商婷婷 陳亞盛

【摘要】隨著中國對外開放進程的加快，高科技產(chǎn)業(yè)迎來了更加嚴峻的挑戰(zhàn)，只注重新產(chǎn)品開發(fā)或技術(shù)開發(fā)已不足以滿足企業(yè)發(fā)展的需要。企業(yè)應(yīng)該關(guān)注其項目成本管理能力，尤其需要選擇合理的方法預(yù)測項目成本。本文通過探究作業(yè)成本法和機器學習各自的特點，嘗試將兩者結(jié)合起來，確定一種符合企業(yè)項目成本特點的預(yù)測方法。通過本文案例公司的數(shù)據(jù)測試，作業(yè)成本法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合構(gòu)建的成本分析模型誤差控制在4%以內(nèi)，表明此法在成本預(yù)測方面有一定的適用性，可用于高科技企業(yè)項目成本預(yù)測。

關(guān)鍵詞 作業(yè)成本法 成本動因 BP神經(jīng)網(wǎng)絡(luò) 項目成本預(yù)測

一、引言

過去三十多年，中國高科技產(chǎn)業(yè)飛速發(fā)展，不斷帶動經(jīng)濟朝著更健康的方向發(fā)展，成為中國產(chǎn)業(yè)結(jié)構(gòu)調(diào)整的中堅力量。但是，高科技產(chǎn)業(yè)在成本管理方面面臨著更加嚴峻的挑戰(zhàn)，以往傳統(tǒng)的項目成本管理模式單調(diào)滯后，通常只有事后成本的計算，不利于成本的預(yù)算和差異分析。

隨著高科技產(chǎn)業(yè)發(fā)展進入新階段，上述成本管理方法已經(jīng)不符合高科技公司的需要。因此，必須更換成本管理方法，引入新的管理辦法——作業(yè)成本法（activity based costing）。作業(yè)成本法是根據(jù)事物的實質(zhì)特征，運用數(shù)理統(tǒng)計方法，進行統(tǒng)計、排列和分析，抓住主要矛盾，從而有區(qū)別地采取管理方式的一種定量管理方法。這種方法適用于不能依靠單一因素對復(fù)雜生產(chǎn)過程進行成本分配的高科技產(chǎn)業(yè)。本文嘗試用此法作為成本分配的基礎(chǔ)進行成本預(yù)測。

人工智能普遍應(yīng)用于各行各業(yè)，會計行業(yè)也在不斷探索人工智能的潛力。本研究嘗試將監(jiān)督式學習運用到企業(yè)的項目成本預(yù)測中，讓計算機根據(jù)公司全成本系統(tǒng)中記錄的以往成本和作業(yè)信息的標準答案進行學習，通過比較測試集的計算機預(yù)測結(jié)果與標準答案之間的差異，不斷調(diào)整算法模型的參數(shù)，使得計算機的預(yù)測結(jié)果逐漸提高準確率，從而靠近標準答案，以實現(xiàn)未來對新項目成本的預(yù)測。根據(jù)預(yù)測結(jié)果可以進行后續(xù)的項目選擇和定價，實現(xiàn)人工智能在公司管理會計運用上的突破。

在實踐中，公司可以在考慮成本效益原則的基礎(chǔ)上，盡可能多地建立作業(yè)成本庫，從而使模型的預(yù)測更加精準，節(jié)省公司人力財務(wù)成本，帶來預(yù)期收益。

二、案例描述

（一）案例企業(yè)背景

河北某科技有限公司2005年成立，注冊資本200萬元，主要經(jīng)營天線自動測量設(shè)備、雷達遙控遙測設(shè)備、天線系列產(chǎn)品、軟件研發(fā)、射頻網(wǎng)絡(luò)應(yīng)用產(chǎn)品的設(shè)計、生產(chǎn)和服務(wù)，被河北省科學技術(shù)廳認定為河北省高新技術(shù)企業(yè)。對一個正在發(fā)展中的高科技公司來說，準確預(yù)估項目成本從而選擇出正確的可帶來預(yù)期收益的項目，并進行準確定價是公司能否實現(xiàn)資金流通，從而得到良性發(fā)展的關(guān)鍵。本文嘗試運用作業(yè)成本法先將所選公司的項目成本劃分成若干成本作業(yè)庫，找出成本動因，再利用BP神經(jīng)網(wǎng)絡(luò)在學習歷史數(shù)據(jù)的基礎(chǔ)上對未來項目成本進行預(yù)測，使得案例公司的項目成本預(yù)測更加準確。

