Volume 25, No.4, 2020, pp. 211-225 DOI：10.6574/JPRS.202012_25(4).0002
1逢甲大學都市計畫與空間資訊學系 學士 收到日期：民國 109 年 09 月 29 日
2逢甲大學都市計畫與空間資訊學系 副教授 修改日期：民國 109 年 12 月 01 日
* 通訊作者, 電話: 04-24517250 轉 3355, E-mail: [email protected] 接受日期：民國 109 年 12 月 21 日
車禍發生與都市地表溫度之相關性探討
劉蕙慈
1徐逸祥
2*摘要
本研究分析環境溫度與車禍發生次數之關聯，環境溫度來源為 MODIS 衛星影像，而車禍紀錄則取自 政府開放資料平台 (open data)。而為了確認道路型態是否也與車禍發生有關，因此以空間句法 (space syntax) 分析相對不對稱性 (relative asymmetry, RA) 指標。之後以雙變數空間自相關 (bivariate local indicators of spatial association, BiLISA) 及卜瓦松迴歸 (Poisson regression)，分別對地表溫度、RA 值與和 車禍次數進行空間及非空間關聯性分析。結果顯示雙變數空間自相關分析或是卜瓦松迴歸分析都證明車 禍發生次數與地表溫度呈現正相關，後續可提供給都市計畫以及地方警政單位做為未來通盤檢討、都市 設計、車禍防治、市容整理及交通執法等方面做參考。
關鍵詞：MODIS 影像、地表溫度、開放資料、雙變數空間自相關、卜瓦松迴歸
1. 前言
在過去研究中，分析車禍發生率大多以時間 序列分析 (Time-Series Analysis) 進行研究模型 建置，研究者需要收集大量數據並經過費時的整 理過程才能夠完成一組模型，多位學者利用此方 式研究包含對於天氣狀況、溫度與日照時間等多 元的研究方向，且有多篇研究發現天氣的變化會 影響車禍的發生機率 (Basagaña et al., 2015、
Yannis & Karlaftis, 2010、Rad et al., 2018、Daanen et al., 2003、Hermans et al., 2006)。其中溫度相關 資料皆是以當地氣象站資料為依據，氣象站所蒐 集的溫度資料是氣象站本地的溫度，對於車禍點 位的分布來說較為不準確，不能確定車禍發生點 位溫度是否真的高於鄰近區域，因此本研究選用 每日都有進行影像拍攝的 MODIS 衛星影像。
因為全球 3S 技術日新月異進步之下可以即 時將收集到的遙測衛星影像利用地理資訊系統 (GIS) 進行處理，所以有許多學者專家也喜歡利 用衛星影像作為其研究的材料，而衛星影像通常 搭載各種不同波段接收器，依照不同部門需求蒐 集資料後送往各部門進行分析與資料產製，也因
為波段不同所以能做的分析非常多元化，例如經 由地物反射進行的溫度反演就與正規化差異植 生 植 物指 數 (Normalized Difference Vegetation Index, NDVI)、主成分分析 (Principal Component Analysis, PCA)、紋理分析等相關 (吳振發、詹士 樑，2003)，大多數使用溫度資料會進行都市熱島 效應的研究，因應都市成長給予的低度規範，造 成建蔽率及容積率上升，地表所能給植被覆蓋的 地方減少，廢氣排放後無法轉換大量堆積在都市 內，就會造成都市內溫度升高的現象 (林炯明，
2010)，大量開發了原有林地或植被覆蓋之地區，
因此易造成都市熱島效應。以臺中直轄市中心為 例對比 1995 年與 2009 年土地覆蓋與熱島強度之 關聯，隨著都市發展程度逐漸升高，蓋了許多高 樓大廈，使得地表不透水程度增加，植被覆蓋減 少，也同時創造許多工作機會，使大量人口移入 造成都市人口大量增加，交通工具的使用程度也 越發達，導致大量廢氣排放，再經過太陽輻射加 熱，溫度升高，綜合以上影響之下使市中心與周 邊郊區相比成了都市熱島效應的顯著區域 (何佳 薇，2011) 。
而都市的發展與交通息息相關，交通幫助整 個都市的運行，是整個都市發展最重要的部分，
