台北市公共自行車於2015年重新恢復收取起始費之政策，原採取「前30分鐘自費5元、市府補助5元」。直到2024年2月底，台北市YouBike的收費方式才恢復使用前30分鐘費用由政府全額補貼，亦即使用者前30分鐘免費使用的政策。
本研究利用2024年5月（前30分鐘免費）及2023年5月（前30分鐘自費5元）的YouBike租賃資料共計約957萬筆，以使用者行為的角度切入，區分不同使用頻率及習慣，探討使用頻率由低到高的偶爾、經常、忠實使用者，並區分其是否為免費政策前後皆有使用的穩定客群，亦或是政策後的流失客群或新增客群，了解不同使用者的人數及旅次數的比例、旅行成本、時間、時段、地點等異同，最後篩選出政策前的熱門旅次，探討不同變數對政策後旅次變化的影響，並檢視免費政策對車輛週轉率及價格彈性之變化。
本研究結果顯示：(1)偶爾使用者政策前的人數為412,083人，佔總旅次的23%，旅次發生集中於假日，最容易產生長距離及同站借還旅次；政策後的人數為586,128人，佔總旅次的20%，比政策前容易產生假日及長距離旅次。(2)經常使用者政策前的人數為122,424人，佔總旅次的35%，旅次發生上，集中於平日，惟旅次集中於平日的情況沒有忠實使用者明顯；政策後的人數為190,114人，佔總旅次的33%，旅次發生集中於平日的情況比政策前更明顯。(3)忠實使用者政策前的人數為46.130人，佔總旅次的42%，旅次發生集中於平日，平日尖峰時段的旅次最多；政策後的人數為79,615人，佔總旅次的47%，比政策前容易產生平日旅次。(4)穩定客群於政策前的佔比為36%；政策後的佔比為24%，三類使用者創造的旅次數佔比，較非穩定客群更懸殊，偶爾、經常、忠實使用者的旅次佔比約為2:3:5(5)流失客群於政策前的佔比為63%，假日呈現當月使用頻率越低，假日旅次數越多。(6)新增客群佔比為76%，於平日三類使用者的旅次數差距懸殊，呈現當月使用頻率越高，平日旅次數越多；假日三類使用者的旅次數差距小於穩定客群(7)免費政策的主要影響包含，促進新增偶爾使用者的長距離使用，讓穩定客群的經常及忠實使用者於通勤時段更願意使用YouBike。
針對上述結果，本研究建議免費政策下若要吸引偶爾使用者，可於特定休閒使用比例高、長距離旅次易發生的站點（如近自行車道）試行延長免費時間。同時須搭配精準調度，如即時車輛回補機制或彈性車輛調配計畫，避免因延長免費時間導致缺車情況加劇；若要吸引經常、忠實使用者，可推動「多次使用獎勵機制」回饋常客。亦可在租借熱點使用時，進一步設計租借金回饋等誘因，鼓勵短時間內還車，提升使用效率。在免費政策後平假日的車輛週轉率差異更小，營運上除了要繼續對平日加強調度，假日為應對政策後的運量提升，應實施更有效率的調度策略。透過迴歸分析發現，影響旅次變化的因素主要包括站點是否位於捷運站附近、站點車柱數，且政策後的影響更大，顯示在免費政策下，應對位於捷運站附近站點與規模較大站點，實施更有效的調度策略。為方便第一哩路與最後一哩路之接駁，可嘗試於交通場站附近設置短程專區，專門支援短距離通勤與轉乘。

In 2015, Taipei’s public bike-sharing system reinstated its initial fare policy, adopting a model in which users paid NT$5 for the first 30 minutes while the city government subsidized the remaining NT$5. This pricing structure remained in place until the end of February 2024, when Taipei's YouBike system returned to a full government subsidy for the first 30 minutes of use—effectively offering users free rides for trips under 30 minutes.
This study analyzes approximately 9.57 million YouBike rental records from May 2024 (when the first 30 minutes were free) and May 2023 (when users paid NT$5 for the first 30 minutes). Taking a user behavior perspective, the research categorizes users by their usage frequency—occasional, regular, and loyal users—and further distinguishes between stable users who used the system both before and after the policy change, and those who either stopped using it or began using it only after the policy was implemented. The study examines differences and similarities among these user groups in terms of user count, number of trips, travel cost, duration, time of day, and location. Finally, the study identifies popular trips prior to the policy change and analyzes how various factors influenced trip volume changes afterward, as well as assessing the impact of the free-ride policy on bike turnover rates and price elasticity.
