新零售上市企业经营效率的DEA研究

余昕杰，魏修建，薛伟宏

（西安交通大学 经济与金融学院，陕西 西安 710061）

一、引言

随着国家扩大内需政策的实施，扩大内需已经成为促使我国经济和社会稳定发展的主要方式。我国的零售行业消费体量巨大、发展潜力巨大，社会消费品零售总额持续增长，从2014 年27万亿元持续增长到2018 年的38 万亿元，以双十一当天的电商零售额来看也在不断创出新高。这个过程中，零售行业的商业模式也在快速发展，不断创新。其中，“新零售”迅速发展、脱颖而出，成为社会热点。

“新零售”作为一种新的业态模式出现，在发展中并没未固化而是在不断尝试，它一方面顺应国内消费结构升级的趋势，同时也得到政府的关注和重视，中央及地方政府出台相关政策对零售业进行大力扶持，由国务院颁发的《国务院办公厅关于推进线上线下互动加快商贸流通创新发展转型升级的意见》中指出，支持零售业经营模式创新，鼓励零售企业转变经营模式，在技术应用与产品服务方面加快创新的政策意见，为中国零售业的发展提供了良好的政策法规环境。通过对众多进入“新零售”领域企业的观察研究发现，在其经营方式和经营绩效方面存在显著差异。对此，国内外学者也进行了相关的研究和探讨，笔者认为，评价和衡量新零售企业的绩效，关键在于其经营效率。

近年来，对“新零售”方面的研究较有代表性的文献及其主要观点如下：

王正沛和李国鑫（2019）[1]对中国正在进行的“新零售”做了定义，认为新零售是以消费体验为中心，线上零售和线下零售边界融合，新型技术广泛应用，以传统零售的消费体验痛点和发展瓶颈为突破口，以服务质量和市场利益为内生驱动力的一种新模式。那么应怎样融合，是目前零售业发展面临的重大问题。在美国，Seong 等（2009）[2]选取了某一知名咖啡公司的8 家零售门店2008、2009 连续两年的内部财务数据，运用DEA 方法，对各门店的相对经营效率进行了测度与评价；在欧洲，Perrigot 和Barros（2008）[3]对11 家法国综合零售商的技术效率进行评估，并得出了影响效率结果的原因主要是上市、兼并、成立企业集团以及国际化经营；Wen-Min Lua 和Shiu-Wan Hung（2011）[4]应用DEA 方法分析了全球30 家电子零售公司的效率和有效性，发现全球整体的电子零售公司仍有很大的空间来提高其管理实践；同时，中国学者也用DEA 方法对零售企业效率进行了定量分析，雷兵和赵梦佳（2015）[5]对比研究了线上与线下零售企业的经营效率，发现中国网络零售企业的综合效率高于实体零售企业，源于其规模效率处于较高水平，因为技术的进步使得网络零售企业的全要素生产率的增长速度高于实体零售企业，由此可见，“新零售”的发展依赖技术的进步。

多重销售模式的发现从对购买者在线上线下融合模式下的行为、偏好等作出调查开始（Maximilian Teltzrow，2008）[6]。近年来，中国学术界对于新零售更多的是从概念、模式、技术支持、未来发展方向等方面开展了研究。

国外领先零售企业商业模式创新被认为对中国零售企业有借鉴价值，其呈现出渠道全面化、无边界化、零售体验化、服务增值化、个性化、定制化、透明化、社会化以及管理效率更高、成本更低的主流趋势（齐严，2017）[7]，从模式上为我国零售的发展指明方向。

在技术方面，为更好地引导“新零售”发展，韩彩珍和王宝义（2018）[8]结合理论与实践进一步深入研究，重点拓展线上线下深度融合、“新零售”下的新物流、“新零售”驱动供应链变革与重构等研究方向。

在数字化快速发展的现在，“新零售”带给用户的将是更加完美而丰富的数字化新体验。高焰辉（2018）[9]通过对腾讯和阿里的分析，认为零售行业集中度势必随新零售之争加速提升。

国内外有很多学者对企业绩效进行了研究，但根据笔者对已有文献的查阅，主要还是以传统的零售企业和传统的电商零售企业为样本，关于新零售模式创新的学术研究多体现在商业模式等理论层面，对于新零售企业如何发展以及提升效率进行研究，研究新零售业经营模式创新发展具体的经营情况的文献比较少。本文针对以上不足，结合零售业多投入、多产出的特点，拟采用财务指标和非财务指标，以2016 年、2017 年我国新零售业百强中已上市公司为样本，运用DEA 模型系统地分析我国零售企业在进行新零售模式创新前后，其经营效率的变化。本文通过经营效益评价可以有效分析现有新零售企业发展状况，为我国想要进行新零售转型的企业管理者的长期经营决策提供帮助。

