生猪产销市场整合、决定因素与地理距离，本文主要内容关键词为：生猪论文,产销论文,地理论文,因素论文,距离论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中国自1985年开始实施生猪市场化改革，随着生猪价格管制的逐步放开，生猪价格进入了周期性波动的怪圈。生猪价格过度下跌会降低生猪养殖户的收入，影响生猪产业的健康和可持续发展；生猪价格大幅上涨易引发通货膨胀，扰乱宏观经济秩序，降低居民生活质量。因此，为了稳定生猪价格，中央政府一直致力于完善生猪价格调控体系。生猪产业正处于价格周期性波动剧烈和区域布局调整的关键期，生猪本地生产流通逐渐为异地生产、跨地区流通所取代。在这个背景下，如何在更大地域范围内实现生猪价格稳定？如何提升生猪价格调控政策的效果？对这些问题的解答直接关系到政府稳定生猪价格、保障猪肉供应以及增加养殖户收入等政策目标的实现，而生猪市场整合研究可以为回答上述问题提供认识基础、理论依据、方法支撑和方案借鉴。 市场整合可以理解为商品跨区域流通及相应价格跨区域传导的情况。市场整合可以改善资源配置效率，降低社会成本，最大化社会福利，而市场分割会影响市场健康发展，同时给社会带来无谓损失，降低经济运行效率。因此，市场整合是反映市场化水平、衡量市场效率的重要指标。市场整合也是实现跨区域价格稳定的必要条件。在一个高度整合的市场，地区间价格的差异会刺激套利者将生猪从产量充足地区转移到匮乏地区，使得两地市场价格趋同。因此，市场整合水平越高，市场机制就越能充分发挥调节供需和稳定市场的作用(喻闻、黄季焜，1998)。市场整合还可以降低政策实施成本，提高调控政策的针对性和有效性。市场整合水平越高，价格跨区域传导就越完全，速度也越快，那么，针对某些中心市场①的政策就会迅速传导到其他地区。这意味着，调控政策可以重点针对中心市场来制定，从而降低不同地区重复进行政策操作的成本。正因如此，市场整合下所需要的猪肉储备规模也远远低于市场分割下所需要的规模(朱晶、钟甫宁，2004)。 鉴于上述生猪市场整合的重要性，本文拟首先基于省级数据，应用JJ协整检验方法测度生猪产销市场整合水平②，并探寻生猪中心市场，借以揭示生猪产销市场的运行效率和政策实施的重点区域；然后以省际地理距离作为门槛变量，应用面板门槛模型分析生猪产销市场整合的决定因素；进而提出推进生猪产销市场整合和提升生猪市场调控政策有效性的相关建议。 本文结构安排如下：第一部分是引言；第二部分为文献回顾；第三部分为计量模型和数据说明；第四部分为实证分析结果及解释；第五部分为主要结论与政策启示。 二、文献回顾 依据研究内容，本文将从生猪产销市场整合测度和决定因素两个方面对国内外研究文献进行系统且全面的回顾。鉴于有关生猪产销市场整合的研究文献较少，因此，本文将充分借鉴关于其他农产品市场尤其是粮食市场整合的研究成果。 (一)市场整合测度研究 市场整合测度研究的关键是找到一种较为科学且合理的测度方法。测度市场整合水平通常有4种方法：生产法、贸易法、价格法和经济周期法。其中，价格法由于具有较为坚实的理论基础而得到了广泛应用(洪勇、许统生，2016)。价格法的提出是基于“一价定律”理论，即通常情况下，在有贸易发生或贸易可以自由发生的情形下，如果某种商品在不同市场上减去交易成本后以同一货币表示的价格相等，就可以认为市场是完全整合的，即实现了“一价定律”预期(韩胜飞，2007)。 早期的价格法主要是通过考察两个市场价格序列的相关性来判断市场整合水平，例如相关系数法(参见Lele，1967)、Ravallion模型法(参见Ravallion，1986)、市场联系指数分析法(参见Oladapo and Momoh，2008)等。这些方法由于忽视了农产品价格序列的非平稳性特征而受到学者的广泛质疑(例如Barrett and Li，2002；Zant，2013)。协整技术的出现为非平稳时间序列建模提供了有效的方法，常用的协整技术主要有E-G协整检验方法和JJ协整检验方法。