2024年多因子与ESG策略深度：波特五力模型第一期，企业竞争力分析，客户和供应商集中度

一、波特五力模型

1.1 框架介绍

上市公司在股票市场中构建了一个由供应链关系支撑的错综复杂网络。这些关系不仅包括产业链上下游的 联系，还涉及债务和股权投资，以及与客户、供应商、竞争对手的互动。例如，一个公司可能是另一家公司的 重要供应商，同时也可能是其重要客户，或者与其他公司共同投资于某个关键项目。这种供应链的紧密关联不 只是影响企业的运营和财务状况，更是塑造其竞争力的关键因素。 企业竞争力分析中，供应链集中度研究为基本面分析提供增量信息，特别是当它与波特五力模型相结合时。 波特五力模型是迈克尔·波特提出的一个分析竞争强度和盈利能力的框架，包括供应商的议价 能力、买家的议价能力、潜在的新进入者、替代品的威胁以及行业内的竞争程度。波特五力模型与供应链管理 的交叉点揭示了供应链结构对企业议价能力、市场竞争和风险管理的深远影响，更好地理解企业如何在动态的 市场环境，通过提高优化运营和战略决策的来提高竞争力。

企业竞争力与供应链集中度之间的关系并非简单的线性相关，而是随着企业生命周期的不同阶段而呈现出 动态变化，在短期效率提升和长期风险管理之间找到平衡点，以确保在动态变化的市场环境中保持持续的竞争 力。而供应链集中度因子在这里可视作企业议价能力和运营效率的综合体现。在短期内，供应链的高度集中可 能对企业业绩产生积极影响，主要源于采购成本的降低和采购效率的提升。企业通过与少数关键供应商建立紧 密的合作关系，能够享受到更优惠的价格和更高效的供应链管理。这种策略有利于提高企业的利润率和市场竞 争力，从而在短期内可能推动股价上升，因投资者和市场普遍看好成本控制和效率提升对企业盈利能力的正面 影响。 这种积极影响通常是有条件的，依赖于市场环境的稳定性和供应商的可靠性。根据波特五力模型，企业的 供应链若过度集中，通常意味着供应商或客户拥有较强的议价能力。这种情况下，主要供应商或大客户可能会压榨企业的利润，并将自身的流动性风险转嫁给企业。此外，企业还可能面临着大客户或主要供应商流失或破 产的风险。与此相反，低供应链集中度则表明市场上存在多个竞争者，企业将面对分散的供应商或客户群。这 种情况可能导致协调难度增加、交易成本上升，以及供应链管理效率降低等问题。

1.2 数据介绍

供应链数据的披露完整度是产业链数据研究中的痛点之一。公司对于自身业务的私密性的保护，供应链的 数据会被公司视为重要信息，只在半年报和年报中披露重要客户，披露的频率完整度和覆盖率都较低，不太适 合用于基本面的高频跟踪和量化选股。鉴于上述数据层面的挑战，本报告选择采用秩鼎公司的供应链数据作为 样本进行分析。秩鼎的供应链数据库采用了反向披露和股权穿透等先进方式，通过整合多个数据来源，包括财 务报表和募集说明等，基于真实的交易记录，最大程度上还原标的公司的上下游交易关系和交易强度。

二、波特五力模型介绍

2.1 集中度指标介绍

CRx（Concentration Ratio）衡量供应商中前 x 大企业份额。高供应商集中度意味着一个公司主要依赖于 少数几个供应商，这可能会增加供应链的脆弱性和价格波动的风险。同样，高客户集中度表明公司的销售收入 主要依赖于少数几个客户，这可能会在客户需求变化时造成显著的影响。

与 CRx 类似，供应商或客户的赫芬达尔-赫希曼指数（HHI）是一个相对灵活、综合的衡量集中度的指标， 定义为每个供应商或客户市场份额的平方之和。当 HHI 值为 1 时，表示公司完全依赖于单一供应商或客户，这 是极端的集中度。通常，HHI 值低于 0.15 的情况下，公司被认为在供应商或客户方面具有较低的集中度，面临 的风险较小；HHI 值在 0.15 到 0.25 之间表示中等集中度，而 HHI 值高于 0.25 则意味着公司在供应商或客户方 面存在高度集中度，可能面临较高的业务风险。

