SciELO - Scientific Electronic Library Online

 
vol.40 número119LA REGULACION DEL TRANSPORTE DE CARGA EN SANTIAGO: CARACTERISTICAS, EVALUACION Y PROPUESTASANALISIS DE LA OFERTA DE MANO DE OBRA FAMILIAR EN LA AGRICULTURA CAMPESINA DE CHILE índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

Compartir


Cuadernos de economía

versión On-line ISSN 0717-6821

Cuad. econ. v.40 n.119 Santiago abr. 2003

http://dx.doi.org/10.4067/S0717-68212003011900002 

 

Cuadernos de Economía, Año 40, N° 119, pp. 47-87 (Abril 2003)

EFICIENCIA TECNICA Y ESCALAS DE OPERACION EN
PESCA PELAGICA:
UN ANALISIS DE FRONTERAS ESTOCASTICAS *

Julio Peña Torres **
Michael Basch ***
Sebastián Vergara ****

ABSTRACT

This paper examines estimations of technical catch efficiency for a sample of 204 industrial vessels operating at the pelagic grounds of Southern-Central Chile during the 1985-95 period. We consider a Translog stochastic frontier model à-la Battese-Coelli (1995), which includes a vessel-specific inefficiency model. The vessel's age and scale of operation are found to be significant in explaining catch efficiency. Larger vessels tend to be the most efficient and those showing least variance in their efficiencies. Whereas smaller vessels, which on average are the oldest in the fleet, show greater dispersion and lower levels in their efficiencies. Explanatory variables aggregated at the ship-owner level, which aim at controlling for firm's operating scale, are also significant as a whole when explaining vessel-level efficiency. We find positive search externalities associated to the number of vessels under control of a given firm, as well as external diseconomies related to the use intensity given by each firm to its fleet. Yearly averages for vessel's catch efficiencies vary from 50% up to 86%. Whereas close to 90% of the residuals' total variance is associated with the inefficiency term, which suggests a significant disparity in vessels' catch performance at this fishery.

RESUMEN

Este trabajo examina estimaciones de efici encia técnica en labores de pesca de la flota industrial en la pesquería pelágica Centro-Sur de Chile (regiones V a la X), con datos para un total de 204 barcos a lo largo de 11 años (1985-95). Usamos un enfoque de fronteras estocásticas, según un modelo de estimación a la Battese-Coelli (1995). Los resultados de estimación rechazan la validez de la función Cobb-Douglas, a favor de una tipo Translog. La antigüedad y escala de operación de cada barco obtienen significancia estadística al explicar las eficiencias estimadas al nivel de cada barco. Los barcos más grandes obtienen en promedio los mayores niveles de eficiencia, y muestran a la vez la menor dispersión en las eficiencias estimadas para una categoría dada de tamaño de barco. También son significativas las variables explicativas agregadas al nivel de empresa controladora, lo que busca controlar por efectos asociados a la escala de operación a nivel de cada empresa. Un mayor número de barcos bajo control de una misma empresa induciría economías externas de búsqueda. Mientras que los aumentos en la intensidad de uso de la flota bajo control de una misma empresa generarían deseconomías externas al nivel de cada barco. Resultados con similares signos, aunque menos robustos, se obtienen para estas variables cuando son agregadas para la flota en su conjunto. Nuestras estimaciones avalan la presencia de significativa heterogeneidad productiva en esta flota, en términos de diferencias en los rendimientos de pesca logrados por barcos de distinto tamaño y con distinta capacidad de desplazamiento.

I. INTRODUCCIÓN

En este trabajo efectuamos estimaciones de eficiencia técnica para barcos industriales que realizaron faenas de pesca durante el período 1985-95 en la pesquería pelágica Centro-Sur, la que incluye áreas de pesca desde la V hasta la X región. Usamos como metodología de estimación el enfoque de fronteras estocásticas de producción, en particular el algoritmo de estimación propuesto en Battese y Coelli (1995). Este modelo calcula scores de eficiencia al nivel de cada barco, expresándolos como porcentajes del nivel de mejor práctica, el que se asocia al barco con más alto rendimiento de captura en la base muestral. El concepto de rendimiento de captura queda definido en términos relativos respecto del conjunto de regresores que usamos como variables de control en nuestra estimación.1

La eficiencia técnica por estimar se refiere a un concepto exclusivamente tecnológico. La frontera eficiente de producción se define como la cantidad máxima de producto (toneladas de captura anual) posible de lograr a partir de un conjunto dado de insumos productivos. La ineficiencia técnica corresponde a diferencias que surjan entre ese máximo teórico (por estimar) y lo que realmente haya capturado cada barco con esos insumos. En consecuencia, los resultados de estimación de este trabajo excluyen argumentos de eficiencia asignativa, i.e. excluyen información respecto del valor de la producción y de los precios de escasez de los insumos relevantes al proceso productivo.

Existe, en general, escaso análisis económico-empírico referido a industrias de pesca extractiva. Esto se relaciona a dificultades de acceso a la información empírica relevante. En el caso de estimaciones de eficiencia extractiva en faenas de pesca, muy escasas excepciones a nivel mundial escapan a esta regla general (e.g. Kirkley, Squires y Strand, 1995; Squires et al., 1998). A nivel latinoamericano y de Chile, no sabemos de estimaciones previas respecto a conceptos de eficiencia técnica en industrias pesqueras.

En el caso de Chile, tiene clara relevancia actual fortalecer la contribución de economistas a esta área de análisis aplicado. Desde mediados de los años 1980s, distintas pesquerías en Chile (industriales y artesanales) muestran tendencias de creciente escasez en sus bases de recurso pesquero. Esto ha demandado cambios regulatorios destinados a lograr ordenamientos socialmente más racionales de los esfuerzos productivos individuales, y que se asocien a usos económicamente más eficientes de recursos productivos escasos. Los desafíos de política pendientes son diversos. Incluyen desde consolidar reglas de acceso más eficientes, hasta permitir oportunidades económicamente eficientes de desarrollo sectorial, bajo entornos de relativa equidad para la diversidad de actores que operan en estos sectores productivos.

En este contexto de desafíos, la presencia de heterogeneidad productiva en sectores de pesca extractiva suele implicar condicionamientos de importancia. Un ejemplo de esto se observa en las actuales controversias relacionadas a esfuerzos de reforma regulatoria para lograr una mayor racionalización económica tanto en sectores de pesca industrial como artesanal. En estas materias, contribuiría a lograr avances el entender de mejor forma los motivos por los cuales importantes grados de heterogeneidad productiva perduran en el tiempo. Nuestro análisis se motiva como partícipe de este objetivo genérico. Dada la creciente escasez de importantes recursos pesqueros, analizar fuentes de diferencias en los rendimientos de pesca logrados por naves y empresas de distinto tamaño y tipo, debiera proveer información de interés para evaluar diferentes trade-offs económicos que subyacen en los actuales esfuerzos para lograr ordenamientos más eficientes en la pesca extractiva.

Este trabajo aborda aspectos de heterogeneidad productiva centrándose en analizar si las diferencias en los niveles o escalas de operación en labores de pesca ayudan a entender las diferencias en los rendimientos de captura estimados para distintos tipos de participantes en labores de pesca, sea que diferenciemos el tipo de participante según características de la unidad extractiva (barco), o bien a través de agregar las operaciones de pesca al nivel de la empresa que decide las estrategias productivas. Cuando las hipótesis por evaluar se centran en fuentes de diferencias definidas al nivel de la unidad extractiva, nuestro análisis verificará la significancia de las diferencias obtenidas en las estimaciones para fronteras productivas y eficiencias técnicas, diferenciando esta verificación según distintas categorías de tamaño de barco, y esto último como un método de control respecto de diferencias en las capacidades potenciales de pesca de los distintos barcos.

Respecto de hipótesis sobre fuentes de diferencias en las eficiencias técnicas por estimarse, que se asocien a diferentes escalas de operación al nivel de la empresa que controla cada barco, la estrategia consistirá en definir variables que sirvan como variables control respecto de niveles existentes e intensidades del uso dado a la capacidad instalada de pesca. En este caso, buscamos explorar la posible presencia de (des) economías externas a la unidad extractiva, aunque internas al nivel de empresa. Un ejemplo de deseconomías externas sería la presencia de externalidades negativas sobre la productividad de pesca de cada barco, fruto tal vez de costos crecientes de coordinación o planeamiento asociados a mayores escalas de pesca al nivel de la firma. Por otro lado, un ejemplo de economías externas al nivel de cada barco sería la existencia de economías de costos al efectuar esfuerzos de búsqueda por áreas atractivas de pesca; y esto tal vez como resultado de esfuerzos cooperativos e intercambio de información entre los distintos barcos que pertenezcan a una misma empresa.

Adicionalmente buscamos verificar si al controlar por escalas agregadas de operación, en este caso definidas para el conjunto de la pesquería bajo estudio, se observan efectos con significancia estadística sobre los rendimientos de captura estimados al nivel de cada barco. Aquí la intención es identificar posibles fuentes de externalidades productivas, ahora externas tanto al nivel de barco como de su empresa controladora, que pudiesen afectar las productividades individuales de captura. Posibles ejemplos son efectos congestión (externalidad negativa) asociados al nivel del esfuerzo de pesca agregado en esta pesquería. O bien, externalidades positivas sobre la efectividad de los esfuerzos de búsqueda por áreas atractivas de pesca, quizás asociables al número total de barcos que participan en la búsqueda.

La siguiente sección describe la pesquería bajo estudio. La sección III presenta el modelo teórico de frontera estocástica de producción. La sección IV describe nuestro modelo econométrico y las variables que utilizamos para estimar scores de eficiencia técnica para cada barco en la base muestral. La sección V analiza los resultados del modelo de estimación. La sección VI presenta un ejercicio que contribuye a evaluar el poder predictivo de nuestras estimaciones. Este ejercicio compara el ranking de barcos que resulta según los scores de eficiencia estimados por nuestro modelo, con el ordenamiento de barcos implícito en la selección real de un subconjunto de estos barcos, efectuada a inicios del año 2001 por los dueños de barcos industriales en esta pesquería, para efectos de hacer uso de las cuotas individuales de captura asignadas para el año 2001. La sección VII presenta conclusiones y consideraciones finales.

