Инвестиции и методы оценки их эффективности

Важным конкурентоспособным фактором является качество оборудования. Выбор поставщика данной линии обусловлен большим опытом работы на рынке оборудования, наличие складских помещений, устойчивые связи с изготовителями комплектующих, наличие собственной ремонтно – эксплуатационной службы, оптимальная ценовая политика.

Стратегия развития рынка. Предприятие стремится к освоению новых географических регионов, новых сегментов потребителей, увеличивая объем продаж с помощью новых каналов сбыта и т.д. Главные цели предприятия и возможные стратегии их достижения.

Преимуществом производства является значительно более низкая цена вторсырья (мытой флексы), по сравнению со стоимостью первичного ПЭТ – материала.

Сбыт продукции предполагается осуществлять на прямую производителям ПЭТ – преформ, производителям ПЭТ – упаковок, через интернет, реклама в СМИ, этими задачами как раз и займется маркетолог.

На сегодняшний день отходы из ПЭТ пластиковых бутылок являются наиболее востребованным вторсырьем, источником ПЭТ полимеров. Ведь пластиковая бутылка ПЭТ не разлагается. К сожалению, нормальные механизмы по сбору и переработке пластиковых бутылок (ПЭТ, ПЭТФ) в местах сбора мусора и на городских салках далеки от совершенства. Не хватает заводов по переработке отходов. А ручная переработка не всегда организуется, так как нерентабельна.

Небольшой город, в пределах 100 000 населения, ежемесячно выбрасывает около 20 тонн пластиковых бутылок (ПЭТ, ПЭТФ). И с каждым годом, объем отходов из ПЭТ пластиковой бутылки растет на 20%. И если бы не вторичная переработка – страну ждала бы экологическая катастрофа. После каждого городского праздника вывозятся на свалку тонны пластиковых ПЭТ (ПЭТФ) бутылок.

.

 

 

 

3.2 Экономико-математическая  модель

Необходимо выявить основные факторы, в большей степени влияющие на чистую прибыль, спрогнозировать чистую прибыль потребительского общества на следующий год.

 Построим экономико-математическую  модель чистой прибыли. В модель  включены следующие признаки:

Y – результативный признак –прибыль от продаж, тыс.руб.;

Х1 – факторный признак – уровень себестоимости, коэффициент;

Х2 – факторный признак – уровень коммерческих расходов, коэффициент;

Х3 – факторный признак – производительность труда, тыс.руб./чел.;

Х4 – факторный признак – фондоотдача, руб./руб.

Исходные данные для построения модели чистой прибыли представлены в таблице 3.1. Период поквартально с 2010по 2012 гг.

 

Таблица 3.1 - Исходные данные для построения модели чистой прибыли

Условное обозначение времени	Y	Х1	Х2	Х3	Х4	Х5
1	1606	81913	85,47	95843	474	46894
2	1676	85474	85,47	100010	474	46894
3	1800	92597	85,47	108344	474	46894
4	1886	96158	85,47	112511	474	46894
5	1644	90666	85,93	105509	476	49187
6	1715	94608	85,93	110096	476	49187
7	1858	1024927	85,93	119271	476	49187
8	1930	106435	85,93	123858	476	49187
9	619	95756	87,2	109818	452	91537
10	646	99919	87,2	114592	452	91537
11	700	108246	87,2	124142	452	91537
12	727	112409	87,2	128916	452	91537

 

Сравнительная оценка и отбор факторов осуществляется на основе анализа парных коэффициентов корреляции и оценки их значимости.

Парный коэффициент корреляции определяется по формуле:

,     (3.1)

где Yi, Zi – значение соответственно результативного и факторного показателей в i-ый период времени;

 – среднее арифметическое  значение соответственно результативного и факторного показателей.

Значение коэффициентов парной корреляции находится в интервале от –1 до +1. Положительное значение коэффициента свидетельствует о прямой связи, отрицательное – об обратной, т.е. когда одна переменная растет, другая уменьшается. Чем ближе его значение к 1, тем теснее связь. Связь считается достаточно сильной, если значение коэффициента корреляции по абсолютной величине превышает 0,7, и слабой, если меньше 0,4. При равенстве его нулю связь полностью отсутствует. В модель включаются факторы, оказывающие сильное воздействие на результативный показатель. Не рекомендуется включать в модель факторы, связь которых с результативным показателем носит практически функциональный характер, т.е. коэффициент корреляции стремится к единице. Явление мультиколлинеарности в исходных данных считается установленным, если коэффициент парной корреляции между двумя переменными превышает 0,85. Чтобы избавиться от мультиколлинеарности, в модель включают лишь один из линейно связанных между собой факторов, причем тот, который в большей степени связан с зависимой переменной.

