Недостижение плановой экономической эффективности нефтегазодобывающих проектов из-за отсутствия количественной оценки рисков и неопределенности

PROНЕФТЬ. Профессионально о нефти. – 2020 - № 3 (17). – С. 75-80

УДК 338

М.Ю. Назаренко, А.Б. Золотухин, д. т. н.
РГУ нефти и газа (НИУ) им. И.М. Губкина

Электронный адрес:  m.nazarenko1990@gmail.com; anatoly.zolotukhin@gmail.com

Ключевые слова: экономическая эффективность, рентабельность проектов, оценка рисков, оценка неопределенности

Количественный расчет рисков и неопределенности всегда играл важнейшую роль при оценке проектов по добыче нефти и газа. Любая расчетная, измеряемая или оцениваемая величина содержит неопределенность, будь то измерение обводненности мультифазным расходомером (МФР) или значение чистого дисконтированного дохода (ЧДД) крупного нефтегазодобывающего проекта. Оценка экономики проектов, например расчет чистого дисконтированного дохода (ЧДД), внутренней нормы рентабельности (ВНР), операционных и капитальных затрат, должна проводиться вероятностно, т.е. с количественной оценкой рисков и неопределенности расчетных (прогнозных) значений. Тем не менее вероятностная оценка проводится крайне редко. Чаще всего риски и неопределенность оцениваются интуитивно или на основе нескольких детерминированных сценариев, которые ошибочно называют пессимистичным, оптимистичным и наиболее вероятным. В статье проведено моделирование недостижения плановой экономической эффективности проектов по добыче нефти и газа без количественной оценки рисков и неопределенности, а также анализ уже проведенных зарубежных исследований по определению влияния игнорирования вероятностных расчетов при оценке нефтегазодобывающих проектов на их конечную экономическую эффективность.

FAILURE TO ACHIEVE PLANNED ECONOMIC PERFORMANCE OF OIL AND GAS PRODUCTION PROJECTS DUE TO LACK OF RISK ASSESSMENT AND UNCERTAINTY QUANTIFICATION

PRONEFT''. Professional'no o nefti, 2020, no. 3 (17), pp. 75-80

M.Y. Nazarenko, A.B. Zolotukhin
Gubkin Russian State University of Oil and Gas 

E-mail: m.nazarenko1990@gmail.com; anatoly.zolotukhin@gmail.com

Keywords: economic efficiency, project economics, risks assessment, uncertainty assessment, uncertainty quantification

Quantitative assessment of risks and uncertainty has always played the most important role in the evaluation of oil & gas projects. Any estimated, measurable or evaluable magnitude contains an uncertainty, whether it concerns measuring watercut by means of a multiphase flow meter (MPFM) or to the net present value (NPV) of a major E&P project. Evaluation of project economics, e.g. the calculation of net present value (NPV), internal rate of return (IRR), OPEX and CAPEX shall be probabilistic, i.e. carried out with the quantitative assessment of risks and uncertainty of estimated (predicted) values. Nevertheless probabilistic estimate takes place very rarely. Most commonly, assessment of risks and uncertainty would be intuitive or based on a number of deterministic scenarios mistakenly referred to as pessimistic, optimistic and most probable. This research simulates failure to achieve target economic efficiency of E&P projects with no quantitative assessment of risks and uncertainty, and reviews previous international research conducted to identify the effect of ignoring probabilistic estimates related to the evaluation of E&P projects on their final economic efficiency

