Doi: 10. 1016/j agwat

---

Water use and technical efficiencies in horticultural greenhouses in Tunisia
Aymen Frija
a
,
*
, Ali Chebil
b
, Stijn Speelman
a
, Jeroen Buysse
a
, Guido Van Huylenbroeck
a
a
Department of Agricultural Economics, Gent University, Coupure Links 653, 9000 Gent, Belgium
b
Institut National de Recherches en Ge´nie Rural, Eaux et Forets (INRGREF), B.P. 10, 2080 Ariana, Tunisia
1. Introduction
The North African countries located in the Southern Mediter-
ranean region are among those that experience the most severe
water shortages and face the greatest challenges in terms of future
water availability. Most of these countries have a semi-arid climate
with limited and variable rainfall. Moreover, much of the rainfall is
lost through evaporation (
Hamdy and Lacirignola, 1999
). During
the last three decades, it has been common policy in these North
African countries to develop irrigation infrastructure and to control
renewable water resources to increase stability in terms of water
supply (
Ben Mechlia, 2004
). Agriculture, being an important
component of food security policies, is the main consumer of this
supplied water. On average, agriculture accounts for around 80% of
total water consumption in Tunisia, Morocco, and Algeria.
However, these supply policies have led to substantial use of
irrigation water at heavily subsidized cost (
Thabet et al., 2005
). In
the early 1980s, there was a shift in agricultural water policies
towards demand management. This alternative has been widely
applied at a global level and involves rationalization of the current
demand, instead of increasing the current supply. In other words,
this means greater efficiency in the allocation and use of water in
agriculture.
Rainfall in Tunisia varies greatly, ranging from an average of less
than 100 mm year
1
in the South, to more than 1000 mm year
1
in
the extreme north of the country. In the north, however, the
topography is mountainous, leaving relatively little cultivable land
in the high rainfall areas. As a result, most agricultural activity is
undertaken in areas with limited and highly variable rainfall,
making irrigation necessary to stabilize or increase production by
reducing climatic uncertainty.
Currently, almost 385,000 ha (7% of useful agricultural land) are
irrigated in Tunisia. The irrigation sector consumes 80% of the
available water resources and provides 35% of the agricultural
production value, 95% of horticultural crops, 30% of dairy
production, almost 22% of agricultural sector exports, and 26%
of total agricultural employment (
Ministry of Agriculture and
Water Resources, 2004
). Moreover, the demand for irrigation
water continues to rise, due largely to the development of new
irrigation projects and the intensification of irrigation within
existing areas. Therefore, during recent decades concerns regard-
ing the efficient use of water resources in the country have
increased. These concerns have been addressed in three ways: (i)
modernizing the management of collective irrigation systems by
enhancing the role played by water users’ associations and by
promoting user participation in all aspects of management, (ii)
Agricultural Water Management 96 (2009) 1509–1516
A R T I C L E I N F O
Article history:
Received 24 January 2008
Accepted 28 May 2009
Available online 5 July 2009
Keywords:
Irrigated production
Data envelopment analysis
Tobit model
A B S T R A C T
We measure the technical efficiency of unheated greenhouse farms in Tunisia, and propose a measure for
irrigation water use efficiency (IWUE) using an alternative form of the data envelopment analysis (DEA)
model. Technical efficiency measures the degree to which (all) farm inputs are used efficiently. IWUE is a
measure of the efficiency of irrigation water use when other inputs and output are kept constant. As a
second stage, a tobit model is used to identify the degree to which technical efficiency and IWUE correlate
with a set of explanatory variables. A comparison of the efficiency scores obtained from constant returns
to scale (CRS) and variable returns to scale (VRS) specifications shows that most farmers in our sample
are producing at an efficient scale. Under the CRS assumption, the average technical efficiency of the
sample was 67.3%. A similar pattern of scores was shown for IWUE; although in this case the average
IWUE was even lower (42%). This implies that when all other inputs remain constant, the current output
could be produced using, on average, 58% less irrigation water. We conclude that farmers’ technical
training in greenhouse management, investments in water saving technologies and the existence of a
fertigation technique on farm have a significant and positive effect on their level of IWUE. However,
IWUE is significantly and negatively affected by the proportion of total farm land allocated to
greenhouses.
ß
2009 Published by Elsevier B.V.
* Corresponding author. Tel.: [phone]; fax: [phone].
E-mail addresses:
[e-mail]
,
[e-mail]
(A. Frija).
Contents lists available at
ScienceDirect
Agricultural Water Management
j o u r n a l h o m e p a g e : w w w . e l s e v i e r . c o m / l o c a t e / a g w a t
0378-3774/$ – see front matter ß 2009 Published by Elsevier B.V.
doi:
10.1016/j.agwat.2009.05.006

