Создать PDF Рекомендовать Распечатать

Построение сводной оценки стоимости объектов интеллектуальной собственности

Инновации.Инвестиции | (105) УЭкС, 11/2017 Прочитано: 4747 раз
(1 Голосование)
  • Автор (авторы):
    Борзенкова Анастасия Александровна, Колодко Дмитрий Владимирович
  • Дата публикации:
    22.11.17
  • ВУЗ ИЛИ ОРГАНИЗАЦИЯ:
    Санкт-Петербургский государственный архитектурно-строительный университет

Построение сводной оценки стоимости объектов интеллектуальной собственности

Making of the general valuation of intellectual property objects

 

Борзенкова Анастасия Александровна

Borzenkova Anastasya Aleksandrovna

студент кафедры экономики предпринимательства и инноваций,

Санкт-Петербургский государственный архитектурно-строительный университет

borzenkova.anastasya@yandex.ru


Колодко Дмитрий Владимирович

Kolodko Dmitry Vladimirovich

кандидат экономических наук,

старший преподаватель кафедры экономики предпринимательства и инноваций,

Санкт-Петербургский государственный архитектурно-строительный университет

koldemetrios@mail.ru

 

Аннотация. Статья посвящена построению сводной оценки стоимости объектов интеллектуальной собственности. В статье приводится обзор основных методов оценки. Применение разных методов на практике часто приводит к получению нескольких различных оценок стоимости. Авторами предлагается построение сводной оценки с использованием метода рандомизированных сводных показателей. Приводится пример оценки стоимости патента на полезную модель двухслойной строительной панели, а также рассчитывается степень приемлемости его продажи по цене, предлагаемой потенциальным покупателем.

Abstract. The article is devoted to the making of the general valuation of intellectual property objects. The article gives an overview of the main valuation methods. The application of different methods in practice often leads to several different estimations of the value. The authors propose the using of the randomized general indices method to make the general valuation of intellectual property. An example is given of valuation of a patent for a utility model of a double layer building panel, as well as the computing the degree of acceptability of its sale at the price offered by the potential buyer.

Ключевые слова: интеллектуальная составляющая инновационного продукта,интеллектуальная собственность, оценка интеллектуальной собственности, метод сводных показателей, рандомизация неопределенности

Keywords: intellectual component of the innovative product,intellectual property, valuation of intellectual property, general indices method, randomization of uncertainty

Введение

Задача оценки стоимости объектов интеллектуальной собственности возникает при отчуждении исключительных прав, выдаче исключительных и неисключительных лицензий, внесении нематериальных активов в уставный фонд коммерческих организаций. При оценке интеллектуальной собственности используются три основных подхода: доходный, сравнительный и затратный, в рамках которых выделяется множество специальных методов.

На практике часто возникает ситуация, когда оценки стоимости, полученные с использованием разных методов и подходов, не совпадают. В этом случае оценщику требуется получить сводную оценку. Для этого чаще всего каждой оценке приписывается некоторый вес, характеризующий степень доверия оценщика к соответствующему результату, после чего находится сумма произведений оценок и их весов. К сожалению, точные значения весовых коэффициентов, как правило, неизвестны оценщику.

Целью данной статьи является теоретический обзор подходов к оценке интеллектуальной составляющей инновационного продукта, а также разработка рекомендаций по применению метода рандомизированных сводных показателей для построения итоговой оценки стоимости объекта интеллектуальной собственности и определения степени приемлемости его продажи или покупки по предлагаемой фиксированной цене. В статье приводится пример оценки стоимости патента на полезную модель двухслойной строительной панели с использованием метода рандомизированных сводных показателей.

 

1. Интеллектуальная составляющая инновационных продуктов и основные подходы к ее оценке

Первым экономистом, который ввел понятия "нововведение" и "инновация", был Йозеф Шумпетер [11]. В настоящее под термином "инновация" чаще всего понимают изменения, связанные с применением технических, технологических или организационно-управленческих новшеств [2].

Конечный результат инновационной деятельности называется инновационным продуктом. Принято выделять 3 составляющие инновационного продукта: материальную, энергетическую и интеллектуальную [3]. В современном мире наиболее важную роль играет интеллектуальная составляющая, а разработка методов ее оценки представляет собой актуальную задачу. Интеллектуальная составляющая инновационного продукта обеспечивается интеллектуальным капиталом, к которому относятся человеческий капитал и институционализированный (объекты интеллектуальной собственности) капитал [8].

В соответствии с ч. 4 Гражданского Кодекса РФ, результаты интеллектуальной деятельности и средства индивидуализации,  которым предоставляется правовая охрана, называются интеллектуальной собственностью (ИС). Таковой признаются изобретения, полезные модели, промышленные образцы, селекционные достижения, топологии интегральных микросхем, товарные знаки и т.д. В настоящее время существуют три основных подхода к оценке интеллектуальной собственности: доходный, затратный и сравнительный [1]. Рассмотрим каждый подход отдельно.

Доходный подход включает в себя ряд методов, основанных на нахождении ожидаемых доходов от использования объекта оценки и дисконтировании денежных потоков [2, 4]. Такой подход следует использовать в тех случаях, когда оценщик обладает достоверной информацией об объекте (например, при переоценке инновационного продукта), имея которую можно приступить к  планированию будущих доходов, которые будут получены с помощью объекта оценки. К методам доходного подхода относятся метод освобождения от роялти, метод преимущества в прибыли, метод выигрыша в себестоимости и метод реальных опционов.

