Preview

Стратегические решения и риск-менеджмент

Расширенный поиск

МНОГОМЕРНЫЙ ПОДХОД К АНАЛИЗУ ЧУВСТВИТЕЛЬНОСТИ ОЦЕНОК РИСКОВ ИННОВАЦИОННЫХ ПРОЕКТОВ

https://doi.org/10.17747/2078-8886-2011-4-72-77

Полный текст:

Аннотация

Статья посвящена многомерному подходу к важной составной части анализа рисков инновационных проектов – оценке чувствительности рисков при изменении определяющих их факторов. Предложена и на конкретном примере апробирована методика формирования эмпирической базы для моделирования чувствительности оценок рисков инновационных проектов в пределах, не нарушающих согласованность матрицы парных суждений. Показано, что при этом могут быть получены экономически значимые результаты, в числе которых оценка эластичности приоритетов направлений инвестиций по весам рисков различного вида и выявление наиболее чувствительных факторов риска.

Для цитирования:


Покровский А.М. МНОГОМЕРНЫЙ ПОДХОД К АНАЛИЗУ ЧУВСТВИТЕЛЬНОСТИ ОЦЕНОК РИСКОВ ИННОВАЦИОННЫХ ПРОЕКТОВ. Стратегические решения и риск-менеджмент. 2011;(4):72-77. https://doi.org/10.17747/2078-8886-2011-4-72-77

For citation:


Pokrovskiy A.M. MULTIDIMENSIONAL APPROACH TO THE SENSITIVITY ANALYSIS OF INNOVATIVE PROJECTS RISK ASSESSMENT. Strategic decisions and risk management. 2011;(4):72-77. (In Russ.) https://doi.org/10.17747/2078-8886-2011-4-72-77

Введение

При проведении массовой реструктуризации предприятий крупного и среднего бизнеса, про­исходящей в России, большее значение прида­ется решению проблем их развития в условиях высокой неопределенности, когда, помимо коли­чественных финансовых и экономических факто­ров, надо учитывать и факторы, не оцениваемые количественно. Прежде всего, речь идет об оцен­ке многочисленных факторов риска при реали­зации инвестиционных проектов. Имеющиеся методики риск-анализа основаны на учете каче­ственных параметров или на производственной статистике, которая по вполне понятным причи­нам не всегда имеется.

Важной составной частью анализа рисков ин­вестиционных проектов является оценка чувстви­тельности приоритетов (весов) рисков проектов при изменении определяющих их факторов (пе­ременных) [2]. Она тем более актуальна при ана­лизе рисков инновационных проектов, когда не­обходимо оценивать не только количественные, но и качественные факторы, например социаль­ные и политические, которые в принципе не уда­ется выразить количественно. В связи с этим количественную оценку таких критериев инно­вационно-инвестиционных проектов, как ожида­емая доходность, ожидаемые затраты, интеграль­ные критерии проектной эффективности (NPV, IRR, DPP, PI), следует дополнить критериями, оцениваемыми экспертно-аналитическими мето­дами [3, 14, 13]. Задача, поставленная таким об­разом, заключается в создании концептуальной иерархической модели рисков проекта с после­дующей разработкой информационной модели; при этом пригодится экспертно-аналитическая технология Expert Decide, разработанная специ­алистами Орловского государственного техниче­ского университета и Орловской региональной академии государственной службы [5, 6].

В анализе чувствительности существу­ет и другая проблема. В классическом анализе чувствительности рассматривается «последова­тельно-единичное влияние на конечный резуль­тат проекта (его эффективность) только одного варьируемого параметра (фактора, переменной), проверяемого на риск, при сохранении неизмен­ными всех остальных параметров» [11]. Однако эта проблема легкоразрешима. Еще в середине прошлого века были разработаны методы пла­нирования вычислительных (имитационных) экспериментов, которые позволяют иначе сфор­мулировать задачу анализа чувствительности приоритетов рисков проектов при изменении определяющих их факторов: от последователь­но-единичного изменения каждой переменной перейти к одновременному изменению всех пере­менных, включаемых в анализ.