DOI: 10.7868/S25877399200300118

ВВЕДЕНИЕ

Основной причиной необеспечения плановых экономических показателей является игнорирование количественной оценки рисков и неопределенности [1–4]. Использование только детерминированных способов расчета технических и экономических показателей, а также полное отсутствие или некачественный анализ количественной оценки рисков и неопределенности являются основными причинами того, что экономические показатели, установленные на начальных этапах реализации нефтегазодобывающих проектов, не будут достигнуты [3–6]. Например, принимается решение инвестировать в один из двух проектов, у которых все показатели идентичны кроме расчетных значений ЧДД: расчетное значение ЧДД первого проекта 200млн долл. США, второго проекта – 170 млн долл. США. В случае если количественная оценка рисков и неопределенности не проводится, то решение будет принято в пользу первого проекта с большим значением ЧДД. Если количественная оценка рисков и неопределенности проводится и в ходе оценки выясняется, что вероятность расчетного значения ЧДД первого проекта 50%, а второго проекта 85% и есть риск получить в первом проекте ЧДД 100млн долл. США, а во втором – ЧДД 144,5млн долл. США, то второй проект выглядит уже более привлекательным для инвестирования. Стоит отметить, что отличительная черта нефте - газодобывающей индустрии – акцентирование внимания не на величине и обширности рисков и неопределенности, а только на их пороговых значениях, демонстрирующих возможный риск провала, что также негативно сказывается на самой стратегии работы с рисками и неопределенностью [7–9].

КОЛИЧЕСТВЕННАЯ ОЦЕНКА НЕОПРЕДЕЛЕННОСТИ СНИЖАЕТ ИЛИ ИСКЛЮЧАЕТ КАК ОЖИДАЕМОЕ РАЗОЧАРОВАНИЕ (КОГДА ДОСТИГНУТЫЙ ЭКОНОМИЧЕСКИЙ ПАРАМЕТР НИЖЕ ПЛАНОВОГО), ТАК И ПРОЦЕНТ ПРИНЯТИЯ ОШИБОЧНЫХ РЕШЕНИЙ.

Само по себе наличие неопределенности нельзя назвать источником проблемы, так как существуют специальные алгоритмы, предназначенные для ее контроля и снижения ее воздействия на уровень эффективности проектов. Неопределенность присутствует всегда, и необходимо научиться работать с ней. Умение держать неопределенность под контролем является одним из основных показателей успешности любой деятельности, направленной на получение прибыли [10]. Совместно с инженерами-нефтяниками проведен ряд исследований, показавших наличие систематической избыточной уверенности в интуитивной оценке рисков принимаемых ими решений в условиях неопределенности. Например, проведенные эксперименты продемонстрировали, что при задании на предоставление 90%-ных доверительных интервалов различных технических параметров инженеры давали диапазоны, соответствовавшие только 32%-ным интервалам. На основании результатов исследований были сделаны выводы о необходимости использования вероятностных методов, для того чтобы усовершенствовать процесс оценки неопределенности и как следствие качества принимаемых решений и экономической эффективности [11]. В зарубежных исследованиях специалисты отмечают высокую заинтересованность компаний в использовании вероятностных методов для принятия решений в отрасли добычи нефти

ПРИЧИНЫ ОТКЛОНЕНИЯ ПРОГНОЗНЫХ И ФАКТИЧЕСКИХ ЗНАЧЕНИЙ

Стоит в первую очередь проанализировать основные моменты, оказывающие влияние на наличие отклонения расчетных (прогнозных) значений от фактических. Необходимо понимать, что значения, принимаемые в соответствии с прогнозом, на основании которых происходит принятие решений, и фактические значения, которые реализуются после принятия решений, будут различаться. Причины различий следующие: 

– Наличие неопределенности. В обстановке неопределенности прогнозы – это оценка будущего с определенной степенью вероятности. В реальности прогнозы и процессы принятия решений всегда связаны с наличием рисков и неопределенности. Однако, если используются детерминированные способы расчетов и оценок, данная неопределенность не подлежит контролю, разница между фактом и прогнозом будет кратно расти при увеличении количества принятых решений. С другой стороны, при использовании вероятностных методов расчетные значения будут все ближе к фактическим с ростом числа принимаемых решений. 

– Использование моделей. Модель, независимо от того, физической, математической или дескриптивной она является применительно к процессу, никогда не описывает реальность полностью. Она обычно представляет собой упрощенное представление о реальности. Особенно важным для нефтегазовой отрасли можно назвать выражение «Все модели неверны, но некоторые из них полезны», т.е. цель использования моделей – помощь в принятии решений. Как правило, не требуется, чтобы модели выступали в качестве идеальных средств для составления прогнозов, а требуется качественная оценка неопределенности в результатах расчета. 

