要素扩张、行业特征与产能过剩

刘航++孙早

摘要： 本文基于中国制造业经验数据，实证分析了要素规模、行业特征与产能过剩的关系。从整体结果看，劳动力和资本规模变动不能显著地解释产能过剩；在技术进步越快的行业中，劳动力扩张与产能过剩的正向关系越不明显；随着行业要素配置效率的提高，资本和劳动力同时扩张对产能过剩的加剧效应将得到弱化。治理中国式产能过剩，除了要扭转要素推动型产业增长，更重要的是让微观主体在市场机制下，借助技术进步和要素优化配置，理性投资并高效利用产能。

关键词： 产能过剩； 要素扩张； 行业特征； 技术进步； 要素配置效率

文献标识码： A 文章编号： 1002-2848-2017（04）-0058-11

一、 引 言

上世纪90年代起，中国制造业经历了多轮产能过剩。2009年以来宏观经济调整及结构性矛盾致使实体经济进入新一轮产能过剩，波及金属、矿物制品、机械装备等传统重化工业，新能源和新材料等一些新兴产业也未幸免。本轮产能过剩已成为经济发展面临的主要风险之一，如不能有效应对，将导致企业效益不佳及恶性竞争，甚至可能带来系统性风险[1]。《国务院关于化解产能严重过剩矛盾的指导意见》指出：“产能严重过剩越来越成为我国经济运行中的突出矛盾和诸多问题的根源。企业经营困难、财政收入下降、金融风险积累等，都与产能严重过剩密切相联。”近年来各地政府针对钢铁、水泥、电解铝等严重过剩行业，具体制定了产能压缩目标，为化解产能过剩做出了诸多政策努力。从目前看，我国化解产能过剩矛盾的成效仍不容乐观。2010—2014年，工业固定资产投资年均增长151%，而同期工业用电量年均仅增长65%，以致工业亏损企业亏损额由2010年的2359亿元迅速增至2015年的9367亿元。同时，自2014年起我国转为成品油的净出口国，2015年顺差额近50亿美元，这反映了国内下游行业开工不足，使得大宗商品向国际市场供应剧增。表1为2011—2015年部分工业品的实际产量与产能产量之比（产能利用率），可见焦炭、化肥、水泥、金属、机床、汽车、家电、计算机、发电等主要工业品的产能利用水平低于预警值，且多数呈逐年下降趋势，并未随着近几年的产能过剩治理政策而有明显缓解。

对于产能过剩成因，国外研究多从企业竞争行为来解析。一些认为企业难以准确预测市场波动，为了确保供给灵活性、维持市场地位及避免应激成本增加等，通常将多余的生产要素用作产能储备，使得投资规模易超出实际需求[24]。除了因不确定性而被动采取自保式产能决策，还一些研究认为企业在市场信息确定时，为了策略性竞争或实现经理人效用，也有可能主动保持过剩产能[57]。从政府干预角度解释产能过剩在国内占主流。多数研究认为企业投资扩张与地方政府政绩目标发生激励相容，政府利用公共资源向企业提供支持和优惠，直接或间接承担了本应由企业内部承担的部分成本，诱使其扩大投资规模，进而导致产能过剩[811]。对中国产能过剩成因的另一代表观点是“潮涌现象”，其认为技术追赶中的后发国家易对在发达国家已趋于成熟行业形成前景共识，又因信息不完全和厂商数目不确定而过度进入，导致投资潮涌和产能过剩[1213]。

根据上述国内外研究，无论源于市场失灵还是政府干预，企业的超量投资都对产能过剩有重要解释力。然而，如果说要素扩张一定导致产能过剩显然过于简单，现实中不乏一些企业产能规模扩张迅速，但能够将其高效利用，并未发生严重产能过剩。Squires et al（2010）、Somayeh et al（2012）认为周期性需求波动和短期供给冲击都有可能引起产能过剩[1415]。同时，国内研究在探究产能过剩原因时也逐渐关注到需求因素的影响，如刘航等（2016）分析了外需变动对国内制造业产能利用率的效应[16]，袁江和张成思（2009）、杨振兵（2016）研究强制性技术变迁及有偏技术进步对产能利用的影响时，也考量了需求因素的變动[1718]。

