生猪养殖业集聚发展下不同规模生产效率评价

梁世夫，陶桂任

（中南民族大学经济学院，湖北 武汉 430074）

猪肉是中国居民最主要的肉类消费品，同时也是主要的“菜篮子”产品之一。2022年中央一号文件提出，稳定生猪生产长效性支持政策，稳定基础产能，防止生产大起大落有助于保障“菜篮子”产品供给。2014—2020年，中国生猪出栏量由73 510万头下降到52 704万头，减少28.3%；猪肉产量由5 820.8万t下降到4 113.33万t，减少29.3%。受出栏量及产量减少的影响，国内猪肉市场供给形势日益趋紧，对国际猪肉市场的依赖程度将有所增加，呈持续净进口态势[1]。在此背景下，如何调整生猪养殖要素投入，提高生猪养殖业生产效率已成为保障“菜篮子”产品供给的重中之重。当前国内生猪养殖业空间集聚态势显著[2]，需尤为关注集聚水平提升对生猪养殖业生产效率的推动作用。因此，本文基于不同规模全要素生产率视角，探讨生猪养殖业集聚过程中由于规模化生产、专业化分工带来的聚集经济效应及其空间溢出效应，对降低生猪养殖成本、提高养殖场（户）收益、提升产业生产效率具有重要现实意义。

产业集聚带来的优势使得其概念一经提出就受到学术界广泛关注。相关研究最早出现于工业领域，并得到了产业集聚通过规模报酬递增促进劳动生产率、产业全要素生产率提高等一般性结论[3-4]。随着中国工业化、市场化进程深入，各地区基于比较优势促进农业生产规模化亦日益显著。学者纷纷对农业产业集聚特征、优势及形成原因展开研究[5-7]， 但多以定性分析为主。计量经济学的发展使得越来越多的学者开始关注农业产业集聚与经济绩效之间的定量关系，对此可大致划分为两类：第一类学者认为农业产业集聚水平越高越有利于经济绩效的提升，如吕超和周应恒[8]基于C-D生产函数揭示了蔬菜产业集聚带来的规模经济提升了蔬菜产业产值；赵丹丹和周宏[9]利用中介效应模型发现粮食作物生产集聚通过规模效应、专业化效应和技术外溢效应提升了粮食生产效率。第二类学者认为农业产业集聚并不一定带来经济绩效提升，即二者存在非线性关系，如李博伟等[10]以淡水养殖为例，利用门槛回归模型发现产业集聚水平对农民收入影响具有门槛效应；高维龙[11]利用中介效应模型验证了规模经济是产业集聚与粮食产业绿色全要素生产率之间“倒U型”曲线关系的中介渠道。空间计量经济学的发展使得有学者开始注意到农业产业集聚除对本区域产生影响外，还能产生空间溢出效应对周边区域产生影响[12-13]。

通过文献回顾发现：1）从研究对象来看，目前关于农业产业集聚及其优势的研究多集中于种植业，针对生猪养殖业的研究相对匮乏，或是仅关注集聚与产出量而非生产效率的关系[14]，或是忽视空间溢出这一维度[15]。2）从研究视角来看，大多数文献关注的是区域差异性，而忽视了产业规模异质性。3）从实证模型来看有两点值得推敲，第一是部分文献假定产业集聚与经济绩效仅为简单的线性关系；第二是大多数文献分析产业集聚空间溢出效应时，忽视了其空间非对称性。基于此，本文首先在理论层面从本地影响、空间溢出两个维度梳理产业集聚对不同规模生猪养殖业生产效率的可能路径并提出相应假说，然后基于DEA—Malmquist测算出我国15个生猪养殖主产省区不同规模全要素生产率，并利用核密度曲线观察其动态演进特征，最后通过固定效应估计、两阶段最小二乘回归（2SLS）和全面的可行广义最小二乘法（FGLS）检验产业集聚与不同规模全要素生产率之间的非线性关系，并通过空间杜宾模型和两区制空间杜宾模型检验产业集聚的空间溢出效应和其非对称性，以此为政策制定提供决策参考。

