第五章 事故模式與因果鏈
5.1 事故模式
5.1.4 非新生事故模式
1. 模式建構
本節針對所有非行人事故案例中學生為非新生(一年級以外)之事故進行討論，共計 149 筆資料，應用羅吉斯迴歸模式探討非新生之大專學生發生死亡交通事故的事故類型 和各影響因子之關聯。模式以事故類型為應變數，區分為單一車輛事故(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，共挑選出 9 項變數：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)、週間或週末(K)以及 事故時間(T)，表 5-13 為候選自變數之卡方檢定表。
進行模式建構需先將每項類別變數各自編碼為一組虛擬變數來代表變數中各個類 別(參照表 5-1)，建構模式時會將一組變數同時納入或排除。
表5- 13 非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
I 持有駕照狀況 12.349 4 0.015 V 學生交通工具 10.746 2 0.005 P 精神狀況 23.925 3 0.000 M 心理感受 13.461 2 0.001 R 道路型態 25.896 5 0.000 L 事故區位 10.608 3 0.014 W 天候 7.107 3 0.069 K 週間或週末 3.419 1 0.064 T 時間 10.483 2 0.005
本研究採用向後逐步混合篩選法建構模式，以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)。表 5-14 呈現不符合上述檢定標準之變數，心理感受(M)、事故區位(L)、天候(W)、
週間或週末(K)、及時間(T)皆未能加入最終非新生事故模式；另一方面，參照表 5-15 可 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。透過向後逐步混合篩選法 得到非新生事故模式之自變數為持有駕照狀況(I)、學生交通工具(V)、精神狀況(P)及道 路型態(R)。
表5- 14 未加入非新生模式之變數彙整表 變數 Score 值 自由度 p 值
M 1.021 2 0.600 M(1) 0.690 1 0.406 M(2) 0.733 1 0.392
L 4.820 3 0.185 L(1) 4.806 1 0.028 L(2) 1.112 1 0.292 L(3) 0.700 1 0.403
W 1.388 3 0.708 W(1) 0.319 1 0.572 W(2) 0.034 1 0.853 W(3) 0.159 1 0.690
K(1) 0.180 1 0.671 T 2.113 2 0.348 T(1) 0.001 1 0.978 T(2) 2.002 1 0.157
表5- 15 非新生模式變數變更顯著性彙整表
本研究應用 SPSS 的 Hosmer-Lemeshow (HL)配適度檢驗非新生事故模式匹配觀測 資料的程度，該檢驗將模式觀測資料分為9 組，各組數量最低為 12 筆、最高有 25 筆資
(2)模式之χ2檢定
SPSS 輸出之模式係數 Omnibus 檢定表中可得模式χ2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(H0:β1=β2 =...=βk =0)。本研究的非新生 事故模式卡方值為79.759，自由度等於 13，與卡方分布相比得機率值 p= 0.000＜0.05，
達統計顯著，因此拒絕虛無假設，表示自變數能對應變數進行很好之解釋。
3. 模式係數顯著性檢定與迴歸係數解釋
迴歸係數可以被理解為自變數單位的變化對於應變數的影響。羅吉斯迴歸通常使用 Wald 統計量檢定迴歸係數的顯著性，若推翻虛無假設即表示自變數X 對兩事故類型的k 發生可能性有影響。針對迴歸係數是否顯著之統計檢定(檢定H0:βk =0是否成立)，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。透過表 5-17 可以知道在顯著水準α =0.1的情況下，非新生事故模式中 有 4 項變數具顯著性，包括持有駕照狀況(I)、學生交通工具(V)、精神狀況(P)及道路型 態(R)，但並非所有自變數的每個類別皆達顯著水準，參照下表可以知道具顯著性的個 別變數為I(1)(自小客或以上駕照)、I(2)(重型機車駕照)、V1(汽車)、P(1)(精神狀況良好)、
