中国酿酒业上市公司的效率特征及其影响因素分析——基于DEA-Tobit两阶段模型

刘玉海,吕 坤

(1.南开大学城市与区域经济研究所,天津 300071;2.南开大学经济与社会发展研究院,天津 300071)

一、引 言

作为食品饮料行业的重要组成部分,酿酒工业在国民经济发展中具有十分重要的作用。改革开放以来,经过多年的建设和深刻变革,中国酿酒工业已经取得了突飞猛进的发展,并以其满足社会消费需求、增加地方财政收入和促进农业产业化等显著特征成为政府扩大内需、建设和谐社会与社会主义新农村进程中的一个重要产业。然而,中国酿酒工业尚存在着产业集中度偏低、龙头企业地位不稳、消费者品牌忠诚度不高等诸多问题。同时,外资酒业生产商纷纷抢滩中国市场,并购中国本土酿酒企业。在此背景下,通过对中国酿酒企业进行生产效率评价,探讨如何提高我国酿酒业的生产效率和产业国际竞争力,对有效培育和保护产业民族品牌、促进产业快速发展具有重要意义。

目前,国内对酿酒工业生产效率进行研究的文献还相对较少。张彦和郑平 (2006)运用DEA一阶段模型分析了国内7家啤酒类上市公司的相对经营效率,并计算了各公司的技术效率和规模效率[1]。张若钦 (2008)运用非参数DEA的Malmquist生产力指数对中国12家白酒类上市公司在2003-2007年期间的动态生产效率进行了测评[2]。金志国 (2007)综合运用因子分子法、层次分析法和数据包络分析法等技术工具,构建复合二次相对评价系统模型,对中国9家啤酒类上市公司的经营绩效进行了评价[3]。纵观以往文献我们可以发现,它们要么仅以啤酒类或白酒类等单一种类酿酒业上市公司为研究样本,而没有以酿酒行业整体为样本进行定量分析;要么单纯以DEA一阶段模型或非参数DEA的Malmquist生产力指数为研究方法,而没有对生产效率的影响因素进行研究。

鉴于此,本文运用DEA-Tobit两阶段模型,以2004-2007年期间中国22家主要酿酒业上市公司的投入和产出量作为面板数据,从酿酒行业总体和三大类型酿酒业上市公司两个角度分别对中国主要酿酒业上市公司的生产效率进行评价,并对导致效率差异的影响因素进行分析。此外,结合基于非参数DEA的Malmquist生产力指数,对样本期间内主要酿酒企业的效率变化进行动态评价。

二、研究方法与数据选取

(一)DEA-Tobit两阶段模型

数据包络分析法 (DEA)是运用线性规划方法来评价相同类型的多投入、多产出的决策单元是否技术有效和规模有效的一种非参数效率评价方法。采用DEA一阶段模型中投入导向的BCC模式可对酿酒企业的规模效率和技术效率进行测量①DEA模型的数学原理已为学术界较为熟识,故在此不再赘述。感兴趣的读者,可参见Coelli et al.(1998)[5]。,但无法分析酿酒企业生产效率的影响因素。为此,本文在DEA一阶段模型的基础上衍生出一种两阶段法,即DEA两阶段模型。在两阶段分析中,第一阶段采用一阶段DEA模型评估酿酒企业的效率值,第二阶段以第一阶段得出的效率值作为因变量,以效率的各种影响因素作为自变量建立线性回归模型。因一阶段DEA模型计算出的效率值介于0-1之间,故在第二阶段适宜采用Tobit模型 (线性概率模型)进行线性回归。鉴于Tobit模型的干扰可能存在异方差,若直接采用OLS估计法,则会给参数估计造成偏误和不一致,故本文采用极大似然估计法进行Tobit回归。

(二)DEA-Malmquist生产力指数

本文运用投入导向的DEA-Malmquist生产力指数来测量中国22家主要酿酒业上市公司的动态生产经营效率。根据Färe et al.(1994)的研究,投入导向的DEA-Malmquist生产力指数可表示为[4]：

