自高速公路通車後，國內的運輸型態即開始轉變，臺鐵便長期處於虧損狀態，2024年1月1日將原臺鐵局改制為國營臺灣鐵路股份有限公司(以下簡稱臺鐵)，期望效法國外鐵路公司，藉由企業化且更具彈性的經營方式來解決臺鐵局組織僵化、效率低落等問題。電腦運算的進步以及網路的普及，透過統計資料進行大數據分析在近幾年成為全世界的顯學，而隨著交通大數據的普及與分析技術的進步，資料挖掘也成為瞭解運輸行為與最佳化運輸系統的重要工具。花東地區受惠於當地自然地景及開發較晚等歷史因素，為臺灣重要的旅遊休閒區，也是臺鐵長途旅次的主要來源本研究主要，而本研究則期望探討臺鐵臺東線乘客的特徵與區隔。
  然而，搭乘臺鐵臺東線得旅客高達77%仍使用實體車票，因此，本研究旨在開發一種適用於電子車票和非電子車票資料的分群方法，以識別旅客的搭乘模式。非電子車票雖然不像電子車票那樣包含詳細資料內容，但仍可根據起站和訖站、時間、票種等數據進行分群。
  本研究識別出對臺鐵臺東線票箱收入有貢獻的八個主要乘客區隔，包含：(1)平日電子票證近郊通勤族、(2) 假日電子票證近郊休閒族、(3)平日市區通學族、(4)假日學生市區休閒族、(5)平日通勤族、(6) 平日花東玉里間商務/旅遊族、(7)平日花東端點旅遊族與(8)假日縱谷旅遊族，基於此類分群並搭配便利抽樣問卷，提出了目標客群策略地圖及公共運輸票細緻化之建議，期望提高臺鐵臺東線於各主要特徵分群之收入，以達成永續經營之目的。

     Since the freeway system opened, domestic transportation patterns have begun to shift, leading to long-term losses for the Taiwan Railways Administration (TRA). On January 1, 2024, the TRA was reorganized into the state-owned Taiwan Railways Corporation (TR), aiming to emulate foreign railway companies by adopting a more corporate and flexible management model to address the organizational rigidity and inefficiency that plagued the TRA.
     With the advancement of computing technology and the widespread use of the internet, big data analysis using statistical data has become a global trend in recent years. As transportation big data becomes more accessible and analytical techniques improve, data mining has become a crucial tool for understanding transportation behavior and optimizing transport systems. The Hualien-Taitung region, benefiting from its natural landscapes and relatively late development, is a key tourism and leisure area in Taiwan and a major source of long-distance travel for TR. This study aims to explore the characteristics and segmentation of passengers on the TR’s Taitung Line.
     However, up to 77% of passengers on the Taitung Line still use physical tickets. Therefore, this study aims to develop a clustering method suitable for both electronic and non-electronic ticket data to identify travel patterns. Although non-electronic tickets do not contain as much detailed information as electronic ones, clustering can still be performed based on data such as origin and destination, time, and ticket type.
This study identifies 8 main passenger segments that contribute to ticket revenue on the TR Taitung Line: (1)Weekday Suburban Commuters Using Electronic Tickets, (2) Holiday Inter-Township Rift Valley Using E-Tickets, (3) Weekday Urban Student Commuters, (4) Holiday Urban Leisure Student Travelers, (5) Weekday Commuters, (6) Weekday Huatung–Yuli Leisure Travelers, (7) Weekday Huatung End-to-End Travelers, (8) Holiday East Rift Valley Township Travelers.
      Based on these clusters and using convenience sampling surveys, the study proposes a strategic map of target customer groups and recommendations for refining public transportation ticketing. The goal is to increase revenue from each major passenger segment on the Taitung Line and achieve sustainable operations.