Метод освобождения от роялти применяется, когда объект оценки не принадлежит пользователю, а предоставляется в пользование на основании лицензии, за которую пользователь платит отчисления (роялти) от выручки. Формула для оценки интеллектуальной собственности этим методом:

где Q – количественная оценка стоимости объекта ИС,  – объем выпуска продукции с использованием оцениваемого объекта в t-м году;  – продажная цена единицы продукции, в создании которой принимал участие оцениваемый объект, r – ставка роялти, d – ставка дисконтирования.

Суть метода преимущества в прибыли заключается в определении дополнительной прибыли, создаваемой оцениваемым объектом и в приведении данного потока платежей к текущему моменту времени. Формула оценки стоимости выглядит следующим образом:

где Q – количественная оценка стоимости объекта ИС, d – ставка дисконтирования,  – преимущество в прибыли (дополнительная прибыль, ожидаемая от использования оцениваемого нематериального актива, по сравнению с применяющимся вариантом производства) в t-м году.

Метод выигрыша в себестоимости применяют, когда объект интеллектуальной собственности позволяет заметно снизить затраты. Формула, используемая в данном методе, схожа с основной формулой метода преимущества в прибыли:

где Q – количественная оценка стоимости объекта ИС, d – ставка дисконтирования,   – экономия затрат при использовании объекта оценки по сравнению с применяющимся вариантом производства в t-м году.

Метод реальных опционов основан на том, что объект интеллектуальной собственности можно рассматривать в качестве опциона колл, поскольку он дает компании право на развитие. Основные модели, используемые при оценке стоимости данным методом: биномиальная модель и модель Блэка-Шоулза. В ряде случаев этот метод позволяет получить более обоснованные оценки стоимости, чем прочие методы доходного подхода, но он требует знания дополнительных параметров, которые бывает достаточно сложно получить на практике.

Доходный подход имеет свои преимущества и недостатки, которые указаны в таблице 1.

 

Таблица 1. Преимущеста и недостатки доходного подхода

Преимущества подхода

Недостатки подхода

Учитывается временная стоимость денег

Сложность определения ставки дисконтирования

Учитываются будущие доходы, а не только информация о прошлом

Сложность точного прогнозирования будущих доходов

 

Сущность сравнительного подхода заключается  в определении рыночной стоимости объекта на основе информации о ценах покупки и продажи объектов аналогов [2, 4].

Один из наиболее известных методов сравнительного подхода это метод сравнительных продаж. В рамках этого метода предполагается поиск зарегистрированных в патентных органах лицензий на схожие объекты ИС, информации о ценах продажи таких объектов, а также условия, при которых продажа возможна (предложения патентообладателей или потенциальных покупателей, данные патентных аукционов и т.д.). На основе собранной информации рассчитывается средняя рыночная цена объектов-аналогов, которая затем корректируется в зависимости от сравнительных преимуществ и недостатков оцениваемого объекта.

Преимущества и недостатки сравнительного подхода перечислены в таблице 2.

 

Таблица 2. Преимущества и недостатки сравнительного подхода

Преимущества подхода

Недостатки подхода

Подход основывается  на реальной рыночной информации, а не на прогнозах.

Применение возможно при наличии достаточного объема экономических данных по объектам-аналогам.

Подход позволяет учитывать индивидуальные отличия оцениваемого объекта от его аналогов.

Сложность сбора и анализа информации, поскольку цена может сильно зависеть от условий сделки.

 

В основе затратного подхода лежит оценка восстановительной стоимости объекта [2, 4]. Данный подход следует применять в случаях, когда поиск объекта-аналога не предоставляется возможным, а также возникают затруднения с прогнозом на следующие периоды.

В рамках данного подхода выделяются метод учета затрат на восстановление аналога оцениваемого объекта и метод учета стоимости затрат на замещение оцениваемого объекта. Оба метода предусматривают 3-шаговую процедуру:

1) Во-первых, следует определить затраты на создание объекта оценки или его аналога;

2) Во-вторых, оценивается степень морального износа объекта ИС;

3) Наконец, находится стоимость объекта оценки как разность общих затрат на создание объекта (или такого же объекта) и величины износа в денежном эквиваленте.

Преимущества и недостатки затратного подхода перечислены в таблице 3.

 

Таблица 3. Преимущества и недостатки затратного подхода

Преимущества подхода

Недостатки подхода

Все расчеты основаны на данных о реально существующих объектах

Не учитываются  доходы будущих периодов

Оценка является наиболее точной, так как основывается на финансовых и учетных документах

Методы данного подхода нацелены на объекты, не имеющие развитый рынок продаж

 

Оценки стоимости объекта интеллектуальной собственности, полученные разными методами, на практике часто получаются различными. В этом случае оценщику требуется предоставить единственную оценку, обобщающую полученные результаты. Для ее построения можно воспользоваться методом сводных показателей, к описанию которого мы переходим.

2. Метод рандомизированных сводных показателей

Сущностью метода сводных показателей является  объединение (свертка) нескольких оценок исследуемого объекта в одну сводную оценку [6, 10]. Метод позволяет оценивать стоимость, качество, надежность различных объектов, таких как материальные и нематериальные активы, компании, проекты, управленческие решения, прогнозы финансовых показателей [5, 7] и т.д.

