一、 動機:

疫情爆發後大家對於「接觸」較為敏感，金錢是日常生活中一定會與人接觸到的一環，而行動支付這個支付工具恰好能解決這個問題。因此我們想要以行動支付為主題，探討行動支付在剛開始出世時在發展上有沒有遇到困難，比如說使用比率可能會一直上不去，那疫情後對於它的發展是否有幫助或者影響，在各年齡層上的接受度又呈現什麼樣的狀態，現在的普及率又是多少。我們預期越往高年齡層走的使用率會越低，如果實際調查結果顯示也是如此的話，那高年齡層選擇不使用行動支付工具的顧慮會是什麼。

二、 資料分析:

我們蒐集資料的方式是設計一個問卷，調查大家對行動支付的看法、了解以及使用習慣等等，並從回答中找出目前的趨勢，並透過公開政府網站搜尋相關資料加以對照及佐證。以下是我們就目前調查的資料初步做的視覺化圖表。

data1 <- read.csv("data1.csv")
dim(data1) #可知有294筆資料
[1] 294   3

問卷總共有294份

1. 性別與行動支付圖表

data1.table1 <- table(data1$Sex, data1$habit)
barplot(100*prop.table(data1.table1, margin=2),
        col = brewer.pal(9,"Pastel1")[1:2],
        main='性別與使用行動支付的比較', xlab='habit', ylab='percentage',
        legend=TRUE,xlim = c(0, 3))

由於我們的資料庫中女性的數量多於男性，因此在做圖表的時候不直接使用數量來做，而是換算成百分比後再做比較，我們發現女性有使用行動支付習慣的佔比比男性來得高。

2. 年齡與行動支付圖表

data1.table2 <- table(data1$Age, data1$habit)
data_prop <- prop.table(data1.table2, margin = 2) * 100
barplot(data_prop,
        col = brewer.pal(9,"Pastel2")[1:5],
        main = '年齡與使用行動支付的比較',
        xlab = 'habit',
        ylab = 'percentage',
        legend = TRUE,
        xlim = c(0, 3))

資料中各年齡層的數量相差甚多，於是我們也把資料換算成百分比後再做比較。 各年齡層使用行動支付佔比的情況，比較下來我們發現呈現一個常態分配，年齡的兩端都是不怎麼使用，1824歲各半，到了2544歲是使用佔比最高的年齡層，45~64歲使用比率又下降了。

3. 各家行動支付工具熟悉度

#填問卷者有聽過的行動支付
data2 <- read.csv("data2.csv")
count_data2 <- nrow(data2)

data2_line <- data2[grepl("Line Pay",data2$hear),]
count_data2_line <- nrow(data2_line)
prop_line <- round((count_data2_line / count_data2) *100,2)

data2_apple <- data2[grepl("Apple Pay",data2$hear),]
count_data2_apple <- nrow(data2_apple)
prop_apple <- round((count_data2_apple / count_data2) *100,2)

data2_tw <- data2[grepl("台灣Pay",data2$hear),]
count_data2_tw <- nrow(data2_tw)
prop_tw <- round((count_data2_tw / count_data2) *100,2)

data2_jk <- data2[grepl("街口支付",data2$hear),]
count_data2_jk <- nrow(data2_jk)
prop_jk <- round((count_data2_jk / count_data2) *100,2)

data2_px <- data2[grepl("PX Pay",data2$hear),]
count_data2_px <- nrow(data2_px)
prop_px <- round((count_data2_px / count_data2) *100,2)


df <- data.frame(Names = c("Line Pay", "Apple Pay", "台灣Pay", "街口支付","PX Pay", "餘下（其他）"),
                 Prop = c(prop_line, prop_apple, prop_tw, prop_jk, prop_px, 2.38))

a <- ggplot(data = df, aes(x=Names, y=Prop , fill=Names)) +
  geom_bar(stat="identity") + 
  ggtitle("聽過各家行動支付佔樣本數之比例") +
  theme(plot.title = element_text(hjust = 0.5)) + 
  scale_fill_discrete_qualitative(palette = "Dynamic")
a

這張圖顯示在各大行動支付工具中，Line Pay是最廣為人知的一項工具，Apple Pay、台灣Pay、街口支付皆平分秋色，接者是PX Pay，其他還是有但就不是最大宗的了。

