文 · 廈門燕之屋生物工程股份有限公司 熊婷 廈門大學(xué)管理學(xué)院 陳亞盛 許欣

一、引言

人工智能（Artificial Intelligence, AI）的概念在1956年的達(dá)特茅斯夏季討論會(huì)上被首次提出。作為計(jì)算機(jī)科學(xué)的一個(gè)分支，人工智能旨在用計(jì)算機(jī)模擬人類智能，讓機(jī)器像人類一樣進(jìn)行認(rèn)知、思考和學(xué)習(xí)，其本質(zhì)在于模擬、延伸和拓展人類學(xué)習(xí)和思維的過程 （周志華，2016）。近年來(lái)，越來(lái)越多的研究人員嘗試將人工智能技術(shù)應(yīng)用于管理預(yù)測(cè)和決策支持系統(tǒng)的開發(fā)。例如財(cái)務(wù)欺詐預(yù)測(cè)（Yang Bao et al.,2020）、產(chǎn)品定價(jià)決策（Tsantekidis et al.,2017）和投資項(xiàng)目決策（Galeshchuk et al.,2017; Nanda et al., 2010）等。然而，預(yù)算管理作為管理會(huì)計(jì)的重要職能之一（Covaleski et al., 2003），卻鮮見相應(yīng)人工智能應(yīng)用的實(shí)踐探討。為了填補(bǔ)這一空白，本文基于一種深度學(xué)習(xí)算法—長(zhǎng)短期記憶模型（Long Shortterm Memory, LSTM），構(gòu)建了一個(gè)智能預(yù)算預(yù)測(cè)模型，并將該模型應(yīng)用于一家服裝直營(yíng)門店的預(yù)算管理中。研究結(jié)果表明，本文構(gòu)建的智能預(yù)算預(yù)測(cè)模型能夠較為精確地捕捉該門店的銷售變動(dòng)規(guī)律，預(yù)測(cè)的日銷售量與實(shí)際日銷售量基本吻合。根據(jù)該模型的預(yù)測(cè)結(jié)果進(jìn)行訂貨管理，可以幫助門店管理人員更好地規(guī)劃庫(kù)存和銷售活動(dòng)，有效降低庫(kù)存積壓和提高資金利用效率。本文展現(xiàn)了人工智能技術(shù)應(yīng)用于預(yù)算管理領(lǐng)域的可行性和可靠性，豐富了智能管理會(huì)計(jì)方面的研究，為預(yù)算管理方法的智能化發(fā)展和升級(jí)轉(zhuǎn)型奠定了良好的研究基礎(chǔ)。

二、傳統(tǒng)預(yù)算預(yù)測(cè)方法及局限

20世紀(jì)90年代公司法實(shí)施后，我國(guó)企業(yè)在引進(jìn)西方預(yù)算管理思想的基礎(chǔ)上發(fā)展出具有中國(guó)特色的全面預(yù)算管理制度（貢華章，2008）。在預(yù)算編制中，企業(yè)通常運(yùn)用多種定性和定量預(yù)測(cè)方法來(lái)制定預(yù)算指標(biāo)。由于有限理性的存在，企業(yè)預(yù)算編制人員可能受到認(rèn)知偏差的影響，傾向于啟動(dòng)以經(jīng)驗(yàn)和直覺為主的定性預(yù)測(cè)方法。定性預(yù)測(cè)法雖然能夠提高預(yù)算效率，但缺乏定量分析，而且容易受到管理人員工作經(jīng)驗(yàn)和分析判斷能力的影響，往往很難得到準(zhǔn)確可靠的預(yù)測(cè)結(jié)果（徐國(guó)祥，1999）。定量預(yù)測(cè)法以歷史數(shù)據(jù)為依據(jù)，運(yùn)用現(xiàn)代數(shù)理統(tǒng)計(jì)方法建立模型，其中最常見和最流行的一種方法是回歸預(yù)測(cè)法?；貧w預(yù)測(cè)法的理論基礎(chǔ)來(lái)自Box和Jerkins（1971）提出的自動(dòng)回歸滑動(dòng)平均預(yù)測(cè)模型（ARIMA），假設(shè)預(yù)測(cè)目標(biāo)與影響因素之間存在線性關(guān)系，在歷史數(shù)據(jù)基礎(chǔ)上運(yùn)用連貫、類推等原則對(duì)預(yù)算指標(biāo)進(jìn)行預(yù)測(cè)。由于預(yù)測(cè)對(duì)象所處的內(nèi)外部環(huán)境在不斷變化，傳統(tǒng)定量預(yù)測(cè)模型無(wú)法根據(jù)環(huán)境的變化做出改變，靈活性和適應(yīng)性較差（Galvan et al., 2001）。在時(shí)效性上，傳統(tǒng)預(yù)算預(yù)測(cè)方法通常以一個(gè)固定的會(huì)計(jì)分期（一年或一個(gè)季度）為預(yù)測(cè)周期，難以支撐動(dòng)態(tài)實(shí)時(shí)的業(yè)務(wù)管理需求。所以，運(yùn)用傳統(tǒng)預(yù)算預(yù)測(cè)方法制定的預(yù)算目標(biāo)容易與非財(cái)務(wù)指標(biāo)脫節(jié)（于增彪 等，2004），缺乏相應(yīng)的外部環(huán)境分析（毛洪濤 等，2013），通常是公司股東、董事會(huì)等利益相關(guān)方相互協(xié)調(diào)、討價(jià)還價(jià)的結(jié)果（王斌 等，2001）。

