前瞻分析方法學介紹 ：分析與詮釋 農業科技研究院產業發展中心產業分析組 林冠傑、余松諺 　　在當今資訊爆炸的時代，我們每天面對大量數據、多元觀點和複雜問題，豐富的資訊碎片帶來的並非安心感，反而讓人感到無所適從。組織和個人如何從紛雜的資訊中萃取有價值的洞見，辨識真正重要的訊息，並做出明智決策已成為現代社會的關鍵挑戰。無論是政府部門制定長期政策、企業調整營運策略、學術界探索研究方向，還是個人規劃職涯發展，都需要有系統的思考工具來解析複雜情境、評估可能選項，並產生有建設性的行動方案。 　　本文介紹的八種分析與詮釋方法，正是回應這一普遍需求的實用工具箱。這些方法不僅能協助我們梳理資訊，更能啟發思考、挑戰既有認知框架，進而發現問題背後的深層結構和潛在機會。透過掌握這些分析工具，決策者能夠在不確定性日益增加的環境中，建立更有條理的思考過程，避免直覺決策的陷阱，同時保持策略的前瞻性與彈性。 　　本文簡介八種分析與詮釋方法：未來三角分析、因果層次分析、SWOT分析、意義建構、文獻回顧、趨勢外推法、標竿研究法、趨勢分析法。每種方法皆有其目的、步驟和應用時需注意的關鍵事項。透過理解這些方法，研究者和實務工作者能夠更全面地掌握複雜議題，進而做出更為周延的判斷與決策。本文將分別簡介這八種方法的核心概念，期望能為讀者提供一個系統性的分析工具箱，以應對各種研究與決策挑戰。   表一、未來三角分析、 因果層次分析、 SWOT分析 和意義建構的目的與優、缺點 方法 未來三角分析 因果層次分析 SWOT分析 意義建構 目的 透過分析推力、拉力和阻力的交互作用，探索和理解多元可能的未來路徑。 透過四個層面解構議題，揭開表象、深入理解問題根本組成並探索未來願景。 識別組織或策略的內部優劣勢和外部機會威脅，形成潛在戰略計畫的核心。 從經驗中提取洞見、促進學習並創造意義，理解複雜或模糊的事件。 優點 提供清晰框架分析現在趨勢、未來願景與歷史慣性，幫助識別需強化或克服的力量。 層層深入分析有助於從根本上理解複雜議題，促進深度思考和系統性變革。 結構簡單易用，有助於全面考量內部能力和外部環境，為策略規劃提供起點。 匯集多元視角和洞見，有助於探索背後假設和邏輯，形成行動建議及決策指引。 缺點 因素增多時複雜性提高，三角形頂點定義模糊，且主要展示當前狀態而非預測未來。 層次容易混淆，過度強調認知過程，參與者難以跳脫自身觀點理解他人視角。 過於靜態，結果籠統缺乏優先順序，主觀性強，難以用於實際決策。 概念定義模糊、操作流程不明確，側重回顧性分析而忽略前瞻性應用。   表二、文獻回顧、趨勢外推法、標竿研究法和趨勢分析法的目的與優、缺點 方法 文獻回顧 趨勢外推法 標竿研究法 趨勢分析法 目的 系統性爬梳整合既有知識，指引研究方向並提升決策品質。 透過分析歷史數據中的技術變化模式，將這些模式延伸至未來進行預測。 尋找和採用同領域最佳實踐，應用於自身組織以實現卓越績效。 探索全球變革力量對政策領域影響，理解這些力量的動態並探索機會和風險。 優點 根據不同目的採用不同類型和方法學系統性整合。 基於實際數據，提供量化預測，適用於有足夠歷史資料的領域。 提供明確改進方向，促進組織學習，避免重複他人錯誤的嘗試。 創建強大的變革語言，確保政策考慮當前可見的重要變革力量。 缺點 方法學不當可能導致偏見，選擇不合適回顧類型會無法達預期目標。 假設過去模式將延續至未來，難以捕捉突破性變化，新技術預測不可靠。 易流於表面比較而非深入學習，若企業文化不支持變革則效果有限。 趨勢定義常不明確，過於著重掃描監測，難以處理模糊的弱信號。   一、未來三角分析(Futures Triangle) 　　未來三角分析的目的是透過檢視未來願景的吸引力(拉力)、當前趨勢的推動力(推力)和歷史慣性的包袱，幫助我們理解和探索多元可能的未來路徑；操作步驟包括：首先確認議題，接著分析三力。推力如人口結構變化和科技進步，拉力如理想中的未來景象和創新突破，阻力如既有制度和文化傳統，其中推動力與拉力共同促進改變和創新，阻力則提供穩定性和連續性，需要識別哪些力量需要強化或克服。從這三股力量的相互作用中，衍生出五種變革程度：趨近理想未來的激進變化（徹底轉型）、適應性變化（中度調整）、邊際變化（小幅改進），到無變化（維持現狀）和回到想像中理想過去（倒退願望），幫助規劃者掌握塑造未來的各種力量及其相互作用如何創造不同的變革可能性，亦可作為規劃短中長期策略的指引。 　　此法之問題和限制為：首先是隨著因子增多，複雜性提高，三角形的各個頂點會變得模糊，例如全球化同時可以是現在的推力、過去的重量和未來的拉力；其次，需要明確區分這三個頂點的標準，文獻建議將"現在的推力"以定量呈現，"未來的拉力"著重於視覺形象呈現，而"歷史重量"則以定性呈現為佳；第三，在應用過程中對於應該使用哪種未來形象，導致方法從單一三角形擴展為多個三角形；第四，未來三角分析主要用於繪製或表現當前系統的狀態和力量關係，其無法有效考慮新興問題和弱信號。 二、因果層次分析(Causal Layered Analysis) 　　因果層次分析旨在藉由四個層面解構議題，協助揭開表象、深入理解問題的根本組成和潛在敘事，並探索改變的可能性與重新建構未來願景。其操作步驟包括：首先確認議題，識別表象層中的事件、現象、問題和統計數字；接著分析系統原因層，探究社會、經濟、環境、科技等系統因素如何導致表象層問題；然後深入世界觀與隱喻層，探索形塑系統的深層思維模式、價值觀和文化象徵；最後透過深層重構概念來重新建構敘事層，以創造嶄新的未來可能想像。這個方法透過層層深入分析，有助於從根本上理解和轉化複雜議題。 　　因果層次分析(CLA)的主要問題與缺點包括：層次混淆（特別是第三層世界觀與第四層隱喻容易被混淆）；報告順序不當（未能由表層向下深入分析）；過度強調認知過程而忽略實際應用；世界觀盲點（參與者難以跳脫自身觀點理解他人視角）；以及引導者職業性危害（過度解釋或擺出專家姿態）。CLA實施時常見的其他缺點還包括：參與者過度沉浸於數據中而失去洞察力；缺乏對不同立場的真正理解與尊重；以及無法將複雜分析結果轉化為簡潔有力的政策或策略建議。這些問題若不妥善處理，會導致CLA淪為填表格式的表面工作，無法發揮其促進深度思考和系統性變革的潛力。 三、SWOT分析(SWOT Analysis) 　　SWOT分析是一種識別政策、問題或事件相關優勢(Strengths)、劣勢(Weaknesses)、機會(Opportunities)和威脅(Threats)的實用技術，其中優勢和劣勢是反映當前能力的內部因素，而機會和威脅則是需要回應的外部因素。SWOT分析的目的包括識別政策或策略的優先事項、長期可能出現的挑戰和機會、探索如何連接未來與當前情況，以及獲取更清晰的不確定性認識。實施SWOT分析通常透過四個步驟：1)工作坊前的簡報準備，確保參與者熟悉相關資料和工作環境；2)分析內部因素，評估與目標相關的優勢和劣勢，考慮人員、預算、技術、地理等資源因素；3)分析外部因素，識別經濟形勢、新技術、人口統計和社會態度變化、環境變化和政治環境可能帶來的機會和威脅；4)確定相互關係，尋找能幫助把握機會的優勢、可用於減輕威脅的優勢、可能限制機會的劣勢，以及使威脅更具挑戰性的劣勢。這一分析結果可以形成潛在戰略計畫的核心，或作為情景練習的輸入。 　　SWOT分析過於靜態，僅提供特定時間點的快照，無法捕捉動態變化的環境；分析結果往往過於籠統且缺乏優先順序，難以用於實際決策；因主觀性導致分類困難，同一因素可能同時是優勢也是劣勢；缺乏與競爭對手的量化比較；通常僅關注當前而非未來狀況；組織文化可能導致分析資訊不可靠；過度強調單一維度的策略而忽視其他因素；很少在組織層級以下部署，可能導致對所有業務單位採用相同策略的風險。這些限制使SWOT分析只能作為策略規劃的起點，而非完整的分析工具。 四、意義建構(Sensemaking) 　　意義建構的目的是從經驗中提取洞見、促進學習並創造意義，藉此理解和詮釋複雜、模糊或令人困惑的事件。其操作方法首先確認所欲分享之經驗主軸，可利用5W1H為基礎闡述選別的問題和應對方式，從中歸納經驗、建立洞見和互相學習，內容涵蓋參與人士、地點、時間、當下解決方法、思考方式、所需資源及未來改進方法等，並透過共享經驗、分享理解、刺激發想新對策，從不同角度、文化、經濟背景、學經歷、種族、性別等獲得多元視角和洞見，同時探索背後的假設和邏輯，辨識潛在因果關係，總結經驗、結構化方法應用、形成行動建議及建立決策指引。 　　意義建構理論的主要缺點在於其概念定義模糊、缺乏共識，操作流程較不明確。此外，傳統上此方法較側重於回顧性意義建構，而忽略前瞻性應用。同時，該理論也忽視了制度和知識背景的影響，這些問題共同限制了該理論在組織行為、技術整合和策略發展等實際應用領域的有效性。 五、文獻回顧(Literature Review) 　　文獻回顧在學術研究中扮演關鍵角色，它不僅是科學知識累積過程的重要環節，也是面對急速成長的文獻體量時不可或缺的工具。文獻回顧主要有六個步驟：1)明確研究問題和目標；2)搜尋相關文獻；3)篩選納入文獻；4)評估主要研究的品質；5)提取數據；6)分析數據。根據不同目的和方法，文獻回顧可分為多種類型：敘述性回顧、系統性回顧、範圍界定回顧、集合性回顧(包括系統性回顧和元分析)和批判性回顧等。各類型回顧針對不同研究問題，採用不同的方法學嚴謹度和系統性。 　　文獻回顧的主要問題和限制在於方法學上的缺陷和偏見。例如，敘述性回顧缺乏明確的納入標準和系統性方法，可能導致選擇性忽視某些研究而產生偏見性解釋。系統性回顧雖然方法嚴謹，但若執行不當則可能出現方法學缺陷，如搜尋策略不全面、品質評估不嚴謹等，影響其內部效度和臨床決策參考價值。另外，不同類型的回顧適用於不同目的，選擇不當的回顧類型可能無法達到預期目標。因此，在開始文獻回顧專案前，了解研究綜合的目的並選擇最適合的方法學至關重要。 