台灣近九年來的失業率由 2000 年前低於 3%迅速攀升，至 2003 年後雖有趨緩，
但平均失業率仍停留在 4%左右，比起過去失業率僅 3%的狀況，失業問題仍較為嚴重。
透過「灰關聯分析法」我們可以發現，這九年來的失業率變化態勢與台灣地區 45-64 歲人口比例、服務業人口比例、高等教育人口比例、營利事業家數的變化趨勢相近，
或者，我們可以說九年來失業率的攀升與這幾個因素有高度正關聯 (因本研究所採取 的是均值化之數據變換方式才可這麼推論)。我們嘗詴去探究背後原因，45-64 歲之中 高齡人口失業率較高或許可以從九年間台灣產業結構轉變，科技業一躍成為龍頭產業 說起。在產業結構變遷的過程中，中高齡的基層勞工，如生產工、機械設備操作工、
體力工等，其原有之技術可能面臨被機器取代或者不再適合現階段產業所需，且其學 習成本較高，轉業的阻礙也較大，再者，過去退休制度的設計致使企業雇用中高齡員 工所需支付的退休金較高，諸多原因使得年齡越大的濕業者一旦失業重返市場的機會 就變得很小；服務業的範圍相較其他產業來得廣，基層服務業得進入障礙低，流動率 也來得高，這可能是導致服務業比率提高失業率亦跟著提高的原因之一。至於高等教 育比率與失業率呈正向關聯，或許可以從教育制度上來看。 「高學歷高失業」意謂著 存在教育投資浪費與人力資源過度投資的問題，目前台灣的大學過度擴張，每年創造 超過 24 萬的高學歷畢業生（含學士、碩士、博士），是 10 年前的兩倍，但高學歷者所 面臨的失業壓力卻最大。這項高學歷失業的警訊，反映台灣大學教育所創造的人力供 給與企業所需人力的落差可能日益擴大。另外，高學歷光環下的學生素質、工作抗壓 性等，也是值得我們深思議題；營利事業家數與失業率正關聯則反映出一縣市僅衝高 營利事業家數是無法降低失業問題的。況且台灣地區之營利事業普遍以中小企業為 主，受限於企業規模，所能創造的工作機會畢竟有限。但因本研究所使用的變數並未 控制不同縣市規模不同的影響，建議後續研究中可改以其他比例變數以確實反映工商 業發展概況與失業率間的關聯性。
總結來說，雖然灰關聯係數只能呈現這些變數間的關聯性而無法看出因果關係，但
31
從灰關聯係數較高的變數中我們可以發現，九年間當台灣的失業率攀升之際，45-64 歲人口、服務業人口、高等教育人口、營利事業家數也都呈現類似走勢，透過簡易地 計算出灰關聯度並加以排序後，我們可以容易地從眾多影響失業率的因素中找到灰關 聯度高的因素。
再就各縣市灰關聯值來看，我們可以發現各區域關聯度高的因素大多也是服務業 比例、45-64 歲人口、高等教育比例以及營利事業家數四項，可見從縣市失業觀點所 得的結果和台灣整體結果差距不大；唯「農林漁牧業比例」對失業率的關聯性之縣市 差異較明顯，關聯性較高的縣市有雲林縣、台東縣、高雄縣、屏東縣及澎湖縣，尤其 雲林縣，從地理位置上來看，這些縣市多分部於東部、南部地區，且這些縣市向來就 是第一級產業 (農林漁牧業) 較發達的縣市，可見灰關聯度大小所反映出的地方產業 概況。
至於灰預測的結果，不論是未加入影響因素的 GM(1,1) 模型或逐次篩選影響變數 的 GM(1,N) 模型在台灣地區或縣市別失業率的預測上都顯示出最佳平均準度高達 84.45%以上，尤其加入影響變數後的 GM(1,N)模型，比起 GM(1,1) 的預測準度提高了 不少，以台灣地區而言，加入 45-64 歲人口比例、服務業人口比例、高等教育比例以 及營利事業家數四個因素可以得到高達 99.58%的預測精度，台北市則以高等教育比 例、45-64 歲人口比例、外籍勞工比例、服務業人口比例及營利事業家數五個因素所 得的準確度最高，可見不同縣市或地區建模時所頇納入的變數都不盡相同，必頇透過 灰關聯分析法找出其灰關聯序，據此灰關聯序將變數逐一篩選，待得出最佳模型後，
其灰預測值不論在整體或縣市別失業率的預測上都有相當高的精準度，有了精準的預 測模型後，有關單位就能據此規劃、擬訂相關政策。
32
伍、 結論與建議
2000 年以後台灣失業率節節攀升，各界人士對此波失業率上升的因素有不同的見 解，有些認為是經濟不景氣，有些則認為除了經濟因素外有更多內部原因導致 2000 年後的失業率居高不下，即使在 2003 年後有趨緩的跡象，但平均失業率也回不到過去 2%、3%左右，真正的原因為何？有待各界仔細探討。然而，影響失業率的因素眾多，
