UPRAVLJANJE RIZICIMA PRI PLANIRANJU TRAJNIH OBRTNIH SREDSTAVA Valerija Bubli

Lorana d.o.o., Zagrebaka 26, Krapina e-mail: lorana@kr.htnet.hr

Ivan mid
Centar za poduzetnitvo Krapinsko-zagorske upanije, Krapina e-mail: i.smid@vip.hr

Saetak: U ovom radu istraujemo mogui utjecaj razliitih rizika na poetnu vrijednost trajnih obrtnih sredstava s ciljem minimizacije rizika nelikvidnosti. Iskustvo u poslovanju dokazuje kako podcjenjivanje vanosti trajnih obrtnih sredstava moe unititi mnoge poduzetnike projekte. Mi emo prikazati kako prepoznati najznaajnije rizike, kako njima upravljati i kako poveati vjerojatnost za uspjeh. Postoje mnoge metode i alati za upravljane rizicima koji pomau u ocjeni to bi moglo poi krivim putem, koji su rizici vani da se njima bavimo i koje rezultate primjene odreene strategije upravljanja rizikom moemo oekivati. U radu smo primijenili Monte Carlo simulaciju na investicijskom projektu. Vrijednost svakog od elemenata trajnih obrtnih sredstava je procijenjena na osnovu prosjenih dana vezivanja pri emu su prosjeni dani vezivanja prezentirani distribucijom vjerojatnosti. Kljune rijei: Trajna obrtna sredstva, investicijski projekt, rizik, upravljanje rizicima, Monte Carlo simulacija

1.

UVOD

Izraun vrijednosti trajnih obrtnih sredstava je pored izrauna vrijednosti osnovnih sredstava vaan imbenik u procjeni potrebnih ukupnih sredstava za ulaganje u poduzetniki poduhvat. Iskustvo u poslovanju dokazuje kako brojni poduzetniki poduhvati propadaju radi podcjenjivanja znaaja trajnih obrtnih sredstava. Podaci potrebni za izraun dijela investicije koja se odnosi na trajna obrtna sredstva odnose se na budue dogaaje. Zbog toga su to nesigurne veliine i svaki rezultat raunskih operacija s takvim veliinama sadri odreenu razinu nesigurnosti, tj. rizika. Kod donoenja odluke temeljem nesigurnim veliina treba voditi rauna o tome je li raspon u kojem se mogu oekivati kriterijalne vrijednosti za odluivanje prihvatljiv ili ne. Kako bismo smanjili mogunost donoenja loe odluke, kao prvo je potrebno prepoznati mogue uzroke rizika i kao drugo pokuati djelovati na prepoznate potencijalne uzroke neeljenih dogaaja. U ovom radu prikazat emo kako se strategija upravljanja rizicima pri ulaganju u poetnu vrijednost trajnih obrtnih sredstava moe temeljiti na rezultatima simulacije. 2. ANALIZA RIZIKA

Upravljanje rizicima sve vie postaje glavni i kljuni faktor uspjeha u konkurentnosti i profitabilnosti. U teoriji i praksi menadmenta dobro su poznate aktivnosti kojima moemo utjecati bilo na pojedine dogaaje, bilo na faze poslovnog procesa koji dovode do rizika. Kao bismo upravljali rizikom, proces treba zapoeti identifikacijom rizika, njegovim strukturiranjem i potom ocjenom i kontrolom. U upravljanju rizicima nastojimo prepoznati one potencijalne izvore rizika na koje je poslovni rezultat najosjetljiviji. Aktivnosti usmjerene na sprjeavanje rizika poduzimamo u skladu s prepoznatim prioritetima. Prepoznavanje i odreivanje prioriteta meu potencijalnim izvorima rizika spada u

najvanije menaderske zadatke. Analiza rizika moe sadravati razliite postupke u rjeavanju problema nepouzdanou, ukljuujui identifikaciju, vrednovanje, kontrolu i upravljanje rizicima. Prema ovoj definiciji je upravljanje rizicima dio procesa analize rizika. Ne postoji opi, jedinstveni model za analizu rizika primjenjiv univerzalno, ali za sve njih je zajedniko to da nastoje utvrditi u kojoj mjeri kombinirane nepouzdanosti ulaznih varijabli modela utjeu na rizik [1]. Analiza rizika na deterministikom financijskom modelu u ovom radu temelji se na primjeni metode Monte Carlo simulacije. 3. OPIS PROBLEMA