4. 各年齡層對各家行動支付工具熟悉度

#有聽過
age <- c("15-17","18-24","25-44","45-64","65up")

data_line_age1 <- data2_line[grepl("15-17",data2_line$Age),]
count_data_line_age1 <- nrow(data_line_age1)
data_line_age2 <- data2_line[grepl("18-24",data2_line$Age),]
count_data_line_age2 <- nrow(data_line_age2)
data_line_age3 <- data2_line[grepl("25-44",data2_line$Age),]
count_data_line_age3 <- nrow(data_line_age3)
data_line_age4 <- data2_line[grepl("45-64",data2_line$Age),]
count_data_line_age4 <- nrow(data_line_age4)
data_line_age5 <- data2_line[grepl("65up",data2_line$Age),]
count_data_line_age5 <- nrow(data_line_age5)
count_data_line_age <- c(count_data_line_age1,count_data_line_age2,count_data_line_age3,
                    count_data_line_age4,count_data_line_age5)

custom_colors <- c("#3B495E", "#598D91", "#B8AC8D", "#717882", "#C79393")

df1 <- data.frame(Age = age, count = count_data_line_age)

ll <- ggplot(data = df1,aes(x=Age, y=count, fill=Age)) + 
  geom_bar(stat="identity") + ggtitle("Line Pay") +
  theme(plot.title = element_text(hjust = 0.5),axis.text.x = element_text(angle = 30, size = rel(0.6)))+
  scale_fill_manual(values = custom_colors)

data_apple_age1 <- data2_apple[grepl("15-17",data2_apple$Age),]
count_data_apple_age1 <- nrow(data_apple_age1)
data_apple_age2 <- data2_apple[grepl("18-24",data2_apple$Age),]
count_data_apple_age2 <- nrow(data_apple_age2)
data_apple_age3 <- data2_apple[grepl("25-44",data2_apple$Age),]
count_data_apple_age3 <- nrow(data_apple_age3)
data_apple_age4 <- data2_apple[grepl("45-64",data2_apple$Age),]
count_data_apple_age4 <- nrow(data_apple_age4)
data_apple_age5 <- data2_apple[grepl("65up",data2_apple$Age),]
count_data_apple_age5 <- nrow(data_apple_age5)
count_data_apple_age <- c(count_data_apple_age1,count_data_apple_age2,count_data_apple_age3,
                    count_data_apple_age4,count_data_apple_age5)

df2 <- data.frame(Age = age, count = count_data_apple_age)

aa <- ggplot(data = df2,aes(x=Age, y=count, fill=Age)) + 
  geom_bar(stat="identity") + ggtitle("Apple Pay") +
  theme(plot.title = element_text(hjust = 0.5),axis.text.x = element_text(angle = 30, size = rel(0.6)))+
  scale_fill_manual(values = custom_colors)


data_tw_age1 <- data2_tw[grepl("15-17",data2_tw$Age),]
count_data_tw_age1 <- nrow(data_tw_age1)
data_tw_age2 <- data2_tw[grepl("18-24",data2_tw$Age),]
count_data_tw_age2 <- nrow(data_tw_age2)
data_tw_age3 <- data2_tw[grepl("25-44",data2_tw$Age),]
count_data_tw_age3 <- nrow(data_tw_age3)
data_tw_age4 <- data2_tw[grepl("45-64",data2_tw$Age),]
count_data_tw_age4 <- nrow(data_tw_age4)
data_tw_age5 <- data2_tw[grepl("65up",data2_tw$Age),]
count_data_tw_age5 <- nrow(data_tw_age5)
count_data_tw_age <- c(count_data_tw_age1,count_data_tw_age2,count_data_tw_age3,
                    count_data_tw_age4,count_data_tw_age5)

df3 <- data.frame(Age = age, count = count_data_tw_age)

tt <- ggplot(data = df3,aes(x=Age, y=count, fill=Age)) + 
  geom_bar(stat="identity") + ggtitle("台灣 Pay") +
  theme(plot.title = element_text(hjust = 0.5),axis.text.x = element_text(angle = 30, size = rel(0.6)))+
  scale_fill_manual(values = custom_colors)

