[IJJ 628
2003Akademii Ekonomicznej w Krakowi.
R enata Wróbel-Rotter
Ka •• dra Ekonome'rU
Giętkie fOl"łuy funkcyjne
w analizie kosztów: modele
1. Wprowadzenie
Stochastyczne modele
graniczne (ang.s l ochaJ li e frO llli ers model.,), które wprowadzili D. Aigner,
C.A .K .Lovell i P.
Schmidt [19771 orazW. Meeu
seni J.
vanden Broeck r
1977], sąwykorzystywane
w ekonometrycznejanalizie
efektywności przedsiębiorstw,
rozumianej
w sensie M.J. Farrellar
1957].Stoso-
wanie modeli
procesów produkcyjnych do coraz szerszej
grupyzagadnieli
empirycznych przyczyniło się do poszukiwania i rozwojunowych typów
form funkcyjnych, głównietzw.
lokalnie i globalnie giętkichform funkcyjnych, które
zastąpiły stosowane
dotychczas mniej
sparametryzowane modele,np. Cobba i Douglasa.
Niniejsze opracowanie stanowi kontynuację badań zaprezentowa- nych w pracy pl. Gięlkiefo rm y funkcyjne
IVempir)'cmej anali zie kas zlu. Podej-
ście
Diewerla
iwIlioskowanie hayesuwskie [200Ic], o
publikowanejna lamach
"Ekonomisty"
i jest
poświecone globalnie gi ętkim formomfunkcyjnym
stoso-wanym
w empirycznej analizie kosztuzmiennego.
Praca ta rozszerza i uzupełnia
podejście,które
zaproponowaliG. Koop,
J. OsiewaIski
i M.F.J. Steel [1994]o formaln
eporównanie
zdolnościmodelowania procesu produkcyjnego przez
lokalnie i globalnie giętkieformy
funkcyjne na gruncie wnioskowaniabayesowskiego.
* Praca wykonana w ramach projektu badawczego nr l-H02B-022- 18 . fioilnsowanego przez Komitet B adań Naukowych. Autorka pragnie złożyć podziękowania pro f. dr. hab. Jackowi OsiewaIskiemu za cenne uwagi i wskazówki w trakcie pisania niniejszej pra9 .
Renata Wróbel-Ratler
2. Globalnie
giętkieformy funkcylne
Zastosowanie w ekonomii globalnie
giętkichform funkcyjnych, zwanych
również
formami
giętkimiw sensie normy Soboleva (ang,
Sobo/ev-flexib/e functiona/ forms), zaproponowałA.R. Gallant [1981],
wykorzystującdo aproksymacji nieznanej funkcji kosztu szereg Fouriera (ang.
FOllrier f/exib/e form,por. [Gallant 1981, 1982, 1984] , [Chalfant, Gallant
1985],[Elbadawi, Gallant, Souza 1981]). Modele te
cechują siętzw.
globalną giętkością,czyli
zdolnością przybliżania
nieznanych funkcji (np. C
(p,Q,
K)w
całychich dzie- dzinach, nie
zaś wyłącznieodpowiednich
wartościfunkcji wraz z jej pierwszy- mi i drugimi pochodnymi
cząstkowymiw arbitralnych punktach, jak to
miałomiejsce w przypadku lokalnie
giętkichform funkcyjnych. Aproksymacji nie- znanej funkcji kosztu dokonuje
sięw taki sposób, aby wszystkie pochodne
cząstkowe względem interesujących
nas zmiennych (np. cen czynników pro- dukcji)
zostały zadowalająco przybliżoneoraz aby
dokładnośćtej aproksyma- cji
wzrastaławraz ze
zwiększaniemliczby parametrów modelu, przy ustalonej
liczebności
próby. Precyzyjna aproksymacja co najmniej drugich pochodnych
cząstkowych
jest konieczna do zapewnienia poprawnego opisu procesu pro- dukcyjnego na podstawie uzyskanej funkcji kosztu. Zastosowanie szeregu Fouriera
zostałojednak skrytykowane (por. np. [Weaver 1984)): dobór liczby wyrazów jest arbitralny, przez co pojawia
się niebezpieczeństwonadmiernego dopasowania do danych empirycznych (ang.
overfitting)w przypadku próby o ustalonej
liczebności.Ponadto do aproksymacji zjawisk ekonomicznych sto- suje
sięfunkcje trygonometryczne, takie jak sinus i cosinus, co
możepowodo-
wać trudności
z zapewnieniem warunków
regularnościekonomicznej. W kon- sekwencji pierwsza globalnie
giętkaforma funkcyjna - szereg Fouriera - nie
znalazła szerszego zastosowania.
Alternatywnie
aproksymacjęfunkcji
użytecznościi produkcji wielowymia- rowym
rozwinięciemMiintza i Szatza (ang.
