CAPITULO VI.

TEMAS AVANZADOS DE
TEORIA DE LA PRODUCCIN

1. Eficiencia de la produccin.
1.1. Concepto.
La eficiencia en los procesos productivos es un concepto cada vez ms utilizado no
slo en el lenguaje cientfico y empresarial sino tambin en el lenguaje coloquial: se
trata ante todo de ser eficiente para poder competir en las mejores condiciones
posibles en unos mercados cada da ms abiertos e internacionalizados.
Segn el Diccionario de la Lengua de la Real Academia, eficiencia es la virtud y
facultad para lograr un efecto determinado o bien, la accin con que se logra
ese efecto.
Para la Teora Econmica, el concepto es ms restrictivo y relaciona el producto
obtenido con los factores utilizados para su obtencin. Considera que un proceso
de produccin es eficiente si se obtiene el mximo output para unos inputs
dados
El concepto que aqu se va a utilizar de eficiencia es el estrictamente econmico,
an a sabiendas de que actualmente hay otras caractersticas de los sistemas

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 fsica y
econmica del sistema.
Atendiendo a esto, una empresa agraria sera ms eficiente que otra para lograr la
sustentabilidad, el equilibrio ambiental, la productividad, la estabilidad, la equidad u
otra cualquiera de las caractersticas analticas 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 Teora Econmica supone,
como ya se ha mencionado, un concepto mucho ms restrictivo que se relaciona con
la forma de convertir los factores de produccin en productos.
Pero lo anterior no supone que la eficiencia productiva en su concepto puramente
econmico, no sea un carcter deseable, muy al contrario, puede tener adems de
los resultados econmicos otros efectos positivos, entre ellos:
-

Favorecer la produccin, tratando de obtener productos de mayor calidad y que

no estn contaminados, por lo que tendrn mayor precio.

Usar racionalmente los recursos, disminuyendo con frecuencia los efectos

polucionantes del exceso innecesario de inputs qumicos.

Tender a evitar la produccin de externalidades ambientales negativas, que

posteriormente, tengan un coste de internalizacin.

Estos efectos, como se puede observar estn en total concordancia con las
directrices de la nueva PAC y el GATT que exigen un gran esfuerzo para conseguir
una produccin respetuosa con el medio ambiente y mucho ms competitiva. En
este contexto solo las ms eficientes lograrn perdurar.

2. Medida de la eficiencia.
2.1. Introduccin.
Desde hace tiempo se vienen desarrollando tcnicas para medir la eficiencia
productiva. As, en los aos sesenta se desarrollaron tcnicas basadas en
indicadores usuales en el contexto de la gestin de empresas y tendentes a
identificar la eficiencia con uno solo o con la interaccin de varios indicadores
econmicos (productividad de factores, intensidad del uso de factores por unidad de
superficie, etc): de estas tcnicas la denominada Anlisis de grupo fue la ms
utilizada y consista en hacer una clasificacin, dentro de un grupo de empresas,
mediante el clculo de determinados ndices de productividad de factores,
analizando posteriormente, las diferencias entre las empresas de cabeza y de cola.
Estos mtodos, si bien sirvieron para el diseo de estrategias de gestin en grupos
de empresas, no tenan necesariamente su base en el concepto de eficiencia que se
desprende de la Teora Econmica. 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 explotacin agraria (Calatrava y Navarro, 1984 hacen una

revisin bibliogrfica de dichos trabajos).
A continuacin se van a describir los mtodos ms utilizados para medir el grado de
eficiencia/ineficiencia de los sistemas productivos.
2.2. Eficiencia de Farrell.
A finales de los aos cincuenta, concretamente en 1957, Farrell ide un mtodo
para determinar la eficiencia productiva, al margen de las tradicionales medidas
asociadas a la productividad media. Centr su atencin en la definicin de eficiencia
productiva y propuso un marco conceptual para su interpretacin, as como medidas
especficas para su determinacin y cuantificacin.
Farrell desech la idea de eficiencia absoluta basada en alguna situacin terica o
ideal previamente definida, o la resultante de la comparacin con la productividad
media. Propuso como alternativa ms real alguna media de eficiencia relativa,
expresin de la desviacin observada respecto a aquella situacin que reflejara
mayor eficiencia productiva en un grupo representativo y homogneo. Cada
organizacin o unidad productiva individual es puesta en relacin con aqullas
consideradas ms eficaces, comparacin de la que se desprender el grado de
(in)eficiencia de cada una de ellas.
Supuso que la eficiencia puede descomponerse en tres tipos distintos:
1) Eficiencia tcnica.
La eficiencia tcnica o productiva se refiere a la productividad de una serie dada
de inputs en una explotacin o en un animal. Supone utilizar correctamente los
factores de produccin; es decir, dados unos determinados recursos obtener con
ellos la mxima produccin posible. Es por tanto, un concepto tcnico y no
econmico. Segn la teora de la produccin un proceso es ineficiente si existe
otra combinacin de factores quer permita obtener el mismo nivel de produccin
con un menor consumo de factores, o ms producto con el mismo nivel de
factores (Zona I y III) de la funcin de produccin. Como ejemplo Alvrez,
Belknap y Saupe (1988) calculan un ndice de eficiencia de 250 explotaciones
lecheras asturianas, como el cociente entre la produccin real y la potencial,
resultando un alto grado de ineficiencia, con un ndice medio de eficiencia del
40%. Otros autores aportan ndices medios de eficiencia superiores: Bravo Ureta
(1987) en EEUU un 70%, Schafer (1983) en Alemania un 81% Bureau (1987)
para Francia un 70%. Cabe destacar los estudios de eficiencia tcnica en
porcino de Murua y Albisu (1993) y en vacuno de leche Garca et al (1994).
2) Eficiencia asignativa.
Relaciona el producto obtenido por unidad de costes de los recursos utilizados.
Se refiere a la distribucin de los recursos entre las actividades productivas o las
empresas. Cuando ya no se puede aumentar el beneficio monetario o social
mediante la traslacin de recursos de una actividad a otra, o entre distintas
empresas se dice que se ha alcanzado la eficiencia en la asignacin que
incorpora la idea de ptimo 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.
Se dice que una empresa es eficiente en la asignacin de recursos cuando los
combina de una forma ptima; es decir, cuando se iguala su coste e ingreso
marginal. Alvarez Pinilla, et al (1989) define la explotacin eficiente como aqulla
que maximiza su beneficio, lo que supone minimizar el coste medio de
explotacin. Garca et al (1997) calcularon la dimensin ptima a partir de la
funcin de beneficio, que se muestra en la Figura 1.
Figura 1. Funcin de beneficio.