1 理论分析与研究假说

生猪养殖业集聚影响生产效率的机制主要表现为产业集聚——外部性（空间溢出效应）——生产效率。

1.1 外部性

产业集聚通过外部性对产业内厂商会产生两种方向相反的影响：一是长期平均成本下降和生产效率提高的聚集经济或外部规模经济，二是长期平均成本上升和生产效率降低的聚集不经济或外部规模不经济。生猪养殖业集聚就是众多生猪养殖场（户）在局部空间上的集中过程。因此，生猪养殖业集 聚也会通过外部性对生产效率产生两种方向相反的影响。

首先，生猪养殖业集聚通过正外部性即规模经济提高生产效率。第一，生猪养殖业集聚提高了生猪养殖业基础设施等固定投入的利用效率，从而获得了规模报酬递增带来的成本降低和生产效率提升；第二，生猪养殖业集聚实现了养殖场（户）间共享购销渠道，增强了市场支配能力、降低了交易成本，从而提高了生产效率；第三，生猪养殖业集聚易于技术外溢，促进了生猪养殖业的技术进步：产业集聚能够促进龙头企业采用新技术、新方法，促进技术应用；产业集聚也能够推动养殖场（户）之间的技术模仿或交流，促进技术传播与扩散，使得全行业的生产效率得以提高。

其次，生猪养殖业集聚通过负外部性即规模不经济抑制了生产效率提升。第一，生猪养殖业集聚到一定程度后，受生产技术水平、经营管理能力等限制导致养殖场（户）的资源配置效率下降，陷入规模报酬递减，抑制了生产效率的提升；第二，生猪养殖业集聚过度也容易造成生产技术指导和卫生防疫等公共服务的供给不足，从而抑制了生产效率的提升；第三，生猪养殖业集聚过度也会形成生产技术创新的“搭便车”现象，阻碍了技术进步及生产效率提高。

生猪养殖业集聚对生产效率的具体影响取决于集聚水平与正外部性或负外部性的具体关系状况，即生猪养殖业集聚存在着理论上的最优水平。据此，本文提出：

假说1：生猪养殖业集聚与生产效率呈“倒U型”曲线关系：产业集聚适度阶段，提高产业集聚水平能够促进生产效率提升；产业集聚过度阶段，提高产业集聚水平则抑制生产效率提升。

1.2 空间溢出效应

仅仅是单一省（区）生猪养殖业集聚水平的提高，并不能充分激发该区域技术革新和品牌化效应潜力。若能实现生猪养殖业聚集经济的空间扩散，进而形成生猪养殖业区域化、规模化，将极大推动整体区域生猪养殖效率水平的提升。实际上，在市场机制配置资源的过程中，完善的交通基础设施、信息壁垒的破除和政策导向均会进一步促进生产要素在区域间的流动，形成一个庞大且复杂的空间溢出网络。某一省（区）生猪养殖业集聚会通过模仿学习、同质化等方式形成扩散效应，影响周边省区生猪养殖业生产效率水平，形成空间溢出效应。据此，本文提出：

假说2：生猪养殖业集聚对不同规模生产效率均存在空间溢出效应，即能通过辐射作用影响周边区域生猪养殖业生产效率。

同时，处于空间溢出网络中的省区受生猪养殖业发展阶段不同、集聚水平差距不一等影响，其在空间溢出网络中吸纳或辐射的能力将有所差异，故有必要对生猪养殖业集聚的空间溢出效应进行非对称性检验。据此，本文提出：

假说3：生猪养殖业集聚的空间溢出效应具有非对称性，即不同省区生猪养殖业集聚水平的差异导致彼此间空间辐射与吸纳能力有所差异。

2 模型设定、变量说明与数据来源

2.1 产业集聚对生产效率的非线性影响

基于前文外部性分析，为检验假说1，通过加入产业集聚的平方项验证产业集聚对生产效率的非线性影响[14]。计量模型设定如下：

式中：下标i、t和l分别为省区、年份和不同规模生猪养殖业（小、中和大规模），Y是被解释变量生猪养殖业生产效率，M是核心解释变量生猪养殖业集聚水平，M2是其二次项，X是控制变量集合，下标k为控制变量个数，β0为常数项，β1、β2和θk分别表示产业集聚、产业集聚平方项及控制变量的回归系数，εit为随机误差项。

