![[7] CI > p*[ Y1(x1, x2)*, Y2(x1, x2)*] - pA [Y1(x1, x2)A, Y2(x1, x2)A] ترجمة - [7] CI > p*[ Y1(x1, x2)*, Y2(x1, x2)*] - pA [Y1(x1, x2)A, Y2(x1, x2)A] العربية كيف أقول](http://arimg.ilovetranslation.com/_data/ilovetranslation_com_ar/pic/logo.gif?v=bcd0baaf9c61f708_1871){kind=logo}
- النص
- تاريخ
[7] CI > p*[ Y1(x1, x2)*, Y2(x1, x2
[7] CI > p*[ Y1(x1, x2)*, Y2(x1, x2)*] - pA [Y1(x1, x2)A, Y2(x1, x2)A]
information will not be gathered; hence input level will remain xA . In contrast, for a higher
level of x2, the above inequality will be reversed, thus inefficiency is eliminated.
Management structure: the impact of firm ownership on efficiency has long interested
agricultural economists. In sectors (such as agriculture) where economies of scale are weak and
technology is not overly complicated firms controlled by families may have an advantage over
those where a clear separation between ownership and control exists (see, e.g. Pollak, 1985).
Family-firms, in particular, may monitor resource use more efficiently; furthermore
"speculative" (as opposed to "purely productive") use of land may be less important for firms
where net incomes depend only on farming, as opposed to those where capital gains through
timing of purchase and sale of land may be a primary concern. The linkage between resource
ownership and efficiency, however, is clearly an empirical one: firms owned by outside
investors might be less concerned by risk considerations, tradition, or other constraints on
optimal resource use.
IV. DATA AND EMPIRICAL ANALYSIS
Analysis is made of the “worker” and “allocative” effects of the educational, firm size,
and firm ownership inputs, using production data for the most important agricultural region of
Argentina (provinces of Buenos Aires, Santa Fe and Cordoba). Decision-making units
correspond to partidos ("departamentos” for Cordoba and Santa Fé). A total of 146 crosssection
data points were available. Average values of production, revenue, land use and costs
for each of these were computed using a 20 year time period (1970-1989). Time period 0
corresponds to the 1970-79 period, and time period 1 to the 1980-89 period. Ideally, hypothesis
testing should proceed by fitting a production function to cross-section, time-series data. This
function allows estimation of the impact of human capital and the other variables on the
position of the production surface. Such an econometric exercise, however, requires a high11
quality data set, particularly if a multiple-output production process is to be modeled. Further,
errors due a badly specified technology might well mask inefficiency (or efficiency) levels. As
an alternative, simple measures of worker and allocative efficiency levels can be computed
without recourse to production function estimation. This is the approach to be taken here.
Total Factor Productivity: TFP change was calculated as the product of output change
times the reciprocal of change in input use. Change in total input use was derived as: [aE + (1-
a)T] where E represents change in cash production expenses, T represents change in land use
and a represents an estimate of the share of production expenses in total costs (production
expenses + land rent). A value a = 0.6 was assumed. 3
Returns to Fixed Factors: The extent to which price and technology changes are acted
upon by decision-makers can be gauged by comparing returns to fixed factors in a base period,
with returns in a future time period. Define change in returns as:
8] Dp10 = {pA[Y1(x1, x2), Y2(x1, x2)/H1]}/
{pA[Y1(x1, x2), Y2(x1, x2)/ H0]}
where Ht (t= 0,1) represents planted hectares in period 0 and 1. Change in TFP (expression [1])
as well as in returns to fixed factors (expression [8]) are used as dependent variables for
hypothesis-testing.
Land Input: planted hectares to the 5 principal crops constitutes the land input.
Variable Expenses: data at the "partido" level on variable expenses are not available
from formal surveys. Estimates of production expenses was obtained by using "engineering"
cost estimates reported in agricultural business publications (in particular from the
Agromercado monthly). These publications allow inter-zonal and inter-crop differences in
resource use patterns to be detected. Subjective corrections to data published in 1987 and 1999
were made in order to capture - at least roughly - differences in input use between the 1970's
and the 1980's.
Human Capital: A human capital (HC) proxy was derived by using the quotient:
where S and T represent population having assisted to secondary tertiary education, and Pop is
the population aged 14 and older. Two different HC values are derived . The first (HC1)
corresponds to human capital levels in the rural portion of each partido. This is "farm"
educational level. The second measure (HC2) is average HC of both rural and the urban
population. The rationale for this choice is the fact that "agricultural" decision-making skills
reside in farms as well as in urban areas that are surrounded by farms. Indeed, many farm
managers reside in urban areas; furthermore input and output markets depend crucially on the
level of decision-making skills that exist in "non-farm" businesses. It is expected that these
markets affect efficiency at the farm level. INDEC data of the Censo Nacional de Población y
Vivienda - Serie D Población (1980) was used to derive the HC indexes.
Firm Size: is defined as Land in Farms/Number of Farms. This measure is imperfect, as
it does not take into account differences in potential output due to differences in land quality.
Further, for this and the next variable, data was obtained from the Censo Nacional
Agropecuario (1988). Ideally, data from the late 1970's or early 1980's would have been more
appropriate given that the objective was to compare changes in efficiency levels between the
1970's and the 1980's.
Firm Ownership: separation between ownership and control was defined as the quotient:
[10] Owner = (PP + FP)/Total Land
where PP and FP represents, respectively, land area under personal and family property. The
denominator ("Total Land") includes PP and FP as well as firms under a "corporate" legal
form.
Hypothesis testing is carried out by regressing DTFP10 and Dp10 on human capital (rural
and urban), firm size and ownership variables. Further, dummy variables were used to attempt
to capture regional differences in technology and production potential (land- and weather
13
induced). A total of 5 production regions were defined. 4 These correspond roughly to the
classification of production areas frequently employed in agricultural business publications.
V. RESULTS
Data Description: Graphs 5-7 report variability of independent variables used in
regression models. Human Capital: Educational levels are lower in rural than in urban areas
(Graph 5a). The most frequent interval of the former is 10; of the latter 22 (as mentioned
previously these figures reflect percentage of population having assisted to secondary or
tertiary education).5 Further, human capital levels appears considerably less variable in rural
than in urban settings. Rural areas thus can be characterized by uniformly low educational
levels; in urban settings education is higher but also more variable. The regression model uses
as independent variable both rural as well as average (rural + urban) human capital. Graph 5b
reports variability of this last measure in the sample. As shown, in some 3/4 of observations the
proportion of individual who assisted to secondary or tertiary education ranges from 14 to 22
%.
Firm size is concentrated in the intervals spanning 0 - 600 hectares (Graph 6). Despite
the long-run trend to firm growth that appears pervasive in many agricultural economies, firms
(in 1988) were "medium sized". In 1999 dollars, assuming 100 % land ownership, total land
investments for a 300-hectare "modal" farm was approximately US$ 600.000. Total investment
will of course be larger due to (non-land) capital inputs; however land typically represents
about 80 % of total investment. In summary, the agricultural firm as analyzed here corresponds
(in total investment) to typical "medium sized enterprises" such as small manufacturing or
service firms. Net returns to the owner - operator (assuming a 5 percent return on capital) might
total US$ 30.000 a year, not much higher than that obtained by a supervisory white-collar
worker.
Firm Ownership: Personal or family property of land resources the dominant form of
organization. In 2/3 of the "partidos", this type of ownersip accounts for more than 3/4 of total
land controlled (Graph 7). Thus, "corporate" forms of organization are relatively infrequent.
Regression Results: Appendix 1 reports regression results for models:
[11] DTFP10 = f(HC1, Size, Owner)
[12] Dp10 = f(HC2, Size, Owner)
A one-tailed test (p = 0.10) is used to reject the null hypothesis of no effect of the
independent variables. The following results can be highlighted:
1. A relatively small (20 - 30 percent) of variation in DTFP and Dp can be explained
by variables included in the models. Difficulty in predicting these dimensions of
efficiency - even when including dummy variables for different agronomic areas - is
readily apparent.