---

reformulating the water pricing system by introducing a cost
recovery objective and (iii) developing incentives to enhance and
promote the adoption of water saving technologies at farm level
(
Al Atiri, 2004
).
In this context, we analyse the current performance of irrigation
water use efficiency (IWUE) and its determinants at the farm level
in Tunisia. We focus on small-scale irrigated greenhouse produc-
tion schemes in the Tunisian ‘‘Sahel’’ region. This choice is
motivated by the socio-economic importance of greenhouse
production in the region, the constraints on water resources and
the increasing price of irrigation water. Our methodology is data
envelopment analysis (DEA), which enables us to examine the
efficiency of an individual input (i.e. water), while keeping other
inputs constant. We use a tobit model to assess the effects of socio-
economic and structural variables on the levels of technical and
irrigation water use efficiencies obtained.
2. Methodology: efficiency assessment using data envelopment
analysis
The measurement of technical efficiency is based upon
deviations of observed output or input vectors from the best
production or efficient production frontier. If a production units’
actual production point lies on the frontier it is perfectly efficient. If
it deviates from the frontier then it is technically inefficient,
with the ratio of the actual to potential production defining the
level of efficiency of the individual firm. Our measure of technical
efficiency provides an indication of how the use of all inputs can be
minimized in the production process of a given farm, while
continuing to produce the same level of output.
Additionally, we consider the possible reduction of a subset of
inputs while keeping other inputs and the output constant. This
generates a ‘‘sub-vector efficiency’’ measure. If this is applied to the
possible reduction in water use the efficiency measure produced
can be called ‘‘water use efficiency’’ or in the case of irrigated
production, ‘‘irrigation water use efficiency’’ (IWUE).
Parametric and non-parametric methods are the two main
approaches used to measure technical efficiency. The results from
both methods are highly correlated in most cases (
Wadud and
White, 2000; Thiam et al., 2001; Alene and Zeller, 2005
), indicating
that both methods are valuable and the choice can be based on a
researcher’s preference. A major advantage of non-parametric DEA
for this study is that the calculation of sub-vector efficiency for
irrigation water use is relatively straightforward (
Speelman et al.,
2008
).
2.1. DEA models
Farrell (1957)
introduces the relative efficiency concept,
according to which, the efficiency of a decision making unit
(DMU) can be evaluated by comparing it to the other DMUs in a
given group. This concept was extended by
Charnes et al. (1978)
who developed the first DEA model, called CCR (Charnes, Cooper
and Rhodes), to incorporate many inputs and outputs simulta-
neously. In this way, DEA provides a straightforward approach
for calculating the efficiency gap between the actions of
each producer and best practices, inferred from observations
of the inputs used and the outputs generated by efficient firms
(
Wadud and White, 2000; Malano et al., 2004; Haji, 2006
).
Explicitly, DEA uses piecewise linear programming to calculate
the efficient or best practice frontier of a sample of DMUs. The
DMUs on this technical efficiency frontier will have an efficiency
score equal to 1. Less efficient DMUs are measured in relation
to the efficient ones. Moreover, different units of measurement
for the various inputs and outputs can be combined within the
DEA models.
The first DEA CCR model assumed constant returns to scale (CRS).
For a DMU producing an output Y, using an input X, it is feasible to
produce aY using aX amount of input (a is a scalar). However, in
practice this may not always be observed, as increasing the input
does not usually result in a proportionate increase in output
(
Speelman et al., 2008
). For instance, when the amount of irrigation
water is increased, there is not always a proportional increase in crop
volume. For this reason, a variable returns to scale (VRS) option
might be more suitable for technical efficiency measures in the case
of irrigated farms (
Rodrı´guez Dı´az et al., 2004b
). The first DEA model
used to assess technical efficiency under the VRS assumption was
developed by
Banker et al. (1984)
and was called the BCC (Banker,
Charnes and Cooper) model.
To identify whether CRS or VRS applies to production using the
DEA technique, we calculate and compare the efficiency values
under both assumptions. The use of the VRS specification permits
the calculation of technical efficiency (TE) without the scale
efficiency (SE) effects (
Coelli, 1996
). According to
Coelli et al.
(2002)
, scale efficiency can be obtained by the ratio TE
CRS
/TE
VRS
.
Obtaining similar values for CRS and VRS efficiencies for a given
farm demonstrates high scale efficiency. For this reason we
consider both assumptions in this study.
The study of efficiency using DEA can be orientated toward inputs
or outputs. The difference lies in whether the objective is to continue
using the same amount of inputs while producing more output
(output-orientated DEA), or to produce the same amount of output
with fewer inputs (input-orientated DEA). We choose input
orientation because, in the context of increasing water scarcity, it
is more relevant to consider potential decreases in water use than
increases in output (
Rodrı´guez Dı´az et al., 2004a
). Following the
Banker et al. (1984)
BCC–DEA model, and considering a dataset of K
farms (k = 1, . . ., K), each of them using N inputs x
nk
(n = 1, . . ., N), for
producing M outputs y
mk
(m = 1, . . ., M), each farm becomes the
reference unit. We then solve the following linear program (1) K
times (once for each farm). The model specification (1) is the dual
form of an equivalent primal model specification that maximizes the
outputs for given inputs. In applied analysis the dual specification is
preferred because it involves fewer constraints. For a general
exposition of primal and dual DEA models see, e.g.
Coelli et al. (1998)
:
Min
u
;
l
u
(1)
s:t:
X
K
k¼1
l
k
y
m;k
 y
m;o
(2)
X
K
k¼1
l
k
x
n;k

