<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[IVC-InVisibleCities - Medium]]></title>
        <description><![CDATA[Thoughts on urban research &amp; innovations. The collaborative content from our greater IVC community. Visit: ivc.city - Medium]]></description>
        <link>https://medium.com/ivc-invisiblecities?source=rss----98ea23eb99f3---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>IVC-InVisibleCities - Medium</title>
            <link>https://medium.com/ivc-invisiblecities?source=rss----98ea23eb99f3---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 15:09:24 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/ivc-invisiblecities" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[台北共居研究指南 — 雙北地區青年租屋生存攻略(下)]]></title>
            <link>https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E5%85%B1%E5%B1%85%E7%A0%94%E7%A9%B6%E6%8C%87%E5%8D%97-%E9%9B%99%E5%8C%97%E5%9C%B0%E5%8D%80%E9%9D%92%E5%B9%B4%E7%A7%9F%E5%B1%8B%E7%94%9F%E5%AD%98%E6%94%BB%E7%95%A5-%E4%B8%8B-d100c81a7af8?source=rss----98ea23eb99f3---4</link>
            <guid isPermaLink="false">https://medium.com/p/d100c81a7af8</guid>
            <category><![CDATA[青年租屋]]></category>
            <category><![CDATA[數據研究]]></category>
            <category><![CDATA[coliving]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[共居]]></category>
            <dc:creator><![CDATA[Drew]]></dc:creator>
            <pubDate>Thu, 01 Sep 2022 07:58:37 GMT</pubDate>
            <atom:updated>2022-09-01T07:58:37.071Z</atom:updated>
            <content:encoded><![CDATA[<h3>台北共居研究指南 — 雙北地區青年租屋生存攻略(下)</h3><p>從數據連結共居生活想像</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/484/1*Ip_5SBkP8eRf9fnmyH8A4Q.gif" /><figcaption>從宏觀的數據落回生活想像</figcaption></figure><p>上一篇文章中，我們帶著大家走過迅速瀏覽租屋市場的概貌，從各區深入到各里，甚至是局部區域的熱力圖，滿足了大家對各個租金區位的好奇之後。若還沒看過上篇的讀者，也歡迎透過下方連結看看數據研究的成果。</p><ul><li><a href="https://www.sdgscolivingguide.org/#/">台北共居研究指南 - 雙北地區青年租屋生存攻略｜相信世代 x IVC</a></li><li><a href="https://survey.binnextgen.org/">台北共居研究指南 - 找出屬於你的共居屬性！</a></li></ul><h3>從數據回歸日常生活</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WZPVp6ODltWSDreQqD8B6Q.jpeg" /><figcaption>Photo by <a href="https://unsplash.com/@uxindo?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">UX Indonesia</a> on <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><p>在數據研究中比較不容易的，是如何將冰冷的數字連結回日常生活，讓人能夠一看便能明白。於是我們開始試著將租金與空間樣貌連結。</p><blockquote>預算大約多少可以租到什麼樣的房型？</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Xvda0cw0xbJZOFU6jF2DxA.png" /></figure><p>以大家的租屋經驗，大致可以分成下列三種層級：雅房、套房（獨立衛浴）到整層住家。隨著預算的提高，租屋空間也隨之擴大。但<strong>有沒有一個量化的成果可以讓我知道，大約多少預算可以升到下個房型呢？</strong></p><p>若以2020年591的租金、坪數中位數來看的話，我們可以得到這個容易理解的圖。以最基本的雅房來說，如果想升級成套房，需要多加個4000–5000元，才有辦法再多一套私人衛浴。</p><p>而想從套房再升級成整層住宅，需要提高更多的預算，大約12500~24000元才有辦法擁有廚房、客廳或陽台等公共空間，達到比較好的生活品質。</p><p>看似龐大的金額落差，若一個人要獨力負擔起的確會是很大的財務負擔；但透過3–4位室友分攤，即便較貴的月租金36000元整層住宅，也能以平均一人9000~12000元的價格承租，儘管各自只有獨立套房的預算，但只要大家湊在一起，就可以享受到額外的公共空間。</p><blockquote>公共空間在租屋中扮演著什麼樣的角色？</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_So19p21LCc3n5lSnTk3iA.png" /></figure><p>研究台北公寓的平面時發現，隨著坪數變化， 臥室的坪數並不會有很明顯的變化， 空間增加的區域主要都發生在客廳等公共空間。</p><p>20坪到40坪的公寓, 共居生活的想像會有什麼不同呢？</p><p>公共空間可以是生活的孵化器, 能從中孕育出適合自己的共居生活; 也能藉此找到改變週遭事物的契機, 開展出屬於自己的社會行動。</p><h3>生活不只是租金：那些數據外的生活場景</h3><p>隨著公共空間坪數的增加，生活便逐漸從套房往外發展，形塑出屬於共居獨特的面貌。而不同的公共空間大小，也潛在影響著室友彼此間的關係與互動。從20坪到40坪，數據之外的生活會有什麼可能性？</p><blockquote>20坪的生活</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PKXqjccKlgl8w_G9o1gR4A.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8-7iMSx1r5D1L_6TN4GUJg.png" /></figure><p>剛剛好的二人生活空間，適合伴侶以及要好的摯友居住，用餐與下廚是主要的交流時機。小空間中仍可以做到落實資源回收分類與節約用電，傢俱選擇可以採用二手或是回收材料如木棧板等，減輕環境負擔。</p><blockquote>30坪的生活</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Mxw7F9aNdKeKfvqJBrmLSQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8mZoqj0qwkw8PCdpexWWeg.png" /></figure><p>隨著客廳空間增大, 在這邊打電玩、 放鬆與交流的機會變更多了。 有相同興趣的室友們可以用公共空間進行Side-Project, 不論是手工藝創作、 研發程式或是讀書會分享等, 讓居住本身創造更多價值與連結。</p><blockquote>40坪的生活</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rXAVVxjgCW2it_A5vOSIfw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NsdxVhGakDf-ZZ7v3s9WkA.png" /></figure><p>居住人數雖然增加, 但更多的公共空間可以彈性作為不同興趣或是職業使用, 比如三五好友的小酌, 或是作為攝影棚、 錄影空間使用。 也有機會舉辦微型工作坊、 講座以及小型活動, 透過身邊的弱連結將理念傳播出去。</p><h3>困境下的思考</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BmV3lTKVEeirO-uzZeE1yQ.jpeg" /><figcaption>Photo by <a href="https://unsplash.com/es/@novemberwong?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">November Wong</a> on <a href="https://unsplash.com/?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><p>共居既是年輕人面臨房價壓力下的一種出口, 也是促成更深層交流, 凝聚社群, 甚至推動社會創新行動的起點。</p><p>每個搬進台北市打拼的年輕人都可能組成共居生活, 也都能從自己出發開啟社會行動, 希望藉由”Taipei Co-living Guidebook”, 邀請你一同嘗試共居的新可能。</p><p>看完了這些，有什麼想法呢？歡迎到我們的粉絲專業留言告訴我們。</p><p><a href="https://www.facebook.com/ivcinvisiblecities">IVC - In Visible Cities 在看得見的城市</a></p><p>上一篇文章：<a href="https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E5%85%B1%E5%B1%85%E7%A0%94%E7%A9%B6%E6%8C%87%E5%8D%97-%E9%9B%99%E5%8C%97%E5%9C%B0%E5%8D%80%E9%9D%92%E5%B9%B4%E7%A7%9F%E5%B1%8B%E7%94%9F%E5%AD%98%E6%94%BB%E7%95%A5-%E4%B8%8A-e0665e495dc1">台北共居研究指南 — 雙北地區青年租屋生存攻略(上)</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d100c81a7af8" width="1" height="1" alt=""><hr><p><a href="https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E5%85%B1%E5%B1%85%E7%A0%94%E7%A9%B6%E6%8C%87%E5%8D%97-%E9%9B%99%E5%8C%97%E5%9C%B0%E5%8D%80%E9%9D%92%E5%B9%B4%E7%A7%9F%E5%B1%8B%E7%94%9F%E5%AD%98%E6%94%BB%E7%95%A5-%E4%B8%8B-d100c81a7af8">台北共居研究指南 — 雙北地區青年租屋生存攻略(下)</a> was originally published in <a href="https://medium.com/ivc-invisiblecities">IVC-InVisibleCities</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[台北共居研究指南 — 雙北地區青年租屋生存攻略(上)]]></title>
            <link>https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E5%85%B1%E5%B1%85%E7%A0%94%E7%A9%B6%E6%8C%87%E5%8D%97-%E9%9B%99%E5%8C%97%E5%9C%B0%E5%8D%80%E9%9D%92%E5%B9%B4%E7%A7%9F%E5%B1%8B%E7%94%9F%E5%AD%98%E6%94%BB%E7%95%A5-%E4%B8%8A-e0665e495dc1?source=rss----98ea23eb99f3---4</link>
            <guid isPermaLink="false">https://medium.com/p/e0665e495dc1</guid>
            <category><![CDATA[租屋]]></category>
            <category><![CDATA[數據研究]]></category>
            <category><![CDATA[gis]]></category>
            <category><![CDATA[591租屋網]]></category>
            <category><![CDATA[data-visualization]]></category>
            <dc:creator><![CDATA[Drew]]></dc:creator>
            <pubDate>Wed, 03 Aug 2022 01:14:17 GMT</pubDate>
            <atom:updated>2024-03-08T15:40:49.015Z</atom:updated>
            <content:encoded><![CDATA[<h3>台北共居研究指南 — 雙北地區青年租屋生存攻略(上)</h3><p>從591數據帶你一覽雙北租屋市場全貌</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xkwCPW6u2deweF7-IGOl0g.gif" /></figure><ul><li><a href="https://www.sdgscolivingguide.org/#/">台北共居研究指南 - 雙北地區青年租屋生存攻略｜相信世代 x IVC</a></li><li><a href="https://survey.binnextgen.org/">台北共居研究指南 - 找出屬於你的共居屬性！</a></li></ul><h3>故事從這裡開始</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Eo_maD6FqRTd4INT" /></figure><p>2021年，在松山區一個寧靜的巷弄中， UCafe二樓聚集了十幾人，聚精會神地聆聽《新共居運動》新刊發表會。這是與玖樓共同發起的共居研究，透過精美而易懂的空間圖說，解析當代共居人們的生活習慣與空間譜記。</p><p>在這場分享會中，相信世代的創辦人Timothy和皓哲聊著，種下了專案開始的契機。隨後相信世代開始推動「青年需要住得起的家」，也陸續壯大成6個據點共20人的社會創新租屋社群，而另一邊紐約與台灣連線的研究團隊，則漸漸於一年的時間中，完成了這個關於雙北租屋的研究網站與問卷設計。<br><br>▲<a href="https://shopee.tw/%E6%98%8E%E6%97%A5%E5%85%AC%E5%AF%93-%E6%96%B0%E5%85%B1%E5%B1%85%E9%81%8B%E5%8B%95-i.1378258.5254182895">《明日公寓｜新共居運動》</a>▲<br>▲<a href="https://binnextgen.org/affordablehousing">相信世代協會 — 青年住得起的家</a>▲</p><p>通常每個人打開租屋網、臉書社團，都是直接從一個區開始尋找、看房，不然就是捷運線。但對於整個租屋市場的脈動與狀態，卻很少有相關理解。</p><p>期待透過這篇文章，帶領大家了解雙北租屋市場的大致脈絡。</p><h3>大方向看租屋市場：以區來看</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*b8wKP1xfDPpfjSQNuEm-ug.jpeg" /><figcaption>Photo by <a href="https://unsplash.com/@lisanto_?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Lisanto 李奕良</a> on <a href="https://unsplash.com/s/photos/taipei?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><blockquote><strong>思考脈絡</strong>：整體趨勢&gt;前三名影響&gt;真正可負擔的前三個區</blockquote><p>挑選了台北與新北臨河共二十一個區，總數共26.8萬筆的591租屋數據(2020年)，我們開始抽絲剝繭。首先冒出來的疑問是：</p><blockquote>整個租屋市場的分布，大約是什麼樣子?</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tVh8SQ_TwzJifI9cd9-mvw.png" /></figure><p><strong>光從數量來看，房源高度集中於中山區。</strong>一枝獨秀的中山區遙遙領先第二名將近1.5倍，這也讓我們開始好奇，會不會前幾名的房源數量，就佔了房市大多數了？</p><blockquote>如果細看雙北各自前三名的分布呢？</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cHidoo3qE3SekQaSILZAiQ.png" /></figure><p>紅色為台北黃色為新北，挑出雙北的前三名來看，這些區域都已經囊括了 4 成以上的房源，差距懸殊。</p><p>但這些房源中還包含了各種價位的物件，並非都是租得起的房源選項。</p><blockquote>怎麼樣的房源才算可負擔？</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Kq6aCp76XDpbysfWHr504Q.png" /></figure><p>於是我們以主計總處的薪資平台資料，輔以常見的房租占所得最多三分之一為上限作為估算基準，並取社會新鮮人的平均每房月租金11,000元，作為可負擔分水嶺。而<strong>當11,000元基準一畫，便發現：其實可負擔住宅不達市場上的一半數量。</strong></p><blockquote>如果以可負擔標準看房市，會是什麼樣子？</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DDgAyN0Q1cnPN_82pzvprA.png" /></figure><p><strong>在可負擔房源中，發現前幾名的區域反而集中於新北市</strong>，板橋、三重與中和區有最多可負擔房源。單看台北市，前三名則為中山、內湖和士林區。</p><p>真正要租得起，青年們還是只能越過一條河，前往新北尋找落腳之處。而剛剛看到台北多數房源，其實都超出青年們的負擔範圍。</p><blockquote>那在可負擔房源中，各種類型房源的分布狀況又是如何?</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*njPq4rsle0PhWDU0MePs_A.png" /></figure><p>大家租屋時最在意的，往往是租屋類型。是套房、雅房還是整層出租，大部分人在找房時心裡都會有個定數。而<strong>從數據面來看，整層出租仍然是二個縣市可負擔的住宅中，最主要的房源類型首選。台北市佔了3成，新北市占了逾四成。</strong></p><p>整租型房源不僅比例最高，也是最理想的共居物件選擇。一起承租整個公寓，青年可以共同分擔房租，也能享有客廳與較好的居住機能。</p><p>共居，似乎成為了經濟考量下，不得不的選項。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TI6VcicWmeXSWoIuabbBkQ.jpeg" /><figcaption>Photo by <a href="https://unsplash.com/@derekrliang?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Derek Liang</a> on <a href="https://unsplash.com/s/photos/taipei-river?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><h3>深入看租屋市場：里、不同租金區位層級</h3><blockquote><strong>思考脈絡：</strong>各區可負擔房源密度&gt;各里可負擔房源密度&gt;各租金級距集中處</blockquote><blockquote>只有新北市住得起嗎？</blockquote><p>初次到台北的人都難免被台北市高昂的租金嚇到，若談到可負擔的租房選項，應該不少人想到的是緊鄰河道與台北市相望的新北市吧！</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*k4DgX0zp5SB4GZldVJUbIg.png" /></figure><p>如果從面量圖來看，將可負擔物件數除以各區面積，去尋找所謂最可負擔的區時，新北市的確囊括了最明顯的區域。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QmKM0RCtRozTMgEu-i9FqA.png" /></figure><p>永和、三重、蘆洲區租金便宜，騎車進城又十分便利；又或者被稱為新都心的板橋區，捷運便捷、機能完備，都是許多年輕人租屋的熱門選擇。</p><blockquote>那如果放大一點看各里呢？</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LsJyibgnjiREh7MIikMgzw.png" /></figure><p>若將數據從區再細分到里，會發現各區看似均值的色塊下，其實有著很多樣的密度差異，這也意味著<strong>常理所理解的昂貴蛋黃區，依然有許多可負擔的共居機會。</strong></p><blockquote>難道蛋黃區中也有住得起的地方？</blockquote><p>沒錯，看似遙不可及的高租金區，其實細看仍然有找到可負擔房源的機會。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sf3eK2XqZUNG9IFSJD9fpw.png" /></figure><p><strong>中山區<br></strong>雖然看似很多可負擔房源集中於雙連一帶，但是坪數小，主要是勞力工作族群、周邊飯店與酒店相關從業人員在此租屋，較少學生族群和其他行業的員工居住在此。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NqK0SZkYiJD_fnyYCkMUAg.png" /></figure><p><strong>松山區</strong><br>近南港車站、永春、後山埤一帶，可負擔物件密度較高，隨著捷運通車以及新建案落成帶來商機與人口，雖離核心市區稍遠但周邊機能完整，而且距東區、信義區等上班區域近，是另一個共居的潛力地點。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qv6wrkTEb4t291SHywuSpg.png" /></figure><p><strong>信義區</strong><br>與大安區、文山區三區交界一帶，雖然房屋屋齡較高，但坪數大，若找室友合住分攤下來租金便宜，周邊生活機能好，離市中心核心區近。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1TyDoX9_M9NOroC0nkP44Q.jpeg" /><figcaption>Photo by <a href="https://unsplash.com/@joyceromero?