被動元件MLCC是低毛利成熟期存貨式生產產品，應用於3C產業及其他工業，面對多數應用於產品生命週期短的3C消費性電子產品，若業務人員收集資訊失真或被曲解，企業因錯誤資訊，未能可靠預估市場需求並調整生產規劃，將面臨庫存不足或增加，導致訂單錯失或衍生不當庫存成本，都將增加企業營運壓力，所以若能依可靠的預測結果，適時調整生產計劃維持合適庫存，將降低管理者面對未來的不確定性。
預測的方法有定性法及定量法等多種方法可使用，但沒有一種方法可以適用於各式各樣的情況，且均有最佳的預測結果，選擇預測之方法時，考量被動元件MLCC是成熟期產品，多數應用於生命週期較短之3C消費性電子產品，有歷史資料可蒐集分析以預測短中期之需求，因此本研究將針對被動元件MLCC做未來需求預測，依產業特性使用時間序列分析之指數平滑法和ARIMA、因果關係迴歸分析及類神經網路的研究方法建立需求預測模型，並以平均絕對誤差、均方差及平均絕對百分比誤差等評估準則評估不同需求預測模型之預測結果，找出最佳的需求預測模型。期盼預測結果能使預測誤差最小化，協助企業以讓人力、設備、物料及資金等資源配置更有效率。
本研究蒐集被動元件MLCC實際出貨數量、各規格之銷售價格及全球手機銷售數量作為變數進行需求模式建構及驗證，研究結果發現使用多個變數進行預測之迴歸分析及類神經網路需求預測模型表現優於只使用出貨數量之時間序列需求預測模型。

In order to efficiently allocate enterprise resources such as manpower, machinery, materials, and capital, and to avoid excessive or insufficient inventory, reliable forecasts of future demand are required. Passive components MLCC (Multi-layer Ceramic Capacitor) are broadly used in the 3C industry and other industries. MLCC is a make-to-stock product in maturity stage, and therefore a proper inventory is relatively important. This research aims to forecast the future demand of passive component MLCC. We will analyze the historical time series data and construct demand forecasting models such as Exponential Smoothing, ARIMA (Autoregressive Integrated Moving Average model), Regression Analysis and Neural Networks. Then we will calculate MAD (Mean Absolute Deviation), MSE (Mean Square Error) and MAPE (Mean Absolute Percentage Error) of each of the demand forecasting models, find the most suitable demand forecasting model with the smallest prediction error, so as to make future demand forecasts.
In this research, we collect passive components MLCC actual shipment quantity, sales price and the global mobile phone sales volume as variables to construct and verify the demand forecasting model. The results of the research find that Regression Analysis and Neural Network demand forecasting models that use multiple variables for forecasting perform better than time-series demand forecasting model that only used single variable shipment quantities.

中文文獻
江賢龍，周玉崑編著(2006)。基礎電子實習(70-105頁)。新北市。台科大圖書。
余桂霖(2013)。時間序列分析。台北市。五南圖書出版股份有限公司。
何應欽編譯(2018)。作業管理(81-144頁)。台北市。美商麥格羅希爾國際股份有限公司台灣分公司。
林清河主編(2000)。工業工程與管理(88-92頁) 。台北市。俊傑書局股份有限公司。
林海(2018)。電子元器件專题：MLCC漲價持續，行業龍頭受益(6-10頁)。上海市。莫尼塔（上海）信息諮詢有限公司。
梁力平，賴永雄，李基森編著(2008)。片式疊層陶瓷電容器(MLCC)的製造與材料(1-4頁)。廣州。暨南大學出版社。
陳旭昇(2017)。時間序列分析：總體經濟與財務金融之應用。台北市。臺灣東華書局股份有限公司。
楊奕農(2017)。時間序列分析：經濟與財務上之應用。台北市。雙葉書廊有限公司。
蕭文龍(2009)。多變量分析最佳入門實用書(第二版) 。台北市。碁峰資訊股份有限公司。
羅華強(2011)。類神經網路─MATLAB的應用。新北市。高立圖書有限公司。
羅宗惠，林澤民主編(2017)。2018電子零組件暨顯示器產業年鑑(5-25頁)。台北市。經濟部技術處。
英文文獻
Amini M. H., Kargarian A., Karabasoglu O., (2016), ARIMA-based decoupled time series forecasting of electric vehicle charging demand for stochastic power system operation, Electric Power Systems Research, 140, 378–390.
Cao Q., Ewing B. T., Thompson M. A., (2012), Forecasting wind speed with recurrent neural networks, European Journal of Operational Research, 221, 148–154.