Diversos autores critican las medidas de eficiencia asignativa debido a las

distorsiones en el rol de los precios como asignadores de recursos (Farrell,
1957; Lund y Hill, 1979; Rusell y Young, 1983)
3) Eficiencia de escala.
Consiste en lograr un tamao ptimo para la explotacin. En Teora Econmica
ese tamao coincide con aquel volumen de produccin para el que el coste
medio a largo plazo es mnimo.
En la economa de la produccin escalar, tomamos en cuenta que todos los
factores son variables y adems que todos se incrementan en la misma
proporcin; aunque todos los factores aumenten en la misma proporcin, nos
interesa conocer si el producto aumenta en la misma proporcin o en proporcin
mayor o menor. En el primer caso hablamos de rendimientos escalares
constantes; es decir, que a medida que incrementamos la produccin se
incrementan los costes. En el siguiente caso estamos ante una situacin
privilegiada ya que los costes disminuyen con el incremento de produccin, por

150

lo tanto hablamos de rendimientos escalares crecientes y decrecientes en el

tercer caso.
Figura 2. Rendimientos de escala

La eficiencia de escala consiste en lograr un tamao ptimo para la explotacin.

En Teora Econmica ese tamao coincide con aquel volumen de produccin
para el que el coste medio es mnimo. Se observa en la Figura 2 que se
incrementa la dimensin disminuyen los costes unitarios; as se pasa de 45
pts/litro en explotaciones con 10.000 litros a 25 pts/litro en las de 375.000 litros.

Es obvio que para hablar de relaciones escalares tenemos que pensar en

producciones a largo plazo, en las que todos los factores son variables y no se
considera ninguno como fijo. La existencia de economas de escala pueden
justificarse por diversas razones. Por un lado cabe sealar que cuando se
incrementa el volumen de produccin de la empresa puede aprovechar las
ventajas de la especializacin. As, cada trabajador puede concentrar su
actividad en una tarea muy especfica y de este modo llegar a ser ms eficiente.
Por otro lado es frecuente que a medida que crece la empresa sta puede
acceder al empleo de un equipo mejor, dando lugar a lo que se denomina
economas tcnicas. En otras ocasiones las economas tienen su origen en la
indivisibilidad de la produccin.
Las deseconomas de escala se pueden asociar con las dificultades de gestionar
una empresa a medida que crece. Cuando una empresa crece cabe que
aumente la burocratizacin en los rganos directivos y que surjan dificultades de
coordinacin entre los distintos departamentos, lo que puede conducir a que se
incrementen los costes medios. Tambin se suele asociar la deseconoma de
escala a empresas que desarrollan su actividad en el sector servicios; es decir,
entran en un periodo de no calidad o mal servicio.
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, caracterstica de la economa y deseconoma de escala. El coste
marginal ser menor que el coste medio cuando ste disminuya y superior
cuando ste aumente, por lo tanto en el mnimo de la curva de los costes medios
coincide con el coste marginal.

151

Figura 3. Evolucin de los costes medios totales

En la figura 3 se observa que el coste del litro de leche disminuye hasta que la
explotacin alcanza una produccin de 300.000 litros. A partir de esta
produccin se entra en deseconoma de escala y se incrementa el valor del
coste del litro. En el sector agropecuario las deseconomas de escala suelen
estar motivadas al incorporar nuevas unidades de mano de obra (UHT) de
carcter asalariada, as como los incrementos de dimensin 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 econmicamente
eficiente, ya que est maximizando sus beneficios.
2.2.1. Forma funcional utilizada.
En la primera medida de la eficiencia realizada por Farrell, no se emplea ninguna
forma funcional para el clculo de la isocuanta unitaria. El mtodo consiste en
seleccionar, mediante programacin lineal, un subconjunto convexo de
observaciones que constituyen la isocuanta del nivel ptimo de produccin,
quedando el resto de observaciones por encima de la isocuanta. La isocuanta
ptima est formada por el conjunto de observaciones que desarrollan las mejores
prcticas tecnolgicas. Las desviaciones de las empresas con respecto a esta
isocuanta se asocia a ineficiencias. Hay que tener presente que este concepto de
ineficiencia es relativo pues las empresas se comparan con las mejores empresas
observadas.
No obstante Farrell indica la conveniencia de estimar la isocuanta ptima de
produccin mediante una forma funcional sencilla y propuso la funcin CoobDouglas que ser explicada posteriormente

2.2.2. Metologa.
Para la medida de la eficiencia, Farrell parte del supuesto de que existen
rendimientos constantes a escala, por lo que la tecnologa puede caracterizarse por
una funcin de produccin homognea de grado 1. Es decir, Y = F (K, L), y se
cumple para todo > 0 que:

152

F (,L) = F (K, L) = Y
Si se hace = 1/Y, se tiene que F (K/Y, L/Y) = Y = 1
Si se considera una empresa que produce un nico producto y, a partir de dos
factores x1, x2, se puede escribir, segn lo indicado anteriormente, f (x1/y, x2/y) = 1.
Esta es la frontera tecnolgica que se caracteriza por la isocuanta unitaria,
caracterizada a su vez por la combinacin de factores que es necesaria para obtener
una unidad de producto (curva SS de la Figura 6).
Considrese una explotacin representada por el punto P. Tracemos la lnea OP
desde el origen de la observacin. Esta lnea corta a la isocuanta en el punto Q. El
segmento QP considerado es una medida del exceso de utilizacin de los dos
factores considerados. Por tanto, una medida de la eficiencia tcnica es la razn
entre OQ y OP, es decir:
ET = OQ/OP
Todos los puntos que estn en la isocuanta SS tienen una eficiencia del 100% y los
que estn por encima una eficiencia inferior.
La lnea AA representa la razn de los precios de los factores que es tangente a la
isocuanta unitaria en el punto Q. Est claro que el punto Q que est sobre la
isocuanta unitaria representa mayor coste de utilizacin de factores que el
representado por Q.
Se puede considerar que el segmento RQ es una medida de la ineficiencia en la
asignacin de recursos (asignativa) que selecciona la tcnica eficiente, pero ms
cara comparndola con el mnimo coste Q.
Se mide la eficiencia en asignacin de recursos mediante la razn OR y OQ, es
decir:
EA = OR/OQ
Mediante una combinacin de los ndices, se obtiene la medida de la eficiencia
econmica:
EE = OR/OP
Esta razn es la equivalente al producto de las razones anteriores, es decir:
OQ/OP * OR/OQ = OR/OP
EFICIENCIA * EFICIENCIA = EFICIENCIA
TCNICA ASIGNATIVA ECONMICA

153

2.2.3. Observaciones al modelo de Farrell.

La principal ventaja de esta aproximacin es que no es necesario imponer ninguna
forma funcional con los datos para representar la produccin.
Entre los inconvenientes cabe destacar, en primer lugar, la restriccin que supone
su aplicacin nicamente a rendimientos de escala constante al ser su
generalizacin a rendimientos de escala no constante bastante engorrosa (Farrell y
Fieldhouse, 1962 y Seitz, 1971).
En segundo lugar, el hecho que la isocuanta ptima de produccin viene
determinada por las observaciones ms eficientes de la muestra, siendo sensible a
las observaciones extremas, lo que puede causar errores en la medida (Forsund et
al, 1980).

