ABC模型

2024-09-25

ABC模型（精选4篇）

ABC模型篇1

作业成本法 (Activity Based Costing, 简称ABC) 以其独特的“作业消耗资源, 产品消耗作业”的成本理念, 使得传统成本会计系统失真的产品成本信息得以矫正, 大大提高了成本信息的决策有用性。目前, ABC已经得到了迅猛的应用和发展。然而, ABC计算的成本信息只包含了经营成本, 没有包含债务资本成本和权益资本成本, 在管理会计核算方面仅局限于息税前利润 (EBIT) 。企业的目标在于为股东创造财富, 产品价值不但应弥补经营成本, 还应弥补资本成本。因此, 忽视资本成本这种无形成本的ABC成本信息无法直接支持企业的长期决策, 甚至有可能误导企业决策。为了进一步提高成本信息的真实性和决策有用性, 可以在ABC的运用中引入经济增加值 (EVA) 的概念, 这就产生了集成成本计算 (Integrated Cost Calculating, 简称ICC) 模型。由于ICC模型是针对ABC忽视资本成本这一问题提出的, 因此ICC模型在资金密集、资本成本也相应较高的企业有一定的应用价值。

一、ICC模型构建

ICC模型是运用EVA的原理对ABC进行改进提出的一种新的管理会计方法。该模型中的ABC模块关注经营成本, 而EVA模块关注资本成本, 二者共同组成了一个完整有效的成本核算体系。借助作业成本法的思路将相关的资本成本追溯到产品成本中去, 将正确评估产品为企业创造的价值, 从而为产品定价、内部管理等决策提供更为精确的信息。ICC模型与传统的成本计算方法和ABC相比, 主要的区别在于其产品成本是真正的“完全成本”, 不仅包含ABC所核算的经营成本, 还包含了ABC所忽略的资本成本。

ABC的基本原理是作业消耗资源, 产品消耗作业, 其涉及两个阶段的成本分配过程:一是将资源成本直接追溯或分配到各项作业;二是将作业成本库的成本分配到成本标的 (包括产品) 。假设企业在某一期间内生产n种产品, 消耗s种资源, 在整个作业链中包含m个作业 (含虚拟作业) 。i产品的产量为Xi (i=1, 2, …, n) , i产品消耗j作业的作业量是uij (j=1, 2, …, m) 。j作业消耗k资源的成本为Vjk (k=1, 2, …, s) , j作业的作业动因总量为Qj, 则j作业的作业动因分配率为:

i产品的总作业成本为:

i产品的单位作业成本为:

ICC模型是对ABC模型的进一步完善, 同样涉及两个阶段的成本分配过程:一是将经营资源成本和资本资源成本直接追溯或分配到各个作业, 直接资本成本追溯到产品上 (如利息支出占用资本成本) , 间接资本成本分配到相应的作业上 (如机器设备占用资本成本) ;二是将作业成本库的成本分配到成本标的 (包括产品) 。

ICC模型认为, 企业在核算产品成本时, 应同时归集和分配经营成本与资本成本, 以提供完整的成本信息。确定资本成本涉及资本确认和资本成本率 (Capital Cost Rate, 简称CCR) 确定两个方面。

(1) 确认资本。企业经营实际占用的资本额是债务资本与权益资本之和, 可以通过对资产负债表的若干资产类项目和负债类项目调整合并求得。

(2) 确定CCR。企业CCR的高低取决于多种因素, 如资本结构、利率水平、经营风险及投资者预期等。设总资本成本额为TCC;权益资本额为Equity, 权益资本成本率为CCRe;债务资本额为Debt, 债务资本成本率为CCRd;T为所得税税率。则有:

ICC模型与ABC模型的主要区别在于是否考虑资本成本, 再假设企业在既定期间内消耗r种资本, 资本成本率为CCR, j作业消耗h资本额为Wjh (h=1, 2, …, r) , j作业的作业动因总量仍为Qj, 则在ICC模型下就有:

j作业的作业动因分配率为:

i产品的总成本为:

i产品的单位成本为:

比较以上模型可知, 模型 (4) 、模型 (5) 、模型 (6) 同时考虑了经营成本和资本成本, 而模型 (1) 、模型 (2) 、模型 (3) 则只考虑了经营成本。

二、ICC模型应用步骤

在传统的成本核算模式下, 企业的经营业绩考评多以利润总额为评价指标, 即:利润总额=收入类项目-直接支出-营业费用。其中:收入类项目包括营业收入、投资收益等;直接支出包括营业成本等;营业费用是指用来处理顾客关系、提高经营管理水平、提供新型服务等的耗费。

当业绩评价考虑资本成本时, 即应采用经济增加值 (EVA) 指标。根据EVA的基本原理, 当一个成本对象 (产品或服务) 能够以高于其全部成本的价格出售时, 那么从经济上来说是有利可图的。换言之, 一个成本对象在经济上要有利可图, 就必须能够弥补其“完全成本”, 既包含经营成本, 也包含资本成本。这种关系可表示为:EVA=利润总额-资本成本=收入类项目-直接支出-营业费用-资本总额×资本成本率。式中, 资本总额应为企业资产总额减去负债类下资本成本为零的项目, 如应付账款、应付薪酬、其他应付款等。假设第i种产品或服务的价格为Pi, 即该产品或服务 (成本对象) 的经济增加值为:

