“

過去兩年，我國PPI同比增速始終處於負增長區間，折射出我國部分重點產業存在比較突出的結構性矛盾的現實。2024年底的中央經濟工作會議強調“綜合整治‘內卷式’競爭”；2025年2月10日的國常會提出，研究化解重點產業結構性矛盾相關舉措。

有不少市場觀點認為，現階段我國繼續深化供給側結構性改革的關鍵是要推出新一輪的“去產能”政策，以促使相關行業恢復供需平衡，帶動價格和利潤企穩回升。本文依據2016年出臺的政策檔案把41個工業行業分成去產能組和非去產能組，回顧了2016年出臺去產能政策前後相關行業的表現。然後，我們藉助機器學習中常見的決策樹模型，結合相關行業的重要指標進行了分析，目的是找到去產能政策背後的決策邏輯。

本文的研究得出了三點結論：❶ 在去產能政策出臺之前，相關行業的財務指標已經出現明顯惡化，但產出和資產負債表並未對此做出反應。

❷

決策樹模型的基本結論表明，PPI和ROA是決定去產能政策的主要邏輯，這與上述觀察的現象基本一致。

❸

照此邏輯推測，

本輪可能涉及的去產能行業不僅包括上游行業，還包括許多重要的高階製造業

，如汽車、電氣機械、計算機通訊等，這些行業的營收佔比明顯高於上一次的去產能行業。

根據上述結論，本文提出了三點政策啟示。掃描文末二維碼可閱讀全文。

* 本文作者系中國金融四十人研究院朱鶴，參考文獻略。本文版權歸中國金融四十人研究院所有，未經書面許可，禁止任何形式的轉載、複製或引用。

”

什麼行業會被“去產能”？

——理解去產能政策的初步框架

文 | 朱鶴

2023年以來，我國工業品價格持續面臨下行壓力，部分工業行業盈利水平大幅下降，國內反內卷式降價的聲音越來越大。與此同時，我國工業品的出口價格優勢變得越來越大，國際貿易摩擦頻繁發生，部分發達國家對我國強勁的出口表達不滿。

2023年底的中央經濟工作會議提出，“必須堅持深化供給側結構性改革和著力擴大有效需求協同發力”；2024年底的中央經濟工作會議強調“綜合整治‘內卷式’競爭”，中央財經委員會辦公室分管日常工作的副主任韓文秀解讀提出，“要持續深化供給側結構性改革，堅持有進有退、有增有減、有保有壓，增強供給需求的適配性、平衡性” ；2025年2月10日的國常會提出，研究化解重點產業結構性矛盾相關舉措。

這些會議提法是否意味著我國將加速推進新一輪的供給側改革尚不得而知。但是，有不少市場觀點認為，現階段我國繼續深化供給側結構性改革的關鍵是要推出新一輪的“去產能”政策，以促使相關行業恢復供需平衡，帶動價格和利潤企穩回升。

之所以會出現這樣的觀點，其中一個最主要原因是2016年我國正式推出供給側結構性改革之後，“三去一降一補”中的去產能政策效果可謂“立竿見影”，PPI同比增速在較短時間內結束了連續負增長狀態，工業品價格快速反彈，鋼鐵、煤炭等重點去產能行業的利潤水平大幅改善。

本文要回答的核心問題是：如何判斷哪些行業需要實施去產能政策。為了回答這一問題，本文首先簡要回顧了2016年去產能政策的來龍去脈，然後結合政策檔案確定了2016年重點實施去產能政策的12個工業子行業。在此基礎上，我們借鑑機器學習中的決策樹模型，揭示工業企業財務指標與是否實施去產能政策之間的邏輯關係，給出一個理解去產能政策的初步框架。最後，我們在這樣的框架下，

試圖探討當前哪些行業最可能或最需要實施去產能政策，以及對應的政策含義。

2016年去產能政策的來龍去脈

2012年3月，我國PPI開始由正轉負，並在此後的54個月內持續負增長。部分工業行業供大於求的問題異常突出，產品價格持續下跌，企業利潤空間被嚴重壓縮，越來越多的業內企業陷入持續虧損困境。

