Анализ рисков инвестиционного проекта в сфере строительства

Размещено на http://www.allbest.ru/

Рис.1. Типичные параметры вероятного события (Т. Гордон)



С помощью метода Монте-Карло проводится имитация вероятностей появления того или иного события в рамках уже заданных параметров их распределения;

Корректировка первичного тренда с учетом возможных событий, определение нового среднего и области неопределенности;

Разработка вероятных сценариев на основе полученного тренда.

В качестве преимущества данного метода авторы отмечают интеграцию традиционных способов прогнозирования с качественным анализом влияния факторов. Как недостатки - наличие исторических данных достаточно длительного временного промежутка, на основе которых строится прогноз, а также то, что не учитывается влияние взаимосвязанных факторов [41].

Третья группа методов устраняет названный выше недостаток - анализ перекрестного влияния оценивает взаимосвязи между вероятными событиями. Широко используемыми в рамках данной группы являются методики INTERAX и BASICS. При построении модели INTERAX первый и второй шаг повторяют соответствующие шаги в вышеизложенном методе анализа влияния на тренд - первичная экстраполяция и определение набора будущих событий. Далее он предполагает составление матрицы взаимосвязи вероятных событий, которая отражает, как реализация одного события в будущем повлияет на вероятность реализации другого события (см. таблица 4) [28, с.385].

Таблица 4. Матрица взаимосвязи вероятных событий

	Вероятность события	Событие 1	Событие 2
Событие 1	0,37		0,8
Событие 2	0,16	1,2

Согласно таблице, вероятность наступления события 1 на основе экспертного мнения составляет 0, 37. Но реализация события 2 снизит это первоначальное значение до 29,6% (0,37Ч0,8), вероятность события 2 наоборот увеличится на 20%, если событие 1 произойдет [28, с.384-385]. После этого, как и в предыдущем методе, производится имитационное моделирование вероятностей событий по методу Монте-Карло и формируется набор сценариев.

Проанализировав основные подходы к формулированию возможных сценариев, можно сделать вывод, что некоторые из них базируются на качественной оценке вероятных рисков и мнении экспертов, тогда как другие, более формализованные методы объединяют и качественную, и количественную оценку вероятных будущих событий. Выбор той или иной методики построения сценариев должен осуществляться исходя целей, масштабов и временных перспектив проекта.

Для проекта строительства недвижимости может быть выбран метод анализа влияния на тренд (trend-impact analysis), так как он включает в себя и выражение экспертного мнения, и моделирование сценариев с помощью статистических испытаний. Данный подход может быть успешно применен для построения сценариев изменения цены в будущем, однако его довольно сложно использовать для других ключевых факторов риска. Например, сложно спрогнозировать действие факторов, их вероятность, период возникновения, которые могут привести к увеличению переменных расходов по проекту и увеличить риск превышения сметной стоимости строительства. Поэтому для таких переменных удобней использовать простые сценарии, задав только вероятность и диапазон их изменений.

Таким образом, алгоритм анализа проекта строительства жилой недвижимости, который в третьей главе будет реализован практически, можно представить в виде следующих этапов:

Сбор исторических данных и первичная экстраполяция цен за кв. метр жилой недвижимости в соответствии с горизонтом планирования и построение потоков доходов по проекту;

Определение ключевых внутренних и внешних факторов методом анализа чувствительности, их ранжирование в зависимости от значимости;

Экспертное определение набора будущих событий, которые могут изменить поведение цен, вероятности их реализации и величина воздействия (количественно);

Имитация вероятностей появления того или иного события в рамках уже заданных параметров их распределения (методом Монте-Карло);

Корректировка первичного тренда с учетом возможных событий, определение нового среднего (ожидаемый), максимума (оптимистичный) и минимума цен (пессимистичный сценарий);

Разработка сценариев для других ключевых факторов риска проекта и экспертное задание вероятностей из осуществления;

Построение "дерева событий", расчет интегрального показателя чистой приведенной стоимости и анализ результатов.

Графически его можно представить в виде последовательности шагов, представленных на рисунке 3. Нужно отметить, что первые шаги анализа - прогноз цен за кв. м. и расчет денежных потоков по проекту - могут быть реализованы еще в рамках оценки и обоснования эффективности проекта строительства. Если говорить об инвестиционных проектах другой направленности, например, производственных капиталовложениях, то и здесь расчет прогнозных цен на производимый товар уже может быть произведен, так как это основной параметр расчета входящих потоков NPV.

Так как рассмотрение методов прогнозирования выходит за рамки данной работы, отметим только, что для проекта строительства недвижимости необходимо делать прогноз цен для всех типов квартир, которые впоследствии будут реализованы. Это стоит сделать, так как стоимость кв. метра квартир может сильно различаться в зависимости от количества комнат или этажа. Если есть недостаток таких статистических данных, то можно делать прогноз для средних цен и затем использовать соответствующие корректировки.

Что касается расчета входящих денежных потоков, то для проекта строительства недвижимости процесс видится следующим образом: 1) на основе предыдущего опыта компании составляется прогнозный план продаж по типам квартир - в процентном соотношении или числовом выражении; 2) в соответствии с проектной документацией определяется средняя площадь 1-, 2-, 3-х комнатных квартир; 3) определяется количество кв. метров, которое в среднем будет реализовано в каждый из периодов прогноза; 4) эти значения затем умножается на стоимость одного кв. метра соответствующего периода, определяются притоки денежных средств от реализации квартир.

Если говорить об анализе чувствительности (II шаг алгоритма), то исследуемыми параметрами могут быть любые переменные, которые участвуют в расчете NPV. Для проекта строительства недвижимости это может быть: сметная величина расходов - как в совокупности, так и отдельная категория затрат. Для оценки управленческих рисков - внутренний риск инвестиционной фазы - необходимо изучить влияние изменения управленческих затрат на NPV проекта; для анализа рисков отношения местных властей - внешний риск прединвестиционной фазы - могут быть использованы расходы на получение разрешительной документации; для технико-производственных рисков (вероятность аварийной ситуации) - можно исследовать поведение NPV на изменение статьи непредвиденных расходов. Ставка по кредитным ресурсам или по налогу на прибыль, которые участвуют в расчете нормы дисконта, могут быть использованы для анализа процентного и институционального риска. Если в результате анализа будет выявлено незначительное влияние какого-либо фактора, дальше его можно не включать в модель.

