Количественная оценка рисков

 

где  - ожидаемый срок (стоимость);

  - оптимистический срок (стоимость) ;

- наиболее вероятный срок(стоимость);

  - пессимистический срок(стоимость).

 

Коэффициенты 4 и 6 получены эмпирическим путем на основе статистических данных большого количества проектов. Результат расчета используется в дальнейшем как основа для получения остальных показателей проекта. Метод PERT-анализа эффективен в том случае, если вы можете обосновать значения всех трех оценок.

Как вспомогательный инструмент при проведении сценарного анализа удобно использовать метод дерева решений [4]. Он применяется в тех ситуациях, когда решения, принимаемые в каждый момент времени, сильно зависят от предыдущих решений и в свою очередь определяют сценарии дальнейшего развития событий. Дерево решений - это сетевые графики, каждая ветвь которых представляет собой альтернативные варианты развития или состояния среды. При проведении сценарного анализа на сетевом графике указываются вероятности наступления тех или иных событий, а затем производится расчет ожидаемых результатов. Условием практического использования данного метода является исходная предпосылка, что проект имеет конечное и разумное число вариантов развития.

5. Метод имитационного моделирования

(Метод  Монте-Карло)

Анализ рисков с использованием метода имитационного моделирования (метода Монте-Карло) представляет собой соединение методов анализа чувствительности и анализа сценариев на базе теории вероятности [4]. Вместо того чтобы создавать отдельные сценарии (наилучший, наихудший), в имитационном методе компьютер генерирует сотни возможных комбинаций параметров (факторов) проекта с учетом их вероятностного распределения. Каждая комбинация дает свое значение NPV, и в совокупности аналитик получает вероятностное распределение возможных результатов проекта. Реализация этой достаточно сложной методики возможна только с помощью современных информационных технологий. Имитационное моделирование строится по следующей схеме:

• формулируются факторы, влияющие на денежные потоки проекта;
• строится вероятностное распределение по каждому фактору (параметру), при этом как правило, предполагается, что функция распределения является нормальной, следовательно, для того чтобы задать ее, необходимо определить только два момента (математическое ожидание и дисперсию):
• компьютер случайным образом выбирает значение каждого фактора риска, основываясь на его вероятностном распределении.

 

  Рисунок. 1. Распределение вероятности получения прибыли

 

Рисунок. 2. Разделение рисков по уровням в зависимости от уровня потерь

 

 

Метод Монте-Карло является мощным средством анализа инвестиционных рисков, позволяя учитывать максимально возможное число факторов внешней среды. Но, тем не менее, этот подход не лишен недостатков:

• существование коррелированных параметров сильно усложняет модель, оценка их зависимости не всегда доступна аналитикам;
• эти значения факторов риска комбинируются с параметрами (факторами), по которым не ожидается изменение (например, налоговая ставка или норма амортизации), и рассчитывается значение чистого денежного потока для каждого года. По чистым денежным потокам рассчитывается значение чистого дисконтированного дохода (NPV); описанные выше действия повторяются много раз (обычно около 500 имитаций), что позволяет построить вероятностное распределение NPV; результаты имитации дополняются вероятностным и статистическим анализом. Примерный вид распределения вероятности получения прибыли определенной величины показан на рисунке 1. Исходя из такого вида распределения, риски принято разделять на три уровня в зависимости от величины возможных потерь (рисунок 2): допустимые, критические и катастрофические.
• иногда трудно даже приблизительно определить для исследуемого параметра (фактора) или результирующего показателя вид вероятностного распределения;
• при разработке реальных моделей может возникнуть необходимость привлечения специалистов или научных консультантов со стороны;
• исследование модели возможно только при наличии вычислительной техники и специальных пакетов прикладных программ;
• следует также отметить относительную неточность полученных результатов по сравнению с другими методами численного анализа.

 

6. Метод корректировки ставки дисконтирования

В зависимости от того, каким методом учитывается неопределенность условий реализации проекта при определении ожидаемого NPV, поправка на риск в расчетах эффективности может включаться либо в норму дисконта (метод корректировки ставки дисконтирования), либо в величину чистого денежного потока (метод эквивалентного денежного потока). Норма дисконта, не включающая премии за риск (безрисковая норма дисконта), отражает доходность альтернативных безрисковых направлений инвестирования.