The results of this study reveal the following:
(1) Occasional users numbered 412,083 before the policy change, accounting for 23% of all trips. Their usage was concentrated on weekends and was more likely to involve long-distance or same-station return trips. After the policy change, their number increased to 586,128, accounting for 20% of all trips, with a greater tendency for weekend and long-distance trips than before.
(2) Regular users numbered 122,424 before the policy, making up 35% of all trips. Their trips primarily occurred on weekdays, though this pattern was less pronounced than among loyal users. After the policy, their number rose to 190,114, accounting for 33% of trips, with an even stronger weekday usage trend.
(3) Loyal users totaled 46,130 before the policy, contributing to 42% of trips. Their trips were highly concentrated on weekdays, especially during peak commuting hours. After the policy, their number increased to 79,615, accounting for 47% of all trips, with a higher tendency to travel on weekdays.
(4) Stable users made up 36% of users before the policy and 24% afterward. The trip volume distribution among occasional, regular, and loyal users was more imbalanced than that of non-stable users, with the trip shares roughly in a 2:3:5 ratio, respectively.
(5) Lost users accounted for 63% before the policy, and among these, users with lower monthly usage frequencies tended to take more trips on holidays.
(6) New users made up 76% after the policy. On weekdays, the difference in trip numbers among the three user types was substantial, showing that the higher the usage frequency, the more weekday trips were taken. On weekends, the differences in trip numbers among user types were smaller than those of the stable group.
(7) The main impacts of the free-ride policy included encouraging long-distance usage among newly added occasional users and increasing the willingness of stable regular and loyal users to use YouBike during commuting hours.
Based on the above findings, this study offers the following recommendations:
To attract occasional users under the free-ride policy, the government could consider extending the free usage time at specific stations where leisure usage is high and long-distance trips are more likely to occur (e.g., stations near bike paths). This should be accompanied by precise vehicle dispatch strategies, such as real-time bike replenishment mechanisms or flexible fleet allocation plans, to prevent bike shortages caused by longer free-ride periods.
To attract regular and loyal users, a frequent-use reward system could be implemented to incentivize repeat usage. Additionally, incentives such as rental fee rebates could be offered during peak rental periods to encourage users to return bikes within a short time frame, thereby improving usage efficiency.
After the implementation of the free-ride policy, the difference in bike turnover rates between weekdays and weekends has narrowed. From an operational standpoint, dispatching efforts should continue to focus on weekdays, while more efficient strategies should be adopted on weekends to accommodate increased demand due to the policy.
Regression analysis reveals that the main factors influencing changes in trip volume include whether a station is located near an MRT station and the number of docks at the station. These factors have an even greater impact after the policy change, suggesting that under a free-ride policy, more effective dispatching strategies should be implemented at stations near MRT hubs and larger stations.
To facilitate first- and last-mile connections, it is recommended to establish short-trip zones near transportation hubs, specifically designed to support short-distance commuting and transfers.

