大專院校學生死亡交通事故類型與影響因子分析之研究

國

立

交

通

大

學

運 輸 科 技 與 管 理 學 系

碩

士 論 文

大專院校學生死亡交通事故類型

與影響因子分析之研究

Analysis on Types and Factors of Fatal Traffic

Accidents Involving College Students

研

究 生：劉 盈 君

指導教授：吳

宗 修

大專院校學生死亡交通事故類型與影響因子分析之研究

Analysis on Types and Factors of Fatal Traffic Accidents

Involving College Students

研 究 生：劉盈君 Student：Ying-Chun Liu

指導教授：吳宗修 Advisor：Dr. T. Hugh Woo

國 立 交 通 大 學

運輸科技與管理學系

碩 士 論 文

A Thesis

Submitted to Institute of Transportation Technology and Management College of Management

National Chiao Tung University in Partial Fulfillment of the Requirements

for the Degree of Master

in

Transportation Technology and Management June 2008

Hsinchu, Taiwan, Republic of China

大專院校學生死亡交通事故類型與影響因子分析之研究

學生姓名：劉盈君 指導教授：吳宗修 國立交通大學運輸科技與管理學系碩士班

摘要

事故傷害為台灣年輕族群的首要死因，年輕族群中的大專院校學生因交通事故死亡 之人數超過事故總死亡數的五成，顯示瞭解大專學生死亡交通事故之重要性。本研究目 的為分析大專學生死亡交通事故，應用統計方法及約略集合理論探討事故類型與影響因 子之關聯，藉以描繪大專學生死亡交通事故型態，作為交通安全改善之參考依據。 本研究對象為民國92 年至 95 年因交通事故死亡之學生數為全國大專院校前 22 名 學校，蒐集這 22 所學校四年內發生之學生死亡交通事故案件進行分析，並根據學生年 級將資料區分為新生(一年級學生)事故及非新生(二年級以上學生)事故。本研究首先透 過頻率分析瞭解事故因子的分布概況，採用卡方檢定得知對於事故類型具顯著影響之因 子；接續利用羅吉斯迴歸模式建構大專學生死亡交通事故模式，瞭解影響單一車輛事故 與多車碰撞事故發生之關鍵因子；另外應用約略集合理論分析交通事故因果鏈，藉由事 故案件推演之決策規則掌握事故類型與影響因子之邏輯關係。 研究結果顯示學生交通工具、精神狀況及道路型態這三項因素會顯著影響兩類型交 通事故發生之可能性，其中新生駕駛汽車發生造成死亡的單一車輛事故勝算比明顯較使 用其他交通工具為高，而非新生較不可能在精神狀況良好或道路型態為十字路口時發生 單一車輛事故。另外，新生單一車輛事故常見型態為學生精神良好時行駛於有建築物郊 區的直路上，而非新生常見的單一車輛車事故型態則為學生持有重型機車駕照於凌晨且 精神疲勞時行駛於道路上。 關鍵詞：死亡交通事故、大專學生、羅吉斯迴歸、約略集合理論

Analysis on Types and Factors of Fatal Traffic Accidents

Involving College Students

Student：Ying-Chun Liu Advisor：T. Hugh Woo Department of Transportation Technology & Management

National Chiao Tung University

ABSTRACT

Logistic regression and rough set theory are applied to analyze the relation between types and factors of fatal traffic accidents involving college students in the study. A sample of over 200 accident cases is included. The data are classified into freshman and non-freshman accident according to the grade of the students. Chi-squared test of independence is used first to identify key factors affecting accident types, and then logistic regression model is constructed to determine the odds of being involved in a single vehicle accident. Besides, rough set theory is utilized to propose accident casual chains which imply the logical links between factors and accident types. The results show that students’ vehicle and mental conditions and road types are three significant factors which have great influences on accident types. Freshmen are more likely to be involved in a single vehicle accident when driving a car, while non-freshmen are less likely to be involved when in good mental condition or at an intersection. Moreover, the frequently-occurred single vehicle accident patterns are found: freshmen in good mental condition drive/ride on a straight road in the suburbs; non-freshmen with motorcycle licenses drive/ride at night when exhaustively tired.

誌謝

很開心論文順利完成，謝謝你們。

劉盈君 謹致 民國九十七年六月

目錄

中文摘要...i 英文摘要...ii 誌謝...iii 目錄...iv 表目錄...vi 圖目錄...viii 第一章 緒論...1 1.1 研究動機 ...1 1.2 研究目的與內容 ...2 1.3 研究對象與範圍 ...3 1.4 研究方法 ...3 1.5 研究流程 ...3 第二章 文獻回顧...5 2.1 統計分析方法 ...5 2.1.1 年輕族群交通事故分析 ...5 2.1.2 機車交通事故分析 ...6 2.1.3 其他道路交通事故分析 ...7 2.2 其他分析方法 ...7 2.3 小結 ...9 第三章 研究方法...10 3.1 敘述性統計 ... 11 3.2 卡方檢定 ... 11 3.3 羅吉斯迴歸模式 (Logistic Regression)... 11

3.4 約略集合理論 (Rough Set Theory) ...14

3.5 小結 ...16 第四章 資料蒐集與事故概況...17 4.1 資料蒐集 ...17 4.2 事故概況 ...18 4.2.1 學生特質 ...19 4.2.2 交通工具 ...21 4.2.3 事故情境 ...22 4.2.4 道路型態 ...25 4.2.5 環境狀況 ...27 4.3 小結 ...28 第五章 事故模式與因果鏈...29

5.1 事故模式 ...29 5.1.1 模式與變數說明 ...29 5.1.2 整體事故模式 ...31 5.1.3 新生事故模式 ...37 5.1.4 非新生事故模式 ...41 5.1.5 事故模式小結 ...47 5.2 事故因果鏈 ...49 5.2.1 因果鏈分析架構說明 ...49 5.2.2 整體事故因果鏈 ...50 5.2.3 新生事故因果鏈 ...54 5.2.4 非新生事故因果鏈 ...57 5.2.5 事故因果鏈小結 ...61 5.3 綜合討論 ...63 第六章 結論與建議...64 6.1 結論 ...64 6.2 建議 ...65 參考文獻...66 附錄 交通事故個案表...68 簡歷...70

表目錄

表1- 1 全國大專院校 92 年至 94 年學生死亡人數...2 表3- 1 示意列聯表... 11 表3- 2 資訊系統示意表...14 表4- 1 重點學校地區分布表...18 表4- 2 學生年級分布表...19 表4- 3 學生屬性分布表...19 表4- 4 學生性別分布表...20 表4- 5 學生交通工具分布表...21 表4- 6 對方交通工具分布表...21 表4- 7 事故月份分布表...22 表4- 8 事故學期分布表...23 表4- 9 事故週別分布表...23 表4- 10 事故時段分布表...23 表4- 11 事故時間分布表 ...24 表4- 12 事故尖離峰分布表...24 表4- 13 碰撞型態分布表...24 表4- 14 事故地點與學校縣市對應區位分布表...25 表4- 15 道路區位分布表...26 表4- 16 事故族群與事故類型案件統計表...28 表5- 1 事故模式候選自變數編碼...30 表5- 2 整體模式候選自變數卡方檢定表...31 表5- 3 未加入整體模式之變數彙整表...32 表5- 4 整體模式變數變更顯著性彙整表...32 表5- 5 整體模式 HL 配適度檢定 ...33 表5- 6 整體模式變數統計檢定表...34 表5- 7 各類別精神狀況之相對勝算...36 表5- 8 新生模式候選自變數卡方檢定表...37 表5- 9 未加入新生模式之變數彙整表...38 表5- 10 新生模式變數變更顯著性彙整表...38 表5- 11 新生模式 HL 配適度檢定...39 表5- 12 新生模式變數統計檢定表...40 表5- 13 非新生模式候選自變數卡方檢定表...42 表5- 14 未加入非新生模式之變數彙整表...42 表5- 15 非新生模式變數變更顯著性彙整表...43 表5- 16 非新生模式 HL 配適度檢定 ...43 表5- 17 非新生模式變數統計檢定表...45

表5- 18 事故模式綜合比較表...47 表5- 19 事故模式係數表...48 表5- 20 事故條件屬性各類別代碼對照表...50 表5- 21 整體事故資料分類結果...51 表5- 22 整體事故原子彙整表...51 表5- 23 整體事故規則彙整表...52 表5- 24 整體事故規則條件屬性出現頻率表...53 表5- 25 整體事故兩事故類型條件屬性各類別出現頻率(%)表...53 表5- 26 整體事故兩事故類型個別出現頻率最高之屬性類別表...53 表5- 27 新生事故資料分類結果...54 表5- 28 新生事故原子彙整表...55 表5- 29 新生事故規則彙整表...56 表5- 30 新生事故規則條件屬性出現頻率表...56 表5- 31 新生事故兩事故類型條件屬性各類別出現頻率(%)表...57 表5- 32 新生事故兩事故類型個別出現頻率最高之屬性類別表...57 表5- 33 非新生事故資料分類結果...58 表5- 34 非新生事故原子彙整表...58 表5- 35 非新生事故規則彙整表...59 表5- 36 非新生事故規則條件屬性出現頻率表...60 表5- 37 非新生事故兩事故類型條件屬性各類別出現頻率(%)表...60 表5- 38 非新生事故兩事故類型個別出現頻率最高之屬性類別表...61 表5- 39 事故分類結果比較表...61 表5- 40 高相對強度事故規則彙整表...62 表5- 41 事故規則條件屬性出現頻率(%)比較表...62 表5- 42 單一車輛事故可能性影響因子...63

