Monte Carlo Simulation is a quantitative risk-analysis technique that repeatedly recalculates a project model using randomly selected values from defined probability distributions. Instead of producing only one NPV, IRR, project cost or completion date, it produces a distribution of possible outcomes and the probability associated with different result ranges. The UK Green Book 2026 identifies Monte Carlo analysis as an advanced technique suitable for high-cost or high-risk proposals involving multiple variables with significant uncertainty.
The technique is most suitable when several uncertain variables can change simultaneously. Examples include sales volume, selling price, construction cost, raw-material prices, exchange rates, inflation, operating efficiency, project delays and terminal value. Traditional sensitivity analysis usually changes one assumption at a time, whereas Monte Carlo Simulation allows management to observe the combined effect of multiple uncertainties.
For example, a company considering a new factory may be uncertain about market demand, selling prices, raw-material costs, foreign-exchange rates and the date of commercial production. Management can define a reasonable range and probability distribution for each variable, run thousands of iterations and assess expected NPV, the probability of negative NPV and the amount of funding required at different confidence levels. GAO guidance explains that simulation can convert uncertain cost drivers into a distribution of possible total costs and help management identify the contingency needed to achieve a desired level of confidence.
Monte Carlo Simulation is especially useful when variables are correlated. Inflation may increase wages, materials and selling prices at the same time. Oil prices may affect logistics costs, exchange rates and customer demand. Selling price and volume may move in opposite directions because of price elasticity. Ignoring these relationships may produce unrealistic combinations and understate the spread of possible results. GAO identifies the treatment of correlations between cost elements as an important component of a reliable risk and uncertainty analysis.
The method is also valuable when financial effects are nonlinear. A minor delay may create only limited additional cost, while a longer delay may trigger contractor claims, lost revenue, additional interest and covenant pressure simultaneously. Similarly, a moderate fall in demand may be absorbed within available capacity, but a larger decline may cause substantial fixed-cost under-absorption.
Suitable applications include large manufacturing plants, infrastructure, energy, mining, property development, research and development, acquisitions and major technology projects. It can also be used for schedule risk by assigning probability distributions to activity durations and estimating the likelihood of completing the project before a particular date. NASA guidance describes the use of Monte Carlo Simulation to produce a distribution of cost-risk impacts and identify confidence levels associated with different cost outcomes.
For FP&A and CFOs, the key output should not be only the average result. Management should focus on the probability of NPV falling below zero, costs exceeding the approved budget, cash balances becoming insufficient, debt covenants being breached or additional funding being required. Two projects with the same expected NPV may have very different risk profiles if one has a narrow range of outcomes while the other has a small but significant probability of severe loss.
Simulation results can also help determine the appropriate contingency budget. Instead of adding an arbitrary percentage to project costs, management may select a budget corresponding to an agreed confidence level. The selected level should reflect the company’s risk appetite, financing capacity and consequences of an overrun. The analysis should be updated when the project scope, cost estimate or risk register changes because unknown or omitted risks cannot be quantified by the original model.
Monte Carlo Simulation is less useful when uncertainty is dominated by a single binary event that cannot be assigned a credible probability, such as whether a critical licence will be granted or whether a new technology will be prohibited. In practice, such risks may be better presented through separate scenarios or decision trees. Simulation should also not be used to create artificial precision where historical data and expert evidence are insufficient to support the selected distributions.
The quality of the result depends heavily on the model, data, distributions and correlations. The UK government’s 2026 uncertainty guidance notes that Monte Carlo analysis can show the likelihood of different outcomes, but its results are highly dependent on the accuracy and objectivity of the assumptions used. A sophisticated model built on optimistic ranges or omitted downside risks may create false confidence rather than better decisions.
Auditors should understand Monte Carlo models when management uses them in impairment testing, fair-value measurement, provisions, going-concern assessments or other material accounting estimates. Under ISA 540 (Revised), auditors are expected to apply a robust and professionally sceptical approach to management’s methods, assumptions, data and estimation uncertainty. The auditor may need to test the model’s logic, compare assumptions with external evidence, evaluate correlations, reproduce selected calculations and involve valuation or modelling specialists.
