中国批发和零售业投入产出效率研究，本文主要内容关键词为：投入产出论文,零售业论文,中国论文,效率论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
批发和零售业（以下简称为批零业）在现代服务业和经济社会发展中的作用日益重要，是促进产业结构调整、转变经济增长方式的重要领域，与老百姓的日常生活、投资理财等密切相关，国内外越来越多的学者开始研究批零业（或企业、公司）的投入产出效率及其竞争力。根据WTO准则，国际资本进入我国批零业已没有制度性障碍，而我国批零业在快速发展的同时，投入产出效率和竞争力与沃尔玛等国际零售业巨头存在较大差距，而且地区之间差异明显，这些都成为了我国批零业实现又好又快发展的障碍。因此，如何切实、有效地从根本上提高我国批零业的生产效率是流通经济学界和政府有关部门面临的重要课题。
一、相关文献
目前国内外不少学者对零售企业（或上市公司）的投入产出效率、区域批发和零售业的投入产出效率以及技术进步和全要素生产率等进行研究并取得一定的成果。如Donthu和Yoo（1998）[1]王新宇（2001）[2]等在国内外较早开展这方面的研究，主要采用DEA模型进行零售业（企业）投入产出效率的分析。此后，国内又有学者根据不同的投入、产出指标和从不同的视角采用DEA或超效率DEA模型对零售企业或区域零售业的投入产出效率进行研究与评价分析[3-6]，有的则采用DEA-Malmquist指数法研究零售企业或区域零售业的技术进步、生产率增长和效率变化等。[7-8]有的采用DEA-Tobit两阶段模型实证研究我国30个省市自治区（以下统称为省市）2006年零售业的投入产出效率和环境因素的影响，其中投入指标为限额以上零售业从业人员数、资产总额和企业门店数，产出指标为限额以上零售企业的主营业务收入和主营业务利润，环境因素为地区GDP、人均可支配收入、人口数、入境旅游人数和外商直接投资额，等等[9]。但总的来看，这些对批发业或零售业的投入产出效率研究大多只能得到效率评估值，它们虽然分析了环境因素对投入产出效率的影响，但没有考虑随机干扰（即随机误差）的影响，而且在进行投入产出效率评价时也没有剔除环境因素的影响，所得到的投入产出效率值不能真实反映我国现阶段批零业的生产效率，且其采用Tobit方法的分析结果与实际情况部分不符。鉴此，笔者运用可剔除环境因素和随机干扰影响的三阶段DEA模型，对2007年～2009年我国30个省市的批零业运营效率进行系统研究，以客观、准确地评价我国批零业的发展状况以及区域批零业发展的差异，为实现我国批零业的又好又快发展和制定各区域批零业的发展战略提供决策支持和理论依据。
二、三阶段DEA模型
Fried等（2002）[10]提出的三阶段DEA模型能同时剔除环境因素和随机干扰的影响，更客观、真实地评估决策单元（DMU）的投入产出效率，克服了传统的DEA模型把任何与效率前沿面存在偏差的DMU都看作是管理无效率的缺陷，考虑了评估对象所处的不同外部环境、随机干扰等对效率值的影响。他们将传统DEA模型求得的投入（指标）松弛量视作DMU的机会成本，利用SFA模型将环境因素对投入松弛量回归方程中的随机干扰项分解为服从标准正态分布的统计误差项和服从半正态分布的管理无效率项两个部分。因此，三阶段DEA模型同时将环境因素、随机干扰和管理无效率纳入了效率评估框架中，并能将环境因素和随机干扰对生产效率的影响有效分离出来。因此，自2007年以来，三阶段DEA模型在银行业[11-12]、物流业[13]、旅游业[14-15]和商业企业[16]等第三产业的技术效率研究中获得了越来越多的应用（已有数十篇论文，本文仅举几例）。三阶段DEA模型原理简述如下：