Miintz-Szatz series expansion)za- proponowali W.A. Barnett i A.B. Jonas [1983]. Nieznana funkcja kosztu jest
przybliżana
szeregiem Miintza i Szatza, co prowadzi do modelu globalnie
giętkiego, o zmiennej liczbie parametrów,
uzależnionejod liczby danych [Barnett, Yuc 1988].
Cechą charakterystycznąfunkcji
należącychto tej klasy jest
własność
globalnej
wklęsłościi
monotoniczności,zachowana dla
każdego rzędu rozwinięciapoprzez
nałożenierestrykcji
niezależnychod danych. Nadmierne dopasowanie do danych empirycznych nie jest
możliwew sytuacji, kiedy funk- cja
aproksymującajest globalnie regularna,
ponieważfunkcje regularne
odpowiadają
teorii mikroekonomicznej, a nie anomaliom ujawnianym w posta- ci oscylacyjnych
zakłóceńlosowych. Dla ustalonej
liczebnościpróby
zwiększanie liczby wyrazów szeregu
uwzględnianychw modelu prowadzi do bardziej precyzyjnego
przybliżeniafunkcji kosztu, a w konsekwencji charakterystyk pro- cesu produkcyjnego.
Podejścietakie
łączyw sobie
własnośćglobalnej regular-
ności
i globalnej
giętkości (wsensie asymptotycznym, tj. wraz ze wzrostem do
HI analizie koszu}),... ...
nieskończoności liczby parametrów modelu). co wydalo się idealne i zostało od- zwierciedlone w nazwaniu szeregu Muntza i Szatza modełem asympLOtycznie
ideałnym (ang. AsymplO/ically IdeaL Model . AlM; por. [Barnett . Yue 1988]).
Zdolność modelowania wybranych technołogii przez AlM, zastosowanym do aproksymacji długookresowej funkcji kosztu całkowitego. analizował m.in.
D. Terrel
r
19951. który na podstawie wygenerowanych danych pokazał. że do- brze przybliża on technologię CES zarówno w sytuacji znacznej komplementar-ności.jak i substytucyjności czynników produkcji . Zwiększenie liczby wyrazów szeregu skutkowało szybką poprawą aproksymacj i funkcji warunkowego popy- tu na czynniki produkcji oraz wygenerowane dane zostały lepiej opisane przez AIM niż przez funkcje translog i uogólnioną Leontiefa.
3.
Postaćanalityczna modelu I
załoienlaRozważmy długookresową funkcję kosztów całkowitych . w której wszyst- kie czynniki produkcji są czynnikami zmiennymi oraz funkcja ta jest jednorod- na względem produkcji
Q .
tzn. cechuje się stałym i efektami skali produkcji .Mikroekonomiczną. długookresową funkcję kosztu całkowitego można przed-
stawić jako iloczyn wielkości produkcji
Q
i funkcji kosztów jednostkowych ICpl = j(p[ • .... Pc. PK):Q(P. Q) = Qj(p), ( I )
gdzieJCp) jest tzw. agregatorem cenowym (ang . price aggrega/or). wyrażają
cym minimalny koszt uzyskania jednostki produkcji
Q
przy ustalonych cenach wszystkich czynników produkcji. Podejście półnieparametryczne do aproksy- macji tak zdefiniowanej funkcji kosztu będzie polegało na rozwinięciu agrega- tora cenowegofCp) w szereg Muntza i Szatza. a następnie przyjęciu n-tych sumczęściowychf"Cp) jako funkcji aproksymujących nieznan,! funkcję kosztu jed-
nostkowego:
C"Cp. Q) =
Qf,,(p).
Otrzymuje się w ten sposób nieskończony (gdy n -->~) c iąg modeli parametrycz- nych, których parametry. po uwzględnieniu w
C,,(p,
Q) czynnika losowego pod-legają estymacji. Kryteria doboru rzędu rozwinięcia
n
są najczęściej zależne odrozważanego zastosowania, tzn. liczby obserwacji - najczęściej przyjmuje się
kilka pierwszych sum częściowych szeregu. Jeżeli rząd rozwinięcia przestaje
mieć widoczny wpływ na oszacowania charakterystyk procesu produkcyjnego.
to jest to sygnał . że
n
jest dostatecznie duże. Warto podkreślić istotność nałożenia w procesie estymacji warunków regularności ekonomicznej, ponieważ chro-
nią one przed nadmiernym dopasowaniem modelu do danych empirycznych.
Renata Wróbel-Rotler
Założeni e stałego
efek tu skali
produkcjiw
dlugookresowej funkcji kosztumoże zostać
uc hy lo ne po pr zez
przyjęcie dość arbitralnejform y
funkcyjnejdl a produk cji Q i zapisanie
:C(P l' .. ., Pc' PK'
Q)
=Q1l'f!.P l' ... ,
Pc' PK)'gdzie 13,'
jest współczy nnikiem efektu skali produkcji , podlegającym estyma-cji.
