一、问题提出

当前，治理产能过剩，提升产能利用率，已成为我国推进供给侧结构性改革的首要任务和重要内容(白让让，2016;李敬 等，2017)。这主要在于我国各主要行业普遍存在着产能过剩的现象。据国家工信部统计，我国粗钢行业的产能利用率在“十二五”期间下降了近10个百分点，从2010年的79%下降到2015年的不足70%；并据IMF统计，我国产能利用率在2008年金融危机爆发之前大约是80%，但是危机之后则迅速下降，至2011年仅为60%左右。对此，国家采取了多项政策措施来治理产能过剩。

虽然在各项政策措施的强压、抑制与疏导等的作用下，我国在治理产能过剩方面取得了一定的效果，呈现出从“一刀切”走向分类管制、从行政命令为主转向更多发挥市场作用、从经济性管制走向社会性管制、从封闭市场走向开放市场等的四大转变。但总的来说，当前我国产能过剩治理还难以逃脱“过剩、调控、再过剩、再调控”的怪圈(徐朝阳 等，2015)，而且也容易陷入“治理来、治理去，效果不彰，事与愿违”的窘境(徐滇庆 等，2016)。对此，我们有必要搞清楚我国经济发展的总体形势或状态是否会影响各行业的产能利用率进而导致产能过剩？也即，经济周期或经济波动与产能过剩或产能利用率之间究竟存在着耦合还是背离的状态？正确理解这一问题，有利于我们深化对产能过剩在不同经济发展形势下演变特征的认识，并据此采取更为理性和合理的对策措施来治理产能过剩。

【解读】 高通量测序的检测前知情同意、临床资料收集、实验室检测、数据分析、报告生成和检测后遗传咨询应该由同一个团队完成，因为完成整个咨询和检测过程需要不同专业的人员多次沟通。检测前，咨询医师应当清楚高通量测序的应用范围，并告知孕妇和家属可能出现的检测结果；针对检测结果的分析，临床医师应当参与其中，确认基因型-表型相关性，必要时应当可以随时调取查阅其他相关记录和检查资料；检测后报告解释和遗传咨询工作应当由有遗传背景和对相关疾病充分熟悉的专家完成。产前高通量测序结果关系到胎儿的去留问题，一定程度上是孕妇及其家属决定妊娠结局的依据，必须慎之又慎。

洋葱属于百合科葱属类植物，又被成为圆葱。其糖类、蛋白质维生素以及矿物质含量都非常丰富，在我国的南北方都有广泛的种植。随着我国人民生活水平的提高，对于农作物的品质要求也随着上升。为了更好的达到提升洋葱品质到无公害标准的目标，对洋葱的无公害种植以及病虫害防治技术进行研究是非常有必要的。

本文余下的结构安排为：第二部分是文献综述，通过对相关文献进行梳理，明晰本文的边际贡献；第三部分是理论假说，通过构建理论模型，推演出相关命题假说；第四部分是回归方程和变量说明，根据理论假说，构建实证方程；第五部分是实证分析，采用多种计量方法，对理论假说进行检验；最后一部分是主要结论和对策建议。

二、文献综述

产能过剩(excess capacity)是指企业预先投入的生产能力超出了均衡产量所需，从而导致生产要素闲置的现象，是利用已有的工厂和设备在单位时间内所能得到的最大产出与实际产出之间的偏离(Johansen，1968)。一般而言，产能过剩具有如下几个特征：闲置设备超过了合理的界限；利润下降，经营困难；供大于求，产品价格下降；投资逐渐回落，产出增速下降；库存量上升等(徐滇庆 等，2016)。因而，产能过剩是潜在产能供给超过了现实产能需求所导致的一种经济现象(Klein，1960)，是需求与供给因力量对抗失衡所导致的偏离均衡产量的一种经济状态，与经济发展周期具有一定的关联性(Basu et al，1997；Bils et al，1993)。

从现有的相关文献来看，对经济波动与产能过剩之间关系的研究更多的是偏重于将产能过剩作为影响经济波动的一个因素进行研究的。如，Greenwood 等(1988)认为，内嵌产能利用率的新古典模型能够有效地解释边际投资效率对经济波动的影响。有学者利用中国制造业行业发展数据，从直接机制和间接机制两个层面分析了产能过剩对经济波动的影响。耿强等(2011)研究认为由地方政府的政策性补贴所导致的产能过剩是影响中国经济波动的主要因素。韩国高等(2011)基于成本函数法，在测度我国28个行业产能利用率的基础上，得出我国大部分行业产能利用率的变化状况与经济周期波动是一致的。尽管这些研究都将产能利用率低或产能过剩看作是解释经济波动和形成经济周期的主要因素，但是不容否认的是，导致经济波动的原因有很多(莫莎 等，2017)，产能过剩只是其中的一个因素而已。如，Nakajima(2005)将产能利用率和偏好冲击嵌入至动态一般均衡模型中，以此来解释美国经济周期的波动状况；还有Basu 等(1997)也认为产能利用率仅仅是解释了索罗残差周期性波动的一半而已，而且很多情形下产能过剩更多是由经济波动或由经济周期导致的。

