以類神經網路建構彰化縣高齡者肇事責任與傷亡情形模式之研究

(1)

報告題名：

以類神經網路建構彰化縣高齡者

肇事責任與傷亡情形模式之研究

Using Artificial Neural Network to Construct

Two Predicting Models of ChangHua County

The Elderly Traffic Accident Liability and

The Traffic Accident Severity

作者：梁巧茹、陳欣宜、張瀞文系級：運輸科技與管理學系三年甲班學號：D0080277、D0080217、D0080352 開課老師：葉名山老師課程名稱：專題研究開課系所：運輸科技與管理學系開課學年：一○二學年度第二學期

(2)

以類神經網路建構彰化縣高齡者肇事責任與傷亡情形模式之研究逢甲大學學生報告 e-Paper( 2014 年)

摘要

由於過去研究結果顯示高齡者發生事故時與其他年齡層相比有較嚴重的傷亡程度及事故嚴重性，因此本研究選擇以高齡者作為事故特性的研究對象，並以 101-103 年彰化縣區車輛行車事故鑑定委員會事故案件資料作為本研究事故特性分析之基礎，透過本研究瞭解彰化縣高齡者事故發生特性，進而提出相關策略以期降低交通意外事故之發生。本研究所使用臺灣省彰化縣區車輛行車事故鑑定委員會事故案件共 940 筆，另新增近老年齡分類(60 歲以上未滿 65 歲)，與初老(65-74 歲)、中老(75-84 歲)、老老(85 歲以上)高齡者事故特性比較。排除當事者未滿 60 歲之案件共計 609 筆，事故當事人超過二人、重複鑑定或事故案件資料有缺漏者共計 74 筆，扣除掉不可用的 683 筆資料後可用於本研究事故特性分析資料共計 257 筆，利用卡方檢定中有 9 項變數(幹支道、事故位置、有無號誌、事故型態、兩車關係、高齡者是否超速、高齡者違規情形、第二當事人是否超速、第二當事人違規情形)與肇事責任有顯著影響關係；10 項變數(光線、道路速限、高齡者性別、高齡者年齡、高齡者車種、高齡者是否超速、高齡者有無駕照、第二當事人性別、第二當事人車種、第二當事人有無駕照)與傷亡情形有顯著影響關係。依據上述卡方檢定顯著變數針對肇事責任及傷亡情形考量類神經網路方法建立肇事責任及傷亡情形之兩預測模式。其分析結果顯示，預測肇事責任模式之訓練及驗證判中率為 81.1%及 70.1%，前三項重要變數為高齡者違規情形、第二當事人違規情形及兩車關係；預測傷亡情形模式之訓練及驗證判中率為 85.4%及 80.3%，前三項重要變數為高齡者車種、高齡者有無超速及光線。透過研究方法得到之重要影響變數研擬彰化縣高齡者事故道安改善措施。關鍵詞：高齡者、事故特性、肇事責任、類神經網路

(3)

以類神經網路建構彰化縣高齡者肇事責任與傷亡情形模式之研究

2

逢甲大學學生報告 e-Paper( 2014 年)

Abstract

From the past studies show that the elderly has higher severity rate comparing to the other ages. Therefore, this study chooses the elderly as the study object, and selects the data from the Chang Hua Traffic Accident Authentication Committee (CHTAAC) from year 2012 to 2014 to analyze the characteristics of traffic accidents. It is desired that through this study finds out the characteristics of traffic accident in Chang Hua County and proposes the improving strategies to reduce the relevant traffic accident. There are 940 cases from this studying period, and the elderly are divided into four groups such as the near elderly (from 60 to 64 years old), the young elderly (from 65 to 74 years old), the middle elderly (from 75 to 84 years old), and the old elderly (above 85 years old). The useful data is 257 cases. Uses the Chi-square test to find out nine significant variables of the traffic accident liability are main/artery, locations, with/without traffic signaling, type of accident, relationship between two cars, spending of the elderly, traffic regulation violation of the elderly, speeding of the second party, and traffic violation of the second party. Ten significant variables of the traffic accident severity are lighting, speed limit, gender of the elderly, age of the elderly, type of vehicles of the elderly, speeding of the elderly, with/without driver license of the elderly, gender of the second party, type of vehicles of the second party, and with/without license of the second party. The nine significant variables were selected to construct the predicting model of the traffic accident liability by the Artifical Neutral Network (ANN) and ten significant variables were selected to construct the predicting model of traffic accident severity by ANN. The results show that in the model of traffic accident liability, the prediction accurate rate is 81.1 percent in training part, and the predicting accurate rate is 70.1 percent in the validation part. The top three significant variables are traffic regulation violation of the elderly, traffic regulation violation of the second party, and the relationship between two cars. Meanwhile, in the model of the traffic accident severity, the predicting accurate rate is 85.4 percent in the training part, and the predicting accurate rate is 80.3 percent in the validation part. The top three significant variables are type of vehicles of the elderly, speeding of the elderly, and lighting. Finally, this study proposed several improving strategies for Chang Hua County.

Keyword：The elderly, characteristics of the traffic accident, traffic accident liability, traffic accident severity, artificial neutral network

(4)

以類神經網路建構彰化縣高齡者肇事責任與傷亡情形模式之研究 I 逢甲大學學生報告 e-Paper( 2014 年)

一、緒論... 1 1.1 研究動機 ... 1 1.2 研究目的 ... 2 1.3 研究範圍與篩選 ... 3 1.4 研究流程與架構 ... 4 二、文獻回顧... 8 2.1 國內外高齡者事故現況 ... 8 2.2 高齡者交通事故與傷亡情形 ... 10 2.3 肇事責任 ... 13 2.4 小結 ... 15 三、研究方法-類神經網路 ... 16

3.1 類神經網路(Artificial Neural Network,ANN) ... 16

3.2 軟體操作流程 ... 19 四、資料蒐集與基本統計... 28 4.1 資料來源與蒐集 ... 28 4.2 變數建立 ... 29 4.2.1 案件篩選的過程 ... 31 4.2.2 變數表內容 ... 32 4.3 變數說明 ... 35 五、彰化縣高齡者交通事故建檔初步分析... 39 5.1 變數基本統計 ... 39 5.2 交叉分析 ... 44 5.2.1 高齡者傷亡情形交叉表 ... 44 5.2.2 高齡者肇事責任交叉表 ... 59 5.2.3 其它變數交叉表 ... 72 5.3 卡方檢定 ... 77 六、模式結果與驗證... 79 6.1 傷亡情形 ... 79 6.2 肇事責任 ... 81 6.3 小結 ... 84 七、結論與建議... 86 7.1 結論 ... 86 7.2 建議 ... 87 參考文獻... 89

(5)

以類神經網路建構彰化縣高齡者肇事責任與傷亡情形模式之研究 II 逢甲大學學生報告 e-Paper( 2014 年)

圖目錄

圖 1.1、人口推計圖... 1 圖 1.2、流程圖... 7 圖 2.1、各國高齡者事故類別構成的受傷率... 8 圖 2.2、各國高齡者事故類別構成的死亡率... 9 圖 3. 1、類神經網路... 16 圖 3. 2、神經元之主要功能... 17 圖 3. 3、類神經網路之三層式架構圖... 18 圖 3. 4、SPSS 匯入資料(上) ... 19 圖 3. 5、SPSS 匯入資料(下) ... 19 圖 3. 6、SPSS 變數代號 ... 20 圖 3. 7、SPSS 基本統計 ... 20 圖 3. 8、SPSS 交叉分析 ... 21 圖 3. 9、SPSS 交叉分析百分比 ... 22 圖 3. 10、SPSS 卡方分配 ... 23 圖 3. 11、SPSS 類神經-傷亡情形 ... 24 圖 3. 12、SPSS 類神經-事故責任 ... 25 圖 3. 13、SPSS 訓練檢定 ... 26 圖 3. 14、SPSS 結果輸出-自變數重要性 ... 27 圖 3. 15、SPSS 結果輸出-判中率 ... 27 圖 4. 1、資料摘錄報告... 30 圖 4. 2、資料事故現場繪製示意圖... 31 圖 6. 1、傷亡情形重要變數... 80 圖 6. 2、傷亡情形顯著因子重要變數... 81 圖 6. 3、肇事責任重要變數... 83 圖 6. 4、肇事責任顯著因子重要變數... 84

(6)

以類神經網路建構彰化縣高齡者肇事責任與傷亡情形模式之研究 III 逢甲大學學生報告 e-Paper( 2014 年)

