Предмет. Анализ экономической деятельности крупного предприятия и прогноз основных технико-экономических показателей. Цели. Разработка аналитических инструментов анализа бизнеса по данным официальной отчетности, направленных на повышение достоверности знаний о состоянии бизнеса предприятия. Методология. Использовались методы анализа технико-экономических показателей, интеллектуального анализа многомерных данных, методы прогнозирования, модели временных рядов и динамические многофакторные регрессии. Результаты. Разработан инструментарий оценки управленческих решений на основе волатильности доходных и расходных показателей, позволяющий оценить эффективность технико-экономических решений. Разработан гибридный подход прогнозирования основных технико-экономических показателей на основе моделей, сочетающих динамические многофакторные регрессии, многофакторные авторегрессионные модели и адаптивные модели прогнозирования. Апробация предложенных аналитических инструментов анализа бизнеса по данным официальной отчетности выполнена на материалах трех крупных промышленных предприятий химического комплекса. Выводы. Предложенные инструментальные методы анализа могут быть интегрированы в комплекс аналитики предприятия миноритарными акционерами или потенциальными инвесторами, не имеющими доступа к управленческой отчетности, рекомендуются в качестве аналитических инструментов в области бизнес-консалтинга и анализа бизнеса для разных целей, в том числе инвестиционных, и направлены на повышение достоверности знаний о состоянии бизнеса предприятия по данным официальной отчетности.
Ключевые слова: инструментальный анализ технико-экономических показателей, волатильность, прогнозирование
Список литературы:
Богатко А.Н. Основы экономического анализа хозяйствующего субъекта. М.: Финансы и статистика, 2009. 322 с.
Бернстайн Л.А. Анализ финансовой отчетности: теория, практика, интерпретация. М: Финансы и статистика, 2003. 624 с.
Турунцева М.Ю. Прогнозирование в России: обзор основных моделей // Экономическая политика. 2011. № 1. С. 193–202. URL: Link
Макаров В.Л., Айвазян С.А., Борисова С.В., Лакалин Э.А. Эконометрическая модель экономики России для целей краткосрочного прогноза и сценарного анализа. М.: ЦЭМИ РАН, 2001. URL: Link
Суменков М.С., Суменков С.М., Новикова Н.Ю. Методология прогнозирования технико-экономических параметров предприятия в условиях неопределенности // Экономические науки. 2020. № 5. C. 114–118. URL: Link
Рубашкин Г.В. Прогнозирование объемов продаж промышленных предприятий на основе моделей множественной линейной регрессии // Экономический анализ: теория и практика. 2006. № 8. C. 51–57. URL: Link
Fotios Petropoulos et al. Forecasting: Theory and Practice. Preprint submitted to International Journal of Forecasting, June 2021. URL: Link
Щербанин Ю.А., Ивин Е.А., Курбацкий А.Н., Глазунова А.А. Эконометрическое моделирование и прогнозирование спроса на грузовые перевозки в России в 1992–2015 гг. // Научные труды: Институт народнохозяйственного прогнозирования РАН. 2017. Т. 15. C. 200–217. URL: Link
Taylor A., Taylor M. Antecedents of effective performance measurement system implementation: an empirical study of UK manufacturing firms. International Journal of Production Research, 2013, vol. 51, iss. 18, pp. 5485–5498. URL: Link
Xianbo Zhao, Bon-Gang Hwang, Sui Pheng Low. Critical success factors for enterprise risk management in Chinese construction companies. Construction Management and Economics, 2013, vol. 31, iss. 12, pp. 1199–1214. URL: Link
Wu D.D., Olson D. Enterprise risk management: a DEA VaR approach in vendor selection. International Journal of Production Research, 2010, vol. 48, iss. 16, pp. 4919–4932. URL: Link
Desheng Dash Wu, Olson D.L. Enterprise risk management: small business scorecard analysis. Production Planning and Control, 2009, vol. 20, iss. 4, pp. 362–369. URL: Link
Ukko J., Tenhunen J., Rantanen H. Performance measurement impacts on management and leadership: perspectives of management and employees. International Journal of Production Economics, 2007, vol. 110, iss. 1-2, pp. 39–51. URL: Link
Иберла К. Факторный анализ. М.: Статистика, 1980. 398 c.
Beaupain R., Meng L., Belair R. The impact of volatility on the implementation of the relative strength index: evidence from the Shanghai stock exchange. Insurance Markets and Companies: Analyses and Actuarial Computations, 2010, vol. 1, iss. 3, pp. 73–78. URL: Link
Yu Wei, Lan Bai, Kun Yang, Guiwu Wei. Are industry-level indicators more helpful to forecast industrial stock volatility? Evidence from Chinese manufacturing purchasing managers index. Journal of Forecasting, 2021, vol. 40, pp. 17–39. URL: Link
Sang Hoon Kang, Sang-Mok Kang, Seong-Min Yoon. Forecasting volatility of crude oil markets. Energy Economics, 2009, vol. 31, iss. 1, pp. 119–125. URL: Link
Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика, 2003. 416 с.
Haefke C., Natter M., Soni T., Otruba H. Adaptive Methods in Macroeconomic Forecasting. Intelligent Systems in Accounting, Finance and Management, 1998, vol. 6, iss. 1, pp. 1–10. URL: Link1099-1174(199703)6:1<1::AID-ISAF118>3.0.CO;2-2
Мутраков О.С., Зайнашева З.Г., Мухаметзянов И.З. Прогнозирование развития сферы региональных автосервисных услуг (на материалах Республики Башкортостан) // Сервис в России и за рубежом. 2019. Т. 13. Вып. 1. С. 136–151. URL: Link
Peter X.-K. Song, Mingyao Li, Ying Yuan. Joint regression analysis of correlated data using Gaussian copulas. Biometrics, 2009, vol. 65, iss. 1, pp. 60–68. URL: Link
Welch P.R. A Generalized Distributed Lag Model for Predicting Quarterly Earnings. Journal of Accounting Research, 1984, vol. 22, iss. 2, pp. 744–757. URL: Link
Jianwei Mi, Libin Fan, Xuechao Duan, Yuanying Qiu. Short-Term Power Load Forecasting Method Based on Improved Exponential Smoothing Grey Model. Mathematical Problems in Engineering, 2018, vol. 2018. URL: Link