Алгоритм построения сводного показателя Q некоторого исследуемого объекта приведен ниже:

1) Вводятся исходные характеристики объекта, используемые при получении сводного показателя (вектор ). Применительно к оценке интеллектуальной собственности, исходными характеристиками будут являться стоимостные оценки, полученные на основе различных подходов и методов.

2) Выбирается функция , сопоставляющая вектору характеристик объекта  сводный показатель . Предполагается, что функция  зависит от вектора  весовых коэффициентов, определяющих значимость отдельных показателей. Например, для получения сводного показателя можно использовать линейную функцию:

которая и будет применяться в данной статье.

3) Определяются значения координат вектора весовых коэффициентов . Для весовых коэффициентов, как правило, вводят дополнительное условие нормировки . Таким образом, параметр   представляет собой степень относительного влияния характеристики  на сводный показатель объекта в целом.

4) Зная вид синтезирующей функции  и значения весовых коэффициентов, рассчитывается значение сводного показателя. Полученный сводный показатель и рекомендуется использовать в качестве оценки стоимости объекта ИС в данной статье.

Важнейшей процедурой является выбор весовых коэффициентов. На практике зачастую эксперты не в состоянии указать точные значения весов отдельных характеристик. Ответы экспертов могут не являться числами, а быть объектами нечисловой природы [9].

Иногда эксперты могут высказать свое суждение об интервалах, в которых заключены весовые коэффициенты (интервальная, неточная информация). Пример неточной информации: «вес оценки патента на изобретение, полученной методом освобождения от роялти, заключен в интервале от 0,4 до 0,6». В других ситуациях эксперты могут сделать выводы только об относительной значимости характеристик объекта (ординальная, нечисловая информация). Пример порядковой информации: «оценка, полученная методом освобождения от роялти, важнее оценки, полученной методом нахождения стоимости создания НМА»). Кроме того, эксперт может не предоставить никакой информации о весах некоторых оценок (неполная информация). Таким образом, оценка весовых коэффициентов производится по неточной, нечисловой и неполной информации (ННН-информации) [10].

Неопределенность выбора вектора весовых коэффициентов можно моделировать рандомизацией, т.е. введением многомерной случайной величины . Сводный показатель также будет случайной величиной, поэтому в таком случае говорят о методе рандомизированных сводных показателей [6, 10].

Рассмотрим метод выбора весовых коэффициентов, реализованный в системах поддержки принятия решений АСПИД-3W и APIS [6].

Все возможные векторы весовых коэффициентов  образуют симплекс:

.

Для упрощения вычислительных процедур координаты вектора весовых коэффициентов  будем отсчитывать дискретно с шагом . Например, если исследователь задаст n=100, то все весовые коэффициенты будут измеряться с точностью до одной сотой (0,01), что вполне достаточно в большинстве случаев, возникающих на практике.

Таким образом, вместо непрерывного множества  мы будем рассматривать конечное множество . Число элементов этого множества можно рассчитать по формуле:

Эксперт снабжает оценщика нечисловой (порядковой), неточной и неполной информацией I о весовых коэффициентах. Эта информация представляет собой некоторую систему строгих и нестрогих неравенств, например: w1 > w2, w2 > w3, 0,1 ≤ w3 ≤ 0,2 и т.д.  Данные ограничения позволяют сократить множество  до некоторого непустого множества  всех допустимых весовых коэффициентов. 

Неопределенность выбора вектора  из множества  моделируется путем рандомизации этого выбора, то есть введения многомерной случайной величины , имеющей дискретное равномерное распределение на множестве . Иными словами, каждый вектор весовых коэффициентов, удовлетворяющий ограничениям I, с равной вероятностью может быть значением случайной величины .

В качестве числовых оценок весовых коэффициентов можно взять математические ожидания случайных величин , образующих случайный вектор :

Подстановка случайных величин   в формулу  дает рандомизированный сводный показатель, представляющий собой случайную величину . Например, для линейной функции получим следующее:

В качестве числовой оценки сводного показателя можно взять математическое ожидание:

,

которое для линейной функции  будет иметь следующий вид:

Зачастую исследователь получает нечисловую, неточную и неполную информацию  не от одного эксперта I, а от нескольких экспертов . При этом он, как правило, может иметь сведения, хотя бы и в порядковом или интервальном виде, об относительной надежности каждого из этих N источников информации или хотя бы нескольких из них. В этом случае возможно решить иерархическую задачу и построить сводный показатель 2-го иерархического уровня. Такая задача решается в два этапа [6]:

1) На первом этапе необходимо построить случайные величины - сводные показатели  по версии каждого i-го эксперта.

2) На втором шаге полученные сводные показатели  принимаются в качестве характеристик объекта. На основе имеющейся у исследователя информации о надежности каждого из экспертов строится случайный вектор . После этого для оцениваемого объекта строится итоговый рандомизированный сводный показатель:

Математическое ожидание указанной выше случайной величины можно принять в качестве итоговой оценки. Учитывая независимость случайных величин  и  при , формулу для итоговой оценки можно записать в следующем виде:

Помимо математического ожидания, можно рассчитать и другие характеристики распределения случайной величины . Например, рассчитав дисперсию и среднее квадратическое отклонение, можно сделать выводы о степени неточности полученной оценки.

Также можно найти вероятности  и , где X - некоторая константа. Например, при проведении оценки стоимости объекта интеллектуальной собственности с целью его последующей продажи, в качестве X можно взять цену, которую предлагает потенциальный покупатель. Тогда вероятность  можно интерпретировать как степень уверенности владельца объекта ИС в том, что предлагаемая ему цена является приемлемой.

