Оценка рисков инновационных проектов

Давтян Д.К.,
магистрант программы «Финансовый менеджмент»
Оценка рисков инновационных проектов
Проблемы проектного риск-менеджмента все чаще привлекают отечественных
предпринимателей. Они, как и их западные коллеги сталкиваются с многочисленными
рисками, связанными с рыночными колебаниями курсов валют, акций, сырьевых товаров
и т.д.
С каждым годом работ на данную тему становится все больше и больше. Компании
начинают понимать, что управление рисками позволяет не только застраховать себя от
потерь, но и привлечь новых партнеров, выйти на новые рынки.
Значимость проектного риск-менеджмента,
а именно, количественной оценки
рисков, возрастает при инновационности проекта. Именно инновационность развития
была названа в числе главных приоритетов экономической программы президента
Медведева Д.А. : « У нас созданы основные элементы инновационной системы, - заметил
Медведев. - Однако инструменты поддержки слабо увязаны друг с другом».
Нельзя сказать, что риск-менеджмента вообще не было, или было очень мало. Так
или иначе, он всегда присутствовал в реализации проекта. Но методы оценки риска
использовались или откровенно устаревшие, или требующие серьезных доработок.
В настоящее время существует множество методов оценки проектных рисков.
Среди них выделим следующие, наиболее, на наш взгляд, значимые.
1. Аналитические методы:
 метод безрискового эквивалента;
 метод корректировки нормы дисконта;
 метод экспертных оценок.
2. Статистические методы:
•
измерение дисперсии, вариации и корреляции;
•
модель оценка капитальных активов (CAPM) и подобные ей;
3. Стресс-тестирование:
 анализ чувствительности;
 сценарный анализ;
 метод дерева решений.
4.
Имитационные методы:
 метод Монте-Карло.
5.
Нетрадиционные (инновационные) методы:
 метод нечетких множеств;
 методы, основанные на принципе искусственных нейронных сетей.
Под
инновационным
риском
подразумевается
вероятность
совершения
потенциального фактора (события), которая может оказать существенное влияние на
потерю части активов, недополучение доходов или появление дополнительных расходов в
результате инновационной деятельности.
Для оценки рисков инновационных проектов требуются методы, которые способны
учитывать специфику проекта,
позволяющие оперативно реагировать на изменения
предпосылок использования метода, снижающие негативное влияние человеческого
фактора при оценке рисков.
Одним из таких методом, является имитационное моделирование с применением
метода Монте-Карло.
Метод Монте-Карло - общее название группы численных методов, основанных на
получении большого числа реализаций стохастического (случайного) процесса, который
формируется таким образом, чтобы его вероятностные характеристики совпадали с
аналогичными величинами решаемой задачи [Briggs A, Claxton K, Sculpher]
Основные этапы анализа инвестиционного проекта с применением метода МонтеКарло:
1. Выбор показателя эффективности (прогнозная модель)
 Создание модели, способной прогнозировать эффективность проекта
2. Распределение вероятности
 Определение вероятностного закона распределения переменных
 Установление границ диапазона значений переменных
3. Условия корреляции переменных
 Установление отношений коррелированных переменных
4. Имитационные прогоны
 Генерирование случайных сценариев, основанных на наборе допущений
5. Анализ результатов
 Статистический анализ результатов
Для демонстрации применения метода Монте-Карло взят инновационный проект по
запуску нового лекарства. Рассчитаны денежные потоки (табл. 1).
Таблица 1 – Денежные потоки инновационного проекта, показатели чистой текущей
стоимости (NPV) и внутренней нормы доходности (IRR)
В качестве результирующего показателя взят показатель NPV (Net Operating Profit):
n
t
NPV  
1
P
n
 Qn
1
1  r t
t

