产能利用与固定资产投资关系的面板数据协整研究(共11页).doc

1、产能利用与固定资产投资关系的面板数据协整研究 本文获得国家自然科学基金项目（70572030）、教育部人文社会科学重点研究基地2006年度重大研究项目（06JJD790014）以及吉林大学985工程“中国宏观经济分析与预测”创新基地项目的资助。【作者简介】孙巍：男，1963年9月生，博士，教授，博士生导师，吉林大学商学院、吉林大学数量经济研究中心；李何、何彬：吉林大学商学院数量经济专业博士研究生。基于制造业28个行业样本的实证分析孙 巍1、2 李 何1 何 彬1（1吉林大学商学院；2吉林大学数量经济研究中心）【摘要】本文采用1997年2006年我国工业制造业28个行业的有关数据，在使用成本函数

2、法测度产能利用率的基础上，应用面板数据的协整理论对产能利用水平和固定资产投资之间的关系进行了实证分析。实证研究的结果表明，产能利用水平和固定资产投资二者之间存在着协整关系，且产能利用水平的变化确实影响到固定资产投资的变化，但这种影响的强度对于各行业来说存在着显著的差异性。同时，部分行业产能利用水平与固定资产投资之间呈现正相关性的结果也说明，由于厂商对未来需求波动的预期和现实总存在着一定的偏差，致使产能利用的调整滞后于需求的变化，进而导致投资“潮涌现象”的发生。关键词产能利用 固定资产投资 面板协整中图分类号 F401 文献标识码 AResearch on the Relationship be

3、tween the Capacity Utilization and Fixed Capital Investment in Panel CointegrationAbstract: This paper makes use of 28 manufacturing industries of China from 1997 to 2006, chooses the panel cointegration theory to analyze the relationship between the capacity utilization and fixed capital investment

4、 empirically after using the cost function method to measure the capacity utilization rate. The empirical study result shows that there exists cointegration relationship between the capacity utilization rate and fixed capital investment, and the capacity utilization rate variation indeed influences

5、the fixed capital investment variation, but the intensity exists remarkable discrepancy among the industries. Meanwhile, the positive relationship between the capacity utilization rate and fixed capital investment of some industries also indicates that the adjustment of capacity utilization lags the

6、 demand variation due to the deviation between anticipation and reality of the firms, and then leading to the wave phenomenon of the investment.Key words: Capacity Utilization; Fixed Capital Investment; Panel Cointegration引 言2004年以来，尽管国家出台了相关的宏观调控政策，以抑制部分行业出现的盲目投资和低水平产能扩张现象，但自2002年至今，我国的固定资产投资仍以每年超过

7、20%的速度增长，甚至在2003年部分行业价格大幅下跌的情况下（如钢铁、水泥等行业）仍然存在着投资过热的现象。那么，为什么会出现这种现象呢？林毅夫（2007）认为像中国这样快速发展的发展中国家，投资行为很容易出现“潮涌现象”，即企业主要投资的是技术成熟、产品市场已经存在、处于世界产业链内部的产业，并且对新的、有前景的产业很容易产生共识 发达国家的所有产业都已处于世界产业链的最前沿，那么对于国民经济中下一个新的、有前景的企业何在，绝大多数企业都有自己的看法，不会轻易形成社会共识。，这样就致使许多企业像波浪一样，一波接着一波涌向相同的产业。而且，即使在现有产业已经产能大量过剩的情况下，这种“潮涌现

8、象”也可能继续发生。那么，目前我国投资行为的这种“潮涌现象”也启发了我们这样的一个思考：产能利用水平的波动是否引发了投资呢？关于产能利用水平和投资行为的关系，各个学派都有各自不同的观点，但总体上可归纳为两个方面：一方面，是以古典投资理论为代表的，在假设产能利用率与资本成本无关以及资本和劳动具有很好替代性的条件下，认为追求成本最小化的企业不会存在闲置的产能；实际经济周期学派也认为经济的周期波动是由于外生的技术冲击所导致的，产能的波动，并不一定引发投资的波动。另一方面，是以Jorgenson（1963）以及Eisner和Strotz（1963）为代表的新古典投资理论，在将投资品的价格和资本的调整成

