EXTERNAL FACILITATION OF SUSTAINABLE MARKET LINKAGES IN THE AGRI‐FOOD SUPPLY 
CHAIN: EVIDENCE FROM THE USDA MARKETING ASSISTANCE PROGRAM IN THE ARMENIAN 
DAIRY AND VEGETABLE INDUSTRIES 
 
By 
 
Aleksan Shanoyan 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
A DISSERTATION 
 

Submitted to 
Michigan State University 
In partial fulfillment of the requirements 
for the degree of  
 
DOCTOR OF PHILOSOPHY 
 
Agricultural Food and Resource Economics 
 
2011 
 
   
 
 
 

ABSTRACT 
 
EXTERNAL FACILITATION OF SUSTAINABLE MARKET LINKAGES IN THE AGRI‐FOOD SUPPLY 
CHAIN: EVIDENCE FROM THE USDA MARKETING ASSISTANCE PROGRAM IN THE ARMENIAN 
DAIRY AND VEGETABLE INDUSTRIES 
 
By 
 
Aleksan Shanoyan 
 
This dissertation research is motivated by the policy concerns regarding the long‐term 
sustainability of externally facilitated supply chain linkages and by the practical implications of 
better understanding the appropriate business models, incentive structures, and enforcement 
mechanisms in the context of external facilitation of supply chain linkages.  The dissertation 
consists of three essays.   
Essay one adapts the probabilistic hold‐up framework, first introduced by Klein (1996), 
for the analysis of third‐party facilitation of self‐enforcing supply chain relationships.   The 
major emphasis is placed on the role that a third‐party external facilitator can play in assisting 
producers and processors to develop internal private enforcement mechanisms for ensuring 
long‐term sustainability of their business relationships.  The case study evidence and the panel 
data from the survey of Armenian dairy farmers is used to examine the impact of participation 
in the USDA Marketing Assistance Program (MAP) facilitated formal marketing channel on farm‐
level investments.  The main findings from Essay one indicate that the farms linked to the 
formal milk marketing channel over the period from 1999 to 2003 have invested in nearly two 
times more assets specific to milk production compared to farms in the informal channel.  This 
finding supports the hypothesis that the USDA MAP facilitation strategy has stimulated 
investments in private enforcement capital between dairy producers and processors. 
 
 

Essay two examines the long‐term sustainability of the USDA MAP facilitated supply 
chain relationships by comparing the changes in farm‐level investment in relationship‐specific 
assets before and after the end of the USDA MAP.  The analysis is based on a unique balanced 
panel data with observations on milk production, marketing, and household characteristics of 
172 dairy farms in 2003 and 2008.  The main results provide no evidence of divestment after 
the end of the USDA MAP facilitation and suggest that farms linked to the formal marketing 
channel continued to invest in improving milk production.  Combined with the findings from 
Essay one, this indicates that the third‐party facilitation strategies directed on stimulation of 
investments in private enforcement capital by transacting parties can lead to establishment of 
self‐enforcing, long‐term sustainable supply chain linkages. 
Essay three uses case study evidence and the data from the survey of tomato farmers to 
examine the transferability/generalizability of the findings from essays one and two in the 
vegetable industry setting.  It measures the impact of the USDA MAP facilitation strategy on 
investment in and redistribution of private enforcement capital between Armenian tomato 
growers and processors.  The main findings indicate that farms supplying to the formal 
marketing channel had approximately 53.3% higher average annual proportionate increase in 
the tomato planting area in the period from 1999 to 2003 compared to farms in the informal 
marketing channel.  This results are consistent with the finding from Essay one, however, due 
to the inherent differences in the nature of specific assets between dairy and vegetable 
industries, the effect of the private enforcement capital on long‐term sustainability of linkages 
in the vegetable industry remains to be tested. 
 
 
 

 
 
 
 
 
 
 
 
 
Copyright by 
ALEKSAN SHANOYAN 
2011 
 
 
 
 
 
 

 
 

 
 
 
 
 
 
 
Dedicated to my parents Lyova Shanoyan and Anaida Miribyan 
 
 
 
 
 
 
 
 
 
v 
 

ACKNOWLEDGMENTS 
I am very grateful to my major professor Dr. Christopher Peterson for his guidance, 
mentoring, and support throughout my doctoral studies.  Many thanks go to my committee 
members Dr. Roy Black, Dr. Brent Ross, and Dr. Judith Whipple for their invaluable advice and 
encouragement during my dissertation process.  A special thanks to Dr. Hamish Gow for his 
support and guidance in the early stages of my Ph.D.  Thanks to my friends and colleagues in 
the Center for Agricultural and Rural Development and the International Center for 
Agribusiness Research and Education for their assistance during my dissertation fieldwork in 
Armenia.  I would also like to thank all of my friends and colleagues at MSU, in particular 
Ricardo Hernandez, Dale Yi, Sonja Perakis, Jacob Ricker‐Gilbert, Aleksandra Peralta, Domenico 
Dentoni, Tim Komarek, Xuan Wei, Kathleen Sprouse, and Tiffeny Jimenez for their friendship 
and help over the years.  Finally, many thanks go to the faculty and staff in the Department of 
Agricultural, Food and Resource Economics for providing an intellectually stimulating and 
pleasant work environment throughout my time at MSU. 
 
 
 
 
 
 

vi 

TABLE OF CONTENTS 
 
 
LIST OF TABLES ................................................................................................................................ ix 
 
LIST OF FIGURES ............................................................................................................................... x 
 
INTRODUCTION ............................................................................................................................... 1 
REFERENCES ............................................................................................................................... 6 
 
ESSAY 1: THIRD‐PARTY FACILITATION OF MARKET LINKAGES IN THE AGRI‐FOOD SUPPLY CHAIN: 
EVIDENCE FROM THE ARMENIAN DAIRY INDUSTRY ...................................................................... 8 
1. Introduction  .......................................................................................................................... 8 
.
2. Theoretic Framework .......................................................................................................... 10 
2.1 Probabilistic hold‐up framework ..................................................................................... 10 
2.2 Third‐party facilitation framework .................................................................................. 15 
3. The Case of USDA MAP in Armenian Dairy Industry ........................................................... 17 
3.1 Context and background ................................................................................................. 17 
3.2 USDA MAP facilitation of linkages between dairy producers and processors ................ 21 
3.3 USDA MAP facilitation strategy from the perspective of third‐party facilitation 
framework ..................................................................................................................................... 29 
4. Empirical Analysis and Model ............................................................................................. 31 
4.1 General model ................................................................................................................. 31 
4.2 Estimation strategy ......................................................................................................... 33 
4.3 Data and variables  .......................................................................................................... 35 
.
5. Results ................................................................................................................................. 40 
6. Discussion and Conclusion .................................................................................................. 45 
REFERENCES ............................................................................................................................. 48 
 
ESSAY 2: LONG‐TERM SUSTAINABILITY OF THIRD‐PARTY FACILITATED MARKET LINKAGES: 
EVIDENCE FROM THE USDA MARKETING ASSISTANCE PROGRAM IN THE ARMENIAN DAIRY 
INDUSTRY ...................................................................................................................................... 51 
1. Introduction  ........................................................................................................................ 51 
.
2. Context and Background ..................................................................................................... 53 
2.1 Transition in Armenian agriculture and the impact on dairy industry ............................ 53 
2.2 USDA MAP facilitation of market linkages in the Armenian dairy supply chain ............. 55 
3. Conceptual Framework ....................................................................................................... 57 
4. Empirical Analysis ................................................................................................................ 62 
4.1 Data ............................................................................................................................... 62 
4.2 Difference‐in‐Difference method ................................................................................... 65 
4.3 Fixed Effects method ..................................................................................................... 67 
5. Conclusion ........................................................................................................................... 76 
REFERENCES ............................................................................................................................. 80 
 
vii 

ESSAY 3: THIRD‐PARTY FACILITATION OF MARKET LINKAGES IN THE AGRI‐FOOD SUPPLY CHAIN: 
EVIDENCE FROM THE ARMENIAN VEGETABLE INDUSTRY  ........................................................... 83 
.
1. Introduction  ........................................................................................................................ 83 
.
2. The Case of the USDA MAP in the Armenian Vegetable Industry ...................................... 86 
2.1 Introduction and background ........................................................................................ 86 
2.2 USDA MAP facilitation of market linkages in the Armenian vegetable supply chain ... 93 
3. Theoretic Framework .......................................................................................................... 96 
4. Empirical Analysis .............................................................................................................. 103 
4.1 General model ............................................................................................................... 103 
4.2 Estimation strategy ....................................................................................................... 105 
4.3 Data and variables  ........................................................................................................ 107 
.
5. Results ............................................................................................................................... 112 
6. Discussion and Conclusion ................................................................................................ 117 
REFERENCES ........................................................................................................................... 121 
 
CONCLUSION ............................................................................................................................... 125 
REFERNCES ............................................................................................................................. 133 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
viii 

LIST OF TABLES 
 
Table 1 Summary of initial conditions and the USDA MAP facilitation strategies ....................... 28 
 
Table 2 Variable description and summary statistics ................................................................... 37 
 
Table 3 Two Stage Least Squares Results ..................................................................................... 41 
 
Table 4 Names and descriptions of variables included in the analysis ........................................ 70 
 
Table 5 Summary statistics ........................................................................................................... 72 
 
Table 6 Fixed Effects estimation results ....................................................................................... 74 
 
Table 7 Investments in relationship‐specific assets by processors and growers stimulated by the 
USDA MAP facilitation of the Armenian vegetable supply chain ............................................... 101 
 
Table 8 Summary of initial conditions, USDA MAP facilitation strategies, and resulting change in 
private enforcement capital between vegetable growers and processors ................................ 102 
 
Table 9 Variable description and summary statistics ................................................................. 108 
 
Table 10 Two Stage Least Squares Results ................................................................................. 113 
 
 
 
 
 
 
 
 

ix 

LIST OF FIGURES 
 
Figure 1 Summary of research design ............................................................................................ 5 
 
Figure 2 The probability of contract self‐enforcement ................................................................ 14 
 
Figure 3  Reduced hold‐up probability as a result of third‐party intervention ............................ 16 
 
Figure 4 Design and utilization of food processing in 1993 .......................................................... 21 
 
Figure 5 Change in production of milk, meat, and cattle 1988 ‐ 2009 (1985 base year) ............. 22 
 
Figure 6 The USDA MAP facilitated investments in private enforcement capital by processors 
and producers and the resulting decrease in hold‐up probability ............................................... 30 
 
Figure 7 Number of cows in Armenia for the period from 1996 to 2008 (1000 heads) .............. 56 
 
Figure 8 The logic of the analysis based on the change in investment before and after the end of 
the USDA MAP .............................................................................................................................. 61 
 
Figure 9 Change in number of cows between 1996 (base year) and 2008, total sample ............ 63 
 
Figure 10 Change in number of cows between 1996 (base year) and 2008, farms in formal and 
informal channels ......................................................................................................................... 64 
 
Figure 11 Change in vegetable planting area from 1985‐88 to 1993 ........................................... 89 
 
Figure 12 Design capacity and utilization of food processing in 1993 ......................................... 90 
 
Figure 13 Change in vegetable production, area, and yield from 1985 (base) to 2009 ............... 91 
 
 
 
 

x 

INTRODUCTION 
 
Over the past two decades the global agri‐food procurement systems have undergone 
dramatic transformations driven by various factors – including market liberalization, 
internationalization of the food retail sector, changing consumer preferences, and 
environmental pressures.  These transformations have created unprecedented opportunities 
and threats to agricultural producers and small and medium sized enterprises throughout the 
agri‐food supply chains.  Many chain participants were able to adjust to these changes by 
moving away from spot market transactions towards more coordinated linkages.  The 
proportion of the value of the U.S. agricultural production based on formal contractual 
arrangements increased from 28 percent in 1991 to 39 percent in 2008 (MacDonald & Korb, 
2011).  This trend is mirrored in agri‐food sectors in developing countries where the open 
market transactions are being increasingly replaced by more coordinated linkages between 
farmers, processors, and retailers (Shepherd, 2007).   
The benefits of coordinated linkages include reduced risks associated with price and 
production, higher control over quality and quantity of supply, and better information flow 
through supply chain.  However, increased coordination also introduces new costs and risks, for 
both buyers and sellers, associated with contract negotiations, enforcement, and potential 
nonperformance (Peterson, Wysocki, & Harsh, 2001).  Moreover, not all the actors along the 
supply chain have access to the necessary resources, competencies, and capacity to move 
towards more coordinated relationships.  As a result, in many agricultural markets coordinated 
linkages are still missing, even though the traditional spot market transactions fail to meet the 

1 

demands of new agri‐food systems.  Without appropriate external facilitation, many small and 
medium sized agricultural producers are at risk of being excluded from new agri‐food 
procurement systems (Dries & Reardon, 2005; Dries, Reardon, & Swinnen, 2004; Dries & 
Swinnen, 2004). 
Policy makers and the development community have recognized the need for assistance 
programs focused on facilitating supply chain linkages through more coordinated marketing 
relationships (World Bank, 2001; Kirsten & Sartorius, 2002; World Bank, 2007).   Assistance 
programs designed to promote development of producer organizations and contract farming 
are among some of the most commonly discussed approaches for linking producers to markets.  
Third‐party facilitators, including government agencies, development organizations, and Non‐
Governmental Organizations (NGO), were shown to have positive effects on creating market 
linkages by providing assistance to promote contract farming and to establish producer 
cooperatives (Glover & Kusterer, 1990; Porter & Phillips‐Howard, 1997).  However, the long‐
term sustainability of these linkages has been limited.  Experience has shown that the 
withdrawal of third‐party assistance very often results in a collapse of market linkages.  Among 
the main reasons for the high failure rate are inappropriate business models, artificial incentive 
structures, and inadequate contract enforcement mechanisms (Shepherd, 2007).  New agri‐
food systems require new models of supply chain coordination and therefore new models for 
facilitating linkages along the supply chain.  Hence, the important question to ask is: What the 
third‐party facilitation strategies can lead to the establishment of long‐term economically 
sustainable linkages along the agri‐food supply chain? 

2 

The objective of this research is to identify strategies that can be used by a third‐party 
to facilitate development of self‐enforcing contractual relationships between parties along the 
supply chain.   The major emphasis is placed on the role that a third‐party external facilitator 
can play in assisting producers and processors to develop internal private enforcement 
mechanisms for ensuring long‐term sustainability of their business linkages.  An important 
distinction is made between third‐party enforcement of contracts and third‐party facilitation of 
self‐enforcing contractual relationships.  The research objective is motivated by the policy 
concerns regarding the high failure rate of third‐party facilitated supply chain linkages after the 
exit of the third‐party and by the practical implications of better understanding the appropriate 
business models, incentive structures, and enforcement mechanisms in the context of external 
facilitation of supply chain linkages. 
The outcomes of this research will contribute to the agribusiness and development 
literature in three important ways.  From the policy perspective, a better understanding of the 
role of private enforcement mechanisms in external facilitation of supply chain linkages will 
assist in designing policies and programs that are more effective in linking producers to market.  
From the theoretical perspective, this study examines the predictive value of probabilistic hold‐
up framework (Klein, 1996; Gow, Streeter, & Swinnen, 2000) for explaining the underlying 
mechanisms in real world facilitation of contractual relationships.  And finally, from practical 
management perspective, the outcomes of this research will inform the managerial decisions 
regarding relationship‐specific investments and contractual designs of players along the agri‐
food supply chain. 

3 

This dissertation consists of three essays.  Essay one develops a conceptual framework 
for analyzing the role of private enforcement mechanisms in third‐party facilitation of linkages 
between agri‐food producers and processors. Essay two empirically examines the effect of 
private enforcement mechanisms on the long‐term sustainability of third‐party facilitated 
linkages.  Lastly, essay three examines the transferability/generalizability of the findings from 
essays one and two by applying the model to a different empirical setting (i.e. different 
industry). 
The conceptual framework is based on the probabilistic hold‐up model (Klein, 1996) 
which suggests that the probability of breaching the contractual arrangement can be minimized 
by increasing and/or rearranging the private enforcement capital present in a relationship.  The 
magnitude of private enforcement capital a contractual relationship is associated with the level 
of investment made by transacting parties in relationship‐specific assets and the extent to 
which transacting parties will suffer reputation losses in the marketplace for breaching a 
contract.  It is then hypothesized that the establishment of sustainable linkages between 
transacting parties can be facilitated by a third‐party through programs that stimulate 
investments in, and rearrangement of, private enforcement capital.   
The empirical data for testing this hypothesis comes from a case study of the USDA 
Marketing Assistance Program (MAP) in the Armenian dairy and vegetable industries.  During 
the 10‐year period from 1996 to 2005 the USDA MAP provided an integrated package of 
marketing, financial, and technical assistance to Armenian agri‐food producers and processors 
aimed towards developing and improving supply chain linkages between them.  The data used 

4 

for this st
tudy were collected from
m a series of
f dairy and v
vegetable pr
roducer surv
veys conduct
ted 
in 2004 a
and in 2009.  More speci
ifically, Essay
y one uses a
an instrumen
ntal case stu
udy of the US
SDA 
MAP in the dairy industry and cr
ross‐sectiona
al data from  the 2004 su
urvey of Arm
menian dairy 
producer
rs to examin
ne the role of private enf
forcement capital in facilitating mar
rket linkages
s; 
Essay two uses the p
panel data fro
om the 2004
4 and 2009 s
surveys of da
airy produce
ers to test th
he 
m sustainabi
ility of those
e linkages; an
nd finally, Es
ssay three us
ses cross‐sec
ctional data 
long‐term
from the 2004 survey
y of vegetab
ble growers t
to examine t
the transferability/gene
eralizability o
of the 
conceptu
ual framewo
ork and the theoretical and empirica
al implication
ns from Essa
ay one and E
Essay 
two in th
he vegetable industry set
ttings. Figure 1 illustrate
es the scope
e of each ess
say within th
he 
overall re
esearch desi
ign.    
Figure 1 Summary of
f research design 
Scop
pe of Essay 2
Natural Ex
xperiment in Dairy 

Scop
pe of Essay 1 
Case of US
SDA MAP in D
Dairy 

 
 
  1996

1999

2004

2005

20
009

2
2011

 
USDA MA
AP 
Started

 

Facilita
ation 
of Dair
ry & 
Vegeta
able 
Supply
y Chains

MAP 
Ended

Survey of 
Dairy and 
Vegetable 
Producers

Fo
ollow‐up Surve
ey
of
f Dairy Producers

 
Scop
pe of Essay 3 
Case of USDA MAP in Veg
getable 

 
For interpretation of
f the referen
nces to color
r in this and a
all other figu
ures, the rea
ader is referr
red 
ectronic vers
sion of this d
dissertation
to the ele
5 

 
 
 
 
 
 
 
REFERENCES 
 
 
 
 
 
 
 
 

6 

REFERENCES 
 
Dries, & Reardon. (2005). Central and Eastern Europe: Impact of food retail investments on the 
food chain. Report Series, N. 6. 
 
Dries, Reardon, & Swinnen. (2004). The rapid rise of supermarkets in Central and Eastern 
Europe: implications for the agrifood sector and rural development. Development Policy 
Review, 22(5), 525–556. 
 
Dries, & Swinnen. (2004). Foreign Direct Investment, Vertical Integration, and Local Suppliers: 
Evidence from the Polish Dairy Sector. World Development, 32(9), 1525‐1544. 
doi:10.1016/j.worlddev.2004.05.004 
 
Glover, & Kusterer. (1990). Small farmers, big business: contract farming and rural 
development. Macmillan Press Ltd. 
 
Gow, Streeter, & Swinnen. (2000). How private contract enforcement mechanisms can succeed 
where public institutions. Agricultural Economics, 23(3), 253‐265. 
 
Kirsten, J., & Sartorius, K. (2002). Linking agribusiness and small‐scale farmers in developing 
countries: is there a new role for contract farming? Development Southern Africa, 19(4), 
503–529. 
 
Klein, B. (1996). Why hold‐ups occur: the self‐enforcing range of contractual relationships. 
Economic Inquiry, 34(3), 444–463. 
 
MacDonald, J. M., & Korb, P. (2011). Agricultural Contracting Update: Contracts in 2008. 
Economic Information Bulletin. 
 
Peterson, H. C., Wysocki, A., & Harsh, S. B. (2001). Strategic choice along the vertical 
coordination continuum. Management Review, 4, 149–166. 
 
Porter, & Phillips‐Howard. (1997). Comparing contracts: an evaluation of contract farming 
schemes in Africa. World Development (Oxford)(United Kingdom). 
 
Shepherd, A. W. (2007). Approaches to linking producers to markets. A review of experiences to 
date. Agricultural Management, Marketing and Finance Occasional Paper (FAO). 
 
World Bank. (2001). World development report 2002: building institutions for markets. 
Washington: Banco Mundial. 
 
World Bank. (2007). World development report 2008: Agriculture for development. World Bank. 
7 

ESSAY 1: THIRD‐PARTY FACILITATION OF MARKET LINKAGES IN THE AGRI‐FOOD SUPPLY 
CHAIN: EVIDENCE FROM THE ARMENIAN DAIRY INDUSTRY 
 
1. Introduction 
The presence of effective contract enforcement mechanisms is one of the critical pre‐
conditions for establishing economically sustainable value chain linkages.  Public institutions 
play an important role in providing such mechanisms (North, 1990).  However, in many 
developing and transition economies public institutions are either weak or undergoing reforms 
and often ineffective in enforcing contractual relationships (Gow & Swinnen, 2001).  Thus, 
relying solely on public contract enforcement mechanisms has proven to be ineffective for 
establishing sustainable value chain linkages in developing and transition economies (Shepherd, 
2007).  The literature on transaction cost economics and game theory emphasizes the role of 
private contract enforcement mechanisms based on mutual dependence and reputation for 
ensuring reliable business relationships (Macaulay, 1963; Kreps, Milgrom, & Roberts, 1982; 
Williamson, 1985, 1998a).  Klein (1996) later extended this literature and introduced a 
probabilistic hold‐up framework which implies a fundamental complementarity between public 
and private contract enforcement mechanisms.  He defined the self‐enforcing range of 
contractual arrangement.  He further demonstrated how the presence of sufficient private 
enforcement capital can compensate for limitations of legal enforcement and can allow 
transacting parties to achieve desired performance outcomes and long‐term sustainability of 
business relationships (Klein, 1996).   

8 

Recent empirical evidence from Central and Eastern European Countries shows that the 
foreign direct investment (FDI) and the entry of multinational enterprises (MNE) provided 
sufficient capital and reputation to establish private contract enforcement mechanisms and 
ensure productive contractual relationships between agri‐food producers and processors, 
compensating for weak public enforcement (Gow & Swinnen, 2001, 1998; Dries & Swinnen, 
2004).  However, FDI and MNE’s are not present in many countries due to reasons such as an 
instable political‐legal environment, unattractive domestic market, and high transaction costs 
associated with local procurement.  Moreover, the domestic private sector companies in these 
countries often lack necessary resources, capabilities, and reputation for developing effective 
procurement relationships through private enforcement mechanisms.  The result of these 
attributes has been that economic transactions in many developing and transition economies 
are often limited to highly instable spot market transactions and a large number of agricultural 
producers are forced to resort to subsistence production. Third‐party facilitators such as 
international donors, development agencies, and NGO’s can play a  vital role in facilitating the 
establishment of supply chain linkages.   
Recently, the international agribusiness and agricultural development literature have been 
exploring the effectiveness of various strategies used by third‐parties to facilitate market 
linkage programs with a focus on the contractual and institutional arrangements that they 
propose (Glover & Kusterer, 1990; Gow & Swinnen, 2001; Porter & Phillips‐Howard, 1997; 
Shepherd, 2007).  With that said, however, there remain significant gaps in this area of the 
literature particularly with respect to the long‐term sustainability of the contractual 
relationships and institutions that arise from these strategies.  Furthermore, as Shepherd 

9 

(2007) notes, even though a large number of market linkage facilitation programs has been 
implemented the lessons from these programs have not been well disseminated.  There 
remains a need to analyze practical cases and identify strategies that have proven to be 
effective in facilitating relationships based on alternative contract enforcement mechanisms.  
The objective of this paper is: i) to adapt the Klein (1996) framework for analyzing the role 
of private enforcement mechanisms in third‐party facilitation of relationships between agri‐
food producers and processors; and ii) to analyze the key elements in the design and 
implementation of third‐party facilitation program using the case of USDA Marketing Assistance 
Program (MAP) in Armenian dairy industry.  The question I ask is: What is the role of private 
enforcement mechanisms in third‐party facilitation of relationships between agri‐food 
producers and processors?  A better understanding of third‐party market linkage facilitation 
strategies through promoting private contract enforcement mechanisms will help in designing 
policies and assistance programs that are more effective in linking producers to markets. 
The rest of the essay is organized as follows: Section 2 introduces the theoretic framework, 
Section 3 presents the case of USDA MAP in the Armenian dairy industry and introduces the 
hypothesis, Section 4 describes the model, estimation strategy, and the data for testing the 
hypothesis, followed by discussion of results in Section 5, finally Section 6 provides conclusions 
and implications for further research.  
2. Theoretic Framework 
2.1 Probabilistic hold‐up framework 

10 

This paper adapts the probabilistic hold‐up model first introduced by Klein (1996).   In 
his model Klein defines the self‐enforcing range of contractual performance and illustrates how 
the presence of sufficient private enforcement capital can expand this range to prevent 
potential hold‐up problems and lead to improved efficiency and reliability of business 
relationships (Klein, 1996).  Hold‐ups occur when one of the transacting parties attempts an ex‐
post renegotiation of the contract terms in order to extract the quasi‐rents from the other 
party’s sunk cost investments in relationship‐specific assets (Klein, Crawford, & Alchian, 1978; 
Williamson, 1998b).  The self‐enforcing range measures the “extent to which market conditions 
can change without precipitating a hold‐up by either party” (Klein, 1996 p 449).  This range is 
determined by the level of private enforcement capital that each party involved in transaction 
puts up as collateral.   
The degree of capital required to internally enforce a transaction is defined by the 
magnitude of the losses from private sanctions that could be imposed on a transactor who 
attempts a hold‐up (Klein, 1996).   Private sanctions include termination or non‐renewal of the 
relationship and damage to the transactor’s reputation in the marketplace.  In theory the 
magnitude of the potential losses associated with termination of the relationship is equal to the 
discounted value of the future quasi‐rents from the relationship specific investments present in 
a transaction.   Reputation damage can impose additional costs on future transactions of the 
party that attempted hold‐up due to distrust and unwillingness of others in the marketplace to 
engage into relationship.  

