第三章 研究对象与企业绩效变量界定
3.1 研究对象界定
3.1.1 零售业界定
零售业(Retail Industry)作为最传统的行业之一，至今仍没有统一的定义。零售的商贸流通属性使得一些研究人员认为零售业无处不在、无所不包，故而无需定义。但仍有相关研究人员和部门对零售业进行了定义。目前比较主流的是从营销学角度进行的定义，认为零售业是从事由生产者到消费者的产品营销活动的个人或公司从批发商、中间商或者制造商处购买商品并直接销售给消费者的行业[72]；中华人民共和国国家标准GB/T 18106—2004中把零售业定义为以向消费者销售商品为主，并提供相关服务的行业[73]。
对以上定义进行归纳提炼发现：1）零售的对象是最终消费者，即零售是商品流通的最后一个环节，商品一旦出售就表明商品从流通领域进入销售领域；2）零售的供给包括有形商品和无形的服务。由此，本研究认为零售业是指以直接向最终消费者提供所需商品及其相应服务为主的行业。
在了解零售业定义的基础上，研究进一步对零售行业划分标准进行介绍。目前我国证券市场使用的行业分类标准主要有两种：一种是由中国证监会(China Securities Regula-tory Commission) 颁布的偏重管理型分类的《上市公司行业分类指引》，简称CSRC行业分类；另一种是属于投资型分类的全球行业分类标准(Global Industry Classification Stan-dard)，简称GICS。CSRC分类标准与GICS相比较，前者是中国土生土长的分类标准、充分考虑了中国国情，后者是建立在西方发达国家成熟市场经济基础上的，行业分类标准更加成熟细致[84]。而两种分类标准存在诸多差异性决定了行业分类结果的差异性，并且每一种行业分类标准都有着不同的修正版本。因此，为保证零售业商业模式分类的可靠性，论文选择CSRC行业分类（2012年修订）中的上市零售企业名单为准。
按照CSRC（2012年修订）中的行业分类，零售业从属于19大行业分类之一的批发和零售业，行业代码为F52[74]。下面论文根据CSRC（2012年修订）中上市公司具体划分原则及步骤（如图3-1所示），初步可以判定上市零售企业的一些特点：零售业务收入占比在50%以上或零售业务是企业主要收入和利润来源且占比均超过总相应值的30%或行业分类专家结合企业特点把其划分为零售业。
3.1.2 研究样本选择及数据来源
论文遵循CSRC行业分类（2012年修订）标准，并按照以下原则对深沪两市的上市零售企业进行样本筛选，尽量避免不相关因素对样本数据的干扰，规避“Garbage InGarbage Out”的风险，使研究结论更具可靠性：
（1）选取2012—2013年间持续在沪深两市板块上市的零售企业作为研究对象。把零售业这一企业群体进一步限定在某一期间连续上市企业群体，能够保持相同的环境背景，减少客观因素的影响。
（2）剔除风险警示股票即剔除ST(Special Treatment)公司和*ST公司，其中ST为特别警示标识，*ST为退市警示。考虑到公司的稳定性及数据的参考价值，论文剔除*ST山水(600234)、*ST南纺(600250)、ST*沈阳商城(600306)、ST博元(600656)4个样本。
（3）剔除2012-2013年间有一年及以上相关数据缺失的企业，如成城集团(600247)。
这是在考虑数据的可靠性和可获得性而做出的限定。
根据上述标准筛选后，最终选定92家于深沪交易所上市的零售企业（见附表2-第2列）作为本论文的研究对象。针对研究样本进行数据搜集的主要途径如下：（1）所涉及到的零售上市公司财务指标、反应企业治理结构和供应商合作关系的指标数据主要来源于锐思(RESSET)金融研究数据库；（2）所涉及的零售上市公司营收构成数据来源于中国经济金融数据库CCER和证券之星网站；（3）缺失数据的进一步获取则是通过中国上市公司资讯网(www.cnlist.com)、巨潮资讯等网站获取；（4）对前后有矛盾的数据，以公司发布的年度财务报告为准。
3.2 零售企业绩效变量界定
3.2.1 企业绩效的衡量方法
