生猪养殖业集聚对大规模生猪养殖全要素生产率的影响研究

肖翠萍，李晓云

（华中农业大学经济管理学院，湖北武汉430070）

一、引 言

猪肉是中国居民最主要的肉类消费品。据《中国统计年鉴》数据显示，我国猪肉产量由2000 年的3 966.0 万吨增至2018年的5 403.7万吨,增长幅度达到36.25%，猪肉产量始终占肉类总产量的60%以上，对保障居民食物安全、改善居民膳食结构和提升居民营养水平做出了重要贡献。2019 年猪肉产量4 255.3 万吨，相对于2018年，下降了21.25%。因此，保障猪肉产品有效供给显得尤为重要。随着我国面临愈发严峻的资源及环境约束形势，在政府的有效引导下，我国生猪养殖逐渐由小规模散养为主向规模化的现代养殖方式转变。据《中国畜牧兽医年鉴》的数据显示，生猪出栏量超过1 000头的大规模养殖场（户）数由2007年的40 910个增长到2017年的82 016个，增长了100.48%。《全国生猪生产发展规划（2016—2020年）》提出，到2020年全国年出栏量500头以上的规模养殖比重要达到52%，而未来此比率将会更高。大规模生猪养殖不仅有利于提高养殖集约化和专业化程度，还可以缓解畜禽产业对环境造成的压力。因此，必然会成为未来生猪养殖的重要方式。

我国虽然是世界生猪养殖第一大国[1]，但也是世界猪肉进口第一大国。2007 年以来，我国猪肉产品的贸易逆差不断扩大，由净出口国转变为净进口国，国际竞争力持续恶化，生猪养殖生产效率低被认为是其中的根源之一[2]。产业集聚是产业发展演化过程中出现的地缘集聚现象，其在资源共享、技术扩散及发挥竞争效应等方面具有明显优势[3]，我国生猪养殖规模化的同时，空间集聚特征日益明显[4]。而且《全国生猪生产发展规划（2016—2020年）》规定分类推进生猪养殖重点发展区、约束发展区、潜力增长区和适度发展区协调发展的政策，将进一步引导生猪养殖向优势区域集聚。若能发挥集聚效应以提升生猪养殖效率，将为我们保障猪肉产品的有效供给提供新的思路。目前，关于生猪养殖业集聚能否提升生猪养殖效率的研究还不够充分，且专门针对“生猪养殖业集聚与大规模生猪养殖效率”的研究尚不多见。因而，生猪养殖业集聚能否提升大规模生猪养殖生产效率，是非常值得研究的问题，也是本文需要验证的第1个问题。

随着交通设施的改善和制度障碍的逐渐消除，跨区域的交流和互动日趋频繁与便捷。因而，产业集聚可能在更大范围产生影响——即产生空间溢出效应。而对此问题的研究有助于我们认识各区域的互动对大规模生猪养殖效率所产生的影响，从而可以为更合理的产业布局提供新的思路，因此，产业集聚对大规模生猪养殖全要素生产率的影响是否存在空间溢出效应，是本文需要验证的第2 个问题。

本文根据中国大陆22 个省、4 个直辖市和3 个自治区（不含港澳台、西藏、宁夏）2005—2018 年的面板数据，利用DEA-Malmquist 指数法测算大规模生猪养殖全要素生产率及其分解指数。采用各省级行政区生猪出栏量占全国生猪出栏量的比重作为生猪养殖业集聚的衡量指标，建立门槛回归模型和空间杜宾模型，以期回答如下问题：第一，生猪养殖业集聚对大规模生猪养殖全要素生产率是否存在影响以及存在何种影响？第二，生猪养殖业集聚对大规模生猪养殖全要素生产率的影响是否存在空间溢出效应。

二、理论分析及研究假说

产业集聚主要通过资源共享、技术溢出及竞争效应等渠道影响生产效率[5]。因此，本文将从资源共享、技术溢出及竞争效应等角度分析生猪养殖业集聚对大规模生猪养殖全要素生产率的影响。

