新零售上市企業經營效率的DEA研究

余昕杰，魏修建，薛偉宏

（西安交通大學 經濟與金融學院，陜西 西安 710061）

一、引言

隨著國家擴大內需政策的實施，擴大內需已經成為促使我國經濟和社會穩定發展的主要方式。我國的零售行業消費體量巨大、發展潛力巨大，社會消費品零售總額持續增長，從2014 年27萬億元持續增長到2018 年的38 萬億元，以雙十一當天的電商零售額來看也在不斷創出新高。這個過程中，零售行業的商業模式也在快速發展，不斷創新。其中，“新零售”迅速發展、脫穎而出，成為社會熱點。

“新零售”作為一種新的業態模式出現，在發展中并沒未固化而是在不斷嘗試，它一方面順應國內消費結構升級的趨勢，同時也得到政府的關注和重視，中央及地方政府出臺相關政策對零售業進行大力扶持，由國務院頒發的《國務院辦公廳關于推進線上線下互動加快商貿流通創新發展轉型升級的意見》中指出，支持零售業經營模式創新，鼓勵零售企業轉變經營模式，在技術應用與產品服務方面加快創新的政策意見，為中國零售業的發展提供了良好的政策法規環境。通過對眾多進入“新零售”領域企業的觀察研究發現，在其經營方式和經營績效方面存在顯著差異。對此，國內外學者也進行了相關的研究和探討，筆者認為，評價和衡量新零售企業的績效，關鍵在于其經營效率。

近年來，對“新零售”方面的研究較有代表性的文獻及其主要觀點如下：

王正沛和李國鑫（2019）[1]對中國正在進行的“新零售”做了定義，認為新零售是以消費體驗為中心，線上零售和線下零售邊界融合，新型技術廣泛應用，以傳統零售的消費體驗痛點和發展瓶頸為突破口，以服務質量和市場利益為內生驅動力的一種新模式。那么應怎樣融合，是目前零售業發展面臨的重大問題。在美國，Seong 等（2009）[2]選取了某一知名咖啡公司的8 家零售門店2008、2009 連續兩年的內部財務數據，運用DEA 方法，對各門店的相對經營效率進行了測度與評價；在歐洲，Perrigot 和Barros（2008）[3]對11 家法國綜合零售商的技術效率進行評估，并得出了影響效率結果的原因主要是上市、兼并、成立企業集團以及國際化經營；Wen-Min Lua 和Shiu-Wan Hung（2011）[4]應用DEA 方法分析了全球30 家電子零售公司的效率和有效性，發現全球整體的電子零售公司仍有很大的空間來提高其管理實踐；同時，中國學者也用DEA 方法對零售企業效率進行了定量分析，雷兵和趙夢佳（2015）[5]對比研究了線上與線下零售企業的經營效率，發現中國網絡零售企業的綜合效率高于實體零售企業，源于其規模效率處于較高水平，因為技術的進步使得網絡零售企業的全要素生產率的增長速度高于實體零售企業，由此可見，“新零售”的發展依賴技術的進步。

多重銷售模式的發現從對購買者在線上線下融合模式下的行為、偏好等作出調查開始（Maximilian Teltzrow，2008）[6]。近年來，中國學術界對于新零售更多的是從概念、模式、技術支持、未來發展方向等方面開展了研究。

國外領先零售企業商業模式創新被認為對中國零售企業有借鑒價值，其呈現出渠道全面化、無邊界化、零售體驗化、服務增值化、個性化、定制化、透明化、社會化以及管理效率更高、成本更低的主流趨勢（齊嚴，2017）[7]，從模式上為我國零售的發展指明方向。

在技術方面，為更好地引導“新零售”發展，韓彩珍和王寶義（2018）[8]結合理論與實踐進一步深入研究，重點拓展線上線下深度融合、“新零售”下的新物流、“新零售”驅動供應鏈變革與重構等研究方向。

