政府於不同時期因應國際及國內經濟提出相對之政策與產業經濟發展，均影響航空客、貨運量發展情形，惟過去研究多著重於採用不同模式預測航空客、貨運量，本研究期望找出航空運量資料分類之重要特徵及其規則，作為機場經營策略調整及政府航空政策之參考。本研究以2001年1月至2014年12月共144個月的機場航空客貨運及32個經濟相關指標作為資料庫之基礎，運用資料探勘中之K-means演算法及決策樹分析法，找出資訊電子工業生產指數、平均每人所得、就業人數、日本日經225指數等4項特徵因素，其規則為當資訊電子工業生產指數大於83.22時為第2群集，當資訊電子工業生產指數小於等於83.22、且平均每人所得小於等於3,222.00美元時為第1群集，當資訊電子工業生產指數小於等於83.22、平均每人所得大於3,222.00美元、且就業人數小於等於10,134千人時為第5群集，當資訊電子工業生產指數小於等於83.22，平均每人所得大於3,222.00美元，就業人數大於10,134千人，而日本日經225指數小於等於10,546.44者為第3群集，反之，日本日經225指數大於10,546.44者為第4群集。
根據上述規則，更進一步分析發現在第2群集，機場旅客每月增加24,823人次，各航線旅客人數均增加，其中主要為機場國際航線(含港澳)，機場貨物總噸數每月減少218.19公噸，主要為兩岸航線貨物噸數增加數少於國際航線(含港澳)及轉口貨物噸數減少數所致；在第1群集，機場旅客每月減少達31,762人次，國內航線、國際航線及過境旅客均大幅減少，機場貨物總噸數每月增加1,003.67公噸，各航線貨物噸數均增加；在第5群集，機場旅客每月增加2,742人次，國際航線部分旅客每月增加13,132人次，但國內線旅客每月減少11,265人次，機場貨物總噸數每月增加30.71公噸，其中轉口貨物噸數每月增加數大於國際航線每月減少數；在第3群集，機場旅客每月增加35,101人次，各航線旅客人數均增加，主要為機場兩岸航線，惟日本、新加坡來臺旅客旅客呈減少趨勢，機場貨物總噸數每月增加5,699.78公噸，主要為轉口貨物及國際航線貨物噸數增加所致；在第4群集，機場旅客每月減少28,711人次，除兩岸航線旅客人數增加1,458人次外，各航線旅客人數均為減少情形，其中又以國內航線減少25,960人次最多，機場貨物總噸數每月減少455.65公噸，進、出口貨物噸數亦均呈現減少趨勢。本研究結果找出影響機場客貨運量的4項重要特徵因素及其分類規則，並據以分析各群集機場客、貨運量主要特徵及增減變動情形，可作為後續機場公司、政府或相關業者機場經營策略、營運及投資計畫、及觀光發展計畫與發展產業政策之參考。

The volume of passengers and cargoes usually represent the economic development of a country. It is important to assure its airport(s) that are able to deal with the volume. The objectives of the study are to determine the impact factors and to analyze these factors so as to make suggestions for future operational plans to airport development. Investigating impact factors from literature review, we determine 32 features that influence the volume of imports and passengers in Taiwan. Data collected from a governmental databank containing detailed information for the past 144 months from 2001 to 2014 in Taiwan are the bases. K-means and decision tree C5.0 are employed to obtain 4 rules that divide the data into 5 clusters. These 4 rules and their corresponding thresholds are: IT (Information Technology) production index, 83.22; NI (National Income), $3222USD; employed population, 10.134 million; JP-NKY (Nikkei Stock Average 225 Index), 10546.44, respectively. The analyses based on the decision rules show the trends that explain how to make adjustments associated with airport operational strategies and further investment to the airport(s).

