中国百货零售业头部公司多维风险分析
——以新冠疫情时期为背景分析

2023-08-29 03:33赖泽文
商展经济 2023年16期
关键词:百货零售业波动

赖泽文

(浙江财经大学 浙江杭州 310018)

作为商品流通的终端环节,零售业是国民经济的先导产业和基础产业,是消费拉动经济增长的着力点,也是吸纳就业的蓄水池。其中的百货零售业消费已成为中国经济的重要支撑,成为稳定器、压舱石。而2019年末2020年初新冠疫情的爆发对各类零售商而言是一个严峻的挑战,对于以线下实体销售为主的百货零售商而言损失更大。

因此,研究新冠疫情对百货零售业头部公司所面临风险造成的影响对于我国经济的风险管理具有极为重要的意义。

本文尝试对比研究百货零售业部分头部公司以及其所处市场的多维度风险随着新冠疫情严重程度变化而发生对应的变化情况。首先,本文使用事件分析法来选择数据样本,即围绕新冠疫情最初爆发时间节点和后疫情时间段选择数据;其次,计算相关市场股票指数和公司的股票日收益率的月波动率、因子载荷、特质性波动率、在险价值和预期亏空分别来量化其总体风险、系统性风险、非系统性风险和左尾风险。在量化系统性风险和非系统性风险时,通过CAPM风险模型提取出百货零售业龙头股的因子载荷和特质性波动率;最后,利用数据制作折线图分析研究百货零售业头部公司的风险变化情况。

本研究的目的是实证分析出新冠疫情爆发时期和后疫情时期百货零售业头部公司风险变化的特性。

本文从综述文献、所给模型与理论基础及相关数据进行实证结果分析,最后得出结论。

1 文献综述

从现有研究来看,目前对新冠疫情时期及后疫情时期中国零售业的研究主要集中在如何应对由于疫情所带来的风险,以及定性地描述零售业面临的困境和挑战。

在商业模式上,有学者认为要围绕商业模式核心要素人、货、场进行重构,并提出五种数字经济下零售商业模式创新的路径选择;缩短消费者购物距离,开展全渠道营销,尤其是线上及直播渠道等。在发展数字化新零售上,从更新营销理念、健全产业标准、加强供应管理、严控产品质量、实施人才战略五个方面推动新零售转型;构建实体零售全渠道数据平台,打造纵向一体化战略下的数字化供应链体系。此外,在大规模的外生经营冲击背景下,拥有响应能力较强的主营业务对零售企业取得较高的业绩起着决定性作用。

实体零售业所面临的困境和挑战可分为供给侧和需求侧。在供给侧方面,由于2020年新冠疫情在全球蔓延,且零售业的产出对价格影响较为敏感,国内供应链中断风险加大,这其中包括运输端和制造端断裂风险;在需求侧,新冠疫情最初爆发时间节点恰逢中国春节,这通常是消费者消费的高峰期,疫情导致客流量大幅下降,购买订单大幅减少,企业的库存商品无法销售变现;后疫情时代消费者的消费习惯发生改变,环境变化和挑战、个人心理变化、沟通渠道变化和资源不可用激发了消费者的数字参与积极性,传统企业场景应用不匹配。资金周转紧张及库存积压、供应链断裂加大了财务风险和经营风险。此外,在新冠疫情发展的三个阶段,零售业商业模式创新本身也有风险,并且相关风险等级随着创新的普及和深入逐步上升,其中疫情最严重阶段零售企业发展模式转变明显,风险最大。

在一般零售企业风险的定量研究方面,有学者采用Z分数模型对实体零售企业面临的财务风险进行评估,发现新冠疫情给整个行业带来巨大的冲击,其中对百货子行业的冲击最大,百货和多业态零售子行业财务风险加剧。但是,对一般零售企业面临风险的定量研究比较少见,对实体百货零售业面临的多维风险如系统性风险、特质性风险、左尾风险等的定量研究更是少之又少。故本文在新冠疫情爆发时期及后疫情时期从量化的角度多维度分析研究百货零售业头部公司,以及所处市场所面临的风险及其变化特征。

