«ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ УПРАВЛЕНИЯ КОНКУРЕНТОСПОСОБНОСТЬЮ АГРАРНЫХ ПРОЕКТОВ НА РЫНКЕ КАПИТАЛА ...»

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ

ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО

ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«РОССИЙСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ –

МСХА имени К.А. ТИМИРЯЗЕВА»

(ФГБОУ ВПО РГАУ - МСХА имени К.А.Тимирязева)

На правах рукописи

Архипова Анастасия Сергеевна

ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ УПРАВЛЕНИЯ

КОНКУРЕНТОСПОСОБНОСТЬЮ АГРАРНЫХ ПРОЕКТОВ

НА РЫНКЕ КАПИТАЛА

08.00.13 – Математические и инструментальные методы экономики Диссертация на соискание ученой степени кандидата экономических наук

Научный руководитель: д.э.н. Светлов Н.М.

Москва – Оглавление Введение

Глава I. Теоретические основы моделирования процессов управления конкурентоспособностью АПК на рынке капитала

1.1 Математические методы принятия решений о структуре инвестиций.... 1.2. Проблема подготовки исходных данных по реальным проектам для оптимизации структуры инвестиций

1.3. Системная постановка исследуемой проблемы

Глава II. Математический инструментарий формирования исходных данных моделирования поведения инвестора

2.1 Экономическая характеристика объекта исследования

2.2 Анализ рисков исследуемых проектов с использованием имитационной модели потока денежных средств

2.3 Имитационное моделирование потоков денежных средств инвестиционных проектов в условиях государственной поддержки........... Глава III. Моделирование поведения инвестора в условиях мероприятий по повышению инвестиционной привлекательности аграрных проектов........... 3.1. Теоретическая модель формирования конкурентоспособности АПК региона путм снижения инвестиционных рисков

3.2. Эмпирическая спецификация модели управления конкурентоспособностью АПК региона

3.3 Исследование вариантов управления инвестиционными рисками посредством компьютерных экспериментов

3.4. Применение результатов моделирования для разработки мероприятий по повышению инвестиционной привлекательности АПК Краснодарского края на рынке капитала

Выводы и предложения

Список используемой литературы

ПРИЛОЖЕНИЯ

Введение Актуальность темы исследования На современном этапе развития аграрного сектора экономики России нерешнной остается проблема управления конкурентоспособностью АПК на рынке капитала. Отсутствие четко разработанной системы методов обоснования инвестиционной политики, которая является основой развития экономики, в том числе и в аграрной сфере, осложняет формирование инвестиционного процесса в нашей стране. Инвестиционный климат предопределяет целесообразность и экономическую эффективность вложений капитала, способность АПК конкурировать за инвестиции с другими отраслями и видами экономической деятельности.

В связи с этим возникает потребность в разработке инструментальных методов управления конкурентоспособностью АПК на рынке капитала. Актуален вопрос совершенствования существующего модельного инструментария, используемого в конкурентной борьбе за инвестора. Хорошим подспорьем при принятии управленческих решений является имитационное моделирование, позволяющее на основе компьютерных экспериментов делать выводы о последствиях тех или иных событий. Использование методов математического моделирования и разработка с их помощью обоснованных рекомендаций по воздействию на инвестиционный климат является конкурентным преимуществом в борьбе за привлечение капитала. В дополнение к этому оптимизация рисков инвестора на основании проведнных компьютерных экспериментов позволяет выявить пути повышения эффективности господдержки АПК.

Состояние изученности проблемы Процесс поддержки принятия решений и разработка моделей в области агропромышленного производства имеет свои особенности. В работах А.М.

Гатаулина обоснована необходимость системного подхода к исследованию АПК и к структуризации связанных с этим научных проблем. Вопросами разработки и использования моделирования в исследовании объектов, связанных с производством в АПК, значительный вклад внесли А.А. Землянский, Б.В. Лукьянов, С.Б. Огнивцев, Н.М. Светлов, С.О. Сиптиц.

Проблемам инвестиционной деятельности в аграрном секторе экономики посвящены работы ученых Г.М. Зельднера, А. Зуева, Е. Оглоблина, П.М. Першукевича, И.С. Санду, А.Я. Кибирова и др.

Вопросами экономического регулирования инвестиционной деятельности посвящены исследования российских экономистов-аграрников А.И.Алтухова, Н.А. Борхунова, А.А. Варламова, С.Н. Волкова, Н.Ф. Зарук, А.П, Зинченко, В.А. Кундиус, К.П. Личко, И.Г. Ушачева, В.Н. Хлыстунова, Ф.К. Шакирова и др., также зарубежных экономистов В. Шарпа, М.Брауна.

Исследование вопросов оценки инвестиционной деятельности, инвестиционного климата и инвестиционной привлекательности нашло свое отражение в работах зарубежных и российских ученых – Н. Агеенко, К. Балдина, И. Гришиной, И. Зулькарнаева, Т. Лукьяненко, А.М. Марголина, Г. Марченко, И.

Ройзмана, П. Самуэльсона, А. Шахназарова и др.

Вопросы использования имитационного моделирования при экспериментальном исследовании различных экономических систем получили свое развитие в трудах многих зарубежных и отечественных ученых. Основоположниками этого вопроса за рубежом являлись Томас Нейлор, Роберт Шеннон, Стаффорд Бир, Джей В. Форрестер. Методологические и прикладные проблемы применения имитационного моделирования в анализе инвестиционных проектов исследованы А.Г. Быковой и М.В. Грачвой.

Проблемой структуризации целей и вложения капитала посвящены многие работы ученых –Г. Марковица, Д. Дина, Х. Альбаха, Х. Хакса и Х. М.

Вайнгартнера, К.Ферстнера, Г. Якоба, Ф. Бумба, С. Вагнера, Н.М. Светлова и др.

Цель и задачи исследования Целью исследования является разработка инструментальных методов поддержки принятия решений, направленных на повышение конкурентоспособности АПК на рынке капитала при участии государства в управлении инвестиционными рисками.

Достижение поставленной цели обеспечивается постановкой и решением следующих задач:

оценить риски инвестиционной деятельности в АПК на примере ряда инвестиционных проектов посредством имитационного моделирования потоков денежных средств;

разработать и апробировать методику моделирования инвестиционного портфеля для потенциального инвестора регионального АПК, учитывающую инвестиции в реальные проекты;

разработать и апробировать методическое обеспечение определения форм и методов участия государства в страховании рисков инвестиционных проектов в сфере АПК.

Объект и предмет исследования Предметом исследования явились экономические процессы, определяющие конкурентоспособность регионального АПК на рынке капитала. В качестве объекта исследования выбран АПК Краснодарского края.

Основная гипотеза исследования заключается в предположении существования режимов государственного воздействия на рисковую составляющую инвестиционной привлекательности, обеспечивающих привлечение частного каптала в объемах, превышающих размеры господдержки. Основанием для этой гипотезы служит научное положение о существенной роли рисков в формировании негативного инвестиционного имиджа АПК, обоснованное в работах Э. Н. Крылатых, Н.М. Светлова, Д.С. Алексанова и др.

Методика исследования Методика проверки гипотезы, сформулированной выше, основывается на применении двухкомпонентного комплекса имитационных моделей, включающего:

модели потоков денежных средств проектов, подверженных влиянию одних и тех же факторов неопределенности, в условиях наличия и отсутствия господдержки, направленной на компенсацию рисков;

модели имитации поведения инвестора в условиях различных сценариев господдержки проектов, реализуемых в АПК.

Разработка методики моделирования инвестиционного портфеля для потенциального инвестора регионального АПК основывается на классической модели портфельной теории, предложенной Г. Марковицем. Проблемам структуризации целей и вложения капитала посвящены также работы Д. Дина, Х. Альбаха, Х. Хакса и Х. Вайнгартнера, Г. Якоба, С. Вагнера и др.

При решении задачи оценки рисков инвестиционной деятельности в АПК использованы работы А.В. Голубева, Г.М. Зельднера, А. Зуева, Е. Оглоблина, П.М. Першукевича, И.С. Санду, А.Я. Кибирова, посвященные проблемам инвестиционной деятельности в аграрном секторе экономики. Изучение концепции и формального представления рисков опирается на работы А.Б. Секерина, В.Г. Чернова, Ю.И. Копнкина. Оценки инвестиционной деятельности, инвестиционного климата и инвестиционной привлекательности, представленные в диссертации, основаны на научных результатах зарубежных и российских ученых – К. Балдина, И. Гришиной, М. Ермолаева, И. Ковалвой, Г. Марченко, И. Ройзмана, П. Самуэльсона, А. Шахназарова и др. Применяемая в диссертации имитационная модель обоснована работами А.Г. Быковой, Ю.Н. Гаврильца, А.М. Гатаулина, М.В. Грачевой, О.О. Замкова, А.А. Землянского, М.И. Лугачева, С.Б. Огнивцева, Н.М. Светлова, С.О. Сиптица.

Предложения по определению форм и методов участия государства в страховании рисков инвестиционных проектов в сфере АПК основываются на полученных результатах моделирования.

Для решения поставленных задач использовались следующие методы исследования: системный анализ, имитационное моделирование экономических систем, исследование операций, методы математической статистики.

Научная новизна диссертационного исследования Новизну диссертации составили разработанные в ней методики имитационного моделирования, направленные на выбор форм, методов и уровней воздействия государства на инвестиционные риски. В частности, получены следующие научные результаты, являющиеся предметом защиты:

1) разработан способ количественного определения риска проектов, объединяемых общностью источников неопределнности, и ковариации значений их внутренней нормы доходности (IRR), основанный на компьютерной имитации потоков денежных средств проектов по методике, дополняющей методику А.Г. Быковой одновременным варьированием факторов, влияющих на потоки денежных средств всех проектов, претендующих на включение в инвестиционный портфель;

2) теоретически обоснован вариант модели инвестиционного портфеля Г. Марковица, дополненный переменными, отражающими реальные инвестиции;

3) предложен алгоритм формирования исходных данных для модели инвестиционного портфеля Г. Марковица, содержащего переменные, отражающие реальные инвестиции, посредством имитационной модели потоков денежных средств проектов, объединяемых общностью источников неопределнности, с учтом сценариев господдержки;

4) на основе авторской модификации модели Г. Марковица разработана методика постановки компьютерного эксперимента по имитации поведения инвестора в условиях использования господдержки для частичной компенсации инвестиционных рисков.

