中国地区零售服务业生产率的影响因素研究.docxVIP

? ? 中国地区零售服务业生产率的影响因素研究 ? ? 　　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50.2%、66.4%、64.6%，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）又进一步完善了该观点。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， 　　 　　将所有DMU按某属性分组，分别计算各组内部全局Malmquist指数和被分组的整体全局Malmquist指数。 　　 　　不分组整体全局M指数，在上式的基础上可以进一步分解： 　　 　　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”作为劳动力投入的代理变量。 　　（2）资本投入。考虑到零售业行业特殊性，将“年末资产总额”作为资本投入的代理变量。 　　（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”作为过程产出的代理变量。 　　（4）最终产出。将“主营业务利润”作为最终产出的代理变量。 　　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。 　　表1