中国区域零售业的驱动要素研究——基于空间计量模型的分析

陈书兴



中国区域零售业的驱动要素研究——基于空间计量模型的分析

陈书兴

摘要：借助空间计量模型，对我国30个省市零售业的驱动要素进行分析。研究结果表明：我国零售业发展水平由东南向西北递减，且与人口分界线“黑河-腾冲”线存在一定的重合；城镇化率和经济增长是驱动我国零售业发展的两大动力，城镇化率和经济增长每上升1个单位将会分别带动零售业增长0.997 1和0.954 1个单位。值得注意的是，我国现阶段居民消费水平以及物流发展水平对零售业的发展，均产生一定程度的负面影响。

关键词：零售业；驱动要素；空间计量

自1949年建国以来，我国零售业在发展速度和总量规模上均取得了前所未有的成就。然而，以往的经济增长模式主要靠投资和外资拉动，忽略了内需对经济增长的刺激作用。因此，随着我国经济转型，经济增长动力将逐步由外部拉动转为内需拉动。零售业与国民日常生活联系紧密，是扩大内需的重要途径和有效手段之一。同时，由于我国幅员辽阔，受经济水平、居民收入、交通便利程度以及社会消费习惯的影响，我国零售业在区域间的发展表现出较明显的非均衡性。以2013年为例，北京、江苏和广东地区的社会消费品零售总额分别是青海的15.4、38.2 和46.8倍。尽管我国零售业发展存在鲜明的非均衡性，但此非均衡性并非表明我国零售业可在区域发展中建立“独立王国”。随着我国西部大开发战略和“一带一路”战略的实施和推进，区域间的联系与互动将变得更为紧密，区域一体化的进程将日益加快。在这种战略环境下，我国零售业发展的空间依赖性亦将逐步增强。如何正确地评估我国零售业发展的驱动要素，将有助于促进我国零售业的健康发展。

目前，已有学者识别和分析了影响零售业发展的因素。徐健等采用Tobit模型，重点分析了我国零售业运营效率的影响因素，发现零售业效率与GDP水平、人口数量和人均可支配收入呈现负相关关系，与入境旅游人口数量并没有统计意义上的数量关系［1］。何永达等将零售业网点密度作为被解释变量，将人口密度、人均GDP、人均商品销售额和城市化率作为解释变量，并采用OLS回归模型计算了我国零售业网点密度与解释变量之间的关系［2］，发现人口密度、人均商品销售额、城市化率、人均GDP的二次项和零售业网点密度之间存在明显的正相关关系。刘培标的研究表明，物流成本的降低、居民可支配收入的提高和人力资本水平的上升均有助于提高我国零售业的技术效率［3］。赵燕等运用向量自回归模型，分析了传统零售业和网购的关系，指出人均可支配收入和网购成交额对传统零售业构成单向的Granger因果关系，并进一步指出人均可支配收入对零售业的影响显著［4］。杨宜苗应用回归分析法对影响我国零售业竞争力的要素进行了分析，认为居民消费水平、城市化率、支出水平、地区生产总值和商品零售价格能够对我国零售业的竞争力产生显著的正向影响，然而居民消费价格指数、交通运输条件和工资水平却对我国零售业的竞争力产生负面影响［5］。雷蕾在超越对数生产函数的框架下，采用极大似然估计方法估计了前沿生产函数，并指出资本投入是推动我国零售业发展的主要原因［6］。

上述研究对识别零售业发展的关键要素提供了良好的借鉴，也为笔者的研究奠定了良好的基础。但是，现有的研究仍存在以下两个方面的问题。首先，在方法上采用传统的回归模型，忽略了零售业的空间相关性，容易导致估计结果产生偏差，进而影响估计结果的可靠性；其次，现有研究的视角和侧重点较为分散，尚未形成体系，且从区域层面考察我国零售业驱动要素的研究成果相对较少，仍需进一步完善。鉴于此，笔者主要从以下两个方面开展研究：一是，在研究方法上选用空间计量模型，将零售业发展的空间相关性纳入考虑的范畴，降低传统回归将空间个体视为独立个体所产生的回归偏误；二是，从区域层面考查我国零售业发展的影响因素，并在借鉴现有研究的基础上采用逐步回归法剔除不显著指标，保留显著性指标，使回归结果更具可解释性。

