Использование статистического анализа для оценки эффективности деятельности предприятий в среде программирования Python

   Актуальность проведенного исследования заключается в оценке деятельности производственного предприятия посредством статистического инструментария и интерпретации числовых финансовых показателей на современный язык программирования Python.

   Использование библиотек, встроенных в программное обеспечение, а также применение статистических расчетов в итоговом формате интерактивных графиков сделало возможным интерпретировать достоверную информацию о деятельности предприятия, а также спрогнозировать прибыль (убыток) на последующие несколько лет. Такой способ расчетов необходим в первую очередь для руководства предприятий для планирования деятельности с учётом внешних экономических условий, а также возможных непредвиденных обстоятельств и возникающих ситуаций. Программное обеспечение наглядно демонстрирует возможное представление динамики и тенденций развития бизнес-субъектов в лаконичной и понятной, строго сформулированной, точной статистической и математической форме. Анализ деятельности различных предприятий способствует выявлению их вклада в развитие экономики регионов и страны в целом, поэтому разработка научно обоснованных рекомендаций по повышению эффективности их деятельности и обеспечению устойчивого развития является весьма актуальной в настоящее время темой исследования.

   Цель исследования. Изучение деятельности предприятия ООО «Омский завод полипропилена» за 2019–2023 гг. с помощью применения статистического инструментария и библиотек программного обеспечения Python. А также прогнозирование основных финансовых показателей на ближайшие годы с учетом интерпретирования полученных в результате применения среды веб-разработки значений в числовой, табличной и графической формах.

   Описание и прогнозирование перспектив развития предприятия на основании точных результативных данных являются необходимыми не только для руководителей рассматриваемых предприятий, но и для их акционеров.

   Материалы и методы. В качестве материалов исследования были использованы нормативно-правовые документы, научные публикации российских и зарубежных авторов, данные бухгалтерской (финансовой) отчетности. В научной статье применялись основные методы исследования: монографический, сравнительного анализа, классификации и обобщения. Основными методами статистического и экономического анализа выступили описательная статистика, инференциальная статистика, регрессионный анализ, анализ временных рядов и др.

   Результаты. Выведены статистические величины с использованием таких пакетов, встроенных в программное обеспечение Python, как Pandas, Seaborn, Matplotlib, NumPy, skleaern, Linear_model, LinearRegression, Scikit-learn, Metrics, Model selection. Далее описаны статистические показатели на наглядно запрограммированных графиках, все данные при этом занесены в среду веб-разработки Python с использованием вспомогательного пакета таблиц, выполненных в MS Excel. Представленные расчёты не только позволят своевременно и оперативно среагировать на изменения внешнеэкономической среды деятельности, но также скорректировать расходы на уже спрогнозированные значения, что, в свою очередь, поможет повысить выгодность и прибыльность предприятия, что является основной задачей любого собственника.

   Заключение. По результатам проведенного исследования авторами разработаны прогнозные значения прибыли (убытка) для ООО «Омский завод полипропилена» и даны рекомендации по повышению эффективности деятельности предприятия на ближайшие года.

1. Государственный информационный ресурс бухгалтерской (финансовой) отчетности. [Электрон. ресурс] // Федеральная налоговая служба. Режим доступа: https://bo.nalog.ru/

2. Инфляция в России [Электрон. ресурс] // GoGov.ru. Режим доступа: https://gogov.ru/articles/inflation-rf

3. Карышев М.Ю., Герасимова Е.А. Информационные технологии как инструментарий оценки эффективности и фактор развития цифровой экономики // Вестник СамГУПС. 2021. № 4. С. 19–26.

4. Ключевая ставка и ставка рефинансирования [Электрон. ресурс] // ГАРАНТ. Режим доступа: https://base.garant.ru/10180094/

5. Конюкова О.Г., Лукаш А.Н. Применение экономико-статистических методов для повышения эффективности деятельности кинотеатров в санкционных условиях // Статистика и Экономика. 2024. Т. 21. № 4. С. 35–44.

6. Лагутин М.Б., Будилова Е.В., Мигранова Л.А. Динамика // Население. 2015. № 3. С. 93

7. Оценка результатов линейной регрессии. [Электрон. ресурс] // Habr. Режим доступа: https://habr.com/ru/articles/195146/

8. Письменный Д.Т. Конспект лекций по высшей математике: полный курс. 20-е изд. М.: АЙРИС-пресс, 2024. 608 с.

9. Проверь себя и контрагента [Электрон. ресурс] // Федеральная налоговая служба. Режим доступа: https://pb.nalog.ru/

10. Салин В.Н., Попова А.А., Шпаковская Е.П. Место статистики в процессах глобализации // Век глобализации. 2013. № 2. С. 131–142.

11. Федеральный закон «О промышленной политике в Российской Федерации» от 31. 12. 2014 № 488-ФЗ (последняя редакция). [Электрон. ресурс] // КонсультантПлюс. Режим доступа: https://www.consultant.ru/document/cons_doc_LAW_173119/

12. Coefficient of Variation. [Электрон. ресурс] // Resource Systems Consulting. Режим доступа: https://www.resourcesystemsconsulting.com/2011/06/06/coefficient-of-variation/

13. Examples. [Электрон. ресурс] // Matplotlib. Режим доступа: https://matplotlib.org/stable/gallery/index.html

14. Hisashi Kobayashi, Brian L., Mark and William Turin. Probability, Random Processes, and Statistical Analysis Applications to Communications, Signal Processing, Queueing Theory and Mathematical Finance. New York: Cambridge University Press, 2012. 813 p.

15. Kalnitskaya I.V., Konyukova O.G. Liquidity of the organization’s assets: problems of assessment and directions of their solution // Journal of Siberian Federal University. Humanities & Social Sciences. 2024. 17(3). P. 445–456.

16. Patlasov O. Yu., Konyukova O.G. Model for assessing the financial position of oil and gas companies // Journal of Siberian Federal University. Humanities & Social Sciences. 2023. 16(3). P. 391–404.

17. Python, корреляция и регрессия: часть 1. [Электрон. ресурс] // Habr. Режим доступа: https://habr.com/ru/articles/557998/

18. Python | Mean Squared Error. [Электрон. ресурс] // GeeksforGeeks. Режим доступа: https://www.geeksforgeeks.org/python-mean-squared-error/

19. Summary.lm: Summarizing Linear Model Fits. [Электрон. ресурс] // RDocumentation. Режим доступа: https://www.rdocumentation.org/packages/stats/versions/3.6.2/topics/summary.lm

20. Supervised learning. [Электрон. ресурс] // Scikit-learn. Режим доступа: https://scikit-learn.org/stable/supervised_learning.html

21. Variance and Standard Deviation. [Электрон. ресурс] // Newcastle University. Режим доступа: https://www.ncl.ac.uk/webtemplate/ask-assets/external/maths-resources/statistics/descriptive-statistics/variance-and-standard-deviation.html