2006年12月第9卷4期 Vol. 9, No. 4, December 2006 應用類神經網路建構 成本效益決策支援模式 謝昆霖、鄭秀慧
中華管理評論國際學報‧第九卷‧第四期 1 應用類神經網路建構成本效益決策支援模式 謝昆霖、鄭秀慧 摘要 成本效益分析（cost-benefit analysis, CBA）常被用來評估一項計劃或方案的經濟可行性，在應用時多數的成本與效益項目是可量化的形式，但在動態且複雜的環境中，我們逐漸面臨到的評估項目是屬於不易量化的，這也可能導致在建模時的一些困擾。此外，在進行各項評估時，組織結構特質（如：內部的成員之意見與觀點）應該適切地被納入分析程序中。有鑑於此，本文將採用類神經網路（artificial neural networks, ANNs）法來勾勒出一個具考量企業組織成員觀點的成本效益決策支援模式（cost-benefit decision supporting model）的建構程序。並以一個傳統製造業個案資料為例，來展現本文所提之程序的合理性與可行性。 關鍵字：類神經網路、成本效益分析、決策支援模式 謝昆霖 國立台東大學電子計算機中心 鄭秀慧 私立南華大學旅遊事業管理研究所
中華管理評論國際學報‧第九卷‧第四期 2 緒論 成本效益分析（cost-benefit analysis, CBA）常被用來評估一項計劃或方案的經濟可行性（Vining et al，2001；Durairaj et al，2002；Fuguitt & Wilcox，1999；Murphy & Simon，2001；Zerbe & Dively，1994）。在應用時我們必須先詳細地定義出必要的成本與效益項目，接著再以金錢單位來量化這些項目，以利後續選定之經濟指標的評估程序；但是在動態且複雜的環境中，我們逐漸面臨到的評估項目經常是屬於無形的(intangible)、不易以金錢單位來予以量化，例如：評估士氣或是形象等效益，一般會先採用定性式語意評估方式來獲得各項目的評估意見，接著再進行必要的量化程序，但如果是直接利用各種發展出來的成本效益模型的進行分析的話，可能只有金錢量化的部分被予以分析，其不易金錢量化的部分則可能就會被忽略掉，這也可能導致在最後的決策參考上須個別解析，甚至必須捨棄一些有用的參考資訊。 一般的企業組織在進行各項專案、策略或是系統的引入時，成本效益分析程序是最常被用來進行必要的分析手法，而其所獲得的分析結果可以說是一種植基於企業組織本身現行的結構特質，換言之，企業內部的各種訊息或是隱含的組織特質等應該要在分析上呈現出有用的資訊。在展現企業結構特質上，企業組織內部的成員基本上可以視為鏈結結構特質的基本要素，所以在進行各項評估時，組織內部的成員之意見與觀點若能適切地被納入分析程序過程中，這對於在組織結構性模式化的問題上將可提供更多有用的資訊。 考量到不論是成本或是效益項目都有可能面臨到可量化及不可量化的特質，以及如何適切地將組織成員的觀點納入成本效益的分析程序中，發展一個適切的模式化將是一個有意義的研究課題。系統模型建構（system modeling）可以說是一般傳統製造業在進行結構性的分析或是製程解析時最常使用的方法（Su and Hsieh，1998；Tong and Hsieh，2000），對於不確定資訊較多的系統環境，透過模型建構的方式並不是企求能完全百分之百掌握實際系統的所有訊息，而是希望可以透過模型建構來探詢實際系統的合理性概觀，這種合理性概觀訊息對於決策者在進行決策判斷時將會是一項有價值的參考。傳統的系統建模方式就是利用理論函數公式來加以定義、或是透過統計迴歸分析
中華管理評論國際學報‧第九卷‧第四期 3 方法來進行建構，這兩種方式在應用上都會存有一些使用時的限制條件與不便性，這些限制與不便性，使得另一個新穎的建模技術再近幾年受到產官學研的重視，並且在許多的應用領域中獲得不錯的成效，這個建模技術就是人工智慧（artificial intelligence, 或簡稱AI）中的類神經網路法（artificial neural networks, 或簡稱ANNs）（邱志洲、謝邦昌，2000；葉怡成，2002），勾勒出一個植基於企業組織結構特質的成本效益決策支援模式（cost-benefit decision supporting model）的建構程序。同時，我們也將在文中以一個台東地區傳統製造廠商之資訊系統導入為例，來說明如何執行本文所提之類神經網路成本效益模型建置程序以及驗證此法的可行性。 