除了需求规模的影响，消费结构升级也可能对产能利用构成压力。《国务院关于积极发挥新消费引领作用加快培育形成新供给新动力的指导意见》指出居民消费呈现“从注重量的满足向追求质的提升、从有形物质产品向更多服务消费、从模仿型排浪式消费向个性化多样化消费”的转变。一些制造业部门跟不上消费升级，无法有效提高供给质量和效率，这可能是造成产能过剩的重要结构性原因。进一步地追溯，供给能力能否与消费需求相匹配，一定程度上取决于创新能力和要素配置效率。很多研究都发现了技术进步、竞争环境、要素配置对产能利用率的影响机制[1921]。如果企业能够利用新产品、新技术、新业态迎合市场要求，新增产能也不至于被大量闲置；或者，经济资源能够及时从无法通过创新提高产出水平的部门流出，则产能过剩也不会长期存在。大量缺乏市场前景的部门投资增长过快，并吸附了过多劳动力，而又难以通过技术创新实现错位竞争并提高实际产出，冗余要素又无法重新配置到要素回报率高的领域（如现实中大量存在的“僵尸企业”）。也就是说，要素投入增长是产能过剩的必要非充分条件，而技术进步和要素配置可能在此传导过程中起调节效应。分析并经验证明行业特征的调节机制，将更清楚地揭示中国式产能过剩的发生过程及行业异质性，推动“分业分类施策”化解产能过剩，对促使企业理性投资与高效利用有一定新的启示。余下部分安排为：第二部分为要素增长、行业特征与产能过剩关系的理论模型；第三部分为实证模型设计；第四部分为实证结果与分析；最后给出结论与建议。二、 理论模型

（一）基准情形

借鉴Hall（1990）、Basu & Fernald （2002）、Jorgenson et al（2005）、Baldwin et al（2013），构建包含产能利用率的生产函数[2225]，并假设企业所处产品市场为垄断竞争市场，单个企业的短期目标为利润率，长期目标为市场份额最大化，则可推导出产能利用率与企业短、长期目标的关系。在考虑产能利用率时，企业i的预期产出（Yi）为资本（Ki）、劳动（Li）、技术（Ti）及产能利用率的函数，即：Yi=Fi（eKiKi，eLiLi，Ti）。其中，eKi和eLi分别为资本和劳动力要素的利用率。两期间产出增长表示为：endprint

在式（4）中其他变量不变情况下，产能利用率增长Δlnei与si值成反比。这说明只要企业存在短期利润率压力，降低产能利用率便可成为化解压力的手段之一。

根据Jorgenson et al（2005）、Baldwin et al（2013），行业层面的全要素生产率增量vT为：

其中，∑JBBJ=J∑NiJiΔlnJi-ΔlnJ，λJi=pJiJipJJ，J=K，L。Baldwin et al（2013）将∑JBBJ定义为行业内要素配置的生产率效应，即要素配置效率，i为企业i的实际产出在全行业中占比（即单个企业市场份额）的两期均值，Ki和Li分别为企业i的资本成本和劳动力成本在全行业中占比的两期均值。将某一企业决策对全行业全要素生产率的影响独立出来，用下标A表示，则可将vT写为：

式（7）中其他变量不变时，企业A的产能利用率增长ΔlneA与A值成反比。这说明在垄断竞争市场长期均衡中，当企业面临市场份额压力时，便倾向选择降低产能利用水平。

（二）要素冲击下产能利用率的变动

下面分析：短期内劳动力投入增加（ΔlnLi增大）致使产能扩张时，企业在什么条件下更偏好降低产能利用率；长期中同时加大资本与劳动力投入（ΔlnLA和ΔlnKA均提高）时，倾向降低产能利用率的部门通常具有什么行业特征。

1.劳动力投入冲击短期均衡的情形

根据假定，在短期内只有劳动力投入可变。在政府干预等可能的因素推动下，企业短期内增加劳动力投入，劳动力成本份额将随之提高，即ΔlnLi增大且为正、ΔlnKi为0。根据式（4），将si值对ΔlnLi求导则有：