企业绩效评价是对企业一定经营期间的经济效益和经营者效益做出客观公正的综合评价。尽管企业绩效评价无论在学术领域还是实践中都是一个重要课题，但目前绩效评价指标并未形成统一量表，相反，不同研究人员的研究量表颇具差异性且不同企业所实施的绩效测量体系也有所不同：从单一指标到综合指标、从财务指标到非财务指标、从绝对指标到相对指标。
财务指标评价法是所有企业绩效评价方法中最基本且最具代表性的一种评价方式。在 20 世纪 80 年代前，出于对企业投资者利益的考虑，投资报酬率等财务指标几乎是企业绩效评价的全部内容。到 20 世纪 80 年代，最常用方法莫过于 Brown 创立的杜邦财务分析法，之后又有，Charnes,Cooper&Rhodes(1978)提出的 DEA 评价法，美国哈佛大学 Cooper&Kaplan(1988)在 Staubus 思想的基础上提出的以作业为基础的 ABC 成本和算法，Stewar(1991)提出的 EVA 指标等。学者们根据研究的需要选取适当的指标或指标组合以衡量企业绩效。
然而，由于财务指标评价方法存在轻过程重结果、轻长期重短期(评价滞后性)、轻全局重局部等缺陷，Venkatraman&Ramanujam 于 1986 年提出了囊括财务绩效和非财务绩效的一个全面衡量企业绩效的量表。其后许多学者逐渐开始强调开发多维度、综合性绩效衡量量表的重要性，如 Robert Hall 的“四尺度”法，Kelvin Cross&Richard Lynch 提出的业绩金字塔模型(Performance Pyramid)，Robert Kaplan&David Norton 的平衡记分卡评价法(Balanced Score Card, BSC)等。
另外，相对指标绩效评价方法虽不及绝对指标评价方法运用广泛，但也得到很大发展。一般研究者运用关键绩效目标法(Key Performance Indicator,KPI)，构建涵盖与主要竞争对手的横向比较和与企业历史绩效水平的纵向比较的2维度的若干题项来判定企业绩效水平。
3.2.2 零售企业绩效评价体系界定与说明
尽管综合绩效评价量表、相对绩效评价量表都具一定的合理性，并得到广泛应用。但基于以下原因，本文选择利用财务指标来衡量上市零售企业经营绩效水平：
（1）准确可获得性。从研究者的角度来看，上市企业财务指标是目前最被广泛使用于上市零售企业企业绩效研究中的绩效评价方法，并且其具有的相对容易获得性、相对准确性和可比性等特点为研究提供了不少便利；而综合评价量表和相对绩效评价量表中定性指标数据的获取只能通过向管理人员或相关客户进行问卷调查，会很容易涉及到问卷真实性的两大问题：获得对企业整体绩效情况比较了解的高层管理人员配合的难度系数大、被调研人员若基于商业敏感性的考虑而不能如实回答的可能性无法规避。
（2）相对未来性。本研究是依据 2012 年数据进行商业模式维度及类型划分的，而根据 2013 年的财务数据进行企业绩效衡量。由此，虽然财务指标本身具有评价滞后性，但“2013 年的绩效水平”相对于“2012 年的商业模式”却具有未来性。
（3）最终体现性。零售企业绩效的评价涉及多个因素，无论是从学术还是实践角度均不能穷尽考虑，且若指标太过全面则会混淆商业模式与企业绩效的概念关系。同时，综合绩效评价维度（客户维度、员工学习等）都是企业目标实现的路径，而企业目标是否实现最终还是体现在财务状况上，即财务指标是企业绩效其它指标维度的最终体现。
通过对 20 篇针对上市零售企业绩效相关文献的研读，并对各文献所选择的财务指标频率进行统计发现：有 5 篇文献使用单一指标对企业绩效进行衡量，且单一指标选择上主要反应的是企业盈利性的指标，具体有净资产收益率、总资产收益率、净利润率和主营业务资产收益率等；而其它的更多研究是从多维度视角来综合衡量零售企业绩效水平，具体包括盈利绩效、营运绩效、成长绩效和偿债能力四个维度（如表 3-1 所示）。