其中, Ci*根据模型 (5) 求得。

若EVAi大于零, 表明该成本对象为企业的股东创造了价值;若EVAi小于零, 则表明该成本对象毁损了股东的价值。可见, 为了在企业管理实践中体现价值管理的思想, 需要计算每个成本对象的经营成本和资本成本, 即所谓的集成成本Ci*。

根据ICC模型的基本原理, 企业某产品 (或服务) 的集成成本计算与价值管理过程如下: (1) 利用明细账和利润表计算某产品 (或服务) 的直接支出, 可参照传统成本核算方法进行。 (2) 确定主要作业, 并将同质的活动归入相应作业。 (3) 确定每项作业的成本动因, 进而确定作业中心的成本分配率。根据作业成本动因和分配率, 按照作业归集各项产品 (或服务) 的营业费用。 (4) 利用资产负债表及企业内部会计资料计算资本成本。 (5) 应用产品———资本依赖性分析方法将资本成本直接分配至每项产品 (或服务) 。例如, 假定企业生产甲、乙两种产品, 甲产品在消费者提货的同时付款, 而乙产品先发货后付款, 乙产品在销售中由于应收账款而产生了机会成本。假设企业这笔应收账款的金额是100万元, 资本成本率为1.3%, 那么其资本成本1.3万元应该直接追溯分配到乙产品中。 (6) 评价。按以上方法计算出的某产品 (或服务) 的EVA如果大于零, 则表明该成本对象增值, 为企业创造了价值;反之, 则毁损了企业的价值。 (7) 决策。根据评价结果缩减或取消非增值产品 (或服务) , 相应增加高增值产品 (或服务) 。

传统成本计算模型扭曲了产品成本信息;ABC模型能够准确计量产品的经营成本;ICC模型在ABC模型的基础上, 将资本也认定为企业的稀缺资源, 通过将资本成本经作业追溯或分配到最终产品上, 使得产品成本信息中包含经营成本和资本成本, 进而提供全面和完整的成本视野。通过计量产品消耗的资本成本, 可以确定:产品对资本占用的不同会产生成本差异;资本成本率的高低会影响产品成本的扭曲程度。ICC模型引入了完全成本概念, 一方面使成本计算更具真实性、产品 (服务) 的定价更具科学性;另一方面有利于核心产品、核心客户的确定, 以及提高经营决策的准确性。但在模型的应用中还有一些尚待解决的问题值得思考, 例如, 是否存在更为合理的计算单项产品资本成本的方法;在运用传统ABC法分配营业费用中作业的确定、成本动因选择的可操作性和可控性、资本成本需要精确计算等。需要明确的是, 应用ICC模型的前提条件是企业已经实行了作业成本法, 其业务流程已经按照作业成本管理的要求进行了改进, 可以适应作业成本法的要求。当然, ICC模型本身不会改进企业的业绩, 关键在于指导企业管理部门采取适当的决策行动, 以更有效地管理企业的整体资源。

参考文献

[1]徐丹丹:《商业银行成本核算中作业成本法与经济增加值的结合应用》, 《华东经济管理》2005年第3期。

[2]田中禾、赵婷范:《ICC模型在我国商业银行成本核算中的应用》, 《国际金融研究》2007年第2期。

[3]王辉、龚光明:《ABC-EVA的集成成本系统及在资产配置中的应用研究》, 《大连理工大学学报》 (社科版) 2004年第3期。

ABC模型篇2

随着网络规模的扩大,网络拥塞的频率随之增加,准确的网络流量预测可以减轻网络管理员的负担,并为网络规划与设计提供有价值的参考意见,因此网络流量预测一直是网络管理研究中的热点[1]。

传统网络流量预测模型主要有自回归分析和自回归移动平均模型[2,3],对于小规模的网络流量,这些模型易实现,预测精度高,但是对于现代的网络流量数据,它们建模效率低,难以满足网络流量预测的实时性要求。同时,现代网络流量具有突发性、混沌性,由于传统模型基于线性理论建模,预测精度低[4]。随着神经网络、支持向量机等技术不断发展,出现了基于机器学习算法的网络流量混沌预测模型,它们具有良好的非线性预测能力,在网络流量预测中得了广泛的应用[5,6]。最小二乘支持向量机LSSVM较好地解决了神经网络、支持向量机等算法存在的不足,成为网络流量预测中的重要研究方向[7]。在实际的网络流量建模预测过程中,预测精度与LSSVM参数的选择密切相关,目前,学者们主要采用蚁群优化( ACO) 算法、粒子群优化( PSO) 算法和遗传算法( GA) 对LSSVM参数进行优化[8,9],但这些算法存在各自不足,如ACO算法因信息素更新能力有限,收敛速度慢,易陷入局部最优解; PSO算法在进化后期难以保持种群多样性,容易陷入局部最优解,GA算法易出现早熟现象、在迭代后期收敛速度慢等。人工蜂群ABC算法是一种新型群智能优化算法,其模拟自然界蜂群的采蜜过程,通过食物源信息收集与共享,寻找问题的最优解,许多学者将其引入到LSSVM参数优化过程,但是基本ABC算法也存在容易陷入局部最优值发生过早收敛、后期收敛速度较慢的问题[10]。

