CC BY
83Список литературы
1. Гагиева А.К. Кооперативное образование в России во второй половине XX века (на материалах Республики Коми). Саратов: Научная книга, 2005. 112 с.
2. Гагиева А.К., Кондратова И.В. Организация государственных учреждений в России: история и современное состояние: учеб. пособие. Сыктывкар: КРАГСИУ, 2010. 216 с.
3. История советского крестьянства. М., 1986. Т. 1. 346 с.
4. Кооперация. Место и роль в экономической истории. Реферативный сборник. М.: ИНИОН АН СССР, 1990.
5. Ленин В.И. Полное собрание сочинений: в 55 т. 5-е изд. М.-Л., 1958-1965. Т. 43.
6. Опыт российских модернизаций XVIII-XX вв.: взаимодействие макро- и микропроцессов / В.В. Алексеев [и др.]. Ин-т истории и археологии. Екатеринбург: Банк научной информации, 2011. 404 с.
7. Основные показатели потребительской кооперации СССР. М., 1929. 167 с.
8. Программа Российской коммунистической партии (большевиков) / VIII съезд РКП(б) (Москва, 18-23 марта 1919 г.) // КПСС в резолюциях и решениях съездов, конференций и пленумов ЦК. 9-е изд., доп. и испр. М.: Политиздат, 1984. Т. 3.
ГАГИЕВА Анна Капитоновна - доктор исторических наук, доцент, профессор кафедры управления информационно-документационными и социально-политическими процессами. Коми республиканская академия государственной службы и управления. Россия. Сыктывкар. E-mail: [email protected].
GAGIEVA, Anna Kapitonovna - Doctor of Historical Sciences, Associate Professor, Professor of the Department of Management ofInformation and Documentation and Socio-political Processes. Komi Republican Academy of State Service and Management. Russia. Syktyvkar. E-mail: [email protected].
УДК 330.322:[330.131.7+004.021+681.3]
ПРИМЕНЕНИЕ ИМИТАЦИОННОГО МЕТОДА МОДЕЛИРОВАНИЯ В АНАЛИЗЕ РИСКОВ ПРИ ФОРМИРОВАНИИ ПОРТФЕЛЯ РЕГИОНАЛЬНЫХ ИНВЕСТПРОЕКТОВ И ПРИНЯТИИ РЕШЕНИЙ
А.А. Егоров
Рассмотрена методика имитационного моделирования инвестиционного анализа, применение которой в анализе региональных инвестиционных проектов занимает важное место. В современных условиях экономического состояния страны и региона целесообразно использовать данные методы оптимизации рисков программными средствами в целях экономии ресурсов времени, что в свою очередь влияет на точность анализа. Обозначены наиболее эффективные методы анализа рисков инвестиционного проектирования для российских предприятий. Рекомендовано применение модифицированных методов, позволяющих точно рассчитать эффективность инвестпро-ектов.
Ключевые слова: анализ; риск; инвестиционный проект; имитационный метод; инвестиции; моделирование; портфель инвестпроектов; Palisade @Risk, метод Монте-Карло, VAR, MS Excel.
A.A. Egorov. APPLICATION OF SIMULATION METHOD OF MODELING IN RISK ANALYSIS WHEN FORMING THE PORTFOLIO OF REGIONAL INVESTMENT PROJECTS AND MAKING DECISIONS
Considered is the method of simulation modeling of the investment analysis, the application of which in the analysis of regional investment projects has its own particular place, as in current situation of country's and region's economy it is advisable to use software for the methods of risk optimization to save resources like time, which in turn affects the accuracy of the analysis. The most effective methods for the analysis of investment planning risks for Russian companies are identified. Recommended is application of modified methods allowing to calculate the efficiency of investment accurately with the use of quantitative method.
38
Вестник Российского УНИВЕРСИТЕТА КООПЕРАЦИИ. 2016. № 4(26)
Keywords: analysis; risk; investment project; simulation method; investments; modeling; investment portfolio; Palisade @Risk, Monte Carlo method, VAR, MS Excel.
Предмет нашего исследования - методика анализа рисков инвестиционных проектов, адаптированная под стандарты и требования федеральных и региональных инвестиционных проектов. Целью указанной методики является оценка и оптимизация рисков прогноза изменения денежных потоков при принятии решений. Новизна методики заключается как в точности, скорости и наглядности вывода показателей риска, так и в адаптации к региональным проектам. Инвестиции, которые основаны на принятии взвешенного решения методом обобщения показателей в данной методике, считаются целесообразными [2].
