中国汽车企业产能利用率的测算及影响因素分析

欧阳铭珂，张亚斌

一、引言

随着改革开放政策的实施及社会主义市场经济体制的确立，中国经济逐步由卖方市场转成买方市场，很多商品出现了供过于求的现象，而且许多行业已经出现了产能过剩问题。目前，产能过剩是中国经济所面临的主要风险之一。如果处理不当，就会造成闲置资产增加、企业亏损扩大、社会失业率升高等问题，直接影响产业发展与宏观经济稳定。

中国经济行业众多，不同行业的产能过剩，其表现特征和形成机理均存在着差异，因此，不同行业的产能过剩问题需要区别对待(张林，2016)[1]。汽车产业具有产业关联性强、技术复杂、价值链长、经济带动力强与就业拉动大等特征。汽车产业的发展水平是一个国家和地区经济实力、科学技术水平和社会发展水平的重要标志。作为一个发展中大国，中国拥有庞大的汽车生产规模，然而，产能过剩问题却一直是中国汽车行业发展过程中的顽疾。早在2006年3月，国务院就发布了《关于加快推进产能过剩行业结构调整的通知》，将汽车产业列为产能过剩行业之一。受国家经济刺激政策的影响，尤其是鼓励汽车消费的政策的出台，2009年中国汽车市场曾短暂呈现产销两旺的繁荣景象。然而，经过短短的几年发展，中国的汽车行业似乎又出现了比较严重的产能过剩现象。中国汽车企业产能过剩有着怎样的历史演变及其特征结构？产能过剩形成的深层次原因又是什么？这些问题的回答不仅事关化解汽车行业自身的产能过剩，也事关汽车行业的产业结构升级，对中国供给侧结构性改革的顺利推进也具有重要的现实意义。

汽车企业产能过剩的一个核心问题就是产能利用率的测算。产能利用率一般定义为实际产出与生产能力之比，其中，企业生产能力的测算是关键(董敏杰等，2015)[2]。根据企业微观数据，借助现代计量方法或统计方法来推算企业生产能力，进而测算其产能利用率，已成为学术研究经常采用的方法。目前，学术界主要采用函数法与数据包络分析法(DEA)来测算产能利用率。

函数法由Berndt和Morrison(1981)[3]提出，随后Morrison(1985)[4]、Nelson(1989)[5]、Segerson和Squires(1990, 1993)[6][7]、Kim(1999)[8]等学者对其进行了完善与发展。该方法的基本思路是先对企业成本函数进行设定，然后推测出均衡状态下企业的生产能力，最后用实际产出与生产能力的比值作为产能利用率。但是，该方法在应用到中国实际经济问题时，会存在以下问题。第一，函数法需要大量的要素价格信息，但是中国的能源、土地、原材料等要素市场存在着较为严格的政府管制，市场改革滞后，这导致市场上的要素价格在很大程度上不能充分反映其真实水平，从而制约了函数法的应用(贾润崧与胡秋阳，2016)[9]。第二，关于均衡状态的设定并不统一。Garofalo和Malhotra(1997)[10]认为均衡状态是指短期平均成本曲线处于最低点时的状态。赵昌文等(2015)[11]、Shen和Chen(2017)[12]在测算中国工业企业产能利用率时，采用了这一观点。Segerson和Squires(1990)[6]认为均衡状态是指短期平均成本曲线与长期平均成本曲线相切时的状态。马红旗等(2018)[13]在测算中国钢铁企业产能利用率时，采用了这一观点。在实际运用中，均衡状态设定不同，其产能利用率的测算结果也存在着差异(Pascoe和Tingley，2006)[14]。第三，关于成本函数的形式也不统一。例如，赵昌文等(2015)[11]采用超越对数的可变成本函数；韩国高等(2011)[15]采用标准化的可变成本函数。函数形式的主观性选择会影响到产能利用率的测算结果(贾润崧与胡秋阳，2016)[9]。第四，中国国有企业的行为动机较复杂，其行为目标具有多重性，这使得成本最小化的行为假设可能并不完全准确(Bai等，2006)[16]。

