Page 1

Les conditions générales d'accès et d'utilisation sont disponibles sur

http://www.tandfonline.com/action/journalInformation?journalCode=uaqm20
Télécharger par: [Agora Consortium]
Date: 02 mars 2016, à: 02:47
Économie et gestion de l'aquaculture
ISSN: 1365-7305 (papier) 1551-8663 (en ligne), page d'accueil du journal : http://www.tandfonline.com/loi/uaqm20

Modèle mathématique du poisson-chat du chenal

Production en plusieurs lots
Umesh Bastola, Carole R. Engle, Madan M. Dey et Lin Xie
Pour citer cet article: Umesh Bastola, Carole R. Engle, Madan M. Dey & Lin Xie (2015)
Modèle mathématique de la production de poisson-chat du poisson-chat dans les aquariums à lots multiples
Économie et gestion, 19: 4, 353-371, DOI: 10.1080 / 13657305.2015.1082116
Pour créer un lien vers cet article: http://dx.doi.org/10.1080/13657305.2015.1082116
Publié en ligne: 27 octobre 2015.
Soumettez votre article à cette revue
Nombre d'articles consultés: 68
Afficher les articles associés
Afficher les données Crossmark

Page 2
Aquaculture Economics & Management , 19: 353–371, 2015
Droits d'auteur © Taylor & Francis Group, LLC
ISSN: 1365-7305 imprimé / 1551-8663 en ligne
DOI: 10.1080 / 13657305.2015.1082116
MODÈLE MATHÉMATIQUE DE CHAÎNE CATFISH FOODFISH
PRODUCTION EN LOT MULTIPLE
Umesh Bastola, Carole R. Engle, Madan M. Dey et Lin Xie
Aquaculture / Fisheries Centre, University of Arkansas at Pine Bluff,
Pine Bluff, Arkansas, États-Unis
Π Les exigences de taille du marché pour le poisson-chat changent périodiquement, et les éleveurs de poisson-chat doivent
s'adapter
rapidement.  Les données des études sur les étangs de silure à l'Université de l'Arkansas à Pine Bluff (UAPB) ont été
utilisé pour développer des modèles mathématiques de poisson-chat de nourriture dans une culture à lots multiples à travers une
variété
des alternatives de gestion.  Deux formes fonctionnelles différentes (Cobb - Douglas et un modifié
translog) ont chacun été développés en modèles de frontière moyenne et stochastique.  Les termes d'inefficacité étaient
non significatives dans les modèles frontières, ce qui rend les modèles moyen et frontière
équivalent.  Dans les modèles de régression moyenne, la forme translog modifiée s'est avérée supérieure
valeurs statistiques par rapport à la forme Cobb - Douglas, mais cette dernière a entraîné une baisse
erreur de prédiction et a été validé avec le test de Chow lorsqu'il a été utilisé pour prédire les observations
fermes commerciales de poisson-chat.  Cette approche semble avoir du mérite du point de vue de sa
propriétés statistiques, et représente une étape vers le développement d'un modèle qui pourrait être utilisé pour
fins de gestion agricole.
Mots-clés modèles de production frontalière moyenne et stochastique, poisson-chat canal
poisson alimentaire, formes fonctionnelles, lots multiples, taille à la récolte
INTRODUCTION
Les modèles mathématiques sont utilisés à de nombreuses fins, allant de
tifier la relation entre deux variables pour modéliser la production végétale,
secteurs économiques et autres systèmes complexes. Les modèles de simulation des cultures ont
été utilisé de diverses manières (Thornley & France, 2007). Par exemple, le
Modèles de simulation des cultures EPIC (Ko et al., 2009 ) et de croissance du coton (Larson &
Mapp, 1997 ) ont été utilisés comme outils de recherche, tandis que d'autres simulations de cultures
des modèles ont été développés pour aider les agriculteurs à faire de la gestion
les décisions. Par exemple, le taux de semis optimal des semences de riz (Arkansas
Service d'extension coopérative, 2013), le modèle calcule un taux d'ensemencement pour
Correspondance adressée à Carole R. Engle, Engle-Stone Aquatics, LLC, 1225 Cottontown Road,
Strasbourg, VA 22657, États-Unis. Courriel: cengle8523@gmail.com
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 3
les agriculteurs qui saisissent des informations spécifiques à l'exploitation telles que la variété, la région,
caractéristiques du semoir et autres valeurs de paramètres.
La plupart des modèles mathématiques en aquaculture ont été
modèles de régression généralement utilisés pour identifier les variables
affecter les paramètres de production. Dey et al. ( 2010), par exemple, utilisé
fonctions de production pour comparer les performances de souches améliorées de carpes
aux souches génétiques existantes, en utilisant le poids moyen des poissons à la récolte
variable dépendante. Les modèles d'aquaculture ont généralement cherché à
expliquer la variation des rendements des poissons. Exemples récents de ces types de production
les analyses de fonction comprennent: Dey et al. (2005a ) pour la polyculture de la carpe, Dey et al.
( 2005b ) pour l'aquaculture en étangs d'eau douce, Tveteras ( 1999 ) et Asche et
Tveteras ( 1999) pour la production de saumon en Norvège et Karagiannis et
Katranidis ( 2000) pour la production de bar et de dorade en Grèce.
Pour la production de poisson-chat, les fonctions de production ont été estimées pour:
1) la production totale de poisson-chat par ferme au Texas (Lacewell et al., 1973 ); 2) rendement
de poisson-chat commercialisable par acre dans l'ouest de l'Alabama (Crawford, 1976); 3) net
production de poisson-chat de la taille du marché dans le centre-ouest de l'Alabama (Nerrie et al.,
1990 ); et 4) le rendement du poisson-chat dans les quatre principaux États producteurs de poisson-chat
États-Unis (Losinger et al., 2000 ). Formes fonctionnelles utilisées dans la fonction de production
l'analyse a inclus: 1) Cobb-Douglas (Lacewell, 1973; Chong et al.,
1982 ; Lee, 1983 ; Nerrie et al., 1990; Coffen et Charles, 1991 ; et
Hishamunda et al., 1996 ); 2) quadratique (Crawford, 1976); et 3) transcen-
logarithmique dentaire (translog) (Tveteras, 1999; Asche et Tveteras, 1999 ;
Karagiannis & Katranidis, 2000). Losinger et al. ( 2000) a comparé trois
formes fonctionnelles (fonction de production d'énergie généralisée, quadratique et
racine carrée) pour estimer une équation moyenne du Pape juste. Dey et al. (2005b )
estimation des modèles translog modifiés en réduisant le nombre d'interactions
termes dans les modèles pour améliorer les degrés de liberté et résoudre les
problèmes de colinéarité.
Outre les analyses des fonctions de production, les modèles bioéconomiques ont
été utilisé pour modéliser des cycles de production spécifiques afin d'optimiser la production
performance (Bunting et al., 2013; Hermansen & Eide, 2013). Plus
les modèles bioéconomiques comprennent une série de sous-modèles qui incluent des intrants
de la production (croissance et taille des stocks), des coûts et parfois des flux de trésorerie,
effets environnementaux ou autres sous-modèles.
Il existe moins d'exemples de modèles de simulation des cultures en aquaculture.
Des modèles basés sur des feuilles de calcul sont disponibles pour développer les budgets d'entreprise
(Engle, 2012 ). «Fishy 2003» (Killcreas, 2003 ) permet aux éleveurs de suivre le poisson-chat
production à la ferme, dates de récolte du projet et suivi de la biomasse des étangs.
De même, le "Cash Flow Simulator" et le "Cash Flow Simulator avec
Capital Limité »sont des modèles de feuille de calcul qui aident les agriculteurs à
