欢迎来到项目评估！

你好！在之前的章节中，你已经学会了如何计算净现值（NPV）和内部收益率（IRR）。这些是非常强大的工具，但它们通常依赖于点估计（point estimates）——简单来说，就是我们对未来销售额或利率等数据的“最佳猜测”。但我们都知道，现实世界很少会完全按照我们的“最佳猜测”发展。

在本章中，我们将探讨如何跳脱对未来“确定性”的假想，改为检视可能结果的分布（distribution of possible outcomes）。读完这些笔记后，你将明白企业如何衡量风险，以及当事情不如预期时会发生什么。如果一开始觉得数学部分有点棘手，别担心，我们会一步一步拆解！

快速复习：请记住，一个项目若 NPV 为正，通常被视为“好”项目。我们即将学习的技巧将协助我们评估：即便市场环境发生变化，NPV 依然保持正数的可能性有多大。


1. 敏感度分析 (Sensitivity Analysis)

想象你在烤蛋糕。你想知道：“如果不小心多加了 10% 的糖，会变得多甜？”或者“如果烤箱温度高了 10 度，蛋糕会焦吗？”这正是敏感度分析对项目所做的工作。

这是什么？
敏感度分析旨在检验：在保持其他所有条件不变（ceteris paribus）的情况下，当你改变单一变量时，项目的 NPV 会产生多少变动。常见的变量包括销售量、折现率或设备的初始成本。

如何操作（敏感度边际，Sensitivity Margin）：
衡量敏感度的一种常用方法是计算敏感度边际。这是指为了让 NPV 变为零，该变量所需变动的百分比。
计算公式为：
\( \text{Sensitivity Margin} = \frac{\text{NPV of the project}}{\text{Present Value of the variable being tested}} \times 100 \)

“这又怎样？”指标：
如果某个变量发生微小变化（例如销售额下降 2%）就导致 NPV 转负，则该项目对该变量的敏感度极高。管理层需要密切监控该变量！

优点：
- 非常易于理解与计算。
- 能找出哪些变量是主要的“风险驱动因子”。

缺点：
- 每次只能变动一个因素。现实中，如果销售额下降，你的成本可能也会随之下降。敏感度分析忽略了这些变量间的关联。
- 它无法告诉你该变动发生的概率是多少。

重点总结：敏感度分析是一个针对单一变量的“如果……会怎样？”工具。敏感度边际越低，代表项目针对该特定变量的风险就越高。


2. 情境分析 (Scenario Analysis)

敏感度分析关注的是单一变化，而情境分析则检视整个“世界”的变化。它考虑的是当多个变量同时发生合乎逻辑的变化时，对 NPV 产生的影响。

三种常见情境：
1. 基线情境 (Base Case)：我们最可能采纳的假设组合。
2. 最差情境 (Worst Case)：高成本、低销量、高利率（所有事都出错）。
3. 最佳情境 (Best Case)：低成本、高销量、低利率（所有事都顺利）。

例子：
如果你正在开设一家咖啡店，“最差情境”可能包括隔壁新开了一家竞争对手，且咖啡豆价格同时上涨。情境分析有助于管理层查看 NPV 可能出现的范围。

重点总结：情境分析比敏感度分析更具现实意义，因为它允许变量同时变动。不过，和敏感度分析一样，它通常无法告诉我们这些情境发生的可能性有多大。


3. 概率分布与期望值 (Probability Distributions and Expected Values)

如果我们想做得更“精算”一点，我们会开始为不同的结果分配概率。这能让我们计算出一个单一的“平均”结果，即期望值 (Expected Value, EV)。

数学计算：
预期 NPV 是每个可能 NPV 与其概率的乘积总和：
\( E[NPV] = \sum (PV_i \times P_i) \)
其中 \( PV_i \) 是结果，\( P_i \) 是该结果发生的概率。

透过分布理解风险：
- 平均值（期望值）：如果我们重复执行该项目多次，所得到的平均结果。
- 标准差：衡量“离散程度”的指标。高标准差代表项目风险很高，因为实际结果可能与平均值相差甚远。
- 变异系数 (Coefficient of Variation)：即 \( \frac{\text{Standard Deviation}}{\text{Expected Value}} \)。它有助于比较规模不同的两个项目的风险。

常见错误提醒：
不要误以为“期望值”就是最可能发生的结果，它只是一个加权平均数。如果一个项目有 50% 的概率赚取 100 美元，有 50% 的概率赚取 0 美元，那么期望值是 50 美元，即使你永远不可能真的刚好赚到 50 美元！

重点总结：概率将“猜测”转化为“统计分布”。这让我们能够量化 NPV 低于零的风险。


4. 蒙特卡洛模拟 (Monte Carlo Simulation)

有时候项目过于复杂，我们无法手动计算其分布。这时就轮到蒙特卡洛模拟出场了。你可以把它想象成金融界的“虚拟现实”。

流程：
1. 利用电脑为所有风险变量分配概率分布（例如：“销售额遵循正态分布”）。
2. 电脑随机选取每个变量的值并计算 NPV。
3. 电脑重复上述步骤数千次。
4. 结果会生成一张精美的图表（频率分布图），显示所有可能的 NPV 及其发生的概率。

为何使用它？
它能很好地处理变量间的相关性（例如：若通胀上升，利率通常也会跟着上升）。它能提供非常详尽的风险图像。

缺点：
它可能成为一个“黑箱”。如果你输入错误的数据，你得到的也只会是错误的结果（“垃圾进，垃圾出”，Garbage In, Garbage Out）。此外，它需要专业软件，设置成本可能较高。

重点总结：模拟是检视结果完整分布的最强大工具，但它需要电脑运算与高质量数据的支持。


5. 决策树 (Decision Trees)

有些项目并非仅仅是“开始然后等待”。它们涉及顺序决策。例如：“我们今天测试产品。如果成功，我们明年建厂；如果失败，我们就放弃。”

运作方式：
- 方形代表决策点（管理层选择路径的地方）。
- 圆形代表机会点（结果超出我们控制的点）。
- 你需要从未来向现在反向推导，以找出目前最佳的决策。

重点总结：决策树非常适合应用于具有不同“阶段”的项目，并能展现灵活性（即未来改变主意的选择权）的价值。


摘要清单

你能分辨它们的区别吗？
- 敏感度分析：一次改变一个变量。
- 情境分析：改变一组变量以符合一个“故事”。
- 期望值：概率加权后的平均值。
- 模拟：数千次由电脑生成的“如果……会怎样”。
- 决策树：为多阶段决策制定计划。

冷知识：
“蒙特卡洛模拟”的名字源自摩纳哥著名的蒙特卡洛赌场。由于该技术依赖于随机性与概率（就像掷骰子一样），在原子弹研发期间，人们便以这个世界上最著名的赌博胜地来为它命名！

如果这些概念听起来很抽象，请别担心！在考试中，你通常只需要针对其中一项进行简单的计算，或是讨论其优缺点。多练习历届试题，你就会对这类题型的措辞感到得心应手！