臺灣博碩士論文加值系統

隨著科技在全球快速發展，科學日新月異，預測種類相當眾多，整理之後發現大部分的預測方法需要建立大量歷史資料或複雜的數學計算模式才能進行預測。而灰色系統理論之灰色預測模型僅需四筆以上數據即可建立預測模型，在有限的時間內應用基礎數學概念就可得到不錯的預測結果。傳統GM（1,1）預測模型中，灰色發展係數a、灰色控制係數b是採用最小平方法計算得到，故其解是否為最佳解仍待討論。本研究將探討灰色預測模型中主要影響預測精度的控制參數，利用MATLAB軟體撰寫迴圈，依最小平方法的解作為基礎，找出灰色發展係數a與灰色控制係數b的解範圍。同時對灰柏努力預測模型NGBM探討調整背景值p值與NGBM之冪次N等參數對灰色預測模型精度的影響，以降低灰色預測模型之誤差值，達到更準確的預測精度。本研究以文獻之範例進行模型驗證，發現該範例以原始灰色GM(1,1)預測模型預測精準度為63.865%，而使用本研究所改良之參數設計模型同時調整N、p、a、b四個參數範圍所得之預測精準度可提升至96.641%，由此例子可以證明本研究之參數設計方法相當具有可信度。
近年來台灣走向少子化時代，隨著高等教育日益普及，大學入學管道多元化，而出生人口數卻逐年下降，造成社會人口結構改變，將衍生出相當多的社會及教育問題。近年來台灣約有160多所大專校院（不含軍警校院、軍警專校、空大及宗教研修學院），每年招生缺額均有3～5萬人，未來大專校院之將面臨少子化所帶來之衝擊，是社會大眾及教育界所關注之重點。本研究利用灰色模型之參數設計方法進行預測，探討少子化社會對未來教育層面的影響。
大專校院招生情形使用灰色預測模型進行預測，大專校院招生名額於97年度約35萬人，預測106年度招生名額約30萬人，招生名額有逐年下降之趨勢。大專校院一年級新生註冊人數96年度約為30萬人，預測106年度註冊人數約24.5萬人，註冊人數也有下降之趨勢。大專校院招生缺額率97年度約為17%，預測106年度缺額率約9%，因新生兒人數與招生名額皆逐年下降，因此缺額率有下降之趨勢。

With fast changing technology and renovation science, various forecasting models are generated. After sorting out, most of the forecasting models are created based on mass historical information and complicated mathematic calculations. However, grey forecasting model can be applied only by 4 collected data and basic mathematics is required. A good forecasting result will be available within limited time. Traditional GM(1,1) forecasting model adopts the least squares method to calculate the gray development coefficient a and gray control coefficient b. The solution might not be the optimal solution. This study will discuss the major influences of parameters in the preciseness of grey forecasting model by using MATLAB software, on the base of the least square method, find out the range of the grey developed coefficient a and the grey controlled coefficient b, also discussed adjusted p value, N value of two parameters on the precision of grey forecasting model, reduce error value of forecasting model to achieve more precise forecast result. In order to validate the feasibility of proposed model, an example from literature is adopted. The result shows that traditional GM(1,1) achieves precision of 63.865% and the proposed methodology achieves 96.641%.
In recent year, low birth rate, high education generalization and various university entrance channel derive many social and education problem. Nowadays, there are 160 universities and 30,000 to 50,000 student vacancy existed. This situation will get more serious and we should face forthcoming problem. In this research, proposed grey forecasting is applied to forecast the university student number. The results show, because of low birth rate, the recruitment number and registered freshmen number are both descending in the upcoming 5 years. The minister of education (MOE) should take actions to keep university alive.