– Человеческий фактор. Это допущение простых ошибок в логике, анализе, вводе и исчислении данных. 

– Погрешности измерений, которые возникают по причине недостатков измерительных приборов и физических сред, в которых они эксплуатируются, а также погрешности, которые допускаются при неправильном использовании этих приборов.

ОПИСАНИЕ ОСНОВОПОЛАГАЮЩИХ ПОНЯТИЙ, НЕОБХОДИМЫХ ДЛЯ ИСПОЛЬЗОВАНИЯ МЕТОДОВ КОЛИЧЕСТВЕННОЙ ОЦЕНКИ РИСКОВ И НЕОПРЕДЕЛЕННОСТИ

Основные понятия, которые требуется проанализировать для работы с количественной оценкой рисков и неопределенности: - p – вероятность наступления определенного события; - θ – параметр, который необходимо найти; - µ θ – математическое ожидание, т.е. средневзвешенная вероятность всех возможных значений θ . Математическое ожидание ( µ) определяется как для дискретной величины

11.1.PNG

Помимо этого следует сразу установить разницу между расчетным и истинным математическим ожиданием (между µθ_расч. и µθ_ист. ). Первый параметр является оценкой µθ_ист. , полученной в результате расчетов c использованием определенных инструментов прогнозирования. В качестве наиболее распространенного инструмента такой оценки стоит упомянуть стохастическое моделирование Монте-Карло. Ситуация, в которой µθ_расч. = µθ_ист. , могла бы наблюдаться, если бы компания имела неограниченные ресурсы (время, сотрудники, мощности техники), неограниченное финансирование различных исследований, связанных с изучением определяемого параметра и получением всей необходимой информации о нем. Однако в действительности ресурсы всегда ограничены, поэтому такая ситуация невозможна. Среднеквадратичное отклонение (σ ) – величина отклонения случайного значения от его наиболее вероятного значения µ.

11.2.PNG

Расчетная погрешность (РП ) – отклонение между µθ_расч. и µθ_ист. . Если они равны между собой, расчетная погрешность будет нулевой. В действительности этого никогда не бывает по причинам, описанным ранее. Однако с применением некоторых инструментов, среди которых стоит упомянуть количественный расчет рисков и неопределенности, расчетная погрешность может быть минимизирована: РП( θ) = µθ_расч. – µθ_ист. . (4) Ожидаемое разочарование (ОР) – термин, часто встречающийся в зарубежных исследованиях. Он используется для того, чтобы обозначить недостижение прогнозного показателя по причине отсутствия количественной оценки неопределенности. Как правило, данный термин применяется для показателей, описывающих эффективность проектов с экономической точки зрения. По сути ожидаемое разочарование является µРП по причине игнорирования количественной оценки рисков и неопределенности: ОР( θ) = µРП θ . (5)

МОДЕЛИРОВАНИЕ НЕДОСТИЖЕНИЯ ПЛАНОВЫХ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ ПРОЕКТОВ ПО ДОБЫЧЕ НЕФТИ И ГАЗА В СВЯЗИ С ОТСУТСТВИЕМ КОЛИЧЕСТВЕННОЙ ОЦЕНКИ РИСКОВ И НЕОПРЕДЕЛЕННОСТИ

