鄧君令（中國電信集團(tuán)廣東分公司財(cái)務(wù)共享服務(wù)中心 廣東廣州 510081）

一、引言

2020年9月22日，國家主席習(xí)近平在第七十五屆聯(lián)合國大會(huì)一般性辯論上發(fā)表重要講話：“中國將提高國家自主貢獻(xiàn)力度，采取更加有力的政策和措施，二氧化碳排放力爭于2030年前達(dá)到峰值，爭取在2060年前實(shí)現(xiàn)碳中和?！薄疤贾泻汀笔侵竾?、企業(yè)、產(chǎn)品、活動(dòng)或個(gè)人在一定時(shí)間內(nèi)直接或間接產(chǎn)生的二氧化碳或溫室氣體排放總量，通過植樹造林、節(jié)能減排等形式，以抵消自身產(chǎn)生的二氧化碳或溫室氣體排放量，實(shí)現(xiàn)正負(fù)抵消，達(dá)到相對(duì)“零排放”。對(duì)企業(yè)，國家通過制定一系列政策，引導(dǎo)企業(yè)采取措施，從而控制并逐步減少生產(chǎn)運(yùn)營等活動(dòng)中所產(chǎn)生的碳排放。中央經(jīng)濟(jì)工作會(huì)議確定的2021年八項(xiàng)重點(diǎn)工作第八項(xiàng)就是節(jié)能減排，減污降碳等碳中和工作。

隨著強(qiáng)制性節(jié)能增效政策推出，實(shí)現(xiàn)能耗限額標(biāo)準(zhǔn)全覆蓋，高耗能行業(yè)大中型企業(yè)合規(guī)性壓力增大，如電信運(yùn)營商，根據(jù)近年各運(yùn)營商公開年報(bào)，中國移動(dòng)2019年度營業(yè)成本為6 327.68億元，其中網(wǎng)絡(luò)運(yùn)營及支撐成本為1 758.10億元，而動(dòng)力水電取暖費(fèi)用為328.37億元；中國電信營業(yè)成本3 466.64億元，其中網(wǎng)絡(luò)運(yùn)營成本1 097.99億元，而能耗成本為138.18億元；中國聯(lián)通營業(yè)成本2 141.33億元，而網(wǎng)絡(luò)運(yùn)營及支撐成本為432.36億元；僅移動(dòng)和電信兩家，動(dòng)力能耗成本總額就高達(dá)466.55億元，分別占其網(wǎng)絡(luò)運(yùn)營及支撐成本的18.68%和12.58%。隨著5G智能+的發(fā)展，營業(yè)成本中能耗成本增長趨勢(shì)明顯，加上管理費(fèi)用、銷售費(fèi)用中辦公、營業(yè)廳用電費(fèi)費(fèi)用，企業(yè)的電費(fèi)總量居高不下，成本費(fèi)用壓降趨勢(shì)依然嚴(yán)峻。

一方面是國家政策，另一方面實(shí)現(xiàn)企業(yè)為股東創(chuàng)造更多的價(jià)值，將更多地取決于對(duì)成本的精耕細(xì)作，實(shí)現(xiàn)成本的精細(xì)化管理，而能耗成本更是重點(diǎn)成本管控目標(biāo)之一?；谌斯ぶ悄軘?shù)據(jù)分析技術(shù)日漸成熟，有利于管理會(huì)計(jì)成本管理方法提升，通過繪制企業(yè)財(cái)務(wù)數(shù)據(jù)之間、財(cái)務(wù)數(shù)據(jù)與非財(cái)務(wù)數(shù)據(jù)之間的勾稽關(guān)系，建立學(xué)習(xí)模型、機(jī)器自動(dòng)學(xué)習(xí)，由輸入特征值數(shù)據(jù)推導(dǎo)出輸出目標(biāo)成本科目預(yù)測(cè)值，研究影響成本的主要因素，提前有針對(duì)性地控制各項(xiàng)輸入特征值科目預(yù)算，對(duì)成本費(fèi)用進(jìn)行合理控制，實(shí)現(xiàn)精細(xì)化成本管控。對(duì)已發(fā)生成本異常，通過預(yù)測(cè)模型發(fā)現(xiàn)預(yù)測(cè)值與實(shí)際值數(shù)據(jù)偏離原因，加強(qiáng)管理，防止年度成本費(fèi)用偏離預(yù)算目標(biāo)。