data_jk_age1 <- data2_jk[grepl("15-17",data2_jk$Age),]
count_data_jk_age1 <- nrow(data_jk_age1)
data_jk_age2 <- data2_jk[grepl("18-24",data2_jk$Age),]
count_data_jk_age2 <- nrow(data_tw_age2)
data_jk_age3 <- data2_jk[grepl("25-44",data2_jk$Age),]
count_data_jk_age3 <- nrow(data_jk_age3)
data_jk_age4 <- data2_jk[grepl("45-64",data2_jk$Age),]
count_data_jk_age4 <- nrow(data_jk_age4)
data_jk_age5 <- data2_jk[grepl("65up",data2_jk$Age),]
count_data_jk_age5 <- nrow(data_jk_age5)
count_data_jk_age <- c(count_data_jk_age1,count_data_jk_age2,count_data_jk_age3,
                    count_data_jk_age4,count_data_jk_age5)

df4 <- data.frame(Age = age, count = count_data_jk_age)

jj <- ggplot(data = df4,aes(x=Age, y=count, fill=Age)) + 
  geom_bar(stat="identity") + ggtitle("街口支付") +
  theme(plot.title = element_text(hjust = 0.5),axis.text.x = element_text(angle = 30, size = rel(0.6)))+
  scale_fill_manual(values = custom_colors)



data_px_age1 <- data2_px[grepl("15-17",data2_px$Age),]
count_data_px_age1 <- nrow(data_px_age1)
data_px_age2 <- data2_px[grepl("18-24",data2_px$Age),]
count_data_px_age2 <- nrow(data_px_age2)
data_px_age3 <- data2_px[grepl("25-44",data2_px$Age),]
count_data_px_age3 <- nrow(data_px_age3)
data_px_age4 <- data2_px[grepl("45-64",data2_px$Age),]
count_data_px_age4 <- nrow(data_px_age4)
data_px_age5 <- data2_px[grepl("65up",data2_px$Age),]
count_data_px_age5 <- nrow(data_px_age5)
count_data_px_age <- c(count_data_px_age1,count_data_px_age2,count_data_px_age3,
                    count_data_px_age4,count_data_px_age5)

df5 <- data.frame(Age = age, count = count_data_px_age)

pp <- ggplot(data = df5,aes(x=Age, y=count, fill=Age)) + 
  geom_bar(stat="identity") + ggtitle("PX Pay") +
  theme(plot.title = element_text(hjust = 0.5),axis.text.x = element_text(angle = 30, size = rel(0.6)))+
  scale_fill_manual(values = custom_colors)

ll + aa + tt + jj + pp+ plot_layout(ncol = 3)

除了整體被知道的比率以外，我們還想知道對行動支付的了解會不會因為年齡不同而有差異，於是又做了一個不同年齡層跟聽過的支付工具比較的圖。圖做出來後我們發現其實好像跟整體情況差不多，沒有太大的差別。

5. 各年齡層使用各家行動支付之比例(直方圖)

#有使用
data3 <- read.csv("data3.csv")

data3_line <- data3[grepl("Line Pay",data3$use),]
data3_apple <- data3[grepl("Apple Pay",data3$use),]
data3_tw <- data3[grepl("台灣Pay",data3$use),]
data3_jk <- data3[grepl("街口支付",data3$use),]
data3_px <- data3[grepl("PX Pay",data3$use),]

data_line_age1 <- data3_line[grepl("15-17",data3_line$Age),]
count_data_line_age1 <- nrow(data_line_age1)
data_line_age2 <- data3_line[grepl("18-24",data3_line$Age),]
count_data_line_age2 <- nrow(data_line_age2)
data_line_age3 <- data3_line[grepl("25-44",data3_line$Age),]
count_data_line_age3 <- nrow(data_line_age3)
data_line_age4 <- data3_line[grepl("45-64",data3_line$Age),]
count_data_line_age4 <- nrow(data_line_age4)
data_line_age5 <- data3_line[grepl("65up",data3_line$Age),]
count_data_line_age5 <- nrow(data_line_age5)
count_data_line_age <- c(count_data_line_age1,count_data_line_age2,count_data_line_age3,
                    count_data_line_age4,count_data_line_age5)

custom_colors <- c("#F9DBDE", "#DDA923", "#C093BA", "#99C4E1", "#C0CE73")

df1 <- data.frame(Age = age, count = count_data_line_age)