在數字化快速發展的現在，“新零售”帶給用戶的將是更加完美而豐富的數字化新體驗。高焰輝（2018）[9]通過對騰訊和阿里的分析，認為零售行業集中度勢必隨新零售之爭加速提升。

國內外有很多學者對企業績效進行了研究，但根據筆者對已有文獻的查閱，主要還是以傳統的零售企業和傳統的電商零售企業為樣本，關于新零售模式創新的學術研究多體現在商業模式等理論層面，對于新零售企業如何發展以及提升效率進行研究，研究新零售業經營模式創新發展具體的經營情況的文獻比較少。本文針對以上不足，結合零售業多投入、多產出的特點，擬采用財務指標和非財務指標，以2016 年、2017 年我國新零售業百強中已上市公司為樣本，運用DEA 模型系統地分析我國零售企業在進行新零售模式創新前后，其經營效率的變化。本文通過經營效益評價可以有效分析現有新零售企業發展狀況，為我國想要進行新零售轉型的企業管理者的長期經營決策提供幫助。

二、研究設計——DEA 方法概述

DEA（數據包絡分析）方法是一個以相對效率概念為基礎的線形規劃模型，是具有多個輸入（輸入越小越好）和多個輸出（輸出越大越好）的多目標決策問題的方法。DEA 以某一生產系統中的實際決策單元為基礎，建立在決策單元的“Pareto最優”概念之上，通過利用線性規劃技術確定生產系統的效率前沿面（或稱為前沿生產函數），進而得到各決策單元的相對效率以及規模效益等方面的信息，用于評價部門間的相對有效性。此方法不需要提前確定權重，便可以直接求得最優權重，更不需要預先估計參數，避免了主觀因素，具有很強的可操作性，不僅可以評價決策單元的有效性，也可以指出調整的方向和最優目標值，一直以來DEA 模型憑借上述優勢幾十年來在國內外的管理科學、運籌學領域的應用研究中得到了廣泛的應用。

（一）CCR 模型

CCR 模型計算決策單元綜合技術效率值（Technical Efficiency，簡稱TE）。在CCR 模型中，假定規模報酬不變，而現實中規模報酬往往又是變化的，所以由CCR 模型計算出來的技術效率是包含規模收益的成分的。當TE=1，則此決策單元（DMU）綜合技術效率有效。

如果第j 個DMU 的效率指數為目標，以所有決策單元的效率指數為約束，就構造了如下的CCR 模型。

上述規劃模型是一個分式規劃，使用Charnes-Cooper 變化，可變成如下的線性規劃模型P：

取規劃P 的對偶規劃D：

D 中，θ 是前沿面與決策單元的相對距離：

θ=1，松弛變量為零時覺得單元有效；

θ=1，松弛變量不全為零時決策單元弱有效；

θ≠1，決策單元非有效

（二）BCC 模型

BCC 模型是計算純技術效率值（Pure Technical Efficiency）。在BCC 模型中，假定規模收益可變，那么其計算出來的效率不包含規模成分，所以可以通過技術效率和純技術效率剝離出來規模效率的部分。其中，綜合效率=純技術效率* 規模效率。

三、實證分析

（一）構建DEA 評價指標體系

1.決策單元（DMU）的確定。DMU 是效率評價的對象，可以理解為一個將“投入”轉化為“產出”的實體，且應具有同質性。本文從深滬股市的新零售概念股中的46 個上市企業中，剔除非百貨零售的企業，最終確定了10 家基于互聯網的百貨新零售企業如永輝，蘇寧等，以及兩個分別在美國和香港上市的零售企業京東和國美作為最終的研究對象。

2.指標體系的選取與數據來源。運用DMU 模型計算，重點在于選取合適的投入產出。對于現在要往新零售發展的電商企業來說，將投入大量資金在線下店鋪的建造上，因此輸入指標從總資產、門店總數、員工總數3 個維度選取。其中總資產能夠反映資本要素的投入，門店總數反應固定資產的投入，員工總數反應勞動力要素的投入。選取營業收入、凈利潤作為輸出指標。指標體系所選取的數據涉及了三大會計報表。

