In liao961120/railwayViz: Visualizing Urbanization through Railway Data

library(knitr)
library(svglite)
## Global options
options(max.print="75")
knitr::opts_chunk$set(
    echo = FALSE,
    message = FALSE,
    warning = FALSE,
    comment = NA,
    dev = 'svg',
    dpi = 300,
    out.width = '100%',
    fig.dim=c(8,4)
)

ori_dir <- getwd()
setwd('../../data-raw')
source('clean_explore.R')
setwd(ori_dir)
library(gridExtra)

tmp <- data %>% 
  filter(date == ymd('2016-05-25')) %>% 
  filter(num_in > 0 & num_out > 0) %>%
  filter(num_in + num_out >= 10) %>%
  arrange(desc(num_in + num_out))

top_4_big_stations <- c('台北', '桃園', '台南', '台中', '新竹', '高雄')
top_4_small_stations <- tmp$station[140:145]

使用臺鐵資料呈現都市化現象

基本假設

若城鄉差距存在，亦即，鄉村人口有移往都市的傾向，我們會期待在特殊節日（例如，春節）會出現返鄉人潮。而臺鐵提供的每日進出站人數，讓我們能夠呈現這種返鄉的現象 — 例如，我們可以比較某車站平日與除夕的「(出站 - 進站) 人數」，若該站在春節期間 (相對於平日) (出站 - 進站) 人數多出許多 (亦即在春節期間人口大量移入)，我們會預期該地屬於人口外流的地區 (鄉村)，反之就會是都市地區。

挑戰：假設是否成立？

預期車站進出人數能看出城鄉差距，是假設特殊節日(春節)進出站人數反映返鄉乘客，但其也有可能是反映觀光人潮的移動。

假設初探：春節期間真的看的出城鄉差距嗎？

我們使用臺鐵每日各站點進出站人數，從中取了 2010, 2012, 2014 這 3 年一至三月，12 個車站每日的進出站人數的資料繪製成下面幾張圖。以下是這些圖的元素說明：

• 橫軸：日期 (以天為單位)

• 縱軸：$\frac{出站人數~-~進站人數}{出站人數~+~進站人數}$

• 這個指標主要是為了 normalize 大小站的進出人數區別。指標的數值越大 (正)，代表當日較多人進站，也就是該站當天為人口移入的地區；反之，若指標越小 (負)，代表該站當天為人口移出的地區。

• 因為這個指標的特性，通常小站 (進出站總人數較低) 的振幅會很明顯。這個指標個重點主要是看值的正負或是曲線變化的趨勢 (上升、下降、尖角)。

• 兩條縱向虛線：每張圖中有兩條縱向虛線，

• 比較粗、位於右側的虛線：大年初一

• 比較細、位於左側的虛線：除夕

• 車站：每張圖會有 4 個車站，有兩個 (直觀上) 位於都市地區、另外兩個位於鄉村地區 (進出站總人數排名 100 多名的幾個車站)

一些觀察

以下面第一張圖 (2010) 為例，台北在除夕那天有很明顯的人口移出 (一個向下的尖角)，但隔日 (初一) 這個現象大幅區緩。桃園的曲線也類似台北 (雖沒這麼明顯)，在除夕當日都是人口移出最明顯的一天。而其它兩個鄉村地區的車站則呈現相反的趨勢。

換言之，在這裡似乎可以看出都市和鄉村地區的差異：都市地區在除夕那日，會出現一個指向下方的三角形；鄉村地區則會出現指向上方的三角形。

plot_lst = list()
years <- c(2010, 2012, 2014)
for (i in 1:3) {
  stations <- c(top_4_big_stations[1:2], top_4_small_stations[1:2])
  for (year in years) {
    filtered_data <- filter_sta_y(data, stations, year, months=1:3)

    #plot_lst[[i]] <- plot_daily(filtered_data, print = FALSE)
    plot_daily(filtered_data, print = TRUE)
  }

  top_4_big_stations <- top_4_big_stations[-(1:2)]
  top_4_small_stations <- top_4_small_stations[-(1:2)]
}

#for (i in 1:3) print(plot_lst[[i]])
#do.call(grid.arrange, args = plot_lst)

2010/1/1 至 2010/3/31 資料

years <- c(2010)
top_4_big_stations <- c('台北', '桃園', '台南', '台中', '新竹', '高雄')
top_4_small_stations <- tmp$station[140:145]
stations <- c(top_4_big_stations, top_4_small_stations)

DT::datatable(filter_sta_y(data, stations, years, months=1:3))

liao961120/railwayViz documentation built on June 9, 2019, 2:43 a.m.