随着居民生活水平提升、食物消费结构转变，肉牛养殖行业作为我国畜牧领域核心组成正快速发展。国家统计局数据显示，2022年国内肉牛存栏量约10 216万头、出栏数量4 840万头，对应牛肉产量达到718万t[1]。一般普通犊牛出生至出栏需要2.5年以上，高档雪花肉牛育成时间长达3年[2]。在此期间肉牛养殖企业需持续投入饲料及人工成本，而成本投入的规模影响肉牛养殖行业可持续发展[3]。其中，饲料成本是提高整体肉牛养殖成本的主要因素之一。肉牛养殖除投入秸秆等粗饲料外，也需投入大量精饲料[4]。饲料行业作为肉牛养殖产业链条的重要环节，对应产品价格会因产业政策调整、原料期货价位产生波动[5]，并传导至肉牛养殖成本。饲料价格波动对畜牧养殖成本的影响已经得到诸多研究验证[6-7]。胡向东等[8]实证得知，饲料结构会对肉牛养殖成本风险大小和发生概率产生影响。李俊茹等[9]指出，肉牛养殖面临各类成本要素投入压力，不利于行业长久可持续发展。马晓萍等[10]发现，“粮改饲”政策实施可有效改善肉牛养殖投入要素价格，对肉牛养殖饲料成本产生积极影响。本文通过建构向量自回归模型，就饲料价格波动对肉牛养殖成本的影响开展实证研究，为肉牛养殖行业应对饲料价格波动提供参考。1实证设计1.1模型设定VAR模型即在险价值模型。通常情况下，学界普遍将VAR模型用于价格、货币领域的风险衡量[11]。与其他模型相比，VAR模型兼具多元线性回归、时间序列模型优势[12]，可在分析过程中纳入多个因素，且可融入滞后项展开全面分析[13]。同时，VAR模型在具体建构过程中会将每一内生变量作为滞后值函数引入，以此得到整体内生变量之间的动态关系[14]，较适宜本文饲料价格波动的内容研究。设定含有x个变量滞后t期的VAR（t）模型如式（1）：Mi=R+Π1Mi-1+Π2Mi-2+⋅⋅⋅+ΠtMi-t+μi (1)式中：Mi为x×1阶内生列向量；R为x×1阶常数列向量；Π1, Π2⋅⋅⋅+Πt为x×x待估计矩阵；μi为x×1阶随机误差列向量。考虑到研究着重探讨饲料价格波动与肉牛养殖成本两个变量的关系，本文参考唐利群等[15]的研究，在式（1）基础上构建双变量且滞后二期的VAR线性方程组，见式（2）：mi=r1+Π11.1mi-1+Π12.1ni-1+Π11.2mi-2+Π12.2ni-2+μ1ini=r2+Π21.1mi-1+Π22.1ni-1+Π21.2mi-2+Π22.2ni-2+μ2i (2)将其转换为矩阵形式，如式（3）所示：mini=r1r2+Π11.1Π12.1Π21.1Π22.1mi-1ni-1+Π11.2Π12.2Π21.2Π22.2mi-2ni-2+μ1iμ2i (3)由此可知，VAR模型核心在于分析联合内生变量之间的动态关联，且并不具备任何约束条件。研究可应用脉冲响应函数及方差分解，对饲料价格波动与肉牛养殖成本间的动态关联与内在特征进行解析。1.2变量选取饲料价格波动（FFP）：考虑到配合饲料产品价格走势是肉牛养殖FFP的直接体现，本研究首先选取肉牛配合饲料全国均价作为FFP的核心代表。此外，玉米、豆粕作为饲料行业原料，对应期货价格、基础价格调整亦会导致FFP[16]。为此，本研究选取饲料原料和配合饲料2大属性3种产品共同构成FFP的评价指标，包括豆粕全国均价、玉米全国均价、肉牛配合饲料全国均价，在实际测算过程中使用三者算数平均值。肉牛养殖成本（CCF）：CCF所包含的内容相对丰富，涵括多个成本支出项目[17]。就实际情况分析，CCF包括固定投入、人工支出、饲料支出、仔牛补栏[18]。其中，固定投入与人工支出属于长期沉默成本[19]，在开展研究时将其排除在外。因此，将CCF使用饲料购置、仔牛补栏支出的对数作为衡量方式。1.3数据来源及处理选取2020年6月至2022年6月作为样本区间，研究时间共计24个月。样本数据主要来源《中国农村统计年鉴（2022）》《全国农产品成本收益资料汇编-2022》以及《中国农业展望报告（2014—2023）》。部分数据采集自国家统计局、中国饲料工业协会、中国畜牧业信息网及Wind数据库。对于偶有年限缺失数据，采用插值法进行补齐。为避免时间序列数据存在异方差现象，借鉴孙宇等[20]的研究，取全部样本数据的自然对数作为基准数据。2实证分析2.1变量平稳性检验采用VAR模型开展检验前，有必要确定研究变量是否具有稳定性[21]。