我國近年政府部門努力推動數位轉型及數位治理，以提升國家發展競爭力。而在跨國投資中，廠房等建築物的興建對開發時程影響甚巨，作為政府單位中建築管理部門掌控的建築許可審查時程，更被視為評估國家發展的關鍵指標。故本研究運用大數據分析中常用的資料探勘技術來分析政府建築物申請建築許可審查資料，探討對於建築許可審查時程造成影響之各項因子，如申請人、建築師、建築物規模、建築物類型、承辦人員、土地使用區位及建物座落行政區等，是否對於審查時程造成差異，同時採用Power BI 進行數據分析並建置資料視覺化系統，分析了解各項因子，包含多維度分析，來呈現對於審查時程影響之差異及結果。另本研究利用Azure ML機器學習模組中的迴歸模型來協助建立預測模型，並根據所產生的結果將各種影響因子進行交叉比對分析，建立初步的建築許可審查預測雛型系統，以推算案件合理之審查時程。
本研究採用大數據分析與探勘技術，運用建築許可審查資料進行資料分析，並建立國內首創的預測雛型系統，經研究測試，該模型預測準確度高達84.6%。本預測雛型系統可提供私部門，如公司等開發單位，有效預測申請建築許可時，所需花費的合理審查時間成本，一方面落實行政透明，進而可有效控管開發所需承擔之風險。另外，還可以提供主管機關管理階層進行績效管理與組織行政革新，對於業務執行之承辦人員及工作分配進行控管，並可改善審查流程或異常預警。同時，所得到的分析結果另可推廣於各縣市政府建築許可審查運用，亦可擴大推動政府部門各項審查事務之行政管理參考；未來亦可在本研究的基礎下連結更多跨部門或領域之資料，再輔以深化或整合性分析，可以獲更完善之數位治理成效。

In recent years, our government has made great efforts to promote digital transformation and digital governance in order to enhance the competitiveness of national development. The construction permit review schedule is controlled by the construction management department in the government. This schedule is regarded as a key indicator of the World Bank's assessment of the investment environment for development of various countries. Therefore, this study uses data mining techniques commonly used in big data analysis to analyze the application data for getting government’s building permits, and explores various factors that affect the review process of issuing building permits, such as applicants, architects, building size, construction, type of property, contractors, land use location, and the administrative district where the building is located. All these factors can cause differences in the review schedule. At the same time, Power BI is used for data analysis and a data visualization system is built to present the differences and impact on the review schedule.
In addition, this research makes use of a few regression models provided in the Microsoft Azure ML studio to obtain a prediction model, and establishes a preliminary building permit review prediction prototype system based on the results to estimate the reasonable review time of a case. This forecast prototype system can allow companies and other development units to effectively predict the reasonable review time and cost required to apply for a building permit, and then effectively control the risks required for development. The proposed system can assist contractors on work assignments, improve business execution and the review process, and issue alters for abnormal cases when needed.

中文文獻
Azure Machine Learning (2022)。Azure Machine Learning文件。取自https://docs.microsoft.com/zh-tw/azure/machine-learning/，引用日期：2022年6月。
Donald, F. K. (2019). 大數據與公共政策 (謝孟達譯)。臺北市：五南。
Microsoft (2022)。POWER BI導引式學習。取自https://docs.microsoft.com/zh-tw/learn/modules/get-started-with-power-bi/?tutorial-s=，引用日期：2022年6月。
Microsoft (2022)。評估模型模組。取自https://docs.microsoft.com/zh-tw/azure/machine-learning/algorithm-module-reference/evaluate-model，引用日期：2022年6月。
李洛維, & 朱斌妤. (2021). 推動服務型智慧政府的核心引擎：資料治理的挑戰與對策. 文官制度, 13(2), 115-151.
國家發展委員會 (2020)。 2020臺灣經商環境改革報告-針對世界銀行指標之說明。取自https://theme.ndc.gov.tw/eodb/Content_List.aspx?n=25B1E73786A8BAE0，引用日期：2022年6月。
國家發展委員會 (2021)。 2021年IMD世界競爭力評比 臺灣躍居全球第8名。取自https://www.ndc.gov.tw/nc_27_35060，引用日期：2022年6月。
國家發展委員會(2022) 。數位治理。取自https://www.ndc.gov.tw/Content_List.aspx?n=DCD4BE1106ED5B01，引用日期：2022年6月。
陳敦源, 朱斌妤, 蕭乃沂, 黃東益, 廖洲棚, 曾憲立 (2020)。政府數位轉型：一本必讀的入門書。臺北市：五南。
經濟部國貿局(2021)。2021年IMD世界競爭力報告。取自https://info.taiwantrade.com/biznews/2021%E5%B9%B4imd%E5%85%A8%E7%90%83%E7%AB%B6%E7%88%AD%E5%8A%9B%E6%8E%92%E5%90%8D%E7%91%9E%E5%A3%AB%E5%85%A8%E7%90%83%E7%AC%AC1-2368324.html，引用日期：2022年6月。
臺南市政府官方網站(2022)。臺南市地理環境。取自https://www.tainan.gov.tw/cp.aspx?n=13292，引用日期：2022年6月。
臺南市開放政府平台 (2022) 。110年臺南市都市計畫面積及人口。取自https://data.tainan.gov.tw/dataset/planpopulation，引用日期：2022年6月。
營建署(2022)。，建築管理組營建業務說明。取自https://www.cpami.gov.tw/，引用日期：2022年6月。
英文文獻
Barga, R., Fontama, V., Tok, W. H., & Cabrera-Cordon, L. (2015). Predictive analytics with Microsoft Azure machine learning. Springer.
Codd, E. F. (1993). Providing OLAP (on-line analytical processing) to user-analysts: An IT mandate. http://www.arborsoft.com/papers/coddTOC.html.
Coxe, S., West, S. G., & Aiken, L. S. (2009). The analysis of count data: A gentle introduction to Poisson regression and its alternatives. Journal of personality assessment, 91(2), 121-136.
Erraissi, A., & Belangour, A. (2019). Meta-modeling of big data visualization layer using On-Line Analytical Processing (OLAP). International Journal of Advanced Trends in Computer Science and Engineering, 8(4), 990-998.
Kong, D., Zhu, J., Duan, C., Lu, L., & Chen, D. (2020). Bayesian linear regression for surface roughness prediction. Mechanical Systems and Signal Processing, 142, 106770.
Lankow, J., Ritchie, J., & Crooks, R. (2012). Infographics: The power of visual storytelling. John Wiley & Sons.
Murray, S. (2017). Interactive data visualization for the web: an introduction to designing with D3. " O'Reilly Media, Inc.".
Palaniappan, S., & Ling, C. (2008). Clinical decision support using OLAP with data mining. International Journal of Computer Science and Network Security, 8(9), 290-296.
Poyarkov, A., Drutsa, A., Khalyavin, A., Gusev, G., & Serdyukov, P. (2016). Boosted decision tree regression adjustment for variance reduction in online controlled experiments. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,
Raschka, S. (2018). Model evaluation, model selection, and algorithm selection in machine learning. arXiv preprint arXiv:1811.12808.
Rokach, L. (2016). Decision forest: Twenty years of research. Information Fusion, 27, 111-125.
Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. (2014). Business intelligence and analytics. System for Decesion Support.
Specht, D. F. (1991). A general regression neural network. IEEE transactions on neural networks, 2(6), 568-576.
Su, X., Yan, X., & Tsai, C. L. (2012). Linear regression. Wiley Interdisciplinary Reviews: Computational Statistics, 4(3), 275-294.