臺灣博碩士論文加值系統

自來水公司長達近30年未調整水價，因此在提高收入方面，因水價受制於政策性因素水價調漲不易，而售水量因近年來全公司普及率已高達94.91%，未來用戶數成長之空間相當有限，因此如何降低成本更是主要課題。
在降低成本方面中，管線修護費屬於機械設備修護費的一部分，且佔有很大的比例，過去研究多著重在如何減少管線漏水案件數量，如透過有效落實水壓管理及汰換漏水頻率高之管線為首要目標，而在委外修理一件管線所發生之修理成本影響因子較少著墨，大多數以地方政府要求本公司自行辦理刨鋪及增加路面修復面積，增加路面修復成本等字眼帶過，因此本篇論文收集自來水公司第二區管理處2018至2022年管線委外修理資料，探討管線修理案件中哪些解釋變數對於修理成本是有影響的，及影響多少。變數方面主要有挖方、第一次路面修復面積、刨除加封面積、管線口徑、修理狀況、漏水原因…等，在論述的過程中，先以探索性資料分析（EDA）觀察各變數間之關係，並輔以視覺化方式呈現，如散佈圖及小提琴圖等，再以傳統統計模型解釋哪些變數影響修理成本，最後將資料切分為訓練集、測試集，其中訓練測試比例為80比20，以機器學習模型如多元線性迴歸、迴歸樹、隨機森林等對於修理成本進行預測，並以測試集的 RMSE指標評估何種為最佳模型，可了解哪些解釋變數影響單件修理成本，對於日後在如何降低管線修理案件之成本是有幫助的。

For nearly 30 years, Taiwan Water Corporation has not adjusted water rates. As a result, increasing revenue through rate hikes is challenging due to policy constraints. With a coverage rate of 94.91% across the company, future growth in the number of users is limited. Therefore, cost reduction has become a primary focus.
Within cost reduction, pipeline repair costs are a significant part of mechanical equipment maintenance expenses. Previous studies have mainly focused on reducing the number of pipeline leakage incidents by effectively managing water pressure and replacing frequently leaking pipelines. However, less attention has been given to factors influencing the cost of outsourcing pipeline repairs. Most discussions highlight local government requirements for the company to handle pavement restoration and increase the restoration area, thereby increasing costs.This study collects data from 2nd Branch of Taiwan Water Corporation on outsourced pipeline repairs from 2018 to 2022. It investigates which explanatory variables affect repair costs and to what extent. The variables include excavation, initial pavement restoration area, milling and sealing area, pipeline diameter, repair status, leakage cause, etc.The analysis begins with exploratory data analysis （EDA） to observe relationships between variables, using visualizations such as scatter plots and violin plots. Traditional statistical models are then used to explain which variables impact repair costs. The data is split into training and test sets at an 80:20 ratio, and machine learning models such as multiple linear regression, regression trees, and random forests are employed to predict repair costs. The model performance is evaluated using the RMSE metric on the test set to determine the best model. This approach helps understand which explanatory variables influence the cost of individual repairs, aiding in cost reduction for future pipeline repair cases.

目錄
第一章、 緒論 1
一、 研究動機與目的 1
二、 研究範圍與限制 2
2.1 研究範圍 2
2.2 研究限制 3
第二章、 文獻探討 3
第三章、 研究方法 4
一、 研究架構 4
二、 資料探勘 6
2.1 ANOVA變異數檢定 6
2.2 卡方獨立性檢定 6
2.3 皮爾森相關係數 6
2.4 Cramér's V 7
2.5 多重對應分析 7
三、 多元線性迴歸分析 8
四、 機器學習模型 8
4.1 分類與迴歸樹 8
4.2 隨機森林 9
第四章、 實例分析 10
一、 資料預處理 10
二、 變數說明 11
三、 自變數-連續型 14
3.1 管線埋深（X1） 14
3.2 柏油路面切割長（X2） 15
3.3 柏油路面切割面積（X3） 17
3.4 柏油路面拆除面積（X4） 18
3.5 挖方（5） 18
3.6 管溝回填體積（X6） 20
3.7 第一次路面修復面積（X7） 22
3.8 刨除加封面積（X8） 24
3.9 小結 25
四、 自變數-類別型 26
4.1 管線口徑（X9） 26
4.2 漏水原因（X10） 28
4.3 修理狀況（X11） 29
4.4 漏水情形（X12） 31
4.5 日夜間（X13） 32
4.6 案件來源（X14） 34
4.7 管線設備屬性（X15） 35
4.8 主要管溝回填方式（X16） 37
4.9 有無交維人員（X17） 38
4.10 有無斷管連絡（X18） 40
4.11 施工年度（X19） 41
4.12 小結 43
五、 類別變數與類別變數關聯性比較 44
5.1 漏水原因（X10）vs修理狀況（X11） 44
5.2 漏水原因（X10）vs管線設備屬性（X15） 44
5.3 漏水原因（X10）vs管線口徑（X9） 45
5.4 修理狀況（X11）vs管線設備屬性（X15） 46
5.5 修理狀況（X11）vs管線口徑（X9） 47
5.6 管線設備屬性（X15）vs管線口徑（X9） 47
5.7 案件來源（X14）vs漏水情形（X12） 48
5.8 有無斷管連絡（X18）vs管線口徑（X9） 49
5.9 主要管溝回填方式（X16）vs管線口徑（X9） 50
5.10 有無交維人員（X17）vs施工年度（X19） 51
5.11 有無斷管連絡（X18）vs主要管溝回填方式（X16） 52
5.12 有無交維人員（X17）vs主要管溝回填方式（X16） 53
5.13 Cramér's V比較各類別變數之關聯性 54
5.14 透過多重對應分析於二維平面空間呈現類別變數間之關聯性 55
5.15 小結 56
六、 連續變數與連續變數相關性比較 57
七、 多元線性迴歸 59
7.1 以BIC篩選連續變數 59
7.2 再加入類別變數 60
7.3 加入交互作用 62
7.4 以機器學習方式評估模型 65
八、 迴歸決策樹 66
九、 迴歸隨機森林 70
第五章、 結論及建議 74
一、 研究結論 74
1.1 各模型RMSE比較 74
1.2 各模型前五名變數重要性比較 75
二、 研究建議與未來展望 77
參考文獻 79
附錄 81

