หล ักสูตรอบรม
ิ ธิภาพและผลิตภาพของการผลิตสน
ิ ค้าเกษตร
การว ัดประสท
ผศ. ดร. ศุภว ัจน์ รุง
่ สุรย
ิ ะวิบล
ู ย์
คณะเศรษฐศาสตร์
ี งใหม่
มหาวิทยาล ัยเชย
Lecture 6: ขอบเขตเนือ
้ หา
ึ ษาการวัดประสท
ิ ธิภาพและการเพิม
ิ ค ้าการเกษตร
• กรณีศก
่ ผลผลิตในสน
้
ิ ธิภาพและการเพิม
• ตัวอย่างการประยุกต์ใชการวั
ดประสท
่ ผลผลิต
ึ ษา 1
กรณีศก
• Wiboonpongse, A. and Sriboonchitta, S. “The Effects of
Production Inputs, Technical Efficiency and Other Factors
on Jasmine and Non-Jasmine Rice Yields in Thailand”
working paper, MMC, Chiang Mai, University
• Objectives
1. This study measures technical efficiency on jasmine and nonjasmine rice yields in Thailand
2. This study measures factors affecting the productive efficiency on
rice farms
ึ ษา 1
กรณีศก
• Model Specification
The translog production function is defined as







ln y j  α 0  α1lnx1 j  α 2lnx2 j  α 2lnx2 j  0.5β11 lnx1 j 2  β12 lnx1 j lnx2 j  β13 lnx1 j lnx3 j







7
 0.5β 22 lnx2 j 2  β 23 lnx2 j lnx3 j  0.5β33 lnx3 j 2   γ i Di  v j  u j
i 1
,
j 1,2
The inefficiency equation is defined as
μ ji  δ11  δ12Eductionji  δ13 Ageji  δ14Laborforceji
 δ15Maleji  δ16laborration ji  eki
, i 1,...,n
Using inefficiency effects model presented by Battese and Coelli
(1995)

ึ ษา 1
กรณีศก
• Data
1. The crop year 1999/2000
2. 489 rice farms from Chiang Mai, Phitsanulok, Tung Gula Ronghai
Variable
Y : Yield (kg/rai)
X1 : Seed (kg/rai)
X2 : Chemical Fertilizer (kg/rai)
X3 : Labor (man-hours)
D1 : Other Chemical Fertilizers referring to
insecticide, fungicide and pesticide
D2 : Phitsanulok province
D3 : Tung Gula Ronghai province
D4 : Transplant
D5 : Irrigagion
D6 : Drought
D7 : Neck blast
Factor Variable
Education (year)
Age (year)
Labor (person)
Male-Labor (ratio)
แบบจาลองวิเคราะห์ผลกระทบทีก
่ อ
่ ให ้เกิดความไม่ม ี
ิ ธิภาพ (Modeling Inefficiency Effects Analysis)
ประสท
้
่ คือ
• หัวข ้อทีน
่ ่าสนใจอีกประการหนึง่ ในการวิเคราะห์เสนพรมแดนเช
งิ เฟ้ นสุม
ึ ษาถึงตัวแปรทีเ่ ป็ นตัวแทนของปั จจัยภายนอกทีไ่ ม่ใชต
่ ัวแปรปริมาณ
การศก
ปั จจัยการผลิต (input quantities) และผลผลิต (quantities) ทีม
่ ผ
ี ลกระทบ
ิ ธิภาพในการผลิตของหน่วยผลิต
ต่อประสท
• Battese และ Coelli (1995) เสนอไว ้ว่าตัวแปรทีอ
่ ธิบายถึงปั จจัยภายนอก
ของ หน่ ว ยผ ลิ ต ต่ อ ปร ะ ส ิ ท ธิ ภ าพ ใ นกา รผ ลิ ต ส า ม าร ถ ปร ะ เมิ น ร่ ว ม กั บ
ั พันธ์ของการเปลีย
ความสม
่ นแปลงเชงิ เทคนิค (technical change) และการ
ิ ธิภาพ (efficiency change) ต่อหน่วยเวลา
เปลีย
่ นแปลงเชงิ ประสท
แบบจาลองวิเคราะห์ผลกระทบทีก
่ อ
่ ให ้เกิดความไม่ม ี
ิ ธิภาพ (Modeling Inefficiency Effects Analysis)
ประสท
• แบบจาลองของ Battese และ Coelli (1995) กาหนดไว ้ ดังนี้
yit = xitß+(vit – uit) โดยที่ i = I,..,N และ t = 1,..,T
ทีซ
่ งึ่
yit, xit คือ คือ logarithm ของผลผลิตและปั จจัยการผลิตของหน่วย
ผลิตที่ i ณ เวลา t
ß คือ ตัวแปรทีไ่ ม่ทราบค่าทีต
่ ้องการประเมิน
่ (random error), vit ~ iid
vit คือ ตัวแปรความผิดพลาดเชงิ เฟ้ นสุม
N(0, σv2)
่ ค่าบวกทีใ่ ชแสดงค่
้
ิ ธิภาพเชงิ
uit คือ ตัวแปรเชงิ เฟ้ นสุม
าประสท
เทคนิค (technical efficiency), uit ~ iid N+(mit, σu2) โดยที่ mit = zitδ
ิ ธิภาพ
ทีซ
่ งึ่
zit คือ (px1) เวคเตอร์ของตัวแปรซงึ่ สง่ ผลกระทบต่อประสท
ในการผลิตของหน่วยผลิต
δ คือ (1xp) เวคเตอร์ของตัวแปรทีถ
่ ก
ู ประเมิน
ึ ษา 2
กรณีศก
• Rungsuriyawiboon S. and Lissitsa, A. “Agricultural Productivity
Growth in the European Union and Transition Countries”
Journal of International Agricultural Trade and Development
(forthcoming, 2007)
• Objectives
1. This study measures and compares the levels and trends in
agricultural productivity in transition countries with those of the
European Union countries
2. This study develops a parametric distance function model to
decompose the change in agricultural productivity growth
ึ ษา 2
กรณีศก
• Model Specification
1. The output-oriented TFP change can be decomposed as
ln  m
o
v
 xt 1 , yt 1 , xt , yt    ln D
o
t 1
1   ln Dto1  ln Dto 
 ln D   

