estimer des frontières
stochastiques.

2.1 Pertinence du concept de l'efficience technique

L'évaluation de l'efficience économique peut être décomposée en efficience technique

et en efficience allocative. Dans cette étude, nous nous penchons sur l'efficience
technique, c'est-à-dire sur la capacité à produire le plus possible à partir de quantités
fixes d'intrants.

Durant les dernières décennies, des études sur l'efficience technique ont été réalisées
pour à peu près tous les champs d'activité économique (ex., hôpitaux, banques, fermes,
centrales électriques...). L'efficience technique est un concept d'un grand intérêt pour
les décideurs comme pour les entreprises surtout lorsque qu'il est possible de mesurer
l'impact des facteurs qui conditionnent l'efficience. Les décideurs peuvent ainsi
améliorer les programmes pour venir en aide aux entreprises. Les firmes peuvent aussi
prendre des mesures pour améliorer leur performance.

2.2 L'efficience technique : définition

Farrell (1957) fut le premier à concevoir l'efficience d'une firme comme étant le
produit de deux composantes : l'efficience technique qui reflète l'habilité d'une firme à
obtenir le maximum d'output à partir d'une quantité d'input donnée, et puis l'efficience
allocative qui reflète l'habilité de la firme à utiliser ses inputs dans des proportions
optimales, au regard de leurs prix respectifs.

6
Figure 1 : Représentation graphique de l'efficience technique et allocative.

y 2 /xn i

O Z' yj/x,

La figure 1 illustre les concepts d'efficience, en considérant le cas d'une production

avec deux outputs yi et y2 et un seul input xj. Pour une quantité de Xj fixée à un niveau
déterminé, la courbe ZZ ' représente la frontière des possibilités de production efficace.
Par conséquent, le pointa qui est à l'intérieur de la frontière correspond à la production
d'une firme inefficace. La mesure d'efficience technique selon Farrell (1957) est une
mesure radiale donnée par le ratio TE = OA/OB qui compare l'output réalisé à l'output
frontière. Définissant le prix relatif du bien #1 comme le négatif de la pente de la droite
d'isocoût DD' et B' comme le point allocativement efficace de production sur la
frontière, l'efficience allocative peut s'écrire AE = OB/OC. Par la suite, l'efficience
économique est le produit des deux dernières mesures : EE = TE x AE = OA/OC.

Selon Atkinson et Cornwell (1994) une unité de production est dite efficace au sens
technique du terme si, à partir du panier d'inputs qu'elle détient, elle produit le
maximum d'output possible, ou si pour produire une quantité donnée d'output, elle
utilise les plus petites quantités possibles d'intrants. L'utilisation du mot possible
indique que le concept d'efficience technique est un concept relatif dans le sens que la
perfonnance d'une firme dépend des autres firmes qui sont dans l'échantillon.

Pour mesurer empiriquement l'efficience technique, deux types d'approches sont

généralement utilisées : les approches paramétriques et les approches non

7
paramétriques. Les avantages et les inconvénients de ces approches sont discutés ci-
dessous.

2.3 Discussion des approches pour mesurer l'efficience technique

La mesure de l'efficience technique nécessite l'établissement d'une frontière de

production qui peut être paramétrique ou non paramétrique. La frontière non
paramétrique n'est pas liée à une forme fonctionnelle précise puisque l'isoquant
convexe et efficace associé à un niveau de production donné est estimé à partir d'un
nuage de points se situant tous au dessus et à droite de cet isoquant. Farrell (1957) est à
l'origine de la méthode par enveloppement des données, connue par l'acronyme DEA
pour « data envelopment analysis ». Cette méthode popularisée par Chaînes et al.
(1978) a l'avantage de ne pas imposer de forme fonctionnelle à la fonction de
production ni de restriction sur la distribution du terme de l'inefficience. Cependant,
aucune variation aléatoire n'est possible puisque l'inefficience est calculée comme
étant l'écart entre les observations et la frontière. Par conséquent, cette méthode est très
sensible aux observations extrêmes et ne permet pas de tests statistiques.

La frontière paramétrique déterministe diffère de la précédente par l'introduction d'une

forme fonctionnelle spécifique pour modéliser la fonction de production. Aigner et Chu
(1968) ont utilisé une forme fonctionnelle Cobb-Douglas pour estimer une fonction de
production frontière sous l'hypothèse de rendements constants. Leur modèle est défini
comme étant In yj = J3 In x, - w, où In yi est le logarithme de la production de la firme i;

jc,est un vecteur colonne (k+1) dont le premier élément est "1" et les autres éléments
sont les k quantités d'intrants utilisés par la firme i; /? est un vecteur ligne des
paramètres inconnus à estimer, et; ui est une variable aléatoire non négative qui reflète

l'inefficience technique, L'efficience technique est donnée par le ratio TE, compris
entre 0 et 1, tel que: TEi..= yt/exp(/? In xt) = exp(/? In xt,- ut)/exp(/? In x,) - exp(-w))
où y( est la production observée de la firme i et exp(/? In x, ) est la production frontière
estimée. Cette approche est vite devenue obsolète à cause de la nature déterministe de
sa frontière de production et sa sensibilité aux observations extrêmes. Bien que cette

8
approche prenne en compte l'erreur aléatoire, elle estime une fonction moyenne et non
pas une fonction frontière. Par conséquent, elle est incapable de décomposer l'écart
entre la fonction estimée et les observations en termes d'ineffîcience et d'erreur
aléatoire.

Les approches non paramétriques et paramétriques discutées précédemment permettent

de caractériser une fonction frontière déterministe s'appliquant à toutes les firmes.
C'est-à-dire que toutes les firmes utilisent la même technologie et que leur performance
respective est obtenue en comparant leur output à la frontière (commune) de
production. Tout écart entre l'output d'une firme et la frontière est entièrement attribué
à l'inefficience. Cette notion de frontière déterministe néglige la possibilité que la
performance d'une firme puisse être affectée par plusieurs facteurs hors de son contrôle,
tels que les aléas climatiques, un bris mécanique fortuit ou encore une pénurie
d'intrants. Pourtant, l'effet de ces facteurs incontrôlables peut être très important
(Amara et Romain, 2000). Pour ces raisons, il y a eu un intérêt croissant pour les
frontières stochastiques non paramétriques et semi paramétriques (Kneip et Simar,
1996; Henderson et Simar, 2005).

Cependant, et du moment que notre technologie est supportée par une forme
fonctionnelle flexible, l'approche stochastique paramétrique trouve toute son utilité.
Initialement, proposée par Aigner, Lovell et Schmidt (1977) et Meeusen et Van Den
Broek (1977), et améliorée par Jondrow et al. (1982), elle permet l'estimation des
scores d'efficience technique spécifiques à chaque firme. L'intégration de ces effets
aléatoires se fait par la décomposition de l'erreur en deux termes: une composante
d'ineffîcience et une composante d'erreur aléatoire combinant les erreurs de mesure et
les chocs exogènes. La composante aléatoire suit une distribution symétrique normale,
tandis que la composante inefficience suit une distribution asymétrique définie
positivement pour une fonction de coût et négativement pour une fonction de
production. Elle permet ainsi d'estimer une fonction frontière qui tient compte
simultanément de l'erreur aléatoire et d'une composante d'ineffîcience spécifique à
chaque firme. La figure 2 permet d'illustrer cette caractéristique. Dans cet exemple, la
firme Ci affiche une inefficience w/, et un choc exogène favorable vj, plus importants
que ui, qui la place au-delà de la frontière efficace. Par contre, l'inefficience U2 de la

9
firme C2 est détériorée par un choc exogène défavorable v2 qui la situe davantage en
deçà de la frontière efficace, comme dans Guarda et Rouabah (1999).

Figure 2 : Représentation graphique de la frontière de production stochastique.

1 Ci
ili
A,
u,
Bi
A2
il ^ ^ J
B2
. i/y.i 1 c2

►
o

Pour un échantillon de firmes i=l,.., N, la frontière de production se définit comme

suit : y: = /(x,., /?) exp(v, - w, ) où yt dénote la production de fme firme dans

l'échantillon ; x ; est un vecteur (lxk) des inputs utilisés par la ieme firme; p est un
vecteur (kxl) de paramètres à estimer. Les v, représentent les termes d'erreurs
aléatoires qui sont supposés être indépendants et identiquement distribués selon la loi
normale N(0,a^). Les ut représentent les termes de l'inefficience technique et sont
supposés être indépendants de v, ; w, admet plusieurs distributions telles la gamma,
l'exponentielle ou la normale tronquée. L'efficience technique de la fme firme est
donnée par TEi = j ( .//(x ( .,/?).exp(v ( ) = exp(-w,.) où yt est le niveau de production

observé et /(x,.,y5).exp(vJ)est la frontière stochastique de production. Il est à noter

que / ( . ) peut prendre plusieurs formes fonctionnelles telles que Cobb-Douglas, CES,
Translog.8

* Mbaga et al. (2003) et Giannakas et al. (2003) offrent des comparaisons par rapport à la performance de différentes
formes fonctionnelles et différentes distributions pour le terme d'inefficacité.

10
La mesure du changement technologique dans un secteur d'activité économique
requiert l'introduction de la dimension temporelle dans les données. Ceci nécessite le
recours à des données de type panel. Le paragraphe ci-dessous discute des avantages de
mesurer l'efficience technique avec ce type de données.

2.4 Mesure de l'efficience technique avec des données de panel

Les modèles faisant appel à des données de type panel sont très utiles pour modéliser
différentes sources d'hétérogénéité et ce dans plusieurs domaines d'activité
économique. Par conséquent, il y a un intérêt grandissant pour modéliser cette
hétérogénéité. Cette dernière dépend essentiellement des habilités des gestionnaires et
des ouvriers qui opèrent au sein des firmes. Un panel est constitué d'un ensemble
d'observations de N individus, sur plusieurs périodes T,. Un individu est une unité
statistique observée, qui peut représenter une firme, une ferme, un ménage ou un
consommateur. L'empilement des données transversales résulte en une base de données
unique dite de panel,9 plus large qu'une série chronologique sur une firme, et plus
informative qu'une coupe transversale qui n'a qu'une observation pour chaque firme.
L'utilisation de données de panel offre de nombreux avantages1 comme de réduire le
biais d'estimation des coefficients, de prendre en compte l'hétérogénéité de nature non
observable, de réduire le risque de multicolinéarité, d'effectuer des tests plus complets
sous des conditions moins restrictives (Hsiao, 1986 p. 311), et de relaxer certaines
hypothèses fortes en ce qui a trait aux distributions utilisées lorsque les données sont
transversales (Schmidt et Sickles, 1984).

Le modèle panel peut s'écrire comme suit yu = f(xtl,/?)exp(v;, -ujt) ; où yu dénote la

production de ieme firme dans l'échantillon à la fme période; xu est un vecteur (lxk)
d'inputs utilisés par la fme firme à la fme période; et /? est un vecteur (kxl) de
paramètres à estimer. Les vu représentent les termes d'erreurs aléatoires qui sont par

hypothèse indépendamment et identiquement distribués selon la loi normale JV(0, a] ) .

9
Les données de panel sont appelées données longitudinales dans la littérature statistique (Koop, 2003 p. 147).
10
Hsiao, C, Panel Data Analysis-Advantages and challenges, University of Southern California, 2006. Disponible à :
http://papers.ssrn.com/sol3/papers.cfm?abstract_id=902657.

11
Les uu représentent les termes d'inefficience technique. Ils sont indépendants de vu,
par hypothèse, mais peuvent être spécifiés en fonction de différentes distributions :
gamma, exponentielle ou normale tronquée. L'efficience technique de la ieme firme à la
fme période est donnée par TEU - yil/f(xjl,/3).exp(vil) = exp(-uil) où yu est le niveau

de production observé et /(x„,/?).exp(v (7 )est la frontière stochastique de production.

Il est à noter que / ( . ) peut emprunter plusieurs formes fonctionnelles telles que Cobb-
Douglas, CES, Translog, Leontief généralisée... On distingue trois approches
d'estimation. La première est à effets fixes, c'est-à-dire que uu est traité comme un

paramètre fixe à estimer. Par conséquent, l'hétérogénéité est modélisée par un effet
individuel générique qui a l'avantage d'être simple à opérationnaliser. Toutefois,
lorsque le nombre d'individus est grand, le nombre de paramètres à estimer est excessif.
La deuxième approche est celle à effets aléatoires qui traite l'effet
2
individuel ujt~iid N(0,a ) non plus comme un paramètre fixe à estimer mais

comme une variable aléatoire non observable. Il est à noter que ujt et v„ doivent être

non corrélés pour tous les i et t. Le choix entre les approches à effets fixes et à effets
aléatoires dépend des considérations telles que la nature de l'effet individuel, le nombre
d'unités statistiques, la nature de l'échantillon et le type d'inférence qu'on veut faire
(Dormont, 2003 p. 20). Finalement, la troisième approche introduit des coefficients
aléatoires dans la spécification du modèle. Cette approche a l'avantage d'être très
flexible en permettant à certains coefficients de varier d'une unité à l'autre sous
différentes hypothèses en ce qui a trait à la distribution de chaque coefficient aléatoire.

12
2.5 Distributions et spécifications du terme d'ineffïcience technique

Stevenson (1980) a proposé l'utilisation d'une distribution normale tronquée pour le

terme d'ineffïcience qui doit être strictement positif. Greene (1990) a utilisé une
distribution gamma tandis que Koop (1997) a utilisé une distribution exponentielle. Ces
distributions ont été critiquées car elles restreindraient arbitrairement la moyenne des
effets d'ineffïcience technique. Par contre, Kumbhakar et Lovell (2000 p. 90)
soutiennent que le classement des scores d'mefficience ou des firmes est robuste par
rapport au choix de distribution. Les résultats de Mbaga et al. (2003) par rapport aux
corrélations des scores suggèrent aussi que le choix de distribution importe peu en
pratique.

L'efficience technique peut varier avec le temps, par ailleurs et la considérer constante
constitue une hypothèse forte qui peut se justifier lorsque les données ne couvrent pas
de longues périodes. Dans un environnement compétitif, Kumbhakar (2000)
recommande de relâcher cette hypothèse, même si cela implique des paramètres
supplémentaires à estimer. Par conséquent on peut remplacer le terme ui dit « time

invarying » par w„ qui est dit « time varying TE ». Kumbhakar et al. (1990) furent les
premiers à proposer ce raffinement qui pose un problème d'estimation puisqu'il
implique l'estimation de (NxT + k + l) paramètres avec seulement NxT
observations.

Kumbhakar et al. (1990) ont pallié à ce problème en réduisant le nombre de paramètres

à estimer à (3xN + k + l)en posant /?., = J30 -uit = Q n +Çll2t + Cit3t2. Cette

spécification permet à l'efficience technique de varier avec le temps, mais de

différentes manières pour chacune des firmes11. En imposant Q,2 = Q /3 = 0, le modèle

redevient «time invarying». Si, par contre, Qi2 = Q 2 e t Q ;3 = Q 3 Vz alors, notre

modèle se réduit à celui à effets fixes avec une constante spécifique à chaque firme Q,,

et un terme temporel quadratique commun à toutes les firmes, soit Çï2t + Çl3t2. Cette

Notons que si T=2 ou T=3 cette spécification ne pose pas de problèmes d'estimation.

13
version restreinte peut s'interpréter de deux manières : (i) L'efficience technique est
spécifique à chaque firme, tout, en variant de la même manière avec le temps pour
toutes les firmes, (ii) L'efficience technique est spécifique à chaque firme, tout en étant
invariable dans le temps, en considérant que le terme temporel capture les changements
technologiques.

Une formulation alternative a été proposée par Lee et Schmidt (1993) qui
spécifie uu =/3(t)ui, où/?(r) est une fonction monotone comprise entre 0 et 1. Par

exemple, lorsque /?(?) = /?,, on a un ensemble de variables binaires du temps. Cette

formulation semble être plus flexible que la première en ce sens que l'effet dans le
temps n'est pas nécessairement monotone. Par contre, le pattern temporel /?, est

contraint à être le même pour toutes les firmes. Cette formulation est appropriée dans le
cas ou T n'est pas grand, puisqu'il faudrait estimer T-l coefficients supplémentaires.
Kumbhakar (1990), quant à lui, a proposé la spécification p{t) = [1 + exp(y.t + SJ2)]'1
qui nécessite l'estimation de seulement deux paramètres supplémentaires y et 5.
Battese et Coelli (1992) ont suggéré la formulation J3(t) = e\p[-y(t-T)] qui requiert
l'estimation d'un seul paramètre supplémentaire.

Battese et Coelli (1995) ont développé la très populaire spécification u„ =Zuô + Wjt,

où Zu est le vecteur (1 x m) de variables spécifiques aux firmes qui peut varier avec le

temps, S est le vecteur (m x 1) de paramètres inconnus relié aux variables spécifiques

aux firmes, et Wu est une variable aléatoire définie par la troncation au point - Zjtô de

la distribution normale de moyenne 0 et d'écart type a. Les uu sont supposés

indépendants pour tous les i et t de sorte que uu ~ N+(ZjtS,a2). Cette spécification

génère des effets spécifiques pour chaque firme.

2.6 La dominance stochastique et Pineffïcience technique

La spécification paramétrique du terme de l'inefficience variable dans le temps est une

façon d'identifier la présence ou non d'un mécanisme qui amène les firmes à devenir de

14
plus en plus efficace dans le temps. Ce mécanisme s'apparente à un processus de
rattrapage qui amène les firmes à se rapprocher de la frontière d'efficience. Il peut être
motivé par un transfert de façons de faire des firmes plus efficaces aux firmes moins
efficaces. La spécification paramétrique de l'inefficience variable impose une forme
spécifique au mécanisme qui peut ne pas traduire adéquatement le phénomène de
rattrapage. Par exemple, il est possible que le rattrapage se fasse à vitesses variables
durant la période couverte par l'échantillon et qu'il soit influencé par des variables non-
observables. S'il y a un phénomène de rattrapage, celui-ci devrait être observable en
comparant les distributions des scores d'efficience entre deux périodes. Pour identifier
le phénomène de rattrapage, nous nous servirons du concept de dominance stochastique
qui est couramment utilisé pour comparer les distributions de la richesse entre pays ou
régions (Duclos et al. 2005).

On dit qu'une variable aléatoire X domine stochastiquement une variable aléatoire Y

si Pr(X > z) > Pr(7 > z) pour tout z e 9Î ou si F(z) < G(z), où F(.) et G(.) sont
respectivement les fonctions (cumulatives) de distributions de X et Y et Pr(.) est une
probabilité. Si on considère deux distributions A et B pour les variables aléatoires X et

7 , on a DlA(x)sFA(x) et DSA(x) = JDsAl(y)dy pour tout entier s>2. DsB(x) est

0

x
1
défini de la même manière et pour tout degré s, on a: D" (x) = [(x - y)s~] dF(y)

(Davidson et Duclos, 2000). On peut alors conclure que la distribution B domine

stochastiquement au degré s la distribution A si D'A (x) > DB (x), V x e9î. Pour un seuil
d'efficience technique te > 0, on dit que la distribution de scores d'efficience B domine
stochastiquement la distribution de scores d'efficience A au premier degré pour le seuil
choisi si : DA (x) > DB (x), V x < te. Ceci implique que le nombre de fermes laitières
en dessous du seuil d'efficience te est plus élevé en A qu'en B. On dit que B domine
stochastiquement A au second degré pour le seuil te si : D2A (x) > D2B (x) V x < te.
Ceci implique que l'écart d'efficience entre les fermes en A est plus élevé que celui en
B pour tous les seuils x < te. L'approche est généralisable à tout degré s désiré.

Ravallion et al. (1994) et Davidson et Duclos (2000) dénomment D\x) la courbe

d'incidence, D2(x) la courbe d'écart, et finalement D 3 (x) la courbe de sévérité.

15
2.7 Les approches d'estimation économétrique et l'efficience
technique

L'inférence statistique sur l'efficience technique requiert des méthodes d'estimation des
paramètres centraux tels que la moyenne, ainsi que des paramètres de dispersion tels
que la variance. De telles méthodes sont disponibles aussi bien pour l'approche
classique que pour l'approche bayésienne. L'approche bayésienne peut être vue comme
une généralisation de l'approche classique en ce sens que les paramètres ne sont plus des
valeurs fixes inconnues mais des variables aléatoires dont il faut spécifier la
distribution. Cette distribution est appelée Va priori. L'intégration de l'information
apportée par les données se fait par le calcul de la distribution dite à posteriori et qui
n'est autre que la distribution conditionnelle aux valeurs prises par les données. Par
ailleurs, la méthode de Bayes combine, à la fois, les connaissances préalables sur les
paramètres ainsi que l'information contenue dans l'échantillon. En guise d'exemple,
considérons que la pente d'une courbe d'offre devrait être de signe positif. Le chercheur
s'attend à ce que le paramètre de pente soit strictement non-négatif a priori et cette
information par rapport à la distribution du paramètre contraint selon sa précision
l'estimation des paramètres a posteriori. Il est à signaler que le poids de Va priori par
rapport aux données est critique. S'il est trop élevé alors les données interviendront peu
et la distribution à posteriori ne sera rien d'autre que la distribution a priori.
L'utilisation des a priori peu informatifs peut éviter ce genre de problèmes. Mais on
peut très bien imaginer des cas où la connaissance avant l'expérience doit être beaucoup
plus pesante que celle apportée par les données. Les lecteurs désirant approfondir sur ce
sujet peuvent se référer à Zellner (1971); Koop (2003) et Gelman et al. (2004).

16
2.7.1 L'approche classique

Dans le cadre de l'approche classique, Jondrow et al. (1982) ont proposé une méthode
pour estimer la moyenne conditionnelle de l'efficience technique. Battese et Coelli
(1988) ont généralisé cette méthode pour les données de panel et un terme
d'inefficience technique qui n'est pas variable avec le temps et qui suit une distribution
normale tronquée. Horace et Schmidt (1996) ont proposé un intervalle de confiance
pour une spécification non variable avec le temps du terme de l'efficience technique tel
que dérivé par Jondrow et al. (1982) et Battese et Coelli (1988). Hadri, Guermat et
Whittaker (2003) ont généralisé cette méthode d'intervalle de confiance pour des
données de type panel supportant des scores d'inefficience technique variables avec le
temps. Il y a eu également plusieurs tentatives de mesurer les effets de divers facteurs
exogènes sur les scores d'inefficience des firmes. Pitt et Lee (1981) et Kalirajan (1981)
ont décomposé l'inefficience par le biais de plusieurs variables explicatives à partir de
données transversales. Pour cela, ils ont procédé en deux étapes: (i) on a estimé la
frontière stochastique de production pour obtenir les scores d'inefficience technique,
pour ensuite (ii) régresser les effets d'inefficience technique sur des variables
explicatives. Kumbhakar, Gosh et Liu (1994), Reifschneider et Stevenson (1991) ont
proposé une estimation simultanée de ce modèle.

Battese et Coelli (1995) ont étendu ce modèle pour les données de panel, (Kumbhakar,
2000) en proposant trois techniques d'estimation: (i) la technique avec effets fixes
basée sur l'estimateur LSDV (least squares with dummy variables); (ii) la technique
avec effets aléatoires basée sur l'estimateur GLS (generalized least squares); (iii) la
technique du maximum de vraisemblance (MLE). Toutes ces techniques imposent des
conditions particulières sur les données. L'utilisation d'une plutôt que d'une autre de
ces techniques dépend du nombre d'unités et de périodes dans le panel et de la nature
de l'effet individuel (fixe versus aléatoire). Si l'hypothèse de l'indépendance de l'effet
individuel des regresseurs est plausible, le MLE s'avère alors plus efficient que le LSDV
et le GLS parce qu'il exploite l'information sur les distributions des erreurs
(Kumbhakar, 2000 p. 106). En maintenant les hypothèses que les termes d'erreurs
soient identiquement, indépendamment et normalement distribués; la distribution
conjointe des termes d'erreurs n'est que le produit de distributions normales de

17
moyenne zéro et de variance a2 tel quef(£],£2,...,£T)-f(£])xf(£2)x...xf(£T).

Puisque £t = yt -x,j3 et que le jacobien de transformation est égal à la matrice unitaire

est
IT, alors la vraisemblance de_y,, y2---> )>T représentée par
iid

g(yl,y2,...,yT) = g(y])xg(y2)x...xg(yT). Il s'agit d'une fonction de densité

conjointe des données ayant comme inconnus le vecteur p et le paramètre a de sorte
que: L{y,/3,CF)-P{y^,p,a)xP{y2,p,(j)x...xP{yT,p,a). La technique MLE
consiste à maximiser cette fonction par rapport à /? et a et à solutionner le système
d'équations qui en résulte. Le logarithme naturel de cette fonction est une
transformation monotone et positive de la vraisemblance qui ne change en rien la
solution et qui facilite de beaucoup les calculs. Une fois qu'on obtient les J3 et a
optimaux, on peut alors faire toutes les inférences statistiques requises.

Récemment, Mbaga et al. (2003) ont estimé l'efficience technique des fermes laitières
au Québec en utilisant la méthode MLE sur des données transversales pour l'année
1996. Ils ont comparé plusieurs formes fonctionnelles pour décrire la fonction de
production ainsi que quelques distributions pour le terme d'inefficience. Il ressort de
cette étude que les fermes laitières du Québec sont très homogènes puisque le niveau
moyen d'efficience est élevé et qu'il y a peu de dispersion. Les auteurs ont aussi
démontré à partir de coefficients de corrélation que les choix d'une forme fonctionnelle
et de la distribution du terme d'erreur avaient relativement peu d'impact sur le
classement des fermes. Par contre, les résultats obtenus avec la méthode par
enveloppement des données donnent des résultats très différents.

2.7.2 L'approche bayésienne

Van den Broeck, Koop et Osiewalski (1994) ont été parmi les premiers à appliquer les
procédures bayésiennes à l'estimation des frontières stochastiques. Ils ont rapporté que
ces procédures ont le mérite de fournir des inférences exactes sur les scores de
l'efficience technique lorsque les échantillons sont petits, d'incorporer des avis
d'experts via les a priori et d'intégrer facilement les restrictions comme les conditions
de régularité. L'estimation de modèles de frontière stochastique par l'approche
bayésienne requiert l'utilisation de méthodes d'intégration numérique. Dans ce

18
contexte, la Chaîne Markovienne12 de Monte Carlo13 « MCMC »14 est la méthode la
plus appropriée Griffen et Steel (2005). Elle a été utilisée par Koop, Steel et Osiewalski
(1995) et a été adoptée par Kurkalova (2002), Huang (2004) et Kumbhakar et Tsionas
(2005). Kim et Schmidt (2000) ont comparé les estimés des approches classique et
bayésienne dans un contexte de données de panel. Pour répondre aux besoins de la
recherche appliquée quant aux modèles de frontières stochastiques via l'approche
bayésienne, Griffen et Steel (2005) ont développé un logiciel fiable et convivial du nom
de « WINBUGS » qui permet d'appliquer la méthode « MCMC ».

La caractéristique principale de l'approche bayésienne est de traiter le vecteur

6 = {p,a) comme un vecteur aléatoire et non pas fixe comme c'est le cas dans
l'approche classique. L'approche bayésienne s'appuie sur le théorème de Bayes qui
stipule que pour deux variables aléatoires y et 6 :

P(y,9) = P(9\y)xP(y) = P(y\9)xP(9) et P{9 \ y) = P<<y * -^ X P ^ où P(y,0) est

P(y)
la probabilité conjointe de y et G, P(y \ 6) est la fonction de vraisemblance, une
fonction de densité des données y conditionnée par les paramètres du modèle 9, P(y)
est la probabilité marginale de y qui assure que l'intégrale de P{0 \ y) est égale à un,
P(01 y) est la fonction de densité à posteriori qui peut être vue comme une mise à jour
des connaissances a priori par rapport au vecteur de paramètres 9, et P{9) est la
fonction de densité a priori. L'inférence statistique de Bayes se base sur l'exploitation
de la loi à posteriori. C'est ainsi qu'on peut calculer la moyenne de 9 par la

12
Une chaîne de Markov est un processus stochastique possédant la propriété markovienne. Dans un tel processus, la
prédiction du futur à partir du présent ne nécessite pas la connaissance du passé. Une chaîne de Markov en temps
discret est une séquence X.,X2,X,,...<le variables aléatoires. L'ensemble de leurs valeurs possibles est appelé
l'espace d'étal, la valeur X„ étant l'état du processus au moment n. Si la distribution de probabilité conditionnelle de
X„n sur les états passés est une fonction dépendant que de X„, alors :
P{Xn^ = x\X0,Xl,X2,...,XJ = P(Xlltl =x\X„)-

13
La méthode de Monte Carlo consiste à calculer une valeur numérique en utilisant des procédés aléatoires. Elle est
particulièrement utilisée pour calculer des intégrales de dimensions plus grandes que 1. Elle consiste à isoler un
certain nombre de variables et à leur affecter une distribution de probabilités. Pour chacun de ces facteurs, on effectue
un grand nombre de tirages aléatoires dans les distributions déterminées précédemment, afin de déterminer la
probabilité d'occurrence de chacun des résultats.

14
La méthode « MCMC » combine les procédés aléatoires de la méthode de Monte Carlo au processus de la chaîne
markovienne. Contrairement à la méthode de Monte Carlo les tirages aléatoires de la méthode « MCMC » ne sont pas
indépendants. L'application la plus commune de cette méthode consiste à calculer numériquement des intégrales
multidimensionnelles. C'est pour cette raision que les premiers tirages sont rejetés.

19
formule E(û) = )6.P(0 \ y)dO en utilisant la méthode d'intégration de Monte Carlo qui
requiert des tirages dans la distribution de P(0 \ y). Dans le cas d'une distribution a
priori naturelle conjuguée, les fonctions de densité a priori et à posteriori sont de la
même forme, mais avec des paramètres modifiés. Néanmoins, il est parfois possible
d'obtenir une solution analytique mais plus souvent qu'autrement, la densité à
posteriori n'a pas de forme analytique précise et il est alors impossible de tirer des
valeurs directement dans cette distribution. L'échantillonnage de Gibbs vient palier à ce
problème. Soit f(x,y,z) une fonction de densité jointe, et supposons qu'il est
impossible de faire des tirages à partir de cette distribution. Si par contre les
distributions conditionnelles f(x \ y, z), f(y\x,z) et f(z\x,y) sont adéquatement
caractérisées, des tirages récursifs et itératifs dans ces distributions conditionnelles
peuvent alors reproduire les paramètres de la fonction de densité jointe f(x,y,z).

Dans l'éventualité ou l'une ou l'autre des distributions conditionnelles ne sont pas

caractérisées avec suffisamment de précision, on doit alors avoir recours à l'algorithme
Metropolis-Hastings. Sous l'hypothèse qu'il est impossible de tirer de la distribution

f(y\ x' + 1 ,z'), l'algorithme Metropolis-Hastings débute en choisissant une valeur

d'essai y'+l = y' +rj où t] est tiré d'une loi normale. On calcule ensuite le ratio

f(yM |x'' +, ,z')

r= : ——:— et si r > 1 on accepte la valeur d'essai, sinon on l'accepte avec
+
/0>V V)
une probabilité égale au ratio r de sorte que : yM -rxy'+] +(\-r)xy' Le lecteur
désirant plus de détails sur l'algorithme Metropolis-Hastings peut consulter Koop (2003,
p.92-99).

2.8 Synthèse et hypothèses de recherche

Notre survol de la littérature a démontré que la mesure de l'efficience technique est un

domaine de recherche très dynamique qui a bénéficié de nombreuses avancées tant du
côté de l'approche d'estimation classique que de l'approche bayésienne, pour des
données transversales comme pour des données de panel. La modélisation de
l'évolution des scores d'inefficience des firmes dans le temps est une problématique qui

20
a attiré de nombreuses contributions. Cornwell, Schmidt et Sickles (1990) et
Kumbhakar (1990) furent parmi les premiers à estimer des frontières stochastiques
permettant aux scores d'efficience des firmes de varier dans le temps.
Malheureusement, les méthodes proposées par ces auteurs imposaient des restrictions
arbitraires sur les variations de court terme des scores d'inefficience. Récemment, Anh,
Good et Sickles (2000) ont proposé une frontière stochastique qui admet un processus
autorégressif pour les scores d'inefficience. Bien que plus général, cette approche
demeure passablement restrictive. Une alternative est d'estimer des scores
d'inefficience pour chaque année et de comparer les distributions des scores (comme la
moyenne et autres moments). Si un processus de convergence fait en sorte que les
scores des firmes inefficaces augmentent plus rapidement que ceux des firmes
efficaces, cela devrait avoir une incidence sur les distributions des scores et cet effet
devrait être détecté par des tests de dominance stochastique.

