CC BY
85
УДК 330.142.211
DOI: 10.25206/2542-0488-2019-4-2-140-145
А. Л. ТКАЧЕНКО О. Г. ШЕВЕЛЕВА
Омский государственный технический университет, г. Омск
ОЦЕНКА РИСКОВ В ИНВЕСТИЦИОННОМ ПРОЕКТИРОВАНИИ
Актуальность темы обусловлена необходимостью всестороннего анализа управления инвестиционными рисками предприятия для повышения эффективности его работы. Целью исследования является анализ существующих методов оценки риска и неопределенности при принятии решения об инвестировании и разработка рекомендаций по использованию методов имитационного моделирования при оценке инвестиционных рисков. Предложено и проиллюстрировано на конкретном примере использование описательной статистики для оценки результатов имитационного моделирования методом Монте-Карло с использованием табличного процессора MS Excel. Ключевые слова: инвестиционный риск, проектная неопределенность, имитационное моделирование, экономическая эффективность, метод Монте-Карло.
Риски — неотъемлемая часть инвестиционной деятельности. Они всегда тем или иным образом участвуют в формировании прибыли организации. Менеджеру проекта для достижения поставленных целей необходимо разработать эффективную стратегию управления рисками.
На сегодняшний день нет одного общепринятого определения риска. Это связано с активным развитием теории рисков и со спецификой конкретных секторов экономики. Рассмотрим определения рисков (табл. 1), представленные в отечественных и зарубежных стандартах [1 — 4].
С точки зрения вложения инвестиций, определение А. А. Емельянова [5] наиболее полно отражает суть рисковых ситуаций и более всего подходит для моделирования инвестиционных проектов [6].
Инвестиционные риски, возникающие при выполнении инвестиционного проекта, можно определить как вероятность частичной или полной потери прогнозируемой проектной прибыли [7].
Возникновение инвестиционных рисков неразрывно связано с неопределенностью прогнозируемых результатов. На практике принято отождествлять риски и неопределенность [8].
Однако еще Ф. Найт [9], автор первого научного определения риска, предложил различать понятия «риск» и «неопределенность». Риск возникает в том случае, когда предпринимаемые действия могут повлечь за собой несколько сценариев развития событий с известным распределением их вероятностей. В случае, когда распределение неизвестно, ситуация расценивается как неопределенность [10].
На возникновение рисковых ситуаций влияют многочисленные внешние факторы — обстоятельства, ставшие первопричиной возникновения рисков и повлекшие за собой череду неблагоприятных для бизнеса событий.
В зависимости от внешних факторов исход возникновения риска (рис. 1) для вовлеченного в процесс или явление субъекта может повлечь за собой один из трех следующих вариантов развития событий:
1) отсутствие результата;
2) прибыль;
3) убытки.
Внешние факторы не имеют зависимости от действий субъекта, их нельзя изменить, но их необходимо учитывать в процессе принятия решений, так как они влияют на выбор стратегии управления рисками.
При оценке рисков большинство авторов выделяют качественный и количественный подход в оценке рисков [11].
Для качественного подхода характерно решение следующих задач:
— анализ предметной области, определение рисковых этапов работ, выявление причин риска;
— определение возникающих видов рисков;
— прогнозирование возможных последствий, которые могут наступить при реализации принятого рискового решения.
Наибольшее распространение для проведения качественного анализа проекта получил экспертный метод. При его реализации экспертам предлагается оценить каждый вид рисков, после этого все экспертные оценки собираются и обрабатываются с использованием методов системного анализа и определяется интегральный уровень рисков [12].
Результаты качественного анализа служат основой для дальнейшего количественного анализа инвестиционного проекта, т. е. оценки риска.
При разработке стратегии важно учитывать природу рисков. Самые опасные для инвестиционной деятельности риски связаны с динамически
Таблица 1
Определения рисков в зависимости от рассматриваемой области экономики
Стандарт Определение риска
ГОСТ Р ИСО 31000-2010 [1] Влияние неопределенности на цели
ГОСТ Р ИСО/МЭК 31010-2011 [2] Следствие влияния неопределенности на достижение поставленных целей.
PMBoK [3] Неопределенное событие или условие, которое в случае возникновения имеет воздействие (позитивное или негативное) по меньшей мере на одну из целей проекта.
COSO ERM [4] Вероятность возникновения событий, которые могут оказать влияние на достижение стратегических и бизнес-целей.
о
от
т
Рис. 1. Исход возникновения риска
меняющейся внешней средой. На нее нельзя повлиять, но можно спрогнозировать будущую прибыль при определенных значениях входных параметров внешней среды.
Для оценки влияния наиболее весомых факторов на прибыль организации применяются методы количественного анализ рисков. При реализации некрупных инвестиционных проектов можно ограничиться применением методов анализа чувствительности и сценарного анализа [13].
