研究生产前沿面一般情况下有参数和非参数2种方法, 参数方法主要有随机前沿分析(stochastic frontier analysis, SFA), 非参数方法则主要有数据包络分析(data envelopment analysis, DEA)。在实际应用中, 由于不需要提供价格信息, 也不需要成本最小化和利润最大化等条件, 学者们普遍认为DEA法测算的结果比SFA更为客观准确。Malmquist指数是DEA模型的一种, 1953年由瑞典经济学和统计数家Malmquist最早提出, 后期Caves等运用基于DEA方法的Malmquist生产率方法测算了生产率, Rolf等将其同Shephard距离函数相结合将生产率分解为技术进步、纯技术效率和规模效率变化^[16]。取不同时期的Malmquist指数的几何平均值计算生产率的变化, 则基于产出导向型的Malmquist指数的表达式为:

M₀(X^t, Y^t; X^t+1, Y^t+1)=[ D0tXt+1, Yt+1D0t(Xt, Yt)× D0t+1Xt+1, Yt+1D0t+1(Xt, Yt)]12。(1)

式(1)中, (X^t, Y^t)和(X^t+1, Y^t+1)表示时期t、(t+1)的投入产出向量; D0t、 D0t+1表示以t时期的技术和以(t+1)期的技术为参照的距离函数。即, D0t(X^t, Y^t)是以第t期的技术表示的当期技术效率水平, D0t(X^t+1, Y^t+1)是以第t期的技术表示的第(t+1)期技术效率水平, D0t+1(X^t, Y^t)是以第(t+1)期的技术表示的第t期技术效率水平, D0t+1(X^t+1, Y^t+1)是以第(t+1)期的技术表示的当期的技术效率水平。

M₀(X^t, Y^t; X^t+1, Y^t+1)= D0t+1Xt+1, Yt+1D0t(Xt, Yt)× [ D0tXt+1, Yt+1D0t+1(Xt, Yt)× D0t(Xt, Yt)D0t+1(Xt, Yt)]12=EFch× TEch。 (2)

式(2)是式(1)的变形, 表明生产率指数可进一步分解为技术效率变化指数(EFch), 技术进步变化指数(TEch)。当规模报酬发生变化时, EFch进一步分解为规模效率变化指数(SEch), 纯技术效率变化指数(PEch)。

EFch= D0t+1Xt+1, Yt+1/c, s/D0t+1Xt+1, Yt+1/v, sD0t(Xt, Yt/c, s)/D0t(Xt, Yt/v, s)× D0t+1Xt+1, Yt+1/v, sD0t(Xt, Yt/v, s)=SEch× PEch。 (3)

式(3)中, D0t(X^t, Y^t/c, s)、 D0t(X^t, Y^t/v, s)代表不变规模报酬技术和可变规模报酬技术以t时期技术表示的当期投入产出向量的产出距离函数。因此, Malmquist指数可分解为:

TFPch=M₀(X^t, Y^t; X^t+1, Y^t+1)=EFch× TEch=SEch× PEch× TEch。 (4)

即Malmquist生产率指数的变化由技术进步, 纯技术效率变化和规模效率变化三部分构成。当SEch大于(小于)1时, 表示规模效率呈上升(下降)趋势; 当TEch大于(小于)1时, 表示技术进步(衰退); 当PEch大于(小于)1时, 表示技术效率改善(恶化)^[19]。

双重差分模型(DID)是分析公共政策效益或项目实施效果的有效方法, 该方法是以某项政策实施的时间为界点, 分别在纵向时间序列上和横向处理对照上对实施过该政策的处理组和未实施该政策的对照组进行双重作差对比, 从而分析该政策对处理组的净效益。