為了解決傳統(tǒng)預(yù)算預(yù)測(cè)方法存在的問題，提高預(yù)算管理的科學(xué)性和準(zhǔn)確性，2000年后，越來(lái)越多的企業(yè)在預(yù)算管理中引入了信息化支持，例如采用ERP系統(tǒng)或者專業(yè)的預(yù)算管理系統(tǒng)來(lái)開展預(yù)算管理工作等（韓向東，2014）。企業(yè)將預(yù)算流程嵌入ERP系統(tǒng)，提高了預(yù)算管理的流程規(guī)范化水平和效率（Grabskiet et al.,2011）。專業(yè)的預(yù)算管理軟件為集團(tuán)企業(yè)提供了統(tǒng)一的商業(yè)智能數(shù)據(jù)管理平臺(tái)，能夠處理繁瑣數(shù)據(jù)之間的聯(lián)動(dòng)整合，其編制模塊主要功能是建立各子預(yù)算之間的勾稽、聯(lián)動(dòng)關(guān)系，確保整體預(yù)算結(jié)構(gòu)的完整、一致與合理（劉俊勇，2017），解決了復(fù)雜組織架構(gòu)下內(nèi)部各主體數(shù)據(jù)間難以相互驗(yàn)證的問題。預(yù)算管理軟件大大節(jié)省了企業(yè)預(yù)算編制過程中的時(shí)間和人力成本（張念珍，2013），但缺乏大數(shù)據(jù)分析處理和預(yù)算預(yù)測(cè)等管理決策支持功能，預(yù)算目標(biāo)制定的準(zhǔn)確性仍有待提高。

目前的商業(yè)智能預(yù)算系統(tǒng)能夠較為高效地處理數(shù)據(jù)量較少的結(jié)構(gòu)化數(shù)據(jù)，但仍然難以滿足大數(shù)據(jù)背景下動(dòng)態(tài)實(shí)時(shí)的預(yù)算數(shù)據(jù)處理要求。隨著互聯(lián)網(wǎng)的普及和物聯(lián)網(wǎng)的發(fā)展，社會(huì)信息總量呈爆炸式增長(zhǎng)。同時(shí)，企業(yè)內(nèi)部信息系統(tǒng)的建設(shè)也極大豐富了業(yè)務(wù)和財(cái)務(wù)數(shù)據(jù)，大量結(jié)構(gòu)化以及非結(jié)構(gòu)化的數(shù)據(jù)的價(jià)值有待企業(yè)管理者深入挖掘。在海量數(shù)據(jù)面前，處理數(shù)據(jù)的效率和效果就是企業(yè)的生命，因此引進(jìn)人工智能技術(shù)進(jìn)行大數(shù)據(jù)處理并服務(wù)于預(yù)算預(yù)測(cè)和管理，已成為當(dāng)前預(yù)算管理系統(tǒng)亟待補(bǔ)充的新功能。

