- •Министерство образования и науки российской федерации
- •Московский авиационный институт (национальный исследовательский университет)
- •Раздел №1 «Понятия, правила и организация риск-менеджмента проектов»
- •Краткая классификация инвестиционных проектов
- •Рассмотрим отдельно Проектные риски
- •Формализованная постановка задачи принятия решения в условиях риска
- •Раздел №2 «Анализ и управление проектными рисками»
- •Идентификация рисков
- •1. Построение математической модели.
- •Признаки классификации факторов риска проектов.
- •Виды потерь и рисков.
- •Современные методы и стратегии реагирования на риски проекта
- •Вероятностная имитационная модель управления риском инвестиционного проекта
- •Оптимизация методов управления рисками
- •Компьютерная поддержка управления рисками на предынвестиционных фазах проекта
- •Составление сетевого плана
1. Построение математической модели.
Первым этапом в процессе риск-анализа является создание математической модели. Так как для проведения собственно имитационного моделирования методом Монте-Карло применяется компьютерная программа, самым главным процессом в имитационном моделировании является именно формулирование модели проекта.
Для построения математической модели необходимо иметь базовую модель денежных потоков инвестиционного проекта. Хотя каждый инвестиционный проект требует создания своей уникальной математической модели, и ее вид — полностью продукт творчества разработчика, логика процедуры построения модели всегда одинакова:
• определение переменных, которые включаются в модель;
• определение типа распределения, которому эти переменные подвержены;
• определение взаимозависимостей (функциональной и вероятностной зависимости между переменными).
Соблюдение такой процедуры необходимо для создания модели, которая будет выглядеть следующим образом:
где х — риск-переменные (составляющие денежного потока, являющиеся случайными величинами);
п — число риск-переменньгх;
аj — фиксированные параметры модели, т.е. те составляющие денежного потока, которые в результате предыдущего анализа были определены как независимые или малозависимые от внешней среды и поэтому рассматриваются как детерминированные величины;
т — число параметров модели.
Определение включаемых в модель переменных.
Определение переменных, которые включаются в модель, является самостоятельным этапом риск-анализа, отражающим прежде всего результаты исследования рисков на качественном уровне. Например, проведение опросов экспертов позволяет выделить наиболее проблемные места проекта.
Решение о включении переменной в модель должно приниматься на основании нескольких факторов, в частности чувствительности результата проекта к изменениям переменной и степени неопределенности переменной (т.е. возможными границами ее изменения).
При формировании модели необходимо стараться выделить в качестве риск-переменных только наиболее важные, значимые переменные. Причины ограничения количества риск-переменных в модели таковы:
• увеличение числа вероятностно зависимых переменных модели увеличивает возможность получения противоречивых сценариев из-за сложности в учете и контроле зависимости и коррелируемости;
• с ростом числа переменных возрастают издержки (как финансовые, так и временные), необходимые для корректного и аккуратного определения их распределения вероятностей и условий вероятностной зависимости.
Анализ количественных показателей.
Ниже описываются количественные измерители риска для NPV, но аналогичные расчеты могут быть проведены и для других показателей эффективности инвестиционного проекта.
Ожидаемое значение. Показатель «ожидаемое значение» EV (expected value) представляет собой агрегирование в виде единственного числа информации, имеющейся в распределении вероятностей NPV. Он рассчитывается как взвешенная средняя значений всех возможных результатов (как было отмечено выше, все случайные сценарии равновероятны, поэтому
где n — общее число проведенных имитационных экспериментов):
Ожидаемое значение NPV при анализе проекта в ситуации неопределенности позволяет, заменив стандартный критерий одного значения NPV, провести оценку эффективности проекта и сравнить эффективность альтернативных проектов, так как учитывает риск (множество возможных значений NPV при случайных сценариях) и соответствует аксиомам рационального повеления. С другой стороны, этот показатель не дает полной информации о степени рискованности проекта в целом самого по себе и по сравнению с другими проектами, для выполнения такого анализа целесообразно использовать иные критерии, речь о которых пойдет ниже.