生猪补贴政策大致可以分2类:一是专门针对规模养殖的生猪调出大县奖励和生猪标准化规模养殖场专项资金政策; 二是普惠性的能繁母猪补贴、能繁母猪保险、良种补贴等政策。普惠性政策是全面铺开的, 意在降低农户养殖风险。本研究主要探讨生猪调出大县奖励和生猪标准化规模养殖场专项资金政策。在生猪补贴奖励政策中, 生猪调出大县奖励政策的实施标准就是以生猪调出量、出栏量和存栏量作为测算因素, 以奖励生猪调出贡献率高的县域。标准化养殖补贴则是补贴年出栏量大于500头的养殖场, 以期鼓励标准化、规模化的生猪养殖。因该2项补贴奖励政策有一定门槛, 以致各省份自2007年来所获取的该2项政策扶持力度有较大差异。选取生猪补贴奖励金额较多的省份为观察组, 金额较少的省份为对照组, 对2者做双重差分比较, 从而探究这2项生猪生产支持政策对我国生猪养殖的影响。需要说明的是, 双重差分是从纵向时间维度和横向对照维度进行的。其他政策效益在实验组和观察组中同时存在。因此, 在实验组和对照组差分时, 其他政策效益乃至省际个体差异性已经被剔除了。具体回归模型如下:

Y_it=α ₀+α ₁period_it+α ₂treat_it+α ₃period_it× treat_it+ε _it。 (5)

式(5)中, Y_it代表i省在t时期生猪生产的规模效率变化指数(SEch), 取自上文测算的对应值。period和treat为虚拟变量, period在2002— 2006年取0, 在2007— 2016年取1; treat在对照组中取0, 在观察组中取1; ε _it为随机扰动项。在观察组中, treat_it=1。政策实施前, Y_it=α ₀+α ₂+α ₃; 政策实施后, Y_it=α ₀+α ₁+α ₂+α ₃, 可知Δ Y₁=α ₁+α ₃。在对照组中, treat_it=0。政策实施前, Y_it=α ₀+α ₃; 政策实施后:Y_it=α ₀+α ₁+α ₃, 可知Δ Y₂=α ₁。故DID=Δ Y₁— Δ Y₂=α ₃, 即测度α ₃就可判断出政策的独立效果。如果该2项支持政策提高了生猪养殖规模效率, 则α ₃显著为正; 如果该2项政策降低了生猪养殖规模效率, 则α ₃显著为负; 政策效果不明显, 则α ₃不显著。为了进一步考察生猪调出大县奖励和畜牧标准化养殖补贴政策对其生产效率的影响, 在此采用线性回归模型分析该2项政策对Malmquist指数中SEch的影响程度, 故构建模型如下:

Y_it=α ₀+α ₁period_it+α ₂treat_it+α ₃did+β ₁pig_it+β ₂feed_it+β ₃labor_it+β ₄gdp_it+β ₅medicine_it+β ₆time_it+ε _it。 (6)

式(6)中:did为period和treat的乘积; 变量pig、feed、labor、gdp和medicine分别代表仔猪费用(元· 头^-1)、精饲料费用(元· 头^-1)、劳动时间(d· 头^-1)、该省GDP指数和防疫费用(元· 头^-1); time表示时间趋势, 2002— 2016年依次赋值1~15。

数据来自2001— 2016年《全国农产品成本收益资料汇编》, 各省GDP指数取自国家统计局, 价格数据根据各省农业生产资料价格总指数做平减处理。

Malmquist-Dea分析部分, 基于生猪养殖投入和产出的特征, 考虑生产要素的重要性和规避价格因素的干扰, 并综合前人已有处理方法^{[6, 9]}, 选取了以下指标。相比产值, 产量不受价格影响, 故产出指标选生猪主产品净产量(主产品产量和仔猪质量之差)。在生猪养殖过程中, 仔猪和饲料费用占比生产成本的85%以上, 而用工数量和医疗防疫则影响着生猪的成活率, 这些指标直接影响着生猪的产出, 所以投入指标选取每核算单位用工数量、仔猪价格、精饲料价格和医疗防疫费。综合数据的可得性和完整性, 仅选取安徽、甘肃和广东等21个省份, 其中个别地区的数据部分缺失, 取前后2年的均值代替。研究运用DEAP 2.1软件对相关数据进行测算分析。DID回归分析部分, 对GDP指数和各价格平减指数取对数以减少异方差的影响。

