Михаил ГЛАДКОВ
Начальник управления комплексной экспертизы проектов АО «Зарубежнефть»
Е-mail: mgladkov@nestro.ru
Игорь АФАНАСЬЕВ
Заместитель генерального директора по геологии и разработке АО «Зарубежнефть», к. ф.-м. н.
Введение
Компания АО «Зарубежнефть» разрабатывает морские месторождения во Вьетнаме и Индонезии, а также владеет флотом самоподъемных установок для бурения скважин. Для освоения новых месторождений необходимо на ранних этапах обеспечить прогнозирование длительности реализации проектов с высокой точностью.
В литературе отмечается, что при недостаточном уровне обоснования необходимых показателей прогнозирование сроков выполняется оптимистично. В среднем в мировой практике при утверждении проекта прогнозные сроки устанавливаются на 15% быстрее аналогичных проектов. При этом фактическая реализация не подтверждает эффективность такого планирования. Так, по факту сроки проектов оказываются на 20% дольше плана [3].
В исследовании реализации нефтегазовых проектов [4] отмечается, что планирование в соответствии с бенчмаркингом отличает успешные проекты от не успешных. Отношение плановых сроков к бенчмаркингу у успешных проектов составляет 1,05, в то время как у неуспешных проектов – 0,83. Этот фактор оказывает негативное влияет на экономический результат. Так, неуспешные проекты получаются на 44% дороже, чем успешные.
При наличии недавно реализованного проекта со схожими характеристиками прогнозирование сроков на ранних этапах не является сложной задачей. Однако реализация проекта с отличными характеристиками от ранее реализованных проектов и в других регионах и странах создает значительные трудности. Например, для проектов освоения новых морских месторождений нефти и газа сроки реализации варьируются от 16 до 74 месяцев (таблица 1).
Влияние сокращения графика проекта на показатели проекта
Ключевыми показателями для оценки эффективности компании по реализации крупных проектов являются индекс реализации проекта и индекс полного цикла проекта. Индекс реализации рассчитывается как отношение срока выполнения проекта от завершения проектной документации до получения первой продукции к фактическому сроку запуска аналогичных проектов. Индекс полного цикла рассчитывается как отношение срока реализации проекта от начала этапа «Выбор», который характеризуется рассмотрением альтернативных вариантов разработки и обустройства проекта (ТЭО), до получения первой продукции к фактическому сроку цикла аналогичных проектов.
С точки зрения расчета экономической эффективности проектов по методу дисконтированных денежных потоков, сжатие графика проекта дает положительное влияние на экономические показатели за счет уменьшения фактора дисконтирования на будущие денежные потоки. На рис. 1 и 2 представлены расчеты NPV и IRR одного проекта с базовым графиком реализации в 6 лет и со сжатым графиком в 5 лет. Положительный эффект составляет +0,8% IRR и +2,3 млрд руб. NPV (рис. 3). Однако, как раннее было отмечено [4], сжатие планового графика относительно бенчмаркинга приводит к ухудшению экономических показателей проектов.
Ключевой проблемой при вычислении индекса реализации проекта является подбор аналогов и определение планового срока для бенчмаркинга. Проекты освоения морских месторождений являются уникальными, разрабатываются разными компаниями, которые не публикуют детальную информацию по своим проектам, что осложняет подбор аналога.
Для проведения анализа выдвинута следующая гипотеза: физические характеристики платформ связаны с длительностью реализации проектов. С усложнением физических характеристик длительность реализации увеличивается. Для проверки гипотезы выбраны 5 физических характеристик: масса, производительность, глубина моря, количество скважин, длина трубопровода.
Подготовка базы данных
В рамках данной работы была сформирована база данных по 64 морским платформам. Источники для наполнения базы данных:
обзоры по платформам [5] [6];
научные статьи [1] [2];
годовые отчеты операторов для верификации данных;
морские проекты группы компаний «Зарубежнефть» [7].
В состав базы данных вошли 64 проекта, в том числе:
стационарные платформы – 8 шт.;
платформы типа SPAR – 20 шт.;
платформы типа TLP и полупогружные – 36 шт.
Наличие данных по платформам различается. На рис. 4 представлено количество данных по показателям. Одновременно все данные есть по 40 платформам.
Далее, подбор зависимостей будет осуществляться для каждого отдельного показателя по всем платформам, у которых есть данные, а сравнение между показателями будет осуществляться по 40 платформам для исключения погрешностей. Сроки реализации считаются от принятия финального инвестиционного решения по проекту до получения первой продукции (рис. 1). Диапазоны параметров в базе данных представлены в таблице 1.
