Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TEMAS AVANZADOS DE
TEORIA DE LA PRODUCCIÓN
1. Eficiencia de la producción.
1.1. Concepto.
La eficiencia en los procesos productivos es un concepto cada vez más utilizado no
sólo en el lenguaje científico y empresarial sino también en el lenguaje coloquial: se
trata ante todo de ser eficiente para poder competir en las mejores condiciones
posibles en unos mercados cada día más abiertos e internacionalizados.
147
agrarios, como por ejemplo la sustentabilidad y el equilibrio ambiental que cada vez
tiene mayor importancia en detrimento de aspectos ligados a la productividad física y
económica del sistema.
Atendiendo a esto, una empresa agraria sería más eficiente que otra para lograr la
sustentabilidad, el equilibrio ambiental, la productividad, la estabilidad, la equidad u
otra cualquiera de las características analíticas de los sistemas agrarios, si el nivel al
que consigue alguna o algunas de ellas con el mismo coste es superior al de la otra.
Por el contrario, la eficiencia productiva, considerando la Teoría Económica supone,
como ya se ha mencionado, un concepto mucho más restrictivo que se relaciona con
la forma de convertir los factores de producción en productos.
Estos efectos, como se puede observar están en total concordancia con las
directrices de la nueva PAC y el GATT que exigen un gran esfuerzo para conseguir
una producción respetuosa con el medio ambiente y mucho más competitiva. En
este contexto solo las más eficientes lograrán perdurar.
2. Medida de la eficiencia.
2.1. Introducción.
Desde hace tiempo se vienen desarrollando técnicas para medir la eficiencia
productiva. Así, en los años sesenta se desarrollaron técnicas basadas en
indicadores usuales en el contexto de la gestión de empresas y tendentes a
identificar la eficiencia con uno solo o con la interacción de varios indicadores
económicos (productividad de factores, intensidad del uso de factores por unidad de
superficie, etc): de estas técnicas la denominada Análisis de grupo fue la más
utilizada y consistía en hacer una clasificación, dentro de un grupo de empresas,
mediante el cálculo de determinados índices de productividad de factores,
analizando posteriormente, las diferencias entre las empresas de cabeza y de cola.
Estos métodos, si bien sirvieron para el diseño de estrategias de gestión en grupos
de empresas, no tenían necesariamente su base en el concepto de eficiencia que se
desprende de la Teoría Económica. Por otro lado, fueron frecuentes los trabajos
relativos a relacionar el nivel de eficiencia con el grado de subempleo de la mano de
148
obra vinculada a la explotación agraria (Calatrava y Navarro, 1984 hacen una
revisión bibliográfica de dichos trabajos).
A continuación se van a describir los métodos más utilizados para medir el grado de
eficiencia/ineficiencia de los sistemas productivos.
1) Eficiencia técnica.
La eficiencia técnica o productiva se refiere a la productividad de una serie dada
de inputs en una explotación o en un animal. Supone utilizar correctamente los
factores de producción; es decir, dados unos determinados recursos obtener con
ellos la máxima producción posible. Es por tanto, un concepto técnico y no
económico. Según la teoría de la producción un proceso es ineficiente si existe
otra combinación de factores quer permita obtener el mismo nivel de producción
con un menor consumo de factores, o más producto con el mismo nivel de
factores (Zona I y III) de la función de producción. Como ejemplo Alvárez,
Belknap y Saupe (1988) calculan un índice de eficiencia de 250 explotaciones
lecheras asturianas, como el cociente entre la producción real y la potencial,
resultando un alto grado de ineficiencia, con un índice medio de eficiencia del
40%. Otros autores aportan índices medios de eficiencia superiores: Bravo Ureta
(1987) en EEUU un 70%, Schafer (1983) en Alemania un 81% ó Bureau (1987)
para Francia un 70%. Cabe destacar los estudios de eficiencia técnica en
porcino de Murua y Albisu (1993) y en vacuno de leche García et al (1994).
2) Eficiencia asignativa.
Relaciona el producto obtenido por unidad de costes de los recursos utilizados.