其中,第一项表示规模效率变化,第二项表示纯技术效率变化,第三项表示技术变化,且第一项和第二项的乘积为技术效率变化。根据公式 (1),全要素生产率的变化 (即M0)就分解为规模效率变化、纯技术效率变化以及技术变化。规模效率大于1,意味着改变了要素投入,提高了规模效率;纯技术效率大于1,意味着管理改善使效率发生了改进;技术变化大于1,意味着技术在考察的年份实现了跨越,即实现了技术创新;M0大于1,意味着生产力有所改善。反之,上述指标值小于1,则表明相应的效率恶化。

(三)指标选取与数据来源

DEA模型测算的关键在于投入产出指标的选择。根据DEA指标选取的基本原则,结合中国酿酒业上市公司的投入产出特征以及数据的可获得性,本文选取三个基本的投入变量——主营业务成本、固定资产净额和在职员工人数,产出指标则选取主营业务收入和税前利润总额。其中,主营业务成本、固定资产净额、主营业务收入和税前利润总额等指标均已按国内生产总值指数进行不变价处理,从而有效地剔除了价格变化对酿酒业生产效率的影响。

按照中国证监会公布的行业分类标准,截止2009年7月,中国大陆共有29家在海内外上市的酿酒企业,其中包括中国大陆A股上市公司25家,香港H股以及新加坡上市公司4家。本文研究的样本期间为2004-2007年,剔除样本期间内ST公司以及2004年以后上市的公司,最终选取22家酿酒业上市公司。样本期间内所有数据均来自于22家酿酒业上市公司在2004-2007年期间公布的年报。

三、实证分析：效率评价与影响因素

(一)中国酿酒业上市公司基本效率评价

1.行业总体规模效率和技术效率分析

限于篇幅,本文仅将计算所得的中国主要酿酒业上市公司各年度平均生产效率的数据整理为表1。

表1 2004-2007年中国主要酿酒业上市公司平均生产效率

由表1可发现,中国酿酒业上市公司的综合技术效率偏低,但除了2007年出现较大幅度下降之外,综合技术效率总体上呈现上升的态势。酿酒企业的规模效率亦不高,这主要是因为中国酿酒企业数目众多,但多数企业规模较小且竞争力较弱。然而,规模效率呈现稳定增长的态势,这主要得益于近年来国内酿酒企业之间兼并重组进程的加快。相比之下,酿酒企业的纯技术效率在逐步下降,这意味着酿酒企业虽然通过扩大规模或兼并重组获取了一定的规模经济效益,但存在较为严重的资源浪费且管理水平在逐步下降。综上分析,规模效率不高且纯技术效率不断下降是酿酒企业综合技术效率偏低的主要原因,其中纯技术效率的大幅下降是2007年酿酒企业综合技术效率出现较大幅度下降的重要原因。由此可见,进一步促进酿酒企业扩大规模或兼并重组以获取规模经济效应,同时提高企业管理水平以促使企业资源的有效配置,是当前中国酿酒行业面临的两大主要任务。

2.不同类型酿酒业上市公司效率分析

黄酒、啤酒和葡萄酒为世界酿造酒的三大种类。鉴于白酒为中国特有的一种酿造酒,且白酒的酿造工艺直接源自黄酒,加之目前我国黄酒市场规模很小,故本文将黄酒和白酒归入一种类型。按照白酒 (含黄酒)、啤酒和葡萄酒将22家酿酒业上市公司归入三大类,其中白酒类上市公司13家,啤酒类上市公司7家,葡萄酒类上市公司2家。中国三大类型酿酒业上市公司2004-2007年期间各年平均生产效率的数据如表2所示。

