Upload
balazs-banyasz
View
7
Download
0
Embed Size (px)
Citation preview
Budapesti Corvinus Egyetem
Gazdálkodástudományi Kar
Agrárközgazdasági és Vidékfejlesztési Tanszék
A búza, tönkölybúza ágazat üzemszintű
hatékonysági vizsgálata DEA és SFA
módszerekkel
Készítette: Bányász Balázs
Vidékfejlesztési Agrármérnök
2015
Szakszeminárium vezetője: Dr. Tóth József
2 / 64
I. számú melléklet
NYILATKOZAT SAJÁT MUNKÁRÓL
Név: Bányász Balázs___________________________________________________________ E-mail cím: [email protected]________________ NEPTUN kód: FSOH1X________ A szakdolgozat címe magyarul: A Búza, tönkölybúza ágazat üzemszintű hatékonysági vizsgálata DEA és SFA módszerekkel_________________________________________________________________ A szakdolgozat címe angolul: Technical efficency analysis of hungarian wheat farms with DEA and SFA__________________ Szakszeminárium-vezető (vagy konzulens) neve: Dr. Tóth József____________________________
Záróvizsgát a 2014/2015. tanév 2015. június július záróvizsga-időszakában kívánok tenni: Igen Nem
Én, ……Bányász Balázs………………………………(a hallgató neve) teljes felelősségem tudatában kijelentem, hogy a jelen szakdolgozatban szereplő minden szövegrész, ábra és táblázat – az előírt szabályoknak megfelelően hivatkozott részek kivételével – eredeti és kizárólag a saját munkám eredménye, más dokumentumra vagy közreműködőre nem támaszkodik. Budapest, 2015.………………………………………….. __________________________ hallgató aláírása Párhuzamos képzés esetén kitöltendő! Én, ……………………………………………………….……(a hallgató neve) teljes felelősségem tudatában kijelentem, hogy a jelen szakdolgozatom és a párhuzamos képzésemen leadott szakdolgozatom közötti átfedés nem haladja meg a 10% százalékot, a Tanulmányi és Vizsgaszabályzat Gazdálkodástudományi kari mellékletének II. fejezetében a 6. § (2) alapján. Tudomásul veszem, hogy amennyiben a szakfelelősök (vagy az általuk megjelölt személyek) 10%-nál nagyobb egyezőséget állapítanak meg, akkor a tanulmányi kötelezettségeimet nem teljesítettem, záróvizsgát nem tehetek. Budapest, ………………………………………….. __________________________ hallgató aláírása
TÉMAVEZETŐI NYILATKOZAT
Alulírott, ………………………………………………………. konzulens kijelentem,
hogy a fent megjelölt hallgató fentiek szerinti szakdolgozata (egyetemi/ mesterképzésben
diplomamunkája) benyújtásra alkalmas és védésre ajánlom.
Budapest, . …………………………
……………………………………. (a konzulens aláírása)
3 / 64
II. számú melléklet
NYILATKOZAT A SZAKDOLGOZAT NYILVÁNOSSÁGÁRÓL
Név (nyomtatott betűvel): BÁNYÁSZ BALÁZS
Alapszak, szak neve: -
Mesterszak, szak neve: Vidékfejlsztési agrármérnök MSc
Egyetemi képzés, szak neve: -
Szakirányú továbbképzés, képzés neve: -
Egyéb képzés neve: -
Dolgozatom elektronikus változatának (pdf dokumentum, a megtekintés, a mentés és a
nyomtatás engedélyezett, szerkesztés nem) nyilvánosságáról az alábbi lehetőségek közül
kiválasztott hozzáférési szabályzat szerint rendelkezem.
TELJES NYILVÁNOSSÁGGAL
A könyvtári honlapon keresztül elérhető a Szakdolgozatok/TDK adatbázisban (http://szd.lib.uni-
corvinus.hu/), a világháló bármely pontjáról hozzáférhető, fentebb jellemzett pdf dokumentum
formájában.
KORLÁTOZOTT NYILVÁNOSSÁGGAL
A könyvtári honlapon keresztül elérhető a Szakdolgozatok/TDK adatbázisban (http://szd.lib.uni-
corvinus.hu/), a kizárólag a Budapesti Corvinus Egyetem területéről hozzáférhető, fentebb
jellemzett pdf dokumentum formájában.
NEM NYILVÁNOS
A dolgozat a BCE Központi Könyvtárának nyilvántartásában semmilyen formában (bibliográfiai
leírás vagy teljes szöveges változat) nem szerepel.
Budapest, 2015.……………………………………
…………………………………………
a hallgató (szerző) aláírása
4 / 64
Tartalomjegyzék Táblázatok jegyzéke ......................................................................................................... 6
1. Bevezetés ................................................................................................................... 7
2. Szakmai fontosság indoklása, motiváció ................................................................... 8
3. Az ágazat bemutatása ................................................................................................ 9
3.1 A búza ágazat jelentősége .................................................................................. 9
3.2 A búza ágazat Magyarországon ....................................................................... 10
3.2.1 Input iparágak ........................................................................................... 11
3.2.2 Búzatermelés (output) ............................................................................... 11
3.2.3 Az ipari búzatermesztés ............................................................................ 13
4. Elméleti háttér ......................................................................................................... 14
5. Szakirodalom ismertetése ........................................................................................ 17
5.1 Technikai hatékonyság vizsgálata DEA-val és Tobit regresszióval ................ 18
5.2 A hagyományos modellek alulbecsülik a technikai hatékonyságot ................. 20
5.3 Az EU csatlakozás hatása a farmok technikai hatékonyságára
Magyarországon: ......................................................................................................... 22
5.4 Búzatermelő gazdaságok technikai hatékonysága Észak-Indiában ................. 24
6. Módszerek ............................................................................................................... 26
6.1 Cobb-Douglas termelési függvény ................................................................... 26
6.2 Data Envelopment Analysis ............................................................................. 27
6.3 Input slacks....................................................................................................... 31
6.4 Stochastic Frontier Analysis ............................................................................ 31
7. Adatok ..................................................................................................................... 32
8. Vizsgálat .................................................................................................................. 34
8.1 Az input-output változók meghatározása ......................................................... 34
8.2 Hatékonysági mutatók számolása DEA módszerrel ........................................ 35
8.2.1 Az inputok túlhasználata ........................................................................... 39
8.2.2 A mérethatékonysági mutató kiszámítása ................................................. 40
5 / 64
8.3 Technikai hatékonyság vizsgálata SFA módszerrel ......................................... 40
8.4 A hatékonyságot befolyásoló tényezők vizsgálata ........................................... 41
8.4.1 Magyarázó változók .................................................................................. 42
9. Eredmények ............................................................................................................. 42
9.1 DEA vizsgálat eredményei ............................................................................... 43
9.1.1 Üzemméret, munka és specializáció hatásai ............................................. 44
9.1.2 Támogatások hatásai ................................................................................. 46
9.2 SFA vizsgálat eredményei ................................................................................ 46
9.2.1 Üzemméret hatásai .................................................................................... 47
9.2.2 Termőföld minőségének hatása ................................................................ 49
9.2.3 Munka hatása ............................................................................................ 49
9.2.4 Gépesítettség ráfordítás hatása .................................................................. 50
9.2.5 Támogatások hatásai ................................................................................. 50
9.3 A DEA és az SFA eredmények összehasonlítása ............................................ 50
10. Összefoglalás és következtetések levonása ......................................................... 53
11. Irodalomjegyzék .................................................................................................. 58
12. Mellékletek .......................................................................................................... 61
I. melléklet: SFA mérethatékonysági ábrák ............................................................ 61
II. melléklet: FADN kérdőív mezőkódok (saját szerkesztés, az AKI FADN kérdőíve
alapján) ........................................................................................................................ 62
III. melléklet: Az üzemméret és a technikai hatékonyság közti kapcsolat ábráinak
adatai táblázatos formában .......................................................................................... 64
6 / 64
Táblázatok jegyzéke 1. táblázat A búzatermelő üzemek ökonómiai méretének és a hasznosított
mezőgazdasági területinek összehasonlítása .................................................................. 33
2. táblázat Cobb-Douglas termelési függvény ................................................................ 35
3. táblázat Összefoglaló statisztika a DEA változókról .................................................. 36
4. táblázat Technikai hatékonyságok eloszlása ............................................................... 37
5. táblázat Input túlhasználat, és a túlhasználó gazdaságok száma ................................ 39
6. táblázat A technikai hatékonyság OLS becslései ....................................................... 43
7. táblázat Technikai hatékonyságok eloszlása ............................................................... 47
8. táblázat A technikai hatékonyság heteroszkedaszticitásra korrigált becslései ........... 48
9. táblázat A technikai hatékonyság és mérethatékonysági mutatók összehasonlítása .. 51
10. táblázat A technikai hatékonyságok eloszlása az üzemek között, összehasonlítás .. 51
11. táblázat A technikai hatékonyságokat befolyásoló tényezők vizsgálatának
eredményei, összehasonlítás ........................................................................................... 53
7 / 64
1. Bevezetés A szakdolgozat a búza, tönkölybúza ágazat üzemszintű hatékonysági vizsgálatát járja
körbe ökonometriai módszerek használatával. A kutatási projekt magyarországi
üzemekről gyűjtött 2013. évi statisztikai adatokkal, az Agrárkutató Intézet (AKI)
segítségével, empirikus módon közelíti meg a termelő üzemek teljesítményét az adott
ágazatban.
A szakdolgozat tematikája a kérdéskör körülhatárolásával és indoklásával kezdődik.
Bemutatásra kerül a releváns szakirodalom, majd a kutatási módszerek és a
rendelkezésre álló adatok bemutatás a következik. Ezután ismertetem az alkalmazott
ökonometriai módszerek specifikációját és az eredményeket. A kutatást lezáró
összefoglalásban összegzem a felvetett kérdésekre kapott válaszokat, és hogy ezek
hogyan illeszkednek a bemutatott szakirodalom következtetéseihez és megállapításokat
teszek a búza, tönkölybúza ágazat üzemszintű hatékonyságára. A kutatási kérdéseimet
alább fogalmazom meg.
A kutatási projektben azt vizsgálom ökonometriai módszerek segítségével, hogy milyen
tényezők befolyásolják a magyar mezőgazdasági üzemek búza és tönkölybúza
termelésének hatékonyságát.
Technikailag hatékonyabbak-e a nagyobb gazdaságok?
A mérethatékonyság az agrárközgadaságtan egy közismert problematikája, aminek
kapcsán a mikro ökonómiai modellek a nagyobb üzemmérettel járó nagyobb technikai
hatékonyságra hivatkoznak. Például egy kisebb, 5 ha földterülettel rendelkező üzem,
nem tud gazdaságosan gépesíteni, ami kézimunka használatához vezet és a bérköltségek
növekedése csökkenti a hatékonyságot. Megvizsgálom a specializációt is, ami a
búzatermesztésre használt szántók aránya a teljes üzemmérethez képest.
Pozitívan befolyásolják-e az állami vagy uniós támogatások a gazdaságok
hatékonyságát?
Az agrárpolitikai programok hatékonysága folyamatos kérdés, és az Uniós
csatlakozással (Magyarország 2004-ben csatlakozott az Unióhoz) a Közös Agrárpolitika
(KAP) hatékonyságának folyamatos vizsgálata is fontossá vált Magyarország
szempontjából. (Ld. a KAP reformjai, a KAP-ról folytatott konzultációk.) Az állami
beavatkozások kudarcainak számos oka lehet, úgy, mint a megvalósítás problémái, a
8 / 64
nem szándékolt mellékhatások, kompetencia, méltányosság elve, költséghatékonyság,
bürokrácia és munkavállalói szuverenitás. Továbbá kérdés az Unió pénzügyi elveinek
betartása is a támogatások hatékonyságának tekintetében: azok jogszerűsége és
szabályszerűsége, csalás hatékony és visszatartó erejű megelőzésének biztosítása, a
szabálytalanságok és csalás megelőzése, szankciók, jogosulatlan kifizetések
visszafizettetése, arányosság (1306/2013/EU Rendelet 58. cikk alapján). A
szakdolgozatban azt vizsgálom, hogy a nemzeti vagy uniós, támogatások statisztikailag
jelentősen befolyásolják-e a technikai hatékonyságot.
Hogyan befolyásolják az egyéb tényezők a technikai hatékonyságot?
A korábban említett technikai hatékonyságot a felhasznált inputok összetétele és
mennyiségén kívül egyéb tényezők is befolyásolják, mint például a gépesítettség
aránya, a családi vagy alkalmi munka, vagy a bérelt mezőgazdasági gépek
használatának aránya. Ezeknek az inputoknak a jelentőségét illetve az aranykorona
érték, mint nem befolyásolható adottság hatását is meg szeretném vizsgálni egyesével
az ökonometriai módszerek segítségével.
2. Szakmai fontosság indoklása, motiváció A búza (Triticum Aestivum) illetve a tönkölybúza a legrégebbi termesztett növények
közé tartozik. Az első ismert előfordulási helye a termékeny félhold területe, a Közel-
Keleten már ie. 6000-5000-ben felfedezhető volt az első domesztikálódott alakor,
Kínában ie. 2700-tól termesztették. A búzafajok a változatos éghajlati igényük és jó
alkalmazkodó képességük miatt a világ nagy részén elterjedtek. Felhasználása sokrétű:
kenyérgabona, abraktakarmány, alomanyag, ipari alapanyag és (erőmű fűtőanyag).
Érdekesség, hogy génmódosított búza (GM) 2013-óta nincs kereskedelmi forgalomban.
Európában 34, Amerikában 419 kísérletet végeztek eddig (pl. MON 71800). Az egyik
legismertebb kutatócsoport a Monsanto Company amerikai vállalat. Elterjedési területét
tekintve a világ nagy részén megtalálható. Emberek millióinak a tápláléka, könnyen
szállítható, tárolható és számos táplálék előállításához használják. Élelmiszerbiztonsági
szempontból stratégiai fontosságú (Alemdar 2006). A búza minőségének szempontjából
az időjáráson kívül három tényező játszik fontos szerepet: a fajtája, az ökológiai
tényezők illetve az agrotechnika (pl. talajművelés, tápanyagpótlás, vetésváltás). Az
intenzív mezőgazdaságban az agrotechnikai tényezők szerepe magasabb, az extenzív
(ökológiai) gazdálkodásban az ökológiai tényezőké. A búza fajtáját a vetőmag-ipar
9 / 64
határozza meg, és ide tartoznak a korábban említett génmódosított növények is.
Szakdolgozatomban az intenzív gazdálkodás technikai hatékonyságával foglalkoztam.
A búza:
1) az egyik legalapvetőbb élelmiszer alapanyag,
2) Magyarország legjelentősebb mezőgazdasági ágazata a kukoricával együtt,
3) tipikusan nagy üzemméret mellett a leggazdaságosabb a termesztése,
4) a növényvédőszer, műtrágyahasználat és az alkalmazott technológia nagyban
befolyásolja a hozamot,
5) világszerte hasonló termelési technológia, de különböző üzemméret és
tőkeellátottság jellemzi.
A következőkben bemutatom a magyar búzatermelő ágazatot és sajátosságait a
rendelkezésre álló adatok és szakirodalmak alapján. Az ágazat bemutatásakor törekszem
az aktuális helyzet bemutatására, amiben külföldi és hazai adatbázisokra támaszkodok.
A vizsgálódást igyekszem a 2013. évre fókuszálni, hogy az AKI által rendelkezésre
bocsátott adatok releváns kontextusba kerüljenek.
3. Az ágazat bemutatása Magyarország természeti adottságairól köztudott, hogy nagyon kedvezőek a
mezőgazdasági termeléshez. A mezőgazdasági termelés legfontosabb tényezői a talaj, a
csapadék és a napsütéses órák száma. A megfelelő adottságokon felül szükség van az
alkalmazott technológia helyes megválasztására a maximális hozam és minőség
eléréséhez. Ezek mellett a szántóföldi növénytermesztés, és ezen belül a búza ágazat az,
ami a legjobban ki van téve az időjárás változásainak, ami meglátszik a termelés
mennyiségének ingadozásán is.
3.1 A búza ágazat jelentősége A búza magyarországi vetésterülete több mint fél százalékát teszi ki a világ 219 millió
hektáros búzatermő területének, az Európa Unió búzatermő területeinek pedig 4,2
százalékát adja. Az átlagos hozama alig marad el az EU átlagtól, és felülmúlja a világ
átlaghozamát. Magyarország nettó búza exportőr, a világ búzaexportjának 1 százaléka
indul innen, ezzel 13. vagyunk a világranglistán (Workman 2015).
10 / 64
3.2 A búza ágazat Magyarországon A fent említett kedvező természeti adottságoknak köszönhetően széles választékban
termesztenek gabonaféléket Hazánkban, úgymint: kukorica, búza, árpa, tritikálé, rozs,
zab, rizs, köles és cirok. Az 1. ábra1. ábra megmutatja a gabonafélék betakarított
területének alakulását 2011-2013 között. Látható, hogy a legnagyobb betakarított
területtel a kukorica, majd a búza és végül az árpa rendelkezik. A búza betakarított
területe a 2012. évtől megközelíti a kukorica területét. A maradék gabonafélék
vetésterülete láthatóan változatlan.
1. ábra Forrás: (KSH 2004-2013)
A gabonaszektor hat egymásra épülő szintjéből a második szinttel, a gabonatermeléssel
és azon belül is a búza termelésével foglalkoztam. A gabonaszektor hat szintje (Lehota
2003):
1. input iparágak: vetőmag előállítás, műtrágya, növényvédőszer-gyártás, gép- és
alkatrészgyártás, mezőgazdasági szolgáltatások;
2. gabonatermelés: búza, kukorica, rizs, árpa, rozs, zab, triticale;
3. elsődleges feldolgozás: malomipar, keverék-takarmány gyártás, keményítő
gyártás, izocukor-gyártás;
0
200000
400000
600000
800000
1000000
1200000
1400000
2011 2012 2013
Hek
tár
Gabonafélék betakarított területei 2011-2013
Búza Kukorica Rizs Árpa Rozs Zab Triticale
11 / 64
4. másodlagos feldolgozás: sütőipar, tésztaipar, édesipar, állateledel-gyártás,
bioetanol-gyártás;
5. élelmiszer-kereskedelem, vendéglátás;
6. fogyasztó.