1
TC 1 t
1  r t
t

1
TC 2 t
1  r t
t

1
Ht
1  r t
t

1
IC t
1  r t
(1)
Все расчеты проведены с помощью некоммерческой версии программы «Crystal
Ball» компании Oracle.
Данная программа позволила сгенерировать ряды случайных чисел с учетом
корреляционных связей между факторами, позволив избежать основного недостатка
имитационного моделирования – генерации компьютером неправдоподобных сценариев.
Процесс генерации с учетом корреляционных связей показан на рис. 1-3.
Рис 1. Генерация цены продаваемой продукции (треугольное распределение: задаются
три параметра, полученных с помощью сценарного анализа – максимальная, минимальная
и наиболее вероятная цена)
Рис. 2. Генерация количества продаваемой продукции (нормальное распределение:
задается стандартное отклонение, и среднее значение, полученные с применением метода
сценариев)
Рис 3. Генерация количества продаваемой продукции в зависимости от цены (с учетом
корреляционных связей)
Рассчитанный аналитиками NPV по проекту составлял 3 225 760 дол.
Расчет NPV c применением метода Монте-Карло приведен на рис. 4.
Рис. 4. Статистический анализ результатов имитационного моделирования методом
Монте-Карло
Вероятное значение NPV составляет 2 990 612 дол. Данные расчеты учитывают
гораздо больше вероятных сценариев реализации проекта в сравнении с традиционным
расчетом NPV.
При самом наихудшем сценарии, при самых неблагополучных исходах NPV
проекта будет 1 750 210 дол.
Таким образом, дав экспертную оценку вероятностного закона распределения
случайных переменных, установив границы диапазона значений переменных и отношения
коррелированных переменных, можно учесть гораздо больше вероятных сценариев
исхода и наиболее точно спрогнозировать значение будущего NPV проекта.
Стоит отметить, что описана только последняя часть метода оценки риска с
применением имитационного моделирования. Перед этапом выбора результирующего
показателя, следует провести анализ чувствительности проекта, для определения
факторов, к изменению которых проект наиболее чувствителен, а так же сценарный
анализ, который покажет границы диапазона изменений факторов. То есть метод оценки
риска с помощью имитационного моделирования с применением метода Монте-Карло
включает в себя другие методы: стресс-тестирование, метод дерева решений.
Высокая степень неопределенности, присущая инновационным проектам, требует
разработки все новых методов, в частности, динамических методов оценки риска. Именно
в условиях высокой неопределенности, в распоряжении эксперта имеются весьма
неполные, ограниченные данные.
В подобной ситуации оправданным представляется применение сложных,
«нетрадиционных» методов оценки риска. Одним из таких методов управления рисками
инновационных проектов является метод с применением
аппарата искусственных
нейронных сетей. Благодаря данному методу многие факторы неопределенности могут
быть корректно учтены, что позволит лучше оценить проект.
Исследования в области построения искусственных нейронных сетей, их
использования для оценки рисков представлены в работах таких ученых, как
Царегородцев В.Г., Минский М., Розенблат Ф., Круглов В. В., МакКалок У. и др.
Однако возможность оценки инвестиционных проектов с помощью нейросетевых
методов в литературе практически не представлена, что говорит о возможных
перспективах исследований в этом направлении.
Нейронные сети относятся к современным вычислительным системам, которые
имитируют
работу
человеческого
мозга,
что
помогает
им
решать
сложные
неструктурированные задачи. Базовым элементом сети является нейрон, самый простой
вариант математической модели, предложенный в 1943 году у. МакКлоком и У. Питтсом.
Простейшая модель нейрона показана на рис. 5.
X 1 , X 2 ,... X n –
входные
сигналы, поступающие в
нейрон
W1 , W2 ,...Wn – сила
синаптической связи
F – нелинейная активационная
функция – сигмоид
Y - выход, фактическое
значение
Рис.5 Модель искусственного
нейрона
(2)
Множество входных сигналов
X 1 , X 2 ,... X n
входной вектор информации. Каждый сигнал
X
поступают в нейрон. Они образуют
умножается на соответствующий вес
W . Суммирующий блок
 складывает взвешенные входы, получая выход S . Далее S
поступает на вход функции активации, определяя конечный сигнал.
Применим данную модель для оценки инновационных рисков.
На рис. 6 представлена модель искусственной нейронной сети для анализа риска
инновационного проекта.
Рис.6. Модель оценки риска проекта на основе искусственной многослойной
нейронной сети
Это
многослойная
нейронная
сеть,
использующая
множество
простых
искусственных нейронов. В качестве входных данных могут использоваться параметры
анализируемого проекта. Каждый из факторов может влиять как на определенный вид
риска, так
и на все сразу. Таким образом, нейронная сеть в полной мере реализует
концепцию параллельных вычислений, что позволяет решать неструктурированные
задачи.
Для успешного функционирования сети, ее необходимо обучить. Самый
распространенный тип обучения – метод обратного распространения ошибки. Однако в
последнее время был разработан ряд модифицированных методов обучения нейронных
сетей, таких как метод, учитывающий значение градиента предыдущей итерации, метод с
переменной скорость обучения, метод сопряженных градиентов и т.д. Тема выбора вида
обучения является не менее сложной и важной, чем выбор вида нейронной сети, и
заслуживает отдельного внимания для изучения.
Также необходимо выбрать функцию активации, упомянутую ранее. Такой функцией
наиболее часто служит нелинейная активационная функция – сугмоид (рис. 7).
Рис. 7. Нелинейная активационная функция - сигмоид
Она обладает свойством усиливать слабые сигналы, подавляя сильные.
Порядок
обучения
нейронной
сети
с
применением
алгоритма
обратного
распространения следующий:
1. Задается весовая матрица небольшими случайными значениями
W1 , W2 ,...Wn
2. Подается входной вектор информации, который модель должна научиться
различать, и вычислить ее выход
X 1 , X 2 ,... X n .
3. Если выход правильный, перейти на шаг 4.
Иначе вычисляется разница (ошибка) между нужным и полученным значением
выхода:
  YI  Y .
(3)
Затем модифицируются веса.
4. Цикл повторяется с шага 2, пока модель не перестанет ошибаться
Вычисление

