國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第五章 結論與建議
5.1. 結論
本研究提出 ATM 設點分析方法，協助銀行決策者獲得具體明確 ATM 設點建議。
採用以地理資訊系統結合資料探勘區位設點方法，建立 ATM 設點分析模型，以 ATM「使 用率」作為據點的綜合效益評估基礎，實際以國內之銀行為研究對象進行設點分析，透 過資料探勘方法取得影響因素與預期效益間的關聯性。
研究過程中先利用地理資訊系統技術將普查、空間及 ATM 資料庫中各項屬性因素 空間化，再利用資料探勘技術中的關聯規則演算法，分析各空間化屬性因素與 ATM 使 用率的關聯性，獲得影響 ATM 高使用率及低使用率的設點分析規則，再將此規則套用 在普查資料庫的村里分佈圖層中，藉由地理資訊系統圖層套疊方法，以視覺化的方式呈 現 ATM 設點建議，供銀行決策者做為設點分析參考，分辨現有 ATM 設點是否正確，
或應搬遷裁撤，或於潛在客群分佈區域新增據點。
實驗中曾嘗試利用不同的資料探勘演算法，例如：決策樹分析、貝氏分析等方法從 事 ATM 規則歸納，但因基本假設及資料性質不同，產生結果難以解釋說明，故仍採取 關聯規則分析演算法，擷取影響交易次數高低的相關區位因素。實驗結果比較不同 ATM 服務範圍下（500 公尺及 300 公尺），產生關聯規則差異，所得數據皆顯示「交通運輸」、
「餐飲」、「政府機關」、「國宅住宿」、「競爭銀行」距離遠近等空間因素，以及「人 口」、「所得」數量多寡等普查因素，是影響 ATM 高使用率的主要因素，銀行決策者 可參考第四章實驗結果與分析詳細數據作為設點分析考量。
對於 ATM 設點分析，銀行決策者應當在做好市場調查的基礎上，產生 ATM 設點 分析的整體佈局規劃，否則很可能產生既浪費資源又無法分流客戶的嚴重損失。有關 ATM 整體佈局規劃，本研究採用地理資訊系統視覺化分析空間屬性的優點，再利用資
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
料探勘方法大量數據分析能力，彌補地理資訊系統資料處理不足處，改善學者們對於地 理資訊系統不易統整屬性資料詬病之處。實驗結果方面，本研究不僅指出了 ATM 效益 相關影響因素，更進一步地分析影響因素的實際距離及數量分佈，相較於傳統區位分析 方法，如問卷、分級評分法、迴歸分析法等，皆無法納入區位選址最重要的空間因素，
更無法衡量實際距離、人口密度等屬性因素多寡。再者，本研究之設點分析模型，可在 短時間內同時進行多項目影響因素分析，成功解決傳統設點費時冗長，需事先建立諸多 假設，並視分析因素間為簡單線性關係的缺失。
5.2. 未來研究方向
由於時間和資料取得不易的限制，本研究僅在有限資源下提供初步的 ATM 設點分 析雛型供銀行決策者參考，下列幾點建議供未來研究者參考，以協助改善模型不足之 處，裨益相關應用的擴充發展。
(1) 分派模式的改進
研究中採用的普查資料庫各村里人口及所得屬性資料，於空間化時需匯整套用到 ATM 服務範圍內，此範圍可能涵蓋數個村里，為概估服務範圍內實際包涵的人口及所 得數量，本研究假設「各村里的人口及所得皆均勻分佈在該村里的區域中」，採用依面 積比例的方式促使分派模式的進行，將村里面積所佔服務範圍面積比例的大小來分派人 口及所得相關屬性數量。依據經濟學家維弗雷多·帕雷托（Vilfredo Pareto）在 1906 年提 出的 80/20 法則顯示 20%的人口擁有 80%的財產[14]，故實際而言，不同村里的發展可 能受到城鄉差距影響，產生人口及所得數量分配不均現象，故可搭配村里建地面積或道 路設施分佈等其他方式綜合考量，以改良分派模式公式。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
(2) 設點影響因素的增加
本研究以 ATM 影響因素作為分析模型的輸入，因此影響因素之優劣，直接反映資 料探勘結果的價值，本研究將設點影響因素依資料性質區分為普查資料、空間資料及 ATM 資料，又因資料取得不易，暫無法納入所有因素比擬真實環境運作情況，未來決 策者可依實際需求擴充各影響因素及相關資料，例如：考量其他自動化設備對 ATM 的 衝擊情形，可新增網路銀行、語音銀行、Web ATM 等通路交易狀況；考慮不同分佈區 域使用 ATM 習性差異，可新增機台交易時間、每次交易項目及金額等金融資訊，促使 設點分析模型更臻完善。
(3) 資料探勘方法的替換
本研究採用以關聯規則為主的設點分析模型，分析各影響因素與 ATM 使用率的關 聯性，以獲取促使 ATM 使用率提高或降低的相關因素，依資料探勘領域實際應用而言，
尚有其他多種資料分析演算法可達成類似的探勘結果，例如：群集分析、類神經網路等，
亦可替換關聯規則方法應用於本研究模型中。由不同的演算法理論基礎從事資料探勘，
可協助決策者從不同的角度評估分析結果，供交互參考對照，作為關聯規則分析法之模 型驗證。
(4) 相關領域的應用
本研究將設點分析模型應用於 ATM 的選址，未來研究者亦可依不同需求，修改模 型輸出入參數條件，應用於相關領域，例如：分析銀行、證券、保險公司等區位因素，