2.2 产业集聚对生产效率的空间溢出效应

基于前文产业集聚的空间溢出效应分析，为检验假说2，在式（1）的基础上纳入样本的空间相关性，构建同时包含空间误差和空间滞后影响的空间杜宾模型（Spatial Durbin Model，SDM）[13]。计量模型设定如下：

式中：下标i、j表示不同省区，ρ、λ1、λ2和ηk分别表示生产效率、产业集聚水平、产业集聚水平二次项和各控制变量的空间滞后回归系数，Wij为空间权重矩阵，μi和σt分别为空间、时间固定效应，εit为误差项。为保证空间溢出效应估计结果稳健可靠，本文采用三种不同的空间权重矩阵构建方式：

1）空间邻接权重矩阵W1。若两省区地理位置相邻，则Wij=1，（i≠j），否则Wij=0，（i=j）。

2）地理距离空间权重矩阵W2。权重设置采用基于经纬度计算的两省区省会城市地理距离平方的倒数，即Wij=1/d2，（i≠j），否则Wij=0，（i=j）。

3）生猪出栏量空间权重矩阵W3。权重设置采用两省区之间生猪出栏量之差绝对值的倒数，即Wij=1/|Qi-Qj|，（i≠j），否 则Wij=0，（i=j）[16]。其 中，Qi、Qj分别为i省和j省2006—2018年生猪出栏量年均值。

2.3 产业集聚空间溢出效应的非对称性

为了准确估计产业集聚对不同规模生猪养殖业全要素生产率空间溢出效应的非对称性，本文借鉴孙博文和孙久文[17]采用空间非对称的研究方法，构建两区制空间杜宾模型对假说3进行检验，具体如下：

式中：dit为0-1二值虚拟变量，是i省区对其他省区生 猪养殖业集聚水平的策略性反映[18]，当时，dit=1，否则dit=0，即当dit=1时，表示i省区生猪养殖业集聚水平高于其他省区集聚水平的加权平均值。ρ1和ρ2的正负和大小反映了不同省区生猪养殖业生产效率受其他省区集聚水平影响的敏感程度的差异。

2.4 变量说明

2.4.1 被解释变量 选取以全要素生产率为表征的生猪养殖业生产效率为被解释变量。考虑到生产效率的估算以养殖场（户）增收为宗旨，即在养殖规模相对稳定的情况下以最小化投入为目标，因此本文采用投入导向的DEA—Malmquist指数法[19]估算各省区不同规模生猪养殖业全要素生产率，模型构建如下：

式中：xt、yt分别为t期的投入向量和产出向量，xt+1、yt+1分别为t+1期的投入向量和产出向量，Dt0和分别为t期和t+1期的产出距离函数，M0为全要素生产率。投入指标包括物质与服务费用、人工成本两个方面，其中物质与服务费用包括仔猪进价、精饲料投入、水费及燃料动力费和医疗防疫费，人工成本以用工数量衡量；产出指标以实际产出量进行衡量，具体投入产出指标见表1[20-23]。同时，为剔除价格因素影响，对价值指标依照农业生产资料价格指数以2005年为基期进行平减。

表1 生猪养殖业全要素生产率投入产出指标Table 1 Input-output indicators of the total factor productivity in hog breeding industry

2.4.2 核心解释变量 核心解释变量为生猪养殖业集聚水平。目前区位熵指数被广泛运用于度量区域内产业集聚水平，但考虑到传统区位熵指数忽视了产业规模因素，因此本文借鉴Flegg和Webber[24]对传统区位熵进行改进的方法并以产值指标进行计算，公式如下：

式中：pit表示i省区第t年生猪养殖业产值，git表示i省区第t年地区生产总值，Pt表示全国第t年生猪养殖业产值，Gt表示第t年国内生产总值；δ为敏感度，参考钟搏和赵连阁[14]的研究，取中等敏感度，δ=0.3。

