中国省域连锁餐饮的技术效率评价及因素分析

姜磊

[摘    要]连锁经营是餐饮企业应对竞争日益激烈的餐饮市场的有效模式。连锁餐饮行业在过去的20年里得到了快速的发展。研究各个地区连锁餐饮的经营绩效的差异以及影响因素对于该行业的健康发展具有现实意义。文章首先利用随机前沿分析模型估算出中国28个省份2008—2017年连锁餐饮的技术效率，并对其空间格局的演变规律进行了讨论。然后，采用动态面板数据模型分析其影响因素。研究发现：（1）北京、上海和广东的技术效率最高同时连锁餐饮规模最大。虽然部分中西部省份的技术效率较高，但是整体规模很小。（2）技术效率在2013年出现了下降，但两年后快速恢复。（3）油脂价格上涨会迫使餐饮企业努力改善经营绩效，而货运周转量、对外开放度以及社会消费品零售总额的提高则有助于改善连锁餐饮的技术效率。

[关键词]连锁餐饮;技术效率;随机前沿分析;动态面板数据模型;影响因素

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006（2021）03-0044-13

Doi： 10.19765/j.cnki.1002-5006.2021.03.009

引言

餐饮业是我国第三产业中非常重要的行业。随着收入水平的不断上涨，居民消费能力的极大增强，餐饮业在过去的20年里有了广阔的发展空间[1]。根据最新的《2019年中国餐饮业年度报告》统计数据显示[2]，2018年中国的餐饮收入已经突破4万亿元，保持着强劲的增长势头，并且未来仍有巨大的发展空间。餐饮业也是吸纳劳动力人口和农村转移人口就业最重要的产业，从业人员数量高达2500万[3]。此外，餐饮业作为民生刚需行业，具有较强的抗风险能力，已经成为激发内需的重要引擎，为消费增长做出贡献。此外，在拉动就业、稳定增长、惠及民生等方面也发挥着积极市场主体的重要作用。总之，餐饮业已经成为中国服务业中非常重要的行业部门。

改革开放40年里，餐饮业是我国服务业中发展势头最好、增速最快的行业之一。餐饮业的高速发展不仅提高了居民的物质水平和幸福指数，也对拉动当地经济发展以及促进转向消费主导型发展发挥了关键的作用。此外，餐饮业也在科技创新的引领下，结合不断完善的物流系统，借助大数据以及人工智能等新兴科技，极大地扩张了外卖的规模，成為了餐饮业强有力的增长引擎。据中国互联网信息中心发布的第42次《中国互联网络发展状况统计报告》数据显示[4]，截至2018年6月，我国网上外卖用户规模已达3.64亿人。这表明外卖餐饮市场已经成为重要的消费模式[5]，在物流技术、大数据以及互联网技术协同创新的支持下，餐饮业规模持续扩大，已经进入一个崭新的发展阶段。

在激烈竞争的餐饮市场环境下，餐饮连锁经营是餐饮业发展的一种必然模式，餐饮企业通过连锁经营和特许经营在市场进行扩张。由于连锁经营不仅可以提高餐饮企业的经营效率，降低经营成本，能够迫使餐饮企业在激烈的市场环境下改善经营管理的瓶颈，还可以迅速地扩大企业在市场中的份额。经过30多年的发展，国内连锁餐饮企业向国外餐饮连锁巨头如麦当劳、肯德基和星巴克学习了不少先进的管理经验，但是我国连锁餐饮企业无论是门店集中度还是营业额集中度都处于非常低的水平。同时，与国外餐饮连锁巨头相比，国内的连锁餐饮企业整体的经营状况和效率也较为落后。此外，同其他行业类似，受经济发展水平、人口规模以及饮食习惯等因素影响，我国各个地区的餐饮业发展也极不均衡。相应地，各个地区的餐饮业技术水平也极为迥异。同样，各个省份的连锁餐饮由于地区差异巨大，经营效率水平也千差万别。然而，就目前的文献来看，很少有文献针对中国各个省份的连锁餐饮的技术效率水平进行评价并进行深入剖析。

因此，本文的研究内容及贡献主要有3个方面。首先，采用随机前沿生产函数模型评估中国28个省份2008—2017年的省域连锁餐饮的技术效率水平，用于比较各个省份之间连锁餐饮的经营绩效差异。其次，建立动态面板数据模型对省域连锁餐饮技术效率的影响因素进行深入分析。最后，根据实证研究的结论提出一系列针对我国连锁餐饮持续健康发展的政策建议，为实现我国快速转型消费经济，优化经济结构提供重要的参考依据。

1 文献综述

通过梳理餐饮业以及连锁餐饮企业研究文献发现，国内外学者的研究主要集中在5个方面：

第一是对餐饮业总体发展现况、存在的问题，对经济的贡献以及政策建议等进行讨论。例如，于干千和程小敏在总结了餐饮业发展状态的基础上，重新定位了餐饮业在经济、社会、文化发展上的重要作用[6]。Pratt利用中国的投入产出表数据分析了包含餐饮业和旅游业对经济的贡献程度[7]。此外，还有很多学者对各个具体的城市或者省份的餐饮业进行针对性的研究[8-9]。

第二类研究文献主要是针对某个地区、某个城市的餐饮业的空间分布和选址问题进行分析，例如关于厦门[10]、广州[11]、重庆[12]、北京[13]、南京[14]以及我国21个省[15]和我国335个地级市[16]的相关研究。这些研究主要解释了某个城市餐饮业的空间布局特征、选址偏好，以及影响其空间布局的社会、经济、制度、文化等因素，对于从城市层面把握和指导城市规划建设和餐饮业区位选址具有重要的意义。

第三，由于餐饮业进入门槛低，竞争激烈[17]，因此，有很多学者关注餐饮业竞争力评价以及决定因素。例如，王华采用因子分析和聚类分析方法对中国31个省的餐饮业竞争力进行评价和分类[18]。蔡晓梅和赖正均利用问卷调查方法对广州餐饮企业竞争要素进行研究，结果发现“规模化经营”是餐饮企业最重要的竞争力来源[19]。Shao等采用社会网络分析方法探讨了影响客户推荐的影响因素，从口碑创建方面提出了提高餐饮业竞争力的措施[20]。王文峰以广东餐饮企业为研究对象，探讨了餐饮企业内部市场导向对竞争优势的影响[17]。