2  t
t 
o
t
 x 
1 K  K

 K

    ekt 1  1  skt 1    ekt  1  skt   ln  kt 1 
2 k 1  k 1

 k 1

  xkt 
 ln TEvo  ln TCvo  ln SCEvo ,
2. TC can be decomposed into the magnitude of TC, the output- and
input-biased TC
lnΔ TCvo  ln ΔTCco  ln ΔOBTCco  ln ΔIBTCco
ึ ษา 2
กรณีศก
• Model Specification
3. The estimating form of the translog output distance function can be
defined as
M 1
K
1 M 1 M 1
*
 ln y Mit   0   ym  ln ymit

m 1

2
*
*
   ym ym ln ymit ln ymit    xk lnxkit
m 1 n 1
k 1
K M 1
1 K K
1
*
2
   xk xl ln xkit ln xlit     xk ym ln xkit ln ymit   z t   tt t
k 1 m 1
2 k 1 l 1
2
K
M 1
k 1
m 1
*
   xk t lnxkitt    ymt ln ymit
t  ln Dito ,
The components of the TFP change decomposition in terms of
parameter estimates are
 E exp uit1 vit1  uit1  
 TE 

ln TEvo  ln it1   ln






E
exp

u
v

u
it
it
it
 TEit 


K


2



t

1
2

    xk t  ln xkit 1  ln xkit 

t
tt 

1
k 1

ln TCvo    M 1
2

*
*
    ymt  ln ymit 1  ln ymit 

 m1

 x 
1 K  K

 K

ln SEC      ekit1  1  skit1     ekit  1  skit   ln kit1 
2 k 1  k 1

 k 1

  xkit 
o
v
ึ ษา 2
กรณีศก
• Model Specification
4. The translog output distance function under the CRS model is
M 1
 ln yMit  ln xKit   0   ym  ln y
m 1
K 1
  x lnxkit* 
k 1
k
 t t 
*
mit
1 M 1 M 1
*
*
    ym ym ln ymit
ln ymit

2 m1 n 1
K 1 M 1
1 K 1 K 1
*
*
*
*

ln
x
ln
x

 xk ym ln xkit
ln ymit



xk xl
kit
lit
2 k 1 l 1
k 1 m 1
K 1
M 1
1
*
 tt t 2    xk t lnxkit
t    ymt ln ym* it t  ln Dito ,
2
k 1
m 1
The components of the TC decomposition in terms of parameter
estimates are
K 1
M 1


