中国制造业成本竞争优势预测的研究
中国制造业成本竞争优势预测的研究
2
辛永容1,,陈
圻2
(1.江苏广播电视大学,南京,210036;2.南京航空航天大学经济与管理学院,南京210016)
摘要:文章基于中国制造业劳动力成本与劳动生产率相关数据,通过ARIMA 相关理论来构
建劳动力成本、劳动生产率以及单位劳动成本的发展趋势模型ARIMA(p,d,q),利用所建模型预测中国制造业成本竞争优势在未来8年内的发展趋势,并对研究结果进行分析,据此提出有利于中国制造业成本竞争优势的相关措施。
关键词:劳动力成本;劳动生产率;单位劳动成本中图分类号:F222.2
文献标识码:A
文章编号:1002-6487(2011)18-0070-03
分析法等,这些方法利用成本与效率之间的关系或结构比例
1问题的提出
国内外有不少学者对成本竞争优势问题进行过广泛研究,提出了一些预测方法,如投入产出法、回归分析法和因素
关系来进行相关预测[1],但是由于成本竞争优势往往受到众多因素的影响,且这些因素之间又有着错综复杂的关系,因此运用因果模型或结构比例关系来预测一般比较困难,由于相关因素未来值的不确定性,也导致预测结果欠缺准确性。
基金项目:江苏省社会科学基金重点项目(05EYA001);南京航空航天大学哲学社会科学基金重点项目的阶段性研究成果作者简介:辛永容(1981-) ,女, 广西玉林人,博士研究生,讲师, 研究方向:竞争优势。
陈圻(1949-) ,男, 江苏南京人,教授,博士生导师,研究方向:战略与竞争力。
理由。说明管理者的过度自信会在一定程度上影响公司的并购融资决策。
由此带给我们的启示是:虽然我国从1999年即开始实施对上市公司高管的股权激励机制,但由于相关法律制定与执行的滞后,使得通过股权激励管理者提高企业业绩进而提升企业价值的传导机制并未完全形成,同时还将持股高管人员暴露于市场风险之下,产生受迫式的过度自信行为。但是这一激励机制确实在一定程度上将管理者的个人利益与公司的长远利益联系起来,产生了一定的自我激励与约束作用。因此笔者认为对上市公司高管最有效的激励途径依然是利润驱动,通过这一机制使得个人利益与其行为结果相结合,引导管理者作出符合企业利益的财务决策。与此同时,还可以结合加强董事会、监事会建设,完善经理人市场治理机制,建立科学的决策机制等举措来减少经理人的非理性行为。
参考文献:
[1]Hersh.Shefrin. Behavioral Corporate Finance [J].Journalof Applied Corporate Finance, 2001,(14).
[2]李占雷, 高俊山. 管理者过度自信与公司资本结构决策[J].开发研
究,2007,(6).
[3]Roll,R. A Critique of the Asset p Ricing Theory ’S Test -Part 1:on Past And Potential Testability of the Theory [J].Journalof Financial Economics,1977,(4).
[4]Nofsinger,J. R. Social Mood and Financial Economics[J].Journalof Behavioral Finance, 2005,(3).
[5]Hackbarth,D. Managerial Traits and Capital Structure Decisions[C].Working Paper, Indiana University,2004.
[6]Heaton,J. B. Managerial Optimism and Corporate Finance[J].Finan-cial Management, 2002,(2).
[7]Malmendier,U. ,G. Tate.CEO Overconfidence and Corporate Invest ment[J].Journalof Finance,2005,(6).
[8]余明桂, 夏新平, 邹振松. 管理者过度自信与企业激进负债行为[J].管理世界,2006,(11).
[9]Oliver,B. R.The Impact of Management Confidence on Capital Struc ture[C].WorkingPaper, Australian National University,2005.
[10]王霞, 张敏, 于富生. 管理者过度自信与企业投资行为异化——来
自我国证券市场的经验证据[J].南开管理评论,2008,(11).[11]郝颖, 刘星, 林朝南. 我国上市公司高管人员过度投资决策的实证
研究[J].中国管理科学, 2005,(5).
