Redp 196 0945

FORMULATION ET ESTIMATION DES MODÈLES DE MESURE DE LA
PRODUCTIVITÉ TOTALE DES FACTEURS : UNE ÉTUDE SUR UN PANEL

D'ENTREPRISES TURQUES
Marion Dovis
Dalloz | « Revue d'économie politique »
2009/6 Vol. 119 | pages 945 à 982

ISSN 0373-2630
DOI 10.3917/redp.196.0945
Article disponible en ligne à l'adresse :
--------------------------------------------------------------------------------------------------------------------
https://www.cairn.info/revue-d-economie-politique-2009-6-page-945.htm
--------------------------------------------------------------------------------------------------------------------
Distribution électronique Cairn.info pour Dalloz.

© Dalloz. Tous droits réservés pour tous pays.
La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les
limites des conditions générales d'utilisation du site ou, le cas échéant, des conditions générales de la
licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie,
© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

sous quelque forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de
l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est précisé que son stockage
dans une base de données est également interdit.
Powered by TCPDF (www.tcpdf.org)

Formulation et estimation des modèles
• ARTICLES
de mesure de la productivité totale
des facteurs : une étude sur un panel
d’entreprises turques
Marion Dovis1
L’objet de cet article est de faire le point sur l’ensemble des méthodes de mesure de la
productivité totale des facteurs (PTF) au niveau de l’entreprise (méthode des indices,
analyse d’enveloppement des données, frontière stochastique, méthode semi-
paramétrique et méthode des moments généralisés). Nous étudions théoriquement
puis empiriquement, à l’aide d’un panel d’entreprises turques, l’ensemble de ces mé-
thodes afin de comparer leurs ressemblances et leurs dissimilitudes. Nos principaux
résultats indiquent que compte tenu de leurs spécificités ces méthodes ne mesurent
pas précisément les mêmes composantes contenues dans le concept de PTF. Ainsi, le
choix de la méthode adéquate semble dépendre, premièrement, de ce que l’on sou-
haite mesurer puis, deuxièmement, des caractéristiques des données disponibles telles
que l’erreur de mesure et l’hétérogénéité de la technologie.
productivité totale des facteurs - hétérogénéité - fonctions de production
Formulation and estimation of the total factor

productivity measurement models: a study on a panel
of Turkish firms

This work deals with the various methods of measuring total factor productivity (TFP) at
the firm level (index numbers, data envelopment analysis, stochastic frontier, semi-
parametric method and generalized method of moments). These methods are investi-
gated both from a theoretical and empirical viewpoint with a panel of Turkish firms in
order to highlight their similarities and dissimilarities. Our main results indicate that
these methods do not estimate precisely the same components included in the TFP
concept. Thus, the appropriate choice of the method appears to depend firstly on what
we want to identify and secondly on the characteristics of data such as measurement
errors and technology heterogeneity.
total factor productivity - heterogeneity - production functions
Classification JEL: D24, C13, C43.
1. E-mail : marion.dovis@euromed-management.com. L’auteur souhaiterait remercier les

deux rapporteurs anonymes pour leurs commentaires et leurs critiques très utiles. Des com-
mentaires pertinents ont aussi été donnés par Charles Lai Tong et Patricia Augier.
Euromed Management & DEFI (Université Aix-Marseille II)
REP 119 (6) novembre-décembre 2009

946 — Formulation et estimation des modèles de mesure de productivité
1. Introduction
La productivité d’une firme est représentée par le rapport entre sa produc-

tion et le(s) facteur(s) de production employé(s). Lorsque tous les facteurs de
production sont pris en compte, il s’agit de la productivité totale des facteurs
(PTF). La mesure de la PTF résume deux notions principales : la première est
le changement technologique (ou le progrès technique) et la seconde est
l’efficience.
Le changement technologique peut être défini comme l’ensemble des
innovations qui entraîne une transformation des moyens, des méthodes de
production et de l’organisation du travail. Un changement technologique
intervenant entre la période 0 et 1 se traduit par un déplacement de la
fonction de production. Ainsi, en période 1, toutes les firmes vont produire
plus de biens pour chaque niveau d’input relativement à la période 0. Ce
progrès technique peut être, soit non incorporé (ou autonome), c’est-à-dire
qu’il s’applique à l’ensemble de l’appareil productif, soit incorporé lorsqu’il
s’applique seulement à une certaine partie des inputs.
L’efficience d’une firme peut être, quant à elle, décomposée en trois élé-
ments [Farell, 1957, Coelli, Prasada Rao et Battese, 1998]. On distingue
d’abord l’efficience technique qui est l’aptitude d’une entreprise (compte
tenu d’un niveau technologique fixé) à obtenir une production maximale à
partir d’un ensemble de facteurs donnés ou, à l’inverse, à utiliser le moins
possible de facteurs de production pour un niveau de production donné.
Ensuite, une entreprise pleinement efficiente techniquement peut encore
accroître son niveau de productivité par l’exploitation de ses économies
d’échelle. C’est ce que l’on désigne lorsqu’on fait référence à l’efficience
technique à rendements d’échelle variables. Enfin, la troisième composante
est l’efficience allocative qui renvoie à la capacité d’une entreprise à utiliser

les facteurs de production dans des proportions optimales compte tenu de
leur prix. Cette dernière composante ne sera pas analysée dans ce papier.
D’une façon générale, l’efficience d’une entreprise est toujours définie
relativement à un point de référence, lequel peut être un optimum ou une
moyenne. Ce choix du point de référence doit être précisé car il n’est pas
sans conséquences sur la compréhension et l’interprétation des mesures
obtenues.
De nombreuses méthodes de mesure de la PTF ont été développées au
cours de ces dernières décennies. Ces diverses méthodes de mesure peu-
vent être classées en deux groupes, selon que nous les utilisions de manière
paramétrique ou non. Dans cette contribution, nous comparons deux mé-
thodes non-paramétriques : celle des indices et celle de l’analyse d’envelop-
pement des données (Data Envelopment Analysis, DEA). Les méthodes que
nous pouvons estimer de manière paramétrique se regroupent en trois caté-
gories, la méthode dite de l’analyse de la frontière stochastique, la méthode
semi-paramétrique et la méthode des moments généralisés. La plupart des
études empiriques utilise une seule de ces méthodes pour calculer la
productivité des entreprises sans en expliquer le choix. Or, la diversité de
Marion Dovis ———————————————————————————————————————————————————————— 947
ces méthodes, tant dans leur mode de calcul que dans leurs hypothèses,
laisse à penser que chacune d’elles est plus ou moins appropriée selon les
cas d’études envisagés.
Parvenir à isoler les différentes composantes du concept de productivité
peut contribuer à mieux définir le contenu des actions publiques en faveur
du secteur productif. Une telle analyse peut en effet apporter des éléments
de réponse aux questions qui suivent. Les pouvoirs publics doivent-ils me-
ner des politiques d’incitations qui poussent les entreprises à acquérir de
nouvelles technologies et/ou à investir dans la recherche et développement,
doivent-ils plutôt adopter des politiques qui favorisent l’accroissement de la
taille des entreprises ou encore, doivent-ils viser plus particulièrement la
qualification de la main d’œuvre par des encouragements fiscaux ?
Ce papier étudie précisément l’ensemble des méthodes de mesure de la
PTF, d’un point de vue théorique mais aussi d’un point de vue empirique en
appliquant chacune d’elles à une même base de données d’entreprises tur-
ques. Notre objectif ici est de comprendre ce que ces mesures fournissent
comme informations pour évaluer l’évolution de la PTF, si chaque méthode
est capable d’identifier les mêmes composantes et si elles engendrent des
estimations identiques. Van Biesebroeck [2007, 2008] a déjà procédé à une
estimation des différentes méthodes de mesure de la PTF à partir d’un
échantillon de données simulées, dans une première étude, puis d’un échan-
tillon réduit à un seul secteur pour le cas de la Colombie (1957 firmes du
secteur du textile entre 1977 et 1991) et à plusieurs secteurs mais sur seule-
ment trois années et très peu de firmes pour le cas du Zimbabwe (200 firmes
des secteurs du textile, de l’alimentation, du bois et du métal entre 1993 et
1995) dans une seconde étude. Nous allons donc étendre l’analyse à un
panel d’entreprises plus large couvrant 7 secteurs. De plus, nous introdui-
sons la méthode semi-paramétrique de Levinsohn et Petrin [2003] qui n’a
encore jamais donné lieu à des comparaisons avec les autres méthodes.
Cette méthode considère alternativement l’électricité, le fuel et les matériaux

comme des variables capables de contrôler la partie du terme d’erreur qui
est corrélée avec les facteurs de production en éliminant les variations qui
peuvent être rattachées au terme de productivité.
Le contenu du papier est structuré de la façon suivante. Nous rappelons
dans la section 2 l’ensemble des modèles de mesure de la PTF au niveau de
l’entreprise. La section 3 présente une application réalisée sur un panel de
plus de 5800 entreprises turques2. Les résultats obtenus sont comparés dans
la section 4. Ainsi, l’analyse théorique nous conduit à mettre en évidence les
spécificités de ces mesures qui tiennent en partie au fait que les méthodes
ne mesurent pas toutes la même composante contenue dans la PTF. L’esti-
mation des différentes mesures de productivité et la comparaison de ces
résultats mettent en évidence et, surtout, confirment, les disparités qui peu-
vent exister entre ces mesures.
2. La difficulté de l’obtention de ce type de données ne permet pas l’étude sur plusieurs

échantillons. Cependant, nous considérons que l’utilisation de ce seul échantillon est suffi-
sante pour indiquer la sensibilité que peut avoir une base de données aux différentes mé-
thodes.

2. Les méthodes de mesure

de la productivité totale des facteurs
2.1. Les méthodes non paramétriques

Les méthodes non paramétriques sont des méthodes qui ne nécessitent
pas d’estimation de la fonction de production. Il existe les méthodes d’indi-
ces et l’analyse d’enveloppement des données.
2.1.1. La méthode des indices
La méthode des indices est issue directement de l’approche de la compta-

bilité de la croissance. Même si les techniques utilisées peuvent différer,
elles ont en commun le fait de décrire la productivité comme le rapport des
outputs sur les inputs3. Il existe de nombreux indices, mais nous ne déve-
lopperons ici que les plus communément utilisés, à savoir les indices de
Laspeyres, Paasche, Fisher et Törnqvist.
Les propriétés de ces indices « traditionnels » reposent, dans la plupart
des cas, sur deux hypothèses importantes quant au comportement des
entreprises et à leur technologie : les entreprises sont économiquement effi-
cientes (efficience technique et efficience allocative) et les technologies don-
nent lieu à des rendements d’échelle constants. Dans des spécifications plus
complexes ces hypothèses peuvent être relâchées4, mais nous ne retien-
drons ici que les formes les plus traditionnelles. Dans la majorité des pro-
cessus de production, il y a plusieurs produits et plusieurs facteurs de pro-

duction, ce qui nécessite de les agréger. Soient wkt et xkt le prix et la quantité
du facteur k respectivement 共 k = 1, 2, ..., K 兲 au temps t 共 t = 0, 1 兲, et pmt et ymt
le prix et la quantité du bien m 共 m = 1, 2, ..., M 兲 au temps t 共 t = 0, 1 兲. Les
indices de quantité d’outputs de Paasche, Laspeyres, Fisher et Törnqvist
sont les suivants :
M M
Indice de Laspeyres : Q =
L
兺
m=1
pm0 ym1 / 兺p
m=1
m0 ym0 [1]
M M
Indice de Paasche : Q =
P
兺
m=1
pm1 ym1 /
m=1
兺p m1 ym0 [2]
3. Ce rapport peut avoir une justification différente, décrire le rapport d’indices agrégés ou
être fondé sur un modèle de comportement comme la minimisation des coûts ou la maxi-
misation du profit.
4. Il est possible de ne pas retenir l’hypothèse d’efficience économique (voir par exemple
Balk [2007]) et pour certains indices on peut introduire des rendements d’échelle décrois-
sants en ajoutant un input fixe artificiel, égal à un à chaque période, et dont le prix à la
période t est égal aux profits de la période t.

