Розробка економетричної моделі оцінювання впливу складових виробничої собівартості на формування доходу сільськогосподарських підприємств

Автор(и)

  • Костянтин Вікторович Безверхий Державний торговельно-економічний університет, Україна https://orcid.org/0000-0001-8785-1147
  • Володимир Олександрович Хочай Державний торговельно-економічний університет, Україна https://orcid.org/0009-0004-0987-3964
  • Ірина Михайлівна Парасій-Вергуненко Державний торговельно-економічний університет, Україна https://orcid.org/0000-0001-6506-6965
  • Юлія Петрівна Остапенко Товариство з обмеженою відповідальністю «Мерлін-Телеком», Україна https://orcid.org/0000-0002-5819-5272
  • Микола Миколайович Матюха Київський національний університет технологій та дизайну, Україна https://orcid.org/0000-0002-7968-3777

DOI:

https://doi.org/10.15587/2706-5448.2026.361381

Ключові слова:

виробнича собівартість, регресійний аналіз, сільськогосподарські підприємства, управління виробництвом, доходи, витрати, аналітичне забезпечення

Анотація

Об’єктом дослідження є фінансово-господарська діяльність сільськогосподарських підприємств, що вирощують продукцію рослинництва. Проблема полягає у тому, що деякі складові виробничої собівартості по різному впливають на приріст доходів сільськогосподарських підприємств, а тому їх необхідно ідентифікувати для цілей управління виробництвом продукції рослинництва. Тому постає необхідність розроблення економетрично обґрунтованого інструментарію, що забезпечить кількісну оцінку впливу структурних компонентів виробничої собівартості продукції рослинництва на формування чистого доходу сільськогосподарських підприємств. Це дає змогу інтегрувати результати аналізу в систему стратегічного управління такими підприємствами. Побудовано економетричну модель залежності чистого доходу від виробничої собівартості сільськогосподарських підприємств. Визначено статистично значущі фактори впливу та встановлено ступінь їх еластичності. Доведено, що оптимізація окремих елементів виробничої собівартості має диференційований вплив на формування чистого доходу сільськогосподарських підприємств. Отримані результати дозволили сформувати основу аналітичного забезпечення управління виробництвом продукції рослинництва для прийняття управлінських рішень щодо підвищення ефективності діяльності сільськогосподарських підприємств. У дослідженні не брали до уваги глобальні економічні й політичні події, хоча саме вони часто й змінюють структуру доходу та витрат в агросекторі. Війна, зміни у зовнішній торгівлі, інфляція – усе це суттєво впливає на результати. Отримані результати можна використати на практиці – розроблені аналітичні інструменти добре працюють у системі управління виробництвом продукції рослинництва сільськогосподарських підприємств. Модель множинної регресії допомагає управлінському персоналу бачити, як окремі складові виробничої собівартості продукції рослинництва впливають на чистий дохід, і швидко знаходити неефективні напрямки використання ресурсів. Це відкриває шлях для оптимізації витрат, підвищення рентабельності та покращення фінансових показників діяльності сільськогосподарського підприємства.

Біографії авторів

Костянтин Вікторович Безверхий, Державний торговельно-економічний університет

Доктор економічних наук, доцент

Кафедра фінансового аналізу та аудиту

Володимир Олександрович Хочай, Державний торговельно-економічний університет

Аспірант

Кафедра фінансового аналізу та аудиту

Ірина Михайлівна Парасій-Вергуненко, Державний торговельно-економічний університет

Доктор економічних наук, професор

Кафедра фінансового аналізу та аудиту

Юлія Петрівна Остапенко, Товариство з обмеженою відповідальністю «Мерлін-Телеком»

Кандидат економічних наук, доцент, головний бухгалтер

Микола Миколайович Матюха, Київський національний університет технологій та дизайну