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Joyce Romero</a> on <a href="https://unsplash.com/s/photos/taipei?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><h3><strong>用熱力圖帶你看預期月租金適合住哪裡</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xkwCPW6u2deweF7-IGOl0g.gif" /></figure><p>看完了以上那些，也許有些人仍然感到困惑。「我知道蛋黃區中還是有11000元以下的里，但每個人的預算不同，儘管是里仍然有不同價格的房源存在啊。」</p><blockquote>有沒有辦法知道各個價位的房源落在什麼地方呢？</blockquote><p>這時候像是氣象預報的熱力圖就可以派上用場了，將資料以1000元為級距，房源點位越密集的地方，顏色就越深。透過這樣的方式來看整個城市中，自己預算範圍的房源究竟落於何處。</p><p>我們大致取了三個租金範圍來描述，除了這些外，如果看完地圖有什麼啟發也歡迎在文章下方留言告訴我們。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bS0wgTxFSe4OqcVAlKNrXQ.png" /></figure><p>在6,000元以下的租金區間，房源幾乎分布在新北市，而且集中在三重區、新莊區以及中和區一帶。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Qw63IArALZNl-CHkPj9Jow.png" /></figure><p>隨著價格逐漸上升，在9,000–10,000元區間，新北市與台北市房源密度開始靠近，台北萬華區與中山區部分尤其明顯。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*10hUq4yRziMFEJWTIs-39w.png" /></figure><p>當平均每房月租金來到14,000–15,000元時，新北市房源僅剩少數地區密度較高，其他大多位於台北市中山區、萬華區，以及公館、信義一帶。這種租金上的地理區位落差，形成了無形的篩選與推力，讓眾多北漂青年只能望屋興嘆。</p><h3>生活不應該只是數字：除了數字以外的生活想像</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Z90o_xkQvS-rUI8F7vnmWA.jpeg" /><figcaption>Photo by <a href="https://unsplash.com/@moralis?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Moralis Tsai</a> on <a href="https://unsplash.com/s/photos/taipei-park?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><p>研究了這些，透過數據的視覺化似乎讓城市的租屋市場有了脈絡，同時也顯現出所謂北漂居不易的客觀面貌。但如果一味的從價錢出發，而忽略了自己想要的生活，似乎有些本末倒置。</p><p>是不是可以稍微住遠一點，換來更大更好的空間品質？或是不住在捷運周遭，但有Youbike站點可以通勤？隨著疫情升溫，傳統的工作與居住型態開始鬆動，遠距工作的自己是不是也有機會透過數據重新思考，真正適合自己的生活是什麼樣子？</p><p>數據歸數據，房子是租來的，但生活不是。租金以外的生活仍然有著各種可能性。下一篇我們換個角度從生活空間出發，期待帶給大家各式不同生活的想像！</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fbutton.like.co%2Fin%2Fembed%2Fchu__c__w%2Fbutton&amp;display_name=LikeCoin&amp;url=https%3A%2F%2Fbutton.like.co%2Fin%2Flike%2Fchu__c__w&amp;image=https%3A%2F%2Fstatic.like.co%2Flikecoin_de-portrait.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=like" width="360" height="212" frameborder="0" scrolling="no"><a href="https://medium.com/media/65fad32e3c6f85a39c465153999e1fc3/href">https://medium.com/media/65fad32e3c6f85a39c465153999e1fc3/href</a></iframe><p><em>下一篇：</em><a href="https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E5%85%B1%E5%B1%85%E7%A0%94%E7%A9%B6%E6%8C%87%E5%8D%97-%E9%9B%99%E5%8C%97%E5%9C%B0%E5%8D%80%E9%9D%92%E5%B9%B4%E7%A7%9F%E5%B1%8B%E7%94%9F%E5%AD%98%E6%94%BB%E7%95%A5-%E4%B8%8B-d100c81a7af8"><em>《台北共居研究指南 — 雙北地區青年租屋生存攻略(下)：不只是共居的生活想像》</em></a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e0665e495dc1" width="1" height="1" alt=""><hr><p><a href="https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E5%85%B1%E5%B1%85%E7%A0%94%E7%A9%B6%E6%8C%87%E5%8D%97-%E9%9B%99%E5%8C%97%E5%9C%B0%E5%8D%80%E9%9D%92%E5%B9%B4%E7%A7%9F%E5%B1%8B%E7%94%9F%E5%AD%98%E6%94%BB%E7%95%A5-%E4%B8%8A-e0665e495dc1">台北共居研究指南 — 雙北地區青年租屋生存攻略(上)</a> was originally published in <a href="https://medium.com/ivc-invisiblecities">IVC-InVisibleCities</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[許一個可步行的新竹：舊城區的蛻變與契機]]></title>
            <link>https://medium.com/ivc-invisiblecities/%E8%A8%B1%E4%B8%80%E5%80%8B%E5%8F%AF%E6%AD%A5%E8%A1%8C%E7%9A%84%E6%96%B0%E7%AB%B9-%E8%88%8A%E5%9F%8E%E5%8D%80%E7%9A%84%E8%9B%BB%E8%AE%8A%E8%88%87%E5%A5%91%E6%A9%9F-ed3eee245be0?source=rss----98ea23eb99f3---4</link>
            <guid isPermaLink="false">https://medium.com/p/ed3eee245be0</guid>
            <category><![CDATA[urban-design]]></category>
            <category><![CDATA[urban-analytics]]></category>
            <category><![CDATA[walking-street]]></category>
            <category><![CDATA[urban-data]]></category>
            <category><![CDATA[urban-regeneration]]></category>
            <dc:creator><![CDATA[QiLe Dong]]></dc:creator>
            <pubDate>Sat, 21 Aug 2021 07:05:37 GMT</pubDate>
            <atom:updated>2021-08-21T08:41:53.435Z</atom:updated>
            <content:encoded><![CDATA[<p><em>註：原文受邀於《</em><a href="https://www.hsin-story.com/"><em>見域Citilens</em></a><em>》雜誌，寫於2019年十二月，原文分為</em><a href="https://vocus.cc/citilens/5dd3b9d2fd89780001605b0b"><em>上</em></a><a href="https://vocus.cc/citilens/5dd4e5c3fd897800011cf304"><em>下</em></a><em>兩原篇標題：</em><a href="https://vocus.cc/citilens/5dd3b9d2fd89780001605b0b"><em>用數據，看見舊城蛻變的契機</em></a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*G1FqSpLpwDlVj_8BZvzKnw.png" /></figure><p>不同于全球大部分地區剛剛過半的城市化進程（urbanization），臺灣早在上個世紀末就已經約有百分之八十的人口居住在城市之中。城市作爲一個有機的共同體，同樣經歷著生老病死：快速迭代的通訊技術、基礎設施和城市服務，不斷加速著將城市送往下一個歷程的生命周期。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/816/1*IK78qI0c2pMoYYK4aTO6jA.png" /><figcaption>新竹市概況</figcaption></figure><p>本文將研究目光聚焦到臺灣新竹市的舊城區，一個正在經歷著它的病痛期的城市中心。在過去三四十年的時間裏，新竹市的都市化建設由市中心向外圍鄉村蔓延擴張。空間生長的邏輯從原本的區位交通、自然環境、生産生活這類自然發展規律，轉向政治權力、土地開發等多方利益角逐。在現今都市發展的脉絡下，最初早已發展完備的中心城區，因房屋老舊，基礎設施不堪負荷，道路窄小等種種問題而逐漸落寞下來。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*bZNz9J1cHi-m5qiCJpftDA.png" /><figcaption>新竹市都市擴張歷史</figcaption></figure><h3><strong>竹塹城的光輝與光陰</strong></h3><p>新竹市舊城區位于新竹市中心偏北面積約120 公頃，橫跨北、東兩區。舊城的歷史悠久，1733年淡水廳廳治（清朝北臺灣行政中心）轉移至竹塹，以莿竹建城，此爲新竹城的由來。1827年清廷采用「開台進士」鄭用錫與當地鄉紳的建議，以城隍廟爲中心設鼓樓、衙署；以傳統中式十字規劃主要道路，連接東西南北四座城門，幷築造磚石城垣。日本殖民政府來台後，拆除了原本四個城門及其城墻，只留下了東門，改用棋盤格狀重新規劃，幷沿用部分清朝時期街道格局。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*v_rQOcCrnO5qiNJmFsBR4Q.png" /><figcaption>資料來源：新竹市文化局</figcaption></figure><p>日本殖民時期結束之後，核心商圈東移，到隨後交大清大設校，再至1970 年代末，政府爲了應對台美斷交和産業轉型，投資建設新竹科學園區，「臺灣矽谷」一夜降臨新竹。發展至今，新竹市成爲臺灣「六都」之外的一個中型城市，其人口一直處于高速增長狀態，根據主計處2011年度統計，人口增長率爲全台第一，社會增加率第三。包含流動人口尚未統計在內，人口總量在四十到五十萬之間。2006年高鐵新竹站設站六家站，竹北市作爲新竹的衛星城，其高鐵周邊人口從九萬一路成長到了十七萬。科創産業集聚，高校扎堆，使得科學園區周邊的關埔特區和竹科生活區房産價格高歌猛進。新竹市成爲全臺灣唯一一個房價 「抗跌區 」。相比之下，舊城區已然失去往昔的榮光。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*h_kuKW4aSx8USZ0hq-844g.png" /><figcaption>新竹市各區人口變遷</figcaption></figure><h3><strong>難走亦難逃，舊城黑洞</strong></h3><p>臺北的大稻埕、台中中區、台南的海安路，舊城區的活化和更新是這個階段臺灣各大城市的重要發展議題。在當前政府前瞻基礎建設計劃的支持下，新竹市政府先後提出「<strong>大車站平臺計劃</strong>」與「<strong>步行城市計劃</strong>」旨在提高大衆運輸服務，縫合車站前後，希望重新喚起舊城活力。用數據參與幷輔助城市設計是此次我們舊城再生計劃的實驗重點。2016年<strong>唐鳳</strong>出任「數位政委」後，推動「開放政府」將一部分信息和數據免費公開，成爲我們做mapping分析指認空間的關鍵支持。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*dlIyPNNkVe8bwfAsfzjZoQ.png" /><figcaption>新竹火車站，照片來源：林智堅市長Facebook</figcaption></figure><p>在當代，大多數都市專業者大概都認同一個現代化的宜居城市，可步行性環境是必不可少的，尤其對于舊城區的環境營造，面對著綿密的路網紋理和密集的老建築聚落。整體拆除重建是不現實的，<strong>該思索的是，如何在各自場域中找出屬￿自身的現代化路徑</strong>。我們針對區內人群移動、公共環境與交通運輸狀况等面向，結合政府開放數據與網絡數據做進一步探索。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*8niDO45KPV-fdjcXJex0DA.png" /><figcaption>現况綠地和人行設施盤點</figcaption></figure><p>在經過長時間的現場觀察之後，我們發現舊城區有嚴重的交通問題，于是試著先從公共運輸角度切入，叠合了Youbike（有樁公共自行車）的點位數據及其使用量和新竹市公交車路綫圖（見下圖）。在Youbike服務半徑250米的圈內，使用次數最多站點爲火車站，其次是巨城購物中心。舊城的核心區中山路南北兩側沒有提供脚踏車，公交車也較少經過。我們推測多數人抵達火車站後，較多有消費購物需求的人，會向東側巨城購物中心及西側大遠百購物中心移動。相比之下舊城核心商業區難以通過公共運輸服務到達。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*Z6vZuvPLX_SGUiaxZYGN0Q.png" /><figcaption>公交車路綫與公用自行車使用量</figcaption></figure><p>那如果是自己騎摩托車或是自駕車前往，情况會是如何呢？我們找到了2015年度交通事故發生的點位資料幷叠合了道路等級分布情况：相較于其他區域，舊城區內易發生交通事故。其中，中正路是易發路段，也是多數驅車通行的主要道路，這些交通事故多數集中在交叉路口，比如東門圓環附近。這可能與道路過寬，多岔路口影響了車速與視距有關。交通事故易發也從側面提高了市民進入舊城區的安全成本，降低了出行意願。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*xVlZYHcj8KKlIQjIqx5CwQ.png" /><figcaption>交通事故點位熱力圖</figcaption></figure><p>除此之外，交通擁堵也是舊城區內的另一問題。請試想，當你終于克服了出行的恐懼，開著車前往舊城區準備一睹她鮮活的歷史魅力，却在半路上深陷堵車的泥潭。四下環繞著鳴笛與引擎聲，和不間斷亂竄的行人，以及怎麽也找不到空位的停車場，這一切的體驗已經讓你興致全無。爲了在地理區位上描述出這一系列感受，我們參考google map的實時路况，用顔色差异將全天候最擁堵的路段篩選出來。因區內短街廓較多且道路窄，意味著尖峰時間段過多的車輛進出與回轉更容易引發交通混亂。我們發現舊城區內分布了非常多小型私有停車場，加劇了這種情况。將停車場區位與擁堵路段mapping（見下圖），可以見到密集零碎分布的小型停車場與交通擁堵有一定的關聯性。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uDacRT8-p0J-0LG7Tb1pHQ.jpeg" /><figcaption>半徑250米視角下，擁堵路段與停車場分布關係</figcaption></figure><p>數據試圖在空間上指認出了不易發現的問題，也嘗試著發覺轉變舊城面貌的潜力與機會。對每一個深愛美食的新竹吃貨而言，舊城區是他們的天堂，這裏有他們記憶裏最愛的味道。不僅如此，舊城區便利的生活服務與豐富多元的休閑娛樂活動，吸引著年輕人的脚步。Google Map上的POI分布與數量，就做了很好的說明。我們爬取了這些數據幷整合了新竹市政府的開放資料（新竹市十大伴手禮」，「新竹非吃不可」等點位數據），做出一張生活便利圖。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dr84_TAIH50FF-7gezuglw.png" /></figure><p>新竹市兩三百年來的豐厚歷史與文化，讓行走在舊市區的人如同走在一處開放的博物館群之中。區內120公頃範圍內高密度分布了28棟歷史建築和古迹，也成爲全臺灣之最。這些有價值的老屋和古建築集中分布在北門和南門老街，中正台夜市附近。她們有的是清代的街屋、日式的宿舍、60年代的販厝，屹立在時空之中，訴說著屬￿竹塹城的光陰故事。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Sx9mmlDoeJsHTfeMMlq6vQ.png" /></figure><p>上述種種問題，讓舊城區變成一個既難以到達，來了又出不去的城市黑洞，即便這裏有非吃不可的新竹美食，深厚故事的歷史古迹、懷舊的歷史街區。從人本道路的可持續發展的角度而言，人行空間的不連貫與不友善，加之老舊建築維護整建成本高，所有權屬複雜等等，極大的限制了舊城區的再生。雖然街道的尺度是適宜步行，但騎樓空間大部分都被停放的機動車和攤販及雜物占用，行人被迫與行車爭道。我們幾乎無法用行走的方式，好好體驗舊城區的迷人光景。因爲你要隨時提防，呼嘯而過的車輛和前方擋道的摩托車。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qOEK3uDgYx5wMsrLHcqc6A.png" /><figcaption>城隍廟門口，機車無縫隙停放</figcaption></figure><h3><strong>走街串巷，市民「陳情表」</strong></h3><p>對于研究新竹這樣的非一級城市（Secondary City）來說，小體量城市的統計數據存在著樣本總量少，缺乏整合、精度不高、更新周期久等種種限制，用數據回應城市的時空性議題就遲遲難以展開。誠然，數據作爲一種理性工具有它巨大的價值，但作爲方法論依然有實踐上的局限。地方的真實性常常迷失在繁複冗長的數據集和各執立場的斷章之中。研究的過程中我們曾不斷追問自己，當今天在談舊城保存與更新的時候，我們在保存什麽？當舊城生活被現代化進程排除在發展之外，無可挽回地走向雕敝，我們想要實現的又是什麽？</p><p>在與舊城區的研究團體和學者交流多了以後，我開始意識到，也許幷非客觀才是公正，主觀性的感受更能代表真實。舊城區的保存與再生的主體首先是市民，客觀的數據研究只是第一步。在走訪了十幾位當地店家和市民之後，我們收集了這些能够代表民衆參與和生活經驗的「小數據」，補足城市大數據在設計方法應用上的局限。雖然是隨機的訪談，但市民們參與討論的熱情絲毫不减。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oS4bAn7Uj50aEMGR3u_92Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*slEJCrVz0vbvLnuk5_Mkzw.png" /><figcaption>田野調查：街坊鄰里的有感生活</figcaption></figure><p>爲了能快速瞭解市民們的整體看法，我們將受訪者對空間的感受簡單直觀的分爲喜歡和不喜歡，幷在地理空間上反應出意見和信息（下圖）。我們發現，大家普遍對于片區內的<strong>公共空間</strong>（迎曦門、護城河等）比較喜愛，而不喜歡的地方主要存在著<strong>交通混亂，行走不便，缺乏公共設施</strong>（路燈，座椅…）等等問題。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/864/1*RChgBW1glfTHBzb86XD8PA.png" /><figcaption>數據化的市民參與和感知</figcaption></figure><p>客觀理性的「大數據」和市民有感的「小數據」，幫助我們聚焦到舊改在空間上的真實議題：<strong>寸步難行的交通系統，閑置破敗的老屋片區，匱乏的公共活動空間，不堪負荷的基礎設施</strong>。然而空間雕敝的背後，是更多看不見的問題：不公平的房地産開放杠杆，公共决策的機制失靈，人口老齡化，傳統零售與文化産業沒落，它們正在重塑著城市景觀。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*ZfhU62R64wn7fT3tz9Rvvw.png" /><figcaption>新竹北門街</figcaption></figure><h3><strong>東門觀察，舊城新生機</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dcHzHqRj6jNgokblQ4ehkA.png" /><figcaption>夜晚熱鬧的東門市場</figcaption></figure><p>儘管新竹科學園區和高鐵特定區的發展勢頭很好，但周邊的生活服務設施服務的建設幷沒有跟上城市的快速闊張，新城已然成了美食、娛樂和文化的沙漠。漸漸地，有一批年輕人開始回去了，回到兒時回憶裏那個有溫度有感情，有貢丸湯有鴨肉許的地方。</p><p>最初他們擋下了原本要被拆遷的東門市場，然後在角落開了一家咖啡吧。這一群熱愛生活的工程師們，傍晚下班回來賣咖啡也賣生活態度。一開始沒有生意，他們成了廢墟中的燈塔，悄悄地，一些自發保護市場的社群也成立了，他們做網絡推廣，舉辦活動，協調租金，把這樣的動力擴散至周邊街店，努力讓大家看到舊城區的光和熱。然後像受到了感召似的，更多對舊城有感情的朋友陸續回來開店。在東門市場的早市結束後與拉上鐵門前的空檔期，擺上幾張桌椅，這裏擁有了熱鬧非凡的地方，完美演繹著城市空間共享的方式。</p><p>後來，政府看到了民衆參與的熱情與力量，開始在政策和經濟上鼓勵和推動舊城活化，在大同路108號成立了再生基地，讓更多的團體進駐出一份力。漸漸地，東門市場成了第一個開始綻放的地方。在可見的未來，在這個共享經濟起飛的背景下，越來越多共享的方式會帶來給舊城轉型的新契機。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PXGH3hEIovtrQp9Blsyl6w.png" /><figcaption>舊城再生：各種社團的社會行動</figcaption></figure><p>以此，我們試著提出一個「<strong>慢行生活，共享新城</strong>」的實驗構想，用有機、軟性的更新方式翻轉發展策略，將城市活力從舊城區擴散開來，使之成爲帶動新竹市走向美好城市的動力引擎。</p><p>這場城市實驗我們設想了三個步驟：</p><h4><strong>Step 1 置換空間功能</strong></h4><p>首先運用合理的容積轉移<a href="#_ftn1">[1]</a>獎勵作爲誘因，幷用將核心商業區周邊的停車場篩選出來，置換到舊城區外圍建立的立體停車場，緩解因道路窄小，過多停車出入口造成交通打結的擁堵問題。區位內剩餘零星小型停車空間，可以通過共享停車的平臺（如Uspace）對外發布信息，提高空間使用率。同時增加區內Youbike有樁單車的分布點，逐步减少私家車進入舊城區的情况。而這些置換後的空間將會形成舊城區裏公共空間的新亮點。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1B7OIp6mI_NpgDYmexAdog.gif" /><figcaption>綠地置換策略</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gPqipzZiiAi_j9XiKWVyxg.png" /><figcaption>某處停車場改造公園</figcaption></figure><h4><strong>Step 2 優化人行設施</strong></h4><p>接下來我們設想完善的行人徒步和自行車騎行空間方案，用綫狀空間串聯公共空間的活力點與古建築群。