II. LA PESQUERÍA PELÁGICA ZONA CENTRO-SUR

Esta pesquería es hoy en Chile la que produce el mayor volumen de desembarques. Hacia fines de la década estudiada en este trabajo, esta pesquería alcanzó su peak de captura anual (4,5 millones de tons.), siendo el jurel la especie predominante, cuya captura peak alcanzó a 4,1 millones de tons/año. Desde entonces la captura anual ha sufrido mermas importantes. Hoy la captura de jurel en esta pesquería es en torno de 1,5 mills. de tons/año (bienio 2001-02). Esta pesquería se desarrolla entre las regiones V a X, aunque su corazón productivo se mantiene en la VIII Región, zona donde se inició como pesquería industrial a mediados de los años 1940s. Así, es en la VIII Región donde la relevancia regional de esta pesquería, como fuente de empleos y de ingresos por exportación, se manifiesta particularmente.2

La pesca industrial se concentra sobre especies pelágicas, destinadas en forma dominante a la industria de reducción. Siendo una industria en esencia exportadora de un commodity con alta sustitución por el lado de demanda, las empresas productoras actúan en lo fundamental como tomadoras de precios. Aunque en sus inicios las principales especies eran la anchoveta y sardina común, desde inicios de los años 80 el jurel se transforma crecientemente en la especie dominante en los desembarques industriales. La captura industrial de las tres especies dominantes ha fluctuado durante 1985-95 entre 86% y 98% de la captura industrial total.3

La década bajo estudio coincide con una fase de explosiva inversión, iniciada en 1981-82, en capacidad de pesca industrial y de procesamiento (ver Cuadro 1). Entre 1980 y 1985 el número de barcos industriales se duplica, mientras la capacidad de bodega se cuadruplica. En la década siguiente la capacidad de bodega nuevamente aumenta 4 veces. Esto coincide con una creciente participación de barcos de mayor tonelaje (y con mayor capacidad de desplazamiento) dentro de la flota industrial en operación.4 En términos del esfuerzo de pesca resultante, medido por el acarreo agregado anual de la flota industrial5, el aumento es de 6,5 veces en la década 1985-95.


Esta expansión redunda en capturas anuales que crecen en forma ininterrumpida, hasta alcanzar peaks de 4-4,5 millones de toneladas en 1994 y 1995. Desde entonces se inicia una dinámica de capturas anuales en caída, la que se agrava hacia fines de los años 1990s producto de un fenómeno de El Niño de gran intensidad, con sus inicios en 1997 y vigente al menos hasta fines de 1999.6 Si consideramos las 3 principales especies capturadas, los niveles actuales de captura son menos de la mitad del peak de 1994-95; en el caso del jurel la caída es aún mayor. Esta dinámica en la captura anual es antecedida, con algunos años de desfase, por una evolución similar en estimaciones oficiales respecto de los niveles de disponibilidad anual de las tres principales especies capturadas en esta pesquería. El Gráfico 1 ilustra la relación temporal entre la captura industrial anual y tres conceptos de dinámica poblacional, todos para la especie jurel.


Las columnas 6 y 7 del Cuadro 1 resumen estimaciones de IFOP respecto de las biomasas disponibles de jurel, sardina común y anchoveta en la pesquería Centro-Sur, definidas como la suma (en peso) de los especímenes de distintas edades de cada especie, estimados como desplazándose dentro de zonas en esta unidad de pesquería. En la columna (6) hemos sumado en forma directa las toneladas agregadas resultantes para cada una de las tres principales especies. En el caso del jurel, las estimaciones oficiales de biomasa señalan un peak de disponibilidad hacia fines de los 1980s, siguiéndole una fase de clara declinación. Una tendencia similar se observa en la suma de las biomasas estimadas para las tres especies principales.

Respecto del contexto regulatorio, el boom de inversión en esta pesquería se inicia bajo condiciones de libre acceso, lo que prevalece entre 1978 y 1986 (Peña-Torres, 1996, 1997). Desde entonces, y durante el resto del período bajo estudio, rige una regulación de acceso que intenta "congelar" la capacidad de bodega de la flota industrial existente en 1986. Sin embargo esta regulación dejó espacios legales que permitieron continuar expandiendo la capacidad de pesca de la flota industrial.7 El resultado lo muestra la columna (3) del Cuadro1. En la práctica, durante la década bajo estudio no se usan otros instrumentos de regulación, salvo "tallas mínimas" que rigen desde mediados de los 80. El uso sistemático de vedas biológicas sólo se consolida a partir de 1997, respondiendo al inicio del fenómeno de El Niño. A partir de 1998, el uso de vedas comienza a ser complementado por un uso de facto de cuotas de captura, definidas a nivel de barco industrial (mediante la figura jurídica de "pesca de investigación").

Respecto a shocks de carácter temporal, durante 1985-95 ocurren dos eventos de interés. El primero, la presencia del fenómeno de El Niño durante 1987, aunque de clara menor intensidad que la observada una década después. De hecho, en estudios previos para esta pesquería (Peña-Torres, Basch y Vergara, 2002) este efecto no resulta estadísticamente significativo como factor explicativo de variaciones en la captura anual de la flota industrial. El segundo evento se refiere a expectativas creadas por las discusiones que rodearon la promulgación de una nueva ley de pesca, discusiones que se inician hacia fines de 1987 y que continúan bajo intensa polémica hasta 1990 inclusive, previo a la aprobación final de una nueva ley en septiembre de 1991. Durante estos años se discutió la posibilidad de asignar cuotas individuales de captura en base a récords de captura histórica. Será sujeto de verificación si las expectativas asociadas a esta discusión pudieron haber aumentado la captura durante los años de vigencia de esta polémica.

III. EL MODELO TEÓRICO

Una frontera eficiente de producción f(x) define la cantidad máxima del producto que una determinada firma puede producir a partir de un conjunto dado de insumos x. La ineficiencia técnica corresponde a las diferencias que surjan entre ese máximo teórico y lo que realmente produce la firma con esos insumos. Estas diferencias reflejarían que la firma no ha minimizado del todo sus costos, por ejemplo al optar por proporciones inadecuadas en el uso relativo de distintos insumos. Por tanto, estimando esta frontera teórica de producción es posible definir indicadores de eficiencia para la unidad de producción bajo estudio.

En este trabajo seguimos la literatura que estima fronteras de producción eficiente usando datos de panel (e.g. Schmidt y Sickles, 1984; Fried, Lovell y Schmidt, 1993). Los datos de panel con frecuencia permiten contar con un mayor número de observaciones, lo que posibilita estimaciones más eficientes. Por lo mismo, los modelos de panel facilitan estimar en forma simultánea el proceso tecnológico subyacente a una determinada industria (función de producción o de costos), junto con hipótesis sobre determinantes de la eficiencia productiva. Esto incrementa las opciones para verificar hipótesis de interés.

Siguiendo el formulismo tradicional de la literatura (e.g. Aigner, Lovell y Schmidt, 1977, Schmidt y Sickles, 1984), podemos plantear el modelo más sencillo de panel como:

Aquí yit denota el producto de la i-ésima unidad en el período t; xit representa un vector con los valores correspondientes a los insumos de la función de producción y otras variables relevantes (incluyendo un término constante a), mientras que b corresponde a un vector de parámetros por estimar. Los términos nit corresponden a errores aleatorios iid -independientes e idénticamente distribuidos- del tipo N(0,sn2), a lo largo de todas las unidades y del tiempo, además de ser independientes de los errores uitcomo también de las variables explicativas xit. Este último supuesto implica que los valores de nitque efectivamente se realizan no son anticipables por los administradores responsables de elegir los insumos (Zellner et al., 1966).

Los valores uit dan cuenta de la ineficiencia técnica en el modelo de producción; también son iid, pero a diferencia de los primeros, son variables no-negativas que generalmente corresponden a la truncación positiva de la distribución N(0,su2). Los valores uit pueden estar correlacionadas con las variables explicativas. Las características estocásticas de este modelo, y de todos los que se explicitarán a continuación, permiten que algunas observaciones se encuentren por encima de la función de producción, lo cual los hace menos vulnerables a la influencia de observaciones outliers, versus el caso de modelos determinísticos para fronteras de producción eficiente.

La ecuación (1) se puede modificar de forma de ajustarla al modelo de intercepto variable de la literatura de modelos de panel. Así, obtenemos una nueva relación:

(2)

en que ai = a-ui . Aquí, a es una constante, y hemos supuesto que las ineficiencias son invariantes en el tiempo, es decir uit = ui.

Para estimar la expresión (2) existen dos métodos tradicionales:

Modelos de efectos fijos

La ecuación (2) corresponde a un modelo de efectos fijos en donde ai es definido como una constante invariante en el tiempo; de ser así, se puede usar el método de mínimos cuadrados ordinarios con variables dicotómicas (LSDV). El estimador LSDV para b es BLUE (mejor estimador lineal e insesgado) y consistente cuando ya sea N o T tienden a infinito. Este estimador recibe también el nombre de within, ya que se basa exclusivamente en las desviaciones de las variables -dependiente y explicativas- con respecto a sus medias temporales. Los estimadores de ai corresponden a las diferencias entre lo que efectivamente producen las firmas i-ésimas, promediadas a lo largo el tiempo, y sus valores predichos dados los insumos usados por la unidad productiva, también promediados en el tiempo. Las diferencias entre los interceptos de las distintas unidades de producción, revelan diferencias de eficiencia relativa entre las mismas. Una limitación de los estimadores del tipo LSDV es que son incapaces de recuperar estimaciones del efecto de variables explicativas que sean específicas a la unidad productiva y a la vez invariantes en el tiempo. No obstante, el método LSDV sigue siendo robusto frente a la omisión de cualquier regresor relevante de este tipo. Además, a pesar que los efectos individuales ai en (2) puedan estar correlacionados con las variables explicativas del modelo, el estimador LSDV seguirá siendo consistente.

Modelos de efectos aleatorios

En forma alternativa, las variables uit pueden ser consideradas como si fuesen variables aleatorias. En este caso, la ecuación (2) se ajusta a un modelo de efectos aleatorios, acorde con la literatura de modelos de panel. Tradicionalmente estos modelos se estiman usando la metodología de los componentes de varianzas, que es una versión del método de mínimos cuadrados generalizados factibles. El vector de ineficiencias u tiene componentes aleatorios que son iid con una varianza constante su2. En este caso las variables explicativas se asumen no correlacionadas con las ineficiencias tecnológicas; en caso contrario los estimadores serán inconsistentes.

En forma sucinta, los resultados fundamentales que se desprenden de la literatura de modelos de panel son:

(i) Cuando N o T tienden a infinito, los estimadores MCG (mínimos cuadrados generalizados) de a y b, con valores de su2 y sn2 conocidos, son consistentes y más eficientes que los estimadores within.

(ii) Para un T fijo, en la medida que N tiende a infinito se mantiene la propiedad de eficiencia. Cuando T tiende a infinito el estimador MCG es equivalente al estimador LSDV.

(iii) En el caso más realista donde no se conocen las varianzas de u y v, se requiere que N tienda a infinito para obtener un estimador consistente de su2 . Así el caso más favorable para MCG, versus el estimador LSDV, sucede cuando N es grande y T pequeño, y los insumos no están correlacionados con las ineficiencias técnicas.

