《經濟學人》1843年成立，這個歷經近兩世紀的老牌雜誌，一直是商務人士跟學者仰賴的媒體來源，他們秉持編輯獨立的精神，不為財團勢力動搖，以深度分析和數據圖表著名。2015年，他們新成立數據新聞組，將過往的數據圖表加上互動功能，上傳到網路。在 《經濟學人》 辦公室走一圈，除了數據新聞組的記者之外，許多記者的電腦上，也停留在coding的介面。
《經濟學人》數據新聞部的主編Alex Selby-Boothroyd，大學讀的是歐洲研究和現代語言，但對圖表有執著的熱情，他的twitter自我介紹只有三個字：「我愛圖表。」（I love charts.）這組成立之前，他曾在《經濟學人》智庫工作20年，負責數據分析和資料庫，幾乎不會程式語言。當初這份工作機會來臨時，不要求Alex任何學經歷背景，只要他在下週一專題上線之前，讓圖表動起來。他至今回想起來，那仍像是個被施魔法的週末，「短短48小時內，我得摸熟jquery、D3跟Javascript library，到星期天凌晨三點，圖表還是沒有隨著數據互動，我好沮喪，以為自己得不到這份工作。」結果就在這個節骨眼，他的測試便成功了。
即便講起這段情緒起伏如雲霄飛車的回憶，Alex的語調仍平穩。他的思路清晰，不管問題再長，他都能聽過不忘，精準到每問必答，我幾乎以為自己在跟未來機器人說話。為什麼 《經濟學人》決定做短小的數據圖表分析，而不是長文多媒體專題？數據新聞如何創造出更有效率的媒體趨勢？為什麼極權政府不希望公開資訊給人民？跟著主編Alex Selby-Boothroyd的分享，探索那些「攤在陽光下的數據」。
<br>採訪逐字：
問：自紐約時報2012年推出《雪崩》線上多媒體互動專題之後，新聞界引起了一波風潮，各家編輯室紛紛推出華麗的新聞專題，希望讓讀者用更互動的方法看新聞。不過《經濟學人》的數據報導風格，似乎比較傾向是推出像「每日圖表」（The Daily Charts）搭配「圖表細節」（Graphic Details）的短、精、快風格，為什麼會有這樣的差異？
紐約時報當時做的《雪崩》多媒體互動式專題，的確引起媒體同業很大的迴響，很多報紙認為他們也做的到，但要把他做的好，真的很不容易，需要很多人力。《經濟學人》的數據新聞組在2015年成立，當時只有我一位互動開發工程師，我是個新手，所以我們反向操作，不做那種長文、多媒體素材的互動專題，而做些輕薄短小的互動式圖表。
不過我們也曾嘗試過大型的多媒體報導，像2018年，我們做了一篇談英國若脫歐後，北愛爾蘭邊境可能遇到的問題，整組才12人，但這專題就佔了我們10個人力，所以只能說以我們目前的編制，還無法推出像紐約時報那樣精緻的多媒體報導。我們決定要放更多心血在互動式的新聞圖表，且選擇的議題最好是可以延燒一段時間的。舉例來說，2019年1月我們推出一個專題，追蹤美國民主黨的初選，點進這個專題，你會看到每個民主黨初選候選人的數據資訊、每週我們跟YouGov合作，每週都有至少上千份的民調彙整進來更新，知道選民對某候選人的看法是否有改變，這個計畫會持續一年，直到民主黨最終選出總統候選人。另一個數據新聞的例子是，脫歐公投之前，我們做了一份追蹤民調的專題，一樣是跟YouGov合作、每週更新，觀察不同的年齡層、性別、職業對脫歐議題取向的改變。我們組的twitter，也會在每一次圖表有大幅變動時，跟大家推播最新發展。