Se refiere a la distribución de los recursos entre las actividades productivas o las
empresas. Cuando ya no se puede aumentar el beneficio monetario o social
mediante la traslación de recursos de una actividad a otra, o entre distintas
empresas se dice que se ha alcanzado la eficiencia en la asignación que
incorpora la idea de óptimo de Pareto u optimo optimorum, que indica que se
149
alcanza cuando no es posible mejorar el bienestar de un agente sin empeorar el
bienestar de otro.
3) Eficiencia de escala.
Consiste en lograr un tamaño óptimo para la explotación. En Teoría Económica
ese tamaño coincide con aquel volumen de producción para el que el coste
medio a largo plazo es mínimo.
En la economía de la producción escalar, tomamos en cuenta que todos los
factores son variables y además que todos se incrementan en la misma
proporción; aunque todos los factores aumenten en la misma proporción, nos
interesa conocer si el producto aumenta en la misma proporción o en proporción
mayor o menor. En el primer caso hablamos de rendimientos escalares
constantes; es decir, que a medida que incrementamos la producción se
incrementan los costes. En el siguiente caso estamos ante una situación
privilegiada ya que los costes disminuyen con el incremento de producción, por
150
lo tanto hablamos de rendimientos escalares crecientes y decrecientes en el
tercer caso.
Para terminar este apartado vamos a reflejar como evoluciona el coste marginal
dependiendo del momento en que nos encontremos en la curva “ U” de los
costes medios, característica de la economía y deseconomía de escala. El coste
marginal será menor que el coste medio cuando éste disminuya y superior
cuando éste aumente, por lo tanto en el mínimo de la curva de los costes medios
coincide con el coste marginal.
151
Figura 3. Evolución de los costes medios totales
En la figura 3 se observa que el coste del litro de leche disminuye hasta que la
explotación alcanza una producción de 300.000 litros. A partir de esta
producción se entra en deseconomía de escala y se incrementa el valor del
coste del litro. En el sector agropecuario las deseconomías de escala suelen
estar motivadas al incorporar nuevas unidades de mano de obra (UHT) de
carácter asalariada, así como los incrementos de dimensión que suponen las
nuevas inversiones, que implican elevados gastos financieros y amortizaciones.
Cuando una empresa es eficiente en los tres tipos, se dice que es económicamente
eficiente, ya que está maximizando sus beneficios.
2.2.2. Metología.
Para la medida de la eficiencia, Farrell parte del supuesto de que existen
rendimientos constantes a escala, por lo que la tecnología puede caracterizarse por
una función de producción homogénea de grado 1. Es decir, Y = F (K, L), y se
cumple para todo λ > 0 que:
152
F (λ,λL) = λF (K, L) = λY
ET = OQ/OP
Todos los puntos que estén en la isocuanta SS’ tienen una eficiencia del 100% y los
que estén por encima una eficiencia inferior.
La línea AA’ representa la razón de los precios de los factores que es tangente a la
isocuanta unitaria en el punto Q’. Está claro que el punto Q que está sobre la
isocuanta unitaria representa mayor coste de utilización de factores que el
representado por Q’.
EE = OR/OP
153
2.2.3. Observaciones al modelo de Farrell.
La principal ventaja de esta aproximación es que no es necesario imponer ninguna
forma funcional con los datos para representar la producción.
Entre los inconvenientes cabe destacar, en primer lugar, la restricción que supone
su aplicación únicamente a rendimientos de escala constante al ser su
generalización a rendimientos de escala no constante bastante engorrosa (Farrell y
Fieldhouse, 1962 y Seitz, 1971).
154
permanecen constantes para todo nivel de output y para cualquier proporción de los
inputs.
A pesar del importante papel que han jugado en los estudios econométricos, las
funciones de producción homogéneas están siendo muy cuestionadas ya que sólo
pueden modelizar tecnologías muy simples. Sin embargo, hay otros tipos de
funciones que no imponen tantas restricciones, por ejemplo:
- Funciones homotéticas, en las que los rendimientos a escala pueden variar con
el nivel de output.
