Метод Монте-Карло представляет собой способ моделирования, который используется для включения в модели оценки таких параметров, как неопределенность и вариабельность. В то время как распределительный подход (в частности, метод ДПДС) ориентирован на определение текущей стоимости будущих потоков денежных средств, метод Монте-Карло позволяет расширить его за счет анализа широкого спектра возможных результатов на основе вероятностного распределения исходных переменных.
Благодаря многократному повторению расчетов и использованию широкого спектра значений исходных параметров метод Монте-Карло позволяет провести более всестороннюю оценку потенциальной стоимости технологии. С его помощью можно получить информацию о возможности тех или иных результатов, диапазоне возможных значений и сопутствующих вероятностях, что повышает надежность анализа рисков и неопределенностей, связанных с процессом оценки.
Выше мы обсуждали распределительный подход, в котором одно и то же значение ставки дисконтирования используется для расчета как затрат на привлечение капитала, так и вероятности успеха в процессе разработки ИС и после выхода соответствующего продукта на рынок. Однако использование единственного значения для описания вариабельности потоков денежных средств может не в полной мере отражать волатильность исходных данных для расчета стандартного потока.
Напротив, метод Монте-Карло позволяет более эффективно учитывать неопределенности, связанные с ключевыми переменными, включая будущие потоки денежных средств, коэффициенты роста, ставки дисконтирования и параметры рынка. За счет формирования диапазона возможных результатов он показывает распределение значений, обеспечивая более исчерпывающее представление о потенциальных рисках и возможностях, связанных с ИС на ранней стадии разработки. Таким образом, использование метода Монте-Карло в сочетании с любым из остальных четырех методов оценки ИС позволяет усовершенствовать процессы принятия решений, стратегии переговоров и способы управления портфелем ИС.
В число исходных данных, чувствительных к изменениям, входят, в частности, следующие.
Ставки дисконтирования. Разные компании несут различные затраты на привлечение капитала. Например, этот показатель меняется в том случае, если компании, которые рассматриваются в качестве потенциальных лицензиатов, имеют другой профиль.
Показатель отсева или технологический риск. В некоторых отраслях (например, в сфере биотехнологий) этот показатель является стабильным, тогда как в других меняется более динамичным образом.
Затраты на разработку. Этот показатель может меняться при возникновении новых непредвиденных затрат.
Сроки. Контрольные показатели разработки или продаж могут быть достигнуты гораздо раньше или гораздо позже, чем планировалось.
Сопутствующие затраты. Такие показатели, как себестоимость проданных продуктов, затраты, связанные с продажами и маркетингом, а также расходы общего и административного характера, сложно рассчитать на ранних этапах разработки ИС. Они становятся более предсказуемыми на поздних этапах разработки и после вывода продукта на рынок.
Расходы на подачу патентных заявок в том случае, если компания распространяет патентную охрану на новый регион или, напротив, уходит с какого-либо рынка.
Затраты на покупку лицензии и ставки роялти, привязанные к объему продаж. Оба этих показателя могут оказаться как выше, так и ниже прогнозируемых.
Изменение продолжительности оставшегося срока эксплуатации ИС, например, в результате подачи новой заявки, которая может привести к устареванию разрабатываемой ИС, а также после судебного разбирательства или изменений в нормах.
Объем продаж и рост рыночной доли. Конкуренция может в значительной степени повлиять на предварительные расчеты объема продаж и рыночной доли.
Сценарии моделирования
В методе Монте-Карло используются сценарии перебора альтернатив, которые позволяют получить вероятностное распределение различных результатов вместо единичного значения. Эти смоделированные сценарии будут естественным образом ранжироваться от наиболее вероятных для ситуации, в которой находится разработчик ИС, до маловероятных результатов, находящихся в крайних точках спектра вероятностей. Дополнением к полученным кривым вероятностного распределения служат доверительные интервалы, которые помогают определять наиболее вероятные значения. Для последующей проверки результатов моделирования по методу Монте-Карло вы можете обратиться к представленным на данном рынке специалистам-практикам и их объединениям.
Примечание. ЧПС — чистая приведенная стоимость; ЧПСр — чистая приведенная стоимость с поправкой на риски.На рис. 3 показан переход от расчета ЧПС к моделированию результата. На этом рисунке мы видим кривую потоков денежных средств в течение периода разработки ИС, на что указывает отрицательный характер потока. В этом примере для создания продукта на основе ИС используются НИОКР. После вывода продукта на рынок на кривой появляется точка перегиба, так как поток денежных средств растет за счет продаж; в какой-то момент проект становится безубыточным и начинает приносить прибыль. Мы можем определить ЧПС по состоянию на конец выбранного периода планирования.
