Переход к методам оценки инвестиционной привлекательности предприятий на основе цифровизации

Введение

На любом хозяйственном уровне, будь то национальная экономика, регион или отдельно взятое предприятие определенной отрасли, руководство испытывает на себе последствия глобализации и цифровизации. Новые вызовы делают международную инвестиционную политику все более сложной, что «…наряду с расширением государственного вмешательства делает инвестиционную политику менее предсказуемой для инвесторов» [1] (Kabalina, 2015).

Быстро изменяющийся инвестиционный климат предполагает постоянный мониторинг определяющих ее факторов. Оценка инвестиционной привлекательности предприятия и мониторинг этого показателя интересны потенциальным инвесторам и собственникам предприятия не только для привлечения инвестиций, но и получения положительного эффекта от их освоения. Действующие предприятия как объекты инвестирования заинтересованы в разработке мероприятий, поддерживающих инвестиционную привлекательность на высоком уровне, т.е. для минимизации барьеров и ограничений инвестиционного процесса объектам нужен универсальный инструментарий для анализа и оценки факторов, влияющих на изменение инвестиционного климата.

Обзор экономической литературы показывает существование достаточного количества методик для оценки инвестиционной привлекательности объектов инвестирования (см. подробнее [2, с. 38–40; 3] (Aleksandrov, Vyakina, Skvortsova, Pavlova, Kondrateva, Rusina, 2020, р. 38–40; Skvortsova, Kondrateva, 2019)). Каждая из существующих методик оценки имеет свои достоинства, недостатки и конкретные целевые ориентиры. Например, несмотря на то, что методология проекта Doing Business [4] совершенствуется год от года, вносятся улучшения во все наборы показателей, вводятся новые критерии качества, существенным пробелом оценки Всемирного банка является то, что не предусматривается влияние политических факторов, которые на сегодняшний день играют значительную роль во всех сферах общественной жизни, и в инвестициях в том числе. У бизнес-сообщества нет пока еще на вооружении универсальной, типовой рабочей методики. Чаще всего предлагаются методики, трудоемкие и труднореализуемые на практике, поэтому инвесторам и заинтересованным лицам очень трудно провести комплексный анализ самостоятельно [5] (Vyakina, 2019).

Хочется отметить, что выводы аналитиков, работающих с существующими методиками, основываются на ретроспективных данных, и абсолютно не учитывается современная быстро меняющаяся внешняя среда (политика, военные конфликты, эпидемии и т.п.) что, по нашему мнению, не может соответствовать будущим прогнозам развития и является на современном этапе главной проблемой, на которую мы обращаем внимание и пытаемся решить в данном научно-прикладном исследовании.

Цель работы – обосновать возможность научно-прикладной реализации методики диагностики инвестиционной привлекательности объекта инвестирования (AVS matrix Method), основанной на цифровизации, то есть на использовании информационных технологий.

Научная новизна исследования заключается в обосновании целесообразности использования цифровых технологий для диагностики факторов, формирующих инвестиционную привлекательность предприятия и проявляющихся в форме несистематической составляющей рисков, формирующейся на иерархических уровнях хозяйствования (предприятие, отрасль, регион, национальная экономика).

От качества оценки рисков и правильного выбора критериев проявления угроз зависит степень адекватности оценки инвестиционной привлекательности предприятия и комплекс необходимых мер по предупреждению рисков.

Реализация авторской методики с использованием цифровых технологий

Цифровые технологии позволяют сформировать новые инструменты диагностики инвестиционной привлекательности объектов инвестирования. Для решения поставленной проблемы предлагается применение уже сложившегося тренда цифровой технологии больших данных (Big Data) для методики диагностики инвестиционной привлекательности объекта инвестирования на основе авторского матричного метода AVS matrix Method.

Матрица, которая и является инструментарием диагностики привлекательности объектов инвестирования (рис. 1), является логической системой, которая синтезирует в себе факторы, определяющие инвестиционную привлекательность на всех иерархических уровнях во взаимодействии. Каждая ячейка которой представляет сочетание определенной группы факторов с соответствующим уровнем хозяйственной иерархической системы (факторы – уровни) [1].

Рисунок 1. Матрица, основанная на принципе «факторы – уровни»

Источник: составлено авторами.

На пересечении факторов и уровней в 16 ячейках матрицы представлена их взаимосвязь. Работа с ячейками матрицы позволяет анализировать взаимодействия между ее элементами. Разработанная система должна охватывать максимальную совокупность условий и факторов, которые не только способствуют инвестированию, но также могут являться барьерами и ограничениями для экономического развития объекта инвестирования.