第四，也有很多文献针对餐饮业以及连锁餐饮企业的各种经营模式和管理方式进行了各方面的研究。例如，邓峰等分析了外资的进入对于我国餐饮业发展的积极意义，指出可以通过外资来促进餐饮业内部的平衡和共同发展[21]。Du和Tang研究了中国从线上到线下（online to offline）电商平台发展问题，提出了一些改进的意见[22]。张荣齐和田文丽分析了餐饮企业的O2O模式的优势，指出通过网络订餐平台、支付和配送服务，整合企业内部和互联网外部资源就可以提高餐饮连锁企业的核心竞争力[23]。齐春微等分析了“互联网+”时代下餐饮业商业模式的问题以及如何创新的问题[24]。

第五，也有少数研究针对餐饮业或者餐饮企业经营绩效或者技术效率进行评价。例如，刘致良估算了中国住宿餐饮业的全要素生产率，发现劳动投入下滑对住宿餐饮业增长会产生负面影响[25]。吉生保等对我国22家餐饮旅游上市公司的经营绩效进行了评价，研究发现，总体规模效率不高，技术效率偏低[26]。谢雅念采用数据包络分析（data envelopment analysis，DEA）方法测算了我国31个省餐饮业的效率[27]。Huang等采用了两阶段DEA方法评估了我国台湾地区的酒店业费用利用效率和运营效率，结果发现独立酒店通常具有较高的费用利用效率，而连锁酒店则有更高的运营效率[28]。通过文献梳理发现，虽然只有较少的文献研究餐饮业的经营绩效，但是有很多学者以整个服务业为研究对象进行技术效率或者全要素生产率（total factor productivity， TFP）的测算。例如，王燕武等利用A股上市公司数据测算了服务业的TFP，研究发现，中国服务业的低劳动生产率主要是受教育程度低的劳动力所造成[29]。为了验证“鲍莫尔?福克斯假说”，庞瑞芝和邓忠奇利用方向距离函数方法采用省级面板数据对服务业和工业的效率进行测算，发现服务业生产率平均高于工业，并且近年来服务业的TFP增长有赶超工业的趋势[30]。类似地，王恕立等纳入了环境因素，考虑了服务业的“坏”产出，测算了我国31个省服务业细分行业的TFP[31]。李丽梅采用DEA方法研究了包括餐饮业在内的休闲产业的效率[32]。夏杰长等利用半参数方法重新测算了中国各个省份服务业的TFP，结果发现，住宿餐饮业的技术进步率较高。总结来看，针对中国各个省份的连锁餐饮经营效率的研究，目前学术界探讨的仍然不多[33]。

综上所述，虽然餐饮业发展勢头迅猛，但是近10年来学术界对于餐饮业的相关研究不够深入。此外，有很多研究主要是针对微观层面具体某个连锁餐饮企业为例研究其管理运营。然而，对于宏观层面的连锁餐饮来说，学术界研究相对缺乏。此外，经过30多年的发展，我国各个地区的连锁餐饮都有了长足的发展，但是每个省份的连锁餐饮规模各不相同，各个地区的经营效率是否存在明显的地区差异？并且，造成这种效率差异的主要因素是什么？这些都关系着中国连锁餐饮未来的可持续稳定健康发展。

2 模型与数据来源

2.1 固定效应随机前沿分析模型

学术界用于评价效率的方法主要分为两种：一种是数据包络分析方法，另一种是随机前沿分析方法（stochastic frontier analysis，SFA）。DEA方法是由Charnes等提出来的一种非参数的效率估计方法[34-35]，由于不考虑具体的生产函数，使用灵活，常用于各种效率评价，如制造业技术效率评价[36]、经济生产率[37]、环境技术效率评价[38]等。然而，DEA方法没有考虑到数据的统计噪声，对于本研究来说有可能造成有偏误的结果。SFA方法最早由Aigner等以及Meeusen和Van den Broeck提出来的一种参数估计方法[39-40]，在生产函数中纳入了经典的白噪声误差项，可以避免随机因素对前沿面的影响。在测度宏观技术效率的研究方面得到了广泛的应用。因此，本研究采用SFA方法来测算中国省域连锁餐饮的技术效率。

面板数据的随机前沿生产函数模型如下：

[yit=fXit; β·exp（vit-μit）] （1）

其中，yit表示省份i在第t年的产出。本研究选用省域范围内的连锁餐饮企业的营业额作为产出指标。X表示一组投入要素向量。β为待估计的参数。ν为随机误差项，服从正态分布。μ为非负的技术无效率项。因此，技术效率（technical efficiency， TE）表示为：

[TEit=exp（-μit）] （2）

由于μ≥0，所以TE的取值范围在[0， 1]之间。

根据假设μit是否随时间变化而变化，可以分为时变或时不变的SFA面板数据模型。然而，对于面板数据来说，个体维度上的异质性因素不可忽视，尤其对于中国来说，省域之间的差异巨大，体现在诸多方面。如果在模型中不考虑省份的个体效应，那么这些个体效应会归为无效率项，这会产生有偏误的技术效率估计。因此，本研究考虑了省份的异质性效应，采用固定效应SFA模型来克服上述问题[41]。故模型可以改写为：

[yit=fXit; βexp（αi+vit-μit）] （3）

其中，αi表示不可观察的省份个体效应。

式（3）中的生产函数有多种设定形式，例如，柯布-道格拉斯（Cobb-Douglas）生产函数、超越对数生产函数以及常替代弹性生产函数。本研究采用最为经典的Cobb-Douglas生产函数，因而固定效应的SFA生产函数模型可以表示为：

[lnOutputit=β0+β1lnCapitalit+                       β2lnLaborit+αi+vit-μit] （4）

其中，Outputit表示省份i第t年的连锁餐饮产出。Capital和Labor分别表示资本和劳动力。ln表示取自然对数。通过对式（4）进行参数估计后，可以获得每个省份各个年份连锁餐饮的技术效率TEit。

2.2 影响因素的计量模型

本研究第一阶段估算出中国28个省份2008—2017年的连锁餐饮技术效率，接下来分析影响连锁餐饮技术效率的主要因素。本研究采用动态面板数据模型，但是在介绍之前，首先给出静态面板數据模型，如式（5）所示。

[TEit=α+Zitβ+εit] （5）

式（5）中，下标i和t分别表示i省第t年。TE表示第一阶段固定效应SFA方法估算出的连锁餐饮技术效率。Z表示一组解释变量，也就是连锁餐饮技术效率的影响因素。β表示待估计的参数。ε表示随机干扰项。

[TEit=δTEit-1+α+Zitβ+εit] （6）

式（6）中，TEt-1表示滞后一期的技术效率。同理，也可以滞后2期或3期。动态面板数据是研究现象动态行为的一种重要的模型方法，可以有效地判断出连锁餐饮技术效率随时间变化的动态状况。其他变量同式（5）中的一致。