Вторая кривая показывает ЧПС с поправкой на риски; этот показатель отделяет затраты на привлечение капитала от вероятности успеха на разных этапах развития и тем самым дает более скромные результаты. Мы можем зафиксировать эти оценочные значения ЧПС и рассмотреть другие сценарии, например тот, в котором характеристики и продажи продукта окажутся еще хуже, чем в сценарии с ЧПС с поправкой на риски.
Использование метода Монте-Карло
Для применения метода Монте-Карло необходимо располагать соответствующими ресурсами, включая статистические программы, которые позволяют строить модели, вычислительные мощности, достаточные для проведения расчетов, и специальные знания в области статистического анализа. Для повышения точности и надежности моделей вы можете привлечь к сотрудничеству экспертов в этой области, например финансовых аналитиков или специалистов по анализу и обработке данных. Приняв во внимание все вышеперечисленные условия, вы можете дополнить прочие методы оценки ИС моделированием по методу Монте-Карло, осуществив следующие этапы.
Этап 1. Определение цели оценки. Четко сформулируйте цель оценки, например определение потенциальной стоимости актива, составляющего ИС и находящегося на раннем этапе разработки, для лицензирования или иных целей.
Этап 2. Сбор релевантных данных. Соберите как можно больше релевантных данных для ввода в модель. В их число могут входить финансовые данные за предыдущие периоды, результаты исследований рынка, отраслевые отчеты, мнения экспертов и данные из любых других источников, которые позволяют получить информацию о ключевых переменных, влияющих на ценность ИС.
Этап 3. Определение ключевых переменных. Определите переменные, существенно влияющие на стоимость ИС. В их число могут входить потоки денежных средств, ставки дисконтирования, параметры рынка, коэффициенты роста, временны́е рамки этапа разработки и затраты.
Этап 4. Оценка качества данных. Оцените качество и надежность полученных данных. Убедитесь в том, что источники данных заслуживают доверия и репрезентативны с точки зрения конкретного актива, составляющего ИС, и отрасли в целом. В случае отсутствия или неполноты данных рассмотрите возможность провести дополнительные исследования или обратиться к экспертам за дополнительной информацией.
Этап 5. Определите сценарии или вероятностные распределения. Для каждой ключевой переменной определите сценарии или соответствующие вероятностные распределения, которые будут отражать сопутствующую ей неопределенность и вариабельность. При моделировании по методу Монте-Карло чаще всего используются такие виды распределения, как нормальное (Гауссово), логарифмически нормальное, треугольное и равномерное. Для определения формы, параметров и пределов распределений используйте такие факторы, как данные за предыдущие периоды, ориентировочные отраслевые данные и мнения экспертов, а также любую другую доступную информацию.
Этап 6. Определение допущений. Четко сформулируйте допущения в отношении взаимосвязей, а в применимых случаях — соответствия и зависимости между ключевыми переменными. Определите все связанные с моделированием допущения, необходимые для создания реалистичной модели, такие как коэффициенты роста, рыночные условия или технические достижения.
Этап 7. Проведение случайных испытаний. Проведите ряд случайных испытаний, выбирая значения из определенных вами вероятностных распределений для каждой переменной. Число этих испытаний должно быть достаточным для того, чтобы охватить весь спектр возможных результатов и добиться статистической значимости и сходимости, позволяющей прийти к стабильному решению. Как правило, для этого потребуется провести несколько тысяч или даже несколько десятков тысяч испытаний.
Этап 8. Выполнение моделирования. Проведите моделирование, применив определенную вами модель (модели) оценки к каждому случайному испытанию. Этот этап включает в себя комбинирование примеров значений ключевых переменных для расчета стоимости ИС при каждом последовательном применении модели. В результате вы получите распределение потенциальных значений стоимости, которое будет отражать присущую оценке ИС вариабельность и неопределенность.
Этап 9. Анализ распределения. Проанализируйте распределение значений, полученных в результате моделирования. Определите средние и медианные значения, стандартное отклонение и другие статистические параметры, чтобы выявить основное направление, вариабельность и форму кривой распределения. Наглядно представьте распределение с помощью гистограммы, кривой вероятности превышения или другого метода графического отображения, который позволит вам увидеть диапазон потенциальных результатов.
