8e Confrence Internationale de MOdlisation et SIMulation -MOSIM10 - 10 au 12 mai 2010 - Hammamet Tunisie valuation et optimisation des systmes innovants de production

n de biens et de services

Analyse du risque et valuation des projets dinvestissement

F. BELAID
CNRS/ UMR 7218 LAVUE ENSA PARIS 3-15 Quai Panhard et Levassor 75013 Paris- France A. fateh.belaid@paris-valdeseine.archi.fr

D. DE WOLF
IMN/Univ-Littoral 49/79 Place du Gnral de Gaulle B.P. 5529 59383 Dunkerque-France B. daniel.dewolf@univ-littoral.fr

RSUM : Lobjet de cet article est une tude quantitative du risque, autour de la problmatique principale de la
prise de dcision dinvestissement en amont ptrolier (exploration & production). Lobjectif premier est de fournir aux dcideurs un outil daide la dcision qui va leur permettre de choisir prudemment leurs stratgies dinvestissement et de rduire les checs. En ltat actuel des choses, le processus dcisionnel au sein des compagnies sest fortement complexifi. En effet, elles sont amenes slectionner un ensemble de projets sur la base de critres variables et incertains, notamment la volatilit du prix, et ltendu des ressources disponibles. Par ailleurs les correctifs classiques qui sont destins attnuer la complexit du processus dcisionnel, notamment la valeur actuelle nette (VAN) et lindice de profitabilit, se rvlent insuffisants vu, dune part, une faible prise en compte de la notion du risque qui est un lment essentiel de tout investissement, et dautre part, lomission des interactions entre les diffrents projets. En rsum, nous allons dfinir une mthodologie pour la gestion de portefeuille de projets dinvestissement qui va non seulement tenir compte du risque, mais galement de leffet de linterdpendance des projets. La mthodologie va tre applique un portefeuille de projets en amont ptrolier.

Mots-Cls. Optimisation dun portefeuille de projets ; Evaluation de projets ; Simulation de Monte Carlo ; Gestion
du risque.

1. INTRODUCTION
Lexploration et le dveloppement dun champ ptrolier font face de nombreuses inconnues : les incertitudes lies aux rendements et aux cots tout au long du cycle de vie du projet, aux cots dinvestissement (Capex), aux cots opratoires (Opex), au taux de production, au prix du ptrole (et du gaz), au taux de succs gologique, et au train des dpenses, notamment pour les puits sousmarins (lexploitation off-shore). Avec toutes ces incertitudes il est extraordinairement difficile de prvoir les bnfices et les cash-flows, mme pour les prospects les plus simples. Turner [1992] dfinit linvestissement de la manire suivante : Une tentative dans laquelle des ressources matrielles, humaines et financires sont organises de manire novatrice, afin d'entreprendre un

objectif unique de travail dune spcification donne, en respectant les contraintes du cot et du temps, de manire atteindre les changements bnfiques unitaires, grce des objectifs quantitatifs et qualitatifs donns. Cette dfinition met en lumire les changements induits par la nature des projets, la ncessit dorganiser une varit de ressources soumises des contraintes significatives, et le rle central des objectifs dans la dfinition du projet. Il suggre galement de prter une attention particulire aux incertitudes inhrentes la nouvelle organisation en tant qu'lment central dune gestion efficace des projets.

