臺灣博碩士論文加值系統

本研究以白蘭氏健康博物館為探討對象，利用IBM SPSS Modeler 14.1 與IBM SPSS Statistics 20軟體進行資料探勘分析，透過分類與迴歸樹(Classification and Regression Tree, CART)、C5.0決策樹、類神經網路(Neural Network)及貝氏網路(Bayesian Network)分析滿意度問項，資料來源乃依據白蘭氏健康博物館於2012年6月至2013年6月之遊客來訪問卷，將其中17個滿意度問項當成投入變數，目標變數則為遊客「對白蘭氏博物館整體服務滿意度」，分析探討變數間之權重關係與規則，建立預測模式並找出最重要的變數。而後進行維度縮減與特徵選取，篩選出重要的投入變數，重新投入上述模型分析，接著評估比較各模型之表現優劣，綜合所有分析結果，進一步提出各模型之管理意涵。
在模型評估方面，表現最佳的模型為原始模型及特徵選取之類神經網路。在管理意涵方面，則分別依各模型之研究結果進行分析，首先分類與迴歸樹以原始模型為最佳，所得到之重要變數以「警衛室登記處環境清潔」為最重要；C5.0決策樹亦是以原始模型為最佳，最重要變數則為「導覽解說」；而類神經網路是以特徵選取之模型為最佳，「一樓展區」為最重要變數；貝氏網路部分，維度縮減之模型為主要的模型分析，最重要變數是「館內整體展示內容」，其次則為「多媒體介紹說明」及「廠區引導動線指標」。最後，歸納以上分析，可建議管理者將上述6個重要滿意度視為首要改善之目標，便可以最有效率的方式運用企業最少的資源，達到經營之最大效益。研究結果將提供白蘭氏健康博物館及欲轉型觀光工廠之傳統產業作為未來營運改善之參考。

In this study, Brand’s Health Museum is the object to be explored by using the IBM SPSS Modeler 14.1 and IBM SPSS Statistics 20 for data mining analysis. Classification and regression tree, C5.0 decision tree, neural network, and Bayesian network are applied to analyze the satisfaction items where the data source was from the customers’ questionnaires of Brand’s Health Museum from June 2012 to June 2013. Seventeen satisfaction items are input variables, and the overall satisfaction item of customers’ experience by visiting the museum is the target variable. This study intends to find the weights of input variables and analyze the rules between input and target variables to build predictive models and identify the most important variables. Later, dimension reduction and feature selection are individually performed to identify the variables, and these variables become the input variables for the above models. Finally, an evaluation among all models is performed, and we integrate the results of all analyses to suggest managerial implications for each model.
In model evaluation, the best performing models are original neural network model and neural network model with feature selection. In managerial implications, we analyze the study results of each model. First, for classification and regression tree, the original model is the best model, and the most important variable is "Environmental clean of guardhouse registry." Second, for C5.0 decision tree, the original model is also the best model, and the most important variable is "Tour guided service." Third, for neural network, neural network model with feature selection is the best model, and the most important variable is "Exhibition area on the first floor." Fourth, for Bayesian network, Bayesian network with dimension reduction is the main model analysis, and the most important variable is "Display content of the whole museum", followed by "Detail for multimedia" and "Moving line indicators of factory guiding." Finally, we summarize the above analyses and suggest the manager to pay the emphasis on the above six major satisfactions as the primary targets for improvement. Then the manager may use the most efficient way with limited resources of the corporation to achieve the maximum benefits of operations. The study results can be provided for Brand’s Health Museum and tourism factories for transformation of traditional industries as the reference for future operation improvement.