ll <- ggplot(data = df1,aes(x=Age, y=count, fill=Age)) + 
  geom_bar(stat="identity") + ggtitle("Line Pay") +
  theme(plot.title = element_text(hjust = 0.5),axis.text.x = element_text(angle = 30, size = rel(0.6))) +
  scale_fill_manual(values = custom_colors)

data_apple_age1 <- data3_apple[grepl("15-17",data3_apple$Age),]
count_data_apple_age1 <- nrow(data_apple_age1)
data_apple_age2 <- data3_apple[grepl("18-24",data3_apple$Age),]
count_data_apple_age2 <- nrow(data_apple_age2)
data_apple_age3 <- data3_apple[grepl("25-44",data3_apple$Age),]
count_data_apple_age3 <- nrow(data_apple_age3)
data_apple_age4 <- data3_apple[grepl("45-64",data3_apple$Age),]
count_data_apple_age4 <- nrow(data_apple_age4)
data_apple_age5 <- data3_apple[grepl("65up",data3_apple$Age),]
count_data_apple_age5 <- nrow(data_apple_age5)
count_data_apple_age <- c(count_data_apple_age1,count_data_apple_age2,count_data_apple_age3,
                    count_data_apple_age4,count_data_apple_age5)

df2 <- data.frame(Age = age, count = count_data_apple_age)

aa <- ggplot(data = df2,aes(x=Age, y=count, fill=Age)) + 
  geom_bar(stat="identity") + ggtitle("Apple Pay") +
  theme(plot.title = element_text(hjust = 0.5),axis.text.x = element_text(angle = 30, size = rel(0.6)))+
  scale_fill_manual(values = custom_colors)


data_tw_age1 <- data3_tw[grepl("15-17",data3_tw$Age),]
count_data_tw_age1 <- nrow(data_tw_age1)
data_tw_age2 <- data3_tw[grepl("18-24",data3_tw$Age),]
count_data_tw_age2 <- nrow(data_tw_age2)
data_tw_age3 <- data3_tw[grepl("25-44",data3_tw$Age),]
count_data_tw_age3 <- nrow(data_tw_age3)
data_tw_age4 <- data3_tw[grepl("45-64",data3_tw$Age),]
count_data_tw_age4 <- nrow(data_tw_age4)
data_tw_age5 <- data3_tw[grepl("65up",data3_tw$Age),]
count_data_tw_age5 <- nrow(data_tw_age5)
count_data_tw_age <- c(count_data_tw_age1,count_data_tw_age2,count_data_tw_age3,
                    count_data_tw_age4,count_data_tw_age5)

df3 <- data.frame(Age = age, count = count_data_tw_age)

tt <- ggplot(data = df3,aes(x=Age, y=count, fill=Age)) + 
  geom_bar(stat="identity") + ggtitle("台灣 Pay") +
  theme(plot.title = element_text(hjust = 0.5),axis.text.x = element_text(angle = 30, size = rel(0.6)))+
  scale_fill_manual(values = custom_colors)


data_jk_age1 <- data3_jk[grepl("15-17",data3_jk$Age),]
count_data_jk_age1 <- nrow(data_jk_age1)
data_jk_age2 <- data3_jk[grepl("18-24",data3_jk$Age),]
count_data_jk_age2 <- nrow(data_tw_age2)
data_jk_age3 <- data3_jk[grepl("25-44",data3_jk$Age),]
count_data_jk_age3 <- nrow(data_jk_age3)
data_jk_age4 <- data3_jk[grepl("45-64",data3_jk$Age),]
count_data_jk_age4 <- nrow(data_jk_age4)
data_jk_age5 <- data3_jk[grepl("65up",data3_jk$Age),]
count_data_jk_age5 <- nrow(data_jk_age5)
count_data_jk_age <- c(count_data_jk_age1,count_data_jk_age2,count_data_jk_age3,
                    count_data_jk_age4,count_data_jk_age5)

df4 <- data.frame(Age = age, count = count_data_jk_age)

jj <- ggplot(data = df4,aes(x=Age, y=count, fill=Age)) + 
  geom_bar(stat="identity") + ggtitle("街口支付") +
  theme(plot.title = element_text(hjust = 0.5),axis.text.x = element_text(angle = 30, size = rel(0.6)))+
  scale_fill_manual(values = custom_colors)