11 

The potential for a contractual hold‐up to occur is affected by changes in market 
conditions which alter the possible gains that may be achieved from breaching the terms of a 
contract.  When changes in market conditions move the relationship outside the self‐enforcing 
range so that a one‐time gain from hold‐up exceeds the discounted value of losses from private 
sanctions, the hold‐up threat becomes credible.  However, according to the Klein’s model, as 
long as the relationship remains within the self‐enforcing range, where each party’s potential 
gains from a hold‐up are less than the costs that will be incurred from private sanctions, a hold‐
up threat is not credible and be unlikely to occur (Klein 1996).   
It is important to note that this model relies on a specific set of behavioral assumptions 
about the transacting parties and the attributes of the transaction itself.  With respect to the 
transacting parties, these players are assumed to be boundedly rational and act 
opportunistically (Williamson, 1985).  A hold‐up will never occur if: i) market conditions are fully 
anticipated, or if ii) transacting parties do not act in their own self‐interest.  With respect to the 
first point, if the ex‐post market conditions and the resulting hold‐up potential were anticipated 
by a transacting party it would not enter into the relationship or would insist on ex‐ante 
rearrangement of private enforcement capital so that the relationship stays within the self‐
enforcing range under anticipated market conditions.  The bounded rationality refers to the 
rational decision making given restricted cognitive competencies of transacting parties, which 
includes the limitations of both knowledge and computational capacity (Simon, 1997).  In other 
words, it means that the transacting parties are unable to perfectly forecast future market 
conditions and ex‐ante plan for every ex‐post contingency.  Hence under the bounded 
rationality assumption and given the uncertainty of market conditions, all contracts are 

12 

inherently incomplete.  The bounded rationality assumption is especially relevant in the context 
of the Armenian dairy industry during early transition, where transacting parties had no 
experience in operating under market economy and at the same time were facing a highly 
uncertain economic and political‐legal environment (e.g. in 1993 the annual inflation rate 
reached 1820% (World Bank, 2002)). 
With respect to the second point, if transacting parties do not act in their own self‐
interest (i.e. will change their behavior if it is profitable for them to do so regardless of 
consequences for the other party) then the simple promise at the onset of the transaction will 
be sufficient to ensure self‐enforcing contractual relationship.  Under the assumption of 
opportunism, transacting parties can be expected to take advantage of ex‐post shifts in market 
conditions and attempt renegotiation of contract terms to extract quasi‐rents.  The quasi‐rents 
arise from the presence of specific assets and are equal to the difference between the value of 
the asset in its intended use and the second best alternative use (Klein, Crawford, & Alchian, 
1978).  The presence of specific assets is one of the critical attributes of a transaction in this 
framework since according to Klein they also serve as a source of private enforcement capital. 
For example let us consider a situation with two transacting parties: the seller – firm A, 
and the buyer – firm B.  Under assumptions of bounded rationality and opportunism, parties 
only have an expectation, at each point in time, on the future market conditions (e.g. price) and 
the resulting potential hold‐up benefits.  Figure 2 illustrates the expected probability 
j

distribution of the hold‐up benefits to each party, f ( H ) with  j  A, B  , which is based on the 
underlying probability distribution of market price 

13 

p .  When the ex‐post price  p  is same as 

the ex‐ante expected price p0 , the hold‐up benefits are zero to either party,  H

j

( p0 )  0 .  

A

Given the costs  K 0  to firm A from breaching the contractual understanding, the probability of 
firm A breaching the contract can be defined by area  a0 .  Similarly, the area  b0  defines the 
B

probability of firm B holding‐up the relationships given the costs  K 0  it will incur.  The 
j

magnitude of K 0 , 

j  A, B , is defined by: i) the discounted value of the future quasi‐rents 

from the relationship specific investments of  j , and by ii) the additional costs of regaining trust 
in the marketplace after the attempted hold‐up.  Consequently, under the presence of the 
A

B

private enforcement capital defined by the magnitude of  K 0 and  K 0 , the expected 
probability that the contractual arrangement will be honored is  1  a0  b0  (Gow et al, 2000; 
Klein, 1996). 
Figure 2 The probability of contract self‐enforcement 
j

f (H ) 

b0
 B

H (p) 

b0

a0
 B

K 0 

0

A

K 0 

       Adapted from Gow et al., (2000); Klein, (1996)  
 

14 

A

H (p) 
 

Based on this framework, the probability of contract self‐enforcement can be increased 
A

B

by rearranging the private enforcement capital  K and  K .  This can be achieved by 
expanding the self‐enforcing range through investment in private enforcement capital by one 
or both parties.  Alternatively, one party could finance the other party’s investments into 
specific assets thus redistributing present enforcement capital from a party with a low hold‐up 
potential to a party with higher potential to hold‐up the relationship.  In this regard contract 
terms can serve as a means for economizing on the limited or unequal amounts of private 
enforcement capital of transacting parties, conditional on the presence of effective contract 
laws and public institutions.  If adequate public enforcement is not present then greater 
investments in private enforcement capital will be required to ensure high probability of 
contract self‐enforcement (Klein, 1996).  
2.2 Third‐party facilitation framework 
To extend this probabilistic hold‐up framework for the analysis of third‐party facilitation 
of self‐enforcing supply chain relationships, an external third‐party is introduced to the model.  
The objective of the third‐party is to reduce the probability that the contract will be held up by 
either of the transacting parties.  This can be achieved in two ways: i) by imposing external 
costs on the transacting parties for breaching the contract (third‐party enforcement of the 
contract); or ii) by stimulating investments in private enforcement capital (third‐party 
facilitation of self‐enforcing contractual relationships).  
Figure 3 illustrates the reduced hold‐up potential as a result of (a) third‐party 
enforcement and (b) third‐party facilitation.   In both cases the probability of breaching contract 

15 

is reduced from  (a0

 b0 )  to  (a1  b1) . However, in the case of third‐party enforcement it is 
A

B

achieved by imposing an additional external cost  E1 and  E1   to parties A and B respectively 
for breaching the contract.  This will be sustainable as long as the third‐party is present, once 
the costs imposed by the third‐party are withdrawn the probability of breaching contract will go 
back to (a0

 b0 ) since the self‐enforcing range is still defined by  K 0A and  K 0B .  On the other 
 

hand, in the second case, the self‐enforcing range is expanded through an increase in 
B

A

magnitude of private enforcement capital to  K1 and  K1  as a result of third‐party stimulation 
of investments in the relationship by transacting parties.  Consequently, the probability of 
breaching contractual understanding will remain low at  (a1  b1 )  even after the third‐party is 
no longer present.  
 
Figure 3  Reduced hold‐up probability as a result of third‐party intervention 
 j

j

f (H ) 

 

f (H ) 

 

 

 
 

b1   b0  
 B

H (p) 
 

a0   a1  

A  
 A    A
 B
 B
E 1  K 0  0 K 0 E 1  H (p)

B

H (p) 

a0   a1  

b1   b0  
B

B

K 1  K 0 

0

A

 A

 A

K 0  K 1  H (p) 

 (a) Third‐party enforcement of contracts        (b) Third‐party facilitation of self‐enforcing   

                    contractual relationships 
Based on this theoretical framework the following general hypothesis is introduced:  The 
establishment of self‐enforcing relationships between transacting parties can be facilitated by a 
16 

third‐party through programs that stimulate investments in and rearrangement of private 
enforcement capital.  Then the important question that follows is: what are the key 
components in third‐party market linkage facilitation strategy that could lead to investments in 
and rearrangement of private enforcement capital?  To answer this question and to establish an 
empirical framework for testing our hypothesis we examine the case of USDA Marketing 
Assistance Program in Armenian dairy sector.  
3. The Case of USDA Marketing Assistance Program in the Armenian Dairy Industry  
3.1 Context and background  
Armenia has arguably faced one of the most difficult economic and social transitions of 
all the former Soviet Republics (World Bank, 2002).  Independence from Soviet Union, 
privatization, trade liberalization, war and resulting economic blockade by Azerbaijan and 
Turkey had a combined impact of 60% decline in GDP between 1991 and 1993, widespread 
poverty, and financial distress (FAO, 2000).  The privatization in 1991 handed ownership and 
control of agricultural production to over 300,000 inexperienced and resource constrained 
household farmers.  The agroprocessing sector was privatized in the period of 1995‐1996 
through restitution to employees or direct sales to local buyers (FAO, 2000).  The traditional 
business practices were no longer appropriate due to broken business relationships, 
constrained trade and market access, limited capital, and inadequate legal enforcement 
system. The result was the Armenian agri‐food system in total disarray.   
Unlike other Central and Eastern European (CEE) countries, Armenia was not an 
attractive foreign investment location for multinational food companies due to its small 

17 

domestic consumption and resource base as well as its instable political‐legal environment 
(World Bank, 1995).  Without the presence of FDI‐induced private solutions, the Armenian 
agricultural sector was unable to recover from economic shocks and remained in a sub‐optimal 
equilibrium characterized by low quality output, delayed payments, deep financial distress and 
limited investment. Given the overall economic distress in the country an alternative external 
stimulus was required to boost the recovery of Armenian agri‐food sector.  
In 1992 Armenia requested USDA assistance for facilitating agricultural transition.  The 
USDA responded by establishing traditional extension‐driven development assistance.  An 
Armenian Agricultural Extension Service called Agrogitaspiur was established to coordinate 
work of over one hundred local extension agents.  USDA organized workshops to train village 
level staff of Agrogitaspiur in extension methods by U.S. extension specialist.  The main focus of 
extension support was on provision of farm level technical assistance.  However, after three 
years of operation it became apparent that the extension‐driven assistance strategy was not 
sufficient for addressing systemic problems faced by the Armenian agricultural sector.  The 
effectiveness of extension support was limited due to the lack of well‐functioning markets for 
agricultural input supplies, procurement and marketing channels for farm output, as well as 
limited access to financial capital.    Consequently, in 1996, a USDA advisory team redesigned 
the project from technology‐push to market‐pull and with that shifted the focus from farmers 
and production to the entire supply chain.  The result was the USDA Marketing Assistance 
Program (MAP) with an integrated market driven approach of supply chain facilitation through 
coordinated financial, technical, and marketing assistance (Cocks, Gow, & Dunn, 2003; Gow, 
Shanoyan, & Cocks, 2009).   

18 

Between 1996 and 2005 the USDA Marketing Assistance Program was actively involved 
in the Armenian agri‐food industry providing assistance at all levels of the supply chain.  On the 
processing level, USDA MAP assisted over 65 processing firms in a number of key sectors of 
Armenian agriculture including dairy and fruit‐vegetable sectors. The marketing and technical 
assistance incorporated provision of expertise, training, and financing targeted towards 
identification and expansion to new local and export markets for higher quality value added 
food products.  Simultaneously, through its strategic loan and leasing programs USDA MAP 
provided firms with access to financial capital necessary for upgrading production assets and 
capabilities in order to meet requirements of new markets (USAID, 2006). 
On the production level, USDA MAP facilitated establishment of 33 farmer marketing 
associations (marketing cooperatives) to enhance farmers access to formal marketing channels.  
Through its microcredit program introduced in 1999 USDA MAP facilitated establishment of 51 
Agricultural Production Credit Clubs (mutual guarantee and collective liability microcredit 
groups) enabling over 800 farmers’ access to financial capital (USAID, 2006).  The marketing and 
financial assistance on production level was complimented with substantial technical assistance 
targeted towards improving farmers’ management and production practices (Cocks et al., 2003; 
Gow et al., 2009).  By 2005 over 17,000 Armenian farmers and agribusinesses received some 
form of marketing, technical, or financial assistance from USDA MAP (USAID, 2006).  In 2005 
the USDA Marketing Assistance Program in Armenia officially ended.  A local Armenian 
foundation called Center for Agribusiness and Rural Development (CARD) was established to 
carry on the legacy of the USDA MAP.   

19 

The case of the USDA MAP in Armenia provides a unique empirical setting for analyzing 
a third‐party market linkage facilitation strategy and its short‐term and long‐term impact.  First, 
the complete breakdown of supply chain relationships in Armenian agri‐food sector during the 
early periods of the agricultural transition, combined with the absence of FDI, provides a 
relatively controlled environment for assessing the impact of the third‐party facilitation 
strategy on the development of supply chain linkages.  Second, the integrated supply chain 
facilitation approach of the USDA MAP allows for concurrent examination of responses to 
external facilitation by firms at different levels of the supply chain.  Finally, as one of the largest 
and longest running agribusiness development projects managed by the USDA, MAP was 
involved in several key sectors in the Armenian agriculture thus making it possible to analyze 
and compare facilitation strategies across various supply chains.   
This essay provides a detailed analysis of the USDA MAP facilitation in Armenian dairy 
industry with the objective to i) understand the key elements in the design and implementation 
of the USDA MAP facilitation program, and ii) analyze the impact of the USDA MAP facilitation 
strategy on investments in and rearrangement of private enforcement capital between dairy 
producers and processors.  The case analysis is based on data collected from both primary and 
secondary sources.  Primary data was collected using multiple rounds of interviews, surveys, 
and personal interactions with management personnel in milk processing firms, dairy farmers, 
as well as with USDA MAP staff and experts during field research in Armenia in 2004 and 2009.  
Secondary data sources include USDA MAP internal documents such as Client Annual Reviews 
(CAR) and consultant reports.  The information from these sources is supplemented with the 

20 

data from the Armenian Ministry of Statistics, World Bank and USAID publications.  The case 
study presented below is developed using these sources. 
3.2 USDA MAP facilitation of linkages between dairy producers and processors 
By the mid 1990’s the traditional Armenian dairy sector had collapsed (World Bank, 
1995).  Dairy processors were constrained by poor quality milk supply that arrived in 
inconsistent quantities, limited financial capital, inexperienced management stuck in a Soviet 
era mentality, poor sanitation, poor safety standards, and most importantly, inadequate or 
missing procurement relationships with farmers.   These problems forced processors to either 
close or severely reduce output resulting in a dramatic drop in capacity utilization (Figure 4).   
Figure 4 Design and utilization of food processing in 1993 
 
430

Bakery

556.5

Flour Milling*
Canning
Dairy Product

333.90

 

156.11
14.05

 
354.9

10.65
718

Mixed Feeds*
Meat

 

236.50

 

71.80

 

88.8
1.78
0.00 100.00 200.00 300.00 400.00 500.00 600.00 700.00 800.00
Design Capacity (1000 tons)

 
 

Utilization in 1993

          
*Estimated utilization 
Sources: Ministry of Food and Procurement; World Bank, 1995 

21 

At the farm level, transition had left farmers financially distressed, credit constrained 
and unprofitable due to increased input prices, decreased output prices, and limited market 
opportunities for selling their milk surplus.  Moreover, processors were unable to extend trade 
credits to farmers; instead, they actually borrowed from farmers through extreme payment 
delays, worsening farmers’ already distressed cash flow situation (Gow, Shanoyan, 
Abrahamyan, & Alesksandryan, 2006). 
This adversely affected farmers’ production and investment incentives and resulted in a 
substantial drop in cattle numbers.  In the period from 1988 to 1993 the number of cattle 
decreased 40% (Figure 5).  Excess livestock were liquidated to access scarce capital resources 
and farmers retreated to subsistence agriculture and barter as a result.  The overall 
consequence was a significant divestment in assets by both processors and producers leading 
to a dramatic decrease in milk production between 1988 and 1993 (Figure 5).     
Figure 5 Change in production of milk, meat, and cattle 1988 ‐ 2009 (1985 base year) 

Production (1985 base year)

1.40
1.20
1.00
0.80
Cattle

0.60

Meat

0.40

Milk

0.20

Year

2009

2007

2005

2003

2001

1999

1997

1995

1993

1991

1989

1987

1985

0.00

 

Source: Armenian Ministry of Statistics 
22 

 
The active involvement of the USDA MAP in Armenian dairy industry began in 1998 by 
strategic assistance aimed towards the processing sector.  The objective was not only to 
facilitate the revival of the dairy processing sector, but also to develop reliable downstream 
markets for dairy farmers to ensure consistent demand for raw milk.  The assistance included 
flexible and customizable package of financial, technical, and marketing assistance aimed at 
improving product quality, increasing production capacity, and enhancing marketing of 
Armenian dairy products.   
Marketing assistance was focused on helping dairy processors to identify and expand 
into new markets.  Examples of specific activities included conducting market research for 
companies, supporting participation in international trade shows, providing expert assistance 
for labeling and packaging, supporting in‐store tasting events to promote new products in 
domestic and foreign markets, providing export training and assistance with export logistics, as 
well as assisting in development of promotional material.  By the end of 2003, with the support 
of the USDA MAP, more than ten Armenian dairy processors were represented in various trade 
shows and product tasting in US, Russia, Ukraine, and Belarus (USDA MAP CAR, 2004).  
The marketing assistance to processors was accompanied by the technical assistance 
designed to facilitate development of new product lines as well as improvement of the 
production process to meet higher quality and food safety requirements of new markets.  With 
the assistance of US specialists, Armenian processors expanded the range of their products to 
include cheese varieties such as Edam, Gouda, Swiss, Blue, Smoked String, and Mozzarella.  In 
2000 the USDA MAP introduced “Quality First Initiative” a quality assessment program based 
23 

on HACCP, ISO, GMP, and SSOP quality control systems.  The program promoted adoption of 
these systems by limiting marketing, financial, and technical assistance only to companies that 
met the minimum quality and sanitation standards.  Additionally, significant technical 
assistance was directed towards improving raw milk procurement practices.   This included joint 
training seminars for processors and farmers, introduction of new testing equipment and 
contract specifications to improve quality and quantity of raw milk supplied by farmers.  
An important component of the USDA MAP facilitation strategy was financial assistance.  
It was designed to fill the gap caused by the inability of Armenian banking system to effectively 
deliver financial capital required for investments in agricultural production, processing, and 
marketing.  In the design and delivery of financial assistance the USDA MAP was careful to 
avoid creation of artificial incentives and dependence.  In 1999 USDA MAP formed Agro‐Leasing 
LLC, the first company in Armenia providing lease‐to‐buy service for obtaining farm and 
agribusiness equipment.  To ensure independence and long‐term sustainability of Agro‐Leasing, 
USDA MAP only provided initial operating capital and credit default guarantee without taking 
an equity stake in the company (USAID, 2006).  Financial assistance to dairy processors was 
provided predominantly through working capital loans and leases for capital assets such as 
pasteurizers, milk cooling tanks, and other equipment.  A small number of targeted grants was 
provided for new product development and for improving quality and sanitation control 
systems.  This allowed dairy processors to access financial capital required for enhancing their 
marketing efforts and more importantly for upgrading their production and input procurement.  

24 

As a result of USDA MAP assistance Armenian dairy processors gained access to 
previously unattainable market opportunities. By the end of 2003, six USDA MAP client 
companies were exporting their production to Russia, US, and Georgia.  The proportion of 
exports was ranging from 3% up to 90% of the total value of their output.  Fifteen new cheese 
varieties were introduced within both export and domestic markets. The potential of higher 
profits from serving these new markets created a need for securing reliable input supply.  This 
led to a significant increase in demand for raw milk and motivated processors to invest in 
procurement facilities and to develop relationships with farmers.  USDA MAP facilitated this 
process by providing financial and technical assistance.   
The result was significant investments in raw milk procurement channels by dairy 
processors.  The examples included one of the largest dairy processors, Ashtarak Kat, building 
milk collection centers in ten regions of Armenia and investing in a dried milk plant to ensure 
more stable milk supply and to level out the demand.  They invested in testing equipment and 
hired trained specialists to ensure quality control procedures.  The company collected milk from 
farmers in villages surrounding the collection centers, tested the milk and paid according to the 
quality, and then transported milk to the collection center for cooling.  From the collection 
center the milk was trucked to the processing facility in the capital city of Yerevan (Cocks et al., 
2003).   Other companies followed the example of Ashtarak Kat and invested in building new 
processing plants in remote areas, improving raw milk procurement logistics, and building 
relationships with farmers.  

25 

The USDA MAP assistance on the production level started in 1999 and included the 
facilitation of establishment of milk marketing associations, a microcredit program, and farm 
level technical assistance to improve cow genetics and management practices.  The first milk 
marketing association was established in 1999 in Lejan village.  After the first year of operation 
the number of association members increased from the initial 21 to 161.  In 2000 the members 
of the Lejan association sold one hundred tons of milk bringing significant additional income 
into the village.  Following the success of the association in Lejan, there was a rapid 
development of the associations throughout Armenia.  By the end of 2003, the USDA MAP had 
facilitated the establishment of fourteen milk marketing associations accounting for almost 
1,400 members in 24 villages across Armenia (USDA MAP, 2006). 
The central concept behind the formation of the associations was that they had to be 
driven by the villagers themselves and not dictated by a third‐party facilitator.  Farmers needed 
to come together on the basis of common economic interests (Cocks et al., 2003).  Once 
established, a board of directors was elected who registered the association and negotiated a 
processor marketing contract.  It was important that the processor marketing relationship was 
established independent of USDA MAP to ensure long‐term sustainability.  Concurrently, a 
cooperatively owned and managed collection center was established.  The milk cooling tank 
was provided on a lease‐to‐buy agreement, interest free loan for the first six months while the 
association was getting established.  The milk cooling tank served two purposes; improving raw 
milk quality, and secondly, providing an additional economic incentive for bringing villagers 
together to join the association (Cocks et al., 2003; Gow et al., 2009).   

26 

To assist financially distressed small scale farmers with upgrading milk production and 
delivery, the Agricultural Production Credit Club (APCC) microcredit program of USDA MAP was 
extended to the dairy sector in 1999.   The program was providing small production loans to 
groups of fifteen to thirty self‐selected farmers and was using principles of collective and 
mutual guarantees by club members (Gow et al., 2006).  The interest rate of APCC was almost a 
third of that of other micro credit programs operating in Armenia (USAID 2006).  Working with 
Armenian legislators, in 2002 MAP was able to achieve enhancement of legislation to register 
APCC as a self‐contained micro credit financing organization, required to comply with the 
common set of administrative rules and subject to audit by the Ministry of Finance (USAID, 
2006).  By the end of 2005, seventeen milk producers’ credit clubs were formed in seven 
regions of Armenia, providing access to capital to more than 380 dairy farmers.  The access to 
capital through credit clubs allowed dairy farmers to finance their investments in improving 
herd size and quality as well as improving housing and sanitation. 
The USDA MAP unique facilitation strategy initiated rapid revitalization of procurement 
relationships between processors and farmers in the Armenian dairy sector.  From 1996 to 
2005, USDA MAP facilitated linkages between thirty five dairy processors and over 5,500 dairy 
farmers in seven regions of Armenia (USAID 2006).  Fourteen milk marketing associations were 
formed and an equal number of privately owned milk collection centers were built by 
processors.  In 2003, dairy processors procured around 9,700 tons of milk from dairy farmers, a 
52% increase over the previous year (USDA CAR, 2004).  This resulted in more than 2 million 
dollars in payments to the members of milk marketing associations and individual dairy 
farmers.   

