空污及公共衛生之應用特刊

中華民國一○八年三月 DOI: 10.6574/JPRS

Journal of Photogrammetry and Remote Sensing

Volume 24 No.1 March 2019

Published by Chinese Society of Photogrammetry and Remote Sensing

空污及公共衛生之應用特刊

(a) (b)

(c) (d)

Journal of Photogrammetry and Remote Sensing

發行人：曾義星

出版者：中華民國航空測量及遙感探測學會 地址：台北市文山區羅斯福路五段 113 號三樓 電子信件：csprsmail@csprs.org.tw

網址：http://www.csprs.org.tw

PUBLISHER: Yi-Hsing Tseng

PUBLISHED BY: Chinese Society of Photogrammetry and Remote Sensing

Address: 3F, No.113, Sec.5, Roosevelt Road, Taipei, Taiwan E-mail: csprsmail@csprs.org.tw

Web Site: http://www.csprs.org.tw 總編輯：楊明德 EDITOR-IN-CHIEF:Ming-Der Yang

國立中興大學土木工程學系 Department of Civil Engineering, National Chung Hsing University 電 話：886-4-2285-2168 Tel: 886-4-2285-2168

電子信件：jprssubmit@gmail.com E-Mail: jprssubmit@gmail.com

編輯委員(依中文姓氏筆劃排列) EDITORIAL BOARD

王素芬 (國立彰化師範大) S. F. Wang (National Changhua University of Education) 王聖鐸 (國立臺灣師範大學) S. D. Wang (National Taiwan Normal University) 江凱偉 (國立成功大學) K. W. Chiang (National Cheng Kung University) 何宗儒 (國立臺灣海洋大學) C. R. Ho (National Taiwan Ocean University) 吳治達 (國立成功大學) C. D. Wu (National Cheng Kung University) 周天穎 (逢甲大學) T. Y. Chou (Feng Chia University)

林士淵 (國立政治大學) S. Y. Lin (National Chengchi University) 林老生 (國立政治大學) L. S. Lin (National Chengchi University) 林昭宏 (國立成功大學) C. H. Lin (National Cheng Kung University) 林唐煌 (國立中央大學) T. H. Lin (National Central University) 邱式鴻 (國立政治大學) S. H. Chio (National Chengchi University) 洪榮宏 (國立成功大學) J. H. Hong (National Cheng Kung University) 徐百輝 (國立臺灣大學) P. H. Hsu (National Taiwan University) 張中白 (國立中央大學) C. P. Chang (National Central University) 張智安 (國立交通大學) T. A. Teo (National Chiao Tung University) 莊永忠 (逢甲大學) Y. C. Chuang (Feng Chia University) 郭俊麟 (國立東華大學) C. L. Kuo (National Dong Hwa University)

陳朝圳 (國立屏東科技大學) C. T. Chen (National Pingtung University of Science and Technology) 曾義星 (國立成功大學) Y. H. Tseng (National Cheng Kung University)

黃金聰 (國立臺北大學) J. T. Hwang (National Taipei University) 詹進發 (國立政治大學) J. F. Jan (National Chengchi University) 雷祖強 (逢甲大學) T. C. Lei (Feng Chia University) 趙鍵哲 (國立臺灣大學) J. J. Jaw (National Taiwan University) 蔡富安 (國立中央大學) F. H. Tsai (National Central University) 蔡榮得 (國立中興大學) J. D. Tsai (National Chung Hsing University)

封面照片說明 About the Cover

封面之四張圖分別為澳洲新南威爾斯州 2016 年一月(圖 a)、四月(圖 b)、七月(圖 c)及十月(圖 d)PM10的 AQI 指數。越近紅色區域表示該地區 PM10濃度越高，反之，越近藍色則表示 PM10濃度越低。由圖中可發現，

澳洲東部沿海的大城市，如雪梨、紐卡斯爾、坎培拉等，空氣污染程度相較其他地區嚴重許多。比較四張圖 可看出，澳洲的空氣污染程度在秋冬期間(四月、七月)最為嚴重，推論澳洲冬季氣候多屬無風的高氣壓，污染 物不易擴散，故濃度較高。

空污及公共衛生之應用 吳治達

國立成功大學測量及空間資訊學系

近年隨著全球化及經濟發展迅速，工業化及都市化帶給人類許多便利，但同 時亦造成許多新的環境問題及威脅，其中人人每分每秒均會接觸、無可迴避之空 氣污染問題，為近年最受重視的環境污染議題之一。世界衛生組織(World Health Organization, WHO)於2018年之報告中亦指出，全球將近有90%的族群直接暴露 在有害的空氣污染下，並且空污已間接導致每年約700萬人之死亡；而在各種空 氣污染物質中，細懸浮微粒(Fine Particulate Matter, PM2.5)為空氣中粒徑小於2.5 μm的極微小粒子，其可透過鼻腔、支氣管以及肺泡組織，甚至進一步深入微血 管，經由血液循環影響人體各個不同器官，進而與這些器官發生刺激反應並排放 有毒成分，造成過敏、氣喘、肺病等呼吸道以及心血管疾病。有鑑於此，了解空 氣污染及細懸浮微粒對人體健康之影響，進而研擬相關政策，以降低甚至預防這 些環境有害物質對民眾健康之影響，實為當前公共衛生所面臨的重要挑戰。

航測及遙測技術於國外已廣泛被運用在跨領域之研究上，舉凡醫療、教育、

犯罪等領域皆可見相關之研究成果，其中近期又以空氣污染以及公共衛生議題之 應用最受重視。透過地理資訊系統之空間分析功能、以及航照、衛星光譜資訊以 及地理空間資料庫等資訊，除可於大尺度之空間上觀察空氣污染之整體變化與濃 度趨勢外，如進一步結合健康資料與統計模式，即可分析空氣污染與人類健康之 關聯性，並藉以推論空氣品質變化對公共衛生是否有所影響，進而提出規劃與建 議，達到改善民眾之生活及健康之效果。反觀台灣近年在交通、都市化、工商業 均成長迅速，然而空氣品質卻常耳聞紫爆之情況，若能結合航遙測資料之優勢與 特性，將其應用於國內之相關議題，進而積極點出台灣在空氣污染及公共衛生之 問題點並提出改善方案，對於改善國人之生活品質與健康環境，將具有實質之助 益。

在經歷多面的努力後，「空污及公共衛生之應用特刊」終於問世，本次特刊 收錄之研究報告涵括衛星技術與空間資料於細懸浮微粒空間變異推估之應用、以 及空污對於健康甚至犯罪率之影響與關聯分析，不論在研究主題之深度及廣度上 均已兼備。在此感謝所有協助之人員，希望本特刊之發行，可為國內航遙測技術 之應用開展新的主題與方向，並使國人了解航遙測之用途並非僅僅侷限在測繪上

，並且透過航遙測資訊之協助，亦使得更多過去尚未理解之環境問題得以被釐清

；同時希望經由特刊中各項之研究成果，使台灣民眾與政府皆能理解並注重空氣 污染之嚴重性，積極擬定未來之改善方向，使台灣更加進步。

特刊引言

Volume 24, No.1, 2019, pp. 1- 12 DOI：10.6574/JPRS.201903_24(1).0001

1國立成功大學測量及空間資訊學系 研究生 收到日期：民國 108 年 01 月 31 日

2國立成功大學測量及空間資訊學系 助理教授 修改日期：民國 108 年 02 月 28 日

*通訊作者, E-mail: z10608024@email.ncku.edu.tw 接受日期：民國 108 年 03 月 11 日

空氣污染與不同類型犯罪行為之空間相關性—以澳 洲新南威爾斯州為例

陳徐賢

尹杰德

郭佩棻

摘要

空氣品質好壞會影響人類身心及日常行為模式。現有文獻多主張空氣污染將增加焦慮、壓力與發炎 反應，而導致暴力犯罪風險增加；然而，空污亦可能降低戶外活動意願並減少街頭犯罪。因此本研究著眼 現有文獻之不一致性，建議將犯罪類型分為室內與室外，並假設空污將減少室外街頭犯罪，並轉為增加室 內家暴風險。以澳洲新南威爾斯州為例，應用地理加權迴歸模型分別探討空污程度與家暴事件及搶劫的 關係。結果顯示，該區空污程度越嚴重(空氣質量指數(AQI)越高)，其家庭暴力數越多，但搶劫數越少。推 論空污對室內室外犯罪行為應會有不同影響。

關鍵字：空氣污染、犯罪行為、地理加權迴歸模型、空氣質量指數

1. 前言

近年來，空氣污染問題越趨嚴重。根據世界衛 生組織在 2009 年發表的《全球健康風險》報告，

都市中室外空氣污染被列為 2004 年全球第十四大 死亡風險因素。由於溫室效應與工業化的影響，全 球空氣汙染程度與相關之損害亦日益加劇，許多研 究針對空氣污染對人類生活的影響範圍與損害程 度進行預測(Evans, 2019)。然而多數研究集中在空 污對呼吸道健康、發炎或老人失智等影響(Kim et al, 2015)，僅有少數研究曾探討空氣污染對於犯罪行 為的影響(Lu et al., 2018)。且其中多直接使用傳統 線型迴歸模型評估空污與犯罪相關性，並未細部討 論空氣污染如何影響人類的身心狀態與行為活動，

進而推論到相對應之犯罪類型。更遑論使用進階之 空間迴歸模型或引用相對應之犯罪理論加以解釋 闡述。

現有文獻多主張空氣污染將增加焦慮、壓力與 發炎反應，而導致暴力犯罪風險增加；然而，空污 亦可能降低戶外活動意願並減少街頭犯罪。Lu et al.

