Метод анализа проектного риска с помощью построения дерева решений проекта.

Как правило, производимые во время реализации проекта затраты, требуют осуществления финансовых вложений не единовременно, а в течение определенного, достаточно длительного промежутка времени. Такое положение вещей дает менеджеру возможность проводить переоценку своих вложений и оперативно реагировать на изменение конъюнктуры реализации проекта.

Риск по проектам, при реализации которых инвестирование средств происходит в течение длительного периода времени, часто оценивается с помощью дерева решений.

Пример 3.14

Некая компания собирается инвестировать средства в производство роботов для использования в космических исследованиях. Инвестиции в данный проект производятся в три этапа.

1этап. В начальный момент времени t=0 необходимо потратить $500 тыс. долл. на проведение маркетингового исследования рынка.

2 этап. Если в результате исследования будет выяснено, что потенциал рынка достаточно высок, то компания инвестирует еще $1,000 тыс. долл. на разработку и создание опытных образцов робота. Опытные образцы должны быть предложены к рассмотрению инженерам в центре космических исследований, которые решают вопрос о размещении заказа у данной компании.

3 этап. Если реакция инженеров благоприятная, то в момент времени t=2 компания начинает строительство нового предприятия по производству данного робота. Строительство такого предприятия требует затрат в $10,000 тыс. долл. Если данная стадия будет реализована, то по оценкам менеджеров проект будет генерировать притоки наличности в течение четырех лет. Величина этих потоков наличности будет зависеть от того, насколько хорошо этот робот будет принят на рынке.

Для анализа именно таких многостадийных решений чаще всего используется метод дерева решений (см. рисунок 3.15).

Рисунок 3.15. Дерево решений

В этом примере мы предполагаем, что очередное решение об инвестировании принимается компанией в конце каждого года. Каждое «разветвление» обозначает точку принятия решения, либо очередной этап. Число в круглых скобках, записанное слева от точки принятия решения, представляет собой чистые инвестиции. В интервале с третьего по шестой годы (с t=3 по t=6) показаны притоки наличности, которые генерируются проектом. Например, если компания решает реализовывать проект в точке t=0, то она должна потратить 500 тыс. долл на проведение маркетингового исследования. Менеджеры компании оценивают вероятность получения благоприятного результата в 80%, и вероятность получения неблагоприятного результата в 20%. Если проект будет остановлен на этой стадии, то издержки компании составят 500 тыс. долл.

Если по результатам маркетингового исследования компания приходит к оптимистическому заключению о потенциале рынка, то в момент времени t=1 необходимо потратить еще 1,000 тыс. долл. на изготовление экспериментального варианта робота. Менеджеры компании оценивают вероятность положительного исхода в 60%, а вероятность отрицательного исхода в 40%.

Если инженеров центра космических исследований устраивает данная модель робота, тогда компания в момент времени t=2 должна инвестировать 10 000 тыс. долл. для постройки завода и начала производства. Менеджеры компании оценивают вероятность того, что в центре космических исследований воспримут такую модель благожелательно в 60% и вероятность противоположного исхода в 40% (что приведет к прекращению реализации проекта).

Если компания приступает к производству робота, то операционные потоки наличности в течение четырехлетнего срока жизни проекта будут зависеть от того, насколько хорошо продукт будет «принят» рынком. Вероятность того, что продукт будет хорошо «принят» рынком составляет 30% и в этом случае чистые притоки наличности должны составлять около 10 000 тыс. долл. в год. Вероятность того, что притоки наличности будут составлять около 4 000 тыс. долл. и 2 000 тыс. долл. в год, равна 40% и 30% соответственно. Эти ожидаемые потоки наличности показаны на нашем рисунке с третьего года по шестой.

Совместная вероятность, подсчитанная на выходе данной схемы, характеризует ожидаемую вероятность получения каждого результата.

Предположим, что ставка цены капитала компании при реализации данного проекта составляет 11,5%, и по оценкам финансовых менеджеров компании реализация данного проекта имеет риск, равный риску реализации типичного «среднего» проекта компании. Затем, умножая полученные значения чистой приведенной стоимости на соответствующие значения совместной вероятности, мы получим ожидаемую чистую приведенную стоимость инвестиционного проекта.

Поскольку ожидаемая чистая приведенная стоимость проекта получилась отрицательной, то компания должна отвергнуть этот инвестиционный проект. Однако на самом деле, вывод не так однозначен. Необходимо также учесть возможность отказа компании от реализации данного проекта на определенном этапе или стадии, что приводит к существенному изменению одной из ветвей дерева решений.

