Оптимизация портфеля проектов геолого-разведочных работ c целью повышения эффективности инвестиций

А.А. Вашкевич, В.А. Шашель (ПАО «Газпром нефть»), А.С. Бочков, к.т.н., В.В. Жуков, С.А. Погребнюк, Р.Р. Газалиев, П.Ю. Киселев, Е.Г. Федоров, А.В. Сизых, Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»)

Источник: Журнал «Нефтяное хозяйство»

Портфельный анализ является инструментом формирования инвестиционного портфеля компании, принимающей решение о реализации нескольких проектов. Данный анализ выполняется с целью оптимизации инвестиций в наиболее прибыльные или перспективные направления и сокращения/прекращения инвестиций в неэффективные проекты. Принципы портфельного анализа известны довольно давно и успешно применяются при управлении рисками и инвестициями различных организаций. В нефтяной промышленности использование инструментов портфельного анализа распространено не так широко, однако передовые компании применяют подходы на основе анализа неопределенностей, рисков для последующего формирования портфеля проектов [1–3]. В 2000 г. более половины из 20 опрошенных компанийоператоров, работающих в Северном море, использовали портфельный анализ [4].
Управление рисками является неотъемлемой частью портфельного анализа. Определение критических сценариев для развития компании или сбалансированная диверсификация портфеля для рисковых проектов, например, проектов геолого-разведочных работ (ГРР) – один из примеров такого анализа.
Важной особенностью данного подхода является возможность масштабирования результатов работ, которые могут быть применены как в пределах одного месторождения для обоснования оптимального числа скважин с целью изучения большого числа объектов, так и всего региона при выборе перспективных месторождений с целью приобретения и перераспределения инвестиций. При этом выбор размера единицы анализа определяется задачами и ожидаемым результатом.
Преимуществами портфельного анализа являются:
– возможность логического структурирования и наглядного отражения стратегических проблем организации;
- проработка различных стратегических сценариев развития компании;
– комплексный учет рисков проектов на уровне блока или всей компании; – относительная простота представления результатов. К его недостаткам можно отнести:
– использование в ходе анализа данных о текущем состоянии бизнеса, которые не всегда можно экстраполировать на будущий период;
– сложность алгоритмов и трудоемкость подготовки данных при необходимости выполнения анализа неопределенностей.

Задача рассмотренной в статье работы заключалась в опробовании методик портфельного анализа при формировании программы ГРР: формирование различных вариантов портфелей ГРР и впоследствии выбор наиболее оптимального в условиях имеющихся инвестиционных ограничений. Периметр работ включал ряд дочерних обществ ПАО «Газпром нефть».

