论文部分内容阅读
摘要：当前，我国多个工业行业存在较严重的产能过剩。在总结传统方法优缺点的基础上，提出一种测度产能利用率的新方法：经SFA调整的DEA法。这种方法可以有效弥补DEA法的对外部环境因素的忽略。然后，利用这种新方法测度了2006—2016年不同所有制下我国工业中34种行业的产能利用率。结果显示，无论是工业整体，还是在34个工业行业中，国有控股行业的产能利用率普遍低于私营、外资和中国港澳台资行业的产能利用率，这表明，我国的产能过剩主要是一种体制性产能过剩。在此基础上，进一步实证了我国产能过剩的影响因素，发现预算软约束、国家资本金占比、投资比重等显著正影响着我国的产能过剩，而出口对我国产能过剩的程度产生负相关。
关键词：产能过剩;不同所有制;体制性;产能利用率
中图分类号：F207 文献标识码：A 文章编号：1007-2101（2019）03-0010-13
一、引言
当前，我国包括煤炭、钢铁、水泥等多个行业都存在较严重的产能过剩。要有效治理我国①的产能过剩问题，首先需要测度出我国产能过剩的程度和性质。而目前，一是大多数人都认为我国的产能过剩是一种体制性产能过剩，比如：国务院发展研究中心课题组（2015）发现我国产能过剩行业主要有三大特征，并认为，经济周期因素与经济体制原因的叠加是导致我国本轮产能过剩的主要原因[1]。王立国（2010）将产能过剩划分为结构性产能过剩、体制性产能过剩、周期性产能过剩三类，并指出，在我国，主要是体制性产能过剩[2]。周劲、付保宗（2011）发现我国轻工行业呈现较明显的“结构性产能过剩”特征，重化工行业呈现较明显的“体制性产能过剩特征”[3]。冯俏彬和贾康（2014）认为我国产能过剩的实质是投资过度，是一种“体制性产能过剩”[4]。陈文玲（2013）指出体制性产能过剩是地方政府在GDP导向下产生的产能过剩，这种产能过剩最难治疗[5]。卢锋（2010）发现自20世纪90年代以来，中国先后经历了3次大规模的产能过剩，第一次是1998—2001年，为“周期性产能过剩”;第二次是2003—2006年，为“非周期性产能过剩”;第三次是2009年至今，为“周期性产能过剩”和“非周期性产能过剩”并存。但这些研究基本上是定性研究，而非定量研究。鉴于定性研究的缺陷性，需要从定量上加以更精确的测度和鉴定。二是在测度方法上，有大量学者采用了定量分析法来测度我国的产能过剩，但这些方法都有一定的内在缺陷：
1. 峰值法。曾繁梅（2007）[6]等利用该方法测算了我国工业行业的产能利用情况，并证明市场结构与产能过剩之间是存在关系的;熊思觅（2011）利用峰值法测算出制造业产能利用率情况，并证明其与通货膨胀率之间存在着静态和动态关系[7]。峰值法的优点是只需要知道单投入和单产出的数据信息就可以求产能利用率水平。但其缺陷在于，只考虑了技术改变是引起比率变化的唯一因素，忽略了经济结构和资本变化对产出的影响，从而低估了产能利用率水平。
2. 生产函数法。沈坤荣等（2012）利用该法测算了我国35个工业行业产能利用率，显示将近一半的行业存在不同程度的过剩情况[8];刘静和金浩（2014）利用该法对我国的工业产能过剩进行了测度[9]。生产函数法有以下优点：每个参数都有特定的经济学意义，可以用来解释资本、劳动力和技术的贡献率;可以用来衡量经济结构，分析其变化，并对经济做出预测和判断。但是，该法的缺陷也是明显的，它需要设定一个具体的生产函数，而该函数并非具有坚实的经济学理论和现实基础。同时，在应用中，该法也面临三大挑战，一是生产函数形式的确定，二是投入要素的种类及类型的区分，三是技术效率与统计噪声之间的辨识。
3. 成本函数法。韩国高（2011）等利用成本函数法测算了我国制造业行业的产能利用率[10];周瑞辉和廖涵（2015）利用该法测算了1998—2007年中国制造业行业产能利用情況，进一步论证了国有产权与体制扭曲对产能过剩的影响[11]。成本函数法的优点是具有坚实的微观基础，同时考虑了要素成本变化和市场需求对于产能的影响，使其测算的结果有说服力。但该法的推导和计算很复杂，需要大量的变量、方程和数据作支撑，测度结果易出现偏误;且该法也面临成本函数形式的确定以及投入要素种类的划分等挑战，如果忽略行业的异质性，往往会造成模型的外生假定得不到满足，造成估计结果的有偏。
4. 协整方法。何蕾（2015）利用面板协整法测算了我国1980—2013年工业行业的产能利用率，并证明我国工业行业的产能过剩是存在周期性和结构性因素的[12];贺京同和何蕾（2016）利用该法验证了在2000—2011年国有企业和信贷扭曲对产能利用率的影响，得出国有控股比例和国有企业信贷规模与产能利用率具有很强的负面效应[13]。协整法具有以下优势：第一，它基于潜在产出与资本存量的长期稳定关系，只需资本存量相关数据便可计算潜在产出，从而计算产能利用率;需求数据较少，方便快捷。第二，它先利用计量经济学的普通最小二乘法估计参数，再计算潜在产出，可以更好地拟合出长期视角的潜在产出，对未来预测有很大帮助。第三，它无需设定生产函数，排除了主观因素的干扰，在测度产能利用率的过程中更加客观科学。不过，该法缺乏坚实的微观经济基础。而且，在测算过程中过度重视对产能利用率的周期性描述，而对影响产能利用率的非周期性因素却描述不足。
5. 结构向量自回归（SVAR）法。童杰（2016）利用该法测算了2003—2012年煤炭行业产能过剩情况，得出从2008年开始我国煤炭行业的产能过剩率一直都很高[14]。SVAR法的优点是将产出分解成永久的趋势成分和暂时的周期成分，并且认为供给冲击影响了趋势成分，而需求冲击影响了周期成分，因而，在处理多个相关经济指标的分析与预测时容易操作。缺点是在处理数据时只考虑了资本这一单个生产要素，忽略了高度相关的数据序列是由所有生产要素综合而来的这一事实。 6. 数据包络（DEA）法。赵倩男（2014）利用DEA测算2001—2010年6家水泥上市公司的产能过剩问题[15];杨振兵和张诚（2015）利用DEA法和SFA方法测度产能过剩率，并证明过度投资是造成产能过剩的主要原因[16];姜军（2017）利用DEA法测度了我国工业产能过剩率，并证明政企合谋对产能过剩率的影响是显著的[17]。DEA方法的优点：（1）既适用单投入—单产出测算模型，也适用于多投入—多产出的测算模型，而且在处理多投入—多产出时具有绝对优势。（2）无须设定具体的函数形式，也无须对数据进行量纲化处理。（3）无需任何权重假设，仅以决策单元投入产出的实际数据求得最优权重。但是，DEA法也有一定的局限性，未考虑运气成分、数据问题或其他计量问题引起的随机误差，而是将所有对生产边界或成本边界的偏离都归因于低效率;同时，未考虑政府政策、法律法规、市场结构、区域因素等外部环境因素对决策单元的影响。
综上所述，传统的测度方法都存在自身的优缺点，在进行测度时都没有把对结果可能产生影响的环境因素考虑进去，所以本文将在已有研究的基础上提出一种新方法，即DEA和SFA相结合的方法，并利用其测度了国有控股、私营、外资及中国港澳台商投资的工业行业的产能过剩率，得出体制性产能过剩是我国产能过剩的本质;再次，构建面板数据计量模型，实证分析我国产能过剩的性质和原因;最后，提出治理我国产能过剩的政策建议。
二、一种测度产能利用率的新方法：经SFA调整的DEA法
（一）数据包络分析方法（DEA）
DEA模型在实际应用中，可以分为固定规模报酬模型（CRS）和可变规模报酬模型（VRS）。CRS在运作中，需要所有决策单元是在最优的运作条件下进行，这在现实中是很难达到的。VRS不同于CRS，即使是在非最优规模下进行测算，也可以得到有效测算。但是VRS计算出的技术效率中包含规模效率，不过，通过进一步使用CRS模型，就可以分离出规模效率。
1. 固定规模报酬模型的原理（CCR）。CCR模型可以分为产出导向与投入导向两个方面。产出导向模型的原理是设定固定的投入量，然后再根据产出量的大小来判断所使用的决策单元是否有效，模型如下：
λt，si-，sr+≥0（4）
其中，θ0代表評价决策单元的效率，Xit代表第t个决策单元的第i个投入，Yrt代表第t个决策单元的第r个产出，λt代表第t个决策单元的权重，si-代表第i个投入变量的差额变数，sr+代表第r个产出变量的差额变数。当θ0=1时，决策单元效率有效，si-=sr+=0。当θ0<1时，决策单元效率无效，可求出投入项与产出项的差额变数，即si-，sr+。
投入导向模型的原理是产出量固定，通过投入量的大小来判断所使用的决策单元是否有效，具体模型如下：
λt，si-，sr+≥0（8）
其中，公式中所包含的字母含义与产出导向模型中的含义相同。
2. 变化规模报酬模型的原理（BBC）。BBC模型可以弥补CCR模型的缺点，把技术效率更详细地分为规模效率和纯技术效率，在判断决策单元无效时可以具体到是什么因素引起的，使研究结果更准确。具体公式如下：
TE（技术效率）=SE（规模效率）×PTE（纯技术效率）
该模型可以从产出导向与投入导向两个角度进行讨论。BBC产出导向的具体模型如下：
λt，si-，sr+≥0（13）
其中，公式中所包含的字母含义与CCR模型产出导向模型中的含义相同。
CCR投入导向模型如下：
λt，si-，sr+≥0（18）
其中，各表达式所代表的意思与产出导向相同。
