臺灣博碩士論文加值系統

摘 要
近年來政府推動開發桃園航空城，以持續強化台灣航空門戶功能，進而使桃園國際機場未來功能定位，將以發展成為起迄與轉運均衡發展之東亞樞紐機場為目標，提供優質便捷之客貨流通環境協助我國航空産業之發展，更可以吸引更多觀光旅客及商務人士來臺，讓台灣對外的經貿、觀光交流也將更為活絡，也使得台灣在東亞航空樞紐的地位日益重要。在航空產業複雜又環環相扣的經營型態之下，了解需求不但有助於降低投資風險、建立經營政策，更對實際營運有直接的關聯，因此在航空客運量方面之預測越顯得重要。
本研究以時間序列、灰色理論與類神經網路建構航空客運量之預測，並且考慮到有時間落後期數之變數，分析航空客運量之成長趨勢。研究結果發現，國民生產毛額、國內生產毛額、國民所得、勞動力及勞參率皆會影響航空客運量，另外有加入時間落後期數之變數能使預測模型更加精準，將有更明顯提升預測能力之效果，並可了解變數與變數之間的關聯性。經與最新兩筆2011年第四季與2012年第一季實際資料比對，原始資料之客運量與預測值結果相當接近且平均誤差相當低，預測精準度高達94%以上。本研究期望能提供政府相關單位、航空業者或後續研究者在未來研究或訂定投資決策之參考作為營運策略。

Abstract
In recent years, the government has been developing Taoyuan Aviation City in order to strengthen the capability of aviation in Taiwan, and position the function of Taoyuan International Airport in the future. The final target aims at developing it into the hub airport with a balanced development of origin-destination and transshipment in Eastern Asia. Providing the convenient circulation environment for passengers and goods not only assists the development of aviation industry in Taiwan, but also attracts more tourists and business people to come to Taiwan, which prospers its foreign economic relation, trade, and tourism communication. Furthermore, Taiwan’s role of hub airport in Eastern Asia has become more and more important. Under the complicated but still closely related operational types in aviation industry, understanding the demand not only decreases the investment risk, establishes operational policy, but also plays an essential role in practical operation and forecasting airline passenger volume.
In this study, the Time Series, Gray System Theory and Artificial Neural Network were used to construct and improve airline passengers forecasting, and the variation of time lagged degree was also taken into account to analyze the growth trends of the amounts of airline passengers. The results of this study showed that the Gross National Product, Gross Domestic Product, National Income, Labor Force and Labor participation rate affect the amounts of airline passengers. Moreover, the forecast model is proved to be more accurate after adding the variation of time lagged degree, which apparently increases the predictive ability, and the correlation between variables and variables can also be easy to comprehend in return. According to the comparison between the two latest data in the fourth quarter of 2011 and the first quarter of 2012, the passenger capacity in the original data is very close to the results of the forecasting value. The average error is quite low, and the prediction accuracy is up to 94%. This study expects to provide government agencies, airlines and follow-up researchers an reference in operating strategy when doing research or making investment in the future.

目 錄
謝 辭 I
摘 要 II
ABSTRACT III
目 錄 IV
表目錄 VI
圖目錄 VII
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究主題與目的 2
1.3 研究架構 3
1.4 研究流程 4
1.5 研究範圍 6
第二章 文獻回顧 7
2.1 桃園國際機場現況 7
2.2 航空研究相關文獻 11
2.2.1 航空客運量與服務需求之相關文獻 11
2.2.2 航空預測需求因素之相關文獻 12
2.3 相關方法之文獻回顧 17
2.3.1 時間序列應用相關文獻 18
2.3.2 灰色理論應用相關文獻 19
2.3.3 類神經網路應用相關文獻 20
2.4 文獻評析 22
第三章 研究方法 23
3.1 單根檢定 23
3.2 共整合檢定 26
3.3 向量誤差修正模型 29
3.4 向量自我迴歸模型 31
3.5 灰色系統理論 32
3.6 類神經網路 37
3.7 模式檢驗評估 45
第四章 實證分析 46
4.1 變數選取 46
4.2 變數相關分析與篩選 48
4.2.1 AIC準則 48
4.2.2 ADF單根檢定 51
4.2.3 LR調整統計量 55
4.2.4 Johansen共整合檢定 56
4.2.5 VECM模型與VAR模型 57
4.3 灰色GM(1,1) 60
4.4 類神經網路 62
4.4.1 未加入時間落後期數 62
4.4.2 加入時間落後期數 63
4.4.3 預測分析與結果 65
第五章 結論與建議 67
5.1 結論 67
5.2 建議 68
參考文獻 69


