National Chengchi University
NCCU National Cheng Chi University Electronic Thesis & DissertationsNot a member yet
48307 research outputs found
Sort by
ESG對現金股利發放率的影響
No full text在全球氣候變遷與永續意識高漲的趨勢下，企業社會責任與環境治理逐漸成為資本市場與投資人評估企業價值的重要依據。在IFRS永續揭露準則推動下，企業ESG（環境、社會、公司治理）績效已被視為企業穩定經營與回饋股東能力的重要指標。本論文之研究目的為探討ESG對於台灣上市櫃企業之股利發放率的影響，統計資料取自TEJ資料庫2018年至2023年之永續報告書，研究對象為我國上市櫃公司扣除金融業、TDR、KY股之企業。採用TEJ的TESG資料庫，建構多元線性迴歸模型（OLS）並控制年度與產業固定效果，探討ESG評級與現金股利發放率之關聯性。實證結果顯示，企業的ESG總體評級與其現金股利發放率間存在顯著正向關係；其中「社會構面」與「公司治理構面」對股利政策具明顯影響，而「環境構面」則未呈現顯著效果。
進一步分析亦發現，當企業規模或法人持股率提高時，ESG對股利發放的正向影響會遞減，顯示大型或法人控股公司已有穩健治理架構，無須額外透過股利發放傳遞正向訊號。控制變數方面，自由現金流量、企業規模、法人持股比例及員工薪酬皆與股利政策呈正相關，而負債比率則呈現負向影響。
本研究結果除驗證ESG績效在財務政策制定上的角色，也提供企業永續管理與投資人決策上之參考，強調良好ESG表現可成為企業提升市值與股東回報的重要策略工具
空氣污染對外國觀光客來臺人數之影響
No full text本研究以2013年至2020年間來自26個主要旅客來源國之追蹤資料為樣本，採用固定效果之空間自我迴歸模型（Spatial Autoregressive Model， SAR）進行實證分析，以探討空氣污染是否會影響外國觀光客來臺人數，並進一步分析鄰近國族之間是否存在空間相依性與外溢效果。
在變數設計上，本研究以各國來臺旅遊人數作為被解釋變數，主要解釋變數為各國空氣污染濃度，並納入人均國內生產毛額、匯率、消費者物價指數、老年人口比例及扶養比等控制變數，以全面評估各項因素對來臺觀光人數的影響。
本研究之實證結果顯示，空氣污染濃度與來臺旅遊人數呈現顯著正向關係，表示當一國空氣污染越嚴重，其居民赴臺旅遊人數會增加，顯示臺灣相對較佳的空氣品質對於高污染國族居民具有吸引力。外外，在其他控制變數方面，人均國內生產毛額、老年人口比例對來臺人數呈顯著正向關係，顯示經濟能力提升與相對成本降低有助於增加旅遊意願；而扶養比對來臺人數則呈顯著負向關係，表示族庭經濟負擔較高可能抑制出國旅遊的能力與意願。
本研究結論指出，空氣品質確為影響觀光客目的地選擇的重要因素之一，臺灣應持續提升環境品質並善用其聰相對環境優勢 作為行銷訴求，以強化對國際旅客的吸引力，進一步促進觀光產業的發展
能源發電產業的ESG績效評估：以民營電業T公司為例
No full text隨著全球對於永續發展的重視，能源發電產業對於環境的影響與永續責任更顯得關鍵。本研究以T公司股份有限公司（T公司）為例，探討該公司在ESG層面的績效表現，並分析其在推動永續發展中的挑戰與機會。研究結果顯示，T公司在環境方面致力於提升能源效率、發展再生能源及評估未來導入碳捕集與封存技術，來有效降低碳排放；在社會層面積極參與地方社區發展、支持多元共融及推動員工福祉管理；在治理方面則強化內部控制與透明度，並逐步對接國際ESG準則。然而，T公司在供應鏈管理、推動再生能源及政策合規性方面仍面臨挑戰。為應對全球氣候政策壓力，T公司積極推動技術創新，包含參與低碳能源技術如混氫發電與再生能源併網，並通過提升能源效率降低運營成本。此外，透過強化國際ESG治理準則的對接，該公司成功吸引更多投資者，進一步提升市場競爭力
GWTools：地理加權迴歸擴展方法與工具之R套件
No full text地理加權迴歸（Geographically Weighted Regression, GWR)為一種常用於探討空間異質性之統計分析方法，近年已廣泛應用於都市規劃、環境分析等領域。然而，現有套件多數侷限於傳統 GWR 架構，對於多樣資料型態（如順序型、分量型、多變量資料）的支援仍不完善，亦缺乏統一具模組化的設計架構。
