Recibido: 12/02/2020 Aceptado: 11/11/2020
31
DOI: https://doi.org/10.52973/rcfcv-luz311.art4 Revista Cientica, FCV-LUZ / Vol. XXXI, N°1, 31 - 39, 2021
RESUMEN
La carne de cerdo (CdC) es el segundo tipo de carne producido
en el mundo, siendo Europa la segunda región en importancia
productiva después de Asia. Dentro del mercado europeo de CdC,
Dinamarca y Polonia son dos actores relevantes que presentan
algunas diferencias en sus sistemas productivos (SP). El objetivo
fue estudiar las variables que explican el comportamiento de la
producción de carne porcina y la eciencia técnica relativa de los
SP tomando en cuenta las diferencias en los sistemas. Se utilizó
modelos de frontera estocástica de producción del tipo Translog,
para muestras de productores porcinos en el periodo 2010-2015.
Los resultados indican que las muestras de productores de ambos
países presentan niveles de eciencia altos, con valores de 0,899
y 0,859 para Dinamarca y Polonia, respectivamente. Los factores
más importantes que explican la producción de cerdos son los
alimentos y el capital. Además, Polonia presenta crecimiento
tecnológico significativo en el periodo estudiado sin mostrar
cambios en la eciencia, mientras que, Dinamarca no presenta
progreso tecnológico y adicionalmente muestra una baja en la
eciencia técnica relativa en el periodo.
Palabras clave: Eciencia técnica; frontera estocástica; producción
porcina
ABSTRACT
Pork is the second type of meat produced in the world, with
Europe being the second most important Region after Asia. Within
the European pork meat market, Denmark and Poland are two
relevant players with some dierences in their production systems
(PS). The objective of this research was to study the variables
that explain the behavior of pig meat production and the relative
technical eciency of the PS, taking into account the dierences in
the systems. Stochastic production frontier models of the Translog
type were used for samples of swine producers in the period 2010-
2015. The results indicate that the samples of producers from
both Countries present high levels of eciency, with values of
0.899 and 0.859 for Denmark and Poland, respectively. The most
important factors that explain pig production are food and capital.
In addition, Poland presents signicant technological growth in
the period without changes in efficiency, while Denmark does
not present signicant technological progress and a decrease in
relative technical eciency in the period.
Key words: Technical eciency; stochastic frontier; pig production
Eciencia en la producción porcina en países de Europa.
Casos de Dinamarca y Polonia
Eciency in swine production in European countries. Cases of Denmark and Poland
Juan Cabas-Monje
1
*, Luis Améstica-Rivas
2
, Jonathan Labra-Hernández
2
, Bouali Guesmi
3
y José María Gil
3
1
Facultad de Ciencias Empresariales, Departamento de Gestión Empresarial, Grupo de Investigación en Agronegocios, Universidad
del Bío-Bío. Región de Ñuble, Chile.
2
Facultad de Ciencias Empresariales, Departamento de Gestión Empresarial, Universidad del
Bío-Bío. Región de Ñuble, Chile.
3
Center for Agro-Food Economics and Development (CREDA-UPC-IRTA). Castelldefels, España.
*Correo electrónico: jcabas@ubiobio.cl
Eciencia en la producción porcina / Cabas-Monje y col.________________________________________________________________
32
INTRODUCCIÓN
La CdC (Sus scrofa domestica) es el segundo tipo de carne más
producida en el mundo tras la carne de ave, con un pronóstico
de una producción de 101 millones de toneladas (Mill Ton) para
el año 2020, abarcando con ello aproximadamente el 30 % de
la producción mundial de carne. Europa es la segunda región
de mayor producción de carne porcina a nivel mundial, después
de Asia, concentrando el 27,1 % del mercado global [15]. La
producción en Europa es liderada por Alemania con un total de
21,9 % de la producción de la Comunidad Europea (CE), seguida
por España con el 19,5 % y Francia con el 9,2 %. Polonia es el
cuarto mayor productor en la región con un 8,3 % de la producción
del año 2019, mientras que, Dinamarca está en el sexto lugar con
un 6,3 % [25].
Dinamarca y Polonia, además de ser importantes en el mercado
de carne porcina presentan ciertas características particulares
en su sistema productivo (SP) y comercializador, que resulta de
interés estudiarlo. En Dinamarca, la industria porcina desempeña
un papel relevante en la economía local, donde más del 90 %
de su producción se exporta a 120 mercados de todo el mundo,
esto representa más del 19 % del total de productos alimentarios
exportados [11]. Si se consideran los valores productivos en
términos per-cápita, Dinamarca es la mayor potencia en el mundo.
Lidera en rendimiento por lechones destetados por cada cerda
en reproducción al año(a) y tiene un SP con el más avanzado
desarrollo tecnológico, bajo estricta legislación ambiental y
sanitaria, y concentrado principalmente en grandes explotaciones.
Tiene una estructura cooperativa, en la que los criadores son
propietarios de la producción, los mataderos y las empresas de
elaboración de alimentos. Es decir, presentan una estructura
totalmente integrada [14].
Polonia ha experimentado cambios estructurales importantes
en las últimas dos décadas, aumentando la concentración de la
producción en granjas de mayor tamaño. Pero, en comparación
con otros países de la Unión Europea, la producción sigue
presentando una estructura muy fragmentada, con escalas de
producción muy bajas, lo que lleva a importar grandes cantidades
de lechones para la cría y carne principalmente desde Dinamarca.
A lo anterior, se suma el hecho de una integración vertical y
horizontal poco desarrollada, con escasa colaboración entre
productores de cerdos y procesadores de carne [19, 26].
Aún cuando Polonia incrementó su participación en el mercado
europeo, pasando del 7,8 % en 2010 a 8,3 % en 2019, Dinamarca
la disminuyó de un 7,5 % a un 6,3 % en 2019. Se considera a
Dinamarca como un referente mundial en términos de su SP y
en su estructura cooperativa, y a Polonia como un país que debe
mejorar para alcanzar niveles de desarrollo superiores [25].