表2 2004-2007年中国三大类型酿酒业上市公司平均生产效率

表2的结果显示,三大类型酿酒业上市公司的综合技术效率值均偏低。白酒类、啤酒类和葡萄酒类上市公司的纯技术效率依次升高,其中葡萄酒类上市公司的纯技术效率值高达0.955,这在一定程度上是因为国外很多知名葡萄酒企业纷纷抢滩中国市场,促使国内本土葡萄酒企业愈加重视引进国外先进生产技术和经营管理经验。与之相反,白酒类、啤酒类和葡萄酒类上市公司的规模效率则依次降低,其中葡萄酒类上市公司的规模效率低至0.344,这主要是因为葡萄酒酿造业是种植加工一体化产业,国外葡萄的种植和葡萄酒的生产加工是在一个庄园内完成的,而我国葡萄的种植和葡萄酒的加工则隶属于不同部门管理,这就导致葡萄酒的生产、加工与销售过程存在诸多脱节,进而必然限制葡萄酒生产规模的扩大,不利于企业进行规模化生产经营。综上分析,规模效率低是导致葡萄酒类上市公司综合技术效率低的主要原因,啤酒类上市公司效率低是规模效率低和纯技术效率低共同作用的结果,白酒类上市公司效率较低则主要是由纯技术效率低导致的。

(二)中国酿酒业上市公司动态效率评价

限于篇幅,本文仅将计算所得的中国酿酒业上市公司各年度平均Malmquist生产力指数及其分解项的数据整理为表3。由表3可发现,中国酿酒业上市公司的生产经营效率以年均8%的速度提高,这主要得益于样本期间内11.2%的显著技术进步。此外,各年度的Malmquist生产力指数均大于1,表明中国酿酒业上市公司的生产力总体上呈现改善的趋势,这主要得益于酿酒行业的整体技术进步,其中2006-2007年度的行业技术进步高达21.4%。分析可知,在规模效率略有提高的情况下,样本期间内酿酒企业的综合技术效率仍有所下降主要归因于纯技术效率的降低。这表明通过企业规模的扩大或行业内的兼并重组,酿酒企业的规模经济效益虽有所提高,但其经营管理水平却仍在下降。

表3 2004-2007年中国主要酿酒业上市公司Malmquist生产力指数及其分解项均值

(三)Tobit回归分析

为了进一步研究中国酿酒业上市公司生产效率的影响因素,本文以DEA一阶段模型得出的酿酒企业综合技术效率值作为因变量,以酿酒企业生产效率的各种影响因素作为自变量,构建了Tobit回归模型。

1.模型设定与数据说明

假设一：酿酒企业总资产周转率越高,则公司效率值越高。本文采用酿酒企业总资产周转率(ZCZZL)来衡量酿酒企业对企业资产的运用能力。

假设二：酿酒企业技术人员所占比例越高,则公司效率值越高。本文采用酿酒企业技术人员占全体员工的比例 (JSRYBL)来代表酿酒企业的技术创新能力。

假设三：酿酒企业人均资本越高,则公司效率值越高。本文采用酿酒企业的人均资本 (RJZB)来反映酿酒企业在要素组合方式上的差异。

假设四：酿酒企业的规模越大,则公司效率值越高。本文设置虚拟变量SCALE来表示酿酒企业的规模,以各年度酿酒企业的总资产平均值作为分界点,公司总资产小于该平均值的SCALE值取1,否则取0。

在上述假设的基础上,本文将酿酒企业生产效率的Tobit回归模型设定为：

其中,α0为截距项,α1、α2、α3、α4为各自变量的回归系数,i为公司数 (i=1,2, …,n;n=22),t代表时期 (t=1,2,3,4),ε为残差项。

2.计量实证结果分析

表4 中国主要酿酒业上市公司效率影响因素的 Tobit回归结果

本文采用Stata10.0软件对方程 (2)酿酒企业生产效率的Tobit模型进行回归,详细结果如表4所示。分析表4中的Tobit回归结果,我们可得出以下结论：

第一,企业总资产周转率与酿酒业上市公司效率值呈显著正相关。这表明酿酒企业总资产周转率高,该企业的产品适销对路、销售渠道完善且能充分利用现有资产使收益最大化,从而使得企业的生产经营效率较高。相反地,总资产周转率低的企业往往没有对产品进行准确的市场定位,而且对资产的利用效率也不高。

