8.Экономическая интерпретация. Результаты регрессионного анализа сравниваются с гипотезами, сформулированными на первом этапе исследования, и оценивается их правдоподобие с экономической точки зрения.

9. Прогнозирование неизвестных значений зависимой переменной. Полученное уравнение регрессии находит свое применение в прогностическом анализе. Прогноз получают путем подстановки в регрессию с численно оцененными параметрами значений факторов. Следует подчеркнуть, что прогнозирование результатов по регрессии лучше поддается содержательной интерпретации, чем простая экстраполяция тенденций, так как полнее учитывается природа исследуемого явления.

На основании вышеизложенного произведем расчет и анализ уравнения регрессии.

Так как целью моего диплома является вывод предприятия из кризисного положения (из зоны убыточности в зону прибыльности), то, прежде всего нам необходимо определить факторы, от которых может зависеть прибыль. На мой взгляд, такими факторами является выручка от реализации, оборачиваемость оборотных активов и величина собственных оборотных средств. Я выбрал эти факторы исходя из следующих рассуждений. При стабильном, устойчивом положении предприятия на рынке главным фактором, влияющим на прибыль, будет являться выручка от реализации. В отличии от производственного предприятия, где решающими факторами формирования прибыли является цена и качество, в торговом предприятии этим фактором служит оборачиваемость оборотных активов. То есть при одинаковой величине активов в выигрыше будет предприятие с меньшим периодом оборачиваемости средств, так как эффективность использования оборотного капитала у такого предприятия будет выше. Собственные оборотные средства способствуют ускорению оборачиваемости капитала и повышению финансовой устойчивости предприятия.

Таким образом, мы имеем следующее:

прибыль (y) - зависимая переменная;

величина СОС (х1) - объясняющая переменная;

оборачиваемость оборотных активов (х2) - объясняющая переменная;

выручка от реализации (х3) - объясняющая переменная.

При построении модели исходная информация была собрана в виде динамических рядов. Для того, чтобы модель была статистически значимой, рассчитаем необходимый объем выборки:

.

То есть нам необходимо собрать данные за двадцать периодов, что и было сделано (данные собирались в месячном разрезе).

Таблица 2.1 - Динамические ряды зависимых и объясняющих переменных

Период	Обор. обор.активов	Выручка от реализации	Величина СОС	Прибыль
1	0,19	6842125	611,2	80
2	0,18	5401236	722,5	71,2
3	0,191	3896521	942,1	88,9
4	0,185	4285631	625,4	90,4
5	0,18	4943530	867,1	67,2
6	0,168	1629581	921,2	46,2
7	0,23	2433062	413,2	60,6
8	0,22	2586526	382,9	97,3
9	0,21	3115387	482,6	97,2
10	0,161	2543750	913,5	62,3
11	0,171	2080043	892,3	50,8
12	0,199	5630122	318,2	63,7
13	0,179	3851779	893,4	80,6
14	0,152	4345869	790,6	99,7
15	0,184	3112501	460,6	74,4
16	0,167	5340547	-12,9	22,1
17	0,123	883696	-258,8	-0,1
18	0,098	2603102	-485,7	-76,2
19	0,094	1747066	-1251,7	-85,5
20	0,099	1532233	-432,8	-22,7

На основании имеющихся данных была построена корреляционная матрица, представленная в таблице 2.2.

Таблица 2.2 - Корреляционная матрица

	Обор. обор.активов	Выручка от реализации	Величина СОС	Прибыль
Обор. обор.активов	1,00
Выручка от релизации	0,42	1,00
Величина СОС	0,69	0,37	1,00
Прибыль	0,85	0,46	0,87	1,00

Корреляционная матрица строилась с помощью встроенной системы анализа MS Excel 2000. Проанализировав таблицу можно сделать вывод, что наиболее значимыми объясняющими переменными являются оборачиваемость оборотных активов и величина собственных оборотных средств, и лишь 46,0% изменения выручки от реализации приводят к изменению прибыли. Что касается попарной корреляционной зависимости между факторами, то в нашем случае можно говорить об ее отсутствии, так как коэффициент парной корреляции между объясняющими факторами меньше критического значения 0,7 - 0,8.

Построим множественное линейное уравнение регрессии.

Построение и расчет множественного уравнения регрессии выполним с помощью встроенной функции ЛИНЕЙН(…).

Порядок расчета сводится к следующему:

1) вызываем функцию ЛИНЕЙН(…) (категория “Статистические” мастера функций);

2) в окне этой функции указываем область значений результирующего признака (y) и факторного признака (х).

Параметры “константа” и ”статистика” задаем равными 1. Константа=1 означает, что уравнение регрессии должно иметь свободный член а. Статистика=1 означает, что помимо коэффициентов уравнения регрессии, должны выводиться статистические характеристики:

· ошибки коэффициентов регрессии;

· коэффициент детерминации;

· остаточная дисперсия;

· статистика Фишера;

· число степеней свободы;

· рассеивание регрессии;

· остаточное рассеивание.

3) выделяем область ячеек (5*(m+1)) и активизируем строку формул.

4) В результате получаем таблицу:

		…		а
		…
		…	н/д	н/д
		…	н/д	н/д
		…	н/д	н/д

Результаты работы функции ЛИНЕЙН() для нашего примера представлены в таблице 2.3.

Таблица 2.3 - расчет коэффициентов регрессии

0,044	720,917	-95,731
0,014	207,854	32,248
0,808	25,601	#Н/Д
35,742	17,000	#Н/Д
46851,988	11142,050	#Н/Д

Уравнение регрессии выглядит следующим образом:

.

Для нашего примера:

Y=-95.73+720.92*x1(оборотные активы)+0,044*x2(собственные оборотные средства).

Подставляя в формулу значения х1 и х2 получим следующую таблицу.

Таблица 2.4 - Величина прибыли полученная расчетным путем

Обор. обор.активов	Величина СОС	Прибыль	Прибыль''
0,19	611,2	80	68,04
0,18	722,5	71,2	65,71
0,191	942,1	88,9	83,26
0,185	625,4	90,4	65,05
0,18	867,1	67,2	72,04
0,168	921,2	46,2	65,76
0,23	413,2	60,6	88,19
0,22	382,9	97,3	79,66
0,21	482,6	97,2	76,82
0,161	913,5	20,9	60,38
0,171	892,3	30,1	66,66
0,199	318,2	40,2	61,68
0,179	893,4	80,6	72,48
0,152	790,6	99,7	48,51
0,184	460,6	74,4	57,11
0,167	-12,9	4,1	24,10
0,123	-258,8	-0,1	-18,40
,098	-485,7	-76,2	-46,37
0,094	-1251,7	-85,5	-82,83
0,099	-432,8	-22,7	-43,33

Прибыль “ - это расчетное значение прибыли, полученное с помощью уравнения регрессии.

Проведем проверку адекватности модели. Это необходимо для ответа на вопрос, оказывают ли выбранные факторы влияние на зависимую переменную. Для этого я сравню значение статистики F, вычисленное по эмпирическим данным, с табличным значением F. Расчетное значение F=35.742, а табличное значение F=3,59. Как видно вычисленный коэффициент больше табличного, следовательно, переменные, включенные в регрессию достаточно объясняют зависимую переменную, что позволяет говорить о значимости самой модели.