六、趨勢外推法(Trend Extrapolation) 　　趨勢外推法在技術預測領域是一種廣泛使用的定量方法。它的主要目的是透過分析歷史數據中的技術變化模式，然後將這些模式延伸到未來以進行預測。這種方法首先使用曲線擬合來導出最適合給定歷史數據點集的趨勢線或曲線，然後將結果線或曲線外推到未來以生成預測。預測成功在很大程度上取決於選擇合適的擬合曲線類型，如S形曲線、指數增長曲線、時間序列模型等。 　　趨勢外推法的問題和局限性為其假設過去的模式將繼續延續到未來，這在技術創新和市場變化快速的環境中可能不成立。其次，對於較新的技術，可用的歷史數據可能有限，使預測不太可靠。此外，傳統的趨勢外推方法通常無法捕捉到技術發展中的突破性變化或範式轉移。研究表明，不同的趨勢外推方法在不同技術領域的表現各異，沒有一種方法在所有情況下都優於其他方法，這凸顯了選擇適合特定預測背景的方法的重要性。 七、標竿研究(Benchmarking) 　　標竿研究的根本目的是尋找和採用相同領域其他企業或機構之最佳實踐，進而應用於自身組織以實現卓越績效。其執行過程首先需確立明確的研究範圍與目標，接著深入研究現狀並收集相關資料，然後找出潛在的標竿對象並向他們學習，繼而分析自身與最佳實踐間的績效差距，進而制定改進計畫並付諸實施，最後持續監控進度並適時重新校準標準。 　　實施標竿研究時常見的挑戰包括缺乏清晰的方法論指導、相關人員培訓不足、忽視全面的成本效益分析，以及對最佳實踐的理解停留在表面層次。標竿研究若運用不當也存在顯著缺點：當組織僅關注表面比較而非深入學習時，可能導致創新思維不足；若企業文化不支持變革與學習，實施效果將大打折扣；若缺乏高層管理者的支持與承諾，則難以獲得足夠資源推動整個過程。 八、趨勢分析(Trend Analysis) 　　為一種探索全球變革力量對政策領域、策略和決策影響的方法，其透過識別和分析長期的全球性趨勢來幫助理解這些力量的動態並探索它們帶來的機會和風險。這些趨勢常具有長期持續性、多維度影響、變革性本質和可觀察性等特徵。進行趨勢分析的主要步驟包括：首先，利用STEEP等框架、視野掃描和驅動因子分析收集對政策領域有高影響的變革驅動因素，並將它們分組成六個或更少的集群；其次，概念化這些趨勢，描述每個集群的總體變革模式或最重要的底層或交叉驅動因素；第三，將趨勢列表與其他趨勢集進行對比以檢查是否有重要遺漏；最後，分析這些趨勢對焦點政策領域的影響，探討它們單獨或共同如何影響政策領域，評估其重要性和相關性，考慮國家層面的影響，確定風險、機遇和可能的影響，以及考慮如何使政策更具適應性和彈性。這一過程有助於創建強大的變革語言，確保政策考慮到當前可見的最重要的變革力量。 　　趨勢分析的問題在於趨勢之定義常不明確，傳統趨勢分析過於著重掃描和監測，使預測淪為被動反應，缺乏對趨勢驅動和阻礙因素的深入探討。而量化的統計趨勢分析亦不適用於處理模糊的弱信號，因其不夠具體且資訊過少。此外，長期趨勢的量化分析難度高，限制了趨勢分析在策略規劃中的應用價值。 九、結語 　　綜觀這八種分析與詮釋方法，可以看到各方法從不同角度切入複雜問題，提供了多元視角與系統化工具。在知識爆炸的時代，單一方法往往難以全面掌握多變的情勢與挑戰。因此，研究者與決策者應靈活運用這些方法，依據問題特性選擇合適工具或整合多種方法，以彌補單一方法的侷限。透過方法的交叉運用與互補，能更全面地理解問題本質、掌握發展趨勢、預測可能未來，進而制定更具前瞻性與韌性的策略，做出更明智且具前瞻性的決策。   參考資料 Abdullah, N. A. 2023. The Use and Usefulness of The Futures Triangle. World Futures Rev., 15(2-4):133-145. Government Office for Science. 2024. The Futures Toolkit . Gürel, E. and Tat, M. 2017. SWOT Analysis: A Theoretical Review. Uluslararası Sos. Araş. Derg./J. Int. Soc. Res., 10(51):994-1006. Inayatullah, S. 2019. Causal Layered Analysis: A Four-Level Approach to Alternative Futures Relevance and Use in Foresight. Futuribles International. Paris. Inayatullah, S. 2023. The Futures Triangle: Origins and Iterations. World Futures Review, 15(1):1-10. Jarrar, Y. F. and Zairi, M. 2001. Future trends in benchmarking for competitive advantage: A global survey. Total Qual. Manag., 12(7&8):906-912. Knowles, K., Falez, A., Hashmi, F., Permezel, M., Tobal, A., Verma, P., Stanley, D., Young, R.,and Cooper, O. 2024. Policy Fit for the Future. Australia. Kumar, S. C. R. and Praveena, K. B. 2023. SWOT analysis. Int. J. Adv. Res., 11(09):744-748. Mann, R. 2015. Benchmarking Past, Present and Future. Centre for Organisational Excellence Research. New Zealand. Namvar, M., Cybulski, J., Phang, C., Wee, C., and Tan, K. 2018. Simplifying sensemaking: Concept, process, strengths, shortcomings, and ways forward for information systems in contemporary business environments. Australas. J. Inf. Syst., 22:1-10. Paré, G. and Kitsiou, S. 2017. Methods for Literature Reviews. In: Lau, F. and Kuziemsky, C., eds. Handb. eHealth Eval.: Evid.-based Approach [Internet]. Victoria (BC): University of Victoria; Chapter 9. Saghafi, F., Aliahmadi, A., and Mohammad, A. 2009. Trend Mutual Effects Analysis Methodology for Strategy Configuration and Foresight. World Appl. Sci. J., 6(9):1274-1280. Sandberg, J. and Tsoukas, H. 2014. Making sense of the sensemaking perspective: Its constituents, limitations, and opportunities for further development. J. Organiz. Behav., 35:1-19. Schwarz, J. O. 2010. Normality of the future: Trend diagnosis for strategic foresight. Futures, 42(4):313-327. Snyder, H. 2019. Literature review as a research methodology: An overview and guidelines. J. Bus. Res., 104:333-339. Tsai, P.-H., Berleant, D., Segall, R. S., Aboudja, H., Batthula, V. J. R., Duggiirala, S., and Howell, M. 2023. Quantitative technology forecasting: a review of trend extrapolation methods. Int. J. Innov. Technol. Manag., 20(4):2330002. UNDP. 2021. Preparing to run a sensemaking workshop: What is it, why do it, how to prepare for it? [Online].Available at: https://www.uninnovation.network/innovation-toolkit (Accessed: 9 April 2025). UNDP. 2022. UNDP RBAP: Foresight Playbook. New York.

