经济总量及其波动、政府行为对产能利用率的影响

邹卫星，房 林

(天津财经大学 经济学院，天津 300222)

一、引言

20世纪90年代中期，中国告别了供不应求的短缺经济，产能过剩成为常态。近10年来，产能过剩问题进一步凸显，去产能成为中央高度关注的经济问题，如何解释产能过剩，是理论界长期关注的问题。关于产能过剩，中西方存在较大的理论分歧。西方主流经济理论认为，产能利用率和经济增长具有严格的同步同向变化关系，要了解产能利用率，直接研究经济增长和经济周期就行了，对于产能利用率，主张让其随着经济周期自由波动，反对政府干预。依据对美国产能利用率和经济周期的分析，得出产能利用率仅只是经济波动的影像指标的理论结论(邹卫星等，2019)[1]。国内学者虽然认同产能利用率与经济周期具有同向变化关系，但是并不认同两者严格同步变化，产能利用率仅仅是经济增长影像指标的观点。

如果产能利用率与经济发展正相关，那么有两个疑问有待解答：伴随着中国经济持续稳定的增长，为什么仍然存在比较严重的产能过剩？在经济发展较慢、产能过剩严重的时候，为什么刺激经济增长不能缓解产能过剩？要回答这些问题，需要进一步理清与经济发展相关的三个问题：一是经济总量和经济波动的变动对产能利用率有什么样的定性影响？二是经济发展通过什么机制来影响产能利用率？三是与其他解释变量相比，经济发展对产能利用率的影响有多大？

与这些问题密切相关的现象是产能过剩久治难愈。长期以来，政府一直致力于产能调控，但产能过剩问题始终悬而未决。政府调控产能过剩的思路，集中体现在2006年、2009年、2010年、2013年发布的相关文件中。政府决策部门认为，扭曲的产能过剩需要政府调控来匡正，相关调控措施主要包括行政产能、产业政策调控等方面，即通过行政手段遏制产能盲目扩张，对于过剩产能，实现“消化一批、转移一批、整合一批、淘汰一批”；通过产业政策，调整优化产业结构，实现通过产业转型升级，化解产能过剩等。但是各项具体政策变量究竟是缓解了还是加剧了产能过剩？这一问题还存在比较大的研究空间。

为此，集中研究经济发展和政府行为对产能过剩的影响。分别从经济总量增长和经济波动两方面分析经济发展的影响效应，从多方面的政府行为变量来探讨政府行为对产能过剩的调控效应。后文的结构安排如下：第二部分为文献综述；第三部分为理论与机制分析；第四部分为模型设定、变量选取与统计特征；第五部分为检验模型回归分析；第六部分为经济传导机制检验；第七部分为结论与启示。

二、文献综述

近10多年来，对产能过剩或产能利用率的研究主要集中在国内学者对中国经济的实证检验，得到产能利用率顺周期的理论结论。卢锋等(2010)研究认为，市场需求会随着经济的高涨和衰退相应增加和减少，而企业产能在短期内相对变化不大，从而促成了产能利用率的上下波动，当经济衰退时，总需求下降，产能利用率下降，产能过剩加剧。黄秀路等(2018)[2]认为，工业产能利用率的时间趋势特征与宏观经济特征一致，具有顺周期性特征。冯伟(2018)[3]通过GDP的波动特征分析得到产能利用率具有顺周期特征的结论。但是，孟昌和李词婷(2021)[4]认为，产能利用率的变动趋势与 GDP 周期不具有完全的一致性。林毅夫等(2010)[5]认为，产能过剩是经济周期性波动的产物，不能简单地只利用经济的周期性波动来解释产能过剩。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(2015)[6]研究认为，有些行业的产能过剩是由经济周期波动造成的，但中国当前的产能过剩是多重因素综合叠加的结果。对于经济波动究竟是提高了还是降低了产能利用率，迄今还存在较多的争论。

