人工智能在預(yù)算預(yù)測中的應(yīng)用

文 · 廈門燕之屋生物工程股份有限公司 熊婷 廈門大學(xué)管理學(xué)院 陳亞盛 許欣

一、引言

人工智能（Artificial Intelligence, AI）的概念在1956年的達(dá)特茅斯夏季討論會上被首次提出。作為計算機(jī)科學(xué)的一個分支，人工智能旨在用計算機(jī)模擬人類智能，讓機(jī)器像人類一樣進(jìn)行認(rèn)知、思考和學(xué)習(xí)，其本質(zhì)在于模擬、延伸和拓展人類學(xué)習(xí)和思維的過程 （周志華，2016）。近年來，越來越多的研究人員嘗試將人工智能技術(shù)應(yīng)用于管理預(yù)測和決策支持系統(tǒng)的開發(fā)。例如財務(wù)欺詐預(yù)測（Yang Bao et al.,2020）、產(chǎn)品定價決策（Tsantekidis et al.,2017）和投資項目決策（Galeshchuk et al.,2017; Nanda et al., 2010）等。然而，預(yù)算管理作為管理會計的重要職能之一（Covaleski et al., 2003），卻鮮見相應(yīng)人工智能應(yīng)用的實踐探討。為了填補(bǔ)這一空白，本文基于一種深度學(xué)習(xí)算法—長短期記憶模型（Long Shortterm Memory, LSTM），構(gòu)建了一個智能預(yù)算預(yù)測模型，并將該模型應(yīng)用于一家服裝直營門店的預(yù)算管理中。研究結(jié)果表明，本文構(gòu)建的智能預(yù)算預(yù)測模型能夠較為精確地捕捉該門店的銷售變動規(guī)律，預(yù)測的日銷售量與實際日銷售量基本吻合。根據(jù)該模型的預(yù)測結(jié)果進(jìn)行訂貨管理，可以幫助門店管理人員更好地規(guī)劃庫存和銷售活動，有效降低庫存積壓和提高資金利用效率。本文展現(xiàn)了人工智能技術(shù)應(yīng)用于預(yù)算管理領(lǐng)域的可行性和可靠性，豐富了智能管理會計方面的研究，為預(yù)算管理方法的智能化發(fā)展和升級轉(zhuǎn)型奠定了良好的研究基礎(chǔ)。

二、傳統(tǒng)預(yù)算預(yù)測方法及局限

20世紀(jì)90年代公司法實施后，我國企業(yè)在引進(jìn)西方預(yù)算管理思想的基礎(chǔ)上發(fā)展出具有中國特色的全面預(yù)算管理制度（貢華章，2008）。在預(yù)算編制中，企業(yè)通常運用多種定性和定量預(yù)測方法來制定預(yù)算指標(biāo)。由于有限理性的存在，企業(yè)預(yù)算編制人員可能受到認(rèn)知偏差的影響，傾向于啟動以經(jīng)驗和直覺為主的定性預(yù)測方法。定性預(yù)測法雖然能夠提高預(yù)算效率，但缺乏定量分析，而且容易受到管理人員工作經(jīng)驗和分析判斷能力的影響，往往很難得到準(zhǔn)確可靠的預(yù)測結(jié)果（徐國祥，1999）。定量預(yù)測法以歷史數(shù)據(jù)為依據(jù)，運用現(xiàn)代數(shù)理統(tǒng)計方法建立模型，其中最常見和最流行的一種方法是回歸預(yù)測法?；貧w預(yù)測法的理論基礎(chǔ)來自Box和Jerkins（1971）提出的自動回歸滑動平均預(yù)測模型（ARIMA），假設(shè)預(yù)測目標(biāo)與影響因素之間存在線性關(guān)系，在歷史數(shù)據(jù)基礎(chǔ)上運用連貫、類推等原則對預(yù)算指標(biāo)進(jìn)行預(yù)測。由于預(yù)測對象所處的內(nèi)外部環(huán)境在不斷變化，傳統(tǒng)定量預(yù)測模型無法根據(jù)環(huán)境的變化做出改變，靈活性和適應(yīng)性較差（Galvan et al., 2001）。在時效性上，傳統(tǒng)預(yù)算預(yù)測方法通常以一個固定的會計分期（一年或一個季度）為預(yù)測周期，難以支撐動態(tài)實時的業(yè)務(wù)管理需求。所以，運用傳統(tǒng)預(yù)算預(yù)測方法制定的預(yù)算目標(biāo)容易與非財務(wù)指標(biāo)脫節(jié)（于增彪 等，2004），缺乏相應(yīng)的外部環(huán)境分析（毛洪濤 等，2013），通常是公司股東、董事會等利益相關(guān)方相互協(xié)調(diào)、討價還價的結(jié)果（王斌 等，2001）。

