袁艳云，何忠伟，刘 芳

（北京农学院经济管理学院/北京新农村建设研究基地，北京 102206）

在京津冀一体化大背景下，京津冀奶业协同发展成为大势所趋[1]，京津冀奶业布局可借此机遇进行调整优化，优化的关键是对京津冀奶业布局特征及其影响因素进行把脉，更有针对性地调整京津冀奶业布局。

产业空间集聚是产业在空间上的一种组织形态，通常有利于生产要素和技术的传播[2]，研究发现奶业空间集聚对奶业增长有促进作用[3-6]。已有关于奶业空间布局或集聚的文献多以中国奶业为研究对象，主要从2个角度展开：第一，关于奶业空间布局的时空演变分析。2008年之前，我国奶业尚处于成长期且缺乏合理布局，中国奶业的产业集中度与空间集中度都不高[7-8]。近年来中国奶业表现出较明显的地理集聚特征，从空间上表现为显著的全局正相关[9-11]。王钿等[12]研究得出1997—2016年我国奶业地理集聚度呈 “减弱-增强-减弱”的阶段性态势。第二，关于奶业空间布局或空间集聚变化的影响因素研究。起初各学者主要采用面板数据模型进行研究，相继发现城镇居民人均纯收入[13]、玉米产量[14]、大豆产量、物流水平、奶业政策[15]对奶业格局演化有显著影响。随着研究的深入，有学者发现我国奶业布局具有一定的空间相关性，因此建立计量模型时需把空间因素加入其中，否则可能会导致结果有偏或不具有有效性。故研究者们开始通过建立空间计量模型将空间因素纳入模型[16-19]，以使估计结果更准确。本文借鉴各位学者研究中国奶业空间集聚特征及其影响因素的方法，研究京津冀奶业空间集聚特征及其影响因素，以期为京津冀奶业布局优化工作提供参考。

1 研究方法

1.1 空间集聚程度测度指标

1.1.1 产业地理集中率 产业地理集中率是测度某产业空间集聚度大小的常用指标，反映某产业规模最大的几个市区相关产业指标占整个区域同一指标整体份额的比重。计算公式如下：

其中，Xi表示某一地级市的生鲜乳产量，n表示产量最高的前n个地级市，N表示京津冀地级市总数，本文选取n=2，4，计算前2位和前4位地级市奶业的地理集中率。

1.1.2 空间基尼系数 借鉴肖卫东等[20]、邓宗兵等[21]、程长林[22]的研究，定义奶业的空间基尼系数：

其中，N为京津冀地级市总数；μ为各地级市生鲜乳产量占京津冀生鲜乳总产量比重的均值；p、q分别表示不同的地级市，p ≠q；Xp和Xq为p、q市生鲜乳产量占京津冀生鲜乳总产量的比重。GINI的取值范围为[0，1]，值越大表明空间集聚度越高，0.4是空间分布均匀与否的警戒线。

1.2 空间计量模型 为利用多个体动态行为的信息，并尽可能保证样本容量足够大来提高估计的精确度，本文实证分析部分采用各变量2006—2017年京津冀县域数据，建立空间面板模型。

1.2.1.空间误差模型（SEM）设定模型时可能会遗漏一些对因变量有影响的重要变量，若这些遗漏变量存在空间相关性，用经典计量估计会导致结果不具有效性，故需引进SEM模型，来衡量邻近地区由于因变量误差项引起的空间溢出对本地的影响，面板数据SEM模型的一般表述如下：

其中，yit为因变量，Xit为1×k阶自变量向量，β为k×1阶回归系数列向量，N为区县数，T为观测时期数，wij是N×N阶空间权重矩阵W的第i行j列个元素，本文W采用空间邻接权重矩阵，若地区i与j相邻则wij=1，若不相邻则wij=0，同一个地区不可能与自己相邻，故wii=0。用ci来测度个体固定效应，用αt来测度时期固定效应。εit为随机误差项，为空间误差项，λ为其回归系数，若其通过显著性检验，表示误差项存在空间相关性。

1.2.2 空间滞后模型（SLM）若因变量之间存在空间相关性，再用OLS估计会造成结果有偏，故需建立SLM模型，通过加入因变量的空间滞后项表示空间相关作用，面板数据的SLM模型设定如下：

1.2.3 SLM模型自变量的直接效应与间接效应 由于因变量空间相关性的存在，传统的自变量系数和显著性检验不再适用，LeSage和Pace用偏微分来解释SLM模型中自变量对因变量的影响[23]。将SLM模型中的y全部移项到等号左边，再进行整理可得到（5）式所示的一般通用形式：

