1

發文字號勞動關 3字第 1040127622號

委託機關勞動部

專案名稱大量解僱勞工時勞動市場變動趨勢評

估研究

執行人中國文化大學勞工關係學系 張家春副

教授

2

目錄

第一章 緒論 1

壹 緣起 1

貳 研究目的 2

參 研究策略與實施方法 3

肆 研究架構 4

第二章 大量解僱案例分析 5

第三章 大量解僱廠商之經營策略型態解析 9

一 中小企業關鍵性績效指標及財務危機指標 11

二 人力資源管理劣化徵兆 20

第四章 大量解雇之型態 23

第五章 大量解雇之訊息分析初探 26

一 大量解雇大數據資料規劃塗鴉版 28

二 大量解僱行為大數據資料蒐集應注意事項 31

第六章 大量解僱大數據分析之建置研究 34

一 資料說明 34

二 資料探勘在大量解僱課題之應用簡示 35

(一) 時間序列法 35

(二) 簡單移動平均法 38

(三) 複迴歸 39

(四) 中心點移動平均法 40

(五) 類神經分析 41

第七章 結論與建議 47

參考資料 50

附錄 大量解雇新聞剪輯 51

1

大量解雇勞工時勞動市場變動趨勢評估之研究

第一章 緒論

壹緣起

產業不斷的在變動職務不斷地在變動五年前誰知道跨境的電商居然變

得這麼樣的普遍今天白天訂貨傍晚就已經送到家門口的宅急便是如此方便的加

速電子商務流通誰知道運動產業以及旅遊變成最夯的未來發展產業少子化

的影響是什麼高齡化社會又會帶來什麼樣需求的變化我們大量解僱勞工保

護法是不是還在以製造業為主的思考下所立的法呢我們採用的經濟模型專家

都知道這是事後解釋功能遠高於事前預測是屬「後知後覺」的工具但是卻還

不斷的反覆求證希望能成為先天下而洞知未來的模擬(Simulation)利器當然

結果是力有未逮

臺灣功能性化纖紡織在外移了數十家的的紡織公司之後在紡織產業曾被

稱為夕陽產業的二十年後居然由殘存的公司走出他們自己的路沒有政府大力

的挹注也沒有科技免稅的獎勵有誰知道未來工業 40IoT(物聯網)線上

集客-線下消費（O2O）綠色產業大數據智慧化行動化雲端運算及知識

產業的相關發展又會走向哪裡電動車是否很快的就可以取代汽油汽車這些

產業的變動所帶動人力需求的變動及連帶人才養成的教育訓練需求變動如果我

們不能掌握那麼我們會發現對大量的勞動供需結構變動的掌握是有困難既使

我們以落後的後知後覺方式察覺到大量解僱對於勞資之間的聘雇關係的介入也

是有限的

談起大量解雇預警時許多的經濟學者感到困難由於全球化影響幾乎跨

國公司已經成為普遍的現象即使不是一家公司在各個不同的國家從事垂直或者

是水平的分工的跨國生產行為那麼在供應鏈的關係下公司與上下游跨國的其

他公司之間的聯動關係也不是過去以國境為範圍的總體經濟模型所能夠掌握的

所以這幾年總體經濟模型以分析國內的所得分配所得成長或者是工資走向

物價趨勢等這些以固定國境為範圍的經濟行為聯動關係的模擬及預測尙有可為

但是對於跨國經營生產行為掌握相關的總體經濟行為就難以發揮了

隨著全球化經濟影響日趨明顯事業單位為求生存與永續發展勢必對生產

和工作組織之調整進行策略性佈局諸如合併轉讓組織改造或生產基地移轉

等經營型態之變革不一而足雖事業單位隨市場變動而做出大量解僱之經營決

策為自由經濟市場之自然規律惟此種經營變革涉及勞工工作權以及雇主經營

權之衝突殆將導致諸多社會問題為衡平社會利益及尊重市場機制對於因市

場競爭環境衝擊而受不利地位之受僱者而言實有必要在針對大量解僱做出更高

於勞動整體市場的變動預測簡言之大量解僱的預警應該更有針對性更要有

敏感性

2

貳研究目的

所謂大量解僱勞工依大量解僱勞工保護法第 2條規定指事業單位有勞動

基準法第 11條所定各款情形之一或 因併購改組而解僱勞工且有下列情形

一同一事業單位之同一廠場僱用勞工人數未滿三十人者於六十日內解僱勞工

逾十人

二同一事業單位之同一廠場僱用勞工人數在三十人以上未滿二百人者於六十

日內解僱勞工逾所僱用勞工人數三分之一或單日逾二十人

三同一事業單位之同一廠場僱用勞工人數在二百人以上未滿五百人者於六十

日內解僱勞工逾所僱用勞工人數四分之一或單日逾五十人

四同一事業單位之同一廠場僱用勞工人數在五百人以上者於六十日內解僱勞

工逾所僱用勞工人數五分之一或單日逾八十人

五同一事業單位於六十日內解僱勞工逾二百人或單日逾一百人

又其僱用及解僱勞工人數之計算不包含就業 服務法第 46條所定之定期契

約勞工

事業單位大量解僱勞工時依同法第 4條第 1項 規定應於符合第 2條規

定情形之日起 60日前將解僱計畫書通知主管機關及相關單位或人員並公告

揭示但因天災事變或突發事件不受 60日之限制又前項規定通知相關單

位或人員之順序依同條第 2項之規定為1事業單位內涉及大量解僱部門勞工

所屬之工會2事業單位勞資會議之勞方代表3事業單位內涉及大量解僱部門

之勞工但不包含就業服務法第 46條所定之定期契約勞工另事業單位依第 1

項規定提出之解僱計畫書內容依同條第 3項規定應記載下列事項1解僱理

由2解僱部門3解僱日期4解僱人數5解僱對象之選定標準6資遣費

計算方式及輔導轉業方案等

由大量解僱勞工保護法的法條精義來看本法並非要阻止大量解僱也不是

要將受解僱勞工強制的保留在企業內或者是轉介到其他的地方去只是在爭取

預留妥善安置勞工的前置時間或者是為受到解僱的勞工爭取適當的合理的條

件更是深恐少數受解僱勞工其團結力量的不足所以設計由政府及工會介入的

空間在條件方面我們綜合該法的相關法條可以得知面對這樣的大量解僱

政府還是希望透過勞雇雙方本於自治精神進行協商政府得於雙方無法自治自

由協商時介入進行強制協商並派出就服人員進駐此後重點就是在於是否有

積欠工資保費及退休金是否合理的核算資遣費等至於該法所提的日後必須

優先再僱用及雇主違反規定必須回復被解雇勞工之職務等並非評估機制設立的

目的所以這個研究計畫主要目的一方面要在資方還沒有提出大量解雇的通知

的時候就能夠更預先的得知未來可能發生的情勢更就大量解雇的產業或者是

公司作出相關的結構解析了解其趨勢

由於中經院已經就勞動市場預警指標進行分年的研究鉅細靡遺計參考國

際勞工組織相關指標(包括 KILM)又參考歐盟OECD美國(LMCI)中國及相

關國家等針對景氣指標及勞動市場指標做出設計本計劃如若再依樣畫葫蘆

3

則有畫蛇添足之嫌故而轉向結構性的分析架構提出創新之大數據分析建議以

供職事者之參考

根據大量解僱勞工保護法第十五條 為掌握勞動市場變動趨勢中央主管機

關應設置評估委員會就事業單位大量解僱勞工原因進行資訊蒐集與評估以作

為產業及就業政策制訂之依據自從大量解雇評估委員會設置以來鮮少有重大

大量解僱案件驚動該委員會此概為廠商因應得法之故試問如果廠商想規避大

量解僱勞工保護法只需將解僱分次執行即可錯開人數使六十天內解僱人數未

達法令規定之數即可近年來廠商更有無薪假可做為選擇的因應之道更可以趨

緩於動用大量解僱的做法因此能驚動評估委員會者必為以下兩種類型之廠商

(一)大而急的生產變動廠商又欠缺避害之道有如電學上的突波而電路卻沒

有設置突波接收器或斷路保險所致(二)不知趨避行為的廠商對於「大量解僱

勞工的雇主經主管機關限期令其清償又屆期未清償者中央主管機關得函請入

出國管理機關禁止其代表人及實際負責人出國之處分置若罔聞或對事業單位違

反第四條第一項規定未於期限前將解僱計畫書通知主管機關及相關單位或人員

並公告揭示者處新臺幣十萬元以上五十萬元以下罰鍰並限期令其通知或公告

揭示屆期未通知或公告揭示者按日連續處罰至通知或公告揭示為止」之處分

不在乎者因此大量解僱的趨勢評估更重在整體經濟情勢的掌握及個體經營信息

的所帶來的人力僱用策略評估

因此本計畫將不同於過去經濟研究機構以經濟模型為主的模型推估或者是

KPI的蒐集及趨勢分析而是涵蓋這些研究單位推薦的結構資訊及市場資訊並

且更廣泛的納入國際訊息資訊及時新聞資訊及相關的財報資訊勞工保險資訊

及健保資訊(最規律短期逐月最健全)工會活動訊息勞資爭議信息股市訊

息及 PMIHRMI電力供應躉售物價消費者信心指數等相關的經營信息運

用大數據分析的技術嚐試建立一個涵蓋不是僅依靠既有訊息更建議未來能推

動蒐集的訊息不是僅止於這個計劃更建議未來更多人參與更擴展開來的多

面向資訊分析模式來反映相對經濟理論顯得複雜行為之大數據行為模式推衍的

大量解僱變動趨勢分析

參研究策略與實施方法

一案例分析法

結合新聞及文獻資料對大量解僱事件進行分析得出一般性普遍性的規

律的方法

二企業大量解僱組織行為分析

透過大量解僱企業組織中人的行為和心理規律的研究包括對組織中個體

行為的研究群體行為的研究以及企業組織行為的研究研究重點是企

業組織在大量解僱中財物及人力資源管理的行為和特徵研究

三大數據成功規劃案例對比分析

利用目前成功的大數據分析案例其發展內容及步驟對照發展出大量解僱

2

目錄

第一章 緒論 1

壹 緣起 1

貳 研究目的 2

參 研究策略與實施方法 3

肆 研究架構 4

第二章 大量解僱案例分析 5

第三章 大量解僱廠商之經營策略型態解析 9

一 中小企業關鍵性績效指標及財務危機指標 11

二 人力資源管理劣化徵兆 20

第四章 大量解雇之型態 23

第五章 大量解雇之訊息分析初探 26

一 大量解雇大數據資料規劃塗鴉版 28

二 大量解僱行為大數據資料蒐集應注意事項 31

第六章 大量解僱大數據分析之建置研究 34

一 資料說明 34

二 資料探勘在大量解僱課題之應用簡示 35

(一) 時間序列法 35

(二) 簡單移動平均法 38

(三) 複迴歸 39

(四) 中心點移動平均法 40

(五) 類神經分析 41

第七章 結論與建議 47

參考資料 50

附錄 大量解雇新聞剪輯 51

1

大量解雇勞工時勞動市場變動趨勢評估之研究

第一章 緒論

壹緣起

產業不斷的在變動職務不斷地在變動五年前誰知道跨境的電商居然變

得這麼樣的普遍今天白天訂貨傍晚就已經送到家門口的宅急便是如此方便的加

速電子商務流通誰知道運動產業以及旅遊變成最夯的未來發展產業少子化

的影響是什麼高齡化社會又會帶來什麼樣需求的變化我們大量解僱勞工保

護法是不是還在以製造業為主的思考下所立的法呢我們採用的經濟模型專家

都知道這是事後解釋功能遠高於事前預測是屬「後知後覺」的工具但是卻還

不斷的反覆求證希望能成為先天下而洞知未來的模擬(Simulation)利器當然

結果是力有未逮

臺灣功能性化纖紡織在外移了數十家的的紡織公司之後在紡織產業曾被

稱為夕陽產業的二十年後居然由殘存的公司走出他們自己的路沒有政府大力

的挹注也沒有科技免稅的獎勵有誰知道未來工業 40IoT(物聯網)線上

集客-線下消費（O2O）綠色產業大數據智慧化行動化雲端運算及知識

產業的相關發展又會走向哪裡電動車是否很快的就可以取代汽油汽車這些

產業的變動所帶動人力需求的變動及連帶人才養成的教育訓練需求變動如果我

們不能掌握那麼我們會發現對大量的勞動供需結構變動的掌握是有困難既使

我們以落後的後知後覺方式察覺到大量解僱對於勞資之間的聘雇關係的介入也

是有限的

談起大量解雇預警時許多的經濟學者感到困難由於全球化影響幾乎跨

國公司已經成為普遍的現象即使不是一家公司在各個不同的國家從事垂直或者

是水平的分工的跨國生產行為那麼在供應鏈的關係下公司與上下游跨國的其

他公司之間的聯動關係也不是過去以國境為範圍的總體經濟模型所能夠掌握的

所以這幾年總體經濟模型以分析國內的所得分配所得成長或者是工資走向

物價趨勢等這些以固定國境為範圍的經濟行為聯動關係的模擬及預測尙有可為

但是對於跨國經營生產行為掌握相關的總體經濟行為就難以發揮了

隨著全球化經濟影響日趨明顯事業單位為求生存與永續發展勢必對生產

和工作組織之調整進行策略性佈局諸如合併轉讓組織改造或生產基地移轉

等經營型態之變革不一而足雖事業單位隨市場變動而做出大量解僱之經營決

策為自由經濟市場之自然規律惟此種經營變革涉及勞工工作權以及雇主經營

權之衝突殆將導致諸多社會問題為衡平社會利益及尊重市場機制對於因市

場競爭環境衝擊而受不利地位之受僱者而言實有必要在針對大量解僱做出更高

於勞動整體市場的變動預測簡言之大量解僱的預警應該更有針對性更要有

敏感性

2

貳研究目的

所謂大量解僱勞工依大量解僱勞工保護法第 2條規定指事業單位有勞動

基準法第 11條所定各款情形之一或 因併購改組而解僱勞工且有下列情形

一同一事業單位之同一廠場僱用勞工人數未滿三十人者於六十日內解僱勞工

逾十人

二同一事業單位之同一廠場僱用勞工人數在三十人以上未滿二百人者於六十

日內解僱勞工逾所僱用勞工人數三分之一或單日逾二十人

三同一事業單位之同一廠場僱用勞工人數在二百人以上未滿五百人者於六十

日內解僱勞工逾所僱用勞工人數四分之一或單日逾五十人

四同一事業單位之同一廠場僱用勞工人數在五百人以上者於六十日內解僱勞

工逾所僱用勞工人數五分之一或單日逾八十人

五同一事業單位於六十日內解僱勞工逾二百人或單日逾一百人

又其僱用及解僱勞工人數之計算不包含就業 服務法第 46條所定之定期契

約勞工

事業單位大量解僱勞工時依同法第 4條第 1項 規定應於符合第 2條規

定情形之日起 60日前將解僱計畫書通知主管機關及相關單位或人員並公告

揭示但因天災事變或突發事件不受 60日之限制又前項規定通知相關單

位或人員之順序依同條第 2項之規定為1事業單位內涉及大量解僱部門勞工

所屬之工會2事業單位勞資會議之勞方代表3事業單位內涉及大量解僱部門

之勞工但不包含就業服務法第 46條所定之定期契約勞工另事業單位依第 1

項規定提出之解僱計畫書內容依同條第 3項規定應記載下列事項1解僱理

由2解僱部門3解僱日期4解僱人數5解僱對象之選定標準6資遣費

計算方式及輔導轉業方案等

由大量解僱勞工保護法的法條精義來看本法並非要阻止大量解僱也不是

要將受解僱勞工強制的保留在企業內或者是轉介到其他的地方去只是在爭取

預留妥善安置勞工的前置時間或者是為受到解僱的勞工爭取適當的合理的條

件更是深恐少數受解僱勞工其團結力量的不足所以設計由政府及工會介入的

空間在條件方面我們綜合該法的相關法條可以得知面對這樣的大量解僱

政府還是希望透過勞雇雙方本於自治精神進行協商政府得於雙方無法自治自

由協商時介入進行強制協商並派出就服人員進駐此後重點就是在於是否有

積欠工資保費及退休金是否合理的核算資遣費等至於該法所提的日後必須

優先再僱用及雇主違反規定必須回復被解雇勞工之職務等並非評估機制設立的

目的所以這個研究計畫主要目的一方面要在資方還沒有提出大量解雇的通知

的時候就能夠更預先的得知未來可能發生的情勢更就大量解雇的產業或者是

公司作出相關的結構解析了解其趨勢

由於中經院已經就勞動市場預警指標進行分年的研究鉅細靡遺計參考國

際勞工組織相關指標(包括 KILM)又參考歐盟OECD美國(LMCI)中國及相

關國家等針對景氣指標及勞動市場指標做出設計本計劃如若再依樣畫葫蘆

3

則有畫蛇添足之嫌故而轉向結構性的分析架構提出創新之大數據分析建議以

供職事者之參考

根據大量解僱勞工保護法第十五條 為掌握勞動市場變動趨勢中央主管機

關應設置評估委員會就事業單位大量解僱勞工原因進行資訊蒐集與評估以作

為產業及就業政策制訂之依據自從大量解雇評估委員會設置以來鮮少有重大

大量解僱案件驚動該委員會此概為廠商因應得法之故試問如果廠商想規避大

量解僱勞工保護法只需將解僱分次執行即可錯開人數使六十天內解僱人數未

達法令規定之數即可近年來廠商更有無薪假可做為選擇的因應之道更可以趨

緩於動用大量解僱的做法因此能驚動評估委員會者必為以下兩種類型之廠商

(一)大而急的生產變動廠商又欠缺避害之道有如電學上的突波而電路卻沒

有設置突波接收器或斷路保險所致(二)不知趨避行為的廠商對於「大量解僱

勞工的雇主經主管機關限期令其清償又屆期未清償者中央主管機關得函請入

出國管理機關禁止其代表人及實際負責人出國之處分置若罔聞或對事業單位違

反第四條第一項規定未於期限前將解僱計畫書通知主管機關及相關單位或人員

並公告揭示者處新臺幣十萬元以上五十萬元以下罰鍰並限期令其通知或公告

揭示屆期未通知或公告揭示者按日連續處罰至通知或公告揭示為止」之處分

不在乎者因此大量解僱的趨勢評估更重在整體經濟情勢的掌握及個體經營信息

的所帶來的人力僱用策略評估

因此本計畫將不同於過去經濟研究機構以經濟模型為主的模型推估或者是

KPI的蒐集及趨勢分析而是涵蓋這些研究單位推薦的結構資訊及市場資訊並

且更廣泛的納入國際訊息資訊及時新聞資訊及相關的財報資訊勞工保險資訊

及健保資訊(最規律短期逐月最健全)工會活動訊息勞資爭議信息股市訊

息及 PMIHRMI電力供應躉售物價消費者信心指數等相關的經營信息運

用大數據分析的技術嚐試建立一個涵蓋不是僅依靠既有訊息更建議未來能推

動蒐集的訊息不是僅止於這個計劃更建議未來更多人參與更擴展開來的多

面向資訊分析模式來反映相對經濟理論顯得複雜行為之大數據行為模式推衍的

大量解僱變動趨勢分析

參研究策略與實施方法

一案例分析法

結合新聞及文獻資料對大量解僱事件進行分析得出一般性普遍性的規

律的方法

二企業大量解僱組織行為分析

透過大量解僱企業組織中人的行為和心理規律的研究包括對組織中個體

行為的研究群體行為的研究以及企業組織行為的研究研究重點是企

業組織在大量解僱中財物及人力資源管理的行為和特徵研究

三大數據成功規劃案例對比分析

利用目前成功的大數據分析案例其發展內容及步驟對照發展出大量解僱

1

大量解雇勞工時勞動市場變動趨勢評估之研究

第一章 緒論

壹緣起

產業不斷的在變動職務不斷地在變動五年前誰知道跨境的電商居然變

得這麼樣的普遍今天白天訂貨傍晚就已經送到家門口的宅急便是如此方便的加

速電子商務流通誰知道運動產業以及旅遊變成最夯的未來發展產業少子化

的影響是什麼高齡化社會又會帶來什麼樣需求的變化我們大量解僱勞工保

護法是不是還在以製造業為主的思考下所立的法呢我們採用的經濟模型專家

都知道這是事後解釋功能遠高於事前預測是屬「後知後覺」的工具但是卻還

不斷的反覆求證希望能成為先天下而洞知未來的模擬(Simulation)利器當然

結果是力有未逮

臺灣功能性化纖紡織在外移了數十家的的紡織公司之後在紡織產業曾被

稱為夕陽產業的二十年後居然由殘存的公司走出他們自己的路沒有政府大力

的挹注也沒有科技免稅的獎勵有誰知道未來工業 40IoT(物聯網)線上

集客-線下消費（O2O）綠色產業大數據智慧化行動化雲端運算及知識

產業的相關發展又會走向哪裡電動車是否很快的就可以取代汽油汽車這些

產業的變動所帶動人力需求的變動及連帶人才養成的教育訓練需求變動如果我

們不能掌握那麼我們會發現對大量的勞動供需結構變動的掌握是有困難既使

我們以落後的後知後覺方式察覺到大量解僱對於勞資之間的聘雇關係的介入也

是有限的

談起大量解雇預警時許多的經濟學者感到困難由於全球化影響幾乎跨

國公司已經成為普遍的現象即使不是一家公司在各個不同的國家從事垂直或者

是水平的分工的跨國生產行為那麼在供應鏈的關係下公司與上下游跨國的其

他公司之間的聯動關係也不是過去以國境為範圍的總體經濟模型所能夠掌握的

所以這幾年總體經濟模型以分析國內的所得分配所得成長或者是工資走向

物價趨勢等這些以固定國境為範圍的經濟行為聯動關係的模擬及預測尙有可為

但是對於跨國經營生產行為掌握相關的總體經濟行為就難以發揮了

隨著全球化經濟影響日趨明顯事業單位為求生存與永續發展勢必對生產

和工作組織之調整進行策略性佈局諸如合併轉讓組織改造或生產基地移轉

等經營型態之變革不一而足雖事業單位隨市場變動而做出大量解僱之經營決

策為自由經濟市場之自然規律惟此種經營變革涉及勞工工作權以及雇主經營

權之衝突殆將導致諸多社會問題為衡平社會利益及尊重市場機制對於因市

場競爭環境衝擊而受不利地位之受僱者而言實有必要在針對大量解僱做出更高

於勞動整體市場的變動預測簡言之大量解僱的預警應該更有針對性更要有

敏感性

2

貳研究目的

所謂大量解僱勞工依大量解僱勞工保護法第 2條規定指事業單位有勞動

基準法第 11條所定各款情形之一或 因併購改組而解僱勞工且有下列情形

一同一事業單位之同一廠場僱用勞工人數未滿三十人者於六十日內解僱勞工

逾十人

二同一事業單位之同一廠場僱用勞工人數在三十人以上未滿二百人者於六十

日內解僱勞工逾所僱用勞工人數三分之一或單日逾二十人

三同一事業單位之同一廠場僱用勞工人數在二百人以上未滿五百人者於六十

日內解僱勞工逾所僱用勞工人數四分之一或單日逾五十人

四同一事業單位之同一廠場僱用勞工人數在五百人以上者於六十日內解僱勞

工逾所僱用勞工人數五分之一或單日逾八十人

五同一事業單位於六十日內解僱勞工逾二百人或單日逾一百人

又其僱用及解僱勞工人數之計算不包含就業 服務法第 46條所定之定期契

約勞工

事業單位大量解僱勞工時依同法第 4條第 1項 規定應於符合第 2條規

定情形之日起 60日前將解僱計畫書通知主管機關及相關單位或人員並公告

揭示但因天災事變或突發事件不受 60日之限制又前項規定通知相關單

位或人員之順序依同條第 2項之規定為1事業單位內涉及大量解僱部門勞工

所屬之工會2事業單位勞資會議之勞方代表3事業單位內涉及大量解僱部門

之勞工但不包含就業服務法第 46條所定之定期契約勞工另事業單位依第 1

項規定提出之解僱計畫書內容依同條第 3項規定應記載下列事項1解僱理

由2解僱部門3解僱日期4解僱人數5解僱對象之選定標準6資遣費

計算方式及輔導轉業方案等

由大量解僱勞工保護法的法條精義來看本法並非要阻止大量解僱也不是

要將受解僱勞工強制的保留在企業內或者是轉介到其他的地方去只是在爭取

預留妥善安置勞工的前置時間或者是為受到解僱的勞工爭取適當的合理的條

件更是深恐少數受解僱勞工其團結力量的不足所以設計由政府及工會介入的

空間在條件方面我們綜合該法的相關法條可以得知面對這樣的大量解僱

政府還是希望透過勞雇雙方本於自治精神進行協商政府得於雙方無法自治自

由協商時介入進行強制協商並派出就服人員進駐此後重點就是在於是否有

積欠工資保費及退休金是否合理的核算資遣費等至於該法所提的日後必須

優先再僱用及雇主違反規定必須回復被解雇勞工之職務等並非評估機制設立的

目的所以這個研究計畫主要目的一方面要在資方還沒有提出大量解雇的通知

的時候就能夠更預先的得知未來可能發生的情勢更就大量解雇的產業或者是

公司作出相關的結構解析了解其趨勢

由於中經院已經就勞動市場預警指標進行分年的研究鉅細靡遺計參考國

際勞工組織相關指標(包括 KILM)又參考歐盟OECD美國(LMCI)中國及相

關國家等針對景氣指標及勞動市場指標做出設計本計劃如若再依樣畫葫蘆

3

則有畫蛇添足之嫌故而轉向結構性的分析架構提出創新之大數據分析建議以

供職事者之參考

根據大量解僱勞工保護法第十五條 為掌握勞動市場變動趨勢中央主管機

關應設置評估委員會就事業單位大量解僱勞工原因進行資訊蒐集與評估以作

為產業及就業政策制訂之依據自從大量解雇評估委員會設置以來鮮少有重大

大量解僱案件驚動該委員會此概為廠商因應得法之故試問如果廠商想規避大

量解僱勞工保護法只需將解僱分次執行即可錯開人數使六十天內解僱人數未

達法令規定之數即可近年來廠商更有無薪假可做為選擇的因應之道更可以趨

緩於動用大量解僱的做法因此能驚動評估委員會者必為以下兩種類型之廠商

(一)大而急的生產變動廠商又欠缺避害之道有如電學上的突波而電路卻沒

有設置突波接收器或斷路保險所致(二)不知趨避行為的廠商對於「大量解僱

勞工的雇主經主管機關限期令其清償又屆期未清償者中央主管機關得函請入

出國管理機關禁止其代表人及實際負責人出國之處分置若罔聞或對事業單位違

反第四條第一項規定未於期限前將解僱計畫書通知主管機關及相關單位或人員

並公告揭示者處新臺幣十萬元以上五十萬元以下罰鍰並限期令其通知或公告

揭示屆期未通知或公告揭示者按日連續處罰至通知或公告揭示為止」之處分

不在乎者因此大量解僱的趨勢評估更重在整體經濟情勢的掌握及個體經營信息

的所帶來的人力僱用策略評估

因此本計畫將不同於過去經濟研究機構以經濟模型為主的模型推估或者是

KPI的蒐集及趨勢分析而是涵蓋這些研究單位推薦的結構資訊及市場資訊並

且更廣泛的納入國際訊息資訊及時新聞資訊及相關的財報資訊勞工保險資訊

及健保資訊(最規律短期逐月最健全)工會活動訊息勞資爭議信息股市訊

息及 PMIHRMI電力供應躉售物價消費者信心指數等相關的經營信息運

用大數據分析的技術嚐試建立一個涵蓋不是僅依靠既有訊息更建議未來能推

動蒐集的訊息不是僅止於這個計劃更建議未來更多人參與更擴展開來的多

面向資訊分析模式來反映相對經濟理論顯得複雜行為之大數據行為模式推衍的

大量解僱變動趨勢分析

參研究策略與實施方法

一案例分析法

結合新聞及文獻資料對大量解僱事件進行分析得出一般性普遍性的規

律的方法

二企業大量解僱組織行為分析

透過大量解僱企業組織中人的行為和心理規律的研究包括對組織中個體

行為的研究群體行為的研究以及企業組織行為的研究研究重點是企

業組織在大量解僱中財物及人力資源管理的行為和特徵研究

三大數據成功規劃案例對比分析

利用目前成功的大數據分析案例其發展內容及步驟對照發展出大量解僱

2

貳研究目的

所謂大量解僱勞工依大量解僱勞工保護法第 2條規定指事業單位有勞動

基準法第 11條所定各款情形之一或 因併購改組而解僱勞工且有下列情形

一同一事業單位之同一廠場僱用勞工人數未滿三十人者於六十日內解僱勞工

逾十人

二同一事業單位之同一廠場僱用勞工人數在三十人以上未滿二百人者於六十

日內解僱勞工逾所僱用勞工人數三分之一或單日逾二十人

三同一事業單位之同一廠場僱用勞工人數在二百人以上未滿五百人者於六十

日內解僱勞工逾所僱用勞工人數四分之一或單日逾五十人

四同一事業單位之同一廠場僱用勞工人數在五百人以上者於六十日內解僱勞

工逾所僱用勞工人數五分之一或單日逾八十人

五同一事業單位於六十日內解僱勞工逾二百人或單日逾一百人

又其僱用及解僱勞工人數之計算不包含就業 服務法第 46條所定之定期契

約勞工

事業單位大量解僱勞工時依同法第 4條第 1項 規定應於符合第 2條規

定情形之日起 60日前將解僱計畫書通知主管機關及相關單位或人員並公告

揭示但因天災事變或突發事件不受 60日之限制又前項規定通知相關單

位或人員之順序依同條第 2項之規定為1事業單位內涉及大量解僱部門勞工

所屬之工會2事業單位勞資會議之勞方代表3事業單位內涉及大量解僱部門

之勞工但不包含就業服務法第 46條所定之定期契約勞工另事業單位依第 1

項規定提出之解僱計畫書內容依同條第 3項規定應記載下列事項1解僱理

由2解僱部門3解僱日期4解僱人數5解僱對象之選定標準6資遣費

計算方式及輔導轉業方案等

由大量解僱勞工保護法的法條精義來看本法並非要阻止大量解僱也不是

要將受解僱勞工強制的保留在企業內或者是轉介到其他的地方去只是在爭取

預留妥善安置勞工的前置時間或者是為受到解僱的勞工爭取適當的合理的條

件更是深恐少數受解僱勞工其團結力量的不足所以設計由政府及工會介入的

空間在條件方面我們綜合該法的相關法條可以得知面對這樣的大量解僱

政府還是希望透過勞雇雙方本於自治精神進行協商政府得於雙方無法自治自

由協商時介入進行強制協商並派出就服人員進駐此後重點就是在於是否有

積欠工資保費及退休金是否合理的核算資遣費等至於該法所提的日後必須

優先再僱用及雇主違反規定必須回復被解雇勞工之職務等並非評估機制設立的

目的所以這個研究計畫主要目的一方面要在資方還沒有提出大量解雇的通知

的時候就能夠更預先的得知未來可能發生的情勢更就大量解雇的產業或者是

公司作出相關的結構解析了解其趨勢

由於中經院已經就勞動市場預警指標進行分年的研究鉅細靡遺計參考國

際勞工組織相關指標(包括 KILM)又參考歐盟OECD美國(LMCI)中國及相

關國家等針對景氣指標及勞動市場指標做出設計本計劃如若再依樣畫葫蘆

3

則有畫蛇添足之嫌故而轉向結構性的分析架構提出創新之大數據分析建議以

供職事者之參考

根據大量解僱勞工保護法第十五條 為掌握勞動市場變動趨勢中央主管機

關應設置評估委員會就事業單位大量解僱勞工原因進行資訊蒐集與評估以作

為產業及就業政策制訂之依據自從大量解雇評估委員會設置以來鮮少有重大

大量解僱案件驚動該委員會此概為廠商因應得法之故試問如果廠商想規避大

量解僱勞工保護法只需將解僱分次執行即可錯開人數使六十天內解僱人數未

達法令規定之數即可近年來廠商更有無薪假可做為選擇的因應之道更可以趨

緩於動用大量解僱的做法因此能驚動評估委員會者必為以下兩種類型之廠商

(一)大而急的生產變動廠商又欠缺避害之道有如電學上的突波而電路卻沒

有設置突波接收器或斷路保險所致(二)不知趨避行為的廠商對於「大量解僱

勞工的雇主經主管機關限期令其清償又屆期未清償者中央主管機關得函請入

出國管理機關禁止其代表人及實際負責人出國之處分置若罔聞或對事業單位違

反第四條第一項規定未於期限前將解僱計畫書通知主管機關及相關單位或人員

並公告揭示者處新臺幣十萬元以上五十萬元以下罰鍰並限期令其通知或公告

揭示屆期未通知或公告揭示者按日連續處罰至通知或公告揭示為止」之處分

不在乎者因此大量解僱的趨勢評估更重在整體經濟情勢的掌握及個體經營信息

的所帶來的人力僱用策略評估

因此本計畫將不同於過去經濟研究機構以經濟模型為主的模型推估或者是

KPI的蒐集及趨勢分析而是涵蓋這些研究單位推薦的結構資訊及市場資訊並

且更廣泛的納入國際訊息資訊及時新聞資訊及相關的財報資訊勞工保險資訊

及健保資訊(最規律短期逐月最健全)工會活動訊息勞資爭議信息股市訊

息及 PMIHRMI電力供應躉售物價消費者信心指數等相關的經營信息運

用大數據分析的技術嚐試建立一個涵蓋不是僅依靠既有訊息更建議未來能推

動蒐集的訊息不是僅止於這個計劃更建議未來更多人參與更擴展開來的多

面向資訊分析模式來反映相對經濟理論顯得複雜行為之大數據行為模式推衍的

大量解僱變動趨勢分析

參研究策略與實施方法

一案例分析法

結合新聞及文獻資料對大量解僱事件進行分析得出一般性普遍性的規

律的方法

二企業大量解僱組織行為分析

透過大量解僱企業組織中人的行為和心理規律的研究包括對組織中個體

行為的研究群體行為的研究以及企業組織行為的研究研究重點是企

業組織在大量解僱中財物及人力資源管理的行為和特徵研究

三大數據成功規劃案例對比分析

利用目前成功的大數據分析案例其發展內容及步驟對照發展出大量解僱

3

則有畫蛇添足之嫌故而轉向結構性的分析架構提出創新之大數據分析建議以

供職事者之參考

根據大量解僱勞工保護法第十五條 為掌握勞動市場變動趨勢中央主管機

關應設置評估委員會就事業單位大量解僱勞工原因進行資訊蒐集與評估以作

為產業及就業政策制訂之依據自從大量解雇評估委員會設置以來鮮少有重大

大量解僱案件驚動該委員會此概為廠商因應得法之故試問如果廠商想規避大

量解僱勞工保護法只需將解僱分次執行即可錯開人數使六十天內解僱人數未

達法令規定之數即可近年來廠商更有無薪假可做為選擇的因應之道更可以趨

緩於動用大量解僱的做法因此能驚動評估委員會者必為以下兩種類型之廠商

(一)大而急的生產變動廠商又欠缺避害之道有如電學上的突波而電路卻沒

有設置突波接收器或斷路保險所致(二)不知趨避行為的廠商對於「大量解僱

勞工的雇主經主管機關限期令其清償又屆期未清償者中央主管機關得函請入

出國管理機關禁止其代表人及實際負責人出國之處分置若罔聞或對事業單位違

反第四條第一項規定未於期限前將解僱計畫書通知主管機關及相關單位或人員

並公告揭示者處新臺幣十萬元以上五十萬元以下罰鍰並限期令其通知或公告

揭示屆期未通知或公告揭示者按日連續處罰至通知或公告揭示為止」之處分

不在乎者因此大量解僱的趨勢評估更重在整體經濟情勢的掌握及個體經營信息

的所帶來的人力僱用策略評估

因此本計畫將不同於過去經濟研究機構以經濟模型為主的模型推估或者是

KPI的蒐集及趨勢分析而是涵蓋這些研究單位推薦的結構資訊及市場資訊並

且更廣泛的納入國際訊息資訊及時新聞資訊及相關的財報資訊勞工保險資訊

及健保資訊(最規律短期逐月最健全)工會活動訊息勞資爭議信息股市訊

息及 PMIHRMI電力供應躉售物價消費者信心指數等相關的經營信息運

用大數據分析的技術嚐試建立一個涵蓋不是僅依靠既有訊息更建議未來能推

動蒐集的訊息不是僅止於這個計劃更建議未來更多人參與更擴展開來的多

面向資訊分析模式來反映相對經濟理論顯得複雜行為之大數據行為模式推衍的

大量解僱變動趨勢分析

參研究策略與實施方法

一案例分析法

結合新聞及文獻資料對大量解僱事件進行分析得出一般性普遍性的規

律的方法

二企業大量解僱組織行為分析

透過大量解僱企業組織中人的行為和心理規律的研究包括對組織中個體

行為的研究群體行為的研究以及企業組織行為的研究研究重點是企

業組織在大量解僱中財物及人力資源管理的行為和特徵研究

三大數據成功規劃案例對比分析

利用目前成功的大數據分析案例其發展內容及步驟對照發展出大量解僱

4

之趨勢分析大數據之建置及模擬分析樣態

肆研究架構

以下為本研究之章節規畫

第一章 緒論

第二章 大量解僱案例分析

第三章 大量解僱廠商之經營策略型態解析

第四章 大量解雇之訊息型態

第五章 大量解雇之訊息分析初探

第六章 大量解雇大數據分析之建置研究

第七章 結論與建議

5

第二章 大量解僱案例分析

無預警的解僱損害勞工的不只是工作權而是勞動者的尊嚴勞動者的生

存權如果大量解僱勞工其對社會的衝擊更大特別是無預警的關廠方式對

個別勞工勞工家庭與整個社會的安定傷害更大勞基法對因業務緊縮虧損或

歇業而資遣員工時規定雇主有「預告」及「發給資遣費」之義務但可以發給

被資遣勞工「預告工資」免除事先預告的責任因此企業通常採發給預告工資

捨棄事先預告以避免因事先預告造成借貸銀行雨天收傘導致提早關廠歇業

對於無預警裁員在就業服務法中雖有罰則根據該法規定雇主資遣員工七日

前要列冊向當地主管機關及公立就業服務機構通報但實務上企業在大量裁員時

已人心惶惶動輒上百位之名單列冊通報實在有所顧忌因此甘願接受三千至三

萬元罰緩而不事先通報

為免聯福紡織東菱電子惡性關廠事件重演而擬定之「大量解僱保護措施」

建立有 12項預警指標一旦地方勞工主管機關發現轄區事業單位有積欠工資

停工跡象發生重大勞資爭議或公安事件者等問題時必須向勞委會通報且列

為密切注意對象必要時亦將採取對策若以具體配合措施在探知某企業積欠

工資勞保費之時即可針對雇主的資產進行相關的預防性財務限制措施此為大

量解僱勞工保護法之立法意旨

依據行政院八十八年九月九日 台八十八勞三四一八二號函核定事業單位大

量解僱勞工保護措施 在建構防範機制方面訂有事業單位有下列大量解僱預警

指標情形之一者列為預警通報對象

一其事業單位僱用人數在五百人以下積欠勞工工資逾二個月者其事業

單位僱用人數在五百人以上逾一個月者

二積欠勞工保險費（含工資墊償基金）或健康保險費逾三個月且金額分

別在二十萬元以上者

三事業單位三個月內未依法提撥勞工退休準備金經地方勞工行政主管機

關處罰仍不提撥者但其獲准暫停提撥者不在此限

四有全部或一部停工之跡象者

五最近二年曾發生重大勞資爭議或工安事件者

六最近二年曾發生嚴重虧損情形者

七最近二年曾經票據交換所公告列為拒絕往來戶者

八最近二年曾有明顯欠稅情況者

九已有惡性關廠歇業前例事業之關係企業者

十最近二年曾資金設備有異常大量外移情形者

十一 成立二十年以上之事業單位其提撥之勞工退休準備金明顯不足

者

十二 其他有不當關廠歇業之虞者

6

由上述之指標顯示許多資訊是來自於財務包括欠稅票據交換失敗也來

自經營的不善結果例如工安事件可能也衍伸出巨額的賠償所造成也有勞資

爭議可想而知的拖欠工資及退休資遣或相關保險福利的計算等都會是可能的

事項部分停工及相關關係企業則是供應鏈的反應結果

2014 年 10 月觸控大廠勝華爆發財務危機後除中國三個廠區將進行必

要精簡甚至希望透過私募找人接手外台灣的廠區也展開精簡作業盛傳

將大量裁員或提出優退轉職方案勝華潭子廠部分員工提出陳情書希望資

方不要佔員工便宜但勝華強調目前都還在與員工溝通尚未有任何一個

精簡方案定案包括是否先放無薪假或是直接裁員此處顯示兩種資訊一

為私募基金的挹注二為員工陳情

勝華在台中市設有兩座工廠位於經濟部加工出口區台中分處的簡稱勝

華潭子廠員工約二千人另一廠設於台中工業區員工約七百人一旦大

量裁員前者需把計畫書送給該區台中分處管理處後者需送到台中市政府

勞工局

據指出勝華潭子廠可能只留下五百至六百人亦即將裁掉四分之三人力

不過也傳可能放無薪假或提出優退轉業方案若真的裁員恐是經濟部加工

出口區台中分處近年最大規模資遣裁員案潭子廠員工說公司迄今未作相

關說明員工希望資方承諾給予夫妻擇一留用優先聘回或留任保障等措施

降低對員工衝擊

市府勞工局勞資關係科長賈學明證實已收到台中工業區廠的大量裁員

計畫但公司尚未做成決定只知道該公司內部傾向不裁員改用其他方案

如有爭議的話勞工局會依法介入勝華潭子廠部分加工出口區台中分處

副分處長劉睿紘說潭子廠沒有送來大量裁員計畫書勝華財務處長黃宗傑

強調目前所有方案都還在討論中尚未定案公司會盡力與員工溝通希

望能協調出對公司與員工都傷害最小的方案

2009 年 2 月勝華科技的前員工不滿資方大量裁員已快滿 4 個月至今

仍未交待裁員原因而且裁員名單中包括單親與中高齡弱勢勞工因此 2 日

前往勞委會抗議要求勞委會立即召開「重大勞資爭議協調會報」以保障

勞工權益數十名被解雇的前勝華科技員工在勞工團體「全國自主勞工聯盟」

的陪同下2 日前往勞委會抗議勝華員工自救會與自主工聯指出勝華科

技裁員至今將滿 4 個月但資方始終無法清楚交待為何要裁員而且裁員

名單中還有在 1 到 2 年內就可以退休的單親媽媽讓這些中高齡弱勢勞工

的生活立即陷入無以為繼的慘況他們也質疑勞工們在 2 月上旬曾經前往

行政院陳情勞委會與經濟部也已派員到勝華科技訪查但為何至今還未公

佈訪查結果自主工聯執行長朱維立說『今天我們來到勞委會前面我們

要找勞委會問清楚看到我們勝華資方營收慢慢回復到底我們的政府要怎

麼解決勞工的權益』對於這群勞工們的陳情勞委會勞資關係處科長王厚

偉表示按照勞基法如果資遣的事由是虧損或是業務緊縮資方要針對虧

7

損或業務緊縮的部門做調整而不是對毫無關聯的部門或是針對性的資遣

勞委會會進一步瞭解儘快處理王厚偉說『特別會針對女性年紀大的

或是資深的這當然是不對的是違法的那這個部份我們接受他陳情後

我們再來做瞭解跟處理同樣的公司因為全球化在不同國家設有生產線

重複的發生大量解僱事件所以這類的公司值得列入特別預警觀察中

2014 年 5 月法院三讀通過的《大量解僱勞工保護》修正案規範僱用

五百人以上的單一廠區若六十天內解僱超過五分之一勞工或單日解僱超過

八十人連鎖服務業各門市六十天內解僱勞工累積超過兩百人或單日超過一

百人就符合大量解僱標準知名連鎖飲品店「紅景天養生御品公司」前年

因惡性倒閉發生勞資糾紛故修法被稱為「紅景天條款」 勞動部表示

連鎖服務業如飲料店早餐店大賣場超商速食店等直營分店眾多但

各分店員工人數可能很少導致各分店解僱人數分別計算並未達《大量解僱

勞工保護》納管門檻全體合計卻可能超過門檻 由此可見連鎖廠商應

該整體建置統一的觀測資料以防止拆散來規避監督行為

2012 年 08 月 ET Today 報導台灣大量裁員企業迅速爆增台北市勞工

局表示已有製造業及科技業等近 50 家提出申請慘況直逼 2008 年2009

年金融海嘯時期不過勞委會指出其實今年 2 月以來大量解雇案件已經有

下降趨勢只有台北市和台中市比較多合計超過一半大量解僱具地區性

顯著的差別性此與就業的人口較多及資訊上較為流通有關

根據勞工局統計摩托羅拉全球裁員台灣分公司 115 人將裁員 78 人

外今年台北市已有 50 家公司提報大量解僱計畫達 1498 人與去年 23

件448 人相比家數比去年增加 12 倍人數增加了 23 倍增加幅度相

當驚人其中以製造業及科技業較多直逼 2008 年2009 年金融海嘯的狀

況此為產業特性有關之說明

勞工局表示當年金融海嘯影響集中在金融業但今年申請大量解僱的

公司廣及電子業服務業百貨業等並非集中在單一產業加上景氣未見

好轉跡象令人對未來的經濟情勢無法樂觀另外目前仍在協調的榮電公

司勞資爭議案受影響人數超過 400 人這些員工不僅被積欠薪資還有退

休金資遣費等問題都還未列入統計勞工局也預估從今年下半年到明

年上半年就業環境會較為嚴峻不過不過勞委會收到各縣市通報的情況卻

不是如此勞委會指出今年上半年國內企業大量解僱勞工有 76 件雖然

比去年同期多 8 件但解雇的人數 2967 人比去年少了 148 人比民國 97

年時的 102 件7500 人少得多勞委會勞資關係處處長劉傳名表示大量

解雇在整個情況下是逐年下降的101 年減少了 26 件4550 人民國 100

年各月的解雇人數起起伏伏但到 101 年 2 月以後反而呈現下降趨勢對

於台北市的狀況劉傳名指出今年上半年的大量解雇案件中台北市和台

中市案件合計就佔了 52超過 8 成集中在製造批發零售專業科學

和技術服務業勞委會 16 日也同時公布截至 101 年 8 月 15 日止實施無

8

薪假通報企業共計 20 家通報及實際實施人數均為 547 人較上期減少 2

家事業單位通報及實際實施人數則減少 81 人這樣片段的解釋實在不具

意義金融海嘯的集中金融業時為國際波動的波及效果而其他各行各業的

情形則與景氣波動較為相關

本章小結

由上述之案例分析可知一大量解僱廠商具重複行為所以有必要追蹤

針對重複性之惡性廠商密切注意其長期之經營財務及人力運用情形必然

有可能較為輕視勞動者之權益二大量解僱與景氣有關金融海嘯及不景

氣時衝擊產業及服務業甚大發生大量解僱行為的基會也就會提高三大

量解僱行為的核心資訊為經營的票據交換獲利情形及非核心員工的人數

(邊緣勞動力)等營運資訊此皆為我國主計單位向來所忽視或力有未逮之

處未來大數據分析在資料蒐集方面應該加強四大量解僱與全球化的關

聯性密不可分廠商分別在大陸及越南設廠者經常因為全球供應鏈有的鏈結

關係改變而發生大量解僱行為所以應該注意國際資訊尤其跨國之全球供

應鏈資訊要熱切追蹤針對熱點產業要圈起來注意其動態五廠商定義要

更擴大道涵蓋連鎖及關係企業否則規避行為會發生六由前述個案檢討

在過去有大量解僱發生的時候通常都先有市塲的波動例如金融海嘯例

如與韓國競爭蘋果 iphone的生產供應的過程 HTC全球市塲佔有率的劇跌

這些新聞的發生其實都可視為是一個預警的信號而且我們應該將這些競

爭激烈的產業做分類國內有哪些是競爭最激烈可列為 A 級有哪些可以列

為 B 級的然後再有一些是 C 級的以此來分類國內市場競爭的激烈性與

國際市場競爭的激烈性其實是有意義的七勞資爭議是往往大量解僱的先

聲因此勞資爭議的頻率若異常提升時當視為大量解僱之先聲同理無

薪休假亦往往伴隨著大量解僱之發生

9

第三章 大量解僱廠商之經營策略型態解析

大量解雇廠商依其經營情境及策略分類可以分成四類一依全球化

而分散各國的母子公司生產群鏈關係二勞動密集產業使用低薪本勞及

低人力資本投入勞動之企業遇有接單減少或競爭激烈下以縮減非技術員

工為調節之手段三景氣波動衝擊影響較大之產業因景氣波動而產生波

動性裁員現象四因國際競爭力喪失驟然發生生產減少之情形

低階教育訓練費投入低有同級的生產線(海外投資)替代性高的勞

動力中高齡婦女青年為主要資遣對象依勞基法第十一條規定雇

主只要有該條情形之一者即得預告終止勞動契約然而該條所稱之

