國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
53
第四章 實證分析結果
微笑單車使用量空間分析
本節首先將分析微笑單車在空間上的使用群聚情形，運用社群網絡分析，將 其進行模塊化分群。後續則進行使用量之熱點分析，用以分析平日以及假日在使 用上之熱點分布情形。資料期間皆為2013 年 1 月至 2014 年 11 月之租借資料。
微笑單車社群網絡分析
社群網絡分析在過往研究中大多用在特定網絡關係結構，例如:社群網站上所 形成之社會關係探討或是金融保險業針對客戶及組織進行分析。，本研究將其運 用在微笑單車站點彼此關係之探討上。透過社群網絡分析，可以更了解在研究期 間，哪些站點與其他站點有較多之連結以及透過中介中間度指標(Betweenness Centrality)來了解哪些站點是作為群集間連結的重要中繼站點。
本研究利用 Postgres 軟體對微笑單車租借母體資料檢索而來的 O-D 資料進 行資料擷取，並將擷取後之租借資料，運用Gephi 軟體進行社群網絡分析。基本 原理為依據站點間彼此的借還量作為權重，將所有站點進行模塊化(Modularity)之 運算，進行所有站點的分群。分群結果視覺化之呈現可以用來判讀各站點之間關 係以及連結之強弱程度。如圖4-1 所示，現假設有 1 至 5 號站點，藍色箭頭代表 站點間借還量之多寡，可清楚看出 1、2 及 3 號站點彼此間關係較為密切，因此 形成一個綠色的群集，同樣地，4 號及 5 號站點則因彼此關係較為密切而形成同 一個橘色的群集。圓圈本身的大小則代表原站點借還次數的多寡。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
54
圖4-1 社群網絡分析示意圖 本研究自行繪製
經社群網絡分析計算及考量站點數量後本研究將微笑單車系統分為 10 個群 集，每一個群集內含之站點數並不一致。如圖4-2 所示，可由點與點之間線段看 出站點間彼此關聯程度高低，而點本身之大小則代表該站點租借量之多寡。然而，
Gephi 軟體在使用上並未能賦予資料點地理座標，因此須將社群網絡分析結果使 用地理資訊系統進行空間上之展現，如圖4-3 所示。
而由圖 4-3 可看出文山區(深紅色)之分群僅有四個站點，原因可能為該群集 距離其他群集較遠，然而距離卻非影響分群結果之唯一因素，地形、建成環境與 周邊交通流量亦可能影響分群結果，例如內湖區(橘色)東湖國小、東湖國中、捷 運東湖站之站點雖鄰近南港區(深藍色)之站點分群，卻因南湖大橋阻隔與交通車 流量大之因素而自成一群。因此可以證明除了距離之外，地理上的天然阻隔以及 交通上連結方便與否，亦是影響公共自行車使用量多寡以及各站點間連結關係之 原因。
另一方面，從分析結果可以得知，在黃色的群集中，聚集了較多依靠原站點 借還的站點，如師範大學站、捷運東門站、忠孝新生站、龍門廣場站，可能代表 此區的生活機能較為完整，此處的旅次有較高比例並非呈現單向流動，其餘擁有 此特性的其他群集站點有捷運市政府站、臺大醫院站、台北轉運站、羅斯福新生 南路口、捷運公館站等等。圖中可觀察出作為群集間連結的站點，在大群集如圖
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
55
中黃色及右上角深藍色群集裡有:捷運忠孝新生站、龍門廣場站、捷運臺大醫院 站。而在較小群集裡如圖中暗紅色、紅色、藍色群集裡則為:捷運士林站、捷運劍 南路站以及捷運木柵站。由此可知，成為群集中繼點之站點多為捷運站周邊之站 點，可以合理推論捷運站點周邊之站點較容易成為民眾轉運至目的地之中繼站。
圖4-2 微笑單車社群網絡分析圖
圖4-3 社群網絡分析結果座標對位圖
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
56
微笑單車熱點分析
綜合上述微笑單車在各時間點之使用趨勢，可發現平日(周一至周五)與假日 (周六及周日)，其在使用的趨勢上有很大的不同，平日為雙峰狀，假日為單峰狀，
可以推斷平日與假日使用上之考量因素與區位可能不盡相同，因此本研究後續將 使用量分成平日模型與假日模型進行探討。
在熱點分析的部分，本研究使用 Arcgis10.3 版本之 hot spot analysis - Getis-Ord Gi*功能進行計算與分析，操作方式為將各站點之位置圖層放入地理資訊系統 中，運用平日平均使用量與假日平均使用量進行熱點分析。Getis-Ord Gi*的計算 方式為，若站點與周邊鄰近站點使用量都較高，會得到一個較高的正值為 Getis-Ord Gi*值，代表其空間聚集程度具有統計顯著性。Getis-Getis-Ord Gi*值越高代表使用 量越集中，可知該區為微笑單車使用熱點。反之，若為負值，則負值越小代表低 值群聚越強烈，可知該區為微笑單車使用冷點。
而平日模式之熱點分析如圖4-4 所示，可見在平日使用之熱點由公館臺灣大 學周邊向北沿著基隆路至信義區捷運市政府站周邊，形成一個自行車騎乘之群聚 熱區。推測形成熱區之可能原因為，公館周邊大學生眾多，有臺灣大學、臺灣科 技大學、臺灣師範大學，根據過往文獻指出，大學生為公共自行車使用主要群體 之一，因此形成一個熱區。信義區周邊則是因為上班族多，可作為通勤使用，以 上班族使用為大宗。且在平日夜晚，兩地分別有公館商圈以及信義計畫區商圈，
分別吸引不同目的之旅次使用。因此使此區塊形成一個微笑單車使用熱區。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