Апробация работы Доклад о предварительных результатах исследования занял первое место во Всероссийском конкурсе научных работ студентов, аспирантов и молодых ученых аграрных вузов Центрального федерального округа в секции «Агроэкономика», Москва, 2007. Отдельные положения исследования обсуждались на 13-й французско – чешско – немецкой конференции CFG’07, Heidelberg 2007, Германия, на заочной международной научно-практической конференции «Актуальные вопросы экономики, права, психологии, педагогики и социологии в глобальном мире», Волгоград, 2012 г., на международной научно-практической конференции «Информатизация в агропромышленном комплексе: состояние, тенденции, перспективы», Москва, 2012 г., на XVII Никоновских чтениях «Информатизация в АПК: состояние, тенденции, перспективы», Москва, 2012 г.

Результаты исследования приняты к внедрению компанией «ОАО Новинвест», Москва 2011. Предметом внедрения явился алгоритм вычисления ковариаций значений NPV инвестиционных проектов, нашедших применение в экономических расчетах при анализе рисков инвестиционных программ.

Публикация результатов работы По результатам диссертационного исследования опубликовано 9 работ общим объмом 7,25 п.л. (вклад соискателя 5,04 п.л.), из них 4 статьи в ведущих рецензируемых научных журналах, рекомендованных ВАК для опубликования основных результатов диссертаций, общим объмом 2,19 п.л.

(вклад соискателя 1,1 п.л.).

Структура и объем работы Диссертация состоит из введения, 3 глав, заключения, списка использованных при работе источников и приложений. Общий объем работы составляет 146 страниц, включает 25 таблиц, 12 рисунков. Библиографический список включает 181 наименований.

Глава I. Теоретические основы моделирования процессов управления конкурентоспособностью АПК на рынке капитала 1.1 Математические методы принятия решений о структуре инвестиций Отправной точкой исследования, направленного на разработку инструментария управления конкурентоспособностью АПК на рынке капитала, является определнный способ формального представления конкурентоспособности, основываясь на котором, можно было бы оценивать те или иные управленческие решения. С точки зрения инвестора сравнительная конкурентоспособность объекта инвестиции выражается долей данного объекта в его инвестиционном портфеле (в данном случае – суммарных инвестиций в проекты аграрной и агропромышленной направленности).

В связи с этим наше исследование начинается с оценки математического инструментария, в рамках которого, вне зависимости от его прямого назначения, датся модельное описание структуры инвестиционного портфеля. Совокупность таких инструментов образует «методологическое пространство», доступное для решения задач данного исследования. Задачу разработки инструментального обеспечения управления конкурентоспособностью целесообразно поставить таким образом, чтобы в этом методологическом пространстве можно было найти е решение и чтобы это решение было наиболее приемлемым с точки зрения реализации.

В практике инвестирования принято различать портфель реальных инвестиционных проектов и портфель финансовых инвестиций. Рассмотрим по принципу «от общего к частному» существующие методы оптимизации обоих видов портфелей, после чего остановимся на решении задачи оптимизации общей структуры инвестиций.

Методы оптимизации структуры реальных инвестиций могут быть разделены на два больших класса: однокритериальные и многокритериальные.

Однокритериальные модели принятия решений об отборе проектов в портфель по учету неизвестных факторов можно подразделить на детерминированные, стохастические и модели с элементами неопределенности [138].

Существующие модели формирования портфеля, реализуемые в условиях определенности, а также в зависимости от вида целевой функции и ограничений, можно разделить на четыре вида: 1) линейные, 2) нелинейные, 3) динамические и 4) графические [138].

В [141] приведена следующая классификация моделей, с использованием которых возможно формирование портфеля проектов (Рис. 1) Рис. 1 Классификация однокритериальных моделей формирования портфеля При наличии достаточной определенности исходных данных решения о формировании портфеля принимаются в следующей последовательности[16]:

1. Определение критерия отбора проектов в портфель 2. Вычисление оценки отобранных на этапе анализа эффективности проектов 3. Рекомендации о включении проекта с наилучшими значениями в портфель Наибольшим разнообразием отличается группа линейных моделей, где целевая функция и ограничения линейны по управляющим переменным. К линейным однокритериальным моделям можно отнести следующие [141]:

модель «рюкзака», статическая модель Дина [157], одноступенчатая модель Альбаха ([150], [151]), многоступенчатая модель Хакса и Вайнгартнера ([181], [161], [162]), модель Светлова Н.М. и Светловой Г.Н. [117], модель с несколькими производственными ступенями – расширенная модель Ферстнера-Хенна [158], модель с возможностями выбора установок и дезинвестиций Якоба ([164], [165]). Авторами нелинейных моделей являются Бумба [156], Ментцен-Шольц [171], Вагнера ([178], [179], [180]) др.

Разберем существующие модели структуризации капитала более подробно с позиций цели данного исследования.

Относительно простые однокритериальные модели не отражают многоцелевой сущности проектов и портфелей проектов. Однокритериальные задачи формирования портфеля не отражают синергетического эффекта портфеля проектов, который заключается, в частности, в одновременном достижении наилучших экономических, финансовых, социальных и др. конечных результатов. Под эффектом синергизма портфеля проектов понимается ситуация, когда получаемая полезность от реализации портфеля проектов превышает полезность от реализации проектов портфеля от деятельности.

В [141] синергетический эффект описывается тремя переменными: увеличение прибыли, снижение издержек, уменьшение потребности в инвестициях и динамику изменения этих переменных, т.е. общий синергетический эффект может быть выражен за счет нормы возврата капитала.

Наибольшее распространение получили задачи оптимизации портфеля по двум критериям: минимум риска и максимум доходности. К примеру, двухкритериальная задача оптимизации портфеля по критериям «рискдоходность» описана в [174].

В задачах «о рюкзаке» требуется найти множество независимых проектов (без учета времени), максимизирующих заданный критерий при неизвестном ресурсном ограничении ([23], [20], [27]). Т.е. представляется задача формирования портфеля независимых проектов, удовлетворяющих ресурсным ограничениям. Для решения такого класса задач (иногда задача «о рюкзаке» формулируется как «затраты-эффект», [24]) применяется метод динамического программирования. Известны обозрения этой задачи на случай, когда каждый проект и портфель в целом оценивается по нескольким аддитивным по проектам показателям ([22], [21]), или существует несколько ограничений [15]. Использование метода динамического программирования и в этом случае позволяет перечислить парето-оптимальные [100] варианты портфеля.

Однако однозначная оценка проекта по нескольким критериям не всегда возможна. К тому же проекты требуют затрат ресурсов различных видов (в отличие от инвестиционных портфелей ценных бумаг, описываемых лишь финансовыми показателями). Рассмотрим «задачу о рюкзаке» в случае многокритериальных нечетких оценок проектов и использования ресурсов нескольких видов [23].

Многокритериальная модель формировния портфеля проектов Пусть имеется m видов ресурсов и известно, что каждый проект ство критериев. Введем предположение об аддитивности оценок и ресурсов по проектам: оценка портфеля по каждому критерию выводится суммированием оценок по данному критерию по всем проектам, входящим в портфель;

ресурсы каждого вида, требуемые для реализации портфеля проектов, определяются суммированием количеств ресурса данного вида по всем проектам, входящим в портфель. В случае отказа от этого допущения встает необходимость сравнения всех возможных портфелей.

Портфель характеризуется векторной оценкой:

и вектором требуемых ресурсов:

В качестве ресурсного ограничения подразумевается следующий момент. Пусть известны имеющиеся в организации ресурсы каждого вида, которые могут быть использованы для реализации проектов:

Портфель Q будем считать удовлетворяющим ресурсным ограничениям, если выполнено:

Задача формирования портфеля может формулироваться следующим образом:

- либо найти все допустимые (удовлетворяющие ресурсному ограничению (1)) оптимальные по Парето портфели с предоставлением возможности выбора для лица, принимающего решение;

- либо (если задана функция агрегирования оценок ), отображающая множество в любое упорядоченное множество) найти оптимальный (допустимый и наилучший с точки зрения значения функции агрегирования) портфель (причем если функция - непрерывная и монотонно возрастающая, то оптимальный портфель будет эффективен по Парето).

Для решения этой задачи может быть использован алгоритм, изложенный в [100], [22]. Отметим, что рассмотренная модель в случае скалярных оценок и одного вида ресурса переходит в описанный в [23], [21], [24] метод "затраты-эффект".

Если для получения информации о затратах ресурсов можно использовать нормативы или ретроспективные данные, то эффект от реализации проекта, особенно с точки зрения стратегических целей организации, не всегда можно оценить однозначно. Поэтому целесообразным представляется использование нечетких оценок эффекта от реализации проектов. Данные оценки могут быть получены, в том числе, экспертным путем.

Рассмотрим многокритериальную модель формирования портфеля проектов, в которой оценки эффекта являются нечеткими, а оценки затрат ресурсов – четкими (последние также можно сделать нечеткими, однако это сделает модель слишком громоздкой).

векторной оценкой числяемой в силу принципа соответствия [96] следующим образом:

Вектор ресурсов вычисляется так же, как и выше. В остальном алгоритм, описанный выше для четкого случая, остается без изменений (если носители нечетких множеств оценок пересекаются, то необходимо рассматривать обе комбинации, приведшие к одному и тому же значению). Отметим аддитивность процедуры (2) вычисления значений функций принадлежности, то есть Определим четкое множество (критериальное пространство) и предположим, что стратегические цели организации описываются нечеткой целью в этом пространстве. Функцию принадлежности нечеткой цели обозначим Функцию принадлежности векторной нечеткой оценки портфеля Q в пространстве определим в соответствии с [96] как Число принимающее значения в интервале от нуля до единицы, можно считать степенью соответствия портфеля стратегическим целям организации. Эту характеристику можно вычислять на каждом из шагов описанного выше алгоритма, что сводит нечеткую задачу к четкой.

Частным случаем нечеткой модели является интервальная модель, в которой функция принадлежности принимает значения либо ноль, либо единица. Интервальная оценка i-го проекта по l-му критерию будет описываться интервалом [ ]:

Рассмотрев подходы к формированию портфеля реальных инвестиций, перейдем вопросу финансового инвестирования, классикой которого является модель Марковица ([168], [169]).

Американские ученые-экономисты Марковиц и Шарп являются создателями теоретических концепций формирования и управления портфеля ценных бумаг. Первой работой, в которой были изложены принципы формирования портфеля в зависимости от ожидаемой нормы прибыли и риска портфеля, явилась работа Марковица [167] под названием Выбор портфеля: эффективная диверсификация инвестиций. 1952 г.