关于政府行为对产能利用率的影响，已有文献从相关政府变量视角进行了研究。一是政府补贴不利于缓解产能过剩。张为付和薛平平(2020)[7]认为，政府补贴支持会给粮油加工企业的产能利用水平带来负面影响；张亚斌等(2018)[8]认为，企业所获得的补贴越多，越有可能出现产能过剩。二是加大市场化进程，减少政府干预，有利于缓解产能过剩。何小钢等(2021)[9]认为，分权、薪酬激励和管理层更替这些市场化治理机制可以提升产能利用率；孔令池(2020)[10]认为，市场化水平提升，对产能过剩的化解成效明显，但地方政府投资规模扩大，会加剧产能过剩。三是对企业的预算约束政策和产业政策会影响产能利用率。陈俊龙等(2019)[11]认为，行业软预算约束水平与产能过剩程度正相关，政府对行业发展的产业政策越强，行业产能过剩程度越高。但是，同时从多重政府行为来研究政府调控产能过剩效果的文献较少。

有鉴于此，拟采用1998—2018年的省际面板数据，使用两阶段最小二乘法(2SLS)研究经济总量及其波动、政府行为对产能利用率的影响，其中，分别选取两个经济变量来代表经济波动进行检验，使用中介变量法分析经济总量和经济波动对产能利用率作用的经济传导机制，引入标准化法分析经济总量及其波动、政府行为变量对产能利用率的影响程度，分析中介变量对总效用的影响，并探讨产能过剩为什么久治难愈。

与以往研究相比，本文的研究特色主要体现在：其一，经济波动如何影响产能利用率？已有研究的回答具有不确定性，本研究分别采用工业增加值波动率和GDP波动率来表示经济波动，探讨这两个变量表示的经济波动与产能利用率之间的关系，进一步明晰了经济波动对产能利用率影响效应的研究结论。其二，引入标准化法，以贷款支持、财政支持和投资比重作为中介变量，分析经济总量和经济波动作用于产能利用率的经济传导机制，讨论各解释变量对产能利用率的贡献，量化分析中介传导机制对总效应的影响程度，这种将标准化法引入中介模型检验的研究既拓展了关于中介变量的检验，又拓展了关于产能过剩实证分析的研究视角。其三，研究政府创新投入、政府直接投资、贷款支持、财政支持、企业亏损退出等政府行为变量与产能利用率的关系，分析在产能过剩治理过程中这些政府行为变量的时序变化特征，并基于此解释产能过剩久治难愈的原因，这一分析为研究产能过剩调控效果提供了一条新的解释思路。

三、理论与机制分析

(一)经济发展对产能利用率的影响

经济发展变量涉及经济总量和经济波动。从经济总量看，当经济走向萧条和衰退时，需求萎缩，商品供大于求，企业缩减产量，产能利用率下降，产能过剩加剧；当经济由复苏走向繁荣时，需求增加，产品供不应求，企业增加产量，富余的产能将会被消化吸收，产能利用率提高，产能过剩得到缓解。因此，经济发展越快，经济总量越高，产能利用率越大，产能过剩可以得到缓解。

经济波动的测度有两个视角，不同视角得到不同的结论。一是采用经济总量的均方差表示。较大的经济波动意味着经济发展存在较大的不确定性。产能过剩归根结底是由供给和需求的相互比较形成的，为了既适应更大的不确定性，又抓住市场可能的扩展机会，企业倾向于扩张产能以抢占新市场或扩大原市场的市场份额，供给相对于需求表现为增加，经济总量的均方差增加会减少产能利用率，加剧产能过剩。二是使用经济总量对其长期趋势的偏离表示。当经济总量大于其长期趋势值时，该值为正，否则为负。这一波动值越大，意味着经济总量越大，从而产能利用率越高，产能过剩越少。因此提出假设1：

假设1：经济总量增加，有利于提高产能利用率，缓解产能过剩。经济波动对产能过剩的影响取决于经济波动值的测度方式，经济总量的均方差增加会减少产能利用率，经济总量对其长期趋势的偏离增加，可以提高产能利用率。

(二)政府行为对产能利用率的影响

回顾中国历次调控产能过剩的效果发现，依靠政府行为调控产能过剩的效果不显著。一方面，长期以来，政府调控的目标是促进经济增长，而促进增长的政府行为往往倾向于增加投资和产能，从而催生和加剧了产能过剩，而产能过剩的调控政策常常很难持续实施，需要让位于刺激经济增长的经济政策；另一方面，政府调控产能过剩的手段主要是行政干预和政策引导，由于政府很难捕捉到瞬息万变的市场信息，因此行政指导不一定能够完全适应市场需要，及时提供企业需要的政策。

