基于三阶段DEA 模型的民宿业经营效率研究*——以杭州地区为例

彭磊义 ,罗建基 ,肖洪根 ,布乃鹏 ,龙燕满

(1.浙江商业职业技术学院 旅游学院,浙江 杭州 310053;2.香港理工大学 酒店与旅游业管理学院,香港 999077;3.杭州市旅游职业学校 旅游专业部,浙江 杭州 310052;4.山东大学 威海发展研究院,山东 威海 264209;5.凯里学院 教育科学院,贵州 凯里 556000)

0 引言

组织绩效历来受到诸多重视,无论绩效是一种结果还是一种行为,对其统一和准确地界定却是困难的。这是因为生产力常被视为效率和效果之和,一个组织经营效率高并不代表其绩效高,原因在于有效率的结果可能不符合组织目标,但效果比较不容易被量化。由此可见,绩效包括了效率,而效率在一定程度上是对组织绩效的反映。

从实用角度出发,众多学者则更关注绩效衡量的手段和标准,数据包络分析(Data Envelopment Analysis,DEA)因其具有多投入多产出衡量的形式,且其计算结果即效率值是对组织绩效水平有力的反映,尤其是其数量化的表现形式,使结果更加客观与科学,因而得到广泛应用。但传统DEA 易产生相对无效率,即实际中可能产生管理效率低但处于有利环境下的决策单位,还可能产生管理效率高但处于不利环境的决策单位,这是因为没有考虑环境因素与统计干扰项的影响。Fried 等学者指出,相对无效率的来源包括决策单元生产管理等内在因素,地域性、政策性等外在环境因素和随机干扰项。

民宿在我国诸多地方政策法规中被界定为拥有15间客房以下的住宿单位,具有明显体量小的特点,且民宿主专业背景和经营能力都差异巨大。随着民宿业的深度发展,出现了城市民宿、乡村民宿、景区民宿、海岛民宿等,充分体现了其极强的地域性特征。民宿业的蓬勃发展得益于政府提出的乡村振兴政策,既受其指引,又服务于该政策。由此可见,民宿业效率研究中需要应用新的分析方法,摆脱环境因素影响,真正探寻其效率研究的真相。而三阶段DEA 的特点就是可排除生产效率评估中的环境影响和随机干扰,得到真实的效率值,这符合民宿效率研究的需求。故本研究尝试根据Fried等学者所提出的三阶段DEA 模型对民宿业进行分析,此为本研究的动机之一。

作为住宿业的新业态之一,民宿业目前在我国得到了长足的发展。当前,民宿的相关研究集中在概念界定、建筑设计及文化内涵、对策研究、经营管理和消费者行为等方面,随着研究的逐步深入,研究视角日趋多元,研究方法日益多样,研究内容逐渐丰富,但是民宿业的经营效率研究还不多见。面对日益激烈的竞争环境和多变的外部经营条件,提质增效成为民宿业发展的当务之急,借助三阶段DEA 模型分析民宿业的经营效率,切实厘清民宿业经营状态,针对性地提出相关对策,为民宿业的经营发展提供支持和借鉴,同时丰富民宿业领域的相关研究,此为本研究的动机之二。

1 文献回顾

1.1 效率评价方法

衡量效率的分析方法可分为两类:一是财务比率法;二是生产前沿法,其又可分为参数法和非参数法。Sherman等学者认为财务比率法在处理多项投入产出项时,其权重的不同可能会使某一管理方面的缺失被其他优点隐藏,因此认为用此法来衡量效率较不稳定。在生产前沿法中,随机前沿法(Stochastic Frontier Analysis,SFA)是参数法的典型代表,主要以生产函数或成本函数作为评估依据,将现实中的随机干扰因素纳入针对生产行为中无效率问题处理,同时有总体能估计较多的结构参数等优点。DEA是最常用的一种非参数前沿效率分析法,其评估模式主要是采用线性规划技术代替经济学中的生产函数,以生产前沿为生产效率衡量点的基础,将总效率划分为探讨投入与产出关系的技术效率与探讨投入要素组合的配置效率。技术效率是指在固定投入要素量下,可以生产出最大产量的能力,且可再进一步区分为纯技术效率与规模效率。配置效率则指在生产技术投入要素相对价格下,可将投入产出比率调整最适的能力。鉴于研究目的的不同,有学者拓展了DEA模型。