2.3 变量与数据说明

2.3.1    随机前沿生产函数变量

在估计连锁餐饮的技术效率时采用了Cobb-Douglas生产函数。Cobb-Douglas生产函数是经济学中使用最为广泛的一种生产函数形式，是常用来分析国家和地区的工业以及企业生产活动的一种经济数学模型。很多利用SFA方法估计各类旅游及酒店业效率的实证研究均使用这种易用的函数形式[42-45]。Cobb-Douglas生产函数包括产出以及投入要素。对于产出而言，由于数据限制，本研究采用省域连锁餐饮企业的营业额作为产出指标，同时采用消费价格指数按2008年为基期进行折算处理。劳动投入采用的是省域连锁餐饮企业的从业人数。

资本投入是生产函数中的关键要素。一方面，学术界一般采用永续盘存法来进行估算，例如估算省级固定资产存量[46-47]。另一方面，在对行业技术效率评价时，也有很多学者利用该方法进行资产存量估计。永续盘存法的估算涉及3个关键问题：一是确定初始资本存量，二是折旧率，三是资本形成总额。对于资本存量的估计学术界有多种讨论，使用不同的方法，估计出来的数据具有较大的差异。折旧率对于不同的研究对象来说也是不同的。然而，由于缺乏餐饮业的相关数据来源，现有的研究没有针对餐饮业或者连锁餐饮企业的固定资本开展讨论。本研究采用餐饮营业面积（area）作为资本要素。这是因为对于本研究来说，餐饮业属于劳动密集型产业，对于资本的依赖程度较低。但是，对于连锁餐饮企业来说，经营场所是最重要的资产，也是开展经营活动的重要实物资产保障。

2.3.2    动态面板数据模型的解释变量

考虑到影响省域连锁餐饮技术效率的因素很多，本文选取了8个密切相关的解释变量来检验是否影响28个省份的连锁餐饮的技术效率，包括第一产业比重（Agri）、油脂价格（Fat）、蔬菜价格（Vege）、禽肉价格（Poultry）、外商直接投资（foreign direct investment， FDI）、贸易开放度（Trade）、货运周转量（Freight）以及社会消费品零售总额（Retail）。

（1）第一产业比重（Agri）：餐饮业是服务业当中门槛较低的典型的劳动密集型行业，是吸纳劳动人口和农村转移人口就业的最重要的产业[3]。中国餐饮业从业人员由改革开放初期的104万上升到2017年的约2500万[3]。这是由于改革开放之后，中国开始逐步进入大规模工业化，一部分农村劳动力流入第二产业，随着工业发展和人民生活水平的不断提高，服务业进入2000年以来也有了长足的进步，成为吸纳农村劳动力最主要的行业，这其中主力行业就是餐饮业。由此可见，农业发展与餐饮业形成了竞争关系。因此，本文预期农业比重越高，连锁餐饮的效率就越低。

（2）油脂价格（Fat）、蔬菜价格（Vege）和禽肉价格（Poultry）：餐饮业中销售额的主要来源是餐费收入。而餐费当中的物料成本占据了很重要的比重。因此，物价上涨会对连锁餐饮效率产生负面影响[48]。考虑到中国的饮食习惯，油脂、蔬菜和禽肉在中国餐食中的比重很高，因此这些原材料价格上涨会对餐饮业技术效率产生负面影响。因此，本文预期这3个变量的系数符号为负。

（3）外商直接投资（FDI）：餐饮业是改革开放的先行行业之一，经济体制改革的不断深入进一步地激发了餐饮业市场主体的主观能动性[3]。由于门槛较低且没有行业限制，因此餐饮业也是吸纳外商直接投资的重要行业之一。随着改革的不断深入，越来越多的国外连锁餐饮企业来中国投资发展，有力地促进了当地餐饮业的不断优化，带动了行业规模与质量的同步提升[21]。而外商直接投资是提高行业技术效率的重要外来技术支持，已经被很多学者所证实。这是因为外资不仅可以带来先进的机械设备，而且，先进的管理经验也是提高技术效率的重要因素。因此，本文预期外商直接投资有助于提高连锁餐饮的技术效率。指标采用外商直接投资占地区GDP比重来表示。

（4）开放度（Trade）：餐饮业是改革开放的先行者，也是开拓者[3]。餐饮业是开放度很高的行业。改革40年来一直秉持开放包容发展。经济开放程度越高的地区，各种餐饮技艺以及管理技术的交流和学习会不断提高本地区的连锁餐饮技术效率。因此，本研究预期对外开放度越高，连锁餐饮技术效率就越高。开放度指标选用进出口占地区GDP比重来表示。

（5）货运周转量（Freight）：本研究选用货运周转量来反映地区的货运能力，其具体定义为当地各种运输工具在一定时期内运送的货物重量乘以运送的距离，能够全面地反映运输生产成果。餐饮业是物料成本较高的行业。一个地区的货运能力越发达，物价调控能力就越强，从而对连锁餐饮技术效率的影响就越小[49]。由此可以预期货运周转量越高越有利于提高连锁餐饮的技术效率。

（6）社会消费品零售总额（Retail）：该指标指的是企业（单位、个体户）通过交易直接售给个人、社会集团非生产、非经营用的实物商品金额，以及提供餐饮服务所取得的收入金额。该指标与居民消费具有密切的关系。换言之，一个地区的社会消费品零售总额越高，那么这个地区的居民消费能力就越强，也反映了一个地区的经济景气程度。消费能力越强的地区对餐饮业有较高的服务要求[50]，从而会迫使连锁餐饮提高技术效率。因此，本文预期社会消费品零售总额增加有助于提高当地连锁餐饮的技术效率水平。

2.3.3    数据来源

由于海南、青海、宁夏、西藏、香港、澳门和台湾的数据缺失，故研究中只有我国28个省份，未包含这7个地区。用于计算连锁餐饮技术效率的投入产出数据均来源于Wind数据库。影响因素的变量中，农业比重、油脂价格指数、蔬菜价格指数、禽肉价格指数、进出口、货运周转量以及社会消费品零售总额数据来源于历年《中国统计年鉴》，外商直接投资数据来源于Wind数据库。

