113 年 國立成功大學都市計畫學系碩士班甲組《規劃分析方法》

本題主要在探討土地使用適宜性分析 (Land-use Suitability Analysis, LSA) 的性質，以及其在臺灣國土計畫體系中的應用。

(一) LSA 的性質

土地使用適宜性分析 (LSA) 屬於 規劃方法。

原因：
LSA 的核心在於評估特定土地區域對於不同土地使用類型的適合程度。它透過整合多種地理、環境、社會、經濟等因素（如坡度、土壤、水文、交通可及性、現有 land use 等），建立一套評估指標或模型，來判斷某一土地單元最適合發展何種土地利用。這個過程不僅是描述現況，更重要的是為未來的土地使用決策提供科學的依據，例如在都市計畫、區域計畫、國家公園規劃等情境下，協助決策者進行區位選擇、土地分派與潛力評估。因此，它直接服務於「未來的預測、區位評估與空間分派」的規劃目標，而非僅止於對歷史與現況的描述。

【答案】 規劃方法。原因在於 LSA 旨在評估土地的潛在適合性，為未來的土地使用決策提供依據，涉及區位評估與空間分派。

(二) LSA 在臺灣國土計畫體系中的操作實例

我們以「全國國土計畫」為例，說明 LSA 的操作步驟與分析重點。

實例： 全國國土計畫中的「國土功能分區」劃設，特別是國土保育地區的適宜性評估。

LSA 操作步驟與分析重點：

1. 目標設定與範圍界定：

   • 操作步驟： 明確全國國土計畫欲劃設的國土功能分區（如：農業區、森林區、保護區、城鄉發展區等），並界定 LSA 的地理範圍（全國）。
   • 分析重點： 釐清規劃目標，例如要優先保護哪些生態敏感地區，哪些地區具備發展潛力。

2. 資料收集與建置：

   • 操作步驟： 收集與土地使用適宜性相關的各種地理空間資料，例如：
     • 環境因子： 地形（坡度、坡向）、地質（土壤特性、土壤侵蝕潛勢）、水文（河川、湖泊、淹水潛勢）、生態（棲地、生物多樣性熱點）、氣候（降雨量、溫度）。
     • 社會經濟因子： 交通可及性（公路、鐵路）、土地現況（現有 land use、地權）、人口密度、都市發展潛力、農業生產力。
     • 法令限制： 保護區、國家公園、限制開發區等。
   • 分析重點： 資料的精度、時效性、完整性是 LSA 結果準確性的基礎。需確保資料來源可靠，並進行空間資料庫的建置與整合。

本題要求針對「產業」與「土地使用」各舉一種分析方法，並詳細說明其假設、過程、資料需求及適用時機。

一、產業分析方法：產業結構分析 (Input-Output Analysis)

• 假設：

  1. 固定技術係數： 產業生產過程中，各種投入要素（如原物料、中間產品）的比例是固定的，不會隨產出量的變化而改變。
  2. 固定價格： 投入與產出的價格保持不變。
  3. 線性關係： 產業間的投入與產出關係是線性的，即產出增加一倍，投入也增加一倍。
  4. 封閉經濟或外部經濟： 通常假設研究區域內所有交易都在該區域內完成，或明確定義外部經濟的處理方式。
  5. 規模經濟為非顯著： 假設生產規模的變化不影響技術係數。