Рассчитаем управляемость зависимой переменной, объясняющими переменными. Для этого необходимо рассчитать коэффициент эластичности. Для расчета нам понадобятся средние значения зависимой и объясняющих переменных.

0,169

389,75

48,41.

720,92*0,169/48,41=2,52%

0,044*389,75/48,41=0,35%

Полученные результаты говорят о том, что при увеличении скорости оборота на 1% прибыль увеличится на 2,52%, а при увеличениисобственных оборотных средств на 1% , прибыль возрастет на 0,35%.

Определим показатель системного эффекта факторов. По формуле рассчитаем коэффициент корреляции:

R=0,87.

По формуле

рассчитаем коэффициенты - факторов. Для этого нам необходимо вначале рассчитать среднее квадратическое отклонение факторов и среднее квадратическое отклонение функции.

594,33;

0,039;

55,25;

720,92*0,039/55,25=0,51;

0,044*594,33/55,25=0,47;

0,28.

2.2 Характеристика методов и моделей прогнозирования показателей работы предприятия

2.2.1 Описание различных методов прогнозирования

В настоящее время разработана большая группа экстраполяционных методов прогнозирования отдельных экономических показателей. В данной группе методов можно выделить:

1.Методы, основанные на построении многофакторных корреляционно-регрессионных моделей.

2.Методы авторегрессии, учитывающие взаимосвязь членов временного ряда.

3.Методы, основанные на разложении временного ряда на компоненты: главная тенденция (тренд), сезонные колебания и случайная составляющая.

4.Методы, позволяющие учесть неравнозначность исходных данных.

5.Методы прямой экстраполяции, при этом используются разные трендовые модели.

Коротко охарактеризуем эти методы. При прогнозировании методом корреляционно-регрессионного анализа строится модель, включающая набор переменных, от которых зависит поведение функции. Основным недостатком такого подхода является то, что необходимы сбор и обработка больших массивов информации по группе однородных предприятий и прогнозирование самих объясняющих переменных.

Для данных методов характерна невысокая точность прогноза для конкретного, отдельного предприятия.

Авторегрессионные модели чаще всего используются для прогнозирования тех экономических процессов, для которых внешний механизм их формировнаия четко не определен, и практически невозможно выделить стабильные во времени причинно-следственные связи. Применение этих моделей целесообразно и для сильно автокоррелированных динамических рядов.

Главная идея методов авторегрессии состоит в том, что будущие значения временного ряда не могут произвольно отклоняться в большую или меньшую сторону от предшествующих значений временного ряда, какими бы причинами ни были вызваны эти отклонения. Во временных рядах экономических показателей существует связь между недавно реализованными значениями и значением, реализующимся в близком будущем. Смысл этой связи таков, что если между близкими значениями временного ряда существует корреляция, то мложно построит прогноз показателя. Модель авторегресии имеет вид:

,(2.13)

где - параметры уравнения авторегрессии;

- значение динамического ряда показателя.

Считают, что при расчете необходимо проводить элиминирование мультиколинеарности в матрице входных параметров . Для улучшения прогнозирующих свойств модели в нее можно ввести фактор времени в виде самостоятельной переменной. Подобный подход в ряде случаев существенно увеличивает точность прогноза, что объясняется учетом линейного тренда.

Методы, основанные на разложении временного ряда на компоненты- главная тенденция, сезонные колебания и случайная составляющая, - позволяют описать почти любой экономический процесс, независимо от его характера.

При аддитвной связи между компонентами модель имеет вид:

,(2.14)

где - составляющая, описывающая тренд.

Составляющая определяется по формуле:

и может быть разложена в ряд Фурье:

.(2.15)

Модель “гармонический фильтр” с учетом статистически значимых гармоник аналогична выше описанной модели. Оценка значимости i-й гармоники рассчитывается по следующей формуле:

,(2.16)

Несмещенная оценка рассчитывается так:

(2.17)

и подчиняется F- распределению Фишера с и степенями свободы.

Проведенные расчеты показали, что при использовании моделей гармонического фильтра необходимо с осторожностью подходить к выбору величины предпрогнозного периода. Так как величина предпрогнозного периода в значительной мере определяет точность прогноза.

Рассмотренные выше модели не позволяют в достаточной степени учесть неравнозначность исходных данных. К числу методов, учитывающих неравнозначность исходных данных можно отнести:

· Метод авторегрессии с последующей адаптацией коэффициентов уравнения;

· Метод взвешенных отклонений.

Для адаптации коэффициентов модели авторегрессии может быть использован метод наискорейшего спуска. Согласно данному методу, процедура пересчета коэффициентов уравнения авторегрессии осуществляется следующим образом:

,(2.18)

где - вектор новых коэффициентов;

- вектор старых коэффициентов;

- коэффициент, ;

- ошибка прогноза в точке .

Сложность математического аппарата описанных выше моделей не оправдывает себя. Для получения точных оценок прогнозирования в каждом случае необходимо использовать перечисленные модели (авторегрессия, гармонический фильтр…) в комплексе, что значительно увеличивает время на получение прогноза.

Проведенные исследования показали, что при краткосрочном прогнозировании (на один год) показателей работы предприятия целесообразно использовать комплекс трендовых моделей, который позволяет с достаточной точностью описать динамику показателей.

Прогнозирование с помощью методов экстраполяции.

Прогнозирование с помощью методов экстраполяции должно включать следующие этапы работ.

1. Установление цели и задачи исследования, анализ объекта прогнозирования.

Прогнозирование развития любой системы (предприятия, фирмы и т. д.) предъявляет специфические требования к параметрам, характеризующим и определяющим ее развитие. Поэтому на первом этапе работ необходимо провести детальное логическое изучение системы: зависимость рассматриваемого объекта (параметра) от других систем одного уровня и субсистемы (системы более высокого уровня); взаимосвязь между данным объектом и другими объектами системы.

2. Подготовка исходных данных.

Работы на этом этапе начинаются с проверки временного ряда, в результате которой устанавливается полнота ряда (наличие данных за каждый период), сопоставимость данных, а если необходимо проверка методики приведения данных к сопоставимому виду.

3.Фильтрация исходного временного ряда.

В результате этой процедуры устраняются случайные возмущения (флуктуации), возникающие под воздействием неучтенных факторов или ошибок измерения относительно наиболее вероятного протекания процесса, и тем самым исключается искажающее влияние случайных колебаний на выбор вида регрессии. Фильтрация исходного ряда включает его сглаживание и выравнивание.

Сглаживание применяется для устранения случайных отклонений (шума) из экспериментальных значений исходного ряда. Сглаживание производится с помощью многочленов, приближающих (обычно по методу наименьших квадратов0 группы опытных точек. Наилучшее сглаживание получается для средних точек группы, поэтому желательно выбирать нечетное количество точек в сглаживаемой группе. Обычно их выбирают три или пять. Обычно для сглаживания применяют линейную зависимость. Тогда формулы сглаживания ля групп из трех точек имеют вид:

где - значения исходной и сглаженной функции в средней точке группы;

- значения исходной и сглаженной функций в левой точке группы;

- значения исходной и сглаженной функции в правой точке группы;

Сглаживание является во многих случаях эффективным средством выявления тренда при наличии в экспериментальных точках случайных помех и ошибок измерения.

