CC BY
44
СПИСОК ЛИТЕРАТУРЫ
1. Владимирова И. Г. Слияния и поглощения компаний// Менеджмент в России и за рубежом. 1999. № 1
2. Гражданский кодекс Российской Федерации ч. 1, ст. 57 // СПС «Консультан-Плюс».
3. Федеральный Закон № 208-ФЗ «Об акционерных обществах от 26.12.1995 г// СПС «Консультант-плюс».
4. Радыгин А., Энтов Р., Шмелева Н. Проблемы слияний и поглощений в корпоративном секторе. М.: Институт экономики переходного периода, 2002.
5. Рид, Стэнли Фостер. Искусство слияний и поглощений: пер. с англ. М.: Альпина Бизнес Букс, 2004.
6. Ионцев М Г. Корпоративные захваты: слияния, поглощения, гринмэйл. М.: Ось-89, 2003.
7. Время упущенных возможностей. Обзор российского рынка слияний и поглощений (январь-декабрь 2008 г.)// [Электронный источник] режим свободного доступа: http://www.mergers.ra/netcat_files/File/Bullet-in_2008.pdf
8. Российский рынок слияний и поглощений в 2008 году/ .)// [Электронный источник] режим свободного доступа: http://www. croc.ru/m&a/materials/rynok2008.pdf
9. Ускорение свободного падения. Обзор российского рынка Слияний и Поглощений (январь-март 2009) // [Электронный источник] режим свободного доступа: http://www.mergers.ru/netcat_files/File/Bulletin_1Q09. pdf
УДК 658.1:621.4
Делицын Л. Л.
инструментарий для отбора венчурным фондом инновационных проектов
Венчурные фонды, наряду с центрами трансфера технологий, технопарками, бизнес-инкубаторами и центрами подготовки кадров, составляют инфраструктуру национальной инновационной системы. В Концепции долгосрочного социально-экономического развития Российской Федерации на период до 2020 г. [1] развитие механизмов венчурного финансирования в сфере информационно-коммуникационных технологий рассматривается как часть стратегии развития науки, национальной инновационной системы и технологий. Ожидается, что высокие прибыли венчурных инвесторов будут стимулировать привлечение внебюджетных средств в науку и инновации.
Венчурное инвестирование можно определить как долгосрочное предоставление средств молодым компаниям, находящимся на ранних стадиях развития, в обмен на долю в этих компаниях [2]. Поскольку будущее новых компаний, в особенности - их финансовые показатели, характеризуются чрезвычайно высокой неопределенностью, потенциальные инвесторы редко обладают всей информацией, необходимой для использования
традиционных инструментов оценки эффективности инвестиций. Успешный возврат средств венчурным фондом требует не только специальных знаний, но и владения системно-аналитическими методами отбора проектов ранних стадий ("стартапов").
В настоящей работе рассмотрен инструмент отбора инновационных проектов, построенный на основе матрицы первичной оценки бизнес-идеи (МПОБ) [3,4] с учетом специфики проектов, поступающих на рассмотрение венчурного фонда. Фонд ФИНАМ ИТ, который послужил базой для результатов, излагаемых в этой работе, фокусируется на молодых компаниях и проектах, работающих в области информационных и телекоммуникационных технологий (ИКТ). На рассмотрение инвестиционного комитета фонда в год поступает несколько сотен проектов, основатели которых рассчитывают в перспективе получить высокую прибыль благодаря успешной реализации новой идеи.
Состав имущества закрытого паевого инвестиционного фонда «Финам-Информационные
технологии» в 2007 г. позволяет получить представление о сфере деятельности типичных мо-
Наиболее значимыми активами в структуре фонда в 2006-2008 гг., к которым относятся данные, послужившие экспериментальной базой нашего исследования, являлись доли в компаниях «Мамба» и «Бука». Краткое описание этих компаний позволяет составить представление о характерном масштабе компаний и проиллюстрировать случаи, в которых фонд считает задачу выбора удачно решенной.
