Статистически анализ на финансовия

резултат на някои български фирми

съставил: Светлин Анков

1
Предговор
Настоящият текст цели с употребата на обичайни статистически методи да намери зависимост за
финансовия резултат на български фирми (регресионен анализ), както и (след необходимата
интерпретация) да се установи кои фактори му указват влияние (факторен анализ). За тази цел се
използват данни, предоставени от НСИ с информация за 315 български фирми.

Материалът е предназначен за учебни цели и като такъв включва допълнителни коментари и връзки
към разглеждания материал

За въпроси, допълнения и корекции, моля пишете на адрес: galileostudios@gmail.com

2
Предварителен анализ
Входни данни
Тъй като използваните данни (Companies.sav) заемат немалко място, те са приложени единствено
като файл. По същата причина и други данни биват представяни само във външни файлове.
В Приложение се намират посочваните таблици в материала.

Запознаване с променливите
Нека най-напред да разгледаме някои прости и очевидни зависимости между дадените променливи,
за да си изясним най-общо тяхното значение.

Следва таблица с имената на променливите и кратко описание.

nok Отраслова принадлежност

nok2 Отраслов раздел (първите 2 цифри на nok)
oblast Област
tsb Код ТСБ (Териториално статистическо бюро)
zaeti Брой заети
vzemania Вземания
dk Дългов коефициент (%)
ka Краткотрайни активи (КА)
da Дълготрайни активи (ДА)
aktivi Активи
sob_kap Собствен капитал
priv_kap Привлечен капитал
krediti Получени кредити (заеми)
prodazbi Нетен размер на приходите от продажби
prihodi Приходи
razhodi Разходи
finrez Финансов резултат
rent_sk Рентабилност на Соб.Кап.(%)
rent_da Рентабилност на ДА (%)
rent_pr Рентабилност на Продажбите (%)
seb1prod Себестойност на единица продукция
obr_ka Обръщаемост на краткотрайните активи
obr_da Обръщаемост на дълготрайните активи
obr_a Обръщаемост на активите
vzem_ka Дял на вземанията от КА (%)
da1z ДА на 1 зает
prod1z Продукция (за продан) на 1 зает
kred_pk Дял на кредитите от привл.кап.(%)
mash Машиностроене
hvp Хранително-вкусова промишленост
stroit Строителство
fr Печеливши дружества
sofia Дружество от София
plovdiv Дружество от Пловдив
vtarnovo Дружество от В.Търново

3
 След директен анализ (не задължително в статистически смисъл) върху значението на
променливите стигаме до следните изводи:

• nok2 представлява първите две цифри на nok и показва в какъв отраслов раздел се занимава
съответната фирма;
• mash, hvp, stroit са получени от nok2:
o nok2 = 34 – отрасъл машиностроене
o nok2 = 14 – отрасъл хранително-вкусова промишленост
o nok2 = 50 – отрасъл строителство;
• oblast и tsb са едно и също нещо (тъй като имаме пълно съответствие) – дават областта, но
първия запис е трибуквен, а вторият – число;
• sofia, plovdiv, vtarnovo са получени от oblast или tsb:
o oblast = SOF или tsb = 21 София
o oblast = PVD или tsb = 15 Пловдив
o oblast = VTR или tsb = 04 Велико Търново
• Дълготрайните активи са получени от броя заети и ДА на 1 зает: da = zaeti * da1z
• Приходите от продажби са получени от броя заети и продукцията на 1 зает:
prodazbi = zaeti * prod1z
• prihodi е получена от prodazbi, но не само, тъй като за някои фирми приходите са равни на
тези от продажби, за други те са по-големи, т.е. приходите не са единствено от продажбите,
т.е.: prihodi ≥ prodazbi
• razhodi е получена от продажбите и стойността на единица продукция:
razhodi = prodazbi * seb1prod
• Още тук получаваме първата зависимост за финансовия резултат:
finrez = prihodi – razhodi
• fr дава всички фирми с положителен финансов резултат, т.е.: finrez > 0
• Активите не са само краткотрайни и дълготрайни:
ka + da ≤ aktivi

