山东省工业产能利用率测度及影响因素分析

许加宏

（中国人民银行菏泽市中心支行，山东 菏泽 274000）

山东省工业产能利用率测度及影响因素分析

许加宏

（中国人民银行菏泽市中心支行，山东 菏泽 274000）

本文利用Bootstrap-DEA模型对山东省2000—2015年产能利用率进行测算，对不同行业进行比较，并探讨了产能利用率的影响因素。结果显示：在Bootstrap-DEA方法测算下山东省工业产能利用率普遍呈现先增后减“倒U形”变化趋势。分行业来看，轻工业产能利用率与重工业具有相近的变化趋势，但在2012年以前重工业产能利用率值高于轻工业，2012年以后则轻工业利用率值高于重工业，且差距不断拉大；高耗能行业产能利用率自2011年以来持续较快下降，与轻重工业差距不断拉大。在影响因素方面，经济周期对产能利用率具有正向影响，金融发展程度对产能利用率虽有一定的负向影响，但总体具有正向作用，国企比重过高及政府投资过度对产能利用率具有负面影响。

产能利用率测度；Bootstrap-DEA模型；影响因素

为了有效化解过剩产能，推动供给侧改革，增强经济发展活力，2013年10月，国务院发布了《关于化解产能严重过剩矛盾的指导意见》，重点推动山东、河北、辽宁、江苏、山西、江西等地区钢铁产业结构调整，充分发挥地方政府的积极性。2016年1月，习近平总书记在中央财经领导小组第11次会议上提出，要在适度扩大总需求的同时，去产能、去库存、去杠杆、降成本、补短板。2017年1月国务院出台了国办发[2017]4号文件对新旧动能转换提出意见和要求，旨在推动传统产业化解产能、提质增效，为经济发展注入新活力。显然，有效化解过剩产能、推进供给侧改革已经成为转型期我国经济发展的重中之重。山东省是传统工业大省，部分行业产能过剩严重。本文着眼于山东省工业发展现状，对工业产能利用率进行测度，并对产能过剩的影响因素进行分析。

一、文献综述

研究产能过剩问题，最重要的是选择合适的测度方法。多数文献用产能利用率来测度产能过剩的程度，并将产能利用率定义为实际产出与生产能力的比值。Kirkley（2002）利用数据包络分析和随机生产前沿方法测度了美国渔业的产出和产能利用率，并对两种方法进行了比较分析。Dergiades和Tsoulfidis认为在标准经济理论中产能利用率可以等同于实际投资与均衡投资之比，并利用SVAR法估计了14个欧盟国家的产能利用率。Shaikh和Moudud（2004）为了避免具体函数形式设定的不科学，基于产能产出与资本存量之间存在长期的稳定关系这一假设，提出了协整方法，并利用该方法对OECD国家的产能利用率进行了估算。

国内研究由于起步较晚，主要是借鉴国外的研究方法。龚刚和杨琳（2002）假定一定时期内的用电量与资本服务使用量成固定比例，利用生产函数估算这一比例，然后以用电量乘以该比例代替无法观测的资本服务使用量，求得我国的资本设备利用率。孙巍等（2009）利用成本函数法对我国制造业28个行业1997—2006年的产能产出和产能利用率进行了测算。韩国高等（2011）借鉴Berndt和Morrison提出的成本函数法，并利用面板数据的GMM估计方法对七大产能过剩行业进行测度，其结论认为大部分行业产能利用率的变化呈现出与经济周期波动一致性的特征。王文甫等（2014）试图从财政视角，借鉴Bernanke等（1999） 和 Fernández-Villaverde（2010） 的分析框架，引入大企业与中小企业两种不同规模的企业，构建动态随机一般均衡模型，来探讨中国非周期性产能过剩的形成机理。何蕾（2015）、程俊杰（2015）借鉴了Shaikh和Moudud（2004）的协整分析方法，对产能利用率进行测度。