Primjer se odnosi na planiranje poetne vrijednosti trajnih obrtnih sredstava kod investitora koji namjerava izgraditi i opremiti famu pilia kapaciteta 50.000 kom u turnusu. Investicijski projekt je financiran vlastitim sredstvima i bankovnim kreditom na 10 godina uz 5% kamata godinje. Podaci se odnose na realan primjer i upotrijebljeni su u investicijskom elaboratu za dobivanje kredita poslovne banke. Osnovna obiljeja budueg poslovanja tvrtke jesu: - tvrtka je u kooperantskom odnosu - tovljene pilie oekivane prosjene teine 2,05 kg/kom prodaje kooperantu po cijeno od 8,10/kn za kg - planirani broj turnusa kroz godinu je 5, prosjeno trajanje turnusa je 42 dana - planirani trokovi prehrane su standardni prema normativima i to: a) smjesa PPT1-starter, potronja po piliu 1 kg b) smjesa PPT2-grower, potronja po piliu 1 kg c) smjesa PPT3-finisher, potronja po piliu 1,66 kg - planirani trokovi plaa i ostali trokovi kalkulirani su na bazi oekivanih stvarnih trokova. Cijene inputa i outputa uzete su na bazi trinih cijena koje su vrijedile u veljai 2005. Osnovni elementi rauna dobiti i gubitka, vani za planiranje trajnih obrtnih sredstava prikazani su u tablici 1. R. br. 1. 2. 2.1. 2.2. 2.3. 2.4. 2.5. 3. 4. 5. Opis Iznos Ukupni prihod 4.129.907,00 Ukupni rashodi 3.888.824,00 Repromaterijal 3.190.625,00 Bruto plae 177.978,00 Amortizacija 193.950,00 Ostali rashodi 201.271,00 Rashodi financiranja 125.000,00 Bruto dobit 241.084,00 Porez na dobit 48.217,00 Neto dobit 192.867,00 Tablica 1: Stavke rauna dobiti i gubitka, u kn [2]

Za izraun potrebnih obrtnih sredstava neke od navedenih stavaka treba razraditi: - trokove repromaterijala dijelimo na trokove jednodnevnih pilia i trokove prehrane - bruto plae dijelimo na plae u proizvodnji i plae prodaje, uprave i administracije - ostale trokove dijelimo na trokove energije i vode, ostale direktne trokove proizvodnje i ostale trokove poslovanja - uvodimo stavku novana sredstva, tj. svotu potrebnu za podmirivanje trokova poslovanja, a koja je jednaka ukupnim potraivanjima od kupaca - uvodimo stavke PDV pretporez i porez na dodanu vrijednost Utvrene potrebe za trajnim obrtnim sredstvima korigirat e se za izvore iz poslovanja. U tablici 2. prikazan je deterministiki financijski model za izraun trajnih obrtnih sredstava.