*
*
ln ΔM co  β t  β tt t 1 2   β xk t ln xkit
  β ymt ln ymit
ln OBΔTco  
ln IBΔTco  
k 1
m 1

1 M 1
*
*
 β ymt ln ymt 1 ymt
2 m1

1 K 1
*
*
 β x t ln xkt 1 xkt
k
2 k 1


ึ ษา 2
กรณีศก
• Data
1. A panel data set of 46 European countries during the time period of
1992 to 2002.
2. Data are obtained from the Food and Agriculture Organization (FAO)
3. Countries are divided into three categories: EU15, EU10, and the
transition (Trans) countries
Group
Country
EU15
Austria, Belgium-Luxembourg, Denmark, Finland, France, Germany, Greece,
Ireland, Italy, Netherlands, Norway, Portugal, Spain, Sweden, Switzerland, UK
EU10
Cyprus, Czech Republic, Estonia, Hungary, Latvia, Lithuania, Malta, Poland,
Slovakia, Slovenia
Trans
Albania, Armenia, Azerbaijan, Belarus, Bosnia-Herzegovina, Bulgaria, Croatia,
Georgia, Kazakhstan, Kyrgyzstan, Macedonia, Moldova Republic, Romania,
Russian Federation, Serbia-Montenegro, Tajikistan, Turkey, Turkmenistan,
Ukraine, Uzbekistan
ึ ษา 2
กรณีศก
• Data
4. The production technology is represented by two outputs (crops and
livestock) and five inputs (land, tractors, fertilizer, labor, and livestock
inputs).
Output series are derived by aggregating detailed output quantity
data on 127 agricultural commodities (115 crop commodities and 12
livestock commodities).
Inputs
1. The land input represents the arable land, land under permanent
crops and the area under permanent pasture in hectares.
2. The tractor input includes the total number of wheel and crawler
tractors used in agriculture.
3. Labour refers to the economically active population in agriculture.
4. Fertilizer input is the sum, in nutrient-equivalent terms, of the
commercial use of nitrogen, potassium, and phosphate expressed in
thousands tons.
5.The livestock input is the sheep-equivalent of buffalo, cattle, swine,
sheep, and goat inventories.
ึ ษา 2
กรณีศก
• Results
1. The estimated coefficients are
VRS Model
CRS Model
Parameter
β0
βy1
βy1y1
βx1
βx2
βx3
βx4
βx5
βx1x1
βx2x2
βx3x3
βx4x4
βx5x5
βx1x2
βx1x3
βx1x4
βx1x5
βx2x3
βx2x4
βx2x5
βx3x4
βx3x5
βx4x5
βx1y1
βx2y1
βx3y1
βx4y1
βx5y1
βt
βtt
βx1t
βx2t
βx3t
βx4t
βx5t
βy1t
σ2
γ
Estimates
t-Statistic
Estimates
t-Statistic
0.3694
0.2986
0.8281
-0.1175
-0.1945
-0.2154
-0.0259
-0.4675
0.0936
0.0010
-0.1328
0.3414
0.4778
-0.0455
0.0943
-0.1264
-0.0897
0.1276
-0.0554
-0.1225
0.0760
-0.0860
-0.1442
-0.1999
-0.1379
-0.1351
-0.1762
0.5039
-0.0257
0.0023
-0.1789
-0.0121
0.0424
0.1328
0.0995
-0.0599
0.0754
0.7186
8.4473
12.7308
9.4575
-5.2767
-9.2042
-8.3084
-1.0267
-10.9166
2.1319
0.0288
-5.0181
6.8838
4.1586
-1.3196
3.0327
-3.7959
-1.4725
7.1548
-1.8007
-1.9714
1.7289
-1.2925
-2.0204
-3.5792
-3.7666
-3.7880
-3.1119
5.6849
-8.2120
1.0809
-3.7616
-0.2991
0.8754
2.5739
1.2228
-0.9429
5.6135
5.7077
0.3731
0.2984
0.7190
-0.1686
-0.1580
-0.2429
-0.0367
-0.0511
0.0005
-0.1506
0.3275
-0.0134
0.0281
-0.0660
0.1025
