所得與受高等教育之相關性探討

社會學家布迪厄（Bourdieu）在The Forms of Capital一文中，將資本區分為四種，即經濟資本、社會資本、文化資本及象徵資本。其中文化資本（cultural capital）係指由知識、語言、思考模式、行為習慣、價值體系、生活風格或慣習等組成的形式。在某些條件下，文化資本能轉換成經濟資本，它以教育文憑的形式被制度化。布迪厄接著分析同一階層的成員，會擁有相同的文化品味，藉以區隔與其他階層，並顯現其社會地位，且文化資本可以成為一種工具或手段，來轉換成其他階層面向，如取得較高的教育成就。學生帶著或繼承家庭所賦予的文化資本進入學校接受教育，由於繼承或擁有文化資本的不平等，導致學生不平等的成功或失敗的經驗。文化資產的累積是一種後天的社會建構過程，出身不同階級的兒童，其後天所能夠擁有的文化資產是具有階級性的。換言之，文化資本與階級有相當大的關係，不同社會階級的兒童所能獲得的文化資產並不相同(Bourdieu, 1986)。

布迪厄上述理論隱含經濟狀況越好，受高等教育之機會越大，若我們以94年度台灣各縣市為例，利用「94縣市指標資料庫」，以「平均每人每年可支配所得」及「15歲以上民間人口高等教育比例」繪製如上開二圖，發現平均每人每年可支配所得較高之縣市如台北市、新竹市，其15歲以上民間人口高等教育比率亦較高。為了進一步瞭解這兩項數字之間的關係，我們利用簡單回歸分析，並繪製如下圖。結果可以發現，此回歸分析的判定係數（相關係數平方）R=0.86，p-value = 0.000，顯示此回歸式具高度解釋能力，表示台灣各縣市的平均所得與教育程度，確實呈現了高度相關。然從此回歸分析中並無法判斷其因果關係，是以究竟為教育程度之比例影響所得高低，抑或是所得高低影響教育程度之比例，仍須進一步討論。

（p97341016蔡孟儒）

根據聯合國定義，凡65歲以上人口總數佔總人口數的百分之七，即可稱做「高齡化社會」。以民國八十九年，台灣人口普查資料為例。該年度65歲以上老年人口已佔總人口比例的百分之八，顯示邁入高齡化社會。
對台灣來說，老年人口比例的增加是社會發展的成就，但卻也是另一種挑戰。國內人口結構正逐漸偏向高齡化、少子化的趨勢，無疑對社會之經濟、醫療及家庭產生極大的衝擊。伴隨城鄉的資源落差，偏遠地區的高齡者，無論在醫療照護、社會參與、公共衛生與學習資源等條件上，皆可能與都市地區有所落差。
從上圖台灣老年人口數比例的空間分布情形，即約略可以看出，排除中央山脈等偏遠山區，台北市、台中市以及高雄市等三大都會區，老年人口佔該區總人口的比例偏低，而老年人口比例較高的鄉鎮，則多集中在台灣的非都市地區。



另外，從扶養比（亦即幼年人口及高齡人口對青壯年人口之比率，用來表示每100個有工作能力人口應扶養多少個依賴人口）來看，台灣扶養比的空間分佈，同樣顯示出都市地區，特別是北高兩直轄市，扶養比皆較其他非都市地區來的低。
據此台灣老年人口與扶養比，在空間分布上似乎反映出城鄉之間的差異。非都市地區人口結構更偏向老化的態勢，如果再加上城鄉資源分布不均等結構因素，對台灣非都市地區高齡者之照護的確會是一項考驗。

by 生傳系_黃建嚴_d97630002

犯罪率與所得

根據Gary Becker的犯罪經濟學理論(1968),我們可以得知人力資源成本越高,犯罪的機率就越低,比方說學歷越高預期報酬就越高,而要去犯罪的成本就越高;他必須面對的不只是刑罰等問題更要面對的事做了該件事後可能會失去工作、家庭、地位等成本。也因此,我們可以合理的假設,越是有錢縣市犯罪率應該會比較低(當然是在控制其他因素之下ceteris paribus),由於缺少教育等資料,我們只能以所得來proxy教育程度,社會地位。