且因素的影響態勢並不明朗，於是本文在這方面做了一個嘗詴，透過專門處理不明確 性、資訊不完整系統的「灰色系統理論分析法」出發，從縣市的角度切入，一一檢視 各縣市的失業狀況。本文主要採用該理論下的「灰關聯分析」及「灰預測」，從十個影 響失業率的因素中找出九年間與失業率變化態勢最接近的因素，以聚焦台灣現階段失 業問題的重點，再透過關聯度較高的因素來預測整體及縣市別的失業率。
灰分析所得到與台灣地區整體失業率關聯性較高的因素有：服務業比例、45-64 歲人口比例、高等教育比例以及營利事業家數四項，其中前三項與各縣市失業率關聯 度亦較高，可見在產業結構上，以服務業與失業率的關聯性最高；在人口的年齡層分 佈上，45-64 歲的中高齡人口與失業率的變動關聯性最大；另外，教育程度的整體提 升也與失業率有密不可分的關係，至於造成這些變數與失業率呈高度灰關聯度的確實 原因，尚待後續更進一步地確認。不過，可以確定的是，這些變數與失業率存在高度 關聯性，在後續的預測中若予以納入，應可提高失業率預測的準確度。
此外，宜蘭縣、苗栗縣、基隆市、新竹縣、台中市、嘉義市及澎湖縣的外勞比例 相對其他地區的灰關聯序較前面，後續可進一步探討這些縣市是否存在外勞問題。而 雲林縣、台東縣及少部分南部區域縣市如高雄縣、屏東縣及澎湖縣在農林漁牧業比例 的灰關聯度相對而言較高，可見農林漁牧業與中南部及東部區域縣市的失業率變化仍 存有不可忽視的關聯性，在預測這些縣市的失業率時，我們應將「農林漁牧業人口比 例」這個變數予以納入，預測出來的結果可能會更準確。總的來說，透過各縣市灰關 聯序的計算，我們可以快速地掌握各縣市的重點因素，除了免去大樣本、資料成常態 性分部的要求外，亦可省去統計上繁瑣的因素分析過程，又可針對各縣市一一做因素
33
關聯性排序，為各縣市建立其適用的模型，避免因為忽視區域特性所可能導致的政策 錯誤。
透過將灰關聯分析中關聯度較高的重點因素納入預測模型後，我們可以發現，不 論是台灣地區整體的失業率預測或縣市別失業率預測 (本研究以台北市為例)，其精準 度都大幅提升了，這除了說明灰色理論在失業議題上的適用性以外，我們也可以看到 納入響因素後可以提高預測模型的精度，但所納入因素卻不一定越多越好，因此頇透 過灰關聯序大小進行篩選，方能找出最適的預測模型。
傳統上「灰色理論」多被應用在工程領域的研究，在社會科學方面的應用非常有 限。本文嘗詴透過「灰關聯分析」來探討影響失業率的因素，再利用關聯度大小進行
「灰預測」，以說明灰色理論在失業率議題上的適用性。並且，因「灰關聯分析」只需 要很少的樣本數 (每一序列至少 3 個值以上) ，「灰預測」也只需要 4 個值以上就能得 出很高的精準度，在資料的分配上也沒有特定分配型態的要求，且可以一次考慮許多 有關因素。除了在概念上簡單易懂，也可省去繁瑣的統計檢定流程，快速從資訊不完 全的系統中發掘重要的因素且得到相當準確的預測值。
當然，「灰分析」在使用上亦有其限制，例如在「灰生成」時採用不同的正規化方 式將會影響到所呈現出的數據規律性，進而導致後續關聯度、灰預測的結果不同，故 在選擇正規化方式時頇注意是否能適當反映資料的趨勢變化，也因此，當資料筆數夠 多，或加大樣本數所需的成本不高時，我們仍建議採用傳統的統計分析方式，以維持 研究結果的唯一性。
本研究為失業問題灰分析的發韌，建議後續研究可針對二十三縣市所得之「灰關 聯序」進行完整的縣市失業率「灰預測」，或者考慮其他更多的失業率相關因素 (也可 詴著去量化如產業外移、工資上漲、環保意識、勞基法等對各縣市失業率之影響) 以 對縣市失業議題有更全盤性的了解。另外，本研究證明了灰色理論在預測失業率時準 確度相當不錯，但礙於實際情況與研究目的，並未與其他方法做一比較，如各種統計 方法、經濟模式、類神經網路與模糊理論等，未來可以參考本研究結果並應用上述方 法進一步作分析比較。
34
參考文獻
[中文]
史開泉、吳國威、黃有評，灰色信息關係論，全華出版社，1994 年。
江豐富 (2001a) ，「中高齡與基層勞工之失業情勢及因應對策」，當前失業問題研討會 論文集，中央研究院社會文題研究推動委員會、社會學研究所與經濟研究所。
江豐富 (2001a) ，「中高齡與基層勞工之失業情勢及因應對策」，當前失業問題研討會 論文集，中央研究院社會文題研究推動委員會、社會學研究所與經濟研究所。