自2004年12月11日中国全面开放零售市场、取消外资零售业的进入限制以来，外资零售企业在中国积极扩展零售渠道。以沃尔玛为例，截至2012年1月，沃尔玛在中国共开设381家门店，到2015年底已达424家，覆盖了中国26个省、自治区及直辖市，基本完成了在中国的网点布局。凭借比国内更丰富的管理经验和更先进的技术手段，外资零售企业在短时间内拥有了一定的市场，并影响了本土零售企业的利益。根据中国零售商大会暨展会公布的中国零售百强企业榜单，2008年外资企业有11名上榜，到2015年榜单中的外资企业已达20家，部分曾经上榜的本土企业黯然退榜甚至走向破产。为了在这种冲击下存活下来，许多本土零售企业开始布局连锁经营网点，并根据网点分布，在经营区域或全国范围内建立自营配送中心，引入先进的物流技术和设备，以完善物流配送模式的方式来提高物流效率和降低库存成本。库存作为零售企业的重要资产，体现了零售企业的运营管理水平。从图 1可以看出，2010—2015年中国上市零售企业库存金额占总资产的比重在13%到18%左右，与1996—2005年的36%~42%^[1]相比，大大降低。这是否得益于本土零售企业物流配送模式的优化和改进，是文章主要探讨的问题。

本文以苏宁云商为研究实例，提出物流配送模式对库存水平影响的研究假设，收集58家国内上市连锁经营零售企业物流配送模式的数据，定量分析国内零售企业库存水平的变动趋势，探讨零售终端数量、配送模式、配送范围等因素对零售企业库存水平的影响，为国内零售企业的物流配送模式及库存管理提供决策支持。

一、文献综述

关于连锁经营企业库存水平等经营绩效影响因素的实证研究主要分为零售终端(零售终端和经销商)对库存水平的影响研究，分销网络特征和产品多样性对库存水平的影响研究，以及连锁经营企业O2O融合对库存水平等经营绩效的影响研究。

研究零售终端对库存水平影响的代表文献有Olivares和Cachon^[2]，Srinivasan等^[3]和Matsa^[4]等。Olivares等通过收集某大型汽车制造企业各个经销商(4S零售终端)的库存和销售面板数据，采用区域市场人口特征数据作为工具变量控制市场结构的内生性，结果发现竞争对手数量对经销商服务水平和经销商销售额有强的正向非线性影响。稳健实验表明该大型汽车制造企业如果减少经销商数量，优化分销网络结构，能够在不影响销售的前提下减少库存水平14%~27%。Srinivasan等研究了新开和关闭零售终端对连锁经营零售企业绩效的影响。Matsa发现竞争水平增加能够减少缺货水平，也就是竞争水平增加导致零售企业库存水平增高。

研究连锁零售企业分销网络特征(含配送中心和零售终端)对库存水平影响的文献较少。Rajagopalan^[5]基于美国零售业二手和一手数据研究了产品多样性、零售终端数目、配送中心数目等库存水平关键影响因素对美国零售业库存水平的影响，结果发现基本库存单位数目(SKU数目，度量产品多样性)和零售终端数目两个因素对库存水平有正向影响，配送中心数目对库存水平没有显著影响。从公司层面研究连锁零售企业库存水平影响因素的研究较为成熟，主要代表有Kolias等^[6]，赵泉午等^[1]。Kolias等基于566家希腊零售企业2000—2005年的数据研究希腊零售业的库存水平影响因素。赵泉午等研究了销售增长率、固定资产比重、区域及零售业态对国内批发零售企业的库存水平的影响。

