詹慶恩
國立政治大學公共行政學系博士候選人
《摘要》
本研究運用空間分析技術及政府公開資料，探討2021年臺灣育齡婦女總生育率的影響因素，為一初探型研究。結果顯示總生育率存在顯著的正向空間自相關，高生育率地區集中於山地與偏遠鄉鎮。迴歸分析發現，有偶率、原住民比及平均投保薪資對生育率有顯著正向影響，且空間鄰近效應顯著。研究證明空間分析及政府資料公開對低生育率政策規劃具重要價值。
關鍵字：低生育率、空間分析、空間迴歸模型、空間自相關、Moran’s 指標、LISA Map
壹、研究緣起與目的
臺灣低生育率之現象及趨勢已被視為一個需要且值得關注的議題，包括低生育率現象或趨勢的內容、成因以及其對國家社會帶來（或即將帶來）的影響與衝擊。除此之外，作為一個學術研究的討論對象，臺灣低生育率亦是少數在多個學科均受到重視，且持續有研究產出的主題。在這些學科領域當中，空間分析可以說是一個跨學科領域的研究途徑。簡單來說，空間分析就是在研究分析架構或過程中，納入空間因素作為分析的一部分，儘管空間概念在傳統上多被視為地理學之學科範圍，但隨著越來越多的學術領域對空間因素可能產生之影響的重視，空間分析已大量出現在不同的學術討論與實務應用，在生育率現象及趨勢之研究上亦不例外。
在生育率議題中納入區域概念進行分析的方式有很多，最基本的方式可能是在描述統計的架構下，比較不同地區生育率之差異。如果從描述統計進到推論統計的層面，包括以區域作為分組架構之變異數分析，以及以區域做為控制變項之迴歸分析等，均可算是廣義上空間分析的類別。儘管如此，前述分析方式雖然初步滿足了研究者對於觀察或了解不同區域之間的生育率差異，以及這些差異是否在統計上達到所謂統計水準，但對於各區域之間，特別是隨著客觀上距離遠近差異本身是否對於想要觀察的主題（在此處，就是指不同區域之生育水準）帶來影響，而非僅將區域視同分析模型中的其他類別變項處理，便是空間迴歸分析所欲回應的重要議題。
近15年來國內運用空間迴歸模型，並以生育率作為依變項進行鄉鎮區域層級分析的期刊論文並不多。首先，劉君雅等人（2009）以1980、1990及2001年的戶口普查作為主要分析資料，以臺灣358 個鄉鎮為研究範圍，同時考慮社經結構，以及空間傳播擴散因素，檢驗社經結構、族群以及鄰近效應對生育率的空間變異可能造成的影響。王德睦等人（2013）同樣結合普查資料與政府統計數據，討論臺灣的生育轉型過程中，鄉鎮別生育率的空間差異與分佈模式，並透過空間─時間迴歸模型檢視鄰近鄉鎮生育率的空間關連，釐清臺灣鄉鎮別生育率在空間上是否具有相關性或是隨機發生。綜合來說，這兩份研究無論是分析範圍、使用資料、統計方法及研究發現等差異並不大，主要是在分析過程背後的理論建構及最後帶出之研究結論上存在主要差異。本研究並非要在理論層面與這兩篇研究進行對話，而是期望在相同的分析主題（總生育率）及研究方法（空間迴歸分析）基礎上，納入近年之統計數據進行延伸分析，並結合前開研究可能受限於資料可取得性之限制，而未能納入使用之政府大型資料庫數據，作為精進分析模型以強化論述之手段，期望能夠提供學術界與實務界思考未來研究方向，以及規劃相關政策之參考。
貳、研究方法與變項說明
本研究運用空間分析技術探討2021年臺灣育齡婦女總生育率之因素，實際使用之空間分析方法包括空間分布百分比圖（Percentile Map）、Moran’s I指標、空間相關之區域指標（Local Indicators of Spatial Association）地圖（LISA Map）以及空間迴歸模型（包括空間延遲模型Spatial Lag Model以及空間誤差模型Spatial Error Model），使用之分析軟體為GeoDa 1.22。以下便針對Moran’s I指標、LISA Map以及空間迴歸模型（以及模型中使用之變項）簡要進行說明。