情形認定上並非如容易例如歇業或轉讓在何種情形時始符合標準

又在何種情形下構成虧損或業務緊縮至於業務性質變更有減少勞

工必要其客觀標準又如何引起不少爭議

大量解僱勞工保護法本來就是針對事業單位基於客觀的「企業經

營因素」（成本市場技術環境）事由所發動之大量性解僱行為

為目的而加以設計規範者此等事由於性質上本非可歸責於勞工因

此可為事業單位就勞工「主觀行為」所為所做之解僱其併購或改組

為除了勞基法第十一條所列各款情形之外又加上因 「併購改組」

的事由得解僱勞工若單純從立法的文義解釋立法者特別將「併購

改組」與勞基法第十一條並列而且以「或」字做連結具有兼容意義

顯然 將兩者共同作為大量解僱勞工的事由究其規範目的不外乎是

防範「雇主的變更後的解僱」然比較勞基法之規定現行大量解僱

勞工保護第二條則於改組外另以「併購」一詞取代轉讓改組之意

為勞基法於該法第十一條第一項第一款及同法第二十條使用「改組

轉讓」惟對之無定義性規定依行政機關之看法改組或轉讓係指

「事業單位依公司法之規定變更其組織型態或其所有權（所有資產

設備）因移轉而消滅其原有之法人人格或獨資或合夥事業單位之負

責人變更而言」更有論者係依循事業單 位概念指涉經濟主體的機

能面向配合所謂「資產重組」概念詮釋理解改組轉讓概念亦

即「改組轉讓」實為描述「資產重組」現象的用語經營組織進行資

產重組涉及其他經營組織者為轉讓經營組織在自身範圍内進行資產

重組而不涉其他經營組織者則為改組

依勞基法第二十條規定其將事業單位「改組」或「轉讓」並列

為得解僱勞工之原因然而「改組」是否作為一種解僱事由亦有商

榷討論之餘地依公司法之變更組織之規定其情形包括無限公司

有限公司兩合公司以及股份有限公司等四種組織之相互變更而言

依據大法官會議解釋釋字第一六七號見解認為有限公司依公司法規

定變更其組織為股份有限公司其法人人格之存續不受影響因之

單純之公司組織結構的改變為何即得構成雇主解僱勞工之合法事由

10

實屬不可解然究竟可為大量解僱之表徵併購原文為 Merger amp

Acquisition目前從企業併購法内容或考究其他相關法律規定 仍無

法精確說明其意義企業併購一詞可說是企業界及實務界對於企業

取得或移轉企業經營權控制權為目的之經濟行為之總稱以目前而

言各國對此相同或類似之經濟行為之名稱上定義並不一致如美國

稱之 Merger and Acquisition(MampA) 英 國 則 慣 以 Takeover and Merger

稱之而我國對於 MampA之稱法也無一致之定義有稱為「併購」或「購

併」亦有稱 為「兼併」或「收購」基本上是大同小異「併購」

依照企業併購法第四條第二款規定乃為公司之合併收購及分割質

言之「合併」係原參與之公司全部消滅由新成立之公司概括承受

消滅公司之全部權利義務或參與之其中某一公司存續由存續公司

概括承受消滅公司之全部權利義務並以存續或新設公司之股份或

其他公司之股份現金或其他財產作為對價之行為而「收購」指

的是公司法人依企業併購法公司法證券交易法金融機構合併法

或金融控股公司法規定取得他公司之股份營業或財產並以股份

現金或其他財產作為對價之行為至於「分割」則是指公司依 法

將其得獨立營運之一部或全部之營業讓與既存或新設之他公司作為

既存公司或新設公司發行新股予該公司或該公司股東對價之行為實

由此揭可知公司併購範疇中之「合併及分割」於内涵上已涵蓋前

揭行政機關對於轉讓定義闡釋之内容故立法者方為如是之立法除

此之外論者亦認為「改組」之企業併購型態亦應已由企業併購法

之併購吸收或屬勞基法第十一條第四款之「業務性質變更」似同無

獨立存在之必要換言之此處似單以「併購」一詞規範即可

現在企業以併購做為大量解僱之情事時有發生實因法律為其開

門之故同時併購可減少資本的投入節省企業成長之時間發揮規

模經濟經營規模綜效財務上之考量經營之多角化以及降底風險等

因素然企業一旦相互併購隨而來的將是組織再造或重組人事變

更甚至有企業因併購而消滅如此可能使相當規模之勞工遭遇解僱

之結果因而構成大量解僱之發生大量解僱勞工保護乃係專對任何

勞動生活型態所可能發生之大量性解僱問題而設的保護規範企業併

購法則是對於企業以併購進行組織調整之整體事宜為規範核心而勞

動力分配調整及權益問題係屬其中之一質言之原則上兩者規範動

機目的並非相同倘若原事業單位進行企業併購而「預估」將不致造

成太大的勞動力變動甚至沒有則無大量解僱勞工保護之適用餘地

存在但若新舊事業單位特別是原事業單位已概略掌握人員或部門

變動幅度人數恐已構成法定大量解僱定義者則豈可將大量解僱

勞工保護視而不見若屬後者之情況下大量解僱勞工保護方屬企業

併購法之特別規定而應優先適用除上述二大要件外對於是否適

11

用大量解僱勞工保護具有關鍵性之影響者尚有「同一事業單位」及

「同一廠場」之定義及範圍對大量解僱勞工保護對於此兩者已經立

法定義及於關係企業及連鎖經營之企業

一 中小企業關鍵性績效指標及財務危機指標

在觀察大量解僱廠商財務指標分析方面經濟部中小企業處 1997

年發表「建立中小企業經營指標 -廠商五力研究」中提供中小企業關

鍵性績效指標如下

表一中小企業關鍵性績效指標

類型 項目 公式 類型 項目 公式

資本營業利益率 稅 後 利 潤 總 資 本

活動

力分

析

存貨周轉率 營 業 收 入 存 貨

資本純益率 稅 前 利 潤 總 資 本

應收帳款周轉率 營 業 收 入 應 收 帳 款

收益

力分

析

淨値純益率 稅 前 利 潤 業 主 權

益

人事費生產力 附 加 價 值 人 事 費

營業利益率 稅 後 利 潤 營 業 收

入

資本生產力 附 加 價 值 總 資 本

營業純益率 稅 前 利 潤 營 業 收

入

固定資產生產力 附 加 價 值 固 定 資 產

營業收入利益率 銷 貨 毛 利 營 業 收

入

生產

力分

析

附加價値率 附 加 價 值 營 業 收 入

自有資本比率 股 東 權 益 總 資 本 每員工附加價値 附 加 價 值 員 工 數

固定資產比率 固 定 資 產 總 資 本 每員工營業額 營 業 收 入 員 工 數

安定

力分

析

負債比率 負 債 淨 值

設備投資效率 附 加 價 值 營 運 設 備

淨利息負擔率 利 息 支 出 -利 息 收

入 營 業 收 入

營業收入成長率 兩 年 營 業 收 入 差 額 去

年 營 業 收 入

流動比率 流 動 資 產 流 動 負

債

附加價値成長率 兩 年 附 加 價 值 差 額 去

年 附 加 價 值

資產周轉率 營 業 收 入 總 資 產 成長

力分

析

淨値成長率 兩年淨值差額去年淨值

活動 股東權益周轉率 營 業 收 入 股 東 權

稅前利潤成長率 兩 年 稅 前 利 潤 差 額 去

12

力分

析

固定資產周轉率 營 業 收 入 固 定 資 產 稅後利潤成長率 兩 年 稅 後 利 潤 差 額 去

年 稅 後 利 潤

營運設備周轉率 營 業 收 入 營 運 設 備 固定資產成長率 兩 年 固 定 資 產 差 額 去

年 固 定 資 產

資 料來源 經濟 部中小 企業處 「建 立中小 企業經 營指標 -廠 商五力 研究」 1997

其他相關之財務指標有各證券商董事監察人持股數量設質

股數及平均設質比例 上市上櫃興櫃及公開發行公司基本資

料 財務報告年報公開說明書及財務預測資料付費查詢系統等

財務預警系統防範財務危機發生的基礎預警資料不僅包括內部

數據還包括外部市場行業等數據不僅有財會人員提供的財務信

息還有其他業務渠道產生的信息不僅有企業會計核算報告系統

還包括對會計資料的加工處理分析判斷以及診斷企業潛在的財務

危機的專家系統

財務預警機制的作為大量解僱預警的要素財務預警機制的要素

有很多如警源警兆警素警度警限等ldquo警rdquo是指經濟增長

為零或負增長經濟運行出現紊亂ldquo預警rdquo是指提前報警預先報

告企業經濟運行在未來可能出現的情況

(1)警源

警源是警情(預警情況)產生的根源從警源的生成機制看警源可以分

為外生警源與內生警源兩部分外生警源一般是由自然經濟災害或社會經濟

環境變化所引起的內生警源主要是由企業內部財務機制不健全或管理不完

善等引起的

(2)警兆

警兆是警情的先導指標是指警素髮生異常變化時的先兆一般而言

當影響因素髮生異常變化導致警情爆發之前總有一定的先兆警兆的確定

可以從警源人手也可以從經驗分析人手

(3)警素

警素是指構成警情的指標對企業財務預警而言選擇預警指標要遵循

以下三點一是重要性即所選的多個指標的綜合必須反映企業經濟運行的

主要矛盾現象二是一致性或先行性即指標特征量要與企業實際運作狀況

大體一致或略有超前對企業逆境現象的發生或發展具有動向敏感性三是

在統計上要具備準確性

(4)警度和警限

警度是指警情的程度對警度的預報是預警的目的關於警度通常可

分為五個等級即無警輕警中警重警和巨警這五種警度分別與警兆

指標的數量變化區間相對應因此相應的有五個警限無警警限輕警警限

中警警限重警警限和巨警警限預報警度的主要方法有兩種一是建立警

5

第二章 大量解僱案例分析

無預警的解僱損害勞工的不只是工作權而是勞動者的尊嚴勞動者的生

存權如果大量解僱勞工其對社會的衝擊更大特別是無預警的關廠方式對

個別勞工勞工家庭與整個社會的安定傷害更大勞基法對因業務緊縮虧損或

歇業而資遣員工時規定雇主有「預告」及「發給資遣費」之義務但可以發給

被資遣勞工「預告工資」免除事先預告的責任因此企業通常採發給預告工資

捨棄事先預告以避免因事先預告造成借貸銀行雨天收傘導致提早關廠歇業

對於無預警裁員在就業服務法中雖有罰則根據該法規定雇主資遣員工七日

前要列冊向當地主管機關及公立就業服務機構通報但實務上企業在大量裁員時

已人心惶惶動輒上百位之名單列冊通報實在有所顧忌因此甘願接受三千至三

萬元罰緩而不事先通報

為免聯福紡織東菱電子惡性關廠事件重演而擬定之「大量解僱保護措施」

建立有 12項預警指標一旦地方勞工主管機關發現轄區事業單位有積欠工資

停工跡象發生重大勞資爭議或公安事件者等問題時必須向勞委會通報且列

為密切注意對象必要時亦將採取對策若以具體配合措施在探知某企業積欠

工資勞保費之時即可針對雇主的資產進行相關的預防性財務限制措施此為大

量解僱勞工保護法之立法意旨

依據行政院八十八年九月九日 台八十八勞三四一八二號函核定事業單位大

量解僱勞工保護措施 在建構防範機制方面訂有事業單位有下列大量解僱預警

指標情形之一者列為預警通報對象

一其事業單位僱用人數在五百人以下積欠勞工工資逾二個月者其事業

單位僱用人數在五百人以上逾一個月者

二積欠勞工保險費（含工資墊償基金）或健康保險費逾三個月且金額分

別在二十萬元以上者

三事業單位三個月內未依法提撥勞工退休準備金經地方勞工行政主管機

關處罰仍不提撥者但其獲准暫停提撥者不在此限

四有全部或一部停工之跡象者

五最近二年曾發生重大勞資爭議或工安事件者

六最近二年曾發生嚴重虧損情形者

七最近二年曾經票據交換所公告列為拒絕往來戶者

八最近二年曾有明顯欠稅情況者

九已有惡性關廠歇業前例事業之關係企業者

十最近二年曾資金設備有異常大量外移情形者

十一 成立二十年以上之事業單位其提撥之勞工退休準備金明顯不足

者

十二 其他有不當關廠歇業之虞者

6

由上述之指標顯示許多資訊是來自於財務包括欠稅票據交換失敗也來

自經營的不善結果例如工安事件可能也衍伸出巨額的賠償所造成也有勞資

爭議可想而知的拖欠工資及退休資遣或相關保險福利的計算等都會是可能的

事項部分停工及相關關係企業則是供應鏈的反應結果

2014 年 10 月觸控大廠勝華爆發財務危機後除中國三個廠區將進行必

要精簡甚至希望透過私募找人接手外台灣的廠區也展開精簡作業盛傳

將大量裁員或提出優退轉職方案勝華潭子廠部分員工提出陳情書希望資

方不要佔員工便宜但勝華強調目前都還在與員工溝通尚未有任何一個

精簡方案定案包括是否先放無薪假或是直接裁員此處顯示兩種資訊一

為私募基金的挹注二為員工陳情

勝華在台中市設有兩座工廠位於經濟部加工出口區台中分處的簡稱勝

華潭子廠員工約二千人另一廠設於台中工業區員工約七百人一旦大

量裁員前者需把計畫書送給該區台中分處管理處後者需送到台中市政府

勞工局

據指出勝華潭子廠可能只留下五百至六百人亦即將裁掉四分之三人力

不過也傳可能放無薪假或提出優退轉業方案若真的裁員恐是經濟部加工

出口區台中分處近年最大規模資遣裁員案潭子廠員工說公司迄今未作相

關說明員工希望資方承諾給予夫妻擇一留用優先聘回或留任保障等措施

降低對員工衝擊

市府勞工局勞資關係科長賈學明證實已收到台中工業區廠的大量裁員

計畫但公司尚未做成決定只知道該公司內部傾向不裁員改用其他方案

如有爭議的話勞工局會依法介入勝華潭子廠部分加工出口區台中分處

副分處長劉睿紘說潭子廠沒有送來大量裁員計畫書勝華財務處長黃宗傑

強調目前所有方案都還在討論中尚未定案公司會盡力與員工溝通希

望能協調出對公司與員工都傷害最小的方案

2009 年 2 月勝華科技的前員工不滿資方大量裁員已快滿 4 個月至今

仍未交待裁員原因而且裁員名單中包括單親與中高齡弱勢勞工因此 2 日

前往勞委會抗議要求勞委會立即召開「重大勞資爭議協調會報」以保障

勞工權益數十名被解雇的前勝華科技員工在勞工團體「全國自主勞工聯盟」

的陪同下2 日前往勞委會抗議勝華員工自救會與自主工聯指出勝華科

技裁員至今將滿 4 個月但資方始終無法清楚交待為何要裁員而且裁員

名單中還有在 1 到 2 年內就可以退休的單親媽媽讓這些中高齡弱勢勞工

的生活立即陷入無以為繼的慘況他們也質疑勞工們在 2 月上旬曾經前往

行政院陳情勞委會與經濟部也已派員到勝華科技訪查但為何至今還未公

佈訪查結果自主工聯執行長朱維立說『今天我們來到勞委會前面我們

要找勞委會問清楚看到我們勝華資方營收慢慢回復到底我們的政府要怎

麼解決勞工的權益』對於這群勞工們的陳情勞委會勞資關係處科長王厚

偉表示按照勞基法如果資遣的事由是虧損或是業務緊縮資方要針對虧

7

損或業務緊縮的部門做調整而不是對毫無關聯的部門或是針對性的資遣

勞委會會進一步瞭解儘快處理王厚偉說『特別會針對女性年紀大的

或是資深的這當然是不對的是違法的那這個部份我們接受他陳情後

我們再來做瞭解跟處理同樣的公司因為全球化在不同國家設有生產線

重複的發生大量解僱事件所以這類的公司值得列入特別預警觀察中

2014 年 5 月法院三讀通過的《大量解僱勞工保護》修正案規範僱用

五百人以上的單一廠區若六十天內解僱超過五分之一勞工或單日解僱超過

八十人連鎖服務業各門市六十天內解僱勞工累積超過兩百人或單日超過一

百人就符合大量解僱標準知名連鎖飲品店「紅景天養生御品公司」前年

因惡性倒閉發生勞資糾紛故修法被稱為「紅景天條款」 勞動部表示

連鎖服務業如飲料店早餐店大賣場超商速食店等直營分店眾多但

各分店員工人數可能很少導致各分店解僱人數分別計算並未達《大量解僱

勞工保護》納管門檻全體合計卻可能超過門檻 由此可見連鎖廠商應

該整體建置統一的觀測資料以防止拆散來規避監督行為

2012 年 08 月 ET Today 報導台灣大量裁員企業迅速爆增台北市勞工

局表示已有製造業及科技業等近 50 家提出申請慘況直逼 2008 年2009

年金融海嘯時期不過勞委會指出其實今年 2 月以來大量解雇案件已經有

下降趨勢只有台北市和台中市比較多合計超過一半大量解僱具地區性

顯著的差別性此與就業的人口較多及資訊上較為流通有關

根據勞工局統計摩托羅拉全球裁員台灣分公司 115 人將裁員 78 人

外今年台北市已有 50 家公司提報大量解僱計畫達 1498 人與去年 23

件448 人相比家數比去年增加 12 倍人數增加了 23 倍增加幅度相

當驚人其中以製造業及科技業較多直逼 2008 年2009 年金融海嘯的狀

況此為產業特性有關之說明

勞工局表示當年金融海嘯影響集中在金融業但今年申請大量解僱的

公司廣及電子業服務業百貨業等並非集中在單一產業加上景氣未見

好轉跡象令人對未來的經濟情勢無法樂觀另外目前仍在協調的榮電公

司勞資爭議案受影響人數超過 400 人這些員工不僅被積欠薪資還有退

休金資遣費等問題都還未列入統計勞工局也預估從今年下半年到明

年上半年就業環境會較為嚴峻不過不過勞委會收到各縣市通報的情況卻

不是如此勞委會指出今年上半年國內企業大量解僱勞工有 76 件雖然

比去年同期多 8 件但解雇的人數 2967 人比去年少了 148 人比民國 97

年時的 102 件7500 人少得多勞委會勞資關係處處長劉傳名表示大量

解雇在整個情況下是逐年下降的101 年減少了 26 件4550 人民國 100

年各月的解雇人數起起伏伏但到 101 年 2 月以後反而呈現下降趨勢對

於台北市的狀況劉傳名指出今年上半年的大量解雇案件中台北市和台

中市案件合計就佔了 52超過 8 成集中在製造批發零售專業科學

和技術服務業勞委會 16 日也同時公布截至 101 年 8 月 15 日止實施無

8

薪假通報企業共計 20 家通報及實際實施人數均為 547 人較上期減少 2

家事業單位通報及實際實施人數則減少 81 人這樣片段的解釋實在不具

意義金融海嘯的集中金融業時為國際波動的波及效果而其他各行各業的

情形則與景氣波動較為相關

本章小結

由上述之案例分析可知一大量解僱廠商具重複行為所以有必要追蹤

針對重複性之惡性廠商密切注意其長期之經營財務及人力運用情形必然

有可能較為輕視勞動者之權益二大量解僱與景氣有關金融海嘯及不景

氣時衝擊產業及服務業甚大發生大量解僱行為的基會也就會提高三大

量解僱行為的核心資訊為經營的票據交換獲利情形及非核心員工的人數

(邊緣勞動力)等營運資訊此皆為我國主計單位向來所忽視或力有未逮之

處未來大數據分析在資料蒐集方面應該加強四大量解僱與全球化的關

聯性密不可分廠商分別在大陸及越南設廠者經常因為全球供應鏈有的鏈結

關係改變而發生大量解僱行為所以應該注意國際資訊尤其跨國之全球供

應鏈資訊要熱切追蹤針對熱點產業要圈起來注意其動態五廠商定義要

更擴大道涵蓋連鎖及關係企業否則規避行為會發生六由前述個案檢討

在過去有大量解僱發生的時候通常都先有市塲的波動例如金融海嘯例

如與韓國競爭蘋果 iphone的生產供應的過程 HTC全球市塲佔有率的劇跌

這些新聞的發生其實都可視為是一個預警的信號而且我們應該將這些競

爭激烈的產業做分類國內有哪些是競爭最激烈可列為 A 級有哪些可以列

為 B 級的然後再有一些是 C 級的以此來分類國內市場競爭的激烈性與

國際市場競爭的激烈性其實是有意義的七勞資爭議是往往大量解僱的先

聲因此勞資爭議的頻率若異常提升時當視為大量解僱之先聲同理無

薪休假亦往往伴隨著大量解僱之發生

9

第三章 大量解僱廠商之經營策略型態解析

大量解雇廠商依其經營情境及策略分類可以分成四類一依全球化

而分散各國的母子公司生產群鏈關係二勞動密集產業使用低薪本勞及

低人力資本投入勞動之企業遇有接單減少或競爭激烈下以縮減非技術員

工為調節之手段三景氣波動衝擊影響較大之產業因景氣波動而產生波

動性裁員現象四因國際競爭力喪失驟然發生生產減少之情形

低階教育訓練費投入低有同級的生產線(海外投資)替代性高的勞

動力中高齡婦女青年為主要資遣對象依勞基法第十一條規定雇

主只要有該條情形之一者即得預告終止勞動契約然而該條所稱之

情形認定上並非如容易例如歇業或轉讓在何種情形時始符合標準

又在何種情形下構成虧損或業務緊縮至於業務性質變更有減少勞

工必要其客觀標準又如何引起不少爭議

大量解僱勞工保護法本來就是針對事業單位基於客觀的「企業經

營因素」（成本市場技術環境）事由所發動之大量性解僱行為

為目的而加以設計規範者此等事由於性質上本非可歸責於勞工因

此可為事業單位就勞工「主觀行為」所為所做之解僱其併購或改組

為除了勞基法第十一條所列各款情形之外又加上因 「併購改組」

的事由得解僱勞工若單純從立法的文義解釋立法者特別將「併購

改組」與勞基法第十一條並列而且以「或」字做連結具有兼容意義

顯然 將兩者共同作為大量解僱勞工的事由究其規範目的不外乎是

防範「雇主的變更後的解僱」然比較勞基法之規定現行大量解僱

勞工保護第二條則於改組外另以「併購」一詞取代轉讓改組之意

為勞基法於該法第十一條第一項第一款及同法第二十條使用「改組

轉讓」惟對之無定義性規定依行政機關之看法改組或轉讓係指

「事業單位依公司法之規定變更其組織型態或其所有權（所有資產

設備）因移轉而消滅其原有之法人人格或獨資或合夥事業單位之負

責人變更而言」更有論者係依循事業單 位概念指涉經濟主體的機

能面向配合所謂「資產重組」概念詮釋理解改組轉讓概念亦

即「改組轉讓」實為描述「資產重組」現象的用語經營組織進行資

產重組涉及其他經營組織者為轉讓經營組織在自身範圍内進行資產

重組而不涉其他經營組織者則為改組

依勞基法第二十條規定其將事業單位「改組」或「轉讓」並列

為得解僱勞工之原因然而「改組」是否作為一種解僱事由亦有商

榷討論之餘地依公司法之變更組織之規定其情形包括無限公司

有限公司兩合公司以及股份有限公司等四種組織之相互變更而言

依據大法官會議解釋釋字第一六七號見解認為有限公司依公司法規

定變更其組織為股份有限公司其法人人格之存續不受影響因之

單純之公司組織結構的改變為何即得構成雇主解僱勞工之合法事由

10

實屬不可解然究竟可為大量解僱之表徵併購原文為 Merger amp

Acquisition目前從企業併購法内容或考究其他相關法律規定 仍無

法精確說明其意義企業併購一詞可說是企業界及實務界對於企業

取得或移轉企業經營權控制權為目的之經濟行為之總稱以目前而

言各國對此相同或類似之經濟行為之名稱上定義並不一致如美國

稱之 Merger and Acquisition(MampA) 英 國 則 慣 以 Takeover and Merger

稱之而我國對於 MampA之稱法也無一致之定義有稱為「併購」或「購

併」亦有稱 為「兼併」或「收購」基本上是大同小異「併購」

依照企業併購法第四條第二款規定乃為公司之合併收購及分割質

言之「合併」係原參與之公司全部消滅由新成立之公司概括承受

消滅公司之全部權利義務或參與之其中某一公司存續由存續公司

概括承受消滅公司之全部權利義務並以存續或新設公司之股份或

其他公司之股份現金或其他財產作為對價之行為而「收購」指

的是公司法人依企業併購法公司法證券交易法金融機構合併法

或金融控股公司法規定取得他公司之股份營業或財產並以股份

現金或其他財產作為對價之行為至於「分割」則是指公司依 法

將其得獨立營運之一部或全部之營業讓與既存或新設之他公司作為

既存公司或新設公司發行新股予該公司或該公司股東對價之行為實

由此揭可知公司併購範疇中之「合併及分割」於内涵上已涵蓋前

揭行政機關對於轉讓定義闡釋之内容故立法者方為如是之立法除

此之外論者亦認為「改組」之企業併購型態亦應已由企業併購法

之併購吸收或屬勞基法第十一條第四款之「業務性質變更」似同無

獨立存在之必要換言之此處似單以「併購」一詞規範即可

現在企業以併購做為大量解僱之情事時有發生實因法律為其開

門之故同時併購可減少資本的投入節省企業成長之時間發揮規

模經濟經營規模綜效財務上之考量經營之多角化以及降底風險等

因素然企業一旦相互併購隨而來的將是組織再造或重組人事變

更甚至有企業因併購而消滅如此可能使相當規模之勞工遭遇解僱

之結果因而構成大量解僱之發生大量解僱勞工保護乃係專對任何

勞動生活型態所可能發生之大量性解僱問題而設的保護規範企業併

購法則是對於企業以併購進行組織調整之整體事宜為規範核心而勞

動力分配調整及權益問題係屬其中之一質言之原則上兩者規範動

機目的並非相同倘若原事業單位進行企業併購而「預估」將不致造

成太大的勞動力變動甚至沒有則無大量解僱勞工保護之適用餘地

存在但若新舊事業單位特別是原事業單位已概略掌握人員或部門

變動幅度人數恐已構成法定大量解僱定義者則豈可將大量解僱

勞工保護視而不見若屬後者之情況下大量解僱勞工保護方屬企業

併購法之特別規定而應優先適用除上述二大要件外對於是否適

11

用大量解僱勞工保護具有關鍵性之影響者尚有「同一事業單位」及

「同一廠場」之定義及範圍對大量解僱勞工保護對於此兩者已經立

法定義及於關係企業及連鎖經營之企業

一 中小企業關鍵性績效指標及財務危機指標

在觀察大量解僱廠商財務指標分析方面經濟部中小企業處 1997

年發表「建立中小企業經營指標 -廠商五力研究」中提供中小企業關

鍵性績效指標如下

表一中小企業關鍵性績效指標

類型 項目 公式 類型 項目 公式

資本營業利益率 稅 後 利 潤 總 資 本

活動

力分

析

存貨周轉率 營 業 收 入 存 貨

資本純益率 稅 前 利 潤 總 資 本

應收帳款周轉率 營 業 收 入 應 收 帳 款

收益

力分

析

淨値純益率 稅 前 利 潤 業 主 權

益

人事費生產力 附 加 價 值 人 事 費

營業利益率 稅 後 利 潤 營 業 收

入

資本生產力 附 加 價 值 總 資 本

營業純益率 稅 前 利 潤 營 業 收

入

固定資產生產力 附 加 價 值 固 定 資 產

營業收入利益率 銷 貨 毛 利 營 業 收

入

生產

力分

析

附加價値率 附 加 價 值 營 業 收 入

自有資本比率 股 東 權 益 總 資 本 每員工附加價値 附 加 價 值 員 工 數

固定資產比率 固 定 資 產 總 資 本 每員工營業額 營 業 收 入 員 工 數

安定

力分

析

負債比率 負 債 淨 值

設備投資效率 附 加 價 值 營 運 設 備

淨利息負擔率 利 息 支 出 -利 息 收

入 營 業 收 入

營業收入成長率 兩 年 營 業 收 入 差 額 去

年 營 業 收 入

流動比率 流 動 資 產 流 動 負

債

附加價値成長率 兩 年 附 加 價 值 差 額 去

年 附 加 價 值

資產周轉率 營 業 收 入 總 資 產 成長

力分

析

淨値成長率 兩年淨值差額去年淨值

活動 股東權益周轉率 營 業 收 入 股 東 權

稅前利潤成長率 兩 年 稅 前 利 潤 差 額 去

12

力分

析

固定資產周轉率 營 業 收 入 固 定 資 產 稅後利潤成長率 兩 年 稅 後 利 潤 差 額 去

年 稅 後 利 潤

營運設備周轉率 營 業 收 入 營 運 設 備 固定資產成長率 兩 年 固 定 資 產 差 額 去

年 固 定 資 產

資 料來源 經濟 部中小 企業處 「建 立中小 企業經 營指標 -廠 商五力 研究」 1997

其他相關之財務指標有各證券商董事監察人持股數量設質

股數及平均設質比例 上市上櫃興櫃及公開發行公司基本資

料 財務報告年報公開說明書及財務預測資料付費查詢系統等

財務預警系統防範財務危機發生的基礎預警資料不僅包括內部

數據還包括外部市場行業等數據不僅有財會人員提供的財務信

息還有其他業務渠道產生的信息不僅有企業會計核算報告系統

還包括對會計資料的加工處理分析判斷以及診斷企業潛在的財務

危機的專家系統

財務預警機制的作為大量解僱預警的要素財務預警機制的要素

有很多如警源警兆警素警度警限等ldquo警rdquo是指經濟增長

為零或負增長經濟運行出現紊亂ldquo預警rdquo是指提前報警預先報

告企業經濟運行在未來可能出現的情況

(1)警源

警源是警情(預警情況)產生的根源從警源的生成機制看警源可以分

為外生警源與內生警源兩部分外生警源一般是由自然經濟災害或社會經濟

環境變化所引起的內生警源主要是由企業內部財務機制不健全或管理不完

善等引起的

(2)警兆

警兆是警情的先導指標是指警素髮生異常變化時的先兆一般而言

當影響因素髮生異常變化導致警情爆發之前總有一定的先兆警兆的確定

可以從警源人手也可以從經驗分析人手

(3)警素

警素是指構成警情的指標對企業財務預警而言選擇預警指標要遵循

以下三點一是重要性即所選的多個指標的綜合必須反映企業經濟運行的

主要矛盾現象二是一致性或先行性即指標特征量要與企業實際運作狀況

大體一致或略有超前對企業逆境現象的發生或發展具有動向敏感性三是

在統計上要具備準確性

(4)警度和警限

警度是指警情的程度對警度的預報是預警的目的關於警度通常可

分為五個等級即無警輕警中警重警和巨警這五種警度分別與警兆

指標的數量變化區間相對應因此相應的有五個警限無警警限輕警警限

中警警限重警警限和巨警警限預報警度的主要方法有兩種一是建立警

6

由上述之指標顯示許多資訊是來自於財務包括欠稅票據交換失敗也來

自經營的不善結果例如工安事件可能也衍伸出巨額的賠償所造成也有勞資

爭議可想而知的拖欠工資及退休資遣或相關保險福利的計算等都會是可能的

事項部分停工及相關關係企業則是供應鏈的反應結果

2014 年 10 月觸控大廠勝華爆發財務危機後除中國三個廠區將進行必

要精簡甚至希望透過私募找人接手外台灣的廠區也展開精簡作業盛傳

將大量裁員或提出優退轉職方案勝華潭子廠部分員工提出陳情書希望資

方不要佔員工便宜但勝華強調目前都還在與員工溝通尚未有任何一個

精簡方案定案包括是否先放無薪假或是直接裁員此處顯示兩種資訊一

為私募基金的挹注二為員工陳情

勝華在台中市設有兩座工廠位於經濟部加工出口區台中分處的簡稱勝

華潭子廠員工約二千人另一廠設於台中工業區員工約七百人一旦大

量裁員前者需把計畫書送給該區台中分處管理處後者需送到台中市政府

勞工局

據指出勝華潭子廠可能只留下五百至六百人亦即將裁掉四分之三人力

不過也傳可能放無薪假或提出優退轉業方案若真的裁員恐是經濟部加工

出口區台中分處近年最大規模資遣裁員案潭子廠員工說公司迄今未作相

關說明員工希望資方承諾給予夫妻擇一留用優先聘回或留任保障等措施

降低對員工衝擊

市府勞工局勞資關係科長賈學明證實已收到台中工業區廠的大量裁員

計畫但公司尚未做成決定只知道該公司內部傾向不裁員改用其他方案

如有爭議的話勞工局會依法介入勝華潭子廠部分加工出口區台中分處

副分處長劉睿紘說潭子廠沒有送來大量裁員計畫書勝華財務處長黃宗傑

強調目前所有方案都還在討論中尚未定案公司會盡力與員工溝通希

望能協調出對公司與員工都傷害最小的方案

2009 年 2 月勝華科技的前員工不滿資方大量裁員已快滿 4 個月至今

仍未交待裁員原因而且裁員名單中包括單親與中高齡弱勢勞工因此 2 日

前往勞委會抗議要求勞委會立即召開「重大勞資爭議協調會報」以保障

勞工權益數十名被解雇的前勝華科技員工在勞工團體「全國自主勞工聯盟」

的陪同下2 日前往勞委會抗議勝華員工自救會與自主工聯指出勝華科

技裁員至今將滿 4 個月但資方始終無法清楚交待為何要裁員而且裁員

名單中還有在 1 到 2 年內就可以退休的單親媽媽讓這些中高齡弱勢勞工

的生活立即陷入無以為繼的慘況他們也質疑勞工們在 2 月上旬曾經前往

行政院陳情勞委會與經濟部也已派員到勝華科技訪查但為何至今還未公

佈訪查結果自主工聯執行長朱維立說『今天我們來到勞委會前面我們

要找勞委會問清楚看到我們勝華資方營收慢慢回復到底我們的政府要怎

麼解決勞工的權益』對於這群勞工們的陳情勞委會勞資關係處科長王厚

偉表示按照勞基法如果資遣的事由是虧損或是業務緊縮資方要針對虧

7

損或業務緊縮的部門做調整而不是對毫無關聯的部門或是針對性的資遣

勞委會會進一步瞭解儘快處理王厚偉說『特別會針對女性年紀大的

或是資深的這當然是不對的是違法的那這個部份我們接受他陳情後

我們再來做瞭解跟處理同樣的公司因為全球化在不同國家設有生產線

重複的發生大量解僱事件所以這類的公司值得列入特別預警觀察中

2014 年 5 月法院三讀通過的《大量解僱勞工保護》修正案規範僱用

五百人以上的單一廠區若六十天內解僱超過五分之一勞工或單日解僱超過

八十人連鎖服務業各門市六十天內解僱勞工累積超過兩百人或單日超過一

百人就符合大量解僱標準知名連鎖飲品店「紅景天養生御品公司」前年

因惡性倒閉發生勞資糾紛故修法被稱為「紅景天條款」 勞動部表示

連鎖服務業如飲料店早餐店大賣場超商速食店等直營分店眾多但

各分店員工人數可能很少導致各分店解僱人數分別計算並未達《大量解僱

勞工保護》納管門檻全體合計卻可能超過門檻 由此可見連鎖廠商應

該整體建置統一的觀測資料以防止拆散來規避監督行為

2012 年 08 月 ET Today 報導台灣大量裁員企業迅速爆增台北市勞工

局表示已有製造業及科技業等近 50 家提出申請慘況直逼 2008 年2009

年金融海嘯時期不過勞委會指出其實今年 2 月以來大量解雇案件已經有

下降趨勢只有台北市和台中市比較多合計超過一半大量解僱具地區性

顯著的差別性此與就業的人口較多及資訊上較為流通有關

根據勞工局統計摩托羅拉全球裁員台灣分公司 115 人將裁員 78 人

外今年台北市已有 50 家公司提報大量解僱計畫達 1498 人與去年 23

件448 人相比家數比去年增加 12 倍人數增加了 23 倍增加幅度相

當驚人其中以製造業及科技業較多直逼 2008 年2009 年金融海嘯的狀

況此為產業特性有關之說明

勞工局表示當年金融海嘯影響集中在金融業但今年申請大量解僱的

公司廣及電子業服務業百貨業等並非集中在單一產業加上景氣未見

好轉跡象令人對未來的經濟情勢無法樂觀另外目前仍在協調的榮電公

司勞資爭議案受影響人數超過 400 人這些員工不僅被積欠薪資還有退

休金資遣費等問題都還未列入統計勞工局也預估從今年下半年到明

年上半年就業環境會較為嚴峻不過不過勞委會收到各縣市通報的情況卻

不是如此勞委會指出今年上半年國內企業大量解僱勞工有 76 件雖然

比去年同期多 8 件但解雇的人數 2967 人比去年少了 148 人比民國 97

年時的 102 件7500 人少得多勞委會勞資關係處處長劉傳名表示大量

解雇在整個情況下是逐年下降的101 年減少了 26 件4550 人民國 100

年各月的解雇人數起起伏伏但到 101 年 2 月以後反而呈現下降趨勢對

於台北市的狀況劉傳名指出今年上半年的大量解雇案件中台北市和台

中市案件合計就佔了 52超過 8 成集中在製造批發零售專業科學

和技術服務業勞委會 16 日也同時公布截至 101 年 8 月 15 日止實施無

8

薪假通報企業共計 20 家通報及實際實施人數均為 547 人較上期減少 2

家事業單位通報及實際實施人數則減少 81 人這樣片段的解釋實在不具

意義金融海嘯的集中金融業時為國際波動的波及效果而其他各行各業的

情形則與景氣波動較為相關

本章小結

由上述之案例分析可知一大量解僱廠商具重複行為所以有必要追蹤

針對重複性之惡性廠商密切注意其長期之經營財務及人力運用情形必然

有可能較為輕視勞動者之權益二大量解僱與景氣有關金融海嘯及不景

氣時衝擊產業及服務業甚大發生大量解僱行為的基會也就會提高三大

量解僱行為的核心資訊為經營的票據交換獲利情形及非核心員工的人數

(邊緣勞動力)等營運資訊此皆為我國主計單位向來所忽視或力有未逮之

處未來大數據分析在資料蒐集方面應該加強四大量解僱與全球化的關

聯性密不可分廠商分別在大陸及越南設廠者經常因為全球供應鏈有的鏈結

關係改變而發生大量解僱行為所以應該注意國際資訊尤其跨國之全球供

應鏈資訊要熱切追蹤針對熱點產業要圈起來注意其動態五廠商定義要

更擴大道涵蓋連鎖及關係企業否則規避行為會發生六由前述個案檢討

在過去有大量解僱發生的時候通常都先有市塲的波動例如金融海嘯例

如與韓國競爭蘋果 iphone的生產供應的過程 HTC全球市塲佔有率的劇跌

這些新聞的發生其實都可視為是一個預警的信號而且我們應該將這些競

爭激烈的產業做分類國內有哪些是競爭最激烈可列為 A 級有哪些可以列

為 B 級的然後再有一些是 C 級的以此來分類國內市場競爭的激烈性與

國際市場競爭的激烈性其實是有意義的七勞資爭議是往往大量解僱的先

聲因此勞資爭議的頻率若異常提升時當視為大量解僱之先聲同理無

薪休假亦往往伴隨著大量解僱之發生

9

第三章 大量解僱廠商之經營策略型態解析

大量解雇廠商依其經營情境及策略分類可以分成四類一依全球化

而分散各國的母子公司生產群鏈關係二勞動密集產業使用低薪本勞及

低人力資本投入勞動之企業遇有接單減少或競爭激烈下以縮減非技術員

工為調節之手段三景氣波動衝擊影響較大之產業因景氣波動而產生波

動性裁員現象四因國際競爭力喪失驟然發生生產減少之情形

低階教育訓練費投入低有同級的生產線(海外投資)替代性高的勞

動力中高齡婦女青年為主要資遣對象依勞基法第十一條規定雇

主只要有該條情形之一者即得預告終止勞動契約然而該條所稱之

情形認定上並非如容易例如歇業或轉讓在何種情形時始符合標準

又在何種情形下構成虧損或業務緊縮至於業務性質變更有減少勞

工必要其客觀標準又如何引起不少爭議

大量解僱勞工保護法本來就是針對事業單位基於客觀的「企業經

營因素」（成本市場技術環境）事由所發動之大量性解僱行為

為目的而加以設計規範者此等事由於性質上本非可歸責於勞工因

此可為事業單位就勞工「主觀行為」所為所做之解僱其併購或改組

為除了勞基法第十一條所列各款情形之外又加上因 「併購改組」

的事由得解僱勞工若單純從立法的文義解釋立法者特別將「併購

改組」與勞基法第十一條並列而且以「或」字做連結具有兼容意義

顯然 將兩者共同作為大量解僱勞工的事由究其規範目的不外乎是

防範「雇主的變更後的解僱」然比較勞基法之規定現行大量解僱

勞工保護第二條則於改組外另以「併購」一詞取代轉讓改組之意

為勞基法於該法第十一條第一項第一款及同法第二十條使用「改組

轉讓」惟對之無定義性規定依行政機關之看法改組或轉讓係指

「事業單位依公司法之規定變更其組織型態或其所有權（所有資產

設備）因移轉而消滅其原有之法人人格或獨資或合夥事業單位之負

責人變更而言」更有論者係依循事業單 位概念指涉經濟主體的機

能面向配合所謂「資產重組」概念詮釋理解改組轉讓概念亦

即「改組轉讓」實為描述「資產重組」現象的用語經營組織進行資

產重組涉及其他經營組織者為轉讓經營組織在自身範圍内進行資產

重組而不涉其他經營組織者則為改組

依勞基法第二十條規定其將事業單位「改組」或「轉讓」並列

為得解僱勞工之原因然而「改組」是否作為一種解僱事由亦有商

榷討論之餘地依公司法之變更組織之規定其情形包括無限公司

有限公司兩合公司以及股份有限公司等四種組織之相互變更而言

依據大法官會議解釋釋字第一六七號見解認為有限公司依公司法規

定變更其組織為股份有限公司其法人人格之存續不受影響因之

單純之公司組織結構的改變為何即得構成雇主解僱勞工之合法事由

10

實屬不可解然究竟可為大量解僱之表徵併購原文為 Merger amp

Acquisition目前從企業併購法内容或考究其他相關法律規定 仍無

法精確說明其意義企業併購一詞可說是企業界及實務界對於企業

取得或移轉企業經營權控制權為目的之經濟行為之總稱以目前而

言各國對此相同或類似之經濟行為之名稱上定義並不一致如美國

稱之 Merger and Acquisition(MampA) 英 國 則 慣 以 Takeover and Merger

稱之而我國對於 MampA之稱法也無一致之定義有稱為「併購」或「購

併」亦有稱 為「兼併」或「收購」基本上是大同小異「併購」

依照企業併購法第四條第二款規定乃為公司之合併收購及分割質

言之「合併」係原參與之公司全部消滅由新成立之公司概括承受

消滅公司之全部權利義務或參與之其中某一公司存續由存續公司

概括承受消滅公司之全部權利義務並以存續或新設公司之股份或

其他公司之股份現金或其他財產作為對價之行為而「收購」指

的是公司法人依企業併購法公司法證券交易法金融機構合併法

或金融控股公司法規定取得他公司之股份營業或財產並以股份

現金或其他財產作為對價之行為至於「分割」則是指公司依 法

將其得獨立營運之一部或全部之營業讓與既存或新設之他公司作為

既存公司或新設公司發行新股予該公司或該公司股東對價之行為實

由此揭可知公司併購範疇中之「合併及分割」於内涵上已涵蓋前

揭行政機關對於轉讓定義闡釋之内容故立法者方為如是之立法除

此之外論者亦認為「改組」之企業併購型態亦應已由企業併購法

之併購吸收或屬勞基法第十一條第四款之「業務性質變更」似同無

獨立存在之必要換言之此處似單以「併購」一詞規範即可

現在企業以併購做為大量解僱之情事時有發生實因法律為其開

門之故同時併購可減少資本的投入節省企業成長之時間發揮規

模經濟經營規模綜效財務上之考量經營之多角化以及降底風險等

因素然企業一旦相互併購隨而來的將是組織再造或重組人事變

更甚至有企業因併購而消滅如此可能使相當規模之勞工遭遇解僱

之結果因而構成大量解僱之發生大量解僱勞工保護乃係專對任何

勞動生活型態所可能發生之大量性解僱問題而設的保護規範企業併

購法則是對於企業以併購進行組織調整之整體事宜為規範核心而勞

動力分配調整及權益問題係屬其中之一質言之原則上兩者規範動

機目的並非相同倘若原事業單位進行企業併購而「預估」將不致造

成太大的勞動力變動甚至沒有則無大量解僱勞工保護之適用餘地

存在但若新舊事業單位特別是原事業單位已概略掌握人員或部門

變動幅度人數恐已構成法定大量解僱定義者則豈可將大量解僱

勞工保護視而不見若屬後者之情況下大量解僱勞工保護方屬企業

併購法之特別規定而應優先適用除上述二大要件外對於是否適

11

用大量解僱勞工保護具有關鍵性之影響者尚有「同一事業單位」及

「同一廠場」之定義及範圍對大量解僱勞工保護對於此兩者已經立

法定義及於關係企業及連鎖經營之企業

一 中小企業關鍵性績效指標及財務危機指標

在觀察大量解僱廠商財務指標分析方面經濟部中小企業處 1997

年發表「建立中小企業經營指標 -廠商五力研究」中提供中小企業關

鍵性績效指標如下

表一中小企業關鍵性績效指標

類型 項目 公式 類型 項目 公式

資本營業利益率 稅 後 利 潤 總 資 本

活動

力分

析

存貨周轉率 營 業 收 入 存 貨

資本純益率 稅 前 利 潤 總 資 本

應收帳款周轉率 營 業 收 入 應 收 帳 款

收益

力分

析

淨値純益率 稅 前 利 潤 業 主 權

益

人事費生產力 附 加 價 值 人 事 費

營業利益率 稅 後 利 潤 營 業 收

入

資本生產力 附 加 價 值 總 資 本

營業純益率 稅 前 利 潤 營 業 收

入

固定資產生產力 附 加 價 值 固 定 資 產

營業收入利益率 銷 貨 毛 利 營 業 收

入

生產

力分

析

附加價値率 附 加 價 值 營 業 收 入

自有資本比率 股 東 權 益 總 資 本 每員工附加價値 附 加 價 值 員 工 數

固定資產比率 固 定 資 產 總 資 本 每員工營業額 營 業 收 入 員 工 數

安定

力分

析

負債比率 負 債 淨 值

設備投資效率 附 加 價 值 營 運 設 備

淨利息負擔率 利 息 支 出 -利 息 收

入 營 業 收 入

營業收入成長率 兩 年 營 業 收 入 差 額 去

年 營 業 收 入

流動比率 流 動 資 產 流 動 負

債

附加價値成長率 兩 年 附 加 價 值 差 額 去

年 附 加 價 值

資產周轉率 營 業 收 入 總 資 產 成長

力分

析

淨値成長率 兩年淨值差額去年淨值

活動 股東權益周轉率 營 業 收 入 股 東 權

稅前利潤成長率 兩 年 稅 前 利 潤 差 額 去

12

力分

析

固定資產周轉率 營 業 收 入 固 定 資 產 稅後利潤成長率 兩 年 稅 後 利 潤 差 額 去

年 稅 後 利 潤

營運設備周轉率 營 業 收 入 營 運 設 備 固定資產成長率 兩 年 固 定 資 產 差 額 去