Wce lu
dopuszczenia zmiennośc iefe ktu s k a li w ra z
ze zmianą wielkośc iproduk cj i
można wprowadzićdod a tk owy
parametr ~,i
zapisać dlugookresowąfunkcję kosz
tów
całkowitychjako [K oop, Osiewa isk i , Steel 199 4 ]:
CCpl' ""PC, PK' Q) = QII,
. P""
QfCp" ""PC, PK)'W pracy
rozważono wylącznie krótkiok re s, kiedy ka pital rzeczowy traktow a - ny je st jako
wielkośćus
talona, rozpatruje sięj ego
nakładzamiast ce ny oraz koszt z mi e nny:
Ccp
l' ... , P G'Q
, K) --QI". ' hl
-"Q j·Cp
I' ... , P G' K) .Funkcja
z mi e nne go ko
sztu jedn os tk owego
f(P l ' ... , Pc ' K ) za leży odce n z mi e nn ych czy nnik ów produkcji oraz
n akładuka p italu , z at e m jej
przybliżenieprzez
rozwinięcieMiint za i Szatza je
st niemożliwe -proponuje
się więc nastę pującą modyfikację:CCpl' ... ,
Pc, Q
, K) = Q~ ,+ " h'QK~'f(p " . .. ,
Pc)' (2)W tak za pisan y m modelu
agregatorce no wy
jest funkcją wylączniecen zmiennych
czynnik ów produk cj i
j(P) = f (p l ' ... , Pc)i
może być rozlożony w
szeregMiintza i
Szatza. Każdyz
powstałychmodeli:
C,,(p ,Q,
K) ==
QP ,.
P2IoQK~if" Cp)je st il oczy nem
n-tejs umy
częściowejszere g u
(giętkiejfor - m y funk cyj nej ) oraz
zalożonychpos tac i analitycznych dla
Qo r az K ,
co powo - duje ,
żeo tr zy mane m ode le
mogą być" malo
giętkie".Og ó lna
formułasze regu Miintz a i Szatza je st
dość skomplikowana, dlatego tutaj zapre ze ntowano
formułę naj częściej cytowan ąna
n-tą sumę częściowąG-wymiarowego roz winięcia:
2'
f"Cp) =
L a, rr p i ' '',
ZE A~ ~; ~I J
gdzie
a , to
współczynniki rozwinięci a, aA" to zb ió r 2" ,wymi arowyc h ind ek - sów z pos taci:
A n= {( " '1·12'···. ''2n )" : tl 'l.-)···· , 1. 211 E {l •.... G}' ; ' 1 - '< . 2' ... ' - '<'211} .
Suma
wykładnikówpr zy ce nach czyn ników pr o duk cji w
każdymze
składników
szereguwynosi
2". 2- "
=l, c o oz nacza,
żed owo lna sum a
częściowasze-
regu je s t
liniowo jednorod na
względem p.Prz ykl adow e
rozwinięc ia szereguMiint za i Sza tza , wykorzystane
następnie wilu
stra cj i empirycznej
, przedsta,
wiono dla dwóch ce n czy nników prod ukcji (G
= 2):w analiz.ie km'ZIÓW" ,
L Rzędu pierwszego (n = I), w którym indeksy z pochodzą ze zbioru:
A I = {(i" i 2) i I' i2 E {I , 2}; i I
<
i 2} = {(I , I ), (2, 2), (I , 2)} ; j =I.
2.Stąd
f
' f ,) p ) - a pl" p''' +a_" ll2 p "2+ a p"2p 'i2, l \J l ' ::: - I I l 1 22r 2 2 ! 2 l 2 '
czyl i
!,V']'P,)
= U,P,+ UJP2+ u
3pl l2 p i
f2II. Rzędu drugiego (n
=
2), w którym indeksy z pochodzą ze zbioru: A,=
= (Ci I ' i 2 ' i), i 4}: ; I ' ;" i 3' ;4 E {I, 2}; ; I
< ; ,
5, ; 3 5, i 4} = {( I , I , I , I), (2, 2, 2. 2),( l , I, 1,2), (l.1 , 2,2),(I ,2,2,2);j= 1, 2,3, 4 . Sqd
j . 2 {p I ' p} -2 -
a
111 1 p I li4p. 1 lf' p 1 lf' plf4 l+ a
222_n'"
2r 2 p'" p lf2 2 4p ') ,/4+
czyli
j~(]J " 1'2) =
u ,P ,
+ UJP2 +u:J' j" pl"
+u4I' 1 " pl"
+ UsPI"pj" .