《經濟學人》數據新聞組成立之前，你在《經濟學人》的智庫（EIU）工作了20年，後來怎麼轉到這組的？你不是相關科系畢業的，是自學程式語言嗎？
我一開始是在《經濟學人》的智庫工作，在那邊待了二十年，主要負責數據的操作整理，EIU有個資料庫，是針對世界上近200個國家設計的數據分析模型，裡面包括國家概況、人均所得、風險評估、市場衡量等等，這個頁面需要很多原始數據，最後再整理成圖表，我在那邊工作時自學了Visual Basic，還有其他數據分析的技術。所以當《經濟學人》新聞部要成立數據新聞部時，我的前同事是這組的召集人，他問我想不想轉到這裡，條件是我要在下週入職前先學會D3，是一個用動態圖形進行資料視覺化的JavaScript程式庫，那個週末我開始自學、摸索，我得承認那是個很漫長的週末，真的很難，但我還是有成功在週一報導要出刊時，讓那個互動圖表運作。在那週末之前，我從沒用過D3、不太會JAVASCRIPT、不認識jQeury，真的是從頭開始學，非常難但也很有挑戰性，我確實滿享受在其中，因為在coding過程中，我能不斷改變人們看見的變化和圖形趨勢，此後我都一直是自學這些程式語言的，我學的是javascript，d3 dynamic data document，還有一個 javascript library，來把這些數據統合在一個網頁上。我們每發展出一種互動圖表的呈現方式，我就多學到一種coding，不同形狀的圖適合呈現不同的資訊、怎麼過濾數據等等，都是在這份工作上。看到現在我們組裡很多互動工程師的作品，他們真的超強的，他們完全知道他們在設計什麼，我們會用共享資源的React資料庫，每做一張新的互動圖表，就可以直接匯入標籤、風格、版型跟互動鈕。
我還記得那次驚險的週末測試，我做的是一個關於傳染性疾病的病毒傳播速度跟分布地圖。這不是一個多大的專題，呈現看起來簡單，但其實到週日午夜前，我的圖表還沒有辦法真的隨數據互動，那個節骨眼我真的有點沮喪，覺得永遠不可能得到這份工作了，但我一直試到凌晨三點，就幾乎要修好了。那個地圖互動的方式是，總共有五種疾病，你每點選一種，他就會顯示如果該帶原病人跟10個人見面，那會有多少人受影響？如果這10個人又分別再接觸10人，總共有多少人會被傳染。基本上呈現出伊波拉病毒是一種非常危險的傳染病。
你們組的編制有多少人？除了寫「每日圖表」跟「圖表細節」單元，數據記者也需要出門採訪嗎？「每日圖表」這個單元又是怎麼選題的？
我們這組有4位數據記者、5位圖表視覺化的設計者、2位互動工程師，還有我跟另一位數據編輯，其中一位數據記者負責美國版。數據記者主要的工作，是找到幾組數據，並從中找出可能的新聞故事。舉例來說，我一位同事James Fransham最近在研究收益率曲線（Yield curve），他找到一個有趣的發現 ，就是在美國，每次殖利率曲線倒掛，也就是當短期利率高於長期利率，通常經濟衰退就會隨之發生，10次裡面有9次是這樣，並不是說現在倒掛就一定會帶來衰退，但是我們想表達的是，從歷史曲線可以歸納出這些有趣的事情。
至於出外採訪的部分，數據新聞跟傳統跑新聞最大的不同，就是你幾乎不需要出去採訪別人，數據新聞的核心，是要從數據裡就能夠看出很多故事，最後可能只需要採訪一兩個關鍵的人，來確認你的發現。我們的記者James Tozer寫過幾則從數據發現的有趣新聞，像是：Google搜尋引擎的AI到底有沒有偏見？他花了很多心力研究，最後採訪幾位專家來解釋他的發現，這樣的採訪是為了要確認記者有沒有朝對的方向調查。我們組在《經濟學人》雜誌中負責的「每日圖表」（Daily Chart）單元，文章幾乎很少放引用句，因為證據都在數據跟圖表了。