2.4.3 控制变量 参考已有文献研究[25-27]，并结合生猪养殖业现实状况，本文选取生猪销售价格、农村人力资本、财政支农、经济发展水平、工业化水平、饲料资源、机械化水平作为控制变量。被解释变量、核心解释变量及控制变量的测算方法和描述性统计见表2。

表2 变量定义及描述性统计Table 2 Variable definition and descriptive statistics

2.5 数据来源

根据《第一次全国污染源普查——畜禽养殖业源产排污系数手册》和《全国农产品成本收益资料汇编》对规模的定义，生猪年出栏量在1 000头以上的为大规模养殖场，100~1 000头的为中规模养殖场（户），30~100头的为小规模养殖场（户）。本文以《全国生猪优势区域布局规划（2008—2015年）》中的河北、辽宁、吉林、黑龙江、江苏、浙江、安徽、山东、河南、湖北、湖南、广东、广西、四川、云南等15个省区为研究区域。为保证数据连续性，本文选取2006—2018年为研究时段，同时剔除掉福建、江西、重庆和贵州四个主产省份。相关数据均来自《全国农产品成本收益资料汇编》、《中国农村统计年鉴》、《中国统计年鉴》和《中国畜牧兽医年鉴》。

3 结果与分析

3.1 不同规模生猪养殖业全要素生产率动态演进 特征

本文选择爆发高致病性蓝耳病的2006年、爆发猪O型口蹄疫情的2010年、生猪养殖行业进入环保严管期的2014年及爆发非洲猪瘟的2018年这4个代表年份作为考察期，采用核密度曲线观察国内15个主产省区不同规模生猪养殖业全要素生产率动态演进特征。

3.1.1 大规模生猪养殖业动态演进特征 由图1可知：第一，2006年的主峰效率值在1.01左右，表明大规模生猪养殖业在2006年高致病性蓝耳病的冲击下生产效率相对稳定；2010年相对于2006年核密度曲线向左移动，且主峰效率值在0.9左右，表明大规模生猪养殖业受2010年猪O型口蹄疫情等疫病的影响，生产效率较上年有所降低；2014年相对于2010年核密度曲线向右移动，且主峰效率值在1.05左右，表明在2014年出台环保政策影响产能的情况下，大规模生猪养殖业生产效率仍较上年有所提高；2018年相对于2014年核密度曲线无明显移动，且主峰效率值和侧峰效率值均大于1，这主要是由于2018年8月在中国发生的非洲猪瘟主要冲击的是2019年的生猪产能。核密度曲线位置的移动表明，此期间内大规模全要素生产率相对稳定。第二，2010年为单峰，即呈单极化现象，2006年、2014年和2018年为多峰，即呈多极化现象；所考察的4个年份均存在显著右拖尾现象且波峰宽度逐渐扩大、波峰由尖峰向宽峰转变。核密度曲线形状变化表明，各省区之间大规模全要素生产率差异逐渐扩大，即省区之间生产效率的不平衡性问题逐年加剧。

图1 大规模生猪养殖业全要素生产率动态演进Fig.1 Dynamic evolution of the total factor productivity in large-scale hog breeding industry

3.1.2 中规模生猪养殖业动态演进特征 由图2可知：第一，2006年的主峰效率值在0.98左右，表明中规模生猪养殖业受2006年高致病性蓝耳病的影响出现生产效率降低的状况；2010年相对于2006年核密度曲线向左移动，且主峰效率值在0.98左右，表明中规模生猪养殖业受2010年猪O型口蹄疫情等疫病的影响，生产效率较上年有所降低；核密度曲线2014年相对于2010年、2018年相对于2014年均向右移动，且这两年的主峰效率值均大于1。核密度曲线位置的移动表明，此期间内中规模全要素生产率呈提升趋势。第二，2010年为单峰，即呈单极化现象，2006年、2014年和2018年为多峰，即呈多极化现象；2010年和2014年呈现出尖而窄的形状，2006年和2018年呈现出扁而宽的形状。核密度曲线的形状变化表明，此期间内中规模全要素生产率的空间非均衡性问题逐渐弱化，但在2018年受非洲猪瘟的影响又陡然加剧。

