Система сценарного планирования и прогнозирования мировых цен стали и металлургического сырья

В настоящее время на мировых рынках стали и металлургического сырья (железной руды и коксующегося угля) наблюдается снижение цен. Оно вызвано как замедлением спроса со стороны китайской экономики, так и увеличением предложения вследствие реализации новых проектов по добыче сырья. Между тем для развития горно-металлургической промышленности и принятия инвестиционных решений необходимо понимание долгосрочной динамики цен. Для этого можно воспользоваться прогнозами, подготовленными аналитиками инвестиционных банков и независимых консалтинговых компаний. Часто, чтобы исключить случайные ошибки, принимают среднее значение по группе из таких прогнозов, называемое консенсус-прогнозом [1].

Многие аналитики из указанных организаций строят прогнозы, исходя из гипотезы о возвращении цены сырья к ее историческому среднему значению или тренду. В результате для разных источников характерен однообразный профиль прогнозируемой цены: ближайший прогнозный период отражает текущую повышательную или понижательную тенденцию рынка, затем цена снижается до своего долгосрочного низкого значения. К сожалению, такой прогноз в большинстве случаев малопригоден для обоснования стратегии роста компании в целом и крупных инвестиционных проектов. В горно-металлургической отрасли срок проектирования, ввода в эксплуатацию и выхода на полную мощность таких проектов может занимать пять-десять лет. Расчет приведенных к текущему времени стоимости, срока окупаемости и других показателей проекта на основе консенсус-прогноза зачастую приводит к негативному результату, означающему, что проект не окупит затраченных инвестиций. Другими словами, использование консенсус-прогноза может снизить риски развития компании, но не позволит воспользоваться возможностями, которые предоставляет рынок.

Консенсус-прогноз слабо отражает средне-, а тем более долгосрочную тенденцию цен. Если попытаться интерпретировать причины существенного занижения значений консенсус-прогнозов по сравнению с фактическими ценами, становится понятным, что при прогнозе некоторые факторы традиционно учитываются неадекватно или вообще не рассматриваются. Так, аналитики отрасли, скорее всего из консервативных соображений, временами занижают прогноз роста спроса, в то время как оценка предложения завышается. Зачастую игнорируется цикличность мировой экономики, которая оказывает существенное влияние на спрос сырья. Еще одним, часто не учитываемым важным фактором, является рост кривой предложения в силу увеличения операционных издержек из-за ухудшения горно-геологических условий разработки новых месторождений и истощения существующих запасов сырья, что повышает издержки на его обогащение [2]. Наконец, редко используемым в прогнозах фактором является стремительный рост капитальных вложений на единицу добываемого сырья. Рост удельных инвестиций обусловлен тем, что приходится начинать эксплуатацию месторождений в труднодоступных местах: например, на большом удалении от побережья, при отсутствии железнодорожной и портовой инфраструктуры [3].

Таким образом для стратегического планирования в горно-металлургических компаниях вместо использования внешнего консенсус-прогноза цен на сталь и сырье целесообразна разработка внутренней системы прогнозирования, основанной на собственном представлении о развитии макросреды и факторах, влияющих на цену.

В области количественного анализа и прогнозирования существует обширная литература, описывающая применение математических моделей для получения прогнозов для рынков стали и сырья. В качестве примеров можно привести работы по прогнозированию рынков лома [4], стального проката [5], железной руды [6-9], коксующегося угля [10; 11] и никеля [12]. Вместе с тем использованию эконометрических моделей, описанных в указанной литературе, традиционно сопутствует проблема несогласованности входящих в модель в качестве исходных данных внешних прогнозов. Кроме того, чем дальше горизонт прогнозирования, тем слабее понимание значений факторов, влияющих на цену и соответственно точность прогнозов. Как следствие полученный прогноз часто не вполне четко позиционируется с точки зрения восприятия «глобальной картины мира» и его места в возможных «альтернативных будущих». В результате ценность такого прогноза для «стратегического диалога» в компании может оказаться недостаточно высокой [13].

Этого недостатка лишена методология сценарного планирования [14; 15]. Однако при ее использовании неоднозначен переход к количественной характеристике сценариев и собственно прогнозам ценовых трендов [16]. Вследствие этого менеджменту зачастую сложно использовать сценарии для финансового планирования в компаниях, где царит «количественная культура» [17].

В этой связи был разработан сценарно-модельный комплекс, являющийся комбинацией систем сценарного планирования и эконометрических моделей. Основными областями использования сценариев и прогнозов долгосрочных ценовых трендов на сталь и металлургическое сырье являются:

• выработка менеджментом согласованного мнения о долгосрочной динамике мировой экономики и рынков;
• целеполагание и разработка стратегии;
• расчет годового бюджета и долгосрочного бизнес-плана;
• оценка инвестиционных проектов (как органичного роста, так и слияний и поглощений).