9、本引入到投资函数后，认为由于调整成本所导致的可变产能利用水平将对投资行为产生影响，并且与经验证据较为相符；同时，凯恩斯学派也认为需求的波动，导致了生产部门产能的波动，进而引发了投资波动，这是经济周期形成的一条重要的传导路线，并且Greenwood、Hercowitz和Huffman（1988）分析了在这条传导机制中，可变产能利用水平对边际投资效率的影响。虽然Abel（1981）利用动态优化分析了投资和产能利用之间的长期关系，但一直以来，由于缺乏产能利用水平合理的测度方法，关于二者的关系至今仍争论不休。此外，本文认为如果产能利用水平会对投资行为产生影响，那么目前我国投资行为的这种“潮涌现象”也可

10、能是由于厂商对未来需求预期的偏差而造成的。因此，本文拟以新古典投资理论为出发点，对产能利用水平和固定资产投资之间的关系做进一步的实证研究，期望对制定相关政策以控制当前我国产能过剩、盲目投资的现象具有一定的借鉴意义。鉴于此，本文将采用1997年2006年我国工业制造业28个行业的相关数据，在使用成本函数法测度产能利用率的基础上，应用面板数据的协整理论对产能利用水平和固定资产投资之间的关系进行分析。一、产能利用率的成本函数测度方法根据经济增长理论可知，产能利用率是衡量经济发展的一个重要的标志，然而到目前为止我国还没有官方公布的产能利用率指标，也很少有经济学者对此进行过相关的计算。因此，本文将在这一

11、部分对产能利用率的测度方法进行深入细致的研究。产能利用率是指实际产出比上产能产出，而关于产能产出的定义到目前为止至少有三种方法：第一，产能产出为厂商最大的可能产出水平（BEA和McGraw-Hill/DRI）；第二，产能产出是一段时间内产出水平的峰值（Klein，1960）；第三，产能产出被定义为在给定资本存量和投入价格的条件下厂商长期希望获得的产出水平（Cassels，1937）。而本文则将以选择理论为基本的分析手段，通过选取合适的可变成本函数形式，对我国工业制造业各行业的产能利用率进行估计。下面本文将对产能利用率成本函数测度法的原理做详细阐述。1. 成本函数法测度产能利用率的原理从长期来看

12、，由于资本、劳动等生产要素都具有可调整性，那么厂商在一定的技术约束下会使得各种生产要素最佳组合以达到最优的产出规模；然而，在短期，由于某些特定生产要素无法调整，那么实际产出必然有别于最优产出，即产能产出（Y*），因此，Y*就可被视为使短期资本存量最优的产出水平（Berndt和Morrison，1981；Garofalo和Malhotra，1997）。既然Y*依赖于短期资本存量的存在水平，那么应用包络定理，可以证明Y*为短期和长期平均成本曲线切点的产出水平。根据以上关于Y*的分析，产能利用率可定义为（1）其中：CU为产能利用率，Y为短期的实际产出水平。如前文所述，在短期内由于特定生产要素的无法调

13、整，厂商可能生产出有别于Y*的实际产出水平（CU¹ 1）。如果在短期内有一个正的准固定租金，那么厂商将选择超用其资本生产Y > Y*（CU > 1），这也将激励厂商在长期内扩大资本规模；如果在短期内有一个负的准固定租金，则相应地有CU < 1，表明资本并未充分利用。为了得到Y*的估计结果，本文沿用Berndt和Morrison（1981）的生产函数（2）其中：V表示可变投入向量，QF表示准固定投入向量（在短期内无法改变，但在长期内可以调整）。假定厂商以追求利润最大化为生产目标，那么根据对偶理论，利润最大化问题也即是成本最小化问题。因此，在（2）式的市场限制和技术约束

14、下，我们可将厂商的可变成本函数写为（3）其中：VC为短期平均可变成本，PV为可变投入的价格向量。令FC为短期固定成本，则短期总成本函数为（4）在本文的实证分析中，将采用资本（K）、劳动（L）和能源（E）作为生产的投入要素，并假定劳动和能源为可变投入，资本为准固定投入，那么（4）式可写为（5）其中：PL为劳动的价格，PE为能源的价格，PK为资本的租赁价格。对（5）式中的K取一阶偏导数，并根据包络定理，有（6）解（6）式可以得到Y*为（7）结合（1）式，就可得到产能利用率为（8）通过（1）（8）式的推导可知，如果要估计出CU，则要求必须有一个明确的可变成本函数的形式，Caves、Christens

