авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 | 2 || 4 |

Прогнозирование платежеспособности предприятия на основе расчета его рейтинга и регрессионного анализа величины чистых активов

-- [ Страница 3 ] --

Были проанализированы результаты использования разработанной модели на основе данных статистической отчетности предприятий Пермского края. Анализ данных проверки модели на практике показал, что модель достаточно объективно отражает финансовое состояние предприятия на текущий момент.

3. С использованием метода регрессионного анализа и с учетом реальных статистических данных российских предприятий построена модель прогнозирования платежеспособности предприятия на основе анализа величины чистых активов, позволяющая оценивать вероятность банкротства в среднесрочном периоде. В отличие от существующих подходов выбор класса линейных моделей производится с учетом возможности их содержательной экономической интерпретации.

Одна из наиболее сложных проблем современной экономики – предсказание платежеспособности предприятий. Как показало исследование, среди различных способов решения этой задачи наиболее эффективным является математическое моделирование чистых активов предприятия. Чистые активы – это один из немногих финансовых показателей, фигурирующих в федеральном законе «Об акционерных обществах». Рассчитав этот показатель, можно узнать о финансовой устойчивости предприятия, от величины чистых активов зависит и само существование компании. Величина чистых активов имеет немаловажное значение, следить за ее динамикой и прогнозировать ее значение для любой компании жизненно необходимо.

В основу множественной линейной регрессионной модели были положены реальные статистические данные российских предприятий. В разработанной модели использованы сведения о балансах 61 предприятия Пермского края по состоянию на 01.10.2004г. и на 01.10.2005г.

В работе рассматривались линейные по параметрам и по переменным множественные регрессионные модели:

(1)

где — неизвестные параметры модели, а — случайные ошибки модели.

Класс линейных множественных регрессионных моделей выбран не случайно. Коэффициенты, полученные в результате использования моделей именно данного типа, легко поддаются экономической интерпретации, чего нельзя сказать о других классах моделей (например, Кп — коэффициент покрытия по рыночной стоимости соб­ственного капитала в пятифакторной модели Альтмана или X9 – log (сумма отношения прибыли до налогообложения к процентам к уплате и 1) в модели Фулмера).

По данным балансов были рассчитаны 29 показателей, характеризующих финансовое состояние предприятий. С учетом показателей деятельности предприятий за 2004 г. была построена модель для прогнозирования величины чистых активов на последующий год, в которой зависимой переменной Y выступает величина чистых активов на 01.10.2005г. как основной показатель платежеспособности предприятия.

Отбор переменных, вошедших в итоговую модель, производился на основе метода пошаговой регрессии. Критериями выбора наилучшей регрессионной модели были значение скорректированного коэффициента детерминации, 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 итоговую же модель вошли следующие независимые переменные:

К2 – коэффициент, отражающий отношение нераспределенной прибыли к общим активам;

К8 – коэффициент, отражающий отношение денежного потока к обязательствам;

К13 – коэффициент соотношения собственных и заемных средств;

К14 – коэффициент рентабельности продаж;

К17 – коэффициент наличия собственных средств;

К24 – коэффициент, отражающий отношение оборотных активов к сумме обязательств;

К26 – коэффициент, отражающий отношение чистой прибыли к совокупным активам.

После определения переменных входящих в исходную базу данных были вычислены по каждой из них описательные статистики:

Табл. 4 Описательные статистики

Значение

K2

K8

K13

K14

K17

K24

K26

Чистые активы

Выборочное среднее

0,103

0,068

0,475

0,053

0,244

0,973

0,035

65497,670

Медиана

0,063

0,021

0,161

0,030

0,171

0,979

0,016

21944,000

Максимум

0,644

0,845

3,214

0,429

0,794

2,111

0,287

597558,000

Минимум

0,000

–0,118

–0,047

–0,098

0,002

0,166

–0,042

–436,000

Стандартное отклонение

0,135

0,141

0,662

0,079

0,236

0,357

0,055

119408,000

 Выборочная дисперсия

0,018

0,020

0,438

0,006

0,056

0,128

0,003

14258270464,000

Коэффициент асимметрии

2,349

3,450

1,872

2,298

0,768

0,228

2,129

2,794

Коэффициент эксцесса

9,280

17,485

6,609

10,671

2,245

4,509

9,030

10,900

Выборочное среднее – среднее значение элементов ряда. В теории выборочной средней называют среднее арифметическое значение признака выборочной совокупности. Выборочная медиана – значение ряда данных, упорядоченного по возрастанию (вариационного ряда), делящее его пополам на две равные части, состоящие из одинакового количества элементов. Максимум и минимум – соответственно максимальное и минимальное значение элементов ряда. Выборочное стандартное отклонение – точечная оценка среднеквадратичного отклонения, характеризующего изменчивость случайной величины – среднее отклонение значений случайной величины от выборочного среднего. Выборочная дисперсия – квадрат выборочного стандартного отклонения. В теории так же встречается следующее определение: выборочной дисперсией называют среднее арифметическое квадратов отклонения наблюдаемых значений признака от их среднего значения.

Положительные значения коэффициента асимметрии свидетельствуют, что распределения имеют правостороннюю асимметрию по сравнению с нормальным распределением, т.е. значения показателей, находящиеся справа от среднего значения ряда, имеют большую частоту.

Положительные значения коэффициента эксцесса показывают, что распределения имеют более крутую вершину по сравнению с кривой нормального распределения.

Полученные значения этих двух показателей обусловлены особенностями анализируемых выборочных данных.

Далее была построена корреляционная матрица для рассматриваемых переменных:

Табл. 5 Корреляционная матрица

 Коэффициент

K2

K8

K13

K14

K17

K24

K26

Чистые

активы

K2

1,000

0,741

0,502

0,338

0,517

0,429

0,769

-0,082

K8

0,741

1,000

0,618

0,395

0,501

0,346

0,926

-0,087

K13

0,502

0,618

1,000

0,232

0,886

0,538

0,458

0,145

K14

0,338

0,395

0,232

1,000

0,221

-0,073

0,452

0,179

K17

0,517

0,501

0,886

0,221

1,000

0,404

0,414

0,401

K24

0,429

0,346

0,538

-0,073

0,404

1,000

0,329

-0,051

K26

0,769

0,926

0,458

0,452

0,414

0,329

1,000

-0,131

Чистые

активы

-0,082

-0,087

0,145

0,179

0,401

-0,051

-0,131

1,000



Pages:     | 1 | 2 || 4 |
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.