二、相關(guān)研究

根據(jù)財(cái)政部發(fā)布的《管理會(huì)計(jì)應(yīng)用指引第300號(hào)——成本管理》，企業(yè)成本管理是指在營運(yùn)過程中實(shí)施成本預(yù)測(cè)、成本決策、成本計(jì)劃、成本控制、成本核算、成本分析和成本考核等管理活動(dòng)，分事前、事中、事后管理等。事前主要是對(duì)未來成本水平及其趨勢(shì)進(jìn)行預(yù)測(cè)與規(guī)劃；事中主要是對(duì)營運(yùn)過程中發(fā)生的成本進(jìn)行監(jiān)督和控制，事后是在成本發(fā)生之后進(jìn)行的核算、分析和考核。傳統(tǒng)的成本管理管控方法更多解決可以線性描述的成本費(fèi)用關(guān)系，計(jì)算非線性的成本費(fèi)用關(guān)系能力有限，限制了成本預(yù)測(cè)、控制、分析的范圍，目前主要有目標(biāo)成本法、標(biāo)準(zhǔn)成本法、變動(dòng)成本法、作業(yè)成本法等。

人工神經(jīng)網(wǎng)絡(luò)雖然是20世紀(jì)40年代出現(xiàn)，但財(cái)會(huì)領(lǐng)域真正開始嘗試卻是80年代，如1987年美國執(zhí)業(yè)會(huì)計(jì)師協(xié)會(huì)首次將人工智能引入會(huì)計(jì)智能審計(jì)領(lǐng)域，發(fā)布了“人工智能與專家系統(tǒng)簡介”。目前，人工智能技術(shù)也逐步完善，從單層感知網(wǎng)絡(luò)到BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)理論研究和技術(shù)積累已非常豐富，并出現(xiàn)了非常成熟的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型工具，為會(huì)計(jì)師學(xué)習(xí)和應(yīng)用提供了便利，也便于管理會(huì)計(jì)專家專業(yè)知識(shí)的累積和固化，為其他新進(jìn)管理會(huì)計(jì)人員提供指引，總體提高成本管理工作的效率和精準(zhǔn)性。最初的人工智能神經(jīng)網(wǎng)絡(luò)，具有模型清晰、結(jié)構(gòu)簡單、計(jì)算量小等優(yōu)點(diǎn)，但也存在不足，例如無法處理非線性問題，即使計(jì)算單元的作用函數(shù)不用，閥函數(shù)用其他較復(fù)雜的非線性函數(shù)，仍然只能解決線性可分問題，不能實(shí)現(xiàn)某些基本功能，從而限制了它的應(yīng)用。隨著技術(shù)的發(fā)展，具有函數(shù)逼近、模式識(shí)別、分類、數(shù)據(jù)壓縮的BP神經(jīng)網(wǎng)絡(luò)被David Runelhart、Geoffrey Hinton、Ronald W-llians、DavidParker等人提出，創(chuàng)造性地解決了多層神經(jīng)網(wǎng)絡(luò)隱含層連接權(quán)學(xué)習(xí)問題，并發(fā)布完整的數(shù)學(xué)推導(dǎo)過程。作為一種全新的誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，其突出優(yōu)點(diǎn)是具有很強(qiáng)的非線性映射能力與柔性的網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)中間層、各層神經(jīng)元數(shù)和網(wǎng)絡(luò)學(xué)習(xí)率等參數(shù)可以根據(jù)具體情況任意設(shè)置，靈活性大，網(wǎng)絡(luò)推廣能力強(qiáng)。

