Обзор и сравнительный анализ методических подходов к учёту рисков при оценке нефтегазовых проектов

) генерация случайных будущих объемов добычи нефти в каждом году, налога на прибыль и мировой цены на нефть (с заданными значениями математического ожидания и среднеквадратического отклонения);

) расчет чистого дисконтированного дохода при сгенерированных значениях.

Шаги 1 и 2 образуют одну итерацию. Результатом итерации является значение величины эффективности;

) шаги 1 и 2 повторяются большое количество раз (несколько тысяч);

) расчет минимального, среднего и максимального значений эффективности по результатам совершенных итераций;

) построение гистограммы распределения частот.

Результаты имитации могут быть дополнены вероятностным и статистическим анализом и в целом обеспечивают наиболее полную информацию о степени влияния ключевых факторов на ожидаемые результаты значения показателя чистого дисконтированного дохода недропользователя (Белякова).

В заключении, говоря о достоинствах данного подхода, следует отметить, что метод Монте-Карло позволяет (О.О. Белякова и др. 2011):

• учесть максимально возможное число факторов внешней среды;

• является достаточно универсальным;

• не слишком сложен в реализации;

• работает в условиях неопределенности и риска.

К недостаткам рассмотренного подхода следует отнести:

• трудность понимания и восприятия менеджерами имитационных моделей, учитывающих большое число внешних и внутренних факторов вследствие их математической сложности и объемности;

• при разработке реальных моделей может возникнуть необходимость привлечения специалистов или научных консультантов со стороны;

• для достижения высокой точности требуется совершить большое количество итераций, что требует больше времени по сравнению с традиционным методом.

В отличие от моделирования Монте Карло, которое оценивает предопределенные проектные сценарии, Дерево решений сосредотачивается на управленческих решениях например, бурить ли дополнительные скважины, или использовать дополнительные методы воздействия на пласт, или нет. Оно также принимает во внимание неопределённость важных параметров, но использует более простой способ, к примеру, определяя вероятности того, что запасы попадут в широкие классы типа "крупные", "мелкие" или "нулевого".

Самый простой способ представить Дерево решений - через пример. Предположим, что геологоразведочные работы привели к открытию месторождения, которое может иметь как большие, так и маленькие запасы. В первом случае было бы оптимальным выявить крупную залежь, тогда как во втором - маленькую. Подбор неправильного размера залежи был бы дорогой ошибкой. Так что инженер, отвечающий за проект, предпочел бы получить больше информации относительно запасов перед принятием решения, но это будет дорогостояще. Какое решение лучше? Рисунок 2.1 показывает Дерево решений, соответствующее этой ситуации. Решения представлены квадратами. Ветви, происходящие от них, соответствуют возможным решениям. Круги представляют события: либо большие запасы (с вероятностью 60%), либо маленькие (с 40%-й вероятностью). В конце каждой ветви отмечен окончательный NPV. Так выявление крупной залежи, когда доказанные запасы оказываются большими, позволяет получить NPV, равный 170, если получена дополнительная информация о сравнении с NPV, равным 165. Точно так же, если запасы являются действительно маленькими, выявление маленькой залежи приводит к NPV, равному 130, если прямо сравнить со 125.

Чтобы можно было бы сравнивать решения, ожидаемая прибыль рассчитана в каждом круглом узле. Для главной ветви - это 170 x 0.4 + 110 x 0.6 =134. Поскольку ожидаемая прибыль в других двух узлах - 138 и 141 соответственно, лучшее решение состояло бы в том, чтобы пробурить дополнительную скважину перед выбором размера залежи.

Рис. 2.1 Дерево решений.

Есть два момента, которые следует отметить в этих вычислениях; во-первых, то, что мы вычислили максимум ожидаемого NPV, а не только сам ожидаемый NPV и, во-вторых, что вычисления выполнены по последней ветке и "отложены" на стволе. Эти комментарии также применяются, когда структура дерева используется для того, чтобы оценить варианты.

Динамическое программирование также может использоваться, чтобы оценить очень гибкие модели решений. Преимущество состоит в том, что это может совершаться с очень короткими шагами времени. К сожалению, это означает, что функция аддитивна, что неверно из-за налогов и лицензионных платежей. Поскольку результаты чувствительны к числовым значениям, используемых для расчёта NPV в крайних узлах, и поскольку эти значения трудно оценить, некоторые авторы предлагают заменять NPV функцией полезности. Другой интересный момент - то, что Дерево решений использует априорные и апостериорные вероятности Байеса, чтобы смоделировать вероятности выявления больших, маленьких или нулевых запасов, зависящих от результатов дополнительного бурения. Например, в начале вероятность больших запасов была оценена в 20%. Вероятность увеличилась бы до 52%, если дополнительное бурение дало положительные результаты, но и упала бы до 5%, если скважина оказалась сухой. Структура дерева заменяет непрерывные распределения значений параметров дискретными (например, возможный размер запасов выражен как крупный, маленький или нулевой). Эффект этой дискретизации может быть важен, особенно в случае нелинейности допустимых значений. Этот эффект увеличивается для сложных деревьев.

Перейти на страницу: 1 2 3

Экономическая характеристика деятельности предприятия ООО Элестра
В данной отрасли в сфере выполнения электромонтажных работ осуществляют свою деятельность осуществляет множество организаций среди которых: . ООО "Лидер" . ООО "Теплозащита" . ООО "Гранит СБ" . ООО "Звезда СБ" ...

Экономическая мысль Средневековья. Развитие экономических идей схоластики
В конце V в. н. э. германские племена захватывают Рим, Римская империя перестает существовать, и на ее развалинах формируется целый ряд так называемых варварских государств (королевства франков, вестготов, бургундов и др.). Рабство постепенно ликвидируется, и начинают формироваться новые феода ...