6. Сущность анализа чувствительности?

Анализ чувствительности (sensitivity analysis) заключается в оценке влияния изменения исходных параметров проекта на его конечные характеристики, в качестве которых, обычно, используется внутренняя норма прибыли или NPV. Техника проведения анализа чувствительности состоит в изменении выбранных параметров в определенных пределах, при условии, что остальные параметры остаются неизменными. Чем больше диапазон вариации параметров, при котором NPV или норма прибыли остается положительной величиной, тем устойчивее проект.

Анализ чувствительности проекта позволяет оценить, как изменяются результирующие показатели реализации проекта при различных значениях заданных переменных, необходимых для расчета. Этот вид анализа позволяет определить наиболее критические переменные, которые в наибольшей степени могут повлиять на осуществимость и эффективность проекта.

В качестве варьируемых исходных переменных принимают:

• объем продаж;

• цену за единицу продукции;

• инвестиционные затраты или их составляющие;

• график строительства;

• операционные затраты или их составляющие;

• срок задержек платежей:

• уровень инфляции;

• процент по займам, ставку дисконта и др.

В качестве результирующих показателей реализации проекта могут выступать:

• показатели эффективности (чистый дисконтированный доход, внутренняя норма доходности, индекс доходности, срок окупаемости, рентабельность инвестиций),

• ежегодные показатели проекта (балансовая прибыль, чистая прибыль, сальдо накопленных реальных денег).

При относительном анализе чувствительности сравнивается относительное влияние исходных переменных (при их изменении на фиксированную величину, например, на 10%) на результирующие показатели проекта. Этот анализ позволяет определить наиболее существенные для проекта исходные переменные; их изменение должно контролироваться в первую очередь.

Абсолютный анализ чувствительности позволяет определить численное отклонение результирующих показателей при изменении значений исходных переменных. Значения переменных, соответствующие нулевым значениям результирующих показателей, соответствуют рассмотренным выше показателям предельного уровня.

Результаты анализа чувствительности приводятся в табличной или графической формах. Последняя является более наглядной и должна применяться в презентационных целях.

Недостаток метода: не всегда анализ чувствительности правомерен т.к. изменение одной переменной, необходимой для расчета может повлечь изменение другой, а этот метод однофакторный.

7. Для чего проводят анализ Монте-Карло?

Ме́тод Мо́нте-Ка́рло (методы Монте-Карло, ММК) — общее название группы численных методов, основанных на получении большого числа реализаций стохастического (случайного) процесса, который формируется таким образом, чтобы его вероятностные характеристики совпадали с аналогичными величинами решаемой задачи. Используется для решения задач в различных областях физики, химии, математики, экономики, оптимизации, теории управления и др. Имитационное моделирование по методу Монте-Карло (Monte-Carlo Simulation) позволяет построить математическую модель для проекта с неопределенными значениями параметров, и, зная вероятностные распределения параметров проекта, а также связь между изменениями параметров (корреляцию) получить распределение доходности проекта.

Техника моделирования. Обычно M.-К. м. реализуют в виде программы на универсальной ЭВМ. Ранее применялись механич. устройства, ныне всё чаще используют спец. моделирующие устройства с применением микропроцессоров. С помощью таких устройств получен ряд результатов в статистич. физике и квантовой теории поля.

Для реализации случайной величины в M.-К. м. традиционно используют датчики, генерирующие случайную последовательность чисел, равномерно распределённых на интервале (0,1). Различают три типа случайных чисел. Истинно случайные числа можно вырабатывать, напр., преобразуя случайные сигналы от радиоакт. источника или от шумового диода. Таким способом можно достаточно быстро получать большие последовательности некоррелированных случайных чисел. В расчётах на ЭВМ используют псевдослучайные числа, полученные с помощью нек-рого алгоритма. Назначение такого алгоритма - генерировать числа, к-рые похожи на случайные, хотя, строго говоря, они детерминированы. Необходимы спец. исследования и тесты, чтобы убедиться в достаточной случайности таких чисел (равномерность распределения, отсутствие корреляций и пр.). Квазислучайные числа также получают при помощи нек-рого алгоритма, причём в основу алгоритма закладывают требование равномерного заполнения точками заданного многомерного объёма. Известен ряд алгоритмов, дающих точки, распределённые в гиперкубе более равномерно, чем случайные и псевдослучайные. Следствием лучшей равномерности является более быстрая сходимость результата.