Пример инвестированной компании: «БУКА»
«Бука» (Buka Ltd) - издатель компьютерных игр, входит в тройку лидирующих игроков рынка. Объем выручки компании «Бука» в 2007 г. составил около 40 млн. долларов, показатель EBITDA - более 14 млн. долларов. Годовые темпы прироста оборота компании в 2007 г. превышали 50 %. В 2008 г. «Бука» была продана фондом компании «1 -С».
Пример инвестированной компании: ЗАО «Мамба»
ЗАО «Мамба» - интерактивный сервис он-лайн-знакомств с широкой партнерской сетью, где пользователи оплачивают услуги (в основном - по рекламе своих анкет) при помощи SMS-со-общений, отправляемых через операторов сотовой связи. Основные партнеры - проекты Mail.Ru и Rambler. Оборот компании в 2007 г. составил 405 миллионов рублей, темпы прироста оборота - око-
лодых компаний ("стартапов") ИКТ-отрасли и перечислен в таблице 1.
ло 50 % в год, рентабельность EBITDA - от 47 % до 50 %. Фонд планирует продажу «Мамбы» после достижения компанией стоимости в 4-5 млрд. рублей.
Необходимость разработки формализованной системы отбора стартапов вызвана ростом интенсивности потока проектов, поступающих на рассмотрение инвестиционного комитета фонда. Многие такие предложения, являясь инновационными в широком смысле, не соответствуют интересам венчурных инвесторов. Частичная формализация критериев, которыми руководствуется венчурный фонд при отборе проектов, делает его деятельность более понятной для предпринимателей и изобретателей, которые предлагают свои проекты на рассмотрение. В результате предложение адаптируется к спросу, и работа обеих сторон становится эффективнее.
Система отбора инновационных проектов венчурным фондом состоит из организационной и информационной подсистем (рис.1). Организационная подсистема включает мероприятия по сбору и обработке данных (в том числе т.н. "первые" и последующие встречи с авторами предложений), обсуждение проектов на совещаниях инвестиционного комитета, процедуру принятия решения о необходимости сбора дополнительных данных или о переходе к стадии подписания соглашения о конфиденциальности и тщательного изучения компании ("due diligence").
Таблица 1
Имущество ЗПИФ «Финам-Информационные технологии»
Имущество фонда Доля участия «Финам-ИТ» в капитале компаний Доля компаний в структуре активов фонда Сектор
«Мамба» 68,5 % 73,90 % Онлайн-сервисы
«Buka Ltd.» 26,5 % 16,33 % Игры
«Ашманов и Партнеры» «Поисковые технологии» 30 % 50 % 2,41 % 2,39 % Программное обеспечение, сервисы Программное обеспечение, медиа
«Манимэйл» 25 %+1 акция 2,99 % Электронная коммерция
«Мега Стайлс» 55 % 1,98 % Социальные сети, онлайн-сервисы
Организационная подсистема
Принятие решений
Совещания
Привлечение экспертов
Изучение предложений
Переговоры
Приём заявок, формальная экспертиза
Детальное изучение, финансовый анализ, юридическая экспертиза
Предварительный отбор проектов для детального изучения
Информационная подсистема
Данные о предпринимателях
Данные о компаниях
Данные о рынках
Рис. 1. Система отбора инновационных проектов
На упомянутых стадиях с проектом работают различные специалисты: на этапе предварительного изучения - аналитики по ИКТ-бизнесу, на этапе тщательного изучения возрастает роль юристов и специалистов по бухгалтерскому учету, решения принимаются инвестиционным комитетом. Указанные группы специалистов, хотя отчасти и пересекаются, но не совпадают, поэтому важно, чтобы их действия были согласованы. В частности, важно, чтобы первичный отбор проектов репрезентировал предпочтения инвестиционного
комитета, а не собственные симпатии аналитиков. Метод отбора проектов на основе матрицы предварительной оценки бизнес-идеи (МПОБ) принадлежит к классу т.н. "балльных моделей" и ставит целью быстро, силами малого числа подготовленных аналитиков оценить перспективность большого числа деловых идей [4]. Процесс расчета интегральной оценки привлекательности стартапа по качественным показателям на основе МПОБ можно изобразить при помощи блок-схемы (рис. 2).
