中国电商行业生产效率测度及其影响因素——基于2016—2021年省域数据的DEA和面板回归模型*

彭小珈

(湖南农业大学 商学院,湖南 长沙 410128)

一、引言

党的二十大报告明确指出,中国要“着力发展跨境电商,推动经济高质量发展”。近年来,电商生产发展促进了相关产业链的发展,包括物流、仓储、客服等,创造了大量就业和创业机会[1]。同时,电商打破了地域限制,让农村、中小城市的产品能够通过电商平台进入全国乃至全球市场。这促进了农村经济和地方经济的发展,提升了居民的收入水平和生活品质。电商行业的发展推动了传统产业与互联网的融合,促进了传统企业的转型升级[2]。传统商家通过电商平台进行线上销售,拓展了销售渠道,提升了效益。电商生产效率影响电商企业的投入产出,电商生产效率的高低直接决定了电商行业生产发展的可持续性[3]。随着互联网技术和数字经济的不断发展,电商生产效率提升将推动中国社会经济可持续发展。同时,电商生产效率问题逐渐成为研究热点,吸引国内外学者纷纷关注电商生产效率方面的研究,电商生产效率研究的深度和广度不断加强。

目前,国内外学者关于电商生产效率方面的研究,主要集中在三个方面:一是关于电商生产效率理论方面的研究,主要集中在如何通过电子商务的应用和管理来提高生产效率,以大数据、数字技术、云计算、区块链等作为管理应用方法的现代电子商务,通过增加电商企业生产产量、减少资源投入、节约成本费用来提高企业生产效率[4]。二是关于电商生产效率测算评价方面的研究,聚焦于电商生产效率高低。学界通过建立一系列指标体系来评价和测算电商的生产效率,比较常见的评价方法主要包括企业产出与投入比值评价法[5]、参数分析法、AHP层次分析法和因子分析法[6]。三是关于电商生产效率影响因素方面的研究,可以分为两个方面:第一,内部约束影响,侧重于强调电商企业内部的约束因子,包括数字技术创新、企业人力资本、数字信息平台、电商资金支持、电商物流条件、公共服务体系建设等[7-11]。第二,外部冲击影响,更加强调政府政策、外部环境,主要包括电商政策规制、经济发展、对外贸易等[12-13]。众多学者普遍认为,数字技术创新、数字信息平台、电商资金支持对电商生产效率均具有正向影响,在一定条件下,电商政策规制对电商生产的影响具有门槛效应,灵活得当的电商政策规制对电商生产效率的支持力度很大,但是严格的电商政策规制采用罚款、限制等方式阻碍了电商企业市场竞争力提升,影响电商生产效率的提高。另外,电商技术创新、电商物流条件以及电商人才方面也存在问题[14]。电商技术创新促进电商生产效率提升仍面临着困境,技术瓶颈和数据安全问题成为阻碍电商生产效率提高的重要壁垒。物流配送在一些偏远地区仍然存在困难,这无疑增加了电商运营的成本,影响其生产效率。电商行业是一个高度依赖互联网和信息技术的行业,需要大量的高技能人才。然而,目前人才供应不足或人才流失可能阻碍电商生产效率的提高[15]。

综上可知,国内外学者对电商生产效率的研究在学理和实证上都取得了较为丰硕的理论成果,为本文研究提供了有力支撑,但仍存在一些不足之处:在效率测算方法上,SFA随机前沿参数模型、产出与投入比值法、AHP层次分析法以及因子分析法在测算前都要构建数学模型,选取指标,设置指标权重。这些评价方法主观性强、数据敏感性不足、准确性较低。在影响因素方面,变量遗漏、内生性等问题容易发生,易忽视影响因素与电商生产效率之间可能存在的动态交互影响和长短期波动效应。本文以我国电商行业生产效率为切入点,收集和整理2016—2021年31省区市电商行业生产数据,建立偏向性技术进步前沿面的DEA模型,科学准确测算电商行业的生产效率,找到电商行业生产效率提升的关键性影响因素,克服电商行业生产效率提升的困境,增强电商行业发展可持续性,更好地推动区域经济高质量发展,助力中国式现代化建设。

