作者：王駿瑋 David Ishayahu
2026-06-24 · 10 分鐘閱讀
多數組織量的是「投入」和「產出」，但影響力在更後面的位置。
SROI 方法論裡的四個影響因子，每一個都對應到一個數據科學可以回答的問題。
偏鄉學校的學業成績這三年一直在進步。你的教育計畫從第二年才介入。 那第三年的進步，有多少是你的功勞，多少是原本就會發生的趨勢？ 數據科學用「反事實基線」處理這個問題：用計畫介入前的趨勢線，推估「如果沒介入會怎樣」， 再跟實際結果比較。差異才是你的影響。
同一個社區裡同時有三個 NGO 在做不同的計畫。 社區的生活品質提升了，但這個提升有多少比例是你的計畫造成的？ 可能 40% 歸功於你，30% 歸功於政府的基礎建設，30% 歸功於另一個 NGO。 歸因分析就是把「功勞」按比例分配。 這跟碳盤查裡的排放係數敏感度分析邏輯類似： 同一個結果，不同的假設會指向不同的結論，關鍵是量化每個假設的影響程度。
你的職訓計畫幫 100 個人找到工作。但一年後有多少人還在職？三年後呢？ 如果第一年 80 人在職，第二年剩 50 人，第三年剩 30 人， 那你的影響力就是隨時間衰減的。 用時間序列分析追蹤受益者的長期變化，才能知道效果的「保質期」有多長。
在 A 社區設了新的就業機會，但如果這些工作機會是從 B 社區轉移過來的， 那你對整體社會的淨影響可能是零。 移轉效應是最容易被忽略的。 量化它需要更大範圍的數據蒐集，不只看受益者，也要看周邊區域有沒有受到負面影響。
回頭看JW 數據科學研究室的四個品牌，底層邏輯是統一的。CertiCarb 用交叉驗證確認碳排放數據的可信度。TISEE 用NLP 分析 ESG 報告書的揭露品質。ZRIMATA 用三維物理訊號觀測人體狀態。
HOPETURN 用因果推論觀測社會影響。 四個品牌的動詞都是「觀測」和「驗證」，差別只是觀測的對象不同。 環境碳排、企業揭露、社會影響、人體狀態。 同一套數據科學方法論，四個維度。
Social Return on Investment（社會投資報酬率）。比如 SROI 是 1:4，代表每投入 1 元，創造了 4 元等值的社會價值。但 SROI 的數字高度依賴假設和參數選擇，不同方法論可能算出差異很大的結果。
「如果你的計畫沒有介入，結果會怎樣」的推估。用歷史趨勢線、對照組比較、或統計模型來建立這條基線。實際結果跟基線的差異，才是你真正創造的影響。
至少需要：受益者的基線狀態（介入前）、介入後的追蹤數據、以及可比較的對照組或歷史趨勢。數據越完整、追蹤時間越長，評估結果越可靠。
教育、就業、社區發展、健康促進、弱勢扶助等都可以。關鍵不是計畫類型，而是有沒有可量化的結果指標和足夠的數據。
本內容僅供參考，影響力評估結果受方法論與數據來源影響。 SROI 計算結果高度依賴假設條件，不同的參數選擇可能導致不同結論。
影響力量化方法、SROI 實務案例、社會企業數據策略。 加入 LINE 官方帳號，接收社會影響領域的數據科學觀點。
