SECTORIËLE PRESTATIES EN FINANCIËLE IMPACT VAN HET VOORRAADBEHEER IN BELGIË ROBERT N. BOUTE‡, MARC R. LAMBRECHT§, OLIVIER LAMBRECHTS** EN PETER STERCKX††
SAMENVATTING
In dit artikel onderzoeken we de voorraadprestaties binnen de Belgische economie. Hiertoe gebruiken we de balansgegevens van 3035 bedrijven uit de verwerkende nijverheid, van 3386 groothandels en van 883 kleinhandels. We stellen enkele mogelijke determinanten vast die het onderlinge verschil in voorraadniveaus tussen de verscheidene sectoren verklaren: het productieproces (continue versus discrete productie), de strategische keuze om op voorraad dan wel op order te produceren, de exportratio van de sector, evenals de mate van productvariëteit. Tot slot analyseren we het verband tussen voorraadprestaties en financiële resultaten. Aan de hand van een regressieanalyse tonen we aan dat er een negatief verband bestaat tussen het aantal dagen dat goederen gemiddeld in voorraad gehouden worden en het rendement van het totale vermogen (return on assets). Dit verband is echter slechts significant voor 27% van de beschouwde bedrijven.
‡
Assistant Professor Operations Management - Operations & Technology Management Center Vlerick Leuven Gent Management School en Research Center for Operations Management – K.U. Leuven (
[email protected]) § Professor of Operations Management - Research Center for Operations Management - Department of Decision Sciences and Information Management - K.U.Leuven (
[email protected]) ** Research Assistant - Research Center for Operations Management - Department of Decision Sciences and Information Management - K.U.Leuven (
[email protected]) †† Consultant – MÖBIUS Business B Redesign NV V (
[email protected])
1
1. INLEIDING In een aanzienlijk aantal bedrijven leggen voorraden een niet te verwaarlozen beslag op het werkkapitaal van de onderneming. Het hoeft dan ook niet te verwonderen dat tijdens de voorbije jaren talloze studies gepubliceerd werden die de evolutie van de voorraadniveaus onder de loep nemen. Voor onderzoek met betrekking tot het voorraadbeheer in de Verenigde Staten verwijzen we de geïnteresseerde lezer graag naar Ginter en La Londe (2001), Rajagopalan en Malhotra (2001) en Chen et al. (2005). Chen et al. (2005) en Roumiantsev en Netessine (2006) gaan hierin nog een stap verder en koppelen de voorraadniveaus aan de financiële resultaten van de beschouwde bedrijven. Boute et al. (2004) hebben de evolutie van de voorraden in de Belgische verwerkende nijverheid geanalyseerd. De auteurs gebruikten sectoriele data om na te gaan of de vaak geopperde stelling van spectaculaire dalingen van voorraadniveaus zich ook daadwerkelijk naar de praktijk toe vertaalt. Deze tijdreeksanalyse op sectorniveau laat echter niet toe na te gaan welke sectoren nu precies gekenmerkt worden door relatief hoge dan wel lage voorraden en waarom dit zo is. Om deze onderzoeksleemte op te vullen onderzoeken we in deze studie de voorraadprestaties in de Belgische industrie aan de hand van balansgegevens op bedrijfs- in plaats van op sectorniveau. Een dergelijk detailniveau laat enerzijds toe om de statistische significantie van verschillen tussen sectoren te testen aan de hand van variantieanalyse (ANOVA) en anderzijds om de voorraadprestaties te koppelen aan de financiële resultaten via regressieanalyse. Het vervolg van dit artikel is als volgt opgebouwd. In de volgende sectie geven we een overzicht van enkele studies gerelateerd aan ons onderzoek. In sectie 3 lichten we de gebruikte data set toe en secties 4 en 5 zijn gewijd aan maatstaven en de methodologie. In sectie 6 bespreken we de resultaten van de voorraadanalyse in de verwerkende industrie en in sectie 7 doen we hetzelfde voor de groothandel en de kleinhandel. In sectie 8 bespreken we tenslotte de financiële impact van de voorraadprestaties.