Матрица предвар. оценки бизнеса
Рис. 2. Алгоритм предварительного отбора проекта
Методика предварительной оценки бизнес-идеи требует расчета шести агрегированных показателей, каждый из которых является суммой 3-5 более простых (элементарных) показателей. В табл. 2 перечислены агрегированные показатели, и для двух из них, - "привлекательности рынка" и "синергии бизнеса", - указаны все элементарные показатели.
Остальные элементарные показатели подробно описаны в статье [3] и гл. 3 монографии С. Я. Бабаскина [4]. Элементарные показатели могут быть измерены, оценены или рассчитаны экспертом. В этой работе мы будем для краткости называть элементарные показатели "признаками", хотя они не всегда являются результатами непосредственных измерений.
Таблица 2
Матрица предварительной оценки бизнеса [3,4]
№ Показатель Диапазон изменений
1 Привлекательность рынка 10..10
1.1. Рыночные перспективы -2..2
1.2. Темпы прироста рынка -2..2
1.3. Барьеры для вхождения на рынок -2..2
1.4. Уровень конкуренции -2..2
1.5. Прибыльность сегмента рынка -2..2
2 Выгоды пользователя 10..10
3 Обоснованность идеи 10..10
4 Синергия бизнеса -8..8
4.1. Соответствие миссии компании -2..2
4.2. Возможность использования существующей клиентской базы -2..2
4.3. Достаточность знаний и опыта -2..2
4.4. Возможность использования существующего производства и системы распределения -2..2
5 Достаточность ресурсов -8..8
6 Охрана идеи -6..6
Инвестиционный комитет венчурного фонда, выступающий в роли лица принимающего решение (ЛПР), или, точнее, группы, принимающей решение (ГПР), может использовать МПОБ в качестве одного из инструментов отбора проектов. (В этой работе мы не принимаем во внимание различия между ЛПР и ГПР, предполагая, что инвестиционные комитеты венчурных фондов, состоят из единомышленников). Инструмент должен преобразовывать экспертные оценки таким образом, чтобы полученная интегральная оценка соответствовала предпочтениям ЛП, например, служила оценкой функции полезности ЛПР.
Помимо показателей, необходимо определить
вектор весов и, который описывает важность отдельных показателей. Традиционный подход к задаче выбора использует линейную аддитивную модель функции полезности, в которой общая
полезность бизнес-идеи представлена в виде взвешенной суммы оценок полезности отдельных показателей:
и (X ) = £ акик (X )
к = 1 N
ик (х) = £ ™ии
I=1
и.
иы = £ (ху )
1=1
где и (X) - суммарная оценка полезности бизнес-идеи X ; и к (х) - полезность бизнес-идеи
X , измеренная к -м экспертом; ик - оценка привлекательности проекта по / -му агрегированному показателю, данная к -м экспертом; х ^ - величина ] -го признака (элементарного показателя) в составе -го агрегированного показателя;
М. - количество признаков, образующих / -й
агрегированный показатель;
UUj Х )
- полез-
ность признака х ^, измеренная к -м экспертом;
и; - вес / -го показателя; а {- вес мнения к -го эксперта; N - число агрегированных показателей, К - число экспертов.
Описанная модель явно учитывает различия важности мнений отдельных экспертов, при этом, однако, мнению каждого эксперта о полезности каждого частного признака присваивается одинаковый вес. Такие веса не всегда отражают реальные предпочтения, - в частности, финансист и технолог могут иметь радикально противоположные воззрения на полезность скорой окупаемости проекта, и это различие во взглядах нередко завершается "изгнанием" технолога из компании.
Подчеркнем, что сами признаки х ^ - объективно существуют, не зависят от экспертов, и становятся доступны экспертам в случае успешного сбора данных. Однако функции полезности
и(с^ различных экспертов, безусловно, могут отличаться, что привносит субъективизм отдельных оценок в традиционные балльные методы и требует погашения отклонений путем суммирования мнений экспертов. Сами эксперты сообщают
ЛПР не оценки значений признаков х ^ (в миллионах рублей, годах или процентах), а только свои
оценки их полезности и(х ■ ) в баллах, причем форма функций полезности неизвестна лицу, принимающему решения.
