台灣地區年輕族群肇事特性分析：以中部地區為例

(1)

報告題名：

台灣地區年輕族群肇事特性分析-以中部地區為例

Analysis the Accident Characteristics of young ethnic

groups in Taiwan- taking central Taiwan as an example

作者：林俊瑋、毛沛慈、陳鵬翔、林佳昱系級：運物三甲學號：D0552582、D0552254、D0552166、D0592410 開課老師：葉名山課程名稱：專題研究開課系所：運輸與物流學系開課學年：107 學年度第 2 學期

(2)

中文摘要

本研究分析民國 101 年至 105 年內政部警政署道路交通事故資料，總共 119692 件交通事故資料，初步先將資料整理後得出中部地區資料為 431,373 筆，將有不合理內容之資料予以刪除或補正，取 15 歲以上交通事故資料總共 404,974 筆，並以 A1 及 A2 類道路交通事故資料為主，以每十萬人為基準的交叉分析資料顯示，18-24 歲在陰天、夜間有照明、夜間無照明、省道、路段、汽(機)車本身、使用機車及上、下學的類別中都比 25-64 歲多出 2 倍以上，尤其是 18-24 歲使用機車導致肇事案件竟然比 25-64 歲的高出 3.93 倍和 18-24 歲受傷的肇事案件比 25-64 歲的高出 3.49 倍，之後透過卡方檢定及羅吉斯迴歸分析進行分析，挑選出「駕駛資格」、「受傷程度」、「旅次目的」及「當事者區分」為有顯著性之事故特性類別，並針對上述四項類別提出建議與改善。

關鍵字：

肇事、青少年、多元羅吉斯模式、卡方檢定相關分析、交叉分析敘述性統計

(3)

Abstract

This study analyzed road traffic accident data from the Ministry of the Interior Police Department from 101 to 105 years, totaling 119,692 traffic accident datas, and initially collated the data to reach 431,373 data from the central Taiwan, Information on unreasonable content will be deleted or corrected, taking a total of 404,974 traffic accident data for over 15 years of age, Mainly with A1 and A2 road traffic accident data, Cross-analysis data based on 100,000 people show that 18-24 year olds are more

than twice as old in cloudy, night-time lighting, no lighting at night, provincial roads, road sections, steam (machine) cars themselves, locomotives and upper and lower schoolage categories are more than 25-64 years old, Especially the use of locomotives

for 18-24 year-olds resulting in 3.93 times more accidents than 25-64 years olds and 3.49 times higher than those of 25-64-year-olds, after analyzing by Chi-square test

and logistic model, "Driving qualification", "injury degree", "travel purpose" and "party distinction" were selected as significant accident characteristic categories and

recommendations and improvements were made for the four categories mentioned above.

(4)

表目錄... 5 圖目錄... 7 第一章、緒論... 1 1.1 計畫緣起... 1 1.2 研究目的... 1 1.3 研究範圍與對象... 2 1.4 研究內容與工作項目... 3 第二章、文獻回顧... 6 2.1 年輕族群事故相關研究... 6 2.2 道路事故分析與相關研究... 8 第三章、研究方法... 13 3.1 資料背景... 13 3.2 變數說明... 13 3.3 敘述性統計... 14 3.4 交叉分析... 14 3.5 卡方檢定... 15 3.6 以卡方值為基礎之相關量數... 15

3.7 卡方自動互動檢視法(Chi-Square Automatic Interactive Detector, CHAID) ... 16 3.8 羅吉斯迴歸模式... 17 3.8.1 多元羅吉斯迴歸模型... 17 3.8.2 羅吉斯迴歸方程式... 18 第四章、敘述性統計... 19 4.1 基本資料... 19 4.1.1 人口... 19 4.1.2 國內運具使用概況... 19 4.1.3 肇事件數... 20 4.2 101~105 年肇事資料交叉分析 ... 22 4.2.1 101-105 年中部地區事故及道路環境概況肇事資料統計 ... 22 4.2.2 101-105 年中部地區當事者狀態肇事資料統計 ... 34 第五章、CHAID 分析、卡方檢定相關分析與多元羅吉斯迴歸模型 ... 44 5-1 CHAID 分析... 44 5.2 交叉表卡方獨立性檢定相關分析... 48

(5)

5.3 多元羅吉斯迴歸模型之選擇... 52

5.4 適合度檢定... 53

5.4.1 Omnibus 卡方值 ... 53

5.4.2 Nagelkerke R 平方值與 Cox 及 Snell R 平方值 ... 53

5.4.3 -2 對數概度 ... 53 5.4.4 AIC ... 53 5.4.5 BIC ... 54 5.5 羅吉斯迴歸模型結果... 54 5.6 多元羅吉斯迴歸模型結果之分析... 55 5.6.1 年齡分層與駕駛資格方面... 59 5.6.2 年齡分層與旅次目的方面... 60 5.6.3 年齡分層與受傷程度方面... 61 第六章、結論與建議... 63 6.1 結論... 63 6.2 建議... 64

(6)

表目錄

表 3.1 變數類別細項 ... 13 表 3.2 類別尺度變相相關量數及解釋變相間關係強弱的原則 ... 16 表 4.1 民國 101-105 年中部地區人口結構 ... 19 表 4.2 民國 101-105 年統計年輕族群的肇事件數 ... 20 表 4.3 民國 101-105 年每十萬人於各年齡分層的肇事件數 ... 21 表 4.1 101 年~105 年年齡分層與天候類別 A1+A2 案件數 ... 22 表 4.2 101 年~105 年平均每年每十萬人於各年齡分層與天候類別的肇事案件數 ... 22 表 4.3 101~105 年年齡分層與光線類別 A1+A2 案件數 ... 23 表 4.4 101 年~105 年平均每年每十萬人於各年齡分層與光線類別的肇事案件數 ... 24 表 4.5 101 年~105 年年齡分層與道路類別 A1+A2 案件數 ... 25 表 4.6 101 年~105 年平均每年每十萬人於各年齡分層與道路類別的肇事案件數 ... 25 表 4.7 101 年~105 年年齡分層與速限類別 A1+A2 案件數 ... 26 表 4.8 101 年~105 年平均每年每十萬人於各年齡分層與速限類別的肇事案件數 ... 27 表 4.9 101 年~105 年年齡分層與道路型態類別 A1+A2 案件數 ... 27 表 4.10 101 年~105 年平均每年每十萬人於各年齡分層與道路型態類別的肇事案件數 ... 28 表 4.11 101 年~105 年年齡分層與事故位置類別 A1+A2 案件數 ... 29 表 4.12 101 年~105 年平均每年每十萬人於各年齡分層與事故位置類別的肇事案件數 ... 29 表 4.13 年齡分層與號誌動作類別 A1+A2 案件數 ... 30 表 4.14 101 年~105 年平均每年每十萬人於各年齡分層與號誌動作類別的肇事案件數 ... 30 表 4.15 101 年~105 年年齡分層與事故類型及型態類別 A1+A2 案件數 ... 31 表 4.16 101 年~105 年平均每年每十萬人於各年齡分層與事故類型及型態類別的肇事案件數 ... 33 表 4.17 101 年~105 年年齡分層與性別類別 A1+A2 案件數 ... 34 表 4.18 101 年~105 年平均每年每十萬人於各年齡分層與性別類別的肇事案件數 ... 34 表 4.19 101 年~105 年年齡分層與受傷程度類別 A1+A2 案件數 ... 35 表 4.20 101 年~105 年平均每年每十萬人於各年齡分層與受傷程度類別的肇事案

(7)

件數 ... 35 表 4.21 101 年~105 年年齡分層與當事者區分類別 A1+A2 案件數 ... 36 表 4.22 101 年~105 年平均每年每十萬人於各年齡分層與當事者區分類別的肇事案件數 ... 37 表 4.23 101 年~105 年年齡分層與駕駛資格類別 A1+A2 案件數 ... 38 表 4.24 101 年~105 年平均每年每十萬人於各年齡分層與駕駛資格類別的肇事案件數 ... 39 表 4.25 101 年~105 年年齡分層與飲酒情況類別 A1+A2 案件數 ... 40 表 4.26 101 年~105 年平均每年每十萬人於各年齡分層與飲酒情況類別的肇事案件數 ... 40 表 4.27 101 年~105 年年齡分層與旅次目的類別 A1+A2 案件數 ... 42 表 4.28 101 年~105 年平均每年每十萬人於各年齡分層與旅次目的類別的肇事案件數 ... 42 表 5.1 101-105 年道路交通事故觀察值處理摘要 ... 48 表 5.2 101-105 年道路交通事故各變數卡方檢定表 ... 49 表 5.3 101-105 年道路交通事故各變數對稱性量數表 ... 50 表 5.4 模型係數的 Omnibus 檢定 ... 54 表 5.5 模式摘要 ... 54 表 5.6 模型適用準則 ... 54 表 5.7 最終模型之多元羅吉斯迴歸變數顯著性 ... 55 表 5.8 最終模型之多元羅吉斯迴歸參數估計值 ... 56 表 5.9 年齡分層與駕駛資格方面參數表 ... 59 表 5.10 年齡分層與旅次目的參數表 ... 60 表 5.11 年齡分層與受傷程度方面參數表 ... 61 表 5.12 年齡分層與當事者區分方面參數表 ... 62

(8)

