EN中文

经济地理 >

2021 , Vol. 41 >Issue 12: 132 - 141

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.12.014

产业经济与创新发展

我国工业产能过剩的区域差异及成因分析

  • 曹秋菊 , 1 ,
  • 唐新明 , ※
展开
  • 1.广西财经学院 经济与贸易学院，中国广西 南宁 530003
  • 2.广西财经学院 实验教学中心，中国广西 南宁 530003
※唐新明（1968—），男，湖南衡阳人，硕士，高级实验师，研究方向为计算机技术与信息管理。E-mail：

曹秋菊（1969—），女，湖南衡阳人，博士，教授，硕士生导师，研究方向为世界经济理论与投资。E-mail：

收稿日期: 2021-03-14

  修回日期: 2021-10-09

  网络出版日期: 2025-03-31

基金资助

广西哲学社会科学规划研究课题(21FJL008)

广西财经学院2020年度“陆海经济一体化协同创新中心”研究项目(2020C08)

广西财经学院博士科研启动经费课题

收起

Regional Differences and Causes of Industrial Overcapacity in China

  • CAO Qiuju , 1 ,
  • TANG Xinming , ※
Expand
  • 1. School of Economics and Trade，Guangxi University of Finance and Economics，Nanning 530003，Guangxi，China
  • 2. Experimental Teaching Center，Guangxi University of Finance and Economics，Nanning 530003，Guangxi，China

Received date: 2021-03-14

  Revised date: 2021-10-09

  Online published: 2025-03-31

Fold

摘要

基于2001—2019年省际面板数据，运用SFA方法对其生产环节的产能利用率进行测算，并测算了省际销售环节的产能利用率，进而得到我国省域工业产能利用率。然后，根据产能过剩指数与产能利用率之间的关系计算出2001—2019年我国省际工业产能过剩指数。主要结论包括：①整体来看，2001—2019年中国工业平均产能利用率为70.56%，存在轻度产能过剩。从区域来看，东部地区绝大部分省域的产能利用合理，中部地区和西部地区都出现了产能过剩问题，且中部地区绝大部分省域为中度产能过剩，西部地区绝大部省域出现了严重的产能过剩。②从时间上看，我国产能过剩指数总体上呈下降趋势，即产能过剩问题随着时间的推移略有缓解。③究其原因，主要有我国区域经济发展不充分不平衡，区域产业结构、技术水平、区域资源配置与政策环境差异等。因此，要立足国内大循环、协调区域经济发展和协调区域科技发展水平，推进高质量国际投资与区域制造业分工优化相融合与协调发展，以破解我国区域性产能过剩的困境。

关键词： 工业产能; 供给侧产能利用率; 需求侧产能利用率; 产能过剩指数; 区域差异; 高质量国际投资

本文引用格式

曹秋菊 , 唐新明 . 我国工业产能过剩的区域差异及成因分析[J]. 经济地理, 2021 , 41(12) : 132 -141 . DOI: 10.15957/j.cnki.jjdl.2021.12.014

Abstract

This paper extends the connotation of the capacity utilization from production to sales,estimates the capacity utilization rate of provincial marketing chain using the logarithm production model and the method of SFA based on provincial panel data in China,and measures the industrial capacity utilization rate of provinces in China. According to the relationship between overcapacity index and the capacity utilization rate,it calculates industrial overcapacity index during 2001 and 2019 in China's provinces. The main conclusions are as follows: 1) On the whole,China's average industrial capacity utilization rate was 70.56% from 2001 to 2019,indicating slight overcapacity. From the regional perspective,the vast majority of provinces (municipalities) in the eastern region have reasonable capacity utilization,the central region and western region have overcapacity problem, the vast majority provinces of the central region is moderate overcapacity,and the vast majority of provinces (autonomous regions) in the western region have serious overcapacity problem. 2) From the perspective of time,China's overcapacity index showed a downward trend,that is,the problem of overcapacity eased slightly as time went by. 3) However,according to recent studies,overcapacity in traditional industries has not been completely solved,emerging industries are in a prominent position of overcapacity,which has become a constraint factor for high-quality economic development and opening-up in China under the new development pattern. The reasons are the impact of unbalanced regional economic development level,difference of regional industrial structure,difference in technical level,differences of regional resource allocation and policy environment. Therefore,based on the great domestic cycle, it is necessary to coordinate regional economic development and the level of regional scientific and technological development,and to promote the integration and coordinated development of high-quality international investment and regional manufacturing division optimization, so as to solve the dilemma of regional overcapacity in China.

Key words： industrial overcapacity; capacity utilization rate based on supply side; capacity utilization rate based on demand side; overcapacity index; regional differences; high-quality international investment

1990年以来，产能过剩问题就开始在我国传统制造业领域显现。自2008年美国次贷危机引发全球金融危机以来，中国的产能过剩问题进一步恶化。从各个方面的调查可以看出，中国的产能过剩形势已经十分严峻，其变化可以概括为：从潜在阶段性的产能过剩转化为实际长期性的产能过剩；从低端的、局部性的产能过剩转变为高端的、全局性的产能过剩。在2012年12月的全国中央经济工作会议上，首次提出了有关化解严重过剩产能问题的总体原则。接着国务院又于2013年10月发布了《关于化解产能严重过剩矛盾的指导意见》（国发[2013]41号），其中明确指出：如不及时采取措施加以化解，势必会加剧市场恶性竞争，造成行业亏损面扩大、企业职工失业、银行不良资产增加、能源资源瓶颈加剧、生态环境恶化等问题，直接危及产业健康发展，甚至影响到民生改善和社会稳定大局。随着中国经济进入新常态，产能过剩问题日趋严重，从潜在的、局部阶段性的产能过剩转化为实际、全局长期性的产能过剩，这种严重的产能过剩可能使我国经济处于产业低端，陷入“中等收入陷阱”。2015年，中央经济工作会议首次提出了“三去一降一补”五大任务，其中“去产能”是首要的任务。2016年中央经济工作会议再次将“积极稳妥化解产能过剩”列为首要工作任务。我国经过几年的产能过剩治理，取得了一定的成效，但世界百年未有之大变局正在加速演变，中美贸易摩擦不断，新一轮科技革命和产业革命带来激烈竞争前所未有，在传统产能过剩未能完全解决的情况下，如何避免新兴产业重复建设问题又摆在国人面前。本文以包含供给侧和需求侧两端的产能过剩为研究对象，测算中国大陆地区31个省（自治区、直辖市）的产能过剩指数，有助于提高对我国产能过剩问题空间分布状况的认识，为政府相关部门决策提供有益的参考。

