интересно
Предыдущая | Содержание | Следующая

Прогнозирование финансового состояния предприятия.

Одной из наиболее необходимых задач при проведении финансового анализа деятельности предприятия является получение прогнозных значений некоторых наиболее значимых финансовых коэффициентов.

Как и планирование, прогнозирование – это род предвидения, поскольку имеет дело с получением информации о будущем. В широком плане как научное прогнозирование, так и предчувствие и предугадывание входят в понятие прогнозирование деятельности фирмы. Прогнозирование – это предсказание будущего состояния внутренней и внешней среды фирмы, основанное на научных методах и интуиции. Первоначально прогнозирование в рамках фирмы возникло как предсказание экономических параметров длительности бизнеса (как внешних по отношению к фирме, так и внутренних).

Позднее фирмы освоили прогнозирование технологического (технологическое прогнозирование), а также социального и политического компонентов (социально-политическое прогнозирование) своей среды.

Общие методы прогнозирования можно разделить на четыре крупные группы:

методы экспертных оценок;

методы экстраполяции трендов;

методы регрессионного анализа;

методы экономико-математического моделирования.

Регрессионный анализ исследует зависимость определенной величины от другой величины или нескольких других величин. Он применяется преимущественно в среднесрочном прогнозировании, а также в долгосрочном прогнозировании. Средне- и долгосрочный периоды дают возможность установления изменений в среде бизнеса и учета влияний этих изменений на исследуемый показатель.

Для осуществления регрессионного анализа необходимо:

наличие ежегодных (ежеквартальных) данных по исследуемым показателям;

наличие одноразовых прогнозов, т.е. таких прогнозов, которые не поправляются с поступлением новых данных.

Регрессионный анализ обычно проводится для объектов, имеющих сложную, многофакторную природу, таких, как:

объем инвестиций;

прибыль;

объемы продаж и др.

Как пример, можно рассмотреть реализацию прогноза финансового состояния предприятия методами регрессионного анализа с использованием прикладной компьютерной программы STATISTICA.

Основой для проведения прогноза являются данные, полученные при проведении комплексного финансового анализа предприятия.

В результате анализа получится таблица с некоторыми финансовыми коэффициентами за анализируемые периоды. Прогнозировать все коэффициенты не имеет смысла, так как в результате мы получили бы большой объем трудно обрабатываемой информации, но узнать значения наиболее важных из них необходимо – это могло бы облегчить принятие правильных решений в управлении предприятием и к следующему отчетному периоду достичь наиболее высоких результатов в финансово-хозяйственной деятельности.

Наиболее значимыми коэффициентами в финансовом анализе являются коэффициенты ликвидности, автономности, маневренности собственного капитала, рентабельности продаж. Для того, чтобы реализовать прогноз, необходимо определить какую-либо математическую модель, которая бы достаточно точно описывала данные, полученные при проведении финансового анализа.

Построение модели является важным шагом в прогнозировании, так как хотелось бы построить простую и понятную модель, но, тем не менее, учитывающую все вероятные изменения. Громоздкая модель с большим числом параметров обычно рассматривается как неудовлетворительная, она трудна в использовании. Такую модель, конечно можно применять, но только если нельзя построить лучшую. В рассматриваемой модели прогнозирования предполагается, что все данные каким-либо образом влияют друг на друга. Поэтому прежде чем строить модель, хотелось бы знать, какие коэффициенты оказывают друг на друга наибольшее влияние. Эта проблема решается путем применения факторного анализа.

Методы факторного анализа используются для обнаружения факторов, влияющих на измеряемые переменные, так как достаточно часто нам неизвестны ни число факторов, ни их содержательный

смысл. Для измерений могут быть доступны иные величины, тем или иным способом зависящие от этих факторов. При этом, когда влияние неизвестного фактора проявляется в нескольких измеряемых признаках, эти признаки могут обнаруживать тесную связь между собой, поэтому общее число факторов может быть гораздо меньше, чем число измеряемых переменных.

Первым этапом факторного анализа является отбор исходных факторов, отбрасывая второстепенные, не влияющие на общую ситуацию. Следующим этапом факторного анализа служит преобразование (вращение) факторов таким образом, чтобы облегчить их интерпретацию, так как обычно факторы, полученные на первом этапе анализа, не поддаются достаточно наглядной интерпретации.

Для быстрого и точного проведения факторного анализа воспользуемся программным статистическим пакетом STATISTICA, в одном из модулей которого реализован факторный анализ.

В результате проведения факторного анализа получаются группы, в которых находятся только те коэффициенты финансового анализа, которые влияют друг на друга. Чтобы построить модель, которая точно описывала исходные данные необходимо строить эту модель в той группе коэффициентов, в которую входит прогнозируемый коэффициент.

Предполагается, что любой коэффициент в группе, выделенной факторным анализом, в момент времени (t + 1) функционально зависит от всех коэффициентов в момент времени (Y), включая его самого, т.е.:

где iV- количество коэффициентов в группе, выделенных факторным анализом.

Допустим, что функциональная зависимость между коэффициентами - линейная (линейная регрессия), тогда вышеуказанная формула примет следующий вид:

где iV- количество коэффициентов в группе, выделенных факторным анализом; а...а^- некоторые параметры; w - остаток.

Таким образом, имея данные об изменении коэффициентов

X = [xi, ..., хм] за некоторый период Т = , ..., 4f] и оценив параметры А = [ai, ..., ам], можно узнать значение коэффициента Хк в момент времени (М+ 1). Это и будет прогнозом коэффициента Хк. Такой прогноз можно сделать для каждого коэффициента, входящего в группу. Неизвестными факторами в данной математической модели являются параметры А. Соответственно, следующей задачей будет оценка этих параметров.

Существует несколько основных подходов к задаче оценивания параметров, а именно метод максимального правдоподобия, метод наименьших квадратов, Байесов подход и метод ограниченной информации. Кроме того, существует возможность выбора различных моделей зависимостей. Здесь можно искать зависимость в определенном классе функций либо задать собственную функцию и оценить, насколько данные согласуются с ней.

Кроме прогноза коэффициентов финансового анализа, данную математическую модель можно использовать для того, чтобы узнать, как поведет себя предприятие, если провести ту или иную экономическую операцию, влияющую на изменение финансовых показателей. Это является очень важным и практически неиспользуемым в настоящее время руководителями и финансовыми работниками момен том в принятии решений и управлении предприятием, так как это дает возможность, не затрачивая больших средств и не дожидаясь полученных результатов

(а они могут быть и неудовлетворительными), смоделировать поведение предприятия при изменении каких-либо финансовых показателей, т.е., экономя время и деньги, руководитель сможет оперативно и грамотно управлять организацией.

инструментальный, где мониторинг выделяется среди других систем обработки информации по типу используемых средств и методов (широкое применение выборочных методов сбора данных, компьютерная технология работы с информацией и т.п.);

интеграционный, в котором мониторинг трактуется как результат перегруппировки традиционных информационно-управленческих функций, объединяющий элементы социально-экономической статистики, экономического анализа и прогнозирования.

От стандартной статистической технологии мониторинг отличается:

целевым характером наблюдения с ориентацией на выявление тенденциальных и локальных изменений, возможностей возникновения неблагоприятных и рисковых ситуаций;

интегрированным учетом социальной, экономической и индивидуально-психологической информации;

включением в сферу наблюдения, накопления и анализа не только количественных, но и качественных, нечисловых данных, а также статистики связей, статистики факторов и других видов результатов обработки данных;

широким использованием компьютерных методов представления, обработки и визуализации информации.