台灣休閒農場3

依「2004年休閒農業場家全面性調查資料」，統計結果，休閒農業場家投資金額(不包括土地價值)，以投入100萬至未滿500萬元者為最多，共有422個場(家)數(38.3%)，其次為500萬至未滿1,000萬，共有218個場(家)(19.8%)，因此投資100萬至未滿1,000萬元者共計640個場(家)(58.1%)；其中投資額最少(100萬元以下)的場(家)有152個(13.8%)，投資額最多(10,000萬元以上)的場(家)共有27個(2.5%)。上圖也可看出，台灣休閒農場較賺錢的場家，集中在休閒農場較密集的區域，多位於東部與中部山區。
另外，休閒農場(家)營運收入的部分，有高達八成(82.8%)的休閒農場(家)沒有門票收入，五成左右(50.8%)沒有餐飲收入，七成多(72.8%)沒有住宿收入，所有各類無營運收入類別中，無在地銷售收入者所佔比例最低，僅有三成左右(37.7%)，另外，亦有七成(72.7%)的休閒農(場)沒有其他額外收入。其次，在此五項收入類別中皆以100,000~499,999元所佔比例為次之，門票收入佔有6.1%，餐飲收入佔有14.2%，住宿收入佔有9.2%，在地銷售收入佔有24%，其他收入佔有10.2%。在總產值的部分，尚未營運的場家(數)佔有3.4%，主要以1,000,000~2,999,999元所佔的場(家)數比例為最高，接近三成(28.6)，其次為100,000~499,999元的二成(22.3%)左右的場(家)數，產值高達一億元以上的場家共有五家，佔所有場(家)數的0.5%。 (生傳所 d97630002 黃建嚴)

台灣休閒農場2

依「2004年休閒農業場家全面性調查資料」，統計結果，休閒農場(家)土地規模，主要以0.5公頃以上至未滿3公頃之面積規模所佔比例最多(589場家，53.4%)，依據休閒農業輔導管理辦法規定，這589個場(家)皆可申請農業體驗型休閒農場。
面積3公頃以上未滿10公頃土地面積規模所佔比例次之(249場家，22.6%)，若這些場家位於非山坡地或都市土地的山坡地皆可申請綜合型休閒農場；面積100公頃以上者共有9個場(家)(0.8%)，其不論位於山坡地或非山坡地、都市土地或非都市土地，皆可申請綜合型休閒農場。 土地面積未滿0.5公頃者共有149個場(家)(13.5%)，此類尚未達到法定休閒農場申請的基本面積規模，未來需要設法加以輔導或處理。

另外，以皮爾森(Person)相關分析法對普查資料中生產因素與休閒農場(家)營運產值進行分析，分析結果發現休閒農場(家)土地規模與營運產值的Pearson零階相關係數值為0.542(p=0.000)，顯示在沒有其他生產因素被控制下，休閒農場(家)土地面積大小與營運產值有顯著的中度正相關。台灣休閒農場仍以規模取勝，面積較小的農場較難與土地面積大的大型休閒農場競爭。

(生傳所 d97630002 黃建嚴)

台灣休閒農場1

本研究主要以「2004年休閒農業場家全面性調查資料」為主要分析資料。探討台灣休閒農業經營者的經營狀況，了解休閒農場(家)生產與營運的主要因素。
台灣休閒農業的發展，農業委員會於民國八十九年將休閒農業之辭納入「農業發展條例」中的第三條第五款條文，明定「休閒農業係指利用田園景觀、自然生態及環境資源，結合農林漁牧生產、農業經營活動、農村文化及農家生活，提供國民休閒，增進國民對農業及農村之體驗為目的之農業經營。」 休閒農業經營即是將農業環境中具有獨特性、多樣性、鄉土性、優美性等之豐富資源，除了農業產銷之外，再加上農村景觀與文化等鄉土特色的「新產品」，民眾體驗自然景觀的消費行為須親自到農村才能完成交易，因它具有無形的、無法移動的、獨特的及鄉土的一種服務特性，經營範圍已超出傳統農業的生產及加工範疇，整合農業的有形資源及其所隱含的教育性質和觀光遊憩等無形資源所形成的一種新興休閒產業。在後現代多元旅遊型態下，走入自然體驗農作的方式也加速催生台灣休閒農場的數目。因此，從上圖1994、1999、2004三個年度台灣休閒農場場家的數量分布，可以看出休閒農場逐漸增加的趨勢。 (生傳所 d97630002 黃建嚴)