Marion Dovis ———————————————————————————————————————————————————————— 949
Indice de Fischer : Q = 公Q × Q
F L P
[3]
Indice de Tornqvist : lnQ =

T
共 12 兲兺
M
m=1
冤冢兺冣冢兺冣冥 M
pm0 ym0
pm0 ym0
+ M
pm1 ym1
pm1 ym1
ln 冉冊
ym1
ym0
[4]
m=1 m=1
Une fois les indices de quantité d’outputs définis, les indices de quantité
d’inputs, notés Q *, sont :
K K
Q
*L
= 兺
k=1
wk0 xk1 /
k=1
兺w k0 xk0 [5]
K K
Q
*P
= 兺w
k=1
k1 xk1 /
k=1
兺w k1 xk0 [6]
= 公Q ×Q
*F *L *P
Q [7]
lnQ
*T
=
K
共 21 兲兺
k=1
冤冢兺冣冢兺冣冥
wk0 xk0
K
wk0 xk0
+ K
wk1 xk1
wk1 xk1
ln 冉冊
xk1
xk0
[8]
k=1 k=1
Enfin, pour obtenir un indice de croissance de la PTF dans un cadre

d’inputs et d’outputs multiples, permettant de mesurer le changement dans
la production totale relativement au changement dans l’utilisation des fac-
teurs, il suffit de calculer le rapport suivant5 :

Q
PTF = *
[9]
Q
Le calcul s’effectue entreprise par entreprise, une amélioration de l’indice
de la PTF ne sera due qu’à du progrès technique étant donné que cette
méthode fait l’hypothèse d’une pleine efficience technique et allocative des
entreprises.
Caves, Christensen et Diewert [1982] ont étendu par la suite la relation de
base, initiée par Solow [1957], permettant de ce fait un changement techno-
logique qui n’est pas neutre au sens de Hicks et des rendements d’échelle
variables. Ils partent de l’indice de productivité de Malmquist et représentent
la technologie par des fonctions de distance d’input ou d’output. Un indice
de Malmquist a deux orientations possibles. La première est l’orientation
output, qui mesure le changement de productivité afin de connaître la pro-
portion d’outputs supplémentaires qui peut être produite, en utilisant le
niveau donné d’inputs et l’état de la technologie à cet instant, relativement à
5. Les indices d’inputs et d’outputs sont calculés selon les formules données plus haut.

ce qui peut être produit sous une technologie de référence. La seconde est
l’orientation input, où il s’agit de mesurer le changement de productivité en
examinant la réduction possible des inputs utilisés avec un niveau d’outputs
et une technologie donnés. Nous ne présenterons ici que l’orientation out-
put.
Pour définir une fonction de distance output, nous commençons par dé-
crire la production technologique d’une entreprise à l’aide de l’ensemble des
possibilités de production, P 共 x 兲, qui représente l’ensemble de tous les vec-
teurs d’outputs, y ∈ R M + , qui peuvent être produits en utilisant le vecteur
d’inputs, x ∈ R K+ , compte tenu d’un certain niveau technologique, soit :
P 共 x 兲 = 兵 y ∈ R + : x peut produire y 其
M
[10]
Ainsi, la fonction de distance d’output, notée dO, est définie comme :
dO 共 x, y 兲 = min 兵 d : 共 y/d 兲 ∈ P 共 x 兲其 [11]
Elle6 définit la distance entre un vecteur d’inputs donné, x, et un vecteur

d’outputs, y, comme la valeur minimale d’un scalaire d tel que y/d reste
réalisable. Cette fonction prendra une valeur inférieure à 1 si le vecteur
d’outputs y est un élément de l’ensemble de production réalisable P 共 x 兲, une
valeur égale à 1 si y est localisé sur la frontière et une valeur supérieure à 1
si y est localisé hors de l’ensemble. Färe, Grosskopf, Norris et Zhang [1994]
spécifient ainsi un indice de changement de productivité de Malmquist à
orientation output comme la moyenne géométrique des deux types d’indice
de Malmquist de Caves, Christensen et Diewert [1982], en introduisant la
possibilité d’inefficience technique, autrement dit quand d Ot 共 yt, xt 兲 ≤ 1 et
t+1
d O 共 yt + 1, xt + 1 兲 ≤ 1. Ainsi :
冋册
1
t t+1
d O 共 yt + 1, xt + 1 兲 d O 共 yt + 1, xt + 1 兲 2

mO 共 yt, xt, yt + 1, xt + 1 兲 = t
× t+1
[12]
d O 共 yt, xt 兲 d O 共 yt, xt 兲
Nous pouvons développer cet indice de manière à isoler un terme d’effi-

cience technique :
t+1
d O 共 yt + 1, xt + 1 兲
mO 共 yt, xt, yt + 1, xt + 1 兲 = t Effıcience technique ×
d O 共 yt, xt 兲
冋册
1
t t
d O 共 yt + 1, xt + 1 兲 d O 共 yt, xt 兲 2
t+1
× t+1 Changement technique [13]
d O 共 yt + 1, xt + 1 兲 d O 共 yt, xt 兲
Le premier terme revient à comparer la position de la firme en t + 1 avec sa

position en t, ce qui représente alors l’efficience technique de l’entreprise
6. La fonction de distance, dO 共 x, y 兲, est non décroissante, positivement et linéairement

homogène, convexe en y et décroissante en x.

Marion Dovis ———————————————————————————————————————————————————————— 951
entre ces deux périodes. Le second terme compare la position de l’entre-

prise lorsqu’elle change de technologie entre les périodes t et t + 1, ce qui
revient à calculer l’évolution de la technologie. Une valeur de cet indice
supérieure (inférieure) à 1 indique une croissance positive (négative) de la
PTF.
Färe et alii. [1994] ont, par la suite, proposé une décomposition permettant
de mesurer l’efficience d’échelle. Ils réutilisent le terme d’efficience tech-
nique, qui représente le rapport de deux fonctions de distance à rendements
d’échelle constants, et le décomposent en un terme de changement d’effi-
cience technique pure, mesuré relativement à la frontière en supposant des
rendements d’échelle variables 共 ETREV 兲 et un terme de changement d’effi-
cience d’échelle 共 EE 兲 :
t+1
d O, REV 共 yt + 1, xt + 1 兲
ETREV = t
[14]
d O, REV 共 yt, xt 兲
EE = 冋 t+1
t+1
t+1
d O, REV 共 yt + 1, xt + 1 兲/d O, REC 共 yt + 1, xt + 1 兲
t+1
d O, REV 共 yt, xt 兲/d O, REC 共 yt, xt 兲
×
t
t
d O, REV 共 yt + 1, xt + 1 兲/d O, REC 共 yt + 1, xt + 1 兲
t
d O, REV 共 yt, xt 兲/d O, REC 共 yt, xt 兲
册 [15]
Ici, le choix entre une hypothèse de rendements d’échelle constants, une

hypothèse de rendements d’échelle variables, une orientation input ou une
orientation output n’importe pas, s’il s’agit uniquement de l’indice de
productivité de Malmquist. C’est seulement dans la décomposition de
celui-ci que les hypothèses sur les rendements d’échelle et sur l’orientation
modifient les résultats.
L’avantage des indices traditionnels (Fisher et Törnqvist) et de l’indice de
productivité de Malmquist pour mesurer la PTF réside dans le peu de don-

nées nécessaires. En effet, nous pouvons calculer des indices avec unique-
ment deux observations. D’autres avantages peuvent être cités, comme la
spécification très flexible de la technologie et la possibilité de traiter ensem-
ble plusieurs inputs et outputs. Néanmoins, la principale limite de cette
approche est que ni l’erreur de mesure ni les points aberrants ne sont pris
en compte dans l’estimation, les mesures y sont donc très sensibles.
D’autres limites peuvent aussi apparaître dans le cas des indices tradition-
nels avec hypothèse de pleine efficience. Si cette dernière n’est pas vérifiée,
la mesure du changement technologique peut être confondue avec des
changements dans l’efficience technique et l’efficience allocative.
2.1.2. L’analyse d’enveloppement des données
La deuxième méthode non paramétrique est celle de l’analyse d’envelop-

pement des données (DEA) qui utilise la programmation linéaire. Il s’agit, à
l’intérieur d’un ensemble comparable de firmes, d’identifier celles qui mani-
festent les meilleures pratiques et qui formeront alors une frontière d’effi-
cience. Ainsi, la frontière est définie par les firmes les plus performantes de
l’échantillon et enveloppe les autres observations. Une fois la frontière en
fragments construite à partir des données sur les unités de production, les
mesures d’efficience seront calculées relativement à celle-ci.
Plus précisément, l’idée est la suivante : si un producteur V est capable de
produire yV avec xV, alors d’autres producteurs sont aussi capables de faire la
même chose s’ils sont efficients. Ainsi, le producteur V et les autres peuvent
être combinés pour former ce que nous pouvons appeler un producteur
virtuel avec des inputs et des outputs composites. Le cœur de l’analyse
revient à trouver le meilleur producteur virtuel pour chaque producteur réel.
Nous pouvons illustrer cette approche avec un bien unique et un seul fac-
teur de production à l’aide d’un graphique. Ce que nous avons appelé le
producteur virtuel sera représenté par la frontière de production 0K sous
rendements d’échelle constants et par la frontière de production ABCDE
sous rendements d’échelle variables. Les firmes pleinement efficientes sont
alors localisées sur la frontière et les autres, à droite de la frontière.
REC
Production
K
D E
REV
C J
H . I
Inputs

0 A L
Source : Banker, Charnes et Cooper (1984)
Considérons une entreprise se situant au point I, avec une production H et

une quantité d’inputs L. Avec des rendements d’échelle variables notés REV,
l’efficience de la production 共 TE OREV 兲 est définie par :
LI
TE O =
REV
LJ
En considérant des rendements d’échelle constants, notés REC, l’efficience
technique s’écrit :
LI
=
REC
TE O
LK
Ces mesures sont bornées entre 0 et 1. De cette manière, la mesure d’ef-
ficience technique en rendements d’échelle constants peut être décomposée
Marion Dovis ———————————————————————————————————————————————————————— 953
en efficience technique pure (c’est-à-dire en rendements d’échelle variables)

et en efficience d’échelle 共 SE 兲 :
= TE × SE
REC REV
TE
LJ
L’efficience d’échelle à orientation output est de la forme : SEO =
LK
Le terme d’analyse d’enveloppement des données a été introduit pour la
première fois par Charnes, Cooper et Rhodes [1978] dans un modèle à
orientation input et à rendements d’échelle constants. Depuis, de nom-
breuses extensions ont été apportées, comme celle de Banker, Charnes et
Cooper [1984] qui introduisent l’hypothèse de rendements d’échelle varia-
bles. Ici, nous ne présenterons que le problème de programmation linéaire à
orientation output. Le modèle de base est le suivant : la variable ymi repré-
sente la quantité de biens m 共 m = 1, 2, ..., M 兲 produite par la firme i et xki la
quantité d’inputs k 共 k = 1, 2, ..., K 兲 utilisée par cette même firme i. Le pro-
blème de programmation linéaire est donc le suivant :
max u0, [16]

u0, k
N
s.c. − u0 ym0 + 兺k y
i=1
i mi ≥ 0, m = 1, ..., M
N
xk0 − 兺k x
i=1
i ki ≥ 0, k = 1, ..., K
兺k =1
i=1
i
ki ≥ 0

où ki est la part du producteur i dans l’échantillon utilisée pour construire le
producteur virtuel et u0 − 1 (avec 1 ≤ u < ∞) représente l’augmentation en out-
put qui peut être obtenue par la firme 0 avec des quantités d’inputs cons-
tantes, 1/u0 définit ainsi l’efficience technique7 de la firme 0. Les contraintes
représentent la définition de la surface technologique correspondant à la
firme 0. Ainsi, le niveau des outputs de la firme 0 doit être inférieur ou égal
à la combinaison linéaire observée pour les outputs et le niveau de ses
inputs doit être supérieur ou égal à la combinaison linéaire observée pour
les inputs. Le vecteur d’output de la firme 0 est alors ajusté au facteur u0
N
(l’inverse de l’efficience), et ainsi comparé au point de référence, 兺 ki ymi,
i=1
sur la frontière. Jusqu’à présent, l’efficience des firmes est uniquement obte-
7. Pour tenir compte de rendements d’échelle variables, il suffit d’inclure la contrainte de

convexité suivante : Ri ki = 1. Cette contrainte assure le fait qu’une firme inefficace ne peut
être comparée qu’à des firmes opérant sur des échelles similaires. Lorsque nous souhaitons
imposer des rendements d’échelle décroissants, la restriction devient Ri ki ≤ 1, et pour des
rendements croissants Ri ki ≥ 1.

nue pour la période courante, l’efficience à travers le temps n’étant pas

traitée.
Comme nous l’avons vu, une approche dynamique est utilisée par Färe et
alii. [1994], qui estiment l’indice de productivité de Malmquist en décompo-
sant la croissance de la productivité en changement de l’efficience technique
d’une part, et en changement technologique d’autre part. L’indice de produc-
tivité et ses composantes sont tous calculés à partir des fonctions de dis-
tance (cf. équation 11). Or les résultats des problèmes de programmation
linéaire (comme par exemple (16)) ont tous pour réciproque une fonction de
distance. Ainsi, s’il y a quatre fonctions de distance à évaluer, cela revient à
résoudre quatre problèmes de programmation linéaire pour chaque firme i.
Avec une technologie à rendements d’échelle constants cela devient :
t+1 −1
关 d O 共 y0t + 1, x0t + 1 兲兴 = max u0, [17]
u0, k
N
s.c. − u0 ym0t + 1 + 兺k
i=1
it + 1 ymit + 1 ≥ 0, m = 1, ..., M
N
xk0t + 1 − 兺k
i=1
it + 1 xkit + 1 ≥ 0, k = 1, ..., K
kit + 1 ≥ 0
−1
= max u0,
t
关 d O 共 y0t, x0t 兲兴 [18]
u0, k
N
s.c. − u0 ym0t + 兺k
i=1
it ymit ≥ 0, m = 1, ..., M
N
xk0t − 兺k
i=1
it xkit ≥ 0, k = 1, ..., K

kit ≥ 0
t+1 −1
关 d O 共 y0t, x0t 兲兴 = max u0, [19]
u0, k
N
s.c. − u0 ym0t + 兺k
i=1
it + 1 ymit + 1 ≥ 0, m = 1, ..., M
N
xk0t − 兺k
i=1
it + 1 xkit + 1 ≥ 0, k = 1, ..., K
kit + 1 ≥ 0
−1
= max u0,
t
关 d O 共 y0t + 1, x0t + 1 兲兴 [20]
u0, k
N
s.c. − u0 ym0t + 1 + 兺k
i=1
it ymit ≥ 0, m = 1, ..., M