圖目錄

圖 1.1 研究流程圖 ... 5 圖 2.1 文獻-CHAID 樹狀圖 ... 11 圖 2.2 文獻-變數說明 ... 12 圖 3.1 Karl-Pearson 卡方列聯表 ... 15 圖 4.1、101 年-105 年民眾主要使用交通工具比率 ... 20 圖 4.1 101 年~105 年每十萬人於各年齡分層的肇事案件數 ... 21 圖 4.1 101 年~105 年平均每年每十萬人於各年齡分層與天候類別的肇事案件數23 圖 4.2 101 年~105 年平均每年每十萬人於各年齡分層與光線類別的肇事案件數24 圖 4.3 101 年~105 年平均每年每十萬人於各年齡分層與道路類別的肇事案件數26 圖 4.4 101 年~105 年平均每年每十萬人於各年齡分層與速限類別的肇事案件數27 圖 4.5 101 年~105 年平均每年每十萬人於各年齡分層與道路型態類別的肇事案件數 ... 28 圖 4.6 101 年~105 年平均每年每十萬人於各年齡分層與事故位置類別的肇事案件數 ... 30 圖 4.7 101 年~105 年平均每年每十萬人於各年齡分層與號誌動作類別的肇事案件數 ... 31 圖 4.8 101 年~105 年平均每年每十萬人於各年齡分層與事故類型及型態分層類別的肇事案件數 ... 33 圖 4.9 101 年~105 年平均每年每十萬人於各年齡分層與性別類別的肇事案件數35 圖 4.10 101 年~105 年平均每年每十萬人於各年齡分層與受傷程度類別的肇事案件數 ... 36 圖 4.11 101 年~105 年平均每年每十萬人於各年齡分層與當事者區分類別的肇事案件數 ... 38 圖 4.12 101 年~105 年平均每年每十萬人於各年齡分層與駕駛資格類別的肇事案件數 ... 39 圖 4.13 101 年~105 年平均每年每十萬人於各年齡分層與飲酒情況類別的肇事案件數 ... 41 圖 4.14 101 年~105 年平均每年每十萬人於各年齡分層與旅次目的類別的肇事案件數 ... 43 圖 5.1 101-105 年第一當事人年齡分層 CHAID 圖 ... 45 圖 5.2 CHAID 樹狀分層圖第一部分 ... 46 圖 5.3 CHAID 樹狀分層圖第二部分 ... 46 圖 5.4 CHAID 樹狀分層圖第三部分 ... 47 圖 5.5 CHAID 樹狀分層圖第四部分 ... 47

(9)

第一章、緒論

1.1 計畫緣起

根據統計資料及報導，台灣的交通事故死亡人數一直都是高居前幾名，死亡率是美國和韓國的 1.5 倍，更是日本的 3 倍、香港的 7 倍。近年來在法規方面加重酒駕的罰款及汽機車考照制度都有調整突破，雖然有效的減少違規、肇事，不過有一數據並未起伏太大，那就是 18~29 歲年輕族群還是肇事案件中所占比例最高的比率。根據警政統計通報 106 年 A1 類道路交通事故每 10 萬人口肇事件數依肇事者年齡觀察，以「70 歲以上」及「18-29 歲」分別為 9.37 件及 8.08 件肇事率較高。肇事者年齡件數：106 年以「18-29 歲」306 件(占 21.34％) 最多，「30-39 歲」252 件(占 17.57％)次之，「40-49 歲」242 件(占 16.88％) 再次之。年齡別肇事率：106 年每 10 萬人口發生 A1 類道路交通事故 6.09 件，其中以「70 歲以上」發生 9.37 件最多，「18-29 歲」8.08 件居次，「65-69 歲」7.35 件及「30-39 歲」6.68 件分居第三及第四，顯示年輕族群肇事率較高。而且根據美國汽車協會(AAA)交通安全基金會對不同年齡層駕駛人在 2014 年至 2015 年期間的肇事率的數據統計，年齡在 16 歲到 17 歲之間 (美國通常 16 歲就可以的駕駛者的肇事率是成年人的 3.9 倍，發生致命車禍的機率是成年人的 2.6 倍。根據統計青少年車禍主因除駕車技術不熟練，還包括超速、酒駕、毒駕等因素，較無法控制自己行為，遇到突發狀況也較難掌握，因此若肇事通常都非常嚴重。綜合以上原因，台灣的年輕族群的肇事因素是我們想要去研究討論的，透過資料的整理、分析，找出年輕族群的肇事特性。

1.2 研究目的

由前述之緣起說明，我們知道年輕族群每年在台灣肇事的案件並不在少數，故本研究希望透過統計方法做資料分析，分析近年年輕族群道路交通事故特性，並參考國內外年輕族群交通行為特性與道路事故資料有關之文獻，了解年輕族群肇事的原因等因素，並提出結論與建議。

(10)

1.3 研究範圍與對象

依據交通部運輸研究所道路交通事故當事人特性分析之研究中顯示，交通事故調查表中當事者之定義如下： (1)第幾當事者：發生道路交通事故而致傷、亡或財物損失之人員，不論其為駕駛人、乘客、行人、物主等，應列為當事者，填寫時依當事者順位於第一欄填入數字，如為第一當事者，則於第一列第一欄填入「1」，並於第二欄記下其姓名；若當事者「肇事逃逸尚未查獲」及其姓名相關資料「不明」，其姓名則填寫「肇事逃逸」或「不明」；如為第二當事者，則於第二列第一欄填入「2」，並於第二欄記下其姓名、名稱、肇事逃逸或不明，依此類推。如係本件事故中無辜受害者之單純被害人（如無辜受傷之乘客等）或無肇事責任之當事者，則列為最後之當事者。 (2)事故發生之肇事原因（責任）可明確研判：事故發生之肇事原因（責任）可明確研判者，以肇事原因（責任）較重之一方列為「第一」當事者，較輕之一方列為「第二」當事者（不論其為駕駛人、或行人、或乘客、或物、或肇事逃逸）。平交道事故除非能證明火車司機更重大過失責任，否則不可將火車列為「第一」當事者。 (3)年齡分層定義: 目前世界各單位對青少年之定義並未一致，各有其不同的界定依據，衡諸世界各國對青少年的定義，聯合國對青少年的界定為 15-24 歲、歐盟為 15-25 歲、世界衛生組織為 10-20 歲，其他如日本為 24 歲以下、美國則為 14-24 歲、新加坡甚至將青少年的定義延伸至 30 歲，可見各國都是從自身的理論、法令及實務運作等各層面來訂定範圍，並沒有一致標準。因此本研究依據聯合國對青少年的界定為 15-24 歲及台南市政府警察局全

(11)

球資訊網的資料顯示18至25歲青少年年齡層，為交通事故高危險族群，並進一步將年齡分層區分為未成年(15歲~17歲)、青少年(18歲~24歲)、青壯年(25歲~64歲) 及老年(65歲以上)四種層級。本研究分析民國101年至105年內政部警政署道路交通事故資料，針對A1及 A2類道路交通事故中之第一當事者為研究對象資料，探討中部地區年輕族群(包含未成年與青少年年齡分層)道路交通事故特性，探討哪些變數會影響年輕族群。事故資料分為道路事故資料與當事人事故資料，道路事故資料包括天候、光線、道路類別、道路型態、事故位置、路面狀況、道路障礙、號誌、車道劃分設施─分向設施、車道劃分設施─分道設施、事故類型及型態；當事人事故資料凿括性別、受傷程度、主要傷處、保護裝備、行動電話、當事者區別、車輛用途、當事者行動狀態、駕駛資格情形、駕駛執照種類、飲酒情形、車輛最初撞擊部位、車輛其他撞擊部位、主要肇事因素、職業、旅次目的、國籍。

1.4 研究內容與工作項目

本研究架構分為現況分析、文獻回顧、課題探討、政策改善。依循此研究架構，本研究將計畫流程圖整理如圖 1.1 所示，各研究結構之工作項目說明如下: 1. 現況分析針對中部地區年輕族群人口的結構以及交通事故資料進行一般統計分析。 2. 文獻回顧蒐集與歸納國內年輕族群事故特性研究成果，以及國外文獻有關年輕族群事故特性，並綜合整理與研究相關之道路交通事故資料可利用的資料為本研究的參考基準。 3. 資料分析資料分析部分係利用警政署 101 年至 105 年之道路交通事故資料之 A1 及 A2 類道路交通事故資料進行分析。首先將資料做初步整理與統計，運用交叉分析比對年輕族群在交通事故中，在不同情況下分布的情形，接著

(12)

進一步探討年輕族群道路交通事故風險因子，分析之主要目的為事故資料庫中造成年輕族群死亡(或傷害)之高風險因子，以「人」、「車」、「路(環境)」區分年輕族群之交通事故死亡(或傷亡)風險比較，其運用的研究方法含卡方檢定及羅吉斯迴歸模式。 4. 課題探討運用統計資料之分析結果，找出顯著性較高之因素，並進一步探討年輕族群在各情況下之肇事特性原因，更細部探討中部地區各行政區年輕族群之肇事特性原因。 5. 後續研究方向透過本研究資料分析結果，針對年輕族群發生肇事案件較有關聯之因子，提出後續可升入研究之議題。

(13)

(14)