李双杰和范超对DEA 和SFA 进行了比较,总结出了二者之间的异同。共同点包括:都属于前沿度量方法,其共同基础是距离函数,且在构造生产前沿的基础上度量技术效率。不同点在于:二者模型基本假设和模型扩展的复杂程度不同、对实际产出的解释和处理方法不同、构造生产前沿的方法不同、计算结果的稳定性不同、获得的相关经济信息不同、分析影响效率因素的方法不同。他们还建议在无法判断哪种方法更适合实际问题时,可将两种方法或两种方法的度量结果综合起来,即随机非参数方法或组合综合评价方法。

三阶段DEA 模型由Fried等学者提出,主要结合DEA 及SFA 来综合衡量效率。第一阶段是初始效率值运算,该阶段采用DEA传统模型计算各决策单元效率值,得到各投入变量的松弛值,此效率值可能因受到环境变数、统计干扰以及管理效率等影响而不准确;第二阶段是投入变量调整值运算,本阶段将第一阶段得到的投入变量松弛值列为因变量,将环境变量列为自变量,利用SFA 分析环境因素与随机干扰因素对于投入松弛值的影响方向与程度,并借此调整原始投入项;第三阶段是调整后效率值运算,即使用调整后的投入项与原始产出项重新使用DEA 传统模型进行效率评估,进而实施效率分析、松弛值分析和规模报酬分析。鉴于结合了SFA与DEA 的特点,三阶段DEA 模型被广泛用于交通运输业、金融业、保险业、农业、旅游业、制造业、科技创新、教育等领域的研究,且还有学者不断对其进行改善和深化研究。

1.2 效率研究

梳理住宿业效率研究文献可发现,众多学者分析效率的方法多使用DEA 法的不同模式,单独使用SFA 法的文献较少(如表1所示)。

表1 饭店业效率评价研究

有关饭店业效率的研究起源于欧美地区,而我国较早的研究成果出现于2004年,后续才逐步得到学界重视。从研究对象来看,既有基于地区层面的效率研究,包括城市、地区、省份和国家等各层级;也有基于产业层面的效率研究,包括单一饭店业和中外饭店集团;还有从管理模式、饭店业等级等方面进行的效率研究。从研究方法来看,效率研究始于单一方法,随着DEA 方法的逐步深化和完善,到目前已经呈现多种方法综合的态势。虽然我国后续研究力度加大,但相较于国外,还存在研究方法单一的问题,仅局限于DEA 基础模式的运用,还未出现多种方法综合运用的局面,略显滞后。从衡量指标来看,研究中的测量指标多紧密结合企业经营特征,且重叠度较高,投入项包括固定资产、客房数、从业人数、营业费用、各种成本等多项指标,产出项则多包括营业收入、平均出租率、平均房价、顾客人数、人均利润等指标。

虽然民宿和饭店分属住宿业不同业态,但由于早期住宿业市场属于完全竞争市场且类型较少,其效率研究选择代表市场主体的饭店是有意义的,因此,既然同属一个行业,民宿业经营效率研究可以在一定程度上借鉴饭店业研究中运用的经营效率指标。

2 研究设计

2.1 研究架构

首先,应用三阶段DEA 模型分析民宿,了解其经营效率的相关特征;其次,将第一阶段和第三阶段的各类效率值进行Wilxocon非参数检验,检验两次效率值是否存在显著差异;最后,应用DEA 超效率模式针对投入项调整值与原有产出项进行效率分析,探寻决策单元中的标杆企业。

