مقالات مرتبط با این موضوع |
مقالات انگلیسی ترجمه شده حسابداری |
کد محصول: H304
سال نشر: ۲۰۰۳
نام ناشر (پایگاه داده): الزویر
نام مجله: Expert Systems with Applications
نوع مقاله: علمی پژوهشی (Research articles)
تعداد صفحه انگلیسی: ۵ صفحه PDF
تعداد صفحه ترجمه فارسی: ۱۰ صفحه word
قیمت فایل ترجمه شده: ۱۳۰۰۰ تومان
عنوان فارسی:
مقاله ترجمه شده : استفاده از رویکرد هیبریدی (ترکیبی) الگوریتم ژنتیک و شبکه عصبی در هزینه یابی مبتنی بر فعالیت
عنوان انگلیسی:
Application of a hybrid genetic algorithm and neural network approach in activity-based costing
چکیده فارسی:
هزینه یابی مبتنی بر فعالیت (ABC)، توجه گسترده ای را به خود جلب کرده است، زیرا با استفاده از چندین محرک هزینه برای ردیابی هزینه فعالیت ها نسبت به محصولات مرتبط با منابع مصرف شده توسط این
فعالیت ها، دقت بیشتری را در برآورد هزینه ها به دست می آورد. با این حال، دارای برخی مشکلات است. اولین مشکل این است که ABC معیار کلی برای انتخاب محرک های هزینه مناسب ندارد. دومین مشکل اینکه، ABC خطی بودن بین استفاده از فعالیت ها و مقادیر اختصاص یافته هزینه غیر مستقیم را در نظر می گیرد. زمانی که رفتار هزینه، یک الگوی غیر خطی را نشان می دهد، ABC معمولی ممکن است هزینه های محصول را تحریف کند. این مقاله، تکنیک های ترکیبی هوش مصنوعی را برای حل این دو مشکل پیشنهاد می کند. الگوریتم های ژنتیک برای شناسایی محرکین هزینه بهینه یا نزدیک به بهینه استفاده می شوند. علاوه بر این، شبکه های عصبی مصنوعی برای تخصیص هزینه های غیر مستقیم با رفتار غیر خطی به محصولات استفاده می شوند. نتایج تجربی نشان می دهد که مدل پیشنهادی از مدل متعارف بهتر عمل می کند.
کلمات کلیدی: هزینه یابی مبتنی بر فعالیت؛ الگوریتم های ژنتیک؛ شبکه های عصبی مصنوعی؛ بهینه سازی محرک هزینه؛ روابط برآورد هزینه
۱- مقدمه
تخصیص هزینه، کار بسیار مهمی است که در بسیاری از تصمیمات مهندسی و کسب و کار دخیل می باشد. به این معنا، هزینه یابی مبتنی بر فعالیت (ABC) طی دهه گذشته توجه زیادی را به خود جلب کرده است، زیرا برای رفع مشکلات سیستم هزینه یابی سنتی از طریق یک فرآیند تخصیص معقول توسعه یافته است. با این حال، ABC متعارف، دارای برخی مشکلات می باشد که باید حل شوند. اولین مشکل این است که ABC معیارهای کلی برای انتخاب محرکین هزینه مناسب را ندارد. این مشکل با مسئله بهینه سازی محرکین هزینه (CDO) مرتبط بوده و با کارایی سیستم های هزینه یابی در ارتباط می باشد. دوم، ABC معمولی یا متعارف، معمولاً یک تابع هزینه خطی را در نظر می گیرد. تابع هزینه خطی یک تابع است که در آن نمودار کل هزینه ها در مقابل یک محرک هزینه واحد، خط مستقیمی را در محدوده مربوطه ایجاد می کند. Horngren، Foster و Datar (1997) اشاره کردند کهتابع هزینه، در عمل، همیشه خطی نیست، اما گاهی اوقات رفتار غیر خطی نشان می دهد. آنها تابع غیر خطی را به عنوان یک تابع هزینه توصیف کردند که در آن نمودار کل هزینه ها در مقابل یک محرک هزینه واحد، یک خط مستقیم را در محدوده مربوطه تشکیل نمی دهد. در این جنبه، ABC معمولی ممکن است در زمانی که رفتار هزینه، رفتار غیر خطی نشان می دهد، هزینه های محصول را تحریف کند. بنابراین، مشکل دوم با روابط برآورد هزینه (CERs) مرتبط است، و همچنین به اثربخشی سیستم های هزینه یابی مربوط می شود.
محققان پیشین تلاش کرده اند بر این مشکلات ABC معمولی غلبه کنند. برخی از این مطالعات نشان دادند که عملکرد برآورد شبکه عصبی مصنوعی (ANN) برای تخصیص هزینه بهینه در ABC بهتر از عملکرد برآورد رگرسیون خطی می باشد (Bode, 1998a,b; Creese & Li, 1995; Garza & Rouhana, 1995; Lee, 1993; Lee & Ahn, 1993; Smith & Mason, 1997). مطالعات دیگر، کارایی روش های جستجوی اکتشافی یا هیوریستیک را برای انتخاب محرکین هزینه بهینه اثبات کردند (Babad & Balachandran, 1993; Levitan & Gupta, 1996). با این حال، آنها این دو مشکل را به طور همزمان در نظر نگرفتند.
Abstract
Activity-based costing (ABC) has received extensive attention since it achieves improved accuracy in estimating costs, by using multiple cost drivers to trace the cost of activities to the products associated with the resources consumed by those activities. However, it has some problems. The first problem is that ABC does not have general criteria to select relevant cost drivers. Second, ABC assumes linearity between the uses of activities and the assigned quantities of indirect cost. When cost behavior shows a nonlinear pattern, conventional ABC may distort product costs. This paper proposes hybrid artificial intelligence techniques to resolve these two problems. Genetic algorithms are used to identify optimal or near-optimal cost drivers. In addition, artificial neural networks are employed to allocate indirect costs with nonlinear behavior to the products. Empirical results show that the proposed model outperforms the conventional model.