u
:
x
n;o
(3)
X
K
k¼1
l
k
¼ 1
(4)
l
k
 0
(5)
where
u
represents technical efficiency and hence the percentage
of radial reduction to which each of the inputs is subjected;
l
k
is a
vector of k elements representing the influence of each farm in
determining the technical efficiency of the farm under study
(farm
0
), x
n0
and y
m0
are, respectively, the input and the output
vectors of the farm
0
. The equation
P
K
k¼1
l
k
¼ 1 is a convexity
constraint, which specifies the VRS framework. Without this
convexity constraint, the DEA model will be a CCR model
describing a CRS situation.
The concept of ‘‘sub-vector efficiency’’ is introduced to account
for a specific IWUE score for each farm (
Speelman et al., 2008;
Lilienfeld and Asmild, 2007; Oude Lansink and Silva, 2004; Oude
Lansink et al., 2002; Fa¨re et al., 1994
). This IWUE score
u
t
for a given
A. Frija et al. / Agricultural Water Management 96 (2009) 1509–1516
1510

---

farm can be calculated using the following program (2):
Min
u
t
;
l
u
t
(6)
s:t:
X
K
k¼1
l
k
y
m;k
 y
m;o
(7)
X
K
k¼1
l
k
x
nt;k
 x
n;o
(8)
X
K
k¼1
l
k
x
t;k

u
t
:
x
t;o
(9)
X
K
k¼1
l
k
¼ 1
(10)
l
k
 0
(11)
u
t
can have a value between 0 and 1, where a value of 1 indicates
that the farm
0
under study is a best performer located on the
efficient frontier, and there is no potential to reduce irrigation
water use without reducing the output level. A score less than 1
indicates the existence of irrigation water use inefficiency at the
farm level, which means that water saving can be achieved. For
example, a
u
t
value of 0.6 shows that the observed farm should be
able to produce the same level of outputs using only 60% of its
current level of irrigation water when compared to its benchmark,
which is constructed from the best performers with similar
characteristics. This also means that 40% of the irrigation water
used at the farm level could be saved.
A graphical representation illustrates the difference between
the technical and the sub-vector efficiency in DEA approach
(
Fig. 1
). We consider three farms using two inputs (water and
another input) and producing a single output. Farms B
1
and B
2
are
the best performers and linear combinations of their input use
define the production frontier which envelopes all the observed
data. The observation A is, however, inefficient.
The radial contraction of the input vector x
i
[water, input
2
]
produces a projected point on the frontier (A
0
). The obtained point
A
0
is a linear combination of the observed data points B
1
and B
2
,
with the constraints (7, 8 and 9) in program 1, ensuring that the
projected point cannot lie outside the feasible set. The technical
efficiency of farm A, relative to B
1
and B
2
, is given by the ratio
u
t
= OA
0
/OA. The IWUE of farm A could be demonstrated using a
scenario in which water quantity is reduced while keeping input 2
and the output constant. In this case A is projected to A
0
and the
IWUE is given by the ratio
u
t
= O
0
A
0
/O
0
A. Here, the benchmark is
reached by multiplying the total volume of water initially used on
farm A by its estimated IWUE score
