Budsjettrevolusjonen lar vente på seg : norske bedrifter kritiserer budsjettet, men er ennå ikke klare for budsjettløs styring
Bibliographic record
Abstract
Målet for denne masterutredningen har vært å utrede potensialet for Beyond Budgeting i Norge. For å si noe om potensialet for at Beyond Budgeting skal spre seg i Norge, har vi kartlagt nåværende utbredelse av budsjetter og andre økonomiske styringsverktøy i norske bedrifter samt holdningene til budsjetter.\nFunnene våre for utbredelse av styringsverktøy er på linje med studier fra Finland, Canada og USA, samt en tidligere masterutredning fra NHH. Budsjett er det viktigste og mest brukte styringsverktøyet i Norge i dag. Verktøy som balansert målstyring, rullende prognoser og benchmarking brukes også i ganske stor grad. Et mindretall på 19 prosent har ingen budsjetter, er i ferd med å fjerne budsjettene eller overveier å slutte med budsjetter.\nBudsjetter har møtt massiv kritikk de siste årene, og Beyond Budgeting-fenomenet har vokst fram i kjølvannet av denne kritikken. Vi finner også støtte for at norske bedrifter i noen grad er enige med budsjettkritikerne. Det er særlig store, lite lønnsomme, lite innovative bedrifter med defensiv strategi som er kritiske til budsjett. Yngre respondenter er også betydelig mer kritiske enn eldre.\nNorske bedrifter kan sies å ha en pragmatisk ”Ole Brum”-tilnærming til budsjetter. Budsjettene brukes til det de er gode til, men kombineres med og utfylles av mange andre verktøy for å unngå potensielle fallgruber. Det er store bedrifter og bedrifter som er del av et konsern som bruker flest andre styringsverktøy. De fleste bedriftene tilpasser og forandrer budsjettene sine underveis i budsjettperioden. Slik har de tilpasset seg mye av kritikken som rettes mot budsjettet som styringsverktøy.\nSett under ett virker de fleste bedriftene tilfredse med sine budsjettbaserte styringssystemer. Altså er etterspørselen etter nye styringssystemer uten budsjett, slik som Beyond Budgeting, beskjeden. Siden det i dag ikke finnes formelle tilbydere av slike systemer, konkluderer vi at det ikke vil forekomme noen særskilt spredning av Beyond Budgeting i Norge i overskuelig framtid. Det kan ikke utelukkes at enkelte bedrifter vil kaste ut budsjettene og klare seg med andre styringsverktøy, men de fleste bedriftene i Norge vil likevel nøye seg med å gjøre gradvise forbedringer i budsjetteringsprosessene sine.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.003 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".