Актуальность заявленной темы приобретает все большее значение в современных условиях, так как анализ рисков при принятии решения инвестировать в проект на региональном инвестиционном рынке становится особенно востребованным. Количество данных становится все больше, а времени для принятия решений об инвестировании - все меньше. Ограниченность ресурсов может нарушить финансовые планы инвестора.
Для максимального эффекта инвестиционный анализ должен проводиться с учетом системы принятия инвестиционных проектов. Главная задача инвестиционного анализа -рассчитать эффективность инвестиционного проекта и оценить его рискованность. Иначе говоря, оптимальный выбор делается по двум параметрам: эффективность и риск [9].
В настоящее время актуальность анализа рисков при принятии инвестиционного проекта является неотъемлемым процессом в условиях рыночной конкуренции при выборе того или иного капиталовложения. В связи с увеличением доступности к информации в мире, возникновением новых технологий и специальных программных средств анализа появляется необходимость в разработке и применении новейших методов анализа рисков.
Как расширение анализа показатель
VaR учитывает неопределенность развития рынка в будущем и позволяет прийти к единой количественной оценке риска. Расширения NPV обеспечивают совместимость всех отчетов с новыми типами оперативных рисков убытков и форвардных сделок с акциями.
В анализе рисков можно выделить определяющие параметры математических моделей [7]:
- УЛЯ (Е) - дисперсия;
- М(Е) - математическое ожидание;
- o(E) - стандартное (среднее квадратиче-ское) отклонение.
Предметы анализа:
- сумма (NV, NPV, MNPV);
- доходность (NRR, IRR, MIRR, М^(бар) [9];
- индекс доходности (DPI) и срок окупаемости (окупаемость, ТС-окупаемость, дюра-ция) денежных потоков, генерируемых инвестиционным проектом.
Объекты анализа:
- инвестиционные проекты регионального уровня.
Теоретические аспекты имитационного моделирования
Процесс имитационного моделирования начинается с определения подлежащих решению проблем, что в свою очередь определяет состав и границы исследуемой системы. Построение имитационной модели исследуемой системы, хотя и зависит от специфики решаемой проблемы, требует определенной методологической схемы. Имитационный язык обеспечивает исследователя такой схемой, а также осуществляет трансляцию модели в доступную вычислительной системе форму. Компьютер, на котором исследуется разработанная имитационная модель, выдает информацию о поведении модели, которая затем может анализироваться в процессе решения проблемы.
В имитационном моделировании предполагается, что систему можно описать в терминах, понятных вычислительной системе. Ключевым моментом при этом является выделение и описание состояний системы. Система характеризуется набором переменных, каждая комбинация значений которых описывает ее конкретное состояние. Следовательно, посредством изменения значений переменных можно имитировать переход системы из одного состояния в другое. Таким образом, имитационное моделирование - это представление динамического поведения системы посредством продвижения ее от одного состояния к другому в соответствии с хорошо определенными операционными правилами.
Изменения состояния системы могут происходить либо непрерывно, либо в дискретные моменты времени. Хотя процедуры описания динамического поведения дискретно и непрерывно изменяющихся моделей различны, основная концепция имитации системы - отображение изменений ее состояния с течением времени - остается той же [13].
В целом применение данного метода анализа рисков позволяет получить полезную информацию об ожидаемых значениях NPV и чистых поступлениях, а также провести анализ их вероятностных распределений.
Функционал модуля Palisade @Risk
Количественная оценка актива для инвестора оценивает рост акционерной стоимости (SV), порожденной инвестицией. Как правило, это означает разработку и запуск модели дисконтированных денежных потоков. В случае поиска активов, где вероятность риска чрезвычайно высока, применение стохастического моделирования (как моделирование методом Монте-Карло и оптимизации портфеля) и создание портфеля являются неотъемлемой частью анализа. Процедура выглядит следующим образом.