La ventaja más obvia que tiene el método LSDV por sobre el MCG, es que no requiere que los regresores y las ineficiencias tengan correlación nula entre sí. Las desventajas son que los estimadores LSDV son menos eficientes que los MCG, y que no se pueden incluir dentro del modelo regresores que sean invariantes en el tiempo y que a la vez estén relacionados a características específicas a la unidad productiva; de lo contrario se cae en un problema de multicolinearidad perfecta. Ejemplos de este tipo de regresores pueden ser variables atingentes a la pertenencia de las firmas productoras o a su ubicación física. Una forma de superar este problema es regresionar respecto a estos atributos las ineficiencias estimadas en la ecuación (2). Si los insumos no están correlacionados con la eficiencia técnica, entonces el modelo de efectos aleatorios es superior ya que los estimadores MCG son más eficientes. Para verificar la validez relativa entre un modelo de efectos aleatorios y uno de efectos fijos, se puede usar un test de Hausman (Hausman y Taylor, 1981).

Modelos para explicar la ineficiencia técnica

Una línea de estudios empíricos (e.g. Pitt y Lee, 1981; Kalirajan, 1990) han investigado hipótesis sobre los determinantes de las ineficiencias técnicas de las unidades productivas en cuestión, regresionando las ineficiencias predichas (obtenidas de la frontera estimada) respecto a un vector de factores específicos a la unidad, por ejemplo, variables de tamaño, antigüedad, o educación del administrador. Sin embargo, existe un problema de consistencia no menor en este procedimiento en "dos etapas". En la primera etapa se supone que las ineficiencias son errores iid, mientras que en la segunda etapa las ineficiencias se plantean como una función de factores específicos a la unidad.

Kumbhakar, Ghosh y McGuckin (1991) y Reifschneider y Stevenson (1991), notando esta inconsistencia, especifican modelos de frontera estocástica en los que las ineficiencias se definen explícitamente como funciones de factores específicos a la unidad productiva. Huang y Liu (1994) presentan un modelo donde las ineficiencias se especifican como función de factores i-específicos, y además como función de interacciones entre factores i-específicos y variables que representan insumos en la frontera de producción.

Más tarde, Battese y Coelli (1995) -que es el enfoque que empleamos en este trabajo-, especifican que las ineficiencias técnicas, definidas como variables aleatorias no-negativas, se distribuyen en forma independiente entre sí, aunque no idénticamente entre sí. Para la i-ésima unidad productiva en el período t, la ineficiencia técnica uit se obtiene a través del truncamiento positivo de la distribución N+(mit,sm2 ), donde el valor medio de esta distribución -mit- se modela según la relación:

con zit representando un vector de variables explicativas observables, y d un vector de parámetros escalares por estimar. La expresión (3) postula que los valores medios correspondientes a las distribuciones normales truncadas no son idénticos para todas las unidades, aunque sí son funciones de las mismas variables y parámetros. Estimando la relación (1), a través de máxima verosimilitud, por ejemplo, se puede conocer el residuo correspondiente a eit = nit -uit. Luego, siguiendo a Jondrow et al. (1982) y Greene (1993), es posible estimar indirectamente el residuo ûit usando la esperanza condicional de uit dado eit:

donde s2 = (s2u + s2n); x2 = (s2u s2n / s2); l = (su / sn); f y f(representan la densidad normal estándar y la función acumulativa estándar, respectivamente. Esta forma de plantear el modelo permite encontrar la eficiencia técnica (ET) de la unidad i-ésima en el período t a través de:

(5)

La eficiencia técnica de i tiene un valor máximo igual a uno si la embarcación i obtiene una ineficiencia estimada igual a cero. En el resto de los casos, 1ETit 0.

El enfoque de Battese y Coelli (1995) utiliza el algoritmo de Máxima Verosimilitud para estimar el modelo de efectos aleatorios. Su modelo de estimación no considera la posible existencia de una estructura de correlaciones entre los errores aleatorios, asociados con unidades productivas particulares o períodos de tiempo, ni tampoco la posible heterocedasticidad de los errores vit y de las ineficiencias uit.

La función de verosimilitud para este modelo de frontera estocástica aparece en Battese y Coelli (1992), junto a las condiciones de optimización de primer orden, correspondientes a los diferentes parámetros del modelo. Estos últimos están dados en función de los parámetros de las varianzas de los errores:

Aquí g corresponde a un parámetro que tiene un valor entre 0 y 1. Si todos los parámetros de d y el parámetro g son iguales a cero, entonces el modelo es equivalente a una función tradicional de producción (o de "respuesta media"), estimable en forma eficiente a través de mínimos cuadrados ordinarios (MCO). Por otro lado, si todos los parámetros de d (excepto el intercepto) son iguales a cero, entonces el modelo es equivalente al modelo de panel de Aigner, Lovell y Schmidt (1977).

Las hipótesis paramétricas con interés de ser estudiadas, por ejemplo, que todos los coeficientes de segundo orden en una función de frontera de producción Translog sean iguales a cero (función Cobb-Douglas), pueden ser verificadas usando el estadígrafo de razón de verosimilitud generalizada (RV).

IV. EL MODELO ECONOMÉTRICO: FORMA FUNCIONAL Y VARIABLE

La metodología introducida por Battese y Coelli (1995) plantea la estimación de una frontera de producción como función de diversos insumos, en conjunto con la estimación de la ineficiencia técnica asociada. Simultáneamente se regresionan las ineficiencias resultantes al estimar la frontera estocástica de producción, respecto de un conjunto de otras variables explicativas. Un sub-set de estas últimas pueden coincidir con los regresores usados en la función de producción.

En nuestro ejercicio modelamos la tecnología que describe el proceso de captura de barcos industriales mediante una función de producción del tipo Translog. El modelo en cuestión es:

donde los subíndices i y t indican la observación para el barco i (i=1,....N, donde N es el número total de barcos en la pesquería) y el año t (t= 1985,...1995). Las variables que se consideran son las siguientes:

cit = log natural de la captura (total especies) en toneladas8, del barco i en el año t.
x1 : hit = log natural de la capacidad de bodega (medida en m3) del barco i en el año t.9
x2 : eit = log natural de las horas totales de pesca del barco i en el año t
x3 : git = log natural de los años de antigüedad del barco i en el año t
x4 : xit = log natural de la "experiencia pesquera" del barco i en el año t
x5 : bt = log natural de la variable biomasa agregada, rezagada en un año
x6 : T = variable de tendencia (T=1 para 1985... hasta T=11 para 1995)

La variable antigüedad (Git) se define como la diferencia entre el año t y el año de construcción del barco i. La variable "experiencia pesquera" se define como Xit=(Mit)(Git), donde Mit es una variable que suma las horas totales de pesca acumuladas desde el año 1985 hasta el año t, para cada embarcación i. Así, Xit incluye una medida del nivel acumulado de actividad pesquera durante el período bajo estudio, vinculable a efectos tipo learning by doing, ponderando por los años de existencia de cada barco.

Los datos originales se obtuvieron del Instituto de Fomento Pesquero (IFOP), y corresponden a la pesquería pelágica industrial zona Centro-Sur de Chile (desde la Vª región hasta la Xª región inclusive), con sus principales puertos de desembarque en San Antonio, Talcahuano y Valdivia. Corresponden a datos anuales para el período 1985-1995 e incluyen: (i) captura para cada barco (medida en tons.), (ii) biomasa correspondiente a las tres principales especies capturadas (medida en tons.), (iii) capacidad de bodega de cada barco (en metros cúbicos), (iv) esfuerzo pesquero por embarcación (horas totales de operación por año), (v) año de construcción de cada embarcación, y (vi) empresa propietaria de cada embarcación.

Nuestro modelo de frontera estocástica controla por dos tipos de efectos. Por un lado, efectos directamente asociados a la dimensión temporal de nuestros datos. Por otro, factores específicos a la unidad productiva en nuestro estudio (barco). En el primer grupo, consideramos una variable de tendencia (T), buscando controlar por posibles desplazamientos de la frontera tecnológica durante el período bajo estudio. Además, usamos una variable proxy para controlar por cambios en la disponibilidad anual del recurso pesquero: la denominamos biomasa agregada y la denotamos como Bt para cada año t.

Las estimaciones usadas de biomasa (promedio año) son realizadas por el IFOP, usando la metodología conocida como Análisis de Población Virtual (Gulland, 1988). Este método se basa en la estimación de la distribución etárea de una población de peces, a partir de información histórica sobre la composición de las capturas de los mismos. Haciendo una reconstrucción hacia atrás en el tiempo de estas estimaciones (calculadas como número de especímenes por cohorte de edad), junto con estimaciones de las tasas de mortalidad natural y de muerte por captura, es posible calcular la distribución por edades de la población. Posteriormente, la distribución es ajustada ponderando según pesos estimados para cada grupo de edad, de lo cual se obtienen finalmente las estimaciones de biomasa (e.g. Serra y Barría, 1992).

Por tratarse de una pesquería multiespecie en donde no se observan diferencias fundamentales entre los valores económicos de las principales especies capturadas, hemos definido la disponibilidad promedio año del recurso pesquero como la suma de las biomasas explotables comercialmente, estimadas como promedios anuales por IFOP, de las tres especies más importantes (jurel, sardina común y anchoveta), además de sumarle una estimación residual de biomasa vinculada al resto de las especies.10 Los valores de biomasa utilizados en nuestro estudio corresponden a estimaciones efectuadas por el IFOP en octubre del año 2000.11

Respecto de las variables específicas a cada barco, en primer lugar usamos capacidad de bodega (Hit) como una variable proxy de diversos factores fijos que inciden en los rendimientos de pesca. No disponemos de información sobre otros factores fijos (e.g. tecnologías de búsqueda como: sonar, potencia del motor, equipos de pescar; o la experiencia pesquera del capitán). Como un esfuerzo complementario de control respecto de la influencia de otros factores fijos, realizamos estimaciones para tres subpaneles diferenciados según categorías de tamaño de embarcación, aproximando esto último por el tamaño de bodega. Asumimos, por tanto, que el efecto conjunto de otros factores fijos se relaciona monotónicamente con el tamaño de bodega de cada barco.

Los subpaneles definidos son: subpanel 1 (P1: 80-300 m3); subpanel 2 (P2: 301-800 m3); y subpanel 3 (P3: 801 y más m3). El Cuadro 2 indica el número de barcos en nuestra muestra de estimación, según los barcos que operaron por subpanel en cada año. Dado que a lo largo del período bajo estudio existen barcos que salen de la pesquería, como también otros que entran, el número total de barcos que operaron al menos un año durante 1985-95 es de 61 para P1, 100 para P2 y 43 para P3. El Cuadro 3 provee información sobre las diferentes escalas de operación (promedio año) de los barcos que pertenecen a uno y otro subpanel.