将（5）式展开得到（6）式：

其中，Sr（W）=V（W）INβr；V（W）=（IN－ρW）-1=IN+ρW+ρ2W2+ρ3W3+…，由（6）式得到yi对于xir和xjr分别的导数为：故Sr（W）的对角元素表示了直接效应，即空间单元自身的自变量对因变量的影响；非对角元素表示间接效应，即其他空间单元的自变量对该空间单元因变量的影响。通常在实际研究中更关心所有空间单元平均的效应，故LeSage和Pace[23]定义为平均直接效应，为平均总效应，为平均间接效应。

2 京津冀奶业空间集聚特征和演变趋势

本文采用京津冀13个地级市2006—2017年的生鲜乳产量（采集自2007—2018年各地级市统计年鉴），计算产业地理集中率（CRn）和空间基尼系数来考察京津冀奶业的空间集聚特征和演变趋势。

2.1 京津冀奶业空间集聚程度较强 如图1所示，2006—2017年，京津冀奶业CR2在39.27%～42.49%波动，CR4在64.78%～69.94% 波动，如图2所示，空间基尼系数在0.474 1～0.493 6波动，表明京津冀奶业空间集聚度较强，且呈整体上升趋势。唐山始终是京津冀近十几年来生鲜乳产量最高的城市，生鲜乳产量占京津冀生鲜乳总产量的比重一直在20%以上；2008年之前，唐山和石家庄为京津冀生鲜乳前两大产区，2008年之后张家口超越石家庄，与唐山一起成为生鲜乳主产区前两位，2010—2017年，唐山、张家口、石家庄、保定稳定地占据了京津冀生鲜乳产量的前4名。

2.2 京津冀奶业空间集聚度呈“散-集-散”的阶段性特征 由图1、图2可知，京津冀奶业空间集聚度的走势大体分为3个阶段：2006—2008年，京津冀奶业空间集聚度下降；2008—2015年，集聚度稳步上升；2015—2017年，又呈略微下降趋势。第一阶段，河北奶业处于生产、加工、消费的同步快速增长期[24]，虽然唐山、石家庄、北京、天津这些经济较发达的大城市奶业起步早且基础雄厚，但张家口、保定、廊坊等地奶业此期高速发展，京津冀奶业布局在一定程度上呈现分散态势。尽管奶业在短期高速发展，但也存在着产业链利益分配不均等隐患，最终导致了2008年“三聚氰胺”事件的爆发[25]。事件发生后，中央和河北省出台了一系列政策法规大力整顿奶业，奶业空间集聚度逐渐加强。第三阶段，2015年《京津冀协同发展规划纲要》颁布后，京津冀奶业协同发展工作也开始逐步推进，为缓解京津资源紧缺以及环境污染等问题，京津地区的奶业陆续向廊坊、保定、张家口等城市转移，京津冀奶业在空间上呈现略微分散态势。

3 京津冀奶业集聚发展的影响因素分析

3.1 指标选择与数据说明 借鉴各学者对中国奶业集聚发展影响因素的研究，选取表1所示的变量研究京津冀奶业集聚发展的影响因素。因变量为奶业布局指标，自变量考虑对奶业布局与发展产生重要影响的土地资源、饲料资源、经济水平与物流水平。用耕地面积来代表土地资源，土地确权制度改革使奶牛养殖占地需要与耕地面积保护竞争性凸显，同时，产生的粪便作为有机肥就近消纳还田也需要配套的耕地[26]；用玉米、大豆产量来代表饲料资源，人均GDP和城镇化率反映经济水平，公路里程反映物流水平。这部分选取2006—2017年京津冀172个区县的各变量数据（采集于2007—2018年各地级市统计年鉴）建立相应的面板数据模型。各变量的描述性统计见表1。

3.2 因变量空间相关性检验 在进行计量分析之前，需对因变量进行空间相关性检验，若不存在空间相关性，只需使用经典计量分析方法，若存在空间相关性，则需建立空间计量经济模型。Moran's I检验是考察变量是否具有空间相关性的常用方法，本文运用GeoDa软件计算出了2006—2017年京津冀县域生鲜乳产量的Moran's I指数结果，如表2所示。

