中国制造业体制性产能过剩的测度与比较

皮建才 宋大强

(南京大学经济学院，江苏 南京 210093)

一、引言

中国宏观经济环境从20世纪90年代开始逐渐转变，经济的快速增长使得产品的供给日益充足以至于超过产品的需求，随后产能过剩问题便得到了学术界的关注。当中国经济增长进入新常态后，国内部分行业也相继出现了不同程度的产能过剩，尤其是钢铁、水泥、平板玻璃、电解铝和造船业等存在严重的产能过剩问题。因此，有效抑制并化解行业过剩产能以防止经济出现系统性风险，已经成为一个亟待解决的重要问题。

为了有效控制盲目投资和行业低水平扩张所导致的产能过剩，我国政府加快制定了一系列政策措施。比如，2013年《国务院关于化解产能严重过剩矛盾的指导意见》提出了“分业施策”的概念，即针对不同的产能严重过剩行业，采取不同的产能化解办法，避免出现“一刀切”的情况。然而，“分业施策”的前提是准确地识别出产能严重过剩行业。一个行之有效的办法是，对各行业的产能过剩指数进行测算，所得结果较大者即为产能严重过剩行业。不同于一般意义上的产能过剩，本文重点关注体制性产能过剩，这种产能过剩是因为体制性因素引起的，而体制性因素对产能的影响一般是通过政府补贴的途径来实现的。所以，我们把因政府补贴而引起的产能过剩称为体制性产能过剩，这种类型的产能过剩不同于周期性产能过剩和结构性产能过剩。颜晓畅和黄桂田发现，政府补贴虽然能够在一定程度上促进企业效益的提升，但是也会产生企业产能过剩程度加深的副作用[1]。皮建才和张鹏清指出，不能将竞争带来的产能过剩和补贴导致的体制性产能过剩混为一谈，且产能过剩和体制性产能过剩的治理政策也要区分开来[2]。徐齐利等借助博弈模型，对政府补贴造成产能过剩的原因进行了阐述，并提出从相机选择最优补贴策略和控制补贴强度两个方面来尽可能地预防产能过剩[3]。在找出化解体制性产能过剩的有效手段之前，测度出体制性产能过剩程度显得十分必要。考虑到中国已出现的产能过剩行业大多属于制造业范畴，所以我们将对中国制造业细分行业的体制性产能过剩指数进行估测，以期掌握中国制造业细分行业的体制性产能过剩情况，进而为化解中国当前的体制性产能过剩提供有效参考。

二、文献综述

在这一部分，我们将从产能过剩的起因和产能过剩的测度方法两个方面进行文献综述，着眼点是产能过剩中的体制性产能过剩。

1.产能过剩的起因。产能过剩指企业的生产能力超过了其产品的实际生产数量。Dixit和Pindyck发现，为了应对潜在进入者的威胁，企业有动机通过大量投资来占据充足的市场份额，外部市场需求不确定性也会促使企业保有一定的闲置产能[4][5]。因此，轻微的产能过剩被视作经济体自我运行的结果。与上述观点不同的是，林毅夫等、干春晖等以及江飞涛等认为市场失灵、官员晋升激励和地区补贴性竞争等因素是产能过剩形成的重要推动力[6][7][8]。根据干春晖等、江飞涛等、江飞涛和曹建海以及皮建才等的研究，体制性产能过剩的起因是地区补贴性竞争和官员晋升激励，特别是地区补贴性竞争[7][8][9][10]。如上所述，因为体制性因素对产能的影响一般是通过政府补贴的途径来实现的，所以本文通过政府补贴来识别体制性产能过剩。

