疫情对生猪价格影响的VAR模型分析

付莲莲， 喻龙敏， 赵金霞

(1.江西农业大学计算机与信息工程学院，江西 南昌 330045；2.江西农业大学经济管理学院，江西 南昌 330045)

中国是肉类产销大国，猪肉、鸡肉、牛羊肉等肉类价格波动对于国家经济的健康发展具有重要影响，其中猪肉作为国内肉类结构比重最大的一类，更是重中之重。2020年习近平总书记在“三农”工作批示意见中强调要确保农产品稳产保供，并且重点指出要推动生猪生产恢复，保障生猪价格的平稳，维护国民菜篮子的稳定性[1]。然而，近年来，猪蓝耳病、布鲁氏菌病、猪丹毒等猪疫病层出不穷，生猪价格受到各类疫情影响波动剧烈。尤其是2018—2020年发生在全球范围的非洲猪瘟，疫情暴发范围广且程度严重[2]。中国整体生猪产业受到冲击，不仅染病的养殖场濒临破产、正常养殖场出现大量滞销，而且使得生猪产业养殖人员养殖积极性下滑、生猪供给不足，生猪供需缺口迟迟未能填合，对国家经济的稳步发展造成了威胁。

多年来疫情指数和生猪价格是如何波动的？疫情对生猪价格波动的影响效果如何？影响方式是怎样？应当怎样推动价格机制的完善？探究以上几个方面的问题有助于调节生猪产品的价格、稳定生猪市场的平稳发展。

周爱珠等[3]运用EGARCH 模型和NIF 模型进行研究，发现消息冲击会使得农产品价格波动起伏更大，冲击具有明显的非对称性且价格上涨信息对价格稳定的冲击作用更强。苗珊珊[4]通过PPM模型和TARCH模型分析发现，信息冲击和猪肉零售价格波动之间存在杠杆效应，同时发现疫情对猪肉价格波动的影响的非对称性，呈现为“倒 U 型”特征。朱增勇等[5]探讨了在突发AFS疫情情况下，产能的迅速下降会带动生猪价格的快速上升。郑燕等[6]从GARCH模型入手发现畜禽产品中白条鸡和鸡蛋价格波动受到疫情的作用最为明显，其次是猪肉价格，牛肉价格不受疫情影响。吴佩蓉等[7]构建了VAR模型进行分析，发现疫情会影响供需关系进而促使生猪价格波动，其影响持续时间长但影响较小，大致上使得中国生猪价格上涨。

大量专家学者针对畜禽产品价格波动影响的表现形式展开颇多研究，除了对产业链价格波动的研究，还分析了畜禽产品价格波动对整体畜禽市场的影响。朱宁等[8]分析了突发性疫情首先影响鸡蛋价格走势，进而改变养殖户生产行为，使得养殖户在疫情初期减少蛋鸡产量，或者是提高兽药用量，而在疫情后期补栏蛋鸡。蔡勋等[9]通过误差修正模型和有向无环图(DAG)技术指出，肉雏鸡价格受禽流感疫情影响最大，蛋雏鸡相对较小；家禽产业受疫情影响明显，受到禽类之间传播的禽流感疫情影响时间短，受人禽之间传播的禽流感疫情影响时间较长。胡向东等[10]发现生猪疫情会引起价格大幅波动，引发价格周期出现转变，短期内会造成生猪价格的区域化差别，长期来看会造成价格持续上涨，进一步地会影响饲料市场，促使替代品价格上涨。马名慧等[11]发现非洲猪瘟疫情下，产业链的上中下游会受到传递影响，猪肉价格波动推动了鸡肉产业的发展。

价格波动往往集中在股市或期货市场，而网民的信息通常可以同步反映，同时大数据应用统计又促进了价格波动，基于大数据统计得到的疫情舆情指数亦是如此。文洪星等[12]通过搜集新闻报道信息，构建了食品安全丑闻报道指数，发现其对猪肉产销价格的非对称传导作用，这种不对称传导会加剧生猪产业弱势群体的风险，改变了产销价格的一般波动规律。丁存振等[13]运用大数据为基础的禽流感疫情指数，发现了在舆情反映的市场正常状态和危机状态下，肉鸡产业市场价格的非对称特征呈现出不同变化。闫晓明[14]选取32家公司对比疫情事件的影响效果，发现生猪养殖业受损程度第一，兽药行业受损时间最长，肉制品加工业次之，饲料行业受损较小。