三、基于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的電費(fèi)成本管理原理

每個(gè)企業(yè)相當(dāng)一個(gè)神經(jīng)網(wǎng)絡(luò)，如圖1所示，財(cái)務(wù)和非財(cái)務(wù)數(shù)據(jù)類似于神經(jīng)元，每個(gè)神經(jīng)元互相連接，互相依存，一個(gè)神經(jīng)元的波動(dòng)，會(huì)引起其他神經(jīng)元的聯(lián)動(dòng)，如在國家碳中和目標(biāo)背景下，國家對(duì)高能耗產(chǎn)業(yè)政策的調(diào)整，必定會(huì)影響相關(guān)企業(yè)，如對(duì)電力消耗大的電信運(yùn)營商企業(yè)，耗能高的設(shè)備更新為更節(jié)能環(huán)保設(shè)備，對(duì)應(yīng)固定資產(chǎn)、電費(fèi)成本費(fèi)用數(shù)據(jù)聯(lián)動(dòng)變化，通過分析影響電費(fèi)成本費(fèi)用的因素，如設(shè)備資產(chǎn)功率、產(chǎn)品存貨量、服務(wù)完成次數(shù)、用戶收入完成目標(biāo)等，輸入特征值變量描繪輸出電費(fèi)成本目標(biāo)變量值，通過機(jī)器學(xué)習(xí)，建立電費(fèi)成本預(yù)測(cè)分析模型，實(shí)現(xiàn)電費(fèi)成本管理的事前成本預(yù)測(cè)、事中成本控制、事后成本分析等功能。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型是通過數(shù)學(xué)建模的方式模擬神經(jīng)細(xì)胞接受其他神經(jīng)細(xì)胞的信號(hào)，產(chǎn)生反應(yīng)電脈沖輸出的過程，人通過學(xué)習(xí)積累經(jīng)驗(yàn)最終知道何種反應(yīng)輸出是正確的，類似成本線性函數(shù)y=wx+b，變動(dòng)成本加固定成本求解目標(biāo)成本的過程，已知?dú)v史數(shù)據(jù)x和目標(biāo)成本y取值，通過機(jī)器學(xué)習(xí)求解權(quán)重系數(shù)w和偏執(zhí)b，求解過程如下：（1）設(shè)定w的起始值，設(shè)定損失函數(shù)（描述w如何變動(dòng)的函數(shù)，如每次w增加0.001，損失函數(shù)則為wi=wi-1+0.001，不斷測(cè)試w值，直到滿足函數(shù)等式關(guān)系）（b的計(jì)算過程類似）；（2）得到權(quán)重系數(shù)w和偏執(zhí)b后，如果已知任意x代入函數(shù)y=wx+b，可以算出目標(biāo)成本y。

具體到不同的學(xué)習(xí)模型，輸入特征值不止一個(gè)變量，可能是矩陣［x1，x2，x3…，xn］T和權(quán)重系數(shù)也是矩陣［w1，w2，w3…，wn］T，甚至是多層矩陣，輸入特征值變量與輸出目標(biāo)值變量的關(guān)系也不會(huì)是簡單的y=wx+b線性關(guān)系，如通信基站，雖然核定功率乘以使用時(shí)長可以得出類似線性的成本增長曲線，如果加上同時(shí)連接的用戶的數(shù)量，或是用戶數(shù)據(jù)流量大小，電費(fèi)成本的變動(dòng)與功率、時(shí)長、流量的關(guān)系就是非線性的，更傾向?yàn)榉蔷€性的關(guān)系。構(gòu)造滿足非線性關(guān)系的函數(shù)關(guān)系及損失函數(shù)滿足學(xué)習(xí)訓(xùn)練要求，通過歷史數(shù)據(jù)求解權(quán)重系數(shù)W矩陣和偏執(zhí)b，完成網(wǎng)絡(luò)模型建設(shè)后就可以開始成本預(yù)測(cè)、控制、分析等用途。

（一）企業(yè)數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型

企業(yè)財(cái)務(wù)類指標(biāo)如資產(chǎn)、負(fù)債、權(quán)益、收入利潤、成本費(fèi)用，非財(cái)務(wù)類指標(biāo)如客戶、行業(yè)政策、競(jìng)爭環(huán)境、運(yùn)營支撐、人力資源存在線性或非線性的關(guān)系，梳理出特征值變量與輸出值目標(biāo)變量的映射表，搭建神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型如圖2所示。