2001— 2016年我国大、中规模生猪养殖生产效率测度结果见表1。结果表明, 2001— 2016年间, 我国大规模猪场养殖效率指数均值为1.002, 上升0.2%; 全要素生产率变化均值为0.998, 下降0.2%, 规模效率上升0.2%, 其中, 技术进步指数增长了0.6%, 技术效率指数下降了0.9%。21个省份当中, 只有甘肃、内蒙古和青海等5省规模养殖效率下降, 其他各省都呈现不变或上升趋势; 广东、海南和青海等省技术进步明显, 都达到2%以上; 21个省份中只有7个省份的技术效率指数是呈正向增长或不变的, 剩下14个省份都表现为下降的趋势, 其中吉林省下降幅度最大, 达到3.9%; 17个省市纯技术效率指数均呈下降趋势, 仅海南、湖北、湖南和内蒙古4个省纯技术效率指数不变。

表1

Table 1

表1(Table 1)

表1 2001— 2016年我国大、中规模生猪养殖生产效率测度结果 Table 1 Measurement of production efficiency of hog breeding in large and medium scale in China from 2001 to 2016 省份 Province 大规模猪场 Big scale pig farm 中规模猪场 Medium scale pig farm EFch TEch PEch SEch TFPch EFch TEch PEch SEch TFPch 安徽 Anhui 1.007 0.993 0.994 1.013 1.000 0.995 1.021 0.989 1.006 1.016 甘肃 Gansu 0.975 1.011 0.977 0.998 0.985 0.981 1.019 0.981 0.999 0.999 广东 Guangdong 0.996 1.023 0.992 1.004 1.019 1.008 1.008 0.997 1.011 1.016 广西 Guangxi 1.007 1.001 0.998 1.008 1.008 1.013 1.006 1.000 1.013 1.019 海南 Hainan 1.015 1.028 1.000 1.015 1.044 1.018 0.992 1.000 1.018 1.010 河北 Hebei 0.987 0.993 0.985 1.002 0.981 0.992 1.013 0.993 0.999 1.004 河南 Henan 0.984 0.995 0.979 1.004 0.979 0.992 1.015 0.987 1.005 1.007 黑龙江 Heilongjiang 0.992 0.993 0.992 1.000 0.985 0.993 1.015 0.993 1.000 1.007 湖北 Hubei 1.000 1.016 1.000 1.000 1.016 1.003 1.028 1.000 1.003 1.031 湖南 Hunan 1.000 1.002 1.000 1.000 1.002 1.000 0.972 1.000 1.000 0.972 吉林 Jilin 0.961 0.990 0.961 1.000 0.952 0.977 1.006 0.978 0.999 0.983 江苏 Jiangsu 1.002 1.012 0.993 1.010 1.015 1.013 1.014 1.000 1.013 1.027 辽宁 Liaoning 0.990 0.995 0.988 1.002 0.985 0.997 1.009 0.995 1.002 1.006 内蒙古 Inner Mongolia 0.992 1.008 1.000 0.992 0.999 0.986 1.016 1.000 0.986 1.001 青海 Qinghai 0.976 1.031 0.983 0.993 1.006 1.001 1.021 0.993 1.008 1.022 山东 Shandong 0.984 1.012 0.983 1.001 0.996 0.996 1.015 0.984 1.012 1.010 山西 Shanxi 0.988 0.995 0.986 1.003 0.983 0.991 1.003 0.982 1.010 0.995 陕西 Shaanxi 0.984 0.997 0.990 0.995 0.982 0.990 1.007 0.992 0.998 0.997 四川 Sichuan 1.002 1.008 0.997 1.005 1.010 0.976 1.001 0.970 1.006 0.976 云南 Yunnan 0.983 1.013 0.989 0.994 0.996 1.003 1.020 1.000 1.003 1.023 浙江 Zhejiang 0.991 1.019 0.980 1.012 1.011 1.023 1.018 1.000 1.023 1.042 平均值 Average 0.991 1.006 0.989 1.002 0.998 0.997 1.010 0.992 1.005 1.008