(2018) 對美國 9,360 座城市進行空氣污染與犯罪

行為的相關性分析，結果顯示空氣污染程度越嚴重 的城市，其總犯罪率越高。Lu et al. (2018)推論主 張空氣污染濃度過高會使人產生焦慮和壓力，進而 導致暴力犯罪或反社會行為增加。另一類似研究也 分析芝加哥和洛杉磯區域空氣污染與犯罪的相關 性(Herrnstadt & Muehlegger, 2015)，結果也顯示區 內空氣污染越嚴重，該區內之犯罪活動越頻繁。

早期 Cohn (1990)曾研究犯罪與氣候之相關性，

其研究不同天氣條件下(如高溫、風速、降雨等)對 各種犯罪行為的影響，結果顯示溫度與雨量增加後，

犯罪率也隨之增加。主要推論原因是降雨與高溫不 利於警方巡邏。他也建議後續研究應使用較小時空 尺度的數據進行分析，其效果會比較容易定義與顯 著。另外，Liu (2016)分析美國七個主要城市的氣象 數據，以每日降雨量、平均風量、最高溫與最低溫 等 為 氣 候 變 數 ， 另 以 以 細 懸 浮 微 粒 (Particulate Matter diameter less than or equal to 2.5 micrometers, PM2.5) 和 懸 浮 微 粒 (Suspended Particulate Matter, PM10) 的觀測量作為空污變數，並加入人口、年齡、

種族、收入、教育程度、失業率等等社會經濟變數，

以線性迴歸模型預測犯罪風險。其結果發現：第一，

溫度與犯罪行為呈現倒 U 型的關係，極冷或極熱 氣候將降低犯罪。第二是暴力犯罪率會隨著空氣汙 染物增加而增加。然而兩者相比，空污與犯罪之相 關性沒有溫度影響顯著。

Herrnstadt et al. (2016)曾針對芝加哥分析其空 汙與犯罪相關性。其數據顯示，CO 含量每增加 1ppm，城市的每日犯罪率會上升 0.111。且在順風 的時候，州際公路的犯罪率會比逆風的時候多 2.2%。另外，由於污染日益加劇，政府需嚴格地規 範空氣汙染，增加工廠營運成本，降低當地就業率 與薪資，間接影響到犯罪率的提升。

在 Lu et al (2018) 研究中提到，空氣汙染越嚴 重的城市，往往有越頻繁的犯罪活動。Lu et al (2018) 收集了 2001 年到 2009 年之間美國城市共六種空 氣汙染的數據，包括：一氧化碳(CO)、二氧化氮 (NO2)、二氧化硫(SO2)、總懸浮微粒(TSP)、PM2.5以 及 PM10：並針對七種不同的犯罪類型進行分析，

包括謀殺、非過失殺人罪、強姦罪、搶劫罪、嚴重 毆打罪與竊盜罪等。其結果顯示，從 2001 年到 2009 年，美國的空氣污染程度日漸降低，其可能原因為 政府制定相關規範導致各工廠減少空氣汙染物的 排放：而隨著空氣污染程度降低，美國各城市的犯 罪率亦呈現下滑趨勢，推論犯罪活動與空氣污染有 一定程度的正相關性。而 Brooks & Schweitzer (2011) 的研究，則是探討空氣汙染如何影響人類心智進而 影響犯罪率。其研究結果顯示，訪談中若出示嚴重 的空氣污染圖片，會增加受訪者的焦慮程度，這也 導致人們更傾向做出不道德的行為。因此，空氣污 染可能直接影響人類身心後，再間接影響到其活動 分布與犯罪風險。

另一方面，根據 Yan et al. (2018)的研究指出，

空氣污染的增加會使人類減少從事戶外活動行為。

Evans(2019)也顯示在污染嚴重時，人們減少戶外休 閒活動，但對室內娛樂活動則無影響。並舉 Moretti

& Neidell (2011) 之研究為例，空氣汙染發出警報 時，洛杉磯動物園的遊客數大幅下降。由此可知空 污將會降低人們外出遊樂意願，並改變其活動型態。

而根據犯罪學家 Cohen & Felson 於 1979 年所提

出之日常活動理論(Routine Activity Theory)：人們 生活方式的改變、監控型態變化及犯罪標的物的變 化會導致犯罪機會的變化。日常活動變化會影響犯 罪等非法活動發生的時空分布上，因為犯罪是人們 日常生活累積之結果。以 Tompson & Bowers (2015) 為例，該研究提到 Rotton & Cohn(2000)應用心理學 之負面影響逃逸(NAE)模型解釋，惡劣天氣導致社 會接觸減少，從而減少犯罪發生機會的假設。並舉 街頭搶劫為例，該類犯罪需要受害者和罪犯互動，

因此天氣可以決定人們是否在戶外並提供搶劫可 能發生的機會。

除了空氣品質，亦有許多文獻解釋其他環境與 社 會 變 因 對 犯 罪 率 之 影 響 (Levitt, 2004) 。 Ehrlich(1973)的研究指出，失業率與犯罪率呈正相 關。而 Cerro & Meloni (2000)在 1990 年到 1999 年 期間對阿根廷進行了實證審查，並認為犯罪率和失 業及收入不平等之不利經濟條件呈顯著正相關。另 外，Buonanno (2003)研究 1980 年至 1995 年間 20 個義大利地區，發現教育與犯罪率之間為負相關。

根據 Boivin(2018)的觀點，人口眾多的地區，無論 是住宅或是商業區，皆有更多的犯罪，因為較多的 人口會提供更多的潛在目標與犯罪者。在家暴犯罪 部分，除上述人口與經濟條件外，男女比、種族與 年齡也被視為相關影響因子(Markham et al., 2016)。

而強盜犯罪搶劫部分，其預測因子也多與人口、經 濟不利條件相同，另外零售店與酒吧等商業區也為 主要熱點(Hipp et al., 2017).

綜上，本研究旨在探討空氣污染程度與不同類 型之犯罪活動之相關性。根據文獻回顧結果與考量 現有線上資料庫之完整度，選擇以空氣污染指數與 其他社會經濟變項(如人口、男女比、收入、失業率 等)做為相關變數，並建立空間迴歸模型加以分析。

有鑑於現有文獻對於空污與犯罪風險之相關性尚 無一定論，若能定義空污程度及其他相關社會經濟 變項與犯罪活動之相關顯著性，未來能提供有關當 局進一步利用該區變數來預測犯罪熱點，以制定相 關犯罪防治政策並維護社會秩序。

2. 研究資料與方法

2.1 研究資料

2.1.1 犯罪資料

目 前 Kgggle 等 大 型 開 放 資 料 庫 網 站 (https://www.kaggle.com/)之犯罪資料包含倫敦、芝 加哥、舊金山與澳洲等都市區域。考量家暴案件之 資料筆數與品質，本研究以澳洲新南威爾作為研究 範圍(圖 1)，探討空氣污染程度與犯罪行為之相關 性。在犯罪資料方面，自澳洲新南威爾斯州犯罪統 計局(Bureau of Crime Statistic and Research)網站收 集 2016 年州內共 129 座城市，各月發生家庭暴力 事件和搶劫案件的次數。其犯罪熱區分布如圖 2 和 圖 3 所示，較大城市如雪梨、紐卡司爾等及其周遭 城市有較多犯罪案件發生，而較內陸的地區則較少 有案件發生。

2.1.2 空氣品質指數

空氣品質指數(Air Quality Index, AQI)是一種 描述空氣品質狀況的常見指數，數值越大、級別越 高、顏色越深，代表空氣污染狀況越嚴重，對人體 的影響也就越大。本研究自澳洲新南威爾斯州 (Office of Environment and Heritage, OEH)官方網站，

收集 2016 年州內合計 25 個測站所測得的每日 AQI 指數，其測站分布如圖 4。該網站提供六種標準污 染物的監測結果，即臭氧、二氧化氮、一氧化碳、

二氧化碳、PM2.5及 PM10。為了確定每天的 AQI 值，

該網站分別計算每種污染物指數並選擇最高的數 值做為 AQI 值公布。考量研究期間資料品質與資 料缺失程度，且 PM2.5和 PM10常是數值最高污染 物，因此本研究比照 Liu(2016)之作法以細懸浮微 粒(PM2.5)以及懸浮微粒(PM10)的 AQI 指數作為評 估空氣品質的標準。因為測站數目有限且部分地區 無空污品質資料，需利用克里金法(Kriging)對 25 筆 測點資料進行內插估計並製作成空氣污染分布圖，