В рамках теории планирования имитационно­го эксперимента необходимо проводить измене­ния по оптимальному плану эксперимента [7, 8, 4]. В прошлом обработку эмпирических данных, полученных с применением подобных планов, проводили с помощью калькулятора, а не на ЭВМ, и исследователи стремились к использованию до­статочно экономичных планов, например планов дробного факторного эксперимента 2n-k, в кото­рых каждый фактор варьирует на двух уровнях, но число вариантов плана меньше, чем в полном факторном эксперименте, в k раз, n - число выход­ных факторов. Однако применение этих планов ограничивается созданием линейных моделей. Возникла потребность в специально разрабо­танных планах эксперимента, ориентированных на создание квадратичных моделей. Такие планы экономичны, но большинство из них требует изме­нения переменных не на трех, а на пяти уровнях, что не всегда удобно; кроме того, при экспертно­аналитическом моделировании рисков возникают трудности с реализацией подобных планов.

По нашему мнению, совсем не обязательно прибегать к четко конкретным планам вычис­лительного эксперимента, поскольку наличие на рынке программных продуктов информацион­ных технологий типа SPSS Base позволяет стро­ить модели линейной множественной регрессии на основе любого набора эмпирических данных, а применение нейросетевых технологий вообще полностью решает данную проблему. В этих це­лях можно эффективно использовать пакет ней- росетевых программ Neural Connection [15], с по­мощью которого могут быть описаны нелинейные зависимости практически любой сложности.

Постановка задачи

Вернемся к постановке задачи анализа чув­ствительности приоритетов инновационно-инве­стиционных проектов. Выше отмечено, насколько широка область их применения. Несмотря на по­тенциальную эффективность инновационных проектов экспертно-аналитического моделирова­ния в риск-анализе, пока нельзя говорить о ши­роком использовании экспертно-аналитического моделирования практиками, непосредственно за­нятыми реализацией инвестиционных проектов, и специалистами консалтинговых фирм. Данное явление обусловлено несколькими причинами, прежде всего креативностью решения конкрет­ных проблем, к которым относится риск-анализ инвестиционных проектов промышленных пред­приятий. Существующие методики риск-анализа инвестиционных проектов на базе экспертно­аналитического моделирования фрагментарны и не охватывают все его стороны; в частности, не развиты методы анализа чувствительности ин­вестиционных проектов к изменению факторов риска.

В математическом плане здесь следует выде­лить две подзадачи:

  • оценку изменений приоритетов направлений инвестирования, обусловленных вариацией оце­нок парных суждений об относительной значимо­сти видов риска;
  • оценку изменений приоритетов рисков тех или иных видов, обусловленных вариацией оце­нок парных суждений об относительной значимо­сти направлений инвестирования.

 

Таблица 1

Матрица парных сравнений видов риска

Риск

Производ­ственный

Инвестиционно­ финансовый

Рыночный

Финансовый

Социальный

Производственный

1,000

1,000

0,200

1,000

4,000

Инвестиционно­

финансовый

1,000

1,000

0,143

1,000

1,000

Рыночный

5,000

7,000

1,000

1,000

5,000

Финансовый

1,000

1,000

4,000

1,000

2,000

Социальный

0,250

1,000

0,200

0,500

1,000

 

Рис. 1. Базовое сопоставление значимости рисков инвестиций в модернизацию производственных процессов на промышлен­ном предприятии

Обе подзадачи - не одномерные и характеризу­ются не скалярной выходной переменной, а мно­гомерным вектором приоритетов. Основная идея экспертно-аналитического подхода к количествен­ной оценке рисков инвестиционных проектов со­стоит в представлении слабоструктурированной проблемы в виде когнитивной иерархической модели, которая в простейшем случае имеет три уровня: фокус (цель), набор рисков разных видов, альтернативные проекты. Если речь идет о рисках инвестиционных проектов промышленных пред­приятий, то это следующие уровни:

  • фокус - оценка приоритетов риска альтерна­тивных инвестиционных проектов;
  • набор рисков инвестиционных проектов;
  • альтернативные инвестиционные проекты.

