Vous êtes sur la page 1sur 14

Introduction

Economies d’échelle et effets d’apprentissage


Economies d’échelle
Chapitre 2 - Estimations de fonctions de production Existence de coûts fixes (bâtiments, main-d’oeuvre, machines, ...)
et fonctions de coûts Coût de production augmente moins rapidement que la production
d’où un coût marginal décroissant
⇒ Barrières à l’entrée qui protègent les premiers entrants
L3 économétrie - Modélisation et inférence statistique Effets d’apprentissage
Amélioration de la technique, de la gestion, ... au fur et à mesure de
l’accumulation d’expérience
Florence Goffette-Nagot
Coût de production diminue au cours du temps, même à niveau de
GATE
CNRS - Université Lyon 2 - ENS-LSH production inchangé
⇒ Intérêt de fixer un prix bas au départ pour produire davantage et
réduire plus rapidement les coûts
2008-2009
Implications importantes en termes d’économie industrielle et
d’économie publique : politiques de prix, structures de marché,
bien-être du consommateur, politiques publiques (ex : politique
protectionniste lors de l’émergence d’un secteur)
Modélisation et inférence statistique () Fonctions de production 2 / 53

Introduction Section 1 - Théorie du producteur : rappels 1.1. Fonctions de production et équilibre de la firme

Objectifs et plan du chapitre 1.1.1. Programme du producteur

Objectif : Examiner les différentes façon d’estimer les paramètres des Fonction de production
fonctions de production et fonction de coûts – Impacts des formes
fonctionnelles – Illustrer par des exemples de la littérature y = f (x1 , x2 , ..., xn ; A)
Plan du chapitre avec x1 , x2 , ..., xn les inputs et A l’état de la technologie.
Section 1 - Théorie du producteur : rappels
Différentes combinaisons d’inputs possibles ⇒ niveau d’output
1.1. Fonctions de production et équilibre de la firme
1.2. Fonctions de coûts Isoquantes : Ensembles des combinaisons donnant le même niveau
Section 2 - Estimations d’output
2.1. De fns de production y = f (x1 , x2 , ..., xn ) ≡ cste (1)
2.2. De courbes de coûts et de fonctions de coût
2.3. D’équations de demande de facteurs Différenciation totale donne la pente
2.4. Du taux de changement technique
dxj Pmk
Exemples ∀j, k ∈ [1, n]2 =− ≡ −TMSTjk (2)
Fonction de production et élasticité capital/travail, Arrow et al. 1961 dxk Pmj
Fonction de production dans le secteur électrique, Nerlove 1963
NB : La pente varie avec le niveau des inputs.

Modélisation et inférence statistique () Fonctions de production 3 / 53 Modélisation et inférence statistique () Fonctions de production 4 / 53
Section 1 - Théorie du producteur : rappels 1.1. Fonctions de production et équilibre de la firme Section 1 - Théorie du producteur : rappels 1.1. Fonctions de production et équilibre de la firme

1.1.1. Programme du producteur (2/3) 1.1.1. Programme du producteur (3/3)


Equilibre de la firme donné par la résolution du programme du
producteur.
Droites d’isocoût : Ensembles des combinaisons donnant le même Choix niveau de production et inputs par maximisation du profit
coût total n
X
n
X max π = py − w i xi
C= wj xj ≡ cste (3) y ,x1 ,...,xn
i=1
j=1
s.c. y = f (x1 , x2 , ..., xn ; A)
Différenciation totale donne la pente
Conditions du 1◦ ordre
dxj wj ∂f wj
=− (4) ∀j ∈ [1, n] ≡ Pmj =
dxk wk ∂xj p
Le niveau de la droite est donné par le coût total. ⇒ Taux marginal de susbstitution technique égal au ratio du prix des
inputs
∂f /∂xj wj
∀j, k ∈ [1, n]2 TMSTjk ≡ =
∂f /∂xk wk

Modélisation et inférence statistique () Fonctions de production 5 / 53 Modélisation et inférence statistique () Fonctions de production 6 / 53

Section 1 - Théorie du producteur : rappels 1.1. Fonctions de production et équilibre de la firme Section 1 - Théorie du producteur : rappels 1.1. Fonctions de production et équilibre de la firme

