CC BY
8Единая цифровая экономическая модель для управления объектом «ЭкоКосмоДом на планете Земля»
Юницкий А.Э.
Беларусь, г Минск доктор философии транспорта,
ООО «Астроинженерные технологии» и ЗАО «Струнные технологии»
Кушниренко А.В.
Беларусь, г. Минск,
планово-экономический отдел ЗАО «Струнные технологии»
Костюк А.В.
Беларусь, г. Минск, отдел адресных проектов
управления развития бизнеса ЗАО «Струнные технологии»
Кулик Е.Н.
Татарстан, Верхнеуслонский район, с. Набережные Моркваши, кандидат экономических наук, доцент,
кафедра общего менеджмента Казанского федерального университета / Институт управления, экономики и финансов
УДК 338
99
Проведён сравнительный анализ традиционных способов оценки инвестиционной привлекательности инфраструктурных проектов и подхода, основанного на технологии сбора и обработки больших данных. Традиционные методы хотя и рассматривают влияние рисков на окупаемость проекта и его инвестиционную привлекательность на начальном этапе планирования, однако не позволяют осуществить связь экономических параметров с физическими процессами внешней и внутренней среды, учесть воздействие множества других факторов, что важно при реализации глобальных инновационных проектов. Используя традиционную методологию оценки инвестиционной привлекательности проекта и дополнив её принципами технологии больших данных, разработана единая цифровая экономическая модель на примере объекта «ЭкоКосмоДом на планете Земля». Созданная модель предоставляет возможность как проводить оценку инвестиционной привлекательности инфраструктурного объекта на раннем этапе планирования, так и применять её в дальнейшем для управления рыночной стоимостью (Enterprise value) и оценки экономических параметров проекта. Подобный подход способен обеспечить инвестиционную привлекательность объекта для инвесторов и акционеров.
Ключевые слова:
большие данные в финансах, рыночная стоимость компании, технология больших данных, чистая приведённая стоимость, ЭкоКосмоДом на планете Земля (ЭКД-Земля), экономическая модель.
Введение
Оценка инвестиционной привлекательности проекта традиционно проводится для принятия решения об эффективности вложенных инвестиций. Однако в сложных, комплексных объектах, к которым относится «ЭкоКосмоДом на планете Земля» (ЭКД-Земля) [1], успех реализации проекта зависит не только от экономических факторов внешней среды, но и других причин, связанных с непосредственной эксплуатацией изучаемого объекта. Например, функционирование замкнутой биосферы внутри ЭКД-Земля [2], или использование солнечной энергетики при решении задач энергоснабжения объекта [3], или обеспечение автономности объекта, позволяющей создать ЭКД-Земля на территории со сложными внешними природно-климатическими условиями, а в дальнейшем и на околоземной орбите. Все перечисленные аспекты необходимо рассматривать и учитывать не только в части физических процессов, протекающих в самом объекте, но и анализировать их влияние на инвестиционную привлекательность проекта и изменение его рыночной стоимости.
Авторами настоящей статьи предложен подход внедрения технологии больших данных для проведения оценки инвестиционной привлекательности проекта «ЭКД-Земля». Указанный комплекс - сложный инфраструктурный объект с многофункциональным назначением. Применяемые в нём технологии обеспечивают работу замкнутой автономной экосистемы, в рамках которой реализован полный цикл круговорота веществ, энергии и информации, основанный на воспроизводстве природных процессов с использованием естественной почвенной микрофлоры и микрофауны, благодаря чему и создаётся экокомфортная среда для проживания людей [4]. Для оценки инвестиционной привлекательности ЭКД-Земля разработана единая цифровая экономическая модель, представляющая собой на верхнем уровне базу данных из более чем 100 000 значений, собранных по девяти вариантам конструктивных решений.
В отличие от традиционных подходов к оценке инвестиционной привлекательности инфраструктурных проектов, где одной из проблем является значительное количество внешних [5] и внутренних [6] факторов, обуславливающих результирующие показатели, которые при этом не всегда поддаются анализу степени влияния рисков на проект, предложенный способ позволяет собирать существенный массив данных и моделировать различные сценарии, определяя значения по запрашиваемым параметрам, используя необходимую формулу для расчёта [7].
Применение разработанного подхода обеспечивает новое качество получаемой информации и формирует
в том числе дополнительное конкурентное преимущество ЭКД-Земля перед другими аналогичными объектами. Авторы разделяют точку зрения многих исследователей [8], утверждающих, что аналитика больших данных способствует значительному конкурентному преимуществу. При этом более 90 % экспертов считают, что успешные инициативы в области больших данных благодаря скорости, объёму и качеству обрабатываемой информации определят победителей будущего. Именно поэтому уже на раннем этапе планирования проекта «ЭКД-Земля» при оценке его инвестиционной привлекательности и разработке единой цифровой экономической модели закладываются принципы использования технологии больших данных, создавая конкурентное преимущество объекта и позволяя рассматривать возможность его тиражирования на планете и строительства подобных инфраструктурных систем на околоземной орбите. В указанных условиях велико влияние количества собираемой и обрабатываемой информации, а также скорости её обработки при принятии решений.