圖目錄

圖1- 1 道路交通事故死亡率-年齡組及狀態別分(95 年)...1 圖1- 2 研究流程圖...4 圖3- 1 研究架構圖...10 圖3- 2 集合的上界與下界近似示意圖...15 圖4- 1 學校地區分布圖...18 圖4- 2 事故地區分布圖...18

第一章 緒論

1.1 研究動機

事故傷害為台灣地區年輕人的首要死因。依據行政院衛生署91至95年的死因統計資 料顯示，事故傷害為國人的第五大死因，次於惡性腫瘤、腦血管疾病、心臟性疾病、及 糖尿病。事故傷害中以運輸事故所佔比例最高，約達六成。進一步依特定年齡組別探討 死亡原因時，青年組(15-24歲)的首要死因為事故傷害，民國九十五年台灣地區青年因事 故傷害死亡之人數為1000人，達青年總死亡人數1882人的五成以上(53.13%)，而其中又 以運輸事故為主，在民國95年造成829位青年死亡[1]。 根據內政部警政署95 年道路交通事故分析資料顯示，15-24 歲的年輕人發生道路交 通事故死亡率為16.56 人/每十萬人口，僅次於 65 歲以上的年齡組別，而 15-24 歲者騎 乘機車(包含駕駛與乘客)的死亡風險為該年齡層使用所有交通工具中最高(圖 1-1)，死亡 率達12.72 人/每十萬人口，接近該年齡層總死亡率的 76.8%[2]。 機車 汽車 腳踏車 _行人 其他 0-14歲 15-24歲25-64歲 65歲以_上 15.01 2.13 4.97 9.10 1.02 8.13 3.94 0.42 _0.96 0.19 12.72 3.46 0.18 0.18 0.03 0.48 0.43 0.24 0.45 0.05 0 2 4 6 8 10 12 14 16 人/十萬人口 資料來源：內政部警政署 圖1- 1 95 年道路交通事故死亡率-年齡組及狀態別 另外，由教育部校安中心提供之學生事故資料可以發現，交通事故為學生意外死亡 之主因，其中又以15至24歲此年齡層因交通事故死亡之比例最高，而此年齡層以大專院

校學生為主要族群。依據教育部統計資料顯示，大專院校學生因交通事故死亡之人數皆 超過其總死亡人數之五成(表1-1)。 表1- 1 全國大專院校 92 年至 94 年學生死亡人數 全國大專院校學生 92年 93年 94年 交通事故死亡人數 149 188 194 死亡總人數 263 305 344 比例 56.65% 61.64% 56.40% 資料來源：教育部校安中心 年輕族群的首要死因為交通事故，在台灣此族群以騎乘機車的死亡風險最高，而大 部分座落於年輕族群之大專學生因交通事故死亡之人數超過學生總死亡人數的五成，顯 示交通事故確實為大專院校需要面對處理之重要議題。另外，根據朱永裕[7]調查我國大 學生道路行為，發現大學生之身心發展會影響其道路交通行為，大學生在大學階段使用 之交通工具與以往經驗有明顯轉變，改以機車為主要選擇，而大學生就讀學校區域、年 級和其他背景資料等皆會影響其交通行為和交通工具的使用狀況，顯示大學生之道路交 通行為確實有其特性。由於交通事故為大專學生的主要死因以及該族群具特有之交通行 為，本研究以大專學生為探討對象，研究分析其死亡交通事故型態，透過瞭解大專學生 死亡交通事故類型與影響因子之關聯，以期作為改善道路安全軟硬體設施及加強交通安 全宣導教育之參考。

1.2 研究目的與內容

鑒於交通事故為大專院校學生重要死因，本研究目的為分析大專學生死亡交通事 故，應用統計方法及約略集合理論探討事故類型與影響因子之關聯，藉以描繪大專學生 死亡交通事故型態，以提供交通安全改善之參考依據。依據研究目的，本研究主要內容 如下： 1. 研析交通事故分析之相關文獻，掌握交通事故分析研究方法，瞭解交通事故影 響因子及年輕族群事故特性。 2. 利用頻率分析探討大專學生死亡交通事故概況。 3. 透過卡方檢定得知影響事故類型之重要因子。 4. 採用羅吉斯迴歸建構大專學生死亡交通事故模式。 5. 應用約略集合理論分析大專學生死亡交通事故因果鏈(causal chain)。 6. 綜合研究結果提出建議以供相關單位參考。

1.3 研究對象與範圍

本研究探討造成大專院校學生死亡之交通事故特性，而交通事故屬於隨機、稀少事 件，倘若僅觀察一年或者一所學校之交通事故可能無法蒐集足夠樣本數，因而不能獲得 具代表性之結果，因此本研究對象設定為最近四年(民國 92 年至 95 年)因交通事故死亡 之學生數為全國大專院校前22 名學校，針對這 22 所學校四年內發生之學生死亡交通事 故進行分析。

1.4 研究方法

本研究參考交通事故分析相關文獻，配合蒐集之交通事故資料特性，採用研究方法 及應用軟體如下： 1. 應用統計軟體 SPSS 針對事故資料進行頻率分析及卡方檢定，瞭解事故概況。 2. 應用統計軟體 SPSS 之二元羅吉斯迴歸指令建構事故模式，確認影響事故類型 之顯著因子，以勝算比概念解釋自變數對事故類型之作用。

3. 應用約略集合軟體 ROSE 2 (Rough Set Data Explorer ver2.2)分析事故因果鏈 (causal chain)，萃取交通事故決策規則，描繪交通事故型態。

1.5 研究流程

本研究首先確定研究目的為探討台灣大專院校學生死亡交通事故，考量交通事故的 稀少及隨機性，界定清楚之研究範圍與對象，廣泛涉獵國內外交通事故分析之研究，瞭 解年輕族群主要交通事故特性，並決定合適的研究方法。 根據訂定之研究對象蒐集大專學生死亡交通事故資料後，應用統計軟體SPSS 針對 事故資料進行分析，使用卡方檢定挑選交通事故類型影響因子，接續採用羅吉斯迴歸建 構交通事故模式；另一方面，使用應用軟體ROSE 2 探討交通事故因果鏈。綜合兩者研 究結果以瞭解大專學生死亡交通事故型態。最後根據研究成果提出建議，以供相關單位 及未來研究之參考。研究流程圖請參考圖1-2。

研究方向與目的確定 研究對象與範圍界定 研究方法選定 事故資料蒐集 事故概況分析 大專學生死亡 交通事故模式構建 結論與建議 相關文獻蒐集與回顧 大專學生死亡 交通事故因果鏈分析 圖1- 2 研究流程圖

第二章 文獻回顧

為深入暸解影響交通事故發生之相關因子，掌握交通事故分析研究方法，本章文獻 回顧主要分成二個部份，第一部份整理以統計方法進行交通事故影響因子分析之相關文 獻，並進一步針對研究對象區分為不同事故族群；第二部份則回顧其他分析方法於交通 事故分析之研究；最後為本章節小結，歸納交通事故研究方法、探討議題及常見影響因 子。

2.1 統計分析方法

交通事故分析常以統計分析方法如卜瓦松迴歸模式、負二項迴歸模式或羅吉斯迴歸 模式等探討影響因子與事故發生之關係。本小節依研究對象將交通事故區分為年輕族群 交通事故、機車交通事故以及其他道路交通事故共三類進行回顧。 2.1.1 年輕族群交通事故分析 Bustamante 等 5 人[15]研究加州高中、大專年紀(15-24 歲)之駕駛發生的機動車輛交 通事故。研究採用 SAS 分析年紀、傷害嚴重度、酒精或藥物使用、安全配備使用、週 別及時間之影響。研究結果發現此年紀族群發生事故的駕駛使用酒精或藥物較其他年紀 嚴重，未使用安全配備的情形也值得注意。主要的事故(38%)發生於中午 12 點至 5 點間， 週五和週六為事故發生最多(30%)的週別。 Clarke 等 4 人[18]研究年紀、駕駛經驗、以及事故時間對年輕駕駛發生交通事故之 影響，其探討4 種不同型態(情境)之交通事故：於交織車流中轉彎、從後追撞、彎道及 發生時段。透過頻率分布與列聯表分析發現17 至 19 歲之駕駛容易在鄉間和晚上發生事 故，除了女性駕駛隨年紀增長越容易涉入從後追撞的交通事故外，事故發生傾向隨年紀 有逐漸改善的趨勢。整體而言年輕駕駛需負肇因的比例隨年紀上升而下降，男性駕駛需 負肇因的比例有兩個尖峰：凌晨4-6 點的交通事故與超速和飲酒相關，下午 2-3 點的交 通事故則與觀察不良和跟車過近有關。