Этап 10. Интерпретация результатов и принятие решений. Используйте результаты моделирования по методу Монте-Карло при принятии решений. Проанализируйте распределение, чтобы понять вероятность различных результатов оценки, и оцените соотношение риска и доходности данного актива, составляющего ИС. Эта информация может помочь вам при обсуждении условий лицензирования, определении надлежащей цены продукта или принятии решений об инвестициях.
Преимущества
Этот метод позволяет явным образом учесть в процессе оценки факторы неопределенности и вариабельности. За счет выбора случайных значений из вероятностных распределений для исходных переменных (например, потоков денежных средств, ставок дисконтирования и параметров рынка) это моделирование показывает весь спектр возможных результатов, тем самым помогая оценить потенциальную стоимость ИС более реалистичным образом.
Метод позволяет получить информацию о возможности тех или иных результатов и о связанных с ними вероятностях. Этот вероятностный анализ помогает оценивать риски и неопределенности, связанные с оценкой ИС, позволяя принимать более обоснованные решения.
Благодаря одновременному анализу множества исходных переменных метод позволяет принять во внимание их взаимозависимость и взаимодействие. Подобный всесторонний анализ дает целостное представление о факторах, определяющих стоимость ИС, и помогает понять, каким образом те или иные факторы в целом влияют на результаты оценки.
Недостатки
Для применения этого метода необходимы точные и надежные данные. Получение высококачественных данных по ключевым переменным (включая потоки денежных средств, параметры рынка и соответствующие вероятностные распределения) может быть сопряжено с трудностями, особенно на ранних этапах разработки ИС, для которых характерен ограниченный объем данных.
Применение этого метода требует глубокого понимания принципов статистики, методов моделирования и соответствующих допущений. В большинстве случаев для его использования необходимы специальные знания в области статистического анализа и компьютерные программы для моделирования.
Результаты моделирования чувствительны к допущениям в отношении вероятностных распределений, корреляций и других параметров, выбранных для моделирования. Точность и надежность результатов моделирования зависит от качества этих допущений, при этом небольшие корректировки допущений могут привести к значительному разбросу в результатах оценки.
При моделировании по методу Монте-Карло приходится проводить большой объем последовательных вычислений, которые могут потребовать значительного времени и вычислительных ресурсов. Для удовлетворения вычислительных требований, связанных с моделированием, могут быть необходимы достаточные ресурсы, включая мощные компьютеры или специализированное программное обеспечение.
Соберите релевантные данные. Соберите исчерпывающие и релевантные данные для ввода в модель. В их число могут входить финансовые данные за предыдущие периоды, результаты исследований рынка, отраслевые отчеты, мнения экспертов и данные из любых других источников, которые позволяют получить информацию о ключевых переменных, влияющих на ценность ИС. Убедитесь в том, что эти данные заслуживают доверия и репрезентативны с точки зрения конкретного актива, составляющего ИС, и отрасли в целом.
Определите ключевые переменные, существенно влияющие на стоимость ИС. В их число могут входить потоки денежных средств, ставки дисконтирования, параметры рынка, коэффициенты роста, временные рамки этапа разработки и затраты. Анализ этих переменных и потенциальных диапазонов их значений чрезвычайно важен для построения точных моделей.
Определите сценарии или вероятностные распределения, которые будут отражать сопутствующую переменным неопределенность и вариабельность. Для определения формы, параметров и пределов распределений используйте такие факторы, как данные за предыдущие периоды, ориентировочные отраслевые данные и мнения экспертов, а также любую другую доступную информацию.
Определите допущения. Укажите все связанные с моделированием допущения, необходимые для создания реалистичной модели, такие как коэффициенты роста, рыночные условия или технические достижения.
Проведите анализ чувствительности, чтобы оценить, каким образом изменение ключевых допущений и переменных влияет на результаты оценки. Это действие поможет вам понять степень надежности оценки и выявить критически важные факторы, влияющие на результат.
Привлеките к сотрудничеству экспертов, например специалистов по оценке, финансовых аналитиков или специалистов по анализу и обработке данных. Это сотрудничество может повысить точность и надежность моделирования. Для обеспечения достоверности результатов моделирования по методу Монте-Карло обратитесь к специалистам по статистическому анализу и методам моделирования.