第一章 緒論	1
 第一節 研究背景與研究動機	1
 第二節 研究目的	4
 第三節 研究範圍與對象	5
 第四節 研究流程	6
第二章 文獻回顧	7
 第一節 臺鐵營運現況	7
   第一項 臺東線營運概況	7
   第二項 臺東線營運票價	9
   第三項 臺東線列車營運概況	11
 第二節 國內外通勤月票與觀光通票案例	12
   第一項 英國倫敦	12
   第二項 法國巴黎	17
   第三項 德國柏林	19
   第四項 美國紐約	22
   第五項 加拿大多倫多	24
   第六項 國內公共運輸定期票及觀光通票	26
 第三節 公共運輸電子票證資料挖掘	31
 第四節 起迄車站資料旅客分群	34
   第一項 以「一週旅次分佈特徵」進行分群	34
   第二項 以「時間及空間特徵」進行分群	37
 第五節 顧客分群方法	40
 第六節 文獻回顧小結	43
第三章 研究方法	46
 第一節 研究分析架構	46
 第二節 研究資料說明	48
 第三節 原始資料整理流程	50
 第四節 K-Means集群分析法	51
第四章 實證分析	54
 第一節 原始資料處理	54
 第二節 原始資料串連	56
 第三節 旅次特徵標記及特徵資料檔	58
 第四節 旅客基本特性說明	60
 第五節 起迄資料分群過程	62
   第一項 平日一般電子票證分群	64
   第二項 假日一般電子票證分群	66
   第三項 平日學生電子票證分群	68
   第四項 假日學生電子票證分群	70
   第五項 平日實體票證分群	72
   第六項 假日實體票證分群	74
   第七項 旅次目的及社經地位背景問卷調查	76
 第六節 起迄資料分群命名	85
   第一項 平日一般電子票證族群	86
   第二項 假日一般電子票證族群	95
   第三項 平日學生電子票證族群	104
   第四項 假日學生電子票證族群	113
   第五項 平日實體票證族群	117
   第六項 假日實體票證	130
 第七節 起迄資料分群之管理意涵	137
   第一項 目標客群策略地圖	138
   第二項 公共運輸票生活圈細緻化	139 
   第三項 交通工具與使用目的差異化定價	140
第五章 結論與建議	142
 第一節 結論	143
 第二節 建議	145
參考文獻	146

圖目錄
圖1.1 研究流程圖	6
圖2.1 臺鐵臺東線路線圖	8
圖2.2 英國倫敦公共運輸計價分區圖	14
圖2.3 法國巴黎公共運輸計價分區圖	18
圖2.4 德國柏林公共運輸計價分區圖	21
圖2.5 美國紐約地鐵路網全圖	23
圖2.6 加拿大多倫多公共運輸路網全圖	25
圖3.1 研究分析架構圖	47
圖3.2 資料清洗及串連流程簡圖	50
圖4.1 研究資料清洗流程圖	54
圖4.2 資料欄位變動說明	58
圖4.3 變數因子分析圖	63
圖4.4 平日一般電子票證分群肘點圖	64
圖4.5 假日一般電子票證分群肘點圖	66
圖4.6 平日學生電子票證分群肘點圖	68
圖4.7 假日學生電子票證分群肘點圖	70
圖4.8 平日實體票證分群肘點圖	72
圖4.9 假日實體票證分群肘點圖	74
圖4.10 平日電子票證市區通勤族搭乘時段圖	87
圖4.11 平日電子票證市區通勤族搭乘視化圖	88
圖4.12 平日電子票證近郊通勤族搭乘時段圖	89
圖4.13 平日電子票證近郊通勤族搭乘視化圖	90
圖4.14 平日電子票證縱谷旅遊族搭乘時段圖	91
圖4.15 平日電子票證縱谷旅遊族搭乘視化圖	92
圖4.16 平日電子票證樂齡旅遊族搭乘時段圖	93
圖4.17 平日電子票證樂齡旅遊族搭乘視化圖	94
圖4.18 假日電子票證市區休閒族搭乘時段圖	96
圖4.19 假日電子票證市區休閒族搭乘視化圖	97
圖4.20 假日電子票證近郊休閒族搭乘時段圖	98
圖4.21 假日電子票證近郊休閒族搭乘視化圖	99
圖4.22 假日電子票證縱谷短程旅遊族搭乘時段圖	100
圖4.23 假日電子票證縱谷短程旅遊族搭乘視化圖	101
圖4.24 假日電子票證縱谷熱區景點旅遊族搭乘時段圖	102
圖4.25 假日電子票證縱谷熱區景點旅遊族搭乘視化圖	103
圖4.26 平日市區通學族搭乘時段圖	105
圖4.27 平日市區通學族搭乘視化圖	106
圖4.28 平日近郊通學族搭乘時段圖	107
圖4.29 平日近郊通學族搭乘視化圖	108
圖4.30 平日縱谷通學族搭乘時段圖	109
圖4.31 平日縱谷通學族搭乘視化圖	110
圖4.32 平日學生旅遊族搭乘時段圖	111
圖4.33 平日學生旅遊族搭乘視化圖	112
圖4.34 假日學生市區休閒族搭乘時段圖	113
圖4.35 假日學生市區休閒族搭乘視化圖	114
圖4.36 假日學生縱谷休閒族搭乘時段圖	115
圖4.37 假日學生縱谷休閒族搭乘視化圖	116
圖4.38 平日通勤族搭乘時段圖	118
圖4.39 平日通勤族搭乘視化圖	119
圖4.40 平日短程觀光旅遊族搭乘時段圖	120
圖4.41 平日短程觀光旅遊族搭乘視化圖	121
圖4.42 平日縱谷旅遊族搭乘時段圖	122
圖4.43 平日縱谷旅遊族搭乘視化圖	123
圖4.44 平日樂齡休閒族搭乘時段圖	124
圖4.45 平日樂齡休閒族搭乘視化圖	125
圖4.46 平日花東玉里間商務旅遊族搭乘時段圖	126
圖4.47 平日花東玉里間商務/旅遊族搭乘視化圖	127
圖4.48 平日花東端點旅遊族搭乘時段圖	128
圖4.49 平日花東端點旅遊族搭乘視化圖	129
圖4.50 假日短程旅遊族搭乘時段圖	131
圖4.51 假日短程旅遊族搭乘視化圖	132
圖4.52 假日縱谷旅遊族搭乘時段圖	133
圖4.53 假日縱谷旅遊族搭乘視化圖	134
圖4.54 假日花東端點旅遊族搭乘時段圖	135
圖4.55 假日花東端點旅遊族搭乘視化圖	136

