# 「疫」卡「通」–新冠肺炎、天氣因子對捷運人流之影響

## 全文

(1)

### 「疫」卡「通」–新冠肺炎、天氣因子對捷運人流之影響

Impact of Covid-19 and Weather Factors on Ridership Counts of Taipei MRT

(2)

1

(3)

2

### Abstract

This study establishes an estimation model of the Taipei MRT passenger volume, focusing on the Bannan Line, Songshan-Xindian Line, and Tamsui-Xinyi Line, which carry most passengers. The dependent variable is the number of people arriving at the MRT station, and the explanatory variables are temperature, rainfall, and the population living around the MRT station. For these variables, the true values of the MRT stations are unknown. We use the geographic information system to help estimate the rainfall, temperature, and surrounding population of each MRT station. According to the estimated results of the fixed-effects model, all of the aforementioned variables have a statistically significant impact on the MRT passenger volume.

We assume that the COVID-19 pandemic will affect the passenger volume of the MRT through two channels: “daily new cases” and “the change in the number of arrivals.” The former is called the “psychological effect”, and the latter is the “policy effect”. Starting from the basic fixed-effect model and introducing new variables one by one, the impact of these two effects on the MRT volume can be estimated. This study shows that these two effects will jointly explain 65% of the decrease in MRT passenger volume from 2019 to 2020.

(4)

3

(5)

4

(6)

5

## 第二章 文獻探討

### 影響人們搭乘捷運的因素

(7)

6 李漢鈞 (2020) 指出，不同的天氣狀況會影響個人搭乘捷運的意願。主要 分為溫度、降雨量與紫外線。首先是溫度，從研究結果來看，溫度的冷熱會影 響載客量，以早上為例，當上班族出門時，溫度越高，搭乘捷運人數會減少； 再來是降雨量，大部分的人都認為下雨天時會傾向搭乘捷運，尤其是機車族 群，但研究結果顯示，降雨時搭乘捷運人數會減少，文中作者推測因為出門走 到捷運站需要一段距離，反而會選擇離家近的公車或其他私人交通運具；最後 是紫外線，紫外線過高對人是有害的，加上現代人對紫外線帶來的危險有基礎 認知，會擔心曝曬造成的身體危害，所以會偏好選擇搭乘捷運。

### 相關計量模型簡介

7 分析追蹤資料 (panel data) 時，常常假定有「無法觀察卻能影響因變量」 的因素，此又可以分為：隨時間而變、但在個體間並無差異的因素𝑑𝑡，與個體 內稟的、不隨時間而變的因素𝛼𝑖。具體而言，模型可表示為: 𝑦𝑖𝑡 = 𝛽0+ 𝛿0𝑑𝑡+ 𝛽 ∙ 𝑥𝑖𝑡+ 𝛼𝑖 + 𝜀𝑖𝑡 在模型中，符號 i 表示個人、廠商、城市等等，t 表示時間段，𝑥𝑖𝑡是可以觀察到 的解釋變量，𝑑𝑡則是與時間有關的虛擬變數，變數𝛼𝑖無法具體測量、不隨時間 而改變。在模型中𝛼𝑖常被視為個人、廠商或城市本身的異質性，本研究則是將 此變量定義為台北捷運板南線、淡水信義線及松山新店線捷運站間的異質性， 比如說各捷運站的地理位置等等，模型中的𝜀𝑖𝑡則是模型未能捕捉的殘差項。 若資料中的𝛼𝑖確實有影響，而估計係數時將𝛼𝑖 + 𝜀𝑖𝑡一併視為殘差，沒處理 不受時間影響的項（例如 DID 可以去除𝛼𝑖的影響），直接以傳統最小二乘法

(ordinary least squares, OLS) 來估計係數，如此違反「殘差無相關」假設，導致 估計出來的係數偏誤。本研究確實發現了這一現象。因此，以固定效果模型作 為研究主線8

7 參見 Introductory Econometrics (Jeffrey M.Wooldridge,2012).