前瞻分析方法學介紹 ：分析與詮釋 農業科技研究院產業發展中心產業分析組 林冠傑、余松諺 　　在當今資訊爆炸的時代，我們每天面對大量數據、多元觀點和複雜問題，豐富的資訊碎片帶來的並非安心感，反而讓人感到無所適從。組織和個人如何從紛雜的資訊中萃取有價值的洞見，辨識真正重要的訊息，並做出明智決策已成為現代社會的關鍵挑戰。無論是政府部門制定長期政策、企業調整營運策略、學術界探索研究方向，還是個人規劃職涯發展，都需要有系統的思考工具來解析複雜情境、評估可能選項，並產生有建設性的行動方案。 　　本文介紹的八種分析與詮釋方法，正是回應這一普遍需求的實用工具箱。這些方法不僅能協助我們梳理資訊，更能啟發思考、挑戰既有認知框架，進而發現問題背後的深層結構和潛在機會。透過掌握這些分析工具，決策者能夠在不確定性日益增加的環境中，建立更有條理的思考過程，避免直覺決策的陷阱，同時保持策略的前瞻性與彈性。 　　本文簡介八種分析與詮釋方法：未來三角分析、因果層次分析、SWOT分析、意義建構、文獻回顧、趨勢外推法、標竿研究法、趨勢分析法。每種方法皆有其目的、步驟和應用時需注意的關鍵事項。透過理解這些方法，研究者和實務工作者能夠更全面地掌握複雜議題，進而做出更為周延的判斷與決策。本文將分別簡介這八種方法的核心概念，期望能為讀者提供一個系統性的分析工具箱，以應對各種研究與決策挑戰。   表一、未來三角分析、 因果層次分析、 SWOT分析 和意義建構的目的與優、缺點 方法 未來三角分析 因果層次分析 SWOT分析 意義建構 目的 透過分析推力、拉力和阻力的交互作用，探索和理解多元可能的未來路徑。 透過四個層面解構議題，揭開表象、深入理解問題根本組成並探索未來願景。 識別組織或策略的內部優劣勢和外部機會威脅，形成潛在戰略計畫的核心。 從經驗中提取洞見、促進學習並創造意義，理解複雜或模糊的事件。 優點 提供清晰框架分析現在趨勢、未來願景與歷史慣性，幫助識別需強化或克服的力量。 層層深入分析有助於從根本上理解複雜議題，促進深度思考和系統性變革。 結構簡單易用，有助於全面考量內部能力和外部環境，為策略規劃提供起點。 匯集多元視角和洞見，有助於探索背後假設和邏輯，形成行動建議及決策指引。 缺點 因素增多時複雜性提高，三角形頂點定義模糊，且主要展示當前狀態而非預測未來。 層次容易混淆，過度強調認知過程，參與者難以跳脫自身觀點理解他人視角。 過於靜態，結果籠統缺乏優先順序，主觀性強，難以用於實際決策。 概念定義模糊、操作流程不明確，側重回顧性分析而忽略前瞻性應用。   表二、文獻回顧、趨勢外推法、標竿研究法和趨勢分析法的目的與優、缺點 方法 文獻回顧 趨勢外推法 標竿研究法 趨勢分析法 目的 系統性爬梳整合既有知識，指引研究方向並提升決策品質。 透過分析歷史數據中的技術變化模式，將這些模式延伸至未來進行預測。 尋找和採用同領域最佳實踐，應用於自身組織以實現卓越績效。 探索全球變革力量對政策領域影響，理解這些力量的動態並探索機會和風險。 優點 根據不同目的採用不同類型和方法學系統性整合。 基於實際數據，提供量化預測，適用於有足夠歷史資料的領域。 提供明確改進方向，促進組織學習，避免重複他人錯誤的嘗試。 創建強大的變革語言，確保政策考慮當前可見的重要變革力量。 缺點 方法學不當可能導致偏見，選擇不合適回顧類型會無法達預期目標。 假設過去模式將延續至未來，難以捕捉突破性變化，新技術預測不可靠。 易流於表面比較而非深入學習，若企業文化不支持變革則效果有限。 趨勢定義常不明確，過於著重掃描監測，難以處理模糊的弱信號。   一、未來三角分析(Futures Triangle) 　　未來三角分析的目的是透過檢視未來願景的吸引力(拉力)、當前趨勢的推動力(推力)和歷史慣性的包袱，幫助我們理解和探索多元可能的未來路徑；操作步驟包括：首先確認議題，接著分析三力。推力如人口結構變化和科技進步，拉力如理想中的未來景象和創新突破，阻力如既有制度和文化傳統，其中推動力與拉力共同促進改變和創新，阻力則提供穩定性和連續性，需要識別哪些力量需要強化或克服。從這三股力量的相互作用中，衍生出五種變革程度：趨近理想未來的激進變化（徹底轉型）、適應性變化（中度調整）、邊際變化（小幅改進），到無變化（維持現狀）和回到想像中理想過去（倒退願望），幫助規劃者掌握塑造未來的各種力量及其相互作用如何創造不同的變革可能性，亦可作為規劃短中長期策略的指引。 　　此法之問題和限制為：首先是隨著因子增多，複雜性提高，三角形的各個頂點會變得模糊，例如全球化同時可以是現在的推力、過去的重量和未來的拉力；其次，需要明確區分這三個頂點的標準，文獻建議將"現在的推力"以定量呈現，"未來的拉力"著重於視覺形象呈現，而"歷史重量"則以定性呈現為佳；第三，在應用過程中對於應該使用哪種未來形象，導致方法從單一三角形擴展為多個三角形；第四，未來三角分析主要用於繪製或表現當前系統的狀態和力量關係，其無法有效考慮新興問題和弱信號。 二、因果層次分析(Causal Layered Analysis) 　　因果層次分析旨在藉由四個層面解構議題，協助揭開表象、深入理解問題的根本組成和潛在敘事，並探索改變的可能性與重新建構未來願景。其操作步驟包括：首先確認議題，識別表象層中的事件、現象、問題和統計數字；接著分析系統原因層，探究社會、經濟、環境、科技等系統因素如何導致表象層問題；然後深入世界觀與隱喻層，探索形塑系統的深層思維模式、價值觀和文化象徵；最後透過深層重構概念來重新建構敘事層，以創造嶄新的未來可能想像。這個方法透過層層深入分析，有助於從根本上理解和轉化複雜議題。 　　因果層次分析(CLA)的主要問題與缺點包括：層次混淆（特別是第三層世界觀與第四層隱喻容易被混淆）；報告順序不當（未能由表層向下深入分析）；過度強調認知過程而忽略實際應用；世界觀盲點（參與者難以跳脫自身觀點理解他人視角）；以及引導者職業性危害（過度解釋或擺出專家姿態）。CLA實施時常見的其他缺點還包括：參與者過度沉浸於數據中而失去洞察力；缺乏對不同立場的真正理解與尊重；以及無法將複雜分析結果轉化為簡潔有力的政策或策略建議。這些問題若不妥善處理，會導致CLA淪為填表格式的表面工作，無法發揮其促進深度思考和系統性變革的潛力。 三、SWOT分析(SWOT Analysis) 　　SWOT分析是一種識別政策、問題或事件相關優勢(Strengths)、劣勢(Weaknesses)、機會(Opportunities)和威脅(Threats)的實用技術，其中優勢和劣勢是反映當前能力的內部因素，而機會和威脅則是需要回應的外部因素。SWOT分析的目的包括識別政策或策略的優先事項、長期可能出現的挑戰和機會、探索如何連接未來與當前情況，以及獲取更清晰的不確定性認識。實施SWOT分析通常透過四個步驟：1)工作坊前的簡報準備，確保參與者熟悉相關資料和工作環境；2)分析內部因素，評估與目標相關的優勢和劣勢，考慮人員、預算、技術、地理等資源因素；3)分析外部因素，識別經濟形勢、新技術、人口統計和社會態度變化、環境變化和政治環境可能帶來的機會和威脅；4)確定相互關係，尋找能幫助把握機會的優勢、可用於減輕威脅的優勢、可能限制機會的劣勢，以及使威脅更具挑戰性的劣勢。這一分析結果可以形成潛在戰略計畫的核心，或作為情景練習的輸入。 　　SWOT分析過於靜態，僅提供特定時間點的快照，無法捕捉動態變化的環境；分析結果往往過於籠統且缺乏優先順序，難以用於實際決策；因主觀性導致分類困難，同一因素可能同時是優勢也是劣勢；缺乏與競爭對手的量化比較；通常僅關注當前而非未來狀況；組織文化可能導致分析資訊不可靠；過度強調單一維度的策略而忽視其他因素；很少在組織層級以下部署，可能導致對所有業務單位採用相同策略的風險。這些限制使SWOT分析只能作為策略規劃的起點，而非完整的分析工具。 四、意義建構(Sensemaking) 　　意義建構的目的是從經驗中提取洞見、促進學習並創造意義，藉此理解和詮釋複雜、模糊或令人困惑的事件。其操作方法首先確認所欲分享之經驗主軸，可利用5W1H為基礎闡述選別的問題和應對方式，從中歸納經驗、建立洞見和互相學習，內容涵蓋參與人士、地點、時間、當下解決方法、思考方式、所需資源及未來改進方法等，並透過共享經驗、分享理解、刺激發想新對策，從不同角度、文化、經濟背景、學經歷、種族、性別等獲得多元視角和洞見，同時探索背後的假設和邏輯，辨識潛在因果關係，總結經驗、結構化方法應用、形成行動建議及建立決策指引。 　　意義建構理論的主要缺點在於其概念定義模糊、缺乏共識，操作流程較不明確。此外，傳統上此方法較側重於回顧性意義建構，而忽略前瞻性應用。同時，該理論也忽視了制度和知識背景的影響，這些問題共同限制了該理論在組織行為、技術整合和策略發展等實際應用領域的有效性。 五、文獻回顧(Literature Review) 　　文獻回顧在學術研究中扮演關鍵角色，它不僅是科學知識累積過程的重要環節，也是面對急速成長的文獻體量時不可或缺的工具。文獻回顧主要有六個步驟：1)明確研究問題和目標；2)搜尋相關文獻；3)篩選納入文獻；4)評估主要研究的品質；5)提取數據；6)分析數據。根據不同目的和方法，文獻回顧可分為多種類型：敘述性回顧、系統性回顧、範圍界定回顧、集合性回顧(包括系統性回顧和元分析)和批判性回顧等。各類型回顧針對不同研究問題，採用不同的方法學嚴謹度和系統性。 　　文獻回顧的主要問題和限制在於方法學上的缺陷和偏見。例如，敘述性回顧缺乏明確的納入標準和系統性方法，可能導致選擇性忽視某些研究而產生偏見性解釋。系統性回顧雖然方法嚴謹，但若執行不當則可能出現方法學缺陷，如搜尋策略不全面、品質評估不嚴謹等，影響其內部效度和臨床決策參考價值。另外，不同類型的回顧適用於不同目的，選擇不當的回顧類型可能無法達到預期目標。因此，在開始文獻回顧專案前，了解研究綜合的目的並選擇最適合的方法學至關重要。 六、趨勢外推法(Trend Extrapolation) 　　趨勢外推法在技術預測領域是一種廣泛使用的定量方法。它的主要目的是透過分析歷史數據中的技術變化模式，然後將這些模式延伸到未來以進行預測。