Marion Dovis ———————————————————————————————————————————————————————— 955
N
xk0t + 1 − 兺k
i=1
it xkit ≥ 0, k = 1, ..., K
kit ≥ 0
Dans cette approche, la technologie peut être indépendante des unités de

mesure. Ainsi, si les fonctions de distance (17) et (18) représentent le pro-
blème de programmation linéaire (16) respectivement à la période t + 1 et à
la période t, pour les fonctions de distance (19) et (20), il s’agit d’un pro-
blème de programmation linéaire à périodes multiples. Plus précisément, si
nous prenons l’exemple de la fonction de distance (20), l’observation de la
firme 0 provient de la période t + 1 alors que la technologie est construite à
partir des données en t.
Dans le cas d’un modèle à orientation output, le résultat indique le pour-
centage d’outputs que la firme produit relativement au niveau d’outputs qui
pourrait être potentiellement produit si la firme était pleinement efficiente
pour un niveau d’inputs donné.
Cette méthodologie possède plusieurs avantages. Il n’est pas nécessaire
de supposer une forme fonctionnelle de la fonction de production, ce qui
permet de ne pas spécifier la forme de la technologie et donc d’intégrer de
l’hétérogénéité. Elle ne fait, a priori, aucune distinction entre l’importance
relative des outputs et des inputs dans le processus de prise de décision de
la firme et peut être utilisée avec plusieurs inputs et outputs. Sa flexibilité et
son adaptabilité ont suscité de nombreux développements à partir du mo-
dèle de Charnes, Cooper et Rhodes [1978]. Cependant, la fonction-frontière
obtenue par ces procédures non paramétriques est déterministe8, ce qui
suppose que tout est sous contrôle de la firme. Ainsi, tout écart par rapport
à cette frontière est attribué à de l’inefficacité : aucune variation aléatoire
n’est possible. Cette limite représente l’inconvénient majeur de cette mé-
thode car la non prise en compte de l’erreur de mesure rend la construction

de la frontière très sensible aux observations extrêmes. Cazals, Florens et
Simar [2002] ont largement mis en évidence cette sensibilité de l’enveloppe.
Par ailleurs, il faut également préciser que les résultats d’efficience obtenus
sont relatifs aux meilleures entreprises de l’échantillon, de sorte que l’intro-
duction d’une entreprise supplémentaire peut modifier l’ensemble des sco-
res d’efficience. Il convient donc d’être prudent lorsqu’il s’agit de comparer
l’efficience moyenne de deux échantillons distincts. Ces scores reflètent uni-
quement la dispersion de l’efficience dans chaque ensemble. Ils ne donnent
aucune information sur l’efficience d’un échantillon relativement à l’autre.
8. Certains développements ont montré qu’il était possible de définir un modèle statis-
tique permettant la détermination de propriétés statistiques des estimateurs de la frontière
non paramétrique [Grosskopf, 1996, Simar et Wilson, 1998, 2000]. Nous ne développerons
pas ces dernières avancées car elles restent très peu utilisées dans la littérature empirique.

2.2. Les méthodes paramétriques
Les méthodes paramétriques reposent sur l’estimation d’une fonction de

production, ce qui exige au préalable de répondre à deux problèmes essen-
tiels. Le premier a été soulevé par Marschark et Andrews [1944]. Il s’agit du
biais de simultanéité, c’est-à-dire que les producteurs choisissent leurs fac-
teurs de production en connaissant leur propre niveau de productivité. Le
choix des inputs est alors corrélé avec des « chocs » de productivité (non
observés par l’économètre mais connue par l’entreprise), ce qui biaise l’es-
timation de la fonction de production par les MCO (moindres carrés ordi-
naires). Le second problème est celui de la sélection et renvoie à la question
de savoir si les producteurs choisiront ou pas de rester sur le marché
compte tenu de leur niveau de productivité et ce niveau de productivité
dépend des facteurs de production.
Le biais de simultanéité peut être résolu par les trois méthodes paramé-
triques suivantes : la méthode de la frontière stochastique, la méthode semi-
paramétrique et la méthode GMM. Cependant, elles ne résolvent pas toutes
le biais de sélection. Seule la méthode semi-paramétrique d’Olley et Pakes
[1996] tente, en effet, de répondre à ce problème. Notons que ce risque de
biais est faible lorsqu’il s’agit d’étudier un panel non cylindré9, mais très
élevé dans le cas d’un panel cylindré puisqu’il y a une forte probabilité de ne
retenir que les plus productives.
2.2.1. L’analyse de la frontière stochastique
Le terme d’erreur qui résulte de l’estimation économétrique de la fonction

de production indique la déviation de la firme par rapport à la frontière.

Cette variable peut représenter une large diversité de facteurs tels que, par
exemple, l’utilisation d’une technologie particulière, des différences de
management, les effets externes des infrastructures publiques sur la firme,
ou encore des erreurs de mesures sur l’output. On peut s’attendre, par
conséquent à une corrélation entre ce terme d’erreur non observé qui cap-
ture la productivité et les variables explicatives de la fonction de production.
La première méthode qui tente de répondre à ce biais de simultanéité est
l’analyse de la frontière stochastique.
L’idée est de modéliser le processus de production de manière à définir la
quantité maximale d’outputs qui peut être produite avec un vecteur d’inputs
et une technologie donnés. Puisqu’un producteur n’a pas nécessairement un
comportement optimal, la frontière va représenter les meilleures pratiques.
Pour répondre au biais de simultanéité, on introduit une autre variable aléa-
toire représentant le bruit statistique, afin d’isoler le terme d’erreur pure-
ment aléatoire de celui reflétant l’inefficacité technique de l’entreprise en
9. Dans un panel non cylindré, on conserve les entreprises qui entrent et les entreprises
qui sortent en cours de période.

Marion Dovis ———————————————————————————————————————————————————————— 957
imposant des hypothèses sur la distribution mais aussi sur l’indépendance

de ces deux termes. Ainsi, le terme d’erreur est décomposé en deux parties :
une composante stochastique symétriquement distribuée absorbant le bruit
statistique, et une composante stochastique avec une distribution inégale
(ou partielle) représentant l’inefficience. Le bruit statistique et l’inefficience
étant distribués indépendamment l’un de l’autre et des autres régresseurs.
L’avantage de ce type de méthode est de tenir compte du fait que la perfor-
mance des firmes peut être modifiée par des facteurs qui sont hors de leur
contrôle. De cette manière, on distingue, dans la mesure de productivité,
l’effet des facteurs exogènes de celui des facteurs sous contrôle de la firme.
Cette méthode a été développée simultanément par Aigner, Lovell et Sch-
midt [1977], Meeusen et van den Broeck [1977] et Battese et Corra [1977] sur
des données en coupe instantanée. Soit une fonction de production (du type
Cobb-Douglas) :
yi = xi b + ei − ui, i = 1, 2, ..., N [21]
où N est le nombre total d’entreprises, yi le logarithme de l’output pour la

firme i, xi le vecteur de quantité d’inputs (capital et travail) de la firme i, b un
vecteur des paramètres inconnus et 共 ei − ui 兲 le terme d’erreur composé où ei
est l’erreur aléatoire et ui représente l’inefficience technique de la production
des entreprises. Les variables ei sont des variables aléatoires normales indé-
pendantes et identiquement distribuées avec une moyenne nulle et une
variance constante 共 r e2 兲, indépendantes des ui, supposées suivre une dis-
tribution qui très souvent est semi-normale ou exponentielle. ui et ei sont
distribuées indépendamment l’une de l’autre mais aussi des régresseurs. Il
reste possible de supposer une distribution différente, comme pour Steven-
son [1980] qui introduit une distribution normale tronquée qui est plus flexi-
ble sur la localisation du mode de distribution10 ou Greene [1990] qui intro-
duit une distribution gamma11. L’hétérogénéité des firmes va être
formellement capturée par le seul terme de productivité. L’efficience tech-
nique sera donc mesurée par :

yi exp 共 xi b + ei − ui 兲
ETi = = = exp 共 − ui 兲 [22]
exp 共 xi b + ei 兲 exp 共 xi b + ei 兲
Il s’agit du rapport entre le niveau de production actuel et le niveau de

production maximal réalisable.
Par la suite, l’analyse en données de panel a été largement généralisée à
l’aide des modèles à effets fixes et à effets aléatoires. Néanmoins, la plupart
des modèles estimés sont à effets aléatoires avec l’estimateur du maximum
de vraisemblance. Battese et Coelli [1992] proposent un des modèles les
plus utilisés où l’inefficience technique est une fonction exponentielle du
temps t 共 t = 1, ..., T 兲 et où il y a un seul paramètre à estimer 共 g 兲. Ils évaluent
10. Il n’y a, a priori, aucune raison de choisir une distribution plutôt qu’une autre, et
chacune possède des avantages et des inconvénients (Coelli, Prasada Rao and Battese,
1998).
11. Néanmoins, si les fonctions de densité de probabilité de ui et ei sont d’une forme
similaire, il est difficile de distinguer l’inefficience technique du bruit.

alors une frontière stochastique avec des effets qui sont supposés être dis-
tribués selon la loi normale tronquée et qui sont autorisés à varier dans le
temps. Leur évolution est donnée par g. Le modèle peut s’appliquer à un
panel non cylindré, ainsi :
uit = ui 关 exp 共 − g 共 t − T 兲兲兴 [23]
Cependant, ce type de modèle est restrictif dans la mesure où il suppose

que le changement d’inefficience est le même pour toutes les firmes. Battese
et Coelli [1993, 1995] développent donc un modèle permettant d’intégrer,
dans l’estimation de la fonction de production, des facteurs qui peuvent
influencer l’inefficience au niveau de chaque firme. L’inefficience technique
de l’entreprise i s’écrit alors :
uit = zit d + wit avec sit = zit d [24]
où la variable aléatoire wit est définie par une loi normale tronquée de
moyenne zéro et de variance r 2 (le point de troncature étant − zit d) et les wit
sont indépendants de eit. Les uit sont obtenus par troncature de la distribu-
tion N 共 sit, r 2 兲. Ainsi, les uit sont supposés être une fonction d’un ensemble
de variables explicatives, les zit (par exemple l’âge de la firme, le secteur,
etc.), et d’un vecteur de coefficients non observés, d.
Les effets d’efficience sont donc compris entre 0 et 1. Soit a l’estimation de
l’effet d’efficience d’une entreprise, ce résultat indique que le niveau de
production de cette firme peut augmenter de 共 1 − a 兲% compte tenu du
niveau des inputs. Plus ce résultat s’approche de un, plus l’entreprise est
efficiente. Si nous estimons le modèle de Battese et Coelli [1993, 1995], un
coefficient négatif (positif) de zit signifie moins (plus) d’inefficience tech-
nique. Le progrès technique pour l’ensemble des firmes s’estime, en revan-
che, par l’introduction d’un trend dans la fonction de production.
Ainsi, le principal avantage des approches de frontière stochastique est
d’éliminer le biais de simultanéité mais surtout de pouvoir mesurer l’effi-

cience technique sans le terme d’erreur (ce qui n’est pas le cas de toutes les
méthodes). De plus, il existe un grand nombre de possibilités de frontières
et il est même possible d’inclure des facteurs susceptibles d’expliquer les
effets d’inefficience. En revanche, ce type de méthode est, comme le DEA, un
modèle de frontière confronté aux mêmes problèmes que ceux soulevés
précédemment (l’efficience technique est relative aux meilleures firmes de
l’échantillon, l’introduction d’une firme supplémentaire peut modifier les
résultats et il est difficile de comparer l’efficience moyenne de deux échan-
tillons). Un autre inconvénient de cette méthode est la nécessité de spécifier
une forme fonctionnelle de la fonction de production. Enfin, lorsqu’on utilise
ce type de méthode, on se trouve également confronté à la difficulté d’avoir
à traiter le cas d’entreprises qui produisent plusieurs biens.
2.2.2. La méthode semi-paramétrique
La méthode semi-paramétrique a été initiée par Olley et Pakes [1996] puis

suivie par Levinsohn et Petrin [2003]. Olley et Pakes [1996] proposent d’uti-
Marion Dovis ———————————————————————————————————————————————————————— 959
liser le niveau d’investissement de l’entreprise comme variable proxy des

chocs de productivité non observés. Cette variable contrôle la partie du
terme d’erreur corrélée avec les inputs en éliminant les variations qui peu-
vent être rattachées au terme de productivité. Ces auteurs tentent aussi
d’éliminer la seconde source de biais (la sélection) en incluant dans une
étape intermédiaire la probabilité de survie de chaque firme. Olley et Pakes
[1996] proposent alors un estimateur en différentes étapes qui s’inspire du
travail initial d’Ericson et Pakes [1995].
Avant de présenter ce modèle, il y a un point essentiel à comprendre sur
la nature dynamique des inputs. Dans ce modèle, Olley et Pakes [1996] font
une distinction entre le moment où les inputs sont choisis par la firme et la
période durant laquelle ils sont utilisés dans la production. Autrement dit, un
input est qualifié de dynamique si le choix de son niveau à la période
courante influence uniquement le coût des inputs utilisés dans les périodes
futures. Il s’agit alors d’une variable d’état dans le modèle. Dans le cas
inverse, cette variable est non dynamique. Ils posent donc la fonction de
production suivante :
yit = b0 + bl lit + bk kit + xit + eit [25]
où yit est le logarithme de l’output de l’entreprise i au temps t, lit le loga-

rithme de la variable d’input travail et kit le logarithme du capital. Le terme
d’erreur se décompose (comme dans le cas des frontières stochastiques) en
un choc de productivité12 ou un terme d’erreur, eit, et un terme d’efficience
technique, xit, qui est supposé suivre un processus exogène de Markov du
premier ordre.
A chaque période, la firme décide de sortir du marché ou de continuer à
produire. Si elle décide de produire, elle choisit le niveau de ses inputs et de
son investissement. L’efficience de la firme est connue au début de la pé-
riode t et détermine ses choix. Deux hypothèses importantes sont formulées

dans cette méthode : il y a une seule variable d’état non observée (au sens
où l’économètre ne peut pas disposer de données sur cette variable), la
productivité, et l’investissement est strictement monotone ce qui permet
d’utiliser la forme inversée de la fonction. L’investissement est donc crois-
sant avec la productivité (Pakes, 1994), conditionnellement aux valeurs de
toutes les variables d’état. En conséquence, seules les valeurs positives de
l’investissement peuvent être utilisées pour pouvoir inverser la fonction. Si
l’entreprise reste sur le marché, elle choisit son niveau de travail et d’inves-
tissement (en connaissant son niveau d’efficience courant), qui, avec la va-
leur courante du capital, détermine le stock de capital au début de la période
suivante :
Kit = 共 1 − d 兲Kit − 1 + Iit − 1 [26]
avec Kit le stock de capital à la période t, Iit − 1 le niveau de l’investissement

et d le taux de dépréciation du capital. L’investissement est choisi par la
12. Ce choc n’est pas estimé durant la période où le travail peut être ajusté.