2.2 覆盖率

客户和供应商权值在各大宽基指数的覆盖率稳步提升至 95%以上。客户和供应商权值 的覆盖率走势相近，在沪深 300、中证 1000 等宽基上的覆盖率自 2018 年以来稳定增长，自 2020 年以来，沪深 300、中证 800 和中证 500 等中大盘的整体覆盖率高达 90%以上，中证 1000 也在 2021 年下旬覆盖率突破 90%。

2.3 因子分布

2.3.1 CR5_c 因子

总体而言，超过一半的公司的前五大客户的业务量占比超过 80%，显示出较高的集中度。大 约有 2400 家公司的前五名客户业务占比超过 90%，这表明大部分企业高度依赖其排名前 5 的客户群。此外，客 户集中度与市值之间存在显著的负相关性，间接反映出较小规模的公司往往拥有更加集中的客户群体，这表明 它们在议价能力和供应链管理方面相对较弱。

总体来看，建材、建筑、家电、电子、汽车、食饮等行业前 5 客户占比更加集中（箱体窄，且中枢高于 0.8）， 银行、非银金融等相对分散（箱体宽，中枢较低）。在所有行业中，CR5_c 因子的最大值均达到 1，显示出行业 内部客户集中度的上限一致，而最小值则在不同行业之间展现出显著的差异。大部分行业的 CR5_c 因子值主要 集中在 0.8 至 1 的区间内。特别地，基础化工、电力及公用事业、机械行业的分布呈现较大的“拖尾”效应， 即这些行业的部分公司具有较低的客户集中度，其因子值的下边缘与主体箱图之间的距离较长。相反，轻工制 造、家电、农林牧渔和食品饮料行业的因子值紧密围绕在 1 附近，表明这些行业的客户集中度较高，其箱图结 构紧凑，下分位数较高。金融行业的因子值分布较为分散，尤其是非银金融的中位数大约为 0.6，显示出最低的 客户集中度和较广泛的客户群分布。同时，食品饮料、轻工制造和农林牧渔行业中也观察到一些异常值，这些 值位于箱图的下边缘线之外。

2.3.2 CR5_s 因子

CR5_s 因子分布与 CR5_c 因子分布相似，约 2700 家企业的前五名客户业务占比超 90%, 表明大多数企业的供应商集中度较高，其余因子数值区间的公司个体分布较少。此外，与 CR5_c 因子分布所呈 特点类似的是，对数企业市值与 CR5_s 因子仍表现出显著负相关关系，即企业规模越大，因子数值越低，供应 商越不集中。

总体来看，机械、建材、石油石化、食品饮料等行业前 5 客户占比更 加集中（箱体窄，且中枢高于 0.8），银行、非银金融等相对分散（箱体宽，中枢较低）。所有行业中因子数值的 最大值均为 1，但最小值在各行业间略有差异，大多数行业中因子数值集中在 0.8-1 之间。值得关注的是，计算 机、建筑、国防军工、有色金属、商贸零售和交通运输表现出明显的“拖尾”现象（最小值离箱体下分位线较远）， 表明其所在行业内的公司不存在对特定客户群体的高度依赖性。而机械、建材、食品饮料的因子数值较大，集中在 1 附近（箱体窄），显示出供应商的高度集中，其箱图结构紧凑，下分位数较高。银行和非银行金融行业的 因子值分布尤为分散，银行业的中位数仅约 0.6，供应商分布较为广泛，客户群集中度低。此外，机械、食品饮 料、建材、轻工制造等行业也出现了一些位于箱体图下缘线外的异常值。