圖2 企業(yè)數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型

（二）基于BP神經(jīng)網(wǎng)絡(luò)的電費(fèi)成本管理預(yù)測(cè)、控制、分析流程

基于BP神經(jīng)網(wǎng)絡(luò)的電費(fèi)成本預(yù)測(cè)、控制、分析流程如下頁圖3所示。具體流程步驟描述如下：

圖3 基于BP神經(jīng)網(wǎng)絡(luò)電費(fèi)成本預(yù)測(cè)、控制、分析流程圖

1.編制特征值輸入變量和輸出電費(fèi)成本目標(biāo)映射關(guān)系表。不同的企業(yè)、不同成本的影響因素各異，以電信企業(yè)為列，營銷服務(wù)中心、營業(yè)廳的數(shù)量、規(guī)模影響銷售費(fèi)用中的電費(fèi)費(fèi)用；辦公場(chǎng)地的數(shù)量、規(guī)模影響管理費(fèi)用中的電費(fèi)，對(duì)某一公司來說，電費(fèi)一般如無大的結(jié)構(gòu)變化，基本每期變動(dòng)較小，在預(yù)測(cè)時(shí)可以參考?xì)v史數(shù)據(jù)變化趨勢(shì)算出，重點(diǎn)是主營業(yè)務(wù)成本中電費(fèi)成本的預(yù)測(cè)、監(jiān)控、分析，分析企業(yè)影響輸出目標(biāo)電費(fèi)成本的資產(chǎn)、負(fù)債、收入、成本等科目因素或非財(cái)務(wù)數(shù)據(jù)因素，編制特征值輸入變量與輸出電費(fèi)成本目標(biāo)變量映射關(guān)系表（見表1）。

表1 特征值輸入變量和輸出目標(biāo)變量映射關(guān)系表

以電信企業(yè)電費(fèi)成本為輸出變量，特征值輸入變量為國家電費(fèi)政策（如電價(jià)、大工業(yè)用電、直購電和普通工商用電優(yōu)惠電價(jià)）、主營業(yè)務(wù)用電設(shè)備功率輸出（設(shè)備固定資產(chǎn)原值*設(shè)備功率/設(shè)備單價(jià)）、用戶數(shù)（不同用戶規(guī)模對(duì)通信設(shè)備用電耗能）、用戶時(shí)長、用戶流量、主營業(yè)務(wù)收入。在業(yè)務(wù)未發(fā)生大的轉(zhuǎn)型前提下，特征值輸入變量和輸出電費(fèi)成本應(yīng)該有穩(wěn)定的線性或非線性關(guān)系：如特征變量主營業(yè)務(wù)收入增長滿足預(yù)算考核目標(biāo)，但對(duì)應(yīng)的電費(fèi)并未見增長，說明可能年底存在提前預(yù)列收入；或特征變量固定資產(chǎn)發(fā)生變化，如程控交換機(jī)退網(wǎng)，電費(fèi)應(yīng)該也會(huì)發(fā)生變化，如果電費(fèi)維持穩(wěn)定，預(yù)測(cè)值與實(shí)際值不符，可能部分地市公司預(yù)列電費(fèi)成本，維持電費(fèi)成本預(yù)算的增量，為其后續(xù)數(shù)據(jù)業(yè)務(wù)出租（程控機(jī)房退網(wǎng)后改造為IDC出租機(jī)房）預(yù)留電費(fèi)成本。

2.特征值輸入變量和輸出電費(fèi)成本歷史數(shù)據(jù)清洗歸一化、分組。

（1）清洗的目的是保持各變量可比性，方便神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)的快速收斂和防止某一個(gè)變量權(quán)值過重，影響整體預(yù)測(cè)效果。選取歷史年度財(cái)報(bào)及非財(cái)務(wù)歷史數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行清洗，清洗主要是對(duì)各變量進(jìn)行單位統(tǒng)一和量級(jí)統(tǒng)一，單位的統(tǒng)一如用戶數(shù)單位是戶、時(shí)長數(shù)是分鐘、流量是比特，而輸出電費(fèi)是元，具體可以參考《關(guān)于印發(fā)〈2015年電信業(yè)務(wù)不變單價(jià)表〉的通知》 （工運(yùn)行函［2017］187號(hào)）。清洗完后需要采用公式（1）進(jìn)行歸一化，用公式（2）對(duì)輸出目標(biāo)變量進(jìn)行歸一化使得所有輸入特征變量和輸出目標(biāo)值為（0，1）之間。