Обычно используется один из двух основных критериев выбора предложений:
1. Принимается предложение X с максимальной полезностью:
и(X) = тах(и(У) и^),...);
2. Предложение X принимается, если его полезность превосходит заранее заданную допустимую ("пороговую") величину
U (X) > Ucnt.
Отметим три основных отличия нашего подхода от традиционного [3,4]. Во-первых, мы "настраиваем" систему показателей под нужды венчурного ИКТ-фонда, установив соответствие между значениями элементарных показателей (признаков) и их балльными оценками. Это позволяет ослабить влияние субъективизма оценок, а также случайные вариации оценок во времени, их зависимость от кратковременных предпочтений и настроений аналитика (который в марте может быть захвачен одной "горячей" идеей, а в апреле - уже совершенно другой). Мы предполагаем, что для более или менее сходных проектов заранее определенное соответствие между значениями признаков и количеством баллов может облегчить работу эксперта, при этом балльные оценки различных экспертов будут отражать похожие значения признаков.
Во-вторых, мы визуализируем структуру системы показателей в виде двумерной карты и отмечаем стартапы точками на этой карте.
В-третьих, мы отказываемся от нормативного задания критерия отбора. Мы рассматриваем задачу отбора как задачу обучения с учителем, где в качестве обучающих множеств выступают выборка проектов, ранее отобранных фондом для тщательного изучения ("due diligence"), и выборка проектов, отклоненных фондом без детального изучения. Целью применяемого в данной работе метода когнитивного моделирования является построение модели процесса принятия решений менеджментом [5]. Зачастую опытный инвестор руководствуется опытом и интуицией, не формализуя критерии выбора альтернатив, либо не объясняя эти критерии аналитикам. В то же время аналитикам доступна обучающая выборка проектов, которые ЛПР уже принял к рассмотрению. Построенная на основе этой выборки модель принятия решений становится инструментом прогнозирования будущих решений ЛПР, и, в случае задачи отбора проектов позволяет оценить целесообразность тщательного изучения проекта или дополнительного сбора информации о проекте. С течением времени, по мере накопления больших массивов данных, возможно выделение из первой обучающей выборки подмножества финансово успешных проектов.
Традиционный способ предназначен для отбора чрезвычайно сильно различающихся про-
4-
ектов, при этом от экспертов требуются глубокие и специфические знания, а балл, присваиваемый экспертом, имеет самостоятельную ценность. Однако венчурный фонд сталкивается с задачей выбора проекта среди десятков однотипных, очень похожих друг на друга, представителей общего класса, для которого уже набрана статистика показателей. Мы предлагаем устанавливать соответствие между значениями отдельных признаков и "общепринятыми" баллами, которые добавил бы за такие значения "типичный" компетентный специалист, репрезентирующий мнение инвестиционного комитета фонда.
Соответствие имеет вид:
Ukij = Uj ixky)
где Хщ - оценка признака проекта, измеренная
к -м экспертом (которая может быть количественной или атрибутивной и измеряется в денежных
единицах, годах, процентах и т.п.); и~- - полезность значения признака, одинаковая для всех экспертов.
Так, например, оценивая проект по показателю "темпы прироста рынка" (см. таблицу 2), мы добавим два балла проектам, работающим на рынках с годовыми темпами прироста более 100 % , один балл - при темпах от 50 до 100 %, ноль баллов - от 20 до 50 %, мы вычтем один балл при темпах в 10-20 % и два балла - при годовых темпах прироста менее 10 %.
Оценка функции полезности ЛПР приобретает вид:
К N М,
и (х)=£££ ики, (х«,).
к=1 1=\ у=1
Теперь, если два аналитика полагают, что рынок, на который намерен выйти со своей услугой автор проекта, растет на 15 % в год, то оба вычтут из оценки привлекательности рынка один балл. При отсутствии единой системы соответствия один эксперт мог бы счесть темпы прироста рынка "высокими" и добавить проекту один балл, а другой - "чрезвычайно низкими" и вычесть у проекта
два балла. Общие и у устраняют такой разброс.
