کاربرد مدل تلفیقی مبتنی بر فعالیت میانه زمان گرای عصبی- مصنوعی (tdiabc-anfis) در هزینه یابی شرکت های دولتی (مورد مطالعه؛ شرکت گاز استان هرمزگان)

به‌دلیل محدودیت‌های هزینه‌یابی بر مبنای فعالیت سنتی (abc) از جمله داشتن هزینه‌های زیاد مصاحبه با اشخاص، استفاده از روش‌های ذهنی و هزینه‌زا برای تایید اعتبار تخصیص‌ها، مشکلات نگهداری و به‌روز رسانی و ...، محققان الگوی هزینه یابی بر مبنای فعالیت زمان‌گرا (tdabc) یا الگوی هزینه‌یابی بر مبنای فعالیت میانه زمان‌گرا (tdiabc) را پیشنهاد دادند. لیکن در مدل‌های یاد شده فرض می‌شود بین هزینه و فعالیت رابطه خطى وجود دارد، در صورتی‌که تابع هزینه همیشه خطى نیست. برای حل این مشکل و افزایش دقت هزینه‌یابی، می‌توان از مدل‌های هوش مصنوعی و فازی استفاده کرد. لذا در پژوهش حاضر برای نخستین بار به تلفیق روش tdiabc با مدل عصبی- فازی (anfis) و مطالعه موردی شرکت گاز استان هرمزگان پرداخته شد. برای این منظور، هزینه فعالیت‌ها بر اساس روش‌های abc، iabc، tdiabc و tdiabcanfis محاسبه شد. در نهایت، نتایج مدل‌ها با شاخص میانگین قدر مطلق خطا (mad) با abc مقایسه شد. نتایج نشان داد که mad در iabc معادل 0/74، در tdiabc معادل 0/63 و در تمامی ساختارهای طراحی شده tdiabcanfis، در بازه (0/515، 0/245) می‌باشد. در نتیجه هزینه‌یابی بر حسب tdiabcanfisاز دقت بیشتری در مقایسه با abc، iabc و tdiabc برخوردار می‌باشد. همچنین، در میان ساختارهای طراحی شده tdiabcanfis، ساختار gauss3- transig دارای کمترین خطا (0/245) می‌باشد. در نهایت، از آنجاکه نتایج نشان داد در میان مدل‌های مورد بررسی، مدل tdiabcanfis به‌دلیل غیرخطی و فازی کردن رابطه هزینه‌ها و فعالیت‌ها، از دقت بیشتری برخوردار می‌باشد، به مسئولان حوزه حسابداری مدیریت شرکت‌ها پیشنهاد شد جهت تخصیص بهینه هزینه‌ها از این الگوی نوین استفاده کنند.

Application of integrated model based on neuro-artificial median temporal activity (TDIABC-ANFIS)In costing state-owned companies (Case study; Hormozgan Gas Company)

Given the drawbacks of the conventional ActivityBased Costing model (ABC), including the high costs of interviewing individuals, application of subjective and costly methods for the validation of allocations, as well as the maintenance and renovation issues, etc., the costing model researchers have proposed the TimeDriven ActivityBased Costing (TDABC) model or TimeDriven Intermediate ActivityBased Costing (TDIABC) model. In TDABC and TDIABC models, a linear association is presumed between cost and activity, while the cost function is not always linear. Artificial intelligence (AI) and fuzzy logic models could be used to resolve this issue and further improve the costing accuracy. Accordingly, the present study implemented the TDIABC method in combination with the Adaptive NeuroFuzzy Inference System (ANFIS) model for the first time and further embarked on a case study of the Hormozgan Province Gas Company. To this end, activity costs were determined based on the TDIABC, IABC, ABC, and TDIABCANFIS methods, respectively. At last, the costing results based on the Mean Absolute Deviation (MAD) were compared with the ABC method’s results. The comparison results denoted that MAD in IABC is 0.74, 0.263 in TDIABC, and within the (0.245, 0.515) range in all structures designed via TDIABCANFIS. Hence, TDIABCANFIS costing is confirmed to be more accurate in comparison to the ABC, IABC, and TDIABC methods. Also, the GaussTransig3 structure was determined to render the lowest error (0.245) among all structures designed with the TDIABCANFIS method.