非洲猪瘟疫情发生后，许多学者都在理论层面上分析了疫情对中国生猪产业的影响和展望。黄洪武等[15]认为全国生猪出栏量将会大幅走低，生猪价格预计仍将高位运行。李鹏程等[16]认为，产能断崖式减少，生猪产能恢复面临疫病、资金、环保等多方面的困难。刘国信[17]认为，猪瘟疫情重击产业，猪源偏紧以及盲目扩大生猪禁养限养范围为生猪上涨行情做了铺垫。胡浩等[18]则认为，猪肉“刚需”始终存在，生猪价格将可能在近2年内都处在较高水平。

综上所述，对于研究内容方面，专家学者们的研究集中于讨论由疫情所导致的价格冲击的影响效果和影响方式，而对于研究所采用的数据，往往基于大数据统计得到的疫情舆情指数，运用疫情宽度指数作为疫情指标进行影响效果研究的文献较少，同时对于近年来暴发的非洲猪瘟事件研究多局限于理论探究，未充分纳入疫情研究实证体系。因此，本文将以国内研究为基础，充分运用疫情宽度指数，从各年重大疫情入手，通过格兰杰因果检验探究疫情和生猪价格的因果关系，通过向量自回归模型、脉冲响应分析和方差分解分析疫情对生猪价格波动的影响方式和效果，得出结论并给出有关建议，以促进生猪价格的稳定性。

1 疫情对生猪价格的作用机理

1.1 历年重大疫情

(1)猪瘟、猪肺疫(2008年11月至2009年7月)。猪群暴发疫病主要存在于华南地区，且通常为混合感染，感染率高且致死率较高，仅猪瘟生猪发病数就有7 290头，死亡数13 298头，扑杀数6 805头。猪肺疫生猪发病数为7 333头，死亡数15 591头，扑杀数61头(中国政府网)。

(2)猪蓝耳病(2010年初)。疫情重点暴发于南方地区的中小养殖场，具有高致病性，生猪发病数为2 908头，死亡数1 522头。

(3)猪布鲁氏菌病(2010年11月至2011年2月)。该病广泛分布全国各地，是一种典型的人和牲畜均易感的病，致使生猪发病数为7 804头，死亡数66头。

(4)猪丹毒、猪肺疫(2011年至2019年)。多年来2种疫病同时存在，疫情影响持续深远，范围广大。猪丹毒在2012年8月和2014年7月2个时期疫情最为严重，分别造成生猪死亡数死亡1 901头、2 914头，历年累计生猪发病数为57 105头，死亡数34 996头。猪肺疫在2015年6月疫情最为严重，造成生猪死亡数1 621头，历年累计生猪发病数高达85 986头，死亡数54 281头。

(5)非洲猪瘟(2018年8月至2020年)。自2018年8月沈阳正式发现后广泛传播于中国各地，为一种急性的烈性传染病，导致了一场影响巨大的猪瘟疫情。引发生猪发病数20 319头，死亡数13 810头。

