Académique Documents
Professionnel Documents
Culture Documents
Marion Dovis
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)
• 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
1. Introduction
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
© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)
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.
Indice de Fischer : Q = 公Q × Q
F L P
[3]
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
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]
冋 册
1
t t+1
d O 共 yt + 1, xt + 1 兲 d O 共 yt + 1, xt + 1 兲 2
© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)
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
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]
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
© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)
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
REP 119 (6) novembre-décembre 2009
Marion Dovis ———————————————————————————————————————————————————————— 953
= 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 :
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
© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)
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
© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)
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
kit ≥ 0
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.
9. Dans un panel non cylindré, on conserve les entreprises qui entrent et les entreprises
qui sortent en cours de période.
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]
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-
© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)
12. Ce choc n’est pas estimé durant la période où le travail peut être ajusté.
où
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.
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 :
␣ *t xi
*
mit
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.
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
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
Effets FS FS Effets FS FS
fixes invariant variant fixes invariant variant
Variables Coef. Coef. Coef. Coef. Coef. Coef.
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.
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.
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
Source : calculs de l’auteur. Les écarts-type sont entre parenthèses et *, **, et ***
indiquent une significativité respectivement aux seuils de 10 %, 5 % et 1 %.
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].
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.
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.
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-
© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)
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.
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.
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
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.
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
© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)
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 : 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].
Annexe
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.
Source : calculs de l’auteur. Les écarts-type sont entre parenthèses et *, **, et ***
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-
© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)
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
Source : calculs de l’auteur. Les écarts-type sont entre parenthèses et *,**, et ***
indiquent une significativité respectivement aux seuils de 10 %, 5 % et 1 %.
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.
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-
© Dalloz | Téléchargé le 26/02/2023 sur www.cairn.info (IP: 102.220.24.130)