1.1.1. Programme du producteur - Représentation 1.1.2. Courbes de coût


graphique
Le chemin d’expansion correspond à la variation possible de tous les
inputs et définit la courbe de coût de long terme

C = C (y )

Courbe de coût moyen

CM(y ) = C (y )/y

Courbe de coût marginal

dC (y )
Cm(y ) =
dy

Modélisation et inférence statistique () Fonctions de production 7 / 53 Modélisation et inférence statistique () Fonctions de production 8 / 53
Section 1 - Théorie du producteur : rappels 1.1. Fonctions de production et équilibre de la firme Section 1 - Théorie du producteur : rappels 1.1. Fonctions de production et équilibre de la firme

1.1.2. Courbes de coût : représentation graphique 1.1.3. Equations de demande de facteurs


Zone de rendements croissants puis zone de rendements décroissants

Niveau d’output déterminé par l’égalisation du coût marginal au prix.


Combinaison de facteurs déterminée par l’égalité entre TMST et
rapport de prix des inputs.
⇒ Demande de facteur (demande dérivée de la demande d’output) :

xj = xj (w1 , w2 , ..., wn , p)

En maintenant fixe le prix des autres facteurs :

xj = Dj (w1 , .., wj , ..., wn , p)

avec MC (y ) le coût marginal et AC le coût moyen.


Modélisation et inférence statistique () Fonctions de production 9 / 53 Modélisation et inférence statistique () Fonctions de production 10 / 53

Section 1 - Théorie du producteur : rappels 1.1. Fonctions de production et équilibre de la firme Section 1 - Théorie du producteur : rappels 1.1. Fonctions de production et équilibre de la firme

1.1.3. Equations de demande de facteurs 1.1.4. Statique comparative

Quels effets de changement dans les prix des inputs et de l’output ?


En remplaçant dans la fonction de production :
Conditions de symétrie :
y = f [x1 (w1 , w2 , ..., wn , p), ..., xn (w1 , w2 , ..., wn , p), p]
∂xj ∂xk
= y (w1 , w2 , ..., wn , p) ∀(j, k) ∈ [1, n]2 =
∂wk ∂wj
Cette équation résulte des relations technologiques et du ∂xj ∂xj
comportement optimisateur du producteur. Facteurs substituts ssi ∂wk > 0 et compléments ssi ∂wk <0

Avec des prix de facteurs fixes, on a la fonction d’offre : On montre également :


∂xj ∂y
y = y (w1 , ..., wn , p) ∀j ∈ [1, n] =−
∂p ∂wj

Inputs vérifiant ∂xj /∂p = −∂y /∂wj < 0 sont dits inférieurs.

Modélisation et inférence statistique () Fonctions de production 11 / 53 Modélisation et inférence statistique () Fonctions de production 12 / 53
Section 1 - Théorie du producteur : rappels 1.2. Fonctions de coût Section 2 - Estimations

1.2. Fonctions de coût Section 2 - Estimations

Dualité : Maximisation du profit s.c. de coût


⇔ minimisation du coût s.c. d’output
n
X Sommaire
min C ≡ w i xi
x1 ,...,xn
i=1
2.1. Estimations de fonctions de production
s.c. y = f (x1 , x2 , ..., xn ; A)

Input optimal vérifie 2.2. Estimations de courbes de coûts et de fonctions de coûts


∂C
xj = 2.3. Estimations d’équations de demande de facteurs
∂wj
Courbe de coût correspond à la courbe de coût pour un vecteur de 2.4. Estimations du taux de progrès technique
prix des inputs fixe

C (y ) = C (w1 , ..., wn , y )

Modélisation et inférence statistique () Fonctions de production 13 / 53 Modélisation et inférence statistique () Fonctions de production 14 / 53

Section 2 - Estimations Section 2 - Estimations 2.1. Estimations de fonctions de production