文獻探討 成本效益分析方法之理論基礎 針對過去所使用成本效益分析方法的相關文獻做一應用回顧，成本效益分析理論基礎的最早觀念，起源於西元1840年初，於衡量投資計劃時（Vining et al，2001；Fuguitt & Wilcox，1999；Zerbe & Dively，1994），消費者剩餘(cosumer s surplus)的觀念被提出，但真正將此種概念具體化並加以發展，則在二十世紀初期，在1902年美國的河流與港灣法案(the river and harbor act)中，要求政府應將河川、港灣開發的經濟利益與費用，分別以數量化並作適當的分析，此即為成本效益概念的最初嘗試。至1930年代，美國推行新政(new deal)，為求全國公共事業的合理化，遂一律採用此一方法。而一般認為成本效益分析法的正式應用是始於1936年的美國國會制定的洪水控制法案(the united states flood control act)，其規定估計之計劃效益需要大於其估計之計劃成本，然對計劃效益與成本的衡量並未釐定一個準則。第二次世界大戰後，成本效益分析更擴大其適用範圍，除公共事業之外，凡軍事費及其他多項支出，均列為適用對象。至1980年代的今日，成本效益分析方法已為世界各國廣泛運用於重大投資計劃案的評估，不論是在教育、科學研究、國防、森林、公共設施、都市發展、交通運輸、一般行政 等各方面，均有廣泛的應用。成本效益分析方法一般在分析進行時，成本與效益的認定是成本效益分析中最基本的工作，一切分析架構都建立在此基礎上，在認定各屬於成本或效益的項目之後，才能針對所屬項目進行量化、計算、甚至於比較，也利於建立模式或進
中華管理評論國際學報‧第九卷‧第四期 4 行其他分析（Vining et al，2001；Fuguitt & Wilcox，1999；Zerbe & Dively，1994；Boardman，1996；胡明輝等人，2002；徐天城、李國路，2001；郭昱瑩等人，2002；張則堯，1998）。過去所使用的成本效益分析方法雖有其利用價值，但仍有若干限制與缺點如下： (一) 成本與效益難以精確定義，投入變數數目受限制 (二) 成本效益分析的結果，並非決策者考慮決策的唯一因素 (三) 成本效益分析方法難以應用於鉅型的投資決策 (四) 不完全的資料所引起的問題 成本效益分析方法之應用 成本效益分析方法運用的範圍非常廣泛，而由於不同的投資計劃涵蓋的層面廣狹不一，所需的資源投入及計劃所產生的效益亦互不相同。因此成本效益分析方法在實證模型之建立及數量化過程上，因著眼點或考慮的範圍不同而有頗大的差異。在成本效益分析方法發展初期之實證分析應用時，由於數量化的技術發展未臻成熟，大都僅針對計劃的有形(或確定性)效益加以分析。其後的陸續發展中，漸漸的對計劃中所產生的無形(或不確定性)效益採用敘述式說明，以提醒決策者注意並瞭解其重要性。美國一社會安全部門的策略規劃單位，於1991年提出一個成本效益分析方法的五階段分析過程模式，其目的是用以處理少至中等的有限預算經費決策問題。所構建模式共計有五個步驟：(1)明確訂定方案完成方向以及如何進行；(2)要素定義：列出所有可能的成本和效益項目，並透過討論達成一致的共識；(3)第一階段估計：利用直接和比較估計方法進行各項成本和效益的估計；(4)第二階段估計：調整前一步驟的估計結果，並進行屬於直覺項目的估計；(5)計算前述各種估計而得的結果，以作出最後的方案評估分析。成本效益分析方法是建立在一個前提上：「做決策依靠有組織的無知優於無組織的無知」，意即成本效益分析方法是讓決策者知道什麼重要因素應予考慮、還需要哪些資訊，可提供決策者相關數據，避免決策成為一種主觀的判斷。提出更多的資訊供決策者做參考依據，如此可使得成本效益分析方法更臻完善。
中華管理評論國際學報‧第九卷‧第四期 5 類神經網路 類神經網路類似人類神經結構的一個平行計算模式，是「一種基於腦與神經系統研究，所啟發的資訊處理技術」，通常也被稱為平行分散式處理模式（parallel distributed processing model）或連結模式（connectionist model）。類神經網路它可以利用一組範例，即系統輸入與輸出所組成的資料，建立系統模型（輸入與輸出間的關係）。有了這樣的系統模型便可用於推估、預測、決策、診斷，而常見的迴歸分析統計技術也是一個可利用的範例，因此類神經網路也可以視為一種特殊形式的統計技術。目前為止，許多的學者針對欲解決問題的不同，提出許多的類神經網路模型，每一種類神經網路的演算法並不相同。