表1 2001— 2016年我国大、中规模生猪养殖生产效率测度结果 Table 1 Measurement of production efficiency of hog breeding in large and medium scale in China from 2001 to 2016

2001— 2016年, 我国中规模猪场全要素生产率均值为1.008, 说明全要素生产效率有所提升。其中, 技术进步指数增长了1%, 技术效率指数下降了0.3%。甘肃、河北、吉林、内蒙古、陕西等5省中规模猪场规模效率呈下降趋势, 黑龙江、湖南保持不变, 其他14省呈上升趋势, 海南省上升最高, 达1.8%。其中, 湖北技术进步指数增长了2.8%, 技术进步最为显著。广西、海南、湖北、湖南、江苏、内蒙古、云南、浙江等8省纯技术效率指数不变, 其他省份均呈下降趋势。

对比我国生猪大规模和中规模养殖情况, 两者技术效率、技术进步、纯技术效率和规模效率的变化指数波动表现一致, 全要素技术效率变化有所差异。在技术效率变化方面, 全国呈现出略微的下降走势, 其主要原因在于纯技术效率的明显退步。与此同时, 二者的规模效率均表现出上升趋势, 该结果和《中国畜牧兽医年鉴》中生猪养殖规模化程度逐年增高的结果一致。综合考虑技术效率和规模效率, 近几年我国生猪养殖侧重生产规模的提升, 忽视了技术的更新和扩散。技术进步方面, 由于纯技术效率得不到提高, 生猪养殖技术也没有得到较大的进步。中规模猪场全要素生产效率上升, 大规模猪场则下降, 说明大规模养殖对投入资本的利用率还不及中规模养殖。此外, 大规模和中规模猪场的技术效率变化指数均小于全要素技术效率变化指数, 说明我国生猪养殖的技术效率增长不及全要素生产率的增长快, 这也说明了生猪养殖的投入增长率不及生猪的产出增长率快。

2001— 2016年, 我国大规模猪场生猪养殖效率测度见图1。2001— 2011年, 生猪生产的技术进步和全要素生产率变化指数呈现出上下波动趋势, 分别在2003年、2007年和2011年出现波谷, 而在2006年和2009年左右出现波峰, 波动落差最高分别达到37.4%和28.9%, 反映出生猪3~4年1个猪周期的现象。2001— 2011年, 技术效率、纯技术效率和规模效率变化指数波动相对平稳, 其中纯技术效率同技术效率变化指数的相关性要强于规模效率变化指数。技术效率变化指数、规模技术效率在2007— 2008年达到峰值。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 2001— 2016年我国大规模生猪养殖效率测度结果Fig.1 Large-scale live pig breeding efficiency measurement results from 2001 to 2016

2001— 2016年, 我国中规模猪场生猪养殖效率测度见图2。2001— 2009年, 所有变化指数都呈现出“ W” 型的变化趋势。2001— 2003年除纯技术效率以外的4个变化指数都由上升变为下降, 2003— 2005年由下降变为上升, 其中2005年出现明显的波峰, 全要素生产效率由2004年的下降9.3%变为提高21.1%, 增幅达30.4%。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 2001— 2016年我国中规模生猪养殖效率测度结果 2005— 2007年, 由于全要素生产效率下降过于剧烈, 以致技术效率变现为微增长趋势, 到2009年所有指数又都回升到效率增长的水平。2009— 2016年, 全要素的生产效率变化指数波动幅度高于技术效率变化指数, 但是相比2009年前有所缓和, 其中, 仅2011年前后全要素生产效率的波动幅度达到12.2%, 其他年份波动幅度都不超过10%。从趋势看, 2015— 2016年所有效率变化指数都小于1, 呈现效率下降的走势。Fig.2 Medium-scale live pig breeding efficiency measurement results from 2001 to 2016