Во-первых, чистая приведенная стоимость распределения вероятностей каждого актива должна определяться с @RISK моделированием. Одновременно мера риска как стоимость, подверженная риску (VaR), может быть получена также для каждого актива. Во-вторых, выбрать лучший вид активов с RISK-Optimizer оптимизацией портфеля, затрагивающий все доступные активы. Результат оптимизации должен быть отображен на графике NPV-VaR. Предпочтительные решения могут быть найдены на кривой эффективного портфеля, содержащего портфели, имеющие максимальную NPV при заданном значении риска (VaR), или в другом подходе, имея минимальный риск (VAR) для данного NPV. В-третьих, оценить новый актив можно в «зеркале портфеля инвестиций». Аналитик должен перенастроить весь портфель, включая новый актив. Расположение
символа нового портфеля по NPV-VaR графику квалифицирует новый актив. Благоприятный актив движет портфель в направлении более высокого NPV и/или более низкого значения VaR (рис. 1).
Имитация по методу Монте-Карло
Имитационное моделирование по методу Монте-Карло (Monte-Carlo Simulation) позволяет построить математическую модель для проекта с неопределенными значениями параметров и, зная вероятностные распределения параметров проекта, а также связь между изменениями параметров (корреляцию), получить распределение доходности проекта. Блок-схема, представленная на рис. 2, отражает укрупненную схему работы с моделью.
Применение метода имитации Монте-Карло требует использования специальных математических пакетов (@RISK), в то время как метод сценариев может быть реализован даже при помощи обыкновенного калькулятора. Как уже отмечалось, анализ рисков с использованием метода имитационного моделирования Монте-Карло представляет собой «воссоединение» методов анализа чувствительности и анализа сценариев на базе теории вероятностей.
@RISK выполняет анализ рисков с использованием моделирования по методу Монте-Карло, чтобы продемонстрировать как можно больше результатов в модели на базе электронной таблицы, показывая вероятность каждого из них. Программа с полной объективностью вычисляет и отслеживает множество возможных будущих сценариев и выдает связанные с ними вероятности и риски. Таким образом, можно оценить, на какие риски допустимо
VaR (95%)
Рис. 1. Концепция VAR
Прогнои»* пщцмь
Л одгстоек а модели,': по :о Он ой прогнозировать &WUW4 реальность
ГППИ Л КП[фП rifliuill
Становление
отношении коррелируем* переменны*
I I I
Инитлцнпиныс прогнозы
Генерирование (щнгйньи сценариев, основанных на еыйоре допущений
П^|1ЁИИННЫй риска
Отбор плечевых переменных проекте
1 Г 1 1
Вероятностное распределение Шаг 1 : определение ограничения Знамений возможны! переменны* Шаг размещение вероятностных весов по Границам знамений
Дналш результатов
Сгзтнеттмес кий энапнэ результатов имитаций
Рис. 2. Блок-схема модели Монте-Карло [1]
пойти и каких лучше избежать, и принять лучшее решение в условиях неопределенности.
Благодаря интеграции модуля RISKOpti-mizer, который объединяет моделирование по методу Монте-Карло с последними технологиями поиска решений для оптимизации любых электронных таблиц с неопределенными значениями, @RISK позволяет планировать наилучшие стратегии управления рисками. Используя генетические алгоритмы или механизм OptQuest вместе с функциями @RISK, модуль RISKOptimizer поможет вам определить лучшее распределение ресурсов, оптимальное распределение активов, самое эффективное расписание и многое другое.
Результатом такого комплексного анализа выступает распределение вероятностей возможных результатов проекта (например, вероятность получения NPV<0).
Одним из методов оценки риска инвестиционного проекта является построение имитационной модели. Имитационная модель - это модель, позволяющая описывать события так, как они происходили бы в реальности. Метод основан на использовании понятий теории вероятностей. Теория вероятностей - это раздел математики, изучающий случайные события и позволяющий прогнозировать их, что помогает принимать решения в условиях неопределенности [3].
Этот метод оценки риска оптимален в ситуации выбора наименее рискованного варианта инвестирования. Если имеется несколько альтернативных инвестиционных проектов, то по каждому проекту разрабатываются сценарии развития (оптимистический, пессимистический и консервативный). Для каждого сценария рассчитывается чистый дисконтированный доход (далее - ЧДД) На основе полученных значений ЧДД рассчитываются следующие показатели.
Размах вариации доходности инвестиционного проекта:
^ЧДД = ЧДДоптим - ЧДДпессим
Математическое ожидание доходности инвестиционного проекта:
М(ЧДД) = ЧДД = £ ЧДД/ X P
i=1
Дисперсия ожидаемой доходности:
о =
V
Е
i=i
(чдд,- чдд) 2 X Pi
Среднеквадратическое отклонение. Коэффициент вариации: v = очдд Квар = М(ЧДД)
Наиболее рискованным считается тот проект, у которого больше коэффициент вариации.