По-дълбоки икономически познания биха добавили още, че:

_
• 𝑑𝑘 = 100
_ _

• 𝑜𝑏𝑟_𝑎 = и т.н.
• 𝑟𝑒𝑛𝑡_𝑠𝑘 = и т.н.
_

Тези твърдения могат лесно да се проверят, което тук няма да правим. Дадени са за пълнота. Ако е
необходимо, по-нататък някои от тях могат да бъдат дискутирани. От друга срана виждаме, че има
сериозни предпоставки за наличие на колинеарност между данните. Това се дължи главно на
характера на икономическите науки, където твърде много променливи влизат в пряка линейна
зависимост, а също и няколко (групи) променливи често описват едно и също явление (поради
различни изисквания за определени видове баланс (например счетоводен баланс и т.н.).

Групиращите променливи (номиналните и дихотронните) няма да бъдат анализирани с цел

опростяване на модела.

4
Дескриптивни статистики – изследване за коректност
Въпросът за коректност на тези данни е изключително съществен, но тъй като данните са били
събирани от друго лице, всички изисквания върху тях не са известни. Въпреки това, добра практика е
да се направи дескриптивна статистика за използваните променливи – така вероятно по-добре ще се
запознаем със смисъла им, възможно е да забележим евентуални аномалии, а също така ще можем
да кажем нещо и за разпределенията им.

На табл. 1 са показани някои статистики за променливите. Първото, което прави впечатление, е

липсата на непопълнени данни, т.е. за всички фирми имаме изчерпателна информация. По принцип
това не винаги е така, но тъй като данните са ни предоставени от НСИ, вероятно те вече са
претърпели обработка и евентуално липсващите данни са били „запълнени”. Също така
всевъзможните грешки при попълване (било неволни или нарочени) вероятно са елиминирани. В
този смисъл въпросът с качеството на извадката (за обща радост) е предварително решен.

От друга страна min/max стойностите показват някои интуитивни предпоставки, например приходите
не може да са с отрицателен знак, делът на вземанията от КА е в интервала [0, 1] и т.н.

Съставяне на модела
Предпоставки
С помощта на регресионния апарат, ще се опитаме да построим математически модел, определящ
финансовия резултат чрез (някои от) другите променливи. Изборът на линейна регресия за описване
на зависимостта ми се струва най-адекватен, тъй като елементарните ми познания по икономика
твърдят (а и интуитивно е ясно), че много от икономическите променливи влизат в линейна
зависимост. Това още повече се подхранва и от вида на корелационната матрица (corell.xls), който
подсказва, че се наблюдават голямо количество корелации между променливите. Този факт има
своите благоприятни страни в последващия факторен анализ (ако нямаше корелация, анализ нямаше
да има), но пък не се отразява добре на регресионния модел.

Тъй като приходите и разходите точно определят финансовия резултат, а от друга страна тяхната
корелация с него е (почти) най-силна, естествено е да използваме само една от двете променливи в
нашия модел.

Стъпкова регресия
Дадените променливи не са малко на брой. Желанието ни да бързо (без да е проведен по-
специфичен анализ) да получим модела може да бъде изпълнено като използваме автоматизирания
алгоритъм на стъпковата линейна регресия. Така за модела с отклик finrez и предиктори останалите
променливи, без prihodi, получаваме моделът показан в съкратен вариант (само последната стъпка)
на табл. 2.

Според този модел са нужни 13 променливи, за да опишат зависимостта. Колинеарността на отклива

с регресорите е много добра (коригираният коефициент на детерминация е цели 0,832) и в този
смисъл грешката на модела като цяла е приемливо малка (не говоря дали е приемлива въобще – т.е.
не само по големина). Уви, така представен моделът има голям недостатък – твърде е чувствителен,
тъй като tolerance-ът на променливите е много нисък, чак неприемливо. Това се дължи на голямо
количество мултиколинеарност, което е в нарушение с основните предположения за предикторите.
Както вече отбелязахме, наличие на мултиколинеарност е очаквано и естествено в икономиката.
Затова и някои учени твърдят, че дори при силно наличие на мултиколинеарност в модела, той пак
може да бъде използван. Опасността е най-вече в „чупливостта” му. Често обаче зависимостите,

5
причиняващи мултиколиарността, се запазват и при изследването на модела за много други извадки
поради естеството на икономическите обекти. В този смисъл употребата (или поне по-нататъшното
изследване) на такъв модел би могла да бъде обоснована. За тази цел се изисква сериозен опит в
разглежданата материя.

