CC BY
53
ЭКОНОМИКА НЕФТЯНОЙ ОТРАСЛИ
Абеди Ахмед Абд Заид
УДК : 657.1.011.56 Б01: 10.24411/2071-6435-2020-10036
Практическое использование автоматизации анализа и прогнозирования финансового состояния предприятия нефтедобычи
Нестабильность глобальной экономики усложняет формирование и реализацию инвестиционной политики предприятий нефтедобывающей отрасли. Производственный потенциал и конкурентоспособность таких компаний, в особенности иракских, значительно сократились. Нерешенность ряда теоретико-методических и прикладных вопросов анализа и прогнозирования финансового состояния названных предприятий приводит к ошибочной ориентации развития на краткосрочные программы, направленные исключительно на локализацию потерь в период кризиса и неспособные обеспечить их экономический рост. Это требует незамедлительных изменений методики анализа и прогнозирования финансового состояния предприятий нефтедобычи, которые обеспечивали бы вывод компаний из кризисного финансового состояния с последующим повышением привлекательности для потенциальных инвесторов. Статья посвящена алгоритму практического применения предлагаемой автоматизированной модели анализа и прогнозирования финансового состояния предприятия нефтедобычи с применением регрессионного анализа при оценке финансовых показателей предприятия нефтедобычи.
Ключевые слова: предприятия нефтедобычи, финансовое состояние, методика, анализ, прогнозирование, регрессионный анализ, программный продукт, автоматизированная модель.
Введение
Одно из важнейших условий успешного управления финансовым состоянием предприятия нефтеперерабатывающей отрасли — это эффективный комплексный анализ показателей, отражающих процесс формирования и использования его финансовых средств.
В условиях нестабильности мировой экономики, ужесточения конкуренции на рынке нефтедобычи, дороговизны заемных средств помочь предприятию сохранить устойчивость может эффективное управление, которое во многом зависит от качества и оперативности обработки информации о финансовом состоянии данного хозяйствующего субъекта [4; 5].
В связи с этим сегодня все более актуальными становятся вопросы совершенствования качества и достоверности финансовой информации, а также скорости поступления сведений о финансовом состоянии пред© Абеди Ахмед Абд Заид, 2020
приятия нефтедобычи.
Современные автоматизированные системы финансового анализа позволяют осуществлять глубокую финансовую оценку деятельности промышленного предприятия, в частности нефтедобывающего, и решать задачи инвестиционного анализа, оптимизации финансовых планов [8].
В основе таких систем лежит информационная модель финансовой деятельности предприятия, предназначенная для:
— глубокой и комплексной оценки его работы, выявления различных тенденций (в финансово-хозяйственном состоянии) и мониторинга их развития;
— определения причин улучшения или ухудшения финансового состояния, выявления резервов и подбора оптимальных инструментов и методов для оптимизации финансового состояния организации и так далее.
Хотя спектр программных продуктов для решения задач фундаментального анализа финансового состояния хозяйствующего субъекта достаточно широк, универсального средства, способного удовлетворить хотя бы усредненные запросы специалистов, на сегодняшний день не существует. Это обусловлено, прежде всего, исключительным разнообразием и сложностью возникающих задач. В связи с этим при решении задач фундаментального анализа специалисты сегодня вынуждены использовать несколько типов программных продуктов, которые могут быть условно разделены на:
— пакеты для оценки и управления инвестиционными проектами;
— пакеты для анализа финансового состояния предприятий;
— программы, ориентированные на решение конкретных задач.
Промышленные предприятия, применяющие комплексный финансовый
анализ в качестве инструмента оперативного управления, обычно используют возможности автоматизированных систем управленческого учета или же наборы файлов Excel. Это объясняется тем, что анализ финансового состояния проводится на основе информации управленческого учета, которая не нуждается в корректировке и изначально более подробна, чем документы бухгалтерской отчетности.
Практически все данные для автоматизированного анализа финансового состояния предприятия берутся из стандартных форм финансовой (бухгалтерской) отчетности. Для детализированной оценки финансового состояния может использоваться информация об условиях привлечения кредитов, углубленно исследоваться структура затрат и так далее. Таким образом, большинство подобного рода программных продуктов в качестве исходной информации стандартно используют следующие формы отчетности:
— бухгалтерский баланс;
— отчет о финансовых результатах;
— отчет об изменении капитала;
— отчет о движении денежных средств;
— приложения к бухгалтерскому балансу.
Большинство автоматизированных моделей анализа финансового состояния для промышленных предприятий основано на расчете специальных коэффици-
ентов, характеризующих платежеспособность и финансовую устойчивость предприятия нефтедобывающей отрасли. Коэффициенты, рассчитанные по данным бухгалтерского баланса, сопоставляются с их нормативными значениями, что формирует заключительный акт оценки финансового состояния предприятия. По мнению автора, в существующих автоматизированных моделях, предлагаемых рынком программных продуктов, присутствует некоторое несовершенство: в них нет градации по отраслям — все предприятия оцениваются одинаково [7].