本文利用BBC模型中产出导向模型可以得出技术效率的估计值为：
技术效率产能利用率模型如下：
maxθ1（20）
λt，γit≥0（25）
通过观测样本的多种产出可以得到产能产出水平的估计值，则技术效率产能利用率为：
TECU∈（0，1]，当TECU=1时可以认为技术效率被充分利用;当TECU<1时就说明产能没有被充分利用。
则产能利用率为：
（二）随机前沿分析方法（SFA）
SFA是在确定性生产前沿的基础上，把误差项分解为随机误差和技术无效性这两部分，来估计决策单元的有效性。同时在评价有关效率问题时，考虑随机误差对结果的影响，并将其剔除掉。如果得到的随机误差期望值为0，就可以认为随机误差是服从期望为0的正态分布;反之，则认为随机误差是服从期望不是0的正态分布。在使用SFA方法时，可以分两种情况，当投入指标为自变量时，就使用成本函数，如果产出指标作为自变量，则使用利润函数。模型如下：
Yi=βXi+（νi-μi），i=1…N（28）
其中，Yi为第i个决策单元的产出（或产出的对数）;Xi为第i个决策单元的Ix1阶产出（或产出的对数）和投入（或投入的对数）向量;β为未知参数向量;νi为随机变量，假设其服从正态分布N（0，σ2ν），且独立于μi;μi为非负随机变量，用以说明生产的成本无效性，通常假设其服从正态分布N（0，σ2ν）。N为决策单元数，I为第i个决策单元投入的种类。
通常在使用随机前沿生产函数时，只有一个产出指标，与实际情况存在差距，所以，就可以用单一产出变量代替多产出情况或从多产出指标中寻找一个单一指标进行替代。而成本函数的使用是很方便的，并可以弥补随机前沿生产函数的不足，允许存在多个因变量与成本，模型如下：
Yi=βXi+（νi+μi），i=1…N（29）
公式中的字母含义与上文介绍的相同，γ=σ2μ/（σ2μ+σ2ν）表示技术性无效率方差占总方差的比例，如果γ的值接近1，则说明管理因素的影响较大;反之，则说明随机误差的影响较大。 计算SFA的效率公式如下：
EFFi=（30）
生产函数中，EFFi=exp（-ui）∈（0，1];在成本函数中，EFFi=exp（ui）∈[1，+∞]，通常在实证分析中，一般利用成本效率的倒数，将效率值的范围转换为（0，1]。
（三）测度思路
利用BBC模型在进行测算产能利用率的同时，也可以得到投入差额值，投入差额值用于判断决策单元是否有效。如果设第j个决策单位的第i种投入值用Xit表示，投入差额值用Sit表示，那么Sit=Xit-λX≥0，λX为最优投入值。投入差额值的存在是影响测度结果是否有效的关键，而这个投入差额值是会受到环境变量、随机误差和管理因素的影响。具体调整模型如下：
Sit=β0+β1Z1t+…+βPZpt+νit+μit（31）
μit=（EFFi-1）×βPZpt（32）
νit=Sit-（β0+β1Z1t+…+βPZpt）-μit（33）
其中Zit为环境变量;p为环境变量个数;νit为随机误差;μit为管理无效率;而（νit+μit）为联合误差项。随机误差的存在会影响投入值的大小，所以在这里vit为对称性随机误差项，呈正态分布N（0，σ2νi）。而管理无效率的存在会造成投入增加，所以技术无效率误差项μit呈截断正态分布N（0，σ2νi）。笔者首先利用Frontier 4.1软件，用来估算βP、σ2vi、σ2μi、σ2、γ=σ2μ/（σ2μ+σ2ν）等未知参数（31式），接着利用Jondrow等人（1982）[18]的计算方法求出μit的估计值（32式），再利用（33式）计算出νit的估计值。
利用Frontier 4.1软件处理后，可以得到Zit的系数p和效率值EFFi，将这些数据带入式（32）、（33）中，就可以得到μit和νit。接下来就是考虑让所有决策单元处在一个相同的环境下，而这种环境有两种情况，一种就是环境相对较好，有助于投入的增加;另外一种是相对较差的环境，会使投入值减少。在考虑环境条件时也要考虑随机误差的影响。因此，具体的调整公式如下：
XAit=Xit+[MAXt{βiZPt}-βiZPt]+[MAXt{νit}-νit]（34）
其中，XAit为调整后的投入值;Xit为调整前的投入值。第一个中括号将所涉及到的决策单元调整在一个相对较好的环境下，第二个中括号将所有决策单元的随机误差调整为相同情况。最后将调整后的投入值带入DEA模型中进行再一次计算，得出不同所有制下工业产能利用率情况。
（四）指标体系的建立以及数据来源
笔者从两个方面对产能利用效率的指标体系进行构建，首先是用于评价工业产能利用效率的指标体系，其次是用于消除环境因素对DEA的影响。笔者搜集整理了我国工业34个行业2006—2016年的相关数据，然后分行业对我国不同所有制下产能过剩进行测度。相关指标选取如下：
1. 产出指标的选取。在对行业产能过剩情况进行测度时，发现工业行业总产值指标的数据只统计到2012年，因此，笔者采用袁敏捷（2013）[19]的方法，通过搜集整理工业行业的应交增值税数据，计算出各行业应交增值税的增长率，然后以此来代替工业总产值的增长率，最后根据这一增长率来估算2013—2016年不同所有制下工业行业的工业总产值。然后根据工业品出厂价格指数把工业总产值平减为以2006年（基期）为不变价格计算，以此消除通货膨胀对测算结果的影响。
2. 投入指标的选取。（1）资本投入指标。由于缺乏分行业计算固定资本存量指标的数据，笔者将用工业行业的固定资产净值来代替固定资本存量。固定资产净值的计算方法为固定资产原值减去固定资产累计折旧，然后以2006年的价格为基期价格，对各行业各年的固定资产净值进行平减。在搜集整理固定资产价格指数相关数据时，对于部分行业缺乏某些年份的固定资产价格指数，用全行业各年的固定资产价格指数来代替缺失的数据。（2）劳动力投入指标。从生产函数的性质来讲，实际劳动量代表了在生产函数中的劳动力投入，也就是标准强度的劳动时间。然而，鉴于我国统计年鉴中并没有标准劳动强度时间的相关统计数据，因此，笔者采用的是大多数研究文献中使用的方法，即用各工业行业历年从业人数平均数来代替生产过程中劳动力的投入量。（3）环境指标的选取。在参考现有文献（王欣，2010）[20]的基础上，选取以下3项指标作为工业投入环境变量：（1）对外开放程度。不同所有制下的工业行业的产品出口量可以用来反映该行业对外开放程度，笔者将使用贸易中的出口交货值来衡量。（2）金融扶持力度。金融扶持决定了工业命脉，对于工业发展起到至关重要的作用。笔者使用不同所有制下的工业负债总额反映各工业行业的金融发达程度，并用其衡量金融扶持力度。（3）市场竞争程度。市场竞争程度可以反映一国的市场特征，笔者用企业单位数表示市场竞争程度。
以上数据来源于2007—2017年《中国轻工业统计年鉴》《中国金融统计年鉴》《中国统计年鉴》以及国家数据库等公开资料。
三、不同所有制下的工业产能利用率的测度
由于数据的可得性问题，笔者选取2006—2016年我国不同所有制下的工业行业数据，由于统计口径不一致，《中国工业经济统计年鉴》中其他采矿业、废弃资源和废旧材料回收加工工业这两个行业的数据缺失年份较多，因而没有采用。同时为了研究不同所有制下的工业产能情况，需要在工业行业的选择上达到统一，由于私营、外资和中国港澳台资的工业在非金属矿物制造业和金属制品、机械和设备修理业这两个工业行业数据缺失严重，也不采纳;此外，2006—2012年橡胶与塑料制品业是分开统计的，而2013—2016年的交通运输设备制造业是分開统计的，所以笔者将2006—2012年的橡胶与塑料制品业在统计年鉴中作为一个大类统计，2013—2016年的汽车制造业和铁路、船舶、航空航天和其他运输设备在在统计年鉴中作为一个大类统计，因而，笔者在选取2006—2016年的工业行业时，做到了保持统计口径的一致性。因此，笔者所选取的工业行业共34个，行业序号及行业名称见表1。 （一）国有控股工业产能利用测度及分析
根据DEA模型，利用DEAP-2.1软件可以计算出国有控股工业行业的产能利用率和投入差额值②。利用重新调整后的投入值再次测算工业行业的产能利用率，继续用BBC-DEA模型进行测度，所得的各项利用率值即为排除了外部环境因素和随机误差影响后的产能利用率值。测度结果及描述性统计结果见表2、表3。
从表2和表3来看，产能过剩在国有控股工业行业中普遍存在。在测度的34个国有控股工业行业中，大部分行业的产能利用率普遍低于79%③，而根据欧美国家的评价标准，说明这些行业存在产能过剩，甚至一些轻工业也包括在内。只有少数行业高于79%，这少数的行业主要是轻工业，也是市场竞争激烈的行业，这说明市場竞争在一定程度上有助于产能利用。而一些国家垄断程度较大的行业以及重工业，产能利用率普遍很低。
（二）私营工业的产能利用测度及分析
运用同样的方法可以测度出用SFA调整后的我国私营工业的34个行业产能利用率水平，结果及描述性统计结果见表4、表5。
从表4和表5来看，产能利用率在私营各工业行业中普遍较高。私营工业行业的产能利用率都高于79%，可以认为私营工业行业的产能过剩情况并不严重，而且，在私营工业行业中，化学纤维制造业的产能利用率超过90%，说明其产能不足。
（三）外商及中国港澳台商投资的工业产能利用率测度及分析
利用同样的方法测度出用SFA模型所调整后的外商及中国港澳台商投资的34个工业行业产能利用率水平，结果及描述性统计分别见表6、表7。