15、en和Tretheway（1980）、Denny等（1981）、Barnett和Lee（1985）讨论了几种成本函数的优缺点。根据上文的数理推导和相关变量的选择，本文采用Denny等（1981）的可变成本函数形式 （9）其中：K0表示各期期初的资本存量，其应用表明厂商的生产计划受期初资本存量的约束。为了得到Y*的估计，将（9）式代入（6）式，可得 （10）解（10）式有 （11）于是，结合（11）式和（8）式，可计算出CU。2.相关指标的选取、计算及使用数据来源本文估计产能利用率的样本是由收集1997年2006年十个时期的中国工业制造业分行业的相关数据组成，数据来源于中国统计年鉴、中国固定资产

16、投资历史资料、中国劳动统计年鉴、中国税收年鉴以及中国能源统计年鉴。下面分别就各指标的选取、计算方法及所涉及的数据进行详细说明。 资本存量和资本租赁价格。自Goldsmith（1951）开创性的运用永续盘存法（PIM）估计美国年度资本存量以来，PIM已成为目前国际上测度资本存量的通用方法。而目前我国还没有可用的官方资本存量的数据，尽管贺菊煌（1992）、Chow（1993）、李治国和唐国兴（2003）、张军和章元（2003）等人对我国的资本存量的测量进行了深入细致的研究，但只有黄勇峰、任若恩和刘晓生（2002）采用PIM对我国制造业的资本存量进行了估计，并将资本品分为建筑和设备两大类。因此，本文

17、沿用黄勇峰、任若恩和刘晓生（2002）的方法，估计我国制造业分行业的资本存量。资本租赁价格是指资本品在一段时间内使用的总成本，如果存在资本品的完全租赁市场，则资本租赁价格可以直接观察，但绝大多数资本品都是生产者所自有，因此必须从理论上去推导资本租赁价格的公式。Jorgenson（1963）第一次给出了计算资本租赁价格的模型，并考虑了税收的情况（Hall和Jorgenson，1967）。考虑了税收情况的资本租赁价格模型为 （12）其中：c为资本租赁价格，q为资本品的购置价格，r为资本品的收益率，d为资本品的折旧率，t为资本品的法定折旧年限，u为企业所得税率，k为固定资产投资调节税。对于资本品收益

18、率的测量通常有两种方法，一种是使用外在的债券利率（Diewert，1980），一种是使用内部收益率（Christensen和Jorgenson，1969），本文则选用后一种方法计算r。关于资本品的折旧率本文选择法定的建筑折旧率为8%、设备折旧率为17%。法定折旧年限则根据财务制度的规定选择：建筑30年、设备13年。企业所得税率采用1994年税制改革后统一的33%。固定投资调节税在1991年1999年采取五档税率征收，而自2000年起为鼓励投资则暂停征收，因此本文在1997年1999年采用五档平均的固定投资调节税，而2000年2006年则记为0。各指标的数据分别来源于中国统计年鉴、中国固定资产投

19、资历史资料和中国税收年鉴。 劳动和劳动力价格。劳动投入应该用劳动时间来表示，但由于劳动时间无法获得，通常采用劳动力人数来替代，本文从数据的可获得性出发，并考虑到从业人员人数反映了一定时期内全部劳动力资源的利用情况，故此假定从业人员人数等于劳动力总量。劳动力价格则采用行业的平均工资来表示。劳动力人数来源于中国统计年鉴，劳动力价格数据来源于中国劳动统计年鉴。 能源和能源价格。能源的种类有很多，包括煤、油、天然气以及电力等等，本文则选取制造业各行业以万吨标准煤计算的能源消费总量来表示能源的投入。关于能源价格，本文采用杭雷鸣和屠梅曾（2006）的方法计算能源的相对价格。能源的数据来源于中国能源统计年鉴