Изучение и разработка возможных путей развития хозяйствующих субъектов в условиях рыночной экономики делает необходимым финансовое прогнозирование. Оно в свою очередь позволяет выявить складывающиеся тенденции в проведении финансовой политики с учетом воздействия на нее внутренних и внешних факторов [8].
Для нефтедобывающего предприятия эффективность такого прогнозирования может быть достигнута с помощью правильно организованного сбора и оценки информации о финансовом состоянии предприятия на разных уровнях управления. Однако при проведении финансового анализа применяется большое количество показателей, что делает его трудоемким и затратным по времени. При этом порой сложно разглядеть в ней тенденции и закономерности, вследствие чего может быть принято неверное управленческое решение.
Эти обстоятельства обусловливают необходимость разработки автоматизированной модели нефтедобывающего предприятия с привлечением больших массивов финансовой информации.
Методологическая основа модели автоматизации анализа и прогнозирования финансового состояния на предприятии нефтедобывающей отрасли
Цель предлагаемой автором автоматизированной модели — получение прогнозируемых данных о финансовом состоянии предприятия нефтедобычи. Эта информация позволит определить направления для улучшения финансового состояния хозяйствующего субъекта на базе рейтинговой оценки и регрессионного анализа финансового состояния, а также предоставить пользователям модели основу для принятия управленческих решений в отношении будущей деятельности предприятия нефтедобычи.
Дополнительное преимущество модели состоит в вычислениях без участия пользователя: требуется только заполнение исходных данных для проведения комплексного анализа и прогнозирования, после чего будет получен расчет всех показателей. Для работы с данной программой не требуется специального обучения. Модель можно использовать как основное средство анализа, а также для проверки ручных расчетов.
Методологической основой автоматизированной модели послужила предложенная автором экономическая модель анализа и прогнозирования финансового состояния для предприятий нефтедобычи.
Возможными направлениями ее практического использования могут быть анализ инвестиционной привлекательности предприятия нефтедобычи и прогно-
зирование мер по ее повышению, а также диагностика финансовых затруднений компании и иредусмотреииемерих иреодоррнио.Иотором разраб отан алгоритм вычислений при комплексном анализе и прогнозировании финансового состо-яию идедириооия рартерирычо(роеунор 1).
Рисунок 1. Блок-схема алгоритма вычислений при осуществлении комплексного анализа и прогаозированияфинансовогосостоянияпредприятиянефтедобычи
Данный алгоритм вычислений применим в программном приложении Microsoft Excel, которое входитв составMюrosoft Office и установлено практически на каждом компьютере.
Средства обработки данных, используемые в среде Microsoft Excel, по своим возможностям могут сравниться с базами данных, однако работа с ними не требует
специальной подготовки в области программирования [9].
Компьютерная программа «Комплексный анализ и прогнозирование финансового состояния предприятия нефтедобычи» помещена в одноименный файл (в терминологии Microsoft Excel — книгу) объемом 193 килобайт и включает в себя тринадцать основных элементов (в терминологии Microsoft Excel—листов). Последние служат инструментами начального этапа (ввода исходных данных), комплексного анализа и прогнозирования финансового состояния компании.
Утвержденные формы отчетности в программе позволяют использовать программный продукт персоналу, не знакомому с тонкостями бухгалтерского учета и финансового анализа. Заполнение исходных данных ведет к автоматическому формированию отчетного аналитического бухгалтерского баланса и расчету показателей комплексного анализа, а затем автоматическому заполнению матрицы показателей для сравнительного анализа финансового положения предприятия и автоматического расчета ключевых показателей оценки его финансового состояния. Затем выявляется принадлежность хозяйствующего субъекта к определенной рейтинговой группе финансовой устойчивости.
Для прогнозирования финансового состояния предприятия нефтедобычи с помощью регрессионного анализа проводится автоматический расчет параметров уравнения регрессии, дополнительно автоматически рассчитываются и заполняются матрицы значений средней ошибки аппроксимации, автоматически производятся расчеты показателейкачествауравнения регрессиии в заюиочении формируется матряувдлв имения зависидости Y от X на 1 единицу измерения. В результате дается прогноз финансового состояния предприятия нефтедобычи.
В общее виде бляк-схема алгориома пвдеделпиив ркзулоттоовеввисямости Y от X на 1 единицу измерения иртдсоезтеоа ов рисунке 2.
Определение фоктеро, влияющего ер показатель
Прдоидечрдвоиче чввзеткемдод показателя (уравнение парией регрессии)
Вывиты: как чемеичтвя Y при увеличении Х на 1 единицу измерения
Пскоеотези Выручка дт реализации (Р) Зовивимсвтг Увеличение иа 1 ед. изм.
(Р)
Xi
Хе
Хз
Х4
Х5
Хб
Рисунок 2. Блок-схема алгоритма «Определение результатов зависимости Yот Хна1единицуизмерения»
В качестве основных параметров У и X для прогнозирования финансового состояния предприятия нефтедобычи выбраны следующие показатели (таблица 1).