1.2 疫情对生猪价格影响的理论模型

生猪的生产周期跨度长达13个月，生猪生产通常具有周期长、规模不易变动等特征，供给和需求是生猪价格波动的主要因素，即生猪市场价格会影响下一周期的产量，而本期产量通常受到前期价格的影响。决定当期生猪供给量的上一期价格和决定当期生猪需求量的即期价格有可能不一致，这就导致了生猪产量和生猪价格偏离预想的均衡状态，出现产量和价格的非正常波动。在市场自发机制的作用下，生猪供给出现明显滞后，养殖人员、生产者很大程度上依照现有滞后信息做出错误判断，进而导致生猪价格呈现周期性的波动。然而，传统蛛网模型只是指出了具有明显供给时滞性的价格周期性波动现象的存在。近年来，疫情对生猪价格的冲击明显增大，对于生猪价格大幅度的波动，“看不见的手”的市场化理论并不能很好地解释价格上涨和价贱伤农并存的困局，疫情等外部冲击因素成为这几年影响价格非正常波动的关键[19]。上述重大疫情都在不同程度上影响了生猪价格的上涨或下跌，这种影响往往先作用于产品的供求关系，进而引起价格变动。对于需求方面而言，疫情暴发会引发消费者恐慌，短时间内消费者对生猪及相关产品需求大幅下降[20]。对于供给方面而言，其一，各类疫病自身带来的患病和死亡，都会直接减少生猪的供给量。其二，养殖人员在面对疫情时，为防止后续养殖成本全部亏损，会对已有生猪采取降价处理，因此造成了短期内供应量上升的情况。其三，部分养殖户因疫情导致的亏损严重，选择暂时或永久退出养殖市场，市场内养殖户减少，生猪供给量也随之减少。其四，中小养殖场对疫情的抗击能力较弱，大型养殖场规模化和集约化程度加强，产能上升，供给量进而增加。当需求变动大于供给变动时，出现供不应求现象，生猪价格上涨；当需求变动小于供给变动时，出现供过于求现象，生猪价格下跌。除了消费者和养殖人员造成的影响，政府政策和生猪饲料成本也会影响生猪价格。如生猪禁运政策，加剧了封锁区内的供过于求和主要消费区的供不应求，最终导致生猪价格上涨。如生猪饲料价格下跌，会直接导致生猪价格下跌。

2 实证分析

2.1 模型构建

2.1.1 VAR模型 由于疫情和生猪价格之间不仅存在相互间的当期关联性，还受到彼此滞后期造成的影响，为尽量详实地反映疫情和生猪价格之间的具体动态关系，构建向量自回归模型(VAR模型)，其作为自回归模型(AR模型)的推广版本，不设定预先经济理论约束，通过模型内的所有当期变量对其滞后变量的回归来构造VAR模型，可以有效反映时间序列的变动特征和作用方式[21]。因此，本文设定用于讨论疫情和生猪价格波动机制的VAR模型如下。

图1 疫情对生猪价格的影响路径

(1)

式中：Yt为第t期的生猪价格；Xt为第t期的疫情宽度指数；c为常数项；αi为生猪滞后的t-i期对其第t期的影响系数；βi为疫情宽度指数滞后的t-i期对其第t期的影响系数；et为误差向量；p为滞后阶数。

2.1.2 ADF检验 VAR模型构建的前提之一是使用的时间序列数据具有平稳性，而Augmented Dickey-Fuller检验(ADF检验)作为扩张的Dickey-Fuller检验形式，可以有效地检验随机时间序列的平稳性质[22]。基于“时间序列存在单位根”的原假设，做出如下3类检验：

(2)

式中：Xt为第t期的时间序列数据;α为常数项;p表示Xt的滞后期数;βi为被检验时间序列数据的t-i期对其第t期的影响系数;ct为趋势项;εt为误差项。以上模型的原假设均为H0：γ=0，存在单位根。检验结果选择Xt-i项时模型回归得出的T检验值作为ADF检验值，将该检验值和10%、5%、1%显著性的临界值做出对比，如果小于临界值，则可以拒绝原假设，即认为在该临界值的显著性水平下，序列具有平稳性。

2.1.3 滞后阶数判定 对滞后阶数做出选择是VAR模型构建的重要环节，滞后阶数越大，模型动态特征越能得到充分反映，然而滞后阶数越大，模型的自由度也会越小。为了保证足够数目的滞后，同时又做到尽量少地折损自由度，以下5类检验都可以帮助最佳滞后阶数的判定：

(1)似然比统计量(LR)，通常用于验证线性约束条件能否成立，定义为：

(3)