Размер премии за риск ненадежности участников проекта определяется экспертно каждым конкретным участником проекта. Обычно поправка на этот вид риска не превышает 5 %, однако ее величина существенно зависит от того, насколько детально проработан организационно- экономический механизм реализации проекта, насколько учтены в нем опасения участников проекта.

Поправка на риск неполучения предусмотренных проектом доходов определяется с учетом технической реализуемости и обоснованности проекта, детальности проработки проектных решений, наличия необходимого научного и опытно-конструкторского задела и представительности маркетинговых исследований. При этом если отсутствуют специальные соображения относительно рисков инвестиционного проекта, размер этого вида поправки на риск рекомендуется ориентировочно определять в соответствии с таблицей 1. Однако в отдельных отраслях поправки на риск могут отличаться от указанных в этой таблице.

Следует отметить, что расчет, основанный на поправке к ставке дисконта, одинаковой для положительных и отрицательных составляющих денежного потока, может приводить к неоправданному завышению эффективности как всего проекта, так и эффективности участия в проекте. Кроме того, указанный подход расчета ставки дисконта с поправкой на риск обладает определенной долей субъективизма и не учитывает корреляцию факторов. Попыткой избежать этого является подход, который основывается на интерпретации поправки на риск как характеристики случайной величины, а именно премий за риск конкретных инвестиций в исследуемой области бизнеса. При этом предполагается, что премия за риск как случайная величина имеет нормальный закон распределения.

 

 

 

 

 

 

 

 

Таблица 1. Ориентировочная величина поправок на риск неполучения предусмотренных проектом доходов

Величина риска	Пример цели проекта	Величина поправки на риск, %
Низкий	Вложение в развитие производства на базе освоенной техники	3-5
Средний	Увеличение объема продаж существующей продукции	8-10
Высокий	Производство и продвижение на рынок новой продукции	13-15
Очень высокий	Вложения в исследования и инновации	18-20

 

 

 

Заключение

Из сказанного можно сделать вывод о том, что не существует универсального метода, позволяющего провести полный анализ и дать оценку риска инвестиционного проекта. Каждый из рассмотренных выше методов обладает своими достоинствами и недостатками. Качественные методы позволяют рассмотреть все возможные рисковые ситуации и описать все многообразие рисков рассматриваемого инвестиционного проекта, но получаемые при этом результаты оценки часто обладают не очень высокой объективностью и точностью.

Использование количественных методов дает возможность получить численную оценку рискованности проекта, определить степень влияния факторов риска на его эффективность. К числу недостатков этих методов можно отнести необходимость сбора большого объема исходной информации за длительный период времени (статистический метод); сложности при определении законов распределения исследуемых параметров (факторов) и результирующих показателей (статистический метод, метод Монте-Карло); изолированное рассмотрение изменения одного фактора без учета влияния других (анализ чувствительности, метод проверки устойчивости) и т. д.

Преодоление этих недостатков возможно при использовании теории нечетких множеств, позволяющей сформировать полный спектр сценариев реализации инвестиционного проекта. При этом решение принимается не на основе нескольких оценок эффективности проекта, но по всей совокупности этих оценок. Ожидаемая эффективность проекта не является точечным показателем, а представляет собой поле интервальных значений со своим распределением ожиданий, характеризующимся функцией принадлежности соответствующего нечеткого числа. А взвешенная полная совокупность ожиданий позволяет оценить интегральную меру ожидания негативных результатов инвестиционного процесса.

Список используемой литературы

 

1. Волков, И. М. Проектный анализ: Продвинутый курс : учеб. пособие / И. М. Волков, И. М. Грачева («Учебники экономического факультета МГУ им. М. В. Ломоносова») - М. : ИНФРА-М, 2009. - 495 с.
2. Дмитриев, М. Н. Количественный анализ риска инвестиционных проектов / М. Н. Дмитриев, С. А.
3. Колеманов, В. А. Математические модели в экономике / В. А. Колеманов. - М. : ЮНИТИ, 2002. - 399с.
4. Управление инновационными проектами : учебное пособие / под ред. проф. В. Л. Попова. - М. : ИНФРА-М, 2007. - 336 с.