НЕКОТОРЫЕ ПОДХОДЫ К ОЦЕНКЕ ВОЗМОЖНЫХ РИСКОВ ИНВЕСТИЦИОННЫХ ПРОЕКТОВ

Известно, что деятельность в области инвестирования характеризуется особенно высоким уровнем неопределенности, ей преимущественно присущи значительная продолжительность реализации проектов и программ, наличие большого количества факторов, которые определяют конечные результаты осуществления этих проектов, изменчивость результатов во времени, частичная необратимость процесса инвестирования и т. д. [1, 3, 8].

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 [4, 5, 6, 10].

 С точки зрения вложения инвестиций, определение А. А. Емельянова [2], достаточно полно отражает сущность рисковых ситуаций и в большей степени подходит для моделирования инвестиционных проектов [9].

Инвестиционные риски, возникающие при выполнении инвестиционного проекта, можно определить как вероятность частичной или полной потери прогнозируемой проектной прибыли. Возникновение инвестиционных рисков неразрывно связано с неопределенностью прогнозируемых результатов. На практике принято отождествлять риски и неопределенность.

В свое время, Ф. Найт, который считается автором первого научного определения риска, предложил различать понятия «риск» и «неопределенность» [8]. 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.

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 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 оценке рисков. 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 определяется интегральный уровень рисков. 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 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. Анализ чувствительности применяется для определения наиболее весомых рисков проекта. 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 [7, 11].

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.

Чистую текущую стоимость проекта можно рассчитать по формуле (1):

                               (1)

где n = t — количество периодов времени; CF — приходящий денежный поток; R — 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 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.

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. 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.

Также, для анализа 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 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. Также, рекомендовано использовать инструмент «Описательная статистика» табличного процессора MS Excel в целях проведения оценки результатов имитационного моделирования методом Монте-Карло.

Список литературы

1. Аллагулов Р.Х., Брялина Г.И., Габитов И.М., Еникеев Д.Д., Ишмухаметов Н.С., Кашаев Н.Х., Кильдибекова З.Р., Кузяшев А.Н., Полянская И.К., Сибагатуллин С.Р., Сингизова Н.Б. Экономика в 2-х томах. Том 1. Учебное пособие / Уфа, 2006. – 160 с. [Электронный ресурс]. URL: https://elibrary.ru/item.asp?id=28161989 (дата обращения: 22.01.2020). 
2. 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 9785279024353.
3. Ахметов В.Я., Кузяшев А.Н., Насретдинова З.Т., Ахмедина Г.Б. Экономическая реализация собственности через кооперацию // Вестник Евразийской науки, 2019. Т. 11. № 4. С. 51. URL: https://esj.today/PDF/61ECVN419.pdf — https://elibrary.ru/download/elibrary_41358698_31803414.pdf (дата обращения 22.01.2020).   DOI: 10.15862/61ECVN419 (http://dx.doi.org/10.15862/61ECVN419)
4. ГОСТ Р ИСО 31000-2010. Менеджмент риска. Принципы и руководство. Введ. 2010–12–21. М.: Стандартинформ, 2018. 27 с.
5. ГОСТ Р ИСО/МЭК 31010–2011. Менеджмент риска. Методы оценки риска. Введ. 2011–12–01. М.: Стандартинформ, 2012. 74 с.
6. Гумеров Э.А., Кузяшев А.Н., Шаяхметов И.Ф. Криптовалюта — новая парадигма мировой экономической системы // Экономика и управление: научно-практический журнал. — Издательство БАГСУ при главе РБ. — Уфа.- 2018. — № 4(142)., С.104-108. ISSN: 2072-8697- [Электронный ресурс]. URL: https://elibrary.ru/item.asp?id=35359957 (дата обращения: 22.01.2020).
7. Меховова А.П., Кузяшев А.Н. Проблема выбора стратегии управления рисками в зависимости от обстоятельств, связанных с конкретным проектом //Устойчивое развитие территорий: теория и практика: материалы X Всероссийской научно-практической конференции с международным участием (14-16 ноября 2019 г. г. Сибай.). в 2-х томах. Т.1.– Сибай: Сибайский информационный центр – филиал ГУП РБ Издательский дом «Республика Башкортостан», 2019. — 302 с. С. 92-94. https://elibrary.ru/item.asp?id=41529406
8. Найт Ф. Х. Риск, неопределенность и прибыль / пер. с англ. М. Я. Каждана. М.: Дело, 2003. 359 с. ISBN 5774903060.
9. Попова А. Ю. Оценка риска инвестиционного проекта. [Электронный ресурс]. URL: http://ej.kubagro.ru/2006/03/pdf/07.pdf (дата обращения: 22.01.2020).
10. Саитгареева Р.Ш., Кузяшев А.Н. Современный подход менеджмента к проблемам российских промышленных предприятий // Научный электронный журнал «Меридиан». 2019. № 13 (31). С. 21-23. https://elibrary.ru/item.asp?id=41508769
11. 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.