-0.0446
0.0560
-0.0970
-0.0894
-0.1621
-0.1373
-0.0285
0.0016
-0.1206
0.0037
0.0829
0.0832
-0.0542
0.1039
0.8050
12.1027
12.6969
8.5861
-6.7910
-9.1738
-10.7577
-1.5445
-1.3885
0.0156
-5.3123
6.5980
-0.3712
0.8866
-2.1123
5.6955
-1.5798
1.4690
-1.9060
-2.5437
-4.2278
-2.5177
-8.5171
0.6952
-2.3928
0.0850
1.6432
1.5929
-0.8118
8.4026
13.3691
ึ ษา 2
กรณีศก
• Results
2. Weighted Annual Growth Rates of the MPI Change Decomposition by
Country Group (in %)
Period
Region
TEC
TC
SEC
TFPC
1992-1994
1994-1996
1996-1998
1998-2000
2000-2002
1992-2002
1992-1994
1994-1996
1996-1998
1998-2000
2000-2002
1992-2002
1992-1994
1994-1996
1996-1998
1998-2000
2000-2002
1992-2002
1992-1994
1994-1996
1996-1998
1998-2000
2000-2002
1992-2002
EU15
EU15
EU15
EU15
EU15
EU15
EU10
EU10
EU10
EU10
EU10
EU10
Trans
Trans
Trans
Trans
Trans
Trans
All
All
All
All
All
All
-0.793
0.181
0.074
0.310
0.180
-0.182
-0.883
0.636
0.315
0.151
0.226
0.189
-0.142
-0.384
-0.003
0.407
0.279
0.039
-0.606
0.144
0.129
0.289
0.228
0.015
1.440
1.164
0.931
0.690
0.479
1.262
1.216
1.171
0.916
0.659
0.431
1.127
1.496
1.374
1.233
1.058
0.895
1.261
1.384
1.236
1.027
0.802
0.602
1.250
-0.001
0.043
0.033
0.099
0.046
0.064
0.014
-0.032
-0.015
0.056
-0.028
-0.004
0.260
0.009
0.008
-0.122
0.021
0.035
0.091
0.007
0.009
0.011
0.013
0.032
0.646
1.388
1.038
1.099
0.705
1.144
0.347
1.775
1.216
0.866
0.629
1.312
1.614
0.999
1.238
1.343
1.195
1.435
0.869
1.387
1.164
1.103
0.843
1.297
ึ ษา 2
กรณีศก
• Results
3. Weighted Annual Growth Rates of TC Decomposition by Country
Group (in %)
Period
1992-1994
1994-1996
1996-1998
1998-2000
2000-2002
1992-2002
1992-1994
1994-1996
1996-1998
1998-2000
2000-2002
1992-2002
1992-1994
1994-1996
1996-1998
1998-2000
2000-2002
1992-2002
1992-1994
1994-1996
1996-1998
1998-2000
2000-2002
1992-2002
Region
EU15
EU15
EU15
EU15
EU15
EU15
EU10
EU10
EU10
EU10
EU10
EU10
Trans
Trans
Trans
Trans
Trans
Trans
All
All
All
All
All
All
Magnitude
TC
2.047
1.676
1.542
1.202
1.217
1.537
1.720
1.573
1.200
1.187
0.863
1.309
1.643
2.597
2.441
2.192
2.149
2.204
1.803
1.949
1.728
1.527
1.410
1.683
Output-Biased
TC
Input-Biased
TC
Output1
Output2
Input1
Input2
Input3
Input4
Input5
-0.057
0.087
-0.011
0.048
-0.034
0.009
0.002
0.113
0.001
-0.091
-0.037
-0.003
-0.130
-0.002
-0.071
0.085
0.100
-0.005
-0.079
0.057
-0.029
0.048
0.015
0.003
0.008
-0.021
-0.017
0.004
-0.006
-0.009
0.144
-0.026
-0.019
0.038
-0.025
0.030
0.073
0.112
0.049
0.024
-0.007
0.069
0.047
0.028
0.007
0.014
-0.008
0.024
-0.010
-0.009
-0.004
-0.015
-0.006
-0.012
-0.006
-0.013
-0.006
-0.019
-0.030
-0.020
-0.011
0.011
-0.026
-0.013
0.017
-0.006
-0.010
-0.002
-0.011
-0.015
0.000
-0.010
0.000
0.001
0.001
0.001
0.000
0.001
-0.004
-0.002
0.000
-0.003
-0.001
-0.003
0.003
0.006
0.005
0.005
0.000
0.005
0.001
0.002
0.002
0.002
0.000
0.002
-0.044
-0.036
0.043
0.141
0.096
0.054
-0.161
-0.143
0.048
-0.052
-0.041
-0.095
1.155