年 固 定 資 產

資 料來源 經濟 部中小 企業處 「建 立中小 企業經 營指標 -廠 商五力 研究」 1997

其他相關之財務指標有各證券商董事監察人持股數量設質

股數及平均設質比例 上市上櫃興櫃及公開發行公司基本資

料 財務報告年報公開說明書及財務預測資料付費查詢系統等

財務預警系統防範財務危機發生的基礎預警資料不僅包括內部

數據還包括外部市場行業等數據不僅有財會人員提供的財務信

息還有其他業務渠道產生的信息不僅有企業會計核算報告系統

還包括對會計資料的加工處理分析判斷以及診斷企業潛在的財務

危機的專家系統

財務預警機制的作為大量解僱預警的要素財務預警機制的要素

有很多如警源警兆警素警度警限等ldquo警rdquo是指經濟增長

為零或負增長經濟運行出現紊亂ldquo預警rdquo是指提前報警預先報

告企業經濟運行在未來可能出現的情況

(1)警源

警源是警情(預警情況)產生的根源從警源的生成機制看警源可以分

為外生警源與內生警源兩部分外生警源一般是由自然經濟災害或社會經濟

環境變化所引起的內生警源主要是由企業內部財務機制不健全或管理不完

善等引起的

(2)警兆

警兆是警情的先導指標是指警素髮生異常變化時的先兆一般而言

當影響因素髮生異常變化導致警情爆發之前總有一定的先兆警兆的確定

可以從警源人手也可以從經驗分析人手

(3)警素

警素是指構成警情的指標對企業財務預警而言選擇預警指標要遵循

以下三點一是重要性即所選的多個指標的綜合必須反映企業經濟運行的

主要矛盾現象二是一致性或先行性即指標特征量要與企業實際運作狀況

大體一致或略有超前對企業逆境現象的發生或發展具有動向敏感性三是

在統計上要具備準確性

(4)警度和警限

警度是指警情的程度對警度的預報是預警的目的關於警度通常可

分為五個等級即無警輕警中警重警和巨警這五種警度分別與警兆

指標的數量變化區間相對應因此相應的有五個警限無警警限輕警警限

中警警限重警警限和巨警警限預報警度的主要方法有兩種一是建立警

7

損或業務緊縮的部門做調整而不是對毫無關聯的部門或是針對性的資遣

勞委會會進一步瞭解儘快處理王厚偉說『特別會針對女性年紀大的

或是資深的這當然是不對的是違法的那這個部份我們接受他陳情後

我們再來做瞭解跟處理同樣的公司因為全球化在不同國家設有生產線

重複的發生大量解僱事件所以這類的公司值得列入特別預警觀察中

2014 年 5 月法院三讀通過的《大量解僱勞工保護》修正案規範僱用

五百人以上的單一廠區若六十天內解僱超過五分之一勞工或單日解僱超過

八十人連鎖服務業各門市六十天內解僱勞工累積超過兩百人或單日超過一

百人就符合大量解僱標準知名連鎖飲品店「紅景天養生御品公司」前年

因惡性倒閉發生勞資糾紛故修法被稱為「紅景天條款」 勞動部表示

連鎖服務業如飲料店早餐店大賣場超商速食店等直營分店眾多但

各分店員工人數可能很少導致各分店解僱人數分別計算並未達《大量解僱

勞工保護》納管門檻全體合計卻可能超過門檻 由此可見連鎖廠商應

該整體建置統一的觀測資料以防止拆散來規避監督行為

2012 年 08 月 ET Today 報導台灣大量裁員企業迅速爆增台北市勞工

局表示已有製造業及科技業等近 50 家提出申請慘況直逼 2008 年2009

年金融海嘯時期不過勞委會指出其實今年 2 月以來大量解雇案件已經有

下降趨勢只有台北市和台中市比較多合計超過一半大量解僱具地區性

顯著的差別性此與就業的人口較多及資訊上較為流通有關

根據勞工局統計摩托羅拉全球裁員台灣分公司 115 人將裁員 78 人

外今年台北市已有 50 家公司提報大量解僱計畫達 1498 人與去年 23

件448 人相比家數比去年增加 12 倍人數增加了 23 倍增加幅度相

當驚人其中以製造業及科技業較多直逼 2008 年2009 年金融海嘯的狀

況此為產業特性有關之說明

勞工局表示當年金融海嘯影響集中在金融業但今年申請大量解僱的

公司廣及電子業服務業百貨業等並非集中在單一產業加上景氣未見

好轉跡象令人對未來的經濟情勢無法樂觀另外目前仍在協調的榮電公

司勞資爭議案受影響人數超過 400 人這些員工不僅被積欠薪資還有退

休金資遣費等問題都還未列入統計勞工局也預估從今年下半年到明

年上半年就業環境會較為嚴峻不過不過勞委會收到各縣市通報的情況卻

不是如此勞委會指出今年上半年國內企業大量解僱勞工有 76 件雖然

比去年同期多 8 件但解雇的人數 2967 人比去年少了 148 人比民國 97

年時的 102 件7500 人少得多勞委會勞資關係處處長劉傳名表示大量

解雇在整個情況下是逐年下降的101 年減少了 26 件4550 人民國 100

年各月的解雇人數起起伏伏但到 101 年 2 月以後反而呈現下降趨勢對

於台北市的狀況劉傳名指出今年上半年的大量解雇案件中台北市和台

中市案件合計就佔了 52超過 8 成集中在製造批發零售專業科學

和技術服務業勞委會 16 日也同時公布截至 101 年 8 月 15 日止實施無

8

薪假通報企業共計 20 家通報及實際實施人數均為 547 人較上期減少 2

家事業單位通報及實際實施人數則減少 81 人這樣片段的解釋實在不具

意義金融海嘯的集中金融業時為國際波動的波及效果而其他各行各業的

情形則與景氣波動較為相關

本章小結

由上述之案例分析可知一大量解僱廠商具重複行為所以有必要追蹤

針對重複性之惡性廠商密切注意其長期之經營財務及人力運用情形必然

有可能較為輕視勞動者之權益二大量解僱與景氣有關金融海嘯及不景

氣時衝擊產業及服務業甚大發生大量解僱行為的基會也就會提高三大

量解僱行為的核心資訊為經營的票據交換獲利情形及非核心員工的人數

(邊緣勞動力)等營運資訊此皆為我國主計單位向來所忽視或力有未逮之

處未來大數據分析在資料蒐集方面應該加強四大量解僱與全球化的關

聯性密不可分廠商分別在大陸及越南設廠者經常因為全球供應鏈有的鏈結

關係改變而發生大量解僱行為所以應該注意國際資訊尤其跨國之全球供

應鏈資訊要熱切追蹤針對熱點產業要圈起來注意其動態五廠商定義要

更擴大道涵蓋連鎖及關係企業否則規避行為會發生六由前述個案檢討

在過去有大量解僱發生的時候通常都先有市塲的波動例如金融海嘯例

如與韓國競爭蘋果 iphone的生產供應的過程 HTC全球市塲佔有率的劇跌

這些新聞的發生其實都可視為是一個預警的信號而且我們應該將這些競

爭激烈的產業做分類國內有哪些是競爭最激烈可列為 A 級有哪些可以列

為 B 級的然後再有一些是 C 級的以此來分類國內市場競爭的激烈性與

國際市場競爭的激烈性其實是有意義的七勞資爭議是往往大量解僱的先

聲因此勞資爭議的頻率若異常提升時當視為大量解僱之先聲同理無

薪休假亦往往伴隨著大量解僱之發生

9

第三章 大量解僱廠商之經營策略型態解析

大量解雇廠商依其經營情境及策略分類可以分成四類一依全球化

而分散各國的母子公司生產群鏈關係二勞動密集產業使用低薪本勞及

低人力資本投入勞動之企業遇有接單減少或競爭激烈下以縮減非技術員

工為調節之手段三景氣波動衝擊影響較大之產業因景氣波動而產生波

動性裁員現象四因國際競爭力喪失驟然發生生產減少之情形

低階教育訓練費投入低有同級的生產線(海外投資)替代性高的勞

動力中高齡婦女青年為主要資遣對象依勞基法第十一條規定雇

主只要有該條情形之一者即得預告終止勞動契約然而該條所稱之

情形認定上並非如容易例如歇業或轉讓在何種情形時始符合標準

又在何種情形下構成虧損或業務緊縮至於業務性質變更有減少勞

工必要其客觀標準又如何引起不少爭議

大量解僱勞工保護法本來就是針對事業單位基於客觀的「企業經

營因素」（成本市場技術環境）事由所發動之大量性解僱行為

為目的而加以設計規範者此等事由於性質上本非可歸責於勞工因

此可為事業單位就勞工「主觀行為」所為所做之解僱其併購或改組

為除了勞基法第十一條所列各款情形之外又加上因 「併購改組」

的事由得解僱勞工若單純從立法的文義解釋立法者特別將「併購

改組」與勞基法第十一條並列而且以「或」字做連結具有兼容意義

顯然 將兩者共同作為大量解僱勞工的事由究其規範目的不外乎是

防範「雇主的變更後的解僱」然比較勞基法之規定現行大量解僱

勞工保護第二條則於改組外另以「併購」一詞取代轉讓改組之意

為勞基法於該法第十一條第一項第一款及同法第二十條使用「改組

轉讓」惟對之無定義性規定依行政機關之看法改組或轉讓係指

「事業單位依公司法之規定變更其組織型態或其所有權（所有資產

設備）因移轉而消滅其原有之法人人格或獨資或合夥事業單位之負

責人變更而言」更有論者係依循事業單 位概念指涉經濟主體的機

能面向配合所謂「資產重組」概念詮釋理解改組轉讓概念亦

即「改組轉讓」實為描述「資產重組」現象的用語經營組織進行資

產重組涉及其他經營組織者為轉讓經營組織在自身範圍内進行資產

重組而不涉其他經營組織者則為改組

依勞基法第二十條規定其將事業單位「改組」或「轉讓」並列

為得解僱勞工之原因然而「改組」是否作為一種解僱事由亦有商

榷討論之餘地依公司法之變更組織之規定其情形包括無限公司

有限公司兩合公司以及股份有限公司等四種組織之相互變更而言

依據大法官會議解釋釋字第一六七號見解認為有限公司依公司法規

定變更其組織為股份有限公司其法人人格之存續不受影響因之

單純之公司組織結構的改變為何即得構成雇主解僱勞工之合法事由

10

實屬不可解然究竟可為大量解僱之表徵併購原文為 Merger amp

Acquisition目前從企業併購法内容或考究其他相關法律規定 仍無

法精確說明其意義企業併購一詞可說是企業界及實務界對於企業

取得或移轉企業經營權控制權為目的之經濟行為之總稱以目前而

言各國對此相同或類似之經濟行為之名稱上定義並不一致如美國

稱之 Merger and Acquisition(MampA) 英 國 則 慣 以 Takeover and Merger

稱之而我國對於 MampA之稱法也無一致之定義有稱為「併購」或「購

併」亦有稱 為「兼併」或「收購」基本上是大同小異「併購」

依照企業併購法第四條第二款規定乃為公司之合併收購及分割質

言之「合併」係原參與之公司全部消滅由新成立之公司概括承受

消滅公司之全部權利義務或參與之其中某一公司存續由存續公司

概括承受消滅公司之全部權利義務並以存續或新設公司之股份或

其他公司之股份現金或其他財產作為對價之行為而「收購」指

的是公司法人依企業併購法公司法證券交易法金融機構合併法

或金融控股公司法規定取得他公司之股份營業或財產並以股份

現金或其他財產作為對價之行為至於「分割」則是指公司依 法

將其得獨立營運之一部或全部之營業讓與既存或新設之他公司作為

既存公司或新設公司發行新股予該公司或該公司股東對價之行為實

由此揭可知公司併購範疇中之「合併及分割」於内涵上已涵蓋前

揭行政機關對於轉讓定義闡釋之内容故立法者方為如是之立法除

此之外論者亦認為「改組」之企業併購型態亦應已由企業併購法

之併購吸收或屬勞基法第十一條第四款之「業務性質變更」似同無

獨立存在之必要換言之此處似單以「併購」一詞規範即可

現在企業以併購做為大量解僱之情事時有發生實因法律為其開

門之故同時併購可減少資本的投入節省企業成長之時間發揮規

模經濟經營規模綜效財務上之考量經營之多角化以及降底風險等

因素然企業一旦相互併購隨而來的將是組織再造或重組人事變

更甚至有企業因併購而消滅如此可能使相當規模之勞工遭遇解僱

之結果因而構成大量解僱之發生大量解僱勞工保護乃係專對任何

勞動生活型態所可能發生之大量性解僱問題而設的保護規範企業併

購法則是對於企業以併購進行組織調整之整體事宜為規範核心而勞

動力分配調整及權益問題係屬其中之一質言之原則上兩者規範動

機目的並非相同倘若原事業單位進行企業併購而「預估」將不致造

成太大的勞動力變動甚至沒有則無大量解僱勞工保護之適用餘地

存在但若新舊事業單位特別是原事業單位已概略掌握人員或部門

變動幅度人數恐已構成法定大量解僱定義者則豈可將大量解僱

勞工保護視而不見若屬後者之情況下大量解僱勞工保護方屬企業

併購法之特別規定而應優先適用除上述二大要件外對於是否適

11

用大量解僱勞工保護具有關鍵性之影響者尚有「同一事業單位」及

「同一廠場」之定義及範圍對大量解僱勞工保護對於此兩者已經立

法定義及於關係企業及連鎖經營之企業

一 中小企業關鍵性績效指標及財務危機指標

在觀察大量解僱廠商財務指標分析方面經濟部中小企業處 1997

年發表「建立中小企業經營指標 -廠商五力研究」中提供中小企業關

鍵性績效指標如下

表一中小企業關鍵性績效指標

類型 項目 公式 類型 項目 公式

資本營業利益率 稅 後 利 潤 總 資 本

活動

力分

析

存貨周轉率 營 業 收 入 存 貨

資本純益率 稅 前 利 潤 總 資 本

應收帳款周轉率 營 業 收 入 應 收 帳 款

收益

力分

析

淨値純益率 稅 前 利 潤 業 主 權

益

人事費生產力 附 加 價 值 人 事 費

營業利益率 稅 後 利 潤 營 業 收

入

資本生產力 附 加 價 值 總 資 本

營業純益率 稅 前 利 潤 營 業 收

入

固定資產生產力 附 加 價 值 固 定 資 產

營業收入利益率 銷 貨 毛 利 營 業 收

入

生產

力分

析

附加價値率 附 加 價 值 營 業 收 入

自有資本比率 股 東 權 益 總 資 本 每員工附加價値 附 加 價 值 員 工 數

固定資產比率 固 定 資 產 總 資 本 每員工營業額 營 業 收 入 員 工 數

安定

力分

析

負債比率 負 債 淨 值

設備投資效率 附 加 價 值 營 運 設 備

淨利息負擔率 利 息 支 出 -利 息 收

入 營 業 收 入

營業收入成長率 兩 年 營 業 收 入 差 額 去

年 營 業 收 入

流動比率 流 動 資 產 流 動 負

債

附加價値成長率 兩 年 附 加 價 值 差 額 去

年 附 加 價 值

資產周轉率 營 業 收 入 總 資 產 成長

力分

析

淨値成長率 兩年淨值差額去年淨值

活動 股東權益周轉率 營 業 收 入 股 東 權

稅前利潤成長率 兩 年 稅 前 利 潤 差 額 去

12

力分

析

固定資產周轉率 營 業 收 入 固 定 資 產 稅後利潤成長率 兩 年 稅 後 利 潤 差 額 去

年 稅 後 利 潤

營運設備周轉率 營 業 收 入 營 運 設 備 固定資產成長率 兩 年 固 定 資 產 差 額 去

年 固 定 資 產

資 料來源 經濟 部中小 企業處 「建 立中小 企業經 營指標 -廠 商五力 研究」 1997

其他相關之財務指標有各證券商董事監察人持股數量設質

股數及平均設質比例 上市上櫃興櫃及公開發行公司基本資

料 財務報告年報公開說明書及財務預測資料付費查詢系統等

財務預警系統防範財務危機發生的基礎預警資料不僅包括內部

數據還包括外部市場行業等數據不僅有財會人員提供的財務信

息還有其他業務渠道產生的信息不僅有企業會計核算報告系統

還包括對會計資料的加工處理分析判斷以及診斷企業潛在的財務

危機的專家系統

財務預警機制的作為大量解僱預警的要素財務預警機制的要素

有很多如警源警兆警素警度警限等ldquo警rdquo是指經濟增長

為零或負增長經濟運行出現紊亂ldquo預警rdquo是指提前報警預先報

告企業經濟運行在未來可能出現的情況

(1)警源

警源是警情(預警情況)產生的根源從警源的生成機制看警源可以分

為外生警源與內生警源兩部分外生警源一般是由自然經濟災害或社會經濟

環境變化所引起的內生警源主要是由企業內部財務機制不健全或管理不完

善等引起的

(2)警兆

警兆是警情的先導指標是指警素髮生異常變化時的先兆一般而言

當影響因素髮生異常變化導致警情爆發之前總有一定的先兆警兆的確定

可以從警源人手也可以從經驗分析人手

(3)警素

警素是指構成警情的指標對企業財務預警而言選擇預警指標要遵循

以下三點一是重要性即所選的多個指標的綜合必須反映企業經濟運行的

主要矛盾現象二是一致性或先行性即指標特征量要與企業實際運作狀況

大體一致或略有超前對企業逆境現象的發生或發展具有動向敏感性三是

在統計上要具備準確性

(4)警度和警限

警度是指警情的程度對警度的預報是預警的目的關於警度通常可

分為五個等級即無警輕警中警重警和巨警這五種警度分別與警兆

指標的數量變化區間相對應因此相應的有五個警限無警警限輕警警限

中警警限重警警限和巨警警限預報警度的主要方法有兩種一是建立警

8

薪假通報企業共計 20 家通報及實際實施人數均為 547 人較上期減少 2

家事業單位通報及實際實施人數則減少 81 人這樣片段的解釋實在不具

意義金融海嘯的集中金融業時為國際波動的波及效果而其他各行各業的

情形則與景氣波動較為相關

本章小結

由上述之案例分析可知一大量解僱廠商具重複行為所以有必要追蹤

針對重複性之惡性廠商密切注意其長期之經營財務及人力運用情形必然

有可能較為輕視勞動者之權益二大量解僱與景氣有關金融海嘯及不景

氣時衝擊產業及服務業甚大發生大量解僱行為的基會也就會提高三大

量解僱行為的核心資訊為經營的票據交換獲利情形及非核心員工的人數

(邊緣勞動力)等營運資訊此皆為我國主計單位向來所忽視或力有未逮之

處未來大數據分析在資料蒐集方面應該加強四大量解僱與全球化的關

聯性密不可分廠商分別在大陸及越南設廠者經常因為全球供應鏈有的鏈結

關係改變而發生大量解僱行為所以應該注意國際資訊尤其跨國之全球供

應鏈資訊要熱切追蹤針對熱點產業要圈起來注意其動態五廠商定義要

更擴大道涵蓋連鎖及關係企業否則規避行為會發生六由前述個案檢討

在過去有大量解僱發生的時候通常都先有市塲的波動例如金融海嘯例

如與韓國競爭蘋果 iphone的生產供應的過程 HTC全球市塲佔有率的劇跌

這些新聞的發生其實都可視為是一個預警的信號而且我們應該將這些競

爭激烈的產業做分類國內有哪些是競爭最激烈可列為 A 級有哪些可以列

為 B 級的然後再有一些是 C 級的以此來分類國內市場競爭的激烈性與

國際市場競爭的激烈性其實是有意義的七勞資爭議是往往大量解僱的先

聲因此勞資爭議的頻率若異常提升時當視為大量解僱之先聲同理無

薪休假亦往往伴隨著大量解僱之發生

9

第三章 大量解僱廠商之經營策略型態解析

大量解雇廠商依其經營情境及策略分類可以分成四類一依全球化

而分散各國的母子公司生產群鏈關係二勞動密集產業使用低薪本勞及

低人力資本投入勞動之企業遇有接單減少或競爭激烈下以縮減非技術員

工為調節之手段三景氣波動衝擊影響較大之產業因景氣波動而產生波

動性裁員現象四因國際競爭力喪失驟然發生生產減少之情形

低階教育訓練費投入低有同級的生產線(海外投資)替代性高的勞

動力中高齡婦女青年為主要資遣對象依勞基法第十一條規定雇

主只要有該條情形之一者即得預告終止勞動契約然而該條所稱之

情形認定上並非如容易例如歇業或轉讓在何種情形時始符合標準

又在何種情形下構成虧損或業務緊縮至於業務性質變更有減少勞

工必要其客觀標準又如何引起不少爭議

大量解僱勞工保護法本來就是針對事業單位基於客觀的「企業經

營因素」（成本市場技術環境）事由所發動之大量性解僱行為

為目的而加以設計規範者此等事由於性質上本非可歸責於勞工因

此可為事業單位就勞工「主觀行為」所為所做之解僱其併購或改組

為除了勞基法第十一條所列各款情形之外又加上因 「併購改組」

的事由得解僱勞工若單純從立法的文義解釋立法者特別將「併購

改組」與勞基法第十一條並列而且以「或」字做連結具有兼容意義

顯然 將兩者共同作為大量解僱勞工的事由究其規範目的不外乎是

防範「雇主的變更後的解僱」然比較勞基法之規定現行大量解僱

勞工保護第二條則於改組外另以「併購」一詞取代轉讓改組之意

為勞基法於該法第十一條第一項第一款及同法第二十條使用「改組

轉讓」惟對之無定義性規定依行政機關之看法改組或轉讓係指

「事業單位依公司法之規定變更其組織型態或其所有權（所有資產

設備）因移轉而消滅其原有之法人人格或獨資或合夥事業單位之負

責人變更而言」更有論者係依循事業單 位概念指涉經濟主體的機

能面向配合所謂「資產重組」概念詮釋理解改組轉讓概念亦

即「改組轉讓」實為描述「資產重組」現象的用語經營組織進行資

產重組涉及其他經營組織者為轉讓經營組織在自身範圍内進行資產

重組而不涉其他經營組織者則為改組

依勞基法第二十條規定其將事業單位「改組」或「轉讓」並列

為得解僱勞工之原因然而「改組」是否作為一種解僱事由亦有商

榷討論之餘地依公司法之變更組織之規定其情形包括無限公司

有限公司兩合公司以及股份有限公司等四種組織之相互變更而言

依據大法官會議解釋釋字第一六七號見解認為有限公司依公司法規

定變更其組織為股份有限公司其法人人格之存續不受影響因之

單純之公司組織結構的改變為何即得構成雇主解僱勞工之合法事由

10

實屬不可解然究竟可為大量解僱之表徵併購原文為 Merger amp

Acquisition目前從企業併購法内容或考究其他相關法律規定 仍無

法精確說明其意義企業併購一詞可說是企業界及實務界對於企業

取得或移轉企業經營權控制權為目的之經濟行為之總稱以目前而

言各國對此相同或類似之經濟行為之名稱上定義並不一致如美國

稱之 Merger and Acquisition(MampA) 英 國 則 慣 以 Takeover and Merger

稱之而我國對於 MampA之稱法也無一致之定義有稱為「併購」或「購

併」亦有稱 為「兼併」或「收購」基本上是大同小異「併購」

依照企業併購法第四條第二款規定乃為公司之合併收購及分割質

言之「合併」係原參與之公司全部消滅由新成立之公司概括承受

消滅公司之全部權利義務或參與之其中某一公司存續由存續公司

概括承受消滅公司之全部權利義務並以存續或新設公司之股份或

其他公司之股份現金或其他財產作為對價之行為而「收購」指

的是公司法人依企業併購法公司法證券交易法金融機構合併法

或金融控股公司法規定取得他公司之股份營業或財產並以股份

現金或其他財產作為對價之行為至於「分割」則是指公司依 法

將其得獨立營運之一部或全部之營業讓與既存或新設之他公司作為

既存公司或新設公司發行新股予該公司或該公司股東對價之行為實

由此揭可知公司併購範疇中之「合併及分割」於内涵上已涵蓋前

揭行政機關對於轉讓定義闡釋之内容故立法者方為如是之立法除

此之外論者亦認為「改組」之企業併購型態亦應已由企業併購法

之併購吸收或屬勞基法第十一條第四款之「業務性質變更」似同無

獨立存在之必要換言之此處似單以「併購」一詞規範即可

現在企業以併購做為大量解僱之情事時有發生實因法律為其開

門之故同時併購可減少資本的投入節省企業成長之時間發揮規

模經濟經營規模綜效財務上之考量經營之多角化以及降底風險等

因素然企業一旦相互併購隨而來的將是組織再造或重組人事變

更甚至有企業因併購而消滅如此可能使相當規模之勞工遭遇解僱

之結果因而構成大量解僱之發生大量解僱勞工保護乃係專對任何

勞動生活型態所可能發生之大量性解僱問題而設的保護規範企業併

購法則是對於企業以併購進行組織調整之整體事宜為規範核心而勞

動力分配調整及權益問題係屬其中之一質言之原則上兩者規範動

機目的並非相同倘若原事業單位進行企業併購而「預估」將不致造

成太大的勞動力變動甚至沒有則無大量解僱勞工保護之適用餘地

存在但若新舊事業單位特別是原事業單位已概略掌握人員或部門

變動幅度人數恐已構成法定大量解僱定義者則豈可將大量解僱

勞工保護視而不見若屬後者之情況下大量解僱勞工保護方屬企業

併購法之特別規定而應優先適用除上述二大要件外對於是否適

11

用大量解僱勞工保護具有關鍵性之影響者尚有「同一事業單位」及

「同一廠場」之定義及範圍對大量解僱勞工保護對於此兩者已經立

法定義及於關係企業及連鎖經營之企業

一 中小企業關鍵性績效指標及財務危機指標

在觀察大量解僱廠商財務指標分析方面經濟部中小企業處 1997

年發表「建立中小企業經營指標 -廠商五力研究」中提供中小企業關

鍵性績效指標如下

表一中小企業關鍵性績效指標

類型 項目 公式 類型 項目 公式

資本營業利益率 稅 後 利 潤 總 資 本

活動

力分

析

存貨周轉率 營 業 收 入 存 貨

資本純益率 稅 前 利 潤 總 資 本

應收帳款周轉率 營 業 收 入 應 收 帳 款

收益

力分

析

淨値純益率 稅 前 利 潤 業 主 權

益

人事費生產力 附 加 價 值 人 事 費

營業利益率 稅 後 利 潤 營 業 收

入

資本生產力 附 加 價 值 總 資 本

營業純益率 稅 前 利 潤 營 業 收

入

固定資產生產力 附 加 價 值 固 定 資 產

營業收入利益率 銷 貨 毛 利 營 業 收

入

生產

力分

析

附加價値率 附 加 價 值 營 業 收 入

自有資本比率 股 東 權 益 總 資 本 每員工附加價値 附 加 價 值 員 工 數

固定資產比率 固 定 資 產 總 資 本 每員工營業額 營 業 收 入 員 工 數

安定

力分

析

負債比率 負 債 淨 值

設備投資效率 附 加 價 值 營 運 設 備

淨利息負擔率 利 息 支 出 -利 息 收

入 營 業 收 入

營業收入成長率 兩 年 營 業 收 入 差 額 去

年 營 業 收 入

流動比率 流 動 資 產 流 動 負

債

附加價値成長率 兩 年 附 加 價 值 差 額 去

年 附 加 價 值

資產周轉率 營 業 收 入 總 資 產 成長

力分

析

淨値成長率 兩年淨值差額去年淨值

活動 股東權益周轉率 營 業 收 入 股 東 權

稅前利潤成長率 兩 年 稅 前 利 潤 差 額 去

12

力分

析

固定資產周轉率 營 業 收 入 固 定 資 產 稅後利潤成長率 兩 年 稅 後 利 潤 差 額 去

年 稅 後 利 潤

營運設備周轉率 營 業 收 入 營 運 設 備 固定資產成長率 兩 年 固 定 資 產 差 額 去

年 固 定 資 產

資 料來源 經濟 部中小 企業處 「建 立中小 企業經 營指標 -廠 商五力 研究」 1997

其他相關之財務指標有各證券商董事監察人持股數量設質

股數及平均設質比例 上市上櫃興櫃及公開發行公司基本資

料 財務報告年報公開說明書及財務預測資料付費查詢系統等

財務預警系統防範財務危機發生的基礎預警資料不僅包括內部

數據還包括外部市場行業等數據不僅有財會人員提供的財務信

息還有其他業務渠道產生的信息不僅有企業會計核算報告系統

還包括對會計資料的加工處理分析判斷以及診斷企業潛在的財務

危機的專家系統

財務預警機制的作為大量解僱預警的要素財務預警機制的要素

有很多如警源警兆警素警度警限等ldquo警rdquo是指經濟增長

為零或負增長經濟運行出現紊亂ldquo預警rdquo是指提前報警預先報

告企業經濟運行在未來可能出現的情況

(1)警源

警源是警情(預警情況)產生的根源從警源的生成機制看警源可以分

為外生警源與內生警源兩部分外生警源一般是由自然經濟災害或社會經濟

環境變化所引起的內生警源主要是由企業內部財務機制不健全或管理不完

善等引起的

(2)警兆

警兆是警情的先導指標是指警素髮生異常變化時的先兆一般而言

當影響因素髮生異常變化導致警情爆發之前總有一定的先兆警兆的確定

可以從警源人手也可以從經驗分析人手

(3)警素

警素是指構成警情的指標對企業財務預警而言選擇預警指標要遵循

以下三點一是重要性即所選的多個指標的綜合必須反映企業經濟運行的

主要矛盾現象二是一致性或先行性即指標特征量要與企業實際運作狀況

大體一致或略有超前對企業逆境現象的發生或發展具有動向敏感性三是

在統計上要具備準確性

(4)警度和警限

警度是指警情的程度對警度的預報是預警的目的關於警度通常可

分為五個等級即無警輕警中警重警和巨警這五種警度分別與警兆

指標的數量變化區間相對應因此相應的有五個警限無警警限輕警警限

中警警限重警警限和巨警警限預報警度的主要方法有兩種一是建立警

9

第三章 大量解僱廠商之經營策略型態解析

大量解雇廠商依其經營情境及策略分類可以分成四類一依全球化

而分散各國的母子公司生產群鏈關係二勞動密集產業使用低薪本勞及

低人力資本投入勞動之企業遇有接單減少或競爭激烈下以縮減非技術員

工為調節之手段三景氣波動衝擊影響較大之產業因景氣波動而產生波

動性裁員現象四因國際競爭力喪失驟然發生生產減少之情形

低階教育訓練費投入低有同級的生產線(海外投資)替代性高的勞

動力中高齡婦女青年為主要資遣對象依勞基法第十一條規定雇

主只要有該條情形之一者即得預告終止勞動契約然而該條所稱之

情形認定上並非如容易例如歇業或轉讓在何種情形時始符合標準

又在何種情形下構成虧損或業務緊縮至於業務性質變更有減少勞

工必要其客觀標準又如何引起不少爭議

大量解僱勞工保護法本來就是針對事業單位基於客觀的「企業經

營因素」（成本市場技術環境）事由所發動之大量性解僱行為

為目的而加以設計規範者此等事由於性質上本非可歸責於勞工因

此可為事業單位就勞工「主觀行為」所為所做之解僱其併購或改組

為除了勞基法第十一條所列各款情形之外又加上因 「併購改組」

的事由得解僱勞工若單純從立法的文義解釋立法者特別將「併購

改組」與勞基法第十一條並列而且以「或」字做連結具有兼容意義

顯然 將兩者共同作為大量解僱勞工的事由究其規範目的不外乎是

防範「雇主的變更後的解僱」然比較勞基法之規定現行大量解僱

勞工保護第二條則於改組外另以「併購」一詞取代轉讓改組之意

為勞基法於該法第十一條第一項第一款及同法第二十條使用「改組

轉讓」惟對之無定義性規定依行政機關之看法改組或轉讓係指

「事業單位依公司法之規定變更其組織型態或其所有權（所有資產

設備）因移轉而消滅其原有之法人人格或獨資或合夥事業單位之負

責人變更而言」更有論者係依循事業單 位概念指涉經濟主體的機

能面向配合所謂「資產重組」概念詮釋理解改組轉讓概念亦

即「改組轉讓」實為描述「資產重組」現象的用語經營組織進行資

產重組涉及其他經營組織者為轉讓經營組織在自身範圍内進行資產

重組而不涉其他經營組織者則為改組

依勞基法第二十條規定其將事業單位「改組」或「轉讓」並列

為得解僱勞工之原因然而「改組」是否作為一種解僱事由亦有商

榷討論之餘地依公司法之變更組織之規定其情形包括無限公司

有限公司兩合公司以及股份有限公司等四種組織之相互變更而言

依據大法官會議解釋釋字第一六七號見解認為有限公司依公司法規

定變更其組織為股份有限公司其法人人格之存續不受影響因之

單純之公司組織結構的改變為何即得構成雇主解僱勞工之合法事由

10

實屬不可解然究竟可為大量解僱之表徵併購原文為 Merger amp

Acquisition目前從企業併購法内容或考究其他相關法律規定 仍無

法精確說明其意義企業併購一詞可說是企業界及實務界對於企業

取得或移轉企業經營權控制權為目的之經濟行為之總稱以目前而

言各國對此相同或類似之經濟行為之名稱上定義並不一致如美國

稱之 Merger and Acquisition(MampA) 英 國 則 慣 以 Takeover and Merger

稱之而我國對於 MampA之稱法也無一致之定義有稱為「併購」或「購

併」亦有稱 為「兼併」或「收購」基本上是大同小異「併購」

依照企業併購法第四條第二款規定乃為公司之合併收購及分割質

言之「合併」係原參與之公司全部消滅由新成立之公司概括承受

消滅公司之全部權利義務或參與之其中某一公司存續由存續公司

概括承受消滅公司之全部權利義務並以存續或新設公司之股份或

其他公司之股份現金或其他財產作為對價之行為而「收購」指

的是公司法人依企業併購法公司法證券交易法金融機構合併法

或金融控股公司法規定取得他公司之股份營業或財產並以股份

現金或其他財產作為對價之行為至於「分割」則是指公司依 法

將其得獨立營運之一部或全部之營業讓與既存或新設之他公司作為

既存公司或新設公司發行新股予該公司或該公司股東對價之行為實

由此揭可知公司併購範疇中之「合併及分割」於内涵上已涵蓋前

揭行政機關對於轉讓定義闡釋之内容故立法者方為如是之立法除

此之外論者亦認為「改組」之企業併購型態亦應已由企業併購法

之併購吸收或屬勞基法第十一條第四款之「業務性質變更」似同無

獨立存在之必要換言之此處似單以「併購」一詞規範即可

現在企業以併購做為大量解僱之情事時有發生實因法律為其開

門之故同時併購可減少資本的投入節省企業成長之時間發揮規

模經濟經營規模綜效財務上之考量經營之多角化以及降底風險等

因素然企業一旦相互併購隨而來的將是組織再造或重組人事變

更甚至有企業因併購而消滅如此可能使相當規模之勞工遭遇解僱

之結果因而構成大量解僱之發生大量解僱勞工保護乃係專對任何

勞動生活型態所可能發生之大量性解僱問題而設的保護規範企業併

購法則是對於企業以併購進行組織調整之整體事宜為規範核心而勞

動力分配調整及權益問題係屬其中之一質言之原則上兩者規範動

機目的並非相同倘若原事業單位進行企業併購而「預估」將不致造

成太大的勞動力變動甚至沒有則無大量解僱勞工保護之適用餘地

存在但若新舊事業單位特別是原事業單位已概略掌握人員或部門

變動幅度人數恐已構成法定大量解僱定義者則豈可將大量解僱

勞工保護視而不見若屬後者之情況下大量解僱勞工保護方屬企業

併購法之特別規定而應優先適用除上述二大要件外對於是否適

11

用大量解僱勞工保護具有關鍵性之影響者尚有「同一事業單位」及

「同一廠場」之定義及範圍對大量解僱勞工保護對於此兩者已經立

法定義及於關係企業及連鎖經營之企業

一 中小企業關鍵性績效指標及財務危機指標

在觀察大量解僱廠商財務指標分析方面經濟部中小企業處 1997

年發表「建立中小企業經營指標 -廠商五力研究」中提供中小企業關

鍵性績效指標如下

表一中小企業關鍵性績效指標

類型 項目 公式 類型 項目 公式

資本營業利益率 稅 後 利 潤 總 資 本

活動

力分

析

存貨周轉率 營 業 收 入 存 貨

資本純益率 稅 前 利 潤 總 資 本

應收帳款周轉率 營 業 收 入 應 收 帳 款

收益

力分

析

淨値純益率 稅 前 利 潤 業 主 權

益

人事費生產力 附 加 價 值 人 事 費

營業利益率 稅 後 利 潤 營 業 收

入

資本生產力 附 加 價 值 總 資 本

營業純益率 稅 前 利 潤 營 業 收

入

固定資產生產力 附 加 價 值 固 定 資 產

營業收入利益率 銷 貨 毛 利 營 業 收

入

生產

力分

析

附加價値率 附 加 價 值 營 業 收 入

自有資本比率 股 東 權 益 總 資 本 每員工附加價値 附 加 價 值 員 工 數

固定資產比率 固 定 資 產 總 資 本 每員工營業額 營 業 收 入 員 工 數

安定

力分

析

負債比率 負 債 淨 值

設備投資效率 附 加 價 值 營 運 設 備

淨利息負擔率 利 息 支 出 -利 息 收

入 營 業 收 入

營業收入成長率 兩 年 營 業 收 入 差 額 去

年 營 業 收 入

流動比率 流 動 資 產 流 動 負

債

附加價値成長率 兩 年 附 加 價 值 差 額 去

年 附 加 價 值

資產周轉率 營 業 收 入 總 資 產 成長

力分

析

淨値成長率 兩年淨值差額去年淨值

活動 股東權益周轉率 營 業 收 入 股 東 權

稅前利潤成長率 兩 年 稅 前 利 潤 差 額 去

12

力分

析

固定資產周轉率 營 業 收 入 固 定 資 產 稅後利潤成長率 兩 年 稅 後 利 潤 差 額 去

年 稅 後 利 潤

營運設備周轉率 營 業 收 入 營 運 設 備 固定資產成長率 兩 年 固 定 資 產 差 額 去

年 固 定 資 產

資 料來源 經濟 部中小 企業處 「建 立中小 企業經 營指標 -廠 商五力 研究」 1997

其他相關之財務指標有各證券商董事監察人持股數量設質

股數及平均設質比例 上市上櫃興櫃及公開發行公司基本資

料 財務報告年報公開說明書及財務預測資料付費查詢系統等

財務預警系統防範財務危機發生的基礎預警資料不僅包括內部

數據還包括外部市場行業等數據不僅有財會人員提供的財務信

息還有其他業務渠道產生的信息不僅有企業會計核算報告系統

還包括對會計資料的加工處理分析判斷以及診斷企業潛在的財務

危機的專家系統

財務預警機制的作為大量解僱預警的要素財務預警機制的要素

有很多如警源警兆警素警度警限等ldquo警rdquo是指經濟增長

為零或負增長經濟運行出現紊亂ldquo預警rdquo是指提前報警預先報

告企業經濟運行在未來可能出現的情況

(1)警源

警源是警情(預警情況)產生的根源從警源的生成機制看警源可以分

為外生警源與內生警源兩部分外生警源一般是由自然經濟災害或社會經濟

環境變化所引起的內生警源主要是由企業內部財務機制不健全或管理不完

善等引起的

(2)警兆

警兆是警情的先導指標是指警素髮生異常變化時的先兆一般而言

當影響因素髮生異常變化導致警情爆發之前總有一定的先兆警兆的確定

可以從警源人手也可以從經驗分析人手

(3)警素

警素是指構成警情的指標對企業財務預警而言選擇預警指標要遵循

以下三點一是重要性即所選的多個指標的綜合必須反映企業經濟運行的

主要矛盾現象二是一致性或先行性即指標特征量要與企業實際運作狀況

大體一致或略有超前對企業逆境現象的發生或發展具有動向敏感性三是

在統計上要具備準確性

(4)警度和警限

警度是指警情的程度對警度的預報是預警的目的關於警度通常可

分為五個等級即無警輕警中警重警和巨警這五種警度分別與警兆

指標的數量變化區間相對應因此相應的有五個警限無警警限輕警警限

中警警限重警警限和巨警警限預報警度的主要方法有兩種一是建立警

10

實屬不可解然究竟可為大量解僱之表徵併購原文為 Merger amp

Acquisition目前從企業併購法内容或考究其他相關法律規定 仍無

法精確說明其意義企業併購一詞可說是企業界及實務界對於企業

取得或移轉企業經營權控制權為目的之經濟行為之總稱以目前而

言各國對此相同或類似之經濟行為之名稱上定義並不一致如美國

稱之 Merger and Acquisition(MampA) 英 國 則 慣 以 Takeover and Merger

稱之而我國對於 MampA之稱法也無一致之定義有稱為「併購」或「購

併」亦有稱 為「兼併」或「收購」基本上是大同小異「併購」

依照企業併購法第四條第二款規定乃為公司之合併收購及分割質

言之「合併」係原參與之公司全部消滅由新成立之公司概括承受

消滅公司之全部權利義務或參與之其中某一公司存續由存續公司

概括承受消滅公司之全部權利義務並以存續或新設公司之股份或

其他公司之股份現金或其他財產作為對價之行為而「收購」指

的是公司法人依企業併購法公司法證券交易法金融機構合併法

或金融控股公司法規定取得他公司之股份營業或財產並以股份

現金或其他財產作為對價之行為至於「分割」則是指公司依 法

將其得獨立營運之一部或全部之營業讓與既存或新設之他公司作為

既存公司或新設公司發行新股予該公司或該公司股東對價之行為實

由此揭可知公司併購範疇中之「合併及分割」於内涵上已涵蓋前

揭行政機關對於轉讓定義闡釋之内容故立法者方為如是之立法除

此之外論者亦認為「改組」之企業併購型態亦應已由企業併購法

之併購吸收或屬勞基法第十一條第四款之「業務性質變更」似同無

獨立存在之必要換言之此處似單以「併購」一詞規範即可

現在企業以併購做為大量解僱之情事時有發生實因法律為其開

門之故同時併購可減少資本的投入節省企業成長之時間發揮規

模經濟經營規模綜效財務上之考量經營之多角化以及降底風險等

因素然企業一旦相互併購隨而來的將是組織再造或重組人事變

更甚至有企業因併購而消滅如此可能使相當規模之勞工遭遇解僱

之結果因而構成大量解僱之發生大量解僱勞工保護乃係專對任何

勞動生活型態所可能發生之大量性解僱問題而設的保護規範企業併

購法則是對於企業以併購進行組織調整之整體事宜為規範核心而勞

動力分配調整及權益問題係屬其中之一質言之原則上兩者規範動

機目的並非相同倘若原事業單位進行企業併購而「預估」將不致造

成太大的勞動力變動甚至沒有則無大量解僱勞工保護之適用餘地

存在但若新舊事業單位特別是原事業單位已概略掌握人員或部門

變動幅度人數恐已構成法定大量解僱定義者則豈可將大量解僱

勞工保護視而不見若屬後者之情況下大量解僱勞工保護方屬企業

併購法之特別規定而應優先適用除上述二大要件外對於是否適

11

用大量解僱勞工保護具有關鍵性之影響者尚有「同一事業單位」及

「同一廠場」之定義及範圍對大量解僱勞工保護對於此兩者已經立

法定義及於關係企業及連鎖經營之企業

一 中小企業關鍵性績效指標及財務危機指標

在觀察大量解僱廠商財務指標分析方面經濟部中小企業處 1997

年發表「建立中小企業經營指標 -廠商五力研究」中提供中小企業關

鍵性績效指標如下

表一中小企業關鍵性績效指標

類型 項目 公式 類型 項目 公式

資本營業利益率 稅 後 利 潤 總 資 本

活動

力分

析

存貨周轉率 營 業 收 入 存 貨

資本純益率 稅 前 利 潤 總 資 本

應收帳款周轉率 營 業 收 入 應 收 帳 款

收益

力分

析

淨値純益率 稅 前 利 潤 業 主 權

益

人事費生產力 附 加 價 值 人 事 費

營業利益率 稅 後 利 潤 營 業 收

入

資本生產力 附 加 價 值 總 資 本

營業純益率 稅 前 利 潤 營 業 收

入

固定資產生產力 附 加 價 值 固 定 資 產

營業收入利益率 銷 貨 毛 利 營 業 收

入

生產

力分

析

附加價値率 附 加 價 值 營 業 收 入

自有資本比率 股 東 權 益 總 資 本 每員工附加價値 附 加 價 值 員 工 數

固定資產比率 固 定 資 產 總 資 本 每員工營業額 營 業 收 入 員 工 數

安定

力分

析

負債比率 負 債 淨 值

設備投資效率 附 加 價 值 營 運 設 備

淨利息負擔率 利 息 支 出 -利 息 收

入 營 業 收 入

營業收入成長率 兩 年 營 業 收 入 差 額 去

年 營 業 收 入

流動比率 流 動 資 產 流 動 負

債

附加價値成長率 兩 年 附 加 價 值 差 額 去

年 附 加 價 值

資產周轉率 營 業 收 入 總 資 產 成長

力分

析

淨値成長率 兩年淨值差額去年淨值

活動 股東權益周轉率 營 業 收 入 股 東 權

稅前利潤成長率 兩 年 稅 前 利 潤 差 額 去

12

力分

析

固定資產周轉率 營 業 收 入 固 定 資 產 稅後利潤成長率 兩 年 稅 後 利 潤 差 額 去

年 稅 後 利 潤

營運設備周轉率 營 業 收 入 營 運 設 備 固定資產成長率 兩 年 固 定 資 產 差 額 去

年 固 定 資 產

資 料來源 經濟 部中小 企業處 「建 立中小 企業經 營指標 -廠 商五力 研究」 1997

其他相關之財務指標有各證券商董事監察人持股數量設質

股數及平均設質比例 上市上櫃興櫃及公開發行公司基本資

料 財務報告年報公開說明書及財務預測資料付費查詢系統等

財務預警系統防範財務危機發生的基礎預警資料不僅包括內部

數據還包括外部市場行業等數據不僅有財會人員提供的財務信

息還有其他業務渠道產生的信息不僅有企業會計核算報告系統

還包括對會計資料的加工處理分析判斷以及診斷企業潛在的財務

危機的專家系統

財務預警機制的作為大量解僱預警的要素財務預警機制的要素

有很多如警源警兆警素警度警限等ldquo警rdquo是指經濟增長