表目錄
表1-1 每人平均搭乘線別里程	2
表2-1 臺鐵現行各級列車基本費率	9
表2-2 英國倫敦公共運輸定期票1-9區成人票票價	15
表2-3 法國巴黎公共運輸定期票1-5區成人票票價	18
表2-4 國內TPASS購買規則簡表	29
表3-1 本研究借調及介接資料一覽表	49
表3-2 原始旅客起迄資料型態	49
表4-1 本研究各階段資料欄位彙整表	58
表4-2 特徵資料檔案格式	59
表4-3 平日一般電子票證分群結果統計表	65
表4-4 假日一般電子票證分群結果統計表	67
表4-5 平日學生電子票證分群結果統計表	69
表4-6 假日學生電子票證分群結果統計表	71
表4-7 平日實體票證分群結果統計表	73
表4-8 假日實體票證分群結果統計表	75
表4-9 休閒為主要旅次目的統計表	78
表4-10 以個人及家庭活動為主要旅次統計表	80
表4-11 以公商務為主要旅次目的統計表	81
表4-12 以通學為主要旅次目的統計表	82
表4-13 以通勤為主要旅次目的統計表	84
表4-14 平日電子票證市區通勤族統計表	87
表4-15 平日電子票證近郊通勤族統計表	89
表4-16 平日電子票證縱谷旅遊族統計表	91
表4-17 平日電子票證樂齡旅遊族統計表	93
表4-18 假日電子票證市區休閒族統計表	96
表4-19 假日電子票證近郊休閒族統計表	98
表4-20 假日電子票證縱谷短程旅遊族統計表	100
表4-21 假日電子票證縱谷熱區景點旅遊族統計表	102
表4-22 平日市區通學族統計表	105
表4-23 平日近郊通學族統計表	107
表4-24 平日縱谷通學族統計表	109
表4-25 平日學生旅遊族統計表	111
表4-26 假日學生市區休閒族統計表	113
表4-27 假日學生縱谷休閒族統計表	115
表4-28 平日通勤族統計表	118
表4-29 平日短程觀光旅遊族統計表	120
表4-30 平日縱谷旅遊族統計表	122
表4-31 平日樂齡休閒族統計表	124
表4-32 平日花東玉里間商務旅遊族統計表	126
表4-33 平日花東端點族統計表	128
表4-34 假日短程旅遊族統計表	131
表4-35 假日縱谷旅遊族統計表	133
表4-36 假日花東端點族統計表	135

1.	Deschaintres, E., Morency, C., & Trépanier, M. (2019). Analyzing transit user behavior with 51 weeks of smart card data. Transportation Research Record, 2673(6), 33-45.