在上述判定产能利用率和经济波动存在协整关系之后，我们首先基于面板数据的固定效应模型(FE)进行回归，所得结果见表4所示。从表4的(1)可以看出，经济波动与产能利用率之间并不存在显著的作用关系，所得结果没有通过10%的显著性水平检验。为进一步探讨经济波动与产能利用率在不同行业层面的作用关系，将全样本分为劳动密集型、资本密集型和技术密集型等三类行业②。基于FE法进行回归，所得结果见表4中的(2)～(4)所示，可以发现只有在劳动密集型行业，所得系数为正且通过了5%的显著性水平检验，其余行业并不具有显著性。另外，也为了考察产能利用率是否受经济危机等的影响，我们将样本期间划分为1999—2008年和2009—2014年两个时段分别进行回归，所得结果见表4的(5)和(6)所示，从中可以发现这两个时段的系数均没有通过10%的显著性水平检验。从上述所有回归方程的拟合优度来看，均比较低，说明回归中存在着估计偏误问题，导致估计结果并没有把变量间的关系完全刻画清晰，因而需要借助更为合理的方法加以克服。

与上述研究相应的是，也有相关文献指出，经济波动会影响产能过剩。如，Boileau等(2003)认为一个具有信息优势的要素窖藏环境(factor-hoarding environment)能够更好地解释产能利用率的经济波动特征。同时，孙巍等(2008)提出并验证了产能过剩的波动窖藏假说，认为当经济处于扩张期时，产能较容易形成过剩，而当经济处于萧条期时，产能过剩的程度则较低。尽管这是从经济波动视角来解释产能过剩的相关研究，但是所给出的理由并不完全令人信服，容易给人造成经济发展形势越好，越容易导致产能过剩的认识偏差，而这与现实状况并不吻合，是值得商榷的。林毅夫等(2010)认为产能过剩不仅是经济周期的直接产物，更有可能是由不完全信息下企业投资决策所引发的潮涌行为。有学者认为由宏观运行态势和宏观经济政策所导致的总需求的过度波动是引致产能利用率变动的基本原因。徐滇庆等(2016)则认为产能过剩和产能不足会随着经济周期的变化而交替出现，产能过剩不会成为经济发展的“常态”，更多的只是个短期现象而已。

典中组在矿区分布最广，主要分布在矿区中、北部，在矿区北部不整合覆盖于旁那组之上，在矿区中东部覆盖于洛巴堆组之上，与下伏的巴堆组为角度不整合接触或断层接触，第一岩性段安山质火山角砾熔岩是帮浦矿区的次要赋矿层位，是笛给矿区目前发现的主要赋矿层位。

综上可见，学术界对经济波动和产能利用率之间关系的认知尚未达成一致，还处于莫衷一是的状态。本文认为固然产能利用率会在一定程度上影响经济波动，但是现实中更多关注的是在一定的经济发展环境下产能利用率会呈现出什么样的内在特征，即当经济处于趋好或变坏时，也即当经济出现波动时，究竟会对产能利用率产生什么样的作用效果。另外，虽然已有文献关注到了经济波动会影响产能利用率，但是这些研究更多的是集中在定性分析层面，即使有相关实证性文献，但是所给出的理由说明也缺乏一定的合理性，如孙巍等(2008)等。

基于此，本文的主要贡献在于：将产能利用率内嵌于一定的经济发展情境中，通过理论模型推演出经济波动作用于产能利用率的内在关系，并运用相关计量分析方法，进行实证检验，力争清晰地了解和捕捉当前我国经济发展的现实特征，即经济波动状况会对我国产能利用率产生的作用效果，进而给出在经济发展处于何种大环境下，我国应如何更为理性地利用好经济周期来调整和提升产能利用率，并藉此制定治理产能过剩的相关对策。