MOSIM10 - 10 au 12 mai 2010 - Hammamet -Tunisie

La mthodologie suivie dans cet article est issue de la thorie de la dcision et de la thorie de portefeuille. La thorie de la dcision a t d'abord applique aux projets dexploration-production par Allais [1956] avec son tude sur la faisabilit conomique de l'exploration dans le sud de Sahara Algrien. Ensuite, plusieurs tentatives ont mis mettre en uvre ces concepts dans le processus dcisionnel en amont ptrolier, par Grayson [1960], Krumbein and Graybill [1965], Drew [1967], ces concepts ont t populariss par Cozzolino [1977], Harris [1984,1990], Harbaugh [1984], Newendorp and Schuyler [2000], et autres. Cozzolino avait utilis une fonction d'utilit exponentielle dans la dtermination des flux financiers futurs dun projet d'exploration ptrolire pour exprimer l'quivalent certain, cet quivalent est gale la valeur espre moins une rmunration de risque, appele prime de risque. Une autre contribution importante est celle faite par Walls [1995] qui intgre le concept de la thorie de l'utilit multi-attributs (MultiAttribute Utility Theory Approach) au choix de projets dinvestissement ptroliers. Cette approche donne un aperu riche sur les effets de l'intgration des objectifs des compagnies ptrolires et sur lanalyse de risques dans les choix d'investissement. Walls et Dyer [1996] ont utilis cette approche pour tudier les changements dans la propension des risques en fonction de la taille des entreprises dans l'industrie ptrolire. Lhistoire de lanalyse quantitative du portefeuille a commenc dans les annes 50, avec le travail rvolutionnaire dHarry Markowitz, qui a vulgaris lide que laccroissement des rendements implique laccroissement du risque. Markowitz a dvelopp la base mathmatique et les consquences de cette analyse dans sa thse, soutenue en 1954. Dans les annes 60, William Sharpe [1964] a tendu et dvelopp les travaux de Markowitz, avec son modle dvaluation dactifs du march (CAPM : Capital Asset Pricing Model), tandis que Franco Modigliani et Merton Miller [1958] faisaient une autre contribution importante la thorie d'valuation des valeurs. Au dbut des annes 70, Fischer Black, Myron Scholes [1972] et Robert Merton [1973] ont dtermin le principe de lvaluation rationnelle des stocks options. Depuis, plusieurs recherches on t menes dans ce domaine. David B. Hertz [1968] a discut lapplication du modle de Markowitz aux projets industriels risqus avec la manire dont il est utilis dans le march financier. En 1983, Ball & Savage ont propos lapplication du modle de Markowitz aux dcisions stratgiques en E&P. Depuis 1990, les deux auteurs ont collabor sur un ensemble de modles pour rpondre aux besoins de certaines

compagnies. Cela, a permis daffiner la mthode, et de faciliter son application aux projets d'E&P. En outre, en 1997, l'observatoire de la terre de LamontDoherty de l'universit de Colombie a fond un consortium de socits de ptrole pour partager les connaissances en analyse des portefeuilles de projets d'E&P en se basant sur les modles de Ball & Savage [1999], Holistic vs. Hole-istic E&P Strategies. Ce dernier article reste lun des plus populaires dans le domaine. Depuis, plusieurs travaux ont t mens dans ce sens (Michael R. Walls [2004], Erdogan et al. [2005], etc.) L'ide d'origine est quun portefeuille peut avoir une valeur suprieure ou infrieure la somme des projets qui le composent, et quil n'y a pas un meilleur portefeuille, mais une famille de portefeuilles optimaux qui permettent d'atteindre un quilibre entre le risque et le rendement. Dans les annes 30 et 40, le dveloppement de la collecte et de l'analyse de donnes sismiques a sensiblement rduit le risque de non dcouverte du ptrole. La gologie et la gophysique rsultantes (G&G) ont rvolutionn la prospection ptrolire. L'analyse de dcision a t traditionnellement applique l'information drive de G&G pour ranger les projets puits par puits, dterminant sur une base individuelle sils devaient tre explors et dvelopps. Aujourd'hui, cette approche puits par puits (hole-istic) est concurrence par lapproche holistique globale (holistic) qui tient compte du portefeuille entier de projets potentiels. Cette analyse de portefeuille commence par la reprsentation des incertitudes locales des diffrents projets fournis par la science et la technologie de Gologie et la Gophysique (G&G). On tient compte alors des incertitudes globales en ajoutant deux G additionnels : la Goconomique et la Gopolitique. On essaye de ce fait de rduire les risques lis aux fluctuations des prix et aux vnements politiques en plus des risques physiques adresss par lanalyse traditionnelle de G&G. Lvaluation conomique de la rentabilit potentielle dun projet ptrolier est incertaine, elle dpend des rsultats de plusieurs variables : les cots totaux du projet, la probabilit de trouver un rservoir conomiquement exploitable, le volume et le type (ptrole/gaz) des hydrocarbures trouvs, et les prix de vente futurs de la production. Tous ces paramtres ont un impact sur les indicateurs conomiques des projets dexploration-production. Le risque conomique dun projet dexploration production, est essentiellement li lenvironnement conomique. Notamment, l'valuation de la rentabilit des investissements est base essentiellement sur les