2. The hypothesis of no relationship between HC and efficiency is not rejected for both
measures of HC and for both dependent variables. Thus, human capital does not
appear to be a variable explaining TFP productivity differentials (1980's vs 1970's),
or changes in returns to fixed factors in the same time period.
3. Firm size appears - as hypothesized - to have a positive effect on efficiency. t-values
for all models are highly significant. The existence of fixed costs in informationgathering
and technology adoption is therefore likely.
4. "Family" firms appear to be associated with higher TFP. However the evidence on
the impacts of ownership type on allocative efficiency is inconclusive.
information will not be gathered; hence input level will remain xA . In contrast, for a higher
level of x2, the above inequality will be reversed, thus inefficiency is eliminated.
Management structure: the impact of firm ownership on efficiency has long interested
agricultural economists. In sectors (such as agriculture) where economies of scale are weak and
technology is not overly complicated firms controlled by families may have an advantage over
those where a clear separation between ownership and control exists (see, e.g. Pollak, 1985).
Family-firms, in particular, may monitor resource use more efficiently; furthermore
"speculative" (as opposed to "purely productive") use of land may be less important for firms
where net incomes depend only on farming, as opposed to those where capital gains through
timing of purchase and sale of land may be a primary concern. The linkage between resource
ownership and efficiency, however, is clearly an empirical one: firms owned by outside
investors might be less concerned by risk considerations, tradition, or other constraints on
optimal resource use.
IV. DATA AND EMPIRICAL ANALYSIS
Analysis is made of the “worker” and “allocative” effects of the educational, firm size,
and firm ownership inputs, using production data for the most important agricultural region of
Argentina (provinces of Buenos Aires, Santa Fe and Cordoba). Decision-making units
correspond to partidos ("departamentos” for Cordoba and Santa Fé). A total of 146 crosssection
data points were available. Average values of production, revenue, land use and costs
for each of these were computed using a 20 year time period (1970-1989). Time period 0
corresponds to the 1970-79 period, and time period 1 to the 1980-89 period. Ideally, hypothesis
testing should proceed by fitting a production function to cross-section, time-series data. This
function allows estimation of the impact of human capital and the other variables on the
position of the production surface. Such an econometric exercise, however, requires a high11
quality data set, particularly if a multiple-output production process is to be modeled. Further,
errors due a badly specified technology might well mask inefficiency (or efficiency) levels. As
an alternative, simple measures of worker and allocative efficiency levels can be computed
without recourse to production function estimation. This is the approach to be taken here.
Total Factor Productivity: TFP change was calculated as the product of output change
times the reciprocal of change in input use. Change in total input use was derived as: [aE + (1-
a)T] where E represents change in cash production expenses, T represents change in land use
and a represents an estimate of the share of production expenses in total costs (production
expenses + land rent). A value a = 0.6 was assumed. 3
Returns to Fixed Factors: The extent to which price and technology changes are acted
upon by decision-makers can be gauged by comparing returns to fixed factors in a base period,
with returns in a future time period. Define change in returns as:
8] Dp10 = {pA[Y1(x1, x2), Y2(x1, x2)/H1]}/
{pA[Y1(x1, x2), Y2(x1, x2)/ H0]}
where Ht (t= 0,1) represents planted hectares in period 0 and 1. Change in TFP (expression [1])
as well as in returns to fixed factors (expression [8]) are used as dependent variables for
hypothesis-testing.
Land Input: planted hectares to the 5 principal crops constitutes the land input.
Variable Expenses: data at the "partido" level on variable expenses are not available
from formal surveys. Estimates of production expenses was obtained by using "engineering"
cost estimates reported in agricultural business publications (in particular from the
Agromercado monthly). These publications allow inter-zonal and inter-crop differences in
resource use patterns to be detected. Subjective corrections to data published in 1987 and 1999
were made in order to capture - at least roughly - differences in input use between the 1970's
and the 1980's.
Human Capital: A human capital (HC) proxy was derived by using the quotient:
where S and T represent population having assisted to secondary tertiary education, and Pop is
the population aged 14 and older. Two different HC values are derived . The first (HC1)
corresponds to human capital levels in the rural portion of each partido. This is "farm"
educational level. The second measure (HC2) is average HC of both rural and the urban
population. The rationale for this choice is the fact that "agricultural" decision-making skills
reside in farms as well as in urban areas that are surrounded by farms. Indeed, many farm
managers reside in urban areas; furthermore input and output markets depend crucially on the
level of decision-making skills that exist in "non-farm" businesses. It is expected that these
markets affect efficiency at the farm level. INDEC data of the Censo Nacional de Población y
Vivienda - Serie D Población (1980) was used to derive the HC indexes.
Firm Size: is defined as Land in Farms/Number of Farms. This measure is imperfect, as
it does not take into account differences in potential output due to differences in land quality.
Further, for this and the next variable, data was obtained from the Censo Nacional
Agropecuario (1988). Ideally, data from the late 1970's or early 1980's would have been more
appropriate given that the objective was to compare changes in efficiency levels between the
1970's and the 1980's.
Firm Ownership: separation between ownership and control was defined as the quotient:
[10] Owner = (PP + FP)/Total Land
where PP and FP represents, respectively, land area under personal and family property. The
denominator ("Total Land") includes PP and FP as well as firms under a "corporate" legal
form.
Hypothesis testing is carried out by regressing DTFP10 and Dp10 on human capital (rural
and urban), firm size and ownership variables. Further, dummy variables were used to attempt
to capture regional differences in technology and production potential (land- and weather
13
induced). A total of 5 production regions were defined. 4 These correspond roughly to the
classification of production areas frequently employed in agricultural business publications.
V. RESULTS
Data Description: Graphs 5-7 report variability of independent variables used in
regression models. Human Capital: Educational levels are lower in rural than in urban areas
(Graph 5a). The most frequent interval of the former is 10; of the latter 22 (as mentioned
previously these figures reflect percentage of population having assisted to secondary or
tertiary education).5 Further, human capital levels appears considerably less variable in rural
than in urban settings. Rural areas thus can be characterized by uniformly low educational
levels; in urban settings education is higher but also more variable. The regression model uses
as independent variable both rural as well as average (rural + urban) human capital. Graph 5b
reports variability of this last measure in the sample. As shown, in some 3/4 of observations the
proportion of individual who assisted to secondary or tertiary education ranges from 14 to 22
%.
Firm size is concentrated in the intervals spanning 0 - 600 hectares (Graph 6). Despite
the long-run trend to firm growth that appears pervasive in many agricultural economies, firms
(in 1988) were "medium sized". In 1999 dollars, assuming 100 % land ownership, total land
investments for a 300-hectare "modal" farm was approximately US$ 600.000. Total investment
will of course be larger due to (non-land) capital inputs; however land typically represents
about 80 % of total investment. In summary, the agricultural firm as analyzed here corresponds
(in total investment) to typical "medium sized enterprises" such as small manufacturing or
service firms. Net returns to the owner - operator (assuming a 5 percent return on capital) might
total US$ 30.000 a year, not much higher than that obtained by a supervisory white-collar
worker.
Firm Ownership: Personal or family property of land resources the dominant form of
organization. In 2/3 of the "partidos", this type of ownersip accounts for more than 3/4 of total
land controlled (Graph 7). Thus, "corporate" forms of organization are relatively infrequent.
Regression Results: Appendix 1 reports regression results for models:
[11] DTFP10 = f(HC1, Size, Owner)
[12] Dp10 = f(HC2, Size, Owner)
A one-tailed test (p = 0.10) is used to reject the null hypothesis of no effect of the
independent variables. The following results can be highlighted:
1. A relatively small (20 - 30 percent) of variation in DTFP and Dp can be explained
by variables included in the models. Difficulty in predicting these dimensions of
efficiency - even when including dummy variables for different agronomic areas - is
readily apparent.
2. The hypothesis of no relationship between HC and efficiency is not rejected for both
measures of HC and for both dependent variables. Thus, human capital does not
appear to be a variable explaining TFP productivity differentials (1980's vs 1970's),
or changes in returns to fixed factors in the same time period.
3. Firm size appears - as hypothesized - to have a positive effect on efficiency. t-values
for all models are highly significant. The existence of fixed costs in informationgathering
and technology adoption is therefore likely.
