Введение
Принятие эффективных решений в сфере развития региональной торговой сети возможно при её системном анализе и оценке платёжеспособности, прогнозе финансового состояния. В этом и выражается актуальность темы данной работы, так как устойчивое финансовое состояние торговой сети определяет жизнеспособность и конкурентоспособность предприятия [1, с. 560].
Необходимо отметить, что разработкой методических основ анализа эффективности деятельности предприятий на рынке занимались такие ученые, как Барнгольц С.Б., Ефимова О.В., Шеремет А.Д., Хорин С.К., Сайфулин Р.С., Ковалёв В.В. и другие учёные. Кроме отмеченных теоретических разработок, уже востребованных практикой, следует выделить работы таких учёных как Браун М., Нидиз Б., Андерсон X. и др.
В настоящее время финансовое планирование и прогнозирование на предприятии заключается в управлении процессами создания, использования, распределения и перераспределения денежных ресурсов. Общая стратегия развития бизнеса должна найти чёткое отражение в детализированном планировании и прогнозировании финансов, которое помимо формирования определенных целей и методов, позволяет свести к минимуму факторы неопределенности рыночной среды и их отрицательное влияние на функционирование предприятия в целом [1, с. 561].
Прогнозирование предполагает определение на длительную перспективу изменений финансового состояния объекта в целом и его частей. Состав показателей прогноза (факторных и результативных признаков) может значительно отличаться. Важным методологическим вопросом в экономическом анализе является изучение и измерение влияния факторов на величину исследуемых экономических показателей [2, с. 37].
Факторный анализ в литературе трактуется как раздел многомерного статистического анализа, объединяющий методы оценки размерности множества наблюдаемых переменных посредством исследования структуры ковариационных или корреляционных матриц.
Свою историю факторный анализ начинает в психометрике и в настоящее время широко используется не только в психологии, но и в нейрофизиологии, социологии, политологии, в экономике, статистике и других науках. Основные идеи факторного анализа были заложены английским психологом и антропологом Ф. Гальтоном. Разработкой и внедрением факторного анализа в психологии занимались такие ученые как: Ч. Спирмен, Л. Терстоун и Р. Кеттел. Математический факторный анализ разрабатывался Хотеллингом, Харманом, Кайзером, Терстоуном, Такером и другими учеными.
Данный вид анализа позволяет исследователю решить две основные задачи: описать предмет измерения компактно и в то же время всесторонне. По сути, факторный анализ – методика комплексного и системного изучения и измерения воздействия факторов на величину результативного показателя.
В целях исследования авторами была проведена диагностика развития региональной торговой сети на примере АО Продукты «Торговая Лига» и построение прогноза её развития с использованием корреляционно-регрессионного анализа и нейросетевых технологий.
Основным видом деятельности АО Продукты «Торговая Лига» является розничная торговля преимущественно пищевыми продуктами, включая напитки, и табачными изделиями в неспециализированных магазинах. Это сеть региональных продовольственных магазинов, история которой уходит в далекое советское время. Данные магазины являлись основной базой продовольственного обеспечения центра текстильного кластеры – города Иваново и даже культура обслуживания в сети этих магазинов соответствовала особенностям фабричного региона [3, с. 7]. Цены на продукты всегда соответствовали сегменту региона.
На разных этапах с 1972 года магазины этой сети претерпевали подъемы и взлеты, но всегда сохраняли приверженность товарам местных производителей. В 90-х годах стратегические позиции сети изменяются. С появлением федеральных торговых сетей постепенно сокращается торговый бизнес и региональные сети переходят на сдачу площадей магазинов в аренду. Численность персонала сети магазинов за последние годы значительно сократилась и по данным 2018 года составила 180 чел. Областной центр – г. Иваново, таким образом, теряет важный канал в обеспечении продажи товаров местных производителей. В этой связи возникает дилемма:
– с одной стороны, растет преимущество федеральных торговых сетей, имеющих крупные распределительные центры, что обеспечивает цены на продовольствие на доступном для населения уровне при сохранении высоких показателей рентабельности;
– с другой стороны, федеральные торговые сети не готовы брать на продажу местную продукцию, исходя из мизерных объемов и из-за отсутствия соответствующего маркетингового сопровождения.
