运猪与发病关系及分区防控试点成效粗略分析——基于线性回归和双重差分模型的实证检验

颜起斌

（农业农村部畜牧兽医局，北京 100125）

2018 年10 月，农业农村部畜牧兽医局负责人在介绍非洲猪瘟防控工作时表示，我国70%的动物疫情远距离传播是由跨省调运引起的[1]。减少活猪调运是预防控制非洲猪瘟等重大动物疫病的关键措施之一。

2019 年1 月16 日，中共中央政治局委员、国务院副总理胡春华在广州市主持召开非洲猪瘟防控工作座谈会时强调，要加快实施分区防控[2]，要求广东、福建、江西、湖南、广西和海南6 省区作为中南区开展非洲猪瘟等重大动物疫病区域化防控工作，要逐步禁止跨区域跨省调运活猪（种猪、仔猪除外）[3]。2019 年3 月7 日，中南区非洲猪瘟等重大动物疫病防控联席会议确定了通过调运监管等风险管理措施，降低疫病跨区域传播风险的工作目标[4]。2020 年5 月20 日，农业农村部在福州市组织召开座谈会，认为中南区生猪调运监管力度加大，产业布局优化调整势头初步显现，生猪生产恢复发展势头良好[5]。

经国务院批准，2021 年4 月21 日，农业农村部印发《非洲猪瘟等重大动物疫病分区防控工作方案（试行）》，在全国范围开展非洲猪瘟等重大动物疫病分区防控工作[6]。2021 年4 月22 日，农业农村部有关负责人在接受采访时表示，我国国土面积大，畜禽调运距离远，畜产品流通环节和渠道复杂，迫切需要加强畜禽调运的规范和管理[7]。

开展非洲猪瘟等重大动物疫病分区防控，是针对我国现实情况，借鉴国际经验的一项全新的重要工作，国务院领导同志高度重视，亲自推动。这项工作自2019 年在中南区启动试点后取得了积极成效，但目前对试点成效的分析并不多见，定量分析更是罕见。活畜禽调运引发疫情，造成疫情大范围长距离传播的现象，近年来屡见不鲜。但有关研究多限于现象本身，对其因果关系的分析多基于传染病与宿主相互作用机制的个体微观层面，在群体层面缺乏能够说明统计学意义的定量分析验证。本文试图从正式资料中加以实证分析。

1 研究假设

2019 年6 月6 日，中南六省区重大动物疫病防控应急指挥部联合印发《中南区非洲猪瘟等重大动物疫病区域化防控方案》，提出减少跨区域、长距离调运生猪，促进产销衔接，实现供需大体平衡的目标，并明确自2019 年11 月30 日起，禁止非中南区的活猪输入，种猪、仔猪以及符合“点对点”调运备案条件的生猪除外[8]。2019 年10 月30 日，中南六省区重大动物疫病防控应急指挥部再次联合发布通知，进一步明确活猪调运要求[3]。根据相关方案和通知要求，非洲猪瘟等重大动物疫病分区防控试点主要任务和目标是，限制活猪跨区域长距离调运，降低非洲猪瘟疫情发生和传播风险，保障生猪生产恢复发展和猪肉产品有效供给。据此，提出需要对试点政策成效进行实证分析的假设如下：

假设1：非洲猪瘟等重大动物疫病发生风险与猪肉产量呈显著正相关。

假设2：非洲猪瘟等重大动物疫病发生风险与活猪调入数量呈显著正相关。

假设3：开展分区防控试点后，显著减少了中南六省区活猪调入数量。

假设4：开展分区防控试点后，显著降低了中南六省区非洲猪瘟疫情发生风险。

假设5：开展分区防控试点后，显著促进了中南六省区猪肉生产发展。

假设6：开展分区防控试点后，并没有引起中南六省区猪肉产品价格显著上涨。

假设1 之所以采用猪肉产量，是因为近年许多疫情和病原学监测阳性发生在屠宰环节，这些生猪不计入当地养殖量，采用猪肉产量更能准确反映全部易感动物规模。

2 研究设计

对于非洲猪瘟等重大动物疫病发生风险与活猪调入数量、猪肉产量的关系，建立如下回归方程加以检验：

其中，i、t 分别代表省份、时间，Yi代表疫病发生风险，Zi代表活猪调入数量，Fit代表生猪肉产量，εi代表随机扰动项。如果活猪调入数量、猪肉产量与疫情发生情况呈显著正相关关系，即本文假设1、假设2 成立，那么回归系数β1、β2应为正且显著。

