Après avoir souligné l’existence d’une approche économétrique par l’estimation d’une fonction de production, cette section présente l’approche par enveloppement des données.
La méthode DEA permet de modéliser une technologie de production multi-output/input, en tenant compte du type de rendements d’échelle. Par défault, elle fournit les scores d’efficacité des firmes au sens de Farrell. Ainsi elle constitue un outil de "benchmarking", puisqu’elle indique comment les firmes inefficientes peuvent devenir efficaces.
1.5.1 Les limites de l’approche classique de la fonction de production en microéco-nomie et des méthodes d’estimation économétriques.
Traditionnellement la technologie de production est modélisée par une fonction de pro-duction. Il s’agit d’une approche paramétrique, la fonction étant définie a priori. Les formes fonctionnelles les plus courantes sont les fonctions linéaires, la fonction Cobb-Douglas ou les fonctions quadratiques. Elles sont respectivement définies par :
y=a0+ Xm
i=1
aixi, (1.6)
y=a0
Ym i=1
xaii, (1.7)
y =ao+
Oùai, aij sont les paramètres inconnus à estimer.
Ces paramètres sont évalués avec des méthodes économétriques de régression linéaire (moindre carrés ordinaires) ou partiellement linéaire (PLS). Si les variables sont qualita-tives, on peut estimer ces paramètres par le maximum de vraissemblance (modèles probit et logit).
L’un des inconvénients de cette méthode est qu’elle repose sur des hypothèses restric-tives (homoscédastécité des résidus, indépendance des termes de l’erreur et nullité de la moyenne des résidus).
Mais le problème majeur est que cette approche ne permet pas de prendre en compte un processus de production multi-output. Or, dans la réalité, il existence des productions multi-output, et ceci aussi bien dans le domaine de l’économie managériale que dans celui de l’économie publique. En effet, certaines firmes produisent plusieurs biens et services.
Par exemple, les banques vendent plusieurs produits (crédits, assurances, placements et titres financiers). L’entreprise française Danone produit plusieurs biens sur trois secteurs principaux d’activités (produits laitiers, eau et gâteaux).
L’évaluation de la performance du secteur public passe par une analyse multi-output des différentes politiques économiques.
Pour mener une analyse plus pertinente, nous adoptons un cadre d’analyse non-paramétrique et multi-output. Plus particulièremnt nous utilisons la méthode DEA.
1.5.2 La méthode DEA, une approche multidimensionnelle et non-paramétrique.
Charnes, Cooper et Rhodes (1978) ont introduit la méthode DEA pour mesurer l’effi-cacité d’unités de production. Elle permet de comparer l’efficience d’unités de décisions similaires, qui utilisent les mêmes input, pour produire le même type d’output. Il s’agit ainsi d’une méthode comparative qui donne la possibilité de faire du benchmarking.
L’avantage de cette méthode est qu’elle est non-paramétrique. Elle ne nécessite pas de définir a priori, une forme fonctionnelle de la technologie de production. De plus, elle laisse la possibilité de mener une analyse avec les prix et les coûts des ressources, ou sans
(uniquement avec les quantités).
La frontière d’efficience est estimée par enveloppement des données. Elle caractérise les DMUs efficientes, qui utilisent les meilleures combinaisons productives.
Le papier de Charnes, Cooper et Rhodes (1978), définit le programme linéaire qui permet d’estimer la frontière d’efficience et les scores d’efficacité relatifs des DMUs. Ini-tialement la méthode DEA estime l’efficacité technique au sens de Farrell. Elle fournit les scores d’efficacité relatifs des DMUs selon la mesure de Debreu-Farrell. La techno-logie de production suit une hypothèse de rendements d’échelle constants (CCR). Puis, Banker, Charnes et Cooper (1984) reformulent le programme linéaire pour les technolo-gies de production à rendements d’échelle variables (VRS). Un rappel sur les rendements d’échelle dans les différents modèles de la méthode DEA est proposé en Annexe 1.
Par la suite de nouvelles mesures de l’efficacité ont émergé. Après les avoir présentées, nous détaillerons les programmes linéaires qui permettent de les calculer.
La programmation linéaire :
Elle permet de calculer les scores d’efficience des DMUs relativement aux autres et ainsi de caractériser la frontière efficiente. Considérons les vecteurs de production de la DMU j notésxm,j = (x1,j, x2,j..., xm,j)qui représente les input etyn,j = (y1,j, y2,j..., yn,j), les output.
Certaines situations économiques exigent de prendre en compte une pondération des input et des output. Prenons l’exemple des hôpitaux publics en France. Supposons que l’on souhaite comparer l’efficacité technique des opérations chirugicales de ces hopitaux, et qu’il faut trois infirmières pour assister un chirugien pendant une opération médicale.
Si l’on notex1,j le nombre de docteurs etx2,j le nombre d’infirmières pour l’hôpital j, il convient de pondérer le dénominateur de la façon suivante : x1,j + 3x2,j. Si ces pondé-rations sont définies a priori elles sont fixes. La méthode DEA a l’avantage d’utiliser un système de pondérations variables. Elle va optimiser automatiquement les pondérations des DMUs relativement aux autres.
Soient u le poids d’un input et v le poids d’un output. En intégrant un système de pondération le ratio d’efficacité de la jème DMU est déterminé par :
v1,jy1,j+...+vn,jyn,j
u1,jx1,j+...+un,jxm,j
=λ (1.9)
Le score d’efficacité de la DMU j est obtenu en calculant : λ = max
v,u
v1y1,j+...+vjyn,j u1x1,j+...+umxm,j
s.c v1y1,i+...+vnyn,i
u1x1,i+...+umxm,i
≤1, i= 1, .., l.
u≥0, v ≥0. (1.10)
On résoud un programme d’optimisation pour chaque DMU. Il y a ainsi j contraintes.
Ce programme ne peut pas être calculer directement, il faut le linéariser :
λ = max
v,u v1y1,j+...+vnyn,j s.cu1x1,j+u2x2,j+...+umxm,j = 1 s.cv1y1,i+...+v2y2,i+...+vnyn,i≤u1x1,i+u2x2,i+...+unxn,i
i= 1, ..j u≥0, v ≥0. (1.11)
Pour simplifier le calcul on préfèrera la version duale. Le programme peut être refor-mulé comme suit :
minθ,λ λ s.c λxj ≥Xθ yj ≤Y θ
λ≥0, θ ≥0. (1.12)
Xcorrespond à la matrice des input de dimension(m∗j), avecm, le nombre d’input etj le nombre de DMUs.
Y correspond à la matrice des outputs de dimension(n∗j)avecn, le nombre d’output etj le nombre de DMUs.
Les programmes linéaires pour les technologies à rendements d’échelle variables, non
croissants et non décroissants imposent des contraintes différentes. Ils sont détaillés en Annexe du Chapitre 1.
2 Les fonctions distance en tant qu’indice d’efficacité.
Cette section introduit la notion de fonction distance en tant que mesure de l’efficacité.
Plus précisément, elle définit la mesure de Debreu-Farrell, la mesure directionnelle de Chambers et la mesure proportionnelle de Briec.