Warunkiem wystarczającym globalnej wkl ęs lośc i i monotoniczności agre- gatora cenowego !(P) jest nałożenie ograniczenia nieujemności na każdy z pa- rametrów a, [Bam et!, Geweke, Walfe 1991], które to jednak może skutkować
ograniczeniem globalnej giętkości, co stanowiJo konkluzję badań symulacyj- nych przeprowadzonych przez D. Terrela
r
1995] . Warunki regularności lokal- nej - w zbiorze obserwacji bądź tylko w środku c i ężkości danych - okazują sięnajbardziej odpowiednie w zastosowaniach empirycznych, ponieważ nie elimi-
nują globalnej giętkości w sensie normy Soboleva [Gall ant , Golub 1984]. Po-
stać analityczna rozw i nięc ia Miintza i Szalza rzędu pierwszego dla dlugookre- sowej funkcji koszlów przy stalym efekcie skali produkcji jest tożsama
z uogólnionym modelem Leontiera , wprowadzonym przez W.E. Diewerta
r
197 1].Łącząc przyjęte postacie analityczne C,,(p ,
Q ,
K) funkcji aproksymujących nieznaną funkcję kosztu ze strukturą stochastyczną złożonego skladnika loso- wego zaproponowaną przez D . Aignera, C.A .K. Lovella i P. Schmidta [1 977] oraz W . Meeusena i J. van den Broecka [1977], otrzymano stochastyczną gra-niczną funkcję kosztu zmiennego (ang .
s tochas ti c !rol1tier cos t!ul1 ctiol1)
ogól- nej poslaci:Y
lt =!(x
lt , y)+
Eit A Elt = Ul+ v
lt dla i = l, .. ,N,
t = l, .. .,T,
gdzie:
Y
lt=
In Clt' czyliY
lt jest logarytmem kosztu zmiennego i-lego obiekluw kolejnych t okresach,J(x ,t , y) = InC,,(p,t' Q lt' K It) - lo postać funkcyjna slochastycznego modelu granicznego, N jest liczb'l obiektów, x lt lo wektor zmiennych objaśniających będących funkcjami p ,
Q
oraz K, y lo weklorRenata Wróbel-Roffer
parametrów giętkiej formy funkcyjn ej charakteryzujący t echnologię, \lit - składnik losowy o rozkładzie symetrycznym. Przyjmuje się standardowo, że
v
itmają niezależne identyczne rozkłady normal ne N(Q, a,2), zaś ui to nieujemna zmienna losowa reprezentująca nieefektywność; zakład a się niezależność zakłóceń losowych od nieefekt ywności i nieza leżność vit oraz lIi od zmiennych
objaśniających . Miarą stopnia krótkookresowej efektywności kosztowej EKit obiektu i w okresie t, jest: EKit
=
exp(- u i). Ze względu na anali zę krótkookresową, za lożono stałość efektów indywidualnych w czasie, zatemEK /I =EK I .
4. Estymacia modelu
Podstawy bayesowskiej analizy stochastycznych modeli granicznych opra- cowa li J. van den Broeck, G. Koop, J . OsiewaIski i M.F.J. Stecl [1994],
a następnie rozwi nęli G. Koop, J. Osiewaiski i M.F.J. Steel [1 997], definiując
bayesowskie modele losowych i stałych efektów indywidualnych, zaś warun- ki istnienia rozkładów
a posteri ori
szczegółowo omówili C. Fernandez, J . Osiewa Iski i M .F.J. Steel [1997]. W niniejszej pracy zostanie przyjęty, do definicji struktury stochastycznej złożonego skład nika losowego ~it' podstawo-wy bayesowski model efektów losowych , tzw. model o wspólnym rozkladzie
efektywności (ang .
Co mmo n Effi ciency Distriblllion,
CED) będący szczegól- nym przypadkiem modelu o zmiennym rozkladzie efektywności (ang.Varying Effic iency Distri b ulio n ,
VED). Bayesowskie modele efektów losowych trak-tują parametry rozkladów nieefektywności jako zależne
a priori,
przez co uzy- skano brzegową zależ ność zmiennych ui . W modelu CED zalożono, że ui ma-ją identyczne niezależne rozkłady wykladnicze o wspólnej średniej A: prU)
=
N
=
i ~' Je( u
i II , A-') , co oznacza uznaniedużego podobieństwa ź ró del
nieefek-tywności rozważanych N obiektów .
Statystyczny model bayesowski dla granicznej funkcji kosztu zmiennego, czyli łączny rozklad obserwacji, zmi ennych ukrytych i parametrów (przy
ustalonych wartościach zmiennych egzogenicznych) ma następującą postać:
n
N 1p( a , (3, a'; ,
U,
A - ', y I X, Z) = p( a)p«(3)p( aJ, A -') {N(Y
i I Xi (3+
i "" I
(4) +
In(Zia)+ u h,
a,YT)!c(ui II, A-'),gdzie Y(NTx I) zawiera logarytmy koszt u zmiennego, Yi to wektor o wymiarach (T x I), p(a) oraz p«(3) oznaczają rozklady a priori parametrów technologii , y = «(3', a')' (3= «(3i' (32' (33)',a=(a l, ... , af)',Xj,NTx l ) to macierz o wymiarach
(NT x 3), której wiersze mają postać: Xi' = [In{!it In2Qi InKi'), Xi jest macierzą
o wymiarach (T x 3), macierz Zi ma wymi ary (T x D ), gdzie D jest liczbą
parametrów danego rozwinięcia , np .