由第一張圖我們可以發現大都市的犯罪率普遍比較高,如高雄市、桃園縣、嘉義市,尤以台中市最為嚴重,而離島與東部地區則呈較輕微的犯罪率。

第二張圖顯示出平均所得,我們可以看出高所得的地區主要是在都會區。此一結果拒絕了我們的假設,也就是所得高的地區犯罪率沒有比較低,反而更加的嚴重,但這個實證結果其實並不正確,我們缺少其他的控制變項,其他的干擾項會造成錯誤的推論,我們至多只能得到兩個現象,也就是都會區的犯罪率比較高所得也比較高,但是實際上的因果關係必須進一步,用比較完整的的資料、計量方法才能得到正確的結果。(r97341054莊宗翰)

外籍配偶比率與出生率之探討

圖一及圖二分別由92年度外籍配偶比率及92年度粗出生率為指標，繪成台灣358個鄉鎮地圖。由圖一可見我國外籍配偶比率較高地區多分部於平原鄉鎮，反倒山地鄉鎮比率較低。另由圖二則可見我國大都會地區，例如台北、台南等出生率確實較低，而山地鄉鎮出生率則較高，尤以北部地區較為明顯。 綜合上開二圖，外配比率較高地區並無明顯較高之出生率，與一般傳統認知之「外配所處家庭多屬中低收入戶，且外配教育程度普遍較差，故出生率應較高。」並不相同。推測可能原因為近來經濟不景氣，中低收入戶受影響程度較高，且我國教育較為普及，故出生率並未與外配比率成正向關係，反而於北部部分山地鄉鎮呈現負向關係，頗值玩味。（P97341011 林佳鋒）

風景宜人的花東地區竟然是全台離婚率之首？

東部的好山好水一向讓人欣然嚮往，同時也讓人覺得東部是個適合人居住的好地方。但是，從民國94年15歲以上人口的離婚率百分率圖可以發現：花蓮縣和台東縣的離婚率分居台灣的一二名。到底是什麼原因造成這個現象頗值得加以探究。

若再看民國94年非婚生嬰兒百分率圖可以發現：花蓮縣和台東縣在台灣的非婚生嬰兒率最高。以上這兩個縣市的共通點是：工業和服務業不發達、人口聚集的大城市少、文教及社會福利設施不充足。可是，真是這樣就導致非婚生嬰兒率高，顯得過於簡化問題。畢竟，這當中牽涉居民的教育水平、社經能力、風土民情、地方政府的政策推行等。

在民國94年全台的少年竊盜犯罪人數圖中，以花蓮縣、台東縣、宜蘭縣、基隆市居多。配合上面兩張圖片，都可以找到花蓮縣、台東縣的身影。綜合這三張圖片，可以發現高離婚率和高非婚生嬰兒率，也會伴隨高的少年竊盜犯罪數。猜測箇中源由，高離婚率會造就單親家庭，非婚生嬰兒會造就遺棄、單親、隔代教養的問題，久而久之，青少年在缺少雙親妥善的照顧下，自然容易發生偏差行為。（P97341009曾雅新）

台商在中國大陸的勞動生產力佈局

在經貿全球化的潮流下，國際間競爭激烈，國際化已成為企業發展的目標，近年來，中國大陸經濟蓬勃發展，不僅擁有低廉的勞工成本、無障礙的語言溝通能力以及遼闊的地理環境之吸引，台商陸續前往中國設廠。早期台商在大陸投資的區域分佈，受到中國開放程度與優惠政策措施影響，多分佈於福建、廣東兩省沿海城市。不過，隨著大陸對外開放的幅度和範圍不斷擴大，台商的投資動機中內需市場的比重逐漸加重，台商在大陸投資的地域分佈也逐漸擴散。

本文在探討台商食品業赴大陸投資之空間分析，以2004年~2008年前往中國大陸設廠前1000大台商排名之食品業平均勞動生產力為研究樣本，探討中國大陸各省市間是否存在空間自我相關。