la quantité d'aliments que la ferme peut se permettre d'acheter en un an dans les étangs
pour un flux de trésorerie optimal (UAPB, 2010a , 2010b ).
354
U. Bastola et al.
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 4
Les tailles minimales de marché acceptées par les usines de transformation du poisson-chat
réponse aux conditions changeantes du marché. La capacité de prendre des décisions précises
sions sur la façon d'ajuster les stratégies de production pour atteindre les tailles
important mais est particulièrement difficile dans la production de plusieurs lots de canal
Poisson-chat. Dans la production en plusieurs lots, les étangs auront une population de taille
du poisson-chat et il peut falloir de 18 à 24 mois pour que le poisson atteigne la taille du marché.
Depuis plus de 75% des éleveurs américains de poisson-chat continuent d'utiliser plusieurs lots
production (USDA-NAHMS, 2010), le développement de la prise de décision
des outils pour prendre des décisions optimales seraient bénéfiques.
Facteurs sous le contrôle des éleveurs de poisson-chat qui affectent le poids de
le poisson-chat du chenal comprend: densité de peuplement, système de culture, jours de
la production, la taille des poissons ensemencés et les stratégies d'alimentation (Tucker et al.,
1993; Engle et Valderrama, 2001; Green & Engle, 2004 ; Li et al., 2004 ,
2006; Southworth et al., 2006a, b, 2009 ; Engle et al., 2009; Nanninga &
Engle, 2010 ). Cependant, il n'existe aucun modèle permettant à un agriculteur de sélectionner rapidement
les densités de stockage appropriées lors de l'évolution des conditions du marché
obliger les exploitations agricoles à produire une taille de poisson différente (Bastola et Engle, 2012 ).
Le but principal de cette analyse était de développer des mathématiques appropriées
modèle (s) de production de poisson-chat poisson-chat en culture multi-lots.
Les objectifs spécifiques de cette analyse étaient: 1) évaluer les différentes fonctions
formes nationales pour évaluer les relations entre les principaux paramètres de production
poisson-chat poisson alimentaire; 2) développer un modèle économétrique approprié pour prédire
la taille du poisson à la récolte; et 3) valider le modèle auprès du
données d'élevage de silure. Bien que le modèle requis pour l'objectif 1 doive être
capable d'expliquer l'effet des paramètres de production individuels sur
la production de poisson-chat, le modèle à développer pour les objectifs 2 et 3 est
à des fins prédictives. Dans ce dernier cas, l’analyse se concentre sur
atteindre la capacité prédictive globale la plus élevée plutôt que d'expliquer
l'importance relative des paramètres de production individuels. Un tel modèle
(s) aiderait les éleveurs de poisson-chat à prendre des décisions de gestion pour
pratiques de gestion pour répondre aux exigences de taille du processeur. C'est important
de noter que l’on ne peut pas s’attendre à un seul «meilleur» modèle à toutes fins (voir,
par exemple, Fuss et al., 1978; Griffin et al., 1987).
MATÉRIAUX ET MÉTHODES
Pour obtenir un modèle plus riche qui peut convenir à la plupart des exploitations commerciales, sinon à
toutes,
un modèle de production de poisson-chat devrait être basé sur des données de qualité
environnements de production variés. Malheureusement, de nombreuses données
Les bassins de pêche qui reflètent un scénario de production diversifié ne sont pas disponibles.
Cependant, l'Aquaculture / Fisheries Center de l'Université de l'Arkansas
à Pine Bluff (UAPB AQFI) a mené la production de poisson-chat
expériences pendant de nombreuses années qui ont généré des données de production à partir
Modèle de production de silure
355
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 5
qui a développé le modèle de production du poisson-chat. Compte tenu de la nature du
données à utiliser pour ajuster les modèles, nous nous attendons à ce que le modèle développé soit
plus approprié pour les fermes efficaces.
Données provenant de cinq études en lots multiples de poissons-chats de canaux différents
à la station de recherche aquacole de l'UAPB AQFI ont été utilisés (tableau 1 ). le
diverses études ont inclus différentes densités de peuplement (Southworth et al.,
2006b , 2009) et la taille des alevins (Engle et Valderrama, 2001) et de transport
sur les poissons (de 0,30 à 0,58 kg selon les études), la durée de croissance des
fils (de 184 à 217 jours), la teneur en protéines des aliments (Engle et al.,
2009 ) et les fréquences d'alimentation (Engle et al., 2009; Nanninga & Engle, 2010).
Modèle empirique
Deux classes de modèles de régression sont généralement estimées dans
littérature économique de la production: fonction de production moyenne (ou
appelé modèle OLS) et modèle de fonction de production frontière stochastique. Dans
cette étude, nous estimons ces deux classes de modèles et comparons les
résultats. Comme les données à utiliser proviennent d'étangs expérimentaux, nous nous attendons à
les coefficients estimés sont assez similaires. Les sections suivantes
décrire en détail la méthode d'estimation de ces deux modèles.
Fonction de production moyenne
Un modèle générique pour rechercher une relation fonctionnelle entre
variable dépendante et un ensemble de variables indépendantes pour développer le
Le modèle de production du poisson-chat est présenté comme suit:
Y ¼ X b þ e
ð1Þ
où Y est un vecteur n × 1 de la variable dépendante, X est une matrice n × k de
variables explicatives, b est ak × 1 vecteur de paramètres inconnus, et ε est un
n × 1 vecteur d'erreurs aléatoires. Le but du modèle était de prédire la
poids moyen des poissons comestibles à la récolte. Par conséquent, la variable dépendante dans le
modèle était le poids moyen du poisson-chat poisson de pêche à la récolte en fonction de
plusieurs variables indépendantes dans le processus de production.
Nous avons commencé avec le modèle Cobb-Douglas en raison de sa simplicité, de sa large
utiliser dans la modélisation des relations de production, et parce qu'il prévoit une
comparaison facile avec le modèle translog qui intègre quadratique et
effets d'interaction. La fonction de production Cobb – Douglas a été spécifiée
comme suit:
lnY i ¼ a 0 þ
X m
j¼1
b j lnX ji þ
X n
l¼1
c l Z li þe i
ð2Þ
356
U. Bastola et al.
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 6
TABLE
1
Sommaire
de
Les données
sur
Poisson-chat
Poissons
Production
dans
Multiple-batch
Utilisé
à
Développer
Plusieurs lots
Poissons
Des modèles
Étude
Objectifs
Reporter
poisson
En rupture
alevins
Culture
durée
(journées)
Protéine
Alimentation
stratégie
Signifier
poids
à
récolte
(Signifier
Æ
DAKOTA DU SUD,
g)
Densité
(kg / ha)
Taille
(g)
Densité
(poisson / ha)
Taille
(g)
Engle
et
Valderrama
(2001)
Examiner
effets
de
sous-stockage
Taille
de
alevins
sur
production
caractéristiques
1 369
580
15 000
6
201
32
%
ED
1,725
Æ
129
1 369
580
15 000
12
201
32
%
ED
1,583
Æ
117
1 369
580
15 000
37
201
32
%
ED
1 579
Æ
179
Southworth
et
Al.
(2006b)
Évaluer
performance
de
sous-stocké
alevins
à
différent
stockage
densités
2,268
396
8 600
19
196
32
%
ED
1,546
Æ
80
2,268
396
17 300
19
196
32
%
ED
1 444
Æ
302
2,268
396
26 000
19
196
32
%
ED
1,501
Æ
95
2,268
396
34 600
19