表目錄

表 1. 1、彰化縣交通事故件數統計... 2 表 1. 2、彰化縣人口結構... 3 表 1. 3、研究範圍... 3 表 4.1、筆數統計比例... 28 表 4.2、建檔資料表... 31 表 4.3、變數表... 32 表 4.4、道路類別... 35 表 4.5、幹道支道... 35 表 4.6、肇事責任... 38 表 5.1、變數表... 39 表 5.2、事故發生年與傷亡情形交叉表... 44 表 5.3、事故發生月與傷亡情形交叉表... 46 表 5.4、事故發生時與傷亡情形交叉表... 47 表 5.5、天候狀況與傷亡情形交叉表... 48 表 5.6、光線與傷亡情形交叉表... 49 表 5.7、道路類別與傷亡情形交叉表... 49 表 5.8、幹道或支道與傷亡情形交叉表... 50 表 5.9、事故位置與傷亡情形交叉表... 51 表 5.10、道路速限與傷亡情形交叉表... 51 表 5.11、號誌與傷亡情形交叉表... 52 表 5.12、事故型態與傷亡情形交叉表... 52 表 5.13、兩車關係與傷亡情形交叉表... 54 表 5.14、性別與傷亡情形交叉表... 55 表 5.15、年齡分層與傷亡情形交叉表... 55 表 5.16、車種與傷亡情形交叉表... 56 表 5.17、超速與傷亡情形交叉表... 56 表 5.18、飲酒與傷亡情形交叉表... 57 表 5.19、駕照與傷亡情形交叉表... 57 表 5.20、違規情形與傷亡情形交叉表... 58 表 5.21、事故發生年與事故責任交叉表... 59 表 5.22、事故發生月與事故責任交叉表... 59 表 5.23、事故發生時與事故責任交叉表... 60 表 5.24、天候狀況與事故責任交叉表... 62 表 5.25、光線與事故責任交叉表... 63 表 5.26、道路類別與事故責任交叉表... 63 表 5.27、幹道或支道與事故責任交叉表... 64 表 5.28、事故位置與事故責任交叉表... 65

(7)

以類神經網路建構彰化縣高齡者肇事責任與傷亡情形模式之研究 IV 逢甲大學學生報告 e-Paper( 2014 年) 表 5.29、道路速限分類與事故責任交叉表... 65 表 5.30、號誌與事故責任交叉表... 66 表 5.31、事故型態與事故責任交叉表... 66 表 5.32、兩車關係與事故責任交叉表... 67 表 5.33、性別與事故責任交叉表... 68 表 5.34、年齡分層與事故責任交叉表... 68 表 5.35、車種與事故責任交叉表... 69 表 5.36、超速與事故責任交叉表... 69 表 5.37、飲酒與事故責任交叉表... 70 表 5.38、駕照與事故責任交叉表... 70 表 5.39、違規情形與事故責任交叉表... 71 表 5.40、年齡分層與車種交叉表... 72 表 5.41、性別與道路類別交叉表... 73 表 5.42、號誌與事故位置交叉表... 73 表 5.43、年齡分層與駕照交叉表... 75 表 5.44、年齡分層與違規情形交叉表... 75 表 5.45、年齡分層與道路類別交叉表... 76 表 5.46、卡方檢定顯著變數表... 77 表 6. 1、預測傷亡情形之判中率... 79 表 6. 2、傷亡情形重要變數... 80 表 6. 3、顯著變數預測傷亡情形之判中率... 80 表 6. 4、傷亡情形顯著因子重要變數... 81 表 6. 5、預測肇事責任之判中率... 82 表 6. 6、肇事責任重要變數... 82 表 6. 7、顯著變數預測肇事責任之判中率... 83 表 6. 8、肇事責任顯著因子重要變數... 84 表 6. 9、重要變數彙整表... 85

(8)

以類神經網路建構彰化縣高齡者肇事責任與傷亡情形模式之研究 1 逢甲大學學生報告 e-Paper( 2014 年)

一、緒論

1.1 研究動機

因近年社會進步、經濟蓬勃發展及醫療水準之提升，使得國人平均壽命增加，除了低生育率造成的少子化現象，同時高齡人口也快速成長，所衍生出高齡化的問題將對社會帶來影響。根據聯合國分析世界各國人口，將 65 歲以上人口佔全國總人口比例達 7%以上稱為「高齡化社會」，由內政部資料的統計，我國在 2013 年 65 歲以上人口約 264.5 萬人，高齡化程度已達 11.33%，顯示我國正處於高齡化社會，將朝向高齡社會的方向前進；而老化指數，北部、中部地區分別為 71.10%及 77.06%較低，東部及金馬地區則分別為 96.96%及 96.06%較高。因此，老年人口議題不再只是老年個人抑或是家庭，我國在面對高齡化社會時，必須持有高度重視，不管是高齡人口的食、衣、住、行，各方面都是需要加以正視的一項客觀事實。說明：圓圈內百分比數字代表三階段年齡人口結構百分比資料來源：1. 1990 年至 2012 年為內政部「中華民國統計年刊」 2. 2012 年至 2060 年為行政院經濟建設委員會報告圖 1.1、人口推計圖而彰化縣其機動車輛統計部份，所有不同車種之車輛登記數均逐年增加。大客車與機踏車登記數量逐年增加，由 95 年底之 1,022 輛升至 100 年底 1,1275 輛，成長 10.27%，小客車自民國 95 年起迄今增加了 21,564 輛，在小貨車部分同時也

(9)

2 逢甲大學學生報告 e-Paper( 2014 年) 增加了 2,649 輛，機踏車部份也增加有 86,050 輛。以成長率來看彰化縣近 6 年汽機車成長率為 8.73%，成長率較高的車種為大客車與機踏車，皆超過 10%，僅特種車有減少之現象，因此在各種車種之車輛數增加狀況下，交通安全管理更是重要需關切之議題。彰化縣在交通事故之現況中，100~102 年目前年度發生交通事故死亡人數約在 140~150 人左右，相較全台 22 縣市之平均值(約 92~96 人)高出許多，也因此彰化縣警察局將特別針對交通事故死亡人數較多的情形進行探討，另分析每十萬人 A1 事故發生件數及死亡人數可發現，彰化縣均高於全國平均值，但在 A2 及受傷人數方面小於平均值，本研究將進行彰化縣高齡者之事故深入討論，目前透過數據簡要分析可發現出彰化縣交通事故仍有進步之空間。表 1. 1、彰化縣交通事故件數統計 彰化縣 A1 件數 A2 件數 死亡人數 受傷人數 人口總數全台彰化全台彰化全台彰化全台彰化 民國 100 年 1,303,039 2,037 136 233,739 12,182 2,117 142 315,201 16,689 民國 101 年 1,299,868 1,964 150 247,501 11,859 2,040 155 334,082 16,136 民國 102 年 1,296,660 1,867 150 271,367 14,872 1,928 153 362562 19751 我國高齡化現象所衍生問題對社會問題將與日俱增，從過去交通事故特性相關研究統計數據發現，高齡者於交通事故中，因身體機能老化，傷亡情形較其他年齡層人口嚴重。高齡者交通事故率呈現增趨勢，且高齡者於道路交通事故死亡率也有偏高的現象，因而本研究將針對彰化縣高齡族群進行事故特性之研究，進行相關之研究分析。

1.2 研究目的

運輸交通三大要素為人、車、路，當三要素同時存在於道路上，則無法避免事故的發生。尤其高齡者因感知、認知都比其他年齡層更為緩慢，採取反應動作之反應時間也較長，因而可能導致事故率及事故嚴重性都較為嚴重，因此，本研究將針對高齡者事故做更深入的探究，以期達到以下研究成果並提供相關建議改善措施： (1) 透過整理彰化車鑑會資料，使用基本統計分析研究高齡者事故傷亡特性，進而從資料中了解本研究建檔之事故變數所造成的事故傷亡和嚴重程度。

(10)

3

(2) 利用類神經網路(Artificial Neural Network,ANN)進行模式建立與驗證，並且瞭解行人事故肇責之判中率與重要變數，分析出高齡者的事故特性。 (3) 根據研究分析結果，針對高齡者事故特性提出相關建議改善，以期降低事故發生率及嚴重性。表 1. 2、彰化縣人口結構人口結構年齡人口數人口比例 幼年人口 0-14 197,289 15.18% 壯年人口 15-59 872,732 67.14% 老年人口近老年人口 60-64 67,704 5.21% 初老年人口 65-74 85,484 6.58% 中老年人口 75-84 60,077 4.62% 老老年人口 85 歲以上 16,582 1.27% 彰化縣總人口 -- 1,299,868 100% 資料來源：由彰化縣民政處由蒐集各高齡者階層的人口數，再計算出佔整個彰化縣總人口數的比例，得到了 60-64 歲近老人口佔了彰化縣總人口比例的 5.21%；65-74 歲初老人口佔了彰化縣總人口比例的 6.58%(為最多)；75-84 歲中老人口佔了彰化縣總人口比例的 4.26%；而 85 歲以上老老人口佔了彰化縣總人口比例的 1.27%(為最少)。