Основной задачей в развитии продовольственных магазинов региональной сети «Магазины у дома», политикой региональных органов власти является обеспечение развития мелкой розницы. Речь идет об институциональном подходе, который позволяет рассматривать поведение множества институтов [4, с. 232].
Материалы и методы исследования
Современными учеными представлены ряд методик развития региональной системы продовольственного обеспечения на потребительском рынке, одной из важных среди которых является оценка продовольственной безопасности [5, с. 101]. Не менее важной является методика оценки регионального потребительского рынка [6, с. 132].
В данной статье мы предлагаем использовать факторный анализ развития региональной торговой сети на примере АО Продукты «Торговая Лига» [7, с. 99].
С целью выявления количественных факторных признаков, влияющих на эффективность деятельности предприятия, нами был проведён финансового положения АО Продукты «Торговая Лига» за период 2012–2017 гг. Динамика коэффициентов ликвидности представлена на рис. 1.
Рис. 1. Динамика коэффициентов ликвидности предприятия
На последний день анализируемого периода значение коэффициента текущей ликвидности (9,47) соответствует норме. За весь анализируемый период коэффициент вырос на 6,70. В течение всего рассматриваемого периода коэффициент текущей ликвидности в основном повышался. Коэффициент быстрой ликвидности также имеет значение, укладывающееся в норму (7,49). Это означает, что у АО Продукты «Торговая Лига» достаточно активов, которые можно в сжатые сроки перевести в денежные средства и погасить краткосрочную кредиторскую задолженность. В течение всего периода коэффициент быстрой ликвидности укладывался в нормативное значение. При норме > 0,2 значение коэффициента абсолютной ликвидности составило 6,98. При этом за весь анализируемый период коэффициент вырос на 5,91.
Основные финансовые результаты деятельности АО Продукты «Торговая Лига» за анализируемый период (с 31.12.2011 по 31.12.2017) приведены в табл. 1.
Таблица 1
Финансовые результаты деятельности организации
|
Показатель |
Значение показателя, тыс. руб. |
Изменение показателя |
Средне-годовая величина, тыс. руб. |
||||||
|
2012 г. |
2013 г. |
2014 г. |
2015 г. |
2016 г. |
2017 г. |
тыс. руб. (гр. 7 – гр. 2) |
± % ((7 – 2) / 2) |
||
|
1. Выручка |
678 352 |
630 952 |
509 524 |
464 485 |
410 938 |
314 011 |
–364 341 |
–53,7 |
501 377 |
|
2. Расходы по обычным видам деятельности |
663 458 |
617 088 |
501 612 |
458 277 |
412 262 |
316 000 |
–347 458 |
–52,4 |
494 783 |
|
3. Прибыль (убыток) от продаж (1–2) |
14 894 |
13 864 |
7 912 |
6 208 |
–1 324 |
–1 989 |
–16 883 |
↓ |
6 594 |
|
4. Прочие доходы и расходы, кроме процентов к уплате |
5673 |
6742 |
5015 |
13 204 |
7678 |
6010 |
+ 337 |
+ 5,9 |
7 387 |
|
5. EBIT (прибыль до уплаты процентов и налогов) (3 + 4) |
20 567 |
20 606 |
12 927 |
19 412 |
6354 |
4021 |
–16 546 |
–80,4 |
13 981 |
|
6. Проценты к уплате |