三、人工智能算法在預(yù)算預(yù)測(cè)中的應(yīng)用

本文選取了福建省廈門市某服裝公司一家直營(yíng)終端門店作為研究對(duì)象，嘗試使用機(jī)器學(xué)習(xí)算法構(gòu)建一個(gè)預(yù)算預(yù)測(cè)模型，提高銷售預(yù)測(cè)的準(zhǔn)確性和門店管理的科學(xué)性。該樣本門店位于廈門市大型購(gòu)物中心中華城，是該品牌成立最久且店效最高的門店之一，積累的歷史數(shù)據(jù)較為豐富。當(dāng)前門店采用增量預(yù)算的方式確定年度銷售預(yù)算，即用往年實(shí)際銷售量乘增長(zhǎng)比例。增長(zhǎng)比例在品牌總銷售量增長(zhǎng)比例基礎(chǔ)上，由總部與店長(zhǎng)協(xié)商確認(rèn)。這種自上到下的目標(biāo)制定方式，缺乏科學(xué)合理的定量分析，外部環(huán)境與內(nèi)部政策等相關(guān)因素也沒有得到足夠重視。由于銷售預(yù)測(cè)涉及的因素多，數(shù)據(jù)量大，財(cái)務(wù)人員難以全面考慮每一項(xiàng)影響因素，即使擁有豐富的基礎(chǔ)數(shù)據(jù)，預(yù)測(cè)出來(lái)的銷售數(shù)據(jù)的準(zhǔn)確度仍然不高。因此，本文通過全面分析與銷售相關(guān)的影響因素，嘗試?yán)脵C(jī)器學(xué)習(xí)算法構(gòu)建一個(gè)智能預(yù)算預(yù)測(cè)模型，對(duì)該門店的商品在一個(gè)產(chǎn)品季的日銷售數(shù)量進(jìn)行預(yù)測(cè)，驗(yàn)證人工智能技術(shù)在企業(yè)預(yù)算預(yù)測(cè)中應(yīng)用的可行性。

（一）算法選擇

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network, RNN）作為深度學(xué)習(xí)算法之一，在時(shí)間序列的預(yù)測(cè)方面具有明顯的優(yōu)勢(shì)。與人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,ANN）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）等算法不同，RNN刻畫了時(shí)間序列的當(dāng)前輸出與之前信息的關(guān)系。在時(shí)間序列數(shù)據(jù)中，每個(gè)時(shí)間點(diǎn)的輸出都不是孤立的，彼此之間存在一定程度的關(guān)聯(lián)。第t時(shí)刻的輸出結(jié)果不僅與第t時(shí)刻的影響因素相關(guān)，與第t-1、t-2…t-n時(shí)刻的輸出結(jié)果和影響因素也是相關(guān)的。所以，準(zhǔn)確預(yù)測(cè)第t時(shí)刻輸出的關(guān)鍵在于當(dāng)下和之前信息的融合。例如，在語(yǔ)義理解中孤立理解一個(gè)詞的字面意思很難洞察其背后的含義，需要結(jié)合上下文才能進(jìn)行更準(zhǔn)確的理解。類似的，銷售預(yù)測(cè)也具有時(shí)間序列數(shù)據(jù)的特點(diǎn)。第t天的銷售量不僅受到當(dāng)天商場(chǎng)人流量、門店促銷活動(dòng)、商品上新等因素的影響，與第t-1、t-2…t-n天的銷售量以及相關(guān)因素也存在聯(lián)系。例如，商場(chǎng)舉辦的大型促銷活動(dòng)不僅能夠提高活動(dòng)期間門店的銷售量，還會(huì)對(duì)活動(dòng)結(jié)束一段時(shí)間后門店的銷售量產(chǎn)生延續(xù)性的影響。如果在預(yù)測(cè)活動(dòng)結(jié)束后的門店銷售量時(shí)沒有考慮到之前的促銷活動(dòng)，很有可能會(huì)高估其銷售量，導(dǎo)致預(yù)算編制不準(zhǔn)確。另外，天氣也具有類似的延遲性效應(yīng)，連續(xù)一周的暴雨會(huì)讓門店的銷售量大幅下降，天氣轉(zhuǎn)晴后會(huì)因?yàn)楸┯攴e壓的消費(fèi)力得到一次爆發(fā)，使得門店的日銷售量得到明顯提升。RNN恰好吻合上述銷售預(yù)測(cè)的邏輯，可以幫助我們進(jìn)行更客觀、更科學(xué)銷售預(yù)測(cè)。