要使得類神經網路能正確的運作，則必須透過訓練（training）的方式，讓類神經網路反覆的學習，直到對於每個輸入都能正確對應到所需要的輸出，因此在類神經網路學習前，我們必須建立出一個訓練樣本（training pattern）使類神經網路在學習的過程中有一個參考，訓練樣本的建立來自於實際系統輸入與輸出或是以往的經驗。類神經網路訓練的目的，就是讓類神經網路的輸出越接近目標值，亦即，相同的輸入進入到系統與類神經網路，得到的輸出值亦要相同。類神經網路未訓練前，其輸出是凌亂的。隨著訓練次數的增加，類神經網路的鍵結值會逐漸的被調整，使得目標值與神經網路的輸出兩者誤差越來越小。當類神經網路經由訓練樣本訓練完成後，雖然神經網路的輸出已經與我們所要求的數值接近，但對於不是由訓練樣本所產生的輸入，我們並不知道會得到何種輸出。因此，我們必須使用另一組類神經網路從未見過樣本進入到類神經網路中，測試其推廣性（generalization），看看是否與所要求的值接近，而此樣本則稱之為測試樣本（邱志洲、謝邦昌，2000；葉怡成，2002）。 倒傳遞網路 倒傳遞類神經網路（back-propagation neural network, BPNN）架構包含輸入層、隱藏層與輸出層。輸入層與輸出層的PE數目依問題而定，而隱藏層的層數與其處理單元（processing elements, PEs）個數則沒有一定的法則可循，通常以試誤法(trial and error)決定適當的數目；一般而言，一至二層隱藏層已足夠解決大部分的問題。連接至隱藏層的連結使用的是非線性轉換函數，倒傳遞類神經網路的計算過程分為向前
中華管理評論國際學報‧第九卷‧第四期 6 (forward)與向後(backward)兩階段。首先，輸入層PEs接收到輸入樣本資料，然後直接將資料傳送給隱藏層，隱藏層中的神經元會將輸入資料加權過後之總和，利用轉換函數轉換成激發值(activation value)輸出至輸出層。輸出層的PsE再以隱藏層輸出之激發值，同樣的計算其加權過後之總和，並利用轉換函數轉換成激發值輸出，最後比較網路輸出值與標準值的差異，視情形進行連接權重的調整。輸出層的第k個PEs其權重調整公式如下： ∆W=ηδOijkj (1) ∆Wδηijk其中，=神經元j與神經元k間權重改變量；=學習速率；=神Oj經元k的差異量；=隱藏層第j個神經元之輸出。隱藏層的第j個神經元其權重調整公式如下： ∆W=ηδOjiji (2) ∆Wδηjij其中，=神經元i與神經元j間權重改變量；=學習速率；=神Oi經元j的差異量；=隱藏層第i個神經元之輸出。倒傳遞類神經網路學習精確度高，回想速度快，可處理複雜的樣本辨識問題與高度非線性的函數適配(fitting)，詳細的理論推導請參考邱志洲與謝邦昌（2000）、葉怡成（2002），圖1所顯示的是四個輸入與一個輸出的倒傳遞網路模型。 圖1 倒傳遞網路模型
中華管理評論國際學報‧第九卷‧第四期 7 模式建構程序 系統模型建構概念 系統模型建構（system modeling）是一般傳統製造業在進行結構性的分析或是製程解析時最常使用的方法（Su & Hsieh，1998；Tong & Hsieh，2000），主要的觀點就是將所考量的對象視為一個如圖2的系統，再將各個與系統有關的資訊依據其特有的屬性區分成系統輸入或是系統輸出，透過系統輸入和系統輸出的相關性來進行系統模型建構（詹秋貴，2002）。通常系統的輸入資訊可以分成兩大類型：一種是可以加以控制的、另一種則是無法加以控制的（或可稱為該擾項），在系統模式建構時理想化系統通常是不考量干擾項的影響，如此將可讓系統模型在建構過程與模型解析上更為簡易，但相對來說，它和實際的系統結構的差異也就越大。對於那種不確定資訊較多的系統，透過模型建構並不是企求能完全掌握實際系統的所有資訊，而是希望可以透過模型建構來探詢實際系統的合理性概觀，這種合理性概觀訊息對於決策者在進行決策判斷時將會是一項有價值的參考資訊。 輸入系統輸出可控制項干擾項不可控制項 圖2 系統定義圖示 方法程序 傳統的系統模型建構方式不外乎兩種類型：一種就是利用理論函數公式來定義，另一種就是透過統計的迴歸分析方法來建構，這兩種方式在應用上都會存有一些可能的限制，應用理論公式法受限於必須先對系統從本質上搭配學理機制來掌握其應有個理論公式結構，這對於動態的系統問題來說相對地存有高度的應用限制；至於利用統計迴歸方法論來建構系統模型，雖然不需先對系統的理論公式有必然性的瞭解
