基于DEA 和Malmquist 的网络零售企业经营绩效评价研究

梁家富

（广州科技职业技术大学，广州510550）

一、引言

相关统计数据显示，2019 年全国网络零售总额是106 324 亿元，同比增长16.5%①国家统计局.2019 年全国网上零售额106 324 亿元［EB/OL］（.2020-01-17）［2020-07-10］.https://www.ebrun.com/20200117/370365.shtml.；2020 年1-2月份，全国网上零售额13 712 亿元，同比下降3.0%②国家统计局.2020 年1-2 月份全国网上零售额13 712 亿元 同比降3.0%［EB/OL］（.2020-03-16）［2020-07-10］.https://www.ebrun.com/ebrungo/2b/378001.shtml.。虽然2020 年1-2 月份全国网上零售额同比有所下降，但从增长速度来看，网上购物用户规模持续壮大，其增速大于社会商品零售总额的增速。尽管网络零售环境乐观，但受新冠肺炎疫情的影响，国内外网络零售行业也面临重重困难。为了应对挑战，一些网络零售企业通过优化运营管理、营销战略、商品供应链管理，来增强企业整体经营效率。因此，如何优化网络零售企业资源配置，测评网络营销运营效率便成为了大家关注的话题。

本文利用DEAP2.1 软件建立BCC 和DEAMalmquist 指数模型，从静态和动态两个角度综合分析网络零售企业经营效率变化情况。既分析了2019 年这一静态时点网络零售企业的经营效率情况，又分析了2018-2019 年间网络零售企业运营效率的变化趋势，从而确定关键影响因素，寻找提高网络零售企业运营绩效的渠道，帮助企业解决运营难题，增强企业获利能力。

二、评价方法与评价指标选取

网络零售企业经营效率的研究一般聚焦在评价指标体系和评价方法上。评价指标体系中常用的有BSC 和D&M 模型，而评价方法则有Delphi、AHP、加权平均、FCE 评价、BP、主成分析、粗糙度量评价法等。目前，应用广泛的是从生产领域“投入产出比”的角度，借鉴数据包络分析法（DEA）对电商经营效率进行研究。本文从网络零售企业的投入资源和利用效率的角度出发，结合新三板网络零售企业的经营数据，构建出网络零售企业经营效率的评价指标体系，利用DEA-Malmquist 指数进行分析研究。

（一）DEA 的CCR 和BBC 模型

DEA 是一种非参数效率评价方法。DEA 可以将类型相同的输入单元和输出单元放在一个模型中分析，不需要估算参数、设置权重和无量纲化处理，通过统计分析进行评价。DEA 的工作过程是根据决策单（DMU）的投入产出确定前沿面，将所有DMU 的数据投影到前沿面中，由于DMU 的效率值只能在0 和1 之间，如果DMU 的效率值是1，则表示该DMU 的效率是有效的，并且落在前沿面中；如果DMU 的效率值小于1，则表示该DMU 的效率不是最优的，需要调整其投入产出量。

在DEA 指标体系中，各个DMU 的效率评价指数公式如（1）所示。

调整权重参数v和u的值，可以总使公式成立：

DEA 方法的评价模型很多，其中规模报酬不变CCR 和规模报酬可变BCC 两个方式应用最为广泛。1978 年，运筹学家Charnes 团队首次提出DEA 评价方法，即CCR 模型。CCR 模型是假设规模报酬不变，使用对偶理论和阿基米德无穷小的方法对多投入和多输出DMU 的相对效率的非参数评价模型。CCR 公式如下：

CCR 模型中假设规模报酬不变，是偏向理论性的，与实际情况有出入，所以评价企业效率时有偏差。1984 年Banker 等人提出了BCC 模型，对CCR 模型进行了补充。BCC 模型是在CCR 模型基础上增加了的假设条件，分析技术效率时消除了规模效率的影响，从而达到规模报酬可变（VRS），得出DMU 的纯技术效率。

在使用DEA 静态分析时需根据实际需求选择不同的模型，因为CCR 和BCC 模型又分两种不同的导向方式，CCR-I 和BCC-I 是投入导向模型，而CCR-O 和BCC-O 是产出导向模型。如果是以投入角度对企业效率进行分析研究，选择投入导向模型，就是在产出固定时如何节省投入；如果是以产出的角度对企业效率进行分析研究，选择产出导向模型，就是在投入固定时如何增大产出。

（二）DEA 的Malmquist 指数模型

DEA 的CCR 和BCC 两种评价方式是对企业DMU 的静态分析，但对DMU 的动态相关效率情况就不能分析了。为了弥补DEA 模型的不足，1994年Fare 团队把Malmquist 生产效率指数引入DEA分析方法中，结合Shephard 提出的距离函数，主要以相邻DMU 为参照，分析effch 变动、techch 变动和tfpch 变动的情况，从而反映企业生产效率的具体趋势，开展企业生产效率的动态研究。公式如下：

