來一趟說走就走的旅行論文書籍站
國立成功大學 工業設計學系碩士在職專班 林彥呈所指導 鄭淵壕的 應用AI分析生活空間塑膠足跡輔助永續產品開發決策 （2020），提出行李箱回收高雄關鍵因素是什麼，來自於人工智慧、塑膠足跡、田野觀察、產品影響力地圖、永續設計。
而第二篇論文台北海洋科技大學 海空物流與行銷系 傅衡宇所指導 曾千芝的 航空公司負面新聞與購買意願之研究 （2019），提出因為有 航空業、負面新聞、購買意願的重點而找出了 行李箱回收高雄的解答。
應用AI分析生活空間塑膠足跡輔助永續產品開發決策
為了解決行李箱回收高雄 的問題，作者鄭淵壕 這樣論述：
聯合國在2019年將塑膠汙染列為僅次於氣候變遷的危害，在環境中掩埋，洩漏在海洋的塑膠廢棄物已是全球災難。本研究結果不在於提倡環保，或綠色消費，畢竟大部份使用者在對於生活享受或產品樂趣是高於其為環境改變而減少享受等這類道德動機。本研究會聚焦在工業設計第一階段田野觀察，透過導入AI深度學習技術（Deep Learning），提高實驗大規模田野、取得更接近母體數量的樣本的可能性，來進一步精確了解，設計產品對於整個社會與使用習慣的影響，而驅動本文的研究動機。本研究希望提出更透明化、一致性、準確性的生活數據，透過科技力的輔助，來觀察個人生活空間（personal living space, PLS）裡
的塑膠足跡的流動與使用習慣。鼓勵發展生態上有效的技術，以及大量的重新設計都市的循環基礎建設，並從中找到新未來的商業模型與產品開發決策因素。本研究主要參考於ISO/TS14067 及PAS2050的盤查數據收集五大原則，以YOLO深度學習神經網路的辨識技術來建構塑膠足跡（Plastic Footprint），透過使用者提供生活空間照片進行間接式田野觀察，探討人類、環境、物件三者間的互動關係，提供工業設計師、決策者在跨部門設計溝通，評估永續產品開發對環境與社會影響的一套流程或介面。研究方法 : 間接式田野觀察、機器學習、企業深度訪談。在研究成果部分，（1）AI辨識速度與準確率的驗證。本研究主要以機
人合作概念，以深度學習辨識為主，人眼為輔，採YOLOv4深度學習神經網路進行塑膠物件的辨識，Mask R-CNN我們應用在前測階段負責標註塑膠產品，輔助人眼識別。在YOLO物件辨識的部分，經人工交叉比對驗證，其準確度可達92.55%；YOLOv4與YOLOv3相比，可增加23.76%（183個）的物件偵測命中率；照片資料分析與框選速度可較人眼（194.9sec / photo）提高兩百九十五倍到千倍之多（0.18~0.66sec / photo）；本研究樣本78人198張照片，跨越三縣市台南、高雄、雙北的26個行政區，四種不同的個人生活空間（PLS），房間、客廳、浴室、辦公室。而AI神經網路在
照片中識別出的953個塑膠物件只用了130秒。並且經過人眼反覆確認，驗證只需要一名專業人員，約為數小時，保守估計實際應用可提高田野觀察的分析速度50倍以上，且達高準確度，適合大規模量化調查研究使用。（2）田野調查流程的簡化透由AI技術導入，傳統九大流程可縮減為四大流程。（3）建構數據視覺化，塑膠足跡與產品影響力地圖。（4）在驗證的部分，數據分析在箱型圖（Box Plot）顯示一個人在生活中持有物品的狀態，backpack、clock、keyboard、laptop、mouse、suitcase（行李箱），一個人擁有一件；chair、sofa、TV & monitor擁有1-2個；cup、ted
dy bear（玩偶），擁有1-3個；遙控器擁有2-3 個；potted plant（盆栽） 擁有2-4個；瓶罐類4-7個，有著極大離峰值（outlier）40、21、16件，每個人在此類有極高的變異（Variance）。實驗結果非常接近我們現實生活的體驗。（5）最後，本研究提出4種工業設計師或企業應用決策評估情境模擬，以供未來進行可建立在資料驅動上（Data-Driven）的設計。
航空公司負面新聞與購買意願之研究
為了解決行李箱回收高雄 的問題，作者曾千芝 這樣論述：
本研究是以搭乘過亞洲地區航線航空公司的消費者為研究對象，探討航空公司負面新聞與購買意願之研究。本研究採取敘述性統計、信度分析、t檢定、單因子變異數分析、皮爾森積差相關分析及層級多元迴歸分析，總計發出問卷74份，其中回收74份，有效問卷共計74份，有效回收率為100%。研究發現：不同性別、年齡、教育程度、婚姻狀況、的消費者在負面新聞認知上沒有差異性。不同職業及搭乘次數的消費者在負面新聞認知上是有差異性的。不同性別、年齡、教育程度、職業的消費者在購買意願上沒有差異性。不同婚姻狀況的消費者在購買意願上是有差異性的。顧客對於航空公司負面新聞認知對購買意願有負向影響。關鍵字: 航空業、負面新聞、購買意
願