二、理论分析

在测算电商行业的生产效率,研究电商行业生产效率提升的关键性影响因素之前,需要对电商行业生产效率提升机制进行分析。优势经济资源的时空集聚会促进区域内经济的长期增长,经济增长通常会带来更多的投资,包括对电商平台的技术升级、物流设施的建设和人员培训等方面的投入[16]。经济增长意味着人们的购买力提升,电商市场的规模可能会随之扩大。更大的市场规模可以让电商行业通过规模经济效应提高其生产效率。经济增长往往伴随着技术进步,人工智能、大数据分析等新兴技术可帮助电商企业更好地理解消费者需求,优化商品推荐和库存管理,从而提高生产效率。经济增长通常会引发消费升级,消费者对商品和服务的需求可能会变得更加多元和个性化。对于电商企业来说,这就需要他们更加精细地进行市场分析和运营管理,以提高服务质量和效率。经济增长可以带动电商企业对高级专业人才的需求,尤其是善于运用数字技术的人才。有了这些专业人才,电商行业的生产效率可以得到显著提升。经济增长通常受政策环境的影响,良好的政策环境对电商行业生产效率的提升也是有利的。比如政府可能会出台更加有利于电商发展的政策,或者提供更好的基础设施和服务,以帮助电商行业提高生产效率[17]。

三、电商行业生产效率测算

(一)方法选择

数据包络分析法简称DEA,是一种用于估计和测算相对投入与产出效率的非参数评价方法。DEA分析法是通过构建一个虚拟的“效率前沿面”来衡量单位的相对效率。效率前沿面是由所有最有效的单位形成的边界,表示在给定输入和输出条件下可以达到的最高效率水平。其他单位的相对效率则可以通过与效率前沿面的距离来衡量,距离越近表示单位越接近最高效率。在DEA模型中,输入和输出指标是评估单位效率的关键因素。输入指标可以是资源投入,如劳动力、资本或原材料,而输出指标可以是产品产量、销售额或其他衡量单位绩效的指标。根据具体问题的要求,可以选择不同的指标来评估单位效率[18]。DEA分析的优点在于它不需要提前设定权重或假设函数形式,因此可以避免测算估计的主观性和模型偏差。同时,它适用于评估多个输入和输出指标之间的复杂关系,并能够识别出相对有效的单位。然而,由于DEA分析法对数据具有一定的敏感度,因此也存在一些限制。一方面,它对数据的准确性和完整性要求较高,因为它对每个单位的实际观测数据进行评估。另一方面,DEA只能提供相对效率的评估结果,无法给出绝对的效率值[19]。

(二)模型设计

结合前文的理论分析,笔者收集和整理了2016—2021年中国31省区市电商行业和社会经济发展的相关数据,将环境变量等非期望产出因素纳入偏向性技术效率模型的DEA测算,用径向测度下的方向性距离函数模型进行测度。首先是建立DEA模型,假设m为电商投入,n为电商产出,电商生产销售集合T可以看作电商投入与产出差额的向量集合,t时期所有电商生产销售的向量集合Tt={(m,n},m,n均为正实数,向量集满足凸集合、闭集合的要求。道格拉斯生产率指标用于衡量生产效率的变化水平,则方向性距离函数Dt定义约束为:Dt(m,n;o,p)=sup{λ:(m-λo,n+λp)∈Tt},Dt(m,n;o,p)≥0,λ∈R。方向向量g=(o,p)被固定。因此,道格拉斯生产率函数表达式为:

L(mt,nt,mt+1,nt+1,g)=Dt(mt,nt,g)-

nt+1,g)-Dt(mt+1,nt+1,g)+

Dt+1(mt,nt,g)-Dt(mt,nt,g)]。

(1)