Fare 等将公式再分解为（4）：

也就是Malmquist 指数可分成effch 和techch，而effch 可分解成pech 和sech，其中yt+1，xt+1，yt，xt是t+1、t时间点的产出量、投入量；是生产配置（xt，y）t到t时间点指标体系前沿面的距离；是t时间点的技术，评价t+1 时间点的效率变动；则是参考t+1 时间点的技术，评价t时间点的效率变动。

三、评价对象说明与评价结果分析

（一）投入/产出指标确定

借鉴国内外DEA 研究成果，结合网络零售企业自身特点和电子商务企业效率评价指标，根据变量选取的数据平滑性和系统性原则，本文从净利润、营业总收入、总资产、员工人数、主营业务投入等方面选取评价指标，对网络零售企业经营效率进行DEA 评价。其中，投入指标变量包括：总资产、员工人数、主营业务投入；产出变量包括：净利润、营业总收入。具体变量情况如表1 所示。

（二）DMU 的选取

DMU 的确定，就是选择参考集。因为DEA 方法要求的DMU 是同类型的，所以选取DMU 就要保证DMU 的类型相同。参考集中决策单元的个数越多分析的结果越准确，一般情况下，参考集中决策单元的数据条数多于投入和产出变量总数的2倍。

表1 网络零售企业DEA 变量

（三）指标数据获取

本文从淘宝、天猫催生的上市企业中选取了18 家网络零售企业为研究对象，对其经营绩效进行研究。采用数据源自18 家网络零售电商企业2018-2019 年在新三板披露的年报中的财务数据。

（四）数据标准化处理

数据包络分析对模型数据的要求是非负数，但收集企业数据时发现净利润有负值，这就需要对原始数据进行正数标准化转换。在保证原数据间的数据逻辑关系不变的前提下，采用一定的数据处理方法，使数据能正向化，从而达到模型的数据要求。常用的数据处理方法有：数据无量纲化变换，使得数值映射成0.1 到1 的正值区间；将数据由负数转换成接近于0 的正数；把原始数据转换成矩阵形式，根据矩阵性质进行转换，将所有负数都转换成正数；使用数据平移，给所有数值“加数”转换为正数。本文采用无量纲化的处理，公式如下：

四、网络零售企业经营效率分析实例

（一）静态效率分析

本次研究使用DEAP2.1 软件中BCC 模型对2019 年这18 家网络零售企业的经营效率进行计算，可以得到具体的效率值，如表2 所示。

表2 BCC 模型下2019 年18 家网络零售企业的经营效率

（1）从纯技术效率分析，森马服饰、元祖股份、海天味业、晨光文具、顾家家居、新希望等9 家企业的效率值等于1，占总量的50%。另9 家企业的纯技术效率值小于1，如要提高企业的经营绩效，可从提高企业管理水平和完善经营制度两个方面进行改革。

（2）从规模效率分析，太平鸟、拉夏贝尔、森马服饰、海天味业、晨光文具、新希望6 家企业的效率值等于1，说明这些企业达到了最佳的规模。其余12 家企业的scale 都小于1 并且都处于irs状态，表明这些网络零售企业需要酌情增大生产投入。

（3）从综合技术效率分析，太平鸟、拉夏贝尔、森马服饰、海天味业、晨光文具、新希望6 家企业的效率值等于1，和scale 的结果一样，由此可以获得影响零售企业综合技术效率的关键因素是scale值。而ST 威龙、荣泰健康、菲林格尔、欧普照明、会稽山、红蜻蜓、志邦家居、壹玖壹玖、科沃斯vrste和scale 都小于1，可以通过适当减少经营规模、优化投入资源、更新企业技术、提高管理水平等方法达到综合规模最优。

（二）动态效率分析

BBC 模型分析反映了企业经营状态的静态情形，但企业的运作是持续变化的，需要使用动态模型分析企业的经营效率。本文使用DEAP2.1 软件中Malmquist 模型对18 家网络零售企业2018-2019 年全要素生产指数开展动态研究。本次实验采集了2018-2019 年的8 个季度财务数据，通过实证分析得出18 家企业按照全要素生产指数值降序排列情况，如表3 所示。

（1）从全要素生产率指数分析，ST 威龙、荣泰健康等17 家网络零售企业的tfpch 大于1，占总量的94%，tfpch 平均数值达到1.023，表明2018-2019 年网络零售企业的整体经营效率呈上升趋势。这得益于“互联网+”和“线上+线下+移动”方式的广泛推广，网络零售企业以淘宝、天猫平台为支撑，在“一带一路”全球化发展的政策下，不断更新技术，展示了“互联网+零售”的勃勃生机。