Выравнивание применяется для более удобного представления исходного ряда без применения его числовых значений. Выравниванием называется приведение исходной эмпирической формулы:

где - время,

- параметры.

К виду

.(2.19)

Использование двухпараметрической зависимости объясняется ее наибольшим распространением в практике прогнозирования и сравнительно простыми способами получения выравниваемых формул. Функции с большим, чем два числом параметров выравниваются не всегда, и формулы имеют громоздкий вид.

4.Логический выбор видов аппроксимирующей функции.

На основании изучения статистических данных и логического анализа протекания изучаемого процесса из заданного массива функций отбираются наиболее приемлемые виды уравнений связи. Этот этап необходим так как позволяет при отборе функций учесть основные условия протекания рассматриваемого процесса и требования предъявляемые к математической модели. На этом этапе должны быть решены следующие вопросы:

· является ли исследуемый показатель величиной монотонно возрастающей (убывающей), стабильной, периодической, имеющей один или несколько экстремумов;

· ограничен ли показатель сверху или снизу каким-либо пределом;

· обладает ли анализируемая функция свойством симметричности;

· имеет ли процесс четкое ограничение развития во времени.

В прогнозной экстраполяции чаще всего используют различные полиномы с ограничением числа членов (степени полинома).

Это степенной полином

Экспоненциальный полином



Гиперболический полином

Опыт применения аппроксимирующих функций для целей прогнозирования показывает, что наиболее простыми (математически) и чаще всего используемыми являются следующие функции:

Линейная

Квадратичная

Степенная

Экспоненциальная

Логистическая кривая



Когда это возможно при выборе аппроксимирующей функции прибегают к графическому способу подбора по виду точек временного ряда, расположенных на плоскости Y0t.

5. Оценка математической модели прогнозирования.

На этом этапе исследования определяются параметры различных видов аппроксимирующих функций. Наиболее распространенными методами оценки параметров аппроксимирующих зависимостей является метод наименьших квадратов (МНК) и его модификации, метод экспоненциального сглаживания, метод вероятностного моделирования, метод адаптивного сглаживания.

Метод наименьших квадратов состоит в определении параметров модели тренда, минимизирующих ее отклонение от точек исходного временного ряда:

(2.20)

МНК предполагает равноценность исходной информации в модели. В реальной же практике будущее поведение процесса в большей степени определяется поздними наблюдениями, чем ранними. Речь идет о дисконтировании, т. е. Уменьшении ценности более ранней информации.

Дисконтирование учитывают путем введения в модель некоторых весов

(2.21)

Коэффициенты могут быть заданы в числовой форме или в виде функциональной зависимости таким образом, чтобы по мере продвижения в прошлое веса убывали.

К недостатка метода МНК можно отнести следующее. Во-первых, модель тренда жестко фиксируется, и с помощью МНК можно получить прогноз на небольшой период упреждения. Поэтому МНК относят к методам краткосрочного прогнозирования.

Во-вторых, значительную трудность представляет правильный выбор модели, а также обоснование и выбор весов во взвешенном МНК.

В-третьих, МНК просто реализуется только для линейных и линеаризуемых зависимостей, когда для получения оценок коэффициентов моделей решается система линейных уравнения. Задача значительно усложняется, если для прогноза используется функциональная зависимость, не сводимая к линейной.

Метод экспоненциального сглаживания является эффективным и надежным методом среднесрочного прогнозирования.

Здесь следует более подробно остановиться на учете важности ретроспективной информации.

Практически все большее значение для построения прогноза имеет информация, описывающая процесс в моменты времени, стоящие ближе к настоящему моменту времени. Чем дальше мы углубляемся в ретроспекцию, тем менее ценной для прогноза становится информация. Это можно учесть придавая членам исходного динамического ряда некоторые веса, тем большие, чем ближе находится точка к началу периода прогноза.

Это положение лежит в основе метода экспоненциального сглаживания. Сущность метода заключается в сглаживании исходного динамического ряда взвешенной скользящей средней, веса которой подчиняются экспоненциальному закону.

6. выбор математической модели прогнозирования.

Выбор модели прогнозирования основывается на оценке их качества. Независимо от методов оценки параметров моделей экстраполяции (прогнозирования) их качество определяется на основе исследования свойств остаточной компоненты:

,

Т. е. Величины расхождений на участке аппроксимации (построения модели) между фактическими уровнями и их расчетными значениями.

Качество модели определяется ее адекватностью исследуемому процессу и точностью. Адекватность характеризуется наличием и учетом определенных статистических свойств, а точность - степенью близости к фактическим данным. Модель прогнозирования будет считаться лучшей со статистической точки зрения, если она является адекватной и более точно описывает исходный динамический ряд.

Модель прогнозирования считается адекватной, если она учитывает существенную закономерность исследуемого процесса. В ином случае ее нельзя применять для анализа и прогнозирования.

Закономерность исследуемого процесса находит отражение в наличии определенных статистических свойств остаточной компоненты, а именно: независимости уровней, их случайности, соответствия нормальному закону распределения и равенства нулю средней ошибки.

Независимость остаточной компоненты означает отсутствие автокорреляции между остатками .

Перечислим последствия, вызываемые автокорреляцией остатков:

1.Недооценка дисперсии остатков функции регрессии.

2.Наличие ошибки при оценке выборочной дисперсии параметров регрессии. Ошибки в вычислении дисперсии - препятствие к корректному применению МНК при построении одели исходного динамического ряда.

Важно иметь критерий, устанавливающий наличие автокорреляции. Таким критерием является критерий Дарбина-Уотсона, в соответствии с которым вычисляется статистика d:

(2.22)

Возможные значения статистики лежат в интервале 0 <= d <= 4. Согласно методу Дарбина и Уотсона существует верхний и нижний пределы значений статистики d. Эти критические значения зависят от уровня значимости , объема выборки и числа объясняющих переменных.

Вычисленное значение сравнивается с табличными значениями, при этом руководствуются следующими правилами:

1. Принимается гипотеза об отсутствии автокорреляции

2. Принимается гипотеза существования положительной автокорреляции остатков

3. При выбранном уровне значимости нельзя прийти к определенному выводу

4. Принимается гипотеза о существовании отрицательной автокорреляции остатков.

Критерий Дарбина-Уотсона обладает двумя недостатками. Первый из них - наличие области неопределенности, в которой с помощью данного критерия нельзя прийти ни к какому решению. Второй недостаток заключается в том, при объеме выборки меньше 15 для d не существует критических значений. В этом случае для оценки независимости уровней ряда можно использовать коэффициент автокорреляции. Данный показатель приближенно можно вычислить по формуле:

(2.23)

Расчетное значение сравнивают с табличным. Критическое значение коэффициента автокорреляции имеет одну степень свободы, то есть . Если то уровни динамического ряда независимы.

Для проверки случайности уровней ряда можно использовать критерий поворотных точек, который еще называется критерием “пиков” и ”впадин”. В соответствии с этим критерием каждый уровень ряда сравнивается с двумя соединенными с ними. Если он больше или меньше их, то эта точка считается поворотной. Далее подсчитывается сумма поворотных точек К.

