(nalg)，觀察圖
5-迴歸模式 不管是保費收入數列或費用支出數列均 吾人也發現費用支出的 MAPE 普遍大於保費收入的 出數列的變異性高於保費收入數列。因篇幅有限，
的列出。
保費收入部分：
type=3，window size=24，nlag=16，MAPE=1 type=1，window size=24，nlag=16，MAPE=2 費用支出部分：
type=1，wind
type=3，window size=96，nlag=12，MAPE=5.086 type=2，window size=108，nlag=24，MAPE=6.835
自我迴歸整合移動平均 預測模式
本模式預測準確度與觀測值個數(obs count)及 p d q 階次相關，由於組 合情形非常複雜，需實際計算才能得知，觀察圖 5-1-15、5-2-13、5-3-15、
5-4-13 可知，當觀測值越多，預測準確度越高，MAPE 的變異程度降低，當 觀測值越少，預測準確度越低，MAPE 的變異程度升高。當
時有最高的 MAPE 值，此現象與前述加權移動平均情形相同，中斷保費收 繳是主要原因。
費用支出的 MAPE 普遍大於保費收入的 MAPE 值，顯 的變異性高於保費收入數列。因篇幅有限，MAPE 值僅將具 保
pdq=213，window size=2
pdq=213，window size=108，MAPE=2.671 pdq=213，window size=84，MAPE=2.975
費用支出部分：
pdq=213，window size=84，MAPE=5.174 pdq=213，window size=60，MAPE=5.679
6.6 (SEASON ARIMA)預測模式
本模式預測準確度與觀測值個數(obs count)及 p d q 、P D Q 階次相關，
需實際計算才能得知，觀察圖 5-1-16、5-2-14、
5-3- 異程度
相同，中斷
於保費收入數列。因篇幅有限，MAPE 值僅將具有代表性的列出。
1
度遠大於保費收入數列。
2
均不差，但隨著觀測值個數變大， ARIMA 模式的 MAPE 的變化區間較其他模式 小，因此 ARIMA 預測模式 pdq=213，window size=24，MAPE=6.315
季節性自我迴歸整合移動平均
組合情形比 ARIMA 更複雜，
16、5-4-14 可知，當觀測值越多，預測準確度越高，MAPE 的變
降低，當觀測值越少，預測準確度越低，MAPE 的變異程度升高。當 window size 48 時有最高的 MAPE 值，此現象與前述加權移動平均情形
保費收繳是主要原因。
費用支出的 MAPE 普遍大於保費收入的 MAPE 值，顯示費用支出數列 的變異性高
保費收入部分：
pdq=211，PDQ=424，obs size=108，MAPE=2.854 pdq=213，PDQ=424，obs size=96，MAPE=3.072 pdq=213，PDQ=424，obs size=72，MAPE=3.71 費用支出部分：
pdq=112，PDQ=1224，obs size=108，MAPE=5.303 pdq=112，PDQ=1224，obs size=96，MAPE=5.392
pdq=112，PDQ=1224，obs size=84，MAPE=5.415
6.7 研究結果
經過前述資料採礦、運算、結果評估等步驟，再針對六種預測模式綜合 分析，觀察圖 5-2-1~5-2-9 及圖 5-4-1~5-4-9，吾人得出研究結果如後：
. 經由比較北區健保局的保費收入與費用支出兩者的 MAPE 值，吾人發現 費用支出數列的 MAPE 值遠大於保費收入的 MAPE 值，顯示費用支出數 列本身的變異程
. 當觀測值個數 N <= 24，經由判讀各種預測模式的 MAPE 值，可知各種 預測模式的表現
值小於其他模式的 MAPE 值，重要的是其 MAPE 為小，代表其預測值的變異程度比其他模式都 的穩定性及準確度均優於其他預測模式。
