欢迎来到项目评估中的风险分析！

在之前的章节中，我们已经学会如何计算净现值 (Net Present Value, NPV) 和内部收益率 (Internal Rate of Return, IRR)。这些工具非常实用，但它们通常依赖于“点估计”（Point Estimates）——也就是我们希望实现的单一数字。然而，现实世界中的事情很少能完全按计划进行！

本章的重点是从“最好的猜测”转向“知情的风险管理”。我们将探讨如何识别风险概率，并衡量它们随时间产生的财务影响。如果起初觉得这些数学概念有些复杂，请别担心；我们会将每个概念拆解成简单、易于掌握的步骤。

1. 敏感度分析 (Sensitivity Analysis)

敏感度分析通常被称为“假设分析”（What-if analysis）。它探讨的问题是：“如果某个特定变量发生变化，我们的 NPV 会改变多少？”

想象你在经营一个柠檬茶摊位。你预计销售 100 杯，每杯卖 1 美元来计算利润。敏感度分析会问：“如果我只卖出 80 杯，利润会怎样？如果柠檬价格突然翻倍，又会怎样？”

运作方式：

1. 识别关键变量（例如：销售量、折现率、初始成本）。
2. 每次只改变一个变量，同时保持其他所有变量不变。
3. 重新计算 NPV。
4. 找出项目对哪些变量最“敏感”（即哪些变量会导致 NPV 下降最严重）。

常见错误：

学生常误以为敏感度分析会同时考虑多个变量的变化。请记住：在纯粹的敏感度分析中，我们每次只改变一个因素，以便分离出其具体的影响。

快速回顾：敏感度分析有助于我们识别那些可能决定项目成败的关键变量。如果原材料价格仅变动 1% 就会使 NPV 变为负数，那么这就是一个高风险变量！

2. 情境分析 (Scenario Analysis)

敏感度分析观察的是单个变量，而情境分析则观察一组变量共同变化时的“套装”效果。这更贴近现实，因为现实世界中的风险往往是集体出现的。

三种标准情境：

1. 最差情况 (Worst Case)：高成本、低销量、高利率。
2. 最可能情况 (Most Likely Case)：我们对未来发展的最佳预估。
3. 最好情况 (Best Case)：低成本、高销量、低利率。

例子：考虑一部电影的上映。所谓的“最差情况”不仅仅是票房低；它很可能包含了票房低、加上高额营销成本、加上口碑极差。情境分析捕捉的就是这种“完美风暴”。

重点总结：情境分析提供了 NPV 可能结果的范围，帮助管理层了解项目的“下行风险”和“上行潜力”。

3. 概率分析与期望值 (Probability Analysis and Expected Values)

有时候，我们可以为不同的结果分配一个数学上的概率（机会）。当我们这样做时，就可以计算期望值 (Expected Value, EV)。

公式：

期望值是所有可能结果的加权平均值：
\( EV = \sum (P_i \times X_i) \)
其中 \( P_i \) 是结果发生的概率，\( X_i \) 是该结果的财务价值（NPV）。

计算范例：

一个项目有 30% 的机会赚取 $100,000，有 70% 的机会赚取 $40,000。
\( EV = (0.30 \times 100,000) + (0.70 \times 40,000) \)
\( EV = 30,000 + 28,000 = \$58,000 \)

\n\n

你知道吗？期望值并不一定是你在单次尝试中预期会看到的结果。在上述例子中，你永远不可能真的赚到 $58,000——你要么赚 $100k，要么赚 $40k。EV 代表的是如果你重复进行多次该项目后的长期平均值。

4. 蒙特卡洛模拟 (Monte Carlo Simulation)

当项目非常复杂且涉及许多变动因素时，简单的情境分析是不够的。蒙特卡洛模拟使用电脑同时运行数千个“假设”情境。

过程：

1. 为每个不确定变量分配一个概率分布（例如：销售量可能在 500 到 1,000 单位之间，呈钟形曲线分布）。
2. 电脑为每个变量随机挑选一个数值并计算 NPV。
3. 电脑重复此过程 1,000 次以上。
4. 结果是一个 NPV 分布图，向我们显示了该项目获利的概率。

记忆小贴士：把“蒙特卡洛”想象成赌场。你就像是在“掷骰子”成千上万次，以观察长期下来平均结果是什么样子。

5. 决策树 (Decision Trees)

决策树是可视化的图表，用于那些需要在一段时间内分阶段作出决策的项目。它们非常适合识别在不同时间尺度下发生的风险。

关键组成部分：

1. 决策节点（正方形）：管理层必须做出选择的地方。
2. 机会节点（圆形）：不确定事件发生的地方（例如：市场增长或衰退）。
3. 分支：显示不同的路径及其相关的成本或收益。

如何解题：倒推法 (Roll-Back Method)

要评估决策树，你需要从右侧（项目的终点）开始，向左侧（当下）倒推。
- 在机会节点，计算期望值。
- 在决策节点，选择价值最高的分支，并“修剪”（忽略）其他分支。

重点总结：决策树非常适合“多阶段”项目，例如药物开发，你需要在每个试验阶段后决定是否继续进行。

6. 技术总结

你应该使用哪种技术？这取决于你需要了解什么：

• 使用敏感度分析来找出最危险的单一变量。
• 使用情境分析来观察合并事件（最好/最差情况）的影响。
• 当你有可靠的概率数据时，使用期望值。
• 对于变量众多的高复杂度项目，使用蒙特卡洛模拟。
• 对于具有顺序阶段和变更选项的项目，使用决策树。

快速复习箱：

风险 (Risk) = 可量化（我们有概率数据）。
不确定性 (Uncertainty) = 不可量化（我们不知道发生概率）。
大多数 CB1 考试题目都集中在风险上，因为我们正尝试为担心的事物赋予具体数字！

如果起初觉得这些内容有点棘手，别担心！掌握它们的最佳方法就是练习绘制决策树，并计算不同情境下的 NPV。你一定可以做到的！