0.052
0.165
0.000
-0.124
0.341
0.418
-0.015
0.086
0.074
0.003
0.155
0.095
0.097
0.100
0.102
0.113
0.140
0.064
0.071
0.073
0.076
0.082
0.100
0.061
0.062
0.063
0.063
0.060
0.085
0.078
0.082
0.084
0.086
0.091
0.116
-0.018
0.008
-0.006
-0.003
-0.024
-0.011
-0.141
-0.059
-0.029
-0.086
-0.021
-0.092
-0.079
-0.133
-0.133
-0.048
-0.039
-0.117
-0.054
-0.051
-0.054
-0.026
-0.029
-0.058
ึ ษา 2
กรณีศก
• Results
4. The weighted average TFP growth in the European agriculture over
the study period grew at 1.297% per annum, which was driven
primarily by a 1.250% increase in TC and significant changes in TEC,
first negative in early years, then positive starting in 1994. SEC is a
small to negligible component of TFP.
The EU15 operated at higher TE levels than the EU10 and Trans
countries over the study periods; however, the EU10 and transition
countries, demonstrated greater growth in TE and TFP than the EU15.
The process of EU membership has accelerated reforms for the EU10
countries, most notably in Lithuania, Slovakia and Latvia, and to a
lesser extent also in Bulgaria and Romania.
As researchers and policy makers discuss the “pros and cons” of
possible future enlargements of EU, the analysis in this study suggests
that there may be benefits in improved TE and TC growth for the
candidate countries.
ตัวอย่าง
• Measuring technical efficiency on conventional and certified organic
Jasmine rice farms
• 20 conventional farms and 20 certified organic farms
• The crop year 2005
• Stochastic frontier analysis
ตัวอย่าง
• Data
1. Yield of jasmine rice in terms of paddy measured in kilograms
2. Total amount of seeds used in jasmine rice farming measured in
kilograms
3. Total farm lands (both hired and family land) devoted to jasmine rice
cultivation measured in rais
4. Total amount of labors (both hired and family labor) used in jasmine
rice farms measured in rais
5. Total amount of natural and chemical fertilizers applied in jasmine
rice production
6. Total amount of machinery (both hired and family labor machinery)
used in jasmine rice farms measured in hours
ตัวอย่าง
• Model Specification
1. Define a production technology consisting of one output and five
inputs
Production function VS distance function
Cobb Douglas VS Translog
ั เสนพรมแดนการผลิ
้
ฟั งก์ชน
ตทีม
่ รี ป
ู แบบ Translog สามารถแสดงได ้ดังนี้
5
5 5
k 1
k 1l 1
ln yi  α0   αk lnxki  0.5   αkl lnxki lnxli  vi  ui
รูปแบบ Cobb Douglas สามารถแสดงได ้ดังนี้
5
ln yi  α0   αk x ki  vi  ui
k 1
, i 1,...,40
ตัวอย่าง
• Model Specification
2. Estimate the stochastic production frontier function
Cross-sectional data, year 2005
Normal-Half Normal Model VS Normal-Truncated Normal Model
3. Test of hypothesis
Functional forms between Cobb Douglas and Translog
Existence of inefficiency effect
4. Calculate the technical efficiency and analyze the results
5. Discuss the policy implications