3.2.1 Input iparágak1
A Magyarországon termesztett búzafajták 70%-a magyar (Váradi 2008), ezért kisebb
szerepet játszik a külföldi vetőmag előállítás. A vetőmag-gyártás két központja
Martonvásár és Szeged. Jelentős szerepe van a nagy- és kiskereskedőknek is a vetőmag
értékesítésében.
A műtrágya felhasználásban a nitrogén műtrágyák 70%-a hazai, míg a foszfor és kálium
műtrágyákat teljes mértékben külföldön állítják elő (Váradi 2008). A 2013. évben 343
ezer tonna nitrogén, 76 ezer tonna foszfor és 71 ezer tonna kálium műtrágya
hatóanyagot értékesítettek, összesen 490 ezer tonnát. Az egy hektárra jutó műtrágya 92
kg volt.
A növényvédőszer piac 20%-a hazai, aminek 49%-a gabonatermelést célozza (Váradi
2008). Magyarországon 2013-ban összesen 7745 tonna növényvédő szert hoztak
forgalomba. Ez kevesebb volt, mint a megelőző két évben. Sokszor a növényvédő
szerek és a műtrágyák széles választékának nem ismerete miatt termelnek a gazdaságok
saját technikai hatékonyságuk alatt.
A mezőgazdasági gépek nagy részét külföldön gyártják. Hazánkban csak 13%-ukat
állítják elő. Általánosságban elmondható, hogy a gazdák kifejezetten ár érzékenyek a
gép- és alkatrészpiac tekintetében is, és tőkehiánnyal küzdenek. Megállapítható még,
hogy az értékesítési darabszám nagyon alacsony. A használt gépek beszerzése jellemző
volt, ezeknek azonban magasabb a fenntartási és szerviz költségük illetve alacsonyabb a
hatékonysági szintjük is, probléma az alkatrészek hiánya. (Váradi 2008) Összefoglalva,
a gépesítettség szintje és minősége komoly technikai hatékonysági problémákat
okozhat.
3.2.2 Búzatermelés (output)
A búza a második legnagyobb mennyiségben termelt mezőgazdasági termény
Magyarországon. A búza vetésterülete meghaladja az 1 millió hektárt. A KSH adatai
alapján a búza és tönkölybúza magyarországi vetésterülete mintegy 7%-al csökkent
1 A statisztikai adatok forrása: KSH (2004-2013)
12 / 64
2004 és 2013 között. A termésmennyisége 15%-al csökkent ebben az időszakban. A
búza éves hozama 3.3 t/ha és 5.5 t/ha között mozog. A 2013. év első hat hónapjában az
összes búzakészlet 64 %-át élelmezésre szánt, 36 %-át takarmányozási célú búza adta
(NAK 2014). A búza átlagos exportja 1.5 millió tonna körül mozog, importja kb. 300
ezer tonna volt 2013-ban (FAOSTAT 1993-2013). Ez alátámasztja Magyarország nettó
búzaexportőr helyzetét. (Ld. még A búza ágazat jelentősége fejezetben.) A búza
hozamának alakulását Magyarországon az alábbi grafikon ábrázolja (2. ábra). A
búzatermelés hozama növekedett (ld. 2. ábra trendjét), nagymértékű változások
jellemzik. Az átlagos műtrágyahasználat a KSH adatai alapján (KSH 2004-2013) 16%-
al csökkent, 2013-ban 375 kg/ha volt a mezőgazdaság egészében. A műtrágyázott
alapterület ehhez képest csupán 7%-al csökkent, 3 045 698 ha volt 2013-ban.
2. ábra 1 Hg = 0.1 kg (FAOSTAT 1993-2013)
Összehasonlítás képpen bemutatom a magyar gabona hozamot az öt legmagasabb
hozamot felmutató ország tükrében (3. ábra). Az adatok az 1993-2013 közötti átlagot
mutatják. Jól látszik, hogy Hazánk átlaghozama az első öt legmagasabb hozamú ország
felét éri el, 3968,955 kg/ha.
0
10000
20000
30000
40000
50000
60000
Hg/
Ha
Év
Magyarország gabona hozama 1993-2013 között (Hg/Ha)
Trend (lineáris)
13 / 64
3. ábra 1 Hg = 0.1 kg (FAOSTAT 1993-2013)
Ahogy fentebb már bemutattam, a búza a második legjelentősebb szántóföldi
növényünk, a magyar szántóterület vetésszerkezetét a gabonatermesztés arányának
dominanciája jellemzi. A szántóterület 28%-a búza, ami az idők folyamán eltolódott a
kukorica javára (az arányok az előállított termény tömegében 1993-2013 évi átlagban2:
kukorica 6459511.476 tonna, búza 4340644.619 tonna, takarmány lucerna 4191156.895
tonna, takarmány kukorica 3001175.905 tonna, cukorrépa 2346364.476). A költségek
alakulásában 10%-os növekedés volt tapasztalható 2012/2013-ban a termelési költség
oldalán, míg az átlag hozam 8%-al csökkent. Egy másik összehasonlításban azonban
2012/2011-ben a búza értékesítési ára 21%-al nőtt (Kertész 2012). A rendelkezésre álló
önköltség és értékesítési átlagár adatokból kiszámolható a döntéshozatali egységek
(DMU) jövedelemhelyzete. Számítások nélkül is látszik az üzemek teljesítményének
ingadozása a felsorolt vetésterület, hozam, költség és értékesítési ár paraméterek
tekintetében. A fentebb felsorolt paraméterek jelentősek a teljesítmény
meghatározásában, és ezek mellett a költségszerkezetet adó vetőmag-, műtrágya
mennyiség, növényvédelem, gép használat, munkabér, földbérlet paraméterek
segíthetnek megállapítani a döntéshozatali egységek hatékonyságát (Kertész 2012).
3.2.3 Az ipari búzatermesztés
Ez a termesztési mód a folyamatos technikai fejlődés hatására alakult ki a most ökológia
gazdálkodásnak keresztelt termesztési módból. Intenzív termesztési módnak is nevezik.
A két cél, ami a fejlődést vezérelte a biztonságosabb terméshozam és a hatékonyabb
2 Forrás: (FAOSTAT 1993-2013)
85394,83 85045,46 83919,0278102,38 76689,12
39689,55
0,0010000,0020000,0030000,0040000,0050000,0060000,0070000,0080000,0090000,00
Hg/
Ha
Az első öt legmagasabb hozam és Magyarország (1993-2013 átlag)
14 / 64
munkaerő felhasználás volt. A technikai fejlődésig a gabonatermesztés nagyon
munkaerő intenzív ágazat volt, ami ugyan úgy jelentett kézimunka igényt, mint állati
erőt.
Az egyik legfontosabb aspektusa a búzatermesztésnek a talajművelés. Változatos
gabonafajták termelésekor költséges a különböző fajtáknak megfelelő gépesítést
(technikát) megteremteni. Ezzel szemben a specializált üzemek olcsón végre tudják
hajtani a talajművelési munkákat, mivel korlátozott számú fajtával foglalkoznak. A
multi funkciós, és moduláris gépek megjelenése megoldhatja a különböző igényeket,
azonban ezek a megoldások nagyon drágák, és nem is jelentenek minden problémára
megoldást. Tehát összességében a változatos fajokat termesztő vetésforgó használata
költséges, ezen felül magas szaktudást igényel. Másrészről a specializáció; vetésváltó
vagy monokultúrás termesztés költségcsökkenéshez vezet a specializált gépek illetve
szaktudás miatt.
Azonban a monokultúrák hátulütője a talajminőség fokozatos romlása. A talajminőség
romlásának következményei a kimerülő tápanyag készlet, műtrágya felhalmozódás,
nitrát szennyezés, az azonos szántásmélység a termőtalaj alatti talajréteg
megkeményedéséhez vezet, ami belvízkárt okoz (Váradi 2008). Mindezek a problémák
megnövelik a gépek, üzemanyag, energia, víz és további kemikáliák iránti igényt, és
tovább növelik a monokultúrából adódó negatív hatásokat. Mivel a talaj helyhez kötött,
így károsodásának javítása vagy lehetetlen, vagy nagyon költséges.
Összességében elmondható az intenzív búzatermesztésről, hogy hatékonysága nem
növelhető határozatlan mértékig, és nagyon sok negatív folyamatot indíthat el egy idő
után, amik már a technikai hatékonyság romlásához, a termésmennyiség csökkenéséhez
vezetnek. Ilyen például a túlzott specializáció, és a monokultúrák használata a
termesztésben. A talaj minőségének helyreállítása nagyon költséges vagy szinte
lehetetlen, és a megnövekedett tápanyag utánpótlás csökkenti a technikai hatékonyságot
is.
4. Elméleti háttér Az agrárgazdaságtan Goodwin szerint a „szűkösen rendelkezésre álló erőforrások
allokációja azok között a versenyző és alternatív felhasználási lehetőségek között,
amelyekkel a mezőgazdasági terméket megtermelik, feldolgozzák, elosztják és
fogyasztják”. (John W. Goodwin, az agrár közgazdaságtan professzora)
15 / 64
A technikai hatékonyság fontossága megérthető a szűkösség problémájának
felvázolásán keresztül. A termelés alapja a föld korlátozottan áll rendelkezésre. Emberi
erőfeszítés által nem bővíthető, így a termelés maximumára kell törekedni az emberi
szükségletek kielégítésének érdekében. A gazdaságtan más területeihez hasonlóan az
agrárgazdaságtan célja az, hogy bemutassa azokat a gazdasági alapelveket amelyek a
racionális mezőgazdasági üzletvezetéshez szükségesek.
A technikai hatékonyságot meghatározó görbe a termelési függvény, vagy más néven az
input válasz görbe (Input Response Curve, IRC). Legegyszerűbb formája az
egyváltozós termelési függvény, ahol egy fajta inputból egy outputot gyárt a
gazdálkodó. Ez természetesen a valóságban nem így működik, a búzatermeléshez több
fajta inputra van szükség, és az értékesített búzán kívül melléktermékek is keletkeznek,
amiket szintén értékesítenek, ilyen a szalma. A termelési függvény azt mutatja meg,
hogy adott technológia szint mellett, adott input kombinációk esetében mekkora
maximális output érhető el a termelésben. Az összefüggés egyben a technológia szintjét
tükrözi vissza. Tehát az input válasz görbe egy termelési lehetőség görbe. Ezért a
termelési függvény a termelés gazdaságtan egyik központi eleme. A klasszikus input
faktorok a 1) földterület, 2) munka és 3) tőke. A fent említett termelési függvényt, vagy
IRC-t a 4. ábra mutatja.
4. ábra Termelési függvény (saját szerkesztés)
Ebben az esetben az input mennyiséget a J pontig növelhetjük, úgy, hogy a kibocsátás,
az Output mennyisége, elérje a maximális értéket. Még több input hozzáadásával, a III.
szakaszban, az output mennyisége csökkeni fog.
16 / 64
A szakdolgozat témája az üzemek technikai hatékonysága. Ezt a legkönnyebben a 4.
ábra segítségével lehet szemléltetni, ahol a görbe az adott technológia termelési
lehetőségét mutatja. A technikai hatékonyság az egész görbére érvényes. A görbe felett
termelni technológiailag lehetetlen, alatta termelni pedig hatékonytalan. Azok az
üzemek hatékonyak, amiknek termelése valahol a görbén helyezkedik el. A gazdák
természetesen saját profitjukat maximalizálják, tehát az IRC-n a legnagyobb
profitszintet választják.
A gazdálkodókkal szemben két elvárás van, az egyik, hogy legyenek technológiailag
hatékonyak. A másik, hogy legyenek gazdaságilag hatékonyak. Tehát az IRC görbe a
termelő számára lehetséges technológiai megoldásokat mutatja. Az ökonometriai
módszerek ezeket a görbéket becsülik meg minden adott gazdaságra, majd
megállapítják a gazdaság milyen távol helyezkedik el a görbe alatt. Azok a gazdaságok
amik a görbén helyezkednek el technikailag hatékonyak.
A növekedésnek két mozgatórugója van a gazdák számára. Az első az árak változása.
Ezzel a szakdolgozatban nem foglalkoztam, mivel a technikai hatékonyságot
vizsgáltam. A másik növekedési forrást, az új technológia alkalmazását fogom röviden
bemutatni. Az új technológiának két fajtája van, az egyiknél ugyan annyi output
előállításához kevesebb input szükséges, a másiknál több inputtal több outputot lehet
termelni. Az első technológia balra tolja el a termelési lehetőség görbét, a második
technológia felfelé, így lehetővé teszi több output előállítását. Az első termelési görbe
felett lehet termelni. Egy példán keresztül bemutatom a két fajta technológiát.
Az Amerikai Egyesült Államok 1880-1935 között sikeresen növelte kibocsátását az
inputok felhasználásnak növelésével. Az 5. ábraán jól látható, ahogy a kibocsátás
növekedésével együtt mozog az input, míg a termelékenység (produktivitás) nem
változik egészen 1940-ig.
17 / 64
5. ábra Összes output, input és produktivitás (1880=100), az USA és Japán, 1880-1980
között forrás: (Hayami 1985).
Japán ezzel ellentétben már 1880-tól kezdve hatékonyabban használta fel adott
mennyiségű inputját, amivel az USA-hoz hasonló módon növelte az output
mennyiségét. A termelékenységi görbéjén látszik a növekedés. A két ország között az
inputok hatékonyabb felhasználásában volt különbség.
A technológiai fejlesztésnek több célja lehet. Forrása a kutatás-fejlesztés, az egyetemi
oktatás, új eljárások, anyagok, gépek kifejlesztése és terjesztése. A fejlesztés céljai
irányulhatnak:
a munka termelékenységének fokozására,
a munkafeltételek javítására,
a terméshozamok növelésére,
a választék bővítésére,
vagy a minőség javítására.
5. Szakirodalom ismertetése Az alábbiakban ismertetek egy 2006-os törökországi tanulmányt a technikai
hatékonyság vizsgálatról a búza ágazatban Délkelet-anatóliai farmokon illetve egy
másik tanulmányt a búza ágazatból Magyarországról. Összehasonlítás képpen a
törökországi tanulmány a választott vizsgálatai módszereimmel készült (DEA illetve
18 / 64
regressziós statisztikai módszer), míg Baráth és Fertő tanulmánya a DEA pontosságát
vitatják az SFA technikai hatékonyság elemzés tükrében, ami látens technikai
hatékonyságot mutat a farmoknál.
5.1 Technikai hatékonyság vizsgálata DEA-val és Tobit regresszióval (Alemdar
2006): Alemdar és Ören (2006) a technikai hatékonyság vizsgálatára tanulmányt végeztek
2000-2001 között a Törökország Délkelet-anatóliai régiójában fekvő farmokon. Első
lépésben input-orientált Data Envelopment Analysis-t (DEA) használtak a technikai
hatékonyság mutatók kiszámolásához, majd Tobit regresszió segítségével azonosították
a technikai hatékonyságot meghatározó tényezőket. A tanulmány motivációja az, hogy
szabadpiaci politikája miatt Törökország kivezeti régi támogatási rendszereit, amivel a
gazdálkodókat hatékonyabb termelésre ösztönzi. Ebben az időszakban a döntéshozók új
támogatási politikákat keresnek, mindenek előtt azonban meg kell vizsgálni és tisztázni
kell a meglévő hatékonysági szinteket meghatározó tényezőket. A tanulmányban 193
búzatermelő gazdaságot vizsgálnak a technikai hatékonyság megállapításához.
A hatékonyságelemzés általában vagy parametrikus (ökonometriai) vagy nem
parametrikus (matematikai programozású) modelleket használ, mindkettő egy termelési
határ függvényében számolja a termelési egységek (DMU-k) technikai hatékonyságait.
A Cobb-Douglas vagy Translog modellek például parametrikusak; a termelési függvény
paraméterei statisztikai módszerrel vannak meghatározva. A DEA nem parametrikus,
lineáris programozáson alapuló termelési határ becslő módszer. Az egymáshoz
viszonyított hatékonyságokat méri meg a vizsgálandó DMU-k között, tekintettel arra
hogyan alakítják át az inputokat outputtá. Matematikai gyökerei Chames és Cooper
(1978) munkájára vezethetők vissza. Ők vezették be a CCR modellt, ahol fix volt a
skálahozadék. A későbbi modellek, pl. Banker et al. (1984) modellje a BCC konvexitást
adott a skálahozadékokhoz, így bevezette a változó skálahozadékot. Később
továbbfejlesztették a modelleket, és számos többlépcsős modell született, hogy a
legjobban meghatározhassák a hatékonyságot, vagy mértékegységekre közömbössé
tegyék a modelleket.
Alemdar és Ören (2006) egyik alapfeltevése miatt, miszerint a gazdáknak több
lehetőségük van az inputok befolyásolására, mint az outputokra, egy input orientált
DEA modellt használtak. Az egyetlen output változó, amit használtak maga a
búzatermés volt. Inputjaik a vetőmag, nitrogén, foszfor, összes munkaóra, teljes
19 / 64
gépesített munkaóra és az összes növényvédőszer költsége voltak. A változókról
statisztikai táblázatot is készítettek, ami tartalmazza a minimum-maximum értékeket, az
átlagot és a szórást. A szignifikáns szerepet játszó inputokat előzetesen egy Cobb-
Douglas féle termelési függvénnyel azonosították. Az eredmények nem cáfolták meg az
inputok pozitív hatását a termelésre, azonban csak a vetőmagot, a munkaórát és a
növényvédő szert találták statisztikailag szignifikánsnak. Ez a cikkírók véleménye
szerint a búzához hasonló gabonáknál az elvárásoknak megfelelő részeredmény.
