基于反周期操作思路的生猪生产决策研究

杜宇能，房桐桐，孙歆惠

（安徽农业大学经济管理学院，合肥 230036）

“六畜猪为首，猪粮安天下”。猪肉是我国居民最主要的肉食来源，生猪的生产在我国的畜牧养殖中地位尤为重要。与粮食作物不同，猪肉的价格弹性相对较高，供给量的变化会导致猪肉价格发生较为明显的波动。猪肉价格的这种波动无论是对生猪的生产者，还是消费者都是一种困扰。和一般工业产品不同，生猪的生产需要一定的时间周期。一般而言，从能繁母猪怀孕、到仔猪、再到出栏大约需要9 个月左右的时间[1]，这种刚性的生产周期往往会导致生猪的生产者面临如下困境：市场猪肉价格上升→扩大生产→猪肉供给过量→价格下跌→猪肉生产者亏损。这种现象在经济学里被称为“蛛网模型”[2]，它会导致生猪生产者面临“肉贱伤农、肉贵无货”尴尬局面，一方面加大了生猪生产企业的经营风险，另一方面也增加了生猪生产企业的决策复杂度。

近年来，猪肉市场价格的波动愈发频繁，呈现出“过山车”式的走势[3]，这种大起大落的猪肉价格有诸多的危害,一是给百姓的日常生活带来不便，影响百姓的生活质量；二是给猪肉下游企业的经营造成成本波动，影响生产和经营的平顺性；三是给政府的猪肉供给管理和价格平抑带来操作上的困难，影响政策实施的效果；四是干扰了生猪养殖主体的生产决策，影响了养猪的获利能力。尽管政府采取了诸多办法，努力达成平抑猪肉价格的目的，但我国猪肉价格的大幅度、周期性、成本穿透性波动仍然是猪肉市场上的常态[4]。

应对猪肉价格的大起大落，不仅是政府重点的决策领域，也是学术界长期以来的研究热点。猪肉价格究竟受哪些因素影响[5]，学术界围绕这个议题展开了诸多的研究，研究发现货币发行[6]、CPI 走势[7]、猪肉疫病[8]、突发事件[9]都有可能是猪肉价格波动的原因。在这些影响因素的作用下，猪肉的价格走势呈现出一种“有偏随机游动”的状态，其主要特征就是“涨久必跌、跌久必涨”，并且还有学者针对猪肉价格的走势进行了非线性分析[10]，指出在看似随机和无规律的价格走势中蕴藏的规律性因素[11]。通过相关研究，学术界普遍的共识是要依据反周期操作的方法，在猪肉价格走低时增产，在猪肉价格走高时减产，从而平抑猪肉的生产，同时按照这个思路进行猪肉的有关储备[12]。尽管反周期操作是学术共识，也是政策实操，但是事实上，我国猪肉价格的波动并没有明显好转，“一年亏、一年平、一年赚”的经营波动，着实使猪肉生产主体苦不堪言[13]。

既然学术界对猪肉价格波动的原因和走势做出了比较充分的研究，也有原则性的对抗方法，那么为什么在实操过程中，无法达成减弱猪肉价格波动幅度的效果呢。作为研究者，是不是应该反思猪肉价格波动研究的服务对象，或者说调整猪肉价格研究的立场。学术不仅仅要服务学术本身，也不能仅限于政策建议，将“软科学”研究服务市场主体，也是学术研究的重要方向。因此，如何利用现有研究成果，服务相关生产主体，尤其是帮助猪肉生产企业进行决策优化，就成为了学术研究的应然指向。不过遗憾的是，对于猪肉价格波动的研究仍然较多集中在波动原因、波动特征、政策建议等三个方面。基于现有猪肉有关价格的时间序列数据，通过适当的方法研究和预测猪肉价格的走势，进而服务猪肉生产企业的决策，帮助企业在最恰当的时机增产或者稳产乃至减产，仍然是有待发掘的学术蓝海。

1 研究的理论基础和思路

1.1 研究的理论基础

反周期操作是应对农产品波动性价格的主要策略[14-15]。“反周期操作”来源于20 世纪经济“大萧条”之后理论上的凯恩斯主义和实践中的罗斯福新政，已经成为市场经济体普遍遵循的一个调控方式[16]。尽管“反周期操作”一词属于舶来品，但是我国古代先贤的著作里早有关于反周期操作的思想。《勾践灭吴》中的名句“旱则资舟，水则资车”，指的是在干旱的时候，做生意的人要储备船，干旱结束后船的需求量就会上涨；下雨的时候做生意的人要储备马车，雨过天晴后马车的需求量就会上涨。中国先贤的古老智慧与现代宏观经济学之父凯恩斯提出的反周期货币政策的理念不谋而合。