(责任编辑/易永生)
70
统计与决策2011年第18期(总第342期
)
研究表明,时间序列模型在预测精度方面有着较好的优越性,其中,ARIMA 模型是一种精度较高的短期预测方法,能达到最小方差意义下的最优预测。ARIMA模型简称B-J 模型,是Box 和Jenkins 于1970年提出的,该模型在时间序列预测与分析中得到了广泛应用,是一种预测精度较高的方法,通过分析时间序列的随机性、平稳性与季节性,对预测目标序列进行处理进而研究其发展趋势,解释现象随时间变化的规律,并建立适当的计量模型来预测未来值[2]
。文章根据
ARIMA 模型相关理论对中国制造业成本竞争优势发展趋势进行建模和预测分析。2
ARIMA 模型的构建
2.1变量及数据说明
文章涉及指标主要有劳动力成本LC,劳动生产率LP 与单位劳动成本ULC,劳动力成本用小时劳动成本来表示,数据来源于相关统计年鉴,劳动生产率与单位劳动成本数据则根据相关数据测算而得,研究区间为1985~2007年,预测区间为2008~2015年。2.2平稳性检验与处理
由于ARIMA 模型只适用于平稳的时间序列,但经济现象序列大多为不平稳序列,因此,需要先对序列进行观察,判断其平稳性。一般来说,劳动力成本与劳动生产率有着随时间推移而递增的特性,学者们将这种趋势主要归结为技术进步、人力资本的持续积累以及劳动者生活水平的提高,单位劳动成本的变动则取决于两者的相对变化,通过其时序图可知,中国制造业小时劳动成本与劳动生产率具有明显的上升趋势,而单位劳动成本则表现出下降状态,初步识别三者均为非平稳过程,观察法较为粗糙,可对它们进行单位根检验以更为准确的判断其平稳性,检验结果见表1。
表1LC 、LP 与ULC 序列单位根检验结果序列LC T 值
临界值(1%)临界值(5%)临界值(10%)P 值
ULC LP
0.6256-3.8085-3.0207-2.65040.9867小时劳动成本、劳动生产率以及单位劳动成本的单位根检验结果表明,这三个序列的ADF 值均大于显著水平1%、5%与10%下的临界值,为非平稳时间序列,由于对时间序列建模要求数据的平稳性和零均值化,因此需对原序列经过处理产生新的平稳性时间序列。经过观察,对LC 和LP 序列取对数形成新序列,然后进行差分处理,形成新的时间序列DLNLC、DLNLP;对于序列ULC,由于其呈现线性发展趋势,直接对其进行差分处理形成新的时间序列DULC,三者经处
表2DLNLC 、DLNLP 和DULC 序列单位根检验结果
序列)临界值(5%)临界值
DLNLC T 值
临界值(1%DLNLP DULC
-3.3249-3.808546(10%)P 值
-3.020686-2.650413
0.0273理后的平稳性检验结果见表2。
表2的检验结果表明:序列DLNLC、DLNLP 和DULC 的ADF 值分别小于显著性水平1%、5%和10%下的临界值,在置信图1DLNLC 序列折线图(单位:元/小时)
度99%、95%和90%的置信区间内可以肯定它们的平稳性。另外,从三者经处理后新序列的折线图图1~3)也可看到新序列呈现出平稳的特性。2.3模型的识别与定阶
B-J 模型的基本形式图2DLNLP 序列折线图(单位:元/
年)
有三种:自回归模型(AR P ))、移动平均模型(MA q ))和自回归移动平均模型(ARMA (p,q )),当原序列是非平稳的,经过d 阶差分处理后产生新的平稳序列,此时的模型记为
ARIMA (p,d,q )[3]
,其一般
图3DULC 序列折线图(单位:元/元)
公式表示为:
Y t =c +ϕ1Y t -1+ϕ2Y t -2+...+ϕp Y t -p +εt -θ1εt -1-θ1εt -1-... -θq εt -1(1)
当q=0时,为AR (p )模型:
Y t =c +ϕ1Y t -1+ϕ2Y t -2+...+ϕp Y t -p +εt
(2)当p=0时,为MA (q )模型:
Y t =εt -θ1εt -1-θ1εt -1-... -θq εt -1
(3)
其中Y t 为被解释变量,
Y t -i 为时间序列在t-i 时刻的观测值,i=1,2,…,p,p 为自回归模型的阶数,εt 为误差项,是
一个白噪声过程,q 为移动平均的阶数,d 为对原序列的差分
阶数,c、ϕi 和θj 为未知参数,j=1,2,…,q。
判断适合序列的模型,可以利用序列的自相关函数ACF )以及偏相关函数(PACF )来进行直观识别:当平稳序列的偏相关函数是截尾的,而自相关函数是拖尾的,此时,应选用AR 模型;当偏相关函数是拖尾的,而自相关函数是截尾的,则应选用MA 模型;当偏相关函数与自相关函数均为拖尾时,则应选用ARIMA 模型。从DLNLC、DLNLP 和DULC 的ACF 与PACF 图可看出其偏相关函数与自相关函数均为拖尾的,适合用ARIMA 模型,但从ACF 和PACF 图无法准确确定模型的阶数,可通过各种可能的排列来进行逐次拟合,对于明显不合适的排列形式予以剔除,并采用最佳准则函数定阶法中的AIC 准则与BIC 准则来判定模型的阶数,本部分利用Eviews6.0来完成模型定阶与模型选择的反复筛选过程,经过多次尝试,最终确定:DLNLC 序列的p 值取2,q 值取3;DLNLP 序列的p 值取1,q 值取2;DULC 序列的p 值和q 值
统计与决策2011年第18期(总第342期
)
71
(见(((
取2和1,具体参数拟合结果如表3所示。
表3
DLNLC 、DLNLP 和DULC 序列模型定阶与参数估计结果
0.0965(3.6484)
0.5290(2.7984)
—0.9569(4.0471)
序列模型AR (1)MA (1)MA (2)调整的R 2AIC 值BIC 值P 值MA (3)AR (2)C
率与单位劳动成本的变动趋势,但是不可否认的是,个别拟合值与实际值之间存在着一些差距,这些差距在预测中是难免的,从这三个模型的拟合预测图也可看到拟合值都在99%的置信区间内,但随着时间的不断往后推,模型预测误差将逐渐变大,因此,在数据不发生异常变动的情况下,估计模型可以用来做短期预测,其预测结果是可以用来参考分析的。3
成本竞争优势预测
-0.9244(-4.2020)0.7620(14.2751)
0.51460.00760.0581(13.2819)0.0792(9.8248)-0.007(-2.4089)
-0.3491(-2.0223)
——0.4910-3.8035-3.60440.0111
-0.8352(-24.3077)-0.6150(2.6664)-0.8840(-19.2451)
-2.7941-2.4954
—0.3682-1.9891-1.79000.0455
-0.3802(3.8815)-0.9973(-6.1869)
图4DLNLC 实际值、拟合值
注:表中括号内为各个拟合参数的t 值。
根据表3得到平稳时间序列DLNLC、DLNLP 和DULC 的估计模型:
DLNLC t =0.0581-0.9244AR (1)+0.0965AR (2)+0.762MA (1)-0.8352MA (2)-0.884MA (3)MA (2)
DULC t =-0.007+0.9569AR (1)-0.3491AR (2)-0.9973MA (1)
(4)
与残差值折线图
与结果分析
根据模型(4)以及差分关系:LC t =e
LNLC t -1+DLNLC t
DLNLP t =0.0792+0.529AR (1)-0.3802MA (1)-0.615
可得
(5)(6)
到小时劳动成本时间序列关于模型ARIMA(3,1,2)的预测公式:LC t =e
LNLC t -1+0.0581-0.9244DLNLC t -1
+0.0965DLNLC t -2-0.762μt -1+0.8352μt -2+0.884μt -3
残差值折线图
2.4模型的诊断
一个好的模型应该每个系数均显著不等于零,残差是白
(7)
