Розвиток методичних підходів щодо управління фінансовими результатами підприємства

Размещено на http://www.allbest.ru/

Розвиток методичних підходів щодо управління фінансовими результатами підприємства

Прокопович Леонід Борисович кандидат економічних наук, доцент, Національний університет кораблебудування імені адмірала Макарова

Бурлан Світлана Анатоліївна кандидат економічних наук, доцент, Національний університет кораблебудування імені адмірала Макарова

В статті розглянута проблема підвищення достовірності прогнозування фінансових результатів діяльності підприємства в умовах використання різних сучасних підходів для побудови регресивних моделей. На основі даних фінансової звітності підприємства, яке досліджувалося, проаналізовано характер існуючої залежності рівня чистого фінансового результату діяльності підприємства від собівартості реалізованої продукції та величини витрат звітного періоду. Запропоновані лінійні та нелінійні регресивні моделі для прогнозування величини фінансового результату на основі метода найменших квадратів, а також, як альтернатива до регресивним моделям - моделі на основі машинного навчання. Виконано порівняльний аналіз отриманих моделей щодо можливості їх використання для побудови прогнозу величини чистого фінансового результату діяльності підприємства. За результатами проведеного дослідження визначено переваги моделі на основі нейронної мережі для фінансового прогнозування.

Ключові слова: фінансовий результат, витрати, собівартість, регресія, методи машинного навчання. прогнозування фінансовий регресивний

DEVELOPMENT OF METHODOLOGICAL APPROACHES TO MANAGING FINANCIAL RESULTS OF THE ENTERPRISE

Постановка проблеми

Основним завданням управлінського обліку є формування та надання облікової інформації керівництву підприємства про результати його діяльності для прийняття обґрунтованих управлінських рішень. Одним із елементів процесу забезпечення інформаційних потреб менеджерів різних рівнів управління та співробітників функціональних підрозділів підприємства є надання прогнозної інформації про показники його діяльності.

Серед широкого кола показників, які характеризують успішність господарської діяльності будь-якого підприємства, внутрішні користувачі облікової інформації віддають перевагу насамперед інформації про величину фінансових результатів та їх динаміку. Для підготовки прогнозної інформації про фінансові результати діяльності підприємства бухгал- тери-аналітики в якості інструментарію застосовують складання гнучких кошторисів або побудову регресійної моделі. Слід відмітити, що не зважаючи на стрімкій розвиток засобів обчислювальної техніки, спеціалізованих пакетів прикладних програм з обліку та аналізу інформації, на практиці не використовуються в повному обсязі можливості сучасних засобів фінансового прогнозування. Як правило обмежуються побудовою простої однофактор- ної моделі оцінювання величини фінансових результатів підприємства. Нажаль, бухгал- тера-аналітики залишають незадіяним широке коло інших методів, які можуть оказати допомогу в первинному аналізі даних (полегшити роботу з викидами у виборці, зробити нормалізацію, стандартизацію та масштабування даних), вирішити проблему мультиколінеар- ності факторів, що впливають на величину фінансового результату.

Тому, приймаючи до уваги потребу в прийнятті ефективних управлінських рішень, актуальними залишаються подальші дослідженні щодо використання всілякого аналітичного інструментарію для прогнозування величини фінансового результату діяльності підприємства.

Аналіз останніх досліджень і публікацій

У дослідження теоретичних аспектів фінансових результатів вагомий внесок внесли багато фахівців. Дані питання викладені у роботах Мелень О. В., Майструк О. Д. [4], Назаренко О. В., Лукаш Р В. [6], Томчук О. Ф., Томчук В. В. [8]. Методичні підходи до аналізу фінансових результатів розглянуті в працях Кононенко Ж. А., Песцова-Сві- талка О. С., Петренко В. О. [3], Нагорна І. В., Бондаренко В. О. [5], Струк Н. С., Муц Ю. І. [7]. Питанням оцінки та прогнозування величини фінансових результатів підприємства присвячені праці таких авторів: Артюх-Пасюта О. В., Мілька А. І. [2], Глущенко А. М. [2], Швець Ю. О. [9]. Але, наявні дослідження не висвітлюють питання використання методів машинного навчання під час прогнозування фінансових результатів в умовах застосування сучасних програмних продуктів.

Метою дослідження є підвищення достовірності прогнозування величини фінансових результатів підприємства.