Так как наиболее серьезный фактор риска для отрасли строительства недвижимости - неожиданное изменение цен за кв. метр, то сложные методики сценарного анализа полезно применить как раз для этого ключевого фактора. В результате для каждого периода прогноза можно сформировать объективную оценку стоимости жилой площади на основе ее исторических значений и с учетом мнения экспертов по поводу будущих событий. Такой всесторонний анализ может быть трудноосуществим для других ключевых факторов - сумме расходов, ставке по кредиту или налогу на прибыль, так как практически невозможно и даже излишне задавать диапазон изменения этих факторов для каждого периода. Именно поэтому, VI шаг алгоритма не предполагает для других "неценовых" переменных повторение всех этапов построения сложных сценариев с помощью метода анализа влияния на тренд. В данном случае удобней использовать метод интуитивной логики и задавать вероятность, диапазон изменений переменных на основе мнения экспертов. Таким образом, описав все этапы разработанного алгоритма, необходимо реализовать его на практике, что будет представлено в следующей главе.



3. Применение алгоритма сценарного анализа для проекта строительства жилой недвижимости

В современных условиях рынка недвижимости, когда цены за кв. метр, как и прогнозы по очередной рецессии противоречивы, техники сценарного анализа, комбинированные с другими методами оценки рисков могут быть наиболее эффективными. Разработанный алгоритм анализа проектных рисков позволяет минимизировать недостатки каждого из используемых методов, если бы они использовались по отдельности. На практике оценка риска предполагает знание параметров эффективности, поэтому в данной главе сначала будет дана краткая характеристика проекта строительства, по которой будут рассчитаны его ключевые показатели - потоки денежных средств и ставка дисконтирования. Впоследствии риски проекта будут оценены с помощью разработанного ранее алгоритма сценарного анализа и составлены рекомендации по его практическому использованию.

3.1 Описание проекта, прогноз доходной и расходной части

В качестве объекта исследования был выбран проект многоэтажного жилого комплекса во Всеволожском районе Ленинградской области, а именно строительство III и IV очереди. Корпус №3 представляет собой 22-25 этажный дом в сборно-монолитном исполнении, рассчитанный на 545 квартир общей площадью 24 648,74 м². Корпус № 4 предполагает меньшие объемы строительства: 24-этажное здание, рассчитанное на 216 квартир площадью 11 614,00 м².

В рамках проекта предусмотрены мероприятия по благоустройству территории (открытая стоянка для автомобилей, игровой комплекс и игровые сооружения для детей), коммерческие помещения отсутствуют. Проект осуществляет один из крупнейших застройщиков и девелоперов Северной Европы, основные параметры многоквартирных домов 3-го и 4-го этапа строительства представлены ниже в таблице 5.

Таблица 5. Общие характеристики и сроки реализации объектов III и IV очереди строительства

	Количество квартир, шт.	Начало строительства	Ввод в эксплуатацию
	1-комн.	2-комн.	3-комн.
Корпус 3	350	146	49	2 кв. 2013	4 кв. 2015 г.
Корпус 4	96	96	24	2 кв. 2015	3 кв. 2016 г.

Планируемая стоимость строительства домов III и IV очереди составляет 1 457 021 тыс. руб. и 757 576 тыс. руб. соответственно. Земельный участок, на котором ведется строительство, находится в собственности застройщика, поэтому связанные с ним расходы являются безвозвратными и далее в анализе не учитываются. Согласно расчетам, планируемый объем постоянных расходов (эксплуатационные расходы, по охране объекта, постоянные расходы отдела продаж и маркетинга) составляет около 14% от общей суммы затрат для III очереди и 15% для IV очереди (см. Приложение 2). Такой большой вес переменных расходов в составе затрат можно объяснить спецификой деятельности: инженерные, строительно-монтажные, отделочные работы требуют больших прямых затрат материалов и труда. Определив исходящие потоки денежных средств, можно перейти к формированию доходной части проекта -доходов от реализации квартир в соответствии с прогнозными ценами периодов.

Согласно поквартальному графику продаж за три периода 2013 года планируется реализовать 19% однокомнатных, 18% двухкомнатных и 14% всех трехкомнатных квартир III очереди строительства. Далее в 2014 г. планируется продать около 36% всех строящихся квартир, в 2015 г. - 39%, и уже после завершения строительства и сдачи дома III очереди в 2016 г. еще 7% квартир (см. табл. 6).



Таблица 6. Прогнозный план продаж по типам квартир

	2013 г.	2014 г.	2015 г.	2016 г.
Корпус №3
Однокомнатные кв.	68	126	134	22
Двухкомнатные кв.	27	49	57	13
Трехкомнатные кв.	7	19	19	4
Корпус №4
Однокомнатные кв.			34	62
Двухкомнатные кв.			33	63
Трехкомнатные кв.			6	18

Кроме плана реализации и площади строящихся квартир для расчета поквартальных поступлений от продаж необходима информация о ценах недвижимость, для чего далее будет сделан прогноз стоимости 1 кв. м. по типам квартир на 4 следующих года. Анализ динамики средних цен на первичном рынке жилья Санкт-Петербурга (за период с января 2001 г. по март 2013 г.) позволил выявить следующие тенденции [43]:

Среднегодовой прирост цен за кв. м. в этот период составил 20,18%, что обусловлено значительным подъемом рынка во II квартале 2006 г. - IV кв. 2008 г.;

Цены достигли максимума в октябре 2008 г., после чего был период падения рыночных индексов и последующее медленное восстановление рынка, но уже с меньшими темпами роста;

В период с января 2011 г. цена за кв. м. росла с темпом 0,724% в месяц (9% годовых), сезонные колебания незначительные, наблюдается линейная тенденция повышения цен.

На основе выявленных характеристик временного ряда (отсутствует сезонность, но явно выражен тренд) в качестве метода прогнозирования была выбрана двухпараметрическая модель экспоненциального сглаживания Хольта - аддитивная модель линейного роста, которая описывается системой рекуррентных уравнений [25, с. 641].