R.br. A 1. 2. 3. 4. 5. 6. B 8. 9. 10. 11. 12. 13. 14. C

Dani Koeficijent Opis Svota Svota vezivanja obrtaja OBRTNA SREDSTVA 1.750.591 2.440.625 28 12,86 189.626 Zalihe materijala Proizvodnja u toku 3.677.111 42 8,57 428.997 Zalihe gotovih proizvoda 3.677.111 3 120,00 30.643 Potraivanja od kupaca 3.937.041 90 4,00 984.260 Novana sredstva 3.937.041 5 72,00 54.681 PDV pretporez 746.217 30 12,00 62.185 IZVORI IZ POSLOVANJA 1.037.218 Obveze prema dobavljaima za 3.190.625 90 4,00 797.656 pilie i prehranu Obveze prema dobavljaima ostalo 201.271 30 12,00 16.773 Amortizacija 193.950 180 2,00 96.975 Bruto plae 177.978 30 12,00 14.832 Rashodi financiranja 125.000 90 4,00 31.250 Obveza za PDV 90.858 30 12,00 75.715 Porez iz dobiti 48.217 30 12,00 4.018 POTREBNA TRAJNA OS (A B) 713.373 Tablica 2: Izraun vrijednosti trajnih obrtnih sredstava, u kn

Kako za vrijeme izrade investicijskog projekta veinu podataka iz ove tablice nije bilo mogue tono predvidjeti tako i izraun vrijednosti trajnih obrtnih sredstava nije apsolutno siguran. Promjena bilo kojeg elementa u stvarnom ivotnom ciklusu investicijskog poduhvata u odnosu na planirani utjee i na krajnji rezultat. Jedna od metoda procjene utjecaja promjena na krajnji rezultat je analiza osjetljivosti [3]. Analiza osjetljivosti se esto provodi putem analize ekstremnih situacija, tj. variraju se optimistiki i pesimistiki scenariji. Nedostatak te metode je zanemarivanje analiza sluajeva u kojima ulazne veliine uzimaju vrijednost iz raspona izmeu najnepovoljnije i najpovoljnije vrijednosti. Vjerojatnost pojedinog sluaja utvruje se samo na osnovu slobodne procjene. 4. PRIMJENA METODE MONTE CARLO SIMULACIJE

Ova tehnika se sastoji od generiranja sluajnih brojeva za svaku distribuciju kojima su reprezentirane ulazne varijable i uzastopnoj primjeni osnovnog modela za raunanje izlaznih varijabli. Na taj nain se vjerojatnosti za vrijednosti ulaznih varijabli odraavaju na distribuciju rezultata. Bez obzira to se za generiranje sluajnih brojeva koriste i druge, ponekad i efikasnije metode, ovaj se naziv tradicionalno i dalje koristi [4].

DISTRIBUCIJA DANA VEZIVANJA ZALIHA SMJESA ZA PREHRANU PILI A

0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0 10 17 24 31 38 45
X <=18,42 5% Mean = 27,99998 X <=37,57 95%

Distribution for Potrebna obrtna sredstva

4,5 4 3,5
X <=554008,69 5% Mean = 713371,3 X <=869854,19 95%

Values in 10^ -6

3 2,5 2 1,5 1 0,5 0 0,3 0,5 0,7 0,9 1,1

Values in Millions

ULAZI
Distribu tion fo r P otrebn a obrtna sre dstva
1
X <=55400 8,6 9 5% M ean = 71337 1,3 X < =869854 ,1 9 95%

MODEL u Excelu

IZLAZI
K ORELACIJA ZA POT REBNA OBRTNA SREDSTVA
DANI V EZIVANJA POTRAIV ANJA OD KUPACA - ,558 ,702 DANI VEZIVANJA OBVEZA PREMA DOBAV LJA IMA ,393 DANI V EZIVANJA ZALIHA