中華管理評論國際學報‧第九卷‧第四期 8 便可推導出系統適切的模型，但是這種透過數理解析的程序在使用時會受到一些前提假設的限制，例如：建模的數據資料必須合乎常態性、獨立性等，此外在模式建構出來後，該模式的適切性也必須經過檢定的程序，而一般來說，採用統計方法在模式的結構上也會有相當程度的限制，例如：非線性的模式，在分析時可能會面臨到合理架構的選定問題。這些限制與不便性，使得另一個新穎的建模技術再近幾年受到產官學研的重視，並且在許多的應用領域中獲得不錯的成效，這個建模技術就是人工智慧中的類神經網路法（Hsieh，2005；Hsieh & Tong，2001），接下來我們將針對這個新穎的建模技術作概念上的說明。有關於應用類神經網路法來達成系統的建模，過去的研究上，Su和Hsieh（1998）, Hsieh和Tong（2000，2001）, Hsieh（2005）曾應用這樣的觀點來達成系統的建模之研究；另外，類神經網路法也可以利用問卷蒐集的數據資料來達成系統的建模研究，可以提供方法與應用程序的合理性之佐證。因此，本研究乃提出一個應用類神經網路法來建構成本效益決策支援模式之程序，本研究所建構的模式有二：第一個是以投入成本預測執行效益之模式（簡稱為效益獲得決策支援模式）、第二個是以預期效益推測應投入成本之模式（簡稱為成本投入決策支援模式），兩者在建模的程序上是相似的，只有在邏輯概念上是採用相反的方向進行思考，接下來，我們將針對這兩個模式進行詳細步驟說明，其主要的邏輯概念思維如圖3所示。
中華管理評論國際學報‧第九卷‧第四期 9 圖3 邏輯概念思維圖。 模式一：效益獲得決策支援模式 步驟一、選定用來建模的成本項目和效益項目。 選定進行個案研究必要的成本和效益項目。我們為能更充分地掌握建模的系統相關資訊，可以依據個案的狀況適切地納入各項有用的成本參考資訊，例如個案最大容許的預算、折現率等。 步驟二、蒐集建模數據資料。 在確認完建模用的成本以及效益項目後，接著就是必須蒐集建模用的數據資料，考量這種成本效益的數據結構，基本上可用的數據筆數通常不會太多，為能獲得有用的數據資料，我們將採用敏感性成本項目的變動來獲取建模的數據，採用的作法是每次僅變動一個敏感性成本變數，每個可供變動的敏感性成本項的變化水準可依據實際需求加以選擇，當然變動的水準多，則其可獲得的數據筆數相對也較多，每個成本項目的變動將可獲得有形效益的貨幣價值的對應估算；至於無形的效益部分，這部分將可分成兩種類型來看，一種是參與成本效益分析者對於效益的預估、另一種是在該項機制（或是系統）引入後一般使用者的效益評估，搭配變動的成
中華管理評論國際學報‧第九卷‧第四期 10 本項目，將可讓建模的數據資料有倍增效果（同一成本項目的組成對應不同的預估效益），這些對應均是模型建構的參考，因為這些對應著實反應了組織的系統結構。 步驟三、類神經網路模型建構 這個步驟主要是在透過相關的建模數據來建置網路結構，也就是透過試誤法來找到一個適切的網路模型，其中本模式的輸入訊號選定為成本項目、而輸出訊號則選定為效益項目，藉由數據資料來訓練一個成本對效益的關係決策模型，其重點參數包含了：（1）類神經網路的輸入層、隱藏層、輸出層對應的處理單元個數；（2）網路結構中採用的轉換函數；（3）學習速率、學習次數等網路參數。對於這種模型建構的應用，用來做為網路結構評定的指標一般是採用模型預測的誤差均方根，當這項指標值小於一個給定的門檻值或是該值達收斂狀態或是設定一定的跌代次數後，再以當時的誤差均方根值來做判斷指標。有鑑於類神經網路具有學習和容錯的特性，所以在網路模型建構時，數據資料將分成訓練資料集和測試資料集，兩者的選定比率在一般的實際應用上通常是設定10:1（Hsieh，2005；葉怡成，2002），然後搭配誤差均方根值來進行比較，如此將可以找到系統模型建構的最適架構。因為必須要同時檢測訓練資料的誤差均方根值和測試資料的誤差均方根值，經驗上的判斷法則是繪製兩者在不同的網路架構下的趨勢比較圖，再從圖上做判斷，判斷準據是兩者同時越小越好。 模式二：成本投入決策支援模式 步驟一、 選定用來建模的成本項目和效益項目：項目選取的概念和模式一的程序相同。 步驟二、 蒐集建模數據資料：數據資料的蒐集與整理過程同模式一的步驟二。 步驟三、 類神經網路模型建構：有關類神經網路模型的建構，其建構程序與各項建模參數的選定程序和模式一有著相同的概念，惟在本模式的輸入與輸出上正好採用相反的對應，換言之，模式二