表目錄
表 1: 修理成本（Y）敘述統計表 11
表 2: 自變數描敘表 12
表 3: 管線埋深（X1）敘述統計表 14
表 4: 柏油路面切割長（X2）敘述統計表 15
表 5: 柏油路面切割面積（X3）敘述統計表 17
表 6: 柏油路面拆除面積（X4）敘述統計表 18
表 7: 挖方（X5）敘述統計表 19
表 8: 管溝回填體積（X6）敘述統計表 20
表 9: 第一次路面修復面積（X7）敘述統計表 22
表 10: 刨除加封面積（X8）敘述統計表 24
表 11: 多元線性迴歸-僅連續變數 60
表 12: 多元線性迴歸-加入類別變數 60
表 13: 多元線性迴歸-加入交互作用後 63
表 14: 多元線性迴歸評估指標結果 65
表 15: 迴歸決策樹評估指標結果 67
表 16: 決策樹決策點統整表 68
表 17: 迴歸樹隨機搜尋參數表 69
表 18: 迴歸決策樹評估指標結果-調整參數後 69
表 19: 迴歸隨機森林評估指標結果 71
表 20: 迴歸隨機森林隨機搜尋參數表 73
表 21: 迴歸隨機森林評估指標結果-調整參數後 73
表 22: 各模型RMSE比較表 75
表 23: 各模型前五名變數重要性比較表 76

