Ключевые слова: методы прогнозирования, ряд данных, финансовые показатели, данные, аппарат прогнозирования, модель прогнозирования
Прогнозирование результатов хозяйственной и финансовой деятельности организации является одной самых главных задач перспективного финансового анализа показателей предприятия. С одной стороны, эффективным решением данной задачи будет являться комплексное исследование организации как анализ одной сложной экономической системы. С другой стороны, на основе результатов процедур оценивания прогнозирование финансовых показателей является базой для формирования эффективной хозяйственной деятельности организации путем нивелирования рисков, планирования и постоянного контроля деятельности предприятия. Прогнозирование конечных финансовых результатов деятельности организации позволяет руководителям решать, как краткосрочные, так и долгосрочные цели и помогает им добиваться эффективного и стабильного развития предприятия, используя текущие ее финансовые возможности. [1, 86 c.] В то же время, стоит упомянуть, что показатели финансовых результатов являются основными финансовыми характеристиками предприятия, которые позволяют сравнить организацию с другими, ведущими деятельность на этом же рынке или в этой же отрасли. Финансовые показатели позволяют определить конкурентоспособность организации, ее деловую активность на рынке, а также гарантии интересов контрагентов и участников экономических отношений.
Для создания и применения эффективных методов и моделей прогнозирования финансовых результатов хозяйственной и финансовой деятельности организации, первым делом необходимо выявить задачи проводимого прогнозирования. Главной особенностью при составлении модели прогнозирования и использования современного статистического инструментария является малая длина динамического ряда финансовых показателей организации. [2, 450–451 c.] Данное явление как для компаний, ведущих свою деятельность на территории Российской Федерации, так и для зарубежных компаний вызвано значительным периодом составления финансовой отчетности и ее публикации. Если рассматривать организации, ведущие свою деятельность на российском рынке, то наибольшей информативностью для прогнозирования является годовая финансовая отчетность. Промежуточные отчеты, которые составляются ежеквартально и представлены в виде бухгалтерского баланса и отчета о прибылях и убытках компании являются труднодоступными для внешних пользователей.
Стоит отметить, что не все методы прогнозирования финансовых показателей могут свободно учитывать динамику внутренних параметров хозяйствующего субъекта. Также необходимо упомянуть, что порядок формирования отчетов финансовой и хозяйственной деятельности организаций подвержен постоянным изменениям. Одним из самых надежных методов формирования верного массива данных по показателям финансовых результатов компании в данном случае является составление аналитической формы отчетности. В аналитической работе часто используется практика составления таких форм. Однако применения данного метода подготовки данных может значительно замедлить процесс прогнозирования, а также результаты прогноза могут заметно исказиться из-за возможных ошибок на предварительном этапе подготовки данных.
Все формальные процедуры прогнозирования предусматривают перенос прошлого опыта на настоящий момент или в неопределенное будущее. Таким образом, все методы основываются на предположении, что что условия, которые породили полученные данные результаты организации схожи с условиями, которые будут в будущем. Исключением в данном случае будут являться те переменные, которые точно распознаны той или иной моделью прогнозирования. [3, 101 c.]
При составлении прогноза, для выбора оптимального подходящего метода прогнозирования необходимо выполнить следующее: [4, 273 c.]
‒ Определить сущность показателей, которые будут прогнозироваться;
‒ Определить сущность данных, которые будут использоваться для прогноза;
‒ Представлять возможность и учитывать ограничения того или иного метода прогнозирования;
‒ Выработать критерии, по которым будет выполнен выбор метода для выполнения прогноза.
Одним из главных факторов, который влияет на выбор метода прогнозирования, является определение и понимание характеристик полученной информации для будущего прогноза. Так, если в полученной информации удается распознать тренд, стационарную, сезонную или циклическую модель, это поможет облегчить выбор определенной модели или метода прогнозирования.
Для начала необходимо рассмотреть аппарат прогнозирования для информации, которая имеет стационарный вид. Стационарный ряд данных определяется как ряд данных, в котором среднее значение не изменяется на протяжении продолжительного времени. Такая ситуация возникает тогда, когда внешние факторы, которые влияют на изменение определенных показателей являются постоянными. Прогнозирование стационарного ряда данных в своей простейшей форме включает в себя использование его предыстории для оценки среднего значения, которое становиться прогнозом на будущие периоды. Данные методы прогнозирования полезны, когда начальные оценки ряда данных ненадежны или постоянство среднего значения под вопросом.
Методы прогнозирования для стационарных данных могут использоваться в следующих случаях:
‒ Воздействия, которые порождают ряд данных, стабилизировались и внешняя среда, которая влияет на организацию и на ее показатели неизменна.
‒ Из-за недостатка данных или необходимости упрощения модели для легкого понимания или реализации прогноза существует потребность в использовании простой модели.
‒ Стабильность показателей ряда может быть достигнута за счет проведения простой корректировки таких показателей как инфляция, рост населения.