目前没有文献研究连锁经营企业O2O融合对库存水平等经营绩效的影响研究。一些文献重点研究了连锁经营企业O2O融合对销售规模的影响，如Gallino和Moreno^[7]，Cao和Li^[8]，Pauwels和Neslin^[9]和Askin等^[10]。Gallino和Moreno基于一家企业的数据研究了网订店取对实体店和网络渠道销售规模的影响，结果发现网络渠道销售减少，实体店的流量和销售规模上升，论文最后探讨了实施网订店取，线上线下共享库存，能够提高库存信息的可靠性，增加消费者购买几率。Cao和Li研究了线上线下跨渠道融合对连锁经营企业销售增长的影响，发现跨渠道融合能够刺激销售增长，但企业网络零售经验和实体零售终端数量会弱化渠道融合对销售增长的刺激作用。Pauwels和Neslin研究了目录销售和网络零售企业引入实体零售终端对其销售规模的影响。结果发现引入实体零售终端会分流目录销售，但对网络零售的影响不大。Askin等基于超过100家零售业上市企业的数据研究了零售企业引入网络渠道对绩效的影响，结果发现引入网络渠道显著改善公司销售、成本、库存及投资回报，此外网络渠道引入时间对绩效没有显著影响，实体店经营时间长短则有显著影响。

目前的实证研究中研究物流配送模式对库存水平影响的很少，本文以苏宁云商为切入点，研究物流配送模式类因素对库存的影响，并使用国内58家上市零售公司数据对结果进行验证。

二、研究假设

为了提出合理的研究假设，本文首先对苏宁云商案例进行了测算。苏宁目前在全国已经形成了“全国物流中心—区域物流中心—城市配送中心—零售终端”的物流网络结构，采用三级物流配送体系，逐层级进行商品的分拨配送，如图 2所示。为了更直观地了解企业选择的配送模式、配送区域、零售终端数量等物流模式因素对库存水平带来的影响，我们测算了苏宁配送的八种情境，详见表 1。

本文采用Mallidis等^[11]提出的库存水平计算公式进行计算：

$ S_{_{\rm{m}}}^{\rm{p}} = \mu _{_{\rm{m}}}^{\rm{p}}\left( {{R_{\rm{m}}} + {L_{\rm{m}}}} \right) + Z_{_{\rm{m}}}^{\rm{p}} * \sigma _{_{\rm{m}}}^{\rm{p}}\sqrt {({R_{\rm{m}}} + {L_{\rm{m}}})} $

其中，S_m^p表示零售终端m内货物p的库存水平，货物p的需求服从正态分布N(μ_m^p, σ_m^p)，R_m代表零售终端m的补货提前期，L_m代表到零售终端m的配送时间，Z_m^p表示零售终端m内货物p的安全库存因子。

根据苏宁真实运营数据，对物流配送网络作出以下假设：(1)所有节点(包括物流中心、配送中心和零售终端)的需求均服从正态分布，其中零售终端j的需求服从N(μ_j^p, σ_j^p)，j=1, 2，..., n，表示零售终端编号，且同一层级各物流节点的需求互不影响；(2)物流中心和配送中心连续检查库存，零售终端以1天为周期对库存进行周期性盘点；(3)全国物流中心对区域物流中心的需求、区域物流中心对城市配送中心的需求以及城市配送中心对终端的需求可以进行快速响应，需求发出后马上便可发货，即不需要补货提前期。供应商到各物流中心的补货提前期为R天。

根据假设和库存水平计算公式我们很容易得到零售终端j的平均库存水平为$ \mu _{_j}^{\rm{p}}{L_{ij}} + Z_{_j}^{\rm{p}} * \sigma _{_j}^{\rm{p}} * \sqrt {{L_{ij}}} $，其中i代表城市配送中心编号，L_ij表示从配送中心i到终端j的运输时间。定义0-1变量X_ij，当其值等于1时表示城市配送中心i负责对终端j进行配送，否则不进行配送。根据零售终端的需求及计算公式可以得出配送中心i的平均库存水平为$ \sum\limits_{j = 1}^n {{X_{ij}}} \mu _{_j}^{\rm{p}} * \sqrt {R + {L_i}} + Z_{_i}^{\rm{p}} * \sqrt {\sum\limits_{j = 1}^n {{X_{ij}}} {{\left( {\sigma _{_j}^{\rm{p}}} \right)}^2}} * \sqrt {R + {L_i}} $。