A DEA eredményeket a DEAP 2.1 szoftver segítségével számolták ki (Coelli, 1996);
konstans skálahozadékot (CRS) valamint változó skálahozadékot (VRS) feltételezve. A
DEA eredményeket Tobit regressziós modellel magyarázták, hogy felfedjék a technikai
hatékonyság statisztikai okait. A vizsgált összefüggések a következők voltak: a
gazdaság vezetőjének életkora és iskolázottsága, parcellák száma, családi munka
aránya, búza szántóterülete és a búza által képviselt terület százaléka a teljes terület
arányában, ami a specializációt mutatta.
A törökországi tanulmány eredményei alapján 193 gazdaságból konstans
skálahozadékkal parametrizált DEA elemzéssel 30 volt teljesen hatékony, míg változó
skálahozadékkal számolva 82 bizonyult teljesen hatékonynak (hatékonysági értékük
egyenlő 1,00-el). Az átlag hatékonyság 0,83 volt, ami azt jelenti, hogy – figyelembe
véve hogy ez egy input orientált modell – 17%-al csökkenthetik input költségüket
azonos termelési szinteket tartva. A többi gazdaságnál a hatékonytalanság oka a
cikkírók szerint vagy a mérethatékonyság figyelmen kívül hagyása vagy az erőforrások
rossz használata. A mérethatékonyság a farmokon belül 0,78 volt, ami elég magasnak
számít, így a nem hatékony teljesítményhez főként a helytelen input felhasználás
vezethetett.
Az input felesleg meghatározására az ún. input slack számítást szokás a DEA
elemzésekben használni. Az input felesleget vagy hiányzó outputot hívják angolul
„slack”-nek (Hayes 2005). Alemdar és Ören megvizsgálták az inputok slack-jeit, és a
túlzott input felhasználást a gépesítésben és a műtrágya használatban találták 25 és 23%
körül, megfelelően.
Továbbá a Tobit modellel nyert eredmények rámutatnak még a parcellák számának
negatív hatására, vagyis hogy kevésbé mutatkozik hatékonynak felaprózott területen
termelni. A műtrágyahasználat hatékonytalansága egy másik dologra világít rá, a
20 / 64
talajelemzés fontosságára; hogy a gazdák pontosan meg tudják válogatni a megfelelő
talajjavító szereket (foszfor vagy nitrát). A gazda iskolázottsága rámutatott arra, hogy a
tanultabb farmerek a gazdaságon kívüli jövedelemszerzéssel is foglalkoznak, így ez
negatívan hat a gazdaság teljesítményére. Ez, és a gazda életkora azonban nem voltak
statisztikailag szignifikánsak 10%-os konfidencia intervallum mellett sem. A családi
munkaerő aránya és a földméret azonban pozitívan befolyásolták a hatékonyságot. A
szerzők a technikai hatékonyságon kívül az allokációs hatékonyság és gazdasági
hatékonyság kutatását javasolják még. Emellett még felhívják a figyelmet a
tanulmányukban nem vizsgált tényezők jelentőségére is, mint pl. a mezőgazdasági
munkák időzítésére, aminek kapcsán azt a következtetést vonják le, hogy egy ilyen
modellhez nagyobb mennyiségű adat szükséges.
5.2 A hagyományos modellek alulbecsülik a technikai hatékonyságot (Baráth
2012): Baráth és Fertő (2012) a magyar specializált szántóföldi növénytermesztő üzemek
technikai hatékonyságát vizsgálták az MTA gondozásában megjelent
műhelytanulmányukban. Magyarországon hiánypótló volt a Stochastic Frontier
Analysis (SFA) módszerű megközelítésük a témában, és arra jutottak, hogy a
hagyományos, azonos technológiát feltételező (ez az SFA) és a látens osztályok
modelljeinek összehasonlítása (ez az LCM) megmutatja, hogy a hagyományos modellek
alábecsülik az üzemek technikai hatékonyságát.
Azért vizsgálták a szántóföldi növénytermesztést, mert az hagyományosan a magyar
mezőgazdaság egyik kulcságazata. Kiemelem a kutatásukban említett Bakucs és
szerzőtársai (2010) eredményét, akik az Európai Uniós csatlakozás előtti és utáni (2004-
ben csatlakoztunk az Unióhoz) technikai hatékonyságot vizsgálták a mezőgazdaságban,
és arra jutottak, hogy a csatlakozást követően kapott nagyobb összegű támogatások
hatása negatív volt a technikai hatékonyság szintjének alakulására (Bakucs 2010).
Baráth és Fertő (2012) azért választották az SFA módszert, mert a DEA módszerrel
ellentétben jól alkalmazható a magyar mezőgazdaság esetében gyakran jelentkező
kiugró értékekre és mérési hibákra. A szerzők az AKI tesztüzemi rendszerének adatait
használták, ami a 2 európai méretegységet (EUME3) meghaladó üzemekre nézve
3 EUME: Európai méretegység: A gazdaságok ökonómiai méret (üzemméret) szerinti osztályozásának
egysége. 1 EUME egyenlő 1200 euró SFH értékkel. SFH: Standard fedezeti hozzájárulás: az egyes
jellemző mezőgazdasági tevékenységek esetében, adott régióban az átlagos helyzetnek megfelelő bruttó
árrés értéke, amely a bruttó termelési érték és a közvetlen változó költségek különbsége. (Baráth 2012)
21 / 64
reprezentatív mintának számít. Évente 184 megfigyelést tartalmazó mintájukból
outputként az üzemek teljes kibocsátását (ezer Ft), inputként pedig az éves
munkaerőegységet4 (ÉME), mezőgazdasági területet (ha), befektetett eszközöket (ezer
Ft) és a növénytermesztés speciális költségeit (ezer Ft) használták a modellben. A
technológiai haladást a t (idő) változó és a t négyzetes tagjával becsülték. Empirikus
modelljük becsléséhez transzlog függvényformát használtak, és a Limdep
programcsomaggal végezték a becsléseket.
„A változók logaritmikus transzformációja által képviselt kötöttség is feloldható Box–
Cox [1962] idevágó eredményeinek felhasználásával. Az úgynevezett Box–Cox-
transzformáció olyan általános transzformációs forma, amelyet valamely adott x
változóra a következőképpen lehet felírni (1):
𝑔(𝑥) =𝑥𝜆−1
𝜆, (1)
és amelynek mind a logaritmikus transzformáció (λ → 0), mind pedig a lineáris
transzformáció (λ = 1) a speciális határesete.” (Kiss Letöltve 2015. április 18.)
Baráth és Fertő (2012) eredményei kimutatták, hogy az inputok (mezőgazdasági terület,
tőke és speciális költségek és munka) elaszticitásának előjele megfelel a
várakozásoknak, mindegyik pozitív. A λ paraméter szignifikáns volt, ami a technikai
hatékonyság hiányát jelezte. A modellek pozitív technológiai haladást jeleztek a vizsgált
időszak alatt (t>0), de csökkenő ütemben. A technológiai haladás munkaerő csökkentő
és a speciális költségeket növelő hatású volt.
A két modell eredményei eltérők voltak, ezek közös frontier eredményeit is közölték a
tanulmányban, ami a két modell eredményei közti különbség. A modellek
összehasonlításához a log-likelihood értékeket és az AIC (Akaike Információs
Kritérium) értéket használták. Az üzemek mintájára az a modell illeszkedett jobban,
amelyiknek log-likelihood értéke nagyobb, az AIC értéke kisebb. Az LC modell jobban
illeszkedett mindkét paraméter alapján az azonos technológiát feltételező modellhez
képest.
Az eredmények többek között rávilágítottak az eddig homogénnek tartott szántóföldi
növénytermesztésben rejlő látens technológiai különbségekre, amik felfedezésében a
4 ÉME: Egy ÉME egyetlen olyan személy munkaidő-ráfordításának felel meg, aki egy egész éven át teljes
munkaidőben végez mezőgazdasági tevékenységet egy mezőgazdasági egységben (1 ÉME= 1800
munkaóra = 225 munkanap) (Baráth 2012)
22 / 64
hagyományos (SFA) és LC modell által becsült technikai hatékonyságok segítettek. A
tanulmányban feltárt csoportok eltérő sajátosságait figyelembe véve a módszer
célzottabb agrárpolitikai intézkedéseket meghozatalára ad lehetőséget. A fejlesztés
helyét is segít meghatározni a feltárt csoportok további vizsgálata. Továbbá a tanulmány
eredménye volt, hogy kimutatta; kisebb technikai hatékonysági tartalékok találhatók az
ágazatban a korábbi tanulmányok eredményeihez viszonyítva.
5.3 Az EU csatlakozás hatása a farmok technikai hatékonyságára Magyarországon
(Bakucs 2010): Bakucs et. al. (2010) a tanulmányában az SFA módszert használta a farmok technikai
hatékonyságának megállapítására. A magyar gazdaság az EU csatlakozási átmeneti
időszakban a tervgazdálkodásból a piacgazdaságba erős gazdasági fellendülést mutatott
a Közép-Kelet Európai Országok között (CEEC-k), amit azonban a mezőgazdasági
ágazat nem követett. A csatlakozás után Magyarország már részesült az eddigi állami
támogatásoknál magasabb, a KAP-ból finanszírozott, terület alapú támogatásokból
(SAP, később SAPS). Az is felmerült a KAP finanszírozással kapcsolatban, a
nagyüzemek nem részesülhetnek majd a támogatásokból jelentős mértékben, mivel az
EU főként a kis gazdaságokat (családi gazdaságokat) támogatja (Váradi 2008) [ (Fertő
1999) alapján].
A csatlakozás után a gazdaságok méretének növekedését és technológiai növekedést
prognosztizált az Európai Unió. Bakucs és szerzőtársai szerint Bach et al. (2000), Fuller
et al. (2003) és Douarin et al. (2007) modelljei valóban alá is támasztották a farmok
méretének és kibocsátásának növekedését. Azonban felhívják a figyelmet arra, hogy
hasonló támogatások megváltoztatják az output és input kombinációkat, és csökkentik a
farmok teljesítményét, a gazdálkodók erőfeszítéseit; ezáltal megnövelik az inputok
pazarlását (ld. még: Módszerek; Input slacks). A tanulmány a 2001-2005 időszakot
vizsgálta. Baráth és Fertő (2012) munkájához hasonlóan kiemelte, hogy a DEA
érzékenységet a kiugró értékekre, az eredmények torzítását a potenciálisan hatékonyabb
üzemek hatására vagy a zajos adatokra. Ezért használták a Stochastic Frontier Analysist
(SFA) tanulmányukban.
Bakucs és szerzőtársa paneladatokat vizsgáltak, így külön hipotézisekkel kellett élniük
arra, hogy az adatok szisztematikusan befolyásolja-e az idő változása vagy nem. Nagy
mennyiségű, 3210 darab megfigyelésből dolgoztak; az AKI Tesztüzemi Rendszerének
adatait dolgozták fel a 2001-2005 közötti időszakból. A változók különböző
23 / 64
mértékegységekben voltak. Az output az Értékesítés nettó árbevétele (y) volt, az
inputváltozók a Teljes hasznosított mezőgazdasági terület (x1); a Vetőmag, Műtrágya,
Növényvédőszer, Takarmány és Állatok vagy más nyersanyag költségek (x2); a
Gépekben kifejezett tőke (x3); és az Éves munkaórák (x4) voltak. Az EU csatlakozás
előtti és utáni állapot vizsgálatára egy dummy változót vezettek be, ami 1 értéket vett fel
a csatlakozás után (2004, 2005), egyébként 0-t. A regionális különbségekre két változót
vezettek be, egy dummy változót a Dunántúl, Alföld és Észak-Magyarország
elkülönítésére, és az aranykorona értéket, aminek várhatóan pozitív hatása van a
technikai hatékonyságra. Egy másik tanulmányban, ami a búza és a kukorica fedezeti
termésátlagának alakulását vizsgált arra a megállapításra jutott a szerző, hogy a két
növény meghatározó termesztési régiói az Észak- és Dél-Alföld, illetve a Dél-Dunántúl.
A termelékenység nyereségessége a 26 aranykoronánál jobb minőségű földeken volt
jellemző (Váradi 2008) [ (Hollósy 2007) alapján].
A termelési függvény eredményei alapján azt találták, hogy az OLS forma nem
illeszkedik a modellre, továbbá a modell nem egyszerűsíthető, így translog formát kell
használni, illetve a modell heteroszkedasztikusnak bizonyult. A technikai hatékonyság
csak enyhén emelkedett, ellentétben az EU csatlakozásból fakadó várakozásokkal. A
modellből számolt legmagasabb input rugalmasságok azt mutatták, hogy a gazdák az
inputfelhasználás (x2) és a munka növelésével (x4) növelhető az output mennyisége (y).
A modell alapján a gazdaságok átlagos technikai hatékonysága 0.73 volt a vizsgált
időszakban, ami azt jelenti, hogy a gazdák 27%-os technikai potenciállal rendelkeznek;
27%-al növelhetik outputjukat többlet input felhasználása nélkül. Az idő változó
dummy pozitív előjele azt jelzi, hogy a hatékonyság csökkent az idő múlásával. Ezzel
szemben a csatlakozás utáni dummy negatív előjele ennek a trendnek az ellenkezőjét
mutatja. Tehát az uniós csatlakozás előtt a gazdaságok hatékonysága csökkent, míg
utána újra növekedni kezdett.
Eredményeik közül érdekes volt, hogy a munka intenzív gazdaságok kevésbé
bizonyultak hatékonynak, ami azt mutathatja, hogy a vidéki térségekben munkaerőhiány
lépett fel. Ezt támasztja alá a munkaerő magas elaszticitása is (0.319). A specializált
farmoknál hatékonyabbaknak bizonyultak a vegyes gazdálkodások, illetve az állattartó
gazdaságok hatékonyabbak voltak a növénytermesztőknél.
24 / 64
Végső következtetésük az volt, hogy az uniós csatlakozás megfordította a csatlakozás
előtti csökkenő technikai hatékonyság trendet. A versenyképesség növekedett,
valószínűsíthetően az új piaci lehetőségek vagy a jobb inputokhoz való hozzáférés okán.
5.4 Búzatermelő gazdaságok technikai hatékonysága Észak-Indiában (Goyal
2003) A szerzők a gazdaságok szintjén vizsgálták a búzatermelés technikai hatékonyságát
1996 és 1999 között panel adatok segítségével. A vizsgálat az indai Haryana államra
korlátozódott, 200 gazdálkodóra. Az inputok a munka, műtrágya, öntözés, vetőmag,
földterület és a tőke voltak. Bakucs et. al. (2010) eredményeihez hasonlóan úgy találták,
hogy az átlagos technikai hatékonyság csökkent az évek alatt. A gazdaságok több mint
kétharmada 0.90 technikai hatékonyság érték felett volt, ami azt jelenti, hogy 10%-al
növelhetik a búza mennyiségét anélkül, hogy további inputokat használnának fel.
Haryana államban 1966 és 2001 között évi 29%-al nőtt a búza termelése. 2001-ben
9669 millió tonnát állítottak elő. A búza vetésterülete a teljes vetésterület 35%-át teszi
ki. A vetésterület növelése ki volt zárva, így a termelés növelése csak a termelékenység
javításával volt lehetséges. A termelékenység javítása szolgált a vizsgálat
motivációjaként. Goyal és Suhag szerint a döntéshozók vagy növelik az új technológiák
arányát, és a kisüzemi termelőknél javítják a kutatás-fejlesztési folyamatokat, vagy
lépéseket tesznek annak érdekében, hogy a gazdák javítsák a termelés technikai
hatékonyságát. A kutatás-fejlesztés sok időt és tőkét igényel, de hosszú távú javulást
okoz. A technikai hatékonyság növelésének gyors eredményeket hoz, ha
bebizonyítható, hogy a gazdaságok hatékonysága alacsony.
A határtermelési függvény meghatározásakor arra voltak kíváncsiak, hogy mennyi a
maximális output, amit a megadott input kombinációval el lehet érni (ld. Elméleti
háttér). A panel adatok elemzéséhez Battese és Coelli (1992) modelljét használták, ami
egyszerre működik H üzemre T időszakon keresztül, és ugyan annak a farmnak
megméri a technikai hatékonyságát is minden időszakban. A számításhoz Coelli (1994)
Frontier 4.1 programját használták. A termelési függvényformának Cobb-Douglas
formát specifikáltak, tehát egy translog függvénnyel dolgoztak.
Goyal és Suhag a következő változókat használták:
Búza mennyiség (kg)
Összes munka (nap)
25 / 64
Nitrogén, foszfor és kálium műtrágya mennyiség (kg)
Öntözési kiadás (rúpia)
Vetőmag ára (rúpia)
Terület (ha)
Befektetett tőke (rúpia)
A fentebbi változókból látszik, hogy a függvényben szabadon használhatók a
mértékegységek, akár csak a DEA-nál. A szakdolgozatban én is vegyes
mértékegységeket használtam a modellspecifikációnál. A gazdálkodó technikai
hatékonyságának értéke egy benchmark, ami nulla és egy közötti értéket vehet fel, és
fordítottan arányos a technikai hatékonytalanság hatásával (Goyal 2003). Vagyis a
technikai hatékonyságból kifejezhető mennyire nem hatékonyak a gazdaságok és
fordítva.