因变量的Moran'I指数均为正值，且均在1%水平下显著，表明2006—2017年京津冀县域生鲜乳产量有明显的空间正相关，故需建立空间计量模型。

3.3 模型估计与选择 本部分计量过程，运用Matlab（R2013b），借助Elhorst教授提供的程序代码实现[27]。

首先建立无空间效应的面板模型，进行Hausman检验，以确定建立固定效应还是随机效应模型，Hausman检验结果显示P值小于0.05，建立固定效应模型更合适。然后根据Anselin[28]提出的判别准则，确定建立何种类型的空间模型：进行LM检验，若LM_lag的检验值较LM_error显著，且Robust LM_lag较Robust LM_error值更显著，则建立空间滞后模型（SLM）；反之，建立空间误差模型（SEM）。表3展示了4种经典的无空间效应面板模型的LM检验结果，第1列混合OLS模型的Robust LM_error检验支持建立SEM模型；第2列个体固定效应面板模型中LM_lag的检验值较LM_error更显著，Robust LM_lag在10%的水平下显著，Robust LM_error不显著，故建立SLM模型更合适；第3、4列均显示Robust LM_error更显著，选择建立SEM模型。

根据表3选出的模型类型，分别建立个体固定效应下SLM模型与混合效应、时期固定效应、时空双固定效应下的SEM模型，估计结果如表4所示，并通过R2、Log-L值和具体变量的显著性选出拟合效果最佳的模型。

由表4发现，模型（2）与模型（4）R2和Log-L值较另2个模型大，模型（2）R2最高，模型（4）Log-L值最大，比较2个模型具体变量的显著性发现，模型（4）中只有玉米产量1个变量在1%水平下显著，而模型（2）中玉米产量和人均GDP均在1% 水平下显著，且土地资源在5%水平下显著，模型的经济解释意义更强，故最终选择模型（2）为主模型，对京津冀奶业空间集聚的影响因素进行探讨。

表1 各变量的描述性统计

表2 Moran's I检验结果

3.4 估计结果分析

3.4.1 相邻区县奶业发展趋同，有空间集聚现象 模型（2）的系数ρ为各区县生鲜乳产量的空间相关类型与强度大小，该估计值为0.299 0，且在1%水平下显著。表明各区县生鲜乳生产水平存在显著的空间正相关，相邻区县的奶业发展环境相似，奶牛养殖模式、技术会互相传播与学习，乳品消费需求相近，使邻近区县的奶业发展出现趋同与集聚现象。

表3 无空间效应面板模型空间依赖性检验结果

表4 空间面板计量模型估计结果

3.4.2 土地资源对京津冀奶业集聚与发展有显著正影响在模型（1）与（3）中，土地资源在1%水平下显著，模型（2）中土地资源在5%水平下显著，模型（4）中土地资源在10% 水平下显著，且估计系数均为正，说明土地资源对奶业布局发展有相当重要的作用，丰富的土地资源会促进奶业的集聚与发展。近几年，京津奶牛养殖量超出了资源环境承载力，亟需进行疏解，故超出承载力的部分应逐渐向土地资源相对较为丰富的河北省相关区县转移。

3.4.3 玉米产量对奶业空间集聚有显著正影响 玉米产量在模型（1）～（4）中均在1% 水平下显著，且系数均为正。有研究显示，奶牛养殖优势区的玉米总产量合计占到全国总产量的53.76%[29]，故玉米的生产布局是影响奶业空间布局的另一重要因素。

3.4.4 人均GDP对奶业集聚有显著正影响 在模型（1）～（3）中，人均GDP均在1%水平下显著，且系数均为正。人均GDP代表某地区的综合经济水平，值越高说明经济综合发展水平越高，人民生活水平越高，对乳品的消费需求就越高，旺盛的消费需求会带动关联区域奶业的综合发展。

3.4.5 大豆产量、城镇化率、公路里程未通过显著性检验 在模型（1）～（4）中，上述3个变量的显著性均不稳定，系数的正负也不稳定，说明这3个变量对京津冀奶业发展的影响较不稳定。

大豆作为奶牛优质蛋白饲料原料，其产量未对京津冀奶业发展形成显著正影响，说明其生产布局需进行优化。一方面，大豆产量过少，豆粕类饲料生产大量依靠进口大豆；另一方面，2006—2017年京津冀生鲜乳与大豆产量重心的迁移方向相反，两者的生产布局呈现一定不匹配现象[30]，致使大豆并没有为京津冀奶业发展起到积极作用。

在模型（2）中，城镇化率对生鲜乳产量的影响系数为负，但未通过显著性检验。城镇化率虽反映一个地区的经济水平，但并不像人均GDP一样更侧重于反映居民生活水平，城镇化率更侧重于表现人口、地域、社会经济组织形式和生产生活方式由传统乡村型向现代城市化的转变，其中会涉及产业结构的转变与生产生活方式的变革。经济水平的提升虽会提高乳品消费需求，但城镇化率提高带来的更多是传统奶牛养殖业发展模式与城市新型定位的不匹配，城市的环境承载力达到上限，使得奶牛养殖业中没有转型成功的部分被裁减，这是产业转型中的必然现象，表现为城镇化率对奶业发展的负影响，但该影响并不显著，故必要的转型升级不会对京津冀奶业发展造成巨大影响。

