池海文 李雲(yún)帆 張俊倪

[摘? ? 要] 本文基于平衡記分卡思維和模糊評價(jià)法，對管理會(huì)計(jì)差量分析法進(jìn)行了改良，提出了一種綜合考慮財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)、靈活實(shí)用且可高度拓展的決策方法。該方法避免了傳統(tǒng)差量分析法只考慮財(cái)務(wù)指標(biāo)的短視行為，有利于管理者基于企業(yè)未來發(fā)展戰(zhàn)略，考量風(fēng)險(xiǎn)因素，做出更為科學(xué)合理的決策。在對于非財(cái)務(wù)指標(biāo)的選擇和量化上，本文也提出了適用于不同規(guī)模企業(yè)的不同方法。本文共分為三個(gè)部分，第一部分為引言，主要陳述了本文的研究背景與創(chuàng)新之處;第二部分為方法概述，對改良方法的具體內(nèi)容進(jìn)行了介紹說明;第三部分為結(jié)論，對本方法的優(yōu)點(diǎn)和不足進(jìn)行評價(jià)。

[關(guān)鍵詞] 差量分析;非財(cái)務(wù)指標(biāo);模糊評判法

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2019. 21. 002

[中圖分類號] F275.5? ? [文獻(xiàn)標(biāo)識碼]? A? ? ? [文章編號]? 1673 - 0194（2019）21- 0008- 05

1? ? ? 引? ? 言

如何比較合理地量化定性因素并將其與定量因素統(tǒng)一到?jīng)Q策分析中一直是管理科學(xué)的一道難題。一方面，在財(cái)會(huì)領(lǐng)域，基于傳統(tǒng)財(cái)務(wù)指標(biāo)體系的決策方法高度成熟，但其只注重定量指標(biāo)的考量，忽視了難以量化的非財(cái)務(wù)指標(biāo)，故在企業(yè)決策中存在不可避免的局限性。盡管平衡記分卡、模糊綜合評價(jià)法等提出了一些新的思路并在績效考核等領(lǐng)域廣泛運(yùn)用，但由于其復(fù)雜性和主觀性仍被廣為詬病[1]。另一方面，隨著數(shù)學(xué)、現(xiàn)代管理科學(xué)與計(jì)算機(jī)科學(xué)等學(xué)科技術(shù)的蓬勃發(fā)展，有關(guān)調(diào)查顯示美國多數(shù)上市企業(yè)的管理層都使用計(jì)算機(jī)技術(shù)進(jìn)行輔助決策[2]。在大中型企業(yè)廣泛從中受益的同時(shí)，受限于技術(shù)復(fù)雜性和高成本，仍有大量企業(yè)特別是中小企業(yè)沿襲落后的決策方法，有些甚至停留在“拍腦袋”這種基于直覺的原始決策方法。

本文的主要貢獻(xiàn)在于，提出了一種融合差量分析法、模糊評價(jià)法和機(jī)器學(xué)習(xí)的決策方法，該方法基于模塊化思想設(shè)計(jì)，具有簡便靈活和易于拓展的優(yōu)點(diǎn)。我們首次把風(fēng)險(xiǎn)因素作為一個(gè)重要影響因素加入評判的范圍內(nèi)，并為“如何合理量化非財(cái)務(wù)指標(biāo)，使其與財(cái)務(wù)指標(biāo)統(tǒng)一到企業(yè)決策方法中去”提供了一個(gè)創(chuàng)新的解決方案。并且，在該方法的詳細(xì)介紹中，我們將對“如何選取非財(cái)務(wù)指標(biāo)”“如何確定非財(cái)務(wù)指標(biāo)的權(quán)重”這兩個(gè)重要問題的解決提供新思路。

2? ? ? 技術(shù)方法簡述

2.1? ?步驟流程（如表1所示）

表2中符合程度參數(shù)C為選擇項(xiàng)，即由一級非財(cái)務(wù)指標(biāo)與企業(yè)戰(zhàn)略的符合程度進(jìn)行五選一，當(dāng)決策的非財(cái)務(wù)指標(biāo)與企業(yè)戰(zhàn)略符合時(shí)，其為企業(yè)帶來非財(cái)務(wù)收入，否則，會(huì)帶來非財(cái)務(wù)代價(jià)，故在合計(jì)計(jì)分時(shí)，需要將正值符合程度參數(shù)和負(fù)值符合程度參數(shù)分開合計(jì)。合計(jì)評分值F為“很不符合”或“比較不符合”程度參數(shù)乘以一級非財(cái)務(wù)指標(biāo)相應(yīng)權(quán)重匯總所得，為確定非財(cái)務(wù)代價(jià)的影響因素;合計(jì)評分值F′為“比較符合”或“很符合”程度參數(shù)乘以一級非財(cái)務(wù)指標(biāo)相應(yīng)權(quán)重匯總所得，為確定非財(cái)務(wù)收入的影響因素。