Esta categorización en tres subpaneles fue decidida considerando caracterizaciones que realiza el IFOP, respecto de diferencias tecnológicas en la capacidad de pesca de barcos de distinto tamaño que operan en la flota industrial de la zona Centro-Sur. Por ejemplo, parte importante de esta flota tiene capacidad técnica para pescar más allá de las 200 millas (límite de la zona de pesca exclusiva de Chile). Sin embargo, son los barcos de mayor tamaño (panel P3) los que realizan con mayor frecuencia viajes de pesca más prolongados y más alejados del litoral costero, mientras que los de menor tamaño (panel P1) tienden a efectuar esfuerzos de pesca claramente más costeros.12

El resto de las variables específicas a cada barco son: (1) el número de horas totales (Eit) que la embarcación i estuvo en alta mar durante el año t. Las horas totales contemplan el tiempo en que el barco estuvo efectivamente realizando maniobras de pesca, como también el tiempo de búsqueda para encontrar cardúmenes. Con esta variable intentamos aproximar el esfuerzo pesquero efectuado por cada nave, y esto como proxy del nivel de uso de insumos variables en la faena de pesca; (2) la antigüedad del barco (Git), que intenta controlar por posibles efectos de obsolescencia tecnológica. En la medida que hayan ocurrido innovaciones tecnológicas en la tecnología de captura o en los insumos usados, permaneciendo todo lo demás constante, el efecto esperado a priori sería una correlación negativa entre Git y la eficiencia en la captura. Sin embargo, los años de antigüedad también podrían estar asociados a efectos de aprendizaje acumulativo en la faena pesquera, del tipo learning by doing. Buscando aislar efectos de este tipo, presumiblemente con impacto positivo en la eficiencia técnica del esfuerzo de pesca, usamos (3) la variable Experiencia (Xit), la que incluye una medida del nivel acumulado de actividad pesquera a través del tiempo, ponderando esto por los años de existencia de cada barco.

Las desviaciones de los datos respecto de la frontera definida por (7), son capturadas por dos términos de error. El error vit pretende absorber errores de medición de variables y/o errores de especificación de la frontera tecnológica de producción. El error uit³ 0 se construye como una medida de la ineficiencia técnica en los esfuerzos de pesca, i.e. desvíos por debajo del máximo posible de producción.

El modelo que usamos para especificar los errores uit, estimados en la primera etapa como función de variables explicativas observables, está definido por:

(8)

Mit corresponde a la media de las variables uit, condicional a los residuos eit = (vit - uit) obtenidos al estimar la frontera estocástica; Zit es un vector de variables que pueden influir en la eficiencia de las embarcaciones, y d es el vector correspondiente a los parámetros por estimar. Las variables que consideramos son:

Z1: ajt = log natural del acarreo anual total de barcos pertenecientes a la empresa j en el año t.
Z2: njt = log natural del número de barcos bajo propiedad de la empresa j en el año t
Z3: hjt = log natural de la capacidad de bodega de barcos bajo propiedad de la empresa j en el año t.
Z4: aIt = log natural del acarreo agregado de la flota industrial en el año t.
Z5: nIt = log natural del número total de barcos industriales que operaron durante el año t.
Z6: eit = log natural de las horas totales de pesca del barco i en año t.
Z7: git = log natural de los años de antigüedad del barco i en año t.
Z8: xit = log natural de la experiencia del barco i en año t.
Z9: bt = log natural de la variable biomasa agregada, rezagada en un año.
D(t)00= variable dummy para el año t (para t=1987, 1988, 1989 y 1990).

La variable acarreo del barco i en el año t se define como Ait = (Hit)(Eit), variable que mide la intensidad de uso (horas totales de pesca, Eit) dada a la capacidad de bodega del barco i (Hit). Así, el acarreo de la empresa j en el año t, se define como Ajt = [SiAit], "iÎj. Ajt incluye tanto la capacidad de bodega como las horas totales de esfuerzo pesquero de todas las embarcaciones pertenecientes a la empresa j en el período t. De forma similar, el acarreo agregado industrial al nivel de toda la pesquería, queda definido por AIt = SiAit, "i en cada año t. El cálculo del acarreo industrial agregado abarca la totalidad de la flota industrial que opera en cada año.

En la especificación (8) se introducen una serie de variables que aproximan factores externos a la embarcación en cuestión. Primero, hay tres variables que se agregan al nivel de las empresas que controlan las flotas de barcos en operación: (a) La variable acarreo por empresa (Ajt) busca capturar el posible impacto, sobre la ineficiencia técnica, del nivel de utilización dado a la capacidad de pesca de todos los barcos bajo control de la empresa j. Esto podría interpretarse como una proxy del nivel de complejidad de la actividad pesquera que la empresa j debe administrar y coordinar. Por otro lado, la definición de Ajt también incluye efectos asociados a la intensidad o escala del esfuerzo de pesca (horas totales anuales de pesca). (b) Intentando aislar más directamente los efectos asociados al nivel de complejidad de la operaciones agregadas de pesca de la firma j, incluimos además como variable explicativa la capacidad de bodega acumulada de todos los barcos operando en el año t y que son propiedad de la empresa j (Hjt). (c) La variable Njt intenta controlar por efectos sobre la eficiencia que pudiesen estar más directamente asociados al número de unidades extractivas bajo control de la empresa j. Por ejemplo, que al número total de barcos en operación de la empresa j se asocien economías externas al barco, tal vez relacionadas con esfuerzos de búsqueda de nuevos cardúmenes.

Segundo, incluimos dos variables de control que se agregan al nivel de esta pesquería industrial en su conjunto. El acarreo agregado industrial (AIt) pretende capturar posibles efectos externos al barco, que estén relacionados al nivel de esfuerzo pesquero total en la pesquería. Por ejemplo, podrían prevalecer en esta pesquería efectos congestión, con impacto negativo sobre la eficiencia en la captura, o bien externalidades positivas (sobre la eficiencia en la captura al nivel de cada barco) asociadas al esfuerzo agregado destinado a la búsqueda por cardúmenes de interés. La inclusión de la variable NIt (número total de barcos operando en la flota industrial en el año t), como otro regresor en el modelo que planteamos para explicar las ineficiencias estimadas, intenta capturar en forma más directa esta última posibilidad.

Tercero, incluimos la variable biomasa (rezagada en un año) para controlar por la posibilidad de que la abundancia del recurso pesquero también pudiese afectar el nivel de eficiencia técnica alcanzado en la pesca, más allá de su impacto directo como variable de estado en la frontera tecnológica de producción (6). Además, incluimos cuatro variables dicotómicas que controlan por efectos temporales como cambios legislativos o fenómenos naturales como El Niño del año 1987. Hemos incluido variables dummy aditivas sólo para aquellos años que han demostrado tener mayor significancia estadística en estudios previos sobre funciones de captura en esta pesquería (ver Peña-Torres, Basch y Vergara, 2002). El periodo 1988-90 se asocia con expectativas de importantes cambios legislativos, consolidados finalmente en la Ley de Pesca promulgada a fines de 1991.

Por último, hemos incluido tres de las variables específicas al nivel de barco que ya consideramos en la primera etapa (ecuación 7). Las horas totales de pesca del barco i controlan por posibles efectos directos de la escala de operación de cada barco, sobre el grado de eficiencia logrado en sus faenas de pesca. Con similar motivación incluimos las variables antigüedad y experiencia del barco i en el año t. Todo lo demás constante, a priori esperaríamos una correlación positiva entre antigüedad y los niveles de ineficiencia estimada para el barco i; y una correlación negativa entre la experiencia pesquera acumulada por la tripulación del barco i y la ineficiencia técnica estimada para ese barco.

Para efectos de simplificar la notación que seguiremos usando, definimos de aquí en adelante las siguientes convenciones: letras minúsculas para denotar el logaritmo natural de la variable correspondiente (e.g., x = ln X); además eliminamos el uso del subíndice de tiempo t.

Para llevar a cabo las diferentes pruebas de hipótesis respecto de parámetros del modelo (7)-(8), se utiliza el test de razón de verosimilitud generalizado, definido por:

(9)

donde l(H0) corresponde al valor del logaritmo de la función de verosimilitud para el modelo restringido (especificado en la hipótesis nula), y l(H1) es el valor del logaritmo de la función de verosimilitud del modelo general estipulado en la hipótesis alternativa. Este test se distribuye asintóticamente como una distribución chi-cuadrada con grados de libertad igual a la diferencia entre el número de parámetros estimados bajo ambas hipótesis.

Para probar la hipótesis nula de ausencias de ineficiencias en el proceso de captura, por ejemplo, se especifica la hipótesis, H0 : g = d0 =......= d8 = 0. En este caso, el estadígrafo l se distribuye aproximadamente como una distribución chi cuadrada mixta. Para este caso, los valores críticos se obtienen de Kodde y Palm (1986). Si esta hipótesis nula no se rechaza estadísticamente, entonces la función por estimar es equivalente a una función de producción tradicional (e.g. Peña-Torres y Basch, 2000).

V. RESULTADOS EMPÍRICOS

Los parámetros del modelo definido por las expresiones (7) y (8) son estimados en forma simultánea, usando la metodología de máxima verosimilitud del algoritmo FRONTIER versión 4.1 diseñado por Coelli, el cual provee además de las estimaciones puntuales de los parámetros, las ineficiencias técnicas para cada barco, en cada año de operación. Nuestra muestra de estimación corresponde a un panel no-balanceado, dado que el número de barcos incluidos varía de un año a otro (Cuadro 2).13

Previo a realizar las estimaciones, se eliminaron los outliers extremos que existían en la base de datos. Para estos efectos, estimamos inicialmente la relación (7) usando una metodología robusta14, con el propósito de identificar outliers extremos. Luego de eliminar de la base de estimación las observaciones de outliers extremos, se estimaron simultáneamente las ecuaciones (7) y (8). El Cuadro 4 detalla los resultados de estimación final para el modelo representado por las ecuaciones (7) y (8). En las columnas aparecen las estimaciones de los parámetros correspondientes a los tres subpaneles (P1, P2 y P3), además del panel completo que reúne a la totalidad de las embarcaciones.



Para llegar a la estimación final de nuestro modelo, consideramos las variables explicativas descritas y estimamos diversas alternativas de modelos. Los resultados que reportamos en este trabajo son los que mostraron mejor ajuste y comportamiento, usando test de razón de verosimilitud generalizada. En el proceso de selección hacia nuestro modelo final, optamos por mantener las mismas variables en cada uno de los paneles estudiados, dado que todas nuestras observaciones usan la misma tecnología de captura (barcos cerqueros), actúan en la misma unidad de pesquería industrial, y enfrentan escasa heterogeneidad respecto del producto final generado.

