第五章 技術預測結果與分析
第四節 階層影像法之預測結果分析
(二二二二) 結果與分析結果與分析結果與分析結果與分析
如圖 42 所示，選定最佳 L 值為 650，MAD(平均誤差)為 9.06，MSE(平均平 方誤差)為 160.94，如表 41 所示，L 為 650 時，MAD 為 9.06，低於 L 為 700 之 9.89、L 為 675 之 9.43、L 為 660 之 9.09，L 為 645 之 9.20、L 為 620 之 10.48，
相較之下，其成長上限誤差相對較低。因此選定成長上限專利件數為 650 件。
0 50 100 150 200 250 300 350
1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
件 數
原始專利數 L=700 L=675 L=660 L=650 L=645 L=620
圖42 階層影像法技術最佳L 值-珀爾曲線
表 41
階層影像法-珀爾曲線不同L值之誤差分析
L=700 L=675 L=660 L=650 L=645 L=620 MAD 9.89 9.43 9.09 9.06 9.20 10.48
MSE 145.71 149.23 155.26 160.94 164.28 186.05 MAPE 0.30 0.29 0.28 0.28 0.28 0.32
二 二
二 二、 、 、 、甘培茲曲線 甘培茲曲線 甘培茲曲線 甘培茲曲線
(一一一一) 最佳模最佳模最佳模最佳模式之選取式之選取式之選取 式之選取
依據甘培茲曲線公式，利用 2003 年至 2007 年資料所產生之預測值，透過 誤差分析 MAD 為主要判斷依據，MSE 與 MAPE 為輔，找尋最適當之 L 值。表 42 為不同 L 值產生之預測表。
表 42
階層影像法-甘培茲曲線不同L值產生之預測
年份 L=4500 L=4000 L=3500 L=3300 L=3000 L=2800 1992
1993 0.60 0.60 0.61 0.61 0.61 0.61 1994 1.01 1.02 1.02 1.02 1.03 1.03 1995 1.63 1.64 1.65 1.65 1.66 1.67 1996 2.53 2.54 2.56 2.56 2.58 2.59 1997 3.78 3.79 3.82 3.83 3.84 3.85 1998 5.46 5.48 5.50 5.51 5.53 5.54 1999 7.66 7.67 7.68 7.69 7.70 7.71 2000 24.28 24.21 24.13 24.09 24.03 23.99 2001 17.91 17.78 17.62 17.55 17.43 17.35 2002 22.65 22.39 22.10 21.97 21.75 21.59 2003 28.02 27.60 27.11 26.89 26.53 26.26 2004 33.99 33.34 32.58 32.25 31.69 31.29 2005 40.46 39.51 38.42 37.94 37.14 36.56 2006 47.35 46.03 44.52 43.85 42.76 41.96 2007 54.51 52.75 50.74 49.86 48.42 47.38 2008 61.83 59.55 56.97 55.84 54.00 52.68
(二二二二) 結果與分析結果與分析結果與分析結果與分析
如圖 43 所示，選定最佳之 L 值為 3300，MAD(平均誤差)為 9.33，MSE(平 均平分誤差)為 110.40，如表 43 所示，L 為 3300 時，MAD 為 9.33，低於 L 為 4500 之 9.69、L 為 4000 之 9.53、L 為 3500 之 9.34，L 為 3000 之 9.93、L 為 2800
之 10.37，相較之下，其成長上限誤差相對較低。因此選定成長上限專利件數為 3300 件。
0 50 100 150 200 250 300 350 400
1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 件
數
原始專利數 L=4500 L=4000 L=3500 L=3300 L=3000 L=2800
圖43 階層影像法技術最佳L 值-甘培茲曲線
表 43