Кандидат економічних наук, доцент

Кафедра економіки

Посилання

  1. Hryhorevska, O. (2019). Correlation analysis of manufacturing costs of industrial enterprises. International Scientific Journal “Internauka”. Series: “Economic Sciences”, 10 (30). https://doi.org/10.25313/2520-2294-2019-10-5255
  2. Arkes, J. (2023). Regression analysis: a practical introduction. London: Routledge, 412. https://doi.org/10.4324/9781003285007
  3. Alshibani, A., Almuhtaseb, O., Mohammed, A., Ghaithan, A. M. (2024). A regression-based model for parametric cost estimation of industrial steel structures. Journal of Civil Engineering and Management, 31 (1), 71–84. https://doi.org/10.3846/jcem.2024.22472
  4. Ammar, T., Abdel-Monem, M., El-Dash, K. (2024). Regression-based model predicting cost contingencies for road network projects. International Journal of Construction Management, 25 (11), 1273–1287. https://doi.org/10.1080/15623599.2024.2411082
  5. Atapattu, C. N., Domingo, N., Sutrisna, M. (2024). A conceptual cost estimation model for the pre-design stage of road projects using multiple regression analysis. Journal of Financial Management of Property and Construction, 29 (3), 388–404. https://doi.org/10.1108/jfmpc-08-2023-0052
  6. Kramarov, O. (2018). Correlation-regression analysis of the dependence of the price of winter wheat on the cost of fertilizer treatment. Agrosvit, 14, 54–57. Available at: http://www.agrosvit.info/pdf/14_2018/11.pdf
  7. Nandy, A., Singh, P. K., Singh, A. K. (2019). Systematic Review and Meta- regression Analysis of Technical Efficiency of Agricultural Production Systems. Global Business Review, 22 (2), 396–421. https://doi.org/10.1177/0972150918811719
  8. Whig, P., Sharma, S., Jain, A., Sharma, S. (2025). Enhancing crop yield prediction through machine learning regression analysis. International Journal of Sustainable Agricultural Management and Informatics, 11 (1), 29–47. https://doi.org/10.1504/ijsami.2025.10067961
  9. Maksymenko, Z., Komandrovska, V. (2023). Correlation-regression analysis of factors formation and development of intellectual capital in Ukraine. Financial and Credit Activity Problems of Theory and Practice, 4 (51), 383–396. https://doi.org/10.55643/fcaptp.4.51.2023.4049
  10. Bezverkhyi, K., Hnylytska, L., Yurchenko, O., Poddubna, N. (2023). Analytical procedures of the audit of integrated reporting of corporate enterprises. Financial and Credit Activity Problems of Theory and Practice, 3 (50), 87–101. https://doi.org/10.55643/fcaptp.3.50.2023.4045
  11. Nepran, A., Girzheva, O., Birchenko, N., Khloponina-Gnatenko, O., Stepanenko, S. (2022). Use of correlation-regression analysis method for calculation of price-lists. Financial and Credit Activity Problems of Theory and Practice, 3 (44), 92–99. https://doi.org/10.55643/fcaptp.3.44.2022.3691
  12. Giuffrida, L., De Salvo, M., Manarin, A., Vettoretto, D., Tempesta, T. (2024). Exploring farmland price determinants in Northern Italy using a spatial regression analysis. Aestimum, 83, 3–20. https://doi.org/10.36253/aestim-14986
  13. Norboev, O., Fabri, C., Van Passel, S., Moretti, M. (2025). Comparative analysis of climate change impact on Italian agriculture: a Ricardian regression analysis. Agricultural and Food Economics, 13 (1). https://doi.org/10.1186/s40100-025-00404-3
  14. Becker, W., Paruolo, P., Saltelli, A. (2021). Variable Selection in Regression Models Using Global Sensitivity Analysis. Journal of Time Series Econometrics, 13 (2), 187–233. https://doi.org/10.1515/jtse-2018-0025
  15. Teng, X., Shen, Z., Zeng, F., Okada, K., Huang, L., Murata, A., Wu, F. (2026). Optimization study of utilization rate and site selection of downtown coin-operated parking lot based on multiple regression analysis. Cities, 169, 106450. https://doi.org/10.1016/j.cities.2025.106450
  16. Park, J., Lee, S. (2024). Development of Construction Cost Prediction Model through Multiple Regression Analysis. Journal of the Korean Society for Railway, 27 (5), 364–378. https://doi.org/10.7782/jksr.2024.27.5.364
  17. Halidu, O. B., Mohammed, A., William, C. (2023). Environmental tax and global income inequality: A method of moments quantile regression analysis. Cogent Business & Management, 10 (1). https://doi.org/10.1080/23311975.2023.2181139
  18. Morawetz, U. B., Klaiber, H. A. (2024). Regression analysis with independent variables in shares: a guide and an empirical example. Empirica, 52 (1), 63–98. https://doi.org/10.1007/s10663-024-09635-x
