转自：中国金融四十人论坛
“
过去两年，我国PPI同比增速始终处于负增长区间，折射出我国部分重点产业存在比较突出的结构性矛盾的现实。2024年底的中央经济工作会议强调“综合整治‘内卷式’竞争”；2025年2月10日的国常会提出，研究化解重点产业结构性矛盾相关举措。
有不少市场观点认为，现阶段我国继续深化供给侧结构性改革的关键是要推出新一轮的“去产能”政策，以促使相关行业恢复供需平衡，带动价格和利润企稳回升。本文依据2016年出台的政策文件把41个工业行业分成去产能组和非去产能组，回顾了2016年出台去产能政策前后相关行业的表现。然后，我们借助机器学习中常见的决策树模型，结合相关行业的重要指标进行了分析，目的是找到去产能政策背后的决策逻辑。
本文的研究得出了三点结论：❶ 在去产能政策出台之前，相关行业的财务指标已经出现明显恶化，但产出和资产负债表并未对此做出反应。❷ 决策树模型的基本结论表明，PPI和ROA是决定去产能政策的主要逻辑，这与上述观察的现象基本一致。❸ 照此逻辑推测，本轮可能涉及的去产能行业不仅包括上游行业，还包括许多重要的高端制造业，如汽车、电气机械、计算机通讯等，这些行业的营收占比明显高于上一次的去产能行业。
* 本文作者系中国金融四十人研究院朱鹤，参考文献略。本文版权归中国金融四十人研究院所有，未经书面许可，禁止任何形式的转载、复制或引用。
”
什么行业会被“去产能”？
——理解去产能政策的初步框架
文 | 朱鹤
2023年以来，我国工业品价格持续面临下行压力，部分工业行业盈利水平大幅下降，国内反内卷式降价的声音越来越大。与此同时，我国工业品的出口价格优势变得越来越大，国际贸易摩擦频繁发生，部分发达国家对我国强劲的出口表达不满。
2023年底的中央经济工作会议提出，“必须坚持深化供给侧结构性改革和着力扩大有效需求协同发力”；2024年底的中央经济工作会议强调“综合整治‘内卷式’竞争”，中央财经委员会办公室分管日常工作的副主任韩文秀解读提出，“要持续深化供给侧结构性改革，坚持有进有退、有增有减、有保有压，增强供给需求的适配性、平衡性” ；2025年2月10日的国常会提出，研究化解重点产业结构性矛盾相关举措。
这些会议提法是否意味着我国将加速推进新一轮的供给侧改革尚不得而知。但是，有不少市场观点认为，现阶段我国继续深化供给侧结构性改革的关键是要推出新一轮的“去产能”政策，以促使相关行业恢复供需平衡，带动价格和利润企稳回升。
之所以会出现这样的观点，其中一个最主要原因是2016年我国正式推出供给侧结构性改革之后，“三去一降一补”中的去产能政策效果可谓“立竿见影”，PPI同比增速在较短时间内结束了连续负增长状态，工业品价格快速反弹，钢铁、煤炭等重点去产能行业的利润水平大幅改善。
本文要回答的核心问题是：如何判断哪些行业需要实施去产能政策。为了回答这一问题，本文首先简要回顾了2016年去产能政策的来龙去脉，然后结合政策文件确定了2016年重点实施去产能政策的12个工业子行业。在此基础上，我们借鉴机器学习中的决策树模型，揭示工业企业财务指标与是否实施去产能政策之间的逻辑关系，给出一个理解去产能政策的初步框架。最后，我们在这样的框架下，试图探讨当前哪些行业最可能或最需要实施去产能政策，以及对应的政策含义。
2016年去产能政策的来龙去脉
2012年3月，我国PPI开始由正转负，并在此后的54个月内持续负增长。部分工业行业供大于求的问题异常突出，产品价格持续下跌，企业利润空间被严重压缩，越来越多的业内企业陷入持续亏损困境。
其中，钢铁行业产能过剩严重，市场供大于求，产品价格不断下跌，众多钢铁企业出现亏损；煤炭行业同样面临困境，煤炭价格大幅下滑，许多煤矿企业经营艰难，亏损面不断扩大；水泥行业也未能幸免，在产能过剩和市场需求不足的双重压力下，企业盈利能力下降，持续亏损。