為了解決傳統(tǒng)預(yù)算預(yù)測方法存在的問題，提高預(yù)算管理的科學(xué)性和準(zhǔn)確性，2000年后，越來越多的企業(yè)在預(yù)算管理中引入了信息化支持，例如采用ERP系統(tǒng)或者專業(yè)的預(yù)算管理系統(tǒng)來開展預(yù)算管理工作等（韓向東，2014）。企業(yè)將預(yù)算流程嵌入ERP系統(tǒng)，提高了預(yù)算管理的流程規(guī)范化水平和效率（Grabskiet et al.,2011）。專業(yè)的預(yù)算管理軟件為集團(tuán)企業(yè)提供了統(tǒng)一的商業(yè)智能數(shù)據(jù)管理平臺，能夠處理繁瑣數(shù)據(jù)之間的聯(lián)動整合，其編制模塊主要功能是建立各子預(yù)算之間的勾稽、聯(lián)動關(guān)系，確保整體預(yù)算結(jié)構(gòu)的完整、一致與合理（劉俊勇，2017），解決了復(fù)雜組織架構(gòu)下內(nèi)部各主體數(shù)據(jù)間難以相互驗證的問題。預(yù)算管理軟件大大節(jié)省了企業(yè)預(yù)算編制過程中的時間和人力成本（張念珍，2013），但缺乏大數(shù)據(jù)分析處理和預(yù)算預(yù)測等管理決策支持功能，預(yù)算目標(biāo)制定的準(zhǔn)確性仍有待提高。

目前的商業(yè)智能預(yù)算系統(tǒng)能夠較為高效地處理數(shù)據(jù)量較少的結(jié)構(gòu)化數(shù)據(jù)，但仍然難以滿足大數(shù)據(jù)背景下動態(tài)實時的預(yù)算數(shù)據(jù)處理要求。隨著互聯(lián)網(wǎng)的普及和物聯(lián)網(wǎng)的發(fā)展，社會信息總量呈爆炸式增長。同時，企業(yè)內(nèi)部信息系統(tǒng)的建設(shè)也極大豐富了業(yè)務(wù)和財務(wù)數(shù)據(jù)，大量結(jié)構(gòu)化以及非結(jié)構(gòu)化的數(shù)據(jù)的價值有待企業(yè)管理者深入挖掘。在海量數(shù)據(jù)面前，處理數(shù)據(jù)的效率和效果就是企業(yè)的生命，因此引進(jìn)人工智能技術(shù)進(jìn)行大數(shù)據(jù)處理并服務(wù)于預(yù)算預(yù)測和管理，已成為當(dāng)前預(yù)算管理系統(tǒng)亟待補(bǔ)充的新功能。