从表6和表7来看，在外商和中国港澳台资投资的工业行业中共有7个行业的产能利用率低于79%，占20%，而这些行业大多是垄断程度较大的行业，或是重工业行业，而其余的外商及中国港澳台商投资工业行业的产能利用率都是比较高的。
（四）经过SFA调整后的不同所有制工业产能利用率的比较
为了更好地分析不同所有制下工业行业产能利用率情况，笔者将34个行业分为三大类（分别是采掘业、制造业和电力、燃气及水的生产和供应业），并按照分类情况具体研究国有控股、私营和外商及中国港澳台商投资的工业行业情况，各所有制的工业整体及三大类的产能利用率情况如图1所示。
从图1中可以发现，国有控股工业、私营工业和外资及中国港澳台商投资工业，不管是其整体的产能利用率走势，还是其三大类的产能利用率走势基本上是一致的，其中，国有控股的产能利用率是最低的，这表明，我国的产能过剩主要是一种体制性过剩。
四、实证分析
从上文分析结果来看，我国的产能过剩主要是一种体制性产能过剩。笔者在实证分析中以盛明泉等（2012）[21]的研究为参考，以预算软约束为主要解释变量以判断这个指标对不同所有制的影响是否存在很大差距。
（一）计量模型构建及变量选取
1. 计量模型。笔者借鉴韩国高等（2011）[10]的研究思路构建如下计量模型：
cuit=α+β1ysrysit+β2Xit+μit（35）
其中，i表示行业，t表示时间，βi表示各解释变量的估计系数，cu表示工业行业产能利用率，ysrys表示预算软约束，X表示控制变量，控制变量主要包括国家资本金占比、劳动力投入量、投资比重、信息不对称的前景共识、资产负债率和出口因素，α为截距项，μ表示随机干扰项μ～N（0，σ2）。
2. 变量选取及数据来源。（1）被解释变量。被解释变量为不同所有制下34个工业行业的产能利用率（cu），该产能利用率是前文中利用DEA和SFA相结合的方法测度出来的。（2）核心解释变量。预算软约束（ysrys）。借鉴林毅夫等（2004）在研究企业预算软约束指标时所选取的衡量指标，采用各行业当年利息支出占年末负债总额的比例减去所有行业的均值来衡量[22]。（3）控制变量。主要包括如下指标：国家资本金占比（gjzbj），由于我国形成产能过剩的原因也包括体制下的产能过剩，所以有必要考虑国家资本金占比除了对国有控股的工业行业产生影响外，是否也对非国有行业的产能利用产生影响。国家资本金占比越大，说明国家控股的企业越多，越不利于产能的充分利用。劳动力投入量（lnlabor）是工业行业中不可或缺的必要生产要素，所以笔者选取该指标为控制变量并采用工业行业从业人员年平均数来衡量。投资比重（invest），工业企业为了发展，除了必要的劳动力以外，还需要有企业运行资金，资金来源大多数是由投资得来的，过度的投资比重或是投资额都不利于产能的利用，有时反而会加重产能过剩。因此，笔者采用当年价投资额占工业总产值的比重来表示，同时参考陈诗一（2011）[23]的研究并利用其研究公式（当年价投资额t=固定资产原值t-固定资产原值t-1）进行分析。信息不对称（yylr）程度。林毅夫等（2010）认为，信息不对称会造成产能过剩，而且如果下一期的营业利润低而工业销售产值大，就符合信息不对称的情况，且该衡量指标值越小，产能利用率越低[24]。笔者采用行业下一期营业利润率来衡量信息不对称程度，下一期营业利润率由营业利润与工业销售产值的比值表示。资产负债率（zcfz）。贺京同、何蕾（2016）证明了资产负债率对产能过剩率呈正相关，并且国有企业信贷规模很大，而私营企业融资困难[13]。笔者用负债总额与资产总额的比值来衡量资产负债率。出口因素（ck）。采用行业的出口总额占工业销售产值的比重来衡量（周瑞辉、廖涵，2015）[11]，出口有利于减少行业的产能利用率。
以上数据都来源于2007—2017年的《中国轻工业统计年鉴》《中国金融统计年鉴》《中国统计年鉴》以及国家数据库等公开资料获得。
（二）实证检验
1. 描述性统计。对本文所选的指标进行简单处理，可以得到各个指标的描述性统计（见表8）。 2. 单位根检验。在进行面板回归之前有必要进行单位根检验，如果出现不平稳数据，其回归有可能是伪回归，所以本文采用LLC、HT和IPS三种方法来检验其平稳性，检验结果见表9。
从表9中可以发现，在检验结果中，至少都是在10%的条件下显著的，可以认为本文所使用的各个指标都是平稳的，可以直接进行面板回归且不会出现伪回归现象。
3. 面板回归分析。面板回归主要分为混合回归、固定效应回归和随机效应回归，本文列出了固定效应回归和随机效应回归的结果（见表10）。
利用F检验、LM检验和Hausman检验用于判断具体使用何种回归可以更好且有效地进行解释。F检验用于判断比较固定效应回归和混合回归哪种好，F检验的值是从固定效应回归结果中得到，具体数据见表11。
由表11可知，国有、私营、外资及中国港澳台商投资的F检验的概率值都为0，强烈拒绝原假设即固定效应回归明显优于混合回归。这说明固定效应回归解释要优于混合回归。
LM检验用于判断比较随机效应回归和混合回归哪种回归好，LM检验的原假设为H0：σ2μ=0，而备择假设为H0：σ2μ≠0，具体数据见表12。
由表12可知，LM检验强烈拒绝“不存在个体随机效应”的原假设，说明原模型中应该有一个反映个体特性的随机扰动项。所以随机效应回归和混合回归相比，采用随机效应回归更适合。
Hausman检验用于比较随机效应回归和固定效应回归，其原假设为H0：μi与xit，zi不相关，根据Hausman检验结果可知其接受原假设，并认为随机效应模型是最有效率的。Hausman检验结果见表13。
通过F检验、LM检验和Hausman检验可以确定，使用随机效应回归能更有效地说明核心解释变量以及控制变量对不同所有制下产能利用率的影响，同时为了更好地解释说明这些变量之间的关系，笔者将进一步采取全面FGLS进行估计。全面FGLS同时考虑了组间异方差、组内自相關和组间同期相关，并分别采用修正沃尔德检验、伍德里奇检验和弗里德曼检验对其进行检验，检验结果见表14。
由表14可知，以上三种检验均在1%的显著性水平上拒绝原假设，说明随机效应回归计量模型中存在“组间异方差”“组内自相关”“组间同期相关”，需要使用全面FGLS回归估计，得到的回归结果见表15。
由表15可知，预算软约束（ysrys）对产能利用率的影响显著为负，这说明预算软约束与产能利用率变化的方向正好相反。这说明，预算软约束对不同所有制下的工业行业的影响是一样的。从结果上可以看出，预算软约束对国有控股行业的影响最大，对外商及中国港澳台商投资行业的影响最小，这是符合经济现象的。
国家资本金占比（gjzbj）显著为负，表明对工业行业产能利用的影响是显著的，且随着国家投入的资本金越大，产能利用越来越严重。与我国产能利用的国情是相符的。在我国，越是政府高度重视、国有程度高且审批严格的行业，产能利用越低，因此，国家资本金占比越高，产能利用的程度也会越差，越不利于产能的利用情况。且国家资本金所占比重的值越大，越会降低国有控股行业的产能利用率，而对私营行业和外商及中国港澳台商投资行业的影响是相同的。
劳动力（lnlabor）系数显著为负，且对这三者影响的程度可以说是大致相同，其中劳动力的投入对国有工业产能利用率的影响相对较大，主要体现在国有工业中的相关部门中存在劳动冗员以及不合理的岗位收入问题，而随着中国经济发展，非国有经济也迅速发展起来，为了抢占市场份额，扩大生产，使用的劳动力超过最优值，从而造成劳动力对这些非国有的产能利用率也起到负相关作用。另一方面就是就业率的问题，为解决就业问题，工业行业就会增加劳动力的投入，从而使劳动力的投入量超过最佳值，造成产能过剩。
投资比重（invest）的系数为负，这个结论与韩国高（2011）[10]、何蕾（2015）[12]的研究结论是一致的，这说明在我国，不管是国有、私营还是外资及中国港澳台商投资，投资比重与行业的产能利用率都呈反方向运动，过度投资会加重产能过剩。
信息不对称（yylr），信息不对称与工业产能利用率呈负相关，说明信息不对称会造成产能过剩，行业会根据自身经济的发展现状和全球经济发展的趋势来制定未来的发展计划。如果信息不对称很严重，就有可能引发过度投资，从而造成无序扩产，引起产能过剩。其中受影响最大的是私营和外商及中国港澳台商投资工业，而国有控股的行业影响比较小。
资产负债率（zcfz）系数对国有工业行业的产能利用率起到负面效应，也就是说资产负债率与行业的产能利用率是呈负相关的关系。
出口因素（ck）对三者全部为正数，说明行业出口率的提高可以进一步扩大市场需求，从而促进产能利用率提高。
六、政策建议
通过上文分析可以发现体制性产能过剩是我国产能过剩的本质，其中国有控股行业是产能过剩的重灾区。虽然，某些私营和外商及中国港澳台商投资的工业行业也同样会出现产能过剩，但其过剩主要是一种市场化的过剩。为此，笔者提出以下治理我国产能过剩的政策建议。
1. 注重国有和非国有工业行业的协调发展。在产能问题上，不同所有制下的工业行业产能利用率情况不同。因此，有必要对经济发展结构进行调整，转变经济发展方式，促进我国不同所有制下的工业行业协调发展，政府需要出台一些有助于非国有工业行业发展的政策，对重产能过剩的行业加强监控制度，对低产能利用率的行业进行政策上的支持，使我国各工业行业的产能利用率情况控制在合理的范围内。