1.3 研究範圍與篩選

依據本研究所取得之事故資料來源於彰化縣行車事故鑑定委員會，所以在本研究之範圍限制有： (1) 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。 (2) 本研究題目為高齡者之事故特性分析，所以於所得之事故案件中，只針對研究範圍之高齡者進行相關研究分析，本研究之高齡者定義為：近高齡者 (60-64 歲) 、初老高齡者(65-74 歲)、中老高齡者(75-84 歲)、老老高齡者(85 歲以上)。表 1. 3、研究範圍近高齡者高齡者

(11)

4 逢甲大學學生報告 e-Paper( 2014 年) 近老初老中老老老年齡層 60-64 歲 65-74 歲 75-84 歲 85 歲以上 (3) 兩個當事人的高齡者事故研究的資料來源於車禍當事人把其所發生的車禍案件移交至台灣省彰化縣區車輛行車事故鑑定委員會，鑒於以下兩個原因，而有以下限制： i. 若車禍當事人沒有把車禍案件移交至台灣省彰化縣區車輛行車事故鑑定委員會，則無法納入本研究進行分析探討，進而統計高齡者所發生事故的比例。本研究的結果僅能代表一部分的高齡者事故中一定的比例，較難呈現彰化縣完整高齡者的事故比例。 ii. 當事人若超過兩名以上之事故不在本研究範圍內，因整個案件發生牽涉甚廣暫不採納，所以本研究主要針對兩名當事人之高齡者事故進行事故特性分析研究。 (4) 不明資料不採計缺漏部分則由其他資料進行判別，若遺漏資料太多則取消該案件之建檔。研究的資料來源於台灣省彰化縣區車輛行車事故鑑定委員會，為預測肇事結果而刪除肇事責任不明之案件，含不予鑑定、再追究、再通知之結果。

1.4 研究流程與架構

本研究基於研究目的與動機之下確認研究範圍與對象，建立以下架構圖，首先蒐集文獻回顧的資料，了解高齡者事故和其特性，然而進行現況分析，主要利用彰化縣車鑑會的資料做初步的變數建檔，行車號誌、酒駕及無照駕駛等嚴重性的指標皆須探討，歸納出重要事故類性的基本統計分析，最後以類神經網路模式探討高齡者事故特性，提出交通安全的觀念和改善措施。 (1) 研究動機與目的我國在面對高齡化社會時，更有許多急需重視的課題。針對交通，近年高齡者交通之事故呈現遞增趨勢，本研究針對目前探討高齡族群，對高齡者道路交通事故死亡率偏高的現象，進行研究分析。 (2) 研究範圍和對象

(12)

5

台灣省彰化縣區車輛行車事故鑑定委員會 101、102 和 103 年的事故結果； 60-64 歲之近高齡者和 65 歲以上之高齡者。

(13)

6 逢甲大學學生報告 e-Paper( 2014 年) (3) 文獻回顧參考有關高齡者車禍事故以及行車特性的相關文獻資料，擷取有關本研究探討的內容，作為可以參考的資源，將對本研究內容提高相當的完整度。回顧國內外高齡者事故的現況內容、高齡者事故的特性、傷亡形況及肇事責任都是本研究討論的重點。 (4) 現況分析行政院人口統計和交通事故調查結果。 (5) 蒐集彰化縣車鑑會資料本研究所蒐集的資料是來源自彰化縣車鑑會所鑑定的車禍案件。 (6) 事故資料變數建檔本研究將變數資料檔分為：肇事情形、當事人基本資料和肇事結果三大類。 (7) 資料基本統計與交叉分析統計軟體與服務解決方案(IBM SPSS Statistics)，做出基本統計，與各變數與傷亡情形和肇事責任的交叉分析，並利用卡方統計出顯著因子。 (8) 模式建立與驗證

利用類神經網路（Artificial Neural Network,ANN）分析本研究預期之成果。透過類神經網路，了解高齡者事故特性中，有哪些變數對於高齡者傷亡特性有明顯的影響。 (9) 模式結果討論預測模式之建立透過本研究建檔之資料庫分為訓練及驗證，以期得到研究成果以利後續進行結果分析之討論。利用類神經網路模式統計分析高齡者事故特性結果。統計軟體與服務解決方案(IBM SPSS Statistics)，做出特性分析之後再比較結果，得出在本研究所得到資料中的結論。 (10) 結論與建議從文獻、車鑑會資料分析和模式預測中，做出本研究-彰化縣高齡者事故特性研究之結果和建議應該如何做才能降低高齡者事故比例。綜合本研究之基本統計、交叉分析及利用研究方法所得之結果提出相關有助於研擬道路交通安全管理策略之建議，以期提供給高齡者更安全的道路及道路駕駛者好的駕駛習慣。

(14)

7 逢甲大學學生報告 e-Paper( 2014 年)

研究動機與目的

研究範圍和對象

建檔變數

事故特性

與傷亡情形

事故特性

與傷亡情形

文獻回顧

肇事責任

高齡者事故

資料蒐集

與現況分析

資料蒐集

與現況分析

資料基本統計

與交叉分析

資料基本統計

與交叉分析

預測模式

建立與驗證

預測模式

建立與驗證

肇事責任

傷亡情形

結論與建議

模式結果討論

圖 1.2、流程圖

(15)

二、文獻回顧

本章文獻回顧內容包含國內外高齡者事故現況，並蒐集博碩士論文及各專家學者的研究分法和結果進行參考。分為國外高齡者事故、高齡者事故與交通特性做出比較和結論。

2.1 國內外高齡者事故現況

圖 2.1、各國高齡者事故類別構成的受傷率

(16)

9 逢甲大學學生報告 e-Paper( 2014 年) 圖 2.2、各國高齡者事故類別構成的死亡率日本公益財團法人交通事故總合分析研究所 ITARDA (2011)研究各國交通事故，特別標示日本其交通事故與各國比起來所佔的比例排名，並針對韓國、日本、法國、英國、美洲、印度等統計觀察其因步行中、自轉車乘用中、二輪車乘車中、乘用車乘車中等交通工具發生死亡交通事故，或從年齡中比較各國交通事故死亡比例，繪製圖表來做出結論，再加上分析各國年齡現況和交通事故現況做為判斷指標。發現綜合各國高齡者事故資料指出：高齡者事故案件中，以客車比例佔最多數，其次為行人，第三為騎乘腳踏車。

GrégoryVandenbulcke, Isabelle Thomas, Luc IntPanis(2013)以比利時首都布魯塞爾為研究地點，預測單車意外風險，了解布魯塞爾道路基礎設施影響騎乘單車的安全性。風險因素限於基礎設施，交通和環境特點，使用從病例對照策略構建了一個二元因變量。結果顯示，高風險統計與路面電車軌道的存在有關，橋樑無循環設施，複雜的交叉口，鄰近商場或車庫，以及貨車通行；在十字路口發生事故與風險增加相關。結果建議在布魯塞爾騎自行車最安全的路線。

(17)

10 逢甲大學學生報告 e-Paper( 2014 年) Qing-yuan Yu(2013)探討在公路交通事故救援二次追撞事故，因其導致救援人員和其他人的嚴重傷亡，要確保救援人員的安全和有效減少生命和財產損失。欲研究交通事故的原因，並分析二次追撞事故的高速公路交通事故緊急救援的原因。研究發現：有交通事故和二次追撞事故的原因是兩車之間過於緊密連接。透過分析原因提出切實有效的防範措施和管理措施。

Guangnan Zhang, Kelvin K.W. Yau, Guanghan Chen(2013)探究中國交通違章和事故的嚴重程度和相關的危險因素，分析了中國廣東省 2006 至 2010 年交通事故數據，集中在兩個觀察指標：交通違法行為和事故的嚴重程度。先建立結果作為威脅道路安全的主要風險之一交通違法行為的作用。發現：如果可以減少交通違章率，那麼嚴重受傷和死亡的速度會相對降低。其次，會隨著交通違法行為和事故嚴重程度相關的具體風險因素來確定交通事故。為減少交通事故發生率和死亡率，針對交通規例及法例，和改善各種人，車與環境的措施。以減輕交通違法行為或意外傷亡，並促進其他地區的道路安全。

