Volume 24, No.3, 2019, pp. 161- 171 DOI：10.6574/JPRS.201909_24(3).0002
1
國立臺灣師範大學地理學系 碩士 收到日期：民國 108 年 08 月 05 日
2
國立臺灣師範大學地理學系 副教授 修改日期：民國 108 年 09 月 06 日
*
通訊作者, 電話: 02-77341683, E-mail: sendo@ntnu.edu.tw 接受日期：民國 108 年 09 月 17 日
空氣品質、天氣概況與公共自行車租借行為之 關聯性分析：以臺北市為例
李俊毅 1 王聖鐸 2*
摘要
公共自行車系統已於臺北市實施近 10 年，隨著租借站建置完整，已成為臺北市公共運輸系統的一環。
由於公共自行車使用者騎乘路線絕大部分為戶外環境，此外臺灣常年於冬季與春季好發高濃度之懸浮微 粒事件，空氣中的懸浮微粒容易進入人體之呼吸道與血管內，可能導致身體不適或提高心血管疾病之風 險。空氣品質和天氣概況是否對於公共自行車的使用行為造成影響？本研究利用皮爾森相關係數、迴歸 分析方法進行資料分析，探討 2016 年 11 月至 2017 年 10 月臺北市公共自行車租借行為與天氣、空氣品 質之間的關係。研究結果顯示天氣相關變數中降雨對於租借率為顯著負相關；氣溫、風速以及細懸浮微粒 濃度對於租借率無顯著影響力。
關鍵詞：公共自行車系統、懸浮微粒、天氣條件、迴歸分析
1. 前言
隨著都市發展產生之交通壅塞以及汽、機車伴 隨的環境汙染與高耗能，全球各大城市陸續推動低 汙染、低耗能之公共運輸系統。其中公共自行車系 統 (Public Bicycle-Sharing System, PBS) 相較於公 車、鐵路等傳統運輸系統，具有營運成本較低、設 置門檻較低、騎乘自由度較高等優勢，可觸及傳統 交通工具無法進入之地區，臺灣公共自行車在各縣 市政府大力推廣下，已成為民眾經常使用的「最後 一哩路」公共運輸系統。使用者騎乘路線絕大部分 為戶外環境，其使用意願易受天候狀況影響；然而 空氣品質對使用意願的影響，目前尚無文獻直接討 論。此外臺北市空氣品質中的懸浮微粒 (particulate matter, PM) 濃度於每年的冬季、春季期間較其他季 節高，如圖 1 所示。人體暴露於高濃度懸浮微粒的 環境容易出現眼睛、呼吸道不適等症狀，而近幾年 的文獻也指出懸浮微粒與人體呼吸系統、心血管系 統與肺癌等疾病發生機率有關，對於人類健康產生
風險而逐漸受到重視。因此本研究將以臺北市為研 究對象，從天氣概況、空氣品質面向進行資料分析，
探索租借站附近空氣品質監測站之天氣、空氣品質 概況與租借次數之間的關係。利用敘述統計了解依 變數、自變數的基本資訊，之後投入迴歸分析方法 進行分析，了解各項變數與租借行為的關係，再進 一步探討影響臺北市公共自行車系統租借行為的 天氣、空氣品質變數以及影響程度。
圖 1 2013 年至 2018 年臺北市懸浮微粒濃度變化折 線圖 (空氣品質監測網，2018)
隨著公共自行車興起，天氣與空氣品質概況 對 於 公 共 自 行 車 租 借 次 數 的 影 響 又 是 如 何 ？ Dobrzyńska 及 Dobrzyński (2016) 分析波蘭比亞維 斯托克 (Białystok) 公共自行車的路網結構與動態 分析，在比較公共自行車系統與傳統公共運輸系 統的部份，提到公共自行車系統對於天氣概況的影 響較其他公共運輸系統明顯。Corcoran et al. (2014) 分析澳洲布里斯本 (Brisbane) 公共自行車系統，
利用旅次起訖資料進行分析，探討的天氣變數有 氣溫、降雨、風速。研究結果發現氣溫與租借次 數 呈 現 正 相 關 ， 降 雨 與 風 速 則 呈 現 負 相 關 。 Faghih-Imani et al. (2014) 分 析 加 拿 大 蒙 特 婁 (Montréal) 的公共自行車系統，利用氣溫、相對濕 度、降雨發生天數進行分析，研究結果顯示租借 站車輛動態變化和氣溫呈現正相關；與降雨量、
相對溼度為負相關。El-Assi et al. (2017) 探討 2013 年整年度影響加拿大多倫多的公共自行車系統 (Bike Share Toronto) 租借次數之因素，利用旅次起 訖資料進行分析。天氣相關變數使用相對濕度、
降雨量、降雪量以及考量濕度以及風速估計之體 感氣溫進行分析，研究結果顯氣溫與租借次數呈 現正相關，並且隨著氣溫的上升正相關幅度有增 加的趨勢，降雨、降雪以及相對濕度則對於租借 次數呈現顯著負相關。
表 1 天氣對於自行車騎乘影響採用變數一覽表
作者 (發表年度)
Faghih-Imani et al.
(2014)
Corcoran et al.
(2014)
El-Assi et al.