2.3. Frontera de produccin.

Las fronteras de produccin expresan los valores lmites que pueden alcanzar las
empresas. De este modo se asemejan los conceptos de frontera de produccin con
los de funcin de produccin e isocuanta unitaria adoptado por Farrell.
Las empresas situadas sobre la frontera de produccin se consideran
econmicamente eficientes, presentando el beneficio mximo con una disponibilidad
de recursos y una tcnica.
La estimacin de fronteras de produccin ofrece una serie de ventajas, descritas por
Coelli (1995) como:
-

La funcin de una funcin promedio ofrece una figura de la tecnologa de una

empresa media, mientras que las fronteras de produccin estarn ms
severamente influenciadas por las empresas de mejor desenvolvimiento y por lo
tanto refleja la tecnologa que stas usan.
Las fronteras de produccin representan la mejor tecnologa utilizable y contra la
que se debe medir la eficiencia de la empresa. Esta es razn principal del gran
desarrollo de esta metodologa en los ltimos aos.

2.3.1. Formas funcionales utilizadas.

El punto de partida para la medida de funciones de produccin frontera y eficiencia
es el trabajo de Farrell descrito anteriormente. Siguiendo sus indicaciones varios
autores propusieron mtodos para la determinacin de los parmetros de una
funcin frontera.
Un problema importante para estimar la frontera de produccin, es que la forma
funcional que se adopte puede imponer restricciones sobre el valor y la posibilidad
de variacin de los mismos. En concreto, por su sencillez y buenos resultados, las
funciones de Coob-Douglas han venido siendo usadas habitualmente para su
estimacin, a pesar de que con esta forma funcional los rendimientos a escala

154

permanecen constantes para todo nivel de output y para cualquier proporcin de los
inputs.
A pesar del importante papel que han jugado en los estudios economtricos, las
funciones de produccin homogneas estn siendo muy cuestionadas ya que slo
pueden modelizar tecnologas muy simples. Sin embargo, hay otros tipos de
funciones que no imponen tantas restricciones, por ejemplo:
- Funciones homotticas, en las que los rendimientos a escala pueden variar con
el nivel de output.
- Funciones radio homogneas, en las que los rendimientos a escala pueden
variar con la proporcin de factores usada pero no con el nivel de output.
- Funciones radio homotticas, en las que los rendimientos a escala pueden variar
con la proporcin de factores y con el nivel de output.
La mayor flexibilidad de las anteriores formas funcionales slo es parcial y afecta
exclusivamente a los rendimientos a escala. No se trata, pues, de formas
funcionales flexibles, entendiendo como tal una aproximacin de segundo orden a
una funcin de produccin arbitraria, capaz de modelizar diversas tecnologas y dar
mayor grado de flexibilidad a la funcin de produccin.
a) Funciones homogneas
Funcin de Coob-Douglas. Los rendimientos a escala permanecen constantes
para todo nivel de output y para cualquier proporcin de los inputs. Indica una
relacin multiplicativa entre los diversos insumos y su forma es:
Y = f(x) e
donde 0 necesariamente, puesto que no se puede producir ms all de lo
tecnolgicamente posible.
Expresada en forma linealizada:
LnY = + Bi Ln xi +

Se impone la restriccin de que las perturbaciones aleatorias () sean no positivas

(nadie puede producir por encima de la frontera), independientes e idnticamente
distribuidas. Las variables independientes (xi), se suponen independientes del
trmino perturbacin.
La desviacin respecto a la produccin en la frontera indica el grado o medida de
ineficiencia productiva.
Los modelos ms utilizados en el anlisis emprico 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 funcin de Coob-Douglas para la estimacin de la funcin frontera e ignora
algunas observaciones extremas a fin de eliminar su influencia en la funcin
estimada. Define la medida de ET como la razn entre el output realmente obtenido
y el obtenible en la frontera.
Kopp generaliza el enfoque de Farrel. Estima la funcin frontera y define la ET en
trminos de utilizacin de inputs, como la razn entre el nivel de utilizacin que le
correspondera si estuviera en la frontera y el nivel realmente utilizado produciendo
el mismo nivel de output.
Ambos ndices toman valores comprendidos entre 0 y 1. Su interpretacin no es otra
que, dado ese nivel de output o de utilizacin de inputs, el potencial aumento de
produccin o ahorro de inputs, caso de eliminar las ineficiencias correspondientes.
Los citados ndices se refieren al conjunto de factores que intervienen en el proceso
de produccin, siendo por tanto ndices de eficiencia multifactoriales, tal como los
denomina Kopp, sin diferenciar entre factores especficos.
Autores que la aplicaron:
-

Aigner y Chu, exigiendo que los errores fuesen no negativos. El mtodo

empleado fue el de programacin matemtica.
Timmer, mediante programacin lineal. El mtodo consisti en calcular los
coeficientes de la funcin de produccin frontera permitiendo que un porcentaje
de las observaciones est por encima de la frontera.
Afriat, suponiendo que los errores se distribuyen segn una funcin beta y
estimando los parmetros de la funcin mediante mxima verosimilitud.
Richmond, consider que los errores seguiran una distribucin gamma y estim
los parmetros mediante Mnimos Cuadrados Ordinarios (MCO), aunque
corrigiendo el trmino independiente, con la media de la distribucin gamma de
los errores, por lo que este mtodo se conoce como Mnimos Cuadrados
Corregidos con desviacin a la media (MCOCM).
Green (1980), utiliz el mtodo de los Mnimos Cuadrados Corregidos aplicando
una correcin al trmino independiente consistente en sumrle el mximo residuo
positivo. Este mtodo se conoce como Mnimos Cuadrados Corregidos con
desviacin al extremo (MCOCE).
Aigner, Lovell y Schmidt; y Meeusen y Van del Broeck (1977) desarrollaron el
modelo del error compuesto o frontera estocstica, suponiendo que las
perturbaciones del modelo se podan descomponer en la suma de dos
componentes, una que se distribuye segn una normal y la otra que se distribuye
segn una distribucin de una cola. As la forma funcional sera:
Yi = f(xi; ) + i

i= 1, ...n

Donde vi = N( 0, 2v), representa las perturbaciones que caen fuera del control
de la empresa y ui, representa la ineficiencia tcnica. La diferencia entre ambos
modelos es que el modelo desarrollado por Meeusen y Van den Broeck, la

