Построение модели оптимизации прибыли промышленного предприятия ОАО «Промприбор» с помощью математического моделирования

Автор: Козлова Ю.Ю.

Журнал: Экономика и социум @ekonomika-socium

Рубрика: Основной раздел

Статья в выпуске: 1-1 (32), 2017 года.

Бесплатный доступ

В статье проводится корреляционно-регрессионный анализ факторов, влияющих на получение прибыли предприятия, определяется уравнение регрессии, делаются прогнозные оценки для факторов, влияющих на объем прибыли и саму прибыль.

Корреляционно-регрессионный анализ, прогнозирование, математическое моделирование, временные ряды

Короткий адрес: https://sciup.org/140121776

IDR: 140121776

Текст научной статьи Построение модели оптимизации прибыли промышленного предприятия ОАО «Промприбор» с помощью математического моделирования

В условиях рыночных отношений повышаются роль и значение анализа финансового состояния предприятия, несущего полную экономическую ответственность за результаты производственнохозяйственной деятельности перед акционерами, работниками, банками и кредиторами.

Основной целью финансового анализа является получение небольшого числа ключевых (наиболее информативных) параметров, дающих объективную и точную картину финансового состояния предприятия, его прибылей и убытков; изменений в структуре активов и пассивов, в расчетах с дебиторами и кредиторами. Существует множество факторов, которые влияют на финансовое оздоровление компании. В зависимости от их комбинации данный процесс может изменяться. Кроме того, в различных ситуациях могут различаться этапы и последовательность их реализации.

В современных условиях математико-статистические исследования становятся необходимым инструментом для получения более глубоких и полноценных знаний о механизме изучаемых явлений. Объективно существующие зависимости и взаимосвязи между экономическими явлениями большей частью описаны только вербально. Значительно важнее количественно измерить тесноту причинно-следственных связей и выявить форму влияний. Для исследования интенсивности, вида и формы причинных влияний широко применяется корреляционный и регрессионный анализы. В приложении к финансово-экономическим процессам они могут стать тем инструментом, который вскроет сложные комплексы причин и следствий.

Проведение анализа по данным финансовой отчетности предприятия требует ежедневной структуризации большого объема исходных данных и постоянного использования статистических методов обработки финансовой информации. Одним из средств по повышению эффективности работы предприятия является использование компьютерных программ.

Выявление количественных соотношений в виде регрессии и сравнение действительных (наблюдаемых) величин с величинами, полученными путем подстановки в уравнения регрессии значений объясняющих переменных, дают возможность лучше понять природу исследуемого явления. Для поиска оптимальных вариантов развития предприятия и эффективного использования ресурсов целесообразно использовать финансовое моделирование.

Множественный корреляционно-регрессионный анализ финансовой устойчивости проведен по данным отчетности промышленного предприятия ОАО «Промприбор». В качестве результативного показателя ( Y) была принята чистая прибыль.

Прибыль - это важнейший показатель эффективности и результативности предприятия. Она является главной целью деятельности предприятия и необходима для дальнейшего его развития.

В качестве показателей-факторов, потенциально влияющих на значение прибыли, использованы ключевые финансовые величины. Среди них выделены: Х 1 - выручка от реализации, Х 2 - всего затраты на реализованную продукцию (себестоимость), Х 3 - текущий налог на прибыль, Х 4 - прибыль от продаж, Х 5 - основные средства, Х 6 - запасы, Х 7 - денежные средства, Х 8 - прочие оборотные активы, Х 9 - кредиторская задолженность. Проведение многомерных статистических исследований, в частности регрессионного анализа, невозможно без массовых наблюдений. В связи с этим в результате обработки годовых отчетов ОАО «Промприбор» за 8 лет был сформирован исходный массив для анализа информации (таблица 1).

Таблица 1 - Исходная информация для проведения корреляционно - регрессионного анализа ОАО «Промприбор» за 2008-2015 гг.

