本文以國內九十二家股票上市公司為樣本，利用一階差分序列相關係數、卡方適合度檢定、Mann-Whitney-U檢定及Pearson積差相關係數等統計方法，探討樣本公司財務比率自民國七十年至八十二年的調整過程，以提供報表使用者有關財務比率特性方面的資訊。本研究中的主要研究問題如下： 　　（一）測試短期償債能力、每股盈餘、財務結構、經營效能及獲利能力等五類二十二項財務比率，以決定其是否有均衡值或呈隨機走勢的現象。若比率有均衡值時，則衡量該項比率從非均衡狀況回復到均衡值的速度。 　　（二）因為均衡力量可能會受到企業規模的影響，故測試大小公司財務比率之調整速度是否有顯著的差異。 　　（三）將總調整率區分為產業調整率和管理調整率二部份，測試管理調整率是否顯著地大於產業調整率，並評估其在總調整率中的相對權數。 　　（四）測試財務比率的歷史值是否可用於預測未來的比率值。 　　本研究的主要結論可分成下列五部份說明之： 　　（一）財務比率之調整係數方面：除了經營效能方面的財務比率調整係數大多為零外，其餘各類財務比率的調整係數均大於零，顯示這些比率有均衡值存在。其中涉及短期流動性項目的財務比率調整係數比涉及長期固定性項目的財務比率調整係數大。 　　（二）規模效果：除了少數財務比率外，大小公司的調整係數差異不大，並無明顯的規模效果。 　　（三）產業效果與管理效果：平均而言，管理當局的調整速度比產業的調整速度快，且二者在總調整率中均佔有重要的比例。 　　（四）預測能力：只有三項財務比率達到顯著水準，接受歷史比率可用於預測未來比率值的假設。 　　（五）總結：在國外財務比率均衡性的研究文獻中，同一類比率僅以一、二項作研究。而本文研究的結果，顯示，同一類比率之β_大公司、β_小公司、β_M及β_I點估計值不盡相同，有的差異頗大。故同類中仍應多選取幾項較具代表性的比率，以使研究結果更可靠。

工作─居住空間均衡性之探討 ~以台北都會區為例 摘要 工作與居住是一般人日常生活中最重要的兩件事，也佔了一天中大部分之時間，因此工作與居住空間的分布影響日常生活甚鉅，而工作與居住空間之均衡性以及在不均衡分布之狀況下產生之課題，為本研究所探討之重點。 台北都會區為台灣地區人口最密集之處，而在該地區所創造之就業機會以及居住人口都位居首位，在此種情況下，工作與居住空間之分布狀況產生了通勤、住宅以及環境等相關課題，嚴重的影響了台北都會區居民之生活品質。 本研究由都市社會學相關理論與文獻，以及過去台北都會區相關之實證研究，歸納整理出可能影響工作空間選擇以及居住空間選擇之因素，做為未來在擬定改善策略時之參考。 根據台北都會區之相關統計資料分析台北都會居之空間結構特性，以及工作─居住空間在台北都會區之分布，發現台北都會區中人口呈現去中心化趨勢，而且不同產業在都會區空間分布上亦有所差異，除此之外，在都會區長期發展之下台北市傾向工作機會密集，而台北縣則傾向居住空間提供，由此也發現台北都會區之就業機會與居住空間呈現不均衡的狀態。 由台北都會區工作─居住均衡性問卷調查的部分發現，台北都會區之居民在工作與居住空間的分布情況下，產生了通勤時間過長、工作地點鄰近地區居住成本無法負擔以及過度依賴私有交通工具等課題，影響了都會區居民之生活品質，而台北都會區居民在進行工作與居住空間選擇時，除了受到社會經濟背景不同的影響外，大多數受訪者最重視之因素包括生活機能、交通條件、所得高低以及房屋狀況等，可由以上幾個面向來加以改善。 最後，就台北都會區之空間結構特性及問卷調查分析之結果，參考國內外在面對工作─居住空間不均衡時之解決策略，以確保就業機會與住宅單元數量的均衡、在工作區位理想通勤距離內提供足夠之居住機會、適當的結合工作與居住空間、提供低時間及成本之通勤型態與充滿工作與居住各項機能之多元化空間、引進居住空間適合產業及工作機會、並且以規劃、交通、環境與政策等面向之配套措施加以改善，以達成工作─居住空間均衡之目標，提升台北都會區工作與居住空間之環境與品質。 關鍵字：工作─居住空間區位、工作─居住均衡性、台北都會區

本論文は，5章より構成されている。第1章では，機械学習の現状，応用及び構成を述べた上，本研究で扱った三つの課題を挙げた。第2章では，小サンプルデータの特徴選択方法を提案した。第3章では，クラスの不均衡性と学習データのサイズが分類器精度への影響を検討した。第4章では，ノイズが分類器の学習を妨げる問題点に対して，多要素ベースの学習に基づいた高速クラスノイズの検出方法を提案した。第5章では，分析の主な結果をまとめ，今後の課題と展望を述べた。 / This thesis is organized under five chapters. Chapter 1 gives a brief explanation of what machine learning is and why it matters. Chapter 2 makes a proposal to improve the performance of feature selection methods with low-sample-size data. Chapter 3 studies the effects of class imbalance and training data size on classifier learning empirically. Chapter 4 proposes a fast noise detector referring to the problems of noise detection algorithms, which are over-cleansing, large computational complexity and long response time. Chapter 5 draws a summary and the closing. / 博士(文化情報学) / Doctor of Culture and Information Science / 同志社大学 / Doshisha University