D =
3, wtedy wiersze macierzy Zi sąformy . w analizie koszu)w, ..
Postaci: Z = [p . I' . /' 110 P 1i2], albo D = 5, dla któreoo
z ·
= [I' . p, P 314 p,'/4. .., , 1 / . 11/ 2/{ lit ,'1\ . .., b /I lit ,_1/ III _II
P l . I,_p 1.2 p 1,4 2· l . P 2'/"1· · J, p(crI" -2 /..-) =] G (crl' -- I" 01 12 ' g 2 12){. . G (),.-II l ' - lnr) to łączny
rozldad'(I p~!{}ri
dla:
cr,~2 - precyzji symetrycznego składnika losowego, oraz A- I - odwrotności przeciętnego poziomu nieefektywności: zapisyl!;(.
I (I , B) orazf( I
I c, bl oznaczaji) odpowiednio: funkcję gęstości T-wymiarowego rozkładunormalnego o wartości oczekiwanej
a
i macierzy kowariancji B oraz funkcjegęstości jednowymiarowego rozkładu gamma o wartośc i oczekiwanej clI>
i odchyleniu standardowym
{C/b.
Parametry rozkładu a,~' założono dość arbitralnie: g I = li2 = 10-6, nie mają one praktycznie wplywu na wyniki wnioskowania, dla A -I przyjęto rozkład wykładniczy, w którym r' jest medianąa priori rozkladu efektywności; por. [Koop, Osiewaiski , Steel
19971;
dla r'przyjęto wartość
0,8,
oznaczającą prawdopodobieństwo a priori 1/2, że przedsiębiorstwo ma efektywność kOSZlową wyższą niż80 % .
Rozklad (I posteriori jest (N
+
F+
D+
2)-wymiarowym , niestandardowymrozkładem o gęstości proporcjonalnej do prawej strony wzoru (4):
p(a,~, U, cr,;' , A-II
y,
X, Z) ~ [0 -2 E'E
l
~ (a,~')<g , + NTJI2 p(a)p(~)exp - "2 - A-I (N;;
+
In r),(5)
gdzie E = Y - X~
-
In(Za) - U®I,., lT - kolumna jedynek O wymiarach (T x Il,
U
= (u" .. .,"NY'
Skomplikowana postać gęstości nie pozwala na analityczne wyznaczenie brzegowych rozkładów (I posteriori, natomiast możliwe jest, przy odpowiednim podziale wektora parametrów modelu: OJ = (a, ~, a,~', A-I U) wyznaczenie układu warunkowych rozkladów a posteriOl'i, z których przynamniej część pozwala bezpośredn i o generować liczby losowe:p(l,-I I
Ul
= fe (),.- I I I+
N, NU - In r'),(6)
, . ( " NT
+
li lg2 +
E'E ;p(a,;- I
a, ~,
U, y, X, Z) =fe a, ; - I
2 ' 2l ,
(7)N
p(U 1 a ,~,
a, ; ',
A-I, y, X, Z) ~n
f~(u
i 1 mi'a,.
T-O.5)J(U i>
O),(8)
i ::: I
gdzie: mi = (l7:Y, - I/X,~ - l/In f(Z,a) - a,: A-I)T-I , J(u i
>
O) jest funkcjąwskażnikową,
p(~ I
a ; ',
U,y,
X) == f~W
1 (I +
a; 'X'X)-1 (I~O+
a ; 'X'( Y - U®IT)) ,(I +
a;' X'X)-I),(9)
gdzie ~o,
I
oznaczają wektor wartości oczekiwanych i macierzrozkładu a priori dla ~,
p(a I~,
u ;',
U, y , X, Z) ~ p(a)exp[-O,5U,~'(E'E)] ,precyzJI ..
(10)
Renata Wróhel-Rotler
Powyższe
wzory
stanowią bezpośrednieuo
gólni
enie na pr
zypadek dan
ych przekroj
owo-czasowych wyników. które uz
yskali G. Koop
.J
.Osiewaiski i M .P.J. Steel [1994] dla przypadku danych przekrojowych. Do
wyznaczenia charakterystyk
a posterioridla parametrów tec hnologii i
wskaźników efektywnościkoszt
owej posłużąmetody Monte Carlo typu
lańcuchówMarkowa (ang.