2.产能过剩的测度方法。判断一个地区或行业是否存在严重的产能过剩，最直接的办法是测算出该地区或行业的产能利用率。较高的产能利用率对应着较低的产能过剩；反之，较低的产能利用率则意味着严重的产能过剩。不同的估算方法得出的产能利用率也不尽相同。我们对现有文献仔细梳理后发现，Klein、Viswanathan等[11][12]、余东华和吕逸楠[13]、Berndt和Morrison[14]、韩国高等[15]、Färe[16]以及张少华和蒋伟杰[17]这些国内外学者主要运用峰值法、生产函数法、成本函数法和数据包络分析法来计算产能利用率。其中，峰值法的优点在于只需单投入和单产出即可得到所需结果，但技术以外的其他因素被认为与产能无关，这显然降低了估算结果的可信度。生产函数法的理论依据较强，在准确设定生产函数的前提下，能够得出可信的估算结果。但是，出于数据可获得性角度的考虑，多数学者使用Cobb-Douglas生产函数来估测产能利用率，结果很容易遗漏重要的投入变量，从而导致计算结果与真实结果的偏离。成本函数法能够较全面地考虑各投入要素对产出水平的影响，但这需要首先设定出大量的数学方程并经过严密的数学推导和计算，然后再辅以各投入数据来求得产能利用率。可见，在使用成本函数时，模型推导过程中的细微偏误都可能会过高地放大或缩小估测结果。数据包络分析法的核心思想是，运用线性规划技术来判断每个投入产出单元是否处于最优水平，但该方法未将要素间的替代弹性考虑在内，导致测量结果往往被高估。

Aigner等以及Meeusen和Broeck同时独立提出的随机前沿生产函数模型比较好地解决了上述潜在问题[18][19]。具体地，根据白俊红等以及于斌斌等的研究，随机前沿分析方法能够充分反映出各投入要素间的替代弹性，其形式设定相对灵活，适用于技术非中性和产出弹性不固定的情况，且能够有效避免生产函数误设导致的计算偏差[20][21]。同时，随机前沿分析法的公式推导过程相对容易理解。更为重要的是，Battese和Corra的研究为我们通过方差参数来判断随机前沿生产函数模型的适用性提供了依据[22]。此后，Battese和Coelli发展了这一模型，将其用于非平衡面板数据的研究，并指出该模型的技术非效率项服从截尾正态分布[23]。进一步，Kumbhakar和Lovell将随机前沿模型表示成了一般形式，这为国内外学者使用随机前沿生产函数模型开展相应的研究提供了便利[24](P1-310)。

因此，我们尝试使用随机前沿生产函数模型来测度中国制造业细分行业的产能利用率，进而掌握各制造业细分行业的产能过剩情况。需要强调的是，本文接下来测度的产能过剩指的是体制性产能过剩，即由政府补贴引起的产能过剩。虽然有学者从理论层面关注到了体制性产能过剩问题，但鲜有文献从定量的角度对体制性产能过剩的测度和比较展开深入研究。比如，皮建才和赵润之以及皮建才和张鹏清从博弈论的角度分析了体制性产能过剩的作用机制，但体制性产能过剩的测度和比较问题依然未能得到解决[25][26]。鉴于此，本文尝试在这一方面做出突破，为丰富产能过剩领域的研究做出一定的边际贡献。进一步，考虑到制造业中的高技术产业属于国家政策支持产业①，我们参照国家统计局印发的《高技术产业(制造业)分类(2017)》将制造业细分行业分为高技术制造业行业和中低技术制造业行业，并对比了两种类型制造业行业的体制性产能过剩。

三、体制性产能过剩的测算方法②

1.体制性产能过剩的识别。不同于一般意义上的产能过剩，本文考察的体制性产能过剩涉及补贴因素。微观企业的生产活动离不开资本、劳动和土地等要素，同时，水、电和燃气等公共资源也成为企业生产过程中不可或缺的部分。皮建才和赵润之指出，土地使用和开发方面的优惠政策可被看作政府对企业的产能补贴，而水、电等公共资源使用方面的优惠则属于政府对企业的产量补贴[25]。无论是产能补贴还是产量补贴，都会在相当程度上促使企业的生产约束趋缓，从而促进企业的生产活动。

因此可将由政府补贴而产生的产能过剩视为体制性产能过剩。接下来，将筛选出获得政府补贴的制造业企业，然后按照年份和制造业细分行业将这些企业的投入和产出数据分别进行加总，从而得到历年各制造业细分行业的投入和产出数据，并据此测算出各制造业细分行业的体制性产能过剩指数。

2.体制性产能过剩的测算。本文选取超越对数生产函数的随机前沿模型来测算我国制造业的体制性产能过剩。根据Kumbhakar和Lovell的研究[24](P72)，将生产函数设定成如下的形式：

yit=f(kit,lit,t)exp(νit-μit)

(1)