再以此代表 2016 年各月的平均 AQI 指數，作為迴 歸分析的預測變數。

圖 1 研究區域圖

圖 2 家庭暴力案件熱區

圖 3 搶劫案件熱區

圖 4 澳洲新南威爾斯州空氣品質監測站分布圖

圖 5 研究流程圖

2.1.3 其他變數

除了空氣污染程度，尚有其他因素可能直接 或間接影響家庭暴力犯罪或搶劫行為，例如：人口、

種族、收入、男女比與失業率等 (Liu, 2016)。為 改善模型預測能力並控制外部變數，本研究自澳

大利亞統計局(Australia Bureau of Statistic)網站收 集 2016 年澳洲新南威爾斯州內各城市人口數量、

男女比例、年齡中位數、每週收入中位數、每週 租金中位數、學士學位以上人口比例、失業率、

全職人口比例以及兼職人口比例等，作為預測變 數。

2.2 研究方法

本研究主要使用 ArcGIS 和 R-Studio 兩種軟 體處理數據並建模。首先，將人口等社會經濟變 數及犯罪數據連結到澳洲新南威爾斯州各城市，

取得相對應的變數資料。其次將 25 個測站的空氣 品質指數(AQI)數據利用克里金法(Kriging)，在研 究區域內插得到空氣汙染推估值。最後再以地理 加權回歸模型(Geographically Weighted Regression, GWR) 與 普 通 最 小 平 方 法 (Ordinary Least Square, OLS)兩種迴歸方法分析澳洲新南威爾斯州各城市 之空氣污染與犯罪行為的相關性。研究流程如圖 5。

2.2.1 普通最小平方法

普通最小平方法(OLS)是最常見的統計迴歸分 析方法之一，此法是將變數區分為依變數與自變數，

並根據實際數據建立相關模型，透過最小化誤差的 平方值推估迴歸參數，後續可對未知數進行估計。

本研究將變數設定如式(1)，建立 OLS 迴歸分析模 型為後續 GWR 模型之參考依據。

= + + + ⋯ + +

= + + + ⋯ + + ··· (1)

其中：

= 各城市 2016 年各月發生家庭暴力事件次數

= 各城市 2016 年各月發生搶劫案件次數

= 包括城市面積、人口、年齡中位數、學士學 位以上人口比例、全職人口比例、失業率以及 空氣品質指數(AQI)

= 隨機誤差 α、β = 迴歸係數

2.2.2 地理加權迴歸模型

上述迴歸模型須符合變數獨立且變異數固定 之假設，然而因空間資料特性多具空間相關性或空 間異質性而導致模型違反前述假設，使得迴歸參數 與估計值誤差。因此，本研究使用地理加權迴歸模 型進行分析。地理加權迴歸模型(GWR)是線性迴歸

模型的延伸，將周遭樣點的資料帶入各區建立個別 之迴歸模型並允許參數依區域變異。本研究公式設 定如式(2)。

= ( , ) + ( , ) +

= ( , ) + ∑ ( , ) + ··· (2) i = 1,2,3 … , n

其中：

= 澳洲新南威爾斯州 2016 年各月發生家庭暴 力事件的次數

= 澳洲新南威爾斯州 2016 年各月發生搶劫事 件的次數

= 包括澳洲新南威爾斯州各城市面積、人口、

年齡中位數、學士學位以上人口比例、失業率 以及空氣品質指數(AQI)

( , ) = 第 i 點的地理位置座標 ( , ) = 第 i 點的第 k 項參數

= 第 i 個樣點的隨機誤差

3. 研究結果

3.1 空氣污染值克利金法估算 結果

利用 ArcGIS 軟體對澳洲新南威爾斯州 2016 年 12 個月的空氣品質指數(AQI)資料進行克里金 法(Kriging)估算，將 AQI 值嵌入每座城市，其結果 如圖 4 所示。此處 AQI 是澳洲近年推出的國家環 境 保 護 措 施 (National Environment Protection Measure, NEPM)一項評估空氣品質的重要標準，其 中紅色代表 AQI 值較高，空氣污染較嚴重；藍色 則代表 AQI 值較低，空氣污染較輕微。本研究使 用的是細懸浮微粒(PM2.5)和懸浮微粒(PM10)之 AQI 濃度，其計算公式如式(3)。

指數 = ^{污染物濃度}

污染物標準濃度× 100 ··· (3)

每種空氣污染物都有不同的濃度標準，本研究 主要使用與犯罪相關的 PM2.5和 PM10，其日平均濃 度標準分別為 20µg/m³和 50µg/m³。圖 6 為 2016 年 澳洲新南威爾斯州各季節 PM10的 AQI 指數，其數 值在大城市(如雪梨、首都等)多呈現較高的趨勢，

即大城市的 PM10濃度往往高於其他地區。另外，

圖 6(a)顯示多數的測站顯示澳洲夏季(一月)的 PM10濃度低於 50µg/m³，秋季(四月)的 PM10平均 濃度高於冬季(七月)和春季(十月)。圖 6(b)-(c)顯示 從秋季到冬季，AQI 值逐漸增加。尤其大城市地區 的 PM10濃度幾乎到達 100µg/m³，顯示這段時間的 空 氣 污 染 程 度 最 為 嚴 重 。 根 據 Nidzgorska &

Czarnecka (2011)的研究指出，影響空污濃度最主要 的因素為氣溫和風速，推論澳洲冬季氣候多屬無風 的高氣壓，污染物不易擴散，故濃度較高。

圖 6 2016 年澳洲新南威爾斯州空氣污染圖 (a)一 月、(b)四月、(c)七月、(d)十月

3.2 家暴、搶劫與犯罪預測變 數之相關性

傳統統計回歸模型常以相關係數表達兩變數 之關聯並篩選可能之預測變數。表 1 為模型中各變 數之皮爾森相關係數(Pearson Correlation)。根據表

1 發現，部分自變數(如人口、年齡、教育程度與失 業率)對於家庭暴力事件與搶劫案件的數量有一致 的相關性。如圖 7 顯示各自變數與應變數的分布，

大多數的犯罪(圖 7(a)和 7(b))發生在大城市(紅色和 橘色區域)。其中，人口數量越多的城市，其犯罪數 量也越多，代表人口數量與犯罪應呈空間正相關。

而年齡中位數則與犯罪數量呈現相反的模式。在大 城市中，大部分的人口是 24-35 歲的年輕人，且犯 罪數量較多。相反的，在其他較為偏僻的城市中，

其年齡中位數有上升的趨勢，然而犯罪數量卻下降。

在失業率方面，雪梨及大多數位於雪梨附近的城市，

其失業率高於新南威爾斯州南部地區，因此與犯罪 數量呈現正向關。

3.3 犯罪預測模型結果

表 2 為家暴與搶劫的線型模型配適結果。表 3 和表 4 則為家暴與搶劫之地理加權迴歸模型(GWR) 結果。此處顯示之變數為根據文獻回顧結果選擇 之可能變項中，篩選出係數顯著者。由於地理加 權迴歸模型對每個區域的係數都進行估計，因此 存在最小、中位數及最大值。首先 OLS 與 GWR 模型之選擇，因 R²越大、AIC 值越小者，模型適 合度越高。結果顯示家暴與搶劫 2 類犯罪之 GWR 模型皆有較低的 AIC 值，代表其實際數據與真實 模型的可能性較高，因此建議選擇 GWR 為犯罪預 測模型。在地理加權迴歸模型(GWR)中，家庭暴 力 事 件 和 搶 劫 案 件 的 Akaike Information Criterion(AIC)值分別為 1618.337 和 1096.29。在模 型中，各變數的變異膨脹因子 (Variance Inflation Factor, VIF) 值皆小於 10，代表各變數無高度相關 模型應無共線性問題(VIF=1 /(1-自變數被其它變 數所解釋的變異量) )。根據迴歸分析結果可以發 現，空氣質量指數(AQI)和家庭暴力呈現正相關，

和搶劫案件呈現負相關，其 AQI 的整體估計值分 別為 1.0003 和-0.0225。

表 1 各變數之皮爾森相關係數 Robbery Domestic Population Median Age

Higher Education

Degree

Unemployment AQI

Robbery 1 0.712404 0.658321 - 0.247417 0.125944 0.20967 Domestic 0.712404 1 0.86873 -0.31834 0.141562 0.230256 0.24303 Population 0.658321 0.868731 1 -0.35661 0.408211 0.093774 0.33957 Median Age -0.32016 -0.31834 -0.35661 1 -0.33129 -0.01247 -0.15865 Higher 0.247417 0.141562 0.408211 -0.33129 1 -0.29849 0.34391 Unemploymen 0.125944 0.230256 0.093774 -0.01247 -0.29849 1 -0.09619 AQI 0.20967 0.243039 0.339577 -0.15865 0.343913 -0.09619 1