20、，能源相对价格的计算数据来源于中国统计年鉴。3. 可变成本函数的误差成分模型估计在利用行业数据对可变成本函数进行估计的时候必须考虑到行业的异质性因素。如果忽略行业的异质性，往往会造成模型的外生假定得不到满足，近一步造成估计结果的有偏。所以本文使用可变成本函数的误差成分模型（Error Component Model），来控制行业的异质性。误差成分模型的复合误差设定为其中：Vi度量截面个体之间的异质性，Et度量各时间段之间的异质性，eit是高斯白噪声。结合（9）式，本文利用LSDV对可变成本函数进行估计，估计的结果见表1。表1 可变成本方程的估计参数参数估计值参数估计值参数估计值参数估计值参数估

21、计值l 0-2313.9(-2.809)lK1.9692(6.627)lL0.0172(1.041)lE4266.40(2.937)lY-3.7500(-6.331)lKK-0.1915(-4.889)lLL-8E-07(-5.872)lEE-3937.3(-3.062)lYY-0.0001(-4.386)lKL-9E-06(-3.851)lLE-0.0129(-0.870)lEY3.5214(7.109)lKE-1.5067(-6.495)lLY2.5E-05(4.445)R-squared: 0.9196 Adjusted R-squared: 0.9156 F-statistic: 23

22、3.9328 D. W. : 1.5345 Observations: 280注：括号内为t检验值。由表1的估计结果可以看到，利用误差成分模型对可变成本函数（9）的估计参数绝大多数都呈现了高度的显著性（只有L和LE的显著性水平较低），特别是用于计算产能利用率的参数K、KK、KL和KE更是在1%的水平下显著，这也表明本文对可变成本函数应用误差成分模型估计的合理性。那么，根据表1的估计结果，本文计算了我国工业制造业28个行业10年间的产能利用率，但出于篇幅的考虑，我们就不详细列出各行业各时期的产能利用率水平。二、我国行业产能利用与固定资产投资的面板数据单位根检验1. 指标的选取及协整方程的设定本文

23、选取了我国1997年2006年28个工业制造业各行业的年度数据作为样本，分别以yit和xit表示第i个行业第t期的固定资产投资和产能利用水平，其中固定资产投资数据来源于中国统计年鉴，产能利用水平来自上文所介绍的行业产能利用率的测算结果。本文拟建立如下的面板数据协整模型对固定资产投资和产能利用水平进行检验 （13）其中，b i度量了第i个行业产能利用水平对固定资产投资水平的影响。由于a i和b i均取决于行业特征，而各行业产能利用水平对固定资产投资水平的影响是不同的，所以模型将呈现异质性的特征。此外，a i可以有效的克服由于行业异质性特征所造成的遗漏变量问题。2. 产能利用水平与固定资产投资的面

24、板数据单位根检验对模型（13）进行面板数据协整检验并估计其协整向量，首先要求模型中各变量的数据是由面板单位根过程所生成的，所以需要首先对综列变量yit和xit进行面板数据单位根检验。所谓面板数据的单位根检验是指将面板变量各横截面序列作为一个整体进行单位根检验。本文应用由Im、Pesaran和Shin（1997）提出的方法（简称IPS检验）来进行有关数据的面板单位根检验。IPS检验放松了各纵剖面时间序列一阶滞后项的回归系数必须相同这一约束条件，在备择假设下，允许有一些纵剖面时间序列含有单位根。其检验思路为：在模型具有异质正态误差项的条件下，利用各纵剖面时间序列的LMi统计量的均值作为面板单位根检

25、验的统计量；同时，在模型具有异质独立同分布误差项的条件下，利用各纵剖面时间序列的DFi统计量的均值t-bar为统计量检验面板单位根假设。t-bar统计量的构造形式为其中：tiADF是每个截面内假设检验H0: b i = 1的t统计量。对每个截面内时间序列进行ADF检验，当N固定时，其中W（r）为维纳过程。由于tiADF的极限有有限均值与方差，且同分布，则根据Lindeberg-Levy中心极限定理得：当T¥，N¥时，有另外，Im、Pesaran和Shin（2003）还通过蒙特卡洛模拟研究了IPS检验的有限样本性质，发现在小样本下，IPS检验明显要优于另一面板单位根检验LLC

