Анализ финансовых результатов на примере магазина «Кош»

Страница 16

Значительный удельный вес в собственном капитале принадлежит добавочному капиталу, образовавшего за счет переоценки.

3) Все поступающие денежные средсва направляются на сезонную закупку зерна.

В результате замедленный оборот средств вложенных в запасы. Для погашения следует сократить велечину запасов. Неоправданный рост дебиторской задолженности также замедляет оборот денежных средств и ухудшает финансовый результат.

4)Увелечение объема прибыли в 1999 году произошло за счет внереализационных доходов. При этом убыток от реализации из-за больших коммерческих расходов уменшил размер прибыли на 7042 тыс.руб.

ГЛАВА 3. ПРОГНОЗ ОСНОВНЫХ ПОКАЗАТЕЛЕЙ ФИНАНСОВОГО СОСТОЯНИЯ ГУСП «БАШХЛЕБОПТИЦЕПРОМ» С ПРИМЕНЕНИЕМ ЭКОНОМИКО-МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ

3.1 Основные положения корреляционного и регрессионного анализа

Одним из инструментов экономического анализа в настоящее время, является экономико-математического моделирование.

Экономико-математическое моделирование представляет собой метод исследования экономико-математических моделей, с помощью экономико-математических методов.

Экономико-математическая модель - это математическое описание экономического процесса или объекта.

Экономико-математические методы – это комплекс экономических и математических дисциплин, таких, как:

экономико-статистические методы;

эконометрика;

исследование операций;

экономическая кибернетика.

Предметом экономико-математического моделирования является изучение реальных процессов социально-экономического развития, их обобщение и представление в виде конкретных объективно обусловленных оценок.

Основной целью экономики является обеспечение общества предметами потребления. Экономика состоит из элементов – хозяйственных единиц: предприятия, фирмы, банки и так далее. Экономика является подсистемой системы более высокого уровня – природы и общества.

Задачами экономико-математического моделирования являются:

- анализ экономических объектов и процессов;

- экономическое прогнозирование, предвидение развития экономических процессов;

- выработка данных необходимых для принятия управленческих решений.

Любое экономическое исследование всегда предполагает объединение теории (экономической модели) и практики (статистических данных). Теоретические модели используются для описания и объяснения наблюдаемых процессов, а статистические данные собираются с целью эмпирического построения и обоснования модели.

Математические модели, используемые в экономике, подразделяются на классы по ряду признаков, относящихся к особенностям моделируемого объекта, цели моделирования и используемого инструментария: модели макро- и микроэкономические, теоретические и прикладные, оптимизационные и равновесные, статистические и динамические.

Макроэкономические модели описывают экономику как единое целое, связывая между собой укрупненные материальные и финансовые показатели: ВНП, потребление, инвестиции, занятость и т.д. Микроэкономические модели описывают взаимодействие структурных и функциональных составляющих экономики, либо поведение отдельной такой составляющей в рыночной среде. Теоретические модели позволяют изучать общие свойства экономики и ее характерных элементов дедукцией выводов из формальных предпосылок. Прикладные модели дают возможность оценить параметры функционирования конкретного экономического объекта и сформулировать рекомендации для принятия практических решений. Равновесные модели описывают такие состояния экономики, когда результирующая всех сил, стремящихся вывести ее из данного состояния, равна нулю. В моделях статистических описывается состояние экономического объекта в конкретный момент или период времени; динамические модели включают взаимосвязи переменных во времени.

В экономической деятельности достаточно часто требуется не только получить прогнозные оценки исследуемого показателя, но и количественно охарактеризовать степень влияния на него других факторов, а также возможные последствия их изменений в будущем. Для решения этой задачи предназначен аппарат корреляционного и регрессионного анализа.

Результат опыта можно охарактеризовать качественно и количественно. Любая качественная характеристика результата опыта называется событием; любая количественная характеристика результата опыта называется случайной величиной. Случайная величина – это такая величина, которая в результате опыта может принимать различные значения, причем до опыта не возможно предсказать, какое именно значение она примет.

Понятие зависимости (независимости) случайных величин является одним из важнейших понятий в теории вероятностей. Так как наличие или отсутствие зависимости между случайными величинами оказывает существенное влияние на метод исследования. Степень тесноты изменяется в широких пределах: от полной независимости случайных величин до очень сильной, близкой по существу к функциональной зависимости.

Связь между зависимой переменной Y(i) и n независимыми факторами можно охарактеризовать функцией регрессии Y(i) = f (X1, X2, , Xm), которая показывает, каким будет в среднем значение переменной Y, если переменные Х примут конкретное значение. Это обстоятельство позволяет применять модель регрессии не только для анализа, но и для прогнозирования.

Множественная корреляция и регрессия определяют форму связи переменных, выявляют тесноту их связи и устанавливают влияние отдельных факторов.

Основными этапами построения регрессионной модели являются:

- построение системы показателей (факторов). Сбор и предварительный анализ исходных данных.

- выбор вида модели и численная оценка ее параметров.

- проверка качества модели

- оценка влияния отдельных факторов на основе модели

- прогнозирование на основе модели регрессии.

Рассмотрим содержание этих этапов и их реализацию.

Построение системы показателей (факторов).

Информационной базой регрессионного анализа являются многомерные временные ряды, каждый из которых отражает динамику одной переменной и должен удовлетворять требованиям статистического аппарата исследования.

Для построения системы показателей используется корреляционный анализ. Основная задача которого, состоит в выявлении связи между случайными переменными путем точечной и интервальной оценки парных (частных) коэффициентов корреляции и детерминации.

Выбор факторов, влияющих на исследуемый показатель, производится прежде всего исходя из содержательного экономического анализа. Для получения надежных оценок в модель не следует включать слишком много факторов. Их число не должно превышать одной трети объема имеющихся данных. Для определения наиболее существенных факторов могут быть использованы коэффициенты линейной и множественной корреляции.

При проведении корреляционного анализа вся совокупность данных рассматривается как множество переменных (факторов), каждая из которых содержит n-наблюдений; хik – i- ое наблюдение k-ой переменной.

Связь между случайными величинами X и Y в генеральной совокупности, имеющими совместное нормальное распределение, можно описать коэффициентами корреляции:

r = М ((X – mx) (Y – my)) / sx sy , или r = Кxy / sx sy , ( 17 )

где r - коэффициент корреляции (или парный коэффициент корреляции) генеральной совокупности.

Оценкой коэффициента корреляции r является выборочный парный коэффициент корреляции:

N _ _

r = å (xi – x ) (yi – y) / nSxSy, ( 18 )

i = 1

где Sx.Sy – оценки дисперсии;

x , y – наилучшие оценки математического ожидания.

Парный коэффициент корреляции является показателем тесноты связи лишь в случае линейной зависимости между переменными и обладает следующими основными свойствами:

Свойство 1. Коэффициент корреляции принимает значение в интервале (-1,+1), или rxy < 1. Значение коэффициентов парной корреляции лежит в интервале от -1 до +1. Его положительное значение свидетельствует о прямой связи, отрицательное - об обратной, то есть когда растет одна переменная, другая уменьшается. Чем ближе его значение к 1 , тем теснее связь.