Издержки отказа от реализации проекта значительно сокращаются, если компания имеет альтернативу для использования активов проекта. Если бы в нашем примере, компания могла бы использовать оборудование для производства принципиально иного вида роботов, тогда бы проект по производству роботов для космических нужд мог быть ликвидирован с большей легкостью, следовательно, риск реализации проекта был бы меньше.

Рассматривая особенности метода «дерева решений» («дерева вероятностей») в общей системе методов диагностики проектного риска, можно отметить, что его преимуществом является высокая степень наглядности осуществляемого анализа, а также достаточно высокая степень корреляции результатов конечной оценки с промежуточными временными интервалами реализации инвестиционного проекта. Однако и этому методу оценки уровня проектного риска присущи определенные недостатки. Прежде всего, использование этого метода дает надежный результат лишь по проектам с коротким жизненным циклом — возрастание проектного цикла приводит к его разделению на значительное число этапов, что существенно усложняет расчеты и требует специальной программной поддержки. Кроме того, слабым звеном метода «дерева решений» является процесс задания вероятностей по каждой из альтернатив, который носит субъективный характер. И, наконец, к числу недостатков этого метода следует отнести то, что по каждой из «ветвей» в рамках одного из рассматриваемых этапов реализации проекта разрабатывается всего лишь несколько альтернативных сценариев — в этом отношении метод имитационного моделирования имеет несомненные преимущества.

Метод Монте-Карло

Анализ рисков с использованием метода имитационного моделирования Монте-Карло представляет собой «воссоединение» методов анализа чувствительности и анализа сценариев на базе теории вероятностей.

Результатом такого комплексного анализа выступает распределение вероятностей возможных результатов проекта ( например, вероятность получения NPV<0).

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 рисунке 3.16 отражает укрупненную схему работы с моделью.

Рисунок 3.16. Схема работы с моделью

Применение метода имитации Монте-Карло требует использования специальных математических пакетов (например, специализированного программного пакета Гарвардского университета под названием Risk-Master) , в то время как метод сценариев может быть реализован даже при помощи обыкновенного калькулятора.

Упоминаемый ранее программный пакет Risk-Master позволяет в диалоговом режиме осуществить процедуру подготовки информации к анализу рисков инвестиционного проекта по методу Монте-Карло и провести сами расчеты.

Первый шаг при применении метода имитации состоит в определении функции распределения каждой переменной, которая оказывает влияние на формирование потока наличности. Как правило, предполагается, что функция распределения являются нормальной, и, следовательно, для того, чтобы задать ее необходимо определить только два момента (математическое ожидание и дисперсию).

Как только функция распределения определена, можно применять процедуру Монте-Карло.

Алгоритм метода имитации Монте-Карло

Шаг 1.Опираясь на использование статистического пакета, случайным образом выбираем, основываясь на вероятностной функции распределения значение переменной, которая является одним из параметров определения потока наличности.

Шаг 2. Выбранное значение случайной величины наряду со значениями переменных, которые являются экзогенными переменными используется при подсчете чистой приведенной стоимости проекта.

Шаги 1 и 2 повторяются большое количество раз, например 1000, и полученные 1000 значений чистой приведенной стоимости проекта используются для построения плотности распределения величины чистой приведенной стоимости со своим собственным математическим ожиданием и стандартным отклонением.

Используя значения математического ожидания и стандартного отклонения, можно вычислить коэффициент вариации чистой приведенной стоимости проекта и затем оценить индивидуальный риск проекта, как и в анализе методом сценариев.

Теперь необходимо определить минимальное и максимальное значения критической переменной, а для переменной с пошаговым распределением помимо этих двух еще и остальные значения, принимаемые ею. Границы варьирования переменной определяются, просто исходя из всего спектра возможных значений.

По прошлым наблюдениям за переменной можно установить частоту, с которой та принимает соответствующие значения. В этом случае вероятностное распределение есть то же самое частотное распределение, показывающее частоту встречаемости значения, правда, в относительном масштабе (от 0 до 1). Вероятностное распределение регулирует вероятность выбора значений из определенного интервала. В соответствии с заданным распределением модель оценки рисков будет выбирать произвольные значения переменной. До рассмотрения рисков мы подразумевали, что переменная принимает одно определенное нами значение с вероятностью 1. И через единственную итерацию расчетов мы получали однозначно определенный результат. В рамках модели вероятностного анализа рисков проводится большое число итераций, позволяющих установить, как ведет себя результативный показатель (в каких пределах колеблется, как распределен) при подстановке в модель различных значений переменной в соответствии с заданным распределением.

