資料分析方法：

預測(Forecasting)為經由現實與未來的關係分析未來趨勢；並透過已發生事 件與將發生事件的橋樑去推論將發生或不確定的事件；透過已知數據與未來數據 間的模型去計算未知數據【34】、【35】、【38】。簡單來說，預測（Forecasting）

是對未來或即將發生之現象的一種推測和估計。主要是利用過去的歷史資料來對 未來即將發生的現象來映射未來的發展趨勢。

預測若依時間目的與間隔長短分類，可區分為：短期預測、中期預測與長期 預測。短期預測一般是一年以內的預測。中期預測一般是三至五年內市場或環境 變化的預測。長期預測一般是十年至十五年或更長期間內市場變化趨勢的預測。

預測的準確性會受預測時間長短的影響【40】。一般來說，預測期限愈長，誤差 則愈大；預測期限愈短，誤差則愈小。

時間序列的預測模式基本上可分為兩種型態：定性方法（qualitative methods）與定量方法（quantitative methods）【2】、【4】、【32】、【7】。定性 方法通常以專家的意見為主，依據過去的經驗或特殊感官功能對未來的事件做本 質、特性的預測。通常用於歷史資料缺乏的情況下所運用的方法，透過匯集專家 及顧客的意見，再經由蒐集與分析，來探討問題進行預測。

定量方法則是將歷史事件，轉化為時間數列資料趨勢圖，並判別其特徵，以 數理統計方法模式化後再做量的預測。常見的定量分析方法可分為：時間序列分 析（Time Series Method）、多元迴歸模型（Multivariate Regression Models）、

計量經濟模型（Econometric Models）【33】、與因果分析（Causal Method）【6】

【10】。時間序列分析（Time Series Method）是透過歷史資料趨勢來預測未來 將發生的情勢。常見的統計方法為趨勢分析、指數平滑法、Box-Jenkins 法；因

事象的相關因素與其它因素時，利用因果分析法來進行預測。多元迴歸模型

（Multivariate Regression Models）和計量經濟模型（Econometric Models）

則是透過利用經濟現象的解釋變數對被預測變數做預測。

在此預測模式中由以下特性組成

趨勢：資料中漸進而長期的移動，形成相當穩定或隨時間呈現一個趨勢；趨 勢一般為線性的(linear)，二次方程式的(quadratic)或指數函數(exponential function)

季節變動：資料中短期而規則性的時間變動，呈現重複性之行為；季節性變 動通常與日期或氣候有關

循環：在一年以上的時間內，呈波狀的變動，相對於季節性變動，時間序列 可能經歷「周期性變動」，而周期性變動通常起因於經濟變動

不規則的變動：由於不尋常的情況所產生的

隨機變動：偶然發生

針對本研究使用的三種定量分析法詳述如下：

4.2.1 移動平均(Moving Averages)

移動平均法是一種改良算術平均法的預測模型。它根據近期歷史數據對預測 值影響較大，而遠期歷史數據對預測值影響較小的事實，將平均數逐期移動。移 動期數的大小視具體情況而定，移動期數少，能快速地反映變化，但不能反映變 化趨勢；移動期數多，能反映變化趨勢，但預測值帶有明顯的滯後偏差。

若時間序列的資料在一段時間內呈現穩定的變化量時，可採用此法進行預 測，通常移動平均法適用於短期預測。其數學建構的模式如下：

n D MA

n

i i n

∑

= ¹ (4.1)

n ：為移動平均中的週期數

D ：為在週期i時的實際需求量 i

4.2.2 指數平滑法(Exponential Smoothing)

指數平滑法是一種從不規則的變異資料中分離出趨勢與季節性之預測方法。

指數平滑法是假設時間序列的資料是由水準、趨勢、季節性與不規律性等四項因 素組成的。係以本期觀察值以及上一期所推估的本期預測值，兩者取加權平均後，

以作為下一期的預測值。至於本期預測值則又為上一期的觀察值，以及由上兩期 所推估的前一期預測值，取加權平均而得的數值。單一指數平滑法需要「起始預 測值」，其數學建構的模型敘述如下：

單一指數平滑法（SES）是利用權重移動平均的概念，將所欲估計的下期預測 值F 為本期實際需求量_t+1 D ，加上本期的預測值_t F 乘上權重1-α。公式如下： _t

(

)

t

t F D F

F₊₁= +α − (4.2)

+1

F ：為下一期預測值 t

F ：為本期預測值 t

D ：為本期實際需求量 i

α ：為平滑係數

4.2.3 趨勢分析法(Techniques for Trend)

趨勢分析也就是發展出一個可以適當描述趨勢的方程式(假設資料中呈現趨 勢)。趨勢可能是線性的，也可能不是。一個簡單的資料圖通常可以顯示趨勢的存 在與性質。

當趨勢出現時，可使用趨勢分析法進行預測。在計算前，先將各種趨勢線及 對應的數學模型用圖解描述。當資料各點連成一線而呈現直線時，可應用趨勢分 析法計算該資料群組的線性趨勢方程式，線性趨勢方程式的形式如下

Ft = + a bt (4.3)

2 2

( ) n ty t y

b n t t

= −

∑ ∑ ∑

∑ ∑

y b t

a n

=

∑

∑

F ：為本期預測值 t

a ：在t=0時的F 值 _t

b ：趨勢線斜率

4.2.4 評估指標

1. 平均絕對標準差(Mean Absolute Deviation；MAD)

t t

A F MAD n

=

∑

2. 平均平方誤差(Mean Square Error；MSE)

( )

3. 平均絕對百分比誤差(Mean Absolute Percent Error；MAPE)

t t

不同參數狀況下比較預測好壞；其誤差低可從歷史數據中得到較好的預測值。而 MAPE 則較適合應用在只有一個預測模式之情狀下，表達預測結果之好壞。

由於MAD 與MSE 無考慮數據之尺度之大小故無法表達實際誤差大小，本研究 在表示預測誤差時，則是分別採用MAPE 與MAD 來做比較，因為MAPE可以將預測誤 差化為一致的單位百分比值，不會因為數值大小而產生比較基礎不穩固的問題。

Lewis將一般工業以及商業之平均絕對百分比誤差的預測能力分級如下

MAPE ＜ 10% 高度準確的預測

10% ≦ MAPE ≦ 20% 好的預測

20% ≦ MAPE ≦ 50% 合理的預測

50% ≦ MAPE 不好的預測