歡迎來到風險與不確定性的世界！
你好！歡迎來到 P2 高級管理會計 (Advanced Management Accounting) 課程中最實用且有趣的章節之一。在之前的學習中，你可能覺得數據就像刻在石頭上一樣固定。但在真實的商業世界裡，我們很少能確切知道明天會發生什麼事。銷售額會大增嗎？原材料價格會暴漲嗎？
在本章中，我們將學習如何停止「瞎猜」，轉而使用邏輯性和數學工具來管理未知數。我們將探索概率模型 (probabilistic models) 和決策樹 (decision trees)，幫助管理人員即便在未來「模糊不清」的情況下，也能做出最佳選擇。不用擔心自己不是數學天才——我們會一步步拆解這些內容！
1. 風險與不確定性：有何不同？
在我們深入計算之前，需要先理解 CIMA 最喜歡考的兩個關鍵術語。它們聽起來很像，但在管理會計中，它們卻有很大區別：
風險 (Risk)： 當我們不知道確切結果，但確實有足夠的過往數據或經驗來分配概率（例如有 60% 的成功機會）。例子：賭場了解「風險」，因為他們掌握了莊家勝算的數學概率。
不確定性 (Uncertainty)： 當未來完全是一個「黑盒子」時。我們沒有任何過往數據，也無法分配可靠的概率。例子：推出一項前所未有的革命性新技術。
快速複習：兩者的區別
- 風險： 概率已知。我們在此處使用期望值 (Expected Values) 和決策樹 (Decision Trees)。
- 不確定性： 概率未知。我們使用最大最大準則 (Maximax)、最大最小準則 (Maximin) 和最小後悔值法 (Minimax Regret) 等工具（你可能會在其他章節看到這些）。
關鍵點： 當我們可以為不同的結果分配百分比機會時，我們就使用概率模型。
2. 期望值 (Expected Values, EV)
期望值 (EV) 是所有可能結果的加權平均值。它告訴我們：「如果我們做出同樣的決策 1,000 次，平均結果會是多少？」
公式
EV 的公式為： \( EV = \sum px \)
其中：
p = 結果的概率
x = 該結果的價值（利潤或成本）
\(\sum\) = 進行所有計算的總和
現實例子：咖啡店
想像你經營一家咖啡店。你正在決定是否要進貨一款季節性特製蛋糕。
- 如果需求高（40% 機率），你將獲得 $500 利潤。 \n
- 如果需求低（60% 機率），你將獲得 $100 利潤。
計算：
\( (0.40 \times \$500) + (0.60 \times \$100) \)
\( \$200 + \$60 = \$260 \)
期望值為 $260。
期望值的「玄機」
如果這看起來很奇怪，別擔心： 在上面的例子中，你實際上永遠不會賺到 $260。你只會賺到 $500 或 $100。EV 僅僅是一個長期平均值。這對學生來說是一個常見的困惑點！
\n\nEV 的優點與缺點
\n- \n
- 優點： 將複雜的數據簡化為一個易於比較的單一數字。 \n
- 優點： 非常適合重複性的決策。 \n
- 缺點： 忽略了管理者的風險胃納 (risk appetite)（它假設管理者是「風險中性」的）。 \n
- 缺點： 平均值可能永遠不會發生（正如我們在咖啡店例子中看到的）。 \n
關鍵點： 使用 EV 來找出長遠來看「數學上最優」的選項，但要記住它無法顯示風險的「分佈範圍」。
\n\n3. 敏感度分析 (Sensitivity Analysis)
\n敏感度分析基本上是在問「如果……會怎樣？」 (What if?)。它研究某個特定變量（如銷售量或材料成本）在我們的決策變成糟糕的決定之前，可以變動多少。
\n\n如何計算
\n計算變量敏感度的最簡單方法是：
\n\( \text{敏感度 \%} = \left( \frac{\text{淨利潤（或安全邊際）}}{\text{所測試變量的現值}} \right) \times 100 \)