这些方法由于充分考虑到农产品价格序列的非平稳性特征，因此在农产品市场整合尤其是粮食市场整合的研究中得到了广泛应用(例如武拉平，1999；王宁等，2008；赵伟洪，2015)。 目前，关于中国生猪产销市场整合的研究文献并不多见，具有代表性的研究大多采用JJ协整检验方法，且研究结论也比较一致，均认为中国生猪产销市场整合已经达到较高水平。但是，这些研究在样本选取上缺乏一定的客观性和科学性。例如，武拉平(1999)依据数据的可获得性选择了16个生猪生产省份；田晓超、聂凤英(2010)和孙赫、任金政(2014)均依据经济发达程度选择了生猪主销区，前者选取北京、上海和广州作为主销区，后者选取北京、上海和天津作为主销区。上述研究中样本选择的主观性在很大程度上会影响研究结论的稳健性。因此，依据客观且科学的方法选取生猪主产区和主销区，进而全面分析生猪产销市场整合情况，就显得尤为重要。 (二)市场整合决定因素研究 相对于市场整合测度的研究，国内外学者对市场整合决定因素的研究文献较为少见，而且研究对象大多是粮食市场，关于生猪市场整合决定因素的经验研究文献笔者还没有发现。Varela et al.(2013)列表总结了1986-2007年之间各国学者对农产品市场整合研究的14篇代表性文献，发现只有4篇文章(Goodwin and Schroeder，1991；Goletti et al.，1995；Ismet et al.，1998；Badiane and Shively，1998)探讨了影响市场整合的因素。其中，第一篇文献研究了肉牛市场，其余文献均研究了粮食市场。Ifejirika et al.(2013)也以粮食市场为研究对象，分析了影响尼日利亚城乡大米市场整合的因素。相比之下，Varela et al.(2013)所涉及的农产品种类较多，包括粮食、食用油和糖。 总结上述研究成果可以发现，虽然研究对象不同，但是，大多数学者均认为，地理距离、运输条件、人均产量和人均收入是市场整合的决定因素。其研究方法主要为两步法，即：第一步，测度市场整合水平；第二步，将市场整合水平作为被解释变量，决定因素作为解释变量建立线性回归模型，通过回归系数的估计值及解释变量的显著性水平来判断市场整合的决定因素及其影响关系。 中国学者对生猪、粮食等农产品市场整合决定因素的研究大多停留在理论分析层面，缺乏相应的实证检验。在理论上，中国学者除了提出地理距离、运输条件等影响市场整合的因素外，还针对生猪市场的特点提出了一些特有因素，例如生产因素，包括生产分散、生产标准化和规模化程度低(孙赫、任金政，2014)；价格因素，包括价格弹性高以及价格变动规律性差(武拉平，1999)；还有动物疫病因素(田晓超、聂凤英，2010)，市场垄断因素(郭利京等，2011)等。然而，在对理论判断进行实证检验方面，仅黄新飞等(2013)定量估计了地理距离对粮食市场整合水平的影响，发现距离相近的省份之间市场整合水平更高。该研究虽然所分析的因素过于单一，没有全面考察市场整合的影响因素，却为本文中门槛变量(省际地理距离)的确定提供了重要的理论和经验依据。 (三)国内外研究文献评价 通过文献回顾可以看出，国内外学者在市场整合领域积累了丰富的研究成果，但这些研究也存在着不足。首先，从研究对象来看，国内外学者重点关注的是粮食市场，针对生猪市场整合的研究文献较少。其次，从研究内容来看，注重对市场整合测度的研究，忽视了对市场整合决定因素的分析；再次，在生猪产销市场的样本选择上，缺乏一定的客观性和科学性；最后，在研究方法上，关于市场整合决定因素的研究主要是采用线性回归模型，忽略了省际地理距离可能导致的门槛效应。 鉴于此，本文以生猪产销市场整合作为研究对象，全面分析中国生猪产销市场整合水平及其决定因素。在样本选择上，依据各省(区、市)人均猪肉消费量和人均猪肉产量之差选取生猪主产区和主销区；在研究方法上，以省际地理距离作为门槛变量，应用面板门槛模型分析生猪产销市场整合的决定因素及其门槛效应。 三、计量模型和数据说明 (一)计量模型 1.JJ协整检验方法。经济理论表明，如果某些经济变量之间存在长期均衡关系，那么，经济系统就不存在破坏均衡关系的内在机制；如果变量在某时期受到外界干扰后偏离其长期均衡点，则均衡机制将会在下一期进行调整以使其重新回到均衡状态。假设A地区和B地区的生猪产销市场是整合的，那么，A和B两地的生猪价格序列