57
圖 4-4 微笑單車平日使用量熱點分析圖
而假日模式之結果則如圖4-5 所示，基本上圖形趨勢與平日模式無異，與原 先本研究預期兩結果應不同有所差異。推測其可能原因為此聚落已構成相當成熟 之自行車騎乘風氣，因此不論平日或是假日，此區塊之公共自行車使用量皆具有 相當之規模。另一可能原因為，公館周邊平日有通學大學生支撐其使用量，假日 則因附近有公館商圈，可滿足當地大學生購物、飲食日常所需，微笑單車因可以 提供該地大學生短程接駁使用，故使用量並不受平假日影響。而信義計畫區一同，
該區域擁有商圈、電影院以及知名地標臺北101 是臺北市相當著名之假日景點之 一，在假日可以吸引許多遊客前來，因此其運量亦不受平日或是假日之影響。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
58
圖 4-5 微笑單車假日使用量熱點分析圖
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
59
線性迴歸分析結果 最小平方法模式結果
本研究利用統計軟體SPSS 以一般線性迴歸普通最小平方法進行校估，而在 進行模型校估前，應先進行相關性分析以及檢測模式是否符合線性迴歸之基本假 設，如下所示:
(1)自變數與應變數之間應呈現線性關係 (2)自變數彼此獨立不存在共線性之問題 (3)樣本之誤差項與應變數為常態分布之假設 (4)誤差項不存在自我相關問題(autocorrelation) (5)誤差項變異數同質性問題
若以上五個假設之檢定有任一結果不符者，則代表模型本身設計存在瑕疵以 及偏誤，將會使得最小平方法的線性迴歸模型無法解釋資料所做成之結果，因此 需要針對變數進行必要之調整，以維持模型之準確性及確保其解釋能力。
平日模式
首先在一般最小平方迴歸分析中，將第三章第四節所納入之全部變數不做任 何處理，將數值以 SPSS 軟體進行處理，校估模式解釋變數相關性矩陣如表 4-1 所見。模式校估結果表如表4-2 所示。由表 4-2 可知整體模式解釋能力稍低，調 整後R2 = 0.276 代表解釋能力有 27.6%，模式有通過 95%顯著水準。
然而在個別變數顯著性中，通過99%顯著水準之變數有人口數、大學人數、
站點容量三個變數，通過95%顯著水準的有捷運進出站人數一個變數，通過 90%
顯著水準的有及業人口以及路口數兩個變數。
‧
‧
檢定時，由 Kolmogorov-Smirnov 單一樣本檢定應變數是否符合常態分配時，發 現如表4-3 所示應變數 P-Value 為 0.00 拒絕虛無假設。因此應變數並非呈現常態 Kolmogorov-Smirnov Z 檢定 2.335漸近顯著性 (雙尾) 0.000
‧
Kolmogorov-Smirnov Z 檢定 0.551
漸近顯著性 (雙尾) 0.921
‧
‧
最小平方法假設檢定時，發現由 Kolmogorov-Smirnov 單一樣本檢定應變數是否 符合常態分配時，如表4-8 所示，應變數 P-Value 為 0.00 無法拒絕虛無假設。因 此應變數並非呈現常態分佈情形。如前段所述，若應變數不能符合常態分配之假 設時，代表模型原本設計有瑕疵，會使得模型結果之 F 檢定及 T 檢定均失去效 用。必須重新設計模型或改變應變數之型態。‧
Kolmogorov-Smirnov Z 檢定 2.205漸近顯著性 (雙尾) 0.000
Kolmogorov-Smirnov Z 檢定 0.529
漸近顯著性 (雙尾) 0.942
a. 檢定分配為常態。
b. 根據資料計算。
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
67
性關係。其虛無假設為各係數與0 無異，即此迴歸模式未顯著為線性關係。對立 假設為每個係數皆為非 0 係數，可代表迴歸模式自變數與應變數間呈現線性關 係，本研究使用F 檢定來操作此項檢定。在前述表 4-5 可見在平日模式半對數迴 歸模型可得F 值為 12.285。檢定統計量 12.285 大於統計檢定量 2.01，代表統計 檢定結果拒絕虛無假設，表示此迴歸模式之各係數並不顯著為0。另外，在前述 表4-10 亦可見假日模式半對數迴歸模型之 F 值為 11.608 亦明顯大於檢定門檻值 2.01，亦拒絕虛無假設。因此可證實平日模式及假日模式半對數迴歸模型應變數 與自變數間呈現線性關係，可繼續進行其他假設之檢驗，後續將依序檢查兩模式 是否存在多重共線性、誤差項成常態分佈、誤差項變異數同質性以及誤差項自我 相關檢定。
自變數彼此獨立不存在共線性之問題
檢驗模式是否存在共線性問題，可以透過SPSS 操作模式時所提供之變異數 膨脹係數 VIF 值進行檢定。其虛無假設為模式存在多重共線性問題。兩模式之 VIF 值如前表 4-5 及表 4-10 所示。由表中可見平日及假日兩模式中所有解釋變 數變異數膨脹係數皆小於本研究設定之門檻值5，因此拒絕虛無假設，表示兩模 式選取之7 個解釋變數間並不存在共線性問題。
檢驗模式是否存在共線性問題，可以透過SPSS 操作模式時所提供之變異數 膨脹係數 VIF 值進行檢定。其虛無假設為模式存在多重共線性問題。兩模式之 VIF 值如前表 4-5 及表 4-10 所示。由表中可見平日及假日兩模式中所有解釋變 數變異數膨脹係數皆小於本研究設定之門檻值5，因此拒絕虛無假設，表示兩模 式選取之7 個解釋變數間並不存在共線性問題。