第五章 事故模式與因果鏈
5.1 事故模式
5.1.3 新生事故模式
本節討論造成一年級新生死亡之非行人事故，共計96 筆資料，應用羅吉斯迴歸模 式探討大專新生死亡交通事故類型與各影響因子之關聯。模式應變數為事故類型，區分 為單一車輛事故(Y=1)及多車碰撞事故(Y=0)兩類，候選自變數的篩選則透過卡方檢定挑 選出與事故類型有顯著相關之變數(顯著水準α= 0.1)，包含學生交通工具(V)、精神狀況 (P)道路型態(R)、事故區位(L)以及照明(R)共 5 項變數，如下表 5-8。由於候選自變數皆 為類別變數，故需先將每項變數各自編碼為1 組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。
表5- 8 新生模式候選自變數卡方檢定表 變數 意義 Pearson χ2 自由度 p 值
V 學生交通工具 9.290 2 0.010 P 精神狀況 11.534 3 0.009 R 道路型態 19.688 5 0.001 L 事故區位 6.912 3 0.075 B 照明 9.678 3 0.022
本研究的向後逐步混合篩選法採用Score 統計量作為變數加入模式之檢定標準、LR
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)。代表各
利用SPSS 的 Hosmer-Lemeshow (HL)配適度檢驗羅吉斯迴歸模式之配適度，也就 是模式匹配觀測資料的程度。該檢驗將模式之觀測資料分為9 組，各組數量包含 6 至 16 筆資料不等，計算HL 指標之卡方值為 5.406，自由度等於 7，將 HL 指標值與自由度相 同的卡方分布進行比較，得到機率值p=0.611＞0.05，呈現統計不顯著，表示不能拒絕模 式配適資料良好之假設。
表5- 11 新生模式 HL 配適度檢定 多車碰撞 單一車輛
分組 觀察 期望 觀察 期望 總和 1 6 5.982 0 0.018 6 2 11 11.640 1 0.360 12 3 11 10.361 0 0.639 11 4 9 8.765 1 1.235 10 5 5 4.095 1 1.905 6 6 9 8.137 6 6.863 15 7 8 8.026 8 7.974 16 8 1 3.371 10 7.629 11 9 1 0.621 7 7.379 8
Hosmer 和 Lemeshow 檢定
卡方值 自由度 p 值
5.406 7 0.611
(2)模式之χ2檢定
模式χ2作為一種卡方統計量來檢驗所設模式是否比零假設模式(除常數項外，所有 係數皆為零)好，也就是自變數對應變數是否具顯著的解釋能力。SPSS 在模式係數 Omnibus 檢定表中輸出新生事故模式χ2值為 41.489，模式自由度等於 13，機率值 p = 0.000＜0.05，達統計顯著，因此拒絕虛無假設，表示自變數確實與事故類型的對數勝算 (ln odds)具線性相關。
3. 模式係數顯著性檢定與迴歸係數解釋
羅吉斯迴歸模式通常採用Wald 檢定對迴歸係數進行顯著性統計檢定，若推翻係數 等於零之虛無假設(H0:βk =0)，表示兩事故類型發生的可能性依賴於自變數X 之變k 化。SPSS 的二元羅吉斯迴歸程序對於類別變數提供整體的顯著性檢驗，同時也對代表 各類別之虛擬變數提供單獨的檢驗。由表5-12 可以知道精神狀況(P)及道路型態(R)為新 生事故模式的2 個顯著變數 (顯著水準α =0.1)，交通工具的整體顯著性並未滿足顯著水 準；而達到顯著水準的各虛擬變數為 V(1)(汽車)及 P(3)(疲勞或生病)。雖然並非每個虛 擬變數皆顯著，但由變數變更顯著性檢定表 5-10 可知，若移除該項變數將會顯著影響 模式，因此本模式將之統一保留。
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)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。如果係數為統計不顯著，說明該自變數的作用在統計上與 零無異。由表5-12 可以得知，新生交通工具為汽車(V(1))及精神狀況為疲勞或生病(P(3))
這兩項因子，對於新生事故模式有正向影響，換句話說，這兩項因子存在時，會提高新 生發生單一車輛事故之對數勝算；另一方面，新生騎乘重型機車(V(2))、精神狀況良好 (P(1))或飲酒(P(2))以及五種道路型態對於學生是否發生單一車輛事故皆無顯著影響。