（3）对于带烟囱的高塔型吸收塔，风荷载作用下顶部烟囱会产生较大位移，设计时注意把位移值设计在要求范围之内。

三、理论假说

为进一步明晰经济波动作用于产能利用率的内在特征，本文基于经济周期理论，通过构建理论模型来具体地进行说明。本文所构建理论模型的思想主要来源于Lazear and Rosen，其是通过博弈的方式研究了不同能力的员工所获得不同激励报酬的影响机制。本文基于该模型，主要分析一行业在面临不同经济景气状况下对产能利用率的权衡和影响。

首先假设一行业面临两种经济景气状况i(i=1,2)，即好与差，其投资水平为yi=ei+εi，其中ei为投资量，εi为随机扰动。εi服从分布密度为f(ε)，均值为0的随机变量。另外，假设投资是有成本的，其函数为g(e)，且有g′>0,g″>0，表示投资成本具有边际成本递增的性质。

在不同的经济景气状况下，该行业会得到不同的投资收益或回报，可称之为产能利用率。通常来说，经济好的状况下该行业所能获得的投资回报较高，其产能利用率也较高，为cuh，而当经济不景气或差时，生产就会处于停滞状态，此时的产能利用率较低，为cul，即有cuh>cul。

采访工作是文献资源建设的起始，它影响着图书馆馆藏的数量和质量，以及对读者需求的满足程度[1]。当下高速发展的网络环境为文献采访工作的效率提升提供新的契机，但同时也带来了不可避免的挑战。信息爆炸式增长的时代，信息量剧增、种类繁多，传统的图书采购模式已不能适应信息资源建设的高度发展，为了节约采购成本和时间，达到资源建设的最优化，国内外图书馆纷纷采取联合采购的资源共建共享模式来扭转孤军奋战、势单力薄的局势。

该行业的目标是为了在这两种经济状况下选择适当的投资量ei，以最大化总体投资回报，即有：

(1)

对(1)求投资量ei的偏导，可得：

 

(2)

对(2)式中的进一步利用条件概率的贝叶斯法则进行化解，可得：

 

(3)

将(3)式代入(2)式，可得：

数学创造力发生发展于学生、教师和教学任务3者的互动中．一方面，创造力教学应该立足每一个成分，努力实现其最佳的创造性状态；另一方面，应该认识到3者是不可割裂的创造力整体，当3者以某种状态同时呈现时，其结果往往就是创造力的展现．希斯赞特米哈伊以“福流状态”定义这个创造力的高峰状态，侧重描绘个人体验；Renzulli则从整体教学角度将其称为“理想的学习行为”[60]．

(4)

为分析方便，假设该行业在经济景气与不景气两种情形下的投资水平是相等的，即将之代入(4)式，可得：

 

(5)

由于经济变量尤其是面板数据变量大多是非平稳的，如果直接进行回归，会出现伪回归现象，因而需要对各变量的平稳性进行检验。为使检验结果更加可信，我们采用面板单位根检验常用的五种测度方法，即Levin-Lin-Chu(LLC)、Harris-Tzavalis、Breitung、Im-Pesaran-Shin(IPS)、Fisher-type-pperron(FPP)等，并基于水平值和一阶差分值，对产能利用率(cu)和经济波动(gdphp)做面板单位根检验。上述五种检验方法的原假设均是存在单位根，备择假设为不存单位根。从表2中可以看出，产能利用率(cu)和经济波动(gdphp)的原始值并不存在单位根，而做一阶差分后，这两个变量均显示出平稳性，即不存在单位根，据此可以判断出它们均存在着一阶单位根。

为简化分析，对此约束条件可以取等号，即有：

根据上述所推演出的理论假说，可以构建如下实证检验方程：

(6)

由于该行业的期望利润为：

E(π)=E(y1+y2-cuh-cul)=2e*-cuh-cul

将(6)式代入(7)式，可得：

 

(7)

对此进行最优化，可得：

根据学生学习教材，制作与学生学习密切相关的写字微课，把重点课文中难写字、易错字挑选出来，作为微课制作的主要内容。依据各个学段对写字要求不同，在制作写字微课时难易程度也不一样。如低年级生字“木”的微课制作，注重字的间架结构以及在田字格的位置，同时强调笔画顺序，让学生先观看运笔演示，然后模仿在田字格中练习，教师从中巡视给予纠正，直至完全会写，要求学生课下适当练习巩固。又如制作生字“猕”的微课重点强调字的间架结构，明白“猕”左右穿插避让，左边反犬旁写的窄小避让右边，这样整个字看起来匀称得体，给人以美的感觉。

 

对上式中的投资量ei求偏导，可得：

1-g′(e*)=0

(8)

将(8)式代入(5)式，可得：

 

(9)

为简化分析，假设εi服从正态分布，即εi～N(0,σ2)，则有：代入(9)式，可得：

(10)