1 文献综述

导致产能过剩的原因有多方面，主要源于市场和政府两个层面。从市场方面原因来看，寡头垄断和垄断竞争市场会对产能过剩造成不同程度的影响[1]，且企业进入市场的自由程度与产能过剩之间存在负相关关系[2-3]。马红旗研究发现，企业规模扩张通过推动前沿产能的获取提高了产能利用率，但却通过抑制传统产能的革新与淘汰降低了产能利用率，且后者占主导地位[4]。张亚斌等研究了地方补贴性竞争对中国产能过剩影响机制[5]。刘满凤等分析了政府干预不当导致产能过剩的机理，且发现其抑制资源配置优化对产能过剩的缓解作用[6]。
在产能过剩测度的方法上，学术界还没有形成统一的评价体系和标准。较为常用的方法有峰值法、成本函数法、生产前沿面法（随机参数生产前沿面法和非参数生产前沿面的数据包络分析法）。①峰值法最早由Klein应用于估计美国行业设备利用率[7]，Kirkley等对峰值法的原理和优点进行了论证[8]。在国内，由于峰值法的准确度较低，应用范围不广，沈利生、熊思觅利用峰值法分别对我国资本设备利用率和制造业产能利用率进行了测算[9-10]。②成本函数法最早由Paine和Cassels提出[11-12]，后被Segerson和Lazkano等广泛运用[13-14]。国内主要有韩高国、吕品等运用成本函数法分别对我国制造业的产能利用率和资本设备利用率进行了测算，发现我国制造业存在严重的产能过剩问题[15-16]。③随机参数生产前沿面法最早由Aigner 等提出[17]，非参数生产前沿面的数据包络分析法最早由Fare等提出[18]，随后这两种方法被Bye、Karagiannis等广泛应用[19-20]。在国内，杨振兵、李铁伦等分别运用生产前沿面方法中的SFA方法和DEA方法对我国制造业和整个工业部门产能利用率进行了测算[21-22]。此外，张皓等基于多维度考察了产能过剩影响企业全要素生产率（TFP）的特征事实及经验证据[23]；李瑞杰等采用生产函数法测得中国工业产能利用率，并讨论了区域经济溢出效应对产能过剩空间分布的影响[24]。
治理产能过剩既要立足国内，也要有国际视野。陈俊龙等基于国内视角，从政治经济体制机制改革、国家宏观政策调控与充分发挥市场机制作用、增加科技与创新投入以提升产业结构等方面提出了对策建议[25]。徐升艳等提出重点深化中西部地区的行政审批改革等去产能的对策建议[26]。韩国高等利用空间杜宾模型考察了环境规制、地方政府竞争策略对产能过剩的影响，结果表明地方政府采用命令控制型、市场型和自主型三种类型的环境规制均有助于本地产能利用率提升，且对东部地区和中西部地区本地产能利用率均具有显著促进作用，但幅度不同[27]。仅仅依靠国内市场和国家相关政策措施不可能完全化解产能过剩矛盾，需要结合“走出去”战略和“一带一路”建设，通过国际市场来消化国内部分过剩产能[28⇓-30]。
前期研究成果颇丰且对本文有较大启发，但是衡量产能过剩的完整体系尚未被提出，大多数学者都采用产能利用率作为产能过剩的衡量指标，而测算产能过剩的方法存在多样性，所得出的结果也不尽相同，而且学者们对于产能利用率的测算只包含了供给侧一端，没有把需求端考虑在内，再者学者们计算的产能利用率大多是分行业的产能利用率，而对分地区的产能利用率状况进行研究较少。本文突破以往单从供给侧来测算产能过剩的局限，兼顾供需两侧对我国省际产能过剩指数进行测算，一定程度上弥补以往研究的不足。

2 研究方法与数据处理

2.1 概念说明与计算推导

根据Kirkley等的研究，产能利用率是衡量产能过剩的一项指标，其等于实际产出与潜在产出的比值[31]。在此基础上，本文测算的产能过剩是包含生产环节和销售环节两个层面的产能过剩，故产能利用率的值等于市场实际需求与潜在生产能力的比值；同时，Kirkley等认为产能过剩指数（EXCA）表示为产能利用率的倒数，即潜在产出与实际产出的比值。另外，产能过剩指数是一个单调函数，与产能利用率呈相反方向变动，即产能过剩指数越大，产能利用率越低，产能过剩程度越严重；产能过剩指数越小，产能利用率越高，产能过剩程度越低。
根据Battese等的观点，在生产过程中生产技术效率（ T E i）的损失是不可避免的，因此，生产技术效率=行业实际产出/行业潜在生产能力[32]，即：
T E i = Y p , i / E Y p , i
而根据上文的所述，可知，产能利用率=市场实际需求/潜在生产能力，即：
C U i = Y d , i / E Y p , i
将式（1）和式（2）进行整理，可得到：
C U i = T E i · Y d , i / Y p , i
因此，
E X C A i = 1 C U i = Y p , i T E i · Y d , i
式中：i表示省（自治区、直辖市）； C U i表示产能利用率； Y d , i表示某一省（自治区、直辖市）的实际市场需求； Y p , i表示某一省（自治区、直辖市）的实际产出； T E i表示技术效率；EXCAi表示产能过剩指数。从式（3）中，可知某一行业的产能利用率实际上是由两个部分组成的：第一部分是行业中的生产技术效率 T E i，当实际产出没达到最佳生产量，即实际产出小于潜在产出时，则出现了供给端的产能过剩；另一部分则是 Y d , i与 Y p , i之比值，即行业生产的产品在消费端的产能利用率，当出现产出大于实际市场需求时，则会出现需求端的产能过剩。