分佈圖是利用GIS的軟體所繪製而成的，2004年至2008年共計五年的台商食品業勞動生產力之分佈情況，由圖中的分析可以得知，在食品業的分佈上，無論是哪一年的勞動生產力皆是以廣東省的群聚現象最為顯著。(熊漢琳、梁益誠)

空間迴歸的殘差分析

使用迴歸模型時， 為了檢驗模型的正確性，會做殘差分析，若模型的殘差圖相當亂，沒有特別的圖案，則認為此模型對依變數的解釋是合理的。同理，在作空間迴歸時，也可以看殘差 圖，如果殘差圖是隨機分佈的，那麼此空間迴歸模型就是好的模型，若殘差圖有空間上的聚集，那麼表示尚有未考慮到的變數未加入模型中。
以2004年民進黨相對國民黨得票率當依變數，選取8各社經變數EDU456、Income92、AGRI89、INDUS89、Serveice89、NoMove89、Work89及NoWork89作為自變數，作迴歸分析，R2僅達到0.2483，檢驗其殘差圖，並計算殘差的Moran’s I =0.5155，表示殘差項並非隨機分佈，且呈現正的聚集，高數值與低數值分別群聚(下圖，Bandwidth 0 km)，表示依變數有正的空間自相關，因此模式應修正為空間迴歸模型: Y=ρWY+Xβ+ε。
不過在使用空間迴歸模型時，必須考量空間權重矩陣(spatial weighting matrix)有不同的選擇型式，有離散型(Discrete)與連續型(Continuity)兩類，離散型還可分為鄰近矩陣(Contiguity Matrix)、距離矩陣(Distant Matrix)、次序矩陣(Order Matrix)等，鄰近矩陣可再細分為Rook Contiguity與Queen Contiguity，每一鄰近矩陣可再定義第幾個order的鄰近關係；距離矩陣可設Bandwidth=d，如果小於d則權重為1(wij=1 if dij，其餘為0(wij=0 otherwise)；次序矩陣則可定義N個最近的鄰近單元以內權重為1，其餘為0。連續型矩陣的變化又更多了， wij=exp(-0.5(dij/b)2) 或 wij=[1-(dij/b)2] if dij，隨著定義的方程式不同，權重就會有變化。
因此究竟要如何選擇適宜的空間權重矩陣，就成為一個問題。
若以距離矩陣為例，取Bandwidth 5km、10km、20km…100km與150km製作空間權重矩陣，分別跑空間迴歸，檢驗個別的殘差圖(上圖)，在Bandsidth=10km時，其殘差圖是最不規則的，因此若以10km為bandwidth跑出的迴歸模型會是最能解釋依變數的模型。

但肉眼的判斷過於主觀，若求不同bandwidth下之殘差值的Moran’s I(以Queen of first order為空間矩陣)，並作圖(上圖)，可以看到Bandwidth在10km~20km之間具有最小的Moran’s I，因此若選取此間距（10~20km）內的值為Bandwidth作空間迴歸，可以得到最佳（optimal）的模型。

r97228024 黃宜庭

參考書籍：Geographically Weighted Regression the analysis of spatially varying relationships

A. Stewart Fotheringham , Chris Brunsdon, Martin Charlton

John Wiley & Sons, LTD

政黨支持的空間迴歸

一個地方的政黨支持意向，究竟是受其鄰近鄉鎮的影響較深，還是其社會經濟條件呢? Moran’s I可評量空間單元的相似度，若其值為正，則表示空間單元的屬性具有相似群聚，選取權重為Queen contiguity of first order，來計算2004年民進黨相對於國民黨的Moran's I，其值高達0.679，顯示相鄰近的區域具有高度相似的政黨投票意向，當權重為Queen contiguity of second order時，Moran’s I 值降至0.5446，仍是相當的具有高度相似性，因此到底選舉意向的空間延遲(spatial lag)將延續幾層鄰近區呢?下圖顯示當權重達到8th order時，空間延遲才停止，因此一區域對某政黨的支持氛圍可以影響7層鄰近鄉鎮!!不過這是整體平均下來的結果，而且Moran’s I沒有辦法考量地形與交通的阻絕，因此雖然某些鄉鎮相臨，但其居民並不經常往來，或是沒有考量行政區域的大小影響，因此雖然其為第7個鄰近單元，但因有便捷的路網，因此距離並不遙遠。這是Moran’s I的限制。

