基于省际面板数据的Translog-SFA分析规模生猪养殖技术效率

周 杨，郝庆升

(吉林农业大学经济与管理学院，吉林 长春 130118)

随着人们生活水平的提高，消费者对于肉类的选择更多了、对于肉类的品质提出了更高的要求。为提高猪肉质量和生猪养殖效率，我国生猪的养殖方式逐步由散养向规模化发展[1]。然而与畜牧业强国相比，我国的生猪养殖效率依然较低，根本性的问题依然没有解决[2]。在当前生猪养殖产业随着社会化的进程地位逐渐下降、并不断遭受到资源要素和环境条件等多方面影响的背景下，厘清中国现阶段大规模生猪养殖技术效率与生产前沿面的差距，并且通过合理调配资源提高效率对于规模化的发展有着重要的战略意义。

近年来，多位学者运用各种方法对中国的生猪养殖技术效率进行了分析，如廖翼等[3]用DEA-Malmquist指数法对2005～2010年我国东、中、西部地区的生猪养殖效率进行了研究。魏莎等[4]利用NUFER模型对生猪养殖的空间环境效率进行了分析，结果表明不合理使用养殖技术会对环境造成一定的损失。朱庆武等[5]利用DEA三阶段方法对我国生猪养殖技术效率进行了测度，结果表明环境变量会影响生猪养殖技术效率。

通过梳理已有文献对于了解中国生猪养殖现状、测度生猪养殖效率的方法以及如何提高生猪养殖生产技术效率有着重要意义。综合来看，近几年研究大规模生猪养殖技术效率的文章还比较少，使用SFA方法分析的文章更是鲜有。因此，笔者在现有研究的基础上采用SFA方法测算我国大规模生猪养殖技术效率，并分析其制约因素。通过横向和纵向分析影响技术效率的根源，准确找出能够提高大规模生猪养殖技术效率的有效途径，以期为决策者理清思路，并对有效提高大规模生猪养殖的技术效率提供理论依据。

1 研究方法、指标选取与模型设定

1.1 研究方法

对技术效率进行测度的方法主要有两种，根据是否存在具体的函数形式，可以分为非参数型和参数型。随机前沿模型(SFA)是由Battese and Coelli在1992年和1995年提出来的多投入单产出的研究方法，是参数型方法中最具有代表性的一种。与非参数型方法相比，SFA在C-D生产函数的基础上引入了技术损失效率函数，可以较为准确的测度导致技术无效率的环境因素和随机误差项。但是由于C-D生产函数对前提条件的假定要求较为严格，本文采用更具包容性和灵活性的超越对数随机前沿模型(Translog-SFA)对我国大规模生猪的养殖技术效率进行实证研究[6]。这种方法近些年常被国内外专家学者广泛用于经济领域、工业领域以及农业领域等技术效率的测评中[7-9]。

1.2 随机前沿生产函数的指标选取与模型设定

在指标的选取过程中，要秉承科学性、合理性的原则设定。选取的指标要能够直观的反映出研究对象的总体情况，并考虑到投入、产出指标的相互关系，不应太过复杂。通过已有文献发现，生猪养殖户最关心的是自己的经济利益，提高效率的最终目标就是以最小的成本得到最大的产值。因此，根据我国生猪养殖的特点和养殖户的关注点，本文选取大规模生猪总产值作为产出指标，选取饲料成本、人工数量、仔畜成本以及医疗防疫成本作为投入指标。冯静等[10]、王德鑫等[11]验证了上述指标的合理性。

此外，由于技术进步的数据无法观测，笔者加入了时间虚拟变量作为衡量技术进步的依据，设定2006=1,2007=2，……，2015=10等。将以上变量代入超越对数随机前沿模型中，其表达式为：1nY=β0+β1nF+β21nL+β31nC+β41nA+β51nT+β6(1nF)2++β7(1nL)2+β8(1nC)2+β9(1nA)2+β10T2+β111nLF1nL+β121nF1nC+β131nF1nA+β14T1nF+β151nL1nC+β161nL1nA+β17T1nL+β181nC1nA+β19T1nC+β20T1nA+vit+uit

1.3 技术损失函数的指标选取与模型设定

生猪养殖过程具有明显的复杂性特点，除了会受到直接投入要素配置的影响，还会受到外部多方面因素的制约。本文所考察引起生猪养值技术损失的外部因素主要有人均GDP(PGDP)，反映当地的经济水平；农林牧渔总产值(V)，反映当地农业发展水平；交通运输支出(TS)，反映当地的交通运输状况；人力资本水平(E)，反映当地的受教育程度。

将上述指标代入函数mit=δ0+∑δizit中，即可以得到具有生猪养值特性的技术损失函数，其表达式为：mit=δ0+δ1PGDPit+δ2Vit+δ3TSit+δ4Eit+εit