3 实证结果

3.1 技术效率评价结果

本文利用Stata软件估算出中国28个省份2008—2017年的连锁餐饮技术效率。OLS模型和SFA模型参数回归估计结果如表1所示。

由OLS回归结果可以看出，连锁餐饮的劳动和营业面积产出的弹性系数分别为0.7800和0.3059，并且均通过了1%的显著性水平的检验。由弹性系数大小可以判断出，劳动产出弹性远远大于营业面积产出弹性，说明连锁餐饮是典型的劳动密集型行业。并且，规模报酬递增（0.7800+0.3059=1.0859>1）。由SFA模型估计结果也可以看出，两个变量均通过了显著性检验。并且从模型的估计结果来看，随机无效率占比约7%，充分说明了在估计连锁餐饮技术效率时，需要充分考虑各个省份之间的异质性效应。

3.2 技术效率的时空变化分析

图1绘制出了中国28个省份2008—2017年的连锁餐饮技术效率得分均值和连锁餐饮营业额总量的动态变化图。

从图1总体来看，28个省份的连锁餐饮技术效率大致可以分为4个阶段。第一阶段为2008—2010年，技术效率有了飞速的提高，同时营业收入也在快速稳步增长。这可能是由于奥运会的原因，加速了国内连锁餐饮企业的国际化和规范化，致使经营效率有了较大的提升，业绩有了快速提高。第二阶段为2010—2012年，技术效率保持较高水平平稳发展，但是在2011年波动下降。第三阶段为2012—2014年，2013年技术效率出现了断崖式的下降，比照营业额来看，增速相较之前也有了明显的放缓。这主要原因是2012年12月4日中共中央政治局会议提出的“八项规定”，有力地遏制住了公款吃喝的不正之风。虽然“八项规定”主要针对的是高端公务宴和吃喝之风，但是整个餐饮行业都受到了较大的影响。尽管短期对餐饮业造成了不利影响，但倒逼餐饮业进入急速创新阶段，回归到积极健康的大众餐饮发展轨道上来[51]。经过两年的短暂调整，在第四阶段中（2015—2017年），可以明显地看出，3年之后的2015年，无论是技术效率还是营业额，均有所提高。到2017年，技术效率已经基本恢复到2012年之前的高水平，营业额也重回到高速增长的发展势头。由此可见，从“十三五”之后，中国的餐饮业经过分化整合，通过企业创新以及深度融合，重塑了连锁餐饮企业。在各种利好政策的引导下，总体将会迎来更高的技术效率。

笔者列出了2008—2017年间中国28个省份逐年的连锁餐饮技术效率得分，结果如表2所示。

由表2可知，省域连锁餐饮的技术效率并非呈现东高西低的空间分布格局，而是东西部各有高低。例如，2008年，技术效率高的省份为东部的北京、江苏、上海和福建以及中部的山西、湖南和江西和西部的内蒙古。2011年，技术效率明显东部高于中西部地区。2014年，技术效率的空间格局较2011年发生了较大的变动。2017年，28个省份的技术效率的空间分布又形成了较为复杂的格局，并非东高西低，西部省份中重庆表现最为抢眼，无论是技术效率还是营业收入都是西部的佼佼者，虽然云南技术效率较高，但是整体规模太小。

本文选择2017年数据作为示例，对28个省份的连锁餐饮企业的营业额和技术效率进行标准化处理（均值为0，方差为1），超出±1的表示异常值。然后绘制出两者之间的散点图，用于表示28个省份连锁餐饮的市场规模和技术效率之间的关系分布（图2）。

第1象限表示市场规模和技术效率均高于平均水平的省份。由图2可知，北京、上海和广东的连锁餐饮规模明显远高于全国平均水平，并且技术效率也非常高。此外，重庆、浙江、江苏和湖北属于市场规模较大和技术效率较高的省份，這些省份大部分都是东部地区。第2象限表示市场规模大但是技术效率低的省份，由图2可知，不包含任何省份。第3象限表示规模小并且效率低的省份，包含8个省份。其中，内蒙古、河北和贵州这3个省份表现最为落后。第4象限省份最多，包含13个省份，占据了大约一半的样本，表示规模较低但是效率较高的省份，这些省份绝大部分都是中西部省份。这说明我国大约有一半的地区，连锁餐饮的技术效率虽然较高，但是整体规模太小。

3.3 技术效率的影响因素分析

进一步分析连锁餐饮技术效率的影响因素。表3给出了混合回归模型、固定效应模型以及随机效应模型估计结果。需要指出的是，由于随机前沿生产函数模型估计出的技术效率范围在（0， 1）之间，因而应该选择Tobit模型。但是，本研究没有采用Tobit模型，这是因为只有当大量的观察值出现在0和1的边界时，那么采用普通最小二乘才会得到有偏的估计结果。然而，通过估计两个模型后发现，两者估计的系数相差不大。为了对照后面的动态面板数据模型的估计结果，本文没有采用Tobit模型设定形式。

首先给出混合回归模型的估计结果及方差膨胀因子（variance inflation factor， VIF）的结果，可以发现各个解释变量的VIF均小于10，说明模型不存在严重的多重共线性问题。由表3可以看出，混合回归模型的结果中只有两个变量通过了显著性检验，而大部分变量高度不显著。这是由于混合回归模型忽略了固定效应。表3同时也给出了固定效应和随机效应模型的估计结果，但是也只有两个相同的变量通过了显著性检验。尽管Hausman检验结果显示应该选择固定效应模型，但是模型可能由于存在内生性问题或者反向因果关系（reverse causality），因此采用Arellano和Bover以及Blundell和Bond提出的系统广义矩估计方法估算出动态面板数据模型的回归结果[52-53]，如表3最后一列所示。

对动态面板数据模型的检验发现，AR（1）在5%显著性水平上拒绝了原假设，AR（2）在10%显著性水平上无法拒绝原假设，并且Sargan检验也无法拒绝原假设，表明模型不存在过度约束识别的问题。从表3最后一列来看，除了蔬菜价格变量外，其余7个变量均通过了1%的显著性水平的检验，说明了这些都是连锁餐饮技术效率的重要影响因素。

第一产业比重对连锁餐饮技术效率的作用为负，降低了技术效率。这是由于服务行业尤其是餐饮业是吸纳农村劳动力最主要的行业，农业同样属于典型的劳动密集型行业，两者之间存在竞争关系。从近10年的就业统计数据来看[54]，第二产业劳动力比重在27%～30%上下浮动，而第一产业劳动力占比由2007年的40.8%下降到2017年的27%，第三产业劳动力占比则由2007年的32.4%上升到44.9%。由此可见，第一产业的劳动力主要流向了第三产业。可以看出，第一产业的下降有助于农村劳动力流向服务业，从而使得餐饮业劳动力就业市场充分竞争，具有比较优势的劳动力得以雇佣，从而提高了连锁餐饮的技术效率。