Марковиц исходил из предположения, что большинство инвесторов стараются избегать риска, если он не компенсируется более высокой доходностью инвестиций. Для какой-либо заданной ожидаемой нормы прибыли большинство инвесторов будут предпочитать тот портфель, который обеспечит минимальное отклонение от ожидаемого значения. Таким образом, риск был определен Марковицем как неопределенность или способность ожидаемого результата к расхождению, измеряемому посредством стандартного отклонения.

Предполагая, что инвесторы стараются избегать риска, Марковиц пришел к выводу, что инвесторы будут пытаться минимизировать стандартное отклонение доходности портфеля путем диверсификации ценных бумаг в портфеле. Но особенно важно то, что, как подчеркнул Марковиц, сочетание различных выпусков ценных бумаг в портфеле может незначительно снизить отклонение ожидаемой доходности, если эти ценные бумаги имеют высокую степень позитивной ковариации. Эффект от диверсификации достигается только в том случае, если портфель составлен из ценных бумаг, которые ведут себя несхожим образом. В этом случае стандартное отклонение доходности портфеля может 6ыть значительно меньше, чем отклонения для индивидуальных ценных бумаг в портфеле.

Согласно трактовке Марковица, если имеется некий портфель А (рис.

2), то он является субоптимальным или неэффективным, так как портфель В мог бы обеспечить тот же самый уровень ожидаемой доходности с меньшей степенью риска, в то время как портфель С при той же степени риска мог бы обеспечить более высокую ожидаемую доходность. Таким образом, все эффективные портфели должны лежать на кривой EF, которая часто называется «эффективной границей» Марковица.

Портфели, которые лежат в средней части кривой, обычно содержат много ценных бумаг, в то время как ближе к краям всего несколько. Точка F ассоциируется с тем, что все инвестиции вложены в акции одного вида, с максимальной ожидаемой доходностью. Точка Е соответствует тому положению, когда сочетание нескольких акций в портфеле обеспечивает наименьшую степень риска портфеля.

Портфель, формируемый включением безрискового актива (рис. 3) в рисковый портфель, лежит на прямой, которая соединяет точку соответствующего безрискового актива (Rf) с точкой, характеризующей портфель, составленной из определенного сочетания ценных бумаг (D). Эта прямая представляет собой комбинации портфелей, состоящих из различных долей безрискового и рискового активов. Эффективные портфели будут лежать на линии, касательной к эффективной границе Марковица, так как она имеет наибольший угол наклона по отношению к горизонтальной оси. Точка касания будет соответствовать портфелю, который составлен только из акций.

Все портфели, лежащие выше и правее точки Т, также будут составлены только из рисковых активов. Чем больше инвестор стремится избегать риска, тем ближе точки, соответствующие выбранному портфелю, будут находиться к точке Rf. Если же инвестор стремится полностью избежать риска, то его портфель должен быть оставлен полностью из безрисковых активов.

Рис. 3 Графики портфелей, сочетающих рисковые и безрисковые активы Значительно меньшее количество информации используется в модели У.

Шарпа. Е можно считать упрощенной версией модели Марковица. Если модель Марковица можно назвать мультииндексной моделью, то модель Шарпа называют диагональной моделью или моделью единичного индекса.

Согласно Шарпу, прибыль на каждую отдельную акцию строго коррелирует с общим рыночным индексом, что значительно упрощает процедуру нахождения эффективного портфеля.

Анализируя поведение акций на рынке, Шарп пришел к выводу, что не обязательно определять ковариацию каждой акции друг с другом. Вполне достаточно установить, как каждая акция взаимодействует со всем рынком.

И поскольку речь изначально шла о ценных бумагах, необходимо рассмотреть весь объем рынка ценных бумаг. Однако количество ценных бумаг и прежде всего акций в любой стране достаточно велико. С ними осуществляется ежедневно большое количество сделок. Цены на акции постоянно изменяются, поэтому определить какие-либо показатели по всему объему рынка оказывается практически невозможным. В то же время установлено, что если выбрано некоторое количество определенных ценных бумаг, то они смогут достаточно точно охарактеризовать движение всего рынка ценных бумаг. В качестве такого рыночного показателя можно использовать фондовые индексы.

Тенденция акции двигаться вместе со всем рынком измеряется с помощью -коэффициента, характеризующего степень ее изменчивости по отношению к средней акции, в качестве которой рассматривается акция, стремящаяся двигаться синхронно со всем рынком акций. Такая акция по определению будет иметь -коэффициент, равный 1.

Где i - бэта коэффициент акции i, Ri – приращение доходности акции i, Rm – приращение доходности всего рынка акций.

Для портфеля акций бэта-коэффициент р рассчитывается как взвешенная средняя значений i индивидуальных ценных бумаг:

где i - бэта-коэффициент входящих в портфель акций i 1, n, i - доля в портфеле акции i В модели Шарпа соотношение между риском и доходностью формулируется следующим образом: какая доходность акции потребуется инвестору, чтобы получить компенсацию за то, что он подвергается риску при е покупке? Инвесторы рассчитывают на определенную премию, которая может быть названа как премия рыночного риска и рассчитана следующим образом:

где RPm - премия рыночного риска, Rm - требуемая доходность рыночного портфеля, т.е. портфеля, состоящего из всех акций; Rf - доходность безрисковых вложений (обычно для целей экономического анализа к безрисковым относят вложения в государственные облигации).

Рисковая премия по i-ой акции определяется по формуле:

Рассмотрев поочередно портфель финансовых и реальных инвестиций, перейдем к изучению портфеля, состоящего из реальных активов (проектов) и финансовых инструментов, а также отражающего общую структуру инвестируемого капитала. В качестве базиса для решения поставленной проблемы в диссертации выбрана модель Марковица, поскольку она основана на несложном и широко апробированном математическом аппарате, опирающемся на доступные и проверяемые данные.

В контексте цели нашего исследования портфель, составленный из застрахованных реальных инвестиционных проектов, предлагаемых к реализации в Краснодарском крае, должен обеспечить конкурентоспособность по сравнению с проектами в других отраслях, в частности в промышленности.

Это может быть достигнуто в случае, если доходность портфеля достигнет рентабельности активов в альтернативной отрасли и риск составленного портфеля будет ниже рисков по проектам, предлагаемым к реализации в альтернативной отрасли. Учитывая, что, по Марковицу, снижение риска предполагает снижение доходности, требуется составить и рассчитать оптимальный с точки зрения конкурентоспособности инвестиционный портфель в контексте государственной поддержки посредством разработки нескольких вариантов построения модели. По соотношению доходности – риска в полученном оптимальном портфеле можно будет сделать вывод о конкурентоспособности исследуемых проектов АПК в борьбе за привлечение капитала по сравнению с альтернативным сектором экономики – промышленностью.

Однако существующий в настоящее время модельный инструментарий не приспособлен для формирования сложных портфелей, включающих, наряду с ценными бумагами, вложения в реальные инвестиционные проекты.

Эта особенность существующего математического аппарата затрудняет информационное обеспечение не только принятия инвестиционных решений, но и управления конкурентоспособностью отраслей и комплексов на рынке капитала в интересах реализации законодательно установленных целей государственной экономической политики.

Модель Марковица можно описать в рамках формализации процесса принятия инвестиционного решения в виде математической модели нахождения оптимального распределения средств по предлагаемым инвестиционным проектам. Теория инвестиционного портфеля позволяет составить набор финансовых инструментов, риск которого меньше риска отдельных финансовых составляющих. Однако в процессе исследования возникает сложность подготовки исходной информации по рискам инвестиционных проектов ввиду отсутствия необходимых исходных данных в существующих источниках – проектно-сметной документации, материалах Росстата и научнх исследований. Решение этой проблемы предлагается в следующем параграфе.

1.2. Проблема подготовки исходных данных по реальным проектам Сложность изучения различных экономических систем обусловила распространение имитационного моделирования практически с появлением первых электронно-вычислительных машин.

В классических работах ([170], [172], [173], [175]) по изучению имитационного моделирования этот метод исследования характеризуется как наиболее значимый инструмент анализа сложных систем, принятие решений в которых затруднятся отсутствием или сложностью представления информации. Очевидно, что в условиях сложности представления информации о развитии какого-либо изучаемого объекта / системы остается, пожалуй, единственная возможность: построить модель рассматриваемой экономической системы, связывающую эндогенные переменные с экзогенными, и провести имитационный эксперимент. Более подробное исследование ситуации неопределенности с возможным применением имитационного моделирования представлено в [62].

Понятие «имитация» аналогично воображению: это осмысление сути явления без использования экспериментов на реальным объекте. Р. Шеннон [144] дает следующее, ставшее классическим, определение: «Имитационное моделирование есть процесс конструирования модели реальной системы и постановки экспериментов на этой модели с целью либо понять поведение системы, либо оценить (в рамках ограничений, накладываемых некоторым критерием или совокупностью критериев) различные стратегии, обеспечивающие функционирование данной системы».

В работе [137] Дж. Форрестер рассматривает динамическое моделирование предприятия, которое автор определяет как «изучение деятельности предприятия как информационной системы с обратной связью».

По мнению Н.Б. Кобелева, «имитационные модели широко применялись в практической деятельности страны в 60 – 80-е годы и давали, как правило, эффективные решения для многих задач в рамках регионов, отраслей, конкретных предприятий и в военном деле. Особенно интенсивно применялись модели этого типа после опубликования работ члена-корреспондента АН СССР Н.П. Бусленко, начиная с 60-х гг. и до 1985-87 гг. Он и его ученики стали развивать не только и даже не столько математические аспекты имитационного моделирования, сколько методологию и методику имитационного моделирования» [65]. «Главная заслуга школы Н.П. Бусленко состоит в формировании имитационного мышления, т.е. в отрицании многих догм, свойственных различным математическим подходам при моделировании объектов» [25].

М.А. Грушанина [40] в качестве преимуществ имитационного моделирования отмечает возможность относительно легкого включения в модель фактора неопределенности, который влияет на характер многих переменных, динамики процессов, временных параметров и пр., а также возможность практически неограниченных экспериментов.

В [79] академик Д.С. Львов пишет: «… важнейшей, на наш взгляд, функцией экономической теории является воспитание в хозяйственных и экономических деятелях любого уровня управления представлений о вариативности как возможных экономических решений, так и реакции хозяйственной практики на их реализацию. Если среди историков бытует мнение, что сослагательное наклонение в этой науке отсутствует, то в экономической науке сослагательность в общем смысле является презумпцией, а в частном смысле – выступает как результат исследования. «Что было бы, если…» – обычный рефрен для прикладных экономических и экономикоматематических исследований».

Совокупность возможных траекторий развития образует сценарий. Одновариантное прогнозирование будущего бесперспективно. Прогнозные исследования должны проводиться в рамках сценарного подхода, т.е. по принципу «что будет, если…». Такую точку зрения высказывают А.А. Макаров и его соавторы в работе [80].

