第三章 變數與資料來源
第二節 各變數說明與資料來源
第二節 各變數說明與資料來源
一、 每日進站人數（台北捷運官網）
本文主要分析台北捷運載客量最高的三條路線，分別為板南線 29.27%、淡 水信義線 25.25%及松山新店線 17.31%11。樣本為這三條路線 2015 年 1 月 1 日 到 2020 年 8 月 31 日的每日進站人數，共 138504 筆資料，其中板南線因 2015 年 6 月 30 日才設立頂埔站，因此並無 2015 年 1 月 1 日至 2015 年 6 月 29 日之 載客量資料，表二顯示，樣本中最小值為 88，最大值為 247112，因此本研究將 進站人數取自然對數，來改善偏態問題。
表二
進站人數資料敘述
變數名稱 樣本數 平均值 變異數
進站人數 138,504 23544.48 21228.68
ln(進站人數) 138,504 9.79 0.76
變數名稱 最小值 最大值 偏度 峰度
進站人數 88 247112 4.016 26.20
ln(進站人數) 4.48 12.42 -.378 3.968
根據 Hair et al. (2010)，偏度在±2之間，峰度在3 ± 7之間，實務上可以視 為常態。準此，ln(進站人數) 可以視為常態分布樣本。
二、 氣溫與雨量（中華民國中央氣象局、觀測資料查詢）
中央氣象局紀錄全台每個天氣觀測站的歷史資料，本研究擷取 2015 年 1 月 1 日到 2020 年 8 月 31 日台北市與新北市的天氣觀測站每日氣溫及雨量測值，
共 43 個天氣觀測站。由於各天氣觀測站與各捷運站不在同一處，因此捷運站 𝑖 的真實雨量值和真實氣溫值 𝑟𝑎𝑖𝑛𝑖、 𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑒𝑖 是未知的，只能根據各個 觀測站的觀測值來推估。本研究透過 ArcGIS 計算各捷運站到各天氣觀測站之間 的實際距離，並使用加權法推估各捷運站氣溫及雨量測值。具體而言，捷運站 𝑖 的氣溫和雨量的推估值分別為：
𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑒̂ 𝑖 =∑ 𝑤𝑗 𝑖𝑗𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑒𝑗
∑ 𝑤𝑗 𝑖𝑗
11 我們從台北捷運官網提供的旅運量計算出板南線、淡水信義線及松山新店線為台北捷運系統 旅運量最高的三條線。
9 的人口貢獻了 6390*57.26%≒3658 人，仿此，我們依序算出福志里貢獻了 788 人、福林里貢獻了 466 人、仁勇里貢獻了 2795 人、義信里貢獻了 484 人、福得 里貢獻了 3882 人及福佳里貢獻了 1048 人，因此可得 2015 年 1 月士林站範圍
12 因為每日都有不同的觀測值，這兩式的雨量和氣溫的下標都必須加上時間 t. 此處為求符號簡 潔，因而省略下標 t。
10
500 公尺內人口數為 13121 人，其他站則依同樣的方法計算。總樣本共 138690 個，以日為單位，然而人口計算以月為單位，因此在人口變數中，若對應到相 同年份與月份，其觀測值相同，例如，2015 年 1 月 1 日到 2015 年 1 月 31 日的 觀察值同為 13121 人。本研究以捷運站方圓 500 公尺內人口為主，200 公尺及 300 公尺則作為穩健性分析，測試本研究估計係數的穩定性。
圖一:人口變數處理方法示意圖 表三
2015 年 1 月到 2020 年 8 月各範圍人口敘述統計
變數名稱 樣本數 平均值 變異數
人口 (200 公尺) 138,690 3792 2898 人口 (300 公尺) 138,690 8611 5837 人口 (500 公尺) 138,690 24102 14056 ln(人口 200 公尺) 138,690 7.95 0.87 ln(人口 300 公尺) 138,690 8.79 0.85 ln(人口 500 公尺) 138,690 9.85 0.79
變數名稱 最小值 最大值 偏度 峰度
人口 (200 公尺) 214 21069 2.96 17.72 人口 (300 公尺) 482 37672 1.82 9.70 人口 (500 公尺) 1316 70554 0.71 3.94 ln(人口 200 公尺) 5.37 9.96 -1.01 3.88 ln(人口 300 公尺) 6.18 10.54 -1.06 3.85 ln(人口 500 公尺) 7.18 11.16 -1.22 4.35
表三顯示，各站附近人口的最小值與最大值相差頗大，因此本研究將各站 附近人口取自然對數，來改善偏態問題。根據 Hair et al. (2010)，偏度在±2之
11
間，峰度在3 ± 7之間，實務上可以視為常態。準此，ln(捷運站周遭人口) 都可 以視為常態分布樣本。13
五、 每日入境人數（內政資料開放平台）
表四顯示 2020 年每日入境人數與 2015 年到 2019 年相比，數字明顯下降。
此乃疫情造成各國封鎖國境，外國旅客無法來台旅遊，造成旅遊業極大衝擊，
影響層面更擴大至交通業，對捷運載客量應該也有不小影響。
表四
2015-2019 年及 2020 年入境人數敘述統計
變數名稱 樣本數 平均值 變異數
2015-2019 入境人數 122,342 69987.93 9633.61 ln(2015-2019 入境人數) 122,342 11.15 0.15
2020 入境人數 16,348 15479.59 26139.84 ln(2020 入境人數) 16,348 8.06 1.78
變數名稱 最小值 最大值 偏度 峰度
2015-2019 入境人數 11844 106307 -0.50 5.17 ln(2015-2019 入境人數) 9.38 11.57 -2.43 23.04 2020 入境人數 204 91679 1.63 4.06 ln(2020 入境人數) 5.32 11.43 0.74 2.074
根據表四，入境人數本身就通過 Hair et al. (2010) 的常態分布判定，取對數 反而更不像常態分布。因此，我們採用入境人數本身作為解釋變數。
六、 假日（行政院人事行政總處）
考量到捷運載客量可能受到假日因素，造成載客量暴增，因此控制節假日 變數，包含跨年、元旦、春節、228、清明節、端午節、勞動節、中秋節、雙十 節及颱風假，將此節日變數以虛擬變數方式呈現。
七、 COVID19 每日新增確診數（衛生福利部疾病管制署）
2020 年全球受新冠肺炎影響，各國紛紛祭出鎖國政策，不僅國際間的航線 飽受打擊，在各國國境內，人們也可能避免搭乘公共交通工具(Chen, Yang, Yang, 2021)。本次研究對象台北捷運屬於大眾運輸系統，應該也會受到新冠肺炎影
13 根據這個標準，捷運站範圍 500 公尺內的人口，不取對數就當常態分布樣本，而範圍 300 公 尺在比較尷尬、範圍 200 公尺不行。為了處理上一致以利作穩健性分析，我們皆採用周遭人口 取對數。
12
響，因此，本實證模型將「新冠肺炎每日新增確診人數」作為主要解釋變數，
評估的是「新冠肺炎新增確診數對捷運人流」的影響，我們將之視為心理效果
14。另外，考量到當日確診人數通常在下午的記者會才正式發布，對隔日的捷 運流量影響較大，因此，實際跑回歸時，t-1 期的 COVID19 新增確診人數影響的 是 t 期的捷運進站人數。
14 我們考量過：每日新增「本土」確診數也許更能反映人們的心理。然而，台灣的防疫表現傑 出，2020 年 4 月 13 日至 12 月 21 日長達 253 天皆無本土確診案例。因此，若以「每日新增本 土確診數」作為解釋變數，將有太多的「零」，不利於分析和解釋。
13