（一）产业集聚的资源共享效应

一方面，产业集聚可以通过共享基础设施、劳动力及专业化供应商等资源以提高生产效率[6]。生猪养殖业集聚，不仅可以推动大量具有共同需求的养殖主体共同决策以完成生产性公共基础设施建设和共享，还可以吸引生猪养殖上下游企业的空间集聚，有利于养殖户实现供应商及中间服务的共享，从而促进生猪养殖全要素生产率的提高；另一方面，过度的产业集聚会导致拥挤效应，可能会阻碍区域内要素的流动并造成公共基础设施与社会化服务的“拥挤”问题[7]，不利于生猪养殖全要素生产率的提高。

（二）产业集聚的技术溢出效应

一方面，生猪养殖业的集聚，缩短了养殖户之间的地理距离，有利于养殖技术的传播和合作创新，进而促进生猪养殖全要素生产率的提高；另一方面，产业集聚带来的技术溢出效应可能造成养殖户在技术创新方面的“搭便车”行为，减少创新投入，特别是集聚规模过大，养殖户数量过多时，创新的“搭便车”动机越强，则越不利于技术的创新活动，因而可能会导致整个地区技术锁定[8]，不利于生猪养殖全要素生产率提高。

（三）产业集聚的竞争效应

一方面，产业集聚的技术溢出效应使新的生猪养殖技术很快被模仿，创新带来的垄断利润很快消失,为了保持优势地位，养殖户会进行持续创新，从而促进养殖全要素生产率的提高；另一方面，因为生猪产品的差异化程度较小，当集聚规模过大时，将会引起养殖户的过度竞争行为，从而降低资源使用和配置的效率，不利于生猪养殖全要素生产率的提高。

从以上分析可知，产业集聚应该存在最佳规模。对此，理论界也进行了丰富的研究。如Williamson认为产业空间集聚在经济发展初期能显著促进经济增长，一旦超过某一门槛，其对经济增长的影响将变小，甚至不利于经济增长[9]。据此，本文提出假说1：生猪养殖业集聚程度过低或过高都不利于大规模生猪养殖全要素生产率的提高；生猪养殖业集聚对大规模生猪养殖全要素生产率存在非线性影响。

随着交通设施的改善和制度障碍的逐渐消除，劳动力、资本、新技术及新知识等要素在区域间的流动更加顺畅、跨区域的经济联系也愈发密切，企业可以在更大的地域范围内实现资源共享、获得技术溢出及面临市场竞争。因而，产业集聚的空间溢出范围也越来越广，不仅对本地区产生影响，对其他地区的影响也将逐渐扩大。据此，本文提出假说2：生猪养殖业集聚对大规模生猪养殖全要素生产率的影响存在空间溢出效应。

三、研究方法、数据来源与统计分析

（一）研究方法

1.生猪养殖业集聚度测度 为了弥补采用单一指标衡量产业集聚的不足，本文采用总体集聚指标和地区集聚专业化指标对产业进行估算。

（1）空间基尼系数——总体集聚指标。空间基尼系数取值范围为[0,1]。取值越接近1，表明产业集聚度越高。反之，则表示产业空间分布越均匀；本文借鉴姚成胜等的研究[10]，定义空间基尼系数计算公式如下：

式(1)中，G 代表产业集聚的空间基尼系数，Sk和Sj代表省区k与省区j的生猪出栏量占全国生猪出栏量的比重；n为行政省份数量。

（2）生猪出栏量占比——地区集聚专业化指标。参考FU[11]等的研究，本文用“各省生猪出栏量占全国生猪出栏量的比重”衡量地区集聚专业化程度。公式如下：

其中，Aggit为i省t期的集聚专业化指标,eit代表i省t期的生猪出栏量，Et为全国t期的生猪出栏量。

2.大规模生猪养殖全要素生产率测算 当前测算全要素生产率的方法主要包括参数型和非参数型两种。由于非参数型估计方法能够避免因函数设定问题所造成的测算误差，故本文运用DEA-Malmquist生产率指数法和Deap2.1 软件对大规模生猪养殖的全要素生产率及其分解指数进行测度。借鉴王明利等[12]、梁剑宏等[13]的做法，以生猪主产品产量减去仔蓄重量后的净重作为产出变量，以物质和服务费用、用工天数、燃料动力费、医疗费用等作为投入变量。