由式（8）知：①若vT，i值足够大，且使（vT，i+biΔlnei-ΔlnPi）为正，则siΔlnLi大于0，即短期利润率随劳动力扩张而提高，企业不存在降低产能利用率的压力；②若vT，i值足够小，且使（vT，i+biΔlnei-ΔlnPi）为负，则siΔlnLi小于0，即短期利润率随劳动力扩张而下降，根据式（4），此时降低产能利用率Δlnei更符合企业利益目标。

进一步地，若是第②种情况，当vT，i较小且使ΔlnLi对si值有下行效应时，γi值越小则越有助于缓解si值的下行压力，γi值越大则越有可能加剧其下行压力。即越是规模报酬递增的企业，越容易因劳动力扩张而面临利润压力。由此推断，过多的劳动力投入已经有损企业利润增长时，较高的产出能力对其来说是一种负担，此时最直接可控的办法就是降低产能利用率、抑制实际产出。若处于第①种情况，即快速的技术进步使得企业有能力消化新增劳动力投入，则规模经济效应越明显，就对利润增长越有利，企业无须刻意抑制产出规模。

这说明越是技术进步率较低的企业，新增劳动力对其属于冗余投入，进而越有可能给其带来短期利润压力。可能的原因是：如果企业不能实现快速技术进步，将可能陷入同质化竞争，产品替代性较明显，缺乏需求价格弹性，在产能既已扩张前提下，若保持原产能利用率，实际产出易超出市场需求，造成产品滞销，构成产成品库存压力及利润损失。此时企业的次优选择则是降低Δlnei，不得不保持一定量的闲置产能。相反，对技术进步率足够高的企业来说，面对劳动力扩张就不需这样做了，其可通过开发新产品或提高原有产品的复杂度和技术含量，使产品替代性下降，通常有着乐观的市场前景，无须牺牲产能利用率来维持短期利润率。

2.资本和劳动力冲击长期均衡的情形

企业基于长期产能扩张冲动，同时加大资本与劳动力投入（ΔlnLA和ΔlnKA均提高），会对市场份额产生冲击。根据式（7）将A对ΔlnLA求导有：

由于长期均衡中γA大于1，由式（9）可知：①若∑JBBJ值足够大，且使vT-∑N-1iCCi-∑JBBJ为负，则AΔlnLA大于0，即企业A的长期市场份额随着劳动力扩张而提高，企业没有必要为追求市场份额而降低产能利用率；②若∑JBBJ值足够小，且使vT-∑N-1iCCi-∑JBBJ为正，则AΔlnLA小于0，即企业A加大劳动力投入将损害其长期市场份额，根据式（7），此时降低Δlnei更符合企业长期利益。

进而，对式（7）求二阶混合偏导则有：

式（10）说明：当劳动力扩张已损害市场份额时（即上面第②种情况）时，同时增大ΔlnKA可能缓解A的下行压力，前提是vT，A值足够大且使式（10）右边分母大于0。否则，ΔlnKA越大越容易加剧ΔlnLA对A值的下行压力。而且，即便vT，A值足够大可使式（10）大于0，也不能改变AΔlnLi小于0的事实。由此断定，同时扩张资本和劳动力是否会损害市场份额长期目标，取决于其所处行业的要素配置效率，此时技术进步不能改变要素扩张对其市场份额的作用方向。

上述结果意味着行业的要素配置效率越低，则在位企业要素扩张越有可能使其面临市场份额下降的压力。可能的机制是：如果行业缺乏要素配置效率，则说明该行业进入门槛较高，要素难以按边际产出优化配置。该行业的在位企业增加产能后，若还维持原利用率，则导致平均成本曲线和边际成本曲线同时向右下方平移，这相当于拉低了行业门槛，在位企业面临潜在进入者的竞争压力。此时企业宁可牺牲产能利用率，维持较高平均成本以阻止竞争者进入，即一些研究发现的策略竞争行为[6]。相反，对要素配置效率足够高的行业来说，即使企业想通过保持过剩产能来阻止新加入者，激烈的行业竞争及较高的要素配置效率也不允许其这么做，降低产能利用率对其来说无异于主动放弃市场地位。