- Funciones radio homogéneas, en las que los rendimientos a escala pueden
variar con la proporción de factores usada pero no con el nivel de output.
- Funciones radio homotéticas, en las que los rendimientos a escala pueden variar
con la proporción de factores y con el nivel de output.
a) Funciones homogéneas
Y = f(x) eµ
LnY = α + Σ Bi Ln xi + µ µ≤0
Los modelos más utilizados en el análisis empírico son los propuestos por Timmer
(1971) y Kopp (1981), modelos frontera ambos y compatibles con las medidas de
Farrell.
155
Timmer introduce algunas modificaciones es el procedimiento original de Farrell.
Utiliza la función de Coob-Douglas para la estimación de la función frontera e ignora
algunas observaciones extremas a fin de eliminar su influencia en la función
estimada. Define la medida de ET como la razón entre el output realmente obtenido
y el obtenible en la frontera.
Yi = f(xi; β ) + ε i i= 1, ...n
Donde vi = N( 0, ω2v), representa las perturbaciones que caen fuera del control
de la empresa y ui, representa la ineficiencia técnica. La diferencia entre ambos
modelos es que el modelo desarrollado por Meeusen y Van den Broeck, la
156
distribución de ui es una exponencial, y en el de Aigner, Lovell y Schmidt es
una distribución seminormal.
b) Funciones homotéticas
Esta función puede contemplar como casos particulares otras funciones que son
más limitadas en las posibilidades de variación de los rendimientos a escala.
En cuanto a las propiedades deseables que debe cumplir una función de producción,
Goldman y Shepard (1972) probaron que la función de producción radio homogénea
satisface las propiedades de estricto crecimiento y cuasiconcavidad global cuando H
(X / |X|) es una constante, es decir cuando se trata con nua función homogénea.
Färe (1975) prueba que cuando es homotética también satisface estas dos
importantes propiedades. Estas dos propiedades no se cumplen, en general, para el
caso de una función radio homotética, pero puede cumplirse localmente.
Y = ln (A Π Xi cixi / Σxi )
Y = ln A + Σci Xi’ ln Xi
157
Donde Xi es uno de los factores de producción y Xi’ es la parte proporcional del
factor sobre el resto de los factores.
2.3.2. Metodología.
Existen diferentes métodos de estimación de las fronteras de producción, incluyendo
métodos de programación matemática, determinísticos, estocásticos.
158
Aigner y Chu (1968), propusieron un método no paramétrico, que se puede utilizar
en los casos en que el método Farrell no puede aplicarse. Plantean dos formas para
calcular los parámetros:
1º. Mediante la minimización de la suma de las desviaciones absolutas, lo que
equivale al uso de programación lineal.
2º Mediante la minimización de la suma del cuadrado de las desviaciones, lo que
equivale al uso de programación cuadrática. Esta forma es compleja por lo que no
ha sido muy empleada.
1º Programación lineal
Los autores parten de una función de producción Cobb – Douglas para m factores:
Donde:
y = producto
x1a1 , x2a2, ...xmam = factores de producción
u = error
ln y = ln A + a1 ln x1 + a2 ln x2 +.......+ am ln xm – u
O lo que es lo mismo:
m
ln y = ln A + Σ ai ln xi - u
i =1
m
ln A + Σ ai ln xij ≥ ln yj j = 1.....n
i =1
159
n m n
min Σ uj = min (n ln A + Σ Σ ai ln xij - Σ ln yj )
j=1 i=1 j=1
n m
n ln A + Σ Σ ai ln xij
j=1 i=1
siendo xij, x2j, x3j factores de producción y ln A, ai, a2, a3, los parámetros a estimar.
y ln A ≥ 0, a1 ≥ 0, a1 ≥ 0, a1 ≥ 0,
2º Programación cuadrática
El primer autor que propuso un modelo para la estimación de la frontera por métodos
paramétricos fue Afriat (1972).
Su modelo es el siguiente:
y = f(x). e-u
160
El problema que se plantea en este modelo es conocer la distribución que siguen los
errores, pues al ir a estimar la función frontera, éstos han de ser positivos.