利用DEA模型测算产能利用率由Färe等(1989)[17]提出，随后Coelli等(2002)[18]、Sahoo和Tone(2009)[19]等学者对其进行了完善与发展。该方法认为生产能力是指可变要素调整不受限制时生产设备的最大产出。具体操作是运用非参数方法估计出企业的生产前沿，该生产前沿代表着企业的生产能力，最后用实际产出除以生产前沿就得到产能利用率。贾润崧和胡秋阳(2016)[9]认为DEA模型具有很多优点：第一，不需要设定具体的生产函数形式，避免了生产函数主观设定所带来的问题；第二，不需要产出和生产要素的相关价格信息，避免了价格信息统计误差所带来的影响；第三，如果国有性质或竞争策略等因素导致企业行为并不符合成本最小化或利润最大化的假设，那么函数法运用的假设前提就不成立，而DEA模型则可以避免这一问题。因此，贾润崧和胡秋阳(2016)[9]采用传统的DEA模型测算了中国工业企业的产能利用率。但是，Sahoo和Tone(2009)[19]，Yu等(2016)[20]认为，传统的DEA模型在投入存在冗余或者产出存在不足时，会存在高估产能利用率的问题，而采用基于松弛变量测度的数据包络分析法(SBM-DEA)来测算产能利用率才比较合适。

关于中国汽车行业，杨立勋和程小佩(2018)[21]利用行业统计数据，采用生产函数法测算了中国汽车行业的产能利用率。目前，鲜有学者基于企业微观数据，利用SBM-DEA模型来测算中国汽车企业的产能利用率。与相关研究相比，本文主要有以下两个方面的贡献。第一，首次从中国工业企业数据库中提取汽车企业的微观数据，运用SBM-DEA模型测算了汽车企业的产能利用率。第二，构建面板数据的Tobit模型，实证分析汽车企业产能利用率的影响因素。

二、产能利用率测算方法的介绍

s.t.

(1)

求解技术效率，需要将可变要素投入与固定要素投入都纳入模型，其SBM-DEA模型为：

s.t.

(2)

其中，θ2代表着企业o的生产效率。无偏产能利用率则为：

(3)

式(3)计算出来的θ*就是无偏产能利用率，它不包含技术非效率。

三、中国汽车企业产能利用率的测算

(一)样本选取与数据说明

汽车企业微观数据来源于1998—2013年中国工业企业数据库。1998—2013年的中国工业企业数据库存在行业代码不统一的问题，这里先将行业代码统一至GB /T4754-2002版本，然后从中提取汽车整车制造、改装汽车制造、电车制造与汽车车身、挂车的制造4个细分行业的企业数据作为本文的研究样本。由于工业企业数据库存在指标异常等问题，本文还对数据进行了清洗，最后，参考聂辉华等(2012)[22]的方法，对样本进行了匹配。此外，由于2010年的数据存在大量异常值，该年份样本全部剔除。经过筛选，一共得到12 413个观测值。企业产出用总产值表示，要素投入包括资本存量、劳动和中间投入，其中资本存量为固定要素投入，劳动和中间投入为可变要素投入①。资本存量采用永续盘存法计算获得，并按照各地区固定资产投资价格指数折算成1998年的实际值。总产值与中间投入按照各地区工业品出厂价格指数折算成1998年的实际值。考虑到行业差异与年份变化，这里进行了行业—年份的分组，然后依次进行测算。

(二)产能利用率测算结果

1.整体状况

图1描述了中国汽车企业产能利用率的整体状况。1998—2013年中国汽车企业平均产能利用率为69.14%，运行轨迹有明显的阶段性上升或下降，但整体呈水平波动。1998—2000年呈下降趋势，2001年又呈短暂的上升趋势，2001—2003年产能利用率维持在73%左右，随后出现快速下滑，到了2007年产能利用率仅为59.58%，2008年产能利用率又开始呈上升趋势，但时间比较短暂，2012年则转为下降趋势。1997年亚洲金融危机爆发后，中国经济内需较为低迷，有效需求不足，汽车产业因此受到冲击，产能利用率出现下滑②。2001年，中国人均GDP首次超过1 000美元，市场消费结构开始发生变化，原来的冰箱、彩电市场逐渐让位给汽车市场，因此汽车企业迎来了蓬勃发展时期。但是，随着汽车企业投资的快速增长，其产能也在成倍增长。与亚洲金融危机不同，2008年国际金融危机后，汽车产能利用率得到了快速提升，出现这一现象的原因是：应对国际金融危机，国家除了加大基础建设投资外，也制定了一系列刺激居民消费的措施，例如，1.6L及其以下排量车型购置税减半等。另外，2008年中国实施了超宽松的货币政策，这又进一步助长了汽车企业的投资，许多汽车企业盲目扩产，到2012年产能利用率又出现了下滑。

