Дипломная работа: Аналіз формування та використання прибутку підприємств нафтопереробної промисловості
Парна кореляційна залежність
дає уявлення про наявність та тісноту зв’язків серед змінних, які приймали
участь у аналізі. Але більш точний порівняльний аналіз фінансових потоків, що
притаманні об’єктам нашого дослідження, може надати регресійний аналіз, коли
значення залежної змінної розглядають як функцію від незалежної.
Тобто, якщо основна
задача кореляційного аналізу, що проведено нами є виявлення зв’язків між
випадковою змінною шляхом точкової інтервальної оцінки парних коефіцієнтів
кореляції, то основною задачею застосування функцій регресії стало вивчення
залежності між результативними ознаками у(роки) та ознакою х (параметри
фінансових потоків) , що спостерігається.
При цьому помітимо, що
попередній аналіз вхідного матеріалу з використанням графічного інструментаря
показав практичну відсутність лінійних трендів, хоча в класичних підходах до
статистичного аналізу саме вони (лінійні тренди) і є найбільш реалістичним
сценарієм. У своїй більшості ми маємо нелінійні залежності по змінній x.
Для повноти аналізу ми
досліджували наступні типи функцій, що описують нелінійні відносини: нелінійні
відносно включених до аналізу пояснюючих змінних та нелінійні за параметрами,
які оцінюються.
Виокремлюючи з масивів даних фінансових
потоків параметри з найбільш тісними фінансовими відносинами ми досліджували та
обирали найбільш прийнятну форму рівняння регресії з метою наступного прогнозу
змін конкретного фінансового потоку. При цьому досліджувались:
Рівнобічна парабола:  ;
Парабола
другого ступеню:   2 ;
Поліномінальні
рівняння: 
Степеневі
рівняння: bִ ;
Показові
функції:  xִ ;
Експоненціальні
функції:  ִ .
Логарифмічні:  
Вибір виду
рівняння відбувався методом експертного оцінювання, тобто порівнянням величин
остаточної дисперсії. Зауважимо, що у багатьох випадках аналізу парних лінійних
зв’язків мав місце значний розсів точок відносно лінії регресії. Така ситуація
пов’язана з впливом факторів, що не були враховані. За критерії використання
моделей брались фінансові ситуації що склалися у виробничої діяльності НПЗ в
динаміці, їх коефіцієнти значущості за експертними оцінками і придатність до
прогнозування процесів на підставі моделювання.
Для більш повної
класифікації моделей, які було використано, доречно зауважити, що нелінійні
моделі прийнято поділяти на моделі внутрішньо лінійні і внутрішньо не лінійні.
Сутність полягає у тому, що внутрішньо лінійні моделі за допомогою відповідних
перетворень можуть бути приведені до лінійних; моделі внутрішньо не лінійні не
можуть бути приведені до лінійного вигляду. Так, наприклад, степенева функція
відносно параметрів, що ми оцінювали є не лінійною, оскільки включає a, b не
адитивна. Однак, ця функція внутрішньо лінійна, оскільки логарифмування по
основі e призводить до лінійного вигляду:  ;
Навпаки, модель
яка представлена як    внутрішньо
нелінійна, оскільки у лінійний вигляд її перетворити неможливо. Моделі типу
   та
які ми
використовували також є нелінійними внутришньо, у той час як експонента   відноситься до внутрішньо
лінійній, так як логарифмування її по e дає лінійну форму зв’язків: . 
У якості вступу
до аналізу необхідно звернути увагу на наступне. Під час праці з часовими
рядами різних показників та при дослідженні зв’язків між ними необхідно
ураховувати проблему хибної кореляції та проблему зрушень у часі (лаги).
У часових рядах,
що корелюються хибна кореляція виникає під впливом так званої трендової
компоненти. Це є причиною того, що у лінійних трендах вимірюють не рівні
змінних Xi, Yi а їх різницю :
 ;
Якщо структуру
часового ряду розглядати як таку, що складається з тренда Ti,
кон’юнктурного циклу – К, сезонної компоненти – S, залишкової компоненти R, то
динамічний ряд можна зобразити як суму цих компонент.
Тобто часові
ряди показників х і у можна записати:
 ;
 ;
О. Андерсон
запропонував вимірювати взаємозв’язки між цими компонентами рядів та вишукувати
між ними окремі коефіцієнти кореляції:
-
якщо тренди обох рядів дуже виражені та
мають однакову спрямованість, то кореляція набуває великого значення;
-
якщо тренди різноспрямовані, то
кореляція може бути значна за величиною, але від’ємна за значенням;
-
кореляція між компонентами визначається
тіснотою зв’язку між трендами та кон’юнктурними коливаннями, між трендами та
сезонною компонентою і т.інш.