196
32
%
ED
1 175
Æ
406
Southworth
et
Al.
(2009)
Évaluer
performance
de
bas
à
différent
stockage
densités
2,268
390
7 400
90
200
32
%
ED
1 087
Æ
68
2,268
390
11 120
90
200
32
%
ED
954
Æ
51
2,268
390
14 825
90
200
32
%
ED
919
Æ
97
Engle
et
Al.
(2009)
Examiner
production
performance
de
diététique
protéine
niveau
sur
canal
Poisson-chat
quand
alimentation
sur
alterner
journées
2,442
540
16 000
14
217
28
%
EOD
1 282
Æ
115
2,442
540
16 000
14
217
32
%
EOD
1 427
Æ
64
2,442
540
16 000
14
217
36
%
EOD
1 519
Æ
76
2,442
540
16 000
14
217
32
%
ED
1 608
Æ
204
2,273
300
15 000
14
184
28
%
EOD
827
Æ
110
2,273
300
15 000
14
184
36
%
EOD
932
Æ
17
Nanninga
et
Engle
(2010)
Évaluer
effets
de
alimentation
fréquences
sur
production
performance
de
grand
bas
2,240
400
11 115
69
208
32
%
ED
1 337
Æ
64
2,240
400
11 115
69
208
32
%
EOD
1,102
Æ
73
2,240
400
11 115
69
208
32
%
E3D
1 052
Æ
17
Bien que
le
dernier
colonne
présente
le
signifier
poids
à
récolte
(de
reporter
poisson)
pour
chaque
traitement
groupe,
des modèles
étaient
estimé
avec
individuel
étang
Les données,
ne pas
le
traitement
veux dire.
ED,
EOD,
et
E3D
supporter
pour
alimentation
chaque
journée,
chaque
autre
journée,
et
chaque
troisième
journée,
respectivement.
357
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 7
où ln ¼ logarithme naturel, Y ¼ variable dépendante, X ¼vecteur de
variables explicatives continues, indice i ¼ observation d'étang individuelle,
a 0 , b j , c et l ' s sont les paramètres à estimer, terme qui est ε¼error
supposé suivre une distribution normale avec un zéro moyen et une variance constante
ance r 2 . Nous avons utilisé la méthode de régression des moindres carrés ordinaires (OLS)
pour estimer le modèle. Les ensembles de variables explicatives suivants ont été utilisés
pour estimer les relations de production et prédire le poids moyen des
poissons de report à la récolte:
X  1 ¼ Densité de stockage des poissons de report (kg / ha),
X  2 ¼Taille de stockage des poissons de report (g),
X  3 ¼ Densité d'élevage des alevins en sous-stock (poisson / ha),
X  4 ¼Taille d'alevins ensemencés (g), et
X  5 ¼Durée de la culture (jours)
Le terme Z représentait quatre variables muettes d'alimentation définies comme suit:
bas: Z  1 ¼1, si 28% de protéines; 0 sinon et Z  2 ¼1, si alimentation protéique à 36%;
0 sinon avec 32% de protéines comme variable de contrôle. De même, Z  3 ¼1, si
alimentation tous les deux jours (EOD); 0 sinon et Z  4 ¼1, si nourrir tous les trois
jour (E3D); 0 sinon avec une alimentation quotidienne (ED) comme variable de contrôle.
Intégrer les possibilités d'effets d'interaction et de second ordre
effets dans les variables explicatives, trois variantes d’un logarithme transcendantal
Le modèle ithmique (translog) a également été évalué et comprenait: 1) un translog complet
modèle (avec tous les termes d'interaction et quadratiques); 2) un modèle translog
à l'exclusion des formes quadratiques des variables explicatives; et 3) un translog
modèle excluant les effets d'interaction entre les variables explicatives.
Bien que l'inclusion d'interactions et / ou de termes quadratiques dans la
le modèle logarithmique représente une menace de multicollinéarité (Coelli et al., 1998), Cela fait
n'affecte pas le pouvoir prédictif global du modèle (Maddala, 1992 ). UNE
Le critère du facteur d'inflation de la variance (VIF) a été utilisé pour vérifier la multicolinéarité
entre les variables explicatives. Comme stratégie pour surmonter le problème de
multicolinéarité sévère tout en conservant une partie de l'interaction potentielle
effets (interactions entre les variables de production des deux classes de taille des poissons),
nous avons estimé un modèle translog modifié (Dey et al., 2005b) spécifié comme
suit:
lnY i ¼ a 0 þ
X m
j¼1
b j lnX ji þ
X p
j¼1
X q
k¼1
b jk lnX ji Á lnX ki þ
X n
l¼1
c l Z li þ e i
j 6¼ k
ð3Þ
où les termes du produit dans l'équation (3) indiquent des interactions entre
variables explicatives fiables dans le modèle. Bien que les interactions entre les
des variables tinueuses et factices ont également été évaluées, la multicolinéarité
358
U. Bastola et al.
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 8
le problème a persisté et le modèle avec tous ces effets d'interaction ne pouvait pas
être estimé. Ainsi, le modèle translog modifié exprimé dans l'équation (3)
a été sélectionné pour une analyse plus approfondie et une comparaison avec le Cobb – Douglas
modèle.
Puisque l'équation (2) est imbriquée dans l'équation (3), les deux modèles pourraient être
comparés pour leurs propriétés statistiques par un test F.  Le test F a été utilisé pour
examiner la signification conjointe des variables explicatives dans le translog modifié
modèle en formulant l'hypothèse nulle, H 0 : b jk ¼0, contre alternative
hypothèse, H a : b jk ≠ 0. Si l'hypothèse nulle est rejetée, la trans-
le modèle logarithmique (modèle sans restriction) serait préféré au modèle Cobb-Douglas
modèle (modèle restreint) impliquant que le premier contenait des
informations pour prédire le poids moyen des poissons à la récolte.
Étant donné que la détermination d'une véritable forme fonctionnelle est presque impossible
(Griffin et al., 1987 ), les ensembles de critères suivants ont également été utilisés pour comparer
formes fonctionnelles: 1) le R 2 ajusté ; 2) erreur quadratique moyenne (RMSE);
3) Critère d'information Akaike (AIC) (Akaike 1974); et 4) Bayésien
Critère d'information (BIC). La valeur plus élevée de R 2 ajusté et inférieure
les valeurs des trois autres critères sont préférées dans la construction de modèles. Assump-
tions du modèle linéaire général, ε ∼N ( 0 , r 2 I ), dans le modèle sélectionné ont été
vérifié pour garantir la qualité statistique (impartialité, variance minimale,
entre autres) des paramètres estimés. L'hypothèse de normalité
a été testé graphiquement en calculant l’estimation de la densité du noyau pour
fils avec la densité normale et statistiquement avec le test de Shapiro-Wilk. le
l'hypothèse de variance constante (homoscédasticité) a été examinée en traçant
résiduel par rapport aux valeurs prévues et vérification de la présence de structures
motifs. Le test de White a formellement testé l'hypothèse nulle d'homoskédas-
erreurs tic.
Fonction de production frontière stochastique
Les caractéristiques de production tendent généralement à être améliorées
mentaux par rapport aux conditions réelles de la ferme (Herdt & Mandac,
1981; Evenson et al., 1996 ; Dey et al., 2000). Différences de sites (transport
capacité et différences inhérentes aux conditions géophysiques), l'échelle (petite
zone expérimentale) et les facteurs de gestion jouent un rôle clé dans la
les différences de performances de production entre les essais en station et
champs agricoles commerciaux (Evenson et al., 1996). Contrairement aux
modèles de production des moindres carrés ordinaires (OLS) ou «moyens»,
l’estimation des modèles «frontières» fournirait des estimations plus réalistes des
coefficients liés à la récolte maximale possible pour des niveaux donnés
des entrées et la mesure de la différence dans la biologiquement
récolte maximale possible et la récolte réelle de la ferme en utilisant la même