第二章、文獻回顧

2.1 年輕族群事故相關研究

McGwin 以及 Brown【1】兩位學者研究不同年齡層之間的道路交通事故特性，其年齡分層主要分成三個族群分別為青年、中年、以及老年。而該研究分析結果指出最年輕與最老年駕駛者於道路交通事故中是較有可能發生事故時有錯誤一即是具有責任的一方。張彩秀及黃松元【2】兩位學者研究機車安全教育對交通事故傷害防制之實驗性，得出台灣中部地區交通狀況不及北部來得便捷，因此私人運具使用率較高，發生事故機會隨之增加，其中，汽車（包括客車、貨車、代用客車、特種車）及機器腳踏車（簡稱機車）為最多人使用之私人運具，而機車因具有高機動性、經濟、方便等特性，所以為年輕人最常考慮使用之交通工具。又機車駕駛是一種複雜的操作過程，須有良好的技能與生理狀況才能避免事故之發生，許多機車駕駛人生理狀況不佳，加上未能經過良好的訓練，因此發生事故的危險性是汽車的 20 倍。柳永青、董瑩蟬【3】探討不同年齡群駔行人與駕駛者的穿越道路行為與煞車決策之差異，期分別探討行人與駕駛在年齡群組、白天與黃昏、車速、時間兼具混合設計實驗的行為差異，結果得知:駕駛與行人主要依據距離判斷，車速越快危險性亦增加。黃昏時段駕駛人所選擇剩餘時間縮短。吳振宏吳水威【4】台灣地區每年因騎乘機車死亡人數占所有各車種中之比例為最高，且年輕人為最主要的族群。本研究針對在學之青少年進行問卷調查，並利用統計方法進行相關因子之分析。結果發現，青少年的騎乘行為受人格特質、父母機車安全教育、同儕間錯誤騎乘方式、新聞媒體正面報導所影響。在性別差異中，男性較女性會受同儕朋友的騎乘行為影響；女性在探究新聞媒體交通意外事故內容及風險感知程度上皆較男性高。隨著學歷增加，可能因其技術能力及自信力提高，所以就更有可能做出違反交通法規的情形發生。在有無駕照中，無駕照之青少年明顯高於有駕照之青少年會去瞭解新聞報導機車意外事故的內容，由此可知新聞媒體報導的重要性。最後結構方程模式得知，危險機車騎乘行為對於風險感知為負向關係，代表風險感知愈高之青少年對於危險機車騎乘行為

(15)

則愈低；而父母家庭正確騎乘機車教育及新聞媒體報導正向新聞資訊對於風險感知為正向關係；人格特質中追求冒險刺激及同儕朋友錯誤騎乘行為對於風險感知為負向關係。江淑娥【5】長期以來，意外事故一直是台灣地區 15-29 歲青年的首要死因，其中以機車肇事所導致的傷亡最為嚴重，而人為因素在肇事原因中扮演著很重要的角色。。文獻指出青年時期為極度冒險階段，青年較年長者更傾向於冒險，且冒險行為與機車事故的發生有很大的關聯，諸如騎快車、蛇行、騎機車不戴安全帽及酒後駕車等。蕭力文和汪進財等人【6】年輕機車族群肇事率高於其他年齡層，過去文獻指出具有高風險駕駛行為傾向之駕駛者亦具有較高的事故風險，藉由探究年輕機車族群之高風險駕駛行為，可逐步釐清年輕機車駕駛人發生事故之原由，然而駕駛者之組成具有異質性，只有部份駕駛者顯現有高風險駕駛行為發生，若以整體年輕機車族群之觀點討論則無法有效找出關鍵影響因素。因此此研究根據文獻中高風險駕駛行為影響模式先以年輕機車駕駛族群之外顯社經特性、車禍違規歷史分群，利用變異數分析探討機車駕駛行為之異質性與異質駕駛族群間駕駛行為特性之差異；再以集群分析將年輕機車駕駛者潛在個人特質進行分群，探討具不同個人特質特性之駕駛者駕駛行為之差異；接著利用結構方程模式多群組分析探討異質駕駛群中駕駛行為影響因素間之關聯；最後將具有駕駛行為差異之年輕機車族群以羅吉斯迴歸與事故、違規發生建立關聯，以更明確瞭解駕駛者心理特質與駕駛行為、駕駛行為後果之關係鮑雨薇【7】首先瞭解大專學生機車死亡事故之概況，接續設計研究問卷用以探究大專學生於人格特質、對於交通安全的態度、風險感知及機車危險駕駛行為之特性，且分析不同族群在各別與整體問項上的差異性，並進一步探討人格特質、對於交通安全的態度、風險感知對機車危險駕駛行為所造成的影響。其機車死亡事故有以下三點之特性：（1）男生是扮演駕駛的角色，而女生則多半是乘客。（2）相較於另一型態事故，多車輛事故大多會發生於晚上，而單一車輛事故則會發生於凌晨時段。（3）相較於另一性別，男學生大多於凌晨發生事故，而女學生大多於晚上發生事故。陸人楊君【8】在台北地區學生運輸問題之研究中就針對台北地區學生含小學、初中、高中、高職及專科大學上下學之運輸現況、問題及改善策略予以分析。其結果顯示學生運輸問題十分嚴重且有無照駕駛機車之情形。然就該研究所探討之年代，國內經濟發展尚在起步階段，機車的擁有及使用並未如現今如此普及，因此即便當時已出現青少年學生無照駕駛機車的情形，然其違規使用之氾濫程度

(16)

並未如現今之嚴重。而之後幾年國內的經濟開始蓬勃發展，國民所得日漸提高、機車的普及化及便利性使得國人使用機車隻數量不斷的攀升，另外亦造成青少年學生隨手可以獲得使用機車之機會相對的提高，因此無照駕駛機車之問題亦日益嚴重。 Finn 和 Bragg 等人【9】該研究指出年輕人的機車事故商高於年長者，主要原因應何其態度有關，因為年輕人騎機車時較常騎快車、闖紅燈、與前車未保持安全距離等，且年輕人較易高估其騎車的技巧而低估了危險性；換言之，亦即年輕人比年長者傾向於冒險；有許多研究皆以證明年輕人較易傾向於選擇冒險行為。

2.2 道路事故分析與相關研究

陳存雄【10】採用「歷史研究法」，蒐羅相關的歷史資料（historical sources）過去所發生的酒駕肇事案例，進行剖析，蒐集交通部統計與發佈的酒駕肇事案例、記者所報導與訪談酒駕肇事案例當事人的新聞、酒駕肇事案例的觀察與評論，如：期刊論文、讀者投書、相關論壇。經由鑑定酒駕肇事案例資料的真實（authenticity）、適切性、意義與可靠性（dependability）後，進而發現有關論文研究問題的資料，加以有系統的歸納與組織，並說明、分析。 Abdel-Aty【11】針對不同的事故位置所造成的嚴重度進行研究，並且所使用的方法為順序性普羅比模式加以建構。其研究目標是因發現道路交通事故的發生是因為相當複雜的各種特性與因素交織而成，包含了道路、駕駛者、交通特色以及環境，而此研究亦關心此因素交互影響所造成的事故發生的嚴重性，其傷亡嚴重性有四種類型:(1)沒受傷;(2)可能受傷;(3)明顯受傷;(4)嚴重受傷或死亡。該研究所使用的資料與方法為駕駛傷亡情況使用順序性普羅比方法進行分析建構，而且模式所使用的資料為佛羅里達州中部的路段、路口以及收費區。所有模式顯示影響受傷程度的顯著變數有駕駛年齡、性別、安全帶使用、撞擊點、速度以及車種。其他顯著變數是用在特殊的案例。然而研究結果顯出駕駛者違規在號誌化路口是顯著變數;酒駕、光線以及水平曲率程度是在路段顯著影響;在收費區的顯著變數上，車上裝有 ETC 是會提升較高的傷亡機率;其他顯著扁樹納入部分模式中有天候、區域種類以及一些交互影響因子。 Shankar【12】等學者採用巢式羅吉特來用以分析郊區道路的單車碰撞之事故嚴重性，進行不同的巢式結構均被考量且進行統計的概似值比檢定(likelihood ratio test)。所採用的資料為華盛頓州之 1988-1992 年期間 5 年的事故資料，其發

(17)

生在洲際公路計有 61 公里的路段，並且將其分成 10 個區段(每 6.1 公里一個研究區域)，共計有 1505 件個別車輛事故。方法則是透過巢式羅吉特來進行事故嚴重性的發生程度之預測，共考量四個嚴重性等級，分別為(1)財損(2)可能受傷(3)明顯受傷(4)傷殘及死亡。評估結果顯示環境條件、公路設計、事故類型、駕駛特性以及車輛屬性均會影響事故嚴重程度。該研究也顯示出巢式羅吉特在應用 ITS 或是其他安全相關設施已評估道路事故嚴重性是好的研究方法。而該研究變數所考量計有六類，(1)個別事故資料:包含有主要肇因、嚴重性最高的結果、發生時段、事故位置(路內或路外、彎曲道路或直路、坡度)以及路旁固定物種類和事故類型;(2)天候:含雨天、雪天以及霧天;(3)幾何:包含水平曲率、坡度、每公里坡道與彎道的數量、彎道的長度所占百分比率;(4)鋪面路面:含冰封、雪地、濕滑以及乾燥路面;(5)車輛:事故發生車輛數與車種、事故發生時駕駛與乘客之安全系統使用、乘客拋出車外以及每輛車的乘客數量;(6)駕駛相關:駕駛酒駕、年齡、性別。而此作者發現巢式羅吉特模式影用在財損以及可能發生傷亡適合度最高。 Shankar 和 Mannering【13】使用多元羅吉特規範來評估機車駕駛者發生肇事時的碰撞嚴重性，其嚴重性考量有五個等級:只有(1)財損(property damage only)、(2)可能受傷(possible injury)、(3)明顯受傷(evident injury)、(4)重傷(severe injury)、以及(5)死亡(fatality)。碰撞資料有五年期間遍及華盛頓州的單一機車碰撞資料。結果顯示出多項羅吉特模式是一個有希望的(promising)研究來評估決定單一輛機車發生事故之嚴重性。