• 分析過程：

  1. 建構投入產出表 (Input-Output Table)： 這是分析的核心。投入產出表是一個矩陣，記錄特定時期內（通常是一年）一個區域（國家、省、市）內各產業之間以及產業與最終需求（如消費、投資、政府支出、出口）之間的商品與服務交易額。
     • 結構： 表格通常包含：
       • 中間投入 (Intermediate Demand)： 各產業購買其他產業產品作為生產要素的金額。
       • 最終需求 (Final Demand)： 最終消費、總投資、政府支出、淨出口等。
       • 增加價值 (Value Added)： 薪資、利潤、稅收等。
       • 總產出 (Total Output)： 各產業的總生產額。
  2. 計算技術係數矩陣 (Technical Coefficient Matrix, A)： 這是由投入產出表計算而來。技術係數 $a_{ij}$ 表示產業 $j$ 生產一單位產品需要產業 $i$ 的產品或服務多少金額。
     $a_{ij} = \frac{X_{ij}}{X_j}$
     其中，$X_{ij}$ 是產業 $i$ 供應給產業 $j$ 的中間投入金額，$X_j$ 是產業 $j$ 的總產出金額。
     技術係數矩陣 A 的形式為：
     $A = \begin{bmatrix} a_{11} & a_{12} & \dots & a_{1n} \\ a_{21} & a_{22} & \dots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \dots & a_{mn} \end{bmatrix}$
     （這裡假設有 m 個產業，但通常行和列的產業數 n 是相同的，即 $m=n$）。
  3. 計算投入係數矩陣 (Leontief Inverse Matrix, (I-A)⁻¹) ： 這是投入產出模型的核心。它表示為了滿足最終需求的每一單位變動，各產業的總產出需要變動多少。
     令 $X$ 為總產出向量，$D$ 為最終需求向量。則：
     $X = AX + D$
     $X - AX = D$
     $(I - A)X = D$
     $X = (I - A)^{-1} D$
     其中 $I$ 是單位矩陣。矩陣 $(I-A)^{-1}$ 稱為 Leontief 逆矩陣。
  4. 進行產業關聯分析與預測：
     • 產業關聯分析： 分析各產業的關聯程度，例如哪些產業是關鍵產業（帶動性強）、哪些產業是敏感產業（受影響大）。
     • 影響力分析 (Power of Dispersion)： 計算各產業的直接與間接需求係數總和，反映其對其他產業的帶動能力。
     • 敏感性分析 (Sensitivity of Dispersion)： 計算各產業因最終需求變動而受影響的程度。
     • 預測： 透過改變最終需求向量 $D$，預測總產出 $X$ 的變化，進而預測就業、所得、資源消耗等。

• 資料需求：

  • 詳細的產業分類標準。
  • 區域內各產業間的商品及服務中間投入與產出數據。
  • 各產業的最終需求數據（消費、投資、政府支出、進出口）。
  • 增加價值數據（薪資、利潤、稅收等）。
  • 通常需要政府統計部門或研究機構編製的投入產出表。

• 適用時機：

  • 進行區域或國家層級的產業結構分析。
  • 評估單一產業的產出變動對整個經濟體系的影響（如新設大型工廠、關閉某產業）。
  • 預測經濟發展對就業、所得、能源消耗的影響。

本題要求針對「人文」與「自然」兩個面向，各提出一個與前兩題（產業結構分析、土地覆蓋變遷分析）不同的分析方法，並詳細說明其假設、過程、資料需求及適用時機。

一、人文面向分析方法：人口推計 (Population Projection)

• 假設：

  1. 趨勢延續性： 未來人口的變化趨勢（如生育率、死亡率、遷入遷出率）在一定程度上會延續過去的模式。
  2. 結構穩定性： 人口年齡結構、性別結構在短期內相對穩定，但會隨時間推移而變化。
  3. 影響因子可預測性： 影響人口變動的關鍵因素（如經濟發展、社會政策、醫療水準、環境條件）的未來變化趨勢可以被合理預測或設定。
  4. 模型適用性： 所選用的人口推計模型能夠合理模擬人口的動態過程。

