54页买方研报拆解：单店经济模型与门店扩张空间测算

简介：这份由雪湖资本于2022年11月发布的瑞幸咖啡投资研究报告，面向消费行业分析师、投资研究人员及关注新消费赛道的读者，系统梳理瑞幸在经历风波后的商业模式重塑与投资价值。报告围绕饮料化咖啡扩大潜在市场、单店经济模型成立、直营与加盟结合、盈利门店经营杠杆及品牌护城河等投资逻辑展开，并讨论市场竞争加剧、疫情后份额可能反转等风险因素。压缩包内含1个PDF文件，共54页，约2.42MB，内容涵盖总结摘要、投资逻辑与风险、财务预测与估值，以及公司发展历史和股东结构附录，便于按章节研读。已有138人学习。读者可从中获取机构视角下的行业规模测算、门店扩张空间判断、单店模型与估值框架，并借助风险提示和免责声明理解报告边界，适合作为瑞幸及现制咖啡赛道研究、投资决策辅助和案例学习的参考材料。

1. 拿到一份 54 页的买方研报，别急着翻到目标价那一页

上周有人把一份 54 页的 PDF 丢过来，问的却是「这玩意儿能不能直接当单店经济模型的模板用」。这问题问到点子上了。市面上大多数投资研究报告，读者只记得最后那个结论，真正值钱的东西全在中间几十页：饮料化咖啡怎么把客群从咖啡爱好者扩到现制茶饮人群、单店经济模型的量价成本怎么摆、门店扩张空间用什么口径倒推、哪些因素被单独拎出来当风险、哪些被降级成中性因素。这份报告的价值不在它看好谁，而在于它把一条「品类假设 → 单店模型 → 门店数天花板 → 经营杠杆」的链路完整写了一遍，中间每一步都留了可校验的数字。做消费研究的、搭连锁门店测算表的、想学买方怎么把论证写扎实的，都能从里面抠出东西。下面按我自己的拆解顺序走，能抄的参数、口径和排错点都放在中间几章。

2. 研报骨架拆解：54 页里真正能复用的只有四块

一份几十页的研报，目录往往写得比正文还花哨，但拆开来看，真正有复用价值的就四块：品类与市场规模的重新定义、单店经济模型的损益结构、扩张路径与商业模式、风险与中性因素的切分。剩下的公司发展史、股东结构、附录图表，属于背景板，读一遍知道来龙去脉就行，不值得抄。这四块之间有严格的依赖关系——品类定义错了，市场规模就错了；市场规模错了，门店扩张空间就错了；单店模型的口径不统一，后面所有利润率、回本周期全是空转。我一般按依赖顺序拆，先啃第一块，再往下推，中间任何一步卡住就回头查假设，不硬往下算。

2.1 投资逻辑链条：从品类改良推到门店数

报告最核心的一条论证链，是把「饮料化」当成一个品类事件来处理，而不是当成产品创新。它的推法是这样的：先指出本土现制咖啡的人均消费杯数明显低于现制茶饮，然后给了一个反直觉的归因——差距不是因为喝咖啡的人喝得少，而是因为喝咖啡的人口渗透率低。这一句是整条链的支点。承认了这个归因，后面 「把咖啡做成更接近茶饮口感的饮品，就能把茶饮客群拉进来」 才成立；客群一扩，单店日均销量才有提升空间；销量和单价同步抬升，单店经济模型才从「跑不通」变成「成立」；模型成立之后，加盟加直营的组合才能既保住品牌力又跑出扩张速度；门店数上去了，才有经营杠杆和整体利润率抬升；最后落到「已建立护城河」这个结论。

我在拆这一步时会做一张逻辑链表格，把每一环的结论、支撑证据、可证伪条件三列写清楚。可证伪条件那一列最关键，它决定了这份研报是能被检验的分析，还是一篇自说自话的叙事。

这张表我自己用了很久，好处是把「信不信」变成「验不验」。表里第二列的数字全部来自报告图表，第三列是我自己补的，报告不会写可证伪条件，但一份合格的买方研究，读完你应该能替它写出来。

2.2 单店经济模型：一张瀑布表里藏着七个口径

报告里最值得抄的是那张单店损益瀑布。它把一家店从「一天卖多少杯」一路推到「多久回本」，中间每一层都单独列了占比。结构大致是：单店日均商品销量 → 单个商品均价 → 月营收（分含配送费和不含配送费两个口径）→ 单个商品成本 → 毛利与毛利率 → 租金、人工、水电杂费、配送费各自占营收比例 → 门店层面利润率 → 资本开支 → 回本周期（月）。