В нашия случай толерантността е толкова ниска, че дори и за обективните икономисти тя би била

неприемлива. Затова нужно е да предприемем нещо. Един по-сложен вариант е да потърсим скрити
зависимости и да трансформиране някои от проблемните променливи. Както се посочва в [5] можем
да ги съберем и ако е нужно (при много различни средни) да им сложим тегла. Друг вариант е да
използваме (доста) по-малко на брой, но значими променливи, така че да подобрим стабилността на
модела. Стабилизирайки модела обаче, възможно е да наблюдаваме по-малък ефект.

Ръчно моделиране на опростен модел

При конструирането основен „пътеводител” трябва да ни бъде корелационната матрица – желаем
предикторите да са възможно най-силно корелирани с отклика и най-слабо помежду си. Бихме
могли да ползваме и частична корелация, за да обясним по-добре връзките – дали 3 или повече
променливи заедно участват в линейна зависимост. Главният ориентир обаче, трябва да бъде
практическата значимост и смисъл на променливите и затова често експерименталното изграждане
на модела не е лишено от смисъл.

Следвайки казаното до тук, стигнах до следните два възможни модела:

1. finrez ↔ prihodi, priv_kap, ren_sk

2. finrez ↔ razhodi, priv_kap, ren_da

Изходът от SPSS за първия модел е посочен на табл. 3. Фактът, че не е използвана константа в

модела, се основава на интуитивната ми представа за отсъствие на константа в икономическите
формули. Втория модел има малко по-нисък коефициент на детерминация, но за него следват
същите изводи и няма да бъде разглеждан.

Изследване на модела
За новополучения модел можем да кажем, че относително добре (adj. R2 = 0,47) описва
експерименталните данни, като тук вече коефициентите на толерантност са далеч по-добри, съвсем
приемливи. Според ANOVA-тестът, хипотезата за нулевост на всички регресионни коефициенти може
да се отхвърли на ниво p < 0,01, както и от таблицата с коефициентите са вижда, че всички те са
значими на същото ниво.

Остава да видим дали са наред предположенията за грешката. На фиг. 1 е начертана хистограма за

стандартизираната грешка на. Вижда се, че макар и със силен куртозис, грешката вероятно е
нормално разпределена. Табл. 4 потвърждава това предположение: skewness-ът е доста близък до
нула. На фиг. 2 може да се види графика на стандартизираната грешка на Стюдент спрямо
стандартизираните очаквани стойности – уви, не изглежда убедително случайна.

На фиг. 3 могат да се разгледат графиките на финансовия резултат с предикторите. Забелязва се

известна линейна зависимост, която обаче не е силно изразена за всички променливи, но предвид
досегашния анализ сме приели, че е достатъчна.

Заключение за регресионния модел

Използвайки линейна регресия можахме да получим прост и слабо чувствителен прогнозен модел
за финасовия резултат.

6
Факторен анализ
Уводни думи
Факторният анализ има за цел да редуцира броя променливи до няколко (евентуално независими)
такива. Така началните променливи (относително) се групират в няколкото променливи, наречени
фактори. С други думи факторният анализ разкрива общи зависимости между променливите като ги
групира във фактори. Последните често (или поне към това се стремим) имат добър описателен
характер отностно отклика, търсен в миналата точка, т.е. дават възможност за интерпретация.

Факторният анализ може да бъде сравняван по предназначение с клъстерният анализ, но двете

методики са различни, дават различни резултати и (често) се използват в различни ситуации.

