一、引言与文献综述
在信息时代，电子商务的应用对于企业的经营管理绩效的提高有正面的影响，尤其对于网络零商企业而言，电子商务降低企业运营成本，提高了企业的运作效率，增强了企业的盈利能力。
对电商企业的经营管理绩效进行评价研究，对于管理者进行企业的经营管理决策，投资者作出投资决策，政府等有关部门制定相应的产业政策，都具有重要的参考意义。
关于电子商务应用企业的绩效评估近年来是国内外学关注的热点。Bendoly和Kaefer（2004）通过分析115家电子商务应用企业的交易效率，认为ERP战略对于B2B电子商务技术效率有显著影响。JinghuaHuang（2009）基于层次分析法构建了一个包含四个标准16个指标的评价体系来衡量网络零售商的经营绩效。Romero等（2010）基于随机前沿模型分析了西班牙制造业网上购买与网上销售在企业层面的效率。Jia-JaneShuai（2011）基于DEA和灰色熵理论分析了网络营销对我国台湾酒店行业经营绩效的影响。XiaobingYu（2011）将层次分析法和模糊TOPSIS法结合起来提出一种评价电子商务联盟经营效率的模型，并通过实证分析验证了模型的有效性和可行性。
此外，楚金华和刘冉昕（2007）基于因子分析法构建了企业电子商务绩效评价的体系。赵晶等（2010）从战略构建、资源分析、能力评估及绩效测量四个维度基于结构方程模型构建了企业电子商务绩效评价模型，并对我国75家开展电子商务的制造业企业进行了实际测评。戴卫明（2013）从实证角度研究了集群企业电子商务绩效的影响因素，指出影响企业电子商务绩效的因素有区域品牌效应、物流配送系统效率、电子商务应用水平等。
企业的经营绩效评价涉及到评价的主体、目标、对象、指标、标准、方法等方面，评价方法的选择至关重要，如果所用评价方法欠科学，评价标准、指标等都会显得孤立，评价也就没有了多大意义。张青等（2002）和唐欣（2013）分别基于神经网络评价了企业的经营绩效，钟庆华（2008）则基于主成分分析对水电上市公司的经营绩效进行评价，实证分析证明了评价方法的有效性。蒲勇健和罗巧利（2012）基于Monte-Carlo模型和随机前沿分析评价了企业的经营管理绩效，杨松令等（2013）则用数据包络分析评价我国高新技术企业的经营绩效。
本文在前人研究基础上，从投入—产出角度出发，将数据包络分析（DEA）中的BCC模型和“超效率DEA”模型结合起来，评价电商企业的经营管理效率。
二、研究方法与数据来源
（一）数据包络分析
数据包络分析（DataEnvelopeAnalysis，DEA）是一个多学科交叉的领域，以Farrell前沿生产函数为基础，基于“相对效率”概念，运用数学规划，评价具有多输入，特别是有多输出的“部门”（即决策单元，DMU）间的相对有效性。
1.基本DEA分析模型
第一个DEA分析模型由Charnes、Coopor和Rhodes提出，故称CCR模型。CCR模型的假设为规模报酬不变，其得到的效率为综合效率（TE）。放松规模报酬不变的假设即扩展为BCC模型，该模型将综合效率分解为纯技术效率（PTE）和规模效率（SE），其中TE=PTE*SE。BCC模型可表述为：
（1）式中，θ即为决策单元的效率指标，λ表示权重，ε为大于零的非阿基米德无穷小量，eTm=（1，1，…，1）T缀Em，eTS=（1，1，…，1）T缀Es，s-和s+为输入和输出松弛变量，分别表示投入冗余和产出不足。当θ0=1，s-0=s+0=0时，决策单元i0是DEA有效的；当θ0﹤1，s-0或s+0至少有一个不为0时，决策单元i0是DEA无效的。
决策单元足够多时，会有很多决策单元处于前沿生产面上，即会有很多单元的效率值为1。
基于CCR或BCC的DEA分析存在的最大不足就是不能对这些处于前沿面的DEA有效的单元进行排名。现实中很多企业再投入和产出上迥异，但当他们都达到DEA有效时，传统的DEA分析模型就不能对其进行比较分析了。
2.超效率DEA分析