156

distribucin de ui es una exponencial, y en el de Aigner, Lovell y Schmidt es

una distribucin seminormal.
b) Funciones homotticas
c) Funciones radio homogneas
d) Funciones radio homotticas
Fre (1975) combin las funciones radio homogneas con las funciones homotticas
de Shepard para crear la clase de funciones radio homotticas. Estas funciones de
produccin son homotticas a lo largo de cualquier radio, pero la homoteticidad
puede cambiar a lo largo de distintos radios.
Una funcin radio homottica es una transformacin homottica de una funcin
radio homognea y puede expresarse como:
G (kX) = F k H( x/ |x| ) F-1 (G(X)) k > 0
Esta funcin puede contemplar como casos particulares otras funciones que son
ms limitadas en las posibilidades de variacin de los rendimientos a escala.
a) Si F es la funcin identidad, se tiene:
G (kX) = k H( x/ |x| ) G(X) k > 0, que es una funcin radio homognea.
b) Si H (X / |X|) = h es una constante positiva, se tiene:
G (kX) = F k hF-1 (G(X)) k > 0, que es una funcin homottica.
c) Si F es la funcin identidad y H (X / |X|) = h, se tiene:
G (kX) = k hG(X) k > 0, que es una funcin homognea.
En cuanto a las propiedades deseables que debe cumplir una funcin de produccin,
Goldman y Shepard (1972) probaron que la funcin de produccin radio homognea
satisface las propiedades de estricto crecimiento y cuasiconcavidad global cuando H
(X / |X|) es una constante, es decir cuando se trata con nua funcin homognea.
Fre (1975) prueba que cuando es homottica tambin satisface estas dos
importantes propiedades. Estas dos propiedades no se cumplen, en general, para el
caso de una funcin radio homottica, pero puede cumplirse localmente.
Un problema que presenta la funcin de produccin radio homottica es que no es
lineal. Fre, Grabowski y Yoon (1983) han desarrollado una forma lineal de la
funcin radio homottica:
Y = ln (A Xi cixi / xi )
Tomando logaritmos, la expresin lineal correspondiente es:
Y = ln A + ci Xi ln Xi

157

Donde Xi es uno de los factores de produccin y Xi es la parte proporcional del

factor sobre el resto de los factores.
2.3.2. Metodologa.
Existen diferentes mtodos de estimacin de las fronteras de produccin, incluyendo
mtodos de programacin matemtica, determinsticos, estocsticos.
-

Los mtodos de programacin matemtica se clasifican en dos grupos:

Mtodos paramtricos.- Consideran que los errores se distribuyen segn

una funcin determinada. Entre estos mtodos se incluyen:
* Mnimos Cuadrados Ordinarios Corregidos (MCOC)
- Por traslacin a la media
- Por traslacin al extremo
* Mtodo de mxima verosimilitud
Mtodos no paramtricos.- Conocidos tambin como DEA (Data
envelopment analysis) consideran que la distribucin de los errores es libre.
En general son menos utilizados en ganadera y se basan en el clculo de un
ratio entre input y output de las empresas. Existen tcnicas para calcularlos
con resultados constantes y con retornos variables a escala. Entre estos
mtodos se incluyen:
* Mtodos de programacin lineal
* Mtodos de programacin cuadrtica.
-

Los mtodos determinsticos establecen fronteras definidas y consideran que

todos los desvos respecto a la funcin frontera se deben a ineficiencias tcnicas,
ubicando todas las empresas o sobre la lnea o por debajo de la frontera pero
nunca por encima, ya que no se puede producir ms de lo que
es
tecnolgicamente posible.

Los mtodos estocsticos consideran que las variaciones respecto a la

frontera se deben tanto a la ineficiencia tcnica como a un factor aleatorio de
error, pudiendo existir, por tanto, empresas situadas por encima de la frontera.
De esta forma, las variaciones estn compuestas por un factor aleatorio muestral,
que se considera distribuido como una normal de media cero y desviacin
estndar sigma y un factor de ineficiencia que se distribuye como una seminormal o gamma incompleta.

a) Determinacin de modelos de frontera determinstica no paramtrica

Las isocuantas de Farrell se puede considerar la primera aproximacin no
paramtrica para la estimacin de fronteras de produccin. Sin embargo , como
dijimos anteriormente, con este modelo no pueden expresarse funciones de
produccin que se ajusten a la Ley de Proporciones Variables o Rendimientos de
Escala no Constante.

158

Aigner y Chu (1968), propusieron un mtodo no paramtrico, que se puede utilizar

en los casos en que el mtodo Farrell no puede aplicarse. Plantean dos formas para
calcular los parmetros:
1. Mediante la minimizacin de la suma de las desviaciones absolutas, lo que
equivale al uso de programacin lineal.
2 Mediante la minimizacin de la suma del cuadrado de las desviaciones, lo que
equivale al uso de programacin cuadrtica. Esta forma es compleja por lo que no
ha sido muy empleada.
A continuacin, se desarrollan ambos mtodos:
1 Programacin lineal
Los autores parten de una funcin de produccin Cobb Douglas para m factores:
u>0

y = A * x1a1 * x2a2.....xmam * e-u

Donde:
y = producto
x1a1 , x2a2, ...xmam = factores de produccin
u = error
Tomando logaritmos queda:

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 + ai ln xi - u
i =1

Suponiendo que hay n observaciones, el problema consiste en minimizar la suma de

los errores, es decir:
j=n

min uj
j =1

Sujeto a las restricciones de que las observaciones descansan o estn debajo de la

frontera:
m

ln A + ai ln xij ln yj
i =1

j = 1.....n

y a las restricciones de no no negatividad de las elasticidades de Cobb Douglas ai

0
i = 1,.....m.
Se puede escribir que:

159

min uj = min (n ln A + ai ln xij - ln yj )

j=1 i=1

j=1

Como para cualquier conjunto de datos ln yj tiene un valor constante se puede

suprimir de la frmula anterior, pues para que el segundo miembro de esta expresin
sea mnimo ha de ser mnimo:
n

n ln A + ai ln xij
j=1 i=1

Si se tienen n observaciones y tres factores de produccin nos queda:

MINIMIZAR

i =1

i =1

i =1

n ln A + ai ln xij + a2 ln x2j + a3 ln x3j

siendo xij, x2j, x3j factores de produccin y ln A, ai, a2, a3, los parmetros a estimar.
Sujeto a las restricciones:
Ln A + a1 ln x11 + a2 ln x21 + a3 ln x31 ln y1
Ln A + a1 ln x12 + a2 ln x22 + a3 ln x32 ln y1
.
.
Ln A + a1 ln x1n + a2 ln x2n + a3 ln x3n ln yn
y

ln A 0, a1 0, a1 0, a1 0,

2 Programacin cuadrtica
Es similar al anterior salvo que la funcin objetivo es:
n

min uj2 = min (n ln A + ai ln xij - ln yj )2

i =1

i =1 i =1

i =1

b) Determinacin de modelos de frontera determinstica paramtrica

El primer autor que propuso un modelo para la estimacin de la frontera por mtodos
paramtricos fue Afriat (1972).
Su modelo es el siguiente:
y = f(x). e-u
o bien tomando logaritmos:
ln y = ln f(x) u

160

El problema que se plantea en este modelo es conocer la distribucin que siguen los
errores, pues al ir a estimar la funcin frontera, stos han de ser positivos.
Afriat (1972) supone que los errores, en este caso e-u , se distribuyen segn una
funcin de tipo beta, Richmond (1974) consider para estos mismos errores una
distribucin gamma
Schmidt (1976), demuestra que si la distribucin de errores u se supone que es
exponencial la estimacin de la frontera por mxima verosimilitud coincide con la de
la programacin lineal; y si la distribucin de u se supone seminormal, coincide con
la de programacin cuadrtica.
Esto viene a demostrar que es importante acertar al especificar una distribucin a lo
errores pues como se ver en los siguientes apartados las estimaciones de las
funciones frontera van a depender de la hiptesis formulada en relacin con la
distribucin de los errores.
1 Mtodo de los mnimos cuadrados corregidos por traslacin
Si una vez estimada la funcin de produccin media mediante M.C.O., se hace una
traslacin de dicha funcin, se determina la funcin de produccin frontera.
Esta estimacin se conoce como Mtodo de Mnimos 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:
- Mnimos Cuadrados Ordinados Corregidos por traslacin a la media o
M.C.C.(tm).
- Mnimos Cuadrados Ordinarios Corregidos por traslacin al extremo superior o
M.C.C.(te).
A continuacin se describirn ambos procedimientos:
a) Mnimos Cuadrados Ordinarios Corregidos por traslacin a la media
El primero en sealar esta estimacin fue Richmond (1974). Su planteamiento
fue el siguiente:
Considera una funcin de produccin del tipo Cobb-Douglas en forma lineal tal
como la de la expresin siguiente:
n

(*) Ln y = ln (x) - u = 0 + i ln xi u
i =1

Este autor supone que la distribucin de u es una gamma.

Si E(u) = , se puede escribir:
Ln y = (0 u) + i ln xi (u - )
Donde la E(u - ) = 0.

161

u0

De este modo, el trmino error satisface todas las condiciones deseables de los
estimadores, excepto la normalidad.
Por este motivo la ecuacin anterior puede estimarse por mnimos cuadrados
ordinarios, para obtener un estimador BLUE (best linear unbiased estimates = no
sesgado, lineal, ptimo) de (0 - ) y de i.
Si se supone otra distribucin cualquiera para los errores y si los parmetros de esta
distribucin se pueden estimar por los momentos centrales de orden superior
(segundo, tercero, etc) entonces, se pueden estimar dichos parmetros
consistentemente por los momentos de los residuos de la estimacin por M.C.O.
Puesto que es uno de los parmetros funcin de los momentos puede estimarse
tambin consistentemente y este estimador puede utilizarse para corregir al trmino
independiente de la estimacin por M.C.O., que es un estimador consistente de ( ). As, el mtodo M.C.C.(tm) consiste en restarle al trmino independiente de la
estimacin por M.C.O. la E(u) = .
Por lo dicho anteriormente, se deduce que M.C.C. (tm) proporciona una estimacin
consistente de todos los parmetros de la frontera.
Sin embargo esta estimacin tiene varias particularidades:
1. Al corregir el trmino independiente, algunas observaciones quedan an encima
de la funcin de produccin frontera, cosa que no parece lgica, por lo que la
estimacin de la frontera por M.C.C.(tm) resulta un mtodo poco adecuado para
determinar la eficiencia tcnica de las empresas individuales.
2. Que la correcin del trmino independiente depende de la distribucin supuesta
para los errores u. Se distinguen dos casos:
-

Si se considera una distribucin gamma con un parmetro. Para todo u se tiene:

g1 (u,) = 1 / () * (u) - 1 * exp (-u)

0 < u < , > 0

Los momentos de 1 y 2 orden son respectivamente:

E(u) = var(u) =
Por lo tanto, el estimador de la varianza del error en la estimacin por M.C.O.
proporciona la correccin al trmino independiente.
-

Si se considera una distribucin exponencial, se tiene:

g2 (u,) = 1 / * exp (-u/)

0 < u < , > 0

Los momentos de 1 y 2 orden son respectivamente:

E(u) =
Var(u) = 2

162

Por tanto, la raz cuadrada positiva del estimador de la varianza del error de la
estimacin M.C.O. proporciona la correccin al trmino independiente.
De aqu se deduce que, segn sea la distribucin, una gamma de un parmetro o
una exponencial, las correcciones del trmino independiente varan y, por
consiguiente, darn diferentes estimaciones de la eficiencia tcnica, excepto para el
caso particular en que var(u) = 1.
b) Mnimos Cuadrados Corregidos por traslacin al extremo
Hay otro procedimiento para resolver el problema, ste consiste en estimar (*) por
M.C.O. y despus corregir el trmino independiente, mediante una traslacin hasta
que todos los residuos sean negativos y al menos uno nulo: M.C.C.(te) Green (1980
a), muestra que esta estimacin proporciona un estimador consistente de 0.
Para la correccin del trmino independiente 0 se suma a ste el valor del mayor
residuo (um), obtendo de la estimacin por M.C.O. y as se tiene que:
0 = 0 + um
La estimacin mediante M.C.C.(te) determina la funcin de produccin frontera y la
estimacin mediante M.C.O., la funcin de produccin media.
La estimacin por M.C.C.(te) presenta las siguientes particularidades:
- En general, hay una sola observacin absolutamente eficiente, la que
corresponde al mayor residuo de la estimacin por M.C.O., por lo que es
extraordinariamente sensible a valores anmalos.
- La estimacin por M.C.C.(te) no tiene en cuenta el hecho de factores
coyunturales que pueden hacer que una o varias empresas sobrepasen la
frontera habitual correspondiente a esta tcnica.
2 Mtodo de mxima verosimilitud
Para aplicar la estimacin de mxima verosimilitud es imprescindible hacer hiptesis
sobre la distribucin de los errores u. Esta hiptesis presenta un inconveniente ya
que a priori no hay argumentos vlidos para determinar el tipo de distribucin de
dichos errores.
Otro inconveniente de la estimacin mximo verosmil en funciones fronteras
determinsticas es que el rango de la variable dependiente depende de los
parmetros que se van a estimar, Schmidt (1976). ( Esto es as porque y f (x)
contiene los parmetros a estimar). Esto viola una de las condiciones de regularidad
necesarias para demostrar el teorema general de que los estimadores mximo
verosmiles son consistentes y asintticamente eficientes. De aqu que las
propiedades estadsticas de los estimadores mximo verosmiles deberan
considerarse de nuevo. Green (1980 a) lo hizo y demostr que las propiedades
asintticas de los estimadores mximos verosmiles se mantienen si la funcin de
densidad de u cumple las siguientes condiciones:
a) La funcin de densidad de u es cero, cuando u = 0.