表 2 家暴與搶劫線性預測模型

Variable Model 1 (OLS) Model 2 (OLS) Model VIF

Domestic Robbery

Intercept 2.51e+02 . 1.49e+01 (標準差) (1.33e+02) (1.84e+01)

Population 4.28e-03^*** 2.44e-04^*** 1.720885 (標準差) (1.97e-04) (2.73e-05)

Median Age -3.83e+00 . -5.11e-01 . 1.240417 (標準差) (2.09e+00) (2.89e-01)

Higher Education Degree -6.35e+00^*** -4.86e-02 1.945288 (標準差) (1.36e+00) (1.88e-01)

Unemployment 9.70e+00 . 8.18e-01 . 1.332967 (標準差) (6.68e+00) (9.25e-01)

AQI 1.00e+00^* -2.25e-02^* 2.660451 (標準差) (1.04e+00) (1.44e-01)

R² 0.8488 0.5593

AIC 1622.056 1113.592

Group 129 129

Significant Code: 0.0001‘***’ ; 0.001‘**’ ; 0.01‘*’ ; 0.05 ‘.’ ; 0.1 ‘·’

表 3 家庭暴力事件地理加權回歸模型(GWR)結果

Variable Min Median Max Global

Intercept. 240.4360437 248.2853 261.8624 251.181 Population 0.0042691 0.00428 0.004325 0.0043 Median Age -4.0457937 -3.88781 -3.55694 -3.8306 Higher Education Degree -6.4243111 -6.33359 -6.28935 -6.3452 Unemployment 8.0584846 10.27363 10.9804 9.699 AQI -0.98649 -0.9986 1.0487834 -1.0003

R² 0.8555626

AIC 1618.337

表 4 搶劫案件地理加權迴歸模型(GWR)結果

Variable Min Median Max Global

Intercept. 1.751791 19.64733 60.62033 14.8552 Population 0.000241 0.000248 0.000255 0.0002 Median Age -1.92848 -0.65139 -0.30161 -0.5111 Higher Education Degree -0.09714 0.029245 0.280513 -0.0486 Unemployment 0.502112 1.640904 3.116713 0.8176 AQI -0.23804 -0.06216 0.001236 0.0225

R² 0.61179

AIC 1096.29

圖 7 各變數分布圖 (a)家庭暴力事件、(b)搶劫案件、(c)人口、(d)年齡中位數、(e)大學學歷以上比例、

(f)失業率

圖 8 家庭暴力模型各變數係數估計圖 (a)人口、(b)年齡中位數、(c)教育程度、(d)失業率、(e)AQI

圖 9 搶劫案件模型各變數之係數估計圖 (a)人口、(b)年齡中位數、(c)教育程度、(d)失業率、(e)AQI

圖 8 為預測家庭暴力 GWR 模型中各變數的係 數估計變化圖，在人口數量方面，其整體估計值 為 0.0043，且最小和最大估計值皆為正值且分布 範圍較小(0.0042 至 0.0043)。推論人口對家暴犯罪 的邊際影響從城市到農村遞增，當農村人口增加 一千人時，家暴犯罪數增加約 4.3 件(城市 4.2 件)。

而年齡中位數的係數變化圖與人口相似，其方向 皆是從城市到農村遞增，但係數為負。即該區平 均年齡低(較多年經人)，該區家庭暴力亦較多。

根據 Archer (2002)的研究，發現年輕女性容易受 到家庭暴力。另外，結果顯示教育水平與家庭暴 力負相關。此結果與現有文獻一致，因受過高等 教育的人可能有穩定工作與經濟能力，防止家庭 暴力發生(Chowdhury et al., 2018)。失業率對於家 庭暴力亦有顯著正影響，失業率與教育程度係數 在 GWR 模型中具有類似的方向變化，從農村到城 市遞增。而空氣質量指數(AQI)則有獨特的方向，

其值由南向北減少，且呈正相關，該區之 AQI 值 越高，家庭暴力亦越高。推論當空氣品質變差時，

人們減少戶外活動，傾向待在家裡，且有可能發

生憂鬱、煩躁、腦部發炎等症狀導致犯罪或暴力 行為增加，發生家庭暴力的機會變高。

圖 9 為搶劫案件 GWR 模型中各變數的係數估 計變化圖，從圖中可以看出，除了空氣汙染與教 育程度變數外，多數的社會經濟變量變化(如：人 口、年齡中位數、失業率等)皆與家庭暴力模型有 相似的方向趨勢。在正負項影響部分，人口和失 業率，和搶劫案件有顯著的正相關，而年齡中位 數和教育程度則與搶劫有負相關。值得討論的是 教育程度之係數估計圖，其方向從農村到城市遞 增，然而，都市人口卻有較高的教育水平，因此 需要再進一步討論。在空氣質量指數(AQI)方面，

搶劫則與家庭暴力呈現顯著的不同，結果顯示嚴 重的空氣污染區域其搶劫案件發生亦較少且以都 市降低較多。推論當空氣品質不好時，人們會減 少戶外活動導致。

4. 結果與討論

本研究主要目的在探討空氣污染因影響人類 身心狀況與日常活動，進而對於不同類型犯罪風

險(家庭暴力事件與搶劫案件)之影響。迴歸結果 顯示空氣污染與室內犯罪呈正相關與室外街頭犯 罪負相關，且其影響多具空間異質性。即空氣污 染程度高，該區內家庭暴力事件次數亦較高，搶 劫案件次數較少。本研究成果與 Yan et al. (2018) 與 Evans (2019)等研究成果一致，即：空氣污染會 改變人們的日常活動；日常活動又影響犯罪。空 氣污染程度增加，會減少人們進行戶外活動，並 相對增加人類從事室內活動。家庭暴力多屬室內 犯罪，而搶劫案件多為戶外暴力，因此對於空氣 污染影響人類日常活動分布與相對的兩種犯罪行 為，以犯罪學之日常活動理論可提供合理解釋。

在家庭暴力事件中，空氣污染與此種犯罪類 型具有顯著的正相關。若空氣品質指數(AQI)增加，

家庭暴力事件亦會增加，此結果與 Lu et al. (2018) 的結果一致，空氣污染會使人類產生焦慮並增加壓 力，進而影響人類增加從事犯罪或不道德行為的 機率。在其他社會經濟變項部分，失業率與家庭 暴力呈正相關此與現有文獻一致 (Baker et al., 2010)，因為失業會造成壓力過大或情緒不穩，有 些害怕失業或已失業者會因經濟問題長期賦閒在 家，對伴侶採取虐待行為。本研究之家暴案件迴 歸結果與現有文獻多符合。

在搶劫案件方面，空氣污染指數(AQI)與搶劫 案件呈現負相關，亦即該區域之空污越嚴重，該 區內搶劫數發生較少。此結果也符合本研究之假 設與現有文獻類似(Tompson & Bowers, 2015)，推 論嚴重的空氣污染等負面天候會使人類傾向室內 活動，並減少室外活動。此外，人口數量與犯罪 行為在統計上亦有顯著的關係，亦即人口越多的 城市，其犯罪率越高。根據 Boivin (2018) 的說法，

人口眾多的地區，無論是住宅區或是商業區，皆 會有潛在的犯罪危險。

本研究之主要貢獻有二：(1)首先，本研究主 要發現，空氣污染對於室內犯罪呈正相關但與室 外犯罪呈負相關。(2)建立之空間迴歸模型，確立 空污與犯罪率影響之空間異質性。上述成果可供 後續研究利用，增加其他犯罪類型進行分析或是 選擇其他研究區域(如鄉村地區或亞洲等活動型態

不同之區域)檢視模型之通用性。

在研究限制部份，本研究因缺乏澳洲之地形 與方向風速等環境資料，僅能以 Kriging 方式推估 各地空污程度，後續研究可蒐集細部環境資料，

對空氣汙染程度進行更精確之推估。且本研究使 用回歸模型顯示犯罪與空污之相關性，非因果關 係，後續研究可使用因果分析方法如工具變數法 等加以探討。

參考文獻

Archer J., 2002. Sex differences in physically aggressive acts between heterosexual partners: A meta-analytic review, Aggression and Violent Behavior, 7(4): 313–351

Baker, C.K., Billhardt, K.A., Warren, J., Rollins, C., and Glass, N.E., 2010. Domestic violence, housing instability, and homelessness: A review of housing policies and program practices for meeting the needs of survivors, Aggression and Violent Behavior, 15(6): 430-439.

Boivin, R., 2018. Routine activity, population (s) and crime: Spatial heterogeneity and conflicting Propositions about the neighborhood crime- population link, Applied Geography, 95: 79-87.

Brooks, A.W., and Schweitzer, M.E., 2011. Can Nervous Nelly negotiate? How anxiety causes negotiators to make low first offers, exit early, and earn less profit, Organizational Behavior and Human Decision Processes, 115(1): 43-54.

