人力成本和实物成本对企业利润的影响分析----以海尔为例

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ＥｄＬｅｂａｒ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，ＥｄＬｅｂａｒ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（analyzetheproblem）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 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 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=0.807037R=0.781309F=31.36763DependentVariable:YMethod:LeastSquaresDate:05/31/04Time:12:39Sample:118Includedobservations:18VariableCoefficientStd.Errort-StatisticProb.C1.28E+08281472424.5317950.0004X1-2.9094480.764730-3.8045440.0017X20.1259120.0174037.2350410.0000R-squared0.807037Meandependentvar1.49E+08AdjustedR-squared0.781309S.D.dependentvar1.16E+08S.E.ofregression54208158Akaikeinfocriterion38.60557Sumsquaredresid4.41E+16Schwarzcriterion38.75397Loglikelihood-344.4502F-statistic31.36763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99500813.87598753137.7323038532003年第一季度68941258.54556516094.544807062第二季度6959065561098553845217028第三季度9288900657659270742384586第四季度70634414464786938324167162002年第一季度7092361362598629139373464第二季度4200551868072057145546631第三季度4132939757835492238692690第四季度6707570183833256455466312001年第一季度1078839612393093638334198第二季度13882003293893004219974.69第三季度153697933271817939061607第四季度17239422101740460356214012000年第一季度442160521547912962772804第二季度321547221878725992634940第三季度20475885.310540295.32772804第四季度1484692.7540219207.5947798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0.05F—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X1X210.08183632285690.08183632285691三、异方差检验ARCHTest:F-statistic0.095785Probability0.761205Obs*R-squared0.107868Probability0.742585TestEquation:DependentVariable:RESID^2Method:LeastSquaresDate:06/01/04Time:13:23Sample(adjusted):218Includedobservations:17afteradjustingendpointsVariableCoefficientStd.Errort-StatisticProb.C2.78E+151.15E+152.4047330.0296RESID^2(-1)-0.0794230.256625-0.3094920.7612R-squared0.006345Meandependentvar2.59E+15AdjustedR-squared-0.059898S.D.dependentvar3.96E+15S.E.ofregression4.07E+15Akaikeinfocriterion74.83501Sumsquaredresid2.49E+32Schwarzcriterion74.93303Loglikelihood-634.0975F-statistic0.095785Durbin-Watsonstat1.955451Prob(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DependentVariable:YMethod:LeastSquaresDate:08/28/04Time:13:07Sample(adjusted):1900:21904:1Includedobservations:16afteradjustingendpointsVariableCoefficientStd.Errort-StatisticProb.C124581938157223.1.5272590.1507X1(-1)0.0858690.0218173.9357800.0017X20.0314420.3097750.1015000.9207R-squared0.680134Meandependentvar42437533AdjustedR-squared0.630924S.D.dependentvar27872456S.E.ofregression16932976Akaikeinfocriterion36.29478Sumsquaredresid3.73E+15Schwarzcriterion36.43965Loglikelihood-287.3583F-statistic13.82100Durbin-Watsonstat1.373841Prob(F-statistic)0.000606X2滞后一阶回归结果DependentVariable:YMethod:LeastSquaresDate:08/28/04Time:13:08Sample(adjusted):1900:21904:1Includedobservations:16afteradjustingendpointsVariableCoefficientStd.Errort-StatisticProb.C13461008106273441.2666390.2275X10.0684580.0230292.9726480.0108X2(-1)0.2663960.3570080.7461900.4688R-squared0.556395Meandependentvar42437533AdjustedR-squared0.488148S.D.dependentvar27872456S.E.ofregression19941026Akaikeinfocriterion36.62182Sumsquaredresid5.17E+15Schwarzcriterion36.76668Loglikelihood-289.9745F-statistic8.152669Durbin-Watsonstat2.145500Prob(F-statistic)0.005075X1X2同滞后一阶回归结果DependentVariable:YMethod:LeastSquaresDate:08/28/04Time:13:08Sample(adjusted):1900:21904:1Includedobservations:16afteradjustingendpointsVariableCoefficientStd.Errort-StatisticProb.C109299589048163.1.2079750.2486X1(-1)0.0835120.0199464.1868420.0011X2(-1)0.1051340.3089400.3403050.7391R-squared0.682707Meandependentvar42437533AdjustedR-squared0.633893S.D.dependentvar27872456S.E.ofregression16864733Akaikeinfocriterion36.28671Sumsquaredresid3.70E+15Schwarzcriterion36.43157Loglikelihood-287.2937F-statistic13.98579Durbin-Watsonstat1.416240Prob(F-statistic)0.000575YX1X2同滞后一阶回归结果DependentVariable:Y(-1)Method:LeastSquaresDate:08/28/04Time:13:10Sample(adjusted):1900:21904:2Includedobservations:17afteradjustingendpointsVariableCoefficientStd.Errort-StatisticProb.C15853883101388811.5636720.1402X1(-1)0.0800060.0251443.1818780.0067X2(-1)0.1468270.3706990.3960820.6980R-squared0.569287Meandependentvar45794197AdjustedR-squared0.507757S.D.dependentvar30329218S.E.ofregression21278988Akaikeinfocriterion36.74312Sumsquaredresid6.34E+15Schwarzcriterion36.89016Loglikelihood-309.3166F-statistic9.252137Durbin-Watsonstat1.951664Prob(F-statistic)0.002750y滞后一阶回归结果DependentVariable:Y(-1)Method:LeastSquaresDate:08/28/04Time:13:21Sample(adjusted):1900:21904:1Includedobservations:16afteradjustingendpointsVariableCoefficientStd.Errort-StatisticProb.C185983359324922.1.9944760.0675X10.0724540.0242432.9886280.0105X20.2767250.3445230.8032120.4363R-squared0.606484Meandependentvar48563541AdjustedR-squared0.545943S.D.dependentvar29019238S.E.ofregression19554241Akaikeinfocriterion36.58264Sumsquaredresid4.97E+15Schwarzcriterion36.72750Loglikelihood-289.6611F-statistic10.01777Durbin-Watsonstat1.667742Prob(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！