Particular attention should be given to management bias. Warning signs include distributions that exclude credible adverse outcomes, unusually narrow ranges, correlations selected to reduce volatility, reliance on outdated data and repeated differences between simulated results and actual performance. The auditor should also assess whether the disclosures explain the significant assumptions, uncertainty and sensitivity of the estimate rather than presenting the simulation output as a precise prediction.
In conclusion, Monte Carlo Simulation is most appropriate for projects involving multiple interacting uncertainties, correlated assumptions and nonlinear financial effects. Its principal value is not predicting one exact result, but showing the probability of different outcomes, identifying the most influential risk drivers and helping management select realistic contingency and financing levels. It should complement, rather than replace, commercial judgment, scenario analysis and disciplined project governance.
Monte Carlo Simulation เป็นเทคนิควิเคราะห์ความเสี่ยงเชิงปริมาณที่นำแบบจำลองโครงการมาคำนวณซ้ำจำนวนมาก โดยแต่ละครั้งจะสุ่มค่าของสมมติฐานจากช่วงการกระจายความน่าจะเป็นที่กำหนดไว้ ผลลัพธ์จึงไม่ได้มีเพียงมูลค่าปัจจุบันสุทธิ อัตราผลตอบแทน ต้นทุนโครงการ หรือวันแล้วเสร็จเพียงค่าเดียว แต่แสดงช่วงของผลลัพธ์และโอกาสที่จะเกิดผลลัพธ์ในแต่ละระดับ UK Green Book 2026 ระบุว่า Monte Carlo Analysis เป็นเทคนิคขั้นสูงที่เหมาะกับโครงการที่มีต้นทุนหรือความเสี่ยงสูง และมีตัวแปรสำคัญหลายตัวที่ไม่แน่นอน
วิธีนี้เหมาะเมื่อโครงการมีตัวแปรไม่แน่นอนหลายตัวซึ่งสามารถเปลี่ยนแปลงพร้อมกัน เช่น ปริมาณขาย ราคาขาย ต้นทุนก่อสร้าง ราคาวัตถุดิบ อัตราแลกเปลี่ยน เงินเฟ้อ ประสิทธิภาพการผลิต ความล่าช้าของโครงการ และมูลค่าปลายโครงการ ต่างจากการวิเคราะห์ความอ่อนไหวทั่วไปที่มักเปลี่ยนสมมติฐานทีละตัว Monte Carlo Simulation สามารถแสดงผลกระทบร่วมของตัวแปรหลายด้านได้
ตัวอย่างเช่น บริษัทกำลังพิจารณาสร้างโรงงานใหม่ แต่ยังไม่แน่ใจเกี่ยวกับความต้องการของตลาด ราคาขาย ต้นทุนวัตถุดิบ ค่าเงิน และวันที่เริ่มผลิตเชิงพาณิชย์ ฝ่ายบริหารสามารถกำหนดช่วงกับรูปแบบการกระจายของแต่ละตัวแปร แล้วจำลองผลหลายพันครั้ง เพื่อดูมูลค่าปัจจุบันสุทธิที่คาดหวัง โอกาสที่โครงการจะขาดทุน และเงินทุนที่ต้องเตรียมไว้ในระดับความเชื่อมั่นต่าง ๆ แนวทางของ U.S. GAO อธิบายว่าการจำลองช่วยเปลี่ยนตัวขับเคลื่อนต้นทุนที่ไม่แน่นอนให้เป็นการกระจายของต้นทุนรวม และช่วยกำหนดเงินสำรองที่เหมาะสมกับระดับความเชื่อมั่นที่ฝ่ายบริหารต้องการ