（三）理论假说

一个企业是否会随着要素扩张而发生产能过剩，关键看其处于何种技术条件和行业竞争态势。有的企业没有能力充分利用新增产能，只能将其部分闲置；有些可借助产品市场来抵制产能利用率的下行压力，或因竞争顾虑而无法保持产能闲置，更偏好将产能充分利用。要素扩张只是产能过剩的必要条件，但非充分条件。在此传导过程中，技术进步率和要素配置效率可能起着重要的调节效应。面对劳动力投入后的新增产能，技术进步率较低的行业发生产能过剩的可能更大。这是因为较低的技术进步率使企业因产品滞销压力而无法满（高）负荷利用产能；而高技术进步率行业中的企业可借助市场需求消化新增产能，即便不降低產能利用率也可避免利润损失，因而偏好高产能利用率。endprint

H1：越是技术进步率较低的行业，越容易随劳动力要素扩张而发生产能过剩；越是技术进步率较高的行业，劳动力规模与产能利用率的负向关系越不明显。

在同时增加资本和劳动力投入情形下，通常要素配置效率足够低的行业更有可能发生产能过剩。这是由于这类行业门槛较高，在位企业有必要且有能力通过自残式竞争阻止竞争者进入，降低产能利用率更符合其长期理性；在要素配置效率较高的行业中，在位企业不具备“窖藏”产能的条件，因而不可能偏好降低产能利用率。

H2：越是要素配置效率较低的行业，越容易随资本和劳动力扩张而发生产能过剩；越是要素配置效率较高的行业，要素规模与产能利用率的负向关系越不明显。三、 实证模型与变量处理

（一）实证模型

利用中国制造业行业面板数据，分别以劳动力要素与全部要素的投入变动为核心解释变量，实证检验本文的理论假说。实证方程表示如下：

其中ECit为被解释变量，即样本行业产能过剩指数；InpLit和InpKLit为核心解释变量，分别是行业i在第t年的劳动力要素和全部要素的投入变动；TCit和FAECit为调节变量，分别为行业i在第t年的技术进步率和要素配置效率；InpLit×TCit和InpKLit×FAECit分别为两个调节变量与核心解释变量的交互项；X为控制变量。ui、bt和εit分别为行业、时间因素及残差。

为验证技术进步在可变要素（劳动力）扩张与产能过剩关系中的调节效应，以及要素配置效率在全部要素（资本与劳动力）扩张与产能过剩关系中的调节效应，应重点观察两个调节变量（TCit和FAECit）及其与核心解释变量的交互项的系数符号和显著性。根据Jaccard & Turrisi（2003），在加入交互项后，若方程整体拟合优度高于未加之时，且交互项系数显著为负，则说明调节变量能够拉低被解释变量对核心解释变量回归的斜率[26]，即调节变量值越高，核心解释变量对被解释变量的影响越不明显。由此便可断定技术进步和要素配置效率是否削弱了要素扩张对产能过剩的引致效应。

（二）变量选取、处理及数据来源

1.被解释变量

按照理论含义，产能利用率为实际产出与潜在产出（产能产出）之比[8，25]。除了直接调查，潜在产出还可基于统计或企业数据以计量方法测得，目前主要有峰值法、成本函数法、生产函数法、DEA、协整法、VAR等。本文借鉴可变成本函数法[8，16，27]，分别利用中国20个制造业行业的地区面板数据，逐一估计各行业对应的参数值，算得各行业在不同地区成本最小化时的潜在产出Y*i，k，t，相加得到各行业的全部潜在产出Y*it，用实际产出Yit与之相比，便可得到产能利用率，再取倒数即为产能过剩指数ECit。其中Y*i，k，t的测算参见相关文献[8，16]。由于石油加工、炼焦及核燃料加工业在一些地区潜在产出为负，故将其剔除其余19个行业为：农副食品加工业；食品制造业；饮料制造业；烟草制造业；纺织业；造纸及纸制品业；化学原料及化学制品制造业；医药制造业；化学纤维制造业；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；金属制品业；通用设备制造业；专用设备制造业；交通运输设备制造业；电气机械及器材制造业；通信设备、计算机及其他电子设备制造业；仪器仪表及文化、办公用机械制造业。。