8 第四章第三節將報告隨機效果模型的估計數值，結果顯示隨機效果模型與固定效果模型估計

(8)

7

## 第三章 變數與資料來源

(9)

8

### 氣溫與雨量（中華民國中央氣象局、觀測資料查詢）

(10)

9 𝑟𝑎𝑖𝑛̂𝑖 =∑ 𝑤𝑗 𝑖𝑗𝑟𝑎𝑖𝑛𝑗 ∑ 𝑤𝑗 𝑖𝑗 在上面兩式中，權重 𝑤𝑖𝑗 = 𝑑𝑖𝑗−1 是捷運站 𝑖 與天氣觀測站 𝑗 的距離 𝑑𝑖𝑗 的倒 數，而 𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑒𝑗、𝑟𝑎𝑖𝑛𝑗 分別是天氣觀測站 𝑗 觀測到的氣溫和雨量12。這 樣推估的精神是，若捷運站 𝑖 與天氣觀測站 𝑗 的距離愈近，捷運站 𝑖 的真實 氣溫或雨量應該與觀測站 𝑗 的觀測值愈接近，因此，相應的權重 𝑤𝑖𝑗 必然也 較大，據此，若設定 𝑤𝑖𝑗 = 𝑑𝑖𝑗−1，權重會隨著距離變小而變大，當距離趨近於 0，權重趨近於無窮大，表示此觀測站和捷運站地點極為接近，觀測站的觀測值 也接近捷運站的真實值。

### 空氣品質衡量（行政院環境保護署空氣品質監測網）

PSI 為空氣汙染指標，監測當日空氣中的懸浮微粒 (PM10) 測值、二氧化硫 (SO2) 濃度、二氧化氮 (NO2) 濃度、一氧化碳 (CO) 濃度及臭氧 (O3) 濃度，

2016 年 11 月 30 日前使用 PSI 值和強化細懸浮微粒（PM2.5）雙指標的方式作 為當日空氣品質的判斷依據。2016 年 12 月 1 日起至今則使用 AQI 空氣品質指 標，AQI 為單一指標，監測當日空氣中的臭氧 (O3)、細懸浮微粒 (PM2.5)、懸浮

### 捷運站附近人口（台北市政府民政局、新北市政府民政局）

(11)

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

(12)

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

### 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

(13)

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。

(14)

13

## 第四章 實證模型

ln(𝑝𝑒𝑜𝑝𝑙𝑒)𝑖𝑡 = 𝛽0+ 𝛽1ln(𝑝𝑜𝑝𝑢500)𝑖𝑡+ 𝛽2𝑟𝑎𝑖𝑛𝑖𝑡 + 𝛽3𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑒𝑖𝑡 + 𝛽4𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑒𝑖𝑡2 + 𝛽5𝑝𝑠𝑖𝑖𝑡+ 𝛽6𝑎𝑞𝑖𝑖𝑡+ 𝛽7𝑐𝑜𝑣𝑖𝑑𝑖,𝑡−1 + 𝛽8𝑓𝑜𝑟𝑒𝑖𝑔𝑛𝑖𝑡+ ∑ 𝛾1𝜏 2020 𝜏=2016 𝑦𝑒𝑎𝑟𝜏𝑡+ ∑ 𝛾2𝜏 12 𝜏=2 𝑚𝑜𝑛𝑡ℎ𝜏𝑡 + ∑ 𝛾3𝜏 6 𝜏=1 𝑤𝑒𝑒𝑘𝜏𝑡+ ∑ 𝛾4𝜏 9 𝜏=1 ℎ𝑜𝑙𝑖𝑑𝑎𝑦𝜏𝑡+ 𝛾5𝑠𝑝𝑒𝑐𝑖𝑎𝑙𝑡+ 𝛼𝑖+ 𝜀𝑖𝑡 ln(𝑝𝑜𝑝𝑢500)𝑖𝑡：捷運站ｉ範圍 500 公尺內人口數取自然對數 𝑟𝑎𝑖𝑛𝑖𝑡：捷運站ｉ每日雨量 𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑒𝑖𝑡：捷運站ｉ每日氣溫 𝑝𝑠𝑖𝑖𝑡：捷運站 i 的空氣品質指標一。若無當日的 AQI，此項為捷運站ｉ 每日 PSI 值；若有當日的 AQI，此項為 0 𝑎𝑞𝑖𝑖𝑡：捷運站 i 的空氣品質指標二：每日 AQI 值。若無當日的數據， 此項為 0 𝑐𝑜𝑣𝑖𝑑𝑖,𝑡−1：台灣前一日的新冠肺炎新增確診人數 𝑓𝑜𝑟𝑒𝑖𝑔𝑛𝑖𝑡：台灣每日入境人數 𝑦𝑒𝑎𝑟𝜏𝑡：年份之虛擬變數，以 2015 年為基準 𝑚𝑜𝑛𝑡ℎ𝜏𝑡：月份之虛擬變數，以 1 月為基準 𝑤𝑒𝑒𝑘𝜏𝑡：星期之虛擬變數，以星期日為基準 ℎ𝑜𝑙𝑖𝑑𝑎𝑦𝜏𝑡：國定假日之虛擬變數，以非假日為基準 𝑠𝑝𝑒𝑐𝑖𝑎𝑙𝑡：跨年 (12/31 和 1/1) 之虛擬變數 𝛼𝑖：捷運站 i 的內稟特性，不隨時間而變，此項無法觀測 𝜀𝑖𝑡：模型無法解釋的殘差項

