利用 SPSS 類神經網路的結果得出判中率，用 70%的訓練量為 180 筆和 77 筆來驗證其與模式是否相符。傷亡情形中，類神經網路訓練結果是以調整後常態 化 84.9%為最佳，驗證 60.0%，其次標準化結果 78.7%，訓練判中為次高者為調 整後常態化 55.6%，故本研究於類神經網路以調整後常態化為最佳狀況，高達八 成五。如下表。
表 6. 1、預測傷亡情形之判中率
訓練 測試
筆數 判中率 筆數 判中率
標準化
180
78.7%
77
63.9%
常態化 75.1% 62.3%
調整後常態化 84.9% 60.0%
無 74.7% 65.8%
檢視類神經網路中各變數之權重如下表所示，在此模式中「高齡者車種」變 數所佔權重最高，高達百分之百，推測在車鑑會中，高齡者利用何種交通工具在 鑑定責任上佔有極大的影響程度，如高齡者多騎乘自行車或行人，對傷亡的輕重 會有所改變，高齡者騎乘自行車和行人與第二當事人騎乘機車或小客車發生碰撞 時會造成嚴重傷亡。另外，影響傷亡結果第二高的變數則為「高齡者超速」，高 齡者超速案件在鑑定會中僅有 1 件，因此原因而佔較高權重。其他如「高齡者年 齡」、「幹道或支道」、「第二當事者車種」，高齡者的年齡也與傷亡嚴重相關，年 紀越大傷亡情形就越嚴重；高齡者為幹道或支道亦會影響傷亡；第二當事者車種 與高齡者車種相對，因第二當事人為機車、汽車甚至大貨車，而高齡者通常因年 長，只騎乘自行車或行走，事故發生時就會造成較嚴重傷亡。透過類神經網路模 式找出影響事故傷亡的重要變數，可讓警察、交通人員多加宣導讓民眾了解會造 成傷亡嚴重性。
80
逢甲大學學生報告 e-Paper( 2014 年)
表 6. 2、傷亡情形重要變數
排名 項目 重要性
1 高齡者車種 100.0%
2 高齡者超速 75.7%
3 高齡者年齡 68.4%
4 幹道或支道 55.0%
5 第二當事者車種 54.9%
圖 6. 1、傷亡情形重要變數
利用 SPSS 類神經網路的結果得出判中率，用 70%的訓練量為 180 筆和 77 筆來驗證其與模式是否相符。傷亡情形的卡方顯著因子中，類神經網路訓練結果 是以標準化 85.4%為最佳，驗證 80.3%，其餘之判中結果也都近八成或八成以上，
故本研究於類神經網路以標準化為最佳狀況，有八成五以上。傷亡情形的顯著因 子預測結果中，得到最佳結果。
表 6. 3、顯著變數預測傷亡情形之判中率
訓練 測試
筆數 判中率 筆數 判中率
標準化 180 85.4%
77 80.3%
常態化 79.7% 74.7%
81
逢甲大學學生報告 e-Paper( 2014 年)
調整後常態化 80.3% 64.1%
無 76.8% 80.6%
從傷亡情形的 10 項顯著因子中再挑出前三個重要自變數，可從下表中檢視 此模式個變數之權重分配，在此模式下，所佔影響程度最高的變數為「高齡者車 種」，其次為「高齡者超速」，第三為「光線」，前兩名都與以上傷亡情形項目相 同，但比較兩者，發現高齡者車種權重都百分百，而顯著因子中，光線問題也是 佔了六成以上的權重比例，因光線是否足夠，日間或夜間，有無道路照明設備等 亦會影響視線進而影響傷亡嚴重程度。建議相關人員在施行道路評估時，可由上 述所提出占佔權重較大之變數注意，以減少事故發生。
表 6. 4、傷亡情形顯著因子重要變數
排名 項目 重要性
1 高齡者車種 100.0%
2 高齡者超速 78.4%
3 光線 63.7%
圖 6. 2、傷亡情形顯著因子重要變數
6.2 肇事責任
本研究透過不同方法建構事故鑑定責任之專家決策支援系統，運用模式為類 神經網路，比較不同方法最佳判中率並加以分析相關影響因子，模式建構是以資 料庫之 70%作為模式訓練，經由參數之設定與調整，將模式之判中率提升，接著
82
逢甲大學學生報告 e-Paper( 2014 年)
將訓練輸出之模式套用至剩餘 30%之資料進行模式之驗證，故模式主要取決於驗 證判中率之高低。
利用 SPSS 類神經網路的結果得出判中率，用 70%的訓練量為 180 筆和 77 筆來驗證其與模式是否相符。肇事結果中，類神經網路訓練結果是以標準化 68.5%為最佳，驗證 55.3%，其次常態化結果 68.4%，訓練判中為次高者為調整 後常態化 55.6%，故本研究於類神經網路以標準化為最佳狀況。如下表。
表 6. 5、預測肇事責任之判中率
訓練 測試
筆數 判中率 筆數 判中率
標準化
180
68.5%
77
55.3%
常態化 68.4% 50.7%
調整後常態化 68.2% 55.6%
無 59.2% 48.8%