我們試著把舊城區內的道路分成五個等級，每一個級道路都進行步行與騎行設施的優化，同時設計分時共享的區域，逐步將路權還給行人的同時，調動街道空間使用的多樣性，提升街道的活力。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*P-T9x50IzQkPzKVjCwGNDA.png" /><figcaption>依據道路類型設計路權</figcaption></figure><h4><strong>Step 3共享閑置老屋</strong></h4><p>最後越來越多年輕人回流，他們或許是設計和藝術工作者，著迷于老屋古樸的氣質，對生活的便利性和區位交通可達性有較高需求。當足够多的創意工作者回來時，舊屋閑置和老人照護的社會問題，會在共享辦公、銀青共居的新空間形態下蛻變。除此之外，如果能建立一個房屋共享雲平臺，隨時上報自家老屋的維修修整狀况，以便向政府或基金會提供幫助。屋主也可以利用這個平臺隨時向公衆發布老屋閑置時間，可以讓大家分時段共享老屋更高效利用空間。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZCiaQI4OvIprWN4Cx9EVWg.png" /><figcaption>建立空間信息分享平臺</figcaption></figure><p>上述爲應對困境的有限構思，聽起來是個完全的烏托邦計劃。而能否實踐的問題關鍵在于<strong>行動的主體</strong>是誰。舊城要再生，如果依然依循企業家主義（entrepreneurialism）的治理模式，我們可能會失去城市的韌性。這不只是面對金融危機和氣候灾害所展現的柔韌度，也是面對微小的、分散的、日常的城市問題所需要自我修補能力。Anthony M. Townsend（2013）在他的書中《Smart Cities: Big Data, Civic Hackers, and the Quest for a New Utopia》（翻譯：智慧城市）批判了只依靠技術和跨國資本建立起的智慧模式，幷提出推動城市智慧化的創造力蘊藏在草根階級。最後他寫到「一個真正智慧的城市，就是你居住的城市。」</p><p>在全面化智慧城市建設到來之時，新一輪的舊城改造能否超越此前的治理範式，在標準化、模型演算、集中管理的秩序之外，回歸市民居住在城市，參與城市生活，平等使用和塑造城市的權利。這就需要用數據發現城市中的問題，但更需要每位市民積極參與和發聲，與執政者、專業者、開發商、共同建立多元幷開源的協同網絡，用一個個數字界面以全新的方式去看見、觸碰和感受城市。</p><p><em>本文內容修改自董其樂與許庭源 二人於 2018年完成的畢業設計：《掩幕行動-新竹舊城的共享新城實驗計劃》。</em></p><p><em>本文所有分析與數據呈現截止2018年4月。</em></p><p>文/圖 董其樂</p><p><strong>參考資料與文獻:</strong></p><p><em>1.Anthony M. Townsend，《Smart Cities：Big Data, Civic Hackers, and the Quest for a New Utopia》[M]，W. W. Norton &amp; Company，2013：400</em></p><p><em>2.內政部建築研究所（2003），臺灣傳統街屋建築空間形式與再利用之研究。</em></p><p><em>3.京都市（2010），步行城市京都綜合交通策略。</em></p><p><em>4.新竹市政府（2008），擬定新竹（含香山）都市計劃（市中心地區）細部計劃書。</em></p><p><em>5.新竹市政府（2008），變更新竹（含香山）都市計劃（第二次通盤檢討）書。</em></p><p><em>6.新竹市政府（2016），新竹市區域計劃(規劃草案)。</em></p><p><em>7.新竹市政府行政處（2016），2018年施政計劃。</em></p><p><em>8.新新竹市政府（2016），竹市都市計劃(第一階段)書。</em></p><p><em>9.鄭玴翔、蔡朝翔、王星宇（2017），由都市發展史探討新竹市舊城區現今街道分布景象史地類。</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ed3eee245be0" width="1" height="1" alt=""><hr><p><a href="https://medium.com/ivc-invisiblecities/%E8%A8%B1%E4%B8%80%E5%80%8B%E5%8F%AF%E6%AD%A5%E8%A1%8C%E7%9A%84%E6%96%B0%E7%AB%B9-%E8%88%8A%E5%9F%8E%E5%8D%80%E7%9A%84%E8%9B%BB%E8%AE%8A%E8%88%87%E5%A5%91%E6%A9%9F-ed3eee245be0">許一個可步行的新竹：舊城區的蛻變與契機</a> was originally published in <a href="https://medium.com/ivc-invisiblecities">IVC-InVisibleCities</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[台北人口分布地圖：戶籍與信令人口比較]]></title>
            <link>https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E5%B8%82%E4%BA%BA%E5%8F%A3%E5%88%86%E5%B8%83%E5%9C%B0%E5%9C%96%E6%88%B6%E7%B1%8D%E8%88%87%E4%BF%A1%E4%BB%A4%E4%BA%BA%E5%8F%A3%E6%AF%94%E8%BC%83-4eff04c69cf2?source=rss----98ea23eb99f3---4</link>
            <guid isPermaLink="false">https://medium.com/p/4eff04c69cf2</guid>
            <category><![CDATA[maps]]></category>
            <category><![CDATA[singal-data]]></category>
            <category><![CDATA[spatial-analysis]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[taipei]]></category>
            <dc:creator><![CDATA[Dennis Tseng]]></dc:creator>
            <pubDate>Wed, 04 Aug 2021 06:34:48 GMT</pubDate>
            <atom:updated>2021-08-05T07:32:38.618Z</atom:updated>
            <content:encoded><![CDATA[<blockquote>從台北市人口地圖看戶籍與信令人口差異。本文章由台北大數據中心（Taipei Urban Intelligence Center, TUIC）提供。台北大數據中心下轄於台北市政府，致力於推動以資料與科技驅動的城市治理。</blockquote><p>本篇文章圖表有互動版，同事幫忙部署到<a href="https://popuanal.di206l6rmgh08.amplifyapp.com/">這個連結</a></p><h3>簡介</h3><p>上篇文章以<a href="https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E4%BA%BA%E5%8F%A3%E5%88%86%E5%B8%83%E5%9C%B0%E5%9C%96%E7%A9%BA%E9%96%93%E8%B3%87%E6%96%99%E7%9A%84%E5%B0%BA%E5%BA%A6%E8%AE%8A%E6%8F%9B-7278e319c5fe">「台北人口分布地圖：空間資料的尺度變換」</a>為題，這篇文章則利用信令資料，比較戶籍人口和信令人口的分布差異。</p><p>何謂信令資料？因為行動裝置（手機）固定都會回傳信號給基地台，電信公司可以利用訊號的變化，擷取用戶移動的距離與時間變化，拼湊得出使用者的移動路徑，詳細介紹可以參考<a href="https://www.sinotech.org.tw/technique/PDFView/?n=146&amp;s=65&amp;pid=12604">這篇報告</a>的第三頁。</p><p>為什麼要看信令資料？雖然有戶籍資料在，從生活經驗中不難發現，它與實際生活情況有不小落差，無論是負笈求學、離家工作，不只通訊地址和戶籍地址可能不同，通訊地址也未必就是現在的住所。另外，早上到公司上班、晚上和朋友小酌、午夜時分回家睡覺，戶籍資料無法捕捉這些動態變化。利用信令資料，不僅能看居住地點和工作位置，若原始資料足夠豐富，也能看到出發點和目的地（Origin &amp; Destination, 簡稱 OD）以及之間的流動情形。</p><p>事實上，電信公司的信令資料已經有不少商業和學術上的應用，台灣也不例外。本文即利用台灣某電信公司提供的台北市信令資料，呈現台北市的人口分布。然而，本文重點並不完全放在於台北人口究竟怎麼分布，而是更大程度地關注信令人口和戶籍人口的差異，以及信令資料本身的限制。</p><h3>台北市人口分布</h3><p>台北市政府的信令資料尺度是 250 公尺 x 250 公尺的網格，經過電信公司去識別化，考慮市占率進行一定推估後，得到各網格當中的各年齡層、性別人數；另外，因為原始資料中有時間維度，可以據此計算不同時間的人口分布。就內容來說，其實和最近內政部在 SEGIS 平台上公布的<a href="https://segis.moi.gov.tw/STAT/Web/Platform/QueryInterface/STAT_Signal.aspx">電信信令人口統計資料</a> 內容相似，只是內政部的資料已經從網格對照為以行政區域為基礎了。</p><p>利用<a href="https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E4%BA%BA%E5%8F%A3%E5%88%86%E5%B8%83%E5%9C%B0%E5%9C%96%E7%A9%BA%E9%96%93%E8%B3%87%E6%96%99%E7%9A%84%E5%B0%BA%E5%BA%A6%E8%AE%8A%E6%8F%9B-7278e319c5fe">空間資料的尺度變換</a>文中提過的方法，將人口從網格映射（mapping）至村里，再依照上班時間和睡覺時間，取平均後粗略地將兩個時段的人口分為居住人口和工作人口，便能夠和戶籍人口比較。</p><p>因為若以絕對人數上色，會因為面積不等而影響視覺判斷，因此下圖先呈現信令數據當中的居住人口密度。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*meJ-hzelD_lo5hJ0pdSGOg.png" /><figcaption>台北市信令人口密度</figcaption></figure><p>從圖中可以看到台北市東北、東南人口密度很低，大部分人口聚集於中間與偏西邊。前者稀疏的理由主因是該地地形以坡地和山區為主，較少人居住，且也被劃為都市計畫保護區。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kmV-piF2NR6P4-RYBAZ1tQ.png" /><figcaption>台北市信令人口密度與保護區</figcaption></figure><p>另外，光從圖來看很難直接看出哪些村里的人口密度較高。若將捷運路網疊上密度圖，便可以發現兩者有著緊密關聯。以北投區與士林區來說，人口主要聚集於和北投士林接壤的捷運明德站、石牌站、芝山站一帶，北投的另一個聚集區則是奇岩、北投、新北投構成的三個里，而士林也有士林與劍潭一帶的密集區。內湖也呈現類似情況，人口沿著捷運沿線分布。相對來說，發展多年的中正萬華一帶，人口稠密區域便沒有直接和捷運站點對應，松山信義區也因為商辦密集，人口分布不完全和捷運站貼合。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4etS0skv0qzbETd8Z2CpeA.png" /><figcaption>台北市信令人口與捷運路網</figcaption></figure><p>當然，人口的分布絕非看了密度地圖，或者疊上捷運路網或者山地便可有全盤了解，當中有許多台北發展的歷史脈絡，像是地形特色與限制（松山機場建設和風向有關）、都市規劃的考量（發展上先西後東）、與周遭區域如新北市的互動（聚落遷徙）等。若想了解台北更多，可以參考這本<a href="https://www.books.com.tw/products/0010598322">臺北．原來如此</a>。</p><h3>信令與戶籍人口分布差異</h3><p>實際比較戶籍人口和信令居住人口密度，並控制各個密度區間的顏色方便對照，單用肉眼檢視分布狀況來說，其實戶籍和信令人口是接近的。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LwSx49WHRPGI5aXCSMD57Q.png" /><figcaption>台北市人口密度</figcaption></figure><p>比較戶籍和信令人口分布上的差異，從下圖中可以發現，其實各區都有或多或少的落差，在信令多於戶籍人口的區域旁邊，也有戶籍人口多於信令的區域，並沒有明顯的聚集情況。利用空間性局部指標（LISA）分析，雖然有冷區和熱區存在，但其範圍都非常小，沒辦法清楚的看出模式，因此在這沒有附上圖表。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ElTftvDbZXlFIZxW-QulJw.png" /><figcaption>台北市信令居住與戶籍人口密度差異</figcaption></figure><p>其實，雖然數字略有落差，但如同人口分布章節所言，兩者的分布大致接近。將人口分布和台北市土地利用中的住宅區套疊，可以看到人口大約都在住宅區上。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2Zc44XJHmXpQ4CmQndAxjg.png" /><figcaption>台北市信令人口與住宅區</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*F4C7zUxsJ7EJdU6ld_ez9w.png" /><figcaption>台北市戶籍人口與住宅區</figcaption></figure><p>因為從地圖中看不出差異，因此改用別的圖表看差值。將戶籍人口放在橫軸，信令人口放在縱軸，再加上斜率 = 1 的斜直線，可以見到兩者偏離多遠。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*S_ym9liLOFBHMDwMjF0IoA.png" /><figcaption>村里的信令與戶籍人口散布圖</figcaption></figure><p>若再用行政區細分，可以見到較為細緻的變化。以中山區與中正區為例，大部分的村里都在斜直線周遭，但各自有一個村里的信令人口多出戶籍人口許多。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t6puR5cnjytaMsd7e00WPQ.png" /><figcaption>村里的信令與戶籍人口散布圖 — 分行政區</figcaption></figure><p>那麼，為什麼這些區域的信令人口若會多出戶籍人口許多呢？從單一資料來看很難直接查出原因，不僅需要熟悉 GIS，也要對該區域有足夠的理解才行。舉例來說，我們或許會推測，某區的學齡戶籍人口年比例高，又考慮到大學生很多都在外地求學，因此這些區域的戶籍人口可能會低出信令人口許多；而老年人口比例高的地方，或許有機會將房屋出租給人，因此這些區域的戶籍人口可能會低出信令人口許多。下圖便在原有的散布圖以外，增加老年人口比例的維度，但還沒有明顯的趨勢，需要更細緻的挖掘原因。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sSEX3BNDd3Kc0PYzLF4O6A.png" /><figcaption>村里的信令與戶籍人口散布圖 — 加上老年人口比率</figcaption></figure><p>除了人口變數以外，還有其他因素可以用來推敲人口動態背後的原因。舉例來說，統計租屋市場上的供給、考慮學校與周遭學區、計算生活機能等，有許多可能的維度，相關資料也不難搜集，內政部的 SEGIS 上有相關資料集可供下載，研究者也能自行搜集點位資料（POI），或是依照自己的假設蒐集其他公開資料。</p><h3>小結與反思</h3><p>本文呈現信令人口的分布，再輔以都市保護區、捷運路網、土地利用，並比較戶籍人口差異。</p><p>信令資料確實有眾多優點，如動態測量人口分布，並能捕捉人口的起迄與旅次。台北市大數據中心有一個專案，即是利用信令人口的居住地與起迄資料，查看內湖科學園區的工作人口來源，並搭配捷運與公車的搭乘資料，試圖處理該地的交通壅塞問題。</p><p>但也容許我指出，信令資料雖然好用，因為其仰賴推估的特性（考量市占、去識別化故要考量性別與年齡、考量網格尺度、考量抽樣天數是否有代表性），若樣本不足，便會面臨許多問題，不可不慎。</p><p>最後感謝 TUIC 諸位夥伴提供的建議。因為篇幅限制與本文目的，其實沒有談太多信令人口分析上的應用，因此文末附上三張信令人口相關的地圖，希望你會喜歡！若有興趣，本篇文章圖表有互動版，同事幫忙部署到<a href="https://popuanal.di206l6rmgh08.amplifyapp.com/">這個連結</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pOUMR5vm_TmR_5ORJX3oAQ.gif" /><figcaption>台北市分時信令人口分布 — 動態版</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MFZ4vXFiU7Prqv5N7XdOpw.png" /><figcaption>台北市分時信令人口分布 — 靜態版</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*D_CDr_t4f90Pq0r_i_0rmg.png" /><figcaption>台北市信令人口工作居住比</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fqFHXyiaCTcC4EFC8vbdXg.png" /><figcaption>台北市週間與週末晚上人口分布</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4eff04c69cf2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E5%B8%82%E4%BA%BA%E5%8F%A3%E5%88%86%E5%B8%83%E5%9C%B0%E5%9C%96%E6%88%B6%E7%B1%8D%E8%88%87%E4%BF%A1%E4%BB%A4%E4%BA%BA%E5%8F%A3%E6%AF%94%E8%BC%83-4eff04c69cf2">台北人口分布地圖：戶籍與信令人口比較</a> was originally published in <a href="https://medium.com/ivc-invisiblecities">IVC-InVisibleCities</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[城市新興數據、空間策略與城市治理的探索]]></title>
            <link>https://medium.com/ivc-invisiblecities/%E5%9F%8E%E5%B8%82%E6%96%B0%E8%88%88%E6%95%B8%E6%93%9A-%E7%A9%BA%E9%96%93%E7%AD%96%E7%95%A5%E8%88%87%E5%9F%8E%E5%B8%82%E6%B2%BB%E7%90%86%E7%9A%84%E6%8E%A2%E7%B4%A2-6432c7c9da77?source=rss----98ea23eb99f3---4</link>
            <guid isPermaLink="false">https://medium.com/p/6432c7c9da77</guid>
            <category><![CDATA[big-data-analytics]]></category>
            <category><![CDATA[urban-data]]></category>
            <category><![CDATA[location-intelligence]]></category>
            <category><![CDATA[urban-innovation]]></category>
            <dc:creator><![CDATA[Roy Lin]]></dc:creator>
            <pubDate>Tue, 06 Jul 2021 04:48:42 GMT</pubDate>
            <atom:updated>2021-07-10T16:23:18.257Z</atom:updated>