为解决传统DEA分析模型无法比较DEA有效单元的技术效率，Andersen和Petersen提出了超效率DEA（SE-DEA）模型。该模型的基本原理图1中，X1为一种投入要素，X2为除X1以外的其他的投入要素。决策单元D1、D2、D3、D4表示处于前沿生产面的四个不同的投入产出组合，为DEA有效单元，其效率均值为1，决策单元D5表在前沿面之外，其效率值为θ5=OD'5/OD5，是小于1的。SE-DEA模型的基本原理为：以有效决策单元D3为例，传统DEA分析模型（CCR或BCC）下，前沿面为D1D2D3D4，当计算决策单元D3在SE-DEA模型下的效率值时，将D3排除在外，此时的前沿面为D1D2D4，D3的参考点变为D'3，决策单元D3到新前沿面的的距离表示其可扩张的大小，其效率值为θ3=OD'3/OD3，显然是大于1的。这里SE-DEA模型所表示的经济含义为：保持现有的技术水平，决策单元D3的各投入要素等比例扩大θ3倍，依然是DEA有效的。
而对于无效决策单元D5，在SE-DEA模型下，其前沿面没有发生变化，故其效率值也是不变的。
规模报酬不变下的SE-DEA模型的数学表达式为
（2）式中各符号与（1）式相同，所不同的在于评价决策单元i0时，将其与其他决策单元的线性组合进行比较。当θ0≥1，s-0或s+0=0时，决策单元i0是DEA有效的；当θ0﹤1时，决策单元i0是DEA无效的。
（二）数据来源
对于电商企业的经营绩效进行评价，评价指标体系的选择应当满足科学性、综合性、系统性、可操作性等原则。综合考虑大多数学者关于企业经营绩效的评价的研究，构建电商企业的投入产出指标体系如表1所示。
表1中，员工人数、应付职工薪酬、资产规模是电商企业进行经营的实物投入，而资产负债率和总资产周转天数分别反映电商企业的偿债能力和营运能力，是电商企业的管理投入，实物投入和管理投入共同构成电商企业的投入体系；主营业务收入和净资产收益率分别从量的角度和质的角度反映电商企业的产出情况。考虑到数据的可获得性，本文选取在沪深两市上市的22家电商企业作为评价对象，决策单元个数大于投入产出指标个数之和的两倍，因此可以运用DEA方法进行分析。各投入产出指标均为所选企业2012年的数据，所有数据来自RESSET金融研究数据库。
三、实证分析
（一）分析结果
实证分析通过软件DEAP2.1和DEA-Solve-LV实现。首先通过DEAP2.1在传统的DEA分析模型（BCC）下对所选28家电商企业的投入产出进行分析，然后通过DEA-Solve-LV运用规模报酬不变的SE-DEA模型对所选电商企业进行分析。分析结果如表2所示。
从表2初步可以看出，传统DEA分析模型在综合效率为1的10家企业在SE-DEA模型中都有了明确的排名，是可以进行比较分析的。
（二）电商企业经营效率分析
首先，从传统的BCC模型来看，22家电商企业综合效率达到DEA有效的企业有10家，占45.5%，因此综合来看，电商企业经营管理处于有效状态的企业并不是很多。从纯技术效率来看，纯技术效率达到DEA有效的电商企业有16家，占比72.3%，显然纯技术有效的企业是比较多的，并且纯技术效率平均值也比较接近前沿面。从规模收益来看，处于非DEA有效的企业大多处于规模报酬递增阶段，具有较大的提升空间。另外，对于个别电商企业，像辉煌科技、海虹控股、三五互联等企业综合效率都很低，而其纯技术效率都是DEA有效的，其经营的低效率几乎完全是规模无效造成的。
其次，从SE-DEA模型的分析来看，对于BCC模型下DEA有效的10家电商企业，SE-DEA模型给出了其综合效率值的大小，且均是大于1的，说明这些企业扩张相应倍数后依然是DEA有效的。另外，表2中，上海钢联在SE-DEA模型下的综合效率值高达33.4以上，究其原因，从该企业披露的2012年年报中可以看出，其应付职工薪酬仅32.07万元（而其他21家电商企业相应投入的平均值为10368.1万元，最小的也有379.75万），较低的投入产出比使其成为行业内综合效率最高的企业。
再次，比较BCC模型和SE-DEA模型来看，SE-DEA模型最大优势就是其能够对BCC模型下DEA有效的电商企业进行排名，这些DEA有效的电商企业的“超效率”值不同正是说明它们之间是可以相互比较的，而不是无差异的；而对于BCC模型下DEA无效的企业而言，两模型的计算结果基本是一致的（由于计原因，使得个别企业计算结果有差异，不代表真正不同）。
