Banner top Til forsiden Econa

Teknologi som verdidriver

figur-authorfigur-authorfigur-author

Sammendrag

Teknologi kan fungere som en viktig bidragsyter til verdiskaping, både i form av økte inntekter og reduserte kostnader. Denne artikkelen belyser hvordan en kan ta vare på de muligheter for verdiskaping som teknologi gir i investeringsprosjekter. Et viktig element er hvordan avsløring av informasjon i tidlig fase kan bidra til optimalisering. Vi beskriver et rammeverk for beslutningsanalyse, viser hvordan usikkerhet kan estimeres og håndteres, og hvordan realopsjoner kan øke lønnsomheten. Ved å bruke et eksempel fra landbrukssektoren, sammen med det teoretiske rammeverket, håper vi denne artikkelen kan gi innsikt i hvordan analyseteknikker kan bidra til at teknologi utnyttes mest mulig optimalt i investeringssammenheng uavhengig av bransje.

Eksempel på anvendelse av teoretisk rammeverk

Innledning

Norge satser tungt på innovasjon, og det offentlige stimulerer til nyvinning gjennom et mangfold av ulike støtteordninger: BIOTEK 2021, BIONÆR, ENERGIX, DEMO 2000, IFU, IKTPLUSS, NANO 2021, SFI og SkatteFUNN (offentlige støtteordninger 2016), for å nevne noen.

Ifølge Innovasjon Norge (Innovasjonstalen 2015) har entreprenørskapslysten aldri vært større i Norge. Andelen som mener entreprenørskap gir høy status, har steget fra 59 til 83 prosent i perioden 2003–2014. Innovasjon Norge nevner videre landbruk og maritim sektor, velferd, medisin, finans og utdanning som viktige områder der Norge har de beste forutsetninger for å hevde seg. Offentlig sektor pekes også på som et område der det er stort potensial for verdiskaping gjennom innovasjon og omstilling.

Det hjelper lite med offentlige støtteordninger og entreprenørskapslyst når det viser seg (igjen ifølge Innovasjon Norge) at en for stor del av de produkter og løsninger som utvikles, ikke har livets rett når de er ferdig utviklet.

En løsning på dette kan være å styrke samarbeidet mellom næringsliv og innovasjonsmiljøer og øke kompetansen rundt hvordan en på best mulig vis kan sannsynliggjøre at ulike nyvinninger har reelt verdiskapingspotensial på ulike stadier i innovasjonsprosessen.

Verdiskapingspotensial

I utarbeidelse og fremvisning av et verdiskapingspotensial ligger det betydelige utfordringer, som kommer i tillegg til de elementene i innovasjonsprosessen som er av mer teknisk og løsningsmessig karakter.

Fire viktige utfordringer er generelle for de fleste innovasjonsprosjekter:

  • Nyvinningene har gjerne et stort antall alternative løsninger og utviklingsløp på et tidlig stadium – med tilhørende usikkerheter hva gjelder utviklingskost og tid.
  • Ulike løsninger på innovasjonsutfordringene resulterer også gjerne i ulike nedslagsfelt, grad av fleksibilitet i anvendelse for sluttbrukeren og inntjeningspotensial.
  • Nyvinningene må naturligvis utvikles innenfor et budsjett og en tidsramme, der overskridelser og forsinkelser kan være kritiske for både utvikler og sluttbruker.
  • For at nyvinningen skal være salgbar, må forventet inntjening for sluttbrukeren være bedre enn de alternativer en allerede har tilgjengelig.

Nyvinninger kan videre medføre endringer av både operasjonell og investeringsmessig karakter, noe som også kan ha direkte innvirkning på en virksomhets interne prosjektrangering eller på utformingen av virksomhetens langsiktige strategi.

Samspill

Vurderinger rundt disse utfordringene bør være en integrert del av innovasjonsprosessen og helst utføres gjennom et samspill mellom innovatør og en potensiell sluttbruker. En vil da få en god pekepinn på markedspotensial og inntjening, og danne et godt grunnlag for å vurdere hvorvidt det nye produktet eller den nye løsningen har livets rett. Både næringsliv og innovasjonsmiljøer vil vinne på dette, og samfunnet vil kunne få langt bedre utbytte av de ulike støtteordningene til innovasjon.

Fra starten på en innovasjonsprosess frem til implementering og suksess er det en lang rekke beslutninger med tilknyttede usikkerheter som må håndteres av både innovatør og sluttbruker. Denne artikkelen ser nærmere på hvordan en kan anvende et teoretisk rammeverk for beslutningsanalyse for å belyse og løse nevnte utfordringer.

Teoretisk rammeverk

Beslutningsanalyse

Beslutningsanalyse handler om å finne den mest effektive måten å vurdere viktige aspekter ved en gitt beslutningssituasjon på og støtte beslutningstakere med å komme frem til anbefalte tiltak. Dette er spesielt nyttig når en står overfor problemstillinger som er forskjellige fra det som er typisk, eller der mange beslutninger er knyttet sammen over tid og beheftet med betydelige usikkerheter.

En typisk analyseprosess starter med å identifisere de viktigste beslutningene som skal fattes, og de tilhørende usikkerhetene. Ved å benytte velprøvd metodikk fra fagfeltet beslutningsanalyse settes dette i system, og prosjektteamet kan modellere, analysere og sammenlikne alternative strategier med hensyn til økonomisk potensial, usikkerhet, tid og kapitalbehov.

