文獻評析

道路事故每年造成數千人死亡，事故的發生不只造成車輛受損與人員傷亡成 本，後續生產力的減損、時間浪費、多餘油耗與污染等社會成本更是難以估計，

根據澳洲政府統計，該國每年因道路交通事故造成之整體損失占GDP 的 2.3%。

為求有效降低事故風險，唯有透過事故分析瞭解其特性，針對不同環境、交通型 態、當事者等特性制定不同改善計畫，方能提升道路交通安全。

道路交通運輸主要由人、車、路、環境等四大因素所構成，本研究依據上述 變數類別進行文獻回顧並彙整如表 4。

表 4、道路交通事故影響因素相關文獻回顧彙整表 文獻回顧彙整

人

年齡

‧ 18~20 歲駕駛人相對事故風險值最高，同時最容易發生嚴重事故，

21~26 歲駕駛人居次^{【曾平毅等，民}90】。

‧ 29 至 39 歲駕駛者易忽略道路潛在危險而採取冒險性駕駛行為^{【蘇宥宜，}

民94】。

‧ 老年人(65 歲以上)在駕駛過程中多會自行規避風險，使得老年人口的 事故率相對於其他年齡層是較低的，然而在 80 歲以上高齡駕駛行車 風險有攀升的現象【Clarke et al., 1998a】、【曾平毅等，民 90】。

‧ 高齡駕駛者事故主要肇因於失去情境察覺能力【Clarke et al., 1999】。

‧ 以死亡率而言，老年與青少年之道路交通事故死亡率最高【林豐福等，民 93】。

性別

‧ 男性駕駛人較可能因為冒險行為造成其風險，女性駕駛人可能出自於 其經驗與技巧不足【Chang et al., 2007】。

‧ 男性駕駛較女性容易違反交通規則，女性較男性容易發生事故【Chang et al., 2007】。

‧ 追撞事故前車通常為中年女性，後車主要為年輕(<26)或高齡(75>)男 性駕駛人【Yan et al., 2005】。

其他因素

‧ 具有年輕、高度反社會、居住於大城市等特性之駕駛人較有可能發生 機動車輛事故【Norris et al., 2000】。

表 4、道路交通事故影響因素相關文獻回顧彙整表(續) 文獻回顧彙整

車

‧ A1 類交通事故件數與傷亡人數以小客車居首，平均事件數以營業大 貨車居冠。【林豐福等，民93】

‧ 大客車發生嚴重事故造成人員死亡或重傷的機率較其他運具高，平均 KSI(Killed or seriously injured)值約為小客車 9 倍【Albertsson et al., 2005】。