中華管理評論國際學報‧第九卷‧第四期 11 在建構時所選定的輸入訊號為效益項目，而輸出訊號則為成本項目，在利用數據資料來訓練出一個適切的網路結構來呈現效益對成本的關係決策模型。 在完成網路結構選定後，我們便可以利用所建構出來的決策支援模式來進行後續的應用，例如藉由不同方案的成本項目輸入效益獲得決策支援模式來預估其可能獲致之預估效益，或是將預期達成的效益項目輸入成本投入決策支援模式來推測在應有的投入成本預估建議，這些預測結果將可以讓決策者在進行必要的投資分析時可以獲得判斷的參考資訊。 案例應用展現 為展現本案例所提方法之可行性，我們利用台東工業區傳統製造產業公司提供之數據來作為本方法的實際展現。有鑑於個案廠商僅同意提供本案數據資料來進行建模研究、建模有關的問卷設計參考及後續執行模式的成效，並不同意提供其它質性資料，所以在內容上將置重點於如何應用類神經網路法來達成成本效益分析評估模式的建構程序。首先我們以效益獲得決策支援模式為例，說明如何應用所提之研究程序來進行建模： 步驟一、選定項目：因為是傳統製造業導入資訊化策略的問題，所以在成本項目和效益項目的選定（詳細的項目對照表如表1所示）。我們參考該專案在進行時所設定的成本效益細目表列出成本18項、有形效益3項、無形效益15項（無形效益評估的對應表如表2）。此外，考量整個系統成本資訊的資訊，我們並將該專案進行時最大容許的預算、採用的折現率、首次的支出、年度的平均支出均視為成本項目（考量的成本項共有22項）。 步驟二、蒐集數據：依據前述的說明與定義，我們總共獲得69筆數據資料，這69筆資料是由（1）六個變動的成本項目（如表1中的粗體部分），每個可變成本項目變動三個不同的狀況，故可產生6 3＝18種狀態，每個成本項目結構均可獲得相對應的有形效益值，另外由參與模型評析的規劃與專案人員中選了五位對企業組織內部以及對成本效益方法有相當程度認
中華管理評論國際學報‧第九卷‧第四期 12 知的人員來進行無形效益的評估，所獲得的成本組成和有形、無形效益的對應下共有18 5＝90筆資料，這些資料可以視為既有的組織結構中，對於這種機制或是系統引入時其模型反應的預期資訊；（2）我們也蒐集了單一組成本項目組下使用者對於無形效益的評估資訊，我們共獲得15使用者評估當該項機制或是系統導入後，對於系統的無形效益評分。加上先前的90筆資料，我們總共獲得105筆數據資料可供建模使用。 表1 選定之成本和效益項目 成本項目 效益項目 使用人員成本 系統使用費用 節省人力成本* 因應業務發展 資訊人員成本 系統維護費用 節省物力成本* 做好合理化準備 訓練人員成本 機房建置費用 節省空間成本* 加強資料連動 管理人員成本 週邊設施費用 縮短工作流程 提供決策資訊 規劃人員成本 維護費用 縮短管理流程 提高作業安全 主機系統費用 最大容許的預算 提高辦公室生產力 工作站系統費用 首次的支出 節省時間 網路設備費用 年度的平均支出 建立工作標準 通訊設備費用 採用的折現率 建立合理化標準 安裝費用費用 提升工作素質 消耗品費用 美化工作結果 系統採購費用 提高服務品質 系統開發費用 增進公司形象 *表示有形效益項（以貨幣價值表示）；粗體部分表示被選定為進行變動的成本項
中華管理評論國際學報‧第九卷‧第四期 13 表2 無形效益的評估對應表 項目 分項科目 預估產生效益說明 流程面 縮短工作流程 VG G C L VL 縮短管理流程 VG G C L VL 提高辦公室生產力 VG G C L VL 節省時間 VG G C L VL 標準面 建立工作標準 VG G C L VL 建立合理化標準 VG G C L VL 素質面 提升工作素質 VG G C L VL 美化工作結果 VG G C L VL 提高服務品質 VG G C L VL 增進公司形象 VG G C L VL 發展面 因應業務發展 VG G C L VL 做好合理化準備 VG G C L VL 管制面 加強資料連動 VG G C L VL 提供決策資訊 VG G C L VL 提高作業安全 VG G C L VL 附註：VG貢獻度非常高，分數為5；G貢獻度高，分數為4；C普通， 分數為3；L貢獻度低，分數為2；VL貢獻度非常低，分數為1
中華管理評論國際學報‧第九卷‧第四期 14 步驟三、類神經網路模式的建構：因為採用的是倒傳遞網路，所以有幾個參數是需要考量的，第一個部分是網路結構的處理單元個數、第二個部分是網路的相關參數的設定，例如學習速率、學習次數、轉換函數等。首先，在網路的結構上，輸入層和輸出層的處理單元個數主要是根據問題而定，所以本個案的輸入層處理單元數為22個、輸出層處理單元個數為18個，隱藏層的處理單元個數根據過去的研究報告以及執行經驗採用試誤法（葉怡成，2002），其基準處理單元個數為輸入層和輸出層處理單元總個數之平均，再往下遞減及往上遞增選取研究範圍（採用的原則性是太多或是太少均不適切），當然也可以嘗試兩個以上的隱藏層的處理，只是其複雜度就更大。