تخمین تابع هزینه- فعالیت در هزینه‌یابی بر مبنای فعالیت با استفاده از الگوی ترکیبی شبکه‌های عصبی- تحلیل پوششی داده‌های چندلایه در بانک مسکن

هزینه یابی بر مبنای فعالیت از زمان معرفی شدن تا کنون توجهات زیادی را به خود جلب کرده است. لیکن عملا مشکلات اجرایی در پیاده سازی این نظام هزینه یابی وجود دارد که باعث می شود علیرغم برتری محاسباتی هزینه یابی بر مبنای فعالیت نسبت به هزینه یابی سنتی، سازمان ها و شرکت ها همچنان علاقمند به استفاده از این روش هزینه یابی نباشند. در پژوهش حاضر مشکلات اجرایی که عملا در پیاده‌سازی هزینه‌یابی بر مبنای فعالیت وجود دارد، بررسی گردیده و برای حل مسئله تخمین رابطه هزینه- فعالیت (CER) و همچنین کاهش هزینه‌های انجام زمان‌سنجی در سازمان‌ها از رویکرد شبکه‌های عصبی مصنوعی استفاده شده است. جامعه آماری تحقیق کلیه شعب بانک مسکن می‌باشد که با استفاده از روش تحلیل پوششی داده‌های چند لایه (CI- DEA) و بر اساس مشابهت عملکرد در سال 1395 خوشه‌بندی گردیده و 450 شعبه به عنوان نمونه انتخاب گردید و برای آموزش و آزمون مدل شبکه‌های عصبی استفاده شده است. ویژگی متمایزکننده این الگو نسبت به سایر الگوها در نظر گرفتن رابطه بین هزینه- فعالیت بصورت غیرخطی است. معماری خاص شبکه پیشنهادی باعث می‌شود تا علاوه بر پیش‌بینی هزینه فعالیت، مقدار سهم محرک منبعی (زمان) که به عنوان محرک تسهیم هزینه به فعالیت در مدل اجرایی مرسوم، استفاده می‌شود نیز از مدل قابل استخراج باشد. نتایج RMSE و MAE مدل معرفی شده نشان داد که مدل ارائه شده قابلیت تخمین رابطه هزینه- فعالیت را دارا می‌باشد.