新型流感起始於台北市大安區

(表 4-2)，亦發現隨著策略施行時間點的拖延，交通阻絕策略單位成本所能達到

施行時間點為第五天、第七天與第九天，基因演算法所找到的交通阻絕策略不 但無法延遲花蓮縣疫情，反而使得高峰期提早發生。但事實不然，同樣比對花 蓮縣在無施行任何策略與施行基因演算法所找到的策略，具有症狀且具感染力 (I)者的時間序列(圖 4-8b)，可以發現交通阻絕策略減緩了花蓮縣疫情的規模，使 花蓮縣的疫情提早結束。同理，宜蘭縣的疫情也因為提早結束而使程式誤判為 疫情提早進入高峰期。所以本研究基因演算法的設計還無法同時判斷交通阻絕 策略減緩疫情的規模與延遲疫情的高峰期，而這是未來我們要努力改進的地方。

\縣市 台北縣 宜蘭縣 桃園縣 新竹縣 苗栗縣 台中縣 彰化縣 南投縣 雲林縣

疫情高 峰期

12 23 17 37 41 33 37 40 57

\縣市 嘉義縣 台南縣 高雄縣 屏東縣 台東縣 花蓮縣 基隆市 新竹市 台中市

疫情高 峰期

54 28 22 31 28 23 24 33 31

\縣市 嘉義市 台南市 台北市 高雄市

疫情高 峰期

44 30 15 23

表 4-3 模擬新型流感一開始爆發於台北市大安區，在無策略下各縣市疫情處 在最高峰的時間(疫情高峰期的定義可參考公式 15 InfectiousPeakⁿ)

(a)

(b)

圖 4-4 模擬新型流感一開始爆發於台北市大安區，在(a)無施行任何交通阻絕 策略與(b)模擬的第一天就關閉所有遠程通勤之狀況下，疫情擴散的情 形。橫軸表示時間，縱軸則表示每日具有病徵且具傳染力者(I)的人數。

(a) (b) (c)

(d) (e)

圖 4-5 模擬新型流感一開 始爆發於台北市大安區，待 疫情規模發展至不同時間 點時，在只考量遠程通勤之 交通阻絕的情形下，基因演 算法所找到的近似最佳交 通阻絕策略。線條後的數字 代 表 在 模 擬 的 第 幾 天 關 站，「開放」代表不關閉此 防疫分區的交通，「x」則代 表此防疫分區沒有該類型 的交通通勤。(a)代表模擬的 第一天、(b)代表第三天、(c) 代表第五天、(d)代表第七 天、(e)代表第九天施行交通 阻絕策略

\交通阻絕策略施行時間點

模擬的 第一天

模擬的 第三天

模擬的 第五天

模擬的 第七天

模擬的 第九天 縣市疫情同步擴散指標 0.409 0.491 0.492 0.491 0.575

相對成效一 1.000 0.566 0.994 0.999 0.950

相對成本一 0.620 0.254 0.446 0.497 0.376

相對成效二 0.241 0.025 0.017 0.016 0.011

相對成本二 0.431 0.193 0.300 0.286 0.189

單位成本之成效指標 0.559 0.130 0.057 0.056 0.058

表 4-4 對應圖 4-5 所列交通阻絕策略之成效與成本分析

縣市\延遲的天數

(a)

(b)

(c)

(d)

(e)

圖 4-6 對應圖 4-5 所列交通阻絕策略延遲各縣市疫情高峰期之成效(a)為新竹 市(b)為台中市(c)為嘉義市(d)為台南市與(e)為高雄市。橫軸表示時間，縱

軸則表示每日具有病徵且具傳染力者(I)的人數。

(a)

(b)

(c)

(d)

(e)

圖 4.7 模擬新型流感開始爆發於台北市大安區，在不同策略施行時間點，基 因演算法所找到的交通阻絕策略錯開各縣市疫情的情況。(a)無施行任何 策略，(b)策略施行時間點為第一天、(c)第三天、(d)第五天、(e)第九天。

橫軸表示時間，縱軸表示「縣市疫情同步擴散指標」(表 4-2)

(a)

(b)

圖 4-8 當疫情開始爆發於台北市大安區，比較兩種情境下(a)桃園縣與(b)花蓮 縣疫情的發展，一種情境是不施行任何策略(紅色線條)，另一種則在策 略施行時間點為第九天，施行基因演算法所找到近似最佳的交通阻絕策 略(綠色線條，見表 4-5)。橫軸表示時間，縱軸則表示每日具有病徵且具

傳染力者(I)的人數