Como una forma de profundizar en el conocimiento de los
SP de cerdos de ambos países, esta investigación tuvo como
propósito estudiar las variables que explican el comportamiento
de la producción de carne porcina y la eciencia técnica relativa de
los SP, de tal manera de contribuir a la discusión sobre la eciencia
técnica en la producción porcina, considerando que la literatura en
este tema es escasa y donde en las estimaciones se han utilizado,
tanto las aproximaciones paramétricas de frontera estocástica [17,
18, 30, 31], como no paramétricas (Análisis Envolvente de Datos,
DEA) [7] y Análisis de Eciencia Multidireccional (MEA) [23]. Es
decir, la eciencia técnica se debe entender como la capacidad
de la empresa para utilizar de mejor forma posible los recursos
disponibles para alcanzar un determinado nivel de producción [13].
En particular, se quiere determinar la relevancia de los factores
productivos como trabajo, capital, alimento, costos de insumos y
progreso tecnológico en la producción porcina en ambos países,
así como el nivel de eciencia de los productores y su evolución
en el tiempo.
MATERIALES Y MÉTODOS
Producción de carne de cerdo
La producción de CdC es la segunda a nivel mundial después
de la producción de carne de ave. En el año 2018, la producción
total de carne alcanzó los 342,2 Mill Ton, de las cuales, 127,3
Mill Ton correspondió a carne de ave y 120,9 Mill Ton fueron de
CdC [15]. En tercer lugar, está la producción de carne bovina
(Bos taurus) y en cuarto lugar la producción de ovino (Ovis aries).
Es importante mencionar que, las estimaciones realizadas por la
Organización de las Naciones Unidas para la Alimentación y la
Agricultura (FAO) señalan que por segundo año consecutivo, la
producción mundial de carne caerá, alcanzando 333 Mill Ton en el
año 2020, lo que corresponde a un 1,7 % menos que la estimación
del año 2019 [15]. Una explicación de esto sería la fuerte caída
en la producción de carne porcina, concentrada principalmente en
los países asiáticos afectados por la peste porcina africana [15].
Por otra parte, la expansión de la producción de carne ha
sido afectada negativamente por la pandemia del COVID-19,
que ha impactado a la sociedad mundial. Los efectos de la
crisis sanitaria y económica han repercutido, tanto en la oferta
como en la demanda de productos cárnicos. Los consumidores
están evaluando sus prácticas de compra y consumo de carne
poniendo cada vez más atención a los temas de salud, seguridad
alimentaria, sustentabilidad, conanza y valor. El desempleo, la
recesión económica y la disminución de la actividad de hotelería
y restauración ha afectado directamente la compra de carne.
A lo anterior se suma el distanciamiento social, el cierre de los
mercados locales y la escasez de trabajadores en los mataderos
y las plantas procesadores ha inuido negativamente en la cadena
de elaboración y en los niveles de producción [15].
Asia fue la región con mayor producción de CdC, abarcando el
49,6 % de la producción mundial según una estimación de FAO
[15]. China es el principal país productor con un total de 43.447
Mill Ton para el año 2019. Europa es la segunda región de mayor
producción de carne porcina a nivel mundial, concentrando el
27,1 % del mercado global. Esta producción es liderada por los
países de la Unión Europea junto al Reino Unido. No obstante, dado
los cambios experimentados en el mercado de la carne derivados
del COVID-19, se proyecta para el año 2020 que la producción
asiática disminuirá en cerca de 9.000 Mill Ton [15].
Respecto a producción de CdC para los países de la Unión
Europea (incluido Reino Unido), Alemania corresponde al principal
país productor de CdC en el año 2019 con un total de 21,9 % de la
producción de la Comunidad Europea (CE), seguida por España
con el 19,5 % y Francia con el 9,2 %. Polonia es el cuarto mayor
productor en la región con un 8,3 %, mientras que, Dinamarca
está en el sexto lugar con un 6,3 %. Polonia ha incrementado
su participación en el mercado regional pasando del 7,8 % en
2010 al 8,3 % en 2019. Por el contrario, Dinamarca ha disminuido
_____________________________________________________________Revista Cientica, FCV-LUZ / Vol. XXXI, N°1, 31 - 39, 2021
33
su participación en la producción de CdC en la Unión Europea
pasando de un 7,5 a un 6,3 % en 2019 [25].
Eciencia en la producción
En el estudio de eciencia existen diversas metodologías que
permiten analizar el SP. Farrell [13] fue un pionero en este campo
y a partir de su trabajo se han diseñado nuevas herramientas
de análisis, entre ellas destacan el Análisis Envolvente de Datos
(Data Envelopment Analysis, DEA por su sigla en inglés) como
una aproximación no paramétrica [8], su modicación denominada
Análisis de Eciencia Multidireccional (Multidirectional eciency
analysis, MEA por su sigla en inglés) [2] o el Análisis de Fronteras
Estocásticas (Stochastic Frontier Analysis, SFA por su sigla en
inglés), en el cual se suele utilizar una forma funcional del tipo Cobb-
Douglas y una metodología de estimación de Máxima Verosimilitud
(MV) para medir la eciencia [20, 27] o una especicación del tipo
Translog con el método de MV [6], presentando ambos métodos
(DEA y SFA) fortalezas y debilidades [5, 32].
En el ámbito de la investigación en producción de carne, por
medio de una aproximación no paramétrica (DEA) se mide la
eciencia en la producción de porcinos y aves de engorde en
el sector ganadero de Valencia, España [7]. El estudio concluye
que las granjas de la comunidad Valenciana tienen un potencial
signicativo de mejora en ambos rubros, constatando que solo un
5,1 % de las granjas de producción de cerdo son completamente
ecientes.
En tanto, en una investigación para estudiar la eficiencia
técnica en la producción de cerdo en Suecia se utilizó el análisis
multidireccional [23]. Este estudio se centró en el proceso de
producción dividido en las fases de: i) lechón, ii) crecimiento-
nalización y iii) nalización-parto, enfocándose en la eciencia
técnica de cada una de las entradas y salidas identicadas. Los
resultados indican que las variables de instrucciones escritas
para alimentación en la etapa de crecimiento-finalización y
nalización-parto, así como las instrucciones escritas para prevenir
enfermedades infecciosas en lechones, constituyen las variables
con mayor contribución a la eciencia técnica en producción de
cerdos.