2.2 模型构建与数据处理

①模型构建：参考一些学者的做法，本文选用随机前沿法（SFA），其结论与经济现实更吻合。Aigner和Knox最早提出生产函数随机前沿法（SFA）[17]，模型的一般函数形式为：
y i = f k , l , β ξ i e ν i
式中：k和l分别表示资本和劳动投入； β表示待估参数；ξ为综合技术水平； e ν i > 0，为随机冲击。Battese等对该模型进行了改进，并构建了超越对数生产函数形式，即考虑了时间因素，且认为技术效率会随着时间的变化而有所变动[32]。本文运用超越对数生产函数法来测算2001—2019年中国大陆地区31个省份的产能利用率，具体模型设定如下：
l n y i , t = β 0 + β 1 t + 1 2 β 2 t 2 + β 3 l n k i , t + β 4 l n l i , t + β 5 t l n k i , t + β 6 t l n l i , t + 1 2 β 7 l n k i , t l n l i , t + 1 2 β 8 l n k i , t 2 + 1 2 β 9 l n l i , t 2 + ν i , t - u i , t
u i , t = u i e x p - η t - T
γ = σ u 2 / σ u 2 + σ ν 2 0 ≤ γ ≤ 1
C U i , t = E f x i , t , β e x p ν i , t - u i , t E f x i , t , β e x p ν i , t - u i , t u i , t = 0 = e x p - u i , t
式中：y表示产出；t表示时间；i表示省（自治区、直辖市）；k和l分别表示资本和劳动投入； β表示待估参数；η表示技术效率指数 u i , t的变化率； γ表示误差项中非效率因素所占比重；u和v为互相独立的两个随机误差项，其中， u i ≥ 0为“无效率项”，反映行业厂商i离效率前沿的距离，且有 u i ∼ N + 0 , σ ν 2，但是在原点左边断尾，v表示不可控因素冲击所造成的误差，并且有 ν ∼ N 0 , σ ν 2。式（8）中的 γ是误差组合项模型能否成立的判定标准，因为当非效率项u在残差中所占比重过小，那么对非效率项的研究就没有太大的意义。当 γ值接近于0时，表示不可控因素的冲击导致实际产出与潜在产出的差距，这时可用普通的OLS模型就估计出参数值；当 γ的值无限接近于1时，表示随机非效率项u导致实际产出与潜在产出的差距，普通的OLS模型无法提供非效率项u的值。本文采用Frontier 4.1软件，利用极大似然法来对31个省份工业的产能利用率进行测算。
②数据处理：选取2001—2019年中国31个省（自治区、直辖市）工业数据作为研究样本，考虑数据的可获得性，剔除了台湾省和香港以及澳门这两个特别行政区。有关数据来自于《中国工业统计年鉴》《中国统计年鉴》和《中国城市统计年鉴》。对于与价格因素相关的变量，本文统一按照GDP平减指数法平减为2000年不变价格，以剔除价格因素的影响。所有具体指标解释如下：
工业生产总值（Y）：本文采用每年的工业总产值作为产出指标，并将其按照GDP平减指数法平减至2000年的不变价格。其中，2001—2011年的数据来源于《中国工业统计年鉴》，由于自2011年以后《中国工业统计年鉴》不再提供省（自治区、直辖市）细分行业的工业总产值数据，2012—2019年各省（自治区、直辖市）的工业总产值来源于《中国城市统计年鉴》中公布的各省（自治区、直辖市）规模以上工业总产值（全市）。
劳动投入（L）：采取全部从业人员平均人数来衡量，数据来源于《中国工业统计年鉴》中各省份的数据。由于2005与2013年两年的《中国工业统计年鉴》中部分数据有所缺失，因此，假设2005与2013年的全部从业人员平均人数与上一年全部从业人员平均人数的增长率一样，以补齐数据。
资本投入（K）：通常采用资本存量来进行衡量资本的投入，本文采用固定资产净值来表示资本存量。2001—2011年固定资产净值可以从历年《中国工业统计年鉴》中得出，2012—2019年的固定资产净值可通过固定资产原价减累计折旧计算得出，并将其按照GDP平减指数平减至2000年不变价格。
本文基于产能利用率的测算得到产能过剩指数，所以先测算产能利用率，再计算出产能过剩指数。从变量参数估计结果来看， σ 2为0.1859，说明由误差项和无效率项引起的生产波动幅度较小。 γ为0.9299，且在1%的显著水平上通过检验，这说明实际产出与潜在产出的差距主要是由非效率项u导致的。从极大似然估计值和单侧LR检验值来看，log likelihood=351.1526，LR检验值=510.9635，模型的解释能力较强。从参数的T值来看， β 0、 β 1和 β 6在5%的显著水平上通过检验，其他系数都在1%的显著水平上通过检验，这意味着式变量设置较为合理。