2. LITERATUUROVERZICHT In de literatuur kunnen we een onderscheid maken tussen enerzijds studies die voorraadniveaus bestuderen vanuit een macro-economisch standpunt, waarbij geaggregeerde balansgegevens op sectorieel niveau gebruikt worden om trends te 2
beschrijven, en anderzijds studies die uitgaan van een micro perspectief en balansgegevens op het niveau van de individuele ondernemingen beschouwen teneinde een meer diepgaande analyse van de voorraden mogelijk te maken. Een voorbeeld van een studie van het eerste type (macro perspectief) is die van Rajagopalan en Malhotra (2001). De auteurs onderzoeken trends in de evolutie van de geaggregeerde voorraadcijfers voor 20 productiesectoren van de Amerikaanse industrie en dit over de periode 1961 tot 1994. Verder gaan ze na of de verwachte daling van de voorraden verder versterkt werd door de Just-In-Time (JIT) revolutie van de jaren tachtig. Indien de cijfers geaggregeerd worden over alle sectoren, wordt inderdaad een significante daling waargenomen voor zowel grondstoffen, goederen in bewerking als afgewerkt product. Maar als we de sectoren individueel gaan onderzoeken, krijgen we een gemengd beeld. Er is inderdaad een significante daling waarneembaar in de voorraden grondstoffen en goederen in bewerking en dit voor het merendeel van de sectoren. Voor ongeveer de helft van deze sectoren werd deze evolutie dan nog eens versterkt na de introductie van JIT. Maar wanneer we kijken naar de voorraden afgewerkt product worden de hoge verwachtingen niet volledig ingelost. Voor sommige sectoren is weliswaar een significante daling waarneembaar maar voor meer dan de helft van de sectoren kan geen statistisch significante trend ontdekt worden. Nog opvallender is bovendien de statistisch significante stijging van de hoeveelheid voorraad afgewerkt product die voor bepaalde sectoren geobserveerd wordt. Indien de cijfers geaggregeerd worden over alle sectoren, wordt een significante daling waargenomen voor zowel grondstoffen, goederen in bewerking als afgewerkt product. De enige, ons bekende studie vanuit het macro perspectief die zich toespitst op de Belgische industrie werd uitgevoerd door Boute et al. (2004). Net zoals in het onderzoek van Rajagopalan en Malhotra (2001) wordt de evolutie van de voorraden grondstoffen, goederen in bewerking en afgewerkt product bestudeerd. De beschouwde periode omvat ongeveer twee decennia (1979-2000). Er worden 15 sectoren uit de verwerkende industrie onderzocht en dit op verschillende aggregatieniveaus. Verder worden nu ook de kleinhandel en groothandel opgenomen. Teneinde een onvertekend beeld te krijgen van de voorraadhoogte worden ratio’s gebruikt. Deze voorraadratio’s kunnen berekend worden door de voorraad grondstoffen, goederen in bewerking dan wel afgewerkt product te delen door de materiaalkosten plus respectievelijk 0%, 50% of 100% van de toegevoegde waarde. 3
Aan de hand van een simpel regressiemodel kunnen deze ratio’s vervolgens verklaard worden aan de hand van de variabelen tijd en omzetgroei van de beschouwde sector. Deze laatste variabele wordt toegevoegd om de impact van conjunctuurcycli te compenseren. Dit geeft ons de volgende regressievergelijking die geschat zal worden voor ieder voorraadtype en iedere sector:
(1)
Voorraadratiot = β0 + β1 × tijd + β2 × omzetgroeit Net als bij Rajagopalan en Malhotra (2001) wordt een gemengd beeld vastgesteld
voor de Belgische industrie. Een significante daling in de voorraad grondstoffen was waarneembaar voor acht sectoren, voor de voorraad goederen in bewerking was dit echter slechts het geval voor zes sectoren. Opnieuw lijken de voorraden afgewerkt product het slechtst te presteren met een significante daling voor slechts vier van de subsectoren (chemie, textiel, elektronica & ICT en rubber & plastics). Boute et al. (2004) besluiten dan ook dat de algemeen aanvaarde verwachting van drastische voorraadreducties niet volledig gerealiseerd wordt ondanks de sterk toegenomen aandacht voor wetenschappelijk onderbouwd voorraadbeheer. Op het eerste zicht lijkt deze conclusie misschien teleurstellend maar men mag niet vergeten dat er krachten zijn die in tegengestelde richting werken. We kunnen hierbij denken aan omzetverhogende strategieën, aan een verhoogde focus op export tengevolge van globalisering en uitbesteding naar lageloonlanden. Met andere woorden: het bedrijfsmodel van de onderneming bevat mogelijk beslissingen die resulteren in verhoogde voorraadniveaus.
Een beter inzicht in de determinanten van het voorraadniveau en de impact van dit niveau op de financiële resultaten van de onderneming kan bekomen worden door middel van een analyse op bedrijfsniveau (micro perspectief). Tot nu toe was een dergelijke wetenschappelijke studie niet voorhanden voor de Belgische industrie. Chen et al. (2005) geven een beeld van de toestand in de Verenigde Staten. Ze onderzoeken de voorraden van beursgenoteerde Amerikaanse bedrijven en observeren een aanzienlijke daling van het voorraadniveau voor de periode 1981-2000. De grootste daling, 6% om precies te zijn, wordt gerealiseerd voor de voorraden goederen in bewerking. De evolutie voor de voorraden grondstoffen is minder uitgesproken met slechts 3% per jaar en opnieuw worden geen significante trends waargenomen voor de 4
voorraad afgewerkt product. Integendeel, in sommige sectoren nam deze voorraadpost zelfs toe. Verder bestuderen de auteurs de financiële impact van het voorraadniveau. Hiertoe relateren ze het relatieve voorraadniveau van een onderneming ten opzichte van haar concurrenten met de financiële resultaten van die onderneming. Na een uitgebreide analyse moet echter besloten worden dat de voorraden geen significante impact lijken te hebben op de market-to-book ratio van een onderneming. Toch vertonen bedrijven met abnormaal hoge voorraden een lagere rentabiliteit doorheen de tijd. Verrassender is echter dat hetzelfde fenomeen waarneembaar is voor bedrijven met extreem lage voorraden. Roumiantsev and Netessine (2005) analyseren de voorraden van Amerikaanse bedrijven doorheen de periode 1992-2002. Ze vinden empirisch bewijsmateriaal dat erop wijst dat ondernemingen die geconfronteerd worden met een grote vraagonzekerheid, met lange doorlooptijden, met hoge brutomarges en lage voorraadkosten over het algemeen meer voorraad aanhouden. Verder blijkt dat grote ondernemingen meer van schaalvoordelen kunnen genieten wat zich op zijn beurt vertaalt in relatief minder voorraad dan kleine ondernemingen. In een ander artikel (Roumiantsev en Netessine, 2006), linken de auteurs de voorraadelasticiteit ten opzichte van omzet, doorlooptijd en vraagonzekerheid met zowel de huidige als de voorspelde Return on Assets (ROA). Ze benadrukken dat een voorraadbeheer dat kort op de bal speelt veel belangrijker is dan de absolute voorraadniveaus voor het behalen van goede bedrijfsresultaten.
