Статья посвящена разработке моделей оценки окупаемости инвестиций в цифровизацию и автоматизацию производственных мощностей в условиях высокой неопределенности спроса, волатильности цен на ресурсы и логистических рисков. Цель исследования заключается в сравнении традиционных детерминированных подходов к инвестиционному анализу с адаптивными вероятностными моделями, интегрирующими метод реальных опционов и сценарное моделирование, а также в количественной оценке того, как цифровизация влияет на профиль риска-доходности промышленных проектов. Эмпирическую базу составили данные финансовой и управленческой отчетности 145 промышленных предприятий машиностроения, металлургии и химической промышленности по более чем 300 крупным проектам автоматизации и цифровой трансформации, реализованным в 2018–2023 гг. Методология исследования включает модифицированный DCF-подход с симуляцией Монте-Карло (10 000 итераций для типовых моделей проектов), оценку реальных опционов на расширение, отказ и переключение технологий по биномиальной модели Кокса–Росса–Рубинштейна, расчет волатильности денежных потоков на основе GARCH-моделей, корреляционно-регрессионный анализ влияния макро- и отраслевых факторов риска, а также стресс-тестирование сценариев идеального шторма с одновременным шоком по спросу, ценам ресурсов и логистике. Показано, что цифровые проекты демонстрируют более высокий NPV и меньшие сроки окупаемости по сравнению с традиционной модернизацией, особенно в пессимистичных сценариях, при снижении вероятности убытков почти на 40 %; установлен эффект демпфирования логистических и ценовых шоков за счет сокращения эластичности себестоимости по отношению к ценам ресурсов и более пологой траектории снижения EBITDA при деградации цепочек поставок. Анализ структуры распределения NPV выявил уменьшение хвостовых рисков и рост коэффициента Шарпа портфеля цифровых проектов, что свидетельствует о повышении качества соотношения риск–доходность. Сделан вывод, что игнорирование опционной ценности управленческой гибкости ведет к систематическому занижению эффективности цифровых инвестиций, тогда как комплексная автоматизация в связке с глубокой цифровизацией планирования и управления цепями поставок выступает не только источником роста производительности, но и инструментом хеджирования операционных рисков, требующим пересмотра корпоративных и банковских подходов к оценке инвестпроектов.
The article is devoted to the development of models for evaluating the payback of investments in the digitalization and automation of production capacities under conditions of high demand uncertainty, resource price volatility, and logistics risks. The aim of the study is to compare traditional deterministic approaches to investment analysis with adaptive probabilistic models that integrate the real options method and scenario modeling, as well as to quantitatively assess how digitalization affects the risk–return profile of industrial projects. The empirical base consists of financial and management reporting data from 145 industrial enterprises in mechanical engineering, metallurgy, and the chemical industry, covering more than 300 large-scale automation and digital transformation projects implemented between 2018 and 2023. The research methodology includes a modified DCF approach with Monte Carlo simulation (10,000 iterations for typical project models), evaluation of real options for expansion, abandonment, and technology switching using the Cox–Ross–Rubinstein binomial model, calculation of cash flow volatility based on GARCH models, correlation-regression analysis of the influence of macroeconomic and industry-specific risk factors, as well as stress testing of perfect storm scenarios involving simultaneous shocks in demand, resource prices, and logistics. It is shown that digital projects demonstrate higher NPV and shorter payback periods compared to traditional modernization, particularly under pessimistic scenarios, with a reduction in the probability of losses by almost 40%; the effect of damping logistics and price shocks is identified due to reduced cost elasticity relative to resource prices and a gentler EBITDA decline trajectory amid supply chain degradation. The analysis of the NPV distribution structure revealed a decrease in tail risks and an increase in the Sharpe ratio of the portfolio of digital projects, indicating an improved risk–return relationship. The study concludes that neglecting the option value of managerial flexibility leads to systematic underestimation of the efficiency of digital investments, whereas comprehensive automation combined with deep digitalization of supply chain planning and management serves not only as a driver of productivity growth but also as a tool for hedging operational risks, requiring a revision of corporate and banking approaches to investment project evaluation.