Рассмотрим конкретный пример риск-анализа проектов промышленного предприятия по модер­низации производственного процесса [10]. В ос­нову когнитивной иерархической модели риск- анализа положена ее трехуровневая структура:

  • цель - риск-анализ проектов промышленно­го предприятия по модернизации производствен­ного процесса;
  • виды проектных рисков:

o производственный;

o инвестиционный;

o рыночный;

o финансовый;

o социальный;

o институционально-правовой; o экологический; o политический.

  • альтернативные проекты:

o переход на менее затратные технологии;

o замена изношенного и мораль­но устаревшего оборудования;

o выпуск продукции, новой для предприятия; o обучение кадров.

Для успешной работы экспер­тов необходимо располагать четкой классификацией рисков и факторов риска инвестиционных проектов. В научной литературе представле­ны различные классификации про­ектных рисков, но наиболее удачной представляется классификация [2], согласно которой:

  • производственный риск - риск невыпол­нения планируемых объемов работ и/или увели­чения затрат, недостатки производственного пла­нирования и, как следствие, увеличение текущих расходов предприятия;
  • инвестиционно-финансовый риск - риск возможного обесценивания инвестиционно-фи­нансового портфеля, состоящего из собственных ценных бумаг и приобретенных;
  • рыночный риск - риск, связанный с воз­можным колебанием рыночных процентных ста­вок собственной национальной единицы и зару­бежных курсов валют;
  • финансовый риск - риск, связанный с осу­ществлением операций с финансовыми активами;
  • институционально-правовой риск - риск, возникающий в связи с возможной нескоорди- нированностью целей и задач проекта, а также процесса его реализации с особенностями инсти­туционально-правовой среды, в которой реализу­ется проект;
  • социальный риск - риск, связанный с со­циальными последствиями реализации инвести­ционного проекта и, соответственно, социальной неподготовленностью проекта и возможностью отторжения этих изменений социальной средой;
  • экологический риск - риск, обусловленный экологическими последствиями реализации про­екта, то есть возможностью нанесения ущерба природной среде в результате выполнения про­екта.

С учетом характера инновационно-инвести­ционных проектов промышленного предприятия по модернизации производственного процес­са институционально-правовой, экологический и политический риски можно исключить из ана-

лиза. Следовательно, в первой подзадаче есть пять видов риска, рассматриваемых как входные переменные и три выходные переменные (чет­вертое направление «обучение кадров» также можно исключить из анализа ввиду низкого его приоритета), а во второй подзадаче - три направ­ления инвестиций в качестве входных перемен­ных и пять выходных переменных - видов риска. Первая подзадача - основная, вторая - дополни­тельная. Решение указанных подзадач требует создания эмпирической базы для моделирования чувствительности рисков, и здесь будет полезным обратиться к имитационному эксперименту. Оче­видно, что для его реализации нет необходимо­сти привлекать экспертов - достаточно изменить их оценки в ту или иную сторону.

Алгоритм создания эмпирической базы для моделирования

Рассмотрим алгоритм создания эмпириче­ской базы для моделирования на примере трех­уровневой иерархии, на среднем уровне которой есть пять видов рисков (производственный, ин­вестиционно-финансовый, рыночный, финансо­вый и социальный), а на нижнем уровне - аль­тернативные направления инвестиций. Ради упрощения задачи ограничимся анализом матри­цы парных сравнений видов рисков инвестиций в модернизацию производственных процессов лишь одного из экспертов (табл. 1).

 

Таблица 2

Вектор значимости видов риска и приоритетов направлений инвестиций при изменении веса рыночного риска

Параметр

Вариант имитации

Базовый

Увеличение веса риска

Уменьшение веса риска

Риск:

 

 

 

производственный

0,147

0,148

0,163

инвестиционно­-финансовый

0,102

0,106

0,112

рыночный

0,411

0,480

0,451

финансовый

0,165

0,193

0,197

социальный

0,091

0,074

0,076

Направление инвестиций:

 

 

 

замена оборудования

0,301

0,299

0,304

введение экономичных технологий

0,178

0,175

0,181

выпуск новой продукции

0,521

0,527

0,515

 

Рис. 2. Измененный вектор значимости рисков инвестиций в модернизацию производственных процессов на промышлен­ном предприятии