            <content:encoded><![CDATA[<p><em>註：本文首刊於《建築師》雜誌，2021年七月，原文標題</em><a href="http://www.twarchitect.org.tw/special/%e5%9f%8e%e5%b8%82%e6%96%b0%e8%88%88%e6%95%b8%e6%93%9a%e7%94%a8%e6%96%bc%e8%88%87%e7%a9%ba%e9%96%93%e8%a6%8f%e5%8a%83%e8%88%87%e5%9f%8e%e5%b8%82%e6%b2%bb%e7%90%86%e7%9a%84%e6%8e%a2%e7%b4%a2/"><em>「城市新興數據用於空間規劃與城市治理的探索」</em></a></p><p>在過去的十多年間，我從一名建築設計師，轉向都市設計，又再從都市跨足數據分析，服務的對象從一開始的單體建築業主，到房地產開發商，而後轉向零售企業諮詢，最近又回到台灣擔任公部門的數據分析與應用顧問。有人會說這段經歷非常跨領域，但對我而言，其中的脈絡是一致連貫的，都是關於理解人在城市中的行為、剖析城市何以為城市，並對複雜議題提出創意與解法。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uYEqwVY2UzJQuWpTDqaZGQ.jpeg" /><figcaption>用數據看城市，過去與現在</figcaption></figure><p>過去一段時間，每次對外演講的開場白，我都會放這兩張圖。左邊是建築人相當熟悉的波士頓城市印象，源自於 Kevin Lynch 的 <em>The Image of the City </em>[1] 一書。右邊那張可能就沒那麼熟悉了，它是Eric Fischer，一位數據藝術家，利用Flickr照片共享平台的數據，識別出在地人（藍色）與遊客（紅色）在空間上的分布差異[<a href="https://labs.mapbox.com/labs/twitter-gnip/locals/">2</a>]。一個是1960年，用訪談、手繪；一個是2015年，用大數據。幾十年過去，我們還是對城市充滿了好奇。即便我們一部分人能直接左右城市的樣貌，如建築師、規劃師、開發商，我們還是不夠了解城市。不了解城市裡的人如何移動、在哪裡、什麼時候做什麼事；不了解交通體系的交織運作；不了解為何一些地方吸引某些人、一些地方總是混亂、一些地方沒落衰敗、一些地方莫名熱鬧…。</p><p>聽起來很矛盾，若不了解城市，怎麼能替城市做出好的設計？這其實也是我認為都市專業領域一直以來的瓶頸：我們一直太過仰賴經驗法則、販賣情懷，強調主觀美感與價值觀。某種程度上，我認為建築與都市專業的養成，本就應該將科技與數據思維（Data thinking）內化，才能跟得上這個資訊爆炸、瞬息萬變的時代。唯有將這門專業，帶入更科學的佐證與論述，才能積極地與其他產業對話協作、放大影響力。</p><h3><strong>一. 都市數據的興起</strong></h3><p>在深入談數據如何改變都市規劃與治理之前，我們需要先了解這十年間一些重要的背景趨勢：</p><h4>1. 開放數據運動 (Open Data Movement)</h4><p>約莫2000年開始的全球開放資料運動，由國際開放知識基金會（<a href="https://okfn.org/">Open Knowledge Foundation</a>[3], OKF）為首，從歐美國家開始倡導開放公部門資料開放給大眾使用。當政府釋出了各類數據，不光是貫徹公民監督政府的作用，更能達到普及知識、催生民間創新的深遠效果，這也是我在美國求學期間感受到的衝擊：資料越開放健全，民間與學術圈的創新力就越強，越能集眾人之智慧解決社會問題。台灣也隨後積極響應，在2017年甚至被OKF評為開放資料評比第一名。大量的開放資料，讓民眾開始可以直接獲取官方提供的各類城市數據，包括人口結構、行政區劃、都市系統、社會經濟發展等資料。</p><h4>2. 數位足跡(Digital Footprint)的爆炸性增長</h4><p>我們都目睹到了各類網路服務的興起，甚至短短幾年間顛覆了我們過去幾十年的生活習慣。諸如社群網絡媒體、電子商務、共享經濟服務、個人移動裝置等，隨時隨地、多維立體的記錄著我們每個人的行為軌跡，具備大量（Volume）、高速（Velocity）、多樣（Viriety）的特性，也是俗稱的「大數據」。有別於政府擁有的社會經濟數據，這些私人企業擁有的更貼近每個人的行為，甚至潛藏的情感與秘密。我們開始有機會近乎完整的勾勒個人乃至整個社會的樣貌。這些資料多半不對公眾公開，但企業多數都積極地嘗試將自有數據商業化（Data Monitization），透過應用程式接口（Application Programming Interface, API）或加值服務方式出售，數據產業的市場機制成型指日可待。</p><h4>3. 城市數據處理工具的開放</h4><p>與都市相關的數據，跳脫不了地理空間屬性，也就是我們一般說的地理空間數據。過去，都市空間資訊因龐大複雜，必須透過寡佔的地理空間資訊系統（Geographic Information System, GIS）才得以讀取，又因其學習成本高，一般民眾無從利用。但隨著開放資料的興起，地理空間數據也有了相對應得開源軟體如QGIS，以及雲端化的分析圖台如 Kepler, Carto等，讓一般大眾很容易下載、處理與分析運用。</p><h4>4. 大數據處理與應用工具的普及</h4><p>隨著大數據的興起與電腦算力的提升，業界開始出現更多人工智能（Artificial Intelligence）、機器學習（Machine Learning）等的技術應用。這些以往仰賴強大硬體運算能力、高深計算機知識，而專屬於大型研究機構的技術方法，因為雲端運算服務的普及、開源共享的各種演算模型，開始成為每個人都能用上的工具。例如Google將其機器學習的演算法與工具，開源至TensorFlow這樣的平台，任何人只有具備基本的程式語言能力，都可以隨時用上影像辨識、語意分析、深度學習等工具。</p><p>這些趨勢，從數據源頭端的指數倍增，到工具的開源與普及，催生了城市大數據應用的熱潮。</p><p>後面我將透過我過去親身參與的案例，從商業應用與城市治理兩個角度，說明各類的城市新興數據如何幫助我們解決複雜問題、創造新價值。</p><h3><strong>二. 都市空間數據用於商業決策</strong></h3><p>在我於上海從事都市設計的三年間，正值網路服務爆炸成長的階段。許多線上服務如餐飲評價、地圖、外送APP、活動票卷、共享與租賃平台等快速崛起，提供了大量數據。雖不盡然以開放資料的方式提供給公眾，但稍有技術能力即可獲得。另一方面，許多資通訊企業也開始嘗試將手中的數據商業化，例如電信公司開始利用手機信令數據隱去個資後，彙整成帶有人口年齡層、性別、職業別等標籤的空間網格聚合數據（Aggregated data），以數據即服務（Data as a Service, DaaS）的方式出售。時逢都市分析學門在歐美的興起，令當時還在使用傳統CAD繪圖且苦無資料可玩的我，心生嚮往。於是2016年離開都市設計師的職位，想探索一套新的分析與設計方法，也於2019年創立了一間專注於位置數據分析的諮詢公司[<a href="http://cvi-tech.com/">4</a>]。</p><p>位置數據分析，或「位置智能（Location Intelligence）」，算是傳統商業智能（Business Intelligence, BI）的分支。如果說傳統的BI是透過Excel這類報表軟體中分析出有價值的商業洞察（BI專業者應該會反對我這樣的簡化比喻），那LI就是利用地圖或GIS軟體找出商業策略（也有點粗暴的簡化，但這樣可能比較好理解）。</p><p>位置智能在維基百科[<a href="https://en.wikipedia.org/wiki/Location_intelligence">5</a>]定義是：「從地理空間數據中挖掘出有意義的洞察，進而解決特定問題的過程。」這對於建築設計師而言，應該不陌生，因為本質上跟我們熟悉的「設計方法」並無二致。以下分享一些我認為城市空間數據在商業決策上常見的應用情境。</p><h4><strong>1. 商業選址</strong></h4><p>位置數據的應用，最容易聯想到的就是「選址」。選址是一門古老的專業，打從有店舖的概念開始，選址就是一門學問。但在過去，數據源相對少且不易取得的情況下，多半憑藉的是經驗老道的業者現場踩點、探勘而來。借助新興數據源與空間運算（Geo-processing），選址工作可以更精準科學、更有效率。</p><p>一家高爾夫休閒運動場館的品牌要進入亞洲，要在短時間內評估多個城市的不同地點是否合適。這家企業在美國已有一套標準的選址公式（圖2），即在方圓多少英里內需要滿足多少五星旅館、高消費力人口、國際企業等指標。我們的挑戰在於，除了要讓美國總部能在不涉足現場的情況下快速而全面的了解基地優劣，還要將既有的選址邏輯「在地化」，譬如光是駕車可達性這件事，在美國普遍覺得「近」的距離，在亞洲城市已經是「太遠」了，更何況其他在大眾運輸、休閒運動、消費習慣等等的文化脈絡差異。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3U_4R8I4wx_OQkQjuo-DxQ.jpeg" /><figcaption>美國選址 vs 亞洲選址</figcaption></figure><h4><strong>服務範圍與市場規模計算</strong></h4><p>在選址工作中，最常用的評估之一就是「交易範圍（Trade Area）」或「服務範圍」，一般會用一特定通勤距離作為邊界劃定。然而，在美國開車一小時的遠近感，在公共運輸便利的亞洲城市，可能相當於20分鐘。更短的可接受旅程時間，加上多樣的出行選擇：自駕、大眾運輸、步行，甚至各種運具之間換乘，讓「交易範圍」不能只是簡單的半徑畫圓。這時候，我們借助於地圖平台的最短距離API，結合空間運算，可以畫出有機形狀的「等時圈（Isochrone）」，即以該基地為中心，一定旅程時間下的最大可達範圍。</p><p>下圖（圖3）可以看到，以南京市某地為例，駕車一小時，與搭乘大眾運輸加步行的一小時「等時圈」形狀相當不同，雖然在遠離市區的地點，但因為鄰近大眾運輸，甚至可以比駕車更深入覆蓋到市中心區的人群。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cj2agP6zgR2v_OXj6p0h6g.jpeg" /><figcaption>開車 vs 大眾運輸等時圈與可達範圍</figcaption></figure><p>得到「服務範圍」之後，可進一步疊加電信商提供的人口結構數據，了解該範圍內的「潛在消費人群基數」與「人口年齡分佈」；也可利用房地產租賃平台的房價租金數據，推估「高消費力人群比例」；或是利用住宅戶數、辦公樓宇數量等，推估「居住或工作人群比例」。幫助該品牌了解市場潛力與特性。</p><p>此外，針對不同的目標客群，應該納入評估的設施類型、出行時間與交通方式也不同，例如家庭週末出遊的情境，應評估自駕車一小時範圍內的住宅總量；大學生出遊，應計算大眾運輸半小時覆蓋的學生總數。以消費者體驗為中心，帶入不同消費情境，再透過各類數據與空間算法的組合，可以得到非常精準且科學的評估結果。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*U-ri5Et2KrJZcWucqy1GZQ.jpeg" /><figcaption>不同客群對應不同的出行選擇</figcaption></figure><h4><strong>評論數據幫助商業定性</strong></h4><p>除了量化的評估，我們也可以利用各類網路平台的評論數據，提供一些「質性（Qualitative）」的資訊參考。例如，Google地圖上，用戶對於每個設施場所的「評論數」與「評分」可判斷該設施是否熱門、TripAdvisor這類旅遊景點平台上的評論關鍵字，可呈現該場所的特色，進而幫助企業在招商策略、業種混合、服務本地化等方面的依據。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9Y21Gi8nx35Dsj11mCv2-w.jpeg" /><figcaption>利用社群平台的文字分析，看城市特色</figcaption></figure><h4><strong>2. 網點優化</strong></h4><p>選址之外，對於已具規模的企業而言，更大的挑戰在於資產項目管理（Portfolio Management）。企業需要在既有的空間資產上，最大化營運的效益，隨時評估展店策略、門店網絡優化，甚至關閉網點。利用都市空間的外部數據，搭配企業自身擁有的內部數據如銷售業績、門店屬性等，可更近一步發揮數據價值。</p><h4><strong>領地分析</strong></h4><p>當一企業擁有多個門店或實體據點時，不光是總體服務範圍希望最大化，同時要考量物流運送成本、客群相互侵蝕（Cannibalization）等問題，這時候問題會複雜得多。</p><p><a href="https://medium.com/civic-intelligence/how-should-coffee-shops-adopt-online-delivery-effectively-948302a5e11c">以一間精品咖啡廳品牌為例</a>，原先因為主打店內體驗為主，門店多分布在市中心人潮多的商業區，但近年開始拓展外送卻發現訂單不如預期。我們從數據分析的角度便可發現，大部分的門店所觸及的外送範圍，超過半數重合度達九成，意味著不同門店其實在搶食同一批消費者。要進一步改善此問題，則必須從新檢討既有門店位置的策略。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Z6RoDmBVeYPisnShRVjzNQ.jpeg" /><figcaption>實體店起家的咖啡廳，外賣領地卻高度重疊，造成潛在客群稀釋</figcaption></figure><h4><strong>聚類分析(Cluster Analysis)幫助營運策略制定</strong></h4><p>數據分析能帶來的最大價值，往往來自於於跨領域的交叉分析。以一間在上海擁有三百多間門店網點的西式連鎖快餐廳來說，使用內部銷售數據作日常運營、行銷等決策參考，是再熟悉不過的。但對內部數據的熟稔或慣性，也恰恰好是大企業與機構容易產生的盲區：缺乏對外部數據的掌握與知識。</p><p><a href="https://medium.com/civic-intelligence/selling-breakfast-smarter-location-intelligence-for-a-global-qsr-sales-strategy-56feb0c2c93b">我們協助該企業，以每間店所在的街區功能特性、人群特徵、消費行為等資訊，對所有門店加以分類</a>。在此之前，該企業對自己門店類型的定義僅「一般門店」，以及極少數「快捷門店」，以至於所有新推出的商品或行銷策略一體適用，成效有限。</p><p>我們利用機器學習中的聚類分析(Cluster Analysis)，將三百多間門店歸結出包括「大型交通樞紐」、「混合功能區」、「住宅混合區」、「商務辦公區」等七大類型，並針對該區位與人群特性，建議不同的商業策略。例如交通樞紐類的門店，推出線上預訂的快取窗口；住宅區為主的則可考慮與社區合作推出團體優惠等。這幫助該企業更了解現有門店的特性，也更能針對各自所在的街區與客群，提供細緻的銷售策略。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lbMsqodITS2YvyYlFKinkA.jpeg" /><figcaption>利用街區特徵區分的門店類型與相應商業策略</figcaption></figure><p>除了街區尺度，在門店尺度上，我們還能利用數據和空間算法模擬消費者的到店行為。例如針對早餐快取窗口這樣的策略，我們可以結合每個門店週邊的住宅點位、辦公樓點位、地鐵進出人流量、以及最短路徑計算，模擬出早餐時段，每個路段的「順路人流量」（圖8），進而挑選出最適合優先測試「早餐快取窗口」的門店。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gk5jwVQ4F0JX1fs11ey1MQ.jpeg" /><figcaption>連鎖門店的順路人流模擬分析</figcaption></figure><h4><strong>建立商業地產銷售業績的「預測模型」</strong></h4><p>商業上，大數據多用來「建模（Data modeling）」，即透過大量過往數據找出規律，並對未來做出預判、減少風險，常見於金融、保險、電商等領域。以往企業須仰賴大量自有數據（如交易、會員資料等），而今也能透過多樣的城市空間、消費行為等外部數據，強化模型的預測能力。一些仰賴位置空間的產業如地產、零售，也因而能引入數據建模這樣的工具。</p><p>一間跨國的共享辦公（Co-working）企業，在進入亞洲數年後，因為資本熱潮趨緩，開始從快速擴張的市場搶佔期，過渡到追求穩定增長的商業優化期。以往「帳算得過就拿」的標的物件，開始需要反思是否值得持續投資，或需要做出產品與服務的調整。</p><p>我們透過搜集該品牌現有門店週邊的各類數據，包括辦公樓宇、商業機能、交通、房價、競爭對手等面向（圖9），透過機器學習的方法，<a href="https://medium.com/civic-intelligence/decoding-the-success-factors-for-co-working-space-c6c948ba6f22">從三十多個變量中篩選出了最關鍵的幾個，並建立了一套業績預測模型</a>。依此模型不僅可作為未來展店的參考，亦可透過現有門店的發展預測，幫助企業了解應該採取加碼投資、撤出、或是加強行銷等不同對策。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*742us0rdFZ-i5PUa0Zg9Rg.png" /><figcaption>門店15分鐘步行範圍內，不同類型數據示意圖</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*526xcj7ac0znyx8T3CLEnw.jpeg" /><figcaption>預測業績對比現有業績，作為門店優化策略的參考</figcaption></figure><p>以上案例提及的數據源、算法、建模，雖都是以零售、地產業為主，但其邏輯也可應用在更廣的範疇，例如公共設施的規劃與檢討、社會經濟方面的研究分析等。</p><p>接下來會介紹城市數據在「城市治理」範疇下的應用。</p><h3><strong>三. 開放協作，用開放資料「看見城市」</strong></h3><p>在商業場景中，所有的數據分析不外乎一個目的：更高的獲利。然而，以公部門來說，城市面對的綜合治理課題，通常不是單一量化的「績效」追求，而是多面向考量的動態權衡，因此比起給出一個明確的預測結果，如何正確客觀地呈現跨領域數據、提供多重利害關係者一個對話基礎，往往更為重要。</p><p>在我2016年離開都市設計行業之初，其實對於城市數據可以如何應用還是很模糊的，剛好當時台灣各地方政府正大力推動開放資料，因此找了一些同樣對都市研究感興趣的夥伴，成立了「<a href="https://medium.com/ivc-invisiblecities">在看得見的城市 In Visible Cities, IVC</a>」社群[6]，希望探索如何運用各類開放資料，結合設計思考，對城市提出有價值的洞見與倡議。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3em7PzZBH1Qdn7kEN8lvgg.jpeg" /><figcaption>IVC社群「城市印象」工作坊</figcaption></figure><h4><strong>用數據閱讀城市的性格</strong></h4><p>在IVC社群的第一個專案「<a href="https://ivc.city/cn/blog/article/PassiveSpaceRemake">消極空間翻轉</a>」中，我們試圖用空間數據與視覺化，指認台北市迫切需要活化的區域。我們定義了三種類型的消極空間：低活力、低可達性、以及負面因子（圖12）。低活力選用的是長期或時段性閒置的場所，如工地、停車場、傳統市場等；低可達性是指大眾運輸不易到達的區域，即捷運站800公尺、YouBike站200公尺以外的區域；負面因子則是指台北市公害陳情中的噪音、衛生、犯罪的空間熱點。透過這三類消極因子的視覺疊加，並以各村里的人口密度做篩選，可以很直觀的挑選出人口密度高，且消極程度大的區域，作為都市更新活化的參考。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FBnhsZA74PxnQbMJCdgvcQ.jpeg" /><figcaption>消極空間翻轉專案，將不同消極場域視覺化</figcaption></figure><p>而在「<a href="https://medium.com/ivc-invisiblecities/%E5%89%B5%E6%84%8F%E5%8F%B0%E5%8C%97-part1-%E5%BE%9E%E5%A0%B4%E6%89%80%E8%88%87%E6%B4%BB%E5%8B%95%E7%9C%8B%E5%9F%8E%E5%B8%82%E7%9A%84%E5%89%B5%E6%84%8F%E5%9F%BA%E5%9B%A0-49e8a2e0f35c">創意台北</a>」專案中，我們嘗試用數據的方式，將台北的抽象創意基因，呈現在地圖上。我們透過「活動通」平台的數據，呈現出不同類型創意活動的分佈與人氣，也看出台北隱形的「創意基礎建設」：華山與松菸為主的藝文樞紐、以世貿為核心的科技氛圍，以及散落在民間創業加速器的商業創業活力（圖13）。也透過疊加各類型的城市魅力場所與屋齡分佈，發現有魅力的小店、展館、酒吧，往往都分佈在較老的街區，為老街區的保護與重視，增添了一份有力的數據支持。（圖14）</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UYHcfIgjYDS1OyH7le1tGA.jpeg" /><figcaption>台北市創意活動類型與分佈</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*K7eeL6dHwg1tsDTd8-Fb0w.jpeg" /><figcaption>台北市魅力場所與老屋分佈</figcaption></figure><h4><strong>用空間分析檢討公共設施</strong></h4><p>除了視覺化，空間數據加上簡單的空間運算，可以更深刻地呈現或挖掘社會問題。在另一「<a href="https://ivc.city/cn/blog/article/elderly-friendly_1">高齡友善城市</a>」專案中，我們利用開放資料檢視台中市的高齡友善程度。</p><p>在中央的「長照2.0」政策下，長照資源拆分成不同等級，目的是希望透過分散式的資源網絡，就近供給給需要的長者，達到就近安老（Aging in place）的效果。</p><p>順應這個理念，我們首先透過建築資料，將各村里人口按每棟建築的樓地板面積重新分配，以此推估精準到每個街廓的高齡失能人口分佈圖（圖15）。接著將現有的養護中心位置各取一公里服務範圍（假設合理的就近安老概念為一公里距離），可計算該中心應該就近服務的高齡失能人口數量。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*y6AD9n9byOZ-3O_XO9K41Q.jpeg" /><figcaption>台中高齡者與養護中心分佈</figcaption></figure><p>進一步對比應該服務的人數與實際的床位數，會發現現有的養護中心除了空間分布不均之外，也有供不應求的問題（圖16）。以台中市區為例，平均每一個養護中心，不足約三百個床位。而這三百個床位不足，則成了許多需要居家照護的失能老人，其中也揭示了許多社會問題如缺乏子女照護、非法移工看護等。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*O2UzgERae3sdmzhCQpr5xQ.jpeg" /><figcaption>養護中心與附近需求人數存在落差</figcaption></figure><p>除了上述案例，IVC社群夥伴們還發起了各式各樣的都市研究，包括<a href="https://fb.watch/v/2R4yLW0t9/">空氣汙染</a>、<a href="https://fb.watch/v/5T3iUHSJM/">農地工廠</a>、<a href="https://www.facebook.com/1189213677828798/videos/811549035950563">青年共居</a>、<a href="https://ivc.city/cn/blog/article/youbikeplus">共享單車</a>、居住正義等，持續透過社群的方式公開招募、開放協作並與公眾分享成果。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OmZYiljOZVSC55KWut1tKA.jpeg" /><figcaption>IVC社群公開分享會</figcaption></figure><p>大概是跨資料集的運用加上直觀的視覺化呈現，吸引了公部門的目光，在IVC社群運作的第四個年頭，我們收到了台北市政府的邀請，與資訊局同仁交流了開放資料的分析成果與想法。會後，資訊局呂局長即邀請我們參與台北市正在籌組的大數據中心。</p><h3><strong>四. 數據驅動城市治理，「台北大數據中心」的內部創新</strong></h3><p>加入台北市大數據中心的核心團隊，對於社群夥伴來說是莫大的激勵，一方面是過往的探索得到了肯定，另一方面也興奮於能接觸到更多未開放的都市資料。對我個人來說，感覺像是從都市設計圈叛逆出逃、不安於現況，跳出去摸索了一圈，又半隻腳踏回到圈子內。或許有時候，跳出體制外，反而容易受體制注意。我當時與夥伴們說，也許這一次，是我們離心目中一個「智慧城市」該有的樣子最近的時候。</p><h4><strong>重點不是數據的大數據中心</strong></h4><p>講到「大數據中心」你會想到什麼？諾大的機房？無處不在的電腦設備？</p><p>因為我們在乎的是城市，所以我們期待打造的臺北大數據中心，不是關於大數據，而是關於城市，關於洞見與智慧。大數據中心的名稱因為沿襲府方慣稱而沿用，但英文名稱，我們翻作 Taipei Urban Intelligence Center 而非直譯 Big Data Center，也算是對其定位的一種宣告。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LtyU29JL9952XNT2sQg4Mw.jpeg" /><figcaption>台北大數據中心籌備處辦公室</figcaption></figure><p>台北大數據中心（後簡稱：TUIC）目前隸屬於台北市資訊局。TUIC的核心目標，在於推動台北市「數據驅動」的「城市治理」。具體業務分為兩大部分：跨域資訊匯流，以及深度數據分析。跨域資料匯流，重點在於資訊面的「廣度」而「即時性」，而數據分析則更注重「長時間」跨度下的趨勢，以及對議題本身的「深度」挖掘。</p><h4><strong>新兵訓練的震撼教育 — 防疫儀表板</strong></h4><p>社群夥伴們正式加入市府，是2020年初，正好遇上新冠肺炎疫情爆發。當時市府內部每天的防疫會議，是由各相關局處人工彙整資訊、產製報表並口頭報告。而TUIC的首要任務，便是協助市府彙整防疫相關各類數據，建立自動化且即時的資訊儀表板，供長官與相關人員隨時查看包括國內外趨勢、隔離人數與位置、剩餘床位、消毒區域，甚至口罩供給趨勢等資訊。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Hf_vzp88umTDgn0xcllVgw.png" /><figcaption>台北市防疫儀表板，口罩供給現況與趨勢</figcaption></figure><p>這看似單純的任務，其實相當複雜。首先，防疫相關的各類資訊，跨及中央、地方政府，以及民間單位如聯合醫院，且各單位的系統與資料格式不一，須根據個案建置資料處理流程；其次，龐雜的資訊如何有效的過濾與呈現，並提供地理空間、時間趨勢的交叉查詢，當中不光是互動介面與圖表設計的挑戰，更要符合業務單位的操作邏輯；最後，因為防疫工作的持續，內容會不斷修正與擴充，例如後期也加進了實聯制場館入場人數追蹤等內容。</p><p>經過了一個月左右的設計、資料介接與開發製作，防疫儀表板於2020三月上線，一直到現在，都還在不斷的迭代與進化。</p><p><em>(後記：這篇文章交稿在2021年五月，而後正好面臨台灣的本土疫情爆發，在防疫的急迫性、資料規模與複雜度上又是截然不同的挑戰，之後有機會再另外撰文分享。)</em></p><p>防疫儀表板是整個市府資料匯流工程的縮影，透過這個專案，我們對跨局處複雜的資料介接與行政作業流程，有了初步的經驗。也在疫情趨緩之後，開展我們另一項重要的任務：城市運行儀表板。