综上, 2001— 2016年, 我国大、中规模生猪生产的技术效率变化幅度较小, 对应的纯技术效率和规模效率变化指数波动幅度相当; 2007年前后所有变化指数波动幅度趋于平缓, 说明2007年后颁布的一系列生猪生产支持政策对稳定生猪供给、平缓猪周期现象起到一定有利作用。从峰值的时间节点来看, 大、中规模生猪养殖都在2003和2007年出现波谷, 分析原因, 可能是由于2003年的“ 非典” 、2007年大雪灾害和生猪的“ 蓝耳病” 等对生猪产业产生了负面作用。对于全要素生产率和技术进步变化指数, 两者都呈现同步变化趋势, 且变化幅度较技术效率大, 说明生猪产量和生猪投入量处于非平衡状态, 其主要原因是仔猪价格波动幅度较大, 同时精饲料价格波动和防疫费用投入的差异性也会产生影响。

基于倍差法, 从时间和省份2个维度对我国生猪补贴政策对生猪生产效率的影响进行对比分析。因每年补贴金额具有差异性, 观察组和对照组省份是以生猪年出栏量的大小和补贴金额的名次顺序进行, 即综合取前后几个省份。具体的, 观察组选取河南、湖北、湖南、辽宁、山东、四川和云南等7省; 对照组选取甘肃、海南、内蒙古、青海、山西、陕西和浙江等7省。生猪出栏量数据源于《中国畜牧兽医年鉴》, 部分生猪补贴数据源于财政部网站(http://www.mof.gov.cn/gp/xxgkml/)。如表2, 生猪补贴政策实施前后, 大规模和中规模生猪养殖的规模效率变化指数之差为负值, 说明生猪生产支持政策对生猪的规模化养殖起着负效益; 反之, 其对全要素生产效率的提高有着正效益, 大规模和中规模生猪养殖分别提升了2.50%和0.64%; 技术进步和纯技术效率变化指数方面, 虽说指数之差都是正数, 但技术进步变化指数差值表现的是政策促进技术进步, 纯技术效率变化指数差值表现的是政策抑制纯技术效率的下降。而对于技术效率变化指数, 其差值则刚好相反, 表现为生猪补贴政策利于大规模而不利于中规模生猪生产的技术效率的提升。

表2

Table 2

表2(Table 2)

表2 2001— 2016年我国生猪养殖Malmquist指数变化对比 Table 2 Comparison of Malmquist index of hog breeding in China from 2001 to 2016 类别 Sort 指数 Index 时期 Period 差额 Shortfall 平均值 Average 差额 Shortfall 2001— 2007 2007— 2016 观察组 Observation group 对照组 Control group 大规模猪场 EFch 0.981 7 0.997 6 0.015 8 0.991 9 0.988 7 0.003 1 Big scale pig farm TEch 1.000 6 1.010 0 0.009 3 1.005 9 1.012 7 -0.006 9 PEch 0.973 0 0.999 5 0.026 6 0.990 9 0.988 0 0.002 9 SEch 1.009 0 0.998 0 -0.010 9 1.000 9 1.001 1 -0.000 3 TFPch 0.982 6 1.007 6 0.025 0 0.997 7 1.001 4 -0.003 7 中规模猪场 EFch 1.003 7 0.993 2 -0.010 5 0.995 3 0.998 6 -0.003 3 Medium scale pig farm TEch 1.000 2 1.017 3 0.017 1 1.008 6 1.010 9 -0.002 3 PEch 0.9848 0.997 0 0.012 2 0.990 9 0.992 6 -0.001 7 SEch 1.019 3 0.996 4 -0.022 9 1.004 4 1.006 0 -0.001 6 TFPch 1.003 9 1.010 3 0.006 4 1.003 6 1.009 4 -0.005 9

表2 2001— 2016年我国生猪养殖Malmquist指数变化对比 Table 2 Comparison of Malmquist index of hog breeding in China from 2001 to 2016

针对生猪调出大县奖励和畜牧标准化养殖补贴政策的影响分析, 观察面板数据的差额值便可知。获取较多生猪调出大县奖励金额和标准化养殖补贴金额的省份(观察组)比获取较少或没有获取生猪调出大县奖励金额和标准化养殖补贴金额的省份(对照组)而言, 不管大规模还是中规模生猪养殖, 其全要素生产率、规模效率和技术进步变化指数的差值都为负数, 说明政策对观察组并没有起到正向作用。在技术效率和纯技术效率变化指数方面, 政策对大、中规模生猪养殖的影响具有差异性。在大规模中, 技术效率变化指数的差值为正, 纯技术效率变化指数的差值为负, 在中规模中则相反。