0,8

0,6

MASA PRIRAS TA CIJENA S MJESE PPT1

,09 ,042 ,035 ,022 ,019 ,006 ST OPA MORTALITE TA

0,4

CIJE NA SMJESE PPT2 CIJENA SMJESE PPT 3

0,2

PRODAJNA CIJENA CIJENA JEDNODNE V NIH PILIA - ,002

0 0,3 0,5 0,7 0,9 1,1

-1

- 0,7 5

-0,5

-0,25

0,25

0,5

0,75

KOEFICIJENTI KOR ELACIJE

Values in M illions

Slika 1: Simulacija na financijskom modelu

Simulacija e se provesti pomou programa @RISK tvrtke Palisade Corporation [5] kao to je prikazano na slici 1. Kao prvo odabere se jedna od klasinih razdioba vjerojatnosti kritine varijable projekta, a zatim se generira niz sluajnih brojeva koji korespondiraju odabranoj razdiobi. Kao rezultat dobiju se histogram i kumulativni graf vjerojatnosti distribucije odabranih kritikih varijabli, a posredno i njihov utjecaj na vrijednost trajnih obrtnih sredstava. Kao ulazi uzete su distribucije vie varijabli: prosjena masa prirasta po komadu, prosjena stopa mortaliteta po turnusu, prodajna cijena tovljenih pilia, nabavna cijena smjesa za prehranu, nabavna cijena jednodnevnih pilia, dani vezivanja zaliha smjesa za prehranu, dani plaanja od kupaca i dani plaanja prema dobavljaima. Kao izlaz oekuje se odreivanje pretpostavljene vrijednosti potrebnih trajnih obrtnih sredstava i identifikacija onih ulaznih varijabli koje na njih najvie utjeu kako bi se mogla odrediti strategija upravljanja rizikom. Primjenu metode Monte Carlo simulacije na financijskom modelu prikazujemo u etiri koraka: - razvoj deterministikog modela - zamjena nesigurnih ulaznih veliina funkcijama distribucije njihovih vjerojatnosti - specificiranje izlaznih veliina i simulacija - analiza rezultata simulacije. 5.1. RAZVOJ DETEMINISTIKOG MODELA Osnova za simulaciju je deterministiki model koji u naem primjeru predstavlja Excel tablica za proraun trajnih obrtnih sredstava (tablica 3). Razvoj modela temelji se na metodologiji koja se primjenjuje u pripremi podataka za izradu poslovnih planova i investicijskih projekata na Visokom uilitu VERN`, Visokoj koli za ekonomiju poduzetnitva s pravom javnosti, Zagreb i koju uvaavaju i banke pri razmatranju kreditnih zahtjeva. Tablica mora biti razvijena u Excelu jer se u simulaciji primjenjuje program @RISK koji je razvijen upravo za taj tablini kalkulator. 5.2. ZAMJENA NESIGURNIH ULAZNIH VELIINA Program @RISK nudi za modeliranje sluajne varijable veliki broj razliitih funkcija distribucije. Kako se u promatranom primjeru radi o poetnom poduzetnikom poduhvatu, za sve veliine ne raspolaemo s relevantnim povijesnim podacima za odreivanje funkcije distribucije prema statistikim pravilima. Stoga je u naem primjeru za modeliranje svih sluajnih varijabli primijenjena jednostavna triangularna distribucija koja je odreena s tri parametra: najmanjom pretpostavljenom vrijednou, najveom pretpostavljenom vrijednou i najvjerojatnijom pretpostavljenom vrijednou. Kao nesigurne sluajne varijable specificirane su sljedei inputi: prosjean prirast mase, prosjena stopa mortaliteta, prodajna cijena tovljenih plia, nabavna cijena smjese PPT-1 starter, nabavna cijena smjese PPT-2 grower, nabavna cijena smjese PPT-3 finisher, nabavna cijena jednodnevnih pilia, dani vezivanja zaliha smjesa za prehranu pilia, dani plaanja od kupaca i dani plaanja prema dobavljaima. Distribucija ulaznih varijabli za program @RISK prikazana je u tablici 3. R. br. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. Ulazna varijabla Distribucija Prosjena masa prirasta RiskTriang (1,90; 2,05: 2,30) Prosjena stopa mortaliteta RiskTriang (0,01; 0,03; 0,06) Prodajna cijena tovljenih pilia RiskTriang (7,50; 7,90; 8,10) Nabavna cijena smjese PPT-1 starter RiskTriang (2,50; 2,70; 2,90) Nabavna cijena smjese PPT-2 grower RiskTriang (2,40; 2,60; 2,70) Nabavna cijena smjese PPT-3 finisher RiskTriang (2,40; 2,50; 2,60) Nabavna cijena jednodnevnih pilia RiskTriang (2,90; 3,00; 3,10) Dani vezivanja zaliha smjesa za prehranu RiskTriang (7; 28; 42) Dani plaanja od kupaca RiskTriang (75; 90; 120) Dani plaanja prema dobavljaima RiskTriang (75; 90; 105) Tablica 3: Distribucija ulaznih varijabli za program @RISK