（二）原成本核算存在的問題

案例公司所采用的傳統(tǒng)的成本核算方法將制造費用按照每種產(chǎn)品所耗用的直接人工（或機器小時）分配到產(chǎn)品中去。這種方法的隱含假設(shè)是制造費用的消耗與生產(chǎn)的各產(chǎn)品的產(chǎn)量成正比，因而成本分配是否正確就取決于制造費用是否真正與產(chǎn)量相關(guān)。如果各產(chǎn)品消耗的制造費用恰好與其產(chǎn)量成正比，那么傳統(tǒng)的成本核算方法既正確又簡便。但實際上，產(chǎn)品的差異性很大，導(dǎo)致其生產(chǎn)工藝的差異化，不同的產(chǎn)品型號、不同的采購需求、不同的技術(shù)人員需求等都會導(dǎo)致產(chǎn)品以不同于產(chǎn)量的比例來消耗制造費用。因此，生產(chǎn)工藝復(fù)雜而產(chǎn)量較小的產(chǎn)品可能分配到較少的成本，生產(chǎn)工藝簡單卻有較大產(chǎn)量的產(chǎn)品可能分配到大部分的成本。這會導(dǎo)致成本的分配與實質(zhì)嚴重不符，不僅會影響產(chǎn)品定價，還會影響管理者進行正確的經(jīng)營決策。

（三）作業(yè)成本法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合的適用性

1.作業(yè)成本法在高科技企業(yè)的適用性

作業(yè)成本法在高科技企業(yè)計算成本時得到的結(jié)果更加準確。作業(yè)成本法在核算成本時能夠關(guān)注成本產(chǎn)生的本質(zhì)原因，從根源入手，對高科技企業(yè)這種成本誘因繁雜的產(chǎn)業(yè)更為適用，計算出的成本更加符合實際。同時，高科技企業(yè)的飛速發(fā)展伴隨著工藝流程的不斷更新變化，作業(yè)成本法可以更好地反映這種變化。而傳統(tǒng)成本法無法辨別。

作業(yè)成本法更適合高科技企業(yè)的要求。經(jīng)濟的發(fā)展對高科技企業(yè)提出了更嚴格的要求，僅僅依靠產(chǎn)品更新?lián)Q代來促進企業(yè)發(fā)展是不夠的，企業(yè)還需關(guān)注成本管理。而對于高科技企業(yè)來說，工藝流程是十分重要的。與此對應(yīng)的是間接成本的控制，作業(yè)成本法在核算間接成本方面的優(yōu)勢較大，更適合其成本管理的需求。同時，企業(yè)可以利用準確的計算結(jié)果來進行生產(chǎn)決策或制定定價戰(zhàn)略。

作業(yè)成本法可以有效利用企業(yè)搜集整理的大部分信息。隨著會計電算化和信息系統(tǒng)的不斷發(fā)展，高科技企業(yè)在信息系統(tǒng)的使用上更具優(yōu)勢。傳統(tǒng)成本計算方法只能簡單利用產(chǎn)量等最基本的信息。相比而言，作業(yè)成本法因為成本動因的存在，可以利用更多的存儲于信息系統(tǒng)中的信息。

作業(yè)成本法拓寬了成本核算范圍。作業(yè)成本法以作業(yè)為基礎(chǔ)進行成本核算，可以將傳統(tǒng)成本法中歸屬于固定成本的成本納入核算范圍，使項目的成本核算成為真正的全成本核算，對項目的盈利分析或是定價戰(zhàn)略更有利。

2.BP神經(jīng)網(wǎng)絡(luò)與作業(yè)成本法結(jié)合的可行性

BP（back propagation）神經(jīng)網(wǎng)絡(luò)適用于非線性關(guān)系，符合成本動因與成本之間的關(guān)系。傳統(tǒng)的成本計算方法認為，產(chǎn)量等分配標準與成本是呈線性變化的，普通的作業(yè)成本法在利用成本動因分配成本時也隱含了一個假設(shè)：成本動因與相應(yīng)的作業(yè)成本之間是線性關(guān)系，但實際上引發(fā)成本發(fā)生的動因不一定與成本呈線性變化。神經(jīng)網(wǎng)絡(luò)具有的非線性映射特點可以彌補這一不足，探索成本動因與成本之間實際的關(guān)系，更加接近成本發(fā)生的本質(zhì)。