Таблица 1
Основные параметры (У, X) для прогнозирования финансового состояния предприятия нефтедобычи
6
а
ш
а
со
а
а
со
и
=
а е
о.
т г— ^^
О
аеа
X Гф
а
е
_ _ ш
о^о V ^ со о о« О с
е
т
а
з
е
ы н ы т
ь та
ла р т
т и
п
а
К
бх
О -а
х Ф
со со
со
и А
о о о ^
>. ф
£ ¡5 иб Ф СП £
ФСО^Ф
ф н
-а
о ф
п а и ю
а
Чистая прибыль
Выручка
Чистые активы
Степень износа основных средств — коэффициент амортизации
Прибыль от продаж
Налог на прибыль
Ликвидность
Запасы
Денежные средства
Дебиторская задолженность
Фи-нан-совые вложения
Краткосрочные кредиты и займы
Кредиторская задолженность
Инвестиции
Коэффициент покрытия долга
Кредит-ные средства и проценты по ним
Чистый доход
Дивиденды
Активы
Рентабельность по чистой прибыли
Доход от продаж
Выручка
Себестоимость
Ком-мер-ческие затраты
Управ-ленче-ские расходы
Полная себестоимость
У
Х
Х
Х
Х
Х
Х
3
4
5
7
Таким образом, предложенная автором автоматизированная модель анализа и прогнозирования финансового состояния предприятий нефтедобычи нацелена на реализацию следующих направлений:
— автоматизация комплексного анализа и прогноза ключевых показателей финансового состояния предприятия нефтедобычи;
— анализ полученных значений ключевых показателей финансового состояния компании в сравнении с нормативными в автоматическом режиме;
— определение направлений для улучшения финансового состояния предприятия нефтедобычи на базе рейтинговой оценки и регрессионного анализа
финансового состояния;
— предоставление основы для принятия управленческих решений в отношении будущей деятельности хозяйствующего субъекта.
Практическое применение автоматизированной модели анализа и прогнозирования финансового состояния предприятия нефтедобычи
Опираясь на предложенную автоматизированную модель анализа и прогнозирования финансового состояния предприятия нефтедобычи, автор изучил возможность практического применения на примере действующих российских и иракских предприятий нефтедобывающей отрасли, таких как ПАО Нефтяная компания «Лукойл» (Россия) [10]; ПАО АНК «Башнефть» (Россия) [9]; Нефтяная компания «Басра» (Ирак) [12]; Государственная нефтегазовая компания «Миссан» (Ирак) [13], с использованием публикуемой финансовой отчетности на официальных сайтах.
В российских компаниях финансовая отчетность формируется по российским (РСБУ) и международным (МСФО) стандартам, в иракских — в основном по международным (МСФО) стандартам. В связи с этим представляется интересным практическое применение предлагаемой автоматизированной модели в качестве эффективного инструмента при анализе и прогнозировании финансового состояния предприятия нефтедобычи. Применение данной автоматизированной модели, по мнению автора, является не менее интересным в практическом применении и для зарубежных нефтедобывающих компаний.
На основании финансовой информации, содержащейся в бухгалтерском балансе, отчете о финансовых результатах и дополнительных данных, были рассчитаны значения ключевых финансовых коэффициентов, позволяющих проанализировать и спрогнозировать финансовое состояние исследуемых компаний. Особое внимание уделялось наиболее важным показателям, характеризующим имущественное состояние предприятий нефтедобычи: рентабельности, ликвидности, платежеспособности, финансовой устойчивости, деловой активности и эффективности управления.
Учитывая, что нефтяные компании финансируются за счет заемного капитала, особенно тщательно проводился его анализ в структуре источников финансирования (таблица 2).
Таблица 2
Доля заемного капитала в структуре источников финансирования деятельности исследуемых нефтяных компаний,%
Период ПАО Нефтяная компания «Лукойл» (Россия) ПАО АНК «Башнефть» (Россия) НК «Басра» (Ирак) НК «Миссан» (Ирак)
2015 35,68 59,66 7,52 60,60
2016 31,95 61,35 6,36 22,17
2017 34,43 40,65 6,02 19,62
2018 28,66 45,83 5,35 13,47
В исследуемых нефтяных компаниях наблюдается тенденция роста возможности финансировать оборотный капитал за счет собственных средств. При этом за счет заемных средств в большей степени, чем иракские, финансируются российские нефтяные компании. Данный факт связан с различием в банковских системах, а также законодательных базах двух стран в отношении нефтедобывающего бизнеса.
После вычислений ключевых показателей оценки финансового состояния исследуемых нефтяных компаний были автоматически определены рейтинговые группы финансовой устойчивости (таблица 3).
Таблица 3
Определение рейтинговой группы исследуемых нефтяных компаний, балл
Период ПАО Нефтяная компания «Лукойл» (Россия) ПАО АНК «Башнефть» (Россия) НК «Басра» (Ирак) НК «Миссан» (Ирак)
2015 33 32 41 35
2016 34 32 43 36
2017 31 30 42 37
2018 25 39 43 38
Рейтинговая группа Неудовлетворительное финансовое состояние Неудовлетворительное финансовое состояние Нормальная финансовая устойчивость Нормальная финансовая устойчивость
Предложенная автором автоматизированная модель анализа финансового состояния позволяет рассчитать ключевые показатели финансового состояния и определить принадлежность предприятия нефтедобычи к определенной рейтинговой группе финансовой устойчивости в автоматическом режиме.
