敘述性統計分析

將在國道 1 號以及國道 3 號所收集之事故資料依事故類型分，在國道 1 號收 集的 A3 事故件數為 886 件、A2 為 43 件、A1 則為 4 件(如表 5-1 所示)。在國道 3 號收集的 A3 事故件數為 392 件、A2 為 28 件、A1 為 2 件(如表 5-1 所示)，可發 現國道 1 號之事故多於國道 3 號事故，主要的事故類型為 A3。國道 1 號與國道 3 號事故件數總和為 1355 件。A1 事故總件數為 6 件。

表 5-1 事故資料依事故類型分 2012 年 11 月至 2013 年 2 月

(大台中都會區)

件數 國道別 國道 1 號 國道 3 號

A1 事故件數 4 2

A2 事故件數 43 28 A3 事故件數 886 392

合計 933 422

若事故資料依南北向分，國道 1 號南向為 533 件，北向為 400 件(如表 5-2 所 示)。國道 3 號南向為 188 件，北向為 234 件(如表 5-2 所示)。其中國道 1 號以南 向較多國道三號則北向事故較多。

表 5-2 事故資料依南北向分

2012 年 11 月至 2013 年 2 月(大台中都會區) 國道別

方向別 國道 1 號 國道 3 號

南向 533 188

北向 400 234

合計 933 422

若事故資料可依照日期分類，(如表 5-3 所示)。並由表中可看出星期一至星期 四之事故發生件數為 571 件但星期五至星期日 3 天之事故發生件數為 784 相較之 下，星期五至星期日這三天的事故發生件數明顯比一到四較多。且明顯星期六、

日的事故件數遠比平常日多。其中光是周末 2 天的事故就佔了全部事故的 41.3%。

表 5-3 事故資料依日期分 星期別

國道別 星期

一 星期

二 星期

三 星期

四 星期

五 星期

六 星期

日 總和 國 1 107 83 89 84 158 194 218 933 國 3 44 53 60 51 67 63 84 422 總共 151 136 149 135 225 257 302 1355 百分比 11.1% 10.0% 11.0% 10.0% 16.6% 19.0% 22.3% 100%

圖 5-1 為研究範圍內國道 1 號之事故資料於各個時間點分布圖，橫軸表示各 小時時間段，縱軸表示該時段內發生之事故件數，則可發現事故集中發生在 10 至 20 時其中又以 18 時至 19 時 143 件為最多、17 時至 18 時 106 件為次多、11 時至 12 時 88 件為第三多，其他時間則明顯事故發生件數較少，4 時至 5 時為 3 件為最少。

圖 5-2 為研究範圍內國道 3 號之事故資料於各個時間點分布圖，橫軸表示各 小時時間段，縱軸表示該時段內發生之事故件數，則可發現事故集中發生在 7 至 19 時其中又以 18 時至 19 時 49 件為最多、10 時至 11 時 38 件為次多、15 時至 16 時 37 件為第三多，其他時間則明顯事故發生件數較少，5 時至 6 時為 0 件為最少。

圖 5-1 國道 1 號事故次數圖(分時)

圖 5-2 國道 3 號事故次數圖(分時)

國道 1 號原共有 933 件事故資料，排除了無紀錄事故排除所需時間之資料以

國道 3 號原共有 422 件事故資料，排除了無紀錄事故排除所需時間之資料以

目前國外使用存活分析參數法處理事故排除時間所使用的分配參數，為數眾 多且適用分配說法不一，，本研究係使用 ARENA 軟體來判斷在國 1 以及國 3 的 分配型態。ARENA 軟體係使用 F 檢定方法來進行配適度檢定。並將虛無假設 假設為資料型態符合其分配，在顯著水準α =0.005 下進行分析，若 p-value 值小 於 0.005 就是拒絕 也就是不符合其分配，若 p-value 值大於 0.005 則無法拒絕 虛無假設也就是資料的型態符合其分配。國 1 分析結果如圖 5-5~5-13 以及表 5-6 所示。國 3 分析結果如圖 5-14~5-22 以及表 5-7 所示。