通过对比国内外研究产能过剩的理论和方法可以发现，其中隐含的共性原则是：对产能利用率的研究均围绕着投入与产出的关系展开；所使用的方法可以分为参数方法和非参数方法两大类，其中尤以参数方法居多，最具代表性的是生产函数法。然而，这种参数估计方法对函数形式设定和误差项的分布假设要求严格，一旦函数形式设置和误差项的分布假设不准确，就会严重影响到参数估计的结果，造成较大的估计偏差，甚至与真实结论大相径庭。非参数方法中最具代表性的是数据包络分析方法。该种方法不需设定函数形式，而是直接通过线性规划判断决策单元是否在有效生产前沿面上，避免了因生产函数设定不当而带来的误差，但存在着小样本估计偏差大、无法进行统计检验等缺点。为了有效弥补这种方法的缺陷，Simar和 Wilson（1998） 将 Efron（1979） 的 Bootstrap方法应用到数据包络分析模型中，修正DEA模型的估计偏差，并给出估计的置信区间，此方法有效弥补了DEA模型的不足。鉴于此，本文选择该方法来估计产能利用率。

二、基于Bootstrap-DEA模型的产能利用率评价

（一）估计方法

Bootstrap-DEA模型的基本思想是利用重复抽样的方法对原始样本数据进行数值模拟，对产生的大量模拟样本重新进行DEA计算。具体过程如下：

1.对于每一个决策元（Xi,Yi），i=1,2,…,n，计算 DEA 效率值。

2.基于n个决策元的效率值，利用重复抽样方法产生规模为n的随机效率值，其中 b为Bootstrap迭代次数。

3.对上述形成的随机效率值进行平滑处理，得到平滑后的样本。

6.重复（2）—（5）B次，产生一系列效率值，b=1,2,…,B。

由于DEA方法在样本量较少的情况下可能会产生偏差，平滑Bootstrap分布可以模拟原样本估计量的分布，并进行偏差修正，估计置信区间。

偏差修正后的估计值为：

（二）变量及数据来源说明

本文以山东省主要工业行业为研究对象，并选择工业总产值作为产出变量，固定资产净额及平均从业人数作为投入变量，构造决策元。其中，去除采掘业中规模较小的其他采矿业，制造业中统计口径前后变化较大的其他制造业。由于橡胶制品业与塑料制品业从2011年起合并为橡胶和塑料制品业，为了保持统计口径的一致，将2000—2010年橡胶制品业数据和塑料制品业数据进行合并统计，因此最终选择的行业个数为35个。本文利用以1999年为基期的工业品出厂价格指数，去除工业总产值价格影响因素，以固定资产投资价格指数来去除固定资产净值价格影响因素。样本区间为2000—2015年，数据来源于《山东省统计年鉴》（2001—2016）。

（三）测算结果

1.整体情况及不同行业比较。一般情况下，Bootstrap迭代次数越多，产能利用率值估计越准确，但运算速度越慢，计算成本不断提高。因此在分析过程中，要兼顾精准性及计算成本。与此同时，随着迭代次数的增加，修正后的产能利用率值必将有一个收敛的趋势，即在迭代次数达到一定水平后，随着迭代次数的进一步增加，产能利用率值的变化趋于稳定。为此，本文分别选择迭代次数为2000、3000、5000，并求出相应的修正产能利用率值，发现三种迭代次数下，并无明显变化，且置信区间、方差值均相近，因此本文最终选择迭代次数为2000。计算出的产能产能利用率值及α=0.025下的置信区间如表1所示，由于篇幅有限，仅列出2015年的产能利用率值。

表1：2015年35个行业产能利用率值及置信区间

从表1中可以看出，传统DEA模型计算出的产能利用率值明显大于真实值，即存在较严重的右偏。但经过Bootstrap-DEA方法修正后，产能利用率值回到置信区间以内。从Bootstrap-DEA测算结果可以看出，2015年35个工业行业产能利用率水平普遍较低，我们将修正后的产能利用率值划分为4个区间段：[0 30%]、（30%50%]、（50%70%]、（70%1]。其中，在区间30%以下（含30%）共有3个行业，分别为煤炭采选业、石油和天然气开采业、黑色金属矿采选业，3个行业均隶属于采掘业大类，占8.6%；在区间30%—50%（含50%）共有8个行业，占22.9%；在区间50%—70%（含70%）共有15个行业，占42.9%；在70%以上共有9个行业，占25.7%。因此多数行业的产能利用率值在50%以上，占比65.7%。