</p><h4><strong>全市府跨域數據匯流 — 城市運行儀表板</strong></h4><p>台北市作為首善之都，許多局處無論在人員的數據素養或系統的數位化方面，都有相當的成就，例如災情應變中心、警察局、交通局等。但即便這些單位在各自「垂直領域」有較高的數位化能力，面臨跨局處「水平向度」的跨域協作時，便因為行政法令、業務習慣、作業標準不一等原因，窒礙難行。</p><p>「城市運行儀表板」的規劃，便是希望突破這個困境，透過彙整各局處的關鍵數據，幫助府級長官在面對跨領域都市議題時，能有更即時、宏觀的掌握，做出更快而準確的施政參考。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9jyCNfizIanu9pyBlViaiw.jpeg" /><figcaption>城市儀表板資料組件設計</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*k6TmcEUsqSkHPxNcqCYG7A.png" /><figcaption>城市儀表板介面（內部測試版）</figcaption></figure><p>為此，我們進行了數個月的業務單位訪談，了解每份數據的產製方式與行政邏輯，並針對城市的各個面向，設計出多個資料「組件」。每個「組件」包括了資料集串接、告警與預判邏輯、資訊圖表、地圖視覺化與歷史趨勢等設計，後端還有需要吃得下各種資料格式的大數據資料庫，以及資料清洗、系統管理運維等工程。如果把城市運行儀表板比喻為露出海面的冰尖，那麼彙整全府三十多個局處的浩大工程就是水面下整座冰山。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*O1rqmV5y8mlYYc6QhFF9gQ.png" /><figcaption>城市運行儀表板整體架構</figcaption></figure><h4><strong>市政議題的深度分析 — 計程車招呼站優化、內科交通議題探討</strong></h4><p>前面提到，TUIC的兩大職責，除了彙整全市府的跨域資料外，就是針對當下重要的市政議題提供深度的數據分析。大數據中心，既是市府的數據匯流基礎建設，也扮演市府的市政分析智庫角色。</p><p>以去年九月與交通局聯合發表的「應用計程車搭乘熱點大數據規劃合理的計程車排班方案」為例，此案緣起於市府希望解決市區計程車隨處載落客、以及空車繞行造成的環境污染。</p><p>其實在此之前，北市府已有設置多處計程車招呼站，但因缺乏強制力、不符實際需求等原因，成效不彰。因而委託交通局與資訊局大數據中心，協調多家計程車廠商，透過數據分析，研擬可行的解決方案。</p><p><a href="https://fb.watch/v/H59DT01H/">我們從多個計程車業者提供的旅程起迄點數據，發現了不管是「電招」與「路攔」方式，民眾上下車的熱點都與現有招呼站有所出入</a>。為此，我們挑選出最頻繁的一百處熱點，並結合道路紅線與建築資訊，以互動地圖的方式交付給交通局，讓同仁們可以帶著平板電腦，到現場探勘增設招呼站的可行性。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JNhWbQYzXcqDPes_t7HI0w.png" /><figcaption>計程車起訖點熱區圖</figcaption></figure><p>另外如長久以來受塞車所困的內湖科學園區，也是TUIC進行中的專案之一。除了使用市府公開的戶籍人口資料，我們也與電信公司合作，利用手機信令數據加以區分工作與居住人口，幫助我們在靜態的村里人口之外，更準確掌握動態的就業人口分布，以及通勤行為特徵。疊加上捷運進出人流量、公車乘載量等資訊，能更準確幫助推敲交通疏解方案，以及制定相關政策。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VYIxVTUre1c4R4ueX9eHTQ.png" /><figcaption>內科通勤來源地分析。綠色為大眾運輸，紅色為非大眾運輸</figcaption></figure><h4><strong>由內而外的「數據素養」</strong></h4><p>除了TUIC內部的工作，台北市政府也因應各種資料機敏性與民眾隱私疑慮，成立了「資料治理委員會」，將資安與個資議題做了最高層級的討論。台北市在「數據驅動城市治理」的這條道路上，由TUIC在實務面逐步推動公部門的數據素養與能力，也由「資治會」從適法性與機制面做把關，未來的發展路上，應是精采可期的。</p><h3><strong>五. 數據的侷限、反思與期待</strong></h3><p>數據，其實只是我們可以選用的眾多工具之一。怎麼用、何時用，端看我們的目的與需求。我提倡利用數據，但也反對過度相信數據。就像所有工具都有局限，使用數據做決策之前，必須也了解其合適的場景，以及潛藏的誤區。</p><h4><strong>1. 數據呈現何時、何地、人事物關聯，而非因果</strong></h4><p>剛開始接觸數據分析時，最容易犯的錯誤之一，就是把數據之間的「相關性」誤以為「因果關係」。舉一個經典的例子：研究發現，美國的森林大火次數與冰淇淋的銷量有強烈正相關，難道是因為冰淇淋造成了森林大火？還是因為大火所以大家想吃冰淇淋？其實僅僅是因為這兩件事都發生在夏天、與氣溫正相關。</p><p>又或是錯把「現象（Fact）」視為「需求（Need）」，譬如，從自行車的騎行軌跡，發現大家都騎某個路段，並不一定是因為該路段特別吸引人，可能僅僅是因為騎手沒有其他更好的選擇。</p><p>如果我們不細究數據背後的邏輯，那麼很可能得到似是而非的結論，包裹上數據分析的外衣，變成「高級的騙術」。特別是在複雜的都市議題中，更必須隨時保持對數據發現的反思，並積極地引入領域專家的討論，避免謬誤。簡言之，數據能幫我們更清楚看到「What」跟「How」，但不能告訴我們「Why」。要真正了解因果關係，光數據分析往往是不夠的。</p><h4><strong>2. 數據告訴我們過去和現在，而非未來</strong></h4><p>任何學習資料科學、或提倡人工智慧的人，十個有九個會跟你說，數據的價值在於預測。但他們通常沒說的，是要能預測未來，必須有非常多先決條件，譬如可控的系統變量、大量的人工預判做訓練集等。如果你用A,B,C,D建出了一個模型，那它不可能應對甲、乙、丙、丁的出現。就像共享乘車的服務邏輯不同於計程車、電子支付顛覆了信用卡行為習慣等等，是無法用舊模型推導新場景的。而在城市的場景裡，往往幾年就會出現一個顛覆性的新服務、政策調整、行為習慣改變，或基礎設施的更迭，這讓原本就變量趨近於無窮多的城市現象變得更難模型化。</p><p>未來趨勢不是不能預測，但只能在定義非常明確的場景、經過一定程度的抽象化，且時間跨度通常無法太長遠。</p><p>所以在城市議題的範疇裡，我認為「解釋性模型（Explainatory Model）」的重要性可能更勝於「預測性模型（Predictive Model）」，即強調數據分析的可解釋性而非預測精準度。這會讓數據分析更聚焦在理解問題的前因後果，也才能更好的對接相關權責單位，更有助於政策制定。</p><h4><strong>3. 數據越大量越準確，但洞察也越容易概括化（Generalized）</strong></h4><p>數據分析，樣本數量越大，越能得出有代表性的結論或模型。但同時間，這些「洞察」也越是大多數樣本的共通性，在都市的範疇裡，往往也越貼近我們的「常識」。譬如把交通數據視覺化，可能只是驗證了我們印象中常塞車的路段與時間。這樣花力氣用數據去驗證「常識」意義不大。然而當我們想要去談「局部」而非「整體」特徵時，又往往面臨數據樣本不足的問題。</p><p>過去我曾在產品設計公司接觸過「深度訪談」的訓練，針對樣本數極少（通常個位數）的用戶進行一兩個小時的訪談，幫助大公司挖掘下一代產品的潛力。當時並不完全理解，為何不採用大量的問卷或市場分析。</p><p>後來才漸漸體會，大量的數據能夠顯現整體的趨勢與共性，但往往有價值的「洞察」來自於少數「早期採用者（Early adopter）」或「離群者（Outlier）」的異常表現，或使用者沒說出口、藏在行為表象後的「根本原因（Root cause）」。</p><p>「量化（Quantitative）」的研究方法，和「質化（Qualitative）」是互不可取代的，也是需要互補的。好的研究人員，甚至好的設計師，應該要能懂得何時使用不同的工具。</p><h4><strong>4. 數據利於優化效率、規避風險，創新還是仰賴設計</strong></h4><p>總結上述數據的侷限，大概不難了解，數據的應用非常有助於優化既有系統、資源最佳化適配、或在有限變量中預測短期趨勢、最小化風險。要真的挖掘出意想不到的洞見，必須跨資料類型交叉分析，並且搭配質化研究如訪談、問卷、田野調查等方式。最後，要提出解決辦法，還是得靠人的創意與綜合評判力。</p><p>我相信在未來，數據獲取的成本將越來越低，如同今天人手一台電腦與手機。如果把數據比喻為食材，那麼我們已經漸漸從粗放式的農業、大家直接交易著自己種的番茄、芹菜，慢慢過渡到有著大盤、中盤、小盤、批發與加工等複雜價值鏈的年代。而設計師，就是扮演「廚師」的角色。靠著好的創意與手藝，一百塊的食材，才能成為上千元的米其林料理。</p><h3><strong>期待一個關於創新、人本的智慧城市</strong></h3><p>最後用一個我親身經歷的小故事，作為這篇文章的總結。</p><p>幾年前我和一個對城市大數據很有研究的朋友聊天，他跟我這麼描述他的心得：「最早的時候，我們透過數據，開始可以<strong>「描述（Describe）」</strong>城市的樣態；而當有了機器學習與人工智慧，我們開始可以利用數據去<strong>「預測（Predict）」</strong>城市的發展；我認為，人類的終極目標，應該是可以<strong>「控制（Control）」</strong>城市的各個面向，近乎一個烏托邦的理想城市。」他在白板上把他的「理論」畫了下來。</p><p>聽完當下，覺得哪裡好像怪怪的，但又說不上來。</p><p>事後回想，我覺得應該是這樣的：</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Bvj9J2w_ZQvTddS7PN_iAA.jpeg" /><figcaption>控制性的智慧城市，或創新型的智慧城市？</figcaption></figure><p>開始有了數據之後，我們透過數據可以<strong>「描繪（Depict）」</strong>一部分的城市。</p><p>描繪，是因為帶了主觀的認知去看待。有人說：數據不會說謊，但事實是，數據什麼也不會說，說話的是「人」。只要是人，就脫離不了主觀。</p><p>接著，有了機器學習，我們可以把複雜世界簡化成模型，但模型幫助我們的不是預知，而是<strong>「理解（Comprehend）」</strong>城市複雜體系當中各種因子的相互關聯。</p><p>了解了各種現象的原因與脈絡，我們更能<strong>「創新（Innovate）」</strong>，創造更好的城市環境。畢竟，我們之所以熱愛或嚮往一個城市，並不是因為他的交通多麽順暢、市政運行多麽有效率，而是因為它給我們出其不意的驚喜、因為在那裡能遇到的喜愛人事物。</p><p>一個可以完全受掌控的城市，應該是非常無趣的。</p><p>註1：<em>The Image of the City</em>, 中譯：《城市的意象》是美國都市理論家Kevin Lynch在1960年出版的一本書。這本書是對波士頓、澤西市和洛杉磯進行的為期五年的研究的結果，該研究是觀察者如何獲取都市信息，並用它來製作心理地圖。</p><p>註2：線上作品與說明可查看網站 <a href="https://labs.mapbox.com/labs/twitter-gnip/locals/">https://labs.mapbox.com/labs/twitter-gnip/locals/</a></p><p>註3：開放知識基金會（英語：Open Knowledge Foundation，縮寫：OKF）是一個全球性的非營利網絡，免費推廣和分享資訊。網站：<a href="https://okfn.org/">https://okfn.org/</a></p><p>註4：Civic Intelligence, 簡稱 CVI，是一致力於位置數據與智能的商業咨詢公司。網站：cvi-tech.com</p><p>註5：<a href="https://en.wikipedia.org/wiki/Location_intelligence">https://en.wikipedia.org/wiki/Location_intelligence</a></p><p>註6：IVC InVisibleCities 在看得見的城市，是一致力於分享城市洞見、對城市倡議的非營利社群。官網：ivc.city。文章：https://medium.com/ivc-invisiblecities</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6432c7c9da77" width="1" height="1" alt=""><hr><p><a href="https://medium.com/ivc-invisiblecities/%E5%9F%8E%E5%B8%82%E6%96%B0%E8%88%88%E6%95%B8%E6%93%9A-%E7%A9%BA%E9%96%93%E7%AD%96%E7%95%A5%E8%88%87%E5%9F%8E%E5%B8%82%E6%B2%BB%E7%90%86%E7%9A%84%E6%8E%A2%E7%B4%A2-6432c7c9da77">城市新興數據、空間策略與城市治理的探索</a> was originally published in <a href="https://medium.com/ivc-invisiblecities">IVC-InVisibleCities</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[台北人口分布地圖：空間資料的尺度變換]]></title>
            <link>https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E4%BA%BA%E5%8F%A3%E5%88%86%E5%B8%83%E5%9C%B0%E5%9C%96%E7%A9%BA%E9%96%93%E8%B3%87%E6%96%99%E7%9A%84%E5%B0%BA%E5%BA%A6%E8%AE%8A%E6%8F%9B-7278e319c5fe?source=rss----98ea23eb99f3---4</link>
            <guid isPermaLink="false">https://medium.com/p/7278e319c5fe</guid>
            <category><![CDATA[taipei]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[population]]></category>
            <category><![CDATA[spatial-analysis]]></category>
            <category><![CDATA[city-government]]></category>
            <dc:creator><![CDATA[Dennis Tseng]]></dc:creator>
            <pubDate>Tue, 18 May 2021 04:08:46 GMT</pubDate>
            <atom:updated>2022-02-24T15:29:23.055Z</atom:updated>
            <content:encoded><![CDATA[<blockquote><em>從台北市人口地圖看空間資料的尺度變換。本文章由台北大數據中心（Taipei Urban Intelligence Center, TUIC）提供。台北大數據中心下轄於台北市政府，致力於推動以資料與科技驅動的城市治理。</em></blockquote><h3>簡介</h3><p>將數據思維融入政策規劃的流程中，已然成為城市治理的顯學。無論是<a href="https://medium.com/ivc-invisiblecities/%E5%BE%9E%E5%8F%A3%E7%BD%A9%E9%8A%B7%E5%94%AE%E7%9C%8B%E7%B7%8A%E6%80%A5%E7%89%A9%E8%B3%87%E8%AA%BF%E5%BA%A6%E6%88%B0%E7%95%A5-3fe824b5103b">疫情下的口罩銷售與分配</a>、內湖通勤時段塞車狀況改善、Youbike 站點優化等，這些與民眾日常切身相關的議題，都需要以資料作為根基，爬梳問題源頭與解方所在。</p><p>不管任職於公部門或私部門，分析前的評估都很類似：確認目標、釐清問題本質、界定可行動的範圍。在理解問題本質之前，更必須對問題發生的背景與環境有基本認識。以市政議題的空間分析來說，區域內的人口分布會是一大重點，舉例來說，思考的問題包含人口都聚集在哪？哪些地方的老年人口較多？戶籍人口和實際居住人口有何差異？</p><p>利用公私部門提供或彙整後的資料，我們可以利用開源軟體例如 R 或者 QGIS ，在地圖上呈現台北市的人口分布，藉由圖表增進認識。</p><p>然而，若稍微深入探究「畫出台北市人口分布」的過程，會發現其中有不少眉角。舉例來說，台北市政府提供同時提供了里界圖的圖資 shapefile 與各里的人數統計 csv ，兩者有什麼不同？讀入帶有空間欄位的 csv 後，以資料框（dataframe）的型態儲存為變數，該怎麼補上空間資訊？另外，內政部提供的圖資包含統計單元的層級，和我們常見的行政區或村里有哪裡不一樣嗎？又要如何和村里層級互相轉換？</p><p>挖掘這些問題的答案，就像建構基礎建設的過程，有益無害。首先，釐清數據的定義本來就是分析前的必備事項，除了可以增加對於資料的認識，還能夠避免 garbage in garbage out 的情形；另外，也能夠在過程中確認不同源頭的資料有何差異，並藉此檢視資料之間的一致性與正確性；最重要的原因，則是在了解資料以後，因應業務邏輯，選擇適合的資料源、符合目的的資料層級。</p><p>舉例來說，若想比對台北市各區域歷年的人口變化，常見的選擇是使用里為單位，但其實村里劃分會因為施政而有所調整，具有調整邊界的特性，若改用長期且固定的統計區或者均值的網格，會是更好的選擇。</p><p>本文共分兩篇，第一篇以台北市民政局、內政部、某電信公司的資料為範例，簡介空間資料格式、不同人口統計資料來源與內容、空間尺度變換，以及實際的資料比對，最後視覺化呈現台北市戶籍人口資料的結果。文中包含三種空間數據層級，分別是村里、統計單元、網格，以及兩類型的人口衡量，分別是戶籍人口與信令人口。</p><p>第二篇則實際查看台北市的戶籍人口分布型態，以及信令居住人口和工作人口的分布差異，並且輔以其他圖資、另用不同指標，檢視台北市人口都在哪裡。</p><h3>資料格式介紹</h3><ul><li>xlsx/ods： 可以用 Excel/Google sheet 開啟的檔案格式，長相就是平常可以看到的試算表表格。政府單位常常以 ods 發布資料，台北市民政局的人口統計即是提供 ods</li><li>csv： comma separated value, 用逗點分隔欄位，是非常常見的檔案格式。無論政府或私人單位都會以 csv 發布資料</li><li>shapefile：儲存地理圖資的檔案格式，由 shp, shx, dbf 所組成，分別紀錄了地理參照資料、索引、屬性。通常提供地理圖資時，會提供包含 shp, shx, dbf, prj, 等格式的壓縮檔案。</li><li>geojson：基於 JSON 儲存地理資訊的檔案格式，內容包含空間範圍和屬性。</li><li>tif：儲存地理圖像的點陣圖格式，通常資料當中包含經緯度。衛星影像的原始格式即是 tif。</li></ul><p>以 csv 和 ods 來說，資料當中可能會包含地理資訊，譬如有些資料會提供區域中心點(centroid) 的經緯度，讀入檔案後可以從資料匡直接轉成空間資料，但也有些資料僅包含區域的名稱，需要另外串接區域的地理資訊才能轉換。</p><p>shapefile, geojson, tif 因為資料本身就帶有地理特徵與非地理特性，因此沒以上述問題，只是在讀取的時候要特別注意座標參考系統（CRS）是否有誤，實務部分可以參考<a href="http://gis.rchss.sinica.edu.tw/qgis/?p=2823">常見代碼</a>，原理部分可以參考<a href="https://andrewmaclachlan.github.io/CASA0005repo/rasters-descriptive-statistics-and-interpolation.html#introduction-2">Geographic Information Systems and Science</a>。</p><h3>資料來源與資料內容</h3><ul><li>台北市民政局：<a href="https://data.taipei/#/dataset/detail?id=a6394e3f-3514-4542-87bd-de4310a40db3"><strong>台北市各里人口數</strong></a>和<a href="https://data.taipei/#/dataset/detail?id=6b17b31d-4e16-495e-95b1-9fd1f47c80d8"><strong>台北市里界圖</strong></a>，資料格式分別為 csv 和 shapefile</li><li>內政部：<a href="https://segis.moi.gov.tw/STAT/Web/Platform/QueryInterface/STAT_QueryProductView.aspx?pid=E8C9BC9FA3B8955DB5ED36ECB95CC2B2&amp;spid=2379CCC54C5DD0F4FEC8CE65233993C4"><strong>台北市人口統計_村里</strong></a>與和<a href="https://segis.moi.gov.tw/STAT/Web/Platform/QueryInterface/STAT_QueryProductView.aspx?pid=D71B7495F95BC7C4E9AA7D13F5148AD1&amp;spid=7ED8D58E129BC680"><strong>台北市人口統計_最小統計區</strong></a>，資料格式分別為 csv 和 shapefile</li><li>某電信公司：提供以網格為單位的信令資料，原始格式是 csv，已經轉換為 shapefile</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/888/1*tjNcmdCaJ9O3AVRtk8VaVg.jpeg" /><figcaption>台北市的村里人口統計 — csv</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/853/1*GgJqmHI-Z-drDIoD2DIXYQ.jpeg" /><figcaption>台北市的村里圖資 — shapefile</figcaption></figure><p>如上所述，台北市民政局和內政部各自都提供了 109 年 12 月、以 csv 格式儲存的人口統計數字，以及分別以<strong>里</strong>和<strong>最小統計區</strong>為單位、用 shapefile 格式儲存的地理圖資。</p><p>在實際比對之前，要先稍微解釋一下不同空間數據層級。</p><ul><li>村里：行政單位因為施政需求劃分的邊界，分為全國、縣市、鄉鎮區、村里等四級，政府單位通常會提供各級的指標，譬如以村里為等級的人口數量。中選會的選舉資料也是以此為單位，公告得票數。</li><li>統計單元：村里會因為施政需求有所變動，為了時間序列的分析，<a href="https://segis.moi.gov.tw/STAT/Web/Portal/GroupProfile/STAT_GroupProfileSTATClass.aspx">內政部統計處</a>制定了長期、固定性、小型的空間單元，「以利強化與深化社經資料之空間分析」。層級包含最小統計區、一級發布區、二級發布區，二級發布區包含了一級發布區，一級發布區包含了最小統計區，其邊界可以貼齊；再往上的三級發布區就可以對應回村里。因為尺度遠遠小於村里，可以看到很多顆粒度（granularity）夠細的資料。</li><li>網格：將空間切成等面積的格子。計算區域特性譬如每個網格中的人口時，因為每個網格的面積相等，不用擔心<a href="https://medium.com/ivc-invisiblecities/%E6%89%8B%E6%9C%AD-%E9%9D%A2%E9%87%8F%E5%9C%96%E5%B8%B8%E7%8A%AF%E7%9A%84-%E5%AF%86%E5%BA%A6-%E9%8C%AF%E8%AA%A4-6940473b2633">密度問題</a>，可以直接上色，常用來呈現地勢高低或者空氣污染。格子的外型以方形與六角形為主，取捨的辯證可參考<a href="https://medium.com/ivc-invisiblecities/%E6%89%8B%E6%9C%AD-%E7%A9%BA%E9%96%93%E7%B6%B2%E6%A0%BC-%E6%AD%A3%E6%96%B9%E5%BD%A2%E9%82%84%E6%98%AF%E5%85%AD%E8%A7%92%E5%BD%A2%E5%A5%BD-515c57e0543c">空間網格，正方形還是六角形好？