道格拉斯生产函数指标结果为正,表示生产率处于增长状态,为负则表明处于减少状态。其中由t期到t+1期的电商生产技术效率值变化为:

TECHEFF=Dt(mt,nt,g)-

Dt+1(mt+1,nt+1,g)。

(2)

因为随机前沿面的电商生产技术进步指数是由第t期到第t+1期的技术前沿面变动大小决定,且偏向性技术效率是生产技术效率值与生产技术进步指数之和,则随机前沿面的电商生产技术进步指数为:

nt+1,g)-Dt(mt+1,nt+1,g))+

(Dt+1(mt,nt,g)-Dt(mt,nt,g))]

(3)

电商生产的技术进步前沿面变化可以分为产出侧技术进步率、规模技术进步率以及投入侧技术进步率:

TECH=OETECH+METECH+

IETECH。

(4)

其中,产出侧技术进步率定义为:

nt+1,g))+(Dt+1(mt+1,nt,g)-

Dt(mt+1,nt,g))]。

(5)

规模技术进步率定义为:

METECH=Dt+1(mt+1,nt+1,g)-

Dt(mt+1,nt+1,g)。

(6)

相应地,投入侧技术进步率指数定义为:

nt,g))+(Dt(mt+1,nt,g)-

Dt+1(mt+1,nt,g))]。

(7)

结合对道格拉斯方向性距离函数的分解,本文用DEA估计电商的生产效率,需要测算电商生产的技术效率、规模效率以及综合效率,测度电商生产的综合效率、规模效率和技术效率的DEA模型如下:

Dt+1(mt+1,nt;o,p)=maxθ

(8)

(三)指标体系构建

根据随机前沿面偏向性技术进步DEA模型选取电商投入与产出指标,投入类指标主要包括资源消耗方面和环境污染方面。资源消耗选取了电商人力消耗、电商资本消耗、电商能源消耗、电商网络消耗四个指标。电商人力消耗以电商企业从业人员人数(万人)来表示,电商资本消耗用电商企业资金投入总量(亿元)来表示,电商能源消耗以电商企业电力资源消耗量(亿千瓦时)表示,电商网络消耗用电商企业电信业务总量(亿元)来表示。环境污染方面选取了电商企业水污染和电商企业空气污染两类指标,电商企业水污染用电商企业年污水排放量(万吨)来表示,电商企业空气污染用电商企业年碳排放量(万吨)来表示。非期望产出变量与投入变量冗余投影改善的标准一致,国内外学者通常将非期望产出作为投入进行效率测算。产出指标由电商总产出一项组成,电商总产出以电子商务销售额(亿元)来表示。文中电商指我国的整个电商行业,一些指标具体用电商行业中企业的数据表示。指标和数据来源于国家统计局2016—2021年的《中国统计年鉴》《中国城市统计年鉴》,以及《农村电商行业研究分析报告》《中国跨境电商行业发展分析报告》等。

表1 电商生产投入产出指标体系

(四)DEA测算与结果分析

根据收集的投入产出指标,测算出2016—2021年中国31省区市电商生产的综合效率、纯技术效率、规模效率。根据VRS测算出每年投入产出规模效率的报酬增减,形成电商生产投入产出效率的投影结果,测算结果如表2所示。