Виклад основного матеріалу

Для проведення дослідження в якості початкових даних використана інформація з фінансової звітності ПрАТ «Моршинський завод мінеральних вод «Оскар», яка наведена в роботі Артюх- Пасюта О. В., Мілька А. І. [1, с. 7]. На основі вказаних початкових даних розглянемо побудову моделі прогнозування величини чистого фінансового результату (Y), тис. грн. В якості факторів досліджувалися: Х1 - собівартість реалізованої продукції, тис. грн., Х2 - витрати звітного періоду, зокрема: адміністративні витрати, витрати на збут, інші операційні витрати, тис. грн.

У табл. 1 наведена кореляційна матриця, що побудована задля відбору факторів та перевірки міцності зв'язків між факторами і залежною змінною (Y).

Таблиця 1

Кореляційна матриця

За шкалою Чеддока адміністративні витрати, витрати на збут, інші операційні витрат (X2) мають сильний кореляційний зв'язок із залежною змінною (величина коефіцієнту Пірсона 0,807). Собівартість реалізованої продукції має середній кореляційний зв`язок (0,661). Проте, необхідно звернути увагу на наявність мультиколінеарності між факторами (величина коефіцієнту кореляції 0,971). Для підтвердження наявності мульти- колінеарності між X1 та X2 була розрахована зворотна матриця від матриці парних кореляцій (див. табл. 2).

Інформація табл. 2 підтверджує наявність мультиколінеарності між факторами (значення на головній діагоналі 18,04 більше 4,00).

Таблиця 2

Зворотна матриця для факторів Х1,Х2, R^-1

Тому, з метою усунення мультиколінеар- ності, був використаний метод головних компонент. Перед застосуванням цього методу величини факторів були стандартизо вані. Значення дисперсії, які пояснюються головними компонентами, наступні: 98,59%; 1,41%. Кореляційна матриця після застосування методу головних компонент наведена у табл. 3.

Таблиця 3

Кореляційна матриця після застосування методу головних компонент

За результатами аналізу кореляційних зав'язків було прийнято рішення щодо побудови багатофакторних (див. формули 1-5) та однофакторних (див. формули 6-11) регресій- них моделей прогнозування розміру чистого фінансового результату. Для побудови однофакторних регресійних моделей була використана перша головна компонента (PC1), так як вона в основному пояснює значення дисперсії:

Розраховані параметри побудованих моделей наведені у табл. 4.

Для визначення значимості отриманих параметрів регресійних моделей був використаний розрахунок p-значень для кожного з внутрішніх параметрів моделі (див. табл. 5).

Інтерпретуючи дані табл. 5 можна сказати, що при подальшому дослідженні необхідно виключити моделі де p-значення було більше за 0,05, так як параметри даних моделей ні є значимими (це моделі 2-8, 10, 11). Інтерпретація даних табл.5 свідчить про необхідність виключення моделей, де p-значення було більше за 0,05, при проведенні подальших досліджень, так як параметри даних моделей ні є значимими (це моделі 2-8, 10, 11).

Таблиця 4

Параметри моделей

Після вивчення величин p-значень отриманих регресійних моделей перевірку пройшли тільки дві моделі, одна модель багато- факторна (модель 1) та одна однофакторна (модель 9). Для подальшого порівняння відібраних моделей була побудована табл. 6.

Величини коефіцієнту детермінації (див. табл. 6) показує, що моделі є добрими (0,8<R²<0,95). Обидві моделі є також статистично значимими так як розрахунковий критерій Фішера більше табличного значення. Нажаль, знайденіобудовані моделі неможливо використовувати для прогнозування величини чистого фінансового результату, так як значення середньої помилки апроксимації за обома моделями перевищують граничне значення (A > 10%).

З метою пошуку інших моделей на наступному етапі дослідження було вирішено скористатися такими методами машинного навчання: k-ближніх сусідів, регресійного бінарного дерева рішень та випадкового лісу.

Так як для вказаних методів мультиколіне- арність між факторами не впливає на можливість отримання моделі, в якості вхідних даних були використані початкові дані без будь-яких перетворень.

Гіперпараметром моделі k-ближніх сусідів є кількість сусідніх елементів значення яких буде визначати прогнозну величину залежної змінної (n_neighbors). Значення даного гіперпараметра у розрахованих моделях було обрано таке, що дорівнює 2 та 3.