第一阶段：传统DEA模型。该阶段运用DMU初始投入产出指标数据进行传统的DEA分析。鉴于我国批零企业体制改革不彻底及资源配置能力、员工素质等方面存在的问题，相比于产出量而言，投入量更容易控制。因此，本文选择投入导向的、适用于可变规模报酬（variable returnsto scale，VRS）模式下的DEA分析模型——BCC模型①作为第一阶段的评估模型。BCC模型将固定规模报酬（CRS）的技术效率（technical efficiency，TE）分解为纯技术效率（pure technical efficiency，PTE）和规模效率（scale efficiency，SE），将技术无效率分解为来自生产技术方面的无效率和DMU未处于最优规模的无效率。基于传统DEA模型已相当成熟，计算原理从略。
第二阶段：用SFA模型分解投入松弛量，以便对投入量进行调整。Fried等提出在第二阶段可用随机成本前沿面模型（stochastic frontier analysis，SFA）将第一阶段的投入松弛量分离出环境因素（environmental effects）、随机干扰（误差）（statistical noise）和管理无效率（managerial inefficiency）三个影响因素，从而为第三阶段进行DMU的管理无效率研究做好准备。第一阶段的投入松弛量
可表示为：
Fried等提出应以环境因素最差为基准调整各个DMU的投入指标值，即把所有不同环境因素的DMU调整到相同的环境因素条件下，并同时考虑随机干扰的影响，即各投入指标的调整公式为：
第三阶段：再次应用DEA模型。根据第二阶段调整后的投入指标值和产出指标原始值，再次应用BCC模型进行投入产出效率计算，求得剔除了环境因素和随机干扰影响后的各DMU的投入产出效率值，该效率值是仅受管理因素影响的效率值，它真实地反映了各DMU的管理效率水平。
三、数据采集及相关指标的确定
1.批零业数据采集
基于数据的公开性和可获得性及实证的需要，我国30个省市的批零业数据取自2008年～2010年的《中国统计年鉴》（剔除了缺失数据较多的西藏自治区）。
2.批零业投入指标的选取
国内外采用三阶段DEA进行产业（企业）投入产出效率实证研究的文献几乎均从人财物三个角度去衡量产业的投入，而且多数文献将“财和物”统一用资本来表示，绝大多数学者采用固定资产总值（亿元）或总资产（亿元）或固定资产净值（亿元）指标。笔者认为，对批零业来讲，固定资产投入虽然重要，但流动资产的作用更不容忽视，因此，本文选用总资产（亿元）来表示批零业“财和物”的投入。关于“人”的投入，最常用的是从业人员数或员工人数，其次是职工薪酬。笔者认为，批零业属于劳动密集型产业，且职工薪酬在地区间差异太大，不能很好地代表“人”的投入。因此，本文选用从业人员数（万人）来表示“人”的投入。
3.批零业产出指标的选取
据不完全统计，在三阶段DEA研究中，产出指标通常用主营业务收入（亿元）来表示，也有的是用利润（亿元）指标和产业增加值（亿元）指标来表示。笔者认为，主营业务是产业（企业）赖以生存和实现又好又快发展的最核心业务，用收入和利润分别表示产业的核心业务产出和剔除成本等之后的产出是合适的，但批零业的多元经营也正成为一种趋势，因而非主营业务的产业增加值也应该是重要的产出指标。因此，本文选用主营业务收入、主营业务利润和产业增加值3个指标作为产出指标。
4.环境影响因素的确定
环境影响方面，应考虑那些对批零业生产效率具有影响但又不在主观可控范围内的因素。考虑到批零业的特点和具体情况，根据徐健、汪旭晖（2009）[9]的研究，选取地区GDP、人均可支配收入和人口数等影响显著的3个指标，同时删除了影响不显著的入境旅游人数和外商直接投资总额指标；考虑到批零业还受城市化水平、居民消费能力和市场等情况的影响，再增加了城市化水平、企业数、城乡居民存款、亿元以上交易市场营业面积和固定资产投资等5个指标作为环境因素，即本文共选取8个环境影响因素。
四、实证研究
1.第一阶段：传统DEA模型的建模结果及其分析
将采集到的30个省市2007年～2009年共计90个DMU的数据导入DPS软件[18]，执行“专业统计”即“数据包络及计量经济统计”，得到投入产出效率值，表1仅列出了2009年的结果。