在猪肉的生产过程中，运用反周期思维应对价格波动是理论的应然，但缺乏实证主义的操作办法。因此，研究就是要从实证主义的思路出发，运用反周期操作思想，研究猪肉价格和猪肉生产成本历史时间序列数据中蕴含的重要信息，结合猪肉生产的周期长度，为猪肉生产企业提供“天气预报”式的猪肉未来价格变化情况，辅助猪肉生产企业做出“增产”或者“减产”的当前决策，进而优化猪肉生产企业的生产决策，提高猪肉生产企业应对猪肉价格波动的能力。与此同时，研究还可以将具体企业的“增产”或者“减产”决策推广到政府收储调节市场的决策中，进而有助于政府调节猪肉市场的供应和价格。

1.2 思路的概述

尽管当前我国居民猪肉消费的习惯有渐变的趋势，比如对瘦肉率的偏好，以及对其他肉类替代品需求的增长[17]，但总体上我国居民猪肉消费的总量和结构比较稳定，猪肉价格的波动原因主要来自供给端[18]。生猪养殖属于竞争性行业，市场主体以民营企业为主，主体数量众多，呈现出明显的完全竞争市场特征[19]。因此，能否获取利润成为影响猪肉生产企业的第一追逐，而能否获利的最直接和最根本决定因素，一个是销售价格，另一个就是生产成本。由于生猪生产面对的是全国性的大市场，因此同一时间下，不同区域猪肉销售价格并没有显著的差异。尽管受到养殖规模和固定投入差异的影响，不同类型养殖企业生猪生产的分摊的单位固定成本可能存在差异，但是从总成本的构成看，生猪饲料成本才是最主要的生产成本，一般占到总成本的60%左右[20]。根据奥卡姆剃刀的原则，应当用最核心、最简洁的理论和变量来解释问题，而在研究中影响猪肉生产企业生产决策的核心因素可以认为是市场的价格和饲料的成本。

在具体研究中，多采用猪粮比，也就是生猪和饲料的价格比作为判断生猪生产盈亏点的重要指标，一般认为当猪粮比达到6∶1 及以上时，生猪生产处于盈利范围[21]。因此，以猪粮比为核心变量，考虑到生猪生产9 个月的时间周期，根据生猪价格和饲料价格的历史数据，以过去某一个时间为起点，考虑该时间点9 个月后的猪粮比，如果9 个月以后猪粮比高于6，那么该时间点的决策应当是增产（设为1），如果9个月以后猪粮比低于6，那么该时间点的决策应当是减产（设为0）。在以上述二元决策为因变量的基础上，以同期的生猪价格和猪粮比为自变量，探索因变量增产和减产与当前生猪价格和猪粮比之间的二元线性回归关系。这种以生猪生产9 个月周期时间跨度为因变量取值的研究，体现了应对生猪价格蛛网模型走势的反周期操作思路。研究的思路和逻辑图如图1 所示。

图1 研究思路的逻辑图Fig.1 Logic diagram of research ideas

1.3 变量的设定

因变量的形成过程：利用历史数据，某一周9 个月之后的猪粮比作为那时决策（0，1）的依据，例如2010 年8 月20 日的因变量是以该时间点为起点，将9 个月后的2011 年5 月20 日的猪粮比的数值与6相比作为（0，1）的决策依据，大于等于6 决策选择为1，即增加投入，小于6 则决策选择为0，即减少投入，进而得出二元线性回归中的因变量。

自变量的形成过程：自变量则为当期的生猪价格和猪粮比，例如2010 年8 月20 日，其两个自变量分别为当期的生猪价格和猪粮比。如上所述，这样思路体现了“旱则资舟、水则资车”的反周期思路。

2 研究设计与模型构建

2.1 研究思路与模型设定

研究拟采用的基础模型为“线性概率模型”∶

由于线性概率模型导致估计不一致、存在异方差等缺点，而且被解释变量y 的取值非0 即1，但根据这个线性概率模型所作的预测值却可能出现被解释变量大于1 或者小于0 的不现实情形。为使y 的预测值总是介于［0，1］之间，在给定x 的情况下，考虑y 的两点分布概率。

此函数F（x，β）称为“连接函数”，因为它将解释变量x 与被解释变量y 连接起来。由于y 的取值要么为0，要么为1，故y 肯定服从两点分布。连接函数的选择具有一定的灵活性。通过选择合适的连接函数F（x，β）（比如，某随机变量的累积分布函数），可以保证0≤y≤1，并将理解为“y=1”发生的概率：