Az üzemszintű adatokat Goyal és Suhag az indiai Mezőgazdasági Minisztérium
Gazdasági és Statisztikai Igazgatóságának „Elsődleges Gabonafélék Termesztése és
Költségei” című felméréséből vette. Az adatgyűjtés többlépcsős, rétegzett véletlen
mintavétellel történt. A felmérésből a három évre évente 200 gazdaságot választottak ki,
összesen 600 darabot. Mivel nem minden gazdálkodó vetett a három évben
folyamatosan búzát, ezért összesen 592 megfigyeléssel dolgoztak a szerzők.
Goyal és Suhag (2003) eredményei azt mutatták, hogy az időben változó modellben a
technikai hatékonytalanság hatása idővel növekedett, mivel a becsült η paraméter
negatív volt (–0.1545) a technikai hatékonyságra. A modellt likelihood-ratio (LR)
statisztikával vizsgálták, hogy elvethessék a null hipotézist, miszerint a termelés
hatékonytalanságai hiányoznak a modellből. Azt a null hipotézist is elvetették miszerint
a technikai hatékonytalanság hatásai időben nem változnak, és félig végtelen
intervallumú (half-normal) eloszlásúak. Saját kutatásomban nem vizsgáltam az időben
változó hatásokat, mivel csak keresztmetszeti adatokat használtam.
Az inputok rugalmasságainak segítségével, a Cobb-Douglas függvény alapján
megbecsülték, hogy 1 százalék növekedés a területben 0.61 százalék hozamnövekedést
okoz. Az inputváltozók rugalmasságait összeadva megbecsülték a skálahozadékot, ami
konstansnak mutatkozott, értéke 1.01 volt. A műtrágya, vetőmag és öntözés változókra
0.1 százalék alatti értékeket, alacsony rugalmasságokat kaptak. Az inputok
26 / 64
rugalmasságát én is megvizsgáltam a Cobb-Douglas függvény segítségével, OLS
becsléssel.
Goyal és Suhag (2003) megállapítja, hogy a termelés akkor mondható technikailag nem
hatékonynak, ha az adott inputok mellett nem éri el a maximális outputot. A modelljeik
bebizonyították, hogy a vizsgált farmokban fennáll egy hatékonytalanság és az az
időben változik (növekedett). A vizsgált farmok között nagyon magas átlagos
hatékonyságot mértek így is, az átlagos gazdálkodó 91%-át használja ki a maximális
technikai hatékonyságnak. Ez azt jelenti, hogy átlagosan csupán 9%-át nem
hasznosítják a technikailag elérhető termelési potenciáljuknak. A technikai
hatékonyságok eloszlásában csupán egy-két gazdálkodó teljesített 70% alatt. Ezek a
gazdálkodók magas technikai hatékonyságát jelzik. Nem csak a η negatív értékéből
derült ki, hogy a gazdaságok technikai hatékonysága csökkent a három év alatt, hanem a
csökkenő átlagos technikai hatékonyság értékekből is (0.9172 az első; 0.9151 a második
és 0.9025 volt a harmadik évben). Összességében tehát átlag 10% technikai
hatékonyság potenciált találtak az indiai üzemeknél. Ez 7%-al kevesebb, mint amit
Alemdar és Ören (2006) találtak a törökországi gazdaságokban a DEA módszerrel.
Tehát a vizsgált indiai farmok átlagosan 7%-al magasabb technikai hatékonyságot
realizálnak.
6. Módszerek Ebben a fejezetben leírom a felhasznált ökonometria módszer hátterét a róluk szóló
szakirodalom alapján. Ismertetem a jelentőségüket, és bemutatom a használatukat. A
vizsgálatok elvégzésének sorrendjében írok minden módszerről.
6.1 Cobb-Douglas termelési függvény Cobb-Douglas termelési függvényt használtam a DEA input és output változók
statisztikai jelentőségének meghatározására. A termelési függvény egy log-log típusú
függvény, ahol a függő változó a termelési output logaritmusa, a magyarázó változók a
vizsgált inputok logaritmusai. Egy százalékos változás a vizsgált inputban a koefficiens
értékének megfelelő százalék változást idéz elő az output mennyiségében, az előjelnek
megfelelően.
27 / 64
6.2 Data Envelopment Analysis A technikai hatékonyság vizsgálatában a két legelterjedtebb módszer a DEA és az SFA.
Ezek szokásos elméleti hivatkozási alapjai Coelli és szerzőtársai (2005), Kumbhakar-
Lovell (2000), Bravo-Ureta és szerzőtársai (2007) (Baráth 2012) alapján.
A módszer három közgazdasági alapelméleten alapul: a termelési függvény, isoquant
görbe és isocost egyenes. A termelési függvény a termelési tényezők lehetséges
inputkombinációi és a maximális kibocsátási lehetőségek halmaza (output) közötti
technikai-gazdasági összefüggés. Az isoquant görbe azon pontok mértani helye a
termelési függvény felületén, amely az inputok adott termelési szinthez tartozó összes
lehetséges kombinációját jelöli. Az isocost egyenes a termelési tényezők azon
kombinációinak mértani helye, amelyek összköltsége azonos. (Felkai 2013)
A DEA megközelítés lineáris programozási technikákat alkalmaz a megfigyelt input
felhasználáson és output termelésen és a legjobban teljesítő döntéshozatali egységek
(DMU) alapján összeállít egy termelési határt. Ezt követően a módszer a termelési
határhoz mér minden DMU-t. A relatív hatékonyság minden input és output súlyozott
összegének arányával van kiszámolva. A súlyok minden DMU Pareto hatékonyságának
eléréséhez vannak kiválasztva. Az üzemek fizikai output szintjeinek vizsgálatára a
technikai hatékonyság vizsgálat szolgál, míg az optimális input felhasználás
vizsgálatára adott input árak mellett az allokációs hatékonyság vizsgálat használható.
(Lewin 1981)
Az üzemeket egymáshoz hasonlító módszer, és az üzemek saját hatékonysági
elvárásának szemléltetéséhez ld. a 6. ábraát. Az isoquant görbe pontjai két input, egy
outputos termelési függvénynél (háromdimenziós „hegycsúcs”) az Y tengelyen Q
pontban elmetszett síkon a metszet kerületén helyezkednek el. Az isoquant tehát a QF-
Q’F görbe. Ez a görbe jelöli a legkisebb ráfordítással, a legnagyobb hatékonysággal
termelő DMU-kat. (Az S1 az azonos outputok síkja.) „A gazdálkodó egységek számára
a termelési tényezők egy része – rövidtávon – technológiailag meghatározott adottság, a
termelés általuk determinált. Következésképpen rövidtávon létezik egy – a legjobb
termelési gyakorlatot optimális technológiának tekintve – szuboptimális termelési
eljárás, amely egy nem élvonalbeli hatékonyságú gazdasági egység tekintetében a
„reálisan elvárható saját hatékonysági szint”.” (Felkai 2013)
28 / 64
6. ábra Az inputorientált DEA-eljárás által feltárható hatékonyságtartalékok [forrás:
(Felkai 2013)]
Ez a görbe a QR-Q’R, megmutatja azon üzemeket, amik elmaradnak a
leghatékonyabbaktól, azonban még saját hatékonysági elvárásainak eleget tesz.
Azonban az R pontban található üzem már a saját hatékonysági elvárásának sem tud
eleget tenni, amely lemaradást a menedzsment munkájában levő rejtett hatékonysági
tartaléknak szokás tekinteni.
A DEA technikai hatékonyság elemzés matematikai alapja következő leírható egy nem-
lineáris törtalakú programozási problémaként. Az optimalizálási feladat nem-lineáris
törtalakú programja a következő:
(2) 𝑚𝑎𝑥ℎ𝑘 =
∑ 𝑢𝑟𝑦𝑟𝑘𝑠𝑟=1
∑ 𝑡𝑖𝑥𝑖𝑘𝑚𝑖=1
,
vonatkozik az: (a) ∑ 𝑢𝑟𝑦𝑟𝑗
𝑠𝑟=1
∑ 𝑡𝑖𝑥𝑖𝑗𝑚𝑖=1
≤ 1 − 𝑟𝑒,
(b) 𝑢𝑟 , 𝑡𝑖 ≥ 0
ℎ𝑘 = a k egység relatív hatékonysága
𝑢𝑟 = az 𝑦𝑟 output súlya, 𝑢𝑟 ≥ 0
𝑡𝑖 = az 𝑥𝑖 output súlya, 𝑡𝑖 ≥ 0
𝑦 = egy termelési egység (DMU) outputja, 𝑦 ≥ 0
𝑥 = egy termelési egység (DMU) inputja, 𝑥 ≥ 0
29 / 64
𝑗 = egy termelési egység (DMU) indexei, 𝑗 = 1, … , 𝑛 (n= a DMU-k száma j)
𝑖 = az inputok indexei, 𝑖 = 1, … , 𝑚 (m= az inputok száma i)
𝑟 = az outputok indexei, 𝑟 = 1, … , 𝑠 (s= az outputok száma r)
𝑘 = (speciális) önálló termelési egység (DMU= Decision Making Unit)
(3)
𝑚𝑎𝑥𝑢𝑟𝑡𝑖 ∑ 𝑢𝑟
𝑠
𝑟=1
𝑦𝑟𝑘 − ∑ 𝑥𝑖𝑘
𝑚
𝑖=1
𝑡𝑖
vonatkozik az: (a)
∑ 𝑢𝑟
𝑠
𝑟=1
𝑦𝑟𝑘 − ∑ 𝑥𝑖𝑘
𝑚
𝑖=1
𝑡𝑖 ≤ 0 − ra,
(b)
𝑢𝑟 , 𝑡𝑖 ≥ 1
A (3) típusú egyenletet multiplikátor formulának nevezik a programozási problémán
belül. A dualitás elvét felhasználva jutunk el az ezzel ekvivalens envelopment
formulához, ahol kevesebb megszorító feltételt kell figyelembe venni, ezért könnyebb
megoldani. A lineáris programozási probléma duális formulája a (3) egyenlet:
(4) 𝑚𝑖𝑛θ𝑘, θ𝑘
vonatkozik az: (a)
∑ 𝑦𝑟𝑗
𝑛
𝑗=1
j ≥ 𝑦𝑟𝑘 − 𝑟𝑎
(b)
𝑥𝑗𝑘𝜃𝑘 − ∑ 𝑥𝑖𝑗
𝑛
𝑗=1
𝑗 ≥ 0
(c)
𝑗≥0,
𝜃𝑘 = Debreu-Farell-hatékonysági érték
𝑘 = konstanselemű súlyvektor
A (4) egyenletben látható, hogy a k termelési egységnél az inptuhatékonyság 𝜃𝑘 értéke a
modell által kerül meghatározásra. A Debreu-Farell-hatékonysági értéknek nulla és egy
között kell lennie.
30 / 64
Mivel a (4) egyenletet objektumonként végrehajtva lényegesen több számítást kell elvégezni
ezért a DEA szimuláció elméleti alapját a (2) egyenlet adja.
A (4) egyenlet továbbá magában foglalja azt, hogy minden termelési egység optimális mérettel
üzemel, konstans bevételi értékű (CRS) modellünk van. Ezzel a feltételezéssel a valóságban
ritkán élhetünk, mivel jó néhány oka van annak miért ne üzemeljenek a gazdaságok az optimális
mérettel. Ilyen különösen a tőketakarékosság, ami átalakuló országokban fordul elő és a
termelés méretéből fakadó hatékonytalanságot okoz. A változó bevételi értékű modell (Banker,
Charnes és Cooper [1984]) a VRS modell. (Bunkóczi 2013) A fentiekből következik, hogy a
mérethatékonyságot a CRS/VRS hányadosával könnyen kiszámolhatjuk.
(5)
𝑚𝑎𝑥ℎ𝑘=
∑ 𝑢𝑟𝑦𝑟𝑘 + 𝑢𝑘𝑠𝑟=1
∑ 𝑡𝑖𝑥𝑖𝑘𝑚𝑖=1
vonatkozik az: (a) ∑ 𝑢𝑟𝑦𝑟𝑘 + 𝑢𝑘
𝑠𝑟=1
∑ 𝑡𝑖𝑥𝑖𝑗𝑚𝑖=1
≤ 1 − 𝑟𝑒
(b)
𝑢𝑟 , 𝑡𝑖 ≥ 0
ahol 𝑢𝑘 a bevételi érékek a termelési mérethez. Az (5) egyenletet a (2) egyenlet
átalakításával kaptuk. Ez egy nem-lineáris modell (5), ami átalakítható lineárissá, és így
megadja az envelopment-formát (6):
(6) minθk, θk
vonatkozik az: (a)
∑ 𝑦𝑟𝑗
𝑛
𝑗=1
𝑗 ≥ 𝑦𝑟𝑘 − 𝑟𝑎
(b)
𝑥𝑗𝑘𝜃𝑘 − ∑ 𝑥𝑖𝑗
𝑛
𝑗=1
𝑗 ≥ 0
(c)
𝑗≥0,
(d)
∑ 𝑗
𝑛
𝑗=1
= 1
31 / 64
A CRS modell könnyen átalakítható VRS modellé, ahol a VRS technikai
hatékonyságainak nagyobb egyenlőknek kell lenniük a CRS értékekhez képest.
A DEA tulajdonságainak lényege, hogy ár vagy költség adatok nélkül is lehet vele
elemezni, képes kezelni az outputok és inputok mértékegységbeli különbségeit. Előnyei
hogy nem szükséges ismerni az egyes üzemek működési vagy gyártási folyamatait.
A DEA modell létrehozásához az OSDEA GUI v0.2 programot használtam, amiben
megvizsgáltam a Tesztüzemi Adatokban az üzemek hatékonyságát a búza és
tönkölybúza ágazatban.
6.3 Input slacks Az input felesleget vagy hiányzó outputot „slack”-nek hívják. Az input felesleg vagy
hiányzó output azután jelentkezhet, miután a DEA megállapította az inputok és
outputok közötti arányos változásokat, és az egymással összehasonlított DMU-k között
található (Hayes 2005). Egy gazdaság egy input kiadásait a slack mértékéig
csökkentheti anélkül, hogy az outputja is csökkenne (Alemdar 2006).
6.4 Stochastic Frontier Analysis Az SFA egy olyan látens csoport (LC) modell, ami egy lépésben számolja ki az
adatokban lévő valamennyi információt felhasználva a technikai hatékonyság fokát. Az
SFA módszert egymástól függetlenül Aigner és szerzőtársai (1977) valamint Meeusen-
van den Broeck (1977) vezették be (Baráth 2012).
Az SFA modellel szembeni szokásos feltételezések hogy; 1) az a statisztikai hiba
normál eloszlású, 2) a statisztikai hiba fél-normál eloszlású és 3) a statisztikai hiba és a
technikai hatékonyság hiányának eloszlása független egymástól és a regresszoroktól
(Baráth 2012).
A (7) eljárás fő újítása az, hogy kettéveszi a termelési függvény hibatagját egy tisztán
véletlen tagra (vi); ez mutatja a mérési hibákat és a gazdaság által nem befolyásolható
tényezőket (mint az időjárás, értékesítési problémák, hozzáférés a nyersanyagokhoz), és
egy nem negatív véletlenszerű tagra (ui), ami a gazdálkodó hatékonytalanságát méri (a
termelési határtól való eltérésüket).
𝑦𝑖 = 𝑓(𝑥𝑖)exp (𝑣𝑖 − 𝑢𝑖) (7)
A (7) egyenletben az 𝑦𝑖 az i-edik üzem outputja, 𝑥𝑖 az inputok vektora az 𝑓(. ) termelési
függvényben. Ebből következik, hogy egy üzem technikai hatékonysága (TE) a nem
32 / 64
negatív véletlenszerű tag, −𝑢𝑖 exponenciális függvénye, ahol 0 ≤ 𝑇𝐸𝑖 ≤ 1. A TE=1
érték tökéletesen hatékony üzemet jelöl, míg az alacsonyabb értékek alacsonyabb
hatékonyságot jelentenek. (Bakucs 2010)
Az SFA vizsgálat eredményei tehát 𝑢𝑖, amit a STATA szoftverrel számoltam ki, a
gazdálkodók hatékonytalanságát mutatja. Ahhoz, hogy összehasonlíthassam az OSDEA
v0.2 szoftverrel kapott eredményekkel ki kellett az eredményeket vonnom egyből, hogy
megkapjam a gazdaságok hatékonysági mutatóit.
A várakozásom, Baráth és Fertő (2012) és Bakucs et. al. (2010) munkájára
alapozva, hogy az SFA eredmények magasabb technikai hatékonyságot fognak
mutatni a DEA eredményeinél.
7. Adatok Magyarország búza és tönkölybúza ágazatát vizsgáltam a 2013-as év tekintetében
keresztmetszeti adatok alapján. Az AKI által rendelkezésre bocsátott adatokat
használtam fel a Mezőgazdasági Számviteli Információs Hálózat (angolul: Farm
Accountancy Data Network, rövidítve: FADN; magyar rövidítése: MSzIH)
magyarországi rendszeréből. A búza és tönkölybúza ágazatra 973 megfigyelés található
a 2013-as évre, ezekkel dolgoztam. Az időjárás okozta termés mennyiség ingadozások
miatt egy éven belül a gazdaságok teljesítménye közötti eltérésekre koncentráltam. A
reprezentatív mintának köszönhetően az adatoknak magas a statisztikai jelentősége.
Az FADN magyarországi adatokkal való feltöltése Uniós tagságunkból adódó feladat, a
27 tagállamban mintegy 80000 üzemről vezetnek részletes nyilvántartást. A felmérés
reprezentatív, a kiválasztás alapja egy közel 6,4 milliós alapsokaság. A 973
megfigyelésből álló mintában az átlagos vetésterület mérete 73,56954 ha (szórása
152,00 ha), a legkisebb üzem 1 ha búzát vetett, míg a legnagyobb gazdaság 1928,50 ha.
