我國為順應國際自由化之潮流，並發展台灣成為亞太營運中心及加入世界貿易組織，師法先進國家之經驗，逐步推動電信自由化，網際網路業務已於八十四年開放，可說是網際網路商業化應用時機的已經來臨；因此針對網際網路業務特性、現行價格訂定之瞭解及檢討，進而針對企業之需求，考量其服務之改進，可預期對今後我國網際網路業務將甚具參考價值。 　　本研究主要分二大部份，第一部份是網際網路使用基本分析，主要是根據問卷調查法，及業者的實際使用情況，來分析網際網路的使用型態，問卷寄發對象分成固接用戶及撥接用戶二種，固接用戶之寄發對象係以HiNet全球資訊網於84年12月，工商服務欄中之企業用戶124戶全數寄發；撥接用戶是由HiNet之經銷商，隨機取得撥接用戶寄發200戶，固接用戶回收率為18%，撥接用戶回收率為14%。研究的第二部份建立－模擬分析模式，來預估在各種不同的需求預測、服務指標、費率結構時，網際網路服務之營收、成本的變化及其損益平衡之分析，以作為網際網路資費訂定策略之參考。 　　本研究所得之結論可歸納為下列四點： 　　一、網際網路使用者分析：有八成的撥接用戶其引進過程是由報章雜誌得知，近八成的固接用戶其引進過程則是由同業介紹；撥接用戶使用時間在一年內者佔79%，固接用戶使用時間在一年內者佔45%，且86%的受訪企業用戶其研發部門均使用網際網路；撥接用戶與固接用戶使用率最高的服務資源均為WWW，並希望網際網路具傳真之功能；撥接用戶將應時間慢」視為最重要的問題，因接用戶將「安全性的顧慮」列為最重要的問題。 　　二、使用費率分析及滿意度分析：撥接用戶大致上認為HiNet費率屬便宜，固接用戶則認為基本費、國際通信費，這些費用均偏貴；撥接用戶及固接用戶同對網際網路最滿意的項目為對外連繫方便；撥接用戶選擇網際網路服務業者(ISP)的第一優先考量因素為費率較低及連線服務廣泛，而固接用戶第一優先考量的則為連線品質。 　　三、使用型態分析：撥接用戶每日的清晨3至10時，為明顯的離峰時段，夜間九時起開始步入尖峰時段至十二時左右；而固接用戶使用者在工作日時使用量較週末明顯為高；每日的下午1至5時為尖峰時段。 　　四、模擬分析結果：以85年5月為基準點(1)在高成長趨勢下現行費率結構、維持目前之服務等級(C)時，往後預測約第二個月後，可達損益平衡點。(2)高成長趨勢下差別費率、維持目前之服務等級(C)之情形，在預測的第二個月，開始有1%的利潤。(3)高成長趨勢下，差別費率結構、較佳之服務等級(B)之情形，於預測開始的第六個月後可達損益平衡。(4)高成長趨勢下差別費率結構、更佳之服務等級(A)時，於預測開始後的第12個月仍有19%的虧損。(5)中度成長趨勢下，差別費率結構、服務等級(C)時，在預測開始後的第三個月，可達損益平衡。(6)中度成長趨勢下，差別費率結構、服務等級(B)時，於預測開始的第九個月達成損益平衡。 　　在撥接使用者數達到約10萬戶，固接用戶達到約600戶時，維持目前HiNet的服務水準與費率策略，即可達損益平衡點；為增加收益，可採取離峰時間差別費率策略。但為提昇經營形象及連線品質，以長期觀點來看，似應將目前的服務等級C提昇至服務等級B，於撥接使用者數達到約18萬戶，固接用戶達到約750戶時，並採取離峰時間降價促銷策略，即可達損益平衡點。

時間序列分析發展至今,常常發現動態資料的走勢,隨著時間過程而演變.所以傳統的模式配適常無法得到很好的解釋,因此許多學者提出不同的模型建構方法.但是對於初始模式族的選擇,卻充滿相當的主觀與經驗認定成份.本文針對時變型時間序列分析,考慮利用知識庫,由模式庫來判斷初始模式.再藉由遺傳演算法的觀念,建立模式參數的遺傳關係.我們把這種遺傳演算法,稱之為時變遺傳演算法.針對台灣省國中數學教師人數,分別以時變遺傳演算法,狀態空間,與單變量ARIMA來建構模式,並作比較.比較結果發現,時變遺傳演算法較能掌握資料反轉的趨勢,且預測值增加較為平緩.因此時變遺傳演算法在模式建構上將是個不錯的選擇. / In time series analysis, we find often the trend of dynamic data changingwith time. Using the traditional model fitting can't get a good explanationfor dynamic data. Therefore, many savants developed a lot of methods formodel construction. However, these methods are usually influenced by personal viewpoint and experience in model base selection. In this thesis, we discussedtime-variant time series analysis. First, we builded a model base to judge inial models by knowledge base. Then, we set up the genetic relations of themodels' parameter. This method is called Time Variant Genetic Algorithm. We use the data if the number of junior high school mathematic teachers in Taiwan to ccompare the predictive performance of Time Variant Genetic Algorithmwith State Space and ARIMA. The forecasting performance shows the Time VariantGenetic Algorithm takes a better prediction result.