4. "Family" firms appear to be associated with higher TFP. However the evidence on
the impacts of ownership type on allocative efficiency is inconclusive.
0/5000
الأوقات المعاملة بالمثل التغيير في الإدخال استخدام. استمدت التغيير في استخدام المدخلات الكلية ك: [عبد اللطيف (1-
) T] حيث ه يمثل التغير في نفقات الإنتاج النقدي، T يمثل التغيير في استخدام الأراضي
ويمثل مصروفات تقديراً لحصة الإنتاج في مجموع التكاليف (إنتاج
الأرض نفقات الإيجار). قيمة = 0.6 وكان من المفترض. 3
ترجع إلى عوامل ثابتة: مدى الأسعار والتكنولوجيا التي هي تصرفت التغييرات
لدى صانعي القرار ويمكن قياس بمقارنة العودة إلى العوامل الثابتة في فترة أساس،
مع العائدين في فترة زمنية مقبلة. تعريف التغيير في العودة ك:
8] Dp10 = {السلطة الفلسطينية [Y1 (x 1, x 2)، Y2(x1, x2)/H1]}/
{السلطة الفلسطينية [Y1 (x 1, x 2), Y2 (x 1, x 2)/H0]}
حيث Ht (t = 0, 1) يمثل زرع هكتار في الفترة 0 و 1. التغير في عوامل الإنتاج (التعبير [1])
[7] CI > ف * [Y1(x1, x2) *، Y2(x1, x2) *]-السلطة الفلسطينية [Y1 (x 1, x 2), Y2 (x 1, x 2) A]
سوف لا يتم جمع المعلومات؛ ومن ثم سوف يظل مستوى الإدخال xA. وفي المقابل، لأعلى
المستوى x 2، سيتم عكس التفاوت المذكورة أعلاه، وبذلك يتم القضاء على عدم الكفاءة.
هيكل إدارة: أثر ملكية ثابتة في الكفاءة قد مهتمة منذ وقت طويل
اقتصاديين زراعيين. في القطاعات (مثل الزراعة) حيث ضعيفة وفورات الحجم و
التكنولوجيا ليست مفرطة التعقيد الشركات التي تسيطر عليها الأسر قد تكون لها ميزة على
تلك التي يوجد فيها فصل واضح بين الملكية والسيطرة (انظر، مثلاً بولاك، 1985).
شركات عائلية، وقد رصد على وجه الخصوص، استخدام الموارد أكثر كفاءة؛ وعلاوة على ذلك
استخدام "المضاربة" (بدلاً من "إنتاجية بحتة") من الأرض قد تكون أقل أهمية للشركات
حيث صافي الدخل تعتمد فقط على الزراعة، بدلاً من تلك التي فيها رأس المال مكاسب عن طريق
توقيت الشراء والبيع للأراضي قد تكون شاغلا أساسيا. الربط بين الموارد
الملكية، والكفاءة، ومع ذلك، هو وضوح أحد تجريبية: مملوكة لشركات خارج
المستثمرين قد يكون أقل اهتماما باعتبارات المخاطر أو التقاليد، أو القيود الأخرى على
الاستخدام الأمثل للموارد.
رابعا. تحليل البيانات التجريبية و
هو إجراء تحليل "عامل" وآثار "التخصيصية" من حجم شركة، التعليمية،
وشركة المدخلات ملكية، باستخدام بيانات الإنتاج للمنطقة الزراعية أهم من
(مقاطعة بوينس آيرس، الأرجنتين وسانتا في وقرطبة). وحدات اتخاذ القرارات
تتوافق مع الأحزاب السياسية ("[دبرتمنتوس]" لقرطبة ووسانتافي). ما مجموعة 146 crosssection
نقاط البيانات متاحة. متوسط قيم الإنتاج والإيرادات، واستخدام الأراضي وتكاليف
حسبت لكل من هذه باستخدام 20 سنة فترة زمنية (1970-1989). الفترة الزمنية 0
يناظر الفترة 1970-79، والفترة الزمنية 1 للفترة 1980-89. ومن الناحية المثالية، فرضية
اختبار ينبغي المضي قدما من خلال تركيب دالة إنتاج للمقطع العرضي، بيانات السلاسل الزمنية. هذا
الدالة يسمح تقدير أثر رأس المال البشري والمتغيرات الأخرى على
الموقف من على سطح الإنتاج. هذه عملية الاقتصاد قياسي، ومع ذلك، يتطلب high11
مجموعة بيانات نوعية، لا سيما إذا كانت عملية إنتاج المتعددة والمخرجات تكون على غرار. علاوة على ذلك،
قد تحجب الأخطاء الواجب تكنولوجيا سيئة محدد جيدا مستويات الكفاءة (أو الكفاءة). ك
يمكن حسابها تدابير البديلة، وبسيطة للعمال ومستويات الكفاءة التخصيصية
دون اللجوء إلى تقدير دالة الإنتاج. وهذا هو النهج الذي يمكن اتباعه هنا.
"إجمالي إنتاجية عوامل الإنتاج": تم حساب تغير عوامل الإنتاج كنتاج لتغير الإخراج
الأوقات المعاملة بالمثل التغيير في الإدخال استخدام. استمدت التغيير في استخدام المدخلات الكلية ك: [عبد اللطيف (1-
) T] حيث ه يمثل التغير في نفقات الإنتاج النقدي، T يمثل التغيير في استخدام الأراضي
ويمثل مصروفات تقديراً لحصة الإنتاج في مجموع التكاليف (إنتاج
الأرض نفقات الإيجار). قيمة = 0.6 وكان من المفترض. 3
ترجع إلى عوامل ثابتة:كذلك كما في إرجاع ثابت إلى العوامل (التعبير [8]) يتم استخدامها كمتغيرات تعتمد على ل
اختبار الفرضية.
"الإدخال الأرض": الهكتارات المزروعة بالمحاصيل الرئيسية 5 يشكل مساهمة الأراضي.
"نفقات متغير": لا تتوفر البيانات على مستوى "حزب" على مصروفات متغيرة
من الاستقصاءات الرسمية. تم الحصول على تقديرات نفقات الإنتاج باستخدام "الهندسة"
تكلفة التقديرات المبلغ عنها في المنشورات التجارية الزراعية (خاصة من
أجروميركادو شهريا). هذه المنشورات السماح بين منطقتين والمحاصيل بين الاختلافات في
الموارد استخدام أنماط للكشف عنها. تصويبات ذاتية للبيانات المنشورة في عامي 1987 و 1999
بذلت من أجل التقاط--على الأقل تقريبا-الاختلافات في استخدام المدخلات بين سبعينيات القرن العشرين
وال 1980.
"رأس المال البشري": مدى الأسعار والتكنولوجيا التي هي تصرفت التغييرات
لدى صانعي القرار ويمكن قياس بمقارنة العودة إلى العوامل الثابتة في فترة أساس،
مع العائدين في فترة زمنية مقبلة. تعريف التغيير في العودة ك:
8] Dp10 = {السلطة الفلسطينية [Y1 (x 1, x 2)، Y2(x1, x2)/H1]}/
{السلطة الفلسطينية [Y1 (x 1, x 2), Y2 (x 1, x 2)/H0]}
حيث Ht (t = 0, 1) يمثل زرع هكتار في الفترة 0 و 1. التغير في عوامل الإنتاج (التعبير [1])
استمدت وكيل رأس مال البشري (HC) باستخدام القسمة:
S و T تمثل السكان وجود مساعدة للتعليم الثانوي العالي، حيث البوب
السكان الذين تتراوح أعمارهم بين 14 وكبار السن. يتم اشتقاق قيم HC مختلفة اثنين. الأولى (HC1)
يتوافق مع مستويات رأس المال البشري في الجزء الريفي من كل حزب. وهذا "مزرعة"
المستوى التعليمي. التدبير الثاني (HC2) هو متوسط المفوض السامي على حد سواء في المناطق الريفية والمناطق الحضرية
السكان. والأساس المنطقي لهذا الاختيار هو حقيقة أن "الزراعي" مهارات صنع القرار
يقيمون في المزارع، وكذلك كما هو الحال في المناطق الحضرية التي تحيط بها المزارع. والواقع أن العديد من مزرعة
مديري يقيمون في المناطق الحضرية؛ وعلاوة على ذلك تعتمد أسواق المدخلات والمخرجات حاسمة على
مستوى مهارات صنع القرار الموجودة في الشركات "غير الزراعية". ومن المتوقع أن هذه
الأسواق تؤثر على الكفاءة على مستوى المزرعة. بيانات التعداد من y التعداد الوطني للسكان
Vivienda-الدوري الإيطالي د السكان (1980) تم استخدامه لاشتقاق فهارس HC.