163

b) La derivada de la funcin de densidad de u se acerca a cero cuando u se

aproxima a cero.
Green (1980 a) seala que la distribucin gamma satisface estos criterios y por tanto
puede utilizarse:
f(u) = G(, P) = p / (P) * up-1 * e-u
u 0, > 0, P > 2
Entre otras muchas distribuciones, que cumplen estas propiedades y que por tanto
pueden utilizarse son la lognormal y la chi-cuadrado.
Contrariamente, las distribuciones exponenciales y normal truncada no pueden
utilizarse al no cumplir las propiedades anteriores.
Sin embargo esto presenta un inconveniente que seala el propio Green y es el que
la eficiencia tcnica est condicionada por consideraciones estadsticas.
Segn Milln (1986), los estimadores mximos verosmiles que cumplen las
condicones de Green 1980 a) y de las que se conocen sus propiedades
estadsticas, representan una modificacin sustancial sobre los estimadores de
frontera determinstica que se han visto anteriormente. Esta modificacin 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 funcin frontera de la funcin de produccin convencional.
c) Determinacin de frontera estocstica no paramtrica
d) Determinacin de frontera estocstica paramtrica
1. Modelo de Aigner, Amemiya y Poirier
Estos autores parten de que el modelo para una muestra de n observaciones viene
dado por la siguiente expresin matricial:
(**) Y = X . +
Donde:
Y = es una matriz de dimensin n x 1, representanndo las observaciones de la
variable dependiente.
X = es una matriz de dimensin n x k, representando las observaciones, fijadas las k
variables independientes.
= es una matriz de dimensin k x 1, representando los coeficientes de las variables
independientes.
= es una matriz de dimensin n x 1 que representa los errores.
Cada elemento del vector de dimensin n x 1 del error est reprresentado, segn
los autores por:
i * / /(1-)

164

si i * > 0
i = 1, 2....n

 i * / /

si i * 0

donde los errores i * N (0, 2) para 0 < < 1 y i * tiene una distribucin normal
truncada negativa para = 1 y normal truncada positiva para = 0; resumiendo:
i * N (0, 2)
para 0 < < 1
*
i Normal truncada negativa
para = 1
*
i Normal truncada positiva
para = 0
La justificacin del error es que se supone que las explotaciones obtienen
cantidades de productos distintas para un conjunto de factores dados, debido a
variaciones aleatorias en:
a) La habilidad para utilizar la mejor prctica tecnolgica. Ello da origen a un error
de una sola cola, i 0, al no utilizar los factores adecuadamente para obtener la
mxima cantidad de producto.
b) La cantidad de inputs o la medida del producto y. Esto da origen a un error
simtrico i > 0.
Ambas causas se pueden dar separada o simultneamente.
Un inconveniente que presenta este modelo es que es necesario conocer , que se
interpreta como una fuente de variabilidad del error, cuando es desconocido el
procedimiento de determinacin de la frontera se complica bastante.
2. Modelos de Aigner, Lovell y Schmidt; Meeusen y Van den Broeck
Estos modelos fueron hechos separadamente por sus autores, aunque son
similares, con pequeas diferencias que se indicarn al desarrollarlos.
a) Se comienza describiendo el modelo de Aigner, Lovell y Schmidt. Asumen que
los errores i de la ecuacin (**) se descompone en dos componentes ui y vi .
i = ui + vi
i = 1,......n
La componente vi representa las perturbaciones que caen fuera del control de la
empresa, causas exgenas.
Se asume que vi se distribuye como una distribucin normal de media cero y
varianza v2, vi N (0, v2).
La componente ui es independiente de vi y representa las perturbaciones que estn
bajo el control de la empresa, causas endgenas, como la tecnologa, siendo ui 0.
Se presta atencin fundamentalmente, al caso en que ui presenta una distribucin
normal de media cero y varianza v2, truncada por encima de cero, ui N (0, u2).
Se pueden emplear otras distribuciones de una sola cola y en general se puede
considerar una distribucin exponencial.

165

Este modelo es semejante al de funciones frontera determinsticas cuando v2 = 0 y

funcin frontera estocstica extrema cuando u2 = 0, segn Zellner, Kmenta y
Drze (1966).
Obsrvese que si y f(xi ; ) + vi , es la misma frontera, ahora claramente
estocstica.
As pues, el proceso productivo est sujeto a dos perturbaciones aleatorias,
distinguibles econmicamente y con diferentes caractersticas.
Desde el punto de vista prctico, tal interpretacin da muchas facilidades para la
estimacin e interpretacin de la frontera.
Obsrvese que la perturbacin negativa ui, refleja el hecho de que el producto de
cada empresa deba estar en la frontera o debajo de sta [f(xi ; ) + vi ].
Tal desviacin es el resultado de factores que estn bajo el control de la empresa
como la ineficiencia tcnica y/o econmica.
Pero esta misma frontera puede cambiar aleatoriamente entre empresas, o en otro
momento en la misma empresa.
Segn esta interpretacin la frontera es estocstica con perturbaciones aleatorias vi
mayores, iguales o menores que cero, segn sea la media de los sucesos externos
a la empresa, como pueden ser el azar, el clima, la topografa, la maquinaria o
errores en la medida u observaciones del producto.
Otra caracterstica a resaltar de esta consideracin es que pueden estimarse las
varianzas de vi y ui y por tanto tener conocimiento de sus tamaos relativos.
Pero lo ms interesante es que la eficiencia productiva se puede medir por la
relacin:
yi / f(xi ; ) + vi
i = 1....n
y no con la relacin:

yi / [f(xi ; )]

que es la que se utiliza en las fronteras determinsticas.

Esto permite distinguir ineficiencias productivas de otras fuentes de perturbaciones
que estn fuera de control de la empresa.
La estimacin del modelo expresado en (**) se puede simplificar considerando un
modelo lineal, que matricialmente se expresa por:
y donde = u + v.

