鋼鐵產業為國家建設的重要基礎，許多產業如機械、船舶、營造及模具等皆與鋼鐵業有密不可分的關係。對營造業而言，鋼筋為不可或缺的材料，而製造鋼筋的原物料皆仰賴國外進口，因此鋼筋價格受各種因素影響而漲跌不定。
過往的研究當中，許多學者應用各式的人工智慧模型進行鋼材價格預測，並得到良好的預測結果。然而過往學者所運用的模型缺乏預測結果的解釋能力，無法有效結合鋼筋採購人員的實際經驗。
有鑑於此，本研究以主成分分析提取影響因素的主成份，運用具備解釋能力的CART決策樹、CHAID決策樹建立鋼筋價格預測系統，同時以類神經網路針對相同樣本進行預測，比較不同模型的預測準確度，並分析決策樹中不同年期的變數重要性。
研究結果發現，以二年期的訓練資料建立CART決策樹與CHAID決策樹可得到最佳的預測結果，CART決策樹之MAPE為3.263%；CHAID決策樹之MAPE為3.419%。CART與CHAID決策樹運用較少的訓練資料筆數即得到與類神經網路相同的高預測準確度，且相較於類神經網路的黑箱處理過程，決策樹所建立的樹狀結構可解釋預測值所依循的決策規則。
在CART決策樹中，不論訓練資料年期長短，美元匯率、鋼鐵原物料及半成品主成分及工業生產指數及鋼鐵股價之主成分為高度重要的變數，常作為預測模型的分割規則。在CHAID決策樹中，鋼鐵原物料及半成品之主成分及工業生產指數及鋼鐵股價之主成分為長期的重要變數；美元匯率為短期最重要的變數。
美元匯率於二年期的CART決策樹及CHAID決策樹為重要的變數，研究結果顯示決策樹常以此變數作為唯一的決策規則，運用此變數可有效的建立鋼筋預測模型。

This study employed principal component analysis to extract the main factors influencing steel prices and utilized CART decision trees, CHAID decision trees, and neural networks to establish a rebar price prediction system. The predictive accuracy of different models over varying time periods was compared, and the variable importance across different time frames in decision trees was analyzed.
The research findings indicate that constructing CART and CHAID decision trees with a two-year training dataset yields optimal predictive results. The MAPE is 3.26% for the CART decision tree and 3.42% for the CHAID decision tree. Both decision trees achieve high accuracy comparable to neural networks while using fewer training datasets, and their tree structures offer interpretable decision rules. In the CART decision tree, regardless of training data length, the USD exchange rate, principal components of steel raw materials and semi-finished products, principal components of the industrial production index and steel stock prices are significant variables. In the CHAID decision tree, these same variables are important in the long term, with the USD exchange rate being crucial in the short term.
The USD exchange rate is a key variable in the two-year CART and CHAID decision trees, often serving as the sole decision rule, effectively constructing robust rebar price prediction models.

1. 行政院主計處, 中華民國行業標準分類. 2021.
2. 李倩瑜, 應用基因演算法結合時間序列於台灣地區鋼鐵價格漲跌幅之預測, in 工業工程與管理系碩士班. 2014, 國立臺北科技大學. p. 1-62.
3. 蔡政宏, 台灣地區鋼鐵產業發展過程之分析, in 企業管理研究所. 1995, 國立中山大學: 高雄市. p. 0.
4. 林詩彥, 鋼鐵價格決定機制及影響因素分析, in 國際貿易研究所. 2006, 中原大學: 桃園縣. p. 85.
5. 施柏州, 應用蜜蜂繁殖演化倒傳遞類神經網路於台灣地區鋼鐵價格之預測, in 工業工程與管理系碩士班. 2012, 國立臺北科技大學: 台北市. p. 99.
6. 黃浩魁, 鋼鐵原料價格對電爐鋼廠獲利影響研究, in 企業管理研究所. 2009, 國立高雄第一科技大學: 高雄市. p. 44.
7. 翁怡欣, 應用蜜蜂繁殖演化結合自組織映射圖網路於台灣地區鋼鐵價格漲跌幅之預測, in 工業工程與管理系碩士班. 2013, 國立臺北科技大學: 台北市. p. 76.
8. 林秀貞, 國際油價波動對重要營建材料成本影響之研究-以鋼筋, 水泥, 砂石, 瀝青為例. 2007.
9. 林益正, 國際扁鋼胚價格決定因素之研究, in 財務金融學系. 2008, 義守大學: 高雄市. p. 41.
10. Kapl, M. and W. Müller, Prediction of steel prices: A comparison between a conventional regression model and MSSA. Statistics and Its Interface, 2010. 3.
11. 陳俊翰, 應用鋼筋價格預測模式擬定採購策略之研究, in 營建工程系. 2018, 國立臺灣科技大學: 台北市. p. 96.
12. 溫珮伶, 散裝海運市場運價決定機制及影響因素分析, in 國際貿易研究所. 2005, 中原大學: 桃園縣. p. 94.
13. 鄭佩君, 應用基因演算法結合時間序列於台灣地區鋼鐵需求漲跌幅之預測, in 工業工程與管理系碩士班. 2014, 國立臺北科技大學: 台北市. p. 74.
14. Song, Y.Y. and Y. Lu, Decision tree methods: applications for classification and prediction. Shanghai Arch Psychiatry, 2015. 27(2): p. 130-5.
15. 呂佳穎, 運用自動編碼器與主成分分析結合決策樹預測台積電股價. 2019.
16. Piramuthu, S., Input Data for Decision Trees. Expert Systems with Applications, 2008. 34: p. 1220-1226.
17. 張怡雅, 以主成份分析建構高效率決策樹, in 流通管理系碩士班. 2010, 臺中技術學院: 台中市. p. 57.
18. Liu, C., et al., Forecasting copper prices by decision tree learning. Resources Policy, 2017. 52: p. 427-434.
19. 陳俊廷, 應用決策樹分析重大職業災害統計資料-以建築工程為例. 2018, 國立臺北商業大學. p. 1-34.
20. 蔣政邑, 以模糊決策樹預測台灣加權股價走勢, in 財務金融系. 2015, 朝陽科技大學. p. 1-61.
21. 劉雅方, 運用決策樹預測產品不良因素之研究-以半導體封裝廠為例, in 工業與系統工程研究所. 2019, 中原大學. p. 1-46.
22. Garg, A. and K. Tai. Comparison of regression analysis, Artificial Neural Network and genetic programming in Handling the multicollinearity problem. in 2012 Proceedings of International Conference on Modelling, Identification and Control. 2012.
23. Liu, Z., et al. Steel prices index prediction in China based on BP neural network. in LISS 2014: Proceedings of 4th International Conference on Logistics, Informatics and Service Science. 2015. Springer.
24. Shiha, A., E.M. Dorra, and K. Nassar, Neural networks model for prediction of construction material prices in Egypt using macroeconomic indicators. Journal of Construction Engineering and Management, 2020. 146(3): p. 04020010.
25. Xu, X. and Y. Zhang, Scrap steel price forecasting with neural networks for east, north, south, central, northeast, and southwest China and at the national level. Ironmaking & Steelmaking, 2023. 50(11): p. 1683-1697.
26. 台灣鋼鐵工業同業公會, 統計資訊. 2023: https://www.tsiia.org.tw/.
27. 經濟部統計處, 105年基期工業生產指數 統計修訂說明. 2018.
28. Kaiser, H.F., An index of factorial simplicity. Psychometrika, 1974. 39(1): p. 31-36.
29. Lewis, C.D., Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting. (No Title), 1982.