CC BY
58
РАЗРАБОТКА МОДЕЛИ ФИНАНСОВОГО СОСТОЯНИЯ, ПРОГНОЗИРОВАНИЕ НА ОСНОВЕ МНОЖЕСТВЕННОЙ РЕГРЕССИИ
С.А. Сафарян, магистрант
Кубанский государственный технологический университет (Россия, г. Краснодар)
DOI: 10.24411/2411-0450-2020-11129
Аннотация. В условиях нестабильности экономических колебаний, особую актуальность приобретает выбранная модель оценки финансового состояния. В работе представлена модель, которая позволяет проанализировать не только основные показатели финансового состояния, но и выявить причинно-следственные связи между ними. В условиях микроклимата организации главным инструментом выступает корреляционный и регрессионный анализ, который позволяет качественно измерить и выявить форму влияния, по итогам которой можно построить математическую модель и уже по ней прогнозировать финансовое состояние организации в будущем.
Ключевые слова: методика, теснота связи, финансовое состояние, корреляция, прогнозирование.
Линейные по параметрам и по переменным множественные регрессионные модели могут быть представлены в виде [1]:
У = Ь0 + ЬХХ! + Ь2Х} + —V Ькхк + в (1)
где У - результативный показатель;
Ьо, Ьь Ьк - неизвестные параметры модели;
8 - случайные ошибки модели.
В случае моделирования финансового состояния с помощью множественного корреляционно-регрессионного анализа в качестве результативного показателя была принята чистая прибыль.
Данный показатель является обобщающим и в случае построения корреляционно-регрессивной модели является зависимой переменной как для платёжеспособности, так и для финансовой устойчивости.
По итогам выбора факторных показателей можно построить модель, с помощью которой можно дать достоверный прогноз.
Отбор переменных, вошедших в итоговую модель, производился на основе ме-
Х1 = выручка;
Х2 = себестоимость;
Х3 = текущий налог на прибыль;
Х4= прибыль от продаж;
Х5 = основные средства;
Х6 = дебиторская задолженность;
Х7 = денежные средства;
тода пошаговой регрессии. Критериями выбора наилучшей регрессионной модели являлись значение скорректированного коэффициента детерминации Radj2, значимость всех коэффициентов модели по критерию Стьюдента, значимость модели на основе критерия Фишера, а также значение коэффициента корреляции между фактическим значением зависимой переменной и расчетным, найденным по модели.
В качестве показателей-факторов, потенциально влияющих на значение прибыли, использованы ключевые финансовые величины:
Х8 = прочие расходы; Х9 = Управленческие расходы; Х10 = кредиторская задолженность; Х11 = запасы;
Х12 = собственный капитал.
Проведение статистических исследований, в частности регрессионного анализа, невозможно без массовых наблюдений. В связи с этим, в результате обработки годо-
вых отчётов ООО «КраСур» за 5 лет был сформирован исходный массив для анализа информации.
Таблица 1. Данные для проведения регрессионно-корреляционного анализа, тыс. руб.
Показатели 31.12.2015 г. 31.12.2016 г. 31.12.2017 г. 31.12.2018 г. 31.12.2019 г.
У 3G77 1554 13637 2956 14119
X1 159584 312715 14867G 1212G1 214227
X2 153641 3G3554 119753 1G9719 187847
X3 769 393 3411 745 353G
X4 4115 2549 18683 4592 18194
X5 1G249 11G13 816G 13485 13151
X6 9G226 1G1633 83661 75G64 96GG1
X7 16379 382G6 12547 8321 5429
X8 8G3 1394 1762 2989 438
X9 1828 6612 1G234 6875 8186
X10 114493 17446G 89169 81764 971GG
X11 1457 28922 3774 67G9 18469
X12 3819 5373 19G11 21886 36GG6
Следует определить, все ли переменные нужно включать в уравнение, для решения этого была рассчитана таблица, составлен-
ная из коэффициентов парной корреляции для всех 12 факторов.