Toshiyuki 和 Shankar【14】使用二元順序性反應是普羅比模式(bivariate ordered-response prrobit model)來研究華盛頓州之駕駛者以及受傷最嚴重的乘客的傷亡程度當他所碰到的固定物。結果顯示出冰封路面以及雨天則會降低駕駛者傷亡的嚴重程度之機率，當駕駛者進入以及離開曲線段有不同的影響駕駛者之傷亡程度。安全的使用安全防護系統可以顯著地降低事故嚴重程度之機率。男性駕駛者以及年輕駕駛者有較低的機率發生較嚴重的事故傷亡，可能因為他們在生理上的優勢，而且駕駛人神智不清時則會造成嚴重事故傷亡。 Hasselberg 和 Laflamme 【15】進行了年輕人駕駛者的相關研究，期先將樣本分群之後，再進行勝算值比檢定各種類型、情境的檢定，以進一步找出各族群中的特性以及防治策略。該研究目的在於以最基本典型的肇事事故情況進行分析，其主要以年輕駕駛者的事故資料內容包含有導致傷亡發生以及考慮不同駕照狀況進行分析。所使用資料為 1984 年級 1986 年出生的年輕瑞典駕駛並且在 2003 年至 2004 年發生肇事事故資料，以分群分析將資料分群，事故分群以變數之駕照狀態、駕照持有期間和酒醉駕駛為主，然而各群間的關係將被分析。在結果部分則有定義出五個群落，其基本的事故類別分別為「在居住密度低的區域發生單

(18)

一車輛碰撞」、「對向(front-on)碰撞」、「事故發生時間於清晨與黃昏」、「轉彎事故」、「小客車於都會區以及速限低於 50km/h 的區域」等事故類型。其分群的差異是用酒醉駕駛的比率可以說明，而無照駕駛之情況被發現在某些群落中數量特別高(尤其是單一車輛碰撞與夜晚時間的事故)，而各分群其中之一的狀況是新手駕駛以及無照駕駛的現象特別的明顯突出，而結果也點出來要有計畫的制定防護策略。 Abdel-Aty 和 Radwan【16】採用負二項迴歸模式用以建構事故發生頻率模式。事故資料為佛羅里達中部區域 1992 年至 1994 年總計有 3 年以及投入有 1606 筆事故數，事故總次數模式顯著的變數有 AADT、水平曲率、主要車道、路肩、中間車道寬度、郊區/市區、以及區段長度。而模式採用人口統計的部分駕駛變數進行不同負二項迴歸模式的應用，而採用腹案向迴歸分析作為模式的原因是傳統迴歸分析模式均要求分配需符合常態分配且會生負數情況，而普瓦松迴歸分析則是要求變異數需等於平均樹枝假設前提，而肇事次數有變異狀況相當大的問題，因此採用負二項迴歸進行分析。總共建構了總事故次數以及依據年齡與性別分類的模式。結果顯示出車流量高、速度高、窄車道寬、大量的車道數、市區道路、窄的路肩寬度、降低中間車道寬以及窄車道中會有比較容易發生事故狀況；男性駕駛者在超速狀況下會有比較大的機會發生事故；同時模式將年齡層分為 15~25 歲、26~75 歲以及 75 歲以上三群，期也指出年輕與老人駕駛者在高車流量、降低路肩與中間車道寬度比起中間族群會有較高的事故機率；年輕族群在彎道上以及超速時易有較高的事故機率。

林震岩【17】多變量分析：AID 是由 Sonquist 和 Morgan 在 1960s 初期所發展出來的一種逐次分析工具，其為一種逐次搜索的技術，主要是希望找出與因變數更重要關聯的自變數，將母群體依自變數分割成幾個比較同質的次群體。其分割方式乃是以分割後使組間變異最大，亦即要減少的組間誤差帄方和為最大的情形。理論上，母群體經過不斷地細分，將會分成幾個較同質或稱純度較純的次群體。吳宗霖【18】利用概似比例 (likelihood ratio) 檢定統計量來挑選最適合的模型。利用赤池資訊量指標 (AIC) 來挑選最適合的模型 , AIC 主要功能是比較各個模型的優劣 ; 愈是優秀的模型 , 其所對應的 AIC 值都相對地愈小。黃顯欽【19】將依變數為肇事程度(A1、A2)，自變數為事故時、事故星期、

(19)

天候、光線、道路類別、速限、道路型態、事故位置、路面狀況之路面舖裝、路面狀況之路面狀態、路面狀況之路面缺陷、道路障礙之障礙物、道路障礙之視距、號誌之號誌種類、號至之號誌動作、車道劃分設施之分向設施、分道設施之快車道間、分道設施之快慢車道間、分道設施之路面邊線、事故類型及型態、主要肇事因素、性別、保護設備、行動電話、車輛用途、當事者行動狀態、駕駛資格情形、駕駛執照種類、飲酒情形、車輛撞擊部位之最初、職業、旅次目的、國籍、車種、年齡共35個變數進行CHAID分析，目的為了解受傷程度與其他因變數之間的關係，觀察其切割結果。圖 2.1 文獻-CHAID 樹狀圖黃韻芝【20】使用內政部警政署 93 年道路交通事故之統計資料，分析臺閩地區 A1 類道路交通事故，使用卡方獨立性檢定、卡方自動互動檢視法、比例勝算模型、羅吉斯迴歸模型等，以了解肇事當事者死傷程度與造成重大交通事故之重要因素，研究結果發現年齡、飲酒情形、保護裝備、肇事車種、事故類型和速

(20)

限是影響肇事駕駛受傷程度的因素，而事故類型、道路類別和道路障礙是影響重大道路交通事故的主要因素。其所使用之依變數為受傷程度，解釋變數則分為四部分：肇事車種、事故類型、駕駛人屬性、道路環境因素，所使用之變數說明如下圖所示：

(21)

第三章、研究方法

本研究首先針對警政署 101 年至 105 年之交通事故資料庫進行整理，篩選出中部地區年輕族群資料筆數，再透過年齡分層區分為未成年、青少年、青壯年及老年人，為了解中部地區年輕族群事故的基本特性，初步先將資料整理後進行基本統計之交叉分析，得出各項變數之比例。為探討中部地區年輕族群事故特性，本研究以卡方檢定及羅吉斯迴歸分析(Logistic regression)進行分析，透過勝算比之顯著性，挑選出中部地區年輕族群事故變數，以找出中部地區年輕族群之事故特性。為了解中部地區潛在年輕族群交通行為特性，依據其資料顯示結果，了解其事故發生頻繁之因素。本研究根據中部地區各年齡層及肇事類別細部探討，並歸納本研究資料分析結果，提出中部地區年輕族群可後續探討之課題研究，各項研究方法說明如後。

3.1 資料背景

本研究採用之資料為內政部警政署民國 101 年-105 年道路交通事故之原始資料總計共 119692 件，經整理得出中部地區資料為 431,373 筆。

3.2 變數說明

本資料包含了基本事故資料與當事人事故資料兩大類，經篩選可細分項目如下: 表 3.1 變數類別細項類別變數名稱變數內容應變數年齡分層 1:15-17 歲，2:18-24 歲，3: 65 歲以上，4: 25-64 歲事故及道路環境概況天候 1:晴天，2:陰天，3: 其他，4:雨天光線 1:日間自然光線，2:晨光或暮光，3:夜間(或隧道、地下道、涵洞)有照明，4: 夜間(或隧道、地下道、涵洞)無照明道路類別 1:國道，2:省道，3:縣道，4:鄉道，5:市區道路， 6:村里道路，7:專用道路，8:其他

(22)

速限 1:40 km/ hour 以下，2:50~60 km/ hour，3:70 km/ hour 以上道路型態 1:交叉路，2:單路部分，3:圓環事故位置 1:交叉路口，2:路段，3:交流道，4:其他號誌狀態 1:正常，2:不正常或無號誌事故類型及型態 1:人與汽(機)車，2:車與車，3:汽(機)車本身當事者狀態性別 1:男性，2:女性受傷程度 1:死亡，2:受傷，3:不明，4:未受傷當事者區分 1:大客車，2:大貨車，3:聯結車，4:曳引車，5: 小客車，6:小貨車(含客、貨兩用)，7:機車，8: 其他，9:慢車，10:人(含行人與乘客) 駕駛資格 1:有適當之駕照，2:無照(未達年齡)，3:無照(已達年齡)，4:越級駕駛，5:駕照被查扣，6:駕照被註銷，7:不明，8:非汽機車駕駛人飲酒情形 1:未飲酒，2:不明，3:非駕駛人，4:飲酒旅次目的 1:上、下班，2:上、下學，3:業務聯繫，4:運輸， 5:社交觀光，6:觀光旅遊，7:購物，8:不明，9: 其他

3.3 敘述性統計

針對研究主題決定使用的資料與變數，對個別變數做敘述性統計與圖表，觀察重要變數之分布。

3.4 交叉分析

交叉分析是一種基本的分析方法，我們將其運用在分析不同變量間的關係，透過交叉分析得知，例如性別與肇事事件比例所占多寡，可以得知男性肇事比例較女性高這種相關關係。

(23)