工业品价格持续下行也带动了出口产品价格的大幅下降，进一步引发了一系列国际贸易摩擦和纠纷。例如，2014年6月26日，欧盟对中国不锈钢冷轧薄板发起反倾销调查，同年8月14日发起反补贴调查。2016年2月12日，欧委会宣布对来自中国和俄罗斯的冷轧钢板征收临时反倾销税，中国鞍钢股份有限公司、天津鞍钢天铁冷轧薄板有限公司的征税幅度为13.8%，其他11家中国合作企业的征税幅度为14.5%，普遍为16.0%。2016年7月29日，欧委会对原产于中国的螺纹钢产品作出反倾销终裁，决定实施税率为18.4%-22.5%的反倾销措施。2016年8月4日，欧委会对原产于中国和俄罗斯的冷轧钢板产品作出反倾销终裁，中国企业的反倾销税率为19.7%-22.1%，并同时采取追溯征税措施。
在此背景下，2015年11月10日，中央财经领导小组第十一次会议首提供给侧结构性改革理念。同年12月召开的中央经济工作会议明确提出供给侧结构性改革的五大任务：去产能、去库存、去杠杆、降成本、补短板。其中，去产能被列为五大任务的首位。
此后，各部委和各级政府开始陆续出台针对特定行业的去产能政策。其中，最受市场关注的是针对钢铁和煤炭行业的两个政策文件，因为这两个文件为去产能工作提供了具体的量化目标和实施路径。
从量化目标看，2016年2月，国务院印发《关于钢铁行业化解过剩产能实现脱困发展的意见》，提出从2016年开始，用5年时间再压减粗钢产能1亿-1.5亿吨；同月，《关于煤炭行业化解过剩产能实现脱困发展的意见》发布，确定从2016年开始，用3至5年的时间，煤炭行业再退出产能5亿吨左右、减量重组5亿吨左右。
实施路径大致可以分为三种：一是对新增产能设置较高门槛，以限制投资。例如，在钢铁行业，明确新建项目需采用先进的生产工艺和技术装备，能耗、污染物排放等指标要达到行业领先水平才予以审批。
二是加快淘汰落后产能。例如淘汰400立方米及以下炼铁高炉，淘汰9万吨/年及以下煤矿。2017年之后，在环保政策的叠加下，大量不符合环保标准的小型钢铁企业（俗称“地条钢”）基本被全部关闭。
三是鼓励兼并重组，鼓励优势企业兼并重组产能过剩企业。中央财政安排1000亿元专项奖补资金，对地方和中央企业化解钢铁、煤炭行业过剩产能工作给予奖补。
此外，政策还引导金融机构为兼并重组企业提供低息贷款等金融支持，降低企业重组成本。例如，《关于支持钢铁煤炭行业化解过剩产能实现脱困发展的意见》（银发〔2016〕118号）明确提出，“要对进行布局调整和联合重组但不新增产能的钢铁、煤炭企业提供综合性金融服务，完善并购贷款业务，扩大并购贷款规模，合理确定贷款期限和利率，支持具有比较优势的企业和地区整合行业产能。”
事后来看，去产能政策的效果似乎非常显著。还是以钢铁和煤炭两个行业为例，根据国家发展改革委发布的数据，在钢铁行业，2016-2018年累计压减粗钢产能1.5亿吨以上，提前完成“十三五”去产能目标任务。2015年，螺纹钢的全国均价约为2000元/吨，到了2017年其价格大幅回升，均价达到3800元/吨左右，较2015年最低价格接近翻倍，钢铁行业的整体利润增幅更是远超其他行业。
煤炭行业同样成绩突出，2016-2018年累计退出煤炭产能8亿吨左右。价格方面，2015年动力煤价格持续低迷，环渤海5500大卡动力煤价格指数平均价约为370元/吨，到2017年，该指数平均价涨至600元/吨左右，涨幅约62%。2018年煤炭行业利润总额达到2888.2亿元，是2015年的近5倍。
接下来，我们重点关注去产能政策出台前后各行业的表现，梳理出一些典型事实，进而探寻这些表现与去产能政策的逻辑关系。
去产能政策对制造业各行业的影响
首先要明确的是2016年哪些制造业受到了去产能政策的影响。我们根据2016年国家部委出台的政策文件，在41个制造业子行业中明确具体受到影响的子行业，共12个。