В случайном ряду чисел должно выполняться строгое неравенство:

(2.24)

Соответствие ряда остатков нормальному закону распределения важно с точки зрения правомерности построения интервалов прогноза. Основными свойствами ряда остатков является их симметричность относительно тренда и преобладание малых по абсолютной величине ошибок над большими. В этой связи определяется близость к соответствующим параметрам нормального закона распределения коэффициентов асимметрии - (мера скошенности) и эксцесса - (мера скученности) наблюдений около модели, т. е.

(2.25)

(2.25)

Если эти коэффициенты близки к нулю или равны нулю, то ряд остатков распределен в соответствии с нормальным законом. Для оценки степени их близости к нулю вычисляют средние квадратические отклонения:

(2.26)

(2.27)

Если выполняются соотношения:

То считается, что распределение ряда остатков не противоречит нормальному закону. В случае когда

или ,

То распределение ряда не соответствует нормальному закону распределения, и построение доверительных интервалов прогноза неправомочно. В случае попадания и в зону неопределенности (межу полутора и двумя среднеквадратическими отклонениями) может быть использован RS- критерий:

,

где - максимальный уровень ряда остатков

- минимальный уровень ряда остатков

S - среднее кваратическое отклонение остатков.

Если значение этого критерия попадает между табулированными границами с заданным уровнем значимости, то гипотеза о нормальном распределении ряда остатков принимается.

Равенство нулю средней ошибки (математическое ожидание случайной последовательности) проверяют с помощью t- критерия Стьюдента:

.(2.28)

Гипотеза равенства нулю средней ошибки отклоняется, если больше табличного уровня критерия с степенями свободы и выбранным уровнем значимости.

В статистическом анализе известно большое число характеристик точности.

Наиболее часто встречаются следующие характеристики.

1. Оценка стандартной ошибки.

,(2.29)

где n- число наблюдений;

p- число определяемых коэффициентов модели.

2.Средняя относительная ошибка оценки.

.(2.30)

3.Среднее линейное отклонение.

(2.31)

4.Ширина доверительного интервала в точке прогноза.

Для получения данной статистической оценки определим доверительный интервал в прогнозируемом периоде, т. е. Возможные отклонения прогноза от основной тенденции протекания рассматриваемого процесса. Для решения этой задачи построим интервальные оценки параметров регрессии:

Здесь серединами интервалов являются точечные оценки и рассчитанные с помощью МНК. Величина - теоретическое значение критерия Стьюдента при уровне значимости, равном 5 %, и числе степеней свободы, равном .

Стандартные ошибки коэффициентов регрессии и вычисляются по следующим формулам:

;

(2.32)

Несмещенная оценка дисперсии случайной составляющей

,(2.33)

где - фактические значения динамических рядов x и y;

- теоретическое значение, рассчитанное по уравнению регрессии;

- среднее значение фактора x.

Верхняя и нижняя границы доверительного интервала в точке прогноза будут равны:

- значение фактора времени в точке прогноза.

Ширина доверительного интервала в точке прогноза

Ширина доверительного интервала зависит:

От числа степеней свободы и тем самым от объема выборки, т. е. Чем больше объем выборки, тем меньше при прочих равных условиях значение t и уже доверительный интервал;

От величины стандартной ошибки оценки параметра регрессии и . Чем меньше и тем меньше при прочих равных условиях ширина доверительного интервала.

Лучшей считается та модель, у которой все перечисленные характеристики имеют меньшую величину. Однако эти показатели по- разному отражают степень точности модели и поэтому нередко дают противоречивые выводы. Для однозначного выбора лучшей модели исследователь должен воспользоваться либо одним основным показателем, либо обобщенным критерием.

2.2.2 Прогнозирование прибыли ООО “Авангард” методом экстраполяции

Спрогнозируем величину прибыли ООО “ Авангард” на ближайшие три месяца. Динамика изменения прибыли представлена на рисунке 3. Определим коэффициенты уравнения тренда по методу наименьших квадратов. Для этого вычислим ряд промежуточных значений и их суммы. Результаты занесем в таблицу 2.5.

Таблица 2.5 - Таблица промежуточных значений для построения уравнения тренда

Период, t	Факт. Прибыль, у	Расчетные значения
		t^2	y*t	y=114,98-6,34t	(y-yt)	(y-yt)^2
1	80	1	80	108,64	-28,64	820,00
2	71,2	4	142,4	102,30	-31,10	966,94
3	88,9	9	266,7	95,96	-7,06	49,78
4	90,4	16	361,6	89,62	0,78	0,62
5	67,2	25	336	83,28	-16,08	258,42
6	46,2	36	277,2	76,94	-30,74	944,66
7	60,6	49	424,2	70,60	-10,00	99,91
8	97,3	64	778,4	64,26	33,04	1091,96
9	97,2	81	874,8	57,92	39,28	1543,30
10	62,3	100	623	51,58	10,72	115,02
11	50,8	121	558,8	45,23	5,57	30,97
12	63,7	144	764,4	38,89	24,81	615,29
13	80,6	169	1047,8	32,55	48,05	2308,34
14	99,7	196	1395,8	26,21	73,49	5400,08
15	74,4	225	1116	19,87	54,53	2973,01
16	22,1	256	353,6	13,53	8,57	73,37
17	-0,1	289	-1,7	7,19	-7,29	53,21
18	-76,2	324	-1371,6	0,85	-77,05	5937,39
19	-85,5	361	-1624,5	-5,49	-80,01	6402,30
20	-22,7	400	-454	-11,83	-10,87	118,25
210	968,1	2870	5948,9	-	-	29802,82

13300;

1529178;

-84323;

114,98;

-6,34.



Рисунок 3 - Динамика изменения прибыли по месяцам

Подставив в уравнения значения е=1,2,3,…,20, получим расчетные значения тренда.

Основная ошибка равна:

39,6.

параметр сглаживания:

0,095

начальные условия:

175,21;

235,44;

Для t=2 вычислим экспоненциальные средние:

131,96;

228,84;

значения коэффициентов:

103,44;

-6,60;

прогнозируемые значения:

96,84;

отклонения от фактического значения:

25,64.

Аналогичные вычисления выполним для t=3, t=4,…,t=21. Результаты подставим в таблицу 2.6.

Таблица 2.6 - Прогнозные значения прибыли и их отклонения от фактических

Период, t	Факт. Прибыль, у	Расчетные значения
1	80
2	71,2	131,96	228,84	103,44	-6,60	96,84	25,64
3	88,9	130,36	228,76	101,84	-6,68	88,49	-0,41
4	90,4	133,58	228,92	105,06	-6,52	85,50	-4,90
5	67,2	133,85	228,93	105,33	-6,51	79,31	12,11
6	46,2	129,63	228,72	101,12	-6,72	67,54	21,34
7	60,6	125,81	228,53	97,31	-6,91	55,87	-4,73
8	97,3	128,43	228,66	99,92	-6,78	52,49	-44,81
9	97,2	135,11	228,99	106,58	-6,44	55,04	-42,16
10	62,3	135,09	228,99	106,56	-6,44	48,57	-13,73
11	50,8	128,74	228,68	100,23	-6,76	32,63	-18,17
12	63,7	126,65	228,57	98,14	-6,86	22,63	-41,07
13	80,6	129,00	228,69	100,48	-6,75	19,51	-61,09
14	99,7	132,07	228,84	103,55	-6,59	17,82	-81,88
15	74,4	135,54	229,02	107,01	-6,42	17,12	-57,28
16	22,1	130,94	228,79	102,43	-6,65	2,67	-19,43
17	-0,1	121,43	228,31	92,94	-7,12	-21,06	-20,96
18	-76,2	117,40	228,11	88,91	-7,33	-35,64	40,56
19	-85,5	103,56	227,42	75,11	-8,02	-69,19	16,31
20	-22,7	101,87	227,34	73,42	-8,10	-80,50	-57,80
21	-	113,29	227,91	84,81	-7,53	-65,82	-
22	-	-	-	-	-	-73,34	-
23	-	-	-	-	-	-80,88	-

Окончательная модель прогноза имеет вид:

84,81-7,53*l,

где l=1,2,3,… (что соответствует первому, второму и третьему прогнозному периодам).