三、人工智能算法在預(yù)算預(yù)測中的應(yīng)用

本文選取了福建省廈門市某服裝公司一家直營終端門店作為研究對象，嘗試使用機(jī)器學(xué)習(xí)算法構(gòu)建一個預(yù)算預(yù)測模型，提高銷售預(yù)測的準(zhǔn)確性和門店管理的科學(xué)性。該樣本門店位于廈門市大型購物中心中華城，是該品牌成立最久且店效最高的門店之一，積累的歷史數(shù)據(jù)較為豐富。當(dāng)前門店采用增量預(yù)算的方式確定年度銷售預(yù)算，即用往年實際銷售量乘增長比例。增長比例在品牌總銷售量增長比例基礎(chǔ)上，由總部與店長協(xié)商確認(rèn)。這種自上到下的目標(biāo)制定方式，缺乏科學(xué)合理的定量分析，外部環(huán)境與內(nèi)部政策等相關(guān)因素也沒有得到足夠重視。由于銷售預(yù)測涉及的因素多，數(shù)據(jù)量大，財務(wù)人員難以全面考慮每一項影響因素，即使擁有豐富的基礎(chǔ)數(shù)據(jù)，預(yù)測出來的銷售數(shù)據(jù)的準(zhǔn)確度仍然不高。因此，本文通過全面分析與銷售相關(guān)的影響因素，嘗試?yán)脵C(jī)器學(xué)習(xí)算法構(gòu)建一個智能預(yù)算預(yù)測模型，對該門店的商品在一個產(chǎn)品季的日銷售數(shù)量進(jìn)行預(yù)測，驗證人工智能技術(shù)在企業(yè)預(yù)算預(yù)測中應(yīng)用的可行性。

（一）算法選擇

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network, RNN）作為深度學(xué)習(xí)算法之一，在時間序列的預(yù)測方面具有明顯的優(yōu)勢。與人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,ANN）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）等算法不同，RNN刻畫了時間序列的當(dāng)前輸出與之前信息的關(guān)系。在時間序列數(shù)據(jù)中，每個時間點的輸出都不是孤立的，彼此之間存在一定程度的關(guān)聯(lián)。第t時刻的輸出結(jié)果不僅與第t時刻的影響因素相關(guān)，與第t-1、t-2…t-n時刻的輸出結(jié)果和影響因素也是相關(guān)的。所以，準(zhǔn)確預(yù)測第t時刻輸出的關(guān)鍵在于當(dāng)下和之前信息的融合。例如，在語義理解中孤立理解一個詞的字面意思很難洞察其背后的含義，需要結(jié)合上下文才能進(jìn)行更準(zhǔn)確的理解。類似的，銷售預(yù)測也具有時間序列數(shù)據(jù)的特點。第t天的銷售量不僅受到當(dāng)天商場人流量、門店促銷活動、商品上新等因素的影響，與第t-1、t-2…t-n天的銷售量以及相關(guān)因素也存在聯(lián)系。例如，商場舉辦的大型促銷活動不僅能夠提高活動期間門店的銷售量，還會對活動結(jié)束一段時間后門店的銷售量產(chǎn)生延續(xù)性的影響。如果在預(yù)測活動結(jié)束后的門店銷售量時沒有考慮到之前的促銷活動，很有可能會高估其銷售量，導(dǎo)致預(yù)算編制不準(zhǔn)確。另外，天氣也具有類似的延遲性效應(yīng)，連續(xù)一周的暴雨會讓門店的銷售量大幅下降，天氣轉(zhuǎn)晴后會因為暴雨積壓的消費力得到一次爆發(fā)，使得門店的日銷售量得到明顯提升。RNN恰好吻合上述銷售預(yù)測的邏輯，可以幫助我們進(jìn)行更客觀、更科學(xué)銷售預(yù)測。

