能源行業研發項目的人月費率估算研究與分析

白耀清 許相東

摘要：本文為獲取軟件研發項目人員工作而需要支付的每月費用合計，通過定量分析方法，計算合理人月費用，幫助企業合理規劃軟件成本。軟件研發項目的人月費率中包含軟件開發的直接人力成本、間接人類成本、間接非人力成本及合理利潤，但不包括直接非人力成本。根據企業的管理需求，在本文中分別給出了“人月費用（含差旅）”和“人月費用（不合差旅）”的測算結果。

關鍵詞：信息化建設;軟件成本;數據分析

1 概述

1.1 目的和目標

隨著信息化技術的快速發展，信息技術已廣泛應用到企業各個產業領域，信息化建設廣度和深度也在逐步擴大。同時，對信息化建設工作的重要載體一一信息化建設項目提出了更高的要求。如何對不同類型的信息化建設項目進行準確度量、合理取費，定量計價成為信息化項目投資管控的一大難題。

信息化建設工作中人月費率的確定直接影響到項目的建設成本，是企業關注的重點，本項目從行業數據分析角度，確定合理人月費率給企業實際應用帶來參考。

1.2 術語與縮略語

1.2.1 人月費率

為獲取人員工作而需要支付的每月費用合計。在國家標準中，軟件研發項目的人月費率中包含軟件開發的直接人力成本、間接入類成本、間接非人力成本及合理利潤，但不包括直接非人力成本。根據企業的管理需求，在本文中分別給出了“人月費用（含差旅）”和“人月費用（不含差旅）”的測算結果。

1.2.2 角色標準

對每一種項目角色，給出類型和名稱，定義最低工作經驗要求（單位是年）。這是采集和統計數據的基準。

1.2.3 基準角色

在原人工取費標準中，為便于對不同人員角色費用的換算和對比，將換算倍率（權重）為“1”的人員角色定義為基準角色。本文中，維持原有的人員角色基本不變，同時也維持原有的基準角色，支持同原人工取費標準的差異比較。定制開發類項目中的“基準角色”是“中級開發工程師”;套裝軟件類是“套裝軟件實施工程師”;規劃咨詢類是“規劃咨詢顧問”;運營支撐類是“運維工程師”;安全類是“安全助理”。

1.2.4 基準值

全稱是項目基準角色費率值;是在各類項目中，被指定為基準角色人員的費率。原人工取費標準中，“基準值”是項目中其他人員角色費用換算的基準對象，其他各級別角色的人工費率以基準值乘以級別換算倍率計算。本項目通過數據統計測算每種角色的費用，通過基準角色與其他角色與比較，逆算出級別換算倍率。

1.2.5 標準值

全稱是項目單位工作量的標準費用值;是項目中各角色人工費率乘以其在項目總工作量中所占比例后的匯總值，代表正常情況下，項目每單位工作量的平均費用。這個值受各類項目的工作量分布和對應角色費用的影響。

1.2.6 配比系數

全稱是項目人員工作量配比系數;是各類項目的人工費用標準值與基準值的比值。用于直觀感受項目中各類角色的工作量分配比例和費用情況。

1.3 基本原則

本次數據分析的基本原則是在充分了解行業人工取費水平的同時，兼顧企業信息化建設項目特殊性及歷史情況，并通過對標行業水平，拉動集團相關能力逐步提升。主要工作策略包括：

（1）全面調研行業數據：利用行業基準數據并充分開展同類企業定向調研，不同數據交叉驗證。主要數據來源包括能源行業基準數據、同類企業（能源行業大型國企）定向調研數據及第三方機構（薪酬網）委托調研數據，樣本有效時間均處于2019年4月1日至2020年3月31日之間，涉及126個城市，27類崗位，樣本總計超24000個;

