安徽省高耗能行业产能利用率及影响因素分析

沈石闲，夏茂森

（安徽财经大学统计与应用数学学院，安徽蚌埠，233000）

随着我国经济社会的快速发展，部分行业的盲目和冲动投资导致产能过剩问题凸显。目前，产能过剩问题与产业结构转型、国有企业改革等问题相互交织，已成为影响中国未来经济结构转型升级的关键问题之一。在经济发展新格局背景下，以高耗能、高排放为主要特征的高耗能行业发展受到广泛关注。高耗能行业在安徽省经济增长中发挥着不可忽视的作用，但产能过剩的问题至今仍困扰着产业发展。产能过剩不仅会导致成本上升，还会造成资源闲置浪费。大量产能不能消化的现象阻碍了安徽省高耗能行业结构调整。因此，化解高耗能行业产能过剩对推动安徽省高耗能行业健康高效发展，实现经济转型至关重要。

产能利用率的测算有利于全面了解产能过剩的具体情况，近年来，学者们对产能利用率的研究也不断加深。Fare（1989）利用数据包络分析（DEA）从投入产出角度测算了制造业的产能利用率［1］。董敏杰（2015）在 Fare的研究基础上采用DEA测算了2001—2011年中国的工业产能利用率［2］。贺京同（2016）使用协整法证明了信贷扭曲和国企扩张对其产能利用率存在显著的负向影响［3］。张晴（2021）采用成本函数法测度了中国制造业企业的产能利用率，研究表明“一带一路”沿线国家贸易便利化显著提升了产能利用率［4］。杨德钦（2021）采用动态SBM模型测算2004—2018年中国建筑业的产能利用率，研究表明中国建筑业存在严重的产能落后问题［5］。

本文在已有研究基础上，选用2008—2019年的安徽省高耗能行业为研究对象，通过比较分析各种方法，运用DEA模型测度高耗能行业产能利用率。在此基础上，构建面板Tobit模型，深入剖析安徽省高耗能行业产能过剩的原因，并提出有针对性的治理对策。

一、产能利用率测算方法介绍

本文采用数据包络分析法（DEA）测算产能利用率（CU）。其中，投入要素包括固定投入F、可变投入V及技术水平TECH，可变投入V、技术水平TECH的多少决定了生产能力转换为实际产出y的程度。因此实际产出可表示为：

由于技术水平TECH可测算性较难，采用技术效率TE(0≤TE≤1)替代，技术效率反映落后产能程度。实际产出y表示如下：

根据相关理论研究，普遍将产能利用率表示为：

其中，EU=Y(F,V)/Y(F)为设备利用率。Y(F)和Y(F,V)分别表示不受可变成本约束和受可变成本约束的有效产出。

采用规模报酬可变的DEA方法测算Y（F，V）与Y（F），具体测算公式表示如下：

为了衡量产能利用率的两分项指标EU和TE变动对其变动的贡献率［6］，定义CU、TE、EU的前后期比：MCU、MTE和MEU，MCU与其分项指标关系如下：

定义两分项指标对产能利用率的贡献率如下：

二、安徽省高耗能行业产能利用率测度

（一）指标遴选

本文样本研究年限区间是2008—2019年，选取安徽省工业行业相关数据，应用DEA模型计算其产能利用率。DEA模型指标包括产出、总产值、固定投入、固定资本、可变投入、劳动与中间投入，具体数据说明如下：

1.工业总产值。2017年以后安徽省工业细分行业的总产值数据未有统计，采用袁捷敏（2013）的方法［7］，将行业的总产值的增长率用应交增值税的增长率代替，然后根据工业品出厂价格指数把总产值平减为以2008年（基期）为基准进行计算，以此消除通货膨胀对其的影响。

2.固定资本存量。采用永续盘存法测算，具体计算公式为：

对变量进行具体说明：基期固定资本存量（K0）为2008年固定资产原价与累计折旧的差值；折旧率（δt）指相邻年份累计折旧之差/上年固定资产原价；新增投资（It）为相邻年份固定资产原价之差；投资品价格指数（Pt）使用固定资产投资价格指数替代；劳动投入用安徽省工业细分行业从业人员年平均人数度量；由于无法直接获取中间投入数据，中间投入使用下述公式推算：

其中，TVt、AVt、Tt、PPIRMt分别为第t期的细分行业总产值、增加值、应交增值税和原材料购进价格指数。安徽省工业细分行业增加值只统计到2016年，假设2017—2019年的工业增加值率为2008—2016年的平均增加值率，计算得到2017—2019的增加值。

（二）数据来源

本文数据来源于2009—2020年《安徽省统计年鉴》。考虑到价格因素，将数据以2008年价格为基准进行平减，以消除价格因素的影响。《2010年国民经济和社会发展统计报告》将高耗能产业定义为六个具体行业：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、非金属矿物制品业、黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、电力热力的生产和供应业。这里将其名称分别简化为石油加工业、化学工业、非金属制品业、黑色金属加工业、有色金属加工业、电热供应业［8］。