Российские нефтяные компании в основном относятся к третьей группе рейтинга, которая соответствует неудовлетворительному финансовому состоянию. Иракские структуры включены во вторую группу — нормальной финансовой устойчивости.
Полученные рейтинговые значения исследуемых нефтяных компаний, позволяют сделать вывод о необходимости прогнозирования (прогнозной оценки) финансового состояния компании с использованием метода регрессионного анализа для понимания направляющих тенденций и дальнейшего развития исследуемого предприятия нефтедобычи.
Отметим, что специальных подходов к прогнозированию финансового состояния именно нефтедобывающего предприятия не существует, есть лишь отдельные методы: экспертных оценок, детерминированные, стохастические, методы экстраполяции трендов. Автор считает, что наиболее подходящим для данной отрасли является метод регрессионного анализа, так как он используется для прогнозирования в долгосрочной и среднесрочной перспективе [3].
Отобраны наиболее важные показатели для нефтяной отрасли:
— выручка или чистая прибыль;
— показатели ликвидности;
— коэффициент покрытия долга;
— показатели рентабельности.
Регрессионный анализ предполагает определенный ряд действий, которые объединены в несколько общих этапов [2]:
— изучение качественных характеристик, исследуемого объекта;
— построение модели связи;
— проверка построенной модели на адекватность и расчет данных;
— анализ полученных результатов и их интерпретация с учетом специфики исследуемого объекта [2].
Таким образом, метод регрессионного анализа финансового состояния является наиболее простым, точным и результативным для определения величины оборотных активов в прогнозном периоде.
В результате произведенных автоматизированных расчетов были получены следующие показатели качества уравнения регрессии факторных признаков (Х). Они представлены в сводных таблицах 4—7 для каждого исследуемого предприятия нефтедобычи.
Таблица 4
Результаты расчетов показателей качества уравнения регрессии факторных признаков (Х) в автоматизированной модели анализа и прогнозирования финансового состояния для ПАО Нефтяная компания «Лукойл»
Показатели качества Х1 Х2 Х3 Х4 Х5 Х6 Х7
Выручка
Коэффициент детерминации 0,1514 0,9983 0,0294 0,0756 0,0738 0,2083
Средний коэффициент эластичности -0,735 0,818 -0,204 -0,147 -0,469 -0,787
Средняя ошибка аппроксимации 9,68 0,47 9,65 10,33 10,77 9,64
Чистая прибыль
Коэффициент детерминации 0,0875 0,0000 0,1239 0,0325 0,4566
Средний коэффициент эластичности -0,472 0,005 -0,577 -0,192 0,308
Средняя ошибка аппроксимации 15,13 15,98 16,66 15,80 14,13
Коэффициент ликвидности
Коэффициент детерминации 0,1079 0,7231 0,5934 0,0003 0,9377 0,3203 0,6655
Средний коэффициент эластичности -0,295 -1,643 -0,449 -0,125 -0,453 -0,641 2,016
Средняя ошибка аппроксимации 17,22 8,18 13,17 19,31 3,87 17,10 10,30
Коэффициент покрытия долга
Коэффициент детерминации 0,5250 0,2486 0,9350 0,6737
Средний коэффициент эластичности -0,545 0,616 -1,247 -5,011
Средняя ошибка аппроксимации 13,26 20,84 6,96 11,24
Коэс зфициент рентабельности по чистой прибыли
Коэффициент детерминации 0,6744 0,7803 0,6474 0,8058 0,1293 0,1877 -
Средний коэффициент эластичности -0,786 -1,269 2,013 -0,419 0,230 0,509 -
Средняя ошибка аппроксимации 8,64 6,88 9,42 6,89 14,16 13,49 -
Таблица 5
Результаты расчетов показателей качества уравнения регрессии факторных признаков (Х) в автоматизированной модели анализа и прогнозирования финансового состояния для ПАО АНК «Башнефть»
Показатели качества Х1 Х2 Х3 Х4 Х5 Х6 Х7
Выручка
Коэффициент детерминации 0,9828 0,9821 0,7261 0,9685 0,4288 0,9295
Средний коэффициент эластичности 0,650 1,231 -0,895 0,658 0,270 0,519
Средняя ошибка аппроксимации 2,34 2,47 9,11 2,82 10,08 4,89 -
Чистая прибыль
Коэффициент детерминации 0,3059 0,6580 0,4029 0,2160 0,9740 - -
Средний коэффициент эластичности 1,316 1,112 4,547 0,762 1,027 - -