S_t=б₁Y_t+(1- б₁)(S_t-1+T_t-1)

T_t=б₂(S_t- S_t-1)+(1- б₂)T_t-1 (3.1)

Y_t+k= S_t + kT_t ,

где:

Y_t - известное значение цен за кв. м. жилой площади в момент t;

Y_t+k - прогноз цены за кв. м. на k шагов вперёд;

S_t - сглаженный уровень ряда в момент времени t;

T_t - сглаженный аддитивный тренд;

б₁ , б₂ - параметры сглаживания для уровня ряда и тренда;

Данная модель характеризуется тем, что значения уровня и тренда сглаживаются экспоненциально, с различными коэффициентами (б₁ и б₂), которые определяются исходя из известных значений цен. Прогнозирование осуществлялось на основе ряда данных, состоящего из среднемесячных значений цен за кв. м. жилья (147 наблюдений) за период с января 2001 г. по март 2013 г. Прогноз делался на 45 месяцев (максимальное k = 45), подбор оптимальных значений констант б₁ и б₂ осуществлялся с помощью надстройки Exel "Поиск решения" с целевой функцией

MSE= ?(Y_t - Y_t)²/n > min

и с учетом следующих ограничений:

б₁ ? 0

б₂ ? 0 (3.2)

Первые два условия - стандартные и широко используемые для прогноза в рамках данного метода, третье ограничение обеспечивает большую стабильность модели, как было выведено Дж. Макклейном и Л. Томасом в ходе исследования данной проблемы [24, с. 11]. Минимизация среднеквадратической ошибки прогнозирования (MSE) дала следующие оценки параметров сглаживания: б₁ = 1,23 и б₂ = 0,41. При этом средняя абсолютная ошибка в процентах (Mean Absolute Percentage Error) МАРЕ=4,293%, что означает, что в среднем прогноз отклоняется от фактических значений цен на 4,3%. Графическое отражение результатов прогноза представлено на рисунке 4.

Рис. 4. Прогнозирование цен за кв. м. площади на рынке первичной недвижимости в Санкт-Петербурге

Согласно данным прогноза, в январе 2014 г. средняя по городу цена за квадратный метр может составить 87 625,7 руб., в январе 2015 г. - 90 230,6 руб., а в январе 2016 года - 92 835 руб. Предсказанные по модели цены, представленные в таблице 7, будут корректироваться с поправкой на район города и тип квартир (1-, 2-, 3-комнатные) и затем использоваться при расчете поступлений от реализации квартир.

Таблица 7. Поквартальный прогноз средних цен за кв. м. на рынке недвижимости Санкт-Петербурга

Период	Средняя цена, руб.	Период	Средняя цена, руб.
3 кв. 2013 г.	86 540,32	2 кв. 2015 г.	91 098,85
4 кв. 2013 г.	87 191,54	3 кв. 2015 г.	91 750,07
1 кв. 2014 г.	87 842,76	4 кв. 2015 г.	92 401,29
2 кв. 2014 г.	88 493,98	1 кв. 2016 г.	93 052,51
3 кв. 2014 г.	89 145,20	2 кв. 2016 г.	93 703,73
4 кв. 2014 г.	89 796,42	3 кв. 2016 г.	94 354,94
1 кв. 2015 г.	90 447,63	4 кв. 2016 г.	95 006,16

Для построения доверительных интервалов для прогнозных значений воспользуемся следующей формулой, которая предполагает более широкий прогнозный интервал с увеличением горизонта прогноза k [30, с. 26]:

Y_инт= Y_t+k ± t^ст _{(N?n?1, 1?и)} Ч S_p, (3.3)

Y_t+k - точечный прогноз на момент t+k;

t^ст _{(N?n?1, 1?и)} - значение t-статистики Стьюдента (t^ст=1,977);

t - длина временного ряда; k - период упреждения;

S_p - стандартная ошибка прогноза.

Так, с 95% вероятностью можно говорить о том, что цена за кв. м. недвижимости в каждый из периодов времени будет находиться в пределах вычисленных интервальных значений (см. рисунок 5).

Рис. 5. Построение прогнозных интервалов для средних цен за кв. м. недвижимости в Санкт-Петербурге



Рассчитав средние прогнозные цены, необходимо внести поправки на район города и тип квартир (количество комнат). По данным портала "Бюллетень недвижимости" на дату 29.03.2013 средняя цена за кв. м. во Всеволожском районе составляла 0,786 средней цены за метр жилья в Санкт-Петербурге [43]. Кроме того, квадратный метр в однокомнатной квартире в данном районе стоит на 12,2% дороже, чем в среднем квадратный метр в том же районе (см. табл. 8). Таким образом, расчет итоговой поправки для 1-комнатной квартиры во Всеволожском районе можно представить как 0,786Ч1,122=0,882, т.е. квадратный метр жилья в 1-комн. квартире во Всеволожском районе стоит на 12% меньше, чем в среднем квадратный метр в Санкт-Петербурге.

Таблица 8. Расчет итоговой поправки на тип квартир и район города, руб.

	Тип квартир	Средняя цена
	1-комн.	2-комн.	3-комн.
Всеволожский район	74 546,9	66 069,8	58 685,5	66 434,07
Санкт-Петербург (все районы)	86 558,2	84 254,7	82 710,7	84 507,87
Поправка на тип кв. (Всеволожский р-н)	1,122	0,995	0,883	-
Итоговая поправка	0,882	0,782	0,694	-

Для оценки ожидаемых поступлений от реализации квартир, цены из таблицы 7 были скорректированы с учетом этих поправок, результат расчетов - прогнозные цены за кв. м. по типам квартир представлены в Приложении 3. Исходя из плана реализации и средней площади квартир, представленных в проекте, были сформированы поквартальные поступления от продаж. При планировании доходной части в расчет не принимались НДС, так как реализация квартир и услуги застройщика с 01.10.2010 г. не облагаются НДС [44] и план строительства не включает в себя площади коммерческого назначения. Таким образом, спрогнозировав уровень цен для каждого периода и рассчитав денежные потоки по проекту, можно переходить ко второму шагу алгоритма - анализу чувствительности NPV. Однако предварительно необходимо рассчитать ставку дисконтирования, по которой будут учитываться чистые потоки платежей в составе NPV.