(2017)
降雨 ✓ ✓ ✓
降雪 ✓
氣溫 ✓ ✓ ✓
風速 ✓
相對濕度 ✓ ✓
天氣對於公共自行車租借行為的影響，表 1 整 理相關研究所採用的變數，可以發現絕大多數的 研究中都會採用降雨、氣溫等天氣變數進行分析，
幾個探討中、高緯度地區城市公共自行車研究也 會將降雪量納入分析，採用風速變數則相對較少，
分析結果除了降雨、降雪等天氣變數於文獻中皆 與租借行為呈現負相關，表示降雨、降雪事件可
能降低租借公共自行車之意願。氣溫、風速跟相 對濕度則因為研究區的地理位置而有所差異，而 本研究所回顧的文獻其研究區大多位於中、高緯 度地區之城市，位於較低緯度的臺北市，租借行 為會因為哪些天氣變數所影響值得探討。
空氣品質與使用個人自行車或是公共自行車 之間的關係，多討論暴露於較差的空氣品質環境，
對於騎乘自行車造成健康上的風險。Tainio et al.
(2016) 探討空氣汙染對於戶外騎乘自行車或行走 的影響。利用空氣中的細懸浮微粒 PM2.5濃度評估 對於騎乘自行車所產生的健康風險，結果顯示若 是暴露於細懸浮微粒 PM2.5濃度達 100μg/ m3之環境 下，騎乘自行車超過 90 分鐘可能導致較高的健康 風險。懸浮微粒指的是空氣當中的固體顆粒或液 滴，其組成成分相當複雜，在戶外環境中細懸浮 微粒的主要成份來源為塵土、海鹽等，細懸浮微 粒濃度上升時會影響光線於環境當中的傳輸，造 成視覺上能見度降低的問題；室內環境則以塵蟎、
二手菸為主要來源，其顆粒直徑相當小，肉眼難 以辨識。若這些微小的顆粒吸附對人體有害之化 學物質，例如硫化物、氮化物等，人體暴露於高 濃度的細懸浮微粒環境中，呼吸道難以過濾這些 微小的物質，因此容易進入體內提高健康風險。
懸浮微粒依照顆粒直徑大小分成 PM10和 PM2.5兩 類，直徑小於等於 10 µm 大於 2.5 µm 的懸浮微粒 為懸浮微粒 PM10；直徑小於等於 2.5 µm 的懸浮微 粒稱為細懸浮微粒 PM2.5。
2. 材料與方法
2.1 研究區
本研究研究區設定於臺北市，臺北市政府交通 局於 2009 年 3 月以「臺北市公共自行車租賃系統 示範計劃營運」一案，於臺北市信義區設置 11 座租 借站，投放 500 輛自行車，試辦公共自行車系統，
其目標為改善都市道路交通擁擠、環境污染及能源 損耗目的。向民眾宣導多加利用低污染、低耗能的 公共自行車作為短程接駁運具，以利減少及移轉私 人機動車輛之持有及使用。經過三年試營運，於
2012 年臺北市政府以民間興建營運後轉移模式 (BOT)，委託巨大機械工業股份有限公司正式建置 及營運，簡稱為「YouBike 微笑單車」，目前已設 置 400 座公共自行車租借站(臺北市統計資料庫查 詢系統，2018)。環保署目前於臺北市共設置七座空 氣品質監測站，分別為松山、古亭、中山、士林、
大同、萬華、陽明監測站。觀測項目主要有：細懸 浮微粒 PM2.5、懸浮微粒 PM10、氣溫、降雨量、風 速等。
2.2 研究資料
本研究除了公共自行車租借資料係向臺北市 政府交通局申請之外，空氣品質資料以開放資料進 行分析，如表 2 所示。本研究以 2016 年 11 月至 2017 年 10 月共一年期的臺北市公共自行車系統租 借資料進行分析。由於研究時間範圍內臺北市公共 自行車仍然持續建置租借站，部分租借站因應周邊 工程或是活動因素故長期暫停營運，為確保研究資 料的一致性，本研究僅挑選 2016 年 11 月以前建置 之租借站，並且排除暫停營運時數超過研究時間區 間 5%的租借站。
表 2 本研究使用資料來源一覽表
名稱 資料簡介 提供單位
YouBike 租 借資料
去識別化之所有借車與 還車記錄。包含以下資 訊：借車時間、借車場站、
還車時間、還車場站、租 用時間、扣款時間。
臺北市政 府交通局
YouBike 租 借站資訊
租借站地理資訊。包含以 下資訊：場站識別碼、場 站名稱、所在行政區、場 站地址、停車柱數量、場 站空間座標(經度、緯度)
臺北市政 府公開資
料
天氣概況、
空氣品質監 測資料
監測站監測紀錄。觀測項 目主要有：PM2.5、PM10、 氣溫、降雨量、風速等
行政院環 保署歷年 監測資料
天氣概況、空氣品質監測資料採用環保署建置 之空氣品質監測站歷史資料(空氣品質監測網，2018、
環境資源資料庫，2018)，觀測每小時的空氣品質項 目，臺北市目前共設置七座監測站。將位於陽明山 山區之陽明監測站以及未觀測氣溫項目的大同監
測站排除，以五座環保署空氣品質監測站歷史資料 進行資料分析。由於目前公共自行車租借站並無硬 體設備觀測租借站所在位置的天氣、空氣品質概況，
故本研究採用鄰近分析(Proximity Analysis)挑選最 鄰近空氣品質監測站的公共自行車租借站進行資 料分析，鄰近分析結果如表 3 所示。
表 3 鄰近分析成果 空氣品質監
測站名稱
最鄰近之公共自行 車租借站名稱
距離 (單位：m) 松山 松山車站 131.27 古亭 捷運台電大樓站
(2 號出口) 101.55 萬華 開封西寧路口 82.03 士林 捷運明德站 622.22 中山 捷運中山國小站
(4 號出口) 135.47
2.3 變數選擇
本研究利用空氣品質監測站觀測資料，與其最 鄰近的公共自行車租借站進行分析，本研究挑選四 項觀測項目進行分析，分別是：細懸浮微粒 PM2.5濃 度、雨量、氣溫、風速。此外對於每項變數對於租 借率的影響提出預期影響之方向性，(+)表示對於租 借率為正相關之關係；(-)表示對於租借率為負相關 之關係；變數依月份有所變化時則，與租借率的關 係會依月份而有所差異。
由於雨量發生即可影響使用公共自行車之意 願，故本研究將雨量換算成一天當中發生降雨的 比例，以「降雨比率」進行分析。降雨比率為若干 小時內發生降雨的比例，舉例來說，若 24 小時內 發生降雨的時數為 6 小時，無降雨的時數為 18 小 時，其降雨比率為 0.25。由於前人文獻已提到降雨 對於租借行為產生負面影響，故預期降雨比率愈 高，對於租借率的負面影響程度愈大，為負相關 之關係。氣溫變數由於研究區一年當中氣溫變化 幅度明顯，每年夏季、秋季氣溫時常達到 35℃或 以上，每年冬季、春季偶而會發生氣溫低於 10℃