Цель введения общих иУ состоит в том, чтобы от субъективных оценок (таких как "рынок растёт чрезвычайно быстро"), которые могут
различаться у различных экспертов, перейти к количественным показателям, которые разные эксперты при наличии одинаковой информации оценят единообразно. Разумеется, при таком подходе может потеряться "здоровый" разброс мнений экспертов относительно того, сколько баллов следует присваивать тому или иному значению признака. Составитель руководства по измерению функций полезности может навязать экспертам
свою собственную функцию U j , не близкую к соответствующей функции ЛПР. Поэтому руководства по измерению функций полезности должны составляться с участием ЛПР.
При помощи МПОБ нами были проанализированы результаты отбора 150 идей, проектов и компаний, рассмотренных венчурным фондом ФИНАМ ИТ в первой половине 2007 г. Средняя
оценка U(X) коммерческой привлекательности предложений, отобранных фондом для тщательного изучения («due diligence»), оказалась более чем вдвое выше, чем средняя оценка произвольного предлагаемого проекта. Таким образом, оценка, полученная с помощью МПОБ, в целом согласуется с решениями инвестиционного комитета венчурного фонда.
Факторный анализ матриц МПОБ позволил нам разделить агрегированные показатели на две группы, соответствующие двум главным компонентам. На рис. 3 первой главной компоненте соответствует вертикальная ось, второй - горизонтальная. Обнаружилось, что показатели "привлекательность рынка" и "выгоды для пользователя" имеют высокие значения первой главной компоненты и низкие значения второй. Напротив, показатели "обоснованность идеи" и "синергия бизнеса" имеют высокие значения второй главной компоненты и низкие - первой.
Показатель "достаточность ресурсов" имеет высокие значения обеих главных компонент. Это логично, поскольку недостаток ресурсов с одной стороны не позволяет преодолеть барьеры для входа на рынок и использовать экономию от масштаба, а с другой - увеличивает вероятность провала проекта. Показатель "охрана идеи" показал отрицательную корреляцию с показателями обоснованности идеи и синергии бизнеса. Мы объясняем это тем, что в Интернет-индустрии, к которой принадлежит значительное число рассмотренных проектов, быстро клонируются все полезные (и бесполезные) идеи.
Агрегированные показатели в базисе двух главных компонент
п.
е 00
1,0
0,6
Привлекательность ф рынка Охрана идеи • • Выгоды пользователя Достаточность ресурсов • Обоснованность идеи Синергия
бизнеса ^ #
0,0 -0,2
-0,8
-0,6
-0,4 -0,2 0 0,2 0,4 0,6
Первая главная компонента ("знание")
0,8
Рис. 3. Агрегированные показатели в базисе главных компонент
Близость четырёх агрегированных показателей к главным компонентам корреляционной матрицы, иллюстрируемая рис. 3, обосновывает возможность использовать два комплексных показателя вместо одного и сравнить полученный результат с обучающей выборкой, состоящей из проектов, отобранных венчурным фондом для тщательного изучения. Предлагаемые два комплексных показателя рассчитываются по формулам:
N
Эт (Х) = £ ик
1=1
и ( \
ик =£и УХку)
у=1
где $ (X)- т -й комплексный показатель проекта X , полученный к -м экспертом;
ии - матрица весов; 1 = 1. N, т = 1. М .
Ограничимся только двумя комплексными показателями (М = 2 ). Тогда матрица весов и ^ приобретает чрезвычайно простой вид (табл. 3).
Условно назовем первый комплексный показатель () показателем "привлекательности идеи", на рис. 4. ему соответствует вертикальная ось. Второй комплексный показатель ($ 2к) назовем показателем "компетентности", подразумевая, что он измеряет достаточность опыта и знаний
фонда для инвестирования в предлагаемый проект. Противоположный ему показатель можно считать мерой "неопределённости" или риска проекта, на рис. 4. он откладывается по горизонтальной оси вправо.