2.区域比较

图2描述了分地区的汽车企业产能利用率状况。从区域层面来看，东部地区、中部地区、西部地区和东北地区的汽车产能利用率变动趋势与全国的走势基本保持一致，它们均呈水平波动的运行轨迹。虽然它们的变动趋势较为一致，但是，其整体水平存在着差异。1998—2013年东部地区、中部地区、西部地区和东北地区汽车企业整体平均产能利用率分别为70.25%、69.86%、69.75%与67.76%。这说明，经济发展水平与市场化程度相对较高的东部地区，汽车工业产能利用率稍微高一些。

注：2010年值为2009与2011年的均值。下同

图2 分地区的汽车企业产能利用率

3. 注册类型比较

图3描述了分注册类型的汽车企业产能利用率状况。从变化趋势来看，不同注册类型企业的产能利用率走势也存在着一定差异，但是差异不是很大，基本与图1中的总体走势保持一致。从整体来看，1998—2013年国有企业、集体企业、私人企业、外商独资企业与中外合资合作企业的年均产能利用率分别为67.38%、69.45%、70.35%、73.14%与73.50%，即在众多企业中，国有企业的产能利用率最低。因汽车产业具有产业关联性强、技术复杂、价值链长、经济带动力强与就业拉动大等特征，而地方政府为了追求GDP与财政收入，就会偏向于鼓励和支持汽车产业这类的重点项目，且更偏好于支持国有企业。

图3 分注册类型的汽车企业产能利用率

4.企业规模比较

图4描述了分企业规模的汽车企业产能利用率状况。从变化趋势来看，小型企业的产能利用率波动不大，总体呈波动下降的趋势，1998年其产能利用率为91.5%，到2013年下降至74.25%；中型企业与小型企业的产能利用率变动走势有些相似，但是中型企业的波动幅度大于小型企业；大型企业产能利用率的波动幅度较大，但呈水平波动。从整体来看，小型企业产能利用率是最高的，然后依次是中型企业与大型企业。经计算，1998—2013年小型企业、中型企业与大型企业的年均产能利用率分别为82.19%、69.14%与60.41%。大型企业产能利用率最低，这可能与政府对其的干预和扶持有关。地方政府更喜欢大项目、大企业，因此，大企业更容易获得政府的资助，更容易出现过度投资，引发产能扩张，降低了产能利用率。另外，与中小企业相比，大企业本身也更容易从银行系统获得信贷。

图4 分企业规模的汽车企业产能利用率

四、中国汽车企业产能利用率影响因素的实证分析

(一)模型设定与变量说明

影响企业产能利用率的因素很多，在参考相关文献的基础上，并考虑数据可得性，这里将探讨以下因素对中国汽车企业产能利用率的影响。(1)市场需求。市场需求是影响产能利用率最直接的因素，企业面临的市场需求越高，则越有利于其产能利用率的提高。(2)供给管理。供给管理水平反映了企业对消费者对产品质量需求和产品多样性需求的应对能力。供给管理水平越高，则越有利于其产能利用率的提高(Braguinsky等，2015)[23]。(3)开放程度。开放程度反映了企业在海外市场的开拓能力。开放程度越高，则越有利于其产能利用率的提高。(4)沉没成本。沉没成本通常代指专用性较强的固定资产，企业的沉没成本越高，企业就越难依据市场需求状况来调整自己的生产能力，即沉没成本通常对产能利用率有着负向影响。(5)金融支持。金融支持的获得代表着融资环境的改善，而宽松的融资环境又是企业增加投资、扩大产能的重要推动力。因此，金融支持会对产能利用率产生负向影响。(6)企业年龄。通常而言，企业创办越长，所积累的生产经验与管理经验就越多，在应对外部冲击时，就具有一定的优势，因而其产能利用率可能就越高。根据上述分析，中国汽车企业产能利用率影响因素的计量模型设定如下：

cui,t=β0+β1demandi,t+β2techi,t+β3openi,t+β4sunki,t+β5financei,t+β6agei,t+ui+εi,t

(4)

其中，i表示企业，t表示时间，u表示个体效应，ε表示误差项，cu表示产能利用率，demand表示市场需求，tech表示供给管理，open表示开放程度，sunk表示沉没成本，finance表示金融支持，age表示企业年龄。关于市场需求，一般认为，企业销售收入与总产值之比可以较好地刻画市场需求的变动，但是，Braguinsky等(2015)[23]认为，企业的应收账款占比越高则市场预期就越低迷，只有减去应收账款后的企业销售收入占比才能准确反应市场需求状况的变化，因此，用(销售收入—应收账款)/总产值来表示市场需求状况。关于供给管理水平，中国汽车企业的产能过剩其实是一个结构性过剩问题，低端供给过剩，而高端供给不足，产品结构单一，因此，新产品产值与总资产之比能较好地衡量企业的供给管理水平。关于开放程度，用出口交货值与总资产之比来进行衡量。关于沉没成本，用固定资产净值年平均余额与总资产之比来衡量。关于金融支持，用当年负债合计与总资产之比来进行衡量。