在有环境因素和随机干扰的情况下，2007年、2008年和2009年批零业的投入产出平均效率分别为0.7503、0.8371和0.7465，与物流业[12]等其他第三产业相比，批零业整体上技术效率是比较高的，达到0.74以上，其中2008年技术效率最高，2009年最低，反映出不同省市间的技术效率存在较大差距。以2009年为例，上海、天津和内蒙古3个省市是DEA有效的，云南的效率最低，仅为0.4416，安徽次之，为0.5363，且在30个省市中，没有一个省市连续3年都是DEA有效的。
在3年合计90个DMU中，分别有36个、9个和45个DMU处于生产规模报酬递减、不变和递增状态，即有一半的DMU的生产规模报酬处于递增状态，其中2007年分别有8个和22个DMU处于生产规模报酬递减和递增状态。随着各省市批零业生产规模的扩大，2008年有6个省市的生产规模处于不变状态，生产规模呈递减状态的DMU迅速上升到13个。随着生产规模的进一步扩大，2009年生产规模报酬处于递减状态的DMU达到了15个，生产规模报酬不变的只有3个，而处于生产规模报酬递增状态的只有12个。也就是说，到了2009年，我国多数省市批零业的生产规模已经太大了，导致投入产出效率比2008年有明显下降，甚至低于2007年，如果进一步扩大规模，则技术效率还将进一步降低。因此，就当前来看，批零业的核心是要提高管理水平和资金（本）使用效率，而不宜盲目扩大生产规模。整体上讲，我国批零业的情况与同属于第三产业的物流业的情况表现出不同的特征。
以2009年为例，在生产规模报酬递减的15个省市中，东部省市有8个，占全国的53.3%，同时占东部11个省市的72%，说明经过2007年、2008年生产规模的迅速扩张，绝大多数东部省市的生产规模已经太大；西部和中部分别只有4个和3个省市处于生产规模递减状态，分别占全国的26.7%和20%，占西部和中部省市的40%和33.3%，说明大部分中、西部省市还可以进一步扩大生产规模。因此，东部与中、西部在生产规模报酬方面存在明显差异，生产规模报酬递减状态的大部分省市位于我国东部地区，少部分位于中、西部地区。
2.第二阶段：SFA建模结果及其投入指标的调整
以第一阶段BCC模型的投入松弛量为因变量，以地区GDP等8个环境因素为自变量，使用DPS软件进行SFA建模计算，以消除环境因素和随机干扰对批零业投入产出效率的影响，计算结果如表2所示。
从表2可知，似然比（LR）均通过1%水平的显著性检验，说明在混合误差项中确实存在技术无效率，各省市批零业的经营环境的确对其技术效率产生了显著影响，说明很有必要采用SFA模型进行环境因素和随机误差的分离。
表示技术无效率的方差占总方差（技术无效率方差和随机误差方差之和）的比率，总资产和从业人员数的γ值分别为0.9784和0.4836，均通过1%水平的显著性检验，表明技术无效率和随机误差对DMU的投入产出效率有显著影响。从γ值可知，在总资产变量的变异中，管理无效率占到97.8%，而在从业人员数的变异中，管理无效率却只占到48.4%。因此，第二阶段应用SFA模型进行分析，有助于更准确地判定、分析各省市批零业的真实技术效率。
环境因素对技术效率影响的显著性分析。由表2可知，在8个环境因素中，城市化水平和城乡居民存款两个环境因素对总资产有显著影响。其中城乡居民存款达到1%的显著水平，城市化水平达到5%的显著水平，其他环境因素的影响不显著。城乡居民存款对总资产具有“正”的系数，说明城乡居民存款的增加会加剧总资产的冗余，进一步降低批零业的技术效率；而城市化水平对总资产具有“负”的系数，说明城市化水平的提高会减少总资产的冗余，有利于提高批零业的技术效率。同理，人口数、企业个数和城乡居民存款3个环境因素对从业人员数有显著影响，其中人口数、企业个数和城乡居民存款均达到1%的显著水平，其他环境因素的影响不显著。人口数和城乡居民存款具有“正”的系数，说明地区人口数和城乡居民存款的增加会加剧从业人员数的冗余，降低批零业的技术效率，而企业个数对从业人员数具有“负”的系数，说明企业个数的增加会减少从业人员数的冗余，有利于提高地区批零业的技术效率。就整体而言，在8个环境因素中，地区GDP、人均可支配收入、亿元以上交易市场营业面积和固定资产投资等4个环境因素是非显著性因素，其他4个环境因素对批零业的技术效率都具有显著影响，其中城市化水平和企业个数具有“负”的作用，增加这些环境因素的值都有利于减少投入量的冗余和提高批零业的技术效率；城乡居民存款和人口数具有“正”的作用，即这些环境因素值的提高会增加投入量的冗余，从而导致降低地区批零业的技术效率。
从上述分析可知，环境因素对批零业不同地区技术效率的影响存在显著的差异性，部分具有较好经营环境和运气的地区无形中使第一阶段评价结果的技术效率出现了“虚高”，反之亦然。因此，为了更准确地判定、分析各地区批零业真实的投入产出效率，必须使所有地区的批零业面对相同的经营环境和运气，因而必须调整原始投入量，剔除环境因素和随机干扰的影响。
3.第三阶段：投入量调整后的DEA建模实证结果及其分析
根据（3）～（5）式对原始投入量进行调整，再采用DPS软件得到投入量调整后2007年～2009年我国批零业投入产出的技术效率、纯技术效率、规模效率以及生产规模报酬等（限于篇幅，表3仅列出2009年的结果，表4为2009年和2007年～2009年3年间的平均纯技术效率值，详细结果备索）。实证结果为：3年平均的技术效率从调整前的0.7047提高到0.8062，提高了14.40%，纯技术效率从调整前的0.7780提高到0.8705，提高了11.89%。在90个DMU中，生产规模报酬处于递减、不变和递增状态的DMU分别有44个、11个和35个。与投入量调整前相比，生产规模报酬递减的DMU增加了8个，生产规模报酬递增的DMU减少了10个，不变的个数增加了2个。由此可见，是否采用三阶段DEA模型分离环境因素和随机干扰的影响，对客观地分析和研究我国批零业的投入产出效率、生产规模报酬和规模效率具有显著影响。因此，本文采用三阶段DEA模型比采用传统的DEA模型能更准确地分析各省市批零业真实的投入产出效率、生产规模报酬和规模效率，对各省市有关职能部门更好地制定批零业发展战略、确定生产规模和投资以及解决就业等民生问题等，都具有重要的理论意义和实践价值。
我国批零业在投入产出效率方面区域性差异比较明显。以2009年为例，14个生产规模报酬递减的省市中，有6个位于东部地区，占全国的43%，占东部11个省市的54.5%；分别有6个和2个省市位于中部和西部地区，分别占全国的43%和14%，并分别占中部、西部省市的60%和22.2%。
由表3可知，投入量调整后，就2009年而言，分别有14个、4个和12个省市处于生产规模报酬递减、不变和递增状态，技术效率从0.6601提高到0.7862，提高了19.1%，纯技术效率从0.7465提高到0.8533，提高了14.3%，规模效率从0.8941提高到0.9265，提高了3.6%。投入量调整前后2009年和2007年～2009年3年的平均纯技术效率对比如图1所示。
以2009年为例，投入量调整后，23个省市的纯技术效率得到了提高，只有宁夏是降低的，6个省市不变。就提高的绝对量而言，四川提高得最多，从0.6538提高到0.8987（提高了0.2449），其次是河北，从0.6794提高到0.9158（提高了0.2364），甘肃等15个省市提高了0.10以上，其中四川等5个省市提高了0.20以上；就提高的相对量而言，贵州省提高最多，从0.5785提高到0.8031，提高了38.8%，其次是云南省，从0.4416提高到0.6105，提高了38.3%，分别有19个、14个和5个省市提高了10%以上、20%以上和30%以上，对这19个省市来讲，技术效率较低确实部分是由于比较差的经营环境或运气不太好所致，而不完全是他们的技术管理水平差所致。