2.2 分析方法

2.2.1 数据包络分析

DEA 是Charnes等学者发展出来的效率评估模式,其提出CCR 模式评估各决策单元的相对效率。其后,Banker等学者将CCR 模式中要求规模报酬为固定的限制取消,提出BCC 模式。此二模式被学界公认为是DEA 领域中最具影响的模式。在利用DEA 模型计算效率时,首先需要考虑的是模式中投入导向和产出导向的选择问题,若研究对象属于盈利企业,由于市场需求的变动无常而无法掌控,但投入项可以自由调整,则应该采用投入导向;反之则使用产出导向。因此,本研究使用投入导向的DEA传统模型来分析。

有别于CCR 模式,BCC 模式假设变动规模报酬,即部分投入增加,不会使产出项有相对一部分的增加,由此引用距离函数概念导出能够衡量纯技术效率、规模效率及规模报酬的模式。假设单位=1,…,n)使用第(=1,…,m)项投入量为x,其第(=1,…,s)项产出量为y,h为第个决策单元的技术效率,τ和ω分别是第产出项和第投入项的权重,为第个决策单元的规模报酬指标,则BCC模式的线性规划模式表示为:

为简便计算并增加解释上的信息,将公式(1)转换成对偶形式如下:

若＜1,则决策单元非DEA 有效。

鉴于相对有效率的决策单元可能不止一个,故Anderson等学者基于CCR 模式效率值,将有效率的决策单元进行排序,提出了超级效率(super efficiency)的概念。其衡量方式为将效率值为1的某一决策单元从效率前沿上剔除,以剩余的决策单元为基础构建新的效率前沿,重新计算该被剔除的决策单元到新效率前沿的距离。由于该被剔除的决策单元不被新效率前沿所包络,故计算出的新效率值会大于1,这样则更易于对有效率的决策单元进行排序,该效率值即为超级效率值。其基本模式表示为:

其中,为超效率值,s和s分别是投入和产出项的松弛值组成的向量。

2.2.2 随机前沿分析

第二阶段利用随机生产前沿的成本边界函数将环境因素、统计干扰和管理无效率等影响因素予以分解,在于因变量投入松弛值可视为成本概念,松弛值越大表示使用的成本越多。假设第个决策单元的第个投入松弛值是s,且受到个外生环境变量z=[,,…,z],则依据Battese等学者的想法,投入松弛值与外生环境变量的关系借助随机前沿法可设定为:

为调整决策单元原始投入项的变量值,需采用公式(5)得到u的条件估计量,其中和分别为标准正态分布的分布函数和密度函数。

结合公式(4)和公式(5)可分离出统计误差,得到统计因素的条件估计:

接着利用SFA 的结果调整投入项,将所有决策单元调整至相同环境条件,而调整方式有两种:一是将拥有良好经营环境的决策单元投入数量向上增加,使其经营环境达到最差、运气达到最坏的程度;另一种是将处理恶劣经营环境的决策单元投入数量向下缩减,使其经营环境达到最优、运气达到最佳程度。Fried 等学者建议采取第一种方式,因为第二种方式的调整可能导致投入变为负值,造成分析上的缺失,其方式如下:

2.3 研究样本、指标和数据

在样本选择方面,根据Golany等学者对决策单元所提出的同质性要求,要求决策单元具备相同的经营目标及相似的工作性质、经营环境与条件相似、具有相同的评估属性。在投入项与产出项个数选择方面,Golany等学者依据经验法则认为投入项与产出项相加的总数不能超过决策单元总数的1/2;而Dyson 等学者则认为决策单元的个数不能低于投入项与产出项个数乘积的2倍。决策单元太多,会降低受评单位的相似性,从而增加评估结果被干扰的机会;决策单元太少,则高效率受评单位形成效率前沿的机会小,同时投入与产出之间的关系难以确认。