目錄
第一章 緒論∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙1
第一節 研究動機與背景∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙1
第二節 研究目的∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙2
第三節 研究流程∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙3
第二章 文獻探討∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙4
第一節 預測方法∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙4
第二節 灰色系統理論∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙6
第三節 非線性灰柏努力預測模型∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙11
第四節 大專校院招生概況∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙14
第三章 研究方法∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙18
第一節 原始灰色預測模型GM(1,1)∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙19
第二節 非線性灰柏努力預測模型NGBM∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙22
第三節 非線性灰色預測模型之參數設計方法∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙24
第四章 實證結果與分析∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙38
第一節 資料蒐集∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙38
第二節 結果與分析∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙40
第五章 結論與建議∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙77
第一節 結論∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙77
參考文獻∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙79

表目錄
表2.1 灰色系統、概率論與模糊理論之區別∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙4
表2.2 常用預測方法比較表∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙5
表2.3 民國77年度至100年度新生兒人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙14
表2.4 民國93年至100年大專校院招生名額、註冊人數、缺額與註冊率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙15
表2.5 民國75年度至90年度新生兒就讀大專校院對應年度∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙16
表2.6 民國77年至82年出生人數與就讀大專對應年度招生人數表∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙16
表3.1 研究案例−七筆數據資料∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙25
表3.2 研究案例−四筆數據資料∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙25
表3.3 GM(1,1)模型預測四筆數據資料∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙26
表3.4 調整N值預測四筆數據資料∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙27
表3.5 調整p值預測四筆數據資料∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙27
表3.6 調整a值預測四筆數據資料∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙28
表3.7 調整b值預測四筆數據資料∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙29
表3.8 調整N值與p值預測四筆數據資料∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙29
表3.9 調整a值與b值預測四筆數據資料∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙30
表3.10 調整四參數值預測四筆數據資料∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙30
表3.11 四筆數據資料調整參數值之誤差比較表∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙31
表3.12 研究案例−五筆數據資料∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙32
表3.13 五筆數據資料調整參數值之誤差比較表∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙32
表3.14 研究案例−六筆數據資料∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙33
表3.15 六筆數據資料調整參數值之誤差比較表∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙33
表3.16 研究案例調整參數範圍後之最小平均誤差比較表∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙34
表3.17 研究案例調整參數範圍後之預測精準度比較表∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙34
表3.18 GM(1,1)模型預測四筆資料建模之預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙35
表3.19 參數設計同時調整四參數預測四筆資料建模之預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙35
表3.20 GM(11)模型預測五筆資料建模之預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙36
表3.21 參數設計同時調整四參數預測五筆資料建模之預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙36
表3.22 GM(11)模型預測六筆資料建模之預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙37
表3.23 參數設計同時調整四參數預測六筆資料建模之預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙37
表4.1 95年度至118年度將進入大專校院就讀之新生兒人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙38
表4.2 95年度至101年度大專校院招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙39
表4.3 95年度至101年度大專校院一年級新生註冊人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙39
表4.4 95年度至101年度大專校院招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙39
表4.5 GM(1,1)模型預測97學年至100學年大專校院招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙40
表4.6 調整N值預測97學年至100學年大專校院招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙41
表4.7 調整p值預測97學年至100學年大專校院招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙42