Авторами проведён подробный анализ литературы в области технологии обработки больших данных в финансах в сопоставлении с текущими подходами. Результаты исследования представлены в следующем разделе в виде сравнительной таблицы. Большое внимание уделено составлению методики построения единой цифровой
экономической модели на основе технологии больших данных, которая показана в разделе «Описание предлагаемого подхода». Там же перечислены главные преимущества нового подхода. В заключительной части сформулированы основные выводы и направления дальнейшей деятельности.
Обзор литературы
На текущий момент разработано много различных экономических методов оценки инвестиционной привлекательности инфраструктурных проектов. Существующие подходы основаны на сценарии, когда имеется набор первичных данных, показаны необходимые формулы для расчёта, проведён непосредственный расчёт, сделаны выводы об инвестиционной привлекательности рассматриваемого объекта. Примерами использования таких методов являются:
• оценка NPV-at-Risk, объединившая средневзвешенную стоимость капитала и метод двойного риска и доходности [9], приведённая на основе строительства завода;
• оценка чистой приведённой стоимости (NPV), внутренней нормы доходности (IRR), окупаемости и возврата инвестиций (ROI) на основе учёта капиталовложений в создание
энергетической инфраструктуры [10], учитывающей специфику объектов;
• многокритериальный экономический анализ эффективности проектов мегатранспортной инфраструктуры, с дополнением оценки ИРУ матрицей достижения целей и балансового подхода [11];
• оценка ИРУ с использованием статического и динамического подходов, рассмотренная на условном примере, но при этом демонстрирующая преимущества каждого из них [12];
• методика дисконтирования денежных потоков и проведения анализа чувствительности при определении стоимости компании на рынке [13].
Развитие технологии больших данных, в том числе в области финансов [8], влияет на трансформацию подхода к разработке экономических моделей. Не изменяя сами принципы оценки инвестиционной привлекательности проектов, технология больших данных в первую очередь затрагивает процесс их сбора и обработки, представления собранных результатов, доступных для визуального восприятия.
Как считают авторы [8], ведущие финансовые институты и компании на текущий момент активно внедряют передовые технологии больших данных. С помощью различных инноваций они получают полезную информацию из массива данных, проводят её систематизацию, сокращают время отклика для принятия решений, улучшают масштабируемость алгоритмов, совершенствуют модель и структуру данных для обеспечения создания новых бизнес-архитектур. Столь значительная трансформация подхода к области финансов затрагивает и задачу оценки инвестиционной привлекательности проектов, предоставляя возможность управления объектом с ориентацией на рост рыночной стоимости активов.
Тема использования технологии больших данных на сегодняшний день широко показана в публикациях многих учёных и практиков во всём мире. С каждым годом она становится только актуальнее, поскольку растёт и объём самих данных [14], и количество источников их формирования [15], также развиваются технологии, позволяющие собирать и обрабатывать полученную информацию [16]. Вместе с тем подобные реалии затрагивают и такую область знаний, как управление финансами [17].
Некоторые авторы отмечают наличие двух ключевых тенденций, воздействующих на область управления финансами, - увеличение размера компании и развитие информационных технологий [18]. При этом происходит расширение функционального назначения области управления финансами.
Кроме таких функций, как планирование, организация, контроль, мотивация, адаптация, координация, прогнозирование [19], образуются новые специфические возможности, например управление добавленной стоимостью компании [20], включая внедрение информационных технологий. Среди них могут быть технологии, которые относятся к области компьютерных программ и систем обработки информации и описывают подход, направленный на оценку и повышение стоимости компании с использованием повторных циклов планирования [21, 22].
Поскольку развитие технологии больших данных позволяет учитывать влияние множества факторов внешней и внутренней среды, ещё одной новой функцией управления финансами становится мониторинг за сигналами, получаемыми от информационных баз с целью формирования актуальных знаний об объекте, способствующих, в частности, разработке более усовершенствованных бизнес-моделей [18].
Применение технологии больших данных в инфраструктурных проектах, в том числе в ЭКД-Земля, предоставляет возможность обеспечить реализацию не только основных функций управления финансами, но и расширить функциональную область по следующим направлениям:
• оценка инвестиционной привлекательности сети объектов ЭКД-Земля;
• управление рыночной стоимостью единичного объекта или сети подобных объектов в мире;
• принятие взвешенных решений на основе анализа факторов внешней и внутренней среды;
• визуальное представление процессов, связанных с данным объектом, в том числе с оценкой воздействия этих процессов на экономические параметры.
Необходимо отметить, что создание единой экономической модели тиражирования объекта «ЭкоКосмоДом на планете Земля» предусматривает выявление ключевых параметров, обуславливающих формирование рыночной стоимости активов и показателей, полученных в результате инвестиционной оценки. Установленные аспекты можно увязать с соответствующими им драйверами роста стоимости, которые в свою очередь существенно влияют на инвестиционную привлекательность ЭКД-Земля, повышая капитализацию объекта [7].
Использование технологии больших данных дополняет традиционный подход к оценке инвестиционной привлекательности инфраструктурных проектов, основанный на расчёте показателей NPV [23].
Однако стоит выделить главные отличия технологии больших данных в области управления финансами на этапе оценки инвестиционной привлекательности проекта и дальнейшей функции управления стоимостью компании от традиционных подходов к оценке. Сравнение двух способов представлено в таблице 1.