之事件。故對於租借率的影響推論會隨月份的不 同有所有差異；風速愈大對於騎乘自行車的舒適 度有所影響，預期對於租借率產生負面影響。目
前環保署對於細懸浮微粒 PM2.5濃度提供相關活動 建議，細懸浮微粒 PM2.5濃度達到 35.5μg/m3以上，
一般民眾若有不適，如眼痛，咳嗽或喉嚨痛等，
應該考慮減少戶外活動。學生則建議減少長時間 劇烈運動，預期細懸浮微粒 PM2.5濃度上升民眾減 少戶外活動，可能降低公共自行車的租借率，為 負相關之關係。變數選擇整理如表 4 所示。
表 4 變數一覽表
變數名稱 變數
種類 說明 預期
影響
租借率 依變數
公共自行車租借站每小時 租借次數與當日最大租借 次數的比值。其值介於 0 到 1 之間。
細懸浮微粒 PM2.5濃度
自變數
鄰近空氣品質監測站每小 時觀測之細懸浮微粒 PM2.5
濃度值。單位為 μg/m3。 (-)
降雨比率
鄰近空氣品質監測站觀測 若干小時內發生降雨的比 例。其值介於 0 到 1 之間。
(-)
氣溫
鄰近空氣品質監測站每小 時觀測之氣溫值。單位為
℃。
依月份 而有所 差異
風速
鄰近空氣品質監測站每小 時觀測之風速，以每小時最 後 10 分鐘算術平均。單位 為m/sec。
(-)
2.4 研究流程
首先蒐集租借資料以及氣象、空氣品質監測資 料，利用空間分析中的鄰近分析(Proximity Analysis) 法，找出距離空氣品質監測站最近的公共自行車租 借站，並以鄰近分析之結果挑選待分析的資料。之 後將空氣品質監測站觀測資料，以及公共自行車租 借資料進行資料前處理，將資料當中的遺漏值、異 常值進行清理，並將租借次數、降水量等項目進行 標準化，計算出租借率以及降雨比率，以提高分析 結果的品質。完成資料前處理後再根據鄰近分析之 結果進行空間連接(Spatial Join)。資料準備完成後，
首先歸納每項變數之敘述統計表，之後進行相關分 析初步探討變數之間的關係，再進行迴歸分析，首 先將自變數和依變數各別進行簡單線性迴歸，並且 以每個月為一組資料各別進行分析，探索各項天氣 與空氣品質變數與租借率之個別關係和月份的差
異，最後進行模式驗證並且就分析成果進行討論，
研究流程圖如圖 2 所示。
圖 2 研究流程圖
3. 研究結果
3.1 敘述統計結果
觀察最鄰近空氣品質監測站的五座公共自行 車租借站，一星期當中租借型態的變化(圖 3)，觀察 到幾個現象。第一個是尖峰離峰的變化，尖峰時段 幾乎規律地出現於週一到週五的上午 6 點至 9 點以 及下午 4 點至晚上 7 點兩個時段，中午 12 點則是 出現較小規模的尖峰；周末則只有下午 4 點至晚上 7 點一個時段出現尖峰。第二個現象是每日的凌晨 0 點至上午 6 點租借次數皆遠低於其他時段，為避 免凌晨時段租借次數偏低成為分析時的干擾因素，
不考慮凌晨 0 點至上午 6 點這六個小時的租借行為，
僅討論上午 6 點至午夜 12 點共 18 小時的租借行為 和天氣、空氣品質之關係。
圖 3 臺北市公共自行車一周租借次數變化
圖 4 旅次租借時間累積相對次數機率分配折線圖 (左邊為平日；右邊為假日)
分析臺北市公共自行車旅次租借時間，進一步 了解使用者使用時間的變化以及趨勢，繪製累積相 對次數分布折線圖，如圖 4 所示，發現平日旅次租 借時間在 30 分鐘以內之旅次約占全體的 82.19%，
假日旅次租借時間雖然在租借 1 至 3 小時的次數有 略微增加的現象，然而假日租借時間在 30 分鐘以 內之旅次約占全體的 74.45%，顯示臺北市公共自行 車的使用者大多數為短期租賃之型態。
觀察研究區內五座空氣品質監測站每個月天 氣與空氣品質概況。發現降雨比率於 2017 年 6 月 和 10 月降雨比率的平均數較其他月份高，表示該 月份較常發生降雨；2016 年 12 月、2017 年 1 月、
7 月和 8 月的降雨比率相對較低，代表發生降雨的 比例較少。氣溫統計結果顯示 2017 年 2 月不論是 最小值、最大值以及平均數較低於其他月份；2017 年 8 月不論是最小值、最大值以及平均數較高於其 他月份，兩者之間差距最小值達 18℃、最大值達 11.2℃、平均數達 14.6℃。風速統計結果顯示研究 範圍內並無明顯的強風發生，依據中央氣象局風級 標準，多落在一級軟風、二級輕風和三級微風之等 級，月份之間風速變化差異不大。細懸浮微粒 PM2.5
濃度統計結果顯示平均數於 2017 年 2 月到 4 月較 其他月份高，觀察各月份的最大值，發現 2017 年 5
月至 8 月細懸浮微粒 PM2.5濃度低於環保署發布空 氣品質橘色提醒的門檻值 35μg/m3，2016 年 11 月 到 2017 年 4 月以及 2017 年 9 月至 10 月則有高於 35μg/m3之紀錄。
3.2 相關分析成果
進行迴歸分析之前，需要先了解依變數以及各 項自變數之間的關係，首先採取皮爾森積差相關分 析，為探討兩變數之間的線性關係，其值介於-1 到 1 之間。若兩個變數之間的相關係數絕對值較大，
表示變數共變的程度較大。若兩變數之間為正相關，
表示變數值提升時，與其呈正相關的變數也會隨之 提升；若兩變數之間為負相關，則變數值提升時，
與其呈負相關之變數隨之下降。由表 5 可知租借率 與降雨比率、細懸浮微粒 PM2.5濃度有顯著之關係，
其中和降雨比率呈現高度負相關，和細懸浮微粒 PM2.5濃度、風速呈現低度正相關，與氣溫變數沒有 顯著相關。觀察自變數之間的關係，細懸浮微粒 PM2.5濃度和降雨比率、風速皆呈現低度負相關。
租借率與降雨比率的關係可呼應過去文獻中 提及降雨對於租借行為產生負面影響，細懸浮微粒 PM2.5與降雨比率呈現中度負相關，卻和租借率為低 度正相關，代表細懸浮微粒 PM2.5容易受到降雨比
率的影響，發生降雨事件使得空氣當中的細懸浮微 粒 PM2.5下降，若要進一步討論細懸浮微粒 PM2.5與 租借率之間的關係，須將降雨比率變數進行控制：