交通的發達同時也就表示著用路人的使用率增 加，但國內外對於都市的交通，例如道路寬度或 道路開闢等發展會不會影響交通狀況這方面進 行探討較多，而對於其他如溫度是否會影響交通 安全則探討較少。於是本研究欲探討是否會因為 都市熱島所造成的都市內溫度升高，進而影響到 用路人的安全，以及道路整合程度是否也會影響 車禍的發生，透過研究，希望能藉以提供日後都 市計畫部門以及警政單位之施政建議與任務分 配參考。整體來說，本研究之研究目的如下：
(1) 能否利用遙感探測影像處理得到的地表溫度，
分析都市內溫度熱點與車禍發生率的空間關 係。
(2) 能否利用遙感探測影像處理得到的地表溫度，
研究在一定時間內溫度上升一度車禍發生的 次數。
(3) 能否透過道路整合程度的計算，研究道路整 合程度對於車禍發生次數的影響。
2. 研究範圍概述
2.1 研究範圍簡介
因原臺中市與臺中縣已於 2010 年合併升格，
從原本的八區增加至二十九區，合併後幅員過於 遼闊，地形、土地使用和人口分布等環境因子較 為複雜，因此選擇以各項環境因子都較接近的原 臺中市八區作為研究範圍，如圖 1。
原臺中市的中區、東區、西區、南區及北區，
原本就為臺中市發展最興盛的地方，同時臺中市 區也於日治時期就開始施行都市計畫，當時採用 棋盤式的道路設計，後因為行政機關遷移，使得 原本位於外圍的西屯區、南屯區與北屯區等快速 發展，而原本興盛的臺中火車站周邊轉趨沒落，
原臺中市八區經歷了行政機關遷移的過程，因此 可以藉此了解行政機關遷移先後發展地區的道 路設計與現況的溫度變化是否與車禍發生次數 有相關性。
圖 1 研究範圍示意圖
2.2 研究材料介紹
文中選用 MODIS 衛星影像及政府開放資料 作為本研究之分析基礎，因臺灣氣候因素夏季容 易因為對流造成雲覆，為配合氣候條件選擇冬季 作為研究時間，並依照拍攝當時雲覆程度選定研 究時間為 106 年 10~12 月與 107 年 10~12 月兩段 時間，本研究也受惠於政府所推動的施政透明化 導向政策所建置的政府開放資料平台，進而取得 臺中市政府警察局交通大隊所提供之 106 年 10~12 月及 107 年 10~12 月以及臺中市路網圖等，
兩年度同時間段共六個月之車禍點位開放資料 進行車禍發生與環境溫度相關性的研究，此資料 依據交通事故資料庫的規範登錄。配合車禍點位 資料蒐集時間，將研究時間範圍彈性調整為 106.10.01-106.12.30 與 107.10.01-107.12.30 連續 兩年之相同時間範圍。
2.2.1 衛星影像
中 尺 度 影 像 光 譜 儀 (Moderate Resolution Imaging Spectroradiometer, MODIS) 是 MODIS 影像的全名，MODIS 影像是美國國家航空暨太 空 總 署 (National Aeronautics and Space Administration, NASA) 發射的 Terra 衛星及 Aqua 衛星中搭載的感測器偵測出來的影像資料，免費 提供給各方面研究者做使用，兩者皆為太陽同步 軌道衛星，其搭載的感測器有 36 個波段，波長 範圍為 0.4μm 至 14.4μm，包含可見光、近紅外 光、中紅光及熱紅外光等，空間解像力在 250 m 到 1000 m 之間，每天這兩個衛星會經過同一個 地點一次並拍攝當地影像資料，Terra 衛星約於臺 灣時間早上 11:00 至 11:30、以及晚上 9:30 至 10:00 經過；而 Aqua 衛星約為下午 12:30 至 1:00、
以及晚上 11:00 至 11:30 左右經過，本研究取用 MOD11A1 及 MYD11A1 溫度影像資料，以上影 像皆為 1000 m × 1000 m 的解析度。取得 106 年 10~12 月與 107 年 10~12 月的影像後，將每日 MOD11A1 及 MYD11A1 兩種類影像內早上及晚 上共四個時段之溫度進行平均，產生日平均資料 後，再將每 10 日之資料平均，之後再以平均方