之间就应该存在这种稳定的长期均衡关系，即：
(1)式中，
为回归系数，
为随机干扰项。为了检验这种均衡关系是否成立，Johansen and Juselius(1990)构建了特征根迹统计量(简称“迹统计量”)，具体形式如下：
(2)式中，
是迹统计量，r为协整向量的个数，k为特征根个数，
是按大小排列的第i个特征值，n是样本容量。该统计量服从Johansen分布，当迹统计量高于临界值时，则认为A和B两地的价格序列之间具有共同的长期趋势，迹统计量越高，价格序列之间的协整关系就越显著，即A和B两地的市场整合水平越高。因此，本文应用迹统计量作为生猪产销市场整合水平的测度值。 2.面板门槛模型。本文依据Ifejirika et al.(2013)和Varela et al.(2013)的研究成果，结合中国生猪市场的特点，构建用于分析生猪产销市场整合决定因素的面板数据线性回归模型：
(3)式中，i是个体变量(i=1，…，N，共N对生猪产销市场)，t是时间变量(t=1，…，T，共T个时间段)。被解释变量
为生猪产销市场整合水平。解释变量如下：
为人均猪肉产量变量，代表生猪供给能力或者生猪市场发育程度；
为人均收入水平变量，代表经济发展状况；
为生猪规模化养殖程度变量，代表市场势力；
为公路密度变量，代表基础设施水平；
为生猪产销市场之间的地理距离，简称“省际地理距离”。
为回归系数，代表各决定因素对生猪市场整合的影响程度；
为随机干扰项，且服从
分布。 由于在不同的地理距离上，各个解释变量对生猪产销市场整合水平的影响程度可能存在差异，因此，本文采用Hansen(1999)所提出的面板门槛模型，并根据数据本身的特点来内生地划分不同的地理距离，进而准确分析各个解释变量与生猪产销市场整合水平之间的非线性关系。此处，假设x是pro、inc、scal和road中任意一个解释变量，z是其他剩余的解释变量，称为控制变量，则单一门槛模型形式设定如下：
(4)式中，I(·)为指示函数，当括号内的条件满足时，I(·)=1，否则，I(·)=0。省际地理距离变量dis为门槛变量，θ为特定的门槛值。当假定x为pro时，上述单一门槛模型形式为：
对于面板门槛模型来说，有两个问题是需要解决的。首先是模型的估计。为了得到参数的估计量，需要先从每个观察值中减去其组内平均值以消除个体效应，然后对所有观察值进行类叠，最后采用矩阵形式将(5)式表示为：
(二)数据说明 本文选取的样本区间为2004-2013年，对样本数据处理的说明如下： 1.生猪主产区与主销区的确定。本文依据2013年各省(区、市)人均猪肉消费量和人均猪肉产量数据③之间的关系来确定生猪主产区和主销区④。具体而言，如果某省(区、市)人均猪肉消费量高于人均猪肉产量，该地区需要从其他地区调入生猪，以满足本地消费需求，因而可以看作生猪主销区。相反，如果某省(区、市)人均猪肉消费量低于人均猪肉产量，则该地区为生猪主产区。 按照上述方法，本文选取了7个生猪主销区(北京、天津、上海、江苏、浙江、福建和广东)和13个生猪主产区(黑龙江、吉林、辽宁、安徽、山东、河北、河南、四川、江西、湖北、湖南、广西和海南)。其中，生猪主销区主要集中于华北、华东和华南地区，这些地区人口密度大，经济较为发达，人均收入水平较高，是猪肉的主要消费地区；生猪主产区主要集中在东北、华东、华中和华南地区，这些地区是生猪的优势产区，13个主产区生猪出栏量占到全国生猪出栏总量的68%⑤，是猪肉的主要供给地区。由此可见，本文对生猪产销区的选取是客观、全面且符合实际的。 2.被解释变量。为了构建生猪产销市场整合水平变量的面板数据，本文首先将样本划分为5个子样本区间，分别为2004-2005年、2006-2007年、2008-2009年、2010-2011年和2012-2013年，然后基于每个子样本区间，对13个生猪主产区与7个生猪主销区的生猪价格月度数据⑥(共计24个月⑦)依次配对进行协整检验，共得到91个迹统计量，进而构造一个长达5期、每期91个⑧样本值的面板数据，共计455个样本。 