（2）从指数的分解项分析，技术效率指数中欧普照明、太平鸟、拉夏贝尔、森马服饰、海天味业、晨光文具、新希望7 家企业的指数值大于1，占总量的39%。其他11 家企业的指数值都小于1，主要原因是企业处于扩张时期，前期投入大，而投资效益还没有体现出来。技术进步指数中，全部企业的指数值均大于1，平均数值达到1.026，表示这两年网络零售企业技术是进步的，是企业经营效率的主要推动力量。纯技术效率中，有10 家企业的指数值大于1，占总量的56%，表示有一半以上的网络零售企业技术含量高，技术创新能力好。规模效率指数中，有7 家的指数值大于1，占总量的38%，其他企业小于1，是因为网络零售企业前景大好，发展形势乐观，大部分企业处于扩张阶段，大量的资本投入在短时间内体现不出同等收益，所以这些企业出现规模报酬递减的情况。

（3）从网络零售企业个体来看，在2018-2019年发展过程中，全要素生产率指数最高的网络零售企业是新希望，新希望积极实施“营销精细化”企业管理，实现电子商务部门和物流部门的高水平协助，同时企业运营管理采用信息化技术，促使企业的effch、techch 和sech 高，pech 有效。顾家家居的sech 排在最后，但顾家家居的全要素生产率指数排名并不是最后，从而证明了ffch、techch、pech 对全要素生产率指数同样有影响。顾家家居的制约因素是effch 和sech，提高企业的经营效率需要扩大规模和提升技术效率，走可持续发展道路。会稽山在全要素生产率指数排名最后，原因是effch、pech 和sech 较低，与其他企业相比，没有技术和规模优势。

表3 2018-2019 年网络零售企业全要素生产率变动及其分解

表4 为2018-2019 年18 家网络零售企业效率相对变化情况。

由表4 可知，18 家网络零售企业在2018-2019 年两年中有7 个季度全要素生产率指标大于1，仅有2019 年第一季度的数值为0.813，这说明网络零售企业的运营效率总体是良好的。从平均Malmquist 结果分析可知，在2018-2019 年间，平均effch 指数为0.996，平均pech 为0.998，平均sech 为0.998，都非常接近1。这说明在2018-2019年间，大部分的网络零售企业积极引入先进技术，技术水平明显提高，这是提高全要素生产率的关键因素。

表4 2018-2019 年18 家网络零售企业效率相对变化

因此，网络零售企业需要不断提升自身的核心竞争力，推行稳步拓展策略，待技术成熟后再积极跟进，扩大销售规模，实现稳步发展。

五、结论与建议

（一）结论

基于18 家网络零售企业2018-2019 年各项投入产出指标的数据，采用DEA 中的BCC 方法进行研究得知：我国大多数网络零售企业处于经营效率递增状态，大约1/3 企业处于经营效率有效状态，主要原因在于企业的effch 与sech 协调发展，但大部分企业在投入资源和经营管理体系方面没有达到最优水平，还需要增加投入，加强经营管理。

采用DEA-Malmquist 模型进行分析可知，生产率提高的关键因素是techch，虽然2018-2019年的effch 非有效，但是techch 是最好的，拉动全要素生产率表现有效；pech 和sech 也是影响effch有效性的重要因素，本文中大多数的网络零售企业规模效率相对偏低，与技术效率不协调，需要对此加以改进，最终实现可持续发展的目标。

（二）对策建议

综合上述研究结果，笔者认为网络零售企业提高经营效率，可以从下述几方面入手。

（1）提高企业核心竞争力，注重零售商品质量，完善商品售后服务质量体系。商品质量是企业赖以生存的保证，商品质量过硬才能吸引顾客。商品物流的高效和安全运输是商品质量保证的重要环节，因此企业需要选择运输管理好的快递公司合作，以保障客户的合法权益，减少顾客的投诉，提高顾客的商品满意度，实现网络零售企业的DEA 有效。

（2）实现精细化管理。当前网络零售企业竞争激烈，顾客的消费需求不断升级，企业销售策略应该由规模生产转变成精细化管理运营。网络零售企业应根据网络市场变化适当扩大经营规模，同时实施精细化管理。企业需要注重商品本地化、商品品牌化，提高自主商品比例，倾向移动端销售，利用数学模型和算法分析企业经营数据，实现商品精准营销。

（3）控制经营成本。经营成本是营销企业经营效率的关键因素，控制成本是增加企业净利润的根本途径。网络零售企业需要引入先进管理理念，提高企业运营效率，降低经营成本，从而提高企业经济效益。企业可以从物流成本、营销成本、资金管理、供应链管理等方面入手，利用先进的信息化管理技术，提升企业信息化管理水平，提高企业整体运作效率。