5.3. IZLAZNE VELIINE OUTPUT MODELA Izlazna veliina, tj. output modela je potrebna vrijednost trajnih obrtnih sredstava. Pokretanjem programa @RISK ova se vrijednost izraunava odreeni broj puta. Broj iteracija u promatranom primjeru bio je 10.000, tj. program je toliko puta izraunao vrijednost trajnih obrtnih sredstava uzimajui vrijednosti ulaznih veliina u skladu s njihovom vjerojatnou iz raspona koje smo odredili triangularnom distribucijom. Program daje razliite izlazne informacije, dobivene na temelju frekvencije pojedinih vrijednosti trajnih obrtnih sredstava. Najvanije izlazne informacije su slika i odgovarajue statistiko izvjee distribucije izlazne varijable (slika 2 i 3) te grafovi s podacima o regresijskoj ovisnosti izlazne varijable s ulaznim varijablama i o njihovoj korelaciji (slika 4).
DISTRIBUCIJA ZA POTREBNA OBRTNA SREDSTVA
3,5 3 2,5
X <=544315,56 5% Mean = 739585,3 X <=948412,75 95%

Values in 10^ -6

2 1,5 1 0,5 0 0,3 0,6 0,9 1,2

Values in Millions

Slika 2: Distribucija vjerojatnosti izlazne varijable Trajna obrtna sredstva

KUMULATIVNA DISTRIBUCIJA ZA POTREBNA OBRTNA SREDSTVA
1
X <=544315,56 5% Mean = 739585,3 X <=948412,75 95%

0,8

0,6

0,4

0,2

0 0,3 0,6 0,9 1,2

Values in Millions

Slika 3: Kumulativna distribucija izlazne varijable Trajna obrtna sredstva 5.4. ANALIZA REZULTATA SIMULACIJE Iz histograma na slici 2 vidimo kako se uz pretpostavljene distribucije ulaznih varijabli vrijednost potrebnih trajnih obrtnih sredstava kree u rasponu od 544.316 kn do 948.413 kn s vjerojatnou od 90%. Iz kumulativnog grafa na slici 3 moemo iitati kako vjerojatnost da potrebna trajna obrtna sredstva nee biti vea od 948.413 kn iznosi 5% te kako samo sa 50% vjerojatnosti moemo pretpostaviti da e investitor trebati 739.585 kn trajnih obrtnih sredstava, to je vrlo blizu vrijednosti od 713.373 kn izraunate poetnim modelom (tablica 2). Kao najvrjednije, podatke o korelaciji ulaznih i izlaznih varijabli moemo iitati iz tornado grafa (slika 4). to je apsolutna vrijednost koeficijenta vea to ulazna varijabla ima vei utjecaj na rezultat.

Na slici 4 prikazan je tornado graf s koeficijentima korelacije koji pokazuju u kojoj mjeri vrijednost trajnih obrtnih sredstava ovisi o pojedinim ulaznim varijablama. Najvei utjecaj na vrijednost trajnih obrtnih sredstava imaju dani plaanja od kupaca 0,802, zatim dani plaanja prema dobavljaima 0,403 i dani vezivanja zaliha 0,356. Djelovanjem na te varijable investitor bi mogao smanjiti raspon potrebnih trajnih obrtnih sredstava.
KORELACIJA ZA POTREBNA OBRTNA SREDSTVA