表2 2016—2021年中国31省区市电商生产的综合效率值

如表2结果所示,我国2016—2021年31省区市电商生产的综合效率等于电商纯技术效率与电商规模效率之间的乘积,能综合反映区域内的生产效率情况。在此期间,我国电商生产的综合效率较低,平均值除2017年为0.618外,其余年份综合效率均低于0.6,处于较低水平,说明近年来我国电商行业生产出现较大的投入冗余,以及产出严重不足的问题。2019—2020年综合效率值出现较大幅度的下滑,是由于新冠疫情所导致,2020年初暴发新冠疫情,对我国电商行业冲击较为严重,主要表现在快递和包裹的物流通畅性下降,市场受疫情影响后消费需求量不足,电商生产端产能出现不同程度的浪费,导致2020—2021年电商生产综合效率出现较大程度的下滑。从31个省份区域来看,北京、上海的电商生产综合效率基本为1,处于效率有效的状态,这主要是由于北京、上海作为中国最大的两座城市,具有强大的要素资源吸纳能力,活跃的经济、强烈的市场需求以及强大的资源配置能力使北京、上海电商生产综合效率常年处于领先和有效的地位。海南在2020年前综合效率为1,主要是由于海南作为国际旅游岛吸引了大量的游客和优质环保的消费,投入和产出比例相对较为均衡。而西藏由于相对数据总量较少,导致投入冗余浪费较少,产出也能够满足当地较少的市场需求量,因此,电商综合效率显示有效。总体来说,江苏、浙江、福建、广东等沿海省份的电商生产综合效率要高于青海、宁夏、新疆等西北内陆省份,我国电商生产综合效率呈现出东高西低,由沿海省份向西北内陆地区递减的规律。

如表3结果所示,我国2016—2021年31省区市电商生产的纯技术效率等于电商生产综合效率与电商规模效率之间的比值,能综合反映出区域内电商行业技术前沿面生产效率情况。在此期间,我国电商生产的纯技术效率整体水平较低,各区域的纯技术效率值大范围影响到综合效率值,平均值处于0.6附近,2020年、2021年由于新冠疫情的影响纯技术效率低于0.6,说明近年来我国电商行业生产在技术前沿面出现较大的投入冗余,而产出却相对不足的问题。北京、上海、广东三地依靠强大的经济支持、相对丰富的超前技术投入和要素资源优势,在纯技术效率方面领先于其他地区,北京、上海、广东的电商行业纯技术效率为1。海南和西藏则依靠较少且相对均衡的投入和产出总量,实现电商行业纯技术效率的有效性。总体而言,东部地区依靠相对发达的经济和技术优势,电商行业纯技术效率超过中部地区,中部地区由于交通、人口等强项,纯技术效率优于西部的宁夏、新疆地区。

表3 2016—2021年中国31省区市电商生产的纯技术效率值

如表4结果所示,我国2016—2021年31省区市电商生产的规模效率等于电商综合效率与电商纯技术效率之间的比值,能综合反映出区域内电商行业生产的规模效率以及规模报酬增减趋势的情况。上海等地的电商生产综合效率值和纯技术效率值均为有效,因此其规模效率值也是相对有效的。综合来看,在此期间,我国电商生产的规模效率整体水平均较高,各区域的规模效率值对综合效率值的影响不如纯技术效率值,但平均值处于0.9以上的高水平,2020年、2021年尽管处于新冠疫情时期,各区域电商行业生产的规模效率依然继续处于高位,说明近年来我国电商企业在控制规模化方面是相对比较合理的,现阶段电商企业规模化生产,可以满足电商企业对利润的追求。除了河北、山西、内蒙古、吉林、黑龙江、宁夏的电商生产规模效率依然处于规模报酬递增阶段外,其余大部分省份地区已进入规模报酬递减阶段了。这说明河北、山西、内蒙古、吉林、黑龙江、宁夏的电商生产规模还跟不上区域内的消费需求,可以适度扩大电商企业的生产规模。而其余进入到规模报酬递减阶段的省份地区说明电商生产规模已满足区域内的需求度,并造成了一定程度的浪费,需要在下一阶段的生产过程中控制企业的生产规模。

表4 2016—2021年中国31省区市电商生产的规模效率值

四、实证分析

(一)模型设计

本文旨在研究影响中国电商行业生产效率的关键性因子,要解决这个问题,需要考虑到我国电商行业现阶段的生产过程、市场环境、技术条件以及政策支持等多方面因素。因此,在电商生产影响因素实证分析过程中,选取电商规模、电商销售、快递包裹、物流条件、信息条件、从业人员、市场环境、市场需求、地区经济增长等变量数据,构建以下回归模型:

E=β0+β1lnScale+β2lnSell+β3lnParcel+

β4lnFlow+β5lnMessage+β6lnLabour+

β7lnMarket+β8lnRequire+

β9lnEconomy+ε。

(9)

在公式(9)中,E为被解释变量,衡量DEA测算电商生产的综合效率值、纯技术效率值、规模效率值,lnScale、lnSell、lnParcel、lnFlow、lnMessage、lnLabour、lnMarket、lnRequire、lnEconomy分别为解释变量,衡量电商规模、电商销售、快递包裹、物流条件、信息条件、从业人员、市场环境、市场需求、地区经济增长指标。β0为回归模型的截距项,β1、β2、β3、β4、β5、β6、β7、β8、β9为模型的待估参数项,若为正,则表示解释变量对被解释变量存在正向影响;若为负,表明解释变量对被解释变量存在负向影响。

(二)变量定义与描述性统计

根据回归模型,收集中国2016—2021年31省区市电商生产的相关数据,并进行对数化处理,被解释变量为综合效率、纯技术效率、规模效率,分别用DEA测算电商综合效率值、电商纯技术效率值、电商规模效率值来衡量。主要解释变量为电商规模、电商销售,分别用地区电商企业个数对数、电商企业网上零售额对数来表示。控制变量为快递包裹、物流条件、信息条件、从业人员、市场环境、市场需求、地区经济增长,分别用快递和包裹投送数量对数、地区公路里程对数、电商企业计算机数量对数、电商企业从业人数对数、电商市场销售额度对数、电商市场采购额度对数、地区全社会生产总值对数来表示。文中电商生产效率为电商行业生产效率的简称,电商行业生产效率即为电商生产效率。具体的变量定义与描述性统计如表5所示。

(三)回归结果分析

根据构建的回归模型,对中国2016—2021年31省区市电商生产的相关数据进行对数化处理后,回归结果如表6所示。

表6 基准回归结果

在表6中,逐步加入变量指标后,R2由0.263上升到0.689,说明在微观小样本的回归模型中拟合度较好。在模型(4)中,各变量对电商生产的综合效率值的影响效果显示,电商规模、快递包裹、物流条件、市场需求、地区经济增长对电商生产综合效率影响效果显著为负,说明在现阶段电商行业发展模式下,为电商生产发展带来活力的电商规模、快递包裹、物流条件、市场需求、地区经济增长等因素,对电商生产综合效率的提升,却起到了阻碍的作用,说明电商规模、快递包裹、物流条件、市场需求、地区经济增长等因素在促进电商生产时的边际效果不断减弱,这些因素在推动电商产量增加的过程中作用越来越小,反而造成了资源投入方面的浪费,应控制这些因素的投入。相反,电商销售、信息条件、从业人员因素对电商生产综合效率影响效果显著为正,说明现阶段电商销售、信息条件、从业人员等因素,一方面能进一步提升电商产量增加,另一方面能控制一定的资源投入浪费,对提升电商企业生产的综合效率有较好的促进作用。市场环境对电商生产综合效率影响效果为正,但是并不显著。在模型(5)中,各变量对电商生产纯技术效率值的影响效果显示,各变量对电商生产的纯技术效率影响与模型(4)中对综合效率影响的方向和显著性基本一致,唯独物流条件一项相反。模型(5)中,物流条件对电商生产纯技术效率影响效果显著为正,说明物流条件对推进电商生产的偏向性技术前沿面具有较好的效果,其余变量对推进电商生产偏向性技术前沿面的方向及效果,与对综合效率的影响一致。在模型(6)中,各变量对电商生产的规模效率的影响效果显示,各变量对电商生产规模效率影响与模型(4)中对综合效率影响的方向和显著性也是基本一致,其中特别要注意的是地区经济增长对电商生产的规模效率影响效果显著为正,说明地区经济增长为电商生产发展带来更多的边际收益,并不断刺激电商行业扩大规模,以实现规模报酬最大化。