从油脂价格、蔬菜价格和禽肉价格3个变量的估计系数来看，油脂价格上涨对连锁餐饮技术效率的提升有正向作用，而禽肉价格上涨则降低了技术效率，蔬菜价格变量不显著。可能的原因是：自改革开放以来，中国人的饮食结构发生了剧烈的变化，高油高脂摄取过多，烹饪过程中大量地使用油脂，而油脂占据了较高的经营成本。这就迫使连锁餐饮企业通过提高自身运营效率来积极面对油脂价格上涨问题。换言之，对油脂价格敏感的连锁餐饮企业反而因油脂价格上涨提高了技术效率。此外，从近些年的统计数据来看，蔬菜价格和禽肉价格波动幅度较小，但蔬菜和禽肉受极端事件影响较大，例如蔬菜容易受到天气的影响，而禽流感也是造成禽肉价格波动的主因，因此禽肉的价格上浮会造成连锁餐饮企业成本的上涨，进而会损伤技术效率。但是，连锁餐饮企业对蔬菜价格并不敏感。

货运周转量对连锁餐饮技术效率的作用为正。这是因为发达的物流货运能力能够保证货物的运输和供给，从而有效地控制连锁餐饮企业经营成本由价格波动造成的负面影响。此外，交通货运能力发达的地区往往是经济发达的地区，这些地区通常会吸纳具有较高素质和劳动技能的劳动力人口，而餐饮业就业门槛低，吸纳劳动力人口多，因此，这些高素质的劳动力有助于提高连锁餐饮的技术效率。

外商直接投资的估计系数为负，说明外商直接投资对连锁餐饮的技术效率具有负向作用。这主要是因为改革开放之后，大量的外资涌入中国的各个行业，餐饮业也是吸纳外资的重要行业之一。国外餐饮企业的进入对于规范中国的餐饮业具有极高的积极意义，国外餐饮业的高标准对于当地餐饮业市场具有极强的示范效应，然而由于国内的连锁餐饮企业总是“学而不像”，因此总体来说管理经验和经营能力虽然有所提高，但是相对国外连锁餐饮巨头来说，仍然不具备实力。加上餐饮业本身竞争就十分激烈，因此外资的进入会加剧当地餐饮市场的竞争态势，侵蚀了国内连锁餐饮企业的市场份额，影响了技术效率。

从估计的系数来看，贸易开放度越高，技术效率就越高。改革开放之后，我国沿海地区打开了出口贸易。近些年来，随着经济水平的提高，进口贸易量有了极大的提升。进出口贸易反映了一个地区对外交流的开放程度。总体来说，贸易开放度高的地区主要是东部沿海的经济发达省份，这些省份的对外交流程度最高。餐饮业是服务业中的重要“窗口行业”，也是最早接触对外交流的行业。对外开放程度越高，越有利于本地区的餐饮业提高行业标准，与国际接轨，进一步地改善经营环境，从而最终有助于提高本地区的连锁餐饮技术效率。

最后，社会消费品零售总额的提高对连锁餐饮技术效率的提升有积极的作用。这是因为社会消费品零售总额越高，说明本地区的消费能力越高，经济活力越强。餐饮业高度地依赖于当地的经济活力和消费水平。并且，消费能力越高的地区，餐饮业竞争越激烈，因此，本地连锁餐饮企业不得不降低经营成本，改善经营效率，从而整体上提高了本地区的连锁餐饮技术效率。

4 结论及政策建议

本研究的主要内容是采用随机前沿生产函数模型估算中国28个省份连锁餐饮的技术效率，然后分析这28个省份技术效率的空间分布格局演变以及影响技术效率的主要因素，最后根据研究的结论提出促进中国连锁餐飲企业健康发展的政策建议。

从总体来看，连锁餐饮技术效率在样本期内先快速上升，然后平稳地保持了4年的高水平发展，但是在“八项规定”的严格政策影响下，受制于整体餐饮环境影响，连锁餐饮企业也受到了波及，技术效率持续下跌，同时对比营业额来看，增速也有了明显地放缓。2013年和2014年阵痛期后，连锁餐饮企业又迎来了高水平发展，技术效率有了显著地提高，营业收入也稳步增长。动态面板数据模型的回归估计结果显示：第一产业对连锁餐饮技术效率的作用为负，说明第一产业和餐饮业在某些方面存在竞争关系。油脂价格上涨会导致连锁餐饮企业改革创新，促进技术效率的提高，而禽肉价格的上涨则会降低餐饮业的技术效率。此外，货运中转量对连锁餐饮技术效率发挥着积极的作用，扩大贸易开放度也有利于连锁餐饮技术效率的提高。最后，社会消费品零售总额越高的地区对技术效率有着积极的促进作用。

上述研究结论对促进当前中国连锁餐饮企业的健康发展以及全面提高中国连锁餐饮企业技术效率有着重要的政策含义。首先，餐饮业是典型的劳动密集型产业，虽然从业人员总数保持较高的增长，但是根据《2019年中国餐饮业年度报告》显示[2]，餐饮业人员流失率仍然很高，即便是中大型餐饮企业，人员流失率也在10%以上。这是由于餐饮业整体薪资水平不高造成的。由于餐饮业门槛低，对劳动技能要求不高，是吸引受教育程度较低的劳动力最主要的部门，同时繁重的工作强度和较长的劳动时间使得连锁餐饮企业的人员流失率很高。员工流失不仅造成了餐饮企业人力资本的浪费，还降低了服务质量，制约了企业的发展，影响整体餐饮业的效率。目前，中大型连锁餐饮企业已经通过提升员工工资和福利待遇留住员工，小微餐饮企业应对劳动力成本上浮的能力较弱，因此作为惠及民生的餐饮业应该得到地方政府的扶持，在一定的条件下，对于餐费收入较少的小微餐饮企业可以减免税负，降低运营成本，既可以保证劳动力就业，又可以惠及民生，促进当地消费，也有利于提高整体的餐饮业的经营效率。