Gonzales 等 4 人[21]使用美國死亡分析報告系統(FARS, Fatality Analysis Reporting System)，探討科羅拉多州發生死亡交通事故之年輕(16 歲)駕駛與有經驗駕駛(25-49 歲) 在人口統計特質、事故特性與駕駛行為的不同。挑選之變數皆與涉入死亡交通事故之風 險相關，如駕駛性別、超速、飲酒和安全帶使用狀況、發生的時間等。研究以有無經驗 的駕駛為應變數，建構羅吉斯迴歸模式並計算個別獨立變數之勝算比。研究結果顯示年 輕駕駛需要為其交通事故負擔相當之責任，因其有較高尋求風險的駕駛行為，且較常涉 入單一車輛事故。另一方面年輕駕駛之車輛通常車齡較老，但事故發生時間影響並不顯

著。

McCartt 等 3 人[23]為檢視新取得駕照之年輕駕駛其駕駛經驗與交通事故或交通違 規(crash or citation)之關係，挑選康乃狄克州、德拉瓦州、紐澤西州和紐約州 11 所公立 高中，以問卷及電話訪問追蹤1992 年入學之學生直至學生 3 年後畢業。使用存活分析 獲得學生第一次發生交通事故或接到交通違規罰單的可能性，並使用 Cox regression analysis 進一步暸解各項指標的統計顯著性，結果則以相對風險(relative risk)來表示，假 設指標包括持照月數和里程、性別、郊區或都市、課業平均分數(GPA, Grade-Point Average)、家長管制狀況等。研究結果顯示駕駛風險在緊接於取得駕照後的時期較高， 較高的GPA 和較多的家長管制可延後第一次發生交通事故的時間，男女的事故率相當， 但男性較容易接到交通違規罰單，而大多數發生交通事故的年輕駕駛先前並無交通違規 的紀錄。 2.1.2 機車交通事故分析 林正基[4]使用結構化問卷調查高雄市四所大學九十三學年度日間部 1~4 年級學 生，探討高雄市大學生騎機車發生意外之相關因子。研究發現高雄市大學生曾發生機車 意外事故的比例達58.4%，男生與女生會騎機車的比例顯著不同，而不論性別或是否持 有駕照都與機車意外事故的發生沒有相關。針對個人因素方面，騎乘的里程數和時速會 影響機車事故的發生，平日騎機車的行為如闖紅燈、邊騎車邊講手機越頻繁，發生機車 事故的危險性就越高，而鑽車縫、邊騎車邊進行其他行為會影響機車事故的發生。 曾平毅等[9]利用桃園縣全縣道路交通事故報案資料為研究樣本分析得知，機車事故 較特殊之特性包括：事故類型以擦撞(47.6%)與路口交叉撞(24.3%)最多，事故發生時段 以 18 至 24 時最多(34.6%)，事故發生地點以市區道路最多(62.5%)，一週中以星期五 (16.6%)和星期六(16%)之機車事故比例最高。經比較分析機車事故特性與一般汽車事故 特性發現，車種與事故特性兩者之事故類型、發生時段、道路類別、地區等彼此存在關 聯性。 葉名山等[12]以 91 年 7 月至 92 年 8 月間送至台中市鑑定會申請鑑定之機車交通事 故為資料，探討台中市機車交通事故特性，研究結果為(1)肇事者特性中的事故類型以機 車與汽車相撞比例居多，事故年齡層明顯集中於21~50 歲的青、壯年，而男性騎士比例 較高。(2)事故特性則發現各時段的肇事率無明顯之尖離峰差異，肇事型態則以側撞居 首，而碰撞類型與時段和道路型態具相關性。 Chang 和 Yeh[16]研究年紀、性別、機車騎士的危險行為和涉入交通事故之關聯性。 研究利用自我回報(self-reported)之問卷調查台北都會區的機車騎士駕駛行為，研究方法 以兩階段集群分析針對風險程度分類，而後以羅吉斯迴歸檢視事故風險和交通事故之關 係。結果顯示年輕和男性騎士較容易違反交通規則，年輕騎士具較高傾向忽視潛在風險 及機車安全檢查。除錯誤和違規行為外，駕駛經驗最不足的年輕女性駕駛可能因較差的

駕駛技能和較少的駕駛經驗而增加事故發生的機率。 Lin 等 5 人[22]研究影響台灣二技學生機車交通事故受傷嚴重度之危險因子。研究 調查台北及花蓮共 11 所二年制專科學校曾發生機車交通事故之學生，由學生自行回報 並填寫事故資料問卷，問卷內容包含學生駕駛行為、機車型態及駕駛環境三個構面，使 用順序羅吉特迴歸模式研究機車交通事故嚴重度與危險因子之關聯。研究結果發現晚間 高速騎乘某些廠牌之機車於郊區，碰撞較重之物體將會提高年輕駕駛發生交通事故時的 受傷嚴重程度。 2.1.3 其他道路交通事故分析 黃韻芝[5]使用警政署民國九十三年 A1 類(造成人員當場或 24 小時內死亡)道路交通 事故統計資料，應用卡方獨立性檢驗、卡方自動互動檢視法、比例勝算模型或羅吉斯迴 歸模型、以及多元對應分析，探討影響肇事當事者死傷程度與造成重大交通事故的重要 因素。研究主要結果如下：(1.)駕駛人的年齡、飲酒情形、保護裝備、駕駛之車種，事 故類型為人與車、車與車或車本身，事件發生時道路的速限等，是影響肇事駕駛受傷程 度的重要因素。(2.)由多元對應分析發現機車駕駛最容易肇事的年齡層為 19 歲以下的 青少年，且事發時駕駛人受傷程度通常為死亡。(3.)93 年臺閩重大道路交通案件的肇事 主要因素皆為車輛駕駛人因素。(4.)由羅吉斯迴歸模型可知，影響是否為重大事故的重 要因素有事故類型、道路類別、道路障礙。(5.)由多元對應分析可知，在國道或省道、 汽(機)車本身事故，或有障礙物或視距不良的情況下，重大事故發生的機率是較高的。 孫璋英[10]利用民國九十年台閩地區 A1 類(造成人員當場或 24 小時內死亡)及 A2 類(造成人員受傷或超過 24 小時死亡)汽、機車單一車輛事故資料，建構肇事駕駛人死亡 勝算之羅吉斯迴歸模型，針對肇事駕駛人屬性、道路及環境、車種別及單一車輛事故類 型等相關因素進行剖析。研究結果發現男性汽車及機車駕駛人的死亡勝算分別為女性駕 駛的1.78 和 1.73 倍，汽、機車事故發生於日、晚間(清晨 6 時至未滿 23 時)的死亡勝算 皆為深夜和凌晨時段(23 時至清晨未滿 6 時)的 0.06 倍，汽、機車肇事者之事故型態皆以 「衝出路外」的死亡勝算最高，而機車於「撞路樹或電線桿」死亡勝算亦呈現明顯偏高。 事故地點方面，汽車駕駛者於道路屬性為國道、道路形態為「交叉路口」和「彎曲路及 附近」之死亡勝算較高，機車駕駛者則以省道、道路型態為「彎曲路及附近」最高。

2.2 其他分析方法

除了統計分析方法外，資料挖掘技術或情境分析等方法亦被應用於交通事故分析。 本小節回顧其他方法於交通事故分析的應用。 沈明蕙[8]利用約略集合理論技術分析肇事特性，研究以民國 94 年警政署登錄之 A1 與 A2 類的 155,814 件資料為範圍，推演肇事特性法則、肇事原因法則、一般與重大事

故法則和保護裝備與行動電話法則，獲得之法則經過驗證後顯示一般與重大事故法則的 整體判中率極佳。依據肇事特性法則顯示，屬性類別影響大小為道路屬性、車輛屬性、 環境屬性與當事人屬性。 蘇宥宜[11]應用情境分析方法研究台灣 2003 年單一小客車交通事故。研究先運用順 序迴歸分析結果瞭解影響事故嚴重度的關鍵因子，之後配合文獻歸納之肇因鏈，應用情 境分析描述單一小客車的駕駛過程，研究結果顯示影響駕駛者表現的行為與決策及事故 嚴重度的風險因子在事故發生前為駕駛本身生理、觀念、認知和情緒；在事故發生當時 則為道路的可辨視距離、反應時間與空間、道路安全設計和防護設施。 王秀雯[13]針對民國 90 年臺北市的交通事故受傷者，應用資料挖掘技術中分類與迴 歸樹及統計多元羅吉特模式分析影響交通事故嚴重程度之因素。研究結果發現分類樹的 預測能力較多元羅吉特為佳，而兩者的影響死亡因素則類似，可分為事故特性(車與固 體碰撞、當事人上下車)，道路幾何特性(如路面有坑洞、路面潮濕等)，道路環境因素(雨 天)，時間特性(一~三月)，車種(機車、慢車、行人)，駕駛者因素(如速限、年齡、飲酒 等)。

Clarke[17]利用機器學習程式(machine-learning program)中 BID3 演算法建構決策樹 (decision tree)，探討交通事故因果關係(accident causation)。研究採用 200 筆 1988 年諾汀 安警方登錄之右轉事故案件資料，將事故嚴重度區分為有一人以上受傷或僅有財損兩 類。研究將決策樹分析結果以邏輯規則(如果…則…)描述交通事故情境，結果發現轉進 事故的主要問題為轉彎者遭遇無保護的道路使用者或在冬天未注意其他道路使用者，而 年輕男性特定交通事故情境如下：如果交岔路口只有3 個分支，且轉彎者未減速，而轉 彎者未在轉彎前減速，則該事故轉彎者為年輕男性(比例高達 89%)。

