牛東來 黃馨萍

[摘 要]超市與居民生活密切相關(guān)，近年來競爭不斷加劇。文章以我國超市上市公司經(jīng)營核心指標(biāo)作為數(shù)據(jù)基礎(chǔ)，用SPSS軟件作為統(tǒng)計分析工具，分別運(yùn)用時間序列、神經(jīng)網(wǎng)絡(luò)和多元線性回歸模型，對2010年至2019年15家超市上市公司的數(shù)據(jù)進(jìn)行建模分析。結(jié)果顯示，超市主營業(yè)務(wù)收入和毛利率使用多元線性回歸模型，凈利潤、門店數(shù)和人效使用神經(jīng)網(wǎng)絡(luò)模型，資產(chǎn)負(fù)債率使用時間序列模型預(yù)測數(shù)據(jù)擬合度較高。最后，利用各指標(biāo)中預(yù)測精度較高的模型，對2020年至2025年的指標(biāo)進(jìn)行預(yù)測。該結(jié)果對零售超市業(yè)態(tài)的發(fā)展及規(guī)劃具有一定的研究價值和實(shí)際意義。

[關(guān)鍵詞]超市;經(jīng)營指標(biāo);預(yù)測方法;上市公司;預(yù)測

[DOI]10.13939/j.cnki.zgsc.2021.13.105

1 引言

零售行業(yè)在我國國民經(jīng)濟(jì)中起著非常重要的作用[1]，是實(shí)現(xiàn)國內(nèi)大循環(huán)為主體目標(biāo)的重要組成部分。近幾年來，由于新零售的產(chǎn)生及資本的不斷進(jìn)入，使得零售行業(yè)、特別是超市面臨著巨大的競爭態(tài)勢，從而導(dǎo)致行業(yè)的經(jīng)營和發(fā)展遇到很大瓶頸。2020年年初以來的新冠肺炎疫情在促進(jìn)線上銷售不斷攀升的同時，也對整體超市行業(yè)帶來不同程度的打擊。對超市行業(yè)未來經(jīng)營發(fā)展趨勢的研究是居民、行業(yè)和社會普遍關(guān)注的問題。

為了更好地預(yù)判超市行業(yè)未來的發(fā)展趨勢，文章獲取了15家超市上市公司年報的數(shù)據(jù)資料，利用三種預(yù)測模型作為分析工具，對超市核心經(jīng)營指標(biāo)進(jìn)行了預(yù)測分析，給出了不同預(yù)測模型適于預(yù)測的指標(biāo)，同時對超市行業(yè)未來5年的發(fā)展進(jìn)行了預(yù)測。

2 數(shù)據(jù)來源

2.1 搜集樣本數(shù)據(jù)

文章選擇了中國連鎖經(jīng)營協(xié)會于2020年6月29日發(fā)布的2019年中國超市百強(qiáng)名單中的15家上市公司，用2010年至2019年的該15家上市公司的年報作為數(shù)據(jù)來源，分析和研究上市公司經(jīng)營情況相關(guān)的指標(biāo)，對超市上市公司的經(jīng)營狀況指標(biāo)進(jìn)行研究和預(yù)測。超市上市公司在整個零售行業(yè)中具有一定的代表性，用其經(jīng)營指標(biāo)進(jìn)行分析和研究，對今后超市業(yè)態(tài)和零售行業(yè)的發(fā)展具有一定的研究價值和理論意義。

2.2 指標(biāo)選擇

大多數(shù)學(xué)者在進(jìn)行零售企業(yè)經(jīng)營狀況分析時會以財務(wù)指標(biāo)作為主要的衡量標(biāo)準(zhǔn)，通過對文獻(xiàn)中出現(xiàn)的財務(wù)指標(biāo)頻次的綜合評判，為了更好地分析零售業(yè)上市公司的經(jīng)營狀況，文章主要從各公司的年報中選擇了六個和經(jīng)營情況相關(guān)的指標(biāo)如表1所示。

為了對超市業(yè)態(tài)未來的整體發(fā)展趨勢有一個較直觀的預(yù)判，將每一年這15家公司的指標(biāo)數(shù)值取平均值，所得到的整體結(jié)果如表2所示。