Анализ чувствительности применяется для определения наиболее весомых рисков проекта [14]. В ходе анализа оценивается, как показатели эффективности проекта реагируют на изменения переменных, которые используются для ее вычисления. Все переменные по очереди варьируются, при этом остальные остаются неизменными. При анализе полученных результатов выявляется наиболее критичная переменная и ее значение, при котором инвестиционный проект перестает быть эффективным. Анализ эффективности не лишен недостатков, он не учитывает вероятностные изменения первоначальных данных и проводится только с фиксированными значениями параметров. В ходе анализа можно изменять значения только одной переменной.
Сценарный анализ, напротив, дает возможность вместе с базовым набором данных рассматривать ряд других наборов данных, существенных для инвестиционного проекта.
На практике широкое распространение получил метод Монте-Карло. В процессе моделирования реальная модель заменяется имитационной, все эксперименты проводятся с построенной моделью. Этот метод значительно эффективнее остальных, т. к. позволяет учесть влияние на результат случайных
величин и процессов [15]. Имитационное моделирование можно провести как с помощью специальных пакетов прикладных программ, таких как AnyLogic, GPSS World, Simulink и др., так и с помощью табличного процессора MS Excel.
Суть метода Монте-Карло заключается в соединении метода анализа чувствительности и вероятностных распределений факторов модели. Модель строится для сотен вариантов возможных комбинаций параметров. Чем больше вариантов комбинаций, тем качественней построенная имитационная модель. При этом используется вся доступная проектная информация [16].
Информация собирается, обрабатывается и применяется для количественного описания неопределенности и определения воздействия неопределенности на параметры эффективности инвестиционного проекта.
Результатом анализа рисков является вычисленное значение чистой текущей стоимости проекта и вероятностное распределение всех возможных значений этого показателя.
Чистую текущую стоимость проекта можно рассчитать по формуле (1):
n CF NPV = ,
t=i (1 + R))
(1)
где п = t — количество периодов времени; СР — приходящий денежный поток; Я — ставка дисконтирования (стоимость капитала).
Для реализации метода Монте-Карло необходимо определить функцию распределения между переменными. Чтобы ее вычислить, для случайной величины вычисляются дисперсия и математические
Инвестиции Цена продукта Объем реализации Выручка Постоянные издержка Переменные издержки Прибыль Ставка налога Сумма налога Чистая прибыль Коэффициент эффективности Срок окупаемости
1000000,00 4000,00 160.00 640000,00 6000.00 6400,00 627600,00 0.20 125520,00 502080,00 0,50 1,99
3987,99 222.00 885333,84 6000,00 40,00 879293.94 0.20 175858,79 703435,15 0,70 1,42
3948,89 92,00 363298,13 6000,00 40,00 357258,13 0.20 71451,63 285806,50 0.29 3,50
4009,77 211,00 846061,53 6000,00 40,00 840021,53 0.20 168004,31 672017,23 0.67 1,49
4051,06 212,00 858824,50 6000,00 40,00 852784,50 0,20 170556,90 682227,60 0,68 1,47
4047,93 181,00 732676,06 6000,00 40,00 726636,06 0,20 145327,21 581308,84 0,58 1,72
4069,33 109,00 443556,46 6000,00 40,00 437516.46 0.20 87503,29 350013,17 0,35 2,86
3912,66 229.00 895998,34 6000,00 40,00 889958,34 0.20 177991.67 711966.67 0.71 1,40
3990,63 99,00 395072,64 6000,00 40,00 389032,64 0.20 77806,53 311226.11 0.31 3,21
4043,80 20.1.00 820891,58 6000,00 40,00 814851,58 0.20 162970,32 651881.27 0,65 1,53
3956,53 93,00 367957,47 6000,00 40,00 361917.47 0.20 72383,49 289533,98 0.29 3,45
3972,39 126.00 500521,37 6000,00 40,00 494481.37 0.20 98896.27 395585,10 0,40 2,53
3932,38 179,00 703896,50 6000,00 40,00 697856,50 0,20 139571,30 558285,20 0,56 1,79
3926,12 139,00 545731,18 6000,00 40,00 539691,18 0,20 107938,24 431752,94 0,43 2,32
3960,89 93,00 368363,22 6000,00 40,00 362323,22 0,20 72464,64 289858,57 0,29 3,45
3969,06 183.00 726337,93 6000,00 40,00 720297.93 0.20 144059,59 576238,34 0.58 1,74
3915,28 216.00 845701.07 6000,00 40,00 839661.07 0.20 167932.21 671728.86 0.67 1,49
3977,28 132.00 525001,36 6000,00 40,00 518961,36 0.20 103792,27 415169,09 0.42 2,41
3983,84 81,00 322690.89 6000,00 40,00 316650,89 0.20 63330,18 253320,71 0,25 3,95
4005,39 104,00 416560.99 6000,00 40,00 410520,99 0.20 82104,20 328416.79 0,33 3,04
3985,38 164,00 653602,37 6000,00 40,00 647562,37 0,20 129512,47 518049,89 0,52 1,93
3986,92 148,00 590064,22 6000,00 40,00 584024,22 0,20 116804,84 467219,37 0,47 2,14
3985,19 216,00 860801,12 6000,00 40,00 854761,12 0,20 170952,22 683808,90 0,68 1,46
4053,71 238.00 964781.95 6000,00 40,00 958741,95 0.20 191748.39 766993,56 0.77 1,30
Рис. 2. Данные имитационной модели для оценки риска инвестиций
Описательная статистика
Среднее 0,65815314
Стандартная ошибка 0,02524111
Медиана 0,656408941
Стандартное отклонение 0,3578545
Дисперсия выборки Q,128059843
Эксцесс -1,079221601
Асимметричность 0,006921805
Интервал 1,258554022
Минимум 0,008108163
Максимум 1,266662185
Сумма 132,2887812
Счет 201
Уровень надежности (95,0%) 0,049772849
Рис. 3. Результаты описательной статистики
ожидание. Математическое ожидание характеризует распределение значений случайной величины. Дисперсия характеризует меру разброса значений величины по отношению к ее математическому ожиданию и показывает характер сосредоточенности значений около величины математического ожидания [17].