Beslutningsanalyse er tverrfaglig, der data og analyser fra forskjellige fagfelt må samordnes for å gi innsikt i beslutningssituasjonen. En forutsetning for å lykkes er at alle bidragsyterne forstår hvordan deres respektive bidrag henger sammen, og hvordan organisering og samarbeid er avgjørende for å dra nytte av deres kollektive kompetanse og erfaring.

Mange usikkerhetselementer er unike for hvert prosjekt. En fellesnevner er imidlertid at en stor del av grunnlaget for verdiskapingen legges gjennom beslutninger som tas i de tidlige fasene av prosjektet, der eiere, sponsorer og andre aktører forplikter seg, støtter og bidrar til felles suksess. Et godt beslutningsunderlag i tidlig fase øker sannsynligheten for at det gjøres riktige valg senere, og legger til rette for effektiv prosjektgjennomføring der usikkerheter kan håndteres på en forsvarlig måte.

 

Figur 1 Forventet økonomisk verdi.

 

figur

 

Beslutningstrær

Beslutningstrær kan brukes både som et visuelt kommunikasjonsverktøy og som et analyseverktøy. Beslutningstrær har en struktur som egner seg til å vise sammenhenger mellom beslutninger og usikre utfall.

Strukturen bygges opp ved bruk av tre hovedelementer – beslutningsnoder, sjansenoder og datanoder:

  • Beslutningsnoder er punkter der beslutninger blir tatt. Ved disse punktene har beslutningstakeren kontroll og må gjøre valg. Grenene ut fra beslutningsnoden representerer beslutningsalternativer som er gjensidig utelukkende.
  • Sjansenoder er punkter der usikkerhet opptrer. Usikkerheten blir kjent for beslutningstakeren på ulike tidspunkt.
  • Datanoder er punkter som angir økonomiske utfall. Datanoder legges oftest ytterst på grenene, men kan også legges inne i treet for å representere økonomiske konsekvenser av beslutninger og utfall.

Grenene i et beslutningstre representerer mulige kombinasjoner av beslutningsalternativer (som følger beslutningsnoder) og usikre utfall (som følger sjansenoder). Et godt beslutningstre er strukturelt logisk og har det rette detaljnivå, slik at de viktigste sammenhengene fremkommer.

Verdien av grenene i treet beregnes basert på de ulike økonomiske elementene som inngår og danner grunnlaget for kontantstrømmene. Verdien av én enkelt gren i treet baseres ofte på mange av de samme elementene som en annen gren, men der hvert element har en annen størrelse og dermed gir en annen kontantstrøm og totalverdi. Lønnsomheten for en beslutning beregnes basert på alle etterfølgende beslutninger, sjansenoder og datanoder.

Den optimale veien i et beslutningstre gir den optimale kombinasjonen av beslutninger med usikre utfall. For å finne den beste beslutningen ved hver beslutningsnode må de økonomiske resultatene akkumuleres bakover for hver gren, som illustrert i Figur 1.

Lønnsomhet og håndtering av usikkerhet

Diskontering av kontantstrøm er en generell metode for å verdsette potensielle investeringsprosjekter. Størrelse og tidspunkt for fremtidige inntekter og kostnader beregnes, og nåverdien gis ved å diskontere netto kontantstrøm med kapitalkostnaden / risikojustert avkastningskrav. Det vises til generelle lærebøker om verdsetting for ytterligere forklaring av risikobegreper og teori for verdsetting av risiko.

Kontantstrømmen som benyttes i beregningene, skal representere den forventede kontantstrømmen for prosjektet. Å finne den høyeste forventede økonomiske verdien kan innebære både å øke og redusere totalrisiko.

For mindre bedrifter, der utvikling av årlig resultat og tilhørende usikkerhet gjerne har størst fokus, kan det være hensiktsmessig å beregne kontantstrøm for hvert beslutningsalternativ, og analysere utvikling og usikkerhet i kontantstrømmen samt faktorer som kan avledes av denne.

En forenklet tilnærming kan noen ganger være nødvendig, spesielt i tilfeller der det ikke bare er stor usikkerhet, men også begrenset datagrunnlag eller lite tilgjengelig tid for evaluering. I slike situasjoner kan det være mer relevant å rettferdiggjøre et visst verdiskapingspotensial fremfor å prøve å beregne riktig forventet kontantstrøm. Det kan også være aktuelt å utføre en konservativ verdivurdering, beskrive ytterligere oppside samt utføre robusthetstester.

Metodikken beskrevet i denne artikkelen er med andre ord ikke avhengig av å bruke nåverdi (NPV) som verdiskapingsindikator, selv om dette er vanlig i teorien og i større virksomheter som benytter risikojusterte avkastningskrav.

Tabell 1 Innovasjonsgrad.
AnvendelsesområdeTeknologi
PåvistBegrenset historikkNy
Kjent 1 2 3
Nytt 2 3 4
1 = ingen nye tekniske usikkerheter 2 = nye tekniske usikkerheter 3 = nye tekniske utfordringer 4 = krevende nye tekniske utfordringer

Teknologispesifikke elementer

Ved utvikling av ny teknologi må de ulike teknologielementene inngå i beslutningsanalysen for å vise eller sannsynliggjøre teknologiens reelle verdiskapings­potensial.