En el Cuadro 4 existen variables explicativas que se repiten en las estimaciones de las ecuaciones (7) y (8). El uso de variables explicativas duplicadas tiene precedentes en modelos de estimación de efectos aleatorios para fronteras eficientes (e.g. Lundvall y Battese, 2000). Esta situación podría implicar la posibilidad que parte de los estimadores para los coeficientes de la ecuación (7) fuesen inconsistentes. Esta posibilidad involucra un área de debate aún no dilucidada.15 En efecto, en caso de obtenerse estimadores estadísticamente significativos para correlaciones parciales entre el estimador del valor medio de la distribución normal truncada asumida para el residuo uit (valor medio que es aproximado por el valor esperado condicional E(uit\eit =[nit -uit] ) y algún regresor que se repita como tal en las ecuaciones (7) y (8), no es obvio que ello deba necesariamente implicar la existencia de correlación entre ese regresor y el residuo uit asociado a ineficiencia en la frontera de producción.

El Cuadro 5 reporta los valores de test de razón de verosimilitud respecto de restricciones paramétricas asociadas a 9 hipótesis nulas, las 4 últimas relacionadas con el modelo propuesto para explicar las ineficiencias estimadas.


Análisis de los test de hipótesis:

00000(1) : La forma funcional Cobb Douglas se rechaza categóricamente en los 4 casos. Esto implica que los valores de las elasticidades insumo en la frontera de producción son dependientes de la escala de producción: i.e., el grado de sensitividad de las capturas, frente a cambios marginales en el nivel de uso de insumos productivos o en la abundancia de biomasa, es función de la escala de explotación en que se encuentre la pesquería. El Cuadro 6 reporta los valores estimados para las elasticidades Biomasa y Esfuerzo Pesquero, usando los valores anuales medios de las variables que determinan su valor.16


Las estimaciones para la elasticidad captura-esfuerzo resultan consistentemente superiores al valor unitario.17 Los valores estimados para P1 y P2 se mueven en órdenes muy similares de magnitud, mostrando estabilidad temporal. Los valores estimados para P3 son superiores en magnitud, aunque declinan entre 1989 y 1995. Valores superiores a la unidad insinúan retornos crecientes en el nivel de uso de factores variables, esto último aproximado por la variable Horas de Pesca. Las diferencias obtenidas entre paneles son consistentes con la creciente salida de naves en el grupo P1, y con la entrada de naves tipo P3. La declinación temporal en los valores de esta elasticidad en el caso del panel P3, podría ser resultado de un paulatino aprovechamiento de estas economías de escala, dados los mayores niveles de extracción que permiten barcos de mayor capacidad de transporte y desplazamiento. Podríamos además conjeturar que las restricciones regulatorias han condicionado la intensidad de esta sustitución tecnológica.18

Respecto de los valores estimados para la elasticidad captura-biomasa: (a) durante la mayoría de los años en nuestra muestra los valores estimados para esta elasticidad son estadísticamente distintos de cero.19 (b) Los valores estimados para el panel P1 tienden a superar en forma consistente los valores para P2. Por otro lado, durante el trienio 1993-95 se obtiene un patrón común de declinación en los promedios anuales para esta elasticidad, en todos los paneles. En los casos de P1 y P2, este período coincide con uno de declinación en sus eficiencias anuales estimadas (ver Gráfico 2). El trienio 1993-95 además coincide con una fase de caída en la abundancia del recurso pesquero, asociada con incrementos sostenidos en el desembarque agregado anual, que alcanza su máximo absoluto en 1995 (Gráfico 1).


Algunas de las estimaciones promedio año para la elasticidad captura-biomasa entregan valores negativos: i.e., reducciones en la biomasa estarían correlacionadas con mayores niveles de captura. Existen dos procesos biológicos que podrían estar contribuyendo a este resultado de estimación. Primero, los peces pelágicos tienden a aumentar su densidad de desplazamiento cuando ocurren reducciones no triviales en su abundancia y esto, como un mecanismo de defensa frente a especies predadoras. Una mayor densidad poblacional con frecuencia implica mejores rendimientos de captura por unidad de esfuerzo de pesca. Segundo, algunos biólogos marinos han planteado para la década de los 90 un proceso de ajuste en la distribución espacial de jureles en esta pesquería: desplazamientos de cardúmenes pelágicos históricamente más abundantes en zonas cercanas a la costa, hacia zonas de alta mar. Quizás esto podría ayudar a explicar que se obtengan valores negativos para esta elasticidad con más frecuencia en el caso del panel P3. Estos son los barcos que realizan con mayor frecuencia sus faenas de pesca en áreas más distantes de la costa; por lo tanto, son los barcos que han ido adquiriendo conocimiento sobre nuevas zonas de pesca, más alejadas del borde costero.

00000(2) : En todos los paneles se rechaza la hipótesis de inexistencia de efectos tendencia en la data de nuestro modelo. Como ya vimos, durante 1985-95 se observa una tendencia ascendente en los niveles agregados de captura anual; mientras la disponibilidad de recurso pesquero, en general, cae (Gráfico 1). Adicionalmente, en los 3 subpaneles se obtiene significancia estadística para un subset de las variables de interacción entre la tendencia y variables insumo. Por lo tanto, cualesquiera sean los cambios a través del tiempo cuyos efectos aparecen capturados con significancia estadística por nuestro modelo de estimación, estos efectos resultan ser función de algunas de las variables insumo usadas en la frontera de producción.

El Gráfico 2 muestra los promedios anuales estimados para la eficiencia técnica en faenas de captura, para los 4 paneles estudiados. A partir de 1989, en los paneles P1 y P2 se observa una tendencia de caída en los niveles de eficiencia20 (con mayor intensidad en P1); lo opuesto ocurre con las eficiencias estimadas para P3. Esto es consistente con la creciente sustitución a favor de barcos en la categoría P3, a costa de barcos de menor tamaño.

Por otro lado, el Gráfico 3 reporta los histogramas de las eficiencias estimadas para cada barco en nuestra muestra, para los 4 paneles considerados. En el caso de P3, prácticamente la totalidad de las observaciones obtienen scores de eficiencias por sobre 50%; con una proporción importante de estos barcos logrando eficiencias en el tramo 75%-96%. En el caso de P1 y P2, sus distribuciones están menos concentradas en los tramos superiores del rango de eficiencias: ambos grupos incluyen una proporción de barcos con eficiencias entre 5%-25%.





0000(3) : Efectos (sobre la captura) ligados a la capacidad de bodega de cada barco (ecuación 7) resultan significativos en su conjunto, en todos los paneles estimados. Este resultado apoya la hipótesis de diferencias sistemáticas entre barcos en categorías diferentes de tamaño, respecto de los parámetros de sus fronteras productivas como de los niveles de eficiencia logrados. En efecto, al verificar la validez estadística de segmentar la muestra de estimación en los 3 subpaneles considerados, se acepta la hipótesis de diferenciación a favor de estas 3 categorías de tamaño.21

0000(4) : La variable antigüedad del barco obtiene clara significancia estadística respecto de sus efectos sobre la frontera de producción, en cada uno de los paneles considerados. Respecto al residuo estimado para la ineficiencia técnica, sistemáticamente se obtiene una correlación positiva entre la ineficiencia estimada y la antigüedad del barco; sólo en el panel P3 no se obtiene significancia estadística para este efecto22, aunque se mantiene la consistencia de su signo.

0000(5) : Para la variable Experiencia Pesquera obtenemos resultados menos sólidos. Respecto de su impacto sobre la frontera productiva, se rechaza la hipótesis de no-significancia sólo para los casos P2 y P3. Respecto de su efecto sobre la ineficiencia, sólo en P2 se obtiene clara significancia estadística, y con el signo esperado a priori.23 Con base en estos resultados, parece razonable conjeturar que la variable que usamos como proxy para "experiencia pesquera" no estaría capturando con éxito la probable existencia de efectos aprendizaje al desarrollar faenas de pesca en forma repetida en el tiempo.24

0000(6) : La significancia conjunta de las variables dummies D88, D89 y D90 se acepta en 3 de los 4 paneles; P3 es nuevamente la excepción. D89 es la dummy que obtiene mayor consistencia en su significancia estadística; le sigue D90. El año 1989 es cuando la discusión sobre una posible asignación gratuita de derechos individuales de pesca, con base en récords históricos de pesca, alcanza su máxima intensidad. Por lo tanto, el signo obtenido para D89 apoya la hipótesis de "intentos de consolidar derechos de pesca vía aumentar todo lo posible la captura" mientras se discutía esta posibilidad de reforma legal.

0000(7) : En 3 de los 4 paneles se rechaza la no-significancia estadística (simultánea) de los errores de ineficiencia (g =0) y de las variables explicativas en el modelo de ineficiencias; la excepción es nuevamente P3, aunque en esta ocasión muy marginalmente. Las estimaciones del parámetro g (la proporción de la varianza total de los residuos de estimación que es atribuida por nuestro modelo a residuos de ineficiencia) varían entre 0.82 y 0.9 para los distintos subpaneles. En consecuencia, los desvíos respecto de la frontera de eficiencia estimada surgen como un componente con clara significancia estadística en los subpaneles P1, P2 y en el panel completo.

0000(8) : En los 4 paneles se rechaza la hipótesis de no-significancia respecto del conjunto de variables que hemos agregado al nivel de empresa controladora. El resultado más robusto se obtiene para el número de barcos de la empresa j. Su significancia es sistemática en los 4 casos, y su signo de impacto es negativo en 3 de los paneles considerados; según esto, un mayor número de barcos bajo control de la misma empresa se asociaría positivamente con la eficiencia lograda al nivel de cada barco.25 Este resultado podría quizás interpretarse como reflejo de economías externas al barco durante el proceso de búsqueda de cardúmenes con interés extractivo.

Respecto de la variable Acarreo de la empresa j (AJ), se obtiene signo positivo en 3 de los 4 paneles. Según esto, un mayor acarreo al nivel de empresa estaría asociado con menor eficiencia técnica al nivel de cada barco. Esto podría reflejar deseconomías de producción a medida que se aumenta la intensidad de uso de la capacidad agregada de pesca en una empresa dada; y esto quizás como reflejo de creciente complejidad en la coordinación de los esfuerzos productivos.

Los resultados para la variable Capacidad de bodega de la empresa j (hJ) no muestran robustez estadística clara. Esta variable resulta significativa sólo en los casos de P1 y P3, pero con signo opuesto en uno y otro caso. Por otro lado, su inclusión no produce diferencias estadísticamente significativas en el caso del subpanel P2, y sólo muy marginalmente en los casos de P1, P3 y el panel completo. Que hJ no muestre significancia estadística clara, pero sí lo haga en mayor medi- da la variable AJ, reafirma nuestra interpretación de que las deseconomías externas al barco, que aparecen asociadas al acarreo de la empresa controladora, estarían más directamente ligadas a la intensidad de uso de la capacidad de pesca.