Анализ данных
На графике представлена зависимость сроков запуска проектов от массы платформы (рис. 5).
Из представленного графика можно сделать следующие выводы:
Наблюдается тенденция к росту длительности реализации проектов от массы платформы.
Не наблюдаются отдельные тенденции в зависимости от типа платформ. Для дальнейших расчетов построение будет происходить без разделения на типы платформ.
На графике представлена аппроксимация точек по степенной зависимости (рис. 6).
Степенная зависимости была выбрана исходя из учета эффекта масштаба при увеличении размера проекта. Для данной зависимости рассчитаны статистические коэффициенты. Коэффициент аппроксимации R2 говорит о среднем уровне корреляции. Стандартная ошибка SE в 1,1 мес. говорит о достаточном объеме выборки. Сигма = 7,7 мес. говорит о большом разбросе данных. При прогнозировании длительности только по средней степенной зависимости от массы в 67% случаев можно погрешность будет составлять +/- 7,7 мес. В 95% случаев погрешность будет составлять +/- 15,4 мес. Такой уровень погрешности не приемлем для прогнозирования сроков.
На графиках представлены зависимости от параметров мощности, фонда скважин и глубины моря (рис. 7).
от глубины моря, мощности подготовки, длины трубопровода, фонда скважин
Коэффициент аппроксимации, стандартная ошибка и сигма приведены в таблице 2. Также рассчитана доля проектов с отклонением <10% для понимания точности прогноза. По представленным коэффициентам видно, что полученные уравнения не подходят для прогноза.
Разработка модели прогнозирования сроков
Для прогнозирования длительности реализации предложена следующая гипотеза:
Компании стремятся реализовывать проекты быстро.
Длительность будет определяться критическим показателем.
Исходя из этого, на полученных корреляциях можно провести линию по нижним точкам, соответствующим параметру – . Предполагается, что эта линия определяет минимально возможное время для реализации проекта для данного физического показателя. Точки, которые находятся выше этой линии и характеризуются большей длительностью, скорее всего, определяются другими факторами, либо при реализации проекта компания столкнулась с непредвиденными трудностями. На рис. 8 линия ограничений выделена синим цветом.
Из данных уравнений была создана модель ограничений. Для проекта под его характеристики рассчитывается минимально возможный срок по каждому ограничению и выбирается для прогнозирования максимальный из них. В таблице 2 представлены результаты расчетов для модели ограничений. Также в таблицу добавлен расчет по среднему показателю среди выбранных пяти физических характеристик. Тестирование моделей проведено на 40 проектах в базе данных, по которым есть все необходимые данные.
На рис. 9 представлено сравнение фактических результатов и прогноза по модели для расчета по среднему показателю среди выбранных пяти физических характеристик. Видно, что наблюдается значительное отклонение проектов как в меньшую сторону, так и в большую. На рис. 10 представлено аналогичное сравнение для модели ограничений.
Модель ограничений показывает ожидаемые результаты: 43% проектов по модели имеют отклонение менее 10%. Это говорит о том, что 1 из 5 физических характеристик является для них ограничивающим фактором. Только 4 проекта оказались по факту быстрее, чем прогноз по модели. По 2 проектам с наименьшими сроками проведен анализ причин и выявлено, что они были реализованы по типовым проектам. Это значит, что они использовали разработанную проектную документацию для другого объекта, что позволило им сократить сроки на этапе проектирования. Другие проекты показывают по факту сроки дольше, чем прогнозирует модель, что можно объяснить факторами, не учтенными в модели, а также проблемой с реализацией.
Дальнейшие шаги
Модель ограничений возможно улучшить за счет добавления как других физических характеристик, так и экономических и страновых факторов. Перечень факторов, которые могут быть использованы для улучшения модели, представлен ниже:
Наличие в проекте строительства или конверсии FSO/FPSO, подводных добычных комплексов.
Страновые особенности (требования местного содержания, тендерные процедуры и согласования).
Климатические особенности.
Вид продукции (нефть, газ).
Выявление в статистике проектов с явными проблемами в реализации для исключения из построения трендов (аварии, ограничение финансирования и др.).
Годы реализации проектов.
Объем капитальных вложений.
Также модель может быть оптимизирована за счет подбора лучших уравнений аппроксимации. Стоит отметить, что еще в СССР для прогнозирования сроков использовались зависимости продолжительности строительства от стоимости с уравнениями вида:
