人力成本和实物成本对企业利润的影响分析
------以海尔为例
摘要: 本文主要通过对主营业务利润的变动进行多因素分析，建立以主营业务利润为应变量，以其它可量化影响因素(工资.材料)为自量变的多元线性回归模型，并最终利用模型对主营业务利润进行定量分析，就有关如何主动提高主营业务利润提出一些可供参考的意见。
关键词: 主营业务利润 人力成本 实物成本 工资 材料
背景（introduction） 文献摘要
1在电冰箱生产基地的转移过程中，中国正在成为全球的电冰箱产品的制造地几乎所有的电冰箱业的跨国公司都以不同的形式进入到中国。经分析，可以看出，这些跨国公司不但把中国看作其全球的生产基地，也把中国当成了一个电冰箱产品主要的销售市场。为此，这些电冰箱主要供应商在中国使用了如下战略手段:
由电器制造商转变为电器供应商;成为完全本土化、中国化的制造企业;控制核心技术与核心部件;提高产品的价格竞争能力。在这样的背景下，中国电冰箱行业呈现出如下几种竞争特点。产业的日趋分散性与同质化;主要领导变动日趋频繁价格成为主要竞争手段
选自(中国家电网)
3
最近，品牌专家Ｅｄ Ｌｅｂａｒ对海尔、联想等中国顶尖品牌发出警告：这些品牌有可能因为日趋同质化而沦落为“大路货”（相关内容详见《财经时报 》２００４年５月８日第５６４期“向海尔预警：差异化缺失拖累中国品牌”）。这是止于目前我们看到的关于海尔品牌最具有说服力的分析。实事求是讲，Ｅｄ Ｌｅｂａｒ把准了海尔的命……，海尔获得《中国经营报》中外企业“人气指数调查”第一名，这说明海尔的社会形象基础是很好的。因此，只要认识到自己存在的问题，并采取切实行动，对走偏的形象予以矫正，海尔还是最有希望的中国企业 选自(中国名牌)
研究目的
如今世界家电市场竞争日趋激烈,我们在不仅仅海外市场上有来自韩国,墨西哥等国的竞争,而且在国内还面临着保卫战的问题,尤其是在加入WTO以后,国内的家电企业面临着强大的确市场冲击,如何提高自身竞争力?如何发现自身弊端?......是我们急需解决的问题. 本文我们主要以海尔为例来研究怎样提高家电企业竞争力及对我国家电产业存在的问题进行初步分析。问题分析（analyze the problem）模型的设定 我们以主营业务利润为切入点,就影响主营业务利润的因素为研究对象进行分析。影响主营业务利润的主要因素主要是材料的投入和工人工资的发放,经过对企业财务报表的分析,我们发现主营业务工资大约是工资总额的0.3到0.5倍,而材料又是主要由而组成存货和生产机械的折旧(经分析, 我们发现,机械设备折旧中有1/3到2/3是生产设备的折旧,并且所占比重有递减的趋势)。我们将材料的投资做为实物成本x2，将工资的投入做为人力成本x1.其中，实物成本由产品的材料成本、机器设备的折旧及营销费用组成，人力成本由生产工人的工资、管理人员的工资及退休工人的福利费组成。
我们从主营业务利润y和实物成本x2. 人力成本x1之间的关系,建立模型,加以分析,通过自变量的系数对比来说明他们对应变量影响程度的大小,从而揭示工资和材料的使用效率,为企业如何提高各种资源的使用效率指明方向.在分析前，我们可以定性的知道，利润和工资成反比，和实物成本的关系则不定。 模型设定为： y=α+β*x1+γ*x2通过OLS回归得出方程为：
y=1.28e+08+-2.909448x1+0.125912x2
(4.531795) (-3.80454) (7.235041)
r=0.807037 R=0.781309 F=31.36763
Dependent Variable: Y
Method: Least Squares
Date: 05/31/04 Time: 12:39
Sample: 1 18
Included observations: 18
Variable Coefficient Std. Error t-Statistic Prob.