• 分析過程：
  人口推計有多種方法，常見的有：

  1. 算術增加法 (Arithmetic Increase Method)： 假設人口的絕對增加量在未來保持不變。
     $P_t = P_0 + nt$
     其中，$P_t$ 是未來 $t$ 年後的人口，$P_0$ 是基期人口，$n$ 是平均年增加量。
  2. 幾何增加法 (Geometric Increase Method)： 假設人口的年平均增長率固定。
     $P_t = P_0 (1+r)^t$
     其中，$r$ 是平均年增長率。
  3. 邏輯斯諦曲線法 (Logistic Curve Method)： 考慮到人口增長會受到環境承載力的限制，呈 S 型曲線增長。
     $P(t) = \frac{L}{1 + e^{-k(t-t_0)}}$
     其中，$L$ 是最大承載人口，$k$ 是增長率，$t_0$ 是曲線的拐點。
  4. 要素法 (Component Method) / cohort-component method： 這是最常用且精確的方法。它將人口按年齡別和性別分組（cohort），並分別估計各組未來在生育、死亡和遷移三個要素影響下的變化。
     • 步驟：
       a. 人口結構資料： 獲取基期（例如，今年）按年齡別（通常是 5 歲或 1 歲為一組）和性別劃分的人口結構數據。
       b. 生育率估計： 根據歷史數據和未來預測（如總和生育率 TFR），估計各年齡組女性的生育率（年齡別生育率 ASFR）。
       c. 死亡率估計： 根據歷史數據和未來預測（如平均餘命、死亡率），估計各年齡別、性別的死亡率（年齡別死亡率 ASDR）。
       d. 遷徙率估計： 估計各年齡別、性別的遷入率和遷出率。
       e. 時間推移： 將基期人口結構，根據估計的生育、死亡、遷徙率，逐年（或按週期）向前推算。例如，一年後，10-14 歲組的人口將變為 15-19 歲組（扣除死亡與遷出），新生的嬰兒則來自於 10-14 歲組女性的生育。
     • 數學式（簡化）：
       假設 $N_{x,s,t}$ 為第 $t$ 年，年齡為 $x$ 歲，性別為 $s$ 的人口數。
       則 $N_{x+1,s,t+1}$（下一期，年齡增加一歲的人口）可由當期人口 $N_{x,s,t}$ 減去死亡人口並加上遷入人口、減去遷出人口而得。
       女性人口的生育會產生下一期的嬰兒人口。
       $N_{x+1,s,t+1} = N_{x,s,t} \times (1 - D_{x,s,t}) + M_{x,s,t}$
       其中，$D_{x,s,t}$ 是年齡 $x$ 歲、性別 $s$ 在第 $t$ 年的死亡率，$M_{x,s,t}$ 是遷入遷出率的淨值。
       新生兒人口 $N_{0,s,t+1}$ 則由女性人口的生育率計算。

• 資料需求：

  • 基期人口按年齡別、性別的詳細統計資料（戶籍資料、人口普查資料）。
  • 歷史生育率、死亡率、遷徙率數據。
  • 對未來影響人口變動因素（如政策、經濟、醫療）的預測。
  • 通常需要專業的統計軟體或模型。

這題主要在探討新興科技（特別是大數據）與全球環境變遷對空間規劃方法帶來的影響與應用。考生需要理解大數據分析在特定空間規劃項目中的優勢與劣勢，並能針對全球環境變遷議題提出相應的空間規劃分析方法與重點。

(一) 大數據分析在空間規劃項目中的應用與比較 (10分)

核心觀念： 本小題要求考生理解「大數據」的特性，並能將其應用於具體的空間規劃分析項目，同時比較其與傳統方法的優劣。

解題過程：

1. 選擇具體的空間規劃分析項目：
   我們選擇「人口分析」作為範例。人口分析是都市計畫中最基礎且關鍵的分析項目之一，涉及人口的數量、結構、分布、移動等，是進行土地使用規劃、公共設施配置、交通規劃等的重要依據。

2. 說明「大數據」分析方法在人口分析上的應用：

   • 大數據來源：

     • 行動裝置定位資料 (Location-based data)： 來自智慧型手機、穿戴裝置等，可以記錄使用者在不同時間、不同地點的移動軌跡，反映人口的實際活動模式與空間分布。
     • 社群媒體資料 (Social media data)： 如臉書、IG 等的打卡紀錄、發文內容、地理標籤，可以反映人口的聚集熱點、活動類型、社群網絡等。
     • 電子商務與消費資料 (E-commerce and transaction data)： 透過消費紀錄、線上訂單等，可以推測特定區域的人口消費行為、生活習慣，甚至間接反映人口的組成。
     • 物聯網感測器資料 (IoT sensor data)： 如智慧交通感測器、環境感測器等，可以提供即時的人流、車流資訊。
     • 政府開放資料 (Open government data)： 如戶籍資料（需去識別化）、交通流量資料、公共設施使用資料等。