台商在長三角經濟圈的投資區位選擇

中國大陸自從1979 年，中共領導人鄧小平宣布改革開放以來，中國大陸所吸

引的外資，其投資的數量及金額日益增加。1979 年中共第五屆全國人民

代表大會第二次全體會議通過《中華人民共和國合資經濟企業法》並且頒布施行。

成為中國吸引外商直接投資的首部全國性政策法規。中國大陸據此法令建立四個

經濟特區;分別為深圳、珠海、汕頭、廈門四個經濟特區。1983 年5 月，中國國務

院召開第一次全國利用外資會議，首先整合自1979 年開放外資的經濟經驗，並且

擴展優先外資試點至14 個沿海港口城市，分別將珠江三角洲、長江三角洲、漳州、

泉州、閩南廈門等三角區域發展為經濟開放區。而透過上圖可以發現到長三角經濟圈的外資投資數額比重日益增加，甚至達到全國外資比重的二分之一強。

而不同產業類別具有不同投資屬性。將台商劃分為電子業與非電子業可探討出不同的台商分布特性。

上圖可以明顯發現到電子業台商更加集中集聚在以昆山、上海為輻射狀發散投資型態。

因此將台商的投資區位以泡泡圖可以很明顯發現下列投資型態。

值得注意的是，透過初步的探索。我們發現到一般在中國政府所定義的長三角區域是不包含浙江省溫州市區域。但此區域的台商個數也相當多，因此在研究中，我們採行廣義的長三角經濟圈定義。

國發所 陳韋舜 R97341056

分析候選人得票率差距與投票率的關係----以2009年第16屆縣（市）長選舉為例

2009年12月5日舉行了我國第16屆縣（市）長選舉，在國民黨執政近兩年之後，不少人將此次選舉視其為馬英九政府的期中考。



因應我國直轄市的改制，原本應該配合改選的台北縣市、台中縣市、台南縣市及高雄縣縣（市）長的選舉並未舉行，其首長任期因配合升格為直轄市而延任一年。因此，2009年我國第16屆縣（市）長選舉台灣省部分僅有桃園縣等15個縣分進行投票。雖然人口眾多的幾個主要縣分並未舉行投票，然而因為國內外政治經濟因素，此次選舉亦相當激烈。





此次縣（市）長選舉，投票率最高為嘉義縣75.29％，最低為基隆市53.04％，其餘縣市投票率皆介於此二縣市之間。第一高票（當選人）得票率，最高為雲林縣65.3680％，最低為新竹縣38.4872％；而第二高票（最高票落選人）得票率，最高為澎湖縣48.0701％，最低為花蓮縣25.4419％。






從資料中可看出，此次縣（市）長選舉，第一高票（當選人）與第二高票（最高票落選人）其得票率的差距，以花蓮縣30.9201％最高，雲林縣30.7338％居次，苗栗縣30.1920％第三，此三縣分當選人可謂大幅領先。而得票率差距最小的三個縣分別為澎湖縣1.2961％、台東縣5.1812％及嘉義市6.4866％，此三縣分可謂競爭激烈，當選人以些微得票率領先而當選。


在此，筆者提出如下假設。從理論來看，在影響投票率的結構因素裡，選舉競爭的激烈程度，會對投票率高低產生一定程度之影響：選情緊繃時，政治動員的程度提升，且就選民的心理層次而言，因為些微選票差異會造成懸殊結果，選民會極大化選票價值而願意投票。反觀選情不激烈時，選民容易產生「不差我一票」的心態而不去投票。第16屆縣市長選舉是否也有此一現象？我們探討關於此次縣（市）長選舉「候選人得票率差距」與「投票率」的關係，發現了一點蛛絲馬跡。