BP神經(jīng)網(wǎng)絡(luò)無須每個作業(yè)成本庫的成本數(shù)據(jù)，可以簡化計算并減少差錯。在利用BP神經(jīng)網(wǎng)絡(luò)算法進行預(yù)測時，只需要輸入成本動因數(shù)據(jù)，并不需要相對應(yīng)的每個作業(yè)成本庫的成本數(shù)據(jù)，輸出的成本直接是間接總成本。這種模式使得企業(yè)在運用作業(yè)成本法時，省略了將成本根據(jù)資源動因歸集到作業(yè)成本庫的步驟，不僅簡化了計算，而且減少了分配資源時可能產(chǎn)生的錯誤分配。另一方面，如前文提到的管理/支持類費用，需要根據(jù)資源動因歸集到各作業(yè)成本庫，計算復(fù)雜，但是利用BP神經(jīng)網(wǎng)絡(luò)就可簡化這一步驟。

BP神經(jīng)網(wǎng)絡(luò)不需要成本動因和作業(yè)成本庫之間的一一對應(yīng)關(guān)系，更符合成本發(fā)生的本質(zhì)。在實際情況中，某一作業(yè)成本庫的成本動因不僅對這一作業(yè)成本庫起作用，也可能與其他作業(yè)成本庫有關(guān)。BP神經(jīng)網(wǎng)絡(luò)考慮到這一點，直接研究所有成本動因和總成本的關(guān)系，可以將這一問題的影響最小化。另外，利用BP神經(jīng)網(wǎng)絡(luò)可以選取盡可能多的成本動因，甚至與成本有關(guān)的任何數(shù)據(jù)都可以作為輸入變量，使模型更加接近實際的成本發(fā)生規(guī)律。

BP神經(jīng)網(wǎng)絡(luò)可以大大簡化作業(yè)成本法的計算。神經(jīng)網(wǎng)絡(luò)在學習標準數(shù)據(jù)后，可以記憶誤差最小的模型，之后進行成本預(yù)測時此模型可以直接使用。只要未來成本發(fā)生規(guī)律與總結(jié)出的規(guī)律沒有差別，模型一直適用。預(yù)測過程不再需要人工的大量計算，這不僅減少了工作量，而且降低了差錯率。

（四）新成本核算與預(yù)測模型的搭建

1.作業(yè)成本法的實施

公司進行成本核算時以工程項目為核算對象，工程項目的全流程如圖1所示，圖中所示人工工時僅為假設(shè)。

在選擇作業(yè)成本庫時可以根據(jù)工程項目的流程來劃分，因此在進行作業(yè)成本歸集時也按照每一流程進行歸集。

成本動因的選擇至關(guān)重要，關(guān)系到成本計算的準確性。在選擇成本動因時，既要考慮所選誘因與該作業(yè)成本的相關(guān)性，又要考慮成本效益原則。如果選擇的一個最準確的成本動因需要耗費大量的資源來進行信息收集，則反而會增加成本核算所花費的成本，并不利于企業(yè)的成本管理。因此，在選擇公司成本動因時，應(yīng)始終考慮四個原則：重要性原則、相關(guān)性原則、充分性原則和成本效益原則。

本文所選公司項目的主要生產(chǎn)流程可以作為作業(yè)成本庫，各類資源可以根據(jù)資源動因歸集到作業(yè)成本庫中，再根據(jù)作業(yè)成本庫的特征選擇合適的成本動因，如表1所示。

產(chǎn)品設(shè)計作業(yè)包括總體方案設(shè)計、機械結(jié)構(gòu)設(shè)計、伺服電器設(shè)計、通信信道設(shè)計及軟件設(shè)計等;在設(shè)計過程中，包括技術(shù)指標和客戶溝通及設(shè)計方案評審等。這些設(shè)計工作都是由高級工程師完成的。所以，根據(jù)相關(guān)性原則，此過程的工程師人員工時是最相關(guān)的成本動因。另外，工程師的工時有詳細的記錄。此信息收集較為簡便，符合成本效益原則。