ошибка прогноза:

26,05;

26,66;

27,27.

2.3 Мероприятия направленные на повышение доходности деятельности предприятия

На основании анализа, проведенного в данной дипломной работе я хочу предложить следующие мероприятия, способствующие оздоровлению финансового состояния предприятия:

1. Инвестирование средств в новые виды деятельности.

2. Повышение дохода за счет оптимизации выбора площадей при посеве зерновых.

3. Снижение издержек на доставку зерна с элеваторов заказчику.

Рассмотрим предложенные мероприятия подробней.

2.3.1 Инвестирование средств в новые виды деятельности

ООО “Авангард” обладает возможностью получения кредита в размере 600000,00 гривен. Очень важно для предприятия эффективно и с наибольшей для себя выгодой их вложить. Сейчас на предприятии разрабатываются два варианта вложения средств: это приобретение линии для производства консервов или линии для вторичной переработки полимеров. Инвестиции всегда сопряжены с риском - ведь планируемый проект может оказаться нереализованным или менее эффективным чем ожидалось. Поэтому при анализе проекта очень важно учесть факторы риска и минимизировать общий риск проекта. Попробуем проанализировать риски инвестиционного проекта методом имитационного моделирования.

Имитация-это компьютерный эксперимент. Единственное отличие подобного эксперимента от реального состоит в том, что он проводится с моделью системы, а не с самой системой. При оценке рисков инвестиционных проектов, как правило используют прогнозные данные об объемах продаж, затратах, ценах и т. д. Однако, чтобы адекватно оценить риск, необходимо иметь достаточное количество информации для формулировки правдоподобных гипотез о вероятных значений таких ключевых параметров проекта. На практике это трудновыполнимо. В подобных случаях отсутствующие фактические данные заменяют величинами, полученными в процессе имитационного эксперимента.

Имитационное моделирование представляет собой серию числовых экспериментов, целью которых является получение оценки степени влияния различных факторов (исходных величин) на некоторые зависящие от них результаты (показатели).

Проведение имитационного эксперимента можно разделить на следующие этапы:

1 . Определяются ключевые факторы инвестиционного проекта. Для этого рекомендуется использовать анализ чувствительности по всем факторам (цена реализации, рекламный бюджет, объем продаж, себестоимость продукции, объем инвестиционных затрат и т. д.). в качестве ключевых выбираются те факторы, изменения которых приводят к наибольшим отклонениям показателей эффективности проекта (чистой текущей стоимости NPV, внутренней норме прибыли IRR и т. д.).

2. Определяются максимальное, минимальное и наиболее вероятное значения ключевых факторов и задается характер распределения их вероятностей. В общем случае рекомендуется использовать нормальное распределение.

3. На основе выбранного метода распределения проводится имитация ключевых факторов и с учетом полученных значений рассчитываются значения показателя эффективности (NPV, IRR и т. д. ).

4. На основе данных имитации рассчитываются критерии, характеризующие риск инвестиционного проекта (математическое ожидание (среднее), стандартное отклонение, вероятности того или иного значения показателя эффективности и др. ). Результаты имитационного эксперимента могут быть дополнены статистическим анализом, а также использоваться для построения прогнозных моделей или сценариев.

Предприятие ООО “Авангард” рассматривает два инвестиционных проекта. Первый из них это производство консервов (килька в томатном соусе), второй - переработка полимеров. В процессе предварительного анализа чувствительности проекта были выявлены три ключевых параметра и определены возможные границы их изменений. Такими факторами стали: объем инвестиционных затрат, планируемый объем сбыта, планируемая цена за единицу. Прочие параметры проекта (переменные и постоянные расходы, амортизация, норма дисконтирования, ставка налога на прибыль) считаются постоянными величинами.

Предположим в качестве показателя эффективности выбрана чистая текущая стоимость проекта NPV:

,(2.34)

где - величина чистого потока платежей в периоде t (прибыль или убыток);

r - ставка дисконтирования;

- объем первоначальных инвестиций;

n - количество периодов.

Для проведения этапа имитационного моделирования воспользуемся инструментом MS Excel “Генерация случайных чисел”. Этот инструмент предназначен для автоматической генерации множества данных (генеральной совокупности) заданного объема, элементы которого характеризуются определенным распределением вероятностей.

Ключевые исходные параметры проектов представлены соответственно в таблицах 2.7 и 2.8.

Таблица 2.7 - Ключевые параметры для производства консервов

(Консервы)	Инвестиции	Сбыт	Цена без НДС	Вероятность
Наилучший	190 000,00	1 850 000,00	0,84	0,33
Вероятный	200 000,00	1 700 000,00	0,80	0,33
Наихудший	220 000,00	1 400 000,00	0,71	0,33

Таблица 2.8 - Ключевые параметры для переработки полимеров

(Полимеры)	Инвестиции	Сбыт	Цена без НДС	Вероятность
Наилучший	400 000,00	5 900 000,00	5,20	0,33
Вероятный	496 000,00	5 650 000,00	4,90	0,33
Наихудший	620 000,00	5 400 000,00	4,70	0,33

Для применения инструмента “Генерация случайных чисел” нам понадобится среднее значение и отклонение параметра от его же средней величины. Результаты расчета приведены в таблицах 2.9 и 2.10.

Таблица 2.9 - Расчет средних и отклонений для производства консервов

(Консервы)	Инвестиции	Сбыт	Цена
Среднее ожид. значение	202100	1640300	0,78
Среднее квадрат. отклонен	12470,91	186433,38	0,05

Таблица 2.10 - Расчет средних и отклонений для переработки полимеров

(Полимеры)	Инвестиции	Сбыт	Цена
Среднее ожид значение	502264	5616100	4,90
Среднее квадрат отклонен	89658,2598	205893,94	0,21

В таблице 2.11 представлены данные о возможных издержках.