Некоторые исследователи уже приводили эффект возрастания ожидаемого разочарования в экономической эффективности проектов по добыче нефти и газа без количественной оценки рисков и неопределенности [4, 5]. Но следует отметить, что авторы не демонстрировали реальность смоделированных ситуаций, которая отчетливо видна в результатах моделирования, представленных ниже. Существует ряд показателей, используемых для оценки эффективности проектов крупных нефтегазодобывающих компаний с экономической точки зрения. Они используются для оценки проектов при составлении портфеля компании. Среди таких показателей стоит упомянуть внутреннюю норму рентабельности (ВНР), чистый дисконтированный доход (ЧДД), размер капитальных и операционных затрат, а также ряд других параметров. Рассмотрим пример, в котором проводится оценка компанией проектов по добыче нефти и газа, одинаковых по своей экономической привлекательности. Для наглядности и простоты будем использовать только один параметр экономической эффективности – чистый дисконтированный доход. Компанией оценивается ряд проектов для финансирования, после чего она получает расчетные значения ЧДД по каждому из них. Таким образом, имеется выборка проектов, обладающих одинаковыми истинными значениями ЧДД и разными расчетными (прогнозными) значениями. Так как расчет ЧДД осуществлялся без количественной оценки рисков и неопределенности, будут иметь место значительные отклонения расчетных значений ЧДД от истинных для всех проектов, причем расчетные значения ЧДД каждого из проектов будут также отличаться друг от друга. Примем, что θi – это неопределенность (погрешность расчетов), присутствующая в расчетных значениях чистого дисконтированного дохода проектов по добыче нефти и газа. Можно допустить, что величина неопределенности в расчетах каждого из этих независимых проектов соответствует нормальному распределению с µθi =0 и σθi =1 или θi =N [0, 1]. Далее, примем несколько случаев, когда у компании есть различная величина выбора или, другими словами, различное количество доступных для выбора альтернативных проектов. Дальнейшая оценка проводится следующим образом: из одного, трех, десяти или пятидесяти альтернативных проектов, присутствующих в выборках, компании необходимо определить один наиболее рентабельный с точки зрения  

11.3.PNG

экономической эффективности, в нашем случае – с наибольшим значением чистого дисконтированного дохода. Расчетное значение ЧДД является равным его истинному значению с прибавлением θi – неопределенности или случай - ной величины расчетной погрешности. Расчет ожидаемого разочарования проводится в расчетных значениях ЧДД как разница max( θ 1 ... θn ) – µθi . Здесь µθi =0 и OР( θi ) =max( θ 1 ... θn). Моделирование всего этого процесса осуществляется по методу Монте-Карло. Интуитивно можно подумать, что при выборе проекта, у которого расчетное значение ЧДД является максимальным, обеспечивается выбор проекта, у которого и истинное значение ЧДД будет максимальным или почти максимальным. Также можно предполагать, что с увеличением числа доступных для выбора альтернативных проектов максимальный расчетный ЧДД будет приближаться к истинному, а величина OР( θi ) будет стремиться к нулю. Но по результатам моделирования отчетливо видно, что максимальный расчетный ЧДД значительно отличается от истинного, а также величина ОР увеличивается с ростом числа проектов (рис. 1). Таким образом, можно сделать вывод о том, что без количественной оценки рисков и неопределенности компания не сможет добиться плановой величины ЧДД и получит упущенную прибыль. Для последующего усложнения примера оценки проектов, описанного выше, добавим вариативность в истинные значения ЧДД. Таким образом, будут осуществляться выборка и оценка экономической эффективности проектов, разных по величине истинных ЧДД без количественной оценки рисков и неопределенности. Значение µθ i будет находиться в соответствии с нормальным вероятностным распределением при µµθi =0 и σµθi =(0, 1, 3, 5), или θi = N [ µθi , 1] и µθi = N[0, σµθi ]. Далее оценка проводится следующим образом: из одного, трех, десяти и пятидесяти альтернативных проектов компания выбирает один, у которого расчетное значение ЧДД является наибольшим. После этого рассчитывается ожидаемое разочарование в выбранных расчетных значениях ЧДД как разница max( θ 1 ... θn ) – µθi . Здесь µθi ≠ 0 и ОР( θi) =max( θ 1 ... θn ) – µθi . Помимо этого будет проведен расчет процента ошибок, допускаемых при принятии решений, касающихся выбора проекта, имеющего максимальное значение ЧДД. Этот процент ошибок представляет собой проекты, которые были отобраны в качестве проектов с максимальным расчетным значением ЧДД, однако истинное значение ЧДД у них не являлось максимальным в выборке альтернативных проектов. Можно интуитивно предположить, что с увеличением числа альтернативных проектов

11.4.PNG

в выборке максимальное расчетное значение ЧДД из выборки проектов будет стремиться к истинному максимальному значению ЧДД; также увеличение среднеквадратичного отклонения σ µ θ ( ) i или, другими словами, увеличение неопределенности в расчетных значениях ЧДД каждого проекта в выборке приведет к увеличению ожидаемого разочарования ( ) θ . i Однако это не так.