3 理論與方法

3.1 時間序列分析和預(yù)測

文章選取的數(shù)據(jù)是按照時間順序進(jìn)行排列的時間序列，因此能夠使用SPSS時間序列方法對其進(jìn)行建模和預(yù)測[2]，主要方法包括專家建模器和ARIMA模型。

先使用專家建模器對各指標(biāo)進(jìn)行預(yù)測，但由于平均零售主營業(yè)務(wù)收入、門店數(shù)、凈利潤和資產(chǎn)負(fù)債率的預(yù)測精度無法通過精度對照表[3]，其對應(yīng)的模型不適合問題的研究，所以改用ARIMA模型做進(jìn)一步的參數(shù)設(shè)置和研究分析。由最終的擬合結(jié)果可得，各指標(biāo)對應(yīng)的平穩(wěn)的R方和R方值都大于0.5，所對應(yīng)的模型都適合問題的研究，擬合結(jié)果均具有統(tǒng)計學(xué)意義，可以作為很好的預(yù)測模型來進(jìn)行研究和分析。

3.2 神經(jīng)網(wǎng)絡(luò)分析和預(yù)測

SPSS神經(jīng)網(wǎng)絡(luò)是一個非線性的數(shù)據(jù)建模工具集合，它包含輸入層和輸出層、一個或多個隱藏層。神經(jīng)元之間的連接賦予相關(guān)的權(quán)重，訓(xùn)練算法在迭代過程中不斷地調(diào)整這些權(quán)重，從而使得預(yù)測誤差最小化并給出預(yù)測精度。文章使用的是多層感知器（Multilayer Perceptron，MLP）的方法，是一種前饋人工神經(jīng)網(wǎng)絡(luò)模型，其將輸入的多個數(shù)據(jù)集映射到單一的輸出的數(shù)據(jù)集上。

在進(jìn)行分析和預(yù)測的過程中，依次把其中一個指標(biāo)作為因變量輸入，其他剩余指標(biāo)作為協(xié)變量輸入，分區(qū)數(shù)據(jù)集根據(jù)個案的相對數(shù)量，按照訓(xùn)練集與測試集比例7：3進(jìn)行分配，根據(jù)各指標(biāo)分別作為因變量的模型匯總結(jié)果可知，所有指標(biāo)的相對錯誤數(shù)值均小于0.1，即正確率在90%以上，說明該模型擬合效果較好，可以作為較科學(xué)的方法進(jìn)行預(yù)測。

3.3 多元線性回歸分析和預(yù)測

利用該方法對各指標(biāo)的分析過程中，把其中一個指標(biāo)依次作為因變量y，其余各指標(biāo)作為自變量x1，x2，x3，x4，x5進(jìn)行多元線性回歸建模，使用SPSS軟件進(jìn)行計算，所有指標(biāo)的相關(guān)系數(shù)R、判斷系數(shù)R2和調(diào)整后的R2都大于0.5，標(biāo)準(zhǔn)估計的誤差較小，但平均門店數(shù)、平均人效和平均資產(chǎn)負(fù)債率的顯著性大于0.05，可知這三個指標(biāo)沒有通過系數(shù)檢驗(yàn)，達(dá)不到統(tǒng)計學(xué)意義上的顯著，由此我們考慮模型中存在多重共線性問題。

為了去除多重共線性的問題，改為“逐步”的回歸方法進(jìn)行調(diào)整[4]，得到各指標(biāo)最終的所有統(tǒng)計量均具有統(tǒng)計學(xué)意義，所以該模型可作為預(yù)測模型進(jìn)行分析。另外，該模型對各指標(biāo)預(yù)測得到的真實(shí)值和預(yù)測值的誤差率較小，擬合精度較高，可以對預(yù)測未來15家超市上市公司的經(jīng)營情況提供一個比較可靠的參考。

