中国地区零售服务业生产率的影响因素研究

内容提要：通过构造Global-Metafrontier-Malmquist生产率指数模型，本文利用2006-2015年相关面板数据对中国各地区的零售服务业生产率进行测度，并在此基础上利用空间面板数据计量模型对零售服务业生产率影响因素进行估算。研究表明，地区经济发展、人力资源管理、通信与信息技术的运用以及市场化对零售服务业生产率有正向作用，但管制则带来负面影响。

关键词：零售服务业；生产率；影响因素；空间计量

中图分类号：F71332；F273 文献标识码：A 文章编号：1001-148X（2017）03-0022-06

一、引言

据国家统计局数据，2014至2016三年中，我国消费对GDP的贡献率分别达到502%、664%、646%，成为国家经济增长的重要支柱。然而，我国零售服务业市场集中度偏低、区域发展不均衡特别是生产效率偏低的问题却一直存在。2016年11月11日国务院出台的《关于推动实体零售创新转型的意见》强调我国零售服务业发展已经进入到了一个需要改革创新提升生产效率的阶段。

Baumol（1967）提出了关于服务业生产率的“成本病”理论，认为服务业是“非进步部门”，生产率一直缓慢增长或不增长，但是其单位产出成本却可能无限制的增加。Baumol等（1984）又M一步完善了该观点。国内学者从各个角度对服务业全行业发展进行的研究（王恕立和胡宗彪，2012；崔敏和魏修建，2015；王恕立等，2015），发现中国的服务业生产率没有出现Baumol提到的“成本病”，但服务业生产率受哪些因素影响、如何进一步提高生产率各有见解。目前国内对于零售服务业生产效率的研究，只针对具体地区或特定的效率，尚没有在全国数据基础上的生产率测度以及对生产率变化影响因素的研究。我国幅员辽阔，地理异质性现象明显，空间依赖性已经成为现实，所以影响生产率的因素同样要考虑空间效应。鉴于此，本文拟构造评价中国地区零售服务业生产率的Global-Metafrontier-Malmquist生产率指数（简称为GMMI）模型，并利用2006-2015年相关面板数据对中国各地区的零售服务业生产率进行测度；在此基础上，利用空间面板计量经济分析模型，构造空间自相关模型（SAR）和空间误差模型（SEM）对零售服务业生产率影响因素进行估算，并在得出结论的基础上给出相关政策建议。

二、中国地区零售服务业生产率的测度

（一）生产率测度方法

数据包络分析（DEA）是非参数方法中测度生产率非常有效的一种方法。但是，如果被评价的经济单元被分为若干群组，如中国东中西部地区等等，这些群组则会遵循各自不同的前沿水平。这些差异无法真实反映被评价群组的效率水平。为此，学者们将共同前沿（meta-frontier）的概念引入到效率评价中，其中，Battese和Rao（2002）依据一定标准将DMU划分为不同群组，用随机前沿法（SFA）界定出不同群组前沿和共同前沿，并估计不同群组和共同前沿的技术效率，得出技术落差比率。但SFA的假设是所有DMU具有潜力达到相同的技术前沿，可能导致共同前沿无法包络群组前沿，并且SFA也不能针对多投入多产出的情况。Battese等（2004）使用DEA方法扩展了这一研究，解决了上述问题。Oh和Lee（2010）将共同前沿应用于全局参比Malmquist指数，使得我们能够考察共同前沿的动态变化及构成，能够考察不同群组及共同前沿的技术和效率演化。基于此，本文构建了评价中国地区零售服务业生产率的Global-Metafrontier-Malmquist生产率指数（简称为GMMI模型）。

具体测算过程简要描述如下：

分别定义共同前沿生产可能性集和群组前沿可能性集，

其中，EC指组内效率变化指数，BPC指组内前沿与全局前沿的差距（BPG）的变化指数，TGC是指技术缺口比率（TGR）的变化指数。

（二）指标选择及数据来源

在构建评价中国地区零售服务业生产率测度的Metafrontier-Malmquist指数模型时，需要选择两个方面的指标，即投入变量和产出变量。在参考相关研究的基础上，考虑零售服务业自身特点以及数据可得性，我们从劳动力投入和资本投入两个方面考虑投入变量，从过程产出和最终产出两个方面考虑产出变量。

