變數重要性

變數重要性（Variable Importance）是一種衡量模型中各個輸入變數對於預測目標貢獻度的指標，是實現「可解釋人工智慧」（Explainable AI, XAI）的核心技術之一。其起源於統計學與機器學習領域，旨在打開AI模型的「黑盒子」，解釋模型為何做出特定預測。在風險管理體系中，這直接對應ISO 31000:2018風險管理指導方針中對於「風險識別」與「風險分析」的要求，因其能明確指出哪些因素是導致風險事件（如客戶流失、供應鏈中斷、信貸違約）發生的主要驅動因子。例如，相較於僅顯示相關性的傳統統計方法，變數重要性（如「排列特徵重要性」）能評估在複雜模型中，移除某個變數會對預測準確度造成多大衝擊。這使得企業不僅知道「什麼」可能發生，更能理解「為什麼」會發生，為制定精準的風險應對策略提供依據。此技術的應用亦符合ISO/IEC TR 24028:2020對AI系統「可信賴性」（Trustworthiness）中關於可解釋性的要求，確保AI在風險決策中的應用是透明且可被驗證的。

在企業風險管理中，變數重要性主要用於從海量數據中精準識別並排序關鍵風險驅動因子，從而優化資源配置與控制措施。具體導入步驟如下：第一步「建立風險預測模型」，針對特定風險（如作業風險中的舞弊事件），利用歷史數據建立一個機器學習預測模型，輸入變數可包含交易頻率、金額、時間、使用者權限等數十個潛在因子。第二步「計算與排序變數重要性」，應用如「平均不純度減少」（Mean Decrease in Impurity）或「排列重要性」（Permutation Importance）等演算法，計算每個輸入變數對模型預測舞弊準確度的貢獻分數，並進行排序。第三步「制定精準應對策略」，根據排序結果，企業可將稽核與監控資源集中在前五大最重要的變數上，例如強化對「下班時間大額交易」的即時警示。某跨國金融機構透過此方法，分析其信貸違約模型，發現「近期查詢信用報告次數」的重要性遠高於「年收入」，遂調整授信政策，成功將早期違約率降低了15%，並提升了審計時對模型有效性的佐證力。

台灣企業導入變數重要性技術時，主要面臨三大挑戰。首先是「數據品質與整合問題」，許多企業內部數據散落於不同系統（ERP、CRM），格式不一且存在缺失值，難以建立有效的預測模型。對策是應優先建立輕量級的數據治理框架，從單一關鍵風險場景（如客戶流失預警）著手，進行數據盤點與清洗，預計3-6個月內完成小規模驗證。其次是「跨領域人才短缺」，同時精通風險管理實務與數據科學的專家極為稀少。對策為成立由風控、IT與業務部門組成的虛擬專案小組，並與外部顧問合作，透過工作坊與實作專案進行賦能，逐步培養內部種子部隊。第三是「模型驗證與法規遵循的不確定性」，金融業等受高度監管的行業，對於AI模型的解釋性與公平性要求日益嚴格，但具體規範仍在發展中。對策是主動遵循國際最佳實踐，參考美國國家標準暨技術研究院（NIST）發布的《AI風險管理框架》（AI RMF 1.0），建立內部模型風險管理辦法，記錄變數重要性的分析過程，以應對未來監管要求，並將其作為提升決策品質的內部管理工具。