2.1. Estimations de fonctions de production 2.1.1. Données nécessaires

Données de cross-section (échantillon d’entreprises) ou séries


Objectif : estimer la relation technologique entre inputs et niveau temporelles (données agrégées).
d’output. Output : valeur ajoutée par année (déflatée en série temporelle), ou
Sur données en coupe transversale (cross-section) : output total mesuré en unités physiques ou en valeur
Estimer les paramètres de la fonction de production pour comprendre Input : En principe services fournis par les inputs par unité de temps.
le fonctionnement des entreprises d’un secteur de production (ex : Dans la pratique travail mesuré par nb d’employés ou nb d’heures.
Nerlove sur l’existence de rendements croissants dans la production Utilité de distinguer travail qualifié / non qualifié
d’électricité) Difficultés de mesure du capital :
Sur données agrégées (séries temporelles) : Décomposition équipements de technicité différente / bâtiments
Variation de la production nationale en fonction de l’évolution Dépréciation au cours du temps
temporelle des inputs agrégés, en particulier en fonction du travail et Différence entre stock et service de capital
du capital (ex : Arrow et al.). Capacité utile du stock
Autres inputs : Matières premières, carburants, sol.

Modélisation et inférence statistique () Fonctions de production 15 / 53 Modélisation et inférence statistique () Fonctions de production 16 / 53
Section 2 - Estimations 2.1. Estimations de fonctions de production Section 2 - Estimations 2.1. Estimations de fonctions de production

2.1.2. Propriétés des fonctions de production (1/3) 2.1.2. Propriétés des fonctions de production (2/3)

1. les facteurs sont indispensables Notion de rendements d’échelle


Définition d’une fonction homogène de degré h :
f (0, K ) = f (L, 0) = 0
f (λL, λK ) = λh f (L, K ) ∀λ > 0 ∀(L, K )
2. les produits marginaux sont non négatifs
Définition des rendements d’échelle
∂f ∂f
≥ 0, ≥0
∂L ∂K si ∀ λ > 1, f (λL, λK ) = λf (L, K ) alors rdts d’échelle constants
3. Matrice hessienne des dérivées partielles du 2nd ordre de la si ∀ λ > 1, f (λL, λK ) > λf (L, K ) alors rdts d’échelle croissants
fonction de production semidéfinie négative, ce qui assure la courbure
si ∀ λ > 1, f (λL, λK ) < λf (L, K ) alors rdts d’échelle décroissants
appropriée des isoquantes.
! Rendements locaux = pour un point donné sur la fn de production
∂2f ∂2f ∂2f ∂2f ∂2f
≤ 0, ≤ 0, − ≥0 versus
∂L2 ∂K 2 ∂L2 ∂K 2 ∂K ∂L Rendements globaux = définis ∀(L, K )

Modélisation et inférence statistique () Fonctions de production 17 / 53 Modélisation et inférence statistique () Fonctions de production 18 / 53

Section 2 - Estimations 2.1. Estimations de fonctions de production Section 2 - Estimations 2.1. Estimations de fonctions de production

2.1.2. Propriétés des fonctions de production (3/3) 2.1.3. Fonction de production Cobb-Douglas
Notion de substituabilité des inputs
Elasticité de substitution
dln(K /L) dln(K /L) Définition
σ= = (5)
dln(PmL /PmK ) dln(TMSTLK ) y = ALα K β , α > 0, β>0
Changement du ratio entre les inputs relativement au changement Propriétés
dans le ratio des produits marginaux (taux marg de subst technique
∂y L ∂y K
pour des niveaux donnés des inputs). α= , β= , 0 < α < 1, 0 < β < 1, α+β ≤ 1
∂L y ∂K y
On peut remplacer le TMST par le ratio des prix :

dln(K /L) d(K /L)/(K /L) f (λL, λK ) = A(λL)α (λK )β = λ(α+β) ALα K β = λ(α+β) f (L, K )
σ= = (6)
dln(w /r ) d(w /r )/(w /r )

Mesure la vitesse de chgt du ratio des facteurs pour un chgt du ratio


des prix des inputs.
Elasticité + forte ⇔ courbure moins importante.
Modélisation et inférence statistique () Fonctions de production 19 / 53 Modélisation et inférence statistique () Fonctions de production 20 / 53
Section 2 - Estimations 2.1. Estimations de fonctions de production Section 2 - Estimations 2.1. Estimations de fonctions de production