Гіперпараметрами побудованої регресій- ної моделі на основі бінарного дерева рішень є: глибина дерева (max_depth = 2 та 3), рівень точності приросту інформативності, кількість неоднакових предикатів у вузлу дерева. Критерієм якості під час поділу вузла був обраний квадрат помилки. Дерево рішення яке побудовано з глибиною 2 наведено на рис. 1.

Таблиця 5

р-значення

*Напівжирним виділені p-значення та номера моделей де параметри ні є значимими

Таблиця 6

Порівняння моделей

Рис. 1. Приклад регресійного дерева рішення (max_depth = 2)

Для моделі випадкового лісу в якості гіперпараметрів були використані: кількість дерев (n_estimators = 22) та глибина дерева (max_depth = 3).

Для розрахунку запропонованих моделей був написаний скрипт на мові Python та бібліотека для реалізації алгоритмів машинного навчання Scikit-learn. Результати порівняння вказаних моделей наведені у табл. 7.

Інформація табл. 7 свідчить, що обидві моделі дерева рішень мають високу точність апроксимації (коефіцієнт детермінації перевищує 0,95). Величина коефіцієнт детермінації для моделі випадкового лісу також має добре значення (R²= 0,937). Моделі на основі k-ближніх сусідів мають більш гірші величини R². Для даних моделей розрахункове значення критерія Фішера менше їх табличних значень. Останнє вказує, що моделі k-ближніх сусідів ні є статистично значимими. На відмінну від них, моделі на основі дерев рішень та випадкового лісу пройшли перевірку критерієм Фішера. Проте і у даних моделей виявилося завелике значення середньої помилки апроксимації, у найліпшої моделі з табл. 7 воно склало 12,30%. Таким чином, розраховані й на даному етапі дослідження моделі також неможливо використовувати для прогнозування величини чистого фінансового результату.

На наступному етапі дослідження було прийнято рішення щодо побудови моделей на основі нейронної мережі. Дані моделі також можна використовувати із факторами, які мають мультиколінеарність. Але перед початком проведення розрахунків значення факторів були нормалізовані. Для реалізації моделей нейронної мережі був знову написаний скрипт на мові Python та використана бібліотека Scikit-learn. Гіперпараметри побудованих моделей наведені у табл. 8.

Серед моделей нейронних мереж була обрана одна з класичних моделей - багатошаровий персептрон для регресії (MLPRegressor - Multi-layer Perceptron regressor). Це представник повнозв'язкової нейронної мережі. Приймаючи до уваги всі можливі комбінації використаних гіперпара- метрів (інші гіперпараметри використовувались із значенням за замовченням), разом одночасно було розраховано 60 моделей (див. табл. 8). Найліпшою моделлю виявилася модель із наступними гіперпараметрами:

- максимальна кількість епох навчання: 20000;

- структура прихованого шару: 30, 20, 10;

- функція активації: Relu.

Розраховані показники (R², F, A) для порівняння даної моделі з іншими наведені у табл. 9.

Величина коефіцієнту детермінації моделі свідчить про високу точність апроксимації, а значення критерія Фішера каже про статистичну значимість отриманої моделі. І нарешті, знайдена модель має величину середньої помилки апроксимації у допустимих межах (A < 10%).

У формалізованому вигляді отриману модель для прогнозування величини чистого фінансового результату можна представити у вигляді формули 12.

Таблиця 7

Порівняння моделей: k-ближніх сусідів, регресійного бінарного дерева рішень та випадкового лісу

Таблиця 8

Гіперпараметри моделей нейронної мережі

Таблиця 9

Порівняльні показники моделі на основі нейронної мережі

Модель на основі нейронної мережі (див. формулу 12) можна використовувати при прийнятті управлінських рішень щодо планування результатів діяльності підприємства у майбутньому.