Innovasjonsgrad og modenhet kan brukes for å gi realistiske estimater på tid, kostnader og usikkerhet knyttet til å få en ny teknologi klar for kommersiell bruk. En kan beregne risikofaktorer som gir sannsynligheten for at en teknologi er ferdigstilt innenfor en gitt tidsramme, og usikkerhet rundt det operasjonelle kan kvantifiseres i en operasjonell usikkerhetsfaktor.

Innovasjonsgrad

Innovasjonsgraden til en teknologi (technology novelty) kan vurderes ut fra graden av nyvinning knyttet til den gitte teknologien.

Klassifiseringen fokuserer på graden av nye tekniske elementer og tiltenkt bruksområde for en gitt teknologi. Desto lengre den nye teknologien avviker fra kjente/eksisterende teknologier og bruksområder, desto større usikkerhet vil være forbundet med utviklingsløpet (Tatikonda & Rosenthal, 2000).

Følgende matrise (se tabell 1) kan brukes til å klassifisere innovasjonsgraden (Det Norske Veritas 2001).

Teknologiklassifiseringen kan brukes til å vurdere graden av usikkerhet knyttet til tidsestimatene for utvikling og implementering av den gitte teknologien.

Modenhet

Teknologisk modenhet – Technology Readiness Level (TRL) – måles basert på hvilke analyser og tester som har blitt utført for teknologien. Skalaen gir de skritt som er nødvendige for å ta teknologien fra idé og prototyp til kommersiell bruk.

Under har vi gjengitt hovedelementene av modenhetsskalaen som anvendes i Horisont 2020 – EUs rammeprogram for forskning og innovasjon (Europakommisjonen, 2015):

  • TRL 1 – grunnleggende prinsipper observert
  • TRL 2 – teknologikonseptet formulert
  • TRL 3 – eksperimentelle bevis på konseptet
  • TRL 4 – teknologi validert i lab
  • TRL 5 – teknologi validert i relevant miljø
  • TRL 6 – teknologi demonstrert i relevant miljø
  • TRL 7 – prototype demonstrert i operasjonelt miljø
  • TRL 8 – komplett og kvalifisert system
  • TRL 9 – systemet verifisert i driftsmiljø

TRL sier ingenting om usikkerheten eller omfanget av utfordringer knyttet til å nå et visst TRL-nivå, bare hva slags krav som må tilfredsstilles for å nå disse. En ny teknologi må nå TRL6 for å være klar for første gangs bruk i et prosjekt. Teknologien må nå TRL9 for å være klar for kommersiell anvendelse og/eller bruk på tvers av prosjekter.

Teknologirisiko

Risiko forbundet med anvendelse av ny teknologi kan knyttes til utviklingsløpet og én eller flere milepæler for testing og implementering.

Grunnlaget for å anslå sannsynligheten for at en teknologi skal bli vellykket utviklet og implementert, er den tid som kreves for å tilfredsstille kravene til å nå et visst TRL-nivå, og de relevante tekniske utfordringene definert ved den teknologiske nyhetsgraden. Dette sammenstilles så med den tiden som er tilgjengelig før teknologien skal implementeres og settes i operasjon.

Forholdet mellom påkrevd tid og tilgjengelig tid kan uttrykkes i en faktor (her benevnt R), og teknologiusikkerheten kan utledes fra denne. Dette må til en viss grad baseres på ekspertvurderinger og detaljer for det enkelte prosjekt, men tabell 2 kan være et godt utgangspunkt.

Tabell 2 Teknologirisiko.
 R = påkrevd tid / tilgjengelig tid
0 ≤ R ≤ 0,50,5 ≤ R ≤ 0,750,75 ≤ R ≤ 1,0
Innovasjonsgrad 1 Lav Lav Lav
  (10 %) (20 %) (30 %)
2 Lav Middels Middels
  (30 %) (40 %) (50 %)
3 Middels Middels Høy
  (50 %) (60 %) (70 %)
4 Høy Høy Høy
  (70 %) (80 %) (90 %)

Forutsetningen for denne tilnærmingen er antagelsen om at enhver teknologiutfordring kan løses såfremt det er nok tid og ressurser tilgjengelig. Hvis den teknologiske innovasjonsgraden øker, vil den tiden som kreves for kvalifisering, også øke. En praktisk konsekvens er at den økonomiske verdien av svært usikre og umodne teknologier vil være begrenset, da slike teknologier vil tilordnes en lav sannsynlighet for suksess. Dersom en har store utviklingsressurser tilgjengelig, vil påkrevd tid minke. Det gir økt sannsynlighet for suksess, og verdien av teknologien vil øke.

Ukjente ukjente

For teknologier som har elementer med høy innovasjonsgrad, begrenset industrihistorie og et lavt modenhetsnivå (TRL), er det en fare for at feilmodi og usikkerhet vil bli oversett. Vi refererer til dette som en risiko for «ukjente ukjente». Desto lenger den nye teknologien er fra eksisterende teknologier og bruksområder, og jo mer umoden teknologien er, desto høyere vil sannsynligheten være for at man overser viktige elementer.