В своей работе [37] А.М. Гатаулин пишет: «…наиболее важной задачей моделирования является обоснование управленческих решений на основе «проигрывания» множества ситуаций, вариантов развития на моделях управляемых систем; модель позволяет имитировать поведение системы в широком диапазоне изменяющихся условий, включая и такие, которые в реальной хозяйственной деятельности не наблюдались или встречаются редко; при этом отпадает необходимость в дорогостоящих натурных экспериментах;

«проигрывание» на моделях разнообразных производственных ситуаций позволяет исследовать большое число вариантов развития системы и выбрать наилучший с точки зрения решаемой задачи».

«Особенно велика роль имитационного моделирования при экспериментальной проверке предложений, связанных со структурными изменениями, модернизацией экономических механизмов и другими усовершенствованиями, не поддающимися формальному количественному описанию» [13].

В классической работе по имитационному моделированию [137], Дж.

Форрестер пишет, что «поток денежных средств … обычно не является главным, определяющим фактором при принятии решений, связанных с производством и сбытом. Только в организациях, находящихся в крайне неблагоприятных условиях…состояние сети денежных средств могло бы повлиять на принятие решений». Так обстоит дело при решении задач операционного менеджмента. В инвестиционном анализе принятие решений с опорой на потоки денежных средств является общепринятым [159]. Критерии, основанные на потоках денежных средств, являются первостепенными в анализе проектов, но, тем не менее, принятие проекта требует одновременного выполнения целого ряда условий, выявляемых по результатам не только экономического и финансового, но также правового, технического, экологического, институционального анализа. В нашей работе мы использовали метод моделирования потока денежных средств, при котором учли как потоки поступающего капитала, так и возможные затраты.

Вопрос оптимизации структуры инвестиций представляет собой сложную проблему системного характера. Принятие решений происходит в условиях неопределенности. Распределение инвестиций должно осуществляться с учетом прогнозных данных о реализации исследуемых инвестиционных проектов, с учетом различных экономических факторов, как на микро–, так и на макроуровне. Для представления необходимых данных для принятия решения в нужной форме и в нужное время необходимо глубоко вникнуть в сам процесс принятия решений ([45],[149]). Имитационное моделирование с такой целью применения поможет повысить качество принимаемого решения относительно вкладываемого капитала. В такой постановке проблемы применение имитационного моделирования наиболее целесообразно.

В данном исследовании решается вопрос оптимизации структуры инвестиций с помощью классической портфельной теории Марковица. При формировании портфеля учитывают, наряду с доходностями, степень риска входящих в портфель лотов. В качестве меры риска выбирают отклонение фактически полученного дохода от ожидаемого, которое можно измерить с помощью стандартного отклонения. Общий риск инвестиционного портфеля рассчитывается по следующей формуле:

где - корреляция между доходностями – го и – го инвестиционного инструмента, – среднеквадратическое отклонение доходности – го инвестиционного инструмента, – доля финансового участия инвестора в ом инвестиционном инструменте, – множество, включающее номера анализируемых инвестиционных инструментов.

В такой постановке вопроса возникает необходимость рассмотреть ковариацию доходностей каждых из двух составляющих портфеля. Если цены лотов имеют свойство изменяться в одном направлении (одновременно повышаться или понижаться), то коэффициенты корреляции и ковариации положительны. Если же курсы изменения цен двигаются в разных направлениях, то коэффициенты корреляции и ковариации отрицательны. Если бы движение было полностью независимо друг от друга, то коэффициенты корреляции и ковариации были бы равны нулю. Определение этих коэффициентов является одной из проблем подготовки исходных данных для оптимизации структуры инвестиций.

По акциям эти данные определяются на основе эмпирических рядов динамики доходности. Коэффициенты корреляции доходностей проектов, выполняющихся впервые, не могут быть получены таким способом. В диссертации предложено определять их с помощью имитационного моделирования. В основе определения ковариации доходностей проектов с помощью имитационных моделей лежит тот факт, что среди случайных параметров, влияющих на доходность проекта, есть общие для всех проектов. Показатели зависимости между проектами и акциями можно принять на уровне минимальной из корреляций среди пар акций и пар проектов, что соответствует пессимистической оценке риска портфеля, составленного из акций и проектов.

Для целей нашего исследования теоретическая модель Марковица дополнена переменными, отражающими реальные инвестиции в форме долей вложения в каждый реальный проект в общей стоимости портфеля. Наряду с исходными данными о ценных бумагах, интересующих инвестора, в этом случае требуются следующие данные о проектах: размер инвестиций по каждому проекту; доходность проекта в форме, сопоставимой с доходностью ценных бумаг (IRR); мера риска – среднеквадратическое отклонение IRR; коэффициенты корреляции доходности проектов.

Определение двух последних показателей требует разработки вспомогательной имитационной модели потока денежных средств каждого инвестиционного проекта в условиях рисков, подлежащих компенсации. Эта же модель используется в качестве источника данных о величине IRR, скорректированной на условия рисковой ситуации. Непосредственно из бизнес-плана проекта при формировании модели оптимального портфеля мы используем только размер инвестиций.

Требования к информационной системе, обеспечивающей анализ рисков инвестиционного проекта, определяются информационной потребностью, возникающей у аналитика. Согласно практике принятия инвестиционных решений, в качестве главных характеристик проекта выступают чистая приведнная стоимость (NPV) порождаемого им денежного потока и внутренняя норма доходности проекта (IRR), которая позволяет судить об эффективности вложений капитала [88]. При наличии информации о вероятностных характеристиках параметров проекта имеется возможность моделирования вариационных рядов распределения NPV и IRR. На основе этих рядов можно определить показатели, используемые при анализе рисков данного проекта, а именно:

математическое ожидание NPV;

вероятность отрицательного значения NPV;

дисперсию IRR;

корреляцию IRR различных проектов, подверженных влиянию одних и тех же случайных факторов.

Для удовлетворения информационной потребности, возникающей при анализе проекта, может применяться имитационное моделирование, позволяющее проводить компьютерные эксперименты для изучения проекта. Так, в [26]. детально разработаны методические подходы к имитационному моделированию потока денежных средств проекта.

Однако предложенные А.Г. Быковой модели не рассчитаны на удовлетворение информационной потребности, возникающей при выборе одного из нескольких возможных проектов либо при поиске их наилучшего сочетания с учтом критериев доходности и риска. В диссертации исследуется возможность применения имитационного моделирования с целью получения информации не по одному проекту, а для набора различных проектов, подверженных влиянию одних и тех же рисков. Это позволяет:

аналитику – дать комплексную оценку рисков проекта, в том числе во взаимосвязи с параллельным выполнением других проектов, и надежнее обосновать решения о выполнении проекта или отказе от него;

инвестору – оптимизировать структуру инвестиционных вложений с учтом их доходности и риска;

исследователю – воспроизвести поведение инвестора на рынке капитала (например, для обоснования эффективности государственных программ поддержки).

В связи с перечисленными задачами аналитику требуются данные о математическом ожидании и дисперсии NPV, а также о вероятности отрицательного NPV; инвестору — математическое ожидание и дисперсия IRR проекта, вероятность падения IRR ниже альтернативной стоимости капитала (равная вероятности отрицательного NPV), а также корреляция IRR различных проектов, необходимая для формирования инвестиционного портфеля с контролируемым уровнем дисперсии доходности; исследователю — все вышеперечисленные показатели. Предлагаемая имитационная модель обеспечивает потребность перечисленных участников инвестиционной деятельности в вышеперечисленных показателях. Последовательность решения этой задачи представлена на рис. 4.

Модифицированная модель Модифицированная модель Сопоставление с желаемыми результатами Рис. 4 Схема информационных потоков воспроизведения поведения Как показало изучение документации по проектам, предлагаемым к реализации в АПК Краснодарского края, сложившаяся практика инвестиционного анализа пренебрежительно относится к анализу рисков. Используется описательный подход без разработки конкретных мер по снижению рисков.

Это приводит к разрыву между выявленными и действительными рисками инвестиционной деятельности в АПК. Отсюда недоверие потенциальных инвесторов к инвестиционным проектам, реализуемым в данном секторе, основанное на обобщении большого практического опыта.

Однако даже при таком способе формирования исходных данных для модели Марковица остатся нерешнная методологическая проблема. В общем случае нет достаточных оснований считать, что значения ковариации доходности проектов между собой и с ценными бумагами являются постоянными величинами во времени, в связи с чем, вопрос определения периода их рассмотрения остается открытым. Если рассматривать коэффициенты за краткосрочный период, то теряем репрезентативность оценок, если за долгосрочный – нарушается их релевантность. Решение данной проблемы требует масштабных эмпирических исследований, выходящих за рамки задач диссертации.

Обосновав выбор для исследования модели математического моделирования структуры инвестиций, определив необходимые данные для построения имитационной модели и алгоритм их получения, приступим к системной постановке исследуемой проблемы. Следующий параграф позволит структурировать проблему, представить ее как систему, завершив тем самым описание теоретических основ моделирования процессов управления конкурентоспособностью АПК на рынке капитала, и перейти к формированию эмпирической базы исследования.

1.3. Системная постановка исследуемой проблемы Многие проблемы формирования инвестиционного процесса в России обусловлены отсутствием четко разработанной системы методов и моделей обоснования инвестиционной политики. Эффективность инвестиционной политики измеряется степенью изменения инвестиционного климата, который представляет собой взаимодействие внешних и внутренних факторов в виде инвестиционных рисков и потенциальных вложений, предопределяя тем самым целесообразность и экономическую эффективность каких-либо вложений капитала (Рис. 5) Инвестиционная привлекательность Инвестиционная активность Рис. 5 Структура инвестиционного климата [68] На эффективность инвестиционной политики в большей степени влияет уровень инвестиционной привлекательности. Вологодин Е.В. трактует инвестиционную привлекательность как «… совокупность природногеографических, социально-экономических, политических и иных факторов, формирующих представление инвестора о целесообразности и эффективности инвестирования в объекты, находящиеся в данном регионе» [36].

Решение экономических проблем АПК требует системного подхода, который подразумевает изучение объекта как системы. Экономика АПК – это не только открытая, но и весьма инерционная система, реагирующая на проводимые мероприятия с большим запаздыванием. Это связано с разрывом рабочего цикла и периода производства в зимний период, с длительностью периода восстановления плодородия почв, воспроизводства элитных животных и т.д.