(2)赤池信息量(Akaike information criterion，简称AIC)准则，以“熵”为基础发展得来。贝叶斯信息(Bayesian information criterion，简称BIC或SC)准则，汉南-奎因(Hannan-Quinn，简称HQ)准则，上述3种准则都是能够反应拟合优良程度的标准，值越小拟合表现越优秀，一般表示为：

(4)

式中：L为似然函数；k为参数数量；n为样本序列长度。

(3)最终预测误差(Final Prediction Error，简称FPE)准则，通过对AR模型由低阶到高阶的构建，一直到确立出最小p值来最终定阶，一般表示为：

(5)

2.2 数据说明

本文选取2009年2月至2020年7月共138个样本，以生猪疫情宽度指数的月度数值代表疫情指标，并以全国生猪价格的月度数据为生猪价格数据。上述数据均源于布瑞克农业数据库(http://www.agdata.cn/)，中国畜牧业信息网(http://www.caaa.cn/)。疫情宽度指数由布瑞克农业食品产业链调研中心提供研究支持，根据暴发范围、事态重要度等方面综合量化打分得出，主要反映生猪疫病发生的范围情况。

生猪价格作为经济变量因素，存在明显季节特征。为使数据更加准确反映其基本趋势，本文采取X-12-ARIMA方法进行季节调整。季节调整诊断报告显示Q统计量(评价季节调整质量的复合指标，值小于1时调整可以被接受，值越小表明季节调整质量越高)为0.55，给出结果为接受，且谱图中垂线未落于峰值上，说明季节调整处理不存在不充分，总体结果可接受。后续研究中将使用调整后的生猪价格为研究数据。

2.3 生猪价格和疫情的波动趋势

对比生猪价格波动和疫情宽度指数起伏情况(图2)，可得以下特征。生猪价格受到疫情影响起伏波动。由图2可发现，在疫情明显严重时，价格波动也较为剧烈。如2010年2月至2015年2月这5年内疫情宽度指数和生猪价格都发生了相似的持续起伏波动，疫情宽度指数在0.15到0.39区间连续3次上涨再下跌地重复波动，相应地生猪价格在9.53～18.93元·kg-1发生周期性涨跌。疫情导致的仔猪死亡、能繁母猪存栏减少、生猪饲料价格上升等都会促使生猪产量降低、生猪价格上涨，而消费者恐慌心理又会致使生猪需求量减少，以上因素都会推动生猪价格的起伏波动。

图2 生猪价格和生猪疫情宽度指数(宽度指数高于0.25表明疫情严重)

生猪价格波动相对疫情发生存在滞后性。观察二者波动趋势，最为明显的滞后表现在2018年2月到2020年初期间，非洲猪瘟持续近一年半的时间，疫情严重程度从2018年3月不断增加直到2019年初达到顶峰，并且在之后一年逐步下降，疫情宽度指数从2018年2月的0.17上升到2019年1月的0.74。然而生猪价格上涨却是从2019年初开始，直到最高点发生在2020年初，生猪价格从2019年3月的14.35元·kg-1上涨到2020年2月的37.11元·kg-1，明显存在接近一年的滞后期。滞后原因通常是初期政府的调控，促使疫情在初期对生猪价格的作用效果较低，而后期市场上小规模养殖人员在受到前期疫情影响，由于亏损过多或考虑到风险较大，养殖积极性下滑，选择或暂时或彻底退出养殖，从而引发对生猪价格的滞后波动效果。

2.4 平稳性检验

为确保时间序列的平稳性，消除伪回归发生的情况，对模型中的变量X和Y进行取对数处理，即疫情宽度指数的对数形式记为lnX，生猪价格的对数形式记为lnY，同时取得lnX的一阶差分序列D(lnX)和lnY的一阶差分序列D(lnY)。通过ADF检验方法考察上述各序列的平稳性，检验结果如表1。

由表1可得，lnX变量序列平稳、lnY变量序列不平稳，但其一阶差分序列D(lnX)、D(lnY)序列在检验精度1%下平稳，通过数据平稳性检验，具备构建VAR模型条件。

