值班編輯

Fellows：林祁衡、蕭玉資、胡文馨、徐紹婷、李佳昇、余佑駿
Mentor：陳潔寧、詹欣諭
Project Manager：巫坤達
Project Partner：臺北市政府社會局社會救助科

臺北市政府社會局與伊甸社會福利基金會合作進行專案，協助經濟弱勢者重回勞動市場。
社會局每年會從經濟弱勢的低收入戶、中低收入戶、從事代賑工的清寒戶中，選取目前沒有就業的經濟弱勢者為待輔導就業對象，委託伊甸基金會進行輔導。伊甸基金會於獲得經濟弱勢者名單後，即進行聯絡與訪談，透過訪談內容判定個案是否應「開案」繼續進行就業輔導。
開案後，伊甸基金會會以個別化的服務模式，針對個人就業阻礙與需求提供就業輔導，包含職業諮詢、重返職場信心建立、開辦職訓課程等，持續輔導至個案穩定就業或社會局評估可停止追蹤。當個案穩定就業重返職場，即達到專案目的「幫助經濟弱勢者脫離貧窮」。

 
痛點與解方

然而，社會局與伊甸基金會在過去幾年的合作上遇到了瓶頸：篩選出的經濟弱勢者名單開案率不高；即使開案，依照開案數量，最後脫貧的比例也不高。因此，社會局與伊甸基金會希望透過各項服務紀錄，優化服務流程及作法，以提升開案率與就業意願。
本次資料英雄將處理以下兩個議題：
A. 優化推薦至伊甸基金會名單，提高成功開案率
B. 找出容易成功就業的個案特性，提高社工的工作效率
資料英雄根據資料分析流程先進行需求訪談和資料初探，實際了解工作流程細項與資源，再針對兩個議題規劃不同的資料分析策略。

 
議題A：優化社會局推薦至伊甸基金會名單，提高成功開案率

一、用關聯規則萃取重要變數
先利用關聯規則萃取出重要變數，社會局的資料變項有三種類型，人口變項包含性別、年齡、教育程度等變項；家庭因素包含家中0-6歲小孩人口數、7-12歲小孩人口數、65歲以上長者人口數等變項；收入相關則包含收入等級、補助金額等變項。
實作關聯規則是採用R語言的arules套件，參數設定包含最小規則長度為3（minlen=3）、規則所篩選出的最小樣本佔比為1%（support=0.01）以及樣本的最小開案率為8%（condifence=0.08）。將結果以Lift排序，以排序第一的規則為例，輸出如下表。
對於「教育程度為高中職、家中補助金額低於36K、沒有13-15歲小孩、沒有65歲以上長者」這個族群而言，佔訓練資料中的1.9%，開案率為25%，是訓練資料8%開案率的2.79倍。

根據排序前30筆規則，歸納出以下兩種族群具有比較高的開案率：
1. 教育程度為高中職且補助金額低於36K
2. 教育程度為高中職、收入為低收等級且沒有不動產的紀錄
除此之外，其他與開案成功相關的重要變項包含女性、無0-6歲小孩、無13-18歲小孩以及無65歲以上長者。
二、用廣義線性模型優化社會局推薦名單
1. 動機與目的

Fellows：陳姿君、張赫麟、張家豪、藍浩、潘怡均、吳奇倫、吳又建、林瑜軒
Mentor：謝宗震、楊思
Project Manager：陳映竹
Project Partner：衛生福利部保護服務司

通過文獻梳理，我們發現「風險評估」在兒少保領域的應用在20世紀90年代就已經普及（English & Pecora, 1994），在現如今依然是主要的評估工具。在學術領域，兒少保領域的「風險評估」可被定義為「評估某個既定的（通常是父/母）人在未來可能傷害兒童的一個過程」（Wald & Woolverton, 1990）。據已有研究，通過整理各種主要的風險評估工具，其共同考量的因素不超過三大類別的範圍：兒童特徵或受虐情況，父母特質與家庭環境（尹欣如，2013）。
大數據應用於兒少保領域的風險評估在其他國家早已有所應用，美國聖路易斯華盛頓大學的Jolley（2012）曾用神經網絡模型將風險因素分為靜態因素和動態因素，來預測兒童遭受不良對待的復發。也有學者通過分類和回歸樹分析來對兒童遭受不良對待的復發來進行預測，發現對高風險組有更好的預測力（Sledjeski, Dierker, Brigham & Breslin, 2008）。
一、研究資料與主題

圖 1
主題1：兒少保護通報開案預測
透過通報表資訊預測該案開案與否，提供兒少保社工進入調查階段前案件優先順序參考。分析使用2017年一類案件通報表及關係人基本資料，包含最終開案及未開案案件，共20,165筆。
從通報過渡到調查階段，大量的非緊急案件，現況仰賴社工專業判斷。我們目標是社工不僅是面對當下的通報案件、自身專業判斷，透過分析資料庫中歷史通報案件，建構開案預測模型輔助社工，綜合自身專業與模型結果資訊成為工作排程依據。

圖 2
主題2：共案特徵預測及訪視優先次序分析
兒少保護開案案件中，透過調查報告找出與「保護司與心口司共同列管案件（共案）」特徵類似，但未有心理衛生社工介入服務（未納入共訪機制）之案件，預先提示兒少保社工提高服務密度及敏感度。分析使用2016和2017年一類案件被害人父母調查報告資料，篩選出最終開案的案件，共13,621筆。
進到服務階段，實務經驗告訴我們保護司、心口司兩個單位共同列管個案，必須有較高服務密度。也已建立保護司兒少保社工、心口司心衛社工的「共案共訪」機制。相對的，非共同列管案件就沒有心衛社工介入服務。即便未納入共訪機制的個案，透過共案特徵預測，預先提示兒少保社工提高服務密度及敏感度，仍可提供綿密的服務。
 
二、分析手法

主題1：兒少保護通報開案預測模型
使用關聯分析找出通報表填報項目選項中影響開案的重要因素。並透過通報表結構化資料及案情陳述非結構化文字資料，結合自然語言處理（NLP）與Random Forest隨機森林技術建立開案預測模型。

Fellows：蔡佳淳、陳上峰、李泓旻、楊思、葉子蓁、張哲偉
Mentor：謝宗震、陳潔寧
Project Manager：呂岱恩
Project Partner：臺北市政府社會局
臺北市政府社會局自民國89年起陸續開辦超過15個脫貧方案，各方案辦理期限約3～5年，由於人力有限，約服務一百多人，開辦前業務同仁需投入大量時間，篩選名單後逐一寄發申請表、辦理方案說明會、受理民眾申請再審查是否符合資格等；過程中，需籌備辦理多元課程、督導學生完成方案任務、關懷學生參與情形等，惟最終完成參與方案者僅占最初參與方案人數的百分之七十，而未能完成方案的百分之三十參與者，多數不願配合方案規定，或其家庭除經濟問題外，還有更迫切的福利需求，而無法達成方案任務。
由於每個個案需花費大量時間與資源，因此如何積極輔導適合對象優先參與脫貧方案，以提高參與者完成方案的比例同時讓有迫切需求的參與者有機會參與服務方案成為優先要務。此次資料英雄計畫透過資料分析找出家戶適合接受的服務，提供業務同仁評估是否適合參與方案，以妥善運用有限資源，提升方案服務效益。
 
研究資料與主題

本次研究以臺北市100年07月至103年06月的「Young Young 精彩青年培力希望發展帳戶專案」為例進行資料分析，瞭解社會局脫貧方案是否有助於提升家戶平均收入，並找出影響家戶脫貧的家庭類型。
由臺北市政府社會局提供去識別化後有參加及未參加定期儲蓄型方案的家庭特徵，依此資料嘗試回答：
1. 參加方案且脫貧者具何種家庭特徵。
2. 參加脫貧方案與未參加方案家戶是否有差異。
 
分析手法

在現有的低收家戶資料中，有參加方案的實驗組(A)以及沒有參加方案的對照組(B)，均有一定比例的家戶脫貧(A1, B1)。而此專案的主要目的之一是欲藉著資料的分析，找出未來適合參與脫貧方案的家戶，把資源做更有效地分配，讓更多家庭有機會脫離貧窮。
．利用 Gower’s Distance 計算不同組別的家庭特徵相似程度
 

Gower’s Distance (Gower, 1971) 是用來計算兩組資料的相似程度 (距離)，資料的型態可以同時包含類別，數值，邏輯(true or false)。Gower’s Distance 的量測值介於0到1之間，數值愈大則距離愈遠，也就是差異性愈大。

Fellows：陳林彣、謝宗翰（皆為台灣 SAS 公司指定代表）
Mentor：劉嘉凱
Project Manager：葉瓊瑜
Project Partner：財團法人法律扶助基金會
法律扶助，是指對於有法律需求，卻無力負擔訴訟費用及律師報酬的人民，提供專業性的法律幫助。財團法人法律扶助基金會成立於2004年，以「為經濟上的弱勢者提供法律的專業扶助，實現訴訟的平等權」為宗旨，由政府所捐助設立的私法人組織。然而，需要扶助的弱勢團體、個人卻可能因為「資訊」或「地理」成本，不知道如何接觸法扶基金會，甚至不知道法扶基金會的存在。
本次專案針對全台22個分會，於2015-2017年的收案案件，結合外部資料（如: 衛福部低收中低收入戶人口、內政部各鄉鎮市區人口……等），建立分會健檢儀表板，分析各地分會所負責各鄉鎮市區的案件覆蓋率、人口特徵以及案件屬性，進而找出現實上被忽略的需扶助人口。
資料來源
由於2015年法律扶助法修改，擴大法律扶助認定範圍，因此本次分析專案所使用的資料主要取用法律扶助基金會業務資料庫2015年之後的資料，總數為21萬筆申請案件，其中包含12萬不重複案件申請人，並將資料去識別化，重點資訊條列如下：
1. 申請人之人口變項之資料，如：性別、年齡、住所資訊、特殊族群身分等
2. 申請人之資力審核相關資料，如：總財產、家戶總收入等
3. 申請案件之法律案件相關資料，如：案件案由類別、案件時間等
此外，本次專案結合外部資料，如衛福部低收中低收人口資料、內政部各鄉鎮市區人口資料、原民會原住民人口資料等，以分析各分會在不同鄉鎮市區的案件覆蓋率、人口屬性與案件屬性。
探索資料 – 需求缺口分析
在本次分析專案中，我們主要使用資料視覺化的手法進行分析，並期望透過分析不同地區申請人、案件案由的分布狀況，提供法扶各分會未來設計推廣活動或合作案時，能更加適地適性與在地化設計。
◆ 台灣概況總覽

上圖為台灣法律扶助案件申請人的分布狀況，每個氣泡代表一個分會聚落，氣泡越大、顏色越橘，代表申請人越多。總體而言，法律案件集中於都會區，尤其以最上方的北北基分會群最多。

上圖為全台特殊身分族群分布，由於特殊身分族群得免審查資力，因此為法扶基金會的主要服務族群。總體而言，「原住民」申請人口最多，其次為「低收中低收入戶」與「身心障礙族群」。

上圖則為台灣法律扶助申請案件的案由分布，次數排名前五的申請案由分別為「債篇」、「毒品危害防制條例」、「傷害罪」、「勞工」、「消費者債務清理條例」。
◆ 分會覆蓋率分析 – 以北北基鄉鎮市區為例
人口基數大的區域，便可能有更多法律扶助申請人，因此不能僅以申請人口多寡來斷定一個區域的需求缺口大小。為了排除人口基數的影響，我們使用「覆蓋率」做為輔助判斷的指標，公式為「該區域法律扶助申請人」除以「該區域總人口」，該指標代表「在一定人口下，有多少百分比的人會申請法律扶助」。
此外，分析特殊身分族群將更具代表性，因此接下來我們針對「低收中低收入戶」、「身心障礙族群」、「原住民」等三個特殊身分族群，於北北基各鄉鎮市區的覆蓋率分布進行分析。

上圖為低收中低收族群於各鄉鎮市區的覆蓋率氣泡地圖，氣泡越大代表該鄉鎮市區的申請人越多，顏色越淺則代表覆蓋率越低；黑色地標由北至南分別代表基隆分會、士林分會、新北分會、台北分會於地圖上的位置。總體觀察可以發現分會周邊的鄉鎮市區氣泡顏色較深，代表覆蓋率普遍較高；而如果將覆蓋率偏低的鄉鎮市區挑出來，也就是圖中有黑色粗框的氣泡，可以發現這些覆蓋率偏低的地區，跟分會的距離都較遙遠。由此可知，「地理因素」對於弱勢族群是否會申請法律扶助是個重要影響因子。