Preusser 等 3 人[24]使用 Snyde 和 Knoblaunch (1971)發展之交通事故類型分析方法 探討美國 1992 年造成機車騎士死亡之交通事故，研究重點為事故前的駕駛行為及車輛 運行狀況。從美國死亡分析報告系統(FARS)取得之研究資料由兩位分析師協同判定交通 事故類型，並明確定義該事故類型。研究結果發現衝出路面、未遵守交通管制、對撞、 左轉對撞、及機車騎士倒地佔資料中交通事故案件的85%，機車車速過快為前 3 類交通 事故中最常見的機車騎士肇因。大部分的交通事故發生於五月至七月，發生時間以週末 為主，而94%的交通事故發生在無不良天候狀況下的乾燥路面，且幾乎所有死亡之機車 騎士皆為男性。衝出路面之交通事故最常發生於夜間(晚上 8 點至凌晨 3 點 59)，發生區 位以鄉間為主，而駕駛飲酒狀況最嚴重。另外，未遵守交通控制及左轉對撞發生時間以 下午和晚上(中午至晚上 7:59)為主，主要發生區位為都市。

Rhodes 等 3 人[25]使用美國的關鍵分析報告環境(CARE, Critical Analysis Reporting Environment)之資料分析阿拉巴馬州的交通事故。藉由訪談 16-20 歲之焦點團體，瞭解 年輕駕駛的危險駕駛行為，以及年輕駕駛的交通事故特性。研究中提出男女年輕駕駛之 典型交通事故情境，男性典型事故情境：週末晚間和朋友一起駕駛一輛較老舊的小貨車

於二車道之縣道，乘員未繫安全帶且超速，遇到一個下坡而車輛失控衝出路面並撞上路 邊障礙物；而女性事故情境則為：放學後載朋友回家時經過商業區，駕駛一輛相當新的 四門轎車於四車道之道路，駕駛繫上安全帶但卻因駕駛分心而未能遵守路權、適時停 車，緊急轉向後側撞上其他車輛。 Williams[27]評析相關文獻以找出年輕駕駛的危險事故情境。研究發現年輕駕駛的風 險隨不同情境而有高低差異，如年輕駕駛在剛拿到駕照後、深夜、或是有其它乘客於車 內時風險特別高。在飲酒的駕駛情境中，年輕人喝酒的量較少、較不容易酒後駕車，但 當其喝酒時交通事故風險最高。年輕人特有的高風險情境為搭載其他乘客：年輕駕駛的 交通事故風險隨乘客數增加而增加，且年輕駕駛常搭載年輕乘客；乘客性別亦會影響駕 駛風險：男性或女性駕駛搭載男性乘客風險最高，而年輕男性駕駛搭載女性乘客風險最 低，且年輕男性駕駛搭載男性乘客時駕駛行為較危險。 Wong 和 Chung[28]指出另一種研究交通事故的方式是將交通事故視為一連串影響 因子(factors)和結果(consequences)的組合，而這種組合關係意涵因子和結果的因果關係 (causality)，其經常被稱為因果鏈(causal chains)[19]或情境(scenarios)[20]。本研究運用約 略集合理論(Rough Set Theory)分析交通事故，透過該理論將交通事故的發生建構成因子 鏈(factor chains)，其由駕駛者特性、旅次特性、駕駛行為和環境因素等典型的交通事故 影響因子所組成。研究利用台灣 2003 年單一小客車交通事故資料進行探討，結果顯示 年輕、經驗不足的學生駕駛有相當高的比例涉入衝出路面的交通事故，而常見之事故情 境為駕駛環境狀況皆正常，且道路速限界於51 公里/時至 79 公里/時。另外，自撞設施 的交通事故中，潮濕的路面為一顯著的環境影響因子。

2.3 小結

回顧先前研究可以發現，交通事故分析主要使用統計分析方法找出影響事故發生的 關鍵因子，其中羅吉斯迴歸因為資料不需符合常態性分布之假設、適合分析類別資料而 應用廣泛。相對於傳統分析方法著重找出關鍵因子，資料挖掘技術或情境分析等方法則 探討交通事故影響因子與結果的連結關係。若以探討議題區分，綜合上述文獻可以得知 事故嚴重度與交通事故類型為交通事故分析中最常見之兩大議題。此外，無論研究對象 (如年輕族群或單一車輛事故等)或研究方法為何，交通事故影響因子通常可歸納為駕駛 者特性、交通工具、道路型態與環境等四大面向。而年輕族群交通事故確實有其獨特之 型態，如該族群較其他族群容易涉入單一車輛事故，或較容易受車內乘客影響等。本研 究參考過去文獻，考量交通事故研究中常見的人、車、路及環境四大面向，選定羅吉斯 迴歸以及約略集合理論兩種研究方法，針對交通事故類型進行資料分析，藉此瞭解大專 學生死亡交通事故類型與影響因子的關聯。

第三章 研究方法

本章根據研究動機與目的，配合研究資料特性，挑選合適之資料分析方法，擬出研 究架構(圖 3-1)，針對大專學生死亡交通事故資料進行分析。本研究透過學生特質、交通 工具、事故情境、道路型態及環境狀況等五大面向探討大專學生死亡交通事故。由於蒐 集 資 料 內 容 如 駕 駛 性 別 、 碰 撞 型 態 、 天 候 狀 況 等 變 數 皆 為 類 別 變 數(Categorical variables)，如性別可分為男、女兩個類別，因此挑選資料分析方法時皆以能夠處理類別 變數為準則。經蒐集彙整事故資料後，首先利用頻率分析瞭解大專學生死亡交通事故概 況，接續透過卡方檢定挑選與事故類型相關之影響因子，而後採用羅吉斯迴歸建構大專 學生死亡交通事故模式，並應用約略集合理論分析大專學生死亡交通事故因果鏈，最後 綜合上述兩者研究結果歸納交通事故類型與影響因子之關聯。茲將研究方法介紹如後。 交通事故 資料彙整 事故概況 探討 事故類型 影響因子挑選 事故模式 建構 事故因果鏈 分析 頻率分析 卡方檢定 二元羅吉斯迴歸 約略集合理論 事故類型與 影響因子關聯歸納 圖3- 1 研究架構圖 綜合討論

3.1 敘述性統計

本研究蒐集之資料皆為類別變數，透過次數分配表(frequency table)整理與描繪資 料，呈現該變數之內容與各類別分布狀況。為瞭解兩變數各個類別之分布情形，使用列 聯表(contingency table or cross tabulation)來整理、呈現類別變數之間的關聯性。

3.2 卡方檢定

Karl-Pearson 所提出的卡方獨立性檢定(chi-squared test of independence)可以用來檢 測兩個類別變數(X 和 Y)之關聯性，例如性別是否與事故發生時間分布具特殊關係。如 果兩個類別變數沒有互動關係(卡方值不顯著)，稱兩個變數相互獨立；相反地，當兩個 變數有交互作用影響時(卡方值顯著)，則可說此兩個變數不獨立，或具有相依或相互關 聯。當卡方值(Pearson χ2 )大於顯著水準之臨界值，則拒絕虛無假設H ，接受兩變數具₀ 有特殊關係之對立假設H₁。將兩類別變數X(n 個水準)和變數 Y(m 個水準)以列聯表形式 表示如下，則檢定H 之皮爾森卡方值(Pearson χ₀ 2 )為： χ2 ＝

∑∑

= = − m i n j ij ij ij E E O 1 1 2 ) ( ...(式 3.1) 其中Oij為觀察次數，Eij為期望次數，卡方檢定值在大樣本下服從自由度為(m-1)(n-1)之 卡方分配，而大樣本的定義一般認為期望次數最少要大於等於5，即 Eij≥ 5。 表3- 1 示意列聯表 X 1 2 … n 1 O11 (E11) O12 (E12) … O1n (E1n) 2 O21 (E21) O22 (E22) … . .. . . … . Y m Om1 (Em1) Om2 (Em2) … Omn (Emn)

3.3 羅吉斯迴歸模式 (Logistic Regression)

羅吉斯迴歸與一般迴歸的主要區別在於其應變數。羅吉斯迴歸的應變數為二元變 數，以二元變數作為應變數的模式在自變數與事件發生機率間存在非線性關係。典型的 羅吉斯迴歸模式為S 曲線，其機率值位於 0 與 1 之間，對於二元應變數Y 與一個自變數

x，第j 個案例發生應變數Yj為1 之機率為 ) | 0 ( 1 ) | 1 ( ) (x_j P Y_j x_j P Y_j x_j p = = = − = ...(式 3.2) 而單變量羅吉斯迴歸模式為 j j x x j e e x p 1 0 1 0 1 ) ( _{β β} β β + + + = ...(式 3.3) 羅吉斯迴歸模式為變數xj構成的非線性函數，將其做適當轉換可成為線性函數，首 先定義應變數Y = 0 的條件機率為 j j j x x x j e e e p 1 0 1 0 1 0 1 1 1 1 1 _{β β β β} β β + + + + = ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ + − = − ...(式 3.4) 代表事件發生之勝算(odds)則為 j x j j e x p x p _{0 1} ) ( 1 ) ( _β+_β = − ...(式 3.5) 將勝算取自然對數就能得到一個線性函數：