2.	Egu, O., & Bonnel, P. (2020). Investigating day-to-day variability of transit usage on a multimonth scale with smart card data. A case study in Lyon. Travel Behaviour and Society, 19, 112-123.

3.	Goulet-Langlois, G., Koutsopoulos, H. N., Zhao, Z., & Zhao, J. (2017). Measuring regularity of individual travel patterns. IEEE Transactions on Intelligent Transportation Systems, 19(5), 1583-1592.

4.	Mahrsi, Etienne, C., Latifa, O., & Michel, V. (2017). IEEE Transactions on Intelligent Transportation Systems, 18(3), 712-728.

5.	Goulet-Langlois, G., Koutsopoulos, H. N., & Zhao, J. (2016). Inferring patterns in the multi-week activity sequences of public transport users. Transportation Research Part C: Emerging Technologies, 64, 1-16.

6.	Zhong, J., He, Z., & Tian, C. (2019). Uncovering quasi-periodicity of transit behavior based on smart card data. Journal of Transport Geography, 79.

7.	Medina, S. A. O. (2018). Inferring weekly primary activity patterns using public transport smart card data and a household travel survey. Travel Behaviour and Society, 12, 93-101.

8.	Zhou, W., Zhu, X., Li, T., Shwartz, L., & Grabarnik, G. Y. (2018). Multi-view feature selection for labeling noisy ticket data. Paper presented at the NOMS 2018- 2018 IEEE/IFIP Network Operations and Management Symposium.

9.	Faroqi, H., Mesbah, M., Kim, J., & Tavassoli, A. (2018). A model for measuring activity similarity between public transit passengers using smart card data. Travel Behaviour and Society, 13, 11-25.

10.	Faroqi, H., Mesbah, M., & Kim, J. (2020). Investigating the correlation between activity similarity and trip similarity of public transit passengers using smart card data. Transportation research procedia, 48, 2621-2637.

11.	Viallard, A., Trépanier, M., & Morency, C. (2019). Assessing the evolution of transit user behavior from smart card data. Transportation Research Record, 2673(4), 184-194.

12.	Gutiérrez, A., Domènech, A., Zaragozí, B., & Miravet, D. (2020). Profiling tourists' use of public transport through smart travel card data. Journal of Transport Geography, 88, 102820.


13.	Ngah, A. H., Jeevan, J., Salleh, N. H. M., Lee, T. T. H., & Mhd Ruslan, S. M. (2020). Willingness to pay for halal transportation cost: The moderating effect of knowledge on the theory of planned behavior. Journal of Environmental Treatment Techniques, 8(1), 13-22.

14.	Majed, A.K. (2022) Investigating Public transit Daily Travel Behavior Using Smart Card Data: A Case Study Of Konya, Natural and Applied Sciences of Middle East Technical University, Ankara, Turkey.