這種方法首先使用曲線擬合來導出最適合給定歷史數據點集的趨勢線或曲線，然後將結果線或曲線外推到未來以生成預測。預測成功在很大程度上取決於選擇合適的擬合曲線類型，如S形曲線、指數增長曲線、時間序列模型等。 　　趨勢外推法的問題和局限性為其假設過去的模式將繼續延續到未來，這在技術創新和市場變化快速的環境中可能不成立。其次，對於較新的技術，可用的歷史數據可能有限，使預測不太可靠。此外，傳統的趨勢外推方法通常無法捕捉到技術發展中的突破性變化或範式轉移。研究表明，不同的趨勢外推方法在不同技術領域的表現各異，沒有一種方法在所有情況下都優於其他方法，這凸顯了選擇適合特定預測背景的方法的重要性。 七、標竿研究(Benchmarking) 　　標竿研究的根本目的是尋找和採用相同領域其他企業或機構之最佳實踐，進而應用於自身組織以實現卓越績效。其執行過程首先需確立明確的研究範圍與目標，接著深入研究現狀並收集相關資料，然後找出潛在的標竿對象並向他們學習，繼而分析自身與最佳實踐間的績效差距，進而制定改進計畫並付諸實施，最後持續監控進度並適時重新校準標準。 　　實施標竿研究時常見的挑戰包括缺乏清晰的方法論指導、相關人員培訓不足、忽視全面的成本效益分析，以及對最佳實踐的理解停留在表面層次。標竿研究若運用不當也存在顯著缺點：當組織僅關注表面比較而非深入學習時，可能導致創新思維不足；若企業文化不支持變革與學習，實施效果將大打折扣；若缺乏高層管理者的支持與承諾，則難以獲得足夠資源推動整個過程。 八、趨勢分析(Trend Analysis) 　　為一種探索全球變革力量對政策領域、策略和決策影響的方法，其透過識別和分析長期的全球性趨勢來幫助理解這些力量的動態並探索它們帶來的機會和風險。這些趨勢常具有長期持續性、多維度影響、變革性本質和可觀察性等特徵。進行趨勢分析的主要步驟包括：首先，利用STEEP等框架、視野掃描和驅動因子分析收集對政策領域有高影響的變革驅動因素，並將它們分組成六個或更少的集群；其次，概念化這些趨勢，描述每個集群的總體變革模式或最重要的底層或交叉驅動因素；第三，將趨勢列表與其他趨勢集進行對比以檢查是否有重要遺漏；最後，分析這些趨勢對焦點政策領域的影響，探討它們單獨或共同如何影響政策領域，評估其重要性和相關性，考慮國家層面的影響，確定風險、機遇和可能的影響，以及考慮如何使政策更具適應性和彈性。這一過程有助於創建強大的變革語言，確保政策考慮到當前可見的最重要的變革力量。 　　趨勢分析的問題在於趨勢之定義常不明確，傳統趨勢分析過於著重掃描和監測，使預測淪為被動反應，缺乏對趨勢驅動和阻礙因素的深入探討。而量化的統計趨勢分析亦不適用於處理模糊的弱信號，因其不夠具體且資訊過少。此外，長期趨勢的量化分析難度高，限制了趨勢分析在策略規劃中的應用價值。 九、結語 　　綜觀這八種分析與詮釋方法，可以看到各方法從不同角度切入複雜問題，提供了多元視角與系統化工具。在知識爆炸的時代，單一方法往往難以全面掌握多變的情勢與挑戰。因此，研究者與決策者應靈活運用這些方法，依據問題特性選擇合適工具或整合多種方法，以彌補單一方法的侷限。透過方法的交叉運用與互補，能更全面地理解問題本質、掌握發展趨勢、預測可能未來，進而制定更具前瞻性與韌性的策略，做出更明智且具前瞻性的決策。   參考資料 Abdullah, N. A. 2023. The Use and Usefulness of The Futures Triangle. World Futures Rev., 15(2-4):133-145. Government Office for Science. 2024. The Futures Toolkit . Gürel, E. and Tat, M. 2017. SWOT Analysis: A Theoretical Review. Uluslararası Sos. Araş. Derg./J. Int. Soc. Res., 10(51):994-1006. Inayatullah, S. 2019. Causal Layered Analysis: A Four-Level Approach to Alternative Futures Relevance and Use in Foresight. Futuribles International. Paris. Inayatullah, S. 2023. The Futures Triangle: Origins and Iterations. World Futures Review, 15(1):1-10. Jarrar, Y. F. and Zairi, M. 2001. Future trends in benchmarking for competitive advantage: A global survey. Total Qual. Manag., 12(7&8):906-912. Knowles, K., Falez, A., Hashmi, F., Permezel, M., Tobal, A., Verma, P., Stanley, D., Young, R.,and Cooper, O. 2024. Policy Fit for the Future. Australia. Kumar, S. C. R. and Praveena, K. B. 2023. SWOT analysis. Int. J. Adv. Res., 11(09):744-748. Mann, R. 2015. Benchmarking Past, Present and Future. Centre for Organisational Excellence Research. New Zealand. Namvar, M., Cybulski, J., Phang, C., Wee, C., and Tan, K. 2018. Simplifying sensemaking: Concept, process, strengths, shortcomings, and ways forward for information systems in contemporary business environments. Australas. J. Inf. Syst., 22:1-10. Paré, G. and Kitsiou, S. 2017. Methods for Literature Reviews. In: Lau, F. and Kuziemsky, C., eds. Handb. eHealth Eval.: Evid.-based Approach [Internet]. Victoria (BC): University of Victoria; Chapter 9. Saghafi, F., Aliahmadi, A., and Mohammad, A. 2009. Trend Mutual Effects Analysis Methodology for Strategy Configuration and Foresight. World Appl. Sci. J., 6(9):1274-1280. Sandberg, J. and Tsoukas, H. 2014. Making sense of the sensemaking perspective: Its constituents, limitations, and opportunities for further development. J. Organiz. Behav., 35:1-19. Schwarz, J. O. 2010. Normality of the future: Trend diagnosis for strategic foresight. Futures, 42(4):313-327. Snyder, H. 2019. Literature review as a research methodology: An overview and guidelines. J. Bus. Res., 104:333-339. Tsai, P.-H., Berleant, D., Segall, R. S., Aboudja, H., Batthula, V. J. R., Duggiirala, S., and Howell, M. 2023. Quantitative technology forecasting: a review of trend extrapolation methods. Int. J. Innov. Technol. Manag., 20(4):2330002. UNDP. 2021. Preparing to run a sensemaking workshop: What is it, why do it, how to prepare for it? [Online].Available at: https://www.uninnovation.network/innovation-toolkit (Accessed: 9 April 2025). UNDP. 2022. UNDP RBAP: Foresight Playbook. New York.