二、研究设计——DEA 方法概述

DEA（数据包络分析）方法是一个以相对效率概念为基础的线形规划模型，是具有多个输入（输入越小越好）和多个输出（输出越大越好）的多目标决策问题的方法。DEA 以某一生产系统中的实际决策单元为基础，建立在决策单元的“Pareto最优”概念之上，通过利用线性规划技术确定生产系统的效率前沿面（或称为前沿生产函数），进而得到各决策单元的相对效率以及规模效益等方面的信息，用于评价部门间的相对有效性。此方法不需要提前确定权重，便可以直接求得最优权重，更不需要预先估计参数，避免了主观因素，具有很强的可操作性，不仅可以评价决策单元的有效性，也可以指出调整的方向和最优目标值，一直以来DEA 模型凭借上述优势几十年来在国内外的管理科学、运筹学领域的应用研究中得到了广泛的应用。

（一）CCR 模型

CCR 模型计算决策单元综合技术效率值（Technical Efficiency，简称TE）。在CCR 模型中，假定规模报酬不变，而现实中规模报酬往往又是变化的，所以由CCR 模型计算出来的技术效率是包含规模收益的成分的。当TE=1，则此决策单元（DMU）综合技术效率有效。

如果第j 个DMU 的效率指数为目标，以所有决策单元的效率指数为约束，就构造了如下的CCR 模型。

上述规划模型是一个分式规划，使用Charnes-Cooper 变化，可变成如下的线性规划模型P：

取规划P 的对偶规划D：

D 中，θ 是前沿面与决策单元的相对距离：

θ=1，松弛变量为零时觉得单元有效；

θ=1，松弛变量不全为零时决策单元弱有效；

θ≠1，决策单元非有效

（二）BCC 模型

BCC 模型是计算纯技术效率值（Pure Technical Efficiency）。在BCC 模型中，假定规模收益可变，那么其计算出来的效率不包含规模成分，所以可以通过技术效率和纯技术效率剥离出来规模效率的部分。其中，综合效率=纯技术效率* 规模效率。

三、实证分析

（一）构建DEA 评价指标体系

1.决策单元（DMU）的确定。DMU 是效率评价的对象，可以理解为一个将“投入”转化为“产出”的实体，且应具有同质性。本文从深沪股市的新零售概念股中的46 个上市企业中，剔除非百货零售的企业，最终确定了10 家基于互联网的百货新零售企业如永辉，苏宁等，以及两个分别在美国和香港上市的零售企业京东和国美作为最终的研究对象。

2.指标体系的选取与数据来源。运用DMU 模型计算，重点在于选取合适的投入产出。对于现在要往新零售发展的电商企业来说，将投入大量资金在线下店铺的建造上，因此输入指标从总资产、门店总数、员工总数3 个维度选取。其中总资产能够反映资本要素的投入，门店总数反应固定资产的投入，员工总数反应劳动力要素的投入。选取营业收入、净利润作为输出指标。指标体系所选取的数据涉及了三大会计报表。

由于本篇文章主要研究“新零售”对于企业的经营效益带来的影响，因此选取了2016 年（新零售提出之前企业的经营状况）和2017 年（进行新零售转型之后的状况）的各项数据分别做DEA 分析。在每一个截面数据出来的结果中，可以分析每家企业的商业模式的经营效益以及可取性；对比两次的结果，能够得出进行新零售模式创新之后对于每一家公司经营效率的影响。

表1 选取的12 家新零售企业2017 年的输入输出指标数据

表2 选取的12 家新零售企业2016 年的输入输出指标数据

由于DEAP 2.1 软件分析的数据不能为负，需要对上述数据进行进一步处理。利用《关于DEA有效性在数据变换下的不变性》中的推论，DEA的有效性与输出输入数据的量纲无关，因此，对于各决策元的同一指标数据同时加上相同的正数，其DEA 有效性不变。所以最终数据如表3、表4 所示。

表3 选取的12 家新零售企业2017 年的输入输出指标数据

表4 选取的12 家新零售企业2016 年的输入输出指标数据

（二）结果评价分析

由于选取的DMU 的指标体系都是多输入和多输出指标，所以在处理数据时使用DEAP2.1 软件对指标进行CCR 和BCC 两种模型的运算和分析。结果如表5 所示。

表5 2017 年新零售企业的效率DEA 评价结果

1.综合技术分析。综合技术效率（crste）是DMU在一定（最优规模时）投入要素的生产效率。综合技术效率=纯技术效率* 规模效率。综合技术效率是对决策单元的资源配置能力、资源使用效率等多方面的综合衡量与评价。从上面展示的结果来看，DMU1-5、11、12 综合效率是1，说明这7 家公司是DEA 有效的，同时达到了纯技术有效和规模有效。这些企业也就是说相对其他样本企业而言，投入获得了最优产出，企业投入与产出达到最佳状态，投入产出比例较为合理，没有出现产出不足或者冗余，如果扩大投入则可以较好地发挥经营优势。而剩下5 家企业综合技术效率均小于1，表明没有达到最大产出，属于非DEA 有效。另外可以看到，有2 家企业在规模收益趋势上都是递减的,这表明再投入资源，并不会带来相应的收益，反映出这家企业存在资源不合理的情况，因此此种模式建议先不要盲目扩张，应在合理优化资源配置上在进行进一步的探究。