Формула (2) для вычисления дисперсии выглядит следующим образом:
D(X) = M(X - M(X) 2 = M(X2) - (M(X) 2,
(2)
где Х — случайная величина; М(Х) — математическое ожидание.
После определения функции распределения проводят моделирование методом Монте-Карло.
Этот метод широко применяется на практике, в частности, для анализа рисков инвестиционных проектов в условиях высокой степени риска и неопределенности.
Проведем имитационное моделирование задачи развития бизнеса в табличном процессоре MS Excel. Данные задачи следующие: инвестиции 1 000 000 руб., цена продукта 4000 шт., объем реализации 160 шт., постоянные издержки 6000 руб., переменные издержки 40 руб./шт., ставка налога 20 %. Расчетные показатели для задачи следующие:
выручка 640 000 руб., прибыль 627 600 руб., сумма налога 125 520 руб., чистая прибыль 502 080 руб., коэффициент эффективности 0,50, срок окупаемости 1,99 мес.
Определимся с прогнозируемыми показателями. Цена продукта и объемы его производства могут быть скорректированы в будущем. Объем производства продукта может быть определен как случайная величина, варьирующаяся от запланированной в диапазоне ±50 %. Поэтому включим этот показатель в имитационную модель. В меню «Данные — анализ данных» выберем генерацию случайных чисел. Для генерации зададим следующие значения: число переменных 1, число случайных чисел 200, распределение нормальное, среднее значение цены 4000, стандартное отклонение 40, в качестве выходного интервала выберем фиксированную ячейку В4.
В результате проделанных действий появится 200 сгенерированных значений объема выпуска продукции. Далее проведем моделирование для сгенерированных значений объема выпуска продукции с использованием функции СЛУЧМЕЖДУ. Нижняя граница этой функции — худший вариант продаж, одна единица продукции. Лучший вариант продаж, по данным исследований, 400 единиц продукции.
Для переменных издержек укажем постоянное значение 40 ед. за штуку. Для остальных показателей скопируем значение и протянем вниз на весь диапазон. В итоге получится таблица с данными, которые понадобятся для дальнейшей оценки рисков проекта (рис. 2).
Для оценки рисков инвестиционного проекта проведем экономико-статистический анализ с помощью инструмента «Описательная статистика», который автоматически вычисляет наиболее часто используемые в анализе инвестиций характеристики данных (рис. 3). В качестве входных данных в описательной статистике используем коэффициент эффективности. На основании полученных данных описательной статистики можно проводить дальнейший анализ числовых показателей [18].
Следует отметить, что среднее значение при большом размере выборки для имитационной модели имеет большую достоверность. В приведенном
примере средняя оценка коэффициента эффективности составила 0,65 при запланированном значении 0,5.
Для анализа также может использоваться полученное значение медианы — точной середины сгенерированного множества данных. В примере медиана составила 0,65.
При исследовании следует обращать внимание на характеристики максимума и минимума генерируемых показателей для мониторинга наибольшего и наименьшего значения коэффициента эффективности инвестиций.
« Стандартное отклонение» показывает данные о широте разброса сгенерированных данных относительно среднего, что может быть использовано при принятии решения об инвестировании.
Таким образом, в результате проведенного исследования были проанализированы существующие количественные и качественные методы оценки риска и неопределенности при принятии решения об инвестировании, предложено для оценки результатов имитационного моделирования методом Монте-Карло использование инструмента «Описательная статистика» табличного процессора MS Excel.
