生产成本控制是T行业企业成本控制的关键和核心内容。生产成本是反映生产组织合理性、劳动生产率、设备利用率和管理水平的综合指标。节省下来的生产成本可以用于企业的技术开发、环境改善、员工待遇等各个方面，大大提高了企业的竞争力。据调查，一般生产企业的生产成本约占工业企业总成本的60% ~ 80%，而对于黄金生产企业来说，生产成本的控制更为重要。黄金矿山是资源型企业，其生产经营活动受地质资源、企业资源即企业生产成本的制约。黄金开采企业生产的产品是标准化产品，企业不可能在市场的竞争中在产品上做文章。只有降低生产成本，他们才能获得更多的利润，才能比其他同行企业略胜一筹，在市场中立于不败之地。

1.生产成本的模块化模型

黄金矿山企业的成本控制与成本核算有不同的路径，即按成本构成进行成本核算。例如，生产成本包括生产人工、材料消耗和设备折旧，而成本控制是通过部门来实现的。因此，为了有效地控制成本，我们必须将成本核算和控制结合起来，遵循现有的成本控制路径，即按照成本控制单元划分和计算成本。据此，按照生产流程将养牛生产成本分为采矿模块、选矿模块和冶炼模块三个模块，并对这三个模块的成本构成进行了详细划分。

(一)生产模块的成本构成

采矿作业成本分为采矿作业成本、掘进作业成本、钻孔作业成本、坑口运输作业成本、通风作业成本、充填作业成本、提升作业成本、排水作业成本和坑口制造作业成本。不同的操作分别有相应的成本。由于每个月开采的石料量不同，影响了每个月各工段的成本。为了消除不同采矿量对各种成本的影响，成本分析中的数据采用吨矿作业成本作为原始数据，即每月吨矿作业成本:采矿作业成本、掘进作业成本、钻孔作业成本、坑内运输作业成本、通风作业成本、充填作业成本、提升作业成本、排水作业成本、坑口制造作业成本作为分析变量。

(2)选冶模块的成本构成

在金属生产过程中，选矿和冶炼在概念上既重要又复杂。但在很多黄金企业中，很多原本由冶炼完成的工序被作为冶炼的准备工作，属于选矿。比如“氰化法”本应属于冶炼，却属于选矿，使得冶炼这一重要而复杂的过程变得相当简单，成本低且固定，可控的地方很少。在实际生产中，企业也是将选矿和冶炼的工序合二为一，冶炼成为选矿的最后一步，也就是继续提纯黄金，一起算冶炼成本。所以把选矿和冶炼的过程放在一起研究，把冶炼作为选矿过程的最后一步，称为选矿冶炼过程。

选矿过程中产生的成本包括原矿处理成本、精矿处理成本、污水处理成本、冶炼成本、电解成本以及选矿和冶金制造成本。原始数据仍以每吨矿石的各项作业成本:原矿处理作业成本、精矿处理作业成本、污水处理作业成本、冶炼作业、电解作业、选矿和冶炼制造成本为分析变量。

矿物加工作业根据其工作程序分为破碎作业、研磨作业、新的二次再研磨作业、浮选作业、供水作业、尾矿作业和细尾矿输送作业。根据选矿各工序，其成本因素(即每月每吨矿石的各项作业成本)分为破碎作业成本、磨矿作业成本、新二段再磨作业成本、浮选作业成本、供水作业成本、尾矿作业成本、细尾输送作业成本和选矿制造成本。

氰化可分为精矿再磨、金精压滤、浸出洗涤、置换、硫精压滤和污水处理，氰化的成本因素可分为精矿再磨成本、金精压滤成本、浸出洗涤成本、置换成本、硫精压滤成本、污水处理成本和氰化物制造成本。

二、生产成本的预测模型

黄金矿山企业生产成本预测受多种因素影响，变化较大，需要反复学习和修正。因此，最适合的预测模型是人工神经网络模型。我们采用人工神经网络中成熟的BP网络模型作为成本预测模型，建立模型的步骤如下。