同理,根据模型(5)和模型(6)以及差分关系:LP t =e
LNLP t -1+DLNLP t
噪声过程,拟合优度较大,AIC 或BIC 较小,从表3可以看出模型模型(4)、(5)和(6)的AIC、BIC 都较小,且模型中的各个系数均通过了显著性检验,模型(4)在显著性水平1%下整体通过检验,拟合优度为0.5146,而模型(5)、(6)在显著性水平5%下整体通过检验,模型(5)的拟合优度并不是那么的理想,但三个模型的DW 值均显示不存在自相关性。
另外,我们还需要对这三个估计模型进行残差检验,如果残差序列为白噪声过程,则接受所估计模型,否则需要对模型做进一步改进。在此,先对残差进行单位根检验,然后再利用Q 统计量对残差序列进行卡方检验,检验结果见表4。从表4可知,模型(4)、(5)和(6)的残差都通过了ADF单位根检验,残差序列是平稳的,且从它们的Q统计量检验图也可看到,残差的相关值和偏相关值基本上都在置信区间内,与零无显著差异,因此可以认为模型(4)、(5)和(6)的残差近于白噪声,基本没有可再提取的信息了,拟合的模型是合适的。
同时,从残差序列的ADF 检验结果可知,三个模型残差的DW 值分别为1.9900、1.9501和2.0434,表明均不存在自相关,序列DLNLC、DLNLP 和DULC 实际值与拟合值的折线图(见图4~6)也表明,残差值较小,大部分实际值与拟合值还是比较接近的,预测较好的反映了小时劳动成本、劳动生产
表4
残差序列
DLNLC 、DLNLP 与DULC 残差序列单位根检验结果
T 值
临界值(1%)临界值(5%)临界值(10%)-3.8085-3.0207-2.65040.0095P 值
和ULC t =ULC t -1+DULC t ,可分别
得到劳动生产率与单位劳动成本时间序列关于模型ARIMA (1,1,2)和ARIMA (2,1,1)的预测公式:
LP t =e μt -1
LNLP t -1+0.0792+0.529DLNLP t -1+0.3802μt -1+0.615μt -2
(8)(9)
ULC t =ULC t -1+0.0442-0.6019DULC t -1-0.9974
至此,便可利用1985~2007年数据建立的模型来预测2008~2015年的小时劳动成本、劳动生产率以及单位劳动成本,预测结果如表5所示。
表5
年份LP 预测值
LC 、LP 和ULC 关于ARIMA 模型的预测值2008
2009
2010
2011
2012
2013
2014
2015
LC 预测值1.13381.36201.14451.36821.14081.37301.13681.3780ULC 预测值0.32790.28580.35460.31000.34790.30580.37460.3300
[***********][***********]9879
运用ARIMA 模型对成本竞争优势相关指标进行预测,不仅预测结果准确性高,而且预测结果的稳定性好,而这正是有效预测中所必须的。表5的预测结果表明,小时劳动成本和劳动生产率在预测区间内保持了增长趋势,其中小时劳动成本年均增长率为3.33%,劳动生产率的年均增长率为6.46%,虽然劳动生产率的增长速度仍大于劳动力成本的增长速度,但是两者之间的增长幅度逐渐变小,从而导致了单位劳动成本的预测值呈现了细小的上升趋势,年均增长速度为0.11%。虽然增幅很小,但是却不可忽视这一变动:一方面,劳动力成本虽然在上升,但是上升幅度较1980~2007年而言,是变小的,劳动者报酬增加对于人力资本的积累有着
RESID (DLNLC )RESID (DLNLP )-3.8332RESID (DULC )72
统计与决策2011年第18期(总第342期
)
专业市场国际化发展水平评价指标体系构建
曹晶晶
(义乌工商学院外语外贸分院,浙江义乌322000)
摘
要:文章通过对专业市场国际化内涵的深入理解,确立专业市场国际化发展水平的评价因
