利用資料探勘技術探討北台灣地區機動車輛稅費繳納模式

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：20

、訪客IP：18.219.176.215

姓名

陳貫裕(Kuan-Yu Chen) 查詢紙本館藏

畢業系所

企業管理學系

論文名稱

利用資料探勘技術探討北台灣地區機動車輛稅費繳納模式

相關論文

★ 在社群網站上作互動推薦及研究使用者行為對其效果之影響	★ 以AHP法探討伺服器品牌大廠的供應商遴選指標的權重決定分析
★ 以AHP法探討智慧型手機產業營運中心區位選擇考量關鍵因素之研究	★ 太陽能光電產業經營績效評估－應用資料包絡分析法
★ 建構國家太陽能電池產業競爭力比較模式之研究	★ 以序列採礦方法探討景氣指標與進出口值的關聯
★ ERP專案成員組合對績效影響之研究	★ 推薦期刊文章至適合學科類別之研究
★ 品牌故事分析與比較-以古早味美食產業為例	★ 以方法目的鏈比較Starbucks與Cama吸引消費者購買因素
★ 探討創意店家創業價值之研究- 以赤峰街、民生社區為例	★ 以領先指標預測企業長短期借款變化之研究
★ 應用層級分析法遴選電競筆記型電腦鍵盤供應商之關鍵因子探討	★ 以互惠及利他行為探討信任關係對知識分享之影響
★ 結合人格特質與海報主色以類神經網路推薦電影之研究	★ 資料視覺化圖表與議題之關聯

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

台閩地區汽車約六百一十萬輛，依現行法令規定，每年必須徵收使用牌照稅及燃料使用費。自用車輛牌照稅每年四月徵收，燃料費每年七月徵收，營業車輛牌照稅每年四月及十月分兩次徵收，燃料費每年三、六、九、十二月分四季徵收，全國每年徵收之牌照稅及燃料費總金額約為九百至一千億元，對政府財政收入相當重要。在人力無法增加，甚至逐年裁員，而實際車輛總數卻不斷成長下，如何以有限之人力、物力提升徵收績效極為重要。
本研究主要目的一為希望了解不同屬性車輛之稅費繳納情形；二為針對不同車輛採取不同管理措施，為車輛稅費管理提供新的思考模式；三為因應不同管理對象適度調整作業人力及資源；四為逐步將資料探勘技術應用於監理資料之分析，並為監理資料分析提供未來努力方向。
本研究係以資料探勘技術中資料一般化方法之資料屬性導向歸納法進行研究，以台北縣、基隆市、宜蘭縣、花蓮縣等四縣市之機動車輛實際資料進行分析，歸納出相關規則，並進行驗證。
研究結果顯示，本研究雖僅使用車種、郵區、出廠年份、排氣量、下次檢驗日、動保訖日、繳稅費逾期次數等七項屬性進行分析歸納，但其結果卻可有效解釋營業車輛及自用車輛稅費繳納情況，並可推論具有某一類屬性車輛之稅費繳納情形。研究分析同時顯示，由營業車輛所使用之方法，將其應用於自用車輛之分析時仍可適用，且正確率更高，誤判比率更低。其重要意義為，資料規模之大小，與歸納後所獲得規則之正確性顯然有密切關聯，分析資料之筆數越多，所獲得之規則其正確性越高。

關鍵字(中)

★ 稅費
★ 燃料費
★ 牌照稅
★ 公路監理
★ 資料探勘
★ 資料屬性導向歸納

關鍵字(英)

★ AOI
★ Data Mining

論文目次

目錄 I
圖目錄 Ⅲ
表目錄 V
1.緒論 1
1-1 目前稅費徵收概況 1
1-2 徵收辦法規定 2
1-3 遭遇之問題 3
1-4 研究目的 4
2.相關研究與應用 6
3.研究方法 17
3-1 選擇AOI原因 17
3-2 資料蒐集 18
3-3 資料前置處理 19
3-4 研究方式 19
3-5 屬性樹狀層級結構 20
3-6 演算法 20
3-7 分析方法 21
4.實驗結果 23
4-1 概述 23
4-2 原始資料欄位概況 24
4-3 資料彙整程序 25
4-4 資料屬性樹狀層級結構 28
4-5 Training Data進行ＡＯＩ之過程與結果 33
4-6 Testing Data進行ＡＯＩ之過程與結果 39
4-7 實驗方法與結果 45
4-7-1 方法一：規則比對 45
4-7-2 方法二：計算繳納率誤差 46
4-7-3 方法三：逐筆驗證 48
4-8 擴大應用於自用車輛 49
4-8-1 資料概況 49
4-8-2 處理程序 50
4-8-3 實驗結果 51
5.結論 55
5-1 探勘結果簡要說明 55
5-2 管理上之意涵 59
5-3 本研究之貢獻 61
5-4 本研究之限制 62
5-5 未來研究方向 63
6.參考文獻 65
7.附錄 69
附錄1 69
附錄2 71
附錄3 74
附錄4 75