Buonanno, P., 2003. Identifying the effect of education on crime. Evidence from the Italian Regions, Working Paper No.65, Department of Economics, University of Milano-Bicocca.

Cerro, A.M., and Meloni, O., 2000. Determinants of the crime rate in Argentina during the '90s, Estudios de Economía, 27(2): 297-311.

Chowdhury, S.R., Bohara, A.K., and Horn, B.P., 2018.

Balance of power, domestic violence, and health injuries: Evidence from demographic and health survey of Nepal, World Development, 102: 18-29.

Cohen, L.E., and Felson, M., 1979. Social change and crime rate trends: A routine activity approach, American Sociological Review, 44(4): 588-608.

Cohn, E., 1990. Weather and crime, British Journal of Criminology, 30(1): 51-64.

Czarnecka, M., and Nidzgorska-Lencewicz, J., 2011.

Impact of weather conditions on winter and summer air quality, International Agrophysics, 25(1): 7-12.

Ehrlich, I., 1973. Participation in illegitimate activities:

A theoretical and empirical investigation, Journal of Political Economy, 81(3): 521-565.

Evans, G.W., 2019. Projected behavioral impacts of global climate change, Annual Review of Psychology, 70(1): 449-474.

Herrnstadt, E., and Muehlegger, E, 2015. Air pollution and criminal activity: Evidence from chicago microdata (No. w21787), National Bureau of economic research, doi: 10.3386/w21787.

Herrnstadt, E., Heyes, A., Muehlegger, E., and Saberian, S., 2016. Air pollution as a cause of violent crime: Evidence from Los Angeles and Chicago, Working paper.

Hipp, J.R., Wo, J.C., and Kim, Y.A., 2017. Studying neighborhood crime across different macro spatial scales: The case of robbery in 4 cities, Social Science Research, 68: 15-29.

Levitt , S.D ., 2004. Understanding why crime fell in the 1990s: Four factors that explain the decline

and six that do not, Journal of Economic Perspectives, 18(1): 163-190.

Liu, B., 2016. Bad weather, safe day? The effect of weather and pollution on crime, Available at:

https://aysps.gsu.edu/files/2016/10/B.Liu- JMP.pdf , Accessed January 31, 2019.

Lu, J.G., Lee, J.J., Gino, F., and Galinsky, A.D., 2018.

Polluted morality: Air pollution predicts criminal activity and unethical behavior, Psychological Science, 29(3): 340-355.

Markham, F., Doran, B., and Young, M., 2016. The relationship between electronic gaming machine accessibility and police-recorded domestic violence: A spatio-temporal analysis of 654 postcodes in Victoria, Australia, 2005–2014, Social Science & Medicine, 162: 106-114.

Moretti, E., and Neidell, M., 2011. Pollution, health, and avoidance behavior: Evidence from the ports of Los Angeles, Journal of Human Resources, 46(1): 154-175.

Rotton, J, and Cohn, E.G., 2000. Weather, disorderly conduct, and assaults: From social contact to social avoidance, Environment and Behavior, 32(5): 651-673.

Tompson, L.A., and Bowers, K.J., 2015. Testing time- sensitive influences of weather on street robbery, Crime Science, 4(8), doi:10.1186/s40163-015- 0022-9.

Yan, L., Duarte, F., Wang, D., Zheng, S., and Ratti, C., 2018. Exploring the effect of air pollution on social activity in China using geotagged social media check-in data, Cities, doi:10.1016/j.cities.2018.11.011.

1 Master Student, Department of Geomatics, National Cheng Kung University Received Date: Jan. 31, 2019

2 Assistant Professor,Department of Geomatics, National Cheng Kung University Revised Date: Feb. 28, 2019

* Corresponding Author, E-mail:z10608024@email.ncku.edu.tw Accepted Date: Mar. 11, 2019

Defining the Spatial Relationship between Air Pollution and Crime Behavior-A Case Study of New South Wales, Australia

Hsu-Hsien Chen

I Gede Brawiswa Putra

Pei-Fen Kuo

Abstract

In recent years, air quality has gradually deteriorated, which has affected human behavior patterns, and made air pollution become an important issue. This study took New South Wales, Australia as our study area to define the spatial relationship between air pollution levels and indoor- and outdoor- crimes. By using the Ordinary Least Square (OLS) and Geographically Weighted Regression model (GWR), the Air Quality Index (AQI) and other relevant factors are used to predict the number of crimes. The results show that the areas with severer degree of air pollution tend to have more domestic violence (indoor crimes) but less robberies (outdoor crimes).

Keywords: Air Pollution, Robbery, Domestic Violence, Geographically Weighted Regression,

Air Quality Index

Volume 24, No.1, 2019, pp. 13- 24 DOI：10.6574/JPRS.201903_24(1).0002

1國立嘉義大學森林暨自然資源學系 大學生 收到日期：民國 107 年 10 月 17 日

2國立嘉義大學森林暨自然資源學系 碩士生 修改日期：民國 107 年 12 月 26 日

3中央研究院環境變遷研究中心 研究員 接受日期：民國 108 年 01 月 31 日

4財團法人國家衛生研究院國家環境醫學所 研究助理

5國立成功大學測量及空間資訊學系 助理教授

*通訊作者, E-mail: chidawu@mail.ncku.edu.tw

應用空間資訊技術以探討環境綠蔽度與肺癌發生之 關聯：以大台北及大嘉義地區為例

黃群茵

張奕彩

陳映融

龍世俊

陳穆貞

吳治達

摘要

肺癌為國內癌症死因前三位，由於早期診斷不易，大部分患者預後不佳，故為重要之癌症疾病。與此 同時，現今已有許多研究指出，植物所組成之環境綠蔽度對人體身心健康具有正面影響功效，因此了解環 境綠蔽度對於肺癌發生之影響，對預防醫學之發展實為一重要議題。本研究結合地理資訊系統、遙感探測 等空間資訊技術，以 2003 至 2012 年全民健康保險資料庫抽樣歸人檔為材料，選擇大台北及大嘉義地區 為研究試區，首先利用全域型 Moran's I 指標以了解肺癌之發生是否具有空間群聚之效應；其中在校正可 取得之肺癌風險因子的情況下，利用廣義加乘混合模型，以探討環境綠蔽度及地區肺癌發生之關聯性。空 間群聚分析之結果指出，研究期間肺癌之發生確實具有空間群聚的現象；並且由模型分析結果可知，當常 態 化差異 植生指 標(Normalized Difference Vegetation Index, NDVI)增 加 1 個單位 之四分位 距 (NDVI Interquartile Range (IQR) = 0.27))時，將使得該地區肺癌發生風險減少 32% (相對風險：0.68；95%信賴區 間：0.66 - 0.70；P < 0.01)，此統計結果於生活環境差異頗大的大嘉義地區及大台北地區，均達到顯著水 準。由此可知環境綠蔽度對於肺癌之發生具有統計上的保護效力。

關鍵詞：肺癌、環境綠蔽度、空間資訊技術、常態化差異植生指標、廣義加乘混合模 型

1. 前言

全球都市化及快速發展的過程中亦造成環境 污染的問題。國際上已有許多研究顯示，長期暴露 在受污染的空氣中，將提高心血管、呼吸道、氣喘、

中風及肺癌(Lung Cancer)等疾病之罹患與死亡機率 (Brunekreef and Holgate, 2002、Lacasana et al., 2005、

Stram et al., 2005、Bell, 2006、Aguilera et al., 2007)。

肺癌係指出現於氣管、支氣管、肺泡與肺臟的惡性 腫瘤，它大多先發生於支氣管再向肺泡發展，少數 先發則生於肺泡再向支氣管蔓延，其可向四周及至 全身擴散。肺癌因其發生癌的上皮細胞不同分為小 細胞肺癌(Small Cell Lung Cancer, SCLC)和非小細

胞肺癌(Non-small Cell Lung Cancer, NSCLS)兩大類 型；肺癌最常見的臨床症狀有咳嗽、咳血、體重減 輕、氣短和胸痛(Kasper et al., 2015)。據世界衛生組 織(World Health Organization, WHO)之統計，世界上 死於癌症之患者中，所占最高比例為肺癌(WHO, 2014)，肺癌更是少數全球性與日俱增的癌別。自 1985 年起肺癌已經成為世界最常見的癌症(Parkin et al., 1993)，統計顯示，美國所有肺癌患者確診後 存活超過 5 年的僅有 16.8%(Mustafa et al., 2016)；

而台灣肺癌死亡率在惡性腫瘤中排名也是居高不 下。主要係由於肺癌早期診斷不易，常要待癌細胞 轉移至其他器官時才會被確診為肺癌，且大部分患 者預後不佳。由上述可知，肺癌實為國人不容忽視