3. DATA SET In deze voorraadstudie beschouwen we individuele ondernemingen uit de Belgische verwerkende nijverheid, uit de groothandel en uit de kleinhandel. Onze analyse spitst zich toe op één welbepaald tijdstip, met name het jaar 2004, en is als dusdanig een transversaal onderzoek. We halen onze gegevens uit de Bel-First database die de balans- en jaarrekeninggegevens bevat van alle Belgische en Luxemburgse ondernemingen. Er werd besloten om uitsluitend grote ondernemingen op te nemen in de studie. Groot dient hier beschouwd te worden volgens de criteria die gebruikt worden om te beslissen of een onderneming een jaarrekening volgens het verkorte of volgens het volledige schema dient neer te leggen (zie het Wetboek van vennootschappen). Voor onze doelstelling is van cruciaal belang dat we beschikken over de voorraadwaarden uitgesplitst per voorraadtype. Dit betekent dat we enkel 5
ondernemingen kunnen opnemen die hun jaarrekening volgens het volledige schema neerleggen. Dit vormt geen probleem voor de betrouwbaarheid van de studie aangezien de bedrijven die binnen het verkorte schema vallen vaak zodanig klein zijn dat het opnemen ervan eerder een vertekend dan een realistisch beeld zou opleveren. Verder werden zowel sectoren met te weinig observaties als uitschieters uit de analyse verwijderd. Dit alles resulteert in een uiteindelijke dataset bestaande uit 883 kleinhandels, 3386 groothandels en meer dan 1000 bedrijven uit de verwerkende nijverheid (meer specifiek 3035 voor de grondstoffen, 1531 voor de goederen in bewerking en 2161 voor de voorraad afgewerkt product) opgesplitst over 17 sectoren. We hebben ervoor gekozen de steekproef zo groot mogelijk te maken om een waarheidsgetrouw beeld te schetsen van de situatie voor iedere sector en voor ieder voorraadtype. Dit betekent dat indien er voor een bepaald bedrijf geen informatie voorhanden was betreffende de voorraden grondstoffen maar wel voor de voorraden goederen in bewerking, dat de informatie voor goederen in bewerking toch in de analyse opgenomen werd. Dit is dan ook de verklaring voor het grote verschil in steekproefgrootte tussen de verschillende voorraadtypes voor de verwerkende nijverheid. Uitschieters tenslotte, werden opgespoord en verwijderd aan de hand van twee verschillende technieken. Voor de financiële gegevens werden waarden die in absolute waarde meer dan drie standaarddeviaties van het gemiddelde afweken beschouwd als uitschieters. Deze methode, die stoelt op de normale verdeling van de onderliggende data, kon echter niet gebruikt worden voor de voorraadgegevens omdat deze laatste niet symmetrisch verdeeld zijn. Voor de voorraden gebruikten we dan ook een andere methode die gebaseerd is op de buitenste grenzen van de boxplot. Enkel waarden die binnen het volgende interval liggen werden weerhouden: ]Q1– 3×IQR,Q3+3×IQR[. Q1 en Q3 stellen respectievelijk het eerste en het derde kwartiel voor en IQR is de interkwartielafstand (IQR=Q3–Q1).
4. MAATSTAVEN Een maatstaf die eenvoudig te interpreteren is en daardoor ook vaak in de praktijk gebruikt wordt, is het aantal dagen voorraad (inventory days, ID). Het is immers absoluut noodzakelijk om ratio’s te gebruiken in plaats van absolute voorraadcijfers. De reden hiervoor schuilt in het belang om te corrigeren voor inflatie en variaties in sectoriële omzet. Zoals reeds gezegd maken we een onderscheid tussen voorraden grondstoffen, goederen in bewerking en afgewerkt product. De ratio wordt dan 6
aangepast om rekening te houden met het proces van waardecreatie doorheen de productieketen (zie tabel I). Naast de traditionele maatstaf van aantal dagen voorraad stellen we een bijkomende ratio voor die zal gebruikt worden om het relatieve voorraadniveau binnen een sector te meten. Chen et al. (2005) introduceerden het concept van abnormaal aantal dagen voorraad (Abnormal Inventory Days, AID). Deze prestatiemaatstaf meet in hoeverre de voorraden van een gegeven onderneming afwijken van wat binnen de sector waarin die onderneming actief is de norm is:
(2)
AIDi =
(IDi − gemiddeld aantal dagen voorraad in de subsector van bedrijf i ) standaarddeviatie(aantal dagen voorraad in de subsector van bedrijf i )
Indien AID > 0, dan houdt onderneming i goederen relatief langer in voorraad dan haar directe concurrenten, indien AID < 0 dan geldt het omgekeerde.
Tabel I. Voorraadratio’s
Voorraadtype
Ratio
Grondstoffen
voorraad grondstoffen × 365 dagen materiaalkosten
Goederen in Bewerking
voorraad goederen in bewerking × 365 dagen materiaalkosten + 0.5 × toegevoegde waarde
Afgewerkt Product
voorraad afgewerkt product × 365 dagen materiaalkosten + toegevoegde waarde
Om de financiële prestaties van een onderneming te kwantificeren gebruiken we de Return on Assets (ROA) maatstaf. Alternatieven zijn market-to-book (Chen et al., 2005), earnings per share (Huson et al., 1995) of de winstmarge (Oliver et al, 1994). Het ontbreken van gegevens om deze maatstaven te berekenen noopte ons echter tot de keuze voor ROA. De definitie luidt als volgt:
(3)
⎛ ⎞ winst ⎟⎟ × 100 Return On Assets (ROA) = ⎜⎜ ⎝ totaal vermogen ⎠ Verder lijkt ons de keuze voor ROA toepasselijk in dit geval omdat de teller het
resultaat is van de normale bedrijfsactiviteiten, i.e. de som van de bedrijfsresultaten en
7
de financiële resultaten maar zonder het uitzonderlijke resultaat. Het opnemen van de totale activa in de noemer laat ons toe bedrijven binnen een sector te vergelijken aangezien hierdoor gecorrigeerd wordt voor bedrijfsgrootte. Noteer echter dat het gebruik van ROA de vergelijking van bedrijven uit verschillende sectoren bemoeilijkt aangezien de ratio sterk gecorreleerd is met de kapitaalintensiteit van de sector.