  19. Pattanayak, M., Shankar, A. U., Kumar, G., Ahmed, S. F. A., Raju, N. S. V. N., Jeelakarra, S. R. K. (2025). Stepwise Regression Analysis of the Determinants Influencing the Adoption of Islamic Banking. International Review of Management and Marketing, 16 (1), 307–312. https://doi.org/10.32479/irmm.19967
  20. Demiraj, R., Labadze, L., Dsouza, S., Demiraj, E., Grigolia, M. (2024). The quest for an optimal capital structure: an empirical analysis of European firms using GMM regression analysis. EuroMed Journal of Business, 20 (2), 529–551. https://doi.org/10.1108/emjb-07-2023-0206
  21. Bonanno, G., Errico, L., Fiorino, N., Ricciuti, R. (2024). The impact of government size on corruption: A meta‐regression analysis. Journal of Economic Surveys, 39 (4), 1727–1757. https://doi.org/10.1111/joes.12672
  22. Hirsch, S., Petersen, T., Koppenberg, M., Hartmann, M. (2022). CSR and firm profitability: Evidence from a meta‐regression analysis. Journal of Economic Surveys, 37 (3), 993–1032. https://doi.org/10.1111/joes.12523
  23. Jankovic, D., Simic, M., Herakovic, N. (2024). A comparative study of machine learning regression models for production systems condition monitoring. Advances in Production Engineering & Management, 19 (1), 78–92. https://doi.org/10.14743/apem2024.1.494
  24. Machado, M. C., Grobman, F. L., Bizarrias, F. S., Marques, L. (2025). Predictors of safety promotion among Brazilian part 145 repair stations: regression and social network analysis. Journal of Air Transport Management, 127, 102827. https://doi.org/10.1016/j.jairtraman.2025.102827
  25. Wang, Y. (2019). Regression Analysis of Executive Shareholding and Corporate Earnings Management. 2019 International Conference on Economic Management and Model Engineering (ICEMME), 415–420. https://doi.org/10.1109/icemme49371.2019.00090
  26. Parasii-Verhunenko, I., Yurchyshyn, Y., Bezverkhyi, K., Hryshchenko, N., Nazarova, K., Pryimak, N. (2023). Comparative analysis of efficiency and utilization completeness of resource potential in trading enterprises: methodological aspects. Financial and Credit Activity Problems of Theory and Practice, 4 (51), 245–260. https://doi.org/10.55643/fcaptp.4.51.2023.4099
  27. Santhosh Kumar, S., Bindu, C. (2021). Determinants of capital structure: a panel regression analysis of Indian auto manufacturing companies. Journal of Social and Economic Development, 23 (2), 338–356. https://doi.org/10.1007/s40847-021-00159-9
  28. Sinha Ray, R., Goel, S. (2022). Impact of ESG score on financial performance of Indian firms: static and dynamic panel regression analyses. Applied Economics, 55 (15), 1742–1755. https://doi.org/10.1080/00036846.2022.2101611
  29. Li, W., Tian, Y., Yuan, R. (2023). Statistical analysis of a linear regression model with restrictions and superfluous variables. Journal of Industrial and Management Optimization, 19 (5), 3107–3127. https://doi.org/10.3934/jimo.2022079
  30. Yurchyshyn, Y., Parasii-Verhunenko, I., Bezverkhyi, K., Matiukha, M., Korshykova, R., Nehodenko, V. (2026). Analysis of the effectiveness of functional strategies of trade enterprises: a dynamic approach. Financial and Credit Activity Problems of Theory and Practice, 1 (66), 428–443. https://doi.org/10.55643/fcaptp.1.66.2026.4894
  31. Brewster, B. E., Watkins, A. L., Young, G. M. (2024). Applying Regression Analysis in an Auditing Context: A Learning Strategy. Issues in Accounting Education, 40 (2), 83–89. https://doi.org/10.2308/issues-2023-066
  32. Pervez, A., Ali, I. (2022). Robust Regression Analysis in Analyzing Financial Performance of Public Sector Banks: A Case Study of India. Annals of Data Science, 11 (2), 677–691. https://doi.org/10.1007/s40745-022-00427-3
  33. Finansova zvitnist (2025). TOV “KraievydPodillia”. Available at: https://clarity-project.info/edr/34918499/company-finances?year=2025&mode=yearly
Development of an econometric model for assessing the impact of production cost components on the formation of incomes of agricultural enterprises

##submission.downloads##

Опубліковано

2026-06-19

Як цитувати

Безверхий, К. В., Хочай, В. О., Парасій-Вергуненко, І. М., Остапенко, Ю. П., & Матюха, М. М. (2026). Розробка економетричної моделі оцінювання впливу складових виробничої собівартості на формування доходу сільськогосподарських підприємств. Technology Audit and Production Reserves, 3(4(89), 6–18. https://doi.org/10.15587/2706-5448.2026.361381

Номер

Том 3 № 4(89) (2026): Економіка підприємств. Макроекономіка

Розділ

Економіка та управління підприємством

Ліцензія

Авторське право (c) 2026 Kostiantyn Bezverkhyi, Volodymyr Khochai, Iryna Parasii-Verhunenko, Yuliia Ostapenko, Mykola Matiukha

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.