27 

The integrated supply chain facilitation strategy of MAP was able to directly address 
systemic problems causing divestment and suboptimal equilibrium in the dairy supply chain.  
These problems included high transaction costs in marketing and procurement, limited access 
to capital and credit, as well as production inefficiencies due to lack of expertise and managerial 
capabilities.  The initial extension‐driven approach of USDA was only able to address some of 
these problems while its effectiveness was actually constrained by many of these problems 
(Table 1). 
Table 1 Summary of initial conditions and the USDA MAP facilitation strategies 
Initial Conditions Defining 
Suboptimal Equilibrium 

Extension Driven 
Strategy (1992‐1996) 

MAP Strategy             
(1996‐2005) 

High transaction costs in marketing 
and procurement: 
 Disorganized supply chain 
 Inconsistent quality 
 Hold‐ups and mistrust 

No elements of 
program were 
designed to address 
these problems 

Directly addressed through 
marketing and technical 
assistance on processing 
and farm levels 

Limited access to capital and credit: 
 Financial distress 
 Lack of credit capacity 
 High interest rates 

No elements of 
program were 
designed to address 
these problems 

Directly addressed through 
financial assistance on 
processing and farm levels 

Production inefficiencies: 
 Missing or inadequate 
infrastructure 
 Lack of expertise and 
experience 
 

Partially addressed 
Directly addressed through 
through extension 
technical and financial 
support on the farm 
assistance on processing 
level, but no support 
and farm levels 
on the processing level 

 
Within the context of this case we hypothesize that the third‐party facilitation strategy 
pursued by USDA MAP stimulated investments in private enforcement capital by processors 
28 

and producers, leading to the establishment of self‐enforcing supply chain relationships, 
precisely because it addressed all aspects of the initial conditions.   
3.3 USDA MAP facilitation strategy from the perspective of third‐party facilitation framework 
Through its unique supply chain facilitation strategy, USDA MAP was able to provide 
dairy processors and farmers with access to new market opportunities and resources for 
upgrading their production without creating misaligned incentives and dependence culture.  
This stimulated investments in supply chain relationships both on the processing and 
production levels.  On the processing level, companies invested in building milk collection 
centers and processing plants close to farmers, obtaining trucks for raw milk transportation, 
designing new contractual arrangements with farmers, as well as improving and expanding 
production capacity.  On the farm level, milk producers were able to make investments in the 
additional number of cows and the housing facilities to increase milk production capacity, as 
well as in improving marketing relationships with suppliers by establishing milk marketing 
associations.  In the context of the supply chain linkages these investments can be seen as 
investments in relationship‐specific assets (i.e geographic, physical, and dedicated asset 
specificity).  In theory this could increase private enforcement capital of dairy processors and 
farmers and therefore make the linkages more self‐enforcing and sustainable.  This is 
graphically illustrated in Figure 6.   
The initial magnitude of limited private enforcement capital, defined by minimal 
investment in relationship‐specific assets and lack of trust between farmers and processors, is 
F

P

denoted by  K 0  and   K 0  respectively. This reflects the absence of formal marketing and 

29 

procurement relationships between farmers and processors during the early transition, which 
led to high instances of hold‐ups in the form of delayed payments and inconsistent milk supply.  
Based on the evidence from the case analysis it can be hypothesized that the investments in 
relationship‐specific assets stimulated by USDA MAP facilitation programs increased private 
F

P

F

P

enforcement capital from  K 0 and  K 0   to  K1 and  K1   respectively.  This in turn would 
lead to expansion of the self‐enforcing range and reduction in the probability of breaching the 
contractual understanding by both transacting parties,  (a1  b1 )  .   
Figure 6 The USDA MAP facilitated investments in private enforcement capital by processors 
and producers and the resulting decrease in hold‐up probability 
 
 

j

f (H ) 

 
 
 
 

a1  

b1  

 
 P

 
  H (p)

 P

K 1 

 P 0

K 0 

F

K 0 

F

K 1 

F

H (p) 

Consequently, two general hypotheses are introduced based on the case analysis and the 
theoretical framework: H1 ‐ Third‐party facilitation strategy pursued by USDA MAP has 
stimulated investment in and rearrangement of private enforcement capital between dairy 
producers and processors; and H2 – Third‐party facilitation strategy pursued by USDA MAP led 

30 

to establishment of self‐enforcing, long‐term sustainable linkages along the dairy supply chain.  
Testing H1 requires examination of changes in relationship‐specific investments by farmers and 
processors during the period of USDA MAP facilitation.  Testing H2, on the other hand, requires 
a longitudinal analysis of indicators reflecting linkage performance after the end of the USDA 
MAP facilitation. The empirical analysis in this essay is primarily focused on testing the first 
hypothesis while the second hypothesis is tested in Essay 2. 
4. Empirical Analysis 
4.1 General model 
Based on the case analysis, the USDA MAP facilitation led to the establishment of formal 
milk marketing channels by linking farmers to processors either directly or through milk 
marketing associations.  To analyze the impact of the USDA MAP facilitation program on the 
magnitude of private enforcement capital, the change in farm‐level investments in relationship‐
specific assets of farmers supplying milk to formal channels could be examined.  In the context 
of marketing and procurement relationships with processors, the potential farm‐level 
investments in relationship‐specific assets include i) investments in additional number of cows 
(dedicated asset specificity), and ii) investments in additional farm buildings such as cowsheds, 
barns, and milking facilities (dedicated and physical asset specificity) that have low liquidity and 
limited alternative use.   Dedicated asset specificity refers to investments in additional 
production capacity which would not have been undertaken if not a prospect of selling 
significant amount of product to a particular buyer (Williamson, 1983).  The investments in 
additional number of cows and dairy facilities contingent on the supply contract with 
processors would result in a significant excess capacity if the contract is terminated.  

31 

Furthermore, in the context of the Armenian dairy industry during early transition, the only 
alternative use for a dairy cow was slaughtering it for meat which was a low profitability 
alternative to using it for the milk production.  Additionally the redeployment of farm facilities 
designated for dairy cows would result in lower value realization. 
Due to the highly correlated nature of these investments, the overall change in farm‐
level investments in relationship‐specific assets could be well approximated by the change in 
number of cows in the five year period from 1999 (before the USDA MAP facilitation) to 2003 
(after the USDA MAP facilitation).  Thus, comparing the change in farm growth, in terms of 
number of cows, across farmers in formal and informal channels will indicate the change in the 
magnitude of private enforcement capital as a result of USDA MAP facilitation.  The informal 
channel in this context includes local village market, traders and middlemen, as well as 
subsistence farming and barter.   
Following the literature on farm growth and previous empirical studies (Evans, 1987; 
Hart & Oulton, 1996; Weiss, 1999; Rizov & Mathijs, 2003; Dries & Swinnen, 2004), the farm 
growth model can be specified as following: 

Si,t  [F ( X i , Si,t0 )]d (Si,t0 )ei,t    
Where 

 

 

                                       (1.1) 

S i ,t and  S i ,t0 denote the size of the farm  i at the subsequent period  t  and initial 

period  t 0   respectively,  

F ( X i , S i ,t0 )  denotes a function of size at the initial period and a 

vector of other variables including  farm and marketing channel characteristics denoted by 

32 

X

. 

The time interval over which the growth is measured is denoted by  d

 t  t0  , and finally  e   

denotes a lognormally distributed error term with possibly non‐constant variance.  Based on 
(1.1) the following general equation can be specified to serve as the basis for econometric 
analysis of farm growth: 

n

ln(S i ,t )  ln( S i ,t0 ) / d   0    j H i , j   Di ,t   
j 1

 1 ln( S i ,t0 )   2 ln( S i ,t0 ) 2  ui  
In this equation 

S i ,t and  S i ,t
t

0

     

             (1.2) 

denote the number of cows in farm  i at the subsequent 

period  t  and initial period  0   respectively, 

Hi  is a vector of  n  variables controlling for 

farm characteristics,  Di is an indicator of participation in the formal milk marketing channel, 
and  ui is an error term.  The left‐hand side of the equation (1.2) reflects the average annual 
proportionate change in the number of cows in the period   d

 t  t0  , and serves as a 

measure of farm growth over that period.  The main parameter of interest on the right‐hand 
side is 



 which can be interpreted as the difference in average annual proportional change in 

the number of cows in farms supplying to the formal milk marketing channel compared to 
farms in the informal channel.   
4.2 Estimation strategy 

33 

Estimation of parameters in (1.2) requires careful consideration due to potential 
endogeneity of participation in the formal milk marketing channel.  It is likely that there will be 
unobservable factors affecting both participation in the formal channel and farm growth (e.g 

u

entrepreneurial ability of the farmer).  In other words  Di  might be correlated with  i  .  This 
can lead to the bias and inconsistency of ordinary least squares (OLS) estimators.  The widely 
used method for addressing endogeneity of one or more explanatory variables is two stage 
least squares (2SLS) estimation method.  This method allows using multiple instrumental 
variables (IV) for estimating parameters in the presence of endogenous explanatory variables.  
Instrumental variables must be excluded from (1.2) and must be correlated with the 
endogenous variable,  Di  , and uncorrelated with  ui .   
In this analysis, a number of variables measuring the extent of a farmer’s social capital is 
used as instrumental variables.  These variables are defined based on: i) whether the farmer 
was born in the village where he/she lives, ii) the distance from the house of the nearest 
relative, iii) the number of households that the farmer might turn to for help in the past five 
years, iv) number of households that might turn to the farmer for help in the past five years, 
and v) whether the farmer takes part in the meetings concerning the village where he/she lives.  
There is a good reason to believe that these measures of social capital will be correlated with 
participation in the formal marketing channel since they can influence the likelihood of joining a 
milk marketing cooperative.  The empirical evidence from studies of agricultural innovation and 
technology adoption in developing country settings suggest positive correlation between social 
capital and a farmer’s decision making due to mutual learning and information sharing among 

34 

households (Bandiera & Rasul, 2006; Conley & Udry, 2010; Foster & Rosenzweig, 1995). Also, 
there is little reason to believe that after controlling for other variables, these variables will be 
correlated with unobserved factors in the error term of (1.2).   
Since the participation in the formal marketing channel is a binary endogenous variable, 
the two step procedure proposed by Wooldridge (2002) is used.  First, the binary response 
model is estimated by probit using the set of instrumental variables and explanatory variables, 

ˆ

and then the fitted probabilities  Di are obtained.  Second, the equation (1.2) is estimated by 
 

ˆ

2SLS using  Di as an instrument.  Due to its robustness properties this procedure produces 
more efficient estimates compared to the usual 2SLS estimates (Wooldridge, 2002, pp 623‐
625). 
4.3 Data and variables 
The data used in the analysis comes from a farmer survey conducted in 2004 as a part of 
the larger effort to assess the impact of the USDA MAP initiatives in Armenian agriculture.  The 
sample consists of 745 dairy farmers from major dairy producing regions of Armenia.   The 
survey instrument was designed to obtain information on household demographics, income 
generation, asset ownership and investment, production, finance, land use, marketing channel 
structure, and business relationships. The data is a cross section for 2003 which also includes a 
series of retrospective information regarding household income, farm productivity, the number 
of cows, and the choice of marketing channel for each of the five years prior to the survey 
(1999‐2003).   

35 

Approximately 62.5% of respondents in the sample were in the formal marketing 
channel in 2003, which means they began supplying milk to dairy, either directly or through 
collection centers, or to cooperatives between 1999 and 2003.  The rest of the sample, 
approximately 37.5% of respondents, consists of farms in the informal channel which includes 
the local village market, traders and middlemen, as well as subsistence farming and barter.   
Table 2 presents a description of variables included in the analysis with the summary statistics 
for the total sample and for two groups based on participation in formal and informal markets. 
The depended variable (GROWTH) is the average annual proportionate change in 
number of cows indicating annual farm growth over the period from 1999 to 2003.  It is 
calculated as in the left‐hand side of equation (1.2) and is based on the logarithm of number of 
cows in 1999 (before USDA MAP facilitation) and 2003 (after five years of USDA MAP 
facilitation).  The log‐transformation was done after adding 0.01 to the number of cows.  The 
main variable of interest is the binary variable MFORMAL indicating participation in the formal 
marketing channel. Following the farm growth model specified by the general equation (1.2) 
and guided by the economic rationale, a number of explanatory variables are included in the 
analysis to control for differences in household characteristics, initial farm size, production, and 
access to financial capital.  To account for farm income in the initial period, the set of dummy 
variables are included in the analysis indicating whether farm income in 1999 was in the lower‐
middle (INC99LM), upper‐middle (INC99UM), or upper (INC99U) income category.  The lower 
income category serves as the base group.  A variable accounting for a farm’s land holdings is 
defined based on the total area of land received after privatization (LAND92) measured in 
hectares.   

36 

Table 2 Variable description and summary statistics 
Variable

Total
sample
mean
(s.e.)

Description

Dependent Variable
GROWTH
Measure of farm growth over the period from 1999 to 2003
(average annual proportional change in number of cows)*
Independent Variables
MFORMAL Equals 1 if the farm is supplying milk to formal marketing channel and 0 otherwise

Formal
Market
mean
(s.e.)

Informal
Market
mean
(s.e.)

0.137
(0.418)

0.155
(0.414)

0.106
(0.424)

0.625

INC99LM

Equals 1 if the household belonged to Lower Middle income category in 1999
(annual income between 360.00 and 720.00USD) and 0 otherwise

0.196

0.189

0.208

INC99UM

Equals 1 if the household belonged to Upper Middle income category in 1999
(annual income between 720.00 and 1250.00USD) and 0 otherwise

0.176

0.202

0.133

INC99U

Equals 1 if the household belonged to Upper income category in 1999
(annual income over 1250.00USD) and 0 otherwise

0.166

0.193

0.122

LAND92

Total area of land in 1992 (after privatization) in hectares

3.442
(4.479)

4.31
(5.153)

1.992
(2.433)

FEMALE

Equals 1 if household head is female and 0 otherwise

0.371

0.412

0.302

AGE

Age of household head

45.956
(13.122)

44.6
(12.143)

48.223
(14.328)

EDCOLL

Equals 1 if household head has a technical college degree and 0 otherwise

0.294

0.294

0.295

EDUNIV

Equals 1 if household head has a university degree or higher and 0 otherwise

0.177

0.187

0.162

OTHEROC

Equals 1 if household head has a primary occupation other than farming
(e.g. teacher, nurse, vet., accountant, plant worker, etc…) and 0 otherwise

0.247

0.249

0.244

PPLHH

Number of people in the household

5.552
(2.111)

5.559
(2.029)

5.54
(2.246)

745

466

279

Number of observations
* Computed as in left-hand side of equation (1.2)

 

37 

Table 2 (cont’d) 
AIUSE

Equals 1 if used Artificial Insemination for breeding

MILKS

0.174

0.217

0.104

Average milk yield per cow per day in the summer season (liters)

9.301
(3.864)

9.868
(3.854)

8.33
(3.69)

MILKW

Average milk yield per cow per day in the winter season (liters)

3.345
(2.755)

3.782
(2.763)

2.6
(2.579)

LOAN1

Equals 1 if borrowed from Agricultural Production Credit Clubs and 0 otherwise

0.06

0.088

0.014

LOAN2

Equals 1 if borrowed from ACBA bank and 0 otherwise

0.04

0.036

0.047

COWS99

Logarithm of number of cows in 1999**

0.623
(1.777)

0.796
(1.793)

0.322
(1.71)

COWS992

Squared term of the logarithm of number of cows in 1999

3.543
(5.847)

3.844
(5.733)

3.019
(6.016)

0.667

0.661

0.677

BORNHERE Equals 1 if the household head was born in the village where he/she
operates the farm and 0 otherwise
DISTREL

Distance from the house of the nearest relative (km)

10.464
(43.348)

11.482
(48.639)

8.763
(32.664)

GETHELP

Number of households farmer might turn for help in past five years (1999-2003)

3.403
(13.167)

3.445
(12.765)

3.333
(13.837)

GIVEHELP

Number of households might turn to farmer for help in past five years (1999-2003)

10.564
(49.375)

10.051
(49.297)

11.419
(49.581)

VMEET

Equals 1 if the farmer takes part in the meetings concerning the village
where he/she lives, and 0 otherwise

0.681

0.69

0.664

745

466

279

Number of observations
** Log transformation is done after adding 0.01 to the number of cows

38 

 

The set of variables is included to account for demographic characteristics of the 
household head such as gender, age, education, and whether he/she has a primary occupation 
other than farming (OTHEROC).  The base group for education consists of farmers who have ten 
or fewer years of education.  Variable indicating the number of people in the household 
(PPLHH) is included in the analysis to control for household size.   To control for the differences 
in initial herd size, the logarithm of number of cows in 1999 (COWS99) and its squared term 
(COWS992) are included in the analysis.  
In theory, the participation in the formal milk marketing channel can lead to on‐farm 
investments directed on improving not only the size but also the quality of the herd.  Therefore, 
in order to obtain more precise estimates of investments in herd size, the difference in quality 
of cows must be controlled.  This is done by including the following three variables in the 
analysis: AIUSE – indicates whether the artificial insemination is used for breading, MILKS and 
MILKW indicate average daily milk yield per cow during summer and winter seasons 
respectively, measured in liters.   
Another important factor that can influence investments in improving herd size is the 
access to financial capital.  The access to formal financing is controlled by including two dummy 
variables.  The first variable (LOAN1) indicates whether the farm has a loan from Agricultural 
Production Credit Club, the USDA MAP initiated microcredit program.  The second variable 
(LOAN2) indicates whether the farm has a loan from the ACBA bank, a major agricultural credit 
provider of the time.  The base group consists of farms that either had no loans or borrowed 
from other sources which mainly include friends and relatives in Armenia or abroad. 

39 

The list of instrumental variables used in the first stage binary response model consists of 
five variables measuring the extent of social capital.  Two dummy variables indicate whether 
the household head was born in the village where he/she lives (BORNHERE) and whether the 
farmer takes part in the meetings concerning that village (VMEET).  Another two instrumental 
variables (GETHELP and GIVEHELP) indicate the number of households that the farmer might 
turn to for help and the number of households that might turn to the farmer for help within the 
past five years.  The final instrument is based on the distance from the house of the nearest 
relative (DISTREL) measured in kilometers.   
5. Results 
The estimation results are reported in Table 3.  For comparison purposes two sets of 
results are presented: the first two columns, following variable names, present the estimated 
coefficients and corresponding standard errors from the OLS method, while the last two 
columns present the results from the 2SLS method with fitted probabilities from the first stage 
probit model used as an instrument to account for endogeneity of participation in the formal 
marketing channel.  For both methods the reported standard errors are robust to arbitrary 
heteroskedasticity.  Relevant post‐estimation tests are performed to test whether the 
participation in the formal marketing channel is truly endogenous.  
The results from OLS and 2SLS are comparable in terms of the significance of estimated 
coefficients for the main variable of interest (MFORMAL) as well as for most of the control 
variables.  Both sets of results indicate that the participation in the formal marketing channel 
has a positive effect on investments in herd size.  However the 2SLS estimate of participation 

40 

effect (0.2536) is three times larger in magnitude compared to the OLS estimate (0.0808) and is 
still statistically significant at the 1% level.   
Table 3 Two Stage Least Squares Results 
Dependent variable: GROWTH
(average annual proportionate change in number of cows)
Variables

OLS Results

2SLS with fitted probabilities

Coef.

Std. err.

Coef.

Std. err.

0.0808 ***

0.0132

0.2536 ***

0.0945

INC99LM

0.028 **

0.0138

0.0289 *

0.016

INC99UM

0.04 **

0.0166

0.0317 *

0.0189

0.0347 *

0.0213

MFORMAL

INC99U

0.0348 *

0.0192

LAND92

0.0034 ***

0.0012

- 0.0001

0.0025

- 0.0201 *

0.0109

- 0.0508 **

0.0202

- 0.001 *

0.0005

- 0.0007

0.0006

EDCOLL

- 0.0243 *

0.0131

- 0.0261 *

0.0149

EDUNIV

- 0.0174

0.0211

- 0.0229

0.0212

FEMALE
AGE

OTHEROC

0.0234 *

0.0136

0.0351 **

0.0165

PPLHH

0.0034

0.0033

0.0056

0.004

AIUSE

0.0202

0.0149

0.0088

0.0171

MILKS

0.0077 ***

0.0022

0.0064 **

0.0025

MILKW

- 0.0011

0.0031

- 0.0047

0.0036

LOAN1

0.0376

0.0257

0.0037

0.0348

LOAN2

0.0281

0.0241

0.037

0.0298

COWS99

- 0.1602 ***

0.0067

- 0.1709 ***

0.0085

COWS992

0.0215 ***

0.0019

0.0188 ***

0.0023

Constant

0.0497 *

0.0302

- 0.0192

Number of observations = 720
Note: *, **, *** indicate that the corresponding coefficients are
significant at the 10%, 5%, and 1% level respectively

0.0555

 

If the participation in the formal marketing channel is truly endogenous then the 2SLS 
estimates are more consistent assuming appropriate instruments were used.  Based on the 
results of the two post‐estimation tests, Wooldridge’s (1995) robust score test (  = 3.33, p = 
2

41 

0.068) and a robust regression‐based test of endogeneity (F = 3.48, p = 0.062), the null 
hypothesis that MFORMAL is exogenous can be rejected at the 10% level and therefore the 
participation in the formal marketing channel must be treated as endogenous.  
Based on the 2SLS results, farms in the formal marketing channel had approximately 
25.36% higher average annual proportionate change in the number of cows compared to farms 
in the informal marketing channel.  In other words, farms supplying milk to the formal channel 
have invested in 25.36% more new cows per year than farms in the informal channel.  This 
implies that over the four years (1999‐2003) of the USDA MAP facilitation of dairy supply chain, 
farms linked to the formal milk marketing channel have invested in approximately twice as 
many assets specific to milk production compared to farms in the informal channel.  Therefore, 
these additional assets can be considered as dedicated assets to the formal marketing and 
procurement relationships with processors.  These results are consistent with the hypothesis 
that the USDA MAP facilitation strategy has stimulated investments in private enforcement 
capital between dairy producers and processors.   
The results also indicate that the farms with higher income in the initial period (in lower‐
middle, upper‐middle, and upper income categories) had on average 2.8%‐3.4% higher 
proportionate change in herd size per year compared to lower income farms.  These results are 
consistent with economic theory since the availability of financial capital is one of the key 
factors affecting investments in general and on‐farm investments in particular.  Moreover, 
these results are consistent with the qualitative responses provided by farmers in the sample.  
For instance, the ability to make new investments in heads size was by far the most sited factor 

42 

by farmers who reported an increase in the number of cows since 1999.  Out of the farmers 
who expressed interest in increasing their dairy production activities (87% of total sample) 
approximately 34% reported inability to obtain loans and credit as the main constraint to 
increasing households’ dairy activities.  As the principal constraints to obtaining more financing, 
high collateral requirement was mentioned by 26% of respondents, and high interest rates was 
mentioned by 11.5% of respondents.  Approximately 27% of respondents said that they cannot 
obtain more loans because they are unable to repay them.   
Surprisingly, the estimates for LOAN1 and LOAN2 are not statistically significant, 
indicating no difference in average proportionate change in the number of cows between farms 
with loans from either Agricultural Production Credit Clubs or ACBA bank and farms that 
borrowed from friends and relatives or have no reported loans.  This might be due to the fact 
that the remittances from relatives and friends in Armenia or abroad make up a substantial 
portion of household income and can become a significant source for financing on‐farm 
investments.  From 1999 to 2003 the remittances in Armenia grew by average of 23% per year 
(except in 2000), going from 8.7% of GDP in 1999 to 10% of GDP in 2003 (Roberts and Banaian, 
2005).  Approximately 74% of respondents in the sample reported having at least one close 
relative (i.e. brother, sister, father, mother, uncle, aunt, or grandparents) living in Russia or in 
the United States. More than 8% of respondents reported receiving some percentage of income 
from remittances for half of whom it was between 25 to 100 percent of the total annual 
income.  