而对于非平稳时间序列的变量，如所选变量之间存在协整关系也可建立VAR模型[22]。为此，本研究先行使用ADF检验对FFP、CCF分别开展平稳性检验，涉及数据处理均使用Eviews 8.0软件，结果见表1。由表1可知，FFP、CCF分别在5%、1%的显著性水平下拒绝单位根原假设。由此，本研究所选变量均为平稳序列，可直接应用VAR模型进行实证分析。10.13557/j.cnki.issn1002-2813.2023.15.036.T001表1变量ADF单位根检验变量名称t统计量P值是否平稳lnFFP_SA-2.853 30.031 9平稳**lnCCF_SA-2.701 10.050 2平稳***注：“**”“***”分别代表在5%及1%的显著性水平上拒绝单位根原假设。2.2分析准备2.2.1确定滞后阶数在具体构建VAR模型展开分析时，需确定变量的之后阶数t[23]。考虑到研究样本是以月度数据为研究时间单位，本文选取月度最大时区为滞后期，即t为12。滞后阶数确定结果见表2。10.13557/j.cnki.issn1002-2813.2023.15.036.T002表2滞后阶数滞后阶数似然函数值似然比率最终预报误差准则赤池信息准则施瓦茨准则汉南-奎因准则092.227 3NA0.000 3-2.013 9-2.056 9-2.102 21402.214 549.392 60-8.317 4-8.141 2-8.241 52409.401 855.752 6*0-10.141 6-9.634 9*-9.894 5*3439.201 78.833 30-10.176 8*-9.527 4-9.666 74456.720 99.157 20-10.041 2-9.368 5-9.788 2注：“*”表示基于准则最终确定的滞后阶数；限于篇幅，t=5至t=12滞后阶数检验结果不再列出；NA为无系数。由表2可知，当t=2时，SC准则检验数值为-9.634 9，为最小值；当t=3时，AIC准则检验数值为-10.176 8，为最小值。当AIC准则与SC准则检验结果出现异常时，可通过似然比率确定最优滞后阶数[24]。当t=2时，似然比率为55.752 6，为最大值。综上所述，本研究在实证分析过程中将滞后阶数设置为2。2.2.2格兰杰因果关系检验（见表3）格兰杰因果关系（Granger causality）主要用于检验某一变量滞后项是否对其他变量的当期值产生影响作用[25]。由表3可知，FFP与CCF互为格兰杰因果关系，即CCF受到FFP的滞后影响，FFP是CCF的格兰杰原因。10.13557/j.cnki.issn1002-2813.2023.15.036.T003表3格兰杰因果关系检验零假设F值P值lnFFP_SA不是lnCCF_SA的Granger原因7.187 20.001 3lnCCF_SA不是lnFFP_SA的Granger原因10.832 10.000 02.2.3系统稳定性检验通常系统稳定性分析普遍使用AR根表或是AR根图。为便于观测[26]，研究使用AR根图进行检验，结果见图1。10.13557/j.cnki.issn1002-2813.2023.15.036.F001图1AR根图由图1可知，在构建VAR模型之后，若模型全部根模倒数均小于1且位于单位圆内，判定VAR系统属于稳定状态，可展开下一步脉冲响应函数及方差分解分析[27]。根据图中根模倒数位置来看，所有变量单位根的模均位于单位圆内，可判定本文构建的VAR模型属于稳定系统。2.3脉冲响应函数脉冲响应函数重点用于分析模型遭遇某种类型冲击时对系统产生的动态影响，能够以可视化形式刻画随机误差项加持标准差大小的冲击后对内生变量的影响程度[28]。因此，本文通过脉冲响应函数反映FFP对CCP的冲击程度，见图2。10.13557/j.cnki.issn1002-2813.2023.15.036.F002图2脉冲响应函数图注：中间实线为脉冲响应函数具体测算数值，上下两端虚线为脉冲响应正、负标准差的偏离带。由图2可知，当受到FFP 1个单位的标准差正向冲击时，CCP在第2期产生0.003 5的响应，并呈持续上升态势，直至第5期达到峰值0.008 9。随后，CCP的响应程度逐步降低，并在第20期之后趋近于0，影响作用几近于无。