这张表看着朴素，其实是整份报告技术含量最高的部分，因为它把「口径」这件事摆在了明面上。举几个我拆的时候特别注意的点：日均销量标注了「仅直营店」，也就是说加盟店不进这个池子；月营收做了含配送费和不含配送费两套，毛利率和费用率必须和营收口径配套，混用就全错；成本端把原材料、租金、人工、水电、配送拆成五条独立占比，而不是笼统给一个「运营成本率」，这样任何一条异常都能定位到具体科目。

拆这张表有个笨办法但很管用：把它还原成一张纵向的计算表，从左到右一列一列填，每一列标注单位和口径，凡是报告没写清楚的口径，自己打一个问号标记，后面用财报或调研数据去补。我拆完这份报告，问号大概有六七个，集中在「其他产品占比」「配送费收入是否计入单店营收」「资本开支是否含装修」这几处。这些问号不是报告写得差，而是单店模型本身就必须由使用者自己定口径，报告只提供一个参考系。

2.3 风险与中性因素：为什么「中性」要单独列

这份报告在结构上做了一个我很欣赏的处理：把不利因素拆成「风险因素」和「中性因素」两类，而不是一股脑塞进风险栏。风险因素写了两条，一条是潜在竞争加剧但短期不构成直接威胁，另一条是外部冲击期间抢到的市场份额可能在之后反转；中性因素只写了一条，非核心业务短期对收入和利润贡献度低。

这个切分方式值得学。风险是「可能推翻主逻辑」的东西，中性是「不推翻主逻辑但会影响读数」的东西。把两者混在一起，读者就没法判断哪个才是真正需要盯的变量。非核心业务贡献低，不会动摇「单店模型成立」这个核心结论，所以它不配叫风险，但它会让整体利润率读数偏离门店层面的真实表现，所以也不能不写。

还有一个容易被跳过的部分：报告开篇的利益披露。它明确写了作者方持有标的股票、可能因股价涨跌获利、也可能随时改变持仓且没有通知义务。这段话很多人直接翻过去，我一般把它当成读研报的第一步——先确认作者站在哪，再决定用多大力气信它的论证。有持仓披露不等于结论不可信，但它意味着你读到的每一个乐观假设，背后都可能有一个方向性的动机，所以假设部分必须自己重算一遍，不能照抄。

3. 单店模型复现：把量价成本拆成可算的列

拆完骨架，下一步是把那张瀑布表变成能跑数的东西。这一步的产出不是「复现报告结论」，而是「得到一个能改参数的模型」——报告给的是某一时点的快照，你要的是一个能回答「如果均价降两块会怎样」「如果日均销量掉五十杯会怎样」的工具。下面这套写法我在好几个连锁消费项目里都用过，改改参数就能迁移。

3.1 六行核心参数与取值口径

在写代码之前，先把参数定死。我一般只留六行核心参数，其余全部由这六行推导，避免参数爆炸导致没人敢改。

这六行里最容易翻车的是第二行和第四行。均价必须用实际成交价，报告在讨论价格时反复强调折扣退出对均价的贡献，这说明标价和成交价之间有实实在在的差额；如果直接拿菜单价代入，算出来的毛利率会虚高一大截。成本那行则要注意包装和配送耗材的归属，不同公司把它放在成本项还是费用项，会让毛利率差出几个点，做横向对比时必须统一。

3.2 用 Python 把门店层面利润率算出来

参数定完就可以落地。下面这段代码把「一天卖多少杯」推到「门店层面利润率」和「回本周期」，所有口径在注释里标死，改参数只改最上面那个字典。

# 单店经济模型：从日均销量推到门店层面利润率与回本周期 # 所有金额单位为元，时间口径统一为「月」（按 30 天折算） params = { "daily_items": 350, # 日均商品销量（件，仅直营店口径） "drink_price": 15.0, # 现制饮品实际成交均价（元/杯，非标价） "other_ratio": 0.08, # 其他产品占商品总数比例（件数口径） "other_price": 12.0, # 其他产品均价（元/件） "unit_cost_rate": 0.35, # 单个商品成本占其售价比例（原材料口径） "rent_rate": 0.12, # 门店租金占营收比例 "labor_rate": 0.18, # 人工成本占营收比例 "utility_rate": 0.03, # 水电及其他杂费占营收比例 "delivery_rate": 0.05, # 配送费占营收比例 "capex": 450000, # 单店资本开支（含装修与设备，不含押金） } def store_model(p): days = 30 # 拆件数：饮品件数与其他产品件数分开，各用各的均价 total_items = p["daily_items"] * days other_items = total_items * p["other_ratio"] drink_items = total_items - other_items # 营收按不含配送费口径算，配送费单列为费用，避免重复计入 drink_rev = drink_items * p["drink_price"] other_rev = other_items * p["other_price"] revenue = drink_rev + other_rev # 商品成本按各自售价乘以成本率 cogs = drink_rev * p["unit_cost_rate"] + other_rev * p["unit_cost_rate"] gross_profit = revenue - cogs # 四项费用全部按营收比例计提 opex = revenue * (p["rent_rate"] + p["labor_rate"] + p["utility_rate"] + p["delivery_rate"]) store_profit = gross_profit - opex margin = store_profit / revenue payback_months = p["capex"] / store_profit if store_profit > 0 else float("inf") return { "月营收": round(revenue, 0), "月毛利": round(gross_profit, 0), "毛利率": round(gross_profit / revenue, 4), "门店层面利润": round(store_profit, 0), "门店层面利润率": round(margin, 4), "回本周期(月)": round(payback_months, 1), } print(store_model(params))