从(10)式中可知，一行业对产能利用率高低的抉择，主要会受不确定性因素(即，σ)所引发的经济波动的影响，即受经济发展状况是向好还是趋坏的影响。当这种不确定性或者经济波动较大时，该行业的产能利用率也会产生较大的变化，即(cuh-cul)的幅度会增大，两者呈现出一定的协同性或周期性特征。基于此，我们可以提出一个理论假说，即：

为了确保回归结果具有一定的稳定性，参考现有相关文献的做法，我们引入了一些控制变量，具体见表1所示。上述各变量的原始数据主要来源于历年《中国统计年鉴》和各省区市的统计年鉴。受测算各省区市产能利用率数据的限制，我们整理了1999—2014年29个省区市的发展数据，具体的变量描述性统计说明见表1所示。

当然，上述只是给出了经济波动与产能利用率之间的一个大致判断，对于这两者之间更为细致的作用特征，即是否会在不同类型的行业层面中呈现出反周期或逆周期特征，是需要我们通过更具体化的分样本来进行检验的。

四、实证方程

(一)方程构建

cuh+cul=2g(e*)+2Ua

logcuit=c+αgdphpit+βcontrolit+μi+εit

其中，cuit为各省区市的产业利用率状况，gdphpit为各省区市的经济波动状况，controlit为控制变量，μi为各省区市的个体特征，εit为误差项，i为各省区市，t为年份。

(二)变量测度

被解释变量：产能利用率(cu)。目前，测度产能利用率的方法主要有以下几种：工程法、经济学理论测度法以及实证测度法等。这些方法通常来说适用范围较窄，一般是针对某个企业或部门，有的方法还处于理论探讨层面。由Shaikh等(2004)所提出的面板协整法，不仅符合测度产能利用率的理论要求，而且还适用于对行业和地区等产能利用率的测算，所以广受学界的青睐。对此，本文也运用该方法对产能利用率进行测度。具体测度方程如下：

logY(t)=α0+α1·t+α2·logK(t)+e(t)

这位母亲自认为没有私心杂念，就是为孩子好，替他们多操点心多干点活，提高他们的生活质量。现在被孩子“无情”拒绝，她感受到的是巨大的委屈和不甘。然而，妈妈却忽略了，作为儿子媳妇，尤其媳妇，感受到的是“自己的家庭事务”一再被侵入的愤怒。

其中，Y(t)是各省区市各行业的工业总产值，K(t)是各省区市各行业的固定资本存量，t为时间变量，表示技术进步，e为残差项。由于产能利用率反映的是产业运行状况，而本文的研究对象是省级层面，因而为了更为精确地测度一个省区市的产能利用率，我们整理了每个省区市所包含的27个工业行业的发展数据。由于在整理过程中，发现部分省区市的诸多行业数据缺失较为严重，所以经过多轮比对和筛选，我们最终选定了除西藏和青海之外的29个省区市的20个行业①。

解释变量：经济波动(gdphp)。目前将经济产出中的长期趋势与周期性波动分离出来的方法主要是有B-P滤波和H-P滤波等(高铁梅，2015)。其中，H-P滤波具有不损失序列首尾信息的优势，同时还具有去趋势，使频率响应函数在零频率处为零以及不会引起相位漂移等特性，在经济周期研究中具有重要位置，因而本文也使用H-P滤波法。对于时序变量yt，H-P滤波的核心是找出st，即时序变量yt的不可观测趋势部分，使损失函数最小化，即：

st-1))2}

其中，公式中的前半部分是波动成分的度量，后半部分是趋势项平滑程度的度量，λ是平滑参数，调节二者的权重，yt在本文中是指各省区市实际GDP的自然对数值。对于上式，首先应采用H-P滤波法分离出变量中的趋势部分，然后将yt减去趋势部分后，即可得到周期性波动部分，记为gdphp，其实际含义是GDP与其长期趋势部分相对偏离的百分比。基于计算得出的gdphp，如取值大于0时，说明实际GDP超过了增长趋势，经济处于向上波动；反之，则说明实际GDP较增长趋势出现下滑，经济向下波动。由于采用的是年度数据，根据Ravn and Uhlig的建议，平滑参数λ取值为100。

经济波动会对产能利用率产生影响，经济波动增大时，产能利用率也会呈现出扩大趋势，两者总体上呈现出周期性特征。

数学学习是一个主动的过程，是学生思维能力不断锻炼提升的过程，教师在进行教学过程中，应该多多创造出新的教学方法，让学生在自主探究中获得知识。在进行探究性教学方法的设计时，教师应该注意以学生为本，为提升学生的学习效率，发挥他们的学习主动性为主要设计标准，以此来让学生的主体地位得到保障，最终让他们在思考的过程中提升自己在数学方面的综合能力，为学生进一步学习奠定基础。

