Académique Documents
Professionnel Documents
Culture Documents
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.)
2008
1
RÉSUMÉ
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
2 LA REVUE DE LA LITTÉRATURE 6
3 MÉTHODOLOGIE ; 23
4 RÉSULTATS ET DISCUSSION 36
v
4.2.3 Test de la dominance stochastique 58
5 CONCLUSION 62
6 RÉFÉRENCES BIBLIOGRAPHIQUES 65
vi
LISTE DES TABLEAUX
vii
LISTE DES FIGURES
vin
1 INTRODUCTION
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.
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.
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).
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.
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.
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.
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.
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,
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.
7
paramétriques. Les avantages et les inconvénients de ces approches sont discutés ci-
dessous.
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.
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).
1 Ci
ili
A,
u,
Bi
A2
il ^ ^ J
B2
. i/y.i 1 c2
►
o
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
* 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.
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).
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
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
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.
à estimer à (3xN + k + l)en posant /?., = J30 -uit = Q n +Çll2t + Cit3t2. Cette
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
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
aux firmes, et Wu est une variable aléatoire définie par la troncation au point - Zjtô 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).
x
1
défini de la même manière et pour tout degré s, on a: D" (x) = [(x - y)s~] dF(y)
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).
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.
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 ».
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).
d'essai y'+l = y' +rj où t] est tiré d'une loi normale. On calcule ensuite le ratio
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.
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.
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
aux firmes, et Wjt est une variable aléatoire définie par la troncation au point - Z,.,S de
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
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
où x,, l-\,...,k, sont les logarithmes des inputs, et k est le nombre total des inputs
Cobb-Douglas.
23
w„=7,«,, i = l,...,N, t = \,...,T, (3.3)
où
Alternativement, on spécifie :
où r}0,7jx,jj2 sont des paramètres inconnus à estimer et ut,i = l,...,N sont des
• 1 2 *2
2
E(e-"«K) = e , (3.6)
I-O(-/,;/<T;)
•2 cr„a„
L
ar=- -^ -
<+W<
V7 est un vecteur(rxl) et tous ses éléments sont égaux àrjt. Le second résultat est la
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)).
(lxm) de variables conditionnant l'inefficience technique des firmes tandis que S est
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.
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 &.
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 :
fi ~ N ( 0 , Z , ) , o ù Z , = « f i û s ( l 0 6 ) .
% ~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
(c)w,. ~ N+ (Ç,K2 \, est une distribution normale tronquée à une valeur positive,
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:
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.
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.
Soit S, et S, deux échantillons aléatoires de firmes qui opèrent dans une quelconque
période tx est antérieure à la période t2 et les deux sont suffisamment éloignées l'une
où pour la firme i à la période t, yit dénote l'output ,JC„ est un vecteur deK inputs,
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
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 ».
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).
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
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
Ainsi, et en utilisant l'équation (3.10), si F,2 (te) < F,, (te) pour tout te G TE avec une
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.
Le test statistique est défini comme suit. Soit TEmax = m a x | t e : t e e T E | le plus grand
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
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
conséquent, pour tester cette hypothèse, il est suggéré d'utiliser la statistique LR(?,,?2)
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,
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,
35
4 RÉSULTATS ET DISCUSSION
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%.
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.
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
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
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
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.
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
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.
ùsTEz lTEz — le" '-11x100. Pour chaque variable explicativez } , ATEZ lTE2
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.
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.
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
(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).
cr2de l'équation (4.1) on a assigné des a priori non informatifs en leur conférant des
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
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
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
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
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.
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.
53
Tableau 7: Sommaire des statistiques des estimations classique et bayésienne de l'efficience technique avec le temps.
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.
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.
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
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
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
.6
.8
Efficience Efficiency
cdf 97^ r
c d f 03" - cdf 00 ■ cdf 03
61
5 CONCLUSION
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.
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
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.
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. 1995. A Model for Technical Inefficiency Effects in a
Stochastic Frontier Production Function for Panel Data. Empirical Economies 20:
325-332.
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. 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.
Gelman, A., J.B. Carlin, H.S. Stern and D.B. Rubin. 2004. Bayesian data Analysis.