ิ ธิภาพกาไร
การวัดประสท
ิ ราคาของผลผลิต p ε R++M และ ราคาของปั จจัยการ
• พิจารณาหน่วยผลิตเผชญ
ผลิต w
ε R++K โดยทีห
่ น่ วยผลิตต ้องการกาไรสูงสุดในการผลิต (p’y-w’x)
จากการใชปั้ จจัยการผลิต x
ε R+K ทีก
่ าหนด เพือ
่ ผลิต y
ε R+M การวัด
ิ ธิภ าพกาไรสามารถกาหนดได ้จากอัต ราส่ว นของกาไรแท ้จริง (actual
ประส ท
ั พันธ์
profit) ต่อกาไรสูงสุด (maximum profit) ดังความสม
PE(y,x,p,w) = (p’y-w’x)/π(p,w)
ิ ธิภาพกาไรออกเป็ นสว่ นประกอบต่างๆ สามารถทาได ้โดยการ
การแยกค่าประสท
้
ใชปั้ จจัยการผลิต (input-oriented) หรือ การใชผลผลิ
ต (output-oriented)
ิ ธิภาพกาไร
การวัดประสท
้ ลผลิต (output-oriented)
ิ ธิภาพกาไรโดยการใชผ
• การแยกค่าประสท
จากรู ป แสดงหน่ วยผลิต ก าลั ง เผช ิญ ระดั บ ราคา
(pA,wA) และโดยการใชปั้ จจัยการผลิต xA เพือ
่ ผลิต
A
ิ ค ้า y การเพิม
ิ ธิภาพเชงิ เทคนิคโดยการ
สน
่ ประสท
้
ใช ผลผลิ
ต สามารถท าได ้โดยการเพิม
่ สั ด ส ่ว นของ
A
ผลผลิต ในแนวรั ศ มี เ ป็ น Øy ซ ึ่ง ส ่ ง ผลให ก
้ าไ ร
ิ ธิภ าพก าไรแก่ห น่ ว ย
เพิม
่ ขึน
้ และก่อ ให ้เกิด ประส ท
ผลิต (profit efficiency) อย่างไรก็ตามหน่วยผลิตที่
ิ ค า้ ณ ระดั บ ØyA จะเผช ญ
ิ กั บ ความไม่ ม ี
ผลิต ส น
ิ ธิภาพเชงิ แบ่งสรรของผลผลิต รวมถึงหน่ ว ย
ประสท
ิ กั บ
ผลิต ที่ใ ช ปั้ จจั ย ผลผลิต xA ที่ก าหนดจะเผช ญ
ควา มไ ม่ ม ี ป ระส ิท ธิ ภ า พเ ช ิง แ บ่ ง สรรของปั จจั ย
ผลผลิต
ิ ธิภาพทัง้ สองนี้จะทาให ้ระดับกาไร
ความไม่มป
ี ระสท
้
ของหน่วยผลิตลดลงโดยมีระดับตา่ กว่าเสนพรมแดน
กาไร π(pA,wA) สาเหตุอก
ี ประการทีก
่ อ
่ ให ้เกิดความ
ิ ธิภาพกาไรของหน่วยผลิต คือความไม่ม ี
ไม่มป
ี ระสท
ิ ธิภาพของขนาด (scale inefficiency)
ประสท
พิจารณาปริมาณผลผลิตและปั จจั ยการผลิต (ØyA,xA) ซงึ่ ก่อให ้เกิดขนาดของการผลิตที่
ิ ธิภาพเพือ
เล็กทีไ่ ม่มป
ี ระสท
่ ให ้เกิดกาไรสูงสุด หน่ วยผลิตสามารถเพิม
่ กาไรสูงสุดโดยการ
้
ผลิตทีต
่ าแหน่ง E ดังนั น
้ ขนาดของการผลิตทีเ่ หมาะสมจึงเป็ นอีกปั จจัยทีใ่ ชในการอธิ
บาย
ิ ธิภาพกาไรของหน่วยผลิตในกระบวนการผลิต
ประสท
ิ ธิภาพกาไร
การวัดประสท
ิ ธิภาพกาไร
• การแยกค่าประสท
จากความสัมพันธ์ทไี่ ด ้แสดงไว ้ข ้างต ้นนี้สามารถกล่าวโดยสรุปได ้ว่าการได ้มา
ั ปั จจัยต่างๆอันได ้แก่
ซงึ่ กาไรสูงสุดของหน่วยผลิตในการผลิตต ้องอาศย
1 . ก า ร มี ป ร ะ ส ิ ท ธิ ภ า พ เ ช ิ ง เ ท ค นิ ค ใ น ก ร ะ บ ว น ก า ร ผ ลิ ต (technical
efficiency)
้ มาณของปั จจัยการผลิตทีส
2. การใชปริ
่ ัมพันธ์กับราคาของปั จจัยการผลิตใน
อัตราสว่ นทีเ่ หมาะสม (input allocative efficiency)
ั พันธ์กบ
ั สว่ นที่
3. การใชก้ าลังการผลิตของผลผลิตทีส
่ ม
ั ราคาของผลผลิตในสด
เหมาะสม (output allocative efficiency)
้
4. การเลือกใชขนาดของการผลิ
ตทีเ่ หมาะสมในการผลิตโดยสัมพันธ์กับราคา
ของผลผลิตและปั จจัยการผลิต (scale efficiency)
ิ ธิภ าพด งั กล่า วท งั้ หมดรวมก น
ิ ธิภ าพก าไร (profit
ประส ท
ั ได้ ประส ท
efficiency)
้
่
การวิเคราะห์เสนพรมแดนก
าไรเชงิ เฟ้ นสุม
•
ถ ้าราคาของผลผลิต และปั จจั ย การผลิต สามารถจั ด หาได ้ และการก าหนด
พฤติกรรมของหน่ วยผลิตโดยอาศัยสมมติฐานทีว่ ่าหน่ วยผลิตต ้องการกาไรใน
ั
้
การผลิตสูงสุดมีความเหมาะสม Kumbhakar (2000) ได ้เสนอฟังก์ชนเส
น
่ (stochastic profit frontier) ไว ้ดังนี้
พรมแดนกาไรเชงิ เฟ้นสุม
 