圖 5-5 國道 1 號事故排除資料型態與 Weibull 分配之比較

圖 5-6 國道 1 號事故排除資料型態與 Gamma 分配之比較

圖 5-7 國道 1 號事故排除資料型態與 Beta 分配之比較

圖 5-8 國道 1 號事故排除資料型態與 Erlang 分配之比較

圖 5-9 國道 1 號事故排除資料型態與 Exponential 分配之比較

圖 5-10 國道 1 號事故排除資料型態與 Lognormal 分配之比較

圖 5-11 國道 1 號事故排除資料型態與 Normal 分配之比較

圖 5-12 國道 1 號事故排除資料型態與 Triangular 分配之比較

圖 5-13 國道 1 號事故排除資料型態與 Uniform 分配之比較 表 5-6 國 1 資料型態與各種分配之配適度結果 分配 標準誤 p-value 參數式 Erlang 0.00357 <0.005 k= 8.95，θ=2

Beta 0.00649 <0.005 α=1.58，β=11.9 Gamma 0.00796 <0.005 α=11.3，β=1.59 Weibull 0.01040 <0.005 α=19.9，β=1.28 Normal 0.02630 <0.005 μ=18.9，σ =15.9 Lognormal 0.03450 <0.005 μ=25.8，σ=46 Exponential 0.03610 <0.005 X=17.9

Triangular 0.09600 <0.005 a=0.999，b=9.48，c=165 Uniform 0.13000 <0.005 a=0.999，b=165

經由分布圖 5-5~5-13 可看出，Erlang、Beta、Gamma 以及 Weibull 等四種分 布的狀況與資料型態相呼應。但再經由表 5-6 可看出雖然標準差皆很小但實際上 的 p 值皆小於 0.005 故無法通過檢定，所以國 1 的事故排除時間資料型態實際上 皆不符合所列出之分配。

圖 5-14 國道 3 號事故排除資料型態與 Weibull 分配之比較

圖 5-15 國道 3 號事故排除資料型態與 Gamma 分配之比較

圖 5-16 國道 3 號事故排除資料型態與 Beta 分配之比較

圖 5-17 國道 3 號事故排除資料型態與 Erlang 分配之比較

圖 5-18 國道 3 號事故排除資料型態與 Exponential 分配之比較

圖 5-19 國道 3 號事故排除資料型態與 Lognormal 分配之比較

圖 5-20 國道 3 號事故排除資料型態與 Normal 分配之比較

圖 5-21 國道 3 號事故排除資料型態與 Triangular 分配之比較

圖 5-22 國道 3 號事故排除資料型態與 Uniform 分配之比較 表 5-7 國 3 資料型態與各種分配之配適度結果

分配 標準誤 p-value 參數式 Erlang 0.01300 <0.005 k= 9.35，θ=2

Beta 0.01660 <0.005 α=1.94，β=15.5 Gamma 0.00509 <0.005 α=7.58，β=2.38 Weibull 0.01310 <0.005 α=20.8，β=1.51 Normal 0.02630 <0.005 μ=19.7，σ =14.2 Lognormal 0.02560 <0.005 μ=21，σ=20.8 Exponential 0.07760 <0.005 X=18.7

Triangular 0.20700 <0.005 a=0.999，b=18.2，c=201 Uniform 0.24700 <0.005 a=0.999，b=201

經由分布圖 5-14~5-22 可看出，Erlang、Beta、Gamma 以及 Weibull 等四種分 布的狀況與資料型態相呼應。但再經由表 5-7 可看出雖然標準差皆很小但實際上 的 p 值皆小於 0.005 故無法通過檢定，所以國 3 的事故排除時間資料型態實際上 皆不符合所列出之分配。

由於 ARENA 的分配檢定皆不通過，所以本研究嘗試去探討多項式分配的配

5.2 存活分析結果

完成資料收集後，接著進行 Cox 等比例危險模式之迴歸分析，在分析之前，

先行定義解釋變數之變項值。本研究將變數定義為以下 14 種變項，變項內容如 表 5-8 所示。

表 5-8 存活模式解釋變數及其定義

解釋變數 變數定義

占用車道數 所占用車道數

尖峰時間 離峰=0，尖峰=1

尖峰時間為 7 時-9 時、17 時-19 時

例假日 平日=0，例假日=1

牽涉車輛數 事故所牽涉之車輛數目

有無大車 無大車=0，有大車=1

有無聯結車 無聯結車=0，有聯結車=1

晚上 白天=0，晚上=1

夜晚為 18 時至 7 時

外側路肩寬度 事故發生地點之外側路肩寬度

天氣 晴天=0，陰天=1，雨天=2

死亡人數 死亡人數

受傷人數 受傷人數

工務段所需時間 無須工務段=0，1~5 分鐘=1，6~10 分鐘=2

，11~15 分鐘=3，⋯ ⋯

主線 主線=1，其他=0

將變數值做次數分析得出表 5-9、5-10。其中由於外側路肩寬度的量化較複 雜(有些有小數)故將獨立出來做敘述性統計量。國道 1 號外側路肩寬度平均數為 2.2807，標準差為 1.6821。國道 3 號外側路肩寬度平均數為 2.969，標準差為 0.2365。