目錄

誌謝 I
摘要 II
ABSTRACT III
圖目錄 IX
表目錄 XI
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 2
第三節 研究流程 3
第二章 文獻回顧 5
第一節 觀光工廠 5
第二節 顧客滿意度 7
第三節 資料探勘 8
一、知識發掘與資料探勘技術 8
二、分類與迴歸樹 13
三、C5.0決策樹 15
四、類神經網路 16
五、貝氏網路 20
六、維度縮減與特徵選取 22
第三章 研究方法 25
第一節 研究架構 25
第二節 資料來源 26
第三節 分類與迴歸樹模型建構 31
第四節 C5.0決策樹模型建構 32
第五節 類神經網路模型建構 33
第六節 貝氏網路模型建構 33
第七節 維度縮減 34
第八節 特徵選取 37
第九節 模型評估 38
第四章 研究結果 40
第一節 分類與迴歸樹分析結果 40
一、原始模型之分類與迴歸樹 40
二、維度縮減之分類與迴歸樹 44
三、特徵選取之分類與迴歸樹 47
第二節 C5.0決策樹分析結果 51
一、原始模型之C5.0決策樹 52
二、維度縮減之C5.0決策樹 54
三、特徵選取之C5.0決策樹 55
第三節 類神經網路分析結果 58
一、原始模型之類神經網路 58
二、維度縮減之類神經網路 61
三、特徵選取之類神經網路 62
第四節 貝氏網路分析結果 65
一、原始模型之貝氏網路 65
二、維度縮減之貝氏網路 67
三、特徵選取之貝氏網路 78
第五節 各模型比較 80
第六節 模型評估 82
第五章 結論與建議 87
第一節 分類與迴歸樹之管理意涵 87
第二節 C5.0決策樹之管理意涵 88
第三節 類神經網路之管理意涵 89
第四節 貝氏網路之管理意涵 90
第五節 管理意涵總整理 92
參考文獻 94
一、中文部分 94
二、英文部分 97
三、網路資源 103


圖目錄

圖1.1 研究流程圖 4
圖2.1 知識發掘流程 10
圖2.2 資料探勘功能分類 11
圖2.3 決策樹規則成長過程 16
圖2.4 類神經網路主要結構 18
圖2.5 倒傳遞類神經網路架構 19
圖2.6 貝氏網路非循環有向圖 21
圖3.1 研究架構圖 26
圖3.2 維度縮減之陡坡圖 37
圖4.1 原始模型之分類與迴歸樹樹狀圖 41
圖4.2 維度縮減之分類與迴歸樹樹狀圖 45
圖4.3 特徵選取之分類與迴歸樹樹狀圖 49
圖4.4 原始模型之C5.0決策樹樹狀圖 52
圖4.5 維度縮減之C5.0決策樹樹狀圖 55
圖4.6 特徵選取之C5.0決策樹樹狀圖 56
圖4.7 原始模型之類神經網路模式摘要圖 59
圖4.8 原始模型之類神經網路分類矩陣圖 60
圖4.9 維度縮減之類神經網路模式摘要圖 61
圖4.10 維度縮減之類神經網路分類矩陣圖 62
圖4.11 特徵選取之類神經網路模式摘要圖 63
圖4.12 特徵選取之類神經網路分類矩陣圖 64
圖4.13原始模型之貝氏網路圖：TAN 65
圖4.14原始模型之貝氏網路圖：Markov Blanket 65
圖4.15 維度縮減之貝氏網路圖：TAN 67
圖4.16 維度縮減之貝氏網路圖：Markov Blanket 76
圖4.17 特徵選取之貝氏網路圖：TAN 79
圖4.18 各種模型評估結果之增益圖 83