2.1.3. Fonction de production Cobb-Douglas – Estimations 2.1.3. Fonction de production Cobb-Douglas – Estimations

Estimation de la fonction de production intensive

Estimation de la fonction de production Sous hypothèse de CPP et de maximisation du profit :

Linéarisation et ajout d’un terme d’errreur pour la firme i wLi rKi


α= , β=
pyi pyi
lnyi = a + αlnLi + βlnKi + ui
On a aussi pyi = wLi + rKi
Quelle hypothèse sur la fonction de production de chaque firme ? D’où α + β = 1 ⇔ rendements d’échelle constants.
Quelle conséquence pour le terme d’erreur ? On peut donc écrire :
(1−α)
La firme choisit simultanément y , L et K yi = ALαi Ki
⇒ trois problèmes potentiels pour utiliser les MCO
Que faire pour éliminer (ou réduire) les problèmes de multicolinéarité
et d’hétéroscédasticité ?
Quelle contrainte impose-t-on en procédant ainsi ?

Modélisation et inférence statistique () Fonctions de production 21 / 53 Modélisation et inférence statistique () Fonctions de production 22 / 53

Section 2 - Estimations 2.1. Estimations de fonctions de production Section 2 - Estimations 2.1. Estimations de fonctions de production

2.1.3. Fonction de production Cobb-Douglas – Estimations 2.1.4. Fonction de production CES

Définition
Estimation de la CPO portant sur la productivité du travail
y = A[δK −β + (1 − δ)L−β ]−1/β (7)
Sous hyp de CPP, de maximisation du profit et de rendements
constants : avec A : paramètre d’échelle, A > 0
yi 1 wi δ : paramètre de distribution, 0 < δ < 1
=
Li α pi β : paramètre de substitution, β ≥ −1
D’où une équation à estimer : Propriétés
yi wi Calcul de l’élasticité de substitution :
ln = λ + µ ln + ui
Li pi dln(K /L) 1
σ≡ = (8)
avec test pour µ = 1 dln(PmL /PmK ) 1+β

CES = constant elasticity of substitution


β ≥ −1 assure σ > 0

Modélisation et inférence statistique () Fonctions de production 23 / 53 Modélisation et inférence statistique () Fonctions de production 24 / 53
Section 2 - Estimations 2.1. Estimations de fonctions de production Section 2 - Estimations 2.1. Estimations de fonctions de production

2.1.4. Fonction de production CES 2.1.4. Fonction de production CES – Estimations


Cas particuliers Estimation de la CPO portant sur la productivité du travail
Substitution parfaite Sous hyp de CPP et de maximisation du profit :
β = −1 ⇒ y = A[δK + (1 − δ)L] et σ → ∞  (1+β)
Fonction de production ∂y y w
 input-output = A−β (1 − δ) =
∂L L p

β → ∞ ⇒ y = min La , Kb et σ → 0
Fonction Cobb-Douglas β → 0 ⇒ y → A0 K δ L(1−δ) et σ → 1 D’où la productivité du travail
1/(1+β)
y 1 w

=
L (1 − δ)A p
−β

On peut donc estimer (mais seul σ identifiable) :


yi wi 1 1
ln = a + σln + ui avec a = ln((1 − δ)A−β ) et σ =
Li pi 1+β 1+β
Ou inversement :
wi yi
ln = a′ + (1 + β)ln + vi
pi Li
Modélisation et inférence statistique () Fonctions de production 25 / 53 Modélisation et inférence statistique () Fonctions de production 26 / 53

Section 2 - Estimations 2.1. Estimations de fonctions de production Section 2 - Estimations 2.2. Estimations de courbes de coût et de fonctions de coût