階層影像法-甘培茲曲線不同L值之誤差分析
L=4500 L=4000 L=3500 L=3300 L=3000 L=2800 MAD 9.69 9.53 9.34 9.33 9.93 10.37 MSE 113.75 108.80 108.63 110.40 115.67 121.34 MAPE 0.33 0.32 0.30 0.30 0.30 0.30
三 三 三
三、 、 、 、灰預測法 灰預測法 灰預測法 灰預測法
(一一一一) 最佳模式之選取最佳模式之選取最佳模式之選取最佳模式之選取
將樣本資料輸入至利用 GM(1,1)模式，利用 5 期滾動方式進行預測值之產 生，意即利用 1992~1996 年之樣本數量產生 1997 年之預測數量，1993~1997 年 之樣本數量產生 1998 年預測數量，以此類推，進而產生列表，如表 44。
表 44
灰預測-階層影像法
年份 階層影像法
1992 -
1993 -
1994 -
1995 -
1996 -
1997 -
1998 -
1999 14.3587
2000 6.3724
2001 8.1322
2002 21.9823
2003 23.4077
2004 18.9942
2005 19.8511
2006 29.1783
2007 74.1997
2008 89.4395
2009 74.5899
(二二二二) 結果與分析結果與分析結果與分析結果與分析
透過表 44 所示，求得之各年預測值，選定 2003~2007 年之資料進行誤差分 析，所得到表 45 之結果 MAD 為 16.32，MSE 為 417.97，MAPE 為 0.32。
表 45
階層影像法-灰預測不同期數預測值之誤差分析
MAD MSE MAPE
5 期滾動 16.32 417.97 0.32
第五 第五 第五
第五節 節 節 各類技術之技術預測比較 節 各類技術之技術預測比較 各類技術之技術預測比較 各類技術之技術預測比較
ㄧ ㄧ
ㄧ ㄧ、 、 、 、幾何分析法 幾何分析法 幾何分析法 幾何分析法
透過本研究分析後，發現珀爾曲線呈現之預測值發生低估之現象，而灰預 測曲線波動幅度大，有過度預測的現象，甘培茲曲線波形較相近於實際專利數 (如圖 44)，若以平均絕對差比較，甘培茲曲線為 4.69 低於灰預測之 9.63、珀爾 曲線之 11.31。因此甘培茲曲線預測結果最佳(如表 46)。
0 10 20 30 40 50 60 70
1984 1986
1988 1990
1992 1994
1996 1998
2000 2002
2004 2006
2008
件 數
原始數據 珀爾 甘培茲 灰預測
圖44 幾何分析法預測技術之比較
表 46
幾何分析法-誤差分析比較
珀爾曲線 甘培茲曲線 灰預測
MAD 11.31 4.69 9.63
MSE 178.91 52.05 151.41
MAPE 0.31 0.12 0.24
二 二
二 二、 、 、 、整體外觀法 整體外觀法 整體外觀法 整體外觀法
珀爾其與原始資料誤差較大，甘培茲預測結果呈現過大之現象，相較之下
灰預測波型較與實際值相同(如圖 45)，若以平均絕對差比較，灰預測為 4.53 低 於甘培茲曲線之 5.03、珀爾曲線之 7.03。故灰色預測結果最佳。(如表 47)。
0 10 20 30 40 50 60
1992
1994
1996
1998
2000
2002
2004
2006
2008 件
數
原始數據 珀爾 甘培茲 灰預測
圖45 整體外觀法預測技術之比較
表 47
整體外觀法-誤差分析比較
珀爾曲線 甘培茲曲線 灰預測
MAD 7.03 5.05 4.53
MSE 102.08 37.54 25.53
MAPE 0.21 0.25 0.21
三 三
三 三、 、 、 、統計學習法 統計學習法 統計學習法 統計學習法
珀爾其與原始資料誤差較大，有低估之現象產生，灰色預測法與甘培茲曲 線預測相似(如圖 46)，若以平均絕對差比較，灰預測法為 2.38 低於甘培茲曲線 之 2.40、珀爾曲線之 12.57。故灰預測法預測效果較佳(如表 48)。
0 10 20 30 40 50 60 70
1992 1993
1994 1995
1996 1997
1998 1999
2000 2001
2002 2003
2004 2005
2006 2007
2008
件 數
原始數據 珀爾 甘培茲 灰預測