Извличане на факторите и коректност

По метода на главните компоненти ще извлечем факторите, чиято собствена стойност е по-голяма от
единица. Избирането на броя на факторите по големината на собствените стойности на
компонентите е честа практика, която обаче е и доста критикувана. Ще приложим и варимакс
трансформация с идеята факторите по-разбираемо да описват променливите – очакваме
променливите „по-силно” да се определят към даден фактор.

На табл. 5 се вижда, че са избрани шест фактора, описващи 81% от дисперсията. Това не значи
обаче, че така добре ще описват и финансовия резултат. На табл. 6 се вижда, че факторите доста
добре описват почти всички променливи, особено тези използвани в регресията в миналата точка.

По броя на факторите може да се говори – по-малък брой означава по-опростен модел, но пък
точността на описване на данните също е важна, затова и ще предпочета да разглеждам шестте
фактора.

Във файла red_res.xls са показани грешките от репродуцираните корелации. Най-голямата (по абс.
стойност) от тях се равнява на 0,163. Предвид не малката дисперсия на данните, такива стойности за
грешката ми се струват задоволителни.

Групиране на променливите
На табл. 7 е показана компонентната завъртяна матрица, като стойностите под 0,4 са скрити с цел
по-лесно интерпретиране. Забелязва се интересно групиране на променливите.

• Първият фактор съдържа голямата група силно-корелиращи си променливи, видима в

корелационната матрица. Този фактор бих го нарекъл счетоводен баланс, тъй като в него
участват променливите от счестоводния баланс – активи/пасиви.
• Вторият фактор съдържа променливите, свързани с обръщаемостта (т.е. колко от нещата
спомагат на продажбите). Бих нарекъл фактора обращаемост.
• Третия фактор съдържа две променливи, определящи рентабилността на пасивите и
активите. Бих нарекъл фактора – рентабилност на пасиви и активи
• Четвъртия фактор бих нарекъл отношение рентабилност-себестойност на продукцията
• Петия бих нарекъл ефект на дълговете (ефект не в статистическия смисъл)
• В шестия фактор няма променливи, които изцяло „лежат” в него. Въпреки това намеква за
връзка между дълготрайните активи и дълговия коефициент.

7
Влияние на факторите върху финансовия резултат
Така групираните променливи ще подложим на регресионен анализ, за да видим какъв ефект имат
факторите върху финансовия резултат. На табл. 8 са показани резултатите за модела. Вижда се, че
модела описва 40,5% от дисперсията – близко до резултата получен в миналата точка. При проверка
на значимост на коефициентите обаче, се забелязва че четвъртият и шестият не издържат теста за
статистическа значимост. Нека ги махнем. На табл. 9 са посочени новите резултати. Тук тестовете
за значимост (по отделно и заедно) за издържани. Разликата в числото на дерминираност е малка,
което говори за правилност на решението. Естествено главните компоненти са независими и
проблеми с tolerance-а няма.

Вижда се, че най- голям ефект върху финансовия резултат има третия фактор, след това първия,
втория и петия. Ако направим сравнение, същата зависимост забелязахме при разглеждането на
корелационната матрица и избирането на предикторите в миналата точка – най-силна корелация с
финансовия резултат имаха рентабилността на собствените капитали и рентабилността на ДА, а след
това следваха (проблемните) променливите от първия фактор. От втория фактор – обращаемостите,
имаха известно влияние върху финансовия резултат, но с идеята да не развалям tolerance-а не ги
включих, въпреки че както се вижда тук има известна причина да се включат.

Извод
Важно е да се отбележи, че факторният анализ и регресионният анализ дадоха консистентни
резултати:

• В регресията бяха избрани променливи от „важните” фактори

• Двата модела дадоха подобни (съответно 47% и 40,5%) сносни описания на търсената
зависимост

В този смисъл считам (и се надявам) проведения анализ за полезен.