"حجم الشركة": يعرف بأنه الأرض في مزارع/عدد مزارع. وهذا التدبير الكمال، ك
ملكية ثابتة: الفصل بين الملكية والسيطرة وعرف أنه الحاصل:
مالك [10] = (PP FP)/إجمالي الأراضي
حيث PP وتنظيم الأسرة يمثل، على التوالي، الأرض المنطقة الخاضعة للملكية الشخصية والعائلية.
قاسم (مجموع الأراضي "") يتضمن PP وتنظيم الأسرة، فضلا عن الشركات ضمن إطار قانوني "الشركات"
النموذج.
اختبار الفرضية هو الاضطلاع بتراجع DTFP10 و Dp10 في رأس المال البشري (الريفية
والحضرية)، شركة متغيرات الحجم والملكية. واستخدمت متغيرات وهمية، وأخرى محاولة
التقاط الاختلافات الإقليمية في التكنولوجيا وإمكانات الإنتاج (الأرض والطقس
13
الناجمين عن). وحددت مجموعة من 5 مناطق الإنتاج. 4 هذه تتوافق مع تقريبا إلى
تصنيف لمناطق الإنتاج كثيرا ما يعملون في الأعمال الزراعية المنشورات.
"ف نتائج"
"وصف البيانات": الرسوم البيانية 5-7 التقرير تقلب من المتغيرات المستقلة المستخدمة في
نماذج الانحدار. رأس المال البشري: المستويات التعليمية أقل في المناطق الريفية منه في المناطق الحضرية
(Graph 5a). الفاصل الزمني الأكثر شيوعاً من السابق هو 10؛ 22 الأخير (كما ذكر
أنها لا تأخذ في الاعتبار الاختلافات في الناتج المحتمل بسبب الاختلافات في نوعية الأراضي.
كذلك، لهذا والمتغير التالي، تم الحصول على البيانات من ناسيونال التعداد
الزراعية (1988). ومن الناحية المثالية، بيانات من أواخر السبعينات أو أوائل عام 1980 كان أكثر
مناسباً نظراً لأن الهدف مقارنة التغيرات في مستويات الكفاءة بين
في عامي 1970 و 1980.
سابقا أن هذه الأرقام تعكس النسبة المئوية من السكان قد ساعدت على الثانوية أو
التعليم العالي).5 مستويات رأس المال البشري، وكذلك يظهر المتغير أقل بكثير في المناطق الريفية
مما في البيئات الحضرية. المناطق الريفية وبالتالي يمكن أن تتميز بشكل موحد منخفض التعليمية
المستويات؛ في المناطق الحضرية التعليم العالي ولكن أيضا أكثر من متغير. يستخدم نموذج الانحدار
كمتغير مستقل على حد سواء الريفية، فضلا عن متوسط (الريفية الحضرية) رأس المال البشري. الرسم البياني 5b
تقارير تقلب هذا التدبير الأخير في العينة. كما هو موضح، في حوالي 3/4 من الملاحظات
تتركز نسبة الأفراد الذين ساعدوا على نطاقات التعليم الثانوي أو التعليم العالي من 14 إلى حجم 22
%.
Firm في فترات تمتد من 0-600 هكتار (الرسم البياني 6). وعلى الرغم من
الاتجاه الطويل الأجل للنمو الثابت الذي يظهر منتشرة في العديد من الاقتصادات الزراعية، كانت الشركات
(in 1988) "متوسطة الحجم". 1999 دولار أمريكي، على افتراض ملكية الأرض 100%، من مجموع الأراضي
كان حوالي 600.000 دولار أمريكي من الاستثمارات للهكتار الواحد 300 مزرعة "مشروط". مجموع الاستثمار
بالطبع ستكون أكبر بسبب مدخلات رأس المال (غير الأرض)؛ ومع ذلك تمثل الأراضي عادة
حوالي 80% من إجمالي الاستثمارات. وباختصار، الشركة الزراعية كما حللت هنا يقابل
(in total investment) إلى نموذجي "المتوسطة الحجم الشركات" مثل الصناعات التحويلية الصغيرة أو
خدمة الشركات. إرجاع صافي للمالك--المشغل (على افتراض 5 في المئة العائد على رأس المال) قد
مجموع الولايات المتحدة مبلغ 30.000 سنوياً، ليس أعلى بكثير من تلك التي حصل عليها ياقة بيضاء إشرافية
عامل.
"ملكية الشركة": مالك)
اختبار واحد الذيل (ف = 0.10) يستخدم لرفض الفرضية خالية من أي تأثير
المتغيرات المستقلة. ويمكن إبراز النتائج التالية:
1. A نسبيا ويمكن تفسير الصغيرة (20-30 في المائة) من التباين في دتفب و Dp
حسب المتغيرات المدرجة في النماذج. صعوبة في التنبؤ بهذه الأبعاد من
الكفاءة--حتى عندما بما في ذلك متغيرات وهمية لمختلف المجالات الزراعية-
بادية للعيان.
2. لا يتم رفض الفرضية لا يوجد علاقة بين المفوض السامي والكفاءة على حد سواء
تدابير للمفوض السامي ومتغيرات تعتمد على حد سواء. وهكذا، لا رأس المال البشري
تبدو وكأنها متغير شرح الفروق في إنتاجية عوامل الإنتاج (مقابل ثمانينيات القرن العشرين عام 1970)،
الممتلكات الشخصية أو الأسرية لموارد الأراضي شكل مهيمن
المنظمة. في 2/3 من "الأحزاب السياسية"، يمثل هذا النوع من أوونيرسيب لأكثر من 3/4 مجموع
الأراضي الخاضعة لسيطرة (الرسم البياني 7). وهكذا، "الشركات" أشكال التنظيم نادرة نسبيا.
"نتائج الانحدار": التذييل 1 تقارير نتائج الانحدار للنماذج:
[11] DTFP10 = f (HC1، والحجم، والمالك)
[12] Dp10 = f (HC2، الحجم،أو التغييرات في العودة إلى العوامل الثابتة في نفس الوقت الفترة.
3. يظهر حجم الشركة-كما افترض--أن يكون له أثر إيجابي على كفاءة. قيم t
لجميع النماذج هامة للغاية. وجود التكاليف الثابتة في إينفورماتيونجاثيرينج
واعتماد التكنولوجيا ولذلك يرجح.
4. شركات "عائلية" ويبدو أن تترافق مع ارتفاع إجمالي إنتاجية عوامل الإنتاج. ولكن الأدلة على
آثار نوع الملكية في الكفاءة التخصيصية ليست قاطعة.
) T] حيث ه يمثل التغير في نفقات الإنتاج النقدي، T يمثل التغيير في استخدام الأراضي
ويمثل مصروفات تقديراً لحصة الإنتاج في مجموع التكاليف (إنتاج
الأرض نفقات الإيجار). قيمة = 0.6 وكان من المفترض. 3
ترجع إلى عوامل ثابتة: مدى الأسعار والتكنولوجيا التي هي تصرفت التغييرات
لدى صانعي القرار ويمكن قياس بمقارنة العودة إلى العوامل الثابتة في فترة أساس،
مع العائدين في فترة زمنية مقبلة. تعريف التغيير في العودة ك:
8] Dp10 = {السلطة الفلسطينية [Y1 (x 1, x 2)، Y2(x1, x2)/H1]}/
{السلطة الفلسطينية [Y1 (x 1, x 2), Y2 (x 1, x 2)/H0]}
حيث Ht (t = 0, 1) يمثل زرع هكتار في الفترة 0 و 1. التغير في عوامل الإنتاج (التعبير [1])
[7] CI > ف * [Y1(x1, x2) *، Y2(x1, x2) *]-السلطة الفلسطينية [Y1 (x 1, x 2), Y2 (x 1, x 2) A]
سوف لا يتم جمع المعلومات؛ ومن ثم سوف يظل مستوى الإدخال xA. وفي المقابل، لأعلى
المستوى x 2، سيتم عكس التفاوت المذكورة أعلاه، وبذلك يتم القضاء على عدم الكفاءة.