目錄
圖目錄	IV
表目錄	VI
第一章、緒論	1
1.1 研究動機	1
1.2 研究目的	2
1.3 研究範圍	3
1.4 研究流程	4
第二章、文獻回顧 	6
2.1 公共自行車費率調整與制定相關文獻	6
2.2 公共自行車使用者租賃資料之大數據分析相關文獻	8
2.2.1 以場站為基礎之相關文獻	8
2.2.2 以旅次/票資資料為基礎之相關文獻	9
2.2.3 多種資料來源的公共自行車大數據分析相關文獻	12
2.3 文獻回顧小結	13
第三章、研究方法 	15
3.1 資料處理與擴充	15
3.1.1 資料轉換與清理	15
3.2 原始資料欄位與擴充欄位	17
3.3 資料分析	19
3.4 假設檢定	23
3.5 迴歸分析	24
3.6 研究架構	25
第四章、實證分析 	26
4.1 各客群使用者基礎資訊	26
4.2 各客群使用者旅次特性	29
4.2.1 各客群使用者常見起迄對	29
4.2.2 各客群使用者平假日之使用型態差異	40
4.2.2.1 各客群使用者週天別旅次數	40
4.2.2.2 各客群使用者平假日使用差異:費率	41
4.2.2.3 各客群使用者平假日使用差異:旅行時間	45
4.2.2.4 各客群使用者平假日使用差異:旅行時段	49
4.3 公共自行車與捷運系統的合作與競爭	52
4.3.1 捷運相關旅次基礎資訊	53
4.3.2 捷運站至捷運站旅次基本資訊	59
4.3.3 各客群使用者與捷運競爭旅次常見起迄對	60
4.3.4 YouBike與捷運系統的合作與競爭小結	70
第五章、綜合討論 	73
5.1 相關文獻比較	73
5.2 起始費免除後於營運面之變化	75
5.3 起始費免除前後的起迄對變化特性	82
第六章、結論與建議 	91
6.1 研究結論	91
6.2 研究建議	93
6.3 研究貢獻	93
參考文獻 	94
附錄一 	97
附錄二 	98

 
圖目錄
圖 1.1　台北市與新北市 YouBike 站點分佈示意圖(截至 2024 年 10 月)	4
圖 1.2　研究流程圖 	5  
圖 2.1　台北市 YouBike 尖峰時段示意圖(O'Brien et al.，2014)	 9  
圖 3.1　QGIS 地理資訊系統介面圖 	 21  
圖 3.2　研究架構圖 	25  
圖 4.1　旅次資料持卡者依照使用年份分類佔比文氏圖	 26  
圖 4.2　2023 年 5 月-穩定客群(事前)前十常見起迄對	 33  
圖 4.3　2023 年 5 月-流失客群前十常見起迄對	34  
圖 4.4　2024 年 5 月-穩定客群(事後)前十常見起迄對 	38  
圖 4.5　2024 年 5 月-新增客群前十常見起迄對	 39  
圖 4.6　免費政策前後週天別日均旅次數折線圖 	41  
圖 4.7　各客群使用者平假日使用差異-費率折線圖 	43  
圖 4.8　各客群使用者平假日使用差異-旅行時間折線圖	 47  
圖 4.9　免費政策前-平假日旅行時段日均旅次數折線圖 	 50  
圖 4.10　免費政策後-平假日旅行時段日均旅次數折線圖	51 
圖 4.11　各客群使用者與捷運相關旅次圓餅圖 	53  
圖 4.12　2023 年 5 月-穩定客群（事前）之前 1,000 常見起迄對 	 55  
圖 4.13　2023 年 5 月-流失客群之前 1,000 常見起迄對	 56  
圖 4.14　2024 年 5 月-穩定客群（事後）之前 1,000 常見起迄對	 57  
圖 4.15　2024 年 5 月-新增客群之前 1,000 常見起迄對 	 58  
圖 4.16　各客群使用者捷運站起迄旅次圓餅圖 	59 
圖 4.17　2023 年 5 月-穩定客群（事前）之前十與捷運競爭起迄對 	63  
圖 4.18　2023 年 5 月-流失客群之前十與捷運競爭起迄對	 64  
圖 4.19　2024 年 5 月-穩定客群（事後）之前十與捷運競爭起迄對 	68  
圖 4.20　2024 年 5 月-新增客群之前十與捷運競爭起迄對 	69
圖 5.1　台北市 YouBike 2.0 車站數及日旅次數之迴歸線 	79


 
表目錄
表 1.1　台北市 YouBike 車站數、車輛數、旅次數及漲幅	3  
表 3.1　各清理步驟結束後剩餘旅次數	17  
表 3.2　台北市 YouBike 原始資料欄位列表	 18  
表 3.3　台北市 YouBike 擴充資料欄位列表	 18  
表 3.4　重新定義公共自行車使用者 	 19  
表 3.5　不同興趣點之篩選關鍵字	 22  
表 4.1　旅次資料與持卡人數基本資訊 	 26  
表 4.2　持卡人特性-穩定客群	27 
表 4.3　持卡人數變化-穩定客群	 27  
表 4.4　持卡人特性-非穩定客群 	 28  
表 4.5　各客群持卡者人數列表	 28  
表 4.6　2023 年 5 月-穩定客群(事前)之前十常見起迄對	 31 
表 4.7　2023 年 5 月-流失客群之前十常見起迄對	32  
表 4.8　2024 年 5 月-穩定客群(事後)之前十常見起迄對	36  
表 4.9　2024 年 5 月-新增客群之前十常見起迄對	 37  
表 4.10　2023 年 5 月-穩定客群（事前）平假日費率統計量 	 44  
表 4.11　2023 年 5 月-流失客群平假日費率統計量 	 44  
表 4.12　2024 年 5 月-穩定客群（事後）平假日費率統計量	 45  