这12个行业分别是：（1）煤炭开采和洗选业、（2）黑色金属矿采选业、（3）有色金属矿采选业、（4）非金属矿采选业、（5）石油和天然气开采业、（6）石油、煤炭及其他燃料加工业、（7）非金属矿物制品业、（8）黑色金属冶炼及压延加工业、（9）有色金属冶炼及压延加工业、（10）电力、热力的生产和供应业、（11）化学原料及化学制品制造业、（12）化学纤维制造业。
不难看出，2016年的去产能政策主要针对的是中上游行业。
接下来，我们把这12个行业作为去产能组，把剩余的29个行业作为非去产能组，观察两组行业在2016年前后的不同表现。
我们以各行业的营业收入占比为权重，对两个组的PPI同比增速、PPI指数（环比累计）、工业增加值同比增速和固定资产投资同比增速做加权平均，得到两个组的加权同比增速和加权指数。结果见图1-图4。
如图1所示，去产能组的PPI同比增速自2012年起就开始明显低于非去产能组，而在去产能政策推出之后，该组的PPI就从2016年初开始快速反弹，一年左右的时间里从-11.3%上升到18.8%，上涨了30个百分点。此后，在基数效应的影响下，去产能组的PPI同比增速开始回落，但一直到2018年底，去产能组的PPI同比增速仍维持在5%左右。
从图2中PPI指数的表现也能看出，自2013年8月之后（这是有分行业PPI数据的起始时间），去产能组的PPI指数持续走低且幅度明显大于非去产能组。同样，去产能组的PPI指数也是从2016年初开始回升，一直到2018年11月达到本轮的顶点，从83.2上涨到106.4，上涨了23.2个点，2016-2018年这三年的累计涨幅高达27.8%。相比之下，非去产能组在2016年之后PPI同比增速和PPI指数的变化则明显小于去产能组。
数据来源：wind，CF40研究院
图3和图4分别给出了去产能组和非去产能组的工业增加值和固定资产投资的同比增速对比。可以看出，在2016年之前两组的产出增速并没有显著差异，2016-2017年两组的工业增加值增速出现了大幅分化，含义是去产能组的产出受到了明显的抑制。固定资产投资增速在此阶段的分化虽然没有那么明显，但值得注意的是，2016-2018年期间去产能组的投资增速持续为负，这是去产能政策抑制相关行业新增产能扩张的直接体现。因此，去产能政策的主要机制可以概括为“压产出以减供给，抑投资以控产能”。
数据来源：wind，CF40研究院
我们进一步测算了去产能组和非去产能组的主要财务指标的表现，主要包括营业收入增速、利润总额增速、利润率、资产负债率、ROA和ROE。其中，利润率、资产负债率、ROA和ROE的计算均是以行业的营收占比为权重，逻辑与计算PPI相同。同时，为避免季节因素造成的干扰，后四个财务指标均为年度值。结果见图5-图10。
图5和图6显示，在实施去产能政策之前的四年，也就是2012-2015年期间，两组的营业收入和利润总额的增速均出现了较大分化，表明这一阶段相比于非去产能组，去产能组的现金流状况出现了非常明显的恶化。而在去产能政策推出之后，两组的增速关系出现了逆转，主要体现为去产能组的现金流状况得到了快速改善。
数据来源：wind，CF40研究院
两组的利润率数据进一步反映出了去产能政策前后的差异化表现。如图8所示，在2009-2011年期间两组的利润率水平并没有显著差异，2012-2015年两组的利润率出现了明显分化。自2016年起，去产能组的利润率出现了大幅回升，在2018年前后回到了2012年之前的水平，且大致等于非去产能组的利润率。
图7给出的是资产负债率表现，可以看出自2009年起，非去产能组就始终处于去杠杆状态，资产负债率稳步下降，但是去产能组的资产负债率则在2009-2015年期间始终保持稳定，并没有明显变化。
数据来源：wind，CF40研究院