3.2 Расчет ставки дисконтирования и анализ чувствительности чистой приведенной стоимости проекта

Одним из основных этапов расчета эффективности инвестиционного проекта с помощью дисконтированных моделей является корректное определение ставки дисконта, с целью привести разновременные потоки в сопоставимый вид. Корректный выбор ставки дисконтирования позволяет повысить точность основных показателей экономической эффективности оцениваемого проекта и обеспечить адекватность выполняемых расчетов экономическим условиям рыночной среды, в которой планируется его реализация. В экономическом смысле в роли ставки дисконта выступает требуемая инвесторами ставка дохода на вложенный капитал в сопоставимые по уровню риска объекты инвестирования.

В качестве оценки ставки дисконтирования при смешанной структуре финансирования была выбрана средневзвешенная стоимость капитала - модель WACC [38, с.14]:

WACC = W_e ? k_e + W_d ? k_d ?(1 - T), (3.4)

где:

W_e и W_d -- удельные веса собственного и заемного капитала;

k_e, k_d -- стоимость собственного и заемного капитала соответственно.

Для более корректного исчисления WACC была использована формула 3.5, которая учитывает величину процентов по кредиту, снижающих налогооблагаемую базу при расчете налога на прибыль. В соответствии со ст. 269 НК РФ предельная величина процентов, признаваемых расходом, с 01.01.2011 г. принимается равной ставке рефинансирования ЦБ РФ, увеличенной в 1,8 раз (при оформлении долгового обязательства в рублях) [9]. Таким образом, расчет ставки дисконта производился по адаптированной к требованиям НК РФ формуле [18, с.169]:

WACC = W_e ? k_e + W_d ? k_d ?(1-T? ), (3.5)

где:

R_ref - ставка рефинансирования (на дату прогноза потоков);

R - ставка процента по займам (кредитам).

Что касается стоимости собственного капитала проекта k_e, то он был рассчитан на основе однофакторной модели CAPM [8, с.60]:

k_e = R _r-f + в ? (R_m - R _r-f) , (3.6)

где:

R _r-f - ставка безрискового вложения на рынке;

R_m - доходность рыночного портфеля;

в - коэффициент относительной рискованности данного проекта по сравнению с инвестициями в рыночный портфель ценных бумаг.

Так как данный проект не выходит за рамки привычной деятельности компании, коэффициент в был принят равным в-коэффициенту акций компании -инициатора, а в качестве удельных весов источников капитала - прогнозные значения структуры капитала с учетом проектных инвестиций. Бета-фактор для акций компании, реализующей проект, на дату 08.04.13 по данным портала "Financial Times" составил 1.1 [46].

В качестве безрисковой ставки была выбрана среднесрочная ставка по ГКО, рассчитанная ЦБ РФ на дату 08.04.2013 [42]. Среднерыночная доходность была оценена по фондовому индексу РТС за период ретроспективного анализа с 01.04.09 по 01.04.13 и рассчитана по формуле 3.7.

???? =(3.7)

где:

????????₀ и ????????₁ - значение индекса РТС на начало и конец периода соответственно;

n - число периодов наблюдений (в данном случае n=4).

Так как значение индекса РТС на начало периода составило 832,87, на конец - 1423,34, среднерыночная ставка доходности ??_?? составила 14,36% [45]. С учетом схемы финансирования проекта доли собственного и заемного капитала остаются на прежнем уровне и составляют 0,412 и 0,588 соответственно. Таким образом, для расчета WACC по формуле 3.5 были собраны следующие данные:

R _r-f = 5,5% в= 1,1 ??_??=14,3% k_e =15,22%

W_e = 0,5882 k_d = 23,02% W_d = 0,4118 ??_ref = 8,25%

Рассчитанная по формуле 3.5 среднегодовая ставка дисконтирования составила 17,208%, квартальная ставка, рассчитанная с помощью формулы сложного процента, составила 4,049%. Данное значение ставки (квартальное) было использовано при дисконтировании потоков и оценке чистой приведенной стоимости проекта строительства.

Согласно результатам расчета, NPV в сумме по двум объектам составляет 289 881 млн. руб., индекс рентабельности инвестиций (PI) больше единицы и равен 1,18. Для дома III очереди строительства значение NPV равно 235 060 млн. руб., для IV - 54 821 млн. руб., тогда как рентабельность инвестиций по ним 1,21 и 1,12 соответственно (см. Приложение 4).

Чтобы оценить подверженность проекта различным видам риска, проведем анализ чувствительности NPV к изменению исходных показателей проекта, выбрав его чистую приведенную стоимость в качестве результирующего критерия. Были выбраны следующие исходные показатели и диапазоны их изменений: квартальные суммы переменных расходов (+/- 10%), рыночная цена за кв. м. (+/- 10%), а также средняя процентная ставка по заемным средствам (+/- 15%). Варьирование этих переменных - числовое выражение трех видов риска; в терминах первой главы - это риск превышения сметной стоимости строительства, отраслевой и процентный риск соответственно. Первый из них (перерасхода средств) представляет собой внутренний диверсифицируемый риск, два других - внешние систематические. Как было упомянуто выше, в процессе анализа могут быть выбраны любые другие переменные, использующиеся при расчете NPV, в соответствии с логическими соображениями и целью исследования. Результат изменений исследуемых параметров в допустимом диапазоне представлен ниже в таблице 9.

Таблица 9. Анализ чувствительности чистой приведенной стоимости проекта, млн. руб.