2.1.4. Généralisations 2.2.1. Courbes de coût (1/3)

Fonction de production translog (généralisation de la Cobb-Douglas) Objectifs : Connaı̂tre la courbe de coût dans un secteur d’activité.
Données de cross-section pour les firmes de ce secteur avec output et
lny = a + α ln L + β ln K + γ ln L ln K + δ(lnL)2 + ǫ(lnK )2 coût total.
Equation d’une courbe de coût avec rendements locaux croissants et
décroissants :
Cobb-Douglas si γ = δ = ǫ = 0 C = a0 + a1 y + a2 y 2 + a3 y 3
Intérêt : flexibilité pour approximer des technologies de production Coût marginal associé :
ayant des élasticités de substitution a priori inconnues
Démonstration : Cm = a1 + 2a2 y + 3a3 y 2
∂y L ∂ ln y
= Pour avoir une courbe en U on doit avoir :
∂L y ∂ ln L
= α + γ ln K + 2δ ln L a0 ≥ 0, a1 > 0, a2 < 0, a3 > 0 a22 < 3a3 a1

Modélisation et inférence statistique () Fonctions de production 27 / 53 Modélisation et inférence statistique () Fonctions de production 28 / 53
Section 2 - Estimations 2.2. Estimations de courbes de coût et de fonctions de coût Section 2 - Estimations 2.2. Estimations de courbes de coût et de fonctions de coût

2.2.1. Courbes de coût (2/3) 2.2.1. Courbes de coût (3/3)

Comportement du terme d’erreur Cas de la fonction de production Cobb-Douglas


On peut supposer une erreur croissante avec la taille de la firme, par
exemple : C (w , r , y ) = A′ (w α r β y )1/(α+β)
Var (u) = Ky 2
Elasticité du coût au produit :
Il est alors souhaitable d’estimer une courbe de coût variable moyen.
Pourquoi ? y ∂C (y ) 1
=
Courbes de coût et économies d’échelle C (y ) ∂y α+β
Elasticité du coût au produit pour un niveau de prix des inputs et
outputs donné: Equation à estimer :
y ∂C (y )
γ = γ(y ) = α β 1
C (y ) ∂y lnCi = a′ + lnw + lnr + lnyi + ui
α+β α+β α+β
1 économies d’échelle locales ssi γ(y ) < 1 en y Si toutes les firmes font face au même vecteur de prix, alors on ne
2 rendements d’échelle locaux constants ssi γ(y ) = 1 en y peut identifier que α + β
3 déséconomies d’échelle locales ssi γ(y ) > 1 en y
Modélisation et inférence statistique () Fonctions de production 29 / 53 Modélisation et inférence statistique () Fonctions de production 30 / 53

Section 2 - Estimations 2.3. Equations de demande de facteurs 3. Exemples 3.1. Arrow et al. (1961)

2.3. Equations de demande de facteurs 3.1. Arrow et al. (1961) Capital-labor substitution and
economic efficiency
Forme générale

xj = xj (w1 , w2 , ..., wn , p) j = 1, 2, ..., n. Problématique : Quelle substituabilité entre capital et travail ?


Deux hypothèses concurrentes :
Approche d’équilibre partiel : on estime pour un des facteurs j, en Modèle Walras-Leontief : parts constantes de facteurs
considérant les autres prix comme fixes :
dln(K /L) d(K /L)/(K /L)
K /L = c ⇔ EK /L = = =0 (9)
xj = Dj (wj ) = xj (w1 , ..wj−1 , wj , wj+1 , ..., wn , p) dln(w /r ) d(w /r )/(w /r )

Formes fonctionnelles linéaires ou log-linéaires, par exemple : Fonction Cobb-Douglas : élasticité de substitution unitaire

ǫ dln(K /L) d(K /L)/(K /L)


xj = Awj j e uj EK /L = = =1 (10)
dln(w /r ) d(w /r )/(w /r )
avec uj le terme d’erreur multiplicatif. En linéarisant : Implications
ln xj = a + ǫj ln wj + uj Commerce international : impact sur le classement des intensités
factorielles dans les différents pays
avec ǫj l’élasticité-prix de la demande pour le facteur j. Rémunérations des facteurs : impact sur la part attribuée au travail
Modélisation et inférence statistique () Fonctions de production 31 / 53 Modélisation et inférence statistique () Fonctions de production 32 / 53
3. Exemples 3.1. Arrow et al. (1961) 3. Exemples 3.1. Arrow et al. (1961)