全要素生产率= 技术效率× 技术进步

式(3)中M0为全要素生产率，方括号外为技术效率变动，方括号内为技术进步。xt表示t期的投入向量，yt表示t期的产出向量。xt+1表示t + 1期的投入向量，yt+1表示t + 1期的产出向量。

3.产业集聚对大规模生猪养殖全要素生产率非线性影响的检验方法 为了检验检验假说1，本文构建如下计量经济模型：

Tfpchit= α + β1Aggit+ β2Aggit2+ θiXit+ εit（4）

Yit= α0+ β1AggitI(Aggit≤γ1)+ β2AggitI(γ1＜Aggit≤γ2)+ β3AggitI(Aggit＞γ2)+ θiXit+ ui+ εit（5）

公式（4）为面板数据模型的标准形式，其处理方法一般有三种:混合面板、固定效应和随机效应。其中，混合面板模型假设不存在个体效应，随机效应模型假设非观测效应与解释变量不相关，而固定效应模型中非观测效应与解释变量相关。模型的设定形式将决定估计结果的可靠性，通常需要借助F 检验和Hausman 检验来确定模型形式。式中，Tfpchit为全要素生产率，采用累积形式；Aggit为产业集聚变量，与公式（2）意义相同，Agg2it为产业集聚变量的平方项；Xit为一系列控制变量，α 为截距项，βi及θi为待估参数，εit为随机扰动项，i表示地区,t表示年份。

公式（5）为门槛效应模型，本研究选择Hansen[14]提出的“门槛回归”模型。该模型不仅能准确估计门槛值，还能对门槛值进行显著性检验，在一定程度上避免了主观判定门槛值带来的统计误差和回归偏误。Hansen 利用似然比统计量检验门槛效应的显著性，但在“不存在门槛效应”的零假设下，门槛参数无法识别，造成检验统计量的大样本分布并非“卡方分布”。因此，门槛模型往往通过自助抽样方法(Bootstrap) 来得到大样本下的P 值，并根据P 值的大小在相应的显著性水平上决定是否可以拒绝零假设，拒绝零假设就意味着存在门槛效应。式中，Yit分别为全要素生产率（Tfpchit）、技术效率和技术进步，均采用累积形式；Aggit为产业集聚变量，是本文的门槛变量和门槛依赖变量；γ 表示未知门槛，I(g)为示性函数，根据函数条件取值1或0；α0为常数项，Ui为个体固定效应，其他符号的含义与上文相同。

4.空间杜宾模型 为了检验假说2，本文引入空间杜宾模型,因为空间杜宾模型同时考虑了空间滞后被解释变量和空间滞后解释变量对被解释变量的影响，能很好地捕捉不同来源所产生的溢出效应，而且估计结果更具稳健性[15]和一般性[16]。模型加入产业集聚及其平方项以反映产业集聚对大规模生猪养殖全要素生产率的非线性影响。模型设定如下：

Tfpchit= α0+ ρWTfpchit+ β1Aggit+ β2Aggit2+ β3WAggit+ β4WAggit2+ δiXit+ θiWXit+ ui+ λt+ εit（6）

式中，Tfpchit为全要素生产率，依然采用累积形式，W 为空间权重矩阵，α0为常数项，ρ 为空间自相关回归系数。ui为个体固定效应，λt为时点固定效应，其他符号的意义与上文相同。

（二）数据来源与统计分析

根据2004 年《全国农产品成本收益资料汇编》的统计口径，本文所指的大规模生猪养殖是指年出栏量在1 000 头以上的生猪养殖。考虑到数据的可获得性和样本的完整性，本文选取中国大陆22 个省、4个直辖市和3 个自治区（不含港澳台、西藏、宁夏）的生猪养殖情况作为研究对象，时间跨度为2005—2018年，共包含406个样本。数据来源于《中国统计年鉴》《中国农村统计年鉴》《全国农产品成本收益资料汇编》《中国畜牧兽医年鉴》，其中2018年养殖场（户）数，由作者根据2015—2017年养殖场（户）数的几何增长率计算得出。相关费用和价格数据都进行了物价的剔除。个别缺失数据，本文采用插值法和平均值法补齐（如表1所示）。

