Schätzung betrieblicher Kostenfunktionen mit künstlichen neuronalen Netzen

Simen, Jan-Philipp

Schätzung betrieblicher Kostenfunktionen mit künstlichen neuronalen Netzen

dc.contributor.advisor	Troßmann, Ernst	de
dc.contributor.author	Simen, Jan-Philipp	de
dc.date.accepted	2015-05-20
dc.date.accessioned	2024-04-08T08:51:38Z
dc.date.available	2024-04-08T08:51:38Z
dc.date.created	2015-09-14
dc.date.issued	2015
dc.description.abstract	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.	en
dc.description.abstract	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.	de
dc.identifier.swb	445309407
dc.identifier.uri	https://hohpublica.uni-hohenheim.de/handle/123456789/5937
dc.identifier.urn	urn:nbn:de:bsz:100-opus-11110
dc.language.iso	ger
dc.rights.license	cc_by	en
dc.rights.license	cc_by	de
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/de/
dc.subject	Management accounting	en
dc.subject	Cost functions	en
dc.subject	Neural networks	en
dc.subject	Genetic algorithm	en
dc.subject	Object-oriented programming	en
dc.subject	Künstliche neuronale Netze	de
dc.subject	Genetische Algorithmen	de
dc.subject	Objektorientierte Programmierung	de
dc.subject.ddc	330
dc.subject.gnd	Kostenrechnung	de
dc.subject.gnd	Kostenfunktion	de
dc.subject.gnd	Data Mining	de
dc.subject.gnd	Metaheuristik	de
dc.subject.gnd	Objektorientierung	de
dc.subject.gnd	Controlling	de
dc.subject.gnd	Entscheidungsrechnung	de
dc.subject.gnd	Prognose	de
dc.title	Schätzung betrieblicher Kostenfunktionen mit künstlichen neuronalen Netzen	de
dc.title.translated	Estimating operational cost functions with artificial neural networks	de
dc.type.dcmi	Text	de
dc.type.dini	DoctoralThesis	de
local.access	uneingeschränkter Zugriff	en
local.access	uneingeschränkter Zugriff	de
local.bibliographicCitation.publisherPlace	Universität Hohenheim	de
local.export.bibtex	@phdthesis{Simen2015, url = {https://hohpublica.uni-hohenheim.de/handle/123456789/5937}, author = {Simen, Jan-Philipp}, title = {Schätzung betrieblicher Kostenfunktionen mit künstlichen neuronalen Netzen}, year = {2015}, school = {Universität Hohenheim}, }
local.export.bibtexAuthor	Simen, Jan-Philipp
local.export.bibtexKey	Simen2015
local.export.bibtexType	@phdthesis
local.faculty.number	3	de
local.institute.number	510	de
local.opus.number	1111
local.university	Universität Hohenheim	de
local.university.faculty	Faculty of Business, Economics and Social Sciences	en
local.university.faculty	Fakultät Wirtschafts- und Sozialwissenschaften	de
local.university.institute	Institute for Business Administration	en
local.university.institute	Institut für Financial Management	de
thesis.degree.level	thesis.doctoral

Files

Original bundle

Now showing 1 - 1 of 1

Name:: Simen_Diss_Kostenfunktionen_Neuronale_Netze.pdf
Size:: 7.8 MB
Format:: Adobe Portable Document Format
Description:: Open Access Fulltext

Download

Collections

Institut für Financial Management