Таблица 3
Матрица весов
1 Показатель т = 1 т = 2
1 Привлекательность рынка 1 0
2 Выгоды для пользователя 1 0
3 Обоснованность идеи 0 1
4 Синергия бизнеса 0 1
5 Достаточность ресурсов 0 0
6 Охрана идеи 0 0
Отметим, что ни в один из двух комплексных показателей мы не включили показатель "достаточности ресурсов", поскольку оказалось, что при первичном отборе без него можно обойтись, но это не означает, что ресурсоемкость проекта не важна. Потребности в ресурсах следует учитывать на следующих стадиях отбора проектов. Действительно, если проект интересный, но ресурсоемкий, то венчурный инвестор может собрать "пул" инвесторов, либо предложить ин-новатору разбить проект на несколько стадий. Кажется неразумным, чтобы перспективный проект был без учета мнения ЛПР отклонен аналитиком на стадии предварительного изучения по причине ресурсоемкости.
4
Привлекательность идеи
20 15 10
0 -5 -10-15 -20 Неопределённость
Рис.4. Диаграмма "неопределенность - привлекательность бизнес идеи"
В оригинальном варианте [3,4] метод МПОБ решает задачу классификации при помощи линейной дискриминантной функции. Мы предлагаем использовать двумерную карту оценок с использованием двух агрегированных показателей (рис. 4). При этом можно не только отделить одну полуплоскость от другой, но использовать более сложные области, например, угол. На рис. 4 угол, в который попали проекты, отобранные инвестиционным комитетом, помечен надписью "Тщательное изучение". Область заведомо неинтересных проектов помечена надписью "отклонение". В случае попадания идеи в область, лежащую между двумя, описанными выше, и имеющую форму полосы, требуется предпринять сбор дополнительной информации, если такой сбор не требует существенных затрат.
Задача отбора стартапа для тщательного изучения превращается в задачу классификации с обучением, при этом требуется предварительное построение решающих поверхностей, исходя из цены ошибки первого и второго рода. На рис. 4 все рассмотренные проекты изображены ромбами, а проекты, отобранные фондом для тщательного изучения - закрашенными кружками. Сплошная линия ограничивает область высокой вероятности принятия решения о проведении тщательного изучения проекта. Пунктирная линия ограничивает
область идей, которые со столь высокой вероятностью будут отклонены фондом, что дополнительный сбор информации не требуется. На данном этапе исследований мы ограничились кусочно-линейными решающими поверхностями.
Разработанный инструмент целесообразно использовать уже при подготовке т.н. "первых встреч" с авторами идей и проектов, поскольку он помогает определить направление поиска дополнительной информации. Необходимость в дополнительной информации возникает тогда, когда итоговые оценки положения проекта на карте "Неопределенность - привлекательность", определенные несколькими аналитиками, резко различаются, причем некоторые, но не все, из получившихся оценок попадают в зону "тщательного изучения". Это значит, что оценки показателей, сделанные разными экспертами, резко отличаются.
Проиллюстрируем проблему на примере итогов деловой игры. В ходе каждому из пятнадцати студентов старшекурсников МГУКИ, специализирующихся на мультимедийных и информационных системах, было предложено представить себя в роли руководителей крупных компаний сферы ИКТ, венчурных фондов - частных и с государственным участием, бизнес-ангелов, и т.п. Все участники игры получили одну и ту же информацию о проекте трехмерного моделирования
размещения мебели в квартире, опубликованную журналом "Секрет фирмы" [9], и независимо заполнили соответствующие элементы МПОБ. Отметим, что указанный проект не был поддержан инвестиционным комитетом ФИНАМ ИТ, однако осенью 2008 г. другой венчурный фонд, AddVen-Шге, инвестировал в него некоторые средства (не превышающие, по словам представителей фонда, 50 тыс. долларов). Таким образом, мнения венчурных фондов по поводу перспектив одного и того же проекта существенно разошлись.
Как показывает рис. 5, агрегированные оценки, данные проекту студентами по предлагаемой нами методике, также характеризуются весьма существенным разбросом оценок. При этом по горизонтальной координате разброс оказался значительно выше, чем по вертикальной. Мы связываем это с тем, что для оценок "привлекательности" проекта, которые агрегируются в вертикальной координате, мы составили строгие количественные инструкции, в то время как для оценок обоснованности и синергии, которые агрегируются в горизонтальной координате, предложили использовать пятибалльную шкалу согласия Лайкерта.