表目錄

表3.1 遊客來訪問卷變數代碼對照表 27
表3.2 人口統計變數代碼對照表 28
表3.3 人口變數統計表 30
表3.4 訓練與測試資料比例配置結果 31
表3.5 維度縮減之解說總變異量表 35
表3.6 維度縮減之轉軸後的成份矩陣 36
表4.1 原始模型之分類與迴歸樹預測變數重要性權重表 40
表4.2 原始模型之分類與迴歸樹規則整理表 42
表4.3 原始模型之分類與迴歸樹預測正確率評估表（一） 43
表4.4 原始模型之分類與迴歸樹預測正確率評估表（二） 43
表4.5 原始模型之分類與迴歸樹效能評估表 43
表4.6 維度縮減之分類與迴歸樹預測變數重要性權重表 44
表4.7 維度縮減之分類與迴歸樹規則整理表 46
表4.8 維度縮減之分類與迴歸樹預測正確率評估表（一） 46
表4.9 維度縮減之分類與迴歸樹預測正確率評估表（二） 47
表4.10 維度縮減之分類與迴歸樹效能評估表 47
表4.11 特徵選取之分類與迴歸樹預測變數重要性權重表 48
表4.12 特徵選取之分類與迴歸樹規則整理表 50
表4.13 特徵選取之分類與迴歸樹預測正確率評估表（一） 50
表4.14 特徵選取之分類與迴歸樹預測正確率評估表（二） 51
表4.15 特徵選取之分類與迴歸樹效能評估表 51
表4.16 原始模型之C5.0決策樹預測正確率評估表（一） 53
表4.17 原始模型之C5.0決策樹預測正確率評估表（二） 54
表4.18 原始模型之C5.0決策樹效能評估表 54
表4.19 維度縮減之C5.0決策樹預測正確率評估表 55
表4.20 特徵選取之C5.0決策樹規則整理表 57
表4.21 特徵選取之C5.0決策樹預測正確率評估表（一） 57
表4.22 特徵選取之C5.0決策樹預測正確率評估表（二） 58
表4.23 特徵選取之C5.0決策樹效能評估表 58
表4.24 原始模型之類神經網路預測變數重要性權重表 59
表4.25 原始模型之類神經網路預測正確率評估表 61
表4.26 維度縮減之類神經網路預測正確率評估表 62
表4.27 特徵選取之類神經網路預測變數重要性權重表 63
表4.28 特徵選取之類神經網路預測正確率評估表 64
表4.29 原始模型之貝氏網路預測變數重要性權重表：TAN 66
表4.30 維度縮減之貝氏網路預測變數重要性權重表：TAN 68
表4.31 維度縮減之貝氏網路目標變數R的條件機率：TAN 68
表4.32 維度縮減之貝氏網路變數L的條件機率：TAN 68
表4.33 維度縮減之貝氏網路變數M的條件機率：TAN 69
表4.34 維度縮減之貝氏網路變數J的條件機率：TAN 69
表4.35 維度縮減之貝氏網路目標變數R對於變數M的條件機率：TAN 71
表4.36 維度縮減之貝氏網路目標變數R對於變數L的條件機率：TAN 71
表4.37 維度縮減之貝氏網路目標變數R對於變數J的條件機率：TAN 72
表4.38 維度縮減之貝氏網路目標變數R對於變數J及變數M的條件機率：TAN 73
表4.39 維度縮減之貝氏網路目標變數R對於變數M及變數L的條件機率：TAN 75
表4.40 維度縮減之貝氏網路目標變數R的條件機率：Markov Blanket 76
表4.41 維度縮減之貝氏網路變數M的條件機率：Markov Blanket 76
表4.42 維度縮減之貝氏網路目標變數R對於變數M的條件機率：
Markov Blanket 78
表4.43 特徵選取之貝氏網路預測變數重要性權重表：TAN 79
表4.44 分類與迴歸樹模型分析結果整理 80
表4.45 C5.0決策樹模型分析結果整理 80
表4.46 類神經網路模型分析結果整理 81
表4.47 貝氏網路模型分析結果整理 81
表4.48 各模型評估結果之增益圖線條代碼對照表 83
表5.1 各模型表現優劣及重要變數之比較表 92