Y=X.+

Para estimar la funcin frontera estocstica se tiene en cuenta la funcin de

distribucin suma de una distribucin normal y una distribucin normal truncada que
fue obtenida por Weinsteins (1964) y adopta la frmula siguiente:

166

(***) f() = 2 / f* ( / ) [1 F*(- -1)]

donde 2 = u2 + v2 , = u / v, f* (.) y F (.) son las funciones de densidad y de

distribucin de una distribucin normal estndar.
Esta funcin es simtrica en el entorno de cero y su esperanza y varianza vienen
dadas por:
E() = E(u) = - /2/ . u
V() = V(u) + V(v) = -2/ . u 2+ v2
La particular parametrizacin de (***) es conveniente ya que se interpreta como un
indicador de la variabilidad relativa de las fuentes de errores aleatorios.
Si tiende a cero implica que u 2 tiende a cero y/o v2 tiende a infinito. Esto implica
que la componente simtrica del error es la dominante, es decir que la distribucin
de errores es una distribucin normal N(0, 2), los errores caen fuera del control de
la empresa, son causas exgenas.
Cuando tiende a infinito, implica que v2 tiende a infinito y/o v2 tiende a cero,
estamos en el caso de ineficiencia tcnica, los errores se deben a una mala
utilizacin de los factores; estos se distribuyen segn una distribucin seminormal
negativa.
Otro caso que estudian estos autores es considerar para ui
exponencial, cuya funcin de densidad, viene dada por:
F(u) = 1/ exp (u/),

una distribucin

u0

Donde 0 es la esperanza de ui. La varianza es 2. La funcin de densidad de i

= ui + vi , viene dada por la siguiente frmula:
F() = 1/ [1-F* (/v + v/)] exp [/ + v2/22 ]
Donde F*(.) representa la funcin de distribucin de la normal estndar.
La estimacin de la frontera estocstica se realiza mediante mxima verosimilitud y
se determinan los valores ptimos de los parmetros , , 2.
Para su clculo, Aigner, Lovell y Schmidt emplearon el algoritmo de Fletcher
Powell (1963), aunque se pueden emplear otros algoritmos.

b) Meeusen y van den Broeck (1977) consideran en su modelo que el error se

descompone en dos componentes, la vi que se distribuye como una normal al igual

167

que el anterior modelo y la ui que se distribuye como una exponencial, cuya funcin
de densidad viene dada por la siguiente expresin:
f(u) = . e-u,
f(u) = 0,

u0
( > 0)
u<0

La expresin general para la funcin de densidad de una suma de dos variables

aleatorias independientes cuyas funciones de densidad son f(u) y f(v) viene dada por
la siguiente expresin:
F() = - f(u) . f( - u) du
= /2 exp (22 / 2 - ) erfc (2 - / /2 )
siendo:
erfc(t9 = 1 [2 / / ] 0t e-2 d
Los momentos se pueden obtener fcilmente:
m1 = 1/,
m2 = 1/ + 2
m3 = 2/3,
m4 = 9/4 + 62/2 + 34
Ambos modelos presentan una gran debilidad, que es el no poder determinar las
eficiencias de las empresas individualmente. La funcin frontera estocstica y las
varianzas estimadas, se pueden utilizar para medir la funcin frontera de un grupo
de empresas y as determinar la eficiencia media mediante la ecuacin (**).
3 Modelo de Stevenson R.E.
Stevenson (1980) generaliza el modelo de Aigner, Lovell y Schmidt (1977)
considerando que el componente ui del error se asocoa a causas aleatorias y se
distribuye como una distribucin seminormal o exponencial y el componente vi que
refleja las caractersticas estocsticas se distribuye como una distribucin normal de
media cero y varianza v2. Las dos posibles distribuciones de ui adoptan una moda
cero. Esto representa que el modelo de Aigner, Lovell y Schmidt se basa en
adoptar implcitamente que la verosimilitud de la forma ineficiente disminuye
montamente cuando aumenta el grado de ineficiencia.
Los factores humanos que describen eficiencia como pueden ser la educacin,
inteligencia, etc, no se distribuyen verosmilmente con esta funcin montona
decreciente entre la poblacin.
Al ser los agentes econmicos, humanos, plantear para ui una distribucin cuya
moda sea distinta de cero, parece ms lgico.
Con estas premisas Stevenson (1980) generaliza el modelo de Aigner, Lovell y
Schmidt al permitir una moda distinta de cero para las dos posibles funciones de
densidad de ui (normal truncada y gamma) y considerar el caso de moda cero como

168

un caso especial. Emplean en su estudio la funcin dual (funcin de costes). De aqu

que considere que ui > 0.
Seguidamente se describen ambas posibilidades:
a) Normal - Truncada
La funcin de ui se distribuye como una normal truncada de moda y la vi se
distribuye como una normal N(0, v2).
Las funciones de densidad para ui y vi vienen dadas por las siguientes expresiones:
f(ui) = 1/ (1-F* (-/u)) /2u exp [-2 (ui - / u)2],

ui > 0

f(ui) = 0 para todos los dems.

g(vi) = 1/ /2v exp [-2 (vi /v)2],

vi

donde F*(.) es la funcin de distribucin de la normal estndar.

La funcin de densidad conjunta para i = ui + vi viene dada por la siguiente
expresin:
h(i) = 0 1/ (1-F*(-/))2uv x exp[-2 ((ui - /u)2 + (i - ui /v)2)]du
que integrada da:
h(i) = 2-1 f* (i - / ) [1 F* (- / - i / )] [1-F*(- / u)]-1
donde = (u2 + v2)2, = u/ v , y f* es la funcin de densidad de la normal
estndar calculada para (( - ) / ). Para = 0, se obtiene la funcin de densidad
dada por Aigner, Lovell y Schmidt (1977).
Este modelo es la generalizacin del de Aigner, Lovell y Schmidt, que
consideraban la distribucin de ui como una normal truncada N(0, u2) y vi como una
normal N(0, v2).
La esperanza y la varianza del error i = ui + vi de este modelo son:
E(i) = E(ui) = . a / 2 + u . a / /2 exp [-2 ( / u )2]
V(i) = V(ui) + V(vi) = 2 . a / 2( 1- a/2) + u2 a( - a) / + v2
a = [1 F*( / u)]-1
F*(.) es la funcin de distribucin de una normal estndar.