說明：x*i、y*i為歸一化后輸入特征值變量和輸出特征值變量，xi、yi為歸一化前的輸入特征值變量和輸出特征值變量，xmin、xman、ymin、yman為歸一化前的最小、最大值。

（2）歸一化后，對(duì)數(shù)據(jù)進(jìn)行隨機(jī)分組，分為訓(xùn)練集和測(cè)試集，訓(xùn)練集和測(cè)試集選取的比例可以為9∶1，具體可以根據(jù)數(shù)據(jù)的多少酌情決定；如果歷史數(shù)據(jù)少，可以采用留一法選取測(cè)試集，也就是只選取一組變量為測(cè)試集，其他都為訓(xùn)練集。

3.搭建訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型。現(xiàn)有通用的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)工具有Google發(fā)布的TensorFlow和MathWorks的Matlab神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)工具。選取工具后編程，完成神經(jīng)網(wǎng)絡(luò)模型的搭建，輸入歸一化后訓(xùn)練集的特征值變量和輸出變量，設(shè)置神經(jīng)網(wǎng)絡(luò)隱藏層層數(shù)、訓(xùn)練次數(shù)、可接受的目標(biāo)誤差、學(xué)習(xí)率，可以選取系統(tǒng)默認(rèn)損失函數(shù)或是自己構(gòu)建損失函數(shù)，啟動(dòng)訓(xùn)練，直到輸出誤差在允許的范圍內(nèi)，訓(xùn)練結(jié)束，調(diào)用測(cè)試集特征變量，通過已訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)目標(biāo)值，由于第一步對(duì)測(cè)試集和訓(xùn)練集進(jìn)行歸一化，測(cè)試集調(diào)用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的目標(biāo)值為（0，1）之間的數(shù)值，可以用公式（3）進(jìn)行反歸一化，用公式（4）計(jì)算預(yù)測(cè)值與實(shí)際值的決定系數(shù)R2，R2越接近1，說明學(xué)習(xí)效果越好。

4.事前電費(fèi)成本預(yù)測(cè)、成本決策。獲得成熟的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型后，代入目標(biāo)年度特征值輸入變量值，獲得預(yù)測(cè)電費(fèi)成本輸出，如果預(yù)測(cè)值與目標(biāo)值有差異，說明輸入特征值變量的值可能不適宜，如對(duì)年度用戶收入有較高的增長預(yù)期（用戶采購產(chǎn)品服務(wù)增加，如時(shí)長、流量的增加），而電費(fèi)成本目標(biāo)依然保持與上年趨同或是下降，則需要調(diào)整目標(biāo)電費(fèi)成本目標(biāo)，或是調(diào)低收入增長預(yù)期；或是固定資產(chǎn)（用電設(shè)備）發(fā)生變化，如高耗能的程控交換機(jī)退網(wǎng)，用耗能較小的計(jì)算機(jī)軟交換技術(shù)替代，實(shí)現(xiàn)收入增長的同時(shí)，電費(fèi)成本實(shí)現(xiàn)壓降。

5.事中電費(fèi)成本監(jiān)督、成本控制。如設(shè)定年度電費(fèi)成本目標(biāo)，在期間不斷用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型輸入特征值輸入變量值，獲得的期間電費(fèi)成本預(yù)測(cè)值與實(shí)際電費(fèi)成本進(jìn)行比較，如有差異，分析發(fā)現(xiàn)原因：如部分直購電或是協(xié)議用電約定付費(fèi)在年中或是年終，可能會(huì)導(dǎo)致實(shí)際月度或季度電費(fèi)成本預(yù)測(cè)值與實(shí)際值之間的差異，可以通過預(yù)列成本解決，或是業(yè)務(wù)爆發(fā)式增長導(dǎo)致電費(fèi)成本增加，需要適當(dāng)調(diào)整電費(fèi)成本預(yù)算目標(biāo)。

6.事后成本分析、成本考核。收集特征值輸入變量年度實(shí)際數(shù)據(jù)依次替代特征值輸入變量預(yù)算數(shù)據(jù)，查看輸出電費(fèi)成本差異比例，發(fā)現(xiàn)電費(fèi)成本偏離預(yù)算目標(biāo)的原因，依據(jù)成本考核方法進(jìn)行獎(jiǎng)懲，提升電費(fèi)成本管理手段。