第二,企业技术人员占比与酿酒业上市公司效率值呈正相关。这表明酿酒企业技术人员占比越高,企业的研发能力越强,越能充分发挥自身的技术优势,从而使得酿酒企业的生产经营效率相对越高。近年来,国内诸多酿酒企业不同程度地进行了规模扩张或兼并重组,虽然在一定程度上提高了市场占有率,但却普遍存在人力资源空置、技术整合能力差等问题,这就相应地导致了企业生产效率较低。

第三,企业人均资本与酿酒业上市公司效率值呈正相关。这表明生产要素配置合理与否,将直接影响到酿酒业上市公司效率值的高低。研究显示,样本期间内始终位于效率前沿面的酿酒企业——泸州老窖和贵州茅台,其人均资本一直位于前列,而青岛啤酒、燕京啤酒等效率值偏低的酿酒企业,其人均资本的排名则较靠后。这在一定程度上是因为这些企业在规模快速扩张时,未能对生产要素进行及时合理的整合与配置。

第四,企业生产规模与酿酒业上市公司效率值呈不显著的正相关。这表明企业规模虽然对酿酒业上市公司的效率值有正向影响,但影响并不明显。因此,中国酿酒企业在发展过程中不应盲目地一味追求规模的扩张,而应更加注重企业技术水平和管理水平的提高。

四、研究结论与政策建议

本文运用DEA-Tobit两阶段模型对中国22家酿酒业上市公司在2004-2007年期间的生产效率及其影响因素进行了分析,并结合基于非参数DEA的Malmquist生产力指数,对样本期间内主要酿酒企业的效率变化进行了动态评价。研究结果显示,样本期间内中国酿酒业上市公司的综合技术效率平均值偏低,但除2007年出现较大幅度下降外,综合技术效率总体上呈现上升的态势;中国酿酒业上市公司的生产经营效率呈现较快的增长速度,这主要得益于样本期间内酿酒企业的显著技术进步;总资产周转率、技术人员占比和人均资本是影响酿酒企业生产效率的重要因素,而企业规模对酿酒企业生产效率的影响则相对较小。

基于以上研究结论,为进一步提高中国酿酒业的生产效率、保证其健康持续协调发展,并发挥其在政府扩大内需、建设和谐社会与社会主义新农村以及推动国民经济持续稳定发展中的重要作用,本文提出以下的政策建议：

1.进一步提高酿酒行业规模经济水平。鼓励酿酒企业通过参股、控股和收购等方式有效整合行业现有资源,合理扩大企业生产经营规模,提高酿酒产业集中度和规模经济水平,致力于规模化、集团化发展之路。

2.着力推动酿酒企业管理水平的提高。在不断通过内部扩张或外部重组以提高规模效率、获取规模经济的过程中,应该特别注重行业管理水平的提高,其中企业信息化建设是促进企业管理水平提高的重要途径。

3.重点提高酿酒行业的技术创新能力。要加大酿酒行业技术创新力度,提升企业自主创新能力,尤其对白酒企业和啤酒企业而言,要注重新技术、新方法和新设备的引进、消化、吸收甚至再创新能力,最终实现由产品研发设计向品牌创新和营销的转变。

[1]张彦,郑平.基于DEA模型的中国啤酒业上市公司绩效分析[J].山东财政学院学报,2006,(4)：55-58.

[2]张若钦.基于Malmquist指数的白酒类上市公司效率分析 [J].时代经贸,2008,6(8)：21-23.

[3]金志国.啤酒业上市公司绩效评价系统研究 [D].青岛大学博士学位论文,2007.

[4]Färe R.,S.Grosskopf and B.Lindgren.Productivity Changes in Swedish Pharmacies 1980-1989：a Non-parametric Malmquist Approach[J].Journal of Productivity Analysis,1994,Vol.3：85-101.

[5]Coelli T.D.S.,Prasada Rao and G.E.Battesel.An Introduction to Efficiency and Productivity Analysis[M].Boston：Kluwer Academic Publishers,1998.pp.45-48.