利润预测是指企业在营业收入预测的基础上，通过对销售量商品或服务成本 营业费用以及其他对利润发生影响的因素进行分析与研究进而对企业在未来某一时期内可以实现的利润预期数进行预计和测算。在计算机科学中，利润预测是指利用公司的有关数据来建立相应的数学模型，用计算机程序来实现对未来某一时期可实现的利润的预计和测算。利润预测是现代企业
自动化系统重要组成成分之一。
概念
利润预测是对公司未来某一时期可实现的利润的预计和测算。它是按影响公司利润变动的各种因素，预测公司将来所能达到的利润水平，或按实现目标利润的要求，预测需要达到的销售量或销售额。
目标利润就是指公司计划期内要求达到的利润水平。它既是公司生产经营的一项重要目标，又是确定公司计划期销售收入和目标成本的主要依据。正确的
目标利润预测，可促使公司为实现目标利润而有效地进行生产经营活动，并根据目标利润对公司经营效果进行考核。
公司的利润包括营业利润、
投资净收益、
营业外收支净额三部分，所以利润的预测也包括营业利润的预测、投资净收益的预测和营业外收支净额的预测。在利润总额中，通常营业利润占的比重最大，是利润预测的重点，其余两部分可以较为简便的方法进行预测。
在
计算机科学中，利润预测是指利用公司的有关数据来建立相应的数学模型，用
计算机程序来实现对未来某一时期可实现的利润的预计和测算。利润预测是现代企业
自动化系统重要组成成分之一。
变动成本率=(高点总成本-低点总成本)/(高点销售收入-低点销售收入)
固定成本=总成本-变动成本
=固定成本+利润
方法
利润预测的方法主要有：
本量利分析法、相关比率法和
因素测算法。
1.本量利分析法全称为“成本-业务量（生产量或销售量）-利润分析法”，也称损益平衡分析法，主要根据成本、业务量和利润三者之间的变化关系，分析某一因素的变化对其他因素的影响。可用于利润预测、成本和业务量预测。本量利分析法是以成本性态研究为基础的。成本性态是指成本总额对业务量的依存关系。成本按其成本性态可分为变动成本、固定成本、混合成本。
变动成本是指随业务量增长而成正比例增长的成本。
固定成本是指在一定的业务量范围内，不受业务量影响的成本。
混合成本介于变动成本和固定成本之间，是指随业务量的增长而增长，但不成正比例增长的成本，可将其分解成变动成本和固定成本两部分。
本量利数学模型有三种：
损益方程式
利润=销售收入-总成本=销售收入-变动成本-固定成本
息税前利润=（单价-单位变动成本）×销售量-固定成本
边际贡献方程式
边际贡献是指销售收入与相应变动成本之间的差额，也称贡献边际、贡献毛益、创立额
边际贡献=销售收入-变动成本
单位边际贡献是单位产品的销售价格减去产品的单位变动成本的差额。
边际贡献率是边际贡献在销售收入中所占的比率，反映了每1元销售收入所提供的边际贡献。
边际贡献率+变动成本率=1
利润=边际贡献-固定成本
本量利图盈亏临界图、损益平衡图
保本点是指企业利润为零，即不盈不亏情况下的业务量。保本点可以用
保本销售量和保本销售额来表示。
目标销售量是指实现目标利润的产品销售数量。
2.相关比率法
根据利润与有关指标之间的内在关系，对计划期间的利润进行预测的一种方法。常用的相关比率主要有销售收入利润率、
资金利润率等。
利润=预计销售收入×销售收入利润率
利润=预计平均资金占用额×资金利润率
FORECAST函数
FORECAST()是
EXCEL中的一个函数，它主要应用于y=a+bx的线性利润预测模型，是企业利润预测一个重要应用，以下是它的好处及要注意的问题。
使用FORECAST函数的好处，总结起来有以下几点：
1．对人员要求不高，一些只有初级数学水平的人员都能掌握。
2. 编制弹性预算特别方便。
3．可以节约大量计时间。