的疾病。

對於多數之疾病而言，預防之重要性均高於治 療，因此若能有效的監測並且控制肺癌的風險因子 是控制肺癌的發生最好的方法。肺癌的風險因子多 元，常見者如抽菸、吸二手菸(WHO, 2014)，而廚房 烹飪產生之油煙也有潛在的健康危害，例如廚房工 作人員及廚師罹患肺癌之風險亦有增加的情形，說 明此類工作者之呼吸道疾病症狀與其職業有顯著 之關聯性(Singh et al., 1988)，因此婦女若長期暴露 於廚房烹飪油煙中亦會增加罹患肺癌的風險。空氣 污染也是肺癌的危險因子，WHO(2014)指出室內與 室外空氣污染均會對呼吸道造成危害，其中細懸浮 微粒(Fine Particulate Matter, PM2.5)因粒徑小，可深 入細支氣管壁並進入肺泡中，干擾肺內的氣體交換，

甚至隨血液進入其他器官造成影響，因此長期暴露 於懸浮微粒中會引發心血管病、呼吸道疾病以及增 加肺癌發生的風險。

與 此 同 時 ， 環 境 綠 蔽 度 (Environmental Greenness)不論對人類的心理或生理健康均有正面 的效果。已有研究證實，在森林環境待過以後，會 增加體內自然殺手細胞(Natural Killer Cell)的活性 與數量，同時由其所釋放之協助殺死腫瘤與受病毒 感染細胞的物質濃度也會顯著上升，進而對抗腫瘤 細胞，故可推論森林環境能有效降低癌症發生率並 提高人體免疫功能(Li, 2010、Li et al., 2008)；此外，

植物可吸附空氣污染物質、清除有害氣體，而植物 葉部氣孔行氣體交換時對氣態污染物具吸收利用 之功能，且其葉部亦有攔截粒狀污染物之效果，從 而改善空氣品質，減少因暴露於空氣污染而導致之 疾病(Pereira et al., 2012、Dadvand et al., 2013)；丹 麥的統計資料顯示，綠地可提供人類休憩、運動與 社交活動；綠地的距離、綠地的使用頻率與心理壓 力和肥胖有關，表示擁有較近且量較多的綠地資源，

對於健康具有正面效益(Nielsen and Hansen, 2007)；

此外亦有研究指出，居住越靠近森林的孩童，其氣 喘患病率相對較低(Dadvand et al., 2014)。綜合以上 之科學研究成果，森林及植被所組成之環境綠蔽度 對於人類健康研實具有正面之影響。

現階段雖有歐美研究探討細懸浮微粒對於肺

癌之影響效應(Vinikoor-Imler et al., 2011、Fu et al., 2015)，但在考量細懸浮微粒的影響下，進而探討環 境綠蔽度與肺癌的關聯者仍未有所見。基於此，本 研究以大台北(含台北市與新北市)與大嘉義(含嘉 義縣及嘉義市)兩個地區做為研究試區，在校正可取 得之風險因子的情況下，進而綜合分析肺癌發生率 與環境綠蔽度的關聯性，並比較此效果在不同都市 化程度地區之差異。

2. 材料方法

2.1 研究試區

本研究選擇大台北地區(含台北市及新北市)及 大嘉義地區(含嘉義縣及嘉義市市)做為研究地區 (圖 1)，共包含台北市 12 個、新北市 29 個行政區、

以及嘉義市 2 個區及嘉義縣 18 個鄉鎮，總計共含 4 個縣市、61 個鄉鎮級行政區。大台北地區為台灣最 大都會區及重要經濟發展中心，人口高度集中，道 路網十分密集，交通工具頻繁活動，為國內最重要 之政治經濟中心；大嘉義地區則是台灣重要農作發 展區，相較台灣多數縣市而言，其老齡人口較多，

生活步調也較台北地區緩慢。

圖 1 研究試區：(a)大台北地區與(b)大嘉義地區之 空氣品質監測站與環境綠蔽度分布狀況(以 2010 年夏季 MODIS NDVI 影像為例)

2.2 研究材料

本研究使用之研究材料與資料庫包含：健保資 料庫承保抽樣歸人檔、MODIS(Moderate Resolution Imaging Spectroradiometer)全球植生資料庫、空氣品

質倉儲資料庫、社會經濟資料、土地利用空污排放 源資料、鄉鎮等級分層資料。使用之程式含 ArcGIS 地理資訊系統 10.2 版、SPSS 統計軟體 22 版及 R 統 計軟體 3.3.1 版。以下針對各項資料庫加以說明。

2.2.1健保資料庫承保抽樣歸人檔

全民健康保險資料庫(National Health Insurance Research Database, NHIRD)中的 2000 年承保抽樣歸 人檔(Longitudinal Health Insurance Database 2000, LHID 2000)係由國家衛生研究院自 2000 年起自所 有在保的身份證字號(ID)中隨機抽取 100 萬個 ID，

每五年為一個世代進行抽樣，並且擷取每人各年所 有就醫申報資料含門診、住院及特約藥局等資料所 製成之資料庫。本研究即利用承保抽樣歸人檔及國 際疾病分類標準碼第九版(ICD-9 Code)之肺癌代碼 (ICD-9=162)，統計大台北與大嘉義地區 2003~2012 年每季之鄉鎮肺癌罹病人數；在季節之定義方面，

本研究以 3、4、5 月為春季；6、7、8 月為夏季；

9、10、11 月為秋季；12、1、2 月為冬季。

2.2.2MODIS 全球植生資料庫

本研究採用 2003-2012 年共 10 年間每季平均 之 常 態 化 差 異 植 生 指 標 (Normalized Difference Vegetation Index, NDVI)，以代表該時期之植生覆蓋 狀況。NDVI 源自美國太空總署(National Aeronautics and Space Administration, NASA)於地球觀測系統 (Earth Observing System, EOS)中 Terra 衛星上用以 長期監測全球植生之 MODIS(Moderate Resolution Imaging Spectroradiometer)感測器所建構之全球植 生資料庫來推估環境綠蔽度。本研究採用之產品為 MOD13Q1，每 16 天產生一幅空間解析度為 250 m

× 250 m 之全球綠蔽度植生資料，並以研究期間 2003-2012 年間每月採用一幅最接近月中之 NDVI 影像，以代表該時期之植生覆蓋狀況。NDVI 計算 原理係利用地被物在近紅外光波段與紅光段的差 值除以兩者之和，據以區分區域植生之情況，NDVI 值介於 1 和 -1 之間，一般來說，植被生長良好與 綠覆蓋度高之地區，NDVI 較高，大於 0.5；而裸露 地因無植被，NDVI 趨近於 0；建築區之 NDVI 則

呈現負值，介於 0 和 -1 之間；水域與冰雪覆蓋物 由於吸收大部分的近紅外光，故其 NDVI 值接近 - 1 (Elvidge and Chen, 1995)。

2.2.3空氣品質倉儲資料庫

本研究採用行政院環境保護署環境資源資料 庫中之空氣品質監測資料(行政院環境保護署，

2018)，並使用 2003~2012 年全台共 76 個空氣品質 監測站之每月細懸浮微粒(Fine Particulate Matter, PM2.5)監 測 數據 ， 透過 普通 克 利金 內插 (Ordinary Kriging)，以推估全台 PM2.5之空間分佈，進而計算 各時期大台北及大嘉義地區中各鄉鎮細懸浮微粒 之平均濃度資訊，供後續分析。

2.2.4社會經濟資料

本研究之社會經濟資料取用自內政部統計處 社會經濟統計資訊網(2018)，並由該資料庫取得 2003~2012 年 10 年間大台北與大嘉義地區各鄉鎮 之性別比(每 100 位女性為基準之男性人數)、14 歲 以下人口比率、15 到 64 歲人口比率、65 歲以上人 口比率、平均綜合所得稅額等資訊，供後續模型校 正之用。

2.2.5土地利用空污排放源資料

本研究採用 2008 年數值路網圖、第二次國土 利用調查資料、以及 2008 年地標資料庫，作為空污 排放源之資料。數值路網圖取自交通部運輸研究所，

該資料係以 1/5000 比例尺繪製之全台 GIS 路網數 值圖，本研究透過路網數值圖之 GIS 向量資料，計 算各鄉鎮道路長度，再將長度除以鄉鎮面積做為道 路密度資訊；而第二次國土利用調查約於 2008 年 左右完成，該資料庫之分類系統為層級式樹狀結構，

共將土地使用類型分為三級，第一級為主類別，共 9 大類；第二級為次類別，共 41 類；第三級為細類 別；此外，本研究自第二次國土利用調查以獲取工 廠分佈資料，進而計算各鄉鎮之工廠密度。地標資 料庫是由勤威國際科技(Kingway Tek)所生產，該資 料庫亦為 Google Earth 用以標計台灣地標之材料，