firme en t − 1 puisque nous supposons que le capital utilisé en t a été décidé

en t − 1, il faut une période entière de production pour que le capital soit
installé et en fonction. Le capital est une variable d’état. Ainsi les décisions
d’investissement de la firme vont dépendre du capital et de la productivité :
iit = it 共 xit, kit 兲 [27]
Puisque la fonction d’investissement peut être inversée13, cela permet

d’exprimer la productivité non observée comme la fonction suivante :
xit = ht 共 iit, kit 兲. Le report de cette équation dans la fonction de production
donne l’équation de la première étape :
yit = bl lit + ut 共 iit, kit 兲 + eit [28]
où
φt 共 iit, kit 兲 = b0 + bk kit + ht 共 iit, kit 兲 [29]
La première étape consiste à estimer cette équation de façon semi-

paramétrique afin d’évaluer le coefficient du travail14 mais pas les autres
coefficients de la fonction de production. Il est possible d’utiliser des séries
(polynômes d’ordre n) ou les méthodes de kernel (Robinson, 1988) pour
approcher φt 共 . 兲. Après avoir essayé ces deux méthodes, Olley et Pakes
choisissent un polynôme d’ordre 4 et estiment l’équation 28 par les MCO.
Dans la seconde étape, le risque que l’estimation soit affectée par le biais
de sélection est dû au fait que le résidu ne contient pas uniquement eit mais
aussi le terme nit qui représente l’innovation dans le processus x entre t et
t + 1 qui n’est pas attendu par la firme. Puisque la décision de sortie de la
firme à la période t dépend directement de xit, la décision de sortie sera
corrélée à nit, (une composante de xit). Pour répondre à ce biais de sélection,
le modèle donne une estimation de la probabilité de survie de l’entreprise,

notée Pit.
La troisième étape, qui estime le coefficient du capital, est fondée sur l’hy-
pothèse selon laquelle la productivité suit un processus de Markov du premier
ordre : nit + 1 = xit + 1 − E 关 xit + 1 兩 xit, Xit + 1 = 1 兴 , avec Xit + 1 qui est égal à 1 si la
firme reste sur le marché et 0 sinon. Puisque kit est décidé à la période t − 1 (à
partir de la décision de iit − 1), il ne peut pas être corrélé avec l’innovation non
attendue qui intervient après t − 1. Le résidu nit + eit n’est pas corrélé avec
l’ensemble des variables explicatives. Cette dernière étape utilise donc l’esti-
mation de bl, φt et Pit issue des deux étapes précédentes pour obtenir l’esti-
mation du coefficient de kit en minimisant la somme des carrés des résidus de
l’équation, avec g̃ 共 . 兲 approximée par un polynôme d’ordre 4 :
yit + 1 − b|l lit + 1 = bk kit + 1 + g̃ 共 P

| it, ût − bk kit 兲 + nit + 1 + eit + 1 [30]
13. L’inversion est possible en raison à la fois de la stricte monotonicité en xit mais aussi
du fait que la productivité est la seule variable non observable dans cette équation.
14. Il est important que le travail soit une variable non dynamique car, dans le cas inverse
cela impliquerait qu’il soit contenu dans la fonction de demande d’investissement et φt.

Marion Dovis ———————————————————————————————————————————————————————— 961
Plus récemment, Levinsohn et Petrin [2003] soulignent que l’investisse-

ment, qui n’est pas une variable continue pour les entreprises, ne peut pas
répondre pleinement aux chocs de productivité. Ils suggèrent alors l’utilisa-
tion d’inputs intermédiaires tels que l’électricité, le fuel ou les matériaux
comme variables proxy, l’hypothèse faite étant que lorsque la productivité
augmente, la production s’accroît ce qui conduit à une utilisation accrue
d’énergie ou d’inputs intermédiaires. Pour ces auteurs, l’utilisation d’un pa-
nel non cylindré réduit le problème du biais de sélection. Ils ne tentent donc
pas d’y répondre en estimant la probabilité de survie. Ils essayent seulement
d’éliminer le biais de simultanéité. Levinsohn et Petrin [2003] supposent
donc que, comme le travail, mit est une variable non dynamique et consi-
dèrent une fonction de demande d’input intermédiaire (l’énergie, le fuel ou
les matériaux) dépendant du stock de capital et de la productivité :
mit = mt 共 kit, xit 兲 [31]
De plus, le stock de capital courant est déterminé par le niveau d’investis-

sement de l’année courante, et non avec celui de l’année précédente comme
dans Olley et Pakes [1996], autrement dit :
Kit = 共 1 − di 兲Kit − 1 + Iit [32]
Pour éviter que le choix du niveau de capital dépende de xit, ils supposent
que la décision d’investissement est faite en connaissant uniquement xit − 1
(comme si la décision d’investissement en t se prenait à la fin de l’année
t − 1).
Une fois toutes les étapes accomplies, de l’une ou l’autre des approches,
le niveau de productivité des entreprises peut être calculé des deux maniè-
res suivantes :
ptfit = exp 共 yit − b|l lit − b|k kit 兲 [33]


ptfit = exp 共 φ
| t − b|k kit 兲 [34]
Dans l’équation 34, comme avec les frontières stochastiques, il devient

possible de distinguer la mesure de la productivité du terme d’erreur aléa-
toire. Cependant, cette mesure peut être seulement calculée pour les firmes
avec un investissement positif, c’est-à-dire pour les firmes inclues dans la
procédure d’estimation. Dans l’équation 33, la mesure s’effectue pour toutes
les firmes de l’échantillon, même pour les firmes avec un investissement
nul, mais elle inclut le terme d’erreur. Ces deux mesures interprètent diffé-
remment : l’une identifie uniquement le terme entier de productivité de la
firme (équation 34), autrement dit ce qui relève des facteurs sous contrôle
de la firme, tandis que l’autre mesure, à la fois, le terme de productivité et
l’erreur de mesure (équation 33), c’est-à-dire qu’elle ne distingue pas les
facteurs qui sont sous le contrôle de la firme, des facteurs exogènes. Pour
mesurer le progrès technique il est nécessaire de modifier l’estimation afin
de pouvoir intégrer un trend.
Au total, les principaux avantages de ce type de méthode sont le caractère
flexible de la productivité (puisque elle n’évolue que selon un processus de
Markov) et la prise en compte du biais de simultanéité ainsi que du biais de

sélection (seulement pour le modèle d’Olley et Pakes [1996]). De plus, il est
possible, selon la spécification de l’équation utilisée, de distinguer le terme
d’erreur du terme d’efficience technique (comme les frontières stochas-
tiques), autrement dit, de discerner ce qui est sous contrôle de la firme de ce
qui est hors de son contrôle. Cependant, cette méthode est encore plus
intensive en données car il est nécessaire de connaître, soit le niveau d’in-
vestissement de l’entreprise à chaque période, soit sa consommation
d’inputs intermédiaires pour estimer la productivité. Enfin, il y a une fai-
blesse potentielle dans les approximations non paramétriques. Ackerberg,
Caves et Frazer [2005] soulignent la possibilité de colinéarité de lit avec la
fonction non paramétrique dans la première étape de l’estimation ce qui
entraîne un risque de mauvaise ou de non identification du coefficient de lit.
2.2.3. La méthode des moments généralisés
La dernière méthode d’estimation de la productivité est celle de la mé-

thode des moments généralisés (GMM) en système développée par Blundell
et Bond [1998, 2000]. Pour éliminer le biais de simultanéité, cette méthode
estime conjointement la fonction de production en différences première et
en niveaux. Les inputs et l’output retardés sont utilisés comme instruments
de l’équation en différences première et les différences retardées comme
instruments de l’équation en niveaux. Considérons la fonction de production
de type Cobb-Douglas suivante :
yit = ␣t + bl lit + bk kit + 共 xi + xit + eit 兲 [35]
xit = qxit − 1 + sit 兩q兩 < 1
sit, eit zMA 共 0 兲


avec yit le logarithme de l’output de la firme i l’année t, lit le logarithme du
travail, kit le logarithme du capital et ␣t un effet spécifique temporel. Le terme
de productivité est modélisé avec xi un effet fixe spécifique individuel et xit
un choc auto-régressif d’ordre un, 共兩 q 兩 < 1 兲, eit est le terme d’erreur de
mesure. L’introduction d’un terme d’erreur auto-regréssif dans le terme d’er-
reur global permet d’obtenir une relation dynamique. Le but est d’estimer
les paramètres bk, bl, ␣t, et q avec un grand nombre d’entreprises. La repré-
sentation dynamique du modèle est :
yit = bl lit − qbl lit − 1 + bk kit − qbk kit − 1 + qyit − 1 [36]
+ 共 ␣t − q␣t − 1 兲 + xi 共 1 − q 兲 + 共 sit + eit − qeit − 1 兲
␣ *t xi
*
mit
Les moments conditionnels sont nécessaires pour fournir les instruments,

car les inputs et les outputs retardés seront corrélés avec l’erreur composite
mit à travers eit. Ainsi, la fonction de production en différences première et la
Marion Dovis ———————————————————————————————————————————————————————— 963
fonction de production en niveau sont estimées conjointement comme un

système avec un ensemble d’instruments appropriés pour chaque équation.
La productivité sera alors calculée par le terme suivant sans que nous puis-
sions exclure le terme d’erreur aléatoire :
lnPTFit = x̂i + x̂it + êit [37]
De la même manière que pour la méthode semi-paramétrique, la produc-

tivité calculée est la différence entre l’output observé et l’output prédit par
une fonction de production estimée. Cela représente l’efficience technique
d’une entreprise (plus le résultat sera élevé et plus l’entreprise sera effi-
ciente) mais n’exclut pas l’erreur de mesure. Le progrès technique se re-
trouve alors dans le terme ␣t.
De la même manière que pour la méthode des frontières stochastiques et
la méthode semi-paramétrique, les avantages de cette approche reposent
sur l’élimination du biais de simultanéité et la prise en compte de l’erreur de
mesure. Elle permet aussi de tester la validité des instruments utilisés.
Néanmoins, la principale faiblesse de cette mesure est (contrairement aux
deux précédentes) qu’elle ne permet pas de dissocier l’efficience technique
du bruit statistique. Autrement dit, lorsque l’on estime la PTF par la méthode
GMM, la mesure obtenue comprend à la fois les facteurs hors et sous
contrôle de la firme. Il faut aussi souligner que ce modèle requiert un grand
nombre d’individus, à l’instar de la méthode semi-paramétrique.
3. Les mesures de la PTF
Le choix entre une méthode paramétrique ou non, et déterministe ou pas,


dépend très fortement de notre conception de la situation réelle des entre-
prises. En effet, une méthode non paramétrique ne fait aucune hypothèse
sur une fonction de production particulière contrairement aux méthodes
paramétriques. Par ailleurs, une méthode déterministe suppose, elle, que
tout est sous contrôle de l’entreprise alors qu’une méthode non déterministe
intègre la possibilité de chocs exogènes qui peuvent affecter la production
de l’entreprise (comme le climat, les infrastructures publiques, l’erreur de
mesure, etc.). Dans cette section, notre démarche a essentiellement pour but
de voir dans cette section comment se traduisent ces différences théoriques
sur le plan empirique.
3.1. La base de données d’entreprises turques
Pour procéder à l’estimation des différentes mesures de la PTF, nous uti-

lisons la base de données des entreprises turques provenant de l’Institut
National de Statistique15. Cette base16, qui ne retient que les entreprises de

plus de 25 salariés, s’étend sur 9 années (de 1983 à 1991) et compte 45 562
observations. Dans cette base de données, nous utilisons la valeur ajoutée17
de l’entreprise comme niveau d’output et le nombre d’employés pour l’input
travail. Le stock de capital est reconstruit selon la méthode de l’inventaire
perpétuel, avec le niveau d’investissement en capital fixe, la valeur comp-
table du stock de capital brut comme capital initial et le taux de dépréciation
moyen à 2 digits construit à partir du niveau de dépréciation du stock de
capital évalué par les entreprises18. Le niveau des variables étant à prix
courants, nous avons utilisé, comme déflateur, l’indice des prix de gros à 4
digits et l’indice des prix des biens à l’investissement.
3.2. Estimation de la PTF par les méthodes

non paramétriques
Pour la construction des indices, les quantités produites, les quantités de

facteurs de production et leurs prix respectifs sont nécessaire. Nous utili-
sons pour cela la valeur ajoutée, le nombre d’employés et le stock de capital
pour les quantités, l’indice des prix de gros, le salaire moyen et l’indice du
prix des biens à l’investissement pour les prix. Le tableau 1 reporte les
valeurs moyennes des indices de Fisher et de Törnqvist chaque année rela-
tivement à 1983 (reportées dans les deux premières colonnes), puis par
secteur (dans les deux dernières colonnes) durant la période de 1983 à 1991,
obtenus à partir de l’équation 9. Le calcul des indices s’effectuant entreprise
par entreprise, nous estimons les indices de Fisher et de Törnqvist pour
seulement l’ensemble de notre panel cylindré afin de permettre la compa-
raison avec la méthode DEA.
15. D’autres études ont aussi calculé la productivité des firmes turques à l’aide de cette © Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)
base de données. Dans une analyse des firmes du secteur du ciment, Saygili et Taymaz
[2001] n’identifient aucun effet de l’origine de la propriété et de la privatisation sur l’efficience
technique. Taymaz et Saatçi [1997] mettent en évidence des différences intersectorielles dans
l’efficience technique. Yasar et Morrison Paul [2007] étudient le lien entre les investissements
directs étrangers, les exportations et les importations et trouvent que les firmes les plus
productives sont celles qui détiennent du capital étranger. Enfin, en analysant la décision
d’exportation des firmes, Ozler, Taymaz et Yilmaz [2008] soulignent l’impact positif d’une
précédente expérience dans les exportations.
16. Le secteur d’activité de chaque entreprise est indiqué dans la nomenclature ISIC Rev2.
Compte tenu de la présence de points aberrants et d’erreurs de mesure, cette base de
données a été nettoyée selon différents critères. Les informations concernant le nettoyage
sont présentées en annexe.
17. Nous optons pour la valeur ajoutée plutôt que la production dans la mesure où la
méthode de Levinsohn et Petrin [2003] peut générer des résultats incohérents lorsque l’on
utilise la production. Ce risque tient au fait qu’en cas de variation insuffisante des données,
une identification séparée de chaque coefficient peut ne pas être effectuée correctement.
18. Contrairement à notre étude, la plupart des analyses empiriques ne possèdent aucune
information sur le niveau de dépréciation des entreprises. Elles sont donc contraintes de le
supposer.