参照上海统计局《轻重工业划分办法》以及部分文献中的划分方法（韩国高等，2011），将35个工业行业划分为15个轻工业、20个重工业。同时，利用Bootstrap—DEA方法分别得到2000—2015年轻工业各行业产能效率值、重工业各行业产能利用率值，具体如表2、表3所示。

将估计出的各行业产能利用率以工业总产值为权重，进行加权求和，进而得到山东省工业行业产能利用率：

以EFFit表示i行业t年的产能效率，λit表示i行业t年产能效率的权数，则工业行业第t年的产能利用率可以表示成如下等式：

同时，按照同种方法可以得到轻工业、重工业以及重工业中高耗能行业的产能利用率。高耗能行业包括：电力热力的生产和供应业、石油加工炼焦及核燃料加工业、化学原料及化学制品制造业、有色金属冶炼及压延加工业、黑色金属冶炼及压延加工业、非金属矿物制品业。具体变化趋势见图1。

从图1中可以看出：第一，2000年以来，无论轻工业还是重工业，产能利用率均呈现先增后减的“倒U形”趋势。第二，2000—2011年，重工业产能利用率＞工业产能利用率＞轻工业产能利用率，其中，2000—2002年三者差距较小，但2002—2004年差距有所拉大，尤其是重工业与轻工业。第三，工业利用率、重工业利用率均在2002—2008年持续上升，在2008年达到最大值，在2008—2013年除个别年份外基本呈现逐年下降趋势，直到2013年之后才趋于平稳。第四，轻工业产能利用率最大值出现在2011年，较重工业和工业值滞后3年，在2011—2013年几乎与重工业和工业利用率同步下降，但2013年后轻工业产能利用率略有上涨。第五，从2010年开始重工业产能利用率、工业产能利用率、轻工业产能利用率三者差距不断缩小，2011年几乎交于一点，但在2012年后三者差距再次拉大，有所不同的是此时三者关系是：轻工业＞工业＞重工业。第六，高耗能行业虽属于重工业范畴，且与重工业具有相近变化趋势，但也存在明显不同的特点：首先，在2000—2003年、2009—2015年该行业产能利用率远低于其他三者，2013年后这种差距进一步拉大；其次，在2002—2005年该行业产能利用率快速上涨，且超过轻工业，并在2005—2006年期间超过工业产能利用率；第三，2008年之后该行业产能利用率开始逐年下降，并于2009年再次落后，在2012—2013年期间产能利用率下降迅速，2013年后下降速度虽略有放缓，但仍表现出较快的下降趋势，这说明高耗能行业淘汰过剩产能、培育新动能的工作刻不容缓。

表2：2000—2015年山东省轻工业产能利用率

表3：2000—2015年山东省重工业产能利用率

图1：2000—2015年山东省工业产能利用率趋势图

图2：2000—2015年五大行业产能效率变化趋势图

2.重点行业分析。鉴于山东省普遍存在钢铁、煤炭、电解铝、化工、造纸等行业产能过剩的事实，结合关于各工业产能效率的研究结果，选择相关的5个产能过剩行业进行重点分析。5个行业分别为：煤炭采选业、石油和天然气开采业、黑色金属矿采选业、黑色金属冶炼及压延加工业、造纸及纸制品业。5个行业2000—2015年产能效率见图2。

（1）煤炭采选业。山东省是我国产煤大省，但该行业的产能利用率一直处于较低水平，平均产能利用率仅21.5%，是35个工业行业中最低的。从图2中可以看出，煤炭采选业经历了“倒U形”的变化趋势，其中2010年达到最高值，但也仅30.4%，之后再次下降，到2015年仅14.5%。为了化解过剩产能，山东省2016年关闭煤矿共计66处，退出产能1960万吨。

（2）石油和天然气开采业。山东省蕴藏丰富的石油资源，但近年来石油和天然气开采业的效益不断下降，呈现大量亏损现象，仅2016年上半年该行业就亏损137.19亿元，高出2015年全年42.63亿元。2000—2015年该行业产能利用率呈现波动下降趋势，从2001年的85.1%下降至2015年的11.6%，是2015年35个工业行业中产能利用率最低的行业。

（3）黑色金属矿采选业。该行业2000—2015年行业平均产能利用率为56.74%，低于全省35个行业平均水平4.42个百分点，到2015年仅达到23.5%，处于2000年以来最低水平。