2.核心解释变量

式（11）以InpLit为核心解释变量，即劳动力投入的变动率。该变量用规模以上工业企业的分行业劳动力支出额比上年的增长率来衡量，其中劳动力支出额由从业人员数与该行业城镇单位平均工资相乘算得。式（12）的核心解释变量为InpKLit，即资本与劳动力投入之和的变动率。该变量用规模以上工业企业的分行业资本与劳动力支出额之和比上年的增长率来衡量，其中资本支出额为该行业的当年资本存量，即用固定资产原值减去累计折旧得到的净值。资本存量用以2000年为基期的固定资产投资价格指数平减，平均工资用定基的居民消费价格指数平减。同时，InpLit和InpKLit均以标准差法取标准化值，即（观测值-均值）/标准差。

3.调节变量

式（11）中调节变量为TCit，即技术进步率。该变量用行业i在第t年的技术变化指数来衡量，借鉴张军等（2009）按TCit=lnf（xit，t）/t进行测度，相关参数用超越对数的随机前沿生产函数进行估算[28]。式（12）中调节变量为FAECit，即要素配置效率。该变量测算同样借鉴张军等（2009），以要素是否随产出弹性与实际报酬之差而自由流动的程度来衡量要素配置效率[28]。两个调节变量均取标准化值。在按上述方法下的测算数值得出计量结果后，再用各行业大中型企业科技活动人员占全部从业人员之比作为TCit的替代变量，用各行业中小型企业与大型企业的产值之比作为FAECit的替代变量，观察数据替换后结果的稳健性。

4.控制变量

①资本密集度。用规模以上企业人均固定资本存量的自然对数（lnkit）表示。通常认为资本密集型行业的单位规模较大，资产专用性强，设备更新周期长，面对市场不确定性更容易发生产能过剩，很多研究都发现资本密集型的重化工业产能过剩更严重[8]，故预计该变量估计系数为正。②政府干预。用固定资产投资实际到位资金中国家预算资金的比重（BIRit）表示。即便在同等的要素投入增速下，政府对固定资产投资的干预也会影响产能利用率，因为政府可能疏于对资产效益的监管，作为投资方对产能闲置的容忍度较高。③上游行业的影响。用上游行业工业产值的加权平均比上年的变动率（Upit）表示。某一行业的上游产值扩张意味着其原材料和中间品供给更加充裕，可能刺激该行业加大投入并保持过剩产能。若不将其控制，则难以准确得到本行业要素扩张与产能过剩的关系。④下游行业影响。用下游行业工业产值的加权平均比上年的变动率（Downit）表示上、下游行业的界定及权重值的确定依据《2007年中国投入产出表》，工业总产值由历年生产者出厂价格指数加以平减。。下游行业产值扩张意味着更强劲的產品需求，可能有助于消化本行业的过剩产能，同样应加以控制。endprint

主要数据来源为：各行业规模以上企业总产值、增加值、固定资产净值、负债合计、利息支出、从业人员数及大、中、小型企业产值来源于《中国工业统计年鉴》；城镇单位就业人员平均工资的数据来自《中国劳动统计年鉴》；大中型企业的全部从业人员及科研活动人员数来自《中国科技统计年鉴》；分来源的城镇固定资产投资额来自《中国固定资产投资统计年鉴》；相关价格指数来自《中国统计年鉴》。时间跨度为2001—2013年，样本行业为测算ECit时用的19个行业。四、 实证结果与分析