необходимо для последующей настройки весов с помощью
формулы
wi (i  1)  wi (i)     x ,
(4)
где  - скорость обучения сети.
Скорость обучения задается учителем, исходя из его опыта. Этот параметр так же
напрямую влияет на качество обучения сети, изменяя время подбора оптимальных весов.
Сама сеть обучается на учебном множестве. Затем идет проверка качества обучения
на контрольном множестве. Если качество обучения сети устраивает, то модель готова.
Следует отметить, что в качестве входной информации, могут использоваться как
количественные данные, так и качественные. Исходные данные преобразуется к виду, в
котором их можно использовать. Для преобразования входного вектора информации
могут использоваться нормировка, квантование, фильтрация и другие способы.
Преимуществом
искусственных
нейронных
сетей
является
актуальность
их
применения даже в тех случаях, когда не известна точная теория связи между входным и
выходным информационным вектором. Достаточным условием является сам факт
наличия данной связи, что крайне важно для инновационного проекта, который чаще
всего не имеет аналогов. Сама система нелинейная, что важно для условий
неопределенности природы факторов и причин риска.
Подводя итог, можно сказать, что описанные методы оценки рисков инновационных
проектов позволяют учесть специфику инновационных проектов лучше, чем обычные
методы, выявляя неочевидные зависимости между факторами риска.
Библиографический список
1. Воронцовский А. В. Методы обоснования инвестиционных проектов в условиях
неопределенности. СПб.: ОЦЭ иМ, 2005
2. Забоев М. В. Использование теории искусственных нейронных сетей для
экономического анализа инвестиционно-строительных объектов // Экономическое
развитие: теория и практика. Материалы международной конференции. – СПб,
СПБГУ, Экономический факультет 5-7 апреля 2007. (0,1 п.л.)
3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, нечеткие
алгоритмы и нечеткие системы. М.: Горячая линия – Телеком, 2004.
4. Круглов В. В., Борисов В. В., Искусственные нейронные сети. Теория и практика. //
М.: Горячая линия, 2001
5. http://www.aiportal.ru/articles/neural-networks/neural-networks.html
6. http://www.cfin.ru/finanalysis/monte_carlo2.shtml