Особенности оценки эффективности цифровых инвестиционных проектов

В рамках майских указов Президента Российской Федерации от 2018 г., Правительством Российской Федерации была сформирована национальная программа «Цифровая экономика Российской Федерации» [1]. К базовым направлениям программы относятся нормативное регулирование, кадры и образование, формирование исследовательских компетенций и технических заделов, информационная инфраструктура и информационная безопасность [2, c. 5–7].

Одним из наиболее популярных направлений данной программы является искусственный интеллект (ИИ). Россия заняла второ е место по количеству принятых законов в области ИИ за последние пять лет, уступая по этому показателю только США [3, c. 5]. По данным мониторинга глобальных трендов цифровизации 2022 г., в 2021 г. отмечался существенный рост инвестиционной активности на рынке искусственного интеллекта: объем сделок на сумму более 1 миллиарда долларов вырос в два раза по сравнению с 2020 г. К наиболее влиятельным сделкам относятся покупка компанией Microsoft одного из лидеров американского рынка ИИ-решений для медицины компании Nuance Communications Inc. за 19,7 миллиардов долларов и покупка компанией – производителем электронных датчиков Teledyne Technologies поставщика тепловизионных изображений FLIR Systems за 8 миллиардов долларов [3, c. 7].

Исследование опирается на работы Н. Иванова и Н. Савченко, рассматривающих возможности оценки эффективности НИОКР ; Т. В . Касаевой, исследовавшей показатель добавленной стоимости в оценке эффективности деятельно сти организации; Д. Рябых, проанализировавшего показатели эффективности инвестиционных проектов; Т. С. Ко-лодницкой – основные методы финансового анализа прибыли компании и их применение на практике, и др.

Методы исследования

В ходе исследования проведен анализ статистической информации, рассмотрена научная литература и корпоративная методология по исследуемой проблеме. С учетом применения системного анализа обобщена актуальная информация об особенностях оценки эффектов цифровых инвестиционных проектов как элементов системы, связанной с оценкой результата проекта. На основе методов аппроксимации, экстраполяции и экспертной оценки разработаны новые подходы к классификации эффектов разных типов.

Результаты и дискуссия

Согласно статистике по научным статьям и публикациям , следует отметить ежегодный рост количе ства научных публикаций и па тентов по ряду цифровых технологий . Так , общемировое количество публикаций по теме искусственного интеллекта составило около 140 тыс . в 2022 г ., что соответствует приросту в 13 % по сравнению с 2021 г . и приро сту в 53 % по сравнению с 2020 г . ( рис . 1).

Общемировое количество публикаций по теме больших данных составило около 65 тыс . в 2022 г ., что соответствует приросту в 3 % по сравнению с 2021 г . и приросту в 12 % по сравнению с 2020 г . ( рис . 2).

Согласно данным Всемирной организации интеллектуальной собственности , на Россию в среднем приходится 1,5–2 % патентов от всех патентов в мире в области искусственного ин теллекта и больших данных . Традиционными лидерами патентования в сфере цифровых технологий являются Китай и США [4].

Упомянутые цифровые технологии (искусственный интеллект и большие данные) рассматриваются в рамках национальной программы «Цифровая экономика Российской Федерации» как основные технологии к развитию. Реализация Программы подразумевает тесное сотрудничество государства, бизнеса и науки, поскольку ее ключевым результатом должно стать создание не менее десяти на- циональных компаний – лидеров высокотехнологичных предприятий, способных конкурировать на мировых рынках и обеспечивать развитие цифровой экономики [2, c. 10–14].

Вместе с тем стоит отметить , что развитие применения ИИ в корпоративных процессах в первую очередь сопряжено с необходимо стью обработки данных для принятия управ ленческих решений . Так , Т . В . Еремичева , А . С . Харланов , М . Н . Новиков в своей статье [5, c. 56–58] рассматривают решение пробле мы управления и измерения данных в бизнесе с помощью ИИ . В результате исследования авторы делают заключение о том , что техно логии позволяют сокращать трудозатраты спе циалиста . В результате своего исследования И . С . Межов [6, c. 111–115] определяет хроно логию изменений информационно - аналитиче ского обеспечения принятия управленческих решений , а также тренды развития технологий ИИ . Т . С . Колодницкая к решаемым задачам относит рассмотрение определения , видов и этапов формирования прибыли , а также рас смотрение основных методов финансового анализа [7, c. 445–451].