圖46 統計學習法預測技術之比較
表 48
統計學習法-誤差分析比較
珀爾曲線 甘培茲曲線 灰預測
MAD 12.57 4.36 2.38
MSE 184.87 29.30 8.48
MAPE 0.45 0.14 0.07
四 四 四
四、 、 、 、階層影像法 階層影像法 階層影像法 階層影像法
灰色預測波動太大，呈現過度預測現象；若以波型來看，珀爾曲線 2004~2008 年與實際值較相似(如圖 47)，若以平均絕對差比較，珀爾曲線為 9.06 低於甘培 茲曲線 9.33、灰預測法之 16.32，故珀爾曲線預測效果較佳(如表 49)。
0 10 20 30 40 50 60 70 80 90 100
1992 1993
1994 1995
1996 1997
1998 1999
2000 2001
2002 2003
2004 2005
2006 2007
2008
件 數
原始數據 珀爾 甘培茲 灰預測
圖47 階層影像法預測技術之比較
表 49
階層影像法-誤差分析比較
珀爾曲線 甘培茲曲線 灰預測
MAD 9.06 9.33 16.32
MSE 160.94 110.40 417.97
MAPE 0.28 0.30 0.32
五 五 五
五、 、 、 、2009 年四個技術分類預測 年四個技術分類預測 年四個技術分類預測 年四個技術分類預測
1. 2009 年預測值
透過誤差分析比較後，利用本研究所建立之珀爾、甘培茲最佳模型，以及 灰預測法，預測 2009 年之預測值如表 50。
表 50
2009年各類技術預測值
珀爾 甘培茲 灰預測
幾何分析法 40 61 68
整體外觀法 27 53 69
統計學習法 39 65 86
階層影像法 30 57 75
2. 透過本研究三種最佳預測模式所得之預測值，其最大預測值、最小預測值，
及平均值，假設為技術之樂觀、中觀、悲觀情境。分析如下(表 51)：
(1) 幾何分析法其樂觀的專利件數為 68 件，悲觀件數為 40 件，中觀件數約 為 54 件。
(2) 整體外觀法其樂觀件數為 69 件，悲觀件數為 27 件，中觀件數為 48 件。
(3) 統計學習法其樂觀件數為 86 件，悲觀件數為 39 件，中觀件數為 63 件。
(4) 階層影像法其樂觀件數為 75 件，悲觀件數為 30 件，中觀為 53 件。
表 51
各類技術樂觀、悲觀、中觀分析
Max Min 平均值
幾何分析法 68 40 54
整體外觀法 69 27 48
統計學習法 86 39 63
階層影像法 75 30 53
六 六 六
六、 、 、 、趨勢分析比較 趨勢分析比較 趨勢分析比較 趨勢分析比較
本章節將透過珀爾預測模式、PatentGuider 2008 產生之生命週期曲線圖以 及灰預測各技術趨勢圖比較臉型辨識之發展狀況。
1. 幾何分析法
從 PatentGuider 所產生之技術生命週期曲線(如圖 48)，可看到整體趨勢是上 升之勢，於 2004 至 2005 年出現第一個反曲點，並於 2006 至 2007 出現第二反 曲點；再比較珀爾曲線之圖形(如圖 49)，於 2004 年出現第一個反曲點，於 2008 年出現第二個反曲點；接著再比較灰預測之圖形(如圖 50)，發現灰預測產生之 圖形於 2007 年產生反曲點；透過三個圖形比較後，幾何分析法目前趨向成熟 期。
圖48 幾何分析法之技術生命週期曲線
0 5 10 15 20 25 30 35 40 45 50
1989 1991 1993 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 2017 2019
件 數
幾何分析法
圖49 幾何分析法之珀爾趨勢分析
0 50 100 150 200 250 300 350
1989 1992 1995 1998 2001 2004 2007 2010 2013 2016 2019 件
數
灰預測法
圖50 幾何分析法之灰預測趨勢分析
2. 整體外觀法
從 PatentGuider 所產生之技術生命週期曲線(如圖 51)，可看到整體趨勢是上 升之勢，並於 2007 至 2008 年出現第一個反曲點；再比較珀爾曲線之圖形(如 圖 55)，於 2003 年出現第一個反曲點，於 2007 年出現第二個反曲點；接著再 比較灰預測之圖形(如圖 59)，發現至 2020 預測產生之圖形並無反曲點之產生；