3.5 卡方檢定

卡方獨立性檢定即為交叉表卡方分析。本研究使用 Karl-Pearson 所提出的卡方獨立性檢定(chi-squared test of independence)對各變數與肇事程度進行檢定，找出各變數間與肇事程度間是否更關聯性存在，在給定的顯著水準下，檢定虛無假設 H0：變數間獨立；H1：變數間不獨立。經過卡方獨立性檢定，如果拒絕 H0，則表示解釋變數與反應變數間更關聯性存在，如果不拒絕 H0，則表示解釋變數與反應變數間獨立。將解釋變數與反應變數以列聯表表示，則如下圖所示：圖 3.1 Karl-Pearson 卡方列聯表卡方獨立性檢定之檢定統計量為， :觀察次數； :理論期望次數自由度為(r-1)(c-1)。

3.6 以卡方值為基礎之相關量數

當計算出卡方值之後，可以卡方值為基礎，應用 Phi 值與 Cramer’s V 值，進一步計算兩類別變數之間的相關性。 Phi 值適用於兩類別變數都是 2 個類別(dichotomous)時，計算出卡方檢定值之後，使用卡方值可計算出 Phi 值(通常為拒絕兩變數為獨立之虛無假設之後，繼續求相關量數)。其算式如下： Phi 值= N 為樣本數，Phi 值為 0 到 1 之數值，由此可看出，Phi 值是將卡方值對樣本大小做調整，Phi 值越大表示相關程度越高。

(24)

Cramer’s V 值則是適用於交叉表的行或列超過 3 個類別時。其計算式如下， Cramer’s V 值為 0 到 1 之數值，其中 minimum of r-1, c-1 為行數減 1 或列數減 1 較小者，Phi 值越大表示相關程度越高。 Cramer’s V 值= 以上兩種相關量數，可用下表中所列之原則來解釋相關量數所表達出之數值與關係強弱之意義。此原則乃是約定成俗的。表 3.2 類別尺度變相相關量數及解釋變相間關係強弱的原則數值關係強弱 0.00 至 0.10 間弱 0.11 至 0.30 間中 0.30 以上強

3.7 卡方自動互動檢視法(Chi-Square Automatic

Interactive Detector, CHAID)

依據林震岩(2008)多變量分析：AID 是由 Sonquist 和 Morgan 在 1960s 初期所發展出來的一種逐次分析工具，其為一種逐次搜索的技術，主要是希望找出與因變數更重要關聯的自變數，將母群體依自變數分割成幾個比較同質的次群體。其分割方式乃是以分割後使組間變異最大，亦即要減少的組間誤差帄方和為最大的情形。理論上，母群體經過不斷地細分，將會分成幾個較同質或稱純度較純的次群體。

1980 年 Perreault 及 Barksdale 提出卡方自動互動檢視法，以 Bonferrroni

法調整個別的卡方α，作為分割樣本集群之根據。CHAID 利用卡方檢定，將同值的樣本歸於一類，利用逐步搜尋完成分割過程，其只適用於類別資料。CHAID 分割的程序，主要是利用關聯性高的變數將樣本分割為若干個具更同性質的組，各組再以相同的步驟繼續進行分割，直到分群結果不顯著為止，使依變數之組間變異為最大。CHAID 屬於資料分析的程序，目的在於觀察各變數間相互關聯之結構，在應用上著重於幫助了解資料整體結構性及互動特性。

(25)

3.8 羅吉斯迴歸模式

一般而言區分羅吉斯迴歸與線性迴歸，可由果變數看出，羅吉斯迴歸之果變數是分類變數，當果變數為類別資料時，是無法滿足線性迴歸中對應因變數的某個值，變數的測量結果為常態分佈，且羅吉斯迴歸之果變數與其因變數關係是非線性的，儘管非線性關係可被轉換為線性關係，也不存在殘差項，亦均別於線性迴歸。一旦這些差異被說明，使用線性迴歸進行分析方法同樣亦適用在羅吉斯迴歸。

3.8.1 多元羅吉斯迴歸模型

當反應變數為類別型且類別間無順序關係時, 可使用多元羅吉斯迴歸模型(Multiple logistic regressin model) 作參數估計。假設資料的樣本數為 n,反應變數為 Y 分 K 類, 伴隨變數為 X 及 Z, 以 Y = K 為基準下, 其多元羅吉斯迴歸模型可寫為其中。而多元羅吉斯的概似函數為，其中為指標函數(Indicator function)。對概似函數取對數後可得定義在、給定下，( )的共變異數矩陣為

(26)

對作的偏微，經整理後可得估計函數為

解則能得到回歸參數的估計值。

3.8.2 羅吉斯迴歸方程式

有利於事件發生的勝算(odds in favor of an event occurring)定義為事件發生的機率除以事件未發生的機率。在羅吉斯迴歸的事件中 y 永遠為 1。給定自變數一特殊集合值，有利於 y ＝1 的勝算計算如下

勝算=

=

………(5) 而勝算比是指變數的勝算比和相對應的迴歸係數之間存在一獨特的關係。每個自變數在羅吉斯迴歸方程式中能表示為勝算比＝𝓍 勝算比和自變數的係數之間的關係使我們於進行模型參數估計時更易計算勝算比的估計值。自變數的勝算比代表當保持其他自變數不變時，某自變數變動一單位的勝算改變。

(27)

第四章、敘述性統計

4.1 基本資料

4.1.1 人口

根據內政部戶政司統計資料顯示，民國 101 年到 105 年的人口年齡分配資料中，各年人口數普遍變化量不大，但 0-17 歲的人口數有逐漸減少的趨勢，65 歲以上有逐漸增加的趨勢，可知少子化與高齡化的現象正在發生。表 4.1 民國 101-105 年中部地區人口結構 15-17 歲 18-24 歲 25-64 歲 65 歲以上總計 101 年 252,549 584,342 3,395,994 664,407 4,897,292 102 年 238,916 580,132 3,423,105 682,639 4,924,792 103 年 229,147 584,262 3,437,554 704,953 4,955,916 104 年 223,961 582,420 3,450,513 731,368 4,988,262 105 年 222,377 570,413 3,359,462 766,536 4,918,788 總計 1,166,950 2,901,569 17,066,628 3,549,903 24,685,050

4.1.2 國內運具使用概況

根據交通部統計處的資料統計，我國民眾使用的主要交通工具多半為私人運具，大眾運輸工具舉凡公車客運、捷運、鐵路…等的總和大約為三成；而私人運具細分成汽車、機車、自行車與步行，其中汽車的比率佔了九成，機車的使用率則是佔了將近五成。私人運具的高度使用，是造成交通事故的一大主因，本研究將探討年輕族群使用私人運具與發生交通事故是否有相關特性。

(28)

圖 4.1、101 年-105 年民眾主要使用交通工具比率

4.1.3 肇事件數

由下表 4.2、4.3 及圖 4.1，25-64 歲之肇事案件數每一年都是最高的，但透過以每年每十萬人為基準，18-24 歲之肇事案件數每一年大約都是 25-64 歲的兩倍。表 4.2 民國 101-105 年統計年輕族群的肇事件數 15-17 歲 18-24 歲 25-64 歲 65 歲以上總計 101 年 1,384 15,723 49,200 5,887 72,194 102 年 1,431 17,824 54,723 8,011 81,989 103 年 1,452 19,788 58,626 8,259 88,125 104 年 1,346 19,082 55,439 8,266 84,133 105 年 1,215 17,450 53,105 8,490 80,260 總計 6,828 89,867 271,093 38,913 406,701

(29)

表 4.3 民國 101-105 年每十萬人於各年齡分層的肇事件數 15-17 歲 18-24 歲 25-64 歲 65 歲以上總計 101 年 548.0 2690.7 1448.8 886.1 1474.2 102 年 599.0 3072.4 1598.6 1173.5 1664.8 103 年 633.7 3386.8 1705.5 1171.6 1778.2 104 年 601.0 3276.3 1606.7 1130.2 1686.6 105 年 546.4 3059.2 1580.8 1107.6 1631.7 圖 4.1 101 年~105 年每十萬人於各年齡分層的肇事案件數

(30)

4.2 101~105 年肇事資料交叉分析

4.2.1 101-105 年中部地區事故及道路環境概況肇事資料統

計

年齡分層與氣候類別 根據下表 4.1 數據顯示於天候類別中晴天的總案件數為 340,963 為件數最高的，其次則為雨天其總件數為 33,167 件，而在 15-17 歲、18-24 歲、25-64 歲及 65 歲以上的各年齡分層於氣候類別都以晴天的案件數為最高，其次則是年齡分層 25-64 歲的雨天，再來第三高的則是年齡分層 25-64 歲的陰天。表 4.1 101 年~105 年年齡分層與天候類別 A1+A2 案件數年齡分層總計 18-24 歲/總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上天候晴天 5,794 74,929 227,173 33,067 340,963 0.22 陰天 592 7,182 20,702 2,614 31,090 0.23 雨天 437 7,616 22,830 2,284 33,167 0.23 其他 5 133 334 52 524 0.25 總計 6,828 89,860 271,039 38,017 405,744 0.22 下表 4.2 及圖 4.1 為 101 年~105 年各年齡層以平均一年每十萬人為基準與天候類別的肇事案件數，根據表及圖可以看出，18-24 歲於晴天案件數為 25-64 歲的 1.95 倍、18-24 歲於陰天案件數為 25-64 歲的 2 倍、18-24 歲於雨天案件數為 25-64 歲的 1.97 倍，由該數據顯示 18-24 歲肇事件數都高於 25-64 歲的肇事件數。表 4.2 101 年~105 年平均每年每十萬人於各年齡分層與天候類別的肇事案件數 15-17 歲肇事案件/每十萬人 18-24 歲肇事案件/每十萬人 25-64 歲肇事案件/每十萬人 65 歲以上肇事案件/每十萬人天候晴天 496.5 2582.4 1324.0 931.5 陰天 50.7 247.5 120.7 73.6 雨天 37.4 262.5 133.1 64.3 其他 0.4 4.6 1.9 1.5 總計 585.1 3096.9 1579.7 1070.9