將降雨比率為 0 的數據挑選出來進行分析。
表 5 相關分析報表
變數 租借率 降雨比率 氣溫 風速 細懸浮微粒
PM2.5濃度 租借率 1 -0.797* 0.007 0.195* 0.277*
降雨比率 -0.797* 1 -0.156* -0.160* -0.344*
氣溫 0.007 -0.156* 1 -0.308 -0.049 風速 0.195* -0.160* -0.308* 1 -0.214*
細懸浮微粒
PM2.5濃度 0.277* -0.344* -0.049 -0.214* 1
* 表示變數達顯著水準，未標示表示未達顯著水準
表 6 將降雨比率變數控制之後執行淨相關，分 析其他天氣、空氣品質變數與租借率之間的關係。
分析結果發現氣溫和租借率從原來的不顯著影響，
經過變數控制後變成顯著關係，為低度負相關；細 懸浮微粒 PM2.5和租借率的相關性從原本的 0.277，
經過變數控制後變成 0.006，並且從顯著變成不顯 著，表示細懸浮微粒 PM2.5濃度和租借率之間的相 關性並不穩定。細懸浮微粒 PM2.5與氣溫、風速的 相關性為顯著低度負相關。
表 6 淨相關分析報表(控制降雨比率變數後)
控制
變數 變數 租借率 氣溫 風速 細懸浮微粒
PM2.5濃度
降雨 比率
租借率 1 -0.196* 0.113* 0.006 氣溫 -0.196* 1 -0.342* -0.110*
風速 0.113* -0.342* 1 -0.290*
細懸浮微粒
PM2.5濃度 0.006 -0.110* -0.290* 1
* 表示變數達顯著水準，未標示表示未達顯著水準
3.3 迴歸分析成果
透過相關分析了解變數之間的關係之後，接著 討論各項天氣、空氣品質變數與租借率之間的關係。
本研究採用簡單迴歸分析，將每一項自變數分別與 租借率進行迴歸分析，由於上一節提到天氣、空氣 品質變數會隨著月份的不同而有所改變，因此進行 迴歸分析時將樣本以月份作分組。分別計算租借率
與天氣、空氣品質變數之間的關係，此外自相關分 析結果發現降雨比率對於其他變數產生干擾，因此 對於氣溫、風速以及細懸浮微粒 PM2.5濃度與租借 率進行迴歸分析之前，將降雨比率等於 0 的樣本挑 選出來，將降雨比率變數控制之後，再進行迴歸分 析。本研究以 95%信心水準為標準，p-value 達顯著 水準的門檻值為小於 0.05 的值，確認顯著性之後檢 視自變數的 B 係數。B 係數說明自變數 X 對於應變 數 Y 的影響力，解釋為當自變數增加一個單位，應 變數預期的變化量。
本研究考量平日的租借行為較為相似，故僅探 討平日租借行為，將租借率分成平日平均、平日上 午尖峰、平日傍晚尖峰、平日離峰等四個時段與天 氣、空氣品質變數進行分析。平日平均為上午 6:00 至午夜 12:00 之平均值；平日上午尖峰為上午 6:00 至 9:00 三個小時之平均值；平日傍晚尖峰為下午 4:00 至晚上 7:00 三個小時之平均值；平日離峰為非 尖峰時段的其他小時之平均值，但不包含凌晨 0 點 至 6 點。以下將逐一說明各項變數與租借率之間的 關係。
3.3.1 降雨比率
表 7 說明降雨比率與不同時段的租借率之影響，
從月份來看除了 2017 年 8 月多數時段的降雨比率 和租借率未達顯著水準外，以及少部分月份無顯著 水準外，其他月份的降雨比率與租借率大多達到顯 著水準。
3.3.2 氣溫
將降雨比率變數進行控制，在未發生降雨的條 件之下，表 8 說明氣溫與不同時段的租借率之關係。
觀察標準化係數 β 發現氣溫隨月份的不同與租借率 的關係也不同，但整體觀察發現多數月份氣溫與租 借率的關係呈現負相關，少部分為正相關。然而達 到顯著水準的月分與時段，僅 2016 年 12 月、2017 年 4 月的平日平均；2016 年 12 月、2017 年 5 月以 及 2017 年 10 月的上午尖峰時段；2017 年 1 月的傍 晚尖峰時段，以及 2016 年 12 月、2017 年 1 月的離 峰時段。
表 7 租借率與降雨比率簡單迴歸報表
月份 平日平均 平日上午尖峰 平日傍晚尖峰 平日離峰
標準化係數 β R2 標準化係數 β R2 標準化係數 β R2 標準化係數 β R2
2016 年 11 月 -0.867* 0.751 -0.899* 0.809 -0.878* 0.771 -0.742* 0.551 2016 年 12 月 -0.431* 0.186 -0.105 0.011 -0.309 0.096 -0.547* 0.300 2017 年 01 月 -0.808* 0.652 -0.234 0.055 -0.421 0.177 -0.830* 0.689 2017 年 02 月 -0.865* 0.748 -0.447 0.199 -0.865* 0.748 -0.843* 0.711 2017 年 03 月 -0.785* 0.615 -0.741* 0.549 -0.915* 0.837 -0.701* 0.492 2017 年 04 月 -0.789* 0.622 -0.781* 0.610 -0.922* 0.849 -0.607* 0.368 2017 年 05 月 -0.782* 0.611 -0.736* 0.542 -0.917* 0.840 -0.801* 0.641 2017 年 06 月 -0.851* 0.725 -0.617* 0.381 -0.922* 0.851 -0.660* 0.436 2017 年 07 月 -0.515* 0.265 -0.749* 0.561 -0.912* 0.832 -0.360* 0.130 2017 年 08 月 -0.162 0.026 -0.285 0.081 -0.795* 0.632 -0.171 0.029 2017 年 09 月 -0.738* 0.545 -0.670* 0.448 -0.911* 0.830 -0.695* 0.483 2017 年 10 月 -0.857* 0.734 -0.256 0.066 -0.787* 0.619 -0.858* 0.736