Библиографический список
1. ГОСТ Р ИСО 31000-2010. Менеджмент риска. Принципы и руководство. Введ. 2010-12-21. М.: Стандартинформ, 2018. 27 с.
2. ГОСТ Р ИСО/МЭК 31010-2011. Менеджмент риска. Методы оценки риска. Введ. 2011-12-01. М.: Стандартинформ, 2012. 74 с.
3. A Guide to the Project Management Body of Knowledge. Pennsylvania: Project Management Institute, 2000. 211 p. ISBN 1-880410-22-2.
4. Enterprise Risk Management. Applying enterprise risk management to environmental, social and governance-related risks. October 2018. URL: https://www.coso.org/Documents/2017-COSO-ERM-Integrating-with-Strategy-and-Performance-Executive-Summary.pdf (дата обращения: 17.03.2019).
5. Анфилатов В. С., Емельянов А. А, Кукушкин А. А. Системный анализ в управлении / под ред. А. А. Емельянова. М.: Финансы и статистика, 2009. С. 284. ISBN 978-5-279-02435-3.
6. Бояркин Г. Н., Шевелева О. Г., Ткаченко А. Л. Выбор объекта инвестирования с помощью аналитических методов оценки риска // Конкурентоспособность в глобальном мире: экономика, наука, технологии. 2017. № 9-2 (56). С. 23-27.
7. Цамутали С. А. Оценка рисков реальных инвестиций // Экономика. Налоги. Право. 2013. № 4. С. 32-37.
8. Попова А. Ю. Оценка риска инвестиционного проекта. URL: http://ej.kubagro.ru/2006/03/pdf/07.pdf (дата обращения: 12.03.2019).
9. Найт Ф. Х. Риск, неопределенность и прибыль / пер. с англ. М. Я. Каждана. М.: Дело, 2003. 359 с. ISBN 5-7749-0306-0.
10. Ковалев П. П. Особенности оценки рисков инвестиционных проектов // Экономика: вчера, сегодня, завтра. 2017. Т. 7, № 5А. С. 251-260.
11. Штеле Е. А., Гусева М. А., Руди Л. А. Методика оценки эффективности инвестиционных проектов с учетом рисков // Вестник СибАДИ. 2016. № 6 (52). С. 135-140.
12. Кулик Ю. А., Волович В. Н., Привалов Н. Г. [и др.]. Классификация и качественная оценка рисков инновационных проектов // Записки горного института. 2012. Т. 197. С. 124-128.
13. Борисова О. В., Малых Н. И., Овешникова Л. В. Инвестиции. В 2 т. Т. 1. Инвестиционный анализ. М.: Юрайт, 2018. 218 с. ISBN 978-5-534-01718-2.
14. Гареев А. З. Риски при реализации инвестиционных проектов // Инновационная наука. 2016. № 10-1. С. 30-33.
15. Степаненко Н. В., Харитонов С. В. Применение возможностей Microsoft Excel в моделировании рисков инвестиционных проектов // Прикладная информатика. 2017. Т. 12, № 1 (67). С. 137-142.
16. Ефремова Е. А., Прядкина В. А. Применение метода Монте-Карло для оценки инвестиционных проектов // Научное сообщество студентов XXI столетия. Экономические науки: сб. ст. по материалам XXVII Студ. Междунар. науч.-практ. конф. 2014. № 12 (27). C. 237-244.
17. Сазонов А. А., Сазонова М. В. Применение метода Монте-Карло для моделирования экономических рисков в проектах // Наука и современность. 2016. № 43. С. 228-232.
18. Степаненко Н. В., Козлова Н. А. Применение математического моделирования в оптимизации производства // Славянский форум. Бургас: Изд-во ИГНЭИТ, 2017. № 1 (15). С. 11 - 124.
ТКАЧЕНКО Анастасия Леонидовна, аспирантка кафедры «Информатика и вычислительная техника», ассистент кафедры «Математические методы и информационные технологии в экономике». БРНЧ-код: 9349-5793 ЛиШогГО (РИНЦ): 897984 Адрес для переписки: tanaleo@mail.ru ШЕВЕЛЕВА Ольга Геннадьевна, старший преподаватель кафедры «Математические методы и информационные технологии в экономике». БРНЧ-код: 8060-6060 ЛиШогГО (РИНЦ): 688563 Адрес для переписки: osh_a@mail.ru
Для цитирования
Ткаченко А. Л., Шевелева О. Г. Оценка рисков в инвестиционном проектировании // Омский научный вестник. Сер. Общество. История. Современность. 2019. Т. 4, № 2. С. 140 — 145. БОН 10.25206/2542-0488-2019-4-2-140-145.
Статья поступила в редакцию 27.03.2019 г. © А. Л. Ткаченко, О. Г. Шевелева