3.1 产能利用率测算

供给侧产能利用率测算：将我国31个省（自治区、直辖市）2001—2019年的工业相关数据输入Frontier4.1软件，可以得出供给侧的产能利用率CUp（表1左部分）。中国31个省域2001—2019年工业供给侧产能利用率年均值介于60%~79%之间，尽管数值偏低，但呈现出逐年上升的势头，说明工业生产环节的技术损失在减少。
表1 2001—2019年中国31个省(自治区、直辖市)工业供给侧产能利用率(CUp)和需求侧产能利用率(CUd)(%)

Tab.1 Industrial capacity utilization rate based on supply side(CUp) and demand side(CUd)in 31 provinces (autonomous regions,municipalities) in China from 2001 to 2019(Unit: %)

省域名称 CUp CUd
2001 2004 2008 2013 2016 2019 2001 2004 2008 2013 2016 2019
北京 88.69 88.88 89.14 89.46 89.64 90.63 98.17 111.71 98.95 98.94 98.62 99.62
天津 97.11 97.16 97.23 97.31 97.36 97.60 98.02 111.34 98.40 99.18 97.27 98.26
河北 72.09 72.52 73.10 73.81 74.22 75.02 98.05 107.17 97.30 100.37 97.64 97.95
山西 42.93 43.61 44.51 45.63 46.30 47.30 97.06 95.14 97.67 101.30 101.75 101.25
内蒙古 64.88 65.40 66.09 66.94 67.44 68.33 97.93 111.71 97.38 110.59 104.40 107.36
辽宁 65.38 65.90 66.58 67.42 67.91 68.92 97.33 108.84 97.32 99.70 103.14 103.18
吉林 77.11 77.48 77.97 78.57 78.72 79.92 96.94 97.75 97.78 103.74 103.78 107.78
黑龙江 53.80 54.43 55.25 56.26 56.87 57.88 97.61 106.14 98.30 101.97 97.47 98.75
上海 92.11 92.25 92.43 92.65 92.78 93.15 98.83 100.31 98.72 99.55 99.75 99.82
江苏 91.78 91.93 92.12 92.35 92.48 93.43 97.06 104.39 98.14 100.91 100.50 100.80
浙江 86.38 86.61 86.92 87.29 87.51 87.85 96.59 98.65 97.27 97.89 97.20 98.02
安徽 71.32 71.77 72.36 73.08 73.51 73.91 98.32 112.38 97.43 99.89 97.44 98.73
福建 85.53 85.77 86.10 86.49 86.73 88.17 96.98 93.07 97.54 97.49 97.23 97.83
江西 77.73 78.09 78.57 79.15 79.50 78.05 97.60 116.10 110.32 99.57 97.23 98.27
山东 90.75 90.91 91.12 91.38 91.53 91.79 97.77 102.35 96.46 98.73 100.15 99.01
河南 72.01 72.45 73.02 73.73 74.15 74.96 97.89 105.62 98.34 100.76 99.38 99.76
湖北 62.33 62.88 63.60 64.49 65.02 65.71 97.60 112.64 97.64 103.53 105.37 107.67
湖南 73.27 73.70 74.25 74.93 75.33 75.93 98.72 106.28 98.69 99.77 98.39 98.89
广东 94.49 94.59 94.72 94.87 94.97 95.67 97.62 94.46 97.13 97.36 96.62 97.65
广西 68.96 69.43 70.06 70.83 71.28 72.25 97.18 104.99 94.85 95.71 96.00 96.73
海南 98.07 98.10 98.15 98.21 98.24 98.26 95.31 82.84 98.78 91.10 94.34 98.32
重庆 73.41 73.83 74.39 75.06 75.46 75.86 97.91 101.22 97.95 98.04 98.29 99.26
四川 58.61 59.20 59.97 60.92 61.48 67.48 98.01 108.37 97.70 106.37 103.66 103.96
贵州 48.30 48.96 49.82 50.90 51.54 52.34 95.73 99.18 95.44 125.31 126.83 127.53
云南 59.92 60.49 61.24 62.17 62.72 63.21 98.61 106.37 95.18 103.95 103.51 107.51
西藏 40.58 41.26 42.17 43.31 43.98 44.98 89.32 81.66 91.84 133.56 131.23 131.73
陕西 54.90 55.51 56.32 57.32 57.92 59.92 97.17 106.44 96.98 105.80 99.38 99.77
甘肃 59.85 60.42 61.18 62.11 62.66 62.96 96.99 120.89 97.51 96.22 99.11 99.85
青海 59.88 60.45 61.20 62.13 62.68 63.02 93.32 121.60 95.12 119.69 112.26 118.72
宁夏 61.24 61.80 62.54 63.44 63.98 64.80 96.79 109.49 95.62 96.48 96.12 97.13
新疆 59.90 60.48 61.23 62.16 62.71 63.06 99.08 102.35 97.75 96.75 98.34 98.62
需求侧产能利用率测算：需求侧产能利用率等于实际市场需求与实际产出之比。本文用工业销售总值表示实际市场需求，用工业总产值表示工业实际供给，因此，需求侧的产能利用率=工业销售总值/工业总产值。工业销售总值可以从历年《中国工业统计年鉴》中获得，工业总产值的数据与上文中处理一致。将相关数据在Excel中进行计算，可以得出需求侧产能利用率CUd（表2右部分）。从结果来看，东部省份需求侧产能利用率几乎都介于0.85~1.00之间，只有少数大于1，大于1是因为当年某一行业的产品市场供给小于需求，从而消耗了一部分上期存货的缘故。需求侧产能利用率结果说明，中国东部省份工业在需求侧的产能利用程度较高，也从另一面反映出需求市场已经接近饱和，如果有更多的产品生产出来，亟须开拓更为广阔的消费市场。
表2 2001—2019年我国31个省(自治区、直辖市)工业产能利用率(CU)(%)和工业产能过剩指数(EXCA)