近几年餐饮行业已经进入了高度的白热化竞争状态。据统计数据显示，2018年餐饮业投资金额已经超过了700亿元[2]。这是由于餐饮业目前向着标准化、体系化、规模化发展。越来越多的餐饮业形成了具有较大规模的餐饮集团，连锁餐饮企业发展也越来越快。由于产业的规模效应，在短期之内可以有效地降低成本，有利于餐饮企业技术效率的提高。从投资金额的结构来看，餐饮产业链以及服务商的整合也是投资者关注的对象。餐饮业在横向连锁投资以及纵向的产业链整合方面均有抢眼的优异表现。因此，可以预计，未来的中国餐饮业朝着标准化和体系化健康发展。但是，总体而言，资本市场与餐饮业的结合仍不紧密，餐饮业上市相较其他行业仍然困难。截至2018年，中国仅有21家上市的餐饮企业，其中，3家主板上市企业，18家新三板企业[2]，并且这些企业主要分布在大中型城市。这就使得政府需要出台优惠政策，积极引导资本，促使优秀的餐饮业企业下沉到三四线城市，在餐饮企业税收方面以及选址方面给予相对优惠的政策。一方面，这些优秀的外地餐饮企业可以拉动当地消费经济，另一方面，优秀的外地餐饮企业也给当地企业起到了正面的示范效应，有利于促进当地餐饮行业的整体效率。此外，这些外地的企业在培训员工方面的标准化流程，使得整体服务人员的技能有所提高。最后，这些外地的餐饮业通过产业链与当地企业融合，为提高当地餐饮提供商的运营效率也发挥着积极作用。

餐饮企业对原材料的价格是非常敏感的，价格上涨会降低餐饮企业的净利润，影响经营效率。例如，2019年猪肉价格飞速上涨就给餐饮企业造成了不小的经营压力，也抬高了消费者用餐价格，致使双方福利受到了损害。政府积极地利用储备肉制度在一定程度上平抑了猪肉价格过快增长，调控了市场，显示出了价格稳定器的作用。由此可见，储备肉制度应该扩大规模，除现有的城市之外，应在有条件的其他重要城市建立储备肉管理中心，目前，已经有很多城市已经开展储备肉工作。对于其他不易储存的原材料，例如蔬菜，也要制定相应的政策。一般来说，蔬菜价格受极端天气的影响较大，故此会增加外运蔬菜的需求量。因此，在应对特殊极端天气时，应该出台针对蔬菜运输的相关法律法规，保障蔬菜价格稳定。例如建立鲜活农产品运输绿色通道政策，在一定条件下减免合法运输车辆的通行费，同时，进一步减少蔬菜流通环节，打破现有的流动路径，既保证了物流运输者的利润，提高了流通效率，惠及民生，又降低餐饮业经营成本，有利于餐饮企业的良性发展。

餐饮业亟须政府部门的支持和重视。相较于工业来说，由于餐饮业占当地GDP比重不高，因此普遍被忽视。随着经济结构转型，消费经济的兴起，越来越多的证据表明，餐饮业对当地的就业以及经济增长均发挥着积极的作用。但是，长期以来，餐饮业属于高度竞争行业，往往陷入无序发展以及盲目竞争状态。这就需要当地政府牵头，联合各部门参与联动机制，推进餐饮业的转型与升级，改变餐饮业乱序发展的状态。这其中重要的关键渠道就是标准化、产业化和规模化，也就是打造连锁餐饮企业。与其他行业不同，餐饮具有典型的地域特征。长期以来，各地区的中餐缺乏标准，没有标准化难以走向产业化集团化发展。因此，很多小微餐饮企业靠口碑生存，难以做大做强，闭店率也极高，严重地浪费了社会资源。从研究的结果来看，西部连锁餐饮整体技术效率表现一般，但是重庆却是西部地区的亮点，这是由于重庆具有众多优秀的餐饮连锁企业，已经形成了完整的产业链，并且已经走向标准化及集团化发展。因此，打造当地餐饮连锁企业知名品牌，产生具有影响力的大型连锁餐饮企业，不仅可以对外参与竞争，还可以拉动当地经济发展，此外，还是当地政府的一张靓丽的名片。这就需要政府牵头，同时在税收减免、用地保障等方面都给予一定的优惠，在政府资金扶持下，打造具有较高竞争力的以民营资本为主的餐饮集团。一方面改变了餐饮业盲目发展的局面，另一方面可以树立示范样板，规范当地餐饮市场，提升餐饮业整体的运营水平。

参考文献（References）

[1] 张进铭， 肖德勇. 餐饮业发展动因的实证分析[J]. 经济评论， 2009（5）： 87-92. [ZHANG Jinming， XIAO Deyong. An empirical study of driving factors of catering industry[J]. Economic Review， 2009（5）： 87-92.]

[2] 中国饭店协会： 2019中国餐饮业年度报告[R]. 2019： 52. [China Hospitality Association. 2019 China Restaurant Industry Survey Report[R]. 2019： 52.]

[3] 邢颖， 黎素梅， 于干千. 餐饮产业蓝皮书： 中国餐饮产业发展报告（2019）[M]. 北京： 社会科学文献出版社， 2019： 25. [XING Ying， LI Sumei， YU Ganqian. Annual Report on Catering Industry Development of China （2019） [M]. Beijing： Social Sciences Academic Press， 2019： 25.]

[4] 中国互联网络信息中心.中国互联网络发展状况统计报告[R]. 2018： 5. [China Internet Network Information Center. China Statistical Report on Internet Development [R]. 2018： 5.]

[5] 謝斌， 宋伟. 在线餐饮外卖发展， 城市环境负外部性与垃圾监管[J]. 陕西师范大学学报（哲学社会科学版）， 2018， 47（6）： 79-88. [XIE Bin， SONG Wei. Online catering takeout development， urban environmental negative externalities and waste regulation[J]. Journal of Shaanxi Normal University （Philosophy and Social Sciences Edition）， 2018， 47（6）： 79-88.]

[6] 于干千， 程小敏. 我国餐饮业供给侧结构性改革的实效与对策研究[J]. 商业经济研究， 2017（24）： 169-173. [YU Ganqian， CHENG Xiaomin. A study of effectiveness and measures of supply-side structural reform of Chinas catering industry[J]. Journal of Commercial Economics， 2017（24）： 169-173.]

[7] PRATT S. Potential economic contribution of regional tourism development in China： A comparative analysis[J]. International Journal of Tourism Research， 2015， 17（3）： 303-312.

[8] 王建竹. 信息化下城市服务业的空间发展趋势——以北京市餐饮服务业为例[J]. 城市问题， 2014（11）： 90-95. [WANG Jianzhu. Spatial distribution trend of urban service industries in the information times： A case study of Beijings catering industry[J]. Urban Problems， 2014（11）： 90-95.]

[9] 刘秀兰， 陈立章， 何翔. 湖南省餐饮业量化分级现状及监管对策[J]. 中南大学学报 （医学版）， 2012， 37（2）： 137-141. [LIU Xiulan， CHEN Lizhang， HE Xiang. Quantitative classification in catering trade and countermeasures of supervision and management in Hunan province[J]. Journal of Central South University （Medical Science）， 2012， 37（2）： 137-141.]