本研究认为只选取一个指标不能有效且全面的反应企业绩效水平，而穷尽考虑亦没有必要且不可能现实。从上表 3-1 可知，零售企业绩效各绩效维度指标使用频率的分布情况来看，学者们普遍侧重的绩效维度是盈利性指标，其次是营运指标和成长指标，而偿债能力指标被选择的频率很小。由此，研究选择从盈利、营运和成长三维度来构建上市零售企业财务指标评价体系：
（1）盈利能力指标。盈利是零售企业经营目标的核心内容，也是零售企业生存和发展的基础，因而，对企业盈利能力的衡量是企业绩效测度的核心维度。在此论文从资产价值、资本价值和营业盈利能力三个方面出发，依次选择净资产收益率 P1和资产收益率 P2，每股收益 P3，营业利润率 P4四个财务指标来反映上市零售企业盈利能力。同时，净资产收益率 P1和资产收益率 P2被称之为最核心的财务指标[75]。
（2）营运能力指标营运能力指标是对企业综合运用各项经济资源有效性的衡量。在此论文选择总资产周转率 P5、流动资产周转率 P6、存货周转率 P7和应收账款周转率 P8四个指标来对上市零售企业营运能力进行衡量[105]。
（3）成长能力指标成长能力作为企业生存能力的延续，特指企业从事经营活动过程中表现出的经营扩张及拓展能力。本文主要从市场拓展能力、利润或收益的增长能力等方面进行考察，并选取营业利润增长率 P9、净利润增长率 P10、总资产增长率 P11和每股收益增长率 P12来对上市零售企业成长能力进行衡量[105]。
由此，研究从企业盈利能力、营运能力和成长能力三个维度所构建的上市零售企业财务绩效指标评价体系，如表 3-2 所示。
3.3 零售企业绩效因子分析
3.3.1 研究方法选择
基于零售企业绩效指标数量较多的考虑，论文决定利用降维方法以达到使用少数变量来综合反映原始绩效指标的目的。而因子分析(FactorAnalysis)和主成分分析(PrincipalComponent Analysis)等是最为常用的降维处理方法，研究欲在分析二者主要区别之后进行方法选择：
（1）主成分分析是一种数据变换而非一种模型，其从研究原始变量的协方差矩阵出发，最终得到的主成分是原始变量的线性组合函数。因子分析则假定存在因子模型，由研究原始变量相关矩阵内部的依赖关系出发，最终得到的是对原始变量进行信息重组后的公共因子和特殊因子。
（2）主成分分析一般适用于通过计算综合主成分函数得分来对客观经济现象进行综合分析和科学评价的应用，但该函数意义不明确、主成分的命名清晰度也比较低。相反，因子分析要求各公因子有明确的实际意义，并经旋转之后的公因子将更具可解释性和清晰的被命名性。
（3）在用统计软件SPSS操作时，二者的区别在于：主成分分析从协方差矩阵出发，软件不会自动对变量数据进行标准化处理，而因子分析方法从相关系数矩阵出发，SPSS会对原始数据自动进行Z-Score(Zero-Mean Normalization)标准化处理。
由于本研究需要使用本次降维结果所得出的少数变量（因子）作为商业模式间企业绩效差异性检验的观测变量，而观测变量本身需要具备高度可解释性和明确的实际意义。由此，研究决定采用因子分析方法来达成零售企业绩效多变量评价体系的降维目的。
然而，因子分析有两种类型：一种是探索性因子分析(Exploratory Factor Analysis,EFA)，其致力于找出事物内在的本质结构，适用于没有成熟量表或坚实理论基础支撑的情况，如寻找基本结构、发展测量量表、数据简化问题；另一种是验证性因子分析(Confirmatory Factor Analysis,CFA)，常用来检验所搜集的观测变量数据是否按照事先预期的或已知的特定结构产生作用，如量表验证、因子层级关系验证，即EFA没有先验信息，而CFA有先验信息[76]。二者往往作为分析探测观测变量内部结构过程的两个阶段，相互联系又相互区别。在具体运用中，往往先运用EFA建立模型，然后运用CFA来检验并修正模型。根据以上分析，研究决定采用探索性因子分析EFA来寻求少数几个公因子所构成的因子结构，以最大限度的表示上市零售企业绩效指标体系所反映的信息。
3.3.2 效度检验