Tab.2 Industrial capacity utilization rate (CU) (Unit: %)and industrial overcapacity index (EXCA)of 31 provinces ( autonomous regions, municipalities) in China from 2001 to 2019

省域名称 CU EXCA
2001 2004 2008 2013 2016 2019 2001 2004 2008 2013 2016 2019
北京 87.06 99.29 88.21 88.51 88.40 90.28 1.15 1.01 1.13 1.13 1.13 1.11
天津 95.19 108.18 95.67 96.52 94.71 95.91 1.05 0.92 1.05 1.04 1.06 1.04
河北 70.68 77.72 71.12 74.08 72.48 73.48 1.41 1.29 1.41 1.35 1.38 1.36
山西 41.67 41.49 43.47 46.23 47.11 47.89 2.40 2.41 2.30 2.16 2.12 2.09
内蒙古 63.53 73.06 64.36 74.03 70.40 73.35 1.57 1.37 1.55 1.35 1.42 1.36
辽宁 63.64 71.72 64.80 67.21 70.04 71.11 1.57 1.39 1.54 1.49 1.43 1.41
吉林 74.75 75.73 76.24 81.51 81.70 86.14 1.34 1.32 1.31 1.23 1.22 1.16
黑龙江 52.52 57.77 54.31 57.37 55.43 57.16 1.90 1.73 1.84 1.74 1.80 1.75
上海 91.03 92.54 91.25 92.24 92.55 92.98 1.10 1.08 1.10 1.08 1.08 1.08
江苏 89.09 95.96 90.40 93.19 92.95 94.19 1.12 1.04 1.11 1.07 1.08 1.06
浙江 83.43 85.44 84.55 85.45 85.06 86.11 1.20 1.17 1.18 1.17 1.18 1.16
安徽 70.12 80.65 70.50 73.00 71.63 72.97 1.43 1.24 1.42 1.37 1.40 1.37
福建 82.94 79.83 83.98 84.32 84.32 86.26 1.21 1.25 1.19 1.19 1.19 1.16
江西 75.86 90.67 86.68 78.81 77.29 76.70 1.32 1.10 1.15 1.27 1.29 1.30
山东 88.73 93.04 87.90 90.23 91.67 90.89 1.13 1.07 1.14 1.11 1.09 1.10
河南 70.48 76.51 71.81 74.29 73.69 74.78 1.42 1.31 1.39 1.35 1.36 1.34
湖北 60.83 70.82 62.10 66.77 68.51 70.74 1.64 1.41 1.61 1.50 1.46 1.41
湖南 72.33 78.32 73.28 74.76 74.12 75.09 1.38 1.28 1.36 1.34 1.35 1.33
广东 92.24 89.34 92.00 92.37 91.75 93.41 1.08 1.12 1.09 1.08 1.09 1.07
广西 67.01 72.90 66.45 67.79 68.43 69.89 1.49 1.37 1.50 1.48 1.46 1.43
海南 93.47 81.27 96.95 89.47 92.68 96.61 1.07 1.23 1.03 1.12 1.08 1.04
重庆 71.87 74.73 72.86 73.59 74.17 75.30 1.39 1.34 1.37 1.36 1.35 1.33
四川 57.45 64.15 58.59 64.80 63.73 70.15 1.74 1.56 1.71 1.54 1.57 1.43
贵州 46.24 48.55 47.55 63.79 65.37 66.74 2.16 2.06 2.10 1.57 1.53 1.50
云南 59.08 64.34 58.29 64.63 64.92 67.96 1.69 1.55 1.72 1.55 1.54 1.47
西藏 36.24 33.70 38.73 57.84 57.72 59.26 2.76 2.97 2.58 1.73 1.73 1.69
陕西 53.34 59.09 54.62 60.65 57.56 59.78 1.87 1.69 1.83 1.65 1.74 1.67
甘肃 58.05 73.04 59.65 59.76 62.10 62.86 1.72 1.37 1.68 1.67 1.61 1.59
青海 55.88 73.51 58.22 74.37 70.37 74.81 1.79 1.36 1.72 1.34 1.42 1.34
宁夏 59.28 67.67 59.80 61.21 61.50 62.94 1.69 1.48 1.67 1.63 1.63 1.59
新疆 59.35 61.89 59.85 60.14 61.67 62.19 1.68 1.62 1.67 1.66 1.62 1.61
出2001—2019年每年各省（自治区、直辖市）的产能利用率平均值、全国的产能利用率平均值、东部地区的产能利用率平均值及中西部地区产能利用率平均值。
从图1可以看出2001—2019年全国产能利用率的总体情况，虽然中国工业产能利用率均值总体处于波动上升阶段，但是仍然没有走出产能过剩的困境。中国工业产能利用率在2004年前一直处于波动上升的态势，自此后大幅下降并持续到2011年。这主要是由于2004年前中国经历了经济的调整增长，出口增长迅速、社会总需求旺盛，产能利用率得到较大幅度提升。而此后，国家调控并随之2008年遭遇全球金融危机，国内外需求出现大幅下滑，大量设备闲置，既有的过剩产能未能得到消化，并且我国为保国内经济增长，出台一系列刺激政策，地方政府加大投资，虽在短期内刺激经济对产能利用率具有一定提升作用，但长期来看，政策刺激所留下的“后遗症”却很难消除，根据测算结果，2005—2011年我国产能利用率平均值为70.56%，远低于合理标准。自2012年中央工作会议之后，国家密集出台去产能政策，产能过剩有所缓解，但2012—2019年我国产能利用率的平均值为74.10%，仍低于合理水平。
图1 2001—2019年全国平均产能利用率走势图