Global Moran’s I 看不出Autocorrelation的分布情形，因此用LISA來看2004年民進黨相對國民黨的分布，從第一鄰近到第四鄰近，雖然有部分差異，但還是可以看到明顯的壁壘分明，High-High區為民進黨支持度較高的地區，均集中在雲嘉南，而Low-Low區為國民黨支持度較高的地區，集中在竹苗、山地鄉與東部。不過，究竟是地區的氛圍造成這樣的現象，還是因為這些地區有特屬於這一區的社經及歷史條件，形成支持某一政黨傾向?

Regression

選取EDU456、Income92、AGRI89、INDUS89、Serveice89、NoMove89、Work89及NoWork作為迴歸之獨立變數，得到如下表之結果，顯示在未考慮空間自相關下，以上之8個社經變數，只能解釋24.83%的2004年民進黨相對國民黨的支持情形，其中有3個獨立變數達顯著水準:NoMove89、Work89及NoWork；五年內之未遷移人口比例越高，15~65工作人口比例越高的鄉鎮市，越傾向支持民進黨，而失業的人口比率越高，則傾向支持國民黨。

Spatial Regression Model
Y=ρWY+Xβ+ε

若考慮空間相關性，以Queen of 1st order作為權重，作spatial regression model，則可解釋67.38%(下表) 2004年民進黨相對國民黨的支持情形!而WY的係數ρ=0.8007，為一相當接近1的正值，代表相當強的空間延遲效果，代表支持民進黨的鄉鎮市其周圍的鄉鎮市亦是支持民進黨，反之亦然。再加入空間延遲變數後，僅剩下NoMove89及NoWork有達顯著水準，但其實並不表示其他的獨立變數不具有影響效果，因為這是Global model，所有數值都被平均了，因此某些地區的特性與另一地區的特性相反，經過加總(aggregate)之後，特性反而被隱匿了，因此只能說這是整體的平均特性，並不能用來推論個別鄉鎮市。

綜合上述Regression model及Spatial Regression model，影響鄉鎮市區2004年民進黨相對國民黨的支持情形，是多因子的混合模型，其中空間延遲變數較其他社經變數，更能描述依變數的變化，因此空間迴規模性比傳統的迴歸模型，更適宜來處理此類具有空間意涵的資料。

資料來源:中央選舉委員會

r97228024黃宜庭

可調整地區單元問題=MAUP

社會經濟資料多由個資或登記資料彙整而成，如交易、收入、所得、疾病、工商…等，但受限於引私權保護因素，不易取得個別資料，因而上述資料多被整合於行政單元，如村里、鄉鎮區、縣市、街廓…等。但受到加總方式或空間單元大小、形狀之影響，經常將資料概括化，而導致不同之結論，此狀況稱為「可調整地區單元問題」(Modifiable areal unit problem, MAUP)。
因受到不同的空間單元(scale effect)進行加總(Aggregation effect 或稱Zonation effect)，其結果有所差異，以下則利用台灣之人口資料，說明MAUP問題。
(1) Scale effect：
將全台灣之人口數，依照不同空間單元(如縣市、鄉鎮、村里)進行加總，可見其資料所呈現之空間差異。若以縣市層級加總(如圖1)，顯示台北縣、市為最較高之人口數，無法展示何處為人口數聚集地區，若採用鄉鎮層級(如圖2)，可見哪些鄉鎮別具有多數之人口，最後以村里層級彙整(如圖3)，方能觀察較為符合實際之人口分布趨勢。




(2) Zonation effect：
Zoning部分則指雖有相同的空間單元數，但不同空間單元構成之影響。簡單來說，是由較小的空間單元聚合成較大的空間單元所產生之問題，如圖1的縣市人口聚合成圖4或圖5，聚合結果之平均值和變異數皆與尚未聚合之統計資料有差異。將台灣分成四個區塊，其區塊分別為圖4、圖5，可見人口分布之差異。可觀察人口資料，在不同劃分區域之統計量有極大之差異，如區域中的人口最大值、最小值、全距、標準差等。