就具体调控政策而言，由于不容易直接得到政府行为数据，因此通常选用宏观经济变量代表政府行为。一般而言，为适应市场竞争要求，完善对资不抵债等无法继续经营企业的退出机制，促使亏损企业退出，可以减少实际产能，有效提升地方企业的运行效率，改善产品质量，以更好地适应市场需要，这可以提高产能利用率。而其他政府调控政策一般难以减缓产能过剩，以政府创新支出为例，政府部门在技术创新的方向判断和资助项目选择方面存在滞后性和片面性；政府创新支出大多集中在应用研究，对基础性研究和原创性研究的资助相对不足；政府创新投入容易滋生寻租行为，这些因素使得政府创新投入的效率不高，一旦创新产出难以符合市场预期，就会加剧产能过剩。而政府直接投资虽然是实现GDP最大化最直接的途径，但常常会导致盲目的生产扩张，造成大量产品积压和资源浪费，进而加剧产能过剩。考虑到还有一些政府行为变量对产能过剩影响不显著，因此提出假设2：

假设2：政府行为治理产能过剩效果不显著，就具体经济变量而言，企业亏损退出可以减缓产能过剩，但其他宏观经济变量难以消除产能过剩。

(三)影响产能利用率的经济机制

1.关于贷款支持的中介机制

当经济总量相对于潜在产出较小时，经济发展面临减速，为了实现经济复苏、减少企业经营困难，政府会增加贷款供给；当经济总量相对于潜在产出较大时，企业经营状况普遍较好，为了防止经济过热，贷款总量会相对减少。工业增加值的均方差值过大，会阻碍经济发展，促进政府增加贷款以刺激经济。如果贷款增加，尤其是用于投资的贷款增加，那么企业生产产能相应增加，会使产能利用率下降。于是可得假设3：

假设3：关于贷款支持的经济传导机制如下：经济总量↑⟹贷款支持↓⟹产能利用率↑；工业增加值波动率↑⟹贷款支持↑⟹产能利用率↓

2.关于财政支持的中介机制

如果经济总量低于潜在产出，为帮助经济走出低谷，政府一般会推出扩张性财政政策，财政支持增加；而当经济总量较高时，为了经济降温，政府会倾向于减少扩张性财政政策，甚至实行紧缩性财政政策，财政支持下降，经济总量和GDP波动率都与财政支持负相关。如果财政支持增加，企业产能相应增加，那么产能利用率下降。于是可得假设4：

假设4：关于财政支持的经济传导机制如下：经济总量↑⟹财政支持↓⟹产能利用率↑；GDP波动率↑⟹财政支持↓⟹产能利用率↑

3.关于投资比重的中介机制

中国从主要依靠投资驱动经济增长，逐步转变为依靠消费推动经济增长，这在一个较长的时段来看，会表现为经济总量增长伴随着投资比重下降。投资增加促使产能快速扩张，产能利用率下降。于是可得假设5：

假设5：关于投资比重的经济传导机制如下：经济总量↑⟹投资比重↓⟹产能利用率↑

四、模型设定、变量选取与统计特征

(一)经济计量模型设定

选用面板数据对产能利用率进行回归分析，具体方程为：

(1)

(二)变量选取

1. 被解释变量

被解释变量为产能利用率(CU)。鉴于成本函数法发展时间较长，测度方式比较成熟，不但能够比较综合地考虑生产过程中所消耗的各类要素投入，而且可以利用投入要素的价格来计算生产成本，因此借鉴Berndt和Catherine(1981)[12]以及韩国高等(2011)[13]的研究，选择成本函数法测算产能利用率，数据口径选择省(自治区、直辖市，下文称省份)数据。建立面板数据模型估计可变成本函数。选用两步GMM估计可变成本函数，选取解释变量总产出的滞后一期作为其工具变量，检验发现，除了γee、γmm、γem的P值大于10%之外，用于计算产能利用率的所有估计参数都在1%的显著性水平下通过了t检验。在不可识别检验中，LM值为12.735，接受原假设的概率为0.0004，拒绝不可识别的原假设。在弱工具变量检验中，Wald检验最小特征值为12.685，小于10%显著性水平下对应的临界值16.38，拒绝原假设，所以不存在弱工具变量问题。在过度识别检验中，工具变量的个数等于内生变量的个数，模型恰好识别。依据可变成本函数计算得到中国31个省份的产能利用率。