Показатель	Диапазон значений	NPV проекта, млн. руб.
	Пессимист.	Ожид.	Оптимист.	Пессимист.	Ожид.	Оптимист.
Переменные расходы, тыс. руб..	2 085,9	1 896,3	1 706,7	150,98	289,88	428,79
Поступления от продажи квартир, тыс. руб.	2 408,7	2 676,3	2 943,9	98,52	289,88	481,24
Ставка по кредиту, %	26,47	23,02	19,57	279,90	289,88	300,36

Как видно из таблицы, в первом случае при изменении переменных расходов на строительство в диапазоне +/- 10%, NPV проекта изменялось в диапазоне +/- 47,92%. В данном случае показатель эластичности, рассчитанный по формуле 1 равен 4,79. Влияние изменения прогнозной цены за кв. м. и, как следствие, поступлений от реализации квартир (+/- 10%) на NPV еще значительней, здесь изменение составило 66%, коэффициент эластичности - 6,6. Изменение ставок по кредитным ресурсам в допустимом диапазоне +/- 15% вызвало незначительное изменение чистой приведенной стоимости проекта на 3,61% (К_эл=0,24). Таким образом, наиболее важным параметром, определяющим риск проекта в данной сфере, как и ожидалось, можно назвать непредвиденные изменения рыночных цен за метр жилой площади, тогда как процентный риск проекта не так высок - поэтому дальше в анализе он использоваться не будет. В соответствии с этим, углубленные методики разработки сценариев на основе исторических значений и с учетом мнения экспертов будем применять только для фактора цены, а для величины переменных расходов - используем метод интуитивной логики.

3.3 Построение вероятных сценариев методом анализа влияния на тренд

Так как ранее уже была сделана первичная экстраполяция цен на квартиры, для проведения сценарного анализа рыночных рисков необходимо определить набор и вероятности будущих событий, которые могут изменить выявленные тенденции. Экспертным методом были заданы шесть факторов, способных повлиять на ситуацию на рынке и цены на недвижимость в г. Санкт-Петербурге:

Стремительное увеличение темпов прироста населения, миграционный приток;

Рост экономической и инвестиционной привлекательности города, расширение его территории;

Снижение темпов роста среднедушевых доходов населения (снижение платежеспособного спроса);

Средне- и долгосрочное снижение цен на нефть, снижение курса рубля, инвестиционной активности и, как следствие, цен за кв. м.;

Повышение цен на нефть, укрепление курса рубля и повышение цен на недвижимость;

Развитие ипотечного кредитования, повышение спроса на недвижимость. Эти события были оценены как достаточно вероятные, а их воздействие на средние цены и рынок недвижимости в целом - как сильное. Вероятность их реализации в будущем, а также степень влияния на ценовой тренд в каждый из периодов прогноза по проекту.

Далее применялся алгоритм имитационного моделирования: для каждого из 6 событий случайным образом выбиралось число от 1 до 100. Если вероятность реализации события в заданный период превышала случайное число, то событие происходило. Затем оценивалось суммарное воздействие на ценовой тренд как алгебраическая сумма всех воздействий в каждый из периодов прогноза. Эти операции многократно повторялись (2000 интераций), по каждому кварталу определялось среднее значение влияние на цену, минимум и максимум, а затем уже среднее по полученным значениям. Графически результат имитационного моделирования представлен на рисунке 6.

Рис. 6. Сравнение результатов имитационного моделирования Монте-Карло и первичной экстраполяции цен за кв. метр (методом Хольта)

Как можно заметить, полученное в результате моделирования Монте-Карло среднее значение цен превышает сделанный ранее прогноз, что говорит о преобладании оптимистичных сценариев в исходном наборе факторов. Однако разрыв между минимально и максимально возможной ценой за кв. метр - прогнозный интервал - значительно увеличился по сравнению с тем, что был сделан в ходе первичной экстраполяции данных (см. рис. 5). Так, максимальное отклонение нижнего порога значений от прогнозных (плановых) значений цен составляет 24%, а верхнего порога - 25%, при этом степень неопределенности возрастает в конце 2015 г.

Скорректировав первичный тренд с учетом возможных событий и определив три возможных сценария поведения цен на недвижимость, необходимо учесть поправки на район города и тип квартир, как это было сделано ранее. Новое значение чистой приведенной стоимости проекта, рассчитанное на основе наиболее вероятных цен в рамках сценариев, составило 328 815 тыс. руб., рентабельность инвестиций PI - 1,2 (больше единицы). Минимум цен, заданный с помощью имитационного моделирования, будет рассматриваться как "Пессимистичный сценарий", максимум - как "Оптимистичный сценарий", а новый скорректированный тренд средних значений - как "Ожидаемый сценарий".

В качестве второго изменяемого показателя на основе анализа чувствительности NPV была выбрана величина переменных расходов. Диапазон колебаний VC оставим прежний (+/- 10%), а возможные ситуации, обусловленные колебаниями этих факторов, опишем в виде дерева событий

Так как модель не динамическая, порядок учета факторов не столь важен и переменные расходы могли бы быть в основании дерева. Так же как и для цен, вероятность того, что расходы по проекту остаются неизменными - была принята за 0.6, а вероятность повышения стоимости строительства была взята равной вероятности ее снижения (P=0,2). Кратко опишем ситуации, которые возникают, NPV для каждого сценария приведены на рисунке:

Ситуация I: "Оптимистичный сценарий" изменения прогнозных цен за кв.м. Вероятность ситуации = 0,2

Сценарий №1: При этом происходит повышение стоимости строительства на 10% от прогнозного значения. Вероятность сценария в рамках данной ситуации = 0,2. Общая вероятность сценария =0,2?0,2=0,04.

Сценарий №2: Расходы по проекту остаются неизменными. Вероятность сценария в рамках данной ситуации = 0,6. Общая вероятность сценария =0,2?0,6=0,12.

Сценарий №3: Снижение стоимости строительства на 10% от прогнозного значения. Вероятность сценария в рамках данной ситуации = 0,2. Общая вероятность сценария =0,2?0,2=0,04.

Ситуация II: "Ожидаемый сценарий" изменения прогнозных цен. Вероятность ситуации = 0,6.

Сценарий №4: При этом происходит повышение стоимости строительства на 10% от прогнозного значения. Вероятность сценария в рамках данной ситуации = 0,2. Общая вероятность сценария =0,6?0,2=0,12.

Сценарий №5: Расходы по проекту остаются неизменными. Вероятность сценария в рамках данной ситуации = 0,6. Общая вероятность сценария =0,6?0,6=0,36.