Fig.1 Trend chart of China's average capacity utilization rate from 2001 to 2019

从图2可以看出2001—2019年东部地区和西部地区平均产能利用率的总体情况，基本上与全国平均产能利用率的变动情况一致，但是东部地区的产能利用率水平远高于中西部地区，中西部地区存在较为严重的产能过剩，尽管2012—2019年差异有所减缓。依据测算结果，2001—2019年，东部地区平均产能利用率为86.67%，处于合理水平。东部地区经济发达，对外开放水平较高，有较为便利的出口贸易，其较大的市场需求在一定程度上提高了该区域的产能利用率。而中西部区域2001—2019年平均产能利用率仅为64.01%，远远落后于东部地区。中西部地区的经济相对东部地区较为落后，一直是我国要加大力度发展的区域，但是过度的投资往往与中西部地区的市场需求不匹配，从而导致过剩的产能，因此对于中西部地区的发展投资要适度，并且要打破东部与中西部地区的市场割据态势，以缓解中西部地区的产能过剩状况。
图2 2001—2019年东部地区和中西部地区平均产能利用率走势图

Fig.2 Trend chart of capacity utilization rate in eastern，central-western China from 2001 to 2019

3.2 产能过剩指数的测算

由公式（4）可以推算出2001—2019年我国31个省（自治区、直辖市）包含供需两侧的工业产能过剩指数，见表2右部分。如果产能过剩指数为1，说明实际产出达到了最优水平，而如果产能过剩指数小于或大于1时，意味着要增加或减少产能才可以达到最优产出水平。由于最优产出水平很难实现，所以，设置实际产出水平达到了潜在产出水平的80%及其以上就为合理产出水平。因此，当产能过剩指数介于1.00~1.25之间时，实现了合理产出水平。从表2右部分中的数据可测算出2001—2019年平均产能过剩指数，东部有9个省份实现了合理产出水平，其他省（自治区、直辖市）均需要减少产能才能实现产出合理水平，中西部有15个省份至少需要减少3/10的产能才能达到产出合理水平。

4 工业产能过剩指数变化

4.1 东中西区域产能过剩指数的变化

将我国大陆31个省（自治区、直辖市）划分为东、中、西部地区（东部地区：北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南；中部地区：山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南；西部地区：内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆。），从图2可以看出，地区间产能过剩指数差异较大。东部地区的产能过剩指数相对较低，中西部地区的产能过剩指数则较高，其中，产能过剩问题最为严重的是西部地区。根据图中级别划分的数据可以看出，中国东部、中西部的产能利用状况在整体上呈现出逐渐趋好的态势，即中国产能过剩矛盾正在缓慢化解，特别是2015年以来我国的产能过剩指数不断降低。这体现了我国贯彻新发展理念和推进经济高质量发展取得了实效。

4.2 产能过剩指数的省际时空演进

根据表2右部分所测算出的我国各省（自治区、直辖市）工业产能过剩指数值，把产能利用情况分为产能利用合理（指数值为1.00~1.25）与产能过剩（指数值1.25以上），针对产能过剩程度进一步划分为轻度产能过剩（指数值为1.26~1.42）、中度产能过剩（指数值为1.43~1.66）与严重产能过剩（指数值为1.67以上），选取2001、2008、2013和2019年4个年份的数据为代表，采用ArcGIS软件绘制我国产能过剩指数省（自治区、直辖市）分布图（图3）。由图1并结合表2右部分的数据可以知：2001年我国有22个省份出现了产能过剩问题，只有东部沿海的9个省份产能利用处于合理区间，产能过剩指数在1.67以上的有11个省份，即为严重产能过剩，平均产能过剩指数为1.53；2008年产能得到合理利用的省份增加到10个，且产能过剩指数在1.67以上的仍然有11个省份，但平均产能过剩指数下降为1.50；2013年产能得到合理利用的省份个数与2008年相比没有改变，产能过剩指数在1.67以上的省份下降为4个，平均产能过剩指数为1.40；2019年产能得到合理利用的省份和产能过剩指数在1.67以上的省份与2013年相比没有改变，但平均产能过剩指数下降到1.37。
图3 2001、2008、2013、2019年我国省(自治区、直辖市)工业产能过剩指数分布图

Fig.3 Distribution of industrial overcapacity index of China's provinces (autonomous regions,municipalities) in 2001, 2008, 2013 and 2019

5 我国工业产能过剩区域差异成因分析

根据上述产能利用率测算，我国工业产能利用程度在区域分布上存在较大差异，东部地区工业产能利用率高于中西部地区。产能过剩呈现聚集现象，其中以西部地区的产能过剩问题最为严重，造成这种现象的原因主要是我国各区域经济发展的不平衡性和各区域内部产业结构差异性，深层次原因为区域技术水平差异、资源禀赋差异及政策环境差异等。

5.1 区域经济发展的不平衡性

东部地区作为改革开放的前沿阵地，依靠政策红利和地缘优势，资本、劳动力等流动性生产要素优先配置到东部地区，这些地区聚集了大量高生产效率与竞争力强的优秀企业而率先发展，企业凭借优质资本与劳动力，大批量具有竞争优势产品被生产出来并形成集聚优势，这促使产业发展有序、健康、快速，产能利用率较高。东部地区企业在完成第一轮产业的发展与布局后，积极寻求技术创新和产业转型升级，在国内外市场中获得了较大竞争优势，生产出高新技术含量与独特的竞争力的产品，因而产能过剩现象较为微弱。相对于东部地区，中西部地区聚集的生产要素数量较少且质量较低，经济发展落后于东南沿海地区，工业大而不强，产业转型升级进展缓慢，技术创新能力不强，产能技术含量低和产品竞争力弱，导致产能过剩严重。