RNN雖然可以記憶之前的信息，并將其運(yùn)用到當(dāng)前時(shí)刻的預(yù)測(cè)中，但對(duì)于間隔時(shí)間過長(zhǎng)的信息可能存在梯度消失的問題。Hochreiter et al.（1997）在RNN的基礎(chǔ)上提出了長(zhǎng)短期記憶模型，并由Schmidhuber et al.（2000）引入忘卻閥門優(yōu)化之后，賦予了LSTM有效記憶長(zhǎng)期信息的能力，使其成為預(yù)測(cè)應(yīng)用中最有效的處理時(shí)間序列數(shù)據(jù)的模型之一。Wiese（2009）使用LSTM對(duì)信用卡交易數(shù)據(jù)進(jìn)行交易欺詐識(shí)別與預(yù)防實(shí)驗(yàn)，驗(yàn)證了LSTM精確度相比支持向量機(jī)（Support Vector Machine, SVM）更高。Akita et al.（2016）在50家東京證券交易所上市公司的實(shí)際數(shù)據(jù)中應(yīng)用LSTM進(jìn)行金融市場(chǎng)時(shí)間序列預(yù)測(cè)，分析過去事件對(duì)股票開盤價(jià)的影響，取得了很好的預(yù)測(cè)效果。Liu et al.（2017）使用LSTM預(yù)測(cè)日本連鎖超市銷售額，從大量歷史數(shù)據(jù)中了解銷售如何隨天氣變化，在預(yù)測(cè)天氣敏感產(chǎn)品（如飲料）的銷售方面取得成功。Yu et al.（2018）在不考慮季節(jié)性和促銷影響的情況下，對(duì)66種產(chǎn)品的45周銷售點(diǎn)（POS）數(shù)據(jù)進(jìn)行了LSTM測(cè)試，驗(yàn)證了LSTM應(yīng)用到銷售預(yù)測(cè)的可行性。在欺詐識(shí)別、金融市場(chǎng)預(yù)測(cè)、銷售預(yù)測(cè)等領(lǐng)域的實(shí)踐證明，LSTM是解決時(shí)間序列預(yù)測(cè)問題的有效算法。同時(shí)，LSTM符合銷售預(yù)測(cè)的邏輯，能夠解決銷售預(yù)測(cè)這類時(shí)間序列型問題，所以本文將基于LSTM構(gòu)建智能預(yù)算預(yù)測(cè)模型來(lái)進(jìn)行銷售量預(yù)測(cè)。

（二）數(shù)據(jù)分析

1. 原始數(shù)據(jù)選取

根據(jù)該店鋪歷史銷售數(shù)據(jù)，短袖女T恤品類的銷量最大。因此，本文選取短袖女T恤這個(gè)標(biāo)桿品類作為研究對(duì)象建立預(yù)測(cè)模型。通過對(duì)該品類的研究和驗(yàn)證，如模型有效，可以復(fù)制推廣在其他服裝品類預(yù)測(cè)上。首先，我們從該零售門店終端軟件中導(dǎo)出2015年6月5日至2018年10月31日短袖女T恤日銷售記錄共計(jì)1245條，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括剔除倉(cāng)庫(kù)調(diào)撥、財(cái)務(wù)調(diào)賬等非銷售或者明顯異常的進(jìn)出數(shù)據(jù)以及對(duì)缺失值查找其他記錄進(jìn)行補(bǔ)充等。同時(shí)將2015年6月5日至2018年5月31日的1092條銷售記錄作為訓(xùn)練集，2018年6月1日至2018年10月31日的153條銷售記錄作為測(cè)試集，檢驗(yàn)LSTM的預(yù)測(cè)效果。由于LSTM模型需要把前n日的銷量和與銷量相關(guān)影響因素共同作為當(dāng)日銷量預(yù)測(cè)的輸入指標(biāo)，而本文設(shè)定LSTM的滯后期數(shù)為30日，所以在1092條銷售記錄中得到1062條銷售記錄作為有效的訓(xùn)練集。