（2）有效結合集團公司歷史情況及現狀充分利用原工作成果，基于原各崗位人工取費標準及行業人月費率增長數據，推算各崗位新人工取費標準可能值，并與行業數據測算結果交叉驗證，形成各崗位人工費率最終推薦值，以保證新標準既處于行業數據合理范圍，也能夠最大化地貼近集團實際情況;

（3）數據分析方法適應性調整本次測算工作相較原測算工作，以相對小樣本的定向數據為主變為小樣本定向數據與大樣本行業數據相結合。數據來源的不同導致數據處理方法及要點發生變化，大樣本行業數據的處理關注異常處理、規格化處理（如地域、分級及級差測算）。在使用行業數據時，重點關注中值（P50）、相對低值（P25）和相對高值（P75），而將超過P90或不足P10的數據視為異常數據，通常也不與P90或P10對標，而是視為不應逾越的紅線。

本次測算工作的主要內容包括：

（1）保持“項目分類”和“人員分類（角色）”基本不變;

（2）新增“人員分級標準（角色標準）”;

（3）修訂“人員費率標準（角色費用基準值、項目費用標準值、項目配比系數）”;

（4）修訂“人員級差”，支持對角色標準和角色系數的優化和調整。

1.4 數據分析過程

本次數據分析的主要流程如圖1所示。

對于主要數據及標準的分析要點如下：

（1）確定人月費率：主要借鑒能源行業及同類企業（如中石油、中石化、國網、南網、國家核電等）數據，以及相關定向研究報告結論，測算不同類型人員人月費率中值（P50）及合理范圍，同時根據集團下屬及關聯公司歷史數據推算相關單位當前人月費率水平及范圍，并與能源行業數據測算范圍交叉驗證，盡量確保最終確定人月費率落于行業數據測算范圍之內;若超出行業數據測算范圍，則取行業數據測算高值（或低值）;

（2）分類分級：主要基于當前分類分級方式，適當微調（增加安全相關）;

（3）確定人員級差：以行業人員分級模型為基礎適度簡化，以提高模型的適用性和易用性，并用于對原始數據的規格化處理。

以下通過示例說明人月費率的確定方式。

假設崗位A的人月費率行業數據測算結果及基于集團原標準推算的數據如圖2所示。

此時集團推算數據與行業數據有交集，則推薦值取行業數據測算結果與集團數據推算結果的均值。即該崗位新的人月費率建議值為（3.39+3.92） /2-3.66（萬元/人月），其計算結果如圖3所示。

而如果崗位A的集團推算數據為4.57萬元/人月，此時集團數據與行業數據測算結果交集為空，則推薦值取行業數據測算結果高值或低值。即該崗位新的人月費率建議值為4.06萬元/人月。其計算結果如圖4所示。

2 主要數據來源

2.1 行業基準數據

CSBMK-2019年中國軟件行業基準數據非常客觀和清晰，能夠為項目在大維度的數據度量上提供指導。

大維度數據包括軟件項目人力成本、城市間費用差異、年度之間成本費用變化等。在本項目中，直接和間接使用的數據包括：

2.1.1 典型城市軟件開發人月費率變化情況

如表2所示。

2.1.2 費率一薪酬轉化系數

“費率一薪酬轉化系數”通常用于在已知相關人員人月費率的情況下推算其薪酬水平，或者在已知相關人員薪酬水平的前提下測算其人月費率;計算公式為：

人月費率一人員薪酬水平×轉換系數

[注：“人員薪酬水平”指人員的平均月度總收入，包括月薪、福利和年終獎等。]

在人工取費標準的測算過程中，對數據做規格化處理過程中需要使用“費率一薪酬轉化系數”。本項目依據行業數據（CSBMK R 201906）中能源行業的796個高可信樣本，其中組織級樣本34，團隊級樣本547個，項目級樣本215個;利用每個樣本中的平均人月費率數據除以平均人員薪酬數據，得到費率一薪酬轉化系數，然后計算所有費率一薪酬轉化系數的主要百分位數（PIO/P25/P50/ P75/90）。