2. 转变经济增长方式，培养全方位人才，限制投资比重。由以上实证分析可知，劳动力投入以及投资比重也是造成工业产能过剩的原因。关于人才使用方面，政府不能单方面为解决失业问题而造成冗员的存在，这不仅不能解决失业问题，反而加重产能过剩，不利于经济发展，政府可以提倡创业，不仅解决失业问题，也有助于经济发展;同时，高端人才短缺，需要培养高端人才。关于投资方面，限制投资规模，有利于产能利用。另外造成产能过剩的重要原因就是，很多行业都是国有企业占支配地位，限制非国有企业的进入和发展。 3. 完善政府职能，推进市场化改革。从长远来看，需要进一步完善政府职能，提高国有企业的自主经营权，明确政府在市场经济发展中的位置，推进市场化改革。对于有些行业，国家需要放权让国有企业自营，政府要减少对市场经济的控制。让国有企业作为市场经济发展中的一部分去进行市场竞争。产能过剩形成的主要原因是违背了市场经济规律，在市场发展过程中，应该按照市场竞争机制，让其进行优胜劣汰，淘汰产能过剩的行业，优化升级经济发展结构，充分发挥市场这个“看不见的手”的作用。利用市场竞争机制，可以实现对产能过剩企业或是落后企业的淘汰，并对优质企业提供发展空间，以保证市场经济体制健康发展。
4. 建立涵盖主要行业产能利用率的统计监测制度。信息不对称也是造成产能过剩的原因，企业应根据自身的发展情况以及观察到的全球经济发展情况做出投资和生产决策。如果政府的宣传力度不够，企业不能掌握该信息，从而造成信息不对称。为解决这一问题，就需要政府借鉴国外经验以及自身积累的经验，建立一套完善的统计监测制度，并利用各种传播手段向外界公布统计的各行业产能利用情况等相关信息，引导企业做出适应当前经济发展趋势的投资和生产决策。各工业行业应做好本行业的信息统计，最大限度地降低信息不对称造成的产能过剩。
注释：
①本文的研究范围是中国大陆，研究对象是34个工业行业的产能利用率。
②附表由于篇幅所限，2006—2016年國有控股工业行业的产能利用率投入差额值不在文章中列出，感兴趣的读者可以向笔者索要。
③这个判断标准是根据2009年上半年经济述评之十五：《破解产能过剩困局》中提及到的欧美国家的标准。
参考文献：
[1]国务院发展研究中心《进一步化解产能过剩的政策研究》课题组.当前我国产能过剩的特征、风险及对策研究——基于实地调研及微观数据的分析[J].管理世界，2015（4）：1-10.
[2]王立国.重复建设与产能过剩的双向交互机制研究[J].企业经济，2010（6）：5-9.
[3]周劲，付保宗.产能过剩的内涵、评价体系及在我国工业领域的表现特征[J].经济学动态，2011（10）：58-64.
[4]冯俏彬，贾康.“政府价格信号”分析：我国体制性产能过剩的形成机理及其化解之道[J].财政研究，2014（4）：2-9.
[5]陈文玲.产能过剩、分类及化解方法[J].中国市场，2014（3）：16-20.
[6]曾繁梅.我国工业市场结构与过剩产能关系的实证分析[D].长春：吉林大学，2007.
[7]熊思觅.产能利用水平与通货膨胀的相关性研究[D].大连：东北财经大学，2011.
[8]沈坤荣，钦晓双，孙成浩.中国产能过剩的成因与测度[J].产业经济评论，2012（4）：1-26.
[9]刘静，金浩.中国工业产能过剩测度及影响因素研究[J].工业技术经济，2014（9）：122-129.
[10]韩国高，高铁梅，等.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）：18-31.
[11]周瑞辉，廖涵.国有产权、体制扭曲与产能利用——基于中国1998—2007年制造业行业的面板分析[J].山西财经大学学报，2015（1）：58-69.
[12]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）：90-99.
[13]贺京同，何蕾.国有企业扩张、信贷扭曲与产能过剩——基于行业面板数据的实证研究[J].当代经济科学，2016（1）：58-67.
[14]董杰.我国煤炭行业产能过剩的统计研究[D].沈阳：辽宁大学，2016.
[15]赵倩男.宏观经济波动对我国水泥行业产能过剩程度的影响分析[D].成都：西南财经大学，2014.
[16]杨振兵，张诚.中国工业部门产能过剩的测度与影响因素分析[J].南开经济研究，2015（6）：92-109.
[17]姜军.政企合谋视角下我国产能过剩的产生机制及治理对策研究[D].湘潭：湖南科技大学，2017.
[18]Jondrow，Lovell，Materov. On the estimation of technical ineffieieney in the stochastic frontier Production function model[J].Journal of Eeonometrics，1982（19）：233-238.
[19]袁捷敏.产能和产能利用率新测算方法及其应用研究[D].大连：东北财经大学，2013.
[20]王欣.我国装备制造业全要素生产率测度[D].成都：西南财经大学，2010.
[21]盛明泉，张敏，马黎珺，李昊.国有产权、预算软约束与资本结构动态调整[J].管理世界，2012（3）：151-157.
[22]林毅夫，刘明兴，章奇.政策性负担与企业的预算软约束：来自中国的实证研究[J].管理世界，2004（8）：81-89+127-156.
[23]陈诗一.中国工业分行业统计数据估算：1980—2008[J].经济学（季刊），2011（3）：735-776.
[24]林毅夫，巫和懋，邢亦青.“潮涌现象”与产能过剩的形成机制[J].经济研究，2010（10）：4-19.
Who Made China's Overcapacity？
Tang Zhijun， Pang Jingjing
（1.Business School， Hunan University of Science and Technology， Xiangtan 411201， China; 2.Synergism Innovation Center of Amphitypy Society Reform Construction， Hunan University of Science and Technology，Xiangtan 411201， China）
Abstract： At present， there are more serious overcapacity in many industrial industries in China. based on summarizing the advantages and disadvantages of traditional methods， a new method for measuring the utilization rate of energy is proposed： which is the DEA method adjusted by SFA. This method can effectively compensate for the DEA method's neglect of external environmental factors. Then， using this new method， we measured the capacity utilization rate of 34 industries in different industries under different ownership systems from 2006 to 2016. The results show that the capacity utilization rate of the state-owned holding industry is generally lower than that of the private and foreign-funded industries， both in the whole industry and in the 34 industrial industries. This shows that China's overcapacity is mainly an institutional overcapacity. On this basis， the article further demonstrated the influencing factors of China's overcapacity， and found that factors such as soft budget constraints， the proportion of national capital， and investment proportions are significantly affecting China's overcapacity， while export factors will reduce the degree of overcapacity in China.