式降尺度至 1500 m × 1500 m 及 2000 m × 2000 m 大小的網格，以討論不同網格單元內溫度與車 禍次數關聯性的差異。
因 MODIS 衛星有拍攝幅寬的限制，臺灣的 位置剛好橫跨兩個條帶，因此須由 h28v06 與 h29v06 兩個條帶的影像才能將臺灣的影像完整 的拼起來。且研究僅選取 10~12 月的影像、且以 十日進行平均，主因是考慮臺中地區在這三個月 份之降雨量和雲量較少。依據中央氣象局之觀測 資料查詢平台，臺中氣象站在 106 年 10~12 月與 107 年 10~12 月之紀錄，僅三個月份有連續四日 降雨，且每月的降雨天數在一日至五日之間，因 此考量此降雨情況，若以十日平均可減少降雨造 成之影響，以排除可能因降雨等其他天候因素而 造成之影響。
2.2.2 前置處理
從政府資料開放平台取得車禍資料 Excel 檔 案後，因檔案皆以代碼呈現相關資料，因此先依 據交通事故資料處理手冊轉換 Excel 檔案中的代 碼，排除非正常肇事因素包含酒後駕車、無照駕 駛或越級駕駛等，進而篩選出本研究所需的資料，
再將 Excel 檔案匯入 ArcGIS 轉換為車禍點位圖 資。然而衛星影像會受到天氣狀況不同而有所影 響，其中如果當地上空在拍攝當下有雲層，將會 得到 NoData 的衛星影像資料，表示當日上半天、
下半天甚至整天都可能沒有影像溫度資料，在蒐 集衛星影像資料時發現臺中市在研究範圍中就 有這種狀況，所以我們將十天的衛星影像合起來 進行溫度的平均，也同時將車禍點位資料以相同 方式統計，並將十日一計設定為本研究之時間單 元，確保每個位置都盡量有溫度資料，以方便進 行後續計算。
空間單元部份我們參考 MODIS 影像 1000 m
× 1000 m 的特性將網格設計成 1000 m × 1000 m、
1500 m × 1500 m 及 2000 m × 2000 m 三種大小，
將網格選擇這三種尺度是為了檢視在 1000 m 與 2000 m 長寬中網格內溫度與車禍次數的差異，在 1000 m 與 2000 m 之間也增加了 1500 m 大小的
網格銜接中間的溫度差異及車禍次數變化，可以 藉此了解是否有增加的趨勢；選擇將網格尺度變 大而非減小成 500 m × 500 m 則是因為如果將網 格變小，每個網格中的車禍點位數量會變少將不 利於後續分析。
道 路 相 對 不 對 稱 性 (Relative Asymmetry, RA)是比較某一特定點的實際拓撲深度與該點的 理論拓撲深度，即那個特定點與其他所有空間直 接相連就具有最小拓撲深度，而那個特定點與其 他所有空間連成直線就具有最大拓撲深度 (因為 每個新加的空間都將增加新的一層拓撲深度)。這 是總拓撲深度標準化的理論模式。RA 值的部分，
則將從臺中市數位地圖館取得的臺中市路網圖 放入 depthmapX 產生平均深度 (Mean Depth) 後 利用 ArcGIS 計算功能算出每線段的 RA 值，最 後並與上段所述三種大小的網格套疊，計算每個 網格內的平均 RA 值，如圖 2。
有了溫度資料、道路 RA 值與地表溫度資料 後，將資料加入網格中並刪除資料沒有重合的網 格，即可利用後續軟體進行分析，因此會看到網 格有缺空處，其中以 106 年 11 月份空格缺漏的 狀況最為嚴重。當缺空處太多時進行雙變數空間 自相關分析的軟體 GeoDA 就可能會產生無法分 析的狀況，在 2000 m × 2000 m 中 106 年 11 月
就遇到了此種情況而造成資料缺漏。
3. 研究方法
3.1 雙變數空間自相關
空間自相關 (spatial autocorrelation) 為空間 分析上最為常用的方式，本研究以空間自相關來 分析車禍分布的空間特性，空間自相關可以比較 地理空間上某一個空間發生的事件與鄰近地區 空間單元上的相關性，而空間分布通常有三種現 象分別為隨機、離散與群聚等，空間自相關分析 又 可 分 為 全 域 型 空 間 自 相 關 (Global Spatial Autocorrelation) 與 局 部 空 間 自 相 關 (Local Indicators Of Spatial Association, LISA)。