[

]

j j j j j _p x p x p Logit x g _{0 1} 1 ln ) ( ) ( _⎟⎟=β +β ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − = = ...(式 3.6) 上式將羅吉斯函數做了自然對數轉換，為羅吉特型式(logit form)，其重要性在於羅 吉特模式具有線性迴歸模式的許多性質，該模式對參數為線性的，並與x 值相關，值域 範圍為負無窮至正無窮。當有k 個自變數時，公式 3.3 可擴展為 ∑ + ∑ = = = + + k k kj k k k kj k x x j e e x p 1 0 1 0 1 ) ( β β β β ...(式 3.7) 而相應之羅吉特模式為

∑

= + = − k k kj k j j _x x p x p 1 0 ) ( 1 ) ( ln β β ...(式 3.8) 羅吉斯迴歸模式採用最大概似估計法(Maximum Likelihood)求解參數。首先要先建 立概似函數(likelihood function)，該函數值介於 0 與 1 之間，而最大概似估計即是要選 擇能夠使這一函數達到最大的參數估計值。因為對這個函數值取自然對數後在數學處理 上更為方便，且該函數的對數值為負數，所以進行分析時通常會將概似函數值先取自然 對數再乘以-2，以-2LL(-2 Log Likelihood)表示之。 模式估計完成後，需要針對模式進行評價，如模式的配適度(goodness of fit)和模式 的χ2檢驗等。如果模式的預測值與相對應之觀測值有較高一致性時，就認為模式配適 資料良好，否則將不能接受此一模式，需重新設定之。事實上在評估模式時，是檢驗模

式預測值與實際觀測值之差異，即配適不良檢驗(lack of fit test)，其中 Hosmer-Lemeshow (HL)指標為一廣泛應用於羅吉斯迴歸模式的配適度指標，該方法依據預測機率值將資料 分成規模大致相同的10 個組別，將觀測資料按其預測機率由小自大排列，統計公式為

(

)

∑

= − − = G g g g g g g g p p n p n y HL 1 (1 ) ...(式 3.9) 其中G 代表分組數，且 G≤ 10；ng 為第 g 組中的案例數；yg為第g 組事件的觀測數量； pg為第g 組的預測事件機率；ngpg為事件的預測數。透過皮爾遜卡方來概括這些分組中 事件結果的觀測數與預測數，將其與自由度為G－2 的_χ2 分布進行比較，卡方檢定不顯 著表示模式配適資料良好，若卡方值顯著則表示配適不良。 為了對羅吉斯迴歸模式進行有意義的解釋，模式中所包含的自變數必須對應變數有 顯著的解釋能力，也就是所設模式必須要比零假設模式(只包含常數項的模式)要好，在 羅吉斯迴歸中應用概似比檢驗(likelihood ratio test)來檢定模式是否統計性顯著，概似比 統計量近似符合χ2分布。所謂模式χ2定義為零假設模式與所設模式間於-2LL(-2 對數概 似值)的差距，模式_χ2_{的自由度為零假設模式與所設模式自由度之差異。若模式χ}2_的統 計性顯著，便拒絕零假設(除常數項外的所有係數都等於 0)，認為自變數所提供的訊息 有助於預測事件的發生。 係數顯著代表該自變數對於應變數的變化有影響。假設H₀為β_k =0(表示自變數 xk 對事件發生可能性無影響)，若該假設被拒絕，說明事件發生可能性依賴於 xk的變化， 要檢驗此一假設，首先需選擇顯著性水準，然後計算檢驗統計量作為是否拒絕 H0之判 斷值。羅吉斯迴歸通常使用Wald 統計量進行迴歸係數顯著性統計檢定，其公式為

(

_/

)

2 k SE W = β_{k β} ， k SE_β 為β_k的標準差 其服從漸進卡方分配，該統計量可以表示相應的模式自變數是否顯著。 當羅吉斯迴歸模式能夠適當地配適資料時，即可對模式係數進行解釋，迴歸係數可 以被解釋為對應自變數一個單位的變化所導致應變數的變化，若係數為正且統計顯著， 意味控制其他自變數的條件下，對數勝算 ln[p/(1-p)]隨應變數的增加而增加，反之，一 個顯著的負係數代表對數勝算隨自變數的增加而減少，若係數的統計性不顯著，說明對 應自變數的作用在統計上與零無差異。 由於對數勝算並無較直觀的涵義，解釋羅吉斯迴歸係數時通常會採取勝算比之概 念。對羅吉特模式兩側取自然指數，等式左側即成為勝算(p/1-p)，而右側則轉換為e ，β 因此透過比較兩組係數的差異值並將其取自然指數後，便可得到兩者的勝算比(OR, odds ratio)，如下所示： j i j i e e e p p p p OR j j i i β β β β − = = − − = 1 1 ...(式 3.10)

當自變數為二元變數時，x=0 代表該變數的參照組(Reference Category)，因而該變數的 係數恰好等於兩分類的係數差異，也就為該變數的勝算比；當一個類別自變數多於兩個 分類時，就需建立一組虛擬變數來代表各分類歸屬性質，此時所需的虛擬變數數目等於 分類總數減1，其中省略的類別稱為參照組，透過比較該類別變數中各虛擬變數係數的 差異值，就可獲得相對的勝算比，而某一虛擬變數的係數值恰好該分類相對於參照組的 勝算比值。

3.4 約略集合理論 (Rough Set Theory)

約略集合理論於1982 年由波蘭教授 Pawlak 提出，其為資料探勘中相當新穎之分類 方法，能有效處理多層次類別的離散化變數，處理資訊模糊性與不確定性。約略集合方 法降低資料的精確程度以使資料型態（pattern）更為清晰可見，而該理論原理的核心前 提為知識存在於分類的（classification）能力，換句話說， 約略集合方法可視為從不完 全資料中探索事實的一種形式架構。約略集合方法以分類的型式或由一組案例進行推導 而獲得的決策規則（decision rules）來呈現。簡介約略集合理論之基本概念如下。 1. 資訊系統 (Information System) 一個資訊系統包含了 4 個元素，表示如S= U, VQ, ,ρ ，其中 U 代表物件(objects) 的有限組合，Q 為屬性(attributes)的有限組合，V 為所有屬性值域的聯集，ρ則為資訊函 數，ρ( qx, )表示物件x 與對應屬性 q。資訊系統可視為有限資料的表格，欄代表各種屬 性，列則是各個物件，表格中的每一列提供了該物件的所有資訊。資訊系統的表達形式 如表3-2。 表3- 2 資訊系統示意表 Q U p q r s x1 1 0 1 0 x2 2 1 0 1 x3 0 1 0 0 x4 2 0 0 1 x5 0 1 2 0 x6 0 1 0 0 x7 2 1 0 1 x8 1 0 1 0 x9 0 1 2 0 x10 0 1 1 0

2. 不可辨識之關係 (Indiscernibility relation) 如果ρ(x,q)=ρ(y,q)，每個q∈ ，則稱 x 和 y 於屬性集合 P 上為不可辨識。p-基本P 集合中包含所有於屬性p 為相等之類別，而原子(atom)中物件的所有屬性皆相同。根據 表3-2 的內容，該資訊系統中的 p-基本集合與事故原子如下： p-基本集合：X₁ ={x₃,x₅,x₆,x₉,x₁₀}、X₂ ={x₁,x₈}、X₃ ={x₂,x₄,x₇} 原子：Z₁={x₁,x₈}、Z₂ ={x₂,x₇}、Z₃ ={x₃,x₆}、Z₄ ={x₅,x₉}、Z₅ ={x₄}、Z₆ ={x₁₀} 3. 近似集 (Approximations of Sets) 以約略集合方法進行資料分析全賴兩個基本觀念，稱之為集合的下界近似PY 與上 界近似P （the lower and the upper approximations of a set）（如圖 3-2），表示如下： Y

U

X Y P = {X∈P}且{X ⊆Y}...(式 3.11)

U

X Y P = {X∈P}且{X∩Y ≠∅}...(式 3.12) 圖3- 2 集合的上界與下界近似示意圖 (資料來源：[26]) 下界近似集合PY 之單元必定（certainly）屬於該集合 Y，而上界近似集合 YP 之單 元可能（possibly）屬於該集合 Y。 Y 集 合 的 準 確 性 (accuracy) 定 義 為 ) ( ) ( ) ( Y P card Y P card Y p = μ ，card 為 集 合 的 基 數 （cardinality），係指包含在集合 Y 之下界（上界）近似內的物件數目。近似集準確性為 一個介於0 與 1 之間的數值，若 Y 可用屬性集 P 清楚定義，則μ_p(Y)=1；若 Y 無法由 屬性集P 定義清楚，則μ_p(Y)<1。 以表3-2 為例，若集合Y ={x₁,x₄,x₅,x₇,x₉}，而P=Q={p,q,r,s}，則QY =Z₄ +Z₅ } , , {x₄ x₅ x₉ = ，QY =Z₁+Z₂+Z₄+Z₅ ={x₁,x₂,x₄,x₅,x₇,x₈,x₉}， 因 而 該 集 合 準 確 性 為 429 . 0 7 / 3 = = Q μ 。

4. 約略分類 (Rough Classification) 令屬性集P⊆ ，Q X ={Y₁,Y₂,...,Y_n}為全域集合U 的分類(classification)，也就是說， ∅ ≠ ∩ _j i Y Y ，