式(1)中，i和t分别表示制造业细分行业和年份，y代表产出水平，k为资本存量，l为劳动力使用数量，v和μ分别表示随机扰动项和技术非效率项。对式(1)两边同时取自然对数，可得到如下的对数形式的随机前沿模型：

lnyit=lnf(kit,lit,t)+νit-μit

(2)

将式(2)中等号右边的第一项进行二阶泰勒级数展开并省略高阶无穷小，整理后可得到式(3)：

lnyit=β0+β1lnkit+β2lnlit+β3(lnkit)2+β4(lnlit)2+β5lnkit×lnlit+νit-μit

(3)

需要指出的是，v服从期望值为0，标准差为σv的正态分布。此外，Battese和Coelli指出，μ服从非负截尾正态分布，且μit可表示成如下式(4)[23]。式(4)中的η为时间对技术非效率项的影响系数，由于样本时间介于2007～2019年之间，所以此处的T取13。式(5)衡量了技术非效率项的方差占比，如果γ显著趋近于0，那么说明误差主要来源于随机扰动项，即实际产出与前沿产出间的差距由随机扰动项引起；反之，则说明技术非效率项导致实际产出与前沿产出的偏离。当然，使用极大似然法估计出来的γ值也可以验证模型设定的合理性。

μit=μiexp[-η(t-T)]，其中t = 1, 2, 3, …, T

(4)

(5)

在设定超越对数生产函数的随机前沿模型的基础上，我们可以用式(6)来衡量制造业细分行业i在第t年中的产能利用率(CUit)，并经由Frontier 4.1软件得出具体结果；进一步，根据Kirkley等的研究[27]，基于式(7)可以得出制造业细分行业i在第t年中的产能过剩指数(IOit)：

(6)

IOit=1/CUit-1

(7)

值得强调的是，经济的周期性影响会造成行业产能利用率的波动，以政府补贴为代表的体制扭曲也能够引起行业产能利用率不足③。换言之，由式(7)得出的产能过剩同时包含经济周期性产能过剩和体制性产能过剩，需要从中剔除经济周期性产能过剩才能得出体制性产能过剩。经济周期性波动伴随着企业固定资产利用效率的周期性波动，即经济发展前景较好时，企业的固定资产利用效率较高，经济周期性产能过剩问题不明显；相反，经济发展前景较差时，企业的固定资产利用效率较低，经济周期性产能过剩问题凸显。此外，根据Berndt和Morrison以及程虹和白云的研究，固定资产利用效率即产能利用率与固定资产收入比显著负相关[14][28]。因此，本文使用如式(8)所示的固定资产收入比来衡量制造业细分行业i在第t年中的周期性产能过剩指数(ICOit)；接着，通过式(9)得出制造业细分行业i在第t年中的体制性产能过剩指数(IIOit)：

ICOit=NFAit/SRit

(8)

IIOit=IOit-ICOit

(9)

式(8)中，NFAit表示制造业细分行业i在第t年中的固定资产净值；SRit为制造业细分行业i在第t年中的销售收入。限于数据的可获得性，本文使用营业收入代替销售收入。

3.数据来源与说明。本文所用的基础数据主要来自国泰安数据库(CSMAR)。数据的获得分成三步：第一步，从国泰安数据库中筛选出在中国A股主板上市且获得政府补贴的各制造业细分行业中的公司代码；第二步，导入代码获取各制造业细分行业中上市公司的产出、资本和劳动数据；第三步，将制造业细分行业中上市公司的基础数据进行加总得到研究所需的行业面板数据。比如，在筛选出第t年农副食品加工业(C13)中符合条件的上市公司的产出数据后，将这些上市公司的产出数据加总便可得到第t年农副食品加工业(C13)的产出数据。鉴于2007年会计准则出现了变化，同时考虑到数据的可获得性，本文使用2007～2019年中国28个制造业细分行业的面板数据，样本基期选为2007年④。

产出水平方面，由于国泰安数据库中未收录上市公司的总产值和增加值数据，本文使用营业收入金额进行代替，并通过工业生产者价格指数将其平减至基期水平。资本存量方面，才国伟和杨豪指出可使用固定资产原值与累计折旧之差来表示资本存量[29]。我们对此方法进行了改进，将本期新增固定资产投资额计算在内，即使用固定资产的期末余额来表示资本存量，并使用固定资产投资价格指数进行平减。劳动力使用数量方面，使用员工人数来表示。其中，工业生产者价格指数和固定资产投资价格指数来自国家统计局官方网站。