26、检验。下面，本文对我国工业制造业28个行业的固定资产投资水平（y）和产能利用水平（x）的面板数据变量分别进行IPS 检验。表2给出了固定资产投资和产能利用率的水平序列和一阶差分序列的面板数据单位根检验的结果。表2 产能利用率和固定资产投资的面板数据单位根检验结果变量yD yxD x检验统计量21.7530-5.242014.2772-3.7282P值1.00000.00000.53510.0001由表2可知，两个变量的面板数据水平值的t-bar检验的下尾单侧P值均大于50%，不能拒绝存在面板单位根的原假设；而其一阶差分数据的t-bar检验的下尾单侧P值均近乎为0，高度显著地拒绝原假设。所以，由

27、面板数据水平值和一阶差分数据的检验结论可知，两个变量的面板数据均为I（1）过程所生成。这一结论不仅刻画了我国制造业各行业产能利用水平和固定资产投资水平的非平稳特征，也是下文面板数据协整检验与估计的基础。三、我国行业产能利用与固定资产投资的面板数据协整分析1. 产能利用水平与固定资产投资的面板数据协整检验Pedroni（1999）放松了同质性假定，考虑了异质斜率系数，固定效应和个体确定趋势，因此，相比Kao（1999）所提出的同质面板数据协整检验，其允许面板数据具有很大的异质性（Heterogeneity）。Pedroni（1999）考虑的面板数据协整模型为Pedroni（1999）提出的协整检

28、验统计量可以分为两种，一种基于组内维度，一种基于组间维度。他将组内残差和组间残差联合起来，分别构造了4个面板均值统计量和3个群均值统计量，即面板v统计量（Panel v-Statistic）、面板r统计量（Panel rho-Statistic）、面板t非参数统计量（Panel PP-Statistic）、面板t参数统计量（Panel ADF-Statistic）、群r统计量（Group rho-Statistic）、群t非参数统计量（Group PP-Statistic）和群t参数统计量（Group ADF-Statistic）。这些统计量的渐近分布具有如下形式其中：NT为上述各检验统计量的

29、渐近标准形式，m、是布朗运动泛函表达的矩的函数。由于本文选取的是工业制造业28个行业的面板数据样本，显然在横截面上具有很大的异质性，因此根据以上分析，本文则利用Pedroni（1999）所提出的方法对固定资产投资和产能利用率这两个变量进行协整检验，检验的结果见表3。表3 产能利用率和固定资产投资的面板数据协整检验结果组内组间统计量P值统计量P值Panel - v9.05560.0001Panel rho-9.03280.0001Group rho4.43440.0000Panel - PP-8.79240.0001Group PP4.61130.0000Panel - ADF5.73160.0

30、000Group ADF8.06680.0000从上面表3的检验结果可以看到，所有检验一致支持我国工业制造业各行业的固定资产投资水平和产能利用水平之间存在长期、稳定的协整关系。2. 产能利用水平与固定资产投资面板协整的FMOLS估计为了获得较为稳健的协整关系估计结果，Pedroni（2001）建议使用完全修正普通最小二乘法（Fully Modified OLS，FMOLS）对协整方程进行估计，故本文采用面板协整的FMOLS对（13）式进行估计。FMOLS的估计方法：首先进行OLS回归，然后对因变量和估计参数进行修正。OLS的渐近分布依赖于残差的长期方差协方差矩阵，第i个序列的长期方差协方差矩阵

31、为其中：为同期相关系数矩阵；为自协方差矩阵，它是按照Newey和West（1994）进行加权的。定义通过对因变量的变形（）来实现对内生性的修订，此时，FMOLS估计量，其中提供了对自相关的修正。面板数据的FMOLS估计量就是各序列的估计量的一个均值（Pedroni，2001）。表4给出了固定资产投资与产能利用水平面板数据的FMOLS估计结果。由表4的估计结果可以看到，对于样本中的28个行业，产能利用水平对投资水平有一定的影响。行业投资水平的变化，可以用产能的变化得到较好的解释。产能水平的变化确实影响行业的投资行为。这也是行业投资呈现较大波动的原因。表4 FMOLS的估计结果行业a it检验值b

32、 it检验值食品加工业42.39626.672634.845719.6964食品制造业37.69773.753845.42466.55958饮料制造业12.59397.672436.442417.4256烟草加工业63.875216.532216.749411.3524纺织业92.35713.305010.878916.8321服装及其他纤维制品53.66426.837617.920116.6230皮革毛皮羽绒及制品44.380016.451824.74049.0249木材加工及竹藤棕草19.061313.1641-31.7572-11.5946家具制造业 63.683619.305314.3