Таблице 2.11 - Группировка по видам издержек

	Консервы	Полимеры
Перемен расходы	0,33	4,54
Постоянные расходы	325000	490000
Амортизация	12000	28000
Норма дисконта	0,26	0,26
Ставка налога	0,3	0,3
Количество лет	1	1

Результаты экспериментов по имитационному моделированию представлены в таблицах 2.12 и 2.13

Таблица 2.12 - Имитационное моделирование проекта по производству консервов

Объем инвест затрат	Сбыт	Цена	Годовой денежный доход	Чист. ст-ть проекта NPV
164403,00	1076710,27	0,63	1341,84	-163338,05
204096,02	1670141,47	0,79	311551,18	43166,82
191303,67	1478889,22	0,74	197136,13	-34846,42
212989,61	1803105,41	0,82	399188,81	103826,90
204777,62	1680331,80	0,79	318032,83	47629,39
201470,61	1630890,28	0,78	286949,41	26267,02
197304,86	1568610,11	0,76	249100,73	394,13
217798,20	1874996,23	0,84	449337,46	138818,83
213650,25	1812982,27	0,83	405963,59	108543,08
210378,13	1764062,35	0,81	372766,79	85468,53
190402,45	1465415,57	0,73	189593,49	-39931,43
215512,54	1840824,42	0,83	425258,36	121994,10
209018,99	1743742,52	0,81	359241,99	76093,70
202523,15	1646626,28	0,78	296742,92	32987,10
195703,58	1544670,17	0,75	234939,53	-9243,63
175033,98	1235648,87	0,67	71460,63	-118319,19
185487,91	1391940,64	0,71	149661,03	-66709,32
197778,10	1575685,41	0,76	253327,18	3275,21
189031,08	1444912,82	0,73	178246,67	-47565,47
189997,88	1459366,95	0,73	186229,59	-42196,61
230460,08	2064297,91	0,89	590670,40	238325,96
200397,20	1614842,29	0,77	277057,50	19489,70
187390,60	1420386,84	0,72	164880,62	-56532,97
169685,37	1155684,45	0,65	34997,24	-141909,79
172555,20	1198589,87	0,66	54263,40	-129489,01
198221,17	1582309,48	0,76	257301,12	5986,07
203090,76	1655112,32	0,78	302062,90	36641,71
204337,01	1673744,40	0,79	313838,40	44741,09
205316,21	1688383,99	0,79	323182,08	51177,51
205491,08	1690998,39	0,79	324859,18	52333,67
190014,66	1459617,90	0,73	186368,88	-42102,85
207347,24	1718748,97	0,80	342819,01	64731,34
200557,85	1617244,10	0,77	278531,81	20499,14
197366,44	1569530,82	0,76	249649,65	768,20
182395,85	1345712,69	0,70	125575,73	-82732,57
205507,92	1691250,18	0,79	325020,84	52445,13
211869,62	1786360,95	0,82	387787,06	95897,89
212711,55	1798948,23	0,82	396348,25	101850,55
202721,75	1649595,48	0,78	298601,26	34263,38
195630,57	1543578,62	0,75	234298,98	-9678,99
216503,95	1855646,49	0,84	435648,86	129249,12
209616,80	1752680,01	0,81	365171,66	80201,98
223361,04	1958163,63	0,87	509773,26	181220,91
220114,45	1909625,44	0,85	474186,13	156223,75
203332,10	1658720,56	0,78	304333,13	38202,13
188758,69	1440840,42	0,73	176011,68	-49066,88
200912,95	1622553,02	0,78	281798,29	22736,49
193104,00	1505805,15	0,74	212407,96	-24526,26
215697,74	1843593,33	0,83	427193,14	123344,44
192026,65	1489698,23	0,74	203236,37	-30727,95
211714,78	1784046,04	0,82	386219,06	94808,28
214689,58	1828520,73	0,83	416695,94	116021,49
236094,26	2148531,84	0,92	657885,20	286036,85
244838,02	2279255,68	0,95	767472,17	364266,88
205631,87	1693103,26	0,79	326211,29	53265,99
198696,05	1589409,16	0,77	261578,68	8906,08
194314,90	1523908,62	0,75	222832,69	-17463,55
195463,00	1541073,38	0,75	232830,52	-10676,87
214508,28	1825810,32	0,83	414817,35	114711,83
177385,28	1270802,01	0,68	88250,01	-107345,58
198155,04	1581320,73	0,76	256706,90	5580,60
185580,12	1393319,16	0,71	150391,58	-66221,72
207834,95	1726040,47	0,80	347585,94	68026,91
182305,57	1344363,00	0,70	124884,58	-83190,83
172491,69	1197640,34	0,66	53829,54	-129769,83
219520,33	1900743,04	0,85	467769,51	151725,31
194679,07	1529353,19	0,75	225991,97	-15320,36
194567,17	1527680,27	0,75	225020,05	-15979,83
204870,45	1681719,65	0,79	318918,60	48239,55
208325,11	1733368,63	0,80	352396,95	71355,01
214379,05	1823878,18	0,83	413479,86	113779,57
209609,93	1752577,43	0,81	365103,43	80154,69
201629,12	1633260,09	0,78	288418,35	27274,33
191841,79	1486934,41	0,74	201672,39	-31784,34
210266,69	1762396,22	0,81	371651,98	84695,21
201113,07	1625544,90	0,78	283643,81	24001,06
200783,52	1620617,92	0,77	280606,44	21920,00
222509,98	1945439,86	0,86	500358,92	174600,27
210293,89	1762802,95	0,81	371924,03	84883,91
186690,44	1409919,06	0,72	159244,71	-60305,75
205228,52	1687073,08	0,79	322342,11	50598,55
198461,75	1585906,27	0,77	259465,82	7463,51
209931,52	1757385,30	0,81	368305,47	82374,41
205549,53	1691872,26	0,79	325420,33	52720,57
204375,79	1674324,30	0,79	314206,99	44994,83
197674,63	1574138,39	0,76	252401,46	2643,99
189258,56	1448313,77	0,73	180117,94	-46307,82
192684,31	1499530,58	0,74	208823,52	-26951,36
199746,57	1605115,06	0,77	271108,75	15419,10
212723,89	1799132,62	0,82	396474,11	101938,11
202634,85	1648296,23	0,78	297787,69	33704,59
231104,95	2073939,08	0,90	598228,60	243679,66
210571,77	1766957,37	0,81	374706,33	86814,20
197145,25	1566223,98	0,76	247679,60	-574,14
190151,24	1461659,82	0,73	187503,14	-41339,23
207151,93	1715828,94	0,80	340915,59	63416,00
201846,72	1636513,31	0,78	290438,30	28659,87
183074,24	1355854,91	0,70	130791,24	-79271,66
208630,63	1737936,36	0,81	355405,92	73437,55
202250,25	1642546,24	0,78	294194,73	31237,63

