蒙特卡羅模擬

蒙特卡羅模擬（Monte Carlo Simulation）是一種以機率論為基礎的數值方法，透過大量隨機抽樣來模擬複雜系統的行為，最終產出結果的機率分佈。其起源可追溯至1940年代，由Stanly Ulam、John von Neumann等人於曼哈頓計畫期間開發。在企業風險管理（ERM）中，它被用於處理無法以閉式解（closed-form solution）解決的複雜風險場景，例如專案時程風險、金融衍生性商品定價及供應鏈中斷衝擊。與傳統期望值法不同，蒙特卡羅法能揭示極端情境（尾端風險）的發生機率，這對符合ISO 31000風險評鑑要求至關重要。它屬於風險評估（Risk Assessment）中的量化分析技術，與敏感性分析、情境分析互為補充，共同構成風險矩陣的動態基礎。值得注意的是，其準確性高度依賴於輸入機率分佈假設的合理性，因此模型驗證是不可跳過的步驟。

實務導入通常遵循以下三個步驟：第一步，定義風險因子與機率分佈。企業需針對每個風險因子（如：匯率波動、交貨延遲、法規變更）指定適當的機率分佈模型（如正態分佈、對數正態分佈、Beta分佈），此步驟對應ISO 31000第6.4.3條的風險分析要求。第二步，執行模擬運行。系統會進行數萬次迭代，每次迭代從各風險因子分佈中隨機抽取一個值進行計算，直到收斂為穩定的結果分佈。第三步，解讀機率分佈進行決策。常見輸出包括期望值、標準差、分位數（如95%風險值VaR）。例如，在供應鏈風險管理中，企業可透過模擬計算在特定交貨時間達成率，並據此決定安全庫存水位。根據NIST SP 800-30的風險評估框架，此類量化方法能提供比靜態風險矩陣更具操作性的決策依據。

台灣企業導入此技術面臨三項主要挑戰。首先是數據品質與量化能力不足：許多中小型企業缺乏歷史數據記錄，難以設定合理的機率分佈參數。建議採取「專家判斷+歷史數據」混合法，參考ISO 31000第6.4.2條的風險識別與分析要求，以結構化方式蒐集專家意見。其次是技術人才稀缺：量化風險建模需要統計學與業務知識的雙重能力。企業應投資員工培訓或採用成熟的風險量化軟體工具，降低技術門檻。第三是文化抗拒：高階主管習慣直覺式決策，對機率分佈的接受度有限。解決方案應從「風險矩陣視覺化」切入，將機率分佈轉化為易懂的風險等級圖表，並以實際案例證明量化模型在預測極端事件上的優越性。建議導入時程為：第一季建立數據治理基礎，第二季進行試行專案，第三季推廣至全企業風險管理體系。

Monte Carlo Simulation直接對應ISO 31000:2018第6.4.3條的風險分析要求，該條款強調風險分析應考慮不確定性與機率性。在金融風險管理領域，Basel III（巴塞爾協議III）的資本適足率計算中，期望損失（Expected Loss）與極端損失（Expected Shortfall）的估算廣泛採用此類模擬方法。NIST SP 800-30（美國國家標準暨技術研究院發布的風險評估指南）亦將機率模型列為量化風險評估的關鍵方法。此外，在IFRS 17（國際財務報告準則第17號）的保險契約評價中，折現率與保險責任的精算模型必須整合機率模擬以符合精算假設的真實性要求。這些標準共同確立了蒙特卡羅法在現代風險治理中的合法性地位。