Приведённое сравнение демонстрирует как общие черты, присущие традиционным технологиям, которые практикуются для оценки инвестиционной привлекательности проекта (расчёт экономических показателей - NPV и IRR; используемые в сценарном планировании методы, например метод Монте-Карло), так и указывает на уникальные подходы, которые обеспечивает технология больших данных в области управления финансов (в частности, многофакторный анализ; связь с физическими объектами; повышенная скорость сбора и обработки информации; принятие решений, основанных на множестве данных, в том числе с применением искусственного интеллекта).
Таблица 1 - Сравнительная оценка традиционного подхода к определению инвестиционной привлекательности проекта и метода с использованием технологии больших данных
Параметр для сравнения Традиционный подход Метод, основанный на технологии больших данных
1 2 3
Технология оценки и управления рисками Основана на коэффициентах, установленных ранее (вторичных данных) [24] Строится на основе собранных первичных данных, снижая риск неопределённости владения активами [18]
Сценарное планирование Базируется на распределении вероятностей и возможных сценарных значений [25]. Используемый метод: метод Монте-Карло [26] Создано на системе анализа больших данных, позволяющих вести автоматическое планирование рыночных сценариев на основе программного обеспечения на базе цифровых платформ. Методология планирования сценариев опирается на предписывающую аналитику, состоящую из генерации бизнес-сценариев и их оптимизации [27]
1 2 3
Междисциплинарное взаимодействие при формировании первичных данных Ограничено только факторами и полученными данными внешней и внутренней среды, характеризующей рыночные процессы [28] Возможность дополнить рыночные факторы данными, получаемыми от физических объектов (киберфизических систем), повышая достоверность данных для принятия решений [14]
Получаемые параметры при расчётах Возможность расчёта ключевых показателей для оценки инвестиционной привлекательности проекта (NPV, IRR, ROI, PI), ограниченных формулами при вычислении значений без связи с собираемыми данными [29] Возможность получения комплексной аналитики по параметрам и значениям, находящимся в базе или образующих связи между собой [17]
Подход к сбору данных для построения модели оценки и дальнейшее использование модели оценки Данные для оценки поступают не своевременно, а с задержкой, при этом с искажением и долей погрешности [30] Высокая оперативность сбора данных способствует выработке взвешенных стратегических решений [31]
Вероятность и точность прогнозов Точность оценок ниже, поскольку просчитано влияние незначительного количества факторов [32] Использование технологии больших данных помогает в улучшении прогнозов при условии, что технология предоставляет возможность анализировать и обнаруживать скрытые закономерности [33]
Назначение модели для целей управления стоимостью Управление стоимостью компании связано с функцией оценки её текущей стоимости, применяемой для целей слияния, поглощения, продажи, покупки активов, внесения в уставной капитал и учёта влияния рисков на изменение её стоимости [34] Модель становится инструментом для оценки и/или повышения стоимости компании, а также для определения возможных сценариев и их влияния на будущую стоимость компании. Модель даёт возможность учитывать внешние и внутренние факторы, воздействующие на показатель стоимости компании на рынке, обеспечивая 360-градусный обзор оцениваемого объекта [8]
Преемственность данных На момент выведения оценки первичные данные могут быть пересмотрены, что искажает полученный конечный результат (модель и описанная взаимосвязь показателей остаются неизменными) Благодаря высокой оперативности сбора и обработки данных подобная задержка обновления первичных данных минимальна, что с меньшей погрешностью сказывается на достоверности полученных результатов [33]
Используемые технологии для расчёта модели Преимущественно применение стандартного пакета Microsoft Office, разработанного специализированного программного обеспечения (COMFAR 2.1, Project Expert Альт-Инвест и др.) Позволяет использовать следующие технологии для финансового моделирования: визуализация данных с помощью технологии Power BI [35], сценарное планирование с помощью квантовых технологий [36], хранение и обработка данных с помощью облачных технологий [37]
Развитие технологии больших данных трансформирует и подходы к принятию решений, смещая их в сторону непрерывной циклической обработки данных, оценки, выбранных заранее параметров, что позволяет задействовать указанную технологию в том числе для управления стоимостью компании.
Описание предлагаемого подхода
Единая цифровая экономическая модель представляет собой совокупность значений, характеризующих
физические процессы деятельности компании и записанных в форме массива данных, что даёт возможность проводить не только оценку ИРУ-проекта на этапах его планирования и реализации, а также строить прогнозы изменения стоимости компании, основанные на дисконтировании денежных потоков (йОР-модель) [34].
Новый подход позволяет оценивать экономические показатели, среди которых и определение рыночной стоимости компании, рассчитанной на основе йОР-модели (на начальном этапе без учёта количества выпущенных акций и стоимости их на рынке), собирая два типа данных [34].
Первый тип - данные, полученные от ведения хозяйственной деятельности при управлении объектом. Второй тип - данные, собранные в ходе мониторинга протекающих процессов или физических явлений внутри объекта или во внешней среде (например, изменение объёма потребления электроэнергии или колебание цен на рынке). При этом информация обоих типов записывается в соответствующую структуру, а затем просчитывается с использованием технологий для работы с большими данными; далее принимаются взвешенные управленческие решения. Модель является частью подхода к оценке инвестиционной привлекательности ЭКД-Земля, основанной на многофакторном анализе [38].