一、模型构建

（一）变量选择

笔者所涉及的变量包括零售业发展水平（LSY）、经济增长（GDP）、人口数量（POP）、消费水平（Consume）、收入水平（Income）、城镇化率（Urban）、物流发展水平（Logistics）和对外开放水平（Open）8个变量。其中，零售业发展水平用各地区的社会消费品零售总额（亿元）进行衡量；经济增长用各地区的国内生产总值（亿元）进行衡量；人口数量用各地区的年末常住人口数（万人）进行衡量；消费水平按常住人口平均计算的居民消费支出（元）进行衡量；收入水平用城乡居民人民币储蓄存款年底余额（亿元）进行衡量；城镇化率用各地区的城镇人口数（万人）与年末常住人口数（万人）的比值进行测量；物流发展水平用货运量（亿吨）进行测量；各地区的对外开放度用外资投资额进行测量（百万美元）。上述变量所涉及的数据主要来源于《中国统计年鉴2014》。同时，需要说明的是，在计算过程中，上述数据均进行了对数化处理，空间权重的形式主要采用Queen准则进行设定，且模型参数的计算主要采用Geoda软件实现。

（二）模型设定

在上述变量设定的基础上，构建基于OLS的回归模型和基于空间计量理论的回归模型：

1.OLS回归

2.空间滞后

3.空间误差

上式中，e=λWe+μ

二、实证分析

（一）空间统计分析

1.空间分布情况

我国零售业大致可以划分为零售业发达地区、零售业次发达地区、零售业欠发达地区和零售业落后地区四大梯队。零售业较为发达的地区主要分布在东部沿海地区和中部局部地区，如辽宁、山东、江苏、浙江、广东、河南和湖北地区。这些地方是我国人口稠密、交通便利、经济发展较快的地区。零售业次发达的地区主要包括黑龙江、河北、北京、安徽、湖南、福建和四川地区。零售业欠发达的地区主要位于中部地区，如吉林、陕西、山西、内蒙古、重庆、江西和广西地区。零售业落后的地区主要分布在西部地区，主要包括新疆、青海、甘肃、宁夏、贵州和云南等地。综上分析，我国现代零售业的发展水平总体上表现出由东南往西北方向递减，并且零售业的分界线与人口分界线“黑河-腾冲”线较为一致。

2.空间自相关性分析

在空间回归分析前，还需要对零售业的空间自相关性进行检验。一般情况下，零售业的空间自相关性可以采用Moran指数进行测算，并绘制出Moran散点图（见图1）。通常情况下，Moran散点图按照其性质可以分为“高-高”（第1象限）、“低-高”（第2象限）、“低-低”（第3象限）和“低-高”（第4象限）4大象限。在一阶Queen条件下，零售业Moran散点图中的点主要散落在第1象限和第3象限，且Moran值为0.293 008。这表明，我国零售业在空间层面上表现出较为明显的空间自相关性。同时，在二阶Queen条件下，零售业Moran散点图中落在第1和第3象限的点有所减少，且Moran值也降低至0.102 086。这表明，我国零售业的空间自相关性受距离的影响明显，即零售业的空间自相关性随着空间距离的增加而表现出较为明显的递减规律。

Moran值的空间自相关性的显著性检验可以采用门特卡罗模拟实现。在门特卡罗模拟999次的情况下，一阶Queen条件下Z检验零售业Moran统计量数值为2.683，对应的P值为0.006；二阶Queen条件下零售业Moran值的Z检验统计量的数值为1.692 2，所对应的P值为0.046 0。由此可见，零售业至少在5%的显著性水平下拒绝了“存在空间自相关性”的零假设，即零售业的空间自相关性是显著的。