DANI VEZIVANJA POTRAIVANJA OD KUPACA

,802
DANI VEZIVANJA OBVEZA PREMA DOBAVLJAIMA

-,403
DANI VEZIVANJA ZALIHA MASA PRIRASTA CIJENA SMJESE PPT1 CIJENA SMJESE PPT2 PRODAJNA CIJENA CIJENA SMJESE PPT3 STOPA MORTALITETA CIJENA JEDNODNEVNIH PILIA

,356 ,074 ,044 ,032 ,029 ,007 ,006 ,006

-1

-0,75

-0,5

-0,25

0,25

0,5

0,75

KOEFICIJENTI KORELACIJE

Slika 4: Tornado graf 6. UPRAVLJANJE RIZICIMA U PLANIRANJU TRAJNIH OBRTNIH SREDSTAVA Kako je raspon od 544.316 kn do 948.413 kn u kojem se mogu pojaviti potrebe za trajnim obrtnim sredstvima suvie velik i vjerojatnost potrebe za trajnim obrtnim sredstvima u vrijednosti od 739.585 kn samo 50% odluili smo definirati strategije koje e taj raspon suziti. Iz tornado grafa na slici 7 vidi se kako je u strategiji upravljanja rizicima povezanom s planiranjem vrijednosti poetnih trajnih obrtnih sredstava najisplativije fokusirati se na dane vezivanja potraivanja od kupaca, dane vezivanja obveza prema dobavljaima i dane vezivanja zaliha. Investitor je u promatranom primjeru u kooperantskom odnosu. Isti subjekt je istovremeno njegov jedini kupac za pilie i jedini dobavlja smjese za prehranu pilia. U ugovoru o kooperaciji ugovorene su: - meusobna suradnja najmanje do visine vrijednosti smjesa za prehranu pilia - mogunost kompenzacije meusobnih potraivanja i dugovanja do visine vrijednosti isporuenih smjesa za prehranu i - plaanje vrijednosti isporuenih pilia iznad vrijednosti isporuene smjese za prehranu doznakom na iro raun investitora. U nastavku navodimo primjer kako moe investitor suziti raspon u kojem se mogu pojaviti potrebe za obrtnim sredstvima. a) Uvoenjem novog kupca za iznos vrijednosti prodanih pilia iznad vrijednosti nabavljenih smjesa za prehranu s rokovima isporuke sukcesivno kroz godinu, s rokom plaanja od 30 dana i distribucijom RiskTriang (15; 30; 45) i b) Poveanjem uestalosti nabavke smjesa za prehranu i time smanjenjem dana vezivanja zaliha sa prosjenih 28 na prosjenih 14 dana s distribucijom RiskTriang (7; 14; 28) bez dodatnih ulaganja u predviene kapacitete za skladitenje i bez poveanja zavisnih trokova nabave.

Pokretanjem programa @RISK na tako redefiniranom modelu, pomou Monte Carlo simulacije, analogno postupku iz toke 5.3. dobili smo histogram (slika 5) i kumulativni graf (slika 6) i kojih moemo iitati kako se vrijednost potrebnih trajnih obrtnih sredstava s vjerojatnou od 90% kree u rasponu od 385.213 kn do 724.803 kn i kako vjerojatnost da ona nee biti via od 724.803 kn iznosi samo 5%.
REDEFINIRANA DISTRIBUCIJA ZA TOS
4 3,5 3
X <=385213,12 5% Mean = 548286,6 X <=724802,75 95%

Values in 10^ -6

2,5 2 1,5 1 0,5 0 200

375

550

725

900

Values in Thousands

Slika 5: Redefinirana distribucija izlazne varijable Trajna obrtna sredstva Histogram