图2 中规模生猪养殖业全要素生产率动态演进Fig.2 Dynamic evolution of the total factor productivity in medium-scale hog breeding industry

3.1.3 小规模生猪养殖业动态演进特征 由图3可知：第一，2006年的主峰效率值在1.01左右，表明小规模生猪养殖业未受到2006年高致病性蓝耳病的影响而出现大量省区生产效率降低的状况；2010年相对于2006年核密度曲线向左移动，且主峰效率值小于1，表明小规模生猪养殖业受2010年猪O型口蹄疫情等疫病的影响，生产效率较上年有所降低；2014年相对于2010年核密度曲线向右移动，2018年相对于2014年核密度曲线向右移动，且两年的主峰效率值均大于1。核密度曲线位置的移动表明，此期间内小规模全要素生产率呈提升趋势。第二，2006年和2014年为多峰，即呈多极化现象，2010年和2018年为单峰，即呈单极化现象；2006年、2014年和2018年存在显著右拖尾现象；所考察的4个年份核密度曲线波峰值先上升再降低，且波峰宽度的变化幅度相对稳定。核密度曲线的形状变化表明，此期间内小规模全要素生产率的空间绝对差异相对较稳定，即使是在发生重大疫病的2006年、2010年和2018年。

图3 小规模生猪养殖业全要素生产率动态演进Fig.3 Dynamic evolution of the total factor productivity in small-scale hog breeding industry

3.2 产业集聚与全要素生产率“倒U型”曲线关系的检验

3.2.1 基准回归结果分析 利用普通面板数据计量模型（1）对产业集聚与不同规模全要素生产率之间的关系进行验证，经Hausman检验后选用固定效应模型进行参数估计。

由表3固定效应估计结果可知：第一，大、小规模生猪养殖业集聚的一次项回归系数显著为正、二次项回归系数显著为负。这表明在其他因素不变的情况下，提高生猪养殖业集聚水平对全要素生产率具有先促进、后抑制的作用，即生猪养殖业集聚与全要素生产率呈显著的“倒U型”曲线关系。第二，中规模生猪养殖业集聚一次项、二次项的回归系数分别为正和负，但并不显著。这表明生猪养殖业集聚与全要素生产率存在不显著的“倒U型”曲线关系。第三，大、中、小规模生猪养殖“倒U型”曲线的拐点分别为1.115、1.057和1.085。上述结果验证了假说1，即生猪养殖业在一定集聚水平内对不同规模生产效率有显著提升作用，在达到拐点后出现聚集不经济对生产效率产生抑制作用。利用公式（5）计算出2018年河北、辽宁、吉林、黑龙江、江苏、浙江、安徽、山东、河南、湖北、湖南、广东、广西、四川、云南的生猪养殖业集聚水平分别为0.697、0.367、0.626、0.948、0.152、0.082、0.652、0.615、0.745、0.794、1.160、0.225、0.903、0.961、1.158，可以看出在2018年除湖南和云南以外的13个生猪养殖主产省区的大、中、小规模生猪养殖业集聚水平均低于其拐点，这表明这13个省区生猪养殖业集聚还未达到最优水平，产业集聚过程中规模经济带来的生产效率提升空间有待挖掘。

从不同规模来看，在“倒U型”曲线拐点前的产业集聚对全要素生产率提升中，对小规模作用最大，其次是大规模，再次是中规模。在控制变量方面，生猪销售价格对全要素生产率呈显著的负相关影响，农村人力资本、财政支农、经济发展水平对全要素生产率呈显著的正相关影响，工业化水平、饲料资源和机械化水平对全要素生产率无显著影响。3.2.2 内生性问题的讨论 为缓解产业集聚与生猪养殖业全要素生产率互为因果而产生的内生性问题，本文选择滞后一期产业集聚水平为工具变量进行两阶段最小二乘回归。由表3两阶段最小二乘回归估计结果可知：2SLS中第一阶段的F统计量表明不存在弱工具变量问题，且大、小规模2SLS的回归系数均低于固定效应估计的回归系数，即互为因果可能产生的内生性问题造成了估计系数向上偏差。同时，不同规模生猪养殖业集聚的一次项和二次项回归系数的显著性、符号和大小比较与固定效应估计结果一致，说明在缓解一定内生性问题后，生猪养殖业集聚与不同规模全要素生产率之间“倒U型”曲线关系仍存在。