Может применяться как для оценки коммерческой эффективности проекта в целом, так и для оценки эффективности проекта с учетом схемы финансирования.
Ожидаемый выигрыш. Показатель «ожидаемый выигрыш» EG (expected gains) определяется как сумма «взвешенных по вероятностям» положительных значений NPV:
где NPV+ — число неотрицательных значений NPV:
k — число неотрицательных значений NPV в полученной в результате проведения имитационных экспериментов выборке случайных сценариев.
Может применяться для оценки коммерческой эффективности проекта в целом. Для оценки проекта с учетом схемы финансирования совпадает с показателем ожидаемого дохода при выполнении условия финансовой реализуемости проекта.
Ожидаемые потери. Показатель «ожидаемые потери» EL (expected losses) определяется как сумма «взвешенных по вероятностям» отрицательных значений NPV:
где NPV-
— отрицательные значения NPV;
m- число отрицательных значений NPV в полученной в результате проведения имитационных экспериментов выборке случайных сценариев.
Может применяться для оценки коммерческой эффективности проекта. Для оценки проекта с учетом схемы финансирования не применяется, так как величина ЧДД в этом случае в сценариях при выполнении условия финансовой реализуемости положительна.
Ожидаемое значение есть сумма ожидаемого выигрыша и ожидаемых потерь:
Коэффициент ожидаемых потерь. Этот показатель аналогичен показателю «нормируемый ожидаемый убыток». Коэффициент ожидаемых потерь ELR (expected loss ration) является показателем, измеряющим величину взятых по модулю ожидаемых потерь по отношению к сумме ожидаемого выигрыша и взятых по модулю ожидаемых потерь:
Коэффициент ожидаемых потерь, определенный таким образом, может изменяться от 0, означающего отсутствие ожидаемых потерь и низкую рискованность проекта, до 1, которая означает отсутствие ожидаемого выигрыша и полную рискованность проекта.
Этот показатель можно считать хорошим измерителем рискованности при расчетах коммерческой эффективности проекта, так как он является безразмерной величиной и измеряет риск как возможность потерь. При этом он учитывает не только возможность возникновения неэффективных проектов, но и размеры возможных потерь и доходов.
Дисперсия и среднее квадратическое отклонение. Дисперсия D и среднее квадратическое отклонение S показывают, насколько велик разброс значений NPV относительно ожидаемого значения. Это абсолютные измерители риска. Показатели применимы в первую очередь для оценки риска портфельных инвестиций, так как рассматривают риск как возможность и отрицательных, и положительных отклонений от среднего значения (и потерь, и выигрыша). Именно из-за этого они мало пригодны для щелей оценки риска проекта как возможности потерь.
Дисперсия рассчитывается по формуле
Среднее квадратическое отклонение определяется как корень из дисперсии:
Коэффициент вариации Var является относительным показателем риска.
Рассчитывается по формуле
При положительном математическом ожидании чем ниже коэффициент вариации, тем меньше разброс показателя эффективности ИП относительно его ожидаемого значения. Недостатком коэффициента вариации для целей анализа риска инвестиционных проектов является то, что он, как и предыдущие индикаторы, учитывает и отрицательные, и положительные отклонения от ожидаемого значения.
Вероятность реализации неэффективного проекта Р является, по сути, относительной частотой появления неэффективного проекта, относительным (безразмерным) показателем и позволяет определять риск как возможность осуществления неэффективного проекта. Может рассматриваться как показатель рискованности проекта при расчетах коммерческой эффективности проекта в целом без учета источников финансирования. К числу его недостатков можно отнести тот факт, что он показывает, сколько раз было нарушено условие эффективности, но не показывает, насколько велики потери. Вероятность реализации неэффективного проекта рассчитывается по формуле
где т — число отрицательных значений NPV в полученной выборке;
п — число проведенных имитационных экспериментов (размер выборки).