由于本篇文章主要研究“新零售”對于企業的經營效益帶來的影響，因此選取了2016 年（新零售提出之前企業的經營狀況）和2017 年（進行新零售轉型之后的狀況）的各項數據分別做DEA 分析。在每一個截面數據出來的結果中，可以分析每家企業的商業模式的經營效益以及可取性；對比兩次的結果，能夠得出進行新零售模式創新之后對于每一家公司經營效率的影響。

表1 選取的12 家新零售企業2017 年的輸入輸出指標數據

表2 選取的12 家新零售企業2016 年的輸入輸出指標數據

由于DEAP 2.1 軟件分析的數據不能為負，需要對上述數據進行進一步處理。利用《關于DEA有效性在數據變換下的不變性》中的推論，DEA的有效性與輸出輸入數據的量綱無關，因此，對于各決策元的同一指標數據同時加上相同的正數，其DEA 有效性不變。所以最終數據如表3、表4 所示。

表3 選取的12 家新零售企業2017 年的輸入輸出指標數據

表4 選取的12 家新零售企業2016 年的輸入輸出指標數據

（二）結果評價分析

由于選取的DMU 的指標體系都是多輸入和多輸出指標，所以在處理數據時使用DEAP2.1 軟件對指標進行CCR 和BCC 兩種模型的運算和分析。結果如表5 所示。

表5 2017 年新零售企業的效率DEA 評價結果

1.綜合技術分析。綜合技術效率（crste）是DMU在一定（最優規模時）投入要素的生產效率。綜合技術效率=純技術效率* 規模效率。綜合技術效率是對決策單元的資源配置能力、資源使用效率等多方面的綜合衡量與評價。從上面展示的結果來看，DMU1-5、11、12 綜合效率是1，說明這7 家公司是DEA 有效的，同時達到了純技術有效和規模有效。這些企業也就是說相對其他樣本企業而言，投入獲得了最優產出，企業投入與產出達到最佳狀態，投入產出比例較為合理，沒有出現產出不足或者冗余，如果擴大投入則可以較好地發揮經營優勢。而剩下5 家企業綜合技術效率均小于1，表明沒有達到最大產出，屬于非DEA 有效。另外可以看到，有2 家企業在規模收益趨勢上都是遞減的,這表明再投入資源，并不會帶來相應的收益，反映出這家企業存在資源不合理的情況，因此此種模式建議先不要盲目擴張，應在合理優化資源配置上在進行進一步的探究。

本文選取上市的12 家新零售企業進行比較，有7 家達到了綜合技術效率DEA 有效，超過半數。由此可見我國新零售企業整體狀況比較樂觀，效率令人滿意。

圖1 2017 年中國電商用戶對新零售業發展的期待

在圖1 中，從消費者的角度對新零售的期待，可以看出，對于線下用戶體驗方面，消費者有著最高的期待，這對于零售企業來說，提供了需要進一步改善的方向。

圖2 中國新零售業行業效率指數

圖2 展示的是我國目前“新零售”行業的各項效率指數。在這種背景下，零售企業轉型應該緊緊抓住新零售發展的契機，運用大數據等先進技術手段，針對消費者數據進行有效分析，了解消費者的層次及消費特征，有針對性地擴大營銷，進而增加客戶黏性，爭取為企業帶來更大收益。

2.純技術效率（PTE）和規模效率（SE）分析。純技術效率是指在規模收益固定的情況下，評價決策單元的效率。當PTE=1 時，說明投入指標要素資源合理。當PTE＜1 時，說明投入指標要素資源不合理，如企業的物流管理等可以改善優化。12家企業的平均純技術效率和平均規模效率均＜1，平均規模效率為0.933，故還有6.7%的投入沒有進行充分的產出，這12 家企業的投入產出效率非高效，需要進一步擴大規模。