针对网络流量预测中的LSSVM参数优化问题,提出一种改进ABC算法优化LSSVM的网络流量预测模型( ABC-LSSVM) ,仿真结果表明,ABC-LSSVM解决了LSSVM的参数优化难题,提高了网络流量的预测精度。

1 相空间重构理论

对于一个网络流量时间序列{ x( ti) ,i = 1,2,…,n} ,则可以通过相空间重构,得到一组m维向量:

式中,τ表示时间延迟,m为嵌入维。

如果参数τ和m选择恰当,则Xi( t) 就可以描述原系统的状态,时间序列的动态特性就展现在了多维相空间上[11]。

2 ABC-LSSVM

2. 1 LSSVM

设有n个样本的训练集为{ ( xi,di) ,i = 1,2,…,n} ,xi∈Rd是第i个训练样本的输入向量,di∈R是相对应的输出,LSSVM用非线性映射函数φ( x) 将输入数据映射到高维空间中进行线性估计:

式中,ω为特征空间的权值向量,b为偏置量。

根据结构风险最小化原则,在预测误差和计算复杂度之间进行折衷,将式( 1) 可以变为如下约束问题:

式中,γ为正则化参数; ei为回归误差。

通过引入拉格朗日乘子将式( 2) 转变为无约束对偶空间优化问题,即:

式中,ai为拉格朗日乘子,ξi、ξ*i为松驰变量。

根据Mercer条件,核函数定义如下:

由于径向基核函数适用范围广,因此本文将其作为LSSVM核函数,那么LSSVM回归模型为:

式中,σ表示径向基核数宽度[12]。

2. 2 基本 ABC 算法

在ABC算法中,蜜源的位置代表了待求解中的一个潜在解,蜜量代表相应的解质量,蜂群包括采蜜蜂、观察蜂、侦察蜂3种类型的蜂,采蜜蜂与观察蜂数量相等,均等于解的数目,每个解是一个D维向量,D代表了需优化参数的个数[13]。采蜜蜂和观察蜂从邻域搜索新解的方式为:

式中,i表示第i个食物源。

观察蜂选择食物源依赖于食物源的适应度值,观察蜂选择食物源的概率计算公式为:

式中,f( x) 为食物源的适应度值。

当旧解被遗弃时,使用下式产生新的解来代替:

2. 3 ABC 算法的改进

( 1) 初始群体的改进基本ABC算法的初始解是随机生成的,而初始解是算法进行搜索的起点,初始群体在解空间中的分布状况对算法的搜索性能有重大影响,本文根据各个变量的取值范围将解空间划分为n个小空间( n为引领蜂的个数) ,在各个小空间中随机生成一个初始个体,尽量使初始群体均匀地分布在解空间中,以便加速算法的收敛速度。

( 2) 邻域搜索方式的改进在基本ABC群算法中,引领蜂和跟随蜂在第i个解xi周围进行邻域搜索依据式( 7) 产生新解,k是随机生成的,是与i不同的另一个解( 食物源) 。并且解xk的适应度fk并不一定优于xi的适应度fi,因此算法在不知xk好坏的情况下盲目地从解xi向xk靠拢,这样大大增加了算法的随机搜索性能,降低了算法的收敛速度。针对以上存在的问题,对其进行如下改进:

式中j∈{ 1,2,…,D} ,针对每一个维数j都产生一个[- 1,1]之间的随机数Φij。

旧食物源向新食物源递进步长的调整便于算法得到更加高精度的解,最大尝试次数Trynum的引入加速了算法向高质量解的靠拢,提高了收敛到全局最优解的速度,并在一定程度上帮助算法跳出了局部最优值。

2. 4 ABC 优化 LSSVM 参数

基于径向基核函数的LSSVM,待优化参数为γ和σ,因此参数优化的数学模型为:

网络流量建模与预测目的是提高网络流量的预测精度,因此采用网络流量预测精度( G) 作为LSSVM参数优化目标函数,LSSVM参数优化问题可以描述为:

相应的约束条件为:

ABC优化LSSVM参数的步骤如下:

( 1) 初始化ABC算法的参数。包括蜂群的大小( Nc) ,采蜜蜂的数量( Ne) ,跟随蜂的数量( No) ,极限值( limit) ,最大循环次数( MCN) 。