Key words： overcapacity， different ownership， institutional， rate of capacity utilization
关键词：产能过剩;不同所有制;体制性;产能利用率
中图分类号：F207 文献标识码：A 文章编号：1007-2101（2019）03-0010-13
一、引言
当前，我国包括煤炭、钢铁、水泥等多个行业都存在较严重的产能过剩。要有效治理我国①的产能过剩问题，首先需要测度出我国产能过剩的程度和性质。而目前，一是大多数人都认为我国的产能过剩是一种体制性产能过剩，比如：国务院发展研究中心课题组（2015）发现我国产能过剩行业主要有三大特征，并认为，经济周期因素与经济体制原因的叠加是导致我国本轮产能过剩的主要原因[1]。王立国（2010）将产能过剩划分为结构性产能过剩、体制性产能过剩、周期性产能过剩三类，并指出，在我国，主要是体制性产能过剩[2]。周劲、付保宗（2011）发现我国轻工行业呈现较明显的“结构性产能过剩”特征，重化工行业呈现较明显的“体制性产能过剩特征”[3]。冯俏彬和贾康（2014）认为我国产能过剩的实质是投资过度，是一种“体制性产能过剩”[4]。陈文玲（2013）指出体制性产能过剩是地方政府在GDP导向下产生的产能过剩，这种产能过剩最难治疗[5]。卢锋（2010）发现自20世纪90年代以来，中国先后经历了3次大规模的产能过剩，第一次是1998—2001年，为“周期性产能过剩”;第二次是2003—2006年，为“非周期性产能过剩”;第三次是2009年至今，为“周期性产能过剩”和“非周期性产能过剩”并存。但这些研究基本上是定性研究，而非定量研究。鉴于定性研究的缺陷性，需要从定量上加以更精确的测度和鉴定。二是在测度方法上，有大量学者采用了定量分析法来测度我国的产能过剩，但这些方法都有一定的内在缺陷：
1. 峰值法。曾繁梅（2007）[6]等利用该方法测算了我国工业行业的产能利用情况，并证明市场结构与产能过剩之间是存在关系的;熊思觅（2011）利用峰值法测算出制造业产能利用率情况，并证明其与通货膨胀率之间存在着静态和动态关系[7]。峰值法的优点是只需要知道单投入和单产出的数据信息就可以求产能利用率水平。但其缺陷在于，只考虑了技术改变是引起比率变化的唯一因素，忽略了经济结构和资本变化对产出的影响，从而低估了产能利用率水平。
2. 生产函数法。沈坤荣等（2012）利用该法测算了我国35个工业行业产能利用率，显示将近一半的行业存在不同程度的过剩情况[8];刘静和金浩（2014）利用该法对我国的工业产能过剩进行了测度[9]。生产函数法有以下优点：每个参数都有特定的经济学意义，可以用来解释资本、劳动力和技术的贡献率;可以用来衡量经济结构，分析其变化，并对经济做出预测和判断。但是，该法的缺陷也是明显的，它需要设定一个具体的生产函数，而该函数并非具有坚实的经济学理论和现实基础。同时，在应用中，该法也面临三大挑战，一是生产函数形式的确定，二是投入要素的种类及类型的区分，三是技术效率与统计噪声之间的辨识。
3. 成本函数法。韩国高（2011）等利用成本函数法测算了我国制造业行业的产能利用率[10];周瑞辉和廖涵（2015）利用该法测算了1998—2007年中国制造业行业产能利用情況，进一步论证了国有产权与体制扭曲对产能过剩的影响[11]。成本函数法的优点是具有坚实的微观基础，同时考虑了要素成本变化和市场需求对于产能的影响，使其测算的结果有说服力。但该法的推导和计算很复杂，需要大量的变量、方程和数据作支撑，测度结果易出现偏误;且该法也面临成本函数形式的确定以及投入要素种类的划分等挑战，如果忽略行业的异质性，往往会造成模型的外生假定得不到满足，造成估计结果的有偏。
4. 协整方法。何蕾（2015）利用面板协整法测算了我国1980—2013年工业行业的产能利用率，并证明我国工业行业的产能过剩是存在周期性和结构性因素的[12];贺京同和何蕾（2016）利用该法验证了在2000—2011年国有企业和信贷扭曲对产能利用率的影响，得出国有控股比例和国有企业信贷规模与产能利用率具有很强的负面效应[13]。协整法具有以下优势：第一，它基于潜在产出与资本存量的长期稳定关系，只需资本存量相关数据便可计算潜在产出，从而计算产能利用率;需求数据较少，方便快捷。第二，它先利用计量经济学的普通最小二乘法估计参数，再计算潜在产出，可以更好地拟合出长期视角的潜在产出，对未来预测有很大帮助。第三，它无需设定生产函数，排除了主观因素的干扰，在测度产能利用率的过程中更加客观科学。不过，该法缺乏坚实的微观经济基础。而且，在测算过程中过度重视对产能利用率的周期性描述，而对影响产能利用率的非周期性因素却描述不足。
5. 结构向量自回归（SVAR）法。童杰（2016）利用该法测算了2003—2012年煤炭行业产能过剩情况，得出从2008年开始我国煤炭行业的产能过剩率一直都很高[14]。SVAR法的优点是将产出分解成永久的趋势成分和暂时的周期成分，并且认为供给冲击影响了趋势成分，而需求冲击影响了周期成分，因而，在处理多个相关经济指标的分析与预测时容易操作。缺点是在处理数据时只考虑了资本这一单个生产要素，忽略了高度相关的数据序列是由所有生产要素综合而来的这一事实。 6. 数据包络（DEA）法。赵倩男（2014）利用DEA测算2001—2010年6家水泥上市公司的产能过剩问题[15];杨振兵和张诚（2015）利用DEA法和SFA方法测度产能过剩率，并证明过度投资是造成产能过剩的主要原因[16];姜军（2017）利用DEA法测度了我国工业产能过剩率，并证明政企合谋对产能过剩率的影响是显著的[17]。DEA方法的优点：（1）既适用单投入—单产出测算模型，也适用于多投入—多产出的测算模型，而且在处理多投入—多产出时具有绝对优势。（2）无须设定具体的函数形式，也无须对数据进行量纲化处理。（3）无需任何权重假设，仅以决策单元投入产出的实际数据求得最优权重。但是，DEA法也有一定的局限性，未考虑运气成分、数据问题或其他计量问题引起的随机误差，而是将所有对生产边界或成本边界的偏离都归因于低效率;同时，未考虑政府政策、法律法规、市场结构、区域因素等外部环境因素对决策单元的影响。
综上所述，传统的测度方法都存在自身的优缺点，在进行测度时都没有把对结果可能产生影响的环境因素考虑进去，所以本文将在已有研究的基础上提出一种新方法，即DEA和SFA相结合的方法，并利用其测度了国有控股、私营、外资及中国港澳台商投资的工业行业的产能过剩率，得出体制性产能过剩是我国产能过剩的本质;再次，构建面板数据计量模型，实证分析我国产能过剩的性质和原因;最后，提出治理我国产能过剩的政策建议。
二、一种测度产能利用率的新方法：经SFA调整的DEA法
（一）数据包络分析方法（DEA）
DEA模型在实际应用中，可以分为固定规模报酬模型（CRS）和可变规模报酬模型（VRS）。CRS在运作中，需要所有决策单元是在最优的运作条件下进行，这在现实中是很难达到的。VRS不同于CRS，即使是在非最优规模下进行测算，也可以得到有效测算。但是VRS计算出的技术效率中包含规模效率，不过，通过进一步使用CRS模型，就可以分离出规模效率。
1. 固定规模报酬模型的原理（CCR）。CCR模型可以分为产出导向与投入导向两个方面。产出导向模型的原理是设定固定的投入量，然后再根据产出量的大小来判断所使用的决策单元是否有效，模型如下：
λt，si-，sr+≥0（4）
其中，θ0代表評价决策单元的效率，Xit代表第t个决策单元的第i个投入，Yrt代表第t个决策单元的第r个产出，λt代表第t个决策单元的权重，si-代表第i个投入变量的差额变数，sr+代表第r个产出变量的差额变数。当θ0=1时，决策单元效率有效，si-=sr+=0。当θ0<1时，决策单元效率无效，可求出投入项与产出项的差额变数，即si-，sr+。
投入导向模型的原理是产出量固定，通过投入量的大小来判断所使用的决策单元是否有效，具体模型如下：
λt，si-，sr+≥0（8）
其中，公式中所包含的字母含义与产出导向模型中的含义相同。
2. 变化规模报酬模型的原理（BBC）。BBC模型可以弥补CCR模型的缺点，把技术效率更详细地分为规模效率和纯技术效率，在判断决策单元无效时可以具体到是什么因素引起的，使研究结果更准确。具体公式如下：
TE（技术效率）=SE（规模效率）×PTE（纯技术效率）
该模型可以从产出导向与投入导向两个角度进行讨论。BBC产出导向的具体模型如下：
λt，si-，sr+≥0（13）
其中，公式中所包含的字母含义与CCR模型产出导向模型中的含义相同。
CCR投入导向模型如下：
λt，si-，sr+≥0（18）
其中，各表达式所代表的意思与产出导向相同。
本文利用BBC模型中产出导向模型可以得出技术效率的估计值为：
技术效率产能利用率模型如下：
maxθ1（20）
λt，γit≥0（25）
通过观测样本的多种产出可以得到产能产出水平的估计值，则技术效率产能利用率为：
TECU∈（0，1]，当TECU=1时可以认为技术效率被充分利用;当TECU<1时就说明产能没有被充分利用。
则产能利用率为：
（二）随机前沿分析方法（SFA）
