ПРОГНОЗИРОВАНИЕ НОРМЫ ЧИСТОЙ ПРИБЫЛИ ПРЕДПРИЯТИЯ НА ПРИМЕРЕ АО «УЛЬЯНОВСКСАХАР»

Одними из результирующих показателей хозяйственной деятельности предприятия являются показатели экономической эффективности предприятия, в частности норма чистой прибыли. Данный показатель характеризует не только прибыльность основной деятельности предприятия, но и его эффективность в целом. Кроме того, норма чистой прибыли определяет уровень привлекательности предприятий для инвесторов, кредиторов и прочих контрагентов. В связи с вышесказанным возникает необходимость прогнозирования динамики данного показателя.

Для решения задач прогнозирования зачастую используют математическо-статистические модели, описывающие зависимость между результирующим и факторными показателями. Построим такую модель для АО «Ульяновсксахар». Построение данной модели предлагается производить через регрессионную модель зависимости нормы чистой прибыли предприятия от показателей, характеризующих его финансовое состояние. По данным бухгалтерской финансовой отчетности за 2011-2018 гг. АО «Ульяновсксахар» были рассчитаны и отобраны следующие факторы: коэффициент текущей ликвидности (х₁), коэффициент финансовой напряженности (х₂), коэффициент самофинансирования (х₃), коэффициент обеспеченности собственными оборотными средствами (х₄), коэффициент финансовой устойчивости (х₅) и коэффициент соотношения кредиторской и дебиторской задолженности (х₆).

Для построения регрессионной модели воспользуемся опцией Регрессия из Пакета анализа, заложенного в программе Excel. Результат работы Пакета анализа представлен на рисунке 1.

Рисунок 1. Результаты регрессионного анализа

Для определения коэффициентов уравнения регрессии (a, b) воспользуемся данными рисунка 1. Коэффициент Y-пересечение является постоянным членом уравнения a, а остальные ‑ коэффициентами регрессии  ,,,,,. Таким образом, уравнение регрессии имеет вид:

          (1)

Из данного уравнения видно, что между факторами х₁, х₅, х₆ и признаком у существует прямая взаимосвязь. Так при увеличении данных факторов на единицу, значение признака у изменяется на то число единиц, которое соответствует коэффициенту регрессии соответствующего фактора х. Аналогичная ситуация верна и для взаимосвязи признака у с факторами х₂, х₃, х₄, которая имеет обратный характер.

Произведем анализ качества модели с использованием F-статистики Фишера.  Согласно результатам дисперсионного анализа, представленным на рисунке 1, значение F-критерия равно 59,52. Критическое значение F-критерия 3,58. Так как, значение фактического F-критерия превышает значение критического F-критерия (59,52>3,58), построенная модель признается адекватной и надежной. В целях совершенствования полученной модели проведем сравнение значений t-критериев (фактического и табличного), определенных при помощи t-статистики Стьюдента.

Значения t-статистики были рассчитаны в работе Пакета анализа (опция Регрессия) и представлены на рисунке 1. Для заданного объема выборки по t-таблице распределения Стьюдента при двустороннем 95% -ом доверительном интервале критическое значение t-статистики равно 2,306.

Таблица 1.

Сравнение значений t-критериев (фактического и табличного)