Notre objectif est d'analyser l'efficience technique des fermes laitières québécoises en
utilisant différentes approches de façon à évaluer la robustesse de certaines conclusions
et d'exploiter les spécificités de chacune des approches. Plus spécifiquement, nous
nous servirons de données de panel pour estimer de différentes façons des frontières
stochastiques avec des termes d'inefficience fixe et variable et nous analyserons les
distributions des scores des fermes avec des tests de dominance stochastique pour
vérifier s'il y a ou non convergence en efficience technique.

Considérant notre objectif de recherche et la revue de littérature présentée

précédemment, nos hypothèses de recherche sont les suivantes :

1. Les scores élevés de Mbaga et al (2003) dérivés à partir d'une année de données
sont semblables à ceux dérivés de données panels.

2. Il y a un phénomène d'amélioration généralisée compatible avec un phénomène

de convergence, c'est-à-dire que les scores des fennes moins efficaces
s'améliorent plus rapidement que ceux des fermes plus efficaces.

3. L'inefficience des fermes laitières est conditionnée par des variables

sociodémographiques

21
Pour répondre à la l erc question et à la l ere partie de la 2e question, des scores
d'efficience sont calculés par le biais d'une approche classique et d'une approche
bayésienne qui permet aux termes d'inefficience de varier dans le temps. Ainsi on
détermine la robustesse des estimés d'efficience technique par rapport au choix de la
technique d'estimation. Nous évaluons aussi l'impact du choix de la forme
fonctionnelle en utilisant une forme Translog qui emboîte la forme Cobb-Douglas et
nous faisons un test de spécification pour vérifier si les restrictions associées à la forme
Cobb-Douglas sont supportées par les données. La 2e partie de la 2e question est traitée
en estimant des frontières stochastiques pour chacune des années de notre échantillon et
en comparant les distributions des scores par le biais d'un test de dominance
stochastique récemment développé par Davidson et Duclos (2006). La 3e question est
traitée en décomposant le terme d'inefficience «,., selon l'équation w„ = Zuô + Wu, où

Zit est le vecteur (1 x m) de variables spécifiques aux firmes qui peut varier avec le

temps, S est le vecteur (m x 1) de paramètres inconnus relié aux variables spécifiques

aux firmes, et Wjt est une variable aléatoire définie par la troncation au point - Z,.,S de

la distribution normale de moyenne 0 et d'écart type a.

En relation avec les objectifs de l'étude, le chapitre suivant présente en trois sections les
aspects méthodologiques poursuivis, à savoir l'approche classique, l'approche
bayésienne et le test de la dominance stochastique restreint.

22
3 MÉTHODOLOGIE

3.1 L'approche classique

On considère le modèle de frontière stochastique avec un terme d'inefficience variable

avec le temps :

yu^Xufi+Vu-u,,; i = l,...,N, r = l,...,7\ ( 3 1}

où pour la firme i à la période t, yu dénote le logarithme de l'output ,Xit est un

vecteur de logarithme des AT inputs, /? est un vecteur de (ATxl) paramètres à estimer,

vu est le terme d'erreur de loi AM0,<xv2 jqui est, par hypothèse indépendamment et

identiquement distribué (i.i.d.) et indépendant des uu, et uu est un terme non négatif
qui représente l'inefficience technique variable avec le temps. Pour ce modèle, cette
efficience technique est définie par TE,., - e~"", et nous avons su - v,., - uit qui dénote le

terme d'erreur composé etsi = (sn,...,elT) .

L'équation (3.1) définit un modèle assez général de la frontière stochastique

paramétrique qui est consistent avec plusieurs formes fonctionnelles. La forme
fonctionnelle de la fonction de production tanslog correspond à:

y, = r o + Z ^ . / i + Z Z ^ / x ^ * / , " + v i < - " . < ; i = \,...,N, t = l,...,T, (3.2)

/=1 mil /=1

où x,, l-\,...,k, sont les logarithmes des inputs, et k est le nombre total des inputs

dans le processus de production; dans ce cas on &K = \ + k + k{k + \)l2 paramètres à

estimer. Si ^ m / =0Vw,/, la spécification (3.2) devient une fonction de production

Cobb-Douglas.

On considère deux spécifications pour modéliser la dépendance temporelle pour le

terme de l'inefficience technique. D'abord, tel que proposé par Battese et Coelli (1992),
on spécifie:

23
 w„=7,«,, i = l,...,N, t = \,...,T, (3.3)

où

?7, = e~,o('-r). (3.4)

Alternativement, on spécifie :

7,=l + 771(;-7>/72(/-:r)\ (3.5)

où r}0,7jx,jj2 sont des paramètres inconnus à estimer et ut,i = l,...,N sont des

troncations i.i.d. non-négatives suivant une distribution normale N(/I,CTU2J

représentant l'effet de la firme. Cette distribution de l'effet de la firme est une

généralisation de la distribution semi-normale proposée par Jondrow et al. (1982). Il est
à souligner que l'efficience technique est affectée par le signe et la magnitude de r/0 au

fur et à mesure que t augmente. La valeur de uu reste constante, diminue ou augmente

lorsque (Î]0=0), (r/0>0) où (JJ0<0) respectivement. Cette spécification impose la

monotonicité de l'efficience technique au fil du temps, c'est-à-dire qu'elle ne peut

qu'augmenter, diminuer ou rester constante. La spécification polynomiale (3.5) est
moins contraignante puisqu'elle permet des effets quadratiques. Le résultat principal de
Battese et Coelli (1992) porte sur l'espérance conditionnelle de e""" qui est dérivée des
équations (3.1)- (3.4) et est représentée par:

• 1 2 *2
2
E(e-"«K) = e , (3.6)
I-O(-/,;/<T;)

où Ef.lffj est l'opérateur de l'espérance conditionnelle sachante,, 0 ( . ) est la fonction

de la distribution cumulative de la normale standard, et

2
t _//o- v -V 7| f,.o-„ 2
Mi
C72+Vn\nal
v 7, 7, « ( 3 ? )

•2 cr„a„
L
ar=- -^ -
<+W<
V7 est un vecteur(rxl) et tous ses éléments sont égaux àrjt. Le second résultat est la

moyenne de l'efficience technique des firmes à chaque période / :

TE,=E(e-*"'),

24
où w(. est défini par (3.3) et 77, est donné par (3.4) ou (3.5). Ceci est équivalent à:

\-<S>(TI,(TH-{HI<TU))
TE, = t^**. (3.8)

L'implémentation empirique des équations (3.6) et (3.8) via les méthodes statistiques
classiques est obtenue en remplaçant les paramètres du modèle par les coefficients
estimés en maximisant la fonction de vraisemblance. Notre application empirique fut
réalisée avec le logiciel « FRONTIER 4.1 » (Coelli, Rao et Battese (1998)).

La deuxième spécification retenue pour la dépendance temporelle de l'inefficience

technique est celle développée par Battese et Coelli (1995) qui permet une
décomposition de l'inefficience en fonction de variables sociodémographiques. Les
termes uu, i.i.d. et non négatifs, sont obtenus par des troncations à zéro de la

distribution N(JU,(TU2J de moyenne ZUS et de variance c\r, où Zit est un vecteur

(lxm) de variables conditionnant l'inefficience technique des firmes tandis que S est

un vecteur (m x l) de paramètres à estimer. Spécifiquement, on a

M-l

ui,=Zilô = ô0 + j:jjZJil + wil , (3.9)

où wu est une variable aléatoire normale de moyenne nulle et de variance a*r tronquée
m-l
de telle manière que pour toute combinaison /, t on a wu 2.-(ô0 +J]StZm). Cette

spécification est similaire, mais moins restrictive que celle discutée par Reifschneider et
Stevenson (1991). Le modèle défini par les équations (3.1) et (3.9) peut être estimé par
la méthode de maximum de vraisemblance. Nous nous sommes servis du logiciel
« FRONTIER 4.1 » à cette fin.

Ci-dessous nous fournissons les détails de la méthode bayésienne pour ce qui est de
l'inférence sur les scores d'efficience technique obtenus par (3.6) et (3.8) dans le
contexte du modèle défini par les équations (3.1) et (3.3) aussi bien que pour
l'évaluation des effets des variables explicatives sur l'efficience technique à partir du
modèle défini par les équations (3.1) et (3.9). Nous discutons l'approche bayésienne
appliquée au modèle de la frontière stochastique avec un terme d'inefficience variable
dans le temps. Dans un premier temps, nous décrirons d'une manière générale

25
l'approche bayésienne pour ensuite discuter de façon plus spécifique de notre
application.

3.2 L'approche bayésienne

Soit ¥ = (yx,...,yN)un ensemble de N observations de la variable Y et # e © est un

vecteur de paramètres inconnus et non observables. Typiquement, les procédures

d'inférence classique supposent que 6 est un vecteur de paramètres inconnus et
constants à estimer. L'approche bayésienne considère que, à la fois, Y et 0 sont des
variables aléatoires caractérisées chacune par une distribution; la densité conditionnelle
p(pf | ô) défini la vraisemblance du modèle, au sens classique du terme. La densité de

la distribution marginale de #,/?(#) est la densité a priori ded. On peut, à présent,

utiliser l'information contenue dans l'échantillon des données 'Y pour réviser la
distribution attendue pour#, et obtenir la densité à posteriori de 6 :
p(0\r) oc p(6)p(<Y\e)
où oc est un symbole de proportionnalité. L'inférence sur la distribution des paramètres
6 ou toute transformation de ces paramètres est basée sur la distribution à
posteriori p(0 \°Y\ Ainsi, la densité a priori de # , / ? ( # ) , et la densité conditionnelle

p(p{ | û) sont combinés pour réaliser l'inférence sur les paramètres non observables &.

La densité marginale à posteriori de chaque élément de û implique l'évaluation

d'intégrales multiples qui sont plus souvent qu'autrement impossibles à calculer
analytiquement. Les méthodes d'intégration numériques sont très utiles pour pallier à
ce problème. Intuitivement, ces méthodes procèdent de la manière suivante: (i) On fait
des tirages à partir de la distribution à posteriori /?(^|T')via la méthode de Monte

Carlo; (ii) ces tirages peuvent être vus comme des échantillons aléatoires issus de la
distribution marginale à posteriori; (iii) on utilise ces échantillons aléatoires pour faire
l'inférence statistique sur chaque paramètre. Koop, Steel et Osiewalski (1995)
soutiennent que la Chaîne Markovienne de Monte Carlo « MCMC » apporte plus de
flexibilité dans la spécification des modèles. Comme Griffin et Steel (2005), nous
utilisons le logiciel « WinBUGS » pour opérationnaliser la technique « MCMC » dans le

26
cadre de l'estimation d'une frontière stochastique. Les a priori et les différents modèles
estimés sont spécifiés comme suit :

Pour les paramètres /? de la frontière stochastique de production du modèle (3.1), on

assigne une distribution a priori normale multivariée:

fi ~ N ( 0 , Z , ) , o ù Z , = « f i û s ( l 0 6 ) .

Pour le paramètre JJ de l'inefficience tel que spécifié à l'équation (3.4), on choisit:

% ~N{0,4),
Ce qui reflète le fait que, a priori, on ne sait pas si l'efficience technique augmente ou
diminue. Pour la spécification (3.3), on considère trois distributions possibles pour
l'effet de la firme us :

(a) w,. ~ Exp(cr), est une distribution exponentielle de moyenne \lm, où 1' a

priori de tu est aussi une distribution exponentielle de moyenne - l / ( In a>J, ce

qui implique que la médiane de l'effet de la firme est égale à<u* ;

(b) w; ~ Ga(pup2), tel que spécifié par Greene (1990) pour le terme de
l'inefficience technique dans un contexte de données transversales. L' a priori de
/?, est tel que/?, - Ga{d^,d^), où Ga{d^,d2) dénote la distribution gamma

avec le paramètre de forme dx et de moyenne djd2. Selon Griffin et Steel

(2004), dx et d2 sont des nombres réels quelconques; à p2 on assigne la

valeur- In CÙ , où co* représente 1' a priori de la médiane de l'effet de la firme.

(c)w,. ~ N+ (Ç,K2 \, est une distribution normale tronquée à une valeur positive,

où on assigne à Ç une distribution normale de moyenne zéro et de variance 10~3 ;

F a priori de K1 est tel que K~2 ~ Ga{d%,d^), où d0 =dx =10 - 3 .

On assigne des a priori normaux indépendants aux effets des variables explicatives
telles que

Sk ~ N(0,10^ 3 ), k = 0,l,...,m-l.

27
Pour le terme d'erreur vu On considère aussi la distribution suivante:

v, ~ N(0,<r v 2 ), a;1 ~ Ga(d0,d1), où d0=dx = 1 0 3 .

Les divers modèles de frontière stochastique obtenus en combinant différentes

combinaisons de termes d'erreur et d'ineffîcience sont estimés et comparés en utilisant
le critère bayésien de déviation « DIC ». Pour éviter des problèmes d'estimation et de
comparaison des résultats des différents paramètres qui peuvent être sensibles aux
distributions a priori, on écarte les premiers 50000 tirages. Les distributions à posteriori
sont obtenus sur une base de 400000 itérations aven un « thinning » à tous les dix
tirages.

Pour évaluer l'effet du changement technologique dans le processus de production, on a

conféré une tendance temporelle linéaire ou quadratique à la fonction de production
(3.2) et au modèle de régression du terme de l'inefficience (3.3) et (3.9) (comme dans
Battese et Coelli (1992, 1995), Hadri, Guer mat et Whittaker (2003)); des tests sont
effectués pour confirmer la signification statistique des effets de ces variables.
Certaines spécifications du terme de l'inefficience tel qu'indiqué en (3.4) imposent la
monotonicité de l'efficience technique dans le temps qui ne peut être que croissante,
décroissante ou encore constante, ce qui peut être inapproprié si des fluctuations sont
possibles.

Battese et Coelli (1995) soutiennent qu'aucun effet significatif relié aux variables
temps n'est détecté aussi bien pour la frontière stochastique que pour le terme
d'ineffîcience. Hadri et al. (2003) traite la variable temps comme un input, mais seul le
coefficient rattaché à l'effet quadratique du temps est significatif, les effets croisés de la
variable temps avec tous les inputs de même que l'effet linéaire de la variable temps ne
le sont pas. L'évidence supportant l'identification de changements technologiques est
faible dans ces papiers. Malheureusement, ce constat repose sur des hypothèses fortes
et possiblement inappropriées et c'est pourquoi une autre approche nous paraît justifiée.

Cette approche ne requiert pas de données panel. En fait; on a besoin de deux

échantillons transversaux tirés aléatoirement de la population de firmes et ces
échantillons doivent être raisonnablement espacés dans le temps pour permettre

28
l'assimilation de tout changement technologique par ces firmes. On estime dans un
premier temps le modèle de la frontière stochastique en utilisant chacun des
échantillons transversaux. Puis, les estimés des efficiences technique sont calculés pour
chaque échantillon. On compare les distributions de ces estimés une à une. Pour ce
faire, on considère chaque ensemble d'estimés d'efficience technique comme
échantillon aléatoire des vraies distributions correspondantes. On utilise un test de
dominance stochastique avec l'hypothèse nulle de la non dominance de A par B, ou
A et B sont deux distributions distinctes.

3.3 Test de la dominance stochastique

Soit S, et S, deux échantillons aléatoires de firmes qui opèrent dans une quelconque

industrie, où nt dénote la taille de l'échantillon S,, t = tl,t2, et nt et nt peuvent être

égaux. S, et St sont observés aux périodes dénotées par /, et t2 respectivement. La

période tx est antérieure à la période t2 et les deux sont suffisamment éloignées l'une

de l'autre pour permettre aux firmes d'incorporer tout changement technologique

majeur dans leur processus de production. Les données sur les outputs et les inputs des
firmes sont disponibles de manière à ce qu'il soit possible d'estimer la frontière
stochastique de production basé sur chacun des échantillons S, et S, . Le modèle de
frontière stochastique de production estimé sur des données transversales aux périodes
/, et t2 est spécifié comme suit :

lnyit=]nxil'j3 + vit-ujl; i = l,...,n„ t = tx,t2, (3.10)

où pour la firme i à la période t, yit dénote l'output ,JC„ est un vecteur deK inputs,

J3 est un vecteur de (Kxl) paramètres à estimer, vu ~ N(0,cr v 2 Jest le terme d'erreur

indépendamment et identiquement distribué (i.i.'d.) et indépendant des uH, et uu est un

terme non négatif qui représente l'inefficience technique variable avec le temps.

Spécifiquement, pour ce modèle, l'efficience technique de la firme/ observée à la

période t est définie parTE;, =e""". Pour chaque transversale/ -t^,t2, les paramètres
du modèle (3.10) peuvent être estimés, avec consistance, par la méthode de maximum

29
de vraisemblance pour diverses spécifications du terme d'ineffîcience uu (normale,
normale tronquée ou exponentielle). Les estimés de l'efficience technique sont calculés
selon l'approche de Jondrow et al. (1982) et Battese et Coelli (1988). L'inférence par
rapport à l'inefficience est faite en fonction du degré d'asymétrie détectée dans le terme
d'erreur composée su=vu-uu. En supposant que w„ est une troncation de la

distribution N(//,crM, Battese et Coelli (1988) ont dérivé l'espérance conditionnelle de

e"", étant donné su=eit comme spécifié dans les équations (3.6) et (3.7). Si on
remplace chaque paramètre de l'équation (3.6) par sa valeur estimée par la méthode de
maximum de vraisemblance on obtient les estimés TE,r de la mesure de l'efficience
technique TE,.,. Ces estimés sont conditionnés sur les réalisations du terme d'erreur

composée. La distribution semi normale uit considérée par Jondrow et al. (1982)
correspond au cas où// = 0. Pour cette spécification semi normale du terme de
l'inefficience, les estimés de l'efficience technique définie par les équations (3.6) et
(3.7) peuvent être calculés en utilisant le logiciel « FRONTIER 4.1 ».

La dominance stochastique est une procédure statistique générale dans la mesure où

elle permet de comparer des distributions et non seulement leur moyenne (Cho, Linton
et Whang, 2007). Dans le contexte de la comparaison de l'efficience technique, une
telle approche est très utile du fait que tout changement technologique entre les
périodes t] et t2 ayant permis l'amélioration du niveau de l'efficience technique de
toutes les firmes de l'industrie en question se révélerait par le biais des positions
géométriques des distributions cumulatives des scores d'efficience technique. En effet,
lorsque la probabilité que le niveau d'efficience technique soit inférieur ou égal à une
valeur donnée est plus élevée à la période tx qu'à la période t2, la distribution
cumulative de l'efficience technique à la période /, se trouve au dessus de celle de la
période t2. Soit X et Y deux variables aléatoires et Fx et FY leur distribution
cumulative respective, et 0 dénote l'union de leur support. X domine
stochastiquement au premier degré Y si et seulement si

Fx(z) < Fy(z), V z e 0 , avec inégalité stricte pour certains z . (3.11)

30
Cette définition montre clairement que la présence de l'effet du changement
technologique en terme d'amélioration du niveau de l'efficience technique implique
que la distribution de l'efficience technique à la période t2 domine stochastiquement
au premier degré celle en tx. Pour plus de détails au sujet de la dominance stochastique
de différents degrés, les lecteurs intéressés sont référés à Davidson et Duclos (2000) et
Chavas (2004). Dans ce qui suit, nous discutons la procédure du test de la dominance
stochastique de premier degré développé par Davidson et Duclos (2006).

Soit TE, = | T E « 1 :Z' = 1,...,W, > et TE, = | T E K 2 :Î = 1 nt } deux ensembles des

estimés de l'efficience technique dérivés des équations (3.6)-(3.7) pour les échantillons
S, et S, respectivement. Notre analyse est basée sur les estimés de la moyenne

conditionnelle de la distribution de l'efficience technique, c'est-à-dire sur des scores

dérivés à partir de l'asymétrie dans le terme d'erreur composée. Cependant, tout autre
paramètre de localisation de la distribution de l'efficience technique pourrait également
être utilisé, comme la médiane ou le mode. On suppose que TE, représente un

échantillon aléatoire de la population des vraies moyennes conditionnelles de

l'efficience technique de toutes les firmes en activité à la période f, et de même
pour TE, . Il est à signaler que le caractère aléatoire de TE, et TE, tient si S, et S,
sont tirés aléatoirement. Nous définissons TE comme l'union de TE, et TE, et 0
comme l'union des supports des deux distributions représentées par les échantillons
TE, et TE, , tandis que mt<nt, t = tx,t2, dénotent le nombre des valeurs distinctes de

TE, et TE, respectivement. On peut alors définir :

TE, = < te : 3 i e {l,...,n,} tel que TE,, = t e \ , t - t x , t 2

comme l'ensemble des réalisations distinctes de l'efficience technique dans

l'échantillon S,,t =/,, (2. De la même manière, on peut définir :

TÊ = fte:3 te{tx,t2} tel que 3 ie{l,...,n,} etTE«=të]

comme l'union de TE,, et TE,,. Le nombre d'éléments de TE, est m,. Par la suite on

fait un triage dans un ordre croissant des échantillons TE,, t-t],t2, et on obtient TE.

Pour chaque valeur TE,/ e TE,, / = 1,..., mt, t = /,,/,, k„ dénote le nombre de

31
réalisations (estimés) dans TE, égalant TE,/. Avec cette notation, on peut définir la

fonction de distribution empirique (EDF) F, de l'échantillon TE,, t = tvt2 et pour

z G 0 , on peut alors calculer :

F,(z) = — _ X_ k,„t = tl,t2. (3.12)

m
t {TE„ETE,,TE,I<Z}

Ainsi, et en utilisant l'équation (3.10), si F,2 (te) < F,, (te) pour tout te G TE avec une

stricte inégalité pour certains te G TE, alors la distribution de l'efficience technique à la

période t2 domine stochastiquement au premier degré celle à la période tx dans les
échantillons. Ceci implique qu'on a plus de chance que la moyenne de l'efficience
technique soit plus grande que toute valeur te à la période t2 qu'à la période?,.

L'intuition derrière l'interprétation de ce test est la même que pour le ratio de

vraisemblance empirique (ELR) proposé par Davidson et Duclos (2006) pour tester
l'hypothèse nulle d'absence de dominance stochastique au premier degré de la
distribution TE, par rapport à la distribution TE, .

Pour un échantillon donné, la fonction de vraisemblance empirique (ELF) est la somme

des logarithmes des probabilités associées à chaque réalisation dans l'échantillon; les
probabilités sont considérées comme des paramètres à estimer dont la somme est
contrainte à un. Par ailleurs, les probabilités attachées aux réalisations distinctes de
l'efficience technique peuvent être calculées comme des estimateurs des paramètres des
ELF. Pour l'échantillon combiné TE, le maximum de ELF (non contraint par
l'hypothèse de non-dominance) est donné par:
ELFu = -nh log nh - nh log nu + _ £ _ &,,, log \ } + _ £ _ k,2, log kh,. (3.13)
{TE,|(eTEn} {TE,yeTE,2}

L'hypothèse nulle stipule que TE, ne domine pas TE, , ce qui signifie qu'il existe au

moins une valeur z G 0° telle que F, (z) < F, (z) où 0 ° est à l'intérieur15 de 0 et F,

est la distribution cumulative dont l'équivalent empirique est défini par l'équation
(3.12). En général, il suffit qu'il existe une seule valeur z G 0 ° telle que

15
Selon Davidson et Duclos (2004), il est requis queZ soit à l'intérieur de 0 parce que cette
égalité F, ( Z ) = F, (z\ tient si Z est égale aux bornes inférieure ou supérieure d e 0 .

32
 M*)'M*) (3-14)
pour que l'hypothèse nulle ne soit pas rejetée. Si un tel point z est connu, on pourrait
estimer les paramètres de ELF sujets à la contrainte F, (z) = F, (z). L'intuition de la

procédure du test est la même que le test du ratio de vraisemblance: si l'hypothèse nulle
est rejetée, alors on peut conclure à la présence de la dominance stochastique dans les
échantillons S, et S, et que les estimés des probabilités sous la restriction de

l'hypothèse nulle doivent être différents de ceux qui ne sont pas restreints. Par
conséquent le maximum de vraisemblance empirique contraint doit être plus petit que
celui non contraint. La statistique du ratio de vraisemblance empirique ELR(z)

associée à cette valeur z est définie comme étant le double de la différence entre ELFy

et le maximum de ELF sous la contrainte (3.14). La statistique ELR(z) est donnée par:

ELR(z) = 2[(nh +nh)log(«,, + «,,)-",, \ognti -nh log«,2 +(nh (z))log(« (i (z)) +
[nh (z))log(«, 2 (z)) + (M(i (z))log(M (i (z))+(M / 2 (z))log(M, 2 (z)) (3.

- K (z)+\ (z))iog(M<, (z)+\ (*))-K ( z ) + M . ( z )) lo gK (z)+M, w)].

où nt (z) est le nombre de points dans l'échantillon St inférieurs ou égal à z, et
M z
X) = nt -n<(z)> t = tt,t2.

Même si l'hypothèse d'absence de dominance stochastique implique que les deux

distributions peuvent se croiser à plusieurs points, la procédure du test proposé par
Davidson et Duclos (2006) considère l'hypothèse nulle en présence d'un seul point de
recoupement z0 e @° et F, (z) < F, (z) avec une inégalité stricte pour
tout z G 0°, z* z0. Les distributions respectant cette spécification particulière se

trouvent à être sur la frontière d'absence de dominance. L'hypothèse nulle à tester se

fait par rapport à cette frontière.

Le test statistique est défini comme suit. Soit TEmax = m a x | t e : t e e T E | le plus grand

élément de TE, et TE l'ensemble TE sans TEmax. PourzeTE , la statistique LR(z)

est définie par :

LR(z) = signe(F,, (z)-F, 2 (z))(ELR(Z))" 2 , (3.16)

33
où pour chaque nombre réel x,
+1 si x>0
signe(x) = ^ 0 si x = 0,
-1 si x<0

F,, (z) et F,2 (z) sont définis en (3.12) et ELR(z) est défini en (3.15). Ainsi, on

défini la statistique considérant la différence minimale entre le maximum de

vraisemblance empirique non contraint et contraint basée sur les échantillons
S, and S, comme suit:

LR(/„f 2 ) = m i n { L R ( z ) : z e T Ï f } . (3.17)

Pour des échantillons de grande taille nt et nt , la statistique LR (/,, t2 ) tend vers une

distribution normale standard sous l'hypothèse nulle d'absence de dominance. Par

conséquent, pour tester cette hypothèse, il est suggéré d'utiliser la statistique LR(?,,?2)

avec des points de recoupement obtenus de la distribution normale standard.

La procédure décrite ci-dessus est suffisamment générale pour tester l'absence de

dominance à l'intérieur de l'union des supports des deux distributions. L'hypothèse
nulle d'absence de dominance peut être rejetée ou non pour des données discrètes ou
discrétisées. Cependant, il a été démontré qu'il est impossible de la rejeter pour des
distributions continues parce qu'il n'y a pas assez d'informations se rapportant aux
queues des distributions. Ainsi, pour palier à ce problème on teste pour une dominance
stochastique restreinte. Notamment, lorsqu'il y a dominance dans l'échantillon, on

détermine un intervalle te , te sur lequel l'hypothèse nulle de d'absence de

dominance peut être rejetée à un niveau de signification a. Étant donné une limite

supérieure te+ pour te , te est défini comme la plus petite valeur te" telle que
l'hypothèse d'absence de dominance frontière est rejetée au niveau de significations,

lorsqu'on minimise l'équation (3.17) sur l'intervalle [te" , te + l. De la même manière,

étant donné une limite inférieure te" pour te , te est défini comme la plus grande
valeur te4 qui fait que l'hypothèse d'absence de dominance est rejetée au niveau»,

34
lorsqu'on minimise l'équation (3.17) sur l'intervalleI te , te + J. Pour plus de détails,

les lecteurs intéressés sont référés à Davidson et Duclos (2006).

35
4 RÉSULTATS ET DISCUSSION

4.1 Les données

Cette étude utilise la banque de données « AGRITEL » regroupant les producteurs qui
sont membres de la fédération des syndicats de gestion agricole (SGA) du Québec.
Dans le but de se limiter aux fermes à vocation laitière, on a restreint notre échantillon
aux producteurs dont les ventes de lait représentent plus de 75% des ventes de
l'entreprise (Romain, 1996). Notre échantillon compte 302 producteurs pour lesquels
nous avons 11 années de données. Par conséquent, nous avons un total de 3322
observations. Ces producteurs sont repartis à travers les] 6 régions agricoles du Québec.
Nos observations comprennent des quantités annuelles d'inputs, d'output, et une variété
de variables socio-économiques.

Le tableau 1 fait ressortir que la production laitière moyenne par vache au Québec
s'élève à 8304,03 litres/vache, avec un minimum de 4557,87 litres/vache et un
maximum de 12253,09 litres/vache. On utilise en moyenne 2879,74 kg/vache
d'aliments concentrés et 5273,25 kg/vache de matières sèches d'aliments fourragers.
Cependant, cette utilisation est sujette à de grandes variations d'une ferme à l'autre
comme l'indique les erreurs-type de 741,75 kg/vache et de 949,78 kg pour les aliments
concentrés et les aliments fourragers respectivement. Pour ce qui est de l'utilisation du
capital, on utilise en moyenne 4801,67$ d'actifs/vache qui est combiné à 57,28 heures
de travail/vache. Toutefois, les coefficients de variation pour le capital et le travail sont
passablement élevés à 53,01% et 24,30% respectivement. Quant à la taille des fermes,
la moyenne est de 51,64 vaches/ferme, avec un minimum 18,70 vaches et un maximum
de 451,9 vaches. Les dépenses en soins vétérinaires se chiffrent à 1,52 $/vache en
moyenne par ferme, mais le maximum à ce chapitre est de plus de 45 fois la valeur
minimale. Le poids vif des vaches, leur âge et leur intervalle entre vêlages sont de
l'ordre de 601,42 kg, 4,30 années, et 1,12 années respectivement. L'adhésion au
syndicat de gestion dure depuis 13,53 années en moyenne. C'est donc dire que la ferme
moyenne a bénéficié d'un encadrement serré depuis plusieurs années.

36
Tableau 1 : Statistiques descriptives des variables du modèle de la frontière
stochastique du secteur laitier au Québec.

Valeur Valeur
Variable Moyenne Écart type
Minimale Maximale
Variables de la fonction de production
Rendement (litre/vache) 8 304,03 1281,12 4 557,87 12 253,09
Aliment concentré (kg/vache) 2 879,73 741,77 632,30 6417,81
Fourrages (kg/vache) 5 273,25 949,78 390,44 9 270,93
Équipements ($/vache) 4 801,67 2 545,28 372,84 3 4917,92
Travail (heures/vache) 57,28 13,92 23,49 120,93
Variables explicatives <ie l'inefficience
Nombre de vaches par ferme 51,64 25,58 18,70 451,90
Soins vétérinaires ($/hl) 1,52 0,69 0,12 5,20
Poids (lOOkg/vache) 6,01 0,41 4,44 7,39
Age moyen des vaches (années) 4,30 0,45 2,08 6,75
Intervalle entre vêlages (années) 1,12 0,06 0,86 1,53
Durée d'adhésion au syndicat
13,53 8,44 0 25
de gestion (années)
Race Holstein (1,0) 90,43% - 0
Race Ayrshire (1,0) 6,11% - 0
Secondaire (1,0) 80,04% - 0
Collège (1,0) 40,28% - 0
Université (1,0) 9,18% - 0
Région maïs (1,0) 35,37% - 0
Stabulation libre (1,0) 8,13% - 0
Ration totale mélangée (1,0) 13,25% - 0
Rouleuse de moulée ( 1,0) 46,57% - 0
Distributeur d'aliment
29,50% - 0
concentré (1,0)

37
La Figure 3 montre que le patrimoine génétique laitier au Québec est dominé par la race
Holstein à hauteur de 90.43%.

Figure 3: Composition génétique des fermes laitières au Québec.