2. 核心解释变量

3. 其他变量

(三)数据来源与统计

选取样本区间为1998—2018年中国31个省份的数据，所有数据均以1998年为基期。数据来源于国家统计局网站、《新中国六十年统计资料汇编》《中国工业经济统计年鉴》《中国农村统计年鉴》《中国价格统计年鉴》《中国能源统计年鉴》《中国第三产业统计年鉴》《中国城市(镇)生活与价格年鉴》、历年《中国统计年鉴》和各省份统计年鉴。

主要变量的描述性统计如表1所示。

表1 主要变量的描述性统计

五、检验模型回归分析

(一)计量模型回归结果

经济总量可以影响产能利用率，因为经济发展越快，企业开工越足，产能利用率越高；而产能利用率也会影响经济总量，因为产能利用率越高，既定产量下的总产量也会越高，从而经济总量越高。因为可能存在经济总量的内生性问题，为此，对回归方程(1)，即关于产能利用率与核心解释变量、控制变量之间的关系，使用两阶段最小二乘法(2SLS)进行检验。

按照经济波动解释变量的选取方式，回归方程可分为三类：第一类是以工业增加值波动率作为表示经济波动的解释变量，如表2中(1)-(3)列所示。第二类是根据工业增加值波动率和产能利用率之间的散点图发现，两者除了线性相关性之外，后者还可以表示为前者的二次函数形式，为此，同时引入工业增加值波动率的一次项和二次项作为解释变量，检验方程如式(2)所示，得到表2中(4)-(6)列。第三类是选择经济波动的另一个替代变量GDP波动率作为解释变量，得到表2中(7)-(9)列。第一类和第三类的检验方程均为式(1)。

(2)

以最终消费cs作为经济总量y的工具变量进行检验，表2中(1)-(9)列是2SLS回归的结果。第一阶段回归结果的F值均大于10，说明在1%的显著性水平上，经济总量不存在弱工具变量问题，第二阶段的回归是产能利用率对核心变量和控制变量的回归。

表2 计量模型回归结果

1.核心解释变量的影响分析

表2显示，各解释变量的回归系数大多在1%的显著性水平上通过了t检验，说明经济总量和经济波动对产能利用率的影响具有较好的可信性。经济总量的系数在0.167-0.452之间，说明经济总量对产能利用率具有显著的正向效应。

经济波动的影响效应。一是(1)-(3)列的检验结果显示，工业增加值波动率的回归系数为负，说明工业增加值增速的条件方差越大，产能利用率越低。二是(4)-(6)列的检验结果显示，工业增加值波动率的回归系数显著为负，其二次项的回归系数显著为正，这与两者之间散点图的U型特征相一致，也就是说，当工业增加值波动率较小时，其对产能利用率具有消极作用，当工业增加值波动率的数值达到临界值之后，其对产能利用率具有正向促进效应。计算发现，这个临界值大于16，远高于工业增加值波动率平均值的0.232，绝大部分观测值都小于临界值，这意味着在工业增加值波动率增加时，主要的影响效应是降低产能利用率。三是(7)-(9)列的回归结果显示，GDP波动率的系数大于0，说明对产能利用率具有显著的正效应，GDP波动率越大，产能利用率越高，反之亦然，这与产能利用率和经济周期的关系一致。条件方差反映的是变量偏离均值的程度，究竟这个偏离是大于趋势值的偏离还是小于趋势值的偏离，条件方差值不能反映，而选用GDP波动率可以更好地反映变量对趋势值的偏离。

综上所述，关于经济波动对产能利用率的影响，不能一概而论，选取不同的经济波动变量，会得到不同的研究结论。如果选取工业增加值波动率作为经济波动的代表变量，那么条件方差越大，即经济上下波动的幅度越大，产能利用率越低。如果选择GDP波动率作为经济波动的代表变量，GDP波动率表示GDP实际值偏离趋势值的大小，那么GDP波动率越大，则实际值大于趋势值越多，产能利用率越高；实际值小于趋势值越多，产能利用率越低。

