生产效率与转型升级——基于房地产业的分析

(上海理工大学管理学院 上海 200093)

房地产是我国的支柱产业，近十年来为我国经济发展做出了巨大的贡献。经过多年的发展，国内房企已经完成原始的资本积累，向着新的历史时期进发，旧的经营模式已经不适用于新的历史时期[1]。截至目前，全国多数房地产企业正在或已经开始谋求转型。各企业转型方向各有千秋，转型效果也不尽相同。因此，对房地产企业转型方向的分析至关重要。通过分析，我们可以发现房地产企业发展的盲目与不足，帮助企业制定更合理的发展战略，以有利于维持房地产市场长久稳定健康发展和房地产长效调控机制顺利运行，同时也为其他行业企业的转型提供思路。

本文第一部分为文献综述；第二部分为研究方法简介；第三、四部分为实证分析；最后一部分为结论与建议。

1 文献综述

对于行业或者企业转型的研究，目前学者们多采用DEA技术。DEA技术的应用分为微观应用与宏观应用，大都是基于DEA数据本身进行判断，或分析各项数据占比，或考虑数据变化趋势。

微观上，DEA-Malmquist指数法在各行业运用比较广泛。例如：在军工类，胡红安[2]通过对47家上市军工企业的分布区域进行分析，认为我国军工上市企业的技术效率和规模效率处于较高水平；在交通运输业，李守林等[3]通过DEA-Malmquist指数分析法发现2010—2016年我国交通运输行业平均全要素生产率整体呈下降趋势，其转型方向是更加充分地利用各项要素。

宏观上，董晓庆[4]对13年的数据进行了计算分析。根据所得的创新效率M值，其认为国企与民企的创新效率存在着显著的差别，相对来讲民营企业的创新效率更高。不仅是企业效率，政策效率也可以通过DEA来分析。如李健英等[5]对上市公司创新绩效进行DEA研究，从整体行业与个别企业两方面分析了目前我国创新存在的问题以及企业转型之路。

目前已有学者将聚类思想引入效率分析领域。黄贤凤等[6]运用DEA最优分割聚类思想分析中国制造业技术创新效率，得出的结论是我国制造业创新效率较低，提高制造业创新效率的关键在于提高规模效率。但是，目前尚无将复杂算法理论与DEA-Malmquist模型结合起来研究不同企业、不同行业乃至不同城市的行为特征的文献。在大数据时代，将机器学习理论引入数据分析领域，发现行为共性，从而对行为进行评价或对发展趋势做出判断有一定的必要性。

同时，通过文献梳理，笔者发现对近几年房地产企业转型效率进行研究的文献也甚少。原因可能有以下几点：首先，判断转型时间点有困难。2014年之前房地产业处于黄金时期，那时鲜有企业思考转型的问题[7]。其二，即使有的房地产企业正在或已经转型，但由于房地产企业普遍体量大，其转型所需时间相对较久，动作相对较慢，因此对短时间的阶段性行为难以做出准确的评价。其三，由于房地产业回款慢、经营周期长，因此难以通过几个月，甚至一两年的经营数据对房地产企业转型效果做出评价。

2 研究方法

2.1 DEA-Malmquist指数分析

Malmquist指数法最早由Caves(1982)提出。该方法是DEA数据包络图分析法的延伸，但最初该理论并不完善，无法用于实际测度。Fare等[8]基于DEA的方法对Malmquist指数进行了扩展，构造了从t期到t+1期的规模效率不变(CRS)的Malmquist生产率指数公式，如下式：

式中：Dt(xt,yt)、Dt(xt+1,yt+1)分别指以t期的技术为参考(即以t期的数据为参考集)时，t期和t+1期的决策单元的距离函数；Dt+1(xt+1,yt+1)、Dt+1(xt,yt)含义相似。根据Fare等在VRS的假设下，将Malmquist生产率指数分解为技术效率(Effch)和技术进步(Techch)两部分，其中技术效率又可进一步分解为纯技术效率(Pech)和规模效率(Sech),上式可以分解为：

