供应链管理模式下的国内零售企业库存管理的实证研究

梁春树

摘要：本文以2001～2007年的零售业上市公司为研究样本对我国的零售业库存水平的变动趋势及影响因素进行了实证研究。研究结果发现总库存周转率与销售预测偏差、企业规模显著正相关，与库存比重、提前期显著负相关。而一年贷款利率和通货膨胀率对库存周转率并无显著性影响。

Abstract： This paper investigates inventory turnover and inventory productivity of retail industry in China. We find strong evidence that inventory turnover is positive sales surprise and company size， negative correlation with storage intensity and lead time.

关键词：存货周转率；销售预测偏差；库存比重；提前期

Key words： inventory turnover；sales surprise；storage intensity；lead time

中图分类号：F270 文献标识码：A 文章编号：1006-4311（2018）20-0123-04

0 引言

英国著名供应链管理专家马丁·克里斯多夫曾说过“21世纪的竞争不是企业和企业之间的竞争，而是供应链和供应链之间的竞争。”未来零售企业之间的竞争必然体现在供应链之间的竞争上，而供应链管理的核心内容之一便是库存管理。

随着互联网经济的崛起，国内零售行业竞争日益激烈，国内零售企业积极应战，改变零售业态，进行连锁经营，采用先进的供应链管理技术，改善库存管理。存货周转率是衡量库存管理成效的一个重要指标。从图1我们可以看到，从2000年以来（除了2008年受到金融危机的影响而略有下降之外），我国零售业的存货周转率在4～8之间，呈增长趋势，逐年都在增长。那么这能否说明库存管理的改善是由于采用先进的供应链管理呢？

1 相关文献综述

Gaur，Fisher & Raman（2005）考察了美国311家零售企业上市公司的库存周转率与毛利率、固定资产比重和销售预测偏差之间的相关关系，分析中发现库存周转率与固定资产比重和销售预测偏差正相关，与毛利率负相关。为此，Gaur等（2005）提出了修正库存周转率的概念，具体来说依据毛利率、固定资产比重和销售预测偏差，合理调整库存周转率，将其作为衡量企业库存管理水平的标杆。同时，Gaur & Kesavan（2005）在此基础上研究了353家美国零售业上市公司在1985～2003年的财务数据，结论不仅印证了之前的结论，也得出了一些新的发现，即库存周转率与公司规模和销售变动率正相关；随着公司规模的扩大，规模对库存周转率正向影响会减小；当销售变动率大于零时，库存周转率越低，销售缩减时的库存周转率降低速度大于销售增长时的库存周转率增加速度。而Chen & Frank等（2006）考察了美国批发零售业上市公司在1981～2004年间库存管理的变化，发现美国批发零售行业平均库存天数从73天降为49天，降低1/3，平均每年降低3%；同时拥有过量库存的企业长期投资回报率最低。Donselaar & Gaur等（2006）采用5家连锁超市19417种库存商品的订货、配送和POS销售数据对连锁超市的订货行为进行了研究，发现连锁超市实际订货通常是在充分考虑订单平滑和订单合并策略的基础上，修正自动订货系统产生的订货指令，并找到导致实际订货和预计订货之间偏差的原因。

本文在上述研究的基础上，以国内零售业50家上市公司2001～2007年的年报数据为研究样本，采用面板数据分析方法对库存水平的影响因素进行实证研究。

2 研究假设的提出

由于存货周转率是衡量库存管理水平的重要指标，因此本文提出以下假设：

Gaur等（2005）的研究发现，存货周转率与销售预测偏差呈正相关。我们知道，每个企业都会根据其历史数据以及对未来前景的分析来对未来一定时期内的销售做出预测，甚至会根据这些销售预测来制定其某个时期的管理目标。同时，企业为了实现这些目标，会对企业的相关配套设施和活动进行相应调整。而库存的存在是为了能够即时满足顾客的需求。因此，从这方面来说，销售预测会对一个企业的库存水平产生影响。换句话说，如果在一个特定的时期内，一个企业实现的销售额比其预测的销售要高，那么这个时期内该企业的平均库存水平会比预料的要低，也就是说每单位的库存可能实现的销售量会高于其所预料的，即存货周转率会提高。所以说，实际销售与销售预测之间的偏差越大，其库存水平可能会越低。