SFA是在确定性生产前沿的基础上，把误差项分解为随机误差和技术无效性这两部分，来估计决策单元的有效性。同时在评价有关效率问题时，考虑随机误差对结果的影响，并将其剔除掉。如果得到的随机误差期望值为0，就可以认为随机误差是服从期望为0的正态分布;反之，则认为随机误差是服从期望不是0的正态分布。在使用SFA方法时，可以分两种情况，当投入指标为自变量时，就使用成本函数，如果产出指标作为自变量，则使用利润函数。模型如下：
Yi=βXi+（νi-μi），i=1…N（28）
其中，Yi为第i个决策单元的产出（或产出的对数）;Xi为第i个决策单元的Ix1阶产出（或产出的对数）和投入（或投入的对数）向量;β为未知参数向量;νi为随机变量，假设其服从正态分布N（0，σ2ν），且独立于μi;μi为非负随机变量，用以说明生产的成本无效性，通常假设其服从正态分布N（0，σ2ν）。N为决策单元数，I为第i个决策单元投入的种类。
通常在使用随机前沿生产函数时，只有一个产出指标，与实际情况存在差距，所以，就可以用单一产出变量代替多产出情况或从多产出指标中寻找一个单一指标进行替代。而成本函数的使用是很方便的，并可以弥补随机前沿生产函数的不足，允许存在多个因变量与成本，模型如下：
Yi=βXi+（νi+μi），i=1…N（29）
公式中的字母含义与上文介绍的相同，γ=σ2μ/（σ2μ+σ2ν）表示技术性无效率方差占总方差的比例，如果γ的值接近1，则说明管理因素的影响较大;反之，则说明随机误差的影响较大。 计算SFA的效率公式如下：
EFFi=（30）
生产函数中，EFFi=exp（-ui）∈（0，1];在成本函数中，EFFi=exp（ui）∈[1，+∞]，通常在实证分析中，一般利用成本效率的倒数，将效率值的范围转换为（0，1]。
（三）测度思路
利用BBC模型在进行测算产能利用率的同时，也可以得到投入差额值，投入差额值用于判断决策单元是否有效。如果设第j个决策单位的第i种投入值用Xit表示，投入差额值用Sit表示，那么Sit=Xit-λX≥0，λX为最优投入值。投入差额值的存在是影响测度结果是否有效的关键，而这个投入差额值是会受到环境变量、随机误差和管理因素的影响。具体调整模型如下：
Sit=β0+β1Z1t+…+βPZpt+νit+μit（31）
μit=（EFFi-1）×βPZpt（32）
νit=Sit-（β0+β1Z1t+…+βPZpt）-μit（33）
其中Zit为环境变量;p为环境变量个数;νit为随机误差;μit为管理无效率;而（νit+μit）为联合误差项。随机误差的存在会影响投入值的大小，所以在这里vit为对称性随机误差项，呈正态分布N（0，σ2νi）。而管理无效率的存在会造成投入增加，所以技术无效率误差项μit呈截断正态分布N（0，σ2νi）。笔者首先利用Frontier 4.1软件，用来估算βP、σ2vi、σ2μi、σ2、γ=σ2μ/（σ2μ+σ2ν）等未知参数（31式），接着利用Jondrow等人（1982）[18]的计算方法求出μit的估计值（32式），再利用（33式）计算出νit的估计值。
利用Frontier 4.1软件处理后，可以得到Zit的系数p和效率值EFFi，将这些数据带入式（32）、（33）中，就可以得到μit和νit。接下来就是考虑让所有决策单元处在一个相同的环境下，而这种环境有两种情况，一种就是环境相对较好，有助于投入的增加;另外一种是相对较差的环境，会使投入值减少。在考虑环境条件时也要考虑随机误差的影响。因此，具体的调整公式如下：
XAit=Xit+[MAXt{βiZPt}-βiZPt]+[MAXt{νit}-νit]（34）
其中，XAit为调整后的投入值;Xit为调整前的投入值。第一个中括号将所涉及到的决策单元调整在一个相对较好的环境下，第二个中括号将所有决策单元的随机误差调整为相同情况。最后将调整后的投入值带入DEA模型中进行再一次计算，得出不同所有制下工业产能利用率情况。
（四）指标体系的建立以及数据来源
笔者从两个方面对产能利用效率的指标体系进行构建，首先是用于评价工业产能利用效率的指标体系，其次是用于消除环境因素对DEA的影响。笔者搜集整理了我国工业34个行业2006—2016年的相关数据，然后分行业对我国不同所有制下产能过剩进行测度。相关指标选取如下：
1. 产出指标的选取。在对行业产能过剩情况进行测度时，发现工业行业总产值指标的数据只统计到2012年，因此，笔者采用袁敏捷（2013）[19]的方法，通过搜集整理工业行业的应交增值税数据，计算出各行业应交增值税的增长率，然后以此来代替工业总产值的增长率，最后根据这一增长率来估算2013—2016年不同所有制下工业行业的工业总产值。然后根据工业品出厂价格指数把工业总产值平减为以2006年（基期）为不变价格计算，以此消除通货膨胀对测算结果的影响。
2. 投入指标的选取。（1）资本投入指标。由于缺乏分行业计算固定资本存量指标的数据，笔者将用工业行业的固定资产净值来代替固定资本存量。固定资产净值的计算方法为固定资产原值减去固定资产累计折旧，然后以2006年的价格为基期价格，对各行业各年的固定资产净值进行平减。在搜集整理固定资产价格指数相关数据时，对于部分行业缺乏某些年份的固定资产价格指数，用全行业各年的固定资产价格指数来代替缺失的数据。（2）劳动力投入指标。从生产函数的性质来讲，实际劳动量代表了在生产函数中的劳动力投入，也就是标准强度的劳动时间。然而，鉴于我国统计年鉴中并没有标准劳动强度时间的相关统计数据，因此，笔者采用的是大多数研究文献中使用的方法，即用各工业行业历年从业人数平均数来代替生产过程中劳动力的投入量。（3）环境指标的选取。在参考现有文献（王欣，2010）[20]的基础上，选取以下3项指标作为工业投入环境变量：（1）对外开放程度。不同所有制下的工业行业的产品出口量可以用来反映该行业对外开放程度，笔者将使用贸易中的出口交货值来衡量。（2）金融扶持力度。金融扶持决定了工业命脉，对于工业发展起到至关重要的作用。笔者使用不同所有制下的工业负债总额反映各工业行业的金融发达程度，并用其衡量金融扶持力度。（3）市场竞争程度。市场竞争程度可以反映一国的市场特征，笔者用企业单位数表示市场竞争程度。
以上数据来源于2007—2017年《中国轻工业统计年鉴》《中国金融统计年鉴》《中国统计年鉴》以及国家数据库等公开资料。
三、不同所有制下的工业产能利用率的测度
由于数据的可得性问题，笔者选取2006—2016年我国不同所有制下的工业行业数据，由于统计口径不一致，《中国工业经济统计年鉴》中其他采矿业、废弃资源和废旧材料回收加工工业这两个行业的数据缺失年份较多，因而没有采用。同时为了研究不同所有制下的工业产能情况，需要在工业行业的选择上达到统一，由于私营、外资和中国港澳台资的工业在非金属矿物制造业和金属制品、机械和设备修理业这两个工业行业数据缺失严重，也不采纳;此外，2006—2012年橡胶与塑料制品业是分开统计的，而2013—2016年的交通运输设备制造业是分開统计的，所以笔者将2006—2012年的橡胶与塑料制品业在统计年鉴中作为一个大类统计，2013—2016年的汽车制造业和铁路、船舶、航空航天和其他运输设备在在统计年鉴中作为一个大类统计，因而，笔者在选取2006—2016年的工业行业时，做到了保持统计口径的一致性。因此，笔者所选取的工业行业共34个，行业序号及行业名称见表1。 （一）国有控股工业产能利用测度及分析
根据DEA模型，利用DEAP-2.1软件可以计算出国有控股工业行业的产能利用率和投入差额值②。利用重新调整后的投入值再次测算工业行业的产能利用率，继续用BBC-DEA模型进行测度，所得的各项利用率值即为排除了外部环境因素和随机误差影响后的产能利用率值。测度结果及描述性统计结果见表2、表3。
从表2和表3来看，产能过剩在国有控股工业行业中普遍存在。在测度的34个国有控股工业行业中，大部分行业的产能利用率普遍低于79%③，而根据欧美国家的评价标准，说明这些行业存在产能过剩，甚至一些轻工业也包括在内。只有少数行业高于79%，这少数的行业主要是轻工业，也是市场竞争激烈的行业，这说明市場竞争在一定程度上有助于产能利用。而一些国家垄断程度较大的行业以及重工业，产能利用率普遍很低。
（二）私营工业的产能利用测度及分析
运用同样的方法可以测度出用SFA调整后的我国私营工业的34个行业产能利用率水平，结果及描述性统计结果见表4、表5。
从表4和表5来看，产能利用率在私营各工业行业中普遍较高。私营工业行业的产能利用率都高于79%，可以认为私营工业行业的产能过剩情况并不严重，而且，在私营工业行业中，化学纤维制造业的产能利用率超过90%，说明其产能不足。
（三）外商及中国港澳台商投资的工业产能利用率测度及分析
利用同样的方法测度出用SFA模型所调整后的外商及中国港澳台商投资的34个工业行业产能利用率水平，结果及描述性统计分别见表6、表7。
从表6和表7来看，在外商和中国港澳台资投资的工业行业中共有7个行业的产能利用率低于79%，占20%，而这些行业大多是垄断程度较大的行业，或是重工业行业，而其余的外商及中国港澳台商投资工业行业的产能利用率都是比较高的。
（四）经过SFA调整后的不同所有制工业产能利用率的比较