R(1)(十字路口)和 R(4)(直路)，但由於該項變數之整體 Wald 值已達顯著水準，且若移除 該變數將會顯著影響模式(參照變數變更顯著性檢定表 5-15)，因此本模式將之統一保留。
羅吉斯迴歸係數與線性迴歸係數相似，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，也就是說，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。如果係數的統計性不顯著，說明該 自變數的作用在統計上與零無異。
參照表5-17 可以知道，相對於多車碰撞事故，當非新生的交通工具為汽車(V(1))、
持有駕照為小客車以上(I(1))或重型機車(I(2))時，該大專學生發生造成死亡的單一車輛 事故對數勝算會隨之提高，具正向影響；相對來說，當學生精神狀況良好(P(1))、道路 型態為十字路口(R(1))或直路(R(4))等幾種影響因子存在時對學生發生單一車輛事故的 對數勝算之影響為負，也就是說，單一車輛事故對數勝算會隨其存在而降低。另一方面，
學生持輕型機車駕照(I(3))或無駕照(I(4))、交通工具為重型機車(V(2))、精神狀況為飲酒 (P(2))、疲勞或生病(P(3))、道路型態為三岔路口(R(2))、多岔路口(R(3))或彎道(R(5))等狀 況對於學生發生死亡交通事故之事故類型無顯著影響。
因對數勝算並沒有較直觀之涵義，所以解釋羅吉斯迴歸係數時通常採用勝算比(odds ratio)之概念，藉比較變數類別間的單一車輛相對勝算來瞭解各自變數與事故類型之關 聯。下列將使用勝算比針對顯著變數進行進一步說明。
表5- 17 非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 I 持有駕照狀況 8.298 4 0.081 *
I(1) 自小客以上 3.263 1.151 8.032 1 0.005 * 26.116 I(2) 重型機車 2.413 1.240 3.791 1 0.052 * 11.172 I(3) 輕型機車 -6.799 83.695 0.007 1 0.935 0.001 I(4) 無駕照 1.964 1.469 1.788 1 0.181 7.130
V 學生交通工具 4.652 2 0.098 *
V(1) 汽車 3.200 1.514 4.470 1 0.034 * 24.532 V(2) 重型機車 1.256 1.127 1.242 1 0.265 3.512
P 精神狀況 18.307 3 0.000 *
P(1) 良好 -1.903 0.637 8.922 1 0.003 * 0.149 P(2) 飲酒 0.058 0.960 0.004 1 0.952 1.060 P(3) 疲勞或生病 1.467 0.994 2.178 1 0.140 4.338
R 道路型態 12.097 5 0.033 *
R(1) 十字路口 -4.016 1.195 11.295 1 0.001 * 0.018 R(2) 三岔路口 -11.769 35.801 0.108 1 0.742 0.000 R(3) 多岔路口 -10.942 58.041 0.036 1 0.850 0.000 R(4) 直路 -1.562 0.782 3.990 1 0.046 * 0.210 R(5) 彎道 -0.960 0.882 1.186 1 0.276 0.383 β0 直路 -1.659 1.589 1.090 1 0.296 0.190 模式卡方值 = 73.759、自由度 = 14 、p = 0.000
(1)學生持有駕照狀況對事故類型之影響
本研究將學生持有駕照狀況分為自小客以上(I(1))、重型機車(I(2))、輕型機車(I(3))、
無駕照(I(4))，而持照狀況不明者為參照組，其未於模式中出現，係數等於 0。本組變數 達顯著者為學生持有小客車以上駕照(I(1))或重型機車駕照(I(2))，其係數值分別為 3.263 及 2.413(參照表 5-17)，因此兩者相較於參照組發生單一車輛事故之勝算比各為 26.116(e3.263)及 11.172(e2.413)。