3.局部的空间自相关性分析

由于全局的Moran值只能用于从总体上进行判断个体属性在空间层面的相关情况，而无法判断局部区域的空间相关特征。笔者用LISA图反映个体属性具体的空间分布情况（见图2）。在图2中，a地区表示零售业高值地区被周边高值地区包围，b地区表示低值地区被周边低值地区包围，c地区则表示高值地区被周边低值地区包围，而d地区则表示低值地区被周边高值地区包围。由此可见，山东、江苏、上海和安徽是我国零售业的高值集聚区。这些地区的经济发展水平较高、交通网络发达以及人口分布密集。甘肃省的零售业与周边地区表现出低值集聚的现象。这些地区的人口相对较为稀少、经济发展水平相对较低、交通运输网络较为稀疏。四川省和江西省分别表现出零售业高值地区被低值地区所包围和零售业低值地区被高值地区所包围的空间分布特征。此种特征表明，两地的零售业发展表现出一定的异常情况。

图1　基于一阶Queen和二阶Queen空间权重零售业Morans空间散间图

图2　零售业的LISA集聚图

（二）回归结果分析

根据逐步回归法，在选择最终变量前先将7个自变量逐个代入回归模型，并根据回归结果的显著性，由高至低逐步剔除回归结果不显著的变量，由此确定最优的回归方程。通过逐步回归，先后逐个剔除了回归结果不显著的自变量Open和Income，估计了最终剩余变量。在OLS模型和SLM模型中，截距项和被解释变量的空间滞后项的估计结果并不显著，而在SEM模型中的估计结果均为显著。进一步从AIC和SC的计算结果可以看出，SEM模型的AIC值和SC值均小于SLM和OLS模型。同时，考虑到SEM的对数似然值均大于OLS和SLM模型。综上分析，此处选择SEM模型作为最优估计模型。

在SEM模型中，经济增长、人口数量、城镇化率、物流发展水平和消费水平均在1%的置信水平下显著。由SEM模型中的估计结果可得以下结论。第一，城镇化率对我国零售业发展的贡献最大，即城镇化率每增加1个单位将带动社会消费品零售总额增长0.997 1个单位。这主要是由于推进城镇化不仅可以带动交通运输等基础设施的建设，还可以促进人口向城市聚集，为零售业的发展提供良好的市场调节。此外，城镇化过程将对人们的生活方式和消费习惯产生深远影响，迫使大批人口融入市场经济的发展浪潮中，为中国零售业的发展提供新的增长动力。第二，经济增长对我国零售业发展的作用弹性为0.954 1，即经济增长每上升1个单位将带动零售业增长0.945 1个单位，其作用仅次于城镇化。这主要是由于经济增长必然扩大国民财富的积累，为零售业的发展提供更多的机遇，创造零售业新的业态。随着我国经济增长的动力由外向型驱动向内向型驱动转变，经济规模进一步扩大，国民收入将进一步提高，零售业的发展必将获得更大的成长空间。第三，人口要素同样能够带动零售业的发展。但是，较前两个因素，人口数量对我国零售业发展的刺激作用相对较弱，作用弹性为0.345 5，即人口数量每上升1个单位，零售业将获得0.345 5个单位的增长。虽然我国人口数量庞大，已达到13.61亿的人口数量水平，但是从人口分布结构上看，我国仍旧有46.27%的人口分布在农村，农村地区的经济活力尚未得到释放。同时，农村地区的零售业很难像城镇地区的零售业产生明显的集聚效应，带动零售业业态的相互融合，并由此产生零售业经营效益的溢出。可以预见，未来随着城镇水平的提高，人口将进一步向城镇集中，届时人口的分布结构将获得根本性扭转。人口分布结构的转变，对零售业发展的贡献将进一步提高。第四，消费水平对零售业的发展起到了抑制作用，其作用弹性为-0.389 8。该结果表示，我国现阶段的消费水平与零售业的发展规模和速度并不匹配。以往的研究表明，居民消费率过低将对国民经济产生不良影响［7-8］，而根据《中国统计年鉴》发布的数据，我国消费率始终呈现出下降的趋势，且近几年的下降趋势较为明显。零售业是一个对消费依赖很强的行业，当前消费水平的不足已经对行业的发展产生了不利影响。第五，现阶段的物流业发展水平同样对零售业的发展产生了负面的影响，且其作用弹性为-0.130 7。这与我国当前的物流成本存在较为紧密的关系。有学者指出，降低流通领域成本的关键在于降低物流成本［9］。目前，我国的物流成本大致占GDP的18%，而西方发达国家仅为8%~10%。过高的物流成本极易侵蚀零售业的经营效率和盈利能力，反而在一定程度上对零售业的发展产生负面影响。第六，残差项空间滞后的回归结果为-0.774 9，显示本地区零售业的发展还会受到周边地区零售业的竞争冲击。