表3 产业集聚与全要素生产率关系估计Table 3 Estimation of the relationship between industrial agglomeration and the total factor productivity

3.2.3 稳健性检验 为保证估计结果稳健可靠，本文采用变量替换法（将核心解释变量产业集聚水平的度量替换为猪肉产量和肉类总产量进行计算）和变更估计方法（将OLS估计变更为全面的FGLS估计）两种方式进行稳健性检验，结果见表4。估计结果表明：在变量替换法下，小规模生猪养殖业集聚与全要素生产率之间存在显著的“倒U型”曲线关系，大、中规模生猪养殖业集聚与全要素生产率之间存在不显著的“倒U型”曲线关系；在全面的FGLS估计下，大、小规模生猪养殖业集聚与全要素生产率之间存在显著的“倒U型”曲线关系，中规模生猪养殖业集聚与全要素生产率之间存在不显著的“倒U型”曲线关系。无论采取何种方式进行稳健性检验，在“倒U型”曲线拐点前的产业集聚对全要素生产率提升中，均表现为小规模最大，其次是大规模，再次是中规模。以上结论与基准回归结论基本一致，进一步佐证了模型结果的稳健性。

表4 稳健性检验回归结果Table 4 Regression results of the robust test

3.3 产业集聚对全要素生产率空间溢出效应的检验

对不同规模生猪养殖业全要素生产率及集聚水平进行Moran指数检验，发现均存在显著的空间相关性，证实了空间计量模型选用合理。因此，选择空间杜宾模型（2）对产业集聚的空间溢出效应进行检验，并基于偏微分法将产业集聚对全要素生产率的总效应分为直接效应和间接效应。直接效应的实现路径有两条：一是本省（区）产业集聚对本省（区）全要素生产率的直接影响，二是本省（区）产业集聚对邻近省（区）全要素生产率产生影响后再反馈给本省（区）。间接效应的实现路径就是邻近省（区）产业集聚对本省（区）全要素生产率的影响[28]。

由表5空间杜宾模型估计结果可知：在三种空间权重矩阵设定下，大、中、小规模全要素生产率的空间自回归系数均显著为正表明，各省区不同规模全要素生产率空间溢出均显著为正，即生猪养殖生产效率高的省区之间相互邻近，生猪养殖生产效率低的省区之间相互邻近。

表5 产业集聚对全要素生产率空间溢出效应估计Table 5 Estimation of the spatial spillover e§ects of industrial agglomeration on the total factor productivity

第一，就大规模生猪养殖业而言，在邻接权重矩阵、地理距离权重矩阵设定下，直接效应和间接效应均呈显著“倒U型”曲线表明：某省（区）产业集聚对本省（区）大规模全要素生产率存在显著的、直接的、非线性促进作用，并对邻接、地理位置邻近的省（区）产生影响后再反馈给本省(区)；邻接、地理位置邻近的省（区）产业集聚对本省（区）大规模全要素生产率也存在显著、间接、非线性促进作用。

第二，就中规模生猪养殖业而言，在三种空间权重矩阵设定下，直接效应不显著、间接效应呈显著“倒U型”曲线表明：邻接、地理位置邻近和年出栏量水平相近的省（区）产业集聚对本省（区）全要素生产率存在着显著的、间接的、非线性促进作用。

第三，就小规模生猪养殖业而言，在三种空间权重矩阵设定下，直接效应呈显著“倒U型”曲线表明：某省（区）产业集聚对本省（区）小规模全要素生产率存在显著的、直接的、非线性促进作用，并对邻接、地理位置邻近、年出栏量水平相近的省（区）产生影响后再反馈给本省（区）；在地理距离和生猪出栏量权重矩阵下，间接效应呈显著“倒U型”曲线表明，地理位置邻近、年出栏量水平相近的省（区）产业集聚对本省（区）小规模全要素生产率存在显著的、间接的、非线性促进作用。