（4）黑色金属冶炼及压延加工业。该行业产能利用率从2001年的45.1%快速上涨到2004年的81.3%，2004—2008年变化较平稳，但2008年后出现了快速下滑，2010年达到52.3%，后有所反弹，2011年回调到62.8%，之后继续快速下滑，到2015年仅37.6%，处于2000年以来最低水平。为有效化解过剩产能，山东省出台了《山东省钢铁行业化解过剩产能实现脱困发展组织实施方案》等政策，有效推进去产能工作。2016年，山东钢铁行业完成压减生铁产能270万吨、粗钢270万吨，较好完成了钢铁行业当年去产能目标。

（5）造纸及纸制品业。山东省是全国造纸行业大省，从图2可以看出该行业产能利用率一直处于较低水平，平均产能利用率仅34.6%，低于各行业平均值26.55个百分点。2000—2006年该行业产能利用率变动较平缓，2006—2010年呈现缓慢上升趋势，但2010—2015年呈现波动下滑趋势，2015年为31.3%。近年来山东省不断推进造纸行业去产能工作，2015年全年淘汰落后产能10.3万吨，计划到2020年淘汰落后产能300万吨。

三、产能利用率影响因素分析

（一）产能利用率与经济周期

根据与经济周期的关系，可以把产能过剩分为周期性产能过剩和非周期性产能过剩。一般情况下，如果经济走向衰落，市场需求必将不断萎缩，致使多数行业富余产能不断增加，达到一定程度将会形成产能过剩；反之如果经济走向繁荣，市场需求必然增加，富余产能将会不断减少，进而化解产能过剩。这种通过市场力量就能够产生和化解的产能过剩，就是周期性产能过剩。而除此之外形成的产能过剩，称其为非周期性产能过剩。非周期性产能过剩又可以具体分为结构性产能过剩和体制性产能过剩。

从工业产能利用率与地区生产总值增速运行关系上（见图3）可以发现，两者具有较相近的运行趋势，均呈现先增后减“倒U形”变化轨迹，但两者变化趋势并不同步，地区生产总值的变化要先于工业产能利用率至少1年。这说明工业产能利用率的变化与经济周期具有较紧密的关系，而产能过剩在一定程度上也由经济周期所引发，即具有周期性产能过剩的特征。然而，山东省的产能过剩问题，绝不仅仅是单纯通过经济周期就能解释完整的，如果只是因为经济周期的影响，那么依靠市场力量的自发调节，就可以消除过剩产能，显然这不符合产能过剩的现实。因此产能过剩的影响因素除经济周期外还包括结构性和体制性因素。

（二）产能利用率影响因素

在参考其他文献并充分考虑数据可得性的基础上，本文总结了影响产能利用率的因素：

图3：地区生产总值增速与工业产能效率趋势图

1.经济周期。如前文所述，在顺周期的情况下产能利用率较高，在逆周期的情况下产能利用率将会有所下降，即产能利用率与经济周期具有正相关关系。

2.国有企业比重。国有企业比重过高可能造成产能过剩。这主要有两方面原因：一是国有企业与政府关系较密切，国有企业投资扩大较大程度上体现了政府的意愿；二是国有企业相对于民营企业更容易获得融资，融资成本普遍较低，使得国企容易产生投资过度问题。

3.金融发展程度。金融发展对于产能利用率既有正向影响，也有负向影响。一方面，金融作为现代经济的核心，为企业生产经营提供信贷支持，对企业的发展起到促进作用；另一方面，由于信息的不完全、投资者的有限理性以及市场机制的不健全，使得信贷错配现象长期存在，信贷资金不是投向最需要的行业，而是流向规模大、偿还能力强的行业，这就使多数大型企业产生了“资金幻觉”，激励其不得不为“富余资金”寻找更多的投资出路，进而盲目开展粗放式、多元化经营和低水平重复建设，最终形成产能过剩。