Следует отметить преимущества предлагаемой методики в сравнении с существующими:

· матрица – это модель, удобная в графическом представлении и восприятии, и как отмечают российские исследователи, «…представляет собой сочетание факторного подхода и рискового подхода, что создает возможности эффективно проводить анализ как с точки зрения факторов, обуславливающих инвестиционную привлекательность на исследуемом уровне, так и с позиции неизбежных рисков, как существующих, так и возникающих в инвестиционном процессе» [3, с. 27] (Skvortsova, Kondrateva, 2019, р. 27);

· разработан пошаговый алгоритм с описанием каждого этапа оценки (подробнее см. [2, с. 286–299] (Aleksandrov, Vyakina, Skvortsova, Pavlova, Kondrateva, Rusina, 2020, р. 286–299);

· факторы идентифицированы и логически структурированы в целостную систему, в которой четыре укрупненные группы факторов: административно-правовые, экономические, ресурсно-технические и социально-экологические, находятся во взаимодействии с иерархическими уровнями хозяйствования (подробнее см. [2, с. 68–75] (Aleksandrov, Vyakina, Skvortsova, Pavlova, Kondrateva, Rusina, 2020, р. 68–75));

· универсальность и комплексность методики «…позволяет проводить оценку инвестиционной привлекательности любого из четырех уровней: от предприятия до национальной экономики, в отличие от других методик, которые специализируются на диагностике конкретного субъекта экономики. Структура матрицы позволяет проводить как вертикальный, так и горизонтальный анализ» [3, с. 27–28] (Skvortsova, Kondrateva, 2019, р. 27-28).

С позиции научно-прикладной реализации узким местом в методике на данном этапе является формирование набора факторов. Авторами предлагаются дифференцированные по укрупненным группам наборы факторов (подробнее см. [2, с. 75–101] (Aleksandrov, Vyakina, Skvortsova, Pavlova, Kondrateva, Rusina, 2020, р. 75–101)). База данных такого формата имеет статический характер и неспособна быстро реагировать на все возможные угрозы возникновения инвестиционных рисков, как внешние, присущие рыночной экономике и, как правило, имеющие стихийный характер, с учетом воздействия процессов глобализации, так и внутренние факторы деятельности предприятия, негативно влияющие на его инвестиционную привлекательность.

Предлагается при разработке подобного инструментария и оперативного отражения существующих факторов учитывать уже сложившийся тренд цифровизации, выявленный авторами по обзору открытых источников: использование технологии больших данных для проведения бизнес-аналитики на основе учета всего массива структурированной и неструктурированной информации (далее – Big Data).

Именно применение технологии Big Data позволит при использовании матричного метода AVS matrix Method оперативно отражать влияние внешних факторов, которые формируются на любом из хозяйственных уровней. В современных условиях эффективно обработать традиционными методами объем неоднородной и быстро меняющейся информации невозможно. Использование технологии Big Data позволит выполнить не только анализ данных, но и оценить риски. Далее при соответствующем программном обеспечении информационных технологий легко выполнить расчеты, позволяющие оценить инвестиционный риск и его систематическую и несистематическую составляющие.

С учетом вышесказанного применение методики будет выглядеть так.

На первом этапе эксперт работает с набором факторов (базой данных), где представлены все возможные факторы инвестиционных рисков, как внешние, с учетом воздействия процессов глобализации, так и внутренние факторы деятельности предприятия. Факторы объединены в четыре укрупненные группы: административно-правовые, экономические, ресурсно-технические и социально-экологические, с учетом хозяйственных уровней. Эксперт должен выбрать и оценить пять факторов по каждой группе на каждом уровне, на этом его функции заканчиваются. Дальнейшая оценка формируется только путем расчетов, без участия эксперта, что снижает влияние субъективного фактора на результаты диагностики, и как уже было отмечено ранее, рассматривается как преимущество предлагаемого метода перед существующими.

Далее в разработанной компьютерной программе формируется матрица, которая и является инструментарием диагностики и оценки привлекательности объектов инвестирования (рис. 1), каждая ячейка которой представляет сочетание определенной группы факторов с соответствующим уровнем хозяйственной иерархической системы (факторы – уровни). Функциональные возможности программы включают оценку привлекательности объектов инвестирования, измерение степени влияния каждого фактора и вычисление несистематической составляющей инвестиционного риска.

