最早知道灰色理論這玩意是在大學部，在選課系統上面看到外系的碩士班有開授專門課程。當時我一度把灰色理論跟模糊理論搞混（你不覺得這兩樣東西，光是聽起來就有 87 成像嗎？）直到我看到開授這門課的老師，在另一學期也開一門「模糊理論與應用」，我才知道原來這兩樣是不同的東西。
雖然說是不同的玩意，但是其應用上其實十分相近。廣義而言，該兩者都能用來處理「資訊不確定」（或者資訊不充足）情況下的問題分析，相關的應用方法包含關聯性分析、資料分群、預測等等。應用領域也十分廣泛，諸如：自然科學、社會科學、工程技術、生物醫學、商業決策、財務金融、乃至於教育、心理等領域，皆可看到其應用。我們可以透過下方表格簡單知道灰色理論、模糊理論、與機率統計三者的差異：
1.
針對只需要小量樣本即可進行運算的這項特點，對於許多外部分析單位而言，是一件好消息。有時候公司或者政府單位雖然委託外部分析人員進行分析，但是資料卻給得不齊全或者不乾脆，請案主提供更完整、資料的資料時，還會被各種推託或者不重視（當然這還是要看情況）。而在這種情況下，又要對上級有所交代的時候，灰色理論就是一個可用的分析方法。（但還是要評估問題類型，也不見得所有問題都能透過灰色理論而有所解）
2.
關於「灰預測」，看過它的演算概念及過程之後覺得......啊這不就是一種移動平均法的變形嗎？只是透過看似複雜的數學轉換讓它看起來好像很高深（這裡得澄清一下，我不是決策科學領域的專家，這裡只是依照我過去所學印象，所提出的看法。若有在該領域更專業人士或前輩有不同的看法，歡迎批評指教）
3.
承第二點，「灰預測」的演算步驟當中，有一個檢定其「精確度」的過程（「灰預測」方法當中，依據採納樣本的不同，所得出來的預測結果與「精確度」可能會有很大的不同）。又，「灰預測」最常見就是應用於「發生的次數、頻率、或事件造成的影響」極度不確定的事件分析（例如：下一次的大規模金融海嘯、或校園槍殺事件），既然知道這些事件的發生頻率以及所產生的影響，都是極度不確定的，那麼又如何能透過一個「精確度」的檢定過程，來評估所求出來的預測模型及預測值的優劣？推回第二點，那是否我也能用最陽春的移動平均法，來求得下一個預測值？
上述第二與第三點，這些問題，對於不同的老師或分析者，可能有不同的看法。從另一個角度來看，「灰色理論」畢竟是一套研究方法論，許多應用情境與案例上，或許「Just for research」的意味比較濃厚，至於實質參考效果嘛，見仁見智。
參考資料