全域型空 間自相關 (Global Spatial Autocorrelation) 可得 知某一現象在整體空間的分布情況，此方法得以 觀察研究區是否具有空間自相關的情況，但無法 得知發生空間自相關位置的準確地點。而局部空 間自相關 (LISA) 可以得知某一地理現象中每 一空間單位與鄰近空間單位的相關性；因此，本 研究選擇利用延伸自局部空間自相關的雙變數 空間自相關 (Bivariate LISA, BiLISA) 來討論兩 項 或 以 上 變 數 彼 此 之 間 存 在 的 空 間 相 關 性 (Anselin & Smirnov, 2002、Anselin, 2005)。
圖 2 臺中市道路 RA 值
I = ∑ ... (1) 其中
=[ ] ... (2)
=[ ] ... (3)
是在某 i 網格內的車禍發生次數， 是和
i 鄰接的 j 網格內的地表溫度， 和 分別代表
研究區內車禍發生次數和地表溫度的平均值；
和 分別代表車禍發生次數和地表溫度的標準差；
代表空間權重矩陣。
BiLISA 是局部空間自相關的延伸概念，既可 以了解某事件是否有空間自相關的情況，又可以 得知事件發生的地點。BiLISA 指標計算後會得到 四項空間關係特性，分別為高-高(H-H)、高-低(H- L)、低-高(L-H)及低-低(L-L)等，藉此 BiLISA 指 標可以得知各空間彼此的相關性，即可針對這些 特性進行分析。透過 BiLISA 可以利用兩種方式 對於目前所能獲取的資料進行研究，一是利用 MODIS 影像所計算出的平均網格溫度與車禍發 生的點位資料進行 BiLISA 分析，可以檢驗車禍 發生的點位與地表溫度之間是否有空間相關性，
此方法應用在車禍點位資料只有單一時間時；另 一種方式為擁有兩個或兩個以上時間單位資料 下可以做的分析，利用兩時間車禍點位資料互相 進行 BiLISA 指標分析，可以推測並了解到車禍 事件中哪些特定路口或車禍點位是車禍持續發 生的熱點，經過熱點的推測與分析同時也可以推 測路口設計是否同時也有問題，可能可以藉此研 究找出道路系統構造的缺陷，讓市府單位可以加 以改善道路問題；另外也可以利用雙變數空間自 相關研究道路整合程度對車禍發生是否產生影 響，路網對於空間分布有其整體性因此需先計算 出各線段 RA 值再進行雙變數空間自相關分析，
便可以得知道路整合程度對於車禍發生在空間 分布上的影響程度。
本研究會利用兩種研究方法中的第一種方 法進行研究，是利用時間與空間兩不同架構下，
找出相對適合的分析方式，透過本研究的建議與 發想，未來可以提供給相關單位，利用各單位所 擁有的更詳盡的資料，以及更專業的從業人員，
促使其進行更完整的研究計畫與研擬改善方法。
雙變數空間自相關將使用 GeoDA 作為分析 軟體，GeoDA 是一款免費的空間分析軟體，擁有 空間數據分析與空間自相關分析等功能，可以進 行全域型空間自相關、區域型空間自相關及雙變 數空間自相關等的計算，有助於釐清空間單元與 空間單元間是否存在相關性，因此將此軟體作為 本次空間分析主要使用的軟體。
表 1 雙變數空間自相關分析結果顏色說明表
3.2 卜瓦松迴歸
在統計學上，卜瓦松迴歸 (Poisson Regression) 是用來為記數資料和列連表建模的一種迴歸分 析。卜瓦松迴歸假設反應變量 Y 是卜瓦松分布，
並假設它期望值的對數可由一組未知參數進行 線性表達。當其用於列聯表分析時，卜瓦松迴歸 模型也被稱作對數-線性模型。卜瓦松迴歸模型是 廣義線性模型 (Generalized Linear Model) 的一 種 ， 以 對 數 變 化 作 為 連 接 函 數 (Canonical Function)，該模型的假設之一是其被解釋變量服 從卜瓦松分布。卜瓦松迴歸的對數線性估計式如 下 (Frome, 1983)：
log = + ... (4) 其中 μ 代表車禍發生率，而β則代表了環境 變數 (即溫度資料)；但一般卜瓦松迴歸分析僅能 根據資料數據做預測，並無法正確得知車禍發生 點與空間上的關係。
4. 成果分析
造成車禍發生的因素繁多，因此本研究選擇 可以轉化為空間型態與時間序列並且可以利用
