CC BY
88
ВАНИЕ ■ В ■ ГОРНОЙ ПРОМЫШЛЕ
\.Д. Ашихмин, 2000 !
УДК 622.001.5
А.А. Ашихмин
ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ ПОТОКОВ И САЛЬДО РЕАЛЬНЫХ ДЕНЕГ ПРИ ОЦЕНКЕ ЭФФЕКТИВНОСТИ ИНВЕСТИЦИОННЫХ ГОРНОПРОМЫШЛЕННЫХ ПРОЕКТОВ
О
сновными этапами процесса принятия инвестиционных решений являются оценка и отбор проектов. Основной целью этапа оценки проектов является получение необходимой и достаточной информации, обеспечивающей возможность адекватного моделирования условий и принципов решения задач поэтапного выбора (отбора) проектов. [1]. В общем, и наиболее типичном (с позиций практики) случае предъявляемые сначала к оценке, а затем и к отбору проекты имеют различную степень «нечеткости» значений основных характеристик в силу различного уровня проработки проектов. В свою очередь, указанная «нечеткость» значений основных характеристик предопределяет различный уровень размытости результатов оценки эффективности и является основой для обоснования языка моделирования условий и принципов задач выбора проектов и методов их решения.
Игнорирование уровня и характера размытости оценок показателей эффективности - использование в качестве оценок детерминированных величин (как правило, только числовых характеристик положения значений показателей эффективности) неадекватно отражает условия отбора проектов и порождает высокую степень риска при принятии инвестиционных решений [1, 3, 5].
Специфической особенностью инвестиционных горнопромышленных проектов является высокий уровень зависимости эффективности их реализации от факторов природного характера. Так, для наиболее сложных и масштабных горнопромышленных
проектов - проектов освоения месторождений полезных ископаемых (например, цветных и благородных металлов) к таким факторам прежде всего относятся: размеры и элементы залегания рудных тел, горнотехнические и гидрогеологические условия разработки, содержание металлов в руде, минералогический состав руд и т.п. Высокая изменчивость указанных факторов наряду со степенью изученности месторождений (структурой категорий запасов и ресурсов, наличия результатов исследований условий разработки и технологических свойств руд) обуславливают степень и характер размытости таких основных параметров моделей потоков и сальдо реальных денег по соответствующему проекту освоения, как, например: запасы руды и металлов, средние содержания металлов, уровень извлечения металлов при переработке, мощность по руде и металлам, а также удельные (капитальные и эксплуатационные) затраты и срок подготовки к производству.
Целью имитационного моделирования при оценке эффективности горнопромышленных проектов является воспроизведение поведения исследуемой системы - потока реальных денег с учетом взаимосвязи, характера и степени «нечеткости» определения его основных параметров. Взаимосвязь параметров фиксируется в рамках соответствующих формальных моделей [2, 4], а степень и характер размытости параметров задается соответствующими вероятностными распределениями.
В соответствии с данными распределениями в процессе имитационного моделирования осуществляются выборки значений параметров (с учетом имеющихся функциональных и
корреляционных зависимостей), определение значений финансового итога на каждом расчетном шаге жизненного цикла проекта и производится расчет показателей эффективности (общего финансового итога, периода окупаемости и индекса выгодности инвестиций). Результаты имитационного моделирования - значения показателей эффективности представляют основу для определения (с учетом соответствующих статистических проверок) оценок числовых характеристик и (или) установления законов распределения показателей эффективности. Кроме того, вероятностное описание и имитационное моделирование условий реализации проектов обеспечивают возможность количественной оценки и последствий принятия инвестиционных решений в условиях риска [4].
Теоретически проработанная, относительно легко формализуемая и программируемая процедура имитационного моделирования при оценке эффективности инвестиционных горнопромышленных проектов в настоящее время практически не применяется из-за отсутствия информационной базы для формирования вероятностных распределений значений параметров моделей потоков реальных денег.
Вместе с тем, данная проблема может быть решена с использованием накопленного опыта в области разработки и применения экспертно-моделирующих процедур настройки нейросетевых моделей классификации горнопромышленных инвестиционных проектов и, в частности, проектов освоения золоторудных месторождений [3, 5].