0000(9) : Los resultados obtenidos para las variables agregadas al nivel de la flota industrial en su conjunto tampoco muestran robustez clara. La no-significancia estadística de estas variables en su conjunto sólo se puede rechazar en los casos de P1 y el panel completo. La variable número total de barcos en la flota industrial agregada obtiene signo negativo en todos los paneles, salvo el caso de P3; no obstante, el signo negativo es estadísticamente significativo sólo en los casos de P1 y el panel completo. El resultado de signo negativo coincide con el signo obtenido para esta variable cuando se le agrega al nivel de empresa controladora.

Respecto del Acarreo total de la flota industrial agregada, su signo de impacto resulta positivo en los 4 paneles: esto quizás podría interpretarse como fruto de efectos congestión sobre la productividad del esfuerzo de pesca desplegado. Sin embargo, este efecto muestra significancia estadística sólo en el panel completo y en P2 (en el último al 90% de confianza).

VI. VALOR PREDICTIVO DEL MODELO DE ESTIMACIÓN

El Anexo 2 presenta una descripción de los barcos elegidos a inicios del año 2001 por los industriales de la pesquería Centro-Sur de jurel, para realizar faenas de pesca durante ese año. Del total elegido en ese momento26 (29 barcos), 26 de ellos están en nuestra base de datos: 6 corresponden al panel P2 y 20 al panel P3. Asimismo, del total de 16 empresas independientes o asociaciones de empresas que inscriben barcos, 10 de ellas inscriben sólo un barco. Esto refleja los "ajustados" niveles de cuota imperantes en esta pesquería durante el año 2001.27

Varias de las características de los barcos seleccionados por la industria son consistentes con los resultados de nuestras estimaciones:

  • La industria no inscribe ningún barco de la categoría P1. Esto es consistente con el ranking de eficiencias operacionales que hemos obtenido para nuestras tres categorías de tamaño de barco (Gráfico 2).
     
  • Los barcos seleccionados por los industriales suelen ser de reciente ingreso a la flota. Esto es consistente con la significancia encontrada respecto de una correlación positiva entre nivel de ineficiencia productiva y antigüedad del barco.
     
  • En general, los barcos seleccionados por los industriales obtienen niveles estimados de eficiencia por sobre la media estimada para los barcos que pertenecen a la misma categoría de tamaño (los subpaneles de nuestro estudio). El Anexo 2 ilustra esto para los promedios de eficiencia estimados para los dos años más recientes en nuestra muestra.
     
  • Predominan entre los barcos seleccionados aquéllos con uso intensivo (días de pesca) durante los años más recientes en nuestra base muestral. Recordemos que "horas de pesca" presentan en nuestras estimaciones, en forma consistente y estadísticamente significativa, una correlación positiva con los niveles de eficiencia técnica.

Sin embargo, las áreas de coincidencia entre las elecciones de los industriales y el ordenamiento de barcos según las eficiencias estimadas en este trabajo, no son absolutas. El Cuadro 7(A)-(B) ilustra el grado de coincidencias entre estas dos fuentes de ordenamiento entre barcos.

Los barcos elegidos por los industriales implican un ordenamiento de la flota existente, diferenciando barcos "seleccionados (S)" (29 en total) y "no seleccionados (NS)". De los 29 barcos en el primer grupo, 26 están en nuestra base de datos. En el resto de nuestra muestra quedan 178 barcos. Supongamos ahora que elegimos de nuestra base muestral los 26 barcos que obtienen las mayores eficiencias estimadas según nuestro modelo.28 Para realizar esta selección usamos los resultados de estimación para el panel completo. Definamos a este grupo de 26 barcos como el conjunto de barcos "más eficientes", denotado por EFI; al resto de los barcos lo denotamos por NO-EFI (barcos "menos eficientes"). El cuadro 7-A presenta los ordenamientos y coincidencias resultantes según estos dos criterios de selección.


De los 26 barcos elegidos por los industriales y comunes a nuestros datos, 12 (5.9% de la base muestral) aparecen seleccionados entre los 26 barcos con mayores scores de eficiencia estimada por nuestro modelo. Por otro lado, 164 barcos (80.3% de nuestra muestra) de los 178 barcos restantes coinciden como "no seleccionados" por los empresarios y a la vez son parte del grupo NO-EFI. Así, siguiendo el criterio de número de barcos clasificados en categorías coincidentes por una y otra fuente de ordenamiento, nuestro modelo de estimación obtiene 86.2% de aciertos respecto al total de barcos analizados.

El Cuadro 7-B presenta un ejercicio con idéntica lógica, pero ahora circunscrito al total de 43 barcos que forman parte de nuestra muestra y a la vez pertenecen al subpanel P3.


En este caso, 20 de los 26 barcos seleccionados por los empresarios pertenecen al panel P3 y a la vez están en nuestra base muestral. De estos 20 barcos comunes, se generan 12 coincidencias con los 20 barcos del panel P3 que obtienen las mayores eficiencias estimadas según nuestro modelo. Respecto de los 23 barcos restantes, 8 de éstos forman parte del grupo de barcos seleccionados por los empresarios. Por lo tanto, nuestro modelo logra un 63% de aciertos respecto del total de 43 barcos en la base muestral para P3. La razón que la tasa de aciertos para P3 sea menor a la lograda para el panel completo radica en que el panel completo incluye un número importante de barcos que no fueron elegidos por los empresarios y que aparecen correctamente clasificados según nuestro modelo (todos los barcos en P1 y la mayoría de los que pertenecen a P2). La tarea de ordenamiento es más exigente cuando se concentra en los barcos tipo P3, dado que este panel incluye al componente mayoritario de los barcos elegidos por los industriales.29

El grado parcial de matchings refleja limitaciones en nuestra base muestral. Los datos usados en nuestro estudio no agotan todas las variables de interés para explicar diferencias entre barcos respecto a sus niveles de eficiencia operacional. Un par de ejemplos:

  • En Chile las cuotas de pesca asignadas a cada empresa no sólo están inicialmente definidas para un barco específico, sino además su uso está indisolublemente condicionado por las áreas de pesca y especies sobre las cuales cada barco posee autorización de pesca. En la pesquería bajo estudio, existen autorizaciones de pesca definidas para dos áreas: zonas entre las regiones V a IX, y zonas de pesca frente a la X región. La mayoría de los barcos seleccionados por la industria disponen de autorización para pescar jurel en ambas zonas. Esto entrega flexibilidad operacional a las empresas, al momento de decidir en qué áreas utilizar su cuota de pesca. Nuestros datos muestrales no nos permiten controlar por este efecto.
     
  • Existen componentes de la "capacidad de pesca" de cada barco que no están necesariamente correlacionados, menos en forma necesariamente monotónica, con el tamaño de bodega de cada embarcación, y cuyo efecto productivo por lo tanto no queda adecuadamente controlado en nuestras estimaciones. Es probable que los resultados poco claros logrados con la variable "experiencia pesquera" reflejen que los efectos de este tipo de capital humano no están capturados con éxito en nuestro trabajo. Otro ejemplo es la creciente importancia que ha ido adquiriendo el que los barcos en esta pesquería dispongan de capacidad de frío a bordo. La creciente escasez del recurso pelágico ha promovido esfuerzos de inversión dirigidos a penetrar nuevos nichos de mercado (productos de consumo humano directo). En estos mercados, disponer de capacidad de frío a bordo suele favorecer la competitividad externa del producto final. Es probable que esta consideración haya condicionando la selección de barcos realizada por los empresarios; esto es particularmente relevante para barcos que pertenecen al panel P3. Nuevamente nuestros datos no nos permiten controlar por este efecto.

7. COMENTARIOS FINALES

Entre los resultados más robustos de nuestro ejercicio de estimación están:

(a) La forma funcional Cobb-Douglas se rechaza con claridad, a favor de una función tipo Translog.

(b) Se confirman resultados previos respecto de la presencia de economías de escala en el uso de insumos variables (aproximado por las horas anuales de pesca), como también una mayor sensitividad de la "captura respecto de la biomasa disponible" en el caso de los barcos de menor tamaño en esta flota industrial (véanse Peña y Basch, 2000 y Peña, Basch y Vergara, 2002).

(c) La antigüedad del barco muestra robustez estadística al explicar (correlación positiva con) los scores estimados de ineficiencia. Este resultado podría interpretarse como señal de innovaciones tecnológicas incorporadas en los barcos de más reciente ingreso a esta pesquería.

(d) Similar robustez estadística se obtiene con la variable esfuerzo pesquero (horas de pesca) al nivel de cada barco, donde más horas anuales de pesca se correlacionan en promedio con mayor eficiencia técnica. Para argumentar sobre posibles direcciones de causalidad entre estas variables, se requerirían testeos estadísticos adicionales a los considerados en este trabajo. Esto señala desafíos pendientes para efectos de complementar o extender el presente trabajo.

(e) La variable biomasa no muestra relevancia estadística directa al ser usada como variable explicativa para los scores estimados de ineficiencia.

(f) La significancia mostrada por la dummy "año 1989" es probable que sea reflejo de estrategias de captura orientadas a consolidar el "historial de pesca" de cada empresa, con la intención de fortalecer el acceso individual a una eventual asignación gratuita de derechos de pesca, y esto en el marco de las controversias sobre reforma regulatoria que dominaron el debate sobre política pesquera en Chile hacia fines de los años 1980s.

(g) Las variables agregadas al nivel de empresa controladora, usadas en el modelo para explicar las ineficiencias estimadas, obtienen clara significancia estadística respecto de su efecto conjunto. Dentro de este grupo de variables, y buscando posibles interpretaciones para los signos obtenidos en las correlaciones parciales entre estas variables y los scores de ineficiencia, un aumento en el número de barcos bajo control de una misma empresa podría estar asociado con economías externas de búsqueda. No obstante, un mayor uso de la capacidad de pesca bajo control de una empresa dada pareciera estar asociado con deseconomías externas de producción, al nivel de cada barco. Al agregar estas variables al nivel de toda la flota industrial en operación, los signos obtenidos para estos dos efectos se repiten aunque su robustez estadística tiende a diluirse.

(h) Entre el 80-90% de los residuos del modelo de estimación aparecen asociados al término de ineficiencia, lo que podría interpretarse como reflejo de la dispersión existente en los rendimientos de pesca logrados por los barcos en nuestra muestra. Un resultado complementario a este diagnóstico es la significancia estadística obtenida para la segmentación de nuestra muestra en tres categorías de tamaño de barco, definidas según tamaño de bodega. El grupo de barcos más grandes obtiene en promedio los mayores scores de eficiencia técnica, mostrando a la vez la menor dispersión de las eficiencias estimadas para barcos en una misma categoría de tamaño. Por otro lado, los barcos industriales de menor tamaño son los que presentan en promedio menores niveles de eficiencia, y a la vez mayor dispersión en las eficiencias estimadas para barcos en una misma categoría de tamaño. Los barcos más pequeños son a su vez los que en promedio tienen mayor antigüedad.