2.2 高齡者交通事故與傷亡情形

張銘峰(2011)探討交通法規問題，利用因果交叉分析，分析高齡者事故當事人特性、道路與環境特性、對照當事人特性，接著進行問卷調查，用單因子變異分析及 t 檢定分析法規認知情形與支持度的差異，結果得知：高齡者事故與年齡關係成正比，男性比例亦偏高許多，高齡者事故中死亡比例偏高。其建議是應從監理、交通工程、法規修改、執法、教育宣導與智慧型運輸六大面向來訂定相關交通政策，降低高齡者事故。洪麒鈞(2007)做了一篇全英文的高齡者事故探討，利用問卷探訪者第一手意見，進行交叉及群組分析討論，得知緊張、夜間行駛、轉彎與控制車身平衡為駕駛之主要障礙情況，注意力分散、視力退化、緩慢的反應時間及平衡感失調為受訪者中歸結得主要造成障礙經驗的因素。對於缺乏安全駕駛的高齡者建議採取安全及省力的駕駛行為，對高齡者使用的交通工具面向進行改善。周長志(2005)針對台灣高齡者的機車使用風險感認探論，衡量量表以驗證潛在因果關係假設是否成立。以敘述統計、多變量分析、結構方程式、羅吉特模式和 Logistic 迴歸等數量方法進行數據資料分析，發現風險感認除了影響高齡者交通行為，也影響交通工具的選擇。性別、年齡、駕駛經驗、生理機能、認知功能、外來訊息刺激、焦慮性、謹慎性，會影響高齡者之風險感認態度。結構方程模式

(18)

11 逢甲大學學生報告 e-Paper( 2014 年) 顯示，高齡者之自主式之運具風險感認會受到外來訊息刺激、生理機能、認知功能、焦慮性、謹慎性之正向影響；非自主式運具風險感認則會受到外來訊息刺激、認知功能、焦慮性、謹慎性之正向影響。劉霈、葉名山、艾嘉銘等學者(2011)利用警政署 2007 至 2010 年傷亡程度 A1 及 A2 類交通事故資料，將高齡者事故分成少老、中老、老老，而後採採羅吉斯特回歸模式進行資料分析，探討事故特性，另外透過問卷訪談方式，以瞭解潛在高齡者交通特性與探討高齡者管理措施的可行性。超過一半的受訪者能接受引進三輪機車及要求高齡者進行安全訓練，或針對其年紀與年齡狀況限制其換照。經歸納完成後召開專家座談會，分各個層面進行研擬策略。陳品帆(2013)利用警政署交通事故資料，分析高齡者機車駕駛於路段的事故，以瞭解高齡者駕駛於路段發生事故的主要特性。更進一步分析雙車事故碰撞分析，結果發現路段主要三種事故型態為：同向擦撞、側撞和追撞，利用車輛行動狀態和車損位置推估事故狀況，用分類樹分析。高齡機車駕駛者路段交通事故共計 22,861 人次(32.3%)，其中以雙車事故 17,813 人次(78%)比例最高。依分析結果，彙整高齡者在路段駕駛須特別注意的交通安全觀念，提高他們機車安全駕駛觀念。張勝雄等人(2011)研究中發現高齡者主要運輸安全問題依序為機車、行人和自行車。其中在民國 95-99 年共有 3,072 位高齡者死於車禍，平均每年有超過六百位高齡者死於車禍中。約 52%是騎機車，14%是走路，11%是騎自行車。陳菀蕙等人(2004)研究調查高齡者的旅運特性、交通安全問題以及對交通安全設施的觀感。結果得知高齡者事故地點以發生在彎路或郊區道路造成傷害較為嚴重，高齡者最感到困擾的機車安全問題為前方汽車會突然右轉，步行安全問題為夜間怕車子沒注意到。麥朗澂(2013)利用問卷資料分析高齡者非醫療旅次之移動力，有效樣本為 1,273 人。非醫療旅次包括：運動、與鄰居聊天、購物或逛街、下田工作、休閒、宗教、去看親朋好友及外出聚餐。研究結果顯示，高齡者的移動力存在於性別、地區別及腳移動力的差異，且高齡者近距離及遠距離旅次頻率及活動範圍會受到生心理因素及運具使用之影響，特別是大眾運輸不方便地區之高齡者更需使用汽機車到更遠的目的地活動。魏健宏、陳乃郡(2013)透過台南市老人福利團體為媒介，發放日常行為問卷

(19)

12 逢甲大學學生報告 e-Paper( 2014 年) 給台南市高齡駕駛者之家庭成員填寫，並以統計驗證方法得到假設驗證成立之結果。問卷有兩個單元分別為前在交通事故次數與潛在受傷程度，影響交通事故次數之因素依重要性由高到低依序為：認知、聽力、反應、視力因素；而影響潛在受傷程度因素由高到低重要性排序為：認知、反應、聽力因素。林豐福、張開國、賴靜慧(2005)分析全國之人口結構與死亡特徵趨勢，利用羅機迴規模式探討用路人發生交通事故之風險，以及研析事故發生後所涉入相關事故特徵和傷亡結果，再由問卷訪談調查，探索事故發生之可能用路行為特徵。初步明白高齡者在日常運輸行為特徵，了解在交通事故中，高齡涉案者與年輕涉案者的涉入風險和傷亡風險差異。共計 519 件有效問卷，結果顯示：年齡越高者發生事故比例越低，但發生事故後容易受傷、步行和騎乘腳踏車為多。曾貴楷(2007)蒐集台中市地區計程車參與交通事故資料，透過羅吉斯特迴歸構建計程車交通事故雙方肇事嚴重程度模式。結果顯示，羅吉斯特迴歸適用於以個體觀點構建肇事嚴重程度模式；而對方駕駛在事故傷亡率約為計程車駕駛者之 11 倍，此外在雙方駕駛中，男性駕駛比女性駕駛在事故中較不容易傷亡；男性駕駛較容易造成對方駕駛之傷亡；而在所有車種的駕駛中，最安全的為大客(貨) 車駕駛，最危險的為腳踏車騎士與行人，其次為機車騎士。李訓誠(2010)在影響自行車交通事故傷亡程度之敘述統計分析方面發現，自行車當事人屬被害者角色、男性、青少年學生及高齡者比例偏高；死亡者主要受傷部位為頭部；酒測值越高傷亡之比例亦越高；事故地點道路型態已交岔路為多；速限越高之路段死亡比例也越高；事故類型以側撞為最多；在夜間、晨或暮之死亡比例較高。在資料探勘分析方面，以較高正判率和較低標準差為評估準則，擇定六個主成份組合分六群為最佳組合進行分析，能看出危險等級。最後從文獻回顧、現況問題、法令缺失之探討輔以敘述統計分析及各群落之事故特性，研擬自行車事故防制策略。詹子儀(2004)蒐集花東地區車輛行車事故鑑定委員會的事故資料，其中與小型車有關之資料為分析樣本，針對人、車、路、環境等變數進行因子分析，並配合其結果進行群落分析，將事故樣本數 885 件分成數個群落，作為區分事故嚴重程度之依據，最後利用多元羅吉特模式，建構各樣本群落之事故嚴重程度預測模式，討論各樣本區落間嚴重程度模式之異同，以及分析影響各群落嚴重程度的主成份與其影響幅度，釐清其間因果關係。群落一年紀越大、教育程度低、酒測值越高趨於有死亡，群落二年紀越大、教育程度低、駕駛資格不合、動作越趨困難

(20)

13 逢甲大學學生報告 e-Paper( 2014 年) 趨於有死亡，天候無雨、速限低、道路等級低趨於無傷。曾平毅等人(2013)透過一問卷，調查分析國道公路警察處理事故時面對的風險因素及其危險程度等級。於 102 年 4、5 月期間共取得 832 份有效問卷。研究結果顯示，員警於處理事故時之天候、事故地點之平曲線、車道位置、縱曲線、照明情形及車流量，為較重要的事故處理風險因子。而處理事故時最危險情境前三名分別為：(1)雨天、車流量正常、行車速率超過 100km/h 處理發生在主線內側車道的事故；(2)濃霧、車流量正常、行速超過 90km/h 處理發生於彎道的事故； (3)雨天、車流量正常、行速超過 90km/h 處理下坡路段的事故。張學孔、沈芳瑜、陳雅雯(2013)在量化風險評估的架構下，透過汽、機車駕駛人行為傾向問卷調查，分析其直行、右轉、左轉對於自行車安全之風險機率。以台北市重要路口為案例，應用敏感度分析評估各情境因子對於「直行情境」、「右轉情境」及「左轉情境」衝突風險之影響程度。研究結果顯示：當路口車道數較少且設置自行車相關設施，可有效降低自行車與機動車輛之衝突風險、提升自行車安全。

2.3 肇事責任

Eluru(2008)等學者提出了一項計量經濟結構分析個人意外受傷程度分析之等級，識別損傷程度類別之序列。該模型稱為混合一般化序列回饋羅吉特(Mixed Generalized Ordered-Response Logit, MGORL)模型，推廣了標準命令反應模型用於現存文獻的損傷程度分析。分析顯示，影響非駕駛人受傷嚴重程度最重要之變數為：年齡、車速限制、碰撞的地點、時間。年齡方面以老年人更易受傷；車速限制方面則以較高車速限制導致受傷程度較高；碰撞地點在號誌交叉路口發生碰撞之受傷程度比在其他地方輕；時間方面，天色昏暗易導致更高之受傷程度。