43 

Another source of income for financing on‐farm investments can be non‐farm 
occupation.  Approximately 25% of respondents reported having a primary occupation other 
than farming (Table X.2).  Moreover, about 33% of farmers reported at least some percentage 
of income from wages, over half of whom received between 10 to 100 percent of their total 
income from wages.  Another 7% of farmers reported some income from non‐agricultural 
business.  The effect of alternative income sources on investment in herd size shows up 
through the estimate of OTHEROC, according to which farmers with a primary occupation other 
than farming have on average 3.5% higher change in the herd size per year. 
Households with a female head have a 5% lower annual increase in number of cows 
compared to households with male heads.  Also the household where the head has a technical 
college degree have on average a 2.6% lower annual increase in number of cows compared to 
households where the head has ten or fewer years of education.  One explanation for this can 
be potentially better management practices of farmers with a college degree focused on quality 
rather than quantity of cows.  On the other hand, the estimate of MILKS (0.0064) indicates 
higher proportionate change in herd size at the farms with higher average per cow milk yield.   
The results indicate that the initial herd size (COWS99) has a large and a very significant 
negative effect on the proportionate annual growth (‐0.17).  However the squared term of the 
initial herd size (COWS992) has a significant positive estimate (0.019).  This implies that farm 
growth is negatively related to the initial size; however, at some level of initial size, the effect of 
size on growth turns positive.  In other words smaller farms tend to grow faster up to certain 

44 

optimal level of herd size above which the growth return on size turns positive, meaning larger 
farms have a higher proportionate increase in number of cows. 
In summary, the results indicate that the participation in the formal marketing channel 
has a very large positive effect on farm growth when addressing the endogeneity problem and 
controlling for other key factors that can potentially influence the farm growth.  Among the 
controlled factors, the household characteristics such as income level and sources as well as the 
herd quality have a significant positive effect on farm growth.  On the other hand, the initial 
herd size and the characteristics of the farmer, such as higher education and gender (female) of 
the household head, have a significant negative effect on average annual proportionate growth 
in number of cows. 
6. Discussion and Conclusion 
Without effective contract enforcement, the economic transactions in many developing 
and transition economies are limited to a highly instable spot market option, leaving a large 
number of agricultural producers and processors stuck in suboptimal equilibrium.  While the 
international agribusiness research and agricultural development literature have been exploring 
various approaches for third‐party facilitation of market linkage programs, limited research is 
currently available on strategies for external, third‐party facilitation of supply chain 
relationships based on private enforcement capital. This paper attempts to contribute to filling 
that gap in the literature.  
The contribution of this paper is threefold.  First, it develops a theoretical framework for 
analyzing the role of private enforcement capital in third‐party facilitation of supply chain 

45 

relationships.  Second, it applies the framework in the analysis of the USDA MAP facilitation 
strategy in the Armenian dairy industry.  And finally, it measures the impact of the third‐party 
facilitation strategy on investment in private enforcement capital between Armenian dairy 
producers and processors.    
The theoretic framework is based on the probabilistic hold up framework by Klein 
(1996) and implies that the establishment of self‐enforcing relationships between transacting 
parties can be facilitated by a third‐party through programs that stimulate investments in and 
rearrangement of private enforcement capital.  Predictive power of the framework is examined 
in the context of USDA MAP facilitation of supply chain relationships between Armenian dairy 
producers and processors.  The analysis is based on the panel data from 745 Armenian dairy 
farmers and examines the impact of participation in the USDA MAP facilitated formal marketing 
channel on investments in the number of cows in the period from 1999 to 2003.  Variables 
measuring the extent of social capital are used to address the endogeneity of participation in 
the formal marketing channel.  The two stage least squares estimation method with fitted 
probability of formal channel participation, estimated from the first stage probit model, is used 
to obtain consistent and more precise estimates.   
The main results indicate that the farms in the formal milk marketing channel had 
approximately 25.4% higher average annual proportionate change in number of cows.  This 
implies that as a result of USDA MAP facilitation of dairy supply chain, farms linked to the 
formal milk marketing channel over the period from 1999 to 2003 have invested in nearly two 
times more assets specific to milk production compared to farms in the informal channel.  This 

46 

finding supports the hypothesis that the USDA MAP facilitation strategy has stimulated 
investments in private enforcement capital between dairy producers and processors. 
Additionally, the household and farm characteristic such as income level and sources, initial 
herd size and quality, as well as the gender and education of the household head were shown 
to have significant effect on farm growth. 
A better understanding of third‐party market linkage facilitation strategies through 
promoting private contract enforcement mechanisms could help in designing policies and 
assistance programs that are more effective in linking producers to markets.  However it 
requires more comprehensive examination of supply chain linkage facilitation in the context of 
institutional effects, cross‐industry differences, and long‐term sustainability.  This paper 
provides an initial theoretical and empirical platform for building further research on the role of 
private enforcement mechanisms in third‐party facilitation of market linkages in the agri‐food 
supply chain. 
 
 
 
 
 
 

47 

 
 
 
 
 
 
 
 
 
 
REFERENCES 
 
 
 
 
 
 
 
 
 
 
 

48 

REFERENCES 
 
Bandiera, O., & Rasul, I. (2006). Social Networks and Technology Adoption in Northern 
Mozambique*. The Economic Journal, 116(514), 869–902. 
 

Cocks, Gow, & Dunn. (2003). Meeting Private Grades and Standards in Transition Agriculture: 
Experiences from the Armenian Dairy Industry. International Food and Agribusiness 
Management Review, 6(1). 
 
Conley, T. G., & Udry, C. R. (2010). Learning about a new technology: Pineapple in Ghana. The 
American Economic Review, 100(1), 35–69. 
 
Dries, & Swinnen. (2004). Foreign Direct Investment, Vertical Integration, and Local Suppliers: 
Evidence from the Polish Dairy Sector. World Development, 32(9), 1525‐1544.  
 
Evans, D. S. (1987). Tests of alternative theories of firm growth. The Journal of Political 
Economy, 95(4), 657–674. 
 
Glover, & Kusterer. (1990). Small farmers, big business: contract farming and rural 
development. Macmillan Press Ltd. 
 
Gow, Shanoyan, Abrahamyan, & Alesksandryan. (2006). Agricultural production credit clubs in 
Armenia: facilitating investment through market linkages, social capital, and 
microcredit. Agricultural Finance Review, 66(2), 316 ‐ 329. 
 
Gow, & Swinnen. (1998). Up‐and downstream restructuring, foreign direct investment, and 
hold‐up problems in agricultural transition. European Review of Agricultural Economics, 
25(3), 331‐350. 
 
Gow, & Swinnen. (2001). Private Enforcement Capital and Contract Enforcement in Transition 
Economies. American Journal of Agricultural Economics, 83(3), 686‐690. 
 
Hamish Gow, Aleksan Shanoyan, & Jack Cocks. (2009). Farmers’ Choices Among Alternative 
Dairy Marketing Channels in Armenia: Can Appropriately Designed ODA Substitute for 
FDI? Journal of Rural Cooperation, 37(1).  
 
Hart, P. E., & Oulton, N. (1996). Growth and Size of Firms. The Economic Journal, 106(438), 
1242‐1252.  
 
Klein, B. (1996). Why hold‐ups occur: the self‐enforcing range of contractual relationships. 
Economic Inquiry, 34(3), 444–463. 
 
49 

Klein, B., Crawford, R. G., & Alchian, A. A. (1978). Vertical integration, appropriable rents, and 
the competitive contracting process. The Journal of Law and Economics, 21(2), 297. 
 
Kreps, Milgrom, & Roberts. (1982). Rational Cooperation in the Finitely Repreated Prisoners’s 
Dilemma. Journal of Economic Theory, 27(2), 245‐252. 
 
Macaulay, S. (1963). Non‐contractual relations in business: A preliminary study. American 
Sociological Review, 55–67. 
 
North, D. C. (1990). Institutions, institutional change, and economic performance. Cambridge 
Univ Pr. 
 
USAID, (2006). Independent Evaluation of US Government Agricultural Sector Activities in 
Armenia . Retrieved from http://pdf.usaid.gov/pdf_docs/PDACI948.pdf 
 
Porter, & Phillips‐Howard. (1997). Comparing contracts: an evaluation of contract farming 
schemes in Africa. World Development (Oxford)(United Kingdom). 
 
Rizov, M., & Mathijs, E. (2003). Farm Survival and Growth in Transition Economies: Theory and 
Empirical Evidence from Hungary. Post‐Communist Economies, 15(2), 227.  
 
Roberts, B., & Banaian, K. (n.d.). Remittances in Armenia: size, impacts, and measures to 
enhance their contribution to development. Bearing Point for USAID/Yerevan. 
 
Shepherd, A. W. (2007). Approaches to linking producers to markets. A review of experiences to 
date. Agricultural Management, Marketing and Finance Occasional Paper (FAO). 
 
Simon, H. A. (1997). Models of Bounded Rationality: Empirically grounded economic reason. MIT 
Press. 
 
Weiss, C. R. (1999). Farm growth and survival: econometric evidence for individual farms in 
Upper Austria. American Journal of Agricultural Economics, 81(1), 103–116. 
 
Williamson, O. E. (1985). The Economic Institutions of Capitalism: Firms, Markets. Relational 
Contracting, New York. 
 
Williamson, O. E. (1998a). The Economic Intstitutions of Capitalism. Free Pr. 
 
Williamson, O. E. (1998b). The institutions of governance. American Economic Review, 88(2), 
75–79. 
 

50 

ESSAY 2: LONG‐TERM SUSTAINABILITY OF THIRD‐PARTY FACILITATED MARKET LINKAGES: 
EVIDENCE FROM THE USDA MARKETING ASSISTANCE PROGRAM IN THE ARMENIAN DAIRY 
INDUSTRY 
 

1. Introduction 
This essay builds upon the theoretical framework developed in Essay one and takes the 
dissertation research a step further by empirically testing the long‐term sustainability of third‐
party facilitated market linkages.  The question we ask here is:  What is the effect of private 
enforcement mechanisms on long‐term sustainability of third‐party facilitated linkages 
between agri‐food producers and processors?  Interest in this question is motivated by policy 
concerns, theoretical considerations, and problems facing individual decision makers.   
The agribusiness and development literature has delineated the role of third‐party 
external facilitation in creating market linkages through provision of various assistance 
programs (Glover & Kusterer, 1990; Kirsten & Sartorius, 2002; Porter & Phillips‐Howard, 1997; 
Shepherd, 2007; World Bank, 2007).  However, the experience shows that the withdrawal of 
third‐party assistance very often results in a collapse of market linkages.  Among the main 
reasons for high failure rate are inappropriate business models, artificial incentive structures, 
and inadequate contract enforcement mechanisms (Shepherd, 2007).   
From a policy perspective, a better understanding of the role of private enforcement 
mechanisms in improving the long‐term sustainability of third‐party facilitated supply chain 
linkages will assist in designing policies and programs that are more effective in linking 
producers to the market.  From a theoretical perspective, the question we ask in this study 

51 

instigates the examination of the predictive value of the probabilistic hold‐up framework for 
explaining the underlying mechanisms in real world facilitation of contractual relationships 
(Klein, 1996; Gow, Streeter, & Swinnen, 2000).  And finally, from an industry perspective, the 
answers to this question will inform the managerial decisions regarding relationship‐specific 
investments and contractual arrangements along the agri‐food supply chain.  
The study is grounded in a unique setting based on the USDA Marketing Assistance 
Program (MAP) in the Armenian dairy industry.  The USDA MAP played a significant role in the 
establishment of supply chain linkages, after the complete breakdown of the Armenian dairy 
sector during early transition.  Due to the absence of strong Foreign Direct Investment (FDI) 
influence, observed in other Central and Eastern European (CEE) countries, the case of the 
USDA MAP facilitation of dairy supply chain linkages in Armenia provides a relatively controlled 
environment for examining the long‐term performance of the market linkages after the end of 
the USDA MAP facilitation.   
The conceptual framework is based on the third‐party facilitation model developed in 
Essay one.  According to this framework the presence of sufficient private enforcement capital 
can make the transaction more self‐enforcing by balancing the costs and benefits from 
breaching the contractual arrangement.  The magnitude of private enforcement capital is 
associated with the extent of relationship‐specific assets and the reputation in the marketplace 
(Klein, 1996).  Based on the theoretical framework and the case analysis, it is hypothesized that 
the third‐party facilitation strategy pursued by the USDA MAP led to investment in private 

52 

enforcement capital and the establishment of self‐enforcing, long‐term sustainable linkages 
along the dairy supply chain.   
The data for testing the hypothesis comes from two farmer surveys, conducted in 2004 
and 2009 in Armenia.  It constitutes a balanced panel data with 344 total observations on milk 
production, marketing, and household characteristics of 172 dairy farms before and after the 
end of the USDA MAP facilitation.  The long‐term sustainability of the USDA MAP facilitated 
market linkages is examined by comparing the changes in farm‐level investment in relationship‐
specific assets.  The difference in the number of cows of farms in formal and informal channels 
before and after the end of the USDA MAP facilitation is used as a proxy for assessing the 
linkage performance.  Econometric analysis includes difference‐in‐difference and fixed effects 
estimation methods.  
The reminder of the essay is organized as follows: Section 2 provides the context and 
background on Armenia and the USDA MAP facilitation of dairy supply chain; Section 3 
discusses the conceptual framework and introduces the hypothesis; Section 4 describes the 
data for testing the hypothesis, the econometric models, and the results; and finally, Section 5 
provides conclusions and implications for further research.  
2. Context and Background 
2.1 Transition in Armenian agriculture and the impact on dairy industry 
Due to series of economic shocks during the early 90’s, Armenia faced one of the most 
difficult economic and social transitions of all the former Soviet Republics (World Bank, 2001).  
Independence from the Soviet Union, privatization, trade liberalization, war and resulting 

53 

economic blockade by Azerbaijan and Turkey had a combined impact of a 60% decline in GDP 
between 1991 and 1993; in addition to widespread poverty and financial distress (FAO, 2000).  
The privatization in 1991 handed ownership and control of agricultural production to over 
300,000 inexperienced and resource constrained household farmers.  The agroprocessing 
sector was privatized in the period of 1995‐1996 through restitution to employees or direct 
sales to local buyers (FAO, 2000).  The traditional business practices were no longer appropriate 
due to broken business relationships, constrained trade and market access, limited capital, and 
an inadequate legal enforcement system. This left the Armenian agri‐food sector in a deep 
crisis.    
By the mid 1990’s the traditional government controlled dairy supply chain had 
collapsed (World Bank, 1995).  Dairy processors were constrained by poor quality milk supply 
that arrived in inconsistent quantities, limited financial capital, inexperienced management 
stuck in a Soviet era mentality, poor sanitation, poor safety standards, and most importantly, 
inadequate or missing procurement relationships with farmers.  These problems forced 
processors to either close or severely reduce output resulting in over a 90% drop in capacity 
utilization (World Bank, 1995).   
At the farm level, transition had left farmers financially distressed, credit constrained 
and unprofitable due to increased input prices, decreased output prices, and limited market 
opportunities for selling their milk surplus.  This adversely affected farmers’ production and 
investment incentives and resulted in a 40% decrease in cattle numbers in five years between 
1988 and 1993.  Excess livestock were liquidated to access scarce capital resources and farmers 

54 

retreated to subsistence agriculture and barter as a result.  The overall consequence was a 
significant divestment in assets by both processors and producers leading to a suboptimal 
equilibrium characterized by high transaction costs in marketing and procurement.     
2.2 USDA MAP facilitation of market linkages in the Armenian dairy supply chain 
Beginning in 1998 the USDA MAP became actively involved in the Armenian dairy 
industry.  Through its integrated supply chain facilitation strategy the USDA MAP was able to 
directly address systemic problems causing divestment and suboptimal equilibrium in the dairy 
supply chain.   By providing a flexible and customizable package of financial, technical, and 
marketing assistance the USDA MAP stimulated investments in marketing and procurement 
relationships by producers and processors.  On the processor level, investments were made to 
build milk collection centers and to improve milk transportation.  On the producer level, this led 
to establishment of milk marketing associations and investments in improving milk production.  
As a result, the number of dairy farmers, who were previously limited to either subsistence 
farming or highly unstable spot market transactions, began supplying milk to dairy processors, 
either directly or through collections centers, and to milk marketing associations. 
By the end of 2003, with the support of the USDA MAP, more than ten Armenian dairy 
processors were represented in various trade shows and product tasting in US, Russia, Ukraine, 
and Belarus (USDA MAP Client Annual Report, 2004). Six USDA MAP client companies were 
exporting their production to Russia, US, and Georgia.  The proportion of exports ranged from 
3% to 90% of the total value of their output.  Fifteen new cheese varieties were introduced 
within both export and domestic markets.  Concurrently, the USDA MAP facilitated 

55 

establishment of fourteen milk marketing associations accounting for almost fourteen hundred 
members in twenty‐four villages across Armenia (USDA MAP, 2006).  By the end of 2005, 
seventeen milk producers’ credit clubs were formed in seven regions of Armenia, providing 
access to capital to more than 380 dairy farmers.  The access to capital through credit clubs 
allowed dairy farmers to finance their investments in improving herd size, quality of cows, and 
improving housing and sanitation. 
The result of the USDA MAP unique facilitation was the establishment of marketing and 
procurement linkages between Armenian dairy producers and processors based on substantial 
investments in relationship‐specific assets by both parties.  Farms linked to formal milk 
marketing channels were shown to have made significant investments in number of cows 
(Essay one).  Figure 7 presents the number of cows in Armenia for the period from 1996 to 
2008. 
Figure 7 Number of cows in Armenia for the period from 1996 to 2008 (1000 heads) 
320
300
280
260

Cow (000 heads)

240
220
200
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

Source: Armenian Ministry of Statistics 
56 

 

 
In 2005 the USDA Marketing Assistance Program in Armenia had officially ended. A local 
Armenian foundation called the Center for Agribusiness and Rural Development (CARD) was 
established to carry on the legacy of the USDA MAP.  CARD’s programs were focused mainly on 
third‐party service provision.  The marketing, financial, and technical assistance to dairy 
processors and farmers was significantly downscaled.   
The case of the USDA MAP facilitation of supply chain linkages in the Armenian dairy 
industry provides a unique empirical setting for analyzing the long‐term impact of third‐party 
market linkage facilitation strategy.  The significant role of the USDA MAP in the establishment 
of supply chain linkages, after the complete breakdown of the Armenian dairy sector during 
early transition, combined with the absence of FDI, provides a relatively controlled 
environment for examining the long‐term sustainability of facilitated supply chain linkages.  This 
essay focuses on the analysis of long‐term performance of the market linkages after the end of 
the USDA MAP facilitation.  
3. Conceptual framework 
The conceptual framework is based on the third‐party facilitation model, developed in 
essay one, according to which the establishment of self‐enforcing sustainable market linkages 
between transacting parties can be facilitated by a third‐party through programs that stimulate 
investments in and rearrangement of private enforcement capital.    The magnitude of private 
enforcement capital is associated with the extent of relationship‐specific assets and the 
reputation in the marketplace (Klein, 1996).  Presence of sufficient private enforcement capital 
can make the transaction more self‐enforcing by balancing the costs and benefits from 
57 

breaching the contractual arrangement.  Based on the theoretical framework and the case 
analysis, the following two general hypothesis were introduced:  H1 – The third‐party 
facilitation strategy pursued by the USDA MAP has stimulated investment in and rearranged the 
private enforcement capital between dairy producers and processors; and H2 – Third‐party 
facilitation strategy pursued by USDA MAP led to the establishment of self‐enforcing, long‐term 
sustainable linkages along the dairy supply chain.   
As shown in Essay one, the hypothesis that the third‐party facilitation strategy pursued 
by the USDA MAP stimulated investment in private enforcement capital between dairy 
producers and processors was supported by empirical findings.  More specifically, findings 
reveal that farms linked to formal milk marketing channel facilitated by the USDA MAP had on 
average a 25% higher annual proportional increase in number of cows compared to farms in the 
informal channel.  This implies that over the first four years (1999‐2003) of the USDA MAP 
facilitation of dairy supply chain, farms linked to the formal milk marketing channel have 
invested in approximately twice as many assets specific to milk production compared to farms 
in the informal channel.  Therefore, these additional assets can be considered as dedicated 
assets to the formal marketing and procurement relationships with processors.   
This essay focuses on the second hypothesis presented above by examining the changes 
in farm‐level investments before and after the end of the USDA MAP facilitation.  This analysis 
is based on the underlying assumption that if the market linkages continued to perform well 
after the end of the USDA MAP facilitation, then the farms linked to formal marketing channel 
would continue investments in, or at least not divest, assets specific to their relationship with 

58 

processors. Alternatively, if the linkages were not sustainable, then farmers would likely try to 
divest assets specific to the relationship.    
In the context of marketing and procurement relationships with processors, farm‐level 
investments in relationship‐specific assets include: i) investments in additional cows (a form of 
dedicated specific assets), and ii) investments in additional farm buildings such as cowsheds, 
barns, and milking facilities (a form of dedicated and physical specific assets) that have low 
liquidity and limited alternative use.  Perhaps the most important type of asset specificity in this 
context is the dedicated asset specificity of the additional cows and the farm facilities designed 
to accommodate them.  Dedicated asset specificity refers to investments in additional 
production capacity which would not have been undertaken if not a prospect of selling 
significant amount of product to a particular buyer (Williamson, 1983).  The investments in 
additional number of cows contingent on the supply contract with processors would result in a 
significant excess capacity if the contract is terminated.  Furthermore, in the context of the 
Armenian dairy industry during early transition, the only alternative use for a dairy cow was 
slaughtering it for meat which was a low profitability alternative to using it for the milk 
production.  Additionally the redeployment of farm facilities designated for dairy cows would 
result in lower value realization. 
It is possible that the linkage non‐performance will take longer to result in observable 
divestment.  This would be especially true in the presence of fixed assets such as cowsheds and 
other farm facilities which are less liquid and required more time to exhibit an observable 
divestment.    However, the change in cow numbers can serve as a good indicator of the change 

59 

in these fixed assets for two main reasons.  First, an increase in cow numbers requires an 
increase in farm facilities to accommodate them.  Second, since cows are a relatively liquid 
asset, a decrease in cow numbers can be observed even over the relatively short period of time.   
It is reasonable to assume that the non‐performance of marketing linkages (i.e. relationship 
hold‐ups) after the end of the USDA MAP facilitation will lead to a decrease in farm revenues 
from milk sales and will force farmers to reduce their number of cows in order to minimize their 
variable costs.  Thus, in this context, the change in number of cows is an adequate proxy for the 
change in farm‐level investments and can provide evidence of the performance of market 
linkages after the end of the USDA MAP facilitation.  To account for other factors affecting the 
change in cow numbers over time farms in the informal marketing channel are used as a 
comparison group. 
Figure 8 presents a graphical representation of the logic of the analysis and conditions 
for rejecting the hypothesis: H2 – Third‐party facilitation strategy pursued by the USDA MAP led 
to establishment of self‐enforcing, long‐term sustainable linkages along the dairy supply chain.  
Based on this framework, H2 should be rejected if the observed level of investments in number 
of cows by formal marketing channel farmers is below the normal growth rate after the end of 
the USDA MAP facilitation.   This level of investments is a signal that potential relationship hold‐
up issues exist after the end of the facilitation.  For the purposes of this paper, the normal 
growth rate is assumed to be the equivalent of the growth rate of farms in the informal 
marketing channel. 
 

60 

Figure 8 The logic of the analysis
f
s based on t
the change i
in investmen
nt before an
nd after the end 
of the US
SDA MAP 
 
Do no reject H2 
ot

 

 
 

Investment in cows 

 

Norma
al growth rat
te 
Rejec
ct H2
Norma
al growth rate 

 
t

End of the USDA MAP 
 

Alternatively,
A
, if normal or superior in
nvestment growth rates are observe
ed for farms in 
the formal channel a
after the end
d of the USDA MAP faciliitation, this is an indicat
tion that the
e 
existing f
formal mark
keting relatio
onships are s
sustainable a
and there is not sufficien
nt evidence to 
reject H2
2.  The normal growth sc
cenario occu
urs where th ere is no sig
gnificant diffe
erence in 
investme
ent patterns between farms in the fo
ormal and in
nformal chan
nnels.  This w
will imply that 
farms in the formal c
channel cont
tinued inves
sting in cows
s at normal r
rates after th
he end of the 
USDA MA
AP facilitatio
on.  The supe
erior growth
h scenario as
ssumes a hig
gher rate of investment in 
cows is o
observed afte
er the facilit
tation has en
nded that ex
xceeds the normal growt
th rate found in 
the informal channel.  Both scen
narios imply a positive in
nvestment in
n relationship‐specific as
ssets 
USDA MAP f
facilitation in
n which case
e there will b
be no significant evidenc
ce to 
after the end of the U
2.   
reject H2

61 

4. Empirical Analysis 
4.1 Data  
The data for the analysis comes from two farmer surveys, conducted in 2004 and 2009 
in Armenia.  It constitutes a panel data with 344 total observations on milk production, 
marketing, and household characteristics of 172 dairy farms over two time periods.  The first 
survey was conducted as a part of the larger effort to assess the impact of the USDA MAP 
initiatives in Armenian agriculture.  It provides detailed farm‐level data for the period prior to 
the end of the USDA MAP facilitation. The second survey was designed and conducted by the 
authors to collect follow‐up information on a sub‐sample of farms four years after the end of 
the USDA MAP facilitation.   
The survey instruments were designed to obtain information on household 
demographics, income generation, asset ownership and investment, production, finance, land 
use, marketing channel structure, and business relationships.  Each survey individually provides 
a cross section data for 2003 and 2008 respectively, but they also include a series of 
retrospective information regarding household income, farm productivity, the number of cows, 
and the choice of marketing channel for each of the five years prior to each survey (1999‐2003 
and 2004‐2008).  Combined, this data constitutes a unique balanced panel dataset with 
observations on milk production, marketing, and household characteristics of 172 dairy farms 
before and after the end of the USDA MAP facilitation of supply chain linkages in Armenian 
dairy industry.   