2 模型、方法与数据

2.1 模型与理论基础

本文采取CAPM风险模型作为理论模型,通过相关风险指标量化对应风险,从而对新冠疫情时期和后疫情时期百货零售业头部公司和相关市场风险的变化进行分析。

CAPM风险模型数学表达式:

式(1)中rp,t和MKTt分别是所选取百货零售业个股(p)和指数(上证A股指数和上证可选消费指数)在t时期内的日收益率,本文将以βp来衡量系统性风险,即市场风险,以ε p,t(不能被市场或行业解释的部分)的标准差即特质性波动率来衡量非系统性风险。

2.2 实证方法

2.2.1 分析方法

本文采用事件分析法(借助金融市场数据分析某一特定事件对于某个经济对象造成的影响),其中中国新冠疫情的爆发被选取为特定事件。本文选取疫情最初爆发的时间节点为2019年末到2020年初,被选择样本的时间跨度约为3年零8个月,具体时间范围是2019年10月8日到2023年5月19日;分析对象是上海股票市场的百货零售业部分头部公司和对应的市场,所选取个股分别为杭州解百股份有限公司(600814)、王府井(600859)、翠微股份(603123)、重庆百货(600729),对照组股票指数分别为上证A股指数(000002)和上证可选消费指数(000035)。

2.2.2 指标的计算方法、意义或表现形式

(1) 总体风险指标——月波动率计算公式:

式(2)中:X为个股或市场股票指数日收益率所选取样本的观测值,为各个样本组(每个月的日度收益率为一个样本组)日收益率的均值,n为某个样本组中包含的观测点数量。

(2)左尾风险指标:①在险价值(Value at Risk/VaR),将个股或指数在所选择时间段内的日收益率由大到小依次排列,公式如下:

式(3)中:L、i、fx分别为Px所在组段的下限、组距和频数;∑fL为小于L所在组段的累计频数)分别计算出1.10%、0.90%、0.80%、0.60%、0.40%、0.30%、0.10%的百分位数。②预期亏空(Expected Shortfall/ES),基于计算得出的在险价值,计算在损失超出第1.1百分位数条件下损失的等权重均值。

(3)系统性风险指标——因子载荷(Beta/β):在本文中表现形式为当市场(上证A股指数或上证可选消费指数)变动1单位时,个股向上或向下变动的幅度。

(4)非系统性风险指标——特质性波动率:在本文中用来衡量剔除系统性风险后,当个股代表的公司特质性因素发生变动时,个股(杭州解百股票)所受到的影响。

(5)疫情严重程度指标——月度新增确诊病例数:月度新增确诊病例数越高在一定程度上表明疫情越严重,当疫情严重时会对市场和百货零售业龙头公司产生负面影响。

2.2.3 数据来源

由于无法在单个数据库中获取全部所需原始数据,本文所使用的原始数据中2019年10月到2023年4月的个股数据均来自CCER经济金融研究数据库,2023年5月份的个股数据则来自同花顺;股票指数的原始数据均来自国泰安数据库;新增确诊病例原始数据均来自Wind数据库。CCER经济金融研究数据库、国泰安数据库和Wind数据库皆是具有高质量数据的权威性数据库,同花顺是一款股票行情交易软件,记载了实时和历史交易数据。

在疫情严重程度指标的获取上,本文选择了2020年1月至2022年12月的全国新冠肺炎当日新增确诊病例数的月合计数。因为中国新冠疫情爆发的时间点在2020年初,所以从2020年1月开始计算新增确诊病例数;而且,在2022年12月13日中国疫情全面放开,往后新冠肺炎新增确诊数与新冠肺炎实际感染人数之间必然存在较大差距,所以计算月度新增确诊病例数的时间终点为2022年12月。

在收益率指标的获取上,对于个股,本文通过CCER经济金融研究数据库——标准数据——A股市场——交易数据——股票价格收益——日度价格、收益及风险信息,从而得到收盘价的数据,然后使用收盘价通过简单收益率计算方式计算出个股日回报率;对于指数,本文选取国泰安数据库——股票市场系列——市场指数——国内指数交易数据——国内指数日行情文件,从而得到股票指数日回报率数据。