15.	陳穎瑋（2007），臺鐵行動商務市場區隔與消費者行為之研究，淡江大學運輸管理學研究所碩士論文，新北市。

16.	楊鎧綸（2014），運輸服務屬性之願付價格-以臺鐵為例，國立陽明交通大學運輸與物流管理學研究所碩士論文，新竹市。 

17.	蘇柄哲（2016），利用電子票証資料推估公車旅運起迄之研究，國立陽明交通大學運輸與物流管理學研究所碩士論文，新竹市。

18.	許峰銓（2018），比較分群法處理個體選擇模式中個體偏好差異之研究，淡江大學運輸管理學研究所碩士論文，新北市。

19.	洪筱茜（2019），旅客對於改善臺鐵列車安全及準點率願付價格之研究，國立嘉義大學企業管理學研究所碩士論文，嘉義市。

20.	郭銘倫（2020），大數據分析應用於交通行動服務高雄MeNGo月票之顧客分群研究，淡江大學運輸管理學研究所碩士論文，新北市。

21.	曾國煌（2022），旅客搭乘臺鐵太魯閣/普悠瑪自強號願付價格之研究 —以臺北花蓮間及臺北臺東間為例，國立海洋大學運輸科學研究所碩士論文，基隆市。

22.	陳怡蓁（2022），臺鐵座位票之旅客願付價格分析，國立陽明交通大學運輸與物流管理學研究所碩士論文，新竹市。 

23.	胡玉龍（2003），玉山國家公園塔塔加地區遊憩效益與人為干擾影響程度之研究--條件估價法之應用，國立臺灣大學地理環境資源學研究所碩士論文，臺北市。

24.	張端益（2005），編定工業區公共服務評價之研究，國立政治大學地政研究所碩士論文，臺北市。

25.	袁慧琳（2009）。公園對地價影響之研究-以羅東鎮為例，中國文化大學建築及都市計畫研究所碩士論文，臺北市。

26.	陸雲（1990），環境資源估價之研究-非市場估價方法，中央研究院經濟研究所經濟論文，第 18 卷，第 1 期，頁 93~135，臺北市。

27.	卓宗霖（2018），應用電子票證資料於偏鄉公車服務改善之策略，郭力東華大學企業管理學系碩士論文，花蓮縣。

28.	黃威陞（2016），地理資訊系統應用於公車旅次起迄點分析之研究-以臺中市為例，逢甲大學運輸科技與管理學系碩士論文，臺中市。

29.	劉軒豪（2017），公車服務品質之研究-以台中市區公車為例，逢甲大學運輸科技與管理學系碩士論文，臺中市。

30.	陳鑫智（2021），以智慧卡資料探討臺南市公車使用者使用行為，中國文化大學地學研究所地理組碩士論文，臺北市。

31.	黃臺生、陳拓字、陳怡憓、王穆衡、陳佩棻、張贊育、王銘德（2006），臺鐵費率計算公式之檢討與價格訂定策略之規劃，交通部運輸研究所，臺北市。

32.	陳其華、吳東凌、劉仲潔、陳敦基、洪鈞澤、張學孔、陳奕廷（2017），公共運輸行動服務(MaaS, Mobility as a Service)發展應用分析與策略規劃，交通部運輸研究所，臺北市。

33.	張恩輔、鍾志成、王晉元、盧宗成、林良泰、蘇昭銘（2020），多元公共運輸數據分析與科技應用之研究，交通部運輸研究所，臺北市。

34.	鄭正元、陳柏君、李德全、李思葦、黃于真、胡璿蕙（2024），東臺區域整體運輸規劃系列研究，交通部運輸研究所，臺北市。

35.	吳慧婷、何字卿（2021），揭開臺鐵隱性旅客需求之面紗，臺灣鐵路管理局，臺北市。

36.	吳迪（2009），英國鐵路旅客票價體系與特點，中國鐵路期刊 CHINESE RAILWAYS，2009/02， 頁 71-73。

37.	馬淑芳、吳昊、邱夢真（2014），國外高速鐵路運價策略及啟示，中國鐵路期刊 CHINESE RAILWAYS，2014/07，頁 12-15。 

38.	蔣雯雯（2015），高速鐵路旅客票價動態調整方法及行銷策略研究，西南交通大學碩士論文。

39.	全面提升服務品質績效報告（2023），臺灣鐵路管理局，臺北市。

40.	臺灣鐵路管理局 101-111 年統計年報（2023），擷取日期：2023 年 10 月 25日，網站：https://www.railway.gov.tw/tra-tip-web/adr/about-public-info3?searchType=2&searchSub=0&searchSub=0&searchSub=0&searchSub=0 

41.	臺灣鐵路管理局旅客運送契約（2023），擷取日期：2023年 10 月 29 日，網站：https://tip.railway.gov.tw/tra-tip-web/tip/tip00C/tipC18/view10

42.	Profitwell(2021)，Willingness to Pay:What It Really Means & How to Influence It，查詢日期 2023 年 10 月 20 日，網站：https://www.profitwell.com/recur/all/willingness-to-pay/