2.7 Автоматизированный процесс анализа Государственного бюджета Украины с помощью программы ms Excel

Автоматизация повышает эффективность аналитической работы, поскольку сокращаются сроки проведения анализа, более полно охватывается влияние факторов на результаты хозяйственной деятельности, заменяются упрощенные расчеты точными вычислениями, становится возможным решение многомерных задач анализа. Также применение компьютерной техники повышает производительность труда экономиста, бухгалтера за счет децентрализации процесса автоматизированной обработки экономической информации, использование преимуществ электронной обработки информации.

Наиболее часто для автоматизации используются электронные таблицы. Электронная таблица - компьютерный эквивалент обычной таблицы. В клетках (ячейках) таблицы записаны данные различных типов: тексты, даты, формулы, числа. Для управления электронной таблицей используется специальный комплекс программ - табличный процессор. Главное достоинство электронной таблицы - это возможность мгновенного пересчета всех данных, связанных формульными зависимостями при изменении значения любого операнда.

Наиболее популярной электронной таблицей является Мiсrosоft Excel.

Программа MS Excel допускает вложение функций, то есть в качестве параметра одной функции может быть указано значение другой функции. Электронные таблицы MS Excel часто используют для ведения простейших баз данных. Возможности таких баз заметно меньше, чем у баз данных, разработанных в программе Access, но многие предпочитают не тратить время на ос­воение новой системы, а использовать подручные средства.

В таблице MS Excel расчет коэффициентов по исходным данным может производиться с помощью создания пользовательской функции или присвоением нужных формул непосредственно в аналитической таблице. Для создания пользовательской функции определенному показателю и использованным в его расчете показателям присваиваются имена и задают формулу в виде «Модуля». В конце каждого анализируемого периода в необходимые формулы вводятся исходные данные и рассчитанные показатели можно сравнивать в динамике, воспользовавшись формулой в заданной ячейке таблицы. Описанный способ задания формул рекомендуется применять для сложных, громоздких формул со многими параметрами.

Таким образом, применяя электронные таблицы при стандартном приеме принятия решений, а не вручную можно сэкономить время и снизить трудоемкость работ. Это позволит проводить подобный анализ чаще, расширить имеющиеся аналитические возможности экономического отдела, усилить контроль над всеми стадиями процесса обработки учетной и оперативной информации, и, в конечном итоге, комплексная автоматизация учета и анализа ускорит процесс принятия управленческих решений.

Также удобные пакеты анализа, позволяют упростить прогнозные расчеты. Так на основе статистических данных за предыдущие отчетные периоды времени определим регрессионную модель для определения формирования доходов бюджета.

Таблица 2.16 – Поступления в государственный бюджет Украины

Показатель	2008	2009	2010*	2011	2012
налоговые поступления, млрд. грн.	167,9	148,9	183,3	261,6	274,7
неналоговые поступления, млрд. грн.	52,9	50,7	65,1	49,1	68,3
другие поступления, млрд. грн.	11	10,1	8,7	3,9	3,1
Всего поступлений	231,8	209,7	257,1	314,6	346,1

Произведём расчёт коэффициента корреляции и построим корреляционную матрицу. Коэффициент корреляции используется для определения наличия взаимосвязи между двумя свойствами.

КОРРЕЛ (массив1; массив2)

Массив 1    — это ячейка интервала значений.

Массив 2    — это второй интервал ячеек со значениями.

С помощью программы Excel и функции «КОРРЕЛ» произведём расчёт коэффициента корреляции и построим корреляционную матрицу (табл. 2.17).

Таблица 2.17 - Корреляционная матрица

	Всего поступлений	налоговые поступления, млрд. грн.	неналоговые поступления, млрд. грн.	другие поступления, млрд. грн.
Всего поступлений	1
налоговые поступления, млрд. грн.	0,989239	1
неналоговые поступления, млрд. грн.	0,465115	0,33118614	1
другие поступления, млрд. грн.	-0,96593	-0,9784496	-0,328707	1

Из данной таблицы можно сделать следующие выводы:

В качестве 1 и 2 массива были взяты значения за 2008 - 2012 гг.

Чем выше коэффициент, тем связь у параметров сильнее (максимально приближённо к 1).

Взаимосвязь между коэффициентами следующая:

- доходы и налоговые поступления достаточно тесно взаимосвязаны друг с другом (0,989239) – связь достаточно сильная, это говорит о том, что уровень расходов зависит от объема доходов.

Построим линейную модель множественной регрессии для ЧП. Эмпирические коэффициенты регрессии а0, а1, а2 целесообразно определять с помощью инструмента Регрессия надстройки Анализ данных табличного процессора MS Excel.

Алгоритм определения коэффициентов состоит в следующем: Вводим исходные данные в табличный процессор MS Excel  Вызываем надстройку Анализ данных. 

Рисунок 2.18 – Регрессия

Выбираем инструмент анализа Регрессия, Заполняем соответствующие позиции окна Регрессия

Нажимаем кнопку ОК окна Регрессия и получаем протокол решения задачи (см. Приложение В).

Таким образом, из таблицы В.1 видно, что эмпирические коэффициенты регрессии соответственно равны: а0 = 20,35485; а1 = 0,93790; а2 = 0,99785. Тогда уравнение множественной линейной регрессии, связывающей величину y x1 и x2, имеет вид: -20,35458+ 0,93790 Х₁ + 0,99785Х_2.

Величина коэффициента множественной корреляции R, который характеризует тесноту связи между факторными и результативным признаками обозначена как множественный R и равна 0,0,999. Поскольку теоретически величина данного коэффициента находится в пределах от –1 до +1, то можно сделать вывод о высокой статистической взаимосвязи между величинами x1, х2 и величиной y.

Параметр R-квадрат, представленный на рисунке, представляет собой квадрат коэффициента корреляции r_xy² и называется коэффициентом детерминации. Величина данного коэффициента характеризует долю дисперсии зависимой переменной y, объясненную регрессией (объясняющей переменной x). Соответственно величина 1 - r_xy² характеризует долю дисперсии переменной y, вызванную влиянием всех остальных, неучтенных в эконометрической модели объясняющих переменных.

Недостаточно высокая степень точности прогноза получилась за счет низкой автокоррелированности динамического ряда, связанного с его малой длиной. В результате можно сделать следующие выводы и обобщения: в связи с неста­бильным характером переходного периода в экономике и существенными геополити­ческими изменениями, происшедшими в последние время, прогнозирование целесо­образно проводить на коротком временном ряду. При построении краткосрочных прогно­зов возникает необходимость учитывать колебания цен, уровня инфляции и изменения законодательства. Для решения этих задач были применены следующие методические подходы: учет связи с предысториями и выбор полинома оптимальной степени.