RNN雖然可以記憶之前的信息，并將其運用到當(dāng)前時刻的預(yù)測中，但對于間隔時間過長的信息可能存在梯度消失的問題。Hochreiter et al.（1997）在RNN的基礎(chǔ)上提出了長短期記憶模型，并由Schmidhuber et al.（2000）引入忘卻閥門優(yōu)化之后，賦予了LSTM有效記憶長期信息的能力，使其成為預(yù)測應(yīng)用中最有效的處理時間序列數(shù)據(jù)的模型之一。Wiese（2009）使用LSTM對信用卡交易數(shù)據(jù)進(jìn)行交易欺詐識別與預(yù)防實驗，驗證了LSTM精確度相比支持向量機(jī)（Support Vector Machine, SVM）更高。Akita et al.（2016）在50家東京證券交易所上市公司的實際數(shù)據(jù)中應(yīng)用LSTM進(jìn)行金融市場時間序列預(yù)測，分析過去事件對股票開盤價的影響，取得了很好的預(yù)測效果。Liu et al.（2017）使用LSTM預(yù)測日本連鎖超市銷售額，從大量歷史數(shù)據(jù)中了解銷售如何隨天氣變化，在預(yù)測天氣敏感產(chǎn)品（如飲料）的銷售方面取得成功。Yu et al.（2018）在不考慮季節(jié)性和促銷影響的情況下，對66種產(chǎn)品的45周銷售點（POS）數(shù)據(jù)進(jìn)行了LSTM測試，驗證了LSTM應(yīng)用到銷售預(yù)測的可行性。在欺詐識別、金融市場預(yù)測、銷售預(yù)測等領(lǐng)域的實踐證明，LSTM是解決時間序列預(yù)測問題的有效算法。同時，LSTM符合銷售預(yù)測的邏輯，能夠解決銷售預(yù)測這類時間序列型問題，所以本文將基于LSTM構(gòu)建智能預(yù)算預(yù)測模型來進(jìn)行銷售量預(yù)測。

（二）數(shù)據(jù)分析

1. 原始數(shù)據(jù)選取

根據(jù)該店鋪歷史銷售數(shù)據(jù)，短袖女T恤品類的銷量最大。因此，本文選取短袖女T恤這個標(biāo)桿品類作為研究對象建立預(yù)測模型。通過對該品類的研究和驗證，如模型有效，可以復(fù)制推廣在其他服裝品類預(yù)測上。首先，我們從該零售門店終端軟件中導(dǎo)出2015年6月5日至2018年10月31日短袖女T恤日銷售記錄共計1245條，并對數(shù)據(jù)進(jìn)行預(yù)處理，包括剔除倉庫調(diào)撥、財務(wù)調(diào)賬等非銷售或者明顯異常的進(jìn)出數(shù)據(jù)以及對缺失值查找其他記錄進(jìn)行補(bǔ)充等。同時將2015年6月5日至2018年5月31日的1092條銷售記錄作為訓(xùn)練集，2018年6月1日至2018年10月31日的153條銷售記錄作為測試集，檢驗LSTM的預(yù)測效果。由于LSTM模型需要把前n日的銷量和與銷量相關(guān)影響因素共同作為當(dāng)日銷量預(yù)測的輸入指標(biāo)，而本文設(shè)定LSTM的滯后期數(shù)為30日，所以在1092條銷售記錄中得到1062條銷售記錄作為有效的訓(xùn)練集。