在数据处理上，为了保证生猪价格序列的可比性，本文使用各省(区、市)的月度居民消费价格指数⑨(以2004年1月为基期)剔除生猪价格序列中的通胀因素，得到实际生猪价格序列。同时，为了降低异方差性，本文对各省(区、市)的实际生猪价格进行取对数处理。 3.解释变量。首先，计算得到所选20个省(区、市)的人均猪肉产量、实际人均收入、公路密度和生猪规模化养殖程度数据。具体方法如下：①人均猪肉产量=猪肉产量/总人口数；②实际人均收入=名义人均收入/居民消费价格指数(以2004年为基期)；③公路密度=公路总里程数量/总面积；④生猪规模化养殖程度=50头以上的养殖户数量/养殖户总数量。 上述所有样本数据均为年度数据，分别来自于wind数据库和《中国畜牧业年鉴》(2005-2013年，历年)⑩以及《中国畜牧兽医年鉴》(2014年)(11)。 其次，为了保证解释变量和被解释变量在时间上的一致性，基于上述5个子样本区间计算出20个省(区、市)人均猪肉产量、实际人均收入、公路密度和饲养规模化程度变量在各个时间段上的平均值，作为各期(t=1，…，5)的样本数据。 最后，将13个生猪主产区和7个生猪主销区依次配对，计算出各个变量在每对生猪主产区和主销区上的样本数据之和，从而得到包含5期、每期91个个体的生猪产销市场整体发展状况指标，包括：代表生猪供给能力的人均猪肉产量变量
(单位：公斤)，代表经济发展状况的人均收入水平变量
(单位：元)，代表市场势力强度的生猪规模化养殖程度变量
(单位：%)，代表基础设施水平的公路密度变量
(单位：公里/万平方公里)。 4.门槛变量。门槛变量
是根据经纬度计算出来的生猪主产区与主销区省会城市之间的直线距离(单位：公里)。 最后，为了降低异方差性，本文对被解释变量、解释变量和门槛变量数据均进行了取对数处理。 四、实证结果分析 (一)生猪产销市场整合水平测度 本文应用JJ协整检验方法对2004-2013年中国生猪产销市场整合水平进行了测度，本文的检验结果均是使用Stata11计量分析软件计算得出的(12)。为了清楚地分析各个阶段生猪产销市场整合水平的情况，表1给出了各阶段生猪产销市场分割、适度整合和高度整合的数量及其比重。
从表1可以看出，随着阶段推移，91对生猪产销市场中分割的数量在逐步下降，而适度整合和高度整合的数量都呈现出上升趋势，说明中国生猪产销市场整合水平在不断提高。尤其是2012-2013年，91对生猪产销市场中整合的数量已达到87对，占比高达95.6%。另外，基于总样本的协整检验结果表明，仅有3对生猪产销市场(山东省和广东省、山东省和福建省以及吉林省和北京市)是分割的。由此可见，无论是分阶段还是从全样本期来看，中国生猪市场化改革的效果都是十分显著的，生猪产销市场整合已经达到较高的水平。 根据前面的分析，高度整合的市场有助于降低政策实施成本，而实现这一目标的关键是找到一个中心市场。下面，本文将试图找出与其他地区生猪市场整合水平最高的中心市场。 表2给出了与各省(区、市)生猪市场整合水平最高的地区及其所属区域。从区域整合程度来看，东北区与华北区、华东区与华中区之间生猪产销市场整合水平较高，说明这些区域的生猪价格变动会在时间和幅度上表现出更强的同步性和一致性，而华南区和西南区的生猪价格变动则更倾向于依赖上述区域的生猪价格变动情况。因此，中心市场应该在东北、华北、华东和华中区域中选择，具体分析如下： 在生猪主销区中，天津市和北京市分别与辽宁省和黑龙江省的生猪市场整合水平最高，其余5省(市)均与河南省的生猪市场整合水平最高。由此可见，相对于其他生猪主产区，河南省和东北地区(辽宁省、黑龙江省)的生猪价格变动对生猪主销区的生猪价格影响会更大。在生猪主产区中，与天津市生猪市场整合程度最高的有5省(东北三省、湖北省和四川省)，与江苏省生猪市场整合程度最高的有3省(河北省、安徽省和山东省)，与福建省生猪市场整合程度最高的也有3省(区)(河南省、海南省和广西壮族自治区)，江西和湖南两省都与浙江省的生猪市场整合水平最高。因此，相对于其他生猪主销区，天津市和东部沿海地带(江苏省、福建省、浙江省)的生猪价格变动对生猪主产区的生猪价格影响会更为显著。