4.地方政府投资力度。地方政府在经济增长等绩效考核的压力下，其投资行为带有较浓的政治色彩，并注重短期效益，容易加剧产能过剩。

（三）计量模型及数据说明

为了较准确估计各影响因素对产能利用率的影响程度，通过建立面板数据模型来进行更深入地分析。模型如下：

其中，EFFt为被解释变量，表示各行业产能利用率；为解释变量，由于工业产能利用率滞后于地区生产总值增速，因此将变量RGDP滞后一期，以达到与被解释变量同步的目的；为解释变量，表示其他影响因素；u为随机误差项。在各影响因素方面，经济周期用GDP增速RGDP来表示；国有企业比重用国有及国有控股企业工业生产总值占全部工业生产总值的比重（PSOE）来表示；金融发展程度用年末金融机构贷款余额占GDP比重（FDD）来表示；地方政府投资力度用国家预算内资金占全社会固定资产本年资金来源总额（LGI）来表示。样本时间跨度为2000—2015年，数据来源为《山东省统计年鉴》（2001—2016）。

（四）检验过程及估计结果分析

在模型参数估计之前，需对面板数据的平稳性进行检验，即对各变量进行单位根检验。检验结果显示，EFF、PSOE、LGI三个变量是平稳的，RGDP、FDD1阶平稳。因此，对RGDP、FDD进行1阶差分处理，之后再建模分析。

根据Hausman检验结果，本文建立了固定效应面板数据模型，模型估计结果如表4所示。从中可以看出各参数估计结果都是显著的。从参数系数值可以看出D（RGDP）、D（FDD）对产能利用率的影响是正向的，PSOE、LGI对产能利用率的影响是负向的。这说明经济周期对产能利用率具有正向作用，金融发展程度对产能利用率虽有一定的负向作用，但总体具有正向作用；国企比重过高及政府投资过度对产能利用率具有负面作用，是导致产能过剩的原因之一，这与预期一致。

表4：面板数据回归结果（变截距略）

四、结论和建议

本文利用Bootstrap-DEA模型对山东省2000—2015年产能利用率进行测算，对不同行业产能利用率进行比较，并探讨了产能利用率的影响因素。主要结论如下：第一，传统DEA模型估计的结果明显高于真实值，存在较严重的右偏，经过Bootstrap-DEA方法修正后，产能利用率得到明显改善。第二，在Bootstrap-DEA方法测算下山东省工业产能利用率普遍呈现先增后减“倒U形”变化趋势，其中2015年42.9%的行业产能利用率位于50%—70%区间，31.5%的行业产能利用率低于50%。第三，轻工业产能利用率与重工业产能利用率具有相近的变化趋势，但在2012年以前重工业产能利用率高于轻工业，2012年以后则轻工业利用率高于重工业，且差距不断拉大。第四，高耗能行业产能利用率自2011年以来持续较快下降，与轻重工业差距不断拉大。第五，近年来煤炭采选业、石油和天然气开采业、黑色金属矿采选业、黑色金属冶炼及压延加工业、造纸及纸制品业等行业产能过剩较明显。第六，经济周期对产能利用率具有正向作用，金融发展程度对产能利用率虽有一定的负向作用，但总体具有正向作用，国企比重过高及政府投资过度对产能利用率具有负面作用。

基于以上研究结论，并结合区域经济发展及产能过剩的实际情况，提出以下三个方面的政策建议：

（一）正确处理政府与市场的关系，积极稳妥化解过剩产能

市场在资源配置中具有决定性作用，在化解过剩产能、提高产能利用率过程中，必须充分发挥市场调节作用。具体来看，应当建立健全市场准入和退出机制，完善退出补偿制度，鼓励市场竞争，推动企业破产、合并、重组，化解落后产能，培育新动能，实现产业升级；健全生产要素市场体系，加快要素价格市场化改革，强化市场配置资源功能。同时，要合理发挥政府的职能作用，进一步简政放权，减少政府对企业投资的过度干预；利用财政、金融手段积极支持企业去产能，提高生产效率，弥补市场机制的不足；积极合理防范和化解去产能过程中的区域经济金融风险。

（二）区别对待，制定合理有效的金融支持去产能政策

随着不良贷款的持续上升，金融机构容易产生风险厌恶情绪，对去产能领域的信贷投放越来越谨慎，需要政策加以引导。总体来看，在金融支持方面必须有退有进，既要促进压减落后产能，又要支持优势企业转型升级。按照“有扶有控”的原则，制定切实可行的金融支持去产能具体细则，引导金融机构支持工业企业积极稳妥化解产能过剩，避免“一刀切”。对长期亏损、失去清偿能力的“僵尸企业”，或环保、安全不达标且整改无望的企业及落后产能，坚决压缩退出相关贷款；对资源型企业中有产品竞争力、有市场、有效益的优质企业继续给予信贷支持，帮助有前景的企业渡过难关。