從相關研究建議（Su & Hsieh，1998；Tong & Hsieh，2000；Hsieh，2005；葉怡成，2002；邱志洲、謝邦昌，2000），一層的隱藏層已經可以讓建構的模型具有非線性的結構，所以在建模的過程中，建議先以一層的隱藏層來進行解析，視建構結果來考量是否需要採用兩個隱藏層的結構。這個個案我們選定的隱藏層處理單元個數範圍為8-32個（間距為2，共13種選擇）。考量應用的便利性，網路的設計我們直接使用套裝軟體的類神經網路模組，目前這方面的套裝軟體有許多，例如一些統計分析軟體均有附加類神經網路模組（如Statistica）或是專屬性的類神經網路軟體（如neural professional plus II、neuralsolution）。在學習速率上參考相關的研究建議（葉怡成，2002）設定研究範圍為為（間距為）、採用Delta rule學習法則（詳細法則內容請參考邱志洲、謝邦昌，2000；葉怡成，2002）、採用sigmoid轉換函數（詳細函數內容請參考葉怡成（2002）），判斷準據設定為跌代次數達10000次後進行訓練集和測試集的誤差均方根值比較。在105筆資料數據中取期中10筆當作測試樣本集、其餘95筆為訓練樣本集，兩者比率約為1:10，模式建構的判斷數據結果建議表如表3所示（僅列出最佳學習速率的判斷表）、判斷圖如圖3所示。
中華管理評論國際學報‧第九卷‧第四期 15 誤差均方根值誤差均方根比較圖訓練樣本測試樣本隱藏層處理單元數 圖3 最佳網路結構的選擇判斷圖 表3 比較表 誤差均方根 隱藏層處理單元數 訓練樣本 測試樣本 8 12 16 20 24* ** 28 32 *代表最佳的網路選擇
中華管理評論國際學報‧第九卷‧第四期 16 從圖3可以發現到最佳的隱藏層處理單元數應該是24，由此可以確認本個案的模型架構為22-24-18、網路學習速率為、採用sigmoid轉換函數的倒傳遞網路，其在跌代10000次後的訓練誤差均方根值為、測試的誤差均方根值為，透過類神經網路所獲得的效益獲得決策支援模式如圖4所示。 隱藏層輸入層輸出層使用人員成本節省人員成本資訊人員成本節省物力成本訓練人員成本決策資訊分數作業安全分數採用的折現率網路結構22-24-18 圖4 本研究所獲得之效益獲得決策支援模式 同理，我們也可建構成本投入決策支援模式，其模式建構程序和效益獲得決策支援模式上的主要差異為第三步驟，在第一步驟的成本及效益項目的選定同模式一的選定說明，同理在模式一所獲得的數據資料也將拿來作為模式二的建構數據資料集；惟在第三步驟其所使用的輸入和輸出訊號則與模式一相反，至於尋找類神經網路軟體的相關最適參數設定如同模式一，模式建構的判斷數據結果如表4所示（在此僅列出最佳學習速率的判斷結果資料）、判斷圖如圖5所示。
中華管理評論國際學報‧第九卷‧第四期 17 誤差均方根比較圖誤差均方根值訓練樣本測試樣本*222426283032隱藏層處理單元數 圖5 最佳網路結構的選擇判斷圖 表4 比較表 誤差均方根 隱藏層處理單元數 訓練樣本 測試樣本 8 12 16 20* 24 28 32 *代表最佳的網路選擇 從圖5可以發現到最佳的隱藏層處理單元數應該是20，由此可以獲得成本投入決策支援模型架構為18-20-22、網路學習速率為、採用
中華管理評論國際學報‧第九卷‧第四期 18 sigmoid轉換函數的倒傳遞網路，其在跌代10000次後的訓練誤差均方根值為、測試的誤差均方根值為，透過類神經網路所獲得的成本投入決策支援模式如圖6所示。 圖6 本研究所獲得之成本投入決策支援模式 本研究個案廠商在獲得這樣的成本效益決策支援模式後，進行了導入企業資源規劃的初期成本效益評估，透過這個決策模式業者同時很便利地考量多個不同導入方案的成效比較，例如：根據各種投資成本組合來預測可能獲得的效益建議、根據預期獲致的效益成果來推測應投入的成本要項，讓決策團隊在微利的競爭環境下可獲得決策參考的資訊。同時，也因為這個決策模式是植基於企業組織的成員觀點所建構，其更能適切地反映出企業組織結構的特質，這樣的資訊也較能讓企業組織在推動e化或是m化時更有所遵循，而不會因不瞭解其組織體制結構性而陷入e化或是m化的迷思、甚至過渡投入而導致可能的企業危機。企業組織的內部特質通常會因為各項方案或是系統的導入後而有所調整，這樣的思維模式如同Leavitt所提的企業鑽石模式（Leavitt，1965），因此在後續的應用上，企業組織可以將各種新獲得的數據資料再納入分析程序中，重新建構因應組織特質的成本投資決策支援模式，這對於組織維持其競爭優勢及永續發展將會有正面的助益。該案廠商準備要進行資訊系統的採購，因無相關明顯的資訊可以顯示哪一個方案系統是最佳的，因此，決策團隊利用本研究所建構