在模型（1）～（4）中，公路里程的估计系数均未通过显著性检验，在主模型（2）中，公路里程对生鲜乳产量有正影响，说明物流水平的提高对京津冀奶业发展有一定的促进作用。理论上，物流水平的提升可提高物流效率、节约物流成本，对奶业的空间集聚与整体发展应有显著正影响，但该影响不显著，表明京津冀奶业的物流基础设施建设仍需加强。

3.4.6 空间效应分解 SLM模型中自变量对因变量的影响系数需通过直接效应、间接效应和总效应来进行解释，故进一步估计出表5的空间效应分解结果。

表5 个体固定效应SLM模型空间效应分解

表5估计得出的系数显著性与表4模型（2）估计结果相同，土地资源、玉米产量与人均GDP的直接效应、间接效应和总效应均显著，另外3个变量的3种效应均不显著。

表5显示，本地耕地面积每多出1万hm2，会带动本地生鲜乳产量增加0.253 2万t，邻近地区的耕地面积每多出1万hm2，会带动本地生鲜乳产量增加0.102 1万t，共可带动本地生鲜乳产量增加0.355 3万t。这说明不仅本地土地资源丰富能促进本地奶业发展，邻近地区土地资源丰富也可为本地奶业发展助力。这是因为邻近地区土地资源丰裕，饲料资源也会相对丰实，相邻地区的资源便于交易共享，加强奶业空间集聚，共同促进奶业发展。

本地玉米产量增加1万t，可使本地生鲜乳产量增加0.103 7万t，邻近地区的玉米产量增加1万t，可使本地生鲜乳产量增加0.041 8万t，共可使本地生鲜乳产量增加0.145 5万t，该结果比较符合通常的认知。

本地人均GDP每增加1万元，可带动本地生鲜乳产量增加0.088 3万t，邻近地区的人均GDP每增加1万元，可带动本地生鲜乳产量增加0.035 5万t，共可使本地生鲜乳产量增加0.123 8万t。无论是本地还是周边地区消费者生活水平的提高，都会带动乳制品消费需求的上涨，从而促进相关联区域的奶业空间集聚与发展。举例来说，唐山奶业的繁荣与其紧邻京津、乳品消费需求旺盛有密切关联，京津地区也在一定程度上受益于唐山丰富的土地与饲料资源，在长期的相互促进中，京津唐区域的奶业形成了一定的空间集聚，又进一步促进了奶业的繁荣发展。

4 结论与建议

4.1 研究结论 京津冀奶业布局具有明显的空间集聚特征，并呈现“散-集-散”阶段性趋势。耕地面积、玉米产量、人均GDP对京津冀奶业发展与空间集聚有显著正影响，大豆产量、城镇化率、公路里程对京津冀奶业发展的影响不显著。

4.2 对策建议

4.2.1 资源共享，科学转移 发掘河北省具有奶业增长潜力的区域，充分发挥这些区域的自然资源优势，科学合理地对京津发展受约束区域的奶业进行转移。河北省黑龙港流域的自然资源禀赋优越，但奶业发展较不发达，可以考虑将部分养殖业向此区域转移，既可缓解大城市养殖压力，又可带动该区域的经济发展。

4.2.2 辐射带动，互利共赢 北京、天津、石家庄等奶业发展水平较高的大城市，具有资金充足、技术先进等优势，在奶业转移的过程中，不仅要利用其自然资源，还应将配套的资金、技术甚至加工企业一并提供给潜力区，促进潜力区奶业综合发展，提高人民生活水平，拉动其乳制品消费需求，再进一步带动奶业发展，引导京津冀奶业发展进入良性循环。

4.2.3 转型升级，可持续发展 大城市奶牛养殖业外迁不是简单地将污染环境的养殖场重新建到尚未开发的区域，而是将粪污排放合格、环境友好的新型养殖场迁入新区域。对与新型发展理念不相符的、造成严重环境污染的养殖场，应坚决进行取缔或强制转型升级。

4.2.4 物流优化，提升效率 物流基础设施建设和冷链物流技术需进一步强化提升，高效的物流是京津冀奶业一体化的强心剂。目前京津冀一小时经济圈还不能到达衡水、邢台、邯郸等区域，若把养殖场迁到这里尚无法保证运往京津的生鲜乳质量，但这里确实是自然资源禀赋优越的奶业发展潜力区。若物流效率得到提升，可保障京津奶业向距离更远的区县迁移，更大限度地共享资源、辐射资金技术，促进京津冀奶业一体化发展。