– |
– |
– |
– |
– |
– |
– |
– |
– |
|
7. Изменение налоговых активов и обязательств, налог на прибыль и прочее |
–4159 |
–4152 |
–2617 |
–3911 |
–1284 |
–863 |
+ 3296 |
↑ |
–2831 |
|
8. Чистая прибыль (убыток) (5 – 6 + 7) |
16 408 |
16 454 |
10 310 |
15 501 |
5070 |
3158 |
–13 250 |
–80,8 |
11 150 |
Годовая выручка за 2017 год составила 314 011 тыс. руб. В течение анализируемого периода наблюдалось значительное снижение выручки – на 364 341 тыс. руб., или на 53,7 %. Снижение выручки наблюдалось в течение всего периода. За 2017 убыток от продаж составил 1989 тыс. руб. Имело место очень сильное падение финансового результата от продаж за 6 лет – на 16 883 тыс. руб. [8, с. 87]
Проведённый комплексный анализ финансового состояния позволил сделать вывод, что исследуемая сеть в настоящее время в основном «выживает» за счёт доходов не от основного, а от дополнительных видов деятельности. Доходы по основному виду деятельности за исследуемый период (2012–2017 гг.) сократились примерно в 2 раза. Дополнительные виды деятельности в основном представлены сдачей в аренду площадей, которые непосредственно не используются АО Продукты «Торговая Лига» для продажи товаров.
С целью определения перспектив развития данной торговой сети нами предлагается провести прогноз с использованием корреляционно-регрессионного анализа и нейронных сетей.
На основе корреляционного и логического анализа экономических и финансовых показателей были выделены следующие показатели, которые отражены в табл. 2.
На основании данных табл. 2 рассчитаем вероятность банкротства на основании 4-факторной модели Альтмана (формула (1)).
Z = 6,56T1 + 3,26T2 + + 6,72T3 + 1,05T4, (1)
где T1 = Рабочий капитал / Активы;
T2 = Нераспределенная прибыль / Активы;
T3 = EBIT / Активы;
T4 = Собственный капитал / Обязательства.
Интерпретация полученного результата:
– 1,1 и менее – «Красная» зона, существует вероятность банкротства предприятия;
– от 1,1 до 2,6 – «Серая» зона, пограничное состояние, вероятность банкротства не высока, но не исключается;
– 2,6 и более – «Зеленая» зона, низкая вероятность банкротства.
Результаты вычислений сведены в табл. 3.
Таблица 2
Исходные данные для прогноза с помощью корреляционно-регрессионного анализа
|
Показатель |
Значение показателя, тыс. руб. |
|||||
|
2012 г. |
2013 г. |
2014 г. |
2015 г. |
2016 г. |
2017 г. |
|
|
1. Выручка (X1) |
678 352 |
630 952 |
509 524 |
464 485 |
410 938 |
314 011 |
|
2. Прибыль (убыток) от продаж (X2) |
14 894 |
13 864 |
7912 |
6208 |
–1324 |
–1989 |
|
3. Прочие доходы и расходы, кроме процентов к уплате (X3) |
5673 |
6742 |
5015 |
13204 |
7678 |
6010 |
|
4. Чистая прибыль (X4) |
16 408 |
16 454 |
10 310 |
15 501 |
5070 |
3158 |
|
5. Актив(X5) |
153 408 |
137 032 |
147 816 |
178 992 |
149 320 |
142 967 |
|
6. Оборотный капитал (X6) |
99 818 |
97 093 |
111 796 |
155 701 |
128 186 |
123 930 |
|
7. Нераспределенная прибыль (X7) |
105 835 |
105 128 |
117 290 |