Използвана литература
[1] Д. Въндев, Записки по приложна статистика 1 и 2, 2003
[2] A handbook of Statistical Analisys using SPSS, S. Landau, 2004
[3] SPSS for Intermediate Statistics Use and Interpretation (2nd Ed.), N. Leech, 2005
[4] http://www.statsoft.com/textbook/stathome.html
[5] Martin Berka, Multicollinearity, Massey University, 2007,
http://www.massey.ac.nz/~mberka/178321.html
[6] http://www.unesco.org/webworld/idams/advguide/Chapt5_2.htm

8
Приложение

9
 табл. 1, описателни статистики
Descriptive Statistics

N Range Minimum Maximum Mean

Брой заети 315 2944 6 2950 296,60

Вземания 315 419887 12 419899 20164,08

Дългов коефициент (%) 315 85,41 ,80 86,20 27,8406

Краткотрайни активи (КА) 315 2450501 786 2451287 104994,57

Дълготрайни активи (ДА) = zaeti * da1z 315 3174644 1136 3175780 140252,75

Активи 315 3947923 3130 3951053 261570,29

Собствен капитал 315 2684176 1757 2685933 166171,56

Привлечен капитал 315 2448091 139 2448230 93223,89

Получени кредити (заеми) 315 1635196 0 1635196 29298,29

Нетен размер на приходите от продажби = zaeti * 315 5649530 785 5650315 263125,96
prod1z

Приходи >= prodazbi 315 5706431 1423 5707854 288203,75

Разходи = prodazbi * seb1prod 315 5685274 1719 5686993 286402,68

Финансов резултат = prihodi - razhodi 315 514398 -218260 296138 1801,08

Рентабилност на Соб.Кап.(%) 315 106,47 -56,18 50,28 -1,9262

Рентабилност на ДА (%) 315 162,05 -74,48 87,57 -1,1183

Рентабилност на Продажбите (%) 315 685,32 -659,62 25,70 -11,6836

Себестойност на единица продукция 315 13,90 ,92 14,83 1,3271

Обръщаемост на краткотрайните активи 315 17,05 ,13 17,17 3,4904

Обръщаемост на дълготрайните активи 315 18,99 ,05 19,04 2,4848

Обръщаемост на активите (~= obr_ka + obr_da) 315 7,79 ,03 7,82 1,1097

Дял на вземанията от КА (%) 315 90,84 ,40 91,23 22,5666

ДА на 1 зает 315 8485,56 19,08 8504,64 529,0565

Продукция (за продан) на 1 зает 315 11042,92 23,41 11066,33 713,0677

Дял на кредитите от привл.кап.(%) 315 98,91 ,00 98,91 17,3095

Valid N (listwise) 315

10
 табл. 2, стъпкова регресия
Model Summary

Adjusted R Std. Error of the

b
Model R R Square Square Estimate
p
15 ,916 ,839 ,832 13875,812

ANOVAq,r

Model Sum of Squares df Mean Square F Sig.

15 Regression 3,022E11 13 2,325E10 120,733 ,000p

Residual 5,815E10 302 1,925E8

Total 3,603E11 315

r. Linear Regression through the Origin

Coefficientsa,b

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

15 Рентабилност на ДА (%) 483,239 56,097 ,255 8,614 ,000 ,608 1,644

Нетен размер на приходите ,332 ,018 6,930 18,792 ,000 ,004 254,496
от продажби = zaeti *
prod1z

Разходи = prodazbi * -,327 ,018 -7,097 -18,198 ,000 ,004 284,662

seb1prod

Собствен капитал ,140 ,014 1,462 10,314 ,000 ,027 37,613

Брой заети -13,185 3,833 -,198 -3,440 ,001 ,161 6,229

Вземания ,168 ,044 ,264 3,849 ,000 ,114 8,781

Активи -,332 ,023 -5,842 -14,291 ,000 ,003 312,753

Краткотрайни активи (КА) ,327 ,025 2,927 12,956 ,000 ,010 95,551

Дълготрайни активи (ДА) = ,262 ,024 2,552 10,723 ,000 ,009 105,965
zaeti * da1z

Дългов коефициент (%) 235,817 42,493 ,235 5,550 ,000 ,297 3,369

Обръщаемост на активите -5802,640 1391,260 -,262 -4,171 ,000 ,135 7,381

(~= obr_ka + obr_da)