延伸閱讀：
Openshaw, S. (1984). The Modifiable Areal Unit Problem. Norwich: Geo Books. ISBN 0-86094-134-5


投稿者：林美君 F90622002

1996-2008年總統大選政黨版圖初探

邇來，有關台灣政黨版圖的劃分，可說成為國內政治學界的矚目焦點。特別攸關中央政府執政大權的行政首長選舉，不僅將定奪國家未來的領導者，更牽動著未來國家施政藍圖的擘劃。因此，藍綠政黨在中央層級行政首長選舉的票源（或地盤）所在，無疑刻值深入探究。本文中，主要將嘗試探索台灣自1996年開放總統民選以來，台灣藍綠政黨在全國各鄉鎮的票源分佈情況，特別是近年來各界對於是否存在「北藍南綠」的現象一直爭論不休，因此我們也嘗試解析這樣的現象是否確實存在。
圖一至圖四中，本文先以泛綠陣營在開放民選後的四屆總統大選（1996、2000、2004、2008）的得票率分佈情形，進行初步的觀察。從此四屆總統選舉泛綠陣營的得票率分佈狀況來說，我們首先發現到在首屆的民選總統選舉中，藍營可說在全台各鄉鎮均佔有優勢的主導權，雖然綠營在南部地區鄉鎮有獲得部分比例選民的支持，但其得票率均無法跨越四成門檻；此外，再加上藍營在中北部地區的得票絕對優勢，也顯見是時藍營李連配（李登輝、連戰）高奏凱歌、彭謝配（彭明敏、謝長廷）鎩羽而歸的結果。然而，首屆民選總統選舉藍營贏取得票絕對優勢的情形，自2000年後似已產生變化。就圖二與圖三觀之，綠營除了已逐漸闢拓得票率超過四成的疆土，另外呈現南部地區是綠陣得票增長的主要地區。更進一步的是，圖三的2004年總統選舉得票率分析更凸顯藍綠政黨在台灣政黨版圖的區分更加彰顯：綠營是以南部的雲嘉南（特別是台南縣）、高屏地區佔居優勢；藍營則以中北部的桃竹苗與花東地區更勝一籌。

頗有趣的是，2008年總統大選時，由於陸續爆發民進黨執政的政治醜聞，包括陳水扁總統的國務機要費案、吳淑珍女士的SOGO經營權弊案、女婿趙建銘的台開炒股案等等，可說均使民進黨的滿意度陷入空前低迷的氣氛，此似也對選情造成某種程度的影響。進一步來說，根據圖三與圖四分佈圖的比較後，似乎呈現台灣各鄉鎮民眾對於民進黨的支持程度並不若以往，得票率有產生消褪的情形，特別民進黨最引以為傲的南部票倉，部分鄉鎮似也產生票源動搖的情形。總括前述，目前我們的分析僅限於初步呈現綠營陣營得票率的空間分佈狀態，但由於是橫斷面資料的分析，所以本文尚未企圖推論其穩定程度。未來研究進程中，我們除將利用變異係數（Coefficient of variation, CV）進一步解析藍綠政黨得票率在各鄉鎮的穩定性之外；另外對於這些區域的選票分佈狀況，我們也將探討是否存有空間自相關的情形，甚或找出其背後影響機制，探究是哪些因素造就這些分佈現象。（郭銘峰、黃資穎）

子彈 v.s.政績

上圖二圖為2000年（左圖）及2004年（右圖）大選時，民進黨相對國民黨得票率畫出空間分佈圖，以 QUANTILE 分級，兩張圖都可以看出極深色的為民進黨得票率相對於國民黨更為高的地區，均集中在台南縣、嘉義縣與宜蘭縣，而支持國民黨的鄉鎮則多集中在山地鄉與東部。從兩次大選的分佈圖，我們可以知道兩黨的支持區域，並無什麼變化，但 Quantile 看不出數值以及數值分佈，也看不出兩者的消長，因此我們來看兩次大選民進黨相對國民黨的直方圖。