Afriat (1972) supone que los errores, en este caso e-u , se distribuyen según una
función de tipo beta, Richmond (1974) consideró para estos mismos errores una
distribución gamma
Schmidt (1976), demuestra que si la distribución de errores u se supone que es
exponencial la estimación de la frontera por máxima verosimilitud coincide con la de
la programación lineal; y si la distribución de u se supone seminormal, coincide con
la de programación cuadrática.
Si una vez estimada la función de producción media mediante M.C.O., se hace una
traslación de dicha función, se determina la función de producción frontera.
Esta estimación se conoce como Método de Mínimos Cuadrados Corregidos
(M.C.C.)
En realidad, se debe de considerar dos casos, que aunque los autores los
denominan indistintamente como M.C.C., son distintos y que nosotros vamos a
denominar por:
- Mínimos Cuadrados Ordinados Corregidos por traslación a la media o
M.C.C.(tm).
- Mínimos Cuadrados Ordinarios Corregidos por traslación al extremo superior o
M.C.C.(te).
Ln y = (α0 – u) + Σ αi ln xi – (u - µ)
Donde la E(u - µ) = 0.
161
De este modo, el término error satisface todas las condiciones deseables de los
estimadores, excepto la normalidad.
Por este motivo la ecuación anterior puede estimarse por mínimos cuadrados
ordinarios, para obtener un estimador BLUE (best linear unbiased estimates = no
sesgado, lineal, óptimo) de (α0 - µ) y de αi.
Si se supone otra distribución cualquiera para los errores y si los parámetros de esta
distribución se pueden estimar por los momentos centrales de orden superior
(segundo, tercero, etc) entonces, se pueden estimar dichos parámetros
consistentemente por los momentos de los residuos de la estimación por M.C.O.
Puesto que µ es uno de los parámetros función de los momentos puede estimarse
también consistentemente y este estimador puede utilizarse para corregir al término
independiente de la estimación por M.C.O., que es un estimador consistente de (α -
µ). Así, el método M.C.C.(tm) consiste en restarle al término independiente de la
estimación por M.C.O. la E(u) = µ .
Por lo dicho anteriormente, se deduce que M.C.C. (tm) proporciona una estimación
consistente de todos los parámetros de la frontera.
E(u) = σ
Var(u) = σ2
162
Por tanto, la raíz cuadrada positiva del estimador de la varianza del error de la
estimación M.C.O. proporciona la corrección al término independiente.
Hay otro procedimiento para resolver el problema, éste consiste en estimar (*) por
M.C.O. y después corregir el término independiente, mediante una traslación hasta
que todos los residuos sean negativos y al menos uno nulo: M.C.C.(te) Green (1980
a), muestra que esta estimación proporciona un estimador consistente de α0.
Para la corrección del término independiente β0 se suma a éste el valor del mayor
residuo (um), obtendo de la estimación por M.C.O. y así se tiene que:
α0 = β0 + um
163
b) La derivada de la función de densidad de u se acerca a cero cuando u se
aproxima a cero.
Green (1980 a) señala que la distribución gamma satisface estos criterios y por tanto
puede utilizarse:
f(u) = G(λ, P) = λp / Γ(P) * up-1 * e-λu u ≥ 0, λ > 0, P > 2
Entre otras muchas distribuciones, que cumplen estas propiedades y que por tanto
pueden utilizarse son la lognormal y la chi-cuadrado.
Sin embargo esto presenta un inconveniente que señala el propio Green y es el que
la eficiencia técnica está condicionada por consideraciones estadísticas.
Según Millán (1986), los estimadores máximos verosímiles que cumplen las
condicones de Green 1980 a) y de las que se conocen sus propiedades
estadísticas, representan una modificación sustancial sobre los estimadores de
frontera determinística que se han visto anteriormente. Esta modificación consiste en
que la frontera no es alcanzada y no hay, por tanto, puntos sobre ella. Esto hace que
en este caso se aleje la función frontera de la función de producción convencional.