هيكل إدارة: أثر ملكية ثابتة في الكفاءة قد مهتمة منذ وقت طويل
اقتصاديين زراعيين. في القطاعات (مثل الزراعة) حيث ضعيفة وفورات الحجم و
التكنولوجيا ليست مفرطة التعقيد الشركات التي تسيطر عليها الأسر قد تكون لها ميزة على
تلك التي يوجد فيها فصل واضح بين الملكية والسيطرة (انظر، مثلاً بولاك، 1985).
شركات عائلية، وقد رصد على وجه الخصوص، استخدام الموارد أكثر كفاءة؛ وعلاوة على ذلك
استخدام "المضاربة" (بدلاً من "إنتاجية بحتة") من الأرض قد تكون أقل أهمية للشركات
حيث صافي الدخل تعتمد فقط على الزراعة، بدلاً من تلك التي فيها رأس المال مكاسب عن طريق
توقيت الشراء والبيع للأراضي قد تكون شاغلا أساسيا. الربط بين الموارد
الملكية، والكفاءة، ومع ذلك، هو وضوح أحد تجريبية: مملوكة لشركات خارج
المستثمرين قد يكون أقل اهتماما باعتبارات المخاطر أو التقاليد، أو القيود الأخرى على
الاستخدام الأمثل للموارد.
رابعا. تحليل البيانات التجريبية و
هو إجراء تحليل "عامل" وآثار "التخصيصية" من حجم شركة، التعليمية،
وشركة المدخلات ملكية، باستخدام بيانات الإنتاج للمنطقة الزراعية أهم من
(مقاطعة بوينس آيرس، الأرجنتين وسانتا في وقرطبة). وحدات اتخاذ القرارات
تتوافق مع الأحزاب السياسية ("[دبرتمنتوس]" لقرطبة ووسانتافي). ما مجموعة 146 crosssection
نقاط البيانات متاحة. متوسط قيم الإنتاج والإيرادات، واستخدام الأراضي وتكاليف
حسبت لكل من هذه باستخدام 20 سنة فترة زمنية (1970-1989). الفترة الزمنية 0
يناظر الفترة 1970-79، والفترة الزمنية 1 للفترة 1980-89. ومن الناحية المثالية، فرضية
اختبار ينبغي المضي قدما من خلال تركيب دالة إنتاج للمقطع العرضي، بيانات السلاسل الزمنية. هذا
الدالة يسمح تقدير أثر رأس المال البشري والمتغيرات الأخرى على
الموقف من على سطح الإنتاج. هذه عملية الاقتصاد قياسي، ومع ذلك، يتطلب high11
مجموعة بيانات نوعية، لا سيما إذا كانت عملية إنتاج المتعددة والمخرجات تكون على غرار. علاوة على ذلك،
قد تحجب الأخطاء الواجب تكنولوجيا سيئة محدد جيدا مستويات الكفاءة (أو الكفاءة). ك
يمكن حسابها تدابير البديلة، وبسيطة للعمال ومستويات الكفاءة التخصيصية
دون اللجوء إلى تقدير دالة الإنتاج. وهذا هو النهج الذي يمكن اتباعه هنا.
"إجمالي إنتاجية عوامل الإنتاج": تم حساب تغير عوامل الإنتاج كنتاج لتغير الإخراج
الأوقات المعاملة بالمثل التغيير في الإدخال استخدام. استمدت التغيير في استخدام المدخلات الكلية ك: [عبد اللطيف (1-
) T] حيث ه يمثل التغير في نفقات الإنتاج النقدي، T يمثل التغيير في استخدام الأراضي
ويمثل مصروفات تقديراً لحصة الإنتاج في مجموع التكاليف (إنتاج
الأرض نفقات الإيجار). قيمة = 0.6 وكان من المفترض. 3
ترجع إلى عوامل ثابتة:كذلك كما في إرجاع ثابت إلى العوامل (التعبير [8]) يتم استخدامها كمتغيرات تعتمد على ل
اختبار الفرضية.
"الإدخال الأرض": الهكتارات المزروعة بالمحاصيل الرئيسية 5 يشكل مساهمة الأراضي.
"نفقات متغير": لا تتوفر البيانات على مستوى "حزب" على مصروفات متغيرة
من الاستقصاءات الرسمية. تم الحصول على تقديرات نفقات الإنتاج باستخدام "الهندسة"
تكلفة التقديرات المبلغ عنها في المنشورات التجارية الزراعية (خاصة من
أجروميركادو شهريا). هذه المنشورات السماح بين منطقتين والمحاصيل بين الاختلافات في
الموارد استخدام أنماط للكشف عنها. تصويبات ذاتية للبيانات المنشورة في عامي 1987 و 1999
بذلت من أجل التقاط--على الأقل تقريبا-الاختلافات في استخدام المدخلات بين سبعينيات القرن العشرين
وال 1980.
"رأس المال البشري": مدى الأسعار والتكنولوجيا التي هي تصرفت التغييرات
لدى صانعي القرار ويمكن قياس بمقارنة العودة إلى العوامل الثابتة في فترة أساس،
مع العائدين في فترة زمنية مقبلة. تعريف التغيير في العودة ك:
8] Dp10 = {السلطة الفلسطينية [Y1 (x 1, x 2)، Y2(x1, x2)/H1]}/
{السلطة الفلسطينية [Y1 (x 1, x 2), Y2 (x 1, x 2)/H0]}
حيث Ht (t = 0, 1) يمثل زرع هكتار في الفترة 0 و 1. التغير في عوامل الإنتاج (التعبير [1])
استمدت وكيل رأس مال البشري (HC) باستخدام القسمة:
S و T تمثل السكان وجود مساعدة للتعليم الثانوي العالي، حيث البوب
السكان الذين تتراوح أعمارهم بين 14 وكبار السن. يتم اشتقاق قيم HC مختلفة اثنين. الأولى (HC1)
يتوافق مع مستويات رأس المال البشري في الجزء الريفي من كل حزب. وهذا "مزرعة"
المستوى التعليمي. التدبير الثاني (HC2) هو متوسط المفوض السامي على حد سواء في المناطق الريفية والمناطق الحضرية
السكان. والأساس المنطقي لهذا الاختيار هو حقيقة أن "الزراعي" مهارات صنع القرار
يقيمون في المزارع، وكذلك كما هو الحال في المناطق الحضرية التي تحيط بها المزارع. والواقع أن العديد من مزرعة
مديري يقيمون في المناطق الحضرية؛ وعلاوة على ذلك تعتمد أسواق المدخلات والمخرجات حاسمة على
مستوى مهارات صنع القرار الموجودة في الشركات "غير الزراعية". ومن المتوقع أن هذه
الأسواق تؤثر على الكفاءة على مستوى المزرعة. بيانات التعداد من y التعداد الوطني للسكان
Vivienda-الدوري الإيطالي د السكان (1980) تم استخدامه لاشتقاق فهارس HC.
"حجم الشركة": يعرف بأنه الأرض في مزارع/عدد مزارع. وهذا التدبير الكمال، ك
ملكية ثابتة: الفصل بين الملكية والسيطرة وعرف أنه الحاصل:
مالك [10] = (PP FP)/إجمالي الأراضي
حيث PP وتنظيم الأسرة يمثل، على التوالي، الأرض المنطقة الخاضعة للملكية الشخصية والعائلية.
قاسم (مجموع الأراضي "") يتضمن PP وتنظيم الأسرة، فضلا عن الشركات ضمن إطار قانوني "الشركات"
النموذج.