（一）不含调节变量的初步检验

劳动力扩张对产能过剩效应的初步估计结果见表2。由Hausman检验结果断定各列均应采用随机效应模型。从列（1）知，未加入控制变量时，InpLit作为唯一的解释变量，对产能过剩有着显著的正向作用，系数估计值为03251，这意味着某一行业的劳动力要素投入（经标准化后）每增加1个单位，则使该行业潜在产出与实际产出之比约增加03。在资本密集度、政府干预及上下游行业影响等变量逐步得到控制后，估计方程拟合优度及整体显著性得到了提升，同时InpLit对产能过剩的作用被弱化了，除了列（2）其他各列中InpLit的系数尽管仍为正，但缺乏显著性。从初步估计结果看，在同等的行业特征及产业关联下，劳动力扩张并未体现出对产能过剩的明显推动作用。进而推断，即使降低劳动力投入量的增速，也难以取得化解产能过剩的明

表3显示了资本和劳动力同时扩张对产能过剩效应的初步估计结果。未加入控制变量时，InpKLit对产能过剩指数的影响显著为正，随着控制变量加入，拟合优度及整体显著性得到提升的同时，InpKLit的作用变得不够显著。初步断定，在整体样本下产能过剩并不是要素扩张的必然结果。假设各行业为同等的资本密集度和政府干预度，并面对同等的上下游影响，则无论短期增加可变要素投入，还是长期增加所有要素，都未必使企业面临短期或长期目标压力而降低产能负荷，要素投入规模对产能过剩不具有直接解释力。至少要素扩张导致产能过剩的逻辑并非在所有样本中均成立，要素扩张是否导致产能过剩可能取决于一些必要条件，须对调节效应加以检验。

另外，表2、3中控制变量lnkit和BIRit对产能过剩的影响显著为正，即资本密集型重化工业及受政府更多干预的行业更容易发生产能过剩；Downit对产能过剩为显著负影响，即下游规模扩张将为本行业化解产能过剩提供一定市场空间，也同预期一致。但是，上游行业扩张Upit对产能过剩为不显著的负向作用，与预期有所出入。根据一般理解，某一行业容易被动接受一部分上游转嫁而来的产能压力，而初步估计结果说明此效应不显著，现实中多数企业有能力规避上游行业产能扩张的不利冲击。这一方面可能是由于上游行业垄断度通常较高，其产出扩张未必能引起价格即期变动；另一方面可能是原材料和中间品价格构不成企业产能决策的主要考虑因素。

（二）调节效应的检验

为检验技术进步和竞争因素对要素扩张的产能过剩效应的调节作用，把TCit和FAECit作为调节变量分别纳入估计方程，观察其与核心解释变量交互项的表现，结果见表4。由左半部知，列（2）、（4）中InpLit×TCit的系数至少在005水平上显著为负，列（2）整体拟合优度高于列（1）约003，列（4）整体拟合优度高于列（3）约004。这说明随机前沿法测出的技术变化与劳动力投入的交互项对被解释变量方差约有3%的负解释力，按科技活动人员比重测算的技术变化与劳动力的交互项约有4%的负解释力。无论使用何种方法衡量技术进步，行业技术进步越快，都越有可能拉低产能过剩对InpLit回归的斜率。劳动力扩张对产能利用率的抑制效应主要发生在技术进步率较低的行业。正如Nikiforos（2013）发现的缺乏产品创新的新增要素属于没有需求的产能投入，

自然会导致产能利用率下降[29]。这主要因注：括号内数字为z统计量；估计采用两步法，并控制了行业和年份虚拟变量及常数项；四个检验值均显示的p值。 各列ArellanoBond AR检验结果说明存在一阶序列相关且无二阶序列相关，Hansen和Sargan检验结果说明未对工具变量过度识别。左半部是以TCit为调节变量的情形，可知无论以何种方法衡量技术进步率，交互项InpLit×TCit的估计系数均至少在005水平上显著为负，即弱化了内生性问题后调节变量TCit仍表现出对劳动力扩张的产能过剩效应的明显弱化作用。右半部是以FAECit为调节变量的情形，无论如何测算要素配置效率，InpKLit×FAECit的估计系数均在001水平上显著为负，可见控制了内生性问题后调节变量FAECit仍可明显弱化要素扩张的产能过剩效应。