在时间样本的选择上,由于本文研究的重点是新冠疫情爆发时期及后疫情时期百货零售业头部公司的风险变化,因此选择的时间样本分别为围绕新冠疫情最初开始的时间节点(2019年12月)前后的8个月即2019年10月到2020年5月,以及后疫情时期开始后的3年即2020年6月到2023年5月。该样本的选择符合使用事件分析法的条件。

在股票指数样本的选择上,本文选取的是上证A股指数,因为在上海证券交易所上市的公司相对在北京交易所、深圳交易所上市的公司而言运营更加成熟、体量更大、发展也更稳定,而且上海证券交易所已经成为全球第三大证券交易所和全球最活跃的证券交易所之一,因此上证A股指数具有较强的代表性,在很大程度上可以反映中国市场的变化情况。此外,本文的研究对象是百货零售业头部公司,而百货零售类商品大部分属于可选消费品,所以股票指数中还选取了上证可选指数。

在个股样本的选择上,本文选取百货零售行业中的头部公司股票,并从相关公司影响力的地域范围角度自大至小选取个股,即王府井(王府井是全国规模最大、业态最全的商业零售集团之一,公司销售网络覆盖中国七大经济区域,能够较为全面地反映疫情对其的影响)、重庆百货(中国西部地区百货零售龙头企业)、杭州解百(浙江百货零售头部公司)、翠微股份(旗下翠微百货是北京市海淀区区属商业龙头企业)。通过量化基于地域划分的百货零售业头部公司股票所面临风险的表现情况,本文重点分析新冠疫情对百货零售业头部公司所面临风险所造成的影响。

此外,在为什么选择这些个股的角度上,本文还有一个考量维度。新冠疫情的爆发对于百货零售业具有负面影响,但也具有正面影响——“零售新模式”快速发展,这对于百货零售业的风险变化直观上具有显著影响,所以该因素有必要纳入个股样本选择的考虑中。

新冠疫情期间,杭州解百股份有限公司旗下的杭州大厦进行了许多新零售方面的尝试,如建设线上社群、大力推动小程序、线上商城、直播等线上玩法等;转变对百货零售商形式上的观念:把自己从渠道商转为能够满足多元化消费需求的服务运营商;同时,杭州大厦始终不忘初心——坚持定位于高端百货,做差异化产品,而不是盲从线上销售等形式的新零售趋势。

杭州解百在新零售趋势中的敏感性、适应性及灵活性从中可见一斑。因此,本文计算特质性波动率和因子载荷时选取杭州解百股票的日回报率作为计算对象。

计算指标的样本选择与获取。

月波动率:以个股和股票指数自2019年10月至2023年5月这个时间段内每个月的日回报率为一个小样本单位来计算样本标准差,计算对象是所选取的四只股票和两只股票指数的日收益率。

在险价值:时间段样本为2019年10月至2023年5月,选取的显著性水平分别为1.10%、0.90%、0.80%、0.60%、0.40%、0.30%、0.10%,计算对象是所选取的四只股票和两只股票指数。计算方式为利用Excel软件数据分析库中的排位与百分比排位功能对样本数据进行处理,从而得到相应显著性水平下的在险价值。

预期亏空:时间段为2019年10月8日至2023年5月19日,显著性水平为1.10%,计算对象是所选取的四只股票和两只股票指数。

因子载荷:在2019年10月8日至2020年5月29日时间段内(新冠疫情爆发时间段样本),每两个月为1个样本单位;在2020年6月1日至2023年5月19日时间段内(后疫情时期时间样本),每两个月为1个样本单位。计算方法为利用软件Excel数据分析库中的回归功能对样本数据进行回归得到的Coefficients of X Variable即为因子载荷,被解释变量y为杭州解百股票的日收益率,解释变量x为上证A股指数或上证可选消费指数的日收益率。

