Диссертация (1152623), страница 11
Текст из файла (страница 11)
Ограничение рискового компонента (рисковой составляющейстоимости) целесообразно установить на уровне 50% от стоимости,находящейся под управлением субъекта ИСП: lim r→50%*С.2.Стратегия «средний приоритет – средние риски» подразумеваетраспределениерисковпроектногоуровня(3уровень)застройщика,подрядчика и субподрядчика на инвестора в 50% размере. Ограничениерискового компонента на уровне субъектов управления (владельцев риска)задать на уровне 30%: lim r→30%*С.3.При реализации ИСП по стратегии «низкий приоритет – низкиериски» трансфер рисков не предусмотрен, кроме рисков непредвиденногохарактера или ранее оговоренных условий в индивидуальном порядке между6970участниками ИСП.
Ограничение рискового компонента на уровне 10%: limr→10%*Сi.4.Риски организационной структуры (1 уровень агрегированияриска) владельцем риска сторонним организациям не передаются, а являютсясферойответственностиистимулирующеймеройпоповышениюэффективности бизнес-структуры.Диссертационное исследование ограничено анализом экономическихвзаимосвязейосновныхучастниковИСП,исистемаконтрактныхвзаимоотношений не является предметом исследования. Тем не менее вдоговорных отношениях субъектов ИСП должны быть отмечены исогласованы основные методы и подходы к оценке рисков, сформулированмеханизм передачи рисков на основе оценки рисковой стратегии управленияИСП.2.2.
Квантификация рисков участников ИСП по трем уровням:проектный, внутренних бизнес-процессов, организационнойструктурыПервичной задачей при определении стоимости рисков являетсяопределение рисковой стратегии ИСП, которая подробно изложена впараграфе 2.1. Далее оценка рисков инвестиционно-строительного проектабудет производиться по трем уровням:1. Уровень проектных рисков;2. Уровень рисков внутренних бизнес-процессов организации;3. Уровень рисков организационной структуры.Оценка рисков проектного уровняИмитационное моделированиепо методу Монте-Карло – эточисленный метод осуществления вычислительных экспериментов с помощьюкомпьютерных технологий, при котором в рамках математических моделей7071имитируетсяповедениереальныхобъектовилисистемвтечениеопределенно заданного периода времени и с фиксированной частотой.Использование метода имитации Монте-Карлов решении задачквантификации риска способствует построению распределения вероятностейрисковых затрат проекта, так как единичное испытание подразумеваетопределенный сценарий реализации рисковых событий.
Единичные риски,выявленные и сформулированные в логическую модель, случайным образомв совокупности дают общий риск проекта.Использование метода Монте-Карло для моделирования событий,связанных с риском, значения событий, которые могут содержать риски вразличной степени проявления или не содержать, выбираются случайнымобразом из заданных распределений вероятности. Итерация – это единичныйэксперимент, представляющий собой уникальную выборку значений. Числоитераций в рамках исследования может достигать сотни и тысяч, а итог –распределение вероятностей возможных последствий, т.е. ущерба илистоимости рисков. Поставленная задача – формирование обоснованнойплаты за риск должна решаться с помощью объективных статистическихимитационных методов.ВрамкахимитациипометодуМонте-Карлоразыгрываютсяразнообразные рисковые ситуации, где каждое испытание – это одинсценарий риска с определенной комбинацией рисковых подпроцессов.Процессимитациирисковыхсценариевподверженстохастическомупроцессу подбора случайных чисел.
Входные данные для моделированиякаждого выявленного риска, которые необходимо задать:−Плотность вероятности возникновения рискового события.Плотностью распределения (или плотностью вероятности) непрерывнойслучайной величины X в точке x называется производная ее функциираспределения в этой точке и обозначается f(x). График плотностираспределения называется кривой распределения [104];−Функция плотности ущерба.7172Сумма реализовавшихся ущербов под влиянием отдельных рисков впроцессе моделирования определит совокупные рисковые затраты покаждому сценарию. Возникновение рисковой ситуации и получениесоответствующего ущерба на j-ой имитации будет происходить за счетреализации двух шагов моделирования.Шаг 1.
