直線本能

Lead： 趨勢會彎曲；不要把最近的斜率直接畫到無限遠。

為什麼我們愛畫直線

只要一個數字連續幾期上升，大腦就很容易把同樣的增幅往未來延伸。這是因為直線最簡單，也最容易想像。但人口、科技採用率、營收、房價、感染人數幾乎都可能出現加速、減速、S 型、週期或平台。真正的問題不是『現在有沒有成長』，而是『成長的機制會在什麼條件下改變』。

基期會自己改變成長率

一家公司營收從 1 億增加到 2 億是成長 100%，再增加 1 億到 3 億就只剩 50%。即使每年新增的絕對金額一樣，百分比成長率也會自然下降。很多高成長公司不是突然失去能力，而是基期變大後，要維持同樣百分比需要更大的新增量。看成長率時，如果不看基期，很容易把早期速度當成永久速度。

市場容量和滲透率會讓曲線彎

新產品早期滲透率低，每增加一批使用者都很容易帶來高百分比成長；當大部分潛在客戶都已使用，增速通常會下降。這就是為什麼很多科技產品早期看起來像爆炸式成長，後期轉向成熟市場。相反地，有些趨勢早期慢、跨過關鍵基礎設施後反而加速。沒有一種曲線可以套全部問題。

放到投資估值

如果估值模型假設未來五年都維持 40% 成長，最好至少做三個情境：高成長延續、正常降速、競爭導致快速降速。再問每個情境需要什麼前提，例如市場規模、價格、毛利率、資本支出和競爭者。這樣做的目的不是準確預測，而是避免單一直線把所有結果綁死。

容易誤解的地方

『不要直線外推』不代表所有趨勢都會反轉。有些指標在相當長時間內確實接近線性，有些甚至會加速。正確做法不是看到直線就反著猜，而是找出驅動機制和限制條件。只要限制條件沒有改變，直線可能暫時仍是合理近似；一旦條件接近上限，就要預期曲線可能變形。

實際使用

遇到任何成長圖，至少畫三條線：延續、減速、反轉或平台。接著在每條線旁寫『什麼條件會讓它發生』。你會發現，真正值得研究的不是線本身，而是那些讓線改變的變數。

再往深一層：不同曲線背後是不同機制

S 型曲線常出現在科技採用：早期基礎不足，成長慢；跨過臨界點後快速擴散；接近飽和後又放慢。指數型成長常出現在早期傳播或複利；週期型則可能出現在景氣、庫存與原物料。看到圖形時，不是先猜「這是什麼曲線」，而是先問驅動變數是什麼。機制決定曲線，曲線只是結果。

完整情境拆解

某 App 用戶從 10 萬、20 萬、40 萬連續翻倍，如果直接外推三年，數字可能荒謬地超過可服務人口。你需要加入市場容量、留存率、獲客成本、競爭者與平台限制。另一家公司營收連三年只增 5%，也不代表永遠低成長；若新產品剛進量產，曲線可能轉折。真正要研究的是轉折條件。

自己練一次

拿一個你正在追蹤的數字畫三條未來路徑：延續、減速、反轉。每條路徑寫三個必要條件。你會發現「預測數字」變成「監控條件」，這通常比猜單一目標價更有用。

延伸應用：把概念放進完整決策

在實務上，直線本能最常造成估值模型和政策預測的錯誤。模型不是不能外推，而是要清楚外推多久、為什麼。公司營收高速成長時，可以把未來拆成「高速期、降速期、成熟期」，每一階段設定不同成長率與利潤率；人口或需求預測則要加入生育率、移民、滲透率等限制。這種分段思考比單一直線更貼近機制。另一個好習慣是把「什麼會讓我的曲線改變」寫成監控清單，例如競品降價、客戶飽和、法規改變。當轉折條件出現，你不需要等數字明顯反轉才承認模型過期。

讀完後的判斷清單

• 我是不是把最近斜率直接往未來畫？
• 基期變大後成長率會怎麼變？
• 市場容量或滲透率上限在哪裡？
• 什麼變數會讓曲線彎掉？
• 悲觀／中性／樂觀三種路徑的前提各是什麼？

把這五題拿去套一個你現在真的在做的決策，不需要每題都有完美答案。若其中兩三題完全答不出來，就表示你目前的信心可能高於資訊品質。先補最可能改變決策的資料，再決定是否行動；如果決策低代價且可逆，也可以小步嘗試，用結果繼續更新，而不是為了追求百分之百確定而無限拖延。

今天記住

趨勢會彎曲；不要把最近的斜率直接畫到無限遠。