從事金融業設點分析；收集房地產買賣成交資料，從事不動產查詢分析等等。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
參考文獻
[1] 尤明顯，「如何發揮 ATM 的功能增加銀行的競爭力」，華銀月刊，第 598 期，
民國 89 年。
[2] 王琬宜，「地理資訊系統在不動產查詢與分析上之應用」，國立政治大學地政學 系研究所碩士論文，民國 88 年。
[3] 行政院金融監督管理委員會金融機構自動化服務概況網站，
http://www.banking.gov.tw。
[4] 朱凌，「商業銀行 ATM 市場的利益機制與戰略選擇」，鄭州大學工商管理研究所 碩士論文，民國 94 年 5 月。
[5] 李庸三，「加入 WTO 後金融業跨業經營與因應之道」，中國商銀月刊 7 月號，
民國 90 年。
[6] 林建元，「地理資訊系統計劃評估方法之研究」，台北市：行政院國科會科資中 心，民國 93 年。
[7] 張紅，「基於 GIS 的銀行 ATM 區位選址分析－以鄭州市為例」，河南大學研究所 碩士論文，民國 95 年 5 月。
[8] 楊宜芬，「銀行區位選址決策支援系統－以台北市為例」，國立台灣大學地理資 源環境資源學系研究所碩士論文，民國 96 年 3 月。
[9] 楊欣樺，「地理資訊技術在建築管理資訊系統之應用研究」，國立臺灣大學土木 工程學研究所碩士論文，民國 91 年 6 月。
[10] 楊景晴，「整合決策樹與關聯規則之資料挖礦架構及其實證研究」，國立清華大 學工業工程與工程管理學系研究所碩士論文，民國 93 年 6 月。
[11] 綜合所得稅申報核定統計專冊網站，http://www.fdc.gov.tw/。
‧
[14] 維基百科網站，http://zh.wikipedia.org/。
[15] 黎雯，「GIS 支持下的銀行 ATM 網點選址研究與實現」，西南大學研究所碩士論
[18] Elovici, Y.; Braha, D., “A decision-theoretic approach to data mining”, Systems, Man and Cybernetics, Part A, IEEE Transactions on, Vol. 33(1), 2003, pp.42-51.
[19] Fayyad, M.U., “Data Mining and knowledge Discovery: Making Sense Out of Data”, IEEE Expet(11:10), 1996, pp.20-25.
[20] Fu Y., “Data Mining Tasks, techniques and applications”, IEEE POTENTIALS, 1997, pp.18-20.
[21] Han, J., M. Kamber, “Data Mining: Concepts and Techniques”, Morgan Kaufmann Publishers, San Franscisco, 2000.
[22] Megiddo, N. and R. Srikant, “Discovering Predictive Association Rules”, American Association for Artificial Intelligence, 1998.
[23] M.J.A. Berry and G.S. Linoff, “Data Mining Technique： For Marketing, Sales,and Customer Relationship Management”, New York：Wiley ComputerPublishing, 1997.
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
[24] M. J. Shaw, C. Subramaniam, G.W. Tan and M.E. Welge, “Knowledge management and data mining for marketing”, Decision Support Systems, Vol. 31, 2001, pp.127-137.
[25] P. Cabena, P. Hadjnian, R. Stadler, J. Verhees and A. Zanasi, “Discovering DataMining from Concept to Implementation”, New Jersey：Pretice Hall, 1997.
[26] R. Agrawal and R. Srikant, “Fast algorithm for mining association rules”, in Proc. 1994 Int. Conf. Very Large Data Bases (VLDB’94), 1994, pp. 487-499.
[27] U. Fayyad, G. Piatetsky-shapiro and P. Smyth, “From data mining to knowledge discovery in databases”, AI Magazine, 1996, pp.37-54.