特质性波动率:在2019年10月8日至2020年5月29日时间段内,每两个月为1个样本单位;在2020年6月1日至2023年5月19日时间段内,每两个月为1个样本单位。计算方法为利用软件Excel数据分析库中的回归功能对样本数据进行回归,得到模型回归残差,再计算出每组样本残差的标准差即为特质性波动率,被解释变量y为杭州解百股票的日收益率,解释变量x为上证A股指数或上证可选消费指数的日收益率。

3 实证结果分析和结论

3.1 实证结果

3.1.1 月波动率

由图1可知,在本文所选取的新冠疫情爆发后的1年当中,市场大盘(上证A股指数和上证可选消费指数)的总体风险(月波动率)在2020年的2月份和7月份达到峰值。而2020年年初到2020年3月底我国处于疫情冲击阶段,尤其是在2020年2月份,我国疫情进入疫情爆发以来最为严重的时期,图1中表现为月度新冠肺炎新增确诊病例数骤增达到峰值,大盘指数在短期内暴跌,当月波动率骤增。

图1 2019年10月至2023年5月个股、股指波动率和新冠肺炎新增确诊病例数月度折线图

为了应对疫情,在2020年1月份国家卫生健康委发布《新型冠状病毒感染的肺炎防控方案》《新型冠状病毒感染的肺炎诊疗方案》和《新型冠状病毒感染的肺炎重症患者集中救治方案》,前两者的版本根据后续实际情况不断更新;2020年2月份国务院联防联控机制印发《关于进一步强化责任落实做好防治工作的通知》《关于科学防治精准施策分区分级做好新冠肺炎疫情防控工作的指导意见》《企事业单位复工复产疫情防控措施指南》《关于进一步落实分区分级差异化防控策略的通知》;2020年3月份国务院办公厅印发《关于应对新冠肺炎疫情影响强化稳就业举措的实施意见》。

在2020年3月份中国疫情爆发的猛烈势头逐渐平稳,中国渡过了首轮新冠疫情流行高峰,在图1中表现为月度新冠肺炎新增确诊病例数大幅下降,与之对应的是图1中2020年3月份大盘指数的月波动率有所下降。

2020年4月份,国务院联防联控机制印发《关于进一步做好重点场所重点单位重点人群新冠肺炎疫情防控相关工作的通知》和《新冠病毒无症状感染者管理规范》,中央应对疫情工作领导小组印发《关于在有效防控疫情的同时积极有序推进复工复产的指导意见》,国务院联防联控机制印发《全国不同风险地区企事业单位复工复产疫情防控措施指南》;2020年5月份,国务院联防联控机制印发《关于做好新冠肺炎疫情常态化防控工作的指导意见》。中国新冠肺炎新增确诊病例数在4、5月份逐步动态清零,在4月末全国疫情防控进入常态化,与之对应的是图1中大盘指数4、5月份的波动率较平稳。

2020年4、5月份疫情的好转使得宏观经济开始上行,各项宏观经济指标如PMI、10年期国债收益率等逐渐增长,而股市大盘具有亲周期性,宏观经济的好转推动了股市在7月份大涨,从而使得大盘指数7月份的波动率骤增。这与图1中大盘指数月波动率大幅提高的趋势相吻合。

2021年,中国坚持“动态清零”总方针,用一个潜伏期(14天)就控制住德尔塔变异株带来的疫情。这1年中国疫情对市场大盘造成的直接影响较弱,其中具体间接影响无法从图中推断得出。

2022年3月和4月中国新冠疫情反弹,尤其是上海市在此期间几乎停摆,表现为图1中的月度新冠肺炎新增确诊病例数大幅增加,4月份是这次疫情冲击的主要时间节点,宏观经济下行压力增大,而图1中大盘指数波动率也在2022年3月提高并在4月达到峰值。