Moran’s I 是一種用來衡量地理或空間數據中某種現象（例如房價、疾病發生率）是否具有空間自相關性的指標（Moran, 1950）。簡言之，它可以幫助我們判斷相鄰地區之間是否有關聯，或這種現象是否隨機分布。所謂空間自相關，舉例說明，假設我們看的是房價，如果一個地區的房價高，隔壁地區的房價也高，那就表示有「正的空間自相關」。如果一個地區的房價高，但隔壁地區的房價低，這就是「負的空間自相關」。如果完全沒什麼規律，像隨機分布一樣，那就是「沒有空間自相關」。Moran’s I指標的係數值界於 -1與1之間，如果指標值接近 +1，表示區域之間存在強烈的正相關，也就是鄰近地區的數值相似；如果接近 -1，表示區域之間存在強烈的負相關，也就是鄰近地區的數值很不一樣；如果接近 0，表示相鄰區域之間沒有相關，數值的分布隨機。Moran’s I指標可以幫助我們理解地理現象是不是有某種規律，有助於城市規劃、政策設計或流行病學等分析。
LISA Map （Local Indicators of Spatial Association Map） 是一種視覺化工具，用來展示空間數據中每個地點的局部空間自相關性。它能幫助我們辨別哪些地區在統計上具有顯著的自相關性，以及這些自相關的類型。LISA 是 Moran’s I 指標的「局部版」，它檢查的是單一區域與鄰近區域的關係，而不是全部區域的整體自相關（Anselin, 1995）。
LISA Map 主要包括以下分類：High-High （高-高）表示一個地點的數值很高，且它周圍地點的數值也很高（例如富人區周圍也都是富人區）。Low-Low （低-低）表示一個地點的數值很低，且周圍地點的數值也很低（例如貧困區周圍都是貧困區）。High-Low （高-低）則是一個地點的數值很高，但周圍地點的數值很低（例如一個豪宅區被低收入區包圍）。Low-High （低-高）代表一個地點的數值很低，但周圍地點的數值很高（例如一個貧困區在富人區中間）。Non-significant （不顯著）則指特定區域與鄰近區域沒有顯著的空間自相關。
空間迴歸模型是用來分析帶有空間自相關性的數據的統計方法，其中空間延遲模型（Spatial Lag Model, SLM） 和 空間誤差模型（Spatial Error Model, SEM） 是兩種常見的模型（Anselin, 2009）。這兩個模型的主要差異在於如何解釋和處理空間自相關。空間延遲模型假設相鄰地區的現象會直接影響該地區的現象，也就是「空間相依性」存在於依變項本身，例如某地房價可能受鄰近地區房價的直接影響；空間誤差模型假設空間自相關性存在於誤差項中，也就是「空間相依性」不是依變項直接影響，而是來自模型中未考慮到的因素，例如某地房價可能受鄰近地區未觀測到的公共設施或政策影響。
有關迴歸模型當中所使用的變項，本研究參考劉君雅等人（2009）及王德睦等人（2013）的研究，選擇2021年的嬰幼兒死亡率、有偶率、高等教育比、人口密度、扶養比、女性工作比、行業別（一至三級產業）比、族群，以及家戶綜合所得總額平均數作為自變項。受惠於政府資料公開政策，前開所有資料均可於網際網路上直接取得，不需要自行向政府機關申請（僅2021年全國客家人口基礎資料調查資料原始檔需要向中研院「學術調查研究資料庫」進行線上申請，但相關數據亦可直接自網路上搜尋調查報告取得）。下表一為整理自前開兩篇期刊論文之研究主題、分析方法、使用變項（包括相應之資料來源）等資訊，並列出本研究在相同欄位上規劃進行或採用的內容。
表一 本研究與過去相關研究之資訊彙整表
| 劉君雅等人（2009） | 王德睦等人（2013） | 本研究 | ||
|---|---|---|---|---|
| 研究主題 | 透過空間迴歸模型，以臺灣 358 個鄉鎮為研究範圍，同時考慮社經結構，以及空間傳播擴散因素，檢驗社經結構、族群以及鄰近效應對生育率的空間變異可能造成的影響。 | 討論生育轉型過程中，鄉鎮別生育率的空間差異與分佈模式，並運用擴散理論（Diffusion Theory）釐清臺灣鄉鎮別生育率在空間上是否具有相關性。 | 參考過去研究的架構，分析2021年台灣育齡婦女總生育率之因素及空間鄰近效應，並與前面兩篇研究進行比較與對話。 | |