經驗法則： 百分比越低，該變量就越敏感（風險越高）。如果銷售額下降 2% 就會導致你的項目虧損，那這就是一個非常「敏感」且高風險的項目！
\n\n避免常見錯誤
\n學生經常認為高敏感度百分比是壞事。其實恰恰相反！50% 的敏感度意味著該變量必須發生巨大變化，你才會陷入麻煩。這是一個「安全」的緩衝區。
\n\n關鍵點： 敏感度分析有助於確定哪些變量是最需要關注的關鍵因素。
\n\n4. 決策樹 (Decision Trees)
\n決策樹是多階段決策的導圖。當一個選擇導致另一個事件，而該事件又導致另一個選擇時，它就派上用場了。
\n\n你需要知道的符號
\n- \n
- 正方形 (\(\square\))： 決策點 (Decision Point)。這是管理者選擇要做什麼的地方。 \n
- 圓形 (\(\bigcirc\))： 結果點 (Outcome Point)（或機會節點）。這是「命運」或市場決定結果的地方（概率放在這裡）。 \n
「回推法」 (Roll-Back Method)（分步教學）
\n要解決決策樹，我們需要由後往前（從右到左）推算。這通常被稱為對樹進行「修剪」。
\n\n- \n
- 繪製樹狀圖： 從左側的第一個決策開始，向右畫出分支。 \n
- 添加價值： 將利潤/成本放在分支的末端（「葉子」）。 \n
- 計算圓形節點的 EV： 從右到左進行。在每個圓形節點處，計算 EV。 \n
- 在正方形節點做出選擇： 在每個正方形處，比較各個選項，選擇 EV 最高（或成本最低）的那一個。刪除「失敗」的分支。 \n
- 最終結果： 最左側正方形的數值就是你最佳的期望結果。 \n
你知道嗎？
\n決策樹不僅在管理會計中使用，還廣泛應用於醫學診斷和法律案件！當情緒（或巨大的金錢利益）可能影響判斷時，它們能幫助人們保持理性。
\n\n關鍵點： 永遠從右到左「回推」。在圓形處使用 EV，在正方形處選擇最佳路徑。
\n\n5. 資訊的價值 (Value of Information)
\n有時，我們可以花錢購買市場研究報告或專家的意見來減少不確定性。但我們應該花多少錢呢？
\n\n完全資訊期望值 (EVPI)
\n想像你有一個完美的水晶球。EVPI 就是你願意為這個水晶球支付的最高金額。
\n\n公式：
\n\( \text{EVPI} = \text{擁有完全資訊後的 EV} - \text{無資訊時的 EV} \)
計算步驟：
\n- \n
- 計算沒有額外資訊時最佳決策的 EV（我們在第 2 節做過）。 \n
- 計算擁有完全資訊時的 EV：假設你確定市場需求會是「高」，最佳利潤是多少？然後假設你確定是「低」，最佳利潤又是多少？將這些「最佳情況」的結果按其原始概率進行加權。 \n
- 兩者之差就是你的 EVPI。 \n
不完全資訊期望值 (EVII)
\n在現實世界中，市場研究很少是 100% 完美的，這就是 EVII。它的邏輯與 EVPI 相同，但概率會經過調整（使用所謂的貝葉斯定理 Bayes' Theorem，不過 CIMA P2 通常更關注資訊價值的應用，而非複雜的貝葉斯計算）。
\n\n重要原則： 你支付的資訊費用絕對不能超過它所帶來的價值。如果 EVPI 是 $5,000，而調研機構要價 $6,000，那就說「謝謝不用了！」
關鍵點： 資訊價值 = (新 EV) 減去 (舊 EV)。這就是獲取更佳資訊的「回報」。
結語與鼓勵
如果決策樹或 EVPI 一開始讓你覺得像謎題一樣，不用擔心。關鍵在於多練習畫圖並清楚地標記它們。一旦你掌握了「回推法」的邏輯，你會發現這些是 P2 考試中最容易「穩拿分」的考點！
快速複習箱：
- 風險 (Risk) = 概率已知。
- 期望值 (EV) = \( \sum px \)。
- 敏感度 (Sensitivity) = 邊際 / 變量。
- 正方形 = 決策；圓形 = 概率。
- 資訊價值 (Information Value) = (有資訊的利潤) - (無資訊的利潤)。