### 模型說明:

(15)

14 本模型的解釋變數則有：各捷運站方圓 500 公尺內人口數(取自然對數更符 合常態分配)、氣溫、雨量、空氣品質指標（PSI 或 AQI），以及跟日期本身相關 的虛擬變數。為了評估新冠肺炎的影響，我們引入下列兩個變數：台灣每日入 境人數、以及台灣前一日的新冠肺炎新增確診人數。前者代表政府實施邊境管 制的政策效果，後者代表民眾的心理效果

(16)

15

## 第五章 實證結果

(17)

16

(18)

17

(19)

18

(20)

19

### 隨機效果模型（Random Effect）

Standard errors are in parentheses *** p<.01, ** p<.05, * p<.1

(21)

20 我們用 Hausman test 檢定：放入所有變數後，固定效果和隨機效果模型有 無顯著差異，表八顯示，兩者迴歸結果幾乎無差異，雖然固定效果的自由度損 失較多（67 個)，然而本研究的總樣本數多達十幾萬筆，且固定效果模型較符合 直覺，因此，我們對估計結果的解釋都奠基於固定效果模型 表八

Hausman (1978) specification test Coef. Chi-square test value 8.69

degree of freedom 35 p-value 1.0000

### 捷運周圍之人口

(22)

21 表九 捷運站周圍 500 公尺內人口 (1) (2) (3) ln(人口 500 公尺) 0.618 0.617 0.618 全日平均氣溫 0.0110 6 至 23 點平均氣溫 0.00968 7 至 22 點平均氣溫 0.0103 全日平均氣溫平方 -0.000278 6 至 23 點平均氣溫平方 -0.000238 7 至 22 點平均氣溫平方 -0.000251 雨量 -0.001951 -0.001949 -0.001957 表十 捷運站周圍 300 公尺內人口 (1) (2) (3) ln(人口 300 公尺) 0.5353 0.5348 0.5355 全日平均氣溫 0.00110 6 至 23 點平均氣溫 0.00967 7 至 22 點平均氣溫 0.0103 全日平均氣溫平方 -0.000278 6 至 23 點平均氣溫平方 -0.000239 7 至 22 點平均氣溫平方 -0.000251 雨量 -0.001951 -0.001948 -0.001956 表十一 捷運站周圍 200 公尺內人口 (1) (2) (3) ln(人口 200 公尺) 0.4991 0.4986 0.4994 全日平均氣溫 0.0110 6 至 23 點平均氣溫 0.00968 7 至 22 點平均氣溫 0.0103 全日平均氣溫平方 -0.000279 6 至 23 點平均氣溫平方 -0.000238 7 至 22 點平均氣溫平方 -0.000251 雨量 -0.001951 -0.001948 -0.001956

(23)