另外，辽宁省和天津市、河南省和福建省均是与对方生猪市场整合程度最大的地区。基于上述分析，本文认为，中心市场既可以选择生猪主产区中的河南省和辽宁省，也可以选择生猪主销区中的天津市和福建省。这是因为：辽宁省和河南省生猪价格的变动会引导各生猪主销区的价格变动，其中对天津市和福建省的生猪价格影响最大；而天津市和福建省生猪价格的变动又会最大限度地影响各生猪主销区的价格变动。与此类似，天津市和福建省生猪价格的变动会引导各生猪主产区的价格变动，其中对辽宁省和河南省的生猪价格影响最大；而辽宁省和河南省生猪价格的变动又会最大限度地影响各生猪主产区的价格变动。 基于上述分析，本文认为，政府在实施猪肉收储等调控政策时，可以首选主产区中的辽宁省和河南省，或主销区中的天津市和福建省作为重点实施区域，也可以将实施区域进一步扩大到东北地区或东部沿海地带；同时，猪肉收储企业和中央收储肉冷库的设立地点也可以首选中心市场，这样可以避免在不同省(区、市)重复执行猪肉收储政策，从而降低政策操作成本，提升政策实施效果。 (二)生猪产销市场整合的决定因素分析 本文以省际地理距离dis作为门槛变量，依次构建人均猪肉产量pro、人均收入水平inc、生猪规模化养殖程度scal以及公路密度road基于dis的4个门槛模型，门槛模型的具体检验和估计过程如下： 1.门槛效应检验。根据前文给出的计量模型和检验方法，首先进行门槛效应检验，具体检验结果见表3。从表3可以看出，以省际地理距离作为门槛变量时，解释变量pro、inc和road的单门槛效应通过了显著性检验，而双门槛效应和三门槛效应均没有通过显著性检验；决定变量scal的双门槛效应通过了显著性检验，而三门槛效应没有通过显著性检验。这充分说明，各个解释变量对生猪产销市场整合的影响确实存在着基于省际地理距离的门槛效应，其中，解释变量pro、inc和road对生猪产销市场整合水平存在着单门槛效应，scal则存在着双门槛效应。
2.门槛值估计与检验。门槛效应检验之后，需要对门槛值进行估计和检验，表4列出了4个门槛模型中的门槛估计值、其95%置信区间以及反对数值(13)。由表4中的结果可知，解释变量pro所对应的门槛变量估计值为6.461，处于原假设接受域内，表明在解释变量pro的面板门槛模型中，门槛值与实际估计值相等。同理可以得出在解释变量inc、scal和road的门槛模型中门槛值与实际估计值相等的结论。
3.面板门槛模型估计结果与分析。本文以省际地理距离dis作为门槛变量，依次对各个解释变量的面板门槛模型进行估计，具体估计结果见表5～表8。 从表5可以看出，当省际地理距离低于门槛值(6.461)时，人均猪肉产量pro对生猪产销市场整合水平MI的影响系数为2.044，且该变量在1%的水平上显著，说明pro对MI具有显著的正向影响，人均猪肉产量每提升1%，生猪产销市场整合水平会提升2%；当省际地理距离高于门槛值时，pro的回归系数为0.102，且该变量不显著。因此，人均猪肉产量对生猪产销市场整合水平的影响系数依赖于省际地理距离，仅当生猪主产区与主销区之间的地理距离小于门槛值时，人均猪肉产量才会对生猪产销市场整合起到促进作用。这种正向作用产生的原因可能是，生猪产销区的人均猪肉产量越高，表明该生猪供给能力越强，生猪市场发育程度越高，因而生猪饲养者在价格信息收集和成本控制等方面具有更多的经验和优势，使得生猪产销市场之间的价格信息和生猪流通更为顺畅，从而促进了市场整合水平的提升。