В ходе подготовки единой цифровой экономической модели рассмотрены шесть основных факторов, которые в наибольшей степени влияют на результирующие показатели оценки инвестиционной привлекательности проекта:
• матрица достижимости рынка [39] и основанная на результатах её оценки модель формирования целевой выручки по объекту (Revenue model);
• оценка потенциального объёма инвестиций по основным конструктивным решениям (CAPEX model);
• оценка потенциального объёма операционных затрат по основным статьям расходов (OPEX model);
• основные налоги и платежи в бюджет, указанные в модели без национальной привязки и требующие корректировки при выборе конкретной локации;
• оценка рисков и ставки дисконтирования, рассчитанная по методике оценки ШДОО [40];
• временной интервал планирования, необходимый для строительства и запуска объекта.
Построение единой цифровой экономической модели проведено на примере варианта конструктивного решения в виде фрагмента тора высотой 30 м как наиболее оптимального по форме объекта, соответствующего своему назначению [1]. При разработке модели пройдено четыре этапа.
Первый этап заключался в сборе первичной информации о предполагаемых физических процессах и явлениях, которые будут протекать в ЭКД-Земля с учётом требований к их созданию и поддержанию. Материалы компоновалась таким образом, чтобы имелась возможность построить непрерывный динамический ряд значений.
Сбор первичных данных об ЭКД-Земля проводился по шести ключевым факторам, образующим единое концептуальное решение [7]. В таблице 2 представлены основные группы факторов (и характеризующие их параметры), которые оказывают наибольшее влияние на прогнозное значение стоимости бизнеса, а также способствуют формированию инвестиционной привлекательности всего анализируемого объекта.
Таблица 2 - Группы факторов, оказывающие наибольшее влияние на прогноз рыночной стоимости ЭКД-Земля
Группы факторов, влияющие на стоимость компании Значение
1 2
Первая группа факторов. Туризм и гостиничное дело
Количество гостиничных двухместных номеров, ед. 180
Средняя стоимость номера в ЭКД-Земля в сутки, USD 100
Средняя стоимость питания в ЭКД-Земля в сутки, USD 60
Количество персонала, чел. 107
Вторая группа факторов. Биосфера и фермерское хозяйство
Площадь объектов озеленения внутри ЭКД-Земля, м2 17 574
Общий вес почвенного слоя внутри ЭКД-Земля, тонн Более 50 000
Общий вес живого плодородного гумуса внутри ЭКД-Земля, тонн Более 300
Общее количество растительных культур внутри ЭКД-Земля, ед. Более 100
Общее количество видов животных (включая птиц и рыб) внутри ЭКД-Земля, ед. Более 100
Количество персонала, чел. 26
1 2
Третья группа факторов. Отдых и объекты рекреации
Количество дополнительных платных услуг, усл. зн. Средний чек на человека по прочим услугам в сутки, USD Площадь под объекты рекреации внутри ЭКД-Земля, м2 34 90 5060
Четвёртая группа факторов. Технологичность создания замкнутой экосистемы
Площадь здания, м2 Объём здания, м3 Площадь внешнего покрытия, м2 21 500 316 200 28 000
Пятая группа факторов. Адаптация объекта к внешней среде
Площадь, занимаемая солнечными панелями, м2 Оптимальный диапазон температур внутри ЭКД-Земля, °С Годовая потребность среднестатистического человека в кислороде, кг Не менее 2000 20-25 250
Шестая группа факторов. Научная деятельность
Количество проживающих внутри ЭКД-Земля, чел. Доля затрат на НИОКР от общего объёма инвестиций, % 100 20
Второй этап включал в себя использование доступных инструментов обработки сведений для подготовки информации к дальнейшему анализу. В результате предпринятых действий получен массив в форме списка из более чем 100 000 значений по экономическим параметрам, собранным на начальной стадии планирования. Подобная база показана на рисунке 1.
Третий этап - непосредственно обработка массива данных и формирование единой цифровой экономической модели, записанной по девяти вариантам конструктивных решений. Пример полученной модели - на рисунке 2.
Модель представляет собой набор связанных данных, образующих сводную таблицу по соответствующим разделам.