2022年11月、12月图1中月度新冠肺炎新增确诊病例数激增,大盘指数的波动率则在11月达到峰值。2022年12月7日,由于相关病毒致病力不断减弱且传播速度快,我国疫苗接种的普及以及防控经验的积累,国务院联防联控机制综合组公布优化落实疫情防控的“新十条”,这意味着全面放开疫情,也正是上述三个缘由,全面放开疫情对我国经济并没有造成较大的冲击,与之相应的是图1中2022年12月后的大盘指数波动率相对较为平缓。

2022年12月26日,国务院联防联控机制综合组印发《关于对新型冠状病毒感染实施“乙类乙管”的总体方案》;2023年5月5日,世界卫生组织宣布,新冠疫情不再构成“国际关注的突发公共卫生事件”。在这5个月当中,新冠疫情的影响趋于缓和,宏观经济正在缓慢复苏,图1中大盘指数月波动率的变化较为和缓,符合这一特征。

显然,市场总体风险表现为“亲疫情趋势”,其变化与疫情严重程度的变化有较强的关联性。

而百货零售板块各个不同大小地域对应龙头股的总体风险则表现稳定、绝对数值低且平缓,受到所处市场行情波动的影响很小。对于总体风险而言,百货零售业的龙头股呈现出较强的对疫情、对市场风险变化的抵御能力。

3.1.2 因子载荷和特质性波动率

特质性波动率:由图2可知,杭州解百股票日收益率对上证A股指数和上证可选消费指数日收益率的特质性波动率变化的绝对数值和总体或局部趋势均相似,甚至相同,这在一定程度上说明杭州解百股票的非系统性风险,无论是在剔除了上海股票市场风险还是在剔除了细分市场——上海可选消费市场风险的条件下,对市场类型变化是稳健的,不随市场范围变化而变化,呈现出一种抵御能力。

图2 2019年10月到2023年5月杭州解百股票日收益率对上证A股指数和上证可选消费指数日收益率的因子载荷和特质性波动率以及新增确诊病例月度折线图

同时,这种相似性可能也侧面反映了当新冠疫情这种导致宏观环境众多因素波动剧烈的外生冲击发生时,风险因子在各个市场间的流动性会大大加强。

此外,杭州解百股票日收益率的特质性波动率在2020年的2月和7月、2022年的3月和4月、2023年的12月这4个疫情程度严重的时间节点达到峰值,而因子载荷波动不大,可见其非系统性风险相对系统性风险而言呈现出更明显的“亲疫情趋势”。

因子载荷:由图2可知,杭州解百股票日收益率对上证A股指数和上证可选消费指数日收益率的因子载荷变化较小且稳定,反映了该股票对市场风险具有较强的抵御能力,这一点与其总体风险的表现相似。

在后疫情时代杭州解百股票的非系统性风险和系统性风险与疫情爆发时期类似。

3.1.3 在险价值和预期亏空

由图3和图4可知,在2019年10月到2023年5月期间,股票指数日收益率在不同显著性水平下的VaR值及显著性水平为1.10%时的预期亏空绝对值均明显大于百货零售业龙头股日收益率,可见百货龙头股面临的左尾风险在疫情时远小于所在市场。

此外,不论是日收益率的在险价值还是预期亏空,上证A股指数均小于上证可选消费指数,这体现了资产分散降低风险的优势。

3.2 结论

百货零售业头部公司股票具有较强的应对疫情冲击和应对市场波动的抵御能力,这也与其作为消费类股票所具有的稳健性是对应的。不论是在新冠疫情爆发时期还是后疫情时期,其总体风险、系统性风险、非系统性风险、左尾风险均表现为稳定平缓。同时,其非系统性风险相对系统性风险而言表现出更强的“亲疫情趋势”,但该性质不如市场指数的“亲疫情趋势”明显。

猜你喜欢
百货零售业波动
羊肉价回稳 后期不会大幅波动
微风里优美地波动
2019年国内外油价或将波动加剧
干湿法SO2排放波动对比及分析
主板上市,利群百货发展新转折
零售业 餐饮业 到底谁模糊了谁?
效率才是新零售业本质
又一个百货巨头倒下了!
法国春天百货揭开150周年欢庆序幕
提升我国零售业品类管理能力