Az átlagos üzemméret 268,9505 ha volt (szórása 547,43 ha). A rögzített adatokból
hiányoztak üzemméretek, ezek valószínűleg nullák, így nem értelmezhetők ebben az
elemzésben. A legnagyobb üzemméret 9064,20 ha volt. Az Jól látható, hogy a 10-250
közötti EUME-val rendelkező gazdaságok aránya a legnagyobb. A farmok átlaga
244.95 EUME. Továbbá a vetésterületek átlaga az üzemméret átlagához képest jóval
alacsonyabb, 73.57 ha / 268.95 ha, amit tükröz az átlagos búza specializáció alacsony
szintje (30.48%) is. Ebből arra lehet következtetni, hogy a gazdaságok a vetésforgóban
33 / 64
más-más kultúrák között osztják fel az üzem területét, így nagyon kevesen termelnek
egyszerre csak búzát (1%).
Ezen a mintán jól látszik a kis üzemek túlsúlya, a 1-300 ha közötti kategóriában 82%-ot
tesznek ki, ami a magyarországi birtokszerkezet duális tulajdonságaként is ismert.
1. táblázattban bemutatom az üzemek méretének eloszlását EUME, vetésterület,
üzemméret és specializáció alapján. A specializáció a vetésterület aránya az
üzemmérethez százalékban.
Jól látható, hogy a 10-250 közötti EUME-val rendelkező gazdaságok aránya a
legnagyobb. A farmok átlaga 244.95 EUME. Továbbá a vetésterületek átlaga az
üzemméret átlagához képest jóval alacsonyabb, 73.57 ha / 268.95 ha, amit tükröz az
átlagos búza specializáció alacsony szintje (30.48%) is. Ebből arra lehet következtetni,
hogy a gazdaságok a vetésforgóban más-más kultúrák között osztják fel az üzem
területét, így nagyon kevesen termelnek egyszerre csak búzát (1%).
Ezen a mintán jól látszik a kis üzemek túlsúlya, a 1-300 ha közötti kategóriában 82%-ot
tesznek ki, ami a magyarországi birtokszerkezet duális tulajdonságaként is ismert.
1. táblázat A búzatermelő üzemek ökonómiai méretének és a hasznosított
mezőgazdasági területinek összehasonlítása
EUME vetésterület (ha) üzemméret (ha) specializáció
>250 17% >1000 1% >1000 6% >90 1%
100-250 26% 500-1000 1% 500-1000 6% 80-90 1%
40-100 28% 300-500 4% 300-500 6% 70-80 2%
10-40 24% 100-300 10% 100-300 35% 60-70 3%
8-10 2% 40-100 24% 40-100 25% 50-60 5%
4-8 4% 10-40 38% 10-40 18% 40-50 12%
1-4 0% 4-10 14% 4-10 3% 30-40 20%
1-4 9% <4 1% 20-30 29%
10-20 19%
<10 9%
Összesen 100% Összesen 100% Összesen 100% Összesen 100%
Átlag 244.95 Átlag 73.57 Átlag 268.95 Átlag 30.48%
* A 2013. évre érvényes 292,3 forint/euró átváltási árfolyamon 1 EUME: 350 760 Ft5
5 (NAK, Itt az Új EUME kalkulátor ! 2013)
34 / 64
Hogy ez hogyan befolyásolja a technikai hatékonyságot, az kiderül a regresszió
becsléseiből. A technikai hatékonyság becsléséhez használt változók leíró statisztikáját
a 3. táblázatban foglaltam össze a Hatékonysági mutatók számolása fejezetben.
A következő fejezetben bemutatom a felhasznált ökonemtriai módszereket és
összefüggéseket. A részeredményeket és eredményeket a Hiba! Érvénytelen
könyvjelző-hivatkozás. és az Eredmények fejezetekben közöltem.
8. Vizsgálat
Vizsgálatomat több lépcsőben hajtottam végre, az ismertetett módszerek segítségével.
Az output változó és input változók meghatározásához először meghatároztam egy
termelési függvényt. Ha a termelési függvény statisztikailag megfelelőnek bizonyul,
lefuttatható rajta a Data Envelopment Analysis. A kapott eredményeket további
regressziókkal magyaráztam.
8.1 Az input-output változók meghatározása
A Cobb-Douglas termelési függvény, amit az inputok és outputok meghatározásához
használtam egy logaritmikus függvény, ennek folytán a felhasznált változók
logaritmusát vettem ahol nem volt a megfigyelésekben nulla érték. Így a regresszió
összesen csupán 91 megfigyelést hagyott ki. A várakozásaim a következők voltak:
Az inputok pozitívan befolyásolják a főtermék mennyiségét
Az inputok statisztikailag szignifikánsak
A következő változókat vizsgáltam: a Vetőmag-szaporítóanyag költség (Ft)
logaritmusa, Műtrágyaköltség (Ft) logaritmusa, Szerves trágya költsége (Ft),
Növényvédőszer-költség (Ft) logaritmusa, Gépköltségek (Ft) logaritmusa, Összes
felhasznált munka költsége (Ft) és a Főtermék mennyisége (kg) logaritmusát függő
változóként. Az eredményeket az 2. táblázat foglalja össze. Az adjusted R2
magyarázóereje magasnak bizonyult; a modell a megfigyelések 95,93554%-át
magyarázza. A várakozásoknak megfelelően az összes változó hatása pozitív volt a
termelésre, így nem kell egyet sem elhagyni a későbbiekben. Egyedül a szerves trágya
költsége nem bizonyult statisztikailag szignifikánsnak, p értéke 0,38331. A szerves
trágya koefficiense bizonyult továbbá a legalacsonyabbnak. Ezek lehetséges
magyarázata, hogy az előnyben részesített technológia, a műtrágyázás.
35 / 64
A munkaköltségek hatása a termelésre nagyon alacsonynak bizonyult, azonban a többi
változó jelentősen befolyásolja a főtermék mennyiségét. Az eredmények alapján a fenti
változókat használtam fel az üzemek hatékonyságának megállapításához a DEA
vizsgálatban. A legnagyobb hatása a műtrágyaköltségnek volt, 1% ráfordítás 0,31%
növekedést okoz a főtermék mennyiségében. A legalacsonyabb rugalmasságot a szerves
trágya és a munka költsége mutatta. A hat inputváltozó rugalmasságát összeadva 0.91
skálahozadékot kaptam, ami csökkenő skálahozadékot jelent. Ez azt jelenti, hogy a
termelés kisebb mértékben növekszik, mint ahogyan a termelési tényezőket növeltük
(Solt dátum nélk.).
2. táblázat Cobb-Douglas termelési függvény
Coefficient Std. Error t-ratio p-value
const -0,554984 0,123977 -4,4765 <0,00001 ***
l_Vetomagszaporitoanyagkoltse 0,276062 0,0214839 12,8497 <0,00001 ***
l_MutragyakoltsegFt 0,315864 0,0202113 15,6281 <0,00001 ***
SzervestragyakoltsegeFt 1,48331e-08 1,70053e-08 0,8723 0,38331
l_NovenyvedoszerkoltsegFt 0,146197 0,0164506 8,8870 <0,00001 ***
l_GepkoltsegekFt 0,174161 0,0171231 10,1711 <0,00001 ***
Osszesfelhasznaltmunkakoltsege 1,48226e-08 4,11112e-09 3,6055 0,00033 ***
*** 1%-on szignifikáns
8.2 Hatékonysági mutatók számolása DEA módszerrel
A DEA modellben Alemdar és Ören (2006) alapján mennyiségben próbáltam kifejezni
az outputot és az inputokat, ahol ezt a rendelkezésre álló adtok engedték. Ezért vetettem
el a termelési érték6 változó használatát, mivel abban az állami támogatás is szerepel,
aminek közvetlen hatásait később szerettem volna vizsgálni. Az inputoknál csak az
inputok bekerülési értékét tudtam használni (forint) a mennyiségük helyett, ami a
mértékegység indifferens modell alkalmazását indokolta. Inputként felhasznált
változók: Vetőmag-szaporítóanyag költség (Ft), Műtrágyaköltség (Ft),
Növényvédőszer-költség (Ft), Szerves trágya költsége (Ft), Gépköltségek (Ft), Összes
felhasznált munka költsége (Ft). Output: Főtermék mennyisége (kg). A megfigyelések
6 + Főtermék mennyisége (a190) x a főtermék értékesítési ára (a230) + Közvetlen állami
támogatás (a600) + Az ágazat egyéb bevételei (a610) + Melléktermék értéke (a615)
36 / 64
számát, az inputok és outputok átlagát, szórását minimum és maximum értékeit a 3.
táblázat tartalmazza. A statisztikából látható, hogy csak a főtermék mennyisége illetve a
felhasznált vetőmag értéke azok a változók, ahol a minimum érték nem nulla. A nulla
minimum értékek jelenthetnek olyan exogén, a gazdaság hatékonyságán kívüli
tényezőket, mint például környezeti kár miatti teljes termelési kiesés, vagy olyan
endogén tényezőt, mint saját vetőmag használata, ami a könyvelésben nincs feltüntetve.
3. táblázat Összefoglaló statisztika a DEA változókról
VÁLTOZÓ OBS ÁTLAG SZÓRÁS MIN MAX
Mennyiseg (kg) 937.00 357264.20 837848.20 2200.00 13600000.00
Vetomag (Ft) 937.00 1483792.00 2916194.00 9089.00 32200000.00
Mutragya (Ft) 937.00 3203215.00 7414872.00 0.00 101000000.00
Szervestra~a (Ft) 937.00 40716.23 688976.90 0.00 20600000.00
Novenyvedo~r
(Ft) 937.00 1570992.00 4039382.00 0.00 61700000.00
Gepkoltseg (Ft) 937.00 2846198.00 6474070.00 0.00 78800000.00
Munkakoltseg
(Ft) 937.00 1135190.00 3400161.00 0.00 48000000.00
A munkaköltség nulla értékére a családi munka adhat magyarázatot, amit sokszor nem
számolnak el a gazdaságok. Non-controllable modellt használtam, ami egy darab
optimalizációs fázissal számítja ki az eredményeket.
A modellt a szakirodalom alapján konstans (CRS) és változó skálahozadék (VRS)
mellett specifikáltam. Alemdar és Ören (2006) eredményei alapján ugyan azon a mintán
több üzem bizonyult hatékonynak változó skálahozadékot feltételezve, ami a technikai
hatékonyság egy ismert tulajdonsága a mezőgazdaságban, és Alemdar és Ören
eredményei alapján igazolt a búza ágazatban. Az eredményeket a 4. táblázat foglalja
össze. Jól látszik a VRS specifikáció mellett több üzem bizonyult hatékonynak, illetve
az átlagos hatékonyság 12%-al nőtt. A VRS és a CRS eredményeinek különbségét a
DEA sajátossága okozza. A technikai hatékonyság CRS mellett a farmok 3%-ánál
37 / 64
mutatkozott, míg VRS mellett 11%-uk volt hatékony. A hatékonytalanságot Alemdar és
Ören (2006) tanulmányához hasonlóan 0.40 értéknél határoztam meg, így a farmok 65
illetve 84 százaléka bizonyult hatékonynak a konstans illetve változó skálahozadék
feltételezése mellett, ebben a sorrendben. Az átlagos technikai hatékonyság 0.49 illetve
0.61 volt. Input orientált modellt használtam, ami azt jelenti, hogy a gazdák 51% és
39% százalék között csökkenthetik input ráfordításukat állandó mennyiségű főtermék
előállítása mellett, hogy elérjék az adott üzem pareto hatékonyságát. Ez az üzemek
átlagos technológiai potenciálja.
4. táblázat Technikai hatékonyságok eloszlása
CRS VRS CRS/VRS
1.00 29 3% 100 11% 29 3%
0.90-1.00 15 2% 41 4% 279 30%
0.80-0.90 25 3% 155 17% 264 28%
0.70-0.80 47 5% 97 10% 166 18%
0.60-0.70 94 10% 137 15% 117 12%
0.50-0.60 165 18% 173 18% 66 7%
0.40-0.50 237 25% 182 19% 12 1%
<0.40 325 35% 152 16% 4 0%
SZUM 937 100% 937 100% 937 100%
Átlag 0.49 0.61 0.82
Min 0.17 0.17 0.37
Max 1.00 1.00 1.00
Szórás 0.18 0.21 0.14
CRS: konstans skálahozadék, VRS: változó skálahozadék CRS/VRS: mérethatékonyság
Az 7. ábra és a 8. ábra bemutatja a DEA hatékonyság elemzés eredményeit a vizsgált
973 megfigyelésen. Látszik a hatékony üzemek (>0.90) és a túlzott input-
38 / 64
felhasználással jellemezhető üzemek (<0.60) kettőssége. A CRS modellben a
hatékonytalan üzemek vannak túlsúlyban, ahogy azt a trendvonal is ábrázolja.
7. ábra (a trendvonal R² = 0,9984)
A hatékony üzemek eloszlása kettős szerkezetet mutat a változó skálahozadék mellett.
Ahogy a 8. ábraán látható nagyon magas mind a 0.9 felett teljesítő üzemek száma
illetve a 0.5 érték alatt teljesítők aránya. Mind a CRS mind pedig a VRS modellben
látható trend a hatékonytalan üzemek túlsúlyát jelzi.7 A technikai hatékonyság okainak
vizsgálatára OLS modellt használtam, és több magyarázó változót.
7 A legjobban illeszkedő trendvonal polinomiális illesztésű volt a CRS, VRS illetve a
CRS/VRS tekintetében
2915 25
47
94
165
237
325
0
50
100
150
200
250
300
350
1 >0.9 >0.8 >0.7 >0.6 >0.5 >0.4 <0.4
A vizsgált üzemek technikai hatékonysága állandó skálahozadék mellett
39 / 64
8. ábra (a trendvonal R² = 0,5261)
8.2.1 Az inputok túlhasználata
Az 5. táblázat összefoglalja és értelmezi az input slack-ek értékeit. Az előző fejezetben
ismertetett módszertan alapján kiszámoltam az átlagos input túlhasználás arányait az
átlagos inputfelhasználáshoz képest.
5. táblázat Input túlhasználat, és a túlhasználó gazdaságok száma
Input változók Darab Átlagos
túlhasználás
Átlagos
input
felhasználás
Átlagos input
túlhasználás
(%)
Vetőmag-szaporítóanyag
költség (Ft) 49 22487.6 1483792 2%
Műtrágyaköltség (Ft) 81 49664.77 3203215 2%
Növényvédőszer-költség (Ft) 183 85461.82 40716.23 -48%
Szerves trágya költsége (Ft) 102 8978.084 1570992 1%
Gépköltségek (Ft) 97 180389.4 2846198 6%
Összes felhasznált munka
költsége (Ft) 297 194753.5 1135190 17%
VRS DEA elemzés alapján számított átlagos input túlhasználás
Az 5. táblázat alapján látható, hogy a felhasznált munkaerő, növényvédőszer és a
szerves trágya inputok tekintetében mutatkozott a legtöbb gazdaságnál túlzott input
felhasználás. A slack mértéke a növényvédő szernél volt a legmagasabb, amit a munka
követett, majd a gépköltségek. A vizsgálat alapján az öt pozitív előjelű inputnak a
csökkentésével illetve a negatív előjelű növényvédő szernek a növelésével érhető el a
maximális átlagos technikai hatékonyság.
100
41
155
97
137
173182
152
0
20
40
60
80
100
120
140
160
180
200
1 >0.9 >0.8 >0.7 >0.6 >0.5 >0.4 <0.4
A vizsgált üzemek technikai hatékonysága változó skálahozadék mellett
40 / 64
8.2.2 A mérethatékonysági mutató kiszámítása
Bunkóczi (2013) alapján meghatároztam az üzemek mérethatékonyságát a CRS/VRS
hányadosával. A mérethatékonyságot a 4. táblázat utolsó két oszlopa tartalmazza.
Látható, hogy az üzemek 3%-a méret hatékony, és 33%-a, tehát a harmaduk, 90%-os
mérethatékonyság feletti. Az 9. ábra megmutatja a trendet, ami alapján a
mérethatékonyság jellemzőbb a vizsgált üzemek között.
9. ábra CRS/VRS (trendvonal R² = 0,577)
8.3 Technikai hatékonyság vizsgálata SFA módszerrel Bakucs et. al. (2010) munkáját követtem az SFA módszer alkalmazásánál. A búza
ágazatra nézve keresztmetszeti adatokkal dolgoztam, így nem foglalkoztam az idő
befolyásával mivel itt nem lehet azt alkalmazni. A termelési függvényt log-log
formában határoztam meg (8).
log(𝑦) = 𝑓(log (𝑥1), log (𝑥2), log (𝑥3), log (𝑥4)) exp (𝑣𝑖 − 𝑢𝑖) (8)
Ahol Y az output értékesített főterméket (Ft); 𝑥1 a vetésterületet (ha); 𝑥2 a felhasznált
inputokat (Ft) – vetőmag, műtrágya, szerves trágya, növényvédőszer; 𝑥3 a
gépköltségben kifejezett tőkét (Ft) és 𝑥4 az összes munkaórát (m.ó.) jelenti.
A modell OLS becslése pozitív kapcsolatot mutatott az output és az inputok között. A
tőke és a munkaóra hatása azonban nem bizonyultak szignifikánsnak. A
heteroszkedaszticitás White teszt statisztikája: 16.32895 Chi-sq(14) P-value = .2937
volt. A modell magyarázóereje korrigált R2=0.9129.
29
279264
166
117
66
12 40
50
100
150
200
250
300
1 >0.9 >0.8 >0.7 >0.6 >0.5 >0.4 <0.4
A vizsgált üzemek mérethatékonysága
41 / 64
Az SFA eredmények 140 hiányzó értéket generáltak, aminek oka az output változó 78
db nulla értéke (értékesített főtermék, forint) és a tőke 73 db nulla értéke (gépköltség,
forint). Ezek az eredmények nehezítik az SFA módszer összehasonlítását a DEA-val,
így új megközelítésben a DEA-ban is használt főtermék mennyisége (kg) változót
használtam output változónak. Ezzel a módszerrel már csak 73 hiányzó érték
keletkezett, ám a tőke előjele megváltozott, és negatív hatást jelzett (-0.0221
koefficiens) ám ez esetben sem bizonyult szignifikánsnak (10%-os szignifikancia szint
mellett).