( 2) 将LSSVM参数( γ,σ) 编码成初始解,即采蜜蜂和食物源,第i个解适应度值按照式( 13) 计算。

式中,分别为网络流量实际值和预测值,n为训练样本数。

( 3) 采蜜蜂根据式( 10) 从邻域搜索新解并计算每个解的适应度值。

( 4) 采蜜蜂根据式( 9) 计算出选择概率,采用贪婪算法选择新的解。

( 5) 观察蜂根据采蜜蜂搜索的解,计算该解的Pi,根据Pi从现有解的邻域中搜索新的解进行选择。

( 6) 经过limit次循环后,判断是否有要丢掉的解,若存在,则侦察蜂根据式( 10) 产生新解代替它。

( 7) 如果迭代次数大于最大循环次数MCN,则训练结束。否则,返回步骤( 2) 。

根据最优解得到LSSVM的参数( γ,σ) ,建立网络流量预测模型,并采用测试数据对模型性能进行测试。

ABC算法优化LSSVM参数的主要伪代码为:

3 仿真实验

3. 1 数据来源

数据来自于东北林业大学网络中心服务端口流量,采集了2012. 3. 1 - 2012. 3. 20每小时的网络流量,共得到20×24 = 480个网络流量数据,如图1所示。前380个数据作为训练样本集,剩余100个样本作为测试样本集。

仿真实验在: Windows 7,Pentium Dual-Core 2. 80GHz CPU,2GB RAM,VC + + 6. 0的平台上实现。选择PSO优化LSSVM( PSO-LSSVM) 、GA优化LSSVM( GA-LSSVM) 、ACO优化LSSVM( ACO-LSSVM) 作为参比模型,在相同条件下,进行对比实验。

3. 2 数据归一化理

LSSVM对[0,1]的数据最敏感,为了防止因数据相差太大对LSSVM训练过程产生不利影响,对网络流量时间序列进行归一化处理,具体为:

式中,x为原始网络流量; x'为归一化的值,xmin、xmax分别为最小值和最大值。

3. 3 网络流量重构相空间

首先采用互信息法计算网络流量的互信息函数,由图2可知,当延迟时间τ为4时得到第一个极小值,这表明τ = 4为网络流量的最佳时间延迟,然后运用虚假最近邻点法求嵌入维数,结果如图3所示,当嵌入维数m为6时,假邻近率不再随着嵌入维数的增加而减小,这表示m = 6为网络流量的最佳嵌入维数。根据τ = 4,m = 6对网络流量的训练样本集和测试样本集进行重构,得到一个多维的网络流量时间序列。

3. 4 结果与分析

1) 拟合结果对比

将上述重构后的网络流量训练样本集输入到LSSVM进行训练,分别采用改进ABC、PSO、GA、ACO对LSSVM的参数进行优化,得到的最优参数见表1所示,然后采用表1的参数分别建立基于ABC-LSSVM、PSO-LSSVM、GA-LSSVM和ACO-LSSVM的网络流量预测模型,并对网络流量训练样本进行拟合,各模型的拟合值与实际网络流量值之间的误差如图4所示。从图4可知,在所有网络流量预测模型中,ABC-LSSVM拟合误差最小,拟合精度最高,拟合值与网络流量实际值最接近。对比结果表明,通过改进ABC算法对LSSVM参数进行优化,可以获得比PSO、GA和ACO更优的LSSVM参数,建立的网络流量预测模型可以更加准确拟合网络流量变化趋势,较好地克服了PSO、GA、ACO存在的收敛速度慢、局部最优等缺陷,是一种有效的、拟合精度高的网络流量预测模型。

2) 预测能力对比

采用ABC-LSSVM、PSO-LSSVM、GA-LSSVM和ACO-LSSVM对网络流量测试样本集进行预测,它们预测值与网络流量的实际值之间的误差如图5所示。从图5可知,相对于对比模型,ABC-LSSVM预测误差也最小。对比结果表明,ABC-LSSVM兼顾了对局部最优解和全局最优解的搜索,可以获得全局最优的LSSVM参数,提高了网络流量的预测精度,预测结果更加可靠。

为了更加全面评价各模型性能,采用测试样本集预测结果的平均相对误差( MAPE) 和均方根误差( RMSE) 及训练时间对模型性能进行评价,结果见表2所示。从表2可知,相对于参比预测模型,ABC-LSSVM无论预测精度、泛化能力、训练时间均取得更加理想的结果。

4 结语

ABC模型篇3

随着中国经济社会快速发展,大量有害物质被排放到大气中,空气污染加剧,严重空气污染已对人们的生活、生产活动和健康造成了严重危害。当前复合型、区域性空气污染日益突出,京津冀、长江三角洲、珠江三角洲等区域灰霾现象频繁发生。为了更好地表征我国环境空气质量状况,反映当前复合型大气污染形势,完善了空气质量指数发布方式,迫切需要一个量化、科学、直观、准确评价空气质量优劣的评价体系。该评价体系有利于提高环境空气质量评价工作的科学水平,更好地为公众提供健康指引,推动大气污染防治。

2012年2月29日,中国环保部颁布了《环境空气质量标准》(GB 3095-2012),该标准形成了对6类主要污染物(PM10、PM2.5、O3、CO、SO2、NO2)的全面监测和评价。本文通过蜂群算法和BP神经网络优化、组合,建立ABC-BP模型对影响空气质量的污染指标进行评价,从而更针对性地改善环境空气质量,更好地实施新标准。