/* 全域字型：微軟正黑體 */ body, p, span, li, th, td, table { font-family: "Microsoft JhengHei", sans-serif !important; } /* 自訂企業級表格 */ table.custom-table { border-collapse: collapse; margin: 0 auto; table-layout: fixed; width: 90%; } table.custom-table th, table.custom-table td { border: 1px solid #333; padding: 8px 12px; word-wrap: break-word; vertical-align: middle; } table.custom-table th { background-color: #E7E6E6; text-align: center; font-weight: bold; } table.custom-table td { text-align: left; } 國際動物保護與福利發展趨勢探討與借鏡 農業科技研究院產業發展中心產業分析組 陳信志、余松諺、梁庭華、林冠傑 一、臺灣動物健康體系現況 　　受到世界經濟快速發展的刺激，全球寵物數量日益增加，在人們生活水準同步提升的同時，尊重且愛護動物的觀念逐漸成為重要之普世價值。而在臺灣，伴隨人口結構和生活型態的改變，及人際關係疏離與情感關係重整、少子化、老年化等因素，同樣有越來越多人飼養寵物做為陪伴，且這些寵物與過往作為養來有特定用途不同，大多視為家庭成員、伴侶，被飼主視如己出，即所謂的伴侶動物（Companion animals，又稱同伴動物）。此也連帶影響著愛護動物的觀念更趨普及，使得政府在1994年便以包含動物福利、健康等世界動物衛生組織所訂定之指導原則與政策為本，制定「動物保護法（以下簡稱動保法）」，成為亞洲較早成立相關法律的國家之一。 　　儘管如此，我國在動物健康維護的相關作為方面，卻是發展相對遲滯。儘管隨著寵物飼養數增加，在寵物健康相關產品及服務需求驅動下逐漸形成龐大的市場，然而寵物與過往畜牧用動物所需之藥品不同，其需求更偏向於癌症、心血管疾病、腎臟病或糖尿病等慢性疾病之治療藥物。然此類藥物除了本身開發歷程困難，加上寵物品種繁雜，使得業者相對無意願投入新藥之開發，導致專供伴侶動物藥物之研發及登記速度遠不如人用藥品，相關臨床藥品研究與數量亦少之又少。在寵物醫療權益與國內開發量能的雙重夾擊下，我國一直到2024年底才公告「人用藥品用於犬貓及非經濟動物之使用管理辦法」，使獸醫師在必要之際使用規定範圍內之人類藥品，但其仍屬於緩不濟急的暫時性手段。另一方面，寵物食品也是近年需求增加快速的品項之一，相關生產與販售行為同樣須受動保法規範，然而過去明確法規約束的僅止於犬貓食品，其餘魚鳥等寵物並不包含在內，為彰顯對於動物健康維護最大限度的重視，相關單位最終於2023年公告「寵物食品管理法」草案，才將管理範圍擴大並進一步完善相關規範。 　　整體而言，臺灣寵物與伴侶動物數量雖逐年增加，且對於動物保護的觀念也跟著提升，但礙於伴侶動物種類繁多，以及相關規定在近年才陸續制定與提出，相較於國際上發展較早及制度較完善的國家在法規與實務面上可能仍有可以加強的地方，因此本報告將借鏡標竿國家，期望能透過了解國際趨勢進一步補強我國寵物健康體系潛在缺口。 二、國際案例 美國 　　美國《動物福利法》在1960年代簽署成立，隨時代進步多次修改並逐漸擴大保護認定範圍，該法中動物泛指動物為，任何有或無生命的狗、貓、非人靈長類動物、豚鼠、倉鼠、兔子或其他恆溫動物，且用於或打算用於研究、教學、測試、實驗、展覽，或是作為寵物等目的者。但不包含為研究目的而飼養之鳥類、大鼠、小鼠；不用於研究目的之馬（該國另制定有《馬匹保護法》進行規範）；以及其他農場動物，例如但不限於用作食物或纖維的家畜或家禽。該法明定在動物對待、照顧、治療甚至運輸行為上的規範，包含住所的環境維護與控制、最低居住空間要求、日常運動計畫，以及完善且透明的獸醫護理行為。 　　此外，美國對於專業獸醫師能力亦極為重視，在從事研究、展覽或是運輸等行為時，皆要求行為個體須維持最低標準的獸醫師介入其中，以確實保障動物的健康權益。除了法規層面外，美國更著重在動物用生技產品的研發，主要著眼於經濟動物的傳染病防治，如豬瘟和禽流感疫苗等，又因其極具重要性被視作國家生物安全防衛的重要手段之一，屬於常態性的研究能量維持，在動物藥品方面，也是不斷推陳出新，接連推動一系列的創新策略，也間接刺激著該國動物及獸醫生技產業的發展。 　　而隨著基因編輯等分子技術的成熟，為食品、農業與健康等領域帶來新的可能性，但也伴隨著許多尚未釐清的潛在風險，因此，為了加速此新興技術應用於生技產品之開發並確保其安全性，同時維護美國消費者與社會大眾的知情權，美國FDA於2018年推動「植物與動物生物科技創新行動計畫」（Plant and Animal Biotechnology Innovation Action Plan），全方位的開展食品藥物生技產業創新布局。而後，為了進一步強化技術之應用，滿足當今社會之對寵物之相關需求，美國FDA獸醫藥品中心CVM在2023年發布「動物與獸醫創新議程」，希望透過創新策略滿足動物、人類和社會的關鍵需求產品。 動物與獸醫創新議程議程概要如下： 開發提高動物適應力和健康的產品，如幫助動物更適應高溫或其他環境壓力。 開發提高食品供應效率的產品，如提高飼料轉換效率並減少廢棄副產品的動物飼料物質。 解決在主要動物物種上造成重大健康負擔但尚未被滿足的獸醫醫療需求產品，如針對癌症、心臟病、慢性腎衰竭和疼痛控制的新治療方法。 解決小眾物種未被滿足需求的產品，如魚類和小反芻動物疾病治療產品。 開發能對人類和動物醫學具有效益且具有新穎作用機制或新技術的產品。 應對日益增加之動物和人類疾病威脅的產品，如可預防、控制和治療非洲豬瘟的產品。 　　透過對動物與獸醫創新議程中對「健康一體」（One Health）的重視，並借重於FDA本身對於各學科知識整合之能力，美國進而確立出四個關鍵目標與相關行動，包含支持具高度優先需求的科技與產品開發、使監管手段與現行社會趨勢相匹配、強化健康一體工作能力以面對未來創新挑戰、鑑別並解決新科技與新興健康威脅間的差距（表一）。 表一、植物與動物生物科技創新行動計畫關鍵目標與對應行動內容 目標 行動 1、支持具高度優先需求的科技與產品開發 實施獸醫創新計畫科學助手（VIP Sci-Assist）。 基因編輯的標準化分子特徵鑑定及評估。 檢測 ACTPs 捐贈者體內病原體。 提升 Precision FDA 與 HPC 平台效能。 推動 VIP Fast-Step 專案來確定 VIP 審查流程中可承諾縮短時間的部分。 制定加速獸醫和動物需求發展計畫，如加速罕見疾病治療和建設腫瘤卓越中心。 繼續投資資料現代化，以重新設計 CVM 關鍵業務流程及其對應之資通訊系統。 2、使監管手段與現行社會趨勢相匹配 建立 CVM 監管現代化工作小組，審查並針對法律和政策變更給予建議，如透過變更法規和指導文件，符合 CVM 基於科學和風險的監管承諾。 與外部利害關係人合作，確定潛在的流程改進可能，包括提高所有 CVM 產品審查效率的方法。 透過實際行為使審核流程更加清晰，包含： 建立食品創新中心，提供一站式服務據點。 在可行的情況下進一步實施基於問題的審查（QBR）流程，以提高提交期望的透明度。 為創新產品開發者提供針對各種 FDA 監管之動物產品類型的客製化模板，以利促使他們提供 CVM 評估安全性和有效性所需的具體數據和資訊。 3、強化健康一體工作能力以面對未來創新挑戰 以融合式科學思維將 FDA 體制內的科學家和監管專家串連起來。 招募、留住並持續培養世界一流的科學技術人才。 制定並實施 FDA 健康一體實踐準則。 4、鑑別並解決新科技與新興健康威脅間的差距 組成創新探索工作小組，在整個中心展開工作並與首席科學家辦公室（OCS）合作，開發和實施各領域的新興技術監測方法，包括可能影響 CVM 監管工作的生物醫藥產品和動物及人類新型食品成分。 對新興技術進行研究，使 CVM 能夠更好地將其工作與這些技術屬性結合。 進行基因編輯技術研究。 進行額外研究以支援各類型 IGA 產品中常見之評估和批准流程所需數據，像是使用不同物種、不同編輯技術或在不同用途別之研究。 進行研究以鑑定對 ACTP 效力至關重要的特徵。 開發並認可支持創新的新替代方法 (NAM)。 開展並實施科學展望路徑。 採用新穎的健康一體手法來應對上市後的合規性挑戰。 鑑別新的方法和手段，確保已經批准之創新產品的整個生命週期安全性和有效性。 利用整個機構的專業知識和計畫來應對新出現的人類、動物和環境健康威脅。 （美國農業部食品藥物管理局獸醫藥品中心；新農業辦公室摘整） 歐盟 　　歐盟動物保護觀念起源於屠宰動物擊暈指令 (74/577/EEC)，開創了減輕屠宰動物痛苦的先河，並在過後陸陸續續的提出各種改善指令，包含確立農場動物基本福利標準的「歐洲保護農場動物公約」(ETS No. 87)、涵蓋所有農場動物的最低保護標準的《農場動物保護指令》(98/58/EC)等，共同構成了全球最嚴格的農場動物福利體系，反映了歐盟從經濟角度向動物福利和道德關懷的轉變。在伴侶動物保護方面，則是起步於規範了寵物繁殖、買賣和福利要求，並限制了割耳、斷尾等美容手術的《歐洲保護寵物動物公約》(ETS No. 125)，隨著歐洲一體化，開始關注寵物跨境移動與健康問題，並一步步完善了相關的體系與納入動物疾病防治體系。 　　除了農場和伴侶動物的具體法規外，歐盟在更根本的基本法層面也確立了動物保護的法律地位，承認動物為「有感知能力的生物」，從根本上改變了動物的法律地位，將其從純粹的財產或商品提升為具有內在價值的生命，以上這些相關法律逐步建立了歐盟對伴侶動物的具體政策框架，形成了多層次的保護體系。 　　