u
t
If, for example, A uses 10
units of water to produce its current level of output, then a
calculated IWUE score of 0.6 would indicate that the benchmark of
A uses only 10  0.6 = 6 units of water to produce the same output
as A. This also implies that A can save 4 units of irrigation water.
2.2. Tobit model
As a second stage in the study, we select a set of variables as
potential determinants of technical efficiency and IWUE. We use
tobit regression, which is an alternative to ordinary least squares
regression (OLS) for situations in which the dependent variable is
bounded from below or above (or both) either by being censored,
or by corner solutions (
Wooldridge, 2002
). In the former case
(censored) observations outside the limiting interval are recorded
as the border values. That is, if the range is given by the interval
[a;b], observed y < a is recorded as y = a, and likewise observed
y > b is recorded as y = b. Accordingly, the tobit model is defined as
follows:
u
t
¼
X
R
r¼1
b
r
z
r
þ u
r
(12)
where
u
t
¼
u
t
i f 0 
u
t
 1;
0 i f
u
t
 0;
1 i f
u
t
 1
8
<
:
(13)
where
u
t
is the IWUE calculated from program 2 and used as a
dependent variable, and Z is a (R  1) vector of independent
variables related to attributes of the farmers/farms in the sample.
2.3. Case study and data collection
We collected our data from small-scale greenhouse farmers in
the region of Teboulba, located in the eastern central area of
Tunisia and within the governorate of Monastir (cf.
Fig. 2
). This
region belongs to Nebhana irrigation district where water scarcity
is an important issue. The total agricultural land area in Teboulba is
approximately 1914 ha, of which 600 ha are irrigated. The
governorate of Monastir includes almost 39% (572 ha) of the total
land area used for unheated greenhouses in Tunisia. Teboulba
region provides almost one third of the total production of this
governorate (
Regional administration of Agricultural Develop-
ment, Monastir, 2004
).
The agricultural sector in Teboulba is dominated by rainfed
olive plantations for olive oil production. Greenhouses, which can
easily be integrated with the olive plantations, were largely
developed after the establishment of the water transfer program
that started in the early 1980s. Water is transferred from the
northern and central parts of the country to the southern and
coastal areas, where fresh water resources are scarce. In view of its
coastal situation, bordered in the east by the Mediterranean Sea,
fishing is an important economic activity in the region.
Irrigation water prices in Teboulba are among the highest in
Tunisia. The price is about 0.15 TND m
3
(1
s
= 1.8 TND), while
supplies in some other regions of Tunisia are priced at a minimum
rate of 0.04 TND m
3
. Volumetric water pricing is applied in
Teboulba. A water meter is installed at each farm and individual
Fig. 1. Differences between (overall) technical efficiency and sub-vector input-
oriented efficiency (based on
Oude Lansink et al., 2002
).
A. Frija et al. / Agricultural Water Management 96 (2009) 1509–1516
1511