Сценарий №6: Снижение стоимости строительства на 10% от прогнозного значения. Вероятность сценария в рамках данной ситуации = 0,2. Общая вероятность сценария =0,6?0,2=0,12.

Ситуация III: "Пессимистичный сценарий" изменения цен на недвижимость. Вероятность ситуации = 0,2.

Сценарий №7: Повышение стоимости строительства на 10% от прогнозного значения. Вероятность сценария в рамках данной ситуации = 0,2. Общая вероятность сценария =0,2?0,2=0,04.

Сценарий №8: Расходы по проекту остаются неизменными. Вероятность сценария в рамках данной ситуации = 0,6. Общая вероятность сценария =0,2?0,6=0,12.

Сценарий №9: Снижение стоимости строительства на 10% от прогнозного значения. Вероятность сценария в рамках данной ситуации = 0,2. Общая вероятность сценария =0,2?0,2=0,04.

В сумме 9 вероятностей дают единицу, умножая значения вероятностей наступления каждого из сценариев на соответствующие значения чистой приведенной стоимости, получаем наиболее вероятное значение NPV равное 336 255, 38 тыс. руб. Данное значение чистой приведенной стоимости на 16% выше прогнозной величины (289,881 млн. руб.), которая была получена в результате первичной экстраполяции цен без учета возможных колебаний факторов.

Если говорить о сценариях изменения цен на недвижимость, то "Пессимистичный сценарий" и неизменные переменные расходы дают суммарное NPV 49 924 тыс. руб., а рентабельность инвестиций (PI) всего 1,03. "Оптимистичный сценарий" изменения цен и расходы в пределах плановых ведут к росту NPV до 644 908 тыс. руб., при этом PI корпуса №4 возрастает до 1,44. Что касается вероятности того, что NPV примет значение меньше или равное нулю, то она составляет менее 6% (см. таблица 10). В то же время риск того, что NPV примет значение на 20% меньше среднего ожидаемого, но останется положительным - 31,84%. С вероятностью 42,37% NPV превысит ожидаемое значение на 10% и будет больше 370 млн. руб.

Таблица 10. Вероятностно-статистический анализ результатов сценарного анализа

Условие	Вероятность, %
Р (NPV<=0)	5,85
Р (NPV<= NPVmin)	1,82
Р (NPV>= µ +10%)	42,37
Р (NPV<= µ -20%)	31,84

Среднеквадратическое отклонение NPV составило 214,5 млн. руб., коэффициент вариации - 63%. Таким образом, с вероятностью 68,26% можно ожидать, что значение чистой приведенной стоимости проекта будет в пределах µ±у = (121,7; 550,8) млн. руб. Так как коэффициент вариации равен 63%, цена риска по проекту так же с вероятностью 68% может быть охарактеризована как 63 руб. возможных потерь (или наоборот выигрыша) на 100 руб. среднего дохода от проекта. Вследствие сильной вариации чистой приведенной стоимости проекта, его можно назвать рискованным, неопределенность ценовых тенденций на рынке недвижимости сказалась на прогнозных показателях проекта.

3.4 Анализ результатов и разработка рекомендаций

Анализируя полученные результаты, нужно отметить, что сценарный метод в данном случае дает высокую оценку вариации чистой приведенной стоимости. Во-первых, на это повлияло наличие сильно рисковых кризисных ситуаций в наборе будущих событий, что обеспечило достаточно большой размах прогнозных цен. Эксперты придали большое значение влиянию цен на нефть и курса рубля на уровень цен на недвижимость. Во-вторых, сильную вариацию NPV можно объяснить большой долей переменных затрат в структуре расходов по проекту, которые подвергались изменению при построении сценариев и описывались "Ситуацией II". Если бы анализировалась только часть переменных расходов - статьи управленческих или непредвиденных расходов в рамках оценки иного вида риска, то вариация NPV снизилась бы значительно.

В целом реализацию сценарного метода на практике для проекта строительства недвижимости можно назвать эффективной и приемлемой: были учтены самые нереалистичные сценарии развития рынка, которые эксперты считают возможными в нестабильных посткризисных условиях. Более того, благодаря моделированию с помощью случайных чисел и большому числу статистических испытаний эти сценарии - мнения экспертов - носят вероятностный характер, что улучшает качество оценки. Применение разработанного алгоритма для проектов в сфере строительства может быть критически важно в следующих случаях:

Рынок недвижимости неустойчив, а цены на нем волатильны, прогнозы экспертов по поводу уровня цен в будущем сильно расходятся;

Проект предполагает масштабные вложения и длительный жизненный цикл - плановые сроки строительства превышают 5 лет;

Проект имеет небольшой "запас прочности", т.е. прогнозная величина NPV невелика, рентабельность капитала низкая;

Компания не обладает большим запасом капитала или только вышла на рынок, поэтому требуется качественный анализ рисков;

Компания не ведет других видов деятельности, занимается только строительством недвижимости, поэтому сильно зависит от цен в будущем.

На деле может быть достаточно и одного признака: одной из главных областей риска является изменение рыночных условий - уровня цен за кв. метр жилья, так как российский рынок недвижимости нестабилен и сильно зависит от множества внешних косвенных факторов (цены на нефть, курс рубля к доллару). Применение разработанного алгоритма для таких компаний и проектов отразится позитивно на их деятельности в силу многих причин.

Во-первых, предложенный алгоритм способствует принятию более сбалансированного и объективного решения по проекту. Если интегральный показатель NPV с учетом всех возможных пессимистичных и оптимистичных сценариев оказался выше прогнозного, то, скорее всего, эффективность проекта превысит плановое значение. Следовательно, рыночная конъюнктура благоприятная, и проект строительства нужно реализовать. Такое эффективное, своевременное вложение капитала в проект ведет к достижению нового уровня прибыльности, повышению стоимости и конкурентоспособности компании.

Во-вторых, применение алгоритма позволит в полной мере учесть рыночный риск снижения цены за кв. м., и с наступлением спада на рынке недвижимости компания не будет испытывать большой недостаток денежных средств. Прогнозные потоки доходов при пессимистичном сценарии менеджерам компании уже будут известны, и они смогут контролировать денежный остаток средств в самой критической ситуации.