截至2018年11月30日,从省级行政区域统计结果看,客栈民宿数量规模前五的分别是浙江、广东、四川、云南和北京;从重点城市统计看,杭州在客栈民宿数量规模TOP20城市中排名第五。同时,在浙江省民宿动态管理信息系统中,截至2017年年底,录入数据11 000家,且已形成了民宿集聚区,其中最集中的区域是杭州和湖州,均超过1 700家。由此可见,杭州成为民宿业发展的典型代表地区,将其作为选取研究样本的来源具有一定的代表意义。本研究从浙江省文化和旅游厅民宿信息系统中随机抽取杭州地区50家民宿作为研究样本;同时参照了该系统中相关指标,结合前期研究成果来确定本研究相关指标,将改造装修费用、客房数、餐位数和聘用全职员工数列为投入项,将接待过夜游客、营业收入、客房收入、客房出租率和平均房价列为产出项,将租赁总费用、占地面积、建筑面积列为第二阶段改善投入项的环境变量;并将该系统中相关指标的数据作为分析基础,其描述性统计见表2。

表2 相关变量描述性统计

3 结果分析

3.1 第一阶段分析

运用Max DEA 8软件,采用投入导向的BCC 模式测度2019年杭州地区民宿业的相对效率,发现产生投入松弛值的决策单元有36家民宿。

3.2 第二阶段分析

以第一阶段得到的各投入项的松弛值为因变量,所选取的3个环境变量为自变量,利用软件Frontier 4.1建立4 个SFA 回归模型,SFA 回归分析可以对管理因素和随机因素进行剥离分析。结果见表3。

由表3可得,4个SFA 回归模型的似然比LR 皆大于1.96,即通过5%的显著性检验,拒绝“不存在管理无效率项”的原假设,说明SFA的应用是必要且适宜的,且γ值均接近于1,表明在随机因素影响很小的前提下,管理无效率和环境因素对效率值产生占主导地位的影响;环境变量回归系数(0.304 5,-0.108 0,0.180 9)在改造装修费用为因变量的回归分析中皆呈现显著性,在聘用全员职工为因变量的回归分析中仅租赁总费用回归系数(0.000 053 65)有正向显著性,环境变量回归系数在客房数和餐位数为因变量的回归分析中皆不显著。

表3 第二阶段随机前沿回归估计结果

进而基于求取的自变量回归系数,借助SFA 回归方程可得每个投入项松弛值的环境影响值,由公式(4)求得混合误差项,进而通过公式(5)、公式(6)分理出管理无效率值而得到随机干扰项,接着进一步得到环境调整值和随机调整值,最后由公式(7)得到了投入项的调整值。

3.3 第三阶段分析

运用Max DEA 8 软件对投入调整值和原始产出项再进行效率测度,两次DEA 效率值结果见表4。

表4 第一阶段和第三阶段效率值比较

表4 (续)

由表4可得,从绝对数量上观察,第一阶段与第三阶段规模报酬不变的决策单元各为14家和20家,增加了6家;规模报酬递增的决策单元为8家和13家,增加了5家;而规模报酬递减的决策单元各为28家和17家,减少了11家;30 家处于低效的决策单元中,09、12、21、24、38和43的非DEA 有效属于规模效率低下造成的,其余24家的非DEA有效属于纯技术效率和规模效率同时低效造成的;且决策单元整体技术效率平均值从0.741 2增长到0.825 4,提高了11.360 0%;纯技术效率平均值从0.823 7 增长到0.867 6,提高了5.329 6%;规模效率平均值从0.906 1增长到0.952 6,提高了5.131 9%;但整体处于非DEA有效状态,这是由决策单元整体的纯技术效率和规模效率低下共同造成的。

第三阶段各投入产出项的松弛值见表5。

表5 第三阶段各变量松弛值

表5 (续)

3.4 两阶段效率值的Wilcoxon检定

为了进一步评估本研究第三阶段与第一阶段的各类效率值是否存在显著差异,即检定第一阶段管理者不可控制的环境变量是否确实会影响各决策单元经营效率,对两阶段的各类效率值进行Wilcoxon符号等级检定,结果见表6。