№п/п

У

Х 1

Х 2

Х 3

Х 4

Х 5

Х 6

Х 7

Х 8

Х 9

1 (2008)

56436

625794

-364299

-781

106642

194260

82132

9431

1352

212551

2 (2009)

4485

441363

-282327

0

44288

214061

179956

1448

609

114908

3 (2010)

55122

543517

-317570

-15300

89217

208351

239648

23613

45

237635

4 (2011)

89846

963970

-599002

-25530

116402

236756

232784

20655

0

254093

5 (2012)

102081

1215695

-713923

-24087

138267

277265

359670

75598

1081

340266

6 (2013)

125332

1350225

-797316

-25941

162212

327873

450536

62681

6

223287

7 (2014)

13230

1033464

-647822

-816

41027

309862

564766

147507

340

346578

8 (2015)

63112

1456419

-1009630

-23796

89467

289604

478707

97330

1972

349978

Наиболее простой формой зависимости и достаточно строго обоснованной для случая совместного нормального распределения является линейная, то есть зависимость вида: у = а 0 + аххх + а2х2 + ... + апхт .

Следует определить, все ли переменные нужно включать в уравнение, или есть переменные, которые существенно не влияют на величину Y и их нецелесообразно включать в уравнение. Для решения этой задачи проводится корреляционный анализ. Результаты корреляционного анализа представлены в таблице 2.

Таблица 2 – Результаты корреляционного анализа

У

Х1

Х2

Х3

Х4

Х5

Х6

Х7

Х8

Х9

У

1

Х1

0,598354

1

Х2

-0,49379

-0,98447

1

Х3

-0,8533

-0,6925

0,653874

1

Х4

0,98146

0,493313

-0,3785

-0,75265

1

Х5

0,363196

0,860856

-0,82303

-0,42385

0,261433

1

Х6

0,114431

0,770683

-0,77406

-0,30382

-0,01558

0,931174

1

Х7

-0,03771

0,678988

-0,68712

-0,09615

-0,14607

0,816643

0,933299

1

Х8

-0,10708

0,271416

-0,35978

0,055269

-0,07476

-0,03855

0,012131

0,165541

1

Х9

0,224292

0,717028

-0,7244

-0,38567

0,109162

0,583869

0,708447

0,825448

0,334844

1

Анализ матрицы коэффициентов парной корреляции показывает, что зависимая переменная, т. е. объем чистой прибыли, имеет тесную связь:

  • -    с выручкой от реализации ryX = 0,598 ,

  • -    с прибылью от продаж ryX = 0,981 .

Их данной модели исключаются факторы Х 2 , Х 3 , Х 5 , Х 6 , Х 7 , Х 8 , Х 9 , поскольку их связь с результативным признаком Y (объемом чистой прибыли) невысокая.

После исключения незначимых факторов имеем n (количество наблюдений) = 8, k (количество факторов) = 2.

Таким образом, модель приобретает вид:

Y = а 0 + аХ + аХ .

На основе метода наименьших квадратов проведем оцен у параметров регрессии а 0 , а 1 , а 2 по формуле (1).

а = ( Х Т Х ) 1 Х Т Y

При этом используем данные, приведенные в таблице 3.

регрессии

Таблица 3 – Исходные значения для вычисления параметров

У

Х 0

Х 1

Х 4

56436

1

625794

106642

4485

1

441363

44288

55122

1

543517

89217

89846

1

963970

116402

102081

1

1215695

138267

125332

1

1350225

162212

13230

1

1033464

41027

63112

1

1456419

89467

При проведении оценки параметров регрессии а 0 , а 1 , а 2 получились следующие значения:

а =

' а 0' а 1

к а 2 у

к

40166,499 4 0,0164

0,896 у

Уравнение

регрессии зависимости объема чистой прибыли от выручки от реализации и прибыли от продаж можно записать в виде:

^^

Y = — 40166,499 + 0,0164 Х + 0,896 Х 4.