 

3. Пример получения сводной оценки стоимости патента на полезную модель

В качестве примера получим сводную оценку стоимости патентных прав на полезную модель двухслойной строительной панели. Указанная полезная модель применяется в строительстве для отделки стен зданий. Полезные свойства модели заключаются в повышении прочности отделки. Ожидается, что строительные материалы, в которых будет использоваться данная полезная модель, будут пользоваться хорошим спросом и продаваться по более высокой цене, чем их аналоги на рынке, а затраты на их производство останутся примерно на том же уровне.

 Предположим, патентообладателю поступило предложение продать патент за сумму в 200 000 рублей, а оценка проводится с целью сделать вывод о приемлемости или неприемлемости данной суммы. Под продажей патента в данной статье понимается заключение возмездного договора об отчуждении исключительного права на результат интеллектуальной деятельности в соответствии со статьей 1224 ч. 4 ГК РФ.

Оценка проводилась с использованием различных подходов и методов, результаты оценки приведены в таблице 4.

 

Таблица 4. Оценка стоимости патентных прав на полезную модель двухслойной строительной панели

Метод

Оценка стоимости, руб.

1. Доходный подход

1.1 Метод освобождения от роялти

200 000

1.2 Метод преимущества в прибыли

210 000

1.3 Метод реальных опционов

220 000

2. Сравнительный подход

2.1 Метод сравнения аналогов

190 000

3. Затратный подход

3.1 Метод определения стоимости создания

180 000

 

Пусть также у оценщика имеется мнение об относительной важности полученных им оценок. Поскольку оценивается патент на полезную модель, наиболее надежными рекомендуется [2] считать результаты, полученные с использованием доходного подхода, а наименее надежными будут результаты, полученные с использованием затратного подхода. Будем полагать также, что весовой коэффициент для оценки затратным подходом не ниже 0,1 (иначе оценщику не было бы смысла использовать затратный подход вообще).

Таким образом, для весовых коэффициентов  оценок на основе доходного, сравнительного и затратного подходов соответственно, имеем следующую систему ограничений:

Оценка стоимости патентных прав на полезную модель двухслойной строительной панели доходным подходом получается путем синтеза трех оценок, полученных методами освобождения от роялти, преимущества в прибыли, реальных опционов, с весовыми коэффициентами  соответственно. Предположим, оценщик уверен в своем прогнозе реализации продукции, в которой используется рассматриваемая полезная модель, а прогноз прибыли считает неточным. Тогда можно утверждать, что оценка методом избавления от роялти более надежна, чем оценка методом преимущества в прибыли, а наименее надежной является оценка методом реальных опционов. Будем полагать также, что весовой коэффициент для наименее надежной оценки не ниже 0,1 (иначе эту оценку не было бы смысла получать). Для весовых коэффициентов  имеем следующую систему ограничений:

Итоговую оценку стоимости патентных прав на полезную модель двухслойной строительной панели получим по схеме, представленной на рисунке 1.

 

 

Рисунок 1 – Схема получения рандомизированной итоговой оценки стоимости патента

 

Найти математическое ожидание  возможно, используя системы поддержки принятия решений АСПИД-3W или APIS [6]. С их же помощью можно сделать выводы о точности получаемых оценок в случае неиерархических задач. Однако если возникает иерархическая задача, в указанных СППР каждый результат приходится получать отдельно, поэтому с их помощью возможно найти математическое ожидание  рандомизированного сводного показателя, но провести более детальное исследование затруднительно. Непосредственно с помощью СППР АСПИД-3W и APIS нельзя рассчитать дисперсию и с.к.о. сводных показателей второго и более высоких иерархических уровней. В работе [12] приводятся формулы, позволяющие получить дисперсию и стандартное отклонение, однако эти показатели не позволяют находить вероятности событий  или , поскольку неизвестным остается закон распределения случайной величины . Поэтому для решения поставленной задачи авторами данной статьи были написаны программы на языке R (использовалась среда разработки RStudio).

Все весовые коэффициенты будем отсчитывать с шагом 0,01 (n=100). Для решения задачи получим сначала рандомизированную оценку стоимости патента на полезную модель двухслойной строительной панели доходным подходом . Поскольку необходимо ввести m=3 рандомизированных весовых коэффициентов, число всех возможных весовых коэффициентов составит:

 

Программный код приведен ниже:

1

# Задаются исходные данные

2

n <- 100

3

m <- 3

4

N <- factorial(n+m-1)/(factorial(m-1)*factorial(n))

5

q_roy <- 200000

6

q_prof <- 210000

7

q_opt <- 220000

8

# Формируется множество всех возможных векторов весовых коэффициентов

9

w_roy <- vector(mode="numeric", length="5151")

10

w_prof <- vector(mode="numeric", length="5151")

11

w_opt <- vector(mode="numeric", length="5151")

12

k <- 0

13

for (i in 0:n) {

14

  for(j in 0:(n-i)){

15

  k <- k+1

16

  w_roy[k] <- i*(1/n)

17

  w_prof[k] <- j*(1/n)

18

  w_opt[k] <- 1-(i+j)*((1/n))