5. METHODOLOGIE We gebruiken variantieanalyse (ANOVA) om de significantie van verschillen tussen sectoren na te gaan. Gezien de voorraadratio’s binnen een sector echter niet normaal verdeeld zijn (zie figuur 1 en 2 voor een aantal illustraties) zijn we genoodzaakt eerst een logaritmische transformatie uit te voeren op de data om de resultaten van de variantieanalyse correct te kunnen interpreteren. Om de financiële impact van het voorraadniveau te analyseren maken we gebruik van een regressieanalyse waarbij de ROA de afhankelijke variabele is die verklaard wordt aan de hand van het aantal dagen voorraad. In sectie 8 lichten we nog een additionele analyse toe waarbij op een andere manier getracht wordt de financiële resultaten te linken met de voorraadprestaties.
6. VOORRAADANALYSE VOOR DE VERWERKENDE NIJVERHEID Tabel II geeft een overzicht van het gemiddelde en de mediaan van de ID-ratio’s per voorraadtype en per sector. Algemeen genomen stellen we vast dat de aard van de sector de positie inzake voorraad ten opzichte van de andere sectoren determineert. Beschouw bijvoorbeeld de sectoren Voeding & Drank (15) en Textiel (17). De eerste vertoont relatief lage voorraadwaarden in vergelijking met alle andere sectoren en dit zowel voor grondstoffen als voor goederen in bewerking en afgewerkt product. Het omgekeerde geldt voor de sector textiel. Verder valt op dat de verdeling van de ratio’s binnen iedere sector rechtsscheef is, vermits de mediaan kleiner is dan het gemiddelde. Dit betekent dat het merendeel van de bedrijven een lager dan gemiddeld aantal dagen voorraad aanhoudt en dat een klein aantal bedrijven een zeer grote voorraad aanhoudt. Ter illustratie tonen we het histogram AID afgewerkt product van de sector Voeding & Drank (15) in Figuur 1 en van de sector Chemie (24) in Figuur 2.
8
Tabel II: ID sectoren verwerkende nijverheid
418
2,9
5,8
154
8,4
13,0
339
53,9
223
11,8
17,5
150
24,0
31,3
191
18
Kleding & Bont
36,9
47,4
46
15,2
19,9
31
21,9
32,4
40
20
Hout & Houtproducten
42,0
54,2
89
16,6
20,1
36
17,9
22,8
63
21
Papier & Karton
28,8
32,8
104
2,8
6,0
61
12,6
18,2
89
22
Uitgeverijen & Drukkerijen
25,0
28,0
146
7,4
8,0
52
12,3
27,6
59
23
Cokes & Petrochemie
16,7
54,5
31
1,3
1,6
10
10,1
11,0
20
24
Chemie
29,0
40,6
335
4,7
9,6
166
17,2
21,3
287
25
Rubber & Kunststof
28,8
38,6
213
6,4
8,5
115
18,5
21,5
190
26
Niet-metaalhoudende Mineralen
26,0
34,9
261
4,7
7,7
85
24,0
44,1
186
27
Metallurgie
45,8
52,0
140
10,0
19,9
83
17,4
23,5
101
28
Metaalproducten
43,3
52,7
385
12,0
16,9
171
16,2
21,2
180
29
Machines & Werktuigen
40,4
60,2
235
15,1
22,5
154
14,0
17,7
132
31
Elektrische Machines
36,9
54,7
109
13,2
19,4
75
10,8
13,6
72
32
Audio, video & telecom
51,5
64,4
51
15,1
25,3
35
12,7
15,0
37
34
Auto’s & Aanhangwagens
28,8
35,4
96
6,4
11,5
55
7,7
11,4
61
36
Meubels & Overige
43,7
52,9
153
11,3
16,9
98
13,2
20,0
114
Aantal
Aantal
Mediaan
Bedrijven
Gemiddelde
24,8
37,2
Bedrijven
16,4
Textiel
Gemiddelde
Voeding & Drank
17
Bedrijven
15
Aantal
Mediaan
Afgewerkt Product
Gemiddelde
Goederen in Bewerking
Mediaan
code
sector
Grondstoffen
Figuur 1: Histogram van AID in sector 15 “Voeding & Drank” gronds toffe n
goe de re n in be w e rk ing
100
40
80
30
60
9
4 4,
2
8
4
3,
4,
5
6
3,
4 1,
8 3,
2,
8 0,
2 3,
5
6
4 1,
2,
8 0,
2
2 0,
-0
,4
70 60 50 40 30 20 10 0
2
2
,4
4 4,
-1
8 3,
-0
2 3,
5
6
afge w e rk t product
-1
4
2
8
1,
2,
2
-0
0,
0
0,
0
,4
10
-1
20
0,
20
40
Figuur 2: Histogram van AID in sector 24 “Chemie” grondstoffe n
goedere n in be w erking
60
70
50
60 50
40
40 30 30 20
2
6
4,
4,
afgew erkt product 40 35 30 25 20 15 10 5
2
6
4,
4,
5
8 3,
2,
4
2
6
2,
3,
8 1,
3
4
1
6
1,
2 0,
0,
,2
,6 -0
-0
-1
0
Tot slot vallen de grote verschillen tussen sectoren inzake aantal dagen voorraad goederen in bewerking en voorraad afgewerkt product op. We zullen nu dieper ingaan op deze onderlinge verschillen. Noteer dat we niet expliciet ingaan op de ratio grondstoffen omdat we geen significant verschillen hebben kunnen vaststellen tussen de verschillende sectoren van de verwerkende nijverheid.