大陸由於幅員廣大人口眾多，尤其在經濟改革開放後，市場規模急速成長，是目前世界各國汽車市場的新興地，故為每一汽車廠家必爭之地。本研究試圖找出大陸地區汽車需求的主要影響因素，並建立汽車需求的實證模式，以提供政府制定政策與汽車業赴大陸投資之參考。本研究根據過去相關文獻及學術研究機構對汽車需求之影響因素及預測方法之探討，歸納出影響汽車需求之十大因素及常用來預測汽車需求量之多元迴歸分析法，並根據大陸官方公佈或統計之次級資料加以預估。 　　預測結果發現影響大陸地區大客車的因素為國民生產毛額及人口數，而人口因素帶來的影響變化比國民生產毛額為大。而營業用小客車之影響因素為國民所得；大、小貨車的影響因素為國民生產毛額。綜合言之，大陸地區在1992年至2000年間各類型商用車均呈現成長之趨勢。基於大陸汽車市場相對於其他國家的高度成長，故政府應適度開放台灣地區汽車廠商赴大陸投資以免錯失良機。但仍應確保台商在大陸投資環境之安定，並成立大陸商情中心及時提供汽車商情，而業者也應對大陸政策之變化等相關因素加以注意才是。

由於近年來汽機車的成長率大增，□=>許多重大營建工程陸續開工，導致 空氣污染日益嚴重，所以研究板橋地區一氧化氮濃度的預測模式。在本篇 論文中，我們首先應用集群分析將一氧化氮依濃度區分成數個集群，而後 運用區別分析診斷集群分析的結果是否合宜，最後找出集群內觀察值數目 最多的那個集群，然後將多變量時間序列中經過差分一次後的自我相關模 式應用在上面。目的是要尋求更精確的污染濃度預測值，以提供環保單位 一些訊息以作參考。

在許多的研究和應用之中都需要預測的技巧。本論文中, 我們建構了一個 新的神經網路模式--動態徑向基底函數 (dynamical radial basis function) 網路 (DRBF網路) , 並且用這種模式的神經網路作為「函數近 似子」(function approximator) 去處理預測上的問題。另外我們也設計 幾種不同的學習演算法以測試DRBF網路的功能。 / The forecasting technique is important for many researches and applications. In this paper, we shall construct a new model of neural networks -- the dynamical radial basis function (DRBF) networks and use the DRBF networks as "function approximators" to solve some forecasting problems. Different learning algorithms are used to test the capability of DRBF networks.

資訊不對稱可能造成市場中買賣雙方無法順利進行交易的阻力之一，而評等制度可以為資本供需雙方架起資訊的橋樑，讓資本市場發揮資金仲介的功能，使得投資者可以降低風險的不確定性、信用風險較低的企業減少付出的籌資成本，進而擴大市場的深度與廣度，增進資本市場的整體效率。為提供金融市場透明化訊息，並有別於過去相關研究方法，本研究多變量統計方法之因素分析(Factor Analysis)及順序羅吉斯迴歸(Ordered Logistic Regression)為基礎，分析影響壽險業信用評等之重要因素，以期在分析過程中獲得一套有效信用評等過程的關鍵方向。 　　本文以1994年至1997年接受A.M. Best評等之591家美國壽險公司為研究對象。美國壽險公司年報資料來源為NAIC DAATABASE PRODUCT光碟資料庫;而等級資料來源則是A.M. Best資料庫。首先取1994年至1996年共三年之財務資料與評等結果為估計樣本建立順序羅吉斯迴歸模型，並以相同公司的1997年的資料為保留樣本，作為等級預測之用，同時以多變量之因素分析建立1997年之分析預測模型，來比較兩模型之差異及解釋影響模型之重要因素，進而驗證壽險公司之財務報表資料與評等結果間是否有直接關係存在。