</a></li></ul><p>以台北市人口分布為例，因為顆粒度細，內政部的最小統計區在分析上很有幫助；然而，對市政府來說，若局處沒辦法根據最小統計區算出的結果推行政策，便失去了意義，因此有時候以里為單位的資料也很足夠。這也呼應了前述所提，因應不同業務邏輯選擇適合的資料。另外，資料當中的人口其實包含了兩種類型。</p><ul><li>戶籍人口：即依照民眾登記的戶籍，以行政區域為單位計算人口。</li><li>信令人口：電信公司利用不同類型手機信令（signal）資料，用途包含判斷使用者 OD （origin &amp; destination）、移動目的、行徑軌跡等，依照移動特徵譬如移動時間、停留時間，最後分辨出居住人口與工作人口，再以網格為單位，依照電信公司的市佔率與用戶人口特性，加權推估出每個網格的人口數與其性別年齡組成。詳細方法可以參考<a href="https://www.sinotech.org.tw/technique/PDFView/?n=146&amp;s=65&amp;pid=12604">這篇報告</a>。</li></ul><h3>空間層級轉換</h3><p>因為分析需求，需要在村里、統計區、網格等不同空間層級之間轉換。舉例來說，取得信令資料當中的居住人口後，想以里為單位，和各里的戶籍人口比對，這時候就需要從網格轉換為里。</p><p>本文採取的轉換方式，是先取不同層級的交集（intersection） ，譬如取里和網格的交集，接著依照交集面積佔原始面積的比例，將原始人口分配到交集區域人口，公式如下：交集區域人口 = 原始人口*(交集面積/原始面積)。</p><p>這個方法背後的假設是<strong>人口均勻分散在於原本的區域</strong>之中，但常理下人口從來不是均勻分散，因此若原本的區域越大，假設越容易失準，計算得到的交集區域人口也會失準，所以，原始區域資料顆粒度越小越好。</p><p>利用上述方法，就能夠在不同的空間層級中轉換數據。以信令資料的例子來說，我先取了信令網格和里的交集，接著計算交集面積的推估人口，再依照里為單位聚集（aggregate）資料，由此一來，便能夠將網格的信令人口轉換成里的信令人口了。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NMgkl79XCjbLiYRc7OC0bQ.png" /><figcaption>簡單的空間層級轉換例子</figcaption></figure><h3>原始資料比對</h3><h4>人口比對</h4><p>實際比對北市府的村里人口和內政部的村里人口，時間都挑選 109 年 12 月，兩者數字完全相同，並且村里的數目都是 456 個。</p><p>另外比對北市府的村里人口和內政部的統計區人口，兩者的數字差異僅有 0.03%。因此若單純要計算人口分布，挑選北市府或內政部的資料，問題不大。</p><h4>圖資比對</h4><p>實際比對分別北市府的村里界圖和內政部提供的台北市村里圖資，兩者也都能夠完全串接，村里的數目都是 456 個。</p><p>接著比對分別讀入北市府的村里界圖和內政部提供的台北市統計單元圖資，再來將後者依照村里聚集，計算結果後發現，後者的村里數目只有 449 個，少了 7 個里，因此再串接市府資料後比對缺值，差異列表如下：</p><pre>## # A tibble: 7 x 3<br>##           編號 行政區 里    <br>## 1 63000080040 文山區 政大里<br>## 2 63000080041 文山區 樟文里<br>## 3 63000080042 文山區 興邦里<br>## 4 63000080043 文山區 樟樹里<br>## 5 63000090020 南港區 重陽里<br>## 6 63000100039 內湖區 寶湖里<br>## 7 63000100040 內湖區 南湖里</pre><p>利用地圖畫出市政府的村里界圖和內政部的村里界圖，便可以看到消失的七個里來自何處。雖然兩者都是 109 年 12 月的資料，但內政部資料並沒有更新到最新的村里界範圍，仍維持在村里界圖重劃前的疆域。下方整理了改制前（等號左邊）與改制後（等號右邊）的情況，也用地圖呈現行政區域劃分的情形。</p><ul><li>樟腳里 = 樟腳里 + 樟樹里</li><li>樟新里 = 樟新里 + 樟文里</li><li>興豐里 = 興豐里 + 興邦里</li><li>萬興里 = 萬興里 + 政大里</li><li>湖興里 = 湖興里 + 寶湖里</li><li>葫洲里 = 葫洲里 + 南湖里</li><li>東新里 = 東新里 + 重陽里</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tCJVCu5phop00stnUcWMTg.png" /><figcaption>文山區里界差異 — A</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UijtosXskk5rxocihufqWA.png" /><figcaption>文山區里界差異 — B</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7vArb5QxNTHMP610Ssh4cg.png" /><figcaption>南港區里界差異</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BiyfpInxO0AIvlpEvUYAQw.png" /><figcaption>內湖區里界差異</figcaption></figure><p>沒有更新里界劃分，各自計算人口影響不大，但在分析和轉換上會有負面影響。因為內政部缺上述七個里的資料，若以市府資料為基底，串接後會短少約 45,000 人；若以內政部資料為基底，排除上述七個里，發現串接後內政部資料較市政府資料多了 50,000 人，這個差異便是來自重劃改制的七個里，取用資料時請務必留意。</p><h3>人口分布視覺化</h3><p>最後將結果打包為一個簡單的<a href="https://dennistseng.shinyapps.io/taipeiapp/"><strong>互動圖表</strong></a>，使用者可以自行按照需求選擇<strong>空間層級</strong>與<strong>空間指標</strong>，前者包括村里、統計單元、網格，後者則包括戶籍人口密度與信令居住人口密度。下篇文章會接續著分析人口分布型態，還有比較信令資料與戶籍資料的差異，並將大眾運輸資料納入考量。</p><p>底下就以一張台北市村里的戶籍人口密度做結！</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ki0dIzoQCHUJi5FVlfMlwA.png" /></figure><h3>小結</h3><p>本文以台北市為例，簡介了不同格式的空間資料，並實際比較北市府和內政部所提供的人口統計資料與圖資，以及空間尺度變換的實際作法，最後以面量圖視覺化呈現台北市戶籍人口資料。</p><p>最後感謝 TUIC 諸位夥伴提供的建議，以及 DD 幾位朋友不時分享好看的圖表並帶來溫暖，還有帶領我入門空間分析的溫教授和承軒助教。</p><p>本文有接續文章<a href="https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E5%B8%82%E4%BA%BA%E5%8F%A3%E5%88%86%E5%B8%83%E5%9C%B0%E5%9C%96%E6%88%B6%E7%B1%8D%E8%88%87%E4%BF%A1%E4%BB%A4%E4%BA%BA%E5%8F%A3%E6%AF%94%E8%BC%83-4eff04c69cf2">「台北人口分布地圖：戶籍與信令人口比較。從台北市人口地圖看戶籍與信令人口差異」</a>，歡迎閱讀！</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7278e319c5fe" width="1" height="1" alt=""><hr><p><a href="https://medium.com/ivc-invisiblecities/%E5%8F%B0%E5%8C%97%E4%BA%BA%E5%8F%A3%E5%88%86%E5%B8%83%E5%9C%B0%E5%9C%96%E7%A9%BA%E9%96%93%E8%B3%87%E6%96%99%E7%9A%84%E5%B0%BA%E5%BA%A6%E8%AE%8A%E6%8F%9B-7278e319c5fe">台北人口分布地圖：空間資料的尺度變換</a> was originally published in <a href="https://medium.com/ivc-invisiblecities">IVC-InVisibleCities</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Is your city senior friendly enough?]]></title>
            <link>https://medium.com/ivc-invisiblecities/is-your-city-senior-friendly-enough-e353fc9196d2?source=rss----98ea23eb99f3---4</link>
            <guid isPermaLink="false">https://medium.com/p/e353fc9196d2</guid>
            <category><![CDATA[elderly]]></category>
            <category><![CDATA[case]]></category>
            <category><![CDATA[aging-in-place]]></category>
            <dc:creator><![CDATA[InVisibleCities]]></dc:creator>
            <pubDate>Fri, 25 Sep 2020 06:05:37 GMT</pubDate>
            <atom:updated>2020-09-25T06:11:03.096Z</atom:updated>
            <content:encoded><![CDATA[<p>Most of the cities in Taiwan are faced with an aging population problem and sought a better resource allocation strategy to optimize its local medical/ healthcare resources for its aging citizens.</p><p>Taking the example of Taichung city, the youngest city in Taiwan, we visualized the aging population in the metro area and the services coverage of existing elderly care centers. The study revealed the poorly planned distribution of elderly amenities, as well as the insufficiency of the number of beds provided in each elderly center.</p><p>The work served as a common ground for public sectors and stakeholders to better understand the status quo and a framework to evaluate future investment for healthcare resource to support ‘aging in place’ policies.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/904/1*_QmMxruxpjy0W96WK0KyeQ.png" /></figure><p>台灣已進入高齡社會，政府長照2.0政策準備將醫療及社會福利資源整合，將各級照護據點、社區中心相互結合，讓各據點間能相互支援並落實「在地安老 (Aging in Place) 」的理念。本文以地理空間的角度檢視現有服務設施的分布現況，並設想可能提升城市高齡友善度的方式。</p><h3><strong>高齡議題之於城市 Aging city affects urban development</strong></h3><p>隨著醫療進步、少子化，高齡化社會已是許多城市面臨的問題。台灣整體也在近年邁入高齡化社會。從城市發展的角度而言，高齡與少子化會造成人口成長數量的停滯，使得過去建立在「人口正成長」下的發展邏輯產生改變。</p><p>對城市發展的影響主要有二項：</p><ol><li>城市發展從「開發導向」的腹地與基礎設施擴張，轉向「更新導向」的既有空間活化；第二，現有的城市機能，將因人口結構改變而需有所調整甚至轉移。</li><li>究竟城市資源應當如何布署才能有效發揮，並且能適應人口改變下的新興需求？而基於就近提供照護的原則，我們如何才能落實「在地安老 (Aging in Place) 」的人本理念呢？以下我們以台中市為例做討論。</li></ol><h3>高齡人口集中在市中心 Aging population concentrates at the city center</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bNplmWSR0DdusnOo-T-jPw.gif" /><figcaption>Population density of Taichung city</figcaption></figure><p>首先我們需要瞭解，「高齡年長者都居住在哪裡？」</p><p>上圖中，顏色越深的區塊，代表人數越多。可看出，幼童人口(0~14 歲)與青壯年人口(15~64歲)明顯分布在市區外圍。而台中市高齡人口(65歲以上)則均勻散布在市中心區。</p><p>高齡人口大多居住在市中心這個情形，與許多城市類似，也就是說發展歷史較久的市中心區，通常會有較高齡的人口結構。</p><h3>高齡養護機後分布不均 Maldistribution of elderly care facilities</h3><blockquote>Among elderlies, 12.7% are care-dependent, and are in need for accessible daycare facilities.</blockquote><p>依據台灣 2010 年的戶口普查資料， 65 歲以上人口失能比率約為 12.7%，也就是65歲以上人口，超過一成為失能者，無法獨立自主生活。養護機構作為高齡失能者的長照據點，因此，檢討養護機構便是檢視城市高齡友善程度的重要指標之一。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/904/1*_SVzQfJ2923UU0M74bOljg.png" /><figcaption>Elderly care centers. (credit: Guannenn elderly care centers)</figcaption></figure><p>目前養護機構數量不足與醫療照護人力短缺，已經是社會明顯感受到的問題。除了「量」的不足，其實「分配」也有不均勻的狀況。</p><p>另外，養護機構的服務對象，不見得是附近居民，這與政府的長照政策「在地安老」的目標上還有段距離。</p><p>台中市的情形是如何呢？以下我們利用空間區位來檢視台中市中心的養護機構分布情形。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*195RrFu_s-9QpoLX9elf9A.gif" /><figcaption>Elderly care facilities and elderlies population</figcaption></figure><p>上圖的底圖是台中市高齡人口的分布，顏色越深的區塊，代表人數越多；而養護機構則以紅色三角形表示。可看出現況機構的分布不均，如西區南側、北屯區、西屯區等，缺乏鄰近養護機構。</p><p>接著，我們畫出每間養護機構方圓一公里的涵蓋範圍，計算養護機構「就近服務」的高齡人口數量。三角形越大，代表樣護機構周邊的高齡人口數量越多，如下圖。從中能看出，不同養護機構能「就近服務」的高齡人口數量差異很大。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xV6dYg2u-biwZNoHgoWhcg.png" /><figcaption>Elderly care facilities and care-dependent elderlies population</figcaption></figure><p>上面雖然估算出照護機構可能涵蓋的高齡人口數量，但是，每個照護機構，實際上能負擔的人數有限。</p><h3>養護機構的供給遠不及需求 The supply of facilities is not adequate to the demand</h3><blockquote>In average, each elderly care center are surrounded by 390 care-dependent elderlies, yet only provides 62 number of beds. There are huge gaps between what’s needed versus what’s provided.</blockquote><p>前一段提到，台灣 65 歲以上高齡人口失能比率是 12.7%。我們利用這個比例，推算照護機構的床位，並與周圍失能人口做比較。</p><p>結果如下圖，從中可看出大部份機構床位數，都遠低於附近的失能人口數，也就代表能夠就近照護的供給量，遠遠不及需求量。而少部分床位多於失能人口的機構，應更積極承擔更大區域的照護功能。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4TZwLnMRDW76_oXAMtN_Ow.png" /><figcaption>Number of beds provided and nearby care-dependent elderlies</figcaption></figure><p>另外，從上圖的數字來看，平均每間機構服務範圍內的失能者，約有 390 人，然而，平均床位卻僅有 62 個，平均約有 328 人的落差。這樣的落差，則都必須仰賴居家照護，因此可見居家照護仍佔大比例。這部分或許需要靠提高居家照護的可負擔性與配套措施，或增設機構與床位才能有效解決。</p><h3>養護機構與醫療資源的連結 The connection between facilities and medical resources is the concern</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*T3BtAvsxt0UF9Rm_A4csHw.gif" /><figcaption>Elderly care facilities and hospitals network</figcaption></figure><p>養護機構能提供高齡者一般性的醫療照護，但緊急或進階的醫療設施仍需仰賴醫院支持。</p><p>雖然大多數的養護機構已有相關配合的醫院，但就區位上而言，理想情形應是將有需要的病患送至最近的醫院。</p><p>為此，我們將養護機構距離最近的大型醫院標示出來，進一步以 Google Map API 計算每個機構到最近醫院的最快路徑，以此檢討交通輸送的效益，結果如下圖。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_GWlHelZ8LdeOAUZH4bifQ.png" /><figcaption>Estimated time of arrival from elderly care facilities to hospitals</figcaption></figure><p>整體而言，以平日下午非段尖峰時為例，市區的養護機構與最近的大型醫院聯繫都可壓縮在 10 分鐘車程內，所以醫療資源的連結性尚可。</p><h3>健康高齡者的現有活動場域受限 Current to-go places for healthy elderlies are limited</h3><p>針對高齡者中另外87.3%的健康與亞健康人口，更重要的可能是日常生活的去處。</p><p>除了家庭之外，年長者也需要社交活動、休閒運動、甚至學習進修。各鄰里的社區活動中心，就扮演了舉足輕重的角色。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/440/1*q-s8HOB8s7AOVAHyCq191Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/432/1*OedbR0tLDQqrHbue7frQlQ.png" /></figure><p>社區活動中心的設置，應力求步行可達或公共交通便捷的地點。下圖是各社區活動中心的位置與公車路線疊圖。圖中社區中心的圖標越大，表示在250m服務半徑內覆蓋的高齡人口越多；公車路線則是越多線路重疊，顏色越深。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rcnzUfUTY4ifEyt5Aknb8w.png" /><figcaption>Community center and bus route</figcaption></figure><p>從上圖可以看出：</p><ol><li>現有社區活動中心也有分布不均的現象，其中西區特別明顯缺乏活動中心；</li><li>若要彌補西區社區中心不足的問題，除增設社區中心之外，也可以透過加強南北向的公車班次，讓有需要的居民更容易前往附近的社區中心。</li><li>政府或地方資源可優先投注在服務人口較多的活動中心，以便獲得較大的邊際效益。</li></ol><p>然而除了增設活動中心之、改善公共交通可達性外，還有什麼解決方式呢？</p><h3>高齡友善場所的拓展 Leveraging existing places to develop senior-friendly network</h3><blockquote>For the rest 87.3% elderlies, building a more accessible go-to places and activities is more essential.</blockquote><p>高齡者的活動，不只局限在社區活動中心。</p><p>因應少子化現象，台灣各地已著手鼓勵校園空間釋放與再利用[3]，這些校園空間可以結合如長青學苑、社區教室、共餐空間等功能，進一步滿足高齡設施不足的問題。此外，社區型公園，甚至街頭巷尾的廟埕空間，都可以更加強高齡友善的硬體服務配套，成為社區高齡據點，讓高齡者在城市中有更多選擇，也更全面的兼顧到不同的人群需求。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yT2h6DjlU2wQ7fWghIoUWg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*e3Pp9l4JhdrnEx0XJ89vVQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*H9hs8jpWsjjdwTU893Yd6A.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GHmBNznZd6lmmzPxZ8wXXQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*eauC_k3gM8u2yt_-KeupsA.gif" /><figcaption>Senior-friendly place network</figcaption></figure><p>上圖是將學校、公園、廟宇也納入高齡生活據點的示意。可看出，將高齡友善所拓展至更多空間時，覆蓋性明顯提升且較為均衡。</p><p>圖中的線段代表兩點之間距離小於500米，代表容易到達，有機會做功能上的互補，形成在地社區的高齡友善網絡。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LMndKtJpxoSPrC6nu5ZX4w.png" /><figcaption>Connected senior friendly network</figcaption></figure><h3>小結：以城市體系的角度思考高齡友善對策 Conclusion: Re-examine senior-friendly policy through the lens of urban system</h3><p>台灣的「長期照護2.0」政策中，一項重要的任務即是建立「社區整體照顧模式，布建綿密照顧網」，並對設施站點進行分級。不同的站點有不同的職能與角色，相互輔助，以完善社區整體照顧模式。</p><p>然而，若缺乏通盤的檢討依據，是否容易出現大者恆大、資源分配落差加劇的隱憂？</p><p>而要能實現空間上「在地安老」的關鍵，在於地方型設施落點與品質是否符合周邊高齡人口的需求。當社福資源有限，如何科學且全面的評估各個社區中心的負擔能力或潛在效益，就變得格外重要。</p><p>最後，除了就醫與養護需求，一座高齡友善的城市更應加強生活面向，讓健康的高齡人口也能在生活服務、社交活動、終生學習、社會回饋等方面得到滿足。</p><p>我們希望以上的觀點，能提供給關切高齡議題的機構與單位一些新的思考角度，讓高齡友善的作為真正融入都市系統，也融入居民生活。</p><p>備注：本文以「亞洲跨國黑客松」參賽隊伍 KOH 作品與「台中數位文化地景」IVC-InVisibleCities 社群參展作品為基礎，衍生匯整而成。</p><p><em>資料來源：</em></p><p><em>[1] 台灣內政部統計月報</em></p><p><em>[2] 台灣衛福部 &lt;長照十年計劃2.0&gt;</em></p><p><em>[3] 台灣教育部國民中小學整並後校園活化再利用</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e353fc9196d2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/ivc-invisiblecities/is-your-city-senior-friendly-enough-e353fc9196d2">Is your city senior friendly enough?</a> was originally published in <a href="https://medium.com/ivc-invisiblecities">IVC-InVisibleCities</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Passive Space Remake]]></title>