Dos últimos comentarios, y buscando ir más allá de detalles en el presente ejercicio de estimación. En primer lugar, nuestras estimaciones confirman la presencia de importantes grados de heterogeneidad productiva, en términos de los scores de eficiencia estimados para barcos de distinto tamaño y con distinta capacidad de pesca. En nuestros resultados el tamaño de la embarcación (entendido como proxy de la capacidad instalada de pesca) surge como un factor importante para efectos de anticipar diferencias en rendimientos medios de pesca entre distintos barcos.

Constituiría un ejercicio con claro interés para decisiones de regulación pesquera, el intentar verificar si esta línea de resultados se mantiene al comparar rendimientos medios de pesca entre barcos artesanales e industriales; siendo los primeros usualmente de menor tamaño y menor capacidad instalada de pesca. Las posibles diferencias de productividad, entre uno y otro tipo de flota pesquera, constituyen factores a ser ponderados al momento de evaluar distintas opciones para definir las reglas de acceso a zonas de pesca donde pudiese existir competencia entre flotas industriales y artesanales. Esto se relaciona con controversias actuales, en las cuales empresarios industriales demandan poder pescar, con sus propios barcos, dentro de las primeras 5 millas desde la costa. Según la legislación vigente esta franja de mar constituye una zona de "reserva artesanal", a la cual los barcos artesanales tienen acceso preferencial.30 El impedir del todo que barcos industriales puedan efectuar labores de pesca dentro de esta zona podría derivar en aceptar como país costos totales de extracción más elevados. De ser este el caso, emerge como un desafío relevante el buscar promover formas de cooperación o intercambio económico, entre agentes industriales y artesanales, de forma tal que se reduzcan los costos económicos que se relacionan a limitar la operación de unidades de pesca económicamente más eficientes.

En segundo lugar, los resultados en este trabajo son condicionales a la metodología de estimación usada. Hemos mencionado la posibilidad de obtener estimadores no consistentes, dadas las correlaciones observadas entre regresores usados en la frontera de producción y el valor esperado condicional que se utiliza como proxy de los residuos de ineficiencia. Estimaciones en curso comparan los resultados presentados en este trabajo con resultados de estimación usando un modelo de efectos fijos. En un próximo trabajo se analizarán los resultados según estas dos metodologías. En consecuencia, este trabajo debe entenderse como un primer ejercicio exploratorio, que invita por lo tanto a futuras revisiones o extensiones sobre la actual metodología de estimación.

REFERENCIAS

Aigner, D., K. Lovell, y P. Schmidt (1977), "Formulation and Estimation of Stochastic Frontier Production Function Models," Journal of Econometrics 6: 21-37.         [ Links ]

Baltagi, B.H. (1995), Econometric Analysis of Panel Data, Wiley, Chichester, UK.         [ Links ]

Battese, G. E., y T. J. Coelli (1988), "Prediction of Firm-Level Technical Efficiencies with a Generalized Frontier Production Function and Panel Data," Journal of Econometrics 38: 387-399.         [ Links ]

Battese, G. E. y T. J. Coelli (1992), "Frontier Production Functions, Technical Efficiency and Panel Data: With Application to Paddy Farmers in India", Journal of Productivity Analysis 3:1/2 (June): 153-169.         [ Links ]

Battese. G. E., y T. J. Coelli (1995), "A Model for Technical Inefficiency Effects in a Stochastic Frontier Production Function for Panel Data", Empirical Economics, 20, 325-332.         [ Links ]

Battese, G. E., and Broca, S.S. (1997), "Functional forms of stochastic frontier production functions and models for technical inefficiency effects: A comparative study for wheat farmers in Pakistan", Journal of Productivity Analysis 8, 395-414.         [ Links ]

Bauer, P.(1990), "Recent Developments in the Econometric Estimation of Frontiers", Journal of Econometrics, 46, 39-56.         [ Links ]

Beaton, A. E., y J. W. Tukey (1974), "The Fitting of Power Series, Meaning Polynomials, Illustrated on Band-Spectroscopic Data", Technometrics, 16:146-185.         [ Links ]

Coelli, T. (1995), "Estimators and Hypothesis Tests for a Stochastic Frontier Function: A Monte Carlo Analysis", Journal of Productivity Analysis, 6:4, 247-68.         [ Links ]

Cook, R. D.(1977), "Detection of Influential Observations in Linear Regression", Technometrics, 19:15-18.         [ Links ]

Cornwell, C., P. Schmidt y R.C. Sickles (1990), "Production Frontiers With Cross-sectional and Time-series Variation in Efficiency Levels", Journal of Econometrics, 46, 185-200.         [ Links ]

Davidson, J.H., D.H. Hendry, F. Srba, y S. Yeo (1978), "Econometric Modeling of the Aggregate Time-Series Relationship Between Consumers Expenditure and Income in the United Kingdom", The Economic Journal 88, 661-692.         [ Links ]

Farrell, M.(1957),"The Measurement of Productive Efficiency", Journal of the Royal Statistical Society, 120(3), 253-281.         [ Links ]

Forsund, F., C. Lovell, y P. Schmidt (1980),"A Survey of Frontier Production Functions and of Their Relationship to Efficiency Measurement", Journal of Econometrics, 13, May, 5-25.         [ Links ]

Fried, H. O., C.A.K. Lovell, y S.S. Schmidt, eds. (1993), The Measurement of Productive Efficiency: Techniques and Applications. New York: Oxford University Press.         [ Links ]

Greene, W. (1990), "A Gamma-Distributed Stochastic Frontier Model", Journal of Econometrics 46: 141-163.         [ Links ]

Greene, W. (1993), "Maximum Likelihood Estimation of Econometric Frontier Functions", Journal of Econometrics, 13, 27-56.         [ Links ]

Gulland, J.A.,ed., (1988), Fish Population Dynamics, 2nd edition., Wiley,Chichester,UK.         [ Links ]

Hausman, J.A. y W.E.Taylor (1981), "Panel Data and Unobservable Individual Effects", Econometrica, 49:6 (November), 1377-1398.         [ Links ]

Huang, C. J., y J. T. Liu (1994),"Estimation of a Non-Neutral Stochastic Frontier Production Function", Journal of Productivity Analysis, 5:2 (June), 171-180.         [ Links ]

Huber, P. J.(1964), "Robust Estimation of a Location Parameter", Annals of Mathematical Statistics 35: 73-101.         [ Links ]

Jondrow, J.,C.A. Knox Lovell, I.S. Materov y P. Schmidt (1982), "On the Estimation of Technical Inefficiency in the Stochastic Frontier Production Function Model", Journal of Econometrics, 19, 233-238.         [ Links ]

Kalirajan, K.(1990), "On Measuring Economic Efficiency", Journal of Applied Econometrics, 5(1), 75-86.         [ Links ]

Kirkley, J. E., D. Squires, y I. Strand (1995), "Assessing Technical Efficiency in Commercial Fisheries: The Mid-Atlantic Sea Scallop Fishery", American Journal of Agricultural Economics, 77, August: 686-697.         [ Links ]

Kodde, D. A. y Palm, F. C. (1986), "Wald criteria for jointly testing equality and inequality restrictions", Econometrica 54, 1243-1248.         [ Links ]

Kumbhakar, S. C., S. Ghosh, y J.T. McGuckin(1991), "A Generalized Production Frontier Approach for Estimating Determinants of Inefficiency in U.S. Dairy Farms", Journal of Business and Economic Statistics, 9:3 (July), 279-286.         [ Links ]

Kumbhakar, S. (1990), "Production Frontiers and Panel Data, and Time Varying Technical Inefficiency", Journal of Econometrics 46(1/2): 201-211.         [ Links ]

Mátyás, L. y P. Sevestre, eds. (1996), The Econometrics of Panel Data, Kluwer Academic Publishers, Netherlands.         [ Links ]

Meeusen, W., y J. van den Broeck (1977), "Efficiency Estimation from Cobb- Douglas Production Functions with Composed Error," International Economic Review 18(2): 435-444.         [ Links ]

Lee, Y. H., y P. Schmidt (1993), "A Production Frontier Model with Flexible Temporal Variation in Technical Inefficiency", in Fried, H.O., C.A.K. Lovell y S.S.Schmidt (eds.), The Measurement of Productive Efficiency: Techniques and Applications, Oxford University Press, New York, 237-255.         [ Links ]

Lundvall, K., y G. E. Battese (2000), "Firm Size, Age and Efficiency: Evidence from Kenyan Manufacturing Firms", The Journal of Development Studies, Vol. 36, N° 3, February: 146-163.         [ Links ]

Peña-Torres, J. (1996). "Regulación Pesquera en Chile: una perspectiva histórica", Cuadernos de Economía 100 (Diciembre): 367- 395         [ Links ]

Peña-Torres, J. (1997). "The Political Economy of Fishing Regulation: the case of Chile", Marine Resource Economics 12(4): 239- 248         [ Links ]

Peña-Torres, J., y M. Basch (2000), "Harvesting in a Pelagic Fishery: The Case of Northern Chile", Annals of Operations Research 94, 295-320.         [ Links ]

Peña Torres, J. (2002). "Debates sobre Cuotas Individuales Transferibles: ¿Privatizar el mar? ¿Subsidiar? o ¿Muerte anunciada de la pesca extractiva en Chile?", Estudios Públicos 86 (Mayo): 183- 222         [ Links ]

Peña-Torres, J., S. Vergara y M. Basch (2002), "Pesquerías Pelágicas en el Norte y Centro-Sur Chileno: Un estudio de funciones de captura usando estimaciones de panel", mimeo         [ Links ]

Pitt, M., y L. Lee (1981), "The Measurement and Sources of Technical Inefficiency in the Indonesian Weaving Industry," Journal of Development Economics 9: 43-64.         [ Links ]

Reifschneider, D., y R. Stevenson (1991), "Systematic Departures from the Frontier: A Framework for the Analysis of Firm Inefficiency," International Economic Review, 32:3 (August), 715-723.         [ Links ]

Schmidt, P.(1985),"Frontier Production Functions: A Survey", Econometric Reviews, 4, 367-374.         [ Links ]

Schmidt,P., y R.C. Sickles (1984), "Production Frontiers and Panel Data", Journal of Business and Economic Statistics, 2, 367-374.         [ Links ]

Serra, R., y P. Barría (1992), "Investigación y Estimación de la Captura Total Permisible para el Jurel Año 1992", Reporte Técnico, Instituto de Fomento Pesquero (IFOP), Valparaíso, Chile.         [ Links ]

Squires, D., R. Q. Grafton, M. F. Alam, y I. H. Omar (1998), "Where the Land Meets the Sea: Integrated Sustainable Fisheries Development and Artisanal Fishing", Working Paper 98-26, University of California, San Diego.         [ Links ]

Stevenson, R. (1980)," Likelihood Functions for Generalized Stochastic Frontier Estimation," Journal of Econometrics 13(1): 58-66-         [ Links ]

Zellner, A., J. Kmenta, y J. Drèze(1966),"Specification and Estimation of Cobb-Douglas Production Function Models", Econometrica, 34, 784-795.         [ Links ]




 

* Agradecemos el financiamiento provisto por el Proyecto Fondecyt #1000764, como asimismo el acceso a datos e información ofrecido por personal de IFOP y SUBPESCA. En particular, agradecemos los comentarios y aclaraciones proporcionados por P. Barría, R. Serra, A. Gertosio, C. Bernal y R. Pinochet. También agradecemos los valiosos comentarios de Antonio Alvarez (D. Economía, Universidad de Oviedo) y Gustavo Crespi (SPRU, Sussex, UK). Igualmente se agradecen los comentarios de un árbitro anónimo. Los errores que pudiesen persistir en este trabajo son de exclusiva responsabilidad de los autores.