Problématique - suite Equation à estimer et données

Equation à estimer
Faits stylisés
Ratios capital/travail varient plus dans certains secteurs que dans yi wi
ln = a + σln + ui
d’autres. Li pi
Corrélation entre la productivité marginale du travail et le salaire.
Données
Objectif de l’article :
19 pays et 24 secteurs industriels
proposer une forme fonctionnelle sans restriction sur la valeur prise Salaire moyen variant de 3 841 (US) à 213 (Irak) $ /an (variabilité qui
par l’élasticité de substitution entre capital et travail et estimer la permet le test)
valeur de cette élasticité pour différents secteurs industriels. Ratio emploi annuel / valeur ajoutée
Capital et rendements du capital

Modélisation et inférence statistique () Fonctions de production 33 / 53 Modélisation et inférence statistique () Fonctions de production 34 / 53

3. Exemples 3.1. Arrow et al. (1961) 3. Exemples 3.1. Arrow et al. (1961)

Résultats Dérivation d’une fonction de production avec élasticité de


substitution non unitaire
Fonction CES
σ−1 σ−1 σ
y = A[δK σ + (1 − δ)L σ ] σ−1 (11)
avec A : paramètre d’échelle, A > 0
δ : paramètre de distribution, 0 < δ < 1
σ : élasticité de substitution, σ ≥ 1
Implications
Elasticité de substitution σ (Rappel : β = − σ−1
σ et σ =
1
1+β )
Productivité du travail
 σ
y −σ (1−σ) w
= (1 − δ) A
L p
D’où l’équation estimée
yi wi
ln = a + σ ln + ui avec a = −σ ln(1 − δ) + (1 − σ) ln A
Li pi
Modélisation et inférence statistique () Fonctions de production 35 / 53 Modélisation et inférence statistique () Fonctions de production 36 / 53
3. Exemples 3.1. Arrow et al. (1961) 3. Exemples 3.1. Arrow et al. (1961)

Tests des implications de la fonction CES Estimation du taux de changement technique


Tests sur l’élasticité de substitution (voir ci-dessus). Données sur la production non agricole US, 1909-1949.
Tests sur données temporelles : taux de changement technique Résultats
Hypothèse d’un changement technique uniforme, càd ne modifiant pas Estimations ponctuelles
le TMST pour chaque valeur de K/L â1 = 0, 431 et â2 = −0, 003
A partir de l’équation de productivité du travail on peut écrire :
⇒ σ̂ = 1 − â1 = 0, 569
wL
= (1 − δ)σ Aσ−1 p σ w 1−σ â2 −0, 003
y etλ̂ = = = 0, 007
σ̂ − 1 −0, 431
puis en supposant A(t) = A0 10λt = A0 expλt ln 10 Tests de H0 : Cobb-Douglas i.e. σ = 0
wL H0 : σ = 1 ⇒ (a1 , a2 ) = (0, 0)
ln = σ ln(1 − δ) + (σ − 1) ln A0 + (σ − 1)λt + σ ln p + (1 − σ) ln w
y R 2 = 0, 740 et F − test = 54, 07 (Valeur critique 3,23)
Tests de H0 : fonction input-output i.e. a1 = 1
Equation à estimer :
σ̂a1 = 0, 042 d’où rejet de H0
wt Lt Conclusion
ln = a0 + a1 ln wt + a2 λt + ut
yt
Comme en cross-section, on montre que 0 < σ < 1
avec a0 = σ ln(1 − δ) + (σ − 1)(ln A0 + ln 10) + σ ln p, Attention, que peut-on dire de la liaison entre w et le terme d’erreur de
a1 = 1 − σ et a2 = (σ − 1)λ l’équation ?
Modélisation et inférence statistique () Fonctions de production 37 / 53 Modélisation et inférence statistique () Fonctions de production 38 / 53