本項目規格化處理使用的P50和P75數值，測算結果的使用如圖5所示。

2.2 能源行業的數據

能源行業有自己的項目分類方式和方法，這源于企業性質、業務能力和經營方式等。能源行業的每類項目的建設過程、工作量和角色安排，也有區別于其他行業的特點。

我們需要總結本行業的項目特點，建立項目分類、以及配套的項目角色分類和標準。

（1）數據來源：來自行業基準數據庫中1954套高可信度數據及互聯網招聘數據共計23417條，剔除無效及重復樣本后，有效樣本合計9607條。

（2）數據范圍：樣本有效時間均處于2019年4月1日至2020年3月31日之間，涉及126個城市，27類崗位。

（3）薪酬一費率轉換：對于原始數據為薪酬數據的，乘以行業數據中的費率一薪酬轉化系數中位數（2.21）。

（4）要求：剔除異常數據后，每類崗位的每個級別，有效樣本不低于30個。

2.3 同企業類數據

主要借鑒能源行業及同類企業（如中石油、中石化、國網、南網、國家核電等）的數據，以及相關薪酬研究報告數據，測算不同角色類型人員的人月費率中值（P50）及上下限等。

（1）數據來源：本次定向調研共收集745條數據（涉及中石油、中石化、國家電網、南方電網、國家核電等35家能源行業國有大型企業），剔除無效樣本后，有效樣本合計483條。

（2）數據范圍：樣本有效時間均處于2019年4月1日至2020年3月31日之間，涉及28個城市，18類崗位。

（3）地區規格化：以相關崗位北京地區人員為基準，采用行業數據（CSBMK⑧201906）各城市人月費率轉換系數進行折算，對于非副省級城市，歸類到A/B/C/D類數據后再折算。

（4）級差規格化：以相應級別中間水平為基準，采用級差模型進行規格化處理。

（5）薪酬一費率轉換：對于原始數據為薪酬數據的，乘以行業數據中的費率一薪酬轉化系數上限（2.49）。

（6）統計方法統計各崗位各級別薪酬數據并進行規格化處理，計算各百分位數后剔除異常數據，再次計算各百分位數，以P50為標準值，以P25和P75為上下限。

（7）其他要求：剔除異常數據后，每類崗位有效樣本不低于30個;每個崗位的每個級別，有效樣本不低于7個。

工作量估算方法：

[注：工作量×人工費率一費用，每類項目都有可用的工作量估算方法規則。對工作量估算方法的定義和使用限制等，在本次的咨詢活動中未作優化調整，本文“6數據使用”中依據的就是原“工作量估算方法”和使用規則，這里就不作重復展示了。]

3 數據處理與分析方法

3.1 數據處理

3.1.1 異常數據處理

數據統計過程中，常規的異常處理是指在數據分組中，剔除所有小于P10或大于P90的數據。（數據統計結果是在此基礎上做規格化和再次計算的各百分位數，以P50為標準值，以P25和P75為上下限。）

本項目在做角色級差測算的過程中，需要使用逐步去除最大偏離數據的方法，通過多次去除那些權重最低、數值偏離主體結構最大的數據，以獲取可用的級差模型和參數。

例如：

定制研發類項目中高級研發工程師費率的統計過程中，獲取的數據如圖6所示。

這些數據都可以作為人工取費的可用數據，卻不能全部直接用于角色級差測算。薪資與經驗關系如圖7所示。

如表3所示，去掉“倒數第3行”的數量6/經驗0/費用55729（數值最大和偏離最大），和“最后一行”無數量/經驗0/費用21952（無數量不可信）后，得到當前使用的測算結果。

3.1.2規格化處理

來源數據包含有多種不同的影響因素屬性，規格化是依據可度量的影響因素間的差異關系，通過影響因素的轉換系數去除干擾屬性，把需要的數據轉換出相同屬性（影響因素）下的數值。如圖9所示。