Средняя оценка участников игры изображена на рис. 5 закрашенным кружком, а оценка эксперта фонда ФИНАМ ИТ - закрашенным треугольником. В среднем участники игры оценили привлекательность проекта несколько выше, чем эксперт фонда, тем не менее, их средний результат остался в зоне дополнительного сбора информации.
Дополнительная информация должна помочь экспертам определить значения признаков
проекта X^ точнее. Если эта дополнительная информация решает проблему разброса оценок, то после ее сбора оценки различных экспертов
ХШ]. будут мало отличаться от среднего значения признака. Возможна и ситуация, в которой дополнительная информация не поможет согласовать оценки экспертов. В последнем случае ресурсы на поиск информации и повторную оценку расходуются впустую. На практике стоимость поиска дополнительной информации о каждом отдельном проекте ничтожно мала по сравнению с выгодой, упущенной при пропуске перспективной инновации. Однако венчурный фонд работает с многими сотнями проектов. Очевидно, что при среднем потоке проектов в одно предложение в рабочий день, один специалист не может тратить на изучение одного проекта в среднем более одного дня. Поэтому когда дополнительное исследование проектов превышает возможности штата специалистов, требуется нанять дополнительного квалифицированного специалиста, а в этом случае совокупные расходы на зарплату, офисное пространство и технику и т.п. уже вполне сравнимы с инвестициями в небольшой стартап. Таким образом, даже на уровне предварительного отбора, аналитикам фонда приходится отсеивать некоторые проекты без дополнительного сбора информации.
При в л е кате л ь н ость идеи
20 15 10 5 О -5 -10 -15 -20
Неопределённость
Рис. 5. Разброс оценок одного и того же проекта, полученных пятнадцатью участниками деловой игры
4-
На рис. 6. стрелками, соединяющими кружки, показано, как изменились представления аналитика фонда о четырех проектах по итогам "первых встреч" с представителями трех молодых компаний, разрабатывающих решения "БааБ" ("software-as-a-serace") - услуг по предоставлению возможности использования программного обеспечения (ПО). Этот инновационный вид услуг в последние годы становится популярным направлением деятельности российских разработчиков ПО, и многие молодые коллективы предлагают решения в этой области.
Дополнительно на рис. 6 ромбами показаны еще 15 проектов, разрабатывающих или внедряющих ПО сходного назначения, авторы которых предоставляют или рассчитывают предоставлять ПО как сервис. Каждый из четырех проектов по итогам первоначального изучения предложений попал в "промежуточную" зону, поэтому с целью сбора дополнительной информации были проведены "первые встречи". Как иллюстрирует рис. 6., информация, которую аналитики фонда приобретают в ходе "первых встреч" может смещать предварительную оценку проекта в различных направлениях, однако амплитуда смещений обычно недостаточно велика, чтобы вывести проекты в область тщательного изучения. В целом область "БааБ" с точки зрения изучаемого в этой работе венчурного фонда выглядит пока малопривлекательной и сравнительно малознакомой.
Нами предпринята также попытка ввести в рассмотрение дополнительный показатель но-
визны. Для каждого из изученных проектов эксперт-аналитик оценил степень новизны проектов по пяти возможным признакам, выделенным Й. Шумпетером [6]: новый продукт, новый рынок, новый материал, внедрение новой технологии, новая организация производства. Агрегированный показатель новизны суммировал эти пять оценок. Как показал корреляционный анализ, линейный коэффициент корреляции с выделенным нами ранее фактором "неопределенности" составил 0,65, что выше, чем коэффициенты корреляции с показателями обоснованности идеи и синергии бизнеса по отдельности (оба оказались равны 0,54), а корреляция с фактором привлекательности и его составляющими практически отсутствует. Таким образом, чем новее изобретение, тем оно непонятнее и "дальше" от инвестора, поэтому возросшая неопределенность должна компенсироваться высокой привлекательностью инновации.
