Universität Hohenheim
 

Eingang zum Volltext

Simen, Jan-Philipp

Schätzung betrieblicher Kostenfunktionen mit künstlichen neuronalen Netzen

Estimating operational cost functions with artificial neural networks

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:bsz:100-opus-11110
URL: http://opus.uni-hohenheim.de/volltexte/2015/1111/


pdf-Format:
Dokument 1.pdf (7.988 KB)
Gedruckte Ausgabe:
POD-Logo  Print-on-Demand-Kopie
Dokument in Google Scholar suchen:
Social Media:
Delicious Diese Seite zu Mister Wong hinzufügen Studi/Schüler/Mein VZ Twitter Facebook Connect
Export:
Abrufstatistik:
SWD-Schlagwörter: Kostenrechnung , Kostenfunktion , Data Mining , Metaheuristik , Objektorientierung , Controlling , Entscheidungsrechnung , Prognose
Freie Schlagwörter (Deutsch): künstliche neuronale Netze , genetische Algorithmen , objektorientierte Programmierung
Freie Schlagwörter (Englisch): management accounting , cost functions , neural networks , genetic algorithms , object-oriented programming
Institut: Institut für Financial Management
Fakultät: Fakultät Wirtschafts- und Sozialwissenschaften
DDC-Sachgruppe: Wirtschaft
Dokumentart: Dissertation
Hauptberichter: Troßmann, Ernst Prof. Dr.
Sprache: Deutsch
Tag der mündlichen Prüfung: 21.05.2015
Erstellungsjahr: 2015
Publikationsdatum: 14.09.2015
 
Lizenz: Creative Commons-Lizenzvertrag Dieser Inhalt ist unter einer Creative Commons-Lizenz lizenziert.
 
Kurzfassung auf Deutsch: In dieser Arbeit wird ein Konzept entwickelt und in einer Softwareanwendung umgesetzt, das künstliche neuronale Netze so in die Kostenrechnung integriert, dass sie traditionelle, lineare Kostenfunktionen bei entscheidungsorientierten Kostenrechnungsaufgaben ersetzen können. Zu diesen Aufgaben gehören vor allem die Identifikation zentraler Kosteneinflussgrößen, die transparente Darstellung der Kostenstruktur in einem Funktionsgraphen, die Kostenprognose, die Alternativenbewertung sowie die mehrdimensionale Abweichungsanalyse. Eine derart umfassende Integration künstlicher neuronaler Netze in die Kostenrechnung wurde bislang noch nicht vorgenommen.
Um Kostenrechnern und betrieblichen Entscheidungsträgern das volle Potential künstlicher neuronaler Netze zur Schätzung von Kostenfunktionen zugänglich zu machen, bedarf es einer einfach zu bedienenden Software, die alle notwendigen Schritte des Knowledge-Discovery-in-Databases-Prozesses in einer übersichtlichen Anwendungsumgebung integriert. Da derzeit keine verfügbare Software diesen Anforderungen genügt, wird eine eigene Lösung – das open-source Java-Programm Cenobi (http://sourceforge.net/projects/cenobi/)– entwickelt.
Die Grundlage bildet ein objektorientiert implementiertes multilayer perceptron ohne Rückkopplungen. Als Trainingsverfahren dienen ein klassischer Backpropagation-Algorithmus sowie resilient propagation und extreme learning machine. Ein genetischer Algorithmus optimiert die Netzarchitektur, d. h. die Anzahl der Neuronen in Eingabeschicht und verdeckter Schicht. Um eine hohe Generalisierungsfähigkeit zu gewährleisten, wird ein Ensemble aus mehreren trainierten neuronalen Netzen gebildet.
Insgesamt zeigt die Dissertation argumentativ und an einem ausgewählten realen Datensatz auch empirisch, dass es zweckmäßig und in vielen Fällen vorteilhaft ist, betriebliche Kostenfunktionen mit künstlichen neuronalen Netzen zu schätzen. Die detailliert erörterte und in einer Anwendungssoftware umgesetzte Konzeption ermöglicht es einem breiten Anwenderkreis, zentrale Aufgaben der Kostenrechnung mit künstlichen neuronalen Netzen zu lösen.
 
Kurzfassung auf Englisch: In this thesis a concept for estimating cost relationships with artificial neural networks is developed. The resulting open-source software application Cenobi (http://sourceforge.net/projects/cenobi/) is able to assess the impact of cost drivers on activity cost, plot non-linear cost functions, do forecasting and budgeting, calculate incremental cost, do unit costing, job costing etc., calculate cost driver rates and analyse cost variances. An object-oriented implementation of neural networks optimized by genetic algorithms provides the basis for these calculations.

    © 1996 - 2016 Universität Hohenheim. Alle Rechte vorbehalten.  15.04.15