GIS 軟體進行分析的道路型態與地表溫度作為本 研究對車禍發生的變數，在車禍點位資料展繪前 已將非正常駕車之肇事資料汰除，非正常駕車造 成車禍包含酒後駕車、駕車時使用行動電話、無 照駕車以及越級駕駛等違反交通法規之駕駛行 為，將非正常肇事因素汰除後才將所有符合法規 之正當駕駛行為所造成的車禍點為展繪使用。此 外本研究較著重空間環境因子對車禍的影響，故 考量資料較易取得、且文獻有提及可能與車禍有 關聯的地表溫度 (Daanen et al., 2003、Basagaña et al., 2015 、 Rad et al., 2018) 和 道 路 空 間 型 構 (space syntax) (Obeidat et al., 2017) 進行探討。
4.1 雙變數空間自相關分析
本研究選用 MODIS 影像而不選用地面氣象 站的溫度資料是因為衛星影像與地面氣象站相 比具有範圍優勢，可以在空間上的溫度分佈表現 的更為細膩，當然地面氣象站具有衛星影像無法 達成的時間連續性優勢，氣象站的溫度雖然可以 連續搜集，卻只能搜集氣象站所在地的溫度而已。
因此本研究決定選用 MODIS 衛星所拍攝的溫度 影像資料作為本研究的研究材料，取其空間特性，
因此時間上的分佈是本研究須克服的問題。
而臺中市二十九區中將研究範圍訂為原臺 中市區的八區也是因為臺中幅員廣闊，而原臺中 市區內道路與人口集中，因此車禍點位相對較為 密集，如果將原臺中縣的部分加入分析會影響到 整體的 BiLISA 結果，原臺中縣相對市區道路較 為發散，車禍數量也相對較少，且地理環境相對 原臺中市區部分更為複雜，所需考慮的變數不盡 相同，才將範圍選為環境較為統一且車禍點位集 中的原臺中市八區。
由表 2 可知，經過 GeoDA 的雙變數空間自 相關分析後可以發現在 106 年 10-12 月以及 107 年 10-12 月的資料在 1000 m × 1000 m、1500 m
× 1500 m 與 2000 m × 2000 m 網格中，H-H 地 表溫度越高與車禍發生數越高相關的位置皆位 於右下方，而 L-L 地表溫度越低與車禍發生數越 低相關發生的位置成弧狀分布於研究區外圍並
以西側最為頻繁，並且在 H-H 與 L-L 之間有一 大塊無相關的網格將兩者切開；透過疊圖可以發 現呈 H-H 的位置屬於原臺中市舊市區，其中包含 中區、東區、西區、南區以及北區，而呈 L-L 的 區域則屬於行政機關遷移後近年來高度發展的 屯區，其中包含西屯、南屯以及北屯等，而呈 L- L 的地區跟呈 H-H 的地區相比，也擁有較多植被 覆蓋，會使溫度較周圍地區溫度低，可能會稍微 影響該地核心溫度。而表 2 與表 3 中有些許缺漏 的地方是因為在車禍點位展繪與影像處理期間 的資料缺漏或不完整，導致最後所保留的網格資 料過少，進入 GeoDA 分析的時候無法呈現結果 所導致。
進而透過 Google Earth Pro 回溯 H-H 及 L-L 密集區的衛星影像，發現兩地區在 106 年 10-12 月以及 107 年 10-12 月間影像皆無重大改變，而 兩地區衛星影像中可以看出最大差別為兩地道 路型態與植被覆蓋範圍，因此推測除植被覆蓋影 響兩地溫度有所不同外同時也與兩地區道路型 態與道路設計上也有關係，H-H 所在地區以棋盤 格狀整齊的分布為主，且道路寬度較為一致；而 L-L 的地區道路分布較呈散布狀，道路與 H-H 地 區相比較為蜿蜒且寬度較為不一，而介於兩地區 之間無顯著之地區則是屬於棋盤式網絡到散布 狀網絡之間的過渡地帶。
4.2 雙 變 數 空 間 自 相 關 分 析 (RA 值)
從表 3 中可以發現，不論是在 1000 m × 1000 m、1500 m × 1500 m 或 2000 m × 2000 m 的網 格中，位於臺灣大道與中港交流道路段獲得 H-H 高度相關性的次數最多，整合程度越高則車禍發 生數越高，表示在該處車禍發生受到道路整合程 度影響程度較高，因為當地是屬於高速公路與主 要道路所交會的地方，雖然在整合程度中屬於中 等程度，但因為位處中港交流道所承載交通量較 大，且當地富有連結左側東海大學商圈、臺中工 業區與右側新光遠百商圈的功能，如果沒有審視 其道路整合性就可能導致車禍發生率升高。而其