2. 影響因素的選取

銷售的影響因素主要來源于兩類數(shù)據(jù)。一是外部環(huán)境數(shù)據(jù)，包括以人口、經(jīng)濟(jì)、自然、政治法律、科學(xué)技術(shù)和社會文化環(huán)境為代表的宏觀環(huán)境數(shù)據(jù)，以及價值鏈上供應(yīng)商、分銷企業(yè)、顧客、競爭者等微觀環(huán)境數(shù)據(jù)。二是企業(yè)內(nèi)部大數(shù)據(jù)，包括財務(wù)和業(yè)務(wù)數(shù)據(jù)等。在本次觀察期內(nèi)，該店鋪所處的宏觀環(huán)境相對穩(wěn)定，所在區(qū)域人口與經(jīng)濟(jì)保持小幅增長趨勢。作為一種快消品，服裝受消費者購買能力影響較大，社會零售總額（X1）一定程度上代表著當(dāng)?shù)叵M者購買力水平，可以作為人口與經(jīng)濟(jì)環(huán)境的代表指標(biāo)。服裝銷售有很強(qiáng)的季節(jié)屬性，且受天氣和節(jié)假日等環(huán)境因素變化而變化，因此月份（X2）、天氣（X3/X4/X5）、節(jié)假日（X6/X7）作為自然環(huán)境影響因子納入模型。在微觀環(huán)境數(shù)據(jù)分析中，該店鋪屬于品牌企業(yè)的直營門店，商品由總部配貨，且在該區(qū)域內(nèi)沒有加盟商經(jīng)營，因此供應(yīng)商和分銷商的因素可以不予考慮。競爭者是影響銷售的重要因素，該店鋪所處的購物中心在觀察期內(nèi)競品店鋪數(shù)沒有變化，暫時不納入影響因子。影響消費者市場與顧客購買行為的因素包括社會與文化環(huán)境、個人年齡、職業(yè)、經(jīng)濟(jì)和生活方式，以及消費動機(jī)、感知、信念、心理等諸多方面，要對其進(jìn)行分析需要大量的消費者市場調(diào)查和大數(shù)據(jù)積累。從傳統(tǒng)做法看，服裝企業(yè)在沒有獨立進(jìn)行消費者市場調(diào)查時，會參考政府或行業(yè)機(jī)構(gòu)發(fā)布的一些統(tǒng)計指標(biāo)來了解消費者市場的活躍度或者流行趨勢。例如中國紡織工業(yè)聯(lián)合會發(fā)布的原料價格指數(shù)、國家統(tǒng)計局發(fā)布的中經(jīng)服裝產(chǎn)業(yè)景氣指數(shù)，以及由商務(wù)部、紹興市柯橋區(qū)人民政府和中國輕紡城建設(shè)管理委員會聯(lián)合編制發(fā)布的柯橋紡織指數(shù)等。但這些指數(shù)有的涵蓋面太廣，有的依托紡織經(jīng)濟(jì)活躍地區(qū)的數(shù)據(jù)，參考意義有限。本文曾嘗試將歷史數(shù)據(jù)比較健全的柯橋紡織指數(shù)和時尚指數(shù)納入模型，發(fā)現(xiàn)對預(yù)測結(jié)果有負(fù)向影響，說明指標(biāo)的代表性不夠。要對該店鋪所銷售的潮牌商品進(jìn)行消費者市場分析需要專題研究，本文暫時不予納入影響因子。

麥卡錫（1997）將影響銷售的可控因素歸納簡化為4Ps營銷組合，即產(chǎn)品、價格、渠道、促銷四要素。作為市場營銷的策略構(gòu)架，4Ps組合能幫助企業(yè)從復(fù)雜的變量中找到最為重要的影響因子，因此本文對企業(yè)內(nèi)部數(shù)據(jù)分為4大類進(jìn)行因素分析。

（1）渠道包括店鋪客流量、競品位置、店鋪形象等。進(jìn)店客流量決定了可能購買商品的消費者數(shù)量。店鋪形象是吸引客戶進(jìn)店并影響購買決策的關(guān)鍵因素。在同一個商圈是否存在競品，且競品位置的優(yōu)劣也在很大程度上影響了銷售達(dá)成率。因為本文聚焦在單店鋪的銷售預(yù)測，在觀察期店鋪位置、形象、競品環(huán)境等未有變化，所以渠道因素暫不考慮作為影響因子。如果是多店鋪的銷售預(yù)測，不同店鋪所處的渠道因素就應(yīng)該作為影響因素納入模型。例如葉倩怡（2017）以德國Rossmann連鎖商場的數(shù)據(jù)為例，基于梯度提升模型（eXtreme Gradient Boosting，XGBoost）對各個門店的位置、類型、與競品的距離、競品上架的時間、進(jìn)店客流等作為模型輸入特征，對商場整體零售數(shù)據(jù)進(jìn)行預(yù)測。

