「難道,真的回不去了嗎?」「沒錯,真的回不去了…….」
塞車是春節返鄉的遊子們不得不面對的嚴峻考驗,尤其當高速公路徹底化身為一個大停車場時,更是令人絕望到想砸車窗。
究竟塞車是怎麼發生的?
______________________________
想了解更多塞車的科學?你需要看這三篇:
「難道,真的回不去了嗎?」「沒錯,真的回不去了…….」
塞車是春節返鄉的遊子們不得不面對的嚴峻考驗,尤其當高速公路徹底化身為一個大停車場時,更是令人絕望到想砸車窗。
究竟塞車是怎麼發生的?
______________________________
想了解更多塞車的科學?你需要看這三篇:
本文由 交通部中央氣象署 委託,泛科學企劃執行。
從地震儀感應到地震的震動,到我們的手機響起國家級警報,大約需要多少時間?
臺灣從 1991 年開始大量增建地震測站;1999 年臺灣爆發了 921 大地震,當時的地震速報系統約在震後 102 秒完成地震定位;2014 年正式對公眾推播強震即時警報;到了 2020 年 4 月,隨著技術不斷革新,當時交通部中央氣象局地震測報中心(以下簡稱為地震中心)僅需 10 秒,就可以發出地震預警訊息!
然而,地震中心並未因此而自滿,而是持續擴建地震觀測網,開發新技術。近年來,地震中心執行前瞻基礎建設 2.0「都會區強震預警精進計畫」,預計讓臺灣的地震預警系統邁入下一個新紀元!
「都會區強震預警精進計畫」起源於「民生公共物聯網數據應用及產業開展計畫」,該計畫致力於跨部會、跨單位合作,由 11 個執行單位共同策畫,致力於優化我國環境與防災治理,並建置資料開放平台。
看到這裡,或許你還沒反應過來地震預警系統跟物聯網(Internet of Things,IoT)有什麼關係,嘿嘿,那可大有關係啦!
當我們將各種實體物品透過網路連結起來,建立彼此與裝置的通訊後,成為了所謂的物聯網。在我國的地震預警系統中,即是透過將地震儀的資料即時傳輸到聯網系統,並進行運算,實現了對地震活動的即時監測和預警。
地震中心在臺灣架設了 700 多個強震監測站,但能夠和地震中心即時連線的,只有其中 500 個,藉由這項計畫,地震中心將致力增加可連線的強震監測站數量,並優化原有強震監測站的聯網品質。
在地震中心的評估中,可以連線的強震監測站大約可在 113 年時,從原有的 500 個增加至 600 個,並且更新現有監測站的軟體與硬體設備,藉此提升地震預警系統的效能。
由此可知,倘若地震儀沒有了聯網的功能,我們也形同完全失去了地震預警系統的一切。
除了加強地震儀的聯網功能外,把地震儀「放到地下」,也是提升地震預警系統效能的關鍵做法。
為什麼要把地震儀放到地底下?用日常生活來比喻的話,就像是買屋子時,要選擇鬧中取靜的社區,才不會讓吵雜的環境影響自己在房間聆聽優美的音樂;看星星時,要選擇光害比較不嚴重的山區,才能看清楚一閃又一閃的美麗星空。
地表有太多、太多的環境雜訊了,因此當地震儀被安裝在地表時,想要從混亂的「噪音」之中找出關鍵的地震波,就像是在搖滾演唱會裡聽電話一樣困難,無論是電腦或研究人員,都需要花費比較多的時間,才能判讀來自地震的波形。
這些環境雜訊都是從哪裡來的?基本上,只要是你想得到的人為震動,對地震儀來說,都有可能是「噪音」!
