人工智能在预算预测中的应用
一、引言
人工智能（Artificial Intelligence, AI）的概念在1956年的达特茅斯夏季讨论会上被首次提出。作为计算机科学的一个分支，人工智能旨在用计算机模拟人类智能，让机器像人类一样进行认知、思考和学习，其本质在于模拟、延伸和拓展人类学习和思维的过程 （周志华，2016）。近年来，越来越多的研究人员尝试将人工智能技术应用于管理预测和决策支持系统的开发。例如财务欺诈预测（Yang Bao et al., 2020）、产品定价决策（Tsantekidis et al., 2017）和投资项目决策（Galeshchuk et al., 2017; Nanda et al., 2010）等。然而，预算管理作为管理会计的重要职能之一（Covaleski et al., 2003），却鲜见相应人工智能应用的实践探讨。为了填补这一空白，本文基于一种深度学习算法——长短期记忆模型（Long Short-term Memory, LSTM），构建了一个智能预算预测模型，并将该模型应用于一家服装直营门店的预算管理中。研究结果表明，本文构建的智能预算预测模型能够较为精确地捕捉该门店的销售变动规律，预测的日销售量与实际日销售量基本吻合。根据该模型的预测结果进行订货管理，可以帮助门店管理人员更好地规划库存和销售活动，有效降低库存积压和提高资金利用效率。本文展现了人工智能技术应用于预算管理领域的可行性和可靠性，丰富了智能管理会计方面的研究，为预算管理方法的智能化发展和升级转型奠定了良好的研究基础。
二、传统预算预测方法及局限
20世纪90年代公司法实施后，我国企业在引进西方预算管理思想的基础上发展出具有中国特色的全面预算管理制度（贡华章，2008）。在预算编制中，企业通常运用多种定性和定量预测方法来制定预算指标。由于有限理性的存在，企业预算编制人员可能受到认知偏差的影响，倾向于启动以经验和直觉为主的定性预测方法。定性预测法虽然能够提高预算效率，但缺乏定量分析，而且容易受到管理人员工作经验和分析判断能力的影响，往往很难得到准确可靠的预测结果（徐国祥，1999）。定量预测法以历史数据为依据，运用现代数理统计方法建立模型，其中最常见和最流行的一种方法是回归预测法。回归预测法的理论基础来自Box和Jerkins（1971）提出的自动回归滑动平均预测模型（ARIMA），假设预测目标与影响因素之间存在线性关系，在历史数据基础上运用连贯、类推等原则对预算指标进行预测。由于预测对象所处的内外部环境在不断变化，传统定量预测模型无法根据环境的变化做出改变，灵活性和适应性较差（Galvan et al., 2001）。在时效性上，传统预算预测方法通常以一个固定的会计分期（一年或一个季度）为预测周期，难以支撑动态实时的业务管理需求。所以，运用传统预算预测方法制定的预算目标容易与非财务指标脱节（于增彪 等，2004），缺乏相应的外部环境分析（毛洪涛 等，2013），通常是公司股东、董事会等利益相关方相互协调、讨价还价的结果（王斌 等，2001）。
为了解决传统预算预测方法存在的问题，提高预算管理的科学性和准确性，2000年后，越来越多的企业在预算管理中引入了信息化支持，例如采用ERP系统或者专业的预算管理系统来开展预算管理工作等（韩向东，2014）。企业将预算流程嵌入ERP系统，提高了预算管理的流程规范化水平和效率（Grabskiet et al., 2011）。专业的预算管理软件为集团企业提供了统一的商业智能数据管理平台，能够处理繁琐数据之间的联动整合，其编制模块主要功能是建立各子预算之间的勾稽、联动关系，确保整体预算结构的完整、一致与合理（刘俊勇，2017），解决了复杂组织架构下内部各主体数据间难以相互验证的问题。预算管理软件大大节省了企业预算编制过程中的时间和人力成本（张念珍，2013），但缺乏大数据分析处理和预算预测等管理决策支持功能，预算目标制定的准确性仍有待提高。
......