19

  }

20

}

21

# Задаются ограничения на весовые коэффициенты

22

Restrictions <- (w_roy > w_prof+(1/(n*10))) & (w_prof > w_opt+(1/(n*10))) & (w_opt >= 0.1-(1/(n*10)))

23

# Формируется множество допустимых векторов весовых коэффициентов

24

w_roy_appr <- w_roy[Restrictions]

25

w_prof_appr <- w_prof[Restrictions]

26

w_opt_appr <- w_opt[Restrictions]

27

# Рассчитываются все возможные значения сводной оценки

28

Q_inc <- w_roy_appr*q_roy + w_prof_appr*q_prof + w_opt_appr*q_opt

29

# Рассчитывается математическое ожидание рандомизированной сводной оценки

30

EQ_inc1 <- mean(w_roy_appr)*q_roy + mean(w_prof_appr)*q_prof + mean(w_opt_appr)*q_opt

31

# Вывод результата на экран

32

print(c('Ew_roy =', mean(w_roy_appr), 'sdw_roy=', (((length(w_roy_appr)-1)/length(w_roy_appr))^0.5)*sd(w_roy_appr)))

33

print(c('Ew_prof =', mean(w_prof_appr), 'sdw_prof=', (((length(w_prof_appr)-1)/length(w_prof_appr))^0.5)*sd(w_prof_appr)))

34

print(c('Ew_opt =', mean(w_opt_appr), 'sdw_opt=', (((length(w_opt_appr)-1)/length(w_opt_appr))^0.5)*sd(w_opt_appr)))

35

print(c('EQ_inc =', mean(Q_inc), '=', EQ_inc1))

36

print(c('DQ_inc =', ((length(Q_inc)-1)/length(Q_inc))*var(Q_inc), 'sdQ_inc =', (((length(Q_inc)-1)/length(Q_inc))^0.5)*sd(Q_inc)))

37

# Построение гистограмм

38

h1 <- hist(w_roy_appr, plot=FALSE)

39

h1$counts=h1$counts/sum(h1$counts)

40

plot(h1, ylim = c(0, 0.4), xlim = c(0, 1), main=NULL, xlab="Вес оценки методом освобождения от роялти", ylab="Вероятность")

41

abline(v=mean(w_roy_appr), col="red", lwd= 4)

42

h2 <- hist(w_prof_appr, plot=FALSE)

43

h2$counts=h2$counts/sum(h2$counts)

44

plot(h2, ylim = c(0, 0.4), xlim = c(0, 1), main=NULL, xlab="Вес оценки методом преимущества в прибыли", ylab="Вероятность")

45

abline(v=mean(w_prof_appr), col="red", lwd= 4)

46

h3 <- hist(w_opt_appr, breaks = 5, plot=FALSE)

47

h3$counts=h3$counts/sum(h3$counts)

48

plot(h3, ylim = c(0, 0.6), xlim = c(0, 1), main=NULL, xlab="Вес оценки методом реальных опционов", ylab="Вероятность")

49

abline(v=mean(w_opt_appr), col="red", lwd= 4)

50

h4 <- hist(Q_inc, plot=FALSE)

51

h4$counts=h4$counts/sum(h4$counts)

52

plot(h4, ylim = c(0, 0.2), xlim = c(202000, 212000), main=NULL, xlab="Оценка доходным подходом, руб.", ylab="Вероятность")

53

abline(v=mean(Q_inc), col="red", lwd= 4)

 

Программа формирует множество всех 5151 возможных векторов весовых коэффициентов, после чего проверяется справедливость ограничений, налагаемых на весовые коэффициенты , и отбираются допустимые векторы весовых коэффициентов. В данном случае число допустимых векторов составило 408. Для каждого допустимого вектора рассчитывается соответствующее ему значение сводной оценки стоимости патента на полезную модель доходным подходом. Поскольку каждому допустимому весовому вектору и, как следствие, каждой рассчитанной сводной оценке (среди этих оценок могут быть одинаковые числа), приписывается одинаковая вероятность, то для расчета математических ожиданий, дисперсий и средних квадратических отклонений можно воспользоваться функциями mean( ) - среднее арифметическое, var( ) - выборочная дисперсия, sd( ) - выборочное стандартное отклонение (при этом var( ) и sd( ) следует умножить на соответствующие поправки). Числовые характеристики величин  и  представлены в таблице 5.

 

Таблица 5. Характеристики рандомизированных весов различных методов и сводной оценки доходным подходом

 

 

Таким образом, за оценку стоимости патента на рассматриваемую полезную модель доходным подходом можно взять 206400 руб. Точность полученной оценки можно охарактеризовать средним квадратическим отклонением, равным в нашем случае 1427 руб.

Чтобы получить представление о распределении весов  и итоговой оценки , были построены гистограммы распределения с отмеченными на них математическими ожиданиями, представленные на рисунках 2 - 5.

 

 

 

Рисунок 2 – Гистограмма распределения веса оценки стоимости, полученной методом освобождения от роялти

 

 

Рисунок 3 – Гистограмма распределения веса оценки стоимости, полученной методом преимущества в прибыли

 

 

 

Рисунок 4 – Гистограмма распределения веса оценки стоимости, полученной методом реальных опционов

 

 

 

Рисунок 5 – Гистограмма распределения сводной оценки стоимости патента на полезную модель двухслойной строительной панели доходным подходом

 

Имея сводную оценку стоимости патента доходным подходом, можно приступить к получению итоговой сводной оценки стоимости. Получить множество допустимых значений случайного вектора , найти  математические ожидания компонентов и построить гистограммы распределений весов оценок, полученных разными подходами, возможно с использованием той же программы, которая использовалась для работы с весами . Для этого в программе следует изменить названия переменных, в качестве q_inc указать полученную ранее оценку , а также изменить ограничения, налагаемые на весовые коэффициенты.