四、测算结果分析

1.参数估计结果。表1给出了式(3)中各参数的估计结果。可以看出，大多数参数的估计值至少在5%的水平上显著，这意味着本文使用的超越对数生产函数模型具有较好的解释力。方差项σ2的值为0.3120，说明随机扰动项和技术非效率因素会在一定程度上对制造业生产活动的稳定性造成冲击，但是冲击幅度并不大。技术非效率项的均值μ的统计结果证实，中国制造业行业中存在明显的技术无效率迹象。技术非效率项的方差占比γ值接近于0且在统计上不显著，这并不足以证明实际产出与前沿产出的偏离主要是由随机扰动项引起的，相反，可以认为偏离误差很可能源自技术非效率，这也从侧面说明了我们设定的模型是比较合理的。时间对技术非效率项的影响系数η大于0，对应式(4)可以理解为，技术非效率的现象随着时间的推移而减弱。从模型最终显示的对数似然函数值和LR检验结果来看，超越对数生产函数模型能够较好地解释中国各制造业细分行业体制性产能利用率变化情况。

表1 超越对数生产函数各参数估计结果

2.体制性产能过剩指数。根据上文的测度方法，我们得到了2007～2019年中国各制造业细分行业体制性产能过剩指数，具体如表2所示。整体来看，在2007～2019年间，中国制造业体制性产能过剩呈平稳下降趋势。其中，样本年份中非金属矿物制品业(C30)和废弃资源综合利用业(C42)均未出现体制性产能过剩，其他制造业(C41)始终存在体制性产能过剩问题，余下25个制造业细分行业的体制性产能过剩问题逐渐消失。表2显示，体制性产能过剩的细分制造业行业数目从2007年的26个减少至2012年的16个，再减少至2013年的11个，最后减少到2016年的1个，且2016年之后体制性产能过剩的制造业细分行业数目均只有1个。我们注意到，虽然我国绝大多数制造业细分行业的体制性产能过剩指数由正转负，但这并不意味着制造业细分行业不存在产能过剩问题。上文指出，产能过剩受到经济周期性波动和以政府补贴为代表的体制扭曲两个因素的共同影响，表2中的产能过剩指数是剔除经济周期性影响之后的体制性产能过剩指数，如果将经济周期性影响造成的产能过剩考虑在内，我国绝大多数制造业细分行业仍然存在产能过剩问题。换言之，表2中的体制性产能过剩指数仅考虑了体制扭曲带来的产能过剩问题，故2007～2019年中我国大部分制造业细分行业的体制性产能过剩指数会出现由正转负的情况。

从增长率角度来看，绝大多数制造业细分行业的体制性产能过剩指数的增长率绝对值越来越小，表明各制造业细分行业的体制性产能过剩的减缓速度越来越慢，图1较为形象地揭示了这一规律。进一步观察图1可知，体制性产能过剩指数增长率绝对值由高变低的转折点发生在2012年左右。相应地，2012年之前的去产能力度较大，而2012年之后的去产能力度略低。比如，2006～2012年间，国务院先后出台了《关于加快推进产能过剩行业结构调整的通知》《关于印发节能减排综合性工作方案的通知》《关于抑制部分行业产能过剩和重复建设引导产业健康发展若干意见的通知》《关于进一步加强淘汰落后产能工作的通知》等文件。2012年之后，综合性质的去产能政策文件相对较少，比如，2013年国务院颁布的《关于化解产能严重过剩矛盾的指导意见》主要是为了解决钢铁、水泥、电解铝等行业的产能严重过剩问题。换个角度来看，去产能力度的转变有可能是中国各制造业细分行业体制性产能过剩减缓速度发生变化的重要原因。