Karl, Brunner, Yamashita(2008)綜合夏威夷警察所紀錄之事故報告資料庫，模擬夏威夷 2002 至 2005 年，行人和駕駛者之過失意外。分析該資料庫之人口、時間、道路、環境因素並以羅吉斯特回歸之技術解釋不同事故之性質，結果顯示行人事故發生範圍：住宅區占 36％；商業區為 34%。行人事故發生地點：路口占 41.7％，其中約有 38.2％的事故發生在行人穿越道的位置。醉酒男子穿越馬路發生事故之機率比其他行人發生意外多 10 倍。年輕的男孩在住宅區也可能存在過失意外。男通勤者早晨在商業區，有較高的機率涉及過失意外。研究結果表明，應結合行人和駕駛人執法和實施教育方案，以減少意外的總人數。

(21)

14 逢甲大學學生報告 e-Paper( 2014 年) Ghorbanali Mohammadim(2009)利用基本敘述統計分析，利用 2004 年至 2007 年的數據進行分析，此樣本超過 567 件交通意外，其中包含了 9 件行人，自行車 116 件和汽車 442 件，樣本類型包括了交通參與者、年齡、性別，和其他各種類型的傷害。將行人、騎自行車、和機動車輛受傷的特性進行比較。結果得到男性死亡率明顯高於女性的。在 15 - 30 歲和 30 - 55 歲分別為佔有一、二高的死亡人數。在機動車輛的乘客和行人以及騎自行車有很大的差異分佈。機動車輛大部分具有頭部受傷，如顱骨骨折，腦挫裂傷，硬膜下出血，硬膜外出血。統計分析結果還顯示近 77％的死亡事故發生在 08 :00 - 22：00 之間。蔡中志、馬士軒(2013)以桃園縣警察局 2010 至 2012 年道路交通事故資料(包刮 A1、A2)，針對肇事者之酒精濃度與肇事嚴重度關聯性進行分析探討。發現酒測值達 0.56mg/L 以上所發生件數、受傷人數與死亡人數都有顯著提升，並歸納出在此一酒測值即為一個重要的分界點。將其分析結果研擬預防對策。陳高村、廖信智(2002)主要針對路段肇事事故建立鑑定準則，該研究除整理相關法規外，主要從交通行為與事故發生的因果關係進行分析，依照各種碰撞型態輔以事故時間、事故地點與行車方向等因素，並加以系統化樹狀圖整理後，分別構建出同向與對向之事故責任歸屬之推演過程，且將此系統流程開發成一套路段交通事故原因鑑定準則之電腦軟體，以便供警方與鑑定者參考之用。楊宗璟、艾嘉銘(2002)在交通違規事故責任鑑定影響因素之分析中，利用各地區鑑定會與台灣省覆議會之鑑定結果分成鑑定結果一致與不一致兩部分，再將案件分成了十九類不同之事故類型，分別進行探討結果一致之影響因素具有共識之特性與雙方事故型態之責任輕重；而結果不一致者分別構建地區鑑定會與覆議會之影響責任結果模式。在該研究中所考慮之事故影響責任大小之變數有事故類型、車種、是否超速與其程度、是否飲酒與其程度、天色、天候、當事者雙方之相對位置、兩車動作、以及碰撞方向，並分共識較少、較有共識與完全依至支不同類型探討。發現兩鑑定結果一致之案件比例約為 70%，惟車損位置、天候、天色並不如預期顯著，超速程度、飲酒程度為顯著之影響分子。邱裕鈞等學者(2004)採用電腦技術建置一套兩車碰撞事故之鑑定決策支援系統，供肇事鑑定委員於鑑定案件時有一歷史資料作為參考依據可以進行判別。該研究主要以肇事案件資料庫與法規資料庫等兩大資料庫為基礎，利用 SAS 統計軟體的階層式群落分析（Cluster Analysis）方法，將案例之資料庫中之案件分成 40 個群落，再依照分群之結果進行判別分析（Discrimination Analysis）尋找

(22)

15 逢甲大學學生報告 e-Paper( 2014 年) 出各群組之間的判別函數，以提供鑑定案例之分群索引之用。研究結果顯示：飲酒、道路類別、道路型態、行向、車損部位、筆錄速率、是否預見、駕亡、路權九項影響變數與肇事責任有顯著關係。鍾佩蓉(2011)蒐集台灣省車輛行車事故覆議委員會之事故資料為分析對象，針對有關於行人碰撞事故共計有 685 件加以彙整及建檔。發現每個資料庫中均為顯著的變數有：號誌種類、車道劃分分向設施、事故位置型態、環境事故位置、行人年齡、行人行動狀態、行人過路口中心、行人幹支道區別、行人人車關係、行人閃光號誌、行人碰撞地點為行人穿越道、行人碰撞地點設有人行道、行人於禁止穿越路段穿越道路、行人未注意左右方來車、行人酒醉、駕駛行動狀態、駕駛違規程、駕駛過路口中心、駕駛搶越行人穿越道、駕駛煞車、駕駛酒駕、駕駛超速等計有 22 項變數。再利用分類樹(GART)、遺傳規劃法(GP)和類神經網路 (ANN)三種模式分析覆議會、鑑定會、兩鑑定會責任相同三個資料。研究結論：以類神經網路模式為最佳，判中率皆以兩鑑定會責任相同者為最高，其次為覆議會，最後為鑑定會。

2.4 小結

對於高齡者事故之研究在各領域上均有所成就，綜合上述可知，大多研究都利用分類統計和交叉分析方式，來探究高齡者事故發生的主要原因和特性，發現：高齡者有獨特之行為，在高齡者事故中，大多處以被害者角色，其傷亡情形都較嚴重，又多以男性居多，高齡者在運輸安全以機車問題最為嚴重，駕駛經驗、生理機能及外來訊息刺激皆會影響高齡者的反應，過去研究中多以探討 65 歲以上的高齡者，但人類在某一個年紀上就會有老化、行動遲緩等現象，因此本研究新增接近高齡者 60~64 歲卻常發生事故的案例，更加深入分析高齡者事故中影響變數和分析老人在使用運具的狀況，藉以了解事故態樣。

(23)

三、研究方法-類神經網路

3.1 類神經網路(Artificial Neural

Network,ANN)

圖 3. 1、類神經網路

類神經網路(Artificial Neural Network,ANN)是人工智慧的一種，其結合醫學、數學、資訊工程與電子工程領域研究之相關應用。類神經網路系統是利用大量的人工神經元組合模擬大腦神經系報的運作方式，由一些高度連結的處理單元（稱為節點或神經元）組成一動態的運算系統，建構成網路架構來模擬人類神經之功能。類神經網路會透過訓練資料的訓練來修正網路的參數，使整個網路模式符合訓練資料的特性，並將經驗（修正的參數值）儲存在網路中。藉由不斷地自我調整，使得輸入的資訊透過神經元的運算後得到預設的輸出結果。類神經網路是由許多人工神經元所組成，而其處理單元及為人工神經元，大

(24)

17 逢甲大學學生報告 e-Paper( 2014 年) 多數的演算工作均在此完成，以適當之方式連接網路中各處理單元，形成不同的網路模式。處理單元的主要功能是將輸入資料向量經過集合、轉換等過程，產生一輸出向量成為下個處理單元的輸入值或最終的輸入值。圖 3.2 為主要處理單元之示意圖： Xn：輸入變數的數值 Wij：所有 i 的變數對應到隱藏層 j 的權重值 Yj：則為輸出結果變數圖 3. 2、神經元之主要功能類神經網路人工神經元是生物神經元的模擬，其將外部的輸入值，經由加總及轉換函數的作用而輸出其結果，透過大量的人工神經元作用，可用來解決不確定性的問題或輸入及輸出間存在複雜的非線性關係問題。類神經網路的主要單元、架構與運作方法說明如下所述。類神經網路的網路架構是由許多處理單位元所連接而成，其內部結構一般主要可分為三層，分別為輸入、輸出及隱藏三層，其網路架構如圖 3.3 所示，其中 Xn 為 n 個輸入變數，Yn 為輸出結果變數：

(25)

18 逢甲大學學生報告 e-Paper( 2014 年) 圖 3. 3、類神經網路之三層式架構圖近年來，類神經網路已成功地應用在許多科學領域中，包括資料探勘中的分類法。類神經網路不僅預測的準確度高，其分類法對於某些含有錯誤的資料，也具有部分容錯的功能。運用類神經網路進行分類時並不太需要用到專業領域的知識，這意味著不論是應用在信用等級的分類、或是區分是否購買筆記型電腦等方面，以類神經網路的觀點來看都是一樣的，因為對其而言只是在不同的數值上做運算而已，並不需要針對各種專業領域做區分。這也使得類神經網路的探勘結果不太容易與各種領域的專業知識相結合，同時類神經網路所建立的分類模型也不太容易用來解釋分類原因。對於類神經網路進行分類的訓練，其輸入向量（或輸出值）則代表該訓練樣本中所屬的類別。藉由類神經網路的訓練，可調整網路內部節點連結的權重質，使得每一筆訓練樣本的輸入屬性，經由類神經網路的計算，均可得到該訓練樣本所屬的類別。類神經網路的訓練最重要是求得一組權重值，使得輸入向量經過運之後可以得到輸出向量（或輸出值）。權重值的調整與類神經網路內部的運算函數有關，此部分的變化相當多。