| 分析方法 | Moran’s I指標、空間迴歸模型 | Moran’s I指標、空間─時間迴歸模型 | Moran’s I指標、空間迴歸模型 | |
| 變項資料來源及變項名稱 | 臺閩地區人口統計 | 總生育率(1974-2005)、嬰幼兒死亡率 | 總生育率(1974-2001)、嬰幼兒死亡率(1974-2000)、過去一年鄰近鄉鎮總生育率 | – |
| 政府資料開放平台 | – | – | 總生育率(2021)*、鄰近鄉鎮總生育率*、嬰幼兒死亡率(2021)** | |
| 臺閩地區戶（人）口及住宅普查 | 有偶率、高等教育比、人口密度、扶養比、女性工作比、農業人口比 | 有偶率、高等教育比、人口密度、扶養比、女性工作比、行業別（一至三級產業）比 | – | |
| 內政部社會經濟資料服務平台 | – | – | 有偶率(2021)、高等教育比(2021)、人口密度(2021)、扶養比(2021)、女性工作比(2021)、行業別（一至三級產業）比(2021) | |
| 其他資料源 | 族群(2004年全國客家人口基礎資料調查) | 族群(2004年全國客家人口基礎資料調查)、受僱者平均月薪(1986-2006年工商及服務業普查) | 族群(2021)***、家戶綜合所得總額平均數(2021)**** | |
| 備註: *使用政府資料開放平台之「嬰兒出生數按性別、胎次及生母年齡分(按發生)」資料源進行計算。 **同時使用政府資料開放平台之「人口死亡數按死亡者性別、單一年齡分(按發生)」，以及社會經濟資料服務平台之「110年12月行政區五歲年齡組人口統計_鄉鎮市區」兩個資料源進行計算。 ***取自中央研究院人文社會科學研究中心調查研究專題中心「學術調查研究資料庫（Survey Research Data Archive, SRDA）」。****取自財政部財政資訊中心網站之「110年度綜合所得稅申報核定統計專冊」資料源進行整理。 | ||||
參、研究發現
一、2021年台灣總生育率之空間分布
圖一 2021年臺灣育齡婦女總生育率之空間分布百分比圖(Percentile Map)
首先，本研究運用GeoDa內建之百分比圖（Percentile Map）功能，繪製2021年台灣育齡婦女總生育率之空間分布圖。Percentile Map功能有幾項特色，第一，該功能固定將所有分析樣本（此處為鄉鎮市區）在分析變項上的高低，依據樣本比例區分為六類，分別為小於1%、1%至10%、10%至50%、50至90%、90%至99%，以及大於99%，這種分類方式可以同時關注具集中趨勢的大多數樣本，以及少數較離散的極端樣本。第二，在顏色的設定上，以中位數（50%）為分界，分別使用暖色系及冷色系進行區分，有助於研究者觀察中間值上下兩類型的樣本特性及其分布。
透過上圖一，本研究發現2021年臺灣育齡婦女總生育率大致上呈現了一些城鄉差距，也就是相較於都市地區，偏遠鄉鎮的總生育率會較高。然而該現象也並非完全依據這個原則，以臺北市為例，做為全國政經資源集中以及都市發展程度最高的區域，臺北市內所有行政區的總生育率均高於中位數，同樣的情況也發生在桃園市及臺中市的都會區域；然而在同為直轄市的新北市、臺南市及高雄市，這個現象卻並不明顯。由此可知，確實可能存在其他會影響鄉鎮市區生育率的因素，需要結合其他空間分析技術進行進一步的討論。
二、2021年台灣總生育率之空間分布
以下將持續運用Moran’s I指標及LISA Map分析，探討2021年臺灣各鄉鎮之育齡婦女總生育率是否存在空間自相關現象。
（一）Moran’s I指標
圖二 2021年臺灣育齡婦女總生育率之Moran’s I指標散佈圖及鄰近性基本資訊
有關總生育率之Moran’s I指標計算，需要先行定義鄉鎮市區之間的鄰近性。本研究參考先前的相關研究，選擇使用queen type界定（order=1），也就是所有與某單一鄉鎮有實際接壤之鄉鎮，均視為該鄉鎮之鄰近鄉鎮。透過上圖二，可以得知在臺灣的368鄉鎮當中，平均每個鄉鎮會與5.26個鄉鎮接壤，接觸最多其他鄉鎮的鄉鎮共接壤11個，最少的則是完全無接壤。透過繪製這368個鄉鎮總生育率及其鄰近鄉鎮總生育率之散佈圖，得知Moran’s I=0.436，呈正相關，經檢定該相關達統計顯著（z-value=13.005，p-value=0.001）。也就是說，2021年臺灣育齡婦女總生育率具備空間自相關現象。