2nd éd., Chapman & Hall/ CRC.
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.
Hsiao, C. 1986. Analysis of Panel Data. New York: Cambridge University press.
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.
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.
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
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.
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.
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.)
2008
i
RÉSUMÉ
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
2 LA REVUE DE LA LITTÉRATURE 6
3 MÉTHODOLOGIE 23
4 RÉSULTATS ET DISCUSSION 36
v
4.2.3 Test de la dominance stochastique 58
5 CONCLUSION 62
6 RÉFÉRENCES BIBLIOGRAPHIQUES 65
vi
LISTE DES TABLEAUX
vu
LISTE DES FIGURES
vin
1 INTRODUCTION
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.
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.
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).
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.
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.
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.
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.
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
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.
7
paramétriques. Les avantages et les inconvénients de ces approches sont discutés ci-
dessous.
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
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.
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).
y 4 Cj
A,
B,
O x
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
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.
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
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
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
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.
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
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
aux firmes, et Wu est une variable aléatoire définie par la troncation au point -Zuô 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).
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.
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).
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.
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 ».
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).
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).
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.
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.
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
aux firmes, et Wu est une variable aléatoire définie par la troncation au point - Zu 8 de
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
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
où x,, l-\,...,k, sont les logarithmes des inputs, et k est le nombre total des inputs
Cobb-Douglas.
23
ujt=ritui, i = l,...,N, t = l,...,T, (3.3)
où
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
fur et à mesure que / augmente. La valeur de ujt reste constante, diminue ou augmente
"î-o^g;-(A/<T;)) -n,f'i+-il"?
2
E(e-«|*,.) = e , (3.6)
I-O(-//;/<T;)
•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
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)).
(1X/K) de variables conditionnant l'inefficience technique des firmes tandis que ô est
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.
p{pC | ô) sont combinés pour réaliser l'inférence sur les paramètres non observables 6.
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 :
P ~ N(0,Zfi),oùZfi=diag(\06).
% ~ #(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 :
(c)w, ~ N + {Ç,K2\, est une distribution normale tronquée à une valeur positive,
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:
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.
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.
Soit S, et Su deux échantillons aléatoires de firmes qui opèrent dans une quelconque
période /, est antérieure à la période t2 et les deux sont suffisamment éloignées l'une
où pour la firme i à la période /, yu dénote l'output ,xu est un vecteur àeK inputs,
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
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
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
pour TE, . Il est à signaler que le caractère aléatoire de TE, et TE, tient si St et St
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
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
Ainsi, et en utilisant l'équation (3.10), si Fr2 (te) < F,, (te) pour tout te e TE avec une
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.
M
, ( z ) = ", ~«,( z )> t = t\>h-
Le test statistique est défini comme suit. Soit TEmax = maxjte : te e TE> le plus grand
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
Pour des échantillons de grande taille nt et«, , la statistique LR(/,,? 2 ) tend vers une
conséquent, pour tester cette hypothèse, il est suggéré d'utiliser la statistique LR(f,,f 2 )
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 « ,
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,
35
4 RÉSULTATS ET DISCUSSION
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%.
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.
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
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
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
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.
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
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.
ATEZ JTEZ = Io~s' -11 x 100. Pour chaque variable explicativez j , ATE7 lTE2
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.
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.
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
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
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)
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
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
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
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.
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.
53
Tableau 7: Sommaire des statistiques des estimations classique et bayésienne de l'efficience technique avec le temps.
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.
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.
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
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
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
7 .8
Efficience Efficiency
61
5 CONCLUSION
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.
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
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.
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. 1995. A Model for Technical Ineffïciency Effects in a
Stochastic Frontier Production Function for Panel Data. Empirical Economies 20:
325-332.
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. 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.
Gelman, A., J.B. Carlin, H.S. Stern and D.B. Rubin. 2004. Bayesian data Analysis.
2 nd éd., Chapman & Hall/ CRC.
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.
Hsiao, C. 1986. Analysis of Panel Data. New York: Cambridge University press.
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.
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.
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
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.
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.
69