3.46°/<r,
6.11%^g-L]

□ Holstein
■ Ayrshire
D Autres

90.43%

La figure 4 montre que le profil d'éducation des producteurs laitiers québécois est tel
que 80,04%) des producteurs ont au moins un diplôme d'études secondaires, 40,20% ont
un diplôme d'études collégiales, tandis que, seulement 9,18% ont un diplôme
universitaire.

Figure 4: Répartition du niveau d'éducation des producteurs laitiers du Québec.

Primaire et Secondaire Collégiale Universitaire

38
En ce qui concerne l'adoption de nouvelles technologies, la figure 5 révèle que 8,13%
des fermes ont adopté la stabulation libre (avec un salon de traite), 13,25% ont recours
à la ration totale mélangée, 29,50%> utilisent un distributeur d'aliments concentrés
tandis que 46,57% mélangent eux-mêmes leurs moulées.

Figure 5: Niveau d'adoption des nouvelles technologies des fermes laitières au Québec.

39
4.2 Résultats

Dans notre analyse empirique on considère le modèle de frontière stochastique de

production avec un terme d'inefficience variable avec le temps. Le modèle est spécifié
comme suit:

y* = & + J hln XP" + &*+ 2 ^ Ç ^ ta X"u ln *w + 1 ^ +

h P?5 b **»' + V" " Mft (<
i = l,...,N; t = l,...,T,
où 7 représente la période d'observation de la ferme /', _y est le logarithme du
rendement laitier par vache (mesuré en litres), lnx, est le logarithme de la quantité
d'aliments concentrés consommés par vache (mesurée en kg) qui se compose
principalement de grains, de moulée laitière et de supplément proteique; lnx 2 dénote le
logarithme de la quantité de fourrages consommés par vache (mesurée en kg de matière
sèche) qui se compose principalement du foin, d'ensilage et de sorgho; lnx3 est le
logarithme de la valeur comptable des équipements et bâtiments alloués à chaque vache
(mesurée en $) calculée comme le rapport entre les actifs totaux et le nombre moyen de
vaches; etlnx 4 est le logarithme du nombre d'heures consacré par vache (mesuré en
heures). Finalement, comme nous avons 302 producteurs et 11 années de données,
TV = 302, T -11. Les variables v et « prennent l'une des spécifications et distributions
discutées au chapitre précédent. La variable temps t est introduite afin de prendre en
compte tout changement technologique au niveau de la fonction de production qui
aurait été adopté par tous les producteurs.

4.2.1 Modèle de l'effet de l'inefficience

Pour l'analyse statistique classique, on utilise le test du ratio de vraisemblance LR
pour tester si la forme fonctionnelle générale translog telle que spécifiée en (4.1)
domine la forme fonctionnelle Cobb Douglas. Ainsi, on dénote par Ml le modèle

16
Le test statistique LR est calculé via la formule suivante : LR = —1(LLH — LLH ) où

LLH et LLH représentent respectivement les estimés de la fonction de vraisemblance sous l'hypothèse nulle

HQ (non contraint), et l'hypothèse alternative//, (contraint). LR Suit approximativement une distribution Khi
carré ou le nombre de degrés de liberté est égale au nombre de restrictions non redondantes.

40
translog spécifié en (4.1); M2 désigne la spécification Cobb Douglas avec changement
technologique. Cette spécification est emboîtée dans le modèle Ml puisqu'on l'obtient
en neutralisant les coefficients des effets quadratiques et croisés des logarithmes des
inputs et de la variable temps. Le troisième modèle dénoté par M3 correspond au model
Ml avec les restrictions/? 5 =/?5 =/?55 =0, p-l,...,4, impliquant l'absence de

changement technologique dans le processus de production. Finalement, le dernier

modèle M4 correspond à Ml avec la restrictionJ3pS = 0, p = 1,...,4. M4 est un modèle

translog avec changement technologique neutre, c'est-à-dire qui ne favorise pas

l'utilisation de certains intrants au détriment d'autres intrants.

On fait l'hypothèse que le terme d'erreur vu a une distribution N(O,CT V 2 )

indépendamment et identiquement distribué (i.i.d.). On considère que l'inefficience

technique varie selon la spécification de l'équation (3.9) où les variables explicatives de
l'effet de l'inefficience apparaissent au Tableau 1.

En se basant sur ces spécifications de vu et uit, on estime les modèles par la méthode
de maximum de vraisemblance. Le tableau 2 rapporte les résultats d'estimation des
paramètres de la fonction de production frontière ainsi que les statistiques t (entre
parenthèses) associées aux paramètres estimés17.

Comme les modèles M2, M3 et M4 sont emboîtés dans Ml, on utilise le test LR pour
tester la plausibilité des restrictions imposées. Les résultats sont rapportés au tableau 3.
Il ressort de ce tableau que toutes les restrictions imposées aux modèles M2, M3 ou M4
sont rejetées à un seuil de 5%. Ainsi, la spécification dominante est la spécification
générale de la frontière de production translog (4.1) où l'efficience technique varie
selon l'équation (3.9).

17
Les statistiques t associées à chacun des coefficients peuvent ne pas être significatives sans pour autant conclure à
la défaillance de la spécification du modèle. D'après Coelli (1996), la taille de ces tests qui peuvent différer de 5%, si
plus d'un test t-student doit être effectué. La seconde, est due à la multicolinéarité qui plus probable à cause des effets
carrés et croisés du modèle. Dans ce contexte, le test statistique du ratio de vraisemblance LR est plus approprié.

41
Tableau 2: Estimés des paramètres de la fonction de production frontière des différents
modèles par la méthode du Maximum de vraisemblance.
Changement Absence de
Paramètre Translog Cobb-Douglas technologique changement
Neutre technologique
4,131 6,519 3,671 1,679
A (1,113) (59,082) (1,018) (0,435)
0,170 0,206 0,248 0,274
A (0,412) (28,853) (0,620) (0,637)
0,355 0,015 0,288 0,764
A (0,753) (1,680) (0,631) (1,521)
0,109 0,037 0,213 0,308
A (0,530) (11,148) (1,091) (1,344)
0,471 0,112 0,491 0,317
A (1,050) (14,448) (1,091) (0,677)
0,005 0,002 0,001
A, (0,369) (0,149) (0,097)
-0,029 -0,024 -0,041
A2 (-1,846) (-1,569) (-2,337)
0,018 0,016 0,019
Aa (4,570) (4,305) (4,422)
-0,073 -0,069 -0,074
A4 (-3,784) (-3,800) (-3,661)
0,011 0,015 0,010
A, (0,676) (0,963) (0,557)
-0,015 -0,021 -0,018
As (-2,353) (-3,463) (-2,376)
0,002 0,002 0,004
A4 (0,149) (0,145) (0,318)
-0,006 -0,008 -0,020
A3 (-0,704) (-0,911) (-2,034)
0,007 0,003 0,014
A4 (0,386) (0,186) (0,692)
0,004 0,005 0,004
A4 (0,631) (0,814) (0,544)
0,000
As (0,174)
0,004
As (1,220)
-0,005
As (-3,628)
0,000
As (-0,196)
0,037 0,015 0,029
A (1,016) (19,557) (11,444)
-0,001 -0,001
As (-4,279) (-5,664)
ML18 3 360 3 307 3 350 3 181

1
ML représente le logarithme du maximum de vraisemblance, les scores obtenus sont de signe positif

42
Tableau 3: Tests LR pour la spécification des modèles.
^ , Valeur
Test
Test Hypothèse nulle D.L. . .. critique
statistique ^
Changement
technologique
/3p5=fr=fi55=0,p=l,..A 6 157,66 12,592

Changement
technologique J3p5=0,p = l,...4 4 18,36 9,488
Neutre
Cobb Douglas /3pk=Pp5=/355=0,p,k = l,..A 15 104,80 24,996

Le tableau 4 rapporte les estimés des élasticités des facteurs de production et l'élasticité
d'échelle du modèle dominant19 avec changement technologique non-neutre. Pour ce
modèle, l'élasticité moyenne des facteurs de production est donnée par la formule
s = fi +2/3 h\x it + £ /? lnx„ dans laquelle on remplace les paramètres fi par
" " PP P j^p PJ J

leur estimés et les x par leur moyenne dans l'échantillon.

Il en ressort que l'aliment concentré est de loin le facteur de production le plus

important. Avec une élasticité de 0,203, une augmentation de 10% de ce facteur
contribue à une augmentation de 2% de la production. Cette élasticité n'a pas changé au
fil des années à l'exception peut-être de l'année 2001 où un maximum de 0,227% a été
enregistré. Ce résultat reste comparable à celui obtenu par Lessard (2000) puisque ce
dernier a évalué cette élasticité à 0,195 pour l'année 1996.

Le deuxième facteur en importance est le travail alloué à la production laitière. Son

élasticité est évaluée à 0,109, ce qui veut dire qu'une hausse de 10% du travail
augmenterait le rendement laitier de 1,09%. Cette élasticité est plus élevée que le 0,054
rapporté par Lessard (2000). On soulève, aussi, une certaine stabilité temporelle
concernant cette mesure.

Quant au capital, on a une élasticité de 0,052. Une si faible valeur pourrait s'expliquer
par une surcapacité en bâtiments et en équipements qui composent l'actif laitier.
L'ajout de nouvelles vaches, pourrait améliorer l'utilisation de ce facteur. Le prix élevé
du quota (le droit de produire) fait qu'il est difficile pour les producteurs d'ajouter des

19
Les résultats pour la forme fonctionnelle Cobb-Douglas avec changement technologique sont très similaires à
ceux présentés dans le tableau 5.

43
vaches pour utiliser plus efficacement leur capital. Cela amène une mauvaise allocation
des ressources. En comparaison, Lessard (2000) a évalué cette élasticité à 0,2097. Cette
divergence pourrait s'expliquer par la différence des techniques d'estimation en ce sens
que Lessard a utilisé une approche d'estimation de la frontière de production en deux
étapes.

La consommation d'aliments fourragers est le facteur le moins élastique avec une

élasticité de seulement 0,006. Par conséquent, à la marge, servir davantage de fourrage
aux vaches n'apporterait aucun gain de productivité. Son évolution avec les années est
fluctuante puisqu'elle a même été négative de 1999 à 2001.

En ce qui concerne l'élasticité d'échelle qui est définie comme étant la somme des
élasticités des facteurs, elle est évaluée à 0,369. Ceci signifie que le secteur laitier
québécois se caractérise par des rendements d'échelle décroissants. Comme l'industrie
est composée de beaucoup de producteurs qui n'ont aucun pouvoir de marché, ce
résultat est consistent avec une industrie de concurrence parfaite. Néanmoins,
l'élasticité d'échelle rapportée est faible et la petite taille des fermes québécoises (51,64
vaches) y est possiblement pour quelque chose.

44
Tableau 4: Les estimés des élasticités des facteurs de production.
Aliment „ ^ • ^ -, Élasticité
x , Fourrages Equipements Travail ,,, , „
Moyenne
concentre
0,203 0,006 0,052 0,109
d échelle
0,369
Erreur type 0,0199 0,0075 0,0087 0,0173 0,0284
t-ratio 10,217 0,762 5,966 6,304 13,009
1993 0,1976 0,0014 0,0573 0,1047 0,3683
1994 0,2028 -0,0021 0,0410 0,1065 0,3701
1995 0,1962 0,0122 0,0673 0,1174 0,3718
1996 0,2003 0,0164 0,0377 0,1124 0,3683
1997 0,1961 0,0180 0,0811 0,1064 0,3684

1998 0,2027 0,0220 0,0331 0,1146 0,3708

1999 0,2014 -0,0055 0,0187 0,1104 0,3711
2000 0,2022 -0,0087 0,0436 0,1145 0,3697
2001 0,2269 -0,0149 0,0528 0,1108 0,3663
2002 0,2022 0,0199 0,0636 0,0987 0,3695
2003 0,2022 0,0038 0,0734 0,1039 0,3686

Le tableau 5 résume les résultats d'estimation de la décomposition de l'inefficience

technique associée à la spécification dominante20 (4.1) incorporant un changement
technologique non neutre dans le temps. On rapporte dans la colonne libellée "Estimé"
les coefficients estimés21 par la méthode de maximum de vraisemblance ainsi que les
statistiques t qui sont entre les parenthèses. La colonne libellée "variation de TE (%)"
rapporte la variation relative en pourcentage de l'efficience technique associée à une
variation unitaire de chaque variable conditionnant l'inefficience. Pour les variables
binaires, on calcule la différence des niveaux d'efficience technique quand la variable
binaire prend les valeurs 1 et 0 et on divise par le niveau d'efficience prédit lorsque la
variable binaire est 0.

20
Les résultats pour la forme fonctionnelle Cobb-Douglas avec changement technologique sont très similaires à ceux
présentés dans le tableau 5.
21
Le signe des paramètres ôj détermine le sens de la variation de l'efficacité technique, si 8, est négative, une
augmentation du niveau de la variable Z , correspondant augmente l'efficacité technique et vice versa.

45
Il en ressort que les effets de toutes les variables explicatives du modèle de
l'ineffïcience sont statistiquement significatives à 5%, à l'exception de deux variables
binaires: la « race Ayrshire » et le « roulage de la moulée». La statistique LR calculée
pour la pertinence du modèle proposé est 1066,82 alors que la valeur critique est de
26,296, compte tenu des seize degrés de liberté. Par conséquent, la spécification du
modèle de l'effet de l'ineffïcience (3.9) semble bien représenter les données.

De plus, pour quantifier l'effet de chaque variable explicative sur l'efficience

technique, on calcule l'effet marginal de chaque variable explicative sur l'ineffïcience.
Pour ce faire, on définit la variation relative de l'efficience technique ATE7 lTE7

associée avec une variation unitaire absolue de la variable z. telle que

ùsTEz lTEz — le" '-11x100. Pour chaque variable explicativez } , ATEZ lTE2

correspond à la différence relative de l'efficience technique associée aux deux niveaux

de cette variable. Pour calculer ATEZ , on remplace S. par Ôj. Il est à souligner que ces

variations ne devraient pas être comparées l'une à l'autre vue que les efforts de gestion
et les coûts requis pour induire une variation unitaire ne sont pas directement
comparables pour des variables qui n'ont pas nécessairement la même unité de mesure.

Les résultats du tableau 5 montrent que la taille des fermes influence très
significativement Pinefficience technique. Une augmentation de la taille du cheptel
laitier se traduit par une meilleure utilisation des ressources. Un gain de 0,19% en
efficience technique pourrait être réalisé en ajoutant une vache. Malheureusement, le
système de gestion d'offre rend financièrement difficile l'expansion des fermes laitières
au Québec.

De même, une augmentation de 10 kg du poids moyen des vaches augmenterait de

1,665% l'efficience technique. Ceci suggère que les producteurs laitiers les plus
performants techniquement ont un troupeau laitier plus lourd. Le poids des vaches
dépend de leur alimentation et aussi de leur génétique. Évidemment, l'alimentation des
vaches doit prendre en compte les prix des ingrédients. Donc, on ne peut pas aviser les
producteurs de nourrir davantage leurs vaches. Similairement, il est évident que les
vaches avec une meilleure génétique seront plus efficaces, mais chaque producteur

46
devra évaluer les coûts et les bénéfices découlant de l'amélioration génétique de son
troupeau avant de se lancer dans ce genre d'amélioration.

La formation est un autre facteur qui intervient positivement sur l'efficience technique.
Les producteurs qui ont une formation universitaire ont une efficience technique qui est
supérieure de 3,49% par rapport à ceux qui n'ont pas atteint cette formation
universitaire. De même, les producteurs ayant atteint un niveau de formation collégiale
ou plus ont une efficience technique qui est en moyenne 1,84% supérieure par rapport à
ceux qui n'ont pas complété leur formation collégiale. Finalement, les producteurs avec
un niveau secondaire ou plus sont 2,90% plus efficaces par rapport à ceux qui n'ont pas
atteint le niveau de formation secondaire.

L'année d'adhésion au syndicat de gestion a un effet significatif sur l'efficience

technique qui est positif (0,10% par année d'ancienneté). Ce résultat n'est pas
surprenant en considérant que le cumul des connaissances ne peut qu'aider à faire une
utilisation efficace des intrants.

La génétique joue, également, un rôle important, en ce sens qu'un troupeau Holstein

confère au producteur un avantage de 3,12% en terme d'efficience technique. En
comparaison, un troupeau Ayrshire part désavantagé en moyenne de -1,18%. Cela peut
expliquer pourquoi plus de 90% des troupeaux sont des troupeaux Holstein.

L'adoption de certaines technologies peut aider ou nuire à l'efficience technique.

L'adoption du distributeur automatique de concentré engendre une variation marginale
positive de 2,95% en efficience technique tandis que la ration totale mélangée fait
augmenter l'efficience de 2,06%. Cependant, l'adoption de la stabulation libre et du
roulage de la moulée affecte négativement l'efficience technique de 3,99% et de 0,04%
respectivement. Il est possible que certaines technologies aient été adoptées dans le
cadre d'investissements séquentiels et qu'à court terme elles ne puissent pas exercer
leur impact maximum sur l'efficience technique.

En regard à l'adoption de bonnes pratiques, l'effet des dépenses en soins vétérinaires

sur l'efficience technique dépend de leur nature (préventifs ou curatifs). Nos résultats
indiquent que les producteurs qui doivent dépenser un dollar par hectolitre de lait en

47
services vétérinaires réduisent leur efficience technique de -1,60%. Un retard d'une
année dans l'âge au premier vêlage (4,30 années en moyenne) fait diminuer l'efficience
technique de -8,29%. Quant à l'intervalle entre vêlage (1,12 années en moyenne), le
même retard fait diminuer l'efficience technique de -25,45%.

La dimension régionale révèle que les fermes appartenant aux régions maïs22 sont
moins efficaces par rapport aux autres. La différence moyenne est de 2,33%. Ce résultat
est différent que celui trouvé par Lessard (2000) qui a trouvé que ce sont plutôt les
fermes appartenant à la région mais qui sont d'un point plus efficaces par rapport aux
autres. Cette différence pourrait s'expliquer par la différence des types de données
utilisées (Cross section versus Panel).

Les régions de l'UPA productrices de maïs sont principalement : St-Hyacinthe, St-Jean Valleyfield, Centre du
Québec et la Lanaudière.

48
Tableau 5: Les estimés par la méthode de maximum de vraisemblance des effets du
modèle de l'inefficience avec une frontière de production translog et une
spécification au changement technologique

Variation de TE
Paramètres Estimés
(%)
0,459
Constante -
(6,093)
-0,002
Nombre de vaches par ferme 0,19
(-18,967)
0,016
Soins vétérinaires ($/hl) -1,60
(3,453)
-0,154
Poids (lOOkg/vache) 16,65
(-14,172)
0,087
Age moyen des vaches (années) -8,29
(12,967)
0,294
Intervalle entre vêlages (années) -25,45
(6,123)
-0,001
Durée d'adhésion au syndicat de gestion (années) 0,10
(-2,209)
-0,031
Race Holstein( 1,0) 3,12
(-2,350)
0,012
Race Ayrshire (1,0) -1,18
(0,809)
-0,029
Secondaire (1,0) 2,90
(-3,160)
-0,018
Collège (1,0) 1,84
(-2,513)
-0,034
Université (1,0) 3,49
(-2,971)
0,024
Région maïs (1,0) -2,33
(3,528)
0,041
Stabulation libre (1,0) -3,99
(3,242)
-0,020
Ration totale mélangée (1,0) 2,06
(-1,908)
0,000
Rouleuse de moulée ( 1,0) -0,04
(0,059)
-0,029
Distributeur d'aliment concentré (1,0) 2,95
(-3,738)

49
4.2.2 Estimation classique vs estimation bayésienne

La comparaison des résultats des approches classiques et bayésienne est l'un des
objectifs de cette étude, pour ce faire on devrait idéalement estimer le modèle dominant
Ml déterminé par les équations (4.1) et (3.9) via la technique bayésienne. Cependant,
on n'a pas réussi à faire l'estimation bayésienne de ce modèle, rendant impossible une
comparaison directe des résultats entre les deux approches. Par contre, nous avons été
en mesure d'estimer une frontière Cobb-Douglas avec changement technologique
(modèle M2) où (3,3) et (3.4) représentent la spécification de la dépendance temporelle
de l'efficience technique

L'approche classique consiste à dériver la fonction du logarithme de la vraisemblance

L(û,y) du modèle M2 où le terme d'inefficience est défini par les équations (3.3) et

(3.4). On suppose que le terme spécifique à la firme w,. de l'équation (3.3) a une

distribution semi normale w,. ~ N + (0,cr„ 2 ). Les estimés des paramètres du modèle sont

obtenus par l'entremise du logiciel d'estimation classique FRONTIER 4.1 tel que

èJUM. o ù *.(/?>.>'.,)■, C J * = * Î + * Î et
ÔG

y = o2ul(*l+cr2u).

En ce qui concerne l'approche bayésienne, on considère le même modèle M2 où le

terme d'inefficience est défini par les équations (3.3) et (3.4). Aux paramètres /?(. et

cr2de l'équation (4.1) on a assigné des a priori non informatifs en leur conférant des

distributions de faible précision telles quefi,~ JV + (0,10 6 ) et a~2 ~ Go(0.001, 0.001)

respectivement. De même, on a supposé que le terme spécifique à la firme u. de

l'équation (3.3) a une distribution semi normale «, ~ N+(0,A~l) où 1' a priori de À suit

une loi Gamma telle que A~ Ga{\, 1/37.5) ce qui correspond à une efficience

technique médiane a priori de 87,5% (Van Den Broeck et al, 1994), les résultats
trouvés par Mbaga (2003), quant à l'efficience médiane, justifient le choix de cet a
priori. De même on suppose que le paramètre rj0 de l'équation (3.4) a une a priori

normale de moyenne 0 et d'écart type 2 : 7 7 0 ~ J V ( 0 , 4 ) ce qui représente notre

50
indifférence entre la croissance et la décroissance de l'efficience technique qui selon
J.E. Griffîn et M.F.J. Steel (2005) supporte une raisonnable prédiction de la distribution
de l'efficience à chaque période.

Les distributions a posteriori des quantités d'intérêt u, /?, A, et r/0 sont obtenues par

l'entremise du logiciel d'estimation bayésienne WINBUGS. Une fois que les tirages

sont réalisés, les distributions des quantités d'intérêt pourraient être résumées via des

moyennes, écart types et percentiles. On peut alors effectuer notre analyse comparative

pour le modèle M2. Les comparaisons des résultats des deux approches sont présentées

aux tableaux 6 à 10. Le montre que les estimés des paramètres de régression de la

frontière de production pour les spécifications classique et bayésienne sont de même

signe et de magnitude similaire avec une légère différence en faveur de la spécification

bayésienne. Kim et Schmidt (2000) avaient tiré des conclusions semblables. La même

tendance est constatée pour le coefficient rjQ puisque son signe négatif implique que

l'efficience technique est croissante avec le temps. De même, aussi bien pour la

spécification bayésienne avec un coefficient estimé24 A de 31,36 que pour la

spécification classique avec un coefficient estimé y de 0,7567, la variabilité due à

l'inefficience par rapport à la variabilité totale est importante. Quant aux intervalles de

confiance, on note une ressemblance dans les résultats des deux approches. Kim et

Schmidt (2000) ont fait le même constat, rapportant de petites différences entre les

deux approches lorsque l'on contrôle pour les spécifications du terme de l'inefficience

(fixe vs aléatoire) et lorsque la taille de l'échantillon est grande.

23
Compte tenu la forme fonctionnelle Cobb-Douglas, ces estimés représentent, également, les élasticités des facteurs.
24
y Pour la spécification classique et A pour la spécification bayésienne servent à mesurer l'importance de
variabilité du terme de l'inefficience sur la variabilité totale.

51
Tableau 6: Estimés de la frontière stochastique Cobb-Douglas avec une efficience
technique variable avec le temps via les méthodes de Maximum de
vraisemblance et Bayésienne.

Estimation Classique Estimation Bayésienne

Paramètr Borne Borne
Estimé Borne sup. Estimé Borne sup.
e inf. inf.
A 7,1476 6,9541 7,3412 7,065 6,888 7,240
A 0,1590 0,1454 0,1727 0,1612 0,1482 0,1746
A 0,0415 0,0273 0,0557 0,0421 0,0284 0,0557
A 0,0051 -0,0014 0,0116 0,0073 0,0012 0,0133
A 0,0713 0,0544 0,0882 0,0698 0,0539 0,0851
A 0,0199 0,0184 0,0213 0,0199 0,0184 0,0214
% -0,0037 -0,0108 0,0033 -0,0035 -0,011 0,004
o-2 0,0155 0,0118 0,0192 0,0038 0,0037 0,0040
y 0,7567 0,6986 0,8147
A 31,36 25,36 38,27

52
Comme les estimés de l'efficience technique sont d'un grand intérêt pour la prise de
décision, il est important d'identifier toute différence significative entre les deux
approches alternatives.
Le tableau 7 montre que les estimés de l'efficience technique moyenne calculés avec
l'approche bayésienne sont 4% plus grands par rapport à ceux calculés avec l'approche
classique. Mbaga et al. (2003) avaient des résultats similaires quant à l'effet de la
distribution exponentielle sur les scores de l'efficience technique moyenne.

Indépendamment de l'approche utilisée, les niveaux d'efficience technique demeurent,

d'une manière homogène, élevés; ceci indique que les fermes laitières de l'échantillon
sont très efficaces et confirme les conclusions de Mbaga et al. (2003) par rapport à la
stabilité des politiques du secteur laitier au Québec.

Les tableaux 8, 9 et 10 résument la répartition distributionnelle des estimés de

l'efficience technique et il en ressort une asymétrie à gauche pour l'approche classique
(plus que 50% des fermes sont situées à gauche de la médiane); par contre on note une
asymétrie à droite pour l'approche bayésienne (plus que 50% des fermes sont situées à
droite de la médiane). Ceci suggère qu'il y a plus de fermes inefficaces avec la
spécification classique comparativement à l'approche bayésienne. Cependant, vu que la
plupart des fermes sont regroupées autour de la médiane aussi bien pour l'approche
classique que pour l'approche bayésienne, il n'est pas facile de distinguer entre les
fermes performantes et celles qui le sont moins.

53
 Tableau 7: Sommaire des statistiques des estimations classique et bayésienne de l'efficience technique avec le temps.

Estimation Classique Estimation Bayésienne

/5
Borne Borne Borne Borne
Année Moy. Min. Max. Moy. Min. Max.
inf. sup. inf. sup.
1993 0,8197 0,8108 0,8287 0,5759 0,9940 0,8605 0,8279 0,8928 0,6035 0,9966
1994 0,8203 0,8114 0,8293 0,5771 0,9941 0,8610 0,8286 0,8930 0,6046 0,9966
1995 0,8209 0,8120 0,8298 0,5782 0,9941 0,8614 0,8294 0,8932 0,6057 0,9966
1996 0,8215 0,8126 0,8304 0,5794 0,9941 0,8618 0,8300 0,8934 0,6067 0,9967
1997 0,8221 0,8132 0,8309 0,5806 0,9941 0,8623 0,8306 0,8937 0,6078 0,9967
1998 0,8227 0,8138 0,8315 0,5817 0,9942 0,8627 0,8311 0,8941 0,6088 0,9967
1999 0,8233 0,8144 0,8321 0,5829 0,9942 0,8631 0,8316 0,8944 0,6099 0,9967
2000 0,8238 0,8150 0,8326 0,5841 0,9942 0,8635 0,8320 0,8948 0,6109 0,9967
2001 0,8244 0,8156 0,8332 0,5852 0,9942 0,8640 0,8324 0,8952 0,8640 0,9967
2002 0,8250 0,8162 0,8337 0,5864 0,9942 0,8644 0,8327 0,8957 0,6130 0,9967
2003 0,8256 0,8168 0,8343 0,5876 0,9943 0,8648 0,8330 0,8962 0,6140 0,9967

Les bornes inférieure (inf.) et supérieure (sup.) sont basées sur un intervalle de confiance de 95%.

54
Tableau 8: Quelques distributions de fréquences des estimés moyens de l'efficience
technique.

Estimation Classique Estimation Bayésienne

5
Classe"
O) (2) (3) (4) (5) (6) (1) (2) (3) (4) (5) (6)
Année
1993 7,0 31,1 46,7 12,3 1,7 1,3 4,0 15,2 45,0 21,5 6,6 7,6
1994 7,0 30,8 46,7 12,6 1,7 1,3 4,0 15,2 45,0 21,5 6,6 7,6
1995 6,6 30,8 47,0 12,6 1,7 1,3 4,0 14,9 45,4 21,2 6,6 7,9
1996 6,6 30,1 47,7 12,6 1,7 1,3 4,0 14,9 45,4 20,9 7,0 7,9
1997 6,6 29,8 48,0 12,6 1,7 1,3 4,0 14,9 45,0 21,2 7,0 7,9
1998 6,3 30,1 47,7 12,9 1,7 1,3 4,0 14,9 47,7 21,5 7,0 7,9
1999 6,3 30,1 47,7 12,9 1,7 1,3 3,6 14,9 45,0 21,5 7,0 7,9
2000 6,3 30,1 47,7 12,9 1,7 1,3 3,6 14,6 45,0 21,5 7,3 7,9
2001 6,0 30,1 47,7 12,9 2,0 1,3 3,6 14,6 44,7 21,9 7,3 7,9
2002 6,0 29,8 48,0 12,9 2,0 1,3 3,6 14,6 44,7 21,9 7,3 7,9
2003 5,6 20,1 48 12,9 2,0 1,3 3,6 14,6 44,7 21,9 7,3 7,9

26
Les classes de l'efficacité technique sont définies sur la base des estimés moyens de l'efficacité technique:
(1):[.5,.7[,(2): [.7,.8[,(3): [.8,.9[,(4): [.9,.95[, (5): [.95,.97[, (6): [.97,l].