通过苏宁云商的官方网站和财务报告了解了苏宁各物流网络节点的具体位置，并通过地图粗略估计了各节点间的距离，得到各节点间的配送周期。依据《2015年中国统计年鉴》和《2015年重庆市统计年鉴》得到各城市和重庆市主城区域对不同品类产品的需求信息，结合苏宁云商在各品类市场的销售份额，借鉴谭凌等^[12]的论文，对库存水平计算公式中的参数进行取值。最后得到的主要参数值如表 2所示，根据以上数值计算得到各情境的库存水平结果如表 1所示。

由计算结果知，零售终端数量增加，企业库存水平增高。零售终端是零售企业销售网络中重要的节点，在分销系统中，配送中心根据零售终端的需求订单进行补货。但是由于需求的不确定性和波动性，零售终端往往会保留较多的安全库存，这就造成了整个物流系统的库存分散，无法实现库存集中，达不到规模经济效应。此外，由于企业区域物流中心和城市配送中心数量一般很难增加，零售终端数目增加意味着单个配送中心要负责更多零售终端的配送，也会提高配送中心和物流中心的平均库存水平。因此本文提出以下假设。

假设1：在销售量一定的情况下，零售企业库存周转天数与零售终端数量正相关。

由计算结果知，与采用供应商配送相比，自营配送带来更低的库存成本。近年来，国内外学者逐渐开始关注配送模式，特别是国内学者(如文献[13]和[14])，对零售企业究竟是选择自营物流、外购物流、供应商直达配送或第三方物流进行了比较详细的论述和探讨。零售企业选择自建物流网络进行自营配送，一方面，不需与外部进行沟通交接，提高了订单的响应速度，缩短了配送中心及零售终端的提前期，降低了零售终端的安全库存；另一方面，企业统一向供应商采购，统一存储和补货，可以产生规模经济效应。因此，采用自营配送模式的零售企业库存成本更低，库存周转天数更低。据此提出如下假设。

假设2：与选择供应商直配或第三方配送模式的企业比较，采用自营配送模式的零售企业库存周转天数更低。

与配送区域为区域性的零售企业相比，全国型的企业需要配置更复杂更多层级的物流网络。一些商品需要企业统一采购并存储在全国物流中心，当需求产生时，货物需要经过区域物流中心和城市配送中心的中转和分拨，才能辗转到零售终端或者消费者手中。因此配送区域为全国型的零售企业往往拥有较长的运输周期和补货提前期。根据库存水平计算公式可知，全国型零售企业库存水平更高，库存周转比较慢。据此提出如下假设。

假设3：与配送区域是某个省市或者是多个邻近省市的企业相比，配送区域为全国型零售企业的库存周转天数更高。

三、样本选择、计量模型和计量方法 (一) 样本数据及变量含义

本文研究的连锁零售企业是指拥有较多实体零售终端的连锁经营的零售企业。在选取公司时，主要采取两个筛选准则：(1)公司旗下拥有较多零售终端。由于百货企业零售终端多设置在商场，并未独立出来，故并没有将百货企业纳入样本选择范围；(2)零售销售额作为企业主营业务在总收入中占有一定的比重。在查询公司财务报表时，我们发现，一些传统的零售企业目前主要进行房地产和金融业务，传统的零售销售额在总收入中占的比重甚至不足10%，故将这一类企业剔除。本文最终选取国内零售业58家上市公司2011—2015年的数据为样本，合计收集290个观测值，数据来源为Wind资讯金融终端(2016版)及58个上市公司的年报。58家连锁零售企业的经营业态如表 3所示。本文中涉及的变量及其含义见表 4。