5.2 区域内部产业结构差异

我国中西部地区的工业大多为传统行业，如水泥、钢铁、电解铝、风电、石化、平板玻璃等行业，出现较为严重过剩，且受自然条件、发展基础、政策环境的制约与传统观念、运作体制、经济决策的影响，中西部地区的传统行业创新驱动和产业结构转型升级的能力弱。在东部沿海地区，高新技术产业发展起步较早，现已初具规模。近年来，在政府相关产业政策的引导下，随着企业研发投入的增加和技术的不断创新，东部沿海地区传统制造业和加工业在产业转型升级中取得了显著成效，产能利用率较高。

5.3 区域技术水平差异

技术进步主要来源于自主研发和从国外引进两个方面。从自主研发能力来看，东部地区的科研机构和科技工作者要远超中西部地区，每年科研经费的大部分也是集中在东部地区，使得东部地区获得的专利数大大超过中西部地区。另外，东部地区在从国外引进技术上的费用也远比中西部地区多，由此导致东部地区的技术进步明显快于中西部地区。根据《2019年全国科技经费投入统计公报》，我国研究与试验发展（R&D）经费投入超过1 000亿元的省（市）有6个，分别为广东（14.0%）、江苏（12.6%）、北京（10.1%）、浙江（7.5%）、上海（6.9%）和山东（6.8%），全部为东部地区且合计占比近60%。截至2019年底，中国国内（不含港澳台）发明专利拥有量共计186.2万件，每万人口发明专利拥有量达13.3件，北京、上海、江苏分别以132.0、53.5、30.2件名列三甲，其次是浙江、广东、天津，分别位列第4~6位。东部地区较中西部地区整体创新能力强、技术水平高，产品质量高，市场竞争力强，产能利用率自然就高。

5.4 区域资源配置与政策环境差异

我国东部与中西部存在客观和主观两方面的差异，客观方面的差异主要表现为自然地理和资源禀赋的差异，主观方面的差异体现在发展战略、政策选择的差异，还有制度演进差异等，根源在于东部与中西部地区资源配置差异。在资源配置主体方面，东部地区由于较早地引进市场经济体制，大力发展非公有制经济，大量引进外资，资源配置的主体是企业，而且非公有制企业比重较大。在资源配置方式方面，东部地区以市场作为资源的最主要的配置手段，而中西部地区市场在资源配置方面的作用比较薄弱，政府占据了主导地位。在资源配置平台方面，东部地区在发展初期以“特区”为龙头，形成了不同的经济板块，各板块之间的相互辐射和合作，形成了诸如“珠三角”“长三角”等经济发展平台，极大程度上实现了资源的优化配置，产能利用率高；而中西部地区发展更多的是单兵作战，各省际、各地区之间的合作较少，缺少更广阔的经济发展平台，加之产业结构单一、交易成本较高、技术创新乏力，生产率水平较低，产能过剩情况严峻。

6 结论与建议

6.1 主要结论

基于2001—2019年省际面板数据，构建了超越对数的生产模型，运用SFA方法及市场实际需求与工业生产总值之间的比值，从供求两端测算了我国大陆地区31个省份工业产能利用率，在产能利用率的基础上测算了产能过剩指数。主要结论如下：
第一，整体来看，2001—2019年中国工业平均产能利用率为70.56%（平均产能过剩指数为1.42），存在轻度产能过剩。从区域来看，存在着较大的地区差异，东部地区绝大部分省份的产能利用合理，平均产能利用率为86.67%（平均产能过剩指数为1.15），且2001—2019年工业平均产能利用率高于90%的省份，从高到低依次为天津、海南、广东、江苏和上海；中部地区和西部地区都出现了产能过剩问题，2001—2019年工业平均产能利用率为64.01%（平均产能过剩指数为1.56），且中部地区绝大部分省为中度产能过剩，西部地区绝大部省份出现了严重的产能过剩，2001—2019年工业平均产能利用率低于60%，从低到高依次为山西、西藏、贵州、黑龙江、陕西、新疆、甘肃等7省份。
第二，我国产能过剩指数总体上呈下降趋势，即产能过剩问题随着时间的推移略有缓解。但是，一些学者新近研究表明，我国传统行业的产能过剩未完全解决的情况下，新兴产业又处于产能过剩的凸显位置，成为新发展格局下中国经济高质量发展和高质量对外开放的制约因素。

6.2 对策建议

有效化解我国产能过剩“痼疾”必须遵循“双循环”发展理念，协调区域经济发展平衡和推进高质量对外开放。
第一，立足国内大循环，协调区域经济发展，减少体制性障碍。以习近平新时代区域协调发展重要论述引领我国区域协调发展，要畅通国内大循环，构建国内大市场，平衡地区经济发展，优化产业结构，有效化解我国过剩产能，必须打通国内大循环中的各种堵点。充分发挥市场在资源配置中的决定作用，要不断加强区域间的政策协调性，减少体制性障碍，强化区域分工协作，优化区域经济布局，为国内大市场有效发挥作用提供制度保障，依托强大的国内市场化解产能过剩问题。
第二，加大创新研发费用投入，协调区域科技发展水平，合理布局各区域产业结构。大力推进粤港澳大湾区建设、京津冀协同发展、长江经济带发展等战略实施，构建以科技创新为引领的现代产业体系，聚焦“卡脖子”技术，取得更多原创性、有价值的成果，打造大区域创新平台和高质量发展增长极。同时，要着力开创中部地区崛起新局面，推进西部大开发形成新格局，推动东北振兴取得新突破，鼓励东部地区加快推进现代化，支持特殊类型地区发展，有序推进东部沿海产业向中西部地区转移，促进东中西、南北方产业协调高质量发展。
第三，推进高质量国际投资与区域制造业分工优化相融合、协调发展。推进高质量国际投资，是新发展格局下国内国际双循环相互促进的必然要求，也是实施区域协调发展战略的重要举措。东部地区作为中国制造业发展的“领头羊”，通过实施技术导向和效率导向等多样化对外投资战略，率先实现制造业结构升级和成为中国利用高端制造业的“排头兵”，要以创新引领率先实现优化发展。中西部地区在承接东部地区制造业转移中来实现制造业更高层次的发展，促进产业结构升级和形成承接国际高端制造业的后发优势。
第四，落实“一带一路”倡议，加强对沿线国家和地区的投资，加强互联互通基础设施建设，转移部分过剩产能，缓解产能过剩压力。在当前保护主义上升、世界经济低迷、全球市场萎缩的外部环境下，必须集中力量办好自己的事，充分发挥国内超大规模市场优势，提升工业产品和服务的品质和档次，尽力满足人们对美好生活高品质的需求，逐步形成以国内大循环为主体、国内国际双循环相互促进的新发展格局。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Wenders J T. Excess capacity as a barrier to entry[J]. Journal of Industrial Economics, 1971, 20(1):14-19.