在本文中，我们将销售预测偏差定义为当期的销售收入与销售收入预测值之间的比值。因而，我们提出以下假设：

假设1：存货周转率与销售预测偏差显著正相关。

库存比重指库存均值除以库存加固定资产之和的均值。在企业成本一定的情况下，库存比重越大，意味着固定资产比重越小，也就意味着企业用于提高营运能力的硬件基础越差，如企业还是用传统的物流方式和传统的手工方式来应对库存管理，而不是利用VIM系统、JMI和ERP等信息系统所需的计算机和服务器等硬件等来改善营运绩效。而由于基础设施的跟不上，信息不流畅，使得企业不能很好的预测需求，从而增加很多安全库存，这就会导致库存比重的增加和库存周转率的下降，因而提出以下假设：

假设2：零售业库存周转率与库存比重显著负相关。

库存可被分为两类，即周转库存和安全库存。周转库存等于提前期内的平均需求，采取减少提前期、增加送货频率等可降低周转库存。换句话说，可通过减少提前期实现库存周转率提高的目的。安全库存是指在给定时期内，为了应对需求的不确定性和提前期的不确定性而额外持有的超前库存量。安全庫存计算公式为ss=zδ，由此可知在一定条件下，需求标准差和提前期都对安全库存存在影响，影响体现在提前期越长，库存水平越高，库存周转率越慢。故提出以下假设：

假设3：零售业库存周转率与提前期显著负相关。

随着中国加入WTO，外国零售巨头的涌进，加剧了中国零售业的竞争。国外零售巨头经验丰富，管理科学，技术先进，在国内争霸。国内企业要想有一席之地，除了地理上的优势之外，必须转变管理方式，引进和应用先进的信息系统（如MRP、ERP、CRM等），改善库存管理，提高库存周转率。而这些信息系统的建立，往往需要投入大量的人力、物力和财力以及时间，需要雄厚的资金做支撑。所以，本研究提出以下假设：

假设4：零售业库存周转率与公司规模显著正相关。

3 样本选择、变量定义和计量模型

3.1 样本数据

WIND资讯金融终端的证监会行业分类中，零售业包含66家上市公司，本文以此为研究样本。为了保证数据的有效性，从样本公司中剔除了ST、*ST等财务状况严重恶化的公司以及B股上市公司和一些数据缺失的公司，最终有效样本为50家。因为2008年发生金融危机，使得数据的发生很大的变化，因而本文选择的是2008年前7年的数据，所以最终本文选取这50家零售企业上市公司在2001～2007年的历史财务数据共350个观测样本进行研究。本文所得的数据全部来自WIND资讯金融终端。

3.2 变量定义

为了验证本文的假设，本文借助以下指标来考察库存水平与销售预测偏差、库存比重、公司规模和提前期的关系，各个指标的定义见表1。

关于销售预测偏差，本文的定义为：

SSit为第i个公司第t期的销售预测偏差；Sit为第i个公司第t期的实际营业总收入；而SFit为第i个公司第t期的销售预测。

在进行库存水平的决策上，管理层会考虑其未来的销售预测。但是管理层的销售预测数据是不公开的，因而在本文中我们将依据样本企业的历史数据通过Holts Linear Exponential smoothing Method進行销售预测估计。我们通过Eviews 6.0进行。根据数据的特点，本文最终选取的预测方法是Holt-Winters No Seasonal模型。

因此，第t期的SFit等于：SFit=Li，t-1+Ti，t-1。

而Li，t-1和Ti，t-1都是平滑序列，其定义如下：

其中α和β都是阻尼因子，在0～1之间。关于α和β的最佳取值，根据其情况，最后由分析工具自动取值最佳。

3.3 计量模型

为了研究提出的假设，本文在Gaur，Fisher & Ranman（2005）研究美国零售业库存实证模型基础上，构建以下模型分别对以上的问题进行研究：

模型M1考察销售预测、库存比重、提前期、公司规模等因素对总库存周转率的影响；而模型M2则是在模型（M1）的基础上引入控制变量贷款利率、通货膨胀率，控制外部宏观因素对分析结果的影响。

4 实证结果及其讨论

在进行回归分析之前，对样本进行了描述性统计，如表2所示。从表2可以看出库存周转率均值为12.37次，并且企业间差距很大，周转最快的为108次/年，最慢的竟是0.11次/年。同样的，应收账款周转天数在每个企业间的差距也是很大的，虽然均值是21.719天/年，然而周转天数最快的竟达到0.0009天/年，最慢的是1690.935天/年。

在回归前需检验变量的相关性，检验结果如表3。通过分析表3发现，自变量间的相关性系数小于0.5，结合过往经验可判断出变量之间不存在强的相关性。据此可得所有变量的相关系数在可接受范围之内，可进一步做回归分析。