表1 变量定义及描述性统计

参考已有的研究，本文的控制变量主要包括：（1）饲料资源：鉴于玉米是重要的生猪饲料原料，因此作为饲料资源的代表；（2）生猪养殖特性：包括生猪养殖饲料结构和养殖病疫风险等因素。饲料结构会影响养殖成本和养殖周期，而高度集约化的大规模养殖增加了疫病传染的风险，因而对养殖效率造成影响[17]；（3）社会环境因素：包括生猪销售价格、经济发展水平和政策支农水平等因素。生猪销售价格较低会引致养殖户的压栏行为，而价格过高则会导致养殖户盲目扩大养殖规模，从而对养殖效率造成不良影响[18]；经济发展水平越好，政策支农水平越高，越能为生猪养殖提供更大的市场和更好的生产基础，而有利于养殖效率提高；（4）对外开放：我国是生猪进出口贸易大国，新贸易增长理论认为对外贸易可以促进知识和技术的国际溢出，促进全要素生产率的提升。

四、实证结果与讨论

（一）生猪养殖业集聚度分析

由（1）式计算得出，2005—2018年我国生猪养殖业空间基尼系数在0.43～0.46之间，而空间基尼系数达到0.4，则表明产业空间分布不均衡，因此，说明我国生猪养殖业存在集聚现象。

由（2）式计算发现，2005—2018年我国生猪养殖业主要分布在秦岭淮河以南（如表2所示）。南方主产区以湖南、湖北、四川和广东为代表，北方主产区以河南、河北、山东和辽宁为代表。其中，四川、湖南、河南、山东等省份为我国生猪养殖业集聚程度最高的地区。各区域的集聚程度变化如下：

表2 各地区生猪养殖集聚程度变化（2005—2018年） 单位：%

集聚程度上升区域：（1）华中地区由于饲料资源丰富，消费市场潜力巨大，生猪出栏量占比由2005年的26.34%上升至2018年的28.66%，上涨了2.32%，全国涨幅第一。（2）东北地区因水网较少，环境政策宽松，饲料资源丰富，耕地广阔，生猪出栏量占比由2005年的7.52%增长至2018年的8.69%，增长了1.17%。（3）华南地区生猪出栏量占比由2005 年的10.4%增长到2018 年的11.23%，增长了0.83%。其中，海南省自然条件优越，生猪出栏量占比增长较快。（4）西北地区生猪出栏量占比由2005 年的3.23%上涨至2018年的3.59%，增长了0.36%。该地区土地资源丰富，但水资源短缺，生猪产业发展一直比较落后。（5）西南地区生猪出栏量由2005年的20.11%上涨至2018年的20.35%，增长了0.24%。

集聚程度下降区域：（1）华东地区生猪出栏量占比由2005年的21.5%下降到2018年的18.85%，下降2.65%。主要由于江苏、浙江和上海、福建等省市生猪出栏量占比下降。由于生猪养殖面临严重的污染问题，在《全国生猪生产发展规划（2016—2020年）》（下文称《规划》）中，上述省市被列为约束发展区域，受到较为严厉的“禁限养”政策。（2）华北地区生猪出栏量占比由2005年的10.63%下降到2018年的8.45%，下降了2.18%。主要由于北京、天津和河北地区的生猪出栏量占比下降。北京、天津在2016年的《规划》中被列入约束发展区域，年生猪出栏量小于50头的散养和小规模养殖户的数量分别由2015年的7 616和5 504户减少到2017年的2 691和1 410户。河北生猪年出栏量呈现波动增长趋势，但生猪出栏量占比出现小幅下滑。

综上所述，华中、东北、华南、西北、西南等地区集聚程度提高，而华东和华北地区集聚程度下降。其中，传统的生猪养殖主产区——华中地区，生猪养殖集聚化程度提升最快。

（二）大规模生猪养殖全要素生产率测算结果分析

由表3 可知，从全国层面分析，2005—2018 年我国大规模生猪养殖技术效率年均增长0.7%，而技术进步基本停滞，此结论与廖翼等[19]的研究基本一致。全要素生产率年均增长率0.6%，主要依赖于技术效率的改善，而技术进步的停滞，抑制了大规模生猪养殖全要素生产率的进一步提高。