Для определения тесноты связи между фактором Y и совокупностью факторов Х 1 , Х 4 был применен коэффициент множественной корреляции R. Коэффициент изменяется в интервале от 0 до 1. Если R =0, то нет линейной корреляционной связи между Y и Х 1 , Х 4 . Если R =1, то существует функциональная связь. В данном случае R =0,99, что говорит о наличии функциональной связи. Обычно интерпретируется не сам коэффициент корреляции R , а его квадрат R2 , который называется коэффициентом детерминации. Он показывает, какая часть общей дисперсии объясняется за счет вариации линейной комбинации ргументов Х 1 , Х 4 при данных значениях коэффициентов регрессии. В данном случае R2 =0,980495, то есть 98% вариации результативного признака объясняется факторами, включенными в уравнение регрессии.

Необходимо проанализировать влияние включенных в модель факторов на зависимую переменную по модели. Учитывая, что коэффициенты регрессии невозможно использовать для непосредственной оценки влияния факторов на зависимую переменную из-за различия единиц измерения, вычисляются соответствующие коэффициенты эластичности. Найденные значения коэффициентов эластичности показывают, что увеличение выручки от реализации на 1% приведет к увеличению объема чистой прибыли в среднем на 0,25%. Увеличение прибыли от продаж на 1% приведет в среднем к увеличению чистой прибыли на 1,38%.

Интерпретация уравнения регрессии будет следующей. За рассматриваемый период (8 лет) в ОАО «Промприбор» при увеличении выручки от реализации на 357653,668 ед. объем чистой прибыли увеличится на 5877 тыс. руб., при увеличении прибыли от продаж на 39429,105 ед. объем чистой прибыли увеличится на 35325 тыс. руб. Коэффициент R2 =0,98 показывает, что есть 98% вариации результативного признака объясняется включенными в модель факторами (выручкой от реализации и прибылью от продаж). Таким образом, руководству ОАО «Промприбор» необходимо обратить внимание на данные факторные признаки, поскольку управление ими способно оказать значительное влияние на величину чистой прибыли.

Одна из важнейших целей моделирования заключается в прогнозировании поведения исследуемого объекта. Для прогнозирования поведения исследуемого объекта чаще всего используется моделирование временного ряда.

Во временном ряде содержится информация об особенностях и закономерностях протекания процесса, а статистический анализ позволяет выявить закономерности и использовать их для оценки характеристик процесса в будущем, то есть для прогнозирования. Основная цель статистического анализа временных рядов – изучение соотношения между закономерностью и случайностью в формировании значений уровней ряда, оценка количественной меры их влияния.

Анализ временных рядов, отражающих развитие экономических процессов, начинается с оценки данных. Уровни исследуемого показателя обязательно должны быть сопоставимыми, однородными и устойчивыми, а их число должно быть достаточно велико.

Таблица 4 – Оценка параметров полиномиальной модели

Набл.

Y

Ŷ

ɛ(t)

ɛ²(t)

(ɛ(t)-ɛ(t-1))²

ɛ(t)*ɛ(t-1)

(Y-Ȳ)²

1

2

3

4

5

6

7

8

9

1

56436

65663,1975

-9227,197517

85141174

52845630,25

3185022096

2

4485

6766,52188

-2281,521883

5205342,1

48242410,02

21052053

3507067620

20115225

3

55122

48699,2146

6422,785406

41252172,4

75764965,38

-14653725

73676472,25

3038434884

4

89846

79965,2636

9880,736358

97628951

11957424,79

63461849

683325740,3

8072303716

5

102081

103691,981

-1610,980524

2595258,25

132059556,9

-15917674

1472679000

10420530561

6

125332

127356,255

-2024,255312

4097609,57

170796,0503

3261035,9

3797825502

15708110224

7

13230

13575,5534

-345,5533647

119407,128

2818040,227

699488,23

2547776100

175032900

8

63112

63926,0132

-814,0131638

662617,431

219454,5834

281284,99

352242,25

3983124544

Ʃ

509644

509644

-8,00355E-10

236702532

271232648

58184312

1,2136E+10

44602674150

Ср.