Marion Dovis ———————————————————————————————————————————————————————— 965
Tableau 1. Moyennes géométriques annuelle et sectorielle

des indices de Fisher et de Törnqvist (panel cylindré)
Années Indices Indices Secteurs Indices Indices

transitifs transitifs transitifs transitifs
de Fisher de Törnqvist de Fisher de Törnqvist
1983 1 1 31 1,968 1,975

1984 1.003 1.005 32 1,458 1,467
1985 1.071 1.073 33 1,688 1,691
1986 1.201 1.204 34 1,327 1,330
1987 1.364 1.368 35 2,043 2,047
1988 1.336 1.340 36 1,612 1,615
1989 1.454 1.458 37 2,251 2,254
1990 1.638 1.643 38 2,021 2,024
1991 1.804 1.810 39 1,787 1,789
Source : calculs de l’auteur.

Dans le cadre de notre échantillon, le choix de la formule ne semble avoir
que peu d’incidence sur la mesure de l’indice de la PTF. Ces deux mesures
aboutissent, en effet, approximativement au même résultat, aussi bien au
niveau agrégé où l’on voit que le progrès technique a augmenté de 80 pour
cent entre 1983 et 1991, qu’au niveau sectoriel.
En présence de données de panel, la méthode DEA doit être associée à
l’indice de productivité de Malmquist. Comme on l’a expliqué dans la sec-
tion précédente, la flexibilité d’un modèle DEA permet d’estimer les scores
d’efficience sous une hypothèse de rendements d’échelle constants ou une
hypothèse de rendements d’échelle variables, mais aussi alternativement
avec une orientation input ou une orientation output. Les quatre problèmes
de programmation linéaire (Färe et alii., 1994) doivent être résolus pour
chacune des entreprises de l’échantillon. La construction de la meilleure
frontière s’effectuant relativement à l’ensemble des entreprises, nous ne
pouvons estimer que le panel cylindré, soit 2484 entreprises.

Tableau 2. Moyennes géométriques annuelle et sectorielle
de l’indice cumulé de Malmquist
Orientation input Orientation output
Années Indice de Change- Change- Chgmt Chgmt de Chgmt Chgmt de

PTF de ment ment de pur de l’efficience pur de l’efficience
Malmquist technolo- l’effi- l’efficience d’échelle l’efficience d’échelle
gique cience technique technique
technique
1983 1 1 1 1 1 1 1
1984 1.023 1.089 0.940 0.929 1.012 0.888 1.059
1985 1.105 1.085 1.019 0.901 1.131 0.927 1.099
1986 1.216 1.177 1.034 0.837 1.237 0.889 1.163
1987 1.370 1.156 1.186 0.840 1.415 1.036 1.144
1988 1.320 1.109 1.192 0.848 1.408 1.082 1.101
1989 1.401 1.312 1.069 0.868 1.233 0.976 1.094
1990 1.663 1.167 1.423 0.914 1.565 1.299 1.092
1991 1.927 1.391 1.384 0.993 1.400 1.390 0.992

Orientation input Orientation output
Indice de Change- Change- Chgmt Chgmt de Chgmt Chgmt de

PTF de ment ment de pur de l’efficience pur de l’efficience
Malmquist technolo- l’effi- l’efficience d’échelle l’efficience d’échelle
gique cience technique technique
technique
Secteurs
31 1.868 1.374 1.360 1.060 1.283 1.464 0.928
32 1.843 1.401 1.316 0.909 1.447 1.257 1.046
33 1.551 1.433 1.082 1.020 1.061 1.143 0.947
34 1.409 1.326 1.063 0.940 1.130 1.074 0.990
35 2.166 1.317 1.642 1.006 1.632 1.598 1.028
36 1.721 1.375 1.251 1.035 1.209 1.241 1.008
37 2.133 1.313 1.624 0.978 1.661 1.651 0.984
38 2.152 1.446 1.488 0.994 1.497 1.509 0.986
39 1.969 1.524 1.291 1.094 1.180 1.351 0.957
Le tableau 2 donne des informations sur les moyennes annuelles et sec-

torielles des composantes de l’indice de Malmquist. On peut vérifier que
dans un cadre de rendements d’échelle constants, nous obtenons le chan-
gement de l’indice de la PTF et ses deux composantes, à savoir, le change-
ment d’efficience technique et le changement technologique de l’équation
13. Si les rendements d’échelle sont variables, le changement d’efficience
technique se décompose alors en changement pur de l’efficience technique
et en changement de l’efficience d’échelle (comme cela est décrit par les
équations 14 et 15). Rappelons que lors du passage d’une orientation input
à une orientation output, ce n’est pas l’indice de Malmquist qui se modifie
mais ses composantes (cf. les colonnes 4, 5, 6 et 7). Dans notre cas, l’orien-
tation choisie a un impact important sur notre analyse de l’évolution du
changement pur de l’efficience technique puisqu’il croît dans une orientation
output et décroît dans une orientation input.

Concernant plus spécifiquement le progrès technique (colonne 2), la me-
sure obtenue par l’indice de Malmquist montre une augmentation moyenne
du progrès technique de 39,1 pour cent entre 1983 et 1991, ce qui est très
inférieur au résultat obtenu par les indices de Fisher et de Törnqvist (qui
était rappelons-le de 80 pour cent). La méthode DEA se basant sur les firmes
les plus productives pour mesurer la productivité, il est difficile de comparer
cette méthode de mesure avec les indices traditionnels. Cependant, les
résultats obtenus par l’indice de Malmquist semblent globalement cohérents
avec ceux des indices de Fisher et de Törnqvist. Dans tous les secteurs, la
productivité a augmenté et les plus fortes augmentations se retrouvent,
pour l’une et l’autre méthode, dans l’industrie chimique (35), l’industrie
métallurgique de base (37) et la fabrication d’ouvrages en métaux (38).
De manière générale, les changements de productivité obtenus par ces trois
indices sont très élevés. C’est en comparant ces résultats avec les mesures
paramétriques que nous pourrons identifier si le fait de ne pas isoler les varia-
tions de la PTF qui ne sont pas du ressort de la firme, ni d’éliminer les biais de
simultanéité et de sélection contribue ou non à surestimer ou sous-estimer les
calculs de productivité obtenus par les méthodes d’indices.
Marion Dovis ———————————————————————————————————————————————————————— 967
3.3. Estimation de la PTF par les méthodes

paramétriques
Pour donner un ensemble le plus large possible des mesures de la PTF, la

méthode des frontières stochastiques est utilisée en supposant des effets
d’inefficience invariables puis variables dans le temps d’après le modèle de
Battese et Coelli [1992] (cf. équation (23)). Ces cas seront appliqués aux
panels cylindré et non cylindré dont les résultats seront présentés dans le
tableau 3.
Tableau 3. Estimation de la frontière stochastique

(Battese et Coelli, 1992)
Panel non cylindré Panel cylindré
Effets FS FS Effets FS FS
fixes invariant variant fixes invariant variant
Variables Coef. Coef. Coef. Coef. Coef. Coef.
l 0.927*** 0.971*** 0.933*** 0.932*** 0.970*** 0.899***

(0.013) (0.009) (0.009) (0.017) (0.012) (0.012)
k 0.100*** 0.197*** 0.207*** 0.092*** 0.179*** 0.189***
(0.007) (0.005) (0.005) (0.009) (0.007) (0.006)
Constante 1.544*** 5.370 12.088*** 1.684*** 4.532 9.807***
(0.058) (33.820) (4.498) (0.079) (11.597) (2.611)
r
2 0.793 0.772 0.776 0.725
(0.009) (0.011) (0.013) (0.015)
c 0.504 0.524 0.525 0.542
(0.006) (0.007) (0.008) (0.010)
g 0.006 0.008
(0.002) (0.002)
Log vrai- -44235.8 -43166.6 -23552.8 -22517.3

semblance
Nb obser- 40218 40218 40218 22356 22356 22356
vations
Source : calculs de l’auteur. Les écarts-type sont entre parenthèses et *, **, et ***
indiquent une significativité respectivement au seuil de 10 %, 5 % et 1 %. FS : frontière
stochastique.
Dans le modèle de Battese et Coelli [1992], les effets d’inefficience

connaissent la même évolution pour toutes les firmes (cf. équation 23). Les
paramètres r 2 = r 2u + r e2 et c = r 2u /r 2 sont reportés dans le tableau 3 pour
chaque estimation. Ici, dans chacune des estimations en temps variant, g est
positif, les effets d’inefficience sont donc décroissants dans le temps pour
toutes les entreprises de l’échantillon, ce qui revient à dire que, durant cette
période, les entreprises ont toutes augmenté leur efficience technique.
Cependant, la faiblesse du coefficient g (0.006 et 0.008 selon l’estimation)
entraîne une estimation des effets d’efficience très proche de 0, de sorte qu’il
est impossible d’utiliser ces résultats, ce qui nous conduit à recourir au
modèle de Battese et Coelli [1995] afin de permettre des variations différen-
ciées des effets d’inefficience durant la période étudiée.
Le modèle de Battese et Coelli [1995] permet d’introduire des facteurs qui

expliquent les effets d’inefficience (cf équation 24). Pour cela, nous utilisons
des variables muettes sectorielles et temporelles de façon à mieux isoler ce
qui relève de la firme elle-même19. L’introduction de ces variables muettes
indique que ces firmes sont plus productives dans les secteurs de l’industrie
du papier (34) (uniquement pour le panel cylindré), l’industrie chimique (35)
et l’industrie métallurgique de base (37), à l’inverse elles sont moins produc-
tives dans les secteurs de l’alimentation (31), du textile (32) et de la fabrica-
tion de produits minéraux non métalliques (36).
Les paramètres r 2 et c sont aussi reportés dans le tableau 4. Le paramètre c
est compris entre 0 et 1 ; s’il vaut 0 cela signifie que les effets d’inefficience sont
nuls (autrement dit que toutes les déviations par rapport à la frontière sont
dues au bruit statistique) et s’il vaut 1 que toutes les déviations par rapport à la
frontière sont dues à de l’inefficience. L’estimation du maximum de vraisem-
blance pour c est très faible concernant les estimations du panel cylindré (0,286
contre 0,731 pour le panel non cylindré), ce qui tend à montrer un niveau
d’effets d’inefficience plus important dans le panel non cylindré que dans le
panel cylindré. Cette différence entre ces deux groupes s’explique par la sélec-
tivité inhérente au panel cylindré puisqu’il contient uniquement les firmes qui
sont restées sur le marché, ces dernières étant très probablement caractérisées
par des niveaux de productivité plus élevés que celles qui en sortent ou qui
entrent dans l’échantillon en cours de période. Ainsi, le panel cylindré repré-
sente les firmes qui sont restées sur le marché, autrement dit les plus produc-
tives. Ces résultats tendent à conforter l’hypothèse selon laquelle l’utilisation
d’un panel non cylindré réduit le biais de sélection.
Tableau 4. Estimation de la frontière stochastique

(Battese et Coelli, 1995)


Variables Coefficients Coefficients
l 0.943*** 0.932***
(0.006) (0.008)
k 0.250*** 0.247***
(0.003) (0.004)
Constante 1.166*** 1.943***
(0.029) (0.250)
sect31 0.661** 0.179***
(0.282) (0.064)
sect32 0.661** 0.318***
(0.272) (0.065)
sect33 0.168 0.101
(0.284) (0.068)
sect34 -0.958** -0.020
(0.379) (0.068)
sect35 -1.796*** -0.274***
(0.473) (0.069)
19. Afin de pouvoir comparer les modèles les uns avec les autres, nous intégrerons des
variables muettes temporelles et sectorielles dans les autres méthodes paramétriques.