MOSIM10 - 10 au 12 mai 2010 - Hammamet -Tunisie

scnarios de prix du ptrole, ce qui fait que ce dernier reste le facteur dterminant des revenus. 2. MODELE PROPOSE Le modle que nous proposons est un modle conomique intgral, ventil en trois tapes principales : 1. Evaluation individuelle de chaque projet par lutilisation de la mthode dterministe pour lvaluation des cash-flows du projet dexploration ou production ptrolire. 2. Gnration des simulations de Monte Carlo pour lvaluation des risques conomiques de projets ; 3. Construction dun modle doptimisation pour slectionner le portefeuille optimal de projets. 2.1. Evaluation dterministe des projets La premire tape dvaluation dun projet est de mettre en place un scnario de la situation de base et de calculer sa valeur actuelle nette (NPV : Net Present Value). Ceci suppose que les valeurs des paramtres d'entre sont connues : la nature du ptrole en place ; le taux de dclin ; les prix du ptrole pour chaque anne ; les cots de chaque anne ; le taux dactualisation ; la structure fiscale ; etc. Pour notre modle, la formule utilise est la suivante :

La dtermination du taux dactualisation utiliser est un lment critique du calcul conomique. En effet, un taux trop lev aura pour effet de valoriser le prsent au dtriment du futur et vice-versa. Les dcisions fondes sur ces calculs seront donc fausses. Lactualisation repose sur trois lments essentiels : linflation, la prfrence pour la jouissance immdiate, et laversion au risque. Les deux premiers principes sont souvent confondus dans ce que l'on nomme le "cot du temps" par opposition au troisime principe correspondant au "cot du risque". Le cot du temps reflte le fait qu'un euro de demain vaut moins qu'un euro d'aujourd'hui. Le cot du risque, quant lui, reflte le fait qu'un euro certain vaut plus qu'un euro espr mais incertain. 2.2. Evaluation probabiliste Pour analyser la sensibilit des projets aux paramtres dentre, nous utilisons la simulation de Monte Carlo. La simulation permet aux analystes de dcrire le risque et lincertitude des variables qui influencent la rentabilit du projet par des distributions de probabilit. Comme exemple de variables incertaines, on peut citer : les rserves, les cots de forage, les prix du brut, etc. L'avantage de simuler un systme sur ordinateur rside dans la possibilit de rpliquer son volution autant de fois que ncessaire dans des conditions indpendantes. Le premier objectif de lutilisation de la simulation dans lvaluation de projet en amont ptrolier est de dterminer la distribution de la VAN partir des variables qui influent sur le rendement du projet, do sa moyenne ou la valeur actuelle espre (voir Newendrop, 2002). Pour tout le processus on a utilis la dernire version du logiciel Crystal Ball version 7.3 (voir John Charnes, 2007). On peut rsumer le processus de la simulation de Monte Carlo effectu en trois tapes principales, comme suit : 1. Cration dune distribution de probabilit pour chaque paramtre conomique dentre : comme premire tape, nous devons dterminer les principaux facteurs de risque, qui sont ici en nombre de trois (production, Opex, Capex) et estimer leurs distributions de probabilits en utilisant les valeurs historiques et les jugements dexperts. Dans notre exemple les distributions attribues aux variables principales sont : log-normale pour la production, triangulaire pour Opex et Capex. Un exemple est donn dans le graphique de la figure 1 :

) [1 + + + ( )]

i=114 : Le nombre de projets dans le portefeuille = Le nombre de priodes pour la dure dactualisation = Prix du brut : Production de projet i : Investissements du projet i : Les cots opratoires de projet i : Taxes payes au gouvernement hte pour le projet i : Le taux dactualisation : Le taux dinflation

MOSIM10 - 10 au 12 mai 2010 - Hammamet -Tunisie

En thorie, lapplication dune procdure prvisionnelle devrait se drouler en trois tapes : - La collecte et lanalyse des informations, quil sagisse de donnes historiques ou des rsultats dune enqute ; - Llaboration dun modle orient vers la prvision; - Le contrle des prvisions. La ralit est tout autre, notamment en valuation. Lexprience montre, en effet, que la troisime condition nest jamais, ou presque jamais remplie. Il est rare quun suivi dune analyse de march ptrolier soit assur. Pour cela, nous avons imagin trois type de prix (bas, moyen et lev). Les reprsentent un moyen de rflchir perspectives futures sans sappuyer prconceptions. scnarios scnarios sur les sur des