technologie de production (Aigner et al., 1977; Herdt et Mandac, 1981 ; Dey
Modèle de production de silure
359
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 9
et al., 2010 ) et voir Kumbhakar & Lovell (2000 ) pour une bonne introduction sur
modèles frontaliers.
Comme dans les modèles OLS, nous avons estimé deux modèles de frontière stochastique (le
Cobb – Douglas et modèle translog modifié). La spécification Cobb – Douglas
cation de la fonction de production frontière stochastique (Aigner et al., 1977) est:
lnY i ¼ a 0 þ
X m
j¼1
b j lnX ji þ
X n
l¼1
c l Z li þ t i À u i
ð4Þ
où, Y  i , X  i et b sont tels que définis précédemment [Équation (2)], v  i est un iid
variable aléatoire avec zéro moyen et variance r
2
v [N (0, r
2
v )]et est
indépendant de u ; et u  i est une variable aléatoire non négative unilatérale asso-
associée à l’inefficacité technique de la production. Il est supposé suivre
distribution exponentielle avec variance r
2
u . La frontière translog modifiée
est également spécifié d'une manière similaire [voir les équations (3 et (4)]. Les deux
différentes spécifications de frontière ont été comparées pour des
forme par le test du rapport de vraisemblance (test LR) défini comme:
k ¼ À2 Â ln H 0
ð Þ À ln H 1
ðÞ
½
Š
ð5Þ
où, ln ( H  0 ) est la fonction log-vraisemblance d'un modèle de frontière restreinte
spécifié par une hypothèse nulle H  0 ; et ln ( H  1 ) est la fonction log-vraisemblance
du modèle non restreint (hypothèse alternative, H  1 ). L'hypothèse nulle
( H  0 ) a testé la signification des termes quadratiques et / ou d'interaction dans
frontière translog (sans restriction) modifiée. Le rejet de H  0 serait
réduire le modèle translog modifié à la spécification Cobb – Douglas.
La statistique de test (k) a une distribution av 2 ou v 2 mixte avec des degrés de
dom égal à la différence entre les paramètres impliqués dans H  0 et H  1 .
Les paramètres des deux modèles de frontière stochastique ont été estimés par
la méthode du maximum de vraisemblance dans STATA (StataCorp, 2007).
L'hypothèse nulle pour tester la signification du terme d'inefficacité dans le
modèles ci-dessus a été formulé comme: H 0 : r
2
u ¼0 contre l'hypothèse alternative
esis H A : r
2
u > 0. Le test est un test de rapport de vraisemblance généralisé unilatéral où
la statistique de test suit un mélange 50:50 du v
2
0 (masse ponctuelle à zéro) et v
2
1
distributions (Self & Liang, 1987 ; Gutierrez et al., 2001). Si l'hypothèse nulle
est vraie, on peut conclure qu’il n’existe pas d’inefficacité significative dans
la production et le modèle de frontière stochastique se réduit au modèle moyen
avec des erreurs normales.
Validation du modèle pour la prédiction
Les modèles développés ont été testés pour la validité de la prédiction avec des données
de quatre essais commerciaux de vérification d'élevage de poissons-chats. Ces essais ont utilisé
360
U. Bastola et al.
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 10
protocoles de gestion similaires à ceux des études utilisées pour construire le
des modèles. Le tableau 2 présente le résumé des données des quatre élevages de poisson-chat
utilisé pour tester la validité des équations estimées. Quatre méthodes ont été
utilisé pour la validation du modèle: 1) validation croisée avec ou sans interruption; 2) 10 fois
validation croisée; 3) prédiction avec des données d'exploitation commerciale; et 4) le Chow
Test (Chow, 1960). La méthode du laisser-aller consiste à calculer le
somme résiduelle prédite des carrés (PRESS) (Allen, 1971 ), également connue sous le nom
jackknifing. Le calcul de la statistique PRESS implique l'ajustement d'un modèle
en utilisant N-1 observations, et en utilisant la dernière observation pour pré-
dictant le modèle ajusté. Ce processus est répété pour toutes les observations N,
tenant chaque observation, une à la fois, et l'erreur de prédiction est calculée
à chaque étape. Les carrés de toutes les erreurs de prédiction se résument à
obtenir la statistique PRESSE. La méthode de validation croisée 10 fois implique également
le calcul de la statistique PRESSE par le même processus que celui décrit
ci-dessus, mais cette fois en omettant des groupes choisis au hasard de N / 10 observa-
une à la fois. La statistique PRESS moyenne est ensuite calculée par
sur toutes ces valeurs statistiques PRESSE et en divisant par le nombre total
de groupes. Les valeurs ajustées du carré R ont également été calculées à chaque tour
d'ajustement du modèle et donc les carrés R ajustés moyens ont été obtenus.
La statistique du test de Chow est donnée par:
F¼
ðA À B À CÞ / p
ðB þ CÞ / ðn þ m À 2pÞ
ð6Þ
qui est distribué comme F ( p, n þ m À2 p ) sous l'hypothèse nulle que les deux
les groupes d'observations appartiennent au même modèle de régression, où:
A ¼la somme des carrés de n þ m écarts de la variable dépendante de
la régression estimée par n þ m observations ( n þ m - p , degrés de
liberté);
B ¼la somme des carrés de n écarts de la variable dépendante de
la régression estimée par les n premières observations ( n - p , degrés de
liberté); et
TABLEAU 2 Résumé des données sur les exploitations commerciales utilisées pour valider les modèles
Obs
Reporter
poisson
En rupture
alevins
Culture
durée
(journées)
Protéine
(%)
Alimentation
stratégie
Signifier
poids à
récolte (g)
Densité
(kg / ha)
Taille
(g)
Densité
(tête / ha)
Taille
(g)
1
1130
362
14786
20
138
32
ED
951
2
1532
272
12829
40
190
32
ED
906
3
4483
362
14480
31
105
32
ED
951
4
4260
272
15088
31
126
32
ED
997
Modèle de production de silure
361
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 11
C ¼la somme des carrés des m écarts de la variable dépendante de la
régression estimée par les deuxièmes m observations ( m - p , degrés de
liberté).
La somme des carrés C disparaît tant que le nombre m de nouvelles observations
ne dépasse pas le nombre de paramètres p . Dans de tels cas, le test
la statistique devient:
F¼
ðA À BÞ / m
B / ðn À pÞ
ð7Þ
qui sera distribué comme F ( m, n À p ) sous l'hypothèse nulle que les deux
les groupes d'observations appartiennent au même modèle de régression.
Si le score F calculé est inférieur à la valeur critique de F pour le
degrés de liberté, alors il n’y a aucune preuve de changement structurel dans le
(Chow, 1960 ) et la nouvelle observation est déterminée comme appartenant à
le même modèle de régression, ce qui implique que le modèle est empiriquement
vérifié. Le test de Chow est particulièrement utile lorsqu'un très petit échantillon retesté
est disponible (Sobol, 1991).
RÉSULTATS
Sélection d'un modèle pour l'analyse fonctionnelle
Sélection de forme fonctionnelle dans la fonction de production moyenne
Le modèle translog modifié a démontré une valeur de R 2 ajustée plus élevée
(adj. R 2 ¼80%) que la fonction de production Cobb-Douglas (adj. R 2
¼ 71%) (tableau 3). Cela impliquait qu’une proportion substantielle des
TABLEAU 3 Estimations des critères de sélection du modèle le plus approprié de
Production de poisson de consommation en plusieurs lots
Critères
Cobb – Douglas
Translog modifié
Adj. R Carré
0,7059
0,8000
RMSEune
0,128
0,1063
AICb
À77.745
À101.936
BICc
À55.404
À72.892
une  erreur quadratique moyenne RMSE ¼ donnée par RMSE¼

ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
P
ðf ðxiÞÀyiÞ2
n

q
où,
f ( x  i ) est la valeur prédite de Y en utilisant la forme fonctionnelle donnée et y  i est le
valeur observée de la variable dépendante.
b  AIC ¼ Akaike Critères d'information donnés par AIC ¼À2ln ( L (h)) þ 2 K

où, L (h) est la valeur de vraisemblance maximisée et K est le nombre de

paramètres dans le modèle.
c  BIC ¼ Critères d'information bayésiens donnés par BIC ¼ À2ln ( L (h)) þ K * ln

( n ) où, n est le nombre d'observations dans le modèle.

362
U. Bastola et al.
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 12
variabilité de la taille moyenne de capture du poisson-chat de canal observée dans le
les ensembles de données étaient expliqués par les variables explicatives incluses dans les modèles.
Les valeurs de RMSE (0,106), AIC (-102) et BIC (-73) étaient plus faibles dans le modi-
modèle translog fied par rapport au modèle Cobb-Douglas. Le nul
hypothèse d'absence de signification conjointe des termes d'interaction dans le
le modèle translog a été fortement rejeté au niveau de signification de 1%
( F ¼10,25, p - valeur ¼0,000). Cela suggère que les termes d'interaction dans le
modèle translog modifié (mais non présent dans le modèle Cobb – Douglas)
ont contribué de façon importante à expliquer la variation de la moyenne
récolter le poids du poisson-chat poisson alimentaire dans une culture en lots multiples.
Les coefficients estimés de variables telles que la densité et la taille des
sur les poissons, la taille au repeuplement des alevins
la culture dans le modèle translog modifié était significative au niveau de 1%
(Tableau 4). De plus, il y avait des interactions significatives entre les stocks
Densité de poissons de report et taille au repeuplement des alevins en rupture de stock
(valeur p <0,05) ainsi qu'entre la taille en sous-stock et la longueur du
saison (valeur p <0,01). L'alimentation de 28% de protéines a
effet significativement négatif (valeur p <0,05) par rapport à l'alimentation 32%
alimentation en protéines. De même, une alimentation tous les deux jours ou tous les trois jours a été
trouvée
avoir un effet significativement négatif ( valeurs p <0,01) sur la récolte moyenne
poids du poisson-chat. Dans le modèle Cobb – Douglas, la plupart des estimations
coefficients appariés, sauf celui de la taille des alevins sous-stockés, 28% de protéines
l'alimentation, et tous les deux jours, étaient statistiquement insignifiants.
Les élasticités estimées de certaines variables de production sont présentées
dans le tableau 5 . Les élasticités estimées à partir du modèle translog modifié sont
plus élevées en valeurs absolues que celles du modèle Cobb – Douglas sauf
pour la taille insuffisante des alevins et la durée de la culture. Par exemple, un
TABLEAU 4 Estimations des paramètres (erreurs standard) à partir de différentes formes fonctionnelles de poisson alimentaire
Production en plusieurs lots ( N ¼ 69)
Paramètres
Cobb-Douglas
Translog modifié
Intercepter
0,724 (3,378)
86,266 ** (22,604)
Densité de transfert
0,038 (0,202)
1,531 ** (0,335)
Taille de report
0,447 (0,315)
1,590 ** (0,455)
Densité sous-stockée
À0,069 (0,061)
0,261 (0,276)
Taille sous-stockée
À 0,145 ** (0,032)
À28.453 ** (7.252)
Durée de la culture
0,867 (1,194)
À19,315 ** (5,003)
Densité de transfert  taille sous-stockée
n/a
À 0,258 ** (0,113)
Densité sous-stockée Taille sous-stockée
n/a
À0,105 (0,081)
Taille sous-stockée Durée de la culture
n/a
5,898 ** (1,339)
28% de protéines
À0,186 * (0,073)
À0,152 * (0,062)
36% de protéines
À0,034 (0,073)
0,000 (0,062)
Un jour sur deux
À0,125 * (0,058)
À 0,207 ** (0,050)
Tous les trois jours d'alimentation
À0,110 (0,079)
À0,238 ** (0,070)
** Niveau de signification de 1% et * 5%.
Modèle de production de silure
363
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016
 Page 13
Une augmentation de 1% de la taille des poissons caroubes augmenterait la taille de la récolte des poissons
d'environ 1,6% selon les estimations du modèle translog. Les signes de ces élasti-
les villes sont cohérentes dans les deux modèles pour toutes les variables. Bien que le
l'estimation de l'élasticité n'est statistiquement significative que pour les alevins en rupture de stock
taille dans le modèle Cobb-Douglas, celles pour la densité et la taille des poissons de report
et pour la taille des alevins sous-stockés sont statistiquement significatifs dans le
modèle translog modifié.
Globalement, les coefficients estimés du modèle translog modifié sont
plus cohérente avec la littérature antérieure que celles de Cobb – Douglas
modèle. Par exemple, le coefficient de la taille de report est insignifiant dans
le modèle Cobb – Douglas. Mais, plusieurs études antérieures ont constaté que
La plus grande taille du stock de report entraîne une augmentation du rendement brut du poisson-chat (voir
Bastola & Engle, 2012, pour un examen complet de cette question). Comme deux des
nos trois objectifs consistent à développer un modèle de prédiction plutôt que
quantifier les effets des variables individuelles, nous avons omis de poursuivre la discussion sur
les coefficients individuels et leurs élasticités.
Sélection de forme fonctionnelle dans le modèle de frontière stochastique
Une valeur de p très significative ( p ¼0,000) du test du rapport de vraisemblance (com-
puted v 2 ¼42.34, la valeur critique de v 2 à 3 df¼7.81) et des valeurs plus faibles de l' AIC
et BIC ont montré que le modèle translog modifié était plus approprié que
le modèle Cobb – Douglas. Les paramètres estimés dans ces deux modèles
els étaient assez proches des modèles de production moyens. Statistiquement, un
test du rapport de vraisemblance généralisé bilatéral pour la signification de l'inefficacité
les termes ont abouti à des valeurs de p (v calculé
2
01 ¼ 2,10; p ¼0.07 pour modifié
translog et v calculé
2
01 ¼ 0,25; p ¼0,31 pour le modèle Cobb – Douglas) indi-
indiquant que la production de poisson-chat en plusieurs lots réalisée dans ces études
était à des niveaux techniquement efficaces. Ainsi, les modèles de frontière se réduisent au
modèles de production moyenne. Ce résultat est attendu étant donné que les données
TABLEAU 5 Estimations d'élasticité (erreurs standard) de certaines variables de production pour le Cobb–-
Modèles Douglas et Translog modifiés
Variable
Modèle Cobb-Douglas
Modèle Translog modifié
Densité de transfert
0,038
0,684 *
(0,202)
(0.311)
Taille de report
0,447
1,590 **
(0,315)
(0.455)
Densité sous-stockée
À0.069
À0.084
(0,061)
(0,054)
Taille sous-stockée
À0.145 **
À0.084 *
(0,032)
(0,041)
Durée de la culture
0,867
0,071
(1.194)
(1.173)
** 1% et * 5%, niveau de signification. Les erreurs standard dans le modèle translog modifié sont calculées
en utilisant la méthode delta.
364
U. Bastola et al.
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016
 Page 14
des étangs expérimentaux. Parce que les résultats des modèles de frontière étaient
similaires à ceux des modèles de production moyenne, des résultats détaillés sur
les paramètres estimés, les valeurs des critères de sélection et la prévision des
dans le cas des modèles de frontière stochastique, les données agricoles sont omises pour
but de brièveté.
Sélection du modèle de prédiction
À l’aide de la méthode de validation croisée avec abandon, la statistique PRESS
le modèle translog modifié a été calculé à 1,023 par rapport à un
valeur de 1,314 dans le modèle Cobb – Douglas (tableau 6). Cependant, en utilisant le
Méthode de validation croisée 10 fois, la statistique PRESS moyenne était légèrement
plus élevé dans le modèle translog modifié (0,4822) que dans le modèle Cobb – Douglas
(0,444), suggérant un sur-ajustement. Prédiction des valeurs observées de
la variable dépendante en utilisant les données des exploitations commerciales
le modèle translog modifié a entraîné une prévision quadratique moyenne plus élevée
erreur (RMSFE) (326g) (Tableau 7). En revanche, le modèle Cobb – Douglas
a entraîné une valeur RMSFE comparativement plus faible (190 g).
Le test de Chow a utilisé 13 coefficients estimés ( p ), y compris les
cept dans le modèle translog modifié (tableau 4 ). Depuis le nombre de nouveaux
observations ( m ¼4) était inférieur au nombre de coefficients, la réduction
forme du test de Chow [Équation (7)] a été utilisée. La somme des carrés de rési-
duals du modèle translog modifié (A) avec les observations combinées
(mþ n ¼73) était de 0,845, et la somme des carrés de
les résidus (B) des observations originales ( n ¼69) étaient de 0,632. Il en est résulté
une valeur F de 4,754 et la statistique F critique de 5% (à m ¼4, n - p ¼56
df ) était de 2,54. Ainsi, l'hypothèse nulle selon laquelle les deux groupes d'observations
appartenait au même modèle de régression a été fortement rejetée. En d'autre
mots, le modèle translog modifié ne pouvait pas prédire efficacement la taille
de poissons à la récolte dans les exploitations commerciales. Avec le Cobb – Douglas
modèle, la valeur F était de 0,249, avec la statistique F critique de 5% (à p ¼10,
n - p ¼59 df ) de 2,53. D'où l'hypothèse que les observations de
les fermes commerciales de poisson-chat appartenaient au modèle de régression
rejeté, indiquant que le modèle de production Cobb-Douglas était un
TABLEAU 6 Résultats des analyses de validation croisée pour les deux différentes formes fonctionnelles
Méthode / critères de validation
Cobb-Douglas
Translog modifié
PRESSE sans rendez-vousune
1,314
1.023
Validation croisée 10 foisb
Moy. Adj. Carré R (écart type)
0,7048 (0,0219)
0,8011 (0,0224)
Moy. PRESSEa (écart type)
0,4440 (0,3608)
0,4822 (0,4154)
a  PRESS ¼ Somme résiduelle prédite des carrés donnée par PRESS¼