餘地區的車禍發生受道路整合度影響較小，大部 分地區呈現無相關性的結果，因此可以得知其他
部分車禍發生主要還是以受到地表溫度影響較 大。
表 2 GeoDA 地表溫度雙變數空間自相關分析成果表
表 3 GeoDA 道路整合度雙變數空間自相關分析成果表
4.3 卜瓦松迴歸
利用 SPSS 中 Poisson Regression Analysis 的 功能，將在 ArcGIS 中處理過後所產生之網格的 dbf 資料匯入，網格分為 1000 m × 1000 m [結果 以 EXP(B)1 表示]、1500 m × 1500 m [結果以 EXP(B)1.5 表示]以及 2000 m × 2000 m [結果以 EXP(B)2 表示] 三種，並將數據與所對應的日期 整理製作成表格，參考表 4 與表 5，接著計算出 106 年 10-12 月以及 107 年 10-12 月間每 10 天內 地表溫度的變化與車禍發生數的關係，將車禍發 生數以及地表溫度的資料加入計算，可以看到計 算出來結果中，每 10 天內只要地表溫度每上升 一度則車禍發生數增加的可能性維持在 0~3 起之 間，也就是說在這些資料中可以發現地表溫度的 升高與車禍發生數的升高有一定的關係。
在 106 年的結果表 4 中可以看到在 12 月的 最後 10 天 12/21-12/30 這 10 天所受地表溫度變 化影響最大，達到每上升一度就有 2 起以上車禍 增加的風險，在 107 年則是在 12 月的前 10 天
12/1-12/10 受最大的影響也是每增加一度可能使 車禍多增加 2 起以上更差點達到 3 起。
檢視其資料的 p 值後每筆資料幾乎都趨近於 0，達到顯著的水準，只有 106 年 11/11~11/20 的 1500 m × 1500 m 網格，其 p 值為 0.686，超過了 0.05 表示其為不顯著，以及 106 年 11/01-11/10 的 1000 m × 1000 m 網格資料，因為資料數只有 2 筆計算出來為一個無效的數，因此資料數據為 0。
最後將經由 ArcGIS 計算得到的溫度平均資 料加入圖 3 與圖 5 中，形成圖 4 與圖 6，目的是 為了觀察在季節轉換中是否地表溫度與車禍發 生次數的關聯有規律的變化，但觀察目前較無規 律性，即圖 4 與圖 6 之趨勢呈現不同樣態。此可 能代表尚有其他未能考量的因子，在不同季節以 不同強度影響車禍，故造成雖然大部分的迴歸模 式皆達顯著 (即 p 值小於 0.01)，不同時間段地表 溫度的係數大小卻不一樣之情形。然而雖然係數 大小不同，係數值皆為正值，代表地表溫度與車 禍次數呈現穩定之正相關。
表 4 民國 106 年 10 至 12 月卜瓦松迴歸分析結果表
表 5 民國 107 年 10 至 12 月卜瓦松迴歸分析結果表
圖 3 民國 106 年 10-12 月平均十天每上升 1 度車禍發生次數估計值
圖 4 民國 106 年 10-12 月平均十天每上升 1 度車禍發生次數估計值 (與溫度套疊)
圖 5 民國 107 年 10-12 月平均十天每上升 1 度車禍發生次數估計值
圖 6 民國 107 年 10-12 月平均十天每上升 1 度車禍發生次數估計值 (與溫度套疊)
5. 結論與建議
本研究共使用兩種方式進行分析，從空間與 時間兩種方式切入，使用了包含 ArcGIS、GeoDA 與 SPSS 等空間資訊分析軟體以及統計分析計算 軟體，發現不管在空間上或是時間上，地表溫度 的上升與車禍發生率都有關係，而與道路 RA 值 則較為缺少顯著資料。
從空間上來看，經由雙變數空間自相關分析 後發現，車禍發生率與地表溫度有高度相關的地 方主要集中在東區、西區、南區、北區及中區等 五區，而呈不相關或低度相關的地方則在西屯區、