（1）劳动力投入。在实际测算中，无法获得完整的劳动力质量数据，将“年末从业人员数”作为劳动力投入的变量。

（2）资本投入。考虑到零售业行业特殊性，将“年末资产总额”作为资本投入的变量。

（3）过程产出。基于零售业在经济发展中起到至关重要的流通作用（裴长洪，2012），将“商品销售额”作为过程产出的变量。

（4）最终产出。将“主营业务利润”作为最终产出的变量。

所选指标数据均来自2007-2016年的《中国统计年鉴》和《中国第三产业统计年鉴》。

（三）测度结果

通过构建的Global-Metafrontier-Malmquist生产率指数模型，运用上述指标和数据，对中国地区零售服务业生产率进行测度，其中，表1为模型的TGR值，图1为测度主要结果的变化趋势。

从图1中可以看到，生产率相关数值多数在1以上运行，也就是说，零售服务业一直保持着平稳增长状态，组内效率变化指数（EC）和技术缺口比率变化指数（TGC）保持着在一个相对稳定的空间波动，而全局GMMI、组间GMMI和组内前沿与全局前沿的差距变化指数（BPC）在2008～2009年度出现一个明显的偏低状态，这说明当年全国零售服务业生产率有明显偏低的地区，从而拉低了组间GMMI，进而使全局GMMI出现一个明显的低谷。

三、零售服务业空间自相关的检验

（一）空间权重矩阵的设置

在空间统计和空间计量研究中，需要用空间权重矩阵来表征样本间空间上的相互关联的程度。在研究中被经常使用的有三种空间权重矩阵，分别是邻接空间权重矩阵、经济意义空间权重矩阵和地理距离空间权重矩阵。邻接空间权重矩阵尽管设置简单，但与客观事实却并不符合（李婧等，2010），经济意义空间权重矩阵则强调按经济发展水平（如GDP、人均收入等变量）来进行权重设置（林光平、龙志和和吴梅，2005），但是其并未突出空间地理上的关联。因此，本文选择构建地理距离空间权重矩阵。

按照地理距离构造空间权重矩阵是符合地理学第一定律的（Tobler，1970），即任何事物与其周围事物均存在着联系，距离越近，事物之间的联系也越紧密。我们利用实际地理距离（d）平方的倒数来构造地理距离空间权重矩阵（W），具体为：

Wij=1d2，i≠j0，i=j

（二）全局空间相关性检验

在进行经济系统的空间计量分析时，首先要采用空间统计的方法来检验被解释变量是否存在空间的自相关性，如果检验通过，则需要进一步利用空间计量模型进行分析（吴玉鸣，2014）。而莫兰指数（Moran’s Index）一般是检验空间自相关的非常有效的方法（Rey和Montouri，1999；Rey和Janikas，2005），全局莫兰指数用于判断空间是否出现集聚或异常值，用于判断是否出现空间自相关现象；局部莫兰指数则用于判断哪些空间出现集聚或异常值。

全局莫兰指数可以定义为：

表2为历年GMMI全局空间自相关检验结果。全局莫兰指数在（-1，1）之间取值，大于0代表正相关，小于0代表负相P，通过表2我们可以看到，全局莫兰指数的期望和方差数据稳定，统计检验z值和p值均较显著，尤其近三年，相关性显著增强。

（三）局部空间相关性检验

局部莫兰指数可以定义为：

由上式可知，局部莫兰指数是对各地区数据进行单独测算，测算结果数据量较大，由于篇幅所限，在文中不再列示。我们通过比较直观的Moran散点图进行描述。Moran散点图是通过局部莫兰指数计算数据得出的，图中横轴和纵轴分别是该变量当期值和滞后项。四个象限分别表示四种类型的空间相关性：第一、二、三、四象限分别表示高-高（H-H，表示高水平地区的临近地区也是高水平的），表示空间正相关；低-高（L-H），表示空间负相关；低-低（L-L），表示空间正相关；高-低（H-L），表示空间负相关。图2和图3分别表示06/07年和14/15年的Moran散点图。

四、实证分析

（一）模型及数据选取

通过上述空间相关性检验，我们看到中国各地区之间存在着空间上的相互影响。从现实意义来看，中国幅员辽阔，各地区之间的差异确实显著存在（诸如地理位置、社会习惯等）。而时间上的观测值却无法解决这种相互依赖，为此我们选择近年来发展空间计量经济模型来进行分析。通过对理论空间计量经济学研究相关文献的梳理，空间自回归模型（Spatial Autoregression Model，简记为SAR）和空间误差模型（Spatial Error Model，简记为SEM）是两种非常有效的方法，并在实证研究中被广泛应用。因此，我们构建了评价零售服务业生产率影响因素的空间自回归模型和空间误差模型，具体如下。