逻辑说明分三层看。第一层是件数拆分，把总件数按比例切成饮品和其他产品，分别乘各自均价，这一步决定了营收的准确性——报告里其他产品占比给的是件数口径，如果拿它当营收占比用，营收会系统性偏低。第二层是成本，用「各品类售价 × 成本率」而不是「总营收 × 成本率」，因为两类产品的成本率通常不同，混算会在结构变化时失真。第三层是费用，四项费用率全部挂在营收上，这是零售业态的通行做法，好处是费用随营收自动缩放，坏处是忽略了租金和人工的阶梯性——真实世界里门店租金是固定金额，营收跌到一定程度，租金占比会跳升，模型算不出来。

参数怎么改：daily_items和drink_price是两个主驱动，做情景分析时优先动它们；unit_cost_rate建议按品类分别设，把字典里那一行拆成drink_cost_rate和other_cost_rate两个键；capex一定要含装修，报告在回本周期那段明确把装修计入资本开支，漏掉这一项会让回本周期短好几个月，这是血泪经验。

3.3 敏感性分析：杯单价和日均杯量谁更要命

模型跑通之后，第一件事不是看结果，是看结果对什么敏感。我一般直接扫一个二维网格，横轴日均件数、纵轴均价，输出门店层面利润率，格式化成百分比方便看。

# 二维敏感性：日均件数 × 实际成交均价 -> 门店层面利润率 base = dict(params) rows = [] for items in [280, 320, 350, 380, 420]: row = [] for price in [13.0, 14.0, 15.0, 16.0, 17.0]: p = dict(base, daily_items=items, drink_price=price) row.append(f"{store_model(p)['门店层面利润率'] * 100:5.1f}%") rows.append((items, row)) print("items\\price " + " ".join(f"{p:>6.0f}" for p in [13, 14, 15, 16, 17])) for items, row in rows: print(f"{items:>10} " + " ".join(f"{v:>6}" for v in row))

跑完这张网格通常会看到一件事：利润率对均价的敏感度明显高于对销量的敏感度，因为均价直接乘在每一杯上，而销量提升会同时带起成本和费用。这解释了一个现象——报告在讨论单店模型优化时，把「折扣减少 + 高价新品」放在首位，把「销量自然增长」放在其次，顺序不是随便排的。反过来，这也意味着如果均价是靠一次性提价换来的，模型好看但不可持续，后面第 5 章会专门讲这个坑。

还有一处要留意：网格里的结果是「稳态月」，但真实门店有爬坡期，新店头几个月销量远低于稳态。做回本周期测算时，我习惯把第一年按爬坡曲线打折，第二年才用稳态值，否则回本周期会被系统性低估。这个折扣率报告里不一定给，得自己按行业经验设，通常首年按稳态的六到八成取。

4. 门店扩张空间测算：人均杯数法怎么落地

单店模型回答的是「一家店赚不赚钱」，门店扩张空间回答的是「能开多少家」。这两个数乘起来才是这门生意的天花板。报告在这一块的推法很典型：用分城市层级的人口渗透率和人均消费杯数，倒推可承载门店数，再和现有门店数一比，得出一个数倍的扩张空间。这套方法不难，难的是假设怎么设、结果怎么校验。

4.1 三层假设：人口、渗透率、单店承载

倒推模型只有三层假设，但每一层都能把结果放大或缩小一倍。

第一层是人口基数。要按城市层级分层，因为不同层级的咖啡消费习惯差得很远。用户调研里有一个很值得注意的结论：月购买频次随城市等级提高而增加，也就是说低线城市的单店模型不能直接套用高线城市的频次参数。