上圖為2000年時，民進黨相對國民黨得票率的直方圖，數值在 1 上下者(兩黨得票率相當)有 48 個鄉鎮，偏向泛藍的鄉鎮數有 274，遠較泛綠的鄉鎮數 36 多，但在 2004 年時（下圖），兩黨得票率相當的鄉鎮數已為眾數達 98 個鄉鎮，偏向泛藍的鄉鎮 只剩 104 個，偏向泛綠的鄉鎮則增為 156 個，且各 Quantile 的組數值 2004 年的 數值也較 2000 年的數值為高，這是很有趣的訊息，那麼接下來要問的是，究竟是哪些鄉鎮居民轉向支持民進黨?










我們將 2004 年的(DPP rate/KMT rate)除以 2000 年的(DPP rate/KMT rate)資料做圖，搭配真實數值做顏色的分配（下圖及表）， 可 以看到僅有 3 個鄉鎮:桃園縣龜山鄉、新屋鄉與高雄縣茂林鄉，在2004年大選時比2000年時更為支持國民黨，其餘355各鄉鎮比2000年時，更為支持民進黨，這是很值得探究的，這樣的數據是否可以說明阿扁任內的政績是符合人民期待？還是朝小野大造成施政困難，應該再給阿扁四年努力？亦或是兩顆子彈的效應，造成民進黨的支持者的群情激憤而國民黨的支持者認為大勢已去？這是很有值得玩味的議題。

資料來源：中央選舉委員會

r97228024黃宜庭

發展服務業可促進家戶所得?

由96年的家戶平均所得分佈圖呈現台北市、新竹市、台中市、高雄市、台南市等，依序為全台最富有的五個縣市/都會區，其中，螢光藍色框線所標示的地區為戶均所得超過一百萬元之鄉鎮，以台北市大安區榮居全台戶均所得之冠，所得為一百六十八萬五千元，台北市松山區與新竹市東區並列第二，所得為一百三十九萬二千元；花蓮縣豐濱鄉、萬榮鄉、屏東來義鄉為戶均所得最低知鄉鎮，僅約四百五十萬元上下(詳左圖)，當中，花蓮縣豐濱鄉為花蓮縣家戶人口數最少的鄉鎮，家戶平均所得陳述鄉村人口外移與東西城鄉差距的現象。

右圖呈現民國88至96年的家戶平均所得變化，新竹縣寶山鄉的成長率榮居全國之冠，高達65.81%，新竹縣竹北市與新竹市東區則為47%，略有差距地緊追在後，橫跨新竹縣寶山鄉與新竹市東區之科學園區帶動地方經濟發展的效應可見一斑。由圖中可明顯發現台東縣與花蓮縣的均戶所得於近九年來有大幅提升之情況，雖然花蓮縣有兩鄉鎮(豐濱鄉、萬榮鄉)之戶均所得屈居最末，但台東與花蓮兩縣共同點為服務業人口比例皆有明顯增加之趨勢(左下圖紅色箭頭處)，或許能說明其為戶均所得提升主要原因之一。

許多先進國家，戶均所得到達某一程度後，為配合生活品質的提升需求，服務業亦會隨之發展，進而反饋又促使所得提升，(例如新竹縣受科技產業帶動戶均所得增加，對於生活品質的要求也使得服務業就業人口亦有大幅提升之情況)，兩者間乍看之下似乎有正向影響的關係，然而若要貿然以大規模發展服務業來提升某區的戶均所得又過於偏頗，除了應進一步探討服務業與所得兩者間的因果與相關性外，分析該區之服務產業特質、其它產業於該區的結構、居民人口結構、居民需求、地域性等因素，方能進而掌握發展服務業的方向與時機，以達到提升國民所得與生活品質的目的。(曾琬瑜，d96544003)

台灣縣市藝文活動場次的空間分佈

經濟發展到一定程度後，便會帶動文化活動的消費及需求。隨著台灣經濟成長以及國民所得上升，民眾對於藝文活動的參與和消費也隨之增加，藝文活動的推廣也漸漸受到政府的重視。