對于表2中具體參數(shù)的選取，我們考慮了不同規(guī)模企業(yè)的實(shí)際情況，提供了簡易與復(fù)雜兩種指標(biāo)確定方法（如表3所示）。其中簡單方法簡便易行，但參數(shù)的精確性相對較低，適用于中小型企業(yè);復(fù)雜方法擬合參數(shù)的精度較高，但對技術(shù)和成本要求相對較高，適用于大中型企業(yè)或數(shù)據(jù)庫資料完善的企業(yè)。

2.3? ?方法重難點(diǎn)

2.3.1? ?如何保障該方法的穩(wěn)健性

使用該方法前應(yīng)該進(jìn)行充分的調(diào)研，在充分考慮風(fēng)險(xiǎn)因素、確保各個(gè)方案均可行的前提下，比較準(zhǔn)確地確定各個(gè)方案成功執(zhí)行的概率P。

2.3.2? ?如何選取非財(cái)務(wù)指標(biāo)并確保其充分性和獨(dú)立性

非財(cái)務(wù)指標(biāo)由管理者根據(jù)經(jīng)驗(yàn)與本企業(yè)特點(diǎn)自行選定，一般來說可基于一些已有的原則和經(jīng)驗(yàn)，如根據(jù)兵法思想、BSC、戰(zhàn)略棱柱、層次分析法等選取，也可通過數(shù)學(xué)方法輔助選取。但最終，非財(cái)務(wù)指標(biāo)選取的科學(xué)性是由企業(yè)戰(zhàn)略決策評分表中各因素選取的充分性和獨(dú)立性決定的。

為確保充分性，在考慮經(jīng)驗(yàn)數(shù)據(jù)和企業(yè)實(shí)際情況的基礎(chǔ)上，可借助頭腦風(fēng)暴法等方法充分討論，盡量全面考慮各個(gè)因素。

為確保獨(dú)立性，應(yīng)將上一步驟列出的眾多因素進(jìn)行聚類，將同屬一個(gè)類別的因素劃歸到一個(gè)母類別。該步驟可由經(jīng)驗(yàn)值或再次進(jìn)行德菲爾法或?qū)＜易稍兎ù_定，也可通過如主成分分析和灰色關(guān)聯(lián)聚類等技術(shù)實(shí)現(xiàn)。此外，人工智能的自動(dòng)聚類技術(shù)也可解決這個(gè)問題，但受制于NLP技術(shù)尚不完善，大多數(shù)時(shí)候我們并不推薦使用這種方法。

2.3.3? ?如何解決非財(cái)務(wù)指標(biāo)的權(quán)重問題

確定權(quán)重有三種方法。

第一種方法：提出計(jì)量基準(zhǔn)后，通過數(shù)學(xué)和計(jì)量方法進(jìn)行指標(biāo)權(quán)重設(shè)定。概率統(tǒng)計(jì)、模糊數(shù)學(xué)和灰色系統(tǒng)理論都提出了處理這類模糊性信息的方法[3]，以計(jì)量不同指標(biāo)對企業(yè)績效的不同貢獻(xiàn)程度。這類方法在特定領(lǐng)域表現(xiàn)效果較好，但較為復(fù)雜，使用技術(shù)門檻較高，結(jié)果好壞受到計(jì)量基準(zhǔn)設(shè)定的影響，適合大中型企業(yè)或數(shù)據(jù)密集型企業(yè)使用。

第二種方法：通過調(diào)研充分獲取信息后，通過價(jià)值相關(guān)分析法等方法為各因素分配權(quán)重，即首先找出解決問題涉及的主要因素，將這些因素按照關(guān)聯(lián)、隸屬關(guān)系構(gòu)成階梯層次模型，把決策因素的重要程度兩兩比較，然后按層次排序，運(yùn)用數(shù)學(xué)方法來得出兩兩比較的定量值[2]。這種方法技術(shù)門檻低且易于理解，適用于各型企業(yè)特別是中小型企業(yè)使用。企業(yè)也可靈活根據(jù)不同戰(zhàn)略推進(jìn)期間下設(shè)置不同的非財(cái)務(wù)目標(biāo)體系。

第三種方法：對于經(jīng)常性決策，決策執(zhí)行得到實(shí)踐驗(yàn)證后，由專人修正數(shù)據(jù)并錄入數(shù)據(jù)庫，當(dāng)數(shù)據(jù)存量到一定程度后使用機(jī)器學(xué)習(xí)方法（如貝葉斯網(wǎng)絡(luò)、決策樹等）自動(dòng)擬合參數(shù)。這種方法可避免主觀判斷的弊端并節(jié)省大量決策時(shí)間，但只適用于經(jīng)常性的決策，準(zhǔn)確度受到數(shù)據(jù)量和非財(cái)務(wù)指標(biāo)選取的充分性、獨(dú)立性的制約，且是建立在未來數(shù)據(jù)較為遵循歷史數(shù)據(jù)規(guī)律這個(gè)假設(shè)上的。該方法適用于數(shù)據(jù)密集型，有商務(wù)智能基礎(chǔ)的企業(yè)。