表5中核心解释变量InpLit和InpKLit的系数绝对值及其显著性在各列多略高于表4，足见随机效应模型下要素扩张对产能过剩的加剧作用被相对低估了。上一期产能过剩压力对当期要素投入存在反向抑制，若不控制易造成传统估计方法的结果偏误，而SYSGMM的结果更为可信。这也映射了各行业依靠压缩产能投资来直观应对产能过剩的现实做法。当然InpLit和InpKLit对产能过剩的效应在SYSGMM下仍未呈现足够的显著性，劳动力扩张和全部要素同时扩张对产能过剩的明显推动作用，仅分别存在于低技术进步率和要素配置无效率的行业。另外，产能过剩指数滞后项的系数显著为正，说明低效率的产能利用在多数行业存在制度惯性，这与生产模式的长期积累及对市场信息反应存在时间滞后有关[30]。五、 结 论

生产要素扩张是否会导致产能过剩，关键要看企业基于特定技术条件和行业竞争态势的选择偏好。只有当行业技术进步或要素配置效率表现较差时，扩张要素投入才会对产能过剩形成强烈刺激。利用中国制造业行业面板数据进行检验，发现：从整体结果看，无论扩张劳动力还是同时扩张全部要素，对产能过剩的正向贡献都不够显著；在技术进步率越高的行业中，劳动力扩张与产能过剩的正向关系越不明显，劳动力扩张导致的产能过剩主要发生在缺乏技术进步或过度追求技术资源数量型扩张的行业；越是要素配置效率较高的行业，同时扩张全部要素对产能过剩的加剧效应越不明显，只有在要素配置效率相對较低的行业，产能利用率才会随着要素扩张而降低。endprint

本文证明了并非所有行业都随要素扩张而降低产能利用率。低技术进步和缺乏要素配置效率的行业中，在位企业往往对产品滞销和竞争强化更为厌恶，产能利用率对投入增长有更明显的负向弹性，更容易因要素扩张而发生产能过剩。如果闲置新增产能比将其充分利用代价更大，企业不会因要素扩张轻易降低产能利用率。所以，单靠减少要素投入难以化解产能过剩痼疾，“以干预应对干预”的措施尤其不可取。更重要的是通过推动技术创新和优化要素配置，提高其要素利用的上限，变无效投资为有效投资，减少要素扩张的盲目性。

第一，全面提高制造业创新能力，实现创新驱动发展，以缓解部分行业产能利用率对要素投入的敏感弹性。按照“中国制造2025”战略，以两化融合带动制造业高质量发展。加强顶层设计，完善国家制造业创新体系，加强标准体系建设，统筹整合并不断挖潜现有科技资源。瞄准新一代信息技术、高端装备、新材料等重点领域，引导社会资源集聚。抵制低质量技术进步，遏制资源低效率使用及重复建设。坚持质量为先，促使产品差异化竞争，拓展国内国际市场的销路，提高在新兴市场上的竞争优势和适应能力，从而强化微观主体以技术进步去产能的机制。

第二，我国应进一步深化供给侧结构性改革，理顺资源能源及其他生产要素的价格形成机制，借助产业政策的合理引导与市场主体的自发调整，把超量要素从低技术部门和垄断性行业中导出，形成并完善由政府引导、企业自主决策的去产能机制。围绕战略性产业、支柱产业的盲目补贴竞争应及时退出，尤其要减少对其普通资产购置的补贴或税收减免。同时，要着力打破地区及部门分割，消除地方保护主义，推动资源自由流入流出，倒逼企业做出理性的产能决策。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）： 110.

[2] Blinder A S. The anatomy of doubledigit inflation in the 1970s inflation： Causes and effects [M]. The University of Chicago Press， 1982.

[3] Sarkar S. A realoption rationale for investing in excess capacity [J]. Managerial and Decision Economics， 2009， 30（2）： 119133.

[4] Chaturvedi A， MartinezDeAlbéniz V. Safety stock or excess capacity： Tradeoffs under supply risk [R]. IESE Business School Working Paper， 2009.