اختبار الفرضية هو الاضطلاع بتراجع DTFP10 و Dp10 في رأس المال البشري (الريفية
والحضرية)، شركة متغيرات الحجم والملكية. واستخدمت متغيرات وهمية، وأخرى محاولة
التقاط الاختلافات الإقليمية في التكنولوجيا وإمكانات الإنتاج (الأرض والطقس
13
الناجمين عن). وحددت مجموعة من 5 مناطق الإنتاج. 4 هذه تتوافق مع تقريبا إلى
تصنيف لمناطق الإنتاج كثيرا ما يعملون في الأعمال الزراعية المنشورات.
"ف نتائج"
"وصف البيانات": الرسوم البيانية 5-7 التقرير تقلب من المتغيرات المستقلة المستخدمة في
نماذج الانحدار. رأس المال البشري: المستويات التعليمية أقل في المناطق الريفية منه في المناطق الحضرية
(Graph 5a). الفاصل الزمني الأكثر شيوعاً من السابق هو 10؛ 22 الأخير (كما ذكر
أنها لا تأخذ في الاعتبار الاختلافات في الناتج المحتمل بسبب الاختلافات في نوعية الأراضي.
كذلك، لهذا والمتغير التالي، تم الحصول على البيانات من ناسيونال التعداد
الزراعية (1988). ومن الناحية المثالية، بيانات من أواخر السبعينات أو أوائل عام 1980 كان أكثر
مناسباً نظراً لأن الهدف مقارنة التغيرات في مستويات الكفاءة بين
في عامي 1970 و 1980.
سابقا أن هذه الأرقام تعكس النسبة المئوية من السكان قد ساعدت على الثانوية أو
التعليم العالي).5 مستويات رأس المال البشري، وكذلك يظهر المتغير أقل بكثير في المناطق الريفية
مما في البيئات الحضرية. المناطق الريفية وبالتالي يمكن أن تتميز بشكل موحد منخفض التعليمية
المستويات؛ في المناطق الحضرية التعليم العالي ولكن أيضا أكثر من متغير. يستخدم نموذج الانحدار
كمتغير مستقل على حد سواء الريفية، فضلا عن متوسط (الريفية الحضرية) رأس المال البشري. الرسم البياني 5b
تقارير تقلب هذا التدبير الأخير في العينة. كما هو موضح، في حوالي 3/4 من الملاحظات
تتركز نسبة الأفراد الذين ساعدوا على نطاقات التعليم الثانوي أو التعليم العالي من 14 إلى حجم 22
%.
Firm في فترات تمتد من 0-600 هكتار (الرسم البياني 6). وعلى الرغم من
الاتجاه الطويل الأجل للنمو الثابت الذي يظهر منتشرة في العديد من الاقتصادات الزراعية، كانت الشركات
(in 1988) "متوسطة الحجم". 1999 دولار أمريكي، على افتراض ملكية الأرض 100%، من مجموع الأراضي
كان حوالي 600.000 دولار أمريكي من الاستثمارات للهكتار الواحد 300 مزرعة "مشروط". مجموع الاستثمار
بالطبع ستكون أكبر بسبب مدخلات رأس المال (غير الأرض)؛ ومع ذلك تمثل الأراضي عادة
حوالي 80% من إجمالي الاستثمارات. وباختصار، الشركة الزراعية كما حللت هنا يقابل
(in total investment) إلى نموذجي "المتوسطة الحجم الشركات" مثل الصناعات التحويلية الصغيرة أو
خدمة الشركات. إرجاع صافي للمالك--المشغل (على افتراض 5 في المئة العائد على رأس المال) قد
مجموع الولايات المتحدة مبلغ 30.000 سنوياً، ليس أعلى بكثير من تلك التي حصل عليها ياقة بيضاء إشرافية
عامل.
"ملكية الشركة": مالك)
اختبار واحد الذيل (ف = 0.10) يستخدم لرفض الفرضية خالية من أي تأثير
المتغيرات المستقلة. ويمكن إبراز النتائج التالية:
1. A نسبيا ويمكن تفسير الصغيرة (20-30 في المائة) من التباين في دتفب و Dp
حسب المتغيرات المدرجة في النماذج. صعوبة في التنبؤ بهذه الأبعاد من
الكفاءة--حتى عندما بما في ذلك متغيرات وهمية لمختلف المجالات الزراعية-
بادية للعيان.
2. لا يتم رفض الفرضية لا يوجد علاقة بين المفوض السامي والكفاءة على حد سواء
تدابير للمفوض السامي ومتغيرات تعتمد على حد سواء. وهكذا، لا رأس المال البشري
تبدو وكأنها متغير شرح الفروق في إنتاجية عوامل الإنتاج (مقابل ثمانينيات القرن العشرين عام 1970)،
الممتلكات الشخصية أو الأسرية لموارد الأراضي شكل مهيمن
المنظمة. في 2/3 من "الأحزاب السياسية"، يمثل هذا النوع من أوونيرسيب لأكثر من 3/4 مجموع
الأراضي الخاضعة لسيطرة (الرسم البياني 7). وهكذا، "الشركات" أشكال التنظيم نادرة نسبيا.
"نتائج الانحدار": التذييل 1 تقارير نتائج الانحدار للنماذج:
[11] DTFP10 = f (HC1، والحجم، والمالك)
[12] Dp10 = f (HC2، الحجم،أو التغييرات في العودة إلى العوامل الثابتة في نفس الوقت الفترة.
3. يظهر حجم الشركة-كما افترض--أن يكون له أثر إيجابي على كفاءة. قيم t
لجميع النماذج هامة للغاية. وجود التكاليف الثابتة في إينفورماتيونجاثيرينج
واعتماد التكنولوجيا ولذلك يرجح.
4. شركات "عائلية" ويبدو أن تترافق مع ارتفاع إجمالي إنتاجية عوامل الإنتاج. ولكن الأدلة على
آثار نوع الملكية في الكفاءة التخصيصية ليست قاطعة.
يجري ترجمتها، يرجى الانتظار ..
[7] CI > p*[ Y1(x1, x2)*, Y2(x1, x2)*] - pA [Y1(x1, x2)A, Y2(x1, x2)A]
information will not be gathered; hence input level will remain xA . In contrast, for a higher
level of x2, the above inequality will be reversed, thus inefficiency is eliminated.
Management structure: the impact of firm ownership on efficiency has long interested
agricultural economists. In sectors (such as agriculture) where economies of scale are weak and
technology is not overly complicated firms controlled by families may have an advantage over
those where a clear separation between ownership and control exists (see, e.g. Pollak, 1985).
Family-firms, in particular, may monitor resource use more efficiently; furthermore
"speculative" (as opposed to "purely productive") use of land may be less important for firms
where net incomes depend only on farming, as opposed to those where capital gains through
timing of purchase and sale of land may be a primary concern. The linkage between resource
ownership and efficiency, however, is clearly an empirical one: firms owned by outside
investors might be less concerned by risk considerations, tradition, or other constraints on
optimal resource use.
IV. DATA AND EMPIRICAL ANALYSIS
Analysis is made of the “worker” and “allocative” effects of the educational, firm size,
and firm ownership inputs, using production data for the most important agricultural region of
Argentina (provinces of Buenos Aires, Santa Fe and Cordoba). Decision-making units
correspond to partidos ("departamentos” for Cordoba and Santa Fé). A total of 146 crosssection
data points were available. Average values of production, revenue, land use and costs
for each of these were computed using a 20 year time period (1970-1989). Time period 0
corresponds to the 1970-79 period, and time period 1 to the 1980-89 period. Ideally, hypothesis
testing should proceed by fitting a production function to cross-section, time-series data. This
function allows estimation of the impact of human capital and the other variables on the
position of the production surface. Such an econometric exercise, however, requires a high11
quality data set, particularly if a multiple-output production process is to be modeled. Further,
errors due a badly specified technology might well mask inefficiency (or efficiency) levels. As
an alternative, simple measures of worker and allocative efficiency levels can be computed
without recourse to production function estimation. This is the approach to be taken here.