[2]
Primeaux W J Jr. The effect of competition on capacity utilization in the electric utility industry[J]. Economic Inquiry, 1978, 16(4):237-248.

[3]
Hilke J C. Excess capacity and entry:Some empirical evidence[J]. The Journal of Industrial Economics, 1984, 33(2):233-240.

[4]
马红旗, 申广军. 规模扩张、“创造性破坏”与产能过剩——基于钢铁企业微观数据的实证分析[J]. 经济学(季刊), 2021, 21(1):71-92.

[5]
张亚斌, 朱虹, 范子杰. 地方补贴性竞争对我国产能过剩的影响——基于倾向匹配倍差法的经验分析[J]. 财经研究, 2018, 44(5):36-47,152.

[6]
刘满凤, 刘熙, 徐野, 等. 资源错配、政府干预与新兴产业产能过剩[J]. 经济地理, 2019, 39(8):126-136.

[7]
Klein L R. Some theoretical issues in the measurement of capacity[J]. Econometric, 1960, 28(2):272-286.

[8]
Kirkley J, Squires D. Measuring capacity and capacity utilization in fisheries[R]. FAQ Fisheries Technical Paper, 1999, 386 (4):75-200.

[9]
沈利生. 我国潜在经济增长率变动趋势估计[J]. 数量经济技术经济研究, 1999(12):3-6.

[10]
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.

[11]
Paine C L. Rationalisation and the theory of excess capacity[J]. Economica, 1936(9):46-60.

[12]
Cassels J M. Excess capacity and monopolistic competition[J]. The Quarterly Journal of Economics, 1937, 51(3):426-443.

[13]
Segerson K, Squires D. On the measurement of economic capacity utilization for multi-product industries[J]. Journal of Econometric, 1990(44):347-361.

[14]
Lazkano I. Cost structure and capacity utilisation in multi-product industries:An application to the Basque Trawl Industry[J]. Environmental Resource Economics, 2008, 41(1):189-207.

[15]
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):18-31.

[16]
吕品, 李超超, 杨君. 外部需求扩张能否提高中国制造业的产能利用率——基于GMM和LSDV法的面板数据分析[J]. 国际贸易问题, 2016(7):40-50.

[17]
Aigner D, Knox L C A, Peter Schmidt. Formulation and estimation of stochastic frontier production function models[J]. Journal of Econometric, 1977, 6(1):21-37.

[18]
Fare R, Grosskopf S, Kokkelenberg E C. Measuring plant capacity,utilization and technical change:A nonparametric approach[J]. International Economic Review, 1989, 30(3):655-666.

[19]
Bye T, Bruvoll A, Larsson J. Capacity utilization in a generalized Malmquist index including environmental factors-A decomposition analysis[J]. Land Economics, 2009, 85(3):529-538.

[20]
Karagiannis R. A System-of-equations two-stage DEA approach for explaining capacity utilization and technical efficiency[C]. Annals of Operations Research, 2013.

[21]
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.

[22]
李铁伦. 中国制造业产能过剩的测度及其影响因素分析[D]. 济南: 山东大学, 2016.

[23]
张皓, 张梅青, 黄彧. 产能过剩对企业全要素生产率的影响——特征事实与经验证据[J]. 云南财经大学学报, 2018, 34(4):32-45.

[24]
李瑞杰, 孟祥慧. 溢出效应视角下中国产能过剩空间分布研究[J]. 云南财经大学学报, 2018, 34(10):27-36.

[25]
陈俊龙, 牛月. 市场不确定性、政府规制与产能过剩分析[J]. 软科学, 2018, 32(10):38-42.

[26]
徐升艳, 邬径纬. 行政审批改革对产能过剩行业土地供应的影响[J]. 资源科学, 2020, 42(11):2224-2236.

DOI

[27]
韩国高, 邵忠林. 环境规制、地方政府竞争策略对产能过剩的影响[J]. 财经问题研究, 2020(3):29-38.

[28]
陈晓珊, 刘洪铎. 对外开放、金融发展与产能过剩化解——基于我国国有企业供给侧结构性改革的视角[J]. 财经科学, 2016(10):1-10.

[29]
刘航, 孙早. 有偏技术进步与工业产能过剩——基于开放格局的供给侧改革[J]. 经济学家, 2017(1):47-54.

[30]
吕萍, 刘小猛. 对外直接投资如何化解产能过剩?——基于中国工业企业的实证研究[J]. 兰州大学学报:社会科学版, 2020, 48(4):60-68.

[31]
Kirkley J, Morrison C J, Squires D. Capacity and capacity utilization in common-pool resource industries:Definition,measurement,and a comparison of approaches[J]. Environmental and Resource Economics, 2002, 22(2):71-97.

[32]
Battese G E, Coelli T J. A model for technical in efficiency effects in a stochastic production frontier for panel data[J]. Empirical Economics, 1995, 20(2):325-332.

Options
文章导航

/

〈 〉