台灣地區的文化政策與建設概況，1979年2月在行政院「加強文化以及育樂活動方案」中，中央政府花費74.6億興建兩廳院的硬體建設；地方花費49億元蓋縣市文化中心，提供藝文活動的表演場地。2002年4月在行政院「挑戰2008：國家發展重要計畫」中，有關文化建設部份，計以35億元打造「五個文化創意園區」，25億元的「數位台灣文化資訊基礎建設」以及94億元的「歷史遺產保存與活化計畫」(胡采蘋，2002)。政府的文化建設，提供藝文活動良好的發展條件。

根據文建會「歷年藝文活動統計」數據資料，台灣地區在1998年總計舉辦18,541場藝文活動，逐年增加到2007年總計舉辦45,930場藝文活動。其它統計數據資料，例如出席人次或者參與率均有逐年增加的趨勢，這樣的數據似乎訴說著台灣藝文活動的榮景與期待。

但是，如果從個別縣市的活動場次以及出席人次觀察，以2007年為例，下圖是台灣23縣市在藝文活動場次的區域分佈概況，本文利用各縣市藝文活動場次的多寡劃分為等5等份，利用不同的深淺顏色註記在台灣的地理區域分佈上，圖上顯示不同縣市舉辦藝文活動場次有所不同，其中赭紅色部分，包括台北市、台中市以及高雄市等都會區，普遍較其他區域在文化活動表現上來得搶眼，這又讓我們開始擔心，整體台灣地區藝文活動表現的蒸蒸日上，僅只是個表象，或許藝文活動的城鄉差距以及背後的致成原因，又是一個值得我們注意與研究的議題。(謝秀宜)

老年人口比率的空間分佈透露出什麼訊息？

台灣65歲以上人口比率早已超過7％，毫無疑問的是一個高齡化的社會。高齡化社會的相關問題已有許多深入的討論，本文僅就老年人口比率的空間分佈提出幾個問題。上圖是使用2008年各縣市老年人口比率所繪製的漸層圖，從最低的台北縣（新北市）7.76％到最高的嘉義縣15.35％。我們從漸層圖中觀察到，雲林縣與嘉義縣老年人口比率最高，北部的台北縣與桃園縣，中部的台中縣與台中市，南部的高雄縣與高雄市，分別是老年人口比率較低的縣市。此一圖形雖然反映了一般的想像，可以解釋成農業縣市年輕人口向都會區流動所致，但是令人好奇的是台北市卻非常突兀的成為北部地區老年人口比率最高的縣市之一，為什麼？


如果使用漸進式分類圖（如上圖）來觀察，可以進一步發現即使是全國性的比較，台北市的老年人口比率也偏高，與苗栗縣、台南縣、宜蘭縣、台東縣同屬第二高比率的等級。因此，一個縣市老年人口比率的高低，並無法單單以其是否有較高的農業人口比率或者以其所在的區域來判斷，亦即我們很難說高度都市化的縣市其人口會有年輕化的傾向，城市的人口結構可能還受到其他因素的影響，例如基礎建設完善程度、環境品質的好壞與福利措施的優惠程度會不會影響老年人口的定居意願？又或者物價與生活成本太高是否會迫使老年人口遷離都市？區域的縣市之間是否存在一個具有拉力與推力作用的人口流動機制？這些都是老年人口比率的空間分佈引發我們的進一步提問。

醫療資源與老人福利是討論高齡化社會時必要的考量因素，過去我們也常比較城鄉之間醫療資源的多寡與福利預算的規模，台北市往往是被認為資源相對豐沛的城市，因此有可能吸引鄰近縣市的老年人口移入。對照地圖，比較傳統上的北中南三大都會區，只有北部都會區呈現中心城市老年人口比率最高的樣態。高雄縣市、台南縣市、台中縣市合併升格與台北縣單獨升格後，台灣的五個直轄市除了爭取資源與預算之外，面對當今的高齡化社會與可能的「高齡化都市」，如何將都市發展方向與資源配置相連結，值得我們繼續思索探討。（李慶鋒 P94341027）