А В с D E F
1 Вид □ Варианты конструктивных решений Е Наименование Q Дата Q Сумма ЕЭВ^^^^^^^^^^мя^З
4952 Сэре* 4Тор высотой 30 м (покрытие из отдел, ферм) я] C0pTHp0S«4 ОТ А ДО fl 01.01.2C21 82550
4953 Сарех 4 Тор высотой 30 м{покрытие на отдел, ферм} « CopTLipoEKa от Й до А £ОршрОБКйПОС1В сту ' 01.02.2021 82550
4954 сарех 4 Тер высотой 30 м -{покрытие из отдел, ферм) 01.03.2021 «2550
4955 Сарех 4Тор высотой 30 м -{покрытие из отдел, ферм) 01.04.203 S 33550
4956 Сарех 4Тор высотой 30 м {покрытие из отдел, ферм) ъ. 'u чопбц. 'Нюпаа«1 01.05.2021 82550
4957 Сарех 4Тер высотой 30 м (покрытие из отдел, ферм) DLOe.2021 82550
4958 Сарех 4Тор высотой 30 м (покрытие иЗ отдел, ферм) Текстовые фильтрь- ' 01,07.2021 82550
4959 Сарех 4Тор высотой 30 м {покрытие из отдел, ферм) [Пшаи 3&] 01.08.2021 82550
4960 Сарех 4Тер высотой 30 м {покрытие из отдел. Ферм) 01.09.2021 82550
Й (Бцделит« е((| л S Crange in NW; у Дгп-эип! of ü videndi
4961 Сарех 4Тор высотой 30 м {покрытие из отдел, ферм) 01.10.2021 82550
4962 Сарех 4Тор высотой 30 м (покрытие из отдел, ферм) 01.11.2021 82550
4963 Сарех 4Тор высотой 30 м (покрытие из отдел, ферм) В «REX Ol. «.дол 8)550
4964 Сарех 4Тор высотой 30 м {покрытие из отдел, ферм) В Cnangf in T-VC 01.01.2022 55033,39333
4965 Сарех 4 Тор высотой 30 м {покрытие из отдел, ферм) 3 COM ol bvenut у. пгрггriatran and -tinl я teil 01.02.2022 55033,33333
4966 Сарех 4Тор высотой 30 м {покрытие из отдел, ферм) 01-03.2022 55033,33333
4967 Сарех 4Тор высотой 30 м {покрытие из отдел, ферм) Я teil os. 01.04.2022 55033,33333
49&S Сарех 4Тор высотой 30 м [покрытие из отдел, ферм) V им caiia Hw 01.05.3022 55033,33333
4969 Сарех 4Тор высотой 30 м (покрытие из отдел, ферм) Я ни iiitomt (EBiTi 0 litt Irtfümt (£H1I| Й im.. 01.Сб. 2022 55033,33333
4970 Сарех 4Тор высотой 30 м (покрытие из отдел, ферм) 01.07.2022 55033,33333
4971 Сарех 4 Тор высотой 30 м {покрытие из отдел, ферм) У Optrating 1'iсr'if _ Ol .08.2022 55033,33333
4972 Сарех 4Тор высотой 30 м {покрытие из отдел, ферм) < f> 01 05.2022 55033,33333
4973 Сарех 4Тор высотой 30 м {покрытие из отдел, ферм) 01.10.2022 53033,33233
4974 Сарех 4 Тор высотой 30 м [покрытие из отдел, ферм) Ol 1 Oiuota 01.11.2022 55033,33333
4975 Сарех 4тор высотой 30 м (покрытие из отдел, ферм) 01.12-2022 55033,33333
4976 Сарех 4Тор высотой 30 м (покрытие из отдел, ферм) Проектные работы 01.01.2023 0
4977 Сарех 4 Тор высотой 30 м {покрытие из отдел, ферм) Проектные работы 01.02.2023 0
Рисунок 1 - База значений ЭКД-Земля
Рисунок 2 - Единая цифровая экономическая модель
Четвёртый этап - графическая визуализация полученных результатов, выполненная с использованием технологии обработки информации Power BI [35]. В качестве результирующего значения на рисунке 3 выведена информация по планируемому размеру прибыли до уплаты процентов, налогов и амортизации (показатель EBITDA) по девяти вариантам конструктивных решений.
Из рисунка 3 видно, что наибольшее значение показателя EBITDA имеется у варианта конструктивного решения в виде фрагмента тора высотой 30 м (верхний левый сектор), что свидетельствует об оптимальности выбранной формы ЭКД-Земля, в том числе с точки зрения оценки инвестиционной привлекательности указанного инфраструктурного объекта. Образованная в таком виде единая цифровая экономическая модель на основе принципов технологии обработки больших данных даёт возможность дополнить
привычные табличные формы подходом, связанным с моделированием и сценарным планированием, совмещая его с инструментами аналитики и визуализации. При этом можно формировать целевые прогнозные значения, полученные при использовании единой цифровой экономической модели в традиционной методологии оценки (таблица 3).
Предлагаемая модель даёт возможность провести одновременно оценку множества различных вариантов конструктивных решений, рассмотреть влияние различных факторов при тиражировании объекта (в частности, создание сети подобных многофункциональных комплексов в мире). Данная модель также позволяет осуществлять повариантную оценку на этапе планирования проекта для выбора наиболее оптимального решения. Более подробное описание полученных результатов будет предложено в бизнес-плане проекта «ЭКД-Земля».
Рисунок 3 - Визуализации показателя EBITDA по девяти вариантам конструктивных решений
Таблица 3 - Ключевые показатели эффективности реализации проекта «ЭКД-Земля»,
полученные при использовании единой цифровой экономической модели на примере решения фрагмента тора высотой 30 м
Параметр Значение
Простой период окупаемости (Payback Period - PP) с момента ввода объекта в эксплуатацию, лет 7,6
Простой период окупаемости (Payback Period - PP) с момента начала проектирования и первых капитальных затрат, лет 13,1
Дисконтированный период окупаемости (Discounted Payback Period - DPP) с момента ввода объекта в эксплуатацию, лет 9
Дисконтированный период окупаемости (Discounted Payback Period - DPP) с момента начала проектирования и первых капитальных затрат, лет 14,5
Чистая приведённая стоимость (NPV), тыс. USD 1809,1
Внутренняя ставка доходности инвестиций (IRR), % 5,2
Индекс доходности 1,05
Конечный результат в виде единой цифровой экономической модели формирует базовый уровень оценки исследуемого проекта для проведения в дальнейшем многофакторного анализа.