113 617 |
119 018 |
120 619 |
|
8. EBIT (прибыль до уплаты процентов и налогов) (X8) |
20567 |
2606 |
12 927 |
19 412 |
6354 |
4021 |
|
9. Собственный капитал (X9) |
117 372 |
113 456 |
125 606 |
123 757 |
129 523 |
131 124 |
|
10. Заемный капитал (X10) |
36 036 |
23 576 |
22 210 |
55 235 |
19 797 |
11 843 |
Таблица 3
Вероятность банкротства по 4-факторной модели Альтмана
|
Коэффициент |
Расчет |
2012 г. |
2013 г. |
2014 г. |
2015 г. |
2016 г. |
2017 г. |
Множитель |
|
T1 |
Отношение оборотного капитала к величине всех активов |
0,651 |
0,709 |
0,756 |
0,870 |
0,858 |
0,867 |
6,56 |
|
T2 |
Отношение нераспределенной прибыли к величине всех активов |
0,690 |
0,767 |
0,793 |
0,635 |
0,797 |
0,844 |
3,26 |
|
T3 |
Отношение EBIT к величине всех активов |
0,134 |
0,019 |
0,087 |
0,108 |
0,043 |
0,028 |
6,72 |
|
T4 |
Отношение собственного капитала к заемному |
3,257 |
4,812 |
5,655 |
2,241 |
6,543 |
11,072 |
1,05 |
|
Z-счет Альтмана: |
10,838 |
12,330 |
14,074 |
10,857 |
15,386 |
20,251 |
– |
|
Таблица 4
Регрессия основных показателей
|
Показатель |
Уравнение |
Коэффициент детерминации |
|
1. Выручка (X1) |
y = –72193,886∙t + 754055,6 |
0,983 |
|
2. Прибыль (убыток) от продаж (X2) |
y = –3762,371∙t + 19762,467 |
0,953 |
|
3. Прочие доходы и расходы, кроме процентов к уплате (X3) |
y = –971,214∙t2 + 5947,186∙t + 571,6 |
0,567 |
|
4. Чистая прибыль (X4) |
y = –2720,314∙t + 20671,267 |
0,735 |
|
5. Актив(X5) |
y = –6794,429∙t2 + 42103,971∙t + 99652,2 |
0,629 |
|
6. Оборотный капитал (X6) |
y = –7809,857∙t2 + 53865,543∙t + 47653 |
0,710 |
|
7. Нераспределенная прибыль (X7) |
y = 3197,629∙t + 102392,8 |
0,798 |
|
8. EBIT (прибыль до уплаты процентов и налогов) (X8) |
y = –3203,643∙t2 + 18847,557∙t – 12238,6 |
0,738 |
|
9. Собственный капитал(X9) |
y = 3288,914∙t + 111961,8 |
0,798 |
|
10. Заемный капитал (X10) |
y = –5831,357∙t2 + 32400,243∙t – 6523,6 |
0,605 |
Таблица 5
Прогноз выделенных показателей на 3 года
|
Показатель |
Значение показателя, тыс. руб. |
||
|
2019 г. |
2020 г. |
2021 г. |
|
|
1. Выручка (X1) |
248 698,4 |
176 505 |
104 311 |
|
2. Прибыль (убыток) от продаж (X2) |
–6574,13 |
–10 337 |
–14 099 |
|
3. Прочие доходы и расходы, кроме процентов к уплате (X3) |
–5387,58 |
–14 009 |
–24 572 |
|
4. Чистая прибыль (X4) |
1629,069 |
–1091,2 |
–3811,6 |
|
5. Актив(X5) |
61 452,98 |
1640,51 |
–71 761 |
|
6. Оборотный капитал (X6) |
42 028,81 |
–21 254 |
–100 156 |
|
7. Нераспределенная прибыль (X7) |
124 776,2 |
127 974 |
131 171 |
|
8. EBIT (прибыль до уплаты процентов и налогов) (X8) |
–37 284,2 |
–66 491 |
–102 106 |
|
9. Собственный капитал(X9) |
134 984,2 |
113 456 |
125 606 |
|
10. Заемный капитал (X10) |
–65 458,4 |
–120 529 |
–187 261 |
На основании проведённого исследования вероятность банкротства у сети магазинов АО Продукты «Торговая Лига» низкая.
Используя пакет прикладных программ MS Excel рассчитаем уравнения регрессии выделенных показателей (табл. 4).