(二) 计量模型及计量方法

根据现有的实证研究，构建模型(1)，考察公司特征、公司管理水平对公司库存水平的影响。

$ \begin{array}{l} Do{s_i} = c + {b_1}G{M_i} + {b_2}C{I_i} + {b_3}\ln Siz{e_i} + {b_4}Growt{h_i} + {b_5}Feerat{e_i} + \\ {b_6}Paybl{e_i} + {b_7}Distrac{t_i} + {\varepsilon _i} \end{array} $

(1)

在模型(1)的基础上，模型(2)加入零售终端变量, 考察零售终端变量对整个模型的影响。

$ \begin{array}{l} Do{s_i} = c + {b_1}G{M_i} + {b_2}C{I_i} + {b_3}\ln Siz{e_i} + {b_4}Growt{h_i} + {b_5}Feerat{e_i} + \\ \;\;\;\;\;\;\;\;\;\;{b_6}Paybl{e_i} + {b_7}Distrac{t_i} + {b_8}Stor{e_i} + {\varepsilon _i} \end{array} $

(2)

在模型(2)的基础上，模型(3)加入配送模式变量，考察配送模式对整个模型的影响。

$ \begin{array}{l} Do{s_i} = c + {b_1}G{M_i} + {b_2}C{I_i} + {b_3}\ln Siz{e_i} + {b_4}Growt{h_i} + {b_5}Feerat{e_i} + \\ \;\;\;\;\;\;\;\;\;\;{b_6}Paybl{e_i} + {b_7}Distrac{t_i} + {b_8}Stor{e_i} + {b_9}Mode{l_i} + {\varepsilon _i} \end{array} $

(3)

模型(4)在模型(3)的基础上，加入配送范围变量，考察配送范围变量对整个模型的影响。

$ \begin{array}{l} Do{s_i} = c + {b_1}G{M_i} + {b_2}C{I_i} + {b_3}\ln Siz{e_i} + {b_4}Growt{h_i} + {b_5}Feerat{e_i} + \\ \;\;\;\;\;\;\;\;\;\;{b_6}Paybl{e_i} + {b_7}Distrac{t_i} + {b_8}Stor{e_i} + {b_9}Mode{l_i} + {b_{10}}Scal{e_i} + {\varepsilon _i} \end{array} $

(4)

本文首先拟考虑面板模型，先进行豪斯曼检验，检验结果表明固定效应效果要优于随机效应，故采用固定效应模型。然而固定效应F检验值较小，LSDV法检验也表明不存在个体效应，双向固定效应检验也表明模型不存在时间效应，故最终采用混合效应模型。本文选择GMM进行实证检验，因为GMM估计是一个稳健估计量，不要求扰动项的准确分布信息，允许随机误差项存在异方差和序列相关，所得到的参数估计量比其他参数估计方法更合乎实际，即GMM能够解决传统的计量经济模型估计方法中的问题^[15]。

四、实证结果及讨论

数据收集之后，本文对样本数据进行了描述性统计和Person相关性检验，结果分别如表 5和表 6所示。在进行相关性检验时，发现公司毛利率GM与公司规模的对数ln Size、费率Feerate、零售终端数量Store的相关系数分别为0.55、0.86、0.41，数值较大且在1%的水平上显著相关。为了消除共线性影响，本文剔除变量毛利率GM进行混合回归，回归结果如表 7所示。

根据表中的回归结果，我们可以得到以下结论。

第一，在零售企业销售量一定的情况下，零售企业库存周转天数与零售终端数量负相关，与本文所提假设不一致。对模型(2)—模型(4)所得结果进行对比，发现在模型所给数据时期内，零售终端数量对企业库存周转天数的影响均为负且在1%的水平上显著相关，表明连锁零售企业零售终端数量与企业库存周转天数负相关，即零售企业零售终端越多，库存周转天数越低。这在一定程度上解释了为什么近年来零售企业大规模布局连锁经营网点。一般来说，当零售终端数量较少时，企业往往会采取供应商直配，因为自建仓库成本太高。由于运输距离，供应商配送相比于企业自建仓库的配送需要更长的运输周期，从而导致库存周转天数较高。连锁企业零售终端数量越多，企业越倾向于自建物流。经过近几年的摸索，零售企业的物流现代化水平已经提高，配送和库存管理也更加信息化，库存周转天数降低，企业运营更有效率。