Por otra parte, en Nigeria utilizan una función de producción
de frontera estocástica para estudiar la producción de cerdo
[31]. En esta investigación se emplean variables de producción
y características de los productores para estimar sus efectos en
el SP. Los resultados muestran que la educación del productor
contribuye positivamente a la eciencia. Así también variables
como insumos, mano de obra, medicamentos y vacunas tienen
efectos positivos signicativos en la producción, alcanzando una
eciencia técnica media de 0,97.
Frontera estocástica de producción
A fin de capturar los shocks exógenos que afectan a una
empresa e identificar los errores de medición que pueden
producirse, surge el modelo de frontera estocástica (MFE) de
producción o modelo de error compuesto, el cual es una técnica
estadística para estimar parámetros [1, 24], en los que el error
está compuesto de dos partes: i) un componente simétrico que
captura los errores de medición además de los shocks externos,
permitiendo una variación estocásticas, y ii) un componente
unilateral que captura la ineciencia [16].
La descripción del MFE junto con ejemplos aplicados en
agricultura pueden ser encontrados en varios trabajos [10, 21,
22]. Un número considerable de estos estudios empíricos en
agricultura emplean un SFA con forma funcional Cobb-Douglas,
no obstante, también se puede suponer otra forma funcional como
CES o elasticidad de sustitución, translogarítmica, entre otras.
La frontera estocástica de producción (FEP) está denida en la
ecuación (1):
;
Yf
X
e
i
i
vu
b
=
-
^h
(1)
Donde
,
vN
0
v
2
+
v
^h
,
,
uN
0
u
2
+
v
+
^h
,
,,..., .in12
=
.
En la ecuación (1)
Y
i
es la producción de CdC de cada
individuo
i
,
X
i
es el vector de insumos del productor
i
,
b
son
los parámetros de factores estimados. La función de producción
es creciente y obligatoriamente cóncava, y si la producción real se
desvía de la teóricamente posible,
explica la ineciencia
técnica y
v
explica el ruido estadístico, ambos independientes
entre sí. Sí
u 0
=
la unidad de estudio es eciente, mientras que
si
entonces existe ineciencia y su distribución se asume
semi-normal, truncada en 0 con una distribución concentrada en
el semi-intervalo [0,innito] [1, 5, 10, 24].
El método de máxima verosimilitud se propone para la
estimación simultánea de los parámetros de la frontera estocástica
y el modelo de ineciencia. Los parámetros de varianza de la
función de máxima verosimilitud son estimados a partir del modelo
de varianza denido como
svu
222
vvv
=+
, insumo para determinar
el parámetro
v
u
2
2
c
=
v
v
,el cual considera la proporción de la varianza
total que es explicado por la varianza de las ineficiencias y
considera valores entre 0 y 1, en su descripción además se
considera el parámetro
v
u
2
2
m
=
v
v
que da una relación entre las
varianzas componentes del error .
La eciencia técnica (ET) puede ser medida a través de cociente
entre la producción observada versus la FEP, como muestra la
ecuación (2):
ET
f
x
e
y
f
x
e
f
x
ee
e
vv
uv
u
== =
-
-
]
]
]g
g
g
(2)
Eciencia con datos de panel y cambios en el tiempo
Henningsen [17], siguendo el modelo desarrollado por Battese
y Coelli [3], plantea que la función de frontera de producción con
cambio tecnológico se puede estimar de diferentes maneras, sin
embargo, todas derivan de la ecuación (3) que corresponde a su
fórmula general
,
ln lnyf
xt
uv
kt
kt
kt kt
=-
+
^h
(3)
donde el subíndice
,...,kK1
=
indica la empresa,
,...,tT1
=
indica el periodo de tiempo, y las otras variables son denidas
como se mencionaron previamente. De esto se pueden obtener
tres variantes que se especican a continuación:
1.- Eficiencias individuales invariantes en el tiempo (time-
invariant), es decir,
, lo que signica que cada empresa
tiene una eciencia ja individual que no varía en el tiempo;
2.- Eciencias individuales variables en el tiempo (time-variant),
es decir,
expuu
tT
kt k
h
=
-
-
^
]g
h
, lo que significa que cada
empresa tiene una eciencia individual y los términos de eciencia
Eciencia en la producción porcina / Cabas-Monje y col.________________________________________________________________
34
de todas las empresas puede variar con el tiempo con la misma
tasa (y en la misma dirección); y
3.- Eficiencias específicas de la observación, es decir, sin
restricciones sobre
u
kt
, lo que signica que el término de eciencia
de cada observación se estima independientemente de las otras
eciencias de la empresa, de modo que básicamente se ignora la
estructura de panel de los datos.
De tal forma, en esta investigación se utilizó una aproximación
paramétrica de FEP para datos de panel de segunda generación,
desarrollados por Battese y Coelli [3, 4] que se muestra en la
ecuación (4) para estudiar la eciencia en la producción de CdC en
Polonia y Dinamarca. La estimación de los parámetros se realiza
utilizando “Frontier Package 1.1-8” en R versión 3.6.3 [9, 28].