表 5-9 國道 1 號 變數值次數頻率表

表 5-10 國道 3 號 變數值次數頻率表

依據上述變數量化定義，將所收集之國 1 事故資料輸入 SPSS 軟體進行分析，

得表 5-11 之整體校估結果。表中 為參數推定值，S.E.為標準誤(standard error)，

相當於第三章所述之危險比 HR，而 Wald 統計量則計算如下： 能力不足，因此進一步採用迴歸分析中之向後逐步選取法(backward stepwise)來 篩選解釋能力顯著之變數，並仍以 0.05 之顯著水準作為篩選的標準。其方法與

表 5-12 Cox 迴歸模式參數逐步校估結果-國道 1 號

為當有人受傷時須小心處理，且須對傷患做緊急處理，另一方面又須等待救護車 救援，故導致所需事故排除時間較長。

在晚上這個變數中，對於事故排除時間是有顯著影響，其參數校估值為-0.147，

並將校估所得的參數帶入則得出，危險率 HR ⁻ 0.863。亦即危險 率降低 0.137(0.863－1=－0.137)，表示事故發生在晚上時則其失敗的機率反而降 低 13.7%，也就是事故發生在晚上時則事故排除時間會增長。由於在夜晚光線不 佳，而導致事故判斷不易教員難度增加，處理人員需更多時間進行事故排除，故 所需事故排除時間增長。

在工務段所需時間這個變數中，對於事故排除時間是有顯著影響，其參數校 估 值 為 -0.109 ， 並 將 校 估 所 得 的 參 數 帶 入 則 得 出 ， 危 險 率 HR

− 0.897。亦即危險率降低 0.103(0.897－1=-0.103)，表示工務段所需時間 每多 5 分鐘其失敗的機率反而降低 10.3%，也就是說當工務段所需時間增加時則 事故排除時間會增加。其原因可能為當工務段到達時則事故可能已經排除，但還 須等待工務段之事故處理車處理現在環境，進而導致事故排除時間較長。

表 5-13 為國道 3 號之整體校估結果。由概似比檢定統計量，概似比統計量－

2(LL(0)－LL 為59.502> _, 22.362 可得知，在顯著水準為 0.05 時 Cox 等 比例危險模式具有顯著性。

表 5-13 Cox 等比例危險模式參數校估結果-國道 3 號

為量化變數；另外有晚上這個變數為質化(分類)變數。其中如在晚上發生則定義

除時間越長，但校估結果顯示在國道 3 號上天候越差事故排除時間並無越長。本

但由於本研究將有人員傷亡假設為需要消防局派遣消防局人員，故人員傷亡 以及消防局派遣距離會有 collinearity 的現象(問題)，所以本研究將期獨立出來做 消防分局離事故現場距離與事故排除時間其互相間的共相關統計檢驗。並依據資 料範圍內各消防局所管轄區段，並配合事故發生地點利用 Google Map 計算其距 離並做消防局離事故現場之距離以及事故排除時間之相關性統計檢驗。結果如下 表(5-17，5-18)所示。可知消防局離事故現場距離跟事故排除時間呈正相關。

表 5-17 國 1 消防局離事故現場距離與事故排除時間之相關分析 相關

排除時間 消防局離事故距離 排除時間

Pearson 相關 1 .298^* 顯著性 (單尾) .039

個數 36 36

消防局離事故距離 Pearson 相關 .298^* 1 顯著性 (單尾) .039

個數 36 36

*. 在顯著水準為0.05 時 (單尾)，相關顯著。

表 5-18 國 3 消防局離事故現場距離與事故排除時間之相關分析 相關

排除時間 消防局離事故距離 排除時間

Pearson 相關 1 .319^*

顯著性 (單尾) .049

個數 28 28

消防離事故距離

Pearson 相關 .319^* 1 顯著性 (單尾) .049

個數 28 28

*. 在顯著水準為0.05 時 (單尾)，相關顯著。