63705,5

5575334269

Продолжение таблицы 4

X 1 ²

X 4 ²

Y-Ŷ

A i

10

11

12

13

3,91618E+11

11372516164

-9227,197517

16,34984

1,94801E+11

1961426944

-2281,521883

50,87005

2,95411E+11

7959673089

6422,785406

11,65195

9,29238E+11

13549425604

9880,736358

10,99741

1,47791E+12

19117763289

-1610,980524

1,578139

1,82311E+12

26312732944

-2024,255312

1,615115

1,06805E+12

1683214729

-345,5533647

2,611892

2,12116E+12

8004344089

-814,0131638

1,289791

8,30129E+12

89961096852

-8,00355E-10

96,9642

1,03766E+12

11245137107

12,1205

Величина отклонений фактических и расчетных значений результативного признака (у - у) по каждому наблюдению представляет ошибку аппроксимации. Их число соответствует объему совокупности. Значение ошибки аппроксимации (A=12%) находится в допустимых пределах, что говорит о хорошем качестве модели. Следовательно, данную модель можно использовать для прогнозирования. Проблема прогнозирования имеет много различных аспектов. Можно различать точечное и интервальное прогнозирование. В первом случае оценка – это конкретное число, во втором – интервал, в котором истинное значение переменной находится с заданным уровнем доверия. Кроме того, для временных рядов при нахождении прогноза существенно наличие или отсутствие корреляции по времени между ошибками [4].

При использовании построенной модели для прогнозирования делается предположение о сохранении в период прогнозирования существовавших ранее взаимосвязей переменных. Если построенная регрессионная модель адекватна и прогнозные оценки факторов достаточно надежны, то с выбранной пользователем вероятностью можно утверждать, что при сохранении сложившихся закономерностей развития прогнозируемая величина попадет в интервал, образованный нижней и верхней границами.

Точечные прогнозные оценки на два шага вперед представлены в таблице 5.

Таблица 5 – Точечные прогнозные оценки

Х пр. (9)

Х пр. (10)

1519766,8

1624535

53178,8

20519

Результаты прогнозных оценок модели регрессии представлены в таблице 6.

Таблица 6 – Результаты прогнозных оценок модели регрессии

Период

Прогноз

Нижняя граница

Верхняя граница

9

32454,8839

32453,831

50595,45427

10

4915,30929

4913,354

29641,4602

Таким образом, руководству ОАО «Промприбор» необходимо обратить внимание на данные факторные признаки, поскольку управление ими способно оказать значительное влияние на величину чистой прибыли. При прогнозировании объема чистой прибыли было использовано моделирование временного ряда, в ходе которого были определены прогнозные значения результативного и факторных признаков на два шага вперед, т. е. объем чистой прибыли, выручка от реализации и прибыль от продаж на 2016 и 2017 гг.

Список литературы Построение модели оптимизации прибыли промышленного предприятия ОАО «Промприбор» с помощью математического моделирования

  • Акулич В. В. Гиляровская Л. Т., Планирование и анализ хозяйственной деятельности//Финансовый менеджмент. -2008. -№1. -32 С.
  • Анализ хозяйственной деятельности в промышленности: учебник/В. И. Стражев ; под общ. ред. В. И. Стражева, Л. А. Богдановской. -7-е изд., испр. -Минск: Высш., шк. -2008. -527 с.
  • Гребенщикова, Е В. Финансовая устойчивость промышленного предприятия и способы ее обеспечения: дис.. канд. экон. наук/Е. В. Гребенщикова. -М. -2007. -186 с.
  • Елисеева, И.И. Эконометрика: учебник/И.И. Елисеева -М.: Финансы и статистика. -2006. -344 с.
Статья научная