Malmquist指数方法为分析决策单元(DMU)的全要素效率变化提供了便利的工具。根据该方法，不仅可以通过技术进步(Techch)指标衡量上市房地产企业近年来的技术变化情况，还可以将技术效率(Effch)进一步分解为纯技术效率(Pech)和规模效率(Sech)，并得出全要素生产率(Tfpch)，从而可以从更多的角度去考察房地产企业技术、效率等方面的变化。

2.2 聚类分析

为了挖掘房地产行业转型之路的共性，本文拟采用聚类分析法对财务指标与要素生产率进行归纳。目前常用的聚类算法有K-Means与DBSCAN算法。因为K-means方法中初始聚类中心的选择会对聚类的结果产生一定的影响，同时本研究并不能事先确定最终簇的个数，因此，用DBSCAN算法进行聚类分析是一个更好的选择。

DBSCAN(Density-based spatial clustering ofapplications with noise)是Martin Ester、Hans-PeterKriegel等人于1996年提出的基于密度空间数据的聚类方法。该算法将具有足够高密度的区域作为距离中心，并不断向外扩展该区域。算法的核心理论为：在一个聚类中，任何一个点都可被视为核心。同时该方法引入簇的定义，将一个类别划为一簇。簇是有足够高的密度的一个区域。该算法可在有噪声的空间数据库中发现任意形状的聚类簇。其突出优点在于在进行聚类运算之前不需要给出要划分的聚类个数。

其算法流程如下：

输入Data，一个包含n个对象的数据集

eps：半径参数

MinPts:邻域密度阈值

1)DBSCAN通过检查数据集中每点的Eps邻域来创建簇，如果点p的Eps邻域包含的点多于MinPts个，则创建一个以p为核心对象的簇；

2)DBSCAN聚集从这些核心对象直接密度可达的对象，遍历每一个点，这个过程可能涉及一些密度可达簇的合并；

3)当没有新的点添加到任何簇时，将所有的点分为核心点、边界点和噪点，算法结束。

通过DBSCAN算法，可以发现空间中点的聚集性。本文将决策单元视为空间中的点，从一个新的视角分析不同决策单元的行为特性、归纳决策单元的行为共性。

2.3 数据来源及处理

对于房地产这类高资金杠杆、高资金风险的行业来说，资金的周转至关重要。对于所有企业来说，无论转型方向如何，其首要目标在于获得尽可能多的利润，以便在竞争激烈的市场中占有一席之地，房地产行业尤甚。无论是前期开发土地项目还是中后期运营，抑或是转型扩张，房地产企业都需要大量的资金进行周转。因此，本文选取房地产企业财务指标中的流动比率、速动比率、总资金周转率、存货周转率、应收账款周转率以及资产负债率作为投入指标，将每股收益、净资产收益率、总资产报酬率以及销售净利率作为产出指标，将每一个房地产企业视为一个决策单元(DMU)。收集数据后对所有数据进行无量纲化处理，以便于计算。

本文选取在上市公司名录下申万一级行业房地产类的所有企业。剔除ST及数据严重缺失的企业，将92家上市房地产企业作为样本。所有财务数据均来源于Wind数据库。

考虑到房地产企业转型速度慢，具有投入产出的时滞效应，因此设定滞后期为一年，即取2013年的投入指标对应2014年的产出指标，2016年的投入指标对应2017年的产出指标，其余同理。

3 DEA-Malmquist指数分析

利用 DEAP2.1软件对92家房地产开发企业2014—2017年的数据进行分年度的 Malmquist指数分析，结果见表1。

表1 分年全部样本企业DEA-Malmquist 值及分项变化表

注：表格中的数据为 DEAP2.1软件的输出结果。表中数据为相应变量的变动率，如 2014—2015 年的全要素生产率一栏为“1.004”，是指 2014—2015年全要素生产率增长0.4%。均值为历年几何平均值。