P n
i¼1

ðy i Ày i, Ài Þ 2 .
b  Les valeurs moyennes ont été calculées en additionnant les valeurs des critères dans chaque groupe de modèles estimés.

Modèle de production de silure

365
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 15
forme fonctionnelle appropriée pour prédire le poids de récolte du poisson-chat
pêcher dans des scénarios d'exploitation commerciale.
Le modèle Cobb-Douglas a ensuite été testé pour la validité du modèle classique
hypothèses de régression linéaire. Le test visuel de l’hypothèse de normalité
la parcelle d’estimation de la densité du noyau, représentait un haut degré de
avec la distribution normale (figure 1). Ce résultat a été soutenu
par le test de Shapiro – Wilk, qui a donné une valeur de p de 0,771, vérifiant la normale
distribution des résidus. Un graphique des valeurs résiduelles par rapport aux valeurs prédites
(Figure 2 ) décrit l'homogénéité de la variance des résidus normalisés
ce qui a été confirmé par une valeur élevée de la statistique de test White
(v 2 ¼30,18; p - valeur¼0,050).
TABLEAU 7 Erreurs de prédiction des observations des fermes commerciales de silure utilisant différentes
Formes fonctionnelles des modèles de production de poissons alimentaires à lots multiples
Observation
Nombre
Observé
Y (g)
Y (g) prévu
Erreur de prédictiona (g)
Cobb–
Douglas
Modifié
Translog
Cobb-
Douglas
Modifié
Translog
1
951
899
1215
52
À264
2
906
965
442
À59
464
3
951
702
871
249
80
4
997
721
632
276
365
RMSFE b
190
326
a  Erreur de prédiction ¼ Observé moins valeur prédite de la variable dépendante ( Y ) en utilisant la donnée

forme fonctionnelle.
b  RMSFE ¼ Erreur de prévision quadratique moyenne donnée par RMSFE¼

ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
P
ðPr ediction errorÞ
2
n

q
où, n est le
nombre d'observations utilisées dans la prédiction de Y .
FIGURE 1 Estimation de la densité du noyau des résidus provenant du modèle de production de poissons
Forme fonctionnelle Cobb – Douglas.
366
U. Bastola et al.
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 16
DISCUSSION
Le modèle translog modifié a obtenu des caractéristiques statistiques supérieures
tiques à celles du modèle Cobb-Douglas, mais il a mal fonctionné lorsque
utilisé pour prédire les observations des exploitations commerciales et n’a pas été
validé avec le test de Chow. Le modèle Cobb – Douglas a montré un affaiblissement
propriétés statistiques, mais a été validé avec le test de Chow et prédit
mieux que le modèle translog modifié.
L’inclusion de termes d’interaction dans le modèle translog a introduit la
des effets de proximité qui n'étaient pas présents dans le modèle Cobb-Douglas. Le Cobb-
Le modèle de Douglas a généré des estimations de coefficient stables qui ont conduit à une meilleure
résultats de prédiction.
La technique de validation croisée 10 fois [considérée comme plus fiable pour un
taille d'échantillon de plus de 50 observations (Hawkins, 2004)] suggéré que
la valeur plus élevée de R-ajustée deux erreurs et de prédiction plus élevé dans le modi-
le modèle translog fied peut être dû à un sur-ajustement. Depuis les modèles sur-équipés
sont plus sensibles aux changements de données, un sur-ajustement peut expliquer pourquoi le
modèle translog fied si peu performant dans la prédiction des poids moyens
sur les fermes commerciales.
Dans cette étude, les données des exploitations commerciales utilisées pour la validation étaient plus
variable que les données expérimentales utilisées pour ajuster le modèle. la pub
les données agricoles utilisées pour la prédiction comprenaient des valeurs de certaines variables
explicatives
qui étaient en dehors de la plage de valeurs des expériences d'étang de recherche
utilisé pour adapter le modèle. Cela a probablement contribué à de fortes erreurs de prédiction.
Cette étude est basée sur des données expérimentales qui devraient être
similaire aux données des fermes efficaces. Cependant, toutes les fermes commerciales
FIGURE 2 Diagramme de dispersion des résidus normalisés et des valeurs prévues résultant du lot multiple
modèle de production de poisson de consommation de forme fonctionnelle Cobb – Douglas.
Modèle de production de silure
367
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 17
peut ne pas être pleinement efficace car l'inefficacité vient des facteurs mentionnés
ci-dessus, comme la composition des intrants, la gestion et l'environnement de production
lui-même. Il n’est donc pas surprenant que le modèle ne prédit pas bien la
comportement de production des quatre observations d'étangs commerciaux. Bien que
nous avons validé la forme fonctionnelle Cobb – Douglas avec des données de
étangs et le modèle a fourni une meilleure prédiction, comme prévu, la
les valeurs dictées ne sont pas assez précises pour être utilisées par les «moyennes» (ou inefficaces)
Les agriculteurs. Étant donné la nature des données utilisées pour développer le modèle, le modèle
est plus approprié pour les fermes efficaces.
CONCLUSIONS
Cette étude représente une étape vers le développement de modèles utiles pour
améliorer la prise de décision de gestion dans les élevages de poisson-chat. Les modèles
développés présentaient de bonnes propriétés statistiques et étaient validés
données sur les exploitations commerciales. Cependant, les données sur les exploitations commerciales
étaient plus variables
que les données expérimentales. Ainsi, le statistiquement supérieur, mais sur-équipé
le modèle translog modifié a donné de mauvais résultats dans les tests pour prédire la récolte moyenne
poids du poisson-chat. Bien que le modèle Cobb-Douglas ait été validé statistiquement,
En fait, ses valeurs prévues n'étaient pas suffisamment précises pour être utilisées par tous les agriculteurs.
Les propriétés statistiques des modèles développés indiquent qu'il peut y avoir
être capable de développer des modèles sophistiqués qui peuvent prédire le poisson-chat
valeurs des paramètres de production sur une plus large gamme d'agriculture commerciale
situations. Des travaux supplémentaires sont nécessaires avec des jeux de données étendus qui incluent
données sur les exploitations commerciales.
REMERCIEMENTS
Les auteurs remercient Nathan Stone et Kehar Singh pour leur aide
commentaires et suggestions sur une version antérieure de ce manuscrit. Merci
sont également dus aux personnes qui ont effectué la production de poisson-chat
études qui ont généré les données utilisées dans cette analyse.
LES RÉFÉRENCES
Aigner, DJ, CAK Lovell et P. Schmidt (1977) Formulation et estimation de la frontière stochastique
modèles de fonction de production. Journal of Econometrics , 6 , 21–37.
Akaike, H. (1974) Un nouveau regard sur l'identification du modèle statistique. Transactions IEEE sur automatique
Contrôle , 19 (6), 716–723.
Allen, DM (1971) La somme de prédiction des carrés comme critère de sélection des variables prédictives . Université
of Kentucky, Department of Statistics, rapport technique n ° 23.
Arkansas Cooperative Extension Service (2013) Rice Seed Optimum Seeding Rate 2013 . Récupéré
de www.riceseed.uaex.edu
368
U. Bastola et al.
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 18
Asche, F. & R. Tveteras (1999) Modélisation du risque de production avec une procédure en deux étapes. Journal of Agri-
économie culturelle et des ressources , 24 , 424–439.
Bastola, U. & C. Engle (2012) Relations de production économiquement importantes dans le canal
production de poisson-chat (Ictalurus punctatus ). Reviews in Aquaculture , 4 (2), 94–107.
Bunting, SW, RH Bosma, PA van Zwieten, & AS Sidik (2013) Modélisation bioéconomique de
stratégies d'aquaculture de crevettes pour le delta de Mahakam, Indonésie. Économie de l'aquaculture et
Management , 17 (1), 51–70.
Chong, KC, MS Lizarondo, VF Holazo et IR Smith (1982) Apports liés à la production de chano
aux Philippines . Rapports techniques de l'ICLARM vol. 3. Bureau de l'agriculture
Économie, Quezon City, Fishery Industry Development Council, Quezon City et ICLARM,
Manille, Philippines.
Chow, GC (1960) Tests d'égalité entre des ensembles de coefficients dans deux régressions linéaires. Écono-
metrica , 28 , 591–605.
Coelli, TJ, DSP Rao et GE Battese (1998) An Introduction to Efficiency and Productivity Analysis .
Kluwer Academic Publishers, Boston, Massachusetts, États-Unis.
Coffen, SS & AT Charles (1991) Économie de la production de la conchyliculture en Atlantique
Canada: une analyse préliminaire. Aquaculture and Fisheries Management , 22 , 192-202.
Crawford, KW (1976) Une analyse économique de la production aquacole dans le centre-ouest de l'Alabama,
1973 - 74 . La thèse de master,. Auburn University, Auburn, Alabama, États-Unis.
Dey, MM, AE Eknath, LI Sifa, MG Hussain, TM Thien, N. Van Hao, S. Aypa et N. Pongthana
(2000) Performance et nature du tilapia d'élevage génétiquement amélioré: une
une analyse. Économie et gestion de l'aquaculture , 4 , 83–106.
Dey, MM, P. Kumar, FJ Paraguas, CO Li, MA Khan et N. Srichantuk (2010) Performance
et la nature des souches de carpes génétiquement améliorées dans les pays asiatiques. Économie de l'aquaculture
& Management , 14 , 3–29.
Dey, MM, FJ Paraguas, N. Srichantuk, Y. Xinhua, R. Bhatta et LTC Dung. (2005a) Technique
efficacité de la production de polyculture d'étangs d'eau douce dans certains pays d'Asie: estimation
et implications. Aquaculture Economics & Management 9 , 39–63.
Dey, MM, MA Rab, FJ Paraguas, R. Bhatta, MF Alam, S. Koeshendrajana et M. Ahmed
(2005b) Statut et économie de l'aquaculture en eau douce dans certains pays d'Asie.
Aquaculture Economics & Management , 9 , 11–37.
Engle, CR (2012) Budgets de production de poisson-chat de l'Arkansas . Extension coopérative de l'Arkansas
Service, Pine Bluff, Arkansas. Récupéré de www.uaex.edu/aqfi/extension/aquaculture/
économie.
Engle, CR, K. Ruebush, C. Leyva et J. Trimpey (2009) L'effet du niveau de protéines alimentaires sur
canaliser les caractéristiques de production du poisson-chat en se nourrissant d'autres jours en plusieurs lots
production. Journal nord-américain de l'aquaculture , 71 , 138-146.
Engle, CR & D. Valderrama (2001) Une analyse économique de la performance de trois tailles de
poisson-chat Ictalurus punctatus alevins en rupture de stock dans la production de lots multiples. Journal of
la World Aquaculture Society , 32 , 393–401.
Evenson, RE, RW Herdt et M. Hossain (1996) Recherche sur le riz en Asie: progrès et priorités . TAXI
International, Wallingford, Oxon, UK et International Rice Research Institute, Manille,
Les Philippines.
Fuss, M., D. McFadden et M. Yair (1978). Une étude des formes fonctionnelles dans l'analyse économique des
production. Dans: M. Fuss & D. McFadden (Eds.), Production Economics: A Dual Approach to Theory
et Applications , Volume 1, Chapitre II.1, (pp. 219-268). Compagnie d'édition North-Holland,
Amsterdam.
Green, BW & CR Engle (2004) Croissance du poisson-chat du canal de stockage à une grande taille de marché en
culture par lots. Journal de la World Aquaculture Society , 35 , 25–32.
Griffin, RG, JM Montgomery et EM Rister (1987) Sélection de la forme fonctionnelle en production
analyse de fonction. Western Journal of Agricultural Economics , 12 , 216-227.
Gutierrez, RG, SL Carter et DM Drukker (2001) sg160: Sur le rapport de vraisemblance de la valeur limite
tests. Bulletin technique Stata , vol. 60, p. 15-18. Stata Press, College Station, Texas.
Hawkins, DM (2004) Le problème du sur-ajustement. Journal d'information chimique et informatique
Sciences , 44 , 1–12.
Modèle de production de silure
369
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 19
Herdt, RW & AM Mandac (1981) Technologie moderne et efficacité économique des Philippines
riziculteurs. Développement économique et changement culturel , 29 , 375–398.
Hermansen, O. & A. Eide (2013) Bioéconomie de l'aquaculture basée sur la capture de morue ( Gadus
morhua ). Aquaculture Economics & Management , 17 (1), 31–50.
Hishamunda, N., CM Jolly, & CR Engle (1996) Estimation de la production d'Oreochromis nilotica
pour la pisciculture à petite échelle au Rwanda. Journal of Aquaculture in the Tropics , 11 , 49–57.
Karagiannis, G. & SD Katranidis (2000) Une analyse de la fonction de production du bar et de la dorade
production en Grèce. Journal de la World Aquaculture Society , 31 (3), 297–305.
Killcreas, WE (2003) Fishy 2003: Un programme informatique sensible à Windows pour les pro
décisions et rapports sur la gestion de la production . Version 4.0. Office des communications agricoles,
Division de l'agriculture, des forêts et des vétérinaires, Mississippi State University, Bulletin # 1120,
Starkville, Mississippi, États-Unis.
Ko, J., G. Piccini et E. Steglich (2009) Utilisation du modèle EPIC pour gérer le coton et le maïs irrigués.
Gestion de l'eau agricole 96 (9), 1323–1331.
Kumbhakar, SC et CA Lovell (2000) Stochastic Frontier Analysis . La presse de l'Universite de Cambridge,
Cambridge, Royaume-Uni.
Lacewell, RD, JP Nicholus et TH Jambers Jr. (1973) Une analyse du poisson-chat élevé en étang
production Texas. Southern Journal of Agricultural Economics , 5 , 141–145.
Larson, JA & HP Mapp (1997) Cultivateur de coton, décisions de plantation, d'irrigation et de récolte
sous risque. Journal of Agricultural and Resource Economics 22 (1), 157–173.
Lee, CS (1983) Production et commercialisation du chano à Taiwan: une analyse économique . ICLARM Tech-
Rapport technique 6, 41 p. Université nationale Chung Hsing, Taichung, Taïwan et international
Centre de gestion des ressources aquatiques vivantes, Manille, Philippines.
Li, MH, BB Manning, EH Robinson et BG Bosworth (2004) Effets des protéines alimentaires
concentration sur les caractéristiques de production du poisson-chat chenal élevé en étang nourri une fois par jour
ou une fois tous les deux jours à la satiété. Journal nord-américain de l'aquaculture , 66 , 184–190.
Li, MH, EH Robinson, DF Oberle et BG Bosworth (2006) Effets des protéines alimentaires
concentration et régime alimentaire sur le poisson-chat, Ictalurus punctatus, production.
Journal de la World Aquaculture Society , 37 (4), 370–377.
Losinger, W., S. Dasgupta, C. Engle et B. Wagner (2000) Interactions économiques entre l'alimentation
Taux et densités de peuplement dans la production intensive de poisson-chat Ictalurus punctatus. Journal du
Société mondiale d'aquaculture , 31 (4), 491–502.
Maddala, GS (1992) Introduction to Econometrics , 2e édition, Prentice Hall, NJ.
Nanninga, AS & CR Engle (2010) Effets de la fréquence d'alimentation sur un canal à lots multiples
poisson-chat, Ictalurus punctatus, production et coûts en cas de sous-approvisionnement avec de grands stockers.
Journal de la World Aquaculture Society , 41 (4), 594–602.
Nerrie, BL, UL Hatch, CR Engle et RO Smitherman (1990) L'économie de l'intensification
production de poisson-chat: une analyse de la fonction de production. Journal de la World Aquaculture Society , 21
(3), 216-224.
Self, SG & KY Liang (1987) Propriétés asymptotiques des estimateurs du maximum de vraisemblance et similaires
tests de ratio de fiabilité dans des conditions non standard. Journal de l'American Statistical Association ,
82 (398), 605–610.
Sobol, MG (1991) Stratégies de validation pour l'analyse de régression multiple: utilisation du coefficient de
détermination. Interfaces 21 , 106–120.
Southworth, BE, CR Engle et K. Ruebush (2009) L'effet de la densité de sous-stockage du canal
stockeurs de silure en plusieurs lots. Journal of Applied Aquaculture , 21 , 21-30.
Southworth, BE, CR Engle et N. Stone (2006b) Effet du poisson-chat à canaux multiples, Icta-
lurus punctatus , densité de charge et taux d'alimentation sur la qualité de l'eau, caractéristiques de production,
et les coûts. Journal de la World Aquaculture Society , 37 , 452–463.
Southworth, BE, N. Stone et CR Engle (2006a) Caractéristiques de production, qualité de l'eau,
et coûts de production du poisson-chat de canal Ictalurus punctatus à différentes densités de
production en un seul lot. Journal de la World Aquaculture Society , 37 , 21–31.
StataCorp (2007) Stata Statistical Software: Release 10 . StataCorp LP, College Station, Texas, États-Unis.
Thornley, JHM et J. France. 2007. Modèles mathématiques en agriculture . CABI, Cambridge,
Massachusetts, États-Unis.
370
U. Bastola et al.
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016