22

## 第六章 結論與討論

1996 年起台北捷運開始營運，至今已 24 個年頭，載客量是逐年攀升， 2020 年卻因為新冠肺炎的衝擊，載客量驟降。 本研究建立對捷運載客量的實證模型，藉此評估新冠肺炎對載客量的影 響。根據模型的估計結果，控制各種變數後，2020 年載客量較 2019 年少了 16.6%。 針對疫情，各國紛紛祭出鎖國政策，外籍旅客不願來台，本國籍居民也減 少返台誘因，這些人之中會搭乘捷運的人佔有一定比例，因此，疫情透過政策 影響捷運的載客流量。我們稱此為「政策效果」：因為各國嚴格的出入境政策， 導致商務客及觀光客的人數大幅下降。單單「政策效果」就可以解釋 2019 年至 2020 年捷運人流減少的 59%。 我們另外考慮每日新增確診人數對捷運流量造成的影響，稱此為「心理效 果」：今日確診數增加，導致隔日載客量會減少，主要原因是害怕在公共場合交 叉感染，因而減少搭乘捷運。「心理效果」可以解釋 2019 年至 2020 年捷運人流 減少的 13%。 將「政策效果」和「心理效果」合在一起，則能解釋 2019 年至 2020 年捷 運人流變化的 65%。 限於時間，本報告只呈現捷運的三條主要路線，為了完整性，應將捷運的 全部路線納入。本研究模型目前未納入入境旅客的滯後期，這是有待改進的， 因為旅客應該不只當天會搭捷運，而在 2020 年新冠疫情期間，入境旅客將被隔 離多天，要搭捷運也是半個月以後了。然而，新冠肺炎疫情發生前，入境旅客 若考慮搭乘捷運，絕大多數應在半個月內就會搭乘，因此這一部分的處理較為 困難。 本研究另外有幾個發展方向：一、捷運只是一種短程大眾運輸系統，以雙 北而言，公車也是主要的短程大眾運輸系統。我們也可以用類似方法評估對公 車的影響；二、疫情會減少人們的出門意願，這可以當作總體的效果，然而， 人們不得不出門時，可能改採私人交通工具，因此私人運輸系統總流量未必減 少，具體數字變化為何是實證的問題；三、本研究採取的是計量經濟學的固定 效果迴歸模型，這樣的模型易於解釋，但是評估捷運人流的精度可能有侷限。 未來研究可以考慮機器學習，藉由大數據的方式建立更精確的捷運人流模型； 四、新冠肺炎疫情衝擊了經濟活動，百業蕭條，不少在地商家營業額大受影 響。捷運本身是雙北主要的交通網之一，對觀光客尤其重要，若能建立精確的 捷運人流模型，適當搭配地理資訊系統，我們能評估捷運對某一範圍在地商家 的影響，當然也能估算特殊事件(如疫情)對某一範圍內人類經濟活動的影響。若 如此，實際施行政策時，更能因地制宜，發揮更好的效果。

(24)

23

## 參考文獻

(25)

24

### 17.

Chen, Kong-Pin, Jui-Chung Yang, Tzu-Ting Yang (2021). Spontaneous Population Mobility and Demand for Transportation during the Pandemic: Evidence from Taiwan. Working paper.

### 18.

Hair, J., Black, W. C., Babin, B. J. & Anderson, R. E. (2010) .Multivariate data analysis (7th ed.). Upper Saddle River, New Jersey: Pearson Educational International.

### 19.

Wooldridge, Jeffrey M. (2012). Introductory Econometrics (5th ed.). South-western, Cengage Learning

(26)

25

## 附錄

### 1. 固定效果總表

(1) (2) (3) (4) ln(載客量) ln(載客量) ln(載客量) ln(載客量) ln(500公尺人口) 0.632*** 0.635*** 0.613*** 0.618*** (26.82) (27.11) (26.21) (26.52) 雨量 -0.00206*** -0.00207*** -0.00194*** -0.00195*** (-63.81) (-64.31) (-60.14) (-60.85) 氣溫 0.00887*** 0.0101*** 0.00999*** 0.0110*** (10.05) (11.55) (11.40) (12.63) 氣溫平方 -0.000241*** -0.000267*** -0.000256*** -0.000278*** (-11.44) (-12.77) (-12.25) (-13.37) PSI值 -0.000171*** -0.000185*** -0.000198*** -0.000208*** (-3.61) (-3.92) (-4.20) (-4.43) AQI值 -0.000135*** -0.000113*** -0.000166*** -0.000143*** (-4.82) (-4.03) (-5.93) (-5.15) 2016年 0.0325*** 0.0324*** 0.0249*** 0.0254*** (20.08) (20.13) (15.39) (15.78) 2017年 0.0498*** 0.0479*** 0.0408*** 0.0398*** (16.14) (15.59) (13.28) (13.01) 2018年 0.0740*** 0.0720*** 0.0604*** 0.0597*** (24.11) (23.58) (19.72) (19.59) 2019年 0.124*** 0.122*** 0.106*** 0.106*** (40.89) (40.46) (35.01) (35.06) 2020年 -0.0575*** -0.0361*** 0.0317*** 0.0433*** (-17.79) (-11.06) (8.43) (11.54) 2月 -0.00255 -0.00113 -0.00300 -0.00171 (-1.07) (-0.48) (-1.27) (-0.73) 3月 -0.00259 0.0129*** 0.00395 0.0171*** (-1.13) (5.58) (1.73) (7.42) 4月 -0.0308*** -0.0256*** -0.0327*** -0.0279*** (-11.82) (-9.87) (-12.61) (-10.81) 5月 -0.00767** -0.00870** -0.00358 -0.00482 (-2.66) (-3.03) (-1.25) (-1.69) 6月 0.00841* 0.00736* 0.00723* 0.00640 (2.48) (2.18) (2.14) (1.90)