Поясним принцип формирования матрицы парных сравнений. Эксперт сравнивает значи­мость каждой пары видов риска по девятибалль­ной шкале отношений Т. Саати [12]. Так, эксперт полагает, что рыночный риск существенно зна­чимее производственного риска. Этому сужде­нию отвечает число «5», а противоположному сравнению (производственного риска относительно рыночного) - обратное число 1/5, то есть 0,200 (эта операция производится в автоматическом режи­ме). Таким образом, матрица, приведен­ная в табл. 1, является результатом 5 х X 4/2 = 10 парных сравнений, выполнен­ных экспертом. (Подчеркнем, что экс­перт проводит сравнение не по числовой шкале, а по шкале с уровнями «равная значимость», «слабая значимость», «су­щественная значимость», «абсолютная значимость», чему соответствуют числа 1, 3, 5, 7 и 9. Числа 2, 4, 6 и 8 - результат промежуточных суждений эксперта.)

Приведенной матрице парных срав­нений видов риска отвечает базовый вектор их значимости, полученный в результате первичной обработки данных опроса экспер­та в экспертно-аналитической системе Expert Decide (рис. 1). Избыточность данных в матрице позволяет не только оценить вектор весов видов риска, но и рассчитать показатель согласованности парных суждений эксперта по матрице. В данном случае согласованность оказалась удовлетворительной, и это позволяет перейти к созданию базы для моделирования, что про­изводится уже без участия эксперта, в автома­тическом режиме.

Алгоритм создания базы состоит в следу­ющем: оценки парных сравнений варьируются в пределах ±1 деления девятибалльной шкалы отношений Т. Саати. Так, для оценки влияния на результат повышения веса рыночного риска дадим оценку не «5» (существенная значимость рыночного риска в сравнении с производствен­ным риском), а «6» - среднее между существен­ной и очень сильной значимостью. Тогда вместо базового вектора приоритетов весов видов риска получаем измененный вектор (рис. 2). Как видно, сильнее всего изменился вес рыночного риска: он вырос с 0,411 до 0,480, остальные значения изме­нились не столь сильно.

Аналогично для оценки влияния на результат снижения значимости рыночного риска дадим оценку не «5», а «4» - среднее между существен­ной значимостью и некоторым ее преобладанием. И в этом случае вместо базового вектора получа­ем измененный вектор, соответственно, изменят­ся и векторы приоритетов направлений инвести­ций (табл. 2).

По данным табл. 2 можно, например, оценить эластичность приоритета направления инвести­ций «Замена оборудования» по изменению значи­мости рыночного риска: при увеличении послед­него на величину: 0,163-0,148 = 0,015 приоритет данного направления инвестиций уменьшается на величину, определяемую как 0,299-0,304 = = -0,005. Это результат, интерпретируемый уже в экономических категориях.

Так как величины базовых приоритетов со­ставляют 0,411 и 0,301 соответственно, получаем:

где W3 - приоритет направления «Замена обо­рудования»; Wp - приоритет рыночного риска; Wз 1;, Wз2 - приоритеты направления «Замена обо­рудования» в вариантах 1 и 2 соответственно; wз б - приоритет направления «Замена оборудова­ния» в базовом варианте; wp;, wp2 - приоритеты рыночного риска в вариантах 1 и 2 соответствен­но; Wp 6 - вес рыночного риска в базовом вариан­те. При увеличении значимости рыночного риска на 1,00% приоритет направления инвестиций «За­мена оборудования» уменьшается на 0,22%.

Перспективы применения нейросетевых технологий

Уже из приведенного примера видно, что «управлять» величинами изменения зна­чимости тех или иных элементов иерархии до­статочно проблематично вследствие ее прин­ципиальной нелинейности. В связи с этим предлагается иной подход. В нем используется случайность выбора вариантов сочетаний уров­ней переменных и реализуется идея нейросе- тевого моделирования. Как известно, преиму­щество нейросетевых технологий заключается в том, что при достаточном объеме исходных данных с их помощью можно получить нелиней­ные модели практически любой сложности [9].