Сделаем прогноз выделенных показателей на 3 года (табл. 5).
Расчет показателя Альтмана по прогнозным значениям представлен в табл. 6.
Прогноз развития торговой сети с помощью корреляционно-регрессионного анализа показывает, что выручка уменьшается каждый год и примерно через 5 лет она сократится до 0. Чистая прибыль тоже обладает негативной тенденцией и снизится до нулевых показателей в течение 4 лет. Прогноз вероятности банкротства показывает, что угроза банкротства в течение первых 2-х лет небольшая, но с каждым годом риск банкротства возрастает. Замедление банкротства связано с тем, что сохраняется спрос на сдаваемые в аренду объекты недвижимости.
Далее построим прогноз развития исследуемой торговой сети с использованием нейросетевых технологий.
Направление вычислительной математики, называемое нейроматематика, находится на стыке теории управления и параллельных вычислительных алгоритмов и наиболее эффективно в применении в тех областях, где формализация вычислительного процесса невозможна или чрезвычайно неэффективна. Одним из примеров преимущества использования нейронных сетей является их способность генерировать нелинейную модель процесса на основе результатов адаптивного обучения (настройки) сети. При этом попытка проинтерпретировать процесс работы сети, а не результат, как правило, весьма затруднена [9, с. 80]. При обучении сети на её вход подается множество векторов, выражающих количественные характеристики некоторого процесса или объекта, и для каждого вектора формируется указание учителя, то есть некоторый идеальный отклик сети. После обучения сеть способна генерировать некоторый отклик, идеальный с её точки зрения, на основе неизвестных ей ранее входных данных той же природы, что и обучающее множество. При этом природа входных и выходных данных может быть различной, причём в качестве входных данных могут поступать сразу несколько наборов векторов с различной информацией. Следует подчеркнуть следующую особенность применения нейросетевых систем. Исходной информацией для них служит система зависимостей между переменными, при этом фиксируется только факт зависимости одних переменных от других, а не её вид.
Построение прогноза с использованием нейронной сети [9, с. 81] предлагается производить, применяя количественные и качественные факторные признаки. При этом количественные факторные признаки были отобраны на условии весомости их влияния на результативный признак из бухгалтерского баланса и отчёта о финансовых результатах АО Продукты «Торговая Лига». В качестве факторных признаков были отобраны наиболее значимые показатели проведённого анкетного опроса. Респондентами являются 400 жителей города Иваново, границами исследования – город Иваново. Предметом исследования выступал анализ уровня посещаемости магазинов г. Иваново.
Таблица 6
Расчет показателя Альтмана по прогнозным значениям
|
Коэффициент |
Расчет |
Значение показателя, тыс. руб. |
||
|
2019 г. |
2020 г. |
2021 г. |
||
|
T1 |
Отношение оборотного капитала к величине всех активов |
0,684 |
–12,956 |
1,396 |
|
T2 |
Отношение нераспределенной прибыли к величине всех активов |
2,030 |
78,009 |
–1,828 |
|
T3 |
Отношение EBIT к величине всех активов |
–0,607 |
–40,531 |
1,423 |
|
T4 |
Отношение собственного капитала к заемному |
–2,062 |
–0,941 |
–0,671 |
|
Z-счет Альтмана: |
4,863 |
3,473 |
2,756 |
|
Качественные факторные признаки были сформированы на основании ответов респондентов на следующие вопросы (рис. 2, 3, 4).
В качестве выходного параметра определен ключевой показатель деятельности сети предприятий – чистая прибыль.
Прогноз экономического развития сети предприятий с использованием аппарата нейронных сетей предлагается осуществлять в программной среде NeuroShell. Общий алгоритм данной системы представлен на рис. 5.
Рис. 2. Ответы респондентов на вопрос: «В каких магазинах регионального уровня г. Иваново Вы предпочитаете делать покупки?»
