ارايه يك الگوي شبكه عصبي براي تخمين روابط هزينه- فعاليت در بودجه ريزي بر مبناي عملكرد

A Neural Network Model for Activity-Cost Relationship Estimation in Performance-based Budgeting

چگونگي مرتبط كردن داده‌هاي عملكردي با بودجه به عنوان يكي از مفاهيم اساسي بودجه‌ريزي بر مبناي عملكرد، از دغدغه‌هاي پژوهشگران بودجه‌ريزي و مديران است. نحوه انتساب فعاليت‌ها به منابع و مشخص كردن سهم محرك‌هاي منبعي، يكي از پيچيده‌ترين بخش‌هاي بودجه‌ريزي بر مبناي عملكرد است. در اغلب روش‌هاي مرسوم براي هزينه‌يابي و بودجه‌ريزي، معمولاً فرض مي شود رابطه اي خطي بين فعاليت ها و هزينه ها وجود دارد. در حالي كه يك تابع هزينه، در عمل، هميشه خطي نيست و خطي فرض كردن آن، منجر به محاسبات اشتباه در بودجه فعاليت‌ها، خروجي‌ها و برنامه‌ها خواهد شد. در مقاله حاضر، براي حل مسيله تخمين رابطه بين فعاليت‌ها و منابع (هزينه‌ها) از رويكرد شبكه‌هاي عصبي مصنوعي استفاده شده است. براي آموزش و آزمون مدل شبكه عصبي، از داده‌هاي بانك تجارت ايران استفاده شده است. ويژگي متمايزكننده اين الگو نسبت به ساير الگوها، در نظر گرفتن روابط بين هزينه – مركز هزينه، به صورت غيرخطي است. معماري خاص شبكه پيشنهادي (معماري چندلايه پيش‌خور با ارتباطات پرشي) باعث مي‌شود تا علاوه بر پيش‌بيني هزينه، مقدار سهم محرك‌هاي منبعي نيز از مدل قابل استخراج باشد. مقايسه نتايج به دست آمده از الگوي پيشنهادي براي مقدار محرك‌ها با نتايج نظرسنجي از خبرگان براي محرك‌هاي منبعي، اختلاف قابل قبولي را نمايش مي‌دهد.

One of the concerns of budgeting researchers and managers is how to relate performance data to budget as one of the key concepts of performance-based budgeting. One of the most intricate parts of performance-based budgeting is how to attribute activities to resources and determine the shares of resource drivers. In most customary costing and budgeting methods, it is usually assumed that there is a linear relationship between activities and costs. However, a cost function is not always linear in practice and presuming it as linear would lead to faulty calculations in the budgets of activities, outputs and plans. This article uses artificial neural networks to solve the problem of estimating the relationship between activities and resources (costs). The data of Tejarat Bank of Iran were used to train and test the neural network model. The distinguishing characteristic of this model in comparison to other models is that it considers cost-cost center relationship as non-linear. Special architecture of the suggested network, i.e. multilayer feed-forward network architecture with jump connections, makes it possible not only to forecast costs but also to extract the share value of the resource drivers out of the model. When the results of the suggested model on the value of drivers were compared with the results of experts’ opinion poll on the resource drivers, an acceptable difference was shown.