（二）LISA Map
圖三 2021年臺灣育齡婦女總生育率之LISA Map
透過前段之Moran’s I指標數據，本研究已經得知總生育率在全國層級具備之空間自相關現象達統計水準，然而如果希望觀察個別鄉鎮在總生育率之空間鄰近性內容為何，個別是否亦達到統計顯著水準，需要透過LISA Map觀察。所謂LISA Map，係指Anselin （1995）提出的「空間相關之區域指標（Local Indicators of Spatial Association）」。透過上圖三，LISA Map呈現了個別鄉鎮市區與其鄰近鄉鎮市區之總生育率關係。High-High組別（自身鄉鎮與鄰近鄉鎮的生育率均高）大多仍然集中於山地鄉及偏鄉，不過可以觀察到彰化縣內有一些鄉鎮同樣具備自身與鄰近鄉鎮總生育率均高的特性。Low-Low組別（自身鄉鎮與鄰近鄉鎮的生育率均低）主要分布於北海岸、苗栗縣與台南市北部一帶。至於Low-High組別及High-Low組別則是零星分布。整體來看，與鄰近鄉鎮之總生育率達統計顯著之鄉鎮數為108個，而未達統計顯著水準的鄉鎮數共245個。儘管整體來說，臺灣2021年育齡婦女總生育率在各鄉鎮市區之間存在空間自相關，且為正向相關，但從個別鄉鎮的層次觀之，僅不到三分之一的鄉鎮市區存在達統計顯著之空間自相關現象。
（三）迴歸分析
截至目前為止的分析，無論是Moran’s I指標還是LISA Map，均只考慮育齡婦女總生育率這個單一變項，分析其在鄰近鄉鎮之間的相關性與統計水準，尚未考量其他可能同樣對總生育率有影響力之變項。
本研究接續進行多元迴歸分析，共有3個模型，模型一原則上選擇與劉君雅等人（2009）及王德睦等人（2013）研究相同之變項（不考慮空間鄰近效應），目的是期望在與前述研究相近的分析架構之下觀察2021年的總生育率現象。模型二及模型三則是納入空間鄰近效應，模型二使用空間延遲模型SLM（Spatial Lag Model），模型三使用空間誤差模型SEM（Spatial Error Model），透過比較這三個模型，本研究期待探討使用與過去研究相同之變項時，2021年之總生育率現象及影響因素是否有值得關注之處。
表二 2021年臺灣育齡婦女總生育率影響因素之多元迴歸分析
p+<0.1；p*<0.05；p**<0.01；p***<0.001；
資料來源：本研究整理
上表二是本研究2021年台灣育齡婦女總生育率影響因素之多元迴歸分析的結果。首先，在未考量空間鄰近效應的模型一中，有偶率高、一級產業比例高、原住民比例高，以及平均投保薪資高的鄉鎮，有著相對較高的總生育率。
若加入本研究主要的空間鄰近效應，包括空間延遲模型SLM（模型二）及空間誤差模型SEM（模型三）之後，顯示無論是SLM還是SEM，空間鄰近效應對總生育率均有顯著正向影響（模型二：Coef =0.364, p<0.001；模型三：Coef =0.52, p<0.001）。由於AIC（Akaike information criterion）及SC（Schwarz criterion）的數值均可以用來比較不同模型支配適度差異，數值愈小表示模型配適度愈好，相較於模型一，模型二及模型三整體的配適度均明顯提升。同時，本研究發現在納入空間鄰近效應，原先在模型中達統計顯著的一級產業比對總生育率的主效果便消失了（Coef =0.464, p>0.1），或許表示一級產業比本身具備一定程度的空間效應，仍待未來研究持續探討。至於有偶率、原住民比及平均投保薪資對總生育率之主效果，在模型二與模型三中仍然具備正向統計水準。
