7.3 標準成本與統計差異檢定#

本章導言#

第 7.2 節的差異分析採用的是決定性的分解：計算出價格差異與數量差異的金額，便認定差異存在，並進一步追查原因。然而，實際生產中幾乎所有作業都會有隨機波動。

例如，熟練工人偶爾動作稍慢、材料批次間厚薄略有差異、機器校正後的小幅誤差，這些都可能使實際用量略高於標準用量，卻不代表作業人員怠惰或管理失控。反之，若差異持續且遠超正常波動，才較有理由啟動調查程序。

問題於是轉向：如何判斷差異「夠大」才值得調查？ 要回答這個問題，就必須從純粹的會計加減法邁向統計思考。若能將標準用量或標準工時視為「正常情況下的預期」，實際值視為帶有隨機誤差的觀測值，便能用假設檢定的觀點決定調查門檻。

這種「標準成本＋統計控制」的結合，在二十世紀中葉逐漸受到關注，並與品質管制（statistical quality control）密切相關。《管理的數學》第 7 章將更系統地介紹品質管制的各種圖表，而本節僅聚焦於「差異是否顯著」這個最直接的橋樑。

一、從隨機波動到統計觀點#

假設在受控狀態下，生產一單位產品所需的實際工時 $X_i$ 可近似視為隨機變數，具有某個分布。若標準工時 $SH_{unit}$ 設定在「正常效率水準」下，則理論上 $\mathbb{E}[X_i] \approx SH_{unit}$ 。

對一批 $n$ 單位的實際工時總和 $AH = \sum_{i=1}^{n} X_i$ ，其期望值為 $n\, SH_{unit} = SH_{total}$ 。由於存在隨機誤差， $AH$ 幾乎總會與 $SH_{total}$ 有些微差距。關鍵是：這個差距是否在可預期的隨機範圍內？

若只用金額絕對值（如差異 500 元）就決定調查，既可能浪費人力去追查無意義的小波動，也可能錯過真正的系統性問題。因此較合理的做法是訂定統計控制上限與下限（control limits），僅當超出界限時才啟動正式調查。

二、建立簡化模型：常態近似#

為了便於說明，採用以下簡化假設：

在受控狀態下，每單位工時 $X_i \stackrel{iid}{\approx} N(\mu, \sigma^2)$ ，其中 $\mu \approx SH_{unit}$ 。
標準工時已相當接近正常水準的平均值。
已知（或估計）歷史上受控狀態下的單位工時標準差 $\sigma$ 。

對總工時 $AH \approx N(n\mu, n\sigma^2)$ ，或等價地寫成單位平均工時 $\bar{X} = AH/n \approx N(\mu, \sigma^2/n)$ 。

若以 95% 信心水準為例，受控狀態下 $\bar{X}$ 落在 $$ \mu \pm z_{0.975}\frac{\sigma}{\sqrt{n}},\qquad z_{0.975}\approx 1.96 $$ 的機率約 95%。相應地，總工時 $AH = n\bar{X}$ 落在 $$ SH_{total} \pm 1.96\, \sigma \sqrt{n},\qquad SH_{total}=n\mu $$ 的機率約 95%。

此範圍即統計上限下限（統計意義上的「正常波動帶」）。

例題 7.3.1：用信賴區間決定是否調查效率差異#

某部門生產 100 單位產品，標準工時每單位 2.0 小時，故 $SH_{total}=200$ 小時。歷史資料顯示受控狀態下每單位工時標準差 $\sigma=0.10$ 小時。

本月實際工時 $AH=206$ 小時，效率差異 $SR(AH-SH)=SR(6)$ 小時（假設工資率已知僅關注工時差異）。

試以 95% 信心水準判斷是否應調查此差異。

解：

$n=100$ ， $SH_{total}=200$ ， $\sigma\sqrt{n}=0.10\times 10=1.0$ 小時。
95% 控制界限： $$ 200 \pm 1.96\times 1.0 = 200 \pm 1.96\quad (\text{小時}). $$

正常波動範圍約 $(198.04,\ 201.96)$ 小時。

實際 $AH=206$ 小時已遠超上限 $201.96$ 小時。若受控狀態假設大致正確，僅靠隨機波動產生 $206$ 小時的機率極低（約遠低於 5%）。因此有理由認為此差異並非單純隨機波動，建議啟動調查。

反觀若 $AH=201.5$ 小時，雖然仍高於標準，卻落在 $198.04 \sim 201.96$ 範圍內，較可能屬正常隨機波動，不必立即大規模追查。

三、與假設檢定的銜接#

上述思路可形式化為假設檢定：

$H_0$ ：生產過程處於受控狀態，實際工時僅受隨機因素影響（ $\mu = SH_{unit}$ ）。
$H_1$ ：過程可能失控，存在系統性因素使平均工時偏離標準（ $\mu \neq SH_{unit}$ ）。