表1 数据平稳性检验—ADF检验

2.5 最优滞后阶数判定

本文由AIC、SC、HQ三大信息准则、LR统计量以及FPE对滞后阶数进行判定，由表2可得，LR统计量和最终预测误差FPE、AIC准则均表明该模型滞后期为10，据此构建VAR(10)模型。

表2 滞后阶数判定

2.6 VAR模型稳定性检验

在对VAR模型后续操作前，需要检验其稳定性，因此计算AR特征多项式的逆根，若特征根的模整体均分布在单位圆内部，说明模型具有稳定性。结果如图3，特征根总体都分布在单位圆内部，证明模型VAR(10)具有稳定性，适合进行后续模型的讨论。

图3 AR特征多项式的逆根

2.7 GRANGER因果检验

为检验生猪价格和疫情之间的因果关系，即疫情与生猪价格之间是否相互存在预测效果，对此本文使用GRANGER因果检验方法进行检验，检验结果见表3。

由表3可得，在1%显著性水平下，X是Y的GRANGER原因，Y不是X的GRANGER原因。说明疫情能够引发生猪价格波动，疫情的情况在一定程度上对生猪价格未来一段时间的波动有预测效果，而相反地生猪价格走势情况对未来疫情发展情况不具备预测效果。

表3 GRANGER因果检验

2.8 脉冲响应分析和方差分解

为更全面地对VAR模型做出分析，本文运用Eviews9.0软件对该VAR(10)模型做出脉冲响应图，分析一段时间内生猪价格变量发生的动态影响。即模型中的一个变量受到冲击时，测试该冲击效果，发现这个冲击效果能否对其余变量产生作用，具体表现为生猪价格对应疫情波动发生的动态影响，将该变化绘制成变量间的脉冲响应图形，如图4。

图4 生猪价格对疫情的动态响应

由图4所示，生猪价格对疫情的动态响应表现为面对疫情指数每1单位的正向影响，会促使生猪价格首先做出负向反应，如最初4个月响应函数小于0，表现为负向响应指数，即在前4个月整体保持每单位疫情冲击时生猪价格下降的趋势，最大负向响应程度表现为-0.007，但基本稳定在-0.005标准差左右。自第5个月起响应程度为0.004即出现正向反应，说明此时开始疫情冲击反而使得生猪价格逐渐上涨，上涨幅度到第11个月达到最高点为0.011标准差，一直到第13个月为0标准差，说明影响趋弱，但自第15个月开始反而逐渐出现向上趋势的正向反应，从-0.001开始到第16个月达到0.004，又在第17个月下降到-0.001及至后期影响波动趋弱与0点相贴近。

总体表明，生猪价格在前4个月受到疫情负向影响，第5个月到第13个月和第15个月至第17个月受到正向影响且在第11个月达到最大程度，并在第17个月开始影响趋于消失。这是因为疫情出现初期，消费者出现恐慌情绪，抗拒消费猪肉，转而寻找替代品，猪肉需求量下降，生猪价格下跌。疫情发生5～18个月左右时间内，疫情影响发酵，猪肉产量大幅下降，促使市场生猪价格上涨。疫情发生14～17个月，正值前1年受疫情所困的大量散养户在第2年选择退出养猪市场，此时消费者需求处于常态，而市场生猪供给量大大降低，供不应求，疫情带来的后续影响开始推动生猪价格不断上涨。在疫情开始约18个月时间后，受到国家政策安抚，疫情基本得到控制或受到疫苗研发的利好消息刺激，消费者心理转变，恐慌情绪消除，疫情对生猪价格影响逐渐消失。

方差分解分析作为VAR模型分析的重要部分，可以有效解释变量之间的具体影响程度及发展趋势。由图4可知，生猪价格对疫情的动态响应在14个月后趋于0，因此，本研究对VAR(10)模型中生猪价格方差分解讨论时间为14个月。结果见表4。