素,构建专业市场国际化发展水平的评价指标体系,并以AHP 评价法为范例构建具体评价模型,以确定各具体指标对专业市场国际化发展水平的影响程度。
关键词:专业市场国际化;评价指标体系;层次分析法(AHP )中图分类号:F222
文献标识码:A
文章编号:1002-6487(2011)18-0072-03
从事外贸供货业务。然而,对于专业市场国际化发展水平的
评价,目前尚未形成统一的评价标准。课题组对专业市场国际化的基本内涵进行深入分析,构建度量专业市场国际化发展水平的综合评价指标体系,运用层次分析法,定性分析和定量分析相结合,对我国专业市场国际化发展水平的评价和方法进行探讨,以期为找到提升专业市场国际化水平的有效途径提供借鉴与参考。
0引言
入世以来,面对日趋复杂的国际国内环境,我国专业市场特别是大型专业市场开始功能创新和转型升级,出现国际化的发展趋势。例如,2010年我国最大的小商品批发市场——义乌中国小商品城的商品已经出口到世界215个国家和地区,市场外向度高达60%以上,95%以上的市场经营户
基金项目:2009年浙江省高职高专特色专业资助项目(TZZ09084);金华市社会科学联合会2010年度重点课题(151)作者简介:曹晶晶(1982-),女,浙江义乌人,硕士,讲师,研究方向:国际贸易。举足轻重的作用[1],因此,在未来应该适当引导劳动者报酬的上涨,以确保代际间劳动力素质提升的物质基础;另一方面,劳动生产率虽然也在上升,但是上升幅度却变小了,意味着来源于效率方面的竞争优势并未得到进一步的改善,两者变动的综合作用导致了单位劳动成本的小幅度上升。也就是说,若不采取相应的调整措施,按着目前的趋势发展下去,中国制造业成本竞争优势在未来八年内将会出现细微程度的削弱。
中国制造业劳动力成本与劳动生产率保持着不断上升的趋势,而单位劳动成本指标所展现的竞争优势在2000年后表现出了平稳发展趋势在预测中变成了小幅增长,暗示着效率方面的提升发展缓慢,因此,在未来发展中应更加注意来自效率方面对成本竞争优势的提升效应,这些结论对于今后制定制造业的发展措施,保持甚至增强竞争优势有着重要的启迪意义。
随着中国劳动者收入与要素价格的上升,低成本竞争优势正在受到削弱。另外,随着科学发展观的逐步落实,先前被低估的劳动要素将会不断的被校正,而国际贸易保护主义的盛行,都将对我国制造业的成本竞争优势形成挑战,当然,正如本文所拟合的模型预测所示,单位劳动成本在未来的八年力将会小幅度上升,即中国的低成本竞争优势不会在一个瞬间消失,但是这种优势的削弱已经潜伏在前方不远处,这
参考文献:
[1]刘勇,汪旭晖. ARIMA 模型在我国能源消费预测中的应用[J].经济经纬,2007, (5).
[2]潘红宇. 时间序列分析[M].北京. 对外经济贸易大学出版社,2006, (1).
[3]孟凡强.ARIMA 模型在空气污染指数预测中的应用[J].统计与决策,2009,(7).
[4]Cheng,W. ,Liu ,M. ,Yang ,X. A Ricardo Model with Endogenous Comparative Advantage and Endogenous Trade Policy Regime[M]. Economic Record ,2006.
一点,近几年东南沿海地区已经明显表现出来。由于长三角与珠三角地带在中国制造业中产出所占比重较大,经济活力最强,成本竞争优势的削弱趋势将会较其他地区要更为凸显。因此,如何在这种消弱趋势加重之前,逐步扭转,恢复甚至增强低成本竞争优势,对于整个制造业而言,是一个重要的挑战和机遇,而来自效率方面对竞争优势的促进作用,更为关键的则在于如何有效积累高水平的人力资本,在高素质劳动力的配套条件下培育以技术创新、技术进步为基础的低成本竞争优势,其紧迫性从来没有像目前如此的突出,因为它关系到今后十年,甚至是更长时间内中国制造业能否保持在国际中的成本竞争优势以及国际地位。
(责任编辑/浩天)
统计与决策2011年第18期(总第342期
)
73