Ограничивать применение сценарного анализа для проектов строительства недвижимости может отсутствие исторических данных длительного временного промежутка о ценах, без которых не может быть сделана качественная первичная экстраполяция. Кроме того, применение разработанного алгоритма для оценки рисков может быть излишним, если проект краткосрочный, и события, которые могут повлиять на тренд цены, вряд ли произойдут в действительности в период прогноза.

Вследствие того, что по уже установленным причинам сценарный метод дает завышенную оценку дисперсии NPV, основным результатом проведения анализа можно считать новый тренд цен, который определяется с учетом вероятности возникновения в будущем благоприятных или неблагоприятных для инвестора событий (определяется на V шаге алгоритма). Этот уровень цен, отличающийся от прогноза только по историческим данным, а также интегральный показатель чистой приведенной стоимости - могут считаться наиболее точными предсказаниями по поводу эффективности проекта.

Ключевой особенностью модели является то, что для наиболее важных рисков проекта (помимо риска изменения цен) также можно формулировать сценарии как с помощью простого присваивания вероятности и влияния, так и с помощью сложного механизма TIA. Как было замечено выше, для проекта строительства недвижимости это могут быть: управленческий риск, риск отношения местных властей, технико-производственный риск (вероятность аварийной ситуации) и др. Во всех этих случаях рассматривается соответствующая плановая статья затрат и факторы, которые могут повлиять на ее увеличение или уменьшение. В данной работе основное внимание было уделено риску изменения цен, поэтому изменение остальных факторов проекта строительства было задано интуитивно, чтобы не загружать модель. Однако в условиях масштабного инвестиционного проекта для таких переменных можно применять такой же алгоритм, как и при разработке ценовых сценариев. Это позволит предвидеть возможные риски, объективно и всесторонне их оценить, а также выработать систему мер по уменьшению последствий.

Важным результатом работы является и то, что представленный алгоритм сценарного анализа можно применять не только для проектов в сфере строительства недвижимости. Он может быть использован для инвестиционных проектов совершенно другого характера и направленности, для этого необходимо изменить набор ключевых переменных. Так, для проектов производственных капиталовложений можно разработать сценарии изменения цен на производимые товары в будущем, оценив при этом рыночный риск. В целом, алгоритм принципиально ничем не отличается, необходимо только правильно задать все факторы риска, переменные, которые его определяют, а также набор будущих событий, которые могут повлиять на тренд.

риск инвестиционный строительство дисконтирование



Заключение

В работе были освещены теоретические аспекты понятия "риск", его основные элементы и классификации. Обобщая литературу по данной проблеме, проектные риски в строительной сфере были определены как численно измеримая вероятность незапланированного возникновения дополнительных убытков (получения экономических выгод) в рамках реализуемого проекта или связанной с ним деятельности. Также была предложена классификация рисков проекта строительства в соответствии с фазой жизненного цикла (прединвестиционной, инвестиционной и эксплуатационной). При этом риски каждого из периодов подразделяются на внешние - недиверсифицируемые, зависящие от внешней среды, и внутренние - определяемые деятельностью компании-инициатора.

Далее был сделан обзор и анализ существующих методов оценки рисков проекта: качественных (метод экспертных оценок, аналогий, анализ уместности затрат) и количественных (метод корректировки нормы дисконта, расчета критических точек, анализ чувствительности, имитационное моделирование). В ходе анализа было выявлено, что качественный подход можно использовать скорее для предварительной оценки проектов, выявления возможных видов рисков и описания источников их возникновения. Эти методы могут быть полезны для описания возможных рисков, а не для получения оценки риска, соизмеримого с масштабами инвестиционного проекта.

Алгоритмы методов количественного подхода также имеют свои недостатки и достоинства, их задачей можно назвать определение численной величины вероятных потерь - степени риска. Так, было установлено, что наиболее полно оценить величину и вероятность возможных убытков, а также принимать эффективные решения по управлению риском можно только при условии использовании комплексного подхода. Это можно реализовать с помощью интегрирования описанных техник количественного подхода - анализа чувствительности, дерева решений и имитационного моделирования Монте-Карло - в алгоритм сценарного анализа рисков.

Анализ и обобщение подходов к определению, классификации и разработке сценариев позволил выделить три группы методов по построению вероятных сценариев - методы интуитивной логики (intuitive logics), анализа влияния на тренд (trend-impact analysis) и анализа перекрестного влияния (cross-impact analysis). Первый подход полностью основан на мнении и интуиции экспертов, тогда как два других предусматривают как использование экспертных мнений, так и математического анализа и моделирования. Суть данных методик заключается в экстраполяции трендов ключевых переменных проекта и их последующей модификации с учетом возможных будущих событий.

В результате анализа различных подходов было установлено, что для проекта строительства недвижимости, а именно для прогноза цен за кв. метр, может быть выбран метод анализа влияния на тренд (TIA). Неопределенность рыночных условий и тенденций поведения цен за кв. метр жилья в настоящий момент представляют собой риск проекта, который наиболее точно может быть оценен только сценарным методом. Таким образом, был разработан алгоритм анализа рисков проекта по строительству недвижимости, который можно представить в виде следующих этапов:

Сбор исторических данных и первичная экстраполяция цен за кв. метр жилой недвижимости в соответствии с горизонтом планирования и построение потоков доходов по проекту;

Определение ключевых внутренних и внешних факторов методом анализа чувствительности, их ранжирование в зависимости от значимости;

Экспертное определение набора будущих событий, которые могут изменить поведение цен, вероятности их реализации и величина воздействия (количественно);

Имитация вероятностей появления того или иного события в рамках уже заданных параметров их распределения (методом Монте-Карло);

Корректировка первичного тренда с учетом возможных событий, определение нового среднего (ожидаемый), максимума (оптимистичный) и минимума цен (пессимистичный сценарий);

Разработка сценариев для других ключевых факторов риска проекта и экспертное задание вероятностей из осуществления;

Построение "дерева сценариев", расчет интегрального показателя чистой приведенной стоимости и анализ результатов.