本研究進一步比較模型二及模型三之配適度差異。參考AIC及SC數值，可以發現使用空間誤差模型SEM的模型三在配制度上高於使用空間延遲模型SLM的模型二，表示相較於鄰近地區總生育率對個別鄉鎮之總生育率的影響力，存在於模型殘差（也就是沒有納入模型分析之所有可能影響變數）中之空間自相關的影響力更多。也就是說，仍然存在其他具備空間鄰近效應之解釋變項，但尚未被本研究發現並納入分析。
表三 本研究與過去相關研究之分析結果比較表（空格代表未顯著）
資料來源：本研究整理
本研究亦嘗試將分析結果與劉君雅等人（2009）、王德睦等人（2013）之分析結果進行比較，觀察在相同或相似的變項效果及顯著性上存在那些差異。此處本研究分別選擇劉君雅等人（2009）研究結果中的空間延遲模型Spatial Lag Model，以及王德睦等人（2013）研究中的空間-時間迴歸模型Spatial-Time Regression Model，與本研究中的空間延遲模型Spatial Lag Model進行比較。儘管空間誤差模型在不同研究當中均呈現優於空間延遲模型之配適度，但因空間誤差模型無法指出究竟是哪些因素存在影響總生育率之空間鄰近效應（畢竟這些效應藏在殘差項中），且空間延遲模型在變項效果與顯著性的表現上與空間誤差模型類似，為便於與納入鄰近鄉鎮總生育率相關變項之王德睦等人（2013）研究對話，在此處採用空間延遲模型進行比較應屬合適的作法。
根據上表，本研究歸納出幾個值得討論的面向。第一，劉君雅等人（2009）及王德睦等人（2013）的研究年度均為2001年，兩者模型之差異主要為王文多考慮了時間因素，也就是將「各鄉鎮自身在前一年度之總生育率」納入模型作為自變項，而在空間鄰近效應的變項設計上，王文亦使用具時間概念之「鄰近鄉鎮在前一年度之總生育率」，而非劉文及本研究使用之「鄰近鄉鎮在同年度之總生育率」。兩者在分析結果之差異上，劉文發現之高等教育比及人口密度對總生育率的負向效果，在控制時間因素的王文中未出現；而客家族群與外省族群對總生育率的正向效果，在王文控制時間因素後亦未達顯著，且原民族群對總生育率的效果變成正向顯著。
第二，是劉文與本研究之比較。由於兩者均採用空間延遲模型，且在變項使用上也可以對應，比較明顯的差別應是分析年度（2001年vs.2021年），或許可以將兩者的差異解釋為20年來台灣社會變遷之效應，另外就是本研究額外納入了平均薪資變項。兩者在分析結果之差異上，劉文模型中之高等教育比、人口密度的負向效果，以及扶養比的正向效果在本研究中已消失，而原先無顯著效果之有偶率，在本研究中呈現顯著正向效果。族群效果的差異則與前段劉文與王文之間的差異型態相同，劉文中客家族群與外省族群對總生育率的正向效果，在本研究中未達顯著，且原民族群對總生育率的效果變成正向顯著。
第三，則是王文與本研究之比較。由於這兩個研究的差異相對較大，不僅有分析年度的20年差異，還包括有無考量時間因素，較難於此處提出兩者差異背後的可能原因，儘管如此，依舊可以指出有偶率、扶養比、產業人數比及平均薪資這幾個變項上，兩個模型所得出之結論不同，其可能之成因包括20年的社會變遷、時間因素的考量與否，以及其他可能藏在殘差項中，尚未被研究者挖掘出來的變項影響所致。
第四，儘管這三個研究之模型存在一些差異，但仍然存在多數相同效果與顯著性之變項。包括嬰幼兒死亡率、女性工作比、（在王文及本研究中之）平均薪資，以及最重要的總生育率之空間鄰近效應。經由本階段之討論，本研究認為過去學者進行鄉鎮市區層級之空間分析時，可能受限於資料內容之多樣性及對研究主題之適切性，僅能選擇概念接近的鄉鎮層級變數作為模型的自變項，致使其解釋力與顯著水準偏低。本研究為試圖與過去相關研究進行對話，在變項的選擇上係以與過去研究相同為主要考量，然因當前政府極力推動資料公開，越來越多的鄉鎮層級資料得以及時完整取得，相信對於未來諸多類似研究的助益會非常明顯，可以預期會有更多切合學術主題與政策需要的研究或討論產出。
四、討論及政策意涵
