第四节 实证分析

一 传统DEA模型分析

我们首先建立数据表，利用DEAP 2.1软件，将表2-3中的2008—2015年各省份散养、小规模、中规模和大规模生猪养殖的数据输入，以每头生猪的主产品产量为产出指标，以人工成本、仔畜进价、精饲料费、水费、燃料动力费、医疗防疫费、工具材料费为投入指标，运算得出如表2-5所示的结果。

表2-5 第一阶段不同规模生猪养殖技术效率值

续表

由表2-5中数据可以看出，散养的生猪养殖综合技术效率值最高为0.9618，其次是中规模生猪养殖，其生猪养殖综合技术效率值为0.9447，大规模生猪养殖综合技术效率值最低为0.9328。散养的生猪养殖纯技术效率值依然是最高的，其效率值为0.9715，其次同样是中规模生猪养殖，其生猪养殖纯技术效率值为0.9641，最低的仍然为大规模生猪养殖，其纯技术效率值为0.9472。规模效率中，散养技术效率值最高为0.9900，其次是大规模生猪养殖技术效率值为0.9847，之后是中规模生猪养殖技术效率值为0.9803，最后是小规模生猪养殖技术效率值为0.9780。

二 SFA模型分析

本阶段以第一阶段估计结果中各规模生猪养殖投入冗余变量为被解释变量，以表2-4中记录的各省份第一产业GDP增长率、全国农林水支出占财政一般公共预算的比例、各地区县市级畜牧站与家畜繁育改良站数量三个环境变量为解释变量，利用Coelli（1995）给出的随机前沿分析软件Frontier 4.1，计算环境变量对人工成本、仔畜进价、精饲料费、水费、燃料动力费、医疗防疫费、工具材料费等投入变量冗余的影响，得出如表2-6所示的结果。由表2-6可知，本章所选主要环境变量，均通过了显著性水平检验，同时，在1%的显著性水平下，大部分回归分析结果的值均趋近于1，表明环境因素和随机误差等偶然性因素对生猪规模间养殖投入冗余变量有显著影响，很有必要运用SFA方法排除环境变量和随机误差带来的影响。

表2-6 SFA模型分析的回归估计结果

基于随机前沿生产函数建立的多元线性回归模型进行回归分析，如果估计系数为正，说明环境变量的增大会导致投入冗余的增加；如果估计系数为负，表示环境变量的增大会导致投入冗余的降低，有利于技术效率的提高。由表2-6可知，随着第一产业GDP增长率的提升，人工成本、仔畜进价、精饲料费、医疗防疫费、工具材料费的投入冗余有所增加，而水费的投入冗余则有所减少；财政农林水支出的增加会造成水费、燃料动力费、医疗防疫费投入冗余的增加，但人工成本、仔畜进价、精饲料费、工具材料费的投入冗余却随之减少且更加显著；各地区县市级畜牧站与家畜繁育改良站数量的增多则会造成仔畜进价、精饲料费、医疗防疫费投入冗余的增加，同时造成人工成本、工具材料费投入冗余的减少。

三 调整后的DEA模型分析

将原始投入代入式（2-3）调整，并将调整后的投入值再次运用Deap 2.1软件测算，得到调整后不同规模间生猪养殖效率值，具体结果见表2-7。

表2-7 第三阶段不同规模生猪养殖技术效率值

续表

从表2-7中可以看出，大多数省份的技术效率值与第一阶段相比有所变化，综合技术效率、纯技术效率、规模效率都获得了提高，其中山西省散养、中规模生猪养殖，吉林省散养生猪养殖，安徽省中规模、大规模生猪养殖，山东省散养生猪养殖，河南省小规模、中规模生猪养殖，广西壮族自治区小规模生猪养殖，海南省散养、小规模生猪养殖在剔除了环境因素和随机因素的影响之后达到了生产技术前沿面，这表明不同规模生猪养殖技术效率受到外部环境因素和随机干扰的影响，使用随机前沿分析模型剔除投入冗余是十分必要的。

从表2-7中可以看出，综合技术效率值均值最高的为大规模生猪养殖，其技术效率值为0.9948；其次是散养生猪养殖，其技术效率值为0.9941；之后是小规模生猪养殖，其技术效率为0.9914；最后是中规模生猪养殖，其技术效率值为0.9855。纯技术效率值均值最高的为小规模生猪养殖，其技术效率值为0.9922；其次是中规模生猪养殖，其技术效率值为0.9990；之后是散养生猪养殖，其技术效率值为0.9987；最后是大规模生猪养殖，其技术效率值为0.9985。规模效率值均值最高的是大规模生猪养殖，其技术效率值为0.9962；其次是散养生猪养殖，其技术效率值为0.9954；再次是小规模生猪养殖，其技术效率值为0.9922；最后是中规模技术效率值，其技术效率值为0.9866。

虽然大规模生猪养殖综合技术效率值均值与规模效率值均值最高，但散养生猪养殖综合技术均值与规模效率均值却紧随其后，而纯技术效率值均值最高的更是小规模生猪养殖，表明技术效率值的增加并非随着生猪养殖规模的扩大而获得提升，这与郐智荟等对黑龙江省不同规模生猪养殖生产效率的研究以及闫振宇等对我国不同地区生猪养殖生产效率的研究的结论是一致的。