            <link>https://medium.com/ivc-invisiblecities/passive-space-remake-4faea442d78a?source=rss----98ea23eb99f3---4</link>
            <guid isPermaLink="false">https://medium.com/p/4faea442d78a</guid>
            <category><![CDATA[case]]></category>
            <category><![CDATA[revitalization]]></category>
            <dc:creator><![CDATA[InVisibleCities]]></dc:creator>
            <pubDate>Fri, 18 Sep 2020 06:17:52 GMT</pubDate>
            <atom:updated>2020-09-18T06:19:33.351Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Taipei City, the capital of Taiwan, is the convergence of capitals, opportunities, vitalities, and urban life. Like many other capital cities, Taipei’s living cost is higher than average of the nation, including the cost of owning a piece of land. Given the city’s rather long history of development, Taipei’s urban fabric has grown organically and complicated, accompanied with modern issues like aging buildings, unclear land and property ownerships, etc.</em></p><p><em>If you happened to have lived in Taipei, you might find that, on one hand, it’s luxurious and costly to own a space in the city, while on the other hand, many of its urban space were, in fact, underutilized or passively used. These seemly contradicting facts made us wonder: are the urban space in their best use? where are space that need improvement? and how might we better use them?</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bozhbiP73B-gCSljXwl0uw.gif" /></figure><h3>Mapping the “Passive Area” of downtown Taipei</h3><p>To define what makes a <strong>“passive space”</strong>, we break it down to three aspects: Inactive Area, Low Accessibility, and Negative Factors.</p><p>Inactive Area (shown in blue) indicates area that were less popular and with little human activity. Some are periodically inactive such as off-hour office districts, evening marketplaces, nighttime school campus, etc. ; some are constant inactive, such like construction sites and parking lots. On the map, the darker the blue, the more inactive the place is.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VVz-JIAFFND7RYadXW6f_w.jpeg" /><figcaption>Inactive Area</figcaption></figure><p>Low Accessibility (shown in green) means area hard to get to via public transit. Here we highlighted area outside 500 meters radius from every MRT stations and 250 meters from YouBike stations. One can easily tell from the map, some area such as Min-Sheng Community and Wan-Hua District were poor accessible from public transit. (The map didn’t considered bus routes due to calculation complexity)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*18H2sfTLde1hhZsDxEBAww.jpeg" /><figcaption>Low Accessibility</figcaption></figure><p>The third type (shown in red) is the Negative Factors, which includes noise pollution, bad hygiene condition, old buildings (over 40 years), and crime report locations. These are the factors that we think are likely to drive people away and make the neighborhood less popular.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HF369uKviiaKPAw3Q200IA.jpeg" /><figcaption>Negative Factors</figcaption></figure><p>Overlaying the three altogether, one can see the “passiveness” of downtown Taipei. The darker the areas, the more passive they are.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*R_riApSj_JYR1vPP9vJo3Q.jpeg" /><figcaption>Passiveness of downtown Taipei</figcaption></figure><p>However, a city doesn’t have to be 24 hrs active everywhere. Our cities are ‘zoned’ into different functionalities, some are designated for governments, some are for purely business, some are for residential housings, and some are mixed use, etc. The ones we need to prioritized in terms of “space revitalization”, are those that are passive, and also highly populated by residence.</p><h3>Revitalizing passive space in high density neighborhoods</h3><p>Among neighborhoods which population densities are higher than average (30,000 people/ sq. km), we chose a few identical ones for further examination. By comparing each neighborhood’s land-use percentage, demographic proportion, types of passiveness, and present condition of vacant parcels, we can suggest better alternatives to stimulate the area. And since we were using city’s demographic censor data, highly populated areas that stood out were all residential areas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bozhbiP73B-gCSljXwl0uw.gif" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sVPOyS-G2t0686kA2UjlaA.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fuRLaNItXEmiPsVZNZtSCA.jpeg" /></figure><p>For underutilized land or empty houses in such neighborhoods, community-oriented facilities could be introduced such as <strong>community workshop, shared garden, co-dining place for elderlies</strong>, or temporary facilities like <strong>public library or flee markets</strong> could be held in place.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fbMKL5FRX_mux4wtpcMlBA.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZyckzHZM5NU0Ko-HuyCMdg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Kob3FqB-aPOSnntpZTQ9Ww.jpeg" /></figure><h3>Revitalizing passive space nearby MRT stations</h3><p>As illustrated above, we used censor data to sort out the passive neighborhoods that needed to be improved. However, the static demographic data doesn’t reflect the actual dynamic flow of people during different time of the city. So far there’s no perfect way to know the exact number of people in an hourly division, but there are ways to estimate it, mass transportation data is one of them.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*hCdAI246MKZ0BFNqa3iCZw.gif" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2Mne58dF8-vmDHvM-EmxwA.jpeg" /><figcaption>Hourly net increase of MRT passenger Flow</figcaption></figure><p>Here we used MRT data — the most commonly adopted transportation tool in downtown Taipei — to discuss the alternatives for passive space around the MRT stations. By subtracting the numbers of passengers arrival with passengers departure, we got the “ hourly net increase” of population which each MRT station brought to its serving area, which we defined as 500 meter radius coverage.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Sq8PwppMt6BL2eJKeV6jdA.jpeg" /></figure><p>During morning peak hours (6–10am), when commuters surging from outer periphery of Taipei into downtown, we can see some stations brought in large amount of people into the area, some even reached a nineteen thousand increase in population (eg. Songjian-Nanjing); whereas some led to several thousand population increase during the evening peak hours (5–8pm).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*8aHmmo3-EWh2SRdOin9dmA.gif" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*CNLn-b5n8598X2ulySuFgA.gif" /></figure><p>By further examining on each station’s land-use proportion and major facilities, we could speculate the characteristics of the increased people and their purpose coming into the area. Alternatives for passive space in those areas could then be suggested accordingly. For example, during daytime, passive space nearby high-increase-population MRT stations could consider temporary programs like food vendors or markets that could potentially capture the flow of commuters; while for those populated area in the evening, we could consider more leisure or recreational program such as outdoor theater or food trucks.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RAGWRclR7MkzKCMW_RN3LQ.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-q08zUnvClIzlCibsHFdCQ.jpeg" /><figcaption>Daytime Passive &amp; Population Most Increased MRT Area</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iWBF9nH3ODzt8lks9kBRkg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*msLwphyuSUlEgsey2090fQ.jpeg" /><figcaption>Evening Passive &amp; Population Most Increased MRT Area</figcaption></figure><h3>Conclusion</h3><p>The definition and visual presentation of passive space in this project was, in a large degree, subjective. Details as different factors’ weigh and effecting radius may require more logical or academical reference. However, the main goal of the project was to showcase <strong>a new way of thinking urban space from a more sensational aspect and also backed up with quantifiable and critical facts</strong> such as population flows, demographics, and land-use. The outcome itself became more of a common language for people with various knowledge to discuss, and to develop further upon.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4faea442d78a" width="1" height="1" alt=""><hr><p><a href="https://medium.com/ivc-invisiblecities/passive-space-remake-4faea442d78a">Passive Space Remake</a> was originally published in <a href="https://medium.com/ivc-invisiblecities">IVC-InVisibleCities</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[YouBike+: Reimagine The Alternatives Of Taipei’s City Bike]]></title>
            <link>https://medium.com/ivc-invisiblecities/youbike-reimagine-the-alternatives-of-taipeis-city-bike-7867fb24d52b?source=rss----98ea23eb99f3---4</link>
            <guid isPermaLink="false">https://medium.com/p/7867fb24d52b</guid>
            <category><![CDATA[micromobility]]></category>
            <category><![CDATA[case]]></category>
            <category><![CDATA[sharing-economy]]></category>
            <dc:creator><![CDATA[InVisibleCities]]></dc:creator>
            <pubDate>Fri, 18 Sep 2020 06:15:28 GMT</pubDate>