对于后4 个假设，通过比较试点区域活猪调入、非洲猪瘟疫情发生情况、猪肉产量、猪肉产品供给或者价格，在实施禁止活猪调入中南区这一政策前后的差异，可以有个大致轮廓，但是过于粗糙。因为这些数据的变化受到众多因素影响，尤其是2018 年8 月以后，全国各地都采取了严格的措施防控非洲猪瘟，强力的手段促进生猪养殖业恢复发展。2019 年下半年以来，全国非洲猪瘟疫情总体上大幅下降，趋于平稳，生猪生产快速恢复。仅仅比较试点省份有关数据变化，不能排除试点省份符合全国总体趋势的情况，即不能排除非分区防控试点政策带来的影响。通过将试点省份与非试点省份相关情况进行比较，可以最大程度克服这一问题。

对于类似政策成效的分析，宏观经济和公共管理研究领域多采用双重差分法（differences-indifferences method，DID 方法）。20 世纪80 年代，DID 方法在国外经济学界兴起。我国周黎安和陈烨于2005 年最早引入[9]。简而言之，DID 方法就是对关心的被解释变量在政策实施前后变化情况，与未实施这一政策的区域在同一时期的变化情况进行比较。比较方法可以采用独立样本均值比较，分析其差异的显著性，也可以采用线性回归方法。参考徐现祥等[10]的做法，对假设3 活猪调入量的分析模型可以设定如下：

其中，i、t 分别代表省份、时间，Zit代表活猪调入量，εit代表随机扰动项，fs、ft为两个二值虚拟变量。fs取值：开展分区防控试点的中南区省份为1，其他省份为0。ft取值：实施禁止活猪输入之前为0，之后为1。

试点省份在禁止非中南区活猪输入前Zit=β0＋β1＋εit，之后Zit=β0＋β1＋β2＋β3＋εit，差值为β2＋β3。非试点省份在试点省份禁止非中南区活猪输入前Zit=β0＋εit，之后Zit=β0＋β2＋εit，差值为β2。试点省份与非试点省份在禁止活猪输入前后的差异为β3，即禁止活猪调入的净影响为β3。当假设3 成立，β3是显著的。对假设4、5、6 也可以分别类似设置如下模型：

非洲猪瘟等重大动物疫病分区防控将几个地理相邻的省份作为一个区域，区域内尤其是各省份内部在分区防控政策上具有一致性，存在差别的样本量不大。中南区开展试点，本文可研究的样本仅6 个，即便采用试点前后情况构建面板数据，样本也仅有12 个，达不到中心极限定理关于最低30 个随机样本的要求。因此，本文依据模型（3）—（6），主要采取均值比较的方法进行分析。

需要指出的是，DID 方法基于自然试验，前提是E[εit|fsit×ftit]=0，即要求试点地区的选取是随机的[9]。而分区防控试点选择在中南区进行，不具有随机性，不是自然试验，而类似于准试验（Quasi-experiment），这就需要对分析结果进行检验。参考周黎安等[11]的做法，本文主要通过考察试点省份和非试点省份在试点前有关被解释变量的差异性来检验。

3 数据来源

对于模型（1）（2）的Yi，由于非洲猪瘟疫情绝对数量较少，尤其是2019 年下半年以后，各地报告发生的非洲猪瘟疫情总体保持平稳下降趋势，且报告发生疫情受到的影响因素较多，因此采用《兽医公报》中2019 年1 月—2020 年12 月各省非洲猪瘟、生猪口蹄疫疫情以及病原学监测阳性数量求和构建。采用各地畜牧兽医部门出具的跨省生猪产地检疫证明数据，根据目的地统计各省份生猪调入量Zit。Zi为各省份2019、2020 年全年活猪调入数量。采用《兽医公报》中2019 年1 月—2020 年12 月各省非洲猪瘟疫情数，构建Yit。采用国家统计局2019、2020 年各省份猪肉产量，构建Fit。采用国家统计局2019、2020 年各省份食品烟酒消费价格指数，构建Pit。对于Pit，采用生猪价格更为准确，但各个机构发布的生猪价格均源自采样点按日或周的数据，据此再构建分省、年度数据误差难以控制。经相关性分析，2019 年各省份食品烟酒消费价格指数与当地生猪出栏数相关系数为0.625，且在1%层面上显著（P＜0.01），因此也可以间接反映生猪价格水平变化情况（表1）。

表1 食品烟酒消费价格指数与生猪出栏数相关性分析结果（N=31）

2019 年11 月30 日起，试点省份禁止非中南区活猪输入。对于Zit，取2019 年11 月，t=0；2019 年12 月，t=1。由于Yit、Fit、Pit发生显著变化均需要一个过程，因此取2019 年，t=0；2020 年，t=1。为保证回归拟合度，Yi、Zi采用2019、2020年两年数据构建面板数据，使样本数量达到62 个。各变量描述性统计结果见表2。

