消費是現代人最常進行的日常行為之一，在追求淨利益最大化的前提下，廠商分析消費者行為，利用行銷概念探討並創造足以滿足消費者的行銷組合，檢視何時、何地、以何方式可滿足消費者最大需求。考慮到消費者行為特性，廠商選擇在商業、服務業發展繁盛地區提供服務，不同的廠商作出相同的商業區位選擇後，同質性(homogeneous)或是異質性(Heterogeneous)的商業設施不斷地群聚在一起，而群聚形成的商業核心區或是商圈，則又再度吸引消費者到此地進行消費行為。本文認為消費者行為與消費空間結構是互依的，對廠商而言，知覺並預測消費者的行為特性，並作出區位選擇行為是重要的。廠商藉此達成其區位決策，而重複性的區位決策造成空間上的聚集現象，又成為消費者再度前往該地的吸引力，從宏觀的角度同時分析「消費者行為、廠商區位與廠商空間聚集」之間的關係，不但使消費空間結構的解釋更為合理，對照消費者行為的變遷，便更能說明消費空間形式或其分佈上的改變。 本研究試圖從一個統整的分析角度探討需求面的消費者行為與供給面的廠商兩方，利用現況調查法、問卷調查法等研究方法，以台北市三大商圈作為實證範圍，對商業設施之經營者進行調查，以充分瞭解供給面廠商對於消費者行為與廠商區位決策之間關係的實際看法，並實證「消費者行為與廠商區位決策之關係」；另針對商圈內的消費者作消費者問卷調查，以瞭解需求面消費者的屬性與行為特性情形、消費行為的偏好分析，並分析廠商空間聚集與消費者行為兩類因素的關係，作為本文實證「消費者行為與廠商空間聚集現象二者關係」的依據。依上述的實證結果建構出「消費者行為、廠商區位與廠商空間聚集」之間影響關係的架構，所獲得的成果希望可為私部門廠商區位決策亦或是公部門制訂相關商業政策的參考。

藉由建築物之改變，可以觀察都市發展轉變之過程。在一個都市經過完全開發之後，都市內部就會開始出現建築物重開發。林享博（1993）與俞國華（2010）的研究指出，建築物之重開發並非是因為建築物損壞至無法使用，而另有原因存在。本研究藉由過去之相關文獻觀察各都市建築物重開發之情形，歸納出建築物重開發可能影響因素。 本研究選取臺北市為研究範圍，使用臺北市建築管理處核發之建築物使用執照及拆除執照計算建築物之重開發程度，以里為最小空間單元，運用空間分析方法觀察臺北市建築物重開發之空間分佈模式，並運用迴歸分析方法觀察各種因素對於臺北市建築物重開發之影響。經實證研究發現，臺北市之建築重開發會受到地區之戶口數變動率、所得水準、平均屋齡、捷運站、政府主導土地開發等因素影響；戶口數變動率與政府主導之土地開發分別代表了市場力量以及政府力量，則為影響建築物重開發最主要的兩個因素。曾經發生過區段徵收或市地重劃等政府主導土地開發計畫之地區，將形成建築物重開發之高-高空間聚集，而捷運規劃這類重大交通建設則會加速此情形之發生。 / Urban development can be exemplified by means of replacement of old buildings by new ones. Once sites in a city are fully developed, the old buildings will need to be demolished for vacant sites to be supplied. It is not just the physical obsolescence that leads to teardowns of buildings, a number of other factors are also at play. In this study, we select the occupancy permits and demolition permits of buildings issued by Taipei city government to calculate net supply of floor spaces. This net supply serves as a proxy variable of building replacement in regression models. We also employ spatial analysis to measure local spatial clustering of building activities. Our empirical results show that building replacement is affected by changes in households, income level, building ages, access to metro stations and government-led land development projects. Amongst them, changes in households and government-led land development projects are two primary contributing factors. Building activities tend to cluster in areas where government-led land development projects are located, and public transport (metro lines) intensifies this tendency.

近來地理資訊系統(GIS)之資料庫受到不同領域的統計學家廣泛的研究，以期建立及分析可描述空間聚集效應及變異之模型，而描述空間相關存活資料之統計模式為公共衛生及流行病學上新興的研究議題。本文擬建立多維度半參數的貝氏階層模型，並結合空間及非空間隨機效應以描述存活資料中的空間變異。此模式將利用多變量條件自回歸(MCAR)模型以檢驗在不同地理區域中是否存有空間聚集效應。而基準風險函數之生成為分析貝氏半參數階層模型的重要步驟，本研究將利用混合Polya樹之方式生成基準風險函數。美國國家癌症研究院之「流行病監測及最終結果」(Surveillance Epidemiology and End Results, SEER)資料庫為目前美國最完整的癌症病人長期追蹤資料，包含癌症病人存活狀況、多重癌症史、居住地區及其他分析所需之個人資料。本文將自此資料庫擷取美國愛荷華州之癌症病人資料為例作實證分析，並以貝氏統計分析中常用之模型比較標準如條件預測指標(CPO)、平均對數擬邊際概似函數值(ALMPL)、離差訊息準則(DIC)分別測試其可靠度。 / The databases of Geographic Information System (GIS) have gained attention among different fields of statisticians to develop and analyze models which account for spatial clustering and variation. There is an emerging interest in modeling spatially correlated survival data in public health and epidemiologic studies. In this article, we develop Bayesian multivariate semiparametric hierarchical models to incorporate both spatially correlated and uncorrelated frailties to answer the question of spatial variation in the survival patterns, and we use multivariate conditionally autoregressive (MCAR) model to detect that whether there exists the spatial cluster across different areas. The baseline hazard function will be modeled semiparametrically using mixtures of finite Polya trees. The SEER (Surveillance Epidemiology and End Results) database from the National Cancer Institute (NCI) provides comprehensive cancer data about patient’s survival time, regional information, and others demographic information. We implement our Bayesian hierarchical spatial models on Iowa cancer data extracted from SEER database. We illustrate how to compute the conditional predictive ordinate (CPO), the average log-marginal pseudo-likelihood (ALMPL), and deviance information criterion (DIC), which are Bayesian criterions for model checking and comparison among competing models.