當地震儀靠近工地或馬路時,一輛輛大卡車框啷、框啷地經過測站,是噪音;大稻埕夏日節放起絢麗的煙火,隨著煙花在天空上一個一個的炸開,也是噪音;台北捷運行經軌道的摩擦與震動,那也是噪音;有好奇的路人經過測站,推了推踢了下測站時,那也是不可忽視的噪音。
因此,井下地震儀(Borehole seismometer)的主要目的,就是盡量讓地震儀「遠離塵囂」,記錄到更清楚、雜訊更少的地震波!無論是微震、強震,還是來自遠方的地震,井下地震儀都能提供遠比地表地震儀更高品質的訊號。
地震中心於 2008 年展開建置井下地震儀觀測站的行動,根據不同測站底下的地質條件,將井下地震儀放置在深達 30~500 公尺的乾井深處。除了地震儀外,站房內也會備有資料收錄器、網路傳輸設備、不斷電設備與電池,讓測站可以儲存、傳送資料。
既然井下地震儀這麼強大,為什麼無法大規模建造測站呢?簡單來說,這一切可以歸咎於技術和成本問題。
安裝井下地震儀需要鑽井,然而鑽井的深度、難度均會提高時間、技術與金錢成本,因此,即使井下地震儀的訊號再好,若非有國家建設計畫的支援,也難以大量建置。
臺灣人口主要聚集於西半部,然而此區的震源深度較淺,再加上密集的人口與建築,容易造成相當重大的災害。
許多都會區的建築老舊且密集,當屋齡超過 50 歲時,它很有可能是在沒有耐震規範的背景下建造而成的的,若是超過 25 年左右的房屋,也有可能不符合最新的耐震規範,並未具備現今標準下足夠的耐震能力。
延伸閱讀:
在地震界有句名言「地震不會殺人,但建築物會」,因此,若建築物的結構不符合地震規範,地震發生時,在同一面積下越密集的老屋,有可能造成越多的傷亡。
因此,對於發生在都會區的直下型地震,預警時間的要求更高,需求也更迫切。
地震中心著手於人口密集之都會區開發「客製化」的強震預警系統,目標針對都會區直下型淺層地震,可以在「震後 7 秒內」發布地震警報,將地震預警盲區縮小為 25 公里。
111 年起,地震中心已先後完成大臺北地區、桃園市客製化作業模組,並開始上線測試,當前正致力於臺南市的模組,未來的目標為高雄市與臺中市。
地震預警系統僅能在地震來臨時警示民眾避難,無法主動保護民眾的生命安全,若人民沒有搭配正確的防震防災觀念,即使地震警報再快,也無法達到有效的防災效果。
因此除了不斷革新地震預警系統的技術,地震中心也積極投入於地震的宣導活動和教育管道,經營 Facebook 粉絲專頁「報地震 – 中央氣象署」、跨部會舉辦《地震島大冒險》特展、《震守家園 — 民生公共物聯網主題展》,讓民眾了解正確的避難行為與應變作為,充分發揮地震警報的效果。
此外,雖然地震中心預計於 114 年將都會區的預警費時縮減為 7 秒,研發新技術的腳步不會停止;未來,他們將應用 AI 技術,持續強化地震預警系統的效能,降低地震對臺灣人民的威脅程度,保障你我生命財產安全。
討論功能關閉中。
每到年節時期,不管返鄉或是出遊,用路人最討厭遇到的就是塞車,漫長的等待、讓人踩剎車踩到腳痛的行車速度,抑或是被汽車廢煙包圍的感覺,本是愉悅心情恐怕都大打折扣。你也是恨不得讓「塞車」這個詞消失在這世界上的人嗎?自動駕駛或許能幫你達成心願喔~感到好奇的話,那就繼續看下去吧!
試想,人類與機器人在駕駛汽車時,要維持車與車之間等速前進,誰會 hold 得最好呢?答案很明顯是……機器人!為什麼呢?關鍵就在於「人類的反應速度」,反應速度因人而異:當老(手)司機在開車時,他們能夠對於哪時候該踩剎車、油門的反應速度快,因此不會因誤判與前車之間的距離,而落下一大段「空白車距」;然而菜鳥司機就不一樣了,他們反應速度沒有老(手)司機快,所以在看到前方車輛時,因無法正確判斷哪時候踩剎車最恰當,加上基於安全意識都會先減慢避免 A 到前車為第一反應,「空白車距」自然就出現了~而後方的車輛們會因為這位菜鳥司機(老鼠屎)的行車速度減慢而開始擠成一團,造成塞車。
相反地,當機器人在行車時,因為他們的動作程序一致,因此能穩穩地維持等速行駛。這也就是為何現今車廠想推出自動駕駛車(以下簡稱「自駕車」)的原因之一。自動駕駛真有那麼神嗎?讓我們來一一剖析它吧!
延伸閱讀:連假無法逃離宿命!為什麼會塞車呢?