（2）產(chǎn)品是消費者決定是否購買的最主要因素。由于本文聚焦在女T恤這一單品類預(yù)測，女T恤在款式、面料、做工方面沒有太大變化，觀察期主銷圖案（加菲貓聯(lián)名系列）穩(wěn)定運營，因此可以先不考慮商品屬性特征，而是把整個品類可供銷售的庫存數(shù)（X8）作為影響因子。另外，該品類每天的退貨數(shù)量（X10）代表了消費者對該產(chǎn)品的滿意程度，單日退貨數(shù)量越多，說明消費者對該產(chǎn)品的滿意程度越低，產(chǎn)品可能存在質(zhì)量問題。此外，歷史累計月均銷售數(shù)量（X11）一定程度上刻畫出該品類服裝的銷售周期與趨勢，有助于模型做出更準(zhǔn)確的銷售預(yù)測。

（3）價格是影響消費者是否購買的決定性因素，因此選取可供銷售的產(chǎn)品均價（X9）作為重要的影響因子。

（4）促銷，包括品牌推廣和促銷活動推廣。品牌推廣指的是品牌廣告投放、代言人推廣、主題IP形象推廣等。這些活動著力于品牌影響力的打造，對中長期銷售的促進(jìn)作用較明顯。該公司在觀察期內(nèi)與聯(lián)名廠商的合約沒有明顯變化，品牌投放相對穩(wěn)定，因此品牌推廣費用暫時沒有納入模型。促銷活動指的是滿減或打折等短期促銷措施，例如滿300元減100元或滿500元減200元、買500元打九折或買1000元打八折等。服裝零售門店促銷活動靈活多變，存在同一天多種促銷活動組合疊加的情況，導(dǎo)致同一天中不同筆銷售的折扣均不相同，將促銷活動作為一項影響因素加入銷售預(yù)測模型會帶來很大的干擾。考慮到不同的促銷結(jié)果最終體現(xiàn)在銷售數(shù)量和價格上，而價格已經(jīng)作為影響因子納入，因此把日銷售數(shù)量（X12）作為影響因子納入模型。

通過對上述指標(biāo)綜合分析，本文選取了12個影響因子作為銷量預(yù)測的特征指標(biāo)，相關(guān)描述與說明詳見表1。

表1 影響因子說明

（三）模型構(gòu)建

經(jīng)過上文的分析與篩選，本文搭建的LSTM智能預(yù)算預(yù)測模型輸入層單元數(shù)為12個影響因子×滯后期數(shù)。由于只預(yù)測當(dāng)日的銷售量，所以輸出層單元數(shù)為1。我們選擇了能夠解決LSTM中梯度消失問題的Softsign函數(shù)作為激活函數(shù)，有利于LSTM進(jìn)行更高效的學(xué)習(xí)。對于損失函數(shù)而言，我們選擇了常見的絕對誤差平均值（Mean Absolute Error，MAE）來計算LSTM模型預(yù)測值與真實值的差異程度，并據(jù)此調(diào)整優(yōu)化模型。另外，我們選擇了自適應(yīng)性更強(qiáng)和學(xué)習(xí)速率更快的RMSprop優(yōu)化算法作為LSTM的優(yōu)化器來加快模型收斂的速度。