2 相关工作

2.1 BP神经网路

BP神经网络是一种多层向前网络,常用的是三层网络结构,其拓扑结构如图1所示。BP算法通过正向传播和误差反向传播两个过程组成[1,2]。

假设,BP神经网络的输入层:输入向量,神经元n个;隐含层:输出向量,神经元k个,激活函数f1;输出层:输出向量,神经元m个,激活函数f2;输入层神经元到隐含层神经元的连接权值为wij,阈值为;隐含层神经元到输出神经元的连接权值为wjr,阈值为;隐含层神经元输出为:(;输出层神经元输出为:;误差函数为,其中dr为期望目标输出。

2.2 空气质量指数

空气质量指数(AQI)是描述了空气清洁或者污染的程度,以及对健康的影响,其数值越大、级别和类别越高、说明空气污染状况越严重,对人体的健康危害也就越大。AQI评价主要突出单向污染物指标的作用,即空气质量级别取决于某一污染物质量浓度对应的空气质量分指数(IAQI),见表1。

3 基于ABC-BP环境空气质量评价模型建立

3.1 ABC-BP环境空气质量评价模型

建立基于ABC-BP环境空气质量评价模型步骤如下:

(1)处理环境空气质量数据。

(2)用训练样本数据训练BP神经网络。

(3)利用ABC算法优化BP神经网络,计算BP最优连接权值和阈值。

(4)使用测试样本数据,通过训练完成的ABC-BP模型进行环境空气质量评价。

(5)满足终止条件(达到设定准确率、超过预定最大循环次数),输出空气质量等级,否则返回步骤(3)继续训练ABC-BP模型。

3.2 ABC-BP环境空气质量评价模型参数优化

人工蜂群算法是一种新的智能寻优算法[3],该算法是通过蜂群中不同工种蜜蜂之间的协同合作,主要解决在新领域和已知领域进行精确搜索之间矛盾,有效避免局部最优解问题。利用蜂群优化算法优化BP神经网络的连接权值和阈值,具体实现步骤如下:

(1)初始化ABC算法参数,包括蜂群群体数量SN,雇佣蜂和观察蜂的数量,最大循环次数Mx,终止循环次数Mz,食物源数量Sn。

(2)依据式(1)随机生成Sn食物源(BP参数)个体种群。

(3)雇佣蜂根据食物源位置信息进行邻域搜索,采用贪婪算法选择食物源,根据式(2)计算个体适应度(进行环境空气质量评价准确率)。若该新个体适应度值高于旧食物源的适应度值,则通过式(3)进行位置信息更新。

式中Vacc为ABC-BP的环境空气质量评价准确率

式中,,且之间的随机数。

(4)观察蜂依据雇佣蜂提供食物源位置和适应度值,计算式(4)依据pi进行食物源选择,概率越大选中几率越大,选定食物源后,同样进行邻域选择,采用贪婪准则保留较好解。

式中,fiti为第i个解的适应度;

(5)判断是否满足终止条件和是否存在放弃解,若存在

经过li Mit次循环后,判断是否存在放弃解,若存在要丢弃的解,则雇佣蜂变为侦查蜂,并根据式(1)产生新解替代它。

(6)如果满足迭代终止条件,则输出最优参数,算法结束,否则返回步骤(3);

4 仿真实验与分析

4.1 实验数据

本实验数据来源于中国环境监测总站(http://www.cnemc.cn/)发布的实时数据,采集了邢台市2014年12月12日至2016年6月1日空气质量数据,数据包括PM2.5、PM10、SO2、CO、NO2、O3浓度值、AQI值和级别,前480条数据做训练数据,后面数据做测试数据。空气质量指数级别划分[4],如下表2所示。

4.2 实验结果与分析

采用ABC-BP空气质量评价模型,输入六项空气污染物(PM2.5、PM10、SO2、CO、NO2、O3)日均浓度值,为了消除各位数据量级的差异,对数据进行归一处理,转化为[0,1]区间[5],输出为一项,根据空气质量指数级别标准,输出项生成值范围为[0,6],各级输出范围分别是[0,1]、[1,2]、[2,3]、[3-4]、[4-5]、[5-6]。

经过多次仿真实验,ABC-BP空气质量评价模型中BP神经网络采用6-8-1结构,学习率设定为0.05、误差精度为10-8,Sn=20,Mx=100,Mz=1000,li Mit=100。ABC-BP空气质量评价模型评价结果如表3所示。通过仿真实验表明,采用ABC-BP空气质量评价模型评价结果与实际评价等级是一致的,表明该模型精度很高,能够很好满足实际应用需求。

5 结论

为了提供一种有效准确评价空气质量等级的方法,提出了基于ABC-BP模型环境空气质量评价方法,使用ABC算法优化BP神经网络,可有效克服局部极值点,避免陷入局部最优,并进行了仿真实验,通过实验数据结果表明,该模型精度很高,能够很好满足空气质量等级评价实际应用需求,具有一定实用性和推广价值。

摘要：为了提供一种高效准确评价空气质量等级的方法,文中通过蜂群优化算法和BP神经网络优化组合,提出了一种基于ABC-BP模型环境空气质量评价方法,通过仿真实验表明,该方法空气质量等级评价结果准确,具有一定实用性。

关键词：BP神经网络,蜂群优化算法,空气质量等级评价

参考文献

[1]黄丽.BP神经网络算法改进及应用研究[D].重庆:重庆师范大学,2008:8-12

[2]艾洪福,石营.基于BP人工神经网络的雾霾天气预测研究[J].计算机仿真,2015,32(1):402-405.