   • 分析應用：

     • 精準人口空間分布與活動模式分析： 透過行動裝置定位資料，可以分析一天中不同時段（上班、下班、通勤、休閒）的人口在城市空間中的分布熱點與移動廊道，這比傳統的戶籍人口統計更能反映「實際」的人口活動。
     • 人口移動趨勢預測： 結合歷史數據與即時數據，利用機器學習演算法（如時間序列分析、迴歸模型）預測未來人口的遷徙趨勢、區域人口成長或衰退。
     • 人口結構與行為洞察： 分析社群媒體發文內容、消費習慣等，可以更細緻地了解不同區域人口的年齡、性別、職業、偏好等結構特徵，以及其生活方式。
     • 公共設施需求預測： 根據即時人流數據與人口活動模式，預測特定區域在特定時間對公共設施（如公園、圖書館、交通站點）的需求量，優化設施配置。

3. 與傳統分析方法之優缺點比較：

   | 特性 | 大數據分析方法

   • 數據量與維度： 傳統方法通常依賴結構化、小規模的樣本數據，而大數據則具有海量（Volume）、多樣（Variety）、高速（Velocity）、真實性（Veracity）等特性。
   • 分析深度與精確度： 大數據分析能捕捉到更細微的模式和關聯，提供更精確、即時的分析結果，例如精確到個人層級的活動軌跡。傳統方法可能只能提供較粗略的區域性統計。
   • 分析方法與技術： 大數據分析常運用機器學習、深度學習、空間統計、地理資訊系統 (GIS) 等進階技術。傳統方法則多使用統計學、抽樣調查、問卷調查、簡單的空間分析等。
   • 成本與資源： 傳統方法可能需要大量人力進行實地調查、問卷發放與回收，成本較高且耗時。大數據分析雖然需要強大的運算能力和專業技術人才，但一旦建立好分析框架，可實現自動化、大規模的分析，長期來看可能更具成本效益。
   • 隱私與倫理問題： 大數據分析涉及個人隱私，需要嚴格的去識別化和數據保護措施，這是傳統方法較少面臨的挑戰。
   • 數據品質與偏差： 大數據來源多樣，可能存在數據不完整、不準確、有偏差的問題（例如，只反映了部分活躍於數位時代的人口）。傳統方法雖然也可能存在抽樣偏差，但數據來源相對單純，較易控制。

   優點：

   • 即時性與動態性： 能反映真實時間的人口活動變化，而非靜態的統計數據。
   • 精確度與細緻度： 能分析到更小的空間尺度，甚至個人行為模式。
   • 全面性： 整合多源數據，提供更全面的視角。
   • 預測能力： 結合機器學習，能進行更精準的趨勢預測。

   缺點：

   • 隱私與倫理風險： 數據收集與使用需嚴格規範。
   • 數據品質不確定性： 數據可能存在雜訊、偏差。
   • 技術門檻高： 需要專業的數據科學家和強大的運算基礎設施。
   • 解釋性問題： 複雜模型（如深度學習）的決策過程可能難以解釋。
   • 數據獲取與整合困難： 跨部門、跨平台的數據整合與標準化是挑戰。

【答案】

(二) 全球環境變遷議題的空間規劃分析方法與重點 (15分)

核心觀念： 本小題要求考生針對一個具體的全球環境變遷議題，提出空間規劃分析的可能方法與分析重點，展現對環境議題與規劃方法的連結能力。

解題過程：

1. 選擇全球環境變遷議題：
   我們選擇「淨零碳排」(Net-zero Carbon Emissions) 作為範例。淨零碳排是當前全球最重要的環境變遷議題之一，涉及能源結構、產業轉型、交通運輸、建築節能、土地利用等多個面向，對空間規劃有深遠影響。

2. 舉例說明空間規劃分析時可能的分析方法：