Figure 1: Distribution de probabilit de la production de la troisime anne de projet 1. Rappelons que ces distributions sont frquemment utilises en industrie ptrolire, par exemple, Rodriguez et Oliveira [2005], Rose [1987]. 2. Gnration dune simulation de Monte Carlo avec 5 000 itrations. 3. Enregistrement des rsultats de la simulation (la distribution de VAN espre ENPV, la moyenne de la VAN, sa variance, et enfin on rcupre les donnes de la simulation qui vont tre utilises pour le calcul de la matrice des variances-covariances des valeurs espres de la VAN et celle des semi-covariances. Le calcul des deux matrices est fait sur Excel, laide de lutilitaire danalyse. Pour le prix du ptrole, vu le contexte actuel (la forte volatilit de prix du brut), il est difficile de dtecter une relation de long terme qui peut dcrire lvolution du prix. En consquence, le modle de prvision sera vou lchec, en sachant que le portefeuille de projets dont on dispose a une dure de vie de 22 ans. Pour pallier ce problme, dans le calcul de la VAN, lidal serait dimaginer quelques scnarios de prix (deux trois) en prenant compte tous les facteurs de la conjoncture conomique actuelle, et les ventuels changements futurs (accroissement continu de la demande mondiale, puisement ventuel des rserves, dcouverte de nouveaux gisements, ventuelle arrive dune nergie nouvelle, etc.). Pour cela, on a imagin trois scnarios de prix diffrents. Un prix bas 25 $ le baril avec une probabilit doccurrence de 0,2 ; un prix moyen 100 $ le baril avec une probabilit doccurrence de 0,4 ; un prix lev 200 $ le baril avec une probabilit doccurrence de 0,4. Enfin on calcule lesprance du prix.

2.3. Optimisation et slection du portefeuille optimale Depuis Markowitz [1952], lanalyse mathmatique de la gestion de portefeuilles sest dveloppe considrablement, et la variance est devenue la dfinition mathmatique la plus populaire du risque pour la slection de portefeuille. Les chercheurs ont dvelopp une varit de modles en utilisant la variance comme mesure du risque dans diverses situations, par exemple, Chow [1994], Chopra [1998], Hlouskova [2000], etc. En revanche, quand les distributions des rendements sont asymtriques, la slection du portefeuille base sur la variance peut tre un handicap potentiel, de fait quelle sacrifie trop de rendement prvu en liminant les rendements extrmes, la fois les rendements extrmes levs et les rendements extrmes faibles ; pour pallier ce problme, la semi-variance a t propose comme une autre mesure alternative du risque. Beaucoup de modles ont t construits sur la base de la minimisation de la semi-variance, par exemple, Markowitz [1993], Homaifar [1999], Grootveld [1999], Huang [2008], etc. Pour ces raisons, nous utilisons la semi-variance comme mesure du risque pour notre application. Le modle avec la semi-variance comme mesure du risque scrit de la manire suivante :

MOSIM10 - 10 au 12 mai 2010 - Hammamet -Tunisie

1 = 1 . =1

=1

= coefficient refltant le facteur daversion au risque de linvestisseur (01)

=1

= la fraction des investissements attribue aux cinq premiers projets (20 %) Pour obtenir la courbe de la frontire efficiente, on fait varier les valeurs du coefficient (tolrance au risque) dans lintervalle [0; 1]. Pour la rsolution du modle nous utilisons le logiciel GAMS (Brook and al, 1992). En tout nous avons eu 20 portefeuilles efficients. A lecture des rsultats, on remarque que le portefeuille P 1 est le plus rentable avec un rendement de 17 355,14 Millions $, une variance de 98 334,55, et un investissement de 4 995,78 millions de $. Le portefeuille correspond au portefeuille slectionn avec la mthode de lindice de profitabilit, avec une petite diffrence de composition, lexemple du projet EXP 7 qui est slectionn avec une fraction de 24 %, ce dernier nas pas t choisi auparavant, il en va de mme pour le projet EXP 4, qui est slectionn avec une fraction de 0,89 %, alors quavant il avait t slectionn en intgralit. La figure 2 prsente la frontire efficiente rsultante du modle.