Total Factor Productivity: TFP change was calculated as the product of output change
times the reciprocal of change in input use. Change in total input use was derived as: [aE + (1-
a)T] where E represents change in cash production expenses, T represents change in land use
and a represents an estimate of the share of production expenses in total costs (production
expenses + land rent). A value a = 0.6 was assumed. 3
Returns to Fixed Factors: The extent to which price and technology changes are acted
upon by decision-makers can be gauged by comparing returns to fixed factors in a base period,
with returns in a future time period. Define change in returns as:
8] Dp10 = {pA[Y1(x1, x2), Y2(x1, x2)/H1]}/
{pA[Y1(x1, x2), Y2(x1, x2)/ H0]}
where Ht (t= 0,1) represents planted hectares in period 0 and 1. Change in TFP (expression [1])
as well as in returns to fixed factors (expression [8]) are used as dependent variables for
hypothesis-testing.
Land Input: planted hectares to the 5 principal crops constitutes the land input.
Variable Expenses: data at the "partido" level on variable expenses are not available
from formal surveys. Estimates of production expenses was obtained by using "engineering"
cost estimates reported in agricultural business publications (in particular from the
Agromercado monthly). These publications allow inter-zonal and inter-crop differences in
resource use patterns to be detected. Subjective corrections to data published in 1987 and 1999
were made in order to capture - at least roughly - differences in input use between the 1970's
and the 1980's.
Human Capital: A human capital (HC) proxy was derived by using the quotient:
where S and T represent population having assisted to secondary tertiary education, and Pop is
the population aged 14 and older. Two different HC values are derived . The first (HC1)
corresponds to human capital levels in the rural portion of each partido. This is "farm"
educational level. The second measure (HC2) is average HC of both rural and the urban
population. The rationale for this choice is the fact that "agricultural" decision-making skills
reside in farms as well as in urban areas that are surrounded by farms. Indeed, many farm
managers reside in urban areas; furthermore input and output markets depend crucially on the
level of decision-making skills that exist in "non-farm" businesses. It is expected that these
markets affect efficiency at the farm level. INDEC data of the Censo Nacional de Población y
Vivienda - Serie D Población (1980) was used to derive the HC indexes.
Firm Size: is defined as Land in Farms/Number of Farms. This measure is imperfect, as
it does not take into account differences in potential output due to differences in land quality.
Further, for this and the next variable, data was obtained from the Censo Nacional
Agropecuario (1988). Ideally, data from the late 1970's or early 1980's would have been more
appropriate given that the objective was to compare changes in efficiency levels between the
1970's and the 1980's.
Firm Ownership: separation between ownership and control was defined as the quotient:
[10] Owner = (PP + FP)/Total Land
where PP and FP represents, respectively, land area under personal and family property. The
denominator ("Total Land") includes PP and FP as well as firms under a "corporate" legal
form.
Hypothesis testing is carried out by regressing DTFP10 and Dp10 on human capital (rural
and urban), firm size and ownership variables. Further, dummy variables were used to attempt
to capture regional differences in technology and production potential (land- and weather
13
induced). A total of 5 production regions were defined. 4 These correspond roughly to the
classification of production areas frequently employed in agricultural business publications.
V. RESULTS
Data Description: Graphs 5-7 report variability of independent variables used in
regression models. Human Capital: Educational levels are lower in rural than in urban areas
(Graph 5a). The most frequent interval of the former is 10; of the latter 22 (as mentioned
previously these figures reflect percentage of population having assisted to secondary or
tertiary education).5 Further, human capital levels appears considerably less variable in rural
than in urban settings. Rural areas thus can be characterized by uniformly low educational
levels; in urban settings education is higher but also more variable. The regression model uses
as independent variable both rural as well as average (rural + urban) human capital. Graph 5b
reports variability of this last measure in the sample. As shown, in some 3/4 of observations the
proportion of individual who assisted to secondary or tertiary education ranges from 14 to 22
%.
Firm size is concentrated in the intervals spanning 0 - 600 hectares (Graph 6). Despite
the long-run trend to firm growth that appears pervasive in many agricultural economies, firms
(in 1988) were "medium sized". In 1999 dollars, assuming 100 % land ownership, total land
investments for a 300-hectare "modal" farm was approximately US$ 600.000. Total investment
will of course be larger due to (non-land) capital inputs; however land typically represents
about 80 % of total investment. In summary, the agricultural firm as analyzed here corresponds
(in total investment) to typical "medium sized enterprises" such as small manufacturing or
service firms. Net returns to the owner - operator (assuming a 5 percent return on capital) might
total US$ 30.000 a year, not much higher than that obtained by a supervisory white-collar
worker.
Firm Ownership: Personal or family property of land resources the dominant form of
organization. In 2/3 of the "partidos", this type of ownersip accounts for more than 3/4 of total
land controlled (Graph 7). Thus, "corporate" forms of organization are relatively infrequent.
Regression Results: Appendix 1 reports regression results for models:
[11] DTFP10 = f(HC1, Size, Owner)
[12] Dp10 = f(HC2, Size, Owner)
A one-tailed test (p = 0.10) is used to reject the null hypothesis of no effect of the
independent variables. The following results can be highlighted:
1. A relatively small (20 - 30 percent) of variation in DTFP and Dp can be explained
by variables included in the models. Difficulty in predicting these dimensions of
efficiency - even when including dummy variables for different agronomic areas - is
readily apparent.
2. The hypothesis of no relationship between HC and efficiency is not rejected for both
measures of HC and for both dependent variables. Thus, human capital does not
appear to be a variable explaining TFP productivity differentials (1980's vs 1970's),
or changes in returns to fixed factors in the same time period.
3. Firm size appears - as hypothesized - to have a positive effect on efficiency. t-values
for all models are highly significant. The existence of fixed costs in informationgathering
and technology adoption is therefore likely.
4. "Family" firms appear to be associated with higher TFP. However the evidence on
the impacts of ownership type on allocative efficiency is inconclusive.
information will not be gathered; hence input level will remain xA . In contrast, for a higher
level of x2, the above inequality will be reversed, thus inefficiency is eliminated.
Management structure: the impact of firm ownership on efficiency has long interested
agricultural economists. In sectors (such as agriculture) where economies of scale are weak and
technology is not overly complicated firms controlled by families may have an advantage over
those where a clear separation between ownership and control exists (see, e.g. Pollak, 1985).
Family-firms, in particular, may monitor resource use more efficiently; furthermore
"speculative" (as opposed to "purely productive") use of land may be less important for firms
where net incomes depend only on farming, as opposed to those where capital gains through
timing of purchase and sale of land may be a primary concern. The linkage between resource
ownership and efficiency, however, is clearly an empirical one: firms owned by outside
investors might be less concerned by risk considerations, tradition, or other constraints on
optimal resource use.
IV. DATA AND EMPIRICAL ANALYSIS
Analysis is made of the “worker” and “allocative” effects of the educational, firm size,
and firm ownership inputs, using production data for the most important agricultural region of
Argentina (provinces of Buenos Aires, Santa Fe and Cordoba). Decision-making units
correspond to partidos ("departamentos” for Cordoba and Santa Fé). A total of 146 crosssection
data points were available. Average values of production, revenue, land use and costs
for each of these were computed using a 20 year time period (1970-1989). Time period 0
corresponds to the 1970-79 period, and time period 1 to the 1980-89 period. Ideally, hypothesis
testing should proceed by fitting a production function to cross-section, time-series data. This
function allows estimation of the impact of human capital and the other variables on the
position of the production surface. Such an econometric exercise, however, requires a high11
quality data set, particularly if a multiple-output production process is to be modeled. Further,
errors due a badly specified technology might well mask inefficiency (or efficiency) levels. As
an alternative, simple measures of worker and allocative efficiency levels can be computed
without recourse to production function estimation. This is the approach to be taken here.
Total Factor Productivity: TFP change was calculated as the product of output change
times the reciprocal of change in input use. Change in total input use was derived as: [aE + (1-
a)T] where E represents change in cash production expenses, T represents change in land use
and a represents an estimate of the share of production expenses in total costs (production
expenses + land rent). A value a = 0.6 was assumed. 3
Returns to Fixed Factors: The extent to which price and technology changes are acted
upon by decision-makers can be gauged by comparing returns to fixed factors in a base period,
with returns in a future time period. Define change in returns as:
8] Dp10 = {pA[Y1(x1, x2), Y2(x1, x2)/H1]}/
{pA[Y1(x1, x2), Y2(x1, x2)/ H0]}
where Ht (t= 0,1) represents planted hectares in period 0 and 1. Change in TFP (expression [1])
as well as in returns to fixed factors (expression [8]) are used as dependent variables for
hypothesis-testing.