式中：mit表示生猪养值过程中的损失程度；δ为待估参数；εit为随机误差项。

2 数据来源

本文主要选取2006～2015年的生猪养殖的面板数据，运用FRONTIER4.1软件进行生产技术效率测度。我国生猪养殖规模划分参考《全国农产品成本收益资料汇编》，根据农户养殖一年内生猪平均存栏数量分为四种规模：散养(1～30头)、小规模(31～100头)、中规模(101～1000头)、大规模(1000头以上)，本文主要选取大规模生猪作为研究对象。其中，生猪的饲料成本、仔畜成本、医疗防疫费用以及需要的人工数量等均来自于《全国农产品资料汇编》[12]，值得注意的是，本文将以上数据进行了价格指数平减剔除了物价波动的干扰，即设2006年的第一产业增加值指数为100，并将2007～2015年的指数以2006年为基期换算成各年的累计平减指数，然后用历年生猪养殖生产要素投入价格的名义值比上相应年份的累计平减指数，就可以得到各年份的实际投入价格，不变价格=名义价格/累计平减指数。同时，各要素均采用单产形式避免多重共线性的影响；人均GDP、农林牧渔总产值、交通运输支出和人力资本水平等均来自于《中国统计年鉴》[13]。由于海南、重庆、贵州、西藏、宁夏、新疆等省份的数据大量缺失，本文的研究对象主要除上述6省市外的25个省、市及自治区。

由表1可以归纳出2006～2015规模生猪养殖的特点。从投入产出的角度看，饲料成本和仔畜成本的变异系数较低，而人工数量和医疗防疫费用的变异系数均较大，表明规模生猪养殖户对于非受迫性支出的认知度和认可度大不相同。尽管如此，各地区的产值变异系数较低，可能的原因是大规模的生猪养殖虽然标准化程度普遍较高，但是也会有差别，这种差别尽可能的削弱了人工数量和医疗防疫费用所带来的影响。总产值最大值与最小值间的差距较大，最大总产值为2259.09元/头，距畜牧业强国还有一定的距离。从影响大规模生猪养殖技术效率的因素来看，交通运输支出的变异系数尤其较大，说明各地区道路状况有明显的差异；变异系数最小的是人力资本水平，在教育较为普及的今天，各地区农民的受教育程度也相差无多，但是受教育年限总体较小，平均值仅为8.70年，这也就意味着我国农民的受教育水平总体上还没有按照国家制定的方针履行完九年义务教育。

3 模型估计结果及讨论

3.1 模型估计结果分析

根据设定的大规模生猪养殖的生产函数和技术损失函数，运用FRONTIER4.1软件对相关变量进行数据处理，并联合估计人均GDP、农林牧渔总产值、交通运输支出以及人力资本水平等因素对大规模生猪养殖技术效率的影响，得到以下似然比统计结果，如表2所示。

由表2知，σ2和γ都通过了t检验，且在1%的水平下显著，说明采用SFA方法分析生猪养殖生产技术效率较为合适。γ的值为0.7213，说明大规模生猪养殖受技术无效率的因素较大，受天气、病虫害等不可控因素影响只占0.2787。因此研究技术效率对于提高大规模生猪总产值具有重要的现实意义。

表1 变量的描述性统计Table 1 Descriptive statistics of variables

表2 随机前沿生产函数及技术损失函数的参数估计结果Table 2 Parameter estimation results of random frontier production function and technical loss function

从大规模生猪养殖的生产函数投入变量的参数值和显著性可以看出，生猪的饲料成本、仔畜成本、医疗防疫费用的一次项系数显著且为负，但二次项系数为正，说明现阶段饲料、仔畜、医疗防疫等投入已满足大规模生猪养殖的技术要求，但长期来看，提高养殖技术效率还需要增加这三种要素的投入；人工数量的一次项系数和二次项系数均显著且为负，表明在现有技术水平下，不论是短期还是长期，增加人工数量都将不会提高大规模生猪养殖技术效率；虚拟时间变量的一次项系数和二次项系数均显著且为正，说明技术进步对大规模生猪养殖技术效率的提高有促进作用；人工数量、仔畜成本和医疗防疫费用与虚拟时间变量的交叉项系数显著且为负，说明技术进步可减少人工数量并且降低仔畜成本和医疗防疫费用；饲料成本与仔畜成本、医疗防疫费用的交叉项系数显著且为正，说明在提高饲料成本的同时加大仔畜和医疗防疫的费用支出，可提高大规模生猪的养殖技术效率；人工数量和仔畜成本的交叉项系数显著且为负，说明两者之间有一定的替代作用，在技术水平不变情况下，增加人工数量和仔畜成本会对大规模生猪养殖技术效率有抑制作用。

从技术损失函数的参数来看，人均GDP、农林牧渔总产值和地方交通运输支出的系数值都显著且为负，说明当地经济条件和农业发展越好以及当地交通越便利能够降低技术损失率，提高大规模生猪生产率。但人均GDP的系数值相对较小，说明地区经济越发达越能够对生猪养殖起到一定的辐射作用，但也会带来规模和劳动力减少等负面影响。交通运输支出的系数值较大，说明对提高大规模生猪养殖效率有较大的促进作用，印证了“要致富先修路”这一论点的合理性。只有人力资源受教育水平的系数值显著且为正，这与我们传统的观念不符，究其原因可能是由于农民的学历越高越倾向于从事养猪以外的事业，现阶段生猪养殖户大多还是年龄偏大、受教育水平偏低，采用农业新科技的意愿较弱，造成了技术效率偏低[14]。