По результатам моделирования становится очевидно, что ожидаемое разочарование ( ) θi увеличивается по мере роста числа проектов, из которых выбирается один, имеющий максимальное значение расчетного ЧДД (рис. 2). Помимо этого возрастать будет и процент ошибок, допущенных при принятии решений о выборе проекта с максимальным значением ЧДД (рис. 3). Однако с ростом величины 

11.5.PNG

неопределенности (среднеквадратичного отклонения, σµθi ) ОР снижается. Без количественной оценки рисков и неопределенности компания не сможет добиться плановой величины ЧДД и в дополнение ко всему получит упущенную прибыль. Кроме того, будут приниматься неправильные решения при экономической оценке проектов во время составления портфолио компании. Следует также обратить внимание на то, что увеличение σµθi приводит к значительному снижению ОР( ) θi . Причина такого явления кроется в том, что возрастают шансы на принятие верного решения, т.е. выбора проекта с самым большим истинным значением ЧДД через выбор проекта с максимальным расчетным ЧДД в связи с ростом вариативности истинного значения ЧДД.

ОСНОВНЫЕ ВЫВОДЫ

На примере моделирования алгоритмов оценки проектов показано, что проекты по добыче нефти и газа не достигают экономической эффективности, если не проводится количественная оценка рисков и неопределенности. В соответствии с результатами моделирования можно видеть, что если количественная оценка рисков и неопределенности игнорируется, то ожидаемое разочарование увеличивается с ростом числа проектов, из перечня которых осуществляется выбор. Поэтому можно сделать вывод о том, что без количественной оценки неопределенности и рисков нефтегазодобывающая компания неминуемо и постоянно будет сталкиваться с недостижением (ожидаемым разочарованием) плановых параметров экономической эффективности проектов. Важность количественной оценки неопределенности в том, что она снижает или исключает как ожидаемое разочарование (ОР) (т.е. ситуацию, когда достигнутый экономический параметр остается существенно ниже планового), так и процент принятия ошибочных решений (выбор проектов не с максимальной экономической эффективностью). Исключение ОР позволит улучшить общую эффективность отрасли и открыть доступ к высокоприбыльным проектам, а более точная количественная оценка рисков и неопределенности позволит выявлять такие высокоприбыльные проекты.

Список литературы

    1. Begg S.H., Bratvold R.B., Campbell J.M. Shrinks or quants: Who will improve decision-making. Paper SPE84238 presented at the SPE Annual Technical Conference and Exhibition, Denver, Colorado. 5–8 October, 2003. http://dx.doi.org/10.2118/84238-MS
    2. Welsh M.B., Bratvold R.B., Begg S.H. Cognitive biases in the petroleum industry: Impact and remediation. Paper SPE96423 presented at the SPE Annual Technical Conference and Exhibition, Dallas, Texas, 9–12 October, 2005. http://dx.doi.org/10.2118/96423-MS
    3. Begg S.H., Bratvold R.B. Systematic prediction errors in oil and gas project and portfolio selection. Paper presented at the SPE Annual Technical Conference and Exhibition, Denver, Colorado, 21–24 September, 2008. http://dx.doi.org/10.2118/116525-MS
    4. McVay D.A., Dossary M.N. The Value of Assessing Uncertainty. SPE Journal. 2014. V. 6(2). P. 100–110. DOI: 10.2118/160189-pa
    5. Brashear J.P., Becker A.B., Faulder D.D. Where have all the profits gone // J. Pet. Tech. 2001. V. 53(6). P. 20–23, 70–73.
    6. Hightower M.L., David A. Portfolio modeling: A technique for sophisticated oil and gas investors. SPE Paper 22016, presented at the 1991 SPE Hydrocarbon Economics and Evaluation Symposium, Dallas, Texas, 11–12 April, 1991.
    7. Newendorp P.D. Decision analysis for petroleum exploration. Tulsa, Oklahoma: The Petroleum Publishing Co., 1975.
    8. Ball B.C., Savage S.L. Portfolio thinking: Beyond optimization. Petroleum Engineer International, May, 1999. P. 54–56.
    9. Leach P.E. Why can’t you just give me the number? Gainesville, Florida: Probabilistic Publishing, 2006.
    10. Capen E.C. The difficulty of assessing uncertainty (Includes Associated Papers 6422 and 6423 and 6424 and 6425) // J. Pet. Tech. 1976. V. 28(8). P. 843–850. http://dx.doi.org/10.2118/5579-PA
    11. Bickel J.E., Bratvold R.B. Decision making in the oil and gas industry: From blissful ignorance to uncertainty-induced confusion. Paper SPE109610 presented at the SPE Annual Technical Conference and Exhibition, Anaheim, California, 11–14 November, 2007. http://dx.doi.org/10.2118/109610-MS

