第五章 事故模式與因果鏈
5.1 事故模式
5.1.2 整體事故模式
本節討論之整體事故以蒐集樣本中所有非行人事故為對象，共計245 筆資料，應用 羅吉斯迴歸模式探討大專學生死亡交通事故類型與各影響因子之關聯。模式以事故類型 為應變數，分成單一車輛事故(Y=1)及多車碰撞事故(Y=0)兩類，並先透過卡方檢定篩選 出與事故類型有顯著相關之變數(顯著水準α= 0.1)為模式之候選自變數，挑選出持有駕 照狀況(I)、學生交通工具(V)、精神狀況(P)、心理感受(M)、道路型態(R)、事故區位(L)、
天候(W)、以及事故時間(T)共 8 項變數，如表 5-2。
表5- 2 整體模式候選自變數卡方檢定表 變數 意義 Pearson χ2 自由度 p 值
I 持有駕照 13.255 4 0.010 V 學生交通工具 19.977 2 0.000 P 精神狀況 32.235 3 0.000 M 心理感受 8.649 2 0.013 R 道路型態 41.224 5 0.000 L 事故區位 15.864 3 0.001 W 天候 6.836 3 0.077 T 事故時間 5.502 2 0.064
本研究之候選自變數皆為類別變數，故需將其編碼轉換為虛擬變數後再進行模式建 構，各虛擬變數代表意義請參照表5-1。SPSS 的羅吉斯迴歸模式程序能夠自動將類別變 數編碼為一組虛擬變數，建構模式時會同時納入或排除該組變數。
本研究採用向後逐步混合篩選法建構模式，此方法會先將所有候選自變數納入模式 中，再逐步地評估、刪除、加入，而被刪除的變數如果在其他變數刪除出模式後重新符 合加入標準，還可以在隨後的選擇過程中重新加入模式。本研究採用Score 統計量作為 變數加入模式之檢定標準、LR(Likelihood Ratio)統計量作為刪除變數之檢定標準(設定加 入標準：α= 0.05、刪除標準：α= 0.1)。根據上述標準未能加入最終整體事故模式之變 數彙整表如表5-3，持有駕照狀況(I)、心理感受(M)、天候(W)、時間(T)皆先遭刪除且最 後未達加入之顯著性標準而未加入本模式；另外，由變數變更顯著性彙整表5-4 可得知，
若刪除最終模式中的任何一個變數皆會對模式有顯著影響，因此最終整體事故模式之自 變數為學生交通工具(V)、精神狀況(P)、道路型態(R)及事故區位(L)。
建構整體事故羅吉特模式(logit model)如下：
方檢定不顯著則表示模式配適良好。
利用SPSS 針對整體事故模式進行 Hosmer-Lemeshow 配適度檢驗可得下表 5-5。該 檢驗將模式之觀測資料分為10 組，各組數量略有差異，由 16 至 33 筆資料不等。HL 指 標卡方值為2.317，自由度等於 8，將此指標與卡方分布相比較得機率值為 p = 0.970＞
0.05，表統計不顯著，因此不能拒絕模式配適資料良好之假設。
表5- 5 整體模式 HL 配適度檢定 多車碰撞 單一車輛
分組 觀測 期望 觀測 期望 總和 1 32 31.628 0 0.372 32 2 20 20.222 1 0.778 21 3 24 23.368 1 1.632 25 4 14 13.781 2 2.219 16 5 19 19.129 5 4.871 24 6 17 15.730 5 6.270 22 7 11 13.188 10 7.812 21 8 14 13.068 9 9.932 23 9 9 9.727 16 15.273 25 10 6 6.155 27 26.845 33
Hosmer 和 Lemeshow 檢定
卡方值 自由度 p 值
2.317 8 0.970
(2)模式χ2統計
模式所包含的自變數必須對應變數有顯著的解釋能力，才能對羅吉斯迴歸模式進行 有意義的解釋，也就是說所設模式必須要比零假設模式(僅包含常數項的模式)好。模式 χ2定義為零假設模式與所設模式之-2LL(-2 對數概似值)差異值，其可作為一卡方統計量 來檢驗是否所有迴歸係數皆等於零之虛無假設，即H0:β1=β2 =...=βk =0。