В данном примере, после замены переменных ограничения останутся теми же самыми. Как и ранее, будет получено 5151 возможных весовых векторов, а из них будут выбраны допустимые. В результате получим следующие оценки:

Тогда в качестве итоговой оценки стоимости патента на... можно использовать величину:

 руб.

Однако данный подход не поможет оценщику сделать выводы о неточности полученной оценки, вызванной неопределенностью выбора всех 6-ти весовых коэффициентов. Также нельзя будет сказать, насколько приемлемой для текущего патентообладателя является предлагаемая ему цена в 200 000 рублей. Поэтому будем рассматривать множество возможных значений случайного вектора . Общее количество векторов:

Такой объем данных вполне возможно обработать на персональном компьютере за несколько минут. При увеличении количества оценок и уровней иерархии число N будет быстро возрастать, а вычисления занимать все больше и больше времени. В таких случаях рекомендуется уменьшать шаг отсчета h, а также учитывать ограничения на весовые коэффициенты и точнее устанавливать границы изменения индексных переменных в циклах for( ). Отметим, что при оценке интеллектуальной собственности чаще всего используется небольшое количество методов.

Из множества всех возможных весовых векторов отбираются допустимые векторы, координаты которых удовлетворяют следующей системе ограничений:

Для каждого допустимого вектора рассчитывается соответствующее ему значение сводной оценки . Программный код приведен ниже:

1

# Задаются исходные данные

2

q_roy <- 200000

3

q_prof <- 210000

4

q_opt <- 220000

5

q_mark <- 190000

6

q_cost <- 180000

7

n  <-  100

8

N <- 5151*5151

9

X <- 200000

10

# Формируется множество всех возможных векторов весовых коэффициентов

11

w_roy <- vector(mode="numeric", length="26532801")

12

w_prof <- vector(mode="numeric", length="26532801")

13

w_opt <- vector(mode="numeric", length="26532801")

14

w_inc <- vector(mode="numeric", length="26532801")

15

w_mark <- vector(mode="numeric", length="26532801")

16

w_cost <- vector(mode="numeric", length="26532801")

17

k <- 0

18

for (i in 0:n) {

19

  for(j in 0:(n-i)){

20

  for(a in 0:n){

21

  for(b in 0:(n-a)){

22

  k <- k+1

23

  w_roy[k] <- i*(1/n)

24

  w_prof[k] <- j*(1/n)

25

  w_opt[k] <- 1-(i+j)*((1/n))

26

  w_inc[k] <- a*(1/n)

27

  w_mark[k] <- b*(1/n)

28

  w_cost[k] <- 1-(a+b)*(1/n)

29

  }

30

  }

31

  }

32

  print(i)

33

}

34

Restrictions <- (w_roy > w_prof+(1/(n*10))) & (w_prof > w_opt+(1/(n*10))) & (w_opt >= 0.1-(1/(n*10))) & (w_inc > w_mark+(1/(n*10))) & (w_mark > w_cost+(1/(n*10))) & (w_cost >= 0.1-(1/(n*10)))

35

# Формируется множество допустимых векторов весовых коэффициентов

36

w_roy_appr <- w_roy[Restrictions]

37

w_prof_appr <- w_prof[Restrictions]

38

w_opt_appr <- w_opt[Restrictions]

39

w_inc_appr <- w_inc[Restrictions]

40

w_mark_appr <- w_mark[Restrictions]

41

w_cost_appr <- w_cost[Restrictions]

42

# Рассчитываются все возможные значения сводной оценки

43

Q_res <- w_inc_appr*(w_roy_appr*q_roy + w_prof_appr*q_prof + w_opt_appr*q_opt) + w_mark_appr*q_mark + w_cost_appr*q_cost

44

# Вывод результата на экран

45

print(c('EQ_res=', mean(Q_res), 'DQ_res =', ((length(Q_res)-1)/length(Q_res))*var(Q_res), 'sQ_res =', (((length(Q_res)-1)/length(Q_res))^0.5)*sd(Q_res)))

46

# Построение гистограммы

47

hres<-hist(Q_res, plot=F)

48

hres$counts <- hres$counts / sum(hres$counts)

49

plot(hres, ylim = c(0, 0.12), xlim = c(190000, 205000), main=NULL, xlab="Сводная оценка, руб.", ylab="Вероятность")

50

abline(v=mean(Q_res), col="red", lwd= 4)

51

# Расчет вероятности P(Q_res <= X)

52

numfav <- length(which(Q_res<=X))

53

Prob  <-  length(which(Q_res<=X))/(length(Q_res))

54

print(c('N_благ=', numfav, 'N_общ=', length(Q_res), 'P(Q_res<=X)=', Prob))

 

Было отобрано 166464 допустимых наборов из 6-ти весовых коэффициентов и, следовательно, рассчитано такое же количество возможных значений сводной оценки. Характеристики рандомизированной сводной оценки   стоимости патента представлены в таблице 6.

