تخمين تابع هزينه-فعاليت در هزينه‌يابي بر مبناي فعاليت با استفاده از الگوي تركيبي شبكه‌هاي عصبي-تحليل پوششي داده‌هاي چندلايه در بانك مسكن

هزينه يابي بر مبناي فعاليت از زمان معرفي شدن تا كنون توجهات زيادي را به خود جلب كرده است. ليكن عملا مشكلات اجرايي در پياده سازي اين نظام هزينه يابي وجود دارد كه باعث مي شود عليرغم برتري محاسباتي هزينه يابي بر مبناي فعاليت نسبت به هزينه يابي سنتي، سازمان ها و شركت ها همچنان علاقمند به استفاده از اين روش هزينه يابي نباشند. در پژوهش حاضر مشكلات اجرايي كه عملا در پياده‌سازي هزينه‌يابي بر مبناي فعاليت وجود دارد، بررسي گرديده و براي حل مسئله تخمين رابطه هزينه فعاليت (CER) و همچنين كاهش هزينه‌هاي انجام زمان‌سنجي در سازمان‌ها از رويكرد شبكه‌هاي عصبي مصنوعي استفاده شده است. جامعه آماري تحقيق كليه شعب بانك مسكن مي‌باشد كه با استفاده از روش تحليل پوششي داده‌هاي چند لايه (CI DEA) و بر اساس مشابهت عملكرد در سال 1395 خوشه‌بندي گرديده و 450 شعبه به عنوان نمونه انتخاب گرديد و براي آموزش و آزمون مدل شبكه‌هاي عصبي استفاده شده است. ويژگي متمايزكننده اين الگو نسبت به ساير الگوها در نظر گرفتن رابطه بين هزينه فعاليت بصورت غيرخطي است. معماري خاص شبكه پيشنهادي باعث مي‌شود تا علاوه بر پيش‌بيني هزينه فعاليت، مقدار سهم محرك منبعي (زمان) كه به عنوان محرك تسهيم هزينه به فعاليت در مدل اجرايي مرسوم، استفاده مي‌شود نيز از مدل قابل استخراج باشد. نتايج RMSE و MAE مدل معرفي شده نشان داد كه مدل ارائه شده قابليت تخمين رابطه هزينه فعاليت را دارا مي‌باشد.