2.3.3 HHI_c 因子

HHI_c 因子分布呈现两端厚尾分布，主要分布在 0-0.4 和 0.9-0.1 两端。就整个市场来 看，有 600 余家企业的 HHI_c 因子值聚集在 1 的附近，显示出其对排名前五大的客户群体的高度依赖性，而因 子值落在 0 到 0.04 区间内的企业数量占比最高，表明该区间段内的企业客户群体分布更为灵活。同时，企业的 对数市值与 HHI_c 因子之间依旧存在负相关关系，这与 CR5_c、CR5_s 因子的逻辑相一致，即企业规模越大， 其客户集中度越低，暗示其议价能力和供应链风险更低。

除了综合金融行业外，其余行业的 HHI_c 最大值为 1，各行业的最小值位于 0-0.1 附近。 如果以中位数作为衡量行业供应商集中度的指标，除了非银行金融之外，其余行业的集中度至少在 0.15 以上， 为中等集中度或高度集中度。电力及公用事业、交通运输、煤炭等行业的客户集中度较高，箱体结构较为紧凑， 但中枢集中在 0.2 和 0.3 附近，行业内企业的客户依赖度较弱。基础化工、轻工制造、农林牧渔和纺织服装的因 子分布均匀（箱体长且箱型边缘距离中心较远），中位数分别在 0.4 和 0.5 附近。非银行业的因子中位数较低， 因子集中（箱体窄且中位数小）。轻工制造行业的子板块包括包装和家具等，而包装行业的下游流向主要为食品 饮料行业，例如白酒、乳制品等，表现出显著的集中化趋势。总体而言，行业因子中位数的取值约为 0.4，表明 供应商的集中度较高。

HHI_s 因子分布与 HHI_c 因子分布相似，因子取值聚集在 0.0-0.5 和 0.9-1.0 两个区间范 围内，约有 800 家公司的前五名客户业务占比超过 90%，该区间段内的企业与其排名前五的客户群体的合作关 系尤为密切。同时，与 HHI_c 因子相似的是，HHI_s 因子得分与企业的对数市值表现出较为明显的负相关关系， 即企业规模越大其供应商和客户群体分布更分散，议价能力越强。

除了银行和非银行金融行业外，其他行业的 HHI_s 因子最大值均为 1，最小值在各行业间 略有不同但均保持在 0.1 以下。石油石化的因子中位数最高，位于 0.6 附近，因子数值分散（箱体宽），整体因子得分较高，表明供应商群体相对较为集中。在上游供应商整合的趋势下，建筑行业的供应商集中，因子中位 数位于 0.4 附近，因子分散（箱体宽）。银行、钢铁、非银行和综合金融的因子中位数较小，因子分散（箱体窄）， 供应商群体集中度较低。机械、电子、医药和基础化工行业的因子分布均匀（箱体宽），且个体在箱体内外均有 分布。总体而言，以中位数衡量行业整体集中度，大多数行业的中位数都在 0.25 以上，表明供应商的集中度多 为中等集中度或高度集中度。

三、集中度因子回测

3.1 RankIC 测试结果全览

根据中性化后集中度类因子 CRx 和 HHI 因子的 RankIC 回测结果，我们仅展示了 RankIC 的 P 值小于 0.1 的有效性因子。这里我们选取 RankIC 作为判断因子有效性的标准，首先因为集中度类因子相对低频，IC 值 的跟踪噪音较多，同时回测区间包含诸如 2023 年下半年等典型震荡市，IC 的更考量和因子的绝对收益。同时， 回测区间起点选择数据各宽基覆盖率初次突破 90%的 2018 年 4 月。

1、 总体来看，集中度低的组合表现更好。通过显著性检验的集中度相关因子，如 CR5_s 和 CR4_c，其 RankIC 值均呈现为负，分别为-0.25 和-0.018，分组测试来看，供应商集中度较低（bottom 组）、客户端集中度 适中（middle 组）的公司风险收益比较高。

2、 自 2021 年开始，供应商和客户端的集中度低的公司持续跑赢，且在中证 800、1000 等宽基指数中也呈 现出较稳定的超额收益。

3、 CRx 类比 HHI 类因子选股效果更佳。相比于 HHI 指数，不仅 CRx 类因子的定义逻辑更直观，而且 RankIC_IR 的绝对值更高，选股效果更好。其中 CR5_s 因子的信息比率绝对值最高（-0.45），RankIC 胜率高达 71%，其次为 CR4_s，但 HHI 指数中，HHI_c 的信息比率绝对值最高（-0.3261），但远小于 0.45，且 RankIC 的月度均值（-0.008）也小于 CR5_s 的（-0.025）。