ДА на 1 зает -3,754 1,069 -,106 -3,512 ,001 ,588 1,700

Обръщаемост на 1103,967 403,316 ,142 2,737 ,007 ,197 5,070

краткотрайните активи

11
 табл. 3 – опростен модел

Model Summary

Adjusted R Std. Error of the

b
Model R R Square Square Estimate

1 ,689a ,475 ,470 24631,574

ANOVAc,d

Model Sum of Squares df Mean Square F Sig.

1 Regression 1,710E11 3 5,701E10 93,973 ,000a

Residual 1,893E11 312 6,067E8

Total 3,603E11 315

a. Predictors: Рентабилност на Соб.Кап.(%), Привлечен капитал, Приходи >= prodazbi

b. This total sum of squares is not corrected for the constant because the constant is zero for
regression through the origin.

c. Dependent Variable: Финансов резултат = prihodi - razhodi

d. Linear Regression through the Origin

Coefficientsa,b

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

1 Приходи >= prodazbi ,027 ,002 ,589 10,691 ,000 ,554 1,805

Привлечен капитал -,034 ,007 -,276 -5,066 ,000 ,566 1,765

Рентабилност на Соб.Кап.(%) 1131,198 113,593 ,420 9,958 ,000 ,946 1,057

a. Dependent Variable: Финансов резултат = prihodi - razhodi

b. Linear Regression through the Origin

12
 фиг. 1 – разпределение на грешката за опростения модел

табл. 4 – нормалност на грешката

Descriptive Statistics

N Skewness Kurtosis

Statistic Statistic Std. Error Statistic Std. Error

Standardized Residual 315 -,062 ,137 20,928 ,274

Studentized Residual 315 -,145 ,137 21,792 ,274

Valid N (listwise) 315

фиг. 2

13
фиг. 3

14
 табл. 5 избрани компоненти

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
com
p. Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %

1 8,444 36,712 36,712 8,444 36,712 36,712 7,857 34,161 34,161

2 3,958 17,210 53,922 3,958 17,210 53,922 3,402 14,792 48,952

3 2,123 9,230 63,152 2,123 9,230 63,152 2,114 9,192 58,145

4 1,757 7,637 70,789 1,757 7,637 70,789 1,990 8,653 66,798

5 1,340 5,824 76,614 1,340 5,824 76,614 1,940 8,436 75,234

6 1,084 4,715 81,328 1,084 4,715 81,328 1,402 6,094 81,328

7 ,958 4,165 85,493

8 ,780 3,391 88,884

9 ,715 3,107 91,991

10 ,601 2,614 94,604

11 ,336 1,462 96,066

12 ,234 1,017 97,083

13 ,187 ,811 97,895

14 ,151 ,658 98,553

15 ,103 ,449 99,002

16 ,086 ,374 99,376

17 ,065 ,281 99,657

18 ,047 ,207 99,864

19 ,025 ,110 99,973

20 ,004 ,016 99,989

21 ,002 ,009 99,998

22 ,000 ,001 99,999

23 ,000 ,001 100,000

Extraction Method: Principal Component Analysis.

15
 табл. 6 communalities

Communalities

Initial Extraction

Брой заети 1,000 ,736

Вземания 1,000 ,836

Дългов коефициент (%) 1,000 ,836

Краткотрайни активи (КА) 1,000 ,873

Дълготрайни активи (ДА) = 1,000 ,843

zaeti * da1z

Активи 1,000 ,970

Собствен капитал 1,000 ,894

Привлечен капитал 1,000 ,870

Получени кредити (заеми) 1,000 ,723

Нетен размер на приходите 1,000 ,916

от продажби = zaeti * prod1z

Приходи >= prodazbi 1,000 ,928

Разходи = prodazbi * 1,000 ,927

seb1prod

Рентабилност на 1,000 ,931

Соб.Кап.(%)