U

n i i U Y 1 = = 。稱 Yi為分類X 的一個類別(class)。分類 X 的下界與上界近似集 可分別定義為PX ={PY₁,PY₂,...,PY_n}以及PX ={PY₁,PY₂,...,PY_n}。分類品質(quality of classification X）可定義如下： ) ( ) ( ) ( 1 U card Y P card X n i i p

∑

= = γ 。其值代表系統內所有物件能被P 正確分類的比例。 5. 屬性簡化 (Reduction of attribute) 以表3-2 的資訊系統為例，檢視{q,r,s}-基本集合與 p-基本集合可以發現兩者相依： p s r q, , }→ { ，每個{q,r,s}-基本集合都為 p-基本集合的子集合。實際應用時需要刪除資 訊系統中的多餘屬性，以獲得簡化集合(reduct)。透過分類品質γ_p(X)可以發現簡化集 合，而最小屬性集合即為簡化集合，該集合的分類品質與所有屬性集合相同。此外，資 訊系統可能存在不只一個簡化集合，所有簡化集合的交集即為核心(core)集合，核心集 合為資訊系統內最具代表性屬性的集合。舉例來說，表3-2 包含兩個簡化集合{p,q,r}和 {q,r,s}以及一個核心集合{q,r}。計算簡化與核心集合係使用識別矩陣（discernibility matrix），識別矩陣有n n× 的維度，其中n表示基本集合的數目，而其單元定義為所有可 識別基本集合

[ ]

i x 與

[ ]

x 之屬性的集合。_j 6. 決策規則 (Decision Rules) 決策（分類）規則型式為 i k j a ⇒d ， i k a 表示「屬性a 的值為_k i 」，而符號「⇒ 」表 示命題之關聯（propositional implication），其中a 與_ki d 分別為規則中的條件與決策。最_j 小化屬性集合與屬性值表示縮減決策規則中不必要的條件狀況，這樣的過程可視為由資 料產生決策規則。

3.5 小結

本章介紹之研究方法皆適合分析類別變數，符合蒐集之事故資料特性，本研究應用 上述研究方法描繪大專學生死亡交通事故。首先透過頻率分析瞭解事故因子的分布概 況，採用卡方檢定得知各因子與事故類型之關聯情形，挑出具顯著影響之因子；接續利 用羅吉斯迴歸模式建構大專學生死亡交通事故模式，瞭解影響各類型交通事故發生之關 鍵因子；另外應用約略集合理論分析交通事故因果鏈，藉由事故案件推演之決策規則掌 握大專學生死亡交通事故型態。

第四章 資料蒐集與事故概況

本章針對蒐集資料進行頻率分析以瞭解大專學生死亡交通事故概況。第一節介紹資 料來源以及蒐集項目，第二節則根據回收資料分析各項目的個別類別分布狀況，最後根 據事故概況進一步定義事故模式與因果鏈分析所採用之資料範圍與探討對象。

4.1 資料蒐集

本研究選定最近四年(民國 92 年至 95 年)全國大專院校因交通事故死亡之學生數為 前22 名之學校，透過此 22 所學校教官協助填寫之學生交通事故死亡個案表蒐集本研究 所需資料，分析造成大專學生死亡之交通事故特性。 蒐集之學生死亡交通事故案件資料包括學生特質、交通工具、事故情境、事故道路 型態、事故環境狀況共五大類。分述如下： (1)第一類、學生特質：共計十四題，包括姓名、性別、出生年月日、所屬學院、科 系、年級、學生身分、屬性、學制分類、上課時段、學生成績、獎懲紀錄、持有 駕照狀況共十三題學生基本資料，以及一題事故之旅次目的。其中姓名、出生年 月日、學院、科系、年級為開放式填寫，成績、獎懲紀錄為特定格式外，其餘 7 項採用勾選方式填寫。 (2)第二類、交通工具資料：共計四題，包括學生交通工具、對方交通工具、駕駛車 輛情況、駕駛頻率。全部項目採用勾選方式填寫。 (3)第三類、事故情境資料：共計七題，包括事故發生時間、碰撞型態、學生精神狀 況、心理感受狀況、路況熟悉度、學生駕駛是否明顯違規、以及其他補充事項。 其中事故發生時間和補充事項為非勾選方式填寫，其餘項目採用勾選方式填寫。 (4)第四類、事故道路型態：共八題，包括事故地點、道路型態、道路特性、道路區 位、道路中央分隔型態、快慢車道分隔型態、單向車道數、專用車道配置。除事 故地點為開放性填寫外，其於項目皆採用勾選方式填寫。 (5)第五類、事故環境狀況：共五題，包括路面異常、照明設備、天候狀況、視距阻 擋、已知道路明顯缺陷。除已知道路明顯缺陷為開放性填寫外，其餘項目皆採用 勾選方式填寫。 若事故案件中學生之屬性非駕駛時(乘客或行人)，表格中持有駕照狀況、駕駛車輛 情況、駕駛頻率、路況熟悉度以及學生駕駛是否違規此五個項目則不需填寫；而學生屬 性為行人時，第四類與第五類之選項皆不需填寫。交通事故個案表如附錄。

4.2 事故概況

民國92 年至 95 年發生學生死亡交通事故頻率最高之 22 所學校皆位於台灣本島內， 此 22 所學校所在地區分布如下表，其中北部包含基隆、台北、桃園、新竹、苗栗等五 個地區，中部為台中、彰化、雲林、嘉義、南投五個地區，南部為台南、高雄、屏東三 個地區，東部則包含宜蘭、花蓮與台東地區。其中又以北部地區之學校所佔比例最高 (50.0%)。 表4- 1 重點學校地區分布表 地區 北部 中部 南部 東部 總計 學校數 11 5 5 1 22 學校地區 50.0% 22.7% 22.7% 4.5% 北部 中部 南部 東部 圖4- 1 學校地區分布圖 事故地區 52.9% 2.4% 3.9% 21.2% 19.6% 北部 中部 南部 東部 其他 圖4- 2 事故地區分布圖 上述重點學校於本研究時段內共發生255 件學生死亡交通事故，其中發生於北部比 例最高，共有 135 件，南部與中部次之，各發生 54 件和 50 件事故，東部地區發生 10 件為事故最少之地區，而其他則代表資料中的事故地點不明或事故非發生於一般平面道 路(如火車站、快速道路或高速公路)。對照學校所在地區分布可以發現事故地區分布比

例與其相近，皆是以北部地區達五成為最高。 本節接續分別針對學生特質、交通工具、事故情境、事故道路型態、事故環境狀況 五類的各項因子進行頻率分析，瞭解造成大專學生死亡之交通事故概況。 4.2.1 學生特質 1.年級 透過次數分配表，可知因交通事故意外死亡之255 人中，死亡人數最多之年級為一 年級，佔38.8%，而除了四年級有所變動外，死亡人數隨年級上升而減少。表 4-2 顯示 一年級為99 人、二年級為 74 人(29.0%)、三年級為 31 人(12.2%)、四年級為 39 人(15.3%)、 五年級為12 人(4.7%)。 表4- 2 學生年級分布表 年級 一 二 三 四 五 總計 件數 99 74 31 39 12 255 百分比 38.8% 29.0% 12.2% 15.3% 4.7% 100% 2.屬性 由表4-3 可知發生死亡交通事故的學生大多自己駕駛汽機車，資料顯示學生屬性為 駕駛之案件共有215 件(84.3%)，學生為乘客之案件數則明顯較低，共 34 件(13.3%)，最 後 2.4%之事故學生屬性為行人，進一步觀察可得知這 6 件行人事故中有 3 件發生於火 車或捷運站，而另外3 件則是受到車輛撞擊致死。 表4- 3 學生屬性分布表 屬性 駕駛 乘客 行人 總計 件數 215 34 6 255 百分比 84.3% 13.3% 2.4% 100% 3.性別 從表4-4 可清楚發現死亡交通事故中男性為主要族群，性別為男性之案件數為 194 件(76.1%)，女性則不到其三分之一，共發生 61 件(23.9%)事故。從相關文獻中亦可獲得 相同之結果，一般而言發生交通事故之男性皆多於女性，可能原因包含男性對於自身之 駕駛技能具有較高自信，較容易採取風險較高之駕駛態度與行為，男性駕駛之比例高於 女性等。

