職災死亡千人率與受檢廠(場)次非線性迴歸分析

線性迴歸分析趨勢線雖然簡單，但是線性迴歸分析趨勢線只能粗 略預測其是正相關或者是負相關的關連性，如果要用來作未來的預測，

則必頇使用非線性(多項式)迴歸分析。

下圖為職災死亡千人率與受檢廠(場)次非線性(多項式)迴歸分析趨勢 圖:

圖 17 職災死亡千人率與受檢廠(場)次非線性迴歸分析圖 我們以職災死亡千人率與受檢廠(場)次線性(單項式)迴歸分析來比 較，單項式迴歸分析的 R² = 0.6812，而上圖非線性(多項式)迴歸分析的 R² = 0.9248，表示非線性迴歸分析(多項式)用來做未來的預測時，其準確 度將比線性迴歸分析高。

若政府要規劃降災計畫，訂定職災死亡千人率為降災目標時，即可以 固定死亡千人率之目標來預估所需實施之受檢廠(場)次，所以我們以 X 軸 為死亡千人率，Y 軸為受檢廠(場)次，得到非線性迴歸分析(多項式)

Y = 2E+07X² - 5E+06X + 292903

例如我們想將死亡千人率目標控制在 0.06(則將 0.06 帶入 X)

y = 2E+07x²- 5E+06x + 292903 R² = 0.924

0 50000 100000 150000 200000 250000

0 0.05 0.1 0.15 0.2

受檢廠(場)次

死亡千人率

職災死亡千人率與受檢廠(場)次迴歸分析圖

全產業死亡千人率與受 檢廠(場)次散佈圖

Y = 2E+07X² - 5E+06X + 292903

每一受檢廠 (場)次可降

低死亡千人 率之貢獻值

6.25E-6 5E-6 4.17E-6 3.57E-6 3.13E-6 2.78E-6 2.5E-6

當我們希望將死亡千人率從 0.09 降低至 0.08 時，需要增加 16,000 廠(場) 的受檢廠(場)次，但是我們希望將死亡千人率從 0.03 降低至 0.02 時，則需 增加 40,000 廠(場)的受檢廠(場)次，如果我們希望死亡千人率越降越低時，

其所需投入的檢查人力﹝實施受檢廠(場)次﹞尌必頇投入更多，亦即實施 每一受檢廠(場)次可降低死亡千人率之貢獻值也越來越低，所以如要單靠 實施受檢廠(場)次來降低死亡千人率其可能會越來越困難，如要像英國於 2005 年之職災死亡千人率 0.006﹝1﹞，單靠檢查量之提升，似乎不太可能 達成，所以我們尌必頇尋求其他的配套措施。

4.2.5 小結

1.運用線性迴歸分析可得：

(1)死亡千人率(Y) = 受檢廠(場)次(X) * -5.685E-07 + 0.1159，

R=-0.8253(R²=0.681)，可知死亡千人率與受檢廠(場)次之間的 負相關程度相當高，表示當受檢廠(場)次增加時，則死亡千人 率尌會跟著降低。

(2)殘廢千人率(Y) = 受檢廠(場)次(X) * -2.535E-06 + 0.7446，

R=-0.634(R²=0.402)，可知殘廢千人率與受檢廠(場)次之間亦 是負相關，惟相關係數|R|較小，故殘廢千人率與受檢廠(場) 次影響比死亡千人率與受檢廠(場)次影響來的低。

(3)傷病千人率(Y) = 受檢廠(場)次(X) * 8.233E-06 + 3.0413，

R=0.593(R²=0.352)，相關係數(R)為正值，呈現正相關，雖然 是正相關，但是其關係值並不是很高，所以我們可以預測增加 受檢廠(場)次並無法降低傷病千人率。

(4)從以上線性迴歸分析與 4.1 節之趨勢分析結果，大致相同。

2.運用非線性(多項式)迴歸分析職災死亡千人率與受檢廠(場)次關係：

Y = 2E+07X² - 5E+06X + 292903 (X 為死亡千人率，Y 為受檢廠(場) 次)，其 R² = 0.9248(>0.681)，表示非線性迴歸分析(多項式)用來 做未來的預測時，其準確度將比線性迴歸分析高。

3.運用非線性(多項式)迴歸分析職災死亡千人率與受檢廠(場)次關係 式，以預定之目標(死亡千人率)來規劃預計要實施之受檢廠(場)次，

可使檢查人力之運用及規劃發揮最大之效益。

4.實施之受檢廠(場)次對降低職業災害的效益值(貢獻值)，隨著職業災 害的降低，將越來越小，單靠檢查量之提升，要達到先進國家之職 災水準，似乎不太可能，所以我們尌必頇尋求其他的配套措施。