表3 2005—2018年大规模生猪养殖全要素生产率及其分解

从地区层面分析，按全要素生产率增长的特征，可以将全国7个地区分成三组：“双高”型（全要素生产率的提高依靠技术效率和技术进步共同推动），“双低”型（全要素生产率的下降由技术效率损失、技术进步停滞共同导致）和“单因素驱动”型（全要素生产率的增长主要依赖于技术效率提高或技术进步）。东北、华东、华中、华南、西南等地区属于“双高”型增长区域，表明我国绝大部分区域大规模生猪养殖发展较好。西北地区属于“双低”型区域，华北地区属于“单因素”驱动型，其大规模生猪养殖全要素生产率的增长依赖于技术效率的提高。从全要素生产率的增长速度分析，华南地区增长最快，年均增长1.5%；华中、东北、华北及西南等地区增长速度基本一致，约为1%；华东地区增长较慢，年均增长0.4%；西北地区年均下降1.6%。

（三）产业集聚对大规模生猪养殖全要素生产率非线性影响的检验结果

本文对普通面板数据模型（公式（4））进行F检验和Hausman检验以确定模型形式。首先用F检验判断截距项是否变动，设定如下3个检验：（1）H0：混合回归模型；H1：个体时点双固定效应模型。（2）H0：混合回归模型；H1：个体固定效应模型。（3）H0：混合回归模型；H1：时点固定效应模型。根据F 检验，个体效应模型最优（F 检验统计量为28.91，在1%的水平上显著拒绝使用混合回归的零假设）；然后利用Hausman检验判断使用固定效应还是随机效应，Hausman 检验在5%的显著性水平上拒绝随机效应的零假设，因此采用固定效应模型。本文最终选择个体固定效应模型进行回归。回归结果显示（见表5 第（2）列），产业集聚的一次项显著为正，二次项显著为负，说明生猪养殖业集聚对大规模生猪养殖全要素生产率的影响呈现“倒U”型特征。

对公式（5）运用自助抽样(Bootstrap)方法自抽样300次，通过F值和P值检验，显示生猪养殖业集聚对大规模生猪养殖全要素生产率、技术效率及技术进步的影响均存在双重门槛效应(如表4 所示），门槛值分别为3.11%和6.44%、1.37%和6.34%、0.76%和3.11%。门槛回归的结果如表5所示。

表4 门槛效应显著性检验结果

由表5 的结果发现，在按集聚水平由低到高排列的3 个门槛区间里，产业集聚对大规模生猪养殖技术效率的正向影响减弱（影响系数分别为0.180、0.045 0、-0.005 9（不显著）），对技术进步的负向影响也逐渐减弱（影响系数分别为-0.332 0、-0.058 9、0.026 4（不显著））。可能的原因是产业集聚程度不同，生猪养殖户提高养殖技术效率和进行技术创新的难易程度、相对成本不同。产业集聚的地理临近性，促进了养殖技术的快速扩散和传播，且生猪养殖技术相对易模仿，相对于技术创新的高成本和长周期，通过技术模仿以提高养殖技术效率的方式，可以更为低成本和迅速地提高生猪养殖全要素生产率，养殖户进行技术创新的积极性较低。因此，产业集聚促进了大规模生猪养殖技术效率，但是不利于技术进步。而在集聚程度较高的地区，一方面，更加激烈的竞争环境可能导致技术交流壁垒的形成，不利于养殖技术溢出。另一方面，集聚程度的提高更利于促进合作创新，创新的难度和成本随之下降。同时为了保持竞争优势地位，养殖户进行创新的积极性增强。因此，相对于低集聚度地区，产业集聚对集聚程度更高地区的技术效率的促进作用减弱，对技术进步的抑制作用也减弱。