[5] Fair R C. Excess labor and the businesscycle [J]. American Economic Review， 1985， 75（1）： 239245.

[6] Mathis S， Koscianski J. Excess capacity as a barrier to entry in the US titanium industry [J]. International Journal of Industrial Organization， 1997， 15（2）： 263281.

[7] Ogawa H， Nishimori A. Do firms always choose excess capacity？ [J]. Economics Bulletin， 2004， 12（2）： 17.

[8] 韩国高， 高铁梅， 王立国， 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）： 1831.

[9] 刘航， 孙早. 城镇化动因扭曲与制造业产能过剩——基于2001—2012年中国省级面板数据的经验分析 [J]. 中国工业经济， 2014（11）： 517.

[10] 江飞涛， 耿强， 吕大国， 等. 地区竞争、体制扭曲与产能过剩的形成机理 [J]. 中国工业经济， 2012（6）： 5361.

[11] 黄健柏， 徐震， 徐珊. 土地价格扭曲、企业属性与过度投资——基于中国工业企业数据和城市地价数据的实证研究 [J]. 中国工业经济， 2015（3）： 5769.

[12] 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）： 419.

[13] 白让让. 竞争驱动、政策干预与产能扩张——兼论“潮涌现象”的微观机制 [J]. 經济研究， 2016（11）： 5669.

[14] Squires D， Jeon Y， Grafton R Q， Kirkley J. Controlling excess capacity in commonpool resource industries： the transition from input to output controls [J]. The Australian Journal of Agricultural and Resource Economics， 2010， 54（3）： 361377.

[15] Somayeh M C， Tohidi G， Lankarani S. Capacity utilization of buyersupplier relationships [J]. Indian Journal of Science and Technology， 2012， 5（9）： 3345 3348.endprint

[16] 刘航， 李平， 杨丹辉. 出口波动与制造业产能过剩——对产能过剩外需侧成因的检验 [J]. 财贸经济， 2016（5）： 91105.

[17] 袁江， 张成思. 强制性技术变迁、不平衡增长与中国经济周期模型 [J]. 经济研究， 2009（12）： 1729.

[18] 杨振兵. 有偏技术进步视角下中国工业产能过剩的影响因素分析 [J]. 数量经济技术经济研究， 2016（8）： 3046.

[19] 陈彦斌， 马啸， 刘哲希. 要素价格扭曲、企业投资与产出水平 [J]. 世界经济， 2015（9）： 2955.

[20] 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）： 7587.

[21] 王立国， 高越青. 基于技术进步视角的产能过剩问题研究 [J]. 财经问题研究， 2012（2）： 2632.

[22] Hall R E. Invariance properties of Solows productivity residual [R]. NBER Working Paper， 1991， No.w3034.

[23] Basu S， Fernald J G. Aggregate productivity and aggregate technology [J]. European Economic Review， 2002， 46（6）： 963991.

[24] Jorgenson D W， Ho M S， Stiroh K J. Information technology and the American growth resurgence [M]. Cambridge MA： MIT Press， 2005.

[25] Baldwin J R， Gu W， Yan B. Export growth， capacity utilization， and productivity growth： Evidence from the Canadian manufacturing plants [J]. Review of Income and Wealth， 2013， 59（4）： 665688.

[26] Morrison C J， Berndt E R. Short run labor productivity in a dynamic model [J]. Journal of Econometrics， 1980， 16（3）： 339365.

[27] Jaccard J， Turrisi R. Interaction effects in multiple regression （2nd edition） [M]. SAGE Publications， Inc.， 2003.

[28] 张军， 陈诗一， Gary H J. 結构改革与中国工业增长 [J]. 经济研究， 2009（7）： 420.

[29] Nikiforos M. The （normal） rate of capacity utilization at the firm level [J]. Metroeconomica， 2013， 64（3）： 513538.

[30] 杨振兵， 张诚. 产能过剩与环境治理双赢的动力机制研究——基于生产侧与消费侧的产能利用率分解 [J]. 当代经济科学， 2015（6）： 4252.

责任编辑、 校对： 李再扬endprint