Сценарное планирование в разработанном комплексе включает пять основных этапов (рис. 1). На первом этапе идентифицируются ключевые показатели, влияющие на динамику цен на сталь и сырье. Сбор данных происходит посредством мониторинга литературных источников и обсуждения с экспертами. На втором этапе они ранжируются по степени влияния на цены и по уровню неопределенности. Из них выбираются два наиболее влиятельных с наивысшей степенью неопределенности (критические неопределенности) для построения «квадрата неопределенности». На третьем этапе значимые показатели, их ранжирование и критические неопределенности обсуждаются панелью экспертов, в которую входят главные экономисты крупных международных банков (Citibank, JPMorgan Chase & Co, Deutsche Bank, UBS, Macquarie Group и т.д.) и консалтинговых компаний (McKinsey & Company, BCG, CRU, Global Insight и т.д.).

Принято, что основу критических неопределенностей, значимо влияющих на развитие горно-металлургической отрасли в ближайшие десять лет, составляет динамика роста экономик Китая и ведущих стран мира. Действительно, Китай в настоящий момент производит почти половину мирового объема стали (1,5 млрд. т в 2012 г.), импортирует почти 70% руды, торгуемой на мировом рынке, и около 20% коксующегося угля [18]. Размеры, скорость развития и дисбалансы китайской экономики не имеют аналогов в истории и существенно влияют на конъюнктуру мирового рынка стали и сырья. Суть неопределенности - в способности к дальнейшему наращиванию потребления и производства стали в этой стране.

Большинство опрошенных экспертов склоняются к тому, что китайская экономика в ближайшее десятилетие испытает «мягкую посадку» (soft landing, вероятность - 70%): рост экономики плавно замедлится с 8 до 3% в год, рост производства стали в силу сокращения доли инвестиций в ВВП и их металлоемкости прекратится в 2018-2020 гг., и в дальнейшем возможно его медленное снижение.

С меньшей вероятностью (20%) эксперты ожидают «жесткой посадки» (hard landing) китайской экономики. В этом случае рост ВВП резко замедлится (не превысит 4%), сократятся потребление и производство стали и металлургического сырья. Еще меньше вероятность (10%), согласно мнению экспертов, что экономика Китая продолжит расти без существенного замедления.

Другой критической неопределенностью является рост экономик развитого мира. Среди них выделяются страны Европейского союза, где в настоящий момент продолжается рецессия. В результате почти на четверть снижено производство и потребление стали относительно исторического максимума и наблюдается спад импорта сырья [19; 20]. Большинство экспертов прогнозируют медленное восстановление экономики в Европе вместе с потреблением стали (вероятность - 80%). Однако, по их мнению, производство стали никогда не достигнет исторических максимумов (более 200 млн. т в год) и будет находиться на 10-20% ниже этого уровня. С меньшей вероятностью (20%) эксперты указали на возможность продолжения снижения европейского ВВП, что в худшем случае может привести к таким катастрофическим последствиям, как распад еврозоны.

Комбинация различных вариантов раскрытия критических неопределенностей формирует четыре сценария:

• low case (нижний сценарий: проблемное развитие Китая или еврозоны, вероятность - 22%);
• worst case (наихудший сценарий, вероятность - 2%): ситуация hard landing в Китае и затяжного кризиса еврозоны;
• base case (базовый сценарий, вероятность - 60%): soft landing в Китае и медленное восстановление в Европе;
• high case (верхний сценарий, вероятность - 16%): будет иметь место в случае сохранения темпов роста в Китае.

На четвертом этапе сценарного планирования вводится гипотеза об экономическом цикле, которому будет следовать мировая экономика в течение периода исследования: 2013-2023 гг. Она принята для того, чтобы динамика прогнозных значений не отличалась резко от исторических, как это часто бывает в долгосрочных экономических прогнозах. Цикличность не дает шанса пользователям прогноза забыть про регулярно надуваемые пузыри и кризисы на рынке, предоставляя им тем самым возможность освободиться из ловушки принятия управленческих решений, исходя из текущей конъюнктуры.

Исследованию экономического цикла и его использования в прогнозировании посвящено существенное количество современных работ (см. напр. [21-23]). Следуя методологии, указанной в [21], историческая динамика мирового ВВП и металлургической отрасли за последние 50 лет была изучена с помощью разложения в ряд Фурье. Было установлено, что средний период металлургического цикла составляет десять лет. В результате экстраполяции исторической цикличности на будущее, принята гипотеза, в соответствии с которой в 2013-2014 гг. ожидается циклическое замедление мировой экономики, а в 2018-2019 гг. произойдет более сильное замедление (или даже кратковременная остановка роста мирового ВВП), вызванное очередным кризисом.

На заключительном, пятом этапе построения (оцифровки) сценариев на основании мнений экспертов и использования комплекса моделей формируются средние значения по основным прогнозируемым показателям для разных сценариев (табл. 1).