Полученные сведения представляют собой плановые значения ведения хозяйственной деятельности ЭКД-Земля (первый тип данных) и в последующем должны быть дополнены и связаны со вторым типом данных, собранных при мониторинге состояния объектов, физических процессов и явлений, протекающих внутри ЭКД-Земля и вне его. Хотя эффект от внедрения технологии больших данных в указанном объекте в настоящее время сложно оценить, поскольку требуется более детальная проработка его внутренних систем и элементов комплексной аналитики, однако можно сформулировать основные принципы, которые должны подтвердиться при использовании этой технологии в подобном комплексе:
• оперативно собирать данные и предоставлять их в удобном для пользователя виде;
• проводить динамику показателей по итогам обработки первичных данных;
• осуществлять план-фактный и функционально-стоимостной анализы [41] по запланированным прогнозным значениям в инвестиционной модели проекта;
• оценивать различные сценарии поведения систем внутри ЭКД-Земля, поскольку собранные сведения не представляют уже готовую форму, а имеются лишь в виде упорядоченного массива информации. При этом управленческая
форма отчётности может принимать необходимый вид с нужным набором значений, обеспечивая принятие взвешенных управленческих решений.
Подтверждение указанных принципов позволит внедрять рассматриваемый подход не только для такого объекта, как ЭКД-Земля, но и для других инфраструктурных систем с многофункциональным назначением, например для линейных городов [42]. Для подобных объектов нужно организовать сбор и обработку больших данных с целью оценки и контроля экономических параметров их функционирования.
Выводы
и дальнейшие направления исследования
На текущий момент авторы оперировали лишь некоторыми принципами технологии больших данных, применяющимися для оценки инвестиционной привлекательности многофункционального объекта «ЭкоКосмоДом на планете Земля».
Модель подходит как для изучения инвестиционной привлекательности проекта на этапе раннего планирования, так и для дальнейшего управления объектом при принятии стратегических решений, в том числе благодаря возможности моделирования различных сценариев реализации проекта путём перегруппировки и дополнения данных, формирования различных типов отчётности и их мгновенного анализа на основе комплексной обработки событий.
Предложенный авторами подход помогает структурировать экономические сведения об объекте в виде массива информации и тем самым учитывать влияние большого количества факторов, обеспечивать в будущем их сбор от различного типа источников в режиме реального времени при функционировании ЭКД-Земля.
Полученная единая цифровая экономическая модель представляет собой одну из форм внедрения технологии больших данных в области управления финансами. Она позволяет использовать технологию больших данных и в то же время решать задачу в области визуализации собираемой информации (например, на основе В1-техно-логий [35]), а также служит целям привлечения финансирования и последующего управления рыночной стоимостью объекта.
Благодаря организации связей между физическими явлениями и их экономической оценкой научный эксперимент, к которому относится ЭКД-Земля, следует рассматривать в том числе с точки зрения инвестиционной привлекательности и дальнейшей капитализации, обеспечивая возможность тиражирования данного объекта в мире.
Предполагается, что внедрение указанного подхода позволит другим коммерческим организациям не только использовать при реализации проектов традиционные способы привлечения финансирования, такие как заёмный банковский капитал, субсидирование со стороны инвестиционных фондов, публичное размещение долей компании на рынке, но и ввести новые инструменты, представленные на финансовом рынке (например, выпуск токенов с применением цифровых платформ). Описанный подход
содействует созданию условий раскрытия компанией публичной финансовой отчётности, а также предпринятых действий и планируемых финансовых результатов, влияя в конечном счёте на рост рыночной стоимости объекта. Кроме того, подобный метод даёт возможность оценивать внедрение различных алгоритмизированных стратегий в области управления операционной деятельностью компании.
Дальнейшее изучение рассматриваемой темы планируется вести в следующих направлениях:
• разработка бизнес-процессов по сбору и обработке больших данных на основе связи физических явлений, запланированных в ЭКД-Земля, с экономическими показателями функционирования всего объекта;
• создание инструментов сбора больших данных с инфраструктурных систем и объектов разного типа на примере ЭКД-Земля в совокупности с оценкой их воздействия на прогнозные экономические параметры;
• реализация корпоративной информационной системы, применяемой в управлении большими данными для финансового моделирования и управления рыночной стоимостью объекта;
• поиск возможной интеграции единой цифровой экономической модели с технологиями блокчейн, искусственного интеллекта, квантового шифрования данных.
Использование рассмотренного в настоящей статье подхода позволит в будущем сформировать стратегию роста рыночной стоимости объекта (показатель Enterprise value [43]) и его инвестиционной привлекательности для инвесторов и акционеров.