Рассмотрим методы оценки на примере двух актуальных региональных инвестиционных проектов Чувашской Республики, предлагаемых инвесторам.
Допустим, у инвестора имеется сумма 255 млн руб. Он может инвестировать эту сумму либо в проект А, либо в проект Б.
Проект А «Создание энергоэффективного тепличного комплекса на гидропонике по технологии NFT» [12].
ОАО «Корпорация развития Чувашской Республики» предлагает проект «Создание энергоэффективного тепличного комплекса на гидропонике по технологии NFT».
Проект направлен на создание экологически чистого производства земляники и выпуска термостабильной фруктовой начинки с кусочками ягод (конфитюра) на ее основе. Объем выращиваемой садовой земляники составит порядка 600 т в год, производимого конфитюра - 1500 т в год. Реализация данного проекта приведет к увеличению замещения импортных ягод и овощей, что будет способствовать повышению продовольственной безопасности страны.
Общий объем инвестиций в строительство составит 252,6 млн руб.
Показатели эффективности проекта: чистая приведенная стоимость (NPV) - 92,5 млн руб.; срок окупаемости (PBP) - 4,3 года; внутренняя норма доходности (IRR) - 32,1 % (табл. 1).
Таблица 1
Показатели проекта А
Показатели Значение, млн руб. Доля, % Годовая ставка, %
Источники финансирования 260,29 100 5
Собственные средства, в т.ч.: 15
- доходы от проекта на инвестиционной стадии 14,23 5,50 0
- средства акционеров на инвестиционной стадии 47,67 18,3 15
Привлеченные средства 198,39 76,2 8,791
Риски 9,70
Проект В «Строительство фермы по откорму крупного рогатого скота» [11].
ОАО «Корпорация развития Чувашской Республики» предлагает проект «Строительст-
во фермы по откорму крупного рогатого скота абердин-ангусской породы с убойным цехом в Мариинско-Посадском районе Чувашской Республики».
В рамках реализации проекта предполагается создание эффективного комплекса по откорму крупного рогатого скота абердин-ан-гусской породы до 18-месячного возраста. Численность маточного поголовья - 500 голов. Помимо крупного рогатого скота в модульном мясном цехе планируется убой и первичная переработка свиней, закупаемых в свинокомплексах региона.
Реализация данного проекта способствует решению задач в рамках государственной доктрины продовольственной безопасности страны, направленной на импортозамещение продуктов питания, к которым относится мясо крупного рогатого скота.
Общая величина затрат в рамках проекта на инвестиционной стадии составит 204,6 млн руб.
Показатели эффективности проекта: чистая приведенная стоимость (NPV) - 26,34 млн руб., срок окупаемости (PBP) - 4,8 лет, внутренняя норма доходности (IRR) - 19 % (табл. 2).
Таблица 2
Показатели проекта Б
Показатели Значение, млн руб. Доля, % Годовая ставка, %
Источники финансирования 203,604 100,0 28,50
Собственные средства, в т.ч.: 51,15 25,1 15,00
- доходы от проекта на инвестиционной стадии 0,0 0,00
- средства акционеров на инвестиционной стадии 52,15 25,6 15,00
Привлеченные средства 152,453 74,9 13,50
Риски 5,9
роятность того, что проект покажет доходность ниже, чем 17,80 % годовых. Для выполнения этой задачи для каждого из сценариев были оценены денежные потоки. Каждому сценарию была поставлена в соответствие вероятность, оцененная экспертным путем. Далее потоки по каждому из сценариев были продисконтирова-ны по ставке 17,8 % годовых. Результаты реализации различных сценариев развития ситуации в будущем представлены в табл. 3.
Проведем анализ рисков имитационным (Монте-Карло) методом. Выполнение анализа в @RISK состоит из трех простых шагов.
Создание модели. Прежде всего заменим неопределенные значения в электронной таблице функциями распределения вероятности @RISK, например Normal, Uniform или любой другой из имеющихся функций. Эти функции @RISK предусматривают не одно значение, а диапазон возможных значений, которые могут располагаться в данной ячейке.