33、4823.7564造纸及纸制品业 90.91955.731017.430614.5654印刷业、记录媒介 89.61498.355210.277117.0261文教体育用品制造业96.26186.9248-41.4536-8.1715石油加工及炼焦业11.304717.943-10.7898-10.0937化学原料及制品制造46.668014.040318.14843.9297医药制造业87.692219.801238.074517.0619化学纤维制造业22.47265.3465-27.9802-4.8947橡胶制品业32.05308.773342.166519.7675塑料制品业14.09

34、2517.155829.05214.3665非金属矿物制品业12.91429.9573-16.6017-10.4216黑色金属冶炼及压延24.771619.400239.690812.6826有色金属冶炼及压延29.765012.9467-22.0987-15.1713金属制品业11.538118.937433.192814.7464普通机械制造业35.653911.8141-44.9363-17.8334专用设备制造业40.878011.9158-14.6974-10.8299交通运输设备制造业59.827316.0715-10.2612-10.4828电气机械及器材制造42.16356.7

35、510-49.5495-8.8460电子及通信设备制造43.465418.1888-12.1680-9.5318仪器仪表文化办公91.927612.1876-27.6116-14.4305由表4的估计结果，我们也可以分析出需求的波动可以通过产能的变化影响到投资的变化，但这种影响的强度对于各行业来说存在着显著的差异性。仪器仪表业、化学纤维制造业、塑料制品业、木材加工业、金属制品业、农副食品加工业、饮料制造业、医药制造业、黑色金属冶炼工业、文教体育用品业、橡胶制品业、通用设备制造业、食品制造业、电气机械及器材行业的产能利用水平对投资呈现非常大的影响。对于这些行业，产能利用水平的波动会强烈的影响投资

36、的波动。家具制造业、专用设备制造业、非金属矿物业、烟草制品业、造纸及纸制品业、纺织服装鞋帽工业、化学原料工业、有色金属冶炼业、皮革毛皮羽毛行业的产能利用水平对投资呈现一定的影响。对于这些行业，产能利用水平的波动会对投资波动有一些影响。而交通运输设备业、印刷记录媒介业、石油加工业、纺织业、通信设备行业相对于前述那些敏感行业来说，产能利用水平对投资的影响较小。例如，对于电气机械及器材业、家具制造业、交通运输设备业来说，在其他条件不变的情况下，产能利用水平变化1个单位，会使其投资分别变化49.55、24.74、10.26个单位。所以仪器仪表业、化学纤维制造业、塑料制品业、木材加工业、金属制品业、农副

37、食品加工业、饮料制造业、医药制造业、黑色金属冶炼业、文教体育用品业、橡胶制品业、通用设备制造业、食品制造业、电气机械及器材这些行业，其投资水平的波动对需求波动的传导是非常敏感的。实证结果还表明行业产能利用水平和投资之间并不简单存在一个正向或负向影响关系。其中木材加工业、文教体育用品业、石油加工业、化学纤维制造业、非金属矿物业、有色金属冶炼业、通用设备制造业、专用设备制造业、交通运输设备、电气机械及器材、通信设备、仪器仪表业，这些行业的产能利用水平与投资之间呈现出负向作用关系。而农副食品加工业、食品制造业、饮料制造业、烟草制品业、纺织业、纺织服装鞋帽业、皮革毛皮羽毛业、家具制造业、造纸及纸制品业

38、、印刷业、记录媒介、化学原料、医药制造业、橡胶制品业、塑料制品业、黑色金属冶炼业、金属制品业，这些行业的产能利用水平与投资之间呈现出正向作用关系。造成行业之间产能利用水平与投资之间呈现不同方向作用关系的原因是实际厂商对未来需求波动的预期和现实总存在一定的偏差，这种预期带有各种不同行业决策的异质性特征。而正是由于各行业在产能决策的过程中仅仅是有限理性，导致了各行业间产能利用水平的波动路径在跟随需求波动时存在着一定差异性。Abel（1981）通过理论分析证明了，一些行业的产能利用变化会超前于需求波动从而造成了产能利用水平与投资之间的负相关性。而一些行业的产能利用水平会滞后于需求波动，造成了产能利用

