歡迎來到項目評估中的風險分析！
在之前的章節中，我們已經學會如何計算淨現值 (Net Present Value, NPV) 和內部收益率 (Internal Rate of Return, IRR)。這些工具非常實用，但它們通常依賴於「點估計」（Point Estimates）——也就是我們希望實現的單一數字。然而，現實世界中的事情很少能完全按計劃進行！
本章的重點是從「最好的猜測」轉向「知情的風險管理」。我們將探討如何識別風險機率，並衡量它們隨時間產生的財務影響。如果起初覺得這些數學概念有些複雜，請別擔心；我們會將每個概念拆解成簡單、易於掌握的步驟。
1. 敏感度分析 (Sensitivity Analysis)
敏感度分析通常被稱為「假設分析」（What-if analysis）。它探討的問題是：「如果某個特定變量發生變化，我們的 NPV 會改變多少？」
想像你在經營一個檸檬茶攤位。你預計銷售 100 杯，每杯賣 1 美元來計算利潤。敏感度分析會問：「如果我只賣出 80 杯，利潤會怎樣？如果檸檬價格突然翻倍，又會怎樣？」
運作方式：
1. 識別關鍵變量（例如：銷售量、折現率、初始成本）。
2. 每次只改變一個變量，同時保持其他所有變量不變。
3. 重新計算 NPV。
4. 找出項目對哪些變量最「敏感」（即哪些變量會導致 NPV 下降最嚴重）。
常見錯誤：
學生常誤以為敏感度分析會同時考慮多個變量的變化。請記住：在純粹的敏感度分析中，我們每次只改變一個因素，以便分離出其具體的影響。
快速回顧：敏感度分析有助於我們識別那些可能決定項目成敗的關鍵變量。如果原材料價格僅變動 1% 就會使 NPV 變為負數，那麼這就是一個高風險變量！
2. 情境分析 (Scenario Analysis)
敏感度分析觀察的是單個變量，而情境分析則觀察一組變量共同變化時的「套裝」效果。這更貼近現實，因為現實世界中的風險往往是集體出現的。
三種標準情境：
1. 最差情況 (Worst Case)：高成本、低銷量、高利率。
2. 最可能情況 (Most Likely Case)：我們對未來發展的最佳預估。
3. 最好情況 (Best Case)：低成本、高銷量、低利率。
例子：考慮一部電影的上映。所謂的「最差情況」不僅僅是票房低；它很可能包含了票房低、加上高額營銷成本、加上口碑極差。情境分析捕捉的就是這種「完美風暴」。
重點總結：情境分析提供了 NPV 可能結果的範圍，幫助管理層了解項目的「下行風險」和「上行潛力」。
3. 機率分析與期望值 (Probability Analysis and Expected Values)
有時候，我們可以為不同的結果分配一個數學上的機率（機會）。當我們這樣做時，就可以計算期望值 (Expected Value, EV)。
公式：
期望值是所有可能結果的加權平均值：
\( EV = \sum (P_i \times X_i) \)
其中 \( P_i \) 是結果發生的機率，\( X_i \) 是該結果的財務價值（NPV）。
計算範例：
一個項目有 30% 的機會賺取 $100,000，有 70% 的機會賺取 $40,000。
\( EV = (0.30 \times 100,000) + (0.70 \times 40,000) \)
\( EV = 30,000 + 28,000 = \$58,000 \)
你知道嗎？期望值並不一定是你在單次嘗試中預期會看到的結果。在上述例子中，你永遠不可能真的賺到 $58,000——你要麼賺 $100k，要麼賺 $40k。EV 代表的是如果你重複進行多次該項目後的長期平均值。
4. 蒙地卡羅模擬 (Monte Carlo Simulation)
當項目非常複雜且涉及許多變動因素時，簡單的情境分析是不夠的。蒙地卡羅模擬使用電腦同時運行數千個「假設」情境。
過程：
1. 為每個不確定變量分配一個機率分佈（例如：銷售量可能在 500 到 1,000 單位之間，呈鐘形曲線分佈）。
2. 電腦為每個變量隨機挑選一個數值並計算 NPV。
3. 電腦重複此過程 1,000 次以上。
4. 結果是一個 NPV 分佈圖，向我們顯示了該項目獲利的機率。
記憶小撇步：把「蒙地卡羅」想像成賭場。你就像是在「擲骰子」成千上萬次，以觀察長期下來的平均結果是什麼樣子。
5. 決策樹 (Decision Trees)
決策樹是視覺化的圖表，用於那些需要在一段時間內分階段作出決策的項目。它們非常適合識別在不同時間尺度下發生的風險。
關鍵組成部分：
1. 決策節點（正方形）：管理層必須做出選擇的地方。
2. 機會節點（圓形）：不確定事件發生的地方（例如：市場增長或衰退）。
3. 分支：顯示不同的路徑及其相關的成本或收益。
如何解題：倒推法 (Roll-Back Method)
要評估決策樹，你需要從右側（項目的終點）開始，向左側（當下）倒推。
- 在機會節點，計算期望值。
- 在決策節點，選擇價值最高的分支，並「修剪」（忽略）其他分支。
重點總結：決策樹非常適合「多階段」項目，例如藥物開發，你需要在每個試驗階段後決定是否繼續進行。
6. 技術總結
你應該使用哪種技術？這取決於你需要了解什麼：
• 使用敏感度分析來找出最危險的單一變量。
• 使用情境分析來觀察合併事件（最好/最差情況）的影響。
• 當你有可靠的機率數據時，使用期望值。
• 對於變量眾多的高複雜度項目，使用蒙地卡羅模擬。
• 對於具有順序階段和變更選項的項目，使用決策樹。
快速複習箱：
風險 (Risk) = 可量化（我們有機率數據）。
不確定性 (Uncertainty) = 不可量化（我們不知道發生機率）。
大多數 CB1 考試題目都集中在風險上，因為我們正嘗試為擔憂的事情賦予具體數字！
如果起初覺得這些內容有點棘手，別擔心！掌握它們的最佳方法就是練習繪製決策樹，並計算不同情境下的 NPV。你一定可以做到的！