某高速公路设计速度为100km/h，路面结构设计为4+6+7cm，总厚度17cm。其中，上面层为4cm厚SMA—13，中面层为6cm改性沥青混凝土superpave—20，下面层为7cm密级配沥青稳定碎石ATB—25。

 

表1 变量的描述性统计说明

  

变量变量名称变量测度均值标准差cu产能利用率面板协整法0．63510．1553gdphp经济波动H-P滤波0．00000．0621fdi外商投资外商直接投资额占GDP的比重0．02880．0245gov政府干预财政支出占GDP的比重0．46450．1460open对外开发度进出口贸易额占GDP的比重0．32950．4016ind工业化第二产业产值占GDP的比重0．45780．0780urban城镇化城镇人口占总人口的比重0．47210．1517hr人力资本受教育年限加权法8．37971．0302infra基础设施公路里程数占国土面积的比重0．65250．4347mdemand市场规模请参考Harris(1954)0．03420．0279

五、实证分析

(一)面板单位根检验

(5)式体现了该行业获得最大化总体投资回报时的要求，即边际收益等于边际成本。一般而言，行业在经济景气与不景气时的投资选择具有对称性，因而在此两种情形下的投资机会是均等的，设其概率均为0.5；同时，假设该行业不进行投资时所能获得的收益或机会成本为Ua。因而，该行业进行投资时的参与约束为：

(二)面板协整检验

在明确了产能利用率(cu)和经济波动(gdphp)存在同阶单整关系后，即可进行协整检验，以进一步甄别它们之间是否存在着长期稳定的均衡关系。

 

表2 面板单位根检验

  

检验方法变量Levin⁃Lin⁃Chu统计量P值Harris⁃Tzavalis统计量P值Breitung统计量P值Im⁃Pesaran⁃Shin统计量P值Fisher⁃type⁃pperron统计量P值产能利用率0．06200．52470．03070．00000．05470．52181．79780．963980．39790．0274产能利用率一阶差分-6．53440．0000-0．42770．0000-4．88280．0000-9．60710．0000563．95060．0000经济波动-2．93880．00160．65880．0000-0．99090．1609-2．23800．012687．73410．0071经济波动一阶差分-3．70380．0001-13．63110．0000-7．21130．0000-5．03070．0000122．93430．0000

注：D(cu)和D(gdphp)分别表示cu和gdphp的一阶差分值

本文运用面板协整法(panel cointegration tests)进行检验。该方法主要是通过甄别面板个体或者总体是否存在误差修正项来检验协整的存在性，其有两个约束性检验：一个是Ga和Gt检验，主要是用于甄别横截面的个体是否存在协整关系，如果拒绝原假设，即可说明横截面的个体间存在着协整关系；另外一个是Pa和Pt检验，主要是用于甄别横截面的总体是否存在协整关系，如果拒绝原假设，即可说明横截面总体存在着协整关系。如果在检验过程中出现横截面个体之间存在着相关性，可以通过自抽样方法(bootstrap)获得稳健的临界值。从表3中的面板协整检验结果来看，产能利用率(cu)和经济波动(gdphp)之间存在着协整关系，说明它们之间具有长期的稳定关系。

 

表3 面板协整检验结果

  

统计量数值Z值P值稳健的P值Gt-2．072-1．7630．0390．080Ga-6．1600．9720．8350．050Pt-19．866-12．1400．0000．010Pa-15．355-13．4940．0000．000

注：稳健的P值是通过自抽样法即bootstrap(100)获得

(三)面板固定效应模型

传统的汽车金融行业更多地着眼于汽车销售过程的信贷服务，而互联网汽车金融行业把业务触及到了汽车生产销售的各个环节，打通了汽车行业的产业链，做到了全行业金融覆盖。

 

表4 初步回归结果

  

(1)(2)(3)(4)(5)(6)全样本劳动密集型资本密集型技术密集型≤2008≥2009经济波动-0．05510．1616∗∗-0．4229-0．07630．1378-0．3124(-0．43)(2．14)(-1．45)(-0．30)(0．63)(-1．00)调整后的拟合优度0．02940．15530．04810．05940．02480．0983样本量464464464464290174