Задача аналитика, занимающегося анализом риска, состоит в том, чтобы хотя бы приблизительно определить для исследуемой переменной (фактора) вид вероятностного распределения. При этом основные вероятностные распределения, используемые в анализе рисков, могут быть следующими: нормальное, постоянное, треугольное, пошаговое. Эксперт присваивает переменной вероятностное распределение, исходя из своих количественных ожиданий и делает выбор из двух категорий распределений: симметричных (например, нормальное, постоянное, треугольное) и несимметричных (например, пошаговое распределение).

Существование коррелированных переменных в проектном анализе вызывает проблему, не рассмотреть которую означало бы заранее обречь себя на неверные результаты. Ведь без учета коррелированности, скажем, двух переменных - компьютер, посчитав их полностью независимыми, генерирует нереалистичные проектные сценарии. Допустим цена и количество проданного продукта есть две отрицательно коррелированные переменные. Если не будет уточнена связь между переменными (коэффициент корреляции), то возможны сценарии, случайно вырабатываемые компьютером, где цена и количество проданной продукции будут вместе либо высоки, либо низки, что естественно негативно отразится на результате.

Проведение расчетных итераций является полностью компьютеризированная часть анализа рисков проекта. 200-500 итераций обычно достаточно для хорошей репрезентативной выборки. В процессе каждой итерации происходит случайный выбор значений ключевых переменных из специфицированного интервала в соответствии с вероятностными распределениями и условиями корреляции. Затем рассчитываются и сохраняются результативные показатели (например, NPV). И так далее, от итерации к итерации.

Завершающая стадия анализа проектных рисков - интерпретация результатов, собранных в процессе итерационных расчетов. Результаты анализа рисков можно представить в виде профиля риска. На нем графически показывается вероятность каждого возможного случая (имеются в виду вероятности возможных значений результативного показателя).

Часто при сравнении вариантов капиталовложений удобнее пользоваться кривой, построенной на основе суммы вероятностей (кумулятивный профиль риска). Такая кривая показывает вероятности того, что результативный показатель проекта будет больше или меньше определенного значения. Проектный риск, таким образом, описывается положением и наклоном кумулятивного профиля риска.

Кумулятивный (интегральный, накопленный) профиль риска, показывает кумулятивное вероятностное распределение чистой текущей стоимости (NPV) с точки зрения банкира, предпринимателя и экономиста на определенный проект. Вероятность того, что NPV < 0 с точки зрения экономиста - около 0.4, в то время как для предпринимателя эта вероятность менее 0.2. С точки зрения банкира проект кажется совсем безопасным, так как вероятность того, что NPV > 0, около 95%.

Будем исходить из того, что проект подлежит рассмотрению и считается выгодным, в случае, если NPV > 0. При сравнении нескольких одноцелевых проектов выбирается тот, у которого NPV больше при соблюдении сказанного в предыдущем предложении.

Несмотря на свои достоинства, метод Монте-Карло не распространен и не используется слишком широко в бизнесе. Одна из главных причин этого - неопределенность функций плотности переменных, которые используются при подсчете потоков наличности.

Другая проблема, которая возникает как при использовании метода сценариев, так и при использовании метода Монте-Карло, состоит в том, что применение обоих методов не дает однозначного ответа на вопрос о том, следует ли реализовывать данный проект или следует отвергнуть его.

При завершении анализа, проведенного методом Монте-Карло, у эксперта есть значение ожидаемой чистой приведенной стоимости проекта и плотность распределения этой случайной величины. Однако наличие этих данных не обеспечивает аналитика информацией о том, действительно ли прибыльность проекта достаточно велика, чтобы компенсировать риск по проекту, оцененный стандартным отклонением и коэффициентом вариации.

Ряд исследователей избегает использования данного метода ввиду сложности построения вероятностной модели и множества вычислений, однако при корректности модели метод дает весьма надежные результаты, позволяющие судить как о доходности проекта, так и о его устойчивости (чувствительности).

В зависимости от результатов завершенного анализа рисков, а также и от того, насколько склонен к риску инвестор, последний принимает решение принять, изменить, или отклонить проект.