В работе [1] обосновано, что из многообразия нейросетевых программ, реализующих процеду­ры моделирования с помощью нейронных сетей, выгодно выделяется система Neural Connection, отличающаяся сочетанием прозрачности интер­фейса с развитыми функциональными характе­ристиками. Из инструментальных средств этой системы наибольший интерес представляют два вида нейросетей - многослойный персептрон (Multi-Layer Perceptron, MLP) и радиальная ба­зисная функция (Radial Basis Function, RBF). Сеть первой структуры может моделировать нелиней­ную функцию практически любой сложности в зависимости от количества слоев и числа эле­ментов в каждом слое. Сети RBF быстрее обуча­ются, но их недостаток в том, что при большом числе факторов входа возникают определенные трудности в создании достаточно точной модели.

Однако существует и ограничение на ис­пользование столь эффективных средств моде­лирования - необходимость располагать доста­точно большим объемом обучающей выборки, представляющей собой набор входных факторов и известного результата (выходной величины). При формировании обучающей выборки необ­ходимо соблюдать следующее правило: размер соответствующей ей электронной таблицы дол­жен составлять не менее 10 (m + п) строк, где m - число входных факторов, п - число выходных факторов. Кроме того, в соответствии с принятой при нейросетевом моделировании практикой сети предоставляется для обучения 80% от всего объ­ема выборки, 10% резервируется для проверки правильности настройки модели и 10% - для те­стирования.

Оценим необходимый объем выборки для рас­сматриваемого примера. В нем имеется пять вход­ных и три выходные переменные, следовательно, исходная эмпирическая база для нейросетевого моделирования должна содержать около 80 строк. Сначала можно рассмотреть модель для первого направления инвестиций, затем для второго и тре­тьего, и тогда достаточно располагать 60 строка­ми. Учитывая, что размерность матрицы парных сравнений 5x5, результаты сравнений одного эксперта обеспечивают 21 вариант (20 вариантов с измененными оценками + базовый вариант), при наличии информации от трех-четырех экспер­тов (с учетом возможных повторов) мы получим необходимый объем выборки. Это максимальная оценка, но, как показано в работе [1], практически успешное решение сформулированной выше под­задачи было достигнуто даже при объеме полной выборки N = 21, который оказался достаточным

 

для ее разделения на обучающую (17 вариантов), тестовую и контрольную (по два варианта) под- выборки.

Более продуктивным нам представляется иной подход: поскольку, как правило, в группу входит от 5 до 9 экспертов («магическое» число Миллера 7±2, рекомендуемое в [12]), для большей устой­чивости результатов следует увеличить выборку путем имитации парных суждений по результа­там опроса не одного, а нескольких экспертов. Такой подход был реализован нами при решении задачи анализа чувствительности оценок рисков инновационных проектов в сфере создания новых информационных технологий и показал свою эф­фективность. Так, в математическом плане было показано, что сгенерированная с помощью пред­ложенной методики эмпирическая база значимо­сти рисков отвечает требованиям многомерного статистического анализа: переменные являются количественными, измерены по шкале отноше­ний, а их распределение не противоречит нор­мальному закону.

Получены и экономически значимые резуль­таты - выполнена оценка значений средней (хор­довой) эластичности приоритетов направлений инвестиций по значимости рисков различного вида, определены их рейтинги. Обосновано, что в число наиболее чувствительных факторов риска входят: производственный риск - рейтинг 1 в направлении «Выпуск новой продукции» и рейтинг 2 в двух других направлениях инве­стиций; социальный риск - рейтинг 2 в направ­лениях «Выпуск новой продукции» и «Переход на менее затратные технологии»; финансовый риск - рейтинг 3 в направлении «Выпуск новой продукции» и рейтинг 1 в двух других направле­ниях инвестиций. Следовательно, именно на эти виды рисков следует обращать внимание в пер­вую очередь при количественной оценке денеж­ных потоков.

В данной статье мы не обсуждаем результаты нейросетевого моделирования чувствительности оценок рисков инновационных проектов, этот вопрос будет рассмотрен в отдельной публика­ции. Описанная методика обладает общностью и рекомендуется к использованию в анализе чувствительности рисков не только проектов ре­структуризации промышленных предприятий, но и любых других инвестиционных проектов в различных сферах экономики.