39、水平与投资之间的正相关性。对于产能利用水平与投资之间的正相关性的行业，由于产能利用的调整往往滞后于需求的变化，所以发生投资过热，形成投资“潮涌现象”的可能性较大。四、基本结论本文以1997年2006年我国工业制造业28个行业的年度数据作为样本，利用成本函数法测度了各行业1997年2006年的年度产能利用水平。通过面板协整理论分析和检验了这28个行业产能利用水平与固定资产投资行为的关系，得到的基本结论如下：第一，通过成本函数法测度的产能利用率不仅反映了各行业的产能利用状况，而且也反映了现阶段我国工业经济发展的波动特征；同时，本文在行业层面上测算产能利用率的方法也可以推广到地区、企业等层面，对研究

40、生产率变化和经济增长具有十分重要的借鉴意义。第二，产能利用水平和固定资产投资两个变量均为一阶单整过程，但二者存在协整关系。行业固定资产投资水平的变化，可以用产能利用的变化得到较好的解释，这也是行业固定资产投资呈现较大波动的原因；需求的波动可以通过产能的变化影响到固定资产投资的变化，但这种影响的强度对于各行业来说存在着显著的差异性。第三，行业产能利用水平和固定资产投资之间并不简单存在一个正向或负向影响关系。造成行业之间产能利用水平与固定资产投资之间呈现不同方向作用关系的原因是实际厂商对未来需求波动的预期和现实总存在一定的偏差，这种预期带有各种不同行业决策的异质性特征，而正是由于各行业在产能决策的

41、过程中仅仅是有限理性，导致了各行业间产能利用水平的波动路径在跟随需求波动时存在着一定差异性；对于产能利用水平与固定资产投资之间的正相关性的行业，由于产能利用的调整往往滞后于需求的变化，所以发生投资过热，形成投资“潮涌现象”的可能性较大。参考文献1 贺菊煌：我国资产的估算J，数量经济技术经济研究1992年第8期。2 黄勇峰、任若恩、刘晓生：中国制造业资本存量永续盘存法估计J，经济学（季刊）2002年第2期。3 李治国、唐国兴：资本形成路经与资本存量调整模型基于中国转型时期的分析J，经济研究2003年第2期。4 林毅夫：潮涌现象与发展中国家宏观经济理论的重新构建J，经济研究2007年第1期。5 苏

42、良军、何一峰、金赛男：中国城乡居民消费与收入关系的面板数据协整研究J，世界经济2006年第5期。6 孙琳琳、任若恩：中国资本投入和全要素生产率的估算J，世界经济2005年第12期。7 张军、章元：对中国资本存量K的再估计J，经济研究2003年第7期。8 Abel, A.B., 1981, A Dynamic Model of Investment and Capacity UtilizationJ, The Quarterly Journal of Economics, Vol.96, No.3, August, pp. 379404.9 Barnett, W.A., Lee Y.W., 19

43、85, The Global Properties of the Minflex Laurent, Generalized Leontief and Translog Flexible Functional FormsJ, Econametrica, Vol.53, No.6, November, pp. 14211437.10 Berndt, E.R., Catherine J. Morrison, 1981, Capital Utilization Measures: Underlying Economic Theory and an Alternative ApproachJ, The

44、American Economic Review, Vol.71, No.2, May, pp. 4852.11 Cassels, J.M., 1937, Excess Capacity and Monopolistic CompetitionJ, The Quarterly Journal of Economics, Vol.51, No.3, May, pp. 426443.12 Caves, D.W., Christensen L.R., Tretheway M.W., 1980, Flexible Cost Functions for Multiproduct FirmsJ, The

45、Review of Economics and Statistics, Vol.62, No.3, August, pp. 477481.13 Chow, G.C., 1993, Capital Formation and Economic Growth in ChinaJ, The Quarterly Journal of Economics, Vol.108, No.3, August, pp. 809842.14 Christensen, L.R., Jorgenson D.W., 1969, The Measurement of U.S. Real Capital Input: 192

46、9-1967J, Review of Income and Wealth, No.2, December, pp. 293320.15 Denny, M., Fuss M., and L. Waverman, 1981, Modeling and Measuring National Resource SubstitutionM, Cambridge, MA: MIT Press.16 Diewert, W.E., 1980, Capital and the Theory of Productivity MeasurementJ, The American Economic Review, Vol.70, No.2, May, pp. 2602