(27)

26 7月 0.00691 0.00700 0.00313 0.00351 (1.92) (1.95) (0.88) (0.99) 8月 0.00752* 0.00761* 0.00380 0.00418 (2.13) (2.17) (1.08) (1.20) 9月 -0.00442 -0.00227 -0.00530 -0.00333 (-1.34) (-0.69) (-1.62) (-1.02) 10月 0.0159*** 0.0178*** 0.0133*** 0.0152*** (5.52) (6.21) (4.64) (5.32) 11月 0.0133*** 0.0154*** 0.0104*** 0.0125*** (5.05) (5.87) (3.99) (4.80) 12月 0.0636*** 0.0661*** 0.0631*** 0.0653*** (26.08) (27.23) (26.05) (27.06) 星期一 0.233*** 0.234*** 0.246*** 0.246*** (132.81) (133.92) (139.38) (139.72) 星期二 0.259*** 0.260*** 0.275*** 0.274*** (146.86) (147.83) (153.99) (154.07) 星期三 0.272*** 0.272*** 0.285*** 0.284*** (153.87) (154.76) (160.45) (160.54) 星期四 0.277*** 0.277*** 0.290*** 0.289*** (157.00) (157.65) (163.53) (163.40) 星期五 0.341*** 0.340*** 0.345*** 0.344*** (193.79) (194.45) (197.55) (197.81) 星期六 0.174*** 0.174*** 0.179*** 0.179*** (99.01) (99.60) (102.63) (102.85) 元旦 -0.153*** -0.151*** -0.146*** -0.144*** (-22.93) (-22.74) (-21.97) (-21.88) 春節 -0.452*** -0.452*** -0.467*** -0.466*** (-126.76) (-127.43) (-131.43) (-131.61) 228 -0.164*** -0.166*** -0.163*** -0.165*** (-31.35) (-31.94) (-31.45) (-31.96) 清明節 -0.294*** -0.286*** -0.295*** -0.287*** (-63.88) (-62.28) (-64.44) (-62.96) 端午節 -0.114*** -0.116*** -0.119*** -0.120*** (-18.00) (-18.32) (-18.86) (-19.08) 勞動節 -0.279*** -0.280*** -0.283*** -0.283*** (-57.30) (-57.69) (-58.42) (-58.68) 中秋節 -0.356*** -0.355*** -0.354*** -0.354*** (-59.47) (-59.77) (-59.69) (-59.94)

(28)

27 雙十節 -0.190*** -0.190*** -0.190*** -0.190*** (-32.81) (-32.98) (-33.11) (-33.24) 颱風假 -0.872*** -0.870*** -0.851*** -0.851*** (-132.94) (-133.33) (-130.51) (-131.03) 跨年 0.104*** 0.103*** 0.102*** 0.101*** (12.42) (12.31) (12.20) (12.12) 新冠肺炎 每日確診人數 -0.0116 *** -0.0103*** (-38.43) (-33.90) 每日入境人數 0.00000182*** 0.00000167*** (45.67) (41.92) 常數 3.271*** 3.222*** 3.314*** 3.267*** (14.07) (13.93) (14.36) (14.21) 樣本數 138504 138504 138504 138504 R-squared 0.4927 0.4981 0.5002 0.5043 t statistics in parentheses * p < 0.05, ** p < 0.01, *** p < 0.001

### 2. 隨機效果總表

(1) (2) (3) (4) ln(載客量) ln(載客量) ln(載客量) ln(載客量) ln(500公尺人口) 0.614*** 0.618*** 0.597*** 0.601*** (26.88) (27.16) (26.29) (26.59) 雨量 -0.00206*** -0.00207*** -0.00194*** -0.00195*** (-63.80) (-64.30) (-60.13) (-60.84) 氣溫 0.00887*** 0.0101*** 0.00999*** 0.0110*** (10.05) (11.55) (11.40) (12.63) 氣溫平方 -0.000241*** -0.000267*** -0.000256*** -0.000278*** (-11.44) (-12.77) (-12.25) (-13.37) PSI值 -0.000171*** -0.000185*** -0.000198*** -0.000208*** (-3.61) (-3.92) (-4.20) (-4.43) AQI值 -0.000135*** -0.000113*** -0.000166*** -0.000143*** (-4.82) (-4.03) (-5.93) (-5.15) 2016年 0.0325*** 0.0324*** 0.0248*** 0.0254*** (20.05) (20.10) (15.36) (15.76) 2017年 0.0497*** 0.0478*** 0.0407*** 0.0397*** (16.11) (15.56) (13.25) (12.98)