就全部冲击周期而言，FFP变化对CCP产生较显著的同向影响。FFP直接关系CCP。研究表明，当饲料价格上升时，养殖企业、散养个体饲料采购成本将会提升；当饲料价格降低时，养殖企业、散养个体可能选择饲料囤积以及仔牛补栏，增加肉牛养殖短期成本投入。尚需注意，肉牛养殖企业及散养个体通常会选择囤积饲料，故FFP在第5期响应达到最高值具有合理性。2.4方差分解方差分解即拆解每一结构冲击对内生变量变化的贡献度，以此厘清不同结构冲击的重要程度[29-30]。依据已经构建的VAR（2）模型对饲料价格波动及肉牛养殖成本的关系开展定量分析，结果见表4。10.13557/j.cnki.issn1002-2813.2023.15.036.T004表4CCP方差分解结果时期标准差lnFFP_SA/%lnCCF_SA/%时期标准差lnFFP_SA/%lnCCF_SA/%10.007 8100.000 00130.071 291.131 57.713 520.016 296.456 41.151 6140.074 491.242 77.727 530.015 995.435 22.321 4150.076 991.656 67.457 740.023 494.480 94.342 6160.078 592.158 87.246 850.031 394.150 35.785 5170.079 292.264 87.155 960.038 493.804 16.894 6180.080 192.452 17.038 270.044 893.791 88.015 3190.082 392.468 86.969 680.050 593.667 19.131 4200.084 492.571 16.809 490.055 492.357 18.986 4210.085 693.010 66.758 2100.061 692.126 88.450 8220.086 293.102 26.134 4110.063 591.458 98.129 7230.088 493.312 66.051 2120.068 390.672 48.080 8240.090 993.636 65.981 2由表4可知，CCP自身的贡献率最为明显，且在研究期内呈现“增加-降低”的趋势，在第12期达到最小值90.672 4%。FFP对CCP的贡献率具有时间滞后性质，由第2期逐渐显现，且于第8期达到最大值9.131 4%，随后逐步降低，直至第24期时仍存在5.981 2%的贡献率。3结论与建议本研究基于2020年6月至2022年6月时间序列数据，应用VAR模型对FFP对CCF的影响作用开展实证分析。结果表明，FFP是直接导致CCF变化的根本原因，且FFP对CCF的作用效果存在时间滞后性。对于肉牛养殖企业而言，合理控制饲养成本是提升养殖效益甚至实现行业稳步发展的核心手段。综上所述，饲料价格作为CCF的直接与间接影响因素，有必要对其进行合理控制，助力肉牛养殖成本控制。根据上述结论，为降低FFP对CCF的影响，稳步提升肉牛养殖企业发展质效，本研究提出政策建议：第一，构筑肉牛FFP预警体系。首先，各饲料龙头企业应联合大型肉牛养殖企业，合理利用大数据与区块链技术，将玉米、豆粕及肉牛配合饲料价格数据按照日、周、月、年进行汇总记录，共同构建肉牛饲料价格基础数据库。其次，饲料龙头企业与大型肉牛养殖企业应基于肉牛饲料价格基础数据库，联合区域高校开发针对性饲料价格预警模型库，相关技术人员可动态更新肉牛饲料价格预测模型基本参数，确保模型有效性。最后，肉牛养殖企业可合理利用人工智能、云计算技术，基于价格预测结果构筑价格波动应对系统，实时调节饲料库存，避免FFP加剧肉牛养殖成本、降低肉牛养殖效益。第二，建立健全肉牛养殖饲料供应保障机制。一方面，饲料行业协会及龙头企业应当给予肉牛养殖企业饲料扶持政策，成立饲料价格保障专项资金，在饲料价格出现异常波动时利用专项资金进行合理补贴，避免肉牛养殖企业成本骤升对企业发展产生不利影响。另一方面，金融机构应积极参与肉牛产业发展，针对肉牛养殖饲料采购专项设置金融保险产品，在饲料价格出现大幅波动时给予肉牛养殖饲料采购贷款贴息。同时，农业银行、农村信用社应当全面简化饲料采购专项贷款审批手续，及时为肉牛养殖企业提供灵活、便捷的饲料采购贷款融资服务，助力肉牛养殖企业控制成本支出。