利潤預測是指企業在營業收入預測的基礎上，通過對銷售量商品或服務成本 營業費用以及其他對利潤發生影響的因素進行分析與研究進而對企業在未來某一時期內可以實現的利潤預期數進行預計和測算。在計算機科學中，利潤預測是指利用公司的有關數據來建立相應的數學模型，用電腦程式來實現對未來某一時期可實現的利潤的預計和測算。利潤預測是現代企業自動化系統重要組成成分之一。
基本介紹
- 中文名：利潤預測
- 外文名：Profit Forecast
- 學科：經濟學、數學、自動化、計算機
- 定義：對未來某一時期利潤的預計
- 目的：為決策做出支持
- 實現：建立模型、程式實現
- 函式：Forecast()
概念,方法,FORECAST函式,
概念
利潤預測是對公司未來某一時期可實現的利潤的預計和測算。它是按影響公司利潤變動的各種因素，預測公司將來所能達到的利潤水平，或按實現目標利潤的要求，預測需要達到的銷售量或銷售額。
目標利潤就是指公司計畫期內要求達到的利潤水平。它既是公司生產經營的一項重要目標，又是確定公司計畫期銷售收入和目標成本的主要依據。正確的目標利潤預測，可促使公司為實現目標利潤而有效地進行生產經營活動，並根據目標利潤對公司經營效果進行考核。
公司的利潤包括營業利潤、投資淨收益、營業外收支淨額三部分，所以利潤的預測也包括營業利潤的預測、投資淨收益的預測和營業外收支淨額的預測。在利潤總額中，通常營業利潤占的比重最大，是利潤預測的重點，其餘兩部分可以較為簡便的方法進行預測。
變動成本率=(高點總成本-低點總成本)/(高點銷售收入-低點銷售收入)
固定成本=總成本-變動成本
(二)邊際貢獻=銷售收入-變動成本
=固定成本+利潤
方法
利潤預測的方法主要有：本量利分析法、相關比率法和因素測算法。
1.本量利分析法全稱為“成本-業務量（生產量或銷售量）-利潤分析法”，也稱損益平衡分析法，主要根據成本、業務量和利潤三者之間的變化關係，分析某一因素的變化對其他因素的影響。可用於利潤預測、成本和業務量預測。本量利分析法是以成本性態研究為基礎的。成本性態是指成本總額對業務量的依存關係。成本按其成本性態可分為變動成本、固定成本、混合成本。
變動成本是指隨業務量增長而成正比例增長的成本。
固定成本是指在一定的業務量範圍內，不受業務量影響的成本。
混合成本介於變動成本和固定成本之間，是指隨業務量的增長而增長，但不成正比例增長的成本，可將其分解成變動成本和固定成本兩部分。
本量利數學模型有三種：
損益方程式
利潤=銷售收入-總成本=銷售收入-變動成本-固定成本
息稅前利潤=（單價-單位變動成本）×銷售量-固定成本
邊際貢獻方程式
邊際貢獻是指銷售收入與相應變動成本之間的差額，也稱貢獻邊際、貢獻毛益、創立額
邊際貢獻=銷售收入-變動成本
單位邊際貢獻是單位產品的銷售價格減去產品的單位變動成本的差額。
邊際貢獻率是邊際貢獻在銷售收入中所占的比率，反映了每1元銷售收入所提供的邊際貢獻。
變動成本率是指變動成本在銷售收入中所占的百分比。
邊際貢獻率+變動成本率=1
利潤=邊際貢獻-固定成本
本量利圖盈虧臨界圖、損益平衡圖
保本點是指企業利潤為零，即不盈不虧情況下的業務量。保本點可以用保本銷售量和保本銷售額來表示。
目標銷售量是指實現目標利潤的產品銷售數量。
2.相關比率法
根據利潤與有關指標之間的內在關係，對計畫期間的利潤進行預測的一種方法。常用的相關比率主要有銷售收入利潤率、資金利潤率等。
利潤=預計銷售收入×銷售收入利潤率
利潤=預計平均資金占用額×資金利潤率
FORECAST函式
