کنترل ناپارامتریک غیرخطی شوک‌های بهره‌وری در برآورد تابع تولید کشاورزی استان‌های برگزیده ایران (مطالعه موردی: برآورد تابع تولید گندم آبی)

نوع مقاله : مقالات پژوهشی

نویسندگان

دانشگاه فردوسی مشهد

چکیده

شوک‌های بهره‌وری یکی از مهم‌ترین عوامل مؤثر بر تصمیمات بنگاه‌ها در تعیین سطح بهینه نهاده‌های تولید هستند. شوک‌های بهره‌وری غیرقابل مشاهده، با ایجاد مسائل انتخاب و هم‌زمانی، باعث می‌شوند که برآوردگرهایی مثل حداقل مربعات معمولی، برآوردهای تورش‌داری را در مورد ضرایب نهاده‌های تابع تولید ارائه کنند. اما در روش لیوینسون و پترین برای برآورد ضرایب نهاده‌های تابع تولید، از نهاده‌های واسطه‌ای به عنوان متغیر جانشین استفاده می‌شود و چنین استدلال می‌شود که بنگاه‌ها به هنگام مواجهه با شوک‌های بهره‌وری، نهاده‌های واسطه‌ای توسط بنگاه تعدیل خواهند شد. در این روش بر اساس کنترل ناپارامتریک غیرخطی شوک‌های بهره‌وری می‌توان به برآوردهای بدون تورشی از ضرایب نهاده‌های تابع تولید دست یافت. به منظور بررسی این فرضیه، از داده‌های 11 استان منتخب طی دوره 1379-1387 برای برآورد تابع تولید گندم با روش‌های حداقل مربعات معمولی، اثرات تصادفی و لیوینسون و پترین استفاده شده است. بر اساس نتایج تحقیق، در روش حداقل مربعات معمولی، ضرایب برآوردشده برای نهاده‌های آب و کود به سمت بالا تورش‌دار هستند و نهاده سرمایه با تورش به سمت پایین برآورد شده است. بنابراین برای کنترل تورش ناشی از مسائل هم‌زمانی و انتخاب، باید از روش‌های ناپارامتریک برای مدل‌سازی شوک‌های بهره‌وری غیرقابل مشاهده استفاده شود. به علاوه نتایج نشان می‌دهند که واکنش به شوک‌های بهره‌وری در مزارع تولید گندم استان‌های منتخب، از طریق تعدیل در تقاضای نهاده‌ها انجام می‌شود و همبستگی معنی‌داری میان تعدیل نهاده‌ها و شوک‌های بهره‌وری وجود دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Nonparametric Nonlinear Control of Productivity Shocks in Estimation of Agricultural Production Function of Selected Provinces in Iran: (Case Study: Wheat Production Function)

نویسندگان [English]

  • javad khazaee
  • M. Hoshmand
Ferdowsi University of Mashhad
چکیده [English]

Productivity shocks are one of the most important factors that influence the firms ‘ decisions on he optimal consumption of production inputs. Unobservable productivity shocks create selection and simultaneity problems causing biased estimates of production function by ordinary least squares. However, to estimate coefficients associated with production function by Levinsohn and Petrin technique, coefficients associated with intermediate inputs are used as a proxy variable. It is therefore argued that when firms face productivity shocks, intermediate inputs will be moderated by firms. In this approach, because of the nonlinear and nonparametric controlls on productivity shocks, some unbiased estimates could be achieved. To examine this hypothesis, a data set from 11 provinces of Iran during the years between 2000 and 2008 was collected. For the collected data set, a production function of wheat was estimated using the three techniques of OLS, random effects and Levinsohn and Petrin method. Based on the results, ordinary least square had an upwardly biased estimate of water and fertilizer, while the OLS showed downwardly biased estimates of capital. Therefore to control the bias due to simultaneity and selection problems, nonparametric methods should be used to model unobservable productivity shocks. In addition result shows that productivity shocks in wheat farms of the selected provinces, are moderated by adjusting the input demand, and thus, there is a significant correlation between input adjustment and productivity shocks.