A végső modellben, az adatokban a nulla értékeket kiigazítottam egy nagyon kis
kicsiny, 10-13 értékre, hogy ne produkáljon hiányzó értékeket. Az adatokon lefutattam
az OLS és SFA vizsgálatokat mind a főtermék mennyiségre (𝑦1), mind pedig az
értékesített főtermékre (𝑦2), mint outputra. Az értékesített főtermékre (𝑦2) nézve a
modell OLS magyarázóereje nagyon alacsonynak bizonyult (korrigált R2= 0.1772), és a
konstans illetve a vetésterület (𝑥1) is negatív előjelet kaptak. Ezért a főtermék
mennyiségével folytattam le az SFA elemzést.
A végső modell megfelelően futott le, a DEA eredmények alapján és Baráth és Fertő
illetve Bakucs et. al. munkája alapján várt, a DEA-nál nagyobb technikai hatékonysági
index értékeket kaptam. Továbbá a modellből egy megfigyelés sem maradt ki.
8.4 A hatékonyságot befolyásoló tényezők vizsgálata A továbbiakban megvizsgálom a DMU-k technikai hatékonysága és az üzemméret,
támogatás és egyéb input változók közti összefüggéseket, többek között a vetésterület
aranykorona értékének hatását. Az OLS (Ordinary Least Squares), vagy lineáris
legkisebb négyzetek becslést használtam a modellel, amivel meghatározható egy függő
változóra a magyarázó változók hatásainak mértéke, előjele, és hogy hatásuk
statisztikailag szignifikáns-e vagy sem. A regresszió feladata a változók közötti
függvénykapcsolat meghatározása (Modell). A mért értékek és a becslés közötti
hibaértékeket az OLS az eltérések négyzetösszegének csökentésével próbálja
minimalizálni. A vizsgálat során a DEA technikai hatékonyság eredményeire ható
tényezőket vizsgáltam a meghatározott feltevéseknek megfelelően:
üzemméret, vetésterület hatása,
különböző fajta technikák (bérmunka/családi munka, saját gép/idegen gép)
hatása,
42 / 64
és támogatások hatása alapján.
Több változót is megvizsgáltam, és a különböző változók hatásait legjobban bemutató
modellek eredményét elemeztem. A támogatások hozzáadásával nőtt a modell
magyarázóereje, mind korrigált R2 érték mind pedig log-likelihood tekintetében. A két
modell eredményeit a 6. táblázat foglalja össze.
8.4.1 Magyarázó változók
idegengep: idegen szolgáltatók által végzett gépi munka ára (Ft)
osszesgepkoltseg: a gépi munkára fordított összeg (Ft)
csaladimunka: a családi munka aránya az összes munka ráfordításban (%)
alkalmimunka: az alkalmi munkások aránya az összes munka ráfordításban (%)
uzemmeret: az üzemméret európai méretegységben (EUME); összes standard
fedezeti hozzájárulás (SFH) euróban osztva 1200 euróval
specializacio: az üzemméret specializációja búza- tönkölybúza ágazatban, amit
úgy kaptam, hogy elosztottam az ágazati vetésterületet az üzemmérettel (%)
aksz: a szántóterület aranykorona értéke (Akr)
vetesterulet: a búza, tönkölybúza vetésterülete (ha)
allamitamogatas: a közvetlen állami támogatás értéke (Ft)
saps: terület alapú támogatás (Ft)
akgtamog: agrár-környezetgazdálkodási támogatás (Ft)
A modellekben használt változókról bővebben lásd az aki tesztüzemi és ágazati
kérdőívének kivonatát a II. mellékletben.
9. Eredmények A vizsgálat 973 üzemet érintett összesen. Az adatok a 2013-as évből származtak. 2013-
ban a búzatermés 4655,89264 kg/ha volt Magyarországon, (32%-al több mint a 2012.
évi). A DEA megmutatta, hogy a vizsgált üzemek technikai hatékonysági szintje 49%
illetve 61% konstans illetve változó skálahozadékú modellek mellett. Az üzemek
átlagos mérethatékonysága 82%-osnak bizonyult, 33%-ukról volt megállapítható a 90%
feletti mérethatékonyság (4. táblázat). Az SFA technika átlagosan 75%-os technikai
hatékonyságot mutatott a búzatermelés ágazatában, ami 14% látens technikai
hatékonyságra derített fényt, amit a DEA modellek nem magyaráztak meg. A
továbbiakban ismertetem a DEA és az SFA eredményeket és összehasonlítom a két
vizsgálati módszert.
43 / 64
9.1 DEA vizsgálat eredményei A technikai hatékonyság változó skálahozadékot feltételező modellje mellett az üzemek
nem egységes eloszlása mutatkozik (8. ábra). Nagy számban találhatók 90% feletti
technikai hatékonyságú üzemek illetve 40-60% közötti hatékonyságú üzemek a
mintában. A farmok ilyen kettős megoszlása visszavezethető a magyar üzemszerkezet
történelmi sajátosságaira; az üzemszerkezet duális tulajdonságára. Bakucs et. al. (2010)
és Baráth és Fertő (2012) szerint ezek a tulajdonságok nagyban torzíthatják a
hagyományos modellek becsléseit. Ezért ők a kiugró értékek kezelésére az SFA
technikát használták a DEA technika helyett. Baráth és Fertő (2012) rávilágított arra,
hogy az SFA technika feltárja a rejtett, látens, technikai hatékonyságot az üzemeknél.
6. táblázat A technikai hatékonyság OLS becslései
Függő változó: DEA VRS technikai hatékonyság
1. modell 2. modell
idegengep (%) 0,001521** (0,0002463) 0,001633** (0,0002436)
osszesgepkoltseg -7,436e-09** (3,1446e-09) -1,01e-08*** (3,1569e-09)
csaladimunka (%) 0,001676** (0,0001884) 0,001813** (0,0001875)
alkalmimunka (%) 0,001042* (0,0005557) 0,001175** (0,0005479)
uzemmeret (eume) 7,686e-05** (3,655e-05) 0,0001831** (4,345e-05)
specializacio (%) 0,002506** (0,0004195) 0,002587** (0,0004147)
aksz 0,01464** (0,0007642) 0,01354** (0,0007851)
vetesterulet (ha) 0,0007057** (0,0002118) -0,0004550 (0,0006271)
allamitamogatas - - 3,012e-08** (5,633e-09)
saps - - -1,460e-05** (6,978e-06)
akgtamog - - -2,914e-05** (6,089e-06)
n 937 937
Adj. R2 0,8852 < 0,8886
lnL 92,33 < 108
A standard hibák zárójelekben vannak
*** 1%-on szignifikáns ** 5%-on szignifikáns * 10%-on szignifikáns
Az 1. modell és a 2. modell közül a másodiknak magasabb a magyarázóereje: 88,86%-
át magyarázza a Tesztüzemi Adatoknak. Továbbá a második modell log-likelihood
tesztje is magasabb, mint az elsőé (2. modell 108, 1. modell 92,33), ld. 6. táblázat. A
44 / 64
következőkben részletesen kifejtem a DEA vizsgálatot magyarázó regresszió
eredményeit.
9.1.1 Üzemméret, munka és specializáció hatásai
OLS ökonometriai módszerrel alátámasztottam a vizsgálati kérdéseimben
megfogalmazott tényezők és az üzemek technikai hatékonysága közötti statisztikai
kapcsolatot. Az eredményeket a 6. táblázat foglalja össze. Az üzemméret és az
ágazatbeli specializáció, a bérelt gépi munka, a családi munka és az alkalmi munka
nagyobb aránya pozitívan befolyásolják az üzemek technikai hatékonyságát. Az összes
gépesítésre fordított kiadások előjele negatív, ami ellentétes a gépesítésből származó
technikai hatékonyságbeli előnyökkel szemben támasztott feltevésekkel. Az egyik
lehetséges magyarázat a túlzott gépesítettség, a gépek alul használata. Erre enged
következtetni a bérelt gépi munka pozitív előjele is, és ez már egybevág az ismert
hatékonysági feltételezésekkel is, miszerint a kisebb gazdaságoknak (~5 ha)
hatékonyabb bérelni a gépi munkát, mint saját gépparkot fenntartani, ami nagyon
költséges. Továbbá, feltételezve, hogy a vetésterület minősége is befolyásolhatja az
üzemek hatékonyságát, megvizsgáltam az aranykorona összefüggését. A szántó
aranykorona értékének mind a két modellben (1. modell és 2. modell) pozitív hatása
volt a technikai hatékonyságra, és statisztikailag szignifikáns kapcsolat mutatkozott. A
vetésterület az első modell alapján, a várakozásoknak megfelelően, igazolta a
mérethatékonyságot, vagyis hogy nagyobb területen hatékonyabban lehet gazdálkodni.
A 10. ábra a három módszerre külön-külön szemlélteti a technikai hatékonyság
változását a vetésterület csökkenésének függvényében. Az ebben a fejezetben tárgyalt
DEA modell változó specifikáció mellett jól láthatóan kirajzolja a csökkenő
hatékonyságot az üzemméret csökkenésével. Tehát a vetésterület méretének változása
igazolja a mérethatékonyságot. Megfigyelhető még, hogy 4 hektár alatt újra megnőtt a
technikai hatékonyság, ami az egyenlőtlen üzemszerkezet következménye lehet. A
vetésterület a második modellben azonban nem mutatott statisztikailag szignifikáns
kapcsolatot a technikai hatékonysággal.
45 / 64
10. ábra Az átlagos technikai hatékonyság és a vetésterület (ha) közötti kapcsolat
A következőkben bemutatom, hogy a különböző ökonómiai üzemméret kategóriákban
(EUME) hogyan alakul az átlagos technikai hatékonyság. Az OLS becslésekből tudjuk,
hogy az EUME növekedése összességében pozitív hatással van a technikai
hatékonyságra, és statisztikai kapcsolata szignifikáns.
11. ábra Az átlagos technikai hatékonyság és az ökonómiai üzemméret (EUME) közötti
kapcsolat
Látható, hogy a 6. táblázat nagyon alacsony koefficiensei az EUME változó
tekintetében milyen lapos grafikont adnak. A 11. ábra megmutatja, hogy az ökonómiai
üzemméret technikai hatékonyságot növelő hatása, amit az OLS becslés adott, nem
egyenletes az üzemek méretének tekintetében. A 100 EUME feletti üzemek átlagos
hatékonysága nagyon megugrik, míg a 100 EUME üzemméretig folyamatosan csökken
az átlagos technikai hatékonyság. Az SFA módszerrel kapott technikai hatékonysági
mutatók eloszlása ezt a törést a 8 EUME körüli gazdaságokra teszi, és a hatékonyság
0,00
0,20
0,40
0,60
0,80
1,00
1,20
1000<500<300<100<40<10<4<1<=
Tech
nik
ai h
aték
on
yság
Vetésterület (hektár)
CRS
VRS
SFA
0,00
0,20
0,40
0,60
0,80
1,00
250<100<40<10<8<4<
Tech
nik
ai h
aték
on
yság
Ökonómiai üzemméret (EUME)
CRS
VRS
SFA
46 / 64
növekedése nem olyan ugrásszerű, mint a DEA eredményeknél, hanem sokkal
visszafogottabb.
9.1.2 Támogatások hatásai
A második modellben bevettem a támogatások hatását is, ahol a szakirodalomnak nem
ellentmondó módon a három támogatásfajtából (állami támogatás, területalapú
támogatás és agrár-környezetgazdasági támogatás) kettő negatívan befolyásolta a
technikai hatékonyságot. Az állami támogatások hatása pozitív volt. Minden támogatás
hatása szignifikánsnak bizonyult. A második modellben a vetésterület előjelváltását és
szignifikanciájának csökkenését magyarázhatja támogatások bevonása a modellbe,
hiszen azok közül a területalapú támogatás (SAPS) alapja független a hasznosítástól.
Továbbá a SAPS támogatás esetében az adott területen nem kötelező növénykultúra
termesztése (MVH 2011).
A közvetlen állami támogatások hatása pozitív volt, és statisztikailag szignifikáns. Ilyen
például a közvetlen állami támogatás termőföld vásárlása esetén (támogatási időszak
(2010. január 1. – 2013. december 31.). Összehasonlítva ezt a SAPS feltételeivel a
legfontosabb eltérés, hogy az állami támogatásnál kizárólag mezőgazdasági termelés
céljára használható a támogatott terület. A feltételek megkövetelik továbbá, hogy az
állami támogatásnál a megvásárolni kívánt föld szomszédos legyen a jogosult földjével
és azon legalább 1 éve mezőgazdasági tevékenységet folytasson, a meglévő és vásárolt
földterületek teljes mérete meghaladja a 210 aranykoronát, vállalja, hogy legalább 5
évig nem adja el a területet (N. A. NAK 2010). Tehát a szigorúbb feltételek biztosítják a
meglévő, helyi tapasztalatot, a mezőgazdasági tevékenységet, az 5 éves termelési célt és
csökkentik a kontraszelekció vagy az erkölcsi kockázat veszélyét. Ezek növelik az üzem
hatékonyságát.
9.2 SFA vizsgálat eredményei Az SFA vizsgálat alapján az átlagos technikai hatékonysági mutató 0.753 volt, ami a
megfigyelések 88 százalékában magasabb a DEA-val kapott eredményeknél. Baráth és
Fertő (2012) kifejtették, hogy az SFA módszer felfedheti a gazdaságok rejtett (látens)
technikai hatékonyságát. A gazdálkodók technikai hatékonyságukat átlagosan 24,7%-al
tudják növelni. A technikailag hatékony gazdaságok eloszolását a 7. táblázat 7. táblázat
és a 12. ábra mutatja be.
7. táblázat Technikai hatékonyságok
eloszlása
SFA
>0.9 110 12%
>0.8 334 36%
>0.7 232 25%
>0.6 134 14%
>0.5 57 6%
>0.4 39 4%
<0.4 31 3%
Összesen 937 100%
Átlag 0.753002
Szórás 0.15
Min -0.006640
Max 0.950309
12. ábra
A 12. ábran látható, hogy 0.6 technikai hatékonyság alatt összesen 127 üzem működik a
973 gazdaságból, ez az üzemek 13%-a. A gazdaságok 72%-a 0.6-0.8 technikai
hatékonyságot realizált. 11%-a a vizsgált gazdaságoknak 0.9 értéket ért el, ami azt
jelenti, hogy csupán 10%-al kell hatékonyabban működniük az elérhető teljes
hatékonysághoz. Az ökonometriai modellek, amikkel megvizsgáltam az SFA
eredményeket nem rendelkeztek magas magyarázó erővel (kevesebb, mint egy
százalékát magyarázták az adatoknak). Ilyen volt a mérethatékonyság, ld. I. melléklet. A
modellben levő heteroszkedaszticitás kijavítva növekedett a magyarázó erő, és
szignifikáns eredményeket kaptam. Az eredményeket a 8. táblázat tartalmazza.
9.2.1 Üzemméret hatásai
A technikai hatékonyság növekedését 5%-os szignifikancia szinten jól magyarázza az
üzemméret növekedése az 1. és 2. modellben, ld. 8. táblázat illetve 13. ábra. Egy hektár
növekedés az üzemméretben azonban csak 0.0000279%-al javítja a technikai
hatékonyságot. Ez az érték a többi magyarázó változóhoz képest a negyedik
legalacsonyabb. Bár a közvetlen állami-, SAPS és agrár-környezetvédelmi támogatások
is szignifikáns kapcsolatban vannak a technikai hatékonysággal, ezek befolyásolják a
legkisebb mértékben.
109
334
232
134
5739 31
0
50
100
150
200
250
300
350
400
>0.9 >0.8 >0.7 >0.6 >0.5 >0.4 <0.4
A vizsgált üzemek technikai hatékonysága az SFA módszer
eredményei alapján
48 / 64
8. táblázat A technikai hatékonyság heteroszkedaszticitásra korrigált becslései
Függő változó: SFA technikai hatékonyság
1. modell 2. modell 3. modell
const 0,1849 (0,1800) 0,2069 (0,1765) 0,5209** (0,1594)
idegengep (%) 0,0001713 (0,00017) 0,0001265 (0,00017) 0,0002 (0,00016)
csaladarany (%) 0,00042** (0,00015) 0,0004** (0,00015) 0,0003** (0,00015)
alkalmimunka (%) 0,0002338 (0,00035) 0,0002 (0,00036) 0,0002 (0,00036)
AWU -0,0013** (0,00057) -0,0014** (0,00052) -0,0015** (0,00043)
meret (ha) 2,79e-05* (1,50e-05) 4,7e-05** (2,34e-05) 1,48e-05 (2,02e-05)
specializacio (%) 0,00044* (0,00025) 0,0004* (0,00025) 0,0004 (0,00026)
aksz 0,0063** (0,00067) 0,0062** (0,00068) 0,0061** (0,00068)
l_EUME 0,0241** (0,0056) 0,0215** (0,00559) 0,0235** (0,00584)
l_gepkoltseg 0,02908* (0,0163) 0,0278* (0,01601) 0,0004 (0,01440)
l_vetesterulet -0,0382** (0,0167) -0,0354** (0,01636) -0,0122 (0,01464)
sumtamogatas - -3,592e-07 (4,06e-07) -
kallami - - -5,89e-09** (2,44e-09)
saps - - 6,71e-06** (2,69e-06)
akg - - 5,28e-06** (2,37e-06)
n 935 935 935
Adj. R2 0,1158 0,1123 0,1496
lnL -1928 -1950 -1945
A standard hibák zárójelekben vannak
*** 1%-on szignifikáns ** 5%-on szignifikáns * 10%-on szignifikáns
A 13. ábra látszik, hogy az üzemméret növekedése nem egyenletesen növeli a technikai
hatékonyságot. Az SFA eredményekkel szemben a DEA VRS eredmény két törést
mutat a technikai hatékonyságban. Az első a 10 hektárig tartó 20%-os hatékonyság
csökkenés, majd az 500 hektár üzemméret feletti gazdaságok hatékonyságának meredek
növekedése. Az üzemméretnél nagyobb pozitív hatással van a technikai hatékonyság
növekedésére az EUME-ban kifejezett ökonómiai nagyság. Az EUME egy százalékos
növekedése 0.03%-al növeli a technikai hatékonyságot (ld. még 11. ábra). A
vetésterületnek azonban szignifikáns, negatív hatása volt a modellekben (kivéve a
támogatásokkal bővített modellt, ahol a nem volt szignifikáns statisztikai kapcsolat).