ROA和ROE的表现也印证了上述差异化表现。如图9和图10所示，样本期内去产能组的ROA和ROE基本都低于非去产能组，但是两者的差距在2012-2015年期间明显在扩大，在2016-2018年又快速收敛，且驱动差距变化的主要是去产能组。
数据来源：wind，CF40研究院
综上所述，我们观察到的基本事实是：2012-2015年去产能组的财务状况（现金流、利润率、ROA）相对于非去产能组已经出现了明显恶化，价格水平也出现了大幅下降，但是这些行业并没有因此主动收缩资产负债表，产出也没有对此做出反应。
探寻去产能政策的底层框架
基于上述分析，我们可以初步验证的结论是，在2012-2015年，这些行业的行为和财务表现出现了明显背离，通过去产能政策来纠正这样的背离是有其合理性的。但是，我们是在已经知道去产能政策的前提下，才观察到了上述逻辑。
接下来，我们真正的问题是：这些财务表现与是否实施去产能政策的内在联系是什么，即究竟哪些指标对一个行业是否会实施去产能政策产生了更重要的影响。或者说，在判断一个行业是否会实施去产能政策时，我们需要更关注哪些指标。
而要回答这样的问题，传统的回归分析（Probit模型）和主成分分析似乎并不能给我们答案，因为这些方法只能提供一些影响系数。为了更好挖掘其背后的机制，我们选择用决策树模型来探寻行业财务表现与去产能政策的逻辑关系。
决策树模型是机器学习中常见的一类模型，核心思想是通过对数据的特征进行划分，构建一个类似树状的结构。整个过程很像是一种筛选机制，最重要的变量会出现在第一层，叫“根节点”，也就是说，要首先依据是否符合根节点变量的要求来判断样本的性质。后面是一个层层递进的结构，每一层对应一个“叶节点”，根据样本是否符合叶节点变量的要求来进一步筛选样本，最终得到我们输入的分组结果。
决策树模型的优势在于能够提供一个层层递进的过程，从而找到某种行为或现象发生背后最重要的驱动力量，在本文的研究中，则对应了决定行业是否实施去产能政策的最重要变量是什么。
需要强调的是，决策树模型是一种基于机器学习的拟合方法，我们这里的样本量并不大，所以最终结果依然无法避免可能存在过度拟合的风险。因此，在接下来的分析中，我们重点关注的是根节点和第一层叶节点变量，而对于整体的机制暂不做讨论。
我们对财务指标做了进一步的处理，计算2012-2015年PPI、ROA、ROE、利润率和资产负债率的变化幅度，以构建一个反映行业特征的截面数据。图11是决策树模型结果对应的可视化图。从图11可以看出，位于根节点的变量是PPI，括号里是两组样本对应的行业数量，左边是非去产能组，共29个行业，右边是去产能组，共12个行业。
数据来源：CF40研究院
根节点变量的判断标准是：PPI的累计降幅是否超过9.7%，如果超过这个幅度，那就会被识别到去产能组。依据这个标准，模型在12个去产能行业中直接选出了9个行业。这意味着从模型结果看，决定一个行业是否实施去产能政策的最主要变量就是PPI的累计变化幅度。
在PPI下一层的叶节点是ROA的变化幅度，如果ROA的降幅超过1.9%，则会通过进一步的机制找到剩下的3个去产能行业。如前所述，后面的机制可能存在过度拟合的问题，所以我们重点关注这两个变量。
考虑到不同行业规模的差异，我们把PPI换成了各行业PPI变动对总体PPI的贡献（ctPPI），替代PPI变化放入模型，结果与上面的模型基本一致。首先是判断是否对总体PPI的负贡献超过0.3个百分点，这一步就筛选出来了7个去产能行业。然后判断ROA降幅是否超过了1.9%。
数据来源：CF40研究院
这一轮什么行业
最可能面临去产能政策？
……
我们的原创研究产品序列“CF40研究"已在微信小程序端正式上线。订阅“CF40研究”，您将畅享全年无间断原创报告、视听服务、精品图书赠阅、会员专享主题活动等线上线下超值权益组合。加入我们，开启这场新知之旅吧!