Таблица 3
NPV для проекта А
Сценарий NPV при 17,8 %, млн руб.
Оптимистический 138,8
Консервативный 92,5
Пессимистический 46,3
Используем встроенную функцию RiskPert (минимум, m.likely, максимум), которая определяет распределение PERT с указанным минимумом, более вероятным и максимальными значениями. Распределение PERT (Program Evaluation and Review Technique) похоже на треугольное распределение в том, что оно имеет тот же набор легко понятных параметров, что может быть предпочтительней треугольного распределения из-за своей изогнутой плотности. С технической точки зрения это распределение измененного типа BetaGeneral.
Описание функции:
Для начала рассчитаем ставку дисконтирования для проектов А и Б.
Размер ставки дисконтирования рекомендуется рассчитывать через модифицированную формулу, в основе которой лежит САРМ и WACC [14] с обоснованием ее компонентов, методика расчета которой была в достаточном виде описана в статье «Расширение сценарного метода в анализе рисков при формировании портфеля региональных инвестпроектов и принятии решений».
Для инвестиционных проектов разработаны три сценария развития. Требуется оценить ве-
Зададим функцию в ячейке G157: =RiskPeгt(46,255;92,51; 138,765Д^кШте ("ПРОЕКТ А NPV функция "))
Функции присвоили имя «ПРОЕКТ А NPV функция».
Запустим симуляцию кнопкой StaгtSimulation:
42
Вестник Российского УНИВЕРСИТЕТА КООПЕРАЦИИ. 2016. № 4(26)
Нажмем кнопку «Показать результаты». Мы получим имитацию NPV в заданных параметрах c распределением по функции PERT на диаграмме (рис. 3).
Рис. 3. Диаграмма рисков проекта А
Рис. 4. Диаграмма рисков проекта Б
С помощью диаграммы и регуляторов получим результаты и установим значение 0 в левом регуляторе для NPV - это покажет, с каким процентом вероятности NPV составит 0 млн руб. Также, передвинув правый регулятор до 10 %, можно увидеть, что NPV составит 115,9 млн руб. с вероятностью не более 10 %.
Для расчетного вывода в ячейке выберем итоговую ячейку.
В другой любой ячейке выведем значение риска с помощью выводной функции RiskTarget - это покажет вероятность того, что значение NPV проекта А будет отрицательным.
Функция RiskTarget (cellref или выход / название входа, targetValue, Sim #) или RiskXtoP (cellref или выход / название входа, targetValue, Sim #) возвращает интегральную вероятность targetValue в моделируемом распределении для cellref (можно использовать функцию RiskTruncate - это свойство опционально ограничит диапазон моделируемого распределения для расчета статистики; в данном примере не будет рассматриваться).
Зададим функцию в ячейке K158: =RiskOutput("Risk")+RiskTarget(G157 ;0) Результат составит 0,00000 % - это вероятность того, что NPV окажется отрицательной.
Для проекта Б NPV RiskPert =RiskPert (18,4401;26,343;34,2459;RiskName("nP0EKT Б NPV функция ")
Получим распределение NPV по PERT =Risk0utput("Risk")+RiskTarget(H157;0) RiskTarget= 0,000000 %
Вероятность того, что NPV проекта Б может находиться в размере 30,33 млн руб., составляет 10 %, а того, что будет отрицательной, составляет 0 %.
Полученные результаты свидетельствуют о том, что NPV проектов А и Б с вероятностью около 100 % будут положительными.
Удобность данной программы - возможность с помощью ползунков получать основанную на имитации визуальную информацию о рисках проектов - составляет новизну данного исследования, что в свою очередь является полезным и научно обоснованным решением задачи по эффективному анализу рисков инвестиционных проектов.
Методика анализа рисков проекта В методом имитации в Palisade @Risk
Мы построили нормальное PERT распределение для проекта В (проект составлен с данными параметрами для наглядности, так как по проектам А и Б имеется одинаковая зависимость от исходно заданных параметров) в модуле Palisade @Risk на рис. 6, при параметрах проекта табл. 4.
Таблица 4
Параметры NPV проекта В
Сценарий Вероятность NPV,
сценария,% млн руб.