62 

Approximately 58.1% of respondents in the sample were in the formal marketing 
channel in 2003. This means that they began supplying milk to dairy, either directly or through 
collection centers and cooperatives between 1999 and 2003 – during the USDA MAP facilitation 
of market linkages.  The rest of the sample, approximately 41.9% of respondents, consists of 
farms in the informal channel which includes the local village market, traders and middlemen, 
as well as subsistence farming and barter.   Figure 9 and Figure 10 present the change in 
number of cows between 1996 (base year) and 2008 for the total sample and for the farms in 
formal and informal marketing channels respectively.  The change in cow numbers of the total 
population of Armenian dairy farms is also included to allow comparison.  
Figure 9 Change in number of cows between 1996 (base year) and 2008, total sample 
160
140
120
Population

100

2004 Survey Data
80

2009 Survey Data

60
40

 

 
Note: Observations for years denoted by an * represent data that was recalled by respondents 
from over 1 year in the past at the time of data collection. Only observations from the most 
recent years for each survey (i.e. 2003 and 2008) are used in the data analysis for this paper. 
Source for cow population data: Armenian Ministry of Statistics 
 

63 

The data on population comes from the Armenian Ministry of Statistics. The sample 
data is based on respondents’ recall of number of cows in each of the five years prior to each 
survey.  In each cross section survey (conducted in 2004 and 2009) farmers were asked to 
report the number of cows they had in previous five years.  Since both surveys were conducted 
in the summer, the most recent recall of number of cows is for the years 2003 and 2008.   
 
Figure 10 Change in number of cows between 1996 (base year) and 2008, farms in formal and 
informal channels 
160
140
120

Population
Formal: 2004 Survey

100

Formal: 2009 Survey
80

Informal: 2004 Survey
Informal: 2009 Survey

60
40

 

 
Source for population data: Armenian Ministry of Statistics 
 
The general trend in the change of cow numbers in the total sample (Figure 9) is similar 
to that of the population – confirming the overall representativeness of the sample.  Some 
differences in trend can be explained by possibly lower proportion of farms linked to formal 
marketing channel in the population compared to the sample (i.e. lower than 58%).  As can be 

64 

seen in the Figure 10 the change in cow numbers of farms in informal channel resembles more 
closely that of the total population.  Farms linked to formal milk marketing channel are the 
main population of interest for this study, and therefore are intentionally overrepresented in 
the sample to allow statistically valid inference.  
4.2. Difference‐in‐Difference method 
The most intuitive way to begin the analysis is to estimate the difference in the number 
of cows on farms in the formal and informal channels before and after the end of the USDA 
MAP facilitation.  This can be done by using the Difference‐in‐Difference method which has 
been commonly used for policy analysis (Ashenfelter & Card, 1985; Meyer, 1995; Bertrand, 
Duflo, & Mullainathan, 2004; Hanson, 2007; Meyer & Mok, 2007; J. M. Wooldridge, 2007).  It 
provides a simple but powerful tool for estimating the change in an outcome variable of 
population groups affected by an exogenous shock.  In the context of this study the end of the 
USDA MAP facilitation is as an exogenous shock which could have an effect on the farms in the 
formal marketing channel (facilitated by the USDA MAP) and have no effect on the farms in the 
informal channel.   
The model for analyzing the impact of the withdrawal of the USDA MAP facilitation on 
number of cows can be expressed by the following equation: 

  0 AFTR  1MFORM 1AFTR MFORM u         (2.1) 

  COWS  0

Where COWS is the outcome variable of interest denoting the number of cows; AFTR is a period 
dummy variable equal to one for observations after the end of the USDA MAP facilitation; and 

65 

MFORM is a dummy variable equal to one for farms in the formal marketing channel.   The 
coefficient  0  reflects the effect of aggregate factors that influence the number of cows over 
time in the same way for farms in both groups.  The coefficient  1  reflects the difference 
between the farms in formal and informal channel prior to the end of the USDA MAP 



facilitation.  The main coefficient of interest for this analysis is  1  which reflects the change in 
the number of cows for farms in the formal channel after the end of the USDA MAP facilitation.  
The underlying assumption for this method is that the number of cows of farms in both formal 
and informal channels did not change at different rates for other reasons.   The OLS estimator,
 

ˆ1  , is the Difference‐in‐Difference estimator and is equivalent to subtracting the difference in 
the average number of cows between farms in formal and informal channels before the end of 
the USDA MAP facilitation, from the difference in average number of cows between groups 
after the end of the USDA MAP facilitation (Angrist & Pischke, 2009; J. M Wooldridge, 2002). 
The estimated equation, with robust standard errors in parentheses, is presented 
below: 
COWS = 2.708 + 0.375 AFTR + 1.871 MFORM + 0.475 AFTR∙MFRORM 
             (0.188)   (0.329)            (0.913)                 (0.498) 
  

 

 

(2.2) 

N = 344, R² = 0.021 

The Difference‐in‐Difference estimator,   1  = 0.475 (t = 0.95), is positive but not statistically 

ˆ

significant, which implies that the end of the USDA MAP facilitation of supply chain linkages in 

66 

the Armenian dairy industry resulted in no statistically significant change in number of cows for 
farms linked to the formal marketing channel.  This result is consistent with the normal growth 
scenario (Figure 8) and provides no evidence for rejecting H2.  It suggests that the supply chain 
linkages established through the USDA MAP facilitation strategy were sustainable after the 
facilitation ended.   
The R² = 0.021 indicates that the large part of the variation in the number of cows is still 
not explained by the model.  Clearly, there are many other factors that can affect the number 
of cows, the time and group dummy variables explain only 2.1 % of variation.  Given that the 
sample size is not very large, this could be the reason for not obtaining significant t‐statistics.  
The Difference‐in‐Difference approach provides a good starting point for the analysis; however, 
more comprehensive analysis is required for a conclusive test of the hypothesis.   
4.3 Fixed Effects method 
The factors that can affect the change in number of cows in the individual farm include 
access to capital and labor, market conditions for raw milk, quality of cows (i.e. milk yield) as 
well as managerial and entrepreneurial abilities of an individual farmer or the household head.  
The effect of some of these factors can be accounted by including a series of control variables in 
the regression analysis.  However certain individual characteristics affecting number of cows, 
such as farmer’s ability, are impossible to observe directly.   Moreover, it is likely that these 
unobserved factors are systematically related to the likelihood of the farm being in formal or 
informal marketing channel.   

67 

For example, more entrepreneurial farmers would be able to quickly realize and act 
upon the opportunities provided by the USDA MAP facilitation, by establishing or joining a milk 
marketing cooperative, and therefore have a higher probability of being in the formal 
marketing channel.  Additionally, dairy processors, in their efforts to improve milk procurement 
facilitated by the USDA MAP, might build a milk collection center in a village with larger 
proportion of high productivity farms, hence making access to formal marketing channel easily 
available to farmers with better farm management abilities.  Consequently, the analysis using 
the usual pooled OLS method will produce inconsistent estimators.  Assuming the unobserved 
entrepreneurial and managerial ability of an individual farmer is constant over a five year 
period, the fixed effects estimation method can be used.  
The fixed effects method is widely used in panel data applications to explicitly allow for 
unobservable time‐constant effects (unobserved individual heterogeneity) to be arbitrarily 
correlated with the explanatory variables including the variable of interest (Baltagi, 2005; Hsiao, 
2003; Jeffrey M. Wooldridge, 2002).  The model can be formally presented by the following 
equation: 
m

yit  0   0 P  1Dit    j X itj  ai  uit                                                      (2.3)        
t
j 1

Where  yit  denotes the number of cows for farm  i  in the time period  t  ;  P  is a time dummy 
t
equal to one for the period after the end of the USDA MAP facilitation;   D  is a dummy 
it
variable equal to one for the farms that could be affected by the withdrawal of the USDA MAP 

68 

facilitation;  

X itj  is a vector of m  control variables accounting for other observable factors 

that could affect number of cows;   ai  captures all the time‐constant unobserved individual 
characteristics affecting number of cows; and finally  uit  is the idiosyncratic error incorporating 
time‐varying individual unobserved effects.    
Fixed effects method can consistently estimate the effect of the withdrawal of the USDA 
MAP facilitation on the number of cows, assuming that all explanatory variables including  D  
it
are uncorrelated with the idiosyncratic error  uit .  It is reasonable to assume that the 
unobserved entrepreneurial ability of an individual farmer which can affect the number of cows 
and be possibly correlated with  D  (and other explanatory variables) is roughly the same over 
it
five year period and therefore is capture by ai .  The fixed effects transformation removes time‐
invariant unobserved effects  ai  by time‐demeaning the equation (2.3) which involves: first, 
averaging the equation, and then subtracting the averaged equation from the equation (2.3).  
The fixed effect estimator is the pooled OLS estimator from the regression of the time‐demined 



equation.  The main parameter of interest is  1  which can be interpreted as the change in 
number of cows for the farms affected by the withdrawal of the USDA MAP facilitation. 
Table 4 presents names and descriptions of variables included in the analysis followed 
by Table 5 which presents the summary statistics for the total sample and for groups of farms in 
formal and informal markets for both time periods.  Period 1 corresponds to year 2003 and 

69 

Period 2 corresponds to 2008.  The list begins with the outcome variable (COWS) indicating the 
number of cows for each farm in the sample.   Time trend is controlled by the variable AFTR 
which is a dummy variable equal to one for observations in Period 2 (2008) and zero otherwise.  
Variable D is a dummy variable indicating farms affected by the withdrawal of the USDA MAP 
facilitation.  It is the main variable of interest capturing the change in number of cows after the 
end of the USDA MAP facilitation on the farms linked to formal marketing channel.   
Table 4 Names and descriptions of variables included in the analysis 
Variable

Description

Dependent Variable
COWS
Number of cows on an individual farm
Independent Variables
AFTR

Equals 1 for Period 2* and 0 otherwise

D

Dummy indicating farms affected by the withdrawal of the USDA MAP facilitation:
Equals to 1 if the farm is in formal channel in Period 2 and 0 otherwise

INCLM

Equals 1 if the household belonged to Upper Middle income category
(annual income between 360.00 and 720.00USD) and 0 otherwise

INCUM

Equals 1 if the household belongs to Upper Middle income category
(annual income between 720.00 and 1250.00USD) and 0 otherwise

INCU

Equals 1 if the household belonged to Upper income category
(annual income over 1250.00USD) and 0 otherwise

FLOAN

Equals 1 if has a loan from a formal source
(i.e. ACBA bank, other banks, and Credit Clubs)

NONAGINC

Equals 1 if has income from wages and non-agricultural businesses

ARLAND

Total area of arable land owned (in hectares)

PMLAND

Total area of pastures and meadows owned (in hectares)

PPLHH

Number of people in the household

EDCOLLR

Interaction term: dummy for college education with time period dummy

OTHEROC

Equals 1 if household head has a primary occupation other than farming
(e.g. teacher, nurse, vet., accountant, plant worker, etc…) and 0 otherwise

AIUSE

Equals 1 if used Artificial Insemination for breeding

MLKYLDS

Average milk yield per cow per day in the summer season (liters)

MPRICE

Price of milk per liter in Armenian Drams (AMD)

Number of observations = 344, number of farms = 172
* Period t = 1, 2 (corresponding to 2003 and 2008 respectivelly)

70 

 

The list of control variables includes five dummy variables controlling for access to 
financial capital: INCLM, INCUM, and INCU indicate whether the farm belongs to lower‐middle, 
upper‐middle, and upper income categories respectively; NONAGINC indicates whether the 
farm received income from wages or non‐agricultural businesses; FLOAN indicates whether the 
1

farm has a formal loan from sources such as Agricultural Cooperative Bank of Armenia (ACBA) , 
Agricultural Production Credit Clubs founded by the USDA MAP, or from other banks.   
Two variables, ARLAND and PMLAND are included in the analysis to account for the type 
and the size of farms’ landholdings, representing the total area of arable land as well as 
pastures and meadows measured in hectares.  The access to labor is controlled by a count 
variable PPLHH and a dummy variable OTHEROC indicating number of people in the household 
and whether the household head has a primary occupation other than farming.  To control for 
the difference in the effect of college education on investments in number of cows across time 
periods an interaction term EDCOLLR is included in the analysis.  It is an interaction of dummy 
variable equal to one if the household head has a college education and the time period 
dummy equal to one for Period 2. 
Another important factor that can affect number of cows is the quality of the herd (i.e. 
milk yield per cow).  On‐farm investments aimed at increasing milk production may be directed 
on improving the quality of the cows rather than the number of cows.  Hence, in order to 
obtain more precise estimates of the changes in herd size, the quality of the cows must be 
controlled.  This is done by including the following two variables in the analysis: AIUSE – 
                                                            
1

 Agricultural Cooperative Bank of Armenia is one of the major agricultural credit providers in Armenia 

71 

indicates whether the artificial insemination is used for breading; and MLKYLDS indicates 
average daily milk yield per cow during summer season, measured in liters.  The final control 
variable is MPRICE which reflects the price of one liter of raw milk in local currency, Armenian 
Drams (AMD).  It will allow controlling for changes in number of cows due to possible changes 
in milk prices over time.  
Table 5 Summary statistics 
Means with standard deviations in parentheses
Variables

Total sample

Formal channel

Informal channel

Period 1
Dependent Variable
COWS

Period 2*

Period 1

Period 2

3.796
(6.929)

4.448
(8.165)

4.580
(8.923)

5.430
(10.294)

2.708
(1.596)

3.083
(3.094)

0.256

0.240

0.290

0.167

0.208

Independent Variables
INCLM
0.209

Period 1 Period 2

INCUM

0.168

0.157

0.240

0.160

0.111

0.153

INCU

0.157

0.267

0.180

0.350

0.125

0.153

FLOAN

0.186

0.192

0.290

0.200

0.042

0.181

NONAGINC

0.314

0.331

0.340

0.340

0.278

0.319

ARLAND

0.822
(0.869)

1.245
(2.260)

0.905
(0.872)

1.401
(2.661)

0.707
(0.856)

1.030
(1.533)

PMLAND

0.675
(0.792)

1.128
(1.523)

0.758
(0.832)

1.315
(1.704)

0.559
(0.721)

0.869
(1.193)

PPLHH

5.407
(1.903)

5.029
(1.852)

5.370
(1.655)

5.000
(2.030)

5.458
(2.213)

5.069
(1.586)

OTHEROC

0.203

0.366

0.210

0.350

0.194

0.389

EDCOLLR

0

0.256

0

0.250

0

0.264

0.151

0.064

0.200

0.090

0.083

0.028

MLKYLDS

9.343
(4.504)

10.186
(5.525)

10.170
(4.625)

11.100
(6.036)

8.194
(4.089)

8.917
(4.462)

MPRICE

96.270
(19.075)

99.350
(16.148)

92.049
(11.061)

97.635
(14.505)

AIUSE

Number of farms
172
172
100
100
344
200
Number of observati
* Period t = 1, 2 corresponding to 2003 and 2008 respectivelly

72 

102.133 101.735
(25.411) (18.020)
72

72
144

 

The results from the fixed effects analysis are presented in Table 6.  Two columns, 
following the variable names, present the estimated coefficients with corresponding cluster‐
robust standard errors.  The main parameter of interest – coefficient on dummy variable D, is 

ˆ
positive but not significant ( 1  = 0.2298, t = 0.50) which suggests that controlling for other 
factors the change in number of cows of farms linked to formal marketing channel is not 
significantly different from that of farmers in the informal channel after the end of the USDA 
MAP facilitation.   This means that farms linked to formal marketing channel experienced 
normal growth after the end of the USDA MAP facilitation.   This result is consistent with the 
result from the Difference‐in‐Difference estimation and likewise does not provide sufficient 
evidence to reject the hypothesis that the USDA MAP facilitation strategy in Armenian dairy 
industry led to the establishment of long‐term sustainable marketing linkages between dairy 
producers and processors.   
To check whether the unobserved individual effects are correlated with regressors, 
which is the key consideration for justifying the use of Fixed Effects (FE) estimator versus 
Random Effects (RE) estimator, the Hausman test is performed.  The null hypothesis under this 
test is that the unobserved individual effects are uncorrelated with regressors, in which case 
the RE estimator is consistent (Hausman, 1978).  The results of the Hausman test are included 
in Table 6 and lead to rejection of RE specification in favor of FE specification at the 5% 
significance level.    
The coefficient on AFTR is positive and significant implying general increase in number 
of cows over time in both groups.  This result is consistent with the positive time trend 

73 

observed in the total population (Figure 7).  Other factors found to have significant effect on 
number of cows in this analysis are consistent with the theory predictions and include access to 
financial capital, land and labor as well as the quality of the herd.   
Table 6 Fixed Effects estimation results 
Dependent variable: COWS
Number of cows in the individual farm
Variable

Coef.

AFTR

0.8581 **

0.3905

D

0.2298

0.4634

- 0.1078

0.4041

INCLM

Robust Std. err.

INCUM

1.3502 **

0.6142

INCU

1.6881 ***

0.5796

FLOAN

- 0.6703

0.6018

NONAGINC

0.1616

0.5709

ARLAND

0.1725 *

0.0919

PMLAND
PPLHH

- 0.2441
0.1923 *

0.1573
0.1045

OTHEROC

- 0.8575

0.6162

EDCOLLR

-1.1379 ***

0.4225

AIUSE

-1.0636 *

0.6001

0.0035

0.0381

- 0.0118

0.0111

MLKYLDS
MPRICE
Intercept

3.7986 ***

1.3378

Number of observations = 344
Number of farms = 172
R² within = 0.2221
Houseman test for random effects:
Chi.sq. (14) = 26.32 Prob. > Chi.sq. = 0.024
Number of farms = 172
Note: *, **, *** indicate significance at the
10%, 5%, and 1% levels

 

The estimated coefficients on INCUM and INCU are positive and significant indicating 
that the number of cows for farms in upper‐middle and upper income categories was higher by 

74 

on average 1.35 and 1.69 respectively, compared to farms in the lower income category.  
Results also indicate that the area of arable land owned by the farm has a positive effect on 
number of cows as indicated by the estimated coefficient on ARLAND.    The coefficient on 
PPLHH (0.1656, p > 0.098) indicates that the number of people in the household has a positive 
effect on the number of cows.   
Interestingly, the results suggest significant reduction in number of cows between 2003 
and 2008 of farmers with the college education, as indicated by the coefficient on interaction 
term EDCOLR.   There are two hypotheses that can help explain this result.  First hypothesis is 
that there was an increase in alternative non‐dairy opportunities for farmers with higher 
education in 2008 which reduced their reliance on dairy farming as a main income 
source/occupation leading to reduction in number of cows.  When considering this hypothesis 
it should be noted that the effect of non‐farm occupation and non‐agricultural income is 
controlled in the analysis and the estimated coefficients on both variables (OTHEROC and 
NONAGINC) are not statistically significant.   Second hypothesis is that farmers with college 
education are likely to have better management abilities and could potentially focus their 
efforts on improvement of quality versus quantity of cows.  Additional evidence of negative 
correlation between heard quality and head size is suggested by the negative coefficient on 
AIUSE.  It implies that the farms which used artificial insemination for breeding have lower 
number of cows compared to farms which did not use artificial insemination.   This supports the 
hypothesis that the on‐farm investment efforts might have been focused not only on increasing 
the herd size but also on improving the herd quality.  

75 

In summary, results indicate that the farms linked to formal marketing channel 
experienced normal growth after the end of the USDA MAP facilitation of market linkages.   
There is no indication of divestments after the end of the facilitation which supports the 
hypothesis that the USDA MAP facilitation strategy led to the establishment of long‐term 
sustainable supply‐chain linkages between Armenian dairy producers and processors.  Other 
findings are consistent with the economic theory indicating that the access to capital, land, and 
labor has a significant effect on the level of on‐farm investments.  
5. Conclusion 
The main focus of this essay is on the empirical examination of the long‐term 
sustainability of third‐party facilitated supply chain linkages.  It is motivated by the policy 
concerns regarding the high failure rate of third‐party facilitated supply chain linkages after the 
exit of the third‐party and the withdrawal of the facilitation.  It is also motivated by the practical 
implications of better understanding of appropriate business models, incentive structures, and 
enforcement mechanisms in the context of external facilitation of supply chain linkages.  
The analysis in this essay builds upon the third‐party facilitation framework developed in 
the Essay one. It examines the predictive power of the framework in the context of the USDA 
MAP facilitation of supply chain relationships between Armenian dairy producers and 
processors.  The hypothesis regarding the long‐term sustainability of USDA MAP facilitated 
linkages is introduced and tested using longitudinal analysis of linkage performance indicators 
after the end of the USDA MAP facilitation.  In particular the change in number of cows before 
and after the end of the USDA MAP is examined across farms liked to the formal marketing 

76 

channels and farms in the informal channel.  Econometric analyses include difference‐in‐
difference and fixed effects estimation methods using a unique balanced panel data with 344 
total observations on milk production, marketing, and household characteristics of 172 dairy 
farms before and after the end of the USDA MAP facilitation. 
The main results provide no evidence of divestment after the end of the USDA MAP 
facilitation and suggest that farms linked to the formal marketing channel continued to invest in 
improving milk production.  This supports the hypothesis that the USDA MAP facilitation 
strategy in Armenian dairy industry resulted in the establishment of long‐term sustainable 
marketing linkages between dairy producers and processors.  Combined with the findings from 
Essay one, this indicates that the third‐party facilitation strategies directed on stimulation of 
investments in private enforcement capital by transacting parties can lead to establishment of 
self‐enforcing, long‐term sustainable supply chain linkages. 
This study contributes to the agribusiness and development literature in two important 
ways.  First, due to the unique natural experimental settings this study contributes a valuable 
empirical evidence for examining the predictive value of probabilistic hold‐up framework.  
Second, it provides important implications not only for policy makers and development 
agencies, but also for agri‐food supply chain participants.   On the policy and business 
development side, a better understanding of the role that private enforcement mechanisms 
play in external facilitation of supply chain relationships can assist in designing policies and 
programs that are more effective for linking producers to markets.  On the agri‐food industry 
side, the findings from this study provide insight on managerial decisions regarding 

77 

relationship‐specific investments and contractual arrangements for improving their 
procurement and marketing linkages.  
This paper provides only an initial theoretical and empirical platform for building further 
research on the role of private enforcement mechanisms in third‐party facilitation of market 
linkages along the agri‐food supply chain.  It still can be argued that the continuous positive 
performance of the market linkages may have been simply the result of the reestablishment of 
the formal marketing channel.  Nevertheless, the results of the quantitative analysis provide 
compelling evidence that: firstly, the reestablishment of the formal marketing channel was 
accompanied by a significant rearrangement of private enforcement capital (Essay one), and 
secondly, the investment in private enforcement capital continued after the end of the 
facilitation (Essay two).   
Moreover, additional qualitative evidence suggests that these rearrangements of 
private enforcement capital may have played an important role in preventing defection by 
processors after the unexpected change in market conditions due to the significant decrease in 
world milk price in late 2008 and early 2009 (FAO, 2009).   
According to the manager of one of the largest dairy processors, his company refrained 
from breaching prior arrangements with farmers during the 2008‐2009 price decline, even 
though, it would have been more profitable to import powder milk rather than procure fresh 
milk from local producers (Shanoyan, 2009, personal correspondence).  He noted that the 
future returns on company’s investments in milk collection centers in remote villages were the 
major consideration in that decision.  He then explained that in the short‐run the small‐scale 

78 

farmers’ reaction to a sharp reduction in milk prices and the procurement volumes would have 
been “slaughtering the dairy cows” which would have affected the return on investments in 
collection centers in the long‐run.  This is consistent with the predictions of the probabilistic 
hold‐up framework, however, it is only anecdotal evidence and the true effect of investments in 
collection centers during 2009 price decline remains to be tested in further research.  A better 
understanding of third‐party market linkage facilitation strategies based on private contract 
enforcement mechanisms requires more comprehensive examination of supply chain linkages 
in the context of governance structures (i.e. cooperative vs. privately owned collection centers), 
types of investments (i.e. quantity‐ vs. quality‐enhancing) and cross‐industry differences (i.e. 
fixed capital intensity). 
 
 
 
 
 
 
 
 
 

79 

 
 
 
 
 
 
 
 
REFERENCES 
 
 
 
 
 
 
 
 
80 

REFERENCES 
 
Angrist, J. D., & Pischke, J.‐S. (2009). Mostly harmless econometrics: an empiricist’s companion. 
Princeton University Press. 
 
Ashenfelter, O., & Card, D. (1985). Using the Longitudinal Structure of Earnings to Estimate the 
Effect of Training Programs. The Review of Economics and Statistics, 67(4), 648‐660. 
doi:10.2307/1924810 
 
Baltagi, B. H. (2005). Econometric analysis of panel data. John Wiley and Sons. 
 
Bertrand, M., Duflo, E., & Mullainathan, S. (2004). How Much Should We Trust Differences‐in‐
Differences Estimates?*. Quarterly Journal of Economics, 119(1), 249–275. 
 
FAO. (2000). Special Report: Armenia ‐ 5 October 2000. Retrieved November 1, 2011, from 
http://www.fao.org/docrep/004/x8408e/x8408e00.htm 
 
FAO. (2009). Food Outlook, Global Market Analysis ‐ June 2009. FAO Corporate Document 
Repository. Retrieved November 10, 2011, from 
http://www.fao.org/docrep/011/ai482e/ai482e09.htm 
 
Glover, & Kusterer. (1990). Small farmers, big business: contract farming and rural 
development. Macmillan Press Ltd. 
 
Gow, Streeter, & Swinnen. (2000). How private contract enforcement mechanisms can succeed 
where public institutions. Agricultural Economics, 23(3), 253‐265. 
 