表2 变量描述性统计结果（N=62）

4 结果、分析及讨论

按照模型（1）（2）进行线性回归。结果（表3）显示，在两种模型下，Zi与Yi都呈现显著正相关（P＜0.01）。模型（1）单独考虑活猪调入对非洲猪瘟、生猪口蹄疫疫情及病原学监测阳性发生情况的影响，大约1 个省份全年每增加1 万头活猪的调入量，导致前述疫情和阳性总体发生风险水平上升1.1%～1.7%（回归系数β1=0.014，标准误为0.003）。在模型（2）中，加入Fit变量，即猪肉产量的影响后，Fit、Zi共线性不明显（VIF=1.078），模型依然成立；Zi变量，即活猪调入数量，引起疫情和阳性发生风险的提升水平依然非常显著且与模型（1）变化不大（回归系数β1=0.013，标准误为0.003），而Fit与疫情和阳性发生风险也呈显著正相关（回归系数β2=0.013，标准误为0.008），但显著性相对较低（0.05 ＜P＜0.10）。本文假设1、假设2 得到完全验证。

表3 活猪调入数量、猪肉产量与疫情发生风险线性回归结果

对ft=0、1 时，Zit、Yit、Fit、Pit的差值，在fs=0、1 的样本间进行独立样本均值T 检验。结果（表4）显示，2019 年12 月，在非试点省份（fs=0）调入生猪量环比增加的情况下，试点省份（fs=1）调入生猪量环比大幅下降，且与其他25 个省份的差异在5%层面上显著（显著性P=0.037），假设3 得到初步验证。2020 年，试点省份没有报告发生非洲猪瘟疫情（Yi1），且与非试点省份的差异在1%层面上显著（显著性P=0.008），假设4 得到初步验证；试点省份猪肉产量同比变化（Fi1—Fi0）与非试点省份的差异在5%层面上显著（显著性P=0.035），假设5 得到初步验证；全国各省份食品烟酒消费价格指数同比（Pi1—Pi0）均呈上升趋势，试点省份上升幅度较小，且与其他25 个省份的差异在5%层面上显著（显著性P=0.018），假设6 得到初步验证。

由于选择在中南区试点并不随机，E[εit|fsit×ftit]=0 不是自然成立。为此，对试点省份与非试点省份，在ft=0 时，Zit、Yit、Fit、Pit进行独立样本均值T 检验。结果（表5）显示，2019 年，试点省份与非试点省份生猪调入数量、非洲猪瘟疫情发生情况、猪肉产量等3 个变量（Zit、Yit、Fit）的差异均不显著（P=0.103、0.490、0.282），仅Pi0即2019 年食品烟酒消费价格指数的差异存在显著性（P＜0.001）。但试点前（ft=0），试点省份Pi0显著高于非试点省份，而试点后上升幅度，即表4 的Pi1—Pi0显著低于非试点省份。因此，虽然分区防控试点区域的选择不完全随机，但表4 的全部检验结果均可以接受。

表4 试点后（ft=1）中南区与非试点省份有关数据独立样本T 检验结果

表5 试点前（ft=0）中南区与非试点省份有关情况独立样本T 检验结果

据此，通过实证分析，本文假设3、假设4、假设5 得到完全验证。虽然试点前，试点省份与非试点省份食品烟酒消费价格指数即存在显著差异，但试点前试点省份该指数显著高于非试点省份，而试点后试点省份该指数升高幅度显著低于非试点省份，故假设6 同样具有很高可信度。

5 结语

通过实证检验和定量分析证明，猪肉产量、活猪调入数量与非洲猪瘟疫情、生猪口蹄疫疫情及病原学监测阳性发生风险呈显著正相关，且活猪调入数量的影响非常显著。在同时考虑活猪调入数量和猪肉产量影响的情况下，2019—2020 年期间，大约每个省全年活猪调入量每增加1 万头，导致前述疫情和阳性发生风险水平上升1%～1.6%。因此，加强活猪调运监管是防控非洲猪瘟等重大动物疫病的关键措施。中南区开展非洲猪瘟等重大动物疫病分区防控试点，尤其是禁止非中南区活猪输入（除种猪仔猪及符合“点对点”调运条件的生猪外）后，相比非试点省份，切实显著减少了活猪调入数量，降低了非洲猪瘟疫情发生风险，保障了猪肉产品的有效供给。