从表6可以看出，当省际地理距离低于门槛值(7.065)时，人均收入水平inc对生猪产销市场整合水平MI具有显著的正向影响，影响系数为0.928；当省际地理距离高于门槛值时，inc的回归系数为1.304，且该变量在1%的水平上显著，说明inc对MI的正向影响在跨越了门槛值后变得更强。因此，人均收入水平对生猪产销市场整合的影响力可以突破省际地理距离的限制，其原因在于，人均收入水平高的生猪产销区往往经济较为发达，基础设施更为完善，交通更为便利，信息传播途径更多且速度更快，因此，交易成本会倾向于降低，有利于市场整合(Varela et al.，2013)。另一方面，尽管随着生猪产销区之间地理距离的加大，交易成本会不断提升，但是，只要收入水平足够高，可以完全覆盖交易成本，那么，交易依然会发生，价格信号依然会传导，从而打破地理距离的限制。
从表7可以看出，当省际地理距离低于第一个门槛值(7.233)时，生猪规模化养殖程度scal对生猪产销市场整合水平MI的影响系数为-0.284，且该变量在1%的水平上显著；当省际地理距离介于第一个门槛值与第二个门槛值之间时，scal的回归系数为0.222，且该变量在10%的水平上显著；当省际地理距离高于第二个门槛值(7.341)时，scal对MI的影响变得不显著，说明scal对MI的影响力受制于省际地理距离，只有当生猪产销地区之间的省际地理距离小于第二个门槛值时，scal才会对MI有显著的影响，但是，其影响程度和作用方向会依据省际地理距离而发生转变。这是因为规模化养殖对生猪产销市场整合具有双重效应：一方面，规模化养殖程度高，不同市场之间的交易成本会倾向于降低，从而有利于市场整合(Goodwin and Schroeder，1991)，这是“正面效应”；另一方面，规模化养殖程度越高，市场参与者的市场势力会越强，因而对价格的干预能力和对市场的占有能力就会越大，从而阻碍市场整合(Ward，1988)，这是“负面效应”。当dis≤7.233时，可能“负面效应”更大，因此，scal对MI有负向影响；当7.233＜dis≤7.341时，“正面效应”变得更为显著，因此，scal对MI又产生了正向影响。
从表8可以看出，当省际地理距离低于门槛值(7.182)时，公路密度road对生猪产销市场整合水平MI的影响系数为-0.239，且该变量在10%的水平上显著；当省际地理距离高于门槛值时，road的回归系数变为0.389，且该变量在1%的水平上显著。这说明，road对MI的影响在跨越了门槛值之后，其显著性水平和作用方向均发生了明显变化。首先，road对MI影响的显著性水平有所提升，说明公路基础设施的改善对于促进省际地理距离较远的生猪产销市场整合作用明显。其次，road对MI的影响关系由负向作用变为正向作用，说明在考虑了省际地理距离的作用后，本研究结论并不完全支持以往研究(例如Varela et al.，2013)所得到的结论，即公路等基础设施的完善对市场整合存在着正向作用。其原因可能是，当省际地理距离较近时，公路基础设施改善所带来的成本(例如过路费)可能会超过运输便利所带来的收益，因此，公路基础设施的完善仅会促进省际地理距离大于门槛值的生猪产销市场整合。这就意味着可以通过加大公路基础设施建设，来有效解决地理距离较远给生猪产销市场整合带来的负面作用。
综合表5～表8中的估计结果可以看出，各个解释变量的门槛模型估计结果中组内
均大于面板数据线性回归模型中的组内
(14)，而且各个决定变量在充当控制变量时的系数估计值、系数符号和显著性水平几乎一致，即本文模型估计结果表现出较强的稳健性。由此可见，人均猪肉产量、人均收入水平、生猪规模化养殖程度和公路密度是生猪产销市场整合的决定因素，且它们对生猪产销市场整合的影响都存在基于省际地理距离的门槛效应，但门槛效应在不同决定因素之间存在一定差异。 图1是生猪产销市场整合水平、决定因素和省际地理距离之间的关系图。5条竖线分别标识出人均猪肉产量、人均收入水平、公路密度、生猪规模化养殖程度变量所对应门槛模型中的门槛值。由生猪产销市场整合水平与省际地理距离之间关系的散点图及其趋势线可以看出，生猪产销市场整合水平与门槛变量之间存在着明显的负相关关系，这种负相关关系主要是由于随着省际地理距离的延长，生猪产销市场之间的交易成本将不断提升，然而促进生猪市场整合水平提高的因素却在逐步减少。