一、中文部分

王俞雅 (2010)，「台灣傳統產業到文化創意觀光工廠的轉型─以老樹根魔法木工坊為例」，2010文化創意產業永續與前瞻研討會，253-265頁。

王麗雅 (2009)，「觀光工廠服務品質、體驗行銷、知覺價值與滿意度關係之研究」，國立屏東商業技術學院行銷與流通管理研究所碩士論文。

尹相志 (2003)，「SQL2000 Analysis Service資料採礦服務」，維科圖書有限公司，台北。

尹相志 (2009)，「SQL Server2008 Data Mining資料採礦」，悅知文化精誠資訊股份有限公司，台北。

李君如 (2007)，「從工業經濟到體驗經濟～以觀光創造新藍海的傳統產業」，服務創新與企業家精神～觀光工廠研討會，5-24頁。

李君如 (2012)，「白蘭氏健康博物館遊客參觀品質、滿意度與參觀效益之模式建構與驗證」，品質學報，第十九卷第六期，541-564頁。

李君如與林筱淇 (2010)，「觀光工廠屬性、顧客價值、滿意度與忠誠度關係之研究－以白蘭氏健康博物館為例」，休閒與遊憩研究，第四卷第一期，113-155頁。

李君如與陳俞伶 (2009)，「觀光吸引力、服務品質、知覺價值、顧客滿意度及忠誠度關係之研究～以白蘭氏觀光工廠為例」，顧客滿意學刊，第五卷第一期，93-120頁。

邱志洲、田政祺與周宇超 (2005)，「資料探勘中集群模式與分類模式之建構-模糊自適應共振理論網路、分類迴歸樹與類神經網路之整合與應用」，工業工程學刊，第二十二卷第二期，171-188頁。

吳旭志、賴淑貞 (2001)，「資料採礦理論與實務-顧客關係管理的技巧與科學」，維科圖書有限公司，台北。

吳永捷、謝奇任與劉大華 (2009)，「全民國防知性之旅行銷傳播策略研究－以國軍營區開放活動為例」，復興崗學報，第九十六期，203-222頁。

吳明隆 (2008)，「SPSS操作與應用-多變量分析實務」，五南圖書出版股份有限公司，台北。

汪端正 (2008)，「適性診斷測驗與數位個別指導教材之研發－以國小六年級質數與合數單元為例」，國立臺中教育大學教育測驗統計研究所教學碩士學位暑期在職進修專班碩士論文。

