2019 年第 17 期
Cost & budget成本 & 预算
制造型企业业务成本预测模型构建与应用
*
——
—
基于灰色理论
山东理工大学管理学院 邵松玲 齐鲁光 张 峰
摘要:业务成本预测是制造型企业财务管理工作的重要内容。基于灰色理论建立制造型企业业
务成本预测的 GM(1,1)、Verhulst 和 SCGM(1,1)c 模型,并在其基础上采用拟合一致 性方法构建 GM
-Verhulst-SCGM 组合 灰色预测模型。通过 选取 M 化工企业 2004~2013 年业务成本数据作为预测模
型拟合样本进行参数确定,对其 2014~2016 年企业业务成本 进行预测。结果表明,组合灰色预 测模型
具有较高的预测精度,其误差低于各单一灰色预测模型及传统线性回归模型。此外,在分析组合灰
色预测模型适用性的基础上,预测制造型企业 2017~2021 年业务成本变化趋势,为企业财务管理与
成本控制提供理论参考。
关键词:业务成本 灰色模型 制造型企业 预测
一、引言
业务成本是指企业要达到取得收益而需要提供产品、
劳务等过程所产生的成本,其具体表现形式具有多样性。
对于企业而言,科学合理的业务成本控制是降低企业非必
要消耗、提高企业经济效益和保障其财务安全的重要途
径,同时还是企业进行生产运营决策的核心依据。尤其是
在现阶段国内正处于制造业转型升级关键期的背景下,制
造型企业面临的市场竞争与投资风险愈加复杂化,且制造
型企业类别繁多,不同行业之间其业务成本管理模式存在
较大差异,这对于确保企业财务的收支平衡提出了更为严
峻的挑战。因此,要提高制造型企业的可持续发展水平则
要求其具有良好的企业业务成本运营态势,而解决上述难
题的重要支撑点在于建立有效的企业业务成 本预估机制。
目前关于企业财务成本的预测方法主要集中于多元
线性回归、神经网络、支持向量机及主成分分析等。相比于
传统线性回归方法所具备的易操作而预测误差偏大的特
点,神经网络算法利用局部搜索及网络逼近的方式可提升
成本数据拟合效果,但存在易陷入局部最优的弊端。支持
向量机在处理成本数据方面具有较好的泛化性能,但对缺
失数据敏感。而主成分分析法虽然可 以较大限度的提取成
本数据的特征信息,但也有造成信息损失的风险。近年来
随着对企业财务成本预测方法研究的深入,诸多学者尝试
对其应用组合预测方法,以期提高财务成本预测精度,但
据现阶段的相关研究可发现支撑企业财务成本组合预测
模型的方法类别及其模型数量等仍需要进一步考量。制造
型企业业务成本控制的复杂特性表征了其成本预测模型
需要有较高的灵活性与适用性。据此,本文选取具有较低
容错性的灰 色系统理论 构建制造 型 企业业务成 本的GM
(1,1)模型、Verhulst模型和SCGM(1,1)c模型,通过辨识可
单一预测模型的拟合效果构建其组合预测模型,用以提高
对制造型企业业务成本的预测与决策支持水平。
二、制造型企业业务成本预测模型构建
(一)GM(1,1)模型 灰色系统理论最初是邓聚龙(198
2)提出的一种用于处理信息不确定的数学方法,其后该理
论在经济、工业、生态系统等系统控制方面体现出了较强
的适用性,并被广泛应用于企业碳排放、物流成本、资源消
耗等预测领域,但缺乏与制造型企业业务成本预测相结合
的探索。其中,GM(1,1)模型是灰色系统理论内代表性最
强、应用最为广泛的模型。其 数理 建模过程如下:
设制造型企业业务成本数据原始序列:x
( 0)
(t)={x
0
(t),x
( 0)
(2),...,x
( 0)
(N)}。N指序列长度。将上述序列进行累积转
换 ,取 得 新 序 列 x
( 1)
(t),且 x
( 1)
(t)={x
( 1)
(1),x
( 2)
(2),...,x
( 1)
(N)},x
( 1)
(k)=
k
t= 1
!
x
( o)
(t)
。其中,
x
( 1)
(t)
白化微分方程:
dx
( 1)
(t)
dt
+
α
x
( 1)
(t)
=
ε
(1)
式中,
a
、
ε
表示待辨参数。
设参数向量
"
=[
a
u],
Y
n
=[
x
0
(2)
,
x
0
(3)
,...,
x
(o)
(N)
],Γ=
-
x
( 1)
(2)+x
( 1)
(1)
2
1
-
x
( 1)
(3)+x
( 1)
(2)
2
1
-
x
( 1)
(n)+x
( 1)
(n-1)
2
#
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
$
%
&
’
’
’
’
’
’
’
’
’
’
’
’
’
’
’
’
’
’
(
1
选取最小二乘法转换上式可得
"
=(Γ
T
Γ)
-1
(Γ
T
Yn),求解
式(1)得到:
x
!
( 1)
(k+1)
=
x
( 0)
(1)-
ε
a
) *
e
-ak
+
ε
a
(2)
通过上式可知原始预测方程是基于成本数据的累加,
因此对其还原时还需要进行累减处理,取得业务成本原始
序列的预测数据:
x
"
( 0)
(k+1)
=
x
#
( 1)
(k+1)
-
x
$
( 1)
(k)
=(1-
e
a
)
x
( 0)
(1)-
ε
a
+ ,
e
-ak
(3)
…
…
76
DOI:10.16144/j.cnki.issn1002-8072.2019.17.017