* 表示變數達顯著水準，未標示表示未達顯著水準
表 8 租借率與氣溫簡單迴歸報表 (已控制降雨比率變數)
月份 平日平均 平日上午尖峰 平日傍晚尖峰 平日離峰
標準化係數 β R2 標準化係數 β R2 標準化係數 β R2 標準化係數 β R2
2016 年 11 月 0.139 0.019 0.479 0.230 0.250 0.062 0.001 0.000 2016 年 12 月 -0.516* 0.266 -0.523* 0.273 0.321 0.103 -0.492* 0.242 2017 年 01 月 -0.282 0.079 0.440 0.194 0.605* 0.366 -0.580* 0.337 2017 年 02 月 -0.087 0.007 -0.313 0.098 0.436 0.190 -0.192 0.037 2017 年 03 月 -0.376 0.141 -0.202 0.041 -0.024 0.001 -0.352 0.124 2017 年 04 月 -0.762* 0.580 -0.189 0.036 0.425 0.181 -0.678 0.460 2017 年 05 月 -0.239 0.057 0.728* 0.530 0.197 0.039 -0.483 0.233 2017 年 06 月 -0.072 0.005 -0.144 0.021 0.228 0.052 -0.329 0.108 2017 年 07 月 0.216 0.047 -0.040 0.002 -0.247 0.061 -0.080 0.006 2017 年 08 月 -0.446 0.199 -0.335 0.112 -0.175 0.031 -0.398 0.159 2017 年 09 月 -0.195 0.038 0.200 0.040 0.344 0.118 -0.329 0.108 2017 年 10 月 -0.762 0.581 -0.660* 0.435 -0.317 0.101 -0.406 0.165
* 表示變數達顯著水準，未標示表示未達顯著水準
3.3.3 風速
將降雨比率變數進行控制，在未發生降雨的條 件下，表 9 說明風速與不同時段的租借率之影響。
整體觀察發現風速對於租借率的影響隨月份、時段 的不同有所變化，但整體趨勢來看風速與租借率多 呈現負相關之關係。不過風速與租借率之關係達到 顯著水準的月分與時段，平日僅平日平均的 2017 年 7 月；上午尖峰的 2017 年 8 月；離峰時段的 2017 年 6 月。
3.3.4 細懸浮微粒 PM
2.5濃度
表 10 說明細懸浮微粒 PM2.5濃度與不同時段的 租借率之影響。整體觀察發現細懸浮微粒 PM2.5濃 度對於租借率的影響同樣隨著月份、時段的不同有 所變化，但整體趨勢來看平日平均、平日傍晚尖峰
以及平日離峰等時段呈現負相關的月份較多；其他 月份及時段則呈現正相關的比例較大。不過細懸浮 微粒 PM2.5濃度與租借率之關係達到顯著水準的月 分與時段僅 2017 年 3 月、2017 年 6 月的上午尖峰 時段；2016 年 11 月傍晚尖峰時段。
3.4 迴歸分析模式驗證
針對每項變數與租借率之間進行迴歸分析之 後，須進行模式適配性檢定。以下依序檢定降雨比 率、氣溫、風速以及細懸浮微粒 PM2.5濃度與租借 率之間的迴歸模式，檢定項目有變異數分析 F 檢定、
獨立性以及常態分配等三項，如表 11 至表 14 所示。
表 11 說明降雨比率與各時段租借率之迴歸分析模 式檢定報表，檢定結果顯示降雨比率變數於大多數 模式中符合獨立性、通過變異數分析檢定，然而常 態分配於平日各時段皆未符合。
表 9 租借率與風速簡單迴歸報表 (已控制降雨比率變數)
月份 平日平均 平日上午尖峰 平日傍晚尖峰 平日離峰
標準化係數 β R2 標準化係數 β R2 標準化係數 β R2 標準化係數 β R2
2016 年 11 月 -0.414 0.172 -0.489 0.239 -0.235 0.055 -0.189 0.036 2016 年 12 月 0.246 0.060 -0.078 0.006 0.102 0.010 0.341 0.116 2017 年 01 月 0.549 0.302 0.001 0.000 -0.110 0.012 0.284 0.081 2017 年 02 月 -0.285 0.081 -0.133 0.018 -0.071 0.005 -0.023 0.001 2017 年 03 月 0.022 0.001 0.195 0.038 0.029 0.001 -0.318 0.101 2017 年 04 月 -0.309 0.095 0.230 0.053 0.525 0.276 -0.318 0.101 2017 年 05 月 0.066 0.004 -0.301 0.090 0.021 0.000 0.174 0.030 2017 年 06 月 -0.696 0.484 -0.096 0.009 0.404 0.163 -0.683* 0.466 2017 年 07 月 0.711* 0.505 0.199 0.040 -0.267 0.071 0.447 0.200 2017 年 08 月 -0.547 0.300 -0.453* 0.206 -0.281 0.079 -0.405 0.164 2017 年 09 月 -0.331 0.110 -0.070 0.005 -0.044 0.002 -0.373 0.139 2017 年 10 月 -0.267 0.071 0.160 0.026 -0.601 0.361 0.144 0.021
* 表示變數達顯著水準，未標示表示未達顯著水準
表 10 租借率與細懸浮微粒 PM2.5濃度簡單迴歸報表 (已控制降雨比率變數)
月份 平日平均 平日上午尖峰 平日傍晚尖峰 平日離峰
標準化係數 β R2 標準化係數 β R2 標準化係數 β R2 標準化係數 β R2