---

water consumption is measured and charged by water users’
associations that are responsible for water supply at the local level.
Greenhouses are a means of overcoming climatic adversity,
using the temperature of the soil as a free energy source.
Greenhouses differ according to climatic conditions and the
complexity of the technology used to ensure an optimal heat
balance for the greenhouse thermal mass. In Teboulba, green-
houses are made from a plastic covering installed on metal ropes.
Farmers do not use heating systems inside the greenhouses. Their
height is generally between 7 and 9.6 m, their width is between 2.8
and 4.7 m, and their length can be as much as 60 m. This provides a
covered surface area of 420–540 m
2
. Each farm has a tank for water
storage, which is normally supplied with water from a well or a
public source. The tank is either directly connected to greenhouses
using plastic water pipes or drip irrigation systems, or connected
through a fertigation unit, which allows irrigation water to be
mixed with liquid fertilizers. Within our survey, all farmers who
own a fertigation unit connect it using drip irrigation. According to
our findings two main types of ‘‘irrigation systems’’ can be
distinguished in the region. These comprise either a drip irrigation
system linked to a fertigation unit, or a system using only plastic
pipes and without any specific technology for conserving water.
We collected data in October 2005 from 47 farmers who own
16.2% (97.6 ha) of the total irrigated land area and hold 13.8% (276
greenhouses) of the greenhouses located in the region of Teboulba
(2060). Farmers mainly produce tomatoes, melons and peppers.
Our questionnaire contained two main sequences: (i) a farmer
identification sequence (socio-economic and demographic char-
acteristics) and (ii) a farm identification sequence (cultivated
crops, quantities and costs of inputs; quantities and values of
outputs, etc.). To limit the number of inputs/outputs used in the
DEA, total output (production quantities) was converted into
monetary values. The inputs considered are: land (hectares),
irrigation water (m
3
) and labor (number of working days on the
farm during 1 year). Basic statistics for the sample farmers are
shown in
Table 1
.
Several variables are expected to affect technical efficiency.
Table 2
lists the explanatory variables (i.e. those relating to
farmer characteristics, production technology, and farm struc-
ture) used in the tobit model to explain the both technical
efficiency and IWUE.
3. Results
3.1. Technical and irrigation water use efficiencies
The General Algebraic Modeling System software (GAMS) is
used to solve the programs (1) and (2) and provides efficiency
scores for each individual farm. The frequency distribution of the
obtained efficiency scores is reported in
Table 3
.
Fig. 2. A map showing the localization of the study area (Teboulba)
Table 1
Basic statistics for the data used in the data envelopment analysis model.
Total output
(Tunisian Dinars)
Inputs
Land (ha)
Water (m
3
)
Labor
(days/year)
Average
7,863.8
0.29
4,008.6
171
Standard
deviation
5,577.1
0.18
2,920.8
141
Minimum
1,309.0
0.05
350.0
15
Maximum
24,923.0
0.85
10,000.0
660
A. Frija et al. / Agricultural Water Management 96 (2009) 1509–1516
1512