本研究開發一套具整合性與使用彈性的 R 套件 -- GWTools，整合多種地理加權迴歸擴展模型，包括地理加權廣義線性模型（GWGLM）、二階段地理加權廣義線性模型（TSGWML）、地理加權有序邏輯斯迴歸模型（GWOLR）、地理加權分量迴歸模型（GWQR）與地理加權多變量迴歸模型（GWMMR），提供這些技術建模之帶寬選擇、估計程序與空間異質性檢定函數，並支援平行運算與彈性參數設定。
本研究亦透過東京死亡率資料（Tokyo）、美國喬治亞州嬰兒死亡率資料（Infant） 與美國波士頓房價資料（Boston）等實際資料與模擬範例展示模型應用流程，說明各模型於不同資料結構下使用流程。整體而言，GWTools 為一套功能完整、架構清晰且操作彈性高的地理加權模型 R 套件，可作為未來空間建模應用與方法發展之基礎
基於多特徵時間序列分群之股價預測
No full text本研究旨在提出一種整合多特徵時間序列相似性之股票分群方法，結合機器學習建立群內訓練股價預測模型，並且進一步將預測結果應用於投資組合建構。本文使用臺灣上市公司自2019年至2024年之股價與財務資料，先透過動態時間校正距離與歐式距離衡量多個價量資訊或財務比率的時間序列相似性，並以k-medoids演算法進行股票分群，搭配滾動式更新機制反映市場結構之變化，接著於各群內訓練長短期記憶網路（LSTM）模型預測隔日與20日後收盤價，並根據預測結果挑選預期報酬最高之個股依三種不同資產配置策略建構投資組合，回測其績效。
實證結果顯示，分群後群內訓練模型在預測準確性方面整體優於不分群模型，能有效降低預測誤差，尤其在以價量資訊分群並設定分5群時表現最佳，回測績效方面，分群模型所建構之投資組合於多數情境皆能優於基準模型與大盤。綜合而言，本研究驗證多特徵時間序列分群方法能有效降低資料異質性，提升預測穩定性與投資表現，為股價預測與選股策略提供可行的整合方法
都市更新發展協會在TTQS框架下的訓練管理模式與成效評估
No full text本研究旨在探討都市更新發展協會在導入 TTQS（Taiwan Talent Quality-Management System）訓練品質管理系統後，將如何系統性建構訓練管理模式，並評估其未來在培訓品質與實務應用上的成效。面對都市更新與危老重建所需之跨領域專業人才，協會作為非營利組織，具政策傳遞與人才養成之雙重角色。本文以 TTQS 五大構面——計畫（Plan）、設計（Design）、執行（Do）、檢討（Review）、成果（Outcome）——為理論依據，進行訓練制度的建構與實際效益評估。
研究採用文獻分析、深度訪談與問卷調查等方法，針對社團法人臺北市自行實施都市更新發展協會及其受訓成員（包含公部門、建設公司與相關專業人員）進行資料蒐集。研究結果指出，協會將在導入 TTQS 後，顯著提升課程規劃的職能對接性、課程執行的品質控管能力與訓練成果的追蹤可行性。目前超過九成學員對課程整體滿意，而 TTQS 有助於建立制度化、將可再優化都市更新人才的培育機制。本文亦提出未來強化數據回饋、深化訓練追蹤與擴大政策接軌之建議，以促進都市更新政策的落實與專業人才培訓的永續發展
生成式人工智慧代理人技術在金融業應用之實證研究
No full text本研究旨在探討生成式代理人人工智慧在金融產業中的應用情境、面臨挑戰與導入策略，並透過文獻回顧與多個實務個案進行比較分析。研究發現，目前全球金融業已開始在投資分析、風險管理、營運效率與客戶服務等面向應用生成式代理人人工智慧，惟在詐欺偵測方面，尚未觀察到具高代理程度（high agentic degree）的應用案例。本研究蒐集45個實際應用案例，最後選擇七家金融機構之應用場景進行深入探討。資料蒐集結果顯示，具高代理特徵的服務仍屬少數，目前多數應用仍集中於單一功能導向的生成式人工智慧服務。在導入生成式代理人人工智慧的過程中，金融機構主要面臨三大挑戰。第一，系統相關問題，如資料品質、資料安全與系統整合等。第二，合規限制，由於金融業高度受監管，生成式人工智慧須符合可信賴性、透明性與可解釋性等要求。第三，如何兼顧監管標準與模型效能，建立具信賴基礎的應用架構。在導入策略方面，金融機構通常從三個面向規劃：選擇適當合作夥伴、採取小規模試行策略（pilot to scale），以及提升內部人員的接受度與參與度。合作夥伴選擇方式包括與新創合作、與領先科技廠商合作和與金融相關業務服務合作。小規模導入有助於企業及早修正方向並評估應用成效；面對人才缺口，則可透過教育訓練與競賽式宣導活動，提升員工對生成式人工智慧工具的理解與接受度