49 / 64
13. ábra A technikai hatékonyságok és az üzemméret (ha) kapcsolatának ábrázolása
Ez olyan szocio-ökonómiai hatásokat feltételez, amik a modell elől rejtve maradnak, és
valószínűleg nehezen mérhetők, mert ezzel szemben a specializációnak minden
modellben pozitív, statisztikailag szignifikáns hatása volt. Azaz ha egy százalékkal
növekszik a búza vetésterületének aránya a gazdaságban, akkor 0,0004%-al növekszik a
technikai hatékonyság. Ez azt támasztja alá, hogy a specializált farmokban növekszik a
technikai hatékonyság szintje.
9.2.2 Termőföld minőségének hatása
Az aranykorona érték, mint nem befolyásolható exogén változó, pozitív szignifikáns
hatást mutatott. Ez egybevág a DEA-val végzett vizsgálat eredményeivel és
várakozásaimmal is, mivel a föld minősége kulcsfontosságú tényező a termelésben.
Azonban az aranykorona érték nem tartozik a technológiához, mivel nem közvetlenül
nem befolyásolható. A talajjavító intézkedések, a műtrágyázás és a géphasználat
mértéke befolyásolják a termésmennyiséget. Magas aranykorona értékű területeken
természetesen kevesebbet kell a fenti inputokból használni, ezért növeli a technikai
hatékonyság szintjét. A szakdolgozatomban csupán mint kontroll változót
szerepeltettem.
9.2.3 Munka hatása
A DEA modellekhez képest szignifikáns statisztikai kapcsolatot találtam az éves
munkaegységek (AWU) és a technikai hatékonyság között. Minden befektetett új
munkaegység csökkentette a technikai hatékonyságot. Ez az eredmény a gépköltségek
pozitív hatásával együtt arra enged következtetni, hogy a gépesítettség arányának
növekedése növeli a hatékonyságot és csökkenti a szükséges munka mennyiségét. A
0,00
0,20
0,40
0,60
0,80
1,00
1000<500<300<100<40<10<4<1<=
Tech
nik
ai h
aték
on
yság
Üzemméret (hektár)
CRS
VRS
SFA
Mérethatékonyság
50 / 64
gépesítettségből következő magasabb hatékonyság, a munka csökkenése az
agrárgazdaságtan egyik fontos területe.
A családi és az alkalmi munka arányának növekedése statisztikailag szignifikáns módon
hozzájárult a technikai hatékonyság növekedéséhez. Ezek az eredmények egybevágnak
a DEA technikai hatékonyságának OLS becslésével. A technikai hatékonyság
növekedésének oka valószínűleg a családi és alkalmi munka költséghatékonyságában
található.
9.2.4 Gépesítettség ráfordítás hatása
Az idegen gépek használatának aránya a gépesítettségben és az alkalmi munka aránya is
pozitív, de statisztikailag nem szignifikáns hatással voltak az üzemek technikai
hatékonyságára. A gépköltségek szignifikáns hatást mutatnak, mint ahogy az előző
bekezdésben ismertettem. A gépekre fordított kiadások egy százalékának növekedésére
0.03%-al nő a technikai hatékonyság. Kivéve a 3. modellben, ahol a magyarázó
változókba bevettem a különböző támogatásokat. A 3. modellben nincs szignifikáns
statisztikai kapcsolat, és csupán 0.0004%-al növeli a technikai hatékonyságot a
gépesítettség ráfordítása.
9.2.5 Támogatások hatásai
A 8. táblázat 2. és 3. modellje megmutatja a támogatások együttes hatását, illetve a
különböző támogatások hatását egyenként. A támogatások együttes hatása negatív
előjelű volt, nem bizonyult statisztikailag szignifikánsnak. A közvetlen állami
támogatások, a SAPS és az agrár-környezetvédelmi támogatások hatásai egyenként
viszont szignifikáns kapcsolatot mutattak 5%-os szignifikancia szint mellett. A DEA
vizsgálat eredményeihez képest megfordult a hatások iránya a 6. táblázat és a 8.
táblázat becslései között. Ezek az eredmények azt mutatják, hogy a SAPS és az agrár-
környezetvédelmi támogatások hatása pozitív a technikai hatékonyságra, míg a
közvetlen állami támogatásoké (mint pl. a közvetlen állami támogatás termőföld
vásárlása esetén) negatív volt.
9.3 A DEA és az SFA eredmények összehasonlítása A 9. táblázatban összefoglaltam a vizsgált üzemek átlagos technikai hatékonyságát a
2013. évre vonatkozóan illetve a DEA eredményekből számított mérethatékonyságot.
Az eredményekből látható, hogy a DEA alulbecsüli a gazdaságok technikai
hatékonyságát. CRS és VRS specifikáció mellett a gazdaságok átlagosan 49 illetve 61
százalékát érik el a teljes technikai hatékonyságnak. Az SFA eredmények alapján az
51 / 64
átlagos technikai hatékonyság 75%, vagyis 25%-al növelhetik az üzemek a termés
mennyiséget pótlólagos inputok felhasználása nélkül. A mérethatékonyság mutatójából
látszik, hogy a gazdaságok mérethatékonysága átlagosan 82%. Az inputok
rugalmasságának összeadásával kiszámoltam a skálahozadékot, ami csökkenő
skálahozadékot mutatott, 0.91 lett (ld. Az input-output változók meghatározása). A
felhasznált szakirodalom alapján az SFA módszer olyan rejtett technikai
hatékonyságokat is feltárt, amire a DEA módszer nem volt alkalmas.
9. táblázat A technikai hatékonyság és mérethatékonysági mutatók összehasonlítása
Technikai hatékonyság Mérethatékonyság
DEA SFA DEA
CRS VRS CRS/VRS
Átlag 0.49 0.61 0.75 0.82
Szórás 0.18 0.21 0.15 0.14
Hatékony üzemek száma 29 100 1 29
Átlagos potenciál 51% 39% 25% 18%
(Megfigyelések száma: 973 db, 2013. év)
A megbecsült modellek azonban nem magyarázzák a támogatások előjelváltását. A 10.
táblázatban összefoglaltam a technikai hatékonyság vizsgálatának eredményeit, és azok
eloszlását. Ahogy azt korábban a DEA és az SFA vizsgálatoknál kiemeltem, a
különböző vizsgálatok más és más eloszlású technikai hatékonyságot adtak eredményül.
10. táblázat A technikai hatékonyságok eloszlása az üzemek között, összehasonlítás
DEA CRS DEA VRS SFA
1 29 3% 100 11% 1* 0%
0.90-1.00 15 2% 41 4% 110 12%
0.80-0.90 25 3% 155 17% 334 36%
0.70-0.80 47 5% 97 10% 232 25%
0.60-0.70 94 10% 137 15% 134 14%
0.50-0.60 165 18% 173 18% 57 6%
0.40-0.50 237 25% 182 19% 39 4%
<0.40 325 35% 152 16% 31 3%
SZUM 937 100% 937 100% 937 100%
* 0.95 feletti technikai hatékonyság
52 / 64
A CRS és VRS közötti különbséget a Data Envelopment Analysis alfejezetben
bemutatott matematikai programozási probléma (Bunkóczi 2013) magyarázza; a VRS
eredmények nagyobb egyenlők a CRS eredményeknél. Az átlagos hatékonyság (9.
táblázat) pontosan 12%-al magasabb a VRS eredményekben.
A DEA VRS modellje adta az egyetlen eloszlást, ahol a 8. ábránál is tárgyalt, kettős
csúcs figyelhető meg. Ez azt jelenti, hogy nagy számban vannak jelen a teljes
hatékonyság közelében termelő üzemek és kevésbé hatékonyan termelő üzemek. A 60-
80% és 90-100% közötti technikai hatékonyságot realizáló üzemek aránya alacsony a
két véglethez képest, amik a 80-90% közötti és a 60% alatti technikai hatékonyságú
üzemek. A 10. táblázat eredményeit alább a 14. ábra ábrázolja. Jól látható, azzal a
kitétellel, hogy a 95% feletti technikai hatékonyságú gazdaságokat tekintjük
technikailag hatékonynak, a VRS és SFA vizsgálatok közel ugyan annyi hatékony
üzemet találtak. Végül összefoglalom a technikai hatékonyságot befolyásoló tényezők
vizsgálatának eredményeit. A 11. táblázat összefoglalja a 6. táblázat és a 8. táblázat
becsléseit a technikai hatékonyságokat befolyásoló tényezők hatására. Az öt modell
közül a DEA VRS technikai hatékonyságokat vizsgáló (2.) modell magyarázza
legjobban a megfigyeléseket. Magyarázóereje és log-likelihood aránya a legmagasabb a
bemutatott modellek között. Log-likelihood egyenlő 108-al, korrigált R2=0.8886, vagyis
a modell a megfigyelések több mint 88%-át magarázza.
14. ábra Az üzemek számának megoszlása a technikai hatékonyságok függvényében
0
100
200
300
400
500
600
1 0.90-1.00 0.80-0.90 0.70-0.80 0.60-0.70 0.50-0.60 0.40-0.50 <0.40
Üze
mek
szá
ma
(db
)
Üzemek technikai hatékonyságának eloszlása
CRS VRS SFA
53 / 64
11. táblázat A technikai hatékonyságokat befolyásoló tényezők vizsgálatának
eredményei, összehasonlítás
Függő változó: DEA VRS
technikai hatékonyság
Függő változó: SFA technikai
hatékonyság
1. modell 2. modell 1. modell 2. modell 3. modell
idegengep (%) 0,001521** 0,001633** 0,0001713 0,0001265 0,0002
csaladarany (%) 0,001676** 0,001813** 0,00042** 0,0004** 0,0003**
alkalmimunka
(%)
0,001042* 0,001175** 0,0002338 0,0002 0,0002
AWU - - -0,0013** -0,0014** -0,0015**
meret (ha) - - 2,79e-05* 4,7e-05** 1,48e-05
specializacio
(%)
0,002506** 0,002587** 0,00044* 0,0004* 0,0004
aksz 0,01464** 0,01354** 0,0063** 0,0062** 0,0061**
l_EUME1 7,686e-05** 0,0001831** 0,0241** 0,0215** 0,0235**
l_gepkoltseg1 -7,436e-09** -1,01e-08*** 0,02908* 0,0278* 0,0004
l_vetesterulet1 0,0007057** -0,0004550 -0,0382** -0,0354** -0,0122
sumtamogatas - - - -3,592e-07 -
kallami - 3,012e-08** - - -5,89e-09**
saps - -1,460e-05** - - 6,71e-06**
akg - -2,914e-05** - - 5,28e-06**
n 937 937 935 935 935
Adj. R2 0,8852 0,8886 0,1158 0,1123 0,1496
lnL 92,33 108 -1928 -1950 -1945
1Az EUME, gépköltség és vetésterület a DEA technikai hatékonyság vizsgálatánál
lineáris formában került a modellbe
10. Összefoglalás és következtetések levonása A kutatási projektemet a búza és tönkölybúza termelő üzemek technikai hatékonyságára
fókuszáltam. A kutatási kérdések és az ágazat bemutatása után ismertettem a
szakirodalmakat, és a rendelkezésre álló módszereket és az ismertetett módszertan
alapján statisztikai módszerek segítségével elemeztem 973 üzem technikai
hatékonyságát.
54 / 64
A technikai hatékonyság vizsgálatai a következő eredményeket hozták:
1. Az üzemek a CRS, VRS és SFA értékek alapján átlagosan 51%, 39% és 25%
potenciális technikai hatékonysággal rendelkeznek, amit kihasználva
csökkenthetik inputjaik felhasználását az output változatlansága mellett vagy
növelhetik az output mennyiségét az input szintek változtatása nélkül (ld. 4.
táblázat és 7. táblázat).
2. Az inputokra külön-külön meghatározott hatékonyságok alapján a szerves
trágya kiadások 1%-al, a vetőmag és a műtrágya kiadások 2%-al, a
gépköltségek kiadásai 6%-al, az munka kiadásai 17%-al csökkenthetők az
output szintjének változása nélkül. A növényvédőszer kiadásai 48%-al
növelhetők, vagy hatékonyságuk ugyan ennyi százalékban növelhető (ld. 5.
táblázat).
3. A búza ágazatban az üzemek majdnem 10%-a, 92 üzem, méret-hatékony
(mérethatékonysága > 0.99). A gazdaságok átlagosan mérethatékonysága
18%-al növelhetik mérethatékonyságukat (4. táblázat).
A technikai hatékonyságot befolyásoló tényezők vizsgálatának eredményeit a
következőkben összegzem.
Gépesítettség ráfordításának növelése
A gépesítettség ráfordításának növelésével fennállhat annak a kockázata, hogy a
gépeket alulhasználják; többe kerül egy gép fenntartása, mint amennyivel több outputot
termeléséhez segít hozzá (11. táblázat, DEA VRS modellek) Ebben az esetben csökken a
gazdaság technikai hatékonysága. A gépesítettség mértéke az Az inputok túlhasználata
alapján (5. táblázat) átlagosan 6%-al csökkenthető, vagyis a ráfordítás hatékonysága
6%-al növelhető. Az bérelt gépek használata a DEA VRS modell vizsgálatakor
statisztikailag szignifikáns módon növelte a technikai hatékonyságot, ami alátámasztja,
hogy a gép bérlés költséghatékonyabb a beruházásnál. Döntéshozatali szempontból
fontos, hogy a gépesítéssel kiváltott munka mennyivel csökkenti a mezőgazdasági
foglalkoztatottak számát, és hogy akik a mezőgazdaságban nem találnak munkát hogyan
tudnak elhelyezkedni a munkaerő piacon.
Munkaerő és a családi illetve alkalmi munka arányának növelése a termelésben
55 / 64
A munkaerő növelése (AWU) statisztikailag szignifikáns negatív hatással volt
gazdaságok technikai hatékonyságára. A búzatermelő ágazat nem tartozik a munka-
intenzív ágazatok közé, ami megmagyarázza a munkaerő növelésével csökkenő
hatékonyságot. A munkára fordított összegek a DEA vizsgálatok alapján 17%-al
hatékonyabban használhatók fel, vagyis ennyivel lennének csökkenthetők az ilyen
jellegű kiadások.
A családi illetve az alkalmi munka aránya az összes munkában minden modellben
szignifikáns eredményt hozott, ami azt jelenti, hogy költséghatékonyabb megoldásnak
bizonyulnak. Az alkalmi és családi munka arányának növekedése a technikai
hatékonyság növekedéséhez vezet. Ennek oka a családi munka nehéz
elszámolhatóságából illetve az alkalmi munka költséghatékonyságából fakad. A családi
gazdaságokban, mivel az alkalmazottak egyben tulajdonosok is, és érdekeltek a
maximális termelékenység elérésében, hatékonyabban dolgoznak mint az állandó, nem
családi munkaerő. Az alkalmi munkásokkal pedig hatékonyabban tudnak gazdálkodni,
mivel akkor tudják alkalmazni őket, amikor szükség van rá. Ez komoly szaktudást és
tapasztalatot igényel az üzemvezető részéről.
A vetésterület, az üzemméret és a specializáció növelése
A vetésterület növekedése a legjobb magyarázóerővel rendelkező (DEA VRS) 2.
modellben nem volt statisztikailag szignifikáns hatással, ám a várakozásokkal
ellentétben csökkentette a technikai hatékonyságot. A gazdaságok átlagos
mérethatékonyságának 18%-os elmaradása (ld. 9. táblázat), és az egyenlőtlen
üzemszerkezet okozhatta a negatív hatást. Az Európai Méretegységben (EUME) és a
hektárban kifejezett üzemméretek növekedése már növelték a technikai hatékonyságot.
A specializáció növekedése is minden esetben növelte a technikai hatékonyság
mértékét.
A támogatások növelésének hatásai
A szigorúbb állami támogatások pozitívan hatnak a hatékonyságra, míg a SAPS és az
agrár-környezetvédelmi kifizetések negatívan befolyásolják az üzemek hatékonyságát
(DEA VRS 2. modell). A legnagyobb problémának a támogatások összehasonlításakor
azt találtam, hogy a SAPS terület alapú támogatás nem követeli meg növénykultúra
fenntartását a támogatási időszakban. Mivel a búzatermelő ágazatot vizsgáltam ez nem
meglepő módon negatív hatáshoz vezetett. Az SFA-val számolt technikai hatékonyság
56 / 64
esetében azonban pont ellenkezőleg, a SAPS pozitív hatást gyakorolt a technikai
hatékonyság növekedésére. Ennek oka az eltérő modellspecifikációban is lehet, vagy a
DEA és az SFA technikai hatékonyságok közötti eltérésben. Az SFA olyan látens
technikai hatékonyságokat is felfed, amiket a DEA módszer nem (Baráth 2012).
A kutatás elején felvetett kérdésekre a vizsgálatokon keresztül megpróbáltam választ
találni, és alább összegzem ezeket a következtetéseimet.
