Understanding underlying trend and using it in Modeling of agricultural production function with respect to the water input

فصلنامه آب و توسعه پایدار

Article 4, Volume 2, Issue 2 - Serial Number 5, March 2016, Pages 15-26   

Document Type: review paper

DOI: 10.22067/jwsd.v2i2.52925

Authors

meisam haddad^{* 1}; hossein sadeghi saghdal²

¹Power and Water University of Technology(Shahid Abbaspour), Tehran, Iran.

²Tarbiyat modares University

Abstract

Due to the being in the desert bar and ecosystem sensitivity to water , water management in the agricultural sector of the Iran is one of the priorities of managers and planners of this section. Therefore accurate modeling of the production function, for policies to increase efficiency and reduce the use of inputs, as well as forecasts for the timely supply with low cost, is of utmost importance. In this study, the production function in the agricultural sector of Iran has been modeled using underlying trend concept, creating a state - space model and Kalman filter algorithms. We used annual time series data for the period 1974-2012. The results indicate that underlying trend is smooth and Non-linear. According to likelihood ratio statistic, the most appropriate structure for hyper parameters is random static levels with No-slope trends (Local Level Model). Capital, labor and energy elasticity were less than unity, But water elasticity was larger than unity which is obtained in the first production area. This means that with a one percent increase in water inputs causes a decrease in production of more than one percent. Because, Iran is faced with limited water resources, cannot increase the consumption of water in this sector. Thus, recommended the replacement of new irrigation systems to compensate for water deficit and also in agricultural production by needs less water. Also, the development of basic technologies (changing the agricultural system) can reduce the use of inputs and compensate the lack of water in the agricultural sector.

Keywords

Agricultural Production Function; Water Inputs; Underlying Trend; Kalman Filter algorithm; State-Space

References

اسکندرزاده، م. و راسخ، ع. 1392. برآورد تابع تولید محصولات مشخص کشاورزی در ایران با استفاده از روش ماکسیمم آنتروپی تعمیم یافته. فصلنامه‏‏ی اقتصاد کشاورزی، 7(4): 105-.116.

اعظم زاده شورکی، م.، خلیلیان، ص. و مرتضوی، ا. 1390. انتخاب تابع تولید و برآورد ضریب اهمیت انرژی در بخش کشاورزی. اقتصاد کشاورزی و توسعه، 19(76): 205-230.

اکبری، ن. و رنجکش، م. 1382. بررسی رشد بهره‏وری کل عوامل تولید رد بخش کشاورزی ایران طی دوره‏ی 75-1345. اقتصاد کشاورزی و توسعه، 11(43 و 44): 117-142.

امیرتیموری، س. و خلیلیان، ص. 1386. رشد بهره‏‏وری کل عوامل تولید در بخش کشاورزی ایران و چشم‏انداز آن در برنامه‏‏ی چهارم توسعه. اقتصاد کشاورزی و توسعه، 11(59): 37-52.

بخشوده، م. و اکبری، اح. 1375. اصول اقتصاد تولید محصولات کشاورزی، کرمان: دانشگاه شهید باهنر کرمان.

ترکمانی، ج. 1377. تعیین ریسک‏گریزی، کارایی فنی و عوامل موثر بر آن، مطالعه‏‏ی موردی استان فارس، فصلنامه اقتصاد کشاورزی و توسعه، (24): 49-68.

چیت نیس، م. 1384. برآورد کشش قیمتی تقاضای بنزین با استفاده از مدل سری زمانی ساختاری و مفهموم روند ضمنی، فصل‏نامه‏ی پژوهش‏‏های اقتصادی ایران، 5: 1-16.

دبرتین، د. 1376. اقتصاد تولید کشاورزی، ترجمه‏ی موسی‏نژاد و نجارزاده، تهران: مؤسسه‏ی تحقیقات اقتصادی دانشگاه تربیت مدرس. تهران.

درویشی سه تلانی، ف. 1391. جنگ ایران و عراق: پرسش‏ها و پاسخ‏ها. مرکز مطالعات و تحقیقات جنگ. تهران.

دفتر برنامه‏ریزی کلان آب و آبفا. 1390. سالنامه آماری آب کشور 1390-1389، وزارت نیرو. تهران.

زیبایی، م. و طرازکار، م.ح. 1383. مطالعه‏ی روابط کوتاه مدت و بلندمدت بین ارزش افزوده و مصرف انرژی در بخش کشاورزی. فصلنامه‏ی بانک و کشاورزی، 6 : 157 -171.

سلطانی، غ و نجفی، ب. 1364. اقتصاد کشاورزی. دانشگاه شیراز. شیراز.

شاکری، ع.، محمدی، ت.، جهانگرد، ا.، و موسوی، م.ح. 1389. تخمین مدل‏سازی مدل‏سازی تقاضای بنزین در بخش حمل و نقل ایران، فصل‏نامه‏ی مطالعات اقتصاد انرژی، 7: 11-31.