何宥緯 (2011)，「服務品質、知覺價值與顧客滿意度、顧客忠誠度之關聯性研究－以網路購物品牌lativ國民服飾為例」，國立政治大學廣播電視學系碩士班碩士論文。

林文修 (1998)，「Data Mining 探索(上)」，資訊系統類雜誌，經營決策論壇，第十三期，叡揚資訊公司出版。

林聖偉與李君如 (2006)，「品牌形象、知覺價值、顧客滿意度與顧客忠誠度關係之研究－以旅行社海外團體套裝旅遊為例」，旅遊管理研究，第六卷第一期，63-81頁。

周子敬 (2007)，「統計套裝軟體：精通SPSS」，全華圖書股份有限公司，台北。

陳品潔 (2004)，「應用資料探勘技術於半導體業製造良率改善之研究」，國立交通大學管理學院資訊管理學程碩士班碩士論文。

陳俞伶 (2008)，「觀光吸引力、服務品質、知覺價值、顧客滿意度及忠誠度之研究～以白蘭氏、大黑松小倆口觀光工廠為例」，靜宜大學觀光事業學系碩士論文。

陳怡婷 (2011)，「應用資料探勘技術於血液透析動靜脈瘻管阻塞因子之研究」，國立雲林科技大學工業工程與管理研究所碩士班碩士論文。

徐芳玲 (2002)，「以主成分分析應用在決策樹名目屬性值之二元分割上」，國立成功大學資訊管理研究所碩士論文。

高宜凡 (2007)，「製造業轉型找藍海 觀光工廠下一步：從「有」 到 「有趣」」，遠見雜誌，6月號，第252期，306-313頁。

黃繻寬 (2012)，「文化觀光發展要素與類型:以荷蘭城市為例」，國立台灣師範大學歐洲文化與觀光研究所碩士學位研究論文。

黃一家 (2012)，「以資料探勘技術應用於服務品質之個案研究-以全聯為例」，國立彰化師範大學企業管理學系行銷與流通管理碩士班碩士論文。

須田寬 (2001)，「產業觀光」，交通新聞社。

曾宇良與王建興 (2011)，「結合鄉村造鎮計畫與地方產業共創產業觀光成效之研究－以日本宮崎縣綾町為例」，華岡地理學報，第二十七卷，53-63頁。

曾宇良與曾慈慧 (2005)，「日本新型態造鎮計畫「產業觀光」對台灣休閒農業與永續觀光發展之啟示」，農業推廣文彙，第五十卷，201-218頁。

曾宇良與潘季珍 (2008)，「遊客對產業觀光認知與遊憩體驗偏好關係之研究─以金良興磚雕文化觀光工廠為例」，農業推廣文彙，第五十四卷，207-222頁。

曾憲雄、蔡秀滿、蘇東興、曾秋榮與王慶堯 (2005)，「資料探勘 Data Mining」，旗標出版股份有限公司，台北。

曾瑞智 (2013)，「應用資料探勘技術建構整合型目標客戶選擇模式」，大同大學資訊經營研究所碩士論文。

葉怡成 (2000)，「類神經網路模式應用與實作」，儒林圖書，台北。

經濟部工業局 (2005)，「觀光工廠輔導計畫─觀光工廠自在遊」，工研院技轉中心 觀光工廠計畫，新竹縣。

廖述賢與溫志浩 (2012)，「資料探勘理論與應用－以IBM SPSS Modeler為範例」，博碩文化股份有限公司，台北。

蔡家嫻 (2012)，「產業觀光工廠服務流程與顧客滿意度關係之研究」，國立彰化師範大學國際企業經營管理碩士學位班碩士論文。

潘俊帆 (2001)，「以貝氏網路為基礎的個人差異化知識處理機制」，東海大學工業工程研究所碩士論文。

蘇俊和 (2002)，「貝氏網路的建構與學習機制之研究--以航太產業績效管理為例」，東海大學工業工程與經營資訊研究所碩士論文。


二、英文部分

Ali, S. and K. A. Smith (2006), “On learning algorithm selection for classification,” Applied Soft Computing Journal, 6(2), pp. 119-138.

Barrientos, M. A. and J. E. Vargas (1998), “A framework for analysis of dynamic processes based on Bayesian networks and case-based reasoning,” Expert System with Applications, 15, pp. 287-294.

Berry, M. J. A. and G. S. Linoff (2004), Data Mining Techniques – for Marketing, Sales, and Customer Relationship Management, Canada: Wiley Computer Publishing.

Berson, A., S. Smith, and K. Thearling (1999), Building Data Mining Applications for CRM, New York: McGraw-Hill Professional.

Breiman, L., J. Friedman, R. Olshen, and C. J. Stone (1984), Classification and Regression Trees, Belmont, CA: Wadsworth.

Brumberg, B. and K. Axelrod (1995), Watch It Made in the USA: A Visitor’s Guide to the Companies That Make Your Favorite Products, Santa Fe, US: John Muir Publications.

Cardozo, R. N. (1965), “An experimental study of customer effort, expectation and satisfaction,” Journal of Marketing Research, 2(3), pp. 244-249.

Churchill, G. A. Jr. and C. Surprenant (1982), “An Investigation into the determinant of customer satisfaction,” Journal of Marketing Research, 19, pp. 491-504.

Cronin, J., J. R. Joseph, and A. T. Steven (1992), “Measuring service quality:
a reexamination and extension,” Journal of Marketing, 56(3), pp. 55-68.