2.政府行为和经济结构的影响分析

关于政府行为变量。政府创新投入对产能过剩具有显著的负向效应，会加剧产能过剩。

关于经济结构变量。一是出口对产能利用率具有负面效应。出口即出口份额，根据支出法国民收入恒等式，消费份额、投资份额、政府购买支出份额和净出口份额之和为1，出口份额和净出口份额的变化趋势一致，净出口份额与消费份额之间存在此消彼长的关系，出口份额的增加，意味着消费份额下降，从而挤出国内消费需求，加剧产能过剩，降低产能利用率。二是资本密集程度的回归系数显著为负。随着资本密集程度的提高，快速扩张的资本存量和过高的资本劳动比都会导致产能扩张，从而降低产能利用率，加剧产能过剩。

(二)内生性检验

进一步使用核心解释变量的滞后项作为工具变量进行分析，以检验最终消费cs作为工具变量的可行性。表3中(1)-(2)列以经济总量的滞后项作为经济总量的工具变量，比较选取经济总量的滞后项和选取最终消费作为工具变量这两种情况，检验结果基本一致。(3)-(4)列以工业增加值波动率的滞后项作为工业增加值波动率的工具变量，检验结果无太大变化。(5)列以GDP波动率的滞后项作为GDP波动率的工具变量，检验结果与最终消费作为工具变量的检验结果相一致。(6)-(8)列同时选取两类核心解释变量的工具变量进行检验，(6)列选取最终消费作为经济总量的工具变量、工业增加值波动率的滞后一期变量作为自身的工具变量；(7)列选取经济总量的滞后项作为经济总量的工具变量、工业增加值波动率的滞后一期变量作为自身的工具变量；(8)列选取经济总量的滞后项作为经济总量的工具变量、GDP波动率的滞后一期变量作为自身的工具变量。回归结果显示，除了GDP波动率回归系数的显著性水平未通过外，核心解释变量、政府行为变量和经济结构变量对产能利用率的影响关系都未发生显著变化，这说明在考虑前述回归模型中可能存在的潜在因果关系的情况下，前文的检验结果具有稳健性。

表3 内生性分析

(三)稳健性检验

1. 基于不同时段的异质性分析

在1998—2018年整个时间段中，分时段进行研究，通过划分相应的时段样本，选取消费总量作为经济总量的工具变量，分析计量回归模型结论的稳健性。首先，以全球金融危机为划分界限，检验产能利用率对经济总量和经济波动的线性回归结果。表4中(1)-(2)列显示，全球金融危机之后，经济总量对产能利用率的促进作用有所减弱，这可能是因为全球金融危机之后，经济屡振乏力，总需求相应下降，经济总量增长带来的产能利用率增加效应也相应减弱，产能利用率的增长幅度变小；为应对经济下行的冲击，针对既定经济波动，更加激进的货币政策大大增加了信贷供给量，积极的财政政策继续刺激投资，导致新增产能快速增长，过剩产能无需退出，这相应地加剧了产能过剩。其次，以全球金融危机为划分界限，检验产能利用率对经济总量和工业增加值波动率的线性回归结果，(3)-(4)列进一步考察了产能利用率对工业增加值波动率二次项的影响，得到的结果与(1)-(2)列的检验结果一致，全球金融危机之后，经济总量的影响效应减弱，工业增加值波动率的影响效应增强。最后，(5)列考察了1998—2007年的情况，检验产能利用率对经济总量和GDP波动率的线性回归结果。总体来看，虽然在不同时段的变量回归系数有所不同，但是产能利用率对各核心解释变量和各控制变量的回归结果与计量模型分析的结果一致。说明本研究结论具有稳健性。

表4 稳健性检验

2.拓展时间段的检验分析

考虑到产能过剩主要始于20世纪90年代中期，因此将研究时间向前拓展到1993年，采用1993—2018年的省际数据分析产能利用率的决定。为了检验研究结论的稳健性，调整省际资本存量的计算方法，前文通过省际折旧额计算资本存量，因此这里取每年各省份的折旧率均为10.6%计算资本存量。产能利用率的计算方法维持不变，得到均值为0.645的省际产能利用率面板数据，对产能利用率进行回归，结果如表4中(6)-(8)列所示，由回归结果可知，不存在弱工具变量问题，经济总量的系数均为正，对产能利用率具有促进效应；工业增加值波动率的系数为负，对产能利用率具有负向效应；工业增加值波动率的二次项系数为正；GDP波动率的系数为正，与产能利用率具有同方向变化的关系，上述检验结果与基于1998—2018年区间数据的研究结论相同，说明计量模型分析的结论具有稳健性。