具体而言，人均猪肉产量和生猪规模化养殖程度对生猪产销市场整合水平的正向影响受到省际地理距离的限制，其中，人均猪肉产量仅对省际地理距离小于640公里的24对生猪产销市场整合起到了推动作用，生猪规模化养殖程度仅对省际地理距离介于1384公里和1542公里之间的9对生猪产销市场整合具有正向影响。尽管如此，当省际地理距离超过1542公里后，21对生猪产销市场仍然是整合的，其原因在于，人均收入水平和公路密度对生猪产销市场整合的正向影响可以打破省际地理距离的限制。其中，公路密度对省际地理距离超过1316公里的40对生猪产销市场整合水平起到促进作用；而人均收入水平与91对生猪产销市场整合水平之间均存在显著的正向影响，并且这种正向影响在省际地理距离超过1170公里之后还有所增强。
图1 生猪产销市场整合水平、决定因素以及省际地理距离之间的关系 因此，为了进一步提升中国生猪产销市场整合水平，并充分发挥中心市场的作用，降低政策实施成本，政府应该大力推进各个生猪主产区和主销区与中心市场之间的整合程度。具体而言，对于距离河南省或辽宁省小于640公里的北京市、天津市和江苏省，以及距离天津市或福建省小于640公里的辽宁省、山东省、河北省、河南省和江西省，可以通过提高其生猪供给能力来增加其与中心市场的整合程度；距离河南省或辽宁省大于1316公里的广东省和福建省，以及距离天津市或福建省大于1316公里的东北三省和四川省，则应该着重通过加大公路等基础设施建设的力度来提升其与中心市场的整合程度；距离福建省大于1316公里且小于1384公里的河北省，则可以选择提升生猪规模化养殖程度来加大与中心市场的整合水平；最后，对全部生猪产销区来说，在积极推动经济持续健康发展的过程中，通过提高人均收入水平也可以显著促进其与中心市场的整合水平。 五、主要结论与政策启示 (一)主要结论 首先，本文应用JJ协整检验方法对中国生猪产销市场整合水平进行了测度。从分阶段的测度结果可以看出，中国生猪产销市场整合水平在不断提高；从基于总样本的测度结果来看，91对生猪产销市场中仅有3对市场是分割的，说明目前中国生猪产销市场整合已经达到较高的水平。由此可见，中国生猪市场化改革效果十分明显，生猪产销市场整体运行效率较高。 其次，与其他地区生猪市场整合水平最高的中心市场既可以是生猪主产区中的辽宁省和河南省，也可以是生猪主销区中的天津市和福建省，其原因在于，河南省与福建省、天津市与辽宁省彼此之间是生猪产销市场整合程度最高的地区，因此，河南省与福建省、天津市与辽宁省的生猪价格变动会在时间和幅度上表现出更强的同步性和一致性。 最后，本文应用面板门槛模型分析生猪产销市场整合的决定因素，发现人均猪肉产量、人均收入水平、生猪规模化养殖程度和公路密度是生猪产销市场整合水平的决定因素，并且各个决定因素对生猪产销市场整合的影响均存在着基于省际地理距离的门槛效应，具体如下： 当省际地理距离低于640公里时，人均猪肉产量对生猪产销市场整合水平有显著的正向影响。但是，这种正向影响在省际地理距离超过640公里后会变得不显著；人均收入水平对生猪产销市场整合具有显著的正向作用，而且这种正向作用在省际地理距离超过1170公里后会增强；生猪规模化养殖程度对生猪产销市场整合水平在省际地理距离低于1384公里时有显著的负向影响，在省际地理距离处于1384公里和1542公里之间时则有显著的正向影响，在省际地理距离超过1542公里后影响不显著；公路密度对生猪产销市场整合水平的影响系数在省际地理距离低于1316公里时有显著的负向影响，在省际地理距离超过门槛值时有显著的正向影响。 (二)政策启示 首先，在制定提升生猪产销市场整合水平的政策时，政府可以将省际地理距离作为依据。对于省际地理距离在640公里以内的24对生猪产销市场，应当通过提升生猪供给能力来推进生猪产销市场整合；对于省际地理距离在1316公里和1384公里之间的9对生猪产销市场，应该重点实施鼓励生猪规模化养殖的政策，通过提升规模化养殖水平来促进生猪产销市场整合；对于省际地理距离在1542公里以上的21对生猪产销市场，应当加大公路基础设施建设力度，通过改善运输条件来提高生猪产销市场整合水平；除此之外，所有91对生猪产销市场都可以通过拉动内需、加大投资等措施来发展经济，提高人均收入水平，进而推进生猪产销市场整合。 