2. 影響因素的選取

銷售的影響因素主要來(lái)源于兩類數(shù)據(jù)。一是外部環(huán)境數(shù)據(jù)，包括以人口、經(jīng)濟(jì)、自然、政治法律、科學(xué)技術(shù)和社會(huì)文化環(huán)境為代表的宏觀環(huán)境數(shù)據(jù)，以及價(jià)值鏈上供應(yīng)商、分銷企業(yè)、顧客、競(jìng)爭(zhēng)者等微觀環(huán)境數(shù)據(jù)。二是企業(yè)內(nèi)部大數(shù)據(jù)，包括財(cái)務(wù)和業(yè)務(wù)數(shù)據(jù)等。在本次觀察期內(nèi)，該店鋪所處的宏觀環(huán)境相對(duì)穩(wěn)定，所在區(qū)域人口與經(jīng)濟(jì)保持小幅增長(zhǎng)趨勢(shì)。作為一種快消品，服裝受消費(fèi)者購(gòu)買能力影響較大，社會(huì)零售總額（X1）一定程度上代表著當(dāng)?shù)叵M(fèi)者購(gòu)買力水平，可以作為人口與經(jīng)濟(jì)環(huán)境的代表指標(biāo)。服裝銷售有很強(qiáng)的季節(jié)屬性，且受天氣和節(jié)假日等環(huán)境因素變化而變化，因此月份（X2）、天氣（X3/X4/X5）、節(jié)假日（X6/X7）作為自然環(huán)境影響因子納入模型。在微觀環(huán)境數(shù)據(jù)分析中，該店鋪屬于品牌企業(yè)的直營(yíng)門店，商品由總部配貨，且在該區(qū)域內(nèi)沒有加盟商經(jīng)營(yíng)，因此供應(yīng)商和分銷商的因素可以不予考慮。競(jìng)爭(zhēng)者是影響銷售的重要因素，該店鋪所處的購(gòu)物中心在觀察期內(nèi)競(jìng)品店鋪數(shù)沒有變化，暫時(shí)不納入影響因子。影響消費(fèi)者市場(chǎng)與顧客購(gòu)買行為的因素包括社會(huì)與文化環(huán)境、個(gè)人年齡、職業(yè)、經(jīng)濟(jì)和生活方式，以及消費(fèi)動(dòng)機(jī)、感知、信念、心理等諸多方面，要對(duì)其進(jìn)行分析需要大量的消費(fèi)者市場(chǎng)調(diào)查和大數(shù)據(jù)積累。從傳統(tǒng)做法看，服裝企業(yè)在沒有獨(dú)立進(jìn)行消費(fèi)者市場(chǎng)調(diào)查時(shí)，會(huì)參考政府或行業(yè)機(jī)構(gòu)發(fā)布的一些統(tǒng)計(jì)指標(biāo)來(lái)了解消費(fèi)者市場(chǎng)的活躍度或者流行趨勢(shì)。例如中國(guó)紡織工業(yè)聯(lián)合會(huì)發(fā)布的原料價(jià)格指數(shù)、國(guó)家統(tǒng)計(jì)局發(fā)布的中經(jīng)服裝產(chǎn)業(yè)景氣指數(shù)，以及由商務(wù)部、紹興市柯橋區(qū)人民政府和中國(guó)輕紡城建設(shè)管理委員會(huì)聯(lián)合編制發(fā)布的柯橋紡織指數(shù)等。但這些指數(shù)有的涵蓋面太廣，有的依托紡織經(jīng)濟(jì)活躍地區(qū)的數(shù)據(jù)，參考意義有限。本文曾嘗試將歷史數(shù)據(jù)比較健全的柯橋紡織指數(shù)和時(shí)尚指數(shù)納入模型，發(fā)現(xiàn)對(duì)預(yù)測(cè)結(jié)果有負(fù)向影響，說明指標(biāo)的代表性不夠。要對(duì)該店鋪所銷售的潮牌商品進(jìn)行消費(fèi)者市場(chǎng)分析需要專題研究，本文暫時(shí)不予納入影響因子。

麥卡錫（1997）將影響銷售的可控因素歸納簡(jiǎn)化為4Ps營(yíng)銷組合，即產(chǎn)品、價(jià)格、渠道、促銷四要素。作為市場(chǎng)營(yíng)銷的策略構(gòu)架，4Ps組合能幫助企業(yè)從復(fù)雜的變量中找到最為重要的影響因子，因此本文對(duì)企業(yè)內(nèi)部數(shù)據(jù)分為4大類進(jìn)行因素分析。

（1）渠道包括店鋪客流量、競(jìng)品位置、店鋪形象等。進(jìn)店客流量決定了可能購(gòu)買商品的消費(fèi)者數(shù)量。店鋪形象是吸引客戶進(jìn)店并影響購(gòu)買決策的關(guān)鍵因素。在同一個(gè)商圈是否存在競(jìng)品，且競(jìng)品位置的優(yōu)劣也在很大程度上影響了銷售達(dá)成率。因?yàn)楸疚木劢乖趩蔚赇伒匿N售預(yù)測(cè)，在觀察期店鋪位置、形象、競(jìng)品環(huán)境等未有變化，所以渠道因素暫不考慮作為影響因子。如果是多店鋪的銷售預(yù)測(cè)，不同店鋪所處的渠道因素就應(yīng)該作為影響因素納入模型。例如葉倩怡（2017）以德國(guó)Rossmann連鎖商場(chǎng)的數(shù)據(jù)為例，基于梯度提升模型（eXtreme Gradient Boosting，XGBoost）對(duì)各個(gè)門店的位置、類型、與競(jìng)品的距離、競(jìng)品上架的時(shí)間、進(jìn)店客流等作為模型輸入特征，對(duì)商場(chǎng)整體零售數(shù)據(jù)進(jìn)行預(yù)測(cè)。