2016 年 11 月 -0.093 0.009 -0.007 0.000 0.729* 0.532 -0.230 0.053 2016 年 12 月 -0.087 0.008 0.130 0.017 -0.162 0.026 -0.085 0.007 2017 年 01 月 -0.403 0.162 -0.127 0.016 -0.410 0.168 -0.335 0.112 2017 年 02 月 0.301 0.091 0.532 0.283 0.026 0.001 0.206 0.042 2017 年 03 月 -0.249 0.062 0.513* 0.263 -0.342 0.117 -0.297 0.088 2017 年 04 月 0.128 0.016 0.016 0.000 -0.490 0.240 0.016 0.000 2017 年 05 月 -0.194 0.038 0.016 0.000 -0.235 0.055 -0.429 0.184 2017 年 06 月 0.365 0.133 -0.561* 0.315 -0.082 0.007 0.353 0.124 2017 年 07 月 0.223 0.050 0.123 0.015 -0.269 0.073 0.246 0.060 2017 年 08 月 0.200 0.040 0.283 0.080 0.265 0.070 -0.001 0.000 2017 年 09 月 -0.197 0.039 0.183 0.034 0.072 0.005 -0.101 0.010 2017 年 10 月 -0.133 0.018 0.004 0.000 -0.111 0.012 -0.377 0.142
* 表示變數達顯著水準，未標示表示未達顯著水準
表 11 降雨比率與各時段租借率之迴歸分析模式 檢定
月份 平日
平均
平日上午 尖峰
平日傍晚 尖峰
平日 離峰
2016 年 11 月 ○□ □ ○□ ○□
2016 年 12 月 ○□ □ □ ○□
2017 年 01 月 ○□ □ □ ○□
2017 年 02 月 ○□ □ ○□ ○□
2017 年 03 月 ○□ ○□ ○□ ○□
2017 年 04 月 ○□ ○□ ○□ ○□
2017 年 05 月 ○□ ○□ ○□ ○□
2017 年 06 月 ○□ ○□ ○□ ○□
2017 年 07 月 ○□ ○□ ○□ □
2017 年 08 月 ○□ □ ○□ □
2017 年 09 月 ○□ ○□ ○□ ○□
2017 年 10 月 ○□ □ ○□ ○□
○表示模式通過變異數分析檢定；未標示表示變異數分析檢定
未通過
□表示模式通過獨立性檢定；■ 表示模式獨立性不確定；未標
示表示獨立性檢定未通過
* 表示模式符合常態分配；未標示表示未符合常態分配
表 12 說明氣溫與各時段租借率之迴歸分析模 式檢定報表，檢定結果顯示氣溫變數於大多數模式 中符合獨立性、常態分配，然而變異數分析 F 檢定
僅 2016 年 12 月的平日平均、平日上午尖峰時段、
平日離峰時段；2017 年 1 月平日傍晚尖峰時段、平 日離峰時段、2017 年 4 月的平日平均，以及 2017 年 10 月的平日上午尖峰時段通過檢定。
表 12 氣溫與各時段租借率之迴歸分析模式檢定
月份 平日
平均
平日上午 尖峰
平日傍晚 尖峰
平日 離峰
2016 年 11 月 □* □* □* □*
2016 年 12 月 ○□* ○□* □* ○□*
2017 年 01 月 □* □* ○□* ○□*
2017 年 02 月 □* □ □* □*
2017 年 03 月 □* □* □* □*
2017 年 04 月 ○□* □* □* □*
2017 年 05 月 □* □* □* □*
2017 年 06 月 ■* □ □ ■
2017 年 07 月 □ □* □ □*
2017 年 08 月 □* □* □* □*
2017 年 09 月 □ □ □ □
2017 年 10 月 □* ○□* □* □*
○表示模式通過變異數分析檢定；未標示表示變異數分析檢定
未通過
□表示模式通過獨立性檢定；■ 表示模式獨立性不確定；未標
示表示獨立性檢定未通過
* 表示模式符合常態分配；未標示表示未符合常態分配
表 13 說明風速與各時段租借率之迴歸分析模 式檢定報表，檢定結果顯示風速變數於大多數模式 中符合獨立性、常態分配，然而變異數分析 F 檢定 僅 2017 年 6 月平日離峰時段；2017 年 7 月的平日 平均以及 2017 年 8 月的平日上午尖峰時段通過檢 定。
表 13 風速與各時段租借率之迴歸分析模式檢定
月份 平日
平均
平日上午 尖峰
平日傍晚 尖峰
平日 離峰
2016 年 11 月 □* □* □* □*
2016 年 12 月 □* □* □* □*
2017 年 01 月 □* ■* □* □*
2017 年 02 月 □* □* □* □*
2017 年 03 月 □* □ □* □*
2017 年 04 月 □* □ □* □*
2017 年 05 月 □* □ □* □*
2017 年 06 月 ■* □* □* ○□*
2017 年 07 月 ○□ □ □ □*
2017 年 08 月 □* ○□ □* □*
2017 年 09 月 □* □* □* □*
2017 年 10 月 □* □* □* □*
○表示模式通過變異數分析檢定；未標示表示變異數分析檢定
未通過
□表示模式通過獨立性檢定；■ 表示模式獨立性不確定；未標
示表示獨立性檢定未通過
* 表示模式符合常態分配；未標示表示未符合常態分配
表 14 細懸浮微粒 PM2.5濃度與各時段租借率之迴 歸分析模式檢定
月份 平日
平均
平日上午 尖峰
平日傍晚 尖峰
平日 離峰
2016 年 11 月 □ □ ○□ □
2016 年 12 月 □ □ □ □
2017 年 01 月 □ ■ □ □
2017 年 02 月 □* □* □ □*