(26)

3.2 軟體操作流程

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)

(27)

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

(28)

21

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。

(29)

22

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。

(30)

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

(31)

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

(32)

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

(33)

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

(34)

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

(35)

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)

4.1 資料來源與蒐集

其中，60-64 歲近老人口佔了彰化縣車鑑會資料(共 940 筆)比例的 8.62%； 65-74 歲初老人口佔了彰化縣車鑑會資料比例的 11.17%(為最多)；75-84 歲中老人口佔了彰化縣車鑑會資料比例的 6.28%；而 85 歲以上老老人口佔了彰化縣車鑑會資料比例的 1.28%。而 60-64 歲近老人口佔本專題研究範圍(共 257 筆)比例的 31.52%；65-74 歲初老人口佔了本專題研究範圍的 40.86%；75-84 歲中老人口佔了本專題研究範圍的 22.96%；而 85 歲以上老老人口佔了本專題研究範圍的 4.67%。由三個資料可看出 65-74 初老人口所佔的比例皆為最多。台灣省彰化縣區車輛行車事故鑑定委員會 101、102 和 103 年的會議紀錄， 60-64 歲之近高齡者和 65 歲以上之高齡者(依年齡再分為：65-74 歲初老高齡者、 75-84 歲中老高齡者、85 歲以上老老高齡者)。

(36)

4.2 變數建立

本研究資料來源為台灣省彰化縣車輛行車事故鑑定委員會資料摘錄報告表，透過檔案資料表和現場狀況圖而可以觀察出可能影響高齡者事故特性之變數，對照案件而可得知加以統計，得到結論。以下為資料所摘錄的表格，分別為資料摘錄報告表和資料事故現場繪製示意圖：

(37)

30

逢甲大學學生報告 e-Paper( 2014 年) 圖 4. 1、資料摘錄報告

(38)

31 逢甲大學學生報告 e-Paper( 2014 年) 圖 4. 2、資料事故現場繪製示意圖

4.2.1 案件篩選的過程

本研究資料建檔的第一步驟為將全部擁有的資料案件(台灣省彰化縣車輛行車事故鑑定委員會資料－共 940 筆)先行建檔，完成後繼續的第二步驟是由全數 940 筆不分當事人年齡的車禍事故案件中逐一挑選出六十歲以上近老人口以及六十五歲以上之高齡者的車禍事故案件（挑選出的資料為 331 筆）進行變數的分析，其中車禍事故中兩人以上及重複、沒有資料圖表和肇事責任不明的案件皆被篩選出且不予分析(共 74 筆)。經由以上兩步驟逐漸篩選後，最終可納入本案件研究的有效案件為 257 筆。表 4.2、建檔資料表 彰化縣車鑑會總件數 940 非近高齡與高齡者總件數 609 筆扣除非研究範圍之資料共 683 筆無法列入使用二人以上 36 筆重複 1 筆沒有資料圖表 3 筆肇事責任不明 34 筆

(39)

32 逢甲大學學生報告 e-Paper( 2014 年) 本研究分析資料 257 本研究由當事者出生年份減去事故發生的年份篩選出六十歲以上之高齡者，再由六十歲以上去分層，分為近老、初老、中老、老老，用意是觀察年齡層不同時事故型態是否也有所差異，而後採取兩個當事者之交通事故，對於案件不明條件太多時則不加以採納，層層篩選完成後，開始利用 excel 建檔。

4.2.2 變數表內容

本研究之變數參照警察局道路交通事故調查表中，找出可能的肇事因素，進而研擬出變數進行分類建檔。再由彰化縣車輛鑑定委員會送至車建中心的資料中，觀察案件資料摘要報告表中可以得到那些事故事實，加以統整後，整理出以下的變數表：（以下變數說明是參照資料摘錄報告和資料事故現場繪製示意圖）表 4.3、變數表變數 (代號) 變數類型 項目變數說明事故發生_年 (X1) 分類 (1)100 年(2)101 年(3)102 年(4)103 年 資料摘錄報告中之肇事時間事故發生_月 (X2) 分類資料摘錄報告中之肇事時間事故發生_時 (X3) 分類資料摘錄報告中之肇事時間天候狀況 (X4) 分類 (1)晴天;(2)雨天;(3)陰天 資料摘錄報告中之一般狀況光線 (X5) 分類 (1)日間自然光線;(2)晨或暮光;(3)夜間 有照明;(4)夜間無照明 資料摘錄報告 中之一般狀況 道路類別 (X6) 分類 (1)國道;(2)縣道;(3)省道;(4)鄉道(產業 及專用道路);(5)村里道路;(6)市區道 路;(7)不明 資料摘錄報告中一般狀況之路況幹道或支道 (X7) 分類 (1)幹道;(2)同為幹支道;(3)支道;(4)行車 管制號誌;(5)不明 由示意圖中判斷事故位置 (X8) 分類 (1)路段;(2)路口 資料摘錄報告中之ㄧ般狀況或由示意圖中判斷

(40)

33 逢甲大學學生報告 e-Paper( 2014 年) 變數 (代號) 變數類型 項目變數說明道路速限 (X9) 分類 (1)0-40(含)km/hr;(2)40-80(含) km/hr;(3)80-120(含)km/hr;(4)不明 資料摘錄報告中之一般狀況的路況號誌 (X10) 分類 (1)行車管制號誌;(2)閃光號誌;(3)無號 誌資料摘錄報告中之一般狀況 的路況 事故型態 (X11) 分類 (1)對撞;(2)側撞;(3)追撞;(4)擦撞;(5)不 明資料摘錄報告中之肇事經過或由示意圖判斷兩車關係 (X12) 分類 (1)同向後車;(2)同向前車;(3)同向左方 車;(4)同向右方車;(5)橫向左方車;(6)橫 向右方車;(7)對向;(8)行人&車;(9)不明 由示意圖中判斷性別 (X13) 分類 (1)男;(2)女 資料摘錄報告中之當事人的資料出生年 (X14) 連續資料摘錄報告中之當事人的資料年齡 (X15) 分類 (1)20 歲以下;(2)21-35 歲;(3)36-50 歲;(4)51-59 歲;(5)近老(60-64 歲);(6)初 老(65-74 歲);(7)中老(75-84 歲);(8)老老 (85 歲以上) 肇事時間減當事人出生日期 (X1-X14) 車種 (X16) 分類 (1)小車(小客車、小貨車、小客貨、營 小客車、拼裝車);(2)大車(大貨車、大客 車、聯結車、動力機械);(3)機車(重機、 輕機、大型重型機車);(4)腳踏車(電動 車);(5)行人 資料摘錄報告中之當事人的資料車速 (X17) 連續 (1)行人;(2)腳踏車;(3)不明 資料摘錄報告中之特別狀況超速 (X18) 分類 (1)嚴重超速(20km/hr 以上);(2)有超 速;(3)無超速;(4)非汽、機車;(5)不明 當事人車速減道路速限飲酒 (X19) 分類 (1)有;(2)無;(3)不明 資料摘錄報告 中之特別狀況 駕照分類 (1)有;(2)無;(3)行人或腳踏車;(4)不明資料摘錄報告

(41)

34 逢甲大學學生報告 e-Paper( 2014 年) 變數 (代號) 變數類型 項目變數說明 (X20) 中之當事人的資料違規情形 (X21) 分類 (1)入侵對向車道;(2)逆向;(3)違反號誌 管制或指揮;(4)未行駛於指定車道上 (含未靠右行駛);(5)變換車道或方向不 當或超車不當(含酒駕方向不定);(6)未 依標誌標線行駛;(7)未依規定讓車(左 右轉亦同，含閃紅閃黃燈);(8)未注意車 前狀況;(9)開啟車門、停車不當或其他 不當行為; (10)未打方向燈;(11)超 速;(12)無違規;(13)不明 以資料摘錄報告中之肇事經過以及特別狀況，加上示意圖 對照做為判斷 傷亡情形 (Y1) 分類 (1)受傷;(2)死亡;(3)無;(4)不明 資料摘錄報告 中之一般狀況 車輛損壞 (Y2) 分類 (1)前側;(2)兩側;(3)後側;(4)未損壞;(5) 非汽、機車; (6)不明 資料摘錄報告中之一般狀況事故責任 (Y3A) 分類 (1)肇事原因;(2)主要肇因;(3)同為原 因;(4)次要肇因;(5)無肇事原因 由資料中的開會結果顯示資料初步整理後，本研究進一步將資料變數篩選為肇事當時情形有 12 項、當事人基本資料有 9 項並分為高齡者和另一當事人總共 18 項、肇事結果有 3 項，共篩選出 33 項變數。 1. 肇事當時情形：意指發生事故時，當下環境與狀態之變數。其中本研究採計有 12 項變數，採用了 11 項變數，其中事故發生年因紀錄發生之年份，只為辨別資料年份而不採用此變數。剩下分別為「事故發生月」、「事故發生時」、「天候狀況」、「光線」、「道路類別」、「幹道或支道」、「事故位置」、「道路速限」、「號誌」、「事故型態」、「兩車關係」。 2. 當事人基本資料：意指發生事故時，雙方當事人本身個別的基本狀況，本研究採計有 9 項變數，採用了 7 項變數，其中紀錄出生年是為計算當事人之年齡；建立車速變數是為了觀察當事者是否超速因而不採用。分為 60 歲以上之第一當事人為高齡者，與另一方當事者(為非高齡者或是與第一當事人相較年紀為較小之高齡者)。變數分別為「性別」、「年齡」、「車種」、「超速」、「飲酒」、「駕照」、「違規情形」。 3. 肇事結果：意指當發生事故後，所造成的損害結果，研究採用 3 項變數，主