3. Exemples 3.1. Arrow et al. (1961) 3. Exemples 3.1. Arrow et al. (1961)

Test en données temporelles : Rémunérations factorielles Commentaire de Fuchs (1963)


et ratio capital-travail

Implication de la CES pour le ratio des rémunérations Hypothèse que les pays n’ont pas tous la même fonction de
factorielles production
  1−σ
wL 1−δ K σ
= (12) Nouvelle estimation :
rK δ L
yi wi
Croissance de la part factorielle du travail avec augmentation du ratio ln = a + σln + β ln Di + ui
Li pi
capital/travail.
Estimations avec Di = 10 ⇔ i ∈ Groupe I et Di = 1 ⇔ i ∈ Groupe II
wt Lt Kt
 
ln = α + β ln + ut (13) Que signifie un coefficient de ln Di significatif pour la droite de
rt Kt Lt régression ?
β̂ = −0, 095 ⇒ élasticité de substitution légèrement supérieure à 1.
σˆβ = 0, 098 donc pas de rejet de H0 : β > 0

Modélisation et inférence statistique () Fonctions de production 39 / 53 Modélisation et inférence statistique () Fonctions de production 40 / 53
3. Exemples 3.1. Arrow et al. (1961) 3. Exemples 3.1. Arrow et al. (1961)

Commentaire de Fuchs (1963) - Résultats Commentaire de Fuchs (1963) - Résultats

On ne peut rejeter H0 : σ = 1 mais l’ordonnée à l’origine diffère.

Coefficient estimé : ln(y /L) = ln a + σ ln w − 0, 135II ln 10 + ǫ


Comment interpréter β̂ = −0, 135 ?
Quelle autre estimation serait possible ?
Modélisation et inférence statistique () Fonctions de production 41 / 53 Modélisation et inférence statistique () Fonctions de production 42 / 53

3. Exemples 3.2. Nerlove (1963) 3. Exemples 3.2. Nerlove (1963)

3.2. Nerlove (1963) Returns to scale in electricity supply Problématique - suite

Faits stylisés
Problématique : Quels rendements d’échelle dans le secteur Secteur privé régulé
électrique ? Electricité non stockable ⇒ output déterminé par la demande
Hypothèse de rendements d’échelle croissants. Prix de vente régulé par la puissance publique
Contrats de long terme pour la fourniture de pétrole (prix de marché)
Implications
et salaires fixés par les syndicats
Implique un output non socialement optimal. D’où nécessité de ⇒ prix des inputs fixé indépendamment du fonctionnement du secteur
subventions aux entreprises ou discrimination en prix. Prix du capital fixé sur le marché en concurrence avec d’autres secteurs
Argument pour aide à l’investissement dans un secteur en croissance
Conséquences :
Objectif de l’article : Estimer les rendements d’échelle dans le Prix des facteurs et du produit statistiquement indépendants du niveau
secteur électrique. produit par la firme
Comportement de minimisation de coût pour un niveau donné d’output

Modélisation et inférence statistique () Fonctions de production 43 / 53 Modélisation et inférence statistique () Fonctions de production 44 / 53
3. Exemples 3.2. Nerlove (1963) 3. Exemples 3.2. Nerlove (1963)

Modèle économique et modèle économétrique Données


Fonction de production Cobb-Douglas
Q = Ax1α1 x2α2 x3α3 (14)
avec x1 le travail, x2 le capital et x3 le pétrole. Données de coupe transversale (cross-section)
A est un coefficient d’efficacité variable selon la firme : Ai pour 145 entreprises dans 44 états en 1955.
Soit r ≡ α1 + α2 + α3 Coût total par firme
Fonction de coût associée Prix des facteurs :
CT = r [(Aα1α1 α2α2 α3α3 )−1 Qp1α1 p2α2 p3α3 ]1/r (15) salaires (moyennes régionales)
prix du pétrole
Linéarisation et intégration de l’hétérogénéité coût d’utilisation du capital ((r + δ)pI avec r taux d’intérêt réel, δ taux
1 α1 α2 α3 de dépréciation du capital, pI prix du capital).
ln CTi = µi + Qi + ln pi1 + ln pi2 + ln pi3
r r r r Produit par firme.
On note µ ≡ E (µ) et ǫi ≡ µi − µ. Interprétation ?
Equation à estimer
ln CTi = β1 + β2 ln Qi + β3 ln pi1 + β4 ln pi2 + β5 ln pi3 + ǫi

Modélisation et inférence statistique () Fonctions de production 45 / 53 Modélisation et inférence statistique () Fonctions de production 46 / 53