В этой связи в настоящее время во многих крупных российских и зарубежных компаниях реализовывается большое количество цифро вых инвестиционных проектов . В основном такие проекты направлены на поддержание структуры информационных технологий ( ИТ )

Рис. 1. Количество научных работ по направлению «Искусственный интеллект»

Fig. 1. The number of scientific papers in the field of «Artificial intelligence»

Рис. 2. Количество научных работ по направлению «Большие данные»

Fig. 2. The number of scientific papers in the field of «Big Data»

корпорации , разработку и внедрение новых ИТ - решений , развитие и тираж уже существу ющих ИТ - систем с помощью инструментов автоматизации и цифровизации с целью ро ста эффективности компании в целом . Во прос об измерении экономического эффекта от цифровых проектов становится особенно актуальным в связи с ростом стратегической значимости сферы информационных техно логий и , как следствие , с увеличением доли капитальных вложений и ростом количества проектов цифровизации [8, c. 9–13].

Глобально эффекты инвестиционных проектов можно классифицировать на не экономические , экономические и трудноиз меримые . Неэкономические эффекты при сутствуют в проектах , имеющих в каче стве основной цели достижение нематериальных выгод . Зачастую к таким проектам относятся социальные или экологические инициативы . Экономические эффекты могут быть пря мыми либо косвенными . Ключевая особен ность заключается в том , что при наличии прямого эффекта проект прямо оказывает влияние на денежный поток компании , а при наличии косвенного эффекта возникает необходимость моделирования результата . Трудноизмеримый эффект характеризуется отсутствием возможно сти статистического подтверждения , поскольку базируется на экспертных оценках .

Инвестиционная оценка ИТ - проектов зача стую представляет собой сложный и многосту пенчатый процесс , в котором встречается ряд спорных вопросов . К основным проблемным моментам оценки таких проектов в основном относятся следующие [9, c. 6–9]:

– не всегда до конца понятен конечный об раз результата и то , как изменится существу ющий процесс ;

– невозможность отделить влияние на про ект именно ИТ - составляющей , иначе говоря , невозможность отделить этот эффект от дру гих факторов ;

– трудозатраты на оценку проекта могут превысить его результат ;

– отсутствие возможности прямо измерить результат .

По сути все упомянутые причины сводятся к одному глобальному вопросу : « Как инкре ментально измерить результат ИТ - проекта ?» [10, c. 10–12]. В общем смысле принцип ин - крементальности заключается в сравнении существующего варианта AS IS ( как есть ) – как в данный момент решается та или иная проблема , и будущего варианта TO BE ( как будет ) – как в будущем изменится процесс с использованием продукта проекта . Разность между двумя вариантами и называется эффек том инвестиционного проекта :

∆ CF (cash flow) = CF (cash flow) с проектом – – CF (cash flow) без проекта или

Эффект инвестиционного проекта = = TO BE – AS IS, где ∆CF – эффект инвестиционного проекта, его финансово-экономическая ценность; CF с проектом (вариант TO BE) – будущий, оптимизированный денежный поток компании, ситуация в будущем с внедрением инвестиционного проекта; CF без проекта (вариант AS IS) – существующая реальность, ситуация до внедрения инвестиционного проекта.

Таким образом, в контексте инкрементальной оценки цифровых проектов с учетом отсутствия возможности прямого измерения конечного результата особую актуально сть приобретает вопрос о его моделировании [11, c. 123–134].

Рассмотрим этот тезис на примере процесса добычи углеводородов в компании нефтегазовой отрасли. Например, есть некий ИТ-продукт, внедрение которого способно увеличить объем добычи нефти. В этом случае на основе методов аппроксимации и экстраполяции необходимо смоделировать потенциальный объем добычи без учета цифрового продукта и экспертно определить процент влияния на проект новой технологии. Таким образом, процесс оценки представлен на рис. 3.

Можно определить степень влияния новой цифровой технологии на процесс добычи нефти. Предположим, она составит 2 %. В дальнейшем это позволяет прогнозировать размер дополнительных денежных потоков от применения нового программного продукта.

В качестве еще одного примера распространенного типа ИТ-проектов можно рассмотреть определенный тип систем (цифровых помощников), способных подбирать для сотрудников оптимальный набор решений. Для того чтобы подсчитать доходную часть такого проекта, необходимо учесть, количество советов цифрового помощника, с которыми сотрудник согласился и принял, как при этом сократились затраты/увеличилась прибыль рассматриваемого процесса и сравнить с тем, что было до внедрения проекта. Спустя определенное количество времени, у исследователя, накопившего достаточное количество эмпирического опыта и статистики, будет возможность вычислить, какую ценность каждое предложение цифрового помощника способно принести бизнесу и через сколько принятых «подсказок» система себя окупит.