由于生猪生产的投入决策是二值选择，即增加投入或者减少投入，所以选择二元logit 模型。如果F（x，β）为“逻辑分布”（Logistic distribution）的累积分布函数为：

模型成为“Logit”。Logit 模型的样本不需要服从正态分布，具有了较其他模型更广泛的适用性[22]，对于Logit 模型，增加投入的概率为：

在得知了投入概率的基础上，易知减少投入的概率为：

由上述理论可知，故设置模型，变量解释如表1 所示。

表1 变量解释Table 1 Variable interpretation

2.2 数据来源及变量选择

选取Wind 数据库2010 年8 月20 日-2021 年4月9 日的每周生猪价格和每周生猪饲料价格（因假期或其他原因，而缺失的数据已采用计量方法插入）555 个样本，采用二元logit 模型，选取0、1 变量作为因变量，0 作为减少投入的生产决策，1 作为增加投入的生产决策，自变量为每周生猪价格（元·kg-1）和猪粮比（生猪价格/饲料价格）。0 或1 的决策选择以9个月后的猪粮比与6 相比得出，体现了蛛网模型和反周期操作，即不以现状为决策依据，而以猪周期的时间跨度为决策依据。决策的选择有以下原因：

（1）2009 年1 月13 日，国家发改委、商业部等六部门联合发表了防止生猪价格过度下跌调控预案（暂行）（以下简称《预案》），《预案》选取猪粮比价作为判断生猪出场价格与玉米批发价格的比值，它能直观地反映养猪成本收益的变化情况。根据历史经验，由于饲料成本在生猪生产成本中的比重、料肉比都是基本稳定的。因此，猪粮比价作为判断生猪生产和市场情况的基本指标，具有简洁、清晰、容易理解等特点，能够为国家及时、准确判断生猪市场供求，采取相应调控措施，提供较为准确的依据。

（2）选取猪粮比为6 的原因：猪粮比，通俗说就是生猪价格和作为生猪主要饲料的玉米价格的比值。《预案》在基于历史数据进行测算和广泛征求专家意见的基础上，订立了5.5∶1 这一比价，当同一时间、同一地区的猪价和玉米价格的比例达到5.5∶1 的时候，养猪处于盈利的平衡点，生猪价格和玉米价格比值在6.0∶1，生猪养殖基本处于盈亏平衡点。猪粮比越高，说明养殖利润越好，反之则越差。因此，猪粮比超过6 说明应该增加投入，即选择1，小于6 应该减少投入，即选择0 既能够发挥市场机制配置资源的基础性作用，又可缓解生猪生产的周期波动。

2.3 变量的描述性统计

选取了2010 年8 月20 日-2021 年4 月9 日的每周生猪价格和每周生猪饲料价格，所得出的描述性统计结果如表2 所示。

从表2 结果中可以看出共有555 个样本参与了分析，模型决策选择的均值为0.33，统计标准误为0.47，最小值为0.00，最大值为1.11；生猪价格的均值为17.51，统计标准误为7.20，最小值为10.10，最大值为39.80；猪粮比的均值为6.03，统计标准误为2.63，最小值为3.02，最大值为14.63。

从图2~3 中的生猪价格趋势图和猪粮比的趋势图可以看出，生猪价格和猪粮比的波动程度很相似，呈现出较为剧烈地波动情况，这说明了饲料价格是随着生猪价格的变动而变化。

图2 生猪价格趋势图Fig.2 Hog price trend chart

图3 猪粮比趋势图Fig.3 Pig-to-food ratio trend chart

3 实证结果分析

3.1 使用线性概率模型进行估计

表3 为使用线性概率模型估计出的结果。

表3 线性模型估计结果Table 3 Estimation results of linear model

从表3 结果中可以看出共有555 个样本参与了分析，P 值（Prob＞F）=0.00，说明模型整体上是非常显著的。变量生猪价格的系数是-0.09，统计标准误为0.01，P 值为0.00，系数显著。变量猪粮比的系数是0.33，统计标准误是0.03，P 值为0.00，系数也非常显著。常数项的系数为-0.01，标准误是0.05，P值为0.87，系数不够显著。从上述分析结果可以得出回归方程是：

从上面的分析可以看出，最小二乘线性模型的系数显著性以及模型的整体解释能力都比较好，但是常数项的系数不够显著。总体上，使用线性概率模型有较大提升空间。

3.2 使用二元Logit 模型进行估计

将555 个样本进行二元Logit 模型估计，运用stata 等计量经济学分析软件，使用普通标准误进行Logit 估计，得出表4。

表4 普通标准误Logit 模型估计结果Table 4 Estimation results of general standard error Logit model