Так как наиболее серьезный фактор риска для отрасли строительства недвижимости - неожиданное изменение цен за кв. метр, то углубленные методики сценарного анализа полезно применить как раз для этого ключевого фактора. В то время как для остальных можно использовать метод интуитивной логики и задавать вероятность, диапазон изменений переменных на основе мнения экспертов. Разработанный алгоритм анализа проектных рисков позволяет минимизировать недостатки каждого из используемых методов, если бы они использовались по отдельности.

Практическая реализация разработанного алгоритма была проведена на примере проекта строительства III и IV очереди многоэтажного жилого комплекса во Всеволожском районе Ленинградской области. Анализ динамики средних цен на первичном рынке жилья Санкт-Петербурга (за период с января 2001 г. по март 2013 г.) позволил в качестве метода прогнозирования выбрать двухпараметрическую модель экспоненциального сглаживания Хольта, так как в данном временном ряду отсутствовала сезонность и явно выражен тренд. Прогноз делался на 45 месяцев, согласно данным прогноза - в январе 2014 г. средняя по городу цена за квадратный метр может составить 87 625,7 руб., в январе 2015 г. - 90 230,6 руб., а в январе 2016 года - 92 835 руб. Предсказанные по модели цены далее корректировались с поправкой на район города и тип квартир (1-, 2-, 3-комнатные) и затем использовались при расчете поквартальных поступлений от реализации жилой площади (I шаг алгоритма).

Так как одним из основных этапов оценки эффективности инвестиционного проекта с помощью дисконтированных моделей является корректное определение ставки дисконта, далее была рассчитана средневзвешенная стоимость капитала с учетом величины процентов по кредиту, снижающих налогооблагаемую базу при расчете налога на прибыль. Годовая ставка составила 17,21%, квартальная ставка (использовалась при последующих расчетах) - 4,05%.

Согласно результатам расчета, NPV в сумме по двум объектам составило 289 881 тыс. руб., индекс рентабельности инвестиций (PI) - больше единицы и равен 1,18. Чтобы оценить подверженность проекта различным видам риска, был проведен анализ чувствительности NPV к изменению исходных показателей проекта, что соответствует II шагу алгоритма. В качестве варьируемых переменных использовались: квартальные суммы переменных расходов (риск превышения сметной стоимости), рыночная цена за кв. м. (отраслевой риск), а также средняя процентная ставка по заемным средствам (процентный риск). Наибольшее влияние на итоговый показатель по проекту произвело изменение прогнозной цены за кв. м. - коэффициент эластичности составил 6,6; в случае изменения переменных расходов показатель эластичности также был высок (К_эл=4,79); изменение ставок по кредитным ресурсам вызвало незначительное изменение NPV (К_эл=0,24). Низкая эластичность NPV к изменению ставки по займам позволила сократить количество переменных до двух.

Для осуществления III шага алгоритма экспертным методом были заданы 6 факторов, способных повлиять на цены на недвижимость в г. Санкт-Петербурге, среди них - миграционный приток, рост экономической и инвестиционной привлекательности города, снижение платежеспособного спроса, изменение цен на нефть (падение и повышение курса рубля), а также развитие ипотечного кредитования. Вероятность их реализации в будущем, а также степень влияния на ценовой тренд в каждый из периодов прогноза далее моделировались с помощью механизма случайных чисел (IV шаг алгоритма). Полученное в результате моделирования Монте-Карло среднее значение цен превысило прогноз, поэтому новое значение NPV, рассчитанное на основе наиболее вероятных цен в рамках сценариев, составило 328 815 тыс. руб. (V шаг алгоритма).

Построение "дерева сценариев" по двум ключевым факторам - цене за кв. м., величине переменных расходов - показало, что наиболее вероятное значение NPV проекта составляет 336, 3 млн. руб., что на 16% выше прогнозной величины 289,881 млн. руб. Среднеквадратическое отклонение NPV составило 214,5 млн. руб., коэффициент вариации - 63% (VI и VII шаг алгоритма). Анализируя результаты, было отмечено, что оценка вариации NPV может быть несколько завышена. Во-первых, на это повлияло наличие сильно рисковых кризисных ситуаций в наборе будущих событий и большой размах прогнозных цен. Во-вторых, сильную вариацию NPV можно объяснить большой долей переменных затрат в структуре расходов. Если бы анализировалась только часть переменных расходов - статьи управленческих или непредвиденных расходов в рамках оценки иного вида риска, то вариация NPV снизилась бы значительно.

В целом реализацию сценарного метода на практике для проекта строительства недвижимости можно назвать эффективной: были учтены самые нереалистичные сценарии развития рынка, которые эксперты считают возможными в нестабильных посткризисных условиях. Применение разработанного алгоритма для проектов в сфере строительства может быть критически важно, если: 1) ценовые прогнозы экспертов сильно расходятся; 2) проект предполагает крупные вложения, длительный жизненный цикл или небольшой "запас прочности"; 3) компания не обладает большим запасом капитала, недавно вышла на рынок или занимается только строительством и продажей недвижимости.

Применение разработанного алгоритма для таких компаний и проектов отразится позитивно на их деятельности. Во-первых, предложенный алгоритм способствует принятию более сбалансированного решения по проекту. Если интегральный показатель NPV с учетом всех пессимистичных и оптимистичных сценариев оказался выше прогнозного, то, скорее всего, эффективность проекта превысит плановое значение. Такое своевременное вложение капитала в проект ведет к достижению нового уровня прибыльности и повышению стоимости компании. Во-вторых, применение алгоритма позволит в полной мере учесть рыночный риск снижения цены за кв. м., и с наступлением спада компания не будет испытывать большой недостаток денежных средств.

Ограничивать использование сценарного анализа может отсутствие исторических данных длительного временного промежутка о ценах. Кроме того, применение разработанного алгоритма для оценки рисков может быть излишним, если проект краткосрочный, и события, которые могут повлиять на тренд цены, вряд ли произойдут в действительности в период прогноза. Представленный алгоритм можно применять для оценки инвестиционных проектов совершенно другого характера, при этом принципиальных поправок в него можно не вносить. Такой комплексный подход позволит предвидеть возможные риски, объективно и всесторонне их оценить, а также выработать систему мер по уменьшению последствий.

...