表4.8 調整a值預測97學年至100學年大專校院招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙43
表4.9 調整b值預測97學年至100學年大專校院招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙43
表4.10 調整N值與p值預測97學年至100學年大專校院招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙44
表4.11 調整a值與b值預測97學年至100學年大專校院招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙44
表4.12 調整四參數值預測97學年至100學年大專校院招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙44
表4.13 97至100學年大專校院招生名額調整參數值之誤差比較表∙∙∙∙∙∙∙∙∙∙45
表4.14 96至100學年大專校院招生名額調整參數值之誤差比較表∙∙∙∙∙∙∙∙∙∙46
表4.15 95至100學年大專校院招生名額調整參數值之誤差比較表∙∙∙∙∙∙∙∙∙∙47
表4.16 GM(1,1)模型預測97學年至100學年大專校院新生註冊人數∙∙∙∙∙∙∙48
表4.17 調整N值預測97學年至100學年大專校院新生註冊人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙49
表4.18 調整p值預測97學年至100學年大專校院新生註冊人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙49
表4.19 調整a值預測97學年至100學年大專校院新生註冊人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙50
表4.20 調整b值預測97學年至100學年大專校院新生註冊人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙51
表4.21 調整N值與p值預測97學年至100學年大專校院新生註冊人數∙∙∙∙∙51
表4.22 調整a值與b值預測97學年至100學年大專校院新生註冊人數∙∙∙∙∙∙51
表4.23 調整四參數值預測97學年至100學年大專校院新生註冊人數∙∙∙∙∙∙∙∙52
表4.24 97至100學年大專校院新生註冊人數調整參數值之誤差比較表∙∙∙52
表4.25 96至100學年大專校院新生註冊人數調整參數值之誤差比較表∙∙∙53
表4.26 95至100學年大專校院新生註冊人數調整參數值之誤差比較表∙∙∙54
表4.27 97學年至100學年大專校院招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙55
表4.28 GM(1,1)模型預測97學年至100學年大專校院招生缺額率∙∙∙∙∙∙∙∙∙∙∙55
表4.29 調整N值預測97學年至100學年大專校院招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙56
表4.30 調整p值預測97學年至100學年大專校院招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙57
表4.31 調整a值預測97學年至100學年大專校院招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙58
表4.32 調整b值預測97學年至100學年大專校院招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙58
表4.33 調整N值與p值預測97學年至100學年大專校院招生缺額率∙∙∙∙∙∙∙∙∙59
表4.34 調整a值與b值預測97學年至100學年大專校院招生缺額率∙∙∙∙∙∙∙∙∙∙59
表4.35 調整四參數值預測97學年至100學年大專校院招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙60
表4.36 97至100學年大專校院招生缺額率調整參數值之誤差比較表∙∙∙∙∙∙∙60
表4.37 96學年至100學年大專校院招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙61
表4.38 96至100學年大專校院招生缺額率調整參數值之誤差比較表∙∙∙∙∙∙∙61
表4.39 95學年至100學年大專校院招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙62
表4.40 95至100學年大專校院招生缺額率調整參數值之誤差比較表∙∙∙∙∙∙∙62
表4.41 大專校院招生名額之參數設計方法-最小誤差參數值比較表∙∙∙∙∙∙∙∙∙∙63
表4.42 大專校院招生人數之參數設計方法-誤差值比較表∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙63
表4.43 大專校院新生註冊人數之參數設計方法-最小誤差參數值比較表∙∙64
表4.44 大專校院新生註冊人數之參數設計方法-誤差值比較表∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙64
表4.45 大專校院招生缺額率之參數設計方法-最小誤差參數值比較表∙∙∙∙∙∙65
表4.46 大專校院招生缺額率之參數設計方法-誤差值比較表∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙65
表4.47 GM(1,1)預測97年度至106年度大專校院招生名額預測值∙∙∙∙∙∙∙∙∙∙∙66
表4.48 同時調整四參數預測97年度至106年度招生名額預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙66
表4.49 GM(1,1)預測96年度至106年度大專校院招生名額預測值∙∙∙∙∙∙∙∙∙∙∙67
表4.50 同時調整四參數預測96年度至106年度招生名額預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙67
表4.51 GM(1,1)預測95年度至106年度大專校院招生名額預測值∙∙∙∙∙∙∙∙∙∙∙68
表4.52 同時調整四參數預測95年度至106年度招生名額預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙68
表4.53 GM(1,1)預測97年度至106年度大專校院新生註冊人數預測值∙∙∙69
表4.54 同時調整四參數預測97年度至106年度新生註冊人數預測值∙∙∙∙∙∙∙∙69
表4.55 GM(1,1)預測96年度至106年度大專校院新生註冊人數預測值∙∙∙70
表4.56 同時調整四參數預測96年度至106年度新生註冊人數預測值∙∙∙∙∙∙∙∙70
表4.57 GM(1,1)預測95年度至106年度大專校院新生註冊人數預測值∙∙∙71
表4.58 同時調整四參數預測95年度至106年度新生註冊人數預測值∙∙∙∙∙∙∙∙71
表4.59 GM(1,1)預測97年度至106年度大專校院招生缺額率預測值∙∙∙∙∙∙∙72
表4.60 同時調整四參數預測97年度至106年度招生缺額率預測值∙∙∙∙∙∙∙∙∙∙∙∙72
表4.61 GM(1,1)預測96年度至106年度大專校院招生缺額率預測值∙∙∙∙∙∙∙73
表4.62 同時調整四參數預測96年度至106年度招生缺額率預測值∙∙∙∙∙∙∙∙∙∙∙∙73
表4.63 GM(1,1)預測95年度至106年度大專校院招生缺額率預測值∙∙∙∙∙∙∙74
表4.64 同時調整四參數預測95年度至106年度招生缺額率預測值∙∙∙∙∙∙∙∙∙∙∙∙74


圖目錄
圖1.1 民國77年至100年新生兒人數分布圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙1
圖1.2 研究流程圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙3
圖2.1 民國93年度至100年度大專校院招生名額及新生註冊人數關係圖∙∙15
圖2.2 民國95至100年度大專校院註冊、招生人數與對應年度出生人數∙∙∙∙16
圖3.1 參數設計方法流程圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙18
圖3.2 一次累加生成圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙19
圖3.3 調整參數設計流程圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙25
圖3.4 97學年至100學年缺額率調整N值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙26
圖3.5 97學年至100學年缺額率調整p值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙27
圖3.6 97學年至100學年缺額率調整a值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙28