Basert på empiriske tall eller ekspertvurderinger av et prosjekt kan en utlede en risikofaktor for at elementer blir oversett. Et eksempel er vist i tabell 3.

Tabell 3 Risiko for «ukjente ukjente».
 Innovasjonsgrad
1234
Modenhet 1 (40 %) (60 %) (80 %) (99 %)
2 (35 %) (55 %) (75 %) (95 %)
3 (30 %) (50 %) (70 %) (90 %)
4 (25 %) (35 %) (45 %) (55 %)
5 (20 %) (30 %) (40 %) (50 %)
6 (15 %) (25 %) (35 %) (45 %)
7 (10 %) (20 %) (30 %) (40 %)
8 (5 %) (10 %) (15 %) (20 %)
9 (0 %) (5 %) (10 %) (15 %)

Risikofaktoren kan innlemmes i beslutningsanalysen gjennom en ekstra sjansenode i de relevante grenene av beslutningstreet. Ekstra tid og/eller kost for teknologiutvikling eller videreføring av prosjektet uten teknologien legges i de utfallene som representerer at viktige elementer er oversett.

Operasjonelle usikkerhetsfaktorer

Usikkerhet knyttet til operasjonell drift av teknologien inkluderes i en operasjonell usikkerhetsfaktor i beslutningsanalysen, der hele livssyklusen bør inngå.

Den operasjonelle usikkerheten er ofte avhengig av faktorer som ikke kan knyttes direkte til selve teknologien. Usikkerheten kan for eksempel avhenge av en gitt parameter som ikke nødvendigvis er kjent før teknologien faktisk er i drift, eller bare kan bli kjent gjennom omfattende testing. I slike tilfeller må den operasjonelle usikkerheten gjenspeile usikkerheten i det operasjonelle miljøet den avhenger av.

Det bør også bemerkes at forskjellige teknologier kan være avhengige av hverandre. Den forventede ytelsen til ulike teknologier kan med andre ord ikke alltid aggregeres direkte.

Kostnader og inntjening

Både kostnader og inntjening forbundet med utvikling og implementering av teknologien må inkluderes i beslutningsanalysen. Dette vil i de fleste tilfeller se ganske forskjellig ut for innovatør og sluttbruker, der innovatør er opptatt av utviklingskostnader og potensiell markedsinntekt, mens sluttbruker vil vurdere eventuelle utviklings- og implementeringskostnader som må bæres, samt inntjening som er knyttet til bruken. Da enhver teknologiutvikling innebærer en form for risiko, er det viktig at også utfallene der teknologien mislykkes eller ikke svarer til forventningene, er inkludert.

Kostnadssiden er vanligvis lettest å anslå og kan bestå av en kombinasjon av utviklingskostnader, implementeringskostnader og operasjonelle kostnader. Kostnadene kan være direkte (varekost) eller indirekte (areal/infrastruktur med mer).

Verdiskapingspotensialet til en ny teknologi kan bestå av flere komponenter. Teknologien kan skape verdier gjennom kostnadsbesparelser (lavere investeringer og/eller operasjonskostnader), økte eller akselererte inntekter fra tidligere oppstart, forbedret robusthet og så videre.

Opsjonsverdsetting

Utvikling og integrering av teknologi gir ofte merverdi gjennom realopsjoner (teknologiopsjoner). En realopsjon gir beslutningstakeren mulighet til en gang i fremtiden å velge ett av flere gjensidig utelukkende alternativer. Verdien i en realopsjon er knyttet til usikkerhet og hvor mye av informasjonen om de usikre variablene som blir tilgjengelig i perioden frem til beslutningen må tas.

Dette innebærer at en virksomhet for eksempel kan investere i:

  • utvikling av ny teknologi som kan tas i bruk på et senere tidspunkt basert på teknologiens virkningsgrad og annen underliggende informasjon som da vil foreligge
  • løsninger som muliggjør bruk av ny teknologi en gang i fremtiden
  • teknologi der avsløring av usikkerhet i virkningsgrad kan brukes til å optimalisere beslutninger som er avhengig av denne

Modelleringsprinsipp for å finne verdien av en realopsjon knyttet til utvikling av ny teknologi er illustrert i figur 2.

Verdisetting av en opsjon der en har to mulige utfall, kan beskrives ved:

V (Opsjon) = –Investering i opsjon + p1 x maks [V(Utløse opsjon), V(Ikke utløse opsjon)] + p2 x maks [V (Utløse opsjon), V (Ikke utløse opsjon)] – V (Ikke investere i opsjon)]

 

Figur 2 Teknologiopsjon.

figur

 

Beslutningen om å utløse opsjonen (sette teknologien i drift i figuren over) er mulig på grunn av investeringen i teknologiutvikling. p1 og p2 representerer sannsynligheten for ulik informasjon som beslutningen baseres på (for eksempel vellykket teknologiutvikling eller ikke). Maks [V(…), V(…)] betyr den største verdien av de ulike beslutningsalternativene som følger etter at resultatet av teknologiutviklingen er kjent.