（三）产能利用率测算结果

在进行工业行业数据整理时，剔除数据缺失严重的金属制品、机械和设备修理业及开采辅助活动业。此外，橡胶与塑料制品业和交通运输设备制造业在2012年前后分别做了合并和拆分统计改动，这里将其分别做合并统计处理，整理后得到2008—2019年安徽省36个工业行业数据。运用DEA计算出安徽省工业细分行业2008—2019年的产能利用率、设备利用率和技术效率，再通过加权平均得到大类工业行业的产能利用率指标。

1.工业整体产能利用率

图1描述了2008—2019年安徽省工业中高耗能行业、其他行业及工业整体的产能利用率，其数据根据细分行业产能利用率平均计算得来。

由图1可知，2008—2019年安徽省工业整体产能利用率未达到0.65，工业整体发展动能不足。分项来看，2008年安徽省高耗能行业产能利用率为0.726，下降趋势较为明显；其他行业的产能利用率变动趋势接近工业整体变动趋势，在0.45～0.7间波动。

图1 2008—2019年安徽省工业及其细分行业的产能利用率

为了进一步比较安徽省高耗能细分行业的产能利用程度，深度分析了安徽省2008—2019年工业细分行业的平均产能利用率及排名，结果见表1。

表1 2008—2019年安徽省工业细分行业平均产能利用率

从表1可以看出，高耗能行业中的有色金属加工业、黑色金属加工业及化学工业排名位于安徽省中上游，分列第3、13、16名。而非金属制品业、电热供应业及石油加工业排名位于中下游，分列第21、25、29名。

2.高耗能行业产能利用率

表2详细描述了安徽省6个高耗能行业的产能利用率测算结果。从时间趋势来看，6个细分行业的产能利用率都存在不同变动趋势。非金属制品业和有色金属加工业的产能利用率维持上升趋势，分别由2008年的0.43、0.81升至0.84、1.00；化学工业的产能利用率呈现小幅度下降趋势；石油加工业、黑色金属加工业和电热力供应业存在大幅度迅速下降趋势。产能利用率下降的高耗能行业的技术效率在2008—2019年间呈现小幅度下降，而设备利用率却出现大幅度降低趋势，出现这一现象的原因是固定资产投入冗余。这表明提升高耗能行业产能利用率的关键在于提高设备利用率并警惕技术效率进一步下降。

表2 2008—2019年安徽省高耗能细分行业CU、TE、EU

为了进一步描述安徽省不同高耗能行业产能利用率之间的差异，应计算产能利用率及两分项指标的变化指数并剖析其解构，可见表3。

表3 安徽省高耗能行业2008—2019年CU变动指数及解构

结合表2和表3分析，2008—2019年非金属制品业和有色金属加工业的产能利用率有所上升（MCU>1），剖析其解构发现，这种上升源于设备利用率的上升和良好的技术表现。其他行业的产能利用率则有所下降（MCU<1），不同行业产能利用率降低原因各不相同。剖析其解构发现，设备利用率的迅速下降造成了石油加工业和黑色金属加工业的产能利用率明显下滑；技术效率的下降造成了化学工业的产能利用率水平降低；受技术效率和设备利用率下降的双重影响，电热供应业产能利用率呈现大幅度下降趋势。

三、安徽省高耗能行业的产能利用率影响因素分析

（一）模型设定及变量选取

1.影响因素探析

我国产能过剩主要受周期性和非周期性两大因素影响。周期性因素是指市场需求呈现顺经济周期特征，非周期性因素主要受体制环境和行业特征的影响。结合安徽省高耗能行业的经济结构和发展状况，体制环境对其产能过剩有较大影响。在借鉴相关文献的基础上，变量的指标选择如下：

一是市场需求。当经济周期处于上升阶段时，市场需求较高，这会刺激企业加大要素投入，扩大产出［9］，企业产能利用率提高，超额产能减少，应使用安徽省高耗能细分行业产值增长率来度量市场需求（Need）。

二是政策倾斜力度。国有企业总数尽管在行业中占比较低，但国有资本占比逐年增多。由于国有企业性质及其特殊地位，政府主要通过对国有企业的干预来实现经济调控。企业的国有资本越多，受政府保护性干预程度越强，这一系列的干预性行为不可避免地影响到行业产能和产能利用率［10-11］。本文使用规模以上国企总产值/规模以上工业企业总产值来衡量国有企业生产能力（Soec），使用规模以上工业企业国有资本/规模以上工业企业总资本来衡量国有资本占比（Soep）。

三是就业水平。发展和稳定是地方政府追求的重要目标，企业肩负经济发展与吸纳地区就业人口的重任，国有企业通常是稳定就业的主力军，而就业人口数多的行业也更易受到政府干预。本文使用从业人数/行业产值来度量就业水平（Lab）。

四是金融支持。余东华（2015）的研究表明我国现有的金融体系存在“预算软约束”问题，对中小私营企业存在信贷歧视［12］。在现有金融体制下，受预算软约束影响，非国有大型企业和国有企业获取金融支持更加容易和便捷。企业获得越充足的金融支持，越有动机扩张经营规模抢占市场份额，这使产能过剩加剧［13］。本文采用行业当年短期负债/总产值代表金融支持（Finance）。