效度(Validity)是指量表的指标能够真正衡量研究人员所要衡量的事物的真实程度，本研究主要从内容效度和结构效度来实施检验。内容效度又称逻辑效度，是指测量目标与测量内容之间的适合性、相符性和代表性，一般通过文献研究、实地访谈、专家咨询、预调研等方式得以保证量表内容的理论支撑坚实性。而结构效度又称构想效度，指测量工具能实际反映理论（概念或命题）结构和内部特质的程度，主要通过所提取因子载荷大小来反映。
首先，研究判定上市零售企业绩效量表符合内容效度。关于企业绩效指标体系构建的相关研究比较成熟，本研究所构建的上市零售企业绩效指标体系是基于大量文献研究和统计的基础上、通过专家咨询等过程精心筛选形成的，每一指标本身都有扎实的理论基础。因此本研究认为该指标体系的内容效度比较高。
然后，对上市零售企业绩效评价指标间的相关度进行分析。由各变量间的相关系数矩阵可知，财务指标 P8、P11与其他所有变量的相关系数均小于 0.3，同时 P7除与 P6的相关系数为 0.376 外，与其他变量的相关系数也都小于 0.3（如表 3-3 所示）。因此研究摒弃 P7、P8、P11三个变量。
继而，研究根据因子提取标准进一步进行指标筛选：理论上不得出现指标的因子负荷量都小于 0.5 的情况，也不可出现因子负荷量虽大于 0.5 但却“贡献均衡”的情况，如若出现，理应删除该指标。运用 SPSS 软件对除 P7、P8、P11之外的变量进行因子分析，发现所有变量的公因子方差均大于 0.684，但是从用正交旋转法得到的成分矩阵可以看出 P1及 P4因子负荷值在两个主成分中都大于 0.5，即出现了贡献均衡，故论文寻求斜交旋转法来解决该问题，最后发现 P4变量贡献均衡问题仍没能很好的得以解决，故作删除处理（公因子方差表和成分矩阵在此省略）。
最终，研究选定 P1、P2、P3、P5、P6、P9、P10、P12（自此，研究分别用 X1-X8分别替代以上 8 各指标）八个指标，采取主成分因子抽取方法、从相关性矩阵出发、运用最常用的斜交因子旋转方法：Direct Oblimin，对绩效指标是否具备因子分析的适切性进行检验。一般情况下，只有通过基于相关系数矩阵的 KMO 测试系数检验（如图 3-2 所示），并且满足巴特利(Bartlett)球体检验统计量显着性概率≤0.001，才可进行因子分析。
检验结果表明，KMO= 0.710>0.70，P=0.000 <0.001，通过了 KMO 与 Bartlett 球体检验，说明原始变量之间的相关度较高，适合进行因子分析（如表 3-4 所示）。
研究以“特征根大于1”为公因子提取标准，共提取了3个公共因子来考察上市零售企业绩效水平，三个公因子方差贡献率（解释变异量）分别为45.835%、22.685%、18.966%，累积方差贡献率（累积解释变异量）为87.485%（如表3-5所示），可充分反映原始数据的大部分信息。因此，研究判定本论文所构建的上市零售企业绩效评价体系的结构效度较为理想。
3.3.3 公因子命名和得分
在斜交旋转的情况下（和在正交旋转的情况下不同），模式矩阵和结构矩阵两者并不相等，不过只检验模式矩阵会得到最简单的因素解释[77]。由旋转后的模式矩阵（表3-6）知，第一个公因子F1在反映成长能力的三个财务指标ZX6、ZX7、ZX8上的载荷较大且均大于0.5，故赋名F1为成长绩效因子；公共因子F2主要反映了ZX4、ZX5的信息，这两个变量是反映上市零售企业的营运能力指标，故把F2命名为营运绩效因子；同理，公共因子F3在ZX1、ZX2、ZX3上载荷较大，三指标均用以反应上市零售企业的盈利能力，故研究把F3命名为盈利绩效因子。
SPSS 会根据公因子得分系数矩阵给出的每个公因子的线性表达式计算出 92 家零售上市公司对应的各因子得分，并以每个公因子方差贡献率与累计方差贡献率的比值作为对应公因子的权重，计算出 92 家零售上市公司的综合绩效得分（见表达式 3-1）。最终，得出 92 家零售上市样本公司的发展绩效因子得分 F1、营运绩效因子得分 F2、盈利绩效因子得分 F3和综合绩效得分 F，如附录二所示。
F＝(45.835% F1＋22.685% F2＋18.966%F3) / 87.485% （3-1）