參考文獻

[1] G. Piatetsky-Shapiro and W. J. Frawley, Knowledge Discovery in Databases, AAAI/MIT Press, 1991.
[2] M. S. Chen, J. Han, and P. S. Yu, Data Mining : An Overview from Database Perspective, IEEE Transactions on Knowledge and Data Engineering, 8(6):866-883, 1996.
[3] U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy, Advances in Knowledge Discovery and Data Mining, AAAI/MIT Press, 1996.
[4] K. J. Cios, W. Pedrycz, and R. Swiniarski, Data Mining Methods for Knowledge Discovery, Dordrecht, The Netherlands: Kluwer, 1998.
[5] S. Mitra, S. K. Pal, and P. Mitra, Data Mining in Soft Computing Framework : A Survey, IEEE Transactions on Neural Networks, 13(1):3-14, 2002.
[6] R. Agrawal, T. Imielinski, and A. Swami, Mining Association Rules between Sets of Items in Large Databases, Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, pp.207-216, 1993.
[7] R. Agrawal, and R. Srikant, Fast Algorithms for Mining Association Rules in Large Databases, Proceedings of the 20th International Conference on Very Large Data Bases, pp.478-499, 1994.
[8] J. S. Park, M. S. Chen, and P. S. Yu, An Effective Hash- Based Algorithm for Mining Association Rules, Proceedingds of the 1995 ACM SIGMOD International Conference on Management of Data, pp.175-186, 1995.
[9] J. Han, Y. Cai, and N. Cercone, Knowledge Discovery in Databases : An Attribute-Oriented Approach, Proceedings of the 18th International Conference on Very Large Data Bases, pp.547-559, 1992.
[10] X. Hu, and N. Cercone, Mining Knowledge Rules from Databases : A Rough Set Approach, Proceedingds of 12th International Conference on Data Engineering, pp.96-105, 1996.
[11] N. Zhong, J. Z. Dong, S. Ohsuga and T. Y. Lin, An Incremental, Probabilistic Rough Set Approach to Rule Discovery, Proceedingds of the 1998 IEEE International Conference on Fuzzy Systems, 2:933-938, 1998.
[12] Y. L. Chen, C. L. Hsu, and S. C. Chou, Constructing a multi-valued and multi-labeled decision tree, Expert Systems with Applications, 25(2):199-209, 2003.
[13] M. Garofalakis, D. Hyun, R. Rastogi, and K. Shim, Building Decision Tree with Constraints, Data Mining and Knowledge Discovery, 7(2):187-214, 2003.
[14] B. Liu, Y. Ma, C. K. Wong, and P. S. Yu, Scoring the Data Using Association Rules, Applied Intelligence, 18(2):119-135, 2003.
[15] X. Yin, and J. Han, CPAR : Classification based on Predictive Association Rules, Proceedingds of SIAM International Conference on Data Mining, 2003.
[16] J. Han, M. Kamber, and A. K. H. Tung, Spatial Clustering Methods in Data Mining : A Survey, Geographic Data Mining and Knowledge Discovery, Taylor & Francis, 2001.
[17] A. K. H.Tung, J. Han, L. V. S. Lakshmanan, and R. T. Ng, Constraint-Based Clustering in Large Databases, Proceedingds of 2001 International Conference on Database Theory, 2001.
[18] J. Han, G. Dong, and Y. Yin, Efficient Mining of Partial Periodic Patterns in Time Series Database, Proceedings of 15th International Conference on Data Engineering, pp.106-115, 1999.
[19] J. Pei, J. Han, B. Mortazavi-Asl, H. Pinto, Q. Chen, U. Dayal, and M. C. Hsu, PrefixSpan : Mining Sequential Patterns Efficiently by Prefix-Projected Pattern Growth, Proceedings of 17th International Conference on Data Engineering, pp.215-224, 2001.
[20] Y. L. Chen, M. C. Chiang, and M. T. Kao, Discovering time-interval sequential patterns in sequential databases, Expert Systems with Applications, 25(3):343-354, 2003.
[21] J. Yang, W. Wang, P. S. Yu, and J. Han, Mining Long Sequential Patterns in a Noisy Environment, Proceedings of the 2002 ACM SIGMOD International Conference on Management of Data, pp.406-417, 2002.
[22] X. Yan, J. Han, and R. Afshar, CloSpan : Mining Closed Sequential Patterns in Large Databases, Proceedings of SIAM International Conference on Data Mining, 2003.
[23] K. Wang, and H. Liu, Discovering Structural Association of Semistructured Data, IEEE Transactions on Knowledge and Data Enginering, 12(3):353-371, 2000.
[24] M. Kuramochi, and G. Karypis, Frequent Subgraph Discovery, Proceedings of IEEE International Conference on Data Mining, pp.313-320, 2001.
[25] X. Yan, and J. Han, gSpan : Graph-Based Substructure Pattern Mining, Proceedings of 2002 IEEE International Conference on Data Mining, pp.721-724, 2002.
[26] X. Yan, and J. Han, CloseGraph : Mining Closed Frequent Graph Patterns, Proceedings of 9th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.286-295, 2003.
[27] J. Srivastava, R. Cooley, M. Deshpande, and P. N. Tan, Web Usage Mining : Discovery and Applications of Usage Patterns from Web Data, ACM SIGKDD Explorations Newsletter, 1(2):12-23, 2000.
[28] M. Spiliopoulou, B. Mobasher, B. Berendt, and M. Nakagawa, A Framework for the Evaluation of Session Reconstruction Heuristics in Web Usage Analysis, INFORMS Journal on Computing, 15(2):171-204, 2003.
[29] F. Masseglia, P. Poncelet, and R. Cicchetti, An efficient algorithm for Web usage mining, Networking and Information Systems Journal (NIS), 2(5-6):571-603, 1999.
[30] Q. Yang, J. Z. Huang, and M. Ng, A Data Cube Model for Prediction-Based Web Prefetching, Journal of Intelligent Information Systems, 20(1):11-30, 2003.
[31] V. Carchiolo, A. Longheu, and M. Malgeri, Extracting Logical Schema from the Web, Applied Intelligence, 18(3):341-355, 2003.
[32] Y. Fu, M. Creado, and M. Y. Shih, Adaptive Web Sites by Web Usage Mining, International Conference on Internet Computing, IEEE, 2001.

指導教授

許秉瑜(Ping-Yu Hsu)

審核日期

2004-5-31

推文