[10] 舒舍玉， 王润， 孙艳伟， 等. 城市餐饮业的空间格局及影响因素分析——以厦门市为例[J]. 热带地理， 2012， 32（2）： 134-140. [SHU Sheyu， WANG Run， SUN Yanwei， et al. Spatial distribution of urban catering industry and its influenced factors： A case study of Xiamen city[J]. Tropical Geography， 2012， 32（2）： 134-140.]

[11] 曾璇， 崔海山， 刘志根. 广州市餐饮店分布演变特征与影响因素[J]. 经济地理， 2019， 39（3）： 143-151. [ZENG Xuan， CUI Haishan， LIU Zhigen. Spatial and temporal evolution characteristics and influencing factors of restaurants in Guangzhou[J]. Economic Geography， 2019， 39（3）： 143-151.]

[12] 涂建軍， 唐思琪， 张骞， 等. 山地城市格局对餐饮业区位选择影响的空间异质性[J]. 地理学报， 2019， 74（6）： 1163-1177. [TU Jianjun， TANG Siqi， ZHANG Qian， et al. Spatial heterogeneity of the effects of mountainous city pattern on catering industry location[J]. Acta Geographica Sinica， 2019， 74（6）： 1163-1177.]

[13] 谭欣， 黄大全， 赵星烁. 北京市主城区餐馆空间分布格局研究[J]. 旅游学刊， 2016， 31（2）： 75-85. [TAN Xin， HUANG Daquan， ZHAO Xingshuo. A study on the spatial distribution pattern of restaurants in Beijings main urban area[J]. Tourism Tribune， 2016， 31（2）： 75-85.]

[14] XU F， ZHEN F， QIN X， et al. From central place to central flow theory： An exploration of urban catering[J]. Tourism Geographies， 2019， 21（1）： 121-142.

[15] XUE H， CHENG X， ZHANG Q， et al. Temporal growth and spatial distribution of the fast food industry and its relationship with economic development in China： 2005—2012[J]. Preventive Medicine， 2017， 102： 79-85.

[16] 夏令军， 刘艳芳， 刘国炜. 中国地级城市餐饮业分布格局及影响因素——基于“大众点评网”数据的实证研究[J]. 经济地理， 2018， 38（5）： 133-141. [XIA Lingjun， LIU Yanfang， LIU Guowei. Spatial distribution pattern and influencing factors of catering industry in prefecture level and above cities in China： An empirical study based on the dianping.com data[J]. Economic Geography， 2018， 38（5）： 133-141.]

[17] 王文峰. 餐饮企业内部市场导向对其竞争优势的影响[J]. 旅游科学， 2018， 32（2）： 17-27. [WANG Wenfeng. The impact of the internal market orientating of catering enterprises on their competitive advantages[J]. Tourism Science， 2018， 32（2）： 17-27.]

[18] 王华. 区域餐饮业竞争力的驱动因素及模式[J]. 经济地理， 2009， 29（3）： 91-95. [WANG Hua. Driving factors and driving patterns of regional catering industrial competitiveness[J]. Economic Geography， 2009， 29（3）： 91-95.]

[19] 蔡晓梅， 赖正均. 广州市餐饮企业竞争要素实证研究[J]. 旅游学刊， 2008， 23（8）： 63-68. [CAI Xiaomei， LAI Zhengjun. An empirical study on the competitive factors of catering enterprises in Guangzhou [J]. Tourism Tribune， 2008， 23（8）： 63-68.]

[20] SHAO J， ZHANG J， GUO B. Research on the influencing factors of customer referral behavior based on social network—Application in the catering industry[J]. The Journal of High Technology Management Research， 2014， 25（2）： 163-171.

[21] 邓峰， 吴海兵， 娄丽芝. 外资对我国餐饮业竞争力影响的实证研究[J]. 经济纵横， 2014（6）： 103-107. [DENG Feng， WU Haibing， LOU Lizhi. An empirical study of the impact of foreign capital on the competitiveness of catering industry in China[J]. Economic Review Journal， 2014（6）： 103-107.]

[22] DU Y， TANG Y. Study on the development of O2O E-commerce platform of China from the perspective of offline service quality[J]. International Journal of Business and Social Science， 2014， 5（4）：308-312.

[23] 張荣齐， 田文丽. 餐饮连锁企业O2O商业模式研究[J]. 中国市场， 2014（32）： 81-88. [ZHANG Rongqi， TIAN Wenli. A study on the O2O business mode of restaurant chains[J]. China Market， 2014（32）： 81-88.]

[24] 齐春微， 郑鑫， 徐维维. “互联网+” 时代下餐饮业存在的问题及创新研究[J]. 当代经济， 2017（13）： 38-40. [QI Chunwei， ZHENG Xin， XU Weiwei. A study on problem and innovation of catering industry in the era of “Internet+” [J]. Contemporary Economics， 2017（13）： 38-40.]

[25] 刘致良. 资本深化， 全要素生产率与中国住宿餐饮业增长[J]. 旅游学刊， 2009， 24（6）： 71-76. [LIU Zhiliang. Capital deepening， total factor productivity （TFP） and the increase of Chinas lodging and catering industry[J]. Tourism Tribune， 2009， 24（6）： 71-76.]

[26] 吉生保， 席艳玲， 李凡. 中国餐饮旅游行业的经营绩效及收敛趋势——基于上市公司面板数据的SORM-BCC超效率模型[J]. 山西财经大学学报， 2011， 33（11）： 63-72. [JI Shengbao， XI Yanling， LI Fan. Operational efficiency and convergence trend of Chinese hotel &tourism industry： SORM-BCC super efficiency model based on panel data of listed companies[J]. Journal of Shanxi University of Finance and Economics， 2011， 33（11）： 63-72.]

[27] 谢雅念. 我国各地区餐饮业绩效评价[D]. 蚌埠： 安徽财经大学， 2015. [XIE Yanian. The Performance Evaluation of Regional Catering Industry in Our Country [D]. Bengbu： Anhui University of Finance and Economics， 2015.]

[28] HUANG C， CHIU Y， TU C， et al. Using the nonhomogeneous frontier two-stage DEA model to assess the efficiencies of expense utilization and operation of the Taiwanese hotel industry[J]. International Transactions in Operational Research， 2016， 23（6）： 1067-1087.

[29] 王燕武， 李文溥， 张自然. 对服务业劳动生产率下降的再解释——TFP还是劳动力异质性[J]. 經济学动态， 2019（4）： 18-32. [WANG Yanwu， LI Wenfu， ZHANG Ziran. The reinterpretation of labor productivity decline in service industry： TFP or labor heterogeneity[J]. Economic Perspectives， 2019（4）： 18-32.]