參考文獻
1.王賢崙，顧聖傑，陳宏瑋，單變量ARIMA及類神經網路模式預測香港國際航空站旅客流量，明新學報，38(2)，69-83頁，2012。
2.王薏婷，航空客運與航空貨運預測模式之研究，新北市，真理大學休閒遊憩事業學系碩士論文，2010。
3.交通部，交通政策白皮書－空運，2013。
4.交通部民用航空局，民航局102年年報，2014。
5.交通部民用航空局，民國97年度「Airport Planning」機場規劃訓練課程出國報告，2009。
6.交通部民用航空局，臺灣桃園機場綱要計畫，2010。
7.交通部運輸研究所，桃園機場未來之發展與展望，2014。
8.李宣佑，顧客需求導向對都會區不動產特徵價格影響之研究，國立中央大學營建管理研究所碩士論文，2014。
9.李婉婷，機場運量需求預測模式之研究－南部國際機場，高雄市，國立高雄大學都市發展與建築研究所碩士論文，2009。
10.林兆韋，台灣景氣循環與搭乘航空運輸旅客人口數之關聯性探討－以臺北松山機場、桃園機場、高雄小港機場、花蓮機場、馬公機場為例，花蓮縣，國立東華大學企業管理學系碩士論文，2014。
11.林谷隆，開放陸客自由行對台灣觀光產業影響研究，淡江大學中國大陸研究所碩士論文，2013。
12.林佳慧，台灣國際航空貨運量之預測，高雄市，國立高雄第一科技大學運輸倉儲營運所碩士論文，2005。
13.林東慶，以灰色理論和類神經網路預測航空客貨運量之變化，臺南市，國立成功大學民航研究所碩士論文，2007。
14.林淑芬，資料探勘SO EASY—以SPSS Modeler為例，國立臺灣大學計算機及資訊網路中心電子報，29，2014。
15.邱妍禎，和平工業港散乾貨運量分析與預測，基隆市，國立臺灣海洋大學航運管理學系碩士論文，2010。
16.洪慈鈞，人工智慧、集群分析與屬性篩選在台灣指數期貨預測之研究，新竹縣，明新科技大學企業管理研究所碩士論文，2010。
17.洪瑞霙，東南亞與歐洲重點航線運量預測模式之建構，臺中市，逢甲大學運輸科技與管理學系碩士論文，2011。
18.張育維，組合模式於桃園機場貨物運量預測之研究，運輸學刊，26(2)，203-30，2014。
19.張原賓，以類神經網路模型預測航空旅客運量，臺南市，國立成功大學民航研究所碩士論文，2008。
20.陳石麟，資料採礦於預測國人出國觀光需求之應用-以整體、香港和澳門為例，國立臺灣大學資訊管理研究所，2003。
21.陳俊華，移動式網格之分散式資料分群技術，臺北市，東吳大學資訊科學系碩士論文，2006。
22.黃圩君，以遺傳程式規劃為基的產品關聯與顧客輪廓規則探勘之研究，新北市，輔仁大學資訊管理學系碩士論文，2004。
23.楊文瑋，中正國際機場需求預測模式建構與評估－時間序列之應用，新北市，淡江大學管理科學研究所碩士論文，2004。
24.楊勝富，以群集分析結合決策樹建置門診醫師排班作業提昇醫療服務品質，臺中市，國立勤益科技大學工業工程與管理系碩士論文，2012。
25.鄭凱駿，應用資料精減於破產預測之研究，嘉義縣，國立中正大學會計與資訊科技研究所碩士論文，2009。
26.蘇承正，中國大陸經濟發展對亞洲航空站運量之分析與預測，新竹市，國立交通大學運輸科技與管理學系碩士論文，2005。
27.中華民國統計資訊網－總體統計資料庫（http://statdb.dgbas.gov.tw/pxweb/Dialog/statfile9L.asp）。
28.交通部統計查詢網（http://stat.motc.gov.tw）。
29.行政院大陸委員會網站
30.財政部關務署網站。
31.財政部關務署統計資料庫查詢系統（https://portal.sw.nat.gov.tw）。
32.Boeing Current Market Outlook 2014-2033報告。
33.Chen, J. S., Ching, R. K. H., and Lin, Y. S. 2004. “An extended study of the K-means algorithm for data clustering and its applications.” The Journal of the Operational Research Society 55(9): 976-987.
34.Cheung, Y. M. 2003. “K-Means: A New Generalized K-means Clustering Algorithm.”Pattern Recognition Letters 24(1): 2883-2893.
35.Dash, M., Liu, H. and Xu, X. 2001. “`1+1>2': Merging Distance and Density Based Clustering.” In Proceeding 7th International Conference on Database Systems for Advanced Applications: 32-39. Hong Kong.
36.Fayyad U., G. P.-Shapiro, and P. Smyth. “From data mining to knowledge discovery in databases”, AI Magazine, 17(3):37-54, Fall 1996.
37.Fayyad, U., Piatetsky S. G. and Smyth, P. 1996. “From data mining to knowledge discovery: An Overview In Advances in Knowledge Discovery and Data Mining.” American Association for Artificial Intelligence: 1-34.
38.Frawley W. J., G. Piatetsky-Shapiro, and C. J. Matheus. “Knowledge discovery in databases: An overview”, In G. Piatetsky-Shapiro and W. J. Frawley, editors, Knowledge Discovery in Databases, pages 1-27. AAAI/MIT Press, 1991.
39.Lee, K., Booth, D. and Alam, P. 2005. “A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms.” Expert Systems with Applications 29: 1-16.
40.Pyle, D. 1999. “Data Preparation for Data Mining.” Morgan Kaufmann, San Francisco, CA.
41.San, O.M., Huynh, V. and Nakamori, Y. 2004. “An alternative extension of the K-means algorithm for clustering categorical data.” International Journal of Applied Mathematics and Computer Science 14(2): 241-247.
42.Tian, J., Zhu, L., Zhang, S. and Liu, L. 2005. “Improvement and parallelism of K-means clustering algorithm.” Tsinghua Science and Technology 10(3): 277-281.
43.Tobias Grosche, Franz Rothlauf, Armin Heinzl,“Gravity models for airline passenger volume estimation”,Journal of Air Transport Management, Volume 13, Issue 4, July 2007, Pages 175-183,2007