第二层是人均年消费杯数。这一层最玄学，因为它是「渗透率 × 频次」的乘积，而这两个因子经常被混着用。报告的归因很明确：差距主要来自渗透率而非频次。这意味着提升空间应该主要从「多少人有喝的习惯」去估，而不是从「喝的人能喝多少杯」去估——后者容易高估，因为重度用户的比例是有天花板的。

第三层是单店承载量，也就是一家店一年能卖出多少杯。这一层直接决定分母，通常用第 3 章的稳态日均件数乘以 365 得到。注意这里要用稳态值而不是爬坡期值，否则算出来的门店数会虚高。

4.2 分城市层级测算的实现

把三层假设写成代码，结构就清晰了。下面这段用一个简化的三层结构演示，参数全部可调，实际使用时把每个层级拆得更细即可。

# 门店扩张空间测算：人口 × 人均杯数 / 单店年承载量 tiers = [ # 人口单位：百万人；cup_penetration：喝现制咖啡的人口比例 # cups_per_user：喝的人年均杯数；两者乘积即人均年杯数 {"tier": "一线", "pop": 80, "cup_penetration": 0.35, "cups_per_user": 60}, {"tier": "新一线", "pop": 180, "cup_penetration": 0.25, "cups_per_user": 45}, {"tier": "二线", "pop": 250, "cup_penetration": 0.18, "cups_per_user": 35}, {"tier": "三线及以下", "pop": 700, "cup_penetration": 0.10, "cups_per_user": 25}, ] STEADY_DAILY_ITEMS = 350 # 稳态日均件数，来自第 3 章模型 DAYS = 365 ANNUAL_CAPACITY = STEADY_DAILY_ITEMS * DAYS total_stores = 0 for t in tiers: # 人均年杯数 = 渗透率 × 喝的人年均杯数 cups_per_capita = t["cup_penetration"] * t["cups_per_user"] # 总杯数（百万杯）换算成杯 annual_cups = t["pop"] * 1_000_000 * cups_per_capita stores = annual_cups / ANNUAL_CAPACITY total_stores += stores print(f"{t['tier']:>6} 人均年杯数={cups_per_capita:5.1f} " f"可承载门店={stores:8.0f}") print(f"合计可承载门店约 {total_stores:,.0f} 家")

逻辑说明：核心是cup_penetration × cups_per_user这一步拆分。很多人直接把「人均年杯数」当成一个参数填进去，结果每次调整都不知道该动哪个因子。拆成渗透率和频次之后，调参就有了方向——如果判断低线城市的习惯培养还需要时间，就压低渗透率；如果判断重度用户还能增长，就抬频次。这两个动作对结果的影响完全不同，前者影响面广但慢，后者影响面窄但快。

参数怎么改：STEADY_DAILY_ITEMS要和第 3 章的模型保持一致，两处不一致是这类测算最常见的内部矛盾；pop用常住人口而不是户籍人口，口径要在表头写清楚；cup_penetration这一列建议做三档情景（保守/中性/乐观），而不是给一个点估计，因为这一层的误差最大。

4.3 用头部品牌门店数做反向校验

算出来的门店数一定要校验，否则就是自娱自乐。我常用的校验方式有两种。第一种是横向对齐：把同赛道几个头部品牌的现有门店数拉出来，看算出来的天花板是现有头部品牌门店数的几倍。如果这个倍数大得离谱，八成是渗透率给高了；如果小得可怜，八成是单店承载量给低了。

第二种是纵向对齐：看头部品牌从成立到现在的门店增速曲线，反推它用了多少年达到当前规模，再用同样的增速去检验「数倍空间」需要多少年兑现。这一步能筛掉很多「理论上限」——理论上还有十倍空间，但按行业实际增速要三十年才能开出来，那这个空间对当下的判断意义有限。

这三种校验里，单店反算最容易被忽略但最有用。拿现有门店总数去除该品类的总杯量，得到的是一个「平均单店年杯量」，把它和第 3 章的稳态值比一比，两个数差太多，说明有一边的假设站不住。我一般要求这两个数相差不超过两成，否则不往下做估值。

5. 避坑与排查：复现这类研报最容易翻车的五处

这类报告拆起来不难，难的是别在口径上翻车。下面五条都是我在复现过程中真实踩过或者见别人踩过的，每条按现象、原因、解决顺序写，照着排查能省不少时间。

5.1 月度数据和季度数据混着用

现象：自己算的单店月营收和报告图表对不上，差个百分之十几，怎么调参数都调不平。

原因：这类报告里的单店图表绝大多数是月度口径，而公司财报披露的是季度累计数，直接拿季度数除以三会引入季节因子误差——现制饮品的旺季在夏季，淡旺季单店杯量能差两三成，简单除以三得到的「平均月」根本不存在。