Таблица 2. Теснота связи, коэффициент корреляции
Показатели Условное обозначение Коэффициент многофакторной корреляции, Я Процент вариации, фактора включенного в уравнение %
Выручка Х1 -0,196848 3,87
Себестоимость Х2 -0,321115 10,31
Текущий налог на прибыль Х3 0,999999 99,99
Прибыль от продаж Х4 0,998422 99,68
Основные средства Х5 -0,196912 3,87
Дебиторская задолженность Х6 -0,011376 0,01
Денежные средства Х7 -0,583763 34,07
Прочие расходы Х8 -0,345086 11,90
Управленческие расходы Х9 0,682731 46,61
Кредиторская задолженность Х10 -0,520499 27,09
Запасы Х11 -0,131144 1,72
Собственный капитал Х12 0,738800 54,58
Для дальнейшего построения модели необходимо исключить показатели со слабой факторной связью. Что свидетельствует об отсутствии мультиколлинеарности.
В связи с этим исключаются факторы X!, Х2, Х5, Х6, Х7, Х8, Х9, Х10, Х11, а
После предварительного отбора факторов на основе парных и частных коэффициентов корреляции была произведена оценка параметров и построено выборочное уравнение регрессии.
Для определения тесноты связи между фактором Y и совокупностью факторов Х4, Х12 был применён коэффициент множественной корреляции R. Коэффициент изменяется в интервале от 0 до 1. Чем
В нашем случае R = 0,73, что говорит о наличии функциональной связи.
Обычно интерпретируется не сам коэффициент корреляции R, а его квадрат Я^, который называется коэффициентом множественной (общей) Он показывает, какая часть общей дисперсии объясняется за счёт вариации линейной комбинации аргументов Х4, Х12 при данных значениях коэффициентов регрессии. В нашем случае = 0,5448, то есть 54,5 % вариации результативного признака объясняется фак-
также Х3, так как он не актуален в исследовании [2].
Таким образом, уравнение регрессии приобрело вид:
(2)
После многочисленных расчетов уравнение регрессии приобрело следующий вид:
(3)
больше абсолютное значение парного коэффициента корреляции, тем более тесная взаимосвязь между данными двумя признаками.
торами, включёнными в уравнение регрессии, а 45,5% - прочими факторами, которые мы не включили в модель.
Можно сделать вывод, что при увеличении прибыли от продаж на 1%, с вероятностью 99,9% чистая прибыль увеличится на 0,77 %. И аналогично увеличивая собственный капитал на 1% есть шанс в 54% увеличения чистой прибыли на 0,34%.
Из этого следует, что руководству следует обратить внимание на объем собст-
У = boblX4 - b2Xl2
У = 0,349xl2 + 0,772x4 - 6378,24
25 ООО 20 000 15 000 10 000
5 ODD 0
-5 000
201!
2017 год
201S под
•Расч етн ы е э паче н ия чи стой пр нб ыл н »Исходные значения чистой прибыли
2019 год
Рис. 1. Изменение чистой прибыли по уравнению регрессии
венного капитала. Так как мы выяснили, влияние не только на финансовую устой-что он тесно связан с изменением чистой чивость, но и как мы выяснили и на пла-прибыли. Поскольку постольку управле- тежеспособность. ние им способно оказать значительное
Библиографический список
1. Максимова Т.Г. Эконометрика: учебно-методическое пособие / Т.Г. Максимова, И.Н. Попова. - СПб.: Университет ИТМО, 2018. - 70 с.
2. Филобокова Л.Ю. Неформальные методы прогнозирования финансовой устойчивости малых предприятий // Экономический анализ: теория и практика. - 2018.-№9 (114). -С. 18-21.
3. Кован С.Е. Финансовая устойчивость предприятия и ее оценка для предупреждения банкротства // Экономический анализ: теория и практика.- 2018. - №15 (144). - С. 52-59.
FINANCIAL STATE MODEL DEVELOPMENT, FORECASTING BASED
ON MULTIPLE REGRESSION
S.A. Safaryan, Graduate Student Kuban State Technological University (Russia, Krasnodar)
Abstract. In conditions of instability of economic fluctuations, the chosen model of assessing the financial condition is becoming especially relevant. The paper presents a model that allows you to analyze not only the main indicators of the financial condition, but also to identify the cause-and-effect relationships between them. In the conditions of the microclimate of the organization, the main tool is correlation and regression analysis, which allows you to qualitatively measure and identify the form of influence, based on which you can build a mathematical model and already use it to predict the financial condition of the organization in the future.
Keywords: methodology, tightness of communication, financial condition, correlation, forecasting.