(31)

圖 4.1 101 年~105 年平均每年每十萬人於各年齡分層與天候類別的肇事案件數 年齡分層與光線類別 依據下表 4.3 顯示於光線類別中總案件數最高的為日間自然光線共 280,056 件，其次為夜間(或隧道、地下道、涵洞)有照明的 99,868 件，而在年齡分層與光線類別中 25-64 歲的日間自然光線為案件數最高的為 188,895 件，其次則為該年齡層的夜間(或隧道、地下道、涵洞)有照明其案件數為 64,689 件，第三則為 18-24 歲的日間自然光線為 56,126 件；根據 18-24 歲/總計案件之比例，在光線類別中 18-24 歲於夜間(或隧道、地下道、涵洞)有照明的比例明顯高於其他光線類別。表 4.3 101~105 年年齡分層與光線類別 A1+A2 案件數年齡分層總計 18-24 歲/總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上光線日間自然光線 3,869 56,126 188,895 31,166 280,056 0.20 晨光或暮光 355 3,909 12,052 1,549 17,865 0.22 夜間(或隧道、地下道、涵洞) 有照明 2,428 27,987 64,689 4,764 99,868 0.28 夜間(或隧道、地下道、涵洞) 無照明 176 1,838 5,403 538 7,955 0.23 總計 6,828 89,860 271,039 38,017 405,744 0.22 下表 4.4 及圖 4.2 為 101 年~105 年各年齡層以平均一年每十萬人為基準與光

(32)

線類別的肇事案件數，根據表及圖可以看出，18-24 歲於日間自然光線案件數為 25-64 歲的 1.76 倍、18-24 歲於晨光或暮光案件數為 25-64 歲的 1.92 倍、18-24 歲於夜間(或隧道、地下道、涵洞)有照明案件數為 25-64 歲的 2.56 倍、18-24 歲於夜間(或隧道、地下道、涵洞)無照明案件數為 25-64 歲的 2.01 倍，由該數據顯示 18-24 歲肇事件數都明顯高於 25-64 歲的肇事件數。表 4.4 101 年~105 年平均每年每十萬人於各年齡分層與光線類別的肇事案件數 15-17 歲肇事案件/每十萬人 18-24 歲肇事案件/每十萬人 25-64 歲肇事案件/每十萬人 65 歲以上肇事案件/每十萬人光線日間自然光線 331.5 1934.3 1100.9 877.9 晨光或暮光 30.4 134.7 70.2 43.6 夜間(或隧道、地下道、涵洞)有照明 208.1 964.5 377.0 134.2 夜間(或隧道、地下道、涵洞)無照明 15.1 63.3 31.5 15.2 總計 585.1 3096.9 1579.7 1070.9 圖 4.2 101 年~105 年平均每年每十萬人於各年齡分層與光線類別的肇事案件數 年齡分層與道路類別 下表 4.5 為年齡分層與道路類別之案件數，而案件數排名第一的為市區道路的 264,458 件，其次為村里道路的 92,621 件，而在年齡分層 25-64 歲的市區道路

(33)

類別則是年齡分層與道路類別案件數最高的其案件數為 177,214 件，其次為 18-24 歲道路類別中的市區道路 63,735 件，第三高的則是 25-64 歲的村里道路為 61,390 件。表 4.5 101 年~105 年年齡分層與道路類別 A1+A2 案件數年齡分層總計 18-24 歲/總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上道路類別國道 6 206 1,582 59 1,853 0.11 省道 238 2,510 7,064 1,399 11,211 0.22 縣道 333 3,234 11,052 2,023 16,642 0.19 鄉道 193 1,633 6,342 1,147 9,315 0.18 市區道路 3833 63,735 177,213 19,677 264,458 0.24 村里道路 2,045 16,674 61,390 12,512 92,621 0.18 專用道路 36 319 1,094 133 1,582 0.20 其他 144 1,549 5,302 1,067 8,062 0.19 總計 6,828 89,860 271,039 38,017 405,744 0.22 下表 4.6 及圖 4.3 為 101 年~105 年各年齡層以平均一年每十萬人為基準與道路類別的肇事案件數，根據表及圖可以看出，25-64 歲於國道案件數為 18-24 歲的 1.3 倍、18-24 歲於省道案件數為 25-64 歲的 2.09 倍、18-24 歲於縣道案件數為 25-64 歲的 1.73 倍、18-24 歲於鄉道案件數為 25-64 歲的 1.52 倍、18-24 歲於市區道路案件數為 25-64 歲的 2.13 倍、18-24 歲於村里道路案件數為 25-64 歲的 1.61 倍、18-24 歲於專用道路案件數為 25-64 歲的 1.72 倍、18-24 歲於其他道路類別案件數為 25-64 歲的 1.73 倍，由該數據顯示除了國道是 25-64 歲肇事件數高於 18-24 歲以外，道路類別 18-24 歲肇事件數都明顯高於 25-64 歲的肇事件數，因此我們推估可能是因為 18-24 歲開車上國道的機會較 25-54 歲少。表 4.6 101 年~105 年平均每年每十萬人於各年齡分層與道路類別的肇事案件數 15-17 歲肇事案件/每十萬人 18-24 歲肇事案件/每十萬人 25-64 歲肇事案件/每十萬人 65 歲以上肇事案件/每十萬人道路類國道 0.5 7.1 9.2 1.7 省道 20.4 86.5 41.2 39.4 縣道 28.5 111.5 64.4 57.0 鄉道 16.5 56.3 37.0 32.3 市區道路 328.5 2196.6 1032.8 554.3 村里道路 175.2 574.7 357.8 352.5

(34)

別專用道路 3.1 11.0 6.4 3.7 其他 12.3 53.4 30.9 30.1 總計 585.1 3096.9 1579.7 1070.9 圖 4.3 101 年~105 年平均每年每十萬人於各年齡分層與道路類別的肇事案件數 年齡分層與速限類別 下表 4.7 為年齡分層與速限類別案件數，根據下表顯示速限為 50~60 km/ hour 的案件數類別是最高的其件數為 294,358 件，其次為 40 km/ hour 以下總件數為 98,759 件，而於年齡分層 25-64 歲於 50~60 km/ hour 案件數是最高的共 197,585 件，其次依然年齡分層 25-64 歲中的 40 km/ hour 以下案件數為 64,525，第三則是年齡分層 18-24 歲 50~60 km/ hour 其案件數為 64,322 件。表 4.7 101 年~105 年年齡分層與速限類別 A1+A2 案件數年齡分層總計 18-24 歲/ 總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上速限 40 km/ hour 以下 1,673 23,081 64,525 9,480 98,759 0.23 50~60 km/ hour 4,997 64,322 197,585 27,454 294,358 0.22 70 km/ hour 以上 158 2,457 8,929 1,083 12,627 0.19 總計 6,828 89,860 271,039 38,017 405,744 0.22 下表 4.8 及圖 4.4 為 101 年~105 年各年齡層以平均一年每十萬人為基準與速限類別的肇事案件數，根據表及圖可以看出，18-24 歲於 40 km/ hour 以下案件數為 25-64 歲的 2.12 倍、18-24 歲於 50~60 km/ hour 案件數為 25-64 歲的 1.92 倍、 18-24 歲於 70 km/ hour 以上案件數為 25-64 歲的 1.63 倍，由該數據顯示 18-24 歲

(35)

肇事件數都明顯高於 25-64 歲的肇事件數。表 4.8 101 年~105 年平均每年每十萬人於各年齡分層與速限類別的肇事案件數 15-17 歲肇事案件/ 每十萬人 18-24 歲肇事案件/ 每十萬人 25-64 歲肇事案件/ 每十萬人 65 歲以上肇事案件/ 每十萬人速限 40 km/ hour 以下 143.4 795.5 376.1 267.0 50~60 km/ hour 428.2 2216.8 1151.6 773.4 70 km/ hour 以上 13.5 84.7 52.0 30.5 總計 585.1 3096.9 1579.7 1070.9 圖 4.4 101 年~105 年平均每年每十萬人於各年齡分層與速限類別的肇事案件數依據下表 4.9 顯示於道路型態類別中總案件數最高的為交叉路共 252,249 件，其次為單路部分的 152,891 件，而在年齡分層與道路型態類別中 25-64 歲的交叉路為案件數最高的為 170,605 件，其次則為該年齡層的單路部分其案件數為 100,040 件，第三則為 18-24 歲的交叉路為 53,611 件；根據 18-24 歲/總計案件之比例，在道路型態類別中 18-24 歲於單路部分的比例高於其他道路型態。表 4.9 101 年~105 年年齡分層與道路型態類別 A1+A2 案件數年齡分層總計 18-24 歲/總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上道路型態交叉路 4,046 53,611 170,605 23,987 252,249 0.21 單路部分 2,770 36,132 100,040 13,949 152,891 0.24 圓環 12 117 394 81 604 0.19

(36)