可解釋機器學習之預測: 以法國第三人責任險成功索賠為例
No full text車禍事故的外部性常導致無辜第三方蒙受損失，第三人責任險因此成為重要的風險分擔工具。本研究旨在利用可解釋機器學習方法，預測法國第三人責任險的成功索賠次數，並提升模型的解釋性與預測精度。研究採用公開的法國第三人責任險資料集，基於Zero-Inflated Poisson (ZIP)和Zero-Inflated Negative Binomial (ZINB)兩分佈，結合Boosted Trees和DART建構預測模型。透過特徵重要性分析與累積局部效應（ALE），本研究揭示影響索賠頻率的關鍵因素。結果顯示，Boosted Trees和DART模型在損失函數、Pseudo R2 和Gini2 等評估指標上均優於傳統廣義線性模型(GLM)，且具備更高的可解釋性。本研究不僅驗證可解釋機器學習在保險精算中的應用潛力，還為第三人責任險的定價與風險管理提供實證依據，未來可進一步拓展至其他保險市場
高齡者保護相關問題研究－以安養信託及成年監護制度為中心
No full text隨著高齡社會到來，長者財產管理與認知能力衰退所衍生之法律問題日益嚴峻。現行成年監護制度與信託制度雖各具保護功能，惟二者間缺乏有效整合，致使實務運作產生難以銜接的弊病與監督機制之漏洞。
本文以安養信託為核心，探討其與成年監護制度互補之可能性，並分析信託監察人與監護人間之職權分工與制度整合機制。透過檢視美日相關制度設計，並結合我國法制與實務運作進行制度評估。
觀察我國現行法制，主要存在三項具體缺失：其一，高齡信託中監察人設置缺乏強制性，監督功能薄弱；其二，監護人代理信託相關行為缺乏明確規範與司法監督；其三，信託與監護制度間協調機制不足，易生權限競合爭議。
基於上述分析，本文提出以下制度建議：首先，強化高齡信託監察人設置義務，賦予其實質監督權限，以因應委託人能力變化風險；其次，將監護人代理設立、變更、終止等重大信託行為納入法院許可範疇，建立完整監督體系；再者，借鏡日本後見制度支援信託經驗，引入專家監護人制度與公私協力模式，作為制度完善前之過渡措施。最後，於制度完善後，考量信託發展之未來性，當可適度引進美國可撤銷生前信託與保管信託架構，充實我國高齡者保護制度之內涵，使信託種類更加多元。
本研究之核心目標在於提出兼顧個人自主、專業監督與制度安定的高齡財產保護架構，透過有效整合信託與監護制度，建構更完善的長者權益保障機制，為我國高齡社會法制建設提供具體可行的政策方向
基於異質靜態與動態分析模態的組合式潛在空間學習
No full text多模態惡意程式分析為一種新興且具發展潛力之方法，藉由整合不同資料來源（如組合語言程式碼與API呼叫序列）以提升威脅偵測效能。然而，現有方法存在重要限制，包含長序列資訊擷取不足、共享語意與模態特定資訊相互混雜，以及表示學習缺乏可解釋性等問題。為解決上述挑戰，本研究提出自監督多模態協調與解耦網路（Self-Supervised Multimodal Coordination & Disentanglement Network, SMCDN），該網路能明確分離核心惡意程式語意與模態特定之私有資訊。本框架採用雙向GRU編碼器以保留序列脈絡資訊、結合對比學習之雙模態變分自編碼器以擷取協調之共享表示，並透過獨立性約束進行私有空間解耦。此外，本研究引入資訊貢獻比率指標，用以量化各模態對語意理解之重要性，進而提升模型可解釋性。實驗採用包含10,344個樣本、涵蓋29個惡意程式家族之真實資料集進行驗證。結果顯示，本方法達成74.9% 之分類準確率，較傳統融合方法提升約8%。資訊貢獻分析結果顯示，API呼叫序列對共享語意之貢獻顯著高於組合語言程式碼（6.91 vs 1.00），為惡意程式分析提供重要見解