Так, для эффективного обучения нейросетевых моделей классификации проектов необходим значительный объем исходной информации -конкретных сочетаний числовых значений характеристик проектов, которые могут быть в дальнейшем (после их оценки экспертами) использоваться для формирования структуры и параметров системы классификации. Так как количество реально существующих проектов, как правило, существенно меньше их потребного количества, то формируется совокупность гипотетических проектов в виде их описаний, состав и структура которых определились по результатам обработки опроса экспертов. Для формирования гипотетических проектов используется метод случайной генера-
ции их описаний с учетом ограничений, выявленных в процессе опроса экспертов. При этом весь диапазон изменения любой характеристики (параметра) разбивается на интервалы, размер которых определяется по названным экспертами диапазонам ее изменения (рис., а) Для каждого из полученных интервалов определяется относительное количество экспертов, названные которыми диапазоны изменения характеристики покрывают данный интервал, что рассматривается как аналог плотности распределения вероятности возможного появления такого значения данной характеристики в описаниях проектов. На базе полученной таким образом информации строится аналог интегрального закона распределения (рис., б), позво-
Рис. Интегральный закон распределения (б) проектной характеристики (извлечение золота из руды по схеме: гравитация-флотация-биометал-лургия), построенной на основании экспертных оценок диапазонов ее изменения (а)
ляющий при использовании стандартного генератора случайных чисел (с равномерным законом распределения и диапазоном генерируемых значений от нуля до единицы) формировать случайные значения характеристики в реальном диапазоне ее изменения, получая при этом больше значений в зонах наибольшей согласованности экспертов. Для дискретно изменяющихся характеристик проектов используется абсолютно аналогичный прием. При этом в аналоге интегрального закона распределения вместо наклонных линий формируются горизонтальные отрезки при соответствующих дискретных значениях (рис., б).
При генерации описаний гипотетических проектов предполагается, что экспертами в состав возможных характеристик включены только независимые характеристики, определяющие возможность получения их реальных сочетаний для генерируемых гипотетических проектов. Если среди используемых для описания характеристик присутствуют имеющие корреляционную или функциональную связь, то эта информация должна быть в обязательном порядке включена в процесс генерации гипотетических описаний.
Таким образом, использование аналогов экспертно-моде-лирующих процедур формирования необходимой по составу и объему информации для настройки нейросетевых моделей классификации обеспечивает возможность практической реализации методов имитационного моделирования потоков и сальдо реальных денег для получения оценок показателей эффективности горнопромышленных инвестиционных проектов с учетом степени и характера нечеткости задания значений параметров моделей.
СПИСОК ЛИТЕРАТУРЫ
1. Ашихмин А.А., Новикова И.К., Гумилевский А.С. Процедура отбора инвестиционных проектов. -М.: Изд-во МГГУ, ГИАБ -№2. 1996. С.45-48.
2. Ашихмин А.А., Новикова И.К., Жарков А.М. Моделирование показателей эффективности проектов производства эмульсионных взрывчатых веществ на горных предприятиях. -М.: Изд-во МГГУ, ГИАБ -№4. 1999. С.180-187.
3. Ашихмин А.А., Погонин В.В. Методика подготовки исходных данных для классификации проектов промышленного инвести-
рования // В сб. научных трудов»20 лет кафедре АСУ» -М : Изд-во МГГУ, 2000. С.120-128.
4. Методические рекомендации по оценке эффективности инвестиционных проектов (вторая редакция). Рук. авт. кол.: Коссов В.В., Лившиц В.Н., Шахназаров А.Г. -М.: Экономика, 2000. -С.421.
5. Новиков Б.К., Пашков Н.Ю., Ашихмин А.А. Нейросете-вой метод оценки и отбора проектов промышленного инвестирования. . -М.:Изд-во МГГУ, ГИАБ -№2. 1999. С.82-94.
....................................................... ^
Ашихмин Алексей Анатольевич доцеш, кандидщ 1ехнических наук, Московский государственный горный университет.