六、经济传导机制检验

通过中介模型分析经济传导机制。进行中介模型分析需要完成三个检验：一是采用核心解释变量和控制变量解释被解释变量；二是采用中介变量对核心解释变量和控制变量进行回归；三是将中介变量、核心解释变量和控制变量都作为解释变量，将因变量cu对这些解释变量进行回归，因此构建如下方程：

(3)

(4)

(5)

其中，med表示中介变量，式(3)为表2所示的计量回归，式(4)反映自变量对中介变量的影响，式(5)反映中介变量对因变量的解释力。

对式(3)至式(5)进行回归检验，可以分析经济总量及其波动对产能利用率的影响效应，以及形成这些效应的经济传导机制，但是相对于其他解释变量，经济总量及其波动对产能利用率的作用究竟有多大，中介变量究竟能够在多大程度上解释总的影响效应，均不清楚。这是因为不同自变量的量纲不同，相应地各自变量回归系数的量纲也各不相同，因此难以根据回归检验结果直接比较各解释变量对因变量产能利用率解释力的大小。为了消除量纲不同的影响，同时选用标准化方法，对数据进行标准化处理之后再进行回归。检验发现，在标准化处理之前和处理之后各个解释变量得到的检验结果一致，限于篇幅，这里仅分析标准化方法得到的检验结果。

(一)经济传导机制

分析形成经济总量及其波动对产能利用率影响效应的传导机制。

1.贷款支持loan作为中介变量的传导机制

表5中(1)-(3)列为针对中介变量的检验过程，以总消费作为经济总量的工具变量，由(1)列的检验结果可以看出，不存在弱工具变量问题，增加经济总量y、减少工业增加值波动率可以显著提高产能利用率。(3)列显示，经济总量的系数为负，经济总量增加会降低贷款支持。(2)列将中介变量和核心解释变量同时加入回归方程进行检验，贷款支持对产能利用率的回归系数为负，与(1)列的检验结果相比，R2值变大，两个核心解释变量的正负号均相同，但其系数的绝对值均下降，显著性水平也有所下降，这说明贷款支持的中介效应存在。表5中(3)-(5)列在引入工业增加值波动率的二次项作为核心解释变量之后，检验贷款支持的中介变量效应，发现贷款支持是经济总量和工业增加值波动率影响产能利用率的中介变量，假设3成立。

2.财政支持finance作为中介变量的传导机制

表5中(6)-(8)列是经济总量和GDP波动率对产能利用率影响的中介效应检验。(6)列显示，经济总量和GDP波动率都会促进产能利用率的提高。(7)列考察中介变量对核心解释变量的回归，经济总量和GDP波动率的系数都为负。(8)列显示财政支持的系数为负，经济总量和GDP波动率的系数为正，都对产能利用率具有正效应，与(6)列相比，R2值变大，系数变小，这表明财政支持的中介效应存在，假设4成立。

表5 中介模型标准化分析表

3.投资比重invest作为中介变量的传导机制

表6中(1)列与表5中(1)列相同，经济总量对产能利用率具有正效应，工业增加值波动率对产能利用率具有负效应。(2)列考察投资比重对核心解释变量的回归，经济总量的系数为负，说明经济总量的增加会降低投资比重。(3)列在(1)列的基础上加入中介变量投资比重作为解释变量，结果显示投资比重的系数为负，与(1)列相比，R2值变大，所有解释变量系数的正负号均相同，但经济总量的系数变小，显著性水平降低，说明投资比重是经济总量对产能利用率起作用的中介变量。表6中(4)列与表5中(4)列相同，(4)列和(5)列均引入工业增加值波动率的二次项作为解释变量，(6)列和(7)列使用GDP波动率替代工业增加值波动率作为核心解释变量，分别进行中介变量检验，得到与(1)列和(3)列相同的结论，即投资比重是经济总量对产能利用率起作用的中介变量，假设5成立。

表6 中介模型标准化分析续表

(二)标准化分析

由表5可知，在自变量中回归系数较大的解释变量是出口和政府直接投资，然后是经济总量和资本密集程度，再其次是财政支持、政府创新投入和企业亏损退出，回归系数较小的是工业增加值波动率、贷款支持和GDP波动率。自变量的回归系数反映了自变量观测值对自身均值的偏离导致因变量观测值对因变量均值的偏离程度，回归系数越大，表示自变量对因变量的解释力越大，回归系数的排序也代表着相应自变量对因变量解释力的排序。