Porteføljebetraktninger og strategisk verdi

For en virksomhet som står overfor muligheten til å investere i utvikling og implementering av ny teknologi i enkelte prosjekter, kan dette også ha en virksomhetsspesifikk strategisk verdi. Eksempelvis kan investeringen gi andre muligheter som ikke er direkte knyttet til teknologien, eller øvrige prosjekter i porteføljen kan utnytte teknologien på andre måter. Kanskje kan en utforme en ny strategi for virksomheten basert på de nyvinninger teknologien representerer.

Ser en på hele porteføljen til en virksomhet der teknologi kan anvendes, vil usikkerheten kunne bli redusert dersom en kan anta at inntjening i de forskjellige delene av virksomheten vil variere usystematisk.

Figur 3 Muligheter for optimalisert drift og økt lønnsomhet.

 

figur

 

Anvendt eksempel

For å illustrere hvordan det teoretiske rammeverket kan anvendes i praksis, har vi valgt et eksempel fra landbruket.

Situasjonsbeskrivelse

La oss tenke oss en gårdbruker som i hovedsak driver med planteproduksjon. I forbindelse med planleggingen av et nytt næringsbygg bestemmer han seg for å se nærmere på ulike teknologimuligheter for å optimalisere drift og øke lønnsomheten for virksomheten.

Det nye næringsbygget skal romme potet­-/kornlager, verksted og maskinlager. I tillegg vurderes det å investere i et påbygg med tørkeanlegg for korn. Bygningen blir mest fleksibel ved å ha en løsning som gir størst mulig takhøyde og åpne rom med få bæringspunkter. Videre er det et ønske å bygge mest mulig i tre av miljømessige hensyn og for å oppnå harmoni med eksisterende bygg på tunet. Gårdbrukeren har identifisert en nyutviklet bjelke (Rennebu-bjelken, 2016) som tåler store spenn og ser ut til å oppfylle kravene i tillegg til å kunne gi en betydelig kostnadsbesparelse sammenliknet med tradisjonelle limtrebjelker. Imidlertid representerer store næringsbygg et nytt anvendelsesområde for Rennebu-bjelken.

Gårdbrukeren ønsker videre et energianlegg som kan dekke behov for oppvarming av bolighus, verksted, lager og energi til korntørke. Tørking av korn er en energikrevende prosess der det ofte benyttes fossilt brensel og elektrisitet fra nettet. Solenergi og bioenergi vurderes som alternativ varmekilde til tørken (Norsk soleierforening, 2016). Han vurderer også å leie et jordstykke på 1 000 dekar et stykke fra gården. Dette kommer i tillegg til hans nåværende 500 dekar og vil kunne øke inntjeningen på korntørken.

Gårdbrukeren vurderer å anvende ny teknologi for å kunne tilpasse jordbehandling, sprøyting og gjødsling etter variasjon i jord og planters egenskaper og behov. På denne måten kan han øke produksjonen, senke kostnadene og skåne miljøet. Dette kalles presisjonsjordbruk (Tjomsland, 2016). Gårdbrukeren ønsker å se på en teknologiløsning bestående av GPS og nitrogensensor (N-Sensor) som samler inn informasjon om gjødslingsbehov, i kombinasjon med gjødselspreder som tilpasser gjødselmengde mens en kjører i åkeren (Yara, 2016).

Problemstrukturering og modellering

Basert på situasjonsbeskrivelsen over er det behov for å lage en problemstruktur som kan benyttes til å beregne økonomisk potensial for de ulike alternativene. Da det er direkte sammenhenger mellom mange av elementene som må hensyntas i økonomiberegningen, kan ikke delproblemstillingene vurderes isolert. En kan ikke vurdere det nye bygget uten samtidig å tenke på korntørke med energiløsning og økt kornproduksjon gjennom utnyttelse av ny teknologi for presisjonslandbruk.

Gårdbrukeren har i utgangspunktet to alternative strategier som må vurderes opp mot hverandre: «Intuitiv strategi» og «Fortsett som tidligere». «Intuitiv strategi» representerer ulike beslutninger og alternativer knyttet til jordbrukerens ekspansive planer, mens «Fortsett som tidligere» er den sammenliknbare sekvens av beslutninger som opprettholder status quo.

Med utgangspunkt i de to alternative strategiene kan en konstruere et foreløpig beslutningstre der de ulike usikkerhetene knyttet til hver enkelt delbeslutning også er inkludert. Ofte vil en beslutningstaker ha en grunnidé om hvilket investeringsløp han bør følge, og fokusere på den første beslutningen – for eksempel bygget i dette eksemplet. Gårdbrukeren oppdager imidlertid underveis at det er en mulighet å ta beslutningen om å teste GPS/N-Sensor først, for å oppnå læring om merverdien i driften, før han tar de påfølgende beslutningene. Dette er illustrert i figur 4.

Figur 4 Foreløpig problemstruktur.

figur

Basert på gårdbrukerens mulighet til å oppnå læring ved å endre rekkefølgen på beslutningene kan den initiale problemstrukturen justeres som vist i figur 5, med søkelys på det som er ansett som de viktigste elementene for videre analyse. Den øverste strategien, «Tenk nytt», er rettet mot læringen som kan oppnås ved testing av GPS/N-Sensor og utsettelse av blant annet byggebeslutningen. Den midterste strategien, «Intuitiv strategi», følger gårdbrukerens opprinnelige beslutningsrekkefølge, og den nederste strategien, «Fortsett som tidligere», er den strategien de to andre strategiene sammenliknes opp mot.