Crosby, L. A. and N. Stephens (1987), “Effects of relationship marketing on satisfaction, retention, and prices in the life insurance industry,” Journal of Marketing Research, 24, pp. 404-411.

Czepiel, J. A., L. J. Rosenberg, and A. Akerele (1975), “Perspectives on consumer satisfaction,” AMA Conference Proceeding, pp. 119-123.

Dash, M. and H. Liu (1997), “Feature selection for classification,” Intelligent Data Analysis, 1(3), pp. 131-156.

Day, R. L. (1977), “Extending the concept of consumer satisfaction in advance in consumer research,” Association for Consumer Research, 10(4), pp. 149-154.

Fayyad, U., G. Piatetsky-Shapiro, P. Smith, and R. Uthurusamy (1996), Advances in Knowledge Discovery and Data Mining, Cambridge, MA: AAAI/MIT Press.

Fecikova, I. (2004), “An index method for measurement of customer satisfaction,” The TQM Magazine, 16(1), pp. 57-66.

Fish, K. E., J. H. Barnes, and M. W. Aiken (1995), “Artificial neural networks: a new methodology for industrial market segmentation,” Industrial Marketing Management, 24, pp. 431-438.

Fornell, C. (1992), “A national customer satisfaction barometer: the Swedish experience,” Journal of Marketing, 56(1), pp. 6-21.

Frawley, W. J., G. Piatetsky-Shapiro, and C. J. Matheus (1992), “Knowledge discovery in databases: an overview,” AI Magazine, 13(3), pp. 57-70.

Freeman, J. A. and D. M. Skapura (1992), Neural Networks Algorithms, Applications, and Programming Techniques, Reading, Michigan: Addison-Wesley.

Guyon, I. and A. Elisseeff (2003), “An introduction to variable and feature selection,” Journal of Machine Learning Research, 3, pp. 1157-1182.

Han, J. and M. Kamber (2001), Data Mining: Concepts and Techniques, CA: Morgan Kaufmann Publishers.

Han, J. (1999), Data Mining, in Urban, J. and P. Dasgupta (Editors), Encyclopedia of Distributed Computing, Kluwer Academic Publishers, pp. 1-7.

Heckerman, D. (1997), “Bayesian networks for data mining,” Data Mining and Knowledge Discovery, 1(1), pp. 79-119.

Howard, J. A. and J. N. Sheth (1969), The Theory of Buyer Behavior, New York: John Wiley &; Sons, Inc.

Hui, S. C. and G. Jha (2000), “Data mining for customer service support,” Information and Management, 38(1), pp. 1-14.

IBM Corporation (2012), IBM SPSS Modeler 15 Modeling Nodes, IBM Corporation.

John, G. H., R. Kohavi, and K. Pfleger (1994), “Irrelevant feature and the subset selection problem,” Proceedings of the Eleventh International Conference on Machine Learning, pp. 121-129.

Kleissner, C. (1998), “Data mining for the enterprise,” Proceedings of the Thirty-First Hawaii International Conference on System Sciences, 7, pp. 295-304.

Kotler, P. (1991), Marketing Management: Analysis, Planning, Implementation and Control, New Jersey: Prentice-Hall.

Larose, D. T. (2006), Data Mining Methods and Models, New York: John Wiley &; Sons, Inc.

Liu, H. and H. Motoda (1998), Feature Selection for Knowledge Discovery and Data Mining, Kluwer Academic Publishers.

Ma, X. (2005), “Growth in mathematics achievement: analysis with classification and regression trees,” The Journal of Educational Research, 99(2), pp. 78-86.

Millán, Á. and Á. Esteban (2004), “Development of a multiple-item scale for measuring customer satisfaction in travel agencies services,” Tourism Management, 25(5), pp. 533-546.

Muller, W. (1991), “Gaining competitive advantage through customer satisfaction,” European Management Journal, 9(2), pp. 201-221.

Murphy, K.P. (2001), “The Bayes net toolbox for Matlab,” Computing Science and Statistics, 33, pp. 331-351.