Technikailag hatékonyabbak-e a nagyobb gazdaságok?
Az üzemek mérete és az ökonómiai üzemméret (EUME) növekedése növelték a
technikai hatékonyságot minden vizsgált modellben. A búzatermesztés arányának
növelése az összes megművelt területben is minden esetben növelte a technikai
hatékonyságot. Azonban a vetésterület növelése a legtöbb modellben csökkentette a
hatékonyságot, amiért olyan szocio-ökonómiai hatások lehetnek a felelősek, amiket
ebben a kutatásban nem tudtam megvizsgálni. Továbbá megállapítottam, hogy az
üzemek átlagosan 82%-ban méret-hatékonyak. Teljesen méret-hatékonynak 29 db
üzem mutatkozott, ez a vizsgált üzemek 3%-a.
Pozitívan befolyásolják-e az állami vagy uniós támogatások a gazdaságok
hatékonyságát?
Minden modellben negatív és pozitív hatásai is voltak a támogatásoknak a technikai
hatékonyságra. Ahol megvizsgáltam az összes támogatás hatását az csökkentette a
technikai hatékonyságot, de hatása nem volt statisztikailag szignifikáns. Biztosan
kijelenthető azonban, hogy a támogatások statisztikailag szignifikánsan befolyásolják a
technikai hatékonyságot a vizsgált mintán belül. Érdemes lenne a későbbiekben
részletesebb adatokon keresztül megvizsgálni a lehetséges kontraszelekciós és erkölcsi
kockázatos hatásokat.
Hogyan befolyásolják az egyéb tényezők a technikai hatékonyságot?
Az egyéb tényezők, mint a családi és alkalmi munka aránya, az idegen gépi
szolgáltatások igénybevételének aránya, a szántó aranykorona értéke illetve az éves
munkaegységek hatása lett megvizsgálva a dolgozatban. A családi és az alkalmi munka
arányának növekedése növelte a technikai hatékonyságot. A saját gépek használatát
összehasonlítva az idegen gépi szolgáltatások igénybevételével a második növeli a
technikai hatékonyságot a gazdaságokban. Ez azt jelenti, hogy a saját gépek
57 / 64
üzemeltetésének nincsen meg a megfelelő technikai hatékonysága a gazdaságokban, és
ez a terület tovább fejleszthető, vagy a technikai hatékonyság növelhető az bérelt gépi
munka arányának növelésével.
Az eredmények alapján érdemes lenne megvizsgálni az üzemszerkezet hogyan
befolyásolja a technikai hatékonyságot, illetve hogy a kis és nagy gazdaságok között
hogyan oszlanak meg az eredmények. Más változókat, mint a farmon kívüli jövedelem,
vagy az üzemvezető tapasztalatára vonatkozó információk, is be lehetne vonni a
modellekbe, ezek hatását együttesen és külön-külön megvizsgálni.
Az üzemek technikai hatékonyságának vizsgálata megmutatta, hogy jelentős
kihasználatlan potenciál van a búzatermelési ágazatban. A vizsgálat az inputok
túlhasználatának segítségével megmutatta, hogy a növényvédő szerek hatékonyabb
használatával, és a munka és gépköltségek csökkentésével elérhető a technikai
hatékonyság. A megvizsgált üzemek technikai hatékonysága között a DEA és az SFA
módszer is jelentős különbségeket mutatott. Elmondható, hogy az üzemméret és a
specializáció növelése megnöveli az üzemek hatékonyságát.
Az eredmények alapján javaslatot lehet tenni az inputok hatékony felhasználásának
további vizsgálatára és a támogatások hatékonyságának további vizsgálatára. Kiemelten
érdemes foglalkozni az bérelt gépi munka és a családi munka illetve alkalmi munka
kérdésével. Az eredmények alapján ezek magas aránya növelte az üzemek átlagos
technikai hatékonyságát, míg az összes ráfordított munka illetve a saját gépi munka
költségei csökkentették a hatékonyságot. A búza ágazat Magyarország második
legnagyobb gabonatermelő ágazata, így a búza és tönkölybúza termelő üzemek
hatékonyságának vizsgálata az agrárgazdaság fontos területe. A magyar búzatermelő
gazdaságok átlagosan körülbelül 30%-ot javíthatnak hatékonyságukon. A hatékonyság
növekedésének elősegítése agrárpolitikai cél lehet a jövőben, új kutatások tárgya lehet,
és hozzájárulhat az ágazat növekedéséhez.
58 / 64
11. Irodalomjegyzék 1. Aigner, D. - Lovell, C. - Schimdt, P. „Formulation and estimation of stochastic
production function models.” Journal of Econometrics 6 (1977): 21-37.
2. AKI. Tesztüzemi Rendszer adatai. 2013.
3. Alemdar, Tuna - Ören, M. Necat. „Determinants of Technival Efficiency of
Wheat Farming in Southeastern Anatolia, Turkey: A Nonparametric Technical
Efficiency Analysis.” Jounral of Applied Sciences, 2006: 827-830.
4. Bakucs, L. Z. - Latruffe, L. - Fertő, I. - Fogarasi, J. „The impact of EU accession
on farms' technical efficiency in Hungary.” Post-Communist Economies 22, 2.
szám (2010): 165-175.
5. Baráth, Lajos - Fertő, Imre. „Heterogenitás és technikai hatékonyság: a magyar
specializált szántóföldi növénytermesztő üzemek esete.” Műhelytanulmányok.
MT-DP – 2012/30. Budapest: MTA Közgazdaság- és Regionális Tudományi
Kutatóközpont, Közgazdaság-tudományi Intézet, 2012. november.
6. Braco-Ureta, B. E. - Solís, D. - López, C. V. H. M. - Maripani, J. F. - Thiam, A.
- Rivas, T. „Technical efficiency in farming: a meta-regresion analysis.” Journal
of Productivity Analysis 27 (2007): 57-72.
7. Bunkóczi, László. ELŐREJELZÉSEK ÉS HATÉKONYSÁGSZÁMÍTÁSOK
AGRÁRSZEKTOR-MODELLEKHEZ. Gödöllő: Szent István Egyetem, 2013.
8. Coelli, T. J. - Rao, D. S. P. - O'Donnell, C. J. - Battese, G. E. An introduction to
Efficiency and productivity analysis. USA: Springer, 2005.
9. FAOSTAT. FAOSTAT\Production\Crops\Wheat\Hungary. 1993-2013.
10. Felkai, Beáta Olga - Lámfalusi, Ibolya - Varga, Tibor. „Változások néhány
növénytermelési ágazat hatékonysági tartalékaiban Magyarország uniós tagsága
idején.” Gazdálkodás 52, 2. szám (2013): 103-112.
11. Fertő, Imre. Az agrárpolitika modelljei. Osiris Kiadó, 1999.
12. Goyal, Dr. S. K. - Suhag, Dr. K. S. Estimation of technical efficiency on wheat
farms in northern india - a panel data analysis. International Farm Management
Congress, 2003.
13. Hayami, Y. - Ruttan, V. Agricultural Development: An International
Perspective. Baltimore: The Johns Hopkins University Press, 1985.
14. Hayes, Robert M. Data Envelopment Analysis. 2005.
15. Hollósy, Zsolt. „A búza és kukorica fedezeti termésátlagának alakulása
Magyarországon.” Gazdálkodás, 2007.
16. Kertész, Róbert - Béládi, Katalin. „A szántóföldi növények költség- és
jövedelemhelyzete.” Agrárgazdasági Információk. AKI, 2012.
59 / 64
17. Kiss, Ferenc László. „Belső gazdaságosság a termelési folyamatban.” 66.
http://econ.core.hu/file/download/vesz08/05_gazdasagossag.pdf, Letöltve 2015.
április 18.
18. KSH, Központi Statisztikai Hivatal. „STADAT 4.1.Mezőgazdaság.” KSH
honlapja. 2004-2013. https://www.ksh.hu/stadat_eves_4_1.
19. Kumbhakar, S. C. - Knox Lovell, C. A. Stochastic Frontier Analysis.
Cambridge: Cambridge University Press, 2000.
20. Lehota, József. A gabonaszektor piacelemzése. Agroinform Kiadó, 2003.
21. Lewin, AY. - Morey, RC. „Measuring the relative efficiency and output
potential of public sector organizations: an application of data envelopment
analysis.” International Journal of Policy Analysis and Information Systems 5,
4. szám (1981): 267-85.
22. Meeusen, W. - van den Broeck, J. „Efficiency estimation from Cobb-Douglas
production functions with composed error.” International Economic Review 18
(1977): 435-444.
23. MVH, Mezőgazdasági és Vidékfejlesztési Hivatal. Támogatások. 2011. április 4.
https://mvh.gov.hu/portal/MVHPortal/default/mainmenu/tamogatasok?tamogata
s_id=1040&mutat=T%C3%A1mogat%C3%A1s+r%C3%A9szletei (hozzáférés
dátuma: 2015. 04 26).
24. NAK, Nemzeti Agrárgazdasági Kamara (Magyar Agrárkamara). „Itt az Új
EUME kalkulátor !” NAK honlapja. 2013. november 21.
http://www.nak.hu/hu/tamogatasok/1149-itt-az-uj-eume-kalkulator (hozzáférés
dátuma: 2015. május 6).
25. NAK, Nemzeti Agrárgazdasági Kamara (Magyar Agrárkamara). Kamarai
piacfigyelő. 2014. január.
26. NAK, Nemzeti Agrárgazdasági Kamara (Magyar Agrárkamara). Még négy évig
él a termőföld-vásárlás állami támogatása. 2010. január 18.
http://www.agrarhirek.hu/agrarpolitika/5866.html (hozzáférés dátuma: 2015.
április 26).
27. Solt, Katalin Dr. „A skálahozadék vagy más néven volumenhozadék.” e-
learning.sze.hu. dátum nélk. http://e-learning.sze.hu/MikroTK/m3/o3_104.html
(hozzáférés dátuma: 2015. május 5).
28. Váradi, Júlia. „A magvetőtől a mag(v)evőig - A gabonatermelés szereplőinek
helyzete Magyarországon.” TDK dolgozat - agrárközgazdasági szekció, 2008.
március 31.
29. Workman, Daniel. „Wheat Exports by Country.” World's Top Exports. 2015.
március 5. http://www.worldstopexports.com/wheat-exports-country/3386.
60 / 64
Elektronikus forrás: Az AKI Tesztüzemi rendszerének búza, tönkölybúza ágazatra
vonatkozó tesztüzemi és ágazati adatai a 2013. évre vonatkozóan.
61 / 64
12. Mellékletek
I. melléklet: SFA mérethatékonysági ábrák
R² = 0,0007
1,00
10,00
100,00
1000,00
10000,00
-0,2 0 0,2 0,4 0,6 0,8 1
log(
Ha)
technikai hatékonyság
A vetésterület a technikai hatékonyság függvényében
R² = 0,0015
1,00
10,00
100,00
1000,00
10000,00
100000,00
-0,2 0 0,2 0,4 0,6 0,8 1
log(
EUM
E)
technikai hatékonyság
Az ökonómiai üzemméret megoszlása a technikai hatékonyság függvényében
R² = 0,0004
1,00
10,00
100,00
1000,00
10000,00
-0,2 0 0,2 0,4 0,6 0,8 1
log(
Ha)
technikai hatékonyság
Az üzemméret megoszlása a technikai hatékonyság függvényében
62 / 64
II. melléklet: FADN kérdőív mezőkódok (saját szerkesztés, az AKI FADN
kérdőíve alapján)
O: felhasznált output változó
I: felhasznált input változók
V: felhasznált magyarázó változók
NÖVÉNYTERMESZTÉS
a150 Ebben a sorban a ténylegesen betakarított területet kell szerepeltetni
hektárban 2 tizedes pontossággal (kivéve a gombát, ahol négyzetméterben).
V
a170 Aranykorona értékként nem az átlagos szántó, hanem a tényleges
vetésterületnek megfelelő átlagos ágazati aranykorona értéket kell szerepeltetni (a
gombatermesztés esetében ebben a sorban az évi szedések számát kell megadni).
V
a190 Főtermék mennyisége (kg) O
a600 Közvetlen állami támogatásnak azok a támogatások tekinthetők, amelyeket
egy adott ágazat fejlesztése, jövedelem helyzetének javítása, szinten tartása
érdekében kapott a gazdaság. A támogatások elbírálásánál az adott évi támogatási
rendeletek az irányadók.
V
a620 TERMELÉSI ÉRTÉK:
+ Főtermék mennyisége (a190) x a főtermék értékesítési ára (a230)
+ Közvetlen állami támogatás (a600)
+ Az ágazat egyéb bevételei (a610)
+ Melléktermék értéke (a615)
A melléktermék értékét a főtermék értékéhez hasonlóan, vagy (ha nem piacképes)
a helyettesítési érték alapján kell meghatározni.
O
a635 A területre kijuttatott vetőmag, illetve szaporítóanyag értéke. I
a645 A területre kijuttatott műtrágya értéke. Ennek meg kell egyeznie a 9/T lap
t645 sorának 4. oszlop adatával.
I
a655 Az ágazat által felhasznált növényvédőszer értéke. Ennek meg kell egyeznie
a 9/T lap t655 sorának 4. oszlopával.
I
a765 A kijuttatott szervestrágya értéke (a gazdaság által előállított ill. vásárolt). I
a770 Ebben a sorban az üzem- és kenőanyagok költségét, valamint a folyó javítási
és karbantartási költségeket kell elszámolni.
I
63 / 64
a820 Ebben a sorban kell szerepeltetni az idegen szolgáltatók által végzett gépi
munkákat, azok kivételével, amelyek az előző sorokban már elszámolásra kerültek
(pl.: szárítás).
Azoknál a szolgáltatásoknál, ahol a felhasznált anyagot is a szolgáltató adja (pl.:
növényvédelem), külön kell választani (amennyiben ez lehetséges) az
anyagköltségeket a szolgáltatási költségektől.
V
a830 Itt kell szerepeltetni az egyéni (családi) gazdaságok családtagjainak
közvetlen munkaóra felhasználását és a tényleges bérköltséget, beleértve a gépi
munkavégzés idejét is.
V/I
a840 Ebben a sorban kell feltüntetni az egyéni (családi) gazdaságok idegen
foglalkoztatottjainak közvetlen munkaidő felhasználását és a tényleges
bérköltségeket.
Ide tartoznak a társas vállalkozások rendszeres foglalkoztatottjainak adatai is.
I
a850 Ez tartalmazza a nem rendszeresen foglalkoztatott, alkalmi munkaerő adatait. I
SE005 Üzemméret
EUME
Economic size of holding expressed in European
size units (on the basis of the Community typology).
Total standard gross margin in euro / 1200
V
SE010 Éves Munkaerő
Egység AWU
Total labour input of holding expressed in annual
work units = full-time person equivalents. I
SE025 Teljes hasznosított
mezőgazdasági
terület
ha
Total utilised agricultural area of holding. Does not
include areas used for mushrooms, land rented for
less than one year on an occasional basis, woodland
and other farm areas (roads, ponds, non-farmed
areas, etc.). It consists of land in owner occupation,
rented land, land in share-cropping (remuneration
linked to output from land made available). It
includes agricultural land temporarily not under
cultivation for agricultural reasons or being
withdrawn from production as part of agricultural
policy measures. It is expressed in hectares (10 000
m²).
V
TESZTÜZEM ADATAI
0. AZ ÜZEM ALAPADATAI
aksz A szántóterület átlagos aranykorona-értéke (két tizedes jegy
pontossággal) AK/ha
V
7. KIMUTATÁS A TÁRGYÉVRE IGÉNYELT TÁMOGATÁSOKRÓL 16, KVÓTÁKRÓL
7/A1. NÖVÉNYTERMESZTÉSI TÁMOGATÁSOK
4 Ezer Ft EU-tól (SAPS) eFt V
6 Kiegészítı támogatások eFt V 8 Agrárkörnyezetgazdálkodási
célprogram eFt
V
64 / 64
III. melléklet: Az üzemméret és a technikai hatékonyság közti kapcsolat
ábráinak adatai táblázatos formában
ökonómiai üzemméret üzemméret
CRS VRS SFA
Mérethaté
konyság
CRS VRS SFA
Mérethaté
konyság
250< 0.47 0.67 0.77 0.70 1000< 0.45 0.77 0.77 0.59
100< 0.45 0.59 0.75 0.78 500< 0.41 0.59 0.73 0.70
40< 0.50 0.60 0.75 0.85 300< 0.43 0.61 0.75 0.73
10< 0.53 0.61 0.74 0.88 100< 0.47 0.59 0.75 0.81
8< 0.53 0.61 0.70 0.88 40< 0.53 0.61 0.77 0.87
4< 0.55 0.64 0.76 0.88 10< 0.52 0.59 0.74 0.89
4< 0.65 0.74 0.78 0.89
1<= 0.69 0.84 0.76 0.84
EUME hektár
vetésterület specializáció
CRS VRS SFA
Mérethaté
konyság
CRS VRS SFA
Mérethaté
konyság
1000< 0.59 0.96 0.85 0.61 >90 0.63 0.73 0.75 0.87
500< 0.42 0.79 0.75 0.54 >80 0.63 0.73 0.81 0.86
300< 0.43 0.72 0.74 0.59 >70 0.50 0.65 0.78 0.80
100< 0.44 0.66 0.75 0.68 >60 0.51 0.64 0.76 0.79
40< 0.46 0.59 0.75 0.78 >50 0.54 0.69 0.79 0.80
10< 0.51 0.59 0.76 0.87 >40 0.49 0.62 0.75 0.80
4< 0.52 0.56 0.74 0.92 >30 0.47 0.62 0.75 0.78
1<= 0.57 0.68 0.74 0.86 >20 0.49 0.61 0.76 0.81
>10 0.49 0.58 0.74 0.85
<10 0.48 0.58 0.73 0.86
hektár százalék