Проблема имитационного моделирования управления конкурентоспособностью АПК на рынке капитала подразумевает не только математический аппарат исследуемой модели, но и отражение особенностей формирования конкурентоспособности АПК, которые и обуславливают необходимость решения проблемы с помощью компьютерных экспериментов.

Конкурентоспособность АПК на рынке каптала, подобно любой сложной научной проблеме, может быть отображена на спирально-иерархическую структуру. Рассмотрим изучаемую проблему по аналогии со структурой проблемы стоимости. Данный подход был предложен А.М. Гатаулиным [60], использован в работах Н.М. Светлова [38], Б.В. Лукьянова [78] и др.

Корневой и первый уровни структуризации исследуемой проблемы представлены на рис 6. Широкие стрелки, образующие спираль, отражают логическую последовательность исследования; тонкие сплошные — информационные потоки, конкретизирующие содержание каждого элемента проблемы; пунктирные — обратные связи, то есть информационные потоки, вследствие которых меняются знания о составляющих ядра. [38] Рис. 6 Спирально-иерархическая структура научной проблемы [38] Ядро включает постановку проблемы во взаимосвязи с историей становления, условиями существования проблемы, предпосылками е решения, необходимыми для этого ресурсами. Выше в п. 1.1 дана характеристика математических моделей, в которых конкурентоспособность объекта инвестирования проявляется в форме его доли в инвестиционном портфеле. Вместе с установленными научными фактами исследуемой предметной области эти модели образуют предпосылки решения стоящей перед нами проблемы. Состоянию и перспективам инвестиционной деятельности в АПК посвящены работы ученых Г.М. Зельднера ([51], [50]), А. Зуева [55], Е. Оглоблина ([91], [112]), П.М. Першукевича ([97], [98]), И.С. Санду ([114], [90], [113], [115]), А.Я. Кибирова ([63],[126],[64]) и др.

Вопросам экономического регулирования инвестиционной деятельности в АПК и сельском хозяйстве посвящены исследования российских экономистов-аграрников А.И.Алтухова ([4], [149], [99], [3]), Н.А. Борхунова ([19], [17], [18]), А.А. Варламова ([28], [29], [30]), С.Н. Волкова ([35], [34], [33]), Н.Ф. Зарук ([47], [48]), А.П, Зинченко ([2], [53], [54]), В.А. Кундиус ([73], [72]), К.П. Личко ([75], [76]), И.Г. Ушачева ([132],[134], [131]), В.Н.

Хлыстуна ([140], [139]), Ф.К. Шакирова ([94], [92]) и др., также зарубежных экономистов В. Шарпа ([176], [177]), М.Брауна ([155], [153], [154]).

Теоретико-методологический аспект имитационного моделирования управления конкурентоспособностью АПК на рынке капитала образуют существующие методические подходы к оценке инвестиционной деятельности, инвестиционного климата и инвестиционной привлекательности субъектов в работах зарубежных и российских ученых – Н. Агеенко [1], К. Балдина ([59], [14], [8]), И. Гришиной ([69], [39]), И. Зулькарнаева ([56], [57]), Т. Лукьяненко [77], А.М. Марголина ([81], [83]), Г. Марченко ([124], [85]), И. Ройзмана ( [106], [105], 107), П. Самуэльсона [111], А. Шахназарова ( [143], [142]) и др.

Генезис (происхождение, возникновение, зарождение), как часть качественно-аналитического аспекта исследуемой проблемы, — процесс двойственный. Прежде всего он связан с формированием технического и программного обеспечения имитационного моделирования, а также с развитием его методологии. С другой стороны, это исторический процесс формирования информационной потребности инвестора вследствие развития и усложнения общественных отношений, сопровождающих инвестиционную деятельность, в основе которого – постоянно возобновляющийся процесс формирования инвестиционной привлекательности как количественно определнной характеристики для объекта вложения капитала.

Следующим важным компонентом качественно-аналитического аспекта является структура. Разрабатываемые имитационные модели должны отвечать существующим структурным связям, присущим изучаемой предметной области: в частности, институциональной, территориальной и отраслевой структуре. Определяющим фактором в системе инвестиционной привлекательности, по мнению Серова В.М. [122], является способность органов государственной власти обеспечить реальную защиту прав инвесторов, а именно сложившаяся объективная практика и наличие надежных правовых гарантий против таких действий государственных органов, как принудительное лишение инвесторов принадлежащего им движимого и недвижимого имущества в результате экспроприации или конфискации без выплаты владельцу разумной компенсации или изменение базисных условий функционирования инвестированного капитала в результате принятия новых законов властями любого уровня.

Серов В.М. говорит о том, что важным условием для активизации и повышения эффективности инвестиционной деятельности является создание положительного инвестиционного имиджа региона за счет расширения возможностей распространения достоверной и систематизированной информации, необходимой как соискателям инвестиций, так и потенциальным инвесторам.

Многие авторы по-разному выделяют составляющие инвестиционной привлекательности. К примеру, Савенкова Е.В. считает, что это «… платежеспособность… специальные факторы и ресурсы» [109].

Свойства инвестиционной привлекательности регионального АПК – основы конкурентоспособности АПК на рынке капитала – в большой мере определяются природно-климатическими условиями. Наша страна неоднородна по климатическим зонам. Культуры, рентабельные в одной области, в другой просто не вызреют. К примеру, Москва относится к "третьей световой зоне" с 220 солнечными днями в году, а под Кисловодском солнечных дней 342. Прибыльность предприятий даже в пределах одного региона может сильно различаться. "Если в Егорьевском районе одни пески и культуры растут с трудом на такой почве, то в Серебряно-Прудском районе, Луховицах, под Коломной земли хорошие и хозяйства вполне рентабельны" [128].

В целом агроклиматические условия растениеводства России почти вдвое хуже по сравнению со многими странами Западной Европы и штатами США:

На значительной части территории США и в Южной Европе сельскохозяйственный период составляет десять месяцев, а в Росси – пять. В странах Юга Европы труженики отраслей растениеводства не работают на полях только в декабре и январе. Даже в центральноевропейских странах в ноябре можно, например, сеять озимую пшеницу. В феврале можно приступать к обработке почвы для посева ранних кормовых культур. Российский же крестьянин имеет на работы в растениеводстве, кроме обмолота зерна, сто дней.

Высокая энергоемкость сельскохозяйственного производства приводит к возрастанию рисков, связанных с колебаниями цен энергоносителей.

Ещ одна проблема, специфическая для российского сельского хозяйства, — неполное использование пашни, имеющейся в распоряжении сельскохозяйственных товаропроизводителей. Ежегодно около 10% пашни не засевается [68], а это миллионы тонн недополученного урожая. Само по себе наличине неиспользуемой пашни не влияет отрицательно на инвестиционную привлекательность АПК и даже способствует ей, поскольку земельные ресурсы в существующих условиях весьма дшевы. Однако это явление служит сигналом о существовании комплекса сложных проблем в сфере производства и сбыта сельскохозяйственной продукции. Этот сигнал воспринимается инвесторами негативно.

Авторы в [133] выделяют следующие принципиальные особенности обмена в системе АПК:

- АПК заметно отстает в развитии рыночных отношений, поскольку здесь выше удельный вес внутреннего оборота;

- для АПК в большей мере, чем для других отраслей экономики, характерны такие социально менее зрелые формы обмена, как аренда и ипотека;

- сезонный характер воспроизводства предопределяет импульсность объемов товарооборота, а потому, с одной стороны, значительные дополнительные издержки на хранение в сфере обращения, а с другой – повышенное внимание к развитию форвардного оборота;

- колебания погодных условий и связанная с ними неопределенность объемов товарных ресурсов являются фактором, стимулирующим более широкое использование в АПК фьючерсных операций;

- существует глубокая дифференциация регионов по уровню развития отношений обмена.

При выделении средств под накопление и резервы следует учитывать, что в системе аграрной сферы экономики эффективность добавочных вложений на различных территориях и в различные годы существенно различается.

Этот эффект проявляется не только в приростах объемов производства и качества продукции, но и в экологически значимых последствиях.

В отношении условий производства следует также заметить, что для АПК характерна специфическая форма монополии, то есть устойчивого неравенства в присвоении условий производства, к примеру, в ресурсопроизводящих секторах экономики.

Исследование [123] доказывает, что монополии в ресурсопроизводящих секторах экономики тормозят развитие рыночных институтов (лизинговых компаний, дилерской сети и т.д.), создавая долгосрочные проблемы для АПК. Кроме того, вышеуказанное исследование аргументирует недостаточный уровень развития рыночной инфраструктуры, которая должна охватывать торговые биржевые и внебиржевые системы, системы централизованного управления рисками, механизмы управления ликвидностью, банковские системы взаиморасчетов, клиринговые системы, механизмы гарантированной доставки, депозитарные системы, информационно-консультационные системы.

Необходимость активного государственного присутствия в аграрном секторе экономики с необходимостью следует из вышесказанного. В связи с этим остро встает вопрос об активизации участия государства в поддержке сельского хозяйства и его агропродовольственного сектора для обеспечения продовольственной безопасности. Представляет интерес не только теоретическое обоснование государственных мероприятий по поддержке АПК, затрагивающее преимущественно проблемы менеджмента, но также и разработка конкретного инструментария, позволяющего экспериментально оценить последствия и значимость государственной поддержки.

Количественно-аналитический аспект изучаемой проблемы – ключевой для разработки имитационных моделей, поскольку определяет систему показателей, структурные связи между которыми составляют основу модели.

Как правило, он затрагивается в работах прикладной направленности, посвящнных конкретным экономическим проблемам.

Инвестиционная привлекательность региона в отечественной науке наиболее полно исследована на уровне отдельного предприятия (рис 7). Работы данного направления позволяют судить об инвестиционной привлекательности отрасли, обобщая оценки, полученные для предприятий.

ристики проектов [55] – маркетинговый потенциал подкомплекса Факторы ИП Пути повышеции перспективном подкомплексе АПК Рис. 7. Факторы и пути повышения инвестиционной привлекательности Так, в работе [135] уделяется большое внимание рассмотрению инвестиционной привлекательности на уровне отдельного предприятия. Автором разрабатываются концептуальные основы формирования инновационноинвестиционной модели развития предприятий аграрной сферы, которая обеспечивала бы рост их инвестиционного потенциала. В качестве специфики современного АПК автор отмечает нарушение принципов сбалансированного развития отраслей АПК, резкую дифференциацию сельскохозяйственных предприятий по финансовому состоянию; наращивание интеграционных процессов при ослаблении регулирующей роли государства на рынке инвестиционных капиталов. Автор предлагает новый подход к оценке инвестиционной привлекательности предприятия, которая заключается в комбинированном использовании показателей чистого дохода, чистой текущей стоимости проекта и дисконтированного срока окупаемости инвестиций. Аналогичный подход к проблеме можно найти в работе [49].