從表5 中可以看出，DMU6、7、8、10 純技術效率＜1，說明這4 家企業存在投入指標要素資源不合理的情況，可以通過注重顧客體驗、運用大數據及新技術等措施改善目前的狀況。

規模效率是在投入指標要素確定的情況下，評價決策單元的效率。規模效率（SE）是綜合技術效率與純技術效率之間的比值。

當規模效率=1 時，評價結果會顯示收益不變，說明該決策單元處于最優化規模。當規模效益＜1 時，評價結果會顯示收益遞增或收益遞減。如表5 所示，3 家非DEA 有效的企業規模效益均＜1，都處于規模收益遞增的階段，這意味著目前非有效的企業規模都較小，此時應該在優化投入指標資源的前提下，擴大企業的規模，提高企業效率，從而達到企業經營的相對有效。

3.對比兩年DEA 評價結果。通過對比表5、表6 兩年的DEA 評價結果，DMU2、DMU5 從前一年的非有效且規模遞減，經過新零售轉型變成DEA有效。這兩個決策單元為蘇寧易購和歐亞集團。從數據上看，主要是這兩個企業在2016 年面臨由于規模效率＜1，且處于規模效益遞減階段，這種狀況不能單純地通過擴大規模來增加收益，而是要將重心放在對于企業自身結構流程的改變上，以及更加精準的對客戶的分析，從而進行優化升級。從2017 年的結果來看，這兩家企業克服了這一道難關，在優化升級方面做得很成功，達到了DEA 有效。

表6 2016 年新零售企業的效率DEA 評價結果

四、結論與啟示

本文選取國內上市的12 家新零售企業，采集5 項指標數據，利用DEA 模型計算，得到了三大效率指標，即技術效率、純技術效率和規模技術效率。利用冗余率和產出不足率進行測度，分析企業的投入與產出情況。對零售企業提出以下優化建議：

第一，充分發揮線上線下融合的技術優勢，通過對消費用戶數據進行深度挖掘和分析，進而充分了解用戶的需求偏好，做好消費預測，從而基于其需求重新梳理、合理規劃人、貨、場之間的關系，推動我國供應鏈體系的整體優化，從零售這一環節推動供給側結構性改革，推動我國零售業更快地適應數字經濟發展。

第二，對新零售企業而言，提升績效的另一個關鍵，要加大高效物流配送體系的建立，充分利用物聯網和智能物流系統，同時要不斷提升物流配送的運營效率。物流作為一項不直接產生利潤，但卻是一個十分重要的支持輔助的環節，物流的速度反映了人與貨之間的關聯性，同時高效的物流配送可以幫助企業縮短現金周期。

第三，“新零售”的商業模式應逐漸朝著柔性化、定制化和靈活化的方向發展，以加速適應消費者需求的個性化和異質化。對于這一點，企業應該優化產品結構，盡力做到符合周邊消費者的需求；發揮“新零售”的優勢，利用線上APP 的營銷優勢，在更廣的范圍提升用戶的導流能力；同時要不斷改進線下的服務，包括但不限于服務能力和服務質量，要將重心放在進店用戶的現場體驗的提升方面。

本研究中出現綜合技術無效的企業，尤其是規模效益趨勢遞減的企業，其本質上要解決的就是資源配置問題。進行優化資源配置的途徑有很多，但首先要了解企業為什么會在一些投入中出現了冗余，不能盲目地擴張，要立足優化資源配置。隨著大數據時代的到來，如何有效利用企業數據，深入挖掘客戶需求，關注用戶體驗和需求成為了許多企業獲得更多收益的主要途徑。

本研究證明了DEA 方法應用于零售企業投入產出效率評價的可行性，但由于指標數據可得性等原因的限制，僅選擇了12 家上市的零售企業作為研究樣本。在樣本選擇時，因為網絡零售發展較晚，“新零售”又是近來才提出的概念，在選取數據的時間跨度上可能不是很理想，因此在零售企業信息披露機制健全之后，未來的評價研究應向“新零售”企業深入。