本文已改寫為期刊論文投稿。參見康心宥、郭恩佳、邵軒磊、黃詩淳，〈初探車禍判決中法院認定之過失比例之因素〉，預定刊登於月旦法學雜誌，305期，頁數未定（2020年10月）。

1 摘要

「車禍」的當事人常因損害賠償問題而付出各種金錢、時間成本甚至情緒負擔。法院如何認定車禍中原告與有過失之比例，並無公開標準。因此本文針對當事人未受傷或死亡的純粹財損型「小車禍」，探討何種情狀與法院認定過失比例相關。具體言之，本文的分析資料為臺灣臺北地方法院近二年之車禍相關之第一審民事判決書，且涉及民法第217條與有過失之事件。在此114件小車禍判決中，被告過失比例約在60%左右，而法官最常判定的被告過失比例則是50%。經由法律資料分析之迴歸方法，發現「原告有路權」、「鑑定意見對被告過失之認定」與法院認定之過失比例呈現顯著相關，而職業駕駛人雖有若干「劣勢」，但不及相關。

2 理論初探與問題所在

隨著科技的發展，動力交通領域已是現代社會中不可或缺的一部分，在此領域中最為常見的法律相關爭議之一即是由車禍所衍生出的侵權行為損害賠償事件或過失傷害刑事案件。在一場交通事故發生後的法律相關流程如下：當事人應通知警方至肇事現場處理後，警方會將現場的有關跡證送回作分析，並製作雙方的詢問筆錄以及「道路交通事故初步分析研判表」，其上會記載「當事人可能之肇事原因（違規事實）」，以作為釐清雙方法律責任之初步依據 1 。若是對於警察機關所為「肇事原因」初步研判，認為尚有待釐清肇事責任的事項，則須申請行車事故鑑定機構鑑定。

目前原則上是由交通部公路總局各區或直轄市政府「車輛行車事故鑑定委員會」依交通部所發布「車輛行車事故鑑定及覆議作業辦法」進行鑑定。依照該辦法第8條，鑑定報告應記載「肇事經過」、「肇事分析」及「鑑定意見」，肇事分析是針對車禍當時之道路、號誌及天候狀況、駕駛行為、佐證資料、路權歸屬以及法規依據等逐一說明，鑑定意見則可分為下列幾種：1.雙方當事人僅一方有過失者，以「為肇事原因」表示。2.雙方均有過失，且過失程度相同者，以「同為肇事原因」表示。3.雙方均有過失，但過失程度不同者，較重一方以「為肇事主因」表示；較輕一方依次以「肇事次因」、「亦有過失」、「亦有疏忽」、「稍有疏忽」表示 2 。所謂「肇事原因」，依照內政部警政署發布之「道路交通事故處理規範」第2點第12款，係指「與交通事故之發生有客觀上相當因果關係之原因、行為或事實。」而當中之相當因果關係指依經驗法則，綜合行為當時所存在之一切事實，為客觀之事後審查，認為在一般情形下，有此環境、有此行為之同一條件，均可發生同一之結果者，則該條件即為發生結果之相當條件，行為與結果即有相當之因果關係。此外，「路權」的概念不僅是近年學說用來判斷責任認定的依據，也在行車事故鑑定實務中，被廣泛運用 3 ，作為由規範面去探求肇事原因的判斷依據 4 之一。

最後，若案件進入民事訴訟程序，則法院會參考當事人的主張、道路交通事故初步分析研判表、鑑定意見等各項事實，綜合判斷在個案中各項事實究竟對於最終發生的損害結果是否有相當因果關係，若原告的行為對最終損害的發生或擴大與有過失的情形，則法院所得出被告應賠償的比例會有所降低。此與有過失理論雖向來為學說及實務所承認，但因為車禍的型態千變萬化，故少有學說進一步討論如何判定個案中雙方的過失比例，只能委諸實務發展。然而，法院在判決中雖述及「揆諸上開說明，兼衡雙方車輛肇事情節、過失程度輕重」後直接判定被告過失比例為若干百分比，幾乎少有說明其為何得出該比例。故在法院得出心證的判斷過程中，究竟那些因素是較為關鍵、會影響到最終結果的，往往不得而知，在本報告之前，也未發現學界有針對判斷過程及結果有相關的實證研究與分析，因此本研究擬透過數位人文學課堂上所學習到的研究方法，包含迴歸分析、決策樹模型及主成分分析的方法，探索出法院所主要參考的因素為何與各因素所占比重多寡，並據此建構法院綜覽事實後的判斷模型。