[3]张冬丽.人工蜂群算法的改进及相关应用研究[D].秦皇岛:燕山大学,2014:3-9.

[4]刘杰,杨鹏,吕文生等.基于北京市6类污染物的环境空气质量评价方法[J].安全与环境学报,2015,15(1):310-314.

ABC模型篇4

科技日新月异的发展使得制造业企业的生存和发展环境发生了巨大变化,多样化、小批量的客户要求以及信息化程度的显著提升使得作业成本法/作业成本管理(ABC/ABM)在制造业企业中的应用具有意义。作业成本法主要用于精确地核算企业的成本,解决间接费用的分配问题。它以作业作为分配间接费用的基础,通过对作业成本的精确核算,可以有效地解决传统成本法对间接费用分配不准确的问题,并且可以明确成本控制的责任承担方。随着作业成本法的理论和实践深入发展,它被人们广泛应用于生产决策、存货估价、产品定价决策、新产品开发、产品组合决策等诸多方面。其中,产品定价决策、新产品开发、产品组合决策等属于企业短期经营决策,本文主要分析基于ABC/ABM的资源耗用模型在短期经营决策中的应用。

二、ABC/ABM原理简介

作业成本法是基于经济、技术和数理统计等其他方面的新型会计核算方法,包括作业成本核算和作业成本管理两个部分。作业成本管理是一种以作业成本核算为基础进行成本分析、成本控制以及经营决策的现代管理方法。作业成本法的中心思想是作业,基本依据是成本动因理论。企业在分析成本动因基础上,确定企业生产过程中形成的作业(中心)、资源消耗以及价值链等,根据作业耗用资源的情况将资源耗费分配给作业,再依据成本对象消耗作业的情况,把作业分配给成本对象。这一过程就是企业为了改进并完善传统的成本核算方法而运用的一种成本核算与管理方法。作业成本法及作业成本管理在现代制造业企业中得到越来越广泛的应用。

作业成本法的基本原理是“产品消耗作业,作业消耗资源”,所以划分作业便是成本核算和成本管理的关键和基础。服务或者产成品成本的总和即为所有的作业成本,是企业对资源成本真实消耗的体现。作业成本法自出现以来,在企业经营决策、产品组合决策、提供准确有用的信息等方面发挥重要作用。作业成本法彻底地改变了传统成本核算方法下间接费用分配标准,所以在作业成本法下也诞生了一系列新的名词,如资源、作业、作业链、价值链、成本库和成本动因等,它们之间的关系如图1所示:

ABC/ABM的基本原理是:依据资源动因将成本分配到每个作业中心形成作业成本库,再依据作业动因把作业成本库的成本分摊到产品形成产品成本。在一系列的生产资源重新整合的过程中,对成本重新归集与分摊的过程其实就是价值转移的过程。

三、制造业企业应用ABC/ABM的优势

ABC/ABM作为一种新型成本核算及管理方法,与传统成本核算方法相比,它有着得天独厚的优势。ABC/ABM在丰富成本核算内容的基础上,不仅可以使成本信息变得更加精确,而且还使得企业的管理制度得到完善。在这个快速发展的时代,运用作业成本法能够比较顺利地解决企业所遇到的一些成本控制方面的问题。

通常情况下,我们认为企业所消耗的间接费用与生产产品的多少是紧密相关的,所以企业在运用传统成本核算方法时往往过于关注企业的产品产量,将它作为间接费用分配的标准。采用这种核算方法造成的后果就是将间接费用平摊,均匀地分摊到每个产品成本中,由此会造成间接费用分配不公的结果,扭曲了成本信息的可靠性与真实性,这种分摊方式其实是不公平的,也是不合理的。在传统成本核算方法下,生产自动化的程度越高,成本信息的扭曲程度就会越大。若企业生产自动化程度较高,则其制造费用也高,在传统成本核算方法下,企业中生产工序和流程简单的产品分摊的制造费用与技术水平较高的高科技产品分摊的制造费用相同,这样会使得产量大、生产工艺流程简单的产品成本大于其真实成本,而产量小、高科技的产品成本又小于其真实成本,从而会出现成本信息的错误和扭曲。