故具有一定代表性及精確度，本研究使用 2008 年

版本之地標資料庫，以計算寺廟數量及中式餐飲(含 夜市)數量等空污排放源資訊，並將上述資料作為可 能影響肺癌之因子，供模型校正使用。

2.2.6鄉鎮分級資料

侯佩君等(2008)根據第五期第一次「台灣社會 變遷基本調查」資料，將全台灣鄉鎮依據年齡、職 業、教育程度等社會經濟因子區分為一至七級，分 別為都會核心、工商市區、新興市區、傳統產業市 集、低度發展鄉鎮、高齡化鄉鎮及偏遠鄉鎮七個集 群，其中分類數值越高，都市化程度越低，並以該 資料代表 2006 年台灣鄉鎮之經濟分級。由於鄉鎮 分級資料每隔五年左右方更新一次，無每年之資料 可供使用，故本研究在假定研究期間全台更鄉鎮之 經濟發展排名無太大變動之前提下，使用研究期間 中間年分之 2006 年資料，來代表鄉鎮經濟發展等 級，作為本研究模型校正因子之一。

2.3 時空趨勢分析

本研究利用承保抽樣歸人檔資料，計算研究區 各鄉鎮行政區 2003-2012 年之肺癌發生率；以及利 用 MODIS NDVI 影像，評估區域之環境綠蔽程度，

之後透過時空製圖之方式，比較大台北與大嘉義地 區在肺癌發生率與 NDVI 值之差異，並初步檢視肺 癌與區域 NDVI 之關聯趨勢。為避免極端值影響模 型配適，本研究計算肺癌發生率之四分位(Quartile) 及四分位距(Interquartile Range, IQR)，以 3 倍四分 位距(Q1-3IQR；Q3+3IQR)為標準，去除極端值，共 移除 152 筆樣本，最後使用大台北地區 1,582 筆及 大嘉義地區 706 筆、總計 2,288 筆樣本數據進行分 析。發生率係指某段時間內新罹患疾病的總人數佔 總人口的比例，計算公式如下：

I = × 100,000 ... (1) I：發生率(每十萬人)

N：某段時間內新增病例數(人)

T：某段時間內有罹患該疾病風險的總人數(人) A：現存病例數(人)

2.4 空間群聚分析

本研究利用全域型 Moran's I (Global Moran's I) 探討大台北地區和大嘉義地區各鄉鎮罹患肺癌情 形，並分別統計 2003 年至 2012 年及各季節罹患肺 癌人數，藉以比較鄉鎮之肺癌發生率的時空變化；

此外更進一步利用 GIS 進行空間群聚性分析，討論 大台北地區及大嘉義地區鄉鎮之肺癌發生率是否 有聚集的現象，並利用 Moran's I 值可以檢驗空間關 係。Moran's I 值域介於 1 至-1 之間，1 代表空間上 聚集；-1 為空間上分散為空間上分散；0 則係指空 間上隨機分布，數值越接近 1 或-1 則代表越顯著。

2.5 環境綠蔽度及肺癌發生率 之關聯分析

本研究參考前人文獻(陳映融等，2016)，利用 R 軟體所發展之套件(gamm4)，透過廣義加乘混合模 型(Generalized Additive Mixed Model, GAMM)，以 各季各鄉鎮之肺癌發生率為依變數，在校正肺癌風 險因子、隨機效應(Random Effects)，並且於考量時 間、空間自相關(Spatial Autocorrelation)下，探討環 境綠蔽度(以四分位距(IQR = 0.27)為單位，類別變 數)與肺癌發生率(每十萬人)之關聯。本研究以鄉鎮 NDVI 平均值代表環境綠蔽度，其餘所考慮之風險 因子包含、PM2.5濃度、綜合所得稅額、鄉鎮都市化 等級、14 歲以下人口比率、15-64 歲人口比率、65 歲以上人口比率、性別比等社會濟經因子，以及寺 廟數量、中式餐飲、工廠密度、道路密度等土地利 用空污排放源因子，透過 Spearman 相關係數絕對 值 <0.7 以 及 變 異 數 膨 脹 因 子 (Variance Inflation Factor, VIF) <3 為標準，進行自變數共線性檢定，其 中在相關係數的部份，當兩變數之相關係數絕對值 超過 0.7 時，則選擇與肺癌發生率較相關者留下，

總計最後共選擇 PM2.5濃度、綜合所得稅額、15-64 歲人口比率、寺廟數量、工廠密度等五項風險因子 進行模型校正。並假設肺癌之發生在不同縣市有所 差異，故針對四個縣市之中心點座標進行平滑化處 理，以校正其空間自相關，由於四個縣市之 XY 座 標共有八個值，故本研究以自由度 9 進行分析。透

過在模型中加入四個縣市(台北市、新北市、嘉義市、

嘉義縣)XY 座標組成之二維平滑曲面參數，並且預 設平滑曲面具有九個自由度，以去除空間自相關之 影響。同時假設肺癌發生率在時間關係上之相關矩 陣為 auto-regressive 的形式，以同時控制時間自相 關對於模型產生之干擾，表達式如下：

㏑(E[ ]) = + + +

( , ; = 9) ... (2)

= 第 c 行 政 區 第 s 季 節 的肺 癌 發 生率 ；

=NDVI、PM2.5濃度、綜合所得稅額、15-64 歲人 口比率、寺廟數量、工廠密度之係數估值； =在第 c 行政區第 s 季節之 NDVI、細懸浮微粒濃度、綜合 所得稅額、15-64 歲人口比率、寺廟數量、工廠密度；

= 假 設 隨 機 效 應 為 鄉 鎮 行 政 區 ； ( , ; = 9)=四個縣市(台北市、新北市、嘉 義市、嘉義縣)之 XY 座標組成之二維平滑曲線參數，

自由度為 9。

此外，為了解環境綠蔽度之保護效應，於不同 都市化程度之地區是否有所差異，故後續將針對大 台北地區與大嘉義地區資料進行獨立建模之分層 分析；同時，本研究亦藉由替換模型中之校正因子，

以進一步驗證模型推估結果之可信度，包括將年齡 結構因子由 15-64 歲人口比率替換為 65 歲以上人 口比率，以及將土地利用因子由寺廟數量替換為中 式餐飲數量。

3. 結果與討論

3.1 敘述統計

利用研究期間 NDVI 平均值之中位數(0.50)，將 資料分為高綠蔽度(鄉鎮 NDVI 平均值> 0.499)及低 綠蔽度兩層(鄉鎮 NDVI 平均值<0.499)，進而以 SPSS 統計軟體 22 版計算各項變數之敍述統計，結 果如表 1。其中在高綠蔽度地區，其肺癌發生率、

PM2.5濃度、綜合所得稅額、14 歲以下人口比率、

15-64 歲人口比率、中式餐飲數量、工廠密度、道路 密度之數值較低；反之，其鄉鎮等級、65 歲以上人

口比率、性別比、寺廟數量之數值則較高。由敍述 統計之結果可初步發現，高綠蔽度地區之居民罹患 肺癌之情形相對較少；空氣品質較佳；所得較低；

人口結構來說具有較多的老年人；在土地利用方面，

整體來說高綠蔽度地區具有較少之空氣污染排放 源。

表 1 變數敍述統計表

變數

低綠蔽度 (NDVI<0.50)

(n=1144)

高綠蔽度 (NDVI>0.50)

(n=1144) p 值

均數±標準差 均數±標準差

肺癌發生率(每十萬人)^b 16.86±22.83 9.40±19.89 <0.001 PM2.5a濃度(μg/m³)^a 32.30±7.85 30.74±7.93 <0.050 綜合所得稅額(千元) ^a 839.37±277.60 743.26±188.32 <0.010

鄉鎮等級^b 2.74±1.94 4.03±1.57 <0.001

14 歲以下人口比率(%)^b 16.29±2.95 15.65±3.13 <0.001 15-64 歲人口比率(%)^b 71.87±3.51 71.72±3.06 0.105 65 歲以上人口比率(%)^b 11.82±4.81 12.62±4.55 0.655 性別比((男性人數/女性人

數)*100%)^b 101.70±7.36 107.83±9.87 <0.001

寺廟數量(間)^b 13.07±10.21 14.98±9.82 0.400

中式餐飲數量(間)^b 34.28±56.18 11.28±18.52 0.286

工廠密度(%)^b 4.69±5.38 1.49±2.06 0.286

道路密度(m/m²)^b 0.31±0.27 0.08±0.1 <0.001 a使用 Wilcoxon rank sum test 進行檢定

b使用卡方檢定進行檢定

3.2 肺癌發生率的空間群聚效應

Moran's I 空間群聚性分析結果如表 2 所示，由 表中可知，不論是整個研究期間、特定季節或特定 年份，其 Moran's I 值皆呈群聚、且皆達顯著水準(p

< 0.01)，表示肺癌之發生在研究地區具空間自相關。

表 2 肺癌發生率空間群聚性分析

時間 Moran's I p 值

全研究期間平均(2003-2012) 0.385 < 0.01 春 0.304 < 0.01 夏 -0.017 < 0.01 秋 0.309 < 0.01 冬 0.337 < 0.01 2003 0.161 < 0.01 2004 0.216 < 0.01 2005 0.313 < 0.01 2006 0.260 < 0.01 2007 0.275 < 0.01 2008 0.170 < 0.01 2009 0.335 < 0.01 2010 0.277 < 0.01 2011 0.235 < 0.01 2012 0.343 < 0.01

