改良差量分析法

池海文 李雲帆 张俊倪

[摘    要] 本文基于平衡记分卡思维和模糊评价法，对管理会计差量分析法进行了改良，提出了一种综合考虑财务指标和非财务指标、灵活实用且可高度拓展的决策方法。该方法避免了传统差量分析法只考虑财务指标的短视行为，有利于管理者基于企业未来发展战略，考量风险因素，做出更为科学合理的决策。在对于非财务指标的选择和量化上，本文也提出了适用于不同规模企业的不同方法。本文共分为三个部分，第一部分为引言，主要陈述了本文的研究背景与创新之处;第二部分为方法概述，对改良方法的具体内容进行了介紹说明;第三部分为结论，对本方法的优点和不足进行评价。

[关键词] 差量分析;非财务指标;模糊评判法

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

[中图分类号] F275.5    [文献标识码]  A      [文章编号]  1673 - 0194（2019）21- 0008- 05

1      引    言

如何比较合理地量化定性因素并将其与定量因素统一到决策分析中一直是管理科学的一道难题。一方面，在财会领域，基于传统财务指标体系的决策方法高度成熟，但其只注重定量指标的考量，忽视了难以量化的非财务指标，故在企业决策中存在不可避免的局限性。尽管平衡记分卡、模糊综合评价法等提出了一些新的思路并在绩效考核等领域广泛运用，但由于其复杂性和主观性仍被广为诟病[1]。另一方面，随着数学、现代管理科学与计算机科学等学科技术的蓬勃发展，有关调查显示美国多数上市企业的管理层都使用计算机技术进行辅助决策[2]。在大中型企业广泛从中受益的同时，受限于技术复杂性和高成本，仍有大量企业特别是中小企业沿袭落后的决策方法，有些甚至停留在“拍脑袋”这种基于直觉的原始决策方法。

本文的主要贡献在于，提出了一种融合差量分析法、模糊评价法和机器学习的决策方法，该方法基于模块化思想设计，具有简便灵活和易于拓展的优点。我们首次把风险因素作为一个重要影响因素加入评判的范围内，并为“如何合理量化非财务指标，使其与财务指标统一到企业决策方法中去”提供了一个创新的解决方案。并且，在该方法的详细介绍中，我们将对“如何选取非财务指标”“如何确定非财务指标的权重”这两个重要问题的解决提供新思路。

2      技术方法简述

2.1   步骤流程（如表1所示）

表2中符合程度参数C为选择项，即由一级非财务指标与企业战略的符合程度进行五选一，当决策的非财务指标与企业战略符合时，其为企业带来非财务收入，否则，会带来非财务代价，故在合计计分时，需要将正值符合程度参数和负值符合程度参数分开合计。合计评分值F为“很不符合”或“比较不符合”程度参数乘以一级非财务指标相应权重汇总所得，为确定非财务代价的影响因素;合计评分值F′为“比较符合”或“很符合”程度参数乘以一级非财务指标相应权重汇总所得，为确定非财务收入的影响因素。

对于表2中具体参数的选取，我们考虑了不同规模企业的实际情况，提供了简易与复杂两种指标确定方法（如表3所示）。其中简单方法简便易行，但参数的精确性相对较低，适用于中小型企业;复杂方法拟合参数的精度较高，但对技术和成本要求相对较高，适用于大中型企业或数据库资料完善的企业。

2.3   方法重难点

2.3.1   如何保障该方法的稳健性

使用该方法前应该进行充分的调研，在充分考虑风险因素、确保各个方案均可行的前提下，比较准确地确定各个方案成功执行的概率P。

2.3.2   如何选取非财务指标并确保其充分性和独立性

非财务指标由管理者根据经验与本企业特点自行选定，一般来说可基于一些已有的原则和经验，如根据兵法思想、BSC、战略棱柱、层次分析法等选取，也可通过数学方法辅助选取。但最终，非财务指标选取的科学性是由企业战略决策评分表中各因素选取的充分性和独立性决定的。

为确保充分性，在考虑经验数据和企业实际情况的基础上，可借助头脑风暴法等方法充分讨论，尽量全面考虑各个因素。

为确保独立性，应将上一步骤列出的众多因素进行聚类，将同属一个类别的因素划归到一个母类别。该步骤可由经验值或再次进行德菲尔法或专家咨询法确定，也可通过如主成分分析和灰色关联聚类等技术实现。此外，人工智能的自动聚类技术也可解决这个问题，但受制于NLP技术尚不完善，大多数时候我们并不推荐使用这种方法。

2.3.3   如何解决非财务指标的权重问题

确定权重有三种方法。

第一种方法：提出计量基准后，通过数学和计量方法进行指标权重设定。概率统计、模糊数学和灰色系统理论都提出了处理这类模糊性信息的方法[3]，以计量不同指标对企业绩效的不同贡献程度。这类方法在特定领域表现效果较好，但较为复杂，使用技术门槛较高，结果好坏受到计量基准设定的影响，适合大中型企业或数据密集型企业使用。

第二种方法：通过调研充分获取信息后，通过价值相关分析法等方法为各因素分配权重，即首先找出解决问题涉及的主要因素，将这些因素按照关联、隶属关系构成阶梯层次模型，把决策因素的重要程度两两比较，然后按层次排序，运用数学方法来得出两两比较的定量值[2]。这种方法技术门槛低且易于理解，适用于各型企业特别是中小型企业使用。企业也可灵活根据不同战略推进期间下设置不同的非财务目标体系。

第三种方法：对于经常性决策，决策执行得到实践验证后，由专人修正数据并录入数据库，当数据存量到一定程度后使用机器学习方法（如贝叶斯网络、决策树等）自动拟合参数。这种方法可避免主观判断的弊端并节省大量决策时间，但只适用于经常性的决策，准确度受到数据量和非财务指标选取的充分性、独立性的制约，且是建立在未来数据较为遵循历史数据规律这个假设上的。该方法适用于数据密集型，有商务智能基础的企业。