Hanson, G. H. (2007). Globalization, labor income, and poverty in Mexico. University of Chicago 
Press. 
 
Hausman, J. A. (1978). Specification tests in econometrics. Econometrica: Journal of the 
Econometric Society, 1251–1271. 
 
Hsiao, C. (2003). Analysis of panel data. Cambridge University Press. 
 
Kirsten, J., & Sartorius, K. (2002). Linking agribusiness and small‐scale farmers in developing 
countries: is there a new role for contract farming? Development Southern Africa, 19(4), 
503‐529. 
 
Klein, B. (1996). Why hold‐ups occur: the self‐enforcing range of contractual relationships. 
Economic Inquiry, 34(3), 444–463. 
 

81 

Meyer, B. D. (1995). Natural and Quasi‐Experiments in Economics. Journal of Business & 
Economic Statistics, 13(2), 151‐161. doi:10.2307/1392369 
 
Meyer, B. D., & Mok, W. K. C. (2007). Quasi‐Experimental Evidence on the Effects of 
Unemployment Insurance from New York State. National Bureau of Economic Research 
Working Paper Series, No. 12865. Retrieved from http://www.nber.org/papers/w12865 
 
Porter, & Phillips‐Howard. (1997). Comparing contracts: an evaluation of contract farming 
schemes in Africa. World Development (Oxford)(United Kingdom). 
 
Shepherd, A. W. (2007). Approaches to linking producers to markets. A review of experiences to 
date. Agricultural Management, Marketing and Finance Occasional Paper (FAO). 
 
Wooldridge, J. M. (2002). Econometric analysis of cross section and panel data. The MIT press. 
 
Wooldridge, J. M. (2007). What’s new in econometrics? Imbens/Wooldridge lecture notes; 
summer institute 2007, lecture 10: Difference‐in‐differences estimation. NBER. 
http://www. nber. org/minicourse3. html, last accessed at March, 19, 2009. 
 
World Bank. (2001). World development report 2002: building institutions for markets. 
Washington: Banco Mundial. 
 
World Bank. (2007). World development report 2008: Agriculture for development. World Bank. 
 
 
 
 
 
 
 
 
 
 
 

82 

ESSAY 3: THIRD‐PARTY FACILITATION OF MARKET LINKAGES IN THE AGRI‐FOOD SUPPLY 
CHAIN: EVIDENCE FROM THE ARMENIAN VEGETABLE INDUSTRY 
  
1. Introduction 
Over the past two decades the global agri‐food procurement systems have undergone 
dramatic transformations driven by various factors including market liberalization and 
internationalization of the food retail sector.  These transformations have created 
unprecedented opportunities and threats to agricultural producers and small and medium sized 
enterprises throughout the agri‐food supply chains (Dries & Reardon, 2005; Dries, Reardon, & 
Swinnen, 2004; Dries & Swinnen, 2004).  Many chain participants were able to adjust to these 
changes by moving away from spot market transactions towards more coordinated linkages 
(Shepherd, 2007). However, increased coordination introduces new costs and risks, for both 
buyers and sellers, associated with contract negotiations, enforcement, and potential 
nonperformance (Peterson, Wysocki, & Harsh, 2001).  In developed countries these issues are 
addressed through well‐functioning public institutions designed to provide appropriate contract 
enforcement mechanisms (North, 1990).  But in many developing and transition economies, 
public institutions are either weak or undergoing reforms and are often ineffective in enforcing 
contractual relationships (Gow & Swinnen, 2001). 
The literature on transaction cost economics and game theory emphasizes the role of 
private contract enforcement mechanisms based on mutual dependence and reputation for 
ensuring reliable business relationships (Macaulay, 1963; Kreps, Milgrom, & Roberts, 1982; 
Williamson, 1985, 1998a).  Recent empirical evidence from Central and Eastern European 

83 

Countries shows that foreign direct investment (FDI) and entry of multinational enterprises 
(MNE) provided sufficient capital and reputation to establish private contract enforcement 
mechanisms and ensure productive contractual relationships between agri‐food producers and 
processors, compensating for weak public enforcement (Gow & Swinnen, 2001, 1998; Dries & 
Swinnen, 2004).   
The FDI and MNE’s are not present in many countries due to reasons such as unstable 
political‐legal environments, an unattractive domestic market, and high transaction costs 
associated with local procurement.  Moreover, the domestic private sector in such economies is 
often lacking necessary resources, capabilities, and reputation for developing effective 
marketing and procurement relationships through private enforcement mechanisms.  
Consequently, without effective contract enforcement, the economic transactions in many 
developing and transition countries are limited to a highly unstable spot market option and a 
large number of agricultural producers are forced to resort to subsistence production. This is 
where the role of third‐party facilitators such as international donors, development agencies, 
and NGO’s becomes vital for facilitating establishment of supply chain linkages.   
Policy makers and the development community have recognized the need for assistance 
programs focused on facilitating supply chain linkages through more coordinated marketing 
relationships (World Bank, 2001; Kirsten & Sartorius, 2002; World Bank, 2007).  The 
international agribusiness research and agricultural development literature have been exploring 
appropriate structures of third‐party facilitated market linkage programs that involve various 
contractual and institutional arrangements (Glover & Kusterer, 1990; Gow & Swinnen, 2001; 

84 

Porter & Phillips‐Howard, 1997; Shepherd, 2007).  However, limited research is currently 
available analyzing strategies that have been used to externally facilitate establishment of 
private enforcement mechanisms to improve long‐term sustainability of contractual 
relationships.  Even though a large number of market linkage facilitation programs has been 
implemented, the lessons are not well disseminated (Shepherd, 2007).  There is a need to 
analyze practical cases and identify strategies that proved to be effective in facilitating supply 
chain relationships where public institutions failed to provide appropriate contract 
enforcement mechanisms. 
In this essay, the case of USDA Marketing Assistance Program (MAP) facilitation of the 
Armenian vegetable industry is used to empirically examine the impact of third‐party 
facilitation on marketing and procurement relationships between vegetable growers and 
processors.  The complete breakdown of supply chain relationships in the Armenian agri‐food 
sector during early transition and the absence of FDI provide a relatively controlled 
environment and a unique empirical setting for analyzing the impact of third‐party facilitation 
strategy on the development of supply chain linkages.   
The analyses are based on the third‐party facilitation framework developed in Essay 1 
according to which the establishment of self‐enforcing sustainable relationships between 
transacting parties can be facilitated by a third‐party through programs that stimulate 
investments in and rearrangement of private enforcement capital.  Based on the case analysis 
and the theoretical framework, it is hypothesized that the USDA MAP facilitation of the 
vegetable industry enabled processors to effectively finance growers’ investments in 

85 

relationship specific assets through the introduction of contractual arrangements that included 
input and service provision.  The hypothesis is tested by comparing the investments in 
relationship specific assets in farms supplying to the formal marketing channel facilitated by 
USDA MAP versus farms in the informal channel.  The informal marketing channel includes local 
village markets, traders and middlemen, as well as subsistence farming and barter.   
The data comes from a 2004 survey of 427 tomato growers in two major vegetable 
producing regions of Armenia.  Investments in relationship‐specific assets are reflected in the 
data by the change in the tomato planting area (dedicated and physical asset specificity).  To 
address potential endogeneity of formal channel participation, multiple instrumental variables 
measuring the extent of farmer’s social capital are used.   
The rest of the essay is organized as follows: Section 2 introduces the case of USDA MAP 
in the Armenian vegetable industry; Section 3 discusses the conceptual framework and 
introduces the hypothesis; Section 4 describes the econometric model and data for testing the 
hypothesis, followed by discussion of results in Section 5; finally Section 6 provides conclusions 
and implications for further research.  
2. The Case of USDA Marketing Assistance Program in the Armenian Vegetable Industry  
2.1 Introduction and background  
Armenia has arguably faced one of the most difficult economic and social transitions of 
all the former Soviet Republics (World Bank, 2001).  Independence form Soviet Union, 
privatization, trade liberalization, war and resulting economic blockade by Azerbaijan and 
Turkey had a combined impact of a 60% decline in GDP between 1991‐1993, and widespread 
86 

poverty and financial distress (FAO, 2000).  The privatization in 1991 handed ownership and 
control of agricultural production to over 300,000 inexperienced and resource constrained 
household farmers.  The agroprocessing sector was privatized in the period of 1995‐1996 
through restitution to employees or direct sales to local buyers (FAO, 2000).  The traditional 
business practices were no longer appropriate due to broken business relationships, 
constrained trade and market access, limited capital, and inadequate legal enforcement 
system. This left Armenian agri‐food sector in a deep crisis.    
The transition had a dramatic impact on the Armenian vegetable sector, which has 
traditionally been an important sector in Armenian agriculture (World Bank, 1995b).  
Historically, two regions, Ararat and Armavir, were the main vegetable growing areas due to 
favorable agro‐ecological conditions.  A wide range of vegetable species were grown in 
Armenia, with tomatoes being by far the most important crop – accounting for over half of the 
total vegetable area (World Bank, 1995b).  Other important species included cabbage and 
onion, jointly accounting for about 25% of total vegetable area.  The processing industry was 
developed under a planned economy and was highly concentrated with the four largest 
canneries controlling 80‐90% of the industry.  During the soviet era the Armenian vegetable 
sector was able not only to fully meet domestic supply requirements but also provided 
considerable export of fresh and canned vegetables to Russia and other Former Soviet 
Republics (FSR) (World Bank, 1995b). 
The combination of economic shocks that occurred during the transition period 
including independence, economic blockade, and land privatization left the Armenian vegetable 

87 

sector in total disarray.   The processing industry lost access to subsidized credit, import 
markets for important inputs such as packaging materials, and to guaranteed export markets in 
FSR.  After the land reform, the upstream supply chain linkages with former state‐owned large‐
scale collective farms disappeared, and this was closely followed by the dissolution of the 
compulsory sales of output at fixed prices to the state enterprises downstream (World Bank, 
1995b).  Processors were forced to deal with thousands of small‐scale, inexperienced, and 
resource constrained vegetable producers for input procurement and had to find new buyers 
and distribution channels for selling the output. 
On the growers’ side, a lack of access to credit and farm inputs, combined with delayed 
payments from processors and the general economic decline in the country, had an adverse 
effect on production incentives.  The rate of fertilizer and pesticide usage was at less than one 
percent of the suggested optimal level (World Bank, 1995b).  Improved seed varieties were 
rarely planted – with most of planted seeds coming from the producers’ own previous 
production.  Mechanized cultivation was limited due to the highly fragmented nature of farm 
structure.  The average farm size was 1.37 hectares for the country and 0.61 hectares for the 
Ararat region (FAO, 2002).  Additionally, due to shortage of capital in the early nineties, many 
processors were unable to repay farmers for delivered vegetables and delayed payments for 10 
to 12 months (World Bank, 1995b).  Combined with hyperinflation, the annual inflation rate 
reaching 1820% in 1993 (World Bank, 2002), delayed payments left farmers financially 
distressed and disappointed in their procurement relationship with canneries.  As a result they 
retreated to subsistence farming, bartering, and selling at local farmers markets. 

88 

Because sales were cash transactions and farmers’ generally received higher prices, the 
direct‐to‐consumer fresh produce markets became preferred choice for marketing vegetables.  
Consequently, farmers directed their resources to producing mainly fresh market varieties of 
vegetables.  Tomato planting area declined by 50% and was only partially replaced by other 
vegetables demanded by direct‐to‐consumer fresh produce markets (Figure 11).   
Figure 11 Change in vegetable planting area from 1985‐88 to 1993 
60
50

% of total vegetable area

40
30
1986‐88
1993

20
10
0

 

Sources: World Bank, 1995b 
 
Most of the fresh market vegetable varieties that were planted were not suitable for 
processing.  Moreover, only the residual lower quality vegetables were sold to processors at 
prices negotiated in open market.  This caused serious coordination and planning problems for 
processors, especially since tomato paste manufacturing comprised 90% of vegetable output of 
the industry in the early nineties (World Bank, 1995b).  The result was a significant increase in 

89 

processors procurement costs accompanied by a sharp decline in revenues.  Consequently, 
many canneries were forced to close or significantly reduce output.  During the early nineties 
the industry averaged 9% of total capacity (Figure 12), with individual canneries ranging from 
zero to 61% of capacity utilization (World Bank, 1995b).  In 1994, the government of Armenia 
eliminated subsidies to processors – followed by privatization of the industry in 1996.  The 
downward trend in the processing industry continued through late nineties with only minimal 
recovery in capacity utilization by the end of the decade (FAO, 2000).   
Figure 12 Design capacity and utilization of food processing in 1993 

430

Bakery

236.50
556.5

Flour Milling*

333.90
156.11

Canning

14.05
354.9

Dairy Product

10.65
718

Mixed Feeds*

Meat

71.80
88.8
1.78
0.00

100.00

200.00

300.00

400.00

Design Capacity (1000 tons)

 
          Source: Armenian Ministry of Statistics 
 

90 

500.00

600.00

Utilization in 1993

700.00

800.00

Dramatic downscaling of the processing sector and the breakdown of supply chain 
relationships led to a further decline of vegetable production creating a downward spiral in the 
Armenian vegetable industry.  Figure 13 provides a graphical representation of transition 
impact on vegetable production, yield, and planted area.  Following land privatization in 1991 
and 1992 the cultivated area increased by 43%, only to be followed by a 36% drop in 1993.  This 
was due to the inability of the marketing infrastructure to handle the increase in production, 
resulting in considerable spoilage in the fields and on farms (World Bank, 1999b).  Yields and 
total production experienced substantial decline in the late 80’s, leveling up at around 50‐60% 
of initial potential for the next decade.   
Figure 13 Change in vegetable production, area, and yield from 1985 (base) to 2009 
1.60
1.50
1.40
1.30
1.20
1.10
Production

1.00

Area
0.90

Yield

0.80
0.70
0.60
0.50
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009

0.40

Sources: World Bank, 1993; 1996; Armenian Ministry of Statistics 

91 

 

 
The industry crisis and the collapse of supply chain relationships left the Armenian 
vegetable sector in a suboptimal equilibrium characterized by low yields, inadequate quality, 
and significantly downscaled production on the farm level and underutilized, decapitalized 
canneries with seriously damaged reputation on the processing level.  Given the overall 
economic distress in the country, an alternative external stimulus was required to move the 
Armenian vegetable sector out of suboptimal equilibrium. 
In 1992, Armenia requested USDA assistance for facilitating the transition of the 
agricultural sector.  The USDA responded by establishing traditional extension‐driven 
development assistance.  The main focus of extension support was on the provision of farm 
level technical assistance.  However, after three years of operation it became apparent that the 
extension‐driven assistance strategy was not sufficient for addressing systemic problems faced 
by the Armenian agricultural sector.  The effectiveness of the extension support was limited 
due to the lack of well‐functioning markets for agricultural input supplies, procurement and 
marketing channels for farm output, as well as limited access to financial capital.    
Consequently, in 1996, the USDA advisory team redesigned the project from a technology‐push 
to market‐pull and with that shifted the focus from farmers and production to the entire supply 
chain.  The result was the USDA Marketing Assistance Program (MAP) with an integrated 
market driven approach of supply chain facilitation through coordinated financial, technical, 
and marketing assistance (Cocks, Gow, & Dunn, 2003; Gow, Shanoyan, & Cocks, 2009).   

92 

Between 1996 and 2005, the USDA Marketing Assistance Program was actively involved 
in the Armenian agri‐food industry – providing assistance at all levels of the supply chain.  On 
the processing level, USDA MAP assisted over 65 processing firms in a number of key sectors of 
Armenian agriculture, including dairy and fruit‐vegetable sectors. On the production level, 
USDA MAP facilitated the establishment of 33 farmer marketing associations (marketing 
cooperatives) to enhance farmers access to formal marketing channels.  Through its microcredit 
program introduced in 1999 USDA MAP facilitated establishment of 51 Agricultural Production 
Credit Clubs (mutual guarantee and collective liability microcredit groups) enabling over 800 
farmers’ access to financial capital (USAID, 2006).  By 2005 over 17,000 Armenian farmers and 
agribusinesses received some form of marketing, technical, or financial assistance from USDA 
MAP (USAID, 2006).  In 2005 the USDA Marketing Assistance Program in Armenia officially 
ended.  A local Armenian foundation called the Center for Agribusiness and Rural Development 
(CARD) was established to carry on the legacy of the USDA MAP but at reduced programming.   
2.2 USDA MAP facilitation of market linkages in the Armenia vegetable supply chain 
Beginning in 1996 the USDA Marketing Assistance Program became involved in the 
Armenian vegetable industry with strategic assistance aimed towards the processing sector.  
The objective was not only to facilitate the revival of the vegetable processing sector, but also 
to develop reliable downstream markets for vegetable farmers – ensuring consistent demand 
for produce and reducing reliance on highly unstable spot markets.  The assistance included a 
flexible and customizable package of financial, technical, and marketing assistance aimed at 
upgrading facilities, improving product quality, and enhancing marketing of Armenian vegetable 
products.   

93 

By the end of 1999, USDA MAP was working with the six largest vegetable processors in 
five regions of Armenia: Syunik, Tavush, Armavir, Ararat, and Kotayk (USAID, 2006).  The 
financial assistance was provided mainly through strategic loans, small grants, and equipment 
leasing options to improve processing capacity, output quality, and input procurement.  To 
address potential loan repayment issues of formal state processors, USDA MAP restructured 
the composition of financial assistance increasing proportion of assistance through leasing 
arrangements to more than half of the total financial assistance by 2002.    
Marketing assistance to processors included assistance in new product and package 
development, international market surveys, and promotional efforts at international trade 
shows.  By 2001, the percentage of exported output of USDA MAP client canneries was ranging 
from 50% to 95% of total output.  The technical assistance on the processing level was focused 
on assistance with quality improvement and certification.  In 2000, USDA MAP introduced the 
“Quality First Initiative” – a quality assessment program based on HACCP, ISO, GMP, and SSOP 
quality control systems.  The program promoted adoption of these systems by limiting 
marketing, financial, and technical assistance only to companies that met the minimum quality 
and sanitation standards.   
As a result of USDA MAP assistance canneries were able to upgrade production quality, 
access export markets, and improve procurement relationships with farmers based on formal 
contractual arrangements.  A particularly successful example was Artashat cannery located in 
the heart of vegetable producing region in the middle of Ararat Valley.  Artashat cannery was 
one of the largest tomato processors in the country, built in 1961 under the planned economy.  

94 

Following independence, in the early nineties it was operating only at 16% of its designed 
capacity (World Bank, 1995b).  The USDA MAP assistance to the Artashat cannery began in 
1999.  Over the period from 2000 to 2003 it became certified to ISO 9000, resumed exports and 
increased them to up to 97% of total output – simultaneously increasing diversification from 9 
to 46 product lines.  In 2000, Artashat cannery introduced a new contracting system which led 
to more than a sixfold increase in the number of farmers contracted – reaching 2000 farmers in 
2003 from an initial 300 contracted growers in 2000.  Besides standard contract specifications, 
such as minimum price and quality, estimated quantity delivered, purchase times and 
payments, and repercussions for breach of contract, the new contractual arrangements also 
ensured provision of imported seed varieties, fertilizer, agronomical services as well as 
irrigation subsidies and collateral as loan guarantee for farmers in local banks.  This not only led 
to improved procurement relationships with contracted growers but also improved the 
reputation of the cannery among other farmers.  The result was an 80% increase in number of 
farmers supplying the cannery, growing from 5000 farmers in 2001 to 7000 in 2002 and 9000 in 
2003.  The processing output of tomatoes more than doubled from 2001 to 2003.   
To assist financially distressed small scale farmers with upgrading vegetable production 
and delivery, the Agricultural Production Credit Club (APCC) microcredit program of USDA MAP 
was extended to the vegetable sector.   The program was providing small production loans to 
groups of fifteen to thirty self‐selected farmers and was using principles of collective and 
mutual guarantees by club members (Gow, Shanoyan, Abrahamyan, & Alesksandryan, 2006).  
The interest rate of APCC was almost third of that of other micro credit programs operating in 
Armenia (USAID 2006).  Working with Armenian legislators, in 2002 MAP was able to achieve 

95 

enhancement of legislation to register APCC as a self‐contained micro credit financing 
organization required to comply with common set of administrative rules and subject to audit 
by the Ministry of Finance (USAID, 2006).  By the end of 2005, six vegetable growers’ credit 
clubs were formed, providing access to capital to more than 100 fruit and vegetable farmers.  
The access to capital through credit clubs allowed farmers to finance their investments in 
expanding the production area and improving the quality of vegetables. 
The case of USDA MAP in Armenia provides a unique empirical setting for analyzing a 
third‐party market linkage facilitation strategy and its short‐term and long‐term impact.  Firstly, 
the complete breakdown of supply chain relationships in Armenian agri‐food sector during 
early transition, combined with the absence of FDI, provides a relatively controlled 
environment for assessing the impact of third‐party facilitation strategy on the development of 
supply chain linkages.  Secondly, the integrated supply chain facilitation approach of the USDA 
MAP allows concurrent examination of responses to external facilitation by firms at different 
levels of the supply chain.  And lastly, as one of the largest and longest running agribusiness 
development projects managed by USDA, MAP was involved in several key sectors of the 
Armenian agriculture thus making it possible to analyze and compare the impact of facilitation 
strategies across various supply chains.  In this essay the case of USDA MAP facilitation of 
Armenian vegetable industry is used to empirically examine the impact of third‐party 
facilitation on investments in and rearrangement of private enforcement capital between 
vegetable producers and processors.   
3. Theoretical Framework 

96 

This essay relies on the third‐party facilitation framework developed in Essay 1, based 
on the probabilistic hold‐up model by Klein (1996).   In his model, Klein defines the self‐
enforcing range of contractual performance and illustrates how the presence of sufficient 
private enforcement capital can prevent hold‐ups and lead to improved efficiency and reliability 
of business relationships (Klein, 1996).  Hold‐ups occur when one of the transacting parties 
attempts an ex‐post renegotiation of the contractual understanding in order to extract the 
quasi‐rents from the other party’s sunk investments in relationship‐specific assets (Klein, 
Crawford, & Alchian, 1978; Williamson, 1998b).  The self‐enforcing range measures the “extent 
to which market conditions can change without precipitating a hold‐up by either party” (Klein, 
1996 p 449).  It is determined by considering the degree of the private enforcement capital of 
each party involved in transaction.  The degree of private enforcement capital can be defined 
by the magnitude of the losses from private sanctions that could be imposed on a transactor 
who attempts a hold‐up.   Private sanctions include termination or non‐renewal of the 
relationship and damage of the reputation in the marketplace.  The potential losses associated 
with termination of the relationship are equal to the discounted value of future quasi‐rents 
from the relationship‐specific investments present in a transaction.   The damage of the 
reputation can impose additional costs on future transactions of the party that attempted a 
hold‐up due to distrust and unwillingness of others in the marketplace to engage into 
relationship (Klein, 1996).  
Based on this framework, the probability of contract self‐enforcement can be increased 
by rearranging the private enforcement capital.  This can be achieved by expanding the self‐
enforcing range through investments in private enforcement capital by one or both parties.  