除了法律層面外，歐盟亦積極發展科技手段以強化動物保護的實施和監管效果，包含追蹤歐盟寵物流通的 TRACES 電子追蹤系統、監測和追蹤歐盟境內重要傳染性動物疾病而設計的綜合性疾病管理工具的動物疾病資訊系統 (ADIS)、藥物警戒 (Pharmacovigilance) 機制與應用於獸藥科技監管體系的 EudraVigilance Veterinary 系統與監管寵物食品成分的 RASFF (食品和飼料快速預警系統)，確保在藥物與食品獲批並上市後，其安全性和有效性仍受到嚴格監管，保障寵物的健康福祉和藥物安全。 　　歐盟動物保護體系經歷了從農場動物到伴侶動物的演進過程，並在基本法層面確立了動物為「有感知能力的生物」的法律地位。歐盟建立了全球最嚴格的農場動物福利體系。在伴侶動物保護方面，則聚焦於跨境健康和識別管理。但儘管建立一系列政策，卻因各成員國間保護標準不一，導致違法行為猖獗，為此，歐盟於2023年進一步推動《狗貓福利和可追溯性法規》提案，並積極發展科技監管手段，強化動物保護的實施和監管效果。 韓國 　　韓國的動物保護法 (동물보호법) 較我國早一些推行，於1991年因應國際趨勢所制定，以保護與確保動物之生命與安全、促進動物健康為原則，推動健全之飼育文化，培育國民對生命之尊重，邁向人與動物之和諧共存，並在日後不斷經歷修改精進，因應國內外情勢與需求，不但在2018年將動物保護政策之執行寫進韓國憲法當中，亦擴大保護範圍從單全犬擴大至鳥類、爬蟲類乃至兩棲類等具發達神經系統，能感到疼痛之脊椎動物，與推動相關規定與策略，包含動物福利強化計畫、伴侶動物銷售管理強化方案以及伴侶動物產業培育措施（表二），不但強化政府對伴侶動物之管理義務、責任與推動韓國動物友善文化，並進一步針對全球快速成長的寵物市場，傾國家之力，扶植韓國寵物飼料、治療、藥品與保險等產業，搶佔國際寵物版圖。 表二、韓國動物保護/福利相關推動策略內容概述 韓國動物福利強化計畫 願景 加強動物福利，實現人與動物幸福的 One-Welfare (動物保護法納入動物福利強化策略計畫) 目標 建立成熟的動物保護體系，不虐待、不遺棄動物 建立負責任的動物照護文化 策略與任務 加強動物福利，奠定強化基礎 (政策) 以動物福利為中心的法制改革 (認知) 提高社會對動物福利的接受度與意識 (統計數據) 定期調查並建立訊息整合系統 強化發布預防性政策 (照顧) 強化伴侶動物主人的照顧義務 (虐待) 範圍擴大，強化預防發生 (遺棄) 制定開通註冊等預防對策 (狗咬傷事故) 加強猛犬、事故犬的養育、營銷管理 (銷售/實驗/農場) 提高商業用途的管理與透明度 落實動物保護及福利後續措施 (虐待) 強化現場因應、處罰等實效性 (遺棄) 改善收容設施並重振收養 伴侶動物銷售管理強化方案 願景 建立基於動物福利的伴侶動物銷售體系 目標 生產犬動物登記 伴侶動物歷史管理系統 制定與實施規範業務規則，轉換為展覽業務許可制度 策略與任務 伴侶動物產業結構轉型 實施生產犬(母犬、種犬)登記制度 推動生產-銷售-培育各階段的歷史管理 強化網路廣告的合規性 以繁殖為主的產銷轉型研究 (中長期) 杜絕假借以庇護所之非法銷售行為 營利與非營利物理空間的劃分 明訂收容所內禁止商業活動的規定 促進私營動保設施接受遺棄動物 加強經營場所虐待飼養動物罰則與管理 加強老齡/病害動物管理與虐待處罰 擴大安裝閉路電視業務 轉為展覽經營許可制度並明訂管理標準 嚴正打擊非法經營，加強教育輔導 加強中央、地方、組織聯合查核與規劃 擴大對經營者的合規培訓 加強收養諮詢與收養前教育 伴侶動物相關產業培育措施 願景 加強動物福利，實現人與動物幸福的 One-Welfare (動物保護法納入動物福利強化策略計畫) 目標 (市場拓展)國內市場規模 (培育企業)國內價值1000億韓元以上 (加強出口)寵物食品出口 策略與任務 培育四大主力產業 寵物食品：制定特殊化制度及強化生產基礎 寵物保建：緩解診療負擔，提高診療透明與健保 寵物服務：擴充人力及建構服務擴散環境 寵物科技：培育初創企業打造數據生態系統 建構增長基礎設施 創新基地：寵物實證綜合基礎設施建設及營運 創業：加強風險投資及資金支援 研發：核心技術+新領域=擴大研發 海外出口產業化 從市場調查到本土化，強化市場擴張支援 建立出口支援體系及解除出口檢疫 （韓國農業振興廳；新農業辦公室摘整） 日本 　　日本動物保護雖然從1900年代初期就有初步相關法律，但直到1973年才有較為明確的動物保護管理法，將保護動物並禁止虐待與遺棄、普及愛護動物觀點與防止動物受人類危害等明確寫入法律當中，並在之後將「動物保護管理法」改名成「動物愛護管理法」，明確定義「動物愛護之基本」為「將動物的性命是做人命尊重，就算因實驗、取肉等理由需要取動物之性命，亦須考量其生理、生態、習性等，並盡可能不帶給動物苦痛，且懷抱感激與敬畏來進行性命之處理」，並明確規範相關管理責任，即動物之所有人亦或是持有者（包含業者以及飼主等）除需維持動物愛護之基本之外，亦需自主遵守社會之責任，並且確保包含動物叫聲、排泄物等動物行為不造成人命、身體與財產之侵害以及維護周遭生活之環境（表三）。 表三、動物愛護管理法基本方向與內容概述 施政基本方向 內容概述 促進國民對動物的愛護與管理 藉由學校、社區和家庭等教育相關團體，以及和動物保護組織、飼主以及學術研究團隊等合作，透過各種教育與宣傳活動，提升全民對動物愛護與管理的關注和認知理解，以提高自主參與相關活動之意願 推動長期且全面之體制與策略 對於家庭動物、展示動物、實驗動物、產業動物等，推動長期且全面之政策，範圍涵蓋宣傳與知識普及、飼養管理、疾病預防、數量監管和研究調查等領域。 多方合作 促進國家、地方政府、獸醫師協會、業界團體、動物愛護團體、學術機構等之間的合作，推動動物愛護與管理政策之執行。 強化基礎 藉由培訓動物愛護推進員、支持相關團體、完善動物愛護管理設施，以及調查研究等方式，強化政策執行的基礎設施和能力。 （日本農林水產省；新農業辦公室摘譯） 三、總結 　　國際動物保護法的進程上，基本都是從經濟動物逐漸往伴侶動物延伸，甚至逐漸覆蓋到包含野生動物的生存乃至健康醫療權益，除了立法保障健康與生存權益外，包含美國、歐盟與韓國等國家亦會推動伴侶動物產業促進之相關策略，一方面保障國內伴侶動物食品健康與充足的醫療資源，另一方面搶占自己國家乃至國際快速成長的伴侶動物市場與相關研究聲量。 　　回歸臺灣，雖然我國早已跟隨國際趨勢與社會期望，逐漸完善動物保護之法律與成立相關之機構確保法律之執行與監管，甚至在民間已有保險公司推動寵物保險，確保伴侶動物的食品健康與醫療權益。但可惜的是，在動物保護相關法律地位以及對藥品與食品產業之開發支持、監管範圍與成份規範等配套措施上，仍存在優化的空間。再者，長期以來缺乏對於相關研究開發與創新的重視與資源支持，此些認知差距以及不確定性皆對於相關科研發展的潛在進入者造成嚇阻，因而形成研發、市場與行政體系間相互牽制的情況，是亟需要作出改變的癥結點。 　　為此，建議我國公部門及伴侶動物產業相關利害人，未來應更著眼於市場需求的服務及產品缺口，除了持續累積國內開發量能與更新相關規範外，在研發部門更要重視跨領域資源共享、合作的彈性，避免守舊在單一知識領域中，而侷限了任何發展可能。就如其他標竿國家一樣，藉由我國強勢的畜產動物科學、獸醫學及先進資通訊實力，以強帶弱，在擴大自身優勢的同時積極開發伴侶動物新藍海。 四、參考資料 湯夢汎（2013）。近年來臺灣寵物產業發展情形及相關管理措施。農業部農政農情，247期。https://www.moa.gov.tw/ws.php?id=2446815 許桂森（2005）。因應動物保護國際化的變革與作法。農業部農政農情，158期。https://www.moa.gov.tw/ws.php?id=9681 日本文部科學省（2006）。研究機関等における動物実験等の実施に関する基本指針 https://www.mext.go.jp/b_menu/hakusho/nc/06060904.htm 日本環境省。寵物食品安全法。https://www.env.go.jp/nature/dobutsu/aigo/petfood/index.html 韓國立法院（2025）。動物保護法。https://www.law.go.kr/법령/동물보호법 EU. (2023). Animal welfare proposals and Communication adopted by the Commission on 7 December 2023. https://food.ec.europa.eu/animals/animal-welfare_en U.S. FDA. (2018). Biotech Innovation Action Plan. U.S. FDA. (2023). Animal and Veterinary Innovation Agenda. EU. (1995). 《阿姆斯特丹條約》第24號議定書 http://www.eurocbc.org/page673.html EU. 《里斯本條約》第13條 "Article 13 TFEU" https://eur-lex.europa.eu/eli/treaty/tfeu_2016/art_13/oj/eng EU. (1978). 歐洲保護農場動物公約 (ETS No. 87) http://hrlibrary.umn.edu/euro/ets87.html