注：括号中数据为t统计量；*、**、***分别表示在10%、5%和1%水平上显著。为节省篇幅，并没有汇报控制变量和常数项的回归结果，备索

(四)广义矩估计法

由于产能利用率(cu)和经济波动(gdphp)之间存在着一定的互为关联的作用关系，即一方面产能利用率会受经济波动的影响，另一方面经济波动也有可能会受产能利用率的影响，这主要表现为产能利用率的高低会影响到经济发展的状态，进而会产生一定的经济波动。这种因交互关系所产生的内生性会导致回归结果缺乏信度和效度，对此我们需要加以克服。

通常来说，克服内生性的计量分析方法有工具变量法(IV)和广义矩估计法(GMM)等。运用工具变量法的关键在于为产生内生性的解释变量寻找到有效的工具变量，而所选取的工具变量不仅需要满足与该解释变量高度相关，而且还要与回归方程中的随机误差项不相关。这就会导致在工具变量的选取中存在着两方面的问题：一是弱工具变量问题，即所选取的工具变量与产生内生性的解释变量之间的相关性并不大，存在着弱相关性，同时一般而言，要寻找到严格意义上与误差项不相关的工具变量也是困难的，存在着弱外生性；二是过度识别问题，即所选取的工具变量往往是借助经验或直觉进行筛选的，并没有统一的规定，存在着一定的任意性，这就导致所选取的工具变量并非全都是有效的(陈强，2010；Bound et al,1995)。

为规避由运用工具变量法所带来的估计偏误问题，我们使用广义矩估计法(GMM)进行回归。相较于工具变量法而言，广义矩估计法不仅不需要为产生内生性的解释变量找寻到合适的工具变量，其是由回归模型自我选择和确定的，而且还能考虑到被解释变量的动态性，凸显出被解释变量自身的循环作用，因而广受研究者的青睐(Bond et al,2001)。广义矩估计法(GMM)包含两种方法，即差分GMM和系统GMM。前者是将差分后的方程作为GMM估计的对象，而后者则是将差分方程和水平方程同时纳入GMM估计中。然而，不管如何，使用这两种方法均要通过两个约束性检验，即扰动项无自相关性检验(AR(2)检验)和工具变量过度识别检验(Sargan检验)。为确保回归结果的稳健性，我们同时使用这两种方法进行回归。

首先，基于差分GMM，所得结果见表5所示。从中可以看出，回归的6个方程均通过了扰动项无自相关性检验(AR(2)检验)和工具变量过度识别检验(Sargan检验)，说明采用差分GMM 是可行的。从经济波动的回归系数来看，所得结果至少均通过了10%的显著性水平检验，相较于固定效应模型(FE)有了较大的改善。具体而言，经济波动的回归系数在全样本、劳动和资本密集型行业以及金融危机之前(year<=2008)均显著为正，而在技术密集型行业以及金融危机之后均显著为负。这在一定程度上印证了前文的理论假说，也说明了经济波动和产能利用率在不同的样本层面会呈现出一定的异质性。

 

表5 基于差分GMM的回归结果

  

(1)(2)(3)(4)(5)(6)全样本劳动密集型资本密集型技术密集型≤2008≥2009经济波动0．0995∗∗∗0．0815∗∗∗0．0931∗-0．1232∗∗0．3281∗∗∗-0．2522∗∗∗(5．71)(8．59)(1．71)(-3．25)(5．17)(-3．65)产能利用率滞后项0．0513∗∗∗0．3913∗∗∗0．1616∗∗∗0．4278∗∗∗0．0961∗∗∗-0．3878∗∗∗(9．94)(24．22)(44．06)(36．50)(13．23)(-53．42)无自相关性检验0．77480．29300．28960．82870．77810．1292过度识别检验1．00001．00001．00001．00000．98430．9260样本量435435435435261174

注：括号中数据为t统计量；*、**、***分别表示在10%、5%和1%水平上显著。为节省篇幅，没有汇报控制变量和常数项的回归结果

其次，基于系统GMM，所得结果见表6所示。从中可以看出，6个维度的方程也均通过了AR(2)检验和Sargen检验，说明使用系统GMM是可行的。从经济波动(cu)回归的具体结果来看，在显著性检验上，相较于差分GMM有较大的提升；在系数的正负号上，呈现出显著为正的维度有全样本、劳动和资本密集型行业以及金融危机之前，呈现出显著为负的维度包括技术密集型行业和金融危机之后，与差分GMM所得结果是一致的，说明所得结果具有一定的稳健性。