97 

Alternatively, one party can finance the other party’s investments into specific assets, thus 
redistributing present enforcement capital from a party with a low hold‐up potential to a party 
with higher hold‐up potential (Klein, 1996).  The third‐party facilitation framework developed in 
Essay 1 introduces an external facilitator to this model and extends its application to situations 
where transacting parties have limited resources (and reputation) necessary for making 
investments in and redistribution of private enforcement capital.  According to this framework 
the establishment of self‐enforcing sustainable relationships between transacting parties can 
be facilitated by a third‐party through programs that stimulate investments in and 
rearrangement of private enforcement capital.   
In the context of the Armenian vegetable industry the private enforcement capital 
between vegetable producers and processors was virtually nonexistent in the early nineties due 
to the complete collapse of the supply chain after independence and privatization.  The 
economic conditions and the nature of the transactions in the Armenian vegetable industry 
during early transition were consistent with the behavioral assumptions of transaction cost 
economics (Williamson, 1985).  Firstly, consistent with the bounded rationality assumption, the 
lack of marketing experience of transacting parties combined with a highly uncertain economic 
and political‐legal environment resulted in incomplete or missing contracts.  Secondly, the high 
inflation rate combined with the inadequate public contract enforcement created ideal 
conditions for opportunistic behavior leading to delayed payments and low quality produce 
delivery.  And lastly by their nature the economic transactions in the vegetable supply chain 
required the presence of asset specificity (i.e. physical, dedicated, and temporal asset specificity 
to be analyzed shortly). Consistent with the theory predictions, these conditions gave rise to 

98 

significant transaction costs which combined with the limited access to capital and production 
inefficiencies left the Armenian vegetable industry in sub‐optimal equilibrium.  Vegetable 
producers were unwilling to invest in growing vegetables suitable for processing (Figure 11) and 
processors were operating far below the intended capacity with no incentives and resources to 
upgrade their procurement and production facilities (Figure 12). 
Based on the case analysis, through its unique supply chain facilitation strategy, USDA 
MAP was able to provide vegetable processors and farmers with access to new market 
opportunities and resources for upgrading production.  This stimulated investments in specific 
assets both on the processing and production levels (Table 7).  Investments in specific assets on 
the processing level included investments in upgrading production and procurement capacity, 
but most importantly, the introduction of new contractual arrangements which included 
provision of imported seed varieties, fertilizer, agronomical services as well as irrigation 
subsidies and collateral as loan guarantee for farmers in local banks.  By offering these 
provisions, processors posted hostage to their transaction with a growers, hence signaling 
credible commitment.  Effectively, through these arrangements, processors provided partial 
financing of growers’ investments in relationship specific assets.   
The relationship specific investments on the farm level in this context included planting 
tomato varieties suitable for processing (physical and temporal asset specificity) and expanding 
total tomato planting area (dedicated asset specificity).  Assets are specific to the transaction if 
they lose value when redeployed to an alternative use (Williamson, 1983).   The tomato 
varieties designated for processing, once planted by farmers, become specific assets to the 

99 

transaction with the processor since they will lose significant value in their second best use 
which is sale in the fresh market.  Moreover, the perishable nature of tomatoes creates 
temporal asset specificity making timely marketing and procurement a critical attribute of the 
transaction.   
Perhaps the most important type of asset specificity in this context is the dedicated 
asset specificity of additional tomato planting area.  Dedicated asset specificity refers to 
investments in additional production capacity which would not have been undertaken if not a 
prospect of selling significant amount of product to a particular buyer (Williamson, 1983).  Even 
though the additional land can be considered as general asset (not specific) by its nature, the 
investments in additional tomato planting area contingent on the supply contract with 
processors will result in a significant excess capacity if the contract is terminated.   
Furthermore, in the context of the Armenian vegetable industry during early transition, 
the investments in additional land dedicated to tomatoes would provide lower returns under 
the alternative uses because of two main reasons.  First, tomatoes historically have been by far 
the most used input in the vegetable processing sector.  During early 90’s the vegetable output 
of the processing industry was mainly comprised of tomato paste manufacturing.  Out of total 
vegetables processed, tomatoes represented over 90% of total industry output (World Bank, 
1995b).  Second, the processing sector was highly concentrated and characterized by local 
monopolies with four out of six tomato processing canneries in the country accounting for 99% 
of total processed tomato output (World Bank, 1995b).  This limited the alternative uses of the 
land to growing vegetables for sale in fresh markets or barter.  Both of these options were 

100 

characterized by high uncertainty in terms of price, volume, and timeliness of procurement 
providing a higher risk and lower profitability alternative to the supply contract with the 
processor.  Consequently, in the case of termination or non‐renewal of the transaction with the 
processor, the redeployment of the additional tomato planting area under alternative uses 
would have resulted in significantly lower value realization.  Table 7 summarizes the 
investments in relationship‐specific assets by processors and growers stimulated by the USDA 
MAP facilitation. 
Table 7 Investments in relationship‐specific assets by processors and growers stimulated by 
the USDA MAP facilitation of the Armenian vegetable supply chain 
Investments on the processing level
 Investments in production and 
procurement assets 
 
 Introduction of contracts with input 
provisions including water subsidies and 
loan guarantees 
 

Investments on the farm level
 Investments in production of 
new/improved varieties suitable for 
processing 
 
 Expansion of the tomato planting area 

 
It can be argued that these investments in relationship specific assets on both 
processing and farm levels resulted in rearrangement of private enforcement capital.  
Additionally, the higher revenues from the USDA MAP facilitated access to export markets 
realigned processors incentives and provided sufficient cash flow to ensure timely payments to 
farmers for delivered produce.  This further increased the private enforcement capital of 
processors through regaining farmers trust and building reputation as a reliable business 
partner.  Table 8 provides a summary of the initial conditions defining the sub‐optimal 

101 

equilibrium, the USDA MAP facilitation strategy, and the resulting change in private 
enforcement capital between vegetable growers and processors.   
Table 8 Summary of initial conditions, USDA MAP facilitation strategies, and resulting change 
in private enforcement capital between vegetable growers and processors 
Initial Conditions 
Defining Suboptimal 
Equilibrium 

USDA MAP Strategy  
(1996‐2005) 

Post‐facilitation 
Conditions 

Change in Private 
Enforcement Capital 

High transaction costs in 
marketing and 
procurement: 
 Disorganized supply 
chain 
 Inconsistent quality  
 Hold‐ups and mistrust 

Marketing, technical, 
and financial assistance 
to processors: 
 Export assistance 
 Quality First 
Initiative 
 Strategic loans 

Short run: 
Improved marketing and 
 Redistribution of PEC 
procurement: 
from processors to 
 Increased export 
farmers through input 
provision contracts 
 Improved downstream 
demand for vegetables Long run: 
 Increase in processors 
 Introduction of 
PEC due to improved 
contracting with input 
reputation in the 
provisions 
marketplace 

Limited access to capital 
and credit: 
 Financial distress 
 Lack of credit capacity 
 High interest rates 

Financial assistance on 
the processor and farm 
levels: 
 Strategic loans 
 Microcredit 

Improved ability to 
finance input 
procurement and 
investments in 
production assets 
 

Production inefficiencies: 
 Missing or inadequate 
marketing 
infrastructure 
 Lack of expertise and 
experience 
 Capacity 
underutilization 
 Divestment in 
production  
 

Technical and financial 
assistance on the 
processor and farm 
levels: 
 Equipment Leasing 
 Specialized trainings 
and workshops 
 Strategic loans 
 

Processing level: 
 Increased production 
 Product diversification 
Farm level: 
 Expanded production 
area 
 Planting varieties 
suitable for processing 
 Reduced side‐selling 
 

 

Short run: 
 Increase in farmers’ 
PEC (physical asset 
specificity) through 
planting processing 
variety tomatoes 
Long run: 
 Increase in farmers’ 
PEC due to 
investments in tomato 
planting area 
(dedicated asset 
specificity) and  
improved reputation 

 
Consequently, based on the case analysis and the theoretical framework, the following 
general hypothesis can be introduced: H1 – The third‐party facilitation strategy pursued by 

102 

USDA MAP has stimulated investment in and rearrangement of private enforcement capital 
between vegetable producers and processors.   
To test the hypothesis and to analyze the impact of USDA MAP facilitation program on 
farm level investment, the change in farm growth of farmers supplying vegetables to formal 
marketing channels (i.e. canneries) is examined.  The farm growth is reflected by the change in 
total land area under tomatoes during the five‐year period from 1999 (before the USDA MAP 
facilitation) to 2003 (after the USDA MAP facilitation).  The comparison group consists of 
farmers in the informal marketing channel. The informal channel in this context includes local 
village markets, traders and middlemen, as well as subsistence farming and barter.   
In the context of the relationships with processors the additional land under tomato 
production can be considered as relationship‐specific investments.  Expanded tomato planting 
area represents two types of specific investments: i) in the short‐run, planting tomato varieties 
suitable for processing constitutes physical and temporal asset specificity; and ii) in the long 
run, acquisition of additional land area constitutes dedicated asset specificity due to the 
substantial inability to redirect the land into profitable alternative uses. Therefore the 
difference in farm growth, reflected by the change in tomato planting area, between farmers in 
formal and informal channels will indicate the degree of farm‐level investments in relationship‐
specific assets as a result of USDA MAP facilitation. 
4. Empirical Analysis 
4.1 General model 

103 

Following the literature on farm growth and previous empirical studies (Evans, 1987; Hart & 
Oulton, 1996; Weiss, 1999; Rizov & Mathijs, 2003; Dries & Swinnen, 2004), the farm growth 
model can be specified as following: 

Si,t  [F ( X i , Si,t0 )]d (Si,t0 )ei,t  
Where 

 

 

 

                                       (3.1) 

S i ,t and  S i ,t0 denote the size of the farm  i at the subsequent period  t  and initial 

period  t 0   respectively,   F ( X i , S i ,t0 )  denotes a function of size at the initial period and a 
vector of other variables including  farm and marketing channel characteristics denoted by 
The time interval over which the growth is measured is denoted by  d

X . 

 t  t0  , and finally  e   

denotes a lognormally distributed error term with possibly non‐constant variance.  Based on 
(3.1) the following general equation can be specified to serve as the basis for econometric 
analysis of farm growth: 
n

ln(S i ,t )  ln(S i ,t0 ) / d   0    j H i , j   Di ,t   
j 1

 1 ln( S i ,t 0 )   2 ln( S i ,t 0 ) 2  ui  
In this equation 

 

  

             (3.2) 

S i ,t and  S i ,t0 denote the total tomato planting area in farm  i at the 

subsequent period  t  and initial period  t 0  respectively,  H i  is a vector of  n  variables 
 
controlling for farm and production characteristics,  Di is an indicator of participation in formal 

104 

marketing channel, and  ui is an error term.  The left‐hand side of equation (3.2) reflects the 
average annual proportionate change in tomato planting area in the period   d

 t  t0  , and 

serves as a measure of farm growth over the given period.  The main parameter of interest on 
the right‐hand side is    which can be interpreted as the difference in average annual 
proportional change in tomato area in farms supplying to formal marketing channel, compared 
to farms in informal channel.   
4.2 Estimation strategy 
Estimation of parameters in (3.2) requires careful consideration due to potential 
endogeneity of participation in formal marketing channel.  There might be unobservable factors 
affecting both participation in formal channel and farm growth (e.g. entrepreneurial ability of 
the farmer).  In other words  Di  might be correlated with  ui  .  This can lead to the bias and 
inconsistency of ordinary least squares (OLS) estimators.  The widely used method for 
addressing endogeneity of one or more explanatory variables is two stage least squares (2SLS) 
estimation method.  This method allows using multiple instrumental variables (IV) for 
estimating parameters in the presence of endogenous explanatory variables.  Instrumental 
variables must be excluded from (1.2) and must be correlated with the endogenous variable, 

Di  , and uncorrelated with  ui .   
In this analysis, the number of variables measuring the extent of farmer’s social capital is 
used as instrumental variables.  These variables are defined based on: i) whether the farmer 

105 

was born in the village where he/she lives, ii) the distance from the house of the nearest 
relative, iii) the number of households that the farmer might turn to for help in past five years, 
iv) number of households that might turn to the farmer for help in past five years, and v) 
whether farmer takes part in the meetings concerning the village that he/she lives.  There is a 
good reason to believe that these measures of social capital will be correlated with 
participation in the formal marketing channel since they can influence the likelihood of 
supplying vegetables to processor/cannery.   
The empirical evidence from studies of agricultural innovation and technology adoption 
in developing country settings suggest positive correlation between social capital and farmer’s 
decision making due to mutual learning and information sharing among households (Bandiera 
& Rasul, 2006; Conley & Udry, 2010; Foster & Rosenzweig, 1995).  Another instrumental 
variable based on the annual number of trips to Yerevan (Armenian capital) is used as a proxy 
for access to direct‐to‐consumer fresh markets which could be negatively correlated with 
participation in formal marketing channel (i.e. supplying cannery).  There is a little reason to 
believe that after controlling for other variables, these variables will be correlated with 
unobserved factors in the error term of (3.2).   
Since the participation in formal marketing channel is a binary endogenous variable, the 
two step procedure proposed by Wooldridge (2002) is used.  First, the binary response model is 
estimated by probit using the set of instrumental variables and explanatory variables, and then 

ˆ

the fitted probabilities  Di are obtained.  Second, the equation (3.2) is estimated by 2SLS using 
 

106 

ˆ
Di as an instrument.  Due to its robustness properties this procedure produces more efficient 
estimates compared to usual 2SLS estimates (Wooldridge, 2002, pp 623‐625). 
4.3 Data and variables 
The data used in the analysis come from a farmer survey conducted in 2004 as a part of 
the larger effort to assess the impact of the USDA MAP initiatives in Armenian agriculture.  The 
sample consists of 427 tomato farmers from two major vegetable producing regions of 
Armenia.   The survey instrument was designed to obtain information on household 
demographics, income generation, asset ownership and investment, production, finance, land 
use, marketing channel structure, and business relationships. The data is a cross section for 
2003 which also includes a series of retrospective information regarding household income, 
farm productivity, land area, and choice of marketing channel for each of the five years prior to 
the survey (1999‐2003).   
Approximately 55% of respondents in the sample were in the formal marketing channel, 
which means they supplied tomatoes directly to processor in 2003.  The rest of the sample, 
approximately 45% of respondents, consists of farms in the informal channel which includes 
local village market, traders and middlemen, as well as subsistence farming and barter.   Table 9 
presents description of variables included in the analysis with the summary statistics for the 
total sample and for two groups based on participation in formal and informal channels. 
 
 

107 

Table 9 Variable description and summary statistics 
Variable

Description

Dependent Variable
GROWTH
Measure of growth in planted area over the period from 1999 to 2003
(average annual proportional change in tomato planting area)*
Independent Variables

Total
sample
mean
(s.e.)

Formal
Market
mean
(s.e.)

Informal
Market
mean
(s.e.)

0.664
(1.058)

0.882
(1.056)

0.402
(1.002)

FCHANNEL

Equals 1 if the farm is supplying tomatoes to formal marketing channel and 0 otherwise

0.546

INC99M

Equals 1 if the household belonged to Middle income category in 1999
(annual income between 360.00 and 1250.00USD) and 0 otherwise

0.356

0.305

0.417

INC99U

Equals 1 if the household belonged to Upper income category in 1999
(annual income over 1250.00USD) and 0 otherwise

0.405

0.524

0.263

FEMALE

Equals 1 if household head is female and 0 otherwise

0.201

0.167

0.242

AGE

Age of household head

44.14
(11.69)

42.14
(10.54)

46.53
(12.56)

EDCOLL

Equals 1 if household head has a technical college degree and 0 otherwise

0.279

0.287

0.268

EDUNIV

Equals 1 if household head has a university degree or higher and 0 otherwise

0.234

0.249

0.216

OTHEROC

Equals 1 if household head has a primary occupation other than farming
(e.g. teacher, nurse, vet., accountant, plant worker, etc…) and 0 otherwise

0.161

0.142

0.186

PPLHH

Number of people in the household

5.64
(2.59)

5.80
(3.09)

5.45
(1.82)

TVARIETY

Equals 1 if imported varieties of tomatoes are planted and 0 otherwise

0.855

0.944

0.747

CHFERT

Change in amount of fertilizer use from 1999 to 2003 measured in kilograms per hectare

Number of observations
* Computed as in left-hand side of equation (3.2)

189.57 288.91
(757.34) (996.11)
427

233

70.26
(216.9)
194

 

 
108 

Table 9 (cont’d) 
FLOAN

Equals 1 if has a loan from a formal source (ACBA bank, other banks, and Credit Clubs)

NONAGINC

Percentage of income from wages and non-agricultural business

LNAREA99

Logarithm of land area (ha) under tomatoes in 1999**

LNAREA992 Squared term of the logarithm of land area under tomatoes in 1999
BORNHERE Equals 1 if the household head was born in the village where he/she
operates the farm and 0 otherwise

0.393

0.429

7.325
8.139
(18.495) (20.226)
-4.046
(3.854)

-4.107
(4.224)

31.186 34.637
(38.904) (41.017)
0.735

0.760

0.35
6.348
(16.172)
-3.972
(3.365)
27.042
(35.873)
0.706

DISTREL

Distance from the house of the nearest relative (km)

11.010 14.597
(47.826) (57.968)

6.702
(31.229)

GETHELP

Number of households farmer might turn for help in past five years (1999-2003)

4.769
6.203
(13.613) (17.517)

3.046
(5.896)

GIVEHELP

Number of households might turn to farmer for help in past five years (1999-2003)

8.703
9.785
(23.932) (25.276)

7.402
(22.205)

VMEET

Equals 1 if the farmer takes part in the meetings concerning the village
where he/she lives, and 0 otherwise

TRIPSYER

Number of trips per year to the capital

0.609

0.639

0.572

43.522 42.558
44.680
(98.315) (93.309) (104.243)

Number of observations
** Log transformation is done after adding 0.0001 to the reported area in hectares

 

 

109 

427

233

194

 

The depended variable (GROWTH) is the average annual proportionate change in 
tomato planting area over the period from 1999 to 2003, measured in hectares.  It is calculated 
as in left‐hand side of equation (3.2) and is based on the logarithm of the total tomato planting 
area in 1999 (before USDA MAP facilitation) and in 2003 (after five years of USDA MAP 
facilitation).  The log‐transformation was done after adding 0.0001 to the reported area in 
hectares.  The main variable of interest is the binary variable FCHANNEL indicating participation 
in formal marketing channel. Following the farm growth model specified by the general 
equation (3.2) and guided by the economic rationale, a number of explanatory variables are 
included in the analysis to control for differences in household characteristics, initial farm size, 
production, and access to financial capital.   
To control for farm income in the initial period, two dummy variables are included in the 
analysis indicating whether farm income in 1999 was in the middle (INC99M) and upper 
(INC99U) income category.  The lower income category serves as the base group.  The set of 
variables are included to account for demographic characteristics of the household head such 
as gender, age, and education.  The variable EDCOLL indicates whether the household head has 
a technical college degree, while the variable EDUNIV indicates if he/she has a university or 
higher degree.  The base group for education consists of farmers who have ten or fewer years 
of education.  Variable OTHEROC indicates whether the household head has a primary 
occupation other than farming.  The variable indicating the number of people in the household 
(PPLHH) is included in the analysis to control for household size and household labor effects.   
To control for the differences in initial tomato area, the logarithm of tomato area in 1999 
(LNAREA99) and its squared term (LNAREA992) are included in the analysis. 

110 

In theory, the participation in the formal marketing channel can lead to on‐farm 
investments directed not only on expanding the planted area, but also improving the quality 
and yield of planted vegetables.  Therefore, in order to obtain more precise estimates of 
channel effect on tomato area expansion, the difference in quality and yield of tomatoes must 
be controlled.  This is done by including the following two variables in the analysis: TVARIETY – 
a dummy variable indicating whether farmers planted imported varieties of tomatoes versus 
traditional Armenian varieties, and CHFERT a continuous variable indicating change in amount 
of fertilizer use from 1999 to 2003 measured in kilograms per hectare.   
Another important factor that can influence investments in expanding the planted area 
is the access to financial capital.  The access to formal financing is controlled by including two 
dummy variables.  First variable (FLOAN) indicates whether the farm has a formal loan from 
sources that include: the ACBA bank, a major agricultural credit provider of the time; other 
banks; and Agricultural Production Credit Club, the USDA MAP initiated microcredit program.  
The base group consists of farms that either had no loans or borrowed from informal sources 
which mainly include friends and relatives in Armenia or abroad. 
The list of instrumental variables used in the first stage binary response model consists 
of six variables measuring the extent of social capital and the access to direct‐to‐consumer 
markets.  Two dummy variables indicate whether the household head was born in the village 
where he/she lives (BORNHERE) and whether the farmer takes part in the meetings concerning 
that village (VMEET).  Another two instrumental variables (GETHELP and GIVEHELP) indicate the 
number of households that farmer might turn for help and number of households that might 

111 

turn to farmer for help within past five hears.  The final instrument measuring social capital is 
based on the distance from the house of the nearest relative (DISTREL) measured in kilometers.  
Approximately, 41% of farmers in the sample named “other farmers” as the number one source 
of information on vegetable prices confirming the importance of social capital in channel 
participation decision.   The last instrumental variable, TRIPSYER, included in the first stage 
binary response model is a proxy for access to direct‐to‐consumer fresh markets and is based 
on annual number of trips to Yerevan (Armenian capital).   
5. Results 
The estimation results are reported in Table 10.  For comparison purposes two sets of 
results are presented: the first two columns, following variable names, present the OLS 
estimates and corresponding standard errors, while the last two columns present the results 
obtained using the 2SLS method with fitted probabilities from the first stage probit model as 
the instrument to account for endogeneity of participation in the formal marketing channel.  
For both methods the reported standard errors are robust to arbitrary heteroskedasticity.  
Relevant post‐estimation tests are performed to test whether the participation in formal 
marketing channel is truly endogenous.  
The results from OLS and 2SLS are comparable in terms of the significance of estimated 
coefficients for main variable of interest (FCHANNEL) as well as for most of the control 
variables.  Both sets of results indicate that the participation in formal marketing channel has a 
positive effect on change in the tomato planting area.  However the 2SLS estimate of 
participation effect (0.5329) is twice as large in magnitude compared to the OLS estimate 

112 

(0.2496) and is still statistically significant at the 1% level.  If the participation in formal 
marketing channel is truly endogenous then the 2SLS estimates are more consistent assuming 
appropriate instruments were used.  Based on the results of two the post‐estimation tests, 
Wooldridge’s (1995) robust score test (

 2 = 4.63, p = 0.031) and a robust regression‐based 

test of endogeneity (F = 4.79, p = 0.029), the null hypothesis that FCHANNEL is exogenous can 
be rejected at the 5% level and therefore the participation in formal marketing channel must be 
treated as endogenous.  
Table 10 Two Stage Least Squares Results 
Dependent variable: GROWTH
(average annual proportionate change in tomato planting area)
Variables

OLS Results

2SLS with fitted probabilities

Coef.
FCHANNEL

Std. err.

Coef.

Std. err.

0.2496 ***

0.0398

0.5329 ***

0.1314

INC99M

- 0.0942 *

0.0503

- 0.0863 *

0.0519

INC99U

- 0.0004

0.0441

- 0.0352

0.0482

FEMALE

0.0249

0.0354

0.0122

0.0392

- 0.0006

0.0015

0.0009

0.0017

EDCOLL

0.0314

0.0458

0.0021

0.0054

EDUNIV

0.036

0.0406

0.0337

0.0476

OTHEROC

0.0407

0.0315

0.0720 *

0.0403

PPLHH

0.0053

0.0057

0.0021

0.0054

TVARIETY

0.1051 *

0.0551

0.0399

0.0651

0.00004

0.00004

0.00003

AGE

CHFERT

0.00003

FLOAN

0.0769 **

0.0324

0.0769 **

0.0340

NONAGINC

0.0177 ***

0.0006

0.0015 **

0.0007

0.026

- 0.0896 **

0.0384

LNAREA99

- 0.0177

LNAREA992

0.0233 ***

0.0025

Constant

- 0.408

0.1196

0.0159 ***
- 0.6071

Number of observations = 427
Note: *, **, *** indicate that the corresponding coefficients are
significant at the 10%, 5%, and 1% level respectively

113 

0.0039
0.1551

 

Based on the 2SLS results, farms supplying to the formal marketing channel had 
approximately 53.3% higher average annual proportionate change in the tomato planting area 
compared to farms in the informal marketing channel.  In other words, for the farms in the 
formal marketing channel the additional 53% of increase in tomato planting area per year can 
be considered as dedicated investments to formal supply chain relationships with processors.  
This means that over the four years (1999‐2003) of USDA MAP facilitation of vegetable supply 
chain, farmers linked to the formal marketing channel have expanded their tomato planting 
area three times more than farmers in the informal channel.  These results are consistent with 
the hypothesis that the USDA MAP facilitation strategy has stimulated investments in private 
enforcement capital between vegetable producers and processors.  
Results also indicate that farms in the lower income category grew faster compared to 
farms in the middle and upper income categories.  The signs on estimated coefficients for both 
income categories in 1999 are negative and coefficient of INC99M is significant at the 10% level 
indicating that on average farms in the middle income category experienced 8.6% lower 
proportionate change per year compared to farmers in the low income category.  This finding is 
supported by additional evidence based on the farmers’ response when asked to compare their 
farm production in 2003 to that of 1999.  Out of all respondents, 43.1% of low income farmers 
reported better production in 2003 compared to 1999, while only 28.7% of farmers in the 
middle and 25% of farmers in the higher income categories reported better production.   
This finding seems contradicting with the theory at first since it would be reasonable to 
expect that households in the higher profit category will be able to finance on‐farm 

114 

investments better compared to low income households.  However, it is important to recognize 
that in this context farming may not be the only or even the main source of income.  The 
households may be in higher income categories because of income from non‐farm businesses 
or wages from non‐farm occupation.  Therefore, since both of these factors are controlled, the 
remaining difference in production growth may be attributed to low income households’ higher 
reliance on farming.  In fact, according to the data farmers in lower income category had 49% of 
their total household income coming from crop production, while it was 39% for farmers in 
higher income category.  Moreover, the estimated coefficients on both OTHEROC and 
NONAGINC are positive and significant.    
The results indicate that households where the head has a main occupation other than 
farming have on average 7.2% higher annual increase in the tomato planting area.  
Furthermore, each additional percentage increase in non‐farm income (including wages) leads 
to 0.15 percentage point increase in average annual expansion of the area under tomatoes.  
These findings are consistent with economic theory since the availability of financial capital is 
one of the key factors affecting investments in general and on‐farm investments in particular.  
Moreover, these results are consistent with the qualitative responses provided by farmers in 
the sample.   
For instance, the ability to make new investments to expand the production area was by 
far the most sited factor by farmers who reported increase in the vegetable planting area since 
1999.  Out of the farmers who expressed interest in increasing their vegetable production 
activities (70.1% of total sample) approximately 29.4% reported inability to obtain loans and 