其次，在制定猪肉收储等生猪市场调控政策时，应当有针对性地选择重点政策实施区域，建议首选中心市场，即作为主产区的辽宁省和河南省，或者作为主销区的天津市和福建省，因为中心市场上的政策效果会较快且较完全的传导到其他生猪产销市场，这样可以避免在不同地区重复实施政策，从而有助于降低政策操作成本，提高生猪市场调控政策的针对性和有效性。同时，为了充分发挥中心市场作用，政府应该积极推进各个生猪产销区与中心市场之间的整合程度，各个生猪产销区可以依据其与中心市场之间的省际地理距离来选择提升自身与中心市场整合水平的有效途径。 ①本文中，中心市场是指与其他地区生猪市场整合水平最高的市场，可以是某个省(区、市)的生猪市场，也可以是多个省(区、市)所构成的一个区域市场。中心市场上生猪价格的变动会较为快速且完全地传导到其他市场。 ②通常情况下，生猪市场整合不仅包括生猪产销市场整合，也包括生猪主产区与主产区之间、主销区与主销区之间的市场整合。本文重点分析生猪产销市场整合，其原因在于，只有生猪产销市场之间同时存在着价格信息传导和商品跨区域流通，而生猪主产区与主产区之间以及主销区与主销区之间的市场整合，更多地表现为价格信息传导，而非商品的跨区域流通。因此，依据市场整合概念，生猪产销市场整合研究可以更为细致地揭示生猪市场整合情况。 ③人均猪肉消费量数据来自中国经济与社会发展统计数据库(http://tongji.cnki.net/kns55)，人均猪肉产量数据等于猪肉产量除以人口总数，猪肉产量和人口总数数据分别来自《中国畜牧兽医年鉴2014》(《中国畜牧兽医年鉴》编辑委员会编，中国农业出版社出版，2014年)和《中国统计年鉴2014》(中华人民共和国国家统计局编，中国统计出版社出版，2014年)。 ④本文之所以使用猪肉供需关系，而没有使用生猪供需关系来确定生猪主产区和主销区，原因在于当前仅有生猪供给量数据，即生猪出栏量，没有生猪需求量数据，而各省的猪肉供求关系可以间接反映生猪供需关系，人均猪肉产量与人均猪肉消费量之间的差额可以体现出生猪调入和调出的情况。 ⑤依据《中国畜牧兽医年鉴2015》(《中国畜牧兽医年鉴》编辑委员会编，中国农业出版社出版，2015年)中各省的生猪出栏量计算得出。 ⑥本文中使用的生猪价格为待宰活猪价格，数据来源于中国畜牧业信息网(http://www.caaa.cn/)。 ⑦如果使用每年的生猪月度价格序列进行协整检验，样本数据仅有12个，数量过少，可能会导致估计结果出现偏误。因此，本文选择每两年、共计24个月的生猪价格数据进行协整分析。 ⑧91个个体是由13个生猪主产区(黑龙江、吉林、辽宁、安徽、山东、河北、河南、四川、江西、湖北、湖南、广西和海南)和7个生猪主销区(北京、天津、上海、江苏、浙江、福建和广东)依次配对构成，具体如下：第1～7个个体是黑龙江与7个生猪主销区依次配对，第8～14个个体是吉林与7个生猪主销区依次配对，以此类推，第85～91个个体是海南与7个生猪主销区依次配对。 ⑨数据来源于wind数据库(http://www.wind.com.cn/)。 ⑩《中国畜牧业年鉴》编辑委员会(编)：《中国畜牧业年鉴》(2005-2013年，历年)，中国农业出版社，2013年。 (11)《中国畜牧兽医年鉴》编辑委员会(编)：《中国畜牧兽医年鉴2014》，中国农业出版社，2014年。 (12)由于篇幅原因，本文没有报告各子样本区间和总样本区间上的JJ检验结果，如有需要，可向本文作者索要。 (13)由于在数据处理时对省际地理距离作了取对数处理，因此，对得到的门槛值作反对数运算，可以得到实际的省际地理距离。 (14)面板数据线性回归模型的估计结果中组内R[2]为0.2831，由于篇幅原因，面板数据线性回归模型的估计结果省略，如有需要，可向本文作者索要。
标签：生猪论文; 地理科学论文; 样本容量论文; 解释变量论文; 地理论文; 三农论文;