C 1.28E+08 28147242 4.531795 0.0004
X1 -2.909448 0.764730 -3.804544 0.0017
X2 0.125912 0.017403 7.235041 0.0000
R-squared 0.807037 Mean dependent var 1.49E+08
Adjusted R-squared 0.781309 S.D. dependent var 1.16E+08
S.E. of regression 54208158 Akaike info criterion 38.60557
Sum squared resid 4.41E+16 Schwarz criterion 38.75397
Log likelihood -344.4502 F-statistic 31.36763
数据
年份 季度 y=主营业务利润 x1＝材料成本 x2＝工资总额
2004年 第一季度 99500813.87 598753137.7 32303853
2003年 第一季度 68941258.54 556516094.5 44807062
第二季度 69590655 610985538 45217028
第三季度 92889006 576592707 42384586
第四季度 70634414 464786938 32416716
2002年 第一季度 70923613 625986291 39373464
第二季度 42005518 680720571 45546631
第三季度 41329397 578354922 38692690
第四季度 67075701 83833256 45546631
2001年 第一季度 10788396 123930936 38334198
第二季度 13882003 29389300 4219974.69
第三季度 15369793 32718179 39061607
第四季度 17239422 101740460 35621401
2000年 第一季度 44216052 154791296 2772804
第二季度 32154722 187872599 2634940
第三季度 20475885.3 10540295.3 2772804
第四季度 1484692.75 40219207.5 947798
模型检验：数学意义分析
一 、拟合优度检验
可决系数为0.807037，修正可决系数为0.781309
可见解释变量对模型解释效果较好
二 、回归参数的显著性检验
t—检验 由于在给定显著性水平ɑ=0.05的情况下，C,x1,x2的|t |值都大于2 认为解释变量的影响是显著的，此时犯错误的概率不超过0.05
F—检验
在5%的显著性水平下，查自由度为（2，15）的F分布表，得临界值 F0.05(2,15)=3.68。因为F=31.36763>F0.05(2,15)=3.68,故模型总体显著
对模型进行多重共线分析如下，发现不存在多重共线性
X1 X2
1 0.0818363228569
0.0818363228569 1
三、异方差检验
ARCH Test:
F-statistic 0.095785 Probability 0.761205
Obs*R-squared 0.107868 Probability 0.742585
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/01/04 Time: 13:23
Sample(adjusted): 2 18
Included observations: 17 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 2.78E+15 1.15E+15 2.404733 0.0296
RESID^2(-1) -0.079423 0.256625 -0.309492 0.7612
R-squared 0.006345 Mean dependent var 2.59E+15
Adjusted R-squared -0.059898 S.D. dependent var 3.96E+15
S.E. of regression 4.07E+15 Akaike info criterion 74.83501
Sum squared resid 2.49E+32 Schwarz criterion 74.93303
Log likelihood -634.0975 F-statistic 0.095785
Durbin-Watson stat 1.955451 Prob(F-statistic) 0.761205
由于Obs*R-squared=0.107868,表明模型随机误差项不存在异方差。四、自相关检验
由上表得DW=1.955451，而在n=18, k=2,时，du=1.535,DW>du,故模型不存在一阶自相关。五、滞后性分析x1滞后一阶回归结果
Dependent Variable: Y
Method: Least Squares
Date: 08/28/04 Time: 13:07
Sample(adjusted): 1900:2 1904:1
Included observations: 16 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 12458193 8157223. 1.527259 0.1507
X1(-1) 0.085869 0.021817 3.935780 0.0017
X2 0.031442 0.309775 0.101500 0.9207
R-squared 0.680134 Mean dependent var 42437533
Adjusted R-squared 0.630924 S.D. dependent var 27872456
S.E. of regression 16932976 Akaike info criterion 36.29478
Sum squared resid 3.73E+15 Schwarz criterion 36.43965
Log likelihood -287.3583 F-statistic 13.82100
Durbin-Watson stat 1.373841 Prob(F-statistic) 0.000606
X2滞后一阶回归结果
Dependent Variable: Y
Method: Least Squares
Date: 08/28/04 Time: 13:08
Sample(adjusted): 1900:2 1904:1
Included observations: 16 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 13461008 10627344 1.266639 0.2275