115 

credit as the main constraint to increasing households’ vegetable farming activities.  As the 
principal constraints to obtaining more financing, high collateral requirement was mentioned 
by 37.8% of respondents, and high interest rates was mentioned by 10.1% of respondents.  
Approximately 21.4% of respondents said that they cannot obtain more loans because they are 
unable to repay them.   
Not surprisingly, the estimates for FLOAN1 are statistically significant, indicating that 
farms with formal loans from a bank or the Agricultural Production Credit Clubs have on 
average 7.7% higher annual proportionate change in the tomato planting area compared to 
farms that have no reported loans or borrowed from friends and relatives. 
The results also indicate that the initial tomato planting area has a significant negative 
effect on the proportionate annual growth (‐0.0896).  However its squared term has a 
significant positive estimate (0.0159).  This implies that the growth in production area is 
negatively related to initial size however at some level of initial size the effect of size on growth 
turns positive.  In other words there is a certain optimal level of land area below which smaller 
farms tend to grow faster, while above that optimal level the growth return on size turns 
positive meaning larger farms have higher proportionate increase in production area. 
In summary, the results indicate that the participation in the formal marketing channel 
has a very large positive effect on farm growth when addressing the endogeneity problem and 
controlling other key factors that can potentially influence the farm growth.  Among the 
controlled factors, the household characteristics such as income level and sources have a 

116 

significant positive effect on expansion of production area.  On the other hand the initial size 
has a diminishing growth return. 
6. Discussion and Conclusion 
Without effective contract enforcement, the economic transactions in many developing and 
transition economies are limited to the highly unstable spot market option leaving a large 
number of agricultural producers and processors stuck in suboptimal equilibrium.  While the 
international agribusiness research and agricultural development literature have been exploring 
various approaches for third‐party facilitation of market linkage programs, limited research is 
currently available on strategies for external, third‐party facilitation of supply chain 
relationships based on private enforcement capital. This paper attempts to contribute to filling 
that gap in the literature.  
The contribution of this paper is twofold.  First, it applies the third‐party facilitation 
framework based on private enforcement capital in the analysis of the USDA MAP facilitation of 
the Armenian vegetable industry.  And secondly, it measures the impact of third‐party 
facilitation strategy on investment in and redistribution of private enforcement capital between 
Armenian tomato growers and processors.    
The theoretic framework is based on the probabilistic hold up framework by Klein 
(1996) and implies that the establishment of self‐enforcing relationships between transacting 
parties can be facilitated by a third‐party through programs that stimulate investments in and 
rearrangement of private enforcement capital.  The predictive power of the framework is 
examined in the context of the USDA MAP facilitation of supply chain relationships between 

117 

Armenian vegetable growers and processors.  The analysis is based on the data from 427 
Armenian tomato farmers and examines the impact of participation in the USDA MAP 
facilitated formal marketing channel on expansion of the tomato planting area in the period 
from 1999 to 2003.  Variables measuring the extent of social capital are used to address the 
endogeneity of participation in the formal marketing channel.  Two stage least squares 
estimation method with fitted probability of the formal channel participation, estimated from 
the first stage probit model, is used to obtain consistent and more precise estimates.   
The main results indicate that for the farms in the formal marketing channel the 
additional 53.3% of the tomato planting area per year can be considered as dedicated assets to 
formal supply chain relationships with canneries.  The results are consistent with the hypothesis 
that the USDA MAP facilitation strategy has stimulated investments in and redistribution of 
private enforcement capital between vegetable producers and processors.  They imply that as a 
result of the USDA MAP facilitation of the vegetable supply chain, farmers linked to the formal 
marketing channel over the period from 1999 to 2003 have made significant investments in 
expanding their tomato production area.  Additionally, the household and farm characteristics 
such as income level and sources, access to bank loan, and initial tomato planting area were 
shown to have significant effect on farm growth.   
The findings from Essay three are consistent with the findings from Essay one implying 
that the third‐party facilitation strategy pursued by the USDA MAP resulted in development of 
private enforcement capital between producers and processors in the Armenian dairy and 
vegetable industries.  However, due to the inherent differences in the nature of specific assets 

118 

between dairy and vegetable industries, the effect of the private enforcement capital on long‐
term sustainability of linkages in the vegetable industry remains to be tested. The more in‐
depth longitudinal study of the USDA MAP impact on the structure and performance of the 
Armenian vegetable industry may provide much richer insight on processes involved in the 
revitalization of the industry.   
This essay has mounted a strong argument for the appropriateness of Klein’s model in 
explaining underlying economic incentives in the Armenian vegetable supply chain established 
as a result of the USDA MAP facilitation.  However, unlike the dairy industry, the assets involved 
in transactions in the vegetable industry (i.e. additional land area) provide relatively higher 
degree of flexibility in terms of alternative use.  In particular, the alternative use of a dairy 
animal is to be slaughtered and eaten with the asset thus destroyed while the land remains 
intact for other profitable uses if such alternatives evolve as a transition economy matures.  
Consequently, some readers may argue that the incentives in the vegetable supply chain 
became aligned due to mere reestablishment of formal markets rather than the redistribution 
of private enforcement capital.  This would have been an especially valid argument in the 
context of the vegetable supply chain linkages in developed countries (i.e. supply chain linkages 
between Californian vegetable growers and processors) where growers often have multiple, 
equally profitable options for land use.  However, it is important to recognize that in the 
context of the Armenian vegetable industry during early transition, growers had a very limited 
set of options for alternative use of the additional land dedicated to tomatoes.  Firstly, during 
early 90’s the vegetable output of the processing industry in Armenia was mainly comprised of 
tomato paste manufacturing.  Out of total vegetables processed, tomatoes represented over 

119 

90% of total industry output (World Bank, 1995b).  Secondly, the processing sector was highly 
concentrated and characterized by local monopolies with four out of six tomato processing 
canneries in the country accounting for 99% of total processed tomato output (World Bank, 
1995b).  This limited the alternative uses of the land to growing vegetables for sale in fresh 
markets or barter both of which provided a higher risk and lower profitability alternative to the 
supply contract with the processor.   
Nevertheless, even within the simpler framework of incentive alignment through 
reestablishment or “jumpstart” of the formal marketing channel, Essay three provides 
important lessons from the USDA MAP facilitation strategy in the Armenian vegetable industry 
which in and of itself is a valuable empirical contribution to the literature. 
 
 
 
 
 
 
 
 
 

120 

 
 
 
 
 
 
 
 
REFERENCES 
 
 
 
 
 
 
 
 
121 

REFERENCES 
 
Bandiera, O., & Rasul, I. (2006). Social Networks and Technology Adoption in Northern 
Mozambique*. The Economic Journal, 116(514), 869–902. 
 
Cocks, Gow, & Dunn. (2003). Meeting Private Grades and Standards in Transition Agriculture: 
Experiences from the Armenian Dairy Industry. International Food and Agribusiness 
Management Review, 6(1). 
 
Conley, T. G., & Udry, C. R. (2010). Learning about a new technology: Pineapple in Ghana. The 
American Economic Review, 100(1), 35–69. 
 
Dries, & Reardon. (2005). Central and Eastern Europe: Impact of food retail investments on the 
food chain. Report Series, N. 6. 
 
Dries, Reardon, & Swinnen. (2004). The rapid rise of supermarkets in Central and Eastern 
Europe: implications for the agrifood sector and rural development. Development Policy 
Review, 22(5), 525–556. 
 
Dries, & Swinnen. (2004). Foreign Direct Investment, Vertical Integration, and Local Suppliers: 
Evidence from the Polish Dairy Sector. World Development, 32(9), 1525‐1544.  
 
Evans, D. S. (1987). Tests of alternative theories of firm growth. The Journal of Political 
Economy, 95(4), 657–674. 
 
FAO. (2000). Special Report: Armenia ‐ 5 October 2000. Retrieved November 1, 2011, from 
http://www.fao.org/docrep/004/x8408e/x8408e00.htm 
 
Foster, A. D., & Rosenzweig, M. R. (1995). Learning by Doing and Learning from Others: Human 
Capital and Technical Change in Agriculture. Journal of Political Economy, 103(6), 1176‐
1209. 
 
Glover, & Kusterer. (1990). Small farmers, big business: contract farming and rural 
development. Macmillan Press Ltd. 
 
Gow, Shanoyan, Abrahamyan, & Alesksandryan. (2006). Agricultural production credit clubs in 
Armenia: facilitating investment through market linkages, social capital, and 
microcredit. Agricultural Finance Review, 66(2), 316 ‐ 329. 
 
Gow, & Swinnen. (1998). Up‐and downstream restructuring, foreign direct investment, and 
hold‐up problems in agricultural transition. European Review of Agricultural Economics, 
25(3), 331‐350. 
122 

 
Gow, & Swinnen. (2001). Private Enforcement Capital and Contract Enforcement in Transition 
Economies. American Journal of Agricultural Economics, 83(3), 686‐690. 
 
Gow, Shanoyan, & Cocks. (2009). Farmers’ Choices Among Alternative Dairy Marketing 
Channels in Armenia: Can Appropriately Designed ODA Substitute for FDI? Journal of 
Rural Cooperation, 37(1).  
 
Hart, P. E., & Oulton, N. (1996). Growth and Size of Firms. The Economic Journal, 106(438), 
1242‐1252.  
 
Kirsten, J., & Sartorius, K. (2002). Linking agribusiness and small‐scale farmers in developing 
countries: is there a new role for contract farming? Development Southern Africa, 19(4), 
503–529. 
 
Klein, B. (1996). Why hold‐ups occur: the self‐enforcing range of contractual relationships. 
Economic Inquiry, 34(3), 444–463. 
 
Klein, B., Crawford, R. G., & Alchian, A. A. (1978). Vertical integration, appropriable rents, and 
the competitive contracting process. The Journal of Law and Economics, 21(2), 297. 
 
Kreps, Milgrom, & Roberts. (1982). Rational Cooperation in the Finitely Repreated Prisoners’s 
Dilemma. Journal of Economic Theory, 27(2), 245‐252. 
 
Macaulay, S. (1963). Non‐contractual relations in business: A preliminary study. American 
Sociological Review, 55–67. 
 
North, D. C. (1990). Institutions, institutional change, and economic performance. Cambridge 
Univ Pr. 
 
Peterson, H. C., Wysocki, A., & Harsh, S. B. (2001). Strategic choice along the vertical 
coordination continuum. Management Review, 4, 149–166. 
 
Porter, & Phillips‐Howard. (1997). Comparing contracts: an evaluation of contract farming 
schemes in Africa. World Development (Oxford)(United Kingdom). 
 
Rizov, M., & Mathijs, E. (2003). Farm Survival and Growth in Transition Economies: Theory and 
Empirical Evidence from Hungary. Post‐Communist Economies, 15(2), 227.  
 
Shepherd, A. W. (2007). Approaches to linking producers to markets. A review of experiences to 
date. Agricultural Management, Marketing and Finance Occasional Paper (FAO). 
 
USAID. (2006). Independent Evaluation of US Government Agriculture Sector Activities in 
Armenia . Retrieved from: http://pdf.usaid.gov/pdf_docs/PDACI948.pdf 
123 

 
Weiss, C. R. (1999). Farm growth and survival: econometric evidence for individual farms in 
Upper Austria. American Journal of Agricultural Economics, 81(1), 103–116. 
 
Williamson, O. E. (1983). Credible Commitments: Using Hostages to Support Exchange. The 
American Economic Review, 73(4), 519‐540. 
 
Williamson, O. E. (1985). The Economic Institutions of Capitalism: Firms, Markets. Relational 
Contracting, New York. 
 
Williamson, O. E. (1998a). The Economic Intstitutions of Capitalism. Free Pr. 
 
Williamson, O. E. (1998b). The institutions of governance. American Economic Review, 88(2), 
75–79. 
 
Wooldridge, J. M. (2002). Econometric analysis of cross section and panel data. The MIT press. 
 
World Bank. (2001). World development report 2002: building institutions for markets. 
Washington: Banco Mundial. 
 
World Bank. (2007). World development report 2008: Agriculture for development. World Bank. 
 
World Bank (1995b). Armenia: The challenge of Reform in the Agricultural Sector. (n.d.). . 
Retrieved from 
http://wwwwds.worldbank.org/servlet/WDSContentServer/WDSP/IB/1995/05/01/0000
09265_3961219112041/Rendered/PDF/multi_page.pdf 
 
 
 
 
 
 
 
 
 
 

124 

CONCLUSION 
 
The agribusiness and development literature has delineated the role of third‐party 
external facilitation in creating market linkages through provision of various assistance 
programs (Glover & Kusterer, 1990; Kirsten & Sartorius, 2002; Porter & Phillips‐Howard, 1997; 
Shepherd, 2007; World Bank, 2007).  However, the experience shows that the withdrawal of 
third‐party assistance very often results in a collapse of market linkages.  Among the main 
reasons for high failure rate are inappropriate business models, artificial incentive structures, 
and inadequate contract enforcement mechanisms (Shepherd, 2007).   
The literature on transaction cost economics and game theory emphasizes the role of 
private contract enforcement mechanisms based on mutual dependence and the reputation for 
ensuring reliable business transactions (Macaulay, 1963; Kreps, Milgrom, & Roberts, 1982; 
Williamson, 1985, 1998).  Klein (1996) introduced a probabilistic hold‐up framework which 
implies a fundamental complementarity between public and private contract enforcement 
mechanisms.  He defined the self‐enforcing range of contractual understanding and 
demonstrated how the presence of sufficient private enforcement capital can compensate for 
limitations of legal enforcement and lead to desired performance and long‐term sustainability 
of business relationships (Klein, 1996). 
This dissertation research extends the probabilistic hold‐up framework for the analysis 
of third‐party facilitation of self‐enforcing supply chain relationships.   The objective is to 
identify strategies that can be used by a third‐party to facilitate development of self‐enforcing 

125 

contractual relationships between parties along the supply chain.   The major emphasis is 
placed on the role that a third‐party external facilitator can play in assisting producers and 
processors to develop internal private enforcement mechanisms for ensuring long‐term 
sustainability of their business linkages.  The dissertation research is motivated by the policy 
concerns regarding the high failure rate of third‐party facilitated supply chain linkages after the 
exit of the third‐party and by the practical implications of better understanding the appropriate 
business models, incentive structures, and enforcement mechanisms in the context of external 
facilitation of supply chain linkages. 
The dissertation consists of three essays.  Essay one develops a theoretical framework 
for analyzing the role of private enforcement mechanisms in third‐party facilitation of linkages 
between agri‐food producers and processors. Essay two empirically examines the effect of 
private enforcement mechanisms on long‐term sustainability of third‐party facilitated linkages.  
Lastly, essay three examines the transferability/generalizability of the findings from essays one 
and two, by looking at the applicability of the conceptual framework and the theoretical and 
practical implications in a different empirical setting (i.e. different industry). 
The research is grounded in a unique setting based on the USDA Marketing Assistance 
Program (MAP) in the Armenia.  The USDA MAP played a significant role in the establishment of 
supply chain linkages, after the complete breakdown of the Armenian dairy and vegetable 
sectors during early transition.  The case of the USDA MAP in Armenia provides a unique 
empirical setting for analyzing third‐party market linkage facilitation strategy and its short‐term 
and long‐term impact.  Firstly, the complete breakdown of supply chain relationships in 

126 

Armenian agri‐food sector during early transition combined with the absence of FDI provides 
relatively controlled environment for assessing the impact of third‐party facilitation strategy on 
the development of supply chain linkages.  Secondly, the integrated supply chain facilitation 
approach of the USDA MAP allows concurrent examination of responses to external facilitation 
by firms at different levels of the supply chain.  And lastly, as one of the largest and longest 
running agribusiness development projects managed by the USDA, MAP was involved in several 
key sectors of Armenian agriculture thus making it possible to analyze and compare the impact 
of facilitation strategy across various supply chains. 
The analyses are based on the data from the series of dairy and vegetable producer 
surveys conducted in 2004 and in 2009.  More specifically, Essay one uses the instrumental case 
of the USDA MAP in dairy and a cross‐sectional data from 2004 survey of Armenian dairy 
producers to examine the role of private enforcement capital in facilitating market linkages; 
Essay two uses the panel data from 2004 and 2009 surveys of dairy producers to test the long‐
term sustainability of those linkages; and Essay three uses cross‐sectional data from 2004 
survey of vegetable growers to examine the transferability/generalizability of the conceptual 
framework and the theoretical and empirical implications from Essay one and two in the 
vegetable industry settings. 
The contribution of the Essay one is threefold.  First, it develops the theoretical 
framework for analyzing the role of private enforcement capital in third‐party facilitation of 
supply chain relationships.  Second, it applies the framework in the analysis of the USDA MAP 
facilitation strategy in the Armenian dairy industry.  And finally, it measures the impact of the 

127 

third‐party facilitation strategy on investment in private enforcement capital between 
Armenian dairy producers and processors.  The analysis is based on the panel data from 745 
Armenian dairy farmers and examines the impact of participation in the USDA MAP facilitated 
formal marketing channel on investments in the number of cows in the period from 1999 to 
2003.  Variables measuring the extent of social capital are used to address the endogeneity of 
participation in the formal marketing channel.  The two stage least squares estimation method 
with fitted probability of formal channel participation, estimated from the first stage probit 
model, is used to obtain consistent and more precise estimates.   
The main findings from Essay one indicate that the farms in the formal milk marketing 
channel had approximately 25.4% higher average annual proportionate change in number of 
cows.  This implies that as a result of USDA MAP facilitation of dairy supply chain, farms linked 
to the formal milk marketing channel over the period from 1999 to 2003 have invested in 
nearly two times more assets specific to milk production compared to farms in the informal 
channel.  This finding supports the hypothesis that the USDA MAP facilitation strategy has 
stimulated investments in private enforcement capital between dairy producers and 
processors. Additionally, the household and farm characteristic such as income level and 
sources, initial herd size and quality, as well as the gender and education of the household head 
were shown to have significant effect on farm growth. 
The analysis in Essay two builds upon the third‐party facilitation framework developed 
in Essay one.  It examines the predictive power of the framework in the context of long‐term 
sustainability of the USDA MAP facilitated supply chain relationships between Armenian dairy 

128 

producers and processors.  The hypothesis regarding the sustainability of linkages is introduced 
and tested using longitudinal analysis of linkage performance indicators.  In particular the 
change in number of cows before and after the end of the USDA MAP is examined across farms 
liked to the formal marketing channels and farms in the informal channel.  Econometric 
analyses include difference‐in‐difference and fixed effects estimation methods using a unique 
balanced panel data with 344 total observations on milk production, marketing, and household 
characteristics of 172 dairy farms before and after the end of the USDA MAP facilitation. 
The main findings of Essay two indicate that farms linked to formal marketing channel 
continued to invest in additional cows after the end of the USDA MAP facilitation.  This 
supports the hypothesis that the USDA MAP facilitation strategy in Armenian dairy industry 
resulted in the establishment of long‐term sustainable marketing linkages between dairy 
producers and processors.  Combined with the findings from Essay one, this indicates that the 
third‐party facilitation strategies directed on stimulation of investments in private enforcement 
capital by transacting parties can lead to establishment of self‐enforcing, long‐term sustainable 
supply chain linkages. 
The contribution of Essay three lies in the examination of the 
transferability/generalizability of the findings from essays one and two, by looking at the 
applicability of the conceptual framework and the theoretical and practical implications in 
different industry settings.  Firstly, Essay three applies the third‐party facilitation framework 
based on private enforcement capital in the analysis of the USDA MAP facilitation of the 
Armenian vegetable industry.  And secondly, it measures the impact of third‐party facilitation 

129 

strategy on investment in and redistribution of private enforcement capital between Armenian 
tomato growers and processors.  The analysis is based on the data from 427 Armenian tomato 
farmers and examines the impact of participation in the USDA MAP facilitated formal marketing 
channel on expansion of the tomato planting area in the period from 1999 to 2003.  Variables 
measuring the extent of social capital are used to address the endogeneity of participation in 
the formal marketing channel.  Two stage least squares estimation method with fitted 
probability of the formal channel participation, estimated from the first stage probit model, is 
used to obtain consistent and more precise estimates.   
The main findings from Essay three indicate that for the farms in the formal marketing 
channel the additional 53.3% of the tomato planting area per year can be considered as 
dedicated assets to formal supply chain relationships with canneries.  The results are consistent 
with the hypothesis that the USDA MAP facilitation strategy has stimulated investments in and 
redistribution of private enforcement capital between vegetable producers and processors.  
They imply that as a result of the USDA MAP facilitation of the vegetable supply chain, farmers 
linked to the formal marketing channel over the period from 1999 to 2003 have made 
significant investments in expanding their tomato production area. 
The findings from essays one and three are consistent, implying that the third‐party 
facilitation strategy pursued by the USDA MAP resulted in development of private enforcement 
capital between producers and processors in the Armenian dairy and vegetable industries.   Yet 
the specific changes in private enforcement capital across the two industries were different.  In 
the case of the dairy industry, the USDA MAP facilitation resulted in expansion of the 

130 

magnitude of private enforcement capital through investments in relationship‐specific assets by 
both processors and farmers.  In contrast, in the case of vegetable industry, the USDA MAP 
facilitation led to redistribution of private enforcement capital through introduction of new 
contractual arrangements which included input and service provisions.  By offering these 
contracts, processors effectively financed part of the farmers’ investments in relationship‐
specific assets thus resulting in redistribution of private enforcement capital from the party 
with lower hold‐up probability to the party with higher hold up probability.  These differences 
can be attributed to the difference in the nature of specific assets in the two industries.   
In the context of marketing and procurement relationships with processors in the dairy 
industry, farm‐level investments in relationship‐specific assets included investments in 
additional cows (a form of dedicated specific assets) and investments in additional farm 
buildings such as cowsheds, barns, and milking facilities (a form of dedicated and physical 
specific assets) that have low liquidity and limited alternative use.  In contrast, in the context of 
vegetable industry, on‐farm investments in specific assets included planting tomato varieties 
suitable for processing but less suitable for fresh sales (physical and temporal asset specificity) 
and expanding total tomato planting area (dedicated asset specificity).  Unlike the dairy 
industry, the assets involved in transactions in the vegetable industry (i.e. additional land area) 
provided a relatively higher degree of flexibility in terms of alternative use.  However, in terms 
of industry concentration, the vegetable industry was much more concentrated compared to 
the dairy industry allowing fewer alternative options for the growers.   

131 

Consequently, due to these differences, even though the findings from essays one and 
three are consistent, we still need to remain more cautious about any generalization about the 
role of private enforcement capital in the long‐term sustainability of third‐party facilitated 
linkages in the vegetable industry based on the dairy industry evidence from Essay two.   The 
effect of the private enforcement capital on long‐term sustainability of linkages in the vegetable 
industry remains to be tested. The more in‐depth longitudinal study of the USDA MAP impact 
on the structure and performance of the Armenian vegetable industry may provide much richer 
insight on processes involved in the revitalization of the industry.   
A better understanding of third‐party market linkage facilitation strategies through 
promoting private contract enforcement mechanisms could help in designing policies and 
assistance programs that are more effective in linking producers to markets.  However it 
requires more comprehensive examination of supply chain linkage facilitation in the context of 
various governance structures, institutional effects, and cross‐industry differences.  This 
dissertation provides an initial theoretical and empirical platform for building further research 
on the role of private enforcement mechanisms in third‐party facilitation of market linkages in 
the agri‐food supply chain. 
 
 
 
 

132 

 
 
 
 
 
 
 
 
REFERENCES 
 
 
 
 
 
 
 
 
133 

REFERENCES 
 
Glover, & Kusterer. (1990). Small farmers, big business: contract farming and rural 
development. Macmillan Press Ltd. 
 
Kirsten, J., & Sartorius, K. (2002). Linking agribusiness and small‐scale farmers in developing 
countries: is there a new role for contract farming? Development Southern Africa, 19(4), 
503‐529. 
 
Klein, B. (1996). Why hold‐ups occur: the self‐enforcing range of contractual relationships. 
Economic Inquiry, 34(3), 444–463. 
 
Kreps, Milgrom, & Roberts. (1982). Rational Cooperation in the Finitely Repreated Prisoners’s 
Dilemma. Journal of Economic Theory, 27(2), 245‐252. 
 
Macaulay, S. (1963). Non‐contractual relations in business: A preliminary study. American 
Sociological Review, 55–67. 
 
Porter, & Phillips‐Howard. (1997). Comparing contracts: an evaluation of contract farming 
schemes in Africa. World Development (Oxford)(United Kingdom). 
 
Shepherd, A. W. (2007). Approaches to linking producers to markets. A review of experiences to 
date. Agricultural Management, Marketing and Finance Occasional Paper (FAO). 
 
Williamson, O. E. (1985). The Economic Institutions of Capitalism: Firms, Markets. Relational 
Contracting, New York. 
 
Williamson, O. E. (1998). The Economic Intstitutions of Capitalism. Free Pr. 
 
World Bank. (2007). World development report 2008: Agriculture for development. World Bank. 
 
 

134