Estos autores parten de que el modelo para una muestra de n observaciones viene
dado por la siguiente expresión matricial:
(**) Y = X . β + ε
Donde:
Y = es una matriz de dimensión n x 1, representanndo las observaciones de la
variable dependiente.
X = es una matriz de dimensión n x k, representando las observaciones, fijadas las k
variables independientes.
β = es una matriz de dimensión k x 1, representando los coeficientes de las variables
independientes.
ε = es una matriz de dimensión n x 1 que representa los errores.
Cada elemento del vector de dimensión n x 1 del error ε está reprresentado, según
los autores por:
∨ εi * / /(1-θ) si εi * > 0
i = 1, 2....n
164
∨ εi * / /θ si εi * ≤ 0
donde los errores εi * ∼ N (0, σ2) para 0 < θ < 1 y εi * tiene una distribución normal
truncada negativa para θ = 1 y normal truncada positiva para θ = 0; resumiendo:
εi * ∼ N (0, σ2) para 0 < θ < 1
εi ∼ Normal truncada negativa
*
para θ = 1
εi ∼ Normal truncada positiva
*
para θ = 0
Estos modelos fueron hechos separadamente por sus autores, aunque son
similares, con pequeñas diferencias que se indicarán al desarrollarlos.
165
Este modelo es semejante al de funciones frontera determinísticas cuando σv2 = 0 y
función frontera estocástica extrema cuando σu2 = 0, según Zellner, Kmenta y
Drèze (1966).
Y=X.β+ε
y donde ε = u + v.
166
(***) f(ε) = 2 / σ f* (ε / σ) [1 – F*(-ε λ σ-1)] -∞ ≤ ε ≤ ∞
donde σ2 = σu2 + σv2 , λ = σu / σv, f* (.) y F (.) son las funciones de densidad y de
distribución de una distribución normal estándar.
Si λ tiende a cero implica que σu 2 tiende a cero y/o σv2 tiende a infinito. Esto implica
que la componente simétrica del error es la dominante, es decir que la distribución
de errores es una distribución normal N(0, σ 2), los errores caen fuera del control de
la empresa, son causas exógenas.
Cuando λ tiende a infinito, implica que σv2 tiende a infinito y/o σv2 tiende a cero,
estamos en el caso de ineficiencia técnica, los errores se deben a una mala
utilización de los factores; estos se distribuyen según una distribución seminormal
negativa.
Otro caso que estudian estos autores es considerar para –ui una distribución
exponencial, cuya función de densidad, viene dada por:
167
que el anterior modelo y la ui que se distribuye como una exponencial, cuya función
de densidad viene dada por la siguiente expresión:
siendo:
erfc(t9 = 1 – [2 / /π ] 0Ιt e-θ2 dθ
m1 = 1/θ, m2 = 1/θ + σ2
m3 = 2/θ3, m4 = 9/θ4 + 6σ2/θ2 + 3σ4
Ambos modelos presentan una gran debilidad, que es el no poder determinar las
eficiencias de las empresas individualmente. La función frontera estocástica y las
varianzas estimadas, se pueden utilizar para medir la función frontera de un grupo
de empresas y así determinar la eficiencia media mediante la ecuación (**).
Los factores humanos que describen eficiencia como pueden ser la educación,
inteligencia, etc, no se distribuyen verosímilmente con esta función monótona
decreciente entre la población.
Al ser los agentes económicos, humanos, plantear para ui una distribución cuya
moda sea distinta de cero, parece más lógico.
168
un caso especial. Emplean en su estudio la función dual (función de costes). De aquí
que considere que ui > 0.
a) Normal - Truncada
Las funciones de densidad para ui y vi vienen dadas por las siguientes expresiones:
a = [1 – F*(µ / σu)]-1
169
Para el caso de µ = 0.
E(εi) = /2 / /π . σu
c) Normal – Gamma
donde w = (-εi /σv + θσv). La esperanza y la varianza de εi vienen dadas por las
siguientes expresiones:
Este autor considera que m solo toma valores enteros y determina la función de
densidad para εi en los casos en que m = 1, m = 2, y m = 3.