‧ 考量曝光量，機車單一車輛事故死亡率為非機車運具之3.9 倍【Chang et al., 2006】。

‧ 小貨車事故死亡率高於小客車，其原因可能是由於台灣多數小貨車車 體前緣沒有緩衝空間，容易造成較高的死亡風險【Chang et al., 2006】。

路

‧ 易肇事路段以車輛於號誌化路口左轉不慎造成之事故最為常見【Geurts et al., 2005】。

‧ 視距較佳的路口反而會讓駕駛人得以採取更冒險的駕駛行為或較快 的車速，路口上下游公車站牌的設置也會增加路口車輛之風險【Chin et al., 2003】。

‧ 公路車道數越多、分隔設施等級與速限越高，追撞事故數亦較多【Yan et al., 2005】。

‧ 左轉專用號誌得以降低主要幹道追撞事故風險，然而在次要道路上若 設置左轉專用號誌反而會增加追撞事故【Wang et al., 2006】。

‧ 中央分向島在次要道路上有降低追撞事故的功效，然而若分隔島寬度 高於兩公尺則會增加追撞事故的可能性【Wang et al., 2006】。

‧ 高等級道路車速較快，因此非機車運具事故死亡率較高，反之，巷弄 可能因光線、維護、管制較差而使機車事故死亡率較高【Chang et al., 2006】。

‧ 都會區駕駛人在行使郊區道路時，可能由於長時間駕駛或對路況不熟 悉，造成駕駛人容易疲勞或失去注意力【Donaldson et al., 2006】。

環 境

‧ 雨天的平均事故數較整體平均多19%，另外連續未降雨的時間越長，

下一次雨天事故率較一般降雨日高【Eisenberg et al., 2004】、【Keay et al., 2006】。

‧ 降雨對受傷、財損事故率的增加幅度較死亡事故大，顯示駕駛人在天 候不佳狀態下行車會格外注意，因此多呈現較輕微的非死亡事故

【Eisenberg et al., 2004】。

‧ 衝出右方路外事故通常會發生於低流量、夜間並且濕滑的道路上，撞 擊設施或多車事故主要肇因於濕滑道路上的交織車流【Golob et al., 2003】。

‧ 駕駛人於夜間轉彎前較少停車注意其他方向來車而造成事故【Clarke et al., 1998b】

‧ 零時至八時間最容易發生嚴重事故，此一現象可能來自於違規競駛多 在該時段發生【Yaue et al., 2005】。

‧ 駕駛人在夜間無路燈的狀態下駕駛人更會注意駕駛【Yaue et al., 2005】。

過去研究常針對單一肇因進行分析，以當事者特性為例，林豐福等人(民 93) 針對民國90 年台灣地區道路交通事故當事人資料進行分析，探討第一、第二當 事人不同性別、年齡、車種其死亡率與事故件數之差異；曾平毅等人(民 90)針對 駕駛者年齡層的事故風險進行分析，發現高齡與年輕兩年齡層駕駛人事故風險最 高；Yau et al.(2005)是針對地區、人口等六大類型因素探討香港地區的雙車事故 嚴重度，瞭解在各種不同狀況下事故嚴重程度的差異。上述類型分析可針對個別 變因探討其對事故之影響，瞭解屬於該類別駕駛人或道路的事故特性，然而針對 個別肇因進行探討雖能深入了解該變因之影響，但卻無法得知各變數間的互動情 形。

若欲瞭解事故發生之情境，須將各相關變數納入模式探討其相關性，以性別 與年齡特性為例，一般認為男性較容易發生嚴重事故，然而在Yan et al.(2005)之 研究中發現，追撞事故的肇事者(後車)主要為年輕(<26)或高齡(75>)男性駕駛 人，而前車通常為中年女性，顯示男性雖較容易發生事故，然而高齡與年輕兩年 齡層之男性駕駛人發生追撞事故之風險遠較中年男性駕駛人高，若僅透過性別分 析即做出男性較容易發生事故則有過於武斷之慮。過去有相當多學者針對此一議 題進行探討，諸如Chang & Yeh(2007)、Wang & Abdel-Aty(2006)等，相關研究皆 闡述事故存在錯誤鏈之現象，僅歸咎於單一肇因可能會造成分析結果詮釋之偏 誤。

道路交通事故資料分析方法主要可以分為兩大類型，分別為統計分析與資料 探勘，其中統計分析方法又以迴歸分析為主，兩研究方法之特性與比較如表 5。

表 5、道路交通事故資料分析方法比較

敘述統計 迴歸分析 資料探勘

資料維度 低 中 高

樣本規模 無限制 中高 適合大樣本

資料分配 無 服從特定分布 無

假設檢定 可進行檢定 可進行檢定 無法進行檢定

預測準確度 低 高 高

複雜度 低 中 中高

離群值影響 大 大 小

錯誤鏈分析 無 可 可

資料來源：本研究整理 敘述統計為最簡單的事故資料分析方法，透過簡單統計方法即可瞭解事故特 定變數之組成，以Lane et al.(1995)為例，作者透過敘述統計探討中央分隔島設 計、天候與鋪面、安全帶使用對事故之影響，Mizuno & Kajzer(1999)同樣採用敘 述統計之方式討論不同車種的碰撞相容性；該方法優點在於簡單，並且得以進行 統計檢定，然而由於敘述統計多針對單一肇因，無法瞭解變數間的關係，因此造

成整體分析準確度偏低。迴歸分析可透過函數型態設定進行變數間相關性之假 設，分析者得以建構事故發生的事故情境，同時瞭解各別變數對事故發生之影 響，例如Keay & Simmonds(2006)應用迴規分析探討道路交通事故的降雨效應與

「好天氣」效應，Chin & Quddus(2003)應用負二項迴歸模式探討新加坡交叉路口 與交通量、幾何特性與法規管制之影響。

資料探勘方法適合大樣本且高維度資料，透過機器學習的方式尋找事故相關 變數趨勢，並得以建構整體事故系統之完整情境，部分方法(例如決策樹)亦較不 會受到離群值之影響，過去研究常應用決策樹【Clarke et al., 1998b】、【Abdel-Aty et al., 2005】、【Bayam et al., 2005】、【Pande et al., 2006】、基因演算法【Clarke et al., 1998a】、關聯法則【Geurts et al., 2005】、序列法則【Clarke et al., 1999】、類神經網路【Bayam et al., 2005】、【Pande et al., 2006】、

【范俊海等，民 95】、等資料探勘方法進行研究；相較於迴歸分析須要進行資料分布

假設，資料探勘方法較具彈性，毋須服從特定統計分布，但也無法進行假設檢定。

考量本研究係屬大樣本且具高維度之特性，變數間存在高度且複雜之相關性，因 此分析階段採用資料探勘方法，藉以挖掘事故資料之潛在特性。