空間分析作為一項研究及分析方法，其具備資料視覺化之特性，有助於研究者快速呈現資料在區域內的分布情形與區域之間的差異，提高知識溝通交流之效能。同時，對於政府部門來說，以地理空間為基礎的分析模式，得以有效整合不同機關單位業管之資料來源，使得有效回應跨部門政策議題成為可能。透過前述運用政府公開資料進行之台灣育齡婦女總生育率成因之空間分析，本研究歸納以下三個陳述，作為前開分析的初步貢獻，以及對現今政府相關部門推動各式資訊公開政策的回應與期許。
（一）運用空間分析技術深化資料視覺化與政策應用
相較於傳統統計分析，空間分析技術具備之主要特色及優勢之一為其對資料進行視覺化之呈現。西方俗諺有云A picture is worth a thousand words（一圖勝千言），好的圖表對於複雜社會現象的說明，比起單純的文字或數字可能更貼近資訊接收者的感知。對於政府機關而言，經過空間分析所產出之地理資訊圖表，可以直接與其政策推動範圍與地區連結，包括觀察政策所在地本身之特性，以及該區域鄰近地區的現象和彼此之間的互動等。此外，空間分析圖表亦有助於政府部門與其他部門進行對話，以地理空間為基礎呈現之各專業領域資訊，得以跳脫過去單純使用文字或數據溝通時，可能內含之專業用語或業務慣習陳述之隱性障礙，進而加強溝通效率，強化政府服務民眾效能。
（二）政府資料公開政策對於政策評估與規劃之助益
不可忽視的是，政府資料公開政策與長期規劃是推動空間分析技術發展的重要基礎。我國長年推動數位政府政策，除落實資料治理、資訊服務及於政府內部進行資訊管理外，將過去被視為政府內部資訊的業務統計資料公開讓民眾使用，不僅降低政府部門以往時常面臨學術單位或相關部門索資之額外負擔，更間接鼓勵民間單位運用政府公開資訊，自行或接受政府委託辦理各式研究計畫，針對其有興趣的業務或領域提出具學理及分析支持的論述，降低政府自行辦理研究計畫或政策分析的負擔，達致循證治國的目標。本研究執行過程當中，透過數位發展部政府資料開放平台、內政部社會經濟資料服務平台、財政部財政資訊中心網站，以及中研院學術調查研究資料庫等來源收集了所有分析之資訊，期待未來政府相關單位得以在目前資料公開政策之基礎上，鼓勵更多機關單位落實資料開放，並持續精進資料公開種類與時效，結合必要的宣導與推廣策略，讓更多相關人士得以及時接觸這些統計資訊並進行相應之分析。
（三）落實跨域資料整合分析以因應跨部門棘手問題
跨部門議題需要跨部門資料釐清及因應。少子女化衝擊作為單一政府部門無法妥善回應之棘手問題，需要結合不同領域之學術及實務專業與相關資訊，運用具整合特性之分析方法，以易於讓行政人員與民眾理解之方式，呈現問題之成因與可能後續影響。
本研究作為一個嘗試，參考過去類似研究之分析架構，結合更新年度之資料內容與種類，期望能為後續政策研擬及學術討論貢獻些許心力。如前所述，本研究所使用之資料均為政府公開資訊，相較過去的類似研究可能需要自行向資料主管機關申請，不只在效率上顯著提升，也改善了其他研究者與政府行政人員取得相同資料進行類似或延伸分析的便利性。由此可知，近年政府大力推動之資料公開政策確實有其必要性及重要性，若能妥善結合諸如空間分析技術等工具，不僅強化資料面的跨部門整合，更以資料整合為基礎，逐步朝向跨部門議題分析及因應的方向前進，相信更能有效認識及因應包括少子女化現象之成因或衝擊等議題，提升循證治理量能與政府對民眾之回應性。
參考文獻
王德睦、董宜禎、陳昭榮（2013）。臺灣生育率的空間模式與變遷：地區擴散模型之分析。臺灣社會福利學刊，11(1)，31-67。https://doi.org/10.6265/TJSW.2013.11(1)2
內政部（未註明）。110年12月行政區五歲年齡組人口統計_鄉鎮市區。社會經濟資料服務平台。2024年12月31日，取自https://segis.moi.gov.tw/STATCloud/reqcontroller.file?method=filedown.downloadproductfile&code=5q7OhczVNoedw8OQKfzPXQ%3d%3d&STTIME=110Y12M&STUNIT=U01TO&BOUNDARY=全國&SUB_BOUNDARY=