前瞻分析方法學介紹：環境掃描與情報蒐集 農業科技研究院產業發展中心產業分析組 林冠傑、余松諺 　　在當今快速變化的世界中，無論是企業、政府機構還是研究單位，都面臨著前所未有的複雜性和不確定性。疫情、地緣政治緊張、科技進步和氣候變遷等因素正不斷重塑我們的社會和經濟格局。在這樣的環境下，僅憑直覺或過往經驗已不足以指導決策，需要系統化的情報蒐集方法，不僅是為了應對即時挑戰，更是為了預見未來可能的情境，提前部署資源，把握機遇並規避風險。本文旨在為決策者和研究人員提供實用的情報蒐集工具箱，介紹四種互補的分析方法，協助組織建立更全面的環境感知能力，在動盪環境中保持競爭優勢並實現長期目標。透過掌握這些方法，從被動應對轉為主動擬定對策，打造更具韌性和適應力的長期發展策略。 　　本文探討四種資訊蒐集與初步分析篩選重要因子之方法：驅動因子分析、視野掃描、文獻計量學及外卡事件分析，介紹其目的、步驟與注意事項，幫助使用者識別關鍵趨勢與潛在威脅，制定具韌性的前瞻策略。 表一、驅動因子分析、視野掃描、文獻計量學和外卡事件的目的與優缺點 方法 驅動因子分析 視野掃描 文獻計量學 外卡事件 目的 系統化篩選關鍵趨勢因子，評估影響力與不確定性以確定關注順位。 捕捉環境微弱訊號與早期趨勢，建立預警系統評估潛在風險與機會。 量化分析學術出版物趨勢與影響力，識別重要研究主題與發展方向。 識別難以預測但高影響力事件，協助組織為突發情況準備並擴展決策思維視野。 優點 系統性盤點趨勢，透過矩陣分析聚焦關鍵因素，支援情境分析，轉化為具體行動。 增強組織應對不確定性能力，減少環境變化帶來的驚嚇與提高決策前瞻性。 提供客觀研究評估指標，有助發現新興領域與知識缺口並促進學科交流。 發掘傳統分析忽略的威脅機會，測試政策穩定性並促使跳出慣常思考框架。 缺點 偏重主流趨勢，易忽略新興訊號。評估過程主觀性高。 訊號與噪音難以區分，高度依賴分析者直覺，且成功率不穩定。 資料庫品質問題影響分析可靠性，受限於覆蓋範圍且難以公平比較不同學科。 難以準確預測極端事件，容易引起恐慌且資源不足以應對多種低概率情境。 一、驅動因子分析(Drivers Mapping) 　　驅動因子分析是識別關鍵趨勢因子的系統化工具，透過評估各驅動因子的影響力和不確定性，從而確定最需關注的因素。此方法包含驅動因子蒐集、評估、排序及行動規劃四個主要環節。其價值在於建立共識、促進跨域思考、支持情境分析，並將前瞻分析轉化為實際策略。有效應用需要明確焦點、融合多元觀點及持續監控，以增強組織面對複雜未來的應變能力。 　　在具體實施過程中，蒐集的驅動因子應以中性方式表述，以便建構多種可能情境。常用的分類框架包括STEEP+V（社會、技術、經濟、環境、政治、價值觀）和PESTLE等。評估時多採用影響力與不確定性的2×2矩陣，劃分出四個象限進行探討，個別來說，高影響力且高不確定性的因子需透過情境分析來擬定策略；高影響力但低不確定性的因子可直接規劃對策；低影響力但高不確定性的因子需持續監控；而低影響力且低不確定性的因子則可暫時不處理。 　　驅動因子分析雖具多項優勢，但仍有限制需注意。此方法涉及高度主觀性，尤其在評估因子影響力與不確定性時缺乏統一量化標準，導致難以客觀比較。為減少偏見，應以數據等客觀證據作為佐證並納入多方觀點。儘管有助於理解潛在趨勢，其預測能力有限，應視為探索可能性的工具而非純粹預測工具。對快速變化的因子可能存在數據滯後問題，可透過建立動態監控機制和縮短分析週期來減緩此影響。 　　有效的驅動因子分析需投入大量時間和資源，包括文獻回顧、專家諮詢及研討會等，對資源有限的組織較具挑戰。最重要的是，分析結果必須轉化為具體行動步驟才能產生實際影響，若未能與決策過程有效結合，難以實現其真正價值。 二、視野掃描(Horizon Scanning) 　　視野掃描法旨在捕捉微弱訊號，以利推估發展趨勢並質疑現有框架。其作為預警系統，讓使用者能及早發現環境變化、評估風險與機會，並為戰略提供保障。其核心價值在於增強組織應對不確定性的能力，盡可能減少預料外的驚嚇，使決策更具前瞻性，從而在變化環境中保持競爭優勢並實現長期目標。 　　視野掃描是一個從確立目的、組建團隊到整合決策的系統化過程。一般來說，微弱訊號潛藏於大量資訊中，尚未被廣泛報導，但可能引起重大變革，具有挑戰既定假設和影響趨勢的潛力。收集這些訊號需透過多元管道，像是網路資料、灰色文獻、技術輔助分析工具、專家諮詢、參與式方法及文獻分析等。為系統性分類這些訊號，常用STEEP+V和PESTLE等分析框架，以減少盲點。且分析時亦可運用影響力與不確定性矩陣、趨勢雷達圖等視覺化工具，進行多情境分析以理解未來不確定性，最終將洞見整合至策略制定過程。 　　視野掃描作為前瞻分析工具面臨多重挑戰，包括難以平衡資源投入與有意義訊號發現，受主觀偏見與量化困難影響的可信度問題，以及決策者對不確定性的抗拒等。對此，可採取之改善方法包含建立結構化方法論和篩選機制，像是採用敘事化呈現與視覺化工具，讓決策者參與過程，並組建跨部門掃描團隊，甚至是結合AI分析與持續監測系統以納入更多廣泛觀點及數量之資料。 　　成功實施視野掃描需要多元背景團隊，平衡傳統與新興資訊來源，將結果有效整合入決策流程，並培養持續學習文化。組織應確保前瞻發現能轉化為實際行動，使視野掃描成為持續性而非一次性的組織活動，從而將其從潛在的組織負擔轉變為真正有價值的戰略資產。 三、文獻計量學(Bibliometrics) 　　文獻計量學乃應用數學和統計方法分析學術出版物，其透過統計技術分析各類出版資訊（如書籍、論文和期刊文章等）及其相關數據（摘要、關鍵詞、引用文獻），以量化的方式描述特定研究領域的學術產出趨勢，識別重要期刊、文章、作者與主題。這些分析還能評估個別研究者、機構和國家的學術貢獻與影響力，追蹤學科的發展軌跡，發現新興研究趨勢與知識缺口，促進跨學科合作與知識整合。 　　文獻計量分析是透過五個基本步驟進行，分別是：定義研究範圍、選擇分析技術、收集資料、執行分析及整理報告結果。實務中常用的計量指標包括期刊影響係數(Journal Impact Factor, JIF)、標準化引用影響力指標(Category Normalized Citation Impact, CNCI)、用來同時衡量學者產量與影響力的h指數等。資料可從多種管道獲取，實務上容易操作使用的資料庫包括嚴謹的Web of Science、覆蓋廣泛的Scopus、整合研究生命週期的Dimensions、生物醫學專精的PubMed、開放的OpenAlex，以及臺灣碩博士論文系統等。分析可聚焦於文獻、作者、內容、引用與研究經費來源等類別，並採用多種方法如引用分析、共被引分析、書目耦合、合著分析、期刊計量、學科分布、時間序列、機構表現評估、文字探勘關鍵字等，揭示學術發展脈絡與知識結構。 　　文獻計量分析作為研究評估工具存在多項需留意的缺陷，像是數據品質問題(資料庫錯誤與重複影響分析可靠性，需耗費大量時間清理)、方法論局限(在解釋研究意義時存在主觀性，關注易量化指標而可能忽略品質與原創性)、偏差與脈絡缺失(受數據庫覆蓋範圍、語言偏好及引用行為差異影響，難以完整反映研究價值)、失衡比較(不同學科出版文化差異導致跨領域比較可能不公平)及誤用風險(簡化的評估可能產生誤導性結論影響資源分配)。因此，文獻計量工具應作為全面評估的輔助而非唯一標準，必須與其他方法結合以提供更全面的學術評價。 四、外卡事件(Wild Cards) 　　外卡分析旨在識別和分析難以預測但高影響力的事件，幫助組織為不可預見的突發事件做準備，擴展決策思維視野，提高對不確定性的適應能力，並發現傳統趨勢分析可能忽略的潛在機會或威脅。 　　外卡分析過程包含三個關鍵階段：識別階段（透過腦力激盪、歷史審查、專家意見和情境工作坊探索極端可能性）、影響評估階段（評估概率與影響程度，建立影響矩陣並確定關鍵外卡）以及準備與應對計畫階段（發展情境、建立預警系統、制定應急預案並定期更新）。常見的資訊收集管道有：專業知識（跨領域專家、學術文獻、未來學研究機構）、大眾訊息（趨勢報導、社交媒體、科幻創作）、數據分析（監測系統大數據趨勢）以及組織內部資源（危機管理經驗與研發洞見）。收集而來的資訊則可以進一步採用STEEP/PESTE框架和ISI矩陣（可想像性、主題、影響）進行系統性分類、分析。此方法之應用面向包括作為情境規劃的補充測試政策選擇的穩定性、評估組織應對巨大衝擊的反應能力、促使決策者跳出慣常思考框架的策略對話工具，以及識別系統脆弱性及潛在破壞性事件。 　　然而，外卡分析亦面臨幾項挑戰，像是預測困難性（低機率高影響事件難以準確預測）以及分析侷限（過度關注負面外卡可能引起恐慌、風險難以量化、資源不足應對多種情境、決策者常忽視此類分析）。對此可對應採取之解決方案包括：建立跨領域專家團隊消除盲點、制定影響度與機率的資源優先順序機制、進行應對演練、設置多層級預警系統。並且，組織應同時考量正負面外卡、定期更新外卡清單、融入策略規劃流程、建立彈性資源動員機制，並將外卡分析定位為準備工具而非預測工具，同時確保情境具有合理因果邏輯，維持分析的可信度和實用性。 五、結語 　　上述簡單介紹之情資蒐集工具看似各自有其強大的應用潛力，但這些工具的真正價值還是在於整合應用，針對彼此之短處進行補強，來獲取相對最客觀全面的資料；藉由將定量與定性、短期與長期、確定性與不確定性的分析相結合，構建更具全面性的環境感知系統。然而，有效的前瞻分析非常需要組織文化的支持，包括對於不確定性的坦然接受、對多元觀點的包容，以及將前瞻洞見轉化為實際行動的決心。而透過建立系統化、持續性的前瞻分析機制，將使得組織能夠在變局中保持清晰視野，培養策略靈活性，並逐步構建面對未來挑戰的組織韌性。不僅是適應變化，更能在變革中把握機遇，實現永續發展。因此，總得來說，前瞻分析的最終目標並不是完美預測未來，而是培養組織在任何可能情境下的適應能力，使其在不確定環境中仍能保持方向感並繼續前行。 