（三）加大科研投入，推动技术进步，提高产能利用率

从西方发达国家化解产能过剩的经验来看，教育和科研必不可少。一方面，鼓励高尖端人才积极投身科研，加强企业与高校间的沟通交流，将科研与实际需求相结合，提高科研成果运用率，以科研带动企业转型升级；另一方面，加快推进国家创新战略和“互联网+”战略，利用互联网实现产业升级，从而带动企业技术和产业链创新，化解产能过剩，提高产能利用率。

[1]Charnes A，Cooper W W，Rhodes E.1978.Measuring the Efficiency of Decision Making Units[J].European Journal of Operational Research.

[2]Banker R D，Charnes A，Cooper W W.1984.Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis[J].Management Science，30（9）.

[3]Simar L，Wilson P.1998.Sensitivity Analysis of Efficiency Scores：How to Bootstrap in Nonparametric Frontier Models[J].Management Science，44（11）.

[4]Simar L，Wilson P.2000.A General Methodology for Bootstrapping in Nonparametric Frontier Models[J].Journal of Applied Statistics，27（6）.

[5]Shaikh A，Moudud J.2004.Meaasuring capacity utilization in OECD countries：A cointegrarion method[R].The Levy Economics Institute of Bard College，Working Paper，（415）.

[6]刘晓欣，邵燕敏，张珣.基于Bootstrap-DEA的工业能源效率分析[J].系统科学与数学，2011，（3）.

[7]韩国高，高铁梅，王立国，齐鹰飞，王晓姝.中国制造业产能过剩的测度、波动及成因研究[J].经济研究，2011，（12）.

[8]王文甫，明娟，岳超云.企业规模、地方政府干预与产能过剩[J].管理世界（月刊），2014，（10）.

[9]董敏杰，梁泳梅，张其仔.中国工业产能利用率：行业比较、地区差距及影响因素[J].经济研究，2015，（1）.

[10]徐朝阳，周念利.市场结构内生变迁与产能过剩治理[J].经济研究，2015，（2）.

[11]何蕾.中国工业行业产能利用率测度研究——基于面板协整的方法[J].产业经济研究，2015，（2）.

[12]程俊杰.中国转型时期产业政策与产能过剩——基于制造业面板数据的实证研究[J].财经研究，2015，（8）.

[13]金鹏辉.金融与工业供给侧改革[J].中国金融，2016，（20）.

[14]魏楚，沈满洪.能源效率及其影响因素：基于DEA的实证分析[J].管理世界，2017，（8）.

（责任编辑 孙 军；校对 WJ，GX）

Study on Industrial Capacity Efficiency Measurement and Affecting Factors of Shandong Province

Xu Jiahong
（PBC Heze Sub-branch，Shandong Heze 274000）

This paper estimated capacity efficiency of Shandong province between 2000 and 2015 based on Bootstrap-DEA model，through comparing different capacity efficiency among industries，the paper also explored the factors affecting capacity efficiency.By using the Bootstring-DEA method，the efficiency is significantly improved.According to the method of Bootstrap-DEA，the industrial capacity efficiency in Shandong province is generally presented with the trend of"inverted U-shape"，in which 31.5%of the industrial capacity efficiency in 2015 is less than 50%.In terms of industries，the capacity efficiency of light industry and heavy industry has similar variation tendency，but before 2012，the efficiency value of heavy industry was higher than light industry.After 2012，the efficiency value of light industry was higher than that of heavy industry，and the gap was widening;The capacity efficiency of energy-intensive industries has been declining rapidly since 2011，and the gap between the efficiency value of the heavy and light industry and the efficiency of energy-intensive industries has been widening.Among the affecting factors，the economic cycle and the degree of financial development have a positive effect on capacity efficiency，while the excessive proportion of stateowned enterprises and excessive government investment have a negative impact on capacity efficiency.

capacity efficiency measurement，Bootstrap-DEA model，affecting factors

F830

A

1674-2265（2017）10-0052-07

2017-06-25

许加宏，男，山东菏泽人，供职于中国人民银行菏泽市中心支行，经济师。