就3年的平均情况来看，投入量调整后，贵州提高得最多，从0.6418提高到0.8878（提高了0.2460），其次是四川，提高了0.2267，有河北等14个省市提高了0.10以上，其中四川等3个省市提高了0.20以上。同时，投入量调整后，分别有26个、3个和1个省市的规模效率是提高、不变和降低的，其中有海南等8个省市提高了5%以上，其中青海等4个省市提高了10%以上。因此，对于批零业来讲，投入量调整计算有利于提高规模效率，也就是说，我国批零业的实际规模效率比用传统的DEA方法（第一阶段）计算得到的规模效率要高，即传统的DEA方法低估了批零业实际的投入产出效率，尤其是较严重地低估了经营环境比较差和随机干扰比较大的省市的投入产出效率。
就2009年来看，北京、天津、内蒙古、上海、山东、湖南等6个省市的投入量调整前后都是DEA有效的，陕西和青海从非DEA有效变为DEA有效，共有10个省市的技术效率排名是提高的，提高最多的是四川，从第22位提高到第11位（提高了11位），其次是河北和陕西，都提高了10位，贵州、江西和青海分别提高了8位、6位和6位；同时有10个省市的排名是下降的，排名下降最多的是宁夏，从第13位下降到第25位（下降了12位），其次是海南，下降了7位，江苏、浙江和新疆分别下降了6位、5位和5位。从3年平均来看，分别有13个、4个和13个省市的技术效率排名是上升、不变和下降的，其中有贵州等5个省市的排名上升5位以上，贵州上升最多（10位），同时，宁夏等6个省市的排名下降5位以上，以宁夏排名下降最多（10位）。
4.我国批零业在不同维度下的技术效率分析
剔除了环境因素和随机干扰的影响，计算得到的效率值更准确地反映了我国不同地区（区域）的投入产出效率，本文从整体维度、区域维度和时间维度对各省市以及东、中、西部地区的技术效率进行分析。表5和图2是投入量调整前后我国东、中、西部地区批零业2007年～2009年期间平均效率值的对比情况，表6所示是投入量调整前后我国批零业2007年～2009年期间投入产出效率的变化情况。
（1）整体维度。在2007年～2009年期间，我国批零业的整体投入产出效率较高，剔除环境因素和随机干扰的影响后，技术效率为0.8062，纯技术效率为0.8705，规模效率为0.9291。而且，整体上生产规模报酬处于递减状态的省市要多于处于递增状态的省市，说明近几年我国批零业整体上规模扩张过快，导致投入产出效率下降。因此，整体上讲，批零业下一步的发展策略应该是研究如何进一步提高（人员）管理效率和资金、资产的运行效率，而不是一味追求扩大规模，尤其是不能依靠增加人力投入，进行粗放型发展，否则技术效率会进一步降低。此外，从实证结果得知，批零业的整体技术效率要明显高于物流业等其他第三产业的技术效率[12]。
（2）区域维度。就2007年～2009年间或者3年平均来看，东部地区的批零业技术效率、纯技术效率和规模效率全国最高，其次是西部地区，中部地区最差，且他们之间差距比较明显，东部地区的效率高于全国平均水平，而中部地区和西部地区均低于全国平均水平。实证分析表明，我国批零业的技术效率区域分布特征与区域的经济发展水平及其市场化程度基本一致，即经济发展水平越高、市场化程度越高，则批零业的投入产出效率也越高，反之亦然，但各省市的情况也不尽然。剔除环境不利因素和随机干扰的影响后，位于西部的陕西省和青海省出乎意料地排名前2位，而上海、天津、内蒙古分别排在第3、4、5位。而且，即使不剔除环境因素和随机干扰的影响，陕西和青海的排名也较靠前。原因在于，这两省的产出量虽不高，但其投入量也较低，就业人员数仅存在少量的冗余，而总资产得到了充分、高效的利用。另一方面，虽然其主营业务利润尚有待进一步提高，但其批零业主营业务收入和产业增加值已居于较高的水平，从而使得陕西和青海的投入产出效率总体上居于前列。但同为西部的云南省效率最低，其投入量远高于陕西省和青海省，但在主营业务收入、利润等方面优势不明显，导致技术效率低下。此外，位于东部地区的浙江和福建的技术效率只排在第24位和第29位，同样令人意外，但分析浙江和福建两省的投入产出指标值发现，浙江不仅整体上投入量冗余较多，其主营业务利润也明显偏低；福建省的情况类似，在主营业务收入和利润两个指标方面也都存在偏低的情况。