「每日圖表」（Daily Chart）這個單元大概是從2013就開始了，在我們這組成立前就已經存在的欄目。我想他們當初的構想是，希望紙本週刊上能有一部分留給視覺圖表，在網頁板的Daily Chart上，我們就是把那個圖表放上來，再加上200字解釋，但現在我們組的記者除了維持這個單元以外，每個人手上都有一兩個要做的深度解釋性圖表專題，至少都需要花上2星期，所以我們也開始招募外稿寫手來替我們寫「每日圖表」單元。至於涵蓋的主題有哪些？我們出過一個關於俄羅斯方塊的每日圖表，分析速解玩家們的解俄羅斯方塊比賽，發現獲勝關鍵跟記憶肌肉、機器學習還有運氣都有關。另一個新發現是，原來每個俄羅斯方塊，平均最多花上20步可以解開，我個人就從來沒注意到這件事。每日圖表不一定都要是很嚴肅的政治經濟數據，也可以有些像這樣有趣的環節。
數據新聞組每週四有一次例會，大家在會議上提出想做的議題，其他人幫忙平衡或是分配比重，才不會一週每天主題都很嚴肅，當然希望涵蓋的議題越多元越好，所以曾經有記者做過櫻花形狀的圖表，來顯示日本櫻花花期高峰，有隨著氣溫上升和氣候變遷，越來越早到來。而我們也相信，只要圖表設計夠吸引人，讀者不需要太多文字解釋，就會自己開始研究圖。
經濟學人的深度評論是全球性的，不只要關注英國、也有美國、台灣選總統時或是像香港的抗爭等等，你們組跟其他文字記者的合作關係為何？請問這個新聞編輯室是怎麼運作的？
倫敦的總辦公室是大多新聞編輯室、印刷流程的統整處，但我們在世界各地有很多記者，之前有篇關於新疆恐怖攻擊的報導，就是在北京通訊處寫的，不是所有新聞都在寫英國發生的事，但的確，那篇文章最後也會回到倫敦辦公室編輯後出版。《經濟學人》真的很努力不要只關注英美的現況，尤其對我們而言，世界上有那麼多數據可以撈，眼界應該要更寬廣。只不過，在非洲國家或中國撈數據通常比較困難，我們有一些管道能要到，但數量不多，如果幸運能有完整一組的數據，這些地區的數據新聞也會是我們優先想要關注的，只因機會難得。
大多數的數據記者找到數據、找到新聞故事，也都會自己做圖表，但我們有專業的分工，會讓視覺化專家來負責呈現，所以我們的每日圖表風格幾乎一致，而且看起來也很漂亮，視覺工程師從前期就加入討論，他們花很多時間思考要如何呈現出最吸睛跟有效的圖。而如果是在我們組外的文字記者，有時候會請研究員幫忙找數據，但通常他們新聞專題只想呈現一個故事主軸，而不是以圖表為導向的寫作方式。
除了比較即時、精巧的圖表分析之外，你們也做過一些大型的專題，像Build an American voter，你們分析政治光譜跟美國地區身分認同之間的關係。這樣的預測型數據專題，通常需要花多少人力時間來製作？
我們在這數據模型匯入了yougov的90000多份問卷，是關於美國的總統期中大選時，呈現不同年齡、性別、種族、信仰、州別、職業、薪資的人，在投票選擇上有哪些變化，你可能有哪些政治傾向。這真的是個很複雜的模型，我們只有2000字可以來解釋這個模型，然後做完我們又寫25則推特，來一一重現這些模型是怎麼做的。