 

Таблица 6. Характеристики рандомизированных весов и сводной оценки стоимости патента на полезную модель двухслойной строительной панели

 

 

Математическое ожидание сводной оценки  оказалось равным 197001 руб., что совпадает с результатом, полученным ранее. Однако теперь мы можем делать выводы о точности полученной сводной оценки. Дисперсия равна 4771440 руб.2, среднее квадратическое отклонение равно  2184 руб.

Гистограмма распределения с отмеченным на ней математическим ожиданиям приведена на рисунке 6.

 

 

Рисунок 6 - Гистограмма распределения сводной оценки стоимости патента на полезную модель двухслойной строительной панели

 

В нашем примере предполагалось, что владельцу поступило предложение продать патент за сумму в 200000 рублей. Теперь мы можем сказать, насколько приемлемой является эта цена. Было найдено 149913 возможных значения Q, удовлетворяющих неравенству . Найдем вероятность события   по классической формуле вероятности:

Таким образом, можно сказать, что предлагаемая цена достаточно приемлемая, поэтому патентообладателю следует совершить данную сделку.

 

Заключение

В статье было рассмотрено применение метода рандомизированных сводных показателей для построения итоговой оценки стоимости объектов интеллектуальной собственности. Авторами был рассмотрен пример оценки стоимости патента на полезную модель двухслойной строительной панели с целью его последующей продажи потенциальному покупателю. Была поставлена и решена иерархическая задача построения сводной оценки по пяти оценкам, полученным различными методами. Для решения авторами были составлены программы на языке R, приведенные в статье.

Для рандомизированных весовых коэффициентов и сводных оценок стоимости патента были найдены математические ожидания, дисперсии и средние квадратические отклонения, а также построены гистограммы распределения.

Математическое ожидание сводной оценки стоимости  патента на полезную модель двухслойной строительной панели составило 197001 руб., что можно использовать в качестве итогового результата. О неточности данной оценки, вызванной неопределенностью выбора весовых коэффициентов, можно судить по дисперсии (4771440 руб.2) и среднему квадратическому отклонению (2184 руб.) оценки .

Степень приемлемости для патентообладателя предлагаемой ему цены 200000 руб. можно определить как вероятность image088, которая получилась равной 0,900057. Достаточно высокое значение этой вероятности говорит о том, что патентообладателю можно рекомендовать совершить предлагаемую ему сделку.

 

Библиографический список

1. Приказ Минэкономразвития России от 20 мая 2015 г. № 297 «Об утверждении федерального стандарта оценки "Общие понятия оценки, подходы к оценке и требования к проведению оценки (ФСО N 1)" »

2. Асаул А.Н. Оценка собственности. Оценка нематериальных активов и интеллектуальной собственности: учебник / А. Н. Асаул, В. Н. Старинский, М. И. Кныш, М. К. Старовойтов; под ред. засл. деятеля науки РФ, д-ра экон. наук, профессора А. Н. Асаула. – СПб.: АНО «ИПЭВ», 2010. – 300 с.

3. Белай О.С. Проблемы оценки интеллектуальной составляющей инновационных продуктов // Российское предпринимательство. – 2015. – Том 16. – № 19. – С. 3243-3250.

4. Валдайцев С.В. Оценка интеллектуальной собственности: Учебник//СПБГУ, экон. факультет; С.В. Валдайцев. – М.: ЗАО «Издательство «Экономика», 2009. – 471с.

5. Колесов Д.Н.,  Колодко Д.В., Хованов Н.В. Байесовская оценка распределения значений финансово-экономических показателей: теория и возможные применения  // Применение математики в экономике. Сборник  статей. Выпуск 19. СПб.: Нестор-История, 2012. С. 107-127.

6. Колесов Д.Н., Михайлов М.В., Хованов Н.В. Оценивание сложных финансово-экономических объектов  с использованием системы поддержки принятия решений АСПИД-3W. – Изд-во СПбГУ, 2004. – 63 с.

7. Колодко Д.В. Экспертное краткосрочное прогнозирование валютного рынка Forex // Электронный научный журнал «Управление экономическими системами», 2012, №4. URL:

http://www.uecs.ru/index.php?option=com_flexicontent&view=items&id=1225

8. Мокроносов А. Г. Интеллектуальная составляющая конкурентоспособности наукоемкой продукции // Экономический анализ: теория и практика. – 2014. – № 30. – С. 12-19.

9. Орлов А.И. Теория принятия решений: учебник. – М.: Изд-во «Экзамен», 2006. – 573 с.

10. Хованов Н.В. Оценка сложных объектов в условиях дефицита информации. Труды  7-й  международной  научной  школы «Моделирование  и  анализ  безопасности и риска в сложных системах». Санкт-Петербург, 4-8 сентября, 2008 г. СПб.: ИПМАШ РАН, 2008. С. 18-28.

11. Шумпетер Й.А. Теория экономического развития. Капитализм, социализм и демократия: [пер. с нем., англ.] / Шумпетер Й.А. – М.: Эксмо, 2007. – 862 с.