Рентабилност на ДА (%) 1,000 ,922

Рентабилност на 1,000 ,881

Продажбите (%)

Себестойност на единица 1,000 ,844

продукция

Обръщаемост на 1,000 ,782

краткотрайните активи

Обръщаемост на 1,000 ,840

дълготрайните активи

Обръщаемост на активите 1,000 ,888

(~= obr_ka + obr_da)

Дял на вземанията от КА 1,000 ,223

(%)

ДА на 1 зает 1,000 ,700

Продукция (за продан) на 1 1,000 ,753

зает

Дял на кредитите от 1,000 ,590

привл.кап.(%)

Extraction Method: Principal Component Analysis.

16
 табл. 7 – завъртяна компонентна матрица

Rotated Component Matrixa

Component

1 2 3 4 5 6

Активи ,928

Краткотрайни активи (КА) ,894

Вземания ,889

Собствен капитал ,876

Разходи = prodazbi * seb1prod ,869

Приходи >= prodazbi ,865

Брой заети ,845

Нетен размер на приходите от продажби ,843 ,410

= zaeti * prod1z

Привлечен капитал ,835

Дълготрайни активи (ДА) = zaeti * da1z ,761 ,453

Обръщаемост на активите (~= obr_ka + ,915

obr_da)

Обръщаемост на дълготрайните активи ,828

Продукция (за продан) на 1 зает ,789

Обръщаемост на краткотрайните активи ,713

Рентабилност на Соб.Кап.(%) ,916

Рентабилност на ДА (%) ,911

Дял на вземанията от КА (%)

Себестойност на единица продукция -,891

Рентабилност на Продажбите (%) ,878

Дял на кредитите от привл.кап.(%) ,750

Дългов коефициент (%) ,686 -,481

Получени кредити (заеми) ,532 ,619

ДА на 1 зает -,413 ,700

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

a. Rotation converged in 7 iterations.

17
 табл. 8 пълен факторен модел

Model Summaryc,d

Adjusted R Std. Error of the

b
Model R R Square Square Estimate

1 ,645a ,417 ,405 26082,453

ANOVAc,d

Model Sum of Squares df Mean Square F Sig.

1 Regression 1,501E11 6 2,502E10 36,780 ,000a

Residual 2,102E11 309 6,803E8

Total 3,603E11 315

Coefficientsa,b

Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

1 REGR factor score 11184,351 1471,918 ,330 7,598 ,000 1,000 1,000
1 for analysis 1

REGR factor score 8605,175 1471,918 ,254 5,846 ,000 1,000 1,000
2 for analysis 1

REGR factor score 14935,578 1471,918 ,441 10,147 ,000 1,000 1,000
3 for analysis 1

REGR factor score -1353,132 1471,918 -,040 -,919 ,359 1,000 1,000
4 for analysis 1

REGR factor score -6918,723 1471,918 -,204 -4,700 ,000 1,000 1,000
5 for analysis 1

REGR factor score -2491,532 1471,918 -,074 -1,693 ,092 1,000 1,000
6 for analysis 1

18
 табл. 9 втори факторен модел

Model Summaryc,d

Adjusted R Std. Error of the

b
Model R R Square Square Estimate

1 ,640a ,410 ,402 26154,077

ANOVAc,d

Model Sum of Squares df Mean Square F Sig.

1 Regression 1,476E11 4 3,690E10 53,946 ,000a

Residual 2,127E11 311 6,840E8

Total 3,603E11 315

Coefficientsa,b

Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics

Model B Std. Error Beta t Sig. Tolerance VIF

1 REGR factor score 1 11184,351 1475,960 ,330 7,578 ,000 1,000 1,000
for analysis 1

REGR factor score 2 8605,175 1475,960 ,254 5,830 ,000 1,000 1,000
for analysis 1

REGR factor score 3 14935,578 1475,960 ,441 10,119 ,000 1,000 1,000
for analysis 1

REGR factor score 5 -6918,723 1475,960 -,204 -4,688 ,000 1,000 1,000
for analysis 1

19