表4 生猪价格的方差分解结果

从表4第3列(疫情对生猪价格的每月影响程度)可以发现，疫情对生猪价格波动的影响在第1个月仅为0.001%，在第2个月快速上升到0.790%，并且之后呈上升趋势，最大影响程度出现在第11个月约8.223%，表明疫情的最大影响的出现大概存在约10个月的滞后效应，第11个月后呈缓慢下降趋势，但仍存在约8%的影响程度。同时对14个月影响程度求均值，得出疫情发生后对生猪价格的平均影响程度约为5.03%。而市场价格趋势对生猪价格的影响程度在整个14个月内大致呈现出“V”字型，从第1个月的99.999%影响下降至第11个月时的91.777%的影响，而后又略微上升至91.908%，明显始终高达90%以上的影响程度。表明在疫情发生14个月内，生猪价格的波动主要受到市场价格趋势的影响，上期的价格会对本期的价格产生较大影响，同时疫情造成的冲击影响也不可忽视。

3 结论及建议

3.1 研究结论

(1)疫情对生猪价格的波动影响呈现持续性和滞后性。

(2)疫情作为生猪价格的GRANGER原因，反之则不成立，其本身在初期4个月内对生猪价格造成直接的负向影响，在中期第5个月到第13个月对生猪价格产生正向影响且影响程度在第11个月达到最大，第15个月至第17个月对生猪价格造成间接性的正向影响，第17个月之后疫情的影响趋于消失。

(3)在疫情发生后14个月内，疫情对生猪价格的平均影响程度约为5.03%，最大影响时滞约10个月，在第11个月时影响达到最大值8.223%，疫情是影响生猪价格的重要因素。

3.2 政策建议

(1)加强疫情净化，实现高效管控。疫情处理效率影响疫情持续长度，相关部门应当落实到位各项净化疫情操作[23]，做到快速高效的根除。整体疫情净化模式方面，参考国际上控制猪瘟疫病的方式，根据国内疫情范围广、蔓延快的特点进行部分改良，强调以国家统一政策和地方特色措施相结合，在短期内控制住疫情的蔓延扩大。在疫情管控细节方面，应建立以政府为主导、以猪肉企业为核心、以各大小养殖场为关键的疫情管控体系，对屠宰场、猪场等可能受污染的用具做到及时彻底消毒，对疫病影响区的生猪、冷冻猪肉实施全面检测。一旦发现当地疫情后要迅速向上级部门通报，严格扑杀当地受感染的病猪并实施无污染焚烧，严禁风险区与非风险区之间生猪转运，控制感染区内生猪移动，禁止使用垃圾食物和泔水对生猪进行喂养。

(2)提升调控能力，保证供应、稳定猪价。一方面，相关部门应当加强调控，在疫情发生后市场生猪供给严重不足时，加强猪肉主要调出省份产能布局[24]，适度投放储备猪肉或扩大进口猪肉量，及时保障市场需求的满足，降低疫情带来的市场影响。另一方面，关注市场猪价的波动，建立价格调控机制，合理控制价格起伏。对于生猪养殖企业，相关部门应当严格把控企业产能，杜绝无序生产，避免投机主义加剧生猪市场供需失衡，加强引导作用，适度恢复产能，保证行业稳定发展。同时，及时发布官方通报，降低消费恐慌心理，保证民众消费信心，防止价格出现暴涨暴跌，避免生猪市场混乱。

(3)保障生猪养殖，加快稳步复产。首先，要加大疫情后的补助资金投入，对积极主动扑杀病猪的人员给予屠宰奖励，帮助疫情受损养殖人员的资金回流，推动养殖安全保险和养殖业生产补贴的全面覆盖，鼓励养殖人员在疫情受挫后的再生产，帮助市场生猪存量实现有效恢复[25]。其次，要加强养殖人员的科学防疫知识，广泛宣传猪瘟疫病的危害，督促养殖人员提高健康养殖的技术水平。定期开展科学饲养和有效防疫的宣讲，适当进行养猪防疫培训，邀请专业养殖技术人员演讲并进行实践指导。最后，相关部门对不合格猪场进行升级改造，提高猪场分区化建设，分期为养殖场注射各类疫病防护疫苗，加强基础防控。