کلیدواژه‌ها [English]

  • Productivity shocks
  • nonparametric estimation
  • Production function
  • Levinsohn and Petrin approach
1- ابونوری ا. و تاجدین ع. 1383 . برآورد اثر تورم بر نابرابری در توزیع هزینه ایران با استفاده از روش ناپارامتریکی (سال1380-1350) تحقیقات اقتصادی. تابستان 65(14).
2- ترکمانی ج. و وزیرزاده س. 1386. تعیین حق بیمه محصولات کشاورزی کاربرد روش ناپارامتریک. اقتصاد کشاورزی (اقتصاد و کشاورزی)1(1).
3- حسین زاد ج. و سلامی ح. 1383. انتخاب تابع تولید برای برآورد ارزش اقتصادی آب کشاورزی: مطالعه موردی تولید گندم. مجله اقتصاد کشاورزی و توسعه. جلد 48 شماره 4 .
4- دانشور کاخکی م.، ضیائی گلریز ز.، و رضوی ه. 1387. بررسی بهره‌وری گوجه فرنگی دراستان خراسان رضوی. اولین کنگره ملی فناوری تولید و فرآوری گوجه فرنگی، مرکزتحقیقات کشاورزی و منابع طبیعی خراسان رضوی. مشهد
5- دریساوی بهمن شیر ح. 1380. برآورد تابع تولید نیشکر و شکر در کشت و صنعت هفته تپه. پایاننامه کارشناسی ارشد علوم اقتصادی گرایش برنامه ریزی و تحلیل سیستم‌های اقتصادی. مؤسسه آموزشی علوم و تحقیقات اهواز.
6- رحیمی سوره ص. و صادقی ح. 1383. عوامل موثر بر کارایی و اقتصاد مقیاس در رهیافت‌های پارامتری و ناپارامتری (مطالعه موردی: طرحهای مرتعداری در ایران). تحقیقات اقتصادی. شماره 21(67).
7- رفعتی م.، آذرینفری ی.، زاد م.، برابری ع.، و کاظم نژاد م. 1390. بررسی کارآیی فنی، تخصیصی و اقتصادی پنبه کاران استان گلستان با استفاده از روش پارامتریک (مطالعه موردی شهرستان گرگان). تحقیقات اقتصاد کشاورزی. شماره 3(1).
8- زراء نژاد م. و یوسفی حاجی آباد ر. 1388. ارزیابی کارآیی فنی تولید گندم در ایران (با استفاده از دو رهیافت پارامتریک و ناپارامتریک). پژوهشهای اقتصادی. شماره 9(2).
9- عادلی ساردوئی م.، شریفیو ا.، و علیزاده ح. 1387. برآورد تابع تولید انعطاف پذیر گوجه‌فرنگی و بررسی مصرف اقتصادی نهاده‌ها (مطالعه موردی گوجه فرنگی کاران شهرستان جیرفت). اولین کنگره ملی فناوری تولید و فرآوری گوجه فرنگی، مرکزتحقیقات کشاورزی و منابع طبیعی خراسان رضوی. مشهد
10- کردبچه ح.1390. تخمین شبه پارامتریک استوار در تعیین عوامل ناکارآیی در نظام بانکی ایران: روش بوت استرپ. تحقیقات اقتصادی. شماره 46(95).
11- مجرد ع.، کهخا ا.، و صبوحی صابونی م. 1388. معرفی راه کار ناپارامتریک تصادفی در تخمین کارآیی فنی: مطالعه موردی واحدهای مرغداری در منطقه سیستان. اقتصاد کشاورزی (اقتصاد و کشاورزی). شماره 3(3).
12- مرادی شهربابک ح. 1390. تعیین کارآیی تولیدکنندگان بادام استان کرمان (مطالعه موردی شهرستان سیرجان). تحقیقات اقتصاد کشاورزی. شماره3(2).
13- مظهری م. 1387. اندازه‌گیری بهره‌وری عوامل تولید محصول گوجه‌فرنگی. اولین کنگره ملی فناوری تولید و فرآوری گوجه‌فرنگی. مرکز تحقیقات کشاورزی و منابع طبیعی خراسان رضوی. مشهد
14- یزدانی س.، شهبازی ح.، و کلاشمی م. 1389. بررسی تابع تولید غیرمستقیم و محدودیت بودجه در تولید پنبه استان خراسان. تحقیقات اقتصاد و توسعه کشاورزی ایران. شماره 4(4).
15- Arellano M., and Bover O. 1995. Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68: 29–51.
16- Arellano M., and Bond S. 1991. Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. Review of Economic Studies, 58: 277–297.
17- Blundell R., and Bond S. 1998. Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87: 115–143.
18- Davis Steven J., and Haltiwanger John, C. 1992. Gross Job Creation, Gross Job Destruction, and Employment Reallocation. The Quarterly Journal of Economics, MIT Press, 107(3): 819-63, August.
19- DuII Sh. 2004. Nonparametric and Semi-parametric Estimation of Efficient Frontier. Department of Agricultural Economics. Penn State University. 308 armsby University Park. PA 16802
20- Dunne T., and Roberts M.J., and Samuelson L. 1988. Firm Entry and Post-Entry Performance in the U.S. Chemical Industries. Papers 7-88-2. Pennsylvania State - Department of Economics.