總計 6,828 89,860 271,039 38,017 405,744 0.22 下表 4.10 及圖 4.5 為 101 年~105 年各年齡層以平均一年每十萬人為基準與道路型態類別的肇事案件數，根據表及圖可以看出，18-24 歲於交叉路案件數為 25-64 歲的 1.86 倍、18-24 歲於單路部分案件數為 25-64 歲的 2.14 倍、18-24 歲於圓環案件數為 25-64 歲的 1.74 倍，由該數據顯示 18-24 歲肇事件數都明顯高於 25-64 歲的肇事件數。表 4.10 101 年~105 年平均每年每十萬人於各年齡分層與道路型態類別的肇事案件數 15-17 歲肇事案件/每十萬人 18-24 歲肇事案件/每十萬人 25-64 歲肇事案件/每十萬人 65 歲以上肇事案件/每十萬人道路型態交叉路 346.7 1847.7 994.3 675.7 單路部分 237.4 1245.3 583.1 392.9 圓環 1.0 4.0 2.3 2.3 總計 585.1 3096.9 1579.7 1070.9 圖 4.5 101 年~105 年平均每年每十萬人於各年齡分層與道路型態類別的肇事案件數 年齡分層與事故位置類別 根據下表 4.11 數據顯示於事故位置類別中交叉路口的總案件數為 239,727 件為件數最高的，其次則為路段其總件數為 160,127 件，而在 25-64 歲的年齡分層於事故位置類別以交叉路口的案件數 162,184 為最高，其次依然是年齡分層 25-64 歲的路段其件數為 104,746，再來第三高的則是年齡分層 18-24 歲 51,126 件的交

(37)

叉路口；根據 18-24 歲/總計案件之比例，在事故位置類別中 18-24 歲於路段的比例高於其他事故位置。表 4.11 101 年~105 年年齡分層與事故位置類別 A1+A2 案件數年齡分層總計 18-24 歲/ 總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上事故位置交叉路口 3,828 51,126 162,184 22,589 239,727 0.21 路段 2,899 37,580 104,746 14,902 160,127 0.23 交流道 5 71 481 31 588 0.12 其他 96 1083 3,628 495 5,302 0.20 總計 6,828 89,860 271,039 38,017 405,744 0.22 下表 4.12 及圖 4.6 為 101 年~105 年各年齡層以平均一年每十萬人為基準與事故位置類別的肇事案件數，根據表及圖可以看出，18-24 歲於交叉路口案件數為 25-64 歲的 1.86 倍、18-24 歲於路段案件數為 25-64 歲的 2.12 倍、25-64 歲於交流道案件數為 18-24 歲的 1.16 倍、18-24 歲於其他事故位置案件數為 25-64 歲的 1.77 倍，由該數據顯示除了交流道以外，18-24 歲肇事件數都高於 25-64 歲的肇事件數。表 4.12 101 年~105 年平均每年每十萬人於各年齡分層與事故位置類別的肇事案件數 15-17 歲肇事案件/ 每十萬人 18-24 歲肇事案件/每十萬人 25-64 歲肇事案件/每十萬人 65 歲以上肇事案件/每十萬人事故位置交叉路口 328.0 1762.0 945.3 636.3 路段 248.4 1295.2 610.5 419.8 交流道 0.4 2.4 2.8 0.9 其他 8.2 37.3 21.1 13.9 總計 585.1 3096.9 1579.7 1070.9

(38)

圖 4.6 101 年~105 年平均每年每十萬人於各年齡分層與事故位置類別的肇事案件數 年齡分層與號誌狀態類別 下表 4.13 為年齡分層與號誌狀態類別案件數，根據下表顯示不正常或無號誌的案件數類別是最高的其件數為 250,513 件，而於年齡分層 25-64 歲於不正常或無號誌案件數是最高的共 167,163 件。表 4.13 年齡分層與號誌動作類別 A1+A2 案件數年齡分層總計 18-24 歲/總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上號誌動作正常 2,531 34,537 103,876 14,287 155,231 0.22 不正常或無號誌 4,297 55,323 167,163 23,730 250,513 0.22 總計 6,828 89,860 271,039 38,017 405,744 0.22 下表 4.14 及圖 4.7 為 101 年~105 年各年齡層以平均一年每十萬人為基準與號誌動作類別的肇事案件數，根據表及圖可以看出，18-24 歲於正常號誌動作案件數為 25-64 歲的 1.97 倍、18-24 歲於不正常或無號誌動作案件數為 25-64 歲的 1.96 倍、，由該數據顯示 18-24 歲肇事件數都明顯高於 25-64 歲的肇事件數。表 4.14 101 年~105 年平均每年每十萬人於各年齡分層與號誌動作類別的肇事案件數

(39)

15-17 歲肇事案件/ 每十萬人 18-24 歲肇事案件/ 每十萬人 25-64 歲肇事案件/ 每十萬人 65 歲以上肇事案件/ 每十萬人號誌動作正常 216.9 1190.3 605.4 402.5 不正常或無號誌 368.2 1906.7 974.3 668.5 總計 585.1 3096.9 1579.7 1070.9 圖 4.7 101 年~105 年平均每年每十萬人於各年齡分層與號誌動作類別的肇事案件數 年齡分層與事故類型及型態類別 根據下表 4.15 之數據顯示於事故類型及型態類別中車與車的總案件數為 343,246 件為件數最高的，其次則為汽(機)車本身其總件數為 44,092 件，而在 25-64 歲的年齡分層於事故類型及型態類別以車與車的案件數 233,913 為最高，其次則是年齡分層 18-24 歲的車與車其件數為 72,353 件，再來第三高的則是年齡分層 65 歲以上 31,376 件的車與車；根據 18-24 歲/總計案件之比例，在事故類型及型態類別中 18-24 歲汽(機)車的比例明顯高於其他事故類型及型態。表 4.15 101 年~105 年年齡分層與事故類型及型態類別 A1+A2 案件數年齡分層總計 18-24 歲/總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上

(40)

事故類型及型態人與汽 (機)車 513 3,534 12,054 2,305 18,406 0.19 車與車 5,604 72,353 233,913 31,376 343,246 0.21 汽(機)車本身 711 13,973 25,072 4,336 44,092 0.32 總計 6,828 89,860 271,039 38,017 405,744 0.22

(41)

下表 4.16 及圖 4.8 為 101 年~105 年各年齡層以平均一年每十萬人為基準與事故類型及型態分層類別的肇事案件數，根據表及圖可以看出，18-24 歲於人與汽(機)車案件數為 25-64 歲的 1.73 倍、18-24 歲於車與車案件數為 25-64 歲的 1.83 倍、18-24 歲於汽(機)車本身案件數為 25-64 歲的 3.3 倍，由該數據顯示 18-24 歲肇事件數都明顯高於 25-64 歲的肇事件數。表 4.16 101 年~105 年平均每年每十萬人於各年齡分層與事故類型及型態類別的肇事案件數 15-17 歲肇事案件/ 每十萬人 18-24 歲肇事案件/ 每十萬人 25-64 歲肇事案件/ 每十萬人 65 歲以上肇事案件/ 每十萬人事故類型及型態分層人與汽(機)車 44.0 121.8 70.3 64.9 車與車 480.2 2493.6 1363.3 883.9 汽(機)車本身 60.9 481.6 146.1 122.1 總計 585.1 3096.9 1579.7 1070.9 圖 4.8 101 年~105 年平均每年每十萬人於各年齡分層與事故類型及型態分層類別的肇事案件數

(42)

4.2.2 101-105 年中部地區當事者狀態肇事資料統計

年齡分層與性別類別 根據下表 4.17 資料統計顯示男性肇事案件會比女性來的多，而又以 25-64 歲中男性 171,828 件為最高；根據 18-24 歲/總計案件之比例，在性別類別中男性肇事的比例明顯高於女性。表 4.17 101 年~105 年年齡分層與性別類別 A1+A2 案件數年齡分層總計 18-24 歲/總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上性別男性 5,399 59,380 171,828 26,928 263,535 0.23 女性 1,429 30,480 99,211 11,089 142,209 0.21 總計 6,828 89,860 271,039 38,017 405,744 0.22 下表 4.18 及圖 4.9 為 101 年~105 年各年齡層以平均一年每十萬人為基準與性別類型及型態分層類別的肇事案件數，根據表及圖可以看出，18-24 歲於男性案件數為 25-64 歲的 2.04 倍、18-24 歲於車與車案件數為 25-64 歲的 1.82 倍，由該數據顯示 18-24 歲肇事件數都明顯高於 25-64 歲的肇事件數。表 4.18 101 年~105 年平均每年每十萬人於各年齡分層與性別類別的肇事案件數 15-17 歲肇事案件/每十萬人 18-24 歲肇事案件/每十萬人 25-64 歲肇事案件/每十萬人 65 歲以上肇事案件/每十萬人性別男性 462.7 2046.5 1001.5 758.6 女性 122.5 1050.5 578.2 312.4 總計 585.1 3096.9 1579.7 1070.9

(43)

圖 4.9 101 年~105 年平均每年每十萬人於各年齡分層與性別類別的肇事案件數 年齡分層與受傷程度類別 依據下表顯示於受傷程度類別中總案件數最高的為受傷共 216,374 件，其次為未受傷的 186,781 件，而在年齡分層與受傷程度類別中 25-64 歲的未受傷是案件數 153,736 件為最高的，其次則為該年齡分層的受傷其案件數為 115,693 件，第三則為 18-24 歲的受傷為 68,222 件；根據 18-24 歲/總計案件之比例，在受傷程度之類別中 18-24 歲受傷的比例明顯高於其他受傷程度。表 4.19 101 年~105 年年齡分層與受傷程度類別 A1+A2 案件數年齡分層總計 18-24 歲 /總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上受傷程度死亡 33 220 1,037 519 1,809 0.12 受傷 5,742 68,222 115,693 26,717 216,374 0.32 未受傷 1,036 21,342 153,736 10,667 186,781 0.11 不明 17 76 573 114 780 0.10 總計 6,828 89,860 271,039 38,017 405,744 0.22 下表 4.20 及圖 4.10 為 101 年~105 年各年齡層以平均一年每十萬人為基準與受傷程度類別的肇事案件數，根據表及圖可以看出，18-24 歲於死亡案件數為 25-64 歲的 1.27 倍、18-24 歲於受傷案件數為 25-64 歲的 3.49 倍、25-64 歲於未受傷案件數為 18-24 歲的 1.22 倍、25-64 歲於未受傷案件數為 18-24 歲的 1.27 倍，由該數據顯示 18-24 歲受傷的肇事件數明顯高於 25-64 歲的受傷肇事件數，但其中 18-24 歲受傷案件比 25-64 歲高，可是在未受傷的部分 25-64 歲又比 18-24 歲少；而 65 歲以上死亡是 25-64 歲的 2.43 倍。表 4.20 101 年~105 年平均每年每十萬人於各年齡分層與受傷程度類別的肇事案件數