本文选取上市的12 家新零售企业进行比较，有7 家达到了综合技术效率DEA 有效，超过半数。由此可见我国新零售企业整体状况比较乐观，效率令人满意。

图1 2017 年中国电商用户对新零售业发展的期待

在图1 中，从消费者的角度对新零售的期待，可以看出，对于线下用户体验方面，消费者有着最高的期待，这对于零售企业来说，提供了需要进一步改善的方向。

图2 中国新零售业行业效率指数

图2 展示的是我国目前“新零售”行业的各项效率指数。在这种背景下，零售企业转型应该紧紧抓住新零售发展的契机，运用大数据等先进技术手段，针对消费者数据进行有效分析，了解消费者的层次及消费特征，有针对性地扩大营销，进而增加客户黏性，争取为企业带来更大收益。

2.纯技术效率（PTE）和规模效率（SE）分析。纯技术效率是指在规模收益固定的情况下，评价决策单元的效率。当PTE=1 时，说明投入指标要素资源合理。当PTE＜1 时，说明投入指标要素资源不合理，如企业的物流管理等可以改善优化。12家企业的平均纯技术效率和平均规模效率均＜1，平均规模效率为0.933，故还有6.7%的投入没有进行充分的产出，这12 家企业的投入产出效率非高效，需要进一步扩大规模。

从表5 中可以看出，DMU6、7、8、10 纯技术效率＜1，说明这4 家企业存在投入指标要素资源不合理的情况，可以通过注重顾客体验、运用大数据及新技术等措施改善目前的状况。

规模效率是在投入指标要素确定的情况下，评价决策单元的效率。规模效率（SE）是综合技术效率与纯技术效率之间的比值。

当规模效率=1 时，评价结果会显示收益不变，说明该决策单元处于最优化规模。当规模效益＜1 时，评价结果会显示收益递增或收益递减。如表5 所示，3 家非DEA 有效的企业规模效益均＜1，都处于规模收益递增的阶段，这意味着目前非有效的企业规模都较小，此时应该在优化投入指标资源的前提下，扩大企业的规模，提高企业效率，从而达到企业经营的相对有效。

3.对比两年DEA 评价结果。通过对比表5、表6 两年的DEA 评价结果，DMU2、DMU5 从前一年的非有效且规模递减，经过新零售转型变成DEA有效。这两个决策单元为苏宁易购和欧亚集团。从数据上看，主要是这两个企业在2016 年面临由于规模效率＜1，且处于规模效益递减阶段，这种状况不能单纯地通过扩大规模来增加收益，而是要将重心放在对于企业自身结构流程的改变上，以及更加精准的对客户的分析，从而进行优化升级。从2017 年的结果来看，这两家企业克服了这一道难关，在优化升级方面做得很成功，达到了DEA 有效。

表6 2016 年新零售企业的效率DEA 评价结果

四、结论与启示

本文选取国内上市的12 家新零售企业，采集5 项指标数据，利用DEA 模型计算，得到了三大效率指标，即技术效率、纯技术效率和规模技术效率。利用冗余率和产出不足率进行测度，分析企业的投入与产出情况。对零售企业提出以下优化建议：

第一，充分发挥线上线下融合的技术优势，通过对消费用户数据进行深度挖掘和分析，进而充分了解用户的需求偏好，做好消费预测，从而基于其需求重新梳理、合理规划人、货、场之间的关系，推动我国供应链体系的整体优化，从零售这一环节推动供给侧结构性改革，推动我国零售业更快地适应数字经济发展。

第二，对新零售企业而言，提升绩效的另一个关键，要加大高效物流配送体系的建立，充分利用物联网和智能物流系统，同时要不断提升物流配送的运营效率。物流作为一项不直接产生利润，但却是一个十分重要的支持辅助的环节，物流的速度反映了人与货之间的关联性，同时高效的物流配送可以帮助企业缩短现金周期。

第三，“新零售”的商业模式应逐渐朝着柔性化、定制化和灵活化的方向发展，以加速适应消费者需求的个性化和异质化。对于这一点，企业应该优化产品结构，尽力做到符合周边消费者的需求；发挥“新零售”的优势，利用线上APP 的营销优势，在更广的范围提升用户的导流能力；同时要不断改进线下的服务，包括但不限于服务能力和服务质量，要将重心放在进店用户的现场体验的提升方面。

本研究中出现综合技术无效的企业，尤其是规模效益趋势递减的企业，其本质上要解决的就是资源配置问题。进行优化资源配置的途径有很多，但首先要了解企业为什么会在一些投入中出现了冗余，不能盲目地扩张，要立足优化资源配置。随着大数据时代的到来，如何有效利用企业数据，深入挖掘客户需求，关注用户体验和需求成为了许多企业获得更多收益的主要途径。

本研究证明了DEA 方法应用于零售企业投入产出效率评价的可行性，但由于指标数据可得性等原因的限制，仅选择了12 家上市的零售企业作为研究样本。在样本选择时，因为网络零售发展较晚，“新零售”又是近来才提出的概念，在选取数据的时间跨度上可能不是很理想，因此在零售企业信息披露机制健全之后，未来的评价研究应向“新零售”企业深入。