2017 年 03 月 □* ○□ □ □*
2017 年 04 月 □* □ □* □*
2017 年 05 月 □* □* □ □*
2017 年 06 月 ■* ○□* □* ■*
2017 年 07 月 □* □* □* □*
2017 年 08 月 □* □* □* □*
2017 年 09 月 □ □* □ □*
2017 年 10 月 □ □ □ □
○表示模式通過變異數分析檢定；未標示表示變異數分析檢定
未通過
□表示模式通過獨立性檢定；■ 表示模式獨立性不確定；未標
示表示獨立性檢定未通過
* 表示模式符合常態分配；未標示表示未符合常態分配
表 14 說明細懸浮微粒 PM2.5濃度與各時段租借 率之迴歸分析模式檢定報表，檢定結果顯示細懸浮 微粒 PM2.5濃度變數於大多數模式中符合獨立性、
常態分配，然而變異數分析 F 檢定僅 2016 年 11 月 的平日傍晚尖峰；2017 年 3 月、2017 年 6 月的平
日上午尖峰通過檢定。
4. 討論
本研究以迴歸分析方法探討天氣與空氣品質 變數和臺北市公共自行車租借率之關係，並且分析 依變數與自變數在月份之間的變化，天氣變數選用 氣溫、風速以及降雨比率三個變數，降雨比率表示 為若干小時中觀測到降雨的比例，數值愈高表示愈 多租借站周邊發生降雨事件。從相關性分析以及簡 單迴歸分析中皆可得到降雨比率和租借率之間為 顯著負相關，此外也是所有天氣相關變數當中最主 要影響公共自行車租借率之變數。氣溫和風速的部 份為避免降雨比率干擾使得分析出現誤差，本研究 將降雨比率作為控制變數，在沒有降雨的條件下，
從相關性分析來看，氣溫和租借率呈現顯著低度負 相關，風速和租借率則呈現顯著低度正相關。
空氣品質部分以細懸浮微粒 PM2.5濃度作為自 變數，從相關性分析當中已發現細懸浮微粒 PM2.5
濃度與租借率並無顯著相關性；簡單迴歸分析結果 顯示細懸浮微粒 PM2.5濃度與租借率隨月份、時段 的不同而有所差異，儘管整體而言較多呈現負相關，
但是大多數月份、時段細懸浮微粒濃度對於租借率 的影響未達顯著水準，表示細懸浮微粒 PM2.5濃度 對於租借率並無顯著影響力。
本研究探討天氣與空氣品質對於臺北市公共 自行車租借行為進行探究，從研究結果發現所有自 變數當中降雨比率為主要影響的因素，氣溫、風速 與細懸浮微粒 PM2.5濃度並非主要影響因素，而且 在多數月份、時段中對於租借率無顯著影響力。然 而受限於公共自行車租借站本身尚無氣象或空氣 品質觀測之硬體設施，故利用鄰近分析找出距離空 氣品質監測站最近的公共自行車租借站進行分析。
環保署、臺北市政府已陸續安裝官方版微型感測器，
進行天氣與空氣品質的觀測，微型感測器的感測空 間尺度較小，不僅可以探討小區域範圍的天氣變化，
相較於目前的測站分布也可提高分析的精確度。產 學合作推出的空氣盒子同樣也提供較小區域的天 氣、空氣品質感測，然而目前仍存在大量遺漏值且
數據品質不一致之問題，若將來空氣盒子感測器有 機會克服以上問題，也是一個可以利用的資料來源 之一。
致謝
本研究承蒙科技部專題計畫(MOST 106-2511- S-003-057)補助得以完成，謹申謝忱。
參考文獻
空氣 品質監測網， 2018 。歷年監測資 料下載 ， https://taqm.epa.gov.tw/taqm/tw/YearlyDataDow nload.aspx，引用 2018/1/20。[Taiwan Air Quality Monitoring Network, 2018. History Data Download, Available at:
https://taqm.epa.gov.tw/taqm/tw/YearlyDataDow nload.aspx, Accessed January 20, 2018. (in Chinese)]
臺北市統計資料庫查詢系統，2018。公共自行車概 況 ， http://210.69.61.217/pxweb2007- tp/dialog/statfile9.asp ， 引 用 2018/1/18 。 [Statistical database query system of Taipei City, 2018. Overview of Public Bicycle-Sharing System, Available at:
http://210.69.61.217/pxweb2007-
tp/dialog/statfile9.asp, Accessed January 18, 2018.
(in Chinese)]
環境 資源資料庫， 2018 。空氣品質監 測日值 ， https://erdb.epa.gov.tw/DataRepository/EnvMoni tor/AirQualityMonitorDayData.aspx?topic1=Air
&topic2=Environmental%20and%20Biological%
20Monitoring&subject=Air%20Quality ， 引 用
2018/1/20 。 [Environment Resource Database, 2018. Air Quality Information Daily, Available at:
https://erdb.epa.gov.tw/ENG/DataRepository/En vMonitor/AirQualityMonitorDayData.aspx?topic 1=Air&topic2=Environmental%20and%20Biolo gical%20Monitoring&subject=Air%20Quality, Accessed January 20, 2018. (in Chinese)]