FORECAST()是EXCEL中的一個函式，它主要套用於y=a+bx的線性利潤預測模型，是企業利潤預測一個重要套用，以下是它的好處及要注意的問題。
使用FORECAST函式的好處，總結起來有以下幾點：
1．對人員要求不高，一些只有初級數學水平的人員都能掌握。
2. 編制彈性預算特別方便。
3．可以節約大量計時間。
4．使用範圍廣泛，在預測未來銷售額、庫存需求或消費趨勢時都有用武之地。
5．可以和其他預測方法計算出的結果相互印證。
使用FORECAST函式需要注意的問題：
1. 數學模型成立。只有自變數和因變數符合y=a+bx的關係才可以使用。
2．企業內外部環境無大的變化。
3．FORECAST函式的第一列數組是因變數組或數據區域，第二列數組是自變數數組或數據區域，這一點與我們平時習慣不同。
4．注意相對引用與絕對引用的區別。
示例
一種PLS回歸的併網風電項目利潤預測方法
利潤預測是指利用項目經營的相關財務指標值，採用定量分析的方法對企業較可能實現的利潤水平進行的估算。介紹了本、量、利分析法，這種方法分析較為簡單，在企業預測利潤時套用廣泛，但當目標利潤變化時的靈活性不足；介紹了敏感性分析法，在進行多因素敏感性分析時，必須考慮各種因素不同變動情況下的多種組合，計算較為複雜，分析前提條件是敏感性因子必須互相獨立，在實際的利潤預測中一般較難滿足；提出了一種採用回歸分析預測利潤的方法，經過檢驗可以獲得較好的置信度，普通的線性回歸方法要得到精度較高的模型需要大量的樣本數據，但在實際進行項目利潤預測時往往會遇到樣本數量較小的問題。
偏最小二乘回歸法(PLS-R)是由化學家 S.Wold和 C.Albano 提出的新一代回歸方法，相較於傳統的最小二乘回歸方法，該方法在指標嚴重多重相關、樣本個數小於指標個數時仍可以避免過擬合，得到穩定性較高的模型，該方法越來越多的被應到工程領域中進行預測分析。 針對風電利潤預測的樣本數據存在相關性這一核心問題，引入PLS-R 法建立利潤預測模型。
風電項目利潤
風電項目的利潤預測結果可以作為企業投資的參考指標，以此決定是否進行風電項目建設。分析風電項目利潤的構成後，本文將影響風電項目年利潤的因素概括為以下五個方面，包括：項目總投資、項目年發電水平、項目年折舊、項目經營水平和碳排放交易(CDM)收益。
PLS 回歸原理
在建立一般的線性回歸模型時，當數據總體滿足高斯—馬爾科夫定理，由最小二乘法有
從自變數 X 與因變數 Y 中提取主成分
和
時，為了儘可能完整地保留原始數據中變異信息，要求Var( )、Var( ）取最大值，典型相關性分析要求成 分 與 成 分 之 間 的 盡 量 相 關, 即取Cov(
)最大值。綜上，偏最小二乘法的目標函式為求 CoV( )=
的最大值。
利用 建立回歸模型並檢驗模型精度，當精度滿足要求則不再計算；如果不滿足精度要求則繼續計算第 2 個主成分，循環直至取到成分
時滿足精度要求為止，建立到共i 個主成分對於Y 的回歸方程，並將主成分還原成原始自變數得到最終的回歸模型。
在實際預測風電項目利潤的分析中，樣本數量較少，影響因素多、數據之間具有多重相關性是一個主要的問題。此時，本量利法和敏感性分析不能解決指標之間的相關性問題，普通最小二乘回歸法由於樣本數量較小，模型無法檢驗是否具有統計意義，逐步最小二乘法雖然考慮了相關性問題，但篩除了大量原始信息，預測精度較差。 PLS 回歸方法可以避免傳統預測方法的不足，在小樣本、數據相關的情況下仍能建立可靠的預測模型。實例表明，採用 PLS 方法預測併網風電項目年利潤與傳統的回歸方法相比，可以建立預測精度較好的預測模型。