自動駕駛,顧名思義就是讓車子在無人為操作的情況下,將行車速度與控制車間距離等原本需要手動操控車子行進的動作轉為自動化,以減輕駕駛人的行車負擔。
自動駕駛可是也有分級制度的!國際汽車工程師協會 (Society of Automotive Engineers, SAE) 依據汽車的自動化程度分為以下級別:
時至 2020 年末,汽車業的自動駕駛即將發展至第四級,第五級則是各企業競相達成的最終目標。
參考資料:自駕車發展趨勢與關鍵技術
自駕車本身雖能達到自動辨識路口標誌及安全煞停系統,但它就像一個好的食材,需要透過精湛的廚藝及調料的輔助才能發揮它最完美的風味,而輔助自駕車的便是「車聯網」。究竟什麼是「車聯網」?自駕車與車聯網的搭配真的能解決塞車嗎?就讓台大資工系的林忠緯教授來幫大家解惑吧!
林忠緯教授小檔案:
林忠緯教授在博班時期的研究題目即是關於 Cyber-Physical System(CPS)的研究,而 CPS 簡單來說是指能夠執行物理層面上動作的電子產品,例如車子(能在路上行走)、心律調節器(能放電控制心律)都屬於 CPS。林教授在博班的研究即是關於車子的 CPS,也曾在美國通用汽車(General Motors)實習,畢業後持續拓展自己所長,進入加州矽谷的豐田汽車(Toyota InfoTechnology Center)擔任研究員。林教授熟知自駕車與車聯網的研究,自身也致力於自駕車、車聯網與資安問題的研究,並開心表示對於未來 28 年後自駕車的展望懷抱深深的期許。
林教授認為自駕車結合車聯網勢必能解決部分層面的塞車問題,也能避免酒駕、恍神、視線死角等人為意外肇事的發生比率,但在現實生活要自駕車能實際放在道路上跑,現階段仍面臨重重難關。
當我們檢視塞車問題的視野再拉遠一點,除了自駕車及車聯網以外,教授也慷慨地分享了以下管道解決塞車問題:
雖然現階段自駕車要完全解決塞車問題仍需經時間歷練,但相信透過林忠緯教授及眾多研發單位的辛勤貢獻,大家在春節期間能夠利用自駕車與車聯網享受更加順暢、迅速的行車體驗,而不再受塞車之苦的日子指日可待!新春期間,也祝大家行車平安,旅途別塞!
「 2000 年受臺大財金系合聘之邀,我開了一門『財務統計』課程。當時股市正值科技泡沫,我很好奇為什麼會有這個現象,加上受到財金系同事和學生的耳濡目染,漸漸覺得財務的『實證研究』蠻有趣,就一直研究到現在……」
研究室位於中研院統計所的迴廊深處,何淮中像個隱士般。置身股市戰線之外,以嚴謹的統計模型、歷史的股市資料,驗證股票市場的理性與不理性。
但 2017 年獲得諾貝爾經濟學獎的 Richard H. Thaler ,曾經做一個有趣的實驗,闡述另一位諾貝爾經濟學獎得主 Herbert Simon 所提的「有限理性」(bounded rationality),證明人沒有辦法完全理性。
Richard H. Thaler 在 1997 年 5 月於《金融時報》(Financial Times)刊登一則活動廣告,希望大家來報名參加 “pick a number game” ,大獎是英國航空往返倫敦與紐約/芝加哥的機票。玩法很簡單,只要玩家在 1~100 中選一個整數寫在信中、寄回主辦單位,截止後將所有收到的數字蒐集起來「取平均數、再乘以三分之二 」 ,最靠近這個數字的玩家,就是贏家。
假設 5 個人參加比賽,他們選擇 10,20, 30, 40 和 50 ,在此情況下,平均數是 30,而 30 的三分之二是 20 ,因此最初選擇 20 的玩家是勝利者。
這遊戲的隱含意義是──人們的預期心理、有限的理性。
若按照「市場是理性」假說,所有玩家應該會預期別人選擇什麼數字、並取平均數再乘以三分之二;然後又預期別人應該也會這麼做,又再取平均數再乘以三分之二……;經過這樣的循環,直到最後每個人都會選擇 1。
但無論是 1997 年《金融時報》這次、或我在各場合玩這個遊戲,都發現理性是有限的,人們一開始只會猜測別人的答案兩到三次循環,然後就選一個直覺大概沒錯的數字。