Головним у нашому аналізі
регресійних моделей було те положення, що функція регресії може бути
використана для прогнозування однієї з випадкових змінних, якщо відомо значення
іншої випадкової змінної.
Тобто, у якості критеріїв
використання моделей нами було обрано фінансові ситуації, які склалися у
господарський діяльності нафтопереробних заводів, а також можливість
прогнозування процесів на основі моделювання.
Виробничі функції, які
описують динаміку основних фінансових потоків в досліджуваному періоді
(1999-2004) наведені у додатках "В1-В5".
На основі використання не
лінійних функцій регресії з метою прогнозування досліджувалися ряди динаміки
фінансових процесів, які виражені окремими параметрами.
Попередньо
виділимо статистичні показники, що були покладені в основу інтегральної оцінки:
1.Середній
коефіцієнт прирощення
2.Загальна та
залишкова дисперсія -
3.Коефіцієнти парної
та множинної кореляції
4.Індекси
кореляції
Як витікає з
попереднього аналізу, ряди показників фінансових потоків за об’єктами
дослідження залежні, а деякі з них мають достатньо складний вигляд. Для таких
рядів динаміки , як правило, характерна висока автокорельованість. Тільки
завдяки правильному підбору функцій нам вдалося запобігати цьому явищу. Як
наслідок, і було використане нами таке різноманіття функцій.
Відхилення
фактичних значень показників фінансових потоків від значень, що визначаються на
основі згладженої функції характеризують варіацію ряду, яка не пов’язана з
основною вірогіднісною тенденцією. Це дає можливість застосувати для оцінки
прогнозу характеристики на основі використання відомого апарату математичної
статистики та теорії вірогідності.
Підкреслимо, що
не всі функції, які відібрані нами можуть використовуватися для прогнозування,
тобто, не по кожній з них можливо продовжити тенденцію , яка склалася на
найближчу перспективу і знайти найбільш вірогідні обмеження відхилень
фінансових потоків, що прогнозуються.
В цьому випадку,
якщо відсутнє прирощення значень показників у прогнозний період,
використовується логічний аналіз згладжуваних і продовжуваних значень на базі
графічних зображень.
Графічне
зображення залежностей, які апроксимують дані рівнянь у вигляді трендів для
умов Херсонського НПЗ, Львівського НПЗ, Івано-Франківського НПЗ, Одеського НПЗ,
дає можливість спостерігати і робити висновки відносно залежності між
показниками, що включені до аналізу.
Іншими словами,
метод що ми вибрали можна вважати надійним для прогнозування тенденцій стану
параметрів фінансової діяльності.
Оскільки у
нашому аналізі використані практично всі придатні для нашого випадку типи
регресійних моделей має сенс підкреслити деякі особливості. Найчастіше для очікування
множинних зв’язків фінансових параметрів об’єктів, що досліджуються, сприяли
поліномінальні регресії.
Параболи другого ступеня
були більш доцільними у випадках, коли для певного інтервалу значень фактора
змінювався характер зв’язку ознак, що розглядаються (прямий на зворотній і
навпаки). У цьому випадку використовувалося (для прогнозу) значення фактору за
яким було досягнуто максимальне або мінімальне значення результативної ознаки.
Параболічний
тренд, краще апроксимуючий вхідні дані, в цьому випадку можна прийняти як
оптимістичний сценарій, але у практичних ситуаціях ринкових відносин зростання
не може бути постійно прискореним. За умови оздоровлення економіки параболічний
сценарій є можливим.
У випадках коли
у даних не спостерігали зміни спрямованості зв’язку, параметри параболи другого
порядку ставало важко інтерпретувати. Тоді форма зв’язку замінювалася іншими
нелінійними моделями, параметри яких можуть бути оцінені за допомогою методу
найменьших квадратів.
Сутність методу
найменьших квадратів полягає у наступному. Якщо ми за нелінійній залежності по
змінній х запишемо:
 ,
тоді оцінкою
цього виразу буде регресія:
 ,
де b0
,b1 - є оцінками коефіцієнтів регресії β0 і β1.
Коефіцієнти  знаходяться з виразу:
Диференціюючи по
 та шляхом віднесення правих
частин до нуля отримуємо систему нормальних рівнянь:
Оскільки
досліджувані виробничі об’єкти мають різне економічне становище, при цьому
маючи схожу за номенклатурою продукцію, логічним буде провести порівняльний
аналіз придатності тих чи інших моделей для прогнозу фінансового стану.