Средняя ошибка аппроксимации 33,88 19,65 30,22 36,90 8,61 - -
Коэффициент ликвидности
Коэффициент детерминации 0,8531 0,1095 0,6776 0,5240 0,4060 0,3230 0,8055
Средний коэффициент эластичности 1,216 -0,068 0,307 1,003 -0,440 0,626 1,013
Средняя ошибка аппроксимации 6,69 18,83 8,50 12,73 13,49 13,28 3,28
Коэффициент покрытия долга
Коэффициент детерминации 0,3111 0,2458 0,0584 0,5807 - - -
Средний коэффициент эластичности -1,200 0,195 -0,189 0,773 - - -
Средняя ошибка аппроксимации 11,79 11,32 13,33 8,42 - - -
Коэффициент рентабельности по чистой прибыли
Коэффициент детерминации 0,0090 0,0351 0,0861 0,0284 0,5762 0,0442 -
Средний коэффициент эластичности 0,136 0,391 0,562 -0,458 -1,171 0,472 -
Средняя ошибка аппроксимации 32,56 31,97 30,59 33,60 17,20 31,74 -
Таблица 6
Результаты расчетов показателей качества уравнения регрессии факторных признаков (Х) в автоматизированной модели анализа и прогнозирования финансового состояния для НК «Басра»
Показатели качества Х1 Х2 Х3 Х4 Х5 Х6 Х7
Выручка
Коэффициент детерминации 1,0000 0,1151 0,4502 0,4557 0,8287 -
Средний коэффициент эластичности 1,001 -0,083 -0,048 0,288 0,709 -
Средняя ошибка аппроксимации 0,02 3,33 3,15 2,80 1,58 - -
Чистая прибыль
Коэффициент детерминации 0,4557 0,2578 0,1003 0,0650 1,0000 - -
Средний коэффициент эластичности 1,581 -0,639 0,131 0,181 1,000 - -
Средняя ошибка аппроксимации 7,05 7,68 7,69 9,24 0,00 - -
Коэффициент ликвидности
Коэффициент детерминации 0,0057 0,1423 0,7561 0,4161 0,000 0,8783 0,1602
Средний коэффициент эластичности 0,956 -0,905 0,997 -0,996 0,000 3,140 1,001
Средняя ошибка аппроксимации 57,12 47,53 30,84 40,39 0,000 25,19 39,75
Коэффициент покрытия долга
Коэффициент детерминации 0,5044 0,0701 0,5808 - - - -
Средний коэффициент эластичности 1,912 1,751 4,948 - - - -
Средняя ошибка аппроксимации 54,23 61,48 45,42 - - - -
Коэффициент рентабельности по чистой прибыли
Коэффициент детерминации 0,1351 0,0904 0,0195 0,7279 0,0076 0,0090 -
Средний коэффициент эластичности 0,207 0,558 0,174 -0,909 -0,305 0,130 -
Средняя ошибка аппроксимации 7,54 7,04 7,68 3,47 7,86 7,83 -
Таблица 7
Результаты расчетов показателей качества уравнения регрессии факторных признаков (Х) в автоматизированной модели анализа и прогнозирования финансового состояния для государственной нефтегазовой компании
«Миссан»
Показатели качества Х1 Х2 Х3 Х4 Х5 Х6 Х7
Выручка
Коэффициент детерминации 1,0000 0,7147 0,2435 0,4841 0,9783 -
Средний коэффициент эластичности 1,000 1,788 0,086 1,524 1,512 -
Средняя ошибка аппроксимации 0,00 5,22 9,53 7,75 1,57 - -
Чистая прибыль
Коэффициент детерминации 0,6972 0,9416 0,1546 0,9932 0,0641 - -
Средний коэффициент эластичности 2,996 0,853 -0,651 1,041 1,991 - -
Средняя ошибка аппроксимации 42,68 13,64 79,57 3,19 91,04 - -
Коэффициент ликвидности
Коэффициент детерминации 0,8959 0,0000 0,9958 0,000 0,000 0,9723 0,856
Средний коэффициент эластичности 0,943 0,020 0,522 0,000 0,000 1,757 0,268
Средняя ошибка аппроксимации 5,32 14,54 0,96 0,000 0,000 2,49 4,83
Коэффициент покрытия долга
Коэффициент детерминации 0,7515 0,7170 0,9433 - - - -
Средний коэффициент эластичности 0,610 0,321 0,357 - - - -
Средняя ошибка аппроксимации 7,13 7,19 3,50 - - - -
Коэффициент рентабельности по чистой прибыли
Коэффициент детерминации 0,9462 0,4819 0,5071 0,9604 0,9587 0,2060 -
Средний коэффициент эластичности 0,934 2,288 2,269 1,821 -0,852 1,854 -
Средняя ошибка аппроксимации 8,15 44,88 43,16 6,78 8,08 60,75 -
Данное уравнение можно использовать в качестве регрессии только в том случае, если значение средней ошибки аппроксимации не превышает 15%, если наблюдается превышение этого уровня, то уравнение нежелательно использовать в качестве тренда. В наших расчетах встречаются значения средней ошибки аппроксимации, превышающие 15%, что свидетельствует о существенности среднего отклонения расчетных данных от фактических, по которым построена эконометрическая модель.