除了直接由係數值推得各交通工具對照參照組的單一車輛事故勝算比以外，亦可透 過計算兩係數間差異值來獲得不同持照狀況的勝算比。舉例來說，在其他所有狀況皆相 同時，非新生持有小客車以上駕照發生單一車輛事故之勝算為持有重型機車駕照的 2.340 倍(e(3.263−2.413)=e2.340)，而持有小客車以上駕照相對於所有其他非小客車駕照的單一 車輛事故勝算比可由下列計算求得：
Logit (小客車) = β0+βI(1)+βV(1)+βV(2)+βP(1)+βP(2)+βP(3)+βR(1)+βR(2)+βR(3)+βR(4)+βR(5)
Logit (非小客)=β0+βI(2)+βI(3)+βI(4)+βV(1)+βV(2)+βP(1)+βP(2)+βP(3)+βR(1)+βR(2)+βR(3)+βR(4)+βR(5)
Logit 差異 = βI(1)-(βI(2)+βI(3)+βI(4)) = 3.263–(2.413–6.799+1.964) = 5.685 勝算比 = e5.685=294.4178
從上述分析可知，大專生發生死亡交通事故時，當所有其他影響因子皆維持相同 下，非新生持有小客車以上駕照發生單一車輛事故之勝算遠高於所有其他持照狀況。
(2)學生交通工具對事故類型之影響
交通工具中僅汽車(V(1))為顯著變數，將其係數值 3.200 取自然指數即可得到非新 生駕駛汽車發生單一車輛事故的勝算為輕型機車(參照組)的 24.532 倍(e3.200)；另外，當 所有其他影響因子皆維持一致時，非新生駕駛汽車相較於騎乘重型機車之單一車輛事故 勝算比為6.987(e1.944)。由上述討論可知非新生駕駛汽車發生單一車輛事故之勝算為三種 交通工具裡最高。
(3)學生精神狀況對事故類型之影響
參照表5-17 可以知道學生精神狀況中只有良好(P(1))對模式有顯著影響，其係數值 為-1.903，而飲酒(P(2))及疲勞或生病(P(3))兩者未達顯著水準，參照組為其他精神狀況，
係數值等於0，並未出現於模式中。由此可推得在其他影響因子皆相同的情況下，非新 生 之 大 專 學 生 精 神 狀 況 為 良 好 時 發 生 單 一 車 輛 事 故 之 勝 算 為 其 他 精 神 狀 況 的 0.149(e−1.903= e3.200−1.256)倍。進一步再由下列計算求得非新生精神狀況是否為良好時的單 一車輛事故勝算比：
Logit (良好) = β0+βI(1)+βI(2)+βI(3)+βI(4)+βV(1)+βV(2)+βP(1)+βR(1)+βR(2)+βR(3)+βR(4)+βR(5)
Logit (非良好)=β0+βI(1)+βI(2)+βI(3)+βI(4)+βV(1)+βV(2)+βP(2)+βP(3)+βR(1)+βR(2)+βR(3)+βR(4)+βR(5)
Logit 差異 = βP(1)–(βP(2)+βP(3)) = –1.903–(0.058+1.467) = –3.428 勝算比 = e−3.428 =0.032
非新生精神狀況良好相較於精神狀況非良好(飲酒、疲勞或生病)的單一車輛事故勝 算比為 0.032，也就是說，發生大專學生死亡交通事故時，非新生若精神狀況為良好時 發生單一車輛事故之可能性很低。
(4)道路型態對事故類型之影響
本研究將道路型態分為十字路口(R(1))、三岔路口(R(2))、多岔路口(R(3))、直路 (R(4))、彎道(R(5))及其他(參照組)共六類，其中以 R(1)及 R(4)為顯著影響因子，其係數 值分別為-4.016 和-1.562，由此可知非新生於十字路口或直路發生造成死亡的單一車輛 事故的勝算分別為其他道路型態的0.018(e−4.016)及 0.210(e−1.562)倍，換句話說，相較於其 他道路型態，非新生在這兩種道路型態發生單一車輛交通事故的可能性較低。進一步比 較這兩種道路型態發生單一車輛事故之勝算，藉由計算兩係數差後再取自然指數可得勝
算比為11.635，表示在其他影響因子相同時，非新生於直路發生造成死亡的單一車輛事 故勝算為十字路口的11.635 倍，直路較十字路口有可能發生單一車輛事故。