在LSTM神經(jīng)網(wǎng)絡(luò)的搭建中，小批量訓(xùn)練數(shù)值、迭代次數(shù)和隱含神經(jīng)元個數(shù)很大程度上決定了模型訓(xùn)練的有效性和結(jié)果預(yù)測的準(zhǔn)確性。由于小批量訓(xùn)練數(shù)值（batch_size）、迭代次數(shù)（epochs）和隱含神經(jīng)元個數(shù)（hidden_nodes）是相互影響的3個參數(shù)，每個參數(shù)的不同取值均可組合出不同的LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，所以本文借助sklearn（基于 Python 語言的機(jī)器學(xué)習(xí)工具平臺）中的網(wǎng)格搜索（grid search）與交叉驗證模塊（GridSearchCV）來進(jìn)行LSTM神經(jīng)網(wǎng)絡(luò)參數(shù)的自動組合選擇。根據(jù)LSTM神經(jīng)網(wǎng)絡(luò)常見的參數(shù)默認(rèn)值，我們?yōu)樾∨坑?xùn)練數(shù)值提供了36、72和128三種待選值，為迭代次數(shù)提供了100、200和300三種待選值，為隱含神經(jīng)元個數(shù)提供了100、200和300三種待選值。根據(jù)GridSearchCV的結(jié)果，每次隨機(jī)選擇36個訓(xùn)練數(shù)據(jù)，進(jìn)行100輪的小批量迭代訓(xùn)練，隱含神經(jīng)元個數(shù)為200，為最優(yōu)組合參數(shù)。

由于LSTM神經(jīng)網(wǎng)絡(luò)能夠處理當(dāng)前輸出與之前信息的關(guān)系，所以滯后期的確定十分重要。在本文銷售預(yù)測的場景中，滯后期n意味著當(dāng)天的銷售量不僅取決于當(dāng)天的影響因素，還與前n天的銷售量以及相應(yīng)的影響因素有關(guān)。滯后期定義了每一天的銷售量以及影響因素的持續(xù)影響效應(yīng)，n越大說明持續(xù)影響效應(yīng)越大。根據(jù)服裝銷售的經(jīng)驗，本文為滯后期數(shù)提供了7、15、30、40、50、60的待選值，在上述最優(yōu)組合參數(shù)框架下，逐個檢驗了不同滯后期對銷售預(yù)測的影響。根據(jù)檢驗的結(jié)果，當(dāng)滯后期為30天時，即每一天的銷售量受到前30天的銷售影響時，均方根誤差（Root Mean Squard Error，RMSE）最小，此時的預(yù)測效果最優(yōu)。

經(jīng)過調(diào)優(yōu)，本文構(gòu)建了一個滯后期為30，隱含層神經(jīng)元個數(shù)為200，以Softsign為激活函數(shù)、MAE為損失函數(shù)、RMSProp為優(yōu)化器，同時采用batch_size為36的小批量訓(xùn)練，迭代訓(xùn)練次數(shù)為100的LSTM神經(jīng)網(wǎng)絡(luò)。

（四）結(jié)果呈現(xiàn)

圖1展示了基于LSTM算法的智能預(yù)算預(yù)測模型的訓(xùn)練結(jié)果，其中黃線為預(yù)測值，藍(lán)線為真實值，縱軸為銷量（件），橫軸為日期，測試集訓(xùn)練結(jié)果的均方根誤差（RMSE）為3.240，擬合度較為理想。

圖1 日銷量預(yù)測值與真實值對比

同時，本文比較了LSTM與其他幾種模型，包括XGBoost、多元線性回歸（Multiple Linear Regression）和人工神經(jīng)網(wǎng)絡(luò)，在日銷售量預(yù)測方面的效果。如表2所示，在均方根誤差（RMSE）、均方誤差（MSE）、平均絕對誤差（MAE）和R2四個衡量指標(biāo)上，LSTM網(wǎng)絡(luò)均顯示出了更強(qiáng)的預(yù)測能力，其次是多元線性回歸，人工神經(jīng)網(wǎng)絡(luò)算法在銷售預(yù)測中的預(yù)測效果最差。

表2 銷售預(yù)測效果對比表

觀察期2018年6月3日（2018年度第23周）至2018年10月27日（2018年度第43周）這個產(chǎn)品季，預(yù)測的銷售數(shù)量為759件，實際銷售數(shù)量為825件，相差8%。在企業(yè)實際商品規(guī)劃中，通常以周為周期進(jìn)行商品調(diào)度。所以，本文在上述日銷售量預(yù)測的基礎(chǔ)上，以周為單位進(jìn)行加總，計算每周的預(yù)測銷量變動率與實際銷量波動率，具體計算公式如下：

