تخمین تابع هزینه-فعالیت در هزینه‌یابی بر مبنای فعالیت با استفاده از الگوی ترکیبی شبکه‌های عصبی-تحلیل پوششی داده‌های چندلایه در بانک مسکن

هزینه یابی بر مبنای فعالیت از زمان معرفی شدن تا کنون توجهات زیادی را به خود جلب کرده است. لیکن عملا مشکلات اجرایی در پیاده سازی این نظام هزینه یابی وجود دارد که باعث می شود علیرغم برتری محاسباتی هزینه یابی بر مبنای فعالیت نسبت به هزینه یابی سنتی، سازمان ها و شرکت ها همچنان علاقمند به استفاده از این روش هزینه یابی نباشند. در پژوهش حاضر مشکلات اجرایی که عملا در پیاده‌سازی هزینه‌یابی بر مبنای فعالیت وجود دارد، بررسی گردیده و برای حل مسئله تخمین رابطه هزینه فعالیت (cer) و همچنین کاهش هزینه‌های انجام زمان‌سنجی در سازمان‌ها از رویکرد شبکه‌های عصبی مصنوعی استفاده شده است. جامعه آماری تحقیق کلیه شعب بانک مسکن می‌باشد که با استفاده از روش تحلیل پوششی داده‌های چند لایه (ci dea) و بر اساس مشابهت عملکرد در سال 1395 خوشه‌بندی گردیده و 450 شعبه به عنوان نمونه انتخاب گردید و برای آموزش و آزمون مدل شبکه‌های عصبی استفاده شده است. ویژگی متمایزکننده این الگو نسبت به سایر الگوها در نظر گرفتن رابطه بین هزینه فعالیت بصورت غیرخطی است. معماری خاص شبکه پیشنهادی باعث می‌شود تا علاوه بر پیش‌بینی هزینه فعالیت، مقدار سهم محرک منبعی (زمان) که به عنوان محرک تسهیم هزینه به فعالیت در مدل اجرایی مرسوم، استفاده می‌شود نیز از مدل قابل استخراج باشد. نتایج rmse و mae مدل معرفی شده نشان داد که مدل ارائه شده قابلیت تخمین رابطه هزینه فعالیت را دارا می‌باشد.

Estimation of costactivity function in activitybased costing using combination of neural networksMultilayer data envelope analysis in Maskan Bank

Activitybased costing since it’s introduction has attracted so much attention. There are, however, practical problems in implementing this costing system, which, in spite of the computational superiority of activitybased costing compared to traditional costing, organizations and companies are still not interested in using this costing method. In the present study, implementation problems that are practically related to implementation of activitybased costing have been investigated and artificial neural networks have been used to solve the problem of estimating the costactivity relationship (CER) as well as reducing the costs of doing timing in organizations. The statistical population of the research is all branches of Maskan Bank which has been clustered using CIDEA Data Envelopment Analysis (CIDEA) and based on performance similarity in 1395. 450 branches were selected as samples and used to train and test the model of neural networks. The distinctive feature of this pattern is to consider nonlinear relationship between costactivity and other patterns. The proposed architecture of network makes it possible, in addition to the costofactivity forecast, to be extrapolated from the model, the amount of costdriven input (time) used as a costsharing actuator to the activity in the conventional executive model. The results of the RMSE and MAE models showed that the proposed model has the capability to estimate the costactivity relationship.