结合2个差值来看, 可知不管是大规模还是中规模, 生猪补贴政策降低了生猪养殖的规模化效率和全要素生产效率。规模化效率下降则说明可能是生猪调出大县奖励等政策激励了生猪规模的盲目扩张, 但并没有提高其实际的规模效率。在大规模生猪养殖中, 这2项政策促进了其技术效率和纯技术效率的提升。中规模生猪养殖中, 这两项政策则抑制了纯技术效率的提升, 说明这两项政策更加有利于大规模生猪养殖的发展。

通过检验, 数据存在截面异方差和同期相关性, 回归采用类似不相关回归估计方法, 在DID模型基础上验证该2项政策对生猪养殖规模效率的影响。如表3所示, 大规模生猪养殖中, period在α =0.1的水平下是显著的, 表现为标准化养殖补贴和调出大县奖励政策在2007年后对生猪规模养殖效率负向影响。剩下除labor以外的所用变量在α =0.01的水平下都对规模效率变化指数SEch有显著影响, 分别表现为仔猪价格越高, 该地生猪生产的规模效率变化指数就越小; 而饲料价格、地域GDP和生猪医疗防疫费用越高, 生猪生产的规模效率变化指数就越大; 大规模和中规模生猪养殖的规模效率在提升; 2002— 2016年, 生猪生产支持政策整体上对生猪养殖的规模效率呈现负向影响; DID参数为负则说明生猪调出大县奖励和畜牧标准化养殖补贴这两项政策也不利于规模效率的提高。在中规模生猪养殖中, 其检验结果和大规模生猪养殖大致相同。

表3

Table 3

表3(Table 3)

表3 政策实施效果检验(倍差法) Table 3 Policy implementation effect test using DID method 变量 Variables 大规模猪场 Big scale pig farm 中规模猪场 Medium scale pig farm 参数 Index SE T值 T value P值 P value 参数 Index SE T值 T value P值 P value pig -0.009 3 0.001 3 -7.325 1 0 0.008 3 0.000 5 16.582 4 0 feed 0.065 1 0.006 5 10.062 9 0 0.096 4 0.003 3 29.111 0 0 labor 0.006 4 0.008 7 0.736 9 0.462 0 0.013 3 0.004 3 3.052 9 0.002 6 gdp 0.272 0 0.010 0 27.132 8 0 0.211 1 0.004 0 53.105 6 0 medicine 0.120 5 0.009 5 12.651 4 0 0.125 3 0.005 6 22.445 4 0 time treat 0.024 7 -0.009 2 0.004 4 0.000 5 5.571 0 -18.287 6 0 0 0.023 9 -0.010 0 0.006 0 0.000 3 3.979 2 -33.683 1 0.000 1 0 period -0.006 3 0.003 6 -1.762 3 0.079 5 -0.015 6 0.005 1 -3.060 2 0.002 5 did -0.051 3 0.003 7 -13.855 3 0 -0.040 0 0.005 4 -7.368 3 0 R-squared 0.405 0 0.921 7

表3 政策实施效果检验(倍差法) Table 3 Policy implementation effect test using DID method

综合分析可知, 仔猪费用投入的多少对不同规模生猪养殖的规模效率影响是有显著性差异的, 投入越多, 大规模生猪养殖规模效率越大, 中规模则反之。而精饲料、劳动力、医疗防疫费用等的投入越多, 地域GDP越高, 大规模和中规模生猪的养殖规模效率都会越高。说明大规模和中规模生猪养殖正处于规模报酬递增的状态, 需进一步加大要素投入以提升规模效率。另外, 生猪补贴政策降低了大、中规模生猪养殖的规模效率, 生猪调出大县奖励和畜牧标准化养殖补贴这两项政策也对大、中规模生猪养殖的规模养殖效率产生负的影响。