/
//
//
ln ln ln ln ln
ln
ln
ln ln
ln ln
ln ln ln ln
ln ln ln ln
ln ln ln ln
ln ln ln ln
ln ln ln ln
y
feed oi labo
rc
ap
cap
mYear
feed
oi labor
capcap
feed oi feed labor
feed capfeed cap
oi laboroicap
oi caplabor cap
laborcap capcap
tv u
1
2
2
22
1
2
2
2
12
1
21
212
kt
kt kt kt kt
kt
kt
kt kt
kt kt
kt kt kt kt
kt kt kt kt
kt kt kt kt
kt kt kt kt
kt kt kt kt
kt kt
01 23 4
5611
2
22
2
33
2
44
2
55
2
12 13
14 15
23 24
25 34
35 45
bb bb b
bbb
bb
bb
bb
bb
bb
bb
bb
i
=+ ++ +
+++
++
++
++
++
++
++
++
++-
^
^
^
^
^
^
]
]
]
^
]
]
^
]
^
^
]
^
^
]
^
^
]
]
^
^
^
]
^
^
]
^
^
^
^
g
g
g
h
h
h
h
h
g
h
h
g
g
h
h
h
g
g
h
g
h
h
h
g
h
h
g
h
h
h
g
h
h
h
h
(4)
Descripción de variables utilizadas
Los datos de producción porcina son obtenidos desde la Farm
Accountancy Data Network (FADN) para el periodo 2010 al 2015,
constituyendo un panel no balanceado con 91 empresas de
Polonia y 92 empresas de Dinamarca, con un total de 396 y 358
observaciones, respectivamente. La TABLA I muestra el resumen
de las variables utilizadas por año para Polonia y Dinamarca. La
variable dependiente o explicada es la producción de cerdos
medida como el ingreso total en euros. Se denen cinco factores
productivos o insumos, el capital1, el capital2, el trabajo, alimento
y otros insumos.
El capital1 comprende edificios, equipamiento, máquinas,
tractores, etc. El capital2 incluye el número de equinos (Equus
caballus), bovinos, ovinos, caprinos (Capra aegagrus hircus),
cerdos y aves presentes en el sistema (promedio anual) que son
convertidos en unidades de ganadería, la cual está expresada
en euros. El trabajo se describe en unidades de trabajo anual
AWU (sigla en inglés, annual work unit). La AWU corresponde al
trabajo realizado por una persona empleada por tiempo completo
en una explotación ganadera [12]. En tanto, la variable alimento
corresponde al alimento de cerdos y aves expresado en euros.
Finalmente, la variable otros insumos comprende otros costos
especícos del ganado que incluye la asesoría veterinaria, la
compra ocasional de animales y otros costos de producción. Todos
los valores monetarios están expresados en euros del 2015.
RESULTADOS Y DISCUSIÓN
Se estimaron diferentes tipos de funciones, siendo las tipo Cobb-
Douglas y Translog las más utilizadas para este tipo de análisis
[6, 20, 27]. En este caso, la función Translog para ambos países
otorga los mejores resultados. No obstante, existen diferencias
entre los países utilizando diferentes test para determinar si las
ineciencias son signicativas, así como también, la inclusión o
no inclusión de la variable tiempo. Los resultados de estos test se
muestran en la TABLA II para Polonia y Dinamarca. Respecto a
Polonia, se puede concluir que el mejor modelo es una función con
la inclusión de ineciencias, especícamente, una de tipo Translog.
En el análisis, se excluye la variable tiempo al no ser signicativa.
En el caso de Dinamarca, la inclusión de las ineciencias otorga
mejores resultados por medio de una función Translog incluyendo
la variable tiempo.
La TABLA III presenta los coecientes estimados del modelo de
frontera estocástica de producción (MFEP) con forma funcional
tipo Translog para la muestra de productores porcinos de
Polonia. Se observa que las estimaciones de las elasticidades de
producción en las medias de los términos lineales son positivas y
estadísticamente signicativas al nivel del 1 % o del 5 %.
El efecto más importante corresponde al coeciente del alimento
(lnfeed), con un valor de 0,363, lo que signica que al aumentar
1% el factor productivo alimento, manteniendo los otros factores
constantes, la producción porcina aumentará en 0,363 %. El
segundo en importancia es el capital2 (lncap2) con un valor de
0,289, es decir, si aumenta en 1% el capital2 la producción porcina
aumentará en 0,289 % dejando todos los otros factores constantes
(ceteris paribus). Les siguen en importancia el capital1 (lncap1),
otros insumos (lnoi) y el trabajo (lnlabor) con valores de 0,167,
0,155 y 0,081, respectivamente.
La tasa anual (constante) de progreso tecnológico es signicativa
al nivel del 1 %, indicando un crecimiento tecnológico anual de
2,1 % en la muestra de productores de Polonia. La sumatoria de
las elasticidades de producción entrega el valor de la elasticidad
de escala. La suma es levemente superior a la unidad (1,05499),
lo que indica que la tecnología presenta rendimientos ligeramente
crecientes de escala. Se aplicó una prueba estadística para
probar si la elasticidad de escala diere signicativamente de uno
(rendimientos constantes a escala). Dado que el valor de t (2,144),
es mayor que el t crítico (1,965), y el P-valor (0,035), es menor
al nivel de signicancia del 5 %, se rechaza la hipótesis nula de
retornos constantes de escala y se concluye que la tecnología
presenta retornos crecientes de escala (TABLA IV).
El parámetro gamma (γ) es signicativo al nivel del 1 % y presenta
un valor de 0,715 (TABLA III), lo que indica que, tanto el término de
error aleatorio como la ineciencia son importantes para explicar
desviaciones desde la función de producción. El valor de gammaVar
muestra que alrededor del 47,7 % (TABLA III) de la varianza total
es debido a la ineciencia.
Para la muestra de productores de Dinamarca, la TABLA III
presenta los coecientes estimados del MFEP con forma funcional
Translog. A diferencia del caso de Polonia, en este modelo se
incluye la variable cambio de eciencia en el tiempo (time). Al
aplicar un likelihood ratio test se encontró que esta forma funcional
fue signicativamente mejor que el modelo sin esta variable para
explicar las variaciones de la producción porcina. Los signos de
los coecientes lineales estimados son como se esperaba, es
decir, positivos y signicativos al nivel del 1 %, excepto para el
coeciente del cambio tecnológico que no es signicativo.