其中，鋼鐵行業產能過剩嚴重，市場供大於求，產品價格不斷下跌，眾多鋼鐵企業出現虧損；煤炭行業同樣面臨困境，煤炭價格大幅下滑，許多煤礦企業經營艱難，虧損面不斷擴大；水泥行業也未能倖免，在產能過剩和市場需求不足的雙重壓力下，企業盈利能力下降，持續虧損。

工業品價格持續下行也帶動了出口產品價格的大幅下降，進一步引發了一系列國際貿易摩擦和糾紛。

例如，2014年6月26日，歐盟對中國不鏽鋼冷軋薄板發起反傾銷調查，同年8月14日發起反補貼調查。2016年2月12日，歐委會宣佈對來自中國和俄羅斯的冷軋鋼板徵收臨時反傾銷稅，中國鞍鋼股份有限公司、天津鞍鋼天鐵冷軋薄板有限公司的徵稅幅度為13.8%，其他11家中國合作企業

的徵稅幅度為

14.5%，普遍為16.0%。2016年7月29日，歐委會對原產於中國的螺紋鋼產品作出反傾銷終裁，決定實施稅率為18.4%-22.5%的反傾銷措施。2016年8月4日，歐委會對原產於中國和俄羅斯的冷軋鋼板產品作出反傾銷終裁，中國企業的反傾銷稅率為19.7%-22.1%，並同時採取追溯徵稅措施。

在此背景下，2015年11月10日，中央財經領導小組第十一次會議首提供給側結構性改革理念。同年12月召開的中央經濟工作會議明確提出供給側結構性改革的五大任務：去產能、去庫存、去槓桿、降成本、補短板。其中，

去產能被列為五大任務的首位。

此後，各部委和各級政府開始陸續出臺針對特定行業的去產能政策。其中，最受市場關注的是針對鋼鐵和煤炭行業的兩個政策檔案，因為這兩個檔案為去產能工作提供了具體的量化目標和實施路

徑

。

從量化目標看，2016年2月，國務院印發《關於鋼鐵行業化解過剩產能實現脫困發展的意見》，提出從2016年開始，用5年時間再壓減粗鋼產能1億-1.5億噸；同月，《關於煤炭行業化解過剩產能實現脫困發展的意見》釋出，確定從2016年開始，用3至5年的時間，煤炭行業再退出產能5億噸左右、減量重組5億噸左右。

實施路徑大致可以分為三種：一是對新增產能設定較高門檻，以限制投資。例如，在鋼鐵行業，明確新建專案需採用先進的生產工藝和技術裝備，能耗、汙染物排放等指標要達到行業領先水平才予以審批。

二是加快淘汰落後產能。例如淘汰400立方米及以下鍊鐵高爐，淘汰9萬噸/年及以下煤礦。2017年之後，在環保政策的疊加下，大量不符合環保標準的小型鋼鐵企業（俗稱“地條鋼”）基本被全部關閉。

三是

鼓勵兼併重組，鼓勵優勢企業兼併重組產能過剩企業。中央財政安排1000億元專項獎補資金，對地方和中央企業化解鋼鐵、煤炭行業過剩產能工作給予獎補。

此外，政策還引導金融機構為兼併重組企業提供低息貸款等金融支援，降低企業重組成本。例如，《關於支援鋼鐵煤炭行業化解過剩產能實現脫困發展的意見》（銀髮〔2016〕118號）明確提出，“要對進行佈局調整和聯合重組但不新增產能的鋼鐵、煤炭企業提供綜合性金融服務，完善併購貸款業務，擴大併購貸款規模，合理確定貸款期限和利率，支援具有比較優勢的企業和地區整合行業產能。”

事後來看，去產能政策的效果似乎非常顯著。還是以鋼鐵和煤炭兩個行業為例，根據國家發展改革委釋出的資料，在鋼鐵行業，2016-2018年累計壓減粗鋼產能1.5億噸以上，提前完成“十三五”去產能目標任務。2015年，螺紋鋼的全國均價約為2000元/噸，到了2017年其價格大幅回升，均價達到3800元/噸左右，較2015年最低價格接近翻倍，鋼鐵行業的整體利潤增幅更是遠超其他行業。