（2）產(chǎn)品是消費(fèi)者決定是否購(gòu)買的最主要因素。由于本文聚焦在女T恤這一單品類預(yù)測(cè)，女T恤在款式、面料、做工方面沒有太大變化，觀察期主銷圖案（加菲貓聯(lián)名系列）穩(wěn)定運(yùn)營(yíng)，因此可以先不考慮商品屬性特征，而是把整個(gè)品類可供銷售的庫(kù)存數(shù)（X8）作為影響因子。另外，該品類每天的退貨數(shù)量（X10）代表了消費(fèi)者對(duì)該產(chǎn)品的滿意程度，單日退貨數(shù)量越多，說明消費(fèi)者對(duì)該產(chǎn)品的滿意程度越低，產(chǎn)品可能存在質(zhì)量問題。此外，歷史累計(jì)月均銷售數(shù)量（X11）一定程度上刻畫出該品類服裝的銷售周期與趨勢(shì)，有助于模型做出更準(zhǔn)確的銷售預(yù)測(cè)。

（3）價(jià)格是影響消費(fèi)者是否購(gòu)買的決定性因素，因此選取可供銷售的產(chǎn)品均價(jià)（X9）作為重要的影響因子。

（4）促銷，包括品牌推廣和促銷活動(dòng)推廣。品牌推廣指的是品牌廣告投放、代言人推廣、主題IP形象推廣等。這些活動(dòng)著力于品牌影響力的打造，對(duì)中長(zhǎng)期銷售的促進(jìn)作用較明顯。該公司在觀察期內(nèi)與聯(lián)名廠商的合約沒有明顯變化，品牌投放相對(duì)穩(wěn)定，因此品牌推廣費(fèi)用暫時(shí)沒有納入模型。促銷活動(dòng)指的是滿減或打折等短期促銷措施，例如滿300元減100元或滿500元減200元、買500元打九折或買1000元打八折等。服裝零售門店促銷活動(dòng)靈活多變，存在同一天多種促銷活動(dòng)組合疊加的情況，導(dǎo)致同一天中不同筆銷售的折扣均不相同，將促銷活動(dòng)作為一項(xiàng)影響因素加入銷售預(yù)測(cè)模型會(huì)帶來(lái)很大的干擾?？紤]到不同的促銷結(jié)果最終體現(xiàn)在銷售數(shù)量和價(jià)格上，而價(jià)格已經(jīng)作為影響因子納入，因此把日銷售數(shù)量（X12）作為影響因子納入模型。

通過對(duì)上述指標(biāo)綜合分析，本文選取了12個(gè)影響因子作為銷量預(yù)測(cè)的特征指標(biāo)，相關(guān)描述與說明詳見表1。

表1 影響因子說明

（三）模型構(gòu)建

經(jīng)過上文的分析與篩選，本文搭建的LSTM智能預(yù)算預(yù)測(cè)模型輸入層單元數(shù)為12個(gè)影響因子×滯后期數(shù)。由于只預(yù)測(cè)當(dāng)日的銷售量，所以輸出層單元數(shù)為1。我們選擇了能夠解決LSTM中梯度消失問題的Softsign函數(shù)作為激活函數(shù)，有利于LSTM進(jìn)行更高效的學(xué)習(xí)。對(duì)于損失函數(shù)而言，我們選擇了常見的絕對(duì)誤差平均值（Mean Absolute Error，MAE）來(lái)計(jì)算LSTM模型預(yù)測(cè)值與真實(shí)值的差異程度，并據(jù)此調(diào)整優(yōu)化模型。另外，我們選擇了自適應(yīng)性更強(qiáng)和學(xué)習(xí)速率更快的RMSprop優(yōu)化算法作為L(zhǎng)STM的優(yōu)化器來(lái)加快模型收斂的速度。

