Page 33 - 臺大管理論叢第33卷第1期
P. 33
NTU Management Review Vol. 33 No. 1 Apr. 2023
規劃法在求解小型任務指派問題時會有執行時間過長之情況,啟發式演算模型較能
順利運作,分析模型參數設定和流程設定更為簡易,利於企業決策支援模式之建置。
在管理意涵方面,近期相關會計研究指出,人才與任務配對是企業價值提升的
關鍵因素 (Balakrishnan, Lin, and Sivaramakrishnan, 2020)。前述圖 5 所示稽核派工法
則可清楚呈現稽核變數之間,因影響效果不同所產生的稽核績效差異;稽核主管也
較容易理解派工規則,使有價值的資訊成為可執行的方案,並同時促進組織學習文
化推進。
在研究限制方面,首先本研究雖提出平衡機制,解決因輸入資料分布不同導
致模型精準度不同的問題;但稽核績效資料有時間遷移的特性,稽核工作歷程或
有影響後續稽核績效的可能性,是以模型應具備處理序列數據的能力,以建構更完
整的稽核分析模式,後續可參考如排班模型、遞歸網路 (Recurrent Neural Network;
RNN)、長短期記憶 (Long Short-Term Memory; LSTM) 等時序數據之相關模型研究
(Ulmer, Thomas, Campbell, and Woyak, 2021; Dahmen, Rekik, Soumis, and Desaulniers,
2020; Hochreiter and Schmidhuber, 1997),進一步以深度學習模型分析稽核數據,提
取序列數據中的長期依存關係以改善績效評估模型的預測精準度。
其次,在研究變數的選定,本研究在評估稽核工作時,僅根據難易度及查核天
數來分派任務給稽核人員,缺少稽核任務性質描述、法規任務 (Chychyla, Leone, and
Minutti-Meza, 2019)、稽核單位規模、溝通方式、團隊文化、個人特質 (Francis and
Yu, 2009; Proell, Zhou, and Nelson, 2022; Blum, Hatfield, and Houston, 2022)、稽核獨
立性、查核意見等構面的評估(李建然、陳信吉與蔡宗益,2020;薛敏正、葉淑玲
與陳靜宜,2021),模式分析構面並不完整。此外,參數變化未明顯影響模型結果,
本研究的分析流程未考慮參數自適化機制,未來可繼續探討自適應參數,進一步建
構更完備的模型,使實務上的評估更臻完善。
25