У наших
дослідженнях при строгому підборі функцій домінуючими були поліномінальні
функції більші ніж другого порядку, які характеризують найбільш тісні зв’язки і
краще вирівнювали, а в деяких випадках і страчували автокореляцію.
Якщо спиратися
на значення R2 то прибуток апроксимується з параболою другого і вище
порядків, або з експоненціальною функцією практично однаково.
Безумовний
інтерес викликає дослідження крім прибутку, тенденції інших показників
фінансового стану підприємств які відносяться до операційної діяльності.
На деяких підприємствах
цей процес може бути описано параболою другого порядку (Херсон, Лукойл), для
інших (Прикарпаття, Галичина) він краще апроксимується логарифмічними або
експоненційними функціями і чіткіше показує тенденцію до збільшення прогнозного
показника .
Таблиця 2.16 Основні
функції прогнозування значень показників діяльності об’єктів досліджень.
Відносно інших
показників, то виробничі доходи більш надійно апроксимувалися степеневою та
експоненціальною функціями.
Характерним в
цьому процесі є те, що степенева та експоненціальна моделі більш привабливі для
динамічних рядів фінансових потоків витратних статей звіту відносно фінансових
результатів.
Серед основних фінансових
показників економічної ефективності діяльності НПЗ: для ХНПЗ характерними є
поліноми, для НПК "Галичина" – функцію прибутку краще за все описує
парабола, для НПЗ "Нафтохімік Прикарпаття" кращими прогнозними
моделями стали логарифмічні та експоненціальні, для НПЗ "Лукойл – Одеський
нафтопереробний завод" – поліноми другого та третього порядків.
Може викликати стурбованість і,
як слідство, необхідність в більш розширеному і глибокому економічному аналізі більшості
досліджуваних нами об’єктів, результатів їх діяльності, це наявність тенденцій
зниження фінансових показників і зокрема прибутку, що характерно для більшості
з досліджуваних об’єктів. Така тенденція обумовлена і пов’язана з загальною
економічно-соціальною ситуацією в Державі. Наявність невизначеностей, їх
поширеність і неможливість формального опису ускладнюють прогнозування на
підставі трендових оцінок.
Переслідуючи мету найбільш коректного аналізу впливу факторів
на фінансові показники виробничої діяльності, ми встановили міжпараметричні
зв’язки показників фінансових потоків на підприємствах і побудували
багатопараметричні моделі прогнозу, де відображено окрім прямої участі
досліджуваних факторів і ефект їхнього взаємовпливу.
Багатопараметрична
регресія є найбільш поширеним методом у економічних системах у разі їх аналізу
і управління. Основна мета множинної регресії – створити модель з необхідною
кількістю факторів, визначивши вплив кожного з них окремо і у сукупної дії на
показник, що моделюють.
Будь які економічні
дослідження слід починати зі специфікації обраної моделі, т.б. формування її
виду, виходячи з відповідної теорії між змінними.
На основі вимоги
конфліентного аналізу необхідно знати всю сукупність зв’язків між змінними.
Змінна буде вважатися корисною, якщо її включення підвищує дисперсію. Якщо
введення нової змінної не змінює коефіцієнт при інших змінних, вона вважається
зайвою, а якщо додавання змінної дуже змінило  ,
без помітної зміни коефіцієнта кореляції, - то вона вважається шкідливою.
Безсумнівну
зацікавленість, у нашому випадку, викликає оцінка зв’язку одного з показників з
іншими, що входять до складу параметрів які характеризують досліджувані нами
процеси. Досягається це з допомогою множинного або сукупного коефіцієнта
кореляції:
 ,
де
Qm –
визначник кореляційної матриці
λij
– алгебраїчне доповнення до елементів Rij
У випадку, коли
ми маємо m математичних сподівань та m дисперсій,
m(m–1)/2 парних
коефіцієнтів кореляції, будемо мати багатомірний кореляційний аналіз, де часний
коефіцієнт кореляції L-го порядку на випадок m ознак можна буде знайти з
кореляційної матриці.
Багатовимірний
кореляційний аналіз дозволяє отримати оцінку функції регресії. Цей аналіз буде
мати місце, якщо вимірювання результативної ознаки визначається дією сукупності
інших ознак.
У випадку заміни
параметрів їх оцінками будемо мати рівняння :
 ,
де вільний член та коефіцієнти b1…bm знаходять методом
найменших квадратів (МНК). Вихідною є вибірка з багатовимірної сукупності
показників фінансових потоків у вигляді матриці Х і вектора У.