表 4.13　2024 年 5 月-新增客群平假日費率統計量	 45  
表 4.14　2023 年 5 月-穩定客群（事前）平假日旅行時間統計量	48  
表 4.15　2023 年 5 月-流失客群平假日旅行時間統計量	 48  
表 4.16　2024 年 5 月-穩定客群（事後）平假日旅行時間統計量	 49  
表 4.17　2024 年 5 月-新增客群平假日旅行時間統計量 	 49  
表 4.18　2023 年 5 月-穩定客群（事前）之前十與捷運競爭起迄對 	 61  
表 4.19　2023 年 5 月-流失客群之前十與捷運競爭起迄對	 62  
表 4.20　2024 年 5 月-穩定客群（事後）之前十與捷運競爭起迄對	 66  
表 4.21　2024 年 5 月-新增客群之前十與捷運競爭起迄對	 67  
表 4.22　穩定客群（事前）之旅次特性	 70 
表 4.23　流失客群之旅次特性	 70  
表 4.24　穩定客群（事後）之旅次特性	 71  
表 4.25　新增客群之旅次特性	 71  
表 4.26　各客群使用者之共同使用特性-捷運相關旅次	 72  
表 4.27　各客群使用者之不同使用特性-捷運相關旅次	 72  
表 5.1　免費政策前後與捷運相關旅次比例	 74  
表 5.2　免費政策前後運量增長與調整係數	 75  
表 5.3　免費政策前後週轉率比較 	 76  
表 5.4　價格彈性列表-不分當月使用頻率（不考慮系統規模之影響）	 76  
表 5.5　價格彈性列表-區分當月使用頻率（不考慮系統規模之影響） 	 77  
表 5.6　免費政策影響之旅次貢獻計算	 79  
表 5.7　價格彈性列表-不分當月使用頻率（考慮系統規模，著重免費政策）	80  
表 5.8　價格彈性列表-區分當月使用頻率（考慮系統規模，著重免費政策） 	81 
表 5.9　免費政策前之前一千旅次數於政策前後之旅次佔比	82  
表 5.10　起迄至少一站含特定興趣點之成對樣本 T 檢定結果	83
表 5.11　起迄是否至少一站含特定興趣點之獨立樣本 T 檢定結果	84
表 5.12　起迄點是否含特定興趣點與旅次變化情形之卡方檢定結果	85
表 5.13　距離、時間與旅次變化情形之單因子變異數分析結果	85
表 5.14　R^2大於0.1之迴歸方程式變數總表	86  
表 5.15　被排除之R^2小於0.1之迴歸方程式列表	86
表 5.16　2023.05 起點站旅次數迴歸模式	87
表 5.17　2023.05 迄點站旅次數迴歸模式	88 
表 5.18　2024.05 起點站旅次數迴歸模式	88
表 5.19　2024.05 迄點站旅次數迴歸模式	89
表 5.20　起點站旅次數於政策後的絕對變化	89
表 5.21　迄點站旅次數於政策後的絕對變化	90

中文參考文獻
1.	台北市政府交通局。113年度台北市公共自行車租賃系統營運績效評估期末報告。
2.	台北市政府交通局統計室（2017）。統計應用分析報告書。大數據分析台北市公共自行車使用特性。
3.	甘芳慈（2025）。YouBike站點績效評估暨費率調整下之營運優化策略。國家科學及技術委員會-大專生研究計畫。
4.	周榮昌、王培龍、林建文（2017）。捷運轉乘公共自行車之租賃租金願付價格。運輸計劃季刊，46(2)，165-189。
5.	涂仁維、張學孔、陳雅雯（2020）。公共自行車系統站點區位優化之研究。運輸學刊，32(1)，23-56。
6.	郭軒佑（2024）。利用開放資料探討公共自行車營運服務水準與績效水準-以台中市YouBike 2.0為例。淡江大學運輸管理學系運輸科學碩士班碩士論文。
7.	曾韋齊（2013）。城市公共自行車租賃系統定價研究-以臺北微笑單車為例。淡江大學運輸管理學系碩士論文。
8.	黃緯綸（2024）。公共自行車跨雙北旅次特性分析。淡江大學運輸管理學系碩士論文。
9.	楊世瑩（2019）。Excel統計分析實務市場調查與資料分析（初版）。碁峰資訊。
10.	樂宸豪（2023）。公共自行車系統服務能力與使用者體驗對照研究-以新北市 YouBike系統為例。淡江大學運輸管理學系運輸科學碩士班碩士論文。
11.	戴威（2018）。臺北市YouBike開放大數據為基礎的公共自行車旅次與租賃站特性分析。淡江大學運輸管理學系碩士論文。
12.	鍾智林、李舒媛（2018）。以悠遊卡大數據探討YouBike租賃及轉乘捷運行為。都市交通半年刊，33(1)，16-36。
13.	鍾智林、黃晏珊（2016）。開放式數據為基礎之公共自行車營運特性分析：以臺北YouBike為例。運輸學刊，28(4)，455-478。
14.	鍾智林、簡佑勳（2014）。公共自行車時空分析法之構建與營運策略改善－以台北微笑自行車為例。都市交通半年刊，29(1)，1-10。
15.	TDX主資料查詢：https://linkmotc.map8.zone/mainData/projectInde
16.	YouBike微笑單車官網：https://www.youbike.com
17.	台北市交通資料查詢系統：https://statistics.health.gov.tw/Tsp/index.html
18.	台北市政府交通局：https:///www.dot.gov.taipei
19.	風傳媒（2016a）。YouBike收費多5元趕走了哪些人？。取自：http://www.storm.mg/article/143141
