1. 首先，開啟 IBM SPSS Statistics 19 軟體，匯入台灣省彰化縣區車輛行車事故 鑑定委員會 101、102 和 103 年的事故案件總共 257 件資料建檔(excel)，變 數檢視中，可以看出資料內整體的資料狀況。
圖 3. 4、SPSS 匯入資料(上)
圖 3. 5、SPSS 匯入資料(下)
20
逢甲大學學生報告 e-Paper( 2014 年)
2. 輸入變數代號所代表的意義，依序新增。下圖舉肇事原因為例。
圖 3. 6、SPSS 變數代號
3. 匯入變數，做每一個變數的基本統計，包括各變數中每一項目的次數和百分 比。
圖 3. 7、SPSS 基本統計
21
逢甲大學學生報告 e-Paper( 2014 年)
4. 交叉分析，例如欲預測天候狀況(晴天、雨天、陰天)和傷亡情形(受傷、死亡、
無受傷、不明)的交叉關係，如下圖。
圖 3. 8、SPSS 交叉分析
22
逢甲大學學生報告 e-Paper( 2014 年)
5. 做出交叉分析行與列所佔之百分比，同上為例，可算出天候情況中傷亡情形 所佔比例和傷亡情形中天候狀況所佔比例。
圖 3. 9、SPSS 交叉分析百分比
23
逢甲大學學生報告 e-Paper( 2014 年)
6. 卡方檢定主要用於類別資料 (categorical data) 的分析，其主要形式包含：多 項式母體比例檢定、列聯表檢定、及適合度檢定。適合度考驗的目的，在於 檢測單一自變項(X)的實際觀察次數分配與某理論次數分配是否相符合；若 統計量考驗(即卡方值)未達顯著差異，則稱樣本在該自變項的分佈與理論母 群無異；反之，則說樣本在該自變項的測量上與母群體不相同，或者可說是 一個特殊的樣本。做卡方分配，找出顯著因子，將卡方檢定後 α 值 0.05 以 下列為顯著因子。
圖 3. 10、SPSS 卡方分配
24
逢甲大學學生報告 e-Paper( 2014 年)
7. 類神經網路運用多層感知器並用標準化(指的是向標準得分的轉換，是指制 定技術標準並就其達成一致意見的過程)、常態化(變數中所有數值出現次數 的分佈情形，以橫軸為變數數值，縱軸為出現頻率的座標圖呈現，以平均值 為中心，標準差為座標軸之基本單位所繪之分佈)、調整後常態化和無四種 共變量預測期判中率可用來預測傷亡情形，又在預測卡方分配結果的顯著因 子做預測。以下舉例為傷亡情形中卡方顯著因子的預測：
圖 3. 11、SPSS 類神經-傷亡情形
25
逢甲大學學生報告 e-Paper( 2014 年)
8. 類神經網路運用多層感知器並用標準化、常態化、調整後常態化和無四種共 變量預測期判中率可用來預測肇事責任，又在預測卡方分配結果的顯著因子 做預測。以下舉例為肇事責任中卡方顯著因子的預測：
圖 3. 12、SPSS 類神經-事故責任
26
逢甲大學學生報告 e-Paper( 2014 年)
9. 設定訓練 70%(為 180 件)、檢定驗證 30%(為 77 件)。從資料中篩選 180 件歸 結基本判中率，剩餘 77 件資料作驗證，與整體資料 180 件之結果是否符合 而得知結果。
圖 3. 13、SPSS 訓練檢定
27
逢甲大學學生報告 e-Paper( 2014 年)
10. 資料結果輸出
圖 3. 14、SPSS 結果輸出-自變數重要性
圖 3. 15、SPSS 結果輸出-判中率
28
逢甲大學學生報告 e-Paper( 2014 年)
四、資料蒐集與基本統計
本研究先由行政院統計處找出彰化縣六十歲以上之人口比例概況，在與本研 究的車鑑中心資料來源進行比照，和佔本專題研究的比例，範圍由大到小，比較 出本研究資料和全彰化縣、彰化縣車鑑會、本專題之高齡者事故比較，觀察比例 所佔多寡，了解各六十歲以上之年齡層事故狀況。建檔之彰化縣車鑑會資料共有 940 件，本研究採用之資料數量為 257 件
表 4.1、筆數統計比例
年齡 60-64 歲 65-74 歲 75-84 歲 85 歲以上 佔彰化縣總人口比例 5.21% 6.58% 4.62% 1.27%
佔彰化縣車鑑會資料
(共 940 筆)比例 8.62% 11.17% 6.28% 1.28%
佔本專題研究範圍 (共 257 筆)比例
31.52%
(共 81 筆)
40.86%
(共 105 筆)
22.96%
(共 59 筆)
4.67%
(共 12 筆)