Goederen in Bewerking We voeren een variantieanalyse uit, gekoppeld met de bekende Tukey Post-Hoc test, om de paarsgewijze verschillen in aantal dagen voorraad tussen de verschillende sectoren op een statistische wijze te kunnen interpreteren. De resultaten worden getoond in tabel III. De eerste kolom en de eerste rij tonen de sectoren geordend volgens nietafnemende gemiddelde ID ratio. Het zwarte vakje in iedere rij geeft de positie van de beschouwde sector in die rij weer. Grijze vakjes (zowel lichtgrijs als donkergrijs) geven aan dat de gemiddelde ID ratio van de sector in de corresponderende kolom
10
5
4
8 3,
2,
3
2
6
2,
3,
8 1,
1
4 1,
2
6 0,
-0
,2
,6
-1
-0
6 4,
5
8
2
3,
4,
3
2,
4
2
6
2,
3,
8 1,
1
4 1,
2
6
0,
0,
-0
-0
,6
0 ,2
0 -1
10
0,
20
10
niet significant verschilt van de gemiddelde ID ratio van de sector die overeenkomt met de beschouwde rij. Een wit vakje geeft dan weer aan dat er wel degelijk een statistisch significant verschil waargenomen wordt. Op basis van de resultaten van deze test kunnen twee groepen van sectoren onderscheiden worden. Deze groepen worden weergegeven aan de hand van vlakken bestaande uit lichtgrijze vakjes. Ze worden gevormd door respectievelijk van de linkerbovenhoek of de rechterbenedenhoek te vertrekken en iteratief naar rechtsonder dan wel linksboven sectoren toe te voegen totdat een sector tegengekomen wordt waarvoor de gemiddelde ID significant verschilt van die van tenminste één van de sectoren binnen de aldus gevormde groep. Uiteindelijk bekomen we twee groepen van sectoren waarbij binnen iedere groep geen paarsgewijze verschillen vastgesteld kunnen worden tussen de gemiddelde voorraadniveaus van de sectoren die deel uitmaken van de betreffende groep. De groep van sectoren met relatief lage voorraadniveaus omvat de sectoren 23, 15, 21, 26, 24, 34 en 22. De groep waarvoor eerder een hoog aantal dagen voorraad vastgesteld kan worden omvat sectoren 27, 18, 28, 36, 31, 17, 29, 20 en 32.
Tabel III: Resultaten Tukey Post-Hoc test Goederen in Bewerking 23
15
21
26
24
34
22
25
27
18
28
36
31
17
29
20
32
23 Cokes & Petrochemie 15 Voeding & Drank 21 Papier & Karton 26 Niet-metaalhoudende Mineralen 24 Chemie 34 Auto’s & Aanhangwagens 22 Uitgeverijen & Drukkerijen 25 Rubber & Kunststof 27 Metallurgie 18 Kleding & Bont 28 Metaalproducten 36 Meubels & Overige 31 Elektrische Machines 17 Textiel 29 Machines & Werktuigen 20 Hout & Houtproducten 32 Audio, video & telecom
Indien we deze indeling in twee groepen nader bestuderen, zien we dat we ze kunnen opsplitsen op basis van het productieproces. Sectoren die gekenmerkt worden
11
door een productieproces dat van continue aard is, komen eerder voor in de groep met lage voorraden terwijl dit net het omgekeerde is voor sectoren met een discreet productieproces. Dit is niet verwonderlijk, in continue productie is het immers vaak onmogelijk of ongewenst om voorraden aan te houden tussen de verschillende productiestappen terwijl in discrete productie deze voorraden net onontbeerlijk zijn om de productiestappen te ontkoppelen ter compensatie van tijd/ritme-verschillen. Er zijn echter twee opvallende uitzonderingen op deze regel waarneembaar. De sector Auto’s & Aanhangwagens (34) is duidelijk een sector waarin we een discreet productieproces verwachten. Toch wordt net deze sector gekenmerkt door eerder lage voorraadniveaus. Dit is ongetwijfeld het resultaat van de hoge graad van automatisering en de sterke nadruk op just-in-time productie. Aan de ander kant zien we dan weer dat de sector Metaalproducten (28) te kampen heeft met eerder hoge voorraden ondanks het feit dat deze sector duidelijk in de continue procesindustrie geplaatst dient te worden.
Afgewerkt Product Dezelfde methodologie wordt gehanteerd om clusters te onderkennen op basis van aantal dagen voorraad afgewerkt product. De resultaten worden opnieuw weergegeven in tabelvorm in Tabel IV.