Markov Cłwin MOllle Carlo.MCMC). G
. Koop, J.Osiewaiski i M.F.J. Steel [1994]
zaproponowali
wykorzy
staniew mod
ela
ch
graniczny
ch algorytmu Metropolisa i Hastingsa w ramach losowania Gibb
sa (por.l Wróbel- -Rotler, Osiewaiski [200Ia, b], [Wróbe l-Ratler 2001a, bl).
5. Bayesowskie porównywanie modeli I
łqczenlewiedzy
Przyjęcie różnych
postaci funk
cyjnychf(x
ir , y) stochastycznejgranicznej funkcji kosztu zmienn
egoprowad
zi do zdefiniowania konkurencyjnyc h mod
e-li. z których
następnie należy wybraćnajlepiej
opi sujący daną technologię . Nagruncie wnioskowania bayesowskiego w
sposób formalny traktuj
e sięniepew-
ność zw iązaną
z wyborem modelu poprzez
uwzględnieniezarówno obserwa
-cji,jak i wiedzy
wstępnej. Każdemu z In niezagnieżdżonychmode li MI' ... , Mm
m
przypi
suj
e się prawdopodobieństwoa
prioriP(M). takie
żeL
P(M) =I
,od-
.< = I
zwierciedlającc wiedzę co
do
możliwościopisu ob
serwacjiprzez ten mod
el, a
następnie zwzoru Bayesa otrzymuje
sięich
prawdopodobieństwaa
posteriori:P( y l M,lP(M,l P(M I Y) = . .
.1 /li ,
L
p(Y I M,)P(M,)q = 1
i do dalszego wnioskowania wybiera
sięmodel najbardziej prawdopodobny a
posteriori,czyli taki
,dla któreg
o P(M,I
Y)jest
największeprzy danych obserwacjach i
przyjętych prawdopodobieństwach a priori. Wielkości P(M,I
Y)mogą być s
ilnie
w rażliwena
zm ianęrozkladów a
prioripCw)
ora
zprawdopodobieńSlw P(M) . Zależność
od
rozkładua
prioriwynika z defini
cjibrzegowej
gęstości obserwacji p(Y I M),która jest obli
czanajako
całkaz
łącznej gęstości pryI
w,)po w, pr
zyustalonym
Y. Wpływ prawdopodobieństwa priori P(M) może być
wyizolowany poprzez
analizęszans
a posterioridla par mod
eli
(ang.
posterior odds ratio):P(M, I Y) P{Mq I Y)
P(Y IM) P(Y I Mq)
x
P(M,) P(M,)
Czynnik Bayesa B ,q (ang.
Bayes factor) , będ'ICYilora
zem brzegowych
gęstośc i wek
tora obserwacji, mierzy
relatywnąmoc
wyjaśniającąmodeli
M.,Giętkie formy . w analizie koszfÓ"v ...
oraz M, i ujmuje informacje, w jakim stopniu obserwacje potwierdzają model M.I, w 'porównaniu z modelem
Mg:
BHI > l oznacza wskazanie przez obserwacje, że model M, jest bardziej adekwatny do ich opisu [Jeffreys 1961].Wyznaczenie ilorazu szans a posleriori modeli wymaga znajomości stałych normujących rozkład a posteriori. Stosowane do przybliżania charakterystyk
rozkładu (l poster;or; metody MCMC umożliwiają aproksymację brzegowych
rozkładów a posteriori parametrów bez konieczności obliczania brzegowych
gęstości obserwacji i bez konieczności wyznaczania stałych normujących
warunkowe rozkłady a posteriori. Uniemożliwia to jednak bezpośrednie
obliczenie P(M, I Y) i należy zastosować dodatkowe metody numeryczne.
W zagadnieniach związanych m.in. z wyborem jednego z mniezagnieżdżonych
modeli metodę bezpośredniego (z pominięciem p(Y I M» wyznaczania
prawdopodobieństw (l posterior; P(M, I Y). Polega ona na wprowadzeniu zmiennej wskaźnikowej, o wartościach naturalnych, indeksującej modele i wyznaczenie dla niej rozkładu a posteriori. Podejście takie zaprezentowali m.in. B.P. Carlin i S. Chib [1995]. Zastosowanie tej metody w stochastycznych modelach granicznych nie doprowadziło do precyzyjnego obliczenia P(M, I Y),
ponieważ w sytuacji, kiedy prawdopodobieństwa a posteriori niektórych modeli są bliskie zera, metoda ta nie prowadzi do dokładnego ich wyznaczenia.