А. Багатопараметричні моделі
зв’язку основних показників фінансової діяльності НПЗ
Змінні моделей по НПЗ Херсон:
Х1 - валовий дохід
від виробничої діяльності
Х2 – виручка від
реалізації
Х3 – собівартість
продукції
Х4 – валовий прибуток
Х5 – інші операційні
доходи
Х6 – нарахування
Х7 – чистий прибуток
Виробничі функції зв’язку
параметрів
Y=2755,6 – 0,113X1+0,136X2+0,005X3
– 0,83X4+0,13X5+0,78X6
Y=29297,6 – 0,04X1-0,0009X2-0,017X3+0,013X5+0,09X6+1,29X7
Y=56721,9 – 2,65X4+0,26X2+0,77X3+0,28X5+1,67X6+0,34X7
Y=159707 – 0,11X4+0,37X1-
0,29X3- 0,90X5-5,17X6+15,26X7
Змінні моделей по НПК "Галичина"
Х1 - виручка від
реалізації
Х2 – суми відрахувань
Х3 – чистий прибуток
Х4 – собівартість
продукції
Х5 – валовий прибуток
Х6 – інші операційні
доходи
Виробничі функції зв’язку
показників діяльності.
Y=30810,2+3,61X2-0,19X3+0,44X4-0,06X5-0,0002X6
Y=243075,1-0,32X1+0,80X2-1,05X4+3,30X5+1,42X6
Y=-50969,1+0,197X3+0,09X1+0,29X2+0,12X4+0,33X6
Б. Багатопараметричні моделі
фінансової діяльності підприємств
Змінні моделей по Херсонському
нафтопереробному заводу
Х1 - прибуток ( валовий
прибуток, валовий дохід від виробничої діяльності )
Х2 – інші фінансові
доходи
Х3 – фактичні витрати
Х4 – фінансові
операції від звичайної діяльності
Х5 – нарахування на
прибуток інші операційні доходи
Х6 – чистий прибуток
Х7 – адміністративні
витрати
Виробничі функції зв’язку
факторів взаємовпливу для Херсонського нафтопереробного заводу
Y= - 17300 –5,55X1+27,89X2+46,32X3-129,94X4+182,08X5+105,5X6
Y= 8279,46+0,156X7+4,60X2+3,0X3+0,16X4+5,60X5+1,10X6
Y=-1807,6-0,54X1+0,06X7+5,00X2-0,14X3+2,01X4-2,90X5
Y=- 6899,6-0,42X6-0,13X1-0,02X7+2,98X3+0,60X4+1,41X5
Змінні моделей по НПК-Галичина
Х1 - прибуток ( валовий
прибуток, валовий дохід від виробничої діяльності )
Х2 – інші фінансові
доходи
Х3 – фактичні витрати
Х4 – фінансові
операції від звичайної діяльності
Х5 – нарахування на
прибуток інші операційні доходи
Х6 – чистий прибуток
Х7 – адміністративні
витрати
НПК "Галичина"
Y= -206648+4,44X1+21,3X2+19,8X3+1,17X4-32,5X5+4,6X6
Y= 73356,0-0,026X7-0,87X2-0,36X3-0,2X4+7,94X5-2,0X6
Y= 43256,5-1,66X1+0,04X7-5,92X2-0,28X3+0,67X4+5,3X5
Y= 11794,9-0,33X6-0,31X1+0,05X7-1,29X2+0,03X4+1,70X5
Змінні моделей по НПЗ "Нафтохімік
Прикарпаття"
Х1 - виручка від
реалізації валовий дохід від виробничої діяльності
Х2 – чистий доход
Х3 – чистий прибуток собівартість
продукції
Х4 – заборгованість
по кредитам валовий прибуток
Х5 – заборгованість
дебіторська нші операційні доходи
Х6 – результат від
операційної діяльності
Х7 – результат від
іншої операційної діяльності
Х8 – результат
звичайної діяльності
Виробничі функції взаємовпливу
показників фінансової діяльності для НПЗ "Нафтохімік Прикарпаття"
Y= 478206 – 0,04X2+
31,0X3 –0,06X4-2,27X5+11,74X6+37,0X7-36,5X8
Y= 399556,3-2,03X1+61,6X3+14,2X4-10,0X5+13,7X6+57,8X7-35,7X8
Y = -3437667,0+5,44X2+5,37X1+7,5X4+9,13X5-122,9X6-211,55X7+167,X8
Змінні моделей по НПЗ "Лукойл
– Одеський нафтопереробний завод"
Х1 - виручка від
реалізації валовий дохід від виробничої діяльності
Х2 – чистий доход
Х3 – чистий прибуток собівартість
продукції
Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
|