На основе оценки инвестиционной привлекательности предприятий исследователями делается вывод об инвестиционной привлекательности соответствующей конкретной отрасли как, к примеру, в [87].

Подход к ИП как к управляемой переменной в системе управления народным хозяйством представлен в работах [55], [89], [67].

В [55] уделяется большое внимание разработке методики расчетов для определения наиболее инвестиционно-привлекательных объектов АПК как приоритетов регионального развития, обосновываются методические подходы к определению инвестиционной привлекательности в виде интегрального показателя, позволяющего судить о приоритетных направлениях развития региональной специализации, что позволит более рационально использовать средства федерального бюджета. Показано, как определение перспективной специализации АПК региона позволит проводить единую агропромышленную политику, концентрировать финансовые и технические ресурсы в наиболее эффективных видах производства и категориях хозяйств, и, в конечном счете, развивать конкурентоспособность и инвестиционную привлекательность агропромышленного сектора экономики данного региона.

Автор работы [67] на примере Алтайского края исследует проблему ИП, основываясь на маркетинговом подходе. Маркетинговые исследования служат отправной точкой расчта перспективных параметров развития молочнопродуктового подкомплекса Алтайского края с учетом потенциальной емкости рынка молочной продукции. Отсюда выводится объм инвестиций, которые могут быть привлечены в край с выгодой для инвестора.

В [89] рекомендации автора заключаются в выявлении факторов, влияющих на ИП регионального АПК: объем внутренних инвестиционных ресурсов, темпы изменения прибыли и объемов производства, доля убыточных предприятий в общем их количестве. Факторы соизмеряются на основе балльной оценки, ИП представляется агрегированным показателем. В качестве приоритетных направлений е повышения автор выделяет подъм технического и технологического уровня АПК, социальное развитие села, финансовое оздоровление сельскохозяйственных организаций, формирование информационного банка инвестиционных возможностей, связанных с техническим перевооружением АПК, развитием информационной бизнес-среды и кадрового потенциала.

Привлечение инвестиций в различные отрасли экономики с точки зрения развития наукоемких технологий рассматривается в работе [125].

В ней показано, что инновационная активность, наряду с развитием технопарков и венчурных фондов, способствует развитию благоприятного инвестиционного климата в регионе.

Факторы, изученные в перечисленных работах, содействуют повышению доходности и снижению рисков. Однако в условиях большого отставания конкурентоспособности АПК на рынке капитала сохраняется актуальность государственного вмешательства для компенсации неустранимых рисков, обусловленных самой природой сельского хозяйства. Поскольку уровень рисков, наряду с доходностью, является результирующим показателем всех других факторов и прямо влияет на мотивацию инвестора, можно ожидать, что сравнительно небольшие суммы господдерки, направленной на снижение рисков частного инвестора, позволят привлечь в сектор значительные вложения.

Возможности подходов к исследованию ИП, описанных выше, ограничиваются тем обстоятельством, что влияние тех или иных е факторов на поведение инвесторов остатся не вполне определнным, а эффект мероприятий, приводящих к повышению критериев инвестиционной привлекательности – предположительным. Подход, предлагаемый в нашем исследовании, предполагает воспроизведение поведения инвестора в условиях осуществления мероприятий по повышению ИП, заключающихся в направлении средств государственной поддержки на снижение уровня инвестиционных рисков в АПК. Эта мера может рассматриваться в качестве временной: е актуальность обусловлена тем, что институт коммерческого страхования не решает проблему снижения инвестиционных рисков вследствие неразвитости рынка страховых услуг и наличия более привлекательных бизнес-альтернатив для страховщиков, нежели страхование рисков инвестиционных проектов в АПК.

В данном исследовании ИП региона рассмотрена как проблема имитационного моделирования, которое строится на имитации поведения инвестора в заданных условиях инвестиционного климата на основе базового в современной портфельной теории подхода к определению оптимального портфеля. Обзору существующих методов оптимизации структуры инвестиций посвящн параграф 1.1, прикладной аспект будет рассмотрен в параграфах 3.4 и 3.5.

Проведнная структуризация проблемы обосновывает нижеследующую постановку задачи имитационного моделирования: требуется воспроизвести ожидаемое поведение инвестора на рынках капитальных вложений и ценных бумаг при выполнении требований:

отражения проектных рисков в форме вариативности денежных потоков проекта;

принятия во внимание возможности влияния на различные проекты, включаемые в инвестиционный портфель, со стороны одних и тех же описания вмешательства государства в процесс выполнения проекта и в его внешнюю среду в форме его влияния на денежные потоки проекта;

отражения рисков, влияющих на сроки выполнения проекта, в форме изменения денежных потоков проекта;

представления ожидаемого поведения инвестора на рынках капитальных вложений и ценных бумаг в форме функции следующих характеристик денежных потоков, порождаемых проектами и инвестициями в ценные бумаги: доходность, е среднее квадратичное отклонение, корреляционная матрица доходностей вложений, включаемых в инвестиционный портфель.

Такая постановка в целом позволяет охватить все аспекты спиральноиерархической струкуры решаемой научной проблемы, нашедшие отражение в вышеуказанных научных трудах. При условиях успешного решения проблемы формирования эмпирической базы имитационного моделирования и разработки методик расчта параметров имитационной модели на основе имеющихся данных поставленная нами задача укладывается в возможности существующего модельного инструментария.

Примем во внимание, что в среде инвесторов преобладает подход к решению проблем обоснования структуры инвестиционных портфелей с помощью модели Г. Марковица. Следовательно, за основу имитационного стенда, воспроизводящего поведение инвесторов при принятии решений об объмах вложений в аграрные проекты, также целесообразно принять модель Г. Марковица: тогда воспроизведнная моделью структура инвестиций с большой вероятностью окажется весьма близкой к решению, принятому реальным инвестором. Следовательно, поставленная нами задача разрешима при условии, если удастся предложить работоспособную методику определения корреляционной матрицы для портфеля, включающего реальные инвестиционные проекты либо долевое участие в них.

Систематизировав исследуемую проблему имитационного моделирования конкурентоспособности АПК на рынке капитала и описав теоретические основы моделирования перейдем к формированию эмпирической базы исследования, чему посвящена следующая глава.

Глава II. Математический инструментарий формирования исходных данных моделирования поведения инвестора 2.1 Экономическая характеристика объекта исследования В качестве объекта исследования диссертации выбраны инвестиционные проекты, предлагаемые к реализации в самом южном приграничном регионе России, одном из наиболее значимых регионов нашей страны. Кубань – как обычно называют Краснодарский край – обладает выгодным географическим положением, благоприятными климатическими и природными условиями, богата полезными ископаемыми. Природная ценность края исключительна, 4 млн. га. высокоплодородных черноземов обеспечивают формирование современного агропромышленного комплекса, который является приоритетным сектором экономики, наряду с топливно-энергетическим и курортнорекреационным. Недаром Кубань называют жемчужиной России, ее житницей и здравницей. Край является "морскими воротами" на южных рубежах России, имеет международные аэропорты, развитую сеть автомобильных и железных дорог.

Подтвердим обоснование выбора Краснодарского края в качестве объекта исследования реальными цифрами, а также в анализе воспользуемся оценками департамента инвестиционного развития Краснодарского края.

Недра Краснодарского края содержат более 60 видов полезных ископаемых: нефть, природный газ, мрамор и пр. Краснодарский край является родиной отечественной нефтяной промышленности. В разработке находится месторождений нефти, основные из которых расположены в западной и центральной части предгорий (Абинский, Северский, Апшеронский, Славянский районы).

Целебный климат средиземноморского типа, теплые моря (Чрное и Азовское), уникальные природные минеральные источники и лечебные грязи обеспечили славу Кубани одного из самых экологически чистых и популярных курортно-туристических регионов страны.

Краснодарский край - один из ведущих регионов по производству и переработке сельскохозяйственной продукции и поставкам продовольствия в промышленные центры страны. С учетом географических и природноклиматических особенностей территория края условно разделена на несколько природно-экономических зон. Хозяйства северной и центральной зон специализированы на производстве зерна, прежде всего пшеницы, а также сахарной свеклы, подсолнечника и сои. В западной зоне преобладает рис, в Анапо-Таманской наиболее эффективным является виноградарство и виноделие, в южно-предгорной – картофель, овощи, плоды, а в Черноморской чай и цитрусовые.

Стержнем развития экономики агропромышленного комплекса Краснодарского края является пищевая и перерабатывающая промышленность.

В 2010 г. на долю растениеводческой продукции приходилось 60% от общего числа валовой продукции сельского хозяйства, тогда как на долю животноводческой продукции 40 %. В сельскохозяйственных организациях на долю растениеводства, приходится около 69%.

В 2010 году посевы зерновых культур занимали 59,3% общей посевной площади, технических –24,0% (25,9%), картофеля и овощебахчевых культур– 3,8% (3,2%), кормовых –12,9% (15,1%).

Валовой сбор овощей в 2011г. составил 668 тыс. тонн, что на 162 тыс. т или 1,3 раза больше уровня 2007г., картофеля –525 тыс. тонн.

Производство скота и птицы в живом весе в целом по краю за 2011 год в хозяйствах всех категорий составило 542,6 тыс. тонн, что на 21,7% больше,аналогичного показателя за 2007год. Валовое проиводство молока в 2011году в хозяйствах всех категорий составило 1396,7 тыс. тонн, что выше показателя 2007года на 5,5%.

Основные показатели, отражающие социально-экономическое развитие края, представлены в табл. 1.

Таблица 1. Основные показатели социально-экономического развития Краснодарского края Индекс цен производителей сельскохозяйственной продукции (декабрь к декабрю предыдущего года), % Индекс промышленного производства,в % к соответствующему периоду предыдущего Продукция сельского хозяйства, млрд.руб.

Краснодарский край обладает существенным инвестиционным потенциалом и значительными преимуществами. Интерес к Краснодарскому краю как к перспективному региону растет, его инвестиционные возможности дают толчок для активного развития, как крупного бизнеса, так и малого предпринимательства.

Таблица 2. Инвестиции в основной капитал предприятий разных отраслей Показатели млрд.руб.

Сельское хозяйство, зяйство ископаемых производства Инвестиции в сельское хозяйство как в 2009 году, так и в 2011-м продолжают оставаться на невысоком уровне – объем инвестиций не превышает 5% от общего уровня притока капитала по краю. Наиболее привлекательными отраслями для вложения капитала продолжают оставаться отрасли обрабатывающих производств, транспорта и связи.