五、结论与启示

党的二十大报告明确指出,中国要“着力提升电商生产效率,推动经济高质量发展”。提升电商生产效率水平,促进经济社会可持续发展,是今后一个时期以高质量发展推动中国式现代化的重要着力点。本文研究偏向性技术进步的电商生产效率,可以在观测电商生产过程中电商企业资源投入冗余和产量不足问题的同时,看到技术前沿面的变化情况,分析技术给电商行业带来的效益,以及技术促进电商企业追求生产效应。本文运用我国2016—2021年31省区市电商生产的数据,构建包含非期望产出的方向性距离函数DEA模型,测算电商行业生产的综合效率、纯技术效率、规模效率,选取关键性影响因素,构建回归模型,进行回归估算,分析各影响因素对电商行业生产效率的影响,得到以下结论:

第一,我国2016—2021年31省区市电商生产的综合效率和纯技术效率均较低,平均值处于0.6附近,处于较低水平,说明近年来我国电商行业生产出现较大的投入冗余浪费以及产出严重不足的问题。我国电商生产综合效率呈现出东高西低,由沿海省份向西北内陆地区递减的规律。经济发达的省份拥有相对丰富的超前技术投入和要素资源优势,在纯技术效率方面领先于其他地区。

第二,我国电商生产的规模效率整体水平均较高,各区域的规模效率值对综合效率值的影响不如纯技术效率值,但平均值处于0.9以上的高水平,说明近年来我国电商企业在控制规模化方面是相对比较合理的,现阶段电商企业规模化生产,可以满足电商企业对利润的追求。除了河北、山西、内蒙古、吉林、黑龙江、宁夏的电商生产规模效率依然处于规模报酬递增阶段外,其余大部分省份地区已进入规模报酬递减阶段了,说明我国大部分区域电商生产规模已能满足区域内的需求度,并造成了一定程度的浪费,需要在下一阶段的生产过程中控制企业的生产规模。

第三,电商规模、快递包裹、物流条件、市场需求、地区经济增长对电商生产的综合效率影响效果显著为负,电商销售、信息条件、从业人员因素对电商生产的综合效率因素效果显著为正。论文以偏向性技术进步为效率测算核心,建立起完善电商投入产出体系理论,使电商效率测算更加全面科学,加入电商生产的关键性指标,研究电商生产影响因素,关注优势经济资源促进电商生产的长期影响,在理论和实证上完善了我国电商生产效率及其影响因素的研究,也为更加深入开展电商行业研究提供了理论依据。

基于以上研究结论,为了稳步提升电商生产效率,推动电商经济高质量发展,首先要加强政府政策的支持力度。政府要出台一系列支持电商生产发展的政策,包括减税降费、扶持创新等,进一步强化电商平台的竞争和整合,不断提升电商用户体验和服务质量,促进电商行业的发展。其次,要强化创新驱动。在电商技术、营销模式和服务方面持续创新,减少由于技术投入损失浪费而出现的资源消耗过度现象。电商企业应广泛利用数据分析和人工智能技术,通过对用户行为和需求的深入了解,提供个性化的推荐和服务,提高销售效率。最后,要推动供应链和物流仓储的优化。电商企业不断优化电商供应链和电商物流网络,提高配送速度和准确性。提升物流配送的效率,扩大快递服务的覆盖范围。通过优化仓储和物流流程,提高电商存货周转率和交货速度。使用电商仓库管理系统进行存货跟踪和库存管理,采用智能物流解决方案来优化物流路径和配送安排。通过合理科学地调配资源,减少电商生产资源投入的浪费,提高电商生产的收益额,实现电商生产效率的全面提升。