Changhao X,, Jian W., Karen M., (2010), Short, medium and long term load forecasting model and virtual load forecaster based on radial basis function neural networks, International Journal of Electrical Power & Energy Systems, September, 2010, 743-750.
Chambers J. C., Mullick S. K., Smith D. D., (1971), "How to choose the right forecasting technique ", Boston, Harvard Business Publishing.
David R. A., Dennis J. S., Thomas A. W., Jeffrey D. C., James J. C., Michael J. F., Jeffrey W. O., (2019), "Statistics for Business and Economics, 14/e", Boston, Cengage Learning.
Li X., Pan B., Law R., Huang X., (2017), Forecasting tourism demand with composite search index, Tourism Management, 59, 57-66.
Lu C.J., Lee T. S., Lian C. M., (2012), Sales forecasting for computer wholesalers : A comparison of multivariate adaptive regression splines and artificial neural networks, Decision Support Systems, 54, 84–596.
Matteo D. F., Andrea A., Franco C., (2015), Seasonal climate forecasts for medium-term electricity demand forecasting, Applied Energy, 137, 435–444.
Qiua X., Rena Y., Suganthana P. N., Amaratunga G. A. J., (2017), Empirical Mode Decomposition based ensemble deep learning for load demand time series forecasting, Applied Soft Computing, 54, 246–255.
Ramos P., Santos N., Rebelo R., (2015), Performance of state space and ARIMA models for consumer retail sales forecasting, Robotics and Computer-Integrated Manufacturing, 34, 151–163.
Stevenson W. J., (1999), "Production/Operation Management"(6th ed), New York, McGraw Hill Company.
Wang Q., Li S., Li R., (2018), Forecasting energy demand in China and India : Using single-linear, hybrid-linear, and non-linear time series forecast techniques, Energy, 161, 821–831.
Xueheng Q., Ye R., Ponnuthurai N. S., Gehan A.J.A., (2017), Empirical Mode Decomposition based ensemble deep learning for load demand time series forecasting, Applied Soft Computing, 54, 246–255.
參考網頁
工作熊(2013)。多層陶瓷電容(MLCC)的基本原理與分類，什麼是MLCC？。https://www.researchmfg.com/2013/10/mlcc/。搜尋日：2020年1月6日。
村田製作所Murata (2011)。產品訊息-電容器的基礎-第3講掌握貼片多層陶瓷電容器的製作方法。https://www.murata.com/zh-cn/products/emiconfun-tw/capacitor/2011/06/28/tw-20110628-p1。搜尋日：2019年9月13日。
村田製作所Murata (2017)。Corporate News- Corporate Information Meeting Presentation Material。https://corporate.murata.com/about/newsroom/news/irnews/irnews/2018/1129。搜尋日：2020年6月7日。
理財網(2019) 。積層陶瓷電容(MLCC) 。https://www.moneydj.com/KMDJ/Wiki/WikiViewer.aspx?KeyID=acbd1c36-8856-4e45-811f-3a9d1d5ee9fb。搜尋日：2019年8月26日。
豹投資(2019)。識破不良投顧！「被動元件」暴漲暴跌全解析：自己也能分析被動元件！。https://blog.above.tw/2019/01/24/%E8%AD%98%E7%A0%B4%E4%B8%8D%E8%89%AF%E6%8A%95%E9%A1%A7%EF%BC%81%E3%80%8C%E8%A2%AB%E5%8B%95%E5%85%83%E4%BB%B6%E3%80%8D%E6%9A%B4%E6%BC%B2%E6%9A%B4%E8%B7%8C%E5%85%A8%E8%A7%A3%E6%9E%90%EF%BC%9A%E8%87%AA/。搜尋日：2019年8月26日。
黃敬哲(2019)。被動元件到底是什麼，MLCC 為何如此搶手？。https://technews.tw/2018/05/22/what-are-passive-components-and-why-are-mlccs-so-sought-after/。搜尋日：2019年8月6日。
維基百科(2019a)。電子元件/主動元件。https://zh.wikipedia.org/wiki/%E9%9B%BB%E5%AD%90%E5%85%83%E4%BB%B6。搜尋日：2019年9月13日。
維基百科(2019b)。迴歸分析。https://zh.wikipedia.org/wiki/%E8%BF%B4%E6%AD%B8%E5%88%86%E6%9E%90。搜尋日：2019年9月20日。
維基百科(2019c)。人工神經網路。https://zh.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C。搜尋日：2020年3月20日。