4、 相比于客户端，供应端集中度因子的选股能力更强。在供应端集中度因子中，如 CR5_s、CR4_s、CR3_s 的 RankIC_IR 表现出色，位列前三，略优于 CR5_c、CR4_c 的-0.38 和-0.40。尤其是 CR5_s 和 CR4_s 的 RankIC 均值表现更加亮眼，均超过了 0.20，显示出较强的选股能力。然而，HHI_s 的表现则相对较 弱，其 RankIC_IR 仅为 0.28。

5、 在采用多层级供应链矩阵构建集中度因子时，观察到增强效果较为有限。无论是采用 HHI 还是 CRx 系 列因子，基于 2 层、3 层、4 层及 5 层供应链矩阵构建的因子，其 RankIC_IR 的绝对值普遍呈现下降趋 势。特别是在供应商端，没有任何一个派生因子能够通过 10%的显著性检验阈值。而在客户端，派生 因子的 RankIC 和 IR 的绝对值下降程度不一，但均低于相应的原始因子，表明多层级供应链矩阵的引 入，并未如预期中显著提升分析的效果。

6、 集中度因子的选股效果在常用的基本面因子表现突出，且与其相关性较小，可作为基本面因子的良好 补充。我们挑选了成长、盈利、营运效率等角度因子，其中集中度因子 RankIC 表现前列。 在接下来的部分，我们将重点介绍两个表现突出的因子：供应端的 CR5_s 和客户端的 CR4_c。我们将详细 展示这两个因子的 RankIC 分布情况、通过分组净值测试的结果，以及使用这些因子进行宽基指数选股策略的回 测成果。

3.2 CR5_s

3.2.1 RankIC 测试

CR5_s 因子的 RankIC 分布情况，该分布与正态分布相比呈现出明显的左偏特征，在部分时 间 RankIC 甚至小于-0.1，这表明 CR5_s 具有较为显著的选股能力。 CR5_s 的选股效果自 2020 年以后稳步提升。我们注意到 2020 年 1 月之前， CR5_s 因子的 RankIC 值出现了显著的波动，特别是在这一时期内，所有 RankIC 值大于 0 的情况也主要集中于 此，这揭示了其在选股效能上的不稳定性。然而，从 2020 年 1 月开始，RankIC 的累计值开始展现出稳定性， 并持续呈现下降趋势，这一变化标志着 CR5_s 因子在选股方面的效果显著提升。

3.2.2 分组净值测试

低供应集中度组合风险收益比更高。观察 CR5_s 因子进行的分组净值测试结果，我们发现第二组的表现尤 为显著，其年化收益率约为 4.0%，且拥有 0.21 的夏普比率。此外，各组的波动率大体上显示出递增的趋势，表 明供应端的集中度越高，相应的组合波动率也越大。 自 2021 年以来，低供应商集中度组合持续跑赢。在这段时间内，供应端集中度更高的组合，特别是第五组合，其表现尤为显著，策略净值实现了最高约 70%的上涨。然而，进入 2020 年 12 月，高集中度的组合开始持续表现不佳，多空策略的累计净值从 1.4 开始稳 步回调至大约 1.0 附近。到了 2022 年 12 月之后，各组之间的表现分化变得更加明显。

3.2.3 宽基指数中选股效果

自 2020 年 12 月至 2024 年 1 月以来，低供应商集中度组合在 800 和 1000 中组合超额收益稳步提升。为了 更细致地探讨 CR5_s 因子在中证 800 和中证 1000 这两种宽基指数中的表现，我们特别进行了超额收益测试。引人注目的是，最低供应商集中度的组合，亦即第一组，在这两个宽基指数中 的超额收益稳健增长，累计超额收益分别接近 0.5 和 0.3。同时，这些组合的多空净值表现也显示出一种稳定的 下滑趋势，分别趋向于 0.7 和 0.8 左右。

