Экономика недвижимости

Практика анализа экономических рисков

При реализации доходного подхода к оценке в условиях неопределенности прогнозируются будущие доходы и изменения нормы отдачи на капитал. В связи с этим погрешность, с которой может быть рассчитана величина рыночной стоимости, будет определяться ошибками предсказания темпов изменения ставок арендной платы, потерь от недозагрузки и неплатежей, всех

видов операционных расходов, темпа инфляции и норм доходности финансовых инструментов. Количество параметров задачи оказывается весьма большим и в практике оценки первоочередной оказывается задача исключения из рассмотрения тех факторов риска, влияние которых на конечный результат оказывается пренебрежимо малым. Дифференциация факторов риска обеспечивается использованием упомянутой выше техники анализа чувствительности.

Анализ чувствительности к изменению факторов

Анализ чувствительности искомого показателя F к изменениям отдельных факторов fi сводится к ранжированию факторов данного типа риска по величине отношения φ=δF/δfj (здесь δfj =Δfj /fj, δF=ΔFj /F, ΔFj - изменение F при максимально возможном изменении Δfj величины фактора fj). Влияние фактора считается значимым, если φ≥1. При φ<<1 влиянием фактора можно пренебречь.

Многофакторный анализ рисков

Для измерения чувствительности изучаемого показателя к изменениям не единичного фактора (как было рассмотрено выше), а группы факторов риска применяется техника вариации сценариев. Обычно анализируются три альтернативных сценария - пессимистический («pes»), вероятный («most likely» - «ml») и оптимистический («opt»).

При моделировании пессимистического сценария предполагается, что с определенной (не стопроцентной) вероятностью Wpes= Wpesi, могут проявиться одновременно (равновероятно) самые неблагоприятные варианты каждого риска из всей совокупности рисков - с максимально возможными из мыслимых значений показателями опасности ΔFmaxi. Очевидно, что в этом случае величина искомой характеристики окажется минимально возможной Fmin=Fpes.

Оптимистический сценарий, напротив, «собирает» вместе наиболее благоприятные варианты развития событий, исходя из предположения, что все риски из совокупности минимальны (вариант безрисковый, с минимально возможными из мыслимых значений показателя опасности ΔFmini≈0) и равновероятны (с одинаковой вероятностью Wopt=Wopti). Можно ожидать, что в этом случае потери минимальны и искомый параметр может характеризоваться максимально возможной («безрисковой») величиной Fopt=Fmax.

Наконец, базовый (вероятный) сценарий, реализующийся с экспертно определяемой вероятностью Wml=Wmli, моделирует вариант прогноза развития ситуации с умеренной степенью опасности всей совокупности рисков (показатели опасности ΔFmidi) и соответствующей средней величиной искомой характеристики Fml=Fmid. Учитывая случайный характер каждого из прогнозных сценариев, можно рассчитать математическое ожидание Fw искомого результата, дисперсии σ2(Fw) и стандартного отклонения σ обработкой результатов, получаемых в результате анализа трех сценариев: Fw=WpesFmin+WmlFmid+WoptFmax.

Возможно уточнение приведенного выше варианта техники многофакторного анализа рисков с привлечением экспертов. Здесь вероятность сценария определена на основании обработки мнений экспертов, полученных с использованием алгоритма «балльных» оценок:

- эксперты определяют перечень наиболее важных критериев оценки сценариев;

- каждому критерию присваивают вес Gi в баллах (пятибалльная шкала);

- для оценки каждого критерия выбирается шкала;

- эксперты оценивают каждый сценарий по каждому критерию;

- вычисляется балл для каждого критерия, средний по группе экспертов.

На основании этих результатов вычисляется средневзвешенный балл Xj сценария j. Предполагается, что вероятность сценариев пропорциональна полученным баллам и сумма вероятностей равна 100%. Тогда вероятность j-го сценария Wj равна Wj=Xj /ΣXj.

Пара слов о методе имитационного моделирования Монте-Карло. Этот метод, позволяющий рассмотреть максимальное число сочетаний исходных данных (Ipgs, Kv&l, Koe, Ro), и оценить диапазон изменения результирующей переменной (Vo), реализуется стандартным алгоритмом. При этом, учитывая недостаток рыночных данных для объекта, рассмотренного в предыдущем примере, предполагается, что все факторы распределены равномерно.

После проверки генерируемой последовательности случайных факторов на мультиколлинеарность (по матрице парных коэффициентов корреляции), исследуется зависимость качества достижения заданного (равномерного) распределения и величины рыночной стоимости от числа испытаний. Установлено, что величина рыночной стоимости практически не изменяется с ростом числа испытаний после 10000 испытаний, а распределение для ставок арендной платы, близкое к равномерному, достигается только при числе испытаний, равном 20000. Полученное при этом распределение плотности вероятности для значений рыночной стоимости оказалось близким к нормальному.

Принятие решения о выборе варианта ННЭИ в условиях риска

Ранжирование факторов риска и самих рисков, обеспечиваемое на стадии анализа рисков, позволяет количественно обосновывать решения по выбору варианта реализации проекта из набора альтернативных вариантов. Этот инструментарий позволяет добавить к критерию максимальной продуктивности, используемому в рамках анализа и выбора ННЭИ, также и критерий приемлемого уровня рискованности варианта. Поскольку при принятии решений в условиях неопределенности вероятность событий и последствий удается оценивать далеко не всегда, кроме критериев приемлемости уровня риска (при принятии решений в условиях риска) рассмотрим также критерии принятия решений при отсутствии возможности оценки вероятности неблагоприятного развития процессов (решения в условиях неопределенности). Суть подхода к принятию решений в условиях неопределенности и риска рассмотрим с использованием таблицы эффективности решений.

 Скачать реферат