(二)基准回归分析

产能利用率为非负，属于归并数据，采用面板数据的Tobit模型进行回归分析。由于固定效应的面板Tobit回归通常不能得到一致估计，因而采用随机效应的面板Tobit回归。表1汇报了汽车企业产能利用率影响因素的回归结果。可以发现，市场需求对产能利用率有着正向影响，且通过了5%的显著性水平检验。开放程度对产能利用率有着正向影响，且通过了1%的显著性水平检验。市场需求的增加与企业海外市场开拓能力的加强，都能直接带动企业的销售与生产，从而可以提升产能利用率。供给管理对产能利用率有着负向影响，且通过了1%的显著性水平检验。这与理论预期并不一致，其原因在于：为了应对消费者需求的变化，中国汽车企业虽然加大了新产品开放力度，但是，由于新产品的创新程度不够，达不到市场预期的要求，因而出现产品滞销，产能利用率下降。沉没成本对产能利用率有着负向影响，且通过了1%的显著性水平检验。沉没成本越高，产能水平调整的难度就大，当面对市场需求下降时，其产能利用率就随之下降。金融支持对产能利用率有着负向影响，且通过了1%的显著性水平检验。这说明，宽松的融资环境的确是导致中国汽车企业产能过剩的主要因素之一。企业年龄对产能利用率有着正向影响，通过了10%的显著性水平检验。这说明，创办时间较长的企业有着更多市场经验，其产能利用率可能高一些。

表1 基准回归的结果

注：括号内数值为标准误，***表示p<0.01, **表示p<0.05, *表示p<0.1

(三)稳健性检验

从调整估计方法、更换被解释变量、排除潜在内生性3个方面，对中国汽车企业产能利用率影响因素的实证结果进行稳定性检验。限于篇幅，详细的稳健性检验结果未能列出(感兴趣的读者可向作者索取)。

1. 调整估计方法。本文基准回归采用的是随机效应的面板Tobit回归，这里将依次采用混合Tobit回归、随机效应的普通面板回归，进行重新估计。结果显示，调整估计方法后的回归结果与原回归结果均保持一致：市场需求、开放程度、企业年龄等对产能利用率有着正向影响，供给管理、沉没成本、金融支持等对产能利用率有着负向影响，而且影响系数基本都显著。

2. 更换被解释变量。本文估计的产能利用率已经剔除了技术效率因素，但是Coelli等(2002)[18]认为，各个企业的技术效率普遍存在差异时，将技术效率损失纳入产能利用率测算可能更加合适。基于此，这里将不包含技术效率损失的产能利用率θ*替换成包含技术效率损失的产能利用率，即以有偏产能利用率θ1作为被解释变量，然后进行稳健性检验，另外，本文估计的产能利用率是基于SBM-DEA模型测算得到，采用传统的DEA模型，重新测算产能利用率，然后进行稳健性检验。更换被解释变量后，除企业年龄变量外，其他变量的回归结果与原结果均保持高度一致：市场需求、开放程度等对产能利用率有着正向影响，供给管理、沉没成本、金融支持等变量对产能利用率有着负向影响，且影响系数都显著。

3. 排除潜在内生性。本文试图检验市场需求、供给管理、开放程度、沉没成本、金融支持、企业年龄等因素对产能利用率的影响，但是，产能利用率本身可能也会反向影响这些因素。因此，为了排除这种互为因果带来的内生性问题，将式(4)中当期的解释变量替换成滞后2期，然后进行随机效应的面板Tobit回归。另外，在式(4)中，个体效应u可能与解释变量存在相关性，从而导致内生性问题。为了排除这种遗漏不可观测变量带来的内生性问题，采用面板数据的固定效应方法来估计式(4)。结果显示，在排除潜在的内生性问题后，除企业年龄这个变量外，其他变量的回归结果与原结果均保持一致：市场需求、开放程度等对产能利用率有着正向影响，供给管理、沉没成本、金融支持等对产能利用率有着负向影响，且影响系数基本都显著。

