Skip to main content
فهرست مقالات

ارائه ی یک الگوی شبکه ی عصبی برای تخمین روابط هزینه - فعالیت در بودجه ریزی بر مبنای عملکرد

نویسنده:

کلیدواژه ها :

شبکه‌های عصبی مصنوعی ،هزینه‌یابی بر مبنای فعالیت ،بودجه‌ریزی بر مبنای عملکرد ،تخمین روابط هزینه

کلید واژه های ماشینی : هزینه ، هزینه ، بودجه‌ریزی بر مبنای عملکرد ، بودجه‌ریزی بر مبنای عملکرد ، شبکه‌های عصبی ، شبکه‌های عصبی ، بودجه ، محرک‌های ، محرک‌های ، تخمین روابط هزینه

چگونگی مرتبط کردن داده های عملکردی با بودجه به عنوان یکی از مفاهیم اساسی بودجه ریزی بر مبنای عملکرد، از دغدغه های پژوهشگران بودجه ریزی و مدیران است. نحوه انتساب فعالیت ها به منابع و مشخص کردن سهم محرک های منبعی، یکی از پیچیده ترین بخش های بودجه ریزی بر مبنای عملکرد است. در اغلب روش های مرسوم برای هزینه یابی و بودجه ریزی، معمولا فرض می شود رابطه ای خطی بین فعالیت ها و هزینه ها وجود دارد. در حالی که یک تابع هزینه، در عمل، همیشه خطی نیست و خطی فرض کردن آن، منجر به محاسبات اشتباه در بودجه فعالیت ها، خروجی ها و برنامه ها خواهد شد. در مقاله حاضر، برای حل مسئله تخمین رابطه بین فعالیت ها و منابع (هزینه ها) از رویکرد شبکه های عصبی مصنوعی استفاده شده است. برای آموزش و آزمون مدل شبکه عصبی، از داده های بانک تجارت ایران استفاده شده است. ویژگی متمایزکننده این الگو نسبت به سایر الگوها، در نظر گرفتن روابط بین هزینه – مرکز هزینه، به صورت غیرخطی است. معماری خاص شبکه پیشنهادی (معماری چندلایه پیش خور با ارتباطات پرشی) باعث می شود تا علاوه بر پیش بینی هزینه، مقدار سهم محرک های منبعی نیز از مدل قابل استخراج باشد. مقایسه نتایج به دست آمده از الگوی پیشنهادی برای مقدار محرک ها با نتایج نظرسنجی از خبرگان برای محرک های منبعی، اختلاف قابل قبولی را نمایش می دهد.

خلاصه ماشینی:

"Activity Based Costing Performance Based Budgeting Cost deriver Cost Estimation Relationship Deriver علاوه بر این، به اعتقاد پژوهشگران، به دست آوردن مقدار سهم محرک‌های منبعی، یکی از پیچیده‌ترین و وقت‌گیرترین فازهای بودجه‌ریزی بر مبنای عملکرد است، به نحوی که گزارش‌های متعددی درباره متوقف شدن کار بودجه‌ریزی بر مبنای عملکرد، در این مرحله موجود است (Shah & Chunli, 2007). جدول (4): جدول معماری و روش آموزش انتخاب شده برای هر شبکه (رجوع شود به تصویر صفحه) Supervised Learning (رجوع شود به تصویر صفحه) استفاده از مدل‌های ایجاد شده برای تخمین مقدار محرک‌ها در بانک تجارت پس از تعیین ویژگی‌های هر یک از شبکه‌های عصبی تشکیل شده، اکنون می‌توان با استفاده از هر کدام از آن‌ها با دادن یک ورودی جدید (تعداد تکرار فعالیت جدید) به تخمین منبع مورد نیاز (هزینه پیش بینی شده) پرداخت یا پس از به تعادل رسیدن شبکه، از وزن‌های به دست آمده در شبکه به عنوان مقدار محرک‌های منبع استفاده کرد. جدول (6): سهم محرک‌های هزینه‌های ارتباطات و مخابرات در حوزه تخصیص (رجوع شود به تصویر صفحه) اعتبار سنجی نتایج به دست آمده علاوه بر انجام آزمون‌های معمول، به منظور ارزیابی عملکرد شبکه عصبی که نتایج آن‌ها در بخش‌های قبل بیان شد، برای ارزیابی الگوها، نتایج به دست آمده از الگوهای شبکه عصبی برای مقادیر محرک‌ها، در بین خبرگان بودجه‌ریزی در بانک تجارت مطرح گردید و برای یکی از الگو‌ها (شبکه هزینه‌های پرسنلی) که دسترسی به اطلاعات آن برای خبرگان ساده‌تر بوده است، مقادیر واقعی با استفاده از فرمول‌های محرک‌های منبعی و نظر کارشناسان استخراج شده و با نتایج حاصل از شبکه، مقایسه شده است."


برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.