制造作業(yè)指產(chǎn)品主要生產(chǎn)作業(yè)，主要包括機械加工和電器設(shè)備部件安裝等。本文案例公司生產(chǎn)高精度航空產(chǎn)品，制造過程主要由工人操控設(shè)備或直接由人工完成，成本的發(fā)生與工人人員工時直接相關(guān)，并且人員工時是最重要的成本動因，因此選擇制造過程中工人的人員工時作為此作業(yè)的成本動因。

安裝作業(yè)是指系統(tǒng)設(shè)備總體安裝，如天線座架安裝、伺服驅(qū)動控制單元上架等。與制造作業(yè)類似，安裝作業(yè)由工人作業(yè)。該過程人員工時是最直接的成本動因。

調(diào)試作業(yè)包括分機調(diào)試和系統(tǒng)總體調(diào)試。該作業(yè)需要工人利用儀器設(shè)備完成工作，主要工作仍由工人進行，儀器設(shè)備是輔助。因此，該過程人員工時是最重要最相關(guān)的成本動因。

檢驗作業(yè)包括分機檢驗和系統(tǒng)檢驗。系統(tǒng)檢驗分出廠檢驗和用戶交驗，檢驗主要是天線座架功能檢驗、精度檢驗及電器設(shè)備功能、技術(shù)指標測試檢驗。該作業(yè)自動化程度高，主要依賴儀器設(shè)備進行自動的檢驗工作。選擇儀器工時作為該作業(yè)的成本動因更符合相關(guān)性原則。

現(xiàn)場安裝作業(yè)是指設(shè)備安裝測試檢驗，最終用戶驗收。該作業(yè)由工人上門進行安裝服務(wù)，因此人員工時是該作業(yè)直接的成本動因。

對于各項目所耗費的直接材料不作為作業(yè)成本法核算的成本對象，將從總成本中扣除。

對于技術(shù)支持和管理所花費的各類費用，因為無法準確分攤到各項目成本中，所以首先根據(jù)資源動因先歸集到各作業(yè)中，再通過作業(yè)分攤到項目成本中。

2.BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)是一種具有誤差反向傳播特點的多層前饋神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成，其中輸入層和輸出層只有一層，隱含層的層數(shù)可以根據(jù)實際需要設(shè)置。此算法包括兩個基本過程：信息正向傳播和誤差反向傳播。算法通過輸入和參數(shù)（權(quán)值、閾值）計算輸出值，此過程是從輸入到輸出的方向，屬于正向傳播;而根據(jù)預(yù)算和實際的誤差反饋調(diào)整參數(shù)的過程是從輸出到輸入進行，屬于反向傳播。前饋傳播時，模型通過非線性關(guān)系產(chǎn)生預(yù)測值，若預(yù)測值與期望輸出誤差較大，則轉(zhuǎn)入反饋傳播過程。誤差反向傳播是把誤差反向傳到隱含層和輸入層，并分攤到各單元，作為調(diào)整各層各單元參數(shù)的依據(jù)。通過此過程的反復(fù)學習訓練，可以確定一個包含最小誤差參數(shù)的模型，訓練停止。利用此調(diào)整好的模型可以進行未來數(shù)據(jù)預(yù)測，輸入相應(yīng)的數(shù)值可以得到輸出的預(yù)算值。過程詳解如圖2所示。

本文擬通過河北某科技公司作為研究對象，需要的所有數(shù)據(jù)來源于案例公司財務(wù)系統(tǒng)和公司管理層。為了使得成本預(yù)算更加契合當前情況，本文選取了河北某科技公司2018年全部項目的成本數(shù)據(jù)作為機器學習的基礎(chǔ)，這些數(shù)據(jù)包括每一項目的實際總成本和直接材料成本，以及挑選出的成本動因作業(yè)量：設(shè)計、制造、安裝、調(diào)試、現(xiàn)場安裝階段的人員工時和檢驗階段的機器工時。具體數(shù)據(jù)見表2。

