近五年來，由於東南亞及中國大陸等國家挾著其大量低廉的勞工及廣大的資源及土地，不斷壓降聚酯纖維大宗規格化產品的製造成本。尤其是中國大陸因為有足夠的聚酯纖維產能可以供應內銷市場，而使得一直為消化台灣聚酯纖維產能的大陸市場，為本地廠商所取代。且近幾年又遇上世界經濟不景氣及高油價的影響，造成其中、下游開工率普遍下降，使得聚酯纖維產業的產能去化更是雪上加霜。至2004年止，全球聚酯纖維開工率已降至6成左右，而台灣的廠家一般皆維持在6~7成之開工率，但已有某些廠家開工率降至5成以下。因此，本研究希望能就此狀況提出對台灣聚酯纖維產業未來的出口量作一有效的預測，以供業者作未來產品、產能或市場規劃的參考。
我國聚酯纖維產業自1980年來產能變化一直朝穩定成長之趨勢發展，而中、下游紡織加工業亦配合發展。直至2000年開始，由於大陸經濟強勢崛起，使得我國聚酯纖維的出口量發生急驟的變化。因此如果要用一般的迴歸分析來作未來出口量的預測是無法得到較準確的預測值，因為過去20年來的資料趨勢已發生驟大改變。所以本研究採用GIKDE（General Intervalized Kernel Density Estimator）方法來進行預測，希望能得到一準確度及有效度較高的預測值，能夠提供業者作未來產品、產能或市場規劃的參考。GIKDE其特性有: 只需少量數據（Data）即可進行預測;結合時間序列與隨機程序的概念可以處理關於獨立性、相依性，數字及非數字（Nominal）的數據組合;本身會產生一些額外的資訊來增加預測值的有效度和準確度; 數據收集之形態或區間間隔並無特殊限制。因此，GIKDE法應該適用於本研究來預測台灣未來聚酯纖維出口量的預測。

In the past 5 years, countries of Southeast Asia and Mainland China with huge cheap labor force; vast natural and land resources, keep on reducing tremendously on the production costs of standardized massive products like polyester fiber. Especially, when Mainland China has plenty of polyester fiber production capability to supply their domestic market, the mainland market which used to consume Taiwan polyester fiber products is now fully supplied by their local manufactures. Influenced by global economic depression and high oil price, downstream manufacturers of this industry have reduced their productivity. This situation makes the consumption of polyester fiber more difficult. Up to 2004, the utilization of polyester fiber manufactures has fallen to 60% globally. Most of Taiwanese manufacturers keep their productivity on about 60%-70% while the others in Taiwan have less then 50% of that. Therefore, this research tried to propose an effective prediction method for future Taiwan polyester export quantity under this production situation. This is to be a reference for manufactures on product, productivity and market planning decisions in the future.
Since 1980, the Polyester industry has been stably growing in Taiwan, so did cordially its downstream textile processing companies. Then, starting from year 2000, due to the rapid economic growth of Mainland China, the export quantity of Taiwanese polyester fiber changed dramatically and tragically. For the dramatic data trend change in the past 20 years, it is impossible to get an accurate prediction for the Taiwan polyester fiber export quantity in the future by a regular regression analysis. Therefore, this research adopts GIKDE (General Intervalized Kernel Density Estimator) method to process forecasting, in hoping to get a more accurate and effective prediction value for companies to make decisions on product, productivity and market plan.
GIKDE has the following characteristics: only few data is required to proceed with the forecasting; when combine the concept of time series and stochastic process, it can deal with independent, time-dependent, numerical and nominal data sets.; it can generate extra information to increase the effectiveness and accuracy of the forecast value;there is no specific limitation on data collection pattern or interval. Thus make GIKDE method applicable to this research on forecasting the polyester fiber export quantity of Taiwan in the future.

1.于宗先(1972)，經濟預測，台北市，大中國圖書有限公司。
2.方上鵬(1997)，自有品牌商品需求預測模式，東海大學工業工程研究所碩士論文。
3.李正豐(2000)，石化產業二氧化碳減量模型建構與衝擊評估－灰色與模糊理論之應用，國立成功大學環境工程學系博士論文。
4.周海龍(1995)，台北都會區生活用水量之預測---類神經網路之應用，國立中興大學資源管理研究所碩士論文。
5.林振松(2001) , 應用類神經網路於啤酒之銷售預測,國立雲林科技大學工業工程與管理研究所碩士論文。
6.邱穎聖(2002)，用迴歸神經網中長期需求模式上之建構與探討---以電腦零組件為例，元智大學工業工程與管理研究所碩士論文。
7.李振成(2002)，人力規劃之研究－以警察人力需求預測為例，中央警察大學行政警察研究所博士論文。
8.洪欽銘、李龍鑣(1996) ，「台灣地區高職教師人數需求之灰色預測模式」，研究教育資訊，4(3)， 104-119。
9.紀翔之(2000)，台灣地區行動電話需求及普及率之研究，國立成功大學企業管理研究所碩士論文。
10.唐淑娟(2000)，台灣地區鳳梨零售價格測之研究---灰預測、類神經網路與預測組合之應用，國立屏東科技大學農產企業研究所碩士論文。
11.許巧鶯、溫裕弘(1998)，「應用灰色預測與灰色聚類於航空公司航線運量預測與型態設計」，模糊系統學刊，4(2)，51-62。
12.許哲強、陳家榮(1999)，「灰色理論在區域需電預測之應用」，能源季刊，29(4)，96~108。
13.張子見（1999），灰色產業關聯模型應用於二氧化碳減量策略之衝擊評估，國立成功大學環境工程學系博士論文。
14.黃有評、陳朝光（1998），「灰色系統理論之應用與展望」，模糊系統學刊，4(1)，1~7。