內政部（未註明）。110年12月行政區15歲以上人口十歲年齡組與性別與教育程度與婚姻狀況統計(108年6月起)_鄉鎮市區。社會經濟資料服務平台。2024年12月31日，取自https://segis.moi.gov.tw/STATCloud/reqcontroller.file?method=filedown.downloadproductfile&code=qQbnEALE3tQN4Rvb8bsMAw%3d%3d&STTIME=110Y12M&STUNIT=U01TO&BOUNDARY=全國&SUB_BOUNDARY=
內政部（未註明）。110年12月行政區人口指標_鄉鎮市區。社會經濟資料服務平台。2024年12月31日，取自https://segis.moi.gov.tw/STATCloud/reqcontroller.file?method=filedown.downloadproductfile&code=aLmKJreDwvxC3bjfG2HX5g%3d%3d&STTIME=110Y12M&STUNIT=U01TO&BOUNDARY=全國&SUB_BOUNDARY=
內政部（未註明）。110年行政區工業及服務業場所單位年底從業員工人數及全年薪資普查統計_鄉鎮市區。社會經濟資料服務平台。2024年12月31日，取自https://segis.moi.gov.tw/STATCloud/reqcontroller.file?method=filedown.downloadproductfile&code=YnIPTXbQ9xEnhcpSLHFfFA%3d%3d&STTIME=110Y&STUNIT=U01TO&BOUNDARY=全國&SUB_BOUNDARY=
內政部（未註明）。110年12月行政區工商家數_鄉鎮市區。社會經濟資料服務平台。2024年12月31日。https://segis.moi.gov.tw/STATCloud/reqcontroller.file?method=filedown.downloadproductfile&code=40pfvyYqN7iou%2fVQ6A683g%3d%3d&STTIME=110Y12M&STUNIT=U01TO&BOUNDARY=全國&SUB_BOUNDARY=
財政部（未註明）。110年度綜合所得稅申報核定統計專冊。財政部財政資訊中心網站。2024年12月31日。https://www.fia.gov.tw/singlehtml/43?cntId=cd43cbaa77aa442dbff39f87e611d02c
客家委員會（2022）。110年全國客家人口暨語言基礎資料調查（AM010006）【原始數據】取自中央研究院人文社會科學研究中心調查研究專題中心學術調查研究資料庫。https://doi.org/10.6141/TW-SRDA-AM010006-1
數位發展部（未註明）。嬰兒出生數按性別、胎次及生母年齡分(按發生)。政府資料開放平台。2024年12月31日。https://data.gov.tw/dataset/101882
數位發展部（未註明）。人口死亡數按死亡者性別、單一年齡分(按發生)。政府資料開放平台。2024年12月31日，取自https://data.gov.tw/dataset/146625
劉君雅、鄧志松、唐代彪（2009）。臺灣低生育率之空間分析。人口學刊，(39)，119-155。https://doi.org/10.6191/jps.2009.8
Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical analysis, 27(2), 93-115.
Anselin, L. (2009). Spatial regression. The SAGE handbook of spatial analysis, 1, 255-276.
Moran, P. A. (1950). A test for the serial independence of residuals. Biometrika, 37, 178-181.