3.3 CR4_c

3.3.1 RankIC 测试

CR4_c 因子 RankIC 分布情况，与 CR5_c 因子分布相似，CR4_c 因子相比正态分布呈现明显 左偏，部分个体 RankIC 小于-0.1，表明 CR4_c 选股有效性强。 2020 年 4 月之后，CR4_c 因子选股效果提升。CR4_c 因子 RankIC 累计值于 2020 年 4 月之 前在-0.2-0 区间内震荡，RankIC 正值多出现于此时间段内， CR4_c 稳定性弱。之后，因子 RankIC 累计值持续 下行，RankIC 负值居多，相关性趋向稳定，表明 CR4_c 因子稳定度提升，选股有效性增强。

3.3.2 分组净值测试

处于中位的客户集中度组合风险收益比较高，但低客户集中度组合波动率更低。CR4_c 因子分组 测试结果，第 3 组表现突出，年化收益最高，超过 4%，波动率较低，约为 19.5%。低客户集中度组（1 组）呈 现低收益低波动，较高客户集中度组（4 组）呈现负收益。

2021 年 3 月前，高客户集中度组合持续跑赢，2022 年 9 月之后中客户集中度组合跑赢。2021 年 3 月之前，高客户集中度组（5 组）累计净值优势明显，最高实 现 60%上涨，2022 年之后，中客户集中度组（3 组）累计收益持续最高。2021 年 3 月后，多空净值组合累计净 值自最高点约 1.5 持续下行，回落至 1.0 左右。整体而言，1 组和 4 组，2 组和 5 组趋势相似。

3.3.3 宽基指数中选股效果

与 CR5_s 因子相似，测试区间 2021 年 1 月至 2023 年 12 月内，低客户集中度组合在中证 800 和中证 1000 中超额收益优势明显。低客户集中度组（1 组）在两 宽基指数中超额收益逐步上升，累计超额收益分别约为 0.5 和 0.3。此外，回测区间内两者多空净值组合稳定下 行，最终均于 0.8 附近稳定波动。

四、集中度组合 alpha 分析

在第三部分，我们深入分析了 CR4_c 和 CR5_s 两个单因子的测试结果，发现自 2021 年起，那些供应商和 客户集中度较为分散的股票组合表现出更低的风险。为了全面评估这两种集中度指标对股票筛选效果的影响， 我们通过最大化最近六个月的 rank_ic_ir 来合成一个综合的供应链集中度因子，并每个截面等分成 10 组。接着， 我们选取了中证 800 指数作为业绩比较基准，对 TOP 组的 beta 和 alpha 值进行了细致的解析：

在我们的回测期间，通过 alpha 选股产生的累计收益最为突出，特别是在 2022 年至 2023 年 6 月期间，相对中证 800 的 alpha 收益不断累积，组合的多空净值持续上行。尽管之后 alpha 收益有所萎缩，累计贡献率仍大约保持在 5%的水平，alpha 的最大回撤位于 3%左右，并于 3 个月内 快速修复。

在风格配置方面，从 2022 年 5 月开始，通过偏好小盘股、高 BETA 值和动量的配置，为组合在波动 中实现向上的累计收益做出了贡献。

组合通过精选个股显著提升了整体收益，其中五粮液（1.72%）、长江电力（1.50%）和紫金矿业（1.50%）， 位于前三甲，对组合的总收益贡献均超过 1.5%。

从基本面来看，低集中度的组合表现出更强的盈利稳定性，并在盈利能力方面名列前茅。我们观察到 10 个不同分组在盈利能力（即各组合的 ROE 中位数）和稳定性（以近三年 ROE 标准差的中位数衡量）上的分布。结果显示，盈利稳定性最高的组合（标准差最低，约为 4.14%） 位于 Top 组，明显优于 Bottom 组的 4.70%。同时，这些组合的 ROE 中位数平均值为 4.20%，排名第 二，展现了其卓越的盈利能力。

编辑：火腿肠