Наряду с рассмотренными примерами также существует большой перечень проектов исключительно с экономией на трудозатратах. Суть всех таких инициатив сводится к разработке цифрового продукта, способного полностью автоматизировать и заменить ручной механический труд. В контексте нефтегазовой отрасли это, например, может быть проект по автоматическому созданию, настройке и адаптации интегрированной модели актива посредством внедрения специального программного обеспечения. Для

Рис. 3. Процесс оценки проекта дополнительной добычи нефти с внедрением оптимизационных мероприятий (использование ИТ-продукта)

Fig. 3. The process of evaluating the project of additional oil production with the introduction of optimization measures (using the AI product)

расчета экономического эффекта в этом случае, зная затраты на внедрение цифрового продукта и стоимо сть часа работы специалиста (в случае ручного труда), необходимо учесть разницу во времени работы человека и программы для решения задач, связанных с интегрированной моделью актива. В контексте расчета проектов с экономией на трудозатратах важно понимать, что они не способствуют сокращению штатной численности сотрудников. В первую очередь такие проекты внедряются с целью экономии времени персонала и оптимизации выполнения производственных задач.

Все рассмотренные примеры относятся к классификации косвенных экономических эффектов. Для их оценки существует показатель UMV (unrealized monetary value), разработанный экспертами компании ПАО «Газпром нефть» [12]. По сути, UMV является аналогом NPV и представляет собой дисконтированную стоимость потенциального (нереализованного) денежного потока.

В качестве примера трудноизмеримого эффекта можно рассмотреть процесс обустройства нефтегазовых месторождений. У специалистов часто возникает вопрос о том, каким образом будет рациональнее всего расположить объекты. В настоящее время существуют цифровые системы, способные решить данную задачу и предложить сотруднику определенную схему расположения объектов, которая будет наиболее оптимальна для компании с точки зрения оптимизации времени и затрат. Однако в процессе оценки эффекта такого проекта возникает вопрос относительно ситуации AS IS, поскольку возможность расчета проектирования объектов человеком отсутствует. В этом случае существовал бы не один, а очень большое количество возможных вариантов. Для корректного определения ситуации AS IS необходимо смоделировать на примере существующего месторождения расположение объектов его обустройства и оценить потенциальное сокращение их протяженно сти. Однако необходимо учитывать, что даже месторождения со схожими геологическими условиями никогда не будут иметь абсолютно идентичные данные. В силу этой причины необходимо использовать метод экспертной оценки и принять некую погрешность для экстраполяции существующих данных на новое разрабатываемое месторождение. Так, затратной частью проекта будут являться расходы на внедрение и использование ИТ-системы, а доходной частью – сокращение расходов на обустройство и расположение объектов.

Для оценки проектов с трудноизмеримым эффектом в компании ПАО «Газпром нефть» применяется показатель DMV (digital monetary value) [12]. DMV также является аналогом NPV и представляет собой стоимость денежного потока от цифровой трансформации.

Заключение

Таким образом, определение типа эффекта проекта способно выработать корректный подход к его оценке и мониторингу. Как правило, про екты с косвенным и трудноизмеримым эффектом несут в себе изначально больше неопределенностей по сравнению с проектами с прямым типом экономического эффекта. Трудноизмеримые эффекты не подлежат постинвестиционному мониторингу. Предметом мониторинга проектов с косвенным способом расчета экономического эффекта являются физические показатели, период мониторинга определяется сроком достижения целевых ориентиров. Инвестиционные проекты с прямым типом экономического эффекта подлежат мониторингу до достижения срока окупаемости, предметом мониторинга являются показатели финансово-экономической оценки [13; 14].

В текущих условиях растущего интереса со стороны мирового сообщества к теме искусственного интеллекта, больших данных, цифровизации и автоматизации процессов производства особую значимость приобретает вопрос финансово-экономической оценки инвестиционных проектов в сфере информационных технологий. Зачастую эффект от таких проектов невозможно измерить прямо, в связи с чем возникает необходимость моделирования результата. Понимание типа эффекта, особенностей его расчета и мониторинга способно повысить точность оценки таких проектов в целом.