Одним из важнейших финансово-экономических показателей работы предприятия является рентабельность собственного капитала, поэтому актуально прогнозирование данного показателя для стабильной работы и развития организации.Рентабельность собственного капитала характеризует доходность фирмы и показывает, насколько эффективно были использованы вложенные в предприятие средства (отношение чистой прибыли к величине собственного капитала).Цель исследования состоит в проведении статистического анализа и эконометрического моделирования чистой прибыли в связи с влиянием на данный показатель величины собственного капитала на предприятии ООО «Инкерманский завод марочных вин».В связи с этим рассмотрим конкретные показатели субъекта хозяйственной деятельности ООО «Инкерманский завод марочных вин» («ИЗМВ»), территориально расположенный в г. Севастополь. Предприятие занимается нижеследующей деятельностью: производит вино из винограда; осуществляет розничную и оптовую торговлю алкогольными напитками; занимается ресторанным бизнесом; обеспечением ресторанов и баров в ж/д вагонах-ресторанах и на судах и др.Продукция завода обладает высоким качеством и особенным вкусом. В период проведения своей хозяйственной деятельности фирма была награждена тринадцатью кубками Гран-При, завоевала 142 золотых, 50 серебренных и 13 бронзовых медалей в различных международных конкурсах.В ходе исследования в рамках данной статьи авторы оперировали данными, взятыми из отчета о финансовых результатах компании и показателями из бухгалтерского баланса ООО «ИЗМВ» за период 2013-2022 гг. На первой стадии изучения в роли объясняемой или эндогенной переменной принимается у- чистая прибыль фирмы, выраженная в млн. руб. В качестве объясняющей или экзогенной составляющей выступает переменная х- собственный капитал (млн.руб.) [1]. Статистика приведена в табл. 1.Таблица 1Статистические данные для моделирования чистой прибыли в зависимости от собственного капитала (млн. руб.)[2] Годы2013201420152016201720182019202020212033x1082,6642,6954,93838,61264,83997,81935,86836,371443,92329,4y106,62-486,59-585,6785,82428,39-265,89-59,89-97,86609,31974,29 В табл. 2 представим данные уровней статистических временных рядов x(t) и у(t) с целью составления регрессионной модели.Таблица 2Ряды динамики х (t ) и у (t) t12345678910x1082,6642,6954,93838,61264,83997,81935,86836,371443,92329,4y106,62-486,59-585,6785,82428,39-265,89-59,89-97,86609,31974,29Используя данные табл. 2 сделаем построение графика зависимости у от х, и представим его на рис. 1. Рис. 1. Временной ряд у от х по данным табл. 2Исследуя график временного рядау от х (рис. 1.) отмечаем, что уравнение регрессии запишем в виде                             y=359,68*lnx-2263,2                                                    (1)Используя данные, представленные в табл. 2 построим график временного ряда х(t) , который как показано на рис. 2 имеет полиномиальный тренд. Рис. 2. График временного ряда х(t)  по данным табл. 2 (составлено авторами)Изучая график (рис. 2), видим снижение собственного капитала в 2015 году. Это связано с ростом затрат на обслуживание, высокими объемами долгосрочных кредитов и изменении учетной политики. После 2018 года наблюдается повышение (см. рис. 2), так как до этого периода проходила смена владельца, реструктуризация активов собственников. На данный период приходится наивысшее значение, в связи с увеличением прибыли, так как она является главным источником, при этом произошло увеличение балансовой стоимости при переоценке основных средств и изменений, связанных со взносами в имущество фирмы учредителями.Исходя из графического материала зависимости x(t) представляем уравнение тренда как полином третьей степени.Заменяем переменные в программе MSExcel«Регрессия», с использованием фиктивной переменной z2  = (0,1,0,0,0,0,0,0,0,0); z3  = (0,0,1,0,0,0,0,0,0,0); z5  = (0,0,0,0,1,0,0,0,0,0); z8 = (0,0,0,0,0,0,0,0,1,0,0); z9 = (0,0,0,0,0,0,0,0,1,0) получаем улучшенную модель:xt=1114,303-33,98*t2+4,6*t3-372*z2-877*z3+424*z5-460*z8-274*z9                                                                                                       (2)Смысл фиктивных переменных заключается в том, что у них есть два значения -ноль и единица (их относят к переменным бинарного типа). Использование фиктивных переменных в представленном уравнении необходимо для того, чтобы отобразить влияние значительных отклонений на результативный показатель [3]. Итог дисперсионного анализа и результаты регрессионной статистики для модели (2) обозначены на рис. 3. Рис. 3. Регрессионная статистика (модель 2) (построена авторами)Произведем сравнительный анализ фактических и прогнозных значений собственного капитала xt (модель 2), см. рис. 4. Рис. 4. Графическое представление фактических и прогнозных значений x(t ) (смоделировано авторами)Произведем вычисление прогнозного значения собственного капитала на 2023 г. (млн. руб.):xt=1114,303-33,98*112+4,6*113-372-877+424-460=1840,32                                                                                                                                     (3)По данным табл. 2 представим график временного ряда у(t) , представленный на рис. 5 с полиномиальным трендом. Рис. 5. График временного ряда y(t)  (данные табл. 2, составлено авторами)Анализируя рис. 5, видим резкий скачок чистой прибыли в 2016 в связи с 55-летием и соответственно увеличением выпуска количества продукции. Однако до 2018 года наблюдалось снижение в связи с реструктуризации владельцев организации, а к 2022 году предприятию удалось достигнуть пика в чистой прибыли в связи с нахождением инвестора, изменения линейки продукции и модернизации производства [4].Анализируя график временного ряда y(t),  используем уравнение тренда как полином пятой степени. Заменив фиктивные переменные, применяя программу MS Excel «Регрессия», получим улучшенную модель в виде, где z3=(0,0,1,0,0,0,0,0,0,0) ,z7=0,0,0,0,0,0,1,0,0,0: уt=5184,12-8945,59*t+4841,01*t2-1087,23*t3+106,74*t4-3,79 *t5-871,86*z3+507,18*z7                            (4) Сравним фактические и прогнозные значения чистой прибыли y(t) для модели 4 (рис.6). Рис. 6 Дисперсионный анализ и коэффициенты регрессионной статистики (модель 4, построено авторами)График фактических и прогнозных значений y(t) представлен на рис. 7. Рис. 7. Графическое представление фактических и прогнозных значений у(t) (составлено авторами)Таким  образом, был рассмотрен каждый временной ряд в отдельности и доказано наличие у них тренда. При составлении модели регрессии по данным временным рядам исключим тренд.Так как для методов учета тенденции применяют либо метод исключения тенденций из уровня динамического ряда и построение модели по остаточным величинам, либо метод включения фактора времени в модель регрессии, применим в нашем исследовании второй методприменительно к модели (1). Используя программу «Регрессия» MSExcel, проведем замену соответствующих переменных с применением фиктивных значений z2=(0,1,0,0,0,0,0,0,0,0) ; z4= (0,0,0,1,0,0,0,0,0,0);  z6= (0,0,0,0,0,1,0,0,0,0) и получим улучшенную модель:yt=-1399,19-181,22*t+23,16*t2+242,71lnx-386,86*z2+905,51z4-289,12*z6 (5)Полученные результаты дисперсионного анализа и регрессионной статистики, соответствующие модели (5) обозначены на рис. 8. Рис. 8. Показатели регрессионной статистики для модели (5) (построено авторами)Анализируя рис. 8 делаем вывод, что полученное уравнение значимо, то есть значение статистики Фишера F = 181,1 больше табличного результата и статистически значимо. Исходя из этого, положительно определяемся для того, чтобы использовать полученное уравнение для прогноза.Проведем проверку наличия автокорреляции остатков e=y-y . Для определения присутствия автокорреляции между соседними членами используем тест Дарбина-Уотсона. Если корреляция ошибок регрессии не равна нулю, то она есть в остатках регрессии et  (метод наименьших квадратов)[5].Применим формулу вида:d=t=2n(et-et-1)2t=1net2                                                           (6) Применим таблицу критических точек Дарбина-Уотсона и определим числа d1 и d2  во взаимосвязи от уровня значимости a = 0,05: d1=0,88,d2=1,32 , от количества наблюдений и от числа регрессоров [6].График составлен на рис. 9. Рис. 9. Интервальные значения для теста Дарбина-УотсонаФактически полученный результат d = 2,97 (ф-ла 6) показал отсутствие в остатках автокорреляции, так как попадает в промежуток между показателями 4-d2   и 4-d1 . Т. о. в уравнении регрессии не присутствует систематическая ошибка, влияние тенденций принято в расчет,а также оно статистически значимо.Основываясь на данных табл. 2 проведем более подробный анализ временных рядов динамики х(t), у(t)  и создадим по ним улучшенную модель регрессии для повышения ее значимости.Проведем сравнительный анализ графического представления фактических значений чистой прибыли у(t)  от собственного капитала х(t)  с прогнозными для модели (5) и представим результаты на рис. 10.  Рис. 10. Зависимость фактических значения у(t) от х(t) и прогнозных (получено авторами)Вычислим прогнозное значение чистой прибыли на 2023 год (млн. руб.): Y11=-1399,19-181,22*11+23,16*112+242,71*ln1840,32)-386,86+905,51-289,12=1463,9  Проведенное исследование спрогнозировать значение чистой прибыли в зависимости от собственного капитала на 2023 года. Процесс сравнения фактических и прогнозных значений будет возможен после публикации открытых данных в официальных источниках. Оценивадекватностьи качествомодели, отметим,что она статистически значима, а такжеприменима для  проведения  прогнозов  определения  будущих доходов.