OLS 估計結果

35該網站僅列出臺北、高雄、淡水、新竹、臺中、花蓮等六站之平均相對濕度數據，https://stat.m otc.gov.tw/mocdb/stmain.jsp?sys=100（瀏覽日期：2021/3/2）

及模型三分別以添加日高溫平方項及將日高溫改為Spline 變數之方式進行迴歸。

本研究將依據模型一至模型三所得結果選擇後續之日高溫變數形式。

模型一的結果顯示，在完全不考慮非線性關係及其他變數之干擾下，日高溫 與交通事故之間並無關聯性。經調整模型內變數後，模型二的結果指出，交通事 數量與日高溫之一次項呈負顯著相關，其係數為-0.0385；且亦與日高溫之平方項 呈負顯著相關，其係數為0.0008。日高溫之邊際效果呈 U 形曲線，如圖 3 所示，

該曲線斜率約於24 度開始由負轉正，故可知日高溫低於 24 度時，隨著日高溫數 值的增加，事故數量會隨之以非固定比例降低；而日高溫高於 24 度後，事故數 量則會以非固定比例增加。經採用 Spline 變數後，在各氣溫區間內皆有不同結 果，日高溫僅於20 度至 25 度區間及高於 30 度區間分別呈現負顯著及正顯著，

其餘則皆不具顯著關係。

資料來源：本研究自行整理。

圖3 日高溫之邊際效果

比較模型二及模型三之結果，本研究認為加入平方項的方式雖能觀察是否存 在非線性關係，然因其擬合之迴歸結果僅是令該架構下之殘差平方和為最小，並 非代表兩者實際關係呈 U 形曲線。若日高溫僅於高於某個數值或於某些區間內

始對事故數量具顯著影響，此時則以Spline 變數屬較佳處理方式。因此，後續模 型之所有日高溫變數皆係以Spline 變數形式呈現。

為修正地區及時間所遺漏變數之影響，模型四額外加入地區及時間的固定效 果。模型五則於模型四基礎上，進一步加入包含雨量、風速、相對濕度等氣象相 關變數及其平方項，為本研究中最完整的模型設定。相較於模型三無法合理解釋 之各區間係數，於模型四及模型五架構下，實證結果顯示當日高溫低於20 度時，

其對事故數量並不具關聯性；反之，當日高溫高於 20 度時，則具顯著關聯性。

由20 度至 25 度、25 度至 30 度、30 度以上等三個區間之係數可知，隨著日高溫 數值提升，事故數量分別會增加0.39、0.6、1.34%。

綜合模型四與模型五之結果，兩種模型其係數顯著性及正負號皆相同。值得 注意的是，除前述日高溫變數之結果外，𝑃𝑀_2.5的係數亦為顯著負相關，顯示隨 著𝑃𝑀_2.5的濃度提高，事故數量反而減少，此與Sager（2019）及 Wan et al.（2020）

所得結果相異。在模型選擇上，由於模型五其設定最為完整，故若本研究未特別 提及其他模型設定下的結果，則皆係以模型五設定為主，並以此模型之結果進行 說明。

表2 事故數量之 OLS 迴歸結果

二、交通事故牽涉車輛數量

此小節同樣以前述五個模型觀察日高溫與空氣汙染對牽涉車輛數量之影響，

其結果如表3 所示；基於上一小節結論，此處僅關注模型五之估計結果。根據表 3 所示模型五結果，日高溫低於 20 度時，其與牽涉車輛數量並不具關聯性；而 當日高溫高於20 度時，隨著日高溫數值增加，牽涉車輛數量增加幅度則愈高。

觀察表2 及表 3 所示模型五結果可知，各係數之顯著性及正負號於相同模型 設定下盡皆相同，顯示當日高溫數值或空氣污染濃度有所變動時，其對於事故數 量及牽涉車輛數量之影響具相同趨勢。若進一步討論係數值，在日高溫係數為正 之三個區間（20 度至 25 度、25 度至 30 度、30 度以上）中，表 3 所列係數皆大 於表2 係數，表示日高溫數值落於此些區間內時，牽涉車輛數量的變化將會大於 事故數量的變化（以模型五設定下，日高溫高於30 度時為例，每增加 1 度，事 故數量會增加1.34%，而牽涉車輛數量卻增加 1.77%），其中也隱含了事故當事人 數量或將變得更多。

此外，根據表3 所示模型五結果，𝑃𝑀_2.5的其係數依然為負，並呈顯著相關，

同上一小節所述；故本研究將以 IV 與 2SLS 法予以處理，以盡可能排除因為內 生性可能造成的偏誤。

表3 牽涉車輛數量之 OLS 迴歸結果