解决：所有数据先统一到月度，季度数除以三之后要再乘一个季节调整系数，系数用往年的月度分布反推。更稳的做法是只用报告图表的月度序列，财报数据只用来校验年度总量，不参与月度模型的参数标定。

5.2 一次性科目重分类被当成经营恶化

现象：某一年的毛利率突然掉了一大截，但同期单店杯量和均价都没怎么变，看起来像是成本失控。

原因：这一年做了一次科目重分类，把原本记在销售费用里的赠饮成本挪到了营业成本里。这不是经营变差，是会计口径变了，重分类前后不可比。

解决：做可比口径调整，把重分类涉及的那部分金额从成本里还原回费用，再算毛利率。判断方法很简单：如果毛利率下降的同时销售费用率等额下降，基本就是重分类，不是真恶化。这条坑我吃过一次，当时对着报表怀疑了半天运营效率，最后发现是虚惊一场。

5.3 同店增长的分母口径没对齐

现象：自己算的同店增速和报告给的差好几个点，方向甚至相反。

原因：同店的定义没有统一。有的口径要求门店开业满 12 个月才计入，有的要求满 15 个月；有的剔除临时闭店，有的不剔除；加盟店是否纳入也各说各话。分母差一点，增速就差很多。

解决：先看报告的脚注确认同店定义，再按同一规则重算。如果脚注没写清楚，就用「开业满 12 个月且期间未闭店超过 30 天」这个通用口径，并在表头注明，方便别人复核。另外注意新客稀释效应：新开门店带来的低頻用户会拉低平均购买频次，这会让同店增速在扩张期系统性偏低，不是经营变差。

5.4 直营店模型套到加盟店上

现象：把单店模型直接乘上总门店数去估公司营收，算出来的数比财报高出一大截。

原因：直营店确认的是终端零售额，加盟店确认的是卖给加盟商的原材料收入加加盟费，两者差着好几倍。拿直营店模型乘以总门店数，等于假设每家加盟店都按零售额结算，必然高估。

解决：分开建两个模型。直营模型算终端零售，加盟模型算「单店进货额 × 加盟店数 + 加盟费收入」，两个模型的门店数分别取各自的存量。合并时注意内部交易抵消，别把直营和加盟的营收简单相加。

5.5 忽略披露与数据截止日

现象：拿着报告的结论直接用，几个月后发现结论早就不成立了。

原因：报告开篇有持仓披露，作者明确可能随时改变持仓且没有通知义务；同时报告有明确的数据截止日，截止日之后的经营变化不在分析范围内。这两条很多人直接跳过。

解决：读报告的第一步就是翻到免责和披露部分，确认作者立场和数据截止日，在笔记里写死「as-of 日期」。所有引用的数据都标注日期，超过三个月的结论一律重新校验。做研究的后悔药就是日期标注，事后追查时能救命。

6. 进阶：把一次拆解沉淀成可复用的模板

拆完一份报告，如果只是记住几个结论，那这次拆解基本白做。真正划算的做法是把过程沉淀成模板，下次换一家公司，填数就能跑。我自己用的是三层结构：假设层、模型层、校验层。

假设层放所有需要判断的输入，比如渗透率、频次、均价、成本率，每个假设标注来源（报告图表 / 财报 / 行业调研 / 自己估）和可信度（高/中/低）。这一层的关键是区分「事实」和「判断」，事实可以直接引用，判断必须给区间。模型层放第 3 章和第 4 章那两段代码，参数从假设层读，不硬编码。校验层放第 4.3 节那三种反向对齐，每次跑完模型自动打印偏差。

下面这张表是我模板里固定的字段清单，按它填不容易漏项：

还有一个小技巧：每次更新数据后，不要只看新结果，要看「哪个假设变了导致结果变了」。我一般在模板里加一行记录，写下本次调整的参数和结果变动幅度，跑上几次就能看出模型对哪个参数最敏感，以后精力就往那一处放。这套东西积累下来，比读十份报告都管用。

最后说个习惯。从那以后我每次拆这类报告，都强制自己先不看结论页，从目录开始把每一章的图表标题抄一遍，抄完再回头判断哪几页值得细读。这么做一开始很慢，抄到第五份的时候速度就上来了，而且能明显感觉到自己对「哪些论证是真材实料、哪些是包装」的判断力在提高。希望帮到你。

本文还有配套的精品资源，点击获取