在LSTM神經(jīng)網(wǎng)絡(luò)的搭建中，小批量訓(xùn)練數(shù)值、迭代次數(shù)和隱含神經(jīng)元個(gè)數(shù)很大程度上決定了模型訓(xùn)練的有效性和結(jié)果預(yù)測(cè)的準(zhǔn)確性。由于小批量訓(xùn)練數(shù)值（batch_size）、迭代次數(shù)（epochs）和隱含神經(jīng)元個(gè)數(shù)（hidden_nodes）是相互影響的3個(gè)參數(shù)，每個(gè)參數(shù)的不同取值均可組合出不同的LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，所以本文借助sklearn（基于 Python 語(yǔ)言的機(jī)器學(xué)習(xí)工具平臺(tái)）中的網(wǎng)格搜索（grid search）與交叉驗(yàn)證模塊（GridSearchCV）來(lái)進(jìn)行LSTM神經(jīng)網(wǎng)絡(luò)參數(shù)的自動(dòng)組合選擇。根據(jù)LSTM神經(jīng)網(wǎng)絡(luò)常見的參數(shù)默認(rèn)值，我們?yōu)樾∨坑?xùn)練數(shù)值提供了36、72和128三種待選值，為迭代次數(shù)提供了100、200和300三種待選值，為隱含神經(jīng)元個(gè)數(shù)提供了100、200和300三種待選值。根據(jù)GridSearchCV的結(jié)果，每次隨機(jī)選擇36個(gè)訓(xùn)練數(shù)據(jù)，進(jìn)行100輪的小批量迭代訓(xùn)練，隱含神經(jīng)元個(gè)數(shù)為200，為最優(yōu)組合參數(shù)。

由于LSTM神經(jīng)網(wǎng)絡(luò)能夠處理當(dāng)前輸出與之前信息的關(guān)系，所以滯后期的確定十分重要。在本文銷售預(yù)測(cè)的場(chǎng)景中，滯后期n意味著當(dāng)天的銷售量不僅取決于當(dāng)天的影響因素，還與前n天的銷售量以及相應(yīng)的影響因素有關(guān)。滯后期定義了每一天的銷售量以及影響因素的持續(xù)影響效應(yīng)，n越大說明持續(xù)影響效應(yīng)越大。根據(jù)服裝銷售的經(jīng)驗(yàn)，本文為滯后期數(shù)提供了7、15、30、40、50、60的待選值，在上述最優(yōu)組合參數(shù)框架下，逐個(gè)檢驗(yàn)了不同滯后期對(duì)銷售預(yù)測(cè)的影響。根據(jù)檢驗(yàn)的結(jié)果，當(dāng)滯后期為30天時(shí)，即每一天的銷售量受到前30天的銷售影響時(shí)，均方根誤差（Root Mean Squard Error，RMSE）最小，此時(shí)的預(yù)測(cè)效果最優(yōu)。

經(jīng)過調(diào)優(yōu)，本文構(gòu)建了一個(gè)滯后期為30，隱含層神經(jīng)元個(gè)數(shù)為200，以Softsign為激活函數(shù)、MAE為損失函數(shù)、RMSProp為優(yōu)化器，同時(shí)采用batch_size為36的小批量訓(xùn)練，迭代訓(xùn)練次數(shù)為100的LSTM神經(jīng)網(wǎng)絡(luò)。

（四）結(jié)果呈現(xiàn)

圖1展示了基于LSTM算法的智能預(yù)算預(yù)測(cè)模型的訓(xùn)練結(jié)果，其中黃線為預(yù)測(cè)值，藍(lán)線為真實(shí)值，縱軸為銷量（件），橫軸為日期，測(cè)試集訓(xùn)練結(jié)果的均方根誤差（RMSE）為3.240，擬合度較為理想。

圖1 日銷量預(yù)測(cè)值與真實(shí)值對(duì)比

同時(shí)，本文比較了LSTM與其他幾種模型，包括XGBoost、多元線性回歸（Multiple Linear Regression）和人工神經(jīng)網(wǎng)絡(luò)，在日銷售量預(yù)測(cè)方面的效果。如表2所示，在均方根誤差（RMSE）、均方誤差（MSE）、平均絕對(duì)誤差（MAE）和R2四個(gè)衡量指標(biāo)上，LSTM網(wǎng)絡(luò)均顯示出了更強(qiáng)的預(yù)測(cè)能力，其次是多元線性回歸，人工神經(jīng)網(wǎng)絡(luò)算法在銷售預(yù)測(cè)中的預(yù)測(cè)效果最差。

表2 銷售預(yù)測(cè)效果對(duì)比表

觀察期2018年6月3日（2018年度第23周）至2018年10月27日（2018年度第43周）這個(gè)產(chǎn)品季，預(yù)測(cè)的銷售數(shù)量為759件，實(shí)際銷售數(shù)量為825件，相差8%。在企業(yè)實(shí)際商品規(guī)劃中，通常以周為周期進(jìn)行商品調(diào)度。所以，本文在上述日銷售量預(yù)測(cè)的基礎(chǔ)上，以周為單位進(jìn)行加總，計(jì)算每周的預(yù)測(cè)銷量變動(dòng)率與實(shí)際銷量波動(dòng)率，具體計(jì)算公式如下：