3 資料來源

本報告的目的在探究法院在判斷車禍案件中雙方過失比例時，主要的決定性因素為何，因此，本報告的分析對象是車禍案件中有涉及到被害人與有過失的裁判。如同前述，在我國法院中，車禍的案件數量相當多，因此裁判的數量也十分可觀，故本報告將範圍縮小至臺灣臺北地方法院兩年來的民事裁判。為蒐集這些判決，本報告使用法源法律網之裁判書查詢系統查詢民國107年1月1日至108年10月18日共接近兩年期間的第一審裁判。

本報告使用之關鍵字為在「裁判主文」欄位「-上訴」來排除在地方法院簡易庭上訴至合議庭的第二審案件，並在「法院心證」欄位輸入「(車禍+交通事故)&(民法第217+過失比例)」，涵蓋了車禍案件法院可能以車禍或交通事故稱呼的情形，以及在案件中或有直接引用民法第217條或為引用此法條，但有在裁判中判斷雙方過失比例的情形。

在此搜尋條件下共有208則判決，並經由人工編碼，參考「道路交通事故初步分析研判表」之記載內容即上述鑑定報告書中「肇事分析」的內容將判決所提及的原被告行為態樣、天候情形、路況情形(ex:路面坑洞、積水、塞車)、車禍是否發生在高速公路上，並加上原被告傷重程度、原被告駕駛車輛種類、原被告是否擁有路權及個案中是否有鑑定意見分別編上0或1的變數，在編碼過程中，並剔除其中非涉及原被告雙方過失比例的案件，如連帶債務人間的比例分擔、三人間的過失比例分配等，最終共收錄了183件判決作為本報告分析的基礎。

本報告所用中英編碼對照表如下:

中英文編碼對照表
中文 英文 說明
原告 p
被告 d
被告有無違反號誌 dsign 有1無0
被告有無超速 doverspeed 有1無0
被告有無逆向行駛 dagainst 有1無0
被告是否酒駕 ddrunk 是1否0
被告是否違規停車 dpark 違規1合法/不涉及0
被告是否違規佔用車道(右轉、左轉、公車道) doccupy 有1無0
被告是否違規在行人穿越道迴轉 duturnsidewalk 是1否0
被告是否無照駕駛 dunlicenced 是1否0
被告是否違規跨越雙線迴轉 duturndoubleline 是1否0
被告是否未減速慢行 dnotslow 沒減速1有減速0
被告有無起駛疏忽 dstartneg 有1無0
被告有無倒車疏忽 dbackneg 有1無0
被告有無變換行向疏忽 dturnneg 有1無0
被告是否未讓主幹道先行 dyieldmain 未讓1有讓/無判斷0
被告轉彎、迴轉是否未讓直行車先行 dyieldstraight 未讓1有讓0
被告是否開車門未注意 dopenneg 未注意1有注意0
被告是否未注意車前狀況 dfrontneg 未注意1有注意0
被告是否未注意行人、未禮讓行人先行 dyieldped 未注意1有注意0
被告是否會車不慎 dpassneg 是1否0
被告是否夜間行駛無燈光設備 dnightlight 無設備1有設備0
被告是否未行走行人穿越道而貿然穿越車道 dpedcross 未行走1有行走0
被告是否應顯示而未顯示方向燈 ddirectlight 未顯示1有顯示0
被告是否未保持行車安全距離 ddistance 未保持1有保持0
被告是否後車廂門未確實關妥致脫落 dcloseneg 未關閉1有關閉0
原告有無違反號誌 psign 有1無0
原告有無超速 poverspeed 有1無0
原告有無逆向行駛 pagainst 有1無0
原告是否酒駕 pdrunk 是1否0
原告是否違規停車 ppark 是1否0
原告是否違規佔用車道(右轉、左轉、公車道) poccupy 有1無0
原告是否越級駕駛大型重型機車 punlicenced 是1否0
原告是否未減速慢行 pnotslow 沒減速1有減速0
原告有無起駛疏忽 pstartneg 有1無0
原告有無倒車疏忽 pbackneg 有1無0
原告有無變換行向疏忽 pturnneg 有1無0
原告是否未讓主幹道先行 pyieldmain 未讓1有讓/無判斷0
原告是否開車門未注意 popenneg 未注意1有注意0
原告是否未注意車前狀況 pfrontneg 未注意1有注意0
原告是否會車不慎 ppassneg 是1否0
原告是否未保持行車安全距離 pdistance 未保持1有保持0
原告是否未顯示方向燈或煞車燈 pdirectlight 未顯示1有顯示0
原告是否夜間行駛無燈光設備 pnightlight 無設備1有設備0
原告是否於未劃分向標線路段未靠右行駛 pnotright 未靠右1有靠右0
原告是否不依停車再開標示指示行駛 pstop 不依1有依0
被告是否為職業駕駛員 djob 是1否0
被告是否為大型車 dbigcar 是1否0
被告是否為小型車 dsmallcar 是1否0
被告是否為機慢車 dmotorbike 是1否0
被告是否為行人 dped 是1否0
被告車種 dcar 大型車4小型車3機慢車2行人1
原告是否為職業駕駛員 pjob 是1否0
原告是否為大型車 pbigcar 是1否0
原告是否為小型車 psmallcar 是1否0
原告是否為機慢車 pmotorbike 是1否0
原告是否為行人 pped 是1否0
原告車種 pcar 大型車4小型車3機慢車2行人1
被告是否死亡 ddead 是1否0
被告是否重傷 dserious 是1否0
被告是否輕傷 dminor 是1否0
被告是否沒有受傷 dgreat 是1否0
被告傷情 dinjure 死亡3重傷2輕傷1沒有受傷0
原告是否死亡 pdead 是1否0
原告是否重傷 pserious 是1否0
原告是否輕傷 pminor 是1否0
原告是否沒有受傷 pgreat 是1否0
原告傷情 pinjure 死亡3重傷2輕傷1沒有受傷0
是否天候不佳 weather 不佳1佳0
是否路況不佳(路面坑洞、積水、塞車) traffics 不佳1佳0
是否在高速公路上 freeway 是1否0
路權 right 原告1被告-1無法判定0
原告有路權 prightyes 是1否0
無法判定原告路權 prightunk 是1否0
原告無路權 prightno 是1否0
兩造是否不爭執過失比例 nofaultissue 不爭執1爭執0
鑑定意見是否判定被告過失多 dexpfaultmore 是1否0
鑑定意見是否判定原告過失多 dexpfaultless 是1否0
鑑定意見是否無偏好 dexpfaulthalf 無偏好1有偏好0
鑑定意見是否判定被告全責 dexpfaultall 是1否0
是否無鑑定意見 noexpert 沒有1有0
鑑定意見 dexpfault 被告全責4被告多3無偏好2原告多1無0
過失比例(被告應負責比例) dfault 百分比
被告作為 dacts 是1否0
被告不作為 domissions 是1否0
原告作為 pacts 是1否0
原告不作為 pomissions 是1否0