从表4 可以看出，Logit 模型相对于最小二乘回归模型得到了很大程度的改进。模型的常数项P 值为0.00，显著性提高。

最终得出模型表达式为：

其中，LNchoice，price 和ratio 分别表示决策选择的对数值、生猪价格和猪粮比。综上所述，可以得出大致的研究结论，生猪价格与决策选择呈反向变化，猪粮比与决策选择呈正向变化。

为了便于解释回归结果，下面汇报几率比而非系数，得出表5。

表5 Logit 模型汇报几率比估计结果Table 5 Probability ratio estimation of Logit model reports

与一般的回归形式不同，它的含义是在其他自变量保持不变的条件下，被观测自变量（price，ratio）每增加1 个单位时choice=1 的发生比的变化倍数。可以看出，各个变量中只有猪粮比变量的增加会引起因变量取1 值的大于1 倍的增加。这说明只有猪粮比是与决策选择呈现正向变化，只有猪粮比使得增加投入的概率更大。

计算模型预测准确的百分比（要求预测概率达到80%对模型估计有效性进行评价），可以得出表6。

表6 80%预测概率对模型估计有效性评价结果Table 6 Evaluation results of 80% prediction probability on the validity of model estimation

按照模型预测增加投入决策的概率至少在0.8以上的标准，有39 次是增加投入，且模型预测的概率值大于分割点，有371 次是减少投入，且模型预测的概率值小于分割点。所以，一共有410 个样本的预测是正确的，预测正确率占全部样本的73.87%。有145 次是增加投入，但模型预测的概率值小于分割点；有0 次是减少投入，但模型预测的概率值大于分割点。一共有145 个样本的预测是错误的，预测错误率占全部样本的26.13%。

从上面的分析结果中可以看出，在设置概率为0.8 的时候，模型的预测正确性为73.87%，也就是说模型根据历史猪肉价格和猪粮比信息所给出的增产（1）或者减产（0）建议，通过历史数据的检验后，具有将近80%的正确率。参考天气预报的相关评价尺度，研究得出的增加投入或者减少投入的决策选择的准确率达到了较高的水平[23]。

4 结论及建议

文章进一步研究生猪生产投入决策对平抑生猪价格波动的重要影响。结果表明，生猪价格与决策选择呈反向变化，猪粮比与决策选择呈正向变化，即生猪价格越高，基于饲料价格以及其他因素考虑，越要减少生猪养殖的投入；生猪价格越低，在考虑饲料及其他影响因素的基础上，越要增加养殖投入，从而实现生猪养殖产业的利润最大化。

由于现行的生猪养殖补贴政策（无论是普惠政策还是专项补贴政策）都是针对生猪养殖前和养殖过程中采取的，并没有真正针对生猪养殖后价格变化导致赔本或者破产的优惠补贴政策。因此，养殖户真正面对的困难是生猪价格的大幅度波动带来的风险。就此看来，研究提供的研究成果通过对生猪价格的预测来判断前期投入的多少，保障生猪养殖户的利润。实质上，无论是生猪养殖补贴政策还是环境规则政策，对于生猪养殖户的作用影响是有限的。生猪养殖产业真正想要实现长久发展最重要的是要把握住生猪市场价格变化，无论生猪价格是高还是低，都要做出最合适的投入决策才是最重要的。通过上述论证，模型预测的准确性与鲁棒性都是较好的，具有进一步开发的潜力和应用价值。

生猪养殖在现代畜禽养殖中占有重要地位。不可否认，现有的支持规模养殖为重点的补贴政策在推动中国生猪养殖中发挥了关键动力作用。但却不能有效解决市场猪价波动幅度大的问题。尽管中国生猪产业支持政策不少，但效力持续性差，这使得中国的大规模生猪养殖产业并不多见，散户养殖仍然在中国生猪养殖规模结构中占绝大多数。在关注生猪养殖补贴政策所带来积极作用的同时，环境规则政策对大规模生猪养殖场发展的抑制作用也是不容忽略的。这些方面无一不证明，生猪养殖产业想要发展得更好，不能仅仅依靠政府政策扶持，更重要的是要想方设法去提高抵御市场风险的能力，同时发挥好散养户的重要作用。因此，未来扶持生猪产业发展的政策导向中，要制定对生猪养殖预测技术方面的政策支持，加大对生猪养殖业动向预测，提高生猪养殖产业的抗风险能力，保持政策的连续性和稳定性。