Tabel IV: Resultaten Tukey Post-Hoc test Afgewerkt Product 34
15
31
22
29
34 Auto’s & Aanhangwagens 15 Voeding & Drank 31 Elektrische Machines 22 Uitgeverijen & Drukkerijen 29 Machines & Werktuigen 32 Audio, video & telecom 36 Meubels & Overige 21 Papier & Karton 28 Metaalproducten 20 Hout & Houtproducten 24 Chemie 25 Rubber & Kunststof 27 Metallurgie 18 Kleding & Bont 17 Textiel 26 Niet-metaalhoudende Mineralen
12
32
36
21
28
20
24
25
27
18
17
26
We zien onmiddellijk dat hier drie groepen kunnen onderscheiden worden, deze worden opnieuw weergegeven aan de hand van lichtgrijze hokjes. We bekomen een groep van 8 sectoren met een relatief korte periode dat goederen in voorraad gehouden worden, een groep van 3 sectoren met een gemiddeld voorraadniveau en tenslotte een groep van 5 sectoren met eerdere hoge voorraden. Voor wat betreft afgewerkt product kunnen we een brede waaier van mogelijke determinanten voor het voorraadniveau opsommen zoals de mate van klantspecifieke producten, de breedte van het assortiment, de lengte van de productlevenscyclus, enz. Spijtig genoeg is het moeilijk, zo niet onmogelijk, om harde gegevens te bekomen betreffende deze factoren. Een andere belangrijke verklarende factor voor de voorraad afgewerkt product, die zeker in België enorm belangrijk is, is export. In 2004 vertegenwoordigde export 86,9% van het BBP. De link tussen de mate van exportoriëntatie van een onderneming en haar voorraadpositie is duidelijk: wanneer meer geëxporteerd wordt zal minder vaak uitgeleverd worden omwille van de hogere transportkosten wat zich op zijn beurt vertaalt in hogere voorraden afgewerkt product. We zullen hier dan ook onderzoeken of deze hypothese opgaat in realiteit door de export ratio van de sectoren (gedefinieerd als het percentage van de orders die bestemd zijn voor het buitenland) te koppelen aan de relatieve voorraadpositie van de groep waarin die sector zich bevindt (laag, gemiddeld of hoog). De resultaten worden weergegeven in Tabel V (observeer dat enkel de sectoren waarvoor de benodigde gegevens beschikbaar waren, weerhouden worden). Zoals verwacht zien we dat een relatieve lage exportgraad overeenkomt met een relatief laag aantal dagen voorraad en vice versa. Opnieuw merken we echter op dat er een aantal sectoren zijn waarvoor deze verklaring niet lijkt te kloppen. Zo zien we dat de sectoren Auto’s & Aanhangwagens (34) en Audio, Video & telecom (32) sterk exportgericht zijn maar toch lage voorraden kunnen aanhouden. De reden dient gezocht te worden in het feit dat, zoals reeds gesteld, export niet de enige determinant is voor de hoeveelheid voorraad afgewerkt product. Auto’s & Aanhangwagens (34) is een sector die gekenmerkt wordt door een ver doorgedreven produceer-op-order strategie wat impliceert dat er veel minder voorraad afgewerkt product zal zijn. De sector Audio, Video & telecom (32), aan de andere kant, wordt vaak geconfronteerd met zeer korte productlevenscycli en alsmaar dalende marges. Het omgekeerde doet zich voor in de sector Kleding & Bont (18). Hier is de exportoriëntatie eerder laag te 13
noemen maar zijn de voorraden vrij hoog. Dit zou kunnen verklaard worden door het feit dat de producent vaak geconfronteerd wordt met een soort ‘newsvendor’ probleem. Men is zich niet bewust van de precieze klantenvraag voor een nieuwe collectie maar de kosten van verloren verkopen zijn veel hoger dan die van extra productie. Daarom verkiezen vele bedrijven om eerder te veel dan te weinig te produceren met als gevolg dat de voorraden hoger zullen zijn.
Tabel V: export oriëntatie en ID afgewerkt product Sector
Exportratio
ID afgewerkt product
34 Auto’s & Aanhangwagens
87,3%
Laag
32 Audio, video & telecom
80,8%
Laag
17 Textiel
79,0%
Hoog
24 Chemie
77,9%
Gemiddeld
27 Metallurgie
77,0%
Hoog
29 Machines & Werktuigen
69,5%
Laag
21 Papier & Karton
65,7%
Laag
31 Elektrische Machines
61,1%
Laag
18 Kleding & Bont
49,3%
Hoog
28 Metaalproducten
43,3%
Laag
7. VOORRAADANALYSE VOOR GROOTHANDEL EN KLEINHANDEL In Tabel VI wordt een overzicht gegeven van de verdeling van de voorraadratio’s voor
groothandel
en
kleinhandel.
Aangezien
binnen
deze
sectoren
geen
productieactiviteiten plaatsvinden, dienen enkel de voorraden afgewerkt product beschouwd te worden. We zien dat het gemiddelde aantal dagen voorraad voor kleinhandel (51 dagen) iets hoger ligt dan dat voor groothandel (45 dagen). Dit eerder kleine maar toch statistisch duidelijke significante (p<0.001) verschil zou toegeschreven kunnen worden aan de lagere mate van productvariëteit in groothandel. Groothandels specialiseren zich vaak in een welbepaald type van product terwijl kleinhandels eerder een breed assortiment zullen aanbieden met als gevolg een hoger voorraadniveau zoals aangetoond kan worden door middel van de EOQ formule.