从这些检验结果可以得到两个结论：一是经济增长会影响产能利用率，但产能利用率不是经济增长的影像。经济增长可以显著影响产能利用率，但产能利用率并不仅仅只由经济总量和经济波动决定，出口和政府直接投资等也都是影响很大的变量，单独从经济增长层面很难解释产能利用率，其他变量不能被忽略。西方主流经济理论所主张的产能利用率是经济发展影像的观点在中国不成立，在产能利用率的决定上，中国经济与美国经济有所不同。二是经济传导机制或中介变量并不能够完全解释经济总量或者经济波动的影响效应。经济传导机制包括两个序贯变化的经济过程：经济总量或经济波动引起中介变量变化、中介变量变化导致产能利用率变化。经济总量标准化值每增加1个单位，会引起贷款支持的标准化值下降0.590，而贷款支持的标准化值每下降1个单位，会导致产能利用率的标准化值上升0.076，这样，经济总量标准化值每增加1个单位，会通过中介变量贷款支持，使产能利用率上升0.045；从表5中(1)-(3)列来看，工业增加值波动率的标准化值每增加1个单位，通过中介变量贷款支持使产能利用率下降了0.005，从式(4)和式(5)的回归结果来看，通过中介变量贷款支持使产能利用率下降了0.004。

从表5中(6)-(8)列可以类推得到：经济总量标准化值每增加1个单位，会通过中介变量财政支持，使产能利用率的标准化值上升0.075；GDP波动率标准化值每增加1个单位，会通过中介变量财政支持，使产能利用率的标准化值上升0.018。从表6中(1)-(3)列可以类推得到，经济总量标准化值每增加1个单位，会通过中介变量投资比重，使产能利用率的标准化值上升0.048。总体来看，贷款支持、财政支持和投资比重作为中介变量，增加每一单位经济总量的标准化值使产能利用率的相应值上升了0.168，工业增加值波动率使产能利用率的相应值下降了0.005，GDP波动率使产能利用率的相应值上升了0.018，比照(1)列和(6)列可知，相应核心解释变量导致产能利用率标准化值变化的总量分别是0.220、-0.068和0.063，这些中介效应解释了各总效应的76.4%、7.4%和28.6%。所以，虽然中介效应所表示的经济传导机制反映了经济总量和经济波动对因变量的影响机制，但是只能解释这些影响效应的一部分。

(三)产能过剩调控效果分析

计量检验结果一致显示，除了企业亏损退出与产能利用率正相关之外，其他政府行为变量与产能利用率均负相关，即企业亏损退出越多，产能利用率越高；政府创新投入、政府直接投资、贷款支持和财政支持越大，产能利用率越低。这说明政府对经济的干预力度越大，产能过剩将越严重，如果政府减少经济干预，那么产能过剩程度将会减轻。

在历次产能过剩调控中，以2006年、2009年和2013年的调控最具代表性，调控力度也最大，这三次调控提出了产能过剩的形成原因和调控思路。以2013年的调控政策为例，认为产能过剩主要表现为产能相对过多，形成原因是长期以来过分追求经济增长、盲目投资过多、重复建设严重和落后产能无法退出；投资体制不完善、要素市场化改革滞后和问责不到位。调控措施主要包括：直接控制已有产能，即控制盲目扩张和重复建设，整顿违法用地、违规项目和违规产能，淘汰和退出落后产能；间接控制新上产能，严格市场准入和项目审批，严控过剩行业的新上项目；鼓励兼并重组，推进产业升级改造，鼓励发展新兴产业和低排放、低能耗、高技术、高附加值产业；进一步完善市场经济体制改革(邹卫星等，2019)[1]。

在这些调控措施中，直接控制已有产能会提高企业亏损退出，间接控制新上产能可以选择减少政府创新投入、政府投资支出、贷款支持、财政支持，按照计量检验结论，这样可以提高产能利用率，减缓产能过剩。但是由于中国的经济结构转型升级尚未完成，在短时期内，为了治理产能过剩，政府创新投入、政府直接投资、贷款支持和财政支持可以下调，但在长期内，这些变量不可能持续下降，因为调低这些数值会导致创新能力不足、投资总量下降、流动性短缺和经济增长乏力。在实际经济中，这些调控产能过剩的经济政策都会在短期实施之后，不得不改向换辙，因为在这些变量中，大多会改变其下降态势，但有些变量会转变为增长趋势。

