CC BY
196
УДК 338: 69
А.А. Скиба, А.В. Гинзбург
ФГБОУВПО «МГСУ»
КОЛИЧЕСТВЕННАЯ ОЦЕНКА РИСКОВ СТРОИТЕЛЬНО-ИНВЕСТИЦИОННОГО ПРОЕКТА
Рассмотрены основные статистические методы количественной оценки рисков строительно-инвестиционного проекта, а также методы, основывающиеся на теории нечеткой логики.
Ключевые слова: внутренняя норма прибыли, норма дисконта, нечеткая логика, фаззификация, функция принадлежности.
Для управления строительно-инвестиционными проектами в мировой практике используются различные методы анализа рисков. В настоящее время наибольшее распространение получили следующие методы: метод анализа чувствительности; метод сценариев;
метод корректировки нормы дисконта; метод построения дерева решений проекта; метод Монте-Карло.
В данной статье кратко изложены основные преимущества, недостатки и проблемы практического применения перечисленных методов, а также методов, основывающихся на теории нечеткой логики, которые пока не получили широкого распространения.
1. Анализ чувствительности основан на оценке влияния изменения исходных параметров проекта на его конечные характеристики (чаще всего это внутренняя норма прибыли или NPV). Техника метода состоит в изменении выбранных параметров в определенных пределах, при условии, что остальные параметры остаются неизменными. Чем больше диапазон различных вариантов параметров, при которых NPV и норма прибыли остается положительной величиной, тем больший запас прочности имеет проект [1].
Этот метод является одним из самых простых в применении и дает достаточно наглядные результаты.
Но, безусловно, существенным минусом является то, что изменению может подвергаться только одна переменная, в то время как остальные остаются неизменными. На практике же все экономические факторы зачастую связаны между собой, и изменение одного повлечет изменение остальных.
2. Метод сценарного анализа основан на определении риска неэффективности проекта как суммы вероятностей отрицательных значений NPV проекта. При этом разрабатывается 3 и более сценария развития проекта (количество зависит от потребности смоделировать развитие событий при различных ключевых параметрах). Каждому сценарию должны соответствовать:
набор значений исходных переменных;
рассчитанные значения результирующих показателей;
некоторая вероятность наступления данного сценария (определяется экспертным путем) [2].
Анализ результатов осуществляется по средним значениям всех составленных сценариев.
Невозможность учесть все возможные варианты развития проекта, субъективизм в присвоении вероятностей — все это не может не сказываться на результатах, получаемых с помощью данного метода. Но, тем не менее, по сравнению с анализом чувствительности число переменных можно менять и согласовывать их между собой.
При использовании данного метода проект будет считаться устойчивым, если при всех сценариях он является эффективным и финансово реализуемым, а возможные неблагоприятные последствия можно устранить при использовании предусмотренных мер.
3. Метод корректировки нормы дисконта заключается в корректировке нормы дисконта путем прибавления премии за риск, которая рассчитывается экспертным путем либо по методикам, разработанным внутри фирмы. Обычно корректировке подвергается базовая норма дисконта, которая считается безрисковой. Далее рассчитываются критерии эффективности проекта по вновь полученной норме.
Метод предполагает увеличение риска во времени с постоянным коэффициентом, что не всегда можно применять ко всем проектам, так как чаще всего характерно наличие рисков на начальных этапах, а к завершению проекта риски сходят на нет [3]. В связи с этим многие перспективные проекты могут быть отклонены из-за неверной оценки. Еще одним минусом данного метода являются ограниченные возможности построения различных вариантов — возможен только анализ зависимости критериев чистого дисконтированного дохода (индекса доходности, срока окупаемости и др.) от изменений единственного показателя — нормы дисконта. Однако, используя этот метод, мы не можем получить информацию о вероятностных распределениях будущих потоков платежей, а лишь выполняем их приведение к настоящему моменту времени.
Однако, даже имея такое количество очевидных минусов, метод широко применяется на практике и среди его положительных качеств — простота расчетов, понятность и доступность, а также возможность расчетов без каких либо программных средств.
4. Метод построения дерева решений проекта сводится к созданию иерархичной схемы всех возможных действий и результатов реализации инвестиционного проекта, имеющей древовидную структуру. Каждое событие и решение обозначается отдельной ветвью. Чем больше ветвей имеет дерево решений, тем больше вероятностей рассмотрено. Конечно, предусмотреть все возможные варианты развития событий невозможно, но при использовании этого метода нужно описать хотя бы ключевые риски и возможности. Самое сложное — это идентифицировать все существующие риски, а также проанализировать возможность появления новых. Обычно такая оценка
осуществляется с помощью персональных и обобщенных оценок и прогнозов специалистов.
После составления дерева решений необходимо просчитать вероятность развития каждого сценария, для этого нужно перемножить значения вероятности каждого события на одной ветви дерева решений.