南屯區與北屯區等三區；呈現高相關性的地方與 低相關性的地方比較起來，呈高度相關性的地區 屬於早期發展區，呈低相關性的地區屬於行政機 關遷移後才開始開發的地區，從 Google Earth Pro 回溯兩地於 106 年 10-12 月與 107 年 10-12 月的 衛星影像資料，兩地區的綠覆率比較起來發現呈 低相關性的地方綠覆率遠高於呈現高相關性的 地區；而兩地區的道路設計也不相同，呈高度相 關性的地區屬於早期都市發展地區，道路為棋盤 格狀分布，呈低度相關性的地區屬於行政機關遷 移後現在正在開發的地區道路則呈散布狀。
再檢視雙變數空間自相關中道路 RA 值與車 禍發生的關係，發現臺灣大道中港交流道路段在 1000 m 網格尺度下有多次的 H-H 結果出現，當 地雖然在 RA 值中屬於交通整合程度較好的地區，
卻也造成在空間上易於發生車禍的結果。
從時間上來看，經卜瓦松迴歸分析後發現，
不管在 106 年 10-12 月還是 107 年 10-12 月，經 卜瓦松迴歸分析的結果，地表溫度的變化與車禍 發生率呈正相關，意思就是只要地表溫度有上升 就會導致車禍發生的上升，平均每 10 天只要上 升一度就有最低 0.856 起到最高 2.828 起車禍發 生的可能性，且不管空間單元為 1000 m × 1000 m、1500 m × 1500 m 或 2000 m × 2000 m，皆呈 正相關，且數據除了一筆資料過少計算後為 0 以 及一筆資料的 p 值大於 0.05，為不顯著外其餘資
料 p 值接小於 0.05 為顯著資料；而卜瓦松迴歸分 析中道路 RA 值對於車禍發生的分析只有少數顯 著結果產生，因此相比較之下地表溫度對於車禍 發生的影響程度遠高於道路 RA 值對車禍發生的 影響。
由於研究後發現地表溫度與車禍發生呈正 相關，因此建議市警局可以於較炎熱的時段往空 間分布呈熱區的東區、西區、南區、北區以及中 區等五區加派人手，政府也可以檢視是否需增加 該地區的綠覆率，利用植被可以降低環境溫度的 特性，減少地表溫度升高所導致的車禍發生率，
而道路型態方面則可以檢視臺灣大道中港交流 道路段是否需加強交通整理勤務人員指派或進 行道路型態的改善作業。
誌謝
本 文 作 者感 謝 科 技部 計 畫 (計 畫 編號 ： MOST-108-2813-C-035-091-M 及 109-2121-M- 035 -002) 補助研究經費。
參考文獻
何佳薇，2011。臺中地區土地利用變化於熱島效 應之研究，碩士論文，逢甲大學土地管理學 系。[Ho, C.W., 2011. The study of Taichung area land use change on heat island effect, Master Thesis, Feng Chia University, Taiwan, ROC. (in Chinese) ]
林炯明，2010。都市熱島效應之影響及其環境意 涵，環境與生態學報，3(1)：1-15。[Lin, C.M., 2010. The influence and environmental meaning of urban heat island effect, Journal of Ecology and Environmental Sciences, 3(1): 1- 15. (in Chinese) ]
吳振發、詹士樑，2003。常態化差異植生指數應 用於都市綠地品質管制之探討，臺灣土地研 究，6(2)：17-42。[Wu, C.F., and Chan, S.L., 2003. Normalized difference vegetation index approach for monitoring urban green space
quality, Journal of Taiwan Land Research, 6(2):
17-42. (in Chinese) ]
Anselin, L., and Smirnov, I.S.O., 2002. Visualizing multivariate spatial correlation with dynamically linked windows, University of California, Santa Barbara. (CD-ROM), 61801.