14
Tabel VI: ID ratio's groothandel en kleinhandel
kleinhandel
groothandel
Code
Sector
Mediaan
Gemiddelde
Aantal Bedrijven
512
Groothandel in landbouwproducten en levende dieren
20,17
34,73
88
513
Groothandel in voedings- en genotsmiddelen
14,68
23,08
367
514
Groothandel in consumentenartikelen
43,2
52,06
935
515
Groothandel in niet-agrarische intermediaire producten, afval en schroot
37,42
48,62
950
518
Groothandel in machines, apparaten en toebehoren
32,28
41,17
623
519
Overige groothandel
39,6
47,18
155
50101
Groothandel in motorvoertuigen
39,61
49,82
193
50301
Groothandel in onderdelen en accessoires van auto’s
48,68
58,66
75
521
Kleinhandel in niet-gespecialiseerde winkels
31,62
44,13
126
522
Kleinhandel in voedings- en genotsmiddelen
10,36
17,71
52
523
Kleinhandel in farmaceutische producten, reukwerk en cosmetica
36,98
43,67
65
524
Overige kleinhandel in nieuwe artikelen in winkels
56,56
65,74
361
526
Kleinhandel in tweedehandsgoederen en antiquiteiten in winkels
11,37
24,75
17
505
Kleinhandel in motorbrandstoffen
10,2
10,57
35
50103
Kleinhandel in motorvoertuigen
46,46
48,7
204
50302
Kleinhandel in onderdelen en accessoires van auto’s
48,4
51,06
20
8. DE FINANCIËLE IMPACT VAN VOORRAADNIVEAUS Op het eerste zicht zouden we verwachten dat lage voorraden een teken zijn van een gezonde kostenstructuur en dat ze zich in de praktijk dus vaak zullen vertalen in goede financiële resultaten. Immers, een laag voorraadniveau vergemakkelijkt de eliminatie van activiteiten zonder toegevoegde waarde met als gevolg lagere kosten en een hogere ROA (return on assets). Bovendien vereist een lagere voorraad minder werkkapitaal zodat ruimte vrijkomt voor investeringen die meer kunnen opbrengen. Tot slot worden lage voorraden in het kader van just-in-time vaak gezien als een belangrijk streefdoel en een indicator voor goed management. Toch bestaan er ook talloze tegenargumenten die lage voorraden eerder associëren met slechte financiële resultaten. Allereerst is het reduceren van voorraden vaak een kostelijke aangelegenheid. Dure JIT of ERP systemen worden vaak geïmplementeerd maar zullen, tenminste op korte termijn, eerder leiden tot een lage dan een hoge ROA. Verder is er het gevaar een te lage voorraad aan te houden met als gevolg een verhoogd risico op voorraadbreuken, vertraagde leveringen, mogelijk verloren verkopen en om deze te vermijden hoge kosten voortvloeiend uit spoedorders. We spreken dan nog niet van het gevaar om terecht te komen in de “commodity trap”, een toestand gekenmerkt door zeer beperkte winstmarges. Ondanks deze tegenargumenten 15
verwachten we toch dat de positieve effecten de negatieve zullen overheersen. We gaan dan ook uit van de hypothese dat lage voorraden aanleiding geven tot goede resultaten. Tabel VII toont de resultaten van de volgende regressieanalyse waarin de return on assets wordt verklaard door de voorraadratio: ROA = α + β × ID + ε
(4)
We zien onmiddellijk dat de coëfficiënten negatief zijn voor bijna alle sectoren. Dit betekent inderdaad dat hoge voorraden leiden tot een lage ROA. Toch kunnen deze resultaten onze stelling niet bevestigen aangezien de coëfficiënt slechts statistisch significant blijkt te zijn voor 27% van de beschouwde gevallen. Dit is niet verwonderlijk aangezien het zeer moeilijk is de ROA van een bedrijf of een sector te voorspellen omdat deze maatstaf beïnvloedt wordt door een zeer groot aantal factoren.
Tabel VII resultaten regressieanalyse financiële impact Voorraadtype Code
Sector Grondstoffen
Goederen in Bewerking
Afgewerkt Product
15
Voeding & Drank
-0.035*
0.009
-0.032
17
Textiel
-0.036**
-0.153**
-0.121**
18
Kleding & Bont
-0.021
-0.017
0.001
20
Hout & Houtproducten
-0.041*
-0.037
-0.091
21
Papier & Karton
-0.030
-0.027
-0.067
22
Uitgeverijen & Drukkerijen
-0.009
0.088
0.062
24
Cokes & Petrochemie
-0.039*
-0.022
-0.130**
25
Chemie
-0.035
-0.203**
-0.060
26
Rubber & Kunststof
-0.025
-0.358*
-0.068**
27
Niet-metaalhoudende Mineralen
-0.010
0.015
-0.103*
28
Metallurgie
-0.010
-0.034
-0.013
29
Metaalproducten
-0.014
-0.031
-0.080
31
Machines & Werktuigen
-0.024
0.059
-0.180
32
Elektrische Machines
-0.033
-0.007
-0.138
34
Audio, video & telecom
36
Auto’s & Aanhangwagens
* significant (p-waarde<5%)
-0.022
0.066
-0.003
-0.055**
-0.067
-0.128**
** uiterst significant (p-waarde<1%)
Vandaar dat we een extra analyse uitvoeren. We starten vanuit de totale dataset waarbij we de relatieve voorraadpositie en de financiële positie van ieder bedrijf bepalen ten opzichte van de andere bedrijven binnen haar sector. Meer bepaald
16
zoeken we uit in welk kwadrant (gedefinieerd aan de hand van het eerste, twee en derde kwartiel) we het bedrijf dienen onder te brengen en dit zowel voor de ID-ratio als voor de ROA-ratio. Deze resultaten worden dan geaggregeerd over alle sectoren heen door de observaties voor iedere combinatie van een ID kwadrant en een ROA kwadrant op te tellen. Door deze som vervolgens te delen door het totale aantal bedrijven bekomen we dan een tabel waarin per combinatie weergegeven wordt wat de kans is dat een willekeurig bedrijf tot dat kwadrant behoort. In deze studie zijn we geïnteresseerd in de voorwaardelijke kans dat een bedrijf goed dan wel slecht presteert gegeven het voorraadniveau. Deze kansen worden weergegeven in de tabellen VIII tot X. Laat ons de extreme gevallen beschouwen (zeer lage en zeer hoge ID gekoppeld aan zeer hoge en zeer lage ROA). Voor grondstoffen en afgewerkt product zien we dat een zeer hoge voorraad vaak geassocieerd kan worden met slechte resultaten (resp. 31% en 29%) terwijl bedrijven met relatief lage voorraden eerder goed presteren (resp. 27% en 31%). Vergelijkbare resultaten kunnen gevonden worden voor goederen in bewerking maar hier zijn het de bedrijven in het tweede laagste ID kwadrant die het best presteren.