表4- 4 學生性別分布表 性別 男 女 總計 件數 194 61 255 百分比 76.1% 23.9% 100% 4.學制 255 件造成學生死亡之交通事故中，學制為四技之案件數最多，共有 78 件(30.6%)， 接續為大學和二專，皆為55 件(21.6%)，其次依序分別為五專 38 件(14.9%)、二技 23 件 (9.0%)、研究所和專班皆為 3 件(1.2%)。而學制主要與研究學校之本身性質相關，不適 宜由此結果判斷何種學制之學生較容易發生死亡交通事故。 5.上課時段 255 件造成學生死亡之交通事故中，學生上課時段主要為日間，共有 176 件(69.0%)， 其次為夜間的69 件(27.1%)，接續則為假日 7 件(2.7%)、日夜間皆有課 3 件(1.2%)。 6.學生成績 本項目之回填狀況較差，僅蒐集170 筆資料，主要原因為案件中的一年級學生尚未 完成該學期之課業就發生事故，因而學校無該新生之學業成績資訊。從回填資料的頻率 分析可以發現，課業成績較差者發生事故比例較高，有75 件事故(44.1%)當事者之成績 為全班後四分之一，接續的37 件(21.8%)為成績落在四分之三的族群，而後為成績落在 四分之二族群的34 件(20.0%)，發生事故件數最少的 24 件(14.1%)之當事者成績則為前 四分之一。此結果與McCartt[23]發現課業成績與交通事故發生有相關之研究成果相似。 7.駕照 取得之駕照資料筆數為215 筆，探究原因是受學生屬性影響，當事故之當事學生屬 性為乘客或行人時就不需填寫該生之駕照持有狀況(乘客加行人共 40 位)。持有普通重機 駕照者有168 位(78.1%)為最高，而後為持有自小客以上駕照者 22 位(10.2%)，接續分別 為14 位無駕照者(6.5%)、輕型機車駕照者 6 位(2.8%)，另外則有 5 位(2.3%)的駕照持有 狀況不明。本研究對象為大專學生，其主要交通工具主要為機車，而駕照持有狀況與此 現象相呼應。 8.旅次目的 旅次目的表示當事者該次出門之原因，其可能影響當事者對於道路的熟悉程度以及 心理、生理狀況等。本研究將上下班、上下學、往返打工處、返家歸類為經常性旅次， 旅遊、購物、訪友則歸為非經常性旅次，另外尚有一選項為旅次目的不明。255 筆資料 中，經常性旅次佔152 件(59.6%)，非經常性旅次則為 74 件(29.0%)，另外有 29 件則為

旅次目的不明。本分析結果顯示，超過五成以上的案件發生於經常性旅次，意指道路熟 悉與否並非造成該事故的主要因素。 9.其他項目 姓名、科系、學院、獎懲制度和出生日期等五個項目採開放式填寫，姓名為當事者 之稱呼，科系、學院、獎懲制度這三項則各學校有所差異，出生日期則作為事發當時當 事者年齡計算之依據，因而此五個項目未進行頻率分析之討論。 4.2.2 交通工具 1.學生交通工具 回收255 筆學生交通事故資料中有 2 筆未完整取得，難以判斷學生交通工具，因而 總資料筆數為253 筆。學生發生死亡交通事故時所駕駛的車輛以普通重型機車的 197 件 (77.9%)為最多，與台灣大專學生以機車為主要交通工具之現況相呼應；案件數第二高者 為汽車的36 件(14.2%)，接續為輕型機車的 13 件(5.1%)、大型重型機車的 1 件(0.4%)， 而另外有6 件(2.4%)為行人而無交通工具。 表4- 5 學生交通工具分布表 己方 車輛 汽車 大型 重機 普通 重機 輕型 機車 腳踏 車 無 總計 件數 36 1 197 13 0 6 253 百分比 14.2% 0.4% 77.9% 5.1% 0% 2.4% 100% 2.對方交通工具 車輛大小會影響碰撞時乘坐人員的傷亡嚴重度，因此進一步將對方交通工具中的汽 車區分為大型或小型。在255 件事故中，造成學生死亡的對方車輛以小型汽車最多，共 有80 件(31.4%)，其次為大型汽車 78 件(30.6%)，第三高者則發生於無另一方車輛涉入 之事故，共67 件(26.3%)，其餘次數分布可參考表 4-6。 表4- 6 對方交通工具分布表 對方 車輛 火車/ 捷運 大型 汽車 小型 汽車 大型 重機 普通 重機 輕型 機車 行人 無 總計 件數 4 78 80 0 22 1 3 67 255 百分比 1.6% 30.6% 31.4% 0% 8.6% 0.4% 1.2% 26.3% 100% 3.駕駛車輛情況 考量駕駛者可能因使用不熟悉車輛而發生事故，因而蒐集此項目資料。根據回收之

211 筆資料可以知道，事故時駕駛者主要都是使用其固定駕駛或騎乘車輛，共有 202 件 (95.7%)，而臨時租借車輛僅 9 件(4.3%)。此結果顯示使用不熟悉車輛並非造成大部份死 亡交通事故的重要因素。 4.駕駛頻率 為瞭解駕駛者是否熟悉使用之交通工具，本研究請學校教官填寫駕駛者的駕駛頻 率，但此部份資料由於無法直接詢問當事者獲得確切答案，因而僅能作為參考，不屬於 確知事實，選填不知道的案件數亦不少，共有40 件，佔所有回收資料 216 筆的 18.5%， 駕駛頻率為頻繁和經常者為最多，各有85 件(39.4%)和 70 件(32.4%)，後續則為偶爾的 18 件(8.3%)、很少則僅有 3 件(1.4%)。 4.2.3 事故情境 1.事故發生時間 時間與當時天候、照明，或學生心理、生理狀況等皆有關聯，相關文獻皆提及事故 的發生時間確實有特定集中的趨勢。此項目為開放式填寫，取得資料為交通事故發生時 的年、月、日、時、分。藉此詳盡資料進一步再分成發生的月份、學期、週別、時間以 及尖離峰來討論。 (1)月份 不同月份代表不同的氣候或環境狀況，進一步會影響駕駛使用車輛的狀況與事故發 生，另外學校行事曆在不同月份的安排亦可能影響學生的活動。由資料可以發現，發生 次數最高的月份為12 月，該月共有 32 件事故(12.5%)發生，第二高峰則落在 10 月 3 月， 兩個月份皆各有29 件事故(11.4%)，這兩個月份剛好分別為上下學期開學的一個月內， 而學生外出的活動量可能在此時期較高。其餘月份發生的事故次數可參考表4-7。 表4- 7 事故月份分布表 月份 1 2 3 4 5 6 7 8 9 10 11 12 總計 件數 25 13 29 20 20 24 7 6 24 29 26 32 255 百分比 9.8% 5.1% 11.4% 7.8% 7.8% 9.4% 2.7% 2.4% 9.4% 11.4% 10.2% 12.5% 100.0% (2)學期 本研究將9 月至隔年的 1 月歸為上學期，3 月至 6 月為下學期，7、8 月為暑假，而 2 月列為寒假。不同學期的學生活動情況可能不同，舉例來說暑假時學生離開學校至其 他縣市進行活動的比例較高。由表4-8 可以看出上學期發生 134 件(52.5%)的事故件數為 最高，其次為下學期的94 件(36.9%)，而寒、暑假時發生的事故較少，分別為 14 件(5.5%) 及13 件(5.1%)。考量橫跨的月份數多寡會影響四個時期的案件數，因此將各時期的案件

數除以經過的月份數，發現趨勢仍相同，以上學期的26.8(件/月)為最多，其次為下學期 的16(件/月)，接續則為寒假 14(件/月)、暑假 6.5(件/月)。需要進一步研究才能更深入瞭 解影響不同學期發生事故之趨勢的潛在因素。 表4- 8 事故學期分布表 學期 上學期 下學期 暑假 寒假 總計 件數 134 94 13 14 255 百分比 52.5% 36.9% 5.1% 5.5% 100.0% 件數/月 26.8 16 6.5 14 (3)週別 本項目欲瞭解大專學生是否較容易於特定週別發生交通事故。從表4-9 中可以發現 各週別發生之事故頻率差異不大，最高者為週六的41 件(16.1%)，最低者為週二和週三 的32 件(12.5%)。進一步將周六、週日歸為週末，週一至週五歸為週間，將案件數除以 經過之天數後可以得知，週末(53.8%)的事故發生比例略高於週間(46.2%)，與文獻結果 相雷同，其可能因素與學生在不同時段從事不一樣的旅運行為有關。 表4- 9 事故週別分布表 週別 一 二 三 四 五 六 日 總計 件數 40 32 32 34 36 41 40 255 百分比 15.7% 12.5% 12.5% 13.3% 14.1% 16.1% 15.7% 100.0% 表4- 10 事故時段分布表 時段 週末 週間 件數/天 40.5 34.8 百分比 53.8% 46.2% (4)時間 回收255 筆資料中，有 1 筆資料僅填寫事故發生的年月日，未填寫時分，因此本項 目的總計筆數為254 筆。本研究依照美國國家公路交通安全局(NHTSA, National Highway Traffic Safety Administration)之定義將時間區分為白天(06:01-18:00)、晚上(18:01-24:00)、 凌晨(00:01-06:00)三個區段。由表 4-11 中可知學生發生死亡交通事故之時間主要為白 天，共有145 件(57.1%)，其次則為晚上的 62 件(24.4%)，最後則為凌晨的 47 件(18.5%)。 此結果與黃韻芝[5]研究民國九十三年台閩地區的 A1 類(造成人員當場或 24 小時內死亡) 道路交通事故之時間分布比例相近(白天 51.4%、晚上 28.2%、凌晨 20.4%)。