REDEFINIRANA KUMULATIVNA DISTRIBUCIJA ZA TOS
1
X <=385213,12 5% Mean = 548286,6 X <=724802,75 95%

0,8

0,6

0,4

0,2

0 200

375

550

725

900

Values in Thousands

Slika 6: Redefinirana distribucija izlazne varijable Trajna obrtna sredstva Kumulativni graf Primjenom Monte Carlo simulacije i programskog rjeenja @RISK smo kao najznaajnije mogue rizike prepoznali dane plaanja od kupaca, dane plaanja prema dobavljaima i dane vezivanja smjesa za prehranu pilia. Upravljanjem istima smanjili smo vjerojatnost raspona potrebnih obrtnih sredstava od poetnih 544.316 948.413 kn i vrijednou od 739.585 kn sa 50% vjerojatnosti na raspon 385.213 724.803 kn i vrijednost od 724.803 kn sa 90% vjerojatnosti. 7. ZAKLJUAK Upravljanje rizicima sve vie postaje glavni i kljuni faktor uspjeha u konkurentnosti i profitabilnosti. U teoriji i praksi menadmenta dobro su poznate aktivnosti kojima moemo utjecati bilo na pojedine dogaaje, bilo na faze poslovnog procesa koji dovode do rizika. Kako bismo upravljali rizikom, proces treba zapoeti identifikacijom rizika, njegovim strukturiranjem i potom ocjenom i kontrolom. U ovom radu smo prikazali kako se u upravljanju rizicima u planiranju

vrijednosti trajnih obrtnih sredstava u investicijskom poduhvatu poduzetnika poetnika moe koristiti Monte Carlo simulacija. Izvori rizika u planiranju trajnih obrtnih sredstava su poznati i poznate su aktivnosti kojima se moe na njih preventivno djelovati. Zbog njihove brojnosti teko je mogue djelovati na sve istovremeno. Investitor, vlasnik i menader mora prepoznati i fokusirati se na najznaajnije mogue izvora rizika pri emu daju Monte Carlo simulacija i @RISK programsko rjeenje znaajan doprinos. Praksa pokazuje kako podcjenjivanje vanosti trajnih obrtnih sredstava moe unititi mnoge poduzetnike projekte. Trajna obrtna sredstva su zapravo investicija, budui da su trajno imobilizirana u reprodukcijskom ciklusu kao investicijsko ulaganje pretvarajui se iz novanog u materijalne pojavne oblike i obratno. Kako investitor u promatranom primjeru poduzetniki poduhvat financira sa vlastitim sredstvima i kreditom poslovne banke na 10 godina uz 5% godinje kamate od presudne je vanosti odravanje stalne tekue likvidnosti najmanje kroz prvih desetak godina. Nedostatak financijskih sredstava za podmirenje dospjelih obveza mogao bi ugroziti normalno odvijanje proizvodnje, tj. tov pilia to bi moglo rezultirati dodatnim zaduivanjem, utjecajem na profitabilnost, poremeenim odnosom s kooperantom i u krajnjem sluaju propau investitora. U radu smo prikazali kako se u obavljanja tog zadatka investitor moe osloniti na rezultate Monte Carlo simulacije na deterministikom financijskom modelu za izraun trajnih obrtnih sredstava. Temeljem primjera kojim smo ilustrirali postupak upravljanja rizicima vidimo kao je kombinacija opih znanja iz menadmenta i kvantitativne analize dobra podloga za odreivanja konzistentne strategije upravljanja rizicima. LITERATURA [1] Hunjak, T., Reep, M.: Upravljanje rizicima u planiranju trajnih obrtnih sredstava pomou Monte Carlo simulacije, asopis RRiF, br. 7/2003., str. 73 77 [2] ***Interni podaci investitora [3] ***Financial and Economic Analysis of Development Projects, European Commission Methods and Instruments for Project Cycle Management, Working Team coordinated by Professor Massimo Florio, Office for Official Publications of the European Communities, Luxembourg, 1997., str. 22 [4] ***www.palisade.com: @RISK Software Manuel [5] Hunjak, T., Reep, M., Cingula, M.,: Analiza rizika ulaganja u hotelsko-ugostiteljski kompleks, asopis Acta turistica, br. 16/2004, Ekonomski fakultet, Zagreb, 2004., str. 199 224