根據(jù)上文的BP神經(jīng)網(wǎng)絡(luò)原理，可以建立基于作業(yè)成本法的成本預(yù)測模型。在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計中，輸入層單元數(shù)為6。輸出層只設(shè)置一個單元，即除了直接材料成本外的其余成本，也是最終要預(yù)測的成本數(shù)值。通過上述設(shè)置，可以構(gòu)建一個6×N×1的神經(jīng)網(wǎng)絡(luò)模型。其中，N為隱含層單元數(shù)，實際運行時先設(shè)置一個經(jīng)驗值，后續(xù)通過不斷修改來得到準確率更高的數(shù)值。

3.模型的實際運行①

第一步：讀取目標文件。文件中包含17條訓練集和測試集所有輸入層成本動因數(shù)據(jù)和輸出層成本數(shù)據(jù)。其中前16條為訓練集，最后一條為測試集。模型構(gòu)建所用到的Python程序代碼如圖3所示。

df1 = pd.read_excel（'data.xlsx'）

yyT=df1['輸出'].values

圖3 讀取目標文件

第二步：將數(shù)據(jù)進行歸一化處理。因為輸入的樣本性質(zhì)、標準等各方面有些差別，可能會使神經(jīng)網(wǎng)絡(luò)進行錯誤判定。將數(shù)據(jù)歸一化處理目的是增加神經(jīng)網(wǎng)絡(luò)學習的準確性，避免因數(shù)據(jù)單位、性質(zhì)不同而影響數(shù)據(jù)處理結(jié)果，同時可以提高數(shù)據(jù)讀取和處理的速度。歸一化處理公式為：

Y=（xi?xmin）/（xmax?xmin）

此步驟的代碼如圖4所示。

df = （df1-df1.min（））/（df1.max（）-df1.min（））

data1=df.values

data=[]

for i in data1：

data.append（i[：-1]）

yy=df['輸出'].values

圖4 數(shù)據(jù)歸一化處理

第三步：結(jié)構(gòu)選擇。輸入層6個變量，輸出層1個變量，隱含層設(shè)置為20個變量（隱含層單位數(shù)沒有統(tǒng)一要求，需要根據(jù)不斷測試得出，20是使訓練誤差最小的單位數(shù)）。學習率設(shè)為0.001。如圖5所示。

l1 = add_layer（xs，6，20，activation_function=tf.nn.relu）

pred = add_layer（l1，20，1）

tf.add_to_collection（'pred_network'， pred）

loss = tf.reduce_mean（tf.reduce_sum（tf.square（ys -pred），reduction_indices=[1]））

train_op = tf.train.AdamOptimizer（0.001）.minimize（loss）

圖5 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置

第四步：防止過擬合數(shù)值設(shè)為1，即不用防止過擬合。因為本例數(shù)據(jù)量較少，應(yīng)充分利用所有數(shù)據(jù)，因此不用防止過擬合。理論上訓練次數(shù)越多擬合效果越好，但是當訓練次數(shù)增加對準確度不再有影響時應(yīng)停止迭代。訓練次數(shù)首先設(shè)為10000，后經(jīng)過不斷修正，當訓練次數(shù)為12490時最終誤差較小，因此設(shè)為12490，如圖6所示。

keep_prob=1

ITER =12490

圖6 參數(shù)設(shè)置

第五步：將整個學習和測試過程進行定義，并根據(jù)定義運行算法。如圖7所示。

def fit（X， y， ax， n， keep_prob）：

init = tf.global_variables_initializer（）

feed_dict_train = {ys： y， xs： X， keep_prob_s： keep_prob}

with tf.Session（） as sess：

saver = tf.train.Saver（max_to_keep=1）

sess.run（init）

for i in range（n）：

_loss， _ = sess.run（[loss， train_op]， feed_dict=feed_dict_train）

if i % 50 == 0：

#print（"epoch：%d＼tloss：%.5f" % （i， _loss））

y_pred = sess.run（pred， feed_dict=feed_dict_train）

try：

ax.lines.remove（lines[0]）

except：

pass

lines = ax.plot（range（16）， y_pred， 'r--'）

plt.pause（1）

pre = sess.run（pred， feed_dict={xs： X_train，keep_prob_s： keep_prob}）

kk=1

for uu in pre：

mm=uu*（yyT.max（）-yyT.min（））+yyT.min（）

print（"epoch：%d＼tprediction：%d＼tloss：%.5f" % （kk，mm， _loss））

kk=kk+1

fit（X=X_train，y=y_train，n=ITER，keep_prob=keep_prob，ax=ax）

圖7 訓練及測試過程

打開Anaconda② 中的Spyder 應(yīng)用，輸入上述代碼并運行。可以觀察到模型根據(jù)訓練數(shù)據(jù)開始學習，通過誤差反向傳播，模型擬合的誤差越來越小。