在产业集聚的三个不同门槛区间内，产业集聚对大规模生猪养殖全要素生产率的影响存在较大差异（见表5 第（5）列）。当生猪养殖业集聚度小于3.11%时，其对大规模生猪养殖全要素生产率的影响不显著；当集聚度处于（3.11%,6.44%]时，其对大规模生猪养殖全要素生产率产生了显著的正向影响，影响系数为0.069 4；而集聚度大于6.44%时，产业集聚对全要素生产率的影响不显著。可见产业集聚程度过低或过高都不利于集聚效益的发挥，生猪养殖业集聚度处于3.12%至6.44%时最利于大规模生猪养殖全要素生产率的提高。产业集聚对大规模生猪养殖全要生产率的影响由“不显著”，变成“显著”，再变得“不显著”的过程，说明产业集聚对大规模生猪养殖全要素生产率的影响呈现“由弱变强再变弱”的“倒U”型特征。从而验证了本文的假说1 并回答了本文的问题1。门槛回归的结果和普通面板固定效应的回归结果基本一致，说明了模型的估计结果是可靠的。

表5 产业集聚对全要素生产率非线性影响检验结果

为了分析产业集聚对大规模生猪养殖全要素生产率产生“倒U 形”影响的原因，本文根据产业集聚的门槛值，划分产业集聚对全要素生产率、技术效率及技术进步影响的门槛区间。结果发现从2005—2018年，各门槛区间包含的省份未见明显变动。因此，仅给出2018年的划分结果（如表6所示）。

表6 2018年生猪养殖业集聚的门槛区间分布

结合表5门槛回归的结果和表6的结果，发现：（1）当前，产业集聚度低于3.11%的省份有16个，产业集聚对该些省份大规模生猪养殖技术效率产生了显著正向影响、对技术进步的影响显著为负、而对全要素生产率的影响为负，但不显著。（2）产业集聚度处于3.11%至6.44%的省份有9 个，产业集聚对该些省份的大规模生猪养殖技术效率产生了显著正向影响、对技术进步的影响不显著，而对全要素生产率的影响显著为正。（3）产业集聚程度高于6.44%的省份有河南、湖南、四川、山东，产业集聚对该些省份的大规模生猪养殖技术效率和技术进步的影响均不显著，对全要素生产率的影响也不显著。因此说明，在产业集聚对技术效率和技术进步的共同影响下，产业集聚对大规模生猪养殖全要素生产率的影响呈现“倒U”形特征。而且“产业集聚对全要素生产率的促进作用”主要依赖于“产业集聚对技术效率的提升作用”，而受限于“产业集聚对技术进步的抑制作用”。

（四）生猪养殖业集聚对大规模生猪养殖全要素生产率溢出效应检验结果

本文选用地理权重矩阵进行空间计量分析。因为信息、技术多表现为默会知识而存在传递过程中的衰减性；劳动力、资本等要素流动由于交通成本、个人因素等原因也局限于一定的地理范围内，因此空间外溢效应一般随地理距离而衰减。地理权重矩阵（见式（7））与d 值呈反向相关关系,正好反映了此特征。

式（7）中的d 为i地区和j地区的空间距离，参考刘建徽等[20]、冯林等[21]的研究，借助球面距离公式测算d。球面距离测算公式为：d = Ω × arccos[cos βicos βjcos|αi- αj|+ sin βisin βj]，其中Ω=6 378km，为地球的大弧半径，αi和αj分别为省份i和省份j的省会城市的经度，βi和βj分别为省份i和省份j的省会城市的纬度。各省省会城市的经纬度信息来自于国家基础地理信息中心。

本文对空间杜宾模型进行了Hausman检验，结果显示应该拒绝随机效应。因此，本文选择基于固定效应的空间杜宾模型进行计量分析。基于偏微分方法，产业集聚对大规模生猪养殖全要素生产率影响的总效应可以分解为直接效应和间接效应。直接效应反映本地区各影响因素对本地区的影响；间接效应反映其他地区的影响因素对本地区的影响。分解结果如表7 所示，空间相关系数ρ 通过了5%的显著性水平检验，表明加入空间效应是合理的。生猪养殖业集聚对大规模生猪养殖全要素生产率的直接效应呈现显著的“倒U”形特征，这与上文固定效应和门槛回归的结果一致，间接效应也呈现“倒U”形特征，但不显著，总效应呈现显著的“倒U”形特征。由此说明，本地区产业集聚对本地大规模生猪养殖全要生产率产生了显著影响，其他地区的集聚对本地区大规模生猪养殖全要素生产率不存在溢出效应。因此，假说2 并未得到验证，但是问题2 得到回答。可能的原因在于：省区间熟练劳动力和专业技术人员的沟通和交流不够，资源没有形成良好的匹配和共享，为了保持优势地位，各省之间的竞争可能阻碍了新技术和新方法的跨区域传播；因此，产业集聚对大规模生猪养殖全要素生产率的空间溢出效应并未得到有效发挥。