空间自回归模型为：

对于影响零售服务业生产率的因素，本文主要考察以下几类：

（1）地区经济发展水平。本文选择“人均GDP”来作为各地区经济发展水平的变量，简记为GDP。

（2）人力资本。人力资本对零售服务业的影响一般需要从两个方面考虑，一个方面是劳动者技能，我们选择“当年每万人中等职业院校毕业人数”作为劳动者技能的变量，简记为LAT；另一方面是人力资源管理，我们选择“当年每万人本专科毕业人数”作为人力资源管理的变量，简记为LAM。

（3）信息和通信技术的运用。发达国家零售业发展水平的差别主要体现在信息通信技术的投资差别上。本文选择“每万户移动电话交换机容量”作为信息和通信技术运用的变量，简记为IAT。

（4）管制。政府出于一定目的会对行业进行宏观调控，但是，由于零售服务业市场结构趋紧于完全竞争市场，管制有可能影响零售服务业生产率的进步（Higon等，2010）。我们选择“人均行政性收费收入”作为管制的变量，简记为REG。

（5）市场化。零售服务业的行业特点决定了其完全竞争的特性，市场化进程的不断推进，会为零售服务业生产率提供变化的空间（Foster等，2006）。我们选择“市场化总指数”作为市场化程度的变量，简记为MAR。由于本文需要的数据时间段超出了王小鲁等（2017）给出的测度数据，为此，我们利用插值法进行了数据测算，得到其他年份数据。

除市场化数据外，本文所用其它变量数据均来自2008-2016年的《中国统计年鉴》和《中国第三产业统计年鉴》。

（二）实证结果分析

利用2007-2015年间中国30个省域的相关数据，采用空间面板计量方法，估计了空间自相关模型和空间误差模型。为了保证模型估算结果的可靠性和稳健性，我们将上述测算所得的零售服务业生产率相关数据分别作为被解释变量，具体包括GMMI、EC、BPC和TGC。具体测算结果在表3和表4中列示。

从表3中，可以看到SAR模型相关估算结果。整体来看，模型（1）、模型（3）、模型（4）在变量系数的估算上方向比较一致，模型（2）与其它三个模型稍有差异。具体来看，第一，被解释变量的空间自相关系数在（1）和（3）中出现了两个显著的负相关，而在（2）和（4）中虽然是正相关，但别不显著。这说明零售服务业生产率在空间上没有临近的地区有正向溢出效应，相反，临近地区的发展反而会造成本地区零售服务业发展的滞后，这可能是由于相邻地区间的激烈竞争造成的，当然也有可能是由于省域之间存在着比较严重的地方保护主义而导致的。第二，GDP变量系数在（1）、（3）、（4）中表现为对零售服务业的正向影响，这说明地区经济发展对零售服务业生产率显著的带动作用；在（2）中却表现为负相关，说明地区经济发展不会对零售服务业技术效率提升有所帮助，这可能是由于地区经济发展使得人们积极消费，从而使得零售服务业缺乏追求提升技术效率的动力。第三，在人力资本的两个变量中，我们看到了一个有趣的结果，即劳动者技能（LAT）与生产率是负相关的，人力资源管理（LAM）与生产率是正相关的，两者表现的都不是很显著。这说明在零售服务业中，组织管理是非常重要的，而一般劳动力技能的提升则不会为行业生产率的改变做出贡献，这是可以看做是零售服务业一个非常典型的特性。第四，信息和通信技术的运用确实为零售服务业生产率的提升带来的显著的正向效应。这与Rusten和Bryson（2007）研究中提到的美国、英国、德国等国家发展轨迹是高度一致的。第五，管制变量与零售服务业生产率呈现出非显著的负相关关系，这可能是由于我国对行政管理制度做出了适当的改善，使得政府管理没有过度影响行业的正常发展。但是，管制的负面效果还有所体现。第六，市场化与零售服务业生产率呈现出较显著的正相关关系，但相关系数并不大。这可能是由于我国零售服务业尚未形成规模效应，中小型零售企业在市场化进程中会受到一定的冲击，而形成规模经济的零售企业则会在其中受益较大，二者在面临市场化时可能会有不一样的策略，导致市场化与生产率的相关性并不大。