оптимистический 30 200,000
консервативный 60 10,000
пессимистический 10 -150,000
Из табл. 4 следует, что вероятность того, что МРУ проекта В окажется ниже 0, составляет 42,67 % методом имитации, при ирритации 500 раз при заданных параметрах МРУ = минимум - 150 млн руб., вероятное - 10 млн руб., максимум - 200 млн руб. Также можно утверждать, что вероятность того, что МРУ составит от 0 до 184,8 млн руб., составит 57,2 %. Проверим сценарным методом: =Н0РМ.РАСП(0;20;108,208132781229;1)= 42,668% - вероятность того, что МРУ < 0.
Использование данного пакета программного продукта заметно ускоряет моделирование и наглядно визуализирует все результаты анализа.
На диаграмме рассеяния каждому наблюдению (или элементарной единице набора данных) соответствует точка, координаты которой (в декартовой системе координат) равны значениям двух каких-то параметров этого наблюдения.
Если предполагается, что один из параметров зависит от другого, то обычно значения независимого параметра откладываются по горизонтальной оси, а значения зависимого - по вертикальной.
Диаграммы рассеяния используются для демонстрации наличия или отсутствия корреляции между двумя переменными, в нашем случае на диаграмме отображено рассеивание между 500-ми итерациями NPV по заданным параметрам проекта В.
Для сравнения была перезапущена симуляция, и по новым случайным итерациям сформированы данные для анализа проекта В, в результате расчетов показатели незначительно изменились.
В примере была использована только одна переменная NPV. Рассеяние NPV еще раз подтверждает и отображает, что вероятность составит 57,4 % того, что NPV проекта В будет положительным, а то, что отрицательный - 47,4 %. Положительное NPV находится в квадранте 1, а отрицательное - в квадранте 3 (рис. 5).
©RISK-Scatter Plot: Output HI57/ Input K164 — □ X
Cell rPOEKT^HMJM
XStdDev 66,111
Y Mean 15,011
Corr. (Rank) 1,0000
Delimiter X 0,00
Quadrant I 57,4% Quadrant II 0,0% Quadrant III 42,6% Quadrant IV_0,0%
jlI _Ld
Ф1ШМ1 _J ci„. j
Рис. 5. Диаграмма рассеяния проекта В
Данный модуль @Risk создает имитацию случайных чисел в пределах заданных параметров во временной памяти, тем самым экономит время на генерацию случайных чисел в Excel с заданными параметрами математического ожидания в виде среднего и стандартного отклонения, что по сути создает всего одну итерацию (рис. 6).
Метод анализа рисков NPV инвестиционных проектов в Excel посредством генерации случайных чисел в достаточной мере разработан в статье «Методы количественного анализа риска инвестиционных проектов» и не требует дополнительного рассмотрения, так как данный метод достаточно описан.
Наряду с имитационным и сценарным методом анализа рисков существуют и другие, например дерево решений (сценариев).
Генерация случайных чисел 7 X
Число перемениых: m 1 OK 1
Число случайных чисел: 5-OQ Отмена
Распределение: jНормальное ¿правка
Параметры
Среднее = -
Стандартное откл о н ен и е = 66,12
Случайное рассеивание:
Параметры вывода
С*} Выходной интервал: С) Новый рабочий лист: SCS264 ËSÈ
Новая рабочая книга
Рис. 6. Генерация чисел (Excel)
Существуют также методики количественного анализа параметров проекта, к примеру инвестиционный факторный анализ. Факторный инвестиционный анализ применяется для определения степени влияния инвестиционного проекта на основные показатели.
В заключение остановимся еще раз на положениях данного исследования. Итак, под анализом рисков инвестиционных проектов в самом общем смысле понимается вероятность в количественном измерении наступления определенного события или показателя. Были рассмотрены теоретические аспекты анализа рисков инвестиционных проектов, основы имитационного моделирования рисков инвестиционных проектов. На основе данных теоретических материалов был проведен анализ рисков региональных инвестиционных проектов Чувашской Республики, исследование проводилось методом имитации. В ходе исследования использовались программные средства MS Excel 2016 с надстройкой «Анализ данных», также для применения имитационного метода было использовано специализированное программное средство Palisade @Risk в виде надстройки для MS Excel.
В ходе исследования получены следующие результаты: вероятность того, что проекты А и Б окажутся по доходности меньше 17,8 %, равна 0 %, они находятся в низкой зоне риска. NPV проектов А и Б с вероятностью около 100 % будут положительными или с 0 % вероятности -отрицательными. Имитация использует набор случайных данных. Был введен проект В с параметрами для наглядности, так как проекты А и Б имеют одинаковую зависимость от исходно заданных параметров. Проект В показал, что вероятность того, что NPV будет от 0 до 184,8 млн руб., составляет 57,2 %. Сценарный метод имеет схожие результаты.