表目錄
表2-1 桃園國際機場近10年旅客量統計表 8
表2-2 桃園國際機場第一航廈基本資料 9
表2-3 桃園國際機場第二航廈基本資料 10
表2-4 航空客運量預測因素之相關文獻 16
表3-1 預測模式精度對照與準則表 36
表3-2 類神經網路預測模型 44
表3-3 MAPE預測能力之等級 45
表4-1 航空客運量之解釋變數表 46
表4-2 航空客運量相關分析表 47
表4-3 航空客運量原始資料AIC值 48
表4-4 原始資料最適落後期數 49
表4-5 一階差分資料AIC值 50
表4-6 差分資料後之最適落後期數 51
表4-7 原始資料ADF單根檢定表 51
表4-8 一階差分資料ADF單根檢定表 53
表4-9 統整ADF單根檢定表 53
表4-10 航空客運量組合之LR調整統計值之最適落後期數 55
表4-11 航空客運量JOHANSEN共整合檢定(TRACE TEST) 56
表4-12 航空客運量VECM模型係數檢定表 57
表4-13 航空客運量VAR模型係數檢定表 58
表4-14 影響航空客運量之時間因素 60
表4-15 預測變數未來值(1) 61
表4-16 預測變數未來值(2) 61
表4-17 航空客運量類神經預測模式 63
表4-18 類神經網路預測之MAPE 63
表4-19 航空客運量類神經預測模式 64
表4-20 類神經網路預測之MAPE 64
表4-21 航空客運量之預測 65
表4-22 檢視結果表 66


圖目錄
圖1-1 研究方法 4
圖1 2 研究流程圖 6
圖3 1 GM(1,1)建構流程圖 35
圖3-2 生物神經元 38
圖3-3 人工神經元 39
圖3-4 網路架構圖 40
圖4-1 近年航空客運量比較圖 65

參考文獻
一、 中文部份
1. 臺灣桃園國際機場 http://www.taoyuan-airport.com/chinese/index.jsp。
2. 中華民國統計資訊網 http://www.stat.gov.tw/mp.asp?mp=4。
3. 周湘蘭(2001) ，「類神經網路在多重產品需求預測上之應用」，元智大學工業工程與管理研究所碩士論文。
4. 林佳慧(2005) ，「台灣國際航空貨運量之預測」，國立高雄第一科技大學運輸倉儲營運研究所碩士論文。
5. 林寶秀、林晏州(2010)，「島嶼型遊憩區遊客量推估與預測-以金門國家公園為例」，國立台灣大學園藝學系，國家公園學報二〇一〇年第二十卷第一期。
6. 林東慶(2007)，「以灰色理論和類神經網路預測航空客、貨運量之變化」，國立成功大學民航研究所碩士論文。
7. 唐淑娟(2000) ，「台灣地區鳳梨零售價格預測之研究-灰預測、類神經網路與預測組合之應用」，屏東科技大學農企業管理研究所碩士論文。
8. 張原賓(2007) ，「以類神經網路模型預測航空旅客運量」，國立成功大學民航研究所碩士論文。
9. 張淑婷(2004)，「來華旅客國際觀光旅館住宿需求預測之研究─以日本、香港和美國為例」，朝陽科技大學休閒事業管理系碩士論文。
10. 張雲萍(2004) ，「國際航空客運之需求預測模型」，國立交通大學交通運輸研究所碩士論文。
11. 張瀞之、王志敏、周梅菁(2007)，「國際散裝海運市場巴拿馬極限型船運價指數與船價波動因果關係研究」，第五屆十校聯盟航運物流研討會，國立成功大學。
12. 陳垂彦（1998），「兩岸海運直航貨櫃量預測與分佈之研究」，國立成功大學交通管理研究所碩士論文。
13. 陳秋妤(2007) ，「旅遊需求預測─以大陸來台為例」，逢甲大學國際貿易學系碩士論文。
14. 陳適宜(2009)，「基因類神經網路在台股指數期貨的預測與蝶式交易策略研究」，國立台北大學企業管理學系碩士論文。
15. 章國威、王薏婷、陳淑娟、郭仕堯(2010)，「應用倒傳遞網路預測日本來台航空客運需求之研究」，真理大學航空運輸管理學系。
16. 黃宏斌(2000) ，「高雄轉口貨櫃運量預測之研究-以類神經網路為預測模式」，國立海洋大學航運管理研究所碩士論文。
17. 黃燦煌、呂亦宸、吳政達、楊文武、黃宇辰(2009)，「以類神經網路預測台灣航空客運量之研究」，中華民國運輸學會九十八年學術論文國際研討會，民國98年12月。
18. 楊長霏(2005)，「以向量自我迴歸模式探討台灣股價及國際油價之關聯性」，南華大學管理科學研究所碩士論文。
19. 楊詠凱（2003），「台灣地區主要航空站營運與財務之績效評估」，國立交通大學交通運輸研究所碩士論文。
20. 楊鈺池、王志敏(2006)，「海岬型船租金費率與船價波動關係之時間序列研究」，運輸計劃季刊，第35卷，第4期。
21. 楊奕農(2009)，「時間序列分析:經濟與財務上之應用第二版」，雙葉書廊有限公司。
22. 溫裕弘(1996)，「航空運量預測與航空網路設計之研究-應用灰色理論」，國立交通大學運輸科技與管理研究所碩士論文。
23. 廖姵青(2006)，「航空貨運公司航線市場飛機與頻次規劃研究」，國立交通大學運輸與科技管理系碩士論文
24. 劉錫謙(2008)，「以時間序列方法探討波羅的海運價指數與運輸類股之研究:以美國與台灣為研究對象」，國立成功大學交通管理科學研究所碩士論文。
25. 盧惠莉(2007) ，「已開發國家國航空客運量影響因素之研究」，中國文化大學，國際企業管理研究所博士論文。
26. 盧坤勇(2006)，「類神經網路在智慧型管理決策之應用」，PPT講稿。
27. 蘇承正(2004) ，「中國大陸經濟發展對亞洲航空站運量之分析與預測」，國立交通大學運輸科技與管理研究所碩士論文。