(44)

15-17 歲肇事案件/ 每十萬人 18-24 歲肇事案件/ 每十萬人 25-64 歲肇事案件/ 每十萬人 65 歲以上肇事案件/ 每十萬人受傷程度死亡 2.8 7.6 6.0 14.6 受傷 492.1 2351.2 674.3 752.6 未受傷 88.8 735.5 896.0 300.5 不明 1.5 2.6 3.3 3.2 總計 585.1 3096.9 1579.7 1070.9 圖 4.10 101 年~105 年平均每年每十萬人於各年齡分層與受傷程度類別的肇事案件數 年齡分層與當事者區分類別 根據下表 4.21 顯示各當事者區分類別中總案件數最高的為機車共 214,124 件，其次為小客車的 141,412 件，而在年齡分層與道路型態類別中 25-64 歲的為案件數最高的則為小客車的 170,605 件，其次則為該年齡分層的機車其案件數為 111,876 件，第三則為 18-24 歲的機車為 74,289 件；根據 18-24 歲/總計案件之比例，在當事者區分之類別中 18-24 歲使用機車的比例明顯高於其他當事者區分。表 4.21 101 年~105 年年齡分層與當事者區分類別 A1+A2 案件數年齡分層總計 18-24 歲 /總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上當事者區大客車 0 27 1,458 8 1,493 0.02 大貨車 0 125 3,430 79 3,634 0.03 聯結車 0 3 661 8 672 0.01 曳引車 0 16 858 10 884 0.02

(45)

分小客車 94 12,300 121,128 7,890 141,412 0.09 小貨車(含客、貨兩用) 16 1,755 24,982 2,235 28,988 0.06 機車 5,015 74,289 111,876 22,944 214,124 0.35 其他 7 68 724 256 1,055 0.07 慢車 1,479 954 3,670 3,138 9,241 0.10 人(含行人與乘客) 217 323 2,252 1,449 4,241 0.11 總計 6,828 89,860 271,039 38,017 405,744 0.22 下表 4.22 及圖 4.11 為 101 年~105 年各年齡層以平均一年每十萬人為基準與當事者區分類別的肇事案件數，根據表及圖可以看出，18-24 歲於使用機車案件數為 25-64 歲的 3.93 倍、18-24 歲使用慢車案件數為 25-64 歲的 1.54 倍；25-64 歲於使用小客車案件數為 18-24 歲的 1.67 倍，由該數據顯示 18-24 歲使用機車造成的肇事案件數是非常明顯高於其他當事者區分的。表 4.22 101 年~105 年平均每年每十萬人於各年齡分層與當事者區分類別的肇事案件數 15-17 歲肇事案件/ 每十萬人 18-24 歲肇事案件/ 每十萬人 25-64 歲肇事案件/ 每十萬人 65 歲以上肇事案件/ 每十萬人當事者區分大客車 0.0 0.9 8.5 0.2 大貨車 0.0 4.3 20.0 2.2 聯結車 0.0 0.1 3.9 0.2 曳引車 0.0 0.6 5.0 0.3 小客車 8.1 423.9 706.0 222.3 小貨車(含客、貨兩用) 1.4 60.5 145.6 63.0 機車 429.8 2560.3 652.0 646.3 其他 0.6 2.3 4.2 7.2 慢車 126.7 32.9 21.4 88.4 人(含行人與乘客) 18.6 11.1 13.1 40.8 總計 585.1 3096.9 1579.7 1070.9

(46)

圖 4.11 101 年~105 年平均每年每十萬人於各年齡分層與當事者區分類別的肇事案件數 年齡分層與駕駛資格類別 根據下表 4.23 數據顯示各年齡分層於駕駛資格類別中有適當之駕照的總案件數為 357,782 為件數最高的，其次則為無照(已達年齡)其總件數為 19,085 件，而在 25-64 歲的各年齡分層於駕駛資格類別以有適當之駕照的案件數為 246,605 件是最高的，其次則是年齡分層 18-24 歲有適當之駕照的 83,462 件，再來第三高的則是年齡分層 65 歲以上的 27,715 件具有適當駕照。表 4.23 101 年~105 年年齡分層與駕駛資格類別 A1+A2 案件數年齡分層總計 18-24 歲/總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上駕駛資格有適當之駕照 0 83,462 246,605 27,715 357,782 0.23 無照(未達年齡) 5,124 0 0 0 5,124 0.00 無照(已達年齡) 0 4,479 10,101 4,505 19,085 0.23 越級駕駛 0 247 2,696 368 3,311 0.07 駕照被吊扣 0 67 700 31 798 0.08 駕照被吊銷 1 110 3,627 285 4,023 0.03 不明 6 216 1,334 437 1,993 0.11 非汽機車駕駛人 1,697 1,279 5,976 4,676 13,628 0.09 總計 6,828 89,860 271,039 38,017 405,744 0.22 根據下表 4.24 及圖 4.12 為 101 年~105 年各年齡層以平均一年每十萬人為基

(47)

準與駕駛資格類別的肇事案件數，根據表及圖可以看出，15-17 歲無照的肇事件數是相當高的；而在已達年齡卻無照的部分 18-24 歲及 65 歲以上跟 25-64 歲相比肇事件數分別是 25-64 歲的 2.62 倍及 2.15 倍，由該數據顯示 15-17 歲未成年使用機車的比率可能滿高的且容易發生肇事案件而以達考照年齡但卻沒有駕照的 18-24 歲及 65 歲以上使用機車者造成的肇事案件數也是明顯較高的。表 4.24 101 年~105 年平均每年每十萬人於各年齡分層與駕駛資格類別的肇事案件數 15-17 歲肇事案件/每十萬人 18-24 歲肇事案件/每十萬人 25-64 歲肇事案件/每十萬人 65 歲以上肇事案件/每十萬人駕駛資格有適當之駕照 0.0 2876.4 1437.3 780.7 無照(未達年齡) 439.1 0.0 0.0 0.0 無照(已達年齡) 0.0 154.4 58.9 126.9 越級駕駛 0.0 8.5 15.7 10.4 駕照被吊扣 0.0 2.3 4.1 0.9 駕照被吊銷 0.1 3.8 21.1 8.0 不明 0.5 7.4 7.8 12.3 非汽機車駕駛人 145.4 44.1 34.8 131.7 總計 585.1 3096.9 1579.7 1070.9 圖 4.12 101 年~105 年平均每年每十萬人於各年齡分層與駕駛資格類別的肇事案件數

(48)

年齡分層與飲酒情況類別 根據表 4.25 顯示各年齡分層於飲酒情況類別中總案件數最高的為未飲酒共 376,369 件，而在年齡分層與飲酒情況類別中第一、第二高的案件數都為未飲酒的情況，其 25-64 歲為 248,547 件，18-24 歲為 86,967 件；根據 18-24 歲/總計案件之比例，在飲酒情況類別中 18-24 歲未飲酒的比例明顯高於其他飲酒情況。表 4.25 101 年~105 年年齡分層與飲酒情況類別 A1+A2 案件數年齡分層總計 18-24 歲/總計 (比例) 15-17 歲 18-24 歲 25-64 歲 65 歲以上飲酒情況未飲酒 6,105 86,967 248,547 34,750 376,369 0.23 飲酒 138 1,619 15,843 1,099 18,699 0.09 非駕駛人 374 300 1,817 1,359 3,850 0.08 不明 211 974 4,832 809 6,826 0.14 總計 6,828 89,860 271,039 38,017 405,744 0.22 根據表 4.26 及圖 4.13 為 101 年~105 年各年齡層以平均一年每十萬人為基準與飲酒情況類別的肇事案件數，根據表及圖可以看出，18-24 歲於未飲酒案件數為 25-64 歲的 2.07 倍；而飲酒後所發生的肇事案件仍以 25-64 歲的青壯年較高是 18-24 歲年輕族群的 1.65 倍，由該數據顯示大部分的肇事案件仍然是於未飲酒的情況發生較多。表 4.26 101 年~105 年平均每年每十萬人於各年齡分層與飲酒情況類別的肇事案件數 15-17 歲肇事案件/每十萬人 18-24 歲肇事案件/每十萬人 25-64 歲肇事案件/每十萬人 65 歲以上肇事案件/每十萬人飲酒情況未飲酒 523.2 2997.2 1448.6 978.9 飲酒 11.8 55.8 92.3 31.0 非駕駛人 32.0 10.3 10.6 38.3 不明 18.1 33.6 28.2 22.8 總計 585.1 3096.9 1579.7 1070.9

(49)

圖 4.13 101 年~105 年平均每年每十萬人於各年齡分層與飲酒情況類別的肇事案件數

台灣地區年輕族群肇事特性分析：以中部地區為例

報告題名：