如圖，以代表選舉競爭程度的「候選人得票率差距」為自變項，以「投票率」為依變項，呈現正向的線性關係，斜率為0.6650，應為正相關。惟觀察值的分布情形，未均勻分布在直線的兩端，可以判知「候選人得票率差距」與「投票率」有相關而沒有直接的因果關係，也就是說，其他的干擾因素是存在的。事實上，許多的選舉行為研究已經指出，包括投票者的性別、年齡、教育程度、政治效能感等，都會影響投票意願與投票率之高低，選情激烈與否，只是其中一個因素而已，若要探討影響投票率高低的因素，當對各相關變項進一步做一分析探討。（國發所碩專二，p97341003，林隆瑲）

不完整空間資料之鄰近矩陣選取

前言
當我們在處理空間資料分析時，經常會遇到一種情況是，無法蒐集到所有的空間資料(如下圖)，可能由於資料蒐集的難度，或是需要很多的經費支出，因此在經費不足下，只能做抽樣調查，有時候可能是資料的遺失。當我們要探討這些資料的空間延遲模型時，就必然會面臨處理空間鄰近矩陣的問題，我們熟知的空間鄰近矩陣有四種，Rook、Queen、Distance和K_nearest，在面臨空鄉鎮資料的情況下，選擇任何一種做為臨近矩陣，都可能會影響其分析結果。
資料選取
研究資料選擇2000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、Income89、AGRI89、INDUS89、Serveice89、NoMove89、Work89及NoWork89作為自變數，第一組為完整的358鄉鎮資料，第二組為扣除100各鄉鎮，共258各鄉鎮資料，兩組分別選擇4個空間鄰近矩陣做空間延遲模型，比較AIC與空間延遲參數的值，來探討在資料缺乏下，哪一個鄰近矩陣具有較佳的解釋能力。

鄰近矩陣討論
第一組Full_data，在Rook of order 1下的鄰居數呈現常態分佈(如下圖)，眾數為5各鄰居，在Queen of order 1下亦是呈現常態分佈，眾數為5各鄰居，Distance threshold設定在15km(cite from 空間迴歸的殘差分析 http://utopia1234.blogspot.com/2009/11/blog-post_19.html)，鄰居數的眾數為11，因此在Full_data這組K_nearest的K值選擇為3者相加取平均值，得K等於7。第二組Lack_data的Rook眾數有4各鄰居 ，Queen有4各鄰居，Distance_15km有6各鄰居，因此K_nearest的K為三者相加取平均為5。

結果
兩組的鄰近矩陣決定之後，開始分析空間延遲模型，我使用兩個指標來探討四個鄰近矩陣的優劣，一個是Akaike info criterion(下圖)，一個是空間延遲參數(下下圖)。由下圖可以看到，Full_data的AIC都比Lack_data低，表示Full_data所跑出的結果，更接近真實的情況，這一點不難理解，本來缺少資料就比較不如完整的資料，而且其中使用Rook或是Queen並沒有太大的差別，但使用Distance及K_nearest作為鄰近矩陣時，解釋效果則較差；但是在Lack_data時，情況就有不同，Distance反而優於其他三個鄰近矩陣，其AIC值不但最低且變化的幅度也是最小的，Rook與Queen則次之，使用K_nearest最不好。第二個指標空間延遲參數(下下圖)，也看到一樣的情況，Lack_data在使用Distance的鄰近矩陣下，非常接近Full_data的參數值，近似效果較佳，而其餘三者均差異過大。因此推論在分析缺少完整的空間資料下，宜使用距離做為鄰近矩陣。

R97228024 黃宜庭

資料來源:中央選舉委員會

影響北市村里地價因子研討

承「北市村里地價之臨近效應」一文，可知北市村里地價有空間聚集及鄰近效應，因而本文欲探討何種因子影響北市村里之地價。根據地政法規之「影響地價區域因素評價基準」第2點提及影響地價區域因素主要項目，計有土地使用管制、交通運輸、自然條件、土地改良、公共建設、特殊設施、工商活動、房屋建築現況、發展趨勢及其他影響因素等。上述涉及因子極為廣泛，相關資料收集費時、建置成本高，其中土地使用管制部分更涉及法規法條、特殊設施及房屋建築現況彙整不易收集，欲全面且細部探討上述地價影響，需要大量人力及成本建置，於此現階段本文則針對交通運輸、工商活動、人口密度、公共建設等部分進行研討。