(42)

35 逢甲大學學生報告 e-Paper( 2014 年) 要以高齡者為主，分別為「高齡者傷亡情形」、「車輛損壞情形」、「高齡者事故責任」。本研究除將交通事故調查表轉為變數，再將事故現場圖以及筆錄所提提供之資訊進行重要變數建檔，將重要變數於後續研究中加以應用，並將此內容提供後續研究方法類神經訓練時使用。歸納了解各項變數之內容後完成建檔。

4.3 變數說明

針對交通部公路總局台中區監理所彰化縣區車輛行車事故鑑定會資料摘要報告表中，本研究擬出事故資料表，建立肇事情形、當事人基本資料和肇事結果。針對上節之變數表內容，摘錄幾點變數進行下列的說明： (1) 道路類別：依據道路類別，判斷事故發生是在何種類別的道路上，本研究區分道路類別依據公路法第 2 條，所用名詞定義如下：表 4.4、道路類別 道路類別分類 國道指聯絡兩省(市)以上，及重要港口、機場、邊防重鎮、國際交通與重要政治、經濟中心之主要道路。縣道指聯絡縣（市）及縣（市）與重要鄉（鎮、市）間之道路。省道指聯絡重要縣（市）及省際交通之道路。鄉道(產業道路) 指聯絡鄉（鎮、市）及鄉（鎮、市）與村、里間之道路。村里道路指一般村落、鄰里的小道路。市區道路指都市計畫區域內所有道路、直轄市及市行政區域以內，都市計畫以外所有道路、及中央主管機關核定人口集居區域內所有道路。 (2) 幹道或支道：判斷幹道支道，了解在兩車事故中，A 車或 B 車誰有較大道路通行權。參考台北市交通事件裁決所(Taipei City Traffic Adjudication Office)定義各路口優先權通則，以下為本研究幹支道判斷標準：

(43)

36 逢甲大學學生報告 e-Paper( 2014 年) 幹道支道分類幹道 a. 閃黃燈 b. 多線道 c. 若無行車管制號誌，則以路寬較大者為幹道同為幹支道高齡者、第二當事人行駛在同一道路上幹道支道分類支道 a. 路旁會有八角型的「停」標誌或倒三角型的「讓」標誌 b. 地面會有「停」字與標線 c. 閃紅燈 d. 少線道 e. 若無行車管制號誌，則以路寬較小者為支道不明從資料中無法做判斷有行車管制號誌依紅綠燈號誌判斷哪一方有路權 (3) 超速：根據資料，將當事人發生事故時之車速減掉道路速限，從而得知當事人是否超速。定義超速超過 20km/hr 為嚴重超速。 (4) 事故型態：依據內政部警政署規定，將事故類型分為行人與汽機車、汽機車與障礙物(含違規停車)、汽機車與汽機車三種事故類型(平交道事故不列入討論)。再將車輛碰撞型態分為對撞、擦撞、側撞和追撞，四種型態，分別再統計受損車體的撞擊位置及車速分析出結果，定義如下： i. 對撞(Head-on Collision)：係車與車對向行駛中，車頭與頭部分對撞，碰撞點為兩車之前保險桿，通常係因駛入對向車道或未注意車前狀況所造成。 ii. 側撞：某車於轉向過程中(不包含變換車道)與其他直行車之側面相撞，碰撞點為一車之保險桿與另一車之車身，通常係因轉彎不當所造成。 iii. 追撞(Side-swipt)：兩車以同方向(一前一後)行駛，碰撞點為候車之保險桿碰撞前車之後保險桿，通常係因未注意車前狀況或前車忽然煞停所造成。

(44)

37

車流中車體側面部位互撞，碰撞點為兩車之車身，通常係未保持安全間隔或變換車道不當所造成。

(45)

38 逢甲大學學生報告 e-Paper( 2014 年) (5) 車輛損壞：根據道路交通事故處理辦法用詞定義如下，道路交通事故是指駕駛汽車或動力機械在道路上行駛，致人受傷或死亡，或車輛損壞之事故，始能稱為交通事故。因此，必定要因機動車而生損害。根據彰化縣行車事故鑑定委員會資料，將車輛損壞的情形歸類為以下六項： i. 前側：包括前車頭、左前車頭、右前車頭 ii. 兩側：包括左側車身、右側車身 iii. 後側：包括後車尾、左後車尾、右後車尾 iv. 未損壞：車身未發生損害狀況 v. 非汽、機車：發生事故可能為行人、自行車等，因此無車輛損害。 vi. 不明：資料未紀錄車輛損害之情況 (6) 事故責任(以 A 車為基準，B 車為相對)：經由事故過程，由行車事故鑑定會鑑定出的結果判斷當事人需要負的肇事責任，參考汽車肇事責任分攤處理原則，本研究分為以下：表 4.6、肇事責任 肇事責任分類 肇事原因需負 100%的肇事責任主要肇因需負 80%的肇事責任同為原因需負 50%的肇事責任次要肇因需負 20%的肇事責任無肇事原因沒有肇事責任

(46)

五、彰化縣高齡者交通事故建檔初步分析

5.1 變數基本統計

本研究從彰化縣車鑑會資料中，挑出高齡者事故資料，再篩選出兩個當事人的為本研究分析內容。事故中挑出高齡者建為 A 當事人，第二當事人則建為 B 當事人，若兩個當事人皆為高齡者，則採年齡較高的為 A 當事人。以下是本研究的基本統計分析結果，找出每一個變數中，哪一項比例偏高，而得初步的概念：表 5.1、變數表變數 (代號) 變數類型項目肇事情形事故發生_年 (X1) 分類 (1)100 年(2.3%) (2)101 年(58.4%) (3)102 年(38.1%) (4)103 年(1.2%) 事故發生_月 (X2) 分類 (1)1 月(11.3%) (2)2 月(9.7%)(3)3 月(8.6%) (4)4 月(6.2%) (5)5 月(8.2%) (6)6 月(8.9%) (7)7 月(10.5%) (8)8 月(6.2%) (9)9 月(7.4%) (10)10 月(8.6%) (11)11 月(7.8%) (12)12 月(6.6%) 事故發生_時 (X3) 分類 (1)2 時(0.4%) (2)4 時(0.8%) (3)5 時(5.1%) (4)6 時(3.9%) (5)7 時(6.6%) (6)8 時(8.6%) (7)9 時(10.5%) (8)10 時(6.2%) (9)11 時(6.2%) (10)12 時(4.3%) (11)13 時(3.5%) (12)14 時(6.2%) (13)15 時(5.1%) (14)16 時(6.6%) (15)17 時(7.0%) (16)18 時(6.2%) (17)19 時(4.7%) (18)20 時(2.7%) (19)21 時(3.9%) (20)22 時(1.2%) (21)23 時(0.4%) 天候狀況 (X4) 分類 (1)晴天(86.8%)(2)雨天(7.8%) (3)陰天(5.4%) 光線 (X5) 分類 (1)日間自然光線(73.2%) (2)晨或暮光(3.9%) (3)夜間有照明(20.2%) (4)夜間無照明(2.7%)

(47)