不同市場群體,會理性到什麼程度,我們可能不知道,就需要蒐集資料、根據統計來估計,這就是統計的重要性。
但其實台股的「菜籃族」常常搞不清楚股票上漲或下跌的原因,聽聞小道消息就跟風「追高殺低」,導致損失慘重。其實這背後有「動能效應」可以解釋,1993 年由 Jegadeesh and Titman 提出,指的是股票報酬率有持續性的現象,強者恆強、弱者恆弱。
投資人會有預期心理,預期心理又受到小道消息影響。由於小道消息的資訊傳遞像漣漪一層層擴散出去,因此股價在一定期間內呈現漲繼續漲、跌繼續跌,好像有個「動能」在持續推高或拉低股價。
動能投資策略,就是運用這種現象來規劃投資組合:買進贏家股票(漲繼續漲)、搭配賣出輸家股票(跌繼續跌)。
然而,2000 年之後的股票市場,這種動能效應似乎消失了。有些人認為是因為大家都知道這種賺錢方法,有些人認為是時機不對。但我們認為動能效應應該還存在,只是被一些「雜訊」給掩蓋,所以就撈出 1930 年 1 月到 2010 年 12 月的美國股市資料,和學生一起設計我們的「WL-LH 動能投資策略」做實證研究。
其實這與過往的動能投資策略差不多,差別在於,我們透過美股歷史資料分析,於投資策略中刪掉一些「雜訊」:「漲幅被高估」的贏家股票,也就是動能燃料已經燒完、會開始下跌;還有「跌幅被高估」的輸家股票,因為超跌、未來會再漲回來。這兩者分別代表投資人對於市場中好與壞的資訊,呈「過度反應」的現象。
困難的是,如何判定漲幅或跌幅是否被高估?我們從「資訊擴散」的角度出發,提出一個資產價格模型。然後藉由價格模型,設計一個價格風險指標,有效地篩選掉超漲或超跌的股票,從而驗證了市場的預期心理和動能效應,也同時說明市場的不效率性。
其中相關的統計模型算式,通常大家看了就頭痛,這裡先不贅述,有興趣的朋友請直接看看我們的論文。
從 1930 年 1 月的資料開始,我們先看過去一年的累計複利報酬、排序,買表現好的股票、賣表現壞的股票,一個月後檢視這樣的投資組合的報酬率。因為資料時序已經移動一個月,所以我們再從新的一個月回頭看過去一年的累積複利報酬、排序,再進行一次剛剛說的投資。
最後把累計複利報酬取平均值,例如下圖的 2000 – 2010 年資料所示。其中可看到, 2000 年以後的動能效應,原本大家認為已經消失了,但經由我們的 WL-LH 投資策略挖掘,失而復得,動能投資策略的獲利空間仍然存在。
我們對這個詮釋抱持懷疑,所以我們試著將 WL-LH 投資策略,套用至不同國家股市的歷史資料(1990-2014 年)驗證,發現只要去掉「雜訊」──上漲動能燃料已燒完的股票、以及超跌的股票,無論是美國、歐洲、日本、印度等 21 個國家,都能看見動能效應,比率接近九成。
換言之,因為人們投資行為的偏誤,例如貪婪追高股價、恐懼在低點持股,而導致市場的不效率性,是超越地域、族群而存在的共通現象。
但是台股比較特別,在 WL-LH 策略下,仍看不到動能效應。
在台股歷史資料(1990-2014 年)中,刪掉漲幅「被高估」的贏家股票、跌幅「被高估」的輸家股票後,並未找到動能效應。我們的推斷認為,台股投資人普遍容易過度預期,以及股票交易周轉率較高,可能是主要的原因。兩者都影響了模型預測「資訊擴散程度」的準確性。
由機率跨入統計,是很自然的。兩者都是處理「不確定性」的方法體系,密不可分。
我的研究,包括前面提到市場效率性的課題,「機率」與「統計」兼而有之。透過資料分析,可以證實股市有一定程度的不效率性,也有獲利的空間。但投資仍有風險,不會因為這些研究發現就產生過度自信,所以我老婆和我還是存定存、買共同基金。再說,她的錢我也管不了呀。
本著作由研之有物製作,原文為《行情總是在希望中毀滅? 專訪何淮中》以創用CC 姓名標示–非商業性–禁止改作 4.0 國際 授權條款釋出。
本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位