55
Tableau 9: Quelques quintiles des estimés moyens de l'efficience technique via l'approche classique.

1er quintile 2 eme quintile 3 ne

quintile 4eme quint 5 e m e quintile
Année Moy. Inf. Sup. Moy. Inf. Sup. Moy. Inf. Sup. M o y . Inf. Sup. Moy. Inf. Sup.
1993 0,7012 0,6881 0,7144 0,7837 0,7804 0,7869 0,8271 0,8241 0,8299 0,8652 0,8625 0,8679 0,9215 0,9146 0,9283
1994 0,7022 0,6890 0,7153 0,7843 0,7812 0,7875 0,8276 0,8247 0,8306 0,8657 0,8630 0,8684 0,9217 0,9146 0,9285
1995 0,7031 0,6899 0,7162 0,7851 0,7819 0,7882 0,8282 0,8253 0,8311 0,8662 0,8635 0,8689 0,9220 0,9152 0,9288
1996 0,7040 0,6909 0,7170 0,7858 0,7826 0,7889 0,8288 0,8259 0,8317 0,8666 0,8639 0,8693 0,9222 0,9155 0,9290
1997 0,7049 0,6918 0,7179 0,7864 0,7833 0,7896 0,8294 0,8265 0,8323 0,8671 0,8644 0,8697 0,9225 0,9158 0,9293
1998 0,7058 0,6928 0,7188 0,7872 0,7840 0,7903 0,8299 0,8271 0,8328 0,8675 0,8649 0,8702 0,9228 0,9161 0,9295
1999 0,7067 0,6937 0,7197 0,7878 0,7847 0,7910 0,8305 0,8276 0,8334 0,8680 0,8653 0,8706 0,9231 0,9164 0,9298
2000 0,7076 0,6946 0,7205 0,7885 0,7854 0,7917 0,8311 0,8282 0,8339 0,8684 0,8658 0,8711 0,9234 0,9167 0,9300
2001 0,7085 0,6956 0,7214 0,7892 0,7861 0,7924 0,8316 0,8288 0,8345 0,8689 0,8663 0,8715 0,9236 0,9170 0,9303
2002 0,7094 0,6965 0,7223 0,7899 0,7868 0,7931 0,8322 0,8294 0,8351 0,8694 0,8667 0,8720 0,9239 0,9173 0,9305
2003 0,7103 0,6974 0,7231 0,7906 0,7875 0,7937 0,8328 0,8299 0,8356 0,8698 0,8672 0,8724 0,9242 0,9176 0,9307

56
Tableau 10: Quelques quintiles des estimés moyens de l'efficience technique via l'estimation bayésienne.
]er quintile 2':me quintile 3':me quintile 4':me quintile 5':me quintile
Year Moy. Inf. Sup. Moy. Inf. Sup. Moy. Inf. Sup. Moy. Inf. Sup. Moy. Inf. Sup.
1993 0,7413 0,7278 0,7549 0,8271 0,8237 0,8304 0,8720 0,8689 0,8751 0,9118 0,9089 0,9147 0,9639 0,9593 0,9685
1994 0,7420 0,7285 0,7556 0,8271 0,8239 0,8304 0,8720 0,8689 0,8751 0,9118 0,9089 0,9146 0,9635 0,9589 0,9681
1995 0,7418 0,7282 0,7554 0,8268 0,8236 0,8301 0,8717 0,8686 0,8748 0,9117 0,9088 0,9145 0,9636 0,9590 0,9682
1996 0,7415 0,7279 0,7551 0,8265 0,8233 0,8298 0,8717 0,8686 0,8749 0,9119 0,9091 0,9148 0,9637 0,9591 0,9683
1997 0,7402 0,7265 0,7539 0,8263 0,8229 0,8296 0,8718 0,8687 0,8749 0,9119 0,9090 0,9147 0,9638 0,9593 0,9684
1998 0,7399 0,7261 0,7536 0,8264 0,8230 0,8297 0,8718 0,8687 0,8749 0,9118 0,9089 0,9147 0,9639 0,9594 0,9685
1999 0,7384 0,7245 0,7523 0,8258 0,8224 0,8291 0,8712 0,8681 0,8743 0,9111 0,9082 0,9140 0,9636 0,9590 0,9682
2000 0,7391 0,7252 0,7529 0,8262 0,8229 0,8296 0,8715 0,8685 0,8746 0,9113 0,9084 0,9142 0,9637 0,9592 0,9683
2001 0,7386 0,7248 0,7525 0,8260 0,8226 0,8293 0,8716 0,8685 0,8747 0,9116 0,9087 0,9145 0,9638 0,9592 0,9684
2002 0,7393 0,7255. 0,7532 0,8265 0,8231 0,8298 0,8719 0,8689 0,8750 0,9119 0,9090 0,9147 0,9639 0,9594 0,9685
2003 0,7400 0,7262 0,7539 0,8270 0,8236 0,8303 0,8723 0,8693 0,8754 0,9121 0,9093 0,9150 0,9640 0,9595 0,9686

57
4.2.3 Test de la dominance stochastique

Le dernier objectif de cette recherche vise à déceler la présence d'un possible

changement technologique d'une période tl à une autre période t2 en utilisant le test de

la dominance stochastique restreint, et ce en déterminant l'intervalle te , te sur

lequel l'hypothèse nulle d'absence de dominance peut être rejetée à un niveau de

signification a . Ce test de dominance stochastique a pour but d'évaluer jusqu'à quel
point les changements technologiques induisent un phénomène de convergence dans
l'efficacité technique des fermes. Les résultats de ces tests sont rapportés au tableau
11.

Il en ressort que l'année 2003 domine stochastiquement au premier degré l'année 1993
entre les seuils d'efficience technique 77% et 97%. Cet intervalle capture la grande
majorité des fermes de l'échantillon. Ceci suggère que la distribution de l'efficience
technique de la majorité des fermes laitières de notre échantillon s'est améliorée entre
1993 et 2003, comme l'indique d'ailleurs les résultats classiques et bayésiens du
modèle M2. Par contre, contrairement au modèle M2 qui impose une amélioration
constante dans le temps, les résultats de cette sous-section suggèrent que les
améliorations généralisées soutenant un processus de convergence n'ont pas été stables
dans le temps.

Après l'année 1997, l'intervalle te , te est de moins en moins large, indiquant une

certaine stagnation quant à l'amélioration de l'efficience technique dans l'ensemble des

fermes laitières au Québec. La figure 6 illustre clairement ces résultats. Après l'année
1997, les courbes des distributions cumulatives des estimés d'efficience technique
deviennent presque superposées. La possibilité d'identifier les périodes critiques à
partir desquelles on n'observe plus d'améliorations soutenues dans l'efficience suggère
qu'un modèle spécifiant une amélioration constante est en fait mal spécifié.
L'identification des périodes critiques est un résultat potentiellement important pour les
agriculteurs comme pour les décideurs si cela peut les amener à identifier les causes du
ralentissement de l'augmentation généralisée de l'efficience technique.

58
Tableau 11 : Test de la dominance stochastique restreint utilisant les scores d'efficience
technique des fermes laitières au Québec.

h p -value
', te te+
1993 2003 0,77 0,97 0,05
1993 1994 0,78 0,95 0,046
1993 1996 0,80 0,97 0,04
1993 1998 0,75 0,98 0,046
1996 2003 0,77 0,97 0,046
1997 2003 0,92 0,96 0,04
1998 2003 0,85 0,90 0,096
2000 2003 - - 1

59
Figure 6: La disposition graphique des distributions cumulatives des estimés de
l'efficience technique.

.8 .8
Efficience Efficience
cdf 93- ■ cdf_0 cdf 93 - cdf 96
~3

1 '

.4 ' •4 1

.2 .2

.7 .8 .6 .7 .8
Efficience Efficience
cdf 93 cdf 94 ■ cdf_93 cdf_98 |

60
 1 j

.2

.8 .8
Efficience Efficience

cdf 9 6 - ■ cdf 031 cdf 98 ■ cdf 03

.6

.8
Efficience Efficiency

cdf 97^ r
c d f 03" - cdf 00 ■ cdf 03

61
5 CONCLUSION

Cette étude a analysé l'évolution de l'efficience technique du secteur laitier Québécois

et a évalué l'impact de différentes variables socio-démographiques et des
caractéristiques des fermes sur les scores d'efficience des fermes. Le choix de
l'industrie laitière est principalement motivé par le fait que cette industrie est depuis
longtemps protégée par la politique de gestion d'offre qui contraint la production locale
et les importations pour faire augmenter les prix à la consommation. Cette politique a
fait en sorte que les fermes laitières québécoises sont relativement homogènes et de
petites tailles. Une éventuelle entente sur la libéralisation des échanges pourrait amener
le démantèlement de la gestion de l'offre puisque les réductions des tarifs pourrraient
forcer des contractions trop sévères dans l'offre locale. Dans cette éventualité, on
pourrait penser que les fermes plus efficaces techniquement seraient avantagées pour
affronter la concurrence étrangère.

L'estimation d'une frontière de production requiert la spécification d'une forme

fonctionnelle pour décrire le processus de production. Quatre formes fonctionnelles ont
été testées à partir d'une forme flexible Translog qui emboîte la forme Cobb-Douglas et
qui supporte la présence d'un changement technologique neutre ou biaisé. Le test du
ratio de vraisemblance LR a rejeté la forme fonctionnelle Cobb-Douglas de même que
les hypothèses d'absence de changement technologique et de changement technologique
neutre. L'élasticité d'échelle associée à la spécification dominante a été évaluée à
36.9%. La production laitière est donc caractérisée par des rendements d'échelle
décroissants. Ce résultat est consistent avec une structure de marché parfaitement
concurrentielle, ce qui n'est pas surprenant compte tenu du nombre et de la taille des
fermes. Par contre, la taille de l'élasticité est faible et cela est peut être attribuable aux
difficultés d'expansion/capacité inutilisée découlant de la politique de gestion de l'offre.

Quant au terme de l'inefficience, on a considéré dans un premier temps le modèle de

Battese et Coelli (1995) qui permet à l'inefficience de varier dans le temps en fonction
de variables socio-économiques et techniques. La quasi-totalité de ces variables ont des
coefficients statistiquement significatifs. L'introduction de technologies telles que le
distributeur d'aliments concentrés ou la ration totale mélangée au processus de

62
production s'avère avantageux, tandis que l'adoption de la stabulation libre a un effet
marginal négatif sur l'efficience technique. Ce résultat n'est pas surprenant puisque
certaines technologies doivent être adoptées sous certaines conditions spécifiques pour
améliorer la productivité et l'efficience. Si une technologie requiert un certain volume
de production pour être performante ou si des investissements en support sont
nécessaires, il est possible que le potentiel de cette technologie ne puisse pas être
exploité. Conforme à nos attentes, le niveau scolaire agit favorablement sur les
performances techniques des fermes laitières du Québec. De plus, toute chose étant
égale par ailleurs, des vaches plus lourdes et des vaches de race Hoslstein tendent à
augmenter l'efficience technique.

Pour évaluer la robustesse des approches d'estimation, on a comparé les résultats de

procédures d'estimation classique et bayésienne. On a considéré une frontière
stochastique Cobb-Douglas avec une spécification autorégressive du terme d'erreur telle
que spécifié par Battese et Coelli (1992). On a examiné les estimés moyens de
l'efficience technique, ainsi que leurs intervalles de confiance. Les deux approches ont
détecté la présence de l'inefficience dans l'échantillon et elles indiquent que cette
inefficience est décroissante dans le temps. Les estimés de l'efficience technique
moyenne tirés de l'approche bayésienne sont 4% plus élevés que ceux associés à la
l'approche classique. Indépendamment de l'approche utilisée, les niveaux d'efficience
technique demeurent relativement homogènes et élevés. Ceci suggère que les fermes
laitières de l'échantillon sont très efficaces les unes par rapport aux autres. Mbaga et al.
(2003) ont obtenu un résultat semblable à partir d'une analyse avec une coupe
transversale et l'attribue à la stabilité des politiques du secteur laitier au Québec.

Les spécifications paramétriques du terme d'inefficience imposent des hypothèses

fortes qui ne sont pas nécessairement conformes avec la réalité. Plus spécifiquement,
l'évolution du terme d'inefficience n'est pas nécessairement monotone. Cette évolution
peut être caractérisée par des changements structuraux difficilement modélisables. Plus
spécifiquement, il est réaliste de supposer que les agriculteurs moins efficaces
apprennent des plus efficaces, faisant ainsi augmenter l'efficience moyenne et la
concentration des scores d'efficience élevés dans la distribution des scores. Ce
phénomène de rattrapage peut être discontinu et affecté par toutes sortes de variables
qui ne sont pas nécessairement toutes à la disposition du modélisateur. C'est pourquoi,

63
nous avons estimé en coupe transversales des scores d'efficience pour les dix années de
notre échantillon et nous avons opérationnalisé des tests de dommance stochastique
restreints à partir d'une procédure développée par Davidson et Duclos (2006) pour
détecter la présence/l'absence de processus de rattrapage et d'augmentation généralisée
de l'efficience dans le temps. Nos résultats supportent la présence d'un processus de
rattrapage et d'augmentation généralisée de l'inefficience technique dans le temps
puisque la distribution restreinte des scores pour l'année 2003 domine stochastiquement
au premier degré l'année 1993 entre les seuils d'efficience technique de 77% et 97%.
Le test a permis d'identifier l'année 1997 comme l'année critique à partir de laquelle la
tendance de rattrapage et d'augmentation généralisée de l'efficience technique
s'estompe. Ceci constitue un résultat important puisqu'il peut amener les décideurs et
les agriculteurs à s'interroger sur les facteurs (réglementation, politiques, événement)
qui ont pu interrompre le processus. Évidemment, il est fort probable que le processus
de rattrapage ait tout simplement atteint sa limite puisque l'efficience moyenne est très
élevée pour l'industrie laitière.

64
RÉFÉRENCES BIBLIOGRAPHIQUES

Aigner, D. J. and S. F. Chu. 1968. On Estimating the Industry Production Function.

American Economie Review 58: 826-839.

Aigner, D. J., C. A. K. Lovell and P. Schmidt. 1977. Formulation and Estimation of

Stochastic Frontier :Production Models. Journal of Econometrics 6 : 21-37.

Amara, N. and R. Romain. 2000. Mesure de l'Efficacité Technique : Revue de

Littérature. Working paper No.R.00.07. Québec, QC, Canada: Université Laval,
CRÉA.

Anh, S.C., D. Good and R.C. Sickles. 2000. Estimation of Long Run Inefficiency
Levels: A Dynamic Frontier Approach. Econometric Reviews 19: 461-492.

Atkinson, E. S. and C. Cornwell. 1994. Estimation of Output and Input Technical

Efficiency Using a Flexible Functional Form and Panel Data. International
Economie Review 35: 245-255.

Battese, G. E. and T.J. Coelli. 1995. A Model for Technical Inefficiency Effects in
a Stochastic Frontier Production Function for Panel Data. Empirical Economies 20:
325-332.

Battese, G. E. and T.J. Coelli. 1993. A Stochastic Frontier Production Function

Incorporating a Model for Technical Inefficiency Effects. Working Paper in
Econometrics and Applied Statistics No. 69. Armidale, NSW, Australia: University
of New England, départaient of Econometrics.

Battese, G. E. and T.J. Coelli. 1992. Frontier Production Functions, Technical

Efficiency and Panel Data with Application to Paddy Farmers in India. Journal of
Productivity Analysis 3: 153-169.

Battese, G. E. and T.J. Coelli. 1988. Prédiction of Firm-Level Technical

Efficiencies with a Generalized Frontier Production Function and Panel Data.
Journal of Econometrics 38: 387-399.

Battese, G. E. and T.J Coelli. 1995. A Model for Technical Inefficiency Effects in a
Stochastic Frontier Production Function for Panel Data. Empirical Economies 20:
325-332.

Battese, G. E. and G.S. Corra. 1977. Estimation of a Production Frontier Model:

With Application to the Pastoral Zone of Eastern Australia. Australian Journal of
Agricultural Economies 21:169-179.

Broeck, J. van den, G. Koop, J.Osiewalski and M. Steel. 1994. Stochastic Frontier
Models: A Bayesian Perspective. Journal of Econometrics 61: 273-303.

65
Chaînes, A., W.W. Cooper and E. Rhodes. 1978. Measuring the Efficiency of
Décision Making Units. European Journal of Operational Research 2: 429-444.

Chavas, J.-P. 2004. Risk Analysis in Theory and Practice. San Diego: Elsevier
Académie Press.

Cornwell, C , P. Schmidt and R.C. Sickles. 1990. Production Frontiers with Cross-
Sectional and Time Séries Variation in Efficiency Levels. Journal of Econometrics
46: 185-200.

Cho Y., O. Linton and Y. whang. 2007. Are There Monday Effects in Stock
Markets? A Stochastic Dominance Approach, Journal of Empirical Finance,
fortheoming

Coelli, T., D.S. Prasada Rao and G.E. Battese. 1998. An Introduction to Efficiency
and Productivity Analysis. : Boston, MA: Kluwer Académie Publishers.

Davidson, R. and J.-Y. Duclos. 2000. Statistical Inference for Stochastic

Dominance and for the Measurement of Poverty and Inequality. Econometrica 68:
1435-1464.

Davidson, R. and J.-Y. Duclos. 2006. Testing for Restricted Stochastic Dominance.
Discussion Paper No. 2047. Germany: Institute for the Study of labor, IZA.

Deprins, D., L. Simar and H. Tulkens. 1984. Measuring Labor Inefficiency in Post
Offices. In the Performance of Public Enterprises: Concepts and Measurements,
edited by M. Marchand, P. Pestiau and H. Tulkens. Amsterdam: North-Holland.

Dormont, B. 2003. Introduction à l'Économétrie des Données de Panel : Théorie et

Applications à des Échantillons d'Entreprises. Paris : CNRS Editions-
(Monographies d'Économétrie).

Duclos, J-Y., P. Makdissi and Q. Wodon. 2005. Poverty-dominant program

reforms: the rôle of targeting and allocation rules. Journal of Development
Economies 77(1): 53-73

Farell, M. J. 1957. The Measurement of Productive Efficiency. Journal of the Royal

Statistical Society, Séries A 120(3): 253-281.

Gelman, A., J.B. Carlin, H.S. Stern and D.B. Rubin. 2004. Bayesian data Analysis.
2nd éd., Chapman & Hall/ CRC.

Giannakas, K., K.C. Tran and V. Tzoulevekas.2003. On the Choice of Functional

Form in Stochastic Frontier Modeling. Empirical Economies 28: 75-100.

Greene, W. H. 1997. Frontier production functions. In Handbook of Applied

Econometrics, Volume II: Microeconomics, edited by M. H. Pesaran and P.
Schmidt. Oxford, UK: Blackwell Publishers.

66
Greene, W. H. (1990). A Gamma-Distributed Stochastic Frontier Model. Journal of
Econometrics 46: 141-164.

Griffin, J. E. and M.F.J. Steel. 2005. Bayesian Stochastic Frontier Analysis Using
WinBUGS. Working paper. U.K.: University of Warwick, Department of Statistics.

Guarda, P. and A. Rouabah. 1999. Efficacité et Performance des Banques en

Europe: une Analyse "Stochastic Frontier" sur des Données en Panel. Working
Paper No. 99-5. Luxembourg: CRP-Gabriel Lippmann, CREA.

Hadri, K., C. Guermat and J. Whittaker. 2003. Estimation of Technical Inefficiency

Effects Using Panel Data and Doubly Heteroscedastic Stochastic Production
Frontiers. Empirical Economies 28: 203-222.

Henderson, D. J. and L. Simar. 2005. A fully Nonparametric Stochastic Frontier

Model for Panel Data. Technical report. Louvain-la-Neuve, Belgium: IAP Statistics
Network.

Horrace, W. C. and P. Schmidt. 1996. Confidence Statements for Efficiency

Estimâtes from Stochastic Frontier Models. Journal of productivity Analysis 7:
257-282.

Hsiao, C. 1986. Analysis of Panel Data. New York: Cambridge University press.

Huang, H.C. 2004. Estimation of technical mefficiencies with heterogeneous

technologies. Journal of Productivity Analysis 21: 277-296.

Jondrow, J., C. A. K. Lovell, I. S. Materov and P. Schmidt. 1982. On the

Estimation of Technical Inefficiency in the Stochastic Frontier Production Function
Model. Journal of Econometrics 19: 233-238.

Kalirajan, K. 1982. On measuring Yield Potential of the High Yielding Varieties

Technology at Farm Level. Journal of Agricultural Economies 33: 227-235.

Kalirajan, K. 1981. An Econometric Analysis of Yield Variability in Paddy

Production. Canadian Journal of Agricultural Economies 29: 283-294.

Kim, Y. and P. Schmidt. 2000. A Review and Empirical Comparison of Bayesian

and Classical Approaches to Inference on Efficiency Levels in Stochastic Frontier
Models with Panel Data. Journal of productivity Analysis 14: 91-118.

Kneip, A. and L. Simar. 1996. A General Framework for Frontier Estimation with
Panel Data. Journal of Productivity Analysis 7: 187-212.

Koop, G. 2003. Bayesian Econometrics. Hoboken N.J: John Wiley & Sons.

Koop, G. and M.F.J. Steel. 2001. Bayesian Analysis for Stochastic Frontier
Models. In A Companion to Theoritical Econometrics, Edited by B. Baltagi. MA:
Blackwells.

67
Koop, G., J. Osiewalski and M.F. Steel. 1997. Bayesian Efficiency Analysis
Through Individual Effects: Hospital Cost Frontiers. Journal of Econometrics 76:
77-106.

Koop, G., M.F. Steel and J. Osiewalski. 1995. Posterior Analysis of Stochastic
Frontier Models Using Gibbs Sampling. Computational Statistics 10: 353-373.

Kumbhakar, S.C. and E.G. Tsionas. 2005. Measuring technical and allocative
inefficiency in the translog cost System: a Bayesian approach. Journal of
Econometrics 126: 355-384.

Kumbhakar, S. C. and C.A.K. Lovell. 2000. Stochastic Frontier Analysis.

Cambridge, UK: Cambridge University Press.

Kumbhakar, S. C , S. Gosh. and J.T. McGuckin. 1991. A Generalized Production

Frontier Approach for Estimating Déterminants of Inefficiency in U.S. Dairy
Farms. Journal of Business and Economie Statistics 9: 279-286.

Kumbhakar, S. 1990. Production frontiers, panel data and time-varying technical

efficiency. Journal of Econometrics 46: 201-211.

Kurkalova, L.A. and A. Carriquiry.2002. An Analysis of Grain Production Décline

During the Early transition in Ukraine: A Bayesian inference. American Journal of
Agricultural Economies 84 : 1256-1263.

Lessard, F. 2000. Élaboration et Évaluation d'un Outil de Mesure de l'Efficacité

Technico-Économique du Secteur Laitier au Québec. Mémoire de maîtrise.
Québec, QC : Université Laval, Département d'Économie Agroalimentaire et
Sciences de la Consommation.

Mbaga, M. D., R. Romain, B. Larue and L. Lebel. 2003. Assessing Technical

Efficiency of Québec Dairy Farms. Canadian Journal of Agricultural Economies
51: 121-137.

Meeusen W. and J. van den Broeck. 1977. Efficiency Estimation from Cobb-
Douglas Production Function with Composed Errors. International Economie
Review 18: 435-444.

Osiewalski, J. and M. Steel. 1998. Numerical Tools for the Bayesian Analysis of
Stochastic Frontier Models. Journal of productivity Analysis 10: 103-117.

Petkantchin V. 2006. Réforme de la gestion de l'offre laitière au Canada: l'exemple

australien. Montréal, QC : Institut économique de Montréal. Available at :
http://www.iedm.org/main/show_publications_fr.php?publications_id=l 25

Pitt, M.M. and L.F. Lee. 1981. The Measurement and Sources of Technical
Efficiency in the Indonesian Weaving Industry. Journal of Development Economies
9: 43-64.

68
Ravallion, M. et B. Bidani. 1994. How Robust is a Poverty Profile? The World
Bank Economie Review 8: 75-102

Reifschneider, D. and R. Stevenson. 1991. Systematic Departures from the

Frontier: A Framework for the Analysis of Firm Inefficiency. International
Economie Review 32: 715-723.

Romain, R. and A. Sumner. 2001. Dairy Economie and Policy Issues between
Canada and the United States. Working paper No. D.01.02. Québec, QC:
Université Laval, CRÉA.

Schmidt, P. and R.C. Sickles. 1984. Production Frontiers and Panel Data. Journal
of Business and Economie Staistics 2: 367-374.

Stevenson, R.E. 1980. Likelihood Functions for Generalized Stochastic Frontier

Estimation. Journal of Econometrics 13: 57-66.

Van den Broeck, J., G. Koop, J. Osiewalski and M.F.J. Steel. (1994). Stochastic
Frontier Models: A Bayesian Perspective. Journal of Econometrics 61: 273-303.

Zellner, A. 1971. An Introduction to Bayesian Inference in Econometrics. Hoboken

N.J: John Wiley & Sons.

69
 MOHAMMED SEDDIK FILALI

L'EVOLUTION DE L'EFFICIENCE
TECHNIQUE DE LA PRODUCTION LAITIÈRE
QUÉBÉCOISE

Mémoire présenté
à la Faculté des études supérieures de l'Université Laval
dans le cadre du programme de maîtrise en économique
pour l'obtention du grade de maître es arts (M.A.)

FACULTE DES SCIENCES SOCIALES

UNIVERSITÉ LAVAL
QUÉBEC

2008

© Mohammed Seddik Filali, 2008

A la mémoire du Prof. Robert Romain.

i
 RÉSUMÉ

Cette étude analyse l'évolution de l'efficience technique de la production laitière

québécoise en utilisant des méthodes d'analyse de pointe. L'efficience technique
des fermes laitières est mesurée à partir de données de panel par le biais d'une
approche classique et d'une approche bayésienne qui permettent aux termes
d'inefficience de varier dans le temps. Cet exercice permet d'évaluer la robustesse
des estimés d'efficience technique par rapport au choix de la technique
d'estimation. L'impact du choix de la forme fonctionnelle est évalué en utilisant
une forme translog qui emboîte la forme Cobb-Douglas. Les facteurs influençant
l'efficience technique des fermes québécoises sont identifiés en décomposant les
mesures d'efficience en fonction des caractéristiques socio-économiques des
fermes. Le concept de dominance stochastique est utilisé pour évaluer jusqu'à quel
point les données supportent l'existence d'un processus de convergence dans
l'efficience des fermes. Cette étude utilise la banque de données AGRITEL
regroupant les producteurs qui sont associés à la fédération des syndicats de gestion
agricole (SGA) du Québec. Les résultats des analyses indiquent
qu'indépendamment de l'approche utilisée, les niveaux d'efficience technique
demeurent généralement très élevés, confirmant ainsi les résultats de Mbaga et al.
(2003). Ces résultats ne sont pas surprenants compte tenu de la stabilité des
politiques canadiennes dans le secteur laitier. Une tendance amélioratrice est
décelée également par le test de la dominance stochastique, mais cette tendance
semble s'estomper durant la période 1997-2003.

ii
 SUMMARY

This study looks into trends in levels of technical efficiency in dairy production in
Québec using the latest advances in the field. Levels of technical efficiency of dairy
farms are measured using both panel data and classical and Bayesian approaches.
This allows for efficiency levels to vary over time and ensures their robustness as it
relates to the estimation technique. The impact of the functional form is estimated
using a translog form within which is nested the Cobb-Douglas form. Déterminants
of farm level efficiency are estimated using farm-specific socio-economic factors.
Stochastic dominance is used to test for convergence in farm level efficiency. Data
used are from the AGRITEL database which contains information about farmers
who are members of the fédération of the Syndicat de gestion agricole (SGA) of
Québec. Results show that irrespective of the estimation method used, levels of
farm efficiency remain high, thus supporting results from Mbaga et al. (2003).
Thèse results are not unexpected given the stability of policies in the dairy sector.
Results of the stochastic dominance test show some improvement. However, that
trend disappears in the 1997-2003 period.

iii
 AVANT-PROPOS

Le présent travail a été réalisé sous la direction du Prof. Bruno Larue, qui a succédé au
Prof. Robert Romain quand ce dernier a été incapacité par la maladie. Qu'ils trouvent
ici l'expression de mes sincères remerciements et de ma reconnaissance pour
l'encadrement attentionné qu'ils ont accordé à cette étude. Leur gentillesse et leur
modestie n'ont d'égal que leur compétence. Qu'il me soit permis de leur ré-exprimer
ma profonde gratitude. J'ai aussi eu le privilège d'avoir été co-dirigé par une sommité
dans le domaine des tests de dominance stochastique, le Prof. Jean-Yves Duclos. Je le
remercie pour son enthousiasme et sa générosité.

Je faillirais à mon devoir si je passais sous silence l'aide et les conseils ô combien
précieux du Prof. Nabil Amara. Qu'il me soit permis de lui exprimer ma vive
reconnaissance.

J'aimerais remercier chaleureusement mon épouse Jamila et notre aimable petite fille
Sarah qui m'ont accompagné durant toutes les étapes menant à la réalisation de ce
mémoire. Vous êtes extraordinaires, merci mille fois.

J'aimerais également remercier tous mes amis et mes collègues de travail qui ne m'ont
jamais refusé leur aide lorsque je les ai sollicités et m'ont témoigné une chaleureuse
sympathie.

Un dernier témoignage personnel, qui aurait pu être le premier, sera pour mes augustes
parents, mes sœurs et frères et à toute ma grande famille, leurs encouragements m'ont
permis de surmonter tous les problèmes que j'avais confrontés et réussir mon parcours
académique.

iv
 TABLE DES MATIÈRES

1 INTRODUCTION 1

1.1 Mise en contexte et problématique 1

1.2 Objectifs de la recherche 5
1.3 Organisation du mémoire 5

2 LA REVUE DE LA LITTÉRATURE 6

2.1 Pertinence du concept de l'efficience technique 6

2.2 L'efficience technique : définition 6
2.3 Discussion des approches pour mesurer l'efficience technique 8
2.4 Mesure de l'efficience technique avec des données de panel 11
2.5 Distributions et spécifications du terme d'inefficience technique 13
2.6 La dominance stochastique et l'inefficience technique 14
2.7 Les approches d'estimation économétrique et l'efficience technique 16

2.7.1 L'approche classique 17

2.7.2 L'approche bayésienne 18

2.8 Synthèse et hypothèses de recherche 20

3 MÉTHODOLOGIE 23

3.1 L'approche classique 23

3.2 L'approche bayésienne 26
3.3 Test de la dominance stochastique . 29

4 RÉSULTATS ET DISCUSSION 36

4.1 Les données 36

4.2 Résultats 40

4.2.1 Modèle de l'effet de l'inefficience 40

4.2.2 Estimation classique vs estimation bayésienne 50

v
 4.2.3 Test de la dominance stochastique 58

5 CONCLUSION 62

6 RÉFÉRENCES BIBLIOGRAPHIQUES 65

vi
 LISTE DES TABLEAUX

Tableau 1 : Statistiques descriptives des variables du modèle de la frontière

stochastique du secteur laitier au Québec 37
Tableau 2: Estimés des paramètres de la fonction de production frontière
des différents modèles par la méthode du Maximum de
vraisemblance 42
Tableau 3: Tests LR pour la spécification des modèles 43
Tableau 4: Les estimés des élasticités des facteurs de production 45
Tableau 5: Les estimés par la méthode de maximum de vraisemblance des
effets du modèle de l'inefficience avec une frontière de
production translog et une spécification au changement
technologique 49
Tableau 6: Estimés de la frontière stochastique Cobb-Douglas avec une
efficience technique variable avec le temps via les méthodes de
Maximum de vraisemblance et Bayésienne 52
Tableau 7: Sommaire des statistiques des estimations classique et
bayésienne de l'efficience technique avec le temps 54
Tableau 8: Quelques distributions de fréquences des estimés moyens de
l'efficience technique 55
Tableau 9: Quelques quintiles des estimés moyens de l'efficience technique
via l'approche classique 56
Tableau 10: Quelques quintiles des estimés moyens de l'efficience technique
via l'estimation bayésienne 57
Tableau 11 : Test de la dominance stochastique restreint utilisant les scores
d'efficience technique des fermes laitières au Québec 59

vu
 LISTE DES FIGURES

Figure 1 : Représentation graphique de l'efficience technique et allocative 7

Figure 2 : Représentation graphique de la frontière de production stochastique 10
Figure 3: Composition génétique des fermes laitières au Québec 38
Figure 4: Répartition du niveau d'éducation des producteurs laitiers du
Québec 38
Figure 5 : Niveau d'adoption des nouvelles technologies des fermes laitières au
Québec 39
Figure 6: La disposition graphique des distributions Cumulatives des estimés
de l'efficience technique 60

vin
1 INTRODUCTION

1.1 Mise en contexte et problématique

Ce chapitre introductif fait ressortir en premier lieu la pertinence du sujet. Il met en

évidence l'importance du secteur laitier canadien, ses principales caractéristiques
notamment le système de gestion de l'offre qui le régit, ainsi que la conjoncture actuelle
à laquelle il est confronté. En deuxième lieu, les objectifs spécifiques de l'étude sont
présentés. Le but de ce mémoire est de jeter un nouvel éclairage sur l'efficience
technique des fermes laitière au Québec en utilisant des méthodes d'analyse de pointe.

L'industrie laitière est le quatrième secteur en importance dans l'économie

agroalimentaire canadienne juste après les grains, les viandes rouges et l'horticulture.
En 2006, les exploitations laitières ont généré plus de 4,8 milliards de dollars en
recettes monétaires. Cette même année, les livraisons des usines laitières canadiennes
se sont chiffrées à 13 milliards de dollars et ont représenté 16,8 % de toutes les ventes
de l'industrie canadienne des aliments et des boissons. Pour l'année laitière 2005/2006,
environ 38 milles personnes travaillaient dans les 17,890 exploitations laitières
canadiennes, et quelques 26 000 autres sont employées dans les 282 usines canadiennes
enregistrées de transformation du lait .