2018年第23周到第43周這21周的周預(yù)測(cè)銷量變動(dòng)率與實(shí)際銷量波動(dòng)率的擬合結(jié)果如圖2所示。LSTM模型得到的預(yù)測(cè)周銷量變動(dòng)率與實(shí)際變動(dòng)率曲線基本重合。只有在銷售周期接近結(jié)束的第42周，出現(xiàn)較大差異，該周銷售數(shù)量的絕對(duì)值差為4。說明模型較為準(zhǔn)確地發(fā)掘了周銷售波動(dòng)變化的規(guī)律，按照模型預(yù)測(cè)結(jié)果進(jìn)行周銷售計(jì)劃指導(dǎo)有助于提高預(yù)算目標(biāo)編制的準(zhǔn)確性和客觀性。另外，該門店這個(gè)品類在觀察期的實(shí)際平均周動(dòng)銷率（周動(dòng)銷率=周實(shí)際銷售數(shù)量÷周均庫(kù)存）只有12%，說明原有預(yù)測(cè)方式指導(dǎo)下的庫(kù)存?zhèn)湄涍h(yuǎn)超過實(shí)際銷售數(shù)量，庫(kù)存周轉(zhuǎn)不足，積壓情況較為嚴(yán)重。對(duì)于服裝這類注重潮流時(shí)尚的商品而言，庫(kù)存積壓意味著貨品的資金占用大，沒有及時(shí)出售導(dǎo)致過季會(huì)產(chǎn)生大量跌價(jià)損失。本文提出的基于LSTM模型進(jìn)行銷售預(yù)測(cè)的新方法能夠較為精確地抓住銷售變動(dòng)規(guī)律，幫助總部以及直營(yíng)終端門店更好地規(guī)劃庫(kù)存，從而降低門店庫(kù)存占用率，提高整體的資金周轉(zhuǎn)率。

圖2 周預(yù)測(cè)變動(dòng)率與真實(shí)變動(dòng)率對(duì)比（%）

四、結(jié)論與展望

基于大數(shù)據(jù)的智能預(yù)算預(yù)測(cè)系統(tǒng)的研究和構(gòu)建具有重要的管理實(shí)踐意義。首先，基于大數(shù)據(jù)的智能預(yù)算預(yù)測(cè)可以根據(jù)外部環(huán)境和內(nèi)部業(yè)務(wù)數(shù)據(jù)的變化動(dòng)態(tài)修改和擴(kuò)展輸入因子，從而智能更新預(yù)算預(yù)測(cè)結(jié)果，提高預(yù)算對(duì)內(nèi)外環(huán)境的適應(yīng)性，使原來(lái)相對(duì)靜態(tài)的預(yù)算管理變得更加動(dòng)態(tài)。其次，基于人工智能技術(shù)的預(yù)測(cè)綜合考慮了財(cái)務(wù)和非財(cái)務(wù)影響因素，并且能夠發(fā)掘目標(biāo)與影響因素之間的關(guān)系，有效提高了預(yù)算數(shù)據(jù)的準(zhǔn)確性，從而指導(dǎo)企業(yè)進(jìn)行科學(xué)合理的預(yù)算資源配置。再次，相較于傳統(tǒng)預(yù)算以年為周期的目標(biāo)預(yù)測(cè)與跟蹤，基于人工智能技術(shù)的預(yù)算預(yù)測(cè)能夠以最小單位（日）進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)企業(yè)滾動(dòng)預(yù)算的編制與管理，讓企業(yè)更方便快捷地完成生產(chǎn)和銷售計(jì)劃的調(diào)整。最后，智能預(yù)算預(yù)測(cè)系統(tǒng)可以與制造資源計(jì)劃系統(tǒng)、客戶關(guān)系管理系統(tǒng)等業(yè)務(wù)系統(tǒng)整合，有助于實(shí)現(xiàn)預(yù)算的實(shí)時(shí)控制，增強(qiáng)企業(yè)的整體柔性、減少庫(kù)存積壓，盤活企業(yè)資金和存貨，最終促進(jìn)企業(yè)整體效率和效益的提高。我們希望本文可以拋磚引玉，讓更多會(huì)計(jì)學(xué)者參與到人工智能方法應(yīng)用于預(yù)算管理的探索。