ABC/ABM作为一种新型的成本核算与成本管理的方法,从成本分摊的对象和资源耗费二者之间的关系着手,将作业这个桥梁作为两者之间的连接点,将资源由原先的一步式分摊巧妙地分解为两步式分摊。第一步,根据资源动因,将资源按一定的标准分配给作业中心,形成作业成本库;第二步,作业成本库将归集的作业成本根据作业动因分配到产品中,由此便完成了成本的分摊和归集过程。这种追本溯源的核算方式使我们更了解资源是如何一步一步转换成价值的,多元化的分配标准使得成本核算与管理更加精细化,所以ABC/ABM改善了企业成本信息扭曲的状况,这对于企业后续的成本分析及成本管理有着重大的意义,并为企业的经营决策提供支持作用。

四、ABC/ABM的资源耗用模型在短期经营决策的应用

(一)关于ABC/ABM资源耗用模型

一般情况下,资源耗用模型被定义为一种建立在作业成本管理基础上的短期经营决策模型,因而它是作业成本管理的一种延伸应用。企业在生产经营中所涉及的资源多种多样,需要对其进行重新归类整理,基于ABC/ABM的资源耗用模型中,将作业所耗的资源分为三类:及时性资源、短期资源和长期资源。企业需根据经营活动所涉及的作业活动,划分哪些是相关活动,哪些是非相关活动,并依据资源供应量与需求量之间的关系确定相关成本,最终做出经营决策。图2是基于ABC/ABM的资源耗用模型。

注:图中“Y”表示“是”。

(二)基于ABC/ABM的资源耗用模型在短期经营决策的应用案例

基于ABC/ABM的资源耗用模型在短期经营决策中有多种应用,如在一次性特殊订单决策中的应用、在零件自制还是外购选择中的应用以及在产品组合决策中的应用等。本文将针对企业是否接受一次性特殊订单的决策、企业零件自制和外购决策以及企业产品组合决策等方面,利用基于ABC/ABM的资源耗用模型分析其相关作业活动,判定相关成本,并做进一步的分析及经营决策。

案例一:企业是否接受一次性特殊订单的决策。

按照基于ABC/ABM的资源耗用模型,进行是否接受一次性特殊订单决策时可以按以下步骤进行:首先,企业经营者应当充分了解如果接受订单会得到什么样的结果,是盈利还是亏损;然后沿着这个思路,追踪订单接受后作业会发生怎样的变动,引起哪些相关作业的发生,进而会带动哪些资源供应量的变动;最后,从作业活动的属性来确定相关成本和非相关成本,并做出相应的决策。

某家具公司受托加工一批家具2000套,价格为每套850元。该公司的生产结构资料如表1所示。

目前,企业还有闲置设备5500台,仓库闲置空地还有600平方米。按需取得资源的单位成本资料:密度板每平方米150元,电力每度3元。接受这批订单所需增加的材料或作业数量如表2所示。

对该家具公司的资源进行分析,可以得出成本分析结果如表3所示。

对表1、表2、表3进行分析,可得出:

接受订单增加的成本=1350000+4500+25000+30000+15000=1424500(元)

销售收入=2000×850=1700000(元)

销售利润=1700000-1424500=275500(元)

从以上计算结果可以看出,公司接受该订单增加的相关成本为1429500元,可以获得利润275500元,所以应当接受订单。

案例二:企业零件自制和外购决策。

企业在考虑某种零件是自制还是外购时,往往会涉及成本和收益问题。通常情况下,当外购零件的成本低于自制零件的成本时,企业经营者就会果断地选择成本低的方案。但是,如果企业经营者仅凭外购价格低于企业当前自制成本,就决定对外进行采购,那么很可能做出错误的决策,没有达到真正降低成本的目的。企业对外采购零件看似在价格上占有优势,但是会造成企业成长期的作业能力剩余以及预先取得的长期资源的浪费,如此就大大增加了企业的设备闲置能力需求。如果外购所带来的成本降低小于机器设备闲置带来的成本增加,那么选择外购便是不明智的举措了。因此,对于企业经营者来说,需要在决策过程中认真地分析成本的具体构成。

某公司主要生产印刷机零件,在同一条生产线上生产甲、乙、丙三种零件,如果选择外购,每个零件含运费价格为150元,另外,需增加一名外购零件质检员,平均年薪3.4万元。经过生产部门对作业流程分析和分解,该公司最终按照同质作业集合的原则划分了材料采购、生产准备、机械加工、质量检验和管理五个作业中心。该公司每年需要甲零件800个,单位甲零件耗用直接材料成本70元/件,自制甲零件的其他成本资料见表4。

此外,该公司与所有员工签订了5年劳动合同,现在离合同到期尚有4年时间,不得无故辞退员工;现有生产能力完全能够满足自制甲零件的需求,而即使甲零件停产也不得转移现有的生产能力。根据上述条件可以计算得出甲零件相关作业及耗用资源的成本:

材料采购工资=35000/1750×500=10000(元)

生产准备物料消耗=9000/60×20=3000(元)

机械加工工资=200000/40000×8000=40000(元)

机械加工折旧=500000/40000×8000=100000(元)

机械加工燃料和动力=100000/40000×8000=20000(元)

机械加工物料=80000/40000×8000=16000(元)

质量检验工资=40000/2000×120=2400(元)

质量检验物料=3500/2000×120=210(元)

管理工资=30000/15000×8000=16000(元)