四、基于BP神經(jīng)網(wǎng)絡(luò)的電費(fèi)成本模型訓(xùn)練與測(cè)試結(jié)果

選取上頁表1特征值輸入變量和輸出目標(biāo)變量映射關(guān)系表，訓(xùn)練電費(fèi)成本管理網(wǎng)絡(luò)模型，選取某省分公司用戶規(guī)模、資產(chǎn)規(guī)模、收入規(guī)模都比較類似的7個(gè)地市分公司近5年財(cái)務(wù)年報(bào)數(shù)據(jù)構(gòu)建數(shù)據(jù)集，共生成35條數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行清洗，隨機(jī)排列后，隨機(jī)選擇31條數(shù)據(jù)（35x90%）作為訓(xùn)練集，4條數(shù)據(jù)（35x10%）為測(cè)試集，實(shí)驗(yàn)環(huán)境選擇MATLAB R2017a，最后測(cè)試出目標(biāo)值與預(yù)測(cè)值之間的誤差率，同時(shí)計(jì)算決定系數(shù)R2作為判斷預(yù)測(cè)學(xué)習(xí)效果依據(jù)。

（一）主要數(shù)據(jù)和參數(shù)設(shè)定

進(jìn)行實(shí)驗(yàn)之前，對(duì)數(shù)據(jù)進(jìn)行清洗，其中電價(jià)進(jìn)行量級(jí)為每億瓦單價(jià)，對(duì)用戶數(shù)、用戶時(shí)長、用戶流量轉(zhuǎn)化單位為元，固定資產(chǎn)剔除房屋等非電力消耗對(duì)象資產(chǎn)，主營業(yè)務(wù)收入中對(duì)出租收入等非電力消耗的收入項(xiàng)進(jìn)行剔除。其后對(duì)訓(xùn)練集輸入特征變量數(shù)據(jù)歸一化后獲得歸一化訓(xùn)練集特征輸入變量列表（見表2）。對(duì)應(yīng)訓(xùn)練集輸出目標(biāo)變量見表3。

表2 歸一化后訓(xùn)練集特征輸入變量列表

表3 訓(xùn)練集輸出目標(biāo)變量列表

利用公式（2）對(duì)訓(xùn)練輸出目標(biāo)變量歸一化后，作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型的訓(xùn)練集輸出目標(biāo)變量值。

在訓(xùn)練過程中，先設(shè)置隱含層數(shù)為6，逐步加大隱含層數(shù)量，比較訓(xùn)練結(jié)果，經(jīng)過實(shí)驗(yàn)驗(yàn)證當(dāng)隱含層數(shù)為9時(shí)，效果最好，學(xué)習(xí)率和可接受誤差值設(shè)定類似，最后設(shè)定學(xué)習(xí)率為0.01，可接受誤差為0.01，訓(xùn)練次數(shù)為1 000次。

訓(xùn)練完成后查看訓(xùn)練樣本、驗(yàn)證樣本、測(cè)試樣本和全部樣本的回歸系數(shù)R值，R越接近于1越好，如本次實(shí)驗(yàn)中相關(guān)系數(shù)都為0.9以上，可以認(rèn)為本次訓(xùn)練較為成熟，如果小于0.9，則繼續(xù)訓(xùn)練，直到回歸系數(shù)大于0.9趨近1，如下頁圖4所示。

圖4 訓(xùn)練樣本、驗(yàn)證樣本、測(cè)試樣本和全部樣本的回歸系數(shù)

（二）實(shí)驗(yàn)與結(jié)果

經(jīng)過對(duì)省公司近5年財(cái)務(wù)年報(bào)數(shù)據(jù)和非財(cái)務(wù)數(shù)據(jù)35組數(shù)據(jù)31組訓(xùn)練后神經(jīng)網(wǎng)絡(luò)，用另外4組數(shù)據(jù)進(jìn)行測(cè)試驗(yàn)證訓(xùn)練效果，4組數(shù)據(jù)目標(biāo)值與預(yù)測(cè)值如下頁表4所示的誤差率，最小為0.000317，最大為0.006625847，決定系數(shù)R2=0.99714372，非常逼近于1，說明訓(xùn)練效果較為理想。