要建造出一個數據專題的模型，主要會先有一位工程師寫下這個模型，不斷修正跟整理；再來會有一位專做視覺化的同事，先設計出一個排版，看看在網頁上的效果如何，接下來互動工程師他們速度很快，在不到一個星期的時間，就會透過D3設計，如何讓圖表跟使用者互動，當然數據記者需要根據這個過程，詳細寫出此模型如何預測的方法學，並從目前的數據寫出新聞故事，所以要做這樣一個計畫，至少需要4-5個人才能完成，要花上好幾週才能完成。
你剛剛提到數據記者要會撈數據跟從中洞察出一些關鍵趨勢，那數據的來源都是從哪裡來的？你們會購買數據嗎？
要當數據記者幾乎對於去哪裡找數據，都有很熟的門路，NBER（美國全國經濟研究所）他們會發表進行中的研究，所以當每日圖表使用他們的數據時，也會特別注意，但他們總有很多學術或科學主題的研究。REDDIT也是可以挖掘好主題的地方，數據記者會有一個直覺，看標題如何下，大概就能知道這則數據有沒有好故事，或是我們會去看twitter找靈感，網路上有些很厲害的分析或討論，我們會能很快判斷，這個有沒有可能做成數據，或是可以視覺化這個發現。我之前做了一個歷年奧斯卡得獎影片的影響力變化 ，這個題材也是從一篇論文來的，讓我開始思考，也許我們可以把這個研究用圖表呈現？因為一般人哪有那麼多時間讀完幾十萬字。還有一個重要來源，就是正在發生的新聞時事，總有很多突發狀況、各式各樣的媒體網站、運動時事、影劇動向等等的，只有要夠多的人在關注，或是有資金金流投入，自然就會有數據的生成可以分析。
不會，我們從來沒有花錢買過數據，已經有太多資料庫不需要付錢了，而且若媒體付錢買數據的話，也可能會產生新聞倫理的疑慮，就是會有人去創造出那些「好賣錢」的數據，過去只有一兩次的案例是，我們拿到的數據並不是公開給大眾的，需要透過一些管道拿，但這真的是很少數的案例，通常我們都用開放資源。
如今你已經做過上千張圖表了，能否歸納出有哪些視覺化數據時致命的錯誤，或是說，有哪些原則、元素是好的數據新聞或圖表共同會有的？
關於數據視覺化這件事，我覺得最重要的就是，每張圖表想要傳達的訊息，是否能讓讀者一目瞭然？舉例來說，如果你發現的數據是關於人們的幸福感，如果你畫的是當人們越幸福，線就越往下墜，那你的視覺化就不是那麼成功。因為通常人們對方向上的認知是，往上是比較好的。這也是所謂的視覺認知，在眾多線條中，人們比較容易注意到有東西往上、或是看出線性的A比B高，但是我們很難比較圓形，所以我們做圖表時，會避免用圓形來表達重要的訊息，因為要讀者從十個圓形中，找出哪個是最大的圓形，不是這麼直覺性的。不過另一種情況下，我們經常用圓形來跟地圖配合，因為通常有地圖時，你沒有太多空間可以做長條圖，而圓形在這時候就能突顯出範圍或數量，我們也會把數字放在圓形當中，讀者能夠一看就知道哪個圓形最大。另外，做這種圖表還有一個重點就是，把所有你不需要的資訊拿下來，不能夠貪心，我們會盡量避免做出所謂的無效圖表（chart junk），
我昨天看到一則有趣的推特，裡面有十張跟恐龍化石相關的表，但是人們看完後，只記得那張上面有畫暴龍當作統計條線的，因為用恐龍圖形來當統計的視覺呈現，給了讀者一種視覺提示，讓他跟主題可以很快聯想在一起，就像我剛剛提到那個畫櫻花來呈現櫻花開花與氣候變遷的圖，就很好讓人記得；我們還有做另外一張圖表分析，是關於黑鮪魚的價格，是否能用來預測日本該年的GDP，那張圖就是用一張鮪魚的形狀來表示。