Сначала необходимо было пройти подготовительный этап и систематизировать все данные по ресурсной базе. Последняя была разделена на кластеры – экономически обоснованные и концептуально целостные объекты разработки, по которым может быть принято независимое инвестиционное решение. Ключевым условием систематизации ресурсной базы является 100%-ный охват. На подготовительном этапе было выделено 45 кластеров.
Каждый кластер характеризуется определенным геологическим строением и степенью изученности, т.е. определенными геологическими и экономическими рисками. Одной из ключевых задач подготовки данных являлось описание кластеров в терминах вероятностной оценки [5]. Для этого анализируются геологические предпосылки, включающие седиментационные особенности формирования пластов, фациальную приуроченность к районам, структурные особенности залежей, свойства пласта, стоимостные предпосылки и др. Все сведения об объекте оценки являются основой геологической модели, которая позволяет не только получить реалистичное представление о строении продуктивных пластов, распространении продуктивных зон и свойств, но и учесть различные геологические параметры, являющиеся неопределенностью. Наиболее распространенными неопределенностями могут быть точность структурных построений по результатам обработки и интерпретации материалов сейсморазведочных работ, неопределенность размеров, формы и ориентации песчаных тел, формирующих продуктивные зоны, уровни флюидоконтактов, распространение фильтрационно-емкостных свойств в пласте и др. Вероятностная оценка запасов получается путем многовариантного стохастического перестроения модели и в результате вариации исходных данных в пределах заданных входных распределений, которые формируются на основании геологических представлений об объекте исследования. Затем проводится оценка неопределенностей в разработке (фильтрационных свойств пласта и качества коллектора, эффективности систем разработки и др.), после создаются сценарии развития кластера по вариантам Р10 Р50 Р90, для которых рассчитаны экономические показатели.
Таким образом, каждый из кластеров характеризуется набором геологических и экономических параметров, таких как геологические и извлекаемые запасы с учетом неопределенностей по вариантам Р10 Р50 Р90, профили добычи по вариантам, шанс геологического успеха, капитальные вложения в ГРР и разработку кластера, чистый дисконтированный доход NPV, индекс рентабельности PI, ожидаемая денежная стоимость EMV и др. Для каждого кластера имеются сформированная программа ГРР и план разработки. Временные ограничения, определяющие наиболее ранний возможный срок начала работ и наиболее поздний (например, в связи с лицензионными обязательствами), также учитывались при подготовке информации. Систематизация исходной информации позволяет сравнивать кластеры между собой по количественным критериям.
После систематизации данных по кластерам осуществлялось формирование возможных сценариев для моделирования, которые определяются наборами ограничений, параметров оптимизации (максимизация или минимизация параметра) и определением необходимых критериев риска. В рамках данной работы рассматривались различные наборы ограничений годового финансирования инвестиций в проведение ГРР и максимизация EMVпортфеля. За основной критерий риска принималась вероятность достижения заданного уровня добычи рассматриваемого портфеля. Следующим этапом был процесс оптимизации и поиска оптимального портфеля для каждого рассматриваемого сценария.
Процесс поиска оптимального портфеля состоит из трех стадий:
– скрининг и фильтрация данных;
– поиск оптимального портфеля;
– пост-анализ.
На первой стадии отфильтровывались кластеры, о которых заранее было известно, что они не войдут в оптимальный портфель, например, кластеры с отрицательным EMV. Учитывались также особые условия для кластеров: уже начатые и обязательные к реализации проекты. На второй стадии по сформированному набору кластеров проводился поиск портфеля, приближенного к максимально возможному EMV. Поскольку в зависимости от ограничений почти любой кластер может как входить, так и не входить в оптимальный портфель, а полный перебор возможных вариантов слишком трудоемкий, для нахождения портфеля, близкого к оптимальному, был применен метод динамического программирования. Исходную задачу можно переформулировать как некоторое обобщение задачи «о рюкзаке»: имеется множество проектов с различными вариантами развития и характеристиками для каждого из них, необходимо найти оптимальное по ценности (в данном случае по EMV) их подмножество среди всех, которые удовлетворяют заданным ограничениям по уровню добычи и инвестициям. Для решения этой задачи все данные дискретизируются с некоторым шагом: параметры проектов округляются до значений некоторой решетки чисел вида qN (q – шаг сетки, N – натуральное число). Основной принцип алгоритма заключается в последовательном нахождении значений V[k, w] (V – оптимальное значение целевой функции для k первых проектов с ограничением w).
Вычисления проводятся по следующей рекуррентной формуле:
11.png
где S – число вариантов развития проекта; wk,i – влияние проекта k в i-м варианте развития на ограничение; bk,i – ценность проекта в том же варианте развития.

Для каждого проекта с номером k:
– V[k-1, w] – оптимальное решение, если проект не входит в портфель;
– V[k-1, w- wk,i]+bk,i– оптимальное решение, если проект входит в i-й вариант развития.

Таким образом, после нахождения V(K, W) (K– общее число проектов, W – принятые ограничения) будет получено точное решение оптимизационной задачи для дискретизированных данных и близкое к оптимальному для исходных данных (рис. 1).
1.png
Рис. 1. Сравнение заполняемости портфелей путем ранжирования ипортфельного анализа

