基于DEA的我国零售行业规模经济性研究
使用数据包络分析（简称DEA）对决策单元（DMU）进行效率评价注重对每一个DMU 进行优化，且能够指出有关指标的调整方向，而且可以得到很多经济含义和管理信息。本文将基于DEA分析法，以31个省（市）规模以上零售企业为样本，对各区域零售行业和零售企业的规模经济进行研究，以期对相关部门和企业决策者提供一定的指导和帮助。
数据包络分析（DEA）
（一）DEA发展概述
数据包络分析（Data Envelopment Analysis，简称DEA），由美国著名运筹学家Charnes，Cooper和Rhodes最初创建的。事实上DEA的原型可以追溯到1957年Farrell在对英国农业生产力进行分析时提出的包络思想。1978年Charnes等人在Farrell的理论基础上，将多投入多产出的效率衡量转换为数学比例，以线性规划求解有效前沿，计算决策单元在固定规模下的相对效率，该模型被称为CCR模型。1984年Chames等人提出的BCC模型，该模型在允许变动规模报酬的情况下，引入了Shephard的距离函数，得出衡量技术效率和规模效率的线性规划模式。此后，DEA模型得到扩充和完善。例如：加法模型、Log-型的DEA模型、关于具有决策者偏好的锥比率的DEA模型、具有无穷多个DMU的半无限规划的DEA模型、随机DEA模型等等。我国学者从事DEA的研究始于1986年，他们在DEA的理 论、模型、软件以及应用方面的许多研究成果在国际上受到了好评。
（二）DEA基本原理与步骤
DEA的基本原理包括了运筹学、管理科学和数理经济学的相关理论和思想。其基本原理为：首先，构建有众多决策单元（DMU）组成的评价群体，每个决策单元具有多种可衡量的投入和产出指标；其次，以MDU各项投入和产出指标的权重为变量，定义加权的总输出和总投入指标比效率评价的指标，利用线性规划技术进行运算，得出有效的生产前沿面；最后，根据DMU与生产前言面的位置关系，以确定各DMU的有效性，并根据投影法指出非DEA有效的原因及改进的方向和程度。
应用DEA分析问题的一般步骤为：确定评级目的、选择决策单元、构建评价指标、数据收集、建立评价模型、模型求解与分析、效率分析及综合评价等。
（三）DEA应用概述
与其他的综合评价方法相比，DEA方法处理多输入，特别是多输出的问题的能力具有绝对优势。首先，作为一种客观的多指标决策方法，它不需要预先给出各指标的权重系数或通过事先做出的一些判断（如层次分析法要构造判断矩阵）来决定权重系数；其次，DEA属于非参数模型，不存在因参数估计对评价结果造成的误差；最后，DEA的评价结果较全面，DEA不仅能评价各决策单元是否有效，还能判断各DMU的投入规模是否适当，并且给出各DMU调整投入规模的正确方向和程度。
基于以上优势，DEA创立后就被广泛应用在很多领域。DEA的首次成功运用是评价为弱智儿童开设的公立学校项目。后来 DEA的应用范围又扩展到军用飞机的飞行、基地维护与保养、陆军征兵、城市评价等方面。例如，2003年郑欣应用DEA模型对我国城市竞争力进行评价，2006年施金亮等基于DEA模型对我国上市公司绩效进行研究，2009年叶佩文用DEA分析法分析了我国城市轨道交通规模效率情况。
基于DEA的我国各省（市）零售企业规模经济型分析
（一）评价目标
零售业态的演变及发展过程显示零售企业存在明显的规模经济效应，且零售企业是具有典型多投入多产出的生产服务系统。因此，本文认为基于DEA模型的区域零售企业规模经济性研究在理论上具有较强的可行性。
近年来，随着零售业整体规模的快速增长，我国零售企业竞争力存在明显的地域性差异，且而规模因素是影响区域零售企业整体竞争力的重要因素。本文将应用DEA模型更全面地测度各区域零售企业相对规模经济性，并通过对比各区域零售业在规模报酬增减情况、资源配置、管理水平等方面的差异性，为实现我国零售业健康、快速发展提出相关政策建议。
（二）决策单元