中華管理評論國際學報‧第九卷‧第四期 19 的效益獲得決策支援模式來進行初步評估，現階段有四個方案可供選擇，決策團隊將這四個方案的成本項目資訊輸入效益獲得決策支援模式中，接著可以獲得如表5的比較表，利用一個建議的比較程序：將前三項進行加總（因為其代表節省的費用，故其值是越大越好）、其餘效益項先減掉5後取絕對值再加總（因為這些效益項最佳的值是5，所以其差值絕對值總和應該是越小越好）；在經過這個簡易的比較程序後，決策團隊可以獲得四個方案的優先順序為：方案三→方案四→方案一→方案二。此外，廠商決策團隊考量自己本身的組織特性，訂出了一個適切之期望獲得效益組合(換言之，不是所有的期望效益均為最佳設定，而是依據組織特性的評估來訂定之)，將這個組合數值輸入成本投入決策支援模式後，可以獲得如表6的推測結果，由表6可以發現到在這樣的期望效益組合下廠商的成本投入分佈建議，這將可決策團隊進行後續的深入分析，更適切地達程式較佳的成本效益分析。
中華管理評論國際學報‧第九卷‧第四期 20 表5 方案的預估效益獲得比較表 效益項 方案一 方案二 方案三* 方案四 節省人力成本* 節省物力成本* 節省空間成本* 縮短工作流程 縮短管理流程 提高辦公室生產力 節省時間 建立工作標準 建立合理化標準 提升工作素質 美化工作結果 提高服務品質 增進公司形象 因應業務發展 做好合理化準備 加強資料連動 提供決策資訊 提高作業安全 前三項加總 其餘項減5的差值之 絕對值總和 優先順序 3 4 1 2 *表示用貨幣度量之，單位為萬元
中華管理評論國際學報‧第九卷‧第四期 21 表6 方案的預估效益獲得比較表 決策者預期類神經網路模式效益項 成本項 獲得效益值 推測可能的成本 節省人力成本* 使用人員成本* 60 節省物力成本* 資訊人員成本* 200 節省空間成本* 訓練人員成本* 100 縮短工作流程 管理人員成本* 5 縮短管理流程 規劃人員成本* 5 提高辦公室生產力 主機系統費用* 4 節省時間 工作站系統費用* 4 建立工作標準 網路設備費用* 4 建立合理化標準 通訊設備費用* 4 提升工作素質 安裝費用費用* 5 美化工作結果 消耗品費用* 4 提高服務品質 系統採購費用* 5 295 增進公司形象 系統開發費用* 4 因應業務發展 系統使用費用* 5 做好合理化準備 系統維護費用* 5 加強資料連動 機房建置費用* 5 提供決策資訊 週邊設施費用* 4 提高作業安全 維護費用* 4 最大容許的預算* 首次的支出* 年度的平均支出* 採用的折現率 *表示用貨幣度量之，單位為萬元 結論與建議 本文提出一個具考量組織結構特質（以成員觀點為主）的成本效益決策支援模式的建構程序，這個程序可以適切地將建模時所考量的可直接量化以及不可直接量化的變項納入分析模式中，讓企業組織在進行相關措施或是專案或是系統的引入時，可以先初期的對其進行參考性
中華管理評論國際學報‧第九卷‧第四期 22 的評估，可快速地獲得措施、專案或是系統引入後可能的效益預測、或是在其所預期達成的效益程度下初步瞭解可能需要投入的成本要項等參考資訊，這對於面對動盪環境的企業來說，著實可以提供有用的參考訊息。我們在文中也以一個台東地區製造廠商導入資訊系統為例，透過個案實際資料來驗證本文所提之類神經網路成本效益模型建置程序的合理性與可行性。有鑑於本文所提的模式結構現階段仍屬多維度的輸出，對於較無實際經驗的決策者會產生決策上的困擾，如何將這些多維度的資訊以較少維度或是利用指標的方式來提供建議結果將是後續的研究方向之一。其二，就是現階段僅以組織成員的觀點來闡釋組織結構的特質似乎在涵蓋性上仍有不足，後續的研究上可從企業組織理論中定義出更多代表性變項，使決策模式可以獲得更多的建模資訊。另外，就是如何將非等權重的機制納入成本效益分析也將是一個後續可以進行的方向。