圖目錄
圖1: 研究架構圖 5
圖 2: 修理成本（Y）直方圖 12
圖 3: 管線埋深（X1）直方圖 15
圖 4: 柏油路面切割長（X2）直方圖 16
圖 5: 柏油路面切割示例圖 16
圖 6: 柏油路面切割面積（X3）直方圖 17
圖 7: 柏油路面拆除面積（X4）直方圖 18
圖 8: 挖方（X5）直方圖 19
圖 9: 挖方（X5）直方圖 20
圖 10: 管溝回填體積（X6）直方圖 21
圖 11: 管溝回填體積（X6）直方圖 21
圖 12: 管溝回填體積（X6）示例圖 22
圖 13: 第一次路面修復面積（X7）直方圖 23
圖 14: 第一次路面修復面積（X7）示例圖 23
圖 15: 刨除加封面積（X8）直方圖 24
圖 16: 刨除加封面積（X8）示例圖 25
圖 17: 管線口徑（X9）分配次數圖 26
圖 18: 管線口徑（X9）與修理成本（Y）小提琴圖 27
圖 19: 200mm管線示例圖 27
圖 20: 漏水原因（X10）分配次數圖 28
圖 21: 漏水原因（X10）與修理成本（Y）小提琴圖 29
圖 22: 修理狀況（X11）分配次數圖 30
圖 23: 修理狀況（X11）與修理成本（Y）小提琴圖 30
圖 24: 漏水情形（X12）分配次數圖 31
圖 25: 漏水情形（X12）與修理成本（Y）小提琴圖 32
圖 26: 日夜間（X13）分配次數圖 33
圖 27: 日夜間（X13）與修理成本（Y）小提琴圖 33
圖 28: 案件來源（X14）分配次數圖 34
圖 29: 案件來源（X14）與修理成本（Y）小提琴圖 35
圖 30: 管線設備屬性（X15）分配次數圖 36
圖 31: 管線設備屬性（X15）與修理成本（Y）小提琴圖 36
圖 32: 主要管溝回填方式（X16）分配次數圖 37
圖 33: 主要管溝回填方式（X16）與修理成本（Y）小提琴圖 38
圖 34: 有無交維人員（X17）分配次數圖 39
圖 35: 有無交維人員（X17）與修理成本（Y）小提琴圖 39
圖 36: 有無斷管連絡（X18）分配次數圖 40
圖 37: 有無斷管連絡（X18）與修理成本（Y）小提琴圖 41
圖 38: 施工年度（X19）分配次數圖 42
圖 39: 施工年度（X19）與修理成本（Y）小提琴圖 43
圖 40: 漏水原因（X10）與修理狀況（X11）之堆疊長條圖 44
圖 41: 漏水原因（X10）與管線設備屬性（X15）之堆疊長條圖 45
圖 42: 漏水原因（X10）與管線口徑（X9）之堆疊長條圖 46
圖 43: 修理狀況X11與管線設備屬性X15之堆疊長條圖 46
圖 44: 修理狀況（X11）與管線口徑（X9）之堆疊長條圖 47
圖 45: 管線設備屬性（X15）與管線口徑（X9）之堆疊長條圖 48
圖 46: 案件來源（X14）與漏水情形（X12）之堆疊長條圖 49
圖 47:有無斷管連絡（X18）與管線口徑（X9）之堆疊長條圖 50
圖 48: 主要管溝回填方式（X16）與管線口徑（X9）之堆疊長條圖 51
圖 49: 有無交維人員（X17）與施工年度（X19）之堆疊長條圖 52
圖 50: 有無斷管連絡（X18）vs主要管溝回填方式（X16）之堆疊長條圖 53
圖 51: 有無交維人員（X17）vs主要管溝回填方式（X16）之堆疊長條圖 54
圖 52: 類別變數關聯強度熱圖 55
圖 53: 多重對應分析雙標圖 56
圖 54: 連續變數與連續變數相關係數矩陣 57
圖 55: 連續變數與連續變數散佈圖 59
圖 56: 挖方（X5）vs修理成本（Y）-不同的主要管溝回填方式（X16） 62
圖 57: 不同的挖方等級與不同的主要管溝回填方式之間的修理成本之熱力圖 63
圖 58: 多元線性迴歸模型訓練資料、測試資料實際值與預測值比較圖 66
圖 59: 迴歸決策樹模型訓練資料、測試資料實際值與預測值比較圖 67
圖 60: 決策樹樹狀圖 68
圖 61: 迴歸決策樹模型訓練資料、測試資料實際值與預測值比較圖-調整參數後 70
圖 62: 迴歸隨機森林模型訓練資料、測試資料實際值與預測值比較圖 71
圖 63: 隨機森林特徵重要性 72
圖 64: 迴歸隨機森林模型訓練資料、測試資料實際值與預測值調整參數後比較圖-調整參數後 74
圖 65: 隨機森林特徵重要性-調整參數後 74

中文參考文獻
1.李安（2020），以類神經網路預測配水管網中之破漏潛勢。國立交通大學環境工程系所碩士論文。
2.林柏瑋（2020），空間篩選方法於自來水管網維修測漏之應用。朝陽科技大學環境工程與管理系碩士班碩士論文。
3.張志鴻（2009），自來水分配管網破損趨勢與變動之分析-以台北市售水轄區為例。國立雲林科技大學營建與物業管理研究所碩士論文。
4.高宇正（2018年）。近五年機械設備修護費分析報告。自來水全球資訊網。
https://www.water.gov.tw/dist12/ServerFile/Get/94b7dd67-ed27-4031-83c4-b1de2811a424?nodeId=7593（擷取日期：2024年6月28日）
5.臺中市政府建設局（2015年8月12日）。實施管線挖掘回填與路面修復 市府嚴格審查管線申裝費防不當漲價。臺中市政府官網。
https://www.taichung.gov.tw/965688/post（擷取日期：2024年6月29日）
6.鍾俊華（2016年2月）。臺灣自來水股份有限公司105年度營業預算評估報告。立法院全球資訊網。
https://www.ly.gov.tw/Pages/ashx/File.ashx?FilePath=~/File/Attach/200698/File_273381.pdf（擷取日期：2024年6月28日）

外文參考文獻
1.Agresti, A. (2012). Categorical Data Analysis (3rd ed.). Hoboken, NJ: Wiley.
2.Burger, S. (2018). Introduction to Machine Learning with R: Rigorous Mathematical Analysis (1st ed.). Sebastopol, CA: O’Reilly Media.
3.Breiman, L., Friedman, J., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees. New York, NY: Chapman and Hall/CRC.
4.Hogg, R., Mckean, J., & Craig, A. (2018). Introduction to Mathematical Statistics (8th ed.). Boston, MA: Pearson.
5.Kutner, M., Nachtsheim, C., & Neter, J. (2004). Applied Linear Regression Models (4th ed.). New York, NY: McGraw Hill.
6.Montgomery, D. C. (2019). Design and Analysis of Experiments (10th ed.). Hoboken, NJ: Wiley.
7.Vogt, W. P., & Johnson, R. B. (2011). Dictionary of Statistics & Methodology: A Nontechnical Guide for the Social Sciences (4th ed.). Thousand Oaks, CA: SAGE.