На следующем этапе построения дерева решений необходимо просчитать математическое ожидание (произведение прибыли от реализации каждого отдельного сценария на соответствующую ему вероятность). Далее следует просуммировать математические ожидания всех сценариев — это будет итоговым результатом, на основании которого можно будет принимать решение [1].
Метод дерева решений не дает точный ответ: стоит ли начинать инвестиционный проект или, может быть, стоит от него отказаться, но с помощью этого метода можно вычислить наиболее вероятный исход проекта, а также получить наглядное представление о возможных рисках, и их количественную оценку. Однако достаточно сложно описать все варианты развития, хотя бы в силу того что идентифицировать все риски практически невозможно. При большом количестве сценариев построение дерева решений — очень трудоемкий процесс.
С помощью этого метода можно определить все причинно-следственные связи, что бывает полезно для обоснования, почему же проект в итоге оказался неудачным. Метод построения дерева сценариев обладает как преимуществами, так и недостатками, которые нужно принимать во внимание при оценке инвестиционных проектов.
5. Метод Монте-Карло — это частный случай имитационного моделирования (позволяющего строить модели, описывающие процессы так, как они проходили бы в действительности), является одним из самых сложных методов оценки рисков.
С помощью этого метода можно построить математическую модель с неопределенными значениями параметров, установить взаимосвязи между исходными и выходными показателями. Чаще всего при расчете рисков инвестиционного проекта результирующим показателем выступает один из критериев эффективности, наиболее подверженный риску. Конечно, при желании можно рассматривать и несколько критериев, но увеличение числа переменных может привести к противоречивым результатам и потребовать больше времени [4].
После того как задан закон распределения, происходит моделирование значений ключевых параметров с использованием компьютерных программ. Полученные результаты анализируются, составляются графики распределения и на основе этого принимается решение. Риск проекта основывается на коэффициенте вариации (отношение стандартного отклонения значения показателя к ожидаемой стоимости): чем меньше коэффициент вариации, тем успешнее проект.
Метод Монте-Карло объединяет в себе метод анализа чувствительности и метод сценариев, но также имеет свои особенности:
простая структура вычислительного алгоритма;
ошибки вычисления обратно пропорциональны количеству итераций.
Как и в методе анализа сценариев, результатом являются лишь сведения о
доходности проекта и о его устойчивости, и нет информации о том, сможет ли прибыль по проекту компенсировать риск по нему.
Метод Монте-Карло позволяет наиболее полно учесть весь диапазон неопределенностей исходных данных проекта, позволяет получить интервальные значения показателей проектных рисков, в рамках которых проект будет успешен.
Все вышеописанные методы количественной оценки проектных рисков работают на основе усредненных значений входных параметров, что, несомненно, приводит к искажению показателей эффективности и риска. Указанных недостатков лишены методы, основанные на теории нечеткой логики.
Методы, основывающиеся на теории нечеткой логики (FUZZY LOGIC), предполагают формализацию исходных данных и выходных показателей эффективности в виде нечеткого интервала.
При использовании нечеткой логики происходит преобразование нечетких значений в количественную форму с помощью различных функций принадлежности (в зависимости от решаемой задачи) [5]. Процесс нечеткого управления можно разбить на следующие последовательные шаги:
1) фаззификация — при помощи функций принадлежности точные значения входных переменных преобразуются в лингвистические переменные (так называемые термы — значения любой величины, представленные не числами, а словами естественного языка) с помощью различных функций принадлежности. Оптимальное количество терм для каждой переменной от трех до семи. Существует два метода задания функции принадлежности: прямой (правила определения значений функции задаются экспертом) и косвенный (значение выбирается, так чтобы они попали в заранее сформулированные условия);
2) разработка нечетких правил, связывающих лингвистические переменные. Этот процесс называется нечетким выводом и состоит из двух этапов: обобщения и заключения. После получения значения управляющей переменной осуществляется переход на следующий этап, который позволяет избавиться от нечеткости. Это так называемый этап дефаззификации. Он может осуществляться различными методами, такими как:
метод центра максимума;
метод наибольшего значения;
метод центроида.
С помощью методов нечеткой логики возможно быстрое моделирование сложных динамических систем и сравнение их с заданной степенью точности. Оперирование нечеткими входными данными, включение в анализ качественных переменных — несомненные преимущества. Однако существует определенная субъективность при задании функции принадлежности и формировании правил нечеткого ввода.
Хотя методы, основанные на теории нечеткой логики, пока не привлекли внимание профессиональных финансовых учреждений и для их использования необходимо специальное программное обеспечение, их внедрение в процедуры анализа рисков позволит значительно усовершенствовать имеющиеся на сегодняшний день подходы к принятию решений.
Статистические методы не являются надежным инструментом для решения слабо формализованных задач управления рисками, а использование методов, основывающихся на нечеткой логике, становится альтернативным способом для нахождения решения, который может преодолеть недостатки и ограничения существующих методов оценки проектных рисков.
Библиографический список
1. Ковалев В.В. Финансовый менеджмент. Теория и практика. М. : Проспект, 2007. 1024 с.