第二，采用自营配送模式和其他配送的零售企业库存水平之间不存在明显差异，与本文假设不一致。对模型(3)—模型(4)所得结果进行对比，配送模式与库存周转天数在10%的显著水平上不相关，这说明配送模式对零售企业库存周转天数没有显著影响，即对连锁零售企业而言采用何种配送模式与企业自身发展战略及经营业务相关，但并不会对企业整体库存周转天数产生影响。企业应该根据自己的实际情况，衡量是否需要自营配送。

第三，与配送区域为某个省市或者某几个相邻省市的企业对比，配送区域为全国型的零售企业库存周转天数更高，与本文假设一致。对模型(4)所得结论进行分析，配送范围变量对库存周转天数的影响为正，且在10%的水平上显著相关，配送范围越大，企业的市场越广阔，在扩大企业规模的同时也带来了企业的库存周转天数的提高。

此外，回归分析结果也表明销售规模与库存周转天数正相关，费用比率和库存周转天数负相关，应付账款比率与库存周转天数负相关，相比于中西部地区，东部地区库存周转天数更低，与赵泉午等^[16]的实证研究结论一致。

但是，库存周转天数与零售终端数量负相关，是不是意味着企业为了降低库存周转天数就应该尽可能多地开设零售终端呢？显然不是，在回归结果中，我们发现随着零售终端数量的增加，库存周转天数与销售增长率并不显著相关。这说明目前国内连锁企业在扩张零售终端扩大销售规模时企业的相对收入并没有同步提高。这主要是由于大多数企业虽然开设了较多的零售终端，但是并没有形成一个从采购、物流节点运营到终端销售的完善运营管理体系，目前的连锁经营仍处于“连而不锁”状态。在电商冲击及经济下行的压力下，连锁企业零售终端平均销售收入并没有实现增长(见图 3)。根据2015年的中国零售百强报告，87家实体店零售对百强零售企业整体销售增长的贡献率仅为7.2%，而采取“实体+电商”模式的6家企业贡献率却达到12.1%。在这种形势下，许多传统连锁零售企业只能选择关闭门店降低亏损。因此，对于现在的国内连锁零售企业来说，当务之急不是进一步开展连锁经营和完善网点布局，而应该是注重提升企业整体运转效率，根据企业自身发展需求选择合理的配送模式。对具备自营配送的企业来说应着手建立现代化的物流配送中心，建立专业物流配送队伍，提升企业物流效率，形成从采购、物流节点运营到终端销售的完善的运作体系，降低企业库存成本，提升企业物流竞争力。此外，企业应该积极探索连锁经营的新模式，为企业在现在和未来的经营中赢得新的竞争力。

五、结束语

本文首先通过苏宁云商的案例测算初步讨论了零售企业物流配送模式因素对企业库存水平的影响，然后结合现实情况和相关理论提出研究假设，根据假设构建GMM混合效应模型，进行实证检验。检验结果表明：连锁经营零售企业零售终端数量与库存周转天数负相关，每增加100家零售终端，企业库存周转天数降低0.8天左右；配送模式与库存周转天数不相关；全国型连锁经营零售企业比区域型连锁经营零售企业库存周转天数高。通过结果分析，看到中国连锁经营零售企业“连而不锁”的现象，为连锁零售企业经营管理提供了建议。

目前连锁经营零售企业正在积极开拓“新零售”模式，采取线上线下相结合的销售模式，但是由于数据不全，未能进行进一步研究，未来随着新模式的推行和数据的披露可以继续研究。