3 的加權模式、迴歸模式、
的 MAPE 值，應與中央健保 89、90、91 年的部分月份，
因此其相對應的 window size 48、60、72、84，均有較高的 MAPE 值。研
究結果顯示：屬不確定因素的中斷 入預測的 為
4
5 下（CPU：Pentium IV 2.4G ，RAM：256 DDR），
運
計運算時間 . 值得注意的是，window size 48 時，保費收入
ARIMA 模式及季節性 ARIMA 模式都有最高 局進行中斷保費收繳作業有關。高峰期集中在
保費收入，影響了保費收 行 模式，預測準確度的穩定性因而降低。
. 若單純以各預測模式的 MAPE 值判斷，預測能力的優劣評估為 ： ARIMA 預測法 > 迴歸預測法 > 季節性 ARIMA 預測法 > 加權移動平 均預測法 > 移動平均預測法 > 平均預測法
. 考慮在相同的實驗環境
用本研究的方法，執行六種預測模式所需的磁碟空間及運算時間如表 6-1：
表 6-1 各種預測模式運算時間比較
預測模式 估計磁碟空間 估
（MB）
平均預測法 0.3 6 秒
移動平均法 0.36 28 秒
加權移動平均法 4.3 2 分 25 秒 迴歸分析法 4.2 2 分 15 秒 ARIMA 分析法 4.1 2 分 20 秒 季節性 ARIMA 分析法 52.5 96 分
應 付本研究所需的磁碟空間不成問題。
展的方法，同時考慮運算時 間，並搭配預測能力(MAPE)來做預測效能（efficiency）的比較，則六種
觀察表 6-1 可知磁碟空間需求最高者為 52.5MB（季節性 ARIMA 分析 法），其他分析模式空間需求均很低，以今日電腦硬體規格而言，足可
若比較各模式的運算時間，則差異性頗大，最高者為 96 分（季節性 ARIMA 分析法），其他如 加權移動平均法、迴歸分析法、ARIMA 分析 法三者均約需 2~3 分鐘。故若以本研究所發
預測模式的效能（efficiency）以 ARIMA 分析法最優，迴歸分析法次之，
加權移動平均法再次之；而平均及移動平均法雖然運算時間較少，但預測 能力與前三者相去甚遠，季節性 ARIMA 分析法則因運算時間太長，導致 預測效能與前三者相差甚遠。
七、 結論與未來展望
本研究以六種不同的預測分析模式分別針對保費收入與保險費用支出 行實驗結果顯示，吾人的確可將時間數列預測分析模式，應用在健保局 保費收入及保險費用支出預測的領域當中；而分析顯示，保險費用支出
進 的
數列的變異性遠高於保費收入數列，顯見醫療費用成長的控制仍是健保局 財務收支平衡最大的關鍵。
7.1 結
雖然目前總額預算制度已實施，但如何嚴加監控醫療費用黑洞、避免 列預測分析方法，或可提昇健保局財務收支預測的能力，提供經營管理決 策的參考。
由研究實驗得知，若單純考慮預測準確度（比較MPAE值大小），當觀
測值個數 N < 可依次 測法 加權移
動平均預測法、移動平均法等方法；當觀測值個數多於24筆以上時，建議
可依次 預測法、迴歸預測法、季節性 ARI 測法、加權
移動平 中以 ARIMA預測 預測準確度 測能力表現
最穩定
但若 （同時考慮運算 長短及比較 大小），建
議依次 法、迴歸預測 加權移動 等三種方
法。
7.2 未來應用與展望
運用於健保局其他數據資料預測之研究，例如重大傷病醫療費用成長預估
（如：
收
分局，故研究的觀點與涵括的範圍，自以北區分局為主，未來希有賢達人 士
廣
論與建議
醫療資源浪費、提高醫療服務品質，仍是當務之急；而善用適當的時間數
24時，建議 採用ARIMA預 、迴歸預測法、
採用 ARIMA MA 預
均預測法，其 法的 最高，預
。
考量預測效能 時間 MPAE 值
採用 ARIMA 預測 法、 平均預測法
時間數列預測分析除應用在保費收入與醫療費用支出之預測外，尚可 洗腎病患增加，洗腎費用大幅成長）、總額預算制度的點值預測，或 支餘絀數列預測等。而本研究的實驗資料均來自於中央健康保險局北區 能繼續進行全局性的財務收支預測分析研究，俾能提供使用者更全面、
泛之應用。