表6 第一阶段和第三阶段效率值的Wilcoxon符号等级检定结果

由表6中第三阶段与第一阶段技术效率、纯技术效率和规模效率值差异检定可知,值分别为-5.169、-4.235和-4.446,值皆小于0.001,在显著水平为001下达到显著水平,拒绝“第三阶段和第一阶段的效率值是相同的”原假设,表明两阶段的各类效率值分别存在显著差异,即第二阶段的环境因素所造成的无效率排除确实会对技术效率、纯技术效率和规模效率造成显著的影响。

3.5 超效率分析

运用MaxDEA 8软件,针对投入调整值和原始产出项进行投入导向的超效率测度,通过DEA 超效率模式的分析主要针对20家处于相对有效率的决策单元,即其原技术效率值等于1的决策单元,发现效率值排序处于最前面的5家决策单元是03(21.303)、26(2.119)、42(2.083)、48(2.076)、28(1.823)。

4 结论与建议

4.1 结论

本文利用三阶段DEA 模型实证分析了杭州地区民宿业效率问题,研究结论有:一是基于效率值分析,民宿个体既有有效态势也有非有效态势,而民宿业整体技术效率呈现非DEA 有效态势,且个体层面非DEA 有效主要来自纯技术效率和规模效率同时非有效,部分来自仅规模效率非有效,整体层面非DEA 有效则是由纯技术效率和规模效率非DEA 有效共同造成的,这与行业现状基本吻合。二是基于松弛值分析,DEA 有效的民宿个体的松弛值皆为0,而非DEA 有效的民宿个体的变量松弛值不全为0,说明投入过多和产出不足的情况在其经营中普遍存在。三是基于超效率分析,对研究样本就效率值大小进行排序,发现第03个决策单元效率值最大,既有助于政府主管部门对样本基于效率进行评比,又可以从中找出标杆,成为其他低效决策单元学习的榜样。四是基于SFA回归分析,本研究中环境变量回归系数仅在部分投入松弛值的回归分析中呈显著性,说明投入松弛值虽然受到环境变量的影响,但本研究选取的环境变量还不能对所有投入松弛值产生显著影响,有效的环境变量的选取有待进一步研究;且就一般而言,正回归系数表明环境变量不利于投入变量,导致投入松弛量增加从而降低效率,负回归系数则表明环境变量有利于投入变量,导致投入松弛量减少从而提高效率。在改造装修费用回归分析中,租赁总费用和建筑面积的回归系数为正,说明二者的增加会提高因变量而降低效率,而占地面积的回归系数为负,说明其增加会降低因变量而提高效率;在聘用全职员工回归分析中,租赁总费用的回归系数为正,说明其增加会提高因变量而降低效率,这是吻合实际情况的。五是基于第一阶段、第三阶段效率值的Wilcoxon检定结果观察,两个阶段效率值存在显著性差异,在剔除随机干扰项和环境变量影响后造成非DEA 有效来源于管理无效率,这突出反映了民宿个体内部管理水平与能力;同时结合民宿业整体的各类效率平均值观察,相较于第一阶段,第三阶段的各类效率值都有了绝对量上的增加,这也表明相较于传统模型,三阶段DEA 模型分析结果更能准确反映现实情况。

其理论贡献在于:一是本文对民宿业经营效率进行了研究分析,丰富了民宿业领域的研究主题;二是从定量分析的视角切入分析了当前民宿业经营效率,为民宿个体和行业的经营态势的判断提供了坚实的基础,拓宽了研究视角;三是传统住宿业效益研究鲜有使用三阶段DEA 模型,利用三阶段DEA模型分析杭州民宿业效率,深化了研究层次,扩展了模型的应用领域。