X1 0.068458 0.023029 2.972648 0.0108
X2(-1) 0.266396 0.357008 0.746190 0.4688
R-squared 0.556395 Mean dependent var 42437533
Adjusted R-squared 0.488148 S.D. dependent var 27872456
S.E. of regression 19941026 Akaike info criterion 36.62182
Sum squared resid 5.17E+15 Schwarz criterion 36.76668
Log likelihood -289.9745 F-statistic 8.152669
Durbin-Watson stat 2.145500 Prob(F-statistic) 0.005075
X1 X2 同滞后一阶回归结果
Dependent Variable: Y
Method: Least Squares
Date: 08/28/04 Time: 13:08
Sample(adjusted): 1900:2 1904:1
Included observations: 16 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 10929958 9048163. 1.207975 0.2486
X1(-1) 0.083512 0.019946 4.186842 0.0011
X2(-1) 0.105134 0.308940 0.340305 0.7391
R-squared 0.682707 Mean dependent var 42437533
Adjusted R-squared 0.633893 S.D. dependent var 27872456
S.E. of regression 16864733 Akaike info criterion 36.28671
Sum squared resid 3.70E+15 Schwarz criterion 36.43157
Log likelihood -287.2937 F-statistic 13.98579
Durbin-Watson stat 1.416240 Prob(F-statistic) 0.000575
Y X1 X2同滞后一阶回归结果
Dependent Variable: Y(-1)
Method: Least Squares
Date: 08/28/04 Time: 13:10
Sample(adjusted): 1900:2 1904:2
Included observations: 17 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 15853883 10138881 1.563672 0.1402
X1(-1) 0.080006 0.025144 3.181878 0.0067
X2(-1) 0.146827 0.370699 0.396082 0.6980
R-squared 0.569287 Mean dependent var 45794197
Adjusted R-squared 0.507757 S.D. dependent var 30329218
S.E. of regression 21278988 Akaike info criterion 36.74312
Sum squared resid 6.34E+15 Schwarz criterion 36.89016
Log likelihood -309.3166 F-statistic 9.252137
Durbin-Watson stat 1.951664 Prob(F-statistic) 0.002750
y 滞后一阶回归结果
Dependent Variable: Y(-1)
Method: Least Squares
Date: 08/28/04 Time: 13:21
Sample(adjusted): 1900:2 1904:1
Included observations: 16 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 18598335 9324922. 1.994476 0.0675
X1 0.072454 0.024243 2.988628 0.0105
X2 0.276725 0.344523 0.803212 0.4363
R-squared 0.606484 Mean dependent var 48563541
Adjusted R-squared 0.545943 S.D. dependent var 29019238
S.E. of regression 19554241 Akaike info criterion 36.58264
Sum squared resid 4.97E+15 Schwarz criterion 36.72750
Log likelihood -289.6611 F-statistic 10.01777
Durbin-Watson stat 1.667742 Prob(F-statistic) 0.002329
通过分析，我们看到此模型不存在滞后性，较好的符合经济意义。
经济意义分析
有回归结果来看，明显的营业利润与x1成反比，与x2成正比。这说明主营业务利润和实物投资成正比和人力成本成反比，即再增加实物投资能增加利润，而人力成本或由于人浮于事或管理机关过于庞大出现十羊九牧的状况，诸如此类原因导致效率不高。从两者对利润影响的系数来看，营业利润受人力成本x1影响显著，受实物成本x2影响较小，这也符合我们的设想，由此可以看出人力成本在企业获利的重要性，这或许也是许多企业争夺人才的原因。由此也可以引申出科教的的重要性，美国等国家加强对知识产权的保护也不言尔喻了。模型的修正可决系数及f值较高。具有较强的解释力度。所以，此模型的设置能够较好的营业利润与工资水平和折旧费用之间的关系。所以我们认为我们设定的模型是比较成功的。但我们也有一个较大的缺点，拟和优度不是太高。
结论(conclusion)
1、我国生产的产品主要为劳动密集型的简单加工产品，故工资占成本额的比重较大，对盈利影响作用明显。就连像海尔这样的大型家电企业也主要依靠人力成本低廉的优势，而非技术优势来与国内外同类厂家竞争。要是中国成为世界工厂只靠劳动力的比较优势是远远不够的，中国企业的发展本质上还是要靠技术的进步。2、海尔作为中国家电企业的代表，其问题在其它同类企业中也可能存在。有模型知，海尔也存在雍员过多等现象。希望类似企业引起注意。本模型的拟和优度不高，纠其原因，主要是自变量设置不足，许多相关因素没有考虑到。比如原材料成本的变动也深刻的影响了主营业务利润，而在模型中并未加以分析。同时，数据分类的过于粗糙也可能是其原因，以后应引起注意！
会计学院