Al igual que en el modelo de Polonia, los efectos más importantes
correspondieron al coeficiente del alimento (lnfeed) y al del
_____________________________________________________________Revista Cientica, FCV-LUZ / Vol. XXXI, N°1, 31 - 39, 2021
35
Item Año
Polonia Dinamarca
Mínimo Mediana Media Máximo
Desviación
estándar
Mínimo Mediana Media Máximo
Desviación
estándar
Producción
de cerdo
(en miles
de Euros)
2010 26,80 137,84 186,09 983,75 165,09 502,89 1489,28 1726,27 3665,16 894,33
2011 26,54 128,02 234,42 2492,10 388,70 400,64 1234,02 1466,76 3665,88 762,29
2012 24,15 136,56 214,94 1727,83 298,51 408,64 1229,60 1416,84 3799,17 748,08
2013 21,80 140,01 226,84 2414,85 370,44 248,01 1190,48 1437,86 4009,68 824,67
2014 33,98 160,64 224,41 1746,12 279,38 262,27 1233,70 1473,83 4845,18 909,85
2015 28,06 159,96 273,57 2190,39 388,08 247,55 1148,39 1397,32 5405,99 940,33
Trabajo
2010 1,00 2,00 2,70 12,91 2,07 1,60 4,67 5,83 14,53 3,33
2011 1,00 2,00 2,75 13,36 2,28 1,00 4,09 4,73 13,00 2,42
2012 1,00 2,04 2,77 13,23 2,41 1,00 4,60 4,93 12,96 2,41
2013 1,00 2,00 2,72 13,32 2,38 1,00 4,62 5,30 13,78 2,79
2014 1,00 2,00 2,75 12,32 2,24 1,05 4,69 5,51 13,00 2,84
2015 1,00 2,07 2,84 12,32 2,36 1,01 4,30 5,22 15,00 2,85
Alimento
(en Euros)
2010 10,23 75,21 103,03 350,44 82,68 263,24 615,33 796,98 1764,79 467,60
2011 11,99 72,52 129,25 1363,62 212,26 216,81 590,82 710,63 2075,24 409,60
2012 9,15 84,14 125,19 1002,08 165,09 144,94 615,02 687,37 2063,60 413,95
2013 11,70 66,90 124,93 1423,28 188,56 118,14 604,00 697,54 2271,89 459,96
2014 12,41 88,61 128,98 1455,53 201,44 111,49 580,78 726,94 2827,29 535,03
2015 8,35 84,94 132,79 1048,27 181,86 129,85 553,00 670,44 2476,64 485,99
Capital 1
(en miles
de Euros)
2010 47,54 214,75 279,09 1047,53 219,19 186,15 2157,14 2595,26 7616,69 1880,18
2011 24,30 188,00 274,96 2052,18 305,86 153,89 1705,85 2032,33 7052,05 1454,40
2012 20,96 203,45 267,08 1865,90 269,75 6,61 1448,25 1789,36 6545,81 1370,64
2013 18,63 225,07 262,03 1801,80 246,40 2,67 1315,18 1725,51 6164,36 1277,61
2014 17,29 239,58 255,68 898,12 185,04 5,88 1098,07 1569,62 6304,92 1301,84
2015 15,79 245,81 283,89 1643,79 250,41 1,33 902,58 1230,04 4570,83 1026,63
Capital 2
(en miles
de Euros)
2010 4,21 49,12 61,27 358,57 59,40 184,95 543,14 600,35 1234,01 316,50
2011 3,29 41,10 63,50 610,18 95,97 164,79 477,98 537,41 1376,07 279,23
2012 4,16 34,41 61,73 430,51 81,19 155,50 442,73 511,00 1388,34 279,33
2013 5,30 36,36 62,13 459,90 82,85 85,72 455,62 540,10 1390,86 287,88
2014 6,51 51,37 68,16 423,15 74,99 49,19 469,31 556,87 1412,40 300,18
2015 5,86 50,46 75,93 456,26 90,07 15,54 428,38 510,77 1570,23 289,23
Otros
insumos
(en miles
de Euros)
2010 2,67 16,61 25,50 182,10 30,42 113,17 329,25 343,80 807,84 183,81
2011 4,31 16,29 32,36 338,22 57,38 96,49 279,36 299,77 712,54 137,89
2012 3,21 15,32 29,86 315,12 49,95 79,34 255,53 289,41 753,23 149,40
2013 2,60 17,71 30,29
406,28 52,58 44,19 278,41 316,40 899,00 171,65
2014 2,97 19,17 28,01 256,82 36,74 36,44 280,13 294,08 790,37 161,38
2015 2,48 19,00 31,63 292,76 43,98 39,56 240,17 262,51 810,11 149,08
TABLA I
Descripción de variables utilizadas, Polonia y Dinamarca
Eciencia en la producción porcina / Cabas-Monje y col.________________________________________________________________
36
capital2 (lncap2), con valores de 0,462 y 0,264, respectivamente.
Esto signica que al aumentar 1 % el factor productivo alimento
manteniendo los otros factores constantes, la producción porcina
aumentará en 0,462%, efecto superior al encontrado en el
modelo de Polonia. En cambio, el efecto del capital2 (lncap2)
es muy parecido, si aumenta en 1% este la producción porcina
aumentará en 0,264% ceteris paribus. Les siguen en importancia
el trabajo (lnlabor), otros insumos (lnoi) y el capital1 (lncap1),
con elasticidades de producción en las medias de 0,145; 0,119 y
0,037, respectivamente. Se puede observar que, en la muestra
de productores de Dinamarca, el factor productivo trabajo tiene
mayor efecto que en el modelo polaco.
La sumatoria de las elasticidades de producción (1,027), indicó
ligeros rendimientos crecientes de escala. Se aplicó una prueba
estadística, cuyos resultados muestraron que el valor de t (1,677),
fue menor que el t crítico (1,966), y el P-valor (0,094) fue mayor
que 0,05 (nivel de signicancia), por lo que no se puede rechazar
la hipótesis nula y se concluye que los productores de Dinamarca
presentaron tecnología con rendimientos constantes de escala
(TABLA IV). La tasa anual (constante) de cambio tecnológico
de alrededor del 0,6% no fue signicativa lo que expresa que la
tecnología de producción (frontera) no cambia en el tiempo. El
coeciente estimado de la variable time fue negativo y signicativo
al 1%, lo que signica que la eciencia está decreciendo en el
tiempo (TABLA III). En la misma Tabla, la magnitud (0,876) y la
signicancia estadística al nivel del 1% del parámetro gamma
muestraron que, tanto el término de error aleatorio como la
ineciencia, son importantes para explicar las desviaciones desde
la función de producción.