Можно усмотреть прямое соответствие между выделенными нами факторами привлекательности и неопределенности и другими наборами показателей, в частности, показателями полезности и простоты использования, на которых основана модель ТАМ [7], разработанная Ф. Дэвисом при исследовании принятия потребительских решений о выборе информационных технологий. Представляется важным также изучить соответствие между выбранными нами показателями и признаками, выделенными Э. Роджерсом и позволяющими прогнозировать относительную скорость распространения инновации, такими как относительное
Неопределённость
Рис. 6. Изменение предварительной оценки проектов по итогам "первых встреч".
превосходство нововведения, его совместимость, наглядность, возможность попробовать и простота [8]. Можно предположить, что показатель относительного превосходства соответствует выделенному нами показателю привлекательности, а остальные показатели Э. Роджерса детализируют показатель неопределенности.
С нашей точки зрения более высокая точность отсева проектов достигается путем включения третьей координаты - "человеческого фактора", агрегирующего информацию об источниках информации о проекте, о рекомендациях известных экспертов, предыдущих успешных проектах ключевых лиц стартапа, об истории сотрудничества предпринимателя-инноватора с фондом. Такие характеристики не учитывались в методе МПОБ, который изначально был предназначен для отбора идей, а не компаний или коллективов. По-видимому, социальные сети лиц, принимающих инвестиционные решения, процесс обмена информацией между членами этих сетей и механизмы их влияния друг на друга, должны служить главными источниками сведений, позволяющих совершенствовать инструменты отбора. Не исключено, что для этого потребуется вновь принять во внимание индивидуальные
полезности иШ]- ), однако, измеряющие уже не предпочтения аналитиков, осуществляющих предварительных отбора, а измеряющие предпочтения других экспертов, предположительно оказыва-
ющих влияние на принятие решения (например, известных в индустрии предпринимателей или руководителей конкурирующих венчурных фондов). В этом отношении методика предварительного отбора подобна массовому стандартизованному тестированию школьников, которое решает задачу отсева двоечников, но не позволяет распознавать будущих талантливых ученых. Для решения задачи отбора лучших предназначена стадия тщательного изучения "due diligence".
Развивая подход, основанный на матрице предварительной оценки бизнес-идеи, мы опробовали новый инструмент поддержки принятия решения - диаграмму "неопределённость" - "привлекательность", которая построена на основе суммирования двух групп показателей. Предложенный нами инструмент отсева инновационных проектов, построенный на основе матрицы первичной оценки (МПО) бизнес-идеи с учетом специфики проектов, поступающих на рассмотрение венчурного фонда, является достаточно простым и эффективным для применения в практике работы венчурных фондов. Предлагаемая диаграмма "неопределенность - привлекательность" способна помочь предпринимателям понять логику принятия венчурным фондом решений по предложенным инновационным проектам, наглядно обосновать необходимость сотрудничества предпринимателя и потенциального инвестора в ходе изучения инновационных предложений.
СПИСОК ЛИТЕРАТУРЫ
1. Концепция долгосрочного социально-экономического развития Российской Федерации на период до 2020 года. Утверждена распоряжением Правительства Российской Федерации от 17 ноября 2008 г № 1662-р
2. Каширин А. И., Семенов А. С. Венчурное инвестирование в России // М.: Вершина. 2007. 320 с.
3. Бабаскин, С. Я. Использование аппарата нечетких множеств при отборе бизнес-идей // Машиностроитель. №4. 2005. С.36-43.
4. Бабаскин, С. Я. Инновационный проект. Методы отбора и инструменты анализа рисков // М.: Дело АНХ. 2009. 240 с.
5. Martino J. P. R & D project selection. // J. Wiley & Sons, Inc. New York. 1995. 266 p.
6. Шумпетер И. А. Теория экономического развития. Капитализм, социализм и демократия. // М.Экс-мо. 2007. 864 с.
7. Davis F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
8. Rogers E. M. Diffusion of Innovations // Free Press. 1990.
9. Гусаков А. Трехмерный уют // Секрет фирмы. № 41 (273). 20.10-26.10. 2008. С. 48-49.