Рис. 3. Ответы респондентов на вопрос: «Дайте свою оценку каждому из следующих параметров магазинов «Торговая Лига»
Рис. 4. Ответы респондентов на вопрос: «Что, по Вашему мнению, в региональных розничных магазинах необходимо улучшить?»
Рис. 5. Алгоритм работы нейросети
Как видно из рисунка, начальным этапом создания нейросети является выбор входов и выходов из предъявленного массива данных. Данный массив представлен в табл. 7.
Следующим шагом в создании нейронной сети является выделение тестового набора. Данный набор нужен для того, чтобы узнать, что сеть будет тренироваться достаточно, или, что она дойдёт до той точки, в которой достигается наилучший результат на всем множестве примеров, которые не будут использованы в процессе тренировки. Так как в нашей задаче количество предъявляемых сети примеров невелико (всего 6 по количеству лет), то создание тестового набора в данном случае не является обязательным.
Таблица 7
Исходный массив данных для создания нейронной сети для сети предприятий
|
|
Входы |
2012 г. |
2013 г. |
2014 г. |
2015 г. |
2016 г. |
2017 г. |
|
1 |
Выручка |
678 352 |
630 952 |
509 524 |
464 485 |
410 938 |
314 011 |
|
2 |
Расходы по обычным видам деятельности |
663 458 |
617 088 |
501 612 |
458 277 |
412 262 |
316 000 |
|
3 |
Прочие доходы и расходы, кроме процентов к уплате |
5673 |
6742 |
5015 |
13 204 |
7678 |
6010 |
|
4 |
Актив |
137 032 |
147 816 |
178 992 |
149 320 |
142 967 |
131 762 |
|
5 |
Оборотный капитал |
97 093 |
111 796 |
155 701 |
128 186 |
123 930 |
114 650 |
|
6 |
Собственный капитал |
113 456 |
125 606 |
123 757 |
129 523 |
131 124 |
119 662 |
|
7 |
Заемный капитал |
23 576 |
22 210 |
55 235 |
19 797 |
11 843 |
12 100 |
|
8 |
Рентабельность продаж по чистой прибыли |
2,4 |
2,6 |
2 |
3,3 |
1,2 |
1 |
|
9 |
Рентабельность активов |
11,3 |
11,55 |
6,31 |
9,44 |
3,47 |
2,3 |
|
10 |
Коэффициент текущей (общей) ликвидности |
4,11 |
5,03 |
2,82 |
6,48 |
10,46 |
9,47 |
|
Выход |
2012 г. |
2013 г. |
2014 г. |
2015 г. |
2016 г. |
2017 г. |
|
|
11 |
Чистая прибыль |
16 408 |
16 454 |
10 310 |
15 501 |
5070 |
3158 |
Имитация работы естественного нейрона искусственным основывается на ряде правил:
1. Каждый нейрон получает набор входных сигналов (синапсов).
2. Нейрон интегрирует входные (синаптические) сигналы с учётом их неравнозначности, так как каждый входной сигнал характеризуется своим синаптическим весом (весовым коэффициентом).
3. Нейрон формирует выходной сигнал, интенсивность которого зависит от интегрированного значения входного показателя. Если, этот показатель выше заданного порога, то выходной сигнал поступает далее на входы других нейронов.
Таким образом, осуществляется обучение нейронной сети, после которого она готова к применению.
Сначала с помощью программы NeuroShell прогнозируются значения входных параметров (количественные и качественные показатели) на следующий период, затем полученные показатели добавляются в массив исходных данных и уже с их учётом прогнозируется значение выходного параметра (чистая прибыль) на указанный период.
Спрогнозированные значения входных и выходных параметров рассматриваемого объекта исследования на 2019–2023 года представлены в табл. 8.