Los resultados obtenidos para ambos SP son coincidentes
que otros estudios desarrollados en Europa [23] y África [31]
Objetivo País Modelo DF LogLik Df Chisq Pr(>Chisq)
Test para determinar
la signicancia de
las ineciencias
Polonia
OLS 23 150,06
Error Components Frontier 24 196,58 1 93,028 < 2,2 x 10
-16
***
Dinamarca
OLS 23 329,19
Error Components Frontier 25 388,69 2 119 < 2,2 x 10
-16
***
Test de comparación entre
Cobb-Douglas y Translog
Polonia
Cobb-Douglas 10 165,76
Translog 24 196,58 14 61,63 6,064x10
-8
***
Dinamarca
Cobb-Douglas 9 267,27
Translog 25 388,69 16 242,86 < 2,2x10
-16
***
Test para medir la
signicancia de la
variable tiempo
Polonia
Translog (sin) 24 196,58
Translog (con) 25 197,09 1 1,0125 0,3143
Dinamarca
Translog (sin) 24 382,41
Translog (con) 25 388,69 1 12,565 0.000393 ***
TABLA II
Test para Polonia y Dinamarca
(*),(**),(***); indican signicancia de P ≤ 0,10, 0,05 y 0,01, respectivamente.
Variables
Translog
(sin variable tiempo)
- Polonia
Translog -
Dinamarca
Intercept
0,074
(0,022)***
0,103
(0,013)***
lnfeed
0,363
(0,029)***
0,462
(0,023)***
lnoi
0,155
(0,029)***
0,119
(0,033)***
lnlabor
0,081
(0,034)**
0,145
(0,027)***
lncap1
0,167
(0,029)***
0,037
(0,013)***
lncap2
0,289
(0,033)***
0,264
(0,042)***
mYear
0,021
(0,005)***
0,006
(0,005)
0,5*(lnfeed)
2
0,436
(0,081)***
0,454
(0,085)***
0,5*(lnoi)
2
0,070
(0,067)
-0,152
(0,18)
0,5*(lnlabor)
2
0,061
(0,116)
0,044
(0,104)
0,5*(lncap1)
2
0,085
(0,067)
0,014
(0,006)**
TABLA III
Estimación frontera de posibilidades de producción
Polonia y Dinamarca
_____________________________________________________________Revista Cientica, FCV-LUZ / Vol. XXXI, N°1, 31 - 39, 2021
37
TABLA III (cont...)
Estimación frontera de posibilidades de producción
Polonia y Dinamarca
0,5*(lncap2)
2
0,236
(0,055)***
0,062
(0,106)
lnfeed * lnoi
-0,072
(0,054)
-0,151
(0,083)*
lnoi * lnlabor
-0,021
(0,059)
-0,011
(0,096)
lnfeed * lnlabor
-0,114
(0,065)*
-0,09
(0,068)
lncap2 * lnfeed
-0,296
(0,058)***
-0,338
(0,083)***
lncap2 * lnlabor
0,093
(0,065)
0,109
(0,11)
lncap2 * lnoi
0,037
(0,049)
0,299
(0,16)*
lncap1 * lncap2
0,068
(0,049)
-0,054
(0,043)
lncap1 * lnfeed
-0,013
(0,051)
-0,003
(0,026)
lncap1 * lnoi
-0,078
(0,057)
0,02
(0,02)
lncap1 * lnlabor
0,003
(0,059)
-0,006
(0,03)
sigmaSq
0,054
(0,008)***
0,034
(0,007)***
Gamma
0,715
(0,052)***
0,876
(0,029)***
Time
-
-0,13
(0,037)***
Lambda
1,585
(0,200)***
2,662
(0,355)***
GammaVar
0,477 -
Los errores estándar (EE) de las estimaciones se muestran entre
paréntesis. (*),(**),(***); indican signicancia de P ≤ 0,10, 0,05 y
0,01, respectivamente.
País
Sumatoria
coecientes
Valor
t
Valor
crítico
Valor
p
Intervalo de
conanza (95%)
Límite
inferior
Límite
superior
Polonia 1,055 2,145 1,966 0,033 1,005 1,105
Dinamarca 1,027 1,677 1,966 0,094 0,995 1,059
TABLA IV
Test retorno a escala constante Polonia y Dinamarca
que analizaron la contribución de las variables mano de obra y
alimentación en la eciencia de un SP porcino.
La eciencia técnica promedio para los productores de Polonia
(TABLA V) de esta muestra llegó a 0,859 con una mediana de
0,889. La FIG. 1 muestra la distribución de la eciencia técnica de
los productores, donde se observa una distribución asimétrica de
la eciencia con una cola hacia la izquierda, con mayor cantidad
de productores en el rango de eciencias superiores a 0,85.
Mínimo Mediana Media Máximo
0,644 0,889 0,859 0,971
TABLA V
Resumen eciencias Polonia
FIGURA 1. Distribución de eciencia técnica en Polonia y
Dinamarca
Eciencia en la producción porcina / Cabas-Monje y col.________________________________________________________________
38
La eciencia técnica promedio de esta muestra de productores
porcinos de Dinamarca llegó a 0,899, lo que es un valor alto y
superior al encontrado para los productores de Polonia. Este
hecho es coincidente con lo establecido por algunos autores en su
análisis sobre el sistema productivo porcino europeo [12, 29]. La
distribución de las eciencias presenta una gran concentración de
los productores con eciencias en los rangos superiores y pocos
en la porción inferior del rango, esto genera una distribución con
una cola hacia la izquierda, lo cual se puede observar en la FIG. 1.
Además, la TABLA VI muestra un resumen estadístico de las
eciencias por año para la muestra de productores de Dinamarca.
