第2章成本性态(2)概述.pptVIP

[例2-2]．以例1的数据资料，用散布图法分解维修成本。 根据该厂今年上半年的历史成本数据，首先在坐标图上标出6个成本点，如图2－10所示： 维修费 120 100 80 60 40 20 0 1 2 3 4 5 6 7 8 9 业务量（千机器小时） a y- a 然后通过目测，在6个成本点之间画一条能反映半变动成本的平均变动趋势直线，并要求该直线与直线上下各成本点之间的误差之和相等。该直线与纵轴相截之处，就是维修费的固定成本总额（a），在2－10中，a = 58。 图上所画的半变动成本平均变动趋势直线的斜率，即b（单位变动成本），可用下列公式计算： b = (y – a ) / x =（120- 58）/ 9 = 6.89元/千机器小时 则 y = 58 + 6.89 x 0 x 业务量（件） y 成本（元） 散布图法的优缺点 数据有代表性存在视觉误差 一元直线回归法 一元直线回归法又称最小二乘法或最小平方法，是指利用微分极值原理对若干期全部业务量与成本的历史资料进行处理，并据此来推算固定成本a和单位变动成本b的一种成本性态分析方法。 回归直线法 回归直线法（regression line method） 回归直线法是一种较为精确的方法。它是根据过去一定期间的业务量和半变动成本的历史资料，应用最小平方法原理，算出最能代表业务量与半变动成本关系的回归直线，借以确定半变动成本中的固定成本和变动成本的方法。 回归直线法的基本原理是：先按散布图法把过去某一期间的半变动成本历史数据，逐一在坐标图上标明，然后通过目测，在各个成本点之间画一条能反映业务量与半变动成本关系的平均变动趋势直线。但如前所述，画这一直线时，往往会因人而异，究竟那一条较为准确呢？从数学的观点看，应选用全部观测数据（即成本点）的误差平方和最小的直线最为准确。这条直线在数理统计中称为“回归直线”。正因为这种方法要使所有成本点的误差的平方和达到最小值，故亦称为“最小平方法”（least-squares method）。 根据半变动成本的基本方程式：Y = a + b x，我们可以采用一组n个观测值来建立回归直线的联立方程式： ∑y = n a + b*∑x y ⑴ ∑x y = a*∑x + b*∑x2 ⑵ 于是得到: a = ⑶ b = ⑷ 据公式（4）和（3），将有关数据代入，先求b, 后求a 。最终就可把半变动成本分解为固定成本和变动成本。 [例2-3]．根据例2－1的资料，用回归直线法分解半变动成本。 首先，根据今年上半年六个月的维修费资料进行加工，计算出求a 与b 的值所需要的有关数据，如表2－4所示： 月份 业务量(x) （千机器小时） 维修费(y) （元） x y x2 1 2 3 4 5 6 6 8 4 7 9 5 110 115 85 105 120 100 660 920 340 735 1080 500 36 64 16 49 81 25 N=6 =39 =63 =4，235 =27 其次，根据表2－4中最后一行的合计数，代入上述（3）和（4）两个公式，分别计算 a与b 的值： a = = =65.92元 b = = =6.14元/千机器小时 a 与b 的值既为已知，那么维修费的半变动成本公式就可确定为： y = a + b x = 65.92+6.14x 高低点法 散布图法 回归直线法 具体方法 优 点 缺 点 简便易行 代表性差、误差大 代表性强 客观性差、结果不惟一 计算精度高 公式复杂、数据量大 历史资料分析法具体方法的优缺点 怎样判断一条直线方程就是我们所要找的所有误差最小的那条直线y=a+bx 呢？可以考虑的办法有三： 第一，判断所有误差的代数和是否最小。即： Σei =0 但由于误差有正有负，可能相互抵消，会存在无数满足上述条件的直线，因而