本篇論文的主要研究目的是希望探討Didier所發展出的金融危機預測模型是否也能夠適用於預測復甦現象?如同先前許多研究所指出的，美國股市指數波動在崩盤以及復甦下呈現截然不同的現象。當在復甦時，指數成長緩慢，波動程度小。但是當蕭條時，指數波動程度大，並且快速。這些差異增加了使用同一種方法來預測金融復甦與危機的困難度。 / Purpose of this study was to investigate Can the crisis prediction model proposed by Didier Sornette still work on blooming. As previous studies pointed out that the U.S. stock market index fluctuated different when under the blooming stage and the recession stage. When Economic recovery, a change into the positive cycle, the stock market index rose slowly, the index change in the short term rate is small. When recession came, changes in stock market index fiercely. These differences make it hard to using the same way predict the economic recovery and collapse.

隨著全球化與資訊科技之進步，大幅加快媒體傳播訊息之速度，使得與股票市場相關之新聞事件，無論在產量、產出頻率上，都較以往增加，進而對股票市場造成影響。現今投資者多已具備傳統的投資概念、觀察總體經濟之趨勢與指標、分析漲跌之圖表用以預測股票收盤價；除此之外，從大量新聞資料中，找出關鍵輔助投資之新聞事件更是需要培養的能力，而此正是投資者較為不熟悉的部分，故希望透過本文加以探討之。 　　本研究使用2009年自由時報電子報之財經新聞（共5767篇）為資料來源，以文件距離為基礎之kNN技術分群，並採用時間區間之概念，用以增進分群之時效性；而分群之結果，再透過類別詞庫分類為正向、持平及負向新聞事件，與股票市場之量化資料，包括成交量、收盤價及3日收盤價，一併輸入於倒傳遞類神經網路之預測模型。自台灣經濟新報中取得半導體類股之交易資訊，將其分成訓練及測試資料，各包含168個及83個交易日，經由網路之迭代學習過程建立預測模型，並與原預測模型進行比較。 　　由研究結果中，首先，類別詞庫可透過股票收盤價報酬率及篩選字詞出現頻率的方式建立，使投資者能透藉由分群與分類降低新聞文件的資訊量；其次，於倒傳遞類神經網路預測模型中加入分類後的新聞事件，依統計顯著性檢定，在顯著水準為95%及99%下，皆顯著改善隔日股票收盤價之預測方向正確性與準確率，換言之，於預測模型中加入新聞事件，有助於預測隔日收盤價。最後，本研究並指出一些未來研究方向。

近數十年來旅遊業不斷茁壯並走向多元化，在一國經濟中常扮演著舉足輕重地位。澳門為一小型開放經濟體，旅遊業是其產業龍頭及重點發展目標，對整體經濟發展至關重要。然回顧過去文獻少有考慮季節性與突發事件干擾的前提下，針對亞太地區的旅遊需求研究，加以預測方法多為單獨使用因果分析法或時間序列法。本研究在考慮該二種因素，先利用片段線性模型刻畫結構轉變的發生，再進一步結合時間序列分析法建構轉移函數模型。基於平均絕對比率誤差與均方差平方根的評比，轉移函數模型在預測澳門旅遊需求能力上確實有著較優異的表現。實證研究結果可供澳門旅遊相關業者規劃投資、觀光行銷企劃及政府單位採行總體政策參考。

The trend seasonal demand pattern is encountered when both trend and seasonal influences are interactive. The problem of this research is to project the seasonal market sales using ice cream and fresh milk in Taiwan as examples. In order to improve the accuracy of forecast, two different methods are validated and the best forecasting method is selected based on the minimum Mean Square Error. In this study, we present two forecasting models used for evaluation to predict seasonal market sales of ice cream, fresh milk, and air conditioner in Taiwan. It includes Winters multiplicative seasonal trend model and the Decomposition method. Two different methods are validated and the best forecasting method is selected based on the minimum Mean Square Error. After the validation process, Winters multiplicative seasonal trend model is selected based on the minimum MSE, and the monthly sales forecast for the year of 2011 is conducted using the data(60 months). Number Cruncher Statistical System (NCSS) is used for analyzing the data which proves useful and powerful. In summary, the results demonstrate that Winters multiplicative seasonal trend model has the smallest mean square error in this case. Therefore, we conclude that both Winters multiplicative seasonal trend model and the Decomposition model are well fitted for forecasting the seasonal market sales. Yet, Winters multiplicative seasonal trend model is the better method to be used in this study since it generates the smallest mean square error (MSE) during the period of validation.