فلاحی، ا. و خلیلیان، ص. 1388. بررسی رابطه بلند مدت عوامل تولید و ارزش افزوده بخش کشاورزی با بکارگیری رهیافت همگرایی. مجله‏ی علوم کشاورزی و منابع طبیعی، 16 (1-ب (ویژه نامه)): 339-350.

قائمی‏اصل، م. و سلیمی‏فر، م. 1391. برآورد شبه پارامتریک تابع تولید کشاورزی مبتنی بر مدل‏سازی پویای بهره‏وری- مطالعه‏ی موردی: برآورد تابع عملکرد گوجه فرنگی استان‏های منتخب ایران. فصلنامه‏‏ی تحقیقات اقتصاد کشاورزی، 4(4): 191-224.

کهنسال، ر. و دهقانیان، ع. 1382. اندازه‏گیری کارایی عوامل تولید در منطقه‏ی تربیت حیدریه. سازمان جهاد کشاورزی استان خراسان.

موسوی، م.ح. و محمودزاده، م. 1392. برآورد تابع تولید در صنعت پالایش نفت ایران: رهیافت مدل‏های سری زمانی ساختاری. فصل‏نامه‏ی مطالعات اقتصاد انرژی، 10(37): 111-130.

نبیونی، ا. 1390. محاسبه‏ی بهره‏وری عوامل تولید (نیروی کار، زمین و سرمایه) در بخش کشاورزی استان مرکزی. ماهنامه‏ی کار و جامعه، 141: 67-79.

هژبرکیانی، ک. و رنجبری، ب. 1380. بررسی رابطه‏ی درازمدت بین نهاده‏های انرژی، کار و سرمایه در بخش کشاورزی. فصلنامه‏ی اقتصاد کشاورزی و توسعه، 35: 39-64.

Berndt E. R. and Wood D. O. 1979. Technology prices & the drived demand for energy. The Review of Economics & Statistics, 60 (3): 68-259.

Blitzer C. R. 1981. Energy and the development: an overview of selected issuesP. Publ, Electrical Power Research Institute and Pergamon Press , Ed. Aver, New York, U. S. A.

Cobb C.W. and Douglas P.H. Douglas. 1928. A theory of production. American Economic Review, 1:139-165.

Echevarria C. 1998. A Three-Factor Agricultural Production Function: The Case Of Canada. International Economic Journal, 12(3): 63-75.

Food and Agriculture Organization (FAO). 2009 . .

Harvey A. C. 1989. Forecasting, Structural Time Series Models and The Kalman Filter. Cambridge University Press. Cambridge. UK.

Harvey A.C. and Shephard N. 1993. Structural time series models In: Maddala GS. Rao, CR. And Vinod. HD. (Eds). Handbook of statistics, Vol. 11 North Holland, Amsterdam, 261-302.

Heady E. O. and Dillon J. L. 1961. Agricultural production functions . Kalyani press. Ludhiana ,India.

Howitt R., Medellin-Azuara J., MacEwan D. and Lund J. 2012. Calibrating disaggregate economic models of agricultural production and water management, Environmental Modelling & Software, 38: 244-258.

Hunt L. C. and Ninomiya Y. 2003. Unravelling Trends and Seasonality: A Structural Time Series Analysis of Transport Oil Demand in the UK and Japan, The Energy Journal, 24: 63-96.

Hunt L.C., Judge G. and Ninomiya Y. 2003. Underlying Trends and Seasonality in UK Energy demand: A Sectoral Analysis, Energy Economics, 25: 93–118.

Lin B. and Fei F. 2015. Analyzing inter-factor substitution and technical progress in the Chinese agricultural sector, European Journal of Agronomy, 66: 54–61.

Muazu A., Yahya A., Ishak W.I.W. and Khairunniza-Bejo S. 2014. Yield Prediction Modeling Using Data Envelopment Analysis Methodology for Direct Seeding, Wetland Paddy Cultivation, Agriculture and Agricultural Science Procedia, 2: 181-190.

Muro K. 2013. A note on the three-sector Cobb–Douglas GDP function, Economic Modelling, 31: 18-21.

Ndlovu p., Mazvimavi K., An H. and Murendo C. 2014. Productivity and efficiency analysis of maize under conservation agriculture in Zimbabwe, Agricultural Systems, 124: 21-31.

Parlinnska M. and Dareev G. 2011. Applications Of Production Function In Agriculture, Quantitative Methods In Economics, XII(1):119–123.

Sameni Keivani, F., Bidarian A., Najibi A. and Safabakhsh Ghasemi R. 2014. The Production Function of Iran Agricultural Sector. Agriculture Science Developments, 3(2):183-187.

Thompson C.D. 1988. Choice of flexible functional forms: review and appraisal. Western Journal of Agricultural Economics, 13: 169-183.

World Development Indicator. (2005-2001) < http://www.worldbank.org>.