Sous les contraintes suivantes : i= 1,N ; t = 2013,2017 (horizon de production dans le moyen terme) 0 1
=1 =1 =1

. . . . ) . ( .
=1

( 0

=1

. )

=1

Notation Comme indices, nous utilisons i et j pour indicer les diffrents projets et t pour les annes. O : N = le nombre total de projets (14) E = le nombre de premier lot de projets (5) EVANi = le rendement espr du projet i (fournit par la simulation de Monte Carlo) ij : les coefficients de la matrice des semi-covariances entre les valeurs actuelles nettes espres des projets i et j (fournis par la simulation de Monte Carlo) Ri = les rserves du projet i Pi = la production du projet i Ii = linvestissement du projet i Pmin t = la production minimale cible lhorizon t Rmin = le seuil de production minimal requis pour le portefeuille slectionn Imax = le capital dinvestissement disponible min = le seuil de la valeur actuelle nette dsir du portefeuille

Figure 2 : Frontire efficiente rsultante du modle. 3. CONCLUSION Notre modle sarticule principales suivantes : sur les trois tapes

Analyse des cash-flows de projets laide de calculs dterministes en utilisant les critres de la VAN ;

MOSIM10 - 10 au 12 mai 2010 - Hammamet -Tunisie

Analyse des cash-flows de projets laide de calculs stochastiques en utilisant la simulation de Monte Carlo pour le calcul de la VAN ; Slection du portefeuille optimal de projets en utilisant la mthode de Markowitz, en utilisant deux statistiques diffrentes comme mesure du risque (variance et semi-variance).

4. BIBLIOGRAPHIE Allais, M., (1956), valuation des Perspectives conomiques de la recherche minire sur de grands espaces-application au Sahara Algrien, Revue de lIndustrie Minrale, Paris, January, 329 383. Al-Harthy, M. H., (2007). Stochastic oil price models: Comparison and impact, Eng. Econ. 52(3)pp 269284. Ball, B.C, Savage, S.L., (1999), Holistic vs. Hole-istic E&P Strategies, SPE 57701. Journal of Petroleum Technology, September, 74. Brook and al, (1992), GAMS users guide release 2.25, The Scientific Press, San Francisco. Chow K., Denning K.C., (1994), On variance and lower partial moment betas: The equivalence of systematic risk measures, Journal of Business Finance and Accounting 11, pp 231-241. Cozzolino, J. M., (1977), Management of Oil and Gas Exploration Risk, Cozzolino Associates, Inc., West Berlin. Drew, L.J., (1967), Grid-drilling exploration and its application to the search for petroleum, Economic Geology 62, 698710. Erdogan, M., Mudford, B., (2001), Optimization of decision tree and simulation of portfolios: a comparison, SPE 68575. SPE Hydrocarbon Economics and Evaluation Symposium, Dallas. Estrada, J., (2007), Mean-semi-variance behavior: Downside risk and capital asset pricing, Int. Rev. Econ. Financ. 16(2) 169185. Fateh Belaid, Daniel DE WOLF, (2008a), Petroleum projects selection by taking the risk into account, HEC Ecole de Gestion de l'ULG Working Paper, N200812/01. Fateh Belaid, Daniel DE WOLF, (2009b), Stochastic evaluation of investment projects, HEC Ecole de Gestion de l'ULG Working Paper, May 09 / N 200905/02. Fichter, D.P., (2000), Application of genetic algorithms in portfolio optimization for the oil and gas industry, SPE 62970, SPE Annual Technical Conference and Exhibition, Texas.