3. Exemples 3.2. Nerlove (1963) 3. Exemples 3.2. Nerlove (1963)

Quelques précisions sur le modèle économétrique Test de l’homogénéité de la fonction de coût (1/3)

Respect des hypothèses nécessaires pour MCO


Equation linéaire Estimation du modèle non restreint
Multicolinéarité ?
Cov (ui , Xi ) = E (ui Xi ) = ? ln CTi = − 3, 5 + 0, 72 ln Qi + 0, 44 ln pi1 − 0, 22 ln pi2 + 0, 43 ln pi3
quid dans un secteur concurrentiel ? et dans ce secteur régulé ?
(1, 8) (0, 017) (0, 29) (0, 34) (0, 10)
Absence d’autocorrélation des erreurs ?
Homoscédasticité ?
R 2 = 0, 926, ¯ = 1, 72 SCE = 21, 552,
ln CT n = 145
Conditions sur les paramètres
Nombre de paramètres à estimer / nombre de paramètres du modèle Ecarts-types entre parenthèses.
économique Estimateur des rendements d’échelle ?
Modèle restreint :
Que penser du coefficient de ln pi2 ?
CTi
ln = β1′ + β2′ ln Qi + β3′ ln pi1 + β4′ ln pi2 + ǫ′i
pi3

Modélisation et inférence statistique () Fonctions de production 47 / 53 Modélisation et inférence statistique () Fonctions de production 48 / 53
3. Exemples 3.2. Nerlove (1963) 3. Exemples 3.2. Nerlove (1963)

Test de l’homogénéité de la fonction de coût (2/3) Table de Fischer


Estimation du modèle non restreint
ln CTi = − 3, 5 + 0, 72 ln Qi + 0, 44 ln pi1 − 0, 22 ln pi2 + 0, 43 ln pi3
(1, 8) (0, 017) (0, 29) (0, 34) (0, 10)

R 2 = 0, 926, ¯ = 1, 72
ln CT SCE = 21, 552, n = 145
Estimation du modèle restreint
CTi
ln = − 4, 7 + 0, 72 ln Qi + 0, 59 ln pi1 − 0, 007 ln pi2
pi3
(0, 88) (0, 017) (0, 20) (0, 19)

R 2 = 0, 932, ¯ = −1, 48
ln CT SCE = 21, 640, n = 145
F-test (H0 : Rβ − c = 0)
(SCER − SCEU )/c
F =
SCEU /(n − k)
Modélisation et inférence statistique () Fonctions de production 49 / 53 Modélisation et inférence statistique () Fonctions de production 50 / 53

3. Exemples 3.2. Nerlove (1963) 3. Exemples 3.2. Nerlove (1963)

Effet de taille des entreprises Test des rendements d’échelle constants

Estimation sur le coût moyen


Résultats du modèle restreint
CTi CTi
ln = β1 + (β2 − 1) ln Qi + β3 ln pi1 + β4 ln pi2 + β5 ln pi3 + ǫi ln = − 4, 7 + 0, 72 ln Qi + 0, 59 ln pi1 − 0, 007 ln pi2
Qi pi3
(0, 88) (0, 017) (0, 20) (0, 19)
CTi
ln = − 3, 5 + 0, 28 ln Qi + 0, 44 ln pi1 − 0, 22 ln pi2 + 0, 43 ln pi3
Qi
R 2 = 0, 932, ¯ = −1, 48 SCE = 21, 640,
ln CT n = 145
(1, 8) (0, 017) (0, 29) (0, 34) (0, 10)

¯ = −4, 83 H0 : rendements constants ⇔ β2 = 1


R 2 = 0, 695, ln CT SCE = 21, 552, n = 145 ˆ
T-test T = βσ̂2β−1
Comparaison des R 2 ? 2

Modélisation et inférence statistique () Fonctions de production 51 / 53 Modélisation et inférence statistique () Fonctions de production 52 / 53
3. Exemples 3.2. Nerlove (1963)

Diagnostic post-estimation
Graphique des résidus en fonction de l’output

Quelle conclusion concernant la forme fonctionnelle ?


Concernant les hypothèses des MCO ?
Modélisation et inférence statistique () Fonctions de production 53 / 53

Vous aimerez peut-être aussi