References

    1. Begg S.H., Bratvold R.B., Campbell,J.M. Shrinks or Quants: Who Will Improve Decision-Making. Paper SPE 84238 presented at the SPE Annual Technical Conference and Exhibition (Denver, Colorado, 5–8.10.2003). Available at: http://dx.doi.org/10.2118/84238-MS (accessed 28.09.2020).
    2. Welsh M.B., Bratvold R.B., Begg S.H. Cognitive Biases in the Petroleum Industry: Impact and Remediation. Paper SPE 96423 presented at the SPE Annual Technical Conference and Exhibition (Dallas, Texas, 9–12.10.2005). Available at: http://dx.doi.org/10.2118/96423-MS (accessed 28.09.2020).
    3. Begg S.H., Bratvold R.B. Systematic Prediction Errors in Oil and Gas Project and Portfolio Selection. Paper presented at the SPE Annual Technical Conference and Exhibition (Denver, Colorado, 21–24.09.2008). Available at: http://dx.doi.org/10.2118/116525-MS (accessed 28.09.2020).
    4. McVay D.A., Dossary M.N. The Value of Assessing Uncertainty. SPE Journal. 2014, vol. 6, iss. 2, pp. 100–110. doi: 10.2118/160189-pa
    5. Brashear J.P., Becker A.B., Faulder D.D. Where Have All the Profits Gone. Journal of Petroleum Technology. 2001, vol. 53, no. 6, pp. 20–23, 70–73.
    6. Hightower M.L., David A. Portfolio Modeling: A Technique for Sophisticated Oil and Gas Investors. SPE Paper 22016, presented at the 1991 SPE Hydrocarbon Economics and Evaluation Symposium (Dallas, Texas, 11–12.04.1991). Available at: https://doi.org/10.2118/22016-MS (accessed 28.09.2020).
    7. Newendorp P.D. Decision Analysis for Petroleum Exploration. Tulsa, Oklahoma, The Petroleum Publishing Co., 1975.
    8. Ball B.C., Savage S.L. Portfolio Thinking: Beyond Optimization. Petroleum Engineer International. 1999, may, pp. 54–56.
    9. Leach P.E. Why Can’t You Just Give Me the Number? Gainesville, Florida, Probabilistic Publishing, 2006.
    10. Capen E.C. The Difficulty of Assessing Uncertainty (Includes Associated Papers 6422 and 6423 and 6424 and 6425). Journal of Petroleum Technology. 1976, vol. 28, no. 8, pp. 843–850. Available at: http://dx.doi.org/10.2118/5579-PA (accessed 28.09.2020).
    11. Bickel J.E., Bratvold R.B. Decision Making in the Oil and Gas Industry: From Blissful Ignorance to Uncertainty-Induced Confusion. Paper SPE 109610 presented at the SPE Annual Technical Conference and Exhibition (Anaheim, California, 11–14.11.2007). Available at: http://dx.doi.org/10.2118/109610-MS (accessed 28.09.2020).

Возврат к списку