數值預測方法的適用性

Bernstein（1984）指出預測方法基本上包括二種：ㄧ是專家意見的 整合，即屬質法；另ㄧ是統計分析結果，為屬量法[16]。ㄧ個好的預測 方法必須能提供足夠的信賴度，以供指導決策制定者之用。

一、數值預測方法的基本理論

常見的預測方法有德爾菲法、迴歸分析法、時間序列分析法、

計量經濟分析法、定性分析法、移動平均法、指數平滑法、統計 趨勢預測…等，而在 1970 年代以後，由於統計方法和電腦的進步 與結合，開發出電腦化預測方法， 如專家系統（Expert Systems）、

類神經網路（Neural Network）、模糊理論（Fuzzy Theory）、灰系 統理論…等；說明如下[17]：

（一）德爾菲（Delphi）法

德爾菲法又稱為專家經驗統計判斷法，是以問卷調查方式蒐 集專家之意見來從事預測，一般重複兩輪或三輪，直至統計量收 歛為止，當預測時間較長，或是預測課題具專業性，必須領域內 之專家方能判斷時才適用此法。此法的優點在可消除主控性

（Dominance），每位專家獨立判斷，無互動作用；缺點則是會產 生繁複性（Tediousness），因需二輪以上之問卷調查，在實務上極

為困難，尤其需彙總專家之意見，作業過程相當複雜。

（二）迴歸分析模式

迴歸分析為建立應變數與預測變數之間的函數關係模式之技 術，這類預測方式不ㄧ定要與時間有關，而屬於因果或探索性預 測的迴歸分析模式，可以看出各種不同因素對預測結果的影響。

Huan（1996）指出在實際的問題中，所得的資料多為非線性型態，

很難找到一個適當的線性迴歸方程式去適配（Fit）一組資料。此 外使用迴歸模式時，其資料型態需符合其統計假設。若有違反其 假設情形時（此情形常發生於實務資料上），則需經過適當的轉 換，更增加了使用迴歸模式的複雜與困難度。

（三）時間序列分析法

時間序列分析法最大用途為瞭解觀察事物過去的變化法則，

據此預測未來的變化情形，而求得觀察值的預測值。時間序列分 析主要是將資料數列分為季節、趨勢、循環與隨機四個分量，對 各個分量做預測（隨機分量除外），最後再結合這些分量作預測。

根據不同性質的序列資料，可用不同的預測方法進行預測分析，

如隨機性、非平穩型、季節性、自我迴歸模式以及 Box-Jenkins 法

（ARIMA 模式）等。

（四）統計趨勢預測

統計趨勢預測是根據項目及目標，對不同對象進行調查統 計，並找出預測項目發展變化趨勢的預測。

（五）人工智慧法

人工智慧是指電腦系統具有人類的知識與行為，包含了學 習、推理並解決問題、知識儲存以及瞭解人類語言等之能力。人 工智慧產生的過程，是將人類對問題與各項事物所引起的刺激，

而引發學習、推理、判斷、思考及解決問題等過程，分解成一些 基本步驟。再透過程式設計，將這些人類解決問題的過程模組化 或公式化，使電腦具有一結構的方法，以解決各種複雜的問題。

廣義的人工智慧包括專家系統（Expert Systems）、類神經網路

（Neural Network）、模糊理論（Fuzzy Theory）等。

（六）灰系統理論

灰色系統理論分析（Grey System Theory）是由中國鄧聚龍教 授於 1982 年提出，該理論主要是針對系統模型之不明確性及資訊 不完整性之下，進行關於系統的關聯分析（Relational Analysis）及 模型建構（Model Construction），並藉著預測及決策的方法來探討 及瞭解系統。而作為一個預測模型，至少應滿足下述條件：

1. 含有顯性或隱性時間之關係。

2. 具有外延性。

3. 結果具有可實證性：是指預測的數據與未來發生的情況完全吻 合，即使達不到此種要求，至少也不應脫離實際太遠。

4. 計算數據或模型具有預檢驗性：預檢驗性是指預測的時刻未到 來之前，可以通過某些方法、手段及概念等等，對預測模型及 數據的可信度進行檢驗。由於灰色預測模型所需的最少數據是 四個，因此當數據多於四個時，可以用滾動建模方式，預測後 面的數據以檢驗可信度。

5. 具有全訊息性：所謂的全訊息性是指模型應該包括未來事件的

全部訊息，或者從現有的條件出發，至少可以認為它是包含了 全部的訊息。

二、灰系統理論與其他數值預測方法的差異性探討

灰色系統理論主要是針對系統模式之不明確性、資訊之不完 整性之下，進行系統之模式構建，藉預測及決策的方法來探討及 對系統之瞭解[18]。不同於其他數值預測方法，其間的區別可歸納 如（表 2.13）所示。

表 2.13 數值預測的區別

灰色系統理論 概率論 模糊集理論 內涵 小樣本不確定 大樣本不確定 認知不確定

基礎 灰矇矓集 康托集 模糊集

依據 信息覆蓋 概率分布 隸屬度函數

手段 生成 統計 邊界取值

特點 少數據 多數據 經驗（數據）

要求 允許任意分布 要求典型分布 函數

目標 現實規律 歷史統計規律 認知表達

思維方式 多角度 重複再現 外延量化

信息準則 最少信息 無限信息 經驗信息

資料來源：本研究整理[19]

傳統概率統計方法是利用概率統計值來求得隨機過程的規律性，

數據資料愈多、要求符合某些分佈，愈能夠顯示出統計特性。而灰色 系統則假設任何隨機過程的變數都是在一定範圍、時間內變動的灰色 量，因此在灰色系統中稱隨機過程為灰色過程。傳統預測方法與灰色 預測方法的特點及限制，參見（表 2.14）所示。

表 2.14 傳統預測方法與灰色預測方法的特點及限制 數學方式 所需最少之

數據 數據之型態 數據之間隔 準備時間 數學需求 簡單

指數型 5至10個 等間距 短間隔 短 基本

Holt’s

指數型 10至15個 同趨勢 短或中間隔 短 稍高

Winter’s

指數型

至少5個 以上

同趨勢且

具規律性 短或中間隔 短 中等 迴歸分析法 10或20個

以上

同趨勢且

具規律性 短或中間隔 短 中等

Causal迴歸

法 10個以上 可各種型態 相互混合

短、中

及長間隔 長 高等 時間序壓縮

法

2個峰值 以上

同趨勢、具 規律性且可 自我調整

短或中間隔 短（稍長） 基本

Box-Jenkins

法 50個以上 等間距 短、中

及長間隔 長 高等 灰色預測法 4個 等間距及

非等間距

短、中

及長間隔 短 基本 資料來源：本研究整理[20]