2007-2025年上市公司供应链长鞭效应测算数据集

一、数据集概述

在供应链管理研究领域，长鞭效应（Bullwhip Effect）是一个经典且持续受到关注的重要议题。它描述的是：当市场需求信息沿着供应链从终端消费者向上游供应商逐级传递时，受需求预测修正、信息不对称、订单批量决策、价格波动以及理性预期等多种因素叠加影响，需求波动幅度会出现层层放大的现象。具体表现为上游企业的销售波动、库存周转波动及生产计划调整幅度，远超终端市场实际需求的波动水平。这一效应是评估供应链运行稳定性和运营效率的核心指标之一。

本数据集聚焦于中国A股上市公司，系统测算并量化了2007至2025年间企业的供应链长鞭效应程度，为相关学术研究与实务分析提供了坚实的数据基础。

二、数据参数一览

参数说明数据名称供应链长鞭效应测算数据数据范围中国A股上市公司时间跨度2007—2025年数据格式Excel数据来源基于上市公司年报披露的供应链关系及财务报表数据人工整理核心字段企业代码、企业名称、年份、存货净额（元）、营业总收入（元）、营业总成本（元）

三、数据构建方法

本数据集的构建参考了李颖等（2026）发表于《经济管理》的研究思路，具体步骤如下：

• 第一步：构建供应链配对关系。 从上市公司年报中提取前五大客户销售信息和前五大供应商采购信息，以「是否上市公司 = Y」作为筛选条件，分别建立「企业—客户」和「供应商—企业」两组供应链样本，并提取其中的企业ID作为核心研究对象。

• 第二步：匹配财务数据。 以企业ID为唯一标识，在企业财务报表数据库中关联资产负债表与利润表，提取营业总收入、营业总成本以及存货净额等关键财务指标。

• 第三步：测算长鞭效应。 基于上述财务指标，运用方差分解或波动率比值等方法，量化各企业在供应链中的需求波动传导程度，从而得出长鞭效应的度量值。

四、研究应用方向

基于该数据集，研究者可以从多个维度展开深入分析：

1. 长鞭效应测度与传导特征分析：量化企业层面的供应链长鞭效应程度，刻画需求波动从下游向上游传导的路径与规律，揭示不同行业、不同供应链层级间波动放大的差异性。

2. 缓解因素研究：考察数字化转型、人工智能技术采纳、供应链协同机制以及信息共享程度等因素对抑制长鞭效应的作用机制，为供应链管理优化提供实证依据。

3. 异质性与绩效影响：探讨在不同所有制类型、行业特征、供应链集中度、地区数字经济发展水平以及企业治理结构等条件下，长鞭效应表现的异质性，并进一步分析其对企业经营绩效、库存管理效率和供应链韧性的影响。

五、数据预览

以下为数据集的部分字段展示，包含企业代码、企业名称、年份及核心财务指标：

供应链长鞭效应测算数据字段预览

六、数据使用建议

• 指标计算：可利用存货净额与营业总收入、营业总成本的波动率比值来构建长鞭效应指数，建议至少使用连续3年以上的数据进行时间序列分析。

• 行业对标：由于不同行业的供应链结构和库存周转特征差异较大，建议在分析时按行业进行分组对照，避免跨行业直接比较带来的偏误。

• 与其他数据匹配：该数据集的企业代码字段可与CSMAR、Wind等主流金融数据库进行关联，便于叠加公司治理、数字化转型等多维度变量进行综合研究。

• 时间窗口注意：2008年金融危机和2020年新冠疫情等外部冲击年份的波动数据具有特殊研究价值，但在回归分析中应注意作为控制变量或进行稳健性检验。

七、参考文献

[1] 李颖,石淑莹.客户人工智能技术应用能缓解供应链长鞭效应吗[J].经济管理,2026,48(4):141-161.

顶部专栏分享更多内容

来源：Paper数据分析