Таблица 2.13 - Имитационное моделирование проекта по переработке полимеров

Объем инвест затрат	Сбыт	Цена	Годовой денежный доход	NPV
231226,53	4993682,40	4,27	-520273,44	-644141,96
516615,14	5649056,34	4,93	2097836,97	1148334,84
424639,50	5437841,06	4,72	1187087,78	517493,66
580559,19	5795899,15	5,08	2768554,35	1616706,17
521515,80	5660310,35	4,95	2148151,19	1183366,09
497738,74	5605708,08	4,89	1905726,24	1014742,40
467787,42	5536927,07	4,82	1606409,00	807140,36
615132,40	5875293,98	5,16	3144021,49	1880122,75
585309,10	5806806,96	5,09	2819605,27	1652472,86
561782,89	5752780,75	5,04	2568414,14	1476641,03
418159,86	5422961,02	4,70	1125327,84	474957,48
598698,74	5837555,29	5,13	2964428,56	1754022,34
552010,82	5730339,91	5,02	2465302,18	1404578,21
505306,39	5623086,62	4,91	1982422,18	1068044,55
456274,40	5510488,26	4,79	1493151,53	728766,50
307662,13	5169211,11	4,44	120800,02	-211789,09
382824,82	5341816,72	4,62	794099,59	247412,95
471190,02	5544740,90	4,83	1640072,66	830454,95
408299,82	5400318,18	4,68	1031954,79	410711,92
415251,00	5416281,04	4,70	1097705,24	455943,64
706169,99	6084355,09	5,38	4175750,57	2607917,77
490021,06	5587984,99	4,87	1827953,86	960735,97
396504,97	5373232,16	4,65	921220,94	334622,77
269206,22	5080899,96	4,35	-207232,88	-433676,76
289839,98	5128283,88	4,40	-32609,31	-315720,39
474375,62	5552056,39	4,83	1671668,38	852345,32
509387,43	5632458,44	4,92	2023961,43	1096931,16
518347,84	5653035,35	4,94	2115605,60	1160704,22
525388,20	5669203,03	4,95	2188036,32	1211148,56
526645,50	5672090,32	4,96	2201010,60	1220188,31
415371,68	5416558,18	4,70	1098850,00	456731,49
539991,11	5702737,53	4,99	2339459,95	1316723,14
491176,13	5590637,51	4,87	1839565,09	968796,17
468230,20	5537943,88	4,82	1610784,72	810170,37
360593,22	5290763,48	4,57	590520,60	108073,93
526766,59	5672368,40	4,96	2202260,79	1221059,44
572506,57	5777406,89	5,06	2682394,77	1556378,17
578559,95	5791308,03	5,08	2747117,76	1601692,24
506734,32	5626365,75	4,91	1996942,19	1078140,44
455749,46	5509282,78	4,79	1488011,35	725211,93
605826,86	5853924,50	5,14	3042077,50	1808520,36
556308,98	5740210,31	5,03	2510566,47	1436204,09
655128,66	5967142,45	5,26	3589612,78	2193770,37
631786,03	5913537,80	5,20	3328092,93	2009557,57
511122,68	5636443,31	4,92	2041661,76	1109243,80
406341,35	5395820,70	4,68	1013495,52	398020,17
493729,25	5596500,58	4,88	1865265,93	986640,54
437583,71	5467566,48	4,75	1311410,53	603218,29
600030,35	5840613,22	5,13	2978905,10	1764180,05
429837,70	5449778,32	4,73	1236862,25	551799,01
571393,30	5774850,34	5,06	2670521,66	1548068,34
592781,74	5823967,34	5,11	2900263,42	1709014,62
746679,15	6177381,42	5,47	4654904,90	2947689,81
809545,91	6321750,30	5,62	5422980,64	3494406,98
527657,76	5674414,90	4,96	2211464,93	1227473,14
477789,95	5559897,14	4,84	1705617,55	875874,78
446289,91	5487559,62	4,77	1395738,91	661439,39
454544,66	5506516,04	4,79	1476221,74	717059,90
591478,27	5820974,01	5,11	2886163,74	1699127,87
324567,72	5208033,57	4,48	268530,38	-111448,37
473900,12	5550964,44	4,83	1666947,37	849073,98
383487,77	5343339,13	4,62	800227,48	251613,40
543497,68	5710790,12	5,00	2376060,16	1342264,35
359944,13	5289272,90	4,57	584632,72	104050,09
289383,34	5127235,23	4,40	-36508,57	-318358,40
627514,37	5903728,26	5,19	3280679,45	1976199,48
448908,27	5493572,49	4,78	1421212,06	679037,81
448103,74	5491724,95	4,77	1413379,58	673626,09
522183,24	5661843,06	4,95	2155017,60	1188148,19
547021,89	5718883,20	5,00	2412937,72	1368008,05
590549,08	5818840,20	5,11	2876120,51	1692086,24
556259,64	5740097,02	5,03	2510046,14	1435840,47
498878,42	5608325,26	4,89	1917248,92	1022747,71
428508,54	5446726,01	4,73	1224115,74	543011,89
560981,62	5750940,70	5,04	2559932,35	1470710,72
495168,09	5599804,76	4,88	1879771,47	996714,04
492798,64	5594363,49	4,88	1855892,29	980131,75
649009,64	5953090,56	5,24	3520661,33	2145166,02
561177,22	5751389,89	5,04	2562002,45	1472158,05
391470,88	5361671,75	4,64	874278,32	302400,80
524757,77	5667755,28	4,95	2181535,26	1206619,42
476105,36	5556028,61	4,84	1688856,49	864256,93
558571,81	5745406,74	5,03	2534452,45	1452898,39
527065,75	5673055,40	4,96	2205349,93	1223211,97
518626,72	5653675,78	4,94	2118467,58	1162696,76
470446,04	5543032,40	4,83	1632704,63	825351,28
409935,38	5404074,12	4,68	1047392,64	421328,62
434566,20	5460636,98	4,74	1282316,00	583144,91
485343,12	5577242,44	4,86	1781031,75	928174,14
578648,63	5791511,68	5,08	2748067,96	1602357,69
506109,49	5624930,88	4,91	1990586,69	1073721,22
710806,55	6095002,62	5,39	4229966,95	2646310,08
563175,14	5755977,96	5,04	2583163,30	1486954,46
466639,90	5534291,87	4,82	1595075,67	799293,17
416353,67	5418813,24	4,70	1108168,74	463145,33
538586,83	5699512,70	4,99	2324828,59	1306515,23
500442,93	5611918,05	4,90	1933082,89	1033749,84
365470,74	5301964,35	4,58	634866,30	138391,40
549218,57	5723927,71	5,01	2435971,25	1384091,95
503344,25	5618580,71	4,90	1962495,03	1054191,49

Данные для результатов анализа имитационного моделирования представлены в таблицах 2.14, 2.15, 2.16 и 2.17.

Таблица 2.14 - Анализ результатов проекта имитационного моделирования по производству консервов

Показатели	Объем инвест затрат	Сбыт	Цена	Годовой денежный доход	NPV
Среднее значение	201761,38	1635237	0,78	297446	34307,31
Минимум	164403,00	1076710	0,63	1341	-163338
Максимум	244838,02	2279255	0,95	767472	364266
Стандарт отклонение	203844,96	0,05	0,05	127552	87682
Коэф вариации	101,03%	0,00%	7,02%	42,88%	255,58%
Показ<=0	16,11%	0,00%	0,00%	0,99%	34,78%
Показ<=минимума	42,73%	0,00%	0,31%	1,01%	1,21%
Показ > сред на 10%	46,06%	0,00%	7,72%	40,78%	48,44%
Показ > сред на 20%	42,15%	0,00%	0,22%	32,05%	46,88%

Таблица 2.15 - Анализ результатов проекта имитационного моделирования по переработке полимеров

	Объем инвест затрат	Сбыт	Цена	Годовой денежный доход	NPV
Среднее знач	499829,4	5610509,0	4,9	1963054,6	1058150,5
Минимум	231226,5	4993682,4	4,3	-520273,4	-644142,0
Максимум	809545,9	6321750,3	5,6	5422980,6	3494407,0
Стандарт отклон	225122,4	0,2	0,2	995403,8	692185,2
Коэф вариации	0,5	0,0	0,0	0,5	0,7
Показ<=0	0,0	0,0	0,0	0,0	0,1
Показ<=минимума	0,1	0,0	0,0	0,0	0,0
Показ > сред на 10%	0,4	0,0	0,0	0,4	0,4
Показ > сред на 20%	0,3	0,0	0,0	0,3	0,4