首先進行相關分析，變數說明如下，分析人口密度、交通運輸、工商活動、公共建設（分為單位面積之學校數量及單位面積之診所數量）等是否對地價有顯著之相關，相關報表如表1，此表說明上述自變數皆對地價有顯著之關係。


變數代碼/ 變數說明 /物理意義
Y ：地價
X1 ：人口密度- 每個村里之人口數/村里面積
X2： 交通運輸- 單位面積之路網長度
X3：工商活動- 村里內之工商密度（工商家數/村里面積）
X4 ：公共設施1 -單位面積之學校數量
X5 ：公共設施2- 單位面積之診所數量

表1、變數之相關係數表

利用OLS進行迴歸分析，從中探討自變數與依變數之關係，變數與依變數關係，設定三個模型進行分析，模型1：探討人口密度與交通運輸對地價影響；模型2：探討人口密度、交通運輸、工商活動對地價影響；模型3：探討人口密度、交通運輸、工商活動、公共設施對地價影響；迴歸報表如表2表4。彙整迴歸分析結果如表5，該表說明隨著自變數增加，模型解釋力隨之提高，於模型1說明人口密度與交通運輸皆為呈現正相關影響；模型2說明交通與工商活動皆為呈現正相關影響，但人口密度之影響不顯著；模型3說明交通、工商活動、診所密度皆為呈現正相關影響，但人口與學校密度之影響不顯著。

表2、模型1之OLS分析報表

表3、模型2之OLS分析報表


表4、模型3之OLS分析報表

表5、迴歸分析彙整報表
模型1~模型3經由OLS分析後，該殘差之空間分布圖如1所示，圖1(a)為模型1之OLS空間殘差圖、依此類推圖1(b)為模型2之OLS空間殘差圖、圖1(c)為模型3之OLS空間殘差圖，藉由Moran’s I分析指出模型1~模型3之OLS殘差仍具有空間聚集現象(如圖2)，模型殘差的Moran’s I 依序為0.55、0.42、0.41。

圖1、各模型之OLS殘差空間分布圖


圖2、OLS殘差之Moran's I分析結果

因而進行Spatial lag model (SLM)，冀以處理殘差在空間呈現聚集之現象，解決鄰近效應對地價之影響，分析報表(如表6)細部說明，依序為紅字部分說明，三個模型之鄰近效應皆呈現正向影響，Akaike info criterion值則是由10840.5降至10676，表示模型越來越佳趨勢，三個模型異質性均無差異，空間鄰近效應皆有所影響。

表6、SLM分析報表

最後討論各模型中變數對地價影響，經由報表中獲知模型1的人口密度(X1)與交通運輸(X2)不顯著；模型2的人口密度(X1)與交通運輸(X2)不顯著，只有工商活動(X3)顯著；模型3的人口密度(X1)與交通運輸(X2)不顯著，只有工商活動(X3)、公共設施1（X4，指單位面積之學校數量) 、公共設施2（X5，指單位面積之診所數量)具有顯著影響；最後比較進行各模型於SLM的殘差空間分布，研討是否仍具有空間聚集現象，檢視SLM後之殘差空間分布圖(如圖3)及Moran’I分析結果(如圖4)，證明在經由SLM 分析後，殘差並無呈現空間聚集現象。

圖3、SLM殘差之空間分布圖

圖4、SLM殘差之Moran'I分析結果

在OLS與SLM分析中，最大差別在於是否有考慮鄰近的效應。模型1(OLS)考慮的人口與交通具有顯著影響，但於SLM中反而無法達到統計上顯著的影響；模型2(OLS)考慮的交通與工商具有顯著影響，但於SLM中交通因子無達到統計上顯著的影響；模型3(OLS)考慮的交通、工商、單位面積學校數量、指單位面積之診所數量具有顯著影響，但於SLM中交通因子無達到統計上顯著的影響；由此可知一旦加入鄰近效應考量，不一定能夠與OLS得到相同結果，究竟應信賴哪種統計方式，則需視實際狀況考量。

==============

投稿者：林美君 F90622002