表1表示各年全部样本企业TFP平均值及其分解值变动率。从中可以发现以下几点：1)从时间序列上分析，2014—2017年我国房地产开发企业的平均TFP下降了0.7%，其中技术效率平均增长率为-0.1%，技术进步平均增长率为-0.6%。通过分析可知，技术效率与技术进步都导致我国房地产开发企业的TFP负增长，而技术进步是导致我国房地产开发企业TFP下降的主要原因。结合房地产行业的实际可以知道，房地产行业技术值低的原因主要有以下几方面：从建工方面看，装配式住宅等绿色建筑技术刚刚兴起，BIM技术尚未得到广泛应用；从管理方面分析，我国地产行业还处于粗放式发展阶段，尚未进行大规模的行业整合，不少房地产企业的管理模式较落后，甚至有的企业只考虑扩张而不重视内部管理技术。2)从各年截面时间数据来分析，2014年上市房地产企业各项指标均表现较好，而2017年退步明显，房地产企业的TFP负增长趋势逐渐加大，除技术进步项外的其他三项与上一年表现相近。2014年房地产调控措施趋紧，房地产行业高速扩张的黄金时期结束，因此企业需要充分利用已有资源，调整战略，主动寻求转型，行为上趋于稳定发展，以求渡过难关，因而行业总体TFP相对较好。2017年TFP同比下降2.5%，主要原因在于技术进步趋缓。在2016—2017年，房价快速增长，由于市场的火爆，房地产企业为了迎合市场，对产品更多的是追求量而不是质，企业无暇顾及技术创新升级以及外部知识的吸收消化，因而导致行业全要素生产率下降。3)从具体指标看，三年来，房地产企业技术进步项得分逐年降低。这表明两点：第一，在行业低迷时大部分房地产企业的选择是节省开支以及从企业内部挖潜，以提高要素利用率。此时企业有寻求技术突破，进行集团性转型升级，使企业规模保持稳定或稳步增长的需求，全行业的各项要素能够被充分利用。第二，当行业进入跨越式发展阶段，企业追求高速发展，无暇顾及技术进步，导致整体生产率下降。两相比较，我们可以发现，技术进步在房地产行业起到重要的作用，而行业的趋势决定了技术进步的程度。另外，我们还可以发现，规模效率这一项三年来始终大于1，这也证实了房地产行业各企业都在努力扩大规模，以便在增长空间愈发有限的市场中扩大影响力。

表2 92家房地产上市公司2014—2017年间平均全要素生产率及其分解值

续表2

注:表中数据为各公司2014—2017年各项指标平均值，均为DEAP2.1软件的输出结果。

表2是92家上市房地产企业各自的平均全要素生产率及其分项指标的历年均值。我们可以看到，共有25家企业TFP大于1，占比为27.7%，这说明房地产行业的要素利用率处于显著较低水平，有待进一步提高。

从分项指标看，三年来没有技术进步的企业高达70家，占比为76.09%。相应的，在规模效率指标中，三年来均值大于1的企业多达68家，占比73.91%。数据验证了前文所述，即无论是行业快速发展时还是相对低迷时，相当多的房地产企业都在力求扩大规模。在高速扩张的过程中，仅有少数企业兼顾到技术的发展与进步。当所有企业技术效率相同、规模都在扩张时，技术进步这一项的差距就会造成企业之间TFP的巨大差别。

从表2中可以发现，在易居研究院《2017房地产行业500强》排行榜上处于前50且在内地上市的企业在本表中的排名却并不名列前茅，这也从侧面验证了大型企业在转型时普遍存在转型方向较难把握、转型速度较慢等困难。而小型企业相较于大型企业而言，公司组织层级以及业务量少，上下级之间沟通速度快，因此可以在短时间内做出决策，迅速改变主营业务方向，实现转型升级。

4 DBCSAN聚类分析

为了更直观地分析房地产企业的转型效果，将前文所述的投入指标与通过DEAP2.1软件计算所得的全要素生产率值进行归一化处理后导入数据库，通过MATLAB 2017a编程后进行DBCSAN聚类分析。

首先，将通过归一化处理的各项DEA投入指标的几何均值与当年TFP值同时导入数据库进行聚类分析，得到一个92×7矩阵，经过DBCSAN算法聚类分析，输出结果为：

>> main

class contains:

there are 1 classes totally.

best MinPts is 88.000000.

best eps is 0.794751.