為零或負增長經濟運行出現紊亂ldquo預警rdquo是指提前報警預先報

告企業經濟運行在未來可能出現的情況

(1)警源

警源是警情(預警情況)產生的根源從警源的生成機制看警源可以分

為外生警源與內生警源兩部分外生警源一般是由自然經濟災害或社會經濟

環境變化所引起的內生警源主要是由企業內部財務機制不健全或管理不完

善等引起的

(2)警兆

警兆是警情的先導指標是指警素髮生異常變化時的先兆一般而言

當影響因素髮生異常變化導致警情爆發之前總有一定的先兆警兆的確定

可以從警源人手也可以從經驗分析人手

(3)警素

警素是指構成警情的指標對企業財務預警而言選擇預警指標要遵循

以下三點一是重要性即所選的多個指標的綜合必須反映企業經濟運行的

主要矛盾現象二是一致性或先行性即指標特征量要與企業實際運作狀況

大體一致或略有超前對企業逆境現象的發生或發展具有動向敏感性三是

在統計上要具備準確性

(4)警度和警限

警度是指警情的程度對警度的預報是預警的目的關於警度通常可

分為五個等級即無警輕警中警重警和巨警這五種警度分別與警兆

指標的數量變化區間相對應因此相應的有五個警限無警警限輕警警限

中警警限重警警限和巨警警限預報警度的主要方法有兩種一是建立警

11

用大量解僱勞工保護具有關鍵性之影響者尚有「同一事業單位」及

「同一廠場」之定義及範圍對大量解僱勞工保護對於此兩者已經立

法定義及於關係企業及連鎖經營之企業

一 中小企業關鍵性績效指標及財務危機指標

在觀察大量解僱廠商財務指標分析方面經濟部中小企業處 1997

年發表「建立中小企業經營指標 -廠商五力研究」中提供中小企業關

鍵性績效指標如下

表一中小企業關鍵性績效指標

類型 項目 公式 類型 項目 公式

資本營業利益率 稅 後 利 潤 總 資 本

活動

力分

析

存貨周轉率 營 業 收 入 存 貨

資本純益率 稅 前 利 潤 總 資 本

應收帳款周轉率 營 業 收 入 應 收 帳 款

收益

力分

析

淨値純益率 稅 前 利 潤 業 主 權

益

人事費生產力 附 加 價 值 人 事 費

營業利益率 稅 後 利 潤 營 業 收

入

資本生產力 附 加 價 值 總 資 本

營業純益率 稅 前 利 潤 營 業 收

入

固定資產生產力 附 加 價 值 固 定 資 產

營業收入利益率 銷 貨 毛 利 營 業 收

入

生產

力分

析

附加價値率 附 加 價 值 營 業 收 入

自有資本比率 股 東 權 益 總 資 本 每員工附加價値 附 加 價 值 員 工 數

固定資產比率 固 定 資 產 總 資 本 每員工營業額 營 業 收 入 員 工 數

安定

力分

析

負債比率 負 債 淨 值

設備投資效率 附 加 價 值 營 運 設 備

淨利息負擔率 利 息 支 出 -利 息 收

入 營 業 收 入

營業收入成長率 兩 年 營 業 收 入 差 額 去

年 營 業 收 入

流動比率 流 動 資 產 流 動 負

債

附加價値成長率 兩 年 附 加 價 值 差 額 去

年 附 加 價 值

資產周轉率 營 業 收 入 總 資 產 成長

力分

析

淨値成長率 兩年淨值差額去年淨值

活動 股東權益周轉率 營 業 收 入 股 東 權

稅前利潤成長率 兩 年 稅 前 利 潤 差 額 去

12

力分

析

固定資產周轉率 營 業 收 入 固 定 資 產 稅後利潤成長率 兩 年 稅 後 利 潤 差 額 去

年 稅 後 利 潤

營運設備周轉率 營 業 收 入 營 運 設 備 固定資產成長率 兩 年 固 定 資 產 差 額 去

年 固 定 資 產

資 料來源 經濟 部中小 企業處 「建 立中小 企業經 營指標 -廠 商五力 研究」 1997

其他相關之財務指標有各證券商董事監察人持股數量設質

股數及平均設質比例 上市上櫃興櫃及公開發行公司基本資

料 財務報告年報公開說明書及財務預測資料付費查詢系統等

財務預警系統防範財務危機發生的基礎預警資料不僅包括內部

數據還包括外部市場行業等數據不僅有財會人員提供的財務信

息還有其他業務渠道產生的信息不僅有企業會計核算報告系統

還包括對會計資料的加工處理分析判斷以及診斷企業潛在的財務

危機的專家系統

財務預警機制的作為大量解僱預警的要素財務預警機制的要素

有很多如警源警兆警素警度警限等ldquo警rdquo是指經濟增長

為零或負增長經濟運行出現紊亂ldquo預警rdquo是指提前報警預先報

告企業經濟運行在未來可能出現的情況

(1)警源

警源是警情(預警情況)產生的根源從警源的生成機制看警源可以分

為外生警源與內生警源兩部分外生警源一般是由自然經濟災害或社會經濟

環境變化所引起的內生警源主要是由企業內部財務機制不健全或管理不完

善等引起的

(2)警兆

警兆是警情的先導指標是指警素髮生異常變化時的先兆一般而言

當影響因素髮生異常變化導致警情爆發之前總有一定的先兆警兆的確定

可以從警源人手也可以從經驗分析人手

(3)警素

警素是指構成警情的指標對企業財務預警而言選擇預警指標要遵循

以下三點一是重要性即所選的多個指標的綜合必須反映企業經濟運行的

主要矛盾現象二是一致性或先行性即指標特征量要與企業實際運作狀況

大體一致或略有超前對企業逆境現象的發生或發展具有動向敏感性三是

在統計上要具備準確性

(4)警度和警限

警度是指警情的程度對警度的預報是預警的目的關於警度通常可

分為五個等級即無警輕警中警重警和巨警這五種警度分別與警兆

指標的數量變化區間相對應因此相應的有五個警限無警警限輕警警限

中警警限重警警限和巨警警限預報警度的主要方法有兩種一是建立警

12

力分

析

固定資產周轉率 營 業 收 入 固 定 資 產 稅後利潤成長率 兩 年 稅 後 利 潤 差 額 去

年 稅 後 利 潤

營運設備周轉率 營 業 收 入 營 運 設 備 固定資產成長率 兩 年 固 定 資 產 差 額 去

年 固 定 資 產

資 料來源 經濟 部中小 企業處 「建 立中小 企業經 營指標 -廠 商五力 研究」 1997

其他相關之財務指標有各證券商董事監察人持股數量設質

股數及平均設質比例 上市上櫃興櫃及公開發行公司基本資

料 財務報告年報公開說明書及財務預測資料付費查詢系統等

財務預警系統防範財務危機發生的基礎預警資料不僅包括內部

數據還包括外部市場行業等數據不僅有財會人員提供的財務信

息還有其他業務渠道產生的信息不僅有企業會計核算報告系統

還包括對會計資料的加工處理分析判斷以及診斷企業潛在的財務

危機的專家系統

財務預警機制的作為大量解僱預警的要素財務預警機制的要素

有很多如警源警兆警素警度警限等ldquo警rdquo是指經濟增長

為零或負增長經濟運行出現紊亂ldquo預警rdquo是指提前報警預先報

告企業經濟運行在未來可能出現的情況

(1)警源

警源是警情(預警情況)產生的根源從警源的生成機制看警源可以分

為外生警源與內生警源兩部分外生警源一般是由自然經濟災害或社會經濟

環境變化所引起的內生警源主要是由企業內部財務機制不健全或管理不完

善等引起的

(2)警兆

警兆是警情的先導指標是指警素髮生異常變化時的先兆一般而言

當影響因素髮生異常變化導致警情爆發之前總有一定的先兆警兆的確定

可以從警源人手也可以從經驗分析人手

(3)警素

警素是指構成警情的指標對企業財務預警而言選擇預警指標要遵循

以下三點一是重要性即所選的多個指標的綜合必須反映企業經濟運行的

主要矛盾現象二是一致性或先行性即指標特征量要與企業實際運作狀況

大體一致或略有超前對企業逆境現象的發生或發展具有動向敏感性三是

在統計上要具備準確性

(4)警度和警限

警度是指警情的程度對警度的預報是預警的目的關於警度通常可

分為五個等級即無警輕警中警重警和巨警這五種警度分別與警兆

指標的數量變化區間相對應因此相應的有五個警限無警警限輕警警限

中警警限重警警限和巨警警限預報警度的主要方法有兩種一是建立警

13

素的普通模型先作出預測然後根據警限轉化為警度二是建立關於警素

的警度模型直接由警兆預測警素的警度而根據警度及警限判斷大量解僱

的可能程度產生連結

財務預警作為大量解僱預警機制的原則

1實用性

企業財務大量解僱預警機制的建立首先應基於實用性將預警理論

與企業實際緊密結合達到對現有監督資源的最充分利用實用性一般包含

以下三方面的含義

(1)成本效益估算實施財務大量解僱預警機制的成本要小於其收

益否則就沒有應用價值

(2)機制框架設計簡潔明瞭能直觀地反映企業經營活動的潛在危

機便於使用者理解和掌握

(3)預警信號要明確通過信號反映出的結果應是企業經營活動過

程中最敏感的問題這樣才能起到警示作用

2系統性

系統性原則要求財務預警機制把企業作為一個整體考慮而不能割

裂地去分析企業經營活動或財務運行中的某一個或幾個方面的問題這要求

企業的各責任部門要相互協調配合使各種信息流動和工作流程形成順暢的

閉環

3預測性

預測性原則要求預警機制必須具有預測功能能夠依據企業經營活

動中所形成的歷史數據來分析預測未來可能發生的情況而不是對企業過去

生產經營成果的簡單總結和考評

4動態性

動態性原則要求財務預警機制能實時監控企業的經營狀況分析企

業的經營趨勢其主要體現為以下兩個方面

(1)預警機制要實現動態跟蹤反映企業的動態趨勢企業經營活

動本身就是一個動態的過程所以不能僅僅站在某一時點上去判斷企業的財

務狀況經營成果和現金流量等

(2)預警機制自身的動態發展構建預警機制往往採用企業過去經

營活動的資料無法充分考慮巨集觀經濟環境和微觀經濟環境的影響因此

預警機制有一定的時效性需要不斷改進與時俱進

5及時性

預警是一種警報即在企業發生危機或經營失敗之前及時地給予警

示這就要求預警機制能及時發現企業經營過程中存在的潛在問題在及時

發佈預警信號的同時能處理得果斷及時使監督工作在ldquo第一時間rdquo發生作

用

財務預警機制的實施過程

14

任何風險最終導致危機或失敗往往是由於財務狀況的不斷惡化由於管

理上的種種疏漏而造成的有些問題開始時並不很嚴重但由於沒有及時解

決逐漸積累最終釀成大禍正所謂ldquo千里之堤潰於蟻穴rdquo因此在

企業理財時一定要註意那些可能導致財務惡化的早期信號積極尋求對策

將那些可能會危及企業獲利能力甚至生存的問題及早解決好

財務預警通常分為以下幾個階段明確警情尋找警源分析警兆預

報警度最後擬訂排警對策其中明確警情是前提是預警管理的基礎

而尋找警源分析警兆屬於對警情的因素分析預報警度則是預警的最終的

目

1明確警情

警情是指財務監測和預警的對象它一般由若幹警素構成不同的警素

對應不同的警兆有些警兆與警素直接相關有些則與之間接相關

2尋找警源

尋找警源可以分別從外部警源和內部警源兩方面人手

從外部警源人手是指尋找與警情相關的外部經濟或市場環境等如國

家產業政策的調整可能導致企業在重大經營政策上作出調整進而影響企業

的正常運作嚴重的可能導致企業巨額虧損此時外部警源就是ldquo政策調

整rdquo

從內部警源人手是指尋找企業內部財務機制不完善和不協調而產生的

問題如由於投資失誤而導致無法歸還借人的銀行貸款出現運營資金不足

使企業陷入財務困境此時投資失誤就是企業預警的內部警源

3分析警兆

分析警兆是企業預警機制的關鍵從警源到警兆有一個發展過程警源

孕育警情警情發展擴大導致警兆出現然後警情爆發企業預警機制建立

的目的就是在警情爆發前分析警兆控制警源將警情的影響控制在最小

範圍內

4預報警度

要確定警度首先要分析警兆指標的不同數值對企業經營活動的影響程

度然後根據警兆指標的大小劃分警限區域最後根據不同的警限區域確定

相應級別的警度如為了監測企業負債程度及其變動情況可以將資產負債

率設為警兆指標設置的警限區域可以為資產負債率小於 40為無警

40～60為輕警60～80為中警80～90為重警90以上則為

巨警當企業的資產負債率為 85時就說明發生了重警

(一)多變數判斷模型

多變數判斷模型是通過建立多種財務指標採用多變數統計分析方法

然後加權彙總產生總判別分(稱為 Z 值)來預測公司的財務危機最初為ldquoz

計分模型rdquo由美國的愛德華middot阿爾曼在 20 世紀 60 年代中期提出阿爾曼

15

通過收集整理大量破產企業的案例以計算說明破產的可能性其判別函

數如下

Z = 0012X1 + 0014X2 + 0033X3 + 0006X4 + 0999X5

其中Zmdashmdash判別函數值

X1mdashmdash(營運資金divide資產總額)timeslOO

X2mdashmdash(留存收益divide資產總額)times100

X3mdashmdash(息稅前利潤divide資產總額)times100

X4mdashmdash(普通股和優先股市場價值總額divide負債賬麵價值總額)times100

X5mdashmdash銷售收入divide資產總額

該模型實際上是通過五種財務比率將企業償債能力指標(X1)(X4)獲

利能力指標(X2X3)和營運能力指標(X5)有機聯繫起來綜合分析預測企業

財務失敗或破產的可能性一般認為Z 值越低企業越有可能發生破產

阿爾曼還提出了判斷企業破產的臨界值如果企業的 Z 值大於 2675則

表明企業的財務狀況良好發生破產的可能性較小若 z 值小於 181則

企業存在很大的破產危險如果 z 值處於 181～2675 之間阿爾曼稱之

ldquo灰色地帶rdquo進入這個區間的企業財務狀況是極不穩定的

例 1以甲乙兩公司為例分別對比說明多變數判斷模型的應用單位萬元

甲公司 乙公司

營業收入 5900 2820

息稅前利潤 512 86

資產總額 3430 5928

營運資金 1380 642

負債總額 2390 3910

留存收益 216 120

股票市價總額 3040 1018

根據上述已知條件可以算出甲公司 Z 值如下

X1=(1380divide3430)times100=4023

X2=(216divide3430)times100=630

X3=(512divide3430)times100=1493

X4=(3040divide2390)times100=12720

X5=5900divide3430=172

Z 甲=O012times4023+0014times630+0033times1493+O006times127

20+0999times172-3545

同理可計算乙公司的 Z 值Z 乙=0842

16

由計算結果可知甲公司 Z 值大於臨界值 2675表明其財務狀況良

好沒有破產危機而乙公司的 Z 值顯然過低小於臨界值表明該公司財

務狀況堪憂已經出現破產的先兆應引為關註

多變數判斷模型從總體巨集觀角度檢查企業財務狀況是否呈現出不穩

定現象提前做好財務危機的規避或延緩危機發生的準備工作當然由於

企業規模行業地域等差異企業不應拘泥於任何經驗數據而應根據實

際情況設計符合企業要求和特點的總體財務預警系統

(二)單變數判斷模型

這是通過單個財務比率走勢變化來預測財務危機的方法按綜合性和預

測能力大小預測企業財務失敗與否的財務比率主要有以下幾個

債務保障率=現金流量divide債務總額

資產收益率=凈收益divide資產總額

資產負債率=負債總額divide資產

資金安全率=資產變現率一資產負債率

(其中資產變現率一資產變現金額divide資產賬面金額)

按照單變數判斷模型的解釋企業良好的現金流量凈收益和債務

狀況應該表現為企業長期的穩定的狀況所以跟蹤考察企業時應對上

述比率的變化趨勢予以特別註意一般說來失敗企業有較少的現金而有較

多的應收賬款或者表現為極不穩定的財務狀況

(三)臨界指標預警模型

臨界指標預警模型是通過對影響企業財務狀況和經營成果的一些

指標進行歷史和現狀的趨勢分析評價確定這些指標變化的正常界限即確

定臨界值如果某指標接近臨界值企業財務狀況可能脫離正常的運行範圍

即出現警情這時就必須及時採取有效對策防止企業財務與經營出現超常

波動避免重大損失下表 1 所列示的 10 項指標是某企業用來判斷財務狀

態是否處於危險情況的臨界指標僅供參考

臨界指標參考值

指標 公式 臨界值

銷售利潤率 (利潤總額銷售收入)times100 大幅減少或接近負數

營業利潤增長

率

(當期營業利潤前期營業利潤)times100 大幅度降低

銷售收入利息率 (支付的利息銷售收入)times100 6以上

經營債務倍率 經營債務月銷售額 4 倍以上

金融負債倍率 金融負債月銷售額 4 倍以上

總資本收益率 (利潤總額平均總資本)times100 大幅減少或接近負數

負債比率 (負債總額自有資本)times100 大幅升高

17

自有資本率 (自有資本總資本)times100 大幅降低

長期適應比率 固定資產(自有資本+固定負債)times100 降到 100以下

流動比率 (流動資產流動負債)times100 降到 150以下

這些指標中總資本收益率銷售利潤率和營業利潤增長率是檢查收益

情況的指標如果這些指標有大幅度降低就是危險的信號特別是這些指

標出現了負數更應引起註意接著可以分析銷售收入利息率是否接近 6

一個利息負擔過重的企業想要提高經營收益是比較困難的然後分析負債比

率經營惡化的企業一般都是償債困難的而且金融借款也有所增加所以

負債比率和銷售收入利息率將上升另外如果自有資本比率為負則表示

資本虧損如果負債增加那麼自有資本率也將下降在上述情況下長期

適應比率和流動比率將趨於惡化根據經營債務倍率和金融負債倍率是否超

過 4 倍也可以判斷出企業財務狀況惡化的程度

歷史經驗法的主要思路是根據企業以往的經驗設定每個預警子系統

的財務指標和相關非財務指標然後根據歷史數據(一般使用前三年平均值)

來判別今年指標的優劣並根據權重繫數來判別預警系統的預警信號其構

建思路可分為四個步驟①收集歷史資料②選定預警財務指標及相關非財

務指標③確定判別標準④實施預警系統

歷史經驗法的實用性比較強任何企業都可推行但由於缺乏實證數據

支持和經濟理論指導使得在指標的選取或權重繫數的設定上存在很大的主

觀性導致預警的精確度可能不如實證法

歷史經驗法產生的預警信號更可能會因人而異所以採用歷史經驗法

構建的一些指標目前還在收集整理的過程之中但下麵一些情況的發生根

據管理經驗豐富的人士推斷應當存在著財務預警信號

(一)銷售的非預期下跌

一般情況下銷售的下降會引起企業各部門關註但是大多數人往往

將銷量的下降僅看做是銷售問題會用調整價格產品品種或推銷方式等來

解釋而不考慮財務問題事實上銷售量的下降會帶來嚴重的財務問題

尤其是非預期的下降(如惡性競爭客戶串通等)只不過不會立即反映出來

而已為此當一個銷售正在下跌的企業仍在擴大向其客戶提供賒銷時管

理人員就應該預料到其現金流量將面臨困境

為什麼當銷售下降時財務困境不會馬上出現呢原因是較少的現金

流人大約在銷售下跌以後的一個月左右才出現這取決於企業的付款條件

比如一個企業在 30 天的付款條件下月銷售額為 800 萬元如果其客戶

信守其付款條件則該企業每月有 800 萬元的現金流人量現在假設該企業

8 月份的銷售額降為 500 萬元那麼8 月份的現金流人量會不會變成 500

萬元呢顯然不會因為 8 月份流人的現金是該企業 7 月份的銷售額仍然

會是 800 萬元8 月份下降的銷售額會使 9 月份的現金流入量減少9 月份

18

最終的現金流入量雖然減少了但企業仍要按每月 800 萬元的正常銷售支付

採購費和其他開支因而必定存在潛在問題如果企業拿不出剩餘現金來填

補缺口就會使潛在問題變成現實問題所以銷售的非預期下降是一個早

期信號

(二)非計劃的存貨積壓

管理人員註意企業各月的存貨與銷售的比率變動可以發現非計劃存貨

積壓在早期階段上存在的問題管理人員應根據企業具體情況掌握關於存

貨與銷售比率的一般標準任何一個月的存貨與銷售的比率如果高於這個標

準都可能是企業財務問題的早期信號不少情況還與非預期的銷售下跌有

關必須通過增加銷售或削減採購等辦法來及早解決

(三)平均收賬期延長

當應收賬款占銷售收入的比例不斷上升應收賬款的周轉天數不斷延長

應收賬款賬齡上升的時候應當引起足夠的警覺較長的平均收賬期會吸收

掉許多現金同時會產生大量的壞賬當企業的現金餘額由於客戶遲緩付

款mdash一而逐漸消失時較長的平均收賬期就會成為企業嚴重的財務問題因

此應當十分重視公司的收賬期從中找出主要問題防止問題嚴重化

(四)客戶交易記錄惡化

交易記錄惡化不能單純地理解為客戶償付貨款中的延期或違約現象因

為如今的企業幾乎都有拖延付款的習慣因此要判斷某客戶的拖延付款是

否會導致交易惡化管理部門需要關註以下特征

1客戶據以拖延或拒付貨款的理由是否合理若是強辭奪理拖延償付

就可以被認為是財務狀況不佳的危險信號之一

2客戶一向是按期付款的而最近突然延期或拒付並且未作正當說

明

3客戶承認財務狀況困難並請求延期付款在這種情形下應首先檢

查與監督過去及現今的各項信息特征考慮是否有其他伴隨徵兆若為暫時

性困難如季節性企業的淡季資金短缺或超負荷經營等尚可繼續與該客戶

進行業務往來若發現客戶破產已無可挽回就應立即斷絕交易關係以減

少客戶破產帶來的損失

4違約後未作出償付承諾在客戶違約後負責人不對償付作出書面

承諾是一個危險的信號同樣該負責人作出正式承諾後並未履行的也是

財務狀況惡化的信號

5客戶與其債權人之間產生法律糾紛債權人以法律手段要求償付債

款並且數額巨大

(五)對借款的依賴性過大

企業在沒有業務擴展計劃或投資項目的情況下一味地增加借款這隻

能說明該企業資金周轉失調或利潤不足由於銀行對企業的貸款日趨寬容

只要有相應的擔保或抵押企業一般都可以一而再再而三地借款但當債

19

務與凈資產比率過高流動資金已不足以償付利息企業又發生嚴重虧損時

便說明該企業離破產不遠了

(六)對關聯公司的過分依賴

一般來說母公司或控股公司會傾向於維持其子公司的經營因為子公

司如果倒閉母公司也會遭受損失至少要損失股本但我們不應過分輕信

這一點要知道一個大公司(也可能是跨國公司)的眾多子公司中不可能

每個子公司都完全安全一旦母公司覺得某個子公司不再有原有的利用價值

就會立即停止對它們的扶持而此時若該子公司對母公司依賴過分的話

則很可能會倒閉

(七)管理班子的辭職

一個公司管理班子的辭職尤其是引起震動的集體辭職是該公司存在

隱患的明顯標誌一個公司高級管理人員的退出表明他們認為該公司前景

黯淡或對內部黑幕現象已忍無可忍或在管理中可能存在獨裁專制等不

均衡現象已使投資接二連三地失敗等

(八)管理層大量拋售本公司股票

一個公司的內部持股人出售自己的股份尤其是高級管理人員大量拋售

本公司的股票常常是公司盈利能力惡化的重要信號例如美國安然公司

在破產前報告的利潤一直不斷上升但其內部人士在一年前就開始陸續拋

售股票並且沒有任何內部人士購進安然公司股票的記錄在美國上市公

司的董事高級經理人員和持股 10以上的股東在買賣本公司股票時必

須向證監會申報並且會被證監會在其網站上公告使得內部人士的交易行

為成為公開的信息大量拋售股票的行為顯示安然公司的管理層已經知道

公司遇到了麻煩行動可以傳遞有效的信息當安然公司的會計報表與安然

公司的高級管理層的行動不一致時行動通常比語言更具有說服力觀察公

司的危機現象不但要聽其言更要觀其行

(九)數據統計遲緩

如果一個公司的資產負債表糟糕同時財務信息總是公佈不及時信息

遲緩那至少表明其情況不佳如果信息披露含混不清模棱兩可甚至於

怎麼也看不懂應當引為關註

(十)大量收購或資本投資

成功的企業常常會忘乎所以以大量收購其他公司(尤其值得註意的是

兼併虧損企業)的方式進行業務擴張雖然這是個便捷有較的發展方法但

有時也會使企業因負擔過重而破產資本支出也能造成類似的後果一個企

業新建項目擴張或對原有廠房進行大規模擴修都是擴張業務的表現一

旦在擴張過程中企業未進行嚴密的財務預算與管理很可能會發生周轉資金

不足等現象因此對於大舉收購企業或收購資產的行為要多加註意

下面出現的一些情況可能已經是危機信號應引起足夠的重視並設法

找到病因消除病癥

20

1 公司連續虧損將使企業陷入資不抵債的困境

2 存貨與應收賬款居高不下資金周轉困難將誘發財務危機

3 增長過快(超乎尋常)會埋下失敗或倒退的種子

4 沒有管理系統的合理配置與制約可能會導致ldquo後院rdquo起火

5 習慣於ldquo拆東牆補西牆rdquo的做法會陷入高成本的融資怪圈

中

6 喪失償債能力會將一個迅速增長的企業推入財務深淵

7 無節制的負債會產生ldquo回天無力rdquoldquo求助無門rdquo的生存危

機

8 經營者輕率冒險和獨裁武斷往往會導致決策失誤

9 僅僅依賴於個別客戶或個別訂單ldquo會在一棵樹上吊死rdquo

10 盲目投機或盲目擴張去賺太好賺的錢可能會留下嚴重的後遺

症

11 大量收購或兼併虧損企業資產負債率畸高將導致不可持續發

展等

有人還發現在世界 500 強企業的排行榜上每年都有 10左右的企

業被淘汰出 500 強並且每一個被淘汰者之所以被淘汰基本上都基於經

營與管理不善的原因應當看到這些曾經被淘汰出局的強者案例所揭示的

經驗與教訓對於後人無疑是一個又一個很好的警示對公司理財具有特別

重要的借鑒作用與現實意義

任何一個企業從出現財務困難到破產清算期間一定會有許多信號產

生但它們是以怎樣的方式與內容表現出來的這有待於人們在實踐中不斷

地進行總結歸納任何事物的變化總會有一個發生發展到成熟的過程一

個公司出現經營或管理上的危機(大量的情況最終主要反映在財務危機方面)

也不例外在大量解僱的財務預警中矛盾與困難是客觀存在的但恰就是大

數據能不斷累積改進的優點

二 人力資源管理劣化徵兆

一般企業在惡意倒閉前的 10 大徵兆

1 技術性凍薪減薪

公司訂立各式名目降低薪水是最常見的警訊方式包括「浮動式固定

薪資」「績效獎金」或取消加班費調職半強迫員工簽下不合理

的工作條件變更協定改變工資計算基礎訂定新規則讓員工領不到獎

金最後甚至連本薪都遭到降低 以華隆紡織為例1997 年開始實施

凍薪1999 年取消年終獎金2001 年 10 月開始實施減薪政策延續至

2004 年基本薪資減少近 5 成2008 年 5 月則變更實施生產效率制要

求員工產效必須達到 130才能領到 100的薪水變相再次減薪

21

2 拖欠薪資或突然變更發薪方式

拖欠薪資也是很明顯的不祥之兆近年最大一樁拖欠薪資案件即為太

子汽車欠薪案創辦人許勝發因在 2007年涉嫌掏空轉投資之萬泰銀行

因而導致太子汽車營利逐漸下滑公司常以「共體時艱」為由遲延發給

工資2011 年 10 月爆出積欠員工薪資長達 10 個月金額達 2 億 6000

萬元商品也無法如期交貨同年 12 月太子汽車遭銀行法拍政府查

封 此外公司發薪時間忽然改變不正常或是不以現金交易方式

發薪也是一種警訊例如太子汽車延遲發薪期間就曾以支票方式短

暫支付員工薪水但到期後支票跳票員工半毛錢都領不到

3 職位遇缺不補

如果重要關鍵的職位有人離職但公司卻遲遲不補上人力或是大

量員工離職而不補人都顯示公司的經營可能出現困難或是高層對公

司的永續經營並未放在心上

4 長期放無薪假

2008 年金融海嘯許多高科技產業因苦無訂單可生產實施所謂「無

薪假」以減少工時與工資引發社會爭議例如 2009 年勝華科技先強

迫員工簽下無薪假同意書變相逼員工辭職省下資遣費桃園中壢祥

裕電子員工也於 2011 下半年開始被迫休無薪假苦撐半年後換來的

是公司的解除雇傭契約切結書一張要求員工只能領七成資遣費還被

威脅不簽可能最後連一毛都拿不到

5 員工大量接近退休年齡

如果員工的平均年齡將近 50 歲表示此時員工提領退休金的比率大

增許多企業為避免一時提撥大量退休金導致財務狀況無法負荷會加

速惡意裁員或倒閉的過程

6 投資炒短線或邀員工入股

公司大量擴廠或增加投資項目表面上看起來固然是欣欣向榮前程

似錦但也有可能是老闆正在五鬼搬運意圖掏空公司資產當公司投

資過度周轉不靈時則會演變成拿人力成本開刀減薪或資遣員工

此外員工入股政策多半發生在歐美企業將邀請高階經理人入股作為

激勵措施促進公司整體發展但基層員工多半不會有入股行為發生

在台灣更少有企業以員工入股作為主要經營政策多半都會用「分紅」

鼓勵員工因此當公司積極邀請員工入股時要注意是否因為公司財政

狀況不佳才需要向員工借錢周轉

7 公司名稱忽然變更

公司改名一方面可能是因為改變名稱以便再進行標案包工程一

方面是逃避政府財稅追查例如華隆紡織雖沒有變更公司名稱但卻由

22

負責人另外成立紡安公司意圖透過「左手賣右手」方式脫產逃避債

權清償責任

8 老闆少進公司或高層離職

老闆「神隱」表示無意經營公司更甚者可能正在進行非法的內線交

易掏空公司資產而公司核心高層突然離職尤其是財務主管掛冠求

去通常表示公司出了問題因為他絕對是除了老闆外最清楚公司財務狀

況的人

9 頻繁的職務調動組織調整

公司頻繁的組織變動不僅可透過調整職務的過程對員工薪資條件動

手腳實施技術性減薪還可藉此逼迫員工選擇投降提出辭職公司即

可少發一筆資遣費而董監事或會計師更換頻繁則代表公司內部可能

有財務問題內線交易做假帳的情況發生

10 同業合併集體外移

同業合併因為會產生多餘人力公司勢必會開始裁員而當上下

游或協力廠商紛紛外移後公司基於成本問題跟著外移與裁員有時也只

是遲早的問題尤其是機器及運輸工具等資產長期閒置工廠長期不運

轉無法生產出貨當然無法賺錢倒閉是遲早的事情 一般而言

勞方通常是屬於資訊不對稱下的弱勢者若沒有工會組織性的監督很

難掌握確實的企業財務資訊發現營運問題但若能掌握一些主要徵兆

或警訊謹慎小心查證冷靜理性分析還是可以事先察覺公司可能發

生問題做好自我保護措施

本章小結

本研究建議在企業人力運用的變數選取方面可選擇以下 6 個人力資本

指標進行計量(1)員工人數與高管人數之比例(高管人數為總工程師總會

計師市場總監技術總監董事監事總裁總經理及秘書助理等)

(2)人均支出(為支付給職工以及為職工支付的現金相對員工人數比例)(3)

人力資本占資本的比例(為稅後淨營業利潤人力資本分配盈餘的比例 +支

付給職工薪資及其他支付之現金）期末資產餘額）(4)全員勞動生產率為

（支付給職工以及為職工支付的現金+各項稅+淨利潤+折舊）員工人數）

(5)人力支出相對收益比例（支付給職工薪資及其他給付+各項稅+淨利潤+

折舊）總營業收入）(6)生產增加率再配合可得之公司財務警訊指標

當可更精準的預測大量解僱行為之發生

23

第四章 大量解雇之型態

大量解僱態樣於勞動相關法規中所言概分為以下之型態企業經營的

過程中因影響經營成果盈虧之因素相當複雜多變企業為求生存發展唯

有盡量降低成本調整組織和經營策略 減少不必要的成本開支以維持

企業之發展存續而縮編多餘勞工即為常採取的方法之一根據我國勞基法

第十一條規定「非有左列情形之一者雇主不得預 告勞工終止勞動契約

（一）歇業或轉讓時（二）虧損或業務緊縮時（三） 不可抗力暫停工

作在一個月以上時（四）業務性質變更有減少勞工之必要 又無適當

工作可供安置時（五）勞工對於所擔任之工作確不能勝任時」雇主因此

等經濟技術或組織結構之調整所進行之勞動力裁減行動一般稱之為「預

告解僱」「經濟性解僱」「整理解僱」或「資遣」亦有論者以為我國

勞基法第十一條第一款至第四款規定之事由即屬於日本學界所稱之「整理

解僱」另有學者認為這五款雇主得預告終止勞動契約之事由可區分為

二類一 為雇主基於經濟性的理由如遭遇經營危機發生維持企業存續

困難時此屬於企業風險現象具體情形如勞基法第十一條第一款至第三款

之規定一為企業主其於技術性組織性之理由所為之解僱即因為市場條

件國際競爭產業變更技術革新等所造成作業過程改變而引起勞動力無

法適應形成冗員之情形具體如勞基法第十一條第四款至第五款且事實

上第五款與第四款之間有因果關係

大量解僱（Massenentlassungen)係為解僱態樣之一何以構成「大量」

解僱可從兩方面加以認定一為遭解僱之勞工相對於企業本身之規模其

人數或比例達到一定數量一為解僱權行使之時點必須限於相當期間之内

不宜過長倘若解僱權之行使分散於過長期間内之不同時點而為之者即便

雇主解僱人數眾多亦無法稱之為大量解僱換言之必須上述二點認定同

時達到方可稱之為「大量」解僱大量解僱在英美法上稱之為「Redundancy」

「Lay -off」或德國終止保護法（Kundigungasschutzgesetz)上稱之為

「Massenentlassungen」或日本法上稱之為「一時歸休制度」「整理解

僱」

「Redundancy」一詞係英國法上之用語依據就業保護（合併）法

（Employment Protection(Consolidation)ActEP(C)A )中之定義係指

在僱傭契約存續期間因事業單位歇業轉讓或業務緊縮業務性質變更

有減少勞工之必要又無適當工作可供安置時雇主可實行之依據 Peter

Mumford 之看法 Redundancy 乃指雇主由於完全或主要營業終止

（cessation of a business)企業搬遷（moving the place of business)

或勞動力需求降低而成為冗員 (employees surplus to the requirement of

the business)之因素所為之解僱行為「Lay-off」一詞多在英美等國常

見依據羅伯氏工業關係字典(Roberts Dictionary of industrial

24

Relations)對於 Lay-off 之解釋係指僱傭關係之暫時或不確定的中斷

而受僱者在此時通常仍可依契約或公司規章保有年資權利及其他保障

在日本法稱之「一時歸休」制度在一定條件下提供最少限度得工資

對於此等「不完全失業者」予以一定補助稱之

綜上所述吾人可得大量解僱之定義係指「雇主基於經濟因素在

一定時間内解僱一定數量的勞工或一定比例的勞工」「事業單位企業主或

雇主 基於企業經營或廠場需求等『經濟性因素』針對相當比例以上之

多數勞動者所 為勞動契約之終止」大量解僱類型可以就大量解僱發生的

原因而言諸如關廠歇業事業單位因虧損致業務緊縮或 業務性質變更調

整企業併購以及其他不可抗力事件等因素單單就企業關廠之類型就可以

細分為十四種之多包括因不可抗力之天災或事變因經濟不景氣因屬夕

陽產業或產業結構改變因經營不善導致虧損因事業單位合倂或轉讓因

資金設備外移或事業單位結構調整因政府徵收土地而結束營業因變賣

廠房土地獲利而結束因違法遭勒令歇業因勞工罷工或勞資爭議因規

避法律責任因事業單位負責人違法逃避責任爲詐領保險金而毀損廠房以

及其他可歸責於事業單位負責人之原因等十四種其中有因事屬偶然根本

不可期待雇主預告關廠有因雇主可掌握或預料關廠者則應負有預先告知

之義務亦有甚者為有意逃避責任即使課以預告之義務並無實質意義此

種情形下可加諸以刑事責任嚇阻之以下將區分二類簡述之一惡性的大

量解僱為倘確因雇主恣意脫法行為或實質不法行為而為之者則社會上常

以「惡性」稱之(如惡性倒閉惡性歇業惡性裁員等）因此雇主基此

而為之 大量解僱行為即屬「惡性」大量解僱惡性大量解僱之特徵常包

括不當融資 利益輸送非善意的積欠高額債務未盡法律的經營及雇主

義務惡意且有計晝的脫產身分的不正常變更或逃匿等特徵總而言之

其問題的出現非常明顯的 「非經營面向」從另外一個角度來說「裁員mdash

大量裁員mdash全部裁員=關廠歇業」其實只是它的外部效果亦即大量解僱本

身「並非」是一合理或重要的經營決定二相對於上述之「惡性」對於

某些同樣採取大量解僱之企業而言卻以企 業繼續經營的明確性人力改

組的需求成本結構的重組法律上經營與雇主義務之原則上遵守等因素特

徵而進行大量解僱就某個程度上來說所謂的「精簡人事」「組織瘦身」

「減低勞動成本壓力」不見得都會被視為是一種經濟 體系中的偏差或

是經營不正常營運獲利不佳的一種指標或現象反而在競爭 市場中質變

甚至叫做經濟全球化的時代容易被看作是企業經營「合理化」

(Rationalisierung)的選擇一種必須的甚至係正當的「企業主決定」

(Unternehmerische Entscheidungen)因此大量解僱除有惡性類別概念

外亦基此而導出「合理的」大量解僱

25

合理大量解僱是否存在由於有些預警指標過於複雜標準過於模糊

再者雇主行使解僱權亦無需通知主管機關等到大量解僱木已成舟之後

主管機關之嗣後介入處理往往已喪失先機或事倍功半或徒勞無功

現行大量解僱勞工保護第十一條第三項後段規定「查訪時『得』令其

提出說明或限期令其提供財務報表及相關資料」因此依照行政機關實際

操作裁量之情形復可將之區分為二一為未令事業單位提出說明或資料

另一為有令事業單位提出說明或資料另財務報表之解釋上應指包括事

業單位於營業上之所有相關財 務性資料在内不以會計師簽證者為限倘

公司内部財務人員或相關顧問公司所 依職權或受託製作者均屬本法範疇

均應為限期提供之查訪客體此亦為本研究主張公司財務惡化指標為必要之

大量解僱預先蒐集資料之原因

26

第五章 大量解雇之訊息分析初探

在我們從事大資料分析之前我想要先舉一個大資料分析的例子好讓

我們能夠明白這個計畫想要集中說明的資料運用目的是什麼在網路上有些

旅遊運用之 App 軟體（PhotSpot休息一夏 - 我的遊樂地圖） 旅行的人

通常會上去打卡而旅遊過程當中舉凡好吃好玩好看的都記錄下來來跟大家

分享在眾多人使用了之後它就形成了一個非常龐大的資料庫於是如果您

今天是一位學者明天要到香港參加研討會並發表論文你可以決定會議過程

中有半天的空檔可抽空小旅遊或多留一天而有一天半的時間是可以在香港

盤桓這兩種選擇這時你可以登錄 App看看過去與你同樣經驗的人他的

預算他的時間配合方式以及他居住旅店的地奌興趣等根據自己需求

設定搜尋的條件看看這個軟體所提供的給你的幾個可行方案這就是大資

料的應用與其說他是一個大量的資料庫不如說是運用這資料庫形成的分

析模式才是核心最後可以因你的需求而產生對應的方案才是大資料用

最可貴的地方

以下為我國勞動部所公佈的大量解雇統計資料這樣的統計資料通

常能夠做如下敘述性統計的描述例如根據九月份大量解僱人數統計共

十八件606 人人數較八月份大減四成為今年以來次低記錄然而

製造業解僱人數達今年新高資通訊產業單月通報 98 人更是連續 28 個月

以來最高紀錄

解僱

件數

歇業

或轉

讓

虧損 業務

緊縮

不可

抗力

暫停

工作

一個

月以

上

業務

性質

變更

又無

適當

工作

可供

安置

勞工

確不

能勝

任工

作

併購 改組

計畫

解僱

人數

102年

總計 213 99 75 92 5 28 1 7 5 8727

農林漁牧業 1 0 0 1 0 0 0 0 0 26

礦業及土石採取業 0 0 0 0 0 0 0 0 0 0

製造業 89 36 44 48 1 13 1 3 3 4230

電力及燃氣供應業 0 0 0 0 0 0 0 0 0 0

用水供應及污染整治業 2 0 0 2 0 1 0 0 0 96

營造業 1 1 0 0 0 0 0 0 0 14

批發及零售業 49 21 15 16 2 6 0 3 0 1357

運輸及倉儲業 10 3 3 7 1 1 0 0 1 918

27

住宿及餐飲業 16 11 2 4 0 1 0 0 0 356

資訊及通訊傳播業 16 9 4 3 0 4 0 0 0 689

金融及保險業 4 3 1 1 0 0 0 1 0 444

不動產業 1 1 0 0 0 0 0 0 0 25

專業科學及技術服務業 7 3 3 4 1 0 0 0 0 110

支援服務業 5 4 0 2 0 1 0 0 0 129

公共行政及國防強制性社會安全 1 0 0 0 0 1 0 0 0 30

教育服務業 3 2 2 1 0 0 0 0 0 50

醫療保健及社會工作服務業 5 3 1 2 0 0 0 0 1 194

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 3 2 0 1 0 0 0 0 0 59

然而敍述統計是不足以應付大預測量解雇的功能然而要做大量解僱預

測從前面企業經營策略以及我們所看到幾個案例的表現特貭我們想做

如下的規劃為了方便讀者進入大資料的資料情境中我們嘗試用一個對比

式的大資料資料庫結構來規劃我們大量解僱的大資料資料庫

我們看到下面一個大數據 (Big Data)資料庫這是一個電子商務專家

在建構他們大數據資料庫時候的一個結構圖其實這圖面當中所顯示出來各

個資料有些是隨想的有些則是研究蒐集的結果在各個專家發表他們對

於這一個領域(電子商務)所必須涵蓋的內容可能可以得到的資訊以及一

些應注意的事項之後將各個意見及各個可能的資料通通放進來剛開始

這個畫面是沒有結構化的所以大家可以看到裡面被框框出許多不同色塊的

框框其實這些色塊框框還是在整理之後才歸納在一起剛開始隨想時根

本沒有辦法畫出這麼漂亮的框框而且還會隨著時間遞移框框及歸類還會

有變化會長大也會因項目被剃除出去而變小框框有重疊在一起的也有

沒有重疊的有歸納後因分類而分別分開的也有歸納分類之後因聚類而團

聚在一起的有具體的被標示它的意義在旁邊的還有一些重點項目(如

MarkLogicVersantMacObjectProgressObjectivity)做橫向列的歸

類的(它沒有框框)不懂的人在看這一個規劃圖的時候完全不解其意但

是就專家而言卻能夠在這個圖當中作出不同的解讀也可以滿足不同的需

要而圖中所顯現的關聯性(資料及工具)卻與傳統的計量經濟構思方式完全

不同

28

資料來源 Matthew Aslett The 451 GroupUpdated database landscape graphic Nov 2 2012 一 大量解雇大數據資料規劃塗鴉版

以下就以大量解僱的大數據分析隨想來試著模仿化出塗鴉板(sketch

board)

22

負責人另外成立紡安公司意圖透過「左手賣右手」方式脫產逃避債

權清償責任

8 老闆少進公司或高層離職

老闆「神隱」表示無意經營公司更甚者可能正在進行非法的內線交

易掏空公司資產而公司核心高層突然離職尤其是財務主管掛冠求

去通常表示公司出了問題因為他絕對是除了老闆外最清楚公司財務狀

況的人

9 頻繁的職務調動組織調整

公司頻繁的組織變動不僅可透過調整職務的過程對員工薪資條件動

手腳實施技術性減薪還可藉此逼迫員工選擇投降提出辭職公司即

可少發一筆資遣費而董監事或會計師更換頻繁則代表公司內部可能

有財務問題內線交易做假帳的情況發生

10 同業合併集體外移

同業合併因為會產生多餘人力公司勢必會開始裁員而當上下

游或協力廠商紛紛外移後公司基於成本問題跟著外移與裁員有時也只

是遲早的問題尤其是機器及運輸工具等資產長期閒置工廠長期不運

轉無法生產出貨當然無法賺錢倒閉是遲早的事情 一般而言

勞方通常是屬於資訊不對稱下的弱勢者若沒有工會組織性的監督很

難掌握確實的企業財務資訊發現營運問題但若能掌握一些主要徵兆

或警訊謹慎小心查證冷靜理性分析還是可以事先察覺公司可能發

生問題做好自我保護措施

本章小結

本研究建議在企業人力運用的變數選取方面可選擇以下 6 個人力資本

指標進行計量(1)員工人數與高管人數之比例(高管人數為總工程師總會

計師市場總監技術總監董事監事總裁總經理及秘書助理等)

(2)人均支出(為支付給職工以及為職工支付的現金相對員工人數比例)(3)