现在我们具体分析一下所得结果的内在原因。首先，从经济波动(cu)显著为正的结果来看，即在全样本、劳动和资本密集型以及金融危机之前均展现出经济波动与产能利用率呈耦合的发展态势，也即当经济发展处于繁荣时，这些维度的产能利用率均会提升，出现产能不足的现象，而当经济发展处于萧条或衰退时，这些维度的产能利用率便会降低，出现产能过剩的现象。这与现实情况也是相符的，即对于劳动密集型和资本密集型等行业来说，是我国经济发展中的基础和支柱产业，发展已较为成熟，其与经济发展的密切度也较高，能与经济波动呈现出有规律的变化，因而其产能利用率在经济波动的影响下也会呈现出规律性的变化。而对于2008年金融危机之前，我国的经济波动状况总体来说是比较平稳的，国际上也没有突发性的全球经济冲击，因而在此状态下我国的产能利用率也能与经济周期呈现出一定的协同状态，因而它们之间是耦合关联的。

从经济波动(cu)显著为负的回归结果来看，只有在技术密集型行业和金融危机之后，这两者之间才呈现出背离的发展态势。这可能在于对于技术密集型行业来说，在我国还处于成长期，有的甚至还处于导入期，许多技术环节还有待于研发、攻克和自主化，具有一定的不确定性和风险，因而会使得该行业的产能利用率与经济发展呈现出并不一致的现象。即当经济发展处于正需要该技术密集型行业时，该行业却因仍处于研发孵化阶段而尚不能商业化或产业化，导致该行业产能利用率不足，而当经济发展已经赶超或越过该技术密集型行业所表征的技术潮流时，该行业可能刚好处于成熟状态，能大批量产业化该类产品了，这种“慢一拍”或错配的发展状态会导致经济波动与产能利用率之间出现并不协同或相错位的特征。这种情形在我国的光伏和风电等行业表现得尤为明显。

另外，在金融危机之后出现经济波动与产能利用率相背离的现象，主要在于虽然2008年后金融危机悄然离去，但是金融危机的余波并没有完全散去，全球经济发展也没有呈现出应有的复苏态势，反而愈发复杂和多变，加之“黑天鹅”与“灰犀牛”等事件频出，更是为全球经济发展增添了更多的不确定性和阴霾。为了应对金融危机，我国出台了刺激投资生产的相关政策，如“四万亿计划”，用于鼓励和支持经济发展，这就容易出现不论是国有企业还是民营企业都大力增加投资的现象，而这会在无形中带来产能过剩的现象。因而，金融危机之后，在我国所出现的这种增长与过剩同时并存的“产能过剩相悖”的状态(徐滇庆 等，2016)，导致了经济波动和产能利用率呈现出相背离的发展态势。

将2组患者临床各项数据均输入SPSS 21.0软件中,2组患者并发症发生情况以率(%)的形式表示,行X2检验,2组患者生活质量以及身体功能评分均以(均数±标准差)的形式表示,予以t检验,组间对比统计学意义存在(P<0.05)。

 

表6 基于系统GMM的回归结果

  

(1)(2)(3)(4)(5)(6)全样本劳动密集型资本密集型技术密集型≤2008≥2009经济波动0．2142∗∗∗0．1677∗∗∗0．4800∗∗∗-0．0964∗∗∗0．4898∗∗∗-0．1305∗∗∗(14．26)(14．45)(10．00)(-4．96)(11．01)(-3．46)产能利用率滞后项-0．00160．2482∗∗∗0．1285∗∗∗0．4315∗∗∗0．0429∗∗∗-0．4090∗∗∗(-0．86)(7．41)(59．29)(62．34)(7．99)(-78．42)无自相关性检验0．73720．30450．29340．91740．73070．1376过度识别检验0．97190．95710．98910．98070．35860．1501样本量406406406406232174

注：括号中数据为t统计量；*、**、***分别表示在10%、5%和1%水平上显著。为节省篇幅，并没有汇报控制变量和常数项的回归结果，备索

六、主要结论

经济波动和产能利用率存在着一定的作用关系，究竟是耦合还是背离，现有文献并没有回答。本文在明晰经济波动作用于产能利用率的基本特征以及在测度经济波动和产能利用率等主要变量的基础上，运用相关计量分析方法，对经济波动和产能利用率之间的作用关系做了实证研究，稳健地得出：在总体层面，经济波动和产能利用率之间具有耦合的作用特征，而在分样本层面，在劳动和资本密集型以及金融危机之前等行业发展中存在着经济波动与产能利用率的耦合关系，而在技术密集型以及金融危机之后的行业发展中，这两者之间则存在着背离关系。