4．使用范围广泛，在预测未来销售额、库存需求或消费趋势时都有用武之地。
5．可以和其他预测方法计算出的结果相互印证。
使用FORECAST函数需要注意的问题：
1. 数学模型成立。只有自变量和因变量符合y=a+bx的关系才可以使用。
2．企业内外部环境无大的变化。
3．FORECAST函数的第一列数组是因变量组或数据区域，第二列数组是自变量数组或数据区域，这一点与我们平时习惯不同。
4．注意相对引用与绝对引用的区别。
示例
一种PLS回归的并网风电项目利润预测方法
利润预测是指利用项目经营的相关财务指标值，采用定量分析的方法对企业较可能实现的利润水平进行的估算。介绍了本、量、利分析法，这种方法分析较为简单，在企业预测利润时应用广泛，但当目标利润变化时的灵活性不足；介绍了
敏感性分析法，在进行
多因素敏感性分析时，必须考虑各种因素不同变动情况下的多种组合，计算较为复杂，分析前提条件是敏感性因子必须互相独立，在实际的利润预测中一般较难满足；提出了一种采用回归分析预测利润的方法，经过检验可以获得较好的置信度，普通的线性回归方法要得到精度较高的模型需要大量的样本数据，但在实际进行项目利润预测时往往会遇到样本数量较小的问题。
偏最小二乘回归法(PLS-R)是由化学家 S.Wold和 C.Albano 提出的新一代回归方法，相较于传统的最小二乘回归方法，该方法在指标严重多重相关、样本个数小于指标个数时仍可以避免过拟合，得到稳定性较高的模型，该方法越来越多的被应到工程领域中进行预测分析。 针对风电利润预测的样本数据存在相关性这一核心问题，引入PLS-R 法建立利润预测模型。
风电项目利润
风电项目的利润预测结果可以作为企业投资的参考指标，以此决定是否进行风电项目建设。分析风电项目利润的构成后，本文将影响风电项目年利润的因素概括为以下五个方面，包括：项目总投资、项目年发电水平、项目年折旧、项目经营水平和碳排放交易(CDM)收益。
PLS 回归原理
在建立一般的
线性回归模型时，当数据总体满足高斯—马尔科夫定理，由
最小二乘法有
式中： B 为估计的变量；Y ={ }为因变量;X ={ 为自变量，当自变量之间存在严重的多重相关性时，式中 几乎接近于零，回归模型将出现反常现象，此时模型的精度和可靠性都得不到保证。与一般的多元回归方法不同，偏最小二乘方法并不直接对因变量 Y 与自变量 X 之间的关系，而是利用主成分分析、典型
相关性分析选取若干对系统具有最佳解释能力的成分，再利用这些成分进行
多元线性回归分析。
从自变量 X 与因变量 Y 中提取主成分 和 时，为了尽可能完整地保留原始数据中变异信息，要求Var( )、Var( ）取最大值，典型
相关性分析要求成 分 与 成 分 之 间 的 尽 量 相 关, 即取Cov( )最大值。综上，
偏最小二乘法的目标函数为求 CoV( )= 的最大值。
利用 建立回归模型并检验模型精度，当精度满足要求则不再计算；如果不满足精度要求则继续计算第 2 个主成分，循环直至取到成分 时满足精度要求为止，建立到共i 个主成分对于Y 的回归方程，并将主成分还原成原始自变量得到最终的回归模型。
在实际预测风电项目利润的分析中，样本数量较少，影响因素多、数据之间具有多重相关性是一个主要的问题。此时，本量利法和敏感性分析不能解决指标之间的相关性问题，普通最小二乘回归法由于样本数量较小，模型无法检验是否具有统计意义，逐步
最小二乘法虽然考虑了相关性问题，但筛除了大量原始信息，预测精度较差。 PLS 回归方法可以避免传统预测方法的不足，在小样本、数据相关的情况下仍能建立可靠的预测模型。实例表明，采用 PLS 方法预测并网风电项目年利润与传统的回归方法相比，可以建立预测精度较好的预测模型。