图1表示各政策行为变量的省际均值。以2006年的产能调控措施为例，当2008年全球金融危机暴发，经济状况趋于萧条时，在就业压力不断加大、地方财政收入持续下降和经济增长速度可能快速下滑的情况下，虽然产能过剩仍然还很严重，但是最后还是陆续推出了增加政府创新投入、减少企业亏损退出数量、增加贷款支持、增加财政支持和增加政府直接投资的政策，这反映出在产能过剩治理政策推出之后，加剧了税收、就业和总产出下行的压力，在经济状况不好的时候，不得不让位于保税收、保就业和保增长的目标。而在2013年的产能调控过程中，随着2014年经济陷入衰退，也未看到持续上升的企业亏损退出、持续下降的政府创新投入、贷款支持、财政支持和政府直接投资。

图1 政策行为变量的省际均值(1998—2018年)

结合图1可知，总体上看，虽然政策行为变量有下行态势，政府干预呈减少趋势，但是在每一次的产能过剩治理过程中，所有产能过剩治理政策都未得到持续贯彻执行。也就是说，因为政府调控要同时兼顾产能过剩治理的多重目标，因此产能过剩治理政策常常很难一以贯之，产能过剩局面也不会得到有效改善。所以长期以来，虽然总是希望产能过剩能够得到有效治理，但是由于这一治理成本很高，最初制定的治理措施常常不得不中断，这就是迄今为止产能过剩久治难愈的主要原因。

七、结论与启示

本文研究产能利用率的决定。采用成本法，通过面板模型的广义矩估计测算中国省级工业的产能利用率。利用面板数据分析方法，选取经济总量和经济波动两大核心解释变量，其中，经济波动选取工业增加值波动率和GDP波动率两个变量表示，并结合政府行为变量和经济结构变量，分析产能利用率。通过计量模型回归、内生性检验、稳健性分析、中介模型分析和标准化分析，研究各个解释变量对产能利用率的影响效应。得到如下结论：

第一，计量模型回归结果显示，经济总量越高，越能够提升产能利用率；工业增加值波动率越大，产能利用率越低；工业增加值波动率与产能利用率之间呈U型关系；GDP波动率越大，产能利用率越高。进一步的内生性检验、基于分时段的检验和扩展时间段的检验，均证明了这些结论的稳健性。

第二，中介模型分析结果显示，贷款支持是经济总量促进产能利用率、工业增加值波动率降低产能利用率的中介变量；财政支持是经济总量促进产能利用率、GDP波动率促进产能利用率的中介变量；投资比重是经济总量促进产能利用率的中介变量。中国的产能利用率并不仅只是经济发展的影像，多个宏观变量均会影响产能利用率，这些中介变量还不能够完全解释经济总量和经济波动对产能利用率的影响效应。

第三，除了企业亏损退出之外，其他所有政府行为变量均与产能利用率负相关。为了治理产能过剩，需要增加企业亏损退出，降低政府创新投入、政府直接投资、贷款支持和财政支持，但是，受制于政府调控的多重目标，为了实现税收、就业和总产出增长，产能过剩调控政策很难持续执行，经济政策会很快转向，这是长期以来产能过剩治理低效的主要原因。

根据研究结论，得到如下启示：

第一，经济体量快速增长是提高产能利用率、缓解产能过剩的重要措施；同时，减少经济上下波动幅度，有利于减缓产能过剩。分析和治理产能过剩不能仅从经济发展入手，这是一个涉及多方面因素的综合工程。

第二，迄今为止的产能过剩调控可能加剧了经济的上下波动，产能过剩调控需要着眼于一个长期目标来设定。减少政府创新投入和政府直接投资等治理产能过剩的政策不可持续，政府直接调控不能缓解产能过剩，基于短期目标的调控会给经济带来不必要的波动。

第三，完善社会主义市场经济体制仍然是需要坚持的改革方向。政府干预的力度越大，产能利用率越低，产能过剩越严重。减少政府干预，加强市场经济体制建设，实现主要通过市场来调控经济的发展模式，可以提高产能利用率。