169

Para el caso de = 0.
E(i) = /2 / / . u
V(i) = u2 ( - 2) / + v2
Hay que tener en cuenta que:
= u2 + v2

= u / v

La funcin de verosimilitud para la funcin de costes depende de , , 2 y .

c) Normal Gamma
La funcin de densidad de ui se distribuye como una gamma y viene dada por la
siguiente expresin:
f(ui) = 1/ (m + 1) m+1 uim exp(-ui ),

ui > 0, > 0, m > 0

=0
para todos los dems.
Dado g(vi) = g(i ui), la funcin de densidad conjunta de i = ui + vi viene dada por la
siguiente expresin:
h(i ) = 0 1/ (m + 1) /2 v m-1 um exp[-2v2 (2u / 2 + ( - u) 2 )] du
que simplificada queda:
h(i ) = v m / (m + 1) /2 exp( - + 2v2/2) m-1w (t w)m exp[ -t2/ 2] dt
donde w = (-i /v + v). La esperanza y la varianza de i vienen dadas por las
siguientes expresiones:
E(i) = E(ui) = m+1 /
V(i) = V(ui) + V(vi) = m+1 / + v2
Este autor considera que m solo toma valores enteros y determina la funcin de
densidad para i en los casos en que m = 1, m = 2, y m = 3.
La funcin de verosimilitud, en este caso, depende de , v2 y .

170

2.4. Otros mtodos basados en funciones que no son frontera.

2.4.1. Modelo de Lau y Yotopoulus.
Este modelo es aplicado tambin por Trosper (1980). Se utliz para determinar la
eficiencia tcnica y la eficiencia en la asignacin de recursos.
Metodologa
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 pequeas
(grupo 2). Dentro de un mismo grupo se considera que la funcin de produccin es
idntica para todas las empresas:
Yij = Aij f(xij )

i = 1, 2

j = 1,... n

Siendo:
Yij : el producto
xij : los factores que intervienen en la produccin
Aij : los parmetros que indican la eficiencia tcnica
Una empresa m, dentro del grupo, es ms eficiente tcnicamente que otra p, si con
la misma cantidad de factores de produccin 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 ser:
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
Las condiciones para la maximizacin del beneficio se obtiene al derivar la expresin
anterior:
p* Ai* f(xij) / xij = ij cij

i = 1, 2

j = 1,... n

ij = 1/ p Ai
El trmino ij 0 indica eficiencia en precio, la habilidad de un conjunto de empresas
del mismo sector, de igualar el producto marginal al precio de los factores. Dos
empresas cualesquiera p y q, de un mismo grupo , por ejemplo el 1, son eficientes
en precios o asignacin de recursos, si y solo si, ip = iq
Por ltimo, se dice que dos empresas cualesquiera, de un mismo grupo, son
econmicamente 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.
Metodologa
Se utliz nicamente para investigar ineficiencia en asignacin de recursos, aunque
segn Forsund et al. (1980) puede extenderse a ineficiencia en escala e ineficiencia
tcnica.
Toda comenz asumiendo rendimientos de escala constantes e ineficinecia tcnica y
propuso una funcin Leontief generalizada de coste medio, de la forma:
i=n j=n

c (y,w) / y = ij wi wj1/2
i=1 j =1

ij = ji

Siendo:
c = coste
y = producto
w = precio de los factores
ij = parmetros
Las demandas condicionadas de los factores adoptan la forma:
j=n

xi (w,y) = ij (wj / wi )1/2 y

i = 1,...n

j=1

Esto permite observar que las relaciones entre el producto y los factores de
produccin se diferencian de la ecuacin de coste mnimo de la demanda de
factores producto en :
j=n

Xi/y = ij [ ji (wj / wi )]1/2

i = 1,...n

j=1

Donde ji > 0 mide la ineficiencia asignativa. Usando esta ltima ecuacin, el coste
medio observado es:
j=n

j=n j=n

j=1

j=1 j=1

w (x/y) = ii wi + ii (ij -1/2 + ij 1/2) wi 1/2 wj1/2

Se observa que w (x/y) = c (w, y )/y, si y solo si:
(ij -1/2 + ij 1/2) = 2

para todo i j

Esto requiere que ij = 1 para todo i j. Si algn ij 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 simtricas y
que las ecuaciones Xi/y y w (x/y) no lo son. Por tanto, un test de simetra nos sirve

172

para ver ineficiencias asignativas, ya que las ecuaciones simtricas son eficientes y
las asimtricas son ineficientes.
Este modelo permite estimar los parmetros de la funcin de costes ii
parmetros de ineficiencia asignativa ij.

y los

2.3. Optimizacin de la produccin.

3.1. Concepto.
Optimizar es buscar un punto mximo o mnimo en una curva, encontrando la mejor
opcin para un ambiente dado. La definicin de la mejor opcin depender de los
objetivos buscados, del grado de oposicin que exista entre ellos, del diferente peso
dado de cada uno, etc.
3.2. Metodologa.
Se han desarrollado varias herramientas con el fin de poder definir de manera ms o
menos exacta estos puntos ptimos. Las ms frecuentes son las siguientes:

3.2.1. Programacin matemtica lineal.

Desde la primera publicacin del mtodo simplex por el Dr. George B. Dantzig en
1947, el avance en la programacin lineal aplicada a la produccin agropecuaria ha
sido muy rpido.
Los problemas de programacin lineal presentan cierta estructura tpica, en general
contienen:

173

c) Un objetivo o valor a alcanzar que puede ser un mximo o un mnimo, por

ejemplo obtener el mximo beneficio de una inversin o el mnimo coste de una
dieta. Se desarrollaron tambin herramientas para resolver problemas con ms
de un objetivo.
d) Un cierto nmero de variables que se desplazan simultneamente y
generalmente interaccionan entre ellas originando diferentes niveles de
respuesta.
e) Un cierto nmero de restricciones o valores mnimos o mximos para algunas
variables o grupo de variables. Por ejemplo, en el clculo de raciones de mnimo
coste se plantean restricciones de nivel mximo de consumo, nivel mnimo de
protenas, minerales, etc.
f) Las relaciones entre variables, los resultados y las restricciones deben ser
lineales.
La programacin lineal se ha utilizado en abundantes y diversas aplicaciones en las
explotaciones agropecuarias. El desarrollo de la informtica y la expansin de los
ordenadores permiti la aceleracin del proceso matemtico necesario
generalizando el uso de esta tcnica.
3.2.2. Modelos de simulacin.
Se desarrollan modelos matemticos que intentan mediante ecuaciones tericas
predecir o simular la produccin mxima posible dados unos recursos. Estos
modelos han tenido un gran desarrollo en los sistemas agropecuarios a partir de
que la informtica permiti el uso extensivo de ordenadores con gran capacidad de
memoria y clculo. De esta manera, la complejidad de los modelos agropecuarios
pueden desarrollarse mediante un gran nmero de ecuaciones, interconectadas y
relacionadas entre s, que slo la gran velocidad de clculo de los ordenadores
permiten hacerla funcional
3.2.3.- Fronteras de produccin.

174