Toujours pour l'année 2006, les exportations canadiennes de produits laitiers se sont
chiffrées à 262,3 millions de dollars. Le Canada exportait alors principalement des
produits facilement entreposables et des produits haut de gamme tels que le fromage
cheddar fort. Pour leur part, les importations canadiennes de produits laitiers se sont
chiffrées cette même année à 519,6 millions de dollars. L'Union Européenne (UE),
l'Amérique du nord et l'Océanie représentaient les principaux fournisseurs de produits
laitiers pour le Canada avec respectivement 40,7 %, 24,3 % et 16,2 % de la valeur des
importations. Pour cette même année et pour une quatrième année consécutive, la

1
http://www4.agr.gc.ca/AAFC-AAC/display-afficher.do?id=l 182522993907&lang=f, Agriculture et
Agroalimentaire Canada, Octobre 2007

1
balance commerciale de produits laitiers du Canada s'est avérée déficitaire, la valeur
des importations excédant la valeur des exportations de 257,3 millions de dollars2.

Depuis le milieu des années 1960, le secteur laitier canadien a évolué sous le système
de la gestion de l'offre. En limitant l'importation et la production des produits laitiers,
ce système permet de générer des prix internes suffisamment élevés pour assurer que
70% des producteurs couvrent leur coût de production incluant la rémunération de leur
temps à un salaire d'ouvrier spécialisé.

À l'origine, ce système a été créé pour remédier aux problèmes engendrés par
l'instabilité des prix et de l'approvisionnement, et pour contrecarrer les effets néfastes
de la spéculation et de l'intermédiation. Les promoteurs de ce système font aussi valoir
qu'il encourage la souveraineté alimentaire. La gestion de l'offre est un système de
transferts financés par les consommateurs pour le bénéfice des producteurs laitiers
(Larue, 1994; Schmitz et Schmitz, 1994; Boyer et Charlebois, 2007). La contribution
du gouvernement se limite aux coûts de la réglementation qui sont beaucoup moins
élevés que si le Canada devait offrir le même soutien interne par le biais de
subventions.

Sous le système de la gestion de l'offre, les intérêts des consommateurs canadiens ne

sont certes pas au premier plan d'autant plus que le lait est un bien essentiel dont la
demande est inélastique. En effet, le prix du lait a augmenté de 53 % au cours des
douze dernières années, soit le double du taux de croissance de l'inflation, alors que,
durant la même période, les coûts de production ont enregistré une baisse de 3.8 %3. De
plus, le prix de détail du lait est de 37 % plus élevé au Québec qu'aux États-Unis.
L'Institut Économique de Montréal estime que le consommateur québécois
4
subventionne les producteurs de lait, des œufs de consommation et de poulet à hauteur
de 300 dollars par année par famille de 4 personnes. Cela représente un montant
faramineux de 575 millions pour l'ensemble de la province5. De plus, ce système
accentue le problème d'iniquité fiscale. En effet, tous ceux qui achètent des produits

http://www.dairyinfo.gc.ca/ccilclc.htm, Centre Canadien de l'Information Laitière, Juin 2005.

1
http://www.iedm.org/uploaded/pdf/agri0807_fr.pdf, Institut Économique de Montréal, Août 2007.
4
Le secteur laitier représente 80% des produits régis sous la gestion de l'offre.
http://www.iedm.org/uploaded/pdf/agri0807_fr.pdf, Institut Économique de Montréal, Août 2007.

2
laitiers contribuent, sans égard à leurs revenus, à la rente des producteurs laitiers. En
raison de l'inélasticité revenu de la demande de lait, le fardeau des familles à faibles
revenus est relativement plus lourd que celui des familles à hauts revenus.

Le système de la gestion d'offre est un système qui limite l'entrée de nouvelles

entreprises dans le secteur laitier. En effet, les producteurs doivent investir dans des
droits de production, communément appelés quotas, pour pouvoir produire. Les prix
des quotas laitiers transigent à presque 27 000$/ kg de matière grasse par jour au
Québec6, ce qui constitue une barrière financière de taille pour la relève désireuse de se
lancer dans la production laitière.

Ainsi, l'industrie laitière canadienne, longtemps protégée de la concurrence

internationale, a évolué de façon différente que les industries laitières des États-Unis et
de la Nouvelle-Zélande (Romain et Sumner, 2001). Par exemple, la taille moyenne des
fermes a plus que triplé aux États-Unis entre 1976 et 2000 passant de 26,5 à 87,5
vaches. Durant la même période, au Canada, la taille moyenne des fermes a augmenté
de 24,5 vaches à 57,1 vaches : soit une augmentation de 130 %. Cependant, l'évolution
de cette structure diffère significativement d'une province à une autre. Entre 1976 et
1999, la taille moyenne des fermes a augmenté de 650 % en Alberta, passant de 14,2 à
107,5 vaches, alors qu'au Québec et en Ontario, les deux plus importantes provinces
laitières s'accaparant 75 % de la production canadienne, les taux de croissance ont été
de 52 % et 70 % respectivement (soit de 29,1 à 44,3 et de 33,5 à 56,8 vaches sur la
même période). Dans cet ordre d'idées, Romain et Sumner (2001) soutiennent que les
différences dans la productivité et la taille des fermes laitières canadiennes et
américaines sont principalement attribuables à la valeur élevée des quotas de
production découlant de la politique canadienne. Par contre, on ne sait pas si les fermes
canadiennes sont plus ou moins efficaces que les fermes américaines, lorsque l'on
contrôle pour la taille. On ne sait pas non plus jusqu'à quel point la productivité des
facteurs augmenterait si la taille des fermes canadiennes augmentait au point de
rejoindre la taille des fermes américaines.

6
http://www.dairyinfo.gc.ca/pdf/quota07.pdf, Centre Canadienne de l'Information Laitière, Août 2007.

3
Sur le plan du commerce international, le Canada est un grand joueur sur le marché
international des produits agricoles puisque pour l'année 2006 les exportations et les
importations canadiennes de ces produits ont atteint 27,86 et 22,42 milliards de dollars7.
Malheureusement, le Canada tient un double discours en prônant l'intensification des
échanges commerciaux tout en continuant de défendre son système de gestion de
l'offre. Ceci contribue à miner la crédibilité du Canada sur la scène internationale. Pour
les détracteurs du système de la gestion de l'offre, l'abolition de ce système donnerait
au Canada plus d'incitations à innover et à développer de nouveaux produits
(Petkantchin, 2006).

Récemment, l'Organisation Mondiale du Commerce (OMC) a rendu un jugement

contre le Canada suite à des plaintes des États-Unis et de la Nouvelle-Zélande. Cette
décision força le Canada à éliminer ses programmes d'exportation puisqu'ils
contrevenaient aux obligations canadiennes en ce qui a trait aux subventions à
l'exportation. Le dénouement du cycle de Doha pourrait amener d'importantes
augmentations dans l'accès des firmes étrangères au marché canadien par
l'élargissement des contingents et la diminution des tarifs. Le processus de
libéralisation pourrait éventuellement conduire au démantèlement de la gestion de
l'offre et fournir des opportunités de croissance aux fermes efficaces aux sens
technique et allocatif du terme.

En résumé, le système de la gestion d'offre dans le secteur laitier est un transfert des
consommateurs vers les producteurs. Ce transfert se fait sans égard à la capacité de
payer des consommateurs. Les prix des quotas laitiers constituent d'imposantes
barrières à l'entrée et contribuent au problème de relève. Le prix des quotas est aussi
responsable de la petite taille des fermes laitières au Canada. La libéralisation des
échanges est un processus irréversible qui va forcer les fermes laitières à être plus
compétitives en réponse à la concurrence étrangère.

La présente recherche met à contribution le concept d'efficience technique pour

élucider jusqu'à quel point les fermes laitières québécoises varient en terme

7
http://atn-riae.agr.ca/stats/4141_e.pdf, Agriculture et Agroalimentaire Canada, Octobre 2007.

4
d'efficience. De plus, nous mesurerons l'impact des déterminants de l'ineffïcience
technique pour ultimement élaborer un profil des entreprises efficaces.

1.2 Objectifs de la recherche

L'objectif général de cette étude est d'analyser l'évolution de l'efficience technique du

secteur laitier québécois. Pour atteindre cet objectif général, les objectifs spécifiques
suivants seront poursuivis :

1. Mesurer l'efficience technique des fermes laitières en utilisant des données de

panel. Identifier les facteurs influençant l'efficience technique des fermes
québécoises en reliant les mesures d'efficience aux caractéristiques socio-
économiques des fermes;
2. Évaluer la robustesse des estimés d'efficience technique par rapport au choix de
la technique d'estimation;
3. Mesurer l'importance du processus de convergence en efficience des fermes via
le concept de dominance stochastique;

1.3 Organisation du mémoire

La suite de ce mémoire s'articule comme suit : Dans le chapitre suivant, les concepts
théoriques qui sont à la base des outils empiriques utilisés dans cette recherche seront
présentés. Nous nous pencherons particulièrement sur les concepts d'efficience
technique, les frontières stochastiques et la dominance stochastique. Nous présenterons
aussi une brève revue des approches d'estimation économétrique de frontières
d'efficience. Le troisième chapitre est consacré aux aspects méthodologiques utilisés
pour atteindre nos objectifs de recherche. Le quatrième chapitre débute par une
description des données utilisées et de leurs sources. Le reste du chapitre est consacré à
la présentation des résultats et à la discussion de leurs implications. Finalement, le
cinquième et dernier chapitre résume nos résultats, discute de leurs limites ainsi que
d'avenues futures de recherche.

5
2 LA REVUE DE LA LITTÉRATURE

Ce chapitre présente les concepts théoriques ainsi que les outils analytiques utilisés
pour atteindre les objectifs de notre étude. Nous décrirons l'efficience technique, la
frontière stochastique et la dominance stochastique, et nous discuterons des analyses
ayant utilisé les approches classique et bayésienne pour estimer des frontières
stochastiques.

2.1 Pertinence du concept de l'efficience technique

L'évaluation de l'efficience économique peut être décomposée en efficience technique

et en efficience allocative. Dans cette étude, nous nous penchons sur l'efficience
technique, c'est-à-dire sur la capacité à produire le plus possible à partir de quantités
fixes d'intrants.

Durant les dernières décennies, des études sur l'efficience technique ont été réalisées
pour à peu près tous les champs d'activité économique (ex., hôpitaux, banques, fermes,
centrales électriques...). L'efficience technique est un concept d'un grand intérêt pour
les décideurs comme pour les entreprises surtout lorsque qu'il est possible de mesurer
l'impact des facteurs qui conditionnent l'efficience. Les décideurs peuvent ainsi
améliorer les programmes pour venir en aide aux entreprises. Les firmes peuvent aussi
prendre des mesures pour améliorer leur performance.

2.2 L'efficience technique : définition

Farrell (1957) fut le premier à concevoir l'efficience d'une firme comme étant le
produit de deux composantes : l'efficience technique qui reflète l'habilité d'une firme à
obtenir le maximum d'output à partir d'une quantité d'input donnée, et puis l'efficience
allocative qui reflète l'habilité de la firme à utiliser ses inputs dans des proportions
optimales, au regard de leurs prix respectifs.

6
Figure 1 : Représentation graphique de l'efficience technique et allocative.

Y2/X1À

O Z' yj/ X l

La figure 1 illustre les concepts d'efficience, en considérant le cas d'une production

avec deux outputs yi et j ^ et un seul input xi. Pour une quantité de xi fixée à un niveau
déterminé, la courbe ZZ' représente la frontière des possibilités de production efficace.
Par conséquent, le point A qui est à l'intérieur de la frontière correspond à la production
d'une firme inefficace. La mesure d'efficience technique selon Farrell (1957) est une
mesure radiale donnée par le ratio TE - OA/OB qui compare l'output réalisé à l'output
frontière. Définissant le prix relatif du bien #1 comme le négatif de la pente de la droite
d'isocoût DD' et B' comme le point allocativement efficace de production sur la
frontière, l'efficience allocative peut s'écrire AE = OB/OC. Par la suite, l'efficience
économique est le produit des deux dernières mesures : EE = TE x AE = OA/OC.

Selon Atkinson et Cornwell (1994) une unité de production est dite efficace au sens
technique du terme si, à partir du panier d'inputs qu'elle détient, elle produit le
maximum d'output possible, ou si pour produire une quantité donnée d'output, elle
utilise les plus petites quantités possibles d'intrants. L'utilisation du mot possible
indique que le concept d'efficience technique est un concept relatif dans le sens que la
performance d'une firme dépend des autres firmes qui sont dans l'échantillon.

Pour mesurer empiriquement l'efficience technique, deux types d'approches sont

généralement utilisées : les approches paramétriques et les approches non

7
paramétriques. Les avantages et les inconvénients de ces approches sont discutés ci-
dessous.

2.3 Discussion des approches pour mesurer l'efficience technique

La mesure de l'efficience technique nécessite l'établissement d'une frontière de

production qui peut être paramétrique ou non paramétrique. La frontière non
paramétrique n'est pas liée à une forme fonctionnelle précise puisque l'isoquant
convexe et efficace associé à un niveau de production donné est estimé à partir d'un
nuage de points se situant tous au dessus et à droite de cet isoquant. Farrell (1957) est à
l'origine de la méthode par enveloppement des données, connue par l'acronyme DEA
pour « data envelopment analysis ». Cette méthode popularisée par Chaînes et al.
(1978) a l'avantage de ne pas imposer de forme fonctionnelle à la fonction de
production ni de restriction sur la distribution du terme de l'inefficience. Cependant,
aucune variation aléatoire n'est possible puisque l'inefficience est calculée comme
étant l'écart entre les observations et la frontière. Par conséquent, cette méthode est très
sensible aux observations extrêmes et ne permet pas de tests statistiques.

La frontière paramétrique déterministe diffère de la précédente par l'introduction d'une

forme fonctionnelle spécifique pour modéliser la fonction de production. Aigner et Chu
(1968) ont utilisé une forme fonctionnelle Cobb-Douglas pour estimer une fonction de
production frontière sous l'hypothèse de rendements constants. Leur modèle est défini
comme étant In yi - (5 In x, - w, où In y, est le logarithme de la production de la firme i;

x,est un vecteur colonne (k+1) dont le premier élément est "1" et les autres éléments
sont les k quantités d'intrants utilisés par la firme i; fi est un vecteur ligne des
paramètres inconnus à estimer, et; w.est une variable aléatoire non négative qui reflète

l'inefficience technique, L'efficience technique est donnée par le ratio TE, compris

entre 0 et 1, tel que: TEt= yj/exp(/3lnxi) = exp(/?lnx, -w ; )/exp(/nnx ; ) = exp(-w,)

où yt est la production observée de la firme i et exp(y91njc,)est la production frontière

estimée. Cette approche est vite devenue obsolète à cause de la nature déterministe de
sa frontière de production et sa sensibilité aux observations extrêmes. Bien que cette

8
approche prenne en compte l'erreur aléatoire, elle estime une fonction moyenne et non
pas une fonction frontière. Par conséquent, elle est incapable de décomposer l'écart
entre la fonction estimée et les observations en termes d'inefficience et d'erreur
aléatoire.

Les approches non paramétriques et paramétriques discutées précédemment permettent

de caractériser une fonction frontière déterministe s'appliquant à toutes les firmes.
C'est-à-dire que toutes les firmes utilisent la même technologie et que leur performance
respective est obtenue en comparant leur output à la frontière (commune) de
production. Tout écart entre l'output d'une firme et la frontière est entièrement attribué
à l'inefficience. Cette notion de frontière déterministe néglige la possibilité que la
performance d'une firme puisse être affectée par plusieurs facteurs hors de son contrôle,
tels que les aléas climatiques, un bris mécanique fortuit ou encore une pénurie
d'intrants. Pourtant, l'effet de ces facteurs incontrôlables peut être très important
(Amara et Romain, 2000). Pour ces raisons, il y a eu un intérêt croissant pour les
frontières stochastiques non paramétriques et semi paramétriques (Kneip et Simar,
.1996; Henderson et Simar, 2005).

Cependant, et du moment que notre technologie est supportée par une forme
fonctionnelle flexible, l'approche stochastique paramétrique trouve toute son utilité.
Initialement, proposée par Aigner, Lovell et Schmidt (1977) et Meeusen et Van Den
Broek (1977), et améliorée par Jondrow et al. (1982), elle permet l'estimation des
scores d'efficience technique spécifiques à chaque firme. L'intégration de ces effets
aléatoires se fait par la décomposition de l'erreur en deux termes: une composante
d'inefficience et une composante d'erreur aléatoire combinant les erreurs de mesure et
les chocs exogènes. La composante aléatoire suit une distribution symétrique normale,
tandis que la composante inefficience suit une distribution asymétrique définie
positivement pour une fonction de coût et négativement pour une fonction de
production. Elle permet ainsi d'estimer une fonction frontière qui tient compte
simultanément de l'erreur aléatoire et d'une composante d'inefficience spécifique à
chaque firme. La figure 2 permet d'illustrer cette caractéristique. Dans cet exemple, la
firme Ci affiche une inefficience w/, et un choc exogène favorable vj, plus importants
que ui, qui la place au-delà de la frontière efficace. Par contre, l'inefficience U2 de la

9
firme C2 est détériorée par un choc exogène défavorable V2 qui la situe davantage en
deçà de la frontière efficace, comme dans Guarda et Rouabah (1999).

Figure 2 : Représentation graphique de la frontière de production stochastique.

y 4 Cj

A,

B,

O x

Pour un échantillon de firmes i=l,.., N, la frontière de production se définit comme

suit : yf = f{xt, P) exp(v(. - u, ) où yi dénote la production de fme firme dans

l'échantillon ; x,est un vecteur (lxk) des inputs utilisés par la ieme firme; /? est un
vecteur (kxl) de paramètres à estimer. Les v( représentent les termes d'erreurs
aléatoires qui sont supposés être indépendants et identiquement distribués selon la loi
normale N(0,cr*). Les w; représentent les termes de l'inefficience technique et sont
supposés être indépendants de v, ; w; admet plusieurs distributions telles la gamma,
l'exponentielle ou la normale tronquée. L'efficience technique de la fme firme est
donnée par TEi = >>,//(*,,/?).exp(v ; ) = exp(-w,.) où y, est le niveau de production

observé et /(x.,/?).exp(v,)est la frontière stochastique de production. Il est à noter

que / ( . ) peut prendre plusieurs formes fonctionnelles telles que Cobb-Douglas, CES,
Translog.8

8
Mbaga et al. (2003) et Giannakas et al. (2003) offrent des comparaisons par rapport à la performance de différentes
formes fonctionnelles et différentes distributions pour le terme d'inefficacité.

10
La mesure du changement technologique dans un secteur d'activité économique
requiert l'introduction de la dimension temporelle dans les données. Ceci nécessite le
recours à des données de type panel. Le paragraphe ci-dessous discute des avantages de
mesurer l'efficience technique avec ce type de données.

2.4 Mesure de l'efficience technique avec des données de panel

Les modèles faisant appel à des données de type panel sont très utiles pour modéliser
différentes sources d'hétérogénéité et ce dans plusieurs domaines d'activité
économique. Par conséquent, il y a un intérêt grandissant pour modéliser cette
hétérogénéité. Cette dernière dépend essentiellement des habilités des gestionnaires et
des ouvriers qui opèrent au sein des firmes. Un panel est constitué d'un ensemble
d'observations de N individus, sur plusieurs périodes 7,. Un individu est une unité
statistique observée, qui peut représenter une firme, une ferme, un ménage ou un
consommateur. L'empilement des données transversales résulte en une base de données
unique dite de panel,9 plus large qu'une série chronologique sur une firme, et plus
informative qu'une coupe transversale qui n'a qu'une observation pour chaque firme.
L'utilisation de données de panel offre de nombreux avantages comme de réduire le
biais d'estimation des coefficients, de prendre en compte l'hétérogénéité de nature non
observable, de réduire le risque de multicolinéarité, d'effectuer des tests plus complets
sous des conditions moins restrictives (Hsiao, 1986 p. 311), et de relaxer certaines
hypothèses fortes en ce qui a trait aux distributions utilisées lorsque les données sont
transversales (Schmidt et Sickles, 1984).

Le modèle panel peut s'écrire comme suit yu - /"(*„,/?) exp(v;, ~uu); où yu dénote la
production de j firme dans l'échantillon à la fme période; xu est un vecteur (lxk)
d'inputs utilisés par la fme firme à la fme période; et /? est un vecteur (kxl) de
paramètres à estimer. Les v„ représentent les termes d'erreurs aléatoires qui sont par

hypothèse indépendamment et identiquement distribués selon la loi normale N(0, cri ) ■

9
Les données de panel sont appelées données longitudinales dans la littérature statistique (Koop, 2003 p. 147).
10
Hsiao, C , Panel Data Analysis-Advantages and challenges, University of Southern California, 2006. Disponible à :
http://papers.ssrn.com/sol3/papers.cfm?abstract_id=902657.

11
Les uu représentent les termes d'inefficience technique. Ils sont indépendants de vu,
par hypothèse, mais peuvent être spécifiés en fonction de différentes distributions :
gamma, exponentielle ou normale tronquée. L'efficience technique de la fme firme à la
fme période est donnée par TEit = y,7//(*,,,/?).exp(v,.,) = exp(-w,,) où yit est le niveau

de production observé et /(jcy,,/?).exp(v;,)est la frontière stochastique de production.

Il est à noter que / ( . ) peut emprunter plusieurs formes fonctionnelles telles que Cobb-
Douglas, CES, Translog, Leontief généralisée... On distingue trois approches
d'estimation. La première est à effets fixes, c'est-à-dire que uit est traité comme un

paramètre fixe à estimer. Par conséquent, l'hétérogénéité est modélisée par un effet
individuel générique qui a l'avantage d'être simple à opérationnaliser. Toutefois,
lorsque le nombre d'individus est grand, le nombre de paramètres à estimer est excessif.
La deuxième approche est celle à effets aléatoires qui traite l'effet
2
individuel uu ~ iid N(0,cr ) non plus comme un paramètre fixe à estimer mais

comme une variable aléatoire non observable. Il est à noter que uit et vu doivent être
non corrélés pour tous les i et /. Le choix entre les approches à effets fixes et à effets
aléatoires dépend des considérations telles que la nature de l'effet individuel, le nombre
d'unités statistiques, la nature de l'échantillon et le type d'inférence qu'on veut faire
(Dormont, 2003 p. 20). Finalement, la troisième approche introduit des coefficients
aléatoires dans la spécification du modèle. Cette approche a l'avantage d'être très
flexible en permettant à certains coefficients de varier d'une unité à l'autre sous
différentes hypothèses en ce qui a trait à la distribution de chaque coefficient aléatoire.

12
2.5 Distributions et spécifications du terme d'inefficience technique

Stevenson (1980) a proposé l'utilisation d'une distribution normale tronquée pour le

terme d'inefficience qui doit être strictement positif. Greene (1990) a utilisé une
distribution gamma tandis que Koop (1997) a utilisé une distribution exponentielle. Ces
distributions ont été critiquées car elles restreindraient arbitrairement la moyenne des
effets d'inefficience technique. Par contre, Kumbhakar et Lovell (2000 p. 90)
soutiennent que le classement des scores d'inefficience ou des firmes est robuste par
rapport au choix de distribution. Les résultats de Mbaga et al. (2003) par rapport aux
corrélations des scores suggèrent aussi que le choix de distribution importe peu en
pratique.

L'efficience technique peut varier avec le temps, par ailleurs et la considérer constante
constitue une hypothèse forte qui peut se justifier lorsque les données ne couvrent pas
de longues périodes. Dans un environnement compétitif, Kumbhakar (2000)
recommande de relâcher cette hypothèse, même si cela implique des paramètres
supplémentaires à estimer. Par conséquent on peut remplacer le terme ut dit « time

invarying » par uit qui est dit « time varying TE ». Kumbhakar et al. (1990) furent les
premiers à proposer ce raffinement qui pose un problème d'estimation puisqu'il
implique l'estimation de (NxT + k + \) paramètres avec seulement NxT
observations.

Kumbhakar et al. (1990) ont pallié à ce problème en réduisant le nombre de paramètres

à estimer à (3xN + k + \)en posant /?,., =/? 0 -uu = Q n +Q.j2t + ÇlBt2. Cette
spécification permet à l'efficience technique de varier avec le temps, mais de
différentes manières pour chacune des firmes . En imposant Q ;2 = Q /3 = 0, le modèle

redevient « time invarying ». Si, par contre, Cïn = Cï2 et Q /3 = Q 3 Vz alors, notre

modèle se réduit à celui à effets fixes avec une constante spécifique à chaque firme fin

et un terme temporel quadratique commun à toutes les firmes, soit Q2t + Cl3t2. Cette

Notons que si T=2 ou T=3 cette spécification ne pose pas de problèmes d'estimation.

13
version restreinte peut s'interpréter de deux manières : (i) L'efficience technique est
spécifique à chaque firme, tout, en variant de la même manière avec le temps pour
toutes les firmes, (ii) L'efficience technique est spécifique à chaque firme, tout en étant
invariable dans le temps, en considérant que le terme temporel capture les changements
technologiques.

Une formulation alternative a été proposée par Lee et Schmidt (1993) qui
spécifie uu = /?(?)•",, oùp(t) est une fonction monotone comprise entre 0 et 1. Par

exemple, lorsque f5(t) - /?,, on a un ensemble de variables binaires du temps. Cette

formulation semble être plus flexible que la première en ce sens que l'effet dans le
temps n'est pas nécessairement monotone. Par contre, le pattern temporel /?, est
contraint à être le même pour toutes les firmes. Cette formulation est appropriée dans le
cas ou T n'est pas grand, puisqu'il faudrait estimer T-l coefficients supplémentaires.
Kumbhakar (1990), quant à lui, a proposé la spécification /?(/) = [1 + exp(y.t + S.t2)]""'
qui nécessite l'estimation de seulement deux paramètres supplémentaires y et S.
Battese et Coelli (1992) ont suggéré la formulation /?(/) = exp[-y(t - T)] qui requiert
l'estimation d'un seul paramètre supplémentaire.

Battese et Coelli (1995) ont développé la très populaire spécification uu =Zuô + Wlt,

où Z,., est le vecteur (1 x m) de variables spécifiques aux firmes qui peut varier avec le

temps, 8 est le vecteur (m x 1) de paramètres inconnus relié aux variables spécifiques

aux firmes, et Wu est une variable aléatoire définie par la troncation au point -Zuô de

la distribution normale de moyenne 0 et d'écart type a. Les uu sont supposés

indépendants pour tous les i et t de sorte que w„ ~ N+{Zitô,a2). Cette spécification

génère des effets spécifiques pour chaque firme.

2.6 La dominance stochastique et Pineffïcience technique

La spécification paramétrique du terme de l'inefficience variable dans le temps est une

façon d'identifier la présence ou non d'un mécanisme qui amène les firmes à devenir de

14
plus en plus efficace dans le temps. Ce mécanisme s'apparente à un processus de
rattrapage qui amène les firmes à se rapprocher de la frontière d'efficience. Il peut être
motivé par un transfert de façons de faire des firmes plus efficaces aux firmes moins
efficaces. La spécification paramétrique de l'inefficience variable impose une forme
spécifique au mécanisme qui peut ne pas traduire adéquatement le phénomène de
rattrapage. Par exemple, il est possible que le rattrapage se fasse à vitesses variables
durant la période couverte par l'échantillon et qu'il soit influencé par des variables non-
observables. S'il y a un phénomène de rattrapage, celui-ci devrait être observable en
comparant les distributions des scores d'efficience entre deux périodes. Pour identifier
le phénomène de rattrapage, nous nous servirons du concept de dominance stochastique
qui est couramment utilisé pour comparer les distributions de la richesse entre pays ou
régions (Duclos et al. 2005).

On dit qu'une variable aléatoire X domine stochastiquement une variable aléatoire Y

si Pr(X > z) > Pr(7 > z) pour tout z s 9? ou si F(z) < G(z), où F(.) et G(.) sont
respectivement les fonctions (cumulatives) de distributions de X et Y et Pr(.) est une
probabilité. Si on considère deux distributions A et B pour les variables aléatoires X et
X

7 , on a D\(x) = FA(x) et DSA(x) = JDsAl(y)dy pour tout entier s>2. DsB(x) est
o

défini de la même manière et pour tout degré s, on a: D"(x) = \(x - y)s ' dF(y)
J
O-l)! 0
(Davidson et Duclos, 2000). On peut alors conclure que la distribution B domine
stochastiquement au degré s la distribution A si DSA (x) > DSB (x), V x eSR. Pour un seuil
d'efficience technique te > 0, on dit que la distribution de scores d'efficience B domine
stochastiquement la distribution de scores d'efficience A au premier degré pour le seuil
choisi si : DA (x) > DB (x), V x < te. Ceci implique que le nombre de fermes laitières
en dessous du seuil d'efficience te est plus élevé en A qu'en B. On dit que B domine
stochastiquement A au second degré pour le seuil te si : DA (x) > D2B (x) V x < te.
Ceci implique que l'écart d'efficience entre les fermes en A est plus élevé que celui en
B pour tous les seuils x < te. L'approche est généralisable à tout degré s désiré.

Ravallion et al. (1994) et Davidson et Duclos (2000) dénomment D] (x) la courbe

d'incidence, D2(x) la courbe d'écart, et finalement D3(x) la courbe de sévérité.

15
2.7 Les approches d'estimation économétrique et l'efficience
technique

L'inférence statistique sur l'efficience technique requiert des méthodes d'estimation des
paramètres centraux tels que la moyenne, ainsi que des paramètres de dispersion tels
que la variance. De telles méthodes sont disponibles aussi bien pour l'approche
classique que pour l'approche bayésienne. L'approche bayésienne peut être vue comme
une généralisation de l'approche classique en ce sens que les paramètres ne sont plus des
valeurs fixes inconnues mais des variables aléatoires dont il faut spécifier la
distribution. Cette distribution est appelée Va priori. L'intégration de l'information
apportée par les données se fait par le calcul de la distribution dite à posteriori et qui
n'est autre que la distribution conditionnelle aux valeurs prises par les données. Par
ailleurs, la méthode de Bayes combine, à la fois, les connaissances préalables sur les
paramètres ainsi que l'information contenue dans l'échantillon. En guise d'exemple,
considérons que la pente d'une courbe d'offre devrait être de signe positif. Le chercheur
s'attend à ce que le paramètre de pente soit strictement non-négatif a priori et cette
information par rapport à la distribution du paramètre contraint selon sa précision
l'estimation des paramètres a posteriori. Il est à signaler que le poids de Va priori par
rapport aux données est critique. S'il est trop élevé alors les données interviendront peu
et la distribution à posteriori ne sera rien d'autre que la distribution a priori.
L'utilisation des a priori peu informatifs peut éviter ce genre de problèmes. Mais on
peut très bien imaginer des cas où la connaissance avant l'expérience doit être beaucoup
plus pesante que celle apportée par les données. Les lecteurs désirant approfondir sur ce
sujet peuvent se référer à Zellner (1971); Koop (2003) et Gelman et al. (2004).

16
2.7.1 L'approche classique

Dans le cadre de l'approche classique, Jondrow et al. (1982) ont proposé une méthode
pour estimer la moyenne conditionnelle de l'efficience technique. Battese et Coelli
(1988) ont généralisé cette méthode pour les données de panel et un terme
d'inefficience technique qui n'est pas variable avec le temps et qui suit une distribution
normale tronquée. Horace et Schmidt (1996) ont proposé un intervalle de confiance
pour une spécification non variable avec le temps du terme de l'efficience technique tel
que dérivé par Jondrow et al. (1982) et Battese et Coelli (1988). Hadri, Guermat et
Whittaker (2003) ont généralisé cette méthode d'intervalle de confiance pour des
données de type panel supportant des scores d'inefficience technique variables avec le
temps. Il y a eu également plusieurs tentatives de mesurer les effets de divers facteurs
exogènes sur les scores d'inefficience des firmes. Pitt et Lee (1981) et Kalirajan (1981)
ont décomposé l'inefficience par le biais de plusieurs variables explicatives à partir de
données transversales. Pour cela, ils ont procédé en deux étapes: (i) on a estimé la
frontière stochastique de production pour obtenir les scores d'inefficience technique,
pour ensuite (ii) régresser les effets d'inefficience technique sur des variables
explicatives. Kumbhakar, Gosh et Liu (1994), Reifschneider et Stevenson (1991) ont
proposé une estimation simultanée de ce modèle.

