歡迎來到項目評估！

你好！在之前的章節中，你已經學會了如何計算淨現值（NPV）和內部報酬率（IRR）。這些是非常強大的工具，但它們通常依賴於點估計（point estimates）——簡單來說，就是我們對未來銷售額或利率等數據的「最佳猜測」。但我們都知道，現實世界很少會完全按照我們的「最佳猜測」發展。

在本章中，我們將探討如何跳脫對未來「確定性」的假想，改為檢視可能結果的分佈（distribution of possible outcomes）。讀完這些筆記後，你將明白企業如何衡量風險，以及當事情不如預期時會發生什麼。如果一開始覺得數學部分有點棘手，別擔心，我們會一步一步拆解！

快速複習：請記住，一個項目若 NPV 為正，通常被視為「好」項目。我們即將學習的技巧將協助我們評估：即便市場環境發生變化，NPV 依然保持正數的可能性有多大。


1. 敏感度分析 (Sensitivity Analysis)

想像你在烤蛋糕。你想知道：「如果不小心多加了 10% 的糖，會變得多甜？」或者「如果烤箱溫度高了 10 度，蛋糕會焦嗎？」這正是敏感度分析對項目所做的工作。

這是什麼？
敏感度分析旨在檢驗：在保持其他所有條件不變（ceteris paribus）的情況下，當你改變單一變數時，項目的 NPV 會產生多少變動。常見的變數包括銷售量、折現率或設備的初始成本。

如何操作（敏感度邊際，Sensitivity Margin）：
衡量敏感度的一種常用方法是計算敏感度邊際。這是指為了讓 NPV 變為零，該變數所需變動的百分比。
計算公式為：
\( \text{Sensitivity Margin} = \frac{\text{NPV of the project}}{\text{Present Value of the variable being tested}} \times 100 \)

「這又怎樣？」指標：
如果某個變數發生微小變化（例如銷售額下降 2%）就導致 NPV 轉負，則該項目對該變數的敏感度極高。管理層需要密切監控該變數！

優點：
- 非常易於理解與計算。
- 能找出哪些變數是主要的「風險驅動因子」。

缺點：
- 每次只能變動一個因素。現實中，如果銷售額下降，你的成本可能也會隨之下降。敏感度分析忽略了這些變數間的關聯。
- 它無法告訴你該變動發生的機率是多少。

重點總結：敏感度分析是一個針對單一變數的「如果……會怎樣？」工具。敏感度邊際越低，代表項目針對該特定變數的風險就越高。


2. 情境分析 (Scenario Analysis)

敏感度分析關注的是單一變化，而情境分析則檢視整個「世界」的變化。它考慮的是當多個變數同時發生合乎邏輯的變化時，對 NPV 產生的影響。

三種常見情境：
1. 基線情境 (Base Case)：我們最可能採納的假設組合。
2. 最差情境 (Worst Case)：高成本、低銷量、高利率（所有事都出錯）。
3. 最佳情境 (Best Case)：低成本、高銷量、低利率（所有事都順利）。

例子：
如果你正在開設一家咖啡店，「最差情境」可能包括隔壁新開了一家競爭對手，且咖啡豆價格同時上漲。情境分析有助於管理層查看 NPV 可能出現的範圍。

重點總結：情境分析比敏感度分析更具現實意義，因為它允許變數同時變動。不過，和敏感度分析一樣，它通常無法告訴我們這些情境發生的可能性有多大。


3. 機率分佈與期望值 (Probability Distributions and Expected Values)

如果我們想做得更「精算」一點，我們會開始為不同的結果分配機率。這能讓我們計算出一個單一的「平均」結果，即期望值 (Expected Value, EV)。

數學計算：
預期 NPV 是每個可能 NPV 與其機率的乘積總和：
\( E[NPV] = \sum (PV_i \times P_i) \)
其中 \( PV_i \) 是結果，\( P_i \) 是該結果發生的機率。

透過分佈理解風險：
- 平均值（期望值）：如果我們重複執行該項目多次，所得到的平均結果。
- 標準差：衡量「離散程度」的指標。高標準差代表項目風險很高，因為實際結果可能與平均值相差甚遠。
- 變異係數 (Coefficient of Variation)：即 \( \frac{\text{Standard Deviation}}{\text{Expected Value}} \)。它有助於比較規模不同的兩個項目的風險。

常見錯誤提醒：
不要誤以為「期望值」就是最可能發生的結果，它只是一個加權平均數。如果一個項目有 50% 的機率賺取 100 美元，有 50% 的機率賺取 0 美元，那麼期望值是 50 美元，即使你永遠不可能真的剛好賺到 50 美元！

重點總結：機率將「猜測」轉化為「統計分佈」。這讓我們能夠量化 NPV 低於零的風險。


4. 蒙地卡羅模擬 (Monte Carlo Simulation)

有時候項目過於複雜，我們無法手動計算其分佈。這時就輪到蒙地卡羅模擬出場了。你可以把它想像成金融界的「虛擬實境」。

流程：
1. 利用電腦為所有風險變數分配機率分佈（例如：「銷售額遵循常態分佈」）。
2. 電腦隨機選取每個變數的值並計算 NPV。
3. 電腦重複上述步驟數千次。
4. 結果會生成一張精美的圖表（頻率分佈圖），顯示所有可能的 NPV 及其發生的機率。

為何使用它？
它能很好地處理變數間的相關性（例如：若通膨上升，利率通常也會跟著上升）。它能提供非常詳盡的風險圖像。

缺點：
它可能成為一個「黑箱」。如果你輸入錯誤的數據，你得到的也只會是錯誤的結果（「垃圾進，垃圾出」，Garbage In, Garbage Out）。此外，它需要專業軟體，設置成本可能較高。

重點總結：模擬是檢視結果完整分佈的最強大工具，但它需要電腦運算與高品質數據的支持。


5. 決策樹 (Decision Trees)

有些項目並非僅僅是「開始然後等待」。它們涉及順序決策。例如：「我們今天測試產品。如果成功，我們明年建廠；如果失敗，我們就放棄。」

運作方式：
- 方形代表決策點（管理層選擇路徑的地方）。
- 圓形代表機會點（結果超出我們控制的點）。
- 你需要從未來向現在反向推導，以找出目前最佳的決策。

重點總結：決策樹非常適合應用於具有不同「階段」的項目，並能展現靈活性（即未來改變主意的選擇權）的價值。


摘要清單

你能分辨它們的區別嗎？
- 敏感度分析：一次改變一個變數。
- 情境分析：改變一組變數以符合一個「故事」。
- 期望值：機率加權後的平均值。
- 模擬：數千次由電腦生成的「如果……會怎樣」。
- 決策樹：為多階段決策制定計畫。

冷知識：
「蒙地卡羅模擬」的名字源自摩納哥著名的蒙地卡羅賭場。由於該技術依賴於隨機性與機率（就像擲骰子一樣），在原子彈研發期間，人們便以這個世界上最著名的賭博勝地來為它命名！

如果這些概念聽起來很抽象，請別擔心！在考試中，你通常只需要針對其中一項進行簡單的計算，或是討論其優缺點。多練習歷屆試題，你就會對這類題型的措辭感到得心應手！