檢視類神經網路中各變數之權重如下表所示，在此模式中「第二當事人違規 情形」變數所佔權重最高，高達百分之百，推測在車鑑會中，駕駛的違規行為在 鑑定責任上佔有極大的影響程度，如駕駛違規之嚴重程度，對責任的輕重會有所 改變。另外，影響鑑定責任程度第二高的變數則為「高齡者違規情形」，此變數 中，高齡者或許因行動遲緩、反應不即時或難以觀前顧後等造成未注意車前狀 況、未打方向燈等之違規情形。其他如「兩車關係」、「有無號誌」、「事故發生月」， 透過類神經網路模式找出這些影響鑑定責任的重要變數，可供鑑定人員未來在進 行鑑定業務時之參考。
表 6. 6、肇事責任重要變數
排名 項目 重要性
1 第二當事人違規情形 100.0%
2 高齡者違規情形 78.5%
3 兩車關係 58.1%
4 號誌 55.2%
5 事故發生月 54.0%
83
逢甲大學學生報告 e-Paper( 2014 年)
圖 6. 3、肇事責任重要變數
利用 SPSS 類神經網路的結果得出判中率，用 70%的訓練量為 180 筆和 77 筆來驗證其與模式是否相符。肇事責任的卡方顯著因子中，類神經網路訓練結果 是以標準化 81.1%為最佳，驗證 70.1%，其次判中為調整後常態化結果 78.2%，
驗證為 64.6%；常態化訓練 76.9%，驗證為 72.3%，故本研究於類神經網路以標 準化為最佳狀況，有八成以上。
表 6. 7、顯著變數預測肇事責任之判中率
訓練 測試
筆數 判中率 筆數 判中率
標準化
180
81.1%
77
70.1%
常態化 76.9% 72.3%
調整後常態化 78.2% 64.6%
無 69.1% 60.8%
從肇事責任的 9 項顯著因子中再挑出前三個重要自變數，同樣的可從下表中 檢視此模式個變數之權重分配，在此模式下，所佔影響程度最高的變數為「高齡 者違規情形」，其次為「第二當事者違規情形」，前兩名全中都高達 98%以上，第
84
逢甲大學學生報告 e-Paper( 2014 年)
三為「兩車關係」，前分三名都與以上肇事責任項目相同，但比較兩者，發現前 二項變數皆佔有極大的權重，顯著因子中高齡者違規情形此變數權重更重。建議 若將來鑑定人員遇到困難之案件可由上述所提出佔權重較大之變數著手處理，以 減輕負擔、加快鑑定時程。
表 6. 8、肇事責任顯著因子重要變數
排名 項目 重要性
1 高齡者違規情形 100.0%
2 第二當事者違規情形 98.7%
3 兩車關係 49.2%
圖 6. 4、肇事責任顯著因子重要變數
6.3 小結
綜合上述，於類神經模式中，比較傷亡情形及傷亡情形顯著因子權重值較高 之變數，相同重要變數分別為：「高齡者車種」、「高齡者超速」；而比較肇事責任 及肇事責任顯著因子權重值較高之變數，相同重要變數分別為：「高齡者違規情 形」、「第二當事人違規情形」、「兩車關係」。如下表彙整，由此可看出上述陳列 之變數對傷亡情形和肇事責任的重要性。
85
逢甲大學學生報告 e-Paper( 2014 年)
表 6. 9、重要變數彙整表
項目 重要變數 相同重要變數
傷亡情形
高齡者車種、高齡者超速、高 齡者年齡、幹道或支道、第二
當事者車種 高齡者車種、高齡者超速
傷亡情形顯著因子 高齡者車種、高齡者超速、光 線
肇事責任
第二當事人違規情形、高齡者 違規情形、兩車關係、事故發
生月、號誌 第二當事人違規情形、高
齡者違規情形、兩車關係 肇事責任顯著因子 高齡者違規情形、第二當事者
違規情形、兩車關係
本研究將針對上述結果，探討驗證判中率，類神經網路之學習效果相當良 好，判中率最高為傷亡情形顯著因子 85.4%，其次為傷亡情形之 84.9%，預測高 齡者的傷亡情形預測中，判中率都有八成五左右。
由上述可推定類神經網路模式於傷亡情形結果和肇事責任上，主要都依據當 事人的基本狀況。於傷亡情形結果上，依據「高齡者車種」、「高齡者超速」、「高 齡者年齡」，高齡者若騎乘自行車或年齡較高，傷亡情形將較為嚴重，傷亡情形 都以事故兩個當事人的駕駛狀況而造成傷亡後果，其中還有「幹道或支道」、「光 線」，駕駛身處幹道支道，模式並以「幹道或支道」來判定當事人於事故地點是 否擁有優先通行權，假若當事人於該地點無優先通行權，其傷亡情形將會屬於較 嚴重之傷亡；或是光線不佳亦會造成嚴重傷亡。
於肇事責任判定上，主要依據當事人的基本狀況，模式依據「違規情形」、「兩 車關係」，考慮違規程度及是否有違規行為，若有違規行為，肇事責任將較為嚴 重，同時，模式以駕駛違規程度來判定於肇事責任中，哪一方屬於責任較重者；
判定高齡者事故發生碰撞雙方當事人碰撞時，其碰撞型態屬於對撞、側撞、擦撞、
追撞狀態，以此判定雙方駕駛於肇事責任中，哪一方屬於肇事責任較重者。
86
逢甲大學學生報告 e-Paper( 2014 年)
七、結論與建議
對於本高齡者事故特性研究，從參考文獻著手，利用彰化縣區車輛行車事故 鑑定委員會事故案件資料作為本研究事故特性分析之基礎，起初基本的次數統 計、交叉分析、卡方檢定，之後研究方法類神經網路做預測，最後整理出結論，
並針對高齡者事故特性擬訂建議方向。