改良差量分析法

池海文 李雲帆 張俊倪

[摘? ? 要] 本文基于平衡記分卡思維和模糊評價法，對管理會計差量分析法進行了改良，提出了一種綜合考慮財務指標和非財務指標、靈活實用且可高度拓展的決策方法。該方法避免了傳統差量分析法只考慮財務指標的短視行為，有利于管理者基于企業未來發展戰略，考量風險因素，做出更為科學合理的決策。在對于非財務指標的選擇和量化上，本文也提出了適用于不同規模企業的不同方法。本文共分為三個部分，第一部分為引言，主要陳述了本文的研究背景與創新之處;第二部分為方法概述，對改良方法的具體內容進行了介紹說明;第三部分為結論，對本方法的優點和不足進行評價。

[關鍵詞] 差量分析;非財務指標;模糊評判法

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2019. 21. 002

[中圖分類號] F275.5? ? [文獻標識碼]? A? ? ? [文章編號]? 1673 - 0194（2019）21- 0008- 05

1? ? ? 引? ? 言

如何比較合理地量化定性因素并將其與定量因素統一到決策分析中一直是管理科學的一道難題。一方面，在財會領域，基于傳統財務指標體系的決策方法高度成熟，但其只注重定量指標的考量，忽視了難以量化的非財務指標，故在企業決策中存在不可避免的局限性。盡管平衡記分卡、模糊綜合評價法等提出了一些新的思路并在績效考核等領域廣泛運用，但由于其復雜性和主觀性仍被廣為詬病[1]。另一方面，隨著數學、現代管理科學與計算機科學等學科技術的蓬勃發展，有關調查顯示美國多數上市企業的管理層都使用計算機技術進行輔助決策[2]。在大中型企業廣泛從中受益的同時，受限于技術復雜性和高成本，仍有大量企業特別是中小企業沿襲落后的決策方法，有些甚至停留在“拍腦袋”這種基于直覺的原始決策方法。

本文的主要貢獻在于，提出了一種融合差量分析法、模糊評價法和機器學習的決策方法，該方法基于模塊化思想設計，具有簡便靈活和易于拓展的優點。我們首次把風險因素作為一個重要影響因素加入評判的范圍內，并為“如何合理量化非財務指標，使其與財務指標統一到企業決策方法中去”提供了一個創新的解決方案。并且，在該方法的詳細介紹中，我們將對“如何選取非財務指標”“如何確定非財務指標的權重”這兩個重要問題的解決提供新思路。

2? ? ? 技術方法簡述

2.1? ?步驟流程（如表1所示）

表2中符合程度參數C為選擇項，即由一級非財務指標與企業戰略的符合程度進行五選一，當決策的非財務指標與企業戰略符合時，其為企業帶來非財務收入，否則，會帶來非財務代價，故在合計計分時，需要將正值符合程度參數和負值符合程度參數分開合計。合計評分值F為“很不符合”或“比較不符合”程度參數乘以一級非財務指標相應權重匯總所得，為確定非財務代價的影響因素;合計評分值F′為“比較符合”或“很符合”程度參數乘以一級非財務指標相應權重匯總所得，為確定非財務收入的影響因素。

對于表2中具體參數的選取，我們考慮了不同規模企業的實際情況，提供了簡易與復雜兩種指標確定方法（如表3所示）。其中簡單方法簡便易行，但參數的精確性相對較低，適用于中小型企業;復雜方法擬合參數的精度較高，但對技術和成本要求相對較高，適用于大中型企業或數據庫資料完善的企業。

2.3? ?方法重難點

2.3.1? ?如何保障該方法的穩健性

使用該方法前應該進行充分的調研，在充分考慮風險因素、確保各個方案均可行的前提下，比較準確地確定各個方案成功執行的概率P。

2.3.2? ?如何選取非財務指標并確保其充分性和獨立性

非財務指標由管理者根據經驗與本企業特點自行選定，一般來說可基于一些已有的原則和經驗，如根據兵法思想、BSC、戰略棱柱、層次分析法等選取，也可通過數學方法輔助選取。但最終，非財務指標選取的科學性是由企業戰略決策評分表中各因素選取的充分性和獨立性決定的。

為確保充分性，在考慮經驗數據和企業實際情況的基礎上，可借助頭腦風暴法等方法充分討論，盡量全面考慮各個因素。

為確保獨立性，應將上一步驟列出的眾多因素進行聚類，將同屬一個類別的因素劃歸到一個母類別。該步驟可由經驗值或再次進行德菲爾法或專家咨詢法確定，也可通過如主成分分析和灰色關聯聚類等技術實現。此外，人工智能的自動聚類技術也可解決這個問題，但受制于NLP技術尚不完善，大多數時候我們并不推薦使用這種方法。

2.3.3? ?如何解決非財務指標的權重問題

確定權重有三種方法。

第一種方法：提出計量基準后，通過數學和計量方法進行指標權重設定。概率統計、模糊數學和灰色系統理論都提出了處理這類模糊性信息的方法[3]，以計量不同指標對企業績效的不同貢獻程度。這類方法在特定領域表現效果較好，但較為復雜，使用技術門檻較高，結果好壞受到計量基準設定的影響，適合大中型企業或數據密集型企業使用。

第二種方法：通過調研充分獲取信息后，通過價值相關分析法等方法為各因素分配權重，即首先找出解決問題涉及的主要因素，將這些因素按照關聯、隸屬關系構成階梯層次模型，把決策因素的重要程度兩兩比較，然后按層次排序，運用數學方法來得出兩兩比較的定量值[2]。這種方法技術門檻低且易于理解，適用于各型企業特別是中小型企業使用。企業也可靈活根據不同戰略推進期間下設置不同的非財務目標體系。

第三種方法：對于經常性決策，決策執行得到實踐驗證后，由專人修正數據并錄入數據庫，當數據存量到一定程度后使用機器學習方法（如貝葉斯網絡、決策樹等）自動擬合參數。這種方法可避免主觀判斷的弊端并節省大量決策時間，但只適用于經常性的決策，準確度受到數據量和非財務指標選取的充分性、獨立性的制約，且是建立在未來數據較為遵循歷史數據規律這個假設上的。該方法適用于數據密集型，有商務智能基礎的企業。