图1 2007～2019年中国各制造业细分行业体制性产能过剩的变化趋势资料来源：作者使用Stata 16.0软件绘制。

需要指出的是，表2给出的中国各制造业细分行业的体制性产能过剩指数侧重于生产领域，而消费领域的体制性产能过剩也可能会引发制造业体制性产能过剩。比如，于斌斌和陈露认为，产能利用率可表示成生产领域产能利用率和消费领域产能利用率之积[21]。具体到我们的研究，消费领域的体制性产能过剩意味着消费领域的产能利用率小于1，生产领域产能利用率和消费领域产能利用率之积也就小于生产领域产能利用率，进而由式(6)～(9)求得的体制性产能过剩指数则会高于表2中的数值。也就是说，中国各制造业细分行业的体制性产能过剩实际情况可能会比我们测度的结果要严重。由于本文的研究目的在于认识中国制造业体制性产能过剩的变化规律，即使缺少消费领域的数据也不会影响我们对这一规律的认识。

表2 2007～2019年中国各制造业细分行业体制性产能过剩指数

3.体制性产能过剩指数的行业间比较。考虑到制造业中包含了高技术产业和中低技术产业，且高技术产业属于国家政策支持产业，在分析制造业体制性产能过剩时，有必要按照技术特征将制造业细分行业进行归类，以重新审视中国制造业的体制性产能过剩变化特征。鉴于此，我们参照国家统计局印发的《高技术产业(制造业)分类(2017)》，将医药制造业(C27)，专用设备制造业(C35)，铁路、船舶、航空航天和其他运输设备制造业(C37)，计算机、通信和其他电子设备制造业(C39)以及仪器仪表制造业(C40)归为高技术制造业，将其余23个制造业细分行业归为中低技术制造业。基于表2中的数据，可以计算出各制造业细分行业体制性产能过剩指数的平均值，结果如表3所示。从平均值来看，高技术制造业细分行业的体制性产能过剩程度要高于多数中低技术制造业细分行业的体制性产能过剩程度，比如医药制造业(C27)的体制性产能过剩指数高于14个中低技术制造业细分行业的体制性产能过剩指数。从增长率角度(表4)来看，高技术制造业细分行业的体制性产能过剩减缓速度的波动幅度小，除了仪器仪表制造业(C40)的体制性产能过剩指数的年均增长率绝对值不足20%之外，其余4个制造业细分行业的体制性产能过剩指数的年均增长率绝对值均在40%上下；中低技术制造业细分行业的体制性产能过剩减缓速度的波动幅度大，比如，酒、饮料和精制茶制造业(C15)，木材加工和木、竹、藤、棕、草制品业(C20)以及化学原料和化学制品制造业(C26)的体制性产能过剩指数的年均增长率的绝对值均高于70%，而皮革、毛皮、羽毛及其制品和制鞋业(C19)，造纸和纸制品业(C22)以及石油加工、炼焦和核燃料加工业(C25)的体制性产能过剩指数的年均增长率的绝对值却不足30%。由此可见，虽然高技术制造业细分行业拉高了中国制造业体制性产能过剩指数的平均值，但是与中低技术制造业细分行业相比，高技术制造业细分行业的体制性产能过剩指数的减缓速度较为稳定，这有助于中国制造业体制性产能过剩的平稳下降。

表3 2007～2019年中国各制造业细分行业体制性产能过剩指数均值

表4 2007～2019年中国各制造业细分行业体制性产能过剩指数年均增长率(单位：%)

五、结语

本文以企业获得的政府补贴为切入点，利用从国泰安(CSMAR)数据库中2007～2019年中国A股主板上市制造业企业的投入产出数据，基于超越对数生产函数的随机前沿模型，测算出制造业细分行业的产能利用率。在此基础之上，计算出制造业细分行业的产能过剩指数并从中剔除经济周期性影响造成的产能过剩波动，最终得出制造业细分行业的体制性产能过剩指数。测度结果表明，样本年限内各制造业细分行业的体制性产能过剩指数均呈平稳下降趋势，且各制造业细分行业的体制性产能过剩的减缓速度变得越来越慢。进一步，我们根据《高技术产业(制造业)分类(2017)》将制造业细分行业划分为高技术产业和中低技术产业，并对比了两种类型产业的体制性产能过剩情况发现：一方面，高技术制造业细分行业的体制性产能过剩指数高于多数中低技术制造业细分行业；另一方面，高技术制造业细分行业的体制性产能过剩的减缓速度要比中低技术制造业细分行业稳定。