Однако, несмотря на имеющийся значительный потенциал, удовлетворение потребностей края в инвестиционных ресурсах как основном факторе производства представляет актуальную социально-экономическую проблему в нынешних условиях хозяйствования. Трудность решения этой проблемы во многом заключается в ограниченных возможностях внутренних государственных накоплений, в неспособности инвесторов компенсировать нехватку капиталовложений в реальный сектор экономики из-за низкой рентабельности предприятий и высокой степени риска.

Такая диспропорция между безграничными возможностями края для вложения капитала в развитие сельского хозяйства и реальной ситуацией распределения инвестиций между отраслями оправдывает выбор в качестве объекта исследования реальные инвестиционные проекты для АПК Краснодарского края.

2.2 Анализ рисков исследуемых проектов с использованием имитационной модели потока денежных средств В качестве возможностей для реальных инвестиций выступают следующие проектные предложения края:

Проект «СЛАВЯНСКИЙ». Целью настоящего проекта является создание производства по обработке риса-сырца. Для этого предусматривается приобретение соответствующего оборудования. Линия предназначена для обработки риса-сырца, конечными продуктами являются:

рис первого сорта, рис дробленый и мучка. Возможное участие инвестора в проекте рассматривается с точки зрения финансовых инвестиций, лизинга, предоставления инвестору права приобретения до 50% Проект «Рыбоводческий комплекс». Инициатором проекта планируется развитие рыбоводческого хозяйства (рыбопитомника), функционирующего по системе замкнутого водоснабжения: строительство и ввод в эксплуатацию новых основных средств с целью выращивания осетровых Ленской породы, а также производства черной икры для реализации.

Проект «ООО «АгроФирма «Село Ворошилова». Целью проекта является переработка молока. Проект предусматривает приобретение и передачу в лизинг оборудования для переработки 300 т молока в сутки с конечными продуктами – ультрапастеризованное молоко, сливки в асептической упаковке ТБА 200 мл, ТБА 1000 мл, ТБА 1500 мл.

В качестве конкурирующих инвестиционных возможностей рассмотрим обыкновенные акции следующих перерабатывающих предприятий:

Группа «Разгуляй» является агропромышленным холдингом, который включает в себя управляющую компанию ОАО «Группа "Разгуляй» и два отраслевых холдинга - Зерновой и Сахарный. Компании и предприятия Группы активно работают в Северо-Западном и ЦентральноЧерноземном регионах России, Верхнем и Среднем Поволжье, на Северном Кавказе, Южном Урале и в Западной Сибири. Сегодня «Разгуляй» занимает лидирующие позиции в сфере производства, переработки и реализации сельскохозяйственной продукции сырьевой группы.

Группа «Черкизово» - одна из крупнейших в мясной отрасли России агропромышленных компаний, включающая 3 основных производственных блока - «мясопереработка», «свиноводство» и «птицеводство». География деятельности охватывает всю европейскую часть территории РФ. Группа «Черкизово» - вертикально интегрированная агропромышленная компания с полным производственно-сбытовым циклом, охватывающим все звенья в производственно-сбытовой цепи - от производства комбикормов до производства мясной продукции и ее реализации.

ОАО «Красный Октябрь» - предприятие, входящее в один из крупнейших холдингов в Европе «Объединенные кондитеры», объединяющий 15 предприятий по всей России, специализирующихся на выпуске кондитерских изделий. В компанию «Объединенные кондитеры»

собраны воедино кондитерские фабрики с высоким потенциалом развития. География производств и сбыта холдинга – от Дальнего Востока до Санкт-Петербурга.

ОАО «Синергия» - одна из лидирующих компаний российского алкогольного рынка, стратегическим направлением деятельности которой является выпуск ликероводочной продукции.

ОАО "Пивоваренная компания "Балтика" - лидер российского рынка пива, самая крупная России компания в сфере производства товаров народного потребления. Продукция компании «Балтика» представлена более чем в 70 странах мира, в том числе в странах Западной Европы, Северной Америки, ближневосточного региона Компания «Вимм-Билль-Данн» — лидер рынка молочных продуктов и детского питания в России и один из ведущих игроков рынка безалкогольных напитков в России и странах СНГ. «Вимм-Билль-Данну»

принадлежит более 35-ти перерабатывающих заводов в России, на Украине и в Центральной Азии.

ОАО "Русгрэйн Холдинг" занимает одну из ведущих позиций на российском рынке производства и переработки сельскохозяйственной и птицеводческой продукции; вертикально интегрированный агропромышленный холдинг, специализирующийся на выращивании, переработке, реализации зерновых и масличных культур, производстве и реализации комбикормов и птицеводческой продукции, молочном животноводстве, а также на торговых операциях с сельскохозяйственной продукцией.

Сложившаяся практика инвестиционного анализа в АПК состоит в пренебрежительном, формальном отношении к анализу рисков. В основном используется описательный метод анализа без предложения какого-либо решения рисковой ситуации. Это приводит к разрыву между выявленными и действительными рисками инвестиционной деятельности в АПК. Отсюда недоверие потенциальным инвесторам к инвестиционным проектам, реализуемым в данном секторе, основанное на обобщении большого практического опыта.

Так, в проекте «Рыбоводческий комплекс» разработчиками исследуются следующие группы рисков:

1. Систематические риски, обусловленные общим движением рынка или его сегментов. К примеру, изменения законодательства, в том числе налогового. Последствие: возможность увеличения расходной части проекта на непредвиденные издержки.

2. Несистематические риски, а именно специфические для конкретной компании риски, которые могут быть в значительной степени уменьшены посредством диверсификации. В частности, повышение конкурентной активности. Последствие: Повышение предложения на рынке рыбной продукции, снижение отпускных цен. Снижение доходности По проекту «ООО «АгроФирма «Село Ворошилова» разработчиками предложен следующий анализ рисков:

Велика зависимость финансового результата компании от государственной поддержки в виде субсидий.

Сильная долговая нагрузка, ослабления которой в ближайшее время Некоторые составляющие агрохолдинга находятся на опасной стадии пред-производства или только выходят на свои производственные мощности.

Анализ риска по проекту «Славянский» полностью отсутствует.

Такой подход к оценке риска вряд ли может претендовать на привлечение потенциальных инвесторов для участия в проектах и снижает инвестиционную привлекательность региона, предлагающего проекты к реализации.

Чтобы дать количественную оценку риска, наши рассуждения основывались на том, что понятие «риск» всегда обозначает вероятностный характер исхода, при этом в основном под словом «риск» чаще всего понимают вероятность получения неблагоприятного результата. Неблагоприятный результат от реализации проекта можно интерпретировать как отрицательный показатель чистой приведенной стоимости, т.е. NPV < 0. В связи с этим, наш выбор показателя для оценки риска проекта остановился на вероятности получения отрицательного NPV. Мы используем эту меру для оценки принимаемых инвестиционных решений всюду, за исключением случаев, когда используемые методики требуют применения других мер риска.

В данной диссертации результат анализа риска представлен нами не единственным значением NPV, а в виде распределения возможных значений этого показателя, полученного с помощью метода Монте-Карло. Следовательно, потенциальный инвестор обеспечен полным набором данных, характеризующих риск проекта. На этой основе он сможет получить любые точечные или интервальные оценки параметров распределения, использовать их для принятия взвешенного решения об участии в финансировании проекта.

Уровень риска имитируется следующим образом. Генерируется достаточно большой объем случайных сценариев (в нашем исследовании их 10 тыс.), каждому из которых соответствует определенное значение денежного потока. Затем производится статистическая обработка сгенерированных сценариев для установления доли сценариев, которым соответствует отрицательное значение NPV.

Исходя из полученных значений NPV рассчитываются значения IRR для каждого из 10.000 испытаний, а также среднее квадратическое отклонение IRR. Оба показателя в дальнейшем используются в модели Марковица при имитации поведения инвестора. IRR выступает в качестве показателя доходности проекта и при моделировании портфеля измеряется в долях, что соизмеримо с доходностью акций. Среднеквадратическое отклонение IRR выступает в модели Марковица как показатель риска.

Этап представления распределений переменных модели (денежных Исследуемый в работе показатель NPV проекта рассчитывается следующим образом:

При проведении компьютерного эксперимента годовой денежный поток должен быть сгенерирован как некое случайное число, подчиняющееся определенному закону распределения. В действительности же NPV - это совокупный показатель, включающий в себя множество компонент и изменяется с учетом изменения объема продаж и всевозможных затрат.

В предложенной нами модели денежный поток анализируемых проектов, используемый для определения показателей NPV и IRR, определяется, по аналогии с подходом, используемым в [26], следующим образом:

функционирования анализируемых проектов; F – множество компонентов потоков ( поступления от продаж, затраты на материалы и комплектующие, общие издержки, затраты на персонал, налоги); – значение элемента потока f по проекту p за период времени k;

P – множество проектов. В нашей работе исследованы три проекта: проект «Славянский» (приобретение оборудования по обработке риса-сырца, p = 1), проект «Рыбоводческое хозяйство» (Развитие рыбоводческого комплекса, p = 2) и проект «Село Ворошилова» (приобретение оборудования для переработки молока, p = 3).

Каждую f-составляющую потока денежных средств можно интерпретировать как последовательность случайных величин, влияющих на итоговую оценку риска проекта. В связи с этим требуется информация о законе распределения вероятностей значений каждой составляющей Для анализа вероятностных распределений потоков платежей в данном исследовании рассматриваются два вида распределений вероятностей:

- нормальное распределение Большинство случайных величин описывается нормальным распределением (НР).

Случайная величина имеет нормальное распределение, если ее плотность p(x) имеет следующий вид:

Нормальное распределение применяется к случайным величинам, которые зависят от большого числа случайных факторов или представляют сумму достаточно большого количества независимых случайных величин.

Согласно центральной предельной теореме Ляпунова, независимо от вида распределений взаимно независимых составляющих событий распределение результирующего события будет асимптотически приближаться к нормальному по мере увеличения числа составляющих событий.

Нормальное распределение допускает отрицательные значения случайной величины, в связи с чем для показателей затрат и выгод оно может быть лишь приближнной моделью действительного распределения. А.И. Орлов [95] сообщает, что адекватной моделью распределения величин спроса, как правило, является гамма-распределение. В предположении, что в некоторой окрестности фактического уровня спроса убывающая зависимость спроса от цены достаточно близка к линейной, распределение вероятностей цен также представляет собой гамма-распределение. Таким образом, даже не имея в достаточном объме требуемых эмпирических данных, из теоретических соображений можно обоснованно предположить гамма-распределение каждого элемента затрат (при фиксированных объмах проектных закупок) и выручки от продажи определнного вида продукции (при фиксированных объмах продаж).