Литература
1. Unitsky, A. Review of Possible Structural Solutions of the EcoCosmoHouse Facility on the Planet Earth /A. Unitsky, S. Zhary, A. Bonus, N. Yerakhovets // Non-Rocket Space Industrialization: Problems, Ideas, Projects: Materials of the II Intern. Scient. and Techn. Conf. Maryina Gorka, June 21,2019/ Astroengineering Technologies; under total. ed. A. Unitsky. - Minsk: Paradox, 2019. - P. 169-177.
2. Unitsky, A. Plants of Special Purpose and Their Use in EcoCosmoHouse / A. Unitsky, N. Zyl, N. Batalevich,
E. Shakhno // Non-Rocket Space Industrialization: Problems, Ideas, Projects: Materials of the II Intern. Scient. and Techn. Conf. Maryina Gorka, June 21, 2019 / Astroengineering Technologies; under total. ed. A. Unitsky. -Minsk: Paradox, 2019. - P191-197.
3. Unitsky A. System for Maintaining Optimal Climatic Parameters of EcoCosmoHouse on the Planet Earth / A. Unitsky, V. Grigoryev // Non-Rocket Space Industrialization: Problems, Ideas, Projects: Materials of the II Intern. Scient. and Techn. Conf. Maryina Gorka, June 21, 2019 /Astroengineering Technologies; under total. ed. A. Unitsky. - Minsk: Paradox, 2019. - P185-189.
4. Unitsky A. Features of Design of a Residential Space Cluster "EcoCosmoHouse" - Mission, Goals, Purpose / A. Unitsky// Non-Rocket Space Industrialization: Problems, Ideas, Projects: Materials of the II Intern. Scient. and Techn. Conf. Maryina Gorka, June 21, 2019 / Astroengineering Technologies; under total. ed. A. Unitsky. - Minsk: Paradox, 2019. - P 51-57.
5. Lefley, F Strategic Methodologies of Investment Appraisal of AMT Projects: A Review and Synthesis / F Lefley// The Engineering Economist. - 1996. - Vol. 41, No. 4. - P 345-363.
6. Chan, F. Investment Appraisal Techniques for Advanced Manufacturing Technology (AMT): A Literature Review/
F. Chan [et al.]// Integrated Manufacturing Systems. -2001. - Vol. 12, No. 1. - P. 35-47.
7. Unitsky A. Economic Replication Model of the EcoCosmoHouse Facility on the Planet Earth / A. Unitsky A. Kushnirenko, E. Kulik//Non-Rocket Space Industrialization: Problems, Ideas, Projects: Materials of the II Intern. Scient. and Techn. Conf. Maryina Gorka, June 21, 2019 / Astroengineering Technologies; under total. ed. A. Unitsky. -Minsk: Paradox, 2019. - P159-166.
8. Fang, B. Big Data in Finance /B. Fang, P. Zhang//Big Data Concepts, Theories, and Applications. - Cham: Springer, 2016. - P 391-412.
9. Ye, S. NPV-at-risk Method in Infrastructure Project Investment Evaluation /S. Ye, R.L.K. Tiong //Journal of Construction Engineering and Management. - 2000. -Vol. 126, No. 3. - P. 227-233.
10. Konstantin, P. Investment Appraisal Methods / P. Konstantin, M. Konstantin // Power and Energy Systems Engineering Economics. - Cham: Springer, 2018. -P. 39-64.
11. Dimitriou, H. T. Presenting the Case for the Application of Multi-Criteria Analysis to Mega Transport Infrastructure Project Appraisal / H.T. Dimitriou, E.J. Ward, M. Dean // Research in Transportation Economics. - 2016. - Vol. 58. -P. 7-20.
12. Häcker, J. Investment Appraisal / J. Häcker, D. Ernst // Financial Modeling. - London: Palgrave Macmillan, 2017. -P. 343-384.
13. Cassia, L. Equity Valuation Using DCF: A Theoretical Analysis of the Long-Term Hypotheses/L. Cassia, A. Plati, S. Vismara // Investment Management and Financial Innovations. - 2007. - No. 4. - P. 91-107.
14. Yin, S. Big Data for Modern Industry: Challenges and Trends (Point of View)/S. Yin, O. Kaynak//Proceedings of the IEEE. -2015. - Vol. 103, No. 2. - P 143-146.
15. Russom, P Big Data Analytics/P. Russom [et al.]// TDWI Best Practices Report, Fourth Quarter. - 2011. - Vol. 19, No. 4. - P. 1-34.
16. Plageras, A.P. Efficient IoT-based Sensor BIG Data Collection-Processing and Analysis in Smart Buildings /
A.P. Plageras [et al.] // Future Generation Computer Systems. - 2018. - Vol. 82. - P. 349-357.
17. Cavanillas, J.M. New Horizons for a Data-driven Economy: A Roadmap for Usage and Exploitation of Big Data in Europe / J.M. Cavanillas, E. Curry, W. Wahlster. -Springer Nature, 2016. - 312 p.
18. Begenau, J. Big Data in Finance and the Growth of Large Firms / J. Begenau, M. Farboodi, L. Veldkamp // Journal of Monetary Economics. - 2018. - Vol. 97. - P. 71-87.
19. Dudin, M. The Organization Approaches Peculiarities of an Industrial Enterprises Financial Management / M. Dudin [et al.]// Life Science Journal. - 2014. - Vol. 11, No. 9. - P. 333-336.