Battese et Coelli (1995) ont étendu ce modèle pour les données de panel, (Kumbhakar,
2000) en proposant trois techniques d'estimation: (i) la technique avec effets fixes
basée sur l'estimateur LSDV (least squares with dummy variables); (ii) la technique
avec effets aléatoires basée sur l'estimateur GLS (generalized least squares); (iii) la
technique du maximum de vraisemblance (MLE). Toutes ces techniques imposent des
conditions particulières sur les données. L'utilisation d'une plutôt que d'une autre de
ces techniques dépend du nombre d'unités et de périodes dans le panel et de la nature
de l'effet individuel (fixe versus aléatoire). Si l'hypothèse de l'indépendance de l'effet
individuel des regresseurs est plausible, le MLE s'avère alors plus efficient que le LSDV
et le GLS parce qu'il exploite l'information sur les distributions des erreurs
(Kumbhakar, 2000 p. 106). En maintenant les hypothèses que les termes d'erreurs
soient identiquement, indépendamment et normalement distribués; la distribution
conjointe des termes d'erreurs n'est que le produit de distributions normales de

17
moyenne zéro et de variance a2 tel que f(sl,£2,...,£T)- f(s^)x f(£2)x...x f(sT).

Puisque st = y, -xtfi et que le jacobien de transformation est égal à la matrice unitaire

IT, alors la vraisemblance dey,, y2---, yT est représentée par

iid

g{y\,y2,-,yT) = S{y\)*g(y2)*-xg(yT)- n s a i1;

' g d une
' fonction de densité
conjointe des données ayant comme inconnus le vecteur |3 et le paramètre a de sorte
que : L(y,fi,<J)- P(y,, /?, cr) xP(y 2 , /?, a ) x... xP{y T ,fi,cr). La technique MLE
consiste à maximiser cette fonction par rapport à /? et a et à solutionner le système
d'équations qui en résulte. Le logarithme naturel de cette fonction est une
transformation monotone et positive de la vraisemblance qui ne change en rien la
solution et qui facilite de beaucoup les calculs. Une fois qu'on obtient les /? et a
optimaux, on peut alors faire toutes les inférences statistiques requises.

Récemment, Mbaga et al. (2003) ont estimé l'efficience technique des fermes laitières
au Québec en utilisant la méthode MLE sur des données transversales pour l'année
1996. Ils ont comparé plusieurs formes fonctionnelles pour décrire la fonction de
production ainsi que quelques distributions pour le terme d'inefficience. Il ressort de
cette étude que les fermes laitières du Québec sont très homogènes puisque le niveau
moyen d'efficience est élevé et qu'il y a peu de dispersion. Les auteurs ont aussi
démontré à partir de coefficients de corrélation que les choix d'une forme fonctionnelle
et de la distribution du terme d'erreur avaient relativement peu d'impact sur le
classement des fermes. Par contre, les résultats obtenus avec la méthode par
enveloppement des données donnent des résultats très différents.

2.7.2 L'approche bayésienne

Van den Broeck, Koop et Osiewalski (1994) ont été parmi les premiers à appliquer les
procédures bayésiennes à l'estimation des frontières stochastiques. Ils ont rapporté que
ces procédures ont le mérite de fournir des inférences exactes sur les scores de
l'efficience technique lorsque les échantillons sont petits, d'incorporer des avis
d'experts via les a priori et d'intégrer facilement les restrictions comme les conditions
de régularité. L'estimation de modèles de frontière stochastique par l'approche
bayésienne requiert l'utilisation de méthodes d'intégration numérique. Dans ce

18
contexte, la Chaîne Markovienne12 de Monte Carlo13 « MCMC »14 est la méthode la
plus appropriée Griffen et Steel (2005). Elle a été utilisée par Koop, Steel et Osiewalski
(1995) et a été adoptée par Kurkalova (2002), Huang (2004) et Kumbhakar et Tsionas
(2005). Kim et Schmidt (2000) ont comparé les estimés des approches classique et
bayésienne dans un contexte de données de panel. Pour répondre aux besoins de la
recherche appliquée quant aux modèles de frontières stochastiques via l'approche
bayésienne, Griffen et Steel (2005) ont développé un logiciel fiable et convivial du nom
de « WINBUGS » qui permet d'appliquer la méthode « MCMC ».

La caractéristique principale de l'approche bayésienne est de traiter le vecteur

0S(/3,<T) comme un vecteur aléatoire et non pas fixe comme c'est le cas dans
l'approche classique. L'approche bayésienne s'appuie sur le théorème de Bayes qui
stipule que pour deux variables aléatoires y et 6 :

P(y,û) = P(û\y)xP(y) = P(y\0)xP(û) et P(0|y) = Eizl^î^ï o ù P(y>0) est

la probabilité conjointe de y et 0, P(y\ô) est la fonction de vraisemblance, une

fonction de densité des données y conditionnée par les paramètres du modèle 9, P(y)
est la probabilité marginale de y qui assure que l'intégrale de P{6 | y) est égale à un,
P{91 y) est la fonction de densité à posteriori qui peut être vue comme une mise à jour
des connaissances a priori par rapport au vecteur de paramètres 6, et P{G) est la
fonction de densité a priori. L'inférence statistique de Bayes se base sur l'exploitation
de la loi à posteriori. C'est ainsi qu'on peut calculer la moyenne de 6 par la

12
Une chaîne de Markov est un processus stochastique possédant la propriété markovienne. Dans un tel processus, la
prédiction du futur à partir du présent ne nécessite pas la connaissance du passé. Une chaîne de Markov en temps
discret est une séquence X.,X2,X3,..Àe variables aléatoires. L'ensemble de leurs valeurs possibles est appelé
Vespace d'état, la valeur X„ étant l'état du processus au moment n. Si la distribution de probabilité conditionnelle de
X#r\ sur les ■ états passés est une fonction dépendant que de X„, alors :
P(X„+I =x\X0,Xl,X2,...,Xn) = P(XlHl = x\XJ-

13
La méthode de Monte Carlo consiste à calculer une valeur numérique en utilisant des procédés aléatoires. Elle est
particulièrement utilisée pour calculer des intégrales de dimensions plus grandes que 1. Elle consiste à isoler un
certain nombre de variables et à leur affecter une distribution de probabilités. Pour chacun de ces facteurs, on effectue
un grand nombre de tirages aléatoires dans les distributions déterminées précédemment, afin de déterminer la
probabilité d'occurrence de chacun des résultats.
14
La méthode « MCMC » combine les procédés aléatoires de la méthode de Monte Carlo au processus de la chaîne
markovienne. Contrairement à la méthode de Monte Carlo les tirages aléatoires de la méthode « MCMC » ne sont pas
indépendants. L'application la plus commune de cette méthode consiste à calculer numériquement des intégrales
multidimensionnelles. C'est pour cette raision que les premiers tirages sont rejetés.

19
formule E{6) = \9.P{6 \ y)dO en utilisant la méthode d'intégration de Monte Carlo qui
requiert des tirages dans la distribution de P{0 \ y). Dans le cas d'une distribution a
priori naturelle conjuguée, les fonctions de densité a priori et à posteriori sont de la
même forme, mais avec des paramètres modifiés. Néanmoins, il est parfois possible
d'obtenir une solution analytique mais plus souvent qu'autrement, la densité à
posteriori n'a pas de forme analytique précise et il est alors impossible de tirer des
valeurs directement dans cette distribution. L'échantillonnage de Gibbs vient palier à ce
problème. Soit f(x,y,z) une fonction de densité jointe, et supposons qu'il est
impossible de faire des tirages à partir de cette distribution. Si par contre les
distributions conditionnelles/(x | v, z), f(y\x,z) et f(z\x,y) sont adéquatement
caractérisées, des tirages récursifs et itératifs dans ces distributions conditionnelles
peuvent alors reproduire les paramètres de la fonction de densité jointe f(x, y,z).

Dans l'éventualité ou l'une ou l'autre des distributions conditionnelles ne sont pas

caractérisées avec suffisamment de précision, on doit alors avoir recours à l'algorithme
Metropolis-Hastings. Sous l'hypothèse qu'il est impossible de tirer de la distribution

f(y | x'+\z'), l'algorithme Metropolis-Hastings débute en choisissant une valeur

d'essai y'+] = y' +T] OÙ JJ est tiré d'une loi normale. On calcule ensuite le ratio

f(yM \xM1,z')
r= : -r- -— et si r>\ on accepte la valeur d'essai, sinon on l'accepte avec
,+
f(y'\x \z-)
une probabilité égale au ratio r de sorte que : y'+1 -rxy'+1 +(l-r)xy' Le lecteur
désirant plus de détails sur l'algorithme Metropolis-Hastings peut consulter Koop (2003,
p.92-99).

2.8 Synthèse et hypothèses de recherche

Notre survol de la littérature a démontré que la mesure de l'efficience technique est un

domaine de recherche très dynamique qui a bénéficié de nombreuses avancées tant du
côté de l'approche d'estimation classique que de l'approche bayésienne, pour des
données transversales comme pour des données de panel. La modélisation de
l'évolution des scores d'inefficience des firmes dans le temps est une problématique qui

20
a attiré de nombreuses contributions. Cornwell, Schmidt et Sickles (1990) et
Kumbhakar (1990) furent parmi les premiers à estimer des frontières stochastiques
permettant aux scores d'efficience des firmes de varier dans le temps.
Malheureusement, les méthodes proposées par ces auteurs imposaient des restrictions
arbitraires sur les variations de court terme des scores d'inefficience. Récemment, Anh,
Good et Sickles (2000) ont proposé une frontière stochastique qui admet un processus
autorégressif pour les scores d'inefficience. Bien que plus général, cette approche
demeure passablement restrictive. Une alternative est d'estimer des scores
d'inefficience pour chaque année et de comparer les distributions des scores (comme la
moyenne et autres moments). Si un processus de convergence fait en sorte que les
scores des firmes inefficaces augmentent plus rapidement que ceux des firmes
efficaces, cela devrait avoir une incidence sur les distributions des scores et cet effet
devrait être détecté par des tests de dominance stochastique.

Notre objectif est d'analyser l'efficience technique des fermes laitières québécoises en
utilisant différentes approches de façon à évaluer la robustesse de certaines conclusions
et d'exploiter les spécificités de chacune des approches. Plus spécifiquement, nous
nous servirons de données de panel pour estimer de différentes façons des frontières
stochastiques avec des termes d'inefficience fixe et variable et nous analyserons les
distributions des scores des fermes avec des tests de dominance stochastique pour
vérifier s'il y a ou non convergence en efficience technique.

Considérant notre objectif de recherche et la revue de littérature présentée

précédemment, nos hypothèses de recherche sont les suivantes :

1. Les scores élevés de Mbaga et al (2003) dérivés à partir d'une année de données
sont semblables à ceux dérivés de données panels.

2. Il y a un phénomène d'amélioration généralisée compatible avec un phénomène

de convergence, c'est-à-dire que les scores des fermes moins efficaces
s'améliorent plus rapidement que ceux des fermes plus efficaces.

3. L'inefficience des fermes laitières est conditionnée par des variables

sociodémographiques

21
Pour répondre à la l ere question et à la l crc partie de la 2e question, des scores
d'efficience sont calculés par le biais d'une approche classique et d'une approche
bayésienne qui permet aux termes d'ineffïcience de varier dans le temps. Ainsi on
détermine la robustesse des estimés d'efficience technique par rapport au choix de la
technique d'estimation. Nous évaluons aussi l'impact du choix de la forme
fonctionnelle en utilisant une forme Translog qui emboîte la forme Cobb-Douglas et
nous faisons un test de spécification pour vérifier si les restrictions associées à la forme
Cobb-Douglas sont supportées par les données. La 2e partie de la 2 e question est traitée
en estimant des frontières stochastiques pour chacune des années de notre échantillon et
en comparant les distributions des scores par le biais d'un test de dominance
stochastique récemment développé par Davidson et Duclos (2006). La 3e question est
traitée en décomposant le terme d'ineffïcience uu selon l'équation ujt -Zjtô + WU, où

Zu est le vecteur (1 x m) de variables spécifiques aux firmes qui peut varier avec le

temps, S est le vecteur {m x 1) de paramètres inconnus relié aux variables spécifiques

aux firmes, et Wu est une variable aléatoire définie par la troncation au point - Zu 8 de

la distribution normale de moyenne 0 et d'écart type a.

En relation avec les objectifs de l'étude, le chapitre suivant présente en trois sections les
aspects méthodologiques poursuivis, à savoir l'approche classique, l'approche
bayésienne et le test de la dominance stochastique restreint.

22
3 MÉTHODOLOGIE

3.1 L'approche classique

On considère le modèle de frontière stochastique avec un terme d'ineffîcience variable

avec le temps :

yu=xu'fi+vi,-utr> î=i,...,N, t=i,...,T, (3 ^

où pour la firme i à la période t, yu dénote le logarithme de l'output ,XU est un

vecteur de logarithme des AT inputs, /? est un vecteur de (Kx\) paramètres à estimer,

vtl est le terme d'erreur de loi iV(o,crv2)qui est, par hypothèse indépendamment et

identiquement distribué (i.i.d.) et indépendant des uit, et uit est un terme non négatif
qui représente l'inefficience technique variable avec le temps. Pour ce modèle, cette
efficience technique est définie par TE,., = e"", et nous avons eu = v,., - uu qui dénote le

terme d'erreur composé etf,. = (en,...,efT) .

L'équation (3.1) définit un modèle assez général de la frontière stochastique

paramétrique qui est consistent avec plusieurs formes fonctionnelles. La forme
fonctionnelle de la fonction de production tanslog correspond à:
* k

J^, =/o+Z^x/,/>+ZX^m,*m,;,*/,*+v;,-M;,; i = \-,N, t = \,...,T, (3.2)

où x,, l-\,...,k, sont les logarithmes des inputs, et k est le nombre total des inputs

dans le processus de production; dans ce cas on aK = l + k + k(k + \)/2 paramètres à

estimer. Si yml=Q\/m,l, la spécification (3.2) devient une fonction de production

Cobb-Douglas.

On considère deux spécifications pour modéliser la dépendance temporelle pour le

terme de l'inefficience technique. D'abord, tel que proposé par Battese et Coelli (1992),
on spécifie:

23
 ujt=ritui, i = l,...,N, t = l,...,T, (3.3)

où

7], =e-"oi'-T). (3.4)

Alternativement, on spécifie :

7,=i+ja(*-r)+72(f-r)\ (3.5)

où ria,rjx,ri2 sont des paramètres inconnus à estimer et uni = \,...,N sont des

troncations i.i.d. non-négatives suivant une distribution normale N(^i,au2)

représentant l'effet de la firme. Cette distribution de l'effet de la firme est une

généralisation de la distribution semi-normale proposée par Jondrow et al. (1982). Il est
à souligner que l'efficience technique est affectée par le signe et la magnitude de rj0 au

fur et à mesure que / augmente. La valeur de ujt reste constante, diminue ou augmente

lorsque (rj0=Q), (rj0>0) où (T]0<0) respectivement. Cette spécification impose la

monotonicité de l'efficience technique au fil du temps, c'est-à-dire qu'elle ne peut

qu'augmenter, diminuer ou rester constante. La spécification polynomiale (3.5) est
moins contraignante puisqu'elle permet des effets quadratiques. Le résultat principal de
Battese et Coelli (1992) porte sur l'espérance conditionnelle de e~u" qui est dérivée des
équations (3.1)- (3.4) et est représentée par:

"î-o^g;-(A/<T;)) -n,f'i+-il"?
2
E(e-«|*,.) = e , (3.6)
I-O(-//;/<T;)

où E(.|ffj] est l'opérateur de l'espérance conditionnelle sachante,, 0 ( . ) est la fonction

de la distribution cumulative de la normale standard, et

•2 cr„cr„
v
cr.-=- ^
cr + V V a1

V7 est un vecteur(rxl) et tous ses éléments sont égaux à77,. Le second résultat est la

moyenne de l'efficience technique des firmes à chaque période / :

TE, =E(e"'"<),

24
où w,. est défini par (3.3) et TJ, est donné par (3.4) ou (3.5). Ceci est équivalent à:

'l-0(77,<7„-(/,/<7„)p 1 2 2
-T1.U+—Î1, a'
TE, = e 2
. (3.8)
\-<b{-plom)
L'implémentation empirique des équations (3.6) et (3.8) via les méthodes statistiques
classiques est obtenue en remplaçant les paramètres du modèle par les coefficients
estimés en maximisant la fonction de vraisemblance. Notre application empirique fut
réalisée avec le logiciel « FRONTIER 4.1 » (Coelli, Rao et Battese (1998)).

La deuxième spécification retenue pour la dépendance temporelle de l'inefficience

technique est celle développée par Battese et Coelli (1995) qui permet une
décomposition de l'inefficience en fonction de variables sociodémographiques. Les
termes w„, i.i.d. et non négatifs, sont obtenus par des troncations à zéro de la

distribution N(JU,(TU2J de moyenne Zuô et de variance eru2r, où Zu est un vecteur

(1X/K) de variables conditionnant l'inefficience technique des firmes tandis que ô est

un vecteur {m x l) de paramètres à estimer. Spécifiquement, on a

m-l
ui,=Zi,ô = ë0 + j:jJZjil+wi,, (3.9)

où wu est une variable aléatoire normale de moyenne nulle et de variance <r2u r tronquée
m-l
de telle manière que pour toute combinaison i, t on a wjt >-(S0 + z]S,Zm). Cette
M
spécification est similaire, mais moins restrictive que celle discutée par Reifschneider et
Stevenson (1991). Le modèle défini par les équations (3.1) et (3.9) peut être estimé par
la méthode de maximum de vraisemblance. Nous nous sommes servis du logiciel
« FRONTIER 4.1 » à cette fin.

Ci-dessous nous fournissons les détails de la méthode bayésienne pour ce qui est de
l'inférence sur les scores d'efficience technique obtenus par (3.6) et (3.8) dans le
contexte du modèle défini par les équations (3.1) et (3.3) aussi bien que pour
l'évaluation des effets des variables explicatives sur l'efficience technique à partir du
modèle défini par les équations (3.1) et (3.9). Nous discutons l'approche bayésienne
appliquée au modèle de la frontière stochastique avec un terme d'inefficience variable
dans le temps. Dans un premier temps, nous décrirons d'une manière générale

25
l'approche bayésienne pour ensuite discuter de façon plus spécifique de notre
application.

3.2 L'approche bayésienne

Soit T = (j>,,...,>>A.)un ensemble de N observations de la variable Y et ôe& est un

vecteur de paramètres inconnus et non observables. Typiquement, les procédures

d'inférence classique supposent que 6 est un vecteur de paramètres inconnus et
constants à estimer. L'approche bayésienne considère que, à la fois, Y et 6 sont des
variables aléatoires caractérisées chacune par une distribution; la densité conditionnelle
p(ff 10) défini la vraisemblance du modèle, au sens classique du terme. La densité de

la distribution marginale de0,p[û) est la densité a priori deâ. On peut, à présent,

utiliser l'information contenue dans l'échantillon des données Y pour réviser la

distribution attendue pour 6, et obtenir la densité à posteriori de G :
p(û\r)ozP(e)p(r\ô)
où oc est un symbole de proportionnalité. L'inférence sur la distribution des paramètres
0 ou toute transformation de ces paramètres est basée sur la distribution à
postériori/?(#|Q'). Ainsi, la densité a priori àe0,p(d), et la densité conditionnelle

p{pC | ô) sont combinés pour réaliser l'inférence sur les paramètres non observables 6.

La densité marginale à posteriori de chaque élément de 0 implique l'évaluation

d'intégrales multiples qui sont plus souvent qu'autrement impossibles à calculer
analytiquement. Les méthodes d'intégration numériques sont très utiles pour pallier à
ce problème. Intuitivement, ces méthodes procèdent de la manière suivante: (i) On fait
des tirages à partir de la distribution à posteriori p{6\lY)V\& la méthode de Monte

Carlo; (ii) ces tirages peuvent être vus comme des échantillons aléatoires issus de la
distribution marginale à posteriori; (iii) on utilise ces échantillons aléatoires pour faire
l'inférence statistique sur chaque paramètre. Koop, Steel et Osiewalski (1995)
soutiennent que la Chaîne Markovienne de Monte Carlo « MCMC » apporte plus de
flexibilité dans la spécification des modèles. Comme Griffin et Steel (2005), nous
utilisons le logiciel « WinBUGS » pour opérationnaliser la technique « MCMC » dans le

26
cadre de l'estimation d'une frontière stochastique. Les a priori et les différents modèles
estimés sont spécifiés comme suit :

Pour les paramètres /? de la frontière stochastique de production du.modèle (3.1), on

assigne une distribution a priori normale multivariée:

P ~ N(0,Zfi),oùZfi=diag(\06).

Pour le paramètre rj de l'inefficience tel que spécifié à l'équation (3.4), on choisit:

% ~ #(0,4),

Ce qui reflète le fait que, a priori, on ne sait pas si l'efficience technique augmente ou
diminue. Pour la spécification (3.3), on considère trois distributions possibles pour
l'effet de la firme ui :

(a) w, ~ Exp(cr), est une distribution exponentielle de moyenne Mm, où 1' a

priori de m est aussi une distribution exponentielle de moyenne - 1 / fin ai), ce

qui implique que la médiane de l'effet de la firme est égale àa> ;

(b) w,. ~ Ga(pl,p2), tel que spécifié par Greene (1990) pour le terme de
l'inefficience technique dans un contexte de données transversales. L' a priori de
p] est tel que/?, ~ Ga(J,,c? 2 ), où Ga(c/,,£/2) dénote la distribution gamma

avec le paramètre de forme dx et de moyenne dJ d2. Selon Griffin et Steel

(2004), dx et d2 sont des nombres réels quelconques; à p2 on assigne la

valeur-lnû/, où co représente 1' a priori de la médiane de l'effet de la firme.

(c)w, ~ N + {Ç,K2\, est une distribution normale tronquée à une valeur positive,

où on assigne à Ç une distribution normale de moyenne zéro et de variance 10 3 ;

1' a priori de K1 est tel que K1 ~ Ga(d0,dx ), où d0 = dx -10 3

.

On assigne des a priori normaux indépendants aux effets des variables explicatives
telles que
Sk ~ N(0,10~ 3 ), k=0,\,...,m-\.

27
Pour le terme d'erreur v,.,On considère aussi la distribution suivante:

V„~N(0,<TV2), a;1 ~Ga{da,dx),<A d0=dx=\V\

Les divers modèles de frontière stochastique obtenus en combinant différentes

combinaisons de termes d'erreur et d'inefficience sont estimés et comparés en utilisant
le critère bayésien de déviation « DIC ». Pour éviter des problèmes d'estimation et, de
comparaison des résultats des différents paramètres qui peuvent être sensibles aux
distributions a priori, on écarte les premiers 50000 tirages. Les distributions à posteriori
sont obtenus sur une base de 400000 itérations aven un « thinning » à tous les dix
tirages.

Pour évaluer l'effet du changement technologique dans le processus de production, on a

conféré une tendance temporelle linéaire ou quadratique à la fonction de production
(3.2) et au modèle de régression du terme de l'inefficience (3.3) et (3.9) (comme dans
Battese et Coelli (1992, 1995), Hadri, Guer mat et Whittaker (2003)); des tests sont
effectués pour confirmer la signification statistique des effets de ces variables.
Certaines spécifications du terme de l'inefficience tel qu'indiqué en (3.4) imposent la
monotonicité de l'efficience technique dans le temps qui ne peut être que croissante,
décroissante ou encore constante, ce qui peut être inapproprié si des fluctuations sont
possibles.

Battese et Coelli (1995) soutiennent qu'aucun effet significatif relié aux variables
temps n'est détecté aussi bien pour la frontière stochastique que pour le terme
d'inefficience. Hadri et al. (2003) traite la variable temps comme un input, mais seul le
coefficient rattaché à l'effet quadratique du temps est significatif, les effets croisés de la
variable temps avec tous les inputs de même que l'effet linéaire de la variable temps ne
le sont pas. L'évidence supportant l'identification de changements technologiques est
faible dans ces papiers. Malheureusement, ce constat repose sur des hypothèses fortes
et possiblement inappropriées et c'est pourquoi une autre approche nous paraît justifiée.

Cette approche ne requiert pas de données panel. En fait; on a besoin de deux

échantillons transversaux tirés aléatoirement de la population de firmes et ces
échantillons doivent être raisonnablement espacés dans le temps pour permettre

28
l'assimilation de tout changement technologique par ces firmes. On estime dans un
premier temps le modèle de la frontière stochastique en utilisant chacun des
échantillons transversaux. Puis, les estimés des efficiences technique sont calculés pour
chaque échantillon. On compare les distributions de ces estimés une à une. Pour ce
faire, on considère chaque ensemble d'estimés d'efficience technique comme
échantillon aléatoire des vraies distributions correspondantes. On utilise un test de
dominance stochastique avec l'hypothèse nulle de la non dominance de A par B, ou
A et B sont deux distributions distinctes.

3.3 Test de la dominance stochastique

Soit S, et Su deux échantillons aléatoires de firmes qui opèrent dans une quelconque

industrie, où nt dénote la taille de l'échantillonS n t = tut2, et n, et nt peuvent être

égaux. St et S, sont observés aux périodes dénotées par tx et t2 respectivement. La

période /, est antérieure à la période t2 et les deux sont suffisamment éloignées l'une

de l'autre pour permettre aux firmes d'incorporer tout changement technologique

majeur dans leur processus de production. Les données sur les outputs et les inputs des
firmes sont disponibles de manière à ce qu'il soit possible d'estimer la frontière
stochastique de production basé sur chacun des échantillons S, et S, . Le modèle de
frontière stochastique de production estimé sur des données transversales aux périodes
?, et t2 est spécifié comme suit :

\nyi,=\nxjj3 + vjl-uil; i = l,...,n„ t = tl,t1, (3.10)

où pour la firme i à la période /, yu dénote l'output ,xu est un vecteur àeK inputs,

P est un vecteur de ( ^ * l ) paramètres à estimer, vu ~ N(0,crv2 j est le terme d'erreur

indépendamment et identiquement distribué (i.i.d.) et indépendant des uit, et uk est un

terme non négatif qui représente l'inefficience technique variable avec le temps.

Spécifiquement, pour ce modèle, l'efficience technique de la firme/' observée à la

période / est définie parTE;, =e""". Pour chaque transversalet-t A ,t 2 , les paramètres
du modèle (3.10) peuvent être estimés, avec consistance, par la méthode de maximum

29
de vraisemblance pour diverses spécifications du terme d'inefficience uH (normale,
normale tronquée ou exponentielle). Les estimés de l'efficience technique sont calculés
selon l'approche de Jondrow et al. (1982) et Battese et Coelli (1988). L'inférence par
rapport à l'inefficience est faite en fonction du degré d'asymétrie détectée dans le terme
d'erreur composée £u=vil-ujl. En supposant que uu est une troncation de la

distribution N(/^,cru2J, Battese et Coelli (1988) ont dérivé l'espérance conditionnelle de

e~"", étant donné eu=eu comme spécifié dans les équations (3.6) et (3.7). Si on
remplace chaque paramètre de l'équation (3.6) par sa valeur estimée par la méthode de

maximum de vraisemblance on obtient les estimés TE,, de la mesure de l'efficience

technique TE ; ,. Ces estimés sont conditionnés sur les réalisations du terme d'erreur

composée. La distribution semi normale w„ considérée par Jondrow et al. (1982)

correspond au cas où // = 0. Pour cette spécification semi normale du terme de
l'inefficience, les estimés de l'efficience technique définie par les équations (3.6) et
(3.7) peuvent être calculés en utilisant le logiciel « FRONTIER 4.1 ».

La dominance stochastique est une procédure statistique générale dans la mesure où

elle permet de comparer des distributions et non seulement leur moyenne (Cho, Linton
et Whang, 2007). Dans le contexte de la comparaison de l'efficience technique, une
telle approche est très utile du fait que tout changement technologique entre les
périodes tx et t2 ayant permis l'amélioration du niveau de l'efficience technique de
toutes les firmes de l'industrie en question se révélerait par le biais des positions
géométriques des distributions cumulatives des scores d'efficience technique. En effet,
lorsque la probabilité que le niveau d'efficience technique soit inférieur ou égal à une
valeur donnée est plus élevée à la période t] qu'à la période t2, la distribution
cumulative de l'efficience technique à la période /, se trouve au dessus de celle de la
période t2. Soit X et Y deux variables aléatoires et Fx et FY leur distribution
cumulative respective, et 0 dénote l'union de leur support. X domine
stochastiquement au premier degré Y si et seulement si

Fx(z) < FY(z), V z e 0 , avec inégalité stricte pour certains z . (3.11)

30
Cette définition montre clairement que la présence de l'effet du changement
technologique en terme d'amélioration du niveau de l'efficience technique implique
que la distribution de l'efficience technique à la période t2 domine stochastiquement
au premier degré celle en tx. Pour plus de détails au sujet de la dominance stochastique
de différents degrés, les lecteurs intéressés sont référés à Davidson et Duclos (2000) et
Chavas (2004). Dans ce qui suit, nous discutons la procédure du test de la dominance
stochastique de premier degré développé par Davidson et Duclos (2006).

Soit TEr =JTE,ï, :i = l,...,n, \ et TE, = JTE«2 :J==1,...,M, } deux ensembles des

estimés de l'efficience technique dérivés des équations (3.6)-(3.7) pour les échantillons
S, et St respectivement. Notre analyse est basée sur les estimés de la moyenne

conditionnelle de la distribution de l'efficience technique, c'est-à-dire sur des scores

dérivés à partir de l'asymétrie dans le terme d'erreur composée. Cependant, tout autre
paramètre de localisation de la distribution de l'efficience technique pourrait également
être utilisé, comme la médiane ou le mode. On suppose que TE, représente un
échantillon aléatoire de la population des vraies moyennes conditionnelles de
l'efficience technique de toutes les firmes en activité à la période tx et de même

pour TE, . Il est à signaler que le caractère aléatoire de TE, et TE, tient si St et St

sont tirés aléatoirement. Nous définissons TE comme l'union de TE, et TE, et 0

comme l'union des supports des deux distributions représentées par les échantillons
TE, et TE, , tandis que mt<nt, t = tx,t2, dénotent le nombre des valeurs distinctes de

TE, et TE, respectivement. On peut alors définir :

TE/ = | te : 3 /e{l,...,«,} tel que TÈ;,=tel, t-tx,t2

comme l'ensemble des réalisations distinctes de l'efficience technique dans

l'échantillon S,,t = tx, t2. De la même manière, on peut définir :

TË = ltê:3te{tl,t2} tel que 3 /e{l,...,«,} et fE,,=të}

comme l'union de TE,, et TE,2. Le nombre d'éléments de TE, est mt. Par la suite on

fait un triage dans un ordre croissant des échantillons TE,, ? = /,,/,, et on obtient TE.

Pour chaque valeur TE,/ e TE,, / -\,...,mt, t = tx,t2, ktl dénote le nombre de

31
réalisations (estimés) dans TE, égalant TE(/. Avec cette notation, on peut définir la

fonction de distribution empirique (EDF) F, de l'échantillon TE,, t = t},t2 et pour

z e ©, on peut alors calculer :

F,(z) = — _ £_ Knt = t„t2. (3.12)

m
t {TE,/eTE,,TE,/Sz}

Ainsi, et en utilisant l'équation (3.10), si Fr2 (te) < F,, (te) pour tout te e TE avec une

stricte inégalité pour certains te e TE, alors la distribution de l'efficience technique à la

période t2 domine stochastiquement au premier degré celle à la période?, dans les
échantillons. Ceci implique qu'on a plus de chance que la moyenne de l'efficience
technique soit plus grande que toute valeur te à la période t2 qu'à la période?,.

L'intuition derrière l'interprétation de ce test est la même que pour le ratio de

vraisemblance empirique (ELR) proposé par Davidson et Duclos (2006) pour tester
l'hypothèse nulle d'absence de dominance stochastique au premier degré de la
distribution TE, par rapport à la distribution TE, .