Полезность данной методики, реализован-
ной в программе @Risk, позволяет получать визуальную информацию о рисках проектов, основанную на имитации, и обеспечивает новизну, что в свою очередь является научно обоснованным решением задачи по эффективному анализу рисков инвестиционных проектов. C электронной таблицей исследования в Excel можно ознакомиться на авторском сайте [10].
Список литературы
1. Васильев К.К., Служивый М.Н. Математическое моделирование систем связи: учеб. пособие. Ульяновск: УлГТУ, 2008. 170 с.
2. Волков И., Грачева М. Вероятностные методы анализа рисков. URL: http://www.cfin.ru/fin-analysis/monte_carlo1.shtml.
3. Дмитриев М.Н., Кошечкин С.А. Методы количественного анализа риска инвестиционных проектов. URL: http://www.cfin.ru/finanalysis/ quant_risk.shtml.
4. Мазур И.И., Шапиро В.Д.Управление проектами: справочник для профессионалов. М.: Высшая школа, 2010. 858 с.
5. Методические рекомендации по оценке эффективности инвестиционных проектов от 21.06.1999 г. ВК 477 / Министерство финансов РФ, Государственный комитет РФ по строительной, архитектурной и жилищной политике.
6. Программа Palisade @Risk. URL: http://pali-sade.com/ru.
7. Савчук В.П. Оценка эффективности инвестиционных проектов: учебник. URL: http://www. cfin.ru/finanalysis/savchuk.
8. Управление инвестиционными программами и портфелями проектов / А.М. Саруханов [и др.]. М.: Дело АНХ, 2011. 550 с.
9. Холт Н. Роберт, Барнес Б. Сет. Планирование инвестиций. М.: Дело, 1994. 455 с.
10. URL: http://7Works.ru/riskanalysis (авторский сайт).
11. URL: http://investchr.ru/upload/Investicion-nie_predlozhenija-1408012227-0.pdf.
12. URL: http://investchr.ru/upload/Investicion-nie_predlozhenija-1408013858-.pdf.
13. URL: http://sernam.ru/book_mm.php?id=5.
14. URL: http://www.cfin.ru/finanalysis/sav-chuk/6.shtml.
ЕГОРОВ Анатолий Андреевич - аспирант. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары. E-mail: [email protected].
EGOROV, Anatoly Andreevich - Graduate Student. Cheboksary Cooperative Institute (branch) of the Russian University of Cooperation. Russia. Cheboksary. E-mail: [email protected].
УДК 332.14:519.237.5
ПРОГНОЗИРОВАНИЕ ЕМКОСТИ РЫНКА МОЛОЧНЫХ ПРОДУКТОВ ЧУВАШСКОЙ РЕСПУБЛИКИ НА ОСНОВЕ РЕГРЕССИОННЫХ МОДЕЛЕЙ
Н.Г. Игошкина, О.Г. Васильева
За последние два-три года качественно изменились макроэкономические условия функционирования молочного подкомлекса АПК. Наблюдаются новый, более высокий уровень государственной поддержки, необходимость обеспечения быстрого импортозамещения в условиях продуктового эмбарго, падение платежеспособного спроса населения, ухудшение макроэкономических условий ведения бизнеса и др. В связи с этим заложенные в региональной госпрограмме ориентиры развития отрасли должны подвергаться корректировке. Прогнозная оценка потенциальной емкости молочного рынка региона на основе анализа складывающихся тенденций и выявления важнейших факторов необходима для поиска баланса между спросом и предложением на этом рынке, а также более четкого видения перспектив его развития.
Ключевые слова: агропромышленный комплекс; рынок молока и молокопродуктов; прогнозирование; спрос; экономико-математическое моделирование.
N.G. Igoshkina, O.G. Vasilyeva. FORECASTING OF MARKET CAPACITY OF DAIRY PRODUCTS IN THE CHUVASH REPUBLIC ON THE BASIS OF REGRESSION MODELS
Over the last two or three years the macroeconomic conditions of functioning of dairy sub complex AIC have changed qualitatively. New, higher level of state support, the necessity of rapid import