从总效应估计结果可知，三种空间权重矩阵设定下的不同规模产业集聚回归系数均高于不考虑空间溢出效应的情形，这表明生猪养殖业集聚的空间溢出效应有助于提高大、中、小规模的全要素生产率。上述结果验证了假说2，即产业集聚除对本区域生猪养殖业生产效率有影响外，还能产生空间溢出效应对周边区域产生影响。

3.4 产业集聚空间溢出效应的非对称性检验

选择空间邻接权重矩阵估计两区制空间杜宾模型（3），对产业集聚空间溢出效应的非对称性进行检验。由表6估计结果可知，两区制空间杜宾模型中ρ1和ρ2均在1%的显著性水平上为正，且ρ1＞ρ2，该结果一方面说明了不论各省区生猪养殖业集聚水平高低程度如何，均存在空间交互行为，进一步验证了假说2；另一方面说明了生猪养殖业集聚水平高的省区空间溢出效应更强，即产业集聚水平较高的省区更容易产生“扩散效应”，带动周边省区生猪养殖业全要素生产率的提升，该结果验证了假说3。

表6 产业集聚空间溢出效应的非对称性估计结果Table 6 Asymmetry estimation results of the spatial spillover e§ects of industrial agglomeration

4 结论与政策启示

4.1 结论

基于DEA—Malmquist指数法估算出国内15个生猪养殖主产省区不同规模生猪养殖业全要素生产率，采用核密度曲线观察其动态演进特征，运用普通计量模型和空间计量模型测度生猪养殖业集聚对不同规模全要素生产率的影响，主要结论如下：

第一，大规模全要素生产率相对稳定的同时各省区之间差异逐渐扩大；中规模全要素生产率呈上升趋势的同时各省区之间差异先缩小再扩大；小规模全要素生产率呈上升趋势的同时各省区之间差异相对稳定。

第二，生猪养殖业集聚对不同规模全要素生产率的影响均呈“倒U型”曲线特征表明：产业集聚水平较低时，提高产业集聚水平能显著地提升全要素生产率；产业集聚水平超过“倒U型”曲线拐点后，聚集不经济抑制了全要素生产率的提升。

第三，生猪养殖业集聚对全要素生产率的提升作用存在明显的规模差异性：在“倒U型”曲线拐点前，提升集聚水平对小规模全要素生产率促进最大，其次是大规模，再次是中规模。

第四，生猪养殖业集聚对不同规模全要素生产率存在显著的空间溢出效应，空间溢出效应有助于提高产业集聚对全要素生产率的促进作用。

第五，生猪养殖业集聚对全要素生产率的空间溢出效应存在显著非对称性：产业集聚水平较高的省区对其他省区的溢出效应更大，更易通过“扩散效应”带动周边省区生猪养殖业全要素生产率的 提升。

4.2 政策启示

第一，对于达到“倒U型”曲线拐点的湖南省和云南省，其生猪养殖业发展已经处于外部规模不经济阶段，应通过其他途径提高生产效率。例如延长产业链，从下游产业开辟路径，推动生猪养殖业集聚到生猪养殖业集群的转变。

第二，除湖南省和云南省以外的13个生猪养殖主产省区应推进产业整体规模扩张，发挥产业集聚外部规模经济的效果。具体而言，首先是增加生猪养殖技术的研究开发、推广等方面的资本投入；其次是加强生猪交易市场体系、现代物流体系等基础设施建设，促进产业集聚进程。

第三，在生猪养殖业规模扩张过程中，既要积极支持家庭养殖，更要引导家庭养殖获得规模经济效应，实现农业多业态发展中的范围经济，形成以小规模为主体的生猪养殖业市场结构体系，而非持续地扩大中规模、大规模生猪养殖场的规模和数量。

第四，加强各省区之间生猪养殖技术交流与合作，促进各省区之间生猪养殖要素流动，其中的湖南省和云南省更要发挥其带动周边省区提升生猪养殖业全要素生产率的辐射作用。