Naisbitt, J. (1994), Global Paradox: the Bigger the World Economy, the More Powerful its Smallest Players, New York: William Morrow and Co.

Oliver, R. L. (1997), Satisfaction: A Behavioral Perspective on the Consumer, New York: McGraw-Hill.

Otgaar, A. H. J. (2012), “Towards a common agenda for the development of industrial tourism,” Tourism Management Perspectives, 4, pp. 86-91.

Otgaar, A. H. J., L. van den Berg, C. Berger, and R. Xiang Feng (2010), Industrial Tourism: Opportunities for City and Enterprise, UK: Ashgate.

Peterson, R. A. and W. R. Wilson (1992), “Measuring customer satisfaction: fact and artifact,” Journal of Academy of Marketing Science, 20, pp. 61-71.

Phillip, K. H., M. G. Gus, A. C. Rodney, and A. R. John (2003), “Customer repurchase intention: a general structural equation model,” European Journal of Marketing, 37(11/12), pp. 1762-1800.

Quinlan, J. R. (1993), C4.5 Programs for Machine Learning, CA: Morgan Kaufmann Publishers.

Rokach, L. and O. Maimon (2008), Data Mining with Decision Trees - Theory and Applications, Singapore: World Scientific Publishing Co.

Singh, J. (1991), “Understanding the structure of consumers’ satisfaction evaluation of service delivery,” Journal of the Academy of Marketing Science, 19(3), pp. 223-234.

Su, C. C. (2010), “Media consumption in Taiwan: mining the Shin Hsin Communication database,” Asia Pacific Management Review, 15(1), pp. 113-131.

Tsai, C. F. (2009), “Feature selection in bankruptcy prediction,” Knowledge-Based Systems, 22, pp. 120-127.

Vellido, A., P. J. G. Lisboa, and J. Vaughan (1999), “Neural networks in business: asurvey of applications (1992–1998),” Expert Systems with Applications, 17, pp. 51-70.

Westbrook, R. A. (1980), “Intrapersonal affective influences on consumer satisfaction with products,” Journal of Consumer Research, 7(1), pp. 49-54.

Witten, I.H. and E. Frank (2005), Data Mining: Practical Machine Learning Tools and Techniques, San Francisco: Morgan Kaufmann Publishers.

Wong, J. Y. and P. H. Chung (2007), “Managing valuable Taiwanese airline passengers using knowledge discovery in database techniques,” Journal of Air Transport Management, 13(6), pp. 362-370.

Wu, S. Y. and Y. L. Chen (2007), “Mining nonambiguous temporal patterns for interval-based events,” IEEE Transactions on Knowledge and Data Engineering, 19(6), pp. 742-758.

Xie, P. F. (2006), “Developing industrial heritage tourism: a case study of the proposed jeep museum in Toledo,” Tourism Management, 27(6), pp. 1321–1330.

Xing, E. P., M. I. Jordan, and R. M. Karp (2001), “Feature selection for high-dimensional genomic microarray data,” In Proceedings of the Eighteenth International Conference on Machine Learning, pp. 601-608.

Zeithaml, V. A. and M. J. Bitner (2000), Services Marketing: Integrating Customer Focus across the Firm, London: McGraw-Hill.


三、網路資源

江睿智 (2012)，後工業化 「觀光工廠」旅遊新亮點，線上檢閱日期2013年9月16日，網址：http://news.cts.com.tw/udn/money/201201/201201230921478.html

經濟部工業局 (2013)，102年觀光工廠輔導啟動 計畫說明會台中開場，線上檢閱日期2013年9月16日，(2013)，網址：http://www.moeaidb.gov.tw/external/ctlr?PRO=news.NewsView&;id=13523

觀光工廠自在遊 (2013)，觀光工廠計畫發展緣起，線上檢閱日期2013年9月16日，網址：http://taiwanplace21.org/plan.htm