Расчет парных коэффициентов корреляции в данном исследовании осуществлен автоматизированным способом в среде MS Excel с помощью пакета Анализ данных и Опции Корреляция (Таблица 3.2).

 

 

Таблица 3.2 - Матрица парных коэффициентов корреляции

Показатель	Y	Х1	Х2	Х3	Х4
Y	1
Х1	0,9414	1
Х2	0,9057	0,8889	1
Х3	0,9115	0,2490	0,2223	1
Х4	0,9820	0,9369	0,6726	0,5720	1

 

Как видно из данных таблицы 3.4, зависимая переменная находится в сильной связи со всеми факторами. В модель включаются все факторы, так как для данных пар факторов значение показателя более 0,85.

Проверка информации на однородность и соответствие закону нормального распределения осуществляется в среде MS Excel. Для этого в исследовании используется пакет Анализ данных и опция Описательная статистика (Таблица 3.3).

Таблица 3.3 - Проверка исходной информации на однородность и соответствие закону

Показатель	Y	Х1	Х2	Х3	Х4
Среднее	1400,7	0,862	0,110867	6151,467	7,813333
Стандартная ошибка	157,7349	0,002206	0,001284	46,87219	0,555547
Медиана	1659,985	0,8593	0,1096	6043,9	8,89
Мода	619,39	0,8547	0,1166	6039,2	8,89
Стандартное отклонение	546,4098	0,007642	0,004449	162,37	1,924471
Дисперсия выборки	298563,6	5,84	1,98	26364,03	3,703588
Эксцесс	-1,61695	-1,65	-1,65	-1,65	-1,65
Асимметричность	-0,70809	0,578254	0,482286	0,811847	-0,7778
Интервал	1310,3	0,0173	0,0102	332,1	4,11
Минимум	619,39	0,8547	0,1064	6039,2	5,22
Максимум	1929,69	0,872	0,1166	6371,3	9,33
Сумма	16808,4	10,344	1,3304	73817,6	93,76
Счет	12	12	12	12	12
Наибольший(1)	1929,69	0,872	0,1166	6371,3	9,33
Наименьший(1)	619,39	0,8547	0,1064	6039,2	5,22
Уровень надежности(95,0%)	347,1722	0,004855	0,002827	103,165	1,22275

 

Как видно из данных таблицы 3.3, наблюдается незначительная вариация результативного показателя и факторных показателей. Поэтому исходную информацию в нашем случае можно считать однородной. Таким образом, исходная информация является однородной и подчиняется закону нормального распределения, а следовательно, может использоваться в целях корреляционно-регрессионного анализа.

Для проведения корреляционно-регрессионного анализа используем компьютерную программу Microsoft Excel. Рассмотрим результаты регрессии. Вывод итогов представлен в таблице 3.4.

 

Таблица 3.4 - Вывод итогов

Регрессионная статистика
Множественный R	0,9839
R-квадрат	0,9680
Нормированный R-квадрат	0,7387
Стандартная ошибка	108,0697
Наблюдения	12

 

Множественный коэффициент регрессии R=0,9839 свидетельствует о наличии сильной связи между Y и набором факторов  Х1, Х2, Х3,Х4. Множественный коэффициент детерминации (R-квадрат) R2=0,9680, что вариация Y на 96,80% определяется вариацией набором факторов Х1, Х2, Х3, Х4.

В таблице 3.5 представлен дисперсионный анализ.

Таблица 3.5 - Дисперсионный анализ

Показатель	df	SS	MS	F	Значимость F
Регрессия	4	3179088	794772,1	136,1019	0,00103
Остаток	9	105111,6	11679,07
Итого	13	3284200

 

В таблице 3.5 фактическое значение F критерия Фишера (F=136,1019) и дано критическое значение значимости уравнения регрессии в целом (Значимость F=0,00103). Значит, уравнение регрессии в целом, статистически значимо и существенно с вероятностью 1-0,00103=0,99897 или 99,897%.

В таблице 3.6 коэффициенты, стандартная ошибка, нижние и верхние границы.

 

Таблица 3.6 - Расчет стандартной ошибки, нижних и верхних границ