因為數(shù)據(jù)量較少，對模型進行測試時將所有數(shù)據(jù)都進行測試。首先測試訓練集的16條數(shù)據(jù)，再利用測試集進行測試。訓練集和測試集的模型預(yù)計結(jié)果如圖8所示，與實際結(jié)果的誤差如表3所示。

模型對測試集16條數(shù)據(jù)的預(yù)測值準確度都很高，誤差全部控制在0.3%以內(nèi)。最終模型預(yù)測的測試集輸出值為29863，與實際的期望輸出值30600相比，誤差為2.4%。可以看出，該模型對17條數(shù)據(jù)的預(yù)測誤差率都保持在低水平，可以終止訓練過程。

保存好訓練好的模型，可供未來成本預(yù)測時調(diào)用。

4.模型的優(yōu)化

以上是對2018年17條項目成本數(shù)據(jù)的模型試驗，下面考慮使用2019年已完成的三個項目的成本數(shù)據(jù)再進行模型優(yōu)化。利用上述訓練好的模型測試2019年的三條項目成本數(shù)據(jù)如表4所示。

可以看出，模型測試出的預(yù)計結(jié)果和實際成本之間誤差較大，說明用2018年數(shù)據(jù)訓練的模型并不適用于2019年的成本預(yù)測。因為各種人工成本、機械成本和加工成本也會隨時間變化而變化，較遠的歷史數(shù)據(jù)不能直接用于未來的成本預(yù)測。

考慮將此模型進行優(yōu)化，將2019年的前兩條項目成本數(shù)據(jù)也加入訓練集，重新訓練模型，其余參數(shù)設(shè)置同上文所述。再利用剩余的2019年最后一條成本數(shù)據(jù)對重新訓練好的模型進行測試，得到的結(jié)果如圖9所示。

epoch：1 prediction：63259

loss：0.00000

圖9 2019年成本數(shù)據(jù)測試結(jié)果

預(yù)測的成本和實際成本之間的誤差為3.19%，誤差在可接受范圍之內(nèi)，說明模型利用新成本數(shù)據(jù)進行不斷訓練可以增加模型的準確度，離需要預(yù)測成本的時間越近的成本數(shù)據(jù)對模型的建立越重要。

5.運用模型進行成本預(yù)測

對未來項目成本進行預(yù)測，首先需要預(yù)測未來項目的成本動因量。本文采用作業(yè)成本法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合的模型進行成本預(yù)測，以2019年項目成本預(yù)測為例，將該項目之前相對較近的成本數(shù)據(jù)作為訓練集對模型進行訓練，并測試誤差，得到誤差率最小的模型。利用該模型對未來的項目成本進行預(yù)測。相關(guān)的代碼如圖10所示，在第103行中輸入成本動因數(shù)據(jù)，但需要將數(shù)據(jù)進行歸一化處理后再輸入，得出的結(jié)果即為項目成本預(yù)測數(shù)。

with tf.Session（） as sess：

new_saver = tf.train.import_meta_graph（'mm/model.meta'）

new_saver.restore（sess， tf.train.latest_checkpoint（'./mm/'））

y = tf.get_collection（'pred_network'）[0]

graph = tf.get_default_graph（）

input_x = graph.get_operation_by_name（'xin'）.outputs[0]

keep_prob = graph.get_operation_by_name（'kp'）.outputs[0]

xa=np.array（[12，2，3，4，5，6]，[1，2，3，4，5，6]）.reshape（-1，1）

ap=sess.run（y， feed_dict={input_x：X_test， keep_prob：1}）

ap = ap * （yyT.max（） - yyT.min（）） + yyT.min（）

print（ap）

圖10 項目成本預(yù)測

三、結(jié)論與展望

隨著市場競爭的日益加劇，企業(yè)不僅需要提升產(chǎn)品方面的優(yōu)勢，而且加強成本管理的需求更加緊迫。本文嘗試將作業(yè)成本法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，首先利用作業(yè)成本法辨別作業(yè)成本庫和相對應(yīng)的成本動因，再用神經(jīng)網(wǎng)絡(luò)根據(jù)已有的訓練數(shù)據(jù)探究成本動因與成本之間的非線性關(guān)系，根據(jù)測試數(shù)據(jù)對模型不斷進行調(diào)整優(yōu)化，模型的誤差控制在4%以內(nèi)，最后可以利用訓練好的模型并進行后續(xù)的成本預(yù)測。