Наведене у дослідженні послідовне застосування різних методів для побудови моделей прогнозування величини фінансових результатів діяльності підприємства є гарним прикладом комплексного використання сучасного методичного інструментарію та програмних засобів. Необхідно ще раз наголосити про те, що бухгалтерам-аналітикам потрібно відійти від практики штучного обмеження своїх аналітичних можливостей застосуванням тільки кількох методів. Вони повинні намагатися використовувати у своїй діяльності більш широкий перелік методичних та програмних засобів. Доречи, розвиток обчислювальної техніки та аналітичних паке-тів спеціалізованих програм, за останні роки, знизив вимоги до фінансових можливостей підприємства і рівня підготовки фахівців з аналізу даних. Також, з'явилися ряд хмарних платформ, наприклад, таких як Google Colaboratory, де вже стоїть готове програмне забезпечення із відповідними бібліотеками для здійснення аналітичних розрахунків та яке дозволяє використовувати його безкоштовно. А у випадку, коли у підприємства з'являється потреба у більших обчислювальних можливостях, то їх можна докупити за невелику плату. Тому опанування бухгалтерами-ана- літиками сучасних можливостей існуючого доступного програмного забезпечення з аналізу даних стає професійною необхідністю.

Висновок

Розроблені моделі для прогнозування величини чистого фінансового результату на прикладі фінансової звітності ПрАТ «Моршинський завод мінеральних вод «Оскар». Були запропоновані однофакторні та багатофакторні регресійні моделі. В якості фактору в запропонованих моделях були обрані: собівартість реалізованої продукції, тис. грн.; адміністративні витрати, витрати на збут, інші операційні витрат, тис. грн. Як альтернатива до вказаних моделей, з метою підвищення якості знайдених моделей були розроблені багатофакторні моделі за допомогою методів k-ближніх сусідів, регресійного бінарного дерева рішень, випадкового лісу та нейронної мережі.

В наслідок порівняння запропонованих моделей була відібрана найкраща - модель на основі нейронної мережі. На відміну від всіх інших розроблених моделей, тільки ця модель за середньою помилкою апроксимації знаходиться в межах граничних значень. Тому, модель на основі нейронної мережі запропоновано використовувати для прогнозування величини чистого фінансового результату в процесі управління діяльністю підприємства.

Перспективи подальших досліджень полягають в розширенні використанні методичних і технічних засобів для аналізу nf прогнозування рівня фінансового результату діяльності підприємства.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ:

1. Артюх-Пасюта О. В., Мілька А. І. Оцінка достовірності інформації у фінансовій звітності підприємства на основі моделей Дж. Монтьє, М. Д. Беніша та М. Л. Роксас. Економіка та суспільство. 2022. № 40. URL: https://economyandsociety.in.ua/index.php/journal/article/view/1525/1467.

2. Глущенко А. М. Прогнозування фінансових результатів діяльності металургійних підприємств. Економіка і суспільство. 2018. № 19. С. 1400-1408. URL: https://economyandsociety.in.ua/journals/19_ukr/209.pdf.

3. Кононенко Ж. А., Песцова-Світалка О. С., Петренко В. О. Прогнозування фінансових результатів як елемент планування розвитку діяльності підприємства. Інфраструктура ринку. 2019. № 36. С. 171-177. URL: http://www.market-infr.od.ua/journals/2019/36_2019_ukr/29.pdf.

4. Мелень О. В., Майструк О. Д. Дослідження та аналіз проблемних питань організації обліку фінансових результатів. Економіка і суспільство. 2017. № 13. С. 1385-1390. URL: https://economyandsociety.in.ua/ journals/13_ukr/231.pdf.

5. Нагорна І. В., Бондаренко В. О. Облік і аналіз фінансового результату в системі управління підприємством. Ефективна економіка. 2021. № 11. URL: http://www.economy.nayka.com.ua/pdf/11_2021/105.pdf.

6. Назаренко О. В., Лукаш Р В. Фінансові результати: сутність та особливості організації бухгалтерського обліку. Інвестиції: практика та досвід. 2018. № 22. С. 19-25. URL: http://www.investplan.com.ua/pdf/22_2018/5.pdf.

7. Струк Н. С., Муц Ю. І. Перспективи розвитку методичного підходу до аналізу фінансових результатів на підприємстві. Науковий вісник Міжнародного гуманітарного університету. 2017. № 24-1. С. 109-113. URL: http://www.vestnik-econom.mgu.od.ua/journal/2017/24-2-2017/25.pdf.

8. Томчук О. Ф., Томчук В. В. Роль звіту про фінансові результати в інформаційному забезпеченні аналізу фінансового стану підприємства. Інфраструктура ринку. 2018. № 17. С. 462-470. URL: http://www.market-infr.od.ua/journals/2018/17_2018_ukr/76.pdf.