可以发现，基准回归与稳健性检验均显示：市场需求、开放程度等对产能利用率有着正向影响，供给管理、沉没成本、金融支持等对产能利用率有着负向影响。

(四)进一步分析

与非国有企业相比，国有企业享有更多的投融资便利性与政策优惠，其行为动机也更多元化。对此，将总样本划分为国有企业样本与非国有企业样本③，然后分别进行影响因素的实证研究。表2中列(1)报告了国有企业的实证结果，列(2)报告了非国有企业的实证结果。对于非国有企业来说，市场需求的系数变得不显著了；开放程度的正向影响远小于国有企业；金融支持的负向影响远小于国有企业，其系数也不再显著。这说明，市场需求与开放程度的增大更有利于提升国有企业产能利用率，金融支持能显著降低国有企业产能利用率，但是对非国有企业产能利用率的影响并不显著。

注：括号内数值为标准误，***表示p<0.01，**表示p<0.05，*表示p<0.1

中国东部地区与中西部地区在经济发展水平、市场化程度、营商环境等诸多方面均存在差异，因此，这里将总样本划分为东部地区样本与中西部地区样本④，然后分别进行影响因素的实证研究。表2中列(3)报告了东部地区的实证结果，列(4)报告了中西部地区的实证结果。可以发现：中西部地区市场需求与开放程度对产能利用率的正向影响远大于东部地区；中西部地区金融支持对产能利用率的负向影响远小于东部地区，且不显著；中西部地区企业年龄对产能利用率的正向影响小于东部地区，且也不显著。这说明，市场需求与开放程度的增大更有利于提升中西部地区的产能利用率；金融支持能显著降低东部地区企业的产能利用率，但是对中西部地区的影响并不显著；企业年龄只能提高东部地区企业的产能利用率。

综上所述，进一步分析可以得到以下重要结论：市场需求与开放程度的增大更有利于提升国有企业产能利用率，金融支持能显著降低国有企业产能利用率，但是对非国有企业产能利用率影响并不显著；市场需求与开放程度的增大更有利于提升中西部地区的产能利用率，金融支持能显著降低东部地区的产能利用率，但是对中西部地区的影响并不显著。

五、结论与启示

产能利用率的测算结果显示：1998—2013年中国汽车企业平均产能利用率为69.14%，其中，东部地区产能利用率略高于其他地区，国有企业产能利用率明显低于私人企业与外资企业，大型企业产能利用率明显低于中小型企业。基准回归分析与稳健性检验均显示：市场需求、开放程度等对产能利用率有着正向影响，供给管理、沉没成本、金融支持等对产能利用率有着负向影响。进一步分析发现：市场需求与开放程度更有利于提升国有企业产能利用率，金融支持能显著降低国有企业产能利用率，但是对非国有企业产能利用率的影响并不显著；市场需求与开放程度更有利于提升中西部地区的产能利用率，金融支持能显著降低东部地区企业的产能利用率，但是对中西部地区的影响并不显著。

汽车产业是一种具有产业关联性强、技术复杂、价值链长、经济带动力强与就业拉动大等特征的产业，地方政府为了追求GDP与财政收入，往往会偏向于鼓励和支持汽车行业的发展。因此，解决中国汽车企业产能过剩问题的关键在于减少地方政府对经济的干预，尤其是要防止地方政府给企业提供盲目的金融支持。另外，提升内需、鼓励企业“走出去”与加强供给管理也是化解中国汽车企业产能过剩的有效手段，通过对汽车企业供给侧改革更好地满足国内市场需求，培育大产业和大企业，增强国际竞争力[24]。但是，需要警惕的是：目前，中国汽车企业新产品的创新程度不够、科技含量低，市场认可度不高，供给管理水平有待提升，因此，汽车企业要加大科技创新力度，提高产品创新程度与科技含量，加快产业转型升级，为市场提供有效的产品供给，提升企业的产能利用率。最后，治理中国汽车产业产能过剩仍要重视其结构性问题，不同地区、不同所有制的企业，其产能利用率的影响因素存在着显著差异，因此需要区别对待与“对症下药”。

注释：

① 2008—2013年的中间投入为估计值，估算公式为：中间投入=工业总产值+增值税-工业增加值。对于工业增加值缺失的年份，则根据收入法进行估算，估算公式为：增加值=工资总额+增值税+所得税+营业税+利润总额+本年折旧。

② 为了应对亚洲金融危机，中国政府虽然出台并实施了一系列的政策措施，但是，其内容主要集中于长期经济建设与防御金融风险，并没有专门出台针对汽车消费的政策，因此对汽车消费的拉动并不大。

③ 这里，国有企业样本也包括了集体企业。

④ 这里，中西部地区样本也包括了东北地区。