[30] 庞瑞芝， 邓忠奇. 服务业生产率真的低吗？[J]. 经济研究， 2014（12）： 86-99. [PANG Ruizhi， DENG Zhongqi. Is productivity of service sector really low？ [J]. Economic Research Journal， 2014（12）： 86-99.]

[31] 王恕立， 滕泽伟， 刘军. 中国服务业生产率变动的差异分析——基于区域及行业视角[J]. 经济研究， 2015（8）： 73-84. [WANG Shuli， TENG Zewei， LIU Jun. The disparity and convergence of TFP change in Chinas service industry： Based on regional and industry perspectives[J]. Economic Research Journal， 2015（8）： 73-84.]

[32] 李丽梅. 中国休闲产业发展评价， 结构与效率研究[D]. 上海： 华东师范大学， 2018. [LI Limei. Research on the Evaluation， Structure and Efficiency of Chinese Leisure Industry Development[D]. Shanghai： East Normal China University， 2018.]

[33] 夏杰长， 肖宇， 李诗林. 中国服务业全要素生产率的再测算与影响因素分析[J]. 学术月刊， 2019（2）： 34-44. [XIA Jiechang， XIAO Yu， LI Shilin. Re-measurement and influence factors of total factor productivity in Chinas service industry[J]. Academic Monthly， 2019（2）： 34-44.]

[34] CHARNES A， COOPER W W， RHODES E. Measuring the efficiency of decision making units[J]. European Journal of Operational Research， 1978， 2（6）： 429-444.

[35] CHARNES A， COOPER W W， RHODES E. Evaluating program and managerial efficiency： An application of data envelopment analysis to program follow through[J]. Management Science， 1981， 27（6）： 668-697.

[36] 叶振宇， 叶素云. 要素价格与中国制造业技术效率[J]. 中国工业经济， 2010（11）： 49-59. [YE Zhenyu， YE Suyun. Price of factor and technical efficiency of Chinese manufacturing industries[J]. China Industrial Economics， 2010（11）： 49-59.]

[37] 邵军， 徐康宁. 转型时期经济波动对我国生产率增长的影响研究[J]. 经济研究， 2011， 12（97）： 1848-1862. [SHAO Jun， XU Kangning. The effect of business cycle on Chinese productivity growth during economic transition[J]. Economic Research Journal， 2011， 12（97）： 1848-1862.]

[38] 宋马林， 王舒鸿. 环境规制， 技术进步与经济增长[J]. 经济研究， 2013（3）： 122-134. [SONG Malin， WANG Shuhong. Analysis of environmental regulation， technological progression and economic growth from the perspective of statistical tests[J]. Economic Research Journal， 2013（3）： 122-134.]

[39] AIGNER D， LOVELL C A K， SCHMIDT P. Formulation and estimation of stochastic frontier production function models[J]. Journal of Econometrics， 1977， 6（1）： 21-37.

[40] MEEUSEN W， VAN DEN BROECK J. Technical efficiency and dimension of the firm： Some Results on the use of frontier production functions[J]. Empirical Economics， 1977， 2（2）： 109-122.

[41] GREENE W. Reconsidering heterogeneity in panel data estimators of the stochastic frontier model[J]. Journal of Econometrics， 2005， 126（2）： 269-303.

[42] CHEN C F. Applying the stochastic frontier approach to measure hotel managerial efficiency in Taiwan[J]. Tourism Management， 2007， 28（3）： 696-702.

[43] P?REZ-RODR?GUEZ J V， ACOSTA-GONZ?LEZ E. Cost efficiency of the lodging industry in the tourist destination of Gran Canaria （Spain）[J]. Tourism Management， 2007， 28（4）： 993-1005.

[44] OLIVEIRA R， PEDRO M I， MARQUES R C. Efficiency performance of the Algarve hotels using a revenue function[J]. International Journal of Hospitality Management， 2013， 35： 59-67.

[45] LIU A， WU D C. Tourism productivity and economic growth[J]. Annals of Tourism Research， 2019， 76（5）： 253-265.

[46] 張军， 吴桂英， 张吉鹏. 中国省际物质资本存量估算： 1952—2000[J]. 经济研究， 2004（10）： 35-44. [ZHANG Jun， WU Guiying， ZHANG Jipeng. The estimation of Chinas provincial capital stock： 1952—2000[J]. Economic Research Journal， 2004（10）： 35-44.]

[47] 单豪杰. 中国资本存量K的再估算： 1952—2006年[J]. 数量经济技术经济研究， 2008（10）： 17-31. [SHAN Haojie. Reestimating the capital stock of China： 1952—2006[J]. The Journal of Quantitative & Technical Economics， 2008（10）： 17-31.]

[48] 程雪洁. 我国中小餐饮企业成本控制探究[D]. 北京： 首都经济贸易大学， 2016. [CHENG Xuejie. Research on Cost Control of Small and Medium-Sized Catering Enterprises in China[D]. Beijing： Capital University of Economics and Business， 2016.]

[49] 苗伟. 交通运输业对我国经济发展影响的实证分析[D]. 保定： 河北大学， 2013. [MIAO Wei. An Empirical Analysis of the Impact of Transportation Industry on Chinas Economic Development[D]. Baoding： Hebei University， 2013.]

[50] 张玉凤， 裴正兵. 我国餐饮企业投资效益实证研究——以北京市餐饮企业为例[J]. 生产力研究， 2009（11）： 150-152. [ZHANG Yufeng， PEI Zhengbing. An empirical study on investment benefits of Chinas catering enterprises： A case study of Beijings catering enterprises[J]. Productivity Research， 2009（11）： 150-152.]

[51] 程小敏， 于干千. 中国餐饮业发展“十二五”回顾与“十三五”展望[J]. 经济与管理研究， 2016， 37（11）： 65-74. [CHENG Xiaomin， YU Ganqian. Review of 12th Five-Year Plan and outlook for 13th Five-Year Plan for the development of Chinas catering industry research on economics and management[J]. Research on Economics and Management， 2016， 37（11）： 65-74.]

[52] ARELLANO M， BOVER O. Another look at the instrumental variable estimation of error-components models[J]. Journal of Econometrics， 1995， 68（1）： 29-51.

[53] BLUNDELL R， BOND S. Initial conditions and moment restrictions in dynamic panel data models[J]. Journal of Econometrics， 1998， 87（1）： 115-143.

[54] 中国国家统计局. 中国劳动统计年鉴2018[M]. 北京： 中国统计出版社， 2018： 8-9. [National Bureau of Statistics. China Labour Statistical Yearbook 2018[M]. Beijing： China Statistics Press， 2018： 8-9.]