Параметрами нормального распределения являются математическое ожидание и стандартное отклонение случайной величины. Параметры гаммараспределения функционально зависят от этих же показателей. Значения компонентов потоков денежных средств исследуемых проектов, приводимые в проектной документации, в условиях неопределнности интерпретируются как математические ожидания соответствующих случайных величин.

В отличие от математического ожидания, данных о стандартном отклонении значений потоков денежных средств бизнес-планы, как правило, не содержат. Предлагаемая нами имитационная модель нацелена на восполнение этого пробела в информационной базе риск-менеджмента инвестиционных проектов.

В связи с отсутствием требуемых данных в проектной документации возникает потребность в их восполнении на основе подходящих аппроксиматоров. В нашем исследовании принимается упрощающее предположение, согласно которому единственным источником вариации значений каждого f-компонента денежного потока покупок (продаж) предполагаются постоянными.

Это предположение, очевидно, смещает оценку стандартного отклонения значений компонента денежного потока в сторону меньших значений по сравнению с фактическим потоком. Однако данный подход согласуется с общим методологическим положением управления рисками, согласно которому предметом риск-менеджмента являются риски, поддающиеся выявлению, оценке и анализу. Мы предлагаем отнести источники вариации компонентов денежного потока, за исключением вариации цен, к числу рисков, не поддающихся анализу при современном уровне развития методологии рискменеджмента и фактическом состоянии его информационной базы. Для некоторых проектов, тем не менее, могут существовать альтернативные источники данных о некоторых или всех компонентах денежного потока, позволяющие принять во внимание источники вариации, которые наш подход оставляет в стороне. Расчт стандартного отклонения на их основе не вносит никаких особенностей в разработанный нами инструментарий, но обеспечивает более наджную защиту от рисков благодаря его применению.

На основании предположения о неизменности факторов денежного потока, кроме цен, дисперсия значения компонента денежного потока, соответствующего заданному моменту времени выполнения проекта, вычисляется:

для потока, обусловленного единственным видом продукции (f=1) – на основе данных о дисперсии цен на вид продукции, продажа которого формирует данный компонент денежного потока;

клонений подходящего индекса цен от его тренда. Расчт отклонений от тренда позволяет устранить систематический компонент вариации цен, принимая во внимание при дальнейших расчтах только случайный компонент, который обусловливает ценовые риски проектов.

Дисперсия затрат и поступлений, образующих компоненты потока, рассчитывается по одной из нижеследующих формул:

где – значение выручки (затрат) из f-компонента потока денежных средств проекта p за момент времени k [тыс.руб.];

продаж блага, образующего f-компонент потока денежных средств проекта p, персия базисного индекса цен, соответствующего рассматриваемому fкомпоненту потока денежных средств проекта p; – дисперсия цены блага, образующего f-компонент потока денежных средств проекта p [руб.2/кг2].

В табл. 3 приведены точечные оценки дисперсии цен продукции исследуемых проектов, применяемые для расчтов дисперсии значений, образующих первый компонент денежного потока каждого проекта – поступления от продаж.

Индексы цен, используемые в моделировании остальных компонентов денежных потоков, приведены в табл. соответствующий вид продукции, 1 руб за 1 л./1кг.

Молоко цельное разливное Источник: [136].

Таблица 4. Индексы цен, используемые в модели Индекс потребительских цен за кг риса шлифованного (p=1, f=1) ленных товаров Индекс темпа роста ков Источник: [136].

Продемонстрируем в табл. расчеты дисперсии значений, образующих все пять компонентов потока денежных средств, на примере проекта «Славянский» (p = 1). Расчеты в полном объеме по проектам «Славянский», «Рыбоводческое хозяйство» и «Село Ворошилова» представлены в Приложении Например, при расчете дисперсии выручки за второй квартал года t следуем формуле, где – дисперсия индекса потребительтыс руб ских цен за 1 кг шлифованного риса. Отсюда получаем млн руб. Дисперсия выручки за другие кварталы рассчитывается аналогично с использованием соответствующего данному кварталу значения выручки из потока денежных средств, приведнного в проектно-сметной документации.

Таблица 5. Расчет дисперсии компонентов потока денежных средств Значение из плана тыс.руб Дисперсия выручки, млн.руб. Значение из плана млн.руб Дисперсия затрат на материалы и комплектующие, млн.руб. Значение из плана тыс.руб Дисперсия общих млн.руб. Значение из плана тыс.руб Дисперсия затрат тыс.руб. Значение из плана тыс.руб.

Дисперсия налогов, тыс.руб. При расчете дисперсии затрат на материалы и комплектующие, а также дисперсии общих издержек использован индекс цен производителей промышленных товаров. К примеру, лы и комплектующие за При расчете дисперсии затрат на персонал и дисперсии налогов использован индекс темпа роста реальной заработной платы работников, а именно:

После определения параметров распределения формируются (с помощью генератора псевдослучайных чисел с требуемым распределением) случайные временные ряды с шагом в один квартал (как в проектной документации), описывающие каждый компонент денежных потоков всех проектов, закон распределения которых соответствует выбранному, а параметры – эмпирически установленным. Случайные ряды составляются в фиксированном масштабе цен первого квартала периода выполнения проекта, то есть инфляционный компонент из вариации стоимостных значений исключн. В данном исследовании для каждого исследуемого компонента денежного потока генерируется по 10 тыс. случайных рядов (испытаний). В одном и том же испытании s величины обратных функций распределений, соответствующих слупри совпадающих f и k одни и те же для чайным значениям всех p P. Тем самым моделируется подверженность всех трх проектов действию одних и тех же случайных факторов внешней среды в один и тот же момент времени. Данная особенность модели отличает е от моделей, рассмотренных в [26], и позволяет оценивать (в границах выполнимости предположений модели) корреляцию характеристик денежных потоков исследуемых проектов.

Гамма – распределение как двухпараметрическое семейство независимых величин характеризуется параметрами, которые найдены с помощью метода моментов нахождения оценок, при котором для гамма - распределения Откуда:

Или же, другими словами, в качестве среднего в данном случае выступает математическое ожидание элемента потока денежных средств, по которому проводится расчет, а именно соответствующий показатель из плана счетов. Выражение соответствует в данном случае дисперсии элемента потока денежных средств.

В нашем исследовании предполагается гамма-распределение общих издержек, затрат на персонал и налогов. Следуя вышеприведнным аргументам, аналогичным образом должны быть распределены затраты на материалы и комплектующие. Однако моделирование данного потока по гаммараспределению сталкивается с вычислительными трудностями. Большое значение эмпирически полученного параметра функции плотности гамма-расa пределения p( x) обратной функции данного распределения. Поэтому для данного показателя выбрано нормальное распределение (после проверки на пренебрежимо малую вероятность отрицательных значений). По аналогичным причинам нормальное распределение принято для поступлений от продаж.

По проектам гистограммы полученных распределений элементов потока денежных средств представлены в Приложении 3.В данном исследовании соответствие компонентов денежных потоков одному из двух вышеуказанных законов распределения вероятностей – это гипотеза, рамками которой ограничена корректность получаемых выводов. Предлагаемые распределения в принципе могут быть заменены более точными моделями данных случайных величин. Для этого требуется создание системы мониторинга реализуемых в настоящее время проектов на базе инфраструктуры информационноконсультационных служб. Благодаря ей можно будет накопить эмпирические данные по составляющим потоков денежных средств и проверить гипотезы о соответствии эмпирических распределений вероятностей значений этих рядов тому или иному теоретическому закону. Собранные данные окажутся полезными для решения не только указанной, но и многих других задач инвестиционного анализа и консультирования.

Определение случайных переменных и придание им соответствующего распределения вероятности является необходимым условием проведения анализа рисков. Успешно завершив эти этапы, можно перейти к стадии моделирования.Стадия «прогонов модели» является той частью процесса анализа риска, на которой всю рутинную работу выполняет компьютер. После того, как все допущения обоснованы, остается только последовательно просчитывать модель (каждый пересчет является одним «прогоном») до тех пор, пока будет получено достаточно значений для принятия решения (в нашем случае, 10.000 испытаний).

В ходе моделирования значения переменных выбираются случайно в соответствии с заданными законами распределения. Для каждого набора таких переменных вычисляется значение показателей NPV и IRR проекта. Все полученные значения сохраняются для последующей статистической обработки. На основе полученного эмпирического распределения чистой приведенной стоимости проекта рассчитывается вероятность получения отрицательного NPV.

В разработанном нами алгоритме обработки результатов компьютерного эксперимента итоговая матрица NPV значений выглядит следующим образом:

представляет собой величину чистой приведенной стоимости инвестиций, используя заданную ставку дисконтирования По итогам проведенного исследования рисков по проектам, при ставке дисконтирования 10% получены следующие статистические данные:

Таблица 6. Оценка риска проектов по результатам Плановое значение NPV, млн.руб.

Среднее расчетное NPV млн.руб.

IRR по данным разработчиков проекта, % Среднее расчетное IRR по всем испытаниям, % Среднеквадратическое Число отрицательных значений NPV, ед.

Вероятность получения отрицательного NPV, % Проведенный компьютерный эксперимент показал, что все проекты являются достаточно рискованными. Вероятность получения отрицательного NPV по проектам составляет 30-40%, что едва ли может привлечь инвестора.

Поэтому отсутствие разврнутого анализа рисков в проектной документации дезинформирует инвесторов, а значит, не способствует доверию с их стороны – необходимому условию инвестиционной привлекательности. Не имея в свом распоряжении разврнутых оценок риска, инвесторы с полным основанием будут предполагать очень высокие риски любых проектов, для которых их разработчик не доказал обратное, пользуясь достоверными данными и заслуживающими доверия методиками.

После вычисления эмпирического распределения NPV по каждому из проектов проведем исследование каждого из полученных распределений чистой приведенной стоимости на подчинение нормальному закону, что необходимо для построения модели в третьей главе настоящего исследования.

Для проверки гипотезы о нормальности распределения NPV были использованы показатели асимметрии и эксцесса.

Показатель асимметрии (А), отражающий степень несимметричности кривой дифференциальной функции экспериментального распределения по сравнению с дифференциальной функцией нормального распределения, рассчитывается по следующей формуле:

Показатель эксцесса (Е), отображающий вытянутость (возвышение) кривой дифференциальной функции экспериментального распределения по сравнению с дифференциальной функцией нормального распределения, рассчитывается по следующей формуле: