以傳染病而言在評估過台灣各行政區實質資源分配以及能有效影響衛生決策的 單位過後，本論文將以台灣本島現行行政劃分之直轄市、省轄市、縣所構成本島 22 縣市，以及 22 縣市依據行政區及鄉鎮市所細分之 353 鄉鎮市為規模（中華民 國交通部運輸研究所, 2008）。以上述所提及規模建構研究所需交通旅運網路資料 以模擬人口流動，進而窺探人口流動造成的病原體遞移現象。其中建構 22 縣市 及 353 鄉鎮市的交通網路資料包含了台灣短程通勤資料、台灣鐵路站起訖資料、
台灣航空站起訖資料以及台灣高鐵站起訖資料，資料內容及轉換細節則為以下所 敘。
3.1.1 台灣短程通勤旅運網路資料
本研究使用台灣行政院主計處所調查 2000 年台灣人口普查資料，此資料依據民 眾戶籍地及工作地的關係建構所有鄉鎮市間每日通勤往來的人口數。此人口普查 資料包含一 409 x 409 大小的矩陣內容，代表台灣各鄉鎮市共計 409 個鄉鎮市每 日往來通勤人口數，其中列為居住地行為通勤地，矩陣中第 I 列第 J 行資料代表 編號 I 鄉鎮市每日通勤至編號 J 鄉鎮市人口數。此資料除了將台灣直轄市、省轄 市、縣所構成 22 縣市依據行政區及鄉鎮市往下細分為 353 鄉鎮市外，更將台北 市 12 行政分區再細分為 68 個部分，因此共計有 409 個鄉鎮市通勤人口資料。此
17
人口普查資料不符本論文所需，所以必須將此 409 鄉鎮市通勤資料轉換為 353 鄉鎮市以及 22 縣市兩種規模，以符合本研究建構台灣短程通勤旅運網路資料的 要求。
本論文所使用的 353 鄉鎮市規模與通勤人口資料的差別在於未將台北市 12 行政分區往下細分，因此必須利用圖 3-1 概念將 409 x 409 大小的通勤人口資料 矩陣中被細分的台北市各行政分區轉換合併為 353 x 353 大小的短程通勤旅運網 路矩陣。至於 22 縣市短程通勤旅運網路的矩陣建立方式則是利用相同的處理概 念，將建構出來的 353 鄉鎮市矩陣資料依據各自所屬縣市合併為 22 縣市矩陣資 料。
圖 3-1 通勤網路矩陣合併概念
3.1.2 台灣鐵路通勤旅運網路資料
18
在鐵路通勤旅運網路資料方面，本文使用民國 95 年及 97 年台灣鐵路管理局客運 旅次起迄表建構鐵路通勤旅運網路（中華民國交通部運輸資訊組, 2009b）。台灣 鐵路管理局將台灣鐵路起訖站大致分為圖 3-2 的 49 個主要分區，如圖 3-2 每個 主要分區都涵蓋了數個鄉鎮市的起訖人數資料，資料內容為 49 x 49大小的矩陣；
矩陣內容代表了每年於此 49 個分區往來起訖的人口數，因此最後必須將資料再 除以 365 才是每日的鐵路通勤旅運人數。
圖 3-2 台灣鐵路主要交通 49 個分區
由於各鐵路交通分區涵蓋一至數個鄉鎮市，所以本論文將旅次起訖表根據下 列公式擴充至台灣 353 個鄉鎮市鐵路往來通勤旅運人數。
R = r × P
P_all × P
P_all (3-1)
其中Ｒ 代表每日由編號 i 之鄉鎮市搭乘鐵路往編號 j 鄉鎮市人口數，r 為每日
19
搭乘鐵路由交通分區 p 至交通分區 q 人口數，P 與P 代表編號 i 鄉鎮市與編號 j 鄉鎮市當地人口數、P_all 與P_all 代表交通分區 p 與交通分區 q 所涵蓋的鄉鎮市 總人口數，而在 22 縣市的矩陣建立則與台灣短程通勤旅運網路相同。
3.1.3 台灣航空通勤旅運網路資料
本論文使用民國 97 年台灣交通部運輸所提供國內航線班機載客率建構航空通勤 旅運網路，資料內容為 9 x 9 大小的矩陣（中華民國交通部運輸資訊組, 2009b）；
以國內航班資料為主包含台灣的台東、花蓮、松山、台中、嘉義、台南、小港、
屏東及恆春共九個航空站於 97 年間往來的旅客人數，同樣的資料也必須除以 365 才是每日的航空通勤旅運人數。
本研究將航空資料的交通分區分為九大區，各個航空站代表一個交通分區，
每個交通分區的涵蓋範圍再根據各航空站位處的地理地址決定。依據航空站與鄉 鎮市的經緯度座標，本研究將各鄉鎮市分配至與其直線距離最近的航空站代表此 鄉鎮市所屬區域，接著如同 3.1.2 節台灣鐵路通勤旅運網路的還原方式，根據各 交通分區人口數比例還原便可得到 353 鄉鎮市及 22 縣市規模的航空通勤旅運網 路。
3.1.4 台灣高鐵通勤旅運網路資料
台灣高速鐵路沿台灣西部一共建立了台北、板橋、桃園、新竹、台中、嘉義、台 南和左營一共八個站，本研究將根據台灣交通部高速鐵路工程局所提供民國 98 年高鐵各站起訖旅客量資料建立研究所需高鐵通勤旅運網路。資料內容為 8 x 8 大小矩陣，包含各站於 98 年間起訖旅客人數（中華民國交通部高速鐵路工程局, 2009）。
如同前述 3.1.3 節對於航空資料的處理方式，本研究將高鐵各站歸類為一共 八個交通分區，根據高鐵各站與鄉鎮市的經緯度座標來決定個高鐵站的交通分區 涵蓋多少鄉鎮市，接著同樣如本文 3.1.2 節的還原方式，根據各交通分區與鄉鎮
20
市的人口數比例建構 353 鄉鎮市及 22 縣市規模的高鐵通勤旅運網路。
3.1.5 總交通通勤旅運網路建構
根據 3.1.1 節至 3.1.4 節所述，本研究利用台灣長短程通勤旅運網路資料建構出短 程通勤旅運網路、鐵路通勤旅運網路、航空通勤旅運網路及高鐵通勤旅運網路，
在本文中以下列式子代表總交通通勤旅運網路的構成：
W = w × C + w × R + w × H + w × A (3-2) W 代表總交通通勤旅運網路，而W 代表每日由編號 i 之鄉鎮市通勤上班往編號 j 鄉鎮市人口數，C、R、A、H則分別代表短程通勤旅運網路、鐵路通勤旅運網路、
航空通勤旅運網路、高鐵通勤旅運網路，其中 w1、w2、w3、w4（weight1~weight4）
為由 0~1 分佈實數分別乘上 C、R、H、A 為各長短程通勤旅運網路佔有權重，
如此便為本研究用以模擬人口流動的總交通通勤旅運網路日旅運量完整組成。在 組成總交通通勤旅運網路的過程中使用權重原因在於，每種長短程交通的日旅運 量並不一定完全是通勤人口可能有部分比例為搭車遊玩的旅客，因此本研究必須 用權重的方式來調整對傳染病傳播有影響的通勤旅客人次，找出所佔權重以組成 真正有影響力的通勤旅運網路。
在調整過各長短程通勤旅運網路權重，組成真正有影影響力的通勤旅運網路 後，本研究則會將總交通通勤旅運網路進行正規化（normalize）的動作，將居住 地與通勤地的關係轉變為機率值方便本研究做出計算。正規化的方法為將總交通 通勤旅運網路的每一列元素皆除以該列總和，這樣便可獲得計算時使用的總交通 通勤旅運網路。