data_px_age1 <- data3_px[grepl("15-17",data3_px$Age),]
count_data_px_age1 <- nrow(data_px_age1)
data_px_age2 <- data3_px[grepl("18-24",data3_px$Age),]
count_data_px_age2 <- nrow(data_px_age2)
data_px_age3 <- data3_px[grepl("25-44",data3_px$Age),]
count_data_px_age3 <- nrow(data_px_age3)
data_px_age4 <- data3_px[grepl("45-64",data3_px$Age),]
count_data_px_age4 <- nrow(data_px_age4)
data_px_age5 <- data3_px[grepl("65up",data3_px$Age),]
count_data_px_age5 <- nrow(data_px_age5)
count_data_px_age <- c(count_data_px_age1,count_data_px_age2,count_data_px_age3,
                    count_data_px_age4,count_data_px_age5)

df5 <- data.frame(Age = age, count = count_data_px_age)

pp <- ggplot(data = df5,aes(x=Age, y=count, fill=Age)) + 
  geom_bar(stat="identity") + ggtitle("PX Pay") +
  
  theme(plot.title = element_text(hjust = 0.5),axis.text.x = element_text(angle = 30, size = rel(0.6)))+
  scale_fill_manual(values = custom_colors)

ll + aa + tt + jj + pp+ plot_layout(ncol = 3)

上一張是比較各年齡層對行動支付的了解，這張我們想要知道的是各年齡層對個行動支付工具的使用率。 PX Pay在18-24歲這個區間被使用率是最少的，因為PXPay是全聯專用，這個年齡層的人還不太需要去全聯買東西。另外，Apple Pay在18-24歲的被使用率比較高，45-64相對少，可能是在這個年齡層的蘋果愛好者比較多導致。台灣pay在18-24歲的被使用率相對高一些，會下載台灣pay來使用大部分不會是用來支付，它可以直接線上匯款且不用手續費，非常適合年輕人使用。 總結來說，我們發現支付工具的使用性質及功能對各年齡層決定是否使用有一定的影響。

6. 各年齡層使用各家行動支付之比例(橫條圖)

age <- c("15-17","18-24","25-44","45-64","65up")
brand <- c("Line Pay", "Apple Pay", "台灣Pay", "街口支付","PX Pay")


count_data_age1 = c(count_data_line_age1,count_data_apple_age1,count_data_tw_age1,
                    count_data_jk_age1,count_data_px_age1)
count_data_age2 = c(count_data_line_age2,count_data_apple_age2,count_data_tw_age2,
                    count_data_jk_age2,count_data_px_age2)
count_data_age3 = c(count_data_line_age3,count_data_apple_age3,count_data_tw_age3,
                    count_data_jk_age3,count_data_px_age3)
count_data_age4 = c(count_data_line_age4,count_data_apple_age4,count_data_tw_age4,
                    count_data_jk_age4,count_data_px_age4)
count_data_age5 = c(count_data_line_age5,count_data_apple_age5,count_data_tw_age5,
                    count_data_jk_age5,count_data_px_age5)


df <- data.frame(count_data_age1,count_data_age2,count_data_age3,count_data_age4,count_data_age5)
colnames(df) <- c("15-17","18-24","25-44","45-64","65up")
rownames(df) <- c("Line Pay", "Apple Pay", "台灣Pay", "街口支付","PX Pay")

y <- data.matrix(df)
p <- barplot(y, horiz = TRUE, col = rev(palette("Set 3")[2:8]) %>% alpha(0.6),
        ylab = "年齡", names.arg = colnames(y), legend.text = TRUE, las = 2,
        args.legend = list(x = "topright", inset = c(0.1,-0.2), title = "支付工具"))