15.黃信源(2003)，台灣地區行動電話需求預測模式之建構與評估－時間序列之應用，國立台北大學企業管理學系碩士論文。
16.陳伶姮(2001)，河川旬流量時間序列之研究－以石門水庫入流量為例，國立海洋大學河海工業學系碩士論文。
17.葉怡成(1993)，類神經網路模式應用與實用，台北市，儒林圖書有限公司。
18.葉怡成(1997)，應用類神經網路，台北市，儒林圖書有限公司。
19.葉雲濤(2001)，台北都會區1.8GHZ無線電波傳播路徑損失之量測與迴歸分析，國立台北科技大學電腦通訊與控制研究所碩士論文。
20.趙雲瀚(2001)，以資料探勘分析氣侯因素對蔬菜供給量之影響，南華大學資訊管理學系碩士論文。
21.張義龍(2003)，台灣地區家用冷氣機持有量預測：三種預測模型之比較，國立交通大學經營管理研究碩士論文。
22.鄧聚龍(1988)，灰色系統基本方法，武漢，華中理工大學出版社。
23.鄧聚龍、郭洪(1996)，灰色原理與應用，台北，全華科技圖書公司。
24.謝坤民(1997)，「應用灰色預測於人壽保險投保率之探討」，高雄科學技術學院學報，27， 345-356。
25.Brown R.G.(1959).Statistical forecasting for inventory control. New York，McGraw-Hill。
26.Brown R.G.(1959).Less risk in inventory estimates. Harvard Bussiness Review, 104-116。
27.Box G.E.P.and G..W.Jenkins.(1970).Time series analysis. Forecasting and Control,Revised Edition, Holden-day。
28.Baker B. D. and Richards C. E.(1999).A comparison of conventional linear regression methods and neural networks for forecasting educational spending. Economics of Education Review,18,405-415。
29.Brémaud, P.( 1999).Markov chains :Gibbs fields, Monte Carlo simulation, and queues. New York ,Springer。
30.Deng.J.L, Kow H. and Wn.H.S.(1989).Introduction to grey system theory. The Journal of Grey System, 1, 1-24。
31.Fan, J. and Yao, Q.( 2003).Nonlinear Time Series—Nonparametric and Parametric Methods. New York Springer。
32. Gu, C. (1998).Model indexing and smoothing parameter selection in nonparametric function estimation, Statistica Sinica, 8, 607-623。。
33.Gu, B., Liu B., Hu F., Liu, H.( 2001). Efficiently Determining the Starting Sample Size for Progressive Sampling, Lecture Notes in Computer Science, 2167, 192-201。
34.Gangopadhyay, A. K., and Cheung, K. N.(2002).Bayesian approach to the choice of smoothing parameter in kernel density estimation, Nonparametric Statistics, 14(6), 655-664。
35.Hall, P., and Kang, K. H.(2001).Bootstrapping nonparametric density estimators with empirically chosen bandwidths, Annals of Statistics, 29(5), 1443-1468。
36.Ho,S.L.(2002).A comparative study of neural network and Box-Jenkins ARIMA modeling in time series prediction. Computers & Industrial Engineering,42,371-375。
37.Liu,C.T and Hsu, P.F.(2002).Forecast of Non-alcoholic Beverage sales in Taiwan using the grey theory. Asia Pacific Journal of Marketing and Logistic,14(4),3-12。
38.Li, D. C., Chen, L. S., Lin, Y. S.( 2003).Using Functional Virtual Population as an Assistance to Learn Scheduling Knowledge. International Journal of Production Researches, 41(17), 4011-4024。
40.Li, D.C. and Lin, Y.S.( 2005).Using virtual sample generation to build up management knowledge in the early manufacturing stages. European Journal of Operational Research (to appear) 。
41.Madridakis S. and Winkler R.L.(1983).Averages of forecasts: some empirical results. Management Science,29（9）,987-996。
42.Niyogi, P., Girosi, F., Tomaso, P.(1998).Incorporating Prior Information in Machine Learning by Creating Virtual Examples. Proceeding of the IEEE, 86(11), 275-298。
43.Onisko, A., Druzdzel, M. J., Wasyluk, H.( 2001). Learning Bayesian network parameters from small data sets: application of Noisy-OR gates. International Journal of Approximate Reasoning, 27, 165-182。
44.Prybutok V.R.(2000).Comparison of neural network models with ARIMA and regression model for prediction of Houston’s daily maximum ozone concentrations. Journal of Operational Research,122,31-40。
45.Ross, S.M.(1996).Stochastic processes-2nd ed. NewYork ,John Wiley & Son。
46.Ross, S.M.( 2003).Introduction to probability models-8th ed. San Diego ,
Academic Press。
47.Shan M. S., Li D. X.and.Bao L(1999).Improving the accuracy of nonlinear combined forecasting using neural networks. Expert Systems with Applications, 16,49-54。.
48.Saba T. A. and Amin I. E.(1999).Artificial neural networks as applied to long-term demand forecasting. Artificial Intelligence in Engineering,13,189-197。
49.Taylor, H.M. and Karlin, S.(1998).An introduction to stochastic modeling-3rd ed. San Diego ,Academic Press。