檢定統計量（大樣本時）： $$ Z=\frac{\bar{X}-\mu_0}{\sigma/\sqrt{n}},\qquad \mu_0=SH_{unit}. $$

在 $H_0$ 下 $Z \approx N(0,1)$ 。若 $|Z| > z_{\alpha/2}$ ，則拒絕 $H_0$ ，傾向認為差異具有統計顯著性，值得調查。

例題 7.3.1 中 $\bar{X}=2.06$ ， $Z=\frac{2.06-2.0}{0.10/10}=\frac{0.06}{0.01}=6.0$ ，遠超 $|1.96|$ ，故拒絕 $H_0$ 。

四、從「金額差異」到「風險導向」的控制#

傳統差異分析的邏輯是：「差異金額大→追查」。統計導向的邏輯則是：「差異相對於波動夠大→追查」。

兩者差異在於考慮變異程度。若作業本身不穩定（ $\sigma$ 較大），即使差異金額不小，也可能只是正常波動；若作業非常穩定（ $\sigma$ 極小），只要出現很小的差異也可能顯示系統性改變。

此外，管理者還需考慮調查成本。理想的決策是比較「調查並修正的預期利益」與「調查成本」。純統計顯著性只是判斷的依據之一，並非唯一的決策準則。這正是管理會計強調「成本效益」的實務智慧。

前因後果與驅動關係#

實務驅動（前因）：標準成本制度實施後，許多企業發現「每個月幾乎都會有差異」卻無力逐一追查。二十世紀三、四十年代，品管大師休哈特（Walter A. Shewhart）於貝爾實驗室發展管制圖（control chart），將統計觀點引入生產控制，對差異分析產生深遠影響。
理論承襲：本節建立在第 7.2 節的價格－數量差異分解基礎上。差異分析原本是會計加法，統計觀點則要求考慮隨機變異，與《機率統計》的抽樣分布、信賴區間、假設檢定理論密切銜接。
理論回饋（後果）：統計差異檢定的思想促使管理會計走向「例外管理」（management by exception）：僅針對超出統計界限或異常差異採取行動，而非全數檢討。這種效率導向的控制思路在現代績效管理中仍廣泛應用。
跨書聯繫：《機率統計》第 4、5 章（抽樣分布、假設檢定）是本節數學依據。《管理的數學》第 7 章（品質管制）將詳細介紹休哈特管制圖、製程能力分析等更完整的統計控制方法。本節僅為會計領域的初步應用。
思想轉向：從「差異一定要查」（道德責任）到「差異值得不值得查」（成本效益＋統計顯著），反映了管理會計從「追究」走向「理性控制」的思維轉變。

練習#

計算題：某部門標準工時總額 250 小時（生產 125 單位，每單位 2.0 小小時）。歷史受控狀態下單位工時標準差 0.08 小時。實際工時 256 小時。以 95% 信心水準（ $z=1.96$ ）計算控制界限，判斷是否應調查。
計算題：承上題，若實際工時 253 小時，是否應調查？說明理由。
應用題：說明統計控制界限與傳統差異金額門檻（例如差異超過 1,000 元才調查）的差異。哪一種做法較合理？為什麼？
理論題：假設檢定中的 $H_0$ 設為「過程受控」有何實務意涵？若採用 $H_1$ 作為起始點（「過程已失控」）會不會比較保守？試從「調查成本」角度說明。
思考題：在實際應用中，我們很少真正知道受控狀態下的真實 $\sigma$ ，往往用歷史樣本估計 $s$ 代替。這對控制界限的可靠性會產生什麼影響？（提示：小樣本時可能需要考慮 t 分布）

名詞速查表#

隨機波動（random variation）：生產過程中無法避免的偶然誤差，通常屬正常範圍。
系統性差異（assignable variation）：由特定原因（設備故障、人員疏失、材料問題等）造成的非隨機差異。
受控狀態（in control）：僅存在隨機波動的生產過程狀態。
失控狀態（out of control）：存在系統性差異的生產過程狀態。
管制圖（control chart）：休哈特發展，用圖形表示過程是否受控的統計工具。
統計控制界限（control limits）：根據分布理論訂定的上下界限，超出界限時顯示可能失控。
例外管理（management by exception）：僅對超出預定界限或異常事項進行管理行動的控制方式。
假設檢定（hypothesis testing）：統上判斷差異是否顅顯著的統計方法。本節僅作簡單銜接說明。
成本效益原則（cost-benefity principle）：調查差異的預期利益應大於調查成本。

（本節完）