هزینه یابی بر مبنای فعالیت از زمان معرفی شدن تا کنون توجهات زیادی را به خود جلب کرده است. لیکن عملا مشکلات اجرایی در پیاده سازی این نظام هزینه یابی وجود دارد که باعث می شود علیرغم برتری محاسباتی هزینه یابی بر مبنای فعالیت نسبت به هزینه یابی سنتی، سازمان ها و شرکت ها همچنان علاقمند به استفاده از این روش هزینه یابی نباشند. در پژوهش حاضر مشکلات اجرایی که عملا در پیاده سازی هزینه یابی بر مبنای فعالیت وجود دارد، بررسی گردیده و برای حل مسئله تخمین رابطه هزینه-فعالیت (CER) و همچنین کاهش هزینه های انجام زمان سنجی در سازمان ها از رویکرد شبکه های عصبی مصنوعی استفاده شده است. جامعه آماری تحقیق کلیه شعب بانک مسکن می باشد که با استفاده از روش تحلیل پوششی داده های چند لایه (CI-DEA) و بر اساس مشابهت عملکرد در سال 1395 خوشه بندی گردیده و 450 شعبه به عنوان نمونه انتخاب گردید و برای آموزش و آزمون مدل شبکه های عصبی استفاده شده است. ویژگی متمایزکننده این الگو نسبت به سایر الگوها در نظر گرفتن رابطه بین هزینه-فعالیت بصورت غیرخطی است. معماری خاص شبکه پیشنهادی باعث می شود تا علاوه بر پیش بینی هزینه فعالیت، مقدار سهم محرک منبعی (زمان) که به عنوان محرک تسهیم هزینه به فعالیت در مدل اجرایی مرسوم، استفاده می شود نیز از مدل قابل استخراج باشد. نتایج RMSE و MAE مدل معرفی شده نشان داد که مدل ارائه شده قابلیت تخمین رابطه هزینه-فعالیت را دارا می باشد.