Diskusjon av teknologielementene

For å beregne meroverskuddet av de tre strategiene gitt i beslutningstreet i figur 5, må de ulike teknologielementene evalueres. Det er to viktige teknologielementer i dette eksemplet: Rennebu-bjelken og GPS/N-Sensoren.

Innovasjonsgrad

Basert på det teoretiske rammeverket kan det antas at de to teknologielementene kan klassifiseres som gitt under. Begge teknologier antas å ligge mellom klasse 1 og 2, avhengig av anvendelsesområde.

 

Modenhet

GPS/N-Sensor er antatt på nivå TRL9, hvor systemet er verifisert i driftsmiljø. Allikevel er det usikkerhet knyttet til teknologien i form av hvor godt den fungerer for gårdbrukeren. Dette er avhengig av lokale forhold, plantevalg med mer. Det foregår løpende videreutvikling av system og programvare som kan gi ytterligere overskudd i fremtiden.

Rennebu-bjelken er antatt på nivå TRL6, hvor teknologien er demonstrert i relevant miljø, men utvikling gjenstår for bruk i næringsbygg med store takspenn.

Teknologirisiko

Innovasjonsgrad og modenhet gir teknologirisikoen for teknologielementene. Teknologirisikoen er først og fremst knyttet til Rennebu-bjelken, der risikofaktoren avhenger av valgt strategi og tiden som er tilgjengelig før implementering. Dette er vist i tabell 5.

Figur 5 Revidert problemstruktur.

figur

 

figur

 

 

Teknologirisikoen er inkludert i beslutningstreet i figur 5, merket (1) og (2).

Operasjonelle usikkerhetsfaktorer og ukjente ukjente

Operasjonelle usikkerheter (utover GPS/N-Sensor) og «ukjente ukjente» er sett bort fra i eksemplet for å forenkle fremstillingen. I praksis vil en måtte ta disse elementene inn for optimal usikkerhetshåndtering på liknende vis som for teknologirisiko.

Kostnader og inntjening

Vi har forsøkt å kvantifisere de viktigste verdidriverne og vise hvordan dette kan inkluderes i analysen.

figur

Kapitalkostnad og avskriving på GPS/N-Sensor er anslått til kr 50 000 per år. Dette er merket (3) i figur 5. Basert på forskning (Yara, 2016) og bønders praktiske erfaring har vi anslått lav, forventet og høy merverdi per år ved bruk av GPS/N-Sensor til henholdsvis 50, 150 og 250 kr/dekar. Tallene vil variere mellom landsdeler, jorder, kornsorter og dyrkingsmåter og er kun illustrative. Gitt merverdien per dekar resulterer dette i en merinntjening på kr 25 000, 75 000 og 125 000 ved et areal på 500 dekar. Dette er merket (6), (5) og (4) i figuren. For et tilleggsareal på 1 000 dekar er merinntjeningen anslått til henholdsvis kr 75 000, –25 000 og –125 000. Dette er merket (7), (8) og (9) i figuren. Merverdien for tilleggsarealet er betydelig mindre enn for de første 500 dekar, da marginalkostnadene blir høyere ved økende leieareal, blant annet på grunn av transport. En vil derfor ha en maksimalstørrelse for leieareal gitt teknologiens prestasjonsevne.

Oppnådd kornpris varierer med både leveringstidspunkt, kvalitet og fuktighetsgrad. Kornet kan leveres rett fra jordet, men dette kan føre til pristrekk på grunn av fuktighet eller kvalitet. For å oppnå høyere pris for kornet kan bonden tørke kornet selv, og eventuelt lagre det for å få pristillegg knyttet til tidspunkt for levering (Schmidt, 2016). Dersom en har tørke- og lagringsanlegg, vil dette gi større fleksibilitet i treskeperioden – noe som har verdi i seg selv og fører til økt inntjening. Dette er anslått til å gi et årlig meroverskudd på kr 25 000 (merket (10) i figuren) for 1 500 dekar i eksemplet (Thunes, Horne, Storli & Jensen, 2016/17). Anvendelse av GPS/N-Sensor vil kunne påvirke både kornkvalitet og fuktighetsgrad.

Realopsjoner

Realopsjonene som inngår i analysen, er knyttet til læring, som vist i figur 5.

Den første beslutningsnoden representerer valg av hovedstrategi. Ved først å beslutte å teste GPS/N-Sensor kan beslutningstakeren gjøre valg på et senere tidspunkt basert på ny informasjon. Beslutningene om areal, påbygg og korntørkeløsning er koblet i treet og kan ikke tas uavhengig av hverandre. Totalresultatene for disse beslutningene viser at det kun ved høy prestasjonsevne for GPS/N-Sensor er lønnsomt å gå videre med leie av areal, påbygg og korntørke. Strategien om å gå i gang med å bygge og leie tilleggsareal før en har fått erfaring med presisjonsteknologien, gir ingen tilpasningsmulighet.