三、结论

零售业的健康发展与国民生活质量的改善和提高息息相关。笔者采用空间统计方法分析了我国30个省市零售业的空间分布情况，同时应用空间计量模型对影响零售业发展的驱动要素进行了分析。由此，笔者得出以下几个方面的结论。

第一，在空间布局上，我国零售业的发展水平总体上表现出由东南往北逐层递减的现象，且与人口分界线“黑河-腾冲”线存在一定的一致性。其次，在空间维度上，我国零售业的发展既表现出全局的空间相关性，也表现出局部区域的空间相关性。其中，全局的空间相关性又表现出随空间距离的增大而出现衰减的现象。局部空间相关性的计算结果表明，我国零售业高值集聚区主要分布在山东、浙江、上海、安徽及周边地区，低值集聚区则主要分布在甘肃及其周边地区。

第二，从空间误差模型的回归结果亦可看出，现阶段城镇化率对我国零售业发展的贡献最大。城镇化率每提高1个单位，将会对零售业的增长产生0.997 1个单位的贡献。经济增长GDP对零售业的贡献位列第2，经济规模每扩大1个单位，将能够带动零售业0.945 1个单位的增长。人口规模对零售业带动的作用相对较弱，人口规模每增长1个单位，只能带动零售业0.345 5个单位的增长。

第三，值得注意的是，我国现阶段的消费水平和物流发展水平均对零售业的发展产生了负面影响。我国内部消费动力不足，居民消费率持续下降，对零售业的发展产生了一定的抑制作用。物流成本控制是整个流通行业成本控制的关键。然而，我国物流业的总体成本相对较高。因此，寻求有效降低物流成本和提高居民消费率的途径和手段，能够对我国零售业的健康发展产生积极影响。

参考文献：

[1]徐健，汪旭晖.中国区域零售业效率评价及其影响因素：基于DEA-Tobit两步法的分析[J].社会科学辑刊，2009（5）.

[2]何永达，赵志田.我国零售业空间分布特征及动力机制的实证分析[J].经济地理，2012（10）.

[3]刘培标.零售业全要素生产率增长、纯技术效率及其影响因素[J].商业时代，2013（35）.

[4]赵燕，孙红兵.我国传统零售业与网购关系的实证研究：基于VAR方法[J].燕山大学学报（哲学社会科学版），2014（1）.

[5]杨宜苗.零售企业竞争力的地域差异及宏观影响因素：以31个省（市）限额以上零售企业为样本[J].商业经济与管理，2008（12）.

[6]雷蕾.我国零售业技术效率及影响因素的实证研究：基于2001—2012年30个省份限额以上零售业的数据[J].北京工商大学学报（社会科学版），2014（6）.

[7]赵坚毅，徐丽艳，戴李元.中国的消费率持续下降的原因与影响分析[J].经济学家，2011（9）.

[8]王宋涛.中国居民消费率缘何下降：基于宏观消费函数的多因素分解[J].财经研究，2014（6）.

[9]蔡进.降低物流成本是降低流通成本的核心[J].中国流通经济，2012（12）.

（编辑：唐龙）

收稿日期：2015-11-20

作者简介：陈书兴（1973-），男，硕士，福建信息职业技术学院（福建福州50108）副教授，主要研究方向为市场营销和企业管理。

中图分类号：F724.2

文献标识码：A

文章编号：1673-1999（2016）01-0070-04