Es clara la disminución de la eciencia media en el periodo de
estudio, desde 0,937 el año 2010 hasta 0,899 el año 2015. Esta
situación puede ser explicada por la ampliación del rango de
valores de la eciencia, especialmente, debido a la disminución
del valor mínimo desde 0,863 hasta 0,667. Además, lo observado
es consistente con el signo y la signicancia del coeciente de la
variación de la eciencia en el tiempo.
niveles de eciencia podrían mejorarse si los productores realizan
combinaciones óptimas de los factores productivos que benecien
la producción porcina en el territorio.
El factor productivo que presenta mayor impacto en la
producción porcina en ambos países corresponde al alimento, con
elasticidades de 0,363 % en Polonia y 0,462 % en Dinamarca. A
su vez, el factor trabajo cobra mayor relevancia en Dinamarca que
en Polonia, con elasticidades de 0,145 y 0,081, respectivamente,
lo que transforma al trabajo en el tercer factor productivo en
importancia en Dinamarca. Los factores otros insumos y capital
(equipos y edicaciones) son signicativos, pero con menores
elasticidades de producción para ambos países.
Las muestras de productores de Polonia presentan tecnologías
con rendimientos de escala levemente superior a la unidad, lo
que indica rendimientos crecientes de escala. Es interesante el
hecho que, los productores de Polonia presentan un progreso
tecnológico anual constante de 2,1 %, sin cambio de eciencia
en el periodo. Esto puede ser el efecto de cambios estructurales
en el SP, que aumentaron la productividad pero no tuvieron
efectos signicativos en la eciencia. Mientras tanto, la muestra
de productores de Dinamarca no mostró cambios signicativos
en el progreso tecnológico en el tiempo, pero si una disminución
signicativa de la eciencia. Esta situación, junto con factores
relacionados al mercado, podría explicar la baja en la producción
de CdC en el periodo de estudio.
Finalmente, este estudio es importante para expandir la
literatura en la eciencia técnica de la producción porcina, sobre
todo porque es la primera vez que se mide la eciencia técnica
en dos países relevantes en el mercado europeo. Sin embargo,
quedan para posteriores investigaciones determinar los factores
que afectan o explican el cambio en la media de la eciencia
técnica, por ejemplo, las causas que subyacen a la caída en la
eciencia en la producción porcina en Dinamarca, la que pasó de
0,937 en 2010 a 0,899 en 2015, y la incorporación del riesgo de
producción en el análisis. Esto permitiría enfocar los aspectos de
perfeccionamiento en la labor de los productores porcinos, y a su
vez, generar y aplicar políticas públicas de apoyo a los productores
que contribuyan a mejorar su competitividad y recuperar los
niveles de producción y eciencia de inicio de la década.
AGRADECIMIENTOS
Los autores agradecen a la European Commission, Directorate-
General Agriculture, Unit AGRI.G.3 por proporcionar los datos
FADN (Farm Accountancy Data Network) para este análisis.
REFERENCIAS BIBLIOGRAFICAS
[1] AIGNER, D. C.; LOVELL, A. K.; SCHMIDT, P. Formulation and
estimation of stochastic frontier production function models.
J. Econometr. 6(1): 21-37. 1977.
[2] ASMILD, M.; HOUGAARD, J. L.; KRONBORG, D.; KVIST,
H. K. Measuring ineciency via potential improvements. J.
Product. Analy.19(1): 59-76. 2003.
[3] BATTES.E, G.E.; COELLI, T.J. Frontier production functions,
technical eciency and panel data: With application to paddy
farmers in India. J. Product. Analy. 3: 153–169. 1992.
TABLA VI
Resumen eciencias productores Dinamarca por año
Año Mínimo Mediana Media Máximo
2010 0,863 0,937 0,932 0,990
2011 0,771 0,928 0,918 0,993
2012 0,744 0,920 0,910 0,993
2013 0,714 0,904 0,896 0,985
2014 0,681 0,896 0,884 0,982
2015 0,668 0,899 0,876 0,989
CONCLUSIONES
El mercado de la CdC en las últimas décadas está creciendo
hasta convertirse en el segundo tipo de carne producido en el
mundo. Dentro de este competitivo mercado, Europa es la
segunda región en importancia productiva después de Asia.
Dos actores relevantes en el mercado europeo son Dinamarca y
Polonia. A pesar de que ambos países están realizando cambios
de tal forma de adaptarse de manera adecuada a los cambios
en el mercado porcino, éstos presentan dispares estados de
desarrollo con algunas diferencias estructurales en sus SP de
CdC. Dinamarca sobresale como un país líder en tecnología y en
sanidad, mientras que Polonia está en procesos de cambios que le
permitan mejorar sobre todo en la integración vertical y horizontal
de su cadena productiva.
Los resultados de este estudio muestran que, a pesar de
las diferencias estructurales que presentan ambos países, la
eciencia técnica relativa media de los productores porcinos en
Polonia y Dinamarca es media alta, concretamente de 0,859 y
0,899, respectivamente, siendo la distribución de eficiencias
asimétrica con una cola hacia la izquierda. A pesar de esto, los
_____________________________________________________________Revista Cientica, FCV-LUZ / Vol. XXXI, N°1, 31 - 39, 2021
39
[4] BATTESE, G. E.; COELLI, T. J. A model for technical
ineciency eects in a stochastic frontier production function
for panel data. Empiric. Economics. 20: 325–32. 1995.
[5] BOGETOFT, P.; OTTO, L. Stochastic Frontier Analysis SFA.
Benchmarking with Dea, Sfa, and R. Springer Science &
Business Media. Pp. 197-232. 2010.
[6] BRAVO-URETA, B.; SOLIS, D.; MOREIRA, V.; MARIPANI,
J.; ABDOURAHMANE, T.; RIVAS, T. Technical eciency in
farming: a meta-regression analysis. J. Product. Analy. 27:
57–72. 2007.
[7] CALAFAT, C.; MARTÍ, M.; PUERTAS, R. Eciencia del sector
ganadero valenciano: Aproximación no paramétrica. ITEA
Inform. Tecn. Econom. Agra.114(1): 61-77. 2018.
[8] CHAITIP, P.; CHAIBOONSRI, C.; INLUANG, F. The Production
of Thailand’s Sugarcane: Using Panel Data Envelopment
Analysis (Panel DEA) Based Decision on Bootstrapping
Method. Procedia Econom. and Finance. 14: 120-127. 2014.