20.	風傳媒（2016b）。用加收5元引導民眾騎乘YouBike通勤 北市府到底怎麼想的? 取自：
http://www.storm.mg/article/143140
英文參考文獻
1.	Borgnat, P., Abry, P., Flandrin, P., Robardet, C., Rouquier, J. B., & Fleury, E. (2011).Shared bicycles in a city: A signal processing and data analysis perspective. Advances in Complex Systems, 14(03), 415-438.
2.	Chung, C. L., & Huang, C. L. (2023). Impacts Of Imposing A Start Fee On The Bikesharing Program: Empirical Evidence Of Taipei YouBike. Journal of Applied Science and Engineering, 26(11), 1563-1571.
3.	El-Assi, W., Mahmoud, M. S., & Habib, K. N. (2017). Effects of built environment and weather on bike sharing demand: A station level analysis of commercial bike sharing in Toronto. Transportation, 44(3), 589–613.
4.	Erlanger, S. (2008, July 13). A New Fashion Catches On in Paris: Cheap Bicycle Rentals. The New York Times. https://www.nytimes.com/2008/07/13/world/europe/13paris.html
5.	Fishman, E., Washington, S., & Haworth, N. (2013). Bike Share: A Synthesis of the Literature. Transport Reviews, 33(2), 148–165.
6.	Kim, K. (2023). Investigation of modal integration of bike-sharing and public transit in Seoul for the holders of 365-day passes. Journal of Transport Geography,  106(16), 103518.
 
7.	Kim, M., & Cho, G.-H. (2021). Analysis on bike-share ridership for origin-destination pairs: Effects of public transit route characteristics and land-use patterns. Journal of Transport Geography, 93, 103047.
8.	O'brien, O., Cheshire, J., & Batty, M. (2014). Mining bicycle sharing data for generating insights into sustainable transport systems. Journal of Transport Geography, 34, 262-273.
9.	Radzimski, A., & Dziecielski, M. (2021). Exploring the relationship between bike-sharing and public transport in Poznan, Poland. Transportation Research Part a-Policy and Practice, 145, 189-202.
10.	The Meddin Bike-sharing World Map: http://bikesharingworldmap.com/#/all/2.5/0/51.5
11.	Vogel, P., Greiser, T., & Mattfeld, D. C. (2011). Understanding bike-sharing systems using data mining: Exploring activity patterns. Procedia-Social and Behavioral Sciences, 20, 514-523.
12.	Zhang, Y., Thomas, T., Brussel, M., & Van Maarseveen, M. (2017). Exploring the impact of built environment factors on the use of public bikes at bike stations: Case study in Zhongshan, China. Journal of transport geography, 58, 59-70.