其他原則還有像是，一張圖上最多只能有四條線，除非你有很大的空間可以用，不能有超過5種顏色；如果你需要用到超過5種顏色，那你得重新思考，你是不是用到錯的圖來呈現了。我們通常對顏色有嚴謹的規定，第一次出現的線條都是同一種藍色，所以如果這張表只有一個重點，那條就會是藍色的趨勢線、有兩個重點，第二條會是同一種淺藍色，第三種會是黃色，除非我們要用來表示政黨，那我們就會用該政黨的顏色，這樣讀者就能很快地認出政黨。但基本原則就是深藍、淺藍、黃色依序使用，這樣也免除了麻煩，不用每製一張圖就重新想要用什麼顏色。還有一個原則是，假設我們真的有30個曲線要表示，但其中28條會是非常淺的灰色，只有兩條是用顯著的顏色，這樣你就能直接看到我們想強調給你的兩個東西。還有永遠永遠要有副標題，用幾個字讓讀者知道，他們正在讀什麼圖表。
我們組寫過一篇很棒的medium文章，是Sara去回顧好幾張圖表，是我們現在會覺得做的不是那麼好的。通常一週下來，我們組會為紙本雜誌內容做出30-40張配圖表、另外10-20張給《經濟學人》網頁版或其他部門，這個工作量的確是滿大的，所以我們的確會犯錯。有時候可能是用錯顏色，本來以為那樣的配色會很吸睛，事實可能不是如此；非常少的次數是我們做了不搭數據內容的形式，因為通常製圖師都非常有經驗，早就歸納出：跟時間相關的要做直線圖、要做表達比例的圖，就該用堆疊長條圖。沒有一種圖會是永遠都最正確的圖，有時候圖可以放跨頁、有時候會把一大張圖拆成兩張圖，看這樣效果如何。通常數據記者提出題目跟數據分析後，交給視覺化的同事，他們一次會跑出10-15種圖表呈現，再由記者和數據編輯一起討論、給回饋，如果一直找不到合適的，我們會把所有圖表重新來過。有時，我們也會把這些表，給完全不懂這主題的人看，之後再給一個跟主題相關的專家看。每犯一個錯誤，我們的操作也就會越來越熟練。
經濟學人雜誌從1986年，就開始編制大麥克指數（Big Mac Index），用「大麥克在各國的價格／大麥克在美國的價格」來當作「購買力平價條件所隱含的匯率」，評估各國貨幣幣值是被高估還低估的指標。《經濟學人》數據新聞組剛在2019年，更新了數據跟呈現形式了對不對，改變的考量是什麼？
大麥克指數每兩年就會更新一次數據，每六個月研究組就會有人去蒐集世界各地麥當勞大麥克的價格還有GDP，這34年下來，我們都一直在做這件事。至於你說到網路上的大麥克專題，最早是在智慧型手機出現前就設計好了，當時沒有互動的部分，但有地圖、長條圖跟一些分布點圖。所以去年知道我們開始要重新規畫這個互動專題時，因為google會將只有網頁板、沒有手機板的網頁，降他們的搜尋觸及，這聽起來也滿合理的，因為他們希望有越多人能夠使用越好。我們在正式改版前先做了問卷統計，請讀者幫我們從現況分析，他們喜歡圖表的那些部分、不喜歡哪些部分，然後花了一個月研究、設計、建造模型，現在這個版本，看起來好多了，也可以在手機上閱讀。我們把原本的地圖換掉了，雖然我很愛地圖，用來呈現一個地區性的趨勢也很棒，但是我們的工程師說，要讀者在一個小小的螢幕上，把世界地圖滑來滑去，簡直是太辛苦了，而且如果讀者不認識這個國家在哪裡，地圖對他們就沒有意義。新的這版。你可以很快就看出哪些國家的大麥克跟年均所得比起來，是太貴或是太便宜。
數據新聞算是一個相對新的領域，你也是從頭開始自學程式語言的人，會建議有志從事此業的人要具備什麼條件？