‒ Ряд данных можно представляет собой множество ошибок прогноза, которые были получены в результате применения того или иного метода прогнозирования.
Методы прогнозирования, которые могут быть использованы для прогноза показателей стационарного вида, включают в себя наивные методы, методы простого усреднения и методы авторегрессионного скользящего среднего. [5, 54c.]
Следующим видом ряда данных является ряд, который обладает трендом. Данный ряд может быть определен как ряд, который содержит долгосрочную компоненту, отражающую постоянное возрастание или убывание значений ряда в течение продолжительного ряда времени. Другими словами, ряд данных имеет тренд, если ожидается увеличение или уменьшение его среднего значения, на основе которого создается прогноз на будущий период.
Методы прогнозирования для ряда данных, который имеет тренд, используется в следующих случаях:
‒ Повышение производительности труда и применение новых технологий ведут к улучшению уровня жизни.
‒ Рост населения ведет к увеличению потребности в товарах и услугах.
‒ Покупательная способность национальной валюты за счет инфляции оказывает влияние на общие экономические показатели.
‒ Увеличение уровня признания продукта или услуги на рынке.
К методам прогнозирования показателей, которые имеют тренд, относятся: метод скользящих средних, метод линейного экспоненциального сглаживания Хольта, простая регрессия и методы авторегрессионных интегрированных скользящих средних. [5, 54c.]
Следующим типом данных, которые могут быть получены при анализе информации — это данные с сезонной компонентой, которые определяются, как ряд данных, описывающие изменения, повторяющиеся из года в год. Аппарат прогнозирования для такого типа данных включает в себя выбор мультипликативного или аддитивного разложения с последующей оценкой сезонных элементов с помощью предыстории ряда. [6, 190 c.]
Методы прогнозирования для данных, которые имеют сезонную компоненту, используются в следующих случаях:
‒ На показатели, которые будут изучены, влияет погода.
‒ Рассматриваемые показатели определяются годичным циклом.
Методы, которые следует использовать для прогнозирования сезонных рядов, включают в себя классическое разложение, многомерную регрессию, методы авторегрессионых интегрированных скользящих средних (методы Бокса-Дженкинса). [5, 55c.]
Последним типом исследуемых показателей являются циклические показатели. Циклические модели данных имеют тенденцию к повторению шаблона изменения за определенные периоды времени. Такой вид показателей трудно моделировать, так как величина данных показателей является неустойчивой. Волнообразные изменения относительно тренда редко повторяются через определенные промежутки времени, и амплитуда этих изменений также является непостоянной.
Методы прогнозирования для цикличных данных могут быть использованы в следующих случаях:
‒ На изучаемые показатели влияют бизнес-процессы, которые происходят во внешней среде организации;
‒ На рынке постоянно появляется какие-то новые продукты, которые влияют на изменение общественных интересов и потребностей;
‒ Происходят сдвиги в цикле производства продукции, которую потребляет население.
Аппарат прогнозирования, который необходимо использовать для прогнозирования показателей, имеющих цикличность, являются методы классического разложения, многомерная регрессия и методы авторегрессионых интегрированных скользящих средних (методы Бокса-Дженкинса). [5, 56c.]
Литература:
- Сакаева Э. З., Иремадзе Е. О., Григорьева Т. В. Прогнозирование и анализ показателей финансовой устойчивости предприятия на основе математического моделирования [Текст] / Э. З. Сакаева, Е. О. Иремадзе, Т. В. Григорьева // Вестник Московского Государственного Областного Университета. Серия: Экономика. — 2010. — № 3. — С. 78–88.
- Сафина В. Р. Применение методики финансового анализа в процессе анализа финансовых результатов [Текст] / В. Р. Сафина // Вестник МГУП Имени Ивана Федорова. — 2011. -№ 2. — С. 448–454.
- Виноходова А. Ф., Пилюгина Е. С. Методика прогнозирования баланса и финансового результата с помощью инструментов экономико-математического моделирования [Текст] / А. Ф. Виноходова, Е. С. Пилюгина // Вестник Белгородского Университета Кооперации, Экономики и Права. -2006. -№ 4. — С.100–103.
- Давнис В. В., Тимченко А. Б. Прогнозирование волатильности финансовых показателей: адаптивный подход [Текст] / В. В. Давнис, А. Б. Тимченко // Вестник Воронежского Государственного Университета. -2007. — № 2. — С. 269–277.
- Ханк Д. Э., Райтс А. Д., Уичерн Д. У. Бизнес-прогнозирование [Текст], 7-е издание: Пер. с англ. — М.: Издательский дом «Вильямс». -2003. — 656 с.
- Pettenuzzo D, Timmermann A. 2016. Forecasting macroeconomic variables under model instability [Text] / D. Pettenuzzo, A.Timmerman // Journal of Business & Economic Statistics. 2016. Vol. 35 (2), P. 183–201