中華管理評論國際學報‧第九卷‧第四期 23 參考文獻 Boardman, Anthony E. et al. (1996). Cost-benefit analysis: Concepts and practice. Upper Saddle River, NJ: Prentice Hall. Durairaj, S. K., Ong, S. K., Tan, R. B. H, Nee, A. Y. C. (2002). Evaluation of life cycle cost analysis methodologies. Corporate Environmental Strategy, 9(1), 30-39. Fuguitt, D. & Wilcox, S. J. (1999). Cost-benefit analysis for public sector decision makers. Quorum Books. Hsieh, K. L. (2005). Parameter optimization of a multi-response process for lead frame manufacturing by employing artificial neural networks. International Journal of Advanced Manufacturing Technology. Hsieh, K. L. & Tong, L. I. (2001). Applying artificial neural networks to optimize the multiple quality responses mixing qualitative and quantitative characteristic. Computers in Industry, 46(1), 1-12. Leavitt, . (1965). Applying organizational changes in industry. Handbook of Organizations. Chicago: Rand McNally. Murphy, K. E. & Simon, S. J. (2001). Using cost benefit analysis for enterprise resource planning project evaluation: A case for Including intangibles. Proceedings of the 34th Hawaii International Conference on System Sciences, 1-11. Su, C. T., & Hsieh, K. L. (1998). Applying neural network to achieve robust design for dynamic quality characteristics. International Journal of Quality & Reliability Management, 15(5), 509-519. Tong, L. I. & Hsieh, K. L. (2000). A novel means of applying neural networks to optimize the multi-response problem. Quality Engineering, 16(2), 312-320.
中華管理評論國際學報‧第九卷‧第四期 24 Vining, A., Boardman, A., Greenberg, D., & Weimer, D. (2001). Cost-benefit analysis: Concepts and practice. New York: Prentice-Hall Publishing. Zerbe, R. O. J., & Dively, D. D. (1994). Benefit-cost analysis: In theory and practice. NY: Harper Collins. 邱志洲、謝邦昌（2000），《類神經網路分析》，台北：曉原。 胡明輝、陳珠龍、張石柱（2002），〈成本分析與作業改善：整合作業基礎成本與資料包絡法於國軍某修（造）船廠之應用〉，《後勤管理學刊》，第二十三卷，第一期，頁23-38。 徐天城、李國路（2001），〈壽命週期成本分析人跡交談視窗系統之研究與運用〉，國防大學中正理工學院碩士論文。 郭昱瑩、余致力、蕭乃芩、林靜美（2002），〈成本效益分析於公共政策的應用：以台北市設置大樓功用天然瓦斯自動遮斷閥為例〉，《理論與政策》，第十五卷，第二期，頁12-25。 張則堯（1998），〈企業上之成本效益分析能否適用於政府的公共投資〉，《華信金融季刊》，第四期，頁145-150。 詹秋貴（2002），〈我國主要武器系統研發與外購的政策分析〉，《科技管理學刊》，第七卷，第二期，頁1-30。 葉怡成（2002），《應用類神經網路》，台北：儒林圖書。