DEA模型决策单元的选择方法主要包括三种，即：横向选择法、纵向选择法、及横向与纵向相结合法。横向选择法指选择同一时间的不同产出单位或部门作为DMU，目的是分析不同决策单元的相对有效性。纵向选择法指选择同一产出单位或部门作为DMU，目的是分析某一产出单位或部门的有效性的发展趋势。而横向和纵向相结合的选择方法从横向和纵向两个角度更加全面的研究MDU的有效性情况。
鉴于以上的评价目标及篇幅的限制，本文采用横向选择法，选择全国31个省的规模以上零售企业为决策对象。原因为：一是各区域规模以上零售企业可以在很大程度上反映各区域零售业的整体发展现状，二是31个省规模以上零售企业的相关数据可以在统计年鉴直接获取，确保了数据的准确性和客观性。（三）投入、产出指标选择
根据微观经济学原理，任何一个企业都要有一定的投入（如资金、人才、技术等）和产出（如营业收入、利润等）。对某一区域同一类型的所有企业的投入和产出进行累加就构成了某一区域某一行业的投入和产出。根据以上研究目标和决策单元的选择，本文投入和产出指标的选择为我国不同区域规模零售企业投入和产出的累加指标。
根据评价指标选择的客观性、科学性、可比性等原则，并考虑到数据的可得性，本文的投入和产出指标选择为：投入指标包括法人企业（个）、资产总额（亿元）、从业人数（人），产出指标包括销售额（亿元）、营业收入（亿元）、营业利润（亿元）。具体决策单元指标见表1。
（四）模型求解及结果分析
本文使用DEAP2.1软件，选择输出导向的模型，进行数据包络分析。根据模型求解结果，从效率水平、投入冗余、产出不足三个方面对我国各省（市）的零售企业规模经济性进行分析。在本文中，效率水平分析主要是通过对纯技术效率、规模效率、及规模报酬等指标的分析，判断各省（市）的零售企业在资源配置效率高低、行业规模报酬阶段及整体运营效率等方面的差异性。投入冗余和产出不足分析主要指通过对弱DEA有效的决策单元的目标值和原始值进行对比分析，指出了各省（市）提高零售企业整体运营效率的努力方向和程度。 第二，投入冗余与产出不足分析。根据各决策单元投入和产出的原始值和松弛变量调整值可以求出各非效率决策单元投入和产出的目标值。投入或产出的松弛变量调整值占原始值的比重越大，说明该投入或产出是造成该决策单元性对非效率的因素之一。投入和产出松弛变量调整值一般可用节约值和可增加值表示。本文整理出我国31个省（市）投入和产出调整值如表3所示。从表3可以看出，出现投入冗余的投入指标主要为从业人员和法人企业，其中，10个省（市）的零售企业出现从业人员的投入冗余，平均可节约11%，有8个省（市）的零售企业出现法人企业的投入冗余，平均可节约5%。这说明从业人员过剩和企业过多，是造成这些省（市）零售企业效率相对较低的主要原因，因此，可以通过企业兼并和精简从业人员的措施改善这些区域零售企业的整体效率。从产出不足方面，我国各省（市）的零售企业由于存在大部分处在规模递减阶段，为非DEA有效，存在较大的效率提升潜力。其中，有17个地区的各项投入指标是可以增加的，销售额、主营业务收入和主营业务利润的平均值分别为23%、17%、16%。
结论
本文运用数据包络分析法，以2011年我国31个省（市）规模以上零售企业的数据为样本数据，对我国各省（市）零售行业的规模经济性、资源配置效率等进行了定性和定量的分析，主要结论为：第一，我国零售行业资源配置效率较高，规模与投入、产出不匹配是导致部门省（市）零售业非DEA有效的主要原因，政府部门可以通过出台相应的政策限制或促进该区域的零售业整体；第二，我国一些省（市）的零售企业存在一定的人员投入冗余，通过提高管理水平等措施，可以在保证产出不变的情况下精简人员；第三，如果合理调整规模，我国大部分省（市）的零售业存在一定增长空间。
本文研究的不足之处主要表现在以下两个方面：一是鉴于数据的限制，投入和产出的指标的选择过于简单，可能使得研究结果与实际情况的误差加大，二是鉴于篇幅的限制，本文只是横向地研究了各省（市）的零售业规模经济性，并未纵向地对我国零售业规模经济性的发展趋势进行研究。因此，为了更好的认知我国零售业规模经济性现状和趋势，作者还有待和业内人士与其他学者共同探研。