Page 20
Tucker, CS, JA Steeby, JE Waldrop et AB Garrard (1993) Caractéristiques de production
et performances économiques du poisson-chat à quatre canaux, Ictalurus punctatus ,
combinaisons de systèmes de culture de densité. Journal of Applied Aquaculture , 3 , 333–351.
Tveteras, R. (1999) Risque de production et croissance de la productivité: quelques résultats pour le norvégien
aquaculture du saumon. Journal of Productivity Analysis , 12 , 161-179.
Feuille de calcul du simulateur de flux de trésorerie UAPB (2010a) . Centre d'aquaculture / pêche - Extension. Université
de l'Arkansas à Pine Bluff, Pine Bluff, Arkansas, États-Unis.
UAPB (2010b) Simulateur de flux de trésorerie à capital limité . Centre d'aquaculture / pêche - Extension.
Université de l'Arkansas à Pine Bluff, Pine Bluff, Arkansas, États-Unis.
USDA-NAHMS (2010) Catfish 2010 Part II: Health and Production Practices for Foodsize Catfish in the
États-Unis, 2009, n ° 595 . USDA-APHIS-VS, CEAH, Fort Colllins, Colorado, États-Unis.
Modèle de production de silure
371
Téléchargé par [Agora Consortium] à 02:47 02 mars 2016