Land Input: planted hectares to the 5 principal crops constitutes the land input.
Variable Expenses: data at the "partido" level on variable expenses are not available
from formal surveys. Estimates of production expenses was obtained by using "engineering"
cost estimates reported in agricultural business publications (in particular from the
Agromercado monthly). These publications allow inter-zonal and inter-crop differences in
resource use patterns to be detected. Subjective corrections to data published in 1987 and 1999
were made in order to capture - at least roughly - differences in input use between the 1970's
and the 1980's.
Human Capital: A human capital (HC) proxy was derived by using the quotient:
where S and T represent population having assisted to secondary tertiary education, and Pop is
the population aged 14 and older. Two different HC values are derived . The first (HC1)
corresponds to human capital levels in the rural portion of each partido. This is "farm"
educational level. The second measure (HC2) is average HC of both rural and the urban
population. The rationale for this choice is the fact that "agricultural" decision-making skills
reside in farms as well as in urban areas that are surrounded by farms. Indeed, many farm
managers reside in urban areas; furthermore input and output markets depend crucially on the
level of decision-making skills that exist in "non-farm" businesses. It is expected that these
markets affect efficiency at the farm level. INDEC data of the Censo Nacional de Población y
Vivienda - Serie D Población (1980) was used to derive the HC indexes.
Firm Size: is defined as Land in Farms/Number of Farms. This measure is imperfect, as
it does not take into account differences in potential output due to differences in land quality.
Further, for this and the next variable, data was obtained from the Censo Nacional
Agropecuario (1988). Ideally, data from the late 1970's or early 1980's would have been more
appropriate given that the objective was to compare changes in efficiency levels between the
1970's and the 1980's.
Firm Ownership: separation between ownership and control was defined as the quotient:
[10] Owner = (PP + FP)/Total Land
where PP and FP represents, respectively, land area under personal and family property. The
denominator ("Total Land") includes PP and FP as well as firms under a "corporate" legal
form.
Hypothesis testing is carried out by regressing DTFP10 and Dp10 on human capital (rural
and urban), firm size and ownership variables. Further, dummy variables were used to attempt
to capture regional differences in technology and production potential (land- and weather
13
induced). A total of 5 production regions were defined. 4 These correspond roughly to the
classification of production areas frequently employed in agricultural business publications.
V. RESULTS
Data Description: Graphs 5-7 report variability of independent variables used in
regression models. Human Capital: Educational levels are lower in rural than in urban areas
(Graph 5a). The most frequent interval of the former is 10; of the latter 22 (as mentioned
previously these figures reflect percentage of population having assisted to secondary or
tertiary education).5 Further, human capital levels appears considerably less variable in rural
than in urban settings. Rural areas thus can be characterized by uniformly low educational
levels; in urban settings education is higher but also more variable. The regression model uses
as independent variable both rural as well as average (rural + urban) human capital. Graph 5b
reports variability of this last measure in the sample. As shown, in some 3/4 of observations the
proportion of individual who assisted to secondary or tertiary education ranges from 14 to 22
%.
Firm size is concentrated in the intervals spanning 0 - 600 hectares (Graph 6). Despite
the long-run trend to firm growth that appears pervasive in many agricultural economies, firms
(in 1988) were "medium sized". In 1999 dollars, assuming 100 % land ownership, total land
investments for a 300-hectare "modal" farm was approximately US$ 600.000. Total investment
will of course be larger due to (non-land) capital inputs; however land typically represents
about 80 % of total investment. In summary, the agricultural firm as analyzed here corresponds
(in total investment) to typical "medium sized enterprises" such as small manufacturing or
service firms. Net returns to the owner - operator (assuming a 5 percent return on capital) might
total US$ 30.000 a year, not much higher than that obtained by a supervisory white-collar
worker.
Firm Ownership: Personal or family property of land resources the dominant form of
organization. In 2/3 of the "partidos", this type of ownersip accounts for more than 3/4 of total
land controlled (Graph 7). Thus, "corporate" forms of organization are relatively infrequent.
Regression Results: Appendix 1 reports regression results for models:
[11] DTFP10 = f(HC1, Size, Owner)
[12] Dp10 = f(HC2, Size, Owner)
A one-tailed test (p = 0.10) is used to reject the null hypothesis of no effect of the
independent variables. The following results can be highlighted:
1. A relatively small (20 - 30 percent) of variation in DTFP and Dp can be explained
by variables included in the models. Difficulty in predicting these dimensions of
efficiency - even when including dummy variables for different agronomic areas - is
readily apparent.
2. The hypothesis of no relationship between HC and efficiency is not rejected for both
measures of HC and for both dependent variables. Thus, human capital does not
appear to be a variable explaining TFP productivity differentials (1980's vs 1970's),
or changes in returns to fixed factors in the same time period.
3. Firm size appears - as hypothesized - to have a positive effect on efficiency. t-values
for all models are highly significant. The existence of fixed costs in informationgathering
and technology adoption is therefore likely.
4. "Family" firms appear to be associated with higher TFP. However the evidence on
the impacts of ownership type on allocative efficiency is inconclusive.
يجري ترجمتها، يرجى الانتظار ..
لغات أخرى
دعم الترجمة أداة: الآيسلندية, الأذرية, الأردية, الأفريقانية, الألبانية, الألمانية, الأمهرية, الأوديا (الأوريا), الأوزبكية, الأوكرانية, الأويغورية, الأيرلندية, الإسبانية, الإستونية, الإنجليزية, الإندونيسية, الإيطالية, الإيغبو, الارمنية, الاسبرانتو, الاسكتلندية الغالية, الباسكية, الباشتوية, البرتغالية, البلغارية, البنجابية, البنغالية, البورمية, البوسنية, البولندية, البيلاروسية, التاميلية, التايلاندية, التتارية, التركمانية, التركية, التشيكية, التعرّف التلقائي على اللغة, التيلوجو, الجاليكية, الجاوية, الجورجية, الخؤوصا, الخميرية, الدانماركية, الروسية, الرومانية, الزولوية, الساموانية, الساندينيزية, السلوفاكية, السلوفينية, السندية, السنهالية, السواحيلية, السويدية, السيبيوانية, السيسوتو, الشونا, الصربية, الصومالية, الصينية, الطاجيكي, العبرية, العربية, الغوجراتية, الفارسية, الفرنسية, الفريزية, الفلبينية, الفنلندية, الفيتنامية, القطلونية, القيرغيزية, الكازاكي, الكانادا, الكردية, الكرواتية, الكشف التلقائي, الكورسيكي, الكورية, الكينيارواندية, اللاتفية, اللاتينية, اللاوو, اللغة الكريولية الهايتية, اللوكسمبورغية, الليتوانية, المالايالامية, المالطيّة, الماورية, المدغشقرية, المقدونية, الملايو, المنغولية, المهراتية, النرويجية, النيبالية, الهمونجية, الهندية, الهنغارية, الهوسا, الهولندية, الويلزية, اليورباية, اليونانية, الييدية, تشيتشوا, كلينجون, لغة هاواي, ياباني, لغة الترجمة.
- ارحمني
- I M A PHOTO ARTIST BY PROFESSION, PLZ PO
- Qualification
- ازيك
- تم في هذا اليوم من شهر، عام ____ في مدين
- Just got home!you there?
- Tittle
- روحي
- Tittle
- روح
- عندما قلت لك احبك بماذا شعرت
- حياتي
- عندما قلت لك احبك بماذا شعرت
- مع السلامه قلبي
- هديه من صديقتي
- انت حقا فنان..ولكن كيف عرفت انني احب الز
- Duration
- منى
- شكرا ع الهديه
- con tu novio
- اجازة رسمية
- غضبت منى
- انتى جميله
- غضبت منى