Pour un échantillon donné, la fonction de vraisemblance empirique (ELF) est la somme

des logarithmes des probabilités associées à chaque réalisation dans l'échantillon; les
probabilités sont considérées comme des paramètres à estimer dont la somme est
contrainte à un. Par ailleurs, les probabilités attachées aux réalisations distinctes de
l'efficience technique peuvent être calculées comme des estimateurs des paramètres des
ELF. Pour l'échantillon combiné TE, le maximum de ELF (non contraint par
l'hypothèse de non-dominance) est donné par:

ELFy = -nh lognh - nh log",2 + _ X _ K> l o ë K +

_Z_ h' lo
êK> ' (3A3^
{TE,,,eTEn} {TE, 2 ,ETE, 2 }

L'hypothèse nulle stipule que TE, ne domine pas TE, , ce qui signifie qu'il existe au

moins une valeur z e 0 ° telle que F, (z) < F, (z) où 0 ° est à l'intérieur15 de 0 et F,

est la distribution cumulative dont l'équivalent empirique est défini par l'équation
(3.12). En général, il suffit qu'il existe une seule valeur z e 0 ° telle que

15
Selon Davidson et Duclos (2004), il est requis queZ soit à l'intérieur de 0 parce que cette
égalité F, ( Z ) = F, ( z ) tient si Z est égale aux bornes inférieure ou supérieure de 0 .

32
pour que l'hypothèse nulle ne soit pas rejetée. Si un tel point z est connu, on pourrait
estimer les paramètres de ELF sujets à la contrainte F, (z) = F, (z). L'intuition de la

procédure du test est la même que le test du ratio de vraisemblance: si l'hypothèse nulle
est rejetée, alors on peut conclure à la présence de la dominance stochastique dans les
échantillons S, et S, et que les estimés des probabilités sous la restriction de

l'hypothèse nulle doivent être différents de ceux qui ne sont pas restreints. Par
conséquent le maximum de vraisemblance empirique contraint doit être plus petit que
celui non contraint. La statistique du ratio de vraisemblance empirique ELR(z)

associée à cette valeur z est définie comme étant le double de la différence entre ELFy

et le maximum de ELF sous la contrainte (3.14). La statistique ELR(z) est donnée par:

ELR(z) = 2[(«(| +«, j )log(n, i + nh )-«,_ïog«,, -nh logn,2 +(»Jj (z))log(« (| (z)) +

(nh (z))log(«, 2 {z)) + (Mh {z))]og(MH {z)) + (Mh {z))tog(Mh (z)) (3.

-K iz)+\ (*))iogK (z)+\ (*))-K (Z)+MH (*))MM» (2)+M<2 (z))i

où n, (z) est le nombre de points dans l'échantillon S, inférieurs ou égal à z, et

M
, ( z ) = ", ~«,( z )> t = t\>h-

Même si l'hypothèse d'absence de dominance stochastique implique que les deux

distributions peuvent se croiser à plusieurs points, la procédure du test proposé par
Davidson et Duclos (2006) considère l'hypothèse nulle en présence d'un seul point de
recoupement z0 e 0 ° et F, (z) < Fr (z) avec une inégalité stricte pour
tout z e 0°, z * z0. Les distributions respectant cette spécification particulière se

trouvent à être sur la frontière d'absence de dominance. L'hypothèse nulle à tester se

fait par rapport à cette frontière.

Le test statistique est défini comme suit. Soit TEmax = maxjte : te e TE> le plus grand

élément de TE , et TE l'ensemble TE sans TEmax. Pourz e TE , la statistique LR(z)

est définie par :

LR(z) = signe(Ê, ( z ) - F,2 (z))(ELR(Z))" 2 , (3.16)

33
où pour chaque nombre réel x,
+1 si x>0
signe(x) = < 0 si x = 0,
-1 si x<0

F/, (z) et F<2 (z) sont définis en (3.12) et ELR(z) est défini en (3.15). Ainsi, on

défini la statistique considérant la différence minimale entre le maximum de

vraisemblance empirique non contraint et contraint basée sur les échantillons
S, and S, comme suit:
'l '2

LR(/„/ 2 ) = min{LR(z):zeTË°}. (3.17)

Pour des échantillons de grande taille nt et«, , la statistique LR(/,,? 2 ) tend vers une

distribution normale standard sous l'hypothèse nulle d'absence de dominance. Par

conséquent, pour tester cette hypothèse, il est suggéré d'utiliser la statistique LR(f,,f 2 )

avec des points de recoupement obtenus de la distribution normale standard.

La procédure décrite ci-dessus est suffisamment générale pour tester l'absence de

dominance à l'intérieur de l'union des supports des deux distributions. L'hypothèse
nulle d'absence de dominance peut être rejetée ou non pour des données discrètes ou
discrétisées. Cependant, il a été démontré qu'il est impossible de la rejeter pour des
distributions continues parce qu'il n'y a pas assez d'informations se rapportant aux
queues des distributions. Ainsi, pour palier à ce problème on teste pour une dominance
stochastique restreinte. Notamment, lorsqu'il y a dominance dans l'échantillon, on

détermine un intervalle te , te sur lequel l'hypothèse nulle de d'absence de

dominance peut être rejetée à un niveau de signification a. Étant donné une limite

supérieure te+ pour te , te est défini comme la plus petite valeur te" telle que
l'hypothèse d'absence de dominance frontière est rejetée au niveau de signification « ,

lorsqu'on minimise l'équation (3.17) sur l'intervalle [te" , te + l. De la même manière,

étant donné une limite inférieure te" pour te , te est défini comme la plus grande
valeur te+ qui fait que l'hypothèse d'absence de dominance est rejetée au niveau a ,

34
lorsqu'on minimise l'équation (3.17) sur l'intervalle te , te+ . Pour plus de détails,

les lecteurs intéressés sont référés à Davidson et Duclos (2006).

35
4 RÉSULTATS ET DISCUSSION

4.1 Les données

Cette étude utilise la banque de données « AGRITEL » regroupant les producteurs qui
sont membres de la fédération des syndicats de gestion agricole (SGA) du Québec.
Dans le but de se limiter aux fermes à vocation laitière, on a restreint notre échantillon
aux producteurs dont les ventes de lait représentent plus de 75% des ventes de
l'entreprise (Romain, 1996). Notre échantillon compte 302 producteurs pour lesquels
nous avons 11 années de données. Par conséquent, nous avons un total de 3322
observations. Ces producteurs sont repartis à travers les 16 régions agricoles du Québec.
Nos observations comprennent des quantités annuelles d'inputs, d'output, et une variété
de variables socio-économiques.

Le tableau 1 fait ressortir que la production laitière moyenne par vache au Québec
s'élève à 8304,03 litres/vache, avec un minimum de 4557,87 litres/vache et un
maximum de 12253,09 litres/vache. On utilise en moyenne 2879,74 kg/vache
d'aliments concentrés et 5273,25 kg/vache de matières sèches d'aliments fourragers.
Cependant, cette utilisation est sujette à de grandes variations d'une ferme à l'autre
comme l'indique les erreurs-type de 741,75 kg/vache et de 949,78 kg pour les aliments
concentrés et les aliments fourragers respectivement. Pour ce qui est de l'utilisation du
capital, on utilise en moyenne 4801,67$ d'actifs/vache qui est combiné à 57,28 heures
de travail/vache. Toutefois, les coefficients de variation pour le capital et le travail sont
passablement élevés à 53,01% et 24,30% respectivement. Quant à la taille des fermes,
la moyenne est de 51,64 vaches/ferme, avec un minimum 18,70 vaches et un maximum
de 451,9 vaches. Les dépenses en soins vétérinaires se chiffrent à 1,52 $/vache en
moyenne par ferme, mais le maximum à ce chapitre est de plus de 45 fois la valeur
minimale. Le poids vif des vaches, leur âge et leur intervalle entre vêlages sont de
l'ordre de 601,42 kg, 4,30 années, et 1,12 années respectivement. L'adhésion au
syndicat de gestion dure depuis 13,53 années en moyenne. C'est donc dire que la ferme
moyenne a bénéficié d'un encadrement serré depuis plusieurs années.

36
Tableau 1 : Statistiques descriptives des variables du modèle de la frontière
stochastique du secteur laitier au Québec.
+ Valeur Valeur
Variable Moyenne Ecart type
Jr w. . .
Minimale Maximale
Variables de la fonction de production
Rendement (litre/vache) 8 304,03 1 281,12 4 557,87 12 253,09
Aliment concentré (kg/vache) 2 879,73 741,77 632,30 6 417,81
Fourrages (kg/vache) 5 273,25 949,78 390,44 9 270,93
Équipements ($/vache) 4 801,67 2 545,28 372,84 3 4917,92
Travail (heures/vache) 57,28 13,92 23,49 120,93
Variables explicatives de l'inefficience
Nombre de vaches par ferme 51,64 25,58 18,70 451,90
Soins vétérinaires ($/hl) 1,52 0,69 0,12 5,20
Poids (lOOkg/vache) 6,01 0,41 4,44 7,39
Age moyen des vaches (années) 4,30 0,45 2,08 6,75
Intervalle entre vêlages (années) 1,12 0,06 0,86 1,53
Durée d'adhésion au syndicat
13,53 8,44 0 25
de gestion (années)
Race Holstein (1,0) 90,43% - 0
Race Ayrshire (1,0) 6,11% - 0
Secondaire (1,0) 80,04% - 0
Collège (1,0) 40,28% - 0
Université (1,0) 9,18% - 0
Région maïs (1,0) 35,37% - 0
Stabulation libre (1,0) 8,13% - 0
Ration totale mélangée (1,0) 13,25% - 0
Rouleuse de moulée (1,0) 46,57% - 0
Distributeur d'aliment
29,50% - 0
concentré ( 1,0)

37
La Figure 3 montre que le patrimoine génétique laitier au Québec est dominé par la race
Holstein à hauteur de 90.43%.

Figure 3: Composition génétique des fermes laitières au Québec.

a Holstein
■ Ayrshire
D Autres

La figure 4 montre que le profil d'éducation des producteurs laitiers québécois est tel
que 80,04% des producteurs ont au moins un diplôme d'études secondaires, 40,20% ont
un diplôme d'études collégiales, tandis que, seulement 9,18% ont un diplôme
universitaire.

Figure 4: Répartition du niveau d'éducation des producteurs laitiers du Québec.

38
En ce qui concerne l'adoption de nouvelles technologies, la figure 5 révèle que 8,13%
des fermes ont adopté la stabulation libre (avec un salon de traite), 13,25% ont recours
à la ration totale mélangée, 29,50% utilisent un distributeur d'aliments concentrés
tandis que 46,57% mélangent eux-mêmes leurs moulées.

Figure 5: Niveau d'adoption des nouvelles technologies des fermes laitières au Québec.

39
4.2 Résultats

Dans notre analyse empirique on considère le modèle de frontière stochastique de

production avec un terme d'inefficience variable avec le temps. Le modèle est spécifié
comme suit:

y* = P« + 5 Ppln xr* + &'+ 2 £ Ê Ppkln XP« ta x*« + 2 ^ +

S ^ 5 ln *'"' + V" " "" U
i = l,...,N; t = l,...,T,
où / représente la période d'observation de la ferme i, y est le logarithme du
rendement laitier par vache (mesuré en litres), lnjc, est le logarithme de la quantité
d'aliments concentrés consommés par vache (mesurée en kg) qui se compose
principalement de grains, de moulée laitière et de supplément protéique; lnx, dénote le
logarithme de la quantité de fourrages consommés par vache (mesurée en kg de matière
sèche) qui se compose principalement du foin, d'ensilage et de sorgho; lnx3 est le

logarithme de la valeur comptable des équipements et bâtiments alloués à chaque vache

(mesurée en $) calculée comme le rapport entre les actifs totaux et le nombre moyen de
vaches; etlnx 4 est le logarithme du nombre d'heures consacré par vache (mesuré en
heures). Finalement, comme nous avons 302 producteurs et 11 années de données,
N = 302, T = 11. Les variables v et u prennent l'une des spécifications et distributions
discutées au chapitre précédent. La variable temps / est introduite afin de prendre en
compte tout changement technologique au niveau de la fonction de production qui
aurait été adopté par tous les producteurs.

4.2.1 Modèle de l'effet de l'inefficience

Pour l'analyse statistique classique, on utilise le test du ratio de vraisemblance LR
pour tester si la forme fonctionnelle générale translog telle que spécifiée en (4.1)
domine la forme fonctionnelle Cobb Douglas. Ainsi, on dénote par Ml le modèle

16
Le test statistique LR est calculé via la formule suivante : LR = —1(LLH — LLH ) où
LLH et LLH représentent respectivement les estimés de la fonction de vraisemblance sous l'hypothèse nulle
Ha(non contraint), et l'hypothèse alternative//, (contraint). LR Suit approximativement une distribution Khi
carré ou le nombre de degrés de liberté est égale au nombre de restrictions non redondantes.

40
translog spécifié en (4.1); M2 désigne la spécification Cobb Douglas avec changement
technologique. Cette spécification est emboîtée dans le modèle Ml puisqu'on l'obtient
en neutralisant les coefficients des effets quadratiques et croisés des logarithmes des
inputs et de la variable temps. Le troisième modèle dénoté par M3 correspond au model
Ml avec les restrictions/? 5 - J3S =/?55 =0, p = 1,...,4, impliquant l'absence de
changement technologique dans le processus de production. Finalement, le dernier
modèle M4 correspond à Ml avec la restrictionfip5 =0, p = l,...,4. M4 est un modèle

translog avec changement technologique neutre, c'est-à-dire qui ne favorise pas

l'utilisation de certains intrants au détriment d'autres intrants.

On fait l'hypothèse que le terme d'erreur vjt a une distribution N(0,(Xv2j

indépendamment et identiquement distribué (i.i.d.). On considère que l'inefficience

technique varie selon la spécification de l'équation (3.9) où les variables explicatives de
l'effet de l'inefficience apparaissent au Tableau 1.

En se basant sur ces spécifications de vH et uu, on estime les modèles par la méthode
de maximum de vraisemblance. Le tableau 2 rapporte les résultats d'estimation des
paramètres de la fonction de production frontière ainsi que les statistiques t (entre
parenthèses) associées aux paramètres estimés17.

Comme les modèles M2, M3 et M4 sont emboîtés dans Ml, on utilise le test LR pour
tester la plausibilité des restrictions imposées. Les résultats sont rapportés au tableau 3.
Il ressort de ce tableau que toutes les restrictions imposées aux modèles M2, M3 ou M4
sont rejetées à un seuil de 5%. Ainsi, la spécification dominante est la spécification
générale de la frontière de production translog (4.1) où l'efficience technique varie
selon l'équation (3.9).

17
Les statistiques t associées à chacun des coefficients peuvent ne pas être significatives sans pour autant conclure à
la défaillance de la spécification du modèle. D'après Coelli (1996), la taille de ces tests qui peuvent différer de 5%, si
plus d'un test t-student doit être effectué. La seconde, est due à la multicolinéarité qui plus probable à cause des effets
carrés et croisés du modèle. Dans ce contexte, le test statistique du ratio de vraisemblance LR est plus approprié.

41
Tableau 2: Estimés des paramètres de la fonction de production frontière des différents
modèles par la méthode du Maximum de vraisemblance.
Changement Absence de
Paramètre Translog Cobb-Douglas technologique changement
Neutre technologique
4,131 6,519 3,671 1,679
A (1,113) (59,082) (1,018) (0,435)
0,170 0,206 0,248 0,274
A (0,412) (28,853) (0,620) (0,637)
0,355 0,015 0,288 0,764
P2 (0,753) (1,680) (0,631) (1,521)
0,109 0,037 0,213 0,308
A (0,530) (11,148) (1,091) (1,344)
0,471 0,112 0,491 0,317
A (1,050) (14,448) (1,091) (0,677)
0,005 0,002 0,001
Ai (0,369) (0,149) (0,097)
-0,029 -0,024 -0,041
A2 (-1,846) (-1,569) (-2,337)
0,018 0,016 0,019
A3 (4,570) (4,305) (4,422)
-0,073 -0,069 -0,074
A4 (-3,784) (-3,800) (-3,661)
0,011 0,015 0,010
An (0,676) (0,963) (0,557)
-0,015 -0,021 -0,018
As (-2,353) (-3,463) (-2,376)
0,002 0,002 0,004
A4 (0,149) (0,145) (0,318)
-0,006 -0,008 -0,020
A, (-0,704) (-0,911) (-2,034)
0,007 0,003 0,014
A4 (0,386) (0,186) (0,692)
0,004 0,005 0,004
A. (0,631) (0,814) (0,544)
0,000
A, (0,174)
0,004
A. (1,220)
-0,005
As (-3,628)
0,000
A» (-0,196)
0,037 0,015 0,029
A (1,016) (19,557) (11,444)
-0,001 -0,001
A5 (-4,279) (-5,664)
ML18 3 360 3 307 3 350 3 181

ML représente le logarithme du maximum de vraisemblance, les scores obtenus sont de signe positif

42
Tableau 3: Tests LR pour la spécification des modèles.
„T e s ,t Valeur
Test Hypothèse nulle r» i
D.L. . .. critique
Changement statistique , .op
PP5=P5=P55=O,P = I,..A 157,66 12,592
technologique
Changement
technologique B5=0,p = l,..A 18,36 9,488
Neutre
Cobb Douglas Ppk=PpS=PK=%p,k = \,..A 15 104,80 24,996

Le tableau 4 rapporte les estimés des élasticités des facteurs de production et l'élasticité
d'échelle du modèle dominant19 avec changement technologique non-neutre. Pour ce
modèle, l'élasticité moyenne des facteurs de production est donnée par la formule
s p -p p
+ip pp
\nxDip . + j^p
I BPJ, lnx,,
J
dans laquelle on remplace les paramètres/? par

leur estimés et les x par leur moyenne dans l'échantillon.

Il en ressort que l'aliment concentré est de loin le facteur de production le plus

important. Avec une élasticité de 0,203, une augmentation de 10% de ce facteur
contribue à une augmentation de 2% de la production. Cette élasticité n'a pas changé au
fil des années à l'exception peut-être de l'année 2001 où un maximum de 0,227% a été
enregistré. Ce résultat reste comparable à celui obtenu par Lessard (2000) puisque ce
dernier a évalué cette élasticité à 0,195 pour l'année 1996.

Le deuxième facteur en importance est le travail alloué à la production laitière. Son

élasticité est évaluée à 0,109, ce qui veut dire qu'une hausse de 10% du travail
augmenterait le rendement laitier de 1,09%. Cette élasticité est plus élevée que le 0,054
rapporté par Lessard (2000). On soulève, aussi, une certaine stabilité temporelle
concernant cette mesure.

Quant au capital, on a une élasticité de 0,052. Une si faible valeur pourrait s'expliquer
par une surcapacité en bâtiments et en équipements qui composent l'actif laitier.
L'ajout de nouvelles vaches, pourrait améliorer l'utilisation de ce facteur. Le prix élevé
du quota (le droit de produire) fait qu'il est difficile pour les producteurs d'ajouter des

19
Les résultats pour la forme fonctionnelle Cobb-Douglas avec changement technologique sont très similaires à
ceux présentés dans le tableau 5.

43
vaches pour utiliser plus efficacement leur capital. Cela amène une mauvaise allocation
des ressources. En comparaison, Lessard (2000) a évalué cette élasticité à 0,2097. Cette
divergence pourrait s'expliquer par la différence des techniques d'estimation en ce sens
que Lessard a utilisé une approche d'estimation de la frontière de production en deux
étapes.

La consommation d'aliments fourragers est le facteur le moins élastique avec une

élasticité de seulement 0,006. Par conséquent, à la marge, servir davantage de fourrage
aux vaches n'apporterait aucun gain de productivité. Son évolution avec les années est
fluctuante puisqu'elle a même été négative de 1999 à 2001.

En ce qui concerne l'élasticité d'échelle qui est définie comme étant la somme des
élasticités des facteurs, elle est évaluée à 0,369. Ceci signifie que le secteur laitier
québécois se caractérise par des rendements d'échelle décroissants. Comme l'industrie
est composée de beaucoup de producteurs qui n'ont aucun pouvoir de marché, ce
résultat est consistent avec une industrie de concurrence parfaite. Néanmoins,
l'élasticité d'échelle rapportée est faible et la petite taille des fermes québécoises (51,64
vaches) y est possiblement pour quelque chose.

44
Tableau 4: Les estimés des élasticités des facteurs de production.
Aliment „ ^ . „ ., Elasticité
. , Fourrages Equipements Travail ,,, . „
concentre
0,203 0,006 0,052 0,109
d échelle
Moyenne 0,369
Erreur type 0,0199 0,0075 0,0087 0,0173 0,0284
t-ratio 10,217 0,762 5,966 6,304 13,009
1993 0,1976 0,0014 0,0573 0,1047 0,3683
1994 0,2028 -0,0021 0,0410 0,1065 0,3701
1995 0,1962 0,0122 0,0673 0,1174 0,3718
1996 0,2003 0,0164 0,0377 0,1124 0,3683
1997 0,1961 0,0180 0,0811 0,1064 0,3684
1998 0,2027 0,0220 0,0331 0,1146 0,3708
1999 0,2014 -0,0055 0,0187 0,1104 0,3711
2000 0,2022 -0,0087 0,0436 0,1145 0,3697
2001 0,2269 -0,0149 0,0528 0,1108 0,3663
2002 0,2022 0,0199 0,0636 0,0987 0,3695
2003 0,2022 0,0038 0,0734 0,1039 0,3686

Le tableau 5 résume les résultats d'estimation de la décomposition de l'inefficience

technique associée à la spécification dominante (4.1) incorporant un changement
technologique non neutre dans le temps. On rapporte dans la colonne libellée "Estimé"
les coefficients estimés21 par la méthode de maximum de vraisemblance ainsi que les
statistiques t qui sont entre les parenthèses. La colonne libellée "variation de TE (%)"
rapporte la variation relative en pourcentage de l'efficience technique associée à une
variation unitaire de chaque variable conditionnant l'inefficience. Pour les variables
binaires, on calcule la différence des niveaux d'efficience technique quand la variable
binaire prend les valeurs 1 et 0 et on divise par le niveau d'efficience prédit lorsque la
variable binaire est 0.

20
Les résultats pour la forme fonctionnelle Cobb-Douglas avec changement technologique sont très similaires à ceux
présentés dans le tableau 5.
Le signe des paramètres 8j détermine le sens de la variation de l'efficacité technique, si 5j est négative, une
augmentation du niveau de la variable Z . correspondant augmente l'efficacité technique et vice versa.

45
Il en ressort que les effets de toutes les variables explicatives du modèle de
l'ineffïcience sont statistiquement significatives à 5%, à l'exception de deux variables
binaires: la « race Ayrshire » et le « roulage de la moulée». La statistique LR calculée
pour la pertinence du modèle proposé est 1066,82 alors que la valeur critique est de
26,296, compte tenu des seize degrés de liberté. Par conséquent, la spécification du
modèle de l'effet de l'ineffïcience (3.9) semble bien représenter les données.

De plus, pour quantifier l'effet de chaque variable explicative sur l'efficience

technique, on calcule l'effet marginal de chaque variable explicative sur l'ineffïcience.
Pour ce faire, on définit la variation relative de l'efficience technique ATE7 lTE7

associée avec une variation unitaire absolue de la variable z, telle que

ATEZ JTEZ = Io~s' -11 x 100. Pour chaque variable explicativez j , ATE7 lTE2

correspond à la différence relative de l'efficience technique associée aux deux niveaux

de cette variable. Pour calculer ATE7 , on remplace Sf par Sj. Il est à souligner que ces
J
j

variations ne devraient pas être comparées l'une à l'autre vue que les efforts de gestion
et les coûts requis pour induire une variation unitaire ne sont pas directement
comparables pour des variables qui n'ont pas nécessairement la même unité de mesure.

Les résultats du tableau 5 montrent que la taille des fermes influence très
significativement l'ineffïcience technique. Une augmentation de la taille du cheptel
laitier se traduit par une meilleure utilisation des ressources. Un gain de 0,19% en
efficience technique pourrait être réalisé en ajoutant une vache. Malheureusement, le
système de gestion d'offre rend financièrement difficile l'expansion des fermes laitières
au Québec.

De même, une augmentation de 10 kg du poids moyen des vaches augmenterait de

1,665% l'efficience technique. Ceci suggère que les producteurs laitiers les plus
performants techniquement ont un troupeau laitier plus lourd. Le poids des vaches
dépend de leur alimentation et aussi de leur génétique. Évidemment, l'alimentation des
vaches doit prendre en compte les prix des ingrédients. Donc, on ne peut pas aviser les
producteurs de nourrir davantage leurs vaches. Similairement, il est évident que les
vaches avec une meilleure génétique seront plus efficaces, mais chaque producteur

46
devra évaluer les coûts et les bénéfices découlant de l'amélioration génétique de son
troupeau avant de se lancer dans ce genre d'amélioration.

La formation est un autre facteur qui intervient positivement sur l'efficience technique.
Les producteurs qui ont une formation universitaire ont une efficience technique qui est
supérieure de 3,49% par rapport à ceux qui n'ont pas atteint cette formation
universitaire. De même, les producteurs ayant atteint un niveau de formation collégiale
ou plus ont une efficience technique qui est en moyenne 1,84% supérieure par rapport à
ceux qui n'ont pas complété leur formation collégiale. Finalement, les producteurs avec
un niveau secondaire ou plus sont 2,90% plus efficaces par rapport à ceux qui n'ont pas
atteint le niveau de formation secondaire.

L'année d'adhésion au syndicat de gestion a un effet significatif sur l'efficience

technique qui est positif (0,10%> par année d'ancienneté). Ce résultat n'est pas
surprenant en considérant que le cumul des connaissances ne peut qu'aider à faire une
utilisation efficace des intrants.

La génétique joue, également, un rôle important, en ce sens qu'un troupeau Holstein

confère au producteur un avantage de 3,12% en terme d'efficience technique. En
comparaison, un troupeau Ayrshire part désavantagé en moyenne de -1,18%. Cela peut
expliquer pourquoi plus de 90% des troupeaux sont des troupeaux Holstein.

L'adoption de certaines technologies peut aider ou nuire à l'efficience technique.

L'adoption du distributeur automatique de concentré engendre une variation marginale
positive de 2,95% en efficience technique tandis que la ration totale mélangée fait
augmenter l'efficience de 2,06%. Cependant, l'adoption de la stabulation libre et du
roulage de la moulée affecte négativement l'efficience technique de 3,99% et de 0,04%
respectivement. Il est possible que certaines technologies aient été adoptées dans le
cadre d'investissements séquentiels et qu'à court terme elles ne puissent pas exercer
leur impact maximum sur l'efficience technique.

En regard à l'adoption de bonnes pratiques, l'effet des dépenses en soins vétérinaires

sur l'efficience technique dépend de leur nature (préventifs ou curatifs). Nos résultats
indiquent que les producteurs qui doivent dépenser un dollar par hectolitre de lait en

47
services vétérinaires réduisent leur efficience technique de -1,60%. Un retard d'une
année dans l'âge au premier vêlage (4,30 années en moyenne) fait diminuer l'efficience
technique de -8,29%. Quant à l'intervalle entre vêlage (1,12 années en moyenne), le
même retard fait diminuer l'efficience technique de -25,45%).

La dimension régionale révèle que les fermes appartenant aux régions maïs22 sont
moins efficaces par rapport aux autres. La différence moyenne est de 2,33%. Ce résultat
est différent que celui trouvé par Lessard (2000) qui a trouvé que ce sont plutôt les
fermes appartenant à la région mais qui sont d'un point plus efficaces par rapport aux
autres. Cette différence pourrait s'expliquer par la différence des types de données
utilisées (Cross section versus Panel).

Les régions de l'UPA productrices de maïs sont principalement : St-Hyacinthe, St-Jean Valleyfield, Centre du
Québec et la Lanaudière.

48
Tableau 5: Les estimés par la méthode de maximum de vraisemblance des effets du
modèle de l'inefficience avec une frontière de production translog et une
spécification au changement technologique

Variation de TE
Paramètres Estimés
(%)
0,459
Constante -
(6,093)
-0,002
Nombre de vaches par ferme 0,19
(-18,967)
0,016
Soins vétérinaires ($/hl) -1,60
(3,453)
-0,154
Poids (lOOkg/vache) 16,65
(-14,172)
0,087
Age moyen des vaches (années) -8,29
(12,967)
0,294
Intervalle entre vêlages (années) -25,45
(6,123)
-0,001
Durée d'adhésion au syndicat de gestion (années) 0,10
(-2,209)
-0,031
Race Holstein (1,0) 3,12
(-2,350)
0,012
Race Ayrshire (1,0) -1,18
(0,809)
-0,029
Secondaire (1,0) 2,90
(-3,160)
-0,018
Collège (1,0) 1,84
(-2,513)
-0,034
Université (1,0) 3,49
(-2,971)
0,024
Région maïs (1,0) -2,33
(3,528)
0,041
Stabulation libre (1,0) -3,99
(3,242)
-0,020
Ration totale mélangée (1,0) 2,06
(-1,908)
0,000
Rouleuse de moulée ( 1,0) -0,04
(0,059)
-0,029
Distributeur d'aliment concentré (1,0) 2,95
(-3,738)

49
4.2.2 Estimation classique vs estimation bayésienne

La comparaison des résultats des approches classiques et bayésienne est l'un des
objectifs de cette étude, pour ce faire on devrait idéalement estimer le modèle dominant
Ml déterminé par les équations (4.1) et (3.9) via la technique bayésienne. Cependant,
on n'a pas réussi à faire l'estimation bayésienne de ce modèle, rendant impossible une
comparaison directe des résultats entre les deux approches. Par contre, nous avons été
en mesure d'estimer une frontière Cobb-Douglas avec changement technologique
(modèle M2) où (3.3) et (3.4) représentent la spécification de la dépendance temporelle
de l'efficience technique

L'approche classique consiste à dériver la fonction du logarithme de la vraisemblance

L{6,y) du modèle M2 où le terme d'inefficience est défini par les équations (3.3) et

(3.4). On suppose que le terme spécifique à la firme w, de l'équation (3.3) a une

distribution semi normale ui - N+ (0, a2 ) . Les estimés des paramètres du modèle sont

obtenus par l'entremise du logiciel d'estimation classique FRONTIER 4.1 tel que

èJ_M^L ou 0s(/3\rjo>a\r)', ° * = <?I + <*l et

ou
y = a2u/(cT2v+a2).

En ce qui concerne l'approche bayésienne, on considère le même modèle M2 où le

terme d'inefficience est défini par les équations (3.3) et (3.4). Aux paramètres /?. et

er2de l'équation (4.1) on a assigné des a priori non informatifs en leur conférant des
distributions de faible précision telles que fi, - JV + (0,10 6 ) et a~2 ~ Ga(0.001, 0.001)

respectivement. De même, on a supposé que le terme spécifique à la firme ui de

l'équation (3.3) a une distribution semi normale w; ~ N+(0,A]) où 1' a priori de A suit

une loi Gamma telle que A ~ Ga(l, 1/37.5) ce qui correspond à une efficience

technique médiane a priori de 87,5% (Van Den Broeck et al., 1994), les résultats
trouvés par Mbaga (2003), quant à l'efficience médiane, justifient le choix de cet a
priori. De même on suppose que le paramètre 7^ de l'équation (3.4) a une a priori
nonnale de moyenne 0 et d'écart type 2 : 7 0 ~Af(0,4) ce qui représente notre

50
indifférence entre la croissance et la décroissance de l'efficience technique qui selon
J.E. Griffin et M.F.J. Steel (2005) supporte une raisonnable prédiction de la distribution
de l'efficience à chaque période.