La simulation de Monte Carlo que nous avons utilis pour la simulation des VAN des projets, est une mthode d'estimation gnrale, flexible et souvent simple implanter. Elle permet d'estimer des paramtres inconnus qui, autrement, seraient insaisissables. Elle reste une des mthodes les plus performantes en analyse de risque projet, car cest la seule mthode qui soit capable dintgrer les diverses dimensions dun problme. En effet, elle nous permet dimaginer tous les scnarii possibles des distributions des variables de projets. La comparaison des valeurs obtenues par lapproche de Monte Carlo aux valeurs dterministe nous claire sur la validit de la mthode Monte Carlo. En effet, les valeurs des diffrentes variables utilises dans cette mthode sont correctement estimes. La mthode doptimisation de portefeuille qui est base sur la mthode de Markowitz, permet aux dcideurs de voir la contribution marginale de chaque projet au portefeuille, de dfinir ainsi les portefeuilles de projets optimaux, et le meilleur taux de participation dans chaque projet. Cette mthode, contrairement aux mthodes de slection classiques, analyse les projets en prenant en considration les diffrentes facettes du risque et les diffrentes corrlations qui existent entre les diffrents projets, ce qui nous permet de cerner au mieux le risque encouru par les projets, de les quantifier, et de limiter les checs dinvestissement. Elle permet de dterminer : les allocations en capital, ainsi que la distribution de la production et des rendements pour chaque projet ; dterminer les stratgies dinvestissement adquates, qui rpondent aux objectifs attendus, et respectent les contraintes budgtaires de la compagnie.

Cette tude montre quune analyse explicite des incertitudes et des corrlations dans lvaluation individuelle du risque de projets dexploration production, amliore la qualit de la prise de dcision dinvestissement. Lutilisation de la thorie du portefeuille de Markowitz qui incorpore le risque dans le processus de slection, rend le systme danalyse dinvestissement plus adquat avec les attentes des dcideurs.

MOSIM10 - 10 au 12 mai 2010 - Hammamet -Tunisie

Grayson, C. J., (1960), Decisions Under Uncertainty: Drilling Decisions By Oil and Gas Operators, Harvard Business School, Boston. Hertz, David B., (1968), Investment Policies That Pay Off, Harvard Business Review, vol. 46, No. 1 (January-February) 96-108. Hightower, M. L. and A. David, (1991), Portfolio Modeling: A Technique for Sophisticated Oil and Gas Investors, SPE Paper 22016, presented at the 1991 SPE Hydrocarbon Economics and Evaluation Symposium, Dallas, TX, April 11-12. Homaifar G., Graddy D.B., (1990), Variance and lower partial moment betas as alternative risk measures in cost of capital estimation: A defense of the CAPM beta, Journal of Business Finance and Accounting 17, pp 677-688. Huang, X., (2008), Portfolio selection with new definition of risk, Eur. J. Oper. Res. 1(1) pp351-357. John Charnes, (2007), Financial Modeling with Crystal Ball and Excel, John Wiley & Sons, New York. Kaufman, G. M., (1963), Statistical Decision and Related Techniques in Oil and Gas Exploration, Prentice-Hall, Englewood Cliffs. Markowitz, H., (1952a), Portfolio selection, J. Financ. 7(1), pp 77-91. Markowitz, H., (1959b), Portfolio Selection: Efficient Diversification of Investment, John Wiley & Sons, New York. Markowitz, H., P. Todd, G. Xu, Y. Yamane (1993), Computation of mean-semivariance efficient sets by the critical line algorithm, Ann. Oper. Res. 45(1), pp 307-317. Megill, R. E., (1977), An Introduction to Risk Analysis, PennWell Books, Tulsa. Newendorp, P.D., Schuyler, J.R., (2000), Decision Analysis for Petroleum Exploration, 2nd ed. Planning Press, Colorado. Orman, M., Duggan, T.E., (1998), Applying Modern Portfolio Theory to Upstream Investment DecisionMaking, Paper SPE 49095 presented at the 1998 Annual Technical Conference and Exhibition, New Orleans, Sept. 27 30. Ross, J. G., (2004), Risk and uncertainty in portfolio characterization, J. Petrol. Sci. Eng. 44(12) 4153.

Sefair, J. A., A. L. Medaglia, (2005), Towards a model for selection and scheduling of risky projects, E. J. Bass, ed., Proceedings of the 2005 Systems and Information Engineering Design Symposium. Sira, E., (2006), Semi-variance as real project portfolio selection optimization criteria: An oil and gas industry application, Int. J. Global Energy 26(12) 4361. Tversky, A., D. Kahneman, (1991), Loss aversion in riskless choice: A reference dependent model, Q. J. Econ 106(4) 10391061. Walls, M. R., J. S. Dyer, (1996), Risk propensity and firm performance: A study of the petroleum exploration industry, Management Sci. 42(7) 1004 1021. Walls, M. R., (2004), Combining decision analysis and portfolio management to improve project selection in the exploration and production firm, J. Petrol. Sci. Eng. 44(12) 5565.