即所有房地产企业可分为一个簇。这说明在将房地产企业的财务指标、TFP看作七维空间时，空间中点的欧拉距离相差无几，即各企业经营方式之间区别不大。也就是说，在现在的时点，房地产业仍未产生一个领导行业进步的企业集团。

在具体指标的分析方面，经过对算法和投入数据的不断试验与改进，最终选取TFP与资产负债率(DAR)作为二维坐标系的横纵坐标，当MinPts=5时，得出图1所示的较优结果。

图1 聚类分析结果图注：图中斜线为方便读者阅读所画，原图中并没有此斜线。

如图1所示，总体来看，在房地产行业中，大部分企业对TFP和DAR的选择集中于0.975

图2a 聚类分析演变过程系列图(2014年)

图2b 聚类分析演变过程系列图(2015年)

图2c 聚类分析演变过程系列图(2016年)

我们可以将房地产企业按转型方向大致分为两个集团，图1斜线左上方的十字箭头构成簇A，图1斜线右下方十字箭头构成簇B。簇A中企业TFP基本都小于1，同时资产负债率较高；而簇B中企业资产负债率较低的同时，TFP值约为1或大于1。这说明虽然整体并无太大差别，然而通过细分，我们可以看出房地产企业还是采取了两种转型方式：一种是以高杠杆、低要素利用率为特点的簇A；一种以低杠杆、高要素利用率为特点的簇B。

我们可以通过分析企业的微观行为来观察行业的转型方向。簇A中的代表性企业有泰禾集团、招商蛇口、世茂地产和保利地产，这类企业通过高杠杆、快速融资实现企业体量的快速扩张；而簇B的代表性企业为万科以及一些深耕所在区域的中小型房企，由于企业的文化、企业组织架构的差别，这类企业相对于前述企业有着高要素利用率的优势。

结合前文强调的技术进步率，我们可以发现：在簇A中的企业技术进步率普遍较低，例如代表性企业泰禾集团为0.989，招商蛇口为0.989，世茂地产为0.993，保利地产为0.993；而在簇B中，大多数企业的技术进步率在0.995以上。企业对资产负债率的认识影响了企业的行为，导致企业资产负债率的不同，进而使企业存货的安全边际也发生变化。一些企业认为重视技术，拥有足够强的技术壁垒的保护，企业就有足够的能力在激烈的市场竞争中存活；而另一些企业认为可以先通过跨越式发展增加企业的体量，当企业的体量足够大时，再重视技术，这也不失为一种生存之道。

5 结论与建议

在综合前述文献的基础上，本文根据DEA-Malmquist值与DBSCAN聚类算法，基于92家房地产企业的财务指标，对房地产行业企业转型效率、行为进行分析，并且对DEA数据进行了深入挖掘，得到以下结论：

第一，房地产行业总体TFP在2014—2017年呈现逐年下降的趋势，这意味着房地产行业要素利用不完全。近三年，国家出台了一系列经济政策，而房地产行业大部分房企没有能够很好地适应新经济环境，造成行业各项要素总体利用率较低。

第二，房地产行业企业同其他行业一样，在盲目扩张时忽略了技术进步的重要性。而当蓝海转变为红海时，企业前期的技术积累才能体现出作用。全要素生产率的改变只是表面现象，更深层次是企业对于技术进步的态度。

第三，通过聚类分析，本文认为房地产行业企业转型主要存在两种路径，目前无法判断这两种转型方向的优劣，也无法评价哪种方向更适合哪一类企业。企业需要结合自身经营状况与外部环境进行考量，然后选取一个适合自身条件的方向确定发展战略。

综合上述分析，本文对房地产行业企业给出以下建议：

首先，转型方向涉及多方面的因素，如行业特点、外部环境、政策影响、企业文化等等，但是，当企业明确了转型的方向与目的时，就要坚持下去，切不可轻易地半途而废。

其次，无论转型方向如何，技术进步都是决定企业要素生产率乃至发展前景的决定性因素。房地产企业首先应加快适应新经济环境与市场特征，提高自身适配性，努力增强自身适应能力。无论市场环境如何，应该始终坚持以技术提升为要点，在此基础上，追求规模效率与技术利用率的稳步增长，以提高全要素利用率。对于高杠杆的激进型与低杠杆的稳定型转型模式，企业在进行选择时需要结合外部环境与内部机制仔细斟酌。