Corcoran, J., Li, TB., Rohde, D., Charles-Edwards, E., and Mateo-Babiano, D., 2014. Spatio-temporal patterns of a Public Bicycle Sharing Program: The effect of weather and calendar events, Journal of Transport Geography, 41: 292-305.
Dobrzyńska, E., and Dobrzyński, M., 2016. Structure and dynamics of a public bike-sharing system.
Case study of the public transport system in Białystok, Ekonomia i Zarzadzanie, 8(4): 59-66.
El-Assi, W., Mahmoud, M.S., and Habib, K.N., 2017.
Effects of built environment and weather on bike sharing demand: A station level analysis of commercial bike sharing in Toronto, Transportation, 44(3): 589-613.
Faghih-Imani, A., Eluru, N., El-Geneidy, A.M., Rabbat, M., and Haq, U., 2014. How land-use and urban form impact bicycle flows: Evidence from the bicycle-sharing system (BIXI) in Montreal, Journal of Transport Geography, 41: 306-314.
Tainio, M., de Nazelle, A.J., Götschi, T., Kahlmeier, S., Rojas-Rueda, D., Nieuwenhuijsen, M.J., de Sá, T.H., Kelly, P., and Woodcock, J., 2016. Can air pollution negate the health benefits of cycling and walking? Preventive Medicine, 87: 233-236.
1
Master Student, Department of Geography, National Taiwan Normal University Received Date: Aug. 05, 2019
2
Associate Professor, Department of Geography, National Taiwan Normal University Revised Date: Sep. 06, 2019
*
Corresponding Author, Tel: 886-2-77341683, E-mail: sendo@ntnu.edu.tw Accepted Date: Sep. 17, 2019
The Analysis of the Relationship between Air Quality, Weather Conditions and Rental Activities of Public Bicycle-
Sharing System in Taipei City
Chun-Yi Li 1 Sendo Wang 2*
Abstract
Public Bicycle-Sharing System (PBS) has been developed for a decade in Taipei City. As the construction of the rental station has gradually become complete, it has become one of the public transport systems in Taipei City.
Since the usage of PBS in outdoor environments, not only that, Taiwan has a high concentration of particulate matter in winter and spring. The particulate matter in the air easily enter the respiratory tract and blood vessels of the human body, which may cause physical discomfort or increase the risk of cardiovascular disease. Does air quality and weather profile have an impact on the use of public bicycles? The study used Pearson Correlation Coefficient and Regression Analysis method to analyze the relationship between PBS rental behavior and weather and air quality from November, 2016 to October, 2017 in Taipei City. The results show that rainfall in the weather- related variables is significantly negatively correlated with the rental rate of PBS; temperature, wind speed and concentration of PM2.5 have no significant effect.