2. Ендовицкий Д.А. Комплексный анализ и контроль инвестиционной деятельности: методология и практика / под ред. Л.Т. Гиляровской. М. : Финансы и статистика, 2001. 400 с.
3. Васильева Т.А., Диденко О.Н., Епифанов А.А. Риск-менеджмент инноваций : монография. Сумы : Деловые перспективы, 2005. 260 с.
4. Ермаков C.H. Статистическое моделирование. М. : Наука, 1982. 296 с.
5. Заде Л. Понятие лингвистической переменной и ее применение к принятию приближенных решений. М. : Мир, 1976. 167 с.
Поступила в редакцию в феврале 2013 г.
Об авторах: Скиба Алиса Анатольевна — аспирант кафедры информационных систем, технологий и автоматизации в строительстве, ФГБОУ ВПО «Московский государственный строительный университет» (ФГБОУ ВПО «МГСУ»), 129337, г. Москва, Ярославское шоссе, д. 26, [email protected];
Гинзбург Александр Витальевич — доктор технических наук, профессор, профессор кафедры информационных систем, технологий и автоматизации в строительстве, ФГБОУ ВПО «Московский государственный строительный университет» (ФГБОУ ВПО «МГСУ»), 129337, г. Москва, Ярославское шоссе, д. 26, [email protected].
Для цитирования: Скиба А.А., Гинзбург А.В. Количественная оценка рисков строительно-инвестиционного проекта // Вестник МГСУ. 2013. № 3. С. 201—206.
A.A. Skiba, A.V. Ginzburg
QUANTITATIVE ASSESSMENT OF RISKS FOR AN INVESTMENT PROJECT IN THE CONSTRUCTION INDUSTRY
The authors discuss basic methods of statistical surveillance used to assess risks associated with construction investment projects. The methods considered in this article include a sensitivity analysis (based on the assessments of initial parameters of a project and its final characteristics (usually IRR or NPV)), a method of scenarios (based on assessment of the risk of the project failure considered as the total of all probabilities of a negative NPV), a method of discount rate adjustments (based on the adjustment of the discount rate by adding a risk premium calculated by an expert or an in-house specialist), a decision tree method (whereby a project is reduced to development of a hierarchical scheme of all possible actions; results of an investment project have a tree-shaped structure), a Monte Carlo method (meaning a special case of simulation). The authors describe their main advantages, disadvantages and problems that accompany their practical application. The authors also describe methods based on the fuzzy logic theory and suggest formalization of inputs and outputs as a fuzzy interval. General milestones include fuzzification, development of fuzzy rules, de-fuzzification, and methods of
de-fuzzification (including a method of maximum centre, a method of maximum value, and a centroid method). The authors make their conclusion in respect of the method that may be regarded as the most suitable for investment projects in the construction industry.
Key words: internal rate of return, discount rate, fuzzy logic, fuzzification, de-fuzz-ification.
References
1. Kovalev V.V. Finansovyy menedzhment. Teoriya i praktika. [Financial Management. Theory and Practice.] Moscow, Prospekt Publ., 2007, 1,024 p.
2. Endovitskiy D.A., Gilyarovskaya L.T., editor. Kompleksnyy analiz i kontrol' investitsionnoy deyatel'nosti: metodologiya i praktika [Comprehensive Analysis and Control over Investment Operations: Methodology and Practice]. Moscow, Finansy i statistika publ., 2001, 400 p.
3. Vasil'eva T.A., Didenko O.N., Epifanov A.A. Risk-menedzhment innovatsiy [Risk Management of Innovations]. Sumy, Delovye perspektivy publ., 2005, 260 p.
4. Ermakov C.M. Statisticheskoe modelirovanie [Statistical Modeling]. Moscow, Nauka Publ., 1982, 296 p.
5. Zade L. Ponyatie lingvisticheskoy peremennoy i ee primenenie k prinyatiyu priblizhen-nykh resheniy [Notion of a Linguistic Variable and Its Application to Approximate Decision Making]. Moscow, Mir Publ., 1976, 167 p.
About the authors: Skiba Alisa Anatol'evna — postgraduate student, Department of Information Systems, Technologies and Automation in Civil Engineering, Moscow State University of Civil Engineering (MGSU), 26 Yaroslavskoe shosse, Moscow, 129337; [email protected];
Ginzburg Aleksandr Vital'evich — Doctor of Technical Sciences, Professor, Department of Information Systems, Technologies and Automation in Civil Engineering, Moscow State University of Civil Engineering (MGSU), 26 Yaroslavskoe shosse, Moscow, 129337; [email protected];
For citation: Skiba A.A., Ginzburg A.V. Kolichestvennaya otsenka riskov stroitel'no-in-vestitsionnogo proekta [Quantitative Assessment of Risks for an Investment Project in the Construction Industry]. Vestnik MGSU [Proceedings of Moscow State University of Civil Engineering]. 2013, no. 3, pp. 201—206.