2018年第23周到第43周這21周的周預(yù)測銷量變動率與實際銷量波動率的擬合結(jié)果如圖2所示。LSTM模型得到的預(yù)測周銷量變動率與實際變動率曲線基本重合。只有在銷售周期接近結(jié)束的第42周，出現(xiàn)較大差異，該周銷售數(shù)量的絕對值差為4。說明模型較為準(zhǔn)確地發(fā)掘了周銷售波動變化的規(guī)律，按照模型預(yù)測結(jié)果進(jìn)行周銷售計劃指導(dǎo)有助于提高預(yù)算目標(biāo)編制的準(zhǔn)確性和客觀性。另外，該門店這個品類在觀察期的實際平均周動銷率（周動銷率=周實際銷售數(shù)量÷周均庫存）只有12%，說明原有預(yù)測方式指導(dǎo)下的庫存?zhèn)湄涍h(yuǎn)超過實際銷售數(shù)量，庫存周轉(zhuǎn)不足，積壓情況較為嚴(yán)重。對于服裝這類注重潮流時尚的商品而言，庫存積壓意味著貨品的資金占用大，沒有及時出售導(dǎo)致過季會產(chǎn)生大量跌價損失。本文提出的基于LSTM模型進(jìn)行銷售預(yù)測的新方法能夠較為精確地抓住銷售變動規(guī)律，幫助總部以及直營終端門店更好地規(guī)劃庫存，從而降低門店庫存占用率，提高整體的資金周轉(zhuǎn)率。

圖2 周預(yù)測變動率與真實變動率對比（%）

四、結(jié)論與展望

基于大數(shù)據(jù)的智能預(yù)算預(yù)測系統(tǒng)的研究和構(gòu)建具有重要的管理實踐意義。首先，基于大數(shù)據(jù)的智能預(yù)算預(yù)測可以根據(jù)外部環(huán)境和內(nèi)部業(yè)務(wù)數(shù)據(jù)的變化動態(tài)修改和擴(kuò)展輸入因子，從而智能更新預(yù)算預(yù)測結(jié)果，提高預(yù)算對內(nèi)外環(huán)境的適應(yīng)性，使原來相對靜態(tài)的預(yù)算管理變得更加動態(tài)。其次，基于人工智能技術(shù)的預(yù)測綜合考慮了財務(wù)和非財務(wù)影響因素，并且能夠發(fā)掘目標(biāo)與影響因素之間的關(guān)系，有效提高了預(yù)算數(shù)據(jù)的準(zhǔn)確性，從而指導(dǎo)企業(yè)進(jìn)行科學(xué)合理的預(yù)算資源配置。再次，相較于傳統(tǒng)預(yù)算以年為周期的目標(biāo)預(yù)測與跟蹤，基于人工智能技術(shù)的預(yù)算預(yù)測能夠以最小單位（日）進(jìn)行預(yù)測，實現(xiàn)企業(yè)滾動預(yù)算的編制與管理，讓企業(yè)更方便快捷地完成生產(chǎn)和銷售計劃的調(diào)整。最后，智能預(yù)算預(yù)測系統(tǒng)可以與制造資源計劃系統(tǒng)、客戶關(guān)系管理系統(tǒng)等業(yè)務(wù)系統(tǒng)整合，有助于實現(xiàn)預(yù)算的實時控制，增強(qiáng)企業(yè)的整體柔性、減少庫存積壓，盤活企業(yè)資金和存貨，最終促進(jìn)企業(yè)整體效率和效益的提高。我們希望本文可以拋磚引玉，讓更多會計學(xué)者參與到人工智能方法應(yīng)用于預(yù)算管理的探索。