理清经济波动和产能利用率之间的耦合与背离关系，对于我们正确认识经济发展周期和产能过剩治理之间的内在关系、把握产能发展规律与产能过剩的本质和机理，从而因时制宜，对症下药，达到标本兼治的效果具有重要的作用。当前我国产能发展总体上呈现出顺周期特征，因而我们应该认识到产能过剩是伴随着经济发展周期而出现的正常现象，尤其是当前全球经济处于艰难的复苏期时，出现产能过剩现象应是情理之中的，因而需要理性对待，不应将之视为“洪水猛兽”或是“疑难杂症”，出现“一哄而上”或是“争先巩后”治产能的状况，或是在治理产能过剩的过程中出现产能治理和相关经济问题此起彼伏的“按下葫芦浮起瓢”的现象。通过合理有序、精准稳健地提升产能利用率，走出“产能过剩越治理越严重”的困境。另外，也应认识到经济处于发展困难期也未必就一切都不好了，逆周期也存在着诸多可利用的机会。如可以利用经济萧条期，以较低廉的价格购进、并购或收购国外先进技术，进而推进本国技术密集型行业的提档升级，提升该行业的有效产能。

①具体行业和测算过程备索。

法律具有滞后性，刑法不是社会治理最有效的手段，亦不是刑事立法政策的唯一方法。“相对于刑法注重事后的惩罚和打击，刑事政策更多的是从道德、伦理、宗教、经济、政治等各方面考察犯罪，系统地、理性地看待、解决犯罪问题。”［4］刑事立法政策价值追求的第二个层次即是强调国家责任，维护社会稳定。

②划分标准请参见谢建国(2003)。

参考文献：

白让让.2016.供给侧结构性改革下国有中小企业退出与“去产能”问题研究[J].经济学动态(7):65-74.

陈强.2010.高级计量经济学及Stata应用[M].北京：高等教育出版社.

高铁梅.2015.经济周期波动分析与预测方法(第2版)[M].北京：清华大学出版社.

耿强，江飞涛，傅坦.2011.政策性补贴、产能过剩与中国的经济波动——引入产能利用率RBC模型的实证检验[J].中国工业经济(5):27-36.

韩国高，高铁梅，王立国，等.2011.中国制造业产能过剩的测度、波动及成因研究[J].经济研究(12):18-31.

林毅夫，巫和懋，邢亦青.2010.“潮涌现象”与产能过剩的形成机制[J].经济研究(10):4-19.

李敬，王朋朋.2017.政府干预、信贷资本配置效率与工业发展转型[J].经济经纬(1)：81-87.

莫莎，周婷.2017.FDI质量影响产能过剩研究[J].经济经纬(4)：105-110.

孙巍，何彬，武治国.2008.现阶段工业产能过剩“窖藏效应”的数理分析及其实证检验[J].吉林大学社会科学学报(1):68-75.

徐滇庆,刘颖.2016.看懂中国产能过剩[M].北京：北京大学出版社.

徐朝阳,周念利.2015.市场结构内生变迁与产能过剩治理[J].经济研究(2):75-87.

BASU S,KIMBALL M S.1997.Cyclical productivity with unobserved input variation[R].Nber Working Papers.

BILS M,CHO J O.1993.Cyclical factor utilization[J].Journal of Monetary Economics,33(2):319-354.

BOILEAU M,NORMANDIN M.2003.Capacity utilization,superior information and the business cycle[J].Journal of Macroeconomics,25(3):283-309.

BOND S R,HOEFFLER A,TEMPLE J R W.2001.GMM estimation of empirical growth models[J].Cepr Discussion Papers,159(1):99-115.

BOUND J,JAEGER DA,BAKER RM.1995.Problems with instrumental variables estimation when the correlation between the instruments and the endogenous explanatory variable is weak[J].Journal of the American Statistical Association,90(430):443-450.

GREENWOOD J,HERCOWITZ Z,HUFFMAN G W.1988.Investment,capacity utilization and the real business cycle[J].American Economic Review,78(3):402-417.

HARRIS C D.1954.The market as a factor in the localization of industry in the United States[J].Annals of the Association of American Geographer,44(4):315-348.

JOHANSEN L.1968.Production functions and the concept of capacity,recherches recentes sur le function de[Z].Production collection,Economie mathematique et econometrie.

KLEIN L,R.1960.Some Theoretical issues in the measurement of capacity[J].Econometrica,28(2):272-286.

NAKAJIMA T.2005.A business cycle model with variable capacity utilization and demand disturbances[J].European Economic Review,49(5):1331-1360.

SHAIKH A M,MOUDUD J K.2004.Measuring capacity utilization in OECD countries: a cointegration Method by[R].Economics Working Paper Archive.