（三）电商企业投入产出改进分析
首先讨论BCC模型下非DEA有效的电商企业的改进情况。可以从两方面改进：对于纯技术效率有效而规模无效的6家电商企业，均处于规模报酬递增阶段，因此可以扩大企业的规模以使这些企业达到DEA有效；对于纯技术效率无效规模收益也无效的6家电商企业，可以先调整这些企业的投入要素组合，使其达到DEA有效。
DEAP2.1软件了纯技术效率无效的电商企业产出不足和投入冗余的情况，如表3所示。可以看出，有两家企业在营业收入方面存在产出不足，所有企业在净资产收益率方面存在产出不足；所有的纯技术效率无效的电商企业在投入要素方面存在冗余。
其次讨论BCC模型下DEA有效的电商企业的改进情况。BCC模型下这些企业综合效率、纯技术效率和规模效率均为1，达到DEA有效，但在SE-DEA模型下，大于1的“超效率”值正说明这些企业不同的扩张程度，因而这些分企业依然是可以改进的。DEA-Solve-LV软件给出了SE-DEA模型下电商企业的改进情况，限于篇幅，表4给出了排名前三位的上海钢联、苏宁云商和高鸿股份的投入产出的改进情况。
表4中，Xi（i=1，2，…，5）和Yi（i=1，2）的含义见表1，可以看出即就是“超效率”大于1的电商企业，依然存在可改进的空间。例如，上海钢联综合效率值高达33.4以上，但依然未处于最优的生产前沿面，将其员工人数增加43%，应付职工薪酬增加999.90%，资产规模增加100.7%，资产负债率减少22.7%，总资产周转天数增加577.7%，就可以在产出不变条件下达到更优的生产前沿面。而对于排名第三的高鸿股份来说，将其员工人数增加131%，应付职工薪酬增加131.19%，资产规模减少4.6%，资产负债率增加33.43%，总资产周转天数增加55.1%，就可以在保证主营业务收入不变的条件下，将其将资产收益率增加999.90%。
当然，应当指出的是，无论是DEA非有效的电商企业，还是DEA有效的电商企业的改进，仅在本文的投入产出指标体系下有意义，而且也只具有数据包络分析层面的理论意义。例如，对于表4中，苏宁云商的资产负债率的目标值为239.8%，这个显然是没有多大实际意义的。
四、 结论与启示
文章基于传统的数据包络分析模型 BCC 模型和超效率 DEA 分析模型对沪深两市上市的 22 家电商企业的经营管理绩效进行评价， 主要可以得出以下结论：
（1） 通过 BCC 模型分析可以发现， 22 家电商企业中有 10 家的经营效率达到 DEA 有效， 整体而言电商企业的出技术效率是比较高的， 处于非DEA 有效的企业大多处于规模报酬递增阶段 。BCC 模型下， DEA 有效电商企业的之间似乎是无差异的， 无法进行比较。
（2） SE-DEA 模型可以对 BCC 模型下 DEA 有效的电商企业进行比较和排名。 大于 1 的 “超效率” 值是这些 DEA 有效企业可以继续扩张的比例， 而对于 BCC 模型下 DEA 无效的电商企业，其 SE-DEA 模型下的超效率值不发生变化。
（3） 对电商企业进行投入产出分析发 现 ，BCC 模型下非 DEA 有效电商企业可以通过调整规模或者调整投入要素组合以达到生产的前沿面，而 BCC 模型下 DEA 有效的电商企业在 SE-DEA模型下其经营管理效率依然是可以改进的， 可以适当调整这些企业投入要素组合以使其达到最有生产前沿面。
此外还应当指出， 本文的分析还存在两方面需要进一步完善的地方： 一个是投入产出指标体系的选择问题， 本文的分析考虑到了电商企业的运营能力、 偿债能力和盈利能力， 而对于电商企业的发展和成长能力以及电商企业自身的特点等因素并未考虑， 对于电商企业投入产出指标体系的完善可作为今后的一个研究方向； 另一个就是本文关于电商企业投入产出的改进分析仅仅是本文所选投入产出指标体系下的分析， 并且也只具有数据包络分析层面的理论意义， 关于电商企业经营管理绩效的改进还应当结合该类企业自身的特点和公司治理的有关理论进行详细分析， 这亦可以作为今后的一个研究方向。