Usikkerhet knyttet til om Rennebu-bjelken medfører kostnadsbesparelser eller merkostnader, er lagt inn i begge strategier. Vi har ansett sannsynligheten for å lykkes med bruk av Rennebu-bjelken som stor, men det er en betydelig usikkerhet knyttet til det nye anvendelsesområdet. Det potensielle økonomiske tapet ved forsinkelser og tilleggskostnader må derfor verdsettes og sannsynlighetsvektes for at en skal ha mulighet til å veie strategiene opp mot hverandre. Sannsynligheten for å lykkes i henhold til plan er størst der bygging ligger sent i tidsplanen (R-ratio blir lavere grunnet mer tilgjengelig tid), og dette er anslått å gi et forventet årlig meroverskudd på kr 20 000 (merket (11) i figuren), gitt kapitalkostnad og avskriving. Meroverskuddet der bygging ligger tidlig i tidsplanen, er anslått til kr 0 (merket (12) i figuren), der eventuell kostnadsbesparelse oppveies av usikkerheten knyttet til forsinkelser og ekstrakostnader.

Figuren viser at opsjonene gir et forventet økt årlig meroverskudd på kr 50 000 (75 000–25 000) (merket (13) og (14) i figuren), som er differansen mellom meroverskuddene for de to strategiene. Strategien «Fortsett som tidligere» er gitt verdien kr 0 (merket (15) i figuren), da deltaverdiene regnes ut fra denne. Opsjonene har i tillegg redusert nedsiden fra kr –125 000 til –5 000 (merket (16) og (17) i figuren) og økt mediumutfallet for analysen fra 25 000 til 45 000 og oppsiden fra 175 000 til 195 000 (merket (18), (19), (20) og (21) i figuren). Dette er også illustrert i figur 6.

 

Figur 6 Redusert nedside og økt oppside som følge av opsjonselementet.

 

figur

 

En har lagt inn en sannsynlighetsfordeling knyttet til meroverskuddet for bruk av GPS/N-Sensor (merket (22) i figuren) for å ivareta den økonomiske virkningen av opsjonselementet.

Opsjonselementet ville bidratt til høyere inntjening dersom usikkerheten var større. Samtidig bidrar altså opsjonselementet til at beslutningstakeren kan unngå størstedelen av nedsiden, noe som kan være avgjørende for en liten virksomhet.

Desto lenger en venter med beslutningen om å leie tilleggsareal, desto sikrere blir en på hvor forventet inntjening ligger. Dette er illustrert i figur 7. Figuren viser at en får mer erfaring og bedre empiriske data over tid. En kan også i dette eksemplet øke læringsgraden gjennom parallelle observasjoner fra forskjellige jorder og minske læringstiden. Verdi av informasjonen må veies mot tap av utsatt inntjening. Tidsdimensjonen må også reflekteres i teknologirisikoene som inngår i beslutningstreet, og i praksis må man iterere seg frem til optimal timing. Selv om tidsmessig forskyvning i kontantstrømmen påvirker resultatene, har vi ikke tatt dette med, for at leseren lettere skal kunne følge beregningene.

Investering i GPS-opplegg på traktoren representerer også en løsning som muliggjør bruk av teknologi som blir ferdig utviklet en gang i fremtiden (beskrevet i det teoretiske rammeverket for teknologiopsjoner). GPS kan blant annet gi mulighet til å foreta sprøyting etter samme prinsipp som for gjødsling gitt i eksemplet, men ved hjelp av annen type sensorer og programvare.

Porteføljebetraktninger og strategisk verdi

Investering i GPS og N-Sensor kan ha strategisk verdi, da en må regne med at denne typen utstyr i fremtiden kan anvendes på flere områder, og at utstyr og programvare vil bli forbedret. Hvis en ser at dette kan ha betydelig verdi, bør det tas inn i analysen.

Konklusjon

I eksemplet har vi belyst hvordan ny teknologi kan bidra til økt verdiskaping direkte, men også hvordan teknologiinvesteringer kan gi indirekte verdiskaping gjennom kobling til andre investeringsbeslutninger. I eksemplet er lønnsomhet og krav til dimensjonering og utforming av ny driftsbygning med korntørke og tilhørende energiløsning direkte knyttet til utfallet av produktivitetsøkningen som følger av investering i GPS og nitrogensensor samt beslutningen om å leie mer jord.

Ved å utsette byggebeslutningen får gårdbrukeren opparbeidet viktig driftserfaring med den nye teknologien for presisjonslandbruk, før han eventuelt beslutter å leie mer jord. Samtidig kjøper han seg tid til kvalifisering av Rennebu-bjelken, som reduserer usikkerhet og gir en forventet kostnadsbesparelse for bygget.

Vi har vist hvordan rekkefølgen på beslutningene og avsløring av informasjon kan være avgjørende for lønnsomhet og bidra til økt inntjening og reduksjon av nedside.

Oppsummering

I denne artikkelen har vi forsøkt å belyse hvordan et rammeverk for beslutningsanalyse og usikkerhetshåndtering kan anvendes for å øke lønnsomheten i prosjekter med teknologi av forskjellig modenhets- og/eller innovasjonsgrad.

Rammeverket gir mulighet til å strukturere, visualisere og beregne lønnsomhet for beslutningene en står ovenfor. Videre kan den problemstrukturen og de modellene en etablerer som en del av analysen, synliggjøre ytterligere mulighets- og usikkerhetsrom. Dette trygger robustheten knyttet til de respektive beslutningene.