由SPSS 輸出之模式係數 Omnibus 檢定表中可得模式χ2值。整體事故模式之卡方值 為93.741，自由度等於 13，而機率值 p = 0.000＜0.05，達統計顯著，因此拒絕虛無假設，
表示自變數所提供之訊息有助於預測事故。
3. 模式係數顯著性檢定與迴歸係數解釋
自變數X 與應變數是否顯著相關代表自變數是否會影響應變數的變化。羅吉斯迴k 歸通常使用 Wald 檢定對迴歸係數進行顯著性統計檢定，也就是檢定係數等於零的虛無 假設(H0:βk =0)是否成立，若推翻虛無假設即表示自變數X 對兩事故類型的發生可能k
性有影響。
SPSS 的二元羅吉斯迴歸程序同時提供檢定單個係數的 Wald 統計值及有 m 類之類 別變數的整體Wald 統計值。本研究挑選α =0.1為顯著性水準，由表 5-6 可以知道整體 事故模式中有4 個變數具顯著性，分別為學生交通工具(V)、精神狀況(P)、道路型態(R) 及事故區位(L)。進一步觀察表 5-6 可以發現，並非 4 個變數的每個類別皆達顯著水準，
道路型態僅 R(1)(十字路口)和 R(2)(三岔路口)為顯著，事故區位則只有 L(1)(市區)為顯 著，但該變數之整體 Wald 值已達顯著水準，且由變數變更顯著性檢定表 5-4 可知，若 移除該變數將會顯著影響模式，因此本模式將之統一保留。
表5- 6 整體模式變數統計檢定表
變數 意義 係數值(β) 標準差 Wald 值 自由度 p 值 顯著性 eβ V 學生交通工具 9.122 2 0.010 *
V(1) 汽車 2.725 0.935 8.494 1 0.004 * 15.257 V(2) 重型機車 1.852 0.867 4.568 1 0.033 * 6.375
P 精神狀況 25.565 3 0.000 *
P(1) 良好 -0.983 0.422 5.418 1 0.020 * 0.374 P(2) 飲酒 1.501 0.839 3.201 1 0.074 * 4.485 P(3) 疲勞或生病 1.853 0.665 7.763 1 0.005 * 6.378
R 道路型態 22.987 5 0.000 *
R(1) 十字路口 -2.110 0.883 5.707 1 0.017 * 0.121 R(2) 三岔路口 -1.667 0.882 3.574 1 0.059 * 0.189 R(3) 多岔路口 -7.469 16.732 0.199 1 0.655 0.001 R(4) 直路 0.409 0.663 0.381 1 0.537 1.506 R(5) 彎道 0.518 0.747 0.482 1 0.488 1.679
L 事故區位 6.553 3 0.088 *
L(1) 市區 -1.222 0.608 4.037 1 0.045 * 0.295 L(2) 有建築郊區 -0.182 0.587 0.096 1 0.757 0.834 L(3) 無建築郊區 -0.785 0.623 1.587 1 0.208 0.456
β0 常數 -1.474 1.022 2.083 1 0.149 0.229 模式卡方值 = 93.741、自由度 = 13 、p = 0.000
與線性迴歸係數相似，羅吉斯迴歸係數可以解釋為自變數一個單位的變化導致應變 數的變化情況。羅吉斯迴歸模式的係數如果為正值且統計顯著，意味在控制其他自變數 的條件下，對數勝算(ln odds = ln[p/1-p])隨對應自變數的增加而增加；反之，一個顯著的 負係數代表對數勝算隨對應自變數的增加而減少。如果係數的統計性不顯著，說明該自 變數的作用在統計上與零無異。
對照表5-6 可以得知，探討整體大專生死亡交通事故時，學生交通工具為汽車(V(1))
或重型機車(V(2))、學生精神狀況為飲酒(P(2))、疲勞或生病(P(3))對於整體事故模式有
一車輛事故可能性為三種交通工具裡最高。