170
2.4. Otros métodos basados en funciones que no son frontera.
Metodología
Se toma la muestra de empresas que se van a analizar, dicha muestra se divide en
dos grupos, uno de empresas grandes (grupo 1) y otro de empresas pequeñas
(grupo 2). Dentro de un mismo grupo se considera que la función de producción es
idéntica para todas las empresas:
Una empresa m, dentro del grupo, es más eficiente técnicamente que otra p, si con
la misma cantidad de factores de producción produce mayor cantidad de producto,
es decir, si se considera el grupo 1, A1m > A1p
El beneficio queda definido como la diferencia entre ingresos y costes, luego será:
B = p* Ai* f(xij) – cijxij - cf
Siendo:
B: beneficio
P: precio unitario del producto
cij: precio unitario del factor variable i
cf: costes fijos
λij = 1/ p Ai
Por último, se dice que dos empresas cualesquiera, de un mismo grupo, son
económicamente eficientes si y solo si sus respectivas funciones de beneficio
coinciden.
171
2.4.2. Modelo de Toda.
Toda (1976, 1977) utiliza un modelo que se puede aplicar a una gran variedad de
formas funcionales flexibles.
Metodología
Se utlizó únicamente para investigar ineficiencia en asignación de recursos, aunque
según Forsund et al. (1980) puede extenderse a ineficiencia en escala e ineficiencia
técnica.
Siendo:
c = coste
y = producto
w = precio de los factores
αij = parámetros
Las demandas condicionadas de los factores adoptan la forma:
j=n
xi (w,y) = Σ αij (wj / wi )1/2 y i = 1,...n
j=1
Esto permite observar que las relaciones entre el producto y los factores de
producción se diferencian de la ecuación de coste mínimo de la demanda de
factores – producto en :
j=n
Xi/y = Σ αij [ θji (wj / wi )]1/2 i = 1,...n
j=1
Donde θji > 0 mide la ineficiencia asignativa. Usando esta última ecuación, el coste
medio observado es:
j=n j=n j=n
w’ (x/y) = Σ αii wi + ½ Σ Σ αii (θij -1/2 + θij 1/2) wi 1/2 wj1/2
j=1 j=1 j=1
Esto requiere que θij = 1 para todo i ≠ j. Si algún θij ≠ 1, entonces w’(x/y) >c(w,y)/y lo
que significa que hay de hecho ineficiencia asignativa.
Toda (1976, 1977) muestra que las acuaciones c(c, w)/y y xi (w,y) son simétricas y
que las ecuaciones Xi/y y w’ (x/y) no lo son. Por tanto, un test de simetría nos sirve
172
para ver ineficiencias asignativas, ya que las ecuaciones simétricas son eficientes y
las asimétricas son ineficientes.
Este modelo permite estimar los parámetros de la función de costes αii y los
parámetros de ineficiencia asignativa θij.
3.1. Concepto.
Optimizar es buscar un punto máximo o mínimo en una curva, encontrando la mejor
opción para un ambiente dado. La definición de “ la mejor opción” dependerá de los
objetivos buscados, del grado de oposición que exista entre ellos, del diferente peso
dado de cada uno, etc.
3.2. Metodología.
Se han desarrollado varias herramientas con el fin de poder definir de manera más o
menos exacta estos puntos óptimos. Las más frecuentes son las siguientes:
173
c) Un objetivo o valor a alcanzar que puede ser un máximo o un mínimo, por
ejemplo obtener el máximo beneficio de una inversión o el mínimo coste de una
dieta. Se desarrollaron también herramientas para resolver problemas con más
de un objetivo.
d) Un cierto número de variables que se desplazan simultáneamente y
generalmente interaccionan entre ellas originando diferentes niveles de
respuesta.
e) Un cierto número de restricciones o valores mínimos o máximos para algunas
variables o grupo de variables. Por ejemplo, en el cálculo de raciones de mínimo
coste se plantean restricciones de nivel máximo de consumo, nivel mínimo de
proteínas, minerales, etc.
f) Las relaciones entre variables, los resultados y las restricciones deben ser
lineales.
174