二、 英文部分
1. Akay, D., Atak, M.(2006), “Grey prediction with rolling mechanism for electricity demand forecasting of Turkey”, Energy Volume 32, Issue 9, September 2007, Pages 1670-1675.
2. Chang, L. Y.(2012) ,“International air passenger flows between pairs of APEC countries:A non-parametric regression tree approach ”, Journal of Air Transport Management, Volume 20, May 2012, Pages 4-6.
3. Chang, Y. C., Chen, C. F.(2012), “Service needs of elderly air passengers”,Journal of Air Transport Management, Volume 18, Issue 1, January 2012, Pages 26-29.
4. Chi, J., Baek, J.(2012), “Logistics and Transportation Review”,Journal of Transportation Research E: Volume 48, Issue 4, July 2012, Pages 755-761.
5. Cho, V.(2003), “A comparison of three different approaches to tourist arrival forecasting”, Tourism Management, Volume 24, Issue 3, June 2003, Page 323-330.
6. Engle, R. F., Granger, C. W. J.,(1987). Co-integration and erroe correction representation, estimation, and testing. Econometrica, 55(2), 251-276.
7. Grosche, T., Rothlauf, F., Heinzl, A.(2007), “Gravity models for airline passenger volume estimation”,Journal of Air Transport Management, Volume 13, Issue 4, July 2007, Pages 175-183.
8. Hahn, H., Meyer-Nieberg, S., and Pickl, S.(2009), “Electric Load Forecasting Methods: Tools for Decision Making”, European Journal of Operational Research, Vol. 199, Iss. 3, pp. 902-907.
9. Hamzawi, S. G.(1992), “Lock of Airport Copacity：Exploration of Alternative solutions”,Transportation Research A,Vol.26A,No.1,pp.47-58.
10. Huttig, G., Busch, W., Gronak, N.(1994), “Growing Demand and Capacity of Airports”, Transportation Research A,Vol.28A,No.6,pp.501-509.
11. Johansen, S., Juselius, K.(1990) , “Some structural hypothese in multivariate cointegration analysis of purchasing power parity and the uncovered parity for the U.K. ”, Journal of Econometrics 53, 211-244.
12. Johansen, S., Juselius, K.(1991) , “Maximum likelihood estimation and inference on cointegration:with applications to the demand for money”, Oxford Bulletin of Economics and Statistics 52(2) 169-254.
13. Karlaftis, M. G., Zografos, K. G., Papastavrou, J. D., & Charnes, J.M. (1996). ,“Methodological framework for air-travel demandforecasting ”,Journal of Transportation Engineering, March/April,96-104.
14. Kulendran, N., Stephen F. W.(2003), “Leading indicator tourism forecasts”, Tourism Management, Volume 24, Issue 5, October, Page 503-510.
15. Law, R., Au, N.(1999), “A neural network model to forecast Japanese demand for travel to Hong Kong”,Tourism Management, Volume 20, Issue 1, February, Pages 89-97,1996.
16. Lim, C., McAleer, M.(2002), “A cointegration analysis of annual tourism demand by Malaysia for Australia”, Mathematics and Computers in Simulation, Volume 59, Issue 1-3, May 2002, Pages 197-205.
17. Liu, Z. J., Debbage, K., Blackburn, B.(2006), “Locational determinants of major US air passenger markets by metropolitan area”,Journal of Air Transport Management, Volume 12, Issue 6, November 2006, Pages 331-341.
18. Nijkamp, P., Pels, E.(2002), “Developments in air transport economics:introduction”, Journal of Air Transport Management,8, 137-139.
19. Pels, E., Nijkamp, P., Rietveld, P.(2001), “Relative efficiency of European airports”, Transport Policy, 8(3), 183-192.
20. Philippe A. B., John H.(2006). , “Emergence and Impact of Secondary Airports in the United States”,American Institute of Aeronautics and Astronautics.
21. Pitfield, D. E.(2008), “The Southwest Effect: A Time-series Analysis on Passengers Carried by Selected Routes and a Mark Share Comparison”, Journal of Air Transport Management, Vol.14,Iss.3,pp.113-122.
22. Qu, H., Lam, S.(1997), “A Travel Demand Model for Mainland Chinese Tourists to Hong Kong,”,Tourism Management, 18(8), 593-597.
23. Swan, W. M.(2002), ”Airline Demand Distributions: Passenger Revenue Management and Spill, Transportation Research E, Vol.38A,No.6,pp.253-263.