人力資本占資本的比例(為稅後淨營業利潤人力資本分配盈餘的比例 +支

付給職工薪資及其他支付之現金）期末資產餘額）(4)全員勞動生產率為

（支付給職工以及為職工支付的現金+各項稅+淨利潤+折舊）員工人數）

(5)人力支出相對收益比例（支付給職工薪資及其他給付+各項稅+淨利潤+

折舊）總營業收入）(6)生產增加率再配合可得之公司財務警訊指標

當可更精準的預測大量解僱行為之發生

23

第四章 大量解雇之型態

大量解僱態樣於勞動相關法規中所言概分為以下之型態企業經營的

過程中因影響經營成果盈虧之因素相當複雜多變企業為求生存發展唯

有盡量降低成本調整組織和經營策略 減少不必要的成本開支以維持

企業之發展存續而縮編多餘勞工即為常採取的方法之一根據我國勞基法

第十一條規定「非有左列情形之一者雇主不得預 告勞工終止勞動契約

（一）歇業或轉讓時（二）虧損或業務緊縮時（三） 不可抗力暫停工

作在一個月以上時（四）業務性質變更有減少勞工之必要 又無適當

工作可供安置時（五）勞工對於所擔任之工作確不能勝任時」雇主因此

等經濟技術或組織結構之調整所進行之勞動力裁減行動一般稱之為「預

告解僱」「經濟性解僱」「整理解僱」或「資遣」亦有論者以為我國

勞基法第十一條第一款至第四款規定之事由即屬於日本學界所稱之「整理

解僱」另有學者認為這五款雇主得預告終止勞動契約之事由可區分為

二類一 為雇主基於經濟性的理由如遭遇經營危機發生維持企業存續

困難時此屬於企業風險現象具體情形如勞基法第十一條第一款至第三款

之規定一為企業主其於技術性組織性之理由所為之解僱即因為市場條

件國際競爭產業變更技術革新等所造成作業過程改變而引起勞動力無

法適應形成冗員之情形具體如勞基法第十一條第四款至第五款且事實

上第五款與第四款之間有因果關係

大量解僱（Massenentlassungen)係為解僱態樣之一何以構成「大量」

解僱可從兩方面加以認定一為遭解僱之勞工相對於企業本身之規模其

人數或比例達到一定數量一為解僱權行使之時點必須限於相當期間之内

不宜過長倘若解僱權之行使分散於過長期間内之不同時點而為之者即便

雇主解僱人數眾多亦無法稱之為大量解僱換言之必須上述二點認定同

時達到方可稱之為「大量」解僱大量解僱在英美法上稱之為「Redundancy」

「Lay -off」或德國終止保護法（Kundigungasschutzgesetz)上稱之為

「Massenentlassungen」或日本法上稱之為「一時歸休制度」「整理解

僱」

「Redundancy」一詞係英國法上之用語依據就業保護（合併）法

（Employment Protection(Consolidation)ActEP(C)A )中之定義係指

在僱傭契約存續期間因事業單位歇業轉讓或業務緊縮業務性質變更

有減少勞工之必要又無適當工作可供安置時雇主可實行之依據 Peter

Mumford 之看法 Redundancy 乃指雇主由於完全或主要營業終止

（cessation of a business)企業搬遷（moving the place of business)

或勞動力需求降低而成為冗員 (employees surplus to the requirement of

the business)之因素所為之解僱行為「Lay-off」一詞多在英美等國常

見依據羅伯氏工業關係字典(Roberts Dictionary of industrial

24

Relations)對於 Lay-off 之解釋係指僱傭關係之暫時或不確定的中斷

而受僱者在此時通常仍可依契約或公司規章保有年資權利及其他保障

在日本法稱之「一時歸休」制度在一定條件下提供最少限度得工資

對於此等「不完全失業者」予以一定補助稱之

綜上所述吾人可得大量解僱之定義係指「雇主基於經濟因素在

一定時間内解僱一定數量的勞工或一定比例的勞工」「事業單位企業主或

雇主 基於企業經營或廠場需求等『經濟性因素』針對相當比例以上之

多數勞動者所 為勞動契約之終止」大量解僱類型可以就大量解僱發生的

原因而言諸如關廠歇業事業單位因虧損致業務緊縮或 業務性質變更調

整企業併購以及其他不可抗力事件等因素單單就企業關廠之類型就可以

細分為十四種之多包括因不可抗力之天災或事變因經濟不景氣因屬夕

陽產業或產業結構改變因經營不善導致虧損因事業單位合倂或轉讓因

資金設備外移或事業單位結構調整因政府徵收土地而結束營業因變賣

廠房土地獲利而結束因違法遭勒令歇業因勞工罷工或勞資爭議因規

避法律責任因事業單位負責人違法逃避責任爲詐領保險金而毀損廠房以

及其他可歸責於事業單位負責人之原因等十四種其中有因事屬偶然根本

不可期待雇主預告關廠有因雇主可掌握或預料關廠者則應負有預先告知

之義務亦有甚者為有意逃避責任即使課以預告之義務並無實質意義此

種情形下可加諸以刑事責任嚇阻之以下將區分二類簡述之一惡性的大

量解僱為倘確因雇主恣意脫法行為或實質不法行為而為之者則社會上常

以「惡性」稱之(如惡性倒閉惡性歇業惡性裁員等）因此雇主基此

而為之 大量解僱行為即屬「惡性」大量解僱惡性大量解僱之特徵常包

括不當融資 利益輸送非善意的積欠高額債務未盡法律的經營及雇主

義務惡意且有計晝的脫產身分的不正常變更或逃匿等特徵總而言之

其問題的出現非常明顯的 「非經營面向」從另外一個角度來說「裁員mdash

大量裁員mdash全部裁員=關廠歇業」其實只是它的外部效果亦即大量解僱本

身「並非」是一合理或重要的經營決定二相對於上述之「惡性」對於

某些同樣採取大量解僱之企業而言卻以企 業繼續經營的明確性人力改

組的需求成本結構的重組法律上經營與雇主義務之原則上遵守等因素特

徵而進行大量解僱就某個程度上來說所謂的「精簡人事」「組織瘦身」

「減低勞動成本壓力」不見得都會被視為是一種經濟 體系中的偏差或

是經營不正常營運獲利不佳的一種指標或現象反而在競爭 市場中質變

甚至叫做經濟全球化的時代容易被看作是企業經營「合理化」

(Rationalisierung)的選擇一種必須的甚至係正當的「企業主決定」

(Unternehmerische Entscheidungen)因此大量解僱除有惡性類別概念

外亦基此而導出「合理的」大量解僱

25

合理大量解僱是否存在由於有些預警指標過於複雜標準過於模糊

再者雇主行使解僱權亦無需通知主管機關等到大量解僱木已成舟之後

主管機關之嗣後介入處理往往已喪失先機或事倍功半或徒勞無功

現行大量解僱勞工保護第十一條第三項後段規定「查訪時『得』令其

提出說明或限期令其提供財務報表及相關資料」因此依照行政機關實際

操作裁量之情形復可將之區分為二一為未令事業單位提出說明或資料

另一為有令事業單位提出說明或資料另財務報表之解釋上應指包括事

業單位於營業上之所有相關財 務性資料在内不以會計師簽證者為限倘

公司内部財務人員或相關顧問公司所 依職權或受託製作者均屬本法範疇

均應為限期提供之查訪客體此亦為本研究主張公司財務惡化指標為必要之

大量解僱預先蒐集資料之原因

26

第五章 大量解雇之訊息分析初探

在我們從事大資料分析之前我想要先舉一個大資料分析的例子好讓

我們能夠明白這個計畫想要集中說明的資料運用目的是什麼在網路上有些

旅遊運用之 App 軟體（PhotSpot休息一夏 - 我的遊樂地圖） 旅行的人

通常會上去打卡而旅遊過程當中舉凡好吃好玩好看的都記錄下來來跟大家

分享在眾多人使用了之後它就形成了一個非常龐大的資料庫於是如果您

今天是一位學者明天要到香港參加研討會並發表論文你可以決定會議過程

中有半天的空檔可抽空小旅遊或多留一天而有一天半的時間是可以在香港

盤桓這兩種選擇這時你可以登錄 App看看過去與你同樣經驗的人他的

預算他的時間配合方式以及他居住旅店的地奌興趣等根據自己需求

設定搜尋的條件看看這個軟體所提供的給你的幾個可行方案這就是大資

料的應用與其說他是一個大量的資料庫不如說是運用這資料庫形成的分

析模式才是核心最後可以因你的需求而產生對應的方案才是大資料用

最可貴的地方

以下為我國勞動部所公佈的大量解雇統計資料這樣的統計資料通

常能夠做如下敘述性統計的描述例如根據九月份大量解僱人數統計共

十八件606 人人數較八月份大減四成為今年以來次低記錄然而

製造業解僱人數達今年新高資通訊產業單月通報 98 人更是連續 28 個月

以來最高紀錄

解僱

件數

歇業

或轉

讓

虧損 業務

緊縮

不可

抗力

暫停

工作

一個

月以

上

業務

性質

變更

又無

適當

工作

可供

安置

勞工

確不

能勝

任工

作

併購 改組

計畫

解僱

人數

102年

總計 213 99 75 92 5 28 1 7 5 8727

農林漁牧業 1 0 0 1 0 0 0 0 0 26

礦業及土石採取業 0 0 0 0 0 0 0 0 0 0

製造業 89 36 44 48 1 13 1 3 3 4230

電力及燃氣供應業 0 0 0 0 0 0 0 0 0 0

用水供應及污染整治業 2 0 0 2 0 1 0 0 0 96

營造業 1 1 0 0 0 0 0 0 0 14

批發及零售業 49 21 15 16 2 6 0 3 0 1357

運輸及倉儲業 10 3 3 7 1 1 0 0 1 918

27

住宿及餐飲業 16 11 2 4 0 1 0 0 0 356

資訊及通訊傳播業 16 9 4 3 0 4 0 0 0 689

金融及保險業 4 3 1 1 0 0 0 1 0 444

不動產業 1 1 0 0 0 0 0 0 0 25

專業科學及技術服務業 7 3 3 4 1 0 0 0 0 110

支援服務業 5 4 0 2 0 1 0 0 0 129

公共行政及國防強制性社會安全 1 0 0 0 0 1 0 0 0 30

教育服務業 3 2 2 1 0 0 0 0 0 50

醫療保健及社會工作服務業 5 3 1 2 0 0 0 0 1 194

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 3 2 0 1 0 0 0 0 0 59

然而敍述統計是不足以應付大預測量解雇的功能然而要做大量解僱預

測從前面企業經營策略以及我們所看到幾個案例的表現特貭我們想做

如下的規劃為了方便讀者進入大資料的資料情境中我們嘗試用一個對比

式的大資料資料庫結構來規劃我們大量解僱的大資料資料庫

我們看到下面一個大數據 (Big Data)資料庫這是一個電子商務專家

在建構他們大數據資料庫時候的一個結構圖其實這圖面當中所顯示出來各

個資料有些是隨想的有些則是研究蒐集的結果在各個專家發表他們對

於這一個領域(電子商務)所必須涵蓋的內容可能可以得到的資訊以及一

些應注意的事項之後將各個意見及各個可能的資料通通放進來剛開始

這個畫面是沒有結構化的所以大家可以看到裡面被框框出許多不同色塊的

框框其實這些色塊框框還是在整理之後才歸納在一起剛開始隨想時根

本沒有辦法畫出這麼漂亮的框框而且還會隨著時間遞移框框及歸類還會

有變化會長大也會因項目被剃除出去而變小框框有重疊在一起的也有

沒有重疊的有歸納後因分類而分別分開的也有歸納分類之後因聚類而團

聚在一起的有具體的被標示它的意義在旁邊的還有一些重點項目(如

MarkLogicVersantMacObjectProgressObjectivity)做橫向列的歸

類的(它沒有框框)不懂的人在看這一個規劃圖的時候完全不解其意但

是就專家而言卻能夠在這個圖當中作出不同的解讀也可以滿足不同的需

要而圖中所顯現的關聯性(資料及工具)卻與傳統的計量經濟構思方式完全

不同

28

資料來源 Matthew Aslett The 451 GroupUpdated database landscape graphic Nov 2 2012 一 大量解雇大數據資料規劃塗鴉版

以下就以大量解僱的大數據分析隨想來試著模仿化出塗鴉板(sketch

board)

23

第四章 大量解雇之型態

大量解僱態樣於勞動相關法規中所言概分為以下之型態企業經營的

過程中因影響經營成果盈虧之因素相當複雜多變企業為求生存發展唯

有盡量降低成本調整組織和經營策略 減少不必要的成本開支以維持

企業之發展存續而縮編多餘勞工即為常採取的方法之一根據我國勞基法

第十一條規定「非有左列情形之一者雇主不得預 告勞工終止勞動契約

（一）歇業或轉讓時（二）虧損或業務緊縮時（三） 不可抗力暫停工

作在一個月以上時（四）業務性質變更有減少勞工之必要 又無適當

工作可供安置時（五）勞工對於所擔任之工作確不能勝任時」雇主因此

等經濟技術或組織結構之調整所進行之勞動力裁減行動一般稱之為「預

告解僱」「經濟性解僱」「整理解僱」或「資遣」亦有論者以為我國

勞基法第十一條第一款至第四款規定之事由即屬於日本學界所稱之「整理

解僱」另有學者認為這五款雇主得預告終止勞動契約之事由可區分為

二類一 為雇主基於經濟性的理由如遭遇經營危機發生維持企業存續

困難時此屬於企業風險現象具體情形如勞基法第十一條第一款至第三款

之規定一為企業主其於技術性組織性之理由所為之解僱即因為市場條

件國際競爭產業變更技術革新等所造成作業過程改變而引起勞動力無

法適應形成冗員之情形具體如勞基法第十一條第四款至第五款且事實

上第五款與第四款之間有因果關係

大量解僱（Massenentlassungen)係為解僱態樣之一何以構成「大量」

解僱可從兩方面加以認定一為遭解僱之勞工相對於企業本身之規模其

人數或比例達到一定數量一為解僱權行使之時點必須限於相當期間之内

不宜過長倘若解僱權之行使分散於過長期間内之不同時點而為之者即便

雇主解僱人數眾多亦無法稱之為大量解僱換言之必須上述二點認定同

時達到方可稱之為「大量」解僱大量解僱在英美法上稱之為「Redundancy」

「Lay -off」或德國終止保護法（Kundigungasschutzgesetz)上稱之為

「Massenentlassungen」或日本法上稱之為「一時歸休制度」「整理解

僱」

「Redundancy」一詞係英國法上之用語依據就業保護（合併）法

（Employment Protection(Consolidation)ActEP(C)A )中之定義係指

在僱傭契約存續期間因事業單位歇業轉讓或業務緊縮業務性質變更

有減少勞工之必要又無適當工作可供安置時雇主可實行之依據 Peter

Mumford 之看法 Redundancy 乃指雇主由於完全或主要營業終止

（cessation of a business)企業搬遷（moving the place of business)

或勞動力需求降低而成為冗員 (employees surplus to the requirement of

the business)之因素所為之解僱行為「Lay-off」一詞多在英美等國常

見依據羅伯氏工業關係字典(Roberts Dictionary of industrial

24

Relations)對於 Lay-off 之解釋係指僱傭關係之暫時或不確定的中斷

而受僱者在此時通常仍可依契約或公司規章保有年資權利及其他保障

在日本法稱之「一時歸休」制度在一定條件下提供最少限度得工資

對於此等「不完全失業者」予以一定補助稱之

綜上所述吾人可得大量解僱之定義係指「雇主基於經濟因素在

一定時間内解僱一定數量的勞工或一定比例的勞工」「事業單位企業主或

雇主 基於企業經營或廠場需求等『經濟性因素』針對相當比例以上之

多數勞動者所 為勞動契約之終止」大量解僱類型可以就大量解僱發生的

原因而言諸如關廠歇業事業單位因虧損致業務緊縮或 業務性質變更調

整企業併購以及其他不可抗力事件等因素單單就企業關廠之類型就可以

細分為十四種之多包括因不可抗力之天災或事變因經濟不景氣因屬夕

陽產業或產業結構改變因經營不善導致虧損因事業單位合倂或轉讓因

資金設備外移或事業單位結構調整因政府徵收土地而結束營業因變賣

廠房土地獲利而結束因違法遭勒令歇業因勞工罷工或勞資爭議因規

避法律責任因事業單位負責人違法逃避責任爲詐領保險金而毀損廠房以

及其他可歸責於事業單位負責人之原因等十四種其中有因事屬偶然根本

不可期待雇主預告關廠有因雇主可掌握或預料關廠者則應負有預先告知

之義務亦有甚者為有意逃避責任即使課以預告之義務並無實質意義此

種情形下可加諸以刑事責任嚇阻之以下將區分二類簡述之一惡性的大

量解僱為倘確因雇主恣意脫法行為或實質不法行為而為之者則社會上常

以「惡性」稱之(如惡性倒閉惡性歇業惡性裁員等）因此雇主基此

而為之 大量解僱行為即屬「惡性」大量解僱惡性大量解僱之特徵常包

括不當融資 利益輸送非善意的積欠高額債務未盡法律的經營及雇主

義務惡意且有計晝的脫產身分的不正常變更或逃匿等特徵總而言之

其問題的出現非常明顯的 「非經營面向」從另外一個角度來說「裁員mdash

大量裁員mdash全部裁員=關廠歇業」其實只是它的外部效果亦即大量解僱本

身「並非」是一合理或重要的經營決定二相對於上述之「惡性」對於

某些同樣採取大量解僱之企業而言卻以企 業繼續經營的明確性人力改

組的需求成本結構的重組法律上經營與雇主義務之原則上遵守等因素特

徵而進行大量解僱就某個程度上來說所謂的「精簡人事」「組織瘦身」

「減低勞動成本壓力」不見得都會被視為是一種經濟 體系中的偏差或

是經營不正常營運獲利不佳的一種指標或現象反而在競爭 市場中質變

甚至叫做經濟全球化的時代容易被看作是企業經營「合理化」

(Rationalisierung)的選擇一種必須的甚至係正當的「企業主決定」

(Unternehmerische Entscheidungen)因此大量解僱除有惡性類別概念

外亦基此而導出「合理的」大量解僱

25

合理大量解僱是否存在由於有些預警指標過於複雜標準過於模糊

再者雇主行使解僱權亦無需通知主管機關等到大量解僱木已成舟之後

主管機關之嗣後介入處理往往已喪失先機或事倍功半或徒勞無功

現行大量解僱勞工保護第十一條第三項後段規定「查訪時『得』令其

提出說明或限期令其提供財務報表及相關資料」因此依照行政機關實際

操作裁量之情形復可將之區分為二一為未令事業單位提出說明或資料

另一為有令事業單位提出說明或資料另財務報表之解釋上應指包括事

業單位於營業上之所有相關財 務性資料在内不以會計師簽證者為限倘

公司内部財務人員或相關顧問公司所 依職權或受託製作者均屬本法範疇

均應為限期提供之查訪客體此亦為本研究主張公司財務惡化指標為必要之

大量解僱預先蒐集資料之原因

26

第五章 大量解雇之訊息分析初探

在我們從事大資料分析之前我想要先舉一個大資料分析的例子好讓

我們能夠明白這個計畫想要集中說明的資料運用目的是什麼在網路上有些

旅遊運用之 App 軟體（PhotSpot休息一夏 - 我的遊樂地圖） 旅行的人

通常會上去打卡而旅遊過程當中舉凡好吃好玩好看的都記錄下來來跟大家

分享在眾多人使用了之後它就形成了一個非常龐大的資料庫於是如果您

今天是一位學者明天要到香港參加研討會並發表論文你可以決定會議過程

中有半天的空檔可抽空小旅遊或多留一天而有一天半的時間是可以在香港

盤桓這兩種選擇這時你可以登錄 App看看過去與你同樣經驗的人他的

預算他的時間配合方式以及他居住旅店的地奌興趣等根據自己需求

設定搜尋的條件看看這個軟體所提供的給你的幾個可行方案這就是大資

料的應用與其說他是一個大量的資料庫不如說是運用這資料庫形成的分

析模式才是核心最後可以因你的需求而產生對應的方案才是大資料用

最可貴的地方

以下為我國勞動部所公佈的大量解雇統計資料這樣的統計資料通

常能夠做如下敘述性統計的描述例如根據九月份大量解僱人數統計共

十八件606 人人數較八月份大減四成為今年以來次低記錄然而

製造業解僱人數達今年新高資通訊產業單月通報 98 人更是連續 28 個月

以來最高紀錄

解僱

件數

歇業

或轉

讓

虧損 業務

緊縮

不可

抗力

暫停

工作

一個

月以

上

業務

性質

變更

又無

適當

工作

可供

安置

勞工

確不

能勝

任工

作

併購 改組

計畫

解僱

人數

102年

總計 213 99 75 92 5 28 1 7 5 8727

農林漁牧業 1 0 0 1 0 0 0 0 0 26

礦業及土石採取業 0 0 0 0 0 0 0 0 0 0

製造業 89 36 44 48 1 13 1 3 3 4230

電力及燃氣供應業 0 0 0 0 0 0 0 0 0 0

用水供應及污染整治業 2 0 0 2 0 1 0 0 0 96

營造業 1 1 0 0 0 0 0 0 0 14

批發及零售業 49 21 15 16 2 6 0 3 0 1357

運輸及倉儲業 10 3 3 7 1 1 0 0 1 918

27

住宿及餐飲業 16 11 2 4 0 1 0 0 0 356

資訊及通訊傳播業 16 9 4 3 0 4 0 0 0 689

金融及保險業 4 3 1 1 0 0 0 1 0 444

不動產業 1 1 0 0 0 0 0 0 0 25

專業科學及技術服務業 7 3 3 4 1 0 0 0 0 110

支援服務業 5 4 0 2 0 1 0 0 0 129

公共行政及國防強制性社會安全 1 0 0 0 0 1 0 0 0 30

教育服務業 3 2 2 1 0 0 0 0 0 50

醫療保健及社會工作服務業 5 3 1 2 0 0 0 0 1 194

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 3 2 0 1 0 0 0 0 0 59

然而敍述統計是不足以應付大預測量解雇的功能然而要做大量解僱預

測從前面企業經營策略以及我們所看到幾個案例的表現特貭我們想做

如下的規劃為了方便讀者進入大資料的資料情境中我們嘗試用一個對比

式的大資料資料庫結構來規劃我們大量解僱的大資料資料庫

我們看到下面一個大數據 (Big Data)資料庫這是一個電子商務專家

在建構他們大數據資料庫時候的一個結構圖其實這圖面當中所顯示出來各

個資料有些是隨想的有些則是研究蒐集的結果在各個專家發表他們對

於這一個領域(電子商務)所必須涵蓋的內容可能可以得到的資訊以及一

些應注意的事項之後將各個意見及各個可能的資料通通放進來剛開始

這個畫面是沒有結構化的所以大家可以看到裡面被框框出許多不同色塊的

框框其實這些色塊框框還是在整理之後才歸納在一起剛開始隨想時根

本沒有辦法畫出這麼漂亮的框框而且還會隨著時間遞移框框及歸類還會

有變化會長大也會因項目被剃除出去而變小框框有重疊在一起的也有

沒有重疊的有歸納後因分類而分別分開的也有歸納分類之後因聚類而團

聚在一起的有具體的被標示它的意義在旁邊的還有一些重點項目(如

MarkLogicVersantMacObjectProgressObjectivity)做橫向列的歸

類的(它沒有框框)不懂的人在看這一個規劃圖的時候完全不解其意但

是就專家而言卻能夠在這個圖當中作出不同的解讀也可以滿足不同的需

要而圖中所顯現的關聯性(資料及工具)卻與傳統的計量經濟構思方式完全

不同

28

資料來源 Matthew Aslett The 451 GroupUpdated database landscape graphic Nov 2 2012 一 大量解雇大數據資料規劃塗鴉版

以下就以大量解僱的大數據分析隨想來試著模仿化出塗鴉板(sketch

board)

24

Relations)對於 Lay-off 之解釋係指僱傭關係之暫時或不確定的中斷

而受僱者在此時通常仍可依契約或公司規章保有年資權利及其他保障

在日本法稱之「一時歸休」制度在一定條件下提供最少限度得工資

對於此等「不完全失業者」予以一定補助稱之

綜上所述吾人可得大量解僱之定義係指「雇主基於經濟因素在

一定時間内解僱一定數量的勞工或一定比例的勞工」「事業單位企業主或

雇主 基於企業經營或廠場需求等『經濟性因素』針對相當比例以上之

多數勞動者所 為勞動契約之終止」大量解僱類型可以就大量解僱發生的

原因而言諸如關廠歇業事業單位因虧損致業務緊縮或 業務性質變更調

整企業併購以及其他不可抗力事件等因素單單就企業關廠之類型就可以

細分為十四種之多包括因不可抗力之天災或事變因經濟不景氣因屬夕

陽產業或產業結構改變因經營不善導致虧損因事業單位合倂或轉讓因

資金設備外移或事業單位結構調整因政府徵收土地而結束營業因變賣

廠房土地獲利而結束因違法遭勒令歇業因勞工罷工或勞資爭議因規

避法律責任因事業單位負責人違法逃避責任爲詐領保險金而毀損廠房以

及其他可歸責於事業單位負責人之原因等十四種其中有因事屬偶然根本

不可期待雇主預告關廠有因雇主可掌握或預料關廠者則應負有預先告知

之義務亦有甚者為有意逃避責任即使課以預告之義務並無實質意義此

種情形下可加諸以刑事責任嚇阻之以下將區分二類簡述之一惡性的大

量解僱為倘確因雇主恣意脫法行為或實質不法行為而為之者則社會上常

以「惡性」稱之(如惡性倒閉惡性歇業惡性裁員等）因此雇主基此

而為之 大量解僱行為即屬「惡性」大量解僱惡性大量解僱之特徵常包

括不當融資 利益輸送非善意的積欠高額債務未盡法律的經營及雇主

義務惡意且有計晝的脫產身分的不正常變更或逃匿等特徵總而言之

其問題的出現非常明顯的 「非經營面向」從另外一個角度來說「裁員mdash

大量裁員mdash全部裁員=關廠歇業」其實只是它的外部效果亦即大量解僱本

身「並非」是一合理或重要的經營決定二相對於上述之「惡性」對於

某些同樣採取大量解僱之企業而言卻以企 業繼續經營的明確性人力改

組的需求成本結構的重組法律上經營與雇主義務之原則上遵守等因素特

徵而進行大量解僱就某個程度上來說所謂的「精簡人事」「組織瘦身」

「減低勞動成本壓力」不見得都會被視為是一種經濟 體系中的偏差或

是經營不正常營運獲利不佳的一種指標或現象反而在競爭 市場中質變

甚至叫做經濟全球化的時代容易被看作是企業經營「合理化」

(Rationalisierung)的選擇一種必須的甚至係正當的「企業主決定」

(Unternehmerische Entscheidungen)因此大量解僱除有惡性類別概念

外亦基此而導出「合理的」大量解僱

25

合理大量解僱是否存在由於有些預警指標過於複雜標準過於模糊

再者雇主行使解僱權亦無需通知主管機關等到大量解僱木已成舟之後

主管機關之嗣後介入處理往往已喪失先機或事倍功半或徒勞無功

現行大量解僱勞工保護第十一條第三項後段規定「查訪時『得』令其

提出說明或限期令其提供財務報表及相關資料」因此依照行政機關實際

操作裁量之情形復可將之區分為二一為未令事業單位提出說明或資料

另一為有令事業單位提出說明或資料另財務報表之解釋上應指包括事

業單位於營業上之所有相關財 務性資料在内不以會計師簽證者為限倘

公司内部財務人員或相關顧問公司所 依職權或受託製作者均屬本法範疇

均應為限期提供之查訪客體此亦為本研究主張公司財務惡化指標為必要之

大量解僱預先蒐集資料之原因

26

第五章 大量解雇之訊息分析初探

在我們從事大資料分析之前我想要先舉一個大資料分析的例子好讓

我們能夠明白這個計畫想要集中說明的資料運用目的是什麼在網路上有些

旅遊運用之 App 軟體（PhotSpot休息一夏 - 我的遊樂地圖） 旅行的人

通常會上去打卡而旅遊過程當中舉凡好吃好玩好看的都記錄下來來跟大家

分享在眾多人使用了之後它就形成了一個非常龐大的資料庫於是如果您

今天是一位學者明天要到香港參加研討會並發表論文你可以決定會議過程

中有半天的空檔可抽空小旅遊或多留一天而有一天半的時間是可以在香港

盤桓這兩種選擇這時你可以登錄 App看看過去與你同樣經驗的人他的

預算他的時間配合方式以及他居住旅店的地奌興趣等根據自己需求

設定搜尋的條件看看這個軟體所提供的給你的幾個可行方案這就是大資

料的應用與其說他是一個大量的資料庫不如說是運用這資料庫形成的分

析模式才是核心最後可以因你的需求而產生對應的方案才是大資料用

最可貴的地方

以下為我國勞動部所公佈的大量解雇統計資料這樣的統計資料通

常能夠做如下敘述性統計的描述例如根據九月份大量解僱人數統計共

十八件606 人人數較八月份大減四成為今年以來次低記錄然而

製造業解僱人數達今年新高資通訊產業單月通報 98 人更是連續 28 個月

以來最高紀錄

解僱

件數

歇業

或轉

讓

虧損 業務

緊縮

不可

抗力

暫停

工作

一個

月以

上

業務

性質

變更

又無

適當

工作

可供

安置

勞工

確不

能勝

任工

作

併購 改組

計畫

解僱

人數

102年

總計 213 99 75 92 5 28 1 7 5 8727

農林漁牧業 1 0 0 1 0 0 0 0 0 26

礦業及土石採取業 0 0 0 0 0 0 0 0 0 0

製造業 89 36 44 48 1 13 1 3 3 4230

電力及燃氣供應業 0 0 0 0 0 0 0 0 0 0

用水供應及污染整治業 2 0 0 2 0 1 0 0 0 96

營造業 1 1 0 0 0 0 0 0 0 14

批發及零售業 49 21 15 16 2 6 0 3 0 1357

運輸及倉儲業 10 3 3 7 1 1 0 0 1 918

27

住宿及餐飲業 16 11 2 4 0 1 0 0 0 356

資訊及通訊傳播業 16 9 4 3 0 4 0 0 0 689

金融及保險業 4 3 1 1 0 0 0 1 0 444

不動產業 1 1 0 0 0 0 0 0 0 25

專業科學及技術服務業 7 3 3 4 1 0 0 0 0 110

支援服務業 5 4 0 2 0 1 0 0 0 129

公共行政及國防強制性社會安全 1 0 0 0 0 1 0 0 0 30

教育服務業 3 2 2 1 0 0 0 0 0 50

醫療保健及社會工作服務業 5 3 1 2 0 0 0 0 1 194

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 3 2 0 1 0 0 0 0 0 59

然而敍述統計是不足以應付大預測量解雇的功能然而要做大量解僱預

測從前面企業經營策略以及我們所看到幾個案例的表現特貭我們想做

如下的規劃為了方便讀者進入大資料的資料情境中我們嘗試用一個對比

式的大資料資料庫結構來規劃我們大量解僱的大資料資料庫

我們看到下面一個大數據 (Big Data)資料庫這是一個電子商務專家

在建構他們大數據資料庫時候的一個結構圖其實這圖面當中所顯示出來各

個資料有些是隨想的有些則是研究蒐集的結果在各個專家發表他們對

於這一個領域(電子商務)所必須涵蓋的內容可能可以得到的資訊以及一

些應注意的事項之後將各個意見及各個可能的資料通通放進來剛開始

這個畫面是沒有結構化的所以大家可以看到裡面被框框出許多不同色塊的

框框其實這些色塊框框還是在整理之後才歸納在一起剛開始隨想時根

本沒有辦法畫出這麼漂亮的框框而且還會隨著時間遞移框框及歸類還會

有變化會長大也會因項目被剃除出去而變小框框有重疊在一起的也有

沒有重疊的有歸納後因分類而分別分開的也有歸納分類之後因聚類而團

聚在一起的有具體的被標示它的意義在旁邊的還有一些重點項目(如

MarkLogicVersantMacObjectProgressObjectivity)做橫向列的歸

類的(它沒有框框)不懂的人在看這一個規劃圖的時候完全不解其意但

是就專家而言卻能夠在這個圖當中作出不同的解讀也可以滿足不同的需

要而圖中所顯現的關聯性(資料及工具)卻與傳統的計量經濟構思方式完全

不同

28

資料來源 Matthew Aslett The 451 GroupUpdated database landscape graphic Nov 2 2012 一 大量解雇大數據資料規劃塗鴉版

以下就以大量解僱的大數據分析隨想來試著模仿化出塗鴉板(sketch

board)

25

合理大量解僱是否存在由於有些預警指標過於複雜標準過於模糊

再者雇主行使解僱權亦無需通知主管機關等到大量解僱木已成舟之後

主管機關之嗣後介入處理往往已喪失先機或事倍功半或徒勞無功

現行大量解僱勞工保護第十一條第三項後段規定「查訪時『得』令其

提出說明或限期令其提供財務報表及相關資料」因此依照行政機關實際

操作裁量之情形復可將之區分為二一為未令事業單位提出說明或資料

另一為有令事業單位提出說明或資料另財務報表之解釋上應指包括事

業單位於營業上之所有相關財 務性資料在内不以會計師簽證者為限倘

公司内部財務人員或相關顧問公司所 依職權或受託製作者均屬本法範疇

均應為限期提供之查訪客體此亦為本研究主張公司財務惡化指標為必要之

大量解僱預先蒐集資料之原因

26

第五章 大量解雇之訊息分析初探

在我們從事大資料分析之前我想要先舉一個大資料分析的例子好讓

我們能夠明白這個計畫想要集中說明的資料運用目的是什麼在網路上有些

旅遊運用之 App 軟體（PhotSpot休息一夏 - 我的遊樂地圖） 旅行的人

通常會上去打卡而旅遊過程當中舉凡好吃好玩好看的都記錄下來來跟大家

分享在眾多人使用了之後它就形成了一個非常龐大的資料庫於是如果您

今天是一位學者明天要到香港參加研討會並發表論文你可以決定會議過程

中有半天的空檔可抽空小旅遊或多留一天而有一天半的時間是可以在香港

盤桓這兩種選擇這時你可以登錄 App看看過去與你同樣經驗的人他的

預算他的時間配合方式以及他居住旅店的地奌興趣等根據自己需求

設定搜尋的條件看看這個軟體所提供的給你的幾個可行方案這就是大資

料的應用與其說他是一個大量的資料庫不如說是運用這資料庫形成的分

析模式才是核心最後可以因你的需求而產生對應的方案才是大資料用

最可貴的地方

以下為我國勞動部所公佈的大量解雇統計資料這樣的統計資料通

常能夠做如下敘述性統計的描述例如根據九月份大量解僱人數統計共

十八件606 人人數較八月份大減四成為今年以來次低記錄然而

製造業解僱人數達今年新高資通訊產業單月通報 98 人更是連續 28 個月

以來最高紀錄

解僱

件數

歇業

或轉

讓

虧損 業務

緊縮

不可

抗力

暫停

工作

一個

月以

上

業務

性質

變更

又無

適當

工作

可供

安置

勞工

確不

能勝

任工

作

併購 改組

計畫

解僱

人數

102年

總計 213 99 75 92 5 28 1 7 5 8727

農林漁牧業 1 0 0 1 0 0 0 0 0 26

礦業及土石採取業 0 0 0 0 0 0 0 0 0 0

製造業 89 36 44 48 1 13 1 3 3 4230

電力及燃氣供應業 0 0 0 0 0 0 0 0 0 0

用水供應及污染整治業 2 0 0 2 0 1 0 0 0 96

營造業 1 1 0 0 0 0 0 0 0 14

批發及零售業 49 21 15 16 2 6 0 3 0 1357

運輸及倉儲業 10 3 3 7 1 1 0 0 1 918

27

住宿及餐飲業 16 11 2 4 0 1 0 0 0 356

資訊及通訊傳播業 16 9 4 3 0 4 0 0 0 689

金融及保險業 4 3 1 1 0 0 0 1 0 444

不動產業 1 1 0 0 0 0 0 0 0 25

專業科學及技術服務業 7 3 3 4 1 0 0 0 0 110

支援服務業 5 4 0 2 0 1 0 0 0 129

公共行政及國防強制性社會安全 1 0 0 0 0 1 0 0 0 30

教育服務業 3 2 2 1 0 0 0 0 0 50

醫療保健及社會工作服務業 5 3 1 2 0 0 0 0 1 194

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 3 2 0 1 0 0 0 0 0 59

然而敍述統計是不足以應付大預測量解雇的功能然而要做大量解僱預

測從前面企業經營策略以及我們所看到幾個案例的表現特貭我們想做

如下的規劃為了方便讀者進入大資料的資料情境中我們嘗試用一個對比

式的大資料資料庫結構來規劃我們大量解僱的大資料資料庫

我們看到下面一個大數據 (Big Data)資料庫這是一個電子商務專家

在建構他們大數據資料庫時候的一個結構圖其實這圖面當中所顯示出來各

個資料有些是隨想的有些則是研究蒐集的結果在各個專家發表他們對

於這一個領域(電子商務)所必須涵蓋的內容可能可以得到的資訊以及一

些應注意的事項之後將各個意見及各個可能的資料通通放進來剛開始

這個畫面是沒有結構化的所以大家可以看到裡面被框框出許多不同色塊的

框框其實這些色塊框框還是在整理之後才歸納在一起剛開始隨想時根

本沒有辦法畫出這麼漂亮的框框而且還會隨著時間遞移框框及歸類還會

有變化會長大也會因項目被剃除出去而變小框框有重疊在一起的也有

沒有重疊的有歸納後因分類而分別分開的也有歸納分類之後因聚類而團

聚在一起的有具體的被標示它的意義在旁邊的還有一些重點項目(如

MarkLogicVersantMacObjectProgressObjectivity)做橫向列的歸

類的(它沒有框框)不懂的人在看這一個規劃圖的時候完全不解其意但

是就專家而言卻能夠在這個圖當中作出不同的解讀也可以滿足不同的需

要而圖中所顯現的關聯性(資料及工具)卻與傳統的計量經濟構思方式完全

不同

28

資料來源 Matthew Aslett The 451 GroupUpdated database landscape graphic Nov 2 2012 一 大量解雇大數據資料規劃塗鴉版

以下就以大量解僱的大數據分析隨想來試著模仿化出塗鴉板(sketch

board)

26

第五章 大量解雇之訊息分析初探

在我們從事大資料分析之前我想要先舉一個大資料分析的例子好讓

我們能夠明白這個計畫想要集中說明的資料運用目的是什麼在網路上有些

旅遊運用之 App 軟體（PhotSpot休息一夏 - 我的遊樂地圖） 旅行的人

通常會上去打卡而旅遊過程當中舉凡好吃好玩好看的都記錄下來來跟大家

分享在眾多人使用了之後它就形成了一個非常龐大的資料庫於是如果您

今天是一位學者明天要到香港參加研討會並發表論文你可以決定會議過程

中有半天的空檔可抽空小旅遊或多留一天而有一天半的時間是可以在香港

盤桓這兩種選擇這時你可以登錄 App看看過去與你同樣經驗的人他的

預算他的時間配合方式以及他居住旅店的地奌興趣等根據自己需求

設定搜尋的條件看看這個軟體所提供的給你的幾個可行方案這就是大資

料的應用與其說他是一個大量的資料庫不如說是運用這資料庫形成的分

析模式才是核心最後可以因你的需求而產生對應的方案才是大資料用

最可貴的地方

以下為我國勞動部所公佈的大量解雇統計資料這樣的統計資料通

常能夠做如下敘述性統計的描述例如根據九月份大量解僱人數統計共

十八件606 人人數較八月份大減四成為今年以來次低記錄然而

製造業解僱人數達今年新高資通訊產業單月通報 98 人更是連續 28 個月

以來最高紀錄

解僱

件數

歇業

或轉

讓

虧損 業務

緊縮

不可

抗力

暫停

工作

一個

月以

上

業務

性質

變更

又無

適當

工作

可供

安置

勞工

確不

能勝

任工

作

併購 改組

計畫

解僱

人數

102年

總計 213 99 75 92 5 28 1 7 5 8727

農林漁牧業 1 0 0 1 0 0 0 0 0 26

礦業及土石採取業 0 0 0 0 0 0 0 0 0 0

製造業 89 36 44 48 1 13 1 3 3 4230

電力及燃氣供應業 0 0 0 0 0 0 0 0 0 0

用水供應及污染整治業 2 0 0 2 0 1 0 0 0 96

營造業 1 1 0 0 0 0 0 0 0 14

批發及零售業 49 21 15 16 2 6 0 3 0 1357

運輸及倉儲業 10 3 3 7 1 1 0 0 1 918

27

住宿及餐飲業 16 11 2 4 0 1 0 0 0 356

資訊及通訊傳播業 16 9 4 3 0 4 0 0 0 689

金融及保險業 4 3 1 1 0 0 0 1 0 444

不動產業 1 1 0 0 0 0 0 0 0 25

專業科學及技術服務業 7 3 3 4 1 0 0 0 0 110

支援服務業 5 4 0 2 0 1 0 0 0 129

公共行政及國防強制性社會安全 1 0 0 0 0 1 0 0 0 30

教育服務業 3 2 2 1 0 0 0 0 0 50

醫療保健及社會工作服務業 5 3 1 2 0 0 0 0 1 194

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 3 2 0 1 0 0 0 0 0 59

然而敍述統計是不足以應付大預測量解雇的功能然而要做大量解僱預

測從前面企業經營策略以及我們所看到幾個案例的表現特貭我們想做

如下的規劃為了方便讀者進入大資料的資料情境中我們嘗試用一個對比

式的大資料資料庫結構來規劃我們大量解僱的大資料資料庫

我們看到下面一個大數據 (Big Data)資料庫這是一個電子商務專家

在建構他們大數據資料庫時候的一個結構圖其實這圖面當中所顯示出來各

個資料有些是隨想的有些則是研究蒐集的結果在各個專家發表他們對

於這一個領域(電子商務)所必須涵蓋的內容可能可以得到的資訊以及一

些應注意的事項之後將各個意見及各個可能的資料通通放進來剛開始

這個畫面是沒有結構化的所以大家可以看到裡面被框框出許多不同色塊的

框框其實這些色塊框框還是在整理之後才歸納在一起剛開始隨想時根

本沒有辦法畫出這麼漂亮的框框而且還會隨著時間遞移框框及歸類還會

有變化會長大也會因項目被剃除出去而變小框框有重疊在一起的也有

沒有重疊的有歸納後因分類而分別分開的也有歸納分類之後因聚類而團

聚在一起的有具體的被標示它的意義在旁邊的還有一些重點項目(如

MarkLogicVersantMacObjectProgressObjectivity)做橫向列的歸

類的(它沒有框框)不懂的人在看這一個規劃圖的時候完全不解其意但

是就專家而言卻能夠在這個圖當中作出不同的解讀也可以滿足不同的需

要而圖中所顯現的關聯性(資料及工具)卻與傳統的計量經濟構思方式完全

不同

28

資料來源 Matthew Aslett The 451 GroupUpdated database landscape graphic Nov 2 2012 一 大量解雇大數據資料規劃塗鴉版

以下就以大量解僱的大數據分析隨想來試著模仿化出塗鴉板(sketch

board)

27

住宿及餐飲業 16 11 2 4 0 1 0 0 0 356

資訊及通訊傳播業 16 9 4 3 0 4 0 0 0 689

金融及保險業 4 3 1 1 0 0 0 1 0 444

不動產業 1 1 0 0 0 0 0 0 0 25

專業科學及技術服務業 7 3 3 4 1 0 0 0 0 110

支援服務業 5 4 0 2 0 1 0 0 0 129

公共行政及國防強制性社會安全 1 0 0 0 0 1 0 0 0 30

教育服務業 3 2 2 1 0 0 0 0 0 50

醫療保健及社會工作服務業 5 3 1 2 0 0 0 0 1 194

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 3 2 0 1 0 0 0 0 0 59

然而敍述統計是不足以應付大預測量解雇的功能然而要做大量解僱預

測從前面企業經營策略以及我們所看到幾個案例的表現特貭我們想做

如下的規劃為了方便讀者進入大資料的資料情境中我們嘗試用一個對比

式的大資料資料庫結構來規劃我們大量解僱的大資料資料庫

我們看到下面一個大數據 (Big Data)資料庫這是一個電子商務專家

在建構他們大數據資料庫時候的一個結構圖其實這圖面當中所顯示出來各

個資料有些是隨想的有些則是研究蒐集的結果在各個專家發表他們對

於這一個領域(電子商務)所必須涵蓋的內容可能可以得到的資訊以及一

些應注意的事項之後將各個意見及各個可能的資料通通放進來剛開始

這個畫面是沒有結構化的所以大家可以看到裡面被框框出許多不同色塊的

框框其實這些色塊框框還是在整理之後才歸納在一起剛開始隨想時根

本沒有辦法畫出這麼漂亮的框框而且還會隨著時間遞移框框及歸類還會

有變化會長大也會因項目被剃除出去而變小框框有重疊在一起的也有

沒有重疊的有歸納後因分類而分別分開的也有歸納分類之後因聚類而團

聚在一起的有具體的被標示它的意義在旁邊的還有一些重點項目(如

MarkLogicVersantMacObjectProgressObjectivity)做橫向列的歸

類的(它沒有框框)不懂的人在看這一個規劃圖的時候完全不解其意但

是就專家而言卻能夠在這個圖當中作出不同的解讀也可以滿足不同的需

要而圖中所顯現的關聯性(資料及工具)卻與傳統的計量經濟構思方式完全

不同

28

資料來源 Matthew Aslett The 451 GroupUpdated database landscape graphic Nov 2 2012 一 大量解雇大數據資料規劃塗鴉版

以下就以大量解僱的大數據分析隨想來試著模仿化出塗鴉板(sketch

board)

28

資料來源 Matthew Aslett The 451 GroupUpdated database landscape graphic Nov 2 2012 一 大量解雇大數據資料規劃塗鴉版

以下就以大量解僱的大數據分析隨想來試著模仿化出塗鴉板(sketch

board)

29

國內景氣領先指標 勞動部相關統計資料 美國聯準會（FED）之勞動市場情況指標（LMCI） 工研院產業情報

網

工會活動訊息

國發會領先指標

製造業平均每月工時

外銷訂單指數

海關出口值變動率

實貭貨幣發行數 M1B

貨幣供給 M1 變動

股價指數 or 股價指數變動率

總出口單價指數變動

躉售物價指數變動

製造業營業氣候測驗點

工業及服務業受雇員工淨進入率

臺北市房屋建築申請延面積

核發建築物建物執照面積

結匯順逆差

其他景氣對策信號

PMI 經理人採購指數

HRMI 人資經理人指數

消費者信心指數

勞動參與率

就業占總人口比例

就業狀態

部門別就業

職業別就業

臨時兼職工

非正式經濟就業

失業

青年失業

長期失業

季節性失業

非活動力

職能不相配

薪資和津貼

勞動生產力

工時

貧窮所得分配

其他可能指標

企業營餘（英）

新接訂單（英）

實貭新接訂單（美）

存貨變動（德）

投資財新接訂單（德）

長短期利差（德）

淨貿易交換條件（韓）

每週平均初次申請失業給付件數（美）

貨幣供給 M2（新）

求供倍數（韓）

商品物價指數（韓）

新設公司家數（新）

製造業最終財貨存量預期（新）

機器設備國內需求（韓）

失業率 U-6 失業率

經濟因素臨時兼職工作

失業保險給付

超過 27 周以上失業

就業占總人口比例

藍籌預測之失業

私部門非農業就業

暫時性協助就業服務

生產及非管理型就業總工時

生產及非管理型就業平均週薪

非就業至就業之工作流動

私部門總雇用率

ISM 製造業就業指數

失去工作人數

離職人數

私部門總離職率

Challenger-Gray-Christmas 公佈之工作削減

NFIB 之計畫增加就業百分比

NFIB 之並未立即刊登職缺廠商百分比

Thomson-Reuters密西根大學公佈預期可

提供工作

Conference Board 公佈之目前可提供工作

現況

Conference Board 公佈之預期可提供工作

勞動參與率

IC 產業 IC 封測產業 寬頻網路應用與產品 行動應用與終端 巨量資料與雲端運算 3C 與新興應用關鍵零組件 消費型顯示器及觸控零組件 利基型及新型顯示觸控應用 物聯網關鍵技術與應用 智慧安全與辨識技術 智慧家庭 電池應用市場與技術 電子產業供應鏈上游材料 電力元件應用 PV 與 LED 能源與環境 石化與新材料 特化與綠色化學 醫療器材 智慧醫療 健康照護與樂齡族群消費者研

究 生技醫藥保健營養品與化妝

保養品 新興醫療與醫用材料應用商機 精密機械與關鍵零組件 智慧製造自動化與機器人 高科技設備與先進製程 汽機車零組件 汽車電子 電動化車輛 中國大陸產經與科技政策脈動 區域產經

IC 元件與技術 IC 應用與市場

產業訊息

勞資爭議次數

勞資協商次數

工會組織率

罷工次數

集會抗爭次數及人數

用電量（區域別）

工業用電量（產業別）

各縣市勞工局通報

無薪休假人數

網路可供

訊息

可自我增

長訊息

政府統

計資料

即時領先

訊息

趨勢觀察

訊息

間斷訊息

企企業資訊

區區域資訊

總總體資訊

30

勞保局健保局相關資料 金融監督管理委員會證期局

失業給付

勞保提繳

健保提繳

健保逕調

上市上櫃興櫃及公開發行公司財務資訊

公開說明書

聘雇人數

董監持股

質押股數

即時重大訊息

類股趨勢

新聞媒體

今週刊

財訊

天下

遠見

PChome 股市

重大訊息

新聞（國際產業供應鏈）

Ｙahoo 理財

投資風向球

專家專欄

政策干預

協商

金融檢查

稅務稽核

網路信息

台灣就業通 BBS FB(關鍵字)

職訓詢問電話量

客服電話量及內容

31

二 大量解僱行為大數據資料蒐集應注意事項

檢討我們的資料庫內容資料多以總體內容來呈現大數據分析最主要

是要抓住行為模式及可能產生的資料以 Google 抓取 H1N1 感冒患病就診行

為資料過程為例Google 判斷感冒疫情的傳播行為是患病者不會立刻到診

所就醫而是在臉書上或者是網路群組中向朋友表明自己好像生病了而

這些表明的對話中有說自己發燒了或者咳嗽或者自己感覺倦怠或者是感覺

身體哪一部分是酸痛的而這一些描述的用詞恰可以彙集起來判斷是否

是感冒的徵兆於是 Google 就利用這些網路訊息數據（從文字転成編碼的

資料庫）來捕捉 H1N1 的流行盛行情形及傳染路徑由此案例可以歸納如下

預知預測是大數據最主要的功能行為模式則是蒐集資料（類型來源）的

依據而且資料的自我維護功能及網路運用都是必要的考量H1N1 的例子

中資料特點有一蒐集的文字轉碼資料是因為網路的普及而產生的新型態

資訊二資料取得的即時性

網路臉書是即時的反應資訊甚至在人們尙未就醫前就可以反映出傳染

情形三行為掌握的關鍵性人們透過臉書line 等通訊媒介是現代生

活中問後關懷的主要通道四資料取得的恒常性資料必須可比對在

問題發生的資料反映要能突顯與平常常態資料具明顯的區別性因此資料必

須是具有時間數列的恆常性五分析工具的有效性分析工具會因為資料

的型態而有不同的運用在 H1N1 感冒案例中分析者運用人口密度中相對

反映感冒徵狀的比例來捕捉異常性運用了電學中的突波概念即單位面積

內人口數相對反映感冒人數的基礎做出泛波漣漪效應來推測其傳遞的速度

從而達到預先偵測的目的

再舉休息一夏 - 我的遊樂地圖為例說明大數據資料蒐集的特性這個

旅遊網頁的大數據資料需要越廣大的會員加入才能有效所以必須吸引人加

入 所以廣告及相關的吸引人加入的誘因設計必須被呈現然而也因此產

生繁瑣的加入註冊使得其下載人數有了發展限制這是設計大數據分析資

料蒐集時不得不考慮的利弊得失

有時候對於資料的蒐集要別具用心Hadoop 是 Apache 軟體基金會所研

發的開放源碼並行運算編程工具和分散式檔案系統與 MapReduce 和 Google

檔案系統的概念類似這樣的 Hadoop 系統允許快速非精準的互動查詢和

數據管理例如 Google 查詢資料時它會隨著你键入的文字一個一個增

多實給予不同的群組選擇例如鍵入「天」它會出現天氣天氣預報天

天看片天天動態天空之城hellip關鍵字的搜索結果這些都代表關鍵字背後

的群組這是很好的囫圇吞棗未整理非結構化的複雜的數據的呈現方

式當數據集是巨大的為應付及時回應的時間太少來模擬它重組或以

32

其他方式將數據倉庫化這時 Hadoop 是最佳選擇以下為電子商務專家建

構大數據時對於傳統數據大倉庫與 Hadoop 兩類資料的註記

Source Dr Amr Awadallah and Dan Graham ldquoHadoop and the Data Warehouse When to Use

Whichrdquo co-published by Cloudera Inc and Teradata Corporation HBase

Google 回應鍵入「天」查詢之後回應的畫面如下

Google 對於「天」這個關鍵字的 Hadoop 資料庫撈出來的回應資訊如上

圖以此顯示未整哩非結構化的複雜數據的大數據分析結果的舉例

大資料在解讀的時候最好能夠用視覺導向來呈現根據亞伯丁顧問

（Aberdeen group）團隊的研究使用視覺工具來呈現結果的可以讓 48的

企業經理人能夠發現他們所要的資訊不用視覺化的工具來呈現結果那麼就

只有 23的經理人能夠理解如此一個視覺化的資料分析的結果可以讓資

料的使用發生緊密的互動關係視覺化的結果也讓更多的有趣的問題更多

洞察機先的看法能夠被提出來別忘了大數據分析目的是在發現問題能

夠更深入的探討問題大數據不是讓少數專家所專利使用而是應該讓更多

的專家能夠在互動當中得到更深入的問題發掘與提出問題的看法所以大數

據分析要做下面兩件事一是改變資料所呈現的方式因為通常不同的資料

33

呈現方式會帶出不同的問題第二是改變解讀資料的方式因為不同觀點

可以適用相同問題而每個問題也會有不同的觀點所以大數據的分析專家

通常有這樣的一個迴圈思考方式即所謂視覺性的資料分析方法一取得

資料二觀察資料三問問題然後重複再取資料再觀察資料再問問題

每一次要更深入地去發掘去洞悉資料意義須知洞察力才是構成更深

入分析的原動力洞察力可以是向上挖掘可以是向下挖掘可以是向旁挖

覺也可以帶入新的資料研究者可以創造一個新的觀點當研究者視覺化

更快速而且產生更延伸的思考時就創造一個又一個新的觀點當團隊準備

好了就開始分享所有大數據分析專家同伴之間不斷的交互詢問與回答

問題就創造了整個團隊的洞察力並帶來豐富的成果

大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易

狀況氣候變遷甚至於是娛樂需求及網路登錄頻率等各項的錯綜複雜的資

料當中得到更快速的結論我們應該將所有的資料整合在一起然後去理解

人們為什麼會進入商店而且去購物大數據分析將相關聯的半結構式的

還有許多原生的（過去未曾探究的）資料混合在一起用最小的成本而不需

要太多的計量探討技術所得到的結論已經足敷使用況且原來的經濟計量

方法還不見得能夠產生更有效率的資料運用呢本研究所要探討的大量解

僱及時反應預測就是標準的需要應用大數據方能在最短時效內反應的分析

方法

34

第六章 大量解僱大數據分析之建置研究

一資料說明

因為過去並沒有針對大量解僱大數據進行資料蒐集現有的統計資料在

蒐集的解釋變數項目也多不一致（例如產業別地區別規模別）而且統

計期間也多不相同本計畫實施期間亦僅短短個把月因此僅就可能採用的

大數據分析模式做如下之模擬試範以其收到拋磚引玉之效根據勞動部網

路公佈之大量解僱概況統計資料共３４筆資料進行研究其使用研究方法為

資料探勘時間序列法簡單移動平均法複迴歸模式中心點移動平均法

以及結合資料探勘及時間序列法模式 做為試行工具資料樣本型式如下表所

示

102 年

1 月 2 月 3 月 4 月 5 月 6 月 7 月 8 月 9 月 10 月

大量解僱人數（人）

農林漁牧業 0 0 0 0 0 0 0 0 0 0

礦業及土石採取業 0 0 0 0 0 0 0 0 0 0

製造業 20 306 1071 100 442 376 258 577 209 153

電力及燃氣供應業 0 0 0 0 0 0 0 0 0 0

用水供應及污染整治業 0 0 0 0 0 0 0 0 0 19

營造業 0 0 0 0 0 0 14 0 0 0

批發及零售業 40 50 115 201 110 79 68 38 155 90

運輸及倉儲業 102 0 0 0 30 14 4 0 0 16

住宿及餐飲業 0 13 42 56 54 101 0 11 0 39

資訊及通訊傳播業 12 14 26 39 277 19 82 45 17 67

金融及保險業 20 0 370 0 0 13 41 0 0 0

不動產業 0 0 0 0 0 0 0 0 25 0

專業科學及技術服務業 0 0 0 10 9 0 32 0 0 26

支援服務業 0 58 0 16 25 0 0 0 0 0

公共行政及國防強制性社

會安全 0 0 0 0 0 0 0 0 0 0

教育服務業 0 0 0 0 0 23 15 0 12 0

醫療保健及社會工作服務業 0 0 0 0 57 0 0 65 43 0

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 0 0 0 0 0 0 0 0 15 0

協商減少工時人數 3636 2216 1457 1252 813 799 704 2240 1625 2037

求供倍數(新登記) 131 16 173 187 191 197 173 172 172 146

就業人數

（千人）

農林漁牧業(勞資爭議

件數以下紫色同) 8 4 5 10 9 6 7 6 6 4

礦業及土石採取業 3 0 0 1 1 1 3 3 0 5

35

製造業 417 262 465 384 379 374 382 379 381 367

電力及燃氣供應業 5 1 3 1 1 2 4 3 3 4

用水供應及污染整治業 9 7 18 11 14 8 13 5 13 22

營造業 144 110 145 142 135 122 189 138 107 115

批發及零售業 487 364 518 492 482 454 560 468 452 459

運輸及倉儲業 100 77 104 102 103 79 84 97 90 104

住宿及餐飲業 191 104 177 170 158 163 146 157 168 160

資訊及通訊傳播業 48 31 49 36 48 38 40 55 32 35

金融及保險業 42 23 31 43 30 32 43 37 31 47

不動產業 42 24 51 41 38 41 37 40 38 42

專業科學及技術服務業 79 48 70 76 79 85 90 65 69 71

支援服務業 214 125 204 204 191 161 216 176 167 192

公共行政及國防強制性社

會安全 11 6 8 10 10 8 5 6 14 9

教育服務業 53 32 54 43 47 53 74 75 50 61

醫療保健及社會工作服務業 74 66 66 69 73 70 75 50 62 67

藝術娛樂及休閒服務業 15 19 27 22 27 23 20 29 15 20

其他服務業 117 152 268 265 291 244 242 258 221 221

進口貿易值 25157 18798 24012 22744 21873 23181 22064 21038 22895 22594

出口貿易值 25671 19731 27213 25040 26298 26487 25301 25634 25243 26711

二資料探勘在大量解僱課題之應用簡示

(一) 時間序列法

時間序列模型包含以下幾種隨機漫步模型（random walk model )

自我迴歸模型（Autoregressive Model AR)移動平均模型（Moving

average Model MA)自我迴歸移動平均合成模型（ARMA Model)與自我

迴歸整合移動平均模型（ARIMA Model)等等本研究採用自我迴歸模型（AR

Model)

自我迴歸模型（AR Model)是時間序列模型之中最常見的基礎模型

自我迴歸模型是指自變數（毛）除了受到誤差項（st )的影響之外還受到

自變數本身的歷史資料（前一期前兩期 Xtmdash2 等等）影響在大量解僱

資料中自我迴歸的現象相當地普遍以製造業大量解僱人數為例這個月

與上個月的解僱人數通常有一定的遞移關係所以當我們想要預測這個月的

大量解僱人數時會考慮到上一個月解僱人數的高低單期的自我迴歸模型

36

Ｘt

= α ∙ Xtminus1 + ϵt Xt~AR(1)以大量解僱從１０２年１月到１０４年１０月

的時間序列資料來看

製造業的時間數列資料呈現如下圖的走勢

Input X3 (Analysis) Transformations none Model(100) MS Residual= 3470E2

Param Asympt Asympt p Lower Upper

p(1) 0650689 0136759 4757940 0000040 0372121 0929257

0500

10001500200025003000

製造業

37

Forecasts Model(100) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

Input X7 (Analysis) Transformations none Model(100) MS Residual= 20812

Param Asympt Asympt p Lower Upper

p(1) 0678514 0132938 5103995 0000015 0407728 0949299

0

100

200

300

400

500

批發及零售業

38

Forecasts Model(100) Seasonal lag 12Input X7

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

(二) 簡單移動平均法

簡單移動平均法是為了減少微小變動對資料之影響因此採用移動平

均法 的方法消除隨機誤差移動的期數越長則消除微小變動的能力越強

亦即資料的平滑性越佳但對資料的反應性則越弱反之移動期數越短

則消除微小變動的能力越弱亦即資料的平滑性越差但對資料的反應

性則越強

公式Ｆt＋1

＝Yt +Ytminus1+⋯+Ytminusn +1

n=

sum Yiti=(tminusn +1)

n大量解僱不但具有遞移效果

而且具有傳播感染的特質所以做適當的移動平均為適當本研究以 n=4 為

釋例

39

Forecasts Model(004) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

(三) 複迴歸 本研究嚐試以貿易進出口求供倍數及協商減少工時人數來作為解釋變

數對製造業及批發零售業的大量解僱行為（人數）做解釋複迴歸

yt = b1Mtminus2 + b2Xtminus1 + b3DSt + b4UMt

其中yt代表被解釋的行業之大量解僱人數

Mtminus2表示前兩期之進口值

Xtminus1表示前一期的進口值

DS代表勞動市場求供倍數

UMt協商減少工時人數

當然讀者會問為什麼有落遲２期也有落遲１期的差別主要是因為目前

蒐集的資料少很難精準的模擬到底落遲給期好或選出落遲期數究竟當有多

少期只是簡單表示這地方變化還很大解釋示範目的而以

Regression Summary for Dependent Variable x3 (Analysis) R= 45491961 R2= 20695185

Adjusted R2= 09365926 F(428)=18267 p

Beta StdErr B StdErr t(28) p-level

40

Intercept

3735484 1681534 222147 0034578

y1 -0339692 0234864 -0235 0162 -144633 0159186

y2 -0260158 0213710 -518505 425932 -121734 0233634

M -0340496 0333446 -0084 0082 -102114 0315930

X -0022930 0340520 -0006 0093 -006734 0946791

(四) 中心點移動平均法

此法是用來計算季節因子也就是將複迴歸所預測出來的值為了考慮

季節因素因此乘上當月之季節分子值而成為一個具有考慮季節因素之預

測值

季節指數公式＝Ｓt

= YtRt

= 實際值

全年平均值

然後將由迴歸預測出來的值乘上當月季節指數即為當月預測值在大

量解僱行為中製造業明顯有季節的波動表現

-500000

0000

500000

1000000

1500000

2000000

2500000

3000000

原數字 迴歸預測數

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

30

勞保局健保局相關資料 金融監督管理委員會證期局

失業給付

勞保提繳

健保提繳

健保逕調

上市上櫃興櫃及公開發行公司財務資訊

公開說明書

聘雇人數

董監持股

質押股數

即時重大訊息

類股趨勢

新聞媒體

今週刊

財訊

天下

遠見

PChome 股市

重大訊息

新聞（國際產業供應鏈）

Ｙahoo 理財

投資風向球

專家專欄

政策干預

協商

金融檢查

稅務稽核

網路信息

台灣就業通 BBS FB(關鍵字)

職訓詢問電話量

客服電話量及內容

31

二 大量解僱行為大數據資料蒐集應注意事項

檢討我們的資料庫內容資料多以總體內容來呈現大數據分析最主要

是要抓住行為模式及可能產生的資料以 Google 抓取 H1N1 感冒患病就診行

為資料過程為例Google 判斷感冒疫情的傳播行為是患病者不會立刻到診

所就醫而是在臉書上或者是網路群組中向朋友表明自己好像生病了而

這些表明的對話中有說自己發燒了或者咳嗽或者自己感覺倦怠或者是感覺

身體哪一部分是酸痛的而這一些描述的用詞恰可以彙集起來判斷是否

是感冒的徵兆於是 Google 就利用這些網路訊息數據（從文字転成編碼的

資料庫）來捕捉 H1N1 的流行盛行情形及傳染路徑由此案例可以歸納如下

預知預測是大數據最主要的功能行為模式則是蒐集資料（類型來源）的

依據而且資料的自我維護功能及網路運用都是必要的考量H1N1 的例子

中資料特點有一蒐集的文字轉碼資料是因為網路的普及而產生的新型態

資訊二資料取得的即時性

網路臉書是即時的反應資訊甚至在人們尙未就醫前就可以反映出傳染

情形三行為掌握的關鍵性人們透過臉書line 等通訊媒介是現代生

活中問後關懷的主要通道四資料取得的恒常性資料必須可比對在

問題發生的資料反映要能突顯與平常常態資料具明顯的區別性因此資料必

須是具有時間數列的恆常性五分析工具的有效性分析工具會因為資料

的型態而有不同的運用在 H1N1 感冒案例中分析者運用人口密度中相對

反映感冒徵狀的比例來捕捉異常性運用了電學中的突波概念即單位面積

內人口數相對反映感冒人數的基礎做出泛波漣漪效應來推測其傳遞的速度

從而達到預先偵測的目的

再舉休息一夏 - 我的遊樂地圖為例說明大數據資料蒐集的特性這個

旅遊網頁的大數據資料需要越廣大的會員加入才能有效所以必須吸引人加

入 所以廣告及相關的吸引人加入的誘因設計必須被呈現然而也因此產

生繁瑣的加入註冊使得其下載人數有了發展限制這是設計大數據分析資

料蒐集時不得不考慮的利弊得失

有時候對於資料的蒐集要別具用心Hadoop 是 Apache 軟體基金會所研

發的開放源碼並行運算編程工具和分散式檔案系統與 MapReduce 和 Google

檔案系統的概念類似這樣的 Hadoop 系統允許快速非精準的互動查詢和

數據管理例如 Google 查詢資料時它會隨著你键入的文字一個一個增

多實給予不同的群組選擇例如鍵入「天」它會出現天氣天氣預報天

天看片天天動態天空之城hellip關鍵字的搜索結果這些都代表關鍵字背後

的群組這是很好的囫圇吞棗未整理非結構化的複雜的數據的呈現方

式當數據集是巨大的為應付及時回應的時間太少來模擬它重組或以

32

其他方式將數據倉庫化這時 Hadoop 是最佳選擇以下為電子商務專家建

構大數據時對於傳統數據大倉庫與 Hadoop 兩類資料的註記

Source Dr Amr Awadallah and Dan Graham ldquoHadoop and the Data Warehouse When to Use

Whichrdquo co-published by Cloudera Inc and Teradata Corporation HBase

Google 回應鍵入「天」查詢之後回應的畫面如下

Google 對於「天」這個關鍵字的 Hadoop 資料庫撈出來的回應資訊如上

圖以此顯示未整哩非結構化的複雜數據的大數據分析結果的舉例

大資料在解讀的時候最好能夠用視覺導向來呈現根據亞伯丁顧問

（Aberdeen group）團隊的研究使用視覺工具來呈現結果的可以讓 48的

企業經理人能夠發現他們所要的資訊不用視覺化的工具來呈現結果那麼就

只有 23的經理人能夠理解如此一個視覺化的資料分析的結果可以讓資

料的使用發生緊密的互動關係視覺化的結果也讓更多的有趣的問題更多

洞察機先的看法能夠被提出來別忘了大數據分析目的是在發現問題能

夠更深入的探討問題大數據不是讓少數專家所專利使用而是應該讓更多

的專家能夠在互動當中得到更深入的問題發掘與提出問題的看法所以大數

據分析要做下面兩件事一是改變資料所呈現的方式因為通常不同的資料

33

呈現方式會帶出不同的問題第二是改變解讀資料的方式因為不同觀點

可以適用相同問題而每個問題也會有不同的觀點所以大數據的分析專家

通常有這樣的一個迴圈思考方式即所謂視覺性的資料分析方法一取得

資料二觀察資料三問問題然後重複再取資料再觀察資料再問問題

每一次要更深入地去發掘去洞悉資料意義須知洞察力才是構成更深

入分析的原動力洞察力可以是向上挖掘可以是向下挖掘可以是向旁挖

覺也可以帶入新的資料研究者可以創造一個新的觀點當研究者視覺化

更快速而且產生更延伸的思考時就創造一個又一個新的觀點當團隊準備

好了就開始分享所有大數據分析專家同伴之間不斷的交互詢問與回答

問題就創造了整個團隊的洞察力並帶來豐富的成果

大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易

狀況氣候變遷甚至於是娛樂需求及網路登錄頻率等各項的錯綜複雜的資

料當中得到更快速的結論我們應該將所有的資料整合在一起然後去理解

人們為什麼會進入商店而且去購物大數據分析將相關聯的半結構式的

還有許多原生的（過去未曾探究的）資料混合在一起用最小的成本而不需

要太多的計量探討技術所得到的結論已經足敷使用況且原來的經濟計量

方法還不見得能夠產生更有效率的資料運用呢本研究所要探討的大量解

僱及時反應預測就是標準的需要應用大數據方能在最短時效內反應的分析

方法

34

第六章 大量解僱大數據分析之建置研究

一資料說明

因為過去並沒有針對大量解僱大數據進行資料蒐集現有的統計資料在

蒐集的解釋變數項目也多不一致（例如產業別地區別規模別）而且統

計期間也多不相同本計畫實施期間亦僅短短個把月因此僅就可能採用的

大數據分析模式做如下之模擬試範以其收到拋磚引玉之效根據勞動部網

路公佈之大量解僱概況統計資料共３４筆資料進行研究其使用研究方法為

資料探勘時間序列法簡單移動平均法複迴歸模式中心點移動平均法

以及結合資料探勘及時間序列法模式 做為試行工具資料樣本型式如下表所

示

102 年

1 月 2 月 3 月 4 月 5 月 6 月 7 月 8 月 9 月 10 月

大量解僱人數（人）

農林漁牧業 0 0 0 0 0 0 0 0 0 0

礦業及土石採取業 0 0 0 0 0 0 0 0 0 0

製造業 20 306 1071 100 442 376 258 577 209 153

電力及燃氣供應業 0 0 0 0 0 0 0 0 0 0

用水供應及污染整治業 0 0 0 0 0 0 0 0 0 19

營造業 0 0 0 0 0 0 14 0 0 0

批發及零售業 40 50 115 201 110 79 68 38 155 90

運輸及倉儲業 102 0 0 0 30 14 4 0 0 16

住宿及餐飲業 0 13 42 56 54 101 0 11 0 39

資訊及通訊傳播業 12 14 26 39 277 19 82 45 17 67

金融及保險業 20 0 370 0 0 13 41 0 0 0

不動產業 0 0 0 0 0 0 0 0 25 0

專業科學及技術服務業 0 0 0 10 9 0 32 0 0 26

支援服務業 0 58 0 16 25 0 0 0 0 0

公共行政及國防強制性社

會安全 0 0 0 0 0 0 0 0 0 0

教育服務業 0 0 0 0 0 23 15 0 12 0

醫療保健及社會工作服務業 0 0 0 0 57 0 0 65 43 0

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 0 0 0 0 0 0 0 0 15 0

協商減少工時人數 3636 2216 1457 1252 813 799 704 2240 1625 2037

求供倍數(新登記) 131 16 173 187 191 197 173 172 172 146

就業人數

（千人）

農林漁牧業(勞資爭議

件數以下紫色同) 8 4 5 10 9 6 7 6 6 4

礦業及土石採取業 3 0 0 1 1 1 3 3 0 5

35

製造業 417 262 465 384 379 374 382 379 381 367

電力及燃氣供應業 5 1 3 1 1 2 4 3 3 4

用水供應及污染整治業 9 7 18 11 14 8 13 5 13 22

營造業 144 110 145 142 135 122 189 138 107 115

批發及零售業 487 364 518 492 482 454 560 468 452 459

運輸及倉儲業 100 77 104 102 103 79 84 97 90 104

住宿及餐飲業 191 104 177 170 158 163 146 157 168 160

資訊及通訊傳播業 48 31 49 36 48 38 40 55 32 35

金融及保險業 42 23 31 43 30 32 43 37 31 47

不動產業 42 24 51 41 38 41 37 40 38 42

專業科學及技術服務業 79 48 70 76 79 85 90 65 69 71

支援服務業 214 125 204 204 191 161 216 176 167 192

公共行政及國防強制性社

會安全 11 6 8 10 10 8 5 6 14 9

教育服務業 53 32 54 43 47 53 74 75 50 61

醫療保健及社會工作服務業 74 66 66 69 73 70 75 50 62 67

藝術娛樂及休閒服務業 15 19 27 22 27 23 20 29 15 20

其他服務業 117 152 268 265 291 244 242 258 221 221

進口貿易值 25157 18798 24012 22744 21873 23181 22064 21038 22895 22594

出口貿易值 25671 19731 27213 25040 26298 26487 25301 25634 25243 26711

二資料探勘在大量解僱課題之應用簡示

(一) 時間序列法

時間序列模型包含以下幾種隨機漫步模型（random walk model )

自我迴歸模型（Autoregressive Model AR)移動平均模型（Moving

average Model MA)自我迴歸移動平均合成模型（ARMA Model)與自我

迴歸整合移動平均模型（ARIMA Model)等等本研究採用自我迴歸模型（AR

Model)

自我迴歸模型（AR Model)是時間序列模型之中最常見的基礎模型

自我迴歸模型是指自變數（毛）除了受到誤差項（st )的影響之外還受到

自變數本身的歷史資料（前一期前兩期 Xtmdash2 等等）影響在大量解僱

資料中自我迴歸的現象相當地普遍以製造業大量解僱人數為例這個月

與上個月的解僱人數通常有一定的遞移關係所以當我們想要預測這個月的

大量解僱人數時會考慮到上一個月解僱人數的高低單期的自我迴歸模型

36

Ｘt

= α ∙ Xtminus1 + ϵt Xt~AR(1)以大量解僱從１０２年１月到１０４年１０月

的時間序列資料來看

製造業的時間數列資料呈現如下圖的走勢

Input X3 (Analysis) Transformations none Model(100) MS Residual= 3470E2

Param Asympt Asympt p Lower Upper

p(1) 0650689 0136759 4757940 0000040 0372121 0929257

0500

10001500200025003000

製造業

37

Forecasts Model(100) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

Input X7 (Analysis) Transformations none Model(100) MS Residual= 20812

Param Asympt Asympt p Lower Upper

p(1) 0678514 0132938 5103995 0000015 0407728 0949299

0

100

200

300

400

500

批發及零售業

38

Forecasts Model(100) Seasonal lag 12Input X7

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

(二) 簡單移動平均法

簡單移動平均法是為了減少微小變動對資料之影響因此採用移動平

均法 的方法消除隨機誤差移動的期數越長則消除微小變動的能力越強

亦即資料的平滑性越佳但對資料的反應性則越弱反之移動期數越短

則消除微小變動的能力越弱亦即資料的平滑性越差但對資料的反應

性則越強

公式Ｆt＋1

＝Yt +Ytminus1+⋯+Ytminusn +1

n=

sum Yiti=(tminusn +1)

n大量解僱不但具有遞移效果

而且具有傳播感染的特質所以做適當的移動平均為適當本研究以 n=4 為

釋例

39

Forecasts Model(004) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

(三) 複迴歸 本研究嚐試以貿易進出口求供倍數及協商減少工時人數來作為解釋變

數對製造業及批發零售業的大量解僱行為（人數）做解釋複迴歸

yt = b1Mtminus2 + b2Xtminus1 + b3DSt + b4UMt

其中yt代表被解釋的行業之大量解僱人數

Mtminus2表示前兩期之進口值

Xtminus1表示前一期的進口值

DS代表勞動市場求供倍數

UMt協商減少工時人數

當然讀者會問為什麼有落遲２期也有落遲１期的差別主要是因為目前

蒐集的資料少很難精準的模擬到底落遲給期好或選出落遲期數究竟當有多

少期只是簡單表示這地方變化還很大解釋示範目的而以

Regression Summary for Dependent Variable x3 (Analysis) R= 45491961 R2= 20695185

Adjusted R2= 09365926 F(428)=18267 p

Beta StdErr B StdErr t(28) p-level

40

Intercept

3735484 1681534 222147 0034578

y1 -0339692 0234864 -0235 0162 -144633 0159186

y2 -0260158 0213710 -518505 425932 -121734 0233634

M -0340496 0333446 -0084 0082 -102114 0315930

X -0022930 0340520 -0006 0093 -006734 0946791

(四) 中心點移動平均法

此法是用來計算季節因子也就是將複迴歸所預測出來的值為了考慮

季節因素因此乘上當月之季節分子值而成為一個具有考慮季節因素之預

測值

季節指數公式＝Ｓt

= YtRt

= 實際值

全年平均值

然後將由迴歸預測出來的值乘上當月季節指數即為當月預測值在大

量解僱行為中製造業明顯有季節的波動表現

-500000

0000

500000

1000000

1500000

2000000

2500000

3000000

原數字 迴歸預測數

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

31

二 大量解僱行為大數據資料蒐集應注意事項

檢討我們的資料庫內容資料多以總體內容來呈現大數據分析最主要

是要抓住行為模式及可能產生的資料以 Google 抓取 H1N1 感冒患病就診行

為資料過程為例Google 判斷感冒疫情的傳播行為是患病者不會立刻到診

所就醫而是在臉書上或者是網路群組中向朋友表明自己好像生病了而

這些表明的對話中有說自己發燒了或者咳嗽或者自己感覺倦怠或者是感覺

身體哪一部分是酸痛的而這一些描述的用詞恰可以彙集起來判斷是否

是感冒的徵兆於是 Google 就利用這些網路訊息數據（從文字転成編碼的

資料庫）來捕捉 H1N1 的流行盛行情形及傳染路徑由此案例可以歸納如下

預知預測是大數據最主要的功能行為模式則是蒐集資料（類型來源）的

依據而且資料的自我維護功能及網路運用都是必要的考量H1N1 的例子

中資料特點有一蒐集的文字轉碼資料是因為網路的普及而產生的新型態

資訊二資料取得的即時性

網路臉書是即時的反應資訊甚至在人們尙未就醫前就可以反映出傳染

情形三行為掌握的關鍵性人們透過臉書line 等通訊媒介是現代生

活中問後關懷的主要通道四資料取得的恒常性資料必須可比對在

問題發生的資料反映要能突顯與平常常態資料具明顯的區別性因此資料必

須是具有時間數列的恆常性五分析工具的有效性分析工具會因為資料

的型態而有不同的運用在 H1N1 感冒案例中分析者運用人口密度中相對

反映感冒徵狀的比例來捕捉異常性運用了電學中的突波概念即單位面積

內人口數相對反映感冒人數的基礎做出泛波漣漪效應來推測其傳遞的速度

從而達到預先偵測的目的

再舉休息一夏 - 我的遊樂地圖為例說明大數據資料蒐集的特性這個

旅遊網頁的大數據資料需要越廣大的會員加入才能有效所以必須吸引人加

入 所以廣告及相關的吸引人加入的誘因設計必須被呈現然而也因此產

生繁瑣的加入註冊使得其下載人數有了發展限制這是設計大數據分析資

料蒐集時不得不考慮的利弊得失

有時候對於資料的蒐集要別具用心Hadoop 是 Apache 軟體基金會所研

發的開放源碼並行運算編程工具和分散式檔案系統與 MapReduce 和 Google

檔案系統的概念類似這樣的 Hadoop 系統允許快速非精準的互動查詢和

數據管理例如 Google 查詢資料時它會隨著你键入的文字一個一個增

多實給予不同的群組選擇例如鍵入「天」它會出現天氣天氣預報天

天看片天天動態天空之城hellip關鍵字的搜索結果這些都代表關鍵字背後

的群組這是很好的囫圇吞棗未整理非結構化的複雜的數據的呈現方

式當數據集是巨大的為應付及時回應的時間太少來模擬它重組或以

32

其他方式將數據倉庫化這時 Hadoop 是最佳選擇以下為電子商務專家建

構大數據時對於傳統數據大倉庫與 Hadoop 兩類資料的註記

Source Dr Amr Awadallah and Dan Graham ldquoHadoop and the Data Warehouse When to Use

Whichrdquo co-published by Cloudera Inc and Teradata Corporation HBase

Google 回應鍵入「天」查詢之後回應的畫面如下

Google 對於「天」這個關鍵字的 Hadoop 資料庫撈出來的回應資訊如上

圖以此顯示未整哩非結構化的複雜數據的大數據分析結果的舉例

大資料在解讀的時候最好能夠用視覺導向來呈現根據亞伯丁顧問

（Aberdeen group）團隊的研究使用視覺工具來呈現結果的可以讓 48的

企業經理人能夠發現他們所要的資訊不用視覺化的工具來呈現結果那麼就

只有 23的經理人能夠理解如此一個視覺化的資料分析的結果可以讓資

料的使用發生緊密的互動關係視覺化的結果也讓更多的有趣的問題更多

洞察機先的看法能夠被提出來別忘了大數據分析目的是在發現問題能

夠更深入的探討問題大數據不是讓少數專家所專利使用而是應該讓更多

的專家能夠在互動當中得到更深入的問題發掘與提出問題的看法所以大數

據分析要做下面兩件事一是改變資料所呈現的方式因為通常不同的資料

33

呈現方式會帶出不同的問題第二是改變解讀資料的方式因為不同觀點

可以適用相同問題而每個問題也會有不同的觀點所以大數據的分析專家

通常有這樣的一個迴圈思考方式即所謂視覺性的資料分析方法一取得

資料二觀察資料三問問題然後重複再取資料再觀察資料再問問題

每一次要更深入地去發掘去洞悉資料意義須知洞察力才是構成更深

入分析的原動力洞察力可以是向上挖掘可以是向下挖掘可以是向旁挖

覺也可以帶入新的資料研究者可以創造一個新的觀點當研究者視覺化

更快速而且產生更延伸的思考時就創造一個又一個新的觀點當團隊準備

好了就開始分享所有大數據分析專家同伴之間不斷的交互詢問與回答

問題就創造了整個團隊的洞察力並帶來豐富的成果

大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易

狀況氣候變遷甚至於是娛樂需求及網路登錄頻率等各項的錯綜複雜的資

料當中得到更快速的結論我們應該將所有的資料整合在一起然後去理解

人們為什麼會進入商店而且去購物大數據分析將相關聯的半結構式的

還有許多原生的（過去未曾探究的）資料混合在一起用最小的成本而不需

要太多的計量探討技術所得到的結論已經足敷使用況且原來的經濟計量

方法還不見得能夠產生更有效率的資料運用呢本研究所要探討的大量解

僱及時反應預測就是標準的需要應用大數據方能在最短時效內反應的分析

方法

34

第六章 大量解僱大數據分析之建置研究

一資料說明

因為過去並沒有針對大量解僱大數據進行資料蒐集現有的統計資料在

蒐集的解釋變數項目也多不一致（例如產業別地區別規模別）而且統

計期間也多不相同本計畫實施期間亦僅短短個把月因此僅就可能採用的

大數據分析模式做如下之模擬試範以其收到拋磚引玉之效根據勞動部網

路公佈之大量解僱概況統計資料共３４筆資料進行研究其使用研究方法為

資料探勘時間序列法簡單移動平均法複迴歸模式中心點移動平均法

以及結合資料探勘及時間序列法模式 做為試行工具資料樣本型式如下表所

示

102 年

1 月 2 月 3 月 4 月 5 月 6 月 7 月 8 月 9 月 10 月

大量解僱人數（人）

農林漁牧業 0 0 0 0 0 0 0 0 0 0

礦業及土石採取業 0 0 0 0 0 0 0 0 0 0

製造業 20 306 1071 100 442 376 258 577 209 153

電力及燃氣供應業 0 0 0 0 0 0 0 0 0 0

用水供應及污染整治業 0 0 0 0 0 0 0 0 0 19

營造業 0 0 0 0 0 0 14 0 0 0

批發及零售業 40 50 115 201 110 79 68 38 155 90

運輸及倉儲業 102 0 0 0 30 14 4 0 0 16

住宿及餐飲業 0 13 42 56 54 101 0 11 0 39

資訊及通訊傳播業 12 14 26 39 277 19 82 45 17 67

金融及保險業 20 0 370 0 0 13 41 0 0 0

不動產業 0 0 0 0 0 0 0 0 25 0

專業科學及技術服務業 0 0 0 10 9 0 32 0 0 26

支援服務業 0 58 0 16 25 0 0 0 0 0

公共行政及國防強制性社

會安全 0 0 0 0 0 0 0 0 0 0

教育服務業 0 0 0 0 0 23 15 0 12 0

醫療保健及社會工作服務業 0 0 0 0 57 0 0 65 43 0

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 0 0 0 0 0 0 0 0 15 0

協商減少工時人數 3636 2216 1457 1252 813 799 704 2240 1625 2037

求供倍數(新登記) 131 16 173 187 191 197 173 172 172 146

就業人數

（千人）

農林漁牧業(勞資爭議

件數以下紫色同) 8 4 5 10 9 6 7 6 6 4

礦業及土石採取業 3 0 0 1 1 1 3 3 0 5

35

製造業 417 262 465 384 379 374 382 379 381 367

電力及燃氣供應業 5 1 3 1 1 2 4 3 3 4

用水供應及污染整治業 9 7 18 11 14 8 13 5 13 22

營造業 144 110 145 142 135 122 189 138 107 115

批發及零售業 487 364 518 492 482 454 560 468 452 459

運輸及倉儲業 100 77 104 102 103 79 84 97 90 104

住宿及餐飲業 191 104 177 170 158 163 146 157 168 160

資訊及通訊傳播業 48 31 49 36 48 38 40 55 32 35

金融及保險業 42 23 31 43 30 32 43 37 31 47

不動產業 42 24 51 41 38 41 37 40 38 42

專業科學及技術服務業 79 48 70 76 79 85 90 65 69 71

支援服務業 214 125 204 204 191 161 216 176 167 192

公共行政及國防強制性社

會安全 11 6 8 10 10 8 5 6 14 9

教育服務業 53 32 54 43 47 53 74 75 50 61

醫療保健及社會工作服務業 74 66 66 69 73 70 75 50 62 67

藝術娛樂及休閒服務業 15 19 27 22 27 23 20 29 15 20

其他服務業 117 152 268 265 291 244 242 258 221 221

進口貿易值 25157 18798 24012 22744 21873 23181 22064 21038 22895 22594

出口貿易值 25671 19731 27213 25040 26298 26487 25301 25634 25243 26711

二資料探勘在大量解僱課題之應用簡示

(一) 時間序列法

時間序列模型包含以下幾種隨機漫步模型（random walk model )

自我迴歸模型（Autoregressive Model AR)移動平均模型（Moving

average Model MA)自我迴歸移動平均合成模型（ARMA Model)與自我

迴歸整合移動平均模型（ARIMA Model)等等本研究採用自我迴歸模型（AR

Model)

自我迴歸模型（AR Model)是時間序列模型之中最常見的基礎模型

自我迴歸模型是指自變數（毛）除了受到誤差項（st )的影響之外還受到

自變數本身的歷史資料（前一期前兩期 Xtmdash2 等等）影響在大量解僱

資料中自我迴歸的現象相當地普遍以製造業大量解僱人數為例這個月

與上個月的解僱人數通常有一定的遞移關係所以當我們想要預測這個月的

大量解僱人數時會考慮到上一個月解僱人數的高低單期的自我迴歸模型

36

Ｘt

= α ∙ Xtminus1 + ϵt Xt~AR(1)以大量解僱從１０２年１月到１０４年１０月

的時間序列資料來看

製造業的時間數列資料呈現如下圖的走勢

Input X3 (Analysis) Transformations none Model(100) MS Residual= 3470E2

Param Asympt Asympt p Lower Upper

p(1) 0650689 0136759 4757940 0000040 0372121 0929257

0500

10001500200025003000

製造業

37

Forecasts Model(100) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

Input X7 (Analysis) Transformations none Model(100) MS Residual= 20812

Param Asympt Asympt p Lower Upper

p(1) 0678514 0132938 5103995 0000015 0407728 0949299

0

100

200

300

400

500

批發及零售業

38

Forecasts Model(100) Seasonal lag 12Input X7

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

(二) 簡單移動平均法

簡單移動平均法是為了減少微小變動對資料之影響因此採用移動平

均法 的方法消除隨機誤差移動的期數越長則消除微小變動的能力越強

亦即資料的平滑性越佳但對資料的反應性則越弱反之移動期數越短

則消除微小變動的能力越弱亦即資料的平滑性越差但對資料的反應

性則越強

公式Ｆt＋1

＝Yt +Ytminus1+⋯+Ytminusn +1

n=

sum Yiti=(tminusn +1)

n大量解僱不但具有遞移效果

而且具有傳播感染的特質所以做適當的移動平均為適當本研究以 n=4 為

釋例

39

Forecasts Model(004) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

(三) 複迴歸 本研究嚐試以貿易進出口求供倍數及協商減少工時人數來作為解釋變

數對製造業及批發零售業的大量解僱行為（人數）做解釋複迴歸

yt = b1Mtminus2 + b2Xtminus1 + b3DSt + b4UMt

其中yt代表被解釋的行業之大量解僱人數

Mtminus2表示前兩期之進口值

Xtminus1表示前一期的進口值

DS代表勞動市場求供倍數

UMt協商減少工時人數

當然讀者會問為什麼有落遲２期也有落遲１期的差別主要是因為目前

蒐集的資料少很難精準的模擬到底落遲給期好或選出落遲期數究竟當有多

少期只是簡單表示這地方變化還很大解釋示範目的而以

Regression Summary for Dependent Variable x3 (Analysis) R= 45491961 R2= 20695185

Adjusted R2= 09365926 F(428)=18267 p

Beta StdErr B StdErr t(28) p-level

40

Intercept

3735484 1681534 222147 0034578

y1 -0339692 0234864 -0235 0162 -144633 0159186

y2 -0260158 0213710 -518505 425932 -121734 0233634

M -0340496 0333446 -0084 0082 -102114 0315930

X -0022930 0340520 -0006 0093 -006734 0946791

(四) 中心點移動平均法

此法是用來計算季節因子也就是將複迴歸所預測出來的值為了考慮

季節因素因此乘上當月之季節分子值而成為一個具有考慮季節因素之預

測值

季節指數公式＝Ｓt

= YtRt

= 實際值

全年平均值

然後將由迴歸預測出來的值乘上當月季節指數即為當月預測值在大

量解僱行為中製造業明顯有季節的波動表現

-500000

0000

500000

1000000

1500000

2000000

2500000

3000000

原數字 迴歸預測數

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

32

其他方式將數據倉庫化這時 Hadoop 是最佳選擇以下為電子商務專家建

構大數據時對於傳統數據大倉庫與 Hadoop 兩類資料的註記

Source Dr Amr Awadallah and Dan Graham ldquoHadoop and the Data Warehouse When to Use

Whichrdquo co-published by Cloudera Inc and Teradata Corporation HBase

Google 回應鍵入「天」查詢之後回應的畫面如下

Google 對於「天」這個關鍵字的 Hadoop 資料庫撈出來的回應資訊如上

圖以此顯示未整哩非結構化的複雜數據的大數據分析結果的舉例

大資料在解讀的時候最好能夠用視覺導向來呈現根據亞伯丁顧問

（Aberdeen group）團隊的研究使用視覺工具來呈現結果的可以讓 48的

企業經理人能夠發現他們所要的資訊不用視覺化的工具來呈現結果那麼就

只有 23的經理人能夠理解如此一個視覺化的資料分析的結果可以讓資

料的使用發生緊密的互動關係視覺化的結果也讓更多的有趣的問題更多

洞察機先的看法能夠被提出來別忘了大數據分析目的是在發現問題能

夠更深入的探討問題大數據不是讓少數專家所專利使用而是應該讓更多

的專家能夠在互動當中得到更深入的問題發掘與提出問題的看法所以大數

據分析要做下面兩件事一是改變資料所呈現的方式因為通常不同的資料

33

呈現方式會帶出不同的問題第二是改變解讀資料的方式因為不同觀點

可以適用相同問題而每個問題也會有不同的觀點所以大數據的分析專家

通常有這樣的一個迴圈思考方式即所謂視覺性的資料分析方法一取得

資料二觀察資料三問問題然後重複再取資料再觀察資料再問問題

每一次要更深入地去發掘去洞悉資料意義須知洞察力才是構成更深

入分析的原動力洞察力可以是向上挖掘可以是向下挖掘可以是向旁挖

覺也可以帶入新的資料研究者可以創造一個新的觀點當研究者視覺化

更快速而且產生更延伸的思考時就創造一個又一個新的觀點當團隊準備

好了就開始分享所有大數據分析專家同伴之間不斷的交互詢問與回答

問題就創造了整個團隊的洞察力並帶來豐富的成果

大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易

狀況氣候變遷甚至於是娛樂需求及網路登錄頻率等各項的錯綜複雜的資

料當中得到更快速的結論我們應該將所有的資料整合在一起然後去理解

人們為什麼會進入商店而且去購物大數據分析將相關聯的半結構式的

還有許多原生的（過去未曾探究的）資料混合在一起用最小的成本而不需

要太多的計量探討技術所得到的結論已經足敷使用況且原來的經濟計量

方法還不見得能夠產生更有效率的資料運用呢本研究所要探討的大量解

僱及時反應預測就是標準的需要應用大數據方能在最短時效內反應的分析

方法

34

第六章 大量解僱大數據分析之建置研究

一資料說明

因為過去並沒有針對大量解僱大數據進行資料蒐集現有的統計資料在

蒐集的解釋變數項目也多不一致（例如產業別地區別規模別）而且統

計期間也多不相同本計畫實施期間亦僅短短個把月因此僅就可能採用的

大數據分析模式做如下之模擬試範以其收到拋磚引玉之效根據勞動部網

路公佈之大量解僱概況統計資料共３４筆資料進行研究其使用研究方法為

資料探勘時間序列法簡單移動平均法複迴歸模式中心點移動平均法

以及結合資料探勘及時間序列法模式 做為試行工具資料樣本型式如下表所

示

102 年

1 月 2 月 3 月 4 月 5 月 6 月 7 月 8 月 9 月 10 月

大量解僱人數（人）

農林漁牧業 0 0 0 0 0 0 0 0 0 0

礦業及土石採取業 0 0 0 0 0 0 0 0 0 0

製造業 20 306 1071 100 442 376 258 577 209 153

電力及燃氣供應業 0 0 0 0 0 0 0 0 0 0

用水供應及污染整治業 0 0 0 0 0 0 0 0 0 19

營造業 0 0 0 0 0 0 14 0 0 0

批發及零售業 40 50 115 201 110 79 68 38 155 90

運輸及倉儲業 102 0 0 0 30 14 4 0 0 16

住宿及餐飲業 0 13 42 56 54 101 0 11 0 39

資訊及通訊傳播業 12 14 26 39 277 19 82 45 17 67

金融及保險業 20 0 370 0 0 13 41 0 0 0

不動產業 0 0 0 0 0 0 0 0 25 0

專業科學及技術服務業 0 0 0 10 9 0 32 0 0 26

支援服務業 0 58 0 16 25 0 0 0 0 0

公共行政及國防強制性社

會安全 0 0 0 0 0 0 0 0 0 0

教育服務業 0 0 0 0 0 23 15 0 12 0

醫療保健及社會工作服務業 0 0 0 0 57 0 0 65 43 0

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 0 0 0 0 0 0 0 0 15 0

協商減少工時人數 3636 2216 1457 1252 813 799 704 2240 1625 2037

求供倍數(新登記) 131 16 173 187 191 197 173 172 172 146

就業人數

（千人）

農林漁牧業(勞資爭議

件數以下紫色同) 8 4 5 10 9 6 7 6 6 4

礦業及土石採取業 3 0 0 1 1 1 3 3 0 5

35

製造業 417 262 465 384 379 374 382 379 381 367

電力及燃氣供應業 5 1 3 1 1 2 4 3 3 4

用水供應及污染整治業 9 7 18 11 14 8 13 5 13 22

營造業 144 110 145 142 135 122 189 138 107 115

批發及零售業 487 364 518 492 482 454 560 468 452 459

運輸及倉儲業 100 77 104 102 103 79 84 97 90 104

住宿及餐飲業 191 104 177 170 158 163 146 157 168 160

資訊及通訊傳播業 48 31 49 36 48 38 40 55 32 35

金融及保險業 42 23 31 43 30 32 43 37 31 47

不動產業 42 24 51 41 38 41 37 40 38 42

專業科學及技術服務業 79 48 70 76 79 85 90 65 69 71

支援服務業 214 125 204 204 191 161 216 176 167 192

公共行政及國防強制性社

會安全 11 6 8 10 10 8 5 6 14 9

教育服務業 53 32 54 43 47 53 74 75 50 61

醫療保健及社會工作服務業 74 66 66 69 73 70 75 50 62 67

藝術娛樂及休閒服務業 15 19 27 22 27 23 20 29 15 20

其他服務業 117 152 268 265 291 244 242 258 221 221

進口貿易值 25157 18798 24012 22744 21873 23181 22064 21038 22895 22594

出口貿易值 25671 19731 27213 25040 26298 26487 25301 25634 25243 26711

二資料探勘在大量解僱課題之應用簡示

(一) 時間序列法

時間序列模型包含以下幾種隨機漫步模型（random walk model )

自我迴歸模型（Autoregressive Model AR)移動平均模型（Moving

average Model MA)自我迴歸移動平均合成模型（ARMA Model)與自我

迴歸整合移動平均模型（ARIMA Model)等等本研究採用自我迴歸模型（AR

Model)

自我迴歸模型（AR Model)是時間序列模型之中最常見的基礎模型

自我迴歸模型是指自變數（毛）除了受到誤差項（st )的影響之外還受到

自變數本身的歷史資料（前一期前兩期 Xtmdash2 等等）影響在大量解僱

資料中自我迴歸的現象相當地普遍以製造業大量解僱人數為例這個月

與上個月的解僱人數通常有一定的遞移關係所以當我們想要預測這個月的

大量解僱人數時會考慮到上一個月解僱人數的高低單期的自我迴歸模型

36

Ｘt

= α ∙ Xtminus1 + ϵt Xt~AR(1)以大量解僱從１０２年１月到１０４年１０月

的時間序列資料來看

製造業的時間數列資料呈現如下圖的走勢

Input X3 (Analysis) Transformations none Model(100) MS Residual= 3470E2

Param Asympt Asympt p Lower Upper

p(1) 0650689 0136759 4757940 0000040 0372121 0929257

0500

10001500200025003000

製造業

37

Forecasts Model(100) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

Input X7 (Analysis) Transformations none Model(100) MS Residual= 20812

Param Asympt Asympt p Lower Upper

p(1) 0678514 0132938 5103995 0000015 0407728 0949299

0

100

200

300

400

500

批發及零售業

38

Forecasts Model(100) Seasonal lag 12Input X7

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

(二) 簡單移動平均法

簡單移動平均法是為了減少微小變動對資料之影響因此採用移動平

均法 的方法消除隨機誤差移動的期數越長則消除微小變動的能力越強

亦即資料的平滑性越佳但對資料的反應性則越弱反之移動期數越短

則消除微小變動的能力越弱亦即資料的平滑性越差但對資料的反應

性則越強

公式Ｆt＋1

＝Yt +Ytminus1+⋯+Ytminusn +1

n=

sum Yiti=(tminusn +1)

n大量解僱不但具有遞移效果

而且具有傳播感染的特質所以做適當的移動平均為適當本研究以 n=4 為

釋例

39

Forecasts Model(004) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

(三) 複迴歸 本研究嚐試以貿易進出口求供倍數及協商減少工時人數來作為解釋變

數對製造業及批發零售業的大量解僱行為（人數）做解釋複迴歸

yt = b1Mtminus2 + b2Xtminus1 + b3DSt + b4UMt

其中yt代表被解釋的行業之大量解僱人數

Mtminus2表示前兩期之進口值

Xtminus1表示前一期的進口值

DS代表勞動市場求供倍數

UMt協商減少工時人數

當然讀者會問為什麼有落遲２期也有落遲１期的差別主要是因為目前

蒐集的資料少很難精準的模擬到底落遲給期好或選出落遲期數究竟當有多

少期只是簡單表示這地方變化還很大解釋示範目的而以

Regression Summary for Dependent Variable x3 (Analysis) R= 45491961 R2= 20695185

Adjusted R2= 09365926 F(428)=18267 p

Beta StdErr B StdErr t(28) p-level

40

Intercept

3735484 1681534 222147 0034578

y1 -0339692 0234864 -0235 0162 -144633 0159186

y2 -0260158 0213710 -518505 425932 -121734 0233634

M -0340496 0333446 -0084 0082 -102114 0315930

X -0022930 0340520 -0006 0093 -006734 0946791

(四) 中心點移動平均法

此法是用來計算季節因子也就是將複迴歸所預測出來的值為了考慮

季節因素因此乘上當月之季節分子值而成為一個具有考慮季節因素之預

測值

季節指數公式＝Ｓt

= YtRt

= 實際值

全年平均值

然後將由迴歸預測出來的值乘上當月季節指數即為當月預測值在大

量解僱行為中製造業明顯有季節的波動表現

-500000

0000

500000

1000000

1500000

2000000

2500000

3000000

原數字 迴歸預測數

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

33

呈現方式會帶出不同的問題第二是改變解讀資料的方式因為不同觀點

可以適用相同問題而每個問題也會有不同的觀點所以大數據的分析專家

通常有這樣的一個迴圈思考方式即所謂視覺性的資料分析方法一取得

資料二觀察資料三問問題然後重複再取資料再觀察資料再問問題

每一次要更深入地去發掘去洞悉資料意義須知洞察力才是構成更深

入分析的原動力洞察力可以是向上挖掘可以是向下挖掘可以是向旁挖

覺也可以帶入新的資料研究者可以創造一個新的觀點當研究者視覺化

更快速而且產生更延伸的思考時就創造一個又一個新的觀點當團隊準備

好了就開始分享所有大數據分析專家同伴之間不斷的交互詢問與回答

問題就創造了整個團隊的洞察力並帶來豐富的成果

大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易

狀況氣候變遷甚至於是娛樂需求及網路登錄頻率等各項的錯綜複雜的資

料當中得到更快速的結論我們應該將所有的資料整合在一起然後去理解

人們為什麼會進入商店而且去購物大數據分析將相關聯的半結構式的

還有許多原生的（過去未曾探究的）資料混合在一起用最小的成本而不需

要太多的計量探討技術所得到的結論已經足敷使用況且原來的經濟計量

方法還不見得能夠產生更有效率的資料運用呢本研究所要探討的大量解

僱及時反應預測就是標準的需要應用大數據方能在最短時效內反應的分析

方法

34

第六章 大量解僱大數據分析之建置研究

一資料說明

因為過去並沒有針對大量解僱大數據進行資料蒐集現有的統計資料在

蒐集的解釋變數項目也多不一致（例如產業別地區別規模別）而且統

計期間也多不相同本計畫實施期間亦僅短短個把月因此僅就可能採用的

大數據分析模式做如下之模擬試範以其收到拋磚引玉之效根據勞動部網

路公佈之大量解僱概況統計資料共３４筆資料進行研究其使用研究方法為

資料探勘時間序列法簡單移動平均法複迴歸模式中心點移動平均法

以及結合資料探勘及時間序列法模式 做為試行工具資料樣本型式如下表所

示

102 年

1 月 2 月 3 月 4 月 5 月 6 月 7 月 8 月 9 月 10 月

大量解僱人數（人）

農林漁牧業 0 0 0 0 0 0 0 0 0 0

礦業及土石採取業 0 0 0 0 0 0 0 0 0 0

製造業 20 306 1071 100 442 376 258 577 209 153

電力及燃氣供應業 0 0 0 0 0 0 0 0 0 0

用水供應及污染整治業 0 0 0 0 0 0 0 0 0 19

營造業 0 0 0 0 0 0 14 0 0 0

批發及零售業 40 50 115 201 110 79 68 38 155 90

運輸及倉儲業 102 0 0 0 30 14 4 0 0 16

住宿及餐飲業 0 13 42 56 54 101 0 11 0 39

資訊及通訊傳播業 12 14 26 39 277 19 82 45 17 67

金融及保險業 20 0 370 0 0 13 41 0 0 0

不動產業 0 0 0 0 0 0 0 0 25 0

專業科學及技術服務業 0 0 0 10 9 0 32 0 0 26

支援服務業 0 58 0 16 25 0 0 0 0 0

公共行政及國防強制性社

會安全 0 0 0 0 0 0 0 0 0 0

教育服務業 0 0 0 0 0 23 15 0 12 0

醫療保健及社會工作服務業 0 0 0 0 57 0 0 65 43 0

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 0 0 0 0 0 0 0 0 15 0

協商減少工時人數 3636 2216 1457 1252 813 799 704 2240 1625 2037

求供倍數(新登記) 131 16 173 187 191 197 173 172 172 146

就業人數

（千人）

農林漁牧業(勞資爭議

件數以下紫色同) 8 4 5 10 9 6 7 6 6 4

礦業及土石採取業 3 0 0 1 1 1 3 3 0 5

35

製造業 417 262 465 384 379 374 382 379 381 367

電力及燃氣供應業 5 1 3 1 1 2 4 3 3 4

用水供應及污染整治業 9 7 18 11 14 8 13 5 13 22

營造業 144 110 145 142 135 122 189 138 107 115

批發及零售業 487 364 518 492 482 454 560 468 452 459

運輸及倉儲業 100 77 104 102 103 79 84 97 90 104

住宿及餐飲業 191 104 177 170 158 163 146 157 168 160

資訊及通訊傳播業 48 31 49 36 48 38 40 55 32 35

金融及保險業 42 23 31 43 30 32 43 37 31 47

不動產業 42 24 51 41 38 41 37 40 38 42

專業科學及技術服務業 79 48 70 76 79 85 90 65 69 71

支援服務業 214 125 204 204 191 161 216 176 167 192

公共行政及國防強制性社

會安全 11 6 8 10 10 8 5 6 14 9

教育服務業 53 32 54 43 47 53 74 75 50 61

醫療保健及社會工作服務業 74 66 66 69 73 70 75 50 62 67

藝術娛樂及休閒服務業 15 19 27 22 27 23 20 29 15 20

其他服務業 117 152 268 265 291 244 242 258 221 221

進口貿易值 25157 18798 24012 22744 21873 23181 22064 21038 22895 22594

出口貿易值 25671 19731 27213 25040 26298 26487 25301 25634 25243 26711

二資料探勘在大量解僱課題之應用簡示

(一) 時間序列法

時間序列模型包含以下幾種隨機漫步模型（random walk model )

自我迴歸模型（Autoregressive Model AR)移動平均模型（Moving

average Model MA)自我迴歸移動平均合成模型（ARMA Model)與自我

迴歸整合移動平均模型（ARIMA Model)等等本研究採用自我迴歸模型（AR

Model)

自我迴歸模型（AR Model)是時間序列模型之中最常見的基礎模型

自我迴歸模型是指自變數（毛）除了受到誤差項（st )的影響之外還受到

自變數本身的歷史資料（前一期前兩期 Xtmdash2 等等）影響在大量解僱

資料中自我迴歸的現象相當地普遍以製造業大量解僱人數為例這個月

與上個月的解僱人數通常有一定的遞移關係所以當我們想要預測這個月的

大量解僱人數時會考慮到上一個月解僱人數的高低單期的自我迴歸模型

36

Ｘt

= α ∙ Xtminus1 + ϵt Xt~AR(1)以大量解僱從１０２年１月到１０４年１０月

的時間序列資料來看

製造業的時間數列資料呈現如下圖的走勢

Input X3 (Analysis) Transformations none Model(100) MS Residual= 3470E2

Param Asympt Asympt p Lower Upper

p(1) 0650689 0136759 4757940 0000040 0372121 0929257

0500

10001500200025003000

製造業

37

Forecasts Model(100) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

Input X7 (Analysis) Transformations none Model(100) MS Residual= 20812

Param Asympt Asympt p Lower Upper

p(1) 0678514 0132938 5103995 0000015 0407728 0949299

0

100

200

300

400

500

批發及零售業

38

Forecasts Model(100) Seasonal lag 12Input X7

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

(二) 簡單移動平均法

簡單移動平均法是為了減少微小變動對資料之影響因此採用移動平

均法 的方法消除隨機誤差移動的期數越長則消除微小變動的能力越強

亦即資料的平滑性越佳但對資料的反應性則越弱反之移動期數越短

則消除微小變動的能力越弱亦即資料的平滑性越差但對資料的反應

性則越強

公式Ｆt＋1

＝Yt +Ytminus1+⋯+Ytminusn +1

n=

sum Yiti=(tminusn +1)

n大量解僱不但具有遞移效果

而且具有傳播感染的特質所以做適當的移動平均為適當本研究以 n=4 為

釋例

39

Forecasts Model(004) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

(三) 複迴歸 本研究嚐試以貿易進出口求供倍數及協商減少工時人數來作為解釋變

數對製造業及批發零售業的大量解僱行為（人數）做解釋複迴歸

yt = b1Mtminus2 + b2Xtminus1 + b3DSt + b4UMt

其中yt代表被解釋的行業之大量解僱人數

Mtminus2表示前兩期之進口值

Xtminus1表示前一期的進口值

DS代表勞動市場求供倍數

UMt協商減少工時人數

當然讀者會問為什麼有落遲２期也有落遲１期的差別主要是因為目前

蒐集的資料少很難精準的模擬到底落遲給期好或選出落遲期數究竟當有多

少期只是簡單表示這地方變化還很大解釋示範目的而以

Regression Summary for Dependent Variable x3 (Analysis) R= 45491961 R2= 20695185

Adjusted R2= 09365926 F(428)=18267 p

Beta StdErr B StdErr t(28) p-level

40

Intercept

3735484 1681534 222147 0034578

y1 -0339692 0234864 -0235 0162 -144633 0159186

y2 -0260158 0213710 -518505 425932 -121734 0233634

M -0340496 0333446 -0084 0082 -102114 0315930

X -0022930 0340520 -0006 0093 -006734 0946791

(四) 中心點移動平均法

此法是用來計算季節因子也就是將複迴歸所預測出來的值為了考慮

季節因素因此乘上當月之季節分子值而成為一個具有考慮季節因素之預

測值

季節指數公式＝Ｓt

= YtRt

= 實際值

全年平均值

然後將由迴歸預測出來的值乘上當月季節指數即為當月預測值在大

量解僱行為中製造業明顯有季節的波動表現

-500000

0000

500000

1000000

1500000

2000000

2500000

3000000

原數字 迴歸預測數

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

34

第六章 大量解僱大數據分析之建置研究

一資料說明

因為過去並沒有針對大量解僱大數據進行資料蒐集現有的統計資料在

蒐集的解釋變數項目也多不一致（例如產業別地區別規模別）而且統

計期間也多不相同本計畫實施期間亦僅短短個把月因此僅就可能採用的

大數據分析模式做如下之模擬試範以其收到拋磚引玉之效根據勞動部網

路公佈之大量解僱概況統計資料共３４筆資料進行研究其使用研究方法為

資料探勘時間序列法簡單移動平均法複迴歸模式中心點移動平均法

以及結合資料探勘及時間序列法模式 做為試行工具資料樣本型式如下表所

示

102 年

1 月 2 月 3 月 4 月 5 月 6 月 7 月 8 月 9 月 10 月

大量解僱人數（人）

農林漁牧業 0 0 0 0 0 0 0 0 0 0

礦業及土石採取業 0 0 0 0 0 0 0 0 0 0

製造業 20 306 1071 100 442 376 258 577 209 153

電力及燃氣供應業 0 0 0 0 0 0 0 0 0 0

用水供應及污染整治業 0 0 0 0 0 0 0 0 0 19

營造業 0 0 0 0 0 0 14 0 0 0

批發及零售業 40 50 115 201 110 79 68 38 155 90

運輸及倉儲業 102 0 0 0 30 14 4 0 0 16

住宿及餐飲業 0 13 42 56 54 101 0 11 0 39

資訊及通訊傳播業 12 14 26 39 277 19 82 45 17 67

金融及保險業 20 0 370 0 0 13 41 0 0 0

不動產業 0 0 0 0 0 0 0 0 25 0

專業科學及技術服務業 0 0 0 10 9 0 32 0 0 26

支援服務業 0 58 0 16 25 0 0 0 0 0

公共行政及國防強制性社

會安全 0 0 0 0 0 0 0 0 0 0

教育服務業 0 0 0 0 0 23 15 0 12 0

醫療保健及社會工作服務業 0 0 0 0 57 0 0 65 43 0

藝術娛樂及休閒服務業 0 0 0 0 0 0 0 0 0 0

其他服務業 0 0 0 0 0 0 0 0 15 0

協商減少工時人數 3636 2216 1457 1252 813 799 704 2240 1625 2037

求供倍數(新登記) 131 16 173 187 191 197 173 172 172 146

就業人數

（千人）

農林漁牧業(勞資爭議

件數以下紫色同) 8 4 5 10 9 6 7 6 6 4

礦業及土石採取業 3 0 0 1 1 1 3 3 0 5

35

製造業 417 262 465 384 379 374 382 379 381 367

電力及燃氣供應業 5 1 3 1 1 2 4 3 3 4

用水供應及污染整治業 9 7 18 11 14 8 13 5 13 22

營造業 144 110 145 142 135 122 189 138 107 115

批發及零售業 487 364 518 492 482 454 560 468 452 459

運輸及倉儲業 100 77 104 102 103 79 84 97 90 104

住宿及餐飲業 191 104 177 170 158 163 146 157 168 160

資訊及通訊傳播業 48 31 49 36 48 38 40 55 32 35

金融及保險業 42 23 31 43 30 32 43 37 31 47

不動產業 42 24 51 41 38 41 37 40 38 42

專業科學及技術服務業 79 48 70 76 79 85 90 65 69 71

支援服務業 214 125 204 204 191 161 216 176 167 192

公共行政及國防強制性社

會安全 11 6 8 10 10 8 5 6 14 9

教育服務業 53 32 54 43 47 53 74 75 50 61

醫療保健及社會工作服務業 74 66 66 69 73 70 75 50 62 67

藝術娛樂及休閒服務業 15 19 27 22 27 23 20 29 15 20

其他服務業 117 152 268 265 291 244 242 258 221 221

進口貿易值 25157 18798 24012 22744 21873 23181 22064 21038 22895 22594

出口貿易值 25671 19731 27213 25040 26298 26487 25301 25634 25243 26711

二資料探勘在大量解僱課題之應用簡示

(一) 時間序列法

時間序列模型包含以下幾種隨機漫步模型（random walk model )

自我迴歸模型（Autoregressive Model AR)移動平均模型（Moving

average Model MA)自我迴歸移動平均合成模型（ARMA Model)與自我

迴歸整合移動平均模型（ARIMA Model)等等本研究採用自我迴歸模型（AR

Model)

自我迴歸模型（AR Model)是時間序列模型之中最常見的基礎模型

自我迴歸模型是指自變數（毛）除了受到誤差項（st )的影響之外還受到

自變數本身的歷史資料（前一期前兩期 Xtmdash2 等等）影響在大量解僱

資料中自我迴歸的現象相當地普遍以製造業大量解僱人數為例這個月

與上個月的解僱人數通常有一定的遞移關係所以當我們想要預測這個月的

大量解僱人數時會考慮到上一個月解僱人數的高低單期的自我迴歸模型

36

Ｘt

= α ∙ Xtminus1 + ϵt Xt~AR(1)以大量解僱從１０２年１月到１０４年１０月

的時間序列資料來看

製造業的時間數列資料呈現如下圖的走勢

Input X3 (Analysis) Transformations none Model(100) MS Residual= 3470E2

Param Asympt Asympt p Lower Upper

p(1) 0650689 0136759 4757940 0000040 0372121 0929257

0500

10001500200025003000

製造業

37

Forecasts Model(100) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

Input X7 (Analysis) Transformations none Model(100) MS Residual= 20812

Param Asympt Asympt p Lower Upper

p(1) 0678514 0132938 5103995 0000015 0407728 0949299

0

100

200

300

400

500

批發及零售業

38

Forecasts Model(100) Seasonal lag 12Input X7

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

(二) 簡單移動平均法

簡單移動平均法是為了減少微小變動對資料之影響因此採用移動平

均法 的方法消除隨機誤差移動的期數越長則消除微小變動的能力越強

亦即資料的平滑性越佳但對資料的反應性則越弱反之移動期數越短

則消除微小變動的能力越弱亦即資料的平滑性越差但對資料的反應

性則越強

公式Ｆt＋1

＝Yt +Ytminus1+⋯+Ytminusn +1

n=

sum Yiti=(tminusn +1)

n大量解僱不但具有遞移效果

而且具有傳播感染的特質所以做適當的移動平均為適當本研究以 n=4 為

釋例

39

Forecasts Model(004) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

(三) 複迴歸 本研究嚐試以貿易進出口求供倍數及協商減少工時人數來作為解釋變

數對製造業及批發零售業的大量解僱行為（人數）做解釋複迴歸

yt = b1Mtminus2 + b2Xtminus1 + b3DSt + b4UMt

其中yt代表被解釋的行業之大量解僱人數

Mtminus2表示前兩期之進口值

Xtminus1表示前一期的進口值

DS代表勞動市場求供倍數

UMt協商減少工時人數

當然讀者會問為什麼有落遲２期也有落遲１期的差別主要是因為目前

蒐集的資料少很難精準的模擬到底落遲給期好或選出落遲期數究竟當有多

少期只是簡單表示這地方變化還很大解釋示範目的而以

Regression Summary for Dependent Variable x3 (Analysis) R= 45491961 R2= 20695185

Adjusted R2= 09365926 F(428)=18267 p

Beta StdErr B StdErr t(28) p-level

40

Intercept

3735484 1681534 222147 0034578

y1 -0339692 0234864 -0235 0162 -144633 0159186

y2 -0260158 0213710 -518505 425932 -121734 0233634

M -0340496 0333446 -0084 0082 -102114 0315930

X -0022930 0340520 -0006 0093 -006734 0946791

(四) 中心點移動平均法

此法是用來計算季節因子也就是將複迴歸所預測出來的值為了考慮

季節因素因此乘上當月之季節分子值而成為一個具有考慮季節因素之預

測值

季節指數公式＝Ｓt

= YtRt

= 實際值

全年平均值

然後將由迴歸預測出來的值乘上當月季節指數即為當月預測值在大

量解僱行為中製造業明顯有季節的波動表現

-500000

0000

500000

1000000

1500000

2000000

2500000

3000000

原數字 迴歸預測數

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

35

製造業 417 262 465 384 379 374 382 379 381 367

電力及燃氣供應業 5 1 3 1 1 2 4 3 3 4

用水供應及污染整治業 9 7 18 11 14 8 13 5 13 22

營造業 144 110 145 142 135 122 189 138 107 115

批發及零售業 487 364 518 492 482 454 560 468 452 459

運輸及倉儲業 100 77 104 102 103 79 84 97 90 104

住宿及餐飲業 191 104 177 170 158 163 146 157 168 160

資訊及通訊傳播業 48 31 49 36 48 38 40 55 32 35

金融及保險業 42 23 31 43 30 32 43 37 31 47

不動產業 42 24 51 41 38 41 37 40 38 42

專業科學及技術服務業 79 48 70 76 79 85 90 65 69 71

支援服務業 214 125 204 204 191 161 216 176 167 192

公共行政及國防強制性社

會安全 11 6 8 10 10 8 5 6 14 9

教育服務業 53 32 54 43 47 53 74 75 50 61

醫療保健及社會工作服務業 74 66 66 69 73 70 75 50 62 67

藝術娛樂及休閒服務業 15 19 27 22 27 23 20 29 15 20

其他服務業 117 152 268 265 291 244 242 258 221 221

進口貿易值 25157 18798 24012 22744 21873 23181 22064 21038 22895 22594

出口貿易值 25671 19731 27213 25040 26298 26487 25301 25634 25243 26711

二資料探勘在大量解僱課題之應用簡示

(一) 時間序列法

時間序列模型包含以下幾種隨機漫步模型（random walk model )

自我迴歸模型（Autoregressive Model AR)移動平均模型（Moving

average Model MA)自我迴歸移動平均合成模型（ARMA Model)與自我

迴歸整合移動平均模型（ARIMA Model)等等本研究採用自我迴歸模型（AR

Model)

自我迴歸模型（AR Model)是時間序列模型之中最常見的基礎模型

自我迴歸模型是指自變數（毛）除了受到誤差項（st )的影響之外還受到

自變數本身的歷史資料（前一期前兩期 Xtmdash2 等等）影響在大量解僱

資料中自我迴歸的現象相當地普遍以製造業大量解僱人數為例這個月

與上個月的解僱人數通常有一定的遞移關係所以當我們想要預測這個月的

大量解僱人數時會考慮到上一個月解僱人數的高低單期的自我迴歸模型

36

Ｘt

= α ∙ Xtminus1 + ϵt Xt~AR(1)以大量解僱從１０２年１月到１０４年１０月

的時間序列資料來看

製造業的時間數列資料呈現如下圖的走勢

Input X3 (Analysis) Transformations none Model(100) MS Residual= 3470E2

Param Asympt Asympt p Lower Upper

p(1) 0650689 0136759 4757940 0000040 0372121 0929257

0500

10001500200025003000

製造業

37

Forecasts Model(100) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

Input X7 (Analysis) Transformations none Model(100) MS Residual= 20812

Param Asympt Asympt p Lower Upper

p(1) 0678514 0132938 5103995 0000015 0407728 0949299

0

100

200

300

400

500

批發及零售業

38

Forecasts Model(100) Seasonal lag 12Input X7

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

(二) 簡單移動平均法

簡單移動平均法是為了減少微小變動對資料之影響因此採用移動平

均法 的方法消除隨機誤差移動的期數越長則消除微小變動的能力越強

亦即資料的平滑性越佳但對資料的反應性則越弱反之移動期數越短

則消除微小變動的能力越弱亦即資料的平滑性越差但對資料的反應

性則越強

公式Ｆt＋1

＝Yt +Ytminus1+⋯+Ytminusn +1

n=

sum Yiti=(tminusn +1)

n大量解僱不但具有遞移效果

而且具有傳播感染的特質所以做適當的移動平均為適當本研究以 n=4 為

釋例

39

Forecasts Model(004) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

(三) 複迴歸 本研究嚐試以貿易進出口求供倍數及協商減少工時人數來作為解釋變

數對製造業及批發零售業的大量解僱行為（人數）做解釋複迴歸

yt = b1Mtminus2 + b2Xtminus1 + b3DSt + b4UMt

其中yt代表被解釋的行業之大量解僱人數

Mtminus2表示前兩期之進口值

Xtminus1表示前一期的進口值

DS代表勞動市場求供倍數

UMt協商減少工時人數

當然讀者會問為什麼有落遲２期也有落遲１期的差別主要是因為目前

蒐集的資料少很難精準的模擬到底落遲給期好或選出落遲期數究竟當有多

少期只是簡單表示這地方變化還很大解釋示範目的而以

Regression Summary for Dependent Variable x3 (Analysis) R= 45491961 R2= 20695185

Adjusted R2= 09365926 F(428)=18267 p

Beta StdErr B StdErr t(28) p-level

40

Intercept

3735484 1681534 222147 0034578

y1 -0339692 0234864 -0235 0162 -144633 0159186

y2 -0260158 0213710 -518505 425932 -121734 0233634

M -0340496 0333446 -0084 0082 -102114 0315930

X -0022930 0340520 -0006 0093 -006734 0946791

(四) 中心點移動平均法

此法是用來計算季節因子也就是將複迴歸所預測出來的值為了考慮

季節因素因此乘上當月之季節分子值而成為一個具有考慮季節因素之預

測值

季節指數公式＝Ｓt

= YtRt

= 實際值

全年平均值

然後將由迴歸預測出來的值乘上當月季節指數即為當月預測值在大

量解僱行為中製造業明顯有季節的波動表現

-500000

0000

500000

1000000

1500000

2000000

2500000

3000000

原數字 迴歸預測數

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

36

Ｘt

= α ∙ Xtminus1 + ϵt Xt~AR(1)以大量解僱從１０２年１月到１０４年１０月

的時間序列資料來看

製造業的時間數列資料呈現如下圖的走勢

Input X3 (Analysis) Transformations none Model(100) MS Residual= 3470E2

Param Asympt Asympt p Lower Upper

p(1) 0650689 0136759 4757940 0000040 0372121 0929257

0500

10001500200025003000

製造業

37

Forecasts Model(100) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

Input X7 (Analysis) Transformations none Model(100) MS Residual= 20812

Param Asympt Asympt p Lower Upper

p(1) 0678514 0132938 5103995 0000015 0407728 0949299

0

100

200

300

400

500

批發及零售業

38

Forecasts Model(100) Seasonal lag 12Input X7

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

(二) 簡單移動平均法

簡單移動平均法是為了減少微小變動對資料之影響因此採用移動平

均法 的方法消除隨機誤差移動的期數越長則消除微小變動的能力越強

亦即資料的平滑性越佳但對資料的反應性則越弱反之移動期數越短

則消除微小變動的能力越弱亦即資料的平滑性越差但對資料的反應

性則越強

公式Ｆt＋1

＝Yt +Ytminus1+⋯+Ytminusn +1

n=

sum Yiti=(tminusn +1)

n大量解僱不但具有遞移效果

而且具有傳播感染的特質所以做適當的移動平均為適當本研究以 n=4 為

釋例

39

Forecasts Model(004) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

(三) 複迴歸 本研究嚐試以貿易進出口求供倍數及協商減少工時人數來作為解釋變

數對製造業及批發零售業的大量解僱行為（人數）做解釋複迴歸

yt = b1Mtminus2 + b2Xtminus1 + b3DSt + b4UMt

其中yt代表被解釋的行業之大量解僱人數

Mtminus2表示前兩期之進口值

Xtminus1表示前一期的進口值

DS代表勞動市場求供倍數

UMt協商減少工時人數

當然讀者會問為什麼有落遲２期也有落遲１期的差別主要是因為目前

蒐集的資料少很難精準的模擬到底落遲給期好或選出落遲期數究竟當有多

少期只是簡單表示這地方變化還很大解釋示範目的而以

Regression Summary for Dependent Variable x3 (Analysis) R= 45491961 R2= 20695185

Adjusted R2= 09365926 F(428)=18267 p

Beta StdErr B StdErr t(28) p-level

40

Intercept

3735484 1681534 222147 0034578

y1 -0339692 0234864 -0235 0162 -144633 0159186

y2 -0260158 0213710 -518505 425932 -121734 0233634

M -0340496 0333446 -0084 0082 -102114 0315930

X -0022930 0340520 -0006 0093 -006734 0946791

(四) 中心點移動平均法

此法是用來計算季節因子也就是將複迴歸所預測出來的值為了考慮

季節因素因此乘上當月之季節分子值而成為一個具有考慮季節因素之預

測值

季節指數公式＝Ｓt

= YtRt

= 實際值

全年平均值

然後將由迴歸預測出來的值乘上當月季節指數即為當月預測值在大

量解僱行為中製造業明顯有季節的波動表現

-500000

0000

500000

1000000

1500000

2000000

2500000

3000000

原數字 迴歸預測數

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

37

Forecasts Model(100) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

Input X7 (Analysis) Transformations none Model(100) MS Residual= 20812

Param Asympt Asympt p Lower Upper

p(1) 0678514 0132938 5103995 0000015 0407728 0949299

0

100

200

300

400

500

批發及零售業

38

Forecasts Model(100) Seasonal lag 12Input X7

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

(二) 簡單移動平均法

簡單移動平均法是為了減少微小變動對資料之影響因此採用移動平

均法 的方法消除隨機誤差移動的期數越長則消除微小變動的能力越強

亦即資料的平滑性越佳但對資料的反應性則越弱反之移動期數越短

則消除微小變動的能力越弱亦即資料的平滑性越差但對資料的反應

性則越強

公式Ｆt＋1

＝Yt +Ytminus1+⋯+Ytminusn +1

n=

sum Yiti=(tminusn +1)

n大量解僱不但具有遞移效果

而且具有傳播感染的特質所以做適當的移動平均為適當本研究以 n=4 為

釋例

39

Forecasts Model(004) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

(三) 複迴歸 本研究嚐試以貿易進出口求供倍數及協商減少工時人數來作為解釋變

數對製造業及批發零售業的大量解僱行為（人數）做解釋複迴歸

yt = b1Mtminus2 + b2Xtminus1 + b3DSt + b4UMt

其中yt代表被解釋的行業之大量解僱人數

Mtminus2表示前兩期之進口值

Xtminus1表示前一期的進口值

DS代表勞動市場求供倍數

UMt協商減少工時人數

當然讀者會問為什麼有落遲２期也有落遲１期的差別主要是因為目前

蒐集的資料少很難精準的模擬到底落遲給期好或選出落遲期數究竟當有多

少期只是簡單表示這地方變化還很大解釋示範目的而以

Regression Summary for Dependent Variable x3 (Analysis) R= 45491961 R2= 20695185

Adjusted R2= 09365926 F(428)=18267 p

Beta StdErr B StdErr t(28) p-level

40

Intercept

3735484 1681534 222147 0034578

y1 -0339692 0234864 -0235 0162 -144633 0159186

y2 -0260158 0213710 -518505 425932 -121734 0233634

M -0340496 0333446 -0084 0082 -102114 0315930

X -0022930 0340520 -0006 0093 -006734 0946791

(四) 中心點移動平均法

此法是用來計算季節因子也就是將複迴歸所預測出來的值為了考慮

季節因素因此乘上當月之季節分子值而成為一個具有考慮季節因素之預

測值

季節指數公式＝Ｓt

= YtRt

= 實際值

全年平均值

然後將由迴歸預測出來的值乘上當月季節指數即為當月預測值在大

量解僱行為中製造業明顯有季節的波動表現

-500000

0000

500000

1000000

1500000

2000000

2500000

3000000

原數字 迴歸預測數

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

38

Forecasts Model(100) Seasonal lag 12Input X7

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

-500

-400

-300

-200

-100

0

100

200

300

400

500

600

(二) 簡單移動平均法

簡單移動平均法是為了減少微小變動對資料之影響因此採用移動平

均法 的方法消除隨機誤差移動的期數越長則消除微小變動的能力越強

亦即資料的平滑性越佳但對資料的反應性則越弱反之移動期數越短

則消除微小變動的能力越弱亦即資料的平滑性越差但對資料的反應

性則越強

公式Ｆt＋1

＝Yt +Ytminus1+⋯+Ytminusn +1

n=

sum Yiti=(tminusn +1)

n大量解僱不但具有遞移效果

而且具有傳播感染的特質所以做適當的移動平均為適當本研究以 n=4 為

釋例

39

Forecasts Model(004) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

(三) 複迴歸 本研究嚐試以貿易進出口求供倍數及協商減少工時人數來作為解釋變

數對製造業及批發零售業的大量解僱行為（人數）做解釋複迴歸

yt = b1Mtminus2 + b2Xtminus1 + b3DSt + b4UMt

其中yt代表被解釋的行業之大量解僱人數

Mtminus2表示前兩期之進口值

Xtminus1表示前一期的進口值

DS代表勞動市場求供倍數

UMt協商減少工時人數

當然讀者會問為什麼有落遲２期也有落遲１期的差別主要是因為目前

蒐集的資料少很難精準的模擬到底落遲給期好或選出落遲期數究竟當有多

少期只是簡單表示這地方變化還很大解釋示範目的而以

Regression Summary for Dependent Variable x3 (Analysis) R= 45491961 R2= 20695185

Adjusted R2= 09365926 F(428)=18267 p

Beta StdErr B StdErr t(28) p-level

40

Intercept

3735484 1681534 222147 0034578

y1 -0339692 0234864 -0235 0162 -144633 0159186

y2 -0260158 0213710 -518505 425932 -121734 0233634

M -0340496 0333446 -0084 0082 -102114 0315930

X -0022930 0340520 -0006 0093 -006734 0946791

(四) 中心點移動平均法

此法是用來計算季節因子也就是將複迴歸所預測出來的值為了考慮

季節因素因此乘上當月之季節分子值而成為一個具有考慮季節因素之預

測值

季節指數公式＝Ｓt

= YtRt

= 實際值

全年平均值

然後將由迴歸預測出來的值乘上當月季節指數即為當月預測值在大

量解僱行為中製造業明顯有季節的波動表現

-500000

0000

500000

1000000

1500000

2000000

2500000

3000000

原數字 迴歸預測數

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

39

Forecasts Model(004) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

(三) 複迴歸 本研究嚐試以貿易進出口求供倍數及協商減少工時人數來作為解釋變

數對製造業及批發零售業的大量解僱行為（人數）做解釋複迴歸

yt = b1Mtminus2 + b2Xtminus1 + b3DSt + b4UMt

其中yt代表被解釋的行業之大量解僱人數

Mtminus2表示前兩期之進口值

Xtminus1表示前一期的進口值

DS代表勞動市場求供倍數

UMt協商減少工時人數

當然讀者會問為什麼有落遲２期也有落遲１期的差別主要是因為目前

蒐集的資料少很難精準的模擬到底落遲給期好或選出落遲期數究竟當有多

少期只是簡單表示這地方變化還很大解釋示範目的而以

Regression Summary for Dependent Variable x3 (Analysis) R= 45491961 R2= 20695185

Adjusted R2= 09365926 F(428)=18267 p

Beta StdErr B StdErr t(28) p-level

40

Intercept

3735484 1681534 222147 0034578

y1 -0339692 0234864 -0235 0162 -144633 0159186

y2 -0260158 0213710 -518505 425932 -121734 0233634

M -0340496 0333446 -0084 0082 -102114 0315930

X -0022930 0340520 -0006 0093 -006734 0946791

(四) 中心點移動平均法

此法是用來計算季節因子也就是將複迴歸所預測出來的值為了考慮

季節因素因此乘上當月之季節分子值而成為一個具有考慮季節因素之預

測值

季節指數公式＝Ｓt

= YtRt

= 實際值

全年平均值

然後將由迴歸預測出來的值乘上當月季節指數即為當月預測值在大

量解僱行為中製造業明顯有季節的波動表現

-500000

0000

500000

1000000

1500000

2000000

2500000

3000000

原數字 迴歸預測數

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

40

Intercept

3735484 1681534 222147 0034578

y1 -0339692 0234864 -0235 0162 -144633 0159186

y2 -0260158 0213710 -518505 425932 -121734 0233634

M -0340496 0333446 -0084 0082 -102114 0315930

X -0022930 0340520 -0006 0093 -006734 0946791

(四) 中心點移動平均法

此法是用來計算季節因子也就是將複迴歸所預測出來的值為了考慮

季節因素因此乘上當月之季節分子值而成為一個具有考慮季節因素之預

測值

季節指數公式＝Ｓt

= YtRt

= 實際值

全年平均值

然後將由迴歸預測出來的值乘上當月季節指數即為當月預測值在大

量解僱行為中製造業明顯有季節的波動表現

-500000

0000

500000

1000000

1500000

2000000

2500000

3000000

原數字 迴歸預測數

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

41

Forecasts Model(000)(001) Seasonal lag 12Input X3

Start of origin 1 End of origin 33

0 5 10 15 20 25 30 35 40 45 50

Observed Forecast plusmn 900000

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

-2000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

3500

(五) 類神經分析 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 下圖為一個類神經元的模型顯示

X稱為神經元的輸入（input） W稱為鍵結值（weights）

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

42

b稱為閥值（bias）有偏移的效果 S稱為加法單元（summation）此部分是將每一個輸入與鍵結值相

乘後做一加總的動作 φ( )稱之為活化函數（activation function）通常是非線性函數有

數種不同的型式其目的是將 S 的值做映射得到所需要的輸出 Y稱之為輸出（output）亦即我們所需要的結果 虛線的部分即為類神經元類神經網路的訓練就是在調整鍵結值使其

變得更大或是更小通常由隨機的方式產生介於+1 到- 1 之間的初始值鍵

結值可視為一種加權效果其值越大則代表連結的神經元更容易被激發

對類神經網路的影響也更大反之則代表對類神經網路並無太大的影響

而太小的鍵結值通常可以移除以節省電腦計算的時間與空間 將上述的神經元組合起來就成為一個類神經網路目前為止許多的學

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

的演算法並不相同常見的網路有倒傳遞網路（Back-propagation Network）霍普菲爾網路（Hopfield Network）半徑式函數網路（Radial Basis Function Network）這些類神經網路並非適用所有的問題我們必須針對欲解決問

題的不同選擇適當的類神經網路以下所顯示的是四個輸入與一個輸出的倒

傳遞網路模型

圓圈的部分代表神經元 這個網路由三層的類神經單元所組成第一層是由輸入單元所組成的輸

入層而這些輸入單元可接收樣本中各種不同特徵這些輸入單元透過固定

強度的連結連接到由特徵偵測單元後再透過可調整強度的連結連接到輸出

層中的輸出單元最後每個輸出單元對映到某一種特定的分類這個網路

是由調整連結強度的程序來達成學習的目的也就是說類神經網路

(Artificial Neural Network)是一種模擬自然界生物腦部受到外界刺激學習

的過程經由不斷學習與修正錯誤進而適應環境的法則根據類神經網路

的學習型態基本上可分為監督式學習（Supervised Learning）非監督式

學習（Unsupervised Learning）聯想式學習網路 (Associated learning network) 與最佳化應用網路 (Optimization application network)監督式學

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

43

習是依據過去輸入及輸出的範例學習經驗來建構網路模型從過去不同的學

習經驗找出最合理的規則有特定的輸出變數並藉由其他輸入變數來推論

輸出變數以大量的範例學習作為預測分類及決策之用而非監督式網路

訓練之前並沒有明確定義輸出為何產生的結果並無法預知網路會將有

共通點的資料作分類聯想式學習網路是從範例中學習內部聯想記憶規則以

應用新的案例通常應用於資料擷取與雜訊過濾最佳化應用網路會依據問

題設計其變數值在滿足設計限制條件下能達到最佳的設計目標由於目

前呈現的大量解僱資料訓練學習以假設上述模型結果綜合產生的預測行為

較符合內部聯想記憶規則 上述方法之複迴歸相對於原始值之預測差異如下圖

Predicted variable 複迴歸 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-200

0

200

400

600

800

1000

1200

1400

複迴

歸

季節落遲相對於原始值之預測差異如下圖

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

44

Predicted variable 季節落遲 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1000

-500

0

500

1000

1500

2000

2500季

節落

遲

自我迴歸相對於原始值之預測差異如下圖 Predicted variable AR1 vs observed variable 原始

-2000

200400

600800

10001200

14001600

18002000

22002400

26002800

原始

-1500

-1000

-500

0

500

1000

1500

2000

2500

AR1

Model Summary Report (neural)

Profile

Train

Perf

Select

Perf

Test

Perf

Train

Error

Select

Error

Test

Error

TrainingM

embers

N

ot

e

Inp

uts

Hidd

en(1)

Hidd

en(2)

6 Linear

22-11

0642

987

02756

27

1852

010

01406

66

01320

32

0271

035 PI

2 0 0

7 Linear 0648 03055 1779 01419 01215 0260 PI

1 0 0

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

45

11-11 673 76 480 10 51 043

8

MLP

33-5-1

1

0270

948

03952

57

0518

294

00592

93

01205

69

0074

894

BP100CG

20CG0b 3 5 0

9

RBF

33-2-1

1

0785

906

05492

39

0968

989

00013

61

00013

30

0001

184 KMKNPI

3 2 0

1

0

RBF

33-4-1

1

0252

937

03088

65

0669

957

00004

38

00007

47

0000

783 KMKNPI

3 4 0

Profile RBF 33-4-11 Index = 10Train Perf = 0252937 Select Perf = 0308865 Test Perf = 0669957

我們使用 STATISTICA Neural Networks 的 Intelligent Problem Solver(IPS)功能輸入資料為１０２個經複迴歸自我相關ＡＲ１及季節落

遲比值每個模型預測值有３４ 個值每個比值分為３種預測模式總共

有１０２個輸入值 我們將所有３４個製造業大量解僱資料原始值為測試組其中包含 8

個高大量解僱數之樣本及 7 個低解僱數樣本其餘的１９個樣本資料歸為

訓練組經過 ISP 訓練結果將挑出 5 個效果比較好的模組Model Summary Report (neural)表為每個模組的參數其中第６個模組的效果較好 RBF（Radial Basis Function Network ）RBF 33-4-11 之多層感知器架構輸