4 三種方法的預(yù)測結(jié)果對比

通過上述三種模型對15家超市上市公司經(jīng)營指標(biāo)的預(yù)測，對各指標(biāo)計算三種模型的均方根誤差和平均相對誤差[5]，經(jīng)對比得出各指標(biāo)最適合的預(yù)測模型結(jié)果是：零售主營業(yè)務(wù)收入和毛利率使用多元線性回歸模型，凈利潤、門店數(shù)和人效使用神經(jīng)網(wǎng)絡(luò)模型，資產(chǎn)負(fù)債率使用時間序列模型。

分別使用各個指標(biāo)中預(yù)測精度較高的模型對2020年至2025年各個經(jīng)營指標(biāo)進(jìn)行預(yù)測，預(yù)測結(jié)果如表3所示。

由上表可得，平均零售主營業(yè)務(wù)收入以3%至4%左右的增長率呈現(xiàn)穩(wěn)定增長的趨勢;平均門店數(shù)在2020年至2022年呈現(xiàn)下降趨勢，在2023年略有回升，在2023至2025年逐年增長;平均人效在2020至2021年有所提升，但是2022年及以后呈現(xiàn)出下降的趨勢;平均毛利率和平均資產(chǎn)負(fù)債率分別以1%和2.5%左右的增長率在逐年穩(wěn)定

上升;平均凈利潤整體而言呈現(xiàn)增長的趨勢，但于2024年有所下降后又呈增長趨勢。

5 結(jié)論

文章對我國2010年至2019年15家超市上市公司主要經(jīng)營指標(biāo)進(jìn)行分析，以時間序列、神經(jīng)網(wǎng)絡(luò)和多元線性回歸模型為基礎(chǔ)，對零售主營業(yè)務(wù)收入、毛利率、凈利潤、門店數(shù)、人效和資產(chǎn)負(fù)債率六個指標(biāo)進(jìn)行建模預(yù)測，經(jīng)過平均相對誤差和均方根誤差的對比分析，得到多元線性回歸模型適合零售主營收入和毛利率的預(yù)測，神經(jīng)網(wǎng)絡(luò)模型適合凈利潤、門店數(shù)、人效的預(yù)測，時間序列適合資產(chǎn)負(fù)債率的預(yù)測。

從2020年至2025年的預(yù)測結(jié)果來看，未來零售行業(yè)超市業(yè)態(tài)的發(fā)展整體情況較為平穩(wěn)。在盈利能力方面，主營業(yè)務(wù)收入和毛利率每年呈緩慢穩(wěn)定增長趨勢，凈利潤緩慢下降并有所波動，可以通過線上流量和線下體驗(yàn)相融合的方式尋找新的增量。在企業(yè)規(guī)模方面，門店數(shù)量會由于網(wǎng)上零售和疫情的影響有所下降，整體的規(guī)模并不會大幅度減少。在經(jīng)營效率方面，人均創(chuàng)效能力略有下降，可以通過引進(jìn)自助設(shè)備和數(shù)字化手段減少人力提高人效。在償債能力方面，有所增長但較為平穩(wěn)，應(yīng)及時應(yīng)對風(fēng)險的變動，加強(qiáng)企業(yè)內(nèi)部管控。

參考文獻(xiàn)：

[1]付長鳳.基于回歸算法的超市銷售數(shù)據(jù)預(yù)測研究[J].信息技術(shù)與信息化，2020（5）：39-41.

[2]朱建芳，段嘉敏，高亮.煤礦百萬噸死亡率預(yù)測方法對比研究[J].華北科技學(xué)院學(xué)報，2018，15（3）：10-15，20.

[3]覃延.神經(jīng)網(wǎng)絡(luò)模型和多元線性回歸預(yù)測腎結(jié)石CT值的比較[J].影像研究與醫(yī)學(xué)應(yīng)用，2020，4（6）：26-28.

[4]鐘麗燕.基于多元線性回歸分析的在校大學(xué)生人數(shù)預(yù)測[J].經(jīng)貿(mào)實(shí)踐，2018（23）：293-294.

[5]阿布力孜·布力布力，張新國.基于灰色線性回歸組合模型的超市商品銷售量預(yù)測[J].統(tǒng)計與決策，2014（7）：69-71.

[作者簡介]黃馨萍（1995—），女，漢族，安徽合肥人，碩士研究生，研究方向：電子商務(wù)與供應(yīng)鏈一體化。