Monte Carlo Simulation มีประโยชน์มากเมื่อสมมติฐานมีความสัมพันธ์กัน เงินเฟ้ออาจทำให้ค่าแรง วัตถุดิบ และราคาขายเพิ่มพร้อมกัน ราคาน้ำมันอาจกระทบค่าขนส่ง ค่าเงิน และความต้องการของลูกค้า ส่วนราคาขายกับปริมาณขายอาจเคลื่อนไหวสวนทางกันตามความอ่อนไหวของลูกค้าต่อราคา หากละเลยความสัมพันธ์เหล่านี้ แบบจำลองอาจสร้างสถานการณ์ที่ไม่สมเหตุสมผลและประเมินช่วงความเสี่ยงต่ำเกินจริง GAO ให้ความสำคัญกับการรวมความสัมพันธ์ระหว่างตัวแปรไว้ในการวิเคราะห์ความเสี่ยงที่น่าเชื่อถือ
วิธีนี้ยังเหมาะกับโครงการที่ผลกระทบทางการเงินไม่ได้เปลี่ยนแปลงเป็นเส้นตรง ความล่าช้าเล็กน้อยอาจเพิ่มต้นทุนไม่มาก แต่หากล่าช้าเกินระดับหนึ่ง อาจเกิดค่าปรับจากผู้รับเหมา รายได้ที่สูญเสีย ดอกเบี้ยเพิ่ม และความเสี่ยงผิดเงื่อนไขเงินกู้พร้อมกัน หรือยอดขายที่ลดลงเล็กน้อยอาจยังรับมือได้ แต่หากลดต่ำกว่าระดับการผลิตที่เหมาะสม ต้นทุนคงที่ต่อหน่วยอาจเพิ่มขึ้นอย่างรวดเร็ว
โครงการที่เหมาะสมจึงมักเป็นโรงงานขนาดใหญ่ โครงสร้างพื้นฐาน พลังงาน เหมืองแร่ อสังหาริมทรัพย์ การวิจัยและพัฒนา การซื้อกิจการ และโครงการเทคโนโลยีขนาดใหญ่ นอกจากนี้ยังใช้ประเมินความเสี่ยงด้านกำหนดเวลาได้ โดยกำหนดช่วงระยะเวลาของกิจกรรมต่าง ๆ แล้วคำนวณโอกาสที่โครงการจะเสร็จภายในวันที่กำหนด แนวทางของ NASA ใช้ Monte Carlo Simulation เพื่อสร้างการกระจายของผลกระทบด้านต้นทุนและแสดงระดับความเชื่อมั่นของต้นทุนในแต่ละระดับ
สำหรับ FP&A และ CFO ผลลัพธ์สำคัญไม่ควรมีเพียงค่าเฉลี่ย แต่ควรแสดงโอกาสที่มูลค่าปัจจุบันสุทธิจะติดลบ ต้นทุนสูงกว่างบ เงินสดไม่เพียงพอ บริษัทผิดเงื่อนไขเงินกู้ หรือต้องเพิ่มทุน โครงการสองโครงการอาจมีผลตอบแทนคาดหวังเท่ากัน แต่มีความเสี่ยงต่างกันมาก หากโครงการหนึ่งมีผลลัพธ์กระจุกตัวแคบ แต่อีกโครงการมีโอกาสเกิดผลขาดทุนรุนแรง
ผลการจำลองยังช่วยกำหนดเงินสำรองของโครงการอย่างมีหลักการ แทนการบวกเงินสำรองเป็นร้อยละเท่ากันทุกโครงการ บริษัทสามารถเลือกงบประมาณที่สอดคล้องกับระดับความเชื่อมั่นที่ยอมรับได้ โดยพิจารณาร่วมกับระดับความเสี่ยงที่บริษัทรับได้ ความสามารถในการหาเงิน และผลเสียหากโครงการเกินงบ การวิเคราะห์ควรถูกปรับปรุงเมื่อขอบเขตโครงการ ประมาณการต้นทุน หรือทะเบียนความเสี่ยงเปลี่ยน เพราะความเสี่ยงที่ไม่ได้ระบุไว้ตั้งแต่ต้นย่อมไม่ปรากฏในผลการจำลอง