對於各年齡層使用率比較，我們又用了這個橫條圖來顯示，因為它可以更清楚的看到各年齡層對個行動支付工具的使用表現。

7. 2019-2021年度使用行動支付之場域

data4 <- read.csv("data41.csv")

df <- data.frame(data4$Y2019, data4$Y2020, data4$Y2021)

custom_colors <- c("#99C4E1", "#BFA386", "#76628C", "#DECEB8", "#2F7C92", "#B4CB8F", "#F5CD5F", "#494C66", "#CFCFC4", "#A3587D", "#E0BBE4")

colnames(df) <- c("2019", "2020", "2021")
rownames(df) <- c("便利商店", "量販店", "超級市場", "連鎖餐飲", "百貨或購物中心", "交通運輸", "網路商店", "繳費", "連鎖商店", "3C電信", "外送平台")

z <- data.matrix(df)
pp <- barplot(z, horiz = TRUE, col = custom_colors,
              ylab = "年份", xlab = "百分比", names.arg = colnames(z),
              legend.text = TRUE, args.legend = list(x = "topright", ncol = 4, inset = c(0.02, -0.24), box.lty = 0))

此資料是2019-2021行動支付使用場域前十名的比較，圖表顯示大家最多是在便利商店使用行動支付，網路商店有明顯增加的趨勢，3C電信在2019登上了前十名，但2020後又跌出，被外送平台取代。繳費方面大家也有慢慢的改成用行動支付繳費，這也許有政府推廣的成分在裡面，且有的還可以不用付手續費。在超級市場使用行動支付的比率也漸漸增加。而且我們發現都是在2020到2021增加幅度較大，也進而證明我們覺得疫情對行動支付的影響是存在的。

8. 2019-2021各年度使用行動支付之場域(詳細)

data4 <- read.csv("data41.csv")

df <- data.frame(data4$Y2019, data4$Y2020, data4$Y2021)
colnames(df) <- c("2019", "2020", "2021")
rownames(df) <- c("便利商店", "量販店", "超級市場", "連鎖餐飲", "百貨或購物中心", "交通運輸", "網路商店",
                  "繳費", "連鎖商店", "3C電信", "外送平台")

df$Names <- rownames(df)  



par(mfrow = c(3, 1))

p1 <- ggplot(data = df, aes(x = `2019`, y = Names, fill = Names)) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = rev(brewer.pal(11, "Set3"))[2:12]) +  
  xlab("百分比") +
  ylab("場域") +
  ggtitle("2019各場域使用行動支付的百分比") +
  theme(plot.title = element_text(hjust = 0.5)) +
  theme(legend.position = "top", legend.direction = "horizontal", legend.box = "horizontal")

p2 <- ggplot(data = df, aes(x = `2020`, y = Names, fill = Names)) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = rev(brewer.pal(11, "Set3"))[2:12]) + 
  xlab("百分比") +
  ylab("場域") +
  ggtitle("2020各場域使用行動支付的百分比") +
  theme(plot.title = element_text(hjust = 0.5)) +
  theme(legend.position = "top", legend.direction = "horizontal", legend.box = "horizontal")

p3 <- ggplot(data = df, aes(x = `2021`, y = Names, fill = Names)) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = rev(brewer.pal(11, "Set3"))[2:12]) + 
  xlab("百分比") +
  ylab("場域") +
  ggtitle("2021各場域使用行動支付的百分比") +
  theme(plot.title = element_text(hjust = 0.5)) +
  theme(legend.position = "top", legend.direction = "horizontal", legend.box = "horizontal")

p1

p2

p3

上面大略比較後，接著我們把每年詳細資料也畫成圖表，能夠更精確的比較，並確認從前面圖表得知的結果是正確。

9. 106-110行動支付普及率

year <- c(106, 107, 108, 109, 110)
percent <- c(39.7, 50.3, 62.2, 67.5, 70)
line_color <- "#20426E"  
point_color <- "#C62E12"  

df <- data.frame(year, percent)

kk <- ggplot(df, aes(x = year, y = percent)) +
  geom_line(color = line_color) +
  geom_point(color = point_color) +
  geom_text(aes(label = percent), vjust = -0.65) +
  scale_color_manual(values = c(line_color, point_color), guide = FALSE)

kk

利用政府公開平台網站的資料視覺化，顯示在106-110期間，行動支付普及率不斷上升，越來越多人認識到這項支付工具並使用，但是109疫情爆發對於行動支付普及率的影響似乎沒有很高，可能是前幾年不斷的上升讓行動支付的普及率已經接近一個快飽和的狀態，會使用且願意接受的已經差不多申請完了，109年依然持續上升，也許有因為疫情想少接觸的原因。