(2)學生精神狀況對事故類型之影響
本研究的學生精神狀況區分為良好(P(1))、飲酒(P(2))、疲勞或生病(P(3))及其他，
其他狀況之類別未出現於模式中，其為參照組。根據表5-6 可得 P(1)、P(2)及 P(3)之係 數分別為-0.983、1.501 及 1.853，因此可知在所有其他變數皆保持一致的情境下，學生 精神良好發生單一車輛事故的勝算為其他精神狀況的 0.374(e−0.983)倍，而飲酒、疲勞或 生 病 的 狀 況 下 相 對 於 其 他 精 神 狀 況 的 單 一 車 輛 事 故 勝 算 比 分 別 為 4.485(e1.501) 、 6.378(e1.853)。
計算精神狀況中不同類別係數之差異，再將之取自然指數，即可獲得各精神狀況間 的單一車輛事故勝算比，如下表5-7 所示。由表中可清楚看出，大專生死亡交通事故中，
若學生精神狀況為疲勞或生病(P(3))時，發生單一車輛事故的勝算分別為良好和飲酒的 17.047 倍及 1.422 倍，這表示學生疲勞或生病時發生單一車輛事故的可能性最高，而當 學生精神狀況良好時最不容易產生單一車輛事故。
表5- 7 各類別精神狀況之相對勝算 ORij P(1) P(2) P(3) P(1) 1.000 0.083 0.059 P(2) 11.989 1.000 0.703 P(3) 17.047 1.422 1.000
(3)道路型態對事故類型之影響
本研究中道路型態包含十字路口(R(1))、三岔路口(R(2))、多岔路口(R(3))、直路 (R(4))、彎道(R(5))以及其他共 6 類，其中僅 R(1)及 R(2)的 Wald 檢定達顯著水準，對發 生之事故類型有顯著影響，其係數值分別為-2.110 和-1.667，由此可得知，控制其他變 數的情況下，道路型態為十字路口或三岔路口時，學生發生單一車輛事故的勝算分別為 其他道路型態的0.121(e−2.1101)倍和 0.189 倍(e−1.667)，也就是說，在十字路口或三岔路口 時，學生發生造成死亡之單一車輛事故的可能性較低。
進一步針對道路型態具顯著性之類別探討其發生單一事故勝算的相對比較。透過計 算 R(2)和 R(1)的係數差異(0.443＝－1.667＋2.110)可以知道控制其他情境下，三岔路口 發生單一車輛事故的勝算為十字路口的1.557(e0.443)倍。而參照表 5-6 已知多岔路口、直 路或彎道等3 類道路型態對於整體大專生死亡交通事故類型之影響並不顯著，因此可以 推斷在各種道路型態下，當事故地點為十字路口時最不可能發生造成大專學生死亡之單 一車輛事故。
(4)事故區位對事故類型之影響
參照表 5-6 可以發現，事故區位中僅市區(L(1))為顯著影響類別，其係數值為 -1.222，而有建築的郊區(L(2))及無建築的郊區(L(3))兩類之影響皆未達顯著水準。相對 於參照組的其他區位而言，整體大專學生死亡事故發生於市區的單一車輛事故勝算比為 0.295(e−1.222)。
若事故區位僅考量是否發生在市區，可以透過下列計算得到市區與非市區(有建築 的郊區與無建築的郊區)的單一車輛事故勝算比：
logit (市區) = β0+βV(1)+βV(2)+βP(1)+βP(2)+βP(3)+βR(1)+βR(2)+βR(3)+βR(4)+βR(5)+βL(1)
logit (非市區) = β0+βV(1)+βV(2)+βP(1)+βP(2)+βP(3)+βR(1)+βR(2)+βR(3)+βR(4)+βR(5)+βL(2)+βL(3)
logit 差異 = βL(1)-(βL(2)+βL(3)) = -1.222-(-0.182-0.785) = -0.255 勝算比 = e-0.255 =0.775
由上述計算可以知道當所有其他狀況皆相同時，在市區發生造成大專學生死亡的單 一車輛事故之勝算為非市區地點的0.775 倍，換句話說，當事故地點為市區時發生單一 車輛事故之可能性較低。
5.1.3 新生事故模式