煤炭行業同樣成績突出，2016-2018年累計退出煤炭產能8億噸左右。價格方面，2015年動力煤價格持續低迷，環渤海5500大卡動力煤價格指數平均價約為370元/噸，到2017年，該指數平均價漲至600元/噸左右，漲幅約62%。2018年煤炭行業利潤總額達到2888.2億元，是2015年的近5倍。

接下來，我們重點關注去產能政策出臺前後各行業的表現，梳理出一些典型事實，進而探尋這些表現與去產能政策的邏輯關係。

去產能政策對製造業各行業的影響

首先要明確的是2016年哪些製造業受到了去產能政策的影響。我們根據2016年國家部委出臺的政策檔案，在41個製造業子行業中明確具體受到影響的子行業，共12個。

這12個行業分別是：（1）煤炭開採和洗選業、（2）黑色金屬礦採選業、（3）有色金屬礦採選業、（4）非金屬礦採選業、（5）石油和天然氣開採業、（6）石油、煤炭及其他燃料加工業、（7）非金屬礦物製品業、（8）黑色金屬冶煉及壓延加工業、（9）有色金屬冶煉及壓延加工業、（10）電力、熱力的生產和供應業、（11）化學原料及化學制品製造業、（12）化學纖維製造業。

不難看出，

2016年的去產能政策主要針對的是中上游行業

。

接下來，我們把這12個行業作為去產能組，把剩餘的29個行業作為非去產能組，觀察兩組行業在2016年前後的不同表現。

我們以各行業的營業收入佔比為權重，對兩個組的PPI同比增速、PPI指數（環比累計）、工業增加值同比增速和固定資產投資同比增速做加權平均，得到兩個組的加權同比增速和加權指數。結果見圖1-圖4。

如圖1所示，去產能組的PPI同比增速自2012年起就開始明顯低於非去產能組，而在去產能政策推出之後，該組的PPI就從2016年初開始快速反彈，一年左右的時間裡從-11.3%上升到18.8%，上漲了30個百分點。此後，在基數效應的影響下，去產能組的PPI同比增速開始回落，但一直到2018年底，去產能組的PPI同比增速仍維持在5%左右。

從圖2中PPI指數的表現也能看出，自2013年8月之後（這是有分行業PPI資料的起始時間），去產能組的PPI指數持續走低且幅度明顯大於非去產能組。同樣，去產能組的PPI指數也是從2016年初開始回升，一直到2018年11月達到本輪的頂點，從83.2上漲到106.4，上漲了23.2個點，2016-2018年這三年的累計漲幅高達27.8%。相比之下，

非去產能組在2016年之後PPI同比增速和PPI指數的變化則明顯小於去產能組

。

資料來源：wind，CF40研究院

圖3和圖4分別給出了去產能組和非去產能組的工業增加值和固定資產投資的同比增速對比。可以看出，在2016年之前兩組的產出增速並沒有顯著差異，2016-2017年兩組的工業增加值增速出現了大幅分化，含義是去產能組的產出受到了明顯的抑制。固定資產投資增速在此階段的分化雖然沒有那麼明顯，但值得注意的是，2016-2018年期間去產能組的投資增速持續為負，這是去產能政策抑制相關行業新增產能擴張的直接體現。因此，去產能政策的主要機制可以概括為“壓產出以減供給，抑投資以控產能”。

資料來源：wind，CF40研究院

我們進一步測算了去產能組和非去產能組的主要財務指標的表現，主要包括營業收入增速、利潤總額增速、利潤率、資產負債率、ROA和ROE。其中，利潤率、資產負債率、ROA和ROE的計算均是以行業的營收佔比為權重，邏輯與計算PPI相同。同時，為避免季節因素造成的干擾，後四個財務指標均為年度值。結果見圖5-圖10。