Список литературы

1. Батин Б. А. Анализ чувствительности оценок рисков инвестиционных проектов промышленного предприятия методами эконометрического моделирования // Вестник НИИ развития профессионального образования. Сер. «Экономика и управление». М.: ИИЦ НИИРПО. 2008. Вып. 2. С. 101–114.

2. Волков И. М., Грачева М. В. Проектный анализ: Продвинутый курс: Учеб. пос. М.: Инфра-М, 2004. 495 с.

3. Иванов В. А., Шуметов В. Г., Милых Ф. Г. и др. Теория и практика принятия решений в экономике и управлении экспертными методами. М.: МГУДТ, 2003. 186 с.

4. Клейнен Дж. Статистические методы в имитационном моделировании. Вып. 1. М.: Статистика, 1978. 221 с.

5. Кузнецов А. И. Expert Decide для Windows 95, Windows 98 и Windows NT. Версия 2.0. Руководство пользователя / Под ред. В. Г. Шуметова. Орел: ОРАГС, 2000. 24 с.

6. Кузнецов А. И., Шуметов В. Г. Алгоритмы и процедуры системы поддержки принятия управленческих решений Expert Decide 2.0 // Компьютерные технологии в учебном процессе и научных исследованиях: Сб. докл. науч.‑метод. семинара Орел-ГАУ. Орел: ОрелГАУ, 2000. С. 110–119.

7. Налимов В. В. Теория эксперимента. М.: Наука, 1971. 208 с.

8. Налимов В. В., Чернова Н. А. Статистические методы планирования экстремальных экспериментов. М.: Наука, 1965. 340 с.

9. Нейронные сети. STATISTICA Neural Networks. М.: Горячая линия – Телеком, 2001.

10. Покровский А. М. Методологические аспекты моделирования и управления инновационными проектами в условиях неопределенности и риска // Вестник Московского экономического института. 2009. Вып. 2. С. 10–28.

11. Риск-менеджмент инвестиционного проекта: Учебник / Под ред. М. В. Грачевой и А. Б. Секерина. М.: Юнити-Дана, 2009. 544 с.

12. Саати Т. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1993.

13. Шуметов В. Г. Управление инновационным процессом в хозяйственной системе на основе современных информационных технологий / Под общ. ред. А. Ю. Егорова. М.: Палеотип, 2004. 286 с.

14. Шуметов В. Г., Секерин А. Б., Гудов В. А. Инновационный менеджмент на основе экспертных знаний. Орел: ОРАГС, 2003. 366 с.

15. Neural Connection 2.0 Application Guide. Chicago: SPPS Inc. and Recognition Sys-tems Inc., 1997. 97 p.


Об авторе

А. М. Покровский
Российский экономический университет им. Г. В. Плеханова
Россия

канд. экон. наук, доцент и докторант кафедры математических методов в экономике, мастер делового администрирования по направлению «Стратегический менеджмент», помощник члена Совета Федерации.

Сфера научных интересов: риск-менеджмент кредитных организаций, управление инвестиционными проектами в условиях неопределенности и риска, антикризисное управление кредитными организациями и инвестиционными проектами. Проводит научные исследования в области разработки методологии анализа чувствительности инновационных проектов в отношении рисков с использованием многомерного подхода, основанного на имитационном вычислительном эксперименте и последующем нейросетевом моделировании.



Для цитирования:


Покровский А.М. МНОГОМЕРНЫЙ ПОДХОД К АНАЛИЗУ ЧУВСТВИТЕЛЬНОСТИ ОЦЕНОК РИСКОВ ИННОВАЦИОННЫХ ПРОЕКТОВ. Стратегические решения и риск-менеджмент. 2011;(4):72-77. https://doi.org/10.17747/2078-8886-2011-4-72-77

For citation:


Pokrovskiy A.M. MULTIDIMENSIONAL APPROACH TO THE SENSITIVITY ANALYSIS OF INNOVATIVE PROJECTS RISK ASSESSMENT. Strategic decisions and risk management. 2011;(4):72-77. (In Russ.) https://doi.org/10.17747/2078-8886-2011-4-72-77

Просмотров: 1021


ISSN 2618-947X (Print)
ISSN 2618-9984 (Online)