实践贡献在于:一是将国内住宿业效率研究的领域从传统的酒店业转移到了民宿这个新业态中来,扩大了住宿业效率研究的范围;二是诸如松弛值分析、超效率分析等研究结果为行业治理指明了一定的方向;三是研究结论触发了对民宿业经营现状的更深入思考,其内涵发展的问题得以清晰地聚焦。

4.2 建议

一是鉴于行业整体水平处于低效态势,且这种态势是由纯技术效率和规模效率同时低效造成的,因此在行业治理上要先理顺关系,强化归口管理。由于历史原因,诸多地方行业管理将民宿归口在农业部门而不是旅游部门,形成发展助力来自农业口、经营统计归属旅游口的局面,这直接导致行业发展和规模控制缺少专业性和针对性的指导。鉴于民宿业的服务市场和对象,结合引导行业有序及持续发展和规划,将其归口于旅游部门比较合理:一方面,通过开办审批、住宿业内部业态间的市场竞争等手段进行规模控制和调节;另一方面,借助旅游部门积累的经验、技术、制度等提高行业的纯技术效率,譬如依靠成熟的住宿业等级评定制度能推动整个行业服务水准的提高,加大企业通用技术的推广和应用,通过依靠民宿技术效率的切实提升,来推动行业整体效率的提升。

二是借助政策引导,推动民宿业走集约化发展的道路。针对民宿业体量小、分布分散、易受环境影响等特点,以政策为导向推动相关社会配套,从外部营造良好的经营环境,走集约化发展道路,提高行业整体的抗风险能力、降低经营成本、扩大市场知名度、扩散促销活动的功效,从而提升行业整体效率。集约化发展的突出表现就是在特定区域范围内形成一定规模的产业集群,产生集聚效应,浙江民宿业已经形成民宿集聚区,以杭州西湖、湖州莫干山和长兴等为代表,这是对集约化发展道路的有益探索。

三是鉴于造成多数个体的技术效率非DEA 有效的原因集中指向了纯技术效率,即民宿个体内部管理因素,因此在个体效率提升上要强化和夯实人才战略,即打造高素质的民宿经营管理者队伍,当务之急就是切实提升民宿经营管理者的管理能力和专业素养。目前以行业协会为平台促进业内交流学习来获取经营管理的专业知识和技术、充实个人文化素养是有效途径之一。面对日益激烈的市场竞争环境,民宿必须以生存为要,不仅要明确经营目标与动机,而且要重视经营指标,以经营数据为导向来指导经营行为。相关管理能力对于经营绩效存在正向影响,这有助于在前期合理估算投入项,减少投入过剩,避免盲目投入,在经营中提高产出数量,避免产出乏力。譬如,专业知识运用能力的影响会在前期筹建和日常经营中发挥功效,结合SFA 分析结果,合理确定租赁总费用、建筑面积和占地面积,可以降低改造装修费的投入,合理确定租赁总费用还可以降低聘用全职员工的投入;网络平台使用能力在当下是不可或缺的经营技术之一,即借助第三方平台扩充订房渠道,也可借助社交媒体制造口碑来提高知名度,打造独特品牌等都可以获取更广泛的客源,这对接待过夜人数、营业收入、客房收入、客房出租率等产出项都大有裨益。民宿经营管理者的文化素养和审美能力在一定程度上决定了民宿产品的品位和魅力,这有助于构建产品特色、形成独特的细分市场,从而有助于房价的制定和平均房价的提升。

4.3 研究展望

考虑到研究的相关限制,未来研究可以改进的方向包括:一是可以从更大的地域范围来选取样本,这样可以更有效地获取民宿业的代表性特征;二是通过DEA 与其他方法的结合使用,获取对经营效率能产生真实影响的环境变量,这样可以更有效地统一效率研究中的环境基础;三是未来研究可纳入一些便于测量且反映绩效评价的主观性指标,更加全面地评价民宿绩效。

①数据来源:广州市文化广电旅游局.广州市民宿旅游发展专项规划(2018-2035).2019-03.