4 資料分析

4.1 車禍造成之被害人損害

由下表可見，在183個觀察值中，被害人（原告）死亡者有8件，重傷10件，輕傷51件，無傷之情形114件。
p harm
frequency percentage(%)
pdead 8 4.37
pserious 10 5.46
pminor 51 27.87
pgreat 114 62.30

一般人會關心「原告受傷了是否會獲得更多的賠償」，不禁令人懷疑「原告受了傷是否會讓被告過失比例變大（原告與有過失變小）」，故我們先利用迴歸觀察原告方面的損害對過失比例的影響。因一案件只會屬於pdead、pserious、pminor、pgreat）其中一類，為避免完全共線性之問題，我們只先加入了三個變數，略去pgreat，得迴歸分析如下:

model_pharm
  dfault
Predictors Estimates std. Error Statistic p
(Intercept) 62.19 *** 1.94 32.02 <0.001
pdead -0.94 7.58 -0.12 0.901
pserious 13.81 * 6.84 2.02 0.045
pminor 4.15 3.49 1.19 0.236
Observations 183
R2 / R2 adjusted 0.027 / 0.011
  • p<0.05   ** p<0.01   *** p<0.001

因為略去之變項為pgreat，因此各變項之係數即為各自與pgreat的差別。例如，被害人若為重傷，被告過失比例比起被害人無傷的情況，將增加13.81%；而被害人若是死亡，被告的過失比例相較於被害人無傷之情形，則沒有特別顯著的差別。

此一模型中僅有pserious是顯著的，所以我們可以說，相較於被害人無傷也就是純粹財損的「小車禍」的情形，「被害人重傷」在法院認定雙方過失時，可能對被害人比較有利。也因為發現了此一現象，本文認為法院在被害人受有人身損害時，對過失比例的認定方式或考量要素可能與僅有財損的狀況不同，從而，以下僅就件數最多的pgreat亦即被害人無傷之114件判決做檢討。

4.2 敘述統計

4.2.1 行為態樣

由於本資料係由虛擬變數組成(即除被告過失比例外，各變數之資料均由0或1組成)，因此我們關心究竟於114件案件中，有多少案件符合各變數而被標記為1。以被告行為態樣為例:

d behavior
frequency percentage(%)
dfrontneg 28 24.56
dturnneg 24 21.05
ddistance 24 21.05
dstartneg 12 10.53
dbackneg 12 10.53
dyieldstraight 12 10.53
dnotslow 6 5.26
dyieldmain 5 4.39
dpark 4 3.51
dsign 3 2.63
dagainst 3 2.63
dunlicenced 3 2.63
doccupy 2 1.75
dopenneg 2 1.75
dpassneg 2 1.75
ddirectlight 2 1.75
doverspeed 1 0.88
duturndoubleline 1 0.88
dnightlight 1 0.88
dpedcross 1 0.88
dcloseneg 1 0.88
ddrunk 0 0.00
duturnsidewalk 0 0.00
dyieldped 0 0.00