Оценка вероятности возникновения риска, наоснове которой возможно определение плотности вероятностизакон распределенияидискретной случайной переменной(возникновения риска), которая может принимать значение от 0 до 1или[33].{}(6)∑, где– плотность вероятности случайной переменной;– вероятность возникновения k-ой рисковой ситуации;– значение переменной при возникновении рисковой ситуации;–значениепеременной,еслирисковаяситуациянереализовалась.Стоит отметить, чтоипредставляют собой множителикаждого имитационного эксперимента, позволяющие определить величинуущерба от риска.Если задана вероятность возникновения k-ой рисковой ситуациито с помощью случайного числаопределяется оценка,через обратную функцию G(Fдля j-ой итерации и k-ой рисковой ситуации:()()(8), где() – обратная функция к;– значение случайной переменной W для k-ого риска в процессе jой итерации;7273– случайное число для определения.Шаг 2.
Оценка величины ущерба от k-ой рисковой ситуации.Аналитическая работа на данном шаге сопряжена с выбором наиболееподходящей формы модели распределения вероятности рисковой нагрузки.В процессе имитационного моделирования описание неопределенныхпеременныхпроисходитприпомощираспределениявероятностей.Распределение вероятностей — это закон, описывающий область значенийслучайной величины и вероятности их исхода (появления) [82]. Наибольшеераспространение получили следующие распределения вероятностей:Нормальное распределение (распределение Гаусса). Исследуемаявеличина подчиняется нормальному распределению, когда присутствуетподверженность влиянию большого числа случайных внешних параметров.
Вестественной природной среде нормальное распределение – это наиболеечасто встречаемое распределение вероятностей величины. Нормальноераспределение определяется или задается с помощью двух параметров:математического ожидания (значения среднего) и стандартного отклонения(разброса или степени смещения от среднего) [67].Треугольноераспределение.Данноераспределениеопределяетсязаданием трех параметров значения исследуемой величины. Необходимозадать минимальное значение исследуемой величины, ее максимальноезначение и наиболее вероятное. Данный вид распределения не характерендля стохастических процессов, тем не менее используется, так как упрощаетпроцессмоделированияиуменьшаетсложностьвычисленийприприемлемом уровне точности.На практике треугольное распределение становится приемлемым приограниченном, малом числе наблюдений случайной величины.
Гипотеза отреугольном распределении какого-либо параметра свидетельствует о малойстепени изученности поведения моделируемой случайно величины, тем неменее наиболее удачной при отсутствии опровергающих ее данных.7374Логнормальное распределение. Относится к двухпараметрическомусемейству абсолютно непрерывных распределений.
Применяется в томслучае, если исследуемая величина не принимает значения меньше нуля, атакже может принимать неограниченно положительное значение. К числупеременных в экономике, которые могут быть описаны логонормальнымраспределением, можно отнести цену недвижимого имущества, стоимостьфинансовых инструментов (акции, облигации и др.).Равномерноераспределение.Представляетсобойраспределениеслучайной величины, которая на интервале значений от a до b принимаетслучайное значение с равной вероятностью, т.е. плотность вероятности такойвеличины в заданном интервале постоянна.
При моделировании рисковыхпроцессов равномерное распределение может задаваться производственнымиздержкам или доходам от будущих продаж через задание максимального иминимального значения величин (определения a и b).(бета-распределениеPERT-распределениеилиBetaPERT).Бета-распределение представляет собой наиболее универсальный способ описаниянепрерывнойслучайнойвеличины,обладающейодномодальности, плотность распределения которой имеетсвойствомдветочкипересечения с осью абсцисс [17].Данное распределение используется в PERT-методе для оценкинаиболее вероятной продолжительности работ в задачах управления срокамипроекта и построения сетевых графиков. Для оценки исследуемого параметратребуютсяследующиеданные:наименьшеезначениеисследуемогопараметра a; наибольшее значение исследуемого параметра b; наиболеевероятное значение исследуемого параметра (моде) m.ЗадаваемыепараметрыдляPERT-распределениясоответствуютпараметрам, необходимым для треугольного распределения случайнойвеличины.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