Коэффициент детерминации оценивает долю результата за счет представленных в уравнении факторов в общей вариации результата. При более высоких значениях коэффициента детерминации, вариация результирующего признака (У) объясняется вариацией факторных переменных (Х), следовательно, будет наблюдаться тесная связь факторов с результатом и точность подбора уравнения регрессии. При низких значениях коэффициента детерминации производится исключение факторных переменных (Х), при которых были получены низкие значение коэффициента, не влияющие на результирующий признак (У). Таким образом, при дальнейших расчетах прогнозирования исследуемой переменной (У) были определены факторы (Х) для исследуемых нефтяных компаний, влияющие на зависимую переменную (У) (таблицы 8, 9).
Таблица 8
Результаты расчета зависимости переменной от факторных переменных (X) в автоматизированной модели анализа и прогнозирования финансового состояния исследуемых нефтяных компаний,%
Наименование компании Показатель Выручка Чистая прибыль Ликвидность Коэффициент покрытия долга Рентабельность по чистой прибыли
ПАО Нефтяная компания «Лукойл» Х1 15,14 8,75 10,79 52,50 67,44
Х2 99,83 0,00 72,31 24,86 78,03
Х3 2,94 12,39 59,34 93,50 64,74
Х4 7,56 3,25 0,03 67,37 80,58
Х5 7,38 45,66 93,77 — 12,93
Х6 20,83 — 32,03 — 18,77
Х7 — — 66,29 — —
ПАО АНК «Баш-нефть» Х1 98,28 30,59 85,31 31,11 0,90
Х2 98,21 65,80 10,95 24,58 3,51
Х3 72,61 40,29 67,76 5,84 8,61
Х4 96,85 21,60 52,40 58,07 2,84
Х5 42,88 97,40 40,60 — 57,62
Х6 92,95 — 32,30 — 4,42
Х7 — — 97,37 — —
НК «Басра» Х1 100,00 45,57 0,57 50,44 13,51
Х2 11,51 25,78 14,23 7,01 9,04
Х3 45,02 10,03 75,61 58,08 1,95
Х4 45,57 6,50 41,61 — 72,79
Х5 82,87 100,00 27,04 — 0,76
Х6 — — 87,83 — 0,90
Х7 — — 76,53 — —
Государственная нефтегазовая компания «Мис-сан» Х1 100,00 69,72 89,59 75,15 94,62
Х2 71,47 94,16 0,00 71,70 48,19
Х3 24,35 15,46 99,58 94,33 50,71
Х4 48,41 99,32 0,67 — 96,04
Х5 97,83 6,41 0,67 — 95,87
Х6 — — 97,23 — 20,60
Х7 — — 82,11 — —
Таблица 9
Результаты расчетов изменений переменной при увеличении факторных
переменных (X) на 1 единицу измерения в автоматизированной модели анализа и прогнозирования финансового состояния исследуемых нефтяных
компаний
Наи-мено-вание компании Показатель Выручка Чистая прибыль Ликвидность Коэффициент покрытия долга Рентабельность по чистой прибыли
ПАО Нефтяная Х1 -9,259 -0,403 -0,0000223080 -0,0000000034 -0,0000000030
Х2 0,985 0,001 -0,0000000278 0,0000000101 -0,0000000039
Х3 -105,350 -5664631,6 -0,0000000042 -0,0000000327 0,0000000825
ком- Х^ -1000,1 -0,204 -0,0000000002 -0,0000000091 -0,0000001629
пания Х5 -7243,77 4,692 -0,0000000027 — 0,0000000062
«Лу- Х6 -10,479 — -0,0000000070 — 0,0000000079
койл» Х7 — — 0,0000000032 — —
ПАО АНК «Баш-нефть» Х, 2,359 0,184 0,0000000483 -0,0000000329 0,0000000002
Х2 1,804 0,372 -0,0000000094 0,0000000072 0,0000000001
Х3 -7,992 6389563,77 0,0000000034 -0,0000000200 0,0000000002
Х4 3,145 0,764 0,0000000081 0,0000000045 -0,0000000006
Х5 4,702 3,788 -0,0000000357 — -0,0000000145
Х6 3,949 — 0,0000000087 — 0,0000000001
Х7 — — 0,0000000026 — —
НК «Басра» Х, 1,004 0,143 0,0000000723 0,0000005658 0,0000000003
Х2 -226,316 -0,011 -0,0000000330 0,0000001615 0,0000000001
Х3 -12,283 267424,048 0,0000000110 0,0000000069 0,0000000001
Х4 315,665 0,103 -0,0000001707 — -0,0000000053
Х5 0,976 99,000 0,0000000000 — -0,0000000045
Х6 — — 0,0000000527 — 0,0000000003
Х7 — — 0,0000000166 — —
Государственная нефтегазовая компания «Мис-сан» Х, 1,000 0,265 0,0000008307 0,0000007858 0,0000000106
Х2 5830789 0,029 0,0000000018 0,0000000905 0,0000000029
Х3 128,911 -109644,77 0,0000000100 0,0000000024 0,0000000035
Х4 1378098 0,834 0,0000000000 — 0,0000007141
Х5 2,116 158942,89 0,0000000000 — -0,0000000142
Х6 — — 0,0000000475 — 0,0000000026
Х7 — — 0,0000000058 — —
Представленные в таблицах 8 и 9 расчеты изменений переменной (У) при увеличении факторных переменных (X) на 1 единицу измерения в автоматизированной модели анализа и прогнозирования финансового состояния исследуемых нефтяных компаний формируют информацию, позволяющую определить факторы, влияющие на зависимую переменную, а также выявить нужные и ненужные параметры, проанализировать заявленную и реальную важность. В итоге можно концентрировать усилия на развитии параметров, способных улучшить ситуацию, и устранении тех, что ухудшают целевой показатель.
