Transcript Lecture 6
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 Dto1 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 uit1 vit1 uit1 TE ln TEvo ln it1 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 m1 x 1 K K K ln SEC ekit1 1 skit1 ekit 1 skit ln kit1 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 m1 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 m1 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