圖5和圖6顯示，在實施去產能政策之前的四年，也就是2012-2015年期間，兩組的營業收入和利潤總額的增速均出現了較大分化，表明這一階段相比於非去產能組，去產能組的現金流狀況出現了非常明顯的惡化。而在去產能政策推出之後，兩組的增速關係出現了逆轉，主要體現為

去產能組的現金流狀況得到了快速改善。

資料來源：wind，CF40研究院

兩組的利潤率資料進一步反映出了去產能政策前後的差異化表現。如圖8所示，在2009-2011年期間兩組的利潤率水平並沒有顯著差異，2012-2015年兩組的利潤率出現了明顯分化。自2016年起，去產能組的利潤率出現了大幅回升，在2018年前後回到了2012年之前的水平，且大致等於非去產能組的利潤率。

圖7給出的是資產負債率表現，可以看出自2009年起，非去產能組就始終處於去槓桿狀態，資產負債率穩步下降，但是去產能組的資產負債率則在2009-2015年期間始終保持穩定，並沒有明顯變化。

資料來源：wind，CF40研究院

ROA和ROE的表現也印證了上述差異化表現。如圖9和圖10所示，樣本期內去產能組的ROA和ROE基本都低於非去產能組，但是兩者的差距在2012-2015年期間明顯在擴大，在2016-2018年又快速收斂，且驅動差距變化的主要是去產能組。

資料來源：wind，CF40研究院

綜上所述，我們觀察到的基本事實是：

2012-2015年去產能組的財務狀況（現金流、利潤率、ROA）相對於非去產能組已經出現了明顯惡化，價格水平也出現了大幅下降，但是這些行業並沒有因此主動收縮資產負債表，產出也沒有對此做出反應。

探尋去產能政策的底層框架

基於上述分析，我們可以初步驗證的結論是，在2012-2015年，這些行業的行為和財務表現出現了明顯背離，透過去產能政策來糾正這樣的背離是有其合理性的。但是，我們是在已經知道去產能政策的前提下，才觀察到了上述邏輯。

接下來，我們真正的問題是：這些財務表現與是否實施去產能政策的內在聯絡是什麼，即究竟哪些指標對一個行業是否會實施去產能政策產生了更重要的影響。或者說，在判斷一個行業是否會實施去產能政策時，我們需要更關注哪些指標。

而要回答這樣的問題，傳統的迴歸分析（Probit模型）和主成分分析似乎並不能給我們答案，因為這些方法只能提供一些影響係數。為了更好挖掘其背後的機制，我們選擇

用決策樹模型來探尋行業財務表現與去產能政策的邏輯關係

。

決策樹模型是機器學習中常見的一類模型，核心思想是透過對資料的特徵進行劃分，構建一個類似樹狀的結構。整個過程很像是一種篩選機制，最重要的變數會出現在第一層，叫“根節點”，也就是說，要首先依據是否符合根節點變數的要求來判斷樣本的性質。後面是一個層層遞進的結構，每一層對應一個“葉節點”，根據樣本是否符合葉節點變數的要求來進一步篩選樣本，最終得到我們輸入的分組結果。

決策樹模型的優勢在於能夠提供一個層層遞進的過程，從而找到某種行為或現象發生背後最重要的驅動力量，在本文的研究中，則對應了決定行業是否實施去產能政策的最重要變數是什麼。

需要強調的是，決策樹模型是一種基於機器學習的擬合方法，我們這裡的樣本量並不大，所以最終結果依然無法避免可能存在過度擬合的風險。因此，在接下來的分析中，我們重點關注的是根節點和第一層葉節點變數，而對於整體的機制暫不做討論。

我們對財務指標做了進一步的處理，計算2012-2015年PPI、ROA、ROE、利潤率和資產負債率的變化幅度，以構建一個反映行業特徵的截面資料。圖11是決策樹模型結果對應的視覺化圖。從圖11可以看出，位於根節點的變數是PPI，括號裡是兩組樣本對應的行業數量，左邊是非去產能組，共29個行業，右邊是去產能組，共12個行業。