Marion Dovis ———————————————————————————————————————————————————————— 969
Variables Coefficients Coefficients
sect36 1.127*** 0.382***

(0.317) (0.067)
sect37 -0.763** -0.170***
(0.317) (0.066)
sect38 -0.381 0.034
(0.268) (0.061)
Constante -6.331*** 0.661**
(2.049) (0.333)
r
2 1.949 0.704
(0.300) (0.023)
c 0.731 0.286
(0.039) (0.077)
Log vraisemblance -50558.5 -27592.4
Nb observations 40218 22356
indiquent une significativité respectivement aux seuils de 10 %, 5 % et 1 %.
La valeur de c étant peu élevée, particulièrement en ce qui concerne le

panel cylindré, il nous paraît important de tester l’existence d’effets d’ineffi-
cience dans cet échantillon. La statistique du rapport de vraisemblance per-
met de tester la présence d’effets d’inefficience. Cette statistique du test de
rapport de vraisemblance généralisé suit approximativement une distribu-
tion khi-deux (ou un khi-deux composite de Kodde et Palm, 1986) avec un
degré de liberté égal au nombre de paramètres impliqués dans la restriction.
La statistique du rapport de vraisemblance est donc définie par :
LR = − 2 兵 ln 关 L 共 H0 兲兴 − ln 关 L 共 H1 兲兴其 [38]
où L 共 H0 兲 et L 共 H1 兲 sont les valeurs maximales de la fonction de vraisem-
blance sous l’hypothèse nulle et l’hypothèse alternative. Ici, l’hypothèse

nulle, selon laquelle il n’y a pas d’effets d’inefficience technique, est rejetée
au seuil de 1 pour cent pour les panels cylindré et non cylindré. Il est donc
tout à fait justifié d’estimer un tel modèle.
Tableau 5. Tests pour les paramètres de la frontière stochastique
Hypothèse nulle, H0 Valeur de la Test Seuil critique Résultat

log- statistique du test
vraisemblance (LR) (seuil de
sous H0 1 %)
Panel non cylindré :

H0 : Pas d’effets d’inefficience -51890.2 2894.794 32.776 Rejet H0
Panel cylindré :
H0 : Pas d’effets d’inefficience -28516.9 1990.020 32.776 Rejet H0
Source : calculs de l’auteur. Les valeurs critiques pour les tests des hypothèses in-
cluant c = 0 sont obtenues à partir du tableau 1 de Kodde et Palm [1986].
Concernant les méthodes semi-paramétriques, et dans le but de permettre

la comparaison avec les autres méthodes paramétriques, nous allons esti-
mer la fonction de production pour l’ensemble des entreprises en incluant

des effets temporels, sectoriels et individuels, et pour chaque variable proxy
proposée, à savoir la consommation d’électricité, de matériaux, de fuel pour
la méthode de Levinsohn et Petrin [2003], et le niveau d’investissement pour
la méthode d’Olley et Pakes [1996].
Les estimations semi-paramétriques présentent, dans le tableau 6, des
coefficients qui varient assez fortement selon le choix de la variable proxy.
Dans le cas de l’utilisation des matériaux (colonne (2)), les coefficients esti-
més sont, pour la quasi-totalité des secteurs, largement inférieurs aux coef-
ficients des estimations utilisant d’autres variables proxy. Cela est encore
plus vrai concernant le coefficient du travail. Le nombre d’observations
n’étant pas identique selon les estimations, nous présentons en annexe les
résultats sur un échantillon restreint avec le même nombre d’observations
pour chaque régression. Les estimations confirment les différences entre les
coefficients que nous venons d’obtenir sur le panel cylindré et non cylindré.
Une estimation des coefficients de la fonction de production plus faible que
les autres va engendrer une mesure de l’efficience technique des firmes plus
élevée. De plus, cela implique que les rendements d’échelle sont constants
ou négatifs alors qu’ils sont très largement croissants pour les autres. Cette
différence de résultats entre les matériaux et les autres variables proxy peut
s’expliquer par la vitesse d’ajustement de ces variables. En effet, parmi les
consommations intermédiaires, ce sont les matériaux qui possèdent la plus
forte sensibilité aux variations de la productivité. Par exemple, prenons une
entreprise du secteur de l’habillement, une augmentation de la production
consécutive à une élévation du niveau de productivité va donner lieu à une
plus forte consommation de matériaux comme du fil ou du tissu. Les be-
soins en électricité, en fuel ou même l’investissement vont eux aussi aug-
menter mais beaucoup moins vite que les matériaux. Le choix de la variable
proxy a donc une influence directe sur l’estimation de l’efficience technique.

Tableau 6. Estimation des fonctions de production par la méthode
semi-paramétrique
Variables (1) (2) (3) (4) (1) (2) (3) (4)

Coef. Coef. Coef. Coef. Coef. Coef. Coef. Coef.
l 0.879*** 0.611*** 0.892*** 0.774*** 0.853*** 0.609*** 0.867*** 0.759***

(0.010) (0.000) (0.012) (0.017) (0.021) (0.011) (0.014) (0.021)
k 0.353*** 0.265*** 0.398*** 0.594*** 0.372*** 0.283*** 0.405*** 0.598***
(0.002) (0.001) (0.015) (0.016) (0.031) (0.014) (0.031) (0.022)
N 39563 40218 31580 24280 22074 22356 18918 14265
Source : calculs de l’auteur. Les écarts-type sont entre parenthèses et *, **, et *** indi-
quent une significativité respectivement aux seuils de 10 %, 5 % et 1 %. Avec comme
variable proxy : (1) l’électricité, (2) les matériaux, (3) le fuel et (4) l’investissement.

Marion Dovis ———————————————————————————————————————————————————————— 971
La méthode de la frontière stochastique et la méthode semi-paramétrique

d’Olley et Pakes [1996] sont les seules capables de distinguer le terme d’er-
reur de la mesure de productivité. Par conséquent, nous pouvons tester
laquelle de ces deux méthodes est la plus appropriée en mesurant la racine
carrée de l’erreur quadratique moyenne, l’erreur absolue moyenne ainsi que
l’écart absolu moyen en pourcentage.
Tableau 7. Qualité prédictive de la méthode de la frontière

stochastique et de la méthode d’Olley et Pakes [1996]
Racine carrée de Erreur absolue Ecart absolu moyen

l’erreur quadratique moyenne
moyenne
Frontière Stochastique :
Panel non cylindré 0.623 0.479 0.037
Panel cylindré 0.605 0.454 0.034
Olley & Pakes [1996] :
Panel non cylindré 0.801 0.610 0.046
Panel cylindré 0.785 0.593 0.043
Ces trois critères, présentés dans le tableau 7, sont des mesures statis-
tiques évaluant la qualité prédictive d’un modèle. Il s’agit alors de les mini-
miser. De ce fait, l’estimation de la fonction de production par la méthode
des frontières stochastiques semble plus adéquate puisque la racine carrée
de l’erreur quadratique moyenne, l’erreur absolue moyenne et l’écart absolu
moyen sont moins élevés que pour la méthode d’Olley et Pakes [1996], que
le panel soit cylindré ou non.
Tableau 8. Estimation de la fonction de production par la méthode


GMM en système
GMM SYS GMM SYS

t−2 t−3
Non cylindré Cylindré Non cylindré Cylindré
Variables Coefficients Coefficients Coefficients Coefficients
lt 1.579*** 0.394 1.845*** 1.116***

(0.175) (0.290) (0.239) (0.340)
lt − 1 -0.725*** 0.286 -1.083*** -0.655**
(0.155) (0.268) (0.219) (0.311)
kt 0.126 0.310** 0.364** 0.451*
(0.085) (0.134) (0.156) (0.240)
kt − 1 0.041 -0.064 -0.337** -0.392
(0.092) (0.151) (0.158) (0.253)
yt − 1 0.204*** 0.224*** 0.395*** 0.549***
(0.013) (0.019) (0.058) (0.062)
Constante 0.022 0.266 0.082 0.327
(0.140) (0.296) (0.158) (0.245)
1.579*** 0.394 1.845*** 1.116***
Nb observations 34348 19872 34348 19872

GMM SYS GMM SYS

t−2 t−3
Non cylindré Cylindré Non cylindré Cylindré
Variables Coefficients Coefficients Coefficients Coefficients
Pour tous les tests les

probabilités critiques
(p-value) sont reportées :
m1 0.000 0.000 0.000 0.000
m2 0.033 0.009 0.004 0.000
Sargan 0.185 0.079 0.030 0.013
Diff-Sargan 0.397 0.218 0.064 0.076
Comfac 0.002 0.197 0.001 0.538
Source : calculs de l’auteur. Les écarts-type sont entre parenthèses et *, **, et *** indi-
quent une significativité respectivement aux seuils de 10 %, 5 % et 1 %. m1 et m2 sont
des tests d’autocorrélation des résidus de premier et de second ordre, asymptotique-
ment N 共 0, 1 兲. Sargan est un test de sur-identification des restrictions des estimateurs du
2
GMM, asymptotiquement v avec un nombre de degrés de liberté égal au nombre total
d’instruments moins le nombre de paramètres du modèle. Diff-Sargan est le test de
différence de Sargan, cela teste la validité des instruments additionnels de l’estimation
GMM en système. Comfac correspond au test de la validité des restrictions non linéaires
imposées par l’hypothèse de facteurs communs de l’équation 36.
Le modèle GMM en système est lui aussi estimé en incluant des effets
temporels, individuels et sectoriels. Dans une régression GMM en système
le choix du nombre de retards se fait en fonction de la nature des instru-
ments (degré d’endogénéité) mais aussi en fonction des tests prévus à cet
effet. Les tests de Sargan et d’autocorrélation à l’ordre 2 permettent de
vérifier la validité statistique du modèle. Ainsi, concernant le test de Sargan
pour des instruments en niveaux en t − 2, l’hypothèse nulle selon laquelle les
instruments utilisés dans l’estimation ne sont pas corrélés au terme d’erreur
est acceptée pour le panel non cylindré, mais seulement au seuil de 10 pour
cent pour le panel cylindré. L’hypothèse nulle d’une absence d’autocorréla-
tion des résidus à l’ordre 2 est rejetée au seuil de 5 pour cent dans la
première colonne et au seuil de 1 pour cent dans les autres. Il y a donc un
risque très élevé d’autocorrélation, ces estimations ne peuvent être rete-

nues. Le test de Sargan pour des instruments en niveaux en t − 3 invalide le
choix des instruments. Par ailleurs, l’hypothèse nulle du test d’autocorréla-
tion à l’ordre 2 est rejetée. Les estimations avec des instruments en t − 3,
soulèvent elles-aussi des problèmes d’autocorrélation et de choix des ins-
truments qui nous contraignent à ne pas les utiliser.
Ce type de méthode souligne la présence d’autocorrélation, la mesure de
l’efficience technique des entreprises turques ne peut donc pas être estimée
par la méthode GMM en système sur le panel cylindré comme sur le panel
non cylindré. Cependant, en ôtant les secteurs 1 et 8 des régressions20, les
tests d’autocorrélation à l’ordre 2 et de Sargan sont acceptés pour des ins-
truments datés en t − 2 sur le panel cylindré. Nous récupérons l’estimation
de la PTF afin de pouvoir la comparer avec les autres méthodes sur un
échantillon restreint.
20. Notre but étant de permettre la comparaison de mesures d’efficience technique issues
de la méthode GMM en système avec d’autres, nous cherchons alors à obtenir de bonnes
estimations sur un échantillon restreint, cela ne dépend pas d’une logique économique. Les
résultats sont présentés en annexe.

Marion Dovis ———————————————————————————————————————————————————————— 973
Cette application empirique des méthodes paramétriques à un panel d’en-

treprises turques met en évidence plusieurs points. Tout d’abord, le modèle
de frontière stochastique de Battese et Coelli [1992] ainsi que la méthode
GMM en système n’ont pas fourni une estimation suffisamment satisfai-
sante sur le plan économétrique (en panel cylindré comme en panel non
cylindré) pour être utilisés, ce qui montre que les méthodes sont sensibles à
l’échantillon, au sens où par leurs caractéristiques, elles sont plus ou moins
adaptées au type de données utilisées (nombre d’individus, période tempo-
relle, proportion d’erreurs de mesure ou de points aberrants, etc.). Ensuite,
les coefficients de la fonction de production issus des trois méthodes para-
métriques sont globalement très différents, ce qui laisse à penser que les
estimations de PTF ne vont pas être homogènes.
4. Comparaison des résultats

L’une des possibilités pour confronter les mesures entre elles est de com-
parer le rang relatif au niveau ou les taux de croissance de la productivité de
chaque firme. Les mesures de productivité ne sont toutefois pas toutes
renseignées sur un panel exactement identique. En effet, alors que les mé-
thodes d’indice, de DEA et de frontières stochastiques estiment la producti-
vité de toutes les firmes du panel cylindré, les méthodes semi-
paramétriques ne peuvent le faire que si elles estiment l’efficience technique
sans la distinguer du terme d’erreur. De plus, l’estimation de la méthode
GMM en système n’a pu être validée qu’en excluant les secteurs 1 et 8 de
l’échantillon. Nous allons donc procéder à des comparaisons à l’aide de ce
dernier échantillon21, ce qui revient à utiliser les mesures issues du panel
cylindré sans les secteurs 1 et 8 de Fisher, de Törnqvist, de Malmquist avec

la méthode DEA, de la frontière stochastique (Battese et Coelli [1995]), de la
méthode GMM ainsi que des méthodes semi-paramétriques (Olley et Pakes
[1996], Levinsohn et Petrin [2003]) mais sans pouvoir exclure le terme d’er-
reur22. En revanche, étant donné que l’estimation de la fonction de produc-
tion avec effets fixes ne donne que des mesures de productivité invariantes
dans le temps, nous ne l’incluons pas dans les comparaisons.
Si nous comparons l’indice de Fisher, celui de Törnqvist et la composante
de l’indice de productivité de Malmquist (tableau 9) censée mesurer le
même contenu du concept de la PTF, à savoir le progrès technique, nous
constatons qu’il n’y a pas de corrélation. En revanche, les indices de Fisher
et de Törnqvist apparaissent très fortement corrélés avec l’indice de produc-
tivité de Malmquist.
21. Des comparaisons identiques ont été menées sur le panel cylindré avec l’ensemble des
secteurs mais sans les mesures issues de la méthode GMM. Les résultats sont semblables.
22. Nous reprenons donc les estimations sans les secteurs 1 et 8 pour les méthodes de la
frontière stochastique, semi-paramétrique et GMM en système, les résultats sont présentés
en annexe.