資料來源：中華民國統計資訊網，http://ebas1.ebas.gov.tw/pxweb/Dialog/varval.asp?ma=CS0201A1A&ti=&path=../database/CountyStatistics/&lang=9，資料擷取日期2009年11月8日。

2008年台灣各縣市高齡化樣貌

高齡化社會（Aging society）係指六十五歲以上人口佔總人口比重超過7%，隨著社會快速變遷，我國從二○○一年便已進入高齡化社會。當老年人口逾14%時，便邁入『老化型』的高齡化社會，也就是超級老人社會。此一趨勢對整體社會、經濟、環境與健保制度皆造成重大的衝擊。

由左上圖中得知，2008年全省65歲以上的老年人口以苗栗、南投、雲林、嘉義、台南縣、台東及宜蘭等非都會型地區居多；反觀都會區，如台北、台中、高雄市則呈現年輕化之態樣，該現象或許起因於年輕人到大都會打拼事業，而將長者留在故鄉家中吧?!

但由右下圖中觀察到一個好玩的現象，以2008年為例，台北市的年老化指數卻比其他的都會區(台中、高雄)來得高，高達79.13，和南投、雲林、嘉義等地相同，屬於年老化指數較高的地區。(熊漢琳、梁益誠)

94年台灣各縣市非婚生嬰兒出生率分析

圖一：94年台灣各縣市非婚生嬰兒出生率

近幾十年來，在社會日益開放下，未婚生子已不再如同過去一般為社會的禁忌議題。根據內政部統計處94年的統計資料顯示，當年度1至10月出生的嬰兒數約為16萬9千人，同期非婚生嬰兒的出生率占總出生人口比率的4.04％，比起93年同期之3.66％上升了0.38個百分點。顯示愈來愈多人選擇在未婚狀況下產下小孩。

從縣市之間的差別來看(參見圖一)，非婚生嬰兒占出生人口的比率以花蓮縣的10.99％最高，臺東縣10.44％次之，基隆市5.85％則位居第三。另外，又以台北市(2.91％)、彰化縣(2.53％)、新竹縣(2.37％)及澎湖縣(2％)為全國最低。
一般而言，非婚生嬰兒的定義是指由未婚婦女所生的嬰兒。因此，在此要探問的是，為什麼花蓮縣和臺東縣的非婚生嬰兒率會排名全國最高呢？

筆者以同年度全台各縣市十五歲以上高等教育人口比率(參見圖二)與之相較，試圖探究造成非婚生嬰兒的原因，是否與教育程度相關。例如，民眾可能由於缺乏避孕知識，導致不安全的婚前性行為，而產下非婚生嬰兒。

其中，以非婚生嬰兒出生率排名全國前兩名的花蓮縣和台東縣來看，似乎隱約顯示非婚生嬰兒出生率與接受高等教育比率成反比，符合上述推論，然而，再觀察雲林縣和嘉義縣的情況，兩縣市的非婚生嬰兒出生率與接受高等教育比率皆較全國偏低，則又推翻了前述的推測。

圖二：94年各縣市十五歲以上高等教育人口比

因此，筆者推論非婚生嬰兒出生率與接受高等教育比率並無絕對的必然關聯。母親是否願意在缺乏婚姻基礎的情況下生下小孩，也許尚需考量社會文化或經濟等因素。例如，東部以原住民族為主的母系社會，其文化可能對未婚懷孕之女性較為友善，或者擁有較強的人際網絡得以支持未婚生子，因而較能接受非婚生嬰兒；而傳統的中南部社會，則可能較無法接受未婚生子的觀念，因而影響懷孕的母親決定是否生下小孩的意願。另外，由於圖二全台各縣市十五歲以上高等教育人口比率並未以性別加以區分，因此可能會影響比較的詮釋結果。

總體而言，造成非婚生嬰兒的原因可能綜縱複雜，並無法單由簡單的數據得出具體的結論，但也許能從各個方向蒐集資料，歸納出初步的結果。(國發所 R98341017梁婉玲)