入層有３個神經元 (變數)隱藏層有４個神經元輸出層則為 1 個輸出變數

上圖為模組６的類神經架構圖 由於此模擬純屬嚐試沒有計較樣本量數需

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

46

要更大也沒有計較哪一種比值較為合理只是示範利用類神經分析可以用

於大量解僱之判斷技術

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

47

第七章 結論與建議

我們做大量解僱的預警模型一定要走向能及時反應的大數據分析方法

一方面這是順應潮流二方面也是因為傳統的經濟模型沒有辦法應用於即

時 我們可以觀察出來其實大量解僱的時間序列資料具有一定的波動形態

而這個波動形態與經濟活動相關聯的所以時間序列的分析在大量解僱的

預測中是一個可以被運用的方法又由於大量解僱的廠商在資料的呈現上

呈現一定的歷史因素也就是過去曾經採大張旗鼓解僱勞動者措施者在面

對經濟不景氣時候或者面對全世界供應鏈有變化的時候他很容易又採取

同樣的大量解僱手法來減少它的生產成本所以在個體資料的建置上值得另

外去建立一個屬於貭化的觀察變數也就是曾採取大量解雇手法的廠商名

義變數（是否曾大量解僱）定義為 1其他為０的作法另外區域的差異也

非常重要北部地方（包括臺北新北市及桃園以北）都是大量解雇比較密集

發生的區域也應該與其他區域有所區隔 過去勞動部有關於各項預測的工作委託通常都朝向經濟模型或者某些

統計指標的運用的研究最主要原因就是因為我們主機單位所提供的統計資

料大部分都是研究物件的資訊數值茇生一段時間之後才調查發佈的這樣

子的研究方法就如經濟學模型當中的投入產出模型一般均衡模型或者經

濟結構的一些結構性迴歸方程式新研究方法對於趨勢的掌握可說十分有

效對於中長期政策的建議也比較可行但是對於即時性的短期政策而言

卻常常有緩不濟急的問題 大數據分析最主要的特色就是資料一定要很大去我們所做的經濟模型

分析往往局限在歷史收集資料的困難上尤其是年資料月資料已經算是最細

分的資料了這樣子的資料怎麼可能是足夠量的呢又怎麼可能是夠細緻

或者夠快速反應呢舉個例子說吧我們分析得過去的各項因果關係結果

預測出經濟將衰退但是大數據從網路臉書上大家在互相討論著最近的生活

如何如何的時候就已經可以發現到經濟是衰退了大數據更可以從貿易狀

況氣候變遷甚至於是娛樂需求及網路ＢＢＳ等各項的錯綜複雜的資料當

中得到更快速的結論我們應該將所有的資料整合在一起然後去理解大

量解僱企業的行為及受到大量解僱威脅之勞動者的行為大數據將相關聯的

半結構式的還有許多原生的（過去未曾探究的）資料混合在一起用最小

的成本而不需要太多的計量探討技術所得到的結論已經足敷使用況且原

來的經濟計量方法還不見得能夠產生更有效率的資料運用呢例如本文所

舉類神經分析方法就能因為數據越來越成熟可比較性越來越高資料量

越來越多就能不斷學習與修正而得到最佳的判斷這總比一年一次委託研

究甚至可能中斷數年的研究來得更具持續性 以上我們只是就大數據資料的來源以及分析資料的可能方法及資料的

結構提出說明但是還沒有説明真正要去建立一個透過網路的方式搜集大數

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

48

據資料以下我們就模仿 H1N1 大資料分析透過臉書蒐集數據資料的方式來

假想一番仿造大數據的產生必須環繞研究目的的關聯行為所以本研究認

為本研究的大數據觀察對象為企業體及勞動者主要的大數據蒐集媒介應

該是網路的臉書或者是ＢＢＳ在Ｈ１Ｎ１的例子中大數據的資料來自臉

書關鍵字是咳嗽發燒倦怠關節痠痛等可能用語當然衍生的語系又

更多痠痛可能是痛痛痠不舒服不對勁ＧＧ了以下節錄了可能的

ＰＴＴ對話形式與ＦＢ的發表方式以供參考

台灣就業通 TaiwanJobs 5 月 6 日 middot 【勞動權益 wake up 】想檢舉加班時數問題 公司是做二休二每天 12 小時 但公司常長期強迫放假來加班據我所知勞工一個月加班不得超過

46H等於我們家第四天就超過了很多人已經累到不想加了請問可以檢舉

公司嗎怎檢舉呢 台灣就業通 TaiwanJobs 4 月 14 日 middot 【勞動權益 wake up 】用 LINE 請假被開除 裕毛屋連鎖超商台中陳姓副組長去年身體不適就醫後以手機通信通訊

軟體 LINE 先後 3 次向店長請病假店長回覆「yes」陳男認為請假獲准

從第一次請假起連續 12 天沒到公司上班不料第 10 天就被公司依曠職逾 3天為由開除事後陳男指控裕毛屋不當解僱違反《勞基法》提告請求給付

資遣費加班費等但台中地院指陳男透過 LINE 請假不符公司規定公司

認定曠職無誤今判裕毛屋只須付陳男 22 萬 7 千元加班費

49

陳男指控去年 7 月 1 日他因胸口痛到中國醫藥大學附設醫院心臟科

求診並拍下藥單透過 LINE 傳給店長店長回覆「在家好好休息」同月

5 日12 日他到台中醫院掛診仍透過 LINE 請病假店長均回覆「yes」

他認為請假獲准自 7 月 1 日起就在家養病不料 7 月 10 日人事課長卻傳

簡訊給所有同事違法指他曠職超過 3 天已遭開除還將他從公司 LINE 群

組剔除 由上述之例子可知就連關鍵字的整理都必須要有一定的行為模式觀察

與整理例如指控rarr開除是連結式關鍵字群加班rarr超過rarr累又是另一關鍵

字群組透過模糊比對法及大數據文字文件及網路耙據探勘技術（Text amp Document Mining Webcrawing）可以做出有效的集中度類群分析在配合

上本文在塗鴉板上所呈現的各種統計數據及新聞相關資訊當能做成大量解

僱之大數據分析

50

參考資料

中文部分 1 郭玲惠2004〈大量解僱〉《月旦法學教室》vol1749〜53 2 黃程貫2003〈德國勞動法上近來關於工作權保障之討論〉《憲政時

代》 vol2969~93 3 楊通軒2003〈大量解僱勞工保護法相關法律問題之研究〉《律師雜

誌》 vol28233~54 4 劉志鵬1999〈論「勞工確不能勝任工作」〉《勞動法裁判選輯（三）》

元照出版公司 5 劉志鵬2003〈值得注目的大量解僱勞工保護法〉《律師雜誌》vol282

3~5 6 蔡正延2000〈從日本判例學說關於「整理解雇」之有效要件看我國勞

基法第 十一條第一至四款之規定〉《全國律師》vol47〜13 英文部分 1 Anderson J A and Rosenfeld E 1988 Neurocomputing Foundations

of Research MIT Press 2 Berry MA and GS Linoff (1997) Data Mining Techniques-For

Marketing Sales and Customer Support John Wiley amp Sons Inc

51

附錄 大量解雇新聞剪輯

2012年 08月 16日 ET Today

台灣大量裁員企業迅速爆增台北市勞工局表示已有製造業及科技業等近 50

家提出申請慘況直逼 2008年2009年金融海嘯時期不過勞委會指出其實

今年 2月以來大量解雇案件已經有下降趨勢只有台北市和台中市比較多合計

超過一半

根據勞工局統計摩托羅拉全球裁員台灣分公司 115人將裁員 78人外今年

台北市已有 50家公司提報大量解僱計畫達 1498人與去年 23件448人相

比家數比去年增加 12倍人數增加了 23倍增加幅度相當驚人其中以製

造業及科技業較多直逼 2008年2009年金融海嘯的狀況

勞工局表示當年金融海嘯影響集中在金融業但今年申請大量解僱的公司廣及

電子業服務業百貨業等並非集中在單一產業加上景氣未見好轉跡象令

人對未來的經濟情勢無法樂觀

另外目前仍在協調的榮電公司勞資爭議案受影響人數超過 400人這些員工

不僅被積欠薪資還有退休金資遣費等問題都還未列入統計

勞工局也預估從今年下半年到明年上半年就業環境會較為嚴峻

不過不過勞委會收到各縣市通報的情況卻不是如此勞委會指出今年上半年國

內企業大量解僱勞工有 76件雖然比去年同期多 8件但解雇的人數 2967人

比去年少了 148人比民國 97年時的 102件7500人少得多

勞委會勞資關係處處長劉傳名表示大量解雇在整個情況下是逐年下降的101

年減少了 26件4550人民國 100年各月的解雇人數起起伏伏但到 101年 2

月以後反而呈現下降趨勢

對於台北市的狀況劉傳名指出今年上半年的大量解雇案件中台北市和台中

市案件合計就佔了 52超過 8成集中在製造批發零售專業科學和技術

服務業

勞委會 16日也同時公布截至 101年 8月 15日止實施無薪假通報企業共計

20家通報及實際實施人數均為 547人較上期減少 2家事業單位通報及實

際實施人數則減少 81人

2012-08-15

去年 35 家提報 今年已有 50 家

〔記者蔡偉祺台北報導〕摩托羅拉全球裁員台灣也受影響台北市

勞工局已收到台灣摩托羅拉提出大量解僱計畫書全公司一一五人將裁

員七十八人超過三分之二根據勞工局統計今年台北市已有五十家

52

公司提報大量解僱計畫遠超過去年的卅五家直逼二八年金融海

嘯慘況

被 Google 併購的摩托羅拉擬裁員二十台灣摩托羅拉裁員超過三分之

二根據勞工局統計今年台北市已有五十家公司提報大量解僱計畫

直逼二八年金融海嘯

勞工局統計今年多家大型企業提出大量解僱計畫書包括日湖百貨公

司英屬維京群島商台灣集購城台灣五十鈴汽車歌林公司及寵物達

人等累計已達五十家一四九八人與去年卅五家六七四人相比

增加幅度驚人

增幅驚人 電子服務業都有

勞工局長陳業鑫表示當年金融海嘯影響集中在金融業但今年申請大

量解僱的公司廣及電子業服務業百貨業等並非集中在單一產業

加上景氣未見好轉跡象令人對未來的經濟情勢無法樂觀

陳業鑫說榮電公司勞資爭議案受影響人數超過四百人這些員工不

僅被積欠薪資還有退休金資遣費等問題都還未列入統計

台灣摩托羅拉 115 人要裁 78 人

勞工局表示台灣摩托羅拉行動通訊股份有限公司因應全球虧損要進

行組織調整和業務緊縮因裁減人數達到「大量解僱勞工保護法」第二

條中六十日內解僱三分之一員工或單日逾二十人的規定八日向勞工

局提報大量解僱計畫書計畫裁減通訊行銷部門員工七十八人預計

分成六梯次第一批從十月十五日生效

勞動基準科長梁蒼淇強調已回函要求台灣摩托羅拉公司需先舉辦內

部勞資協商會議並回覆協商結果若無法達成共識將會強制介入協商

2014-03-08 新北市政府勞工局統計分析轄內大量解僱勞工案件

102 年度成案有 65 家 2741 人被資遣相較於 101 年成案 75

家數量稍降 102 年大量解僱前三大行業別類型為製造業 30

家居冠批發業 11 件次之餐飲業 5 件排名第三

就企業的規模而言以未滿 30 人者占 60 30 人以上未滿

200 人者占 3538 就企業解僱勞工人數以 19 人以下佔 43

最多 29 人以下佔 338 次之 39 人以下位居第三就資

遣原因以業務緊縮 30 家最多歇業或轉讓 27 家次之業務性

質變更有減少勞工之必要又無適當工作可供安置有 6 家

53

勞工局長 謝政達 表示大量解僱勞工保護法通報機制乃保障勞

工工作權及調和雇主經營權 減少大量解僱勞工後對勞工雇主

及社會帶來的衝擊或讓雇主能重新考量資遣勞工的數量俾利

主管機關能及早介入因應提供就業服務職業訓練取得應有

權利之勞工保障

大量解僱勞工通報主要來源為就業服務通報與雇主主動通報而

雇主主動通報率僅約 42 因中小企業或個人經營事業的雇主通

常認為只要做資遣通報即可其實已違反 「大量解僱勞工標準」

之作業程序要求 勞工局曾受理某件事業單位資遣通報發現該

公司 60 日內資遣員工 15 人已符合大量解僱勞工標準解僱

的事由為勞工對於所擔任之工作確不能勝任雖公司後來陳述因

營運問題被解僱人員工作效率和態度各方面均未達公司內部要

求及公司不黯法令等理由惟仍被處分 102 年度有 9 家

事業單位各被處以罰鍰新臺幣 10 萬元

謝政達 表示依大量解僱勞工保護法第 4 條規定 事業單位

大量解僱勞工時應於符合第 2 條規定情形之日起 60 日前

將 解僱計畫書通知主管機關及相關單位或人員並公告揭示

若事業單位違反上述規定依大量解僱勞工保護法第 17 條規定

將處新臺幣 10 萬元以上 50 萬元以下罰鍰所以雇主千萬要注

意避免荷包大失血

勞工局針對大量解僱勞工之事業單位設有關懷機制凡接到案件

時會先採電話關懷或結合就服中心與經濟發展局人員配合入場

訪視了解事業單位目前工資資遣費及預告工資給付狀況以

及 有無轉業輔導計畫等另外也 提供勞動相關法規及 中小企

業服務團協助廠商處理勞工及經營問題

作者記者郭建志台北報導 | 中時電子報 ndash 2015年 11月 11日 上午 550

工商時報【記者郭建志台北報導】

勞動部公布最新 9月份大量解雇人數統計共 18件606人人數較 8月大減 4

成為今年以來的次低紀錄而製造業解雇件數及人數也較 8月下滑近一半

然而營造業解雇人數達今年新高資通訊產業單月通報 98人更是連續 28

個月以來最高紀錄

54

根據去年修正的大量解僱勞工保護法企業依據員工人數區分凡是符合「60

天內解雇 10人以上單日 20人以上」等 5種情況就必須在正式解雇前 60日

通知地方勞動局並公告進行勞資協商否則可連續處罰 50萬元

勞動部最新公布的通報顯示9月份大量解僱件數及人數趨緩8月尚有 23件

1005人9月明顯下滑為 18件 606人人數大減 4成是今年 5 月之外的次低

紀錄

至於解雇原因以「歇業轉讓虧損」各 6件為最多「改組」5件「業務緊

縮業務性質變更」各 4件「不可抗力暫停工作逾一個月者」也有 2件

但若從行業別看資訊及通訊傳播業 9月通報 4件是 102年有統計以來單月份

最多數量而人數更達 98人是連 28個月以來單月最高

勞動部勞動關係司長王厚偉表示資通訊產業看起來確實不佳值得後續密切關

注像是面板廠華映在 10月底就向勞動部通報將解雇 525人係因華映要把廠

房出售給凌巨科技大部分的員工都會轉雇預計 12月 31日實施地方勞動局

已介入協助勞資協商

• 緒論
• • 緣起
  • 研究目的
  • 研究策略與實施方法
  • 研究架構
  • • 大量解僱案例分析
    • 大量解僱廠商之經營策略型態解析
    • • 中小企業關鍵性績效指標及財務危機指標
      • 人力資源管理劣化徵兆
      • • 大量解雇之型態
        • 大量解雇之訊息分析初探
        • • 大量解雇大數據資料規劃塗鴉版
          • 大量解僱行為大數據資料蒐集應注意事項
          • • 大量解僱大數據分析之建置研究
            • • 資料說明
              • 資料探勘在大量解僱課題之應用簡示
              • • 時間序列法
                • 簡單移動平均法
                • 複迴歸
                • 中心點移動平均法
                • 類神經分析
                • • 結論與建議
                  • 參考資料
                  • 附錄 大量解雇新聞剪輯
                  • • 去年35家提報 今年已有50家
                    • 增幅驚人 電子服務業都有
                    • 台灣摩托羅拉 115人要裁78人

50

參考資料

中文部分 1 郭玲惠2004〈大量解僱〉《月旦法學教室》vol1749〜53 2 黃程貫2003〈德國勞動法上近來關於工作權保障之討論〉《憲政時

代》 vol2969~93 3 楊通軒2003〈大量解僱勞工保護法相關法律問題之研究〉《律師雜

誌》 vol28233~54 4 劉志鵬1999〈論「勞工確不能勝任工作」〉《勞動法裁判選輯（三）》

元照出版公司 5 劉志鵬2003〈值得注目的大量解僱勞工保護法〉《律師雜誌》vol282

3~5 6 蔡正延2000〈從日本判例學說關於「整理解雇」之有效要件看我國勞

基法第 十一條第一至四款之規定〉《全國律師》vol47〜13 英文部分 1 Anderson J A and Rosenfeld E 1988 Neurocomputing Foundations

of Research MIT Press 2 Berry MA and GS Linoff (1997) Data Mining Techniques-For

Marketing Sales and Customer Support John Wiley amp Sons Inc

51

附錄 大量解雇新聞剪輯

2012年 08月 16日 ET Today

台灣大量裁員企業迅速爆增台北市勞工局表示已有製造業及科技業等近 50

家提出申請慘況直逼 2008年2009年金融海嘯時期不過勞委會指出其實

今年 2月以來大量解雇案件已經有下降趨勢只有台北市和台中市比較多合計

超過一半

根據勞工局統計摩托羅拉全球裁員台灣分公司 115人將裁員 78人外今年

台北市已有 50家公司提報大量解僱計畫達 1498人與去年 23件448人相

比家數比去年增加 12倍人數增加了 23倍增加幅度相當驚人其中以製

造業及科技業較多直逼 2008年2009年金融海嘯的狀況

勞工局表示當年金融海嘯影響集中在金融業但今年申請大量解僱的公司廣及

電子業服務業百貨業等並非集中在單一產業加上景氣未見好轉跡象令

人對未來的經濟情勢無法樂觀

另外目前仍在協調的榮電公司勞資爭議案受影響人數超過 400人這些員工

不僅被積欠薪資還有退休金資遣費等問題都還未列入統計

勞工局也預估從今年下半年到明年上半年就業環境會較為嚴峻

不過不過勞委會收到各縣市通報的情況卻不是如此勞委會指出今年上半年國

內企業大量解僱勞工有 76件雖然比去年同期多 8件但解雇的人數 2967人

比去年少了 148人比民國 97年時的 102件7500人少得多

勞委會勞資關係處處長劉傳名表示大量解雇在整個情況下是逐年下降的101

年減少了 26件4550人民國 100年各月的解雇人數起起伏伏但到 101年 2

月以後反而呈現下降趨勢

對於台北市的狀況劉傳名指出今年上半年的大量解雇案件中台北市和台中

市案件合計就佔了 52超過 8成集中在製造批發零售專業科學和技術

服務業

勞委會 16日也同時公布截至 101年 8月 15日止實施無薪假通報企業共計

20家通報及實際實施人數均為 547人較上期減少 2家事業單位通報及實

際實施人數則減少 81人

2012-08-15

去年 35 家提報 今年已有 50 家

〔記者蔡偉祺台北報導〕摩托羅拉全球裁員台灣也受影響台北市

勞工局已收到台灣摩托羅拉提出大量解僱計畫書全公司一一五人將裁

員七十八人超過三分之二根據勞工局統計今年台北市已有五十家

52

公司提報大量解僱計畫遠超過去年的卅五家直逼二八年金融海

嘯慘況

被 Google 併購的摩托羅拉擬裁員二十台灣摩托羅拉裁員超過三分之

二根據勞工局統計今年台北市已有五十家公司提報大量解僱計畫

直逼二八年金融海嘯

勞工局統計今年多家大型企業提出大量解僱計畫書包括日湖百貨公

司英屬維京群島商台灣集購城台灣五十鈴汽車歌林公司及寵物達

人等累計已達五十家一四九八人與去年卅五家六七四人相比

增加幅度驚人

增幅驚人 電子服務業都有

勞工局長陳業鑫表示當年金融海嘯影響集中在金融業但今年申請大

量解僱的公司廣及電子業服務業百貨業等並非集中在單一產業

加上景氣未見好轉跡象令人對未來的經濟情勢無法樂觀

陳業鑫說榮電公司勞資爭議案受影響人數超過四百人這些員工不

僅被積欠薪資還有退休金資遣費等問題都還未列入統計

台灣摩托羅拉 115 人要裁 78 人

勞工局表示台灣摩托羅拉行動通訊股份有限公司因應全球虧損要進

行組織調整和業務緊縮因裁減人數達到「大量解僱勞工保護法」第二

條中六十日內解僱三分之一員工或單日逾二十人的規定八日向勞工

局提報大量解僱計畫書計畫裁減通訊行銷部門員工七十八人預計

分成六梯次第一批從十月十五日生效

勞動基準科長梁蒼淇強調已回函要求台灣摩托羅拉公司需先舉辦內

部勞資協商會議並回覆協商結果若無法達成共識將會強制介入協商

2014-03-08 新北市政府勞工局統計分析轄內大量解僱勞工案件

102 年度成案有 65 家 2741 人被資遣相較於 101 年成案 75

家數量稍降 102 年大量解僱前三大行業別類型為製造業 30

家居冠批發業 11 件次之餐飲業 5 件排名第三

就企業的規模而言以未滿 30 人者占 60 30 人以上未滿

200 人者占 3538 就企業解僱勞工人數以 19 人以下佔 43

最多 29 人以下佔 338 次之 39 人以下位居第三就資

遣原因以業務緊縮 30 家最多歇業或轉讓 27 家次之業務性

質變更有減少勞工之必要又無適當工作可供安置有 6 家

53

勞工局長 謝政達 表示大量解僱勞工保護法通報機制乃保障勞

工工作權及調和雇主經營權 減少大量解僱勞工後對勞工雇主

及社會帶來的衝擊或讓雇主能重新考量資遣勞工的數量俾利

主管機關能及早介入因應提供就業服務職業訓練取得應有

權利之勞工保障

大量解僱勞工通報主要來源為就業服務通報與雇主主動通報而

雇主主動通報率僅約 42 因中小企業或個人經營事業的雇主通

常認為只要做資遣通報即可其實已違反 「大量解僱勞工標準」

之作業程序要求 勞工局曾受理某件事業單位資遣通報發現該

公司 60 日內資遣員工 15 人已符合大量解僱勞工標準解僱

的事由為勞工對於所擔任之工作確不能勝任雖公司後來陳述因

營運問題被解僱人員工作效率和態度各方面均未達公司內部要

求及公司不黯法令等理由惟仍被處分 102 年度有 9 家

事業單位各被處以罰鍰新臺幣 10 萬元

謝政達 表示依大量解僱勞工保護法第 4 條規定 事業單位

大量解僱勞工時應於符合第 2 條規定情形之日起 60 日前

將 解僱計畫書通知主管機關及相關單位或人員並公告揭示

若事業單位違反上述規定依大量解僱勞工保護法第 17 條規定

將處新臺幣 10 萬元以上 50 萬元以下罰鍰所以雇主千萬要注

意避免荷包大失血

勞工局針對大量解僱勞工之事業單位設有關懷機制凡接到案件

時會先採電話關懷或結合就服中心與經濟發展局人員配合入場

訪視了解事業單位目前工資資遣費及預告工資給付狀況以

及 有無轉業輔導計畫等另外也 提供勞動相關法規及 中小企

業服務團協助廠商處理勞工及經營問題

作者記者郭建志台北報導 | 中時電子報 ndash 2015年 11月 11日 上午 550

工商時報【記者郭建志台北報導】

勞動部公布最新 9月份大量解雇人數統計共 18件606人人數較 8月大減 4

成為今年以來的次低紀錄而製造業解雇件數及人數也較 8月下滑近一半

然而營造業解雇人數達今年新高資通訊產業單月通報 98人更是連續 28

個月以來最高紀錄

54

根據去年修正的大量解僱勞工保護法企業依據員工人數區分凡是符合「60

天內解雇 10人以上單日 20人以上」等 5種情況就必須在正式解雇前 60日

通知地方勞動局並公告進行勞資協商否則可連續處罰 50萬元

勞動部最新公布的通報顯示9月份大量解僱件數及人數趨緩8月尚有 23件

1005人9月明顯下滑為 18件 606人人數大減 4成是今年 5 月之外的次低

紀錄

至於解雇原因以「歇業轉讓虧損」各 6件為最多「改組」5件「業務緊

縮業務性質變更」各 4件「不可抗力暫停工作逾一個月者」也有 2件

但若從行業別看資訊及通訊傳播業 9月通報 4件是 102年有統計以來單月份

最多數量而人數更達 98人是連 28個月以來單月最高

勞動部勞動關係司長王厚偉表示資通訊產業看起來確實不佳值得後續密切關

注像是面板廠華映在 10月底就向勞動部通報將解雇 525人係因華映要把廠

房出售給凌巨科技大部分的員工都會轉雇預計 12月 31日實施地方勞動局

已介入協助勞資協商

• 緒論
• • 緣起
  • 研究目的
  • 研究策略與實施方法
  • 研究架構
  • • 大量解僱案例分析
    • 大量解僱廠商之經營策略型態解析
    • • 中小企業關鍵性績效指標及財務危機指標
      • 人力資源管理劣化徵兆
      • • 大量解雇之型態
        • 大量解雇之訊息分析初探
        • • 大量解雇大數據資料規劃塗鴉版
          • 大量解僱行為大數據資料蒐集應注意事項
          • • 大量解僱大數據分析之建置研究
            • • 資料說明
              • 資料探勘在大量解僱課題之應用簡示
              • • 時間序列法
                • 簡單移動平均法
                • 複迴歸
                • 中心點移動平均法
                • 類神經分析
                • • 結論與建議
                  • 參考資料
                  • 附錄 大量解雇新聞剪輯
                  • • 去年35家提報 今年已有50家
                    • 增幅驚人 電子服務業都有
                    • 台灣摩托羅拉 115人要裁78人

51

附錄 大量解雇新聞剪輯

2012年 08月 16日 ET Today

台灣大量裁員企業迅速爆增台北市勞工局表示已有製造業及科技業等近 50

家提出申請慘況直逼 2008年2009年金融海嘯時期不過勞委會指出其實

今年 2月以來大量解雇案件已經有下降趨勢只有台北市和台中市比較多合計

超過一半

根據勞工局統計摩托羅拉全球裁員台灣分公司 115人將裁員 78人外今年

台北市已有 50家公司提報大量解僱計畫達 1498人與去年 23件448人相

比家數比去年增加 12倍人數增加了 23倍增加幅度相當驚人其中以製

造業及科技業較多直逼 2008年2009年金融海嘯的狀況

勞工局表示當年金融海嘯影響集中在金融業但今年申請大量解僱的公司廣及

電子業服務業百貨業等並非集中在單一產業加上景氣未見好轉跡象令

人對未來的經濟情勢無法樂觀

另外目前仍在協調的榮電公司勞資爭議案受影響人數超過 400人這些員工

不僅被積欠薪資還有退休金資遣費等問題都還未列入統計

勞工局也預估從今年下半年到明年上半年就業環境會較為嚴峻

不過不過勞委會收到各縣市通報的情況卻不是如此勞委會指出今年上半年國

內企業大量解僱勞工有 76件雖然比去年同期多 8件但解雇的人數 2967人

比去年少了 148人比民國 97年時的 102件7500人少得多

勞委會勞資關係處處長劉傳名表示大量解雇在整個情況下是逐年下降的101

年減少了 26件4550人民國 100年各月的解雇人數起起伏伏但到 101年 2

月以後反而呈現下降趨勢

對於台北市的狀況劉傳名指出今年上半年的大量解雇案件中台北市和台中

市案件合計就佔了 52超過 8成集中在製造批發零售專業科學和技術

服務業

勞委會 16日也同時公布截至 101年 8月 15日止實施無薪假通報企業共計

20家通報及實際實施人數均為 547人較上期減少 2家事業單位通報及實

際實施人數則減少 81人

2012-08-15

去年 35 家提報 今年已有 50 家

〔記者蔡偉祺台北報導〕摩托羅拉全球裁員台灣也受影響台北市

勞工局已收到台灣摩托羅拉提出大量解僱計畫書全公司一一五人將裁

員七十八人超過三分之二根據勞工局統計今年台北市已有五十家

52

公司提報大量解僱計畫遠超過去年的卅五家直逼二八年金融海

嘯慘況

被 Google 併購的摩托羅拉擬裁員二十台灣摩托羅拉裁員超過三分之

二根據勞工局統計今年台北市已有五十家公司提報大量解僱計畫

直逼二八年金融海嘯

勞工局統計今年多家大型企業提出大量解僱計畫書包括日湖百貨公

司英屬維京群島商台灣集購城台灣五十鈴汽車歌林公司及寵物達

人等累計已達五十家一四九八人與去年卅五家六七四人相比

增加幅度驚人

增幅驚人 電子服務業都有

勞工局長陳業鑫表示當年金融海嘯影響集中在金融業但今年申請大

量解僱的公司廣及電子業服務業百貨業等並非集中在單一產業

加上景氣未見好轉跡象令人對未來的經濟情勢無法樂觀

陳業鑫說榮電公司勞資爭議案受影響人數超過四百人這些員工不

僅被積欠薪資還有退休金資遣費等問題都還未列入統計

台灣摩托羅拉 115 人要裁 78 人

勞工局表示台灣摩托羅拉行動通訊股份有限公司因應全球虧損要進

行組織調整和業務緊縮因裁減人數達到「大量解僱勞工保護法」第二

條中六十日內解僱三分之一員工或單日逾二十人的規定八日向勞工

局提報大量解僱計畫書計畫裁減通訊行銷部門員工七十八人預計

分成六梯次第一批從十月十五日生效

勞動基準科長梁蒼淇強調已回函要求台灣摩托羅拉公司需先舉辦內

部勞資協商會議並回覆協商結果若無法達成共識將會強制介入協商

2014-03-08 新北市政府勞工局統計分析轄內大量解僱勞工案件

102 年度成案有 65 家 2741 人被資遣相較於 101 年成案 75

家數量稍降 102 年大量解僱前三大行業別類型為製造業 30

家居冠批發業 11 件次之餐飲業 5 件排名第三

就企業的規模而言以未滿 30 人者占 60 30 人以上未滿

200 人者占 3538 就企業解僱勞工人數以 19 人以下佔 43

最多 29 人以下佔 338 次之 39 人以下位居第三就資

遣原因以業務緊縮 30 家最多歇業或轉讓 27 家次之業務性

質變更有減少勞工之必要又無適當工作可供安置有 6 家

53

勞工局長 謝政達 表示大量解僱勞工保護法通報機制乃保障勞

工工作權及調和雇主經營權 減少大量解僱勞工後對勞工雇主

及社會帶來的衝擊或讓雇主能重新考量資遣勞工的數量俾利

主管機關能及早介入因應提供就業服務職業訓練取得應有

權利之勞工保障

大量解僱勞工通報主要來源為就業服務通報與雇主主動通報而

雇主主動通報率僅約 42 因中小企業或個人經營事業的雇主通

常認為只要做資遣通報即可其實已違反 「大量解僱勞工標準」

之作業程序要求 勞工局曾受理某件事業單位資遣通報發現該

公司 60 日內資遣員工 15 人已符合大量解僱勞工標準解僱

的事由為勞工對於所擔任之工作確不能勝任雖公司後來陳述因

營運問題被解僱人員工作效率和態度各方面均未達公司內部要

求及公司不黯法令等理由惟仍被處分 102 年度有 9 家

事業單位各被處以罰鍰新臺幣 10 萬元

謝政達 表示依大量解僱勞工保護法第 4 條規定 事業單位

大量解僱勞工時應於符合第 2 條規定情形之日起 60 日前

將 解僱計畫書通知主管機關及相關單位或人員並公告揭示

若事業單位違反上述規定依大量解僱勞工保護法第 17 條規定

將處新臺幣 10 萬元以上 50 萬元以下罰鍰所以雇主千萬要注

意避免荷包大失血

勞工局針對大量解僱勞工之事業單位設有關懷機制凡接到案件

時會先採電話關懷或結合就服中心與經濟發展局人員配合入場

訪視了解事業單位目前工資資遣費及預告工資給付狀況以

及 有無轉業輔導計畫等另外也 提供勞動相關法規及 中小企

業服務團協助廠商處理勞工及經營問題

作者記者郭建志台北報導 | 中時電子報 ndash 2015年 11月 11日 上午 550

工商時報【記者郭建志台北報導】

勞動部公布最新 9月份大量解雇人數統計共 18件606人人數較 8月大減 4

成為今年以來的次低紀錄而製造業解雇件數及人數也較 8月下滑近一半

然而營造業解雇人數達今年新高資通訊產業單月通報 98人更是連續 28

個月以來最高紀錄

54

根據去年修正的大量解僱勞工保護法企業依據員工人數區分凡是符合「60

天內解雇 10人以上單日 20人以上」等 5種情況就必須在正式解雇前 60日

通知地方勞動局並公告進行勞資協商否則可連續處罰 50萬元

勞動部最新公布的通報顯示9月份大量解僱件數及人數趨緩8月尚有 23件

1005人9月明顯下滑為 18件 606人人數大減 4成是今年 5 月之外的次低

紀錄

至於解雇原因以「歇業轉讓虧損」各 6件為最多「改組」5件「業務緊

縮業務性質變更」各 4件「不可抗力暫停工作逾一個月者」也有 2件

但若從行業別看資訊及通訊傳播業 9月通報 4件是 102年有統計以來單月份

最多數量而人數更達 98人是連 28個月以來單月最高

勞動部勞動關係司長王厚偉表示資通訊產業看起來確實不佳值得後續密切關

注像是面板廠華映在 10月底就向勞動部通報將解雇 525人係因華映要把廠

房出售給凌巨科技大部分的員工都會轉雇預計 12月 31日實施地方勞動局

已介入協助勞資協商

• 緒論
• • 緣起
  • 研究目的
  • 研究策略與實施方法
  • 研究架構
  • • 大量解僱案例分析
    • 大量解僱廠商之經營策略型態解析
    • • 中小企業關鍵性績效指標及財務危機指標
      • 人力資源管理劣化徵兆
      • • 大量解雇之型態
        • 大量解雇之訊息分析初探
        • • 大量解雇大數據資料規劃塗鴉版
          • 大量解僱行為大數據資料蒐集應注意事項
          • • 大量解僱大數據分析之建置研究
            • • 資料說明
              • 資料探勘在大量解僱課題之應用簡示
              • • 時間序列法
                • 簡單移動平均法
                • 複迴歸
                • 中心點移動平均法
                • 類神經分析
                • • 結論與建議
                  • 參考資料
                  • 附錄 大量解雇新聞剪輯
                  • • 去年35家提報 今年已有50家
                    • 增幅驚人 電子服務業都有
                    • 台灣摩托羅拉 115人要裁78人

52

公司提報大量解僱計畫遠超過去年的卅五家直逼二八年金融海

嘯慘況

被 Google 併購的摩托羅拉擬裁員二十台灣摩托羅拉裁員超過三分之

二根據勞工局統計今年台北市已有五十家公司提報大量解僱計畫

直逼二八年金融海嘯

勞工局統計今年多家大型企業提出大量解僱計畫書包括日湖百貨公

司英屬維京群島商台灣集購城台灣五十鈴汽車歌林公司及寵物達

人等累計已達五十家一四九八人與去年卅五家六七四人相比

增加幅度驚人

增幅驚人 電子服務業都有

勞工局長陳業鑫表示當年金融海嘯影響集中在金融業但今年申請大

量解僱的公司廣及電子業服務業百貨業等並非集中在單一產業

加上景氣未見好轉跡象令人對未來的經濟情勢無法樂觀

陳業鑫說榮電公司勞資爭議案受影響人數超過四百人這些員工不

僅被積欠薪資還有退休金資遣費等問題都還未列入統計

台灣摩托羅拉 115 人要裁 78 人

勞工局表示台灣摩托羅拉行動通訊股份有限公司因應全球虧損要進

行組織調整和業務緊縮因裁減人數達到「大量解僱勞工保護法」第二

條中六十日內解僱三分之一員工或單日逾二十人的規定八日向勞工

局提報大量解僱計畫書計畫裁減通訊行銷部門員工七十八人預計

分成六梯次第一批從十月十五日生效

勞動基準科長梁蒼淇強調已回函要求台灣摩托羅拉公司需先舉辦內

部勞資協商會議並回覆協商結果若無法達成共識將會強制介入協商

2014-03-08 新北市政府勞工局統計分析轄內大量解僱勞工案件

102 年度成案有 65 家 2741 人被資遣相較於 101 年成案 75

家數量稍降 102 年大量解僱前三大行業別類型為製造業 30

家居冠批發業 11 件次之餐飲業 5 件排名第三

就企業的規模而言以未滿 30 人者占 60 30 人以上未滿

200 人者占 3538 就企業解僱勞工人數以 19 人以下佔 43

最多 29 人以下佔 338 次之 39 人以下位居第三就資

遣原因以業務緊縮 30 家最多歇業或轉讓 27 家次之業務性

質變更有減少勞工之必要又無適當工作可供安置有 6 家

53

勞工局長 謝政達 表示大量解僱勞工保護法通報機制乃保障勞

工工作權及調和雇主經營權 減少大量解僱勞工後對勞工雇主

及社會帶來的衝擊或讓雇主能重新考量資遣勞工的數量俾利

主管機關能及早介入因應提供就業服務職業訓練取得應有

權利之勞工保障

大量解僱勞工通報主要來源為就業服務通報與雇主主動通報而

雇主主動通報率僅約 42 因中小企業或個人經營事業的雇主通

常認為只要做資遣通報即可其實已違反 「大量解僱勞工標準」

之作業程序要求 勞工局曾受理某件事業單位資遣通報發現該

公司 60 日內資遣員工 15 人已符合大量解僱勞工標準解僱

的事由為勞工對於所擔任之工作確不能勝任雖公司後來陳述因

營運問題被解僱人員工作效率和態度各方面均未達公司內部要

求及公司不黯法令等理由惟仍被處分 102 年度有 9 家

事業單位各被處以罰鍰新臺幣 10 萬元

謝政達 表示依大量解僱勞工保護法第 4 條規定 事業單位

大量解僱勞工時應於符合第 2 條規定情形之日起 60 日前

將 解僱計畫書通知主管機關及相關單位或人員並公告揭示

若事業單位違反上述規定依大量解僱勞工保護法第 17 條規定

將處新臺幣 10 萬元以上 50 萬元以下罰鍰所以雇主千萬要注

意避免荷包大失血

勞工局針對大量解僱勞工之事業單位設有關懷機制凡接到案件

時會先採電話關懷或結合就服中心與經濟發展局人員配合入場

訪視了解事業單位目前工資資遣費及預告工資給付狀況以

及 有無轉業輔導計畫等另外也 提供勞動相關法規及 中小企

業服務團協助廠商處理勞工及經營問題

作者記者郭建志台北報導 | 中時電子報 ndash 2015年 11月 11日 上午 550

工商時報【記者郭建志台北報導】

勞動部公布最新 9月份大量解雇人數統計共 18件606人人數較 8月大減 4

成為今年以來的次低紀錄而製造業解雇件數及人數也較 8月下滑近一半

然而營造業解雇人數達今年新高資通訊產業單月通報 98人更是連續 28

個月以來最高紀錄

54

根據去年修正的大量解僱勞工保護法企業依據員工人數區分凡是符合「60

天內解雇 10人以上單日 20人以上」等 5種情況就必須在正式解雇前 60日

通知地方勞動局並公告進行勞資協商否則可連續處罰 50萬元

勞動部最新公布的通報顯示9月份大量解僱件數及人數趨緩8月尚有 23件

1005人9月明顯下滑為 18件 606人人數大減 4成是今年 5 月之外的次低

紀錄

至於解雇原因以「歇業轉讓虧損」各 6件為最多「改組」5件「業務緊

縮業務性質變更」各 4件「不可抗力暫停工作逾一個月者」也有 2件

但若從行業別看資訊及通訊傳播業 9月通報 4件是 102年有統計以來單月份

最多數量而人數更達 98人是連 28個月以來單月最高

勞動部勞動關係司長王厚偉表示資通訊產業看起來確實不佳值得後續密切關

注像是面板廠華映在 10月底就向勞動部通報將解雇 525人係因華映要把廠

房出售給凌巨科技大部分的員工都會轉雇預計 12月 31日實施地方勞動局

已介入協助勞資協商

• 緒論
• • 緣起
  • 研究目的
  • 研究策略與實施方法
  • 研究架構
  • • 大量解僱案例分析
    • 大量解僱廠商之經營策略型態解析
    • • 中小企業關鍵性績效指標及財務危機指標
      • 人力資源管理劣化徵兆
      • • 大量解雇之型態
        • 大量解雇之訊息分析初探
        • • 大量解雇大數據資料規劃塗鴉版
          • 大量解僱行為大數據資料蒐集應注意事項
          • • 大量解僱大數據分析之建置研究
            • • 資料說明
              • 資料探勘在大量解僱課題之應用簡示
              • • 時間序列法
                • 簡單移動平均法
                • 複迴歸
                • 中心點移動平均法
                • 類神經分析
                • • 結論與建議
                  • 參考資料
                  • 附錄 大量解雇新聞剪輯
                  • • 去年35家提報 今年已有50家
                    • 增幅驚人 電子服務業都有
                    • 台灣摩托羅拉 115人要裁78人

53

勞工局長 謝政達 表示大量解僱勞工保護法通報機制乃保障勞

工工作權及調和雇主經營權 減少大量解僱勞工後對勞工雇主

及社會帶來的衝擊或讓雇主能重新考量資遣勞工的數量俾利

主管機關能及早介入因應提供就業服務職業訓練取得應有

權利之勞工保障

大量解僱勞工通報主要來源為就業服務通報與雇主主動通報而

雇主主動通報率僅約 42 因中小企業或個人經營事業的雇主通

常認為只要做資遣通報即可其實已違反 「大量解僱勞工標準」

之作業程序要求 勞工局曾受理某件事業單位資遣通報發現該

公司 60 日內資遣員工 15 人已符合大量解僱勞工標準解僱

的事由為勞工對於所擔任之工作確不能勝任雖公司後來陳述因

營運問題被解僱人員工作效率和態度各方面均未達公司內部要

求及公司不黯法令等理由惟仍被處分 102 年度有 9 家

事業單位各被處以罰鍰新臺幣 10 萬元

謝政達 表示依大量解僱勞工保護法第 4 條規定 事業單位

大量解僱勞工時應於符合第 2 條規定情形之日起 60 日前

將 解僱計畫書通知主管機關及相關單位或人員並公告揭示

若事業單位違反上述規定依大量解僱勞工保護法第 17 條規定

將處新臺幣 10 萬元以上 50 萬元以下罰鍰所以雇主千萬要注

意避免荷包大失血

勞工局針對大量解僱勞工之事業單位設有關懷機制凡接到案件

時會先採電話關懷或結合就服中心與經濟發展局人員配合入場

訪視了解事業單位目前工資資遣費及預告工資給付狀況以

及 有無轉業輔導計畫等另外也 提供勞動相關法規及 中小企

業服務團協助廠商處理勞工及經營問題

作者記者郭建志台北報導 | 中時電子報 ndash 2015年 11月 11日 上午 550

工商時報【記者郭建志台北報導】

勞動部公布最新 9月份大量解雇人數統計共 18件606人人數較 8月大減 4

成為今年以來的次低紀錄而製造業解雇件數及人數也較 8月下滑近一半

然而營造業解雇人數達今年新高資通訊產業單月通報 98人更是連續 28

個月以來最高紀錄

54

根據去年修正的大量解僱勞工保護法企業依據員工人數區分凡是符合「60

天內解雇 10人以上單日 20人以上」等 5種情況就必須在正式解雇前 60日

通知地方勞動局並公告進行勞資協商否則可連續處罰 50萬元

勞動部最新公布的通報顯示9月份大量解僱件數及人數趨緩8月尚有 23件

1005人9月明顯下滑為 18件 606人人數大減 4成是今年 5 月之外的次低

紀錄

至於解雇原因以「歇業轉讓虧損」各 6件為最多「改組」5件「業務緊

縮業務性質變更」各 4件「不可抗力暫停工作逾一個月者」也有 2件

但若從行業別看資訊及通訊傳播業 9月通報 4件是 102年有統計以來單月份

最多數量而人數更達 98人是連 28個月以來單月最高

勞動部勞動關係司長王厚偉表示資通訊產業看起來確實不佳值得後續密切關

注像是面板廠華映在 10月底就向勞動部通報將解雇 525人係因華映要把廠

房出售給凌巨科技大部分的員工都會轉雇預計 12月 31日實施地方勞動局

已介入協助勞資協商

• 緒論
• • 緣起
  • 研究目的
  • 研究策略與實施方法
  • 研究架構
  • • 大量解僱案例分析
    • 大量解僱廠商之經營策略型態解析
    • • 中小企業關鍵性績效指標及財務危機指標
      • 人力資源管理劣化徵兆
      • • 大量解雇之型態
        • 大量解雇之訊息分析初探
        • • 大量解雇大數據資料規劃塗鴉版
          • 大量解僱行為大數據資料蒐集應注意事項
          • • 大量解僱大數據分析之建置研究
            • • 資料說明
              • 資料探勘在大量解僱課題之應用簡示
              • • 時間序列法
                • 簡單移動平均法
                • 複迴歸
                • 中心點移動平均法
                • 類神經分析
                • • 結論與建議
                  • 參考資料
                  • 附錄 大量解雇新聞剪輯
                  • • 去年35家提報 今年已有50家
                    • 增幅驚人 電子服務業都有
                    • 台灣摩托羅拉 115人要裁78人

54

根據去年修正的大量解僱勞工保護法企業依據員工人數區分凡是符合「60

天內解雇 10人以上單日 20人以上」等 5種情況就必須在正式解雇前 60日

通知地方勞動局並公告進行勞資協商否則可連續處罰 50萬元

勞動部最新公布的通報顯示9月份大量解僱件數及人數趨緩8月尚有 23件

1005人9月明顯下滑為 18件 606人人數大減 4成是今年 5 月之外的次低

紀錄

至於解雇原因以「歇業轉讓虧損」各 6件為最多「改組」5件「業務緊

縮業務性質變更」各 4件「不可抗力暫停工作逾一個月者」也有 2件

但若從行業別看資訊及通訊傳播業 9月通報 4件是 102年有統計以來單月份

最多數量而人數更達 98人是連 28個月以來單月最高

勞動部勞動關係司長王厚偉表示資通訊產業看起來確實不佳值得後續密切關

注像是面板廠華映在 10月底就向勞動部通報將解雇 525人係因華映要把廠

房出售給凌巨科技大部分的員工都會轉雇預計 12月 31日實施地方勞動局

已介入協助勞資協商

• 緒論
• • 緣起
  • 研究目的
  • 研究策略與實施方法
  • 研究架構
  • • 大量解僱案例分析
    • 大量解僱廠商之經營策略型態解析
    • • 中小企業關鍵性績效指標及財務危機指標
      • 人力資源管理劣化徵兆
      • • 大量解雇之型態
        • 大量解雇之訊息分析初探
        • • 大量解雇大數據資料規劃塗鴉版
          • 大量解僱行為大數據資料蒐集應注意事項
          • • 大量解僱大數據分析之建置研究
            • • 資料說明
              • 資料探勘在大量解僱課題之應用簡示
              • • 時間序列法
                • 簡單移動平均法
                • 複迴歸
                • 中心點移動平均法
                • 類神經分析
                • • 結論與建議
                  • 參考資料
                  • 附錄 大量解雇新聞剪輯
                  • • 去年35家提報 今年已有50家
                    • 增幅驚人 電子服務業都有
                    • 台灣摩托羅拉 115人要裁78人