Monte Carlo Simulation อาจไม่เหมาะเมื่อความไม่แน่นอนขึ้นอยู่กับเหตุการณ์สองทางเพียงเหตุการณ์เดียวและไม่สามารถกำหนดความน่าจะเป็นได้อย่างน่าเชื่อถือ เช่น ใบอนุญาตสำคัญจะได้รับหรือไม่ หรือเทคโนโลยีจะถูกห้ามใช้หรือไม่ ในทางปฏิบัติ ความเสี่ยงดังกล่าวอาจเหมาะกับการวิเคราะห์เป็นหลายสถานการณ์หรือต้นไม้การตัดสินใจมากกว่า และไม่ควรใช้แบบจำลองเพื่อสร้างความแม่นยำเทียมหากไม่มีข้อมูลในอดีตหรือหลักฐานจากผู้เชี่ยวชาญเพียงพอ
คุณภาพของผลลัพธ์ขึ้นอยู่กับโครงสร้างแบบจำลอง ข้อมูล ช่วงการกระจาย และความสัมพันธ์ระหว่างตัวแปร แนวทางด้านความไม่แน่นอนของรัฐบาลสหราชอาณาจักรปี 2026 ระบุว่า Monte Carlo Simulation สามารถแสดงความน่าจะเป็นของผลลัพธ์ต่าง ๆ ได้ แต่ผลลัพธ์ขึ้นอยู่สูงมากกับความถูกต้องและความเป็นกลางของสมมติฐาน แบบจำลองที่ดูซับซ้อนแต่ใช้ช่วงที่มองโลกในแง่ดีหรือไม่รวมความเสี่ยงด้านลบ อาจสร้างความมั่นใจที่ผิดมากกว่าช่วยให้ตัดสินใจดีขึ้น
ผู้สอบบัญชีควรทำความเข้าใจแบบจำลองเมื่อฝ่ายบริหารนำไปใช้ในการทดสอบการด้อยค่า การวัดมูลค่ายุติธรรม การตั้งประมาณการหนี้สิน การประเมินการดำเนินงานต่อเนื่อง หรือประมาณการทางบัญชีที่มีสาระสำคัญ ตาม ISA 540 ฉบับปรับปรุง ผู้สอบบัญชีต้องประเมินวิธีการ สมมติฐาน ข้อมูล และความไม่แน่นอนของประมาณการด้วยความสงสัยเยี่ยงผู้ประกอบวิชาชีพ อาจต้องทดสอบตรรกะของแบบจำลอง เปรียบเทียบสมมติฐานกับข้อมูลภายนอก ตรวจความสัมพันธ์ระหว่างตัวแปร คำนวณบางส่วนใหม่ และใช้ผู้เชี่ยวชาญเมื่อจำเป็น
ผู้สอบบัญชีควรระวังอคติของฝ่ายบริหาร เช่น การไม่รวมกรณีด้านลบที่มีโอกาสเกิดจริง การกำหนดช่วงแคบเกินไป การเลือกความสัมพันธ์ที่ช่วยลดความผันผวน การใช้ข้อมูลล้าสมัย หรือการที่ผลจริงต่ำกว่าผลจำลองอย่างต่อเนื่อง การเปิดเผยข้อมูลควรอธิบายสมมติฐานสำคัญ ความไม่แน่นอน และความอ่อนไหวของผลลัพธ์ ไม่ควรนำเสนอตัวเลขจากการจำลองเสมือนเป็นคำทำนายที่แน่นอน
โดยสรุป Monte Carlo Simulation เหมาะกับโครงการที่มีความไม่แน่นอนหลายตัวซึ่งเกิดพร้อมกัน มีความสัมพันธ์กัน และส่งผลทางการเงินแบบไม่เป็นเส้นตรง จุดแข็งไม่ได้อยู่ที่การทำนายตัวเลขเพียงค่าเดียว แต่อยู่ที่การแสดงโอกาสของผลลัพธ์ต่าง ๆ ระบุตัวขับเคลื่อนความเสี่ยงที่สำคัญ และช่วยกำหนดเงินสำรองกับแหล่งเงินทุนอย่างมีเหตุผล วิธีนี้ควรใช้ร่วมกับดุลยพินิจทางธุรกิจ การวิเคราะห์สถานการณ์ และการกำกับดูแลโครงการที่เข้มแข็ง