(29)

28 2018年 0.0739*** 0.0719*** 0.0602*** 0.0596*** (24.07) (23.54) (19.68) (19.55) 2019年 0.124*** 0.122*** 0.106*** 0.106*** (40.83) (40.40) (34.96) (35.01) 2020年 -0.0578*** -0.0364*** 0.0314*** 0.0431*** (-17.88) (-11.15) (8.37) (11.48) 2月 -0.00254 -0.00112 -0.00299 -0.00170 (-1.07) (-0.47) (-1.27) (-0.73) 3月 -0.00259 0.0130*** 0.00396 0.0171*** (-1.12) (5.58) (1.73) (7.42) 4月 -0.0308*** -0.0256*** -0.0326*** -0.0279*** (-11.82) (-9.86) (-12.61) (-10.81) 5月 -0.00768** -0.00871** -0.00359 -0.00483 (-2.66) (-3.03) (-1.25) (-1.69) 6月 0.00842* 0.00737* 0.00723* 0.00640 (2.48) (2.18) (2.14) (1.91) 7月 0.00689 0.00697 0.00311 0.00349 (1.91) (1.95) (0.87) (0.98) 8月 0.00748* 0.00758* 0.00376 0.00415 (2.12) (2.16) (1.07) (1.19) 9月 -0.00447 -0.00232 -0.00534 -0.00337 (-1.36) (-0.71) (-1.63) (-1.04) 10月 0.0159*** 0.0178*** 0.0133*** 0.0151*** (5.50) (6.19) (4.63) (5.31) 11月 0.0133*** 0.0154*** 0.0104*** 0.0125*** (5.03) (5.85) (3.97) (4.78) 12月 0.0636*** 0.0660*** 0.0630*** 0.0652*** (26.06) (27.21) (26.03) (27.05) 星期一 0.233*** 0.234*** 0.246*** 0.246*** (132.80) (133.90) (139.37) (139.71) 星期二 0.259*** 0.260*** 0.275*** 0.274*** (146.84) (147.82) (153.98) (154.06) 星期三 0.272*** 0.272*** 0.285*** 0.284*** (153.86) (154.74) (160.43) (160.53) 星期四 0.277*** 0.277*** 0.290*** 0.289*** (156.98) (157.63) (163.52) (163.39) 星期五 0.341*** 0.340*** 0.345*** 0.344*** (193.78) (194.44) (197.54) (197.79)

(30)

29 星期六 0.174*** 0.174*** 0.179*** 0.179*** (99.00) (99.59) (102.62) (102.85) 元旦 -0.153*** -0.151*** -0.146*** -0.144*** (-22.93) (-22.75) (-21.97) (-21.88) 春節 -0.452*** -0.452*** -0.467*** -0.466*** (-126.75) (-127.41) (-131.41) (-131.60) 228 -0.164*** -0.166*** -0.163*** -0.165*** (-31.35) (-31.93) (-31.45) (-31.96) 清明節 -0.294*** -0.286*** -0.295*** -0.287*** (-63.88) (-62.27) (-64.43) (-62.96) 端午節 -0.114*** -0.116*** -0.119*** -0.120*** (-18.00) (-18.32) (-18.86) (-19.08) 勞動節 -0.279*** -0.280*** -0.283*** -0.283*** (-57.29) (-57.68) (-58.41) (-58.67) 中秋節 -0.356*** -0.355*** -0.354*** -0.354*** (-59.46) (-59.77) (-59.68) (-59.94) 雙十節 -0.190*** -0.190*** -0.190*** -0.190*** (-32.80) (-32.97) (-33.11) (-33.23) 颱風假 -0.872*** -0.870*** -0.851*** -0.851*** (-132.93) (-133.32) (-130.50) (-131.02) 跨年 0.104*** 0.103*** 0.102*** 0.101*** (12.42) (12.31) (12.21) (12.12) 新冠肺炎 每日確診人數 -0.0116 *** -0.0103*** (-38.42) (-33.89) 每日入境人數 0.00000182*** 0.00000167*** (45.68) (41.93) 常數 3.446*** 3.397*** 3.476*** 3.430*** (14.51) (14.36) (14.73) (14.58) 樣本數 138504 138504 138504 138504 R-squared 0.4927 0.4981 0.5002 0.5043 t statistics in parentheses * p < 0.05, ** p < 0.01, *** p < 0.001

Updating...