通過前述的理論分析和實證研究，利用BP神經(jīng)網(wǎng)絡(luò)和作業(yè)成本法對公司進行成本預(yù)測是可行的，且預(yù)測結(jié)果與實際值誤差較小，本文所選方法可行。但是此法仍具有一定的局限性，例如：數(shù)據(jù)搜集要考慮成本問題，必須符合成本效益原則;模型需要時時更新以維持低誤差率;標準數(shù)據(jù)是否準確關(guān)系到模型最終的訓練效果;模型在成本預(yù)測中的應(yīng)用還不夠成熟，導(dǎo)致模型建立需要更多的時間精力;等等。所以，構(gòu)造一個成熟的、準確度高、可值得完全信賴的模型還需要很多努力，目前只是處于理論分析和個別實踐的探索階段。

在未來的實踐中，隨著企業(yè)信息系統(tǒng)的完善，可以以較低的成本搜集到更多的成本動因信息。因此，可以設(shè)置更多的更準確的成本動因，增加模型精確度，使得運用此法進行成本預(yù)測可以成為主流的預(yù)測方法。企業(yè)也可以運用預(yù)測出的更準確的成本數(shù)據(jù)進行有效的成本管理，促進企業(yè)的良性健康發(fā)展。

責任編輯? 秦長城

參考文獻

[1]任秀麗. 基于數(shù)據(jù)挖掘的銀行全成本分析系統(tǒng)的研究.北京：中國科學院研究生院（計算技術(shù)研究所），2006.

[2]石卓瑩. 基于作業(yè)成本法的A醫(yī)院成本管理研究.成都：西南交通大學，2017.

[3]王小莉. 基于作業(yè)成本法的高科技企業(yè)技術(shù)開發(fā)項目成本管理研究.南昌：南昌大學，2009.

[4]王媛媛. 基于作業(yè)成本法的建筑施工企業(yè)項目成本核算研究.北京：北京交通大學，2017.

[5]李鵬飛，劉明源.基于BP神經(jīng)網(wǎng)絡(luò)的軟件項目成本估測方法.航空計算技術(shù)，2014，44（03）：9-11+15.

[6]鄭俠.高科技企業(yè)作業(yè)成本法應(yīng)用研究.行政事業(yè)資產(chǎn)與財務(wù)，2015（36）：82-83.

[7]孫祖妮. 基于成本動因BP神經(jīng)網(wǎng)絡(luò)的鐵路物流貨運成本預(yù)測.北京：北京交通大學，2012.

[8]何斌，劉雯，吳育華，等.成本動因法與神經(jīng)網(wǎng)絡(luò)在生產(chǎn)成本預(yù)測中的應(yīng)用.工業(yè)工程，2005（04）：82-85.

[9]李希勝. 高速公路工程全風險造價確定與控制研究.南京：南京林業(yè)大學，2009.

[10]翟坤. 基于數(shù)據(jù)挖掘的成本管理方法研究.大連：大連理工大學，2012.

[11]楊君岐，鄒松慶.基于作業(yè)成本法與神經(jīng)網(wǎng)絡(luò)的企業(yè)成本分析——以煙草物流為例.財會通訊，2014（11）：93-95.

[12]毛銳.BP神經(jīng)網(wǎng)絡(luò)在作業(yè)成本預(yù)算中的應(yīng)用.哈爾濱理工大學學報，2008（03）：107-110.

[13]何斌，劉雯，吳育華，劉子先.成本動因法與神經(jīng)網(wǎng)絡(luò)在生產(chǎn)成本預(yù)測中的應(yīng)用.工業(yè)工程，2005（04）：82-85.