Полученные результаты в таблицах демонстрируют реалистичность применения на практике предложенной автором автоматизированной модели комплексного анализа и прогнозирования финансового состояния предприятия нефтедобычи, так как данная автоматизированная модель позволяет рассчитать значения ключевых показателей анализа финансового состояния компании, сравнить рассчитанные значения его ключевых показателей с разработанными нормативными значениями, определить направления для его улучшения на базе рейтинговой оценки и регрессионного анализа, а также предоставить основу для
принятия управленческих решений в отношении будущей деятельности предприятия нефтедобычи.
Отметим, что результаты многофакторного регрессионного анализа в данной автоматизированной модели имеют важную научную и практическую ценность при исследовании и прогнозировании финансового состояния предприятий нефтедобычи. Это проявляется в том, что значительно углубляется факторный анализ, устанавливается место и роль каждого фактора в формировании уровня исследуемого показателя, более достоверно обосновываются планы, прогнозы, управленческие решения, объективнее оцениваются итоги деятельности хозяйствующих субъектов.
Заключение
Автоматизированная модель анализа и прогнозирования финансового состояния предприятия нефтедобычи может быть использована и внедрена на практике, при этом могут использоваться данные финансовой отчетности как по российским стандартам РСБУ, так по международным стандартам МСФО. Для подтверждения автором были выполнены конкретные расчеты по следующим направлениям ее практического использования:
— осуществлен комплексный анализ финансового состояния ведущих российских и иракских нефтедобывающих компаний;
— произведены расчеты ключевых показателей для нефтедобывающей отрасли и определены рейтинговые группы для исследуемых нефтедобывающих компаний;
— произведены расчеты изменений переменной (У) при увеличении факторных переменных (X) на 1 единицу измерения в данной автоматизированной модели анализа и прогнозирования финансового состояния, исследуемых нефтяных компаний, формирующие информацию в определении факторов, влияющих на зависимую переменную (У), выявлены нужные и ненужные факторы (X), проанализирована заявленная и реальная важность.
Из полученных результатов применения предлагаемой автором автоматизированной модели комплексного анализа и прогнозирования финансового состояния представляется возможным определить направления для улучшения финансового состояния предприятия нефтедобычи, а также предоставить пользователям программы основу для принятия управленческих решений в отношении будущей деятельности предприятия нефтедобычи.
Внедрение автоматизированной модели анализа и прогнозирования финансового состояния предприятий нефтедобывающей отрасли дает ощутимые положительные результаты в виде дополнительных преимуществ. При использовании данной автоматизированной модели сокращаются сроки проведения анализа и прогнозирования и увеличивается эффективность аналитической работы вследствие роста числа охватываемых показателей и увеличения точности прогнозов на основе исходных данных форм внешней бухгалтерской отчетности.
К основным преимуществам в применении предлагаемой автором автоматизированной модели можно отнести:
— повышение точности расчетов;
— сведение к минимуму ошибки при расчетах;
— выполнение большого объема вычислений за короткое время.
Литература
1. Абдуллин Р. З. Эконометрика в MS Excel. Практикум / Р. З. Абдуллин,
B. Р. Абдуллин. URL: http://lib-catalog.isea.ru (дата обращения: 30 июля 2020 года).
2. Афанасьев В. Н. Анализ временных рядов и прогнозирование: учебник/ Афанасьев В. Н. Саратов: Ай Пи Ар Медиа, 2020. 310 с.
3. Бондаренко П. С. Теория вероятностей и математическая статистика: учебное пособие / П. С. Бондаренко, Г. В. Горелова, И. А. Кацко; под ред. И. А. Кацко, А. И. Трубилина. М.: КНОРУС, 2019. 390 с.
4. Иванов О. Б. Риск-ориентированная система внутреннего контроля // Железнодорожный транспорт. 2015. № 6. С. 44—51.
5. Иванов О. Б. Формирование системы внутреннего контроля, аудита и управления рисками в компании на основе внутренних стандартов // ЭТАП: Экономическая Теория, Анализ, Практика. 2012. № 2. С. 4—23.
6. Корреляционно-регрессионный анализ в excel: инструкция выполнения // ExcelTABLE.com. URL: http://exceltable.com/otchety/ korrelyacionno-regressionnyy-analiz (дата обращения: 30 июля 2020 года).