Вероятность реализации проекта со значением критериального показателя ниже порогового уровня.
Вероятность реализации проекта Р* со значением критериального показателя ниже порогового уровня показывает относительную частоту появления такого проекта, служит относительным измерителем риска прежде всего с позиции отдельных участников проекта, которые сами выбирают интересующий их критерий (Criter) и устанавливают минимально приемлемое для них его значение (Criter*).
где т — число со значением критериального показателя (Criter) ниже порогового уровня (Criter*), задаваемого лицом, оценивающим риск,
п — общее число экспериментов (значений показателя Criler в выборке).
Этот индикатор трактует риск как возможность потерь и может использоваться как показатель рискованности при расчетах эффективности участия в проекте. Его недостаток заключается в том, что, показывая, сколько раз было нарушено условие эффективности, он не показывает, насколько велики потери.
Таким образом, на основе имеющейся характеристики измерителей риска инвестиционного проекта можно сделать вывод, что наилучший показатель оценки эффективности проекта по результатам имитационного моделирования методом Монте-Карло — это ожидаемое значение NPV, а для оценки рискованности проекта лучше использовать вероятность реализации неэффективного проекта и коэффициент ожидаемых потерь (оба этих индикатора риска обладают свойством безразмсрности, что позволяет с их помощью сравнивать рискованность альтернативных проектов, обеспечивает сопоставимость сравнения уровня риска для различных проектов).
Вероятностная имитационная модель оценки рисков.
Преимущества использования имитационного моделирования методом Монте-Карло в российской экономике обусловлены следующими причинами:
• высокая неопределенность приводит к тому, что результаты реализации проекта существенно отличаются от прогнозных, поэтому для избежания серьезных потерь необходимо оценить, какова вероятность реализации неэффективного проекта;
• различного рода высокие риски, присутствующие в российской экономике, требуют от разработчиков проекта реализации мероприятий по управлению рисками, с помощью предлагаемого подхода можно заранее оценить, насколько те или иные мероприятия по управлению рисками смогут снизить рискованность проекта и как это отразится на эффективности проекта.
Итак, имитационное моделирование методом Монте-Карло может быть использовано:
• для оценки рисков инвестиционного проекта;
• для управления рисками инвестиционного проекта;
• для построения оптимизационных моделей управления рисками с целью выбора минимального уровня риска при заданной ожидаемой чистой дисконтированной стоимости проекта или максимальной эффективности проекта при заданном пороговом уровне риска.
Анализ сценариев развития проекта позволяет оценить влияние на него возможного одновременного изменения нескольких переменных через вероятность каждого сценария. Этот вид анализа может выполняться как с помощью электронных таблиц (например, Microsoft Excel), так и с применением специальных компьютерных программ, позволяющих использовать методы имитационного моделирования.
В первом случае формируются 3-5 сценариев развития проекта (табл. 20.12). Каждому сценарию должны соответствовать:
- набор значений исходных переменных;
- рассчитанные значения результирующих показателей;
- некоторая вероятность наступления данного сценария, определяемая экспертным путем.
Таблица 20.12
Пример сценариев развития проекта
Сценарии |
Вероятность |
Ч Д Д, млн руб |
Ч Д Д с учетом вероятности, млн руб |
Оптимистичный |
0,1 |
100 |
10 |
Нормальный |
0,5 |
80 |
40 |
Пессимистичный |
0,4 |
50 |
20 |
Всего |
1 |
− |
70 |
В результате расчета определяются средние значения результирующих показателей –чистого дисконтированного дохода (Ч Д Д) проекта – с учетом вероятности наступления каждого сценария.
Метод построения дерева решений проекта.
В случае небольшого числа переменных и возможных сценариев развития проекта для анализа рисков можно также воспользоваться методом дерева решений. Преимущество данного метода в его наглядности. Последовательность сбора данных для построения дерева решений при анализе рисков включает следующие шаги:
Определение состава и продолжительности фаз жизненного цикла проекта.