M.A. Newton i A.E. Raf tery [1994] zaproponowali przybliżenie brzego~
wej gęstości obserwacji za pomocą średniej harmonicznej z funkcji wiarygod~
ności obliczonej dla kolejnych wylosowanych wartości z rozkładu a posterior;:
L
p( Y I M) = {L~I [
2:
ftY ICJlV',
M)]~I }~I, gdzie ftY ICJlV',
M) są wartościami funkcjiI =' 1
wiarygodności. Estymator ten jest numerycznie zgodny, jednak często mało
stabilny, ponieważ odwrotność funkcji wiarygodności posiada nieskończoną wariancję. Możliwe jest w takiej sytuacji wprowadzenie funkcji wygaszającej
(ang. tuning fimctioll), lecz wtedy pojawia się problem jej specyfikacji i potencjalna wrażliwość wyników. Przyjęcie jako funkcji wygaszającej rozkładu normalnego z macierzą kowariancji i wartościami oczekiwanymi ustalonymi na poziomie wartości oczekiwanych a posteriori zostało
wykluczone przez osobliwość (z powodów numerycznych) macierzy kowariancji wszystkich (N
+
F+
D+
2) parametrów. Alternatywną metodę przybliżania brzegowej gęstości obserwacji zaproponował S. Chib [1995], która została zaadaptowana do obliczenia brzegowej gęstości obserwacji dla wybranych stochastycznych modeli granicznych (por. [Wróbel~Rotter 2001 bl).6. lIustracla empiryczna
Rozważono dwie postacie analityczne granicznej funkcji kosztu dla
rozwinięcia Miintza i Szat za rzędu pierwszego i drugiego:
ReI/ola Wróbel-Ratler
MSI:
o',
IJ- L'p
,\1'Q
,K)=Q"'·"""QKI"(ap +a_o +a_n'!2p'12)e''' '
- - l L ?J .. M 51' L M · ,MS2: C(p L' M'
p Q
, K)=Q"'·~""QK~,«1p - - l . I.+"p
v:. . M +a_nI12[7'12+a.7,<1"p)11+ .'.1"' L M 41 l. M+
a"p:'/4 p 114) el -r I',. I, M
gdzie C oznacza koszt zmienny poniesiony przez przedsiębiorstwo w danym roku,
Q
~ produkcję energii elektrycznej i cieplnej w teradżulach (TJ), K ~ sumęaktywów, PL ~ średnie wynagrodzenie jednego pracownika wraz z narzutam,PM
~ średnią cenę materiałów (tj. l TJ energii zużytych paliw). Opisując proces produkcyjny ograniczymy się do krótkookresowych elastyczności kosztu zmiennego względem produkcji EC/Q ' ceny pracy ECif' i nakładu kapitału EC/K '
W
przeciwieństwie
dorozważanych
wewcześniejszych
pracach lokalniegiętkich form funkcyjnych (por. [Wróbel-Rotter 2001a, cJ) elastyczności kosztu
względem cen zmiennych czynników produkcji dla MS l oraz MS2 zależą
wyłącznie od poziomu cen i nie są związane z wielkością produkcji czy
nakładem kapitału. Efekt skali produkcji zależy od poziomu
Q,
zaś elastycznośćkosztu względem kapitału założono jednakową dla wszystkich obiektów.
Rozkład a priori dla parametrów ai oraz ~i zostanie tak wyspecyfikowany, aby odzwierciedlał wst<;pną wiedzę dotyczącą własności mikroekonomicznej krótkookresowej funkcji kosztu zmiennego. Indywidualne parametry strukturalne nie posiadają interpretacji ekonomicznej, dlatego wiedzę
o własnościach funkcji kosztu uwzględnia si<; w modelu poprzez ich funkcje
opisujące proces produkcyjny, tj. elastyczności. Założono
a
priori. że najbardziej prawdopodobny będzie stały efekt skali produkcji, niewielki ujemny wpływ na koszt zmienny nakładu kapitału oraz przyjęto, że elastyczności względem cen sąrówne po ok. 0,5. Preferowany
a
priori jest model prostszy, tj. MS l, od modelu bardziej sparametryzowanego, tj. MS2. Opierając się na części wartościzmiennych objaśniających i powyższych informacjach otrzymano następujące
wektory wartości oczekiwanych
a
priori: ~~lSI = ~~S2 = [1 O ~O,I]', a~Sl == [O O I]' oraz a~s' = lO O I O O]'. Założono, że rozkłady
a
priori sąwielowymiarowymi rozkładami normalnymi, o diagonalnych macierzach kowariancji odpowiednio:
La
orazL"
co powoduje, że elastyczności kosztuwzględem cen czynników produkcji są ilorazami kombinacji liniowych zmiennych losowych o rozkładach normalnych, nie posiadają więc momentów.
Skutkiem tego wyłącznie na drodze symulacji z rozkładu
a
priori można badaćefekt, jaki wywiera dana macierz kowariancji
La
na indukowany rozkłada
priorielastyczności (por. [Wróbel-Rotter 200Ia]). Generuje się wektor a lli z D-wymiarowego rozkładu normalnego o wartości oczekiwanej 0.(/ i macierzy kowariancji
La'
a następnie oblicza wybrane charakterystyki procesu produkcyjnego, np. EI~'/" i buduje histogramy przybliżające ich rozkładya
priori, którychrozpf(i~zenie
oceniasię
zapomocą
kwantyli. Odchylenia standardowea
priori dla parametrów ~i zostały wybrane poprzez analizę elastyczności kosztu względemQ
oraz K (por. [Wróbel-Rotter, OsiewaIski 2001a, b]). Ostatecznie przyjęto: a~ = ai" = 0,0001, a~ = 2,9 oraz a;' = l.l _ :I I
Gięlkie ftJrmy . \V analizie kosztów ...