如此一來，我們已從82個變數中取出有關被告行為態樣之變數，並且計算其案件量。我們可以發現被告行為態樣中，以“未注意車前狀況(dfrontneg)”以及“變換行向疏忽(dturnneg)”佔了大宗。為了近一步可視化其間差異，我們將案件量與變數畫成長條圖:

同樣地，我們繼續觀察其他變數。如下所示，原告行為態樣方面，則以“違規停車(ppark)”、“未注意前車狀況(pfrontneg)”、“變換行向疏忽(pturnneg)”以及“未保持安全距離(pdistance)”四者為大宗。

p behavior
frequency percentage(%)
ppark 26 22.81
pfrontneg 26 22.81
pturnneg 16 14.04
pdistance 15 13.16
pnotslow 12 10.53
poverspeed 6 5.26
pagainst 6 5.26
pyieldmain 4 3.51
pbackneg 3 2.63
poccupy 2 1.75
pstartneg 2 1.75
pdirectlight 2 1.75
ppassneg 1 0.88
pnotright 1 0.88
pstop 1 0.88
psign 0 0.00
pdrunk 0 0.00
punlicenced 0 0.00
popenneg 0 0.00
pnightlight 0 0.00

4.2.2 其他變數類別

除了行為態樣外，我們將變數分為“被告的傷重情況”、“交通工具”、“職業駕駛員”、“鑑定意見”、“其他”等五類，並分別執行上述步驟。

d trans
frequency percentage(%)
dsmallcar 97 85.09
dmotorbike 10 8.77
dbigcar 6 5.26
dped 1 0.88
p trans
frequency percentage(%)
psmallcar 107 93.86
pmotorbike 4 3.51
pbigcar 3 2.63
pped 0 0.00
d harm
frequency percentage(%)
dgreat 114 100
ddead 0 0
dserious 0 0
dminor 0 0
job
frequency
djob 30
pjob 17
expert
frequency percentage(%)
noexpert 102 89.47
dexpfaultmore 4 3.51
dexpfaulthalf 3 2.63
dexpfaultall 3 2.63
dexpfaultless 2 1.75
p right
frequency percentage(%)
prightunk 78 68.42
prightyes 28 24.56
prightno 8 7.02
others
frequency
nofaultissue 3
weather 2
freeway 2
traffics 0

其中值得注意者有:

1.多數案件中原被告皆以小客貨車為主。有一個案件之被告為行人，多係因其胡亂穿越馬路導致車輛閃避不及而導致車禍。

2.在我們將焦點關注在原告無傷的案件之後，被告方面傷亡情形也僅剩無傷。

3.被告為職業駕駛者約為原告之兩倍。

4.多數案件並未送請鑑定，而送請鑑定之案件中判定被告過失多者較多。

5.多數案件中原告方面是否有路權並無法從判決中得知，或者該次車禍情事不涉及路權判斷。

6.其餘變數如“天氣不佳(weather)”、“路況不佳(traffics)”、“高速公路(freeway)”、“未爭執過失比例(nofaultissue)”等案件數量甚少。

以上變數之長條圖，分示如下:

4.2.3 被告過失比例

最後尚未呈現之變數為被告過失之比例，也就是所有案件之最後判斷結果。由於我們以數值資料呈現過失比例，因此我們除統計各過失比例之案件量外，也可以計算其平均、變異數、中位數等基本統計量。由下表可知，被告過失比例平均在62%左右，法官最常判定的過失比例依眾數所示為50:50。而被告過失比例最少也可能只有20%，亦即原告反而為過失較多之一方，相當特別。

dfault(%) 20 30 40 50 60 70 80 90 100
frequency 3 7 2 35 13 32 11 1 10
percentage(%) 2.63 6.14 1.75 30.70 11.40 28.07 9.65 0.88 8.77
Basic Statistics of dfault
value
mean 62.19
sd 18.66
min 20
quantile1 50
median 60
quantile3 70
max 100
mode 50

4.3 迴歸

在大致了解各變數之特性後，我們關心何種變數對於過失比例有較顯著之貢獻?亦即有何項變數存在時，被告過失比例將上升或下降以及其幅度為何呢?方法上，我們用迴歸即可得出答案。分示如下:

4.3.1 預測

首先