透過三個圖形比較後，整體外觀法目前趨向成長期。
圖51 整體外觀法之技術生命週期曲線
0 5 10 15 20 25 30 35 40 45
1992 1994
1996 1998
2000 2002
2004 2006
2008 2010
2012 2014
2016 2018
2020 件
數
珀爾曲線
圖52 整體外觀法之珀爾趨勢分析
0 100 200 300 400 500 600 700 800 900
1992 1994
1996 1998
2000 2002
2004 2006
2008 2010
2012 2014
2016 2018
2020 件
數
灰預測法
圖53 整體外觀法之灰預測趨勢分析
3. 統計學習法
從 PatentGuider 所產生之技術生命週期曲線(如圖 54)，可看到整體趨勢是上 升之勢，並於 2007 至 2008 年出現第一個反曲點；再比較珀爾曲線之圖形(如 圖 55)，於 2004 年出現第一個反曲點，於 2008 年出現第二個反曲點；接著再 比較灰預測之圖形(如圖 59)，發現至 2020 預測產生之圖形並無反曲點之產生；
透過三個圖形比較後，統計學習法目前趨向成長期。
圖54 統計學習法之技術生命週期曲線
0 5 10 15 20 25 30 35 40 45 50
1992 1994
1996 1998
2000 2002
2004 2006
2008 2010
2012 2014
2016 2018
2020 件
數
統計學習法
圖55 統計學習法之珀爾趨勢分析
0 200 400 600 800 1000 1200 1400 1600 1800
1992 1994
1996 1998
2000 2002
2004 2006
2008 2010
2012 2014
2016 2018
2020 件
數
灰預測法
圖56 統計學習法之珀爾趨勢分析
4. 階層影像法
從 PatentGuider 所產生之技術生命週期曲線(如圖 57)，可看到整體趨勢是上 升之勢，於 1999 年至 2000 年出現第一個反曲點，並於 2007 至 2008 年出現第 二個反曲點；再比較珀爾曲線之圖形(如圖 58)，於 2002 年出現第一個反曲點，
於 2007 年出現第二個反曲點；接著再比較灰預測之圖形(如圖 59)，發現於 2007 年反曲點之產生，透過三個圖形比較，了解階層影像法目前技術趨向成熟期。
圖57 階層影像法之技術生命週期曲線
0 10 20 30 40 50 60 70
1992 1994
1996 1998
2000 2002
2004 2006
2008 2010
2012 2014
2016 2018
2020 件
數
珀爾曲線
圖58 階層影像法之珀爾趨勢分析
0 50 100 150 200 250
1992 1994
1996 1998
2000 2002
2004 2006
2008 2010
2012 2014
2016 2018
2020 件
數
灰預測法
圖59 階層影像法之灰預測趨勢分析
第六 第六
第六 第六節 節 節 節 小結 小結 小結 小結
1. 透過各類預測比較：
(1) 幾何分析法：甘培茲曲線預測得到較佳的效果。
(2) 整體外觀法及統計階層影像法：灰預測法得到較佳的預測效果。
(3) 階層影像法：珀爾曲線得到較佳的預測效果。
2. 透過最佳預測模式，得知：
(1) 幾何分析法專利件數 2009 年預測值為 65 件。
(2) 整體外觀法專利件數 2009 年預測值為 69 件。
(3) 統計學習法專利件數 2009 年預測值為 86 件。
(4) 階層影像法專利件數 2009 年預測值為 30 件。
3. 各類技術樂觀、悲觀、中觀分析：
(1) 幾何分析法其樂觀的專利件數為 68 件，悲觀件數為 40 件，中觀件數約 為 54 件。
(2) 整體外觀法其樂觀件數為 69 件，悲觀件數為 27 件，中觀件數為 48 件。
(3) 統計學習法其樂觀件數為 86 件，悲觀件數為 39 件，中觀件數為 63 件。
(4) 階層影像法其樂觀件數為 75 件，悲觀件數為 30 件，中觀為 53 件。
4. 透過技術生命週期曲線、珀爾曲線以及灰預測法之比較，得知：
(1) 幾何分析法技術發展趨向成熟期。
(2) 整體外觀法技術發展趨向成長期。
(3) 統計學習法技術發展趨向成長期。
(4) 階層影像法技術法展趨向成熟期。