Tableau 9. Corrélation des indices de productivité
Indices traditionnels DEA

Fisher Törnqvist Progrès Malmquist
technique
Fisher 1.000
Törnqvist 1.000 1.000
Progrès technique 0.004 0.004 1.000
Malmquist 0.977 0.976 0.002 1.000
Pour le rang relatif au niveau de productivité de chaque firme, présenté

dans le tableau 10, les mesures de productivité selon la méthode de Levin-
sohn et Petrin [2003] avec le fuel ou l’électricité comme variable proxy sont
les deux mesures les plus corrélées. En revanche, cette même estimation
avec les matériaux pour variable proxy confirme, avec un niveau de corré-
lation plus bas, la différence des coefficients obtenus précédemment. La
méthode d’Olley et Pakes [1996] est relativement corrélée aux mesures des
méthodes de Levinsohn et Petrin [2003] avec l’énergie ou le fuel comme
variable proxy. Ainsi, le fait que cette méthode élimine le biais de sélection
à l’aide de la probabilité de sortie du marché de la firme (contrairement à
Levinsohn et Petrin, [2003]) semble avoir une influence faible sur sa mesure
de l’efficience technique23. Les mesures issues de la méthode GMM sont
plus corrélées aux mesures de la méthode semi-paramétrique utilisant
l’électricité ou le fuel comme variable proxy que les autres. Cependant, la
mesure de productivité à l’aide d’une estimation par la méthode de la fron-
tière stochastique de Battese et Coelli [1995] occupe une place particulière
car elle est très faiblement corrélée avec le reste des mesures. Cette situa-
tion peut s’expliquer en partie par l’exclusion de l’erreur de mesure dans le
terme d’efficience technique mais surtout par le fait que l’efficience tech-
nique est mesurée relativement à un optimum.

Tableau 10. Corrélation de rang de Spearman des mesures
de la PTF sur l’ensemble du panel cylindré sans les secteurs 1 et 8
L&P L&P L&P O&P GMM FS

(élect.) (mat.) (fuel)
L&P (élect.) 1.0000

L&P (mat.) 0.7958 1.0000
L&P (fuel) 0.9988 0.7806 1.0000
O&P 0.8243 0.4804 0.8174 1.0000
GMM 0.9392 0.7123 0.9421 0.7676 1.0000
FS 0.3690 0.4679 0.3401 0.5363 0.3769 1.0000
Source : calculs de l’auteur. Avec : L&P la méthode de Levinsohn et Petrin [2003], O&
P la méthode d’Olley et Pakes [1996], FS la méthode de la frontière stochastique de
Battese et Coelli [1995].
23. En revanche, cette influence est élevée lorsque l’on estime la fonction de production
secteur par secteur.

Marion Dovis ———————————————————————————————————————————————————————— 975
Tableau 11. Corrélation des taux de croissance de la PTF

sur l’ensemble du panel cylindré sans les secteurs 1 et 8
FisherTörnqvist DEA L&P L&P L&P O&P GMM FS

(élect.) (mat.) (fuel)
Fisher 1.0000
Törnqvist 1.0000 1.0000
DEA 0.9794 0.9795 1.0000
L&P (élect.) 0.9707 0.9709 0.9984 1.0000
L&P (mat.) 0.9755 0.9756 0.9983 0.9985 1.0000
L&P (fuel) 0.9687 0.9689 0.9981 0.9999 0.9982 1.0000
O&P 0.9843 0.9844 0.9988 0.9974 0.9970 0.9967 1.0000
GMM 0.8715 0.8715 0.9239 0.9348 0.9408 0.9361 0.9177 1.0000
FS 0.4143 0.4144 0.3976 0.3906 0.3846 0.3893 0.4034 0.2404 1.0000
Source : calculs de l’auteur. Avec : L&P la méthode de Levinsohn et Petrin [2003], O&
P la méthode d’Olley et Pakes [1996], FS la méthode de la frontière stochastique de
Battese et Coelli [1995].
En revanche, les niveaux de corrélation sont plus élevés pour les taux de
croissance (tableau 11). Les taux de croissance de la productivité issus des
méthodes semi-paramétriques et les différents indices sont quasiment iden-
tiques. Cependant, les résultats de frontière stochastique sont là encore
faiblement corrélés avec le reste des mesures.
Puisque les différences sont plus importantes en niveau qu’en taux de
croissance, nous testons à la suite la sensibilité de chaque mesure de la PTF
en niveau relativement à des caractéristiques d’entreprises et des variables
d’échange dans une régression avec effets fixes. Les variables retenues sont
le taux de pénétration des importations (IPR), la part des exportations sur la
production du secteur (Xratio), l’indice de Herfindahl (Herfindahl), une varia-
ble muette (IDE50) égale à 1 si la firme possède plus de 50 pour cent de
capital étranger et la part des employés hors du processus de production

(Qualification).
Tableau 12. Estimation avec effets fixes des mesures de l’échange

sur la productivité (échantillon 2)
Variable dépendante : PTFit

Variables L&P L&P L&P (fuel) O&P GMM FS
(électricité) (matériaux)
(1) (2) (3) (4) (5) (6)
IDE50 -0.099 -0.087 -0.099 -0.106 -0.087 0.004

(-0.083) (-0.081) (-0.083) (-0.089) (-0.086) (0.003)
Herfindahl -0.171 -0.239 -0.166 -0.175 0.013 0.015**
(-0.170) (-0.168) (-0.170) (-0.182) (-0.189) (0.006)
Qualification 0.184** 0.069 0.194** 0.139 0.114 0.011***
(-0.082) (-0.080) (-0.082) (-0.087) (-0.088) (0.003)
Xratio 0.107*** 0.113*** 0.107*** 0.100*** 0.099*** 0.005***
(-0.031) (-0.030) (-0.031) (-0.033) (-0.031) (0.001)
IPR 0.028 0.034 0.027 0.025 0.010 0.002*
(-0.031) (-0.031) (-0.031) (-0.034) (-0.031) (0.001)

Variable dépendante : PTFit

Variables L&P L&P L&P (fuel) O&P GMM FS
(électricité) (matériaux)
(1) (2) (3) (4) (5) (6)
Dummy ans oui oui oui oui oui oui

Dummy inds oui oui oui oui oui oui
Observations 12517 12517 12517 12517 12517 12517
R_ 0.56 0.56 0.68 0.66 0.48 0.91
indiquent une significativité respectivement aux seuils de 10 %, 5 % et 1 %. Avec : L&
P la méthode de Levinsohn et Petrin [2003], O&P la méthode d’Olley et Pakes [1996],
FS la méthode de la frontière stochastique de Battese et Coelli [1995].
Globalement, les résultats (présentés dans le tableau 12) soulignent la

sensibilité des variables explicatives aux différentes mesures de l’efficience
technique. Alors que la part des exportations est positive et très significa-
tive, pour l’ensemble des mesures de productivité, ce n’est pas le cas de
toutes les variables. En effet, la part des employés hors du processus de
production est un exemple de cette sensibilité. Cette variable est significa-
tive pour certaines mesures et non significative pour d’autres. Cependant, ce
qui est surtout étonnant c’est que cette variable passe de non significative à
significative lorsqu’on remplace, dans la méthode de Levinsohn et Petrin
(2003), l’électricité ou le fuel par les matériaux comme variable proxy. Les
résultats peuvent donc être très différents, ce qui montre qu’ils sont très
dépendants des mesures choisies. De plus, les coefficients des variables
significatives ne sont pas homogènes, ceux de la mesure de la frontière
stochastique sont systématiquement inférieurs à ceux des autres mesures.
Or on constate à la fois des relations robustes qui ne sont pas influencées
par la mesure utilisée (comme la part des exportations) et d’autres qui, au
contraire, en dépendent très fortement.
5. Conclusion © Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)
La première question de cette étude était de savoir si chaque méthode

mesure les mêmes composantes du concept de la PTF. Nous répondons à
cette question par la négative. Par exemple, en supposant une pleine effi-
cience technique et allocative des individus, les indices traditionnels ne me-
surent que le progrès technique alors que l’indice de productivité de Malm-
quist peut se décomposer en efficience technique, efficience d’échelle et
changement technologique.
La seconde question était de comprendre si la mesure d’une même com-
posante issue de deux méthodes différentes était théoriquement identique.
Nous répondons une fois de plus de manière négative car si nous souhai-
tons étudier l’efficience technique, l’interprétation ne peut être semblable
selon qu’elle soit mesurée relativement à une frontière de meilleure pratique
Marion Dovis ———————————————————————————————————————————————————————— 977
(c’est-à-dire aux meilleures firmes de l’échantillon) ou à une fonction de

production moyenne.
La troisième question était de voir comment se traduisent empiriquement
ces différences théoriques. Van Biesebroeck [2007] montre, sur la base d’un
échantillon simulé, que chaque méthode a ses avantages et ses inconvé-
nients et que, par conséquent, elles sont plus ou moins adaptées aux échan-
tillons dont on dispose. De plus, en utilisant un panel d’entreprises colom-
biennes et zimbabwéennes, Van Biesebroeck [2008] conclut que les
différentes méthodes produisent des mesures très proches quand les esti-
mations de productivité sont comparées directement alors que les coeffi-
cients estimés des méthodes paramétriques varient fortement. Nos résultats
ont révélé une absence totale de corrélation entre le calcul du changement
technologique avec les indices traditionnels et celui avec l’indice de Malm-
quist. Pour la mesure de l’efficience technique à l’aide de méthodes para-
métriques, le fait d’estimer cette composante relativement à un optimum,
contrairement aux autres méthodes paramétriques, a rendu les estimations
des frontières stochastiques très différentes des autres (en niveau comme en
taux de croissance). Ainsi, comme Van Biesebroeck [2008], nous aboutissons
également à la conclusion que chaque méthode n’est pas adaptée à tout
type d’échantillon. En revanche, dans le cas d’un échantillon différent de
celui que cet auteur utilise, nos résultats n’indiquent pas des mesures de
productivité homogènes. En effet, l’application empirique a souligné le
caractère distinct de ces méthodes lorsqu’elles sont censées mesurer la
même composante de la PTF. Le classement des firmes relatif à leur niveau
de productivité s’est avéré selon les mesures. A l’inverse, les taux de crois-
sance de la productivité des firmes sont apparus fortement corrélés. Il faut
aussi souligner que la méthode de Levinsohn et Petrin [2003] s’est montrée
sensible au choix de la variable proxy, ce qui montre qu’une même méthode
peut aussi conduire à des résultats différents.
On peut, par conséquent, en conclure que le choix de la méthode adé-
quate doit dépendre en premier lieu de ce que nous souhaitons mesurer,

puis en second lieu de la nature des données disponibles (proportion d’er-
reurs de mesure, degré d’hétérogénéité dans la technologie de production,
nombre d’individus, période).
Annexe
Annexe A. Nettoyage de la base de données
Compte tenu de la présence de points aberrants et d’erreurs de mesure,

cette base de données a été nettoyée selon différents critères :
— Tout d’abord, nous avons vérifié qu’aucune entreprise ne possède de
chiffre d’affaires (CA), de production ou de valeur ajoutée (VA) négatifs ou
nuls, et que la VA n’excède pas la production.
— De plus, dans le cas des entreprises de plus de 25 salariés qui avaient

d’une année sur l’autre, une diminution de leur emploi d’au moins 60 pour
cent concomitante avec une augmentation de leur CA, de leur production ou
de leur VA d’au moins 80 pour cent ou bien une augmentation de leur
emploi d’au moins 60 pour cent concomitante avec une diminution de leur
CA, production ou VA d’au moins 80 pour cent, nous avons supprimé les
observations ou les entreprises si cela a été plusieurs fois le cas pour une
même entreprise.
— Nous avons également éliminé les observations ou les entreprises (si
cela s’est répété à plusieurs reprises) avec une augmentation d’une année
sur l’autre d’au moins 60 pour cent de l’emploi et une diminution d’au moins
60 pour cent du coût du travail, et inversement pour une diminution d’au
moins 60 pour cent de l’emploi et une augmentation d’au moins 60 pour
cent du coût du travail.
— Nous avons identifié et supprimé les observations ou les entreprises (si
cela s’est répété à plusieurs reprises) avec un CA, une production ou une VA
6 fois supérieure à leur moyenne.
— Enfin, nous avons conservé seulement les années consécutives de pré-
sence dans la base de données avec un minimum de 3 années.
La base de données est ainsi passée à 40 218 observations, ce qui repré-
sente au total un panel non cylindré de 5 870 entreprises.
Annexe B. Méthode semi-paramétrique
Tableau B1. Estimation des fonctions de production par la méthode

semi-paramétrique (échantillon restreint)

Varia- (1) (2) (3) (4) (1) (2) (3) (4)

bles Coef. Coef. Coef. Coef. Coef. Coef. Coef. Coef.
l 0.710*** 0.572*** 0.837*** 0.781*** 0.710*** 0.514*** 0.741*** 0.711***

(0.016) (0.022) (0.014) (0.020) (0.016) (0.070) (0.015) (0.036)
k 0.434*** 0.322*** 0.453*** 0.520*** 0.434*** 0.264*** 0.443*** 0.532***
(0.005) (0.072) (0.031) (0.014) (0.005) (0.052) (0.082) (0.029)
N 19753 19753 19753 19753 4005 4005 4005 4005
Source : calculs de l’auteur. Les écarts-type sont entre parenthèses et *,**, et ***
indiquent une significativité respectivement aux seuils de 10 %, 5 % et 1 %. Avec
comme variable proxy : (1) l’électricité, (2) les matériaux, (3) le fuel et (4) l’investisse-
ment.