Результаты исследования и их обсуждение
Проведённый анкетный опрос позволил выявить предпочтения реальных и потенциальных покупателей сети магазинов АО Продукты «Торговая Лига», согласно которым привлекательность данной сети может вырасти за счёт расширения ассортимента региональных фермеров, увеличения товаров местных производителей под их брендами [10, с. 137]. В этой связи для повышения экономической эффективности деятельности сети магазинов АО Продукты «Торговая Лига» на рынке нами предлагается реализовать стратегию концентрации усилий на реализацию товаров местных производителей.
По предварительным прогнозным данным, увеличение на 20 % в структуре ассортимента товаров местных производителей приведёт к росту выручки на 15–25 %.
С помощью программы NeuroShell проведём оптимизацию экономических показателей деятельности АО Продукты «Торговая Лига» при росте выручки на 15 % от увеличения на 20 % товаров местных производителей в структуре ассортимен- та (табл. 9).
Таблица 8
Прогнозные значения входных и выходных параметров сети магазинов на 2019–2023 года
|
Наименование показателя |
Прогнозные значения показателя, тыс. руб. |
||||
|
2019 год |
2020 год |
2021 год |
2022 год |
2023 год |
|
|
Входные параметры |
|||||
|
Выручка |
341 787,1 |
339 318,1 |
338 079,2 |
338 996,7 |
338 968,4 |
|
Расходы по обычным видам деятельности |
342 033,9 |
339 653,7 |
338 504 |
339 377,6 |
339 346,8 |
|
Прочие доходы и расходы, кроме процентов к уплате |
6766,229 |
6653,769 |
6553,481 |
6592,441 |
6599,1 |
|
Актив |
131 762 |
131 762 |
131 762 |
131 762 |
131 762 |
|
Оборотный капитал |
112 036,2 |
112 011,8 |
112 197,8 |
112 177,5 |
112 159 |
|
Собственный капитал |
120 388,9 |
120 523,2 |
120 384,9 |
120 404 |
120 420,9 |
|
Заемный капитал |
11 843 |
11 843 |
11 843 |
11 843 |
11 843 |
|
Рентабельность продаж по чистой прибыли |
1,196672 |
1,143804 |
1,134742 |
1,145484 |
1,14452 |
|
Рентабельность активов |
3,451329 |
3,258386 |
3,211382 |
3,256832 |
3,253223 |
|
Коэффициент текущей (общей) ликвидности |
9,266074 |
9,458661 |
9,392846 |
9,373485 |
9,387532 |
|
Выходной параметр |
|||||
|
Чистая прибыль |
4691,634 |
4426,288 |
4357,373 |
4421,16 |
4417,004 |
Таблица 9
Оптимизация показателей деятельности сети магазинов АО Продукты «Торговая Лига»
|
Наименование показателя |
Оптимизация показателей, тыс. руб. |
|
Вход |
|
|
Выручка |
393 056 |
|
Расходы по обычным видам деятельности |
386 499 |
|
Прочие доходы и расходы, кроме процентов к уплате |
7105 |
|
Актив |
138 351 |
|
Оборотный капитал |
117 638 |
|
Собственный капитал |
126 410 |
|
Заемный капитал |
12435 |
|
Рентабельность продаж по чистой прибыли |
1,3 |
|
Рентабельность активов |
3,6 |
|
Коэффициент текущей (общей) ликвидности |
9,6 |
|
Выход |
|
|
Чистая прибыль |
5965 |
Выводы
На основании проведённой оптимизации экономических показателей были сделаны выводы о практической значимости предлагаемой авторами стратегии и ее особенности применения на региональном потребительском рынке [11, с. 136]. Её реализация позволит:
– активизировать работу по продвижению продукции региональных товаропроизводителей через торговые сети АО Продукты «Торговая Лига», розничные рынки посредством проведения закупочных сессий с представителями предприятий пищевой и перерабатывающей промышленности, работающих на территории области, семинаров, отраслевых конкурсов, ярмарок выходного дня;
– сократить сроки в области закупочной деятельности (не бол