我覺得要做數據新聞，你當然會需要一些基本的電腦技術，不是一定要學習R或是PYTHON，但是大概需要知道如何調整數據，用google sheets也沒關係，很多數據視覺化的工程師，都是從這些線上試算表開始的。我覺得最重要的不是技術上的技能，而是你的調查能力，你對數據的敏感度，找出數據想跟你說什麼故事，這些數據圖形的變化，凸顯出什麼重要性或是關鍵階段。舉個例子好了，像2017年的時候，北英格蘭的畜牧業暴發了牛結核疾病，當這件事情爆發的時候，數據記者就需要了解：這是個什麼樣的疾病？當有官方說法說這不會太嚴重時，我們從國外得到了一筆數據，知道這個疾病的危險性，還有些牧場不願意公開承認，這可能導致更大的麻煩，這樣去思考，就是一篇很棒的數據新聞了，當然剛剛說的這些都是虛擬的例子，千萬別把他當真。不過如果可以的話，我還是會建議想當數據記者的人可以花點時間學R，因為他幾乎是多功能合一，可以幫助你更快地整理超大量地數據、從中看出端倪。
既然數據新聞已經是一個趨勢了，你會建議一般的文字記者們，都要訓練自己閱讀圖表或是熟悉數據嗎？
絕對的，我們很幸運，在《經濟學人》的記者都對數據敏感跟聰穎，他們在寫作時就會思考數據進來，有些也會自己編碼寫模型，所以跟他們溝通上非常順利。在任何其他的新聞編輯室，每個記者都真的應該將數據考量進去他們的新聞故事裡，重視數據像他們重視採訪跟專題的任何一步一樣，不應該說自己不懂數學或統計就逃避這部分，這不是一件值得驕傲的事。想當記者你就得克服這點，重點是不要害怕接觸數字，而且熟悉這一塊也代表你會寫出更好、更有根據跟洞見的故事。如果一篇新聞用了錯誤的單位或是數據，那這篇新聞的力道當然就會少很多。而且用數據圖表，通常可以再讓你的新聞故事篇幅縮短，一張有用的圖可以讓你少寫兩段落，在當今的時代是更有效率的做法。
最後也想要問你，你做了一個用聲譜分析數據的專題，談的是母親生完孩子後的工資懲罰。丹麥婦女成為母親十年後的收入，比女性少21％。在德國，這個薪資懲罰更驚人，母親的收入少61％。你們怎麼會想要用聲譜的方式，來呈現數據的變化？
《經濟學人》有一個播客節目叫做The Intelligence，他們邀請我們組上節目，談我們最近做了哪些專題，我就開始想，是不是能夠讓觀眾「聽」出數據的變化。我本身也很喜歡音樂，你可以從音符高低聽出數據的變化，這也很可能是人們最直觀的感受了，加上《經濟學人》的強項真的是這些數據圖表，我們很想實驗出聲音圖表。這個專題其中一個驚人的數據就是，在德國，生過小孩的女性再回到職場，他們的薪水收入少了整整80%，可是光是做出一個音高上上下下的圖表聲音趨勢，並沒有辦法讓讀者一聽就能得到所有資訊，這樣的呈現還是太仰賴視覺了。我們現在還在實驗階段，需要先替這些數據找到一個平均值的聲音，在同一個基準上讓音高隨著比例有變化，而不能只像傳統數據新聞那樣，用數字來轉換成圖形的最高最低點。我相信我們一旦找出這個聲音數據化的方法，有很多的主題都能夠用這種形式呈現，像是最近我們有另一個專題，是從被困在北極冰層中的鉛含量，追蹤過去兩千年來歐洲的貨幣供應史，這也是一個很適合聲音化的主題。
今天很謝謝Alex的分享，讓我們了解數據新聞的演進還有趨勢，也跟我們分享你們工作的方法。
沒問題，謝謝你們，很高興能跟大家分享。
下載「鏡好聽」APP，聲音節目隨身聽
最多獨家更新內容，請下載《鏡好聽》APP：https://mirrormediafb.pros.is/LY67K