Tabel VIII: financiële impact grondstoffen ID
P(ROA | ID)
ROA
1
2
3
4
1
21%
23%
25%
31%
2
24%
27%
24%
26%
3
28%
24%
24%
24%
4
27%
27%
27%
20%
Tabel IX: financiële impact goederen in bewerking ID
P(ROA | ID)
ROA
1
2
3
4
1
25%
25%
25%
26%
2
22%
25%
21%
31%
3
30%
17%
29%
23%
4
23%
33%
25%
20%
17
Tabel X: financiële impact afgewerkt product ID
P(ROA | ID)
ROA
1
2
3
4
1
22%
22%
26%
29%
2
22%
26%
22%
29%
3
26%
23%
27%
24%
4
31%
28%
25%
18%
9. CONCLUSIES In dit artikel onderzoeken we de variatie in voorraadprestaties binnen de Belgische industrie. In het eerste deel van deze studie beschouwen we de verschillen op gebied van aantal dagen voorraad tussen de sectoren van de verwerkende nijverheid, de groothandel en de kleinhandel. We observeren dat de voorraden grondstoffen niet significant verschillen tussen de verschillende sectoren van de verwerkende nijverheid. Dit is echter anders voor de voorraden goederen in bewerking. Hier lijkt het type productieproces een duidelijke rol te spelen voor de voorraadhoogte. Zoals verwacht kan worden, zijn de voorraden in sectoren gekenmerkt door continue productiesystemen aanzienlijk hoger dan deze in sectoren gekenmerkt door discrete productie. Voor de voorraad afgewerkt product kan de exportoriëntatie van de sector aangehaald worden als een mogelijke determinant doch dit lijkt slechts één van de vele factoren te zijn die het niveau van deze voorraad bepaalt. De verschillen tussen groothandel en kleinhandel kunnen dan weer verklaard worden door het verschil in de productvariëteit. Deze variëteit ligt vaak een stuk hoger in de kleinhandel wat zich op basis van de EOQ-formule vertaalt in hogere voorraden. In het tweede deel van de studie wordt de link tussen voorraadprestaties en financiële resultaten onder de loep genomen. We vinden een negatief verband tussen de voorraadniveaus en de Return on Assets maar dit verband lijkt slechts significant te zijn in 27% van de gevallen. Het is mogelijk dat een portfolio-analyse, zoals voorgesteld door Chen et al. (2005), zou kunnen leiden tot duidelijkere verbanden. Deze analyse was echter niet mogelijk in deze studie aangezien aandelenkoersen niet beschikbaar waren voor de beschouwde ondernemingen. Een additionele analyse laat ons echter toe te observeren dat bedrijven met een zeer hoge voorraadratio (hoogste 25%) meer kans hebben om slecht te presteren dan bedrijven met een zeer lage ratio (laagste 25%).
18
Toekomstig onderzoek zou de financiële impact van voorraden doorheen de tijd kunnen analyseren, op die manier kan eventueel meer duidelijkheid gebracht worden in het verband tussen voorraad en financiële resultaten. Verder zou dit toelaten om te analyseren of de geobserveerde verschillen tussen sectoren stand houden doorheen de tijd. Tot slot zou gerapporteerde data aangevuld kunnen worden met interne bedrijfsinformatie voor een beperkt aantal bedrijven om op die manier een beter inzicht te verkrijgen in de motivatie om voorraad aan te houden. Het zal echter steeds een enorme uitdaging blijven om een waardevolle dataset samen te stellen die ons toelaat dergelijke studies uit te voeren.
19
REFERENTIES Balakrishnan, R., T. Linsmeier en M. Venkatachalam, 1996, Financial benefits from JIT adoption, Accounting Review, 71, 183-205. Boute, R., M. Lambrecht en O. Lambrechts, 2004, Did just-in-time management effectively decrease inventory ratios in Belgium?, Tijdschrift voor Economie en Management, Vol. XLIX (3), 441-456. Chen, H., M.Z. Frank en O.Q. Wu, 2005, What actually happened to the inventories of American companies between 1981 and 2000, Management Science, 51, 10151031. Gaur, V., M.L. Fisher en A. Raman, 2005, An econometric analysis of inventory turnover performance in retail services, Management Science, 51, 181-194. Ginter, J. en B. La Londe, 2001, A historical analysis of inventory levels: an exploratory study”, Working paper, The Supply Chain Management Research Group, Ohio State University. Huson, M. en D. Nanda, 1995, The impact of Just-In-Time manufacturing on firm performance in the USA, Journal of operations management, 12, 197-310. Oliver, N. en Hunter, G., 1994,“The financial impact of Japanese production methods in UK companies, Working paper, University of Cambridge. Rajagopalan, S. en A. Malhotra, 2001, Have U.S. manufacturing inventories really decreased? An empirical study, Manufacturing & Service Operations Management, 3, 14-24. Roumiantsev, S. en S. Netessine, 2005, What can be learned from classical inventory models: a cross-industry empirical investigation, Manufacturing & Service Operations Management (te verschijnen), The Wharton School, University of Pennsylvania. Roumiantsev, S. en S. Netessine, 2006, Should inventory policy be lean or responsive? Evidence for US public companies”, Working paper, The Wharton School, University of Pennsylvania.
20