** Profesor Adjunto, Departamento de Economía y Administración, Universidad Jesuita Alberto Hurtado/ILADES, Erasmo Escala 1835, Santiago, Chile E-mail: jpena@uahurtado.cl

*** Profesor Asociado, Departamento de Economía, Universidad de Chile, Diagonal Paraguay 257, Santiago, Chile. E-mail: mbasch@decon.facea.uchile.cl

**** Consultor, División Desarrollo Productivo y Empresarial, CEPAL, Dag Hammarskjold s/n, Santiago, Chile. E-mail: severgara@eclac.cl

Keywords: Stochastic Production Frontiers; Technical Efficiency; Panel Estimation; Chilean Pelagic Fisheries.

JEL Classification: Q22, C33, L7

1 Este es un concepto diferente al de "captura por unidad de esfuerzo" (tons./horas de pesca), de uso frecuente entre analistas pesqueros. Nuestro concepto de eficiencia técnica es también una medida de rendimiento en términos de capturas, pero considerando el conjunto de insumos que se estimen relevantes y puedan usarse como variables de control para explicar los niveles de desembarque. Este concepto de eficiencia se asocia al concepto de productividad denominado Total Factor Productivity (e.g. Fried, Lovell y Schmidt, 1993). El conjunto de insumos relevantes puede incluir variables que aproximen esfuerzo pesquero (incluyendo insumos fijos y variables), como también variables de estado que controlen por el nivel de abundancia del recurso pesquero, o por cambios en reglas relevantes de regulación.

2 En años recientes la pesquería Centro-Sur del jurel ha generado unos US$250 mills./año, sumando valor exportado y ventas nacionales al por mayor. Por otro lado, el total nacional de empleos directos generados por el sector pesquero (incluyendo pesca extractiva industrial y artesanal, y plantas de procesamiento de pesca extractiva y de producción acuícola), bordea los 85.000 trabajos; 22.000 de éstos se ubican en la Región VIII (fuente: Sernapesca).

3 Los peces pelágicos suelen desplazarse en cardúmenes de alta densidad, en los cuales a menudo distintas especies comparten espacio marino, compitiendo por alimento.

4 Los primeros barcos por sobre 800 m3 de capacidad de bodega inician operaciones en esta pesquería durante 1989. En 1995 esta categoría de tamaño de barco representó un 44% de la disponibilidad total de bodega desplazada por esta flota industrial.

5 El concepto de acarreo aproxima el nivel de uso dado a la capacidad disponible de pesca. Se define como la sumatoria de los m3 de bodega de cada barco industrial, ponderando los m3 de cada barco por el total de horas anuales que ese barco destina a pescar en el mar.

6 Es el `El Niño' de mayor intensidad de los ocurridos durante el siglo XX. Sin embargo, es opinión consensuada dentro del sector pesquero que la sobreinversión y esfuerzos de pesca excesivos también han contribuido a la dinámica de caída en las capturas.

7 Por ejemplo, se permite sustituir dos o más barcos pequeños por uno más grande, si se mantiene constante la capacidad de bodega resultante. En la práctica esto permite introducir naves con mayor capacidad de pesca. También se agregan nuevos barcos en las regiones limítrofes de esta unidad de pesquería (regiones V y X), durante períodos en los que aún no regía una regulación de congelamiento en estas regiones, respecto de una cota máxima para la capacidad agregada de bodega.

8 La captura por barco (Cit) considera la totalidad de las especies capturadas por cada embarcación i en cada año t. Las capturas corresponden principalmente a jurel, anchoveta y sardina común, además de un remanente de otras especies de menor importancia como caballa, merluza de cola, sardina española y merluza común.

9 Existen barcos para los cuales la capacidad de bodega varía en el tiempo (i.e. embarcaciones que amplían su bodegaje).

10 Debido a la carencia de estimaciones oficiales para biomasa correspondiente al resto de especies, calculamos una variable proxy a partir de la información sobre capturas. En este cálculo asumimos, para el remanente de especies, que la relación [captura/biomasa] es equivalente, en cada año, a las razones obtenidas usando la suma de las biomasas estimadas por IFOP para las tres especies principales.

11 Las estimaciones de IFOP para la biomasa promedio año del recurso jurel se definen para un área marina más extensa que el área considerada en nuestro estudio. Como ajuste frente a esto, nuestra proxy para la biomasa de jurel en la zona Centro-Sur pondera la estimación original de IFOP, multiplicándola por la razón entre (a) las capturas anuales de jurel en las regiones V hasta la X y (b) las capturas anuales totales de jurel en la zona más extensa que IFOP considera.

12 Según opinión de expertos de IFOP, en años recientes los barcos industriales de mayor tamaño han realizado en torno al 50% o más de su esfuerzo de pesca más allá de las 200 millas naúticas.

13 Este fenómeno se conoce en la literatura como attrition. Si éste no es demasiado marcado, como es el caso del ejercicio actual, su inclusión permite obtener estimadores más eficientes que con un panel balanceado donde se han dejado fuera todas las observaciones que no se repiten en todos los períodos (Mátyás y Sevestre, 1996 ; Baltagi, 1995).

14 La metodología empleada fue una combinación de los métodos de Cook, Huber, y Beaton y Tukey (Beaton y Tukey, 1974; Huber, 1964; Cook, 1977). Específicamente, eliminamos todas aquellas observaciones para las cuales, luego de estimar la ecuación (7), se obtuvieron como resultado ponderadores de las observaciones iguales a cero. Este procedimiento terminó eliminando, dentro de cada año, una proporción importante de datos de barcos con operaciones de pesca por menos de 20-30 días en ese año.

15 Comunicación personal con George Battesse.

16 Para su fórmula de cálculo, ver Battesse y Broca (1997).

17 La hipótesis nula de elasticidad-esfuerzo igual a la unidad se rechaza en los 4 paneles, verificando sobre los valores promedio de esta elasticidad durante 1985-95. Los valores del estadístico t son 4.88, 7.57, 8.55 y 15.35 para P1, P2, P3 y el panel completo respectivamente (el valor crítico al 95% de confianza es 1.96).

18 Desde 1986 a la fecha, esta pesquería ha estado sujeta a cotas regulatorias respecto de incrementos en la capacidad de pesca de la flota en su conjunto, lo que ha limitado (parcialmente) las opciones de sustitución tecnológica vía la entrada de naves de mayor capacidad de pesca.

19 La hipótesis nula de la elasticidad-biomasa igual a cero se rechaza en los tres subpaneles, verificando sobre los valores promedio de esta elasticidad durante 1985-95. Los valores del estadístico t son 4.43, 2.63 y -7.83 para P1, P2 y P3 respectivamente, mientras que para el panel completo el valor es de 3.77. El valor crítico al 95% de confianza es +/-1.96.

20 El año 1989 es cuando son máximos los incentivos para aumentar la captura individual en esta pesquería, dada la evolución que entonces experimentaba la polémica respecto a introducir cuotas individuales transferibles, con asignación inicial gratuita basada en presencia histórica de pesca.

21 El valor del estadígrafo Razón de Verosimilitud es 451.6, con un valor crítico de 85.3 (estadígrafo se distribuye asintóticamente como una chi-cuadrado con 84 grados de libertad). Por lo tanto se rechaza categóricamente la hipótesis de que los distintos parámetros son todos iguales entre los tres subpaneles.

22 El panel P3 dispone de la serie de tiempo más corta en nuestra muestra. Esto podría contribuir a obtener esta excepción, en forma similar a como ocurre con otros efectos testeados para P3.

23 No es evidente que las variables Antigüedad y Experiencia deban estar necesariamente correlacionadas. Lo que Experiencia pretende controlar es el posible aporte explicativo extra del efecto combinado entre antiguedad y un índice del uso acumulado de cada barco. Nuestros resultados no respaldan con claridad la significancia estadística de este efecto combinado.

24 Descripciones informales de expertos sectoriales suelen asignar clara importancia a la experiencia pesquera del capitán de cada barco, quien suele actuar como líder productivo no sólo del reclutamiento de la tripulación, sino también al guiar esfuerzos colectivos de pesca que requieren coordinación de toda la tripulación, y también al definir estrategias de búsqueda para localizar zonas con buena productividad de pesca.

25 Los resultados de signo para esta variable son consistentes en los 2 modelos de estimación que reportamos en este trabajo. La excepción (signo positivo) es el caso de P1.

26 La actual Ley Pesquera transitoria (véase Peña-Torres, 2002) permite que al inicio de cada año los empresarios pesqueros puedan asociarse operacionalmente, para consolidar el uso de cuotas individuales asignadas a barcos bajo su propiedad, y luego decidan con cuáles de esas naves pescarán durante ese año.

27 Una proporción dominante de los barcos inicialmente seleccionados por la industria son inscritos usando la figura de empresa individual, i.e. no como Asociación operacional de empresas. En abril del 2001 ocurre una segunda oportunidad para inscribir barcos bajo la figura de una Asociación operacional. Aquí el número de asociaciones inscritas supera al de inicios del 2001. La opción de asociatividad implica beneficios de eficiencia asignativa, dado que incrementa el espacio de transferibilidad (entre unidades extractivas y entre empresas) para las cuotas individuales asignadas a los barcos industriales con historia de pesca en esta pesquería.

28 Para esto usamos el promedio por barco de los scores estimados para 1994 y 1995.

29 Se pueden calcular matrices de matchings sobre la base de otros criterios; por ejemplo, según la capacidad de bodega agregada de los barcos elegidos por los industriales. Usando este criterio alternativo, nuestro modelo tiene una tasa de aciertos del 77% (tomando la capacidad de bodega agregada del panel completo), y de 61% si nos concentramos sólo en barcos del panel P3.

30 En la pesquería bajo estudio, la pesca de anchoveta y de sardina común constituyen ejemplos de especies sobre las cuales se plantean demandas extractivas en competencia por parte de flotas artesanales e industriales.

Creative Commons License Todo el contenido de esta revista, excepto dónde está identificado, está bajo una Licencia Creative Commons