Figur 7 Erfaring og statistisk grunnlag.

figur

I næringslivet er det en tendens til å forenkle for mye – med mål om raskt å få oversikt over et begrenset problem. Det kan føre til at en mister muligheten til å avdekke og modellere avhengigheter mellom beslutninger. Slike avhengigheter kan ofte endre konklusjoner om hvilken beslutning som er optimal på hvert enkelt beslutningspunkt – noe vi har forsøkt å få frem i eksemplet. Et godt konstruert beslutningstre viser verdiene (inkludert usikkerhet) av de viktigste beslutningene og gir et transparent beslutningsgrunnlag. Analysemodellene en bygger, kan også egne seg til å analysere hvordan beslutninger påvirkes av variasjon i inngangsvariable.

I praksis må en ofte håndtere vesentlig flere beslutninger og usikkerheter enn det denne artikkelen og dette eksemplet beskriver. Da blir stringent anvendelse av et godt rammeverk enda viktigere for å kunne identifisere de mest verdiskapende beslutningene og forenkle problemstillingene til et håndterlig nivå. En må sørge for å ivareta de muligheter n har til å avdekke informasjon før viktige beslutninger fattes. Både mål om maksimal lønnsomhet og et ønske om god usikkerhetsstyring kan på denne måten ivaretas.

  • Berge, T.W. (2013). Redusert forbruk av ugrasmidler gjennom presisjonsjordbruk. Bioforsk FOKUS [elektronisk artikkel, hentet 10.12.2016]. Tilgjengelig fra: http://www.bioforsk.no/ikbViewer/Content/104889/Bioforsk_FOKUS_8(2)_s110–112.pdf
  • Det Norske Veritas AS (2011). Recommended practice DNV-RP-A203 Qualification Procedures for New Technology. [Internett, hentet 12.12.2016.] Tilgjengelig fra: https://rules.dnvgl.com/docs/pdf/DNV/codes/docs/2011–07/RP-A203.pdf
  • Europakommisjonen (2015). Horisont 2020, Tillegg G. Technology readiness levels (TRL). [Internett, hentet 12.12.2016.] Tilgjengelig fra: https://ec.europa.eu/research/participants/data/ref/h2020/wp/2014_2015/annexes/h2020-wp1415-annex-g-trl_en.pdf
  • Innovasjon Norge (2015). Innovasjonstalen 2015. [Internett, hentet 10.12.2016.] Tilgjengelig fra: http://www.innovasjonnorge.no/contentassets/53e2d80e192b4a03b3916d0fb6e04d73/innovasjonstalen-2015.pdf
  • Norsk soleierforening (2016). Bruk av solenergi i det norske landbruket. [Internett, hentet 30.12.2016.]
  • Tilgjengelig fra: http://solenergi.no/om-solenergi/litteratur/
  • Altinn (2016). Offentlige støtteordninger. [Internett, hentet 12.12.2016.] Tilgjengelig fra: https://www.altinn.no/starte-og-drive-bedrift/oversikt-stotteordninger/
  • Rennebu-bjelken (2016). [Internett, hentet 15.12.2016.] Tilgjengelig fra: http://www.rennebu-bjelken.no
  • Schmidt, G. (2012). Tørking og lagring av eget korn. [Internett, hentet 15.12.2016.] Tilgjengelig fra: https://www.bondelaget.no/getfile.php/13157115/Bilder%20fylker/Akershus/Dokumenter/Tørking%20og%20lagring%20av%20eget%20korn%20Bondelaget%20og%20FM%20Holstad%202012–03–21%20Gunnar%20Schmidt.pdf
  • Tatikonda, M.V., & Rosenthal, S.R. (2000). Technology Novelty, Project Complexity, and Product Development Project Execution Success: A Deeper Look at Task Uncertainty in Product Innovation. IEEE Transactions on engineering management. [Elektronisk artikkel, hentet 10.12.2016.] Tilgjengelig fra: http://home.kelley.iupui.edu/tatikond/webpage/Publications/g_IEEE_2000_TATIKONDA_ROSENTHAL.pdf
  • Thunes, K., Horne, S., Storli, A.C., & Jensen, T. (2016/2017). Kornguiden 2016/17. Felleskjøpet. [Internett, hentet 15.12.2016.] Tilgjengelig fra: https://www.felleskjopet.no/globalassets/media/dokumenter/korn/kornguiden-fra-felleskjopet-2014–2015.pdf
  • Tjomsland, A. (2016). Droner og roboter hjelper bonden på åkeren. [Internett, hentet 12.12.2016.] Tilgjengelig fra: http://forskning.no/jord-og-skog-teknologi/2016/06/godvaersoperatorene
  • Yara (2016). Leiekjøring med Yara N-Sensor. [Internett, hentet 15.12.2016.] Tilgjengelig fra: http://www.yara.no/gjodsel/Tools-and-Services/n-sensor/Yara-N-Sensor-leiekjoring.aspx

© Econas Informasjonsservice AS, Rosenkrantz' gate 22 Postboks 1869 Vika N-0124 OSLO
E-post: post@econa.no.  Telefon: 22 82 80 00.  Org. nr 937 747 187. ISSN 1500-0788.

RSS