9. Швець Ю. О. Прогнозування показників фінансового стану як елемент управління операційною діяльністю підприємств машинобудування у кризових умовах. Науковий вісник Міжнародного гуманітарного університету. 2020. № 42. С. 89-94. URL: http://www.vestnik-econom.mgu.od.ua/journal/2020/42-2020/18.pdf.

REFERENCES:

1. Artyukh-Pasyuta O., Milka A. (2022) Otsinka dostovirnosti informatsii u finansovii zvitnosti pidpryiemstva na osnovi modelei J. Montie, M. D. Benisha ta M. L. Roksas [Assessment of the reliability of information in the company's financial statements based on models J. Monthier, M. D. Benisha and M. L. Roxas]. Ekonomika i suspilstvo, no. 40. Available at: https://economyandsociety.in.ua/index.php/journal/article/view/1525/1467. (in Ukrainian)

2. Glushchenko A. M. (2018) Prohnozuvannia finansovykh rezultativ diialnosti metalurhiinykh pidpryiemstv [Forecasting the financial performance of metallurgical enterprises]. Ekonomika isuspilstvo, no. 19, pp. 1400-1408. Available at: https://economyandsociety.in.ua/journals/19_ukr/209.pdfo (in Ukrainian)

3. Kononenko Zh., Pestsova-Svitalka O., Petrenko V. (2019) Prohnozuvannia finansovykh rezultativ yak element planuvannia rozvytku diialnosti pidpryiemstva [Forecasting financial results as an element of enterprise development planning]. Infrastruktura rynku, no. 36, pp. 171-177. Available at: http://www.market-infr.od.ua/jour- nals/2019/36_2019_ukr/29.pdf. (in Ukrainian)

4. Melen E. V., Maistruk O. D. (2017) Doslidzhennia ta analiz problemnykh pytan orhanizatsii obliku finansovykh rezultativ [Study and analysis of problems of the organization of accounting financial results]. Ekonomika i sus- pilstvo, no. 13, pp. 1385-1390. Available at: https://economyandsociety.in.ua/journals/13_ukr/231.pdf. (in Ukrainian)

5. Nagorna I., Bondarenko V. (2021) Oblik i analiz finansovoho rezultatu v systemi upravlinnia pidpryiemstvom [Accounting and analysis of the financial result in the enterprise management system]. Efektyvna ekonomika, no. 11. Available at: http://www.economy.nayka.com.ua/pdf/11_2021/105.pdf. (in Ukrainian)

6. Nazarenko O., Lukash R. (2018) Finansovi rezultaty: sutnist ta osoblyvosti orhanizatsii bukhhalterskoho obliku [Financial results: the essence and features of the of accounting organization]. Investytsii: praktyka ta dosvid, no. 22, pp. 19-25. Available at: http://www.investplan.com.ua/pdf/22_2018/5.pdf. (in Ukrainian)

7. Struk N. S., Muts Yu. I. (2017) Perspektyvy rozvytku metodychnoho pidkhodu do analizu finansovykh rezu- ltativ na pidpryiemstvi [Development prospects of the methodological approaches to the analysis of the company financial results]. Naukovyi visnyk Mizhnarodnoho humanitarnoho universytetu, no. 24-1, pp. 109-113. Available at: http://www.vestnik-econom.mgu.od.ua/journal/2017/24-2-2017/25.pdf. (in Ukrainian)

8. Tomchuk O. F, Tomchuk V. V. (2018). Rol zvitu pro finansovi rezultaty v informatsiinomu zabez- pechenni analizu finansovoho stanu pidpryiemstva [The role of profit and loss statement for the information support of the financial analysis of the enterprise]. Infrastruktura rynku, no. 17, pp. 462-470. Available at: http://www.market-infr.od.ua/journals/2018/17_2018_ukr/76.pdf. (in Ukrainian)

9. Shvets Yu. (2020) Prohnozuvannia pokaznykiv finansovoho stanu yak element upravlinnia operatsiinoiu diialnistiu pidpryiemstv mashynobuduvannia u kryzovykh umovakh [Forecasting financial condition indicators as an element of managing operational activity of machine-building enterprises in crisis conditions]. Naukovyi visnyk Mizhnarodnoho humanitarnoho universytetu, no. 42, pp. 89-94. Available at: http://www.vestnik-econom.mgu.od.ua/ journal/2020/42-2020/18.pdf. (in Ukrainian)

Размещено на Allbest.ru