10. 不使用行動支付之原因

chinese_stopwords <- c("的", "了", "是", "我", "你", "他", "她")
data <- read.csv("data.csv")
text_data <- as.character(data$whynot)
corpus <- Corpus(VectorSource(text_data))
corpus <- tm_map(corpus, content_transformer(tolower)) 
corpus <- tm_map(corpus, removePunctuation) 
corpus <- tm_map(corpus, removeNumbers) 
corpus <- tm_map(corpus, removeWords, chinese_stopwords)
dtm <- DocumentTermMatrix(corpus)
word_freq <- colSums(as.matrix(dtm))
wordcloud(words = names(word_freq), freq = word_freq,
          min.freq = 1, max.words = 500, random.order = FALSE,
          colors = "Navy")

我們的問卷有調查沒有選擇使用行動支付的人，他們的顧慮到底為何？統計下來最大的顧慮是「沒有安全感」，尤其手機對於年輕人來說是不離身的存在，但是對於長輩來說他們並沒有習慣用，頂多是用來打電話聯絡事情用，不會有太多的鎖定，設定太多密碼也會有忘記的疑慮，解不開會變成連自己都沒辦法用窘境。除了沒有安全感外，還有「操作麻煩」及「沒有必要」，如剛剛所述，行動支付會需要再另外設密碼，如果不使用Face ID或指紋辨識，就必須輸入密碼，對於長輩來說的確是麻煩了一點，且在台灣買東西不是只能用行動支付，還可以使用現金、銀行卡等等，沒有嚐到行動支付的方便的人就會覺得沒有必要。

三、結論

從資料以及調查結果顯示，使用行動支付的年齡大多在25-44歲這個區間的人，其中以Line Pay最廣為人知也被最多人使用，且不同支付工具會隨著使用性質不同而被不同年齡層的人使用。至於疫情對行動支付使用的影響，我們整理完資料並視覺化後發現，整體來看似乎沒有太大的影響，但不同的地方似乎還是有些許影響，比如網路商店的使用率。但我們覺得現在的行動支付太多元，且每個行動支付的綁定規定、支援的銀行信用卡、是否支援郵局及能使用的地方都不太一樣，不同賣場還會有自己的支付工具，不行通用，不然就還是只能用現金，造成使用者混亂，申請多項行動支付才能達到都使用行動支付的目的。因此我們認為應該要統一各項行動支付，至少不能限制行動支付工具使用的地方，讓使用者自行選擇自己覺得好用且適合的支付工具，才能讓行動支付更普及。

四、問答

1.靈感來源

行動支付充斥於我們的生活當中，我們享受它帶來的方便，同時適應著它對生活造成的影響與改變。一次吃飯聊天時，順勢聊到了這個突然出現在我們生活甕中並改變我們的工具，也想到我們好像是在疫情後才開始較了解並開始使用，那其他人是否也是這樣呢？疫情對於他的普及化是否有正影響？於是就想到可以作為這次的期末報告主題順便解除我們心中的疑惑。

2.使用的套件

（1）上課教過的套件＆函式

dplyr、ggplot2、tidyverse

barplot()、ggplot()、geom_line()、geom_point()、geom_text()、geom_bar()、list()、read_csv()、data.frame()、nrow()

（2）新套件 & 函式

patchwork、lattice、tm

RColorBrewer – brewer.pal()（利用套件中的調色板美化圖表）、 colorspace – scale_fill_discrete_qualitative()（ggplot的美化調色板）、 wordcloud – wordcloud()（字雲）、 scale_fill_manual() – 自訂顏色

grepl()

3.做報告時遇到的難題

做報告時我們覺得最難的部分是找資料，因為行動支付算是比較新的工具，相對來說比較少人做過相關的研究，因此資料上就會比較難找，於是只好做問卷自己調查，用一手資料來進行研究。

五、致謝

完成報告完成報告的過程首先要感謝老師讓我們在這堂課中學會並熟悉運用Ｒ語言，並利用這項工具自行挑一個感興趣的主題進行研究分析，我們也感謝彼此為這份報吿付出的努力，能默契的分工合作並討論。

附錄

參考資料：

https://data.gov.tw/dataset/128268 （國內各場域行動支付滲透率）

https://data.gov.tw/dataset/103289 （行動支付發展概況）

https://drive.google.com/drive/folders/1wMlf441aGXBD-NpAjFzvzsildvEy8KWB?usp=drive_link （問卷資料）