12. Hovanov N., Fedotov Yu., Zakharov V. The making of index numbers under  uncertainty // Pykh Yu., Hyatt D., Lenz R. (Eds.) Environmental Indices: Systems Analysis Approach. Oxford: EOLSS Publishers Co., 1999. P. 83-99.

  vakperechen

ОБНОВЛЕННЫЙ СПИСОК ВАК 2016 г.
ОТ 19.04.2016  >> ПРОСМОТРЕТЬ
tass
 
ПО ВОПРОСАМ ПУБЛИКАЦИИ СТАТЕЙ И СОТРУДНИЧЕСТВА ОБРАЩАЙТЕСЬ:
skype SKYPE: vak-uecs
e-mail
MAIL: info@uecs.ru
phone
+7 (928) 340 99 00
 

АРХИВ НОМЕРОВ

(01) УЭкС, 1/2005
(02) УЭкС, 2/2005
(03) УЭкС, 3/2005
(04) УЭкС, 4/2005
(05) УЭкС, 1/2006
(06) УЭкС, 2/2006
(07) УЭкС, 3/2006
(08) УЭкС, 4/2006
(09) УЭкС, 1/2007
(10) УЭкС, 2/2007
(11) УЭкС, 3/2007
(12) УЭкС, 4/2007
(13) УЭкС, 1/2008
(14) УЭкС, 2/2008
(15) УЭкС, 3/2008
(16) УЭкС, 4/2008
(17) УЭкС, 1/2009
(18) УЭкС, 2/2009
(19) УЭкС, 3/2009
(20) УЭкС, 4/2009
(21) УЭкС, 1/2010
(22) УЭкС, 2/2010
(23) УЭкС, 3/2010
(24) УЭкС, 4/2010
(25) УЭкС, 1/2011
(26) УЭкС, 2/2011
(27) УЭкС, 3/2011
(28) УЭкС, 4/2011
(29) УЭкС, 5/2011
(30) УЭкС, 6/2011
(31) УЭкС, 7/2011
(32) УЭкС, 8/2011
(33) УЭкС, 9/2011
(34) УЭкС, 10/2011
(35) УЭкС, 11/2011
(36) УЭкС, 12/2011
(37) УЭкС, 1/2012
(38) УЭкС, 2/2012
(39) УЭкС, 3/2012
(40) УЭкС, 4/2012
(41) УЭкС, 5/2012
(42) УЭкС, 6/2012
(43) УЭкС, 7/2012
(44) УЭкС, 8/2012
(45) УЭкС, 9/2012
(46) УЭкС, 10/2012
(47) УЭкС, 11/2012
(48) УЭкС, 12/2012
(49) УЭкС, 1/2013
(50) УЭкС, 2/2013
(51) УЭкС, 3/2013
(52) УЭкС, 4/2013
(53) УЭкС, 5/2013
(54) УЭкС, 6/2013
(55) УЭкС, 7/2013
(56) УЭкС, 8/2013
(57) УЭкС, 9/2013
(58) УЭкС, 10/2013
(59) УЭкС, 11/2013
(60) УЭкС, 12/2013
(61) УЭкС, 1/2014
(62) УЭкС, 2/2014
(63) УЭкС, 3/2014
(64) УЭкС, 4/2014
(65) УЭкС, 5/2014
(66) УЭкС, 6/2014
(67) УЭкС, 7/2014
(68) УЭкС, 8/2014
(69) УЭкС, 9/2014
(70) УЭкС, 10/2014
(71) УЭкС, 11/2014
(72) УЭкС, 12/2014
(73) УЭкС, 1/2015
(74) УЭкС, 2/2015
(75) УЭкС, 3/2015
(76) УЭкС, 4/2015
(77) УЭкС, 5/2015
(78) УЭкС, 6/2015
(79) УЭкС, 7/2015
(80) УЭкС, 8/2015
(81) УЭкС, 9/2015
(82) УЭкС, 10/2015
(83) УЭкС, 11/2015
(84) УЭкС, 11(2)/2015
(85) УЭкС,3/2016
(86) УЭкС, 4/2016
(87) УЭкС, 5/2016
(88) УЭкС, 6/2016
(89) УЭкС, 7/2016
(90) УЭкС, 8/2016
(91) УЭкС, 9/2016
(92) УЭкС, 10/2016
(93) УЭкС, 11/2016
(94) УЭкС, 12/2016
(95) УЭкС, 1/2017
(96) УЭкС, 2/2017
(97) УЭкС, 3/2017
(98) УЭкС, 4/2017
(99) УЭкС, 5/2017
(100) УЭкС, 6/2017
(101) УЭкС, 7/2017
(102) УЭкС, 8/2017
(103) УЭкС, 9/2017
(104) УЭкС, 10/2017
(105) УЭкС, 11/2017
(106) УЭкС, 12/2017
(107) УЭкС, 1/2018
(108) УЭкС, 2/2018
(109) УЭкС, 3/2018
(110) УЭкС, 4/2018
(111) УЭкС, 5/2018
(112) УЭкС, 6/2018
(113) УЭкС, 7/2018
(114) УЭкС, 8/2018
(115) УЭкС, 9/2018
(116) УЭкС, 10/2018
(117) УЭкС, 11/2018
(118) УЭкС, 12/2018
(119) УЭкС, 1/2019
(120) УЭкС, 2/2019
(03) УЭкС, 3/2019
(04) УЭкС, 4/2019
(05) УЭкС, 5/2019
(06) УЭкС, 6/2019
(07) УЭкС, 7/2019
(08) УЭкС, 8/2019
(09) УЭкС, 9/2019
(10) УЭкС, 10/2019
(11) УЭкС, 11/2019
(12) УЭкС, 12/2019

 Федеральная служба по надзору в сфере связи и массовых коммуникаций

№ регистрации СМИ ЭЛ №ФС77-35217 от 06.02.2009 г.       ISSN: 1999-4516