为了更好地分析不同所有制下工业行业产能利用率情况，笔者将34个行业分为三大类（分别是采掘业、制造业和电力、燃气及水的生产和供应业），并按照分类情况具体研究国有控股、私营和外商及中国港澳台商投资的工业行业情况，各所有制的工业整体及三大类的产能利用率情况如图1所示。
从图1中可以发现，国有控股工业、私营工业和外资及中国港澳台商投资工业，不管是其整体的产能利用率走势，还是其三大类的产能利用率走势基本上是一致的，其中，国有控股的产能利用率是最低的，这表明，我国的产能过剩主要是一种体制性过剩。
四、实证分析
从上文分析结果来看，我国的产能过剩主要是一种体制性产能过剩。笔者在实证分析中以盛明泉等（2012）[21]的研究为参考，以预算软约束为主要解释变量以判断这个指标对不同所有制的影响是否存在很大差距。
（一）计量模型构建及变量选取
1. 计量模型。笔者借鉴韩国高等（2011）[10]的研究思路构建如下计量模型：
cuit=α+β1ysrysit+β2Xit+μit（35）
其中，i表示行业，t表示时间，βi表示各解释变量的估计系数，cu表示工业行业产能利用率，ysrys表示预算软约束，X表示控制变量，控制变量主要包括国家资本金占比、劳动力投入量、投资比重、信息不对称的前景共识、资产负债率和出口因素，α为截距项，μ表示随机干扰项μ～N（0，σ2）。
2. 变量选取及数据来源。（1）被解释变量。被解释变量为不同所有制下34个工业行业的产能利用率（cu），该产能利用率是前文中利用DEA和SFA相结合的方法测度出来的。（2）核心解释变量。预算软约束（ysrys）。借鉴林毅夫等（2004）在研究企业预算软约束指标时所选取的衡量指标，采用各行业当年利息支出占年末负债总额的比例减去所有行业的均值来衡量[22]。（3）控制变量。主要包括如下指标：国家资本金占比（gjzbj），由于我国形成产能过剩的原因也包括体制下的产能过剩，所以有必要考虑国家资本金占比除了对国有控股的工业行业产生影响外，是否也对非国有行业的产能利用产生影响。国家资本金占比越大，说明国家控股的企业越多，越不利于产能的充分利用。劳动力投入量（lnlabor）是工业行业中不可或缺的必要生产要素，所以笔者选取该指标为控制变量并采用工业行业从业人员年平均数来衡量。投资比重（invest），工业企业为了发展，除了必要的劳动力以外，还需要有企业运行资金，资金来源大多数是由投资得来的，过度的投资比重或是投资额都不利于产能的利用，有时反而会加重产能过剩。因此，笔者采用当年价投资额占工业总产值的比重来表示，同时参考陈诗一（2011）[23]的研究并利用其研究公式（当年价投资额t=固定资产原值t-固定资产原值t-1）进行分析。信息不对称（yylr）程度。林毅夫等（2010）认为，信息不对称会造成产能过剩，而且如果下一期的营业利润低而工业销售产值大，就符合信息不对称的情况，且该衡量指标值越小，产能利用率越低[24]。笔者采用行业下一期营业利润率来衡量信息不对称程度，下一期营业利润率由营业利润与工业销售产值的比值表示。资产负债率（zcfz）。贺京同、何蕾（2016）证明了资产负债率对产能过剩率呈正相关，并且国有企业信贷规模很大，而私营企业融资困难[13]。笔者用负债总额与资产总额的比值来衡量资产负债率。出口因素（ck）。采用行业的出口总额占工业销售产值的比重来衡量（周瑞辉、廖涵，2015）[11]，出口有利于减少行业的产能利用率。
以上数据都来源于2007—2017年的《中国轻工业统计年鉴》《中国金融统计年鉴》《中国统计年鉴》以及国家数据库等公开资料获得。
（二）实证检验
1. 描述性统计。对本文所选的指标进行简单处理，可以得到各个指标的描述性统计（见表8）。 2. 单位根检验。在进行面板回归之前有必要进行单位根检验，如果出现不平稳数据，其回归有可能是伪回归，所以本文采用LLC、HT和IPS三种方法来检验其平稳性，检验结果见表9。
从表9中可以发现，在检验结果中，至少都是在10%的条件下显著的，可以认为本文所使用的各个指标都是平稳的，可以直接进行面板回归且不会出现伪回归现象。
3. 面板回归分析。面板回归主要分为混合回归、固定效应回归和随机效应回归，本文列出了固定效应回归和随机效应回归的结果（见表10）。
利用F检验、LM检验和Hausman检验用于判断具体使用何种回归可以更好且有效地进行解释。F检验用于判断比较固定效应回归和混合回归哪种好，F检验的值是从固定效应回归结果中得到，具体数据见表11。
由表11可知，国有、私营、外资及中国港澳台商投资的F检验的概率值都为0，强烈拒绝原假设即固定效应回归明显优于混合回归。这说明固定效应回归解释要优于混合回归。
LM检验用于判断比较随机效应回归和混合回归哪种回归好，LM检验的原假设为H0：σ2μ=0，而备择假设为H0：σ2μ≠0，具体数据见表12。
由表12可知，LM检验强烈拒绝“不存在个体随机效应”的原假设，说明原模型中应该有一个反映个体特性的随机扰动项。所以随机效应回归和混合回归相比，采用随机效应回归更适合。
Hausman检验用于比较随机效应回归和固定效应回归，其原假设为H0：μi与xit，zi不相关，根据Hausman检验结果可知其接受原假设，并认为随机效应模型是最有效率的。Hausman检验结果见表13。
通过F检验、LM检验和Hausman检验可以确定，使用随机效应回归能更有效地说明核心解释变量以及控制变量对不同所有制下产能利用率的影响，同时为了更好地解释说明这些变量之间的关系，笔者将进一步采取全面FGLS进行估计。全面FGLS同时考虑了组间异方差、组内自相關和组间同期相关，并分别采用修正沃尔德检验、伍德里奇检验和弗里德曼检验对其进行检验，检验结果见表14。
由表14可知，以上三种检验均在1%的显著性水平上拒绝原假设，说明随机效应回归计量模型中存在“组间异方差”“组内自相关”“组间同期相关”，需要使用全面FGLS回归估计，得到的回归结果见表15。
由表15可知，预算软约束（ysrys）对产能利用率的影响显著为负，这说明预算软约束与产能利用率变化的方向正好相反。这说明，预算软约束对不同所有制下的工业行业的影响是一样的。从结果上可以看出，预算软约束对国有控股行业的影响最大，对外商及中国港澳台商投资行业的影响最小，这是符合经济现象的。
国家资本金占比（gjzbj）显著为负，表明对工业行业产能利用的影响是显著的，且随着国家投入的资本金越大，产能利用越来越严重。与我国产能利用的国情是相符的。在我国，越是政府高度重视、国有程度高且审批严格的行业，产能利用越低，因此，国家资本金占比越高，产能利用的程度也会越差，越不利于产能的利用情况。且国家资本金所占比重的值越大，越会降低国有控股行业的产能利用率，而对私营行业和外商及中国港澳台商投资行业的影响是相同的。
劳动力（lnlabor）系数显著为负，且对这三者影响的程度可以说是大致相同，其中劳动力的投入对国有工业产能利用率的影响相对较大，主要体现在国有工业中的相关部门中存在劳动冗员以及不合理的岗位收入问题，而随着中国经济发展，非国有经济也迅速发展起来，为了抢占市场份额，扩大生产，使用的劳动力超过最优值，从而造成劳动力对这些非国有的产能利用率也起到负相关作用。另一方面就是就业率的问题，为解决就业问题，工业行业就会增加劳动力的投入，从而使劳动力的投入量超过最佳值，造成产能过剩。
投资比重（invest）的系数为负，这个结论与韩国高（2011）[10]、何蕾（2015）[12]的研究结论是一致的，这说明在我国，不管是国有、私营还是外资及中国港澳台商投资，投资比重与行业的产能利用率都呈反方向运动，过度投资会加重产能过剩。
信息不对称（yylr），信息不对称与工业产能利用率呈负相关，说明信息不对称会造成产能过剩，行业会根据自身经济的发展现状和全球经济发展的趋势来制定未来的发展计划。如果信息不对称很严重，就有可能引发过度投资，从而造成无序扩产，引起产能过剩。其中受影响最大的是私营和外商及中国港澳台商投资工业，而国有控股的行业影响比较小。
资产负债率（zcfz）系数对国有工业行业的产能利用率起到负面效应，也就是说资产负债率与行业的产能利用率是呈负相关的关系。
出口因素（ck）对三者全部为正数，说明行业出口率的提高可以进一步扩大市场需求，从而促进产能利用率提高。
六、政策建议
通过上文分析可以发现体制性产能过剩是我国产能过剩的本质，其中国有控股行业是产能过剩的重灾区。虽然，某些私营和外商及中国港澳台商投资的工业行业也同样会出现产能过剩，但其过剩主要是一种市场化的过剩。为此，笔者提出以下治理我国产能过剩的政策建议。
1. 注重国有和非国有工业行业的协调发展。在产能问题上，不同所有制下的工业行业产能利用率情况不同。因此，有必要对经济发展结构进行调整，转变经济发展方式，促进我国不同所有制下的工业行业协调发展，政府需要出台一些有助于非国有工业行业发展的政策，对重产能过剩的行业加强监控制度，对低产能利用率的行业进行政策上的支持，使我国各工业行业的产能利用率情况控制在合理的范围内。