20. Stern, J. The EVA Financial Management System/J. Stern,
B. Stewart, D. Chew // Journal of Applied Corporate Finance. - 1995. - Vol. 8, No. 2. - P 82-87.
21. Enterprise Value Enhancement System and Method [Electronic resource]: Pat. US6411936B1 /A.M. Sanders. -
Publ. date 25.06.2002. - Mode of access: https://patents. google.com/patent/US6411936B1/en. - Date of access: 20.04.2020.
22. Method of and System for Valuing Elements of a Business Enterprise [Electronic resource]: Application US200100 41996A1 /J. Eder - Publ. date 15.11.2001. - Mode of access: https://patents.google.com/patent/US20010041996A1/ en. - Date of access: 20.04.2020.
23. Cheng, C.S.A. The Applicability and Usage of NPV and IRR Capital Budgeting Techniques / C.S.A. Cheng, D. Kite, R. Radtke // Managerial Finance. - 1994. - Vol. 20, No. 7. -P. 10-36.
24. Farber, A. A General Formula for the WACC / A. Farber, R.L. Gillet, A. Szafarz // International Journal of Business. -2006. - Vol. 11, No. 2. - P. 211-218.
25. Rebiasz, B. Fuzziness and Randomness in Investment Project Risk Appraisal / B. Rebiasz // Computers & Operations Research. - 2007. - Vol. 34, No. 1. - P 199-210.
26. Platon, V. Monte Carlo Method in Risk Analysis for Investment Projects / V. Platon, A. Constantinescu // Procedia Economics and Finance. - 2014. - Vol. 15, No. 14. -P. 393-400.
27. Hong, S. Design of Marketing Scenario Planning Based on Business Big Data Analysis / S. Hong [et al.] // Intern. Conf. on HCI in Business. 21.07.2015. - Springer, Cham, 2015. - P. 585-592.
28. Magni, C.A. Investment Decisions and the Logic of Valuation / C.A. Magni [et al.]. - Springer International Publishing, 2020. - 689 p.
29. Zizlavsky, O. Net Present Value Approach: Method for Economic Assessment of Innovation Projects / O. Zizlavsky// Procedia-Social and Behavioral Sciences. - 2014. - Vol. 156, No. 26. - P. 506-512.
30. Kosy, D.W. Self-Explanatory Financial Planning Models [Electronic resource]/D.W. Kosy, BP Wise. -1984. - Mode of access: https://www.aaai.org/Papers/AAAI/1984/ AAAI84-033.pdf. - Date of access: 20.04.2020.
31. Yu, S. Big Data Concepts, Theories, and Applications / S. Yu, ed.: S. Guo. - Springer, 2016. - 412 p.
32. Qin, X. A Risk-Sensitivity Analysis on NPV Model of Investment Projects / X. Qin, X. Ma, H. Bai // Modeling Risk Management in Sustainable Construction. - Berlin -Heidelberg: Springer, 2011. - P. 277-281.
33. Hassani, H. Forecasting with Big Data: A Review / H. Hassani, E.S. Silva // Annals of Data Science. - 2015. -Vol. 2, No. 1. - P. 5-19.
34. Damodaran, A. Damodaran on Valuation: Security Analysis for Investment and Corporate Finance /A. Damodaran. -John Wiley & Sons, 2016.
35. Webb, C. Power Query for Power BI and Excel/ C. Webb. -New York: Apress, 2014. - P. 78.
36. Orus, R. Quantum Computing for Finance: Overview and Prospects / R. Orus, S. Mugel, E. Lizaso // Reviews in Physics. - 2019. - Vol. 4.
37. Aljabre, A. Cloud Computing for Increased Business Value/A. Aljabre // International Journal of Business and Social Science. - 2012. - Vol. 3, No. 1. - P. 234-239.
38. Anderson, M.J. A New Method for Non-Parametric Multivariate Analysis of Variance / M.J. Anderson // Austral Ecology. - 2001. - Vol. 26, No. 1. - P. 32-46.
39. Luh, D.B. A Structural Matrix-Based Modelling for Designing Product Variety /D.B. Luh, Y.T. Ko, C.H. Ma // Journal of Engineering Design. - 2011. - Vol. 22, No. 1. -P. 1-29.
40. Farber, A. A General Formula for the WACC / A. Farber, R.L. Gillet, A. Szafarz // International Journal of Business. -2006. - Vol. 11, No. 2. - P. 120-128.
41. Sharashkina, T.P. Methodical Aspects of Organization and Carrying out of Functional-Cost Analysis on the Basis of Process Approach for the Purpose of Expenses and Quality Optimization // European Research Studies. -2016. - Vol. 19, Spec. Is. 3, Part B. - 2016. - P. 77-96.
42. Unitsky, A. String Transport Systems: On Earth and in Space: Scient. Publication/A. Unitsky. - Silakrogs: PNB Print, 2019. -576 p.: il.
43. Platt, H. Free Cash Flow, Enterprise Value, and Investor Caution / H. Platt, S. Demirkan, M. Platt // The Journal of Private Equity. - 2010. - Vol. 13, No. 4. - P. 42-50.