表4- 11 事故時間分布表 時間 白天 晚上 凌晨 總計 件數 145 62 47 254 百分比 57.1% 24.4% 18.5% 100.0% (5)尖離峰 尖離峰代表道路車流量的多寡，本研究以早上7 點至 9 點，晚上 5 點至 8 點視為尖 峰，而從表4-12 中可發現事故較多發生於離峰時，共發生 184 件(72.4%)，而尖峰時段 的但發生件數不到其二分之一，共有70 件(27.6%)事故。 表4- 12 事故尖離峰分布表 尖離峰 尖峰 離峰 總計 件數 70 184 254 百分比 27.6% 72.4% 100.0% 2.碰撞型態 透過次數分配表，可知造成學生死亡之交通事故中，以被撞的案件數最高，達到88 件(34.5%)，次高者為自撞障礙物，共有 54 件(21.2%)，再者為學生碰撞對方之事故，發 生47 件(18.4%)，其餘的碰撞型態分布可參考表 4-13。 表4- 13 碰撞型態分布表 碰撞 型態 被撞 撞 對方 撞 行人 兩車 互撞 自撞 停車 自撞 障礙 自己 跌倒 其他 總計 件數 88 47 4 36 9 54 14 3 255 百分比 34.5% 18.4% 1.6% 14.1% 3.5% 21.2% 5.5% 1.2% 100.0% 3.學生精神狀況 本項目的選項包含良好、飲酒、煙毒、生病、疲勞和其他共六項。由於無法詢問當 事者獲得確切之答案，此項目的填答狀況較差，選擇其他(或不明)的 58 件(22.7%)為第 二高，案件數最多者為學生精神狀況良好，共有162 件(63.5%)，第三高者為 22 件(8.6%) 疲勞，接續為12 件飲酒(4.7%)、1 件生病(0.4%)，本研究中無煙毒之案件。此部份除了 飲酒或煙毒能由事後的檢驗中獲得明確結果外，其餘選項的回答結果應視為參考，而不 保證絕對符合學生當時狀況。 4.學生心理感受 本項目的選項包含正常、聯誼或歡樂後、失戀中、生活遭重大變故、特殊紀念日(如

生日或節日)、以及其他共六項。與精神狀況相仿，由於無法詢問當事者獲得確切之答 案，此項目的填答狀況較差，選擇其他(或不明)的 69 件(27.1%)為第二高，案件數最多 者為學生心理狀況正常，共有157 件(61.6%)，接續為聯誼或歡樂後的 24 件(9.4%)、特 殊紀念日的4 件(1.6%)、生活遭重大變故的 1 件(0.4%)，根據所蒐集資料並無學生屬於 失戀狀態。此部分的回答應視為參考，不保證絕對符合學生當時的心理感受。 5.路況熟悉度 若學生屬性為行人或乘客時，不需填答本題，因此本項目共蒐集215 筆資料。與前 兩項狀況相似，本題因難以得知確切答案，選擇不知道的案件有60 件(27.9%)，為第二 高者，發生最多的134 件(62.3%)為學生對路況熟悉，而不熟悉者有 14 件(6.5%)，選擇 其他者則有7 件(3.3%)。此選項應視為參考，不保證絕對符合事故死亡學生的真實情況。 6.學生駕駛是否違規 雖然學生屬性為行人或乘客時，不需填答本題，但教官填寫資料時若得知駕駛(非 學生)有違規者仍會選填違規，因而本項目共蒐集 224 筆資料。三個選項的比例接近， 最高為沒有違規的78 件(34.8%)，有違規的 76 件(33.9%)居中，而選填不知道的案件則 有70 件(31.3%)為最少。就資料分析結果來看，違規與否與事故發生並無絕對關係，但 由於不知道違規狀況的比例達三成，勢必影響此項目真實情況的正確性。另一方面，學 生為乘客而駕駛違規造成死亡之交通事故亦佔不少比例，因此需要更進一步分析才能得 知此違規狀況是否為一顯著影響因子。 4.2.4 道路型態 1.事故地點 透過填寫的事故確切地點與學校所在縣市比較，可以得知兩者是否發生於同一縣 市，此結果可作為發生事故的學生是否熟悉該區的參考指標。從表 4-14 中可以發現， 事故地點與學校位於同縣市的比例最高，共有196 件(76.9%)，而發生於不同於學校的縣 市者則不到其三分之一，共發生54 件(21.2%)，另外則有 5 件的事故地點不明。依此可 推論學生對於該地區路況較熟不代表不會發生死亡交通事故。 表4- 14 事故地點與學校縣市對應區位分布表 發生地 與學校 同 縣市 不同 縣市 不明 總計 案件 196 54 5 255 百分比 76.9% 21.2% 2.0% 100.0%

2.道路型態 當學生屬性為行人(6 件)時，不需填寫本項目，因此回收 249 筆資料。由頻率分析 可以知道，最多事故發生於直路，共有98 件(39.4%)，其次為十字路口 55 件(22.1%)， 接續為彎道32 件(12.9%)、T 字路口 28 件(11.2%)、其他或不明者 18 件(7.2%)、多岔路 口12 件(4.8%)，而發生於 Y 字路口之件數最少為 6 件(2.4%)。 3.道路特性 除了行人案件未提供本資料外，可能由於本項目選項設計不良，填答狀況不佳，總 共僅回收194 筆資料，道路具路肩的 78 件(40.2%)，次高者為其他的 77 件(39.7%)，接 續則為下坡16 件(8.2%)、上坡 13 件(6.7%)，以及狹路的 10 件(5.2%)。本項目因設計不 當，參考價值較低。 4.道路區位 道路區位與該區域的車流量、道路等級及其他道路相關建設皆有關聯，可視為一替 代性指標。扣除行人案件後，透過次數分配表可知造成學生死亡之交通事故案件中，發 生在市區者最多，共有88 件(35.3%)，有建築物的郊區有 77 件(30.9%)次之，無建築物 的郊區則有51 件(20.5%)為第三，而選擇其他者有 33 件(13.3%)，表示資料不全難以判 斷或以上三者選項皆不適合。 表4- 15 道路區位分布表 道路 區位 市區 有建築物 郊區 無建築物 郊區 其他 總計 件數 88 77 51 33 249 百分比 35.3% 30.9% 20.5% 13.3% 100% 5.中央分隔型態 由頻率分析可以看出，扣除行人事故案件後的249 筆資料中，以小於三公尺的實體 分隔為出現次數最多的中央分隔型態，共有 76 件(30.5%)事故，以雙黃線分隔的 73 件 (29.3%)其次，依序分別是中央虛線 34 件(13.7%)、大於三公尺的安全島 22 件(8.8%)，以 及3 件(1.2%)發生於單行道，而由於事故資料不全難以判斷或以上選項皆不適合的其他 型態案件共有41 件(16.5%)。 6.快慢車道分隔型態 本項目共蒐集235 筆資料，扣除不需填寫快慢車道分隔型態的 6 件行人案件外，尚 有 14 筆資料因事故資料不全而未填寫。透過次數分配表，可知造成學生死亡之交通事 故案件中，以標線分隔快慢車道的 127 件(54.0%)案件數最多，其次為未分隔 88 件

(97.4%)，以安全島做分隔的案件則有 20 件(8.5%)為最少。 7.單向車道數 扣除不需填寫的6 件行人案件外，本項目共蒐集 231 筆資料，其中有 18 筆資料因 事故資料不全而未填寫。單向車道數以二車道為最多，共 111 件(48.1.%)，單一車道的 為案件居次，共71 件(30.7%)事故，三、四車道的案件相對較少，各只有 35 件(15.2%) 及14 件(6.1%)。 8.專用車道配置 本項目欲瞭解事故地點是否有針對機車設置專用或優先車道，以及是否有設置轉彎 專用道，共蒐集232 筆資料，除了 6 件行人案件外，尚有 17 筆資料因事故資料不全而 未填寫。造成學生因交通事故死亡的案件中，無專用車道配置的案件數有 180 件 (77.6%)，其次為具機車專用道的 30 件(12.9%)，依序為機車優先道 15 件(6.5%)、轉彎專 用道7 件(3.0%)。 4.2.5 環境狀況 1.路面異常 本項目共蒐集240 筆資料，扣除不需填寫的 6 件行人案件外，尚有 9 筆資料因事故 資料不全而未填寫。造成學生死亡之交通事故案件中，路面無異常的217 件(90.4%)為最 多，依序為其他10 件(4.2%)、濕滑 7 件(2.9%)、坑洞 4 件(1.7%)、以及有孔蓋 2 件(0.8%)。 由結果顯示發生事故時，絕大部分的路面皆無異常狀況。 2.照明設備 除不需填寫的6 件行人案件外，本項目共蒐集 240 筆資料，其中有 9 筆資料因事故 資料不全而未填寫。照明設備以良好的案件為最多，共 186 件(77.5.%)，其餘狀況之比 例皆偏低，依次為照明不足24 件(10.0%)、無照明設備 11 件(4.6%)，另外有 19 件(7.9%) 為其他，包括日間有日光、照明狀況不明等。由上述分析可知照明良好的狀況下，嚴重 的交通事故仍會發生。 3.天候狀況 除6 件行人案件不需提供資料外，尚有 9 筆資料因事故資料不全未填寫，本項目共 蒐集240 筆資料。造成學生交通事故死亡的天候狀況以晴天 174 件(72.5%)為主，其他選 項所佔比例皆不到一成，分別為陰天21 件(8.8%)、小雨 18 件(7.5%)、大雨 6 件(2.5%)、 有霧者0 件(0%)，選擇其他的亦有 21 件(8.8%)，表示天候狀況不明或是難以歸類。透過 頻率分析可以得知，相較於較差的天候狀況，晴天發生的致命交通事故反而更多。