Anselin, L., 2005. Exploring spatial data with GeoDaTM: A workbook, Center for Spatially Integrated Social Science.
Basagaña, X., Escalera-Antezana, J.P., Dadvand, P., Llatje, Ò., Barrera-Gómez, J., Cunillera, J., Medina-Ramón, M., and Pérez, K., 2015. High ambient temperatures and risk of motor vehicle crashes in Catalonia, Spain (2000–2011): A time-series analysis, Environmental Health Perspectives, 123(12): 1309-1316.
Daanen, H.A.M., van de Vliert, E., and Huang, X., 2003. Driving performance in cold, warm, and thermoneutral environments, Applied Ergonomics, 34(6): 597-602.
Frome, E.L., 1983. The analysis of rates using Poisson regression models, Biometrics, 665- 674.
Hermans, E., Brijs, T., Stiers, T., and Offermans, C.,
2006. The impact of weather conditions on road safety investigated on an hourly basis, In Proceedings of the 85th Transportation Research Board (TRB) Annual Meeting, Washington, DC, USA.
Obeidat, B., Alhashimi, I., and Tawalbeh, S., 2017.
Urban grid and traffic safety: Using space syntax as an assessment tool, In Proceedings of the 11th Space Syntax Symposium., Lisbon, Portugal, pp. 99.1-99.9.
Rad, E.H., Yousefzadeh-Chabok, S., Mohtasham- Amiri, Z., Khodadadi-Hasankiadeh, N., Davoudi-Kiakalayeh, A., Kouchakinezhad- Eramsadati, L., and Reihanian, A., 2018.
Traumatic and nontraumatic driving accidents due to dry spells in northern Iran: A time series analysis, Weather, Climate, and Society, 10(4):
723-730.
Yannis, G., and Karlaftis, M.G., 2010. Weather effects on daily traffic accidents and fatalities:
A time series count data approach, In Proceedings of the 89th Annual Meeting of the Transportation Research Board., Washington, DC, USA, pp. 10-14.
1 Bachelor, Department of the Urban Planning and Spatial Information,Feng Chia University Received Date: Sep. 29, 2020
2 Associate Professor, Department of Urban Planning and Spatial Information, Revised Date: Dec. 01, 2020
Feng Chia University Accepted Date: Dec. 21, 2020
* Corresponding Author, Tel: 886-4-24517250 ext.3355, E-mail: [email protected]
A Study on the Correlation between Car Accidents and Urban Surface Temperature
Hui-Tzu Liu
1Yi-Shiang Shiu
2*Abstract
This study analyzed the relationship between the environmental temperature and the number of car accidents from the perspectives of space and time. The environmental temperature was retrieved by satellite images and the car accident records were based on the open data provided by the government open data platform. After sorting out the location data, three grid cells of different sizes were used to calculate the average surface temperature of the city and the number of car accidents. In order to confirm whether other factors are also related to the occurrence of car accidents, we added index related to road types, and analyzed relative asymmetry (RA) indicators through the concept of space syntax using road network diagrams to calculate the integration of the road. After the above pre-processing was completed, the bivariate local indicators of spatial association (BiLISA) and Poisson regression were used to analyze the spatial and non-spatial correlations between the surface temperature and the RA value and the number of accidents. The results help us to clarify whether there is a correlation between the location of the car accident and the urban surface temperature or road pattern. The results showed that both BiLISA and Poisson regression proved that the number of car accidents is positively correlated with the surface temperature, which can be provided to urban planning and local police units for future comprehensive review, urban design, car accident prevention, city appearance arrangement and traffic law enforcement etc. as the reference.