Marion Dovis ———————————————————————————————————————————————————————— 979
Annexe C. Estimations du panel cylindré sans

les secteurs 1 et 8
Tableau C1. Estimation de la fonction de production à l’exception
des secteurs 1 et 8
GMM SYS t − 2 GMM SYS t − 3

Variables Non cylindré Cylindré Non cylindré Cylindré
Coefficients Coefficients Coefficients Coefficients
lt 1.662*** 0.790** 1.614*** 0.940***

(0.204) (0.313) (0.250) (0.341)
lt − 1 -0.794*** 0.059 -0.965*** -0.217
(0.183) (0.288) (0.237) (0.316)
kt 0.096 0.081 0.223 0.260
(0.103) (0.182) (0.169) (0.247)
kt − 1 0.024 0.103 -0.224 -0.214
(0.109) (0.195) (0.171) (0.255)
yt − 1 0.208*** 0.221*** 0.505*** 0.454***
(0.017) (0.025) (0.069) (0.079)
Constante 0.292* 0.296 0.150 0.125
(0.153) (0.398) (0.167) (0.324)
Nb observations 19979 11155 19979 11155
Pour tous les tests les probabilités
critiques (p-value) sont reportées
m1 0.000 0.000 0.000 0.000
m2 0.016 0.111 0.000 0.013
Sargan 0.157 0.173 0.034 0.032
Comfac 0.002 0.394 0.080 0.329
indiquent une significativité respectivement aux seuils de 10 %, 5 % et 1 %. m1 et m2
sont des tests d’autocorrélation des résidus de premier et de second ordre, asympto-
tiquement N 共 0, 1 兲. Sargan est un test de sur-identification des restrictions des estima-
2
teurs du GMM, asymptotiquement v avec un nombre de degrés de liberté égal au
nombre total d’instruments moins le nombre de paramètres du modèle. Diff-Sargan
est le test de différence de Sargan, cela teste la validité des instruments additionnels
de l’estimation GMM en système. Comfac correspond au test de la validité des res-

trictions linéaires imposées par l’hypothèse de facteurs communs de l’équation 36.
Tableau C2. Estimation de la frontière stochastique,

sans les secteurs 1 et 8 (Battese et Coelli, 1995)
Variables Coefficients
l 0.878***
(0.011)
k 0.282***
(0.006)
Constante 2.551
(2.501)
r
2 0.694
(0.009)
c 0.163
(0.561)
Log vraisemblance -15514.4
Nb observations 12550
indiquent une significativité respectivement aux seuils de 10 %, 5 % et 1 %.

Tableau C3. Estimation des fonctions de production par la méthode

semi-paramétrique, sans les secteurs 1 et 8

Varia- (1) (2) (3) (4) (1) (2) (3) (4)
bles Coef. Coef. Coef. Coef. Coef. Coef. Coef. Coef.
l 0.834*** 0.561*** 0.844*** 0.770*** 0.794*** 0.529*** 0.813*** 0.752***

(0.018) (0.021) (0.004) (0.022) (0.000) (0.010) (0.023) (0.027)
k 0.356*** 0.254*** 0.378*** 0.561*** 0.364*** 0.261*** 0.358 0.596***
(0.013) (0 .008) (0.020) (0.018) (0.040) (0.002) (0.002) (0.027)
N 23071 23470 18253 14475 12393 12550 10687 8213
indiquent une significativité respectivement aux seuils de 10 %, 5 % et 1 %. Avec
comme variable proxy : (1) l’électricité, (2) les matériaux, (3) le fuel et (4) l’investisse-
ment.
Références bibliographiques
ACKERBERG D. A., CAVES K. et FRAZER G. [2005], « Structural identification of
production functions », Working Paper.
AIGNER D. J., LOVELL C. K. et SCHMIDT P. [1977], « Formulation and estimation of
stochastic frontier production function models », Journal of Econometrics,
vol. 66, p. 21-37.
BALK B. M. [2008], « Measuring productivity change without neoclassical assump-
tions : a conceptual analysis », ERIM Report Series Research in Management
n° ERS-2008-077-MKT.
BANKER R. D., CHARNES A. et COOPER W. W. [1984], « Some models for estima-
ting technical and scale inefficiencies in data envelopment analysis », Manage-

ment Science, vol. 30, n° 9, p. 1078-1092.
BATTESE G. E. et COELLI T. J. [1992], « Frontier production function, technical
efficiency and panel data : With application to paddy farmers in India », Journal
of Productivity Analysis, vol. 3, p. 153-69.
BATTESE G. E. et COELLI T. J. [1993], « A Stochastic frontier production function
incorporating a model for technical inefficiency effects », Working Paper in Eco-
nometrics and Applied Statistics, University of New England, n° 69.
BATTESE G. E. et COELLI T. J. [1995], « A Model for technical inefficiency effects in
a stochastic frontier production function for panel data », Empirical Economics,
n° 20, p. 325-332.
BLUNDELL R. et BOND S. [1998], « Initial conditions and moment restrictions in
dynamic panel data models », Journal of Econometrics, vol. 87, p. 115-143.
BLUNDELL R. et BOND S. [2000], « GMM estimation with persistent panel data : An
application to production functions », Econometric Reviews, vol. 19, n° 3, p. 321-
340.
CAVES D. W., CHRISTENSEN L. R. et DIEWERT W. E. [1982], « The economic theory
of index numbers and the measurement of input, output and productivity »,
Econometrica, vol. 50, n° 6, p. 1393-1414.

Marion Dovis ———————————————————————————————————————————————————————— 981
CAZALS C., FLORENS J-P. et SIMAR L. [2002], « Nonparametric frontier estimation :

a robust approach », Journal of Econometrics, vol. 106, n° 1, p. 1-25.
CHARNES A., COOPER W. et RHODES E. [1978], « Measuring the efficiency of deci-
sion making units », European Journal of Operational Research, vol. 2, p. 429-
444.
COELLI T. J., PRASADA RAO D. S. et BATTESE G. E. [1998], « An introduction to
efficiency and productivity analysis », Kluwer Academic Publishers.
CORNWELL C. et SCHMIDT P. [2008], « Stochastic frontier analysis and efficiency
estimation », dans L. Matyas et P. Sevestre, The Econometrics of Panel Data,
Springer, p. 697-725.
DEL GATTO M., DI LIBERTO A. et PETRAGLIA C. [2008], « Measuring productivity »,
Working Paper 2008/18, CRENOS, Université de Cagliari.
DIEWERT W. E. [1992], « The measurement of productivity », Bulletin of Economic
Research, vol. 44, n° 3, p. 163-198.
DIEWERT W. E. et NAKAMURA A. O. [2003], « Index numbers concepts, measures
and decompositions of productivity growth », Journal of Productivity Analysis,
vol. 19, p. 127-159.
FÄRE R., GROSSKOPF S., NORRIS M. et ZHANG Z. [1994], « Productivity growth,
technical progress, and efficiency changes in industrialised countries », American
Economic review, vol. 84, n° 1, p. 66-83.
FARELL M. J. [1957], « The measurement of productive efficiency », Journal of the
Royal Statistical Society, series A. 120, n° 3, p. 253-290.
FØRSUND F. R., LOVELL C. K. et SCHMIDT P. [1980], « A survey of frontier produc-
tion functions and of their relationship to efficiency measurement », Journal of
Econometrics, vol. 13, p. 5-25.
KODDE D. A. et PALM F. C. [1986], « Wald criteria for jointly testing equality and
inequality restrictions », Econometrica, vol. 54, n° 5, p. 1243-1248.
LEVINSOHN J. et PETRIN A. [2003], « Estimating production functions using inputs
to control for unobservables », Review of Economic Studies, n° 70, p. 317-341.
MARSCHAK J. et ANDREWS W. H. [1944], « Random simultaneous equations and

the theory of production », Econometrica, n° 12, p. 143-205.
MEEUSEN W. et VAN DEN BROECK J. [1977], « Efficiency estimation from Cobb-
Douglas production functions with composed error », International economic Re-
view, vol. 18, n° 2, p. 435-444.
OLLEY S. et PAKES A. [1996], « The dynamics of productivity in the telecommuni-
cations equipment industry », Econometrica, n° 64, p. 1263-1297.
OZLER S., TAYMAZ E. et YILMAZ K. [2009], « History matters for the export deci-
sion : plant level evidence from Turkish manufacturing industry », World Develo-
pment, vol. 37, n° 2, p. 479-488.
PAKES A. [1994], « Dynamic structural models : problems and prospects, part II.
Mixed continuous discrete control models and market interactions », dans J. J.
Laffont et C. Sims [ed.], Advances in Econometrics : Proceedings of sixth World
Congress of the Econometric Society, chapitre 5, p. 171-259.
ROBINSON P. M. [1988], « Root-N consistent semi-parametric regression », Econo-
metrica, vol. 55, n° 4, p. 931-954.
SAYGILI S. et TAYMAZ E. [2001], « Privatization, ownership and technical efficiency
– A study of the Turkish cement industry », Annals of Public and Cooperative
Economics, vol. 72, n° 4, p. 581-605.

SÖDERBOM A. et TEAL F. [2004], « Size and efficiency in African manufacturing

firms : evidence from-level panel data », Journal of Development Economics,
vol. 73, p. 369-394.
SOLOW R. M. [1957], « Technical change and the aggregate production function »,
Review of Economics and Statistics, vol. 39, p. 312-320.
STEVENSON R. E. [1980], « Likelihood functions for generalized stochastic frontier
estimation », Journal of Econometrics, vol. 13, p. 57-66.
TAYMAZ E. et SAATÇI G. [1997], « Technical change and efficiency in Turkish manu-
facturing industries », Journal of Productivity Analysis, vol. 8, p. 461-475.
VAN BIESEBROECK J. [2007], « Robustness of productivity estimates », Journal of
Industrial Economics, vol. 55, n° 3, p. 529-569.
VAN BIESEBROECK J. [2008], « The sensitivity of productivity estimates : revisiting
three important debates », Journal of Business and Economic Statistics, vol. 26,
n° 3, p. 311-328.
YASAR M. et MORRISON PAUL C. [2007], « International linkages and productivity
at the plant level : foreign direct investment, exports, imports and licensing »,
Journal of International Economics, vol. 71, p. 373-388.

Redp 196 0945

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Redp 196 0945

Transféré par

Droits d'auteur :

Formats disponibles

FORMULATION ET ESTIMATION DES MODÈLES DE MESURE DE LA

PRODUCTIVITÉ TOTALE DES FACTEURS : UNE ÉTUDE SUR UN PANEL

Dalloz | « Revue d'économie politique »

2009/6 Vol. 119 | pages 945 à 982

Distribution électronique Cairn.info pour Dalloz.

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

Powered by TCPDF (www.tcpdf.org)

Formulation and estimation of the total factor

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

Classification JEL: D24, C13, C43.

1. E-mail : marion.dovis@euromed-management.com. L’auteur souhaiterait remercier les

REP 119 (6) novembre-décembre 2009

La productivité d’une firme est représentée par le rapport entre sa produc-

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

2. La difficulté de l’obtention de ce type de données ne permet pas l’étude sur plusieurs

REP 119 (6) novembre-décembre 2009

2. Les méthodes de mesure

2.1. Les méthodes non paramétriques

2.1.1. La méthode des indices

La méthode des indices est issue directement de l’approche de la compta-

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

REP 119 (6) novembre-décembre 2009

Indice de Tornqvist : lnQ =

Enfin, pour obtenir un indice de croissance de la PTF dans un cadre

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

REP 119 (6) novembre-décembre 2009

Ainsi, la fonction de distance d’output, notée dO, est définie comme :

dO 共 x, y 兲 = min 兵 d : 共 y/d 兲 ∈ P 共 x 兲 其 [11]

Elle6 définit la distance entre un vecteur d’inputs donné, x, et un vecteur

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

Nous pouvons développer cet indice de manière à isoler un terme d’effi-

Le premier terme revient à comparer la position de la firme en t + 1 avec sa

6. La fonction de distance, dO 共 x, y 兲, est non décroissante, positivement et linéairement

REP 119 (6) novembre-décembre 2009

entre ces deux périodes. Le second terme compare la position de l’entre-

Ici, le choix entre une hypothèse de rendements d’échelle constants, une

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

2.1.2. L’analyse d’enveloppement des données

La deuxième méthode non paramétrique est celle de l’analyse d’envelop-

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

Source : Banker, Charnes et Cooper (1984)

Considérons une entreprise se situant au point I, avec une production H et

en efficience technique pure (c’est-à-dire en rendements d’échelle variables)

max u0, [16]

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

7. Pour tenir compte de rendements d’échelle variables, il suffit d’inclure la contrainte de

REP 119 (6) novembre-décembre 2009

nue pour la période courante, l’efficience à travers le temps n’étant pas

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

REP 119 (6) novembre-décembre 2009

Dans cette approche, la technologie peut être indépendante des unités de

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

REP 119 (6) novembre-décembre 2009

2.2. Les méthodes paramétriques

Les méthodes paramétriques reposent sur l’estimation d’une fonction de

2.2.1. L’analyse de la frontière stochastique

Le terme d’erreur qui résulte de l’estimation économétrique de la fonction

© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)

REP 119 (6) novembre-décembre 2009

imposant des hypothèses sur la distribution mais aussi sur l’indépendance

yi = xi b + ei − ui, i = 1, 2, ..., N [21]

où N est le nombre total d’entreprises, yi le logarithme de l’output pour la

dO 共 x, y 兲 = min 兵 d : 共 y/d 兲 ∈ P 共 x 兲其 [11]

l 0.927* 0.971* 0.933* 0.932* 0.970* 0.899*