Оптимизация выручки на предприятии

Введение

Футбольный  клуб “Зенит” является профессиональной спортивной организацией. Главной особенностью клуба является то, что он совмещает  в себе спорт и бизнес. Но в  то же время он является планово-убыточным, в связи с тем, что доходы клуба  не покрывают расходы клуба. Разница покрывается за счёт денежных поступлений от спонсоров.

Бюджет доходов  и расходов ЗАО «ФК Зенит» направлен на то, чтобы определить наиболее эффективные пути использования денежных средств, установить лимиты основных статей бюджета расходов, проанализировать и определить резервы формирования и увеличения статей бюджета доходов.  
Спорт влияет на экономическую сферу государства и общества: на качество рабочей силы, на структуру потребления и спроса, на поведение потребителей, туризм и другие показатели экономической системы.  
Поэтому спорт превратился в индустрию спортивных и массово-зрелищных мероприятий. Спорт влияет на культуру людей, является способом общения и проведения досуга.

В 2011 году чистая прибыль "Зенита" составила 1800 миллиона рублей против убытка в 1984 миллиона годом ранее, свидетельствуют данные отчетности, размещенные в базе данных "СПАРК-Интерфакс". Выручка питерцев по сравнению с 2010 годом снизилась на 45,14 % и составила 2071 миллиарда рублей. Себестоимость снизилась почти в полтора  раза и составила 1207 миллиарда.

 

 

 

 

 

 

Исходные данные

Период	П/п	Выручка от реализации товарной продукции	Себестоимость	Посевные площади  с/х культур	Численность работников	Рентабельность	Основные средства	Чистая прибыль
		Х1	Х2	Х3	Х5	Х6	Х7	У
2006	Зенит	0	0	900	40	0	9593	0
2007		0	0	944	41	0	9634	0
2008		0	0	1116	20	0	9745	0
2009		3166	2896	650	22	26	9815	752
2010		3006	3006	1138	18	-3,8	4798	-1984
2011		2071	1207	20	15	149,1	7532	1800

 

1.Уравнение множественной регрессии.

1) Построим линейную модель множественной регрессии. Для этого используем инструмент Регрессия в диалоговом окне Анализ данных.

Таблица 1

ВЫВОД ИТОГОВ
Регрессионная статистика
Множественный R	1
R-квадрат	1
Нормированный R-квадрат	65535
Стандартная ошибка	0
Наблюдения	6

 

Дисперсионный анализ
	df	SS	MS	F	Значимость F
Регрессия	7	7741760	1105966	#ЧИСЛО!	#ЧИСЛО!
Остаток	0	0	65535
Итого	7	7741760

 

 

 

 

	Коэффициенты	t-статистика	Нижние 95%	Верхние 95%	Нижние 95,0%	Верхние 95,0%
Y-пересечение	0	#Н/Д	#Н/Д	#Н/Д	#Н/Д	#Н/Д
Х1	21,5503094	65535	21,55031	21,55031	21,55031	21,55031
Х2	-22,3447956	65535	-22,3448	-22,3448	-22,3448	-22,3448
Х3	-1,2207E-13	65535	-1,2E-13	-1,2E-13	-1,2E-13	-1,2E-13
Х4	0	65535	0	0	0	0
Х5	-1,4562E-12	65535	-1,5E-12	-1,5E-12	-1,5E-12	-1,5E-12
Х6	-106,375068	65535	-106,375	-106,375	-106,375	-106,375
Х7	1,68574E-1	65535	1,69E-14	1,69E-14	1,69E-14	1,69E-14

 

2. Проверка данных на мультиколлинеарность.

Используем  инструмент Корреляция в диалоговом окне Анализ данных. В результате действий будет получена матрица коэффициентов парной корреляции:

Таблица 2

Матрица коэффициентов  парной корреляции.

	У	Х1	Х2	Х3	Х5	Х6	Х7
У	1
Х1	-0,066108475	1
Х2	-0,255015487	0,97545889	1
Х3	-0,841926308	-0,3175325	-0,10639	1
Х5	-0,097519115	-0,6688461	-0,58963	0,339131	1
Х6	0,750047469	0,30999837	0,094136	-0,95959	-0,49753	1
Х7	0,525438809	-0,5829802	-0,59068	-0,00635	0,516551	-0,16392	1

 

Используем формулу:

Рассмотрим  две объясняющие переменные :

yx1	0,0661085	<=	x1x2	0,975459
yx2	0,25501549	<=	x1x2	0,975459

Исключаем , так как он неинформативный.

yx2	0,25501549	>=	x2x3	0,10639
yx3	0,8419263	>=	x2x3	0,10639

 

yx2	0,25501549	<=	x2x5	0,589628
yx5	0,09751912	<=	x2x5	0,589628

 

Исключаем .

yx2	0,25501549	>=	x2x6	0,094136
yx6	0,75004747	>=	x2x6	0,094136

 

yx2	0,25501549	<=	x2x7	0,59068
yx7	0,52543881	<=	x2x7	0,59068

 

Исключаем .

yx3	0,84192631	<=	x3x6	0,959589
yx6	0,75004747	<=	x3x6	0,959589

 

Исключаем .

yx3	0,84192631	>=	x3x7	0,006352
yx7	0,52543881	>=	x3x7	0,006352

 

В итоге выгоняем  4 объясняющих переменных и в модели остается .

Уравнение линейной множественной регрессии будет  иметь вид :

Оценим качество модели с помощью коэффициентов детерминации и множественной корреляции. Значение этих коэффициентов можно найти в таблице «Регрессионная статистика».

Коэффициент детерминации:

Коэффициент детерминации показывает, что около 96 % вариации зависимой переменной учтено в модели и обусловлено влиянием включенных факторов.

Коэффициент множественной  корреляции:

Он показывает высокую тесноту связи зависимой  переменной Y с тремя включенными в модель объясняющими факторами.

3. Определение статистической значимости  параметров уравнения Регрессии

Оценку надежности уравнения регрессии в целом  и показателя тесноты связи дает F-критерий Фишера:

Значение F-критерия Фишера можно найти в таблице «Дисперсионный анализ» протокола Excel.

Fтабл=

19,32953

 

Поскольку:

, т.е вероятность случайно получить такое значение F-критерияФишера не превышает допустимый уровень значимости 5%.

Таблица 3

ВЫВОД ИТОГОВ
Регрессионная статистика
Множественный R	0,983483093
R-квадрат	0,967238994
Нормированный R-квадрат	0,709048743
Стандартная ошибка	251,8073893
Наблюдения	6

 

Дисперсионный анализ
	df	SS	MS	F	Значимость F
Регрессия	2	7488132,15	3744066	59,04819	0,003899
Остаток	4	253627,845	63406,96
Итого	6	7741760

 

	Коэффициенты	Стандартная ошибка	t-статистика	P-Значение	Нижние 95%	Верхние 95%	Нижние 95,0%	Верхние 95,0%
Y-пересечение	0	#Н/Д	#Н/Д	#Н/Д	#Н/Д	#Н/Д	#Н/Д	#Н/Д
Х3	-2,619133682	0,24575171	-10,6576	0,000439	-3,30145	-1,93682	-3,30145	-1,93682
Х7	0,258265206	0,02485824	10,38952	0,000485	0,189248	0,327283	0,189248	0,327283