圖3.7 97學年至100學年缺額率調整b值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙29
圖3.8 四筆資料建模使用GM(1,1)模型之預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙35
圖3.9 四筆資料建模同時調整模型四參數之預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙35
圖3.10 五筆資料建模使用GM(1,1)模型之預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙36
圖3.11 五筆資料建模同時調整模型四參數之預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙36
圖3.12 六筆資料建模使用GM(1,1)模型之預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙37
圖3.13 六筆資料建模同時調整模型四參數之預測值∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙37
圖4.1 97學年至100學年招生名額調整N值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙41
圖4.2 97學年至100學年招生名額調整p值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙42
圖4.3 97學年至100學年招生名額調整a值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙42
圖4.4 97學年至100學年招生名額調整b值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙43
圖4.5 97學年至100學年新生註冊人數調整N值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙48
圖4.6 97學年至100學年新生註冊人數調整p值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙49
圖4.7 97學年至100學年新生註冊人數調整a值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙50
圖4.8 97學年至100學年新生註冊人數調整b值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙50
圖4.9 97學年至100學年招生缺額率調整N值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙56
圖4.10 97學年至100學年招生缺額率調整p值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙57
圖4.11 97學年至100學年招生缺額率調整a值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙57
圖4.12 97學年至100學年招生缺額率調整b值之誤差變動圖∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙58
圖4.13 GM(1,1)預測97年度至106年度招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙66
圖4.14 同時調整四參數預測97年度至106年度招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙66
圖4.15 GM(1,1)預測96年度至106年度招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙67
圖4.16 同時調整四參數預測96年度至106年度招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙67
圖4.17 GM(1,1)預測95年度至106年度招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙68
圖4.18 同時調整四參數預測95年度至106年度招生名額∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙68
圖4.19 GM(1,1)預測97年度至106年度新生註冊人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙69
圖4.20 同時調整四參數預測97年度至106年度新生註冊人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙69
圖4.21 GM(1,1)預測96年度至106年度新生註冊人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙70
圖4.22 同時調整四參數預測96年度至106年度新生註冊人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙70
圖4.23 GM(1,1)預測95年度至106年度新生註冊人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙71
圖4.24 同時調整四參數預測95年度至106年度新生註冊人數∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙71
圖4.25 GM(1,1)預測97年度至106年度招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙72
圖4.26 同時調整四參數預測97年度至106年度招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙72
圖4.27 GM(1,1)預測96年度至106年度招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙73
圖4.28 同時調整四參數預測96年度至106年度招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙73
圖4.29 GM(1,1)預測95年度至106年度招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙74
圖4.30 同時調整四參數預測95年度至106年度招生缺額率∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙74

中文部分：
內政部統計處(2012)，線上檢索日期：2012年12月9日，網址:http://www.moi.gov.tw/stat/。
王建竣（2012），新設私立大學因應少子化問題的招生策略研究－以中部一所大學為例，明道大學課程與教學研究所未出版碩士論文。
江金山、吳佩玲、蔣祥第、張廷政、詹福賜、張軒庭、溫坤禮（1998），灰色理論入門，台北：高立圖書有限公司。
朱彥璋（2011），少子化趨勢下私立專校招生策略之研究－以高美醫護管理專科學校為例，國立中山大學高階經營研究所未出版碩士論文。
余雅屏（2012），應用田口方法於非線性柏努力灰色預測方程參數設計之研究，義守大學工業管理研究所未出版碩士論文。
施宣志（2011），運用模糊偏好關係成對比較法預測私立大專院校經營風險－以義守大學為例，高苑科技大學資訊科技應用研究所未出版碩士論文。
翁慶昌、陳嘉欉、賴宏仁（2001），灰色系統基本方法及其應用，台北：高立圖書公司。
徐宇琨（2009），使用灰色預測模型GM∕NGBM預測颱風路徑，義守大學工業工程與管理研究所未出版碩士論文。
教育部全球資訊網(2012)，線上檢索日期：2012年12月8日，網址：http://www.edu.tw/。
陳以臻（2009），可拓工程與灰色理論應用於股市交易，義守大學工業工程與管理研究所未出版碩士論文。
陳威志（2011），應用灰色理論於台灣行動電話銷售量之預測，義守大學工業工程與管理研究所未出版碩士論文。
溫坤禮、黃宜豐、陳繁雄、李元秉、連志峰、賴嘉瑞（2002），灰預測原理與應用，台北：全華科技圖書股份有限公司。
楊安瑜（2012），少子化對大專院校的衝擊，淡江大學產業經濟研究所未出版碩士論文。
鄧聚龍、郭洪（1996），灰預測原理與應用，台北：全華科技圖書公司。
鄧聚龍（1999），灰色系統理論與應用，台北：高立圖書有限公司。
鄧聚龍（2002），灰預測與灰決策（初版），武漢：華中科技大學出版社。
蔣柏廷（2006），各種改良灰預測模型之探討，義守大學工業工程與管理研究所未出版碩士論文。
羅偉榮（2008），灰預測GM(1,1)模型背景值及殘差修正方法之探討，南台科技大學工業管理研究所未出版碩士論文。
英文部分：
Chen, C. I.(2008), Application of the Novel Nonlinear Grey Bernoulli Model for Forecasting Unemployment Rate, Chaos, Solitons & Fractals, 37(1), 278-287.