由此可得出表5。

根据分析计算,甲零件的相关成本为39210元(3000+20000+16000+210)。

据以上资料可以计算出:

甲零件的外购成本=外购材料成本+检验成本=800×150+34000=154000(元)

甲零件的自制成本=直接材料成本+作业成本=800×70+39210=95210(元)

单位:元

甲零件外购与自制成本分析如表6所示。

由于甲零件自制相关总成本95210元小于甲零件外购相关总成本154000元,所以应选择自制。

利用基于ABC/ABM的资源耗用模型,对外购和自制所引起的作业活动进行分析,并且充分考虑资源供应量和需求量的变化,对两种方案的相关成本和总成本进行准确的核算和深入的分析,得出较为准确的结果,这样有利于企业经营者进行短期经营决策。

案例三:企业产品组合决策。

在资源供应受到限制的情况下,如何安排生产是一个重要问题。一般情况下,企业都会依照单位产品的边际贡献做出生产安排,但是按照基于ABC/ABM的资源耗用模型,企业应当找出资源供应量受到限制的作业,依据该作业单位产出边际贡献大小来确定产品的生产安排。

某公司2××7年3月份预计生产A01、A02两种产品,A01、A02产品工艺流程不同,A01产品是大批量的、工艺较简单的产品,A02产品是小批量的、工艺较复杂的产品。与机械加工作业密切相关的厂房和机器设备是该公司预先取得的长期资源。预计该公司机械加工作业每月可提供的机器工时最多为1200小时。

该公司根据长期合同和临时订单预计的2××7年4月份最低和最高销售量如表7所示。

单位:件

2××6年4月份A01、A02两种产品的其他有关资料如表8所示。

通过计算我们可以看出,最低销量需要的机械加工作业的工时=12000×0.05+6000×0.08=1080(小时);最高销售量需要的机械加工作业的工时=15000×0.05+8000×0.08=1390(小时)。

如果A01、A02两种产品的销量均为最低水平,则机械加工作业的生产能力剩余120小时;如果A01、A02两种产品的销量均为最高水平,则机械加工作业的生产能力(1200小时)不能满足生产需要(1390小时)。

A01产品单位作业产出(小时)贡献毛利=9/0.05=180(元/小时);A02产品单位作业产出(小时)贡献毛利为18/0.08=225(元/小时)。A02产品单位作业产出(小时)贡献毛利大于A01产品单位作业产出(小时)贡献毛利。按机械加工作业的单位产出贡献毛利高低来安排剩余生产能力的产品生产:由于A02产品单位作业产出贡献毛利最大,剩余生产能力优先满足A02产品临时订单的生产需求,而生产A02产品临时订单销量需耗用机械加工作业的工时为160小时(2000×0.08),说明剩余生产能力不能完全满足A02产品临时订单的要求,该公司只能安排增产A02产品1500件(120/0.08)。因此,该公司2××6年4月份可以生产A01产品12000件、A02产品7500件,可产生利润=12000×9+7500×18=243000(元)。

企业根据基于ABC/ABM的资源耗用模型进行产品生产组合决策,能够真正地使资源得到合理的配置,从而使企业生产的利润最大化。

五、结论

企业采用作业成本法对产品成本进行核算,准确度相对较高,所以ABC/ABM能够很好地解决现代企业经营中所面临的一些决策难题,能够为企业的成本管理提供相对准确的成本信息,在成本管理如何采取措施方面指明方向,对于企业的成本控制和短期经营决策都有较大帮助。

在是否接受一次性特殊订单的问题上,企业应当区分特殊订单是否引起作业变化,接受订单所引起的成本变化是否与资源耗用相关,进而计算出是盈利还是亏损。

在企业零件自制还是外购的问题上,应当考虑自制成本和外购成本的大小,当自制成本大于外购成本时则选择外购,反之则选择自制。当然这种比较不是单纯的自制成本与外购成本的比较,在确定外购的成本时,应该考虑由此带来的企业闲置生产能力成本。

在企业产品组合决策的问题上,企业应根据自身所拥有的限制性资源以及当前市场的销售水平,对现有的生产计划做出调整,以期实现企业经营利润最大化。

通过对制造业企业生产成本核算过程进行分析可以发现,基于ABC/ABM的资源耗用模型在短期经营决策的有效应用,可以使企业的成本得到良好的控制,资源能够得到合理利用和最优化配置,以及实现企业的利润最大化。

摘要：本文主要讨论ABC/ABM的资源耗用模型在制造业企业短期经营决策中的应用,借助典型的案例分析可以发现,基于ABC/ABM的资源耗用模型对经营决策的有效应用,对于企业的成本控制、资源的合理利用及其优化配置和实现企业的利润最大化大有裨益,使得企业可以适应不断变化的市场需求。

关键词：ABC/ABM,制造业企业,资源耗用模型,短期经营决策

参考文献

熊文焰,苏文兵,仇秋菊.中国企业需要作业成本管理吗?--来自中国制造业的调查[J].生产力研究,2009(1).

丁雪慧.资源耗用模型与短期经营决策比较分析[J].财会通讯,2010(8).