7. Силич М. П., Хабибулина Н. Ю., Горбаток З. В. Информационная система оценки финансово-экономического состояния предприятия. // Вестник Томского государственного университета. 2004. Т. 284. С. 90—95.
8. Сучкова Н. А. Разработка современной методики прогнозирования финансового состояния коммерческих организаций с использованием компьютерных технологий. // Научные записки Орел ГИЭТ. 2010. № 2.
C. 401-407.
9. Халафян А. А. Теория вероятностей, математическая статистика и анализ данных: основы теории и практика на компьютере. STATISTICA. EXCEL: более 150 примеров решения задач: учебник / А. А. Халафян, В. П. Боровиков, Г. В. Калайдина. М.: Ленанд, 2017. 317 с.
10. Финансовая отчетность ПАО Нефтяная компания «Лукойл». Официальный сайт. URL: https://lukoil.ru/InvestorAndShareholderCenter/ RegulatoryDisclosure/RASfinancialstatements (дата обращения: 30 июля 2020 года).
11. Финансовая отчетность ПАО АНК «Башнефть». Официальный сайт. URL: http://www.bashneft.ru/disclosure/finance-results/ (дата обращения: 30 июля 2020 года).
12. Финансовая отчетность Нефтяная компания «Басра». Официальный сайт. URL: https://boc.oil.gov.iq/index.php?name=News&file=article&s id=527 (дата обращения: 30 июля 2020 года).
13. Финансовая отчетность Государственная нефтегазовая компания
«Миссан». Официальный сайт. URL: https://moc.oil.gov.iq/upload/ upfile/ar/34.pdf (дата обращения: 30 июля 2020 года).
References
1. Abdullin R. Z. Ekonometrika v MS Excel. Praktikum [Econometrics in MS Excel. Workshop], Abdullin R. Z., Abdullin V. R. Available at: http://lib-catalog.isea.ru (accessed: 30 July, 2020) (in Russian).
2. Afanasyev V. N. Analiz vremennyh ryadov iprognozirovanie: uchebnik [Analysis of time series and forecasting: Textbook], Afanasyev V. N., Saratov: IP Media, 2020, р. 310 (in Russian)
3. Bondarenko P. S. Teoriya veroyatnostey i matematicheskaya statistika: uchebnoeposobie [Probability Theory and Mathematical Statistics: Textbook], Bondarenko P. S., Gorelova G. V., Katsko I. A.; under the editorship of I. A. Katsko, A. I. Trubilin. M.: KNORUS, 2019, р. 390 (in Russian)
4. Ivanov O. B. Risk-oriented system of internal control. Zheleznodotozhnyi transport [Railway transport], 2015, no. 6, pp. 44-51 (in Russian)
5. Ivanov O. B. Formation of the system of internal control, audit and risk management in the company based on internal standards. ETAP: Ekonomicheskaya Teoriya, Analiz, Praktika [ETAP: Economic Theory, Analysis, Practice], 2012, no. 2, pp. 4-23 (in Russian).
6. Excel correlation and regression analysis: execution instruction. Available at: http://exceltable.com/otchety/korrelyacionno-regressionnyy-analiz (accessed: 30 July, 2020) (in Russian).
7. Silich M. P., Khabibulina N. Yu., Gorbatok Z. V. Information system for assessing the financial and economic condition of the enterprise. Vestnik Tomskogogosudarstvennogo universiteta [Bulletin of Tomsk State University], 2004, vol. 284, pp. 90-95 (in Russian).
8. Suchkova N. A. Development of a modern methodology for predicting the financial condition of commercial organizations using computer technology. Nauchnye zapiski Orel GIET [Scientific Notes Eagle GIET], 2010, no. 2, pp. 401-407 (in Russian).
9. Khalafyan A. A. Teoriya veroyatnostey, matematicheskaya statistika i analiz dannyh: osnovy teorii i praktika na kompyutere [Probability Theory, Mathematical Statistics, and Data Analysis: Fundamentals of Computer Theory and Practice. STATISTICA. EXCEL: more than 150 examples of problem solving: textbook], A. A. Khalafyan, V. P. Borovikov, G. V. Kalaidina. M.: Lenand, 2017, р. 317 (in Russian).
10. Financial statements of PJSC Oil Company Lukoil. Official site. Available at: https://lukoil.ru/InvestorAndShareholderCenter/RegulatoryDisclosure/ RASfinancialstatements (accessed: 30 July, 2020) (in Russian).
11. Financial statements of PJSC ANK Bashneft. Official site. Available at: http://www.bashneft.ru/disclosure/finance-results/ (accessed: 30 July, 2020) (in Russian).
12. Financial statements Basra Oil Company. Official site. Available at: https:// boc.oil.gov.iq/index.php?name=News&file=article&sid=527 (accessed: 30 July, 2020) (in Russian).
13. Financial statements State Oil and Gas Company «Missan». Official site. Available at: https://moc.oil.gov.iq/upload/upfile/ar/34.pdf (accessed: 30 July, 2020) (in Russian).