表5- 12 新生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 4.090 2 0.129
V(1) 汽車 3.224 1.659 3.777 1 0.052 * 25.129 V(2) 重型機車 2.091 1.465 2.037 1 0.154 8.090
P 精神狀況 7.041 3 0.071 *
P(1) 良好 -0.215 0.602 0.128 1 0.721 0.807 P(2) 飲酒 9.507 41.710 0.052 1 0.820 13459.345 P(3) 疲勞或生病 2.620 1.102 5.650 1 0.017 * 13.742
R 道路型態 11.635 5 0.040 *
R(1) 十字路口 -1.947 1.547 1.584 1 0.208 0.143 R(2) 三岔路口 -0.453 1.313 0.119 1 0.730 0.635 R(3) 多岔路口 -6.719 27.034 0.062 1 0.804 0.001 R(4) 直路 1.359 1.161 1.370 1 0.242 3.894 R(5) 彎道 1.369 1.242 1.214 1 0.271 3.930
β０ 常數 -3.405 1.884 3.265 1 0.071 * 0.033 模式卡方值 = 41.489、自由度 = 10 、p = 0.000
由於對數勝算並無較直觀的涵義，羅吉斯迴歸通常會經過適當的轉換後，以勝算比 之概念來解釋係數。下列將針對顯著變數V(1)及 P(3)，使用勝算比說明相對於多車碰撞 事故，自變數對單一車輛事故勝算之影響與比較。
(1)學生交通工具對事故類型之影響
學生交通工具共有 3 個類別，分別是汽車(V(1))、重型機車(V(2))以及輕型機車(參 照組)，輕型機車作為參照組，其係數等於 0，未於模式中出現。參照表 5-12 可得 V(1) 對模式有顯著影響，其係數為 3.224，由此可以推得死亡交通事故中，新生駕駛汽車與 騎乘輕型機車(參照組)發生單一車輛事故之對數勝算差異為 3.224(=3.224－0)，再將其取 自然指數即可得相對於參照組的勝算比e3.224=25.129，也就是說，在控制其他變數的情 況下，新生駕駛汽車發生單一車輛事故之勝算為騎乘輕型機車的25.129 倍。而當在其他 所有情境皆保持相同時，駕駛汽車相對於騎乘重型機車發生單一車輛事故之勝算比可由 下列計算求得：
Logit (汽車) = β0+βV(1)+βP(1)+βP(2)+βP(3)+βR(1)+βR(2)+βR(3)+βR(4)+βR(5)
Logit (重機) = β0+βV(2)+βP(1)+βP(2)+βP(3)+βR(1)+βR(2)+βR(3)+βR(4)+βR(5)
Logit 差異 = βV(1)－βV(2) = 3.224－2.091 = 1.133 勝算比 = e1.133 =3.105
從上述計算可知新生駕駛汽車發生單一車輛事故之勝算為騎乘重型機車的 3.105 倍。綜合比較各交通工具之勝算可以發現，新生駕駛汽車發生單一車輛事故的可能性最 高，騎乘輕型機車為最低。
(2)學生精神狀況對事故類型之影響
學生精神狀況中僅疲勞或生病(P(3))對單一車輛的對數勝算有顯著影響，其係數值 為 2.620，而本研究中的精神狀況是以其他狀況為參照組，因此可以推算出在所有其他 變數皆保持一致的情境下，新生精神為疲勞或生病的狀況下，發生單一車輛事故的勝算 為其他精神狀況的13.724(e2.260)倍。若僅比較新生精神狀況是否為疲勞或生病的單一車 輛事故勝算比，可由下列計算得到該值為0.001：
Logit (疲勞) = β0+βV(1)+βV(2)+βP(3)+βR(1)+βR(2)+βR(3)+βR(4)+βR(5)
Logit (非疲勞) = β0+βV(1)+βV(2)+βP(1)+βP(2)+βR(1)+βR(2)+βR(3)+βR(4)+βR(5)
Logit 差異 = βP(3)-(βP(1)+βP(2)) = 2.620–(-0.215+9.570) = -6.672 勝算比 = e−6.672 =0.001
透過上述分析可以知道，相對於多車碰撞事故，新生精神為疲勞或生病時，發生單 一車輛事故的勝算明顯較其他精神狀況為高，但若與非疲勞的狀況(包含正常與飲酒)進 行比較時，新生精神疲勞時發生單一車輛事故的可能性卻偏低，因此可以推論在非疲勞 的狀況中必定有造成新生較可能發生單一車輛事故之因素，但卻因為 Wald 值檢定不顯 著而無法對新生事故類型影響進行適當的解釋。