表7 空间效应分解

（五）稳健性检验结果

为了检验上述结果的可靠性，本文借鉴孙浦阳等的做法[22]，通过增加控制变量的方式进行稳健性检验。新增控制变量分别为生猪养殖规模化程度、人口数量及地区生产结构。根据数据的可得性，本文参考张园园等、钟搏等的做法[23-24]，各省份生猪养殖规模化程度用年生猪出量栏超500 头的养殖场（户）数占年出栏量50头以上生猪养殖场（户）数的比重代表。人口数量越多的地区可以为生猪养殖提供更大的市场，用各省年均人口数量代表；参照李翠霞等、祝丽云等的做法[25-26]，地区生产结构由生猪产值占畜牧业产值的比值代表，该比值越高的地区，生猪养殖将受到更多重视，则养殖的外部环境越好。稳健性检验结果显示，普通面板固定效应模型中，产业集聚对大规模生猪养殖全要素生产率的影响呈现倒“U”形特征；门槛回归自助抽样(Bootstrap)300 次的结果显示，产业集聚对大规模生猪养殖全要素生产率、技术效率的影响均通过双重门槛检验、对技术进步的影响通过单一门槛检验。且产业集聚对大规模生猪养殖全素生产率、技术效率及技术进步的影响与表5的结论基本一致。空间杜宾模型的稳健性估计结果与表7的结论一致。其余控制变量估计系数的方向和显著性也基本没有改变。由于篇幅原因，此处省略稳健性估计结果。因此，说明本研究的实证结果是稳健可靠的。

五、主要结论和启示

本文选取中国大陆22个省、4个直辖市和3个自治区（不含港澳台、西藏、宁夏）2005—2018年的面板数据，运用门槛回归模型和空间杜宾模型，实证检验了生猪养殖业集聚对大规模生猪养殖全要素生产率的影响。主要结论如下：（1）我国生猪养殖呈现集聚态势，且主要分布在秦岭淮河以南地区。华中、东北、华南、西北、西南等地区集聚程度提高，而华东和华北地区集聚程度下降。其中，华中地区集聚化程度提升最快。（2）大规模生猪养殖全要素生产率年均增长0.6%，主要依赖于养殖技术效率的提高，技术进步基本停滞。（3）在产业集聚由低到高的门槛区间里，生猪养殖业集聚对大规模生猪养殖全要素生产率的影响呈现“倒U”形特征、对技术效率的促进作用逐渐减弱、对技术进步的抑制作用也逐渐减弱。且“产业集聚对全要素生产率的促进作用”主要依赖于“产业集聚对技术效率的提升作用”，而受限于“产业集聚对技术进步的抑制作用”。（4）生猪养殖业集聚对大规模生猪养殖全要素生产率的空间溢出效应不显著。

因此，本文提出如下建议：（1）政府应该构建合作创新平台，并资助和奖励生猪养殖企业合作创新，以降低生猪养殖企业创新的成本、提高创新的积极性，从而促进“产业集聚对大规模生猪养殖技术进步促进作用”的发挥。同时，政府应该构建生猪养殖技术和管理经验的交流平台，加强养殖企业的技术交流，进一步促进“产业集聚对技术效率的提升作用”，从而强化“产业集聚对大规模生猪养殖全要素生产率”的提升作用。（2）促进生猪养殖业集聚对大规模生猪养殖效率正向溢出效应的发挥。各省市应该加强交通互联以尽可能降低知识溢出、要素流动的距离衰减效应。通过跨区域的政府合作，促进跨区域的信息交流和农业技术合作推广，以促进生猪养殖信息技术跨区域传播，从而强化生猪养殖业集聚对大规模生猪养殖全要素生产率的正向溢出效应。