Предлагаемый инструментарий позволяет увидеть величину несистематической составляющей инвестиционного риска «в разрезе». Четко указать, факторы какой группы и на каком хозяйственном уровне увеличивают риски. Полученная информация позволит разработать и реализовать меры по их снижению.

Программа может применяться инвесторами, специалистами кредитных организаций, использоваться при проведении анализа инвестиционных проектов и в иных случаях, требующих экспертной оценки инвестиционной привлекательности объекта.

Особенности формирования набора факторов

Для методики диагностики инвестиционной привлекательности объекта инвестирования на основе авторского матричного метода AVS matrix Method кроме указанных групп следует учитывать ряд конкретных институциональных составляющих, которые в значительной мере являются дискуссионными как в научном, так и в бизнес-сообществе [6] (Vyakina, 2020). Влияние институциональных особенностей современной российской экономики на экономическое поведение бизнеса рассматривают и другие российские ученые [7] (Alpidovskaya, Stompeleva, 2020). Предприниматели считают, что именно институциональные составляющие, такие как факторы администрирования налогов, оказывают негативное влияние на привлекательность объекта инвестирования. По отношению к матрице (рис. 1) – это факторы административно-правовой группы.

Следует отметить, что исследования ученых приводят к противоречивым выводам. Например, подвергается сомнению высказывание о том, что снижение налогов повысит инвестиционную привлекательность [8]. По мнению группы ученых [9] (Ge, Stanley, Eddleston, Kellermanns, 2017), «…налоговые стимулы абсолютно неэффективны в привлечении инвестиций в странах с плохим инвестиционным климатом и низким качеством государственного управления. В таких странах предприниматели стараются заводить политические связи, чтобы иметь неформальную политическую защиту, а иногда и для того, чтобы поучаствовать в перераспределении собственности» [10] (Hamilton-Hart, 2017).

В выводах [11, 12] (Alexandrov, Yablonev, 2019; Barbosa, Carvalho, Pereira, 2016) отмечается, что налоговые стимулы при неадекватном характере налогового администрирования могут вообще выступать как дестабилизирующий фактор.

Следует отметить и негативное влияние на мотивацию предпринимателей к инвестированию в добывающей сфере, где на конкретных предприятиях возникают рентные отношения [13] (Alexandrov, Yablonev, 2018). Рента по определению является неналоговым платежом, что требует разработки иного механизма регулирования ренты (более подробно об этом см. [14] (Aleksandrov, Yablonev, 2019)). Следует также подчеркнуть «…необходимость оценки в составе факторов административно-правовой группы политической, коррупционной и криминальной составляющих, оказывающих исключительно негативное влияние на риски и, соответственно, мотивацию и стимулы к инвестированию» [15] (Aleksandrov, Vyakina, Skvortsova, 2020).

Дискуссионным в настоящее время остается вопрос формирования совокупности факторов, формирующих базу данных. Глобальные процессы трансформации формируют новые угрозы. Исследователи отмечают, что в процессе глобального развития кризисные явления усиливают чувства незащищенности в сознании человека и общества, что сопровождается переоценкой ценностей. По мнению российских ученых, «компоненты социальных страхов стали неотъемлемой частью человеческого существования» [16] (Rudenko, Rodionova, Stepanova, 2019).

С ними соглашаются южно-африканские ученые [17] (Solanki Seetharam, 2018) и предлагают учитывать нетрадиционные факторы, такие как настроение инвесторов, с учетом компонентов социальных страхов. Их исследование подтверждают значимость этого фактора в пяти из девяти исследованных стран. Корейский ученый [18] (Park, 2018), напротив, утверждает, что существенной связи между настроением инвестора и принятием инвестиционного решения не выявлено.

Заключение

Применение технологии больших данных для формирования набора факторов (базы данных) в реализации научно-прикладной методики диагностики инвестиционной привлекательности объекта инвестирования на основе авторского матричного метода AVS matrix Method позволит, по нашему мнению, оперативно отражать влияние внешних факторов, которые формируются на любом из хозяйственных уровней, что повысит эффективность использования полученных результатов анализа и принятых управленческих решений. Методика оценки инвестиционной привлекательности предприятия в действующей экономической системе, характерной для данного периода времени, позволяет определить все перспективы и угрозы развития инвестиционной деятельности.

[1] Основанный на матричном подходе Метод, предназначенный для диагностики и оценки инвестиционной привлекательности получил название AVS matrix Method (авторский метод Александрова Г., Вякиной И., Скворцовой Г.).