1999年中央提出西部大开发战略，国家对西部地区的大力投入和优惠政策在一定程度上改善了西部地区的商业投资环境，从而推动了西部地区批零业的发展。随着中原崛起发展战略的实施，未来中部地区的批零业投入产出效率也将体现出较大的后发优势。
（3）时间维度。就全国来看，批零业2008年的投入产出技术效率、纯技术效率最高，规模效率最好，生产规模报酬不变的省市也最多，而2007年和2009年的技术效率、纯技术效率基本相当，但生产规模报酬存在显著差异。在时间维度上，东部、中部和西部地区的批零业具有相同的变化规律，但东部地区的时间维度差异很明显，2008年度要大大好于2007和2009年，西部地区的差异最小，而且2009年比2007年度要差。投入量调整以后，2007年～2009年期间，技术效率、纯技术效率和规模效率的差异度都有所减小，生产规模效率几乎不变。批零业技术效率时间维度上的差异特征与我国经济整体运行情况是基本吻合的。2008年以前，我国整体经济运行情况持续向好，2008年达到最好，投入产出效率也是2008年最高，而2009年由于受欧美、东南亚金融危机的冲击，我国不得不采取加大基础设施、固定资产投入和保障民生等措施，但受出口显著减少等因素的严重影响，总体经济运行效率明显降低，这也直接影响了批零业的经济运行效率，表现为从业人员数冗余较多、主营业务收入和利润大幅下降，导致批零业的投入产出（技术）效率降低。
五、结论
本文通过构建三阶段DEA模型，剔除了外部环境因素和随机干扰对我国批零业投入产出效率的影响，求得了我国2007年～2009年30个省市批零业真实的综合技术效率、纯技术效率和规模效率及其生产规模报酬等，改进和克服了传统DEA方法的缺陷与不足。主要结论如下：
（1）研究表明，地区人口数、城市化水平、企业数、城乡居民存款等环境因素及随机干扰等外在因素确实对我国批零业的投入产出效率产生了显著影响，不考虑这些环境因素和随机干扰的影响，就不能真实地反映我国批零业的投入产出效率，从而可能导致在制定发展战略和投资决策时出现偏差。整体上讲，在剔除了环境因素和随机干扰的影响后，我国批零业的综合技术效率、纯技术效率和规模效率都有了一定程度的提高，综合技术效率和纯技术效率提高较多，而规模效率有小幅提升。剔除环境因素和随机干扰的影响后，生产规模报酬递减的省市从36个增加到44个，而递增的省市从45个减少到35个，说明批零业实际的生产规模已经较大，因而不能一味地采取扩大再生产的办法，而应更多地从提高资金（资产）使用效率和人力资源管理效率出发，提高批零业的投入产出效率。
（2）剔除环境因素和随机干扰的影响后，我国批零业投入产出效率总体上表现较好，2007年～2009年间综合技术效率的全国平均值达到了0.8062，纯技术效率为0.8705，规模效率为0.9291，其中，2008年最高，2007年和2009年基本相当。研究表明，随着批零业生产规模的迅速扩大，有将近50%的省市已处于生产规模报酬递减状态，说明我国批零业的整体生产规模已经较大，不宜再进一步扩大，而是要重点加强对企业内部资源的合理配置，全面提升管理水平。
（3）从区域角度来看，我国批零业的发展存在明显的地域差异，即东部地区最优，西部地区次之，中部地区最差。这充分说明，东部地区凭借其发达的经济、便捷的交通和对外贸易优势及其高度的市场化机制，批零业不仅发展快速，而且投入产出效率也相对较高。而且，省市之间的差异也很大。因此，不同省市在发展批零业时，应根据各自在总资产、从业人员数及其城市化水平、人口数和城乡居民存款等多个方面的特点和情况综合考虑，以便制定出更合理的发展战略和政策。
注释：
①该模型由Banker、Charnes和Coopert于1984年提出，因而以其三人姓氏的首个字母命名。