本文采用面板数据（Panel Data）的分析方法验证提出的假设。在面板数据分析中，模型的设定非常重要。一般需要采用协方差分析方法进行检验，判断究竟适用哪种模型：不变截距模型、变截距模型。而根据本文的数据特点，最终发现本文适用于变截距模型。变截距模型主要有两种方法，一种是使用固定效应模型（Fixed Effects Model）， 另一种是使用随机效应模型（Random Effects Model）。本文采用计量分析中常用Hausman检验来判定固定效应模型和随机效应模型有效性。检验结果见表4。

从表4中模型M1的回归结果可知库存周转率与销售偏差在10%水平上正相关，国内零售企业库存周转水平与销售预测偏差正相关的假设成立。由此可知，在其他因素保持不变的情况下，国内零售企业的销售预测偏差提高1%时库存周转率将提高0.091%。该结论也表明了零售企业的管理层会依据销售预测对其库存管理进行相应的调整，以避免库存积压或者是缺货等情况。库存周转率与库存比重在1%水平上显著负相关，国内零售企业库存周转率与库存比重显著负相关的假设成立。表示库存占总资产的比重越高，在其他条件不变的情况下，库存所占的比重越大，企业的库存成本越高，企业为改善库存的基础设备的投资将会受到影响，致使其无法改善企业的运营能力的基础设施。而且库存比重每增加1%，库存周转率将降低0.72%。

同时从表4的第一列我们也可以看到，库存周转率与提前期在5%的水平上显著负相关，国内零售企业库存周转率与库存比重显著负相关的假设成立。零售业是资金流动快的企业，提前期的增加会影响到资金的流动，进而也会影响到企业的商品的流通。从这个结论我们可以看出，提前期每增加1%，库存周转率将降低0.0719%。

库存周转率与企业的规模在1%的水平上正相关，国内零售企业库存周转率与企业规模显著正相关的假设成立。这说明企业的规模对企业的库存管理水平是产生影响的。特别是在21实际，是供应链与供应链互相竞争的时代。零售企业的规模越大，越有可能与其供应商建立起战略合作伙伴关系，或者是引进先进的供应链信息管理系统，和采用先进的库存管理策略来改善其库存管理水平。而规模小的零售企业或是零售商店，其对于改善库存管理的重视程度可能会降低，也无法承担巨额的费用来承担ERP等供应链信息管理系统。

模型M2是在模型M1的基础上引入控制变量一年期贷款利率和通货膨胀率，目的是考察宏观因素对库存周转率的影响。从表4中可以看出，贷款利率和通货膨胀率对库存周转率的影响不显著，因而可以说这两个因素不是影响库存周转率的主要因素。但是，我们同样发现，在引入了控制变量之后，销售预测偏差和提前期对库存周转率的影响增加了，但结果并不显著。这说明了贷款利率和通货膨胀率的变化，会影响到零售企业的应收账款周转速度和企业的销售预测的正确性。

5 结论、局限性及未来研究方向

本文以2001～2007年的零售业上市公司为研究样本对我国的零售业库存水平的变动趋势及影响因素进行了实证研究。结果发现总库存周转率与销售预测偏差、企业规模显著正相关，与库存比重、提前期显著负相关。而一年贷款利率和通货膨胀率对库存周转率并没有显著的影响。这说明我国的零售企业的库存管理更多还是受到企业本身的影响。这也意味着在日常经营中，零售企业要重视销售预测的科学性和正确性，重视科学预测销售。并且改变传统的库存管理思想，应用先进的库存管理策略和技术，改善库存管理水平，增强企业的竞争力。

本文的局限性在于样本选取仅有沪深上市的零售企業为上市公司，而且在分析影响库存水平因素时也没有考虑其他的客观因素，如企业的地理位置、销售网点数、零售业态等。未来的研究发现是采取问卷调查的方法，收集更细致的数据，结合管理因素来探究企业库存管理水平的关键驱动因素。

参考文献：

[1]H.J. Chang，C.Y. Dye.An EOQ model for deteriorating items with time-varying demand and partial backlogging. Journal of the Operational Research Society， 1999.

[2]Javid Jouzdani，Seyed Jafar Sadjadi，Mohammad Fathian. Dynamic dairy facility location and supply chain planning under traffic congestion and demand uncertainty： A case study of Tehran[J]. Applied Mathematical Modelling， 2013.

[3]Gé，rard P. Cachon. Retail Store Density and the Cost of Greenhouse Gas Emissions[J]. Management Science， 2014 （8）.

[4]Sampath Rajagopalan. Impact of Variety and Distribution System Characteristics on Inventory Levels at U.S. Retailers[J]. Manufacturing & Service Operations Management， 2013 （2）.

[5]MonamiDas Roy， ShibSankar Sana， Kripasindhu Chaudhuri. An integrated producer–buyer relationship in the environment of EMQ and JIT production systems[J]. International Journal of Production Research， 2012 （19）.