Oprócz zapreze nt o wania, który z dwóch modeli, MS I czy MS2, lepi ej o pi s uje obserwacje, pr ze prowadzon o
równieżich por ów nani e z
najczęściejst
oso wanymi w prak t yce lokalnie
giętkimiformami funkcyjnymi,
przyjętymidla J(.r",
y)w g r a ni cznej funkcji koszt u , o mówion y mi w pracach f Wrób e l- -Rotle r 200 I a. c ], tj
. funkcjątranslog (TR.[ Christensen
,J orge ns o n
,Lau 19 7 1],
uogólnioną
Leo nti efa (G L. [Die we rt 1 97 1 n i McFaddena ( MF, [Diew e rt
,Wales 1987)) o raz
funkcjąCobb a i Douglasa z uzmienni ony m e fektem sk a l i produkcji (COlI [C hri stensen, Gr eene 1 976 ]). Spo sób d obo ru
rozkładów {/ prioriprzedstawi o no w pracach R . Wróbe l-Rotler i J. Osiewai
skiego f2001a]dla funkcji tran s log or az R. Wróbel-R otte r [200Ia, bl dla
pozostałych.Ze
względu
na
wrażliwość prawdopodobieństw (J poslaiorim
odeli P(M,I
Y)n a
postać
rozkladu a
priori, wartości oczekiwane i odchylenia
standardow e
{/ priori zostałytak
przyjęte ,ab y info rma cja
, jaką uwzg lędnia sięw
każdy mz mo deli granicznych
, u stałonapo pr zez
analizęwybranych c ha rakter ys t yk proces u produk
cyjne go,
była zbliżona .W
każdymz modeli
wielkości opisująceproces produk cyjny
wyrażają sięzasa dniczo innymi
formułami,jednak
możliwe
jest w yb ranie parametrów
rozkładówa
prioritak, aby
rozkłado priori
dla wybran yc h
elastycznościbyl
zbliżony.Taki e
podejścienie ozna cza jedna k
, że rozkładya
prioridla wszy
stki
ch charaktery
styk proc esu pro
-dukcyjnego
będąpod o bne.
Krótkookre sowe
elastycznościkosz tu
zmi e nnego
względemce n czy nnik ów produkcji w modelach MS l oraz MS2
są zbliżonedo
otr
zyman yc h n a pod
stawie funkcji tran s log i uo gólnio nej Leontiefa (por. [Wróbel-Rotler 200 I b]), natomia st efekt skali produk cj i i
elastyczność względem kapitałupraktycznie
pokry wają sięz uzy s kanym i na podstawie funk cj i COlI.
Średniaarytmetyczna
elastycznościkosztu zmie nn ego
względem cenyprac)' dla MS l i MS2 wy no si ok
.0
,5: dla obiektówmni ej
szych pod
wzgl ędemprodukcji j es t ni eco
wyższa. Zbli żonew arlo
ki
elastycznośc iko
sz tu
względemce n
czynnikó w produk cj i
,o bliczon e dla
wartościoczekiwanych
Ci posterioripa rametrów te
chn o logii,
św iadcząo uzyskaniu
zadowalającego przybliżeni afunkcji kosztu i
mogą sugerować, żedal sz e
zwiększan ie rzędu rozwinięcia MUntza i S
zatza nie
będzie prowadzićdo popr aw y aproksymacji c harakterystyk procesu produkcyjnego
. Krótkookresow y efekt
skaliprodukcji ,
będący odwrotno ści ą elastyczności
ko
sztu
względemprodukcji, je
stw
przybliżeniu staly, dla ob iektó w
większychpo d
względe mprodukcji ni ceo
malejący,
co ogó lni e
mówiąc,ws ka z uj e na prop o rcj o naln
yw
zrost ko
sztu
zmi e nnego w od pow ie dzi na
zw i ększenieproduk cji
. E lastycznośćko sz tu
względem nakładu czy
nnika stalego -
kapi tałurzec zowego - oznacz a s p ad
ek kosztu zmienn ego o o k. 0,05
% (przyodc hyleniu standardo wym 0 ,027) w o dpowiedzi n a w
zrost
wartościak tyw ó w o l
%. Średniaarytmetyczn a
wartości
oczeki wa ny c h
a poslerioridla
wskaźników efektywnościkosztow ej EKi je st jednakowa dla MSI oraz MS2 i wynosi 0,69
(pr
zy średniej odchyleńs