Chen, C. I., Chen, H. L., Chen, S. P. (2008),Forecasting of Foreign Exchange Rates of Taiwan’s Major Trading Partners by Novel Nonlinear Grey Bernoulli Model NGBM (1,1), Communications in Nonlinear Science and Numerical Simulation, 13(6), 1194-1204.
Chen, C. I., Hsin, P. H., Wu, C. S. (2010),Forecasting Taiwan’s Major Stock Indices by the Nash Nonlinear Grey Bernoulli Model, Expert Systems and Applications, 37(12), 7557–7562.
Deng, J. L.（1989）, Introduction to grey system theory, The Journal of Grey System, 1, 1-24.
Huang, J., Wakamatsu, H., Gao, J.F.(1991), Snowfall Prediction Based on Grey System Theory, The Journal of Grey System, 2(3),156-171.
Hsiao, C. M., Wang, S. M.(2009), The analysis of the trend of foreign students coming to Taiwan for higher education and the marketing strategy, Journal of grey system, 21(4),387-394
Hsu, L.C.(2010), A genetic algorithm based nonlinear grey Bernoulli model for output forecasting in integrated circuit industry, Expert Systems with Applications, 37(6), 4318-4323.
He, X., Liu, X.(2011), Prediction of Constructive Land Demand in Xi’an Based on Gray Prediction Model, Energy Procedia, 13, 2740-2745.
Lin, M.(2000), An Application of the GM(1,1) Model：The Prediction of Flight Safety, The Journal of Grey Systems, 4(2),77-80.
Lin, C.T., Yang, S.Y.(2003), Forecast of the output value of Taiwan’s opto-electronics industry using the Grey forecasting model, Technological Forecasting and Social Change, 70, 177-186.
Li, D. C., Chang, C. J., Chen, W. C., Chen, C. C.(2011), An extended grey forecasting model for omnidirectional forecasting considering data gap difference, Applied Mathematical Modelling, 35,5051-5058.
Ou, S. L.(2012), Forecasting agricultural output with an improved grey forecasting model based on the genetic algorithm, Computers and Electronics in Agriculture, 85, 33-39.
Pao, H. T., Tsai, C. M.(2011), Modeling and forecasting the CO2 emissions, energy consumption, and economic growth in Brazil, Energy, 36(5), 2450-2458.
Pao, H. T., Fu, H. C., Tseng, C.L.(2012), Forecasting of CO2 emissions, energy consumption and economic growth in China using an improved grey model, Energy, 40(1), 400-409.
Shimizu, N., Ueno, O., Komata, C.(1998), Second international conference on knowledge-based intelligent electronic systems, IEEE, Australia, 21-23.
Wen, K.L.(2004), Grey System: Modeling and Prediction, Yang’s: Arizona.
Wang, Z. X., Hipel, K. W., Wang, Q., He, S. W.(2011), An optimized NGBM(1,1) model for forecasting the qualified discharge rate of industrial wastewater in China, Applied Mathematical Modelling, 35, 5524-5532.
Wang, J., Zhu, S., Zhao, W., Zhu, W.（2011）,Optimal parameters estimation and input subset for grey model based on chaotic particle swarm optimization algorithm, Expert System with Applications, 38, 8151-8158.
Xu, J., Tan, T., Tu, M., Qi, L.(2011), Improvement of grey models by least squares, Expert Systems with Applications, 38, 13961-13966.
Zhou, J., Fang, R., Li, Y., Zhang, Y., Peng, B.(2009), Parameter optimization of nonlinear grey Bernoulli model using particle swarm optimization, Applied Mathematics and Computation, 207(2), 292-299.