(一)BP网络的设计

BP神经网络主要由输入层、隐含层和输出层组成。这个过程中最重要的是确定层数。输入层的数量就是成本构成的数量，输出层一般就是预测的成本值。隐层单元数的选取是一个非常复杂的问题，因为隐层单元的选取没有很好的解析表达式，而除法单元的选取直接关系到问题的要求和输入/输出单元数。如果隐单元个数太少，网络不强，以前没见过的样本无法识别，容错性差，或者网络太小无法训练；但是隐单元太多使得学习时间过长，误差也不一定最小，所以存在一个最优的隐单元数。隐层节点数的选择与所要解决的实际问题和输入/输出单元有关，但目前还没有很好的解析表达式。常见的经验公式有:n1 =+α，n1 = log2n，其中n1为隐含层节点数，n为输入层节点数，m为输出层节点数，α为1-10之间的常数。

(2)初始值的选择

由于系统是非线性的，初值与学习是否达到全局最小或学习能否收敛有很大关系。一个重要的要求是，初始值要使每个神经元的状态值在输入累加时接近于零，这样才能保证它一开始不会落在那些平坦的区域。一般权重都是随机数，权重要求比较小，以保证每个神经元都从自己转换函数变化最大的地方开始。也希望可以对输入样本进行归一化，使得那些较大的输入仍然落在那些神经元传递函数程度较大的地方。

电子学习

选择一定数量的训练样本和测试样本。输入样本后，系统根据期望输出和实际输出误差平方和的最小化规则进行学习，调整权重矩阵和阈值。当误差减小到要求的范围时，系统停止学习。此时，权重矩阵和阈值向量是固定的，成为系统的内部知识。

BP网络学习的过程就是在反向传播的同时修正权值的过程。在这种网络中，学习过程由正向传播和反向传播组成。正向过程中，输入信号从输入层经过隐层单元逐层处理，传递到输出层。每层神经元的状态只影响下一层神经元的状态。如果在输出层得不到想要的输出，就会转向反向传播，按照原来的连接路径返回输出错误。通过修改每层中神经元的权重以最小化误差信号，新样本可以被非线性地映射。

(4)网络培训

初始化网络，用一组随机数给网络分配初始权值，设置学习步长、允许误差和网络结构(即网络层数L和每层节点数n1)，训练网络。

三、生产成本的控制模式

生产成本的分析和预测是实施成本控制的基础，成本控制是成本分析和成本预测的最终目的。如何有效地控制成本是目前企业最迫切需要解决的问题之一。根据成本模块化分析，我们设计了成本控制的逻辑体系，其控制流程和基础如图1所示。在成本控制过程中，主要解决以下几个主要问题。

(一)控制指标的选择

控制指标的选择是实现控制目标的核心，必须起到关键的支撑作用。它的实现可以最大限度地达到控制企业成本的目的。对于控制指标的选取，要在计划部门的参与下，组织相关专家与现场工作人员进行充分讨论，最后由企业主要负责人进行扫尾决策。

(2)控制方法的选择

控制方法的选择必须总结企业成本控制过程中的经验，找出本企业各部门有效的控制方法，然后进行筛选实验，最后确定最有效的控制方法并加以推广。

(三)成本控制

企业的生产成本涉及生产的各个环节。情况复杂，部门多，影响因素多，且随时间、地点而变化，具有很强的实时性和随机性。特别是在黄金开采企业中，生产地点随着时间的推移发生相应的变化，生产条件和环境也发生变化，从而带来生产成本的变化，使得生产成本的控制变得复杂。任何一个环节的变化都可能对整个成本的控制产生不利或有利的影响。各生产部门必须根据生产条件和环境变化调整计划，选择合适的控制方法，以达到有效控制成本的目的。

(四)加强生产成本信息化建设。

由于黄金矿山企业生产成本的构成受生产条件和环境的影响很大，具有很大的随机性和不可预测性，在实际生产中，计划控制管理部门对生产条件和环境的掌握相对落后，这对生产成本的控制极为不利。因此，必须加强企业生产成本的信息化建设，对生产线的情况了如指掌。这样才能达到成本控制的目的。

图1模块化成本控制的逻辑体系