2. 转变经济增长方式，培养全方位人才，限制投资比重。由以上实证分析可知，劳动力投入以及投资比重也是造成工业产能过剩的原因。关于人才使用方面，政府不能单方面为解决失业问题而造成冗员的存在，这不仅不能解决失业问题，反而加重产能过剩，不利于经济发展，政府可以提倡创业，不仅解决失业问题，也有助于经济发展;同时，高端人才短缺，需要培养高端人才。关于投资方面，限制投资规模，有利于产能利用。另外造成产能过剩的重要原因就是，很多行业都是国有企业占支配地位，限制非国有企业的进入和发展。 3. 完善政府职能，推进市场化改革。从长远来看，需要进一步完善政府职能，提高国有企业的自主经营权，明确政府在市场经济发展中的位置，推进市场化改革。对于有些行业，国家需要放权让国有企业自营，政府要减少对市场经济的控制。让国有企业作为市场经济发展中的一部分去进行市场竞争。产能过剩形成的主要原因是违背了市场经济规律，在市场发展过程中，应该按照市场竞争机制，让其进行优胜劣汰，淘汰产能过剩的行业，优化升级经济发展结构，充分发挥市场这个“看不见的手”的作用。利用市场竞争机制，可以实现对产能过剩企业或是落后企业的淘汰，并对优质企业提供发展空间，以保证市场经济体制健康发展。
4. 建立涵盖主要行业产能利用率的统计监测制度。信息不对称也是造成产能过剩的原因，企业应根据自身的发展情况以及观察到的全球经济发展情况做出投资和生产决策。如果政府的宣传力度不够，企业不能掌握该信息，从而造成信息不对称。为解决这一问题，就需要政府借鉴国外经验以及自身积累的经验，建立一套完善的统计监测制度，并利用各种传播手段向外界公布统计的各行业产能利用情况等相关信息，引导企业做出适应当前经济发展趋势的投资和生产决策。各工业行业应做好本行业的信息统计，最大限度地降低信息不对称造成的产能过剩。
注释：
①本文的研究范围是中国大陆，研究对象是34个工业行业的产能利用率。
②附表由于篇幅所限，2006—2016年國有控股工业行业的产能利用率投入差额值不在文章中列出，感兴趣的读者可以向笔者索要。
③这个判断标准是根据2009年上半年经济述评之十五：《破解产能过剩困局》中提及到的欧美国家的标准。
参考文献：
[1]国务院发展研究中心《进一步化解产能过剩的政策研究》课题组.当前我国产能过剩的特征、风险及对策研究——基于实地调研及微观数据的分析[J].管理世界，2015（4）：1-10.
[2]王立国.重复建设与产能过剩的双向交互机制研究[J].企业经济，2010（6）：5-9.
[3]周劲，付保宗.产能过剩的内涵、评价体系及在我国工业领域的表现特征[J].经济学动态，2011（10）：58-64.
[4]冯俏彬，贾康.“政府价格信号”分析：我国体制性产能过剩的形成机理及其化解之道[J].财政研究，2014（4）：2-9.
[5]陈文玲.产能过剩、分类及化解方法[J].中国市场，2014（3）：16-20.
[6]曾繁梅.我国工业市场结构与过剩产能关系的实证分析[D].长春：吉林大学，2007.
[7]熊思觅.产能利用水平与通货膨胀的相关性研究[D].大连：东北财经大学，2011.
[8]沈坤荣，钦晓双，孙成浩.中国产能过剩的成因与测度[J].产业经济评论，2012（4）：1-26.
[9]刘静，金浩.中国工业产能过剩测度及影响因素研究[J].工业技术经济，2014（9）：122-129.
[10]韩国高，高铁梅，等.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）：18-31.
[11]周瑞辉，廖涵.国有产权、体制扭曲与产能利用——基于中国1998—2007年制造业行业的面板分析[J].山西财经大学学报，2015（1）：58-69.
[12]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）：90-99.
[13]贺京同，何蕾.国有企业扩张、信贷扭曲与产能过剩——基于行业面板数据的实证研究[J].当代经济科学，2016（1）：58-67.
[14]董杰.我国煤炭行业产能过剩的统计研究[D].沈阳：辽宁大学，2016.
[15]赵倩男.宏观经济波动对我国水泥行业产能过剩程度的影响分析[D].成都：西南财经大学，2014.
[16]杨振兵，张诚.中国工业部门产能过剩的测度与影响因素分析[J].南开经济研究，2015（6）：92-109.
[17]姜军.政企合谋视角下我国产能过剩的产生机制及治理对策研究[D].湘潭：湖南科技大学，2017.
[18]Jondrow，Lovell，Materov. On the estimation of technical ineffieieney in the stochastic frontier Production function model[J].Journal of Eeonometrics，1982（19）：233-238.
[19]袁捷敏.产能和产能利用率新测算方法及其应用研究[D].大连：东北财经大学，2013.
[20]王欣.我国装备制造业全要素生产率测度[D].成都：西南财经大学，2010.
[21]盛明泉，张敏，马黎珺，李昊.国有产权、预算软约束与资本结构动态调整[J].管理世界，2012（3）：151-157.
[22]林毅夫，刘明兴，章奇.政策性负担与企业的预算软约束：来自中国的实证研究[J].管理世界，2004（8）：81-89+127-156.
[23]陈诗一.中国工业分行业统计数据估算：1980—2008[J].经济学（季刊），2011（3）：735-776.
[24]林毅夫，巫和懋，邢亦青.“潮涌现象”与产能过剩的形成机制[J].经济研究，2010（10）：4-19.
Who Made China's Overcapacity？
Tang Zhijun， Pang Jingjing
（1.Business School， Hunan University of Science and Technology， Xiangtan 411201， China; 2.Synergism Innovation Center of Amphitypy Society Reform Construction， Hunan University of Science and Technology，Xiangtan 411201， China）
Abstract： At present， there are more serious overcapacity in many industrial industries in China. based on summarizing the advantages and disadvantages of traditional methods， a new method for measuring the utilization rate of energy is proposed： which is the DEA method adjusted by SFA. This method can effectively compensate for the DEA method's neglect of external environmental factors. Then， using this new method， we measured the capacity utilization rate of 34 industries in different industries under different ownership systems from 2006 to 2016. The results show that the capacity utilization rate of the state-owned holding industry is generally lower than that of the private and foreign-funded industries， both in the whole industry and in the 34 industrial industries. This shows that China's overcapacity is mainly an institutional overcapacity. On this basis， the article further demonstrated the influencing factors of China's overcapacity， and found that factors such as soft budget constraints， the proportion of national capital， and investment proportions are significantly affecting China's overcapacity， while export factors will reduce the degree of overcapacity in China.
Key words： overcapacity， different ownership， institutional， rate of capacity utilization