+7(495) 989 9610
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Экономический анализ: теория и практика»
 

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
Google Scholar

Электронные версии в PDF

EBSCOhost
Eastview
Elibrary
Biblioclub

Оценка деятельности химического предприятия на основе комплексного анализа динамики технико-экономических и финансовых показателей

т. 20, вып. 10, октябрь 2021

PDF  PDF-версия статьи

Получена: 19.07.2021

Получена в доработанном виде: 30.07.2021

Одобрена: 11.08.2021

Доступна онлайн: 29.10.2021

Рубрика: ЭФФЕКТИВНОСТЬ БИЗНЕСА

Коды JEL: C32, C53, L25

Страницы: 1833–1860

https://doi.org/10.24891/ea.20.10.1833

Мухаметзянов И.З. доктор физико-математических наук, профессор кафедры информационных технологий и математики, Уфимский государственный нефтяной технический университет (УГНТУ), Уфа, Российская Федерация 
mm_ugntu@mail.ru

https://orcid.org/0000-0001-8640-1654
SPIN-код: 4326-1568

Пиорунский И.Д. управляющий партнер, ООО «Кемикал Лидерс», Москва, Российская Федерация 
info@chemicalleaders.com

ORCID id: отсутствует
SPIN-код: отсутствует

Сумберг Г.И. финансовый директор, ОAО «Эпос», Санкт-Петербург, Российская Федерация 
gulnara.sumberg@gmail.com

ORCID id: отсутствует
SPIN-код: отсутствует

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:

  1. Богатко А.Н. Основы экономического анализа хозяйствующего субъекта. М.: Финансы и статистика, 2009. 322 с.
  2. Бернстайн Л.А. Анализ финансовой отчетности: теория, практика, интерпретация. М: Финансы и статистика, 2003. 624 с.
  3. Турунцева М.Ю. Прогнозирование в России: обзор основных моделей // Экономическая политика. 2011. № 1. С. 193–202. URL: Link
  4. 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
  5. 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
  6. 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
  7. Fotios Petropoulos et al. Forecasting: Theory and Practice. Preprint submitted to International Journal of Forecasting, June 2021. URL: Link
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. Иберла К. Факторный анализ. М.: Статистика, 1980. 398 c.
  15. 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
  16. 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
  17. 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
  18. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика, 2003. 416 с.
  19. 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
  20. 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
  21. 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
  22. 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
  23. 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

Посмотреть другие статьи номера »

 

ISSN 2311-8725 (Online)
ISSN 2073-039X (Print)

Свежий номер журнала

т. 20, вып. 11, ноябрь 2021

Другие номера журнала