            <atom:updated>2020-09-18T06:13:45.387Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IJT2AAaMmFLVeAxTyKA_Xw.jpeg" /></figure><p><em>YouBike is Taipei’s well-established city bike system. Many cities in the world had introduced similar city bike systems but few had achieved subsidy-free and financial sustainability. However, the emerging station-less model such as Singapore’s OBike, China’s MoBike had revolutionized the imagination of public bike. It makes us wonder if YouBike model is out of date, and how might it face the new challenge?</em></p><p><em>What if we can take advantage of the space of the fixed bike stations? What if we can offer more value at those stations? And how can the stations better respond to the city’s needs?</em></p><p><em>“YouBike+” is the project based on YouBike open data. By analyzing around 300 station data accompanied with field research, we proposed some value-adding and alternatives for current station space. The goal was to showcase the potential of using data for urban innovation and provoke a constructive public conversation.</em></p><h3>Visualizing the Overall Activeness</h3><p>By end of this research (Dec 2016), there were 292 YouBike stations in Taipei, and the number was still growing. From YouBike open data, we parsed the number of borrowed and returned bike of 3 weekdays every 5 minutes. The visualization for hourly concentration of parked bikes was shown as the below:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*5X2neIwOeiRvMI9ktKPaWA.gif" /></figure><p>The brighter area represents stations with more bikes. We can see from 8am, there’s an obvious reduce of bike amount, meaning most of the bikes started to release to the city. About 2pm is the second usage peak hour, and after 7pm, the usage of bikes starts to decline. City Hall Station is a long time hotspot, this is because the station itself was extra larger than other stations (180 bike racks).</p><h3>Improving the User Experience for Each Station?</h3><p>Limited to open data source, we could only get numbers of parked and in-use bikes without more information such as origin and destination, payment, user profile, etc. General data only leads to general facts. For better understand the bike usage, we needed to look into other factors and field study from user’s perspective.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iXucr3JEAS7GexP7PFRdxA.jpeg" /><figcaption>Overview of each YouBike station profile during weekday</figcaption></figure><p>Above is the overview of each YouBike station profile during weekday. For each diagram, the x axis represents 0:00 to 24:00; while y axis indicates the number of bikes parked at each station. Even though each station has it’s own unique pattern, they could be categorized in two types: multiple peaks and single peak.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TSbb0L5it1_xaLZkX0wD2w.jpeg" /><figcaption>Station profile</figcaption></figure><p>We made a simple assumption: single-peak type is the result of singular user type, meaning the same user who ride to elsewhere in the morning and return in the evening; while the multiple-peak type results from more than one user type. This assumption is very likely over-simplified, but base on such assumption we could at least start to dig more. We chose two identical stations for further observation, which are S.Y.S Memorial Hall Station(multiple peaks) and Jiangquo Rd. Nongan St. Intersection Station(single peak).</p><p><strong>Multiple-peak type</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*C5sOyxjnBue9La8eR2Z_MQ.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MAyZV0IO7mXQM3ysbmIUTQ.jpeg" /><figcaption>Station profile of S.Y.S Memorial Hall Station</figcaption></figure><p>As the land-use plan shown above, S.Y.S Memorial Hall Station is next to MRT station and within a commercial residential mix-use area.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pB4D_yCp4cy_rW_QcjUOiA.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/736/1*SDQ2qoz_N32Iiz_9HZBqMA.jpeg" /><figcaption>Peak hour at S.Y.S Memorial Hall Station</figcaption></figure><p>Around peak hour 8–9am, the main users are office workers who cycled from MRT to workplace. And when there’s no bike left, people would spontaneously wait aside for returning bikes, which made us wonder if there could be a designated waiting area where people could stand under the arcade, away from sunlight or rain, or even be seated while waiting?</p><p>Around 4–5pm, another main users appeared, the students. Differ from office workers, students usually come in groups. Therefore, you often see some took the bike (or sitting on their own ones) and wait for their friends thus temporary occupied the walkway space. What if we could mark a zone for temporary waiting area where it doesn’t block the way?</p><p><strong>Single-peak type</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*F0BMoRbtrmzsbbczqB9hZg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4BSgNAFOVchm8t8NPeGGrA.jpeg" /><figcaption>Station profile of Jianguo Rd. Nongan St. Intersection</figcaption></figure><p>As for the other single-peak type, Jiangquo Rd. Nongan St. Intersection Station, it is located in a residential area under an overpass, and far away from the MRT station. According to our observation, the users are mostly nearby residents who use the bike to commute between their house and MRT station.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GXQYb_HE2trBsa7BmXFx2Q.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*70NnWFIIf6yql1I8ZF_0jQ.jpeg" /><figcaption>Peak and off-peak hour at Jianguo Rd. Nongan St. Intersection</figcaption></figure><p>During peak hour 8–9am, office workers were taking breakfast and rushing to pick the bike. Around 4–6pm it was almost empty and quiet. And around 9pm after dinner time, people began to return the bikes and went home. For such a huge space in residential district, could there be a breakfast vendor during morning peak hour so the workers could simply grab and go? Or could we turn the vacant space into playground for local kids, so that during 4–6pm when they just got out of school they could play until heading back for dinner?</p><h3>Alternatives for the Empty Dock Space?</h3><p>During our field observation, we saw something inspiring: a street vender occupied several bike docks for business. Perhaps they were aware about of the number of vacancy during that particular hours and took advantage of it for business. Quite brilliant, wasn’t it? This inspired us to rethink the station from another aspect. What if we could reuse the spare space of each station? How much temporary vacant space like this are there in the city could potentially be used for other function?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qJlnN_37HWG_sB_d6BfPrQ.jpeg" /></figure><p>Firstly, we highlighted those period with vacancy that’s over two-third of total docks. And then we filtered the ones that last over 4 hours. These large portion and long period of vacancies, are highly reusable urban space that currently were of no use at all.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*isj8fnuF2O9nBsy0rv9r1g.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XNrXSa_RDm_k1fE4lvGX4g.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VWj7LrePpNQr3Uhyn2jUdw.jpeg" /></figure><p>How much value could it bring to the city? We did a very simple calculation. If we could somehow make the dock space integrated and shareable with street parking, then, at a typical car park rate, it could bring the value equivalent to NTD 42K per day [1]. If those space are leasable to street vendors, it could generate value equivalent to NTD 420K per day as rental profit [2]. Furthermore, it could potentially be opened up for community use such as pop-up garden, temporary seating, etc. Now these vacancies, from social or civic point of view, are worthless.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nGqmMgLQC33eiQ_fl7CXnQ.jpeg" /></figure><h3>Conclusion</h3><p>The pattern analysis of bike usage for all stations was one major challenge, we had difficulty finding a proper model to sort the diverse pattern, therefore couldn’t inform practical design solution. However, these might be solved if involve data scientist and domain expert. For the later part of the study, the proposal for station vacancy was rather rough and simplified, yet the point being made that there are possibilities to remake the stations, whether that was to integrate the station with other public amenities or to share the vacant space with other functionality. Hopefully this study arouse more attention to our city space, and encourage public sectors to release more data for public use.</p><p><em>[1] Estimation based on NTD 60/hour per parking space, 14 sq. meters per space.</em></p><p><em>[2] Estimation based on rental rate NTD 1000 per sq. meter per month.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7867fb24d52b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/ivc-invisiblecities/youbike-reimagine-the-alternatives-of-taipeis-city-bike-7867fb24d52b">YouBike+: Reimagine The Alternatives Of Taipei’s City Bike</a> was originally published in <a href="https://medium.com/ivc-invisiblecities">IVC-InVisibleCities</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Shareable Community: Mapping the lifestyle of the “New Locals”]]></title>
            <link>https://medium.com/ivc-invisiblecities/shareable-community-mapping-the-lifestyle-of-the-new-locals-a6b8d4708823?source=rss----98ea23eb99f3---4</link>
            <guid isPermaLink="false">https://medium.com/p/a6b8d4708823</guid>
            <category><![CDATA[case]]></category>
            <dc:creator><![CDATA[InVisibleCities]]></dc:creator>
            <pubDate>Thu, 17 Sep 2020 07:32:27 GMT</pubDate>
            <atom:updated>2020-09-19T07:30:37.093Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YfAUW85GRK5CLio8xnh9_A.jpeg" /><figcaption>A typical day journey of a young parents ‘new locals’.</figcaption></figure><p>Speaking of Shanghai, people tend to think of its exotic French concession, vibrant street life, and cultural activities. Xinhua community, is one of the kind consists all above.</p><p>Due to Xinhua’s close proximity to city center and relatively low living cost and attracts young creative working class to settle in and become the “new locals”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iz5qhxqOwCFbvlO2TWSiQA.jpeg" /><figcaption>More than half of the people live and work in the same neighborhood.</figcaption></figure><p>The project mapped the lifestyles of the “new locals” according to preferable Point of Interest (Baidu POI), cycling routes (MoBike data), living concentration (demographic &amp; house price data) to identify community reusable space and space structure.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/550/1*R1S0_dltD3WXD6wzB6WzxA.gif" /><figcaption>Neighborhood mapping using various data sources</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7JEXVRT730o20qDvjNMVZg.jpeg" /><figcaption>Mapping of the “small data” — love and hates by the local people. vs “big data” .</figcaption></figure><p>By creating shareable community hubs, better cluster linkages, and an online neighborhood platform, residents, administrators, and public sectors can work together to improve the neighborhood.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SgTlkjO8jL6bI6oFCc-7aA.jpeg" /><figcaption>To rethink the neighborhood regeneration from a bottom-up approach.</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a6b8d4708823" width="1" height="1" alt=""><hr><p><a href="https://medium.com/ivc-invisiblecities/shareable-community-mapping-the-lifestyle-of-the-new-locals-a6b8d4708823">Shareable Community: Mapping the lifestyle of the “New Locals”</a> was originally published in <a href="https://medium.com/ivc-invisiblecities">IVC-InVisibleCities</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>