Таблица 2.16 - Соотношение соизмеримости возможных убытков и доходов проекта по производству консервов

Число случ NPV<0	Сумма отрицательных NPV	Сумма положительных NPV
32	-1821420,27	5252151,362
	+/-	34,68%

Таблица 2.17 - Соотношение соизмеримости возможных убытков и доходов проекта по переработке полимеров

Число случ NPV<0	Сумма отрицательных NPV	Сумма положительных NPV
6	-2035134,97	107850186,6
	+/-	1,89%

Проанализируем полученные результаты. Высокий коэффициент вариации NPV при производстве консервов говорит о достаточно сильном разбросе значений данного показателя эффективности и характеризует проект как весьма рискованный. Число случаев, когда NPV <0 при производстве консервов составляет 32%, а при переработке полимеров - 6 % от общего числа испытаний. Сумма всех отрицательных значений NPV в полученной совокупности может быть интерпретирована как чистая стоимость неопределенности для инвестора в случае принятия проекта. Аналогично, сумма всех положительных значений NPV может трактоваться, как чистая стоимость неопределенности для инвестора в случае отклонения проекта. Эти индикаторы представляют собой целесообразность проведения дальнейшего анализа. Их соотношение демонстрирует соизмеримость суммы возможных убытков по отношению к общей сумме доходов. Так как это соотношение для проекта по переработке полимеров меньше (1,89%), чем при производстве консервов (34,68%), то на мой взгляд предпочтительней будет проект по переработке полимеров, несмотря на то, что для этого проекта требуется более чем в 2 раза больший размер капиталовложений.

Дополнительный доход, который ООО “Авангард” будет ежегодно получать от этого проекта равен:

(5650000-(((5650000/4,9)*4,32)+490000-28000))/12=206772,13грн.

2.3.2 Повышение дохода предприятия за счет оптимизации выбора площадей при посеве зерновых

ООО “Авангард” ведет смешанную стратегию землепользования. Другими словами предприятие практически не вносит (или вносит один вид) удобрений, а урожай получает за счет естественного плодородия почвы. На предприятии имеется четыре массива земли. Средняя урожайность на этих массивах приведена в таблице 2.18.

Таблица 2.18 - Средняя урожайность зерновых по массивам

Посевы	Массивы
	1	2	3	4
Пшеница	29	25	29	25
Подсолнечник	16	17	15	18
Кукуруза	25	23	20	20
Ячмень	18	20	22	21

За один центнер пшеницы предприятие получает в среднем 49грн, за один центнер подсолнечника - 80грн, за один центнер кукурузы - 38,3грн и за один центнер ячменя - 58грн. Необходимо решить следующую задачу: сколько гектаров и на каких массивах ООО “Авангард” должно отвести под каждую культуру, чтобы получить максимальный урожай, а следовательно максимальную выручку, при условии, что за земельные паи предприятие должно отдать 16326 центнеров пшеницы, 5000 центнеров кукурузы, 3655 центнеров подсолнечника и 862 центнера ячменя. Площади земельных участков равны: 1- 3000га, 2 - 2000га, 3 - 4000га и 4 - 2000га.

Решим данную задачу с помощью средств MS Excel 2000, а именно “Поиск решений”.

Наша целевая функция будет иметь следующий вид:

где - урожайность зерновых i-го типа по массивам,

- засеянная площадь (га),

- цена на зерно.

Необходимые ограничения:

>1326,

>5000,

>3655,

>862,

3000,

2000,

4000,

2000,

0.

Результаты решения данной системы приведены в таблице 2.19.

Таблица 2.19 - Результаты решения оптимизационной задачи

Посевы	Массивы
	1	2	3	4
Пшеница	2853,79	0	3960,82	0
Подсолнечник	0	2000	0	2000
Кукуруза	146,21	0	0	0
Ячмень	0	0	39,18	0

Из таблицы видно, что для того чтобы наша прибыль была максимальной необходимо на массиве посадить 2853,79 га пшеницы и 146,21 га кукурузы, на массиве два и четыре полностью засеять кукурузой, а массив три на 3960,82 га пшеницей и на 39,18 га ячменем. Величина собранного урожая при таком способе посева составляет 15473548 грн. Дополнительная прибыль по сравнению с прошлым годом составит:

Дополнительная прибыль = 15473548-14893228=580320грн.

2.3.3 Снижение издержек на доставку зерна с элеваторов заказчику

ООО “Авангард” хранит зерно на двух элеваторах. На одном элеваторе хранится 3600 тонн зерна, а на другом 1300 тонн зерна. Предприятие заключило договора на поставку зерна трем местным хлебозаводам. Причем на первый хлебозавод предприятие должно поставить 700 тонн зерна, на второй - 1200 тонн зерна и на третий - 900 тонн зерна. Расстояние от элеваторов до хлебозаводов представлено в таблице 2.20.

Таблица 2.20 - Матрица расстояний от элеваторов до хлебозавода

Элеваторы	Хлебозаводы
	1	2	3
1	65	105	63
2	70	115	70

Затраты на перевозку одной тонны зерна с первого элеватора на хлебозаводы составляют 1,48грн на километр, а со второго элеватора - 1,36грн на километр. Перед ООО “Авангард” стоит цель планирования перевозок зерна из условия минимизации транспортных расходов.

Решим данную задачу с помощью средств MS Excel 2000, а именно “Поиск решений”.

Наша целевая функция будет иметь следующий вид:

где - расстояние в километрах от элеватора i- го типа до хлебозавода,

- объем перевозимого зерна (тонн) с элеватора на хлебозавод,

- затраты на перевозку.

Необходимые ограничения:

2000,

1200,

900,

3600,

1300,

0.

Результаты решения данной системы приведены в таблице 2.21.

Таблица 2.21 - результаты решения оптимизационной задачи

Элеваторы	Хлебозаводы
	1	2	3
1	700	1200	900
2	1300	0	0

Из таблицы видно, что для того чтобы наши затраты на перевозки оказались минимальными необходимо на первый хлебозавод перевезти 700 тонн зерна с первого элеватора и 1300 тонн зерна со второго элеватора, а на второй и третий хлебозаводы соответственно 1200 и 900 тонн зерна с первого элеватора. Величина затрат при таком способе перевозки составляет 461496 грн. Дополнительная прибыль по сравнению с прошлым годом составит:

Дополнительная прибыль = 497618-461496=36122грн.

3. РАЗРАБОТКА ИНФОРМАЦИОННОЙ СИСТЕМЫ

3.1 Цели и задачи информационной системы

Современные масштабы и темпы внедрения средств автоматизации управления в народном хозяйстве с особой остротой ставит задачу проведения комплексных исследований, связанных со всесторонним изучением и обобщением возникающих при этом проблем как практического, так и теоретического характера.

Для каждого объекта управления нужно предусмотреть автоматизированные рабочие места, соответствующие их функциональному назначению. Однако принципы создания АРМ должны быть общими: системность, гибкость, устойчивость, эффективность.

Согласно принципу системности АРМ следует рассматривать как системы, структура которых определяется функциональным назначением.

Принцип гибкости означает приспособляемость системы к возможным перестройкам благодаря модульности построения всех подсистем и стандартизации их элементов.