40 逢甲大學學生報告 e-Paper( 2014 年) 變數 (代號) 變數類型項目道路類別 (X6) 分類 (1)國道(2.3%) (2)縣道(10.5%) (3)省道(5.4%) (4)鄉道(產業及專用道路)(10.1%) (5)村里道路(50.6%) (6)市區道路(20.6%) (7)不明(0.4%) 幹道或支道 (X7) 分類 (1)幹道(16.0%) (2)同為幹支道(44.0%) (3)支道(25.3%) (4)行車管制號誌(13.2%) (5)不明(1.6%) 事故位置 (X8) 分類 (1)路段(35.4%) (2)路口(64.6%) 道路速限 (X9) 分類 (1)0-40(含)km/hr(28.4%) (2)40-80(含)km/hr(66.1%) (3)80-120(含)km/hr(1.2%) (4)不明(4.3%) 號誌 (X10) 分類 (1)行車管制號誌(21.4%) (2)閃光號誌(18.7%) (3)無號誌(59.9%) 事故型態 (X11) 分類 (1)對撞(7.8%) (2)側撞(59.1%) (3)追撞(9.7%) (4)擦撞(23.0%) (5)不明(0.4%) 兩車關係 (X12) 分類 (1)同向後車(8.2%) (2)同向前車(1.9%) (3)同向左方車(13.2%) (4)同向右方車(10.1%) (5)橫向左方車(23.0%) (6)橫向右方車(28.0%) (7)對向(8.6%) (8)行人&車(6.6%) (9)不明(0.4%) 當事人基本資料性別 (X13A) 分類 (1)男(66.5%) (2)女(33.5%) 出生年 (X14A) 連續年齡 (X15A) (1)20 歲以下(0.0%) (2)21-35 歲(0.0%) (3)36-50 歲(0.0%) (4)51-59 歲(0.0%) (5)近老(60-64 歲)(31.5%) (6)初老(65-74 歲)(40.9%) (7)中老(75-84 歲)(23.0%) (8)老老(85 歲以上)(4.7%) 車種 (X16A) 分類 (1)小車(小客車、小貨車、小客貨、營小客車、拼裝 車)(19.8%) (2)大車(大貨車、大客車、聯結車、動力機械)(1.9%) (3)機車(重機、輕機、大型重型機車)(59.1%) (4)腳踏車(電動車)(10.9%) (5)行人(8.2%) 車速連續

(48)

41 逢甲大學學生報告 e-Paper( 2014 年) 變數 (代號) 變數類型項目 (X17A) 超速 (X18A) (1)嚴重超速(20km/hr 以上)(0.4%) (2)有超速(0.4%) (3)無超速(45.1%) (4)非汽、機車(16.7%) (5)不明(37.4%) 飲酒 (X19A) 分類 (1)有(3.1%) (2)無(84.8%) (3)不明(12.1%) 駕照 (X20A) 分類 (1)有(63.8) (2)無(15.2%) (3)行人或腳踏車(18.7%) (4)不明(2.3%) 違規情形 (X21A) 分類 (1)入侵對向車道(2.7%) (2)逆向(2.7%) (3)違反號誌管制或指揮(7.4%) (4)未行駛於指定車道上(含未靠右行駛)(3.1%) (5)變換車道或方向不當或超車不當(含酒駕方向不 定)(16.3%) (6)未依標誌標線行駛(1.2%) (7)未依規定讓車(左右轉亦同，含閃紅閃黃 燈)(16.3%) (8)未注意車前狀況(24.5%) (9)開啟車門、停車不當或其他不當行為(1.9%) (10)未打方向燈(2.7%) (11)超速(0.4%) (12)無違規(15.2%) (13)不明(5.4%) 當事人基本資料性別 (X13B) 分類 (1)男(74.3%) (2)女(25.7%) 出生年 (X14B) 連續年齡 (X15B) (1)20 歲以下(6.6%) (2)21-35 歲(40.1%) (3)36-50 歲(31.1%) (4)51-59 歲(15.6%) (5)近老(60-64 歲)(3.1%) (6)初老(65-74 歲)(2.7%) (7)中老(75-84 歲)(0.8%) (8)老老(85 歲以上)(0.0%) 車種 (X16B) 分類 (1)小車(小客車、小貨車、小客貨、營小客車、拼裝 車)(51.8%) (2)大車(大貨車、大客車、聯結車、動力機械)(9.3%) (3)機車(重機、輕機、大型重型機車)(35.8%) (4)腳踏車(電動車)(2.3%) (5)行人(0.8%) 車速 (X17B) 連續

(49)

42 逢甲大學學生報告 e-Paper( 2014 年) 變數 (代號) 變數類型項目超速 (X18B) (1)嚴重超速(20km/hr 以上)(3.9%) (2)有超速(11.7%) (3)無超速(58.8%) (4)非汽、機車(3.1%) (5)不明(22.6%) 飲酒 (X19B) 分類 (1)有(3.5%) (2)無(84.8%) (3)不明(11.7%) 駕照 (X20B) 分類 (1)有(87.9%) (2)無(7.4%) (3)行人或腳踏車(3.1%) (4)不明(1.6%) 違規情形 (X21B) 分類 (1)入侵對向車道(1.6%) (2)逆向(0.0%) (3)違反號誌管制或指揮(0.4%) (4)未行駛於指定車道上(含未靠右行駛)(0.8%) (5)變換車道或方向不當或超車不當(含酒駕方向不 定)(7.8%) (6)未依標誌標線行駛(1.6%) (7)未依規定讓車(左右轉亦同，含閃紅閃黃 燈)(13.2%) (8)未注意車前狀況(35.4%) (9)開啟車門、停車不當或其他不當行為(4.7%) (10)未打方向燈(1.2%) (11)超速(8.9%) (12)無違規(19.8%) (13)不明(4.7%) 肇事結果傷亡情形 (Y1A) 分類 (1)受傷(57.6%) (2)死亡(23.7%) (3)無(17.5%) (4)不明(1.2%) 傷亡情形 (Y1B) 分類 (1)受傷(33.9%) (2)死亡(4.3%) (3)無(61.1%) (4)不明(0.8%) 車輛損壞 (Y2A) 分類 (1)前側(29.6%) (2)兩側(40.5%) (3)後側(10.1%) (4)未損壞(0.4%) (5)非汽、機車(7.8%) (6)不明(11.7%) 車輛損壞 (Y2B) 分類 (1)前側(64.2%) (2)兩側(23.0%) (3)後側(7.4%) (4)未損壞(0.8%) (5)非汽、機車(1.2%) (6)不明(3.5%) 事故責任 (Y3A) 分類 (1)肇事原因(24.9%) (2)主要肇因(33.9%) (3)同為原因(5.1%) (4)次要肇因(16.3%) (5)無肇事原因(19.8%) 以上發現： (1) 事故發生之時間：月份一、七月佔較多，分別為 11.3%和 10.5%；時間以 8、 9 時和 17 時，推估為上下班顛峰時間，車流量多，而容易發生交通事故。

(50)

43 逢甲大學學生報告 e-Paper( 2014 年) (2) 天候狀況晴天為多，佔 86.8%。彰化縣多為晴朗天氣，與事故發生較無關係。 (3) 光線多為日間自然光線，佔 73.2%。 (4) 號誌以無號誌為多，佔了將近六成。顯示村里道路無號誌的控管下，易有車禍情形發生。村里道路之路口有高事故比例，佔了五成以上，因其道路在村里間，容易有僥倖心態而超速、闖紅燈等，又路口是衝突點，有各方來車，一不留意就容易發生危險。 (5) 同為幹支道事故比例為高佔了 44.0%，推測因為有一樣的路權，難以分辨路權，若無互相禮讓則容易互爭路權而發生事故。以事故位置多位在路口，有 64.6%。 (6) 道路速限 40-80(含)公里/小時發生高比例事故，佔 66.1%。事故型態有以側撞為多，佔了近六成，推測因事故位置多在路口，而容易爭奪路權而發生側撞。 (7) 在無號誌的道路上，有較高比例的事故發生，推測因為其無號誌，民眾則無法判定依號誌標誌所循方向駕駛，造成高比例事故。 (8) 側撞以兩側的位置為發生高比例事故，將近六成。兩車關係中，以橫向左、右方車為多，加起來約為五成。推估亦因為事故多位於路口關係。 (9) 高齡者男性發生高比例事故佔了 66.5%，其中又以初老(65-74 歲)為最，佔了 40.9%，其次是 60-64 之近老年齡佔了 31.5%；第二當事人則多為 20-35 歲之青壯年。 (10) 高齡者當事人的事故車種中，以機車為最，佔了 59.1%；其次為小車，佔了 19.8%，第二當事人則以小車為主，佔了 51.8%。 (11) 高齡當事人事故情形多為無超速 45.1%、無飲酒 84.8%、有駕照 63.8%。但無駕照佔了 15.2%亦是不容小覷的數值。 (12) 高齡當事人之違規情形有 24.5%為未注意車前狀況，推測高齡者因行動緩慢而無法在道路上眼觀四方而容易肇事；其次為變換車道方向不當和未依規定讓車，皆各為 16.3%，推其因變換車道而未仔細確認前後方車輛而肇事。 (13) 傷亡情形中，高齡者比例多為受傷，A1：受傷佔 57.6%，A2：死亡 23.7%；