21- Engle C., Granger W., Rice J., and Weiss A. 1986. Semi parametric Estimates of the Relation between Weather and Electricity Sales. Journal of the American Statistical Association.
22- Ericson R., and Pakes A. 1995 .Markov-Perfect Industry Dynamics: A Framework for Empirical Work. The Review of Economic Studies, 62(1): (Jan., 1995), pp. 53-82, Published by: Oxford University Press.
23- Farrell, M.J. 1957. The Measurement of Productive Efficiency. Journal of the Royal Statistical Society. Series A (general), 120(30): 253-290
24- Griliches Z., and Mareisse, J. 1998. Production functions: The search for identification. In Econometrics and Economic Theory in the Twentieth Century: The Ragnar Prisch Centennial Symposium, 169–203. Cambridge: Cambridge University Press.
25- Griliches Zvi. 1957. Specification Bias in Estimates of Production Functions. Journal of Farm Economics. February, 39 (1): 8–20.
26- John R., Baldwin P., and Gorecki k. 1989. Firm Turnover and Market Structure: Concentration Statistics as a Misleading Practice. Working Papers 762, Queen's University, Department of Economics.
27- Levinsohn J., and Petrin A. 2003a. Estimating production function using inputs tocontrol for unobservables. Reviw of economic studies, 70(2):317-342.
28- Levinsohn J., and Petrin A. 2003b. On the micro-foundations of productivity growth. Mimeo: University of Chicago.
29- Lewis Arthur W.1954. Economic Development with Unlimited Supplies of Labor. The Manchester School, 22(2):139-191.
30- Lewis Arthur W. 1972. Reflections on Unlimited Supplies of Labor. In L. E. diMarco (ed.), International Economics and Development (Essays in Honor of Raul Prebisch), New York, Academic Press, pp. 75-96.
31- Marschak J., and Andrews W.H. 1944. Random simultaneous equations and the theory of production. Econometrical, 12: 143–205.
32- Martinez-Ruiz M.P., Molla-Descals A., Gomez-Borja M.A., and Rojo-Álvarez J.L. 2006. Evaluating temporary retail price discounts using semi parametric regression. Journal of Product & Brand Management, 15 (1): 73 – 80
33- Mossa Charles B., and Schmitz Troy G. 2006. A semi parametric estimator of the Zellner production function for corn: fitting the univariate primal. Applied Economics Letters, 13(13):863-867.
34- Olley G.S., and Pakes A. 1996. The dynamics of productivity in the telecommunications equipment industry. Econometrical, 64: 1263–1297.
35- Pavcnik N. 2002. Trade liberalization, exit, and productivity improvements: Evidence from Chilean plants. Review of Economic Studies, 69: 245–276.
36- Pakes A. 1994. The Estimation of Dynamic Structural Models: Problems and Prospects. Part II. Mixed Continuous-Discrete Control Models and Market Interactions," Chapter 5, pp. 171-259, of Advances in Econometrics: Proceedings of the 6th World Congress of the Econometric Society, edited by J.J. Laont and C. Sims.
37- Simar L., and Wilson P. 2007. Estimation and Inference in Two-Stage, Semi-Parametric Models of Production Processes. Journal of Econometrics, 136: 31–64
38- Ucal M.,Özcan K.M., Bilgin M.H., and Mungo J. 2010. Relationship between financial crisis and foreign direct investment in developing countries using semi parametric regression approach. Journal of Business Economics and Management, 11(1): 20–33.
39- Wedervang F. 1965. Development of a Population of Industrial Firms. Scan- dinavian University Books, Oslo, Norway.
40- Wooldridge J. 2005. On estimating firm-level production functions using proxy variables to control for unobservables. Mimeo: Michigan State University.
41- Yasar M., Raciborski R., and Poi B.P. 2008 . Production function estimation in Stata using the Olley and Pakes method. Stata Journal, 8: 221–231.