五是行业自身因素。行业的资本密集度越高，意味着固定资产投资存量越大，固定资本变动的速度越缓慢，适应经济周期变化的能力就越弱［14］。当市场需求快速萎缩时，资本密集度大的企业更难退出市场，产能利用率很容易出现较大下降幅度。本文采用固定资产净值/从业人员年平均人数来代表资本密集度（Capital）。

2.模型设定及检验

为了检验上述指标对CU、EU和TE的影响，鉴于CU、EU和TE的数值均在0～1之间，符合Tobit模型受限回归的特点，本文拟构建随机效应面板To⁃bit模型进行检验。具体模型如下：

（二）基准回归分析

对2008—2019年安徽省高耗能行业的面板数据进行Tobit回归，随机效应面板Tobit回归结果见表4。

表4 Tobit回归结果

从表4可以看出，各影响因素与CU、EU和TE间的影响差异较大，出现这种情况的原因可能为：

一是市场需求与产能利用率呈同向变动。经济周期的发展阶段能够直接反映在市场需求的变动上，当经济周期处于扩张阶段时，市场需求旺盛，企业的逐利性使其扩大产能；而当经济周期下行时，企业会缩减产能。这与现实的经济现象相吻合。

二是行业的国有资本比重与产能利用率呈反向变动，国有企业的生产能力与产能利用率呈同向变动。企业生产能力越强，越易形成经济效应来保障设备的使用率。受行业属性影响，安徽省高耗能行业中国有企业占据主导地位，国有资本持续扩张，其他社会资本投资参与度下降。但国有企业生产能力逐年下降，由于国有企业僵化的管理模式等诸多问题，导致行业缺乏领先技术，市场竞争力不强。

三是就业水平与产能利用率存在显著的负相关关系。工业是吸纳就业人口的重要部门，为了保障就业，尤其是一些经营不理想的大中型国有企业不得不吸纳部分新增就业人口，这不利于企业有效配置劳动力资源，会造成企业经营水平进一步恶化，过剩产能不断累积。

四是金融支持对产能利用率存在显著的负向影响，国有企业和大型非国有企业凭借其融资优势，能够便捷地获取金融支持。尤其在经济周期上行阶段，大量资金会涌入这些企业，驱使其盲目投资、扩大规模，从而加剧了产能过剩。

五是资本密集度与产能利用率呈反向变动。一方面，资本密集的行业固定资本投入相对较高，容易形成过剩的生产能力，且资本建设周期很长，难以对市场变化做出及时反应，当经济下行时，易对设备利用率产生负面效应。另一方面，过度投资也易导致行业拥挤，同质化严重，阻碍行业技术水平提升，加剧产能过剩。

（三）稳健性检验

本文采用随机效应面板Tobit回归作为基准回归，经过F检验、LM检验和Hausman检验，确定使用固定效应面板回归重新估计，对影响因素进行稳健性检验，结果见表5。

表5 稳健性检验

由表5可知，稳健性检验与原回归结果一致。市场需求与CU、EU、TE存在显著的正相关关系，国有企业生产能力与TE不存在显著的相关关系，而国有资本占比、就业水平、金融支持、资本密集度与CU、EU、TE存在负相关关系，且回归系数基本都显著。

四、结论与建议

本文针对安徽省高耗能行业产能过剩问题展开研究，运用DEA方法测算了2008—2019年安徽省工业行业的产能利用率。比较分析发现，安徽省工业行业产能过剩日趋严重，高耗能行业产能利用率呈现较大的下降趋势。其中，化学工业、黑色金属加工业及有色金属加工业的产能利用率位于安徽省工业中上游，其他3个细分行业则位于中下游。

对工业细分行业进行分析发现，设备利用率下降造成了石油加工业和黑色金属加工业产能利用率下滑；技术效率下降造成了化学工业产能利用率降低；技术效率和设备利用率同时下降导致电热供应业产能利用率大幅下降。因此，应针对不同行业实际情况实施不同对策。当行业受设备利用率影响较多时，可以通过兼并重组提高设备利用效率；当行业主要受技术效率影响时，应重视技术水平提升，淘汰低效率落后产能。

通过剖析安徽省高耗能行业产能过剩影响因素进行，发现市场需求对产能利用率存在正向影响，但政府干预等因素对产能利用率存在负向影响。鉴于高耗能行业往往由国有企业主导，地方保护主义严重，政府的金融支持等保护性干预造成了企业成本的外部化，加剧了产能过剩。因此，需同步实施“需求侧”与“供给侧”改革，化解产能过剩，提高投资效率及核心竞争力。一是要提高社会资本的参与性并保证投资规模平稳增长。二是限制低水平重复建设，推动技术升级。“供给侧”改革的核心在于减少政府的保护性干预，完善市场机制［15］。这要加快金融体制改革，降低预算软约束影响，减小信贷歧视，停止对“僵尸企业”续贷，促进资金流向使用效率高的企业。同时，完善市场退出机制，使“僵尸企业”更易退出壁垒。