当然，我们的研究还存在不少可以改进的地方：第一，现存的统计资料中缺少制造业细分行业的中间投入品数据。如果能够找到中间投入品的相关数据，并将其引入超越对数生产函数的随机前沿模型，这将进一步完善制造业细分行业体制性产能过剩指数的测算结果。第二，我们根据式(1)～式(9)得出的制造业细分行业体制性产能过剩指数属于生产领域的产能过剩指数。综合考虑消费领域和生产领域的体制性产能过剩，并分析其影响因素将成为我们下一步的研究方向。第三，限于数据的非公开性，我们难以完整地获得企业在用水、用电和用地等方面的补贴数据，而只能从国泰安(CSMAR)数据库中获得广义上的政府补贴数据，所以本文假定获得政府补贴的制造业细分行业所出现的产能过剩减去经济周期性影响造成的产能过剩即为体制性产能过剩，并首次在体制性产能过剩指数的度量方面进行了尝试。如果能获得较为完整且细致的制造业企业层面的补贴数据(特别是隐性补贴数据)，我们将能够更加精确地度量出中国制造业细分行业的体制性产能过剩指数。本文只是在体制性产能过剩的测度和比较方面进行了一个初步尝试，以期起到抛砖引玉的作用。

注释：

①比如，2009年7月7日科技部制定的《关于发挥国家高新技术产业开发区作用促进经济平稳较快发展的若干意见》中强调“加快高新技术产业集聚，提升产业整体竞争力”。2020年7月13日国务院出台《关于促进国家高新技术产业开发区高质量发展的若干意见》明确指出“支持高新技术企业发展壮大”。

②我们认为，补贴会导致产能过剩，而不是产能过剩引起补贴。其中的原因如下：第一，随着市场经济向纵深发展，不管是中央政府层面的补贴政策还是地方政府层面的补贴政策，都是政府针对特定目标(比如促进目标产业发展或者招商引资)事前制定的。第二，根据国务院发布的一些政策性文件要求，对于产能过剩严重的行业和企业，要求地方政府及时清理相应的企业，而不是去补贴这些企业。比如，2013年10月18日国务院发布的《关于化解产能严重过剩矛盾的指导意见》中明确指出，“各地要取消产能严重过剩行业项目用地优惠政策”“各地对产能严重过剩行业优惠电价政策进行清理整顿，禁止自行实行电价优惠和电费补贴”。第三，从经济机理上来看，现有文献在理论上支持补贴会导致产能过剩，可以参阅文献综述部分的“产能过剩的起因”。

③感谢审稿专家的宝贵建议。

④在国泰安数据库(CSMAR)中，烟草制品业(C16)，金属制品、机械和设备修理业(C43)的数据不可获得，文教、工美、体育和娱乐用品制造业(C24)的政府补贴数据从2009年才开始统计，故本文将以上三个制造业细分行业略去，最终选取如下28个制造业细分行业：农副食品加工业(C13)，食品制造业(C14)，酒、饮料和精制茶制造业(C15)，纺织业(C17)，纺织服装、服饰业(C18)，皮革、毛皮、羽毛及其制品和制鞋业(C19)，木材加工和木、竹、藤、棕、草制品业(C20)，家具制造业(C21)，造纸和纸制品业(C22)，印刷和记录媒介复制业(C23)，石油加工、炼焦和核燃料加工业(C25)，化学原料和化学制品制造业(C26)，医药制造业(C27)，化学纤维制造业(C28)，橡胶和塑料制品业(C29)，非金属矿物制品业(C30)，黑色金属冶炼和压延加工业(C31)，有色金属冶炼和压延加工业(C32)，金属制品业(C33)，通用设备制造业(C34)，专用设备制造业(C35)，汽车制造业(C36)，铁路、船舶、航空航天和其他运输设备制造业(C37)，电气机械和器材制造业(C38)，计算机、通信和其他电子设备制造业(C39)，仪器仪表制造业(C40)，其他制造业(C41)以及废弃资源综合利用业(C42)。需要说明的是，国泰安数据库中存在两个行业分类标准，即证监会2001版行业分类和证监会2012版行业分类，本文按照证监会2012版行业分类对制造业进行划分。经比较，证监会2012版行业分类与2017年国民经济行业分类(GB/T 4754—2017)中关于制造业的划分标准是一致的。