ln πi  π pi , wi ;β vi  ui
ทีซ
่ งึ่ πi, pi, wi คือ คือ กาไรทีเ่ กิดขึน
้ จริง ราคาของผลผลิตและปั จจั ยการผลิต
ของหน่วยผลิตที่ i
ß คือ ตัวแปรทีไ่ ม่ทราบค่าทีต
่ ้องการประเมิน
้ สดงค่า ประส ท
ิ เฟ้ นสุ่ม ค่า บวกทีใ่ ช แ
ิ ธิภ าพเช ง
ิ
ui
คือ ต ัวแปรเช ง
ิ ธิภาพกาไร (profit efficiency) ในการผลิต
เศรษฐศาสตร์ หรือประสท
่ (random error) ซงึ่ ใชเป็
้ น
vi คือ ต ัวแปรความผิดพลาดเชงิ เฟ้นสุม
ตัวแทนในการอธิบายถึงปั จจัยสาหรับความผิดพลาดต่างๆทีเ่ กิดจากการวัดและ
ปั จจัยความไม่แน่นอนทีไ่ ม่สามารถวัดได ้ในกระบวนการผลิต
ึ ษา 3
กรณีศก
• Setboonsarng S., Leung, P. and Cai, J. “Contract Farming and
Poverty Reduction: the Case of Organic Rice Contract
Farming in Thailand” ADB Institute Discussion Paper No. 49
• Objectives
1. To test whether contract rice farmers are more profitable than
non-contract rice farmers for comparable scale of operation
2. To test whether contract rice farmers are more (profit) efficient
than non-contract rice farmers for comparable scales of operation
3. To test whether contract farming is biased against small
farmers
ึ ษา 3
กรณีศก
• Data
1. 223 Contract rice farmers and 222 non-contract rice farmers from
five provinces (Phayao, Chiang Rai, Ubon Ratchathani, Surin, Yasothon)
2. Variables regarding the production technology consist of one output,
seven variable inputs and two fixed inputs
Variable
Rice output
Rice price
Seed price
Hire labor wage
Chemical fertilizer price
Organic fertilizer price
Machinery power price
Fuel price
Land
Capital asset
Units
Kg
Bath/kg
Bath/kg
Bath/person/day
Bath/kg
Bath/kg
Bath/rai
Bath/rai
Rai
bath
ึ ษา 3
กรณีศก
• Data
3. Farm-specific variables are
Variable
Units
Farm characteristics and endowments
1.
2.
3.
4.
Regional dummy (north=1, northeast=0)
Farm size
Land ownership (own=1, rent=1)
Rice income in total agricultural income
0/1
Rai
0/1
%
Demographic and other characteristics of household head
1.
2.
3.
4.
Experience in fragrant rice farming
Level of formal education
Age
Non-agricultural income in total Household income
Year
Year
Year
%
General production practices
1.
2.
3.
Amount of own labor
Amount of own organic fertilizer
Amount of own seed
%
%
%
ึ ษา 3
กรณีศก
• Model Specification
1. Estimate a dual variable profit frontier


ln π  π p, wi , x j ;β  vi
, i 1,...,7
,
j 1,2
where π = actual profit
p = price of output (one output)
w = price of variable inputs (7 variable inputs)
x = fixed inputs (2 fixed inputs)
2.
Measure the profit elasticity

π p, wi , x j ; β
wi

,

π p, wi , x j ; β
x j

ึ ษา 3
กรณีศก
• Model Specification
3. Calculate the profit efficiency (PE)
PE =
Actual profit
Actual profit + Profit loss
where profit loss is calculated as the difference between maximum
possible profit (that is, profit on the profit frontier) for each farm
and its actual profit
4.
Selection bias and counterfactual simulation