3.2 要素产出弹性分析

超越对数的随机前沿模型虽然能够通过参数系数值分析出各要素之间的互补、替代关系，但是却不能直接刻画出投入与产出之间的强弱关系。因此，笔者采用求偏导数的方法测算各要素的产出弹性。其公式为：Exi=∂1nY/∂1nXi

将上述投入变量代入式中，分别得到产出弹性公式为：

EF=β1+β111nL+β121nC+β131nA+2β61nF

EL=β2+β111nF+β151nC+β161nA+2β71nL

EC=β3+β121nF+β151nL+β181nA+2β81nC

EA=β4+β131nF+β161nL+β181nC+2β91nA

将表2计算出的系数值与各投入要素的算术平均值代入上式中，得到表3。

从传统意义上来说，增加投入必定还引起产出的增加，但是由表3得到的结果来看，医疗防疫费用的平均产出弹性为-1.7121并且常年为负，理论上讲，医疗防疫费用产出弹性的正负取决于其用途，若是为预防疾病，则弹性应为正，若是为治疗疾病，则弹性应为负。也就是说，在现有技术水平下，我国医疗防疫费用主要是用来医治疾病，养殖户预防疾病以提高产值的意识还较为落后；仔畜成本的平均产出弹性为-0.3779，说明现阶段增加仔畜成本不利于提高总产值。虽然常年为负，但是随着时间的延边，产出弹性有上升的趋势，说明虽然现阶段增加仔畜成本会抑制大规模生猪总产值，但是技术进步会逐渐改变这种状况；人工用量的平均产出弹性为0.0764，即每增加1%的人工，将会增加1.0764%的总产值，说明我国大规模生猪养殖现阶段还处于“劳动密集型”的生产方式；饲料成本的平均产出弹性为2.0770，并且常年都是这四项投入中最高的，说明我国大规模生猪养殖业是耗粮畜牧业，增加饲料成本依然是推动总产值提高的主要方式，应尽快实现由“粗放低效”向“集约高效”的生产方式转变。

表3 要素产出弹性Table 3 Factor output elasticity

3.3 技术效率水平和区域差异分析

由表4可知，我国2006～2015年规模生猪养殖技术效率为0.8504，达到了较高的技术水平，但还存在一定的技术损失。从各省域来看，仅有10个省的技术效率达到平均以上，说明大多数的省份还有较大的提升空间；技术效率最高的是四川省，达到0.9725，这与其生猪出栏量与猪肉产量常年位居我国第一位，要素资源配置相对最优有关；甘肃省的技术效率相对最低，仅为0.7095，这与其地理环境和气候条件密切相关。

表4 2006～2015年各省份平均技术效率Table 4 Average technical efficiency of each province from 2006 to 2015

4 对策建议

现阶段我国大规模生猪养殖技术效率还未达到最优，相关投入和环境差异较大，尤其是各地的人工数量和医疗防疫费用；从生产函数的分析结果看，规模生猪养殖要素投入已经出现冗余，急需提高技术效率来突破瓶颈；从技术损失函数的分析结果看，当地经济条件和农业发展越好以及当地交通越便利对大规模生猪养殖技术效率有正向影响，而人力资本水平则相反；从产出弹性的总体来看，我国仍处于低效的“劳动密集型”生产模式，大规模生猪养殖的总体产出弹性为0.0634。可见，生猪养殖行业正处在规模报酬递增阶段，生产技术效率具有较大的提升空间。

(1)加快大规模生猪养殖技术创新与进步。目前，我国多数地区仍然将增加饲料费用和人工用量作为提升大规模生猪养殖技术效率的主要方式。这种“粗放式劳动密集型”的养殖方式并不是大规模生猪增值最合理、最有效的方式，加快技术创新与进步对于提高大规模生猪产值更为显著。

(2)提高当地经济水平、农业发展水平以及道路运输条件。技术损失函数的实证结果表明，提高当地经济水平、农业发展水平以及道路运输条件对大规模生猪养殖技术效率的提升有积极影响，尤其是良好的道路运输条件对大规模生猪养殖技术效率的提升有更强的作用；而养殖户受教育水平的提高会抑制大规模生猪养殖技术效率的提升。

(3)加大畜牧业科技成果的有效推广和应用。从全国25个省市的大规模生猪养殖效率来看，2006～2015年的平均技术效率为0.8504，已处在较高的水平，但总产值与发达国家相比还较低[15]，技术效率还有较大的上升空间。意味着我国大规模生猪养殖户或养殖企业虽已基本掌握了大规模生猪养殖新科技，但新科技的水准还未达到最优状态。因此，提高我国大规模生猪总产值的根本在于畜牧业科技成果的有效推广和应用。