Определение ключевых событий, которые могут повлиять на дальнейшее развитие проекта.
Определение времени наступления ключевых событий.
Формулировка всех возможных решений, которые могут быть приняты в результате наступления каждого ключевого события.
Определение вероятности принятия каждого решения.
Определение стоимости каждого этапа осуществления проекта (стоимости работ между ключевыми событиями).
На основании полученных данных строится дерево решений. Его узлы представляют собой ключевые события, а стрелки, соединяющие узлы, - проводимые работы по реализации проекта. Кроме того, на дереве решений приводится информация относительно времени, стоимости работ и вероятности принятия того или иного решения.
В результате построения дерева решений определяется вероятность каждого сценария развития проекта, эффективность по каждому сценарию, а также интегральная эффективность проекта. Положительная величина показателя эффективности проекта, например, Ч Д Д, указывает на приемлемую степень рисков, связанных с осуществлением проекта.
Если для описания риска адекватно применение нормального распределения, то мера риска соответственно может оцениваться как математическое ожидание, где – мера риска;;- вероятность возникновения потерь в результатеi-го наблюдения; - число случаев наблюденияi-го результата; n - общее число наблюдаемых результатов.
Если показатель меры риска используется как пессимистическая оценка результата, то применяется формула максимально возможного негативного отклонения – «три сигмы»:
Однако мера риска может быть менее - 3если максимальные потери реально менее расчетного значения. В этом случае мера риска совпадает с максимальными потерями в результате реализации инновационного проекта.
При принятии решения в области управления риском часто используются кумулятивные статистические кривые (графики Лоренца), на которых накопленным итогом отражается вероятность неблагоприятной ситуации в зависимости от оценки неблагоприятности.
Общая оценка риска проекта.
Реальный инновационный проект характеризуется проявлением рисков в различных областях под влиянием различных факторов инновационного процесса. Тогда полезность этих факторов оценивается с помощью различных показателей, по различным шкалам и критериям. Тем не менее нередко возникает задача общей оценки риска инновации как общего успеха или неудачи.
Общая оценка риска необходима, если речь идет об определении значения коэффициента дисконтирования, включающего премию за риск.
Чтобы получить общую оценку риска, используются следующие правила:
Правило поглощения рисков – если риски относятся к одной области деятельности и (или) их мера совпадает, но проявление негативных факторов происходит независимо один от другого, вероятность их проявления оценивается по максимальному значению:
max
Где,
– общая степень риска в данной области;
– степень частных рисков в данной области.
Правило математического сложения рисков – если риски относятся к разным областям деятельности и (или) их меры различаются, но проявление негативных факторов происходит независимо один от другого, вероятность их проявления оценивается по правилам для суммы вероятностей независимых событий, а мера рискаоценивается как среднеарифметическая, для двух факторов имеем:
,
Где, – частная мера риска в данной области;
Правило логистического сложения рисков – если риски относятся к разным областям деятельности и (или) их меры риска различаются, а негативные факторы проявляются в зависимости один от другого, вероятность их проявления оценивается на основе логического сложения:
Где, – оценка риска дляi-го события;
n - число факторов.
Основными результатами качественного анализа рисков являются:
- выявление конкретных рисков проекта и порождающих их причин;
- анализ и стоимостной эквивалент гипотетических последствий возможной реализации отмеченных рисков;
- предложение мероприятий по минимизации ущерба, и, наконец, их стоимостная оценка.
Факторы, снижающие риск и повышающие ожидаемую прибыль:
Исследование рисков
Экспертиза всех аспектов проекта
Система защиты
Контроль и мониторинг рисков
Страхование
Резервирование
Разработка стратегии
Управление рисками
Факторы, повышающие риск и снижающие ожидаемую прибыль:
Потери
Кражи
Пожары
Наводнения
Нестабильность окружения проекта
Инфляция
Ненадежные партнеры
Некачественные ресурсы проекта