Les distributions a posteriori des quantités d'intérêt u,/3 ,Â, et rj0 sont obtenues par

l'entremise du logiciel d'estimation bayésienne WINBUGS. Une fois que les tirages

sont réalisés, les distributions des quantités d'intérêt pourraient être résumées via des

moyennes, écart types et percentiles. On peut alors effectuer notre analyse comparative

pour le modèle M2. Les comparaisons des résultats des deux approches sont présentées

aux tableaux 6 à 10. Le montre que les estimés23 des paramètres de régression de la

frontière de production pour les spécifications classique et bayésienne sont de même

signe et de magnitude similaire avec une légère différence en faveur de la spécification

bayésienne. Kim et Schmidt (2000) avaient tiré des conclusions semblables. La même

tendance est constatée pour le coefficient 770 puisque son signe négatif implique que

l'efficience technique est croissante avec le temps. De même, aussi bien pour la

spécification bayésienne avec un coefficient estimé2 À de 31,36 que pour la

spécification classique avec un coefficient estimé y de 0,7567, la variabilité due à

l'inefficience par rapport à la variabilité totale est importante. Quant aux intervalles de

confiance, on note une ressemblance dans les résultats des deux approches. Kim et

Schmidt (2000) ont fait le même constat, rapportant de petites différences entre les

deux approches lorsque l'on contrôle pour les spécifications du terme de l'ineffïcience

(fixe vs aléatoire) et lorsque la taille de l'échantillon est grande.

23
Compte tenu la forme fonctionnelle Cobb-Douglas, ces estimés représentent, également, les élasticités des facteurs.
24
y Pour la spécification classique et X pour la spécification bayésienne servent à mesurer l'importance de
variabilité du terme de l'ineffïcience sur la variabilité totale.

51
Tableau 6: Estimés de la frontière stochastique Cobb-Douglas avec une efficience
technique variable avec le temps via les méthodes de Maximum de
vraisemblance et Bayésienne.

Estimation Classique Estimation Bayésienne

Paramètr Borne Borne
Estimé Borne sup. Estimé Borne sup.
e inf. inf.
A 7,1476 6,9541 7,3412 7,065 6,888 7,240
A 0,1590 0,1454 0,1727 0,1612 0,1482 0,1746
A 0,0415 0,0273 0,0557 0,0421 0,0284 0,0557
A 0,0051 -0,0014 0,0116 0,0073 0,0012 0,0133
A 0,0713 0,0544 0,0882 0,0698 0,0539 0,0851
A 0,0199 0,0184 0,0213 0,0199 0,0184 0,0214
7o -0,0037 -0,0108 0,0033 -0,0035 -0,011 0,004
a2 0,0155 0,0118 0,0192 0,0038 0,0037 0,0040
r 0,7567 0,6986 0,8147
A 31,36 25,36 38,27

52
Comme les estimés de l'efficience technique sont d'un grand intérêt pour la prise de
décision, il est important d'identifier toute différence significative entre les deux
approches alternatives.
Le tableau 7 montre que les estimés de l'efficience technique moyenne calculés avec
l'approche bayésienne sont 4% plus grands par rapport à ceux calculés avec l'approche
classique. Mbaga et al. (2003) avaient des résultats similaires quant à l'effet de la
distribution exponentielle sur les scores de l'efficience technique moyenne.

Indépendamment de l'approche utilisée, les niveaux d'efficience technique demeurent,

d'une manière homogène, élevés; ceci indique que les fermes laitières de l'échantillon
sont très efficaces et confirme les conclusions de Mbaga et al. (2003) par rapport à la
stabilité des politiques du secteur laitier au Québec.

Les tableaux 8, 9 et 10 résument la répartition distributionnelle des estimés de

l'efficience technique et il en ressort une asymétrie à gauche pour l'approche classique
(plus que 50% des fermes sont situées à gauche de la médiane); par contre on note une
asymétrie à droite pour l'approche bayésienne (plus que 50% des fermes sont situées à
droite de la médiane). Ceci suggère qu'il y a plus de fermes inefficaces avec la
spécification classique comparativement à l'approche bayésienne. Cependant, vu que la
plupart des fermes sont regroupées autour de la médiane aussi bien pour l'approche
classique que pour l'approche bayésienne, il n'est pas facile de distinguer entre les
fermes performantes et celles qui le sont moins.

53
 Tableau 7: Sommaire des statistiques des estimations classique et bayésienne de l'efficience technique avec le temps.

Estimation Classique Estimation Bayésienne

23
Borne Borne Borne Borne
Année Moy. Min. Max. Moy. Min. Max.
inf. sup. inf. sup.
1993 0,8197 0,8108 0,8287 0,5759 0,9940 0,8605 0,8279 0,8928 0,6035 0,9966
1994 0,8203 0,8114 0,8293 0,5771 0,9941 0,8610 0,8286 0,8930 0,6046 0,9966
1995 0,8209 0,8120 0,8298 0,5782 0,9941 0,8614 0,8294 0,8932 0,6057 0,9966
1996 0,8215 0,8126 0,8304 0,5794 0,9941 0,8618 0,8300 0,8934 0,6067 0,9967
1997 0,8221 0,8132 0,8309 0,5806 0,9941 0,8623 0,8306 0,8937 0,6078 0,9967
1998 0,8227 0,8138 0,8315 0,5817 0,9942 0,8627 0,8311 0,8941 0,6088 0,9967
1999 0,8233 0,8144 0,8321 0,5829 0,9942 0,8631 0,8316 0,8944 0,6099 0,9967
2000 0,8238 0,8150 0,8326 0,5841 0,9942 0,8635 0,8320 0,8948 0,6109 0,9967
2001 0,8244 0,8156 0,8332 0,5852 0,9942 0,8640 0,8324 0,8952 0,8640 0,9967
2002 0,8250 0,8162 0,8337 0,5864 0,9942 0,8644 0,8327 0,8957 0,6130 0,9967
2003 0,8256 0,8168 0,8343 0,5876 0,9943 0,8648 0,8330 0,8962 0,6140 0,9967

Les bornes inférieure (inf.) et supérieure (sup.) sont basées sur un intervalle de confiance de 95%.

54
Tableau 8: Quelques distributions de fréquences des estimés moyens de l'efficience
technique.

Estimation Classique Estimation Bayésienne

6
Classe"
■ (1) (2) (3) (4) (5) (6) (1) (2) (3) (4) (5) (6)
Année
1993 7,0 31,1 46,7 12,3 1,7 1,3 4,0 15,2 45,0 21,5 6,6 7,6
1994 7,0 30,8 46,7 12,6 1,7 1,3 4,0 15,2 45,0 21,5 6,6 7,6
1995 6,6 30,8 47,0 12,6 1,7 1,3 4,0 14,9 45,4 21,2 6,6 7,9
1996 6,6 30,1 47,7 12,6 1,7 1,3 4,0 14,9 45,4 20,9 7,0 7,9
1997 6,6 29,8 48,0 12,6 1,7 1,3 4,0 14,9 45,0 21,2 7,0 7,9
1998 6,3 30,1 47,7 12,9 1,7 1,3 4,0 14,9 47,7 21,5 7,0 7,9
1999 6,3 30,1 47,7 12,9 1,7 1,3 3,6 14,9 45,0 21,5 7,0 7,9
2000 6,3 30,1 47,7 12,9 1,7 1,3 3,6 14,6 45,0 21,5 7,3 7,9
2001 6,0 30,1 47,7 12,9 2,0 1,3 3,6 14,6 44,7 21,9 7,3 7,9
2002 6,0 29,8 48,0 12,9 2,0 1,3 3,6 14,6 44,7 21,9 7,3 7,9
2003 5,6 20,1 48 12,9 2,0 1,3 3,6 14,6 44,7 21,9 7,3 7,9

26
Les classes de l'efficacité technique sont définies sur la base des estimés moyens de l'efficacité technique:
(1):[.5,.7[,(2): [.7,.8[,(3): [.8,.9[,(4): [.9,.95[, (5): [.95,.97[, (6): [.97,l].

55
Tableau 9: Quelques quintiles des estimés moyens de l'efficience technique via l'approche classique.

1er quintile 2 e m e quintile 3 ne

quintile 4 eme quint i 5 cme quintile
Année Moy. Inf. Sup. Moy. Inf. Sup. M o y . Inf. Sup. M o y . Inf. Sup. M o y . Inf. Sup.
1993 0,7012 0,6881 0,7144 0,7837 0,7804 0,7869 0,8271 0,8241 0,8299 0,8652 0,8625 0,8679 0,9215 0,9146 0,9283
1994 0,7022 0,6890 0,7153 0,7843 0,7812 0,7875 0,8276 0,8247 0,8306 0,8657 0,8630 0,8684 0,9217 0,9146 0,9285
1995 0,7031 0,6899 0,7162 0,7851 0,7819 0,7882 0,8282 0,8253 0,8311 0,8662 0,8635 0,8689 0,9220 0,9152 0,9288
1996 0,7040 0,6909 0,7170 0,7858 0,7826 0,7889 0,8288 0,8259 0,8317 0,8666 0,8639 0,8693 0,9222 0,9155 0,9290
1997 0,7049 0,6918 0,7179 0,7864 0,7833 0,7896 0,8294 0,8265 0,8323 0,8671 0,8644 0,8697 0,9225 0,9158 0,9293
1998 0,7058 0,6928 0,7188 0,7872 0,7840 0,7903 0,8299 0,8271 0,8328 0,8675 0,8649 0,8702 0,9228 0,9161 0,9295
1999 0,7067 0,6937 0,7197 0,7878 0,7847 0,7910 0,8305 0,8276 0,8334 0,8680 0,8653 0,8706 0,9231 0,9164 0,9298
2000 0,7076 0,6946 0,7205 0,7885 0,7854 0,7917 0,8311 0,8282 0,8339 0,8684 0,8658 0,8711 0,9234 0,9167 0,9300
2001 0,7085 0,6956 0,7214 0,7892 0,7861 0,7924 0,8316 0,8288 0,8345 0,8689 0,8663 0,8715 0,9236 0,9170 0,9303
2002 0,7094 0,6965 0,7223 0,7899 0,7868 0,7931 0,8322 0,8294 0,8351 0,8694 0,8667 0,8720 0,9239 0,9173 0,9305
2003 0,7103 0,6974 0,7231 0,7906 0,7875 0,7937 0,8328 0,8299 0,8356 0,8698 0,8672 0,8724 0,9242 0,9176 0,9307

56
Tableau 10: Quelques quintiles des estimés moyens de l'efficience technique via l'estimation bayésienne.

1er quintile 2':me quintile 3(!me quintile 4':me quintile 5':me quintile
Year Moy. Inf. Sup. Moy. Inf. Sup. Moy. Inf. Sup. Moy. Inf. Sup. Moy. Inf. Sup.
1993 0,7413 0,7278 0,7549 0,8271 0,8237 0,8304 0,8720 0,8689 0,8751 0,9118 0,9089 0,9147 0,9639 0,9593 0,9685
1994 0,7420 0,7285 0,7556 0,8271 0,8239 0,8304 0,8720 0,8689 0,8751 0,9118 0,9089 0,9146 0,9635 0,9589 0,9681
1995 0,7418 0,7282 0,7554 0,8268 0,8236 0,8301 0,8717 0,8686 0,8748 0,9117 0,9088 0,9145 0,9636 0,9590 0,9682
1996 0,7415 0,7279 0,7551 0,8265 0,8233 0,8298 0,8717 0,8686 0,8749 0,9119 0,9091 0,9148 0,9637 0,9591 0,9683
1997 0,7402 0,7265 0,7539 0,8263 0,8229 0,8296 0,8718 0,8687 0,8749 0,9119 0,9090 0,9147 0,9638 0,9593 0,9684
1998 0,7399 0,7261 0,7536 0,8264 0,8230 0,8297 0,8718 0,8687 0,8749 0,9118 0,9089 0,9147 0,9639 0,9594 0,9685
1999 0,7384 0,7245 0,7523 0,8258 0,8224 0,8291 0,8712 0,8681 0,8743 0,9111 0,9082 0,9140 0,9636 0,9590 0,9682
2000 0,7391 0,7252 0,7529 0,8262 0,8229 0,8296 0,8715 0,8685 0,8746 0,9113 0,9084 0,9142 0,9637 0,9592 0,9683
2001 0,7386 0,7248 0,7525 0,8260 0,8226 0,8293 0,8716 0,8685 0,8747 0,9116 0,9087 0,9145 0,9638 0,9592 0,9684
2002 0,7393 0,7255 0,7532 0,8265 0,8231 0,8298 0,8719 0,8689 0,8750 0,9119 0,9090 0,9147 0,9639 0,9594 0,9685
2003 0,7400 0,7262 0,7539 0,8270 0,8236 0,8303 0,8723 0,8693 0,8754 0,9121 0,9093 0,9150 0,9640 0,9595 0,9686

57
4.2.3 Test de la dominance stochastique

Le dernier objectif de cette recherche vise à déceler la présence d'un possible

changement technologique d'une période /, à une autre période t2 en utilisant le test de

la dominance stochastique restreint, et ce en déterminant l'intervalle te , te sur

lequel l'hypothèse nulle d'absence de dominance peut être rejetée à un niveau de

signification a. Ce test de dominance stochastique a pour but d'évaluer jusqu'à quel
point les changements technologiques induisent un phénomène de convergence dans
l'efficacité technique des fermes. Les résultats de ces tests sont rapportés au tableau
11.

Il en ressort que l'année 2003 domine stochastiquement au premier degré l'année 1993
entre les seuils d'efficience technique 77% et 97%. Cet intervalle capture la grande
majorité des fermes de l'échantillon. Ceci suggère que la distribution de l'efficience
technique de la majorité des fermes laitières de notre échantillon s'est améliorée entre
1993 et 2003, comme l'indique d'ailleurs les résultats classiques et bayésiens du
modèle M2. Par contre, contrairement au modèle M2 qui impose une amélioration
constante dans le temps, les résultats de cette sous-section suggèrent que les
améliorations généralisées soutenant un processus de convergence n'ont pas été stables
dans le temps.

Après l'année 1997, l'intervalle te , te est de moins en moins large, indiquant une

certaine stagnation quant à l'amélioration de l'efficience technique dans l'ensemble des

fermes laitières au Québec. La figure 6 illustre clairement ces résultats. Après l'année
1997, les courbes des distributions cumulatives des estimés d'efficience technique
deviennent presque superposées. La possibilité d'identifier les périodes critiques à
partir desquelles on n'observe plus d'améliorations soutenues dans l'efficience suggère
qu'un modèle spécifiant une amélioration constante est en fait mal spécifié.
L'identification des périodes critiques est un résultat potentiellement important pour les
agriculteurs comme pour les décideurs si cela peut les amener à identifier les causes du
ralentissement de l'augmentation généralisée de l'efficience technique.

58
Tableau 11 : Test de la dominance stochastique restreint utilisant les scores d'efficience
technique des fermes laitières au Québec.

h p -value
'l te tè +
1993 2003 0,77 0,97 0,05
1993 1994 0,78 0,95 0,046
1993 1996 0,80 0,97 0,04
1993 1998 0,75 0,98 0,046
1996 2003 0,77 0,97 0,046
1997 2003 0,92 0,96 0,04
1998 2003 0,85 0,90 0,096
2000 2003 - - 1

59
Figure 6: La disposition graphique des distributions cumulatives des estimés de
l'efficience technique.

.6

.2

.8 .7 .8
Efficience Efficience
■ cdf 93- ■ cdf_0 • cdf 93 cdf 96
S

.6-

.4 .4

0
0 1
.6 .8 .9 .6 .7 .8
Efficience Efficience
cdf 93 cdf 94 cdf 93 cdf 98

60
A

.7 .8 .7 .8
Effciencè Efficience

cdf 9 6 - •cdf 031 ■ cdf 98 ■ • cdf 03

7 .8
Efficience Efficiency

| cdf 9 7 = cdf 03 cdf 00 ■ cdf 03

61
5 CONCLUSION

Cette étude a analysé l'évolution de l'efficience technique du secteur laitier Québécois

et a évalué l'impact de différentes variables socio-démographiques et des
caractéristiques des fermes sur les scores d'efficience des fermes. Le choix de
l'industrie laitière est principalement motivé par le fait que cette industrie est depuis
longtemps protégée par la politique de gestion d'offre qui contraint la production locale
et les importations pour faire augmenter les prix à la consommation. Cette politique a
fait en sorte que les fermes laitières québécoises sont relativement homogènes et de
petites tailles. Une éventuelle entente sur la libéralisation des échanges pourrait amener
le démantèlement de la gestion de l'offre puisque les réductions des tarifs pourrraient
forcer des contractions trop sévères dans l'offre locale. Dans cette éventualité, on
pourrait penser que les fermes plus efficaces techniquement seraient avantagées pour
affronter la concurrence étrangère.

L'estimation d'une frontière de production requiert la spécification d'une forme

fonctionnelle pour décrire le processus de production. Quatre formes fonctionnelles ont
été testées à partir d'une forme flexible Translog qui emboîte la forme Cobb-Douglas et
qui supporte la présence d'un changement technologique neutre ou biaisé. Le test du
ratio de vraisemblance LR a rejeté la forme fonctionnelle Cobb-Douglas de même que
les hypothèses d'absence de changement technologique et de changement technologique
neutre. L'élasticité d'échelle associée à la spécification dominante a été évaluée à
36.9%. La production laitière est donc caractérisée par des rendements d'échelle
décroissants. Ce résultat est consistent avec une structure de marché parfaitement
concurrentielle, ce qui n'est pas surprenant compte tenu du nombre et de la taille des
fermes. Par contre, la taille de l'élasticité est faible et cela est peut être attribuable aux
difficultés d'expansion/capacité inutilisée découlant de la politique de gestion de l'offre.

Quant au terme de l'inefficience, on a considéré dans un premier temps le modèle de

Battese et Coelli (1995) qui permet à l'inefficience de varier dans le temps en fonction
de variables socio-économiques et techniques. La quasi-totalité de ces variables ont des
coefficients statistiquement significatifs. L'introduction de technologies telles que le
distributeur d'aliments concentrés ou la ration totale mélangée au processus de

62
production s'avère avantageux, tandis que l'adoption de la stabulation libre a un effet
marginal négatif sur l'efficience technique. Ce résultat n'est pas surprenant puisque
certaines technologies doivent être adoptées sous certaines conditions spécifiques pour
améliorer la productivité et l'efficience. Si une technologie requiert un certain volume
de production pour être performante ou si des investissements en support sont
nécessaires, il est possible que le potentiel de cette technologie ne puisse pas être
exploité. Conforme à nos attentes, le niveau scolaire agit favorablement sur les
performances techniques des fermes laitières du Québec. De plus, toute chose étant
égale par ailleurs, des vaches plus lourdes et des vaches de race Hoslstein tendent à
augmenter l'efficience technique.

Pour évaluer la robustesse des approches d'estimation, on a comparé les résultats de

procédures d'estimation classique et bayésienne. On a considéré une frontière
stochastique Cobb-Douglas avec une spécification autorégressive du terme d'erreur telle
que spécifié par Battese et Coelli (1992). On a examiné les estimés moyens de
l'efficience technique, ainsi que leurs intervalles de confiance. Les deux approches ont
détecté la présence de l'inefficience dans l'échantillon et elles indiquent que cette
inefficience est décroissante dans le temps. Les estimés de l'efficience technique
moyenne tirés de l'approche bayésienne sont 4% plus élevés que ceux associés à la
l'approche classique. Indépendamment de l'approche utilisée, les niveaux d'efficience
technique demeurent relativement homogènes et élevés. Ceci suggère que les fermes
laitières de l'échantillon sont très efficaces les unes par rapport aux autres. Mbaga et al.
(2003) ont obtenu un résultat semblable à partir d'une analyse avec une coupe
transversale et l'attribue à la stabilité des politiques du secteur laitier au Québec.

Les spécifications paramétriques du terme d'inefficience imposent des hypothèses

fortes qui ne sont pas nécessairement conformes avec la réalité. Plus spécifiquement,
l'évolution du terme d'inefficience n'est pas nécessairement monotone. Cette évolution
peut être caractérisée par des changements structuraux difficilement modélisables. Plus
spécifiquement, il est réaliste de supposer que les agriculteurs moins efficaces
apprennent des plus efficaces, faisant ainsi augmenter l'efficience moyenne et la
concentration des scores d'efficience élevés dans la distribution des scores. Ce
phénomène de rattrapage peut être discontinu et affecté par toutes sortes de variables
qui ne sont pas nécessairement toutes à la disposition du modélisateur. C'est pourquoi,

63
nous avons estimé en coupe transversales des scores d'efficience pour les dix années de
notre échantillon et nous avons opérationnalise des tests de dominance stochastique
restreints à partir d'une procédure développée par Davidson et Duclos (2006) pour
détecter la présence/l'absence de processus de rattrapage et d'augmentation généralisée
de l'efficience dans le temps. Nos résultats supportent la présence d'un processus de
rattrapage et d'augmentation généralisée de l'inefficience technique dans le temps
puisque la distribution restreinte des scores pour l'année 2003 domine stochastiquement
au premier degré l'année 1993 entre les seuils d'efficience technique de 77% et 97%.
Le test a permis d'identifier l'année 1997 comme l'année critique à partir de laquelle la
tendance de rattrapage et d'augmentation généralisée de l'efficience technique
s'estompe. Ceci constitue un résultat important puisqu'il peut amener les décideurs et
les agriculteurs à s'interroger sur les facteurs (réglementation, politiques, événement)
qui ont pu interrompre le processus. Évidemment, il est fort probable que le processus
de rattrapage ait tout simplement atteint sa limite puisque l'efficience moyenne est très
élevée pour l'industrie laitière.

64
RÉFÉRENCES BIBLIOGRAPHIQUES

Aigner, D. J. and S. F. Chu. 1968. On Estimating the Industry Production Function.

American Economie Review 58: 826-839.

Aigner, D. J., C. A. K. Lovell and P. Schmidt. 1977. Formulation and Estimation of

Stochastic Frontier :Production Models. Journal of Econometrics 6 : 21-37.

Amara, N. and R. Romain. 2000. Mesure de l'Efficacité Technique : Revue de

Littérature. Working paper No.R.00.07. Québec, QC, Canada: Université Laval,
CRÉA.

Anh, S.C., D. Good and R.C. Sickles. 2000. Estimation of Long Run Ineffïciency
Levels: A Dynamic Frontier Approach. Econometric Reviews 19: 461-492.

Atkinson, E. S. and C. Cornwell. 1994. Estimation of Output and Input Technical

Efficiency Using a Flexible Functional Form and Panel Data. International
Economie Review 35: 245-255.

Battese, G. E. and T.J. Coelli. 1995. A Model for Technical Ineffïciency Effects in
a Stochastic Frontier Production Function for Panel Data. Empirical Economies 20:
325-332.

Battese, G. E. and T.J. Coelli. 1993. A Stochastic Frontier Production Function

Incorporating a Model for Technical Ineffïciency Effects. Working Paper in
Econometrics and Applied Statistics No. 69. Armidale, NSW, Australia: University
of New England, départaient of Econometrics.

Battese, G. E. and T.J. Coelli. 1992. Frontier Production Functions, Technical

Efficiency and Panel Data with Application to Paddy Farmers in India. Journal of
Productivity Analysis 3: 153-169.

Battese, G. E. and T.J. Coelli. 1988. Prédiction of Firm-Level Technical

Efficiencies with a Generalized Frontier Production Function and Panel Data.
Journal of Econometrics 38: 387-399.

Battese, G. E. and T.J Coelli. 1995. A Model for Technical Ineffïciency Effects in a
Stochastic Frontier Production Function for Panel Data. Empirical Economies 20:
325-332.

Battese, G. E. and G.S. Corra. 1977. Estimation of a Production Frontier Model:

With Application to the Pastoral Zone of Eastern Australia. Australian Journal of
Agricultural Economies 21: 169-179.

Broeck, J. van den, G. Koop, J.Osiewalski and M. Steel. 1994. Stochastic Frontier
Models: A Bayesian Perspective. Journal of Econometrics 61: 273-303.

65
Charnes, A., W.W. Cooper and E. Rhodes. 1978. Measuring the Efficiency of
Décision Making Units. European Journal of Operational Research 2: 429-444.

Chavas, J.-P. 2004. Risk Analysis in Theory and Practice. San Diego: Elsevier
Académie Press.

Cornwell, C , P. Schmidt and R.C. Sickles. 1990. Production Frontiers with Cross-
Sectional and Time Séries Variation in Efficiency Levels. Journal of Econometrics
46: 185-200.

Cho Y., O. Linton and Y. whang. 2007. Are There Monday Effects in Stock
Markets? A Stochastic Dominance Approach. Journal of Empirical Finance,
fortheoming

Coelli, T., D.S. Prasada Rao and G.E. Battese. 1998. An Introduction to Efficiency
and Productivity Analysis. : Boston, MA: Kluwer Académie Publishers.

Davidson, R. and J.-Y. Duclos. 2000. Statistical Inference for Stochastic

Dominance and for the Measurement of Poverty and Inequality. Econometrica 68:
1435-1464.

Davidson, R. and J.-Y. Duclos. 2006. Testing for Restricted Stochastic Dominance.
Discussion Paper No. 2047. Germany: Institute for the Study of labor, IZA.

Deprins, D., L. Simar and H. Tulkens. 1984. Measuring Labor Inefficiency in Post
Offices. In the Performance of Public Enterprises: Concepts and Measurements,
edited by M. Marchand, P. Pestiau and H. Tulkens. Amsterdam: North-Holland.

Dormont, B. 2003. Introduction à l'Économétrie des Données de Panel : Théorie et

Applications à des Échantillons d'Entreprises. Paris : CNRS Editions-
(Monographies d'Économétrie).

Duclos, J-Y., P. Makdissi and Q. Wodon. 2005. Poverty-dominant program

reforms: the rôle of targeting and allocation rules. Journal of Development
Economies 77(1): 53-73

Farell, M. J. 1957. The Measurement of Productive Efficiency. Journal of the Royal

Statistical Society, Séries A 120(3): 253-281.

Gelman, A., J.B. Carlin, H.S. Stern and D.B. Rubin. 2004. Bayesian data Analysis.
2 nd éd., Chapman & Hall/ CRC.

Giannakas, K., K.C. Tran and V. Tzoulevekas.2003. On the Choice of Functional

Form in Stochastic Frontier Modeling. Empirical Economies 28: 75-100.

Greene, W. H. 1997. Frontier production functions. In Handbook of Applied

Econometrics, Volume II: Microeconomics, edited by M. H. Pesaran and P.
Schmidt. Oxford, UK: Blackwell Publishers.

66
Greene, W. H. (1990). A Gamma-Distributed Stochastic Frontier Model. Journal of
Econometrics 46: 141-164.

Griffm, J. E. and M.F.J. Steel. 2005. Bayesian Stochastic Frontier Analysis Using
WinBUGS. Working paper. U.K.: University of Warwick, Department of Statistics.

Guarda, P. and A. Rouabah. 1999. Efficacité et Performance des Banques en

Europe: une Analyse "Stochastic Frontier" sur des Données en Panel. Working
Paper No. 99-5. Luxembourg: CRP-Gabriel Lippmann, CREA.

Hadri, K., C. Guermat and J. Whittaker. 2003. Estimation of Technical Inefficiency

Effects Using Panel Data and Doubly Heteroscedastic Stochastic Production
Frontiers. Empirical Economies 28: 203-222.

Henderson, D. J. and L. Simar. 2005. A fully Nonparametric Stochastic Frontier

Model for Panel Data. Technical report. Louvain-la-Neuve, Belgium: IAP Statistics
Network.

Horrace, W. C. and P. Schmidt. 1996. Confidence Statements for Efficiency

Estimâtes from Stochastic Frontier Models. Journal of productivity Analysis 7:
257-282.

Hsiao, C. 1986. Analysis of Panel Data. New York: Cambridge University press.

Huang, H.C. 2004. Estimation of technical inefficiencies with heterogeneous

technologies. Journal of Productivity Analysis 21: 277-296.

Jondrow, J., C. A. K. Lovell, I. S. Materov and P. Schmidt. 1982. On the

Estimation of Technical Inefficiency in the Stochastic Frontier Production Function
Model. Journal of Econometrics 19: 233-238.

Kalirajan, K. 1982. On measuring Yield Potential of the High Yielding Varieties

Technology at Farm Level. Journal of Agricultural Economies 33: 227-235.

Kalirajan, K. 1981. An Econometric Analysis of Yield Variability in Paddy

Production. Canadian Journal of Agricultural Economies 29: 283-294.

Kim, Y. and P. Schmidt. 2000. A Review and Empirical Comparison of Bayesian

and Classical Approaches to Inference on Efficiency Levels in Stochastic Frontier
Models with Panel Data. Journal of productivity Analysis 14: 91-118.

Kneip, A. and L. Simar. 1996. A General Framework for Frontier Estimation with
Panel Data. Journal of Productivity Analysis 7: 187-212.

Koop, G. 2003. Bayesian Econometrics. Hoboken N.J: John Wiley & Sons.

Koop, G. and M.F.J. Steel. 2001. Bayesian Analysis for Stochastic Frontier
Models. In A Companion to Theoritical Econometrics, Edited by B. Baltagi. MA:
Blackwells.

67
Koop, G., J. Osiewalski and M.F. Steel. 1997. Bayesian Efficiency Analysis
Through Individual Effects: Hospital Cost Frontiers. Journal of Econometrics 76:
77-106.

Koop, G., M.F. Steel and J. Osiewalski. 1995. Posterior Analysis of Stochastic
Frontier Models Using Gibbs Sampling. Computational Statistics 10: 353-373.

Kumbhakar, S.C. and E.G. Tsionas. 2005. Measuring technical and allocative
inefficiency in the translog cost System: a Bayesian approach. Journal of
Econometrics 126: 355-384.

Kumbhakar, S. C. and C.A.K. Lovell. 2000. Stochastic Frontier Analysis.

Cambridge, UK: Cambridge University Press.

Kumbhakar, S. C , S. Gosh. and J.T. McGuckin. 1991. A Generalized Production

Frontier Approach for Estimating Déterminants of Inefficiency in U.S. Dairy
Farms. Journal of Business and Economie Statistics 9: 279-286.

Kumbhakar, S. 1990. Production frontiers, panel data and time-varying technical

efficiency. Journal of Econometrics 46: 201-211.

Kurkalova, L.A. and A. Carriquiry.2002. An Analysis of Grain Production Décline

During the Early transition in Ukraine: A Bayesian inference. American Journal of
Agricultural Economies 84 : 1256-1263.

Lessard, F. 2000. Élaboration et Évaluation d'un Outil de Mesure de l'Efficacité

Technico-Économique du Secteur Laitier au Québec. Mémoire de maîtrise.
Québec, QC : Université Laval, Département d'Économie Agroalimentaire et
Sciences de la Consommation.

Mbaga, M. D., R. Romain, B. Larue and L. Lebel. 2003. Assessing Technical

Efficiency of Québec Dairy Farms. Canadian Journal of Agricultural Economies
51: 121-137.

Meeusen W. and J. van den Broeck. 1977. Efficiency Estimation from Cobb-
Douglas Production Function with Composed Errors. International Economie
Review 18: 435-444.

Osiewalski, J. and M. Steel. 1998. Numerical Tools for the Bayesian Analysis of
Stochastic Frontier Models. Journal of productivity Analysis 10: 103-117.

Petkantchin V. 2006. Réforme de la gestion de l'offre laitière au Canada: l'exemple

australien. Montréal, QC : Institut économique de Montréal. Available at :
http://www.iedm.org/main/show_publications_fr.php?publications_id=125

Pitt, M.M. and L.F. Lee. 1981. The Measurement and Sources of Technical
Efficiency in the Indonesian Weaving Industry. Journal of Development Economies
9: 43-64.

68
Ravallion, M. et B. Bidani. 1994. How Robust is a Poverty Profile? The World
Bank Economie Review 8: 75-102

Reifschneider, D. and R. Stevenson. 1991. Systematic Departures from the

Frontier: A Framework for the Analysis of Firm Inefficiency. International
Economie Review 32: 715-723.

Romain, R. and A. Sumner. 2001. Dairy Economie and Policy Issues between
Canada and the United States. Working paper No. D.01.02. Québec, QC:
Université Laval, CRÉA.

Schmidt, P. and R.C. Sickles. 1984. Production Frontiers and Panel Data. Journal
of Business and Economie Staistics 2: 367-374.

Stevenson, R.E. 1980. Likelihood Functions for Generalized Stochastic Frontier

Estimation. Journal of Econometrics 13: 57-66.

Van den Broeck, J., G. Koop, J. Osiewalski and M.F.J. Steel. (1994). Stochastic
Frontier Models: A Bayesian Perspective. Journal of Econometrics 61: 273-303.

Zellner, A. 1971. An Introduction to Bayesian Inference in Econometrics. Hoboken

N.J: John Wiley & Sons.

69