---

Table 3
shows that many farms are operating at an efficient
level with regard to their overall production process. Under the
VRS assumption, more than 89% of farms have a technical
efficiency higher than 50%. The scale efficiency (ratio of technical
efficiency scores calculated under CRS and VRS assumptions) of the
studied sample is approximately 0.9 indicating that the majority of
farmers in Teboulba operate at an efficient scale. On the other
hand, the average IWUE score in the sample was only 41.8 and
52.6% for CRS and VRS, respectively. Again, the scale efficiency
(ratio of IWUE scores calculated under CRS and VRS assumptions)
is quite high, showing that IWUE is not affected by the scale of the
operation.
The results indicate that, on average, the observed outputs
could have been obtained by using less irrigation water, while
keeping other inputs constant. This evidence suggests that farmers
could save substantial amounts of water by improving their IWUE.
Table 4
illustrates the technical efficiency level and the IWUE
for three groups of farmers identified as follows—(i) the most
efficient overall (i.e. technical efficiency between 75 and 100%), (ii)
the next most efficient (technical efficiency between 50 and 75%),
and (iii) the least efficient (technical efficiency between 0 and 50%).
The table shows that the average IWUE is always lower than the
average technical efficiency for production as a whole. In fact,
while the average of the technical efficiency is around 92% for the
most efficient group, the average IWUE for this group is only about
80%. For the least efficient group, the average technical efficiency
obtained is 45%; however, IWUE for this group is only 11.4%.
Fig. 3
depicts the cumulative efficiency distributions, confirm-
ing that under CRS and VRS specifications, the proportion of
farmers with poor IWUE scores is always higher than the
proportion of those having poor scores for technical efficiency.
To determine the relationship between IWUE and technical
efficiency, we use a pairwise correlation to investigate equality
between both efficiency vectors. The test was statistically
significant (
Table 5
). Under both CRS and VRS assumptions,
technical efficiency and IWUE are highly and positively correlated.
3.2. Determinants of the efficiency scores
In this section we estimate a tobit model in which technical
efficiency and IWUE scores are explained by a set of socio-
economic explanatory variables. Given that scale efficiencies are
Table 2
Definition of variables used in tobit regressions.
Variable
Definition
Mean value of the sample
(for continuous variables)
Proportion of farmers
(for zero/one variables)
Farmer characteristics
Age of the manager
In years
43
Training program
1 for farmers who have following a
training program in greenhouses techniques;
19.1
0 otherwise
80.9
Land ownership
1 for farmer owner of his land
80.9
0 otherwise
19.1
Experience
Date of starting greenhouses activities (year)
24.8
Technological characteristics
Soil analysis
1 if the farmer did a soil analysis during last 3 years
40.5
0 otherwise
59.5
Investment in water saving
1 if farmer did an investment in water saving
technology during last 3 years
38.3
0 otherwise
61.7
Fertigation
1 for farms containing fertigation technology
85.1
0 otherwise
14.9
Farm characteristics
Farm size
Farm size in hectares
2.1
Proportion of greenhouses
Proportion of total farm allocated to greenhouses (%)
10.8
Well
1 for farms containing a well
53.2
0 otherwise
46.8
Table 3
Frequency distribution of technical and irrigation water use efficiencies for the studied farms sample.
Efficiency level (%)
Technical efficiency
IWUE
CRS
VRS
CRS
VRS
Number of farms
% of farms
Number of farms
% of farms
Number of farms
% of farms
Number of farms
% of farms
0 < E < = 25
0
0.0
0
0.0
24
51.1
14
29.7
25 < E < = 50
13
27.6
5
10.6
10
21.2
12
25.5
50 < E < = 75
19
40.4
19
40.4
4
8.5
4
8.5
75 < E < = 100
15
31.9
23
48.9
9
19.1
17
36.2
Average
67.3
75.6
41.8
52.6
Scale efficiency
0.88
0.95
E denotes efficiency level, which pertains to either technical efficiency or irrigation water use efficiency in this table.
CRS denotes constant returns to scale, while VRS denotes variable returns to scale.
A. Frija et al. / Agricultural Water Management 96 (2009) 1509–1516
1513

---

high for both types of efficiency, we regress only the CRS
specification scores.