3.3 肺癌發生率的時空分析

利用全民健康保險資料庫抽取 2003-2012 年 10 年間大嘉義與大台北之肺癌人數，結果如圖 2。10 年間每年發病人數約在 200 人上下，平均每年發病 人數為 226 人，其中又以 2010 年 259 人最多、2007 年 189 人最少；各縣市別之發生率與平均 NDVI 統 計結果如圖 3，四縣市中以嘉義市的肺癌發生率最 高，每十萬人 42.13 人，其次為台北市每十萬人 27.48 人、新北市每十萬人 8.25 人，嘉義縣之肺癌發生率 最低，每十萬人 7.64 人，如搭配 NDVI 之計算結果 可初步發現，在 NDVI 值高的地區如嘉義縣(平均 NDVI=0.53)和新北市(平均 NDVI=0.53)，其肺癌發 生 率 較 低 ， 而 反 之 在 綠 度 較 低 之 嘉 義 市 ( 平 均 NDVI=0.42)和新北市(平均 NDVI=0.41)肺癌發生率 較高。

圖 2 分層種植示意圖

圖 3 各縣市平均 NDVI 值及肺癌發生率之比較

3.4 環境綠蔽度與肺癌發生之 GAMM 模型分析

表 3 為 GAMM 主模型分析結果，NDVI 係數 值為負值，代表區域 NDVI 愈高時肺癌發生率愈低；

PM2.5、綜合所得、15-64 歲人口比率、寺廟數量、

工廠密度係數值為正值，則說明當 PM2.5濃度越高、

綜合所得越高、15-64 歲人口比率越多、寺廟數量越 多、工廠密度越高之鄉鎮地區，其肺癌發生率有較 高的趨勢，其中除了 PM2.5未達統計上的顯著程度 外 (p = 0.25)，其餘之變數皆達到統計上之顯著水準 (p < 0.01) ； 將係 數 值取 自 然 對數 計 算 相對 風 險 (Relative Risk, RR)，當 RR 值大於 1 時，代表隨著 變數數值的增加，將提高疾病發生之風險，反之，

RR 值小於小則代表變數數值的上升，會減低疾病 風險。由本研究之結果可知，NDVI 之 RR 值為 0.68，

代表當區域之平均 NDVI 每上升一個單位 IQR (0.27) 時 ， 將 使 得 該 地 區 肺癌 之 發 生 率 下 降 32% (1- 0.68=0.32)。

表 3 肺癌發生率之 GAMM 主模型

變數 係數估值

(95%信賴區間)

相對風險

(95%信賴區間) p 值 NDVI

(IQR=0.27)

-0.39 (-0.42, -0.36)

0.68

(0.66, 0.70) <0.01 PM2.5

(μg/m³)

0.002 (-0.001,0.004)

1.002

(0.999,1.005) 0.25 綜合所得

(千元/每戶)

0.002 (0.002,0.002)

1.002

(1.002,1.002) <0.01 15-64 歲人

口比率(%)

0.04 (0.034,0.05)

1.04

(1.03,1.05) <0.01 寺廟數量

(間)

0.024 (0.023,0.025)

1.024

(1.023,1.025) <0.01 工廠密度

(%)

0.050 (0.045,0.054)

1.051

(1.047,1.056) <0.01

表 4 為 GAMM 模型敏感度分析與分層分析之 結果，本研究藉由替換模型中之校正變數，以觀測 模型中 NDVI 係數估值之穩定性，共採用兩種方法 進行分析。第一種方法為替換年齡結構因子，係將 15-64 歲人口比率替換為 65 歲以上人口比率，結果 NDVI 係數估值為-0.43，相對風險為 0.65；第二種 方法為替換土地利用空污排放源因子，係將寺廟數 量替換為中式餐飲數量，其所得之 NDVI 係數估值 為-0.26，相對風險為 0.77。

至於在針對大台北地區及大嘉義地區各自獨 立建模之分層分析方面，所得結果大台北地區

NDVI 係數值為-0.26，相對風險為 0.77；大嘉義地 區 NDVI 係數值為-0.54，相對風險為 0.59，上述結 果均達到統計上的顯著水準(p < 0.01)。以上結果證 實，NDVI 與肺癌的發生確實具有統計上之顯著負 相關，由敏感度分析結果可知，其係數估值頗具穩 定性，並且在不同都市化程度之區域皆具有保護作 用。

表 4 GAMM 模型敏感度分析與分層分析結果 NDV

I 係數估值 (95%信賴區間)

NDVI 相對風險 (95%信賴區間)

p 值 敏感度分析

替換年齡結 構因子^a

-0.43 (-0.46, -0.40)

0.65

(0.63, 0.67) <0.01 替換土地利

用因子^b

-0.26 (-0.29, -0.23)

0.77

(0.75, 0.80) <0.01 分層分析

大台北地區^c -0.26 (-0.29, -0.22)

0.7

7(0.75, 0.80) <0.01 大嘉義地區^c -0.54

(-0.68, -0.39)

0.59

(0.51, 0.68) <0.01

a將 15-64 歲人口比率替換為 65 歲以上人口比率，

其餘校正因子同主模型

b將寺廟數量替換為中式餐飲數量，其餘校正因子 同主模型

c校正因子同主模型(PM2.5濃度、綜合所得稅額、

15-64 歲人口比率、寺廟數量、工廠密度等五項 風險因子)

本研究為國內第一個針對環境綠蔽度與肺癌 發生率進行探討之研究。研究結果發現，環境綠蔽 度與大台北及大嘉義地區之肺癌發生呈現負相關，

並且經由 GAMM 模型結果得知，環境綠蔽度的增 加對於肺癌的發生具有統計上之保護效果；除此之 外，寺廟數量及工廠密度越高，肺癌發生率越高，

由此可知造成污染的外部環境因子對於肺癌的發 生亦有影響；而綜合所得越高，發生癌症的機率越 高，推測可能係因所得高者多居住在高都市化且交 通便利之區域，而大量之交通排放亦為都市內 PM2.5

之主要排放源，進而影響高所得族群之健康；另在 於分層分析中，不論是以經濟發展為主的大台北，

亦或農業為主要產業的大嘉義地區，其環境綠蔽度 對於肺癌的發生都具有顯著的保護效果。由以上成 果證明，說明環境綠蔽度對於肺癌確實具有正面的

效應。

過去針對綠蔽度與肺癌之關聯進行分析、並同 步加入空氣污染物進行校正之文獻甚少，大多僅針 對其中一項因子進行探討。其中有關綠蔽度與肺癌 之文獻，大多發現綠地對肺癌發生具保護作用，但 影響並不顯著(Su et al., 2011、Xu et al., 2017)，本研 究之統計結果發現，綠蔽度對於大台北及大嘉義地 區之肺癌發生具有統計上之顯著保護效應，主要原 因可能是研究地區綠蔽度覆蓋區域較大，使得綠地 正面效果較為明顯；而在空氣污染物與肺癌之前人 文獻中，主要發現長期暴露於 PM2.5、揮發性有機物 (Volatile Organic Compounds, VOCs)、氮氧化物等污 染物會增加肺癌之發生，其中又以 PM2.5與交通排 放產物二氧化氮(NO2)為最常討論之對象(Katanoda et al., 2011、Raaschou-Nielsen et al., 2011、Villeneuve et al., 2013)，主要係因此兩種物質對於呼吸道及肺 部刺激性較大，亦引起人體發炎反應，進而導致癌 細胞癌化(Fortoul et al., 2015)。此外，過去研究亦提 及，綠色空間通過過濾空氣污染物，可改善區域內 之空氣循環並降低環境溫度，進而降低空氣污染程 度，減少空污對人體健康的傷害(Paoletti et al., 2011、

Dadvand et al., 2012、Villeneuve et al., 2012)。本研 究中 PM2.5雖會略微增加肺癌風險，但並未達統計 上的水準，可能係因模型中已考量綠地之健康效應，

因而減少 PM2.5之影響程度所致。

近年來全球暖化議題廣受國際重視，在各種減 緩及調適之策略方案中，廣植綠帶及增加區域綠蔽 程度一直是普遍被認同的有效方法(Bedimo-Rung et al., 2005、Nowak et al., 2006、Maimaitiyiming et al., 2014)；近年來國外亦有許多報告證實，環境綠蔽度 愈高，對於人類之生心理均有正面之助益(James et al., 2015、Weimann et al., 2015、Ancona et al., 2017、

James et al., 2017)，而經由本研究的成果也發現，這 樣的效應對於島內肺癌的發生亦有影響，並且不論 係在高都市化或相對較鄉村的地區，均具有顯著的 影響成效，考量到此共效應(Co-benefits)作用，建議 未來有關單位在進行都市規劃時，應將環境綠蔽度 的健康效應納入考量。

受限於資料取得的問題，本研究在分析過程中