На третьей стадии полученный портфель более подробно анализировался для определения итоговых характеристик, таких как суммарные профили добычи, вероятности достижения ее стратегических уровней, экономические параметры. Для этого использовался метод сценарного вероятностного моделирования. Имеется несколько портфелей со сходными экономическими показателями, тем не менее они могут быть дифференцированы в зависимости от нефинансовых атрибутов: географического положения активов, геологических, технологических условий, целевого уровня добычи и др. [6].
С использованием предложенного алгоритма было сформировано пять портфелей проектов с различными ограничениями по ежегодным капитальным вложениям в ГРР, каждый из которых характеризуется максимальной ожидаемой экономической эффективностью в пределах заданных ограничений по инвестициям (рис. 2). По зависимости на рис. 2 можно численно оценить эффективность портфеля при определении ограничений на инвестиции в ГРР. Такой анализ дает представление об экономической эффективности инвестиций и является основой для принятия решений с учетом финансовых ожиданий и ограничений, что позволяет получить максимальную выгоду без излишних капитальных вложений.
Кроме экономической эффективности, инструмент дает возможность оценить и нефинансовые показатели портфелей. В частности, проведен анализ ожидаемых уровней добычи в зависимости от ежегодных инвестиций в ГРР. Полученные результаты можно сопоставить с ожиданиями компании по добыче нефти от проведения ГРР и использовать как дополнительный критерий при выборе портфеля (рис. 3). Дополнительный анализ нефинансовых атрибутов также может повлиять на окончательное инвестиционное решение.

2.png
Рис. 2. Зависимость EMV портфеля от капитальных вложений в ГРР (цифры обозначают номера портфелей проектов)

3.png

Рис. 3. Накопленная добыча нефти при разных капитальных вложениях в ГРР в варианте оценки запасов Р50 (а) и профили добычи нефти от  проведения ГРР при капитальных вложениях № 3 (б)

Таким образом, примененный подход позволил сформировать набор проектов ГРР на основе максимизации ожидаемой ценности портфеля в периметре ряда дочерних обществ ПАО «Газпром нефть» при различных ограничениях ежегодных капитальных вложений в проведение ГРР. Следует отметить, что варианты целевой функции могут задаваться в зависимости от целей анализа: поддержание и наращивание ресурсной базы, увеличение добычи нефти, максимизация денежных потоков и др. Ограничивающими факторами могут также быть различные параметры, заданные пользователем, а подход – масштабирован на решение задач в пределах как одного дочернего общества или актива, так и компании в целом. Набор сформированных портфелей проектов создает гибкую основу для дальнейшего принятия решений. Однако сам по себе он не является конечным результатом и набором проектов ГРР для реализации. Корректировки портфеля могут быть выполнены, например, с включением проектов в важных для компании регионах присутствия или с вводом обязательных к реализации проектов. Аналогичным образом в конечный набор могут быть добавлены проекты, привлекательные по результатам скорингового ранжирования, но не прошедшие детальную оцифровку, например, проекты в новых перспективных зонах/регионах с низкой изученностью. Дальнейшая работа над созданным инструментом будет проводиться в области расширения функционала, проработки удобного для использования интерфейса и оптимизации числа выполняемых расчетов.

Список литературы

1. Back M., Guercio C. Portfolio management for strategic planning and operational optimization // SPE 134339-MS. – 2010.
2. Portfolio optimization and restructuring strategies for NOC under the declining oil price environment / Z. Wang, X. Guo, G. Zhai [et al.] // SPE 176236-MS. – 2015.
3. Hdadou H., McVay D.A. The value of assessing uncertainty in oil and gas portfolio optimization // SPE 169836-MS. – 2014.
4. The application of probabilistic and qualitative methods to asset management decision making / G.S. Simpson, F.E. Lamb, J. H. Finch, N.C. Dinnie // SPE 59455. – 2000.
5. Роуз П.Анализ рисков и управление нефтегазопоисковыми проектами. – М.: Ижевск: НИЦ «РХД», Ижевский институт компьютерных исследований, 2011. – 304 с.
6. Willigers B.J.A., Majou F. Creating efficient portfolios that match competing corporate strategies // SPE 129259-MS. – 2010.

References


1. Back M., Guercio C., Portfolio management for strategic planning and operational optimization, SPE 134339-MS, 2010.
2. Wang Z., Guo X., Zhai G. et al., Portfolio optimization and restructuring strategies for NOC under the declining oil price environment, SPE 176236-MS, 2015.
3. Hdadou H., McVay D.A., The value of assessing uncertainty in oil and gas portfolio optimization, SPE 169836-MS, 2014.
4. Simpson G.S., Lamb F.E., Finch J.H., Dinnie N.C., The application of probabilistic and qualitative methods to asset management decision making, SPE 59455, 2000.
5. Rose P.R., Risk analysis and management of petroleum exploration ventures, AAPG, 2012. 6. Willigers B.J.A., Majou F., Creating efficient portfolios that match competing corporate strategies, SPE 129259-MS, 2010.

Возврат к списку