モンテカルロ分析とは？乱数シミュレーションでリスクを定量化する手法
モンテカルロ分析は、不確実な変数に確率分布を割り当て、数千回のランダムシミュレーションを通じて結果の確率分布を求める定量的リスク分析手法です。実践手順、感度分析との違い、活用場面と注意点を解説します。
モンテカルロ分析とは
モンテカルロ分析（Monte Carlo Analysis）とは、不確実性を伴う変数に確率分布を割り当て、乱数を用いた繰り返しシミュレーションによって結果の確率分布を求める定量的分析手法です。名前はモナコのモンテカルロカジノに由来し、確率と乱数の概念を活用することからこの名が付きました。この手法は、1940年代にロスアラモス国立研究所でスタニスワフ・ウラムとジョン・フォン・ノイマンが核兵器開発における中性子拡散のシミュレーションのために考案しました。
モンテカルロ分析の最大の強みは、複数の不確実な変数が同時に変動する状況を確率的に評価できる点です。「最良ケースと最悪ケース」だけでなく、「80%の確率でこの範囲に収まる」という確率分布ベースの意思決定を可能にします。
感度分析が「1つの変数を変えたら結果がどう変わるか」を見るのに対し、モンテカルロ分析は「すべての不確実な変数が同時にランダムに変動したとき、結果がどのような分布になるか」を求めます。一回のシミュレーションでは1つのランダムな結果が得られますが、これを数千回から数万回繰り返すことで、結果全体の確率分布が浮かび上がります。
コンサルティングでは、投資判断、プロジェクトのスケジュールやコストの見積もり、新規事業の収益予測など、不確実性が高い意思決定で活用されています。「最良ケースで○○、最悪ケースで○○」という単純なシナリオ分析を超え、「80%の確率で○○以上になる」といった確率的な表現が可能になります。
構成要素
モンテカルロ分析は以下の要素で構成されます。確率分布の選択とシミュレーション回数の設定が分析の精度を左右します。
| 要素 | 説明 |
|---|---|
| 入力変数 | 不確実性を伴うパラメータ（コスト、需要、工期など） |
| 確率分布 | 各入力変数に割り当てる分布（正規分布、三角分布、一様分布など） |
| 計算モデル | 入力変数から出力を算出する数式やロジック |
| 乱数生成 | 確率分布に基づいてランダムな値を発生させる仕組み |
| シミュレーション回数 | 試行を繰り返す回数（通常1,000回から10,000回以上） |
| 出力分布 | シミュレーション結果の確率分布（ヒストグラム、累積分布） |
主な確率分布の種類
三角分布は、最小値・最頻値・最大値の3点で定義され、専門家の見積もりを直接反映できるため実務で使いやすい分布です。正規分布は、平均と標準偏差で定義され、自然現象やデータが十分にある場合に適しています。一様分布は、最小値と最大値の間で均等に値が発生し、情報が乏しい場合に使われます。
実践的な使い方
ステップ1: 計算モデルを構築する
分析対象となる計算モデル（収益モデル、コストモデル、スケジュールモデルなど）をスプレッドシートや専用ツールで構築します。まずは確定値で動作するモデルを作成し、正しく計算されることを確認します。
ステップ2: 不確実な変数を特定する
モデル内の変数のうち、不確実性が高いものを特定します。すべての変数を確率変数にする必要はありません。結果に影響が大きく、かつ不確実性が高い変数に絞るのが効率的です。
ステップ3: 確率分布を割り当てる
各不確実変数に適切な確率分布を割り当てます。過去のデータがあれば統計的に分布を推定します。データがない場合は、専門家に「最小・最頻・最大」の3点見積もりを依頼し、三角分布を適用するのが実務的です。
ステップ4: シミュレーションを実行する
各入力変数の確率分布からランダムに値を生成し、モデルに投入して出力を計算します。この試行を数千回繰り返します。Excelのアドイン（Crystal Ballなど）や専用ソフトウェア、Pythonなどのプログラミング言語で実行できます。
ステップ5: 結果を分析し解釈する
シミュレーション結果をヒストグラムや累積分布関数（S字カーブ）で可視化します。「90%の確率で利益は○○以上」「プロジェクトが予算内に収まる確率は65%」といった確率的な解釈を行い、意思決定に活用します。
活用場面
モンテカルロ分析は以下のような場面で効果を発揮します。
- 大規模投資の意思決定で、複数の不確実性を同時に考慮したリスク評価が必要なとき
- プロジェクトのスケジュールやコストの見積もりで、確率的な予測を経営層に提示したいとき
- 新規事業の収益予測で、楽観・悲観シナリオだけでは不十分と感じるとき
- ポートフォリオのリスク評価で、複数の投資先のリスクが同時に顕在化する可能性を評価したいとき
- 入札や見積もりで、適切なリスクバッファの設定根拠を示したいとき
注意点
モンテカルロ分析は「ゴミを入れればゴミが出る」原則から逃れられません。確率分布の設定が不適切であれば、いくらシミュレーション回数を増やしても結果は信頼できません。分布の選択根拠を明確にすることが分析の前提です。
確率分布の設定根拠を明確にする
確率分布の設定が不適切なら、計算結果の信頼性は担保されません。過去のデータがある場合は統計的に分布を推定し、データがない場合は専門家の見積もり根拠を文書化してください。
変数間の相関を無視しない
変数間の相関を無視すると結果が歪みます。たとえば「景気が悪いと売上も利益率も下がる」といった相関関係は明示的にモデルに組み込む必要があります。相関を無視した分析は、リスクを過小評価する原因になります。
シミュレーション回数を十分に確保する
シミュレーション回数が少なすぎると結果が安定しません。最低でも1,000回、精度を求めるなら10,000回以上を推奨します。回数を変えて結果が安定しているかを確認する感度チェックも有効です。
結果の解釈には前提条件を添える
「80%の確率」という表現は、モデルと分布の前提が正しい場合の話であり、前提自体のリスクは含まれていません。複雑な分析に見えるため、前提条件と限界を関係者にしっかり説明する必要があります。
まとめ
モンテカルロ分析は、不確実な変数に確率分布を割り当て、乱数シミュレーションを通じて結果の確率分布を求める強力な定量分析手法です。感度分析やシナリオ分析を補完し、「確率○%で○○以上」という表現で意思決定を支援します。確率分布の設定根拠を明確にし、変数間の相関も考慮することで、分析の信頼性が高まります。