[9] COELLI, T.; HENNINGSEN, A. Frontier: Stochastic Frontier
Analysis. R package version 1.1-8. On line: https://bit.ly/3cnP3EC.
2020.
[10] COELLI, T. J.; RAO, D. S. P.; O’DONNELL, C. J.; BATTESE, G.
E. Stochastic Frontier Analysis. An introduction to eciency
and productivity analysis. Springer Science & Business
Media Inc. Pp. 241-261. 2005.
[11] DANISH AGRICULTURE AND FOOD COUNCIL (DAFC).
Fakta Om Erhvervet 2017: Fødevareklyngen Har Kurs Mod
Fremtiden (Facts and gures 2017, the food cluster is heading
for the future). Copenhague. 40 pp. 2018.
[12] OFICINA ESTADÍSTICA DE LA UNIÓN EUROPEA
(EUROSTAT). Agricultural production - livestock and meat
- Statistics Explained. 2020. On-line: https://bit.ly/3yYtQuq.
10.11.2020.
[13] FARRELL, MJ. The measurement of productive eciency. J.
Royal Statist. Soc. 120(A): 253-281. 1957.
[14] ORGANIZACIÓN DE LAS NACIONES UNIDAS PARA LA
ALIMENTACIÓN Y LA AGRICULTURA (FAO) Y MINISTERIO
DE MEDIO AMBIENTE Y ALIMENTACIÓN DE DINAMARCA
- ADMINISTRACIÓN DANESA DE VETERINARIA Y
ALIMENTACIÓN. Hacer frente al uso de antimicrobianos y
la resistencia a los antimicrobianos en la producción porcina:
lecciones aprendidas de Dinamarca. Roma. 52 pp. 2019.
[15] FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED
NATION (FAO). Food Outlook - Biannual Report on Global Food
Markets: June 2020. Food Outlook. 1. 160 pp. 2020.
[16] GARCÍA, E.; SERRANO, C. Competitividad y eficiencia.
Estud. Econom. Aplicad. 21(3): 423-450. 2003.
[17] HENNINGSEN, A. Introduction to Econometric Production
Analysis with R. Collection of Lecture Notes. 2nd Draft
Version. Department of Food and Resource Economics,
University of Copenhagen. 370 pp. 2018.
[18] HENNINGSEN, A.; CZEKAJ, T. G.; FORKMAN, B.; LUND, M;
NIELSEN, A. S. The relationship between animal welfare and
economic performance at farm level: A quantitative study of
Danish pig producers. J. Agric. Econom. 69(1): 142-162. 2018.
[19] HOMAN, M. Structural changes in the Polish pig sector. 2018.
Embassy of the Kingdom of the Netherlands. On-line: https://
www.agroberichtenbuitenland.nl. 10.01.2021.
[20] JAIME, M.; SALAZAR, C. Participation in Organizations,
Technical Efficiency and Territorial Differences: A Study of
Small Wheat Farmers in Chile. Chilean J. Agric. Res. 71(1):
104-113. 2011.
[21] KUMBHAKAR, S.; LOVELL, C. The Estimation of Technical
Efficiency. Stochastic Frontier Analysis. Cambridge:
Cambridge University Press. Pp. 63-130. 2000.
[22] KUMBHAKAR, S.; WANG, H.; HORNCASTLE, A. Estimation
of Technical Eciency in Single Equation Panel Models. A
Practitioner’s Guide to Stochastic Frontier Analysis
Using Stata. Cambridge: Cambridge University Press.
Pp.241-278. 2015.
[23] LABAJOVA, K.; HANSSON, H.; ASMILD, M.; GÖRANSSON,
L.; LAGERKVIST, C. J.; NEIL, M. Multidirectional analysis of
technical eciency for pig production systems: The case of
Sweden. Livest. Sci. 187: 168-180. 2016.
[24] MEEUSEN, W.; VAN DEN BROECK, J. Eciency Estimation
from Cobb-Douglas Production Functions with Composed
Error. Intern. Econom. Rev. 18(2): 435-444. 1977.
[25] MINISTERIO DE AGRICULTURA, PESCA Y ALIMENTACIÓN,
GOBIERNO DE ESPAÑA. El sector de la CdC en cifras:
Principales Indicadores Económicos. Subdirección General
de Producciones Ganaderas y Cinegéticas, Dirección
General de Producciones y Mercados Agrarios. 63 pp. 2020.
[26] MROCZEK, R. Red meat sector after accession of Poland to
the EU. Econom. Sociol. 2(2): 69-76. 2009.
[27] ORTEGA, L.; WARD, R.; ANDREW, C. Technical Eciency
of the Dual-Purpose Cattle System in Venezuela. J. Agric.
Appl. Econom. 39(3):719-733. 2007.
[28] R CORE TEAM. R: A language and environment for statistical
computing. R Foundation for Statistical Computing, Vienna,
Austria. On Line: https://www.R-project.org/. 2020.
[29] ROGUET, C.; GAIGNÉ, C.; CARIOU, S.; CARLIER, M.;
CHATELLIER, V.; CHENUT, R.; DANIEL, K.; PERROT, C.
Spécialisation territoriale et concentration des productions
animales européennes: état des lieux et facteurs explicatifs.
INRA Prod. Anim. 28(1): 5-22. 2015.
[30] TIAN, X.; SUN, F.; ZHOU, Y. Technical efficiency and its
determinants in China’s hog production. J. Integrat. Agric.
14(6): 1057-1068. 2015.
[31] UMEH, J. C.; OGBANJE, C.; ADEJO, M. A. Technical eciency
analysis of pig production: A sustainable animal protein
augmentation for Nigerians. J. Advanc. Agric. Technol. 2(1):
19-24. 2015.
[32] WAGAN, S.A.; MEMON, Q.U.A.; QIAN, L.; JINGDONG,
L. Measuring the eciency of Pakistani rice production via
stochastic frontier and data envelopment analyses. Custos e
@gronegócio on line. 15(2): 63-86. 2019.