六、參考資料 Adler, R., Ewing, J., and Taylor, P. 2009. Citation statistics (with discussion). Stat. Sci., 24:1-28. Aria, M. and Cuccurullo, C. 2017. bibliometrix: An R-tool for comprehensive science mapping analysis. J. Informetr., 11(4):959-975. Barber, M. P. 2006. Wildcards – signals from a future near you. J. Future Stud., 11(1):75-94. Bouyssou, D. and Marchant, T. 2011. Bibliometric rankings of journals based on impact factors: an axiomatic approach. J. Informetr., 5:75-86. Bredahl, L. 2022. Introduction to Bibliometrics and Current Data Sources. Published by ALA TechSource. 58(8):5-11. Broadus, R. N. 1987. Toward a definition of "bibliometrics". Scientometrics, 12:373-379. Browman, H. and Stergiou, K. I. 2008. Use and Misuse of Bibliometric Indices in Evaluating Scholarly Performance. Septentrio Conference Series. Burton, B., Kumar, S., and Pandey, N. 2020. Twenty-five years of The European Journal of Finance (EJF): A retrospective analysis. Eur. J. Financ., 26(18):1817-1841. Chapman, C. A., Bicca-Marques, J. C., Calvignac-Spencer, S., et al. 2019. Games academics play and their consequences: how authorship, h-index and journal impact factors are shaping the future of academia. Proc. R. Soc. Lond., B, Biol. Sci., 286:2019-2047. Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., and Lim, W. M. 2021. How to conduct a bibliometric analysis: An overview and guidelines. J. Bus. Res. 133:285-296. FEMA. 2025. Strategic Foresight 2050 Methods. Washington, D.C. Government Office for Science. 2024. The Futures Toolkit . Hirsch, J. E. 2005. An index to quantify an individual's scientific research output. Proc. Natl. Acad. Sci. USA, 102:16569-16572. InCites Help Center. 2024. Category Normalized Citation Impact (CNCI). [online] Available at: https://incites.zendesk.com/hc/en-gb/articles/250873121156-Category-Normalized-Citation-Impact-CNCI [Accessed 13 Mar. 2025]. Kessler, M. M. 1963. Bibliographic coupling between scientific articles. American Documentation, 14(1):123-131. Knowles, K., Falez, A., Hashmi, F., Permezel, M., Tobal, A., Verma, P., Stanley, D., Young, R.,and Cooper, O. 2024. Policy Fit for the Future. Australia. Lewison, G. and Devey, M. E. 1999. Bibliometric methods for the evaluation of arthritis research. Rheumatology (Oxford), 38:13-20. Mathankar, A. R. 2018. Bibliometrics: An Overview. Int. J. Libr. Inf. Sci., 7(3):9-15. Mendonça, S., Cunha, M. P., Kaivo-Oja, J., and Ruff, F. 2004. Wild Cards, weak signals and organizational improvisation. Futures, 36(2): 201-218. Mendonça, S., Pina e Cunha, M., Kaivo-oja, J., and Ruff, F. 2004. Wild cards, weak signals and organisational improvisation. Futures, 36: 201-218. Ninkov, A., Frank, J. R., and Maggio, L. A. 2022. Bibliometrics: Methods for studying academic publishing. Perspect. Med. Educ. 11:173-176. OECD. 2025. Strategic foresight toolkit for resilient public policy: a comprehensive foresight methodology to support sustainable and future-ready public policy. Paris. Pacific Community. 2023. The Pacific pathfinder: a toolkit to imagine and create futures. Noumea. Salini, S. 2016. An Introduction to Bibliometrics. In T. Greenfield & S. Greener (Eds.), Research Methods for Postgraduates (Chapter 14). Saritas, O., and Smith, J. E. 2011. The Big Picture – trends, drivers, wild cards, discontinuities and weak signals. Futures, 43(3): 292-312. Seglen, P. O. 1997. Why the impact factor should not be used for evaluating research. Br. J. Med., 314:498-502. Smith, C. J., and Dubois, A. 2010. The 'Wild Cards' of European futures: Planning for discontinuities? Futures, 42: 846-855. Stuart, D. 2014. Web metrics for library and information professionals. London (UK): Facet. Stuart, D. 2018. Open bibliometrics and undiscovered public knowledge. Online Inf. Rev., 42:412-418. UNDP. 2022. UNDP RBAP: Foresight Playbook. New York. Urashima, K. 2021. An Overview of the 11th Foresight Survey in Japan. Innovation and Development Policy, 3(2): 79-90. Wallin, J. A. 2005. Bibliometric methods: Pitfalls and possibilities. Basic Clin. Pharmacol. Toxicol., 97(5):261-275. Waltman, L. and van Eck, N. J. 2012. The inconsistency of the h-index. J. Am. Soc. Inf. Sci. Technol., 63:406-415. Weinberg, B. H. 1974. Bibliographic coupling: A review. Information Storage and Retrieval, 10(5-6):189-196. Zupic, I. and Cater, T. 2015. Bibliometric methods in management and organization. Organizational Research Methods, 18(3):429-472.