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, чистого дисконтированного дохода) указывает на приемлемую степень рисков, связанного с осуществлением проекта.

Имитационное моделирование рисков на базе метода Монте-Карло.

Анализ рисков с использованием метода моделирования Монте-Карло представляет собой сочетание методов анализа чувствительности и анализа сценариев. Это достаточно сложная методика, имеющая под собой, как правило, компьютерную реализацию. Результатом такого анализа выступает распределение вероятностей возможных результатов проекта. Имитационное моделирование по методу Монте-Карло позволяет построить математическую модель для проекта с неопределенными значениями параметров, и, зная вероятностные распределения параметров проекта, а также связь между изменениями параметров (корреляцию) можно получить распределение доходности проекта.

В большинстве случаев при реализации проектов возникают те или иные перерывы или изменения в выполнении работ, которые приводят к росту прямых затрат и дополнительному времени на их выполнение, что в свою очередь приводит к дополнительным затратам.

В качестве примера можно привести одну такую модель, которая позволяет анализировать последствия накопления рисковых ситуаций. В этой модели риски разделены на 3 категории, влияющие на объем работ, сроки и стоимость их выполнения. Эти категории рисков представлены в трех матрицах: матрица объемов работ, матрица длительности работ и матрица стоимости.

Переменные: объем, время, стоимость

Матрица объемов работ коррелирует данные по объемам работ с переменными

Матрица длительности работ коррелируют данные по продолжительности работ с переменными

Рис. Блок-схема комплексной оценки рисков по методу Монте-Карло

Матрица объемов работ содержит вариантный ряд работ по проекту, который может меняться в зависимости от изменения условий реализации проекта.

Матрица длительности работ содержит вариантный ряд данных о продолжительности работ по проекту в зависимости от изменения условий реализации проекта.

Матрица стоимости содержит вероятные иски, которые могут возникать из-за изменений в объемах работ и задержек их выполнения с учетом условий контракта, инфляционных процессов и т. п.

Блок расчета критического пути определяет возможные задержки в завершении отделочных работ, фронтов работ и проекта в целом.

На практике, метод Монте-Карло применяется для оценки рисковых ситуаций, могущих возникнуть в отношениях заказчика и подрядчика проекта.

Важно отметить, что:

- данный метод не дает эмпирической формулы для определения

времени и затрат на строительство в рамках проекта, т. к. нет двух подрядных организаций, которые осуществили бы строительство одинаково;

- для использования метода оценки рисков совершенно необходимо наличие соответствующего программного обеспечения и доступ к аппаратным средствам.

При формировании сценариев с использованием методов имитационного модерования применяется следующая последовательность действий:

- определяются интервалы возможного изменения исходных переменных, внутри которых эти переменные являются случайными величинами;

- определяются виды распределения вероятностей внутри заданных интервалов;

- устанавливаются коэффициенты корреляции между зависимыми переменными;

- многократно (не менее 200 раз) рассчитываются результирующие показатели;

- полученные результирующие показатели рассматриваются как случайные величины, которым соответствуют такие характеристики как: математическое ожидание, дисперсия, функция распределения и плотность вероятностей;

- определяется вероятность попадания результирующих показателей в тот или иной интервал, вероятность превышения минимально допустимого значения и др.

Анализ значений результирующих показателей при сформированных сценариях позволяет оценить возможный интервал их изменения при различных условиях реализации проекта.

Вероятностные характеристики используются для:

- принятия инвестиционных решений;

- ранжирования проектов;

- обоснования рациональных размеров и форм резервирования и страхования. На рис. представлена схема работы с имитационной 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.

Результатом такого комплексного анализа выступает распределение вероятностей возможных результатов проекта (например, вероятность получения чистой дисконтированного дохода ЧДД).

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 рисков, 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 порой 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, ЧДД). 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 рисков. 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 рисков). 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 рисков.

Кумулятивный (интегральный, накопленный) профиль рисков, показывает кумулятивное вероятностное распределение чистой текущей стоимости (ЧДД). Проект подлежит рассмотрению и считается выгодным, в случае, если ЧДД 0. При сравнении нескольких одноцелевых проектов выбирается тот, у которого ЧДД больше.

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

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 все же реализовывать данный проект или следует отвергнуть его. поэтому, как правило, используется целый комплекс методов анализа рисков проекта для окончательной оценки.

Общая результативность анализа проектных рисков может быть оценена следующим образом:

Преимущества методов:

1.Совершенствуют уровень принятия решений по малоприбыльным проектам. Проект с малым значением ЧДД может быть принят, в случае если анализ рисков установит, что шансы получить удовлетворительный доход превосходят вероятность неприемлемых убытков.

2. Помогают идентифицировать производственные возможности. Анализ рисков помогает сэкономить деньги, потраченные на получение информации, издержки на получение которой превосходят издержки неопределенности.

3. Освещают сектора проекта, требующие дальнейшего исследования и управляют сбором информации.

4. Выявляют слабые места проекта и дает возможность внести поправки.

5. Предполагают неопределенность и возможные отклонения факторов от базовых уровней. В связи с тем, что присвоение распределений и границ варьирования переменных несет оттенок субъективизма, необходимо критически подходить к результатам анализа рисков.

Сложности применения методов.

1. Проблема коррелированных переменных, которые, если неправильно специфицированы, могут привести к обманчивым заключениям.

2. Анализ рисков предполагает доброкачественность моделей проектного оце­нивания. Если модель неправильна, то результаты анализа рисков также будут вводить в заблуждение.