表4 測(cè)試機(jī)輸出目標(biāo)變量實(shí)際值及預(yù)測(cè)值對(duì)比表

實(shí)驗(yàn)輸出對(duì)比結(jié)果如圖5所示。

圖5 實(shí)驗(yàn)輸出目標(biāo)變量真實(shí)值與預(yù)測(cè)值對(duì)比圖

五、總結(jié)

實(shí)驗(yàn)結(jié)果輸出預(yù)測(cè)值與實(shí)際值決定系數(shù)R2=0.99714372逼近于1，滿足設(shè)定的誤差率，說明建立神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型通過對(duì)歷史數(shù)據(jù)的學(xué)習(xí)，可以很好地預(yù)測(cè)后續(xù)賬期（月度、季度、年度）電費(fèi)成本，基于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的電費(fèi)成本管理原理有可行性。

本文在參考現(xiàn)有成本管理研究的基礎(chǔ)上，探索基于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的電費(fèi)成本管理方法，與傳統(tǒng)目標(biāo)成本法、標(biāo)準(zhǔn)成本法、變動(dòng)成本法、作業(yè)成本法相比，高耗能企業(yè)電費(fèi)成本存在更多的非線性成本輸入輸出關(guān)系，基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的成本管理方法可以更好地構(gòu)造非線性的數(shù)學(xué)模型，提供數(shù)據(jù)計(jì)算的準(zhǔn)確性，為高能耗行業(yè)提供準(zhǔn)確性和全面性的事前預(yù)測(cè)、決策；事中成本監(jiān)督、控制；事后分析、考核成本管理，同時(shí)借助大數(shù)據(jù)存儲(chǔ)和挖掘技術(shù)，能提高電費(fèi)成本分析的深度和廣度。在國家碳中和目標(biāo)的背景下，為高能耗企業(yè)落實(shí)國家碳排放目標(biāo)、精準(zhǔn)把控動(dòng)力能耗成本支出助力。

該研究方法也可以用于其他成本管理，特別是輸入特征值變量和輸出目標(biāo)變量之間存在非線性關(guān)系，可以作為一種替代成本管理方法，原理與本文論述原理類似，把企業(yè)財(cái)務(wù)數(shù)據(jù)如資產(chǎn)、負(fù)債、權(quán)益、收入利潤、成本費(fèi)用及非財(cái)務(wù)數(shù)據(jù)如客戶、行業(yè)政策、競(jìng)爭環(huán)境、運(yùn)營支撐、人力資源，選擇某項(xiàng)目標(biāo)成本，并由影響其大小的特征值輸入變量描述，繪制映射表，通過歷史數(shù)據(jù)學(xué)習(xí)獲得成熟的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型，保存后就可以用于后續(xù)的成本管理。

該方法還可以拓展用于審計(jì)分析程序，針對(duì)審計(jì)專項(xiàng)，選取適當(dāng)?shù)奶卣髦底兞亢蛯?duì)應(yīng)的輸出目標(biāo)變量（兩者之間可以存在線性的或非線性的關(guān)系），繪制映射表，并訓(xùn)練出成熟神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型；在審計(jì)的風(fēng)險(xiǎn)評(píng)估、實(shí)質(zhì)性審計(jì)程序或?qū)徲?jì)結(jié)論分析階段，調(diào)用學(xué)習(xí)模型，預(yù)測(cè)正確的輸出目標(biāo)變量值，如果目標(biāo)預(yù)測(cè)值與實(shí)際值存在較大差異，說明可能存在風(fēng)險(xiǎn)，通過分析輸入特征值變量與輸出目標(biāo)變量，可以發(fā)現(xiàn)潛在隱藏的舞弊風(fēng)險(xiǎn)；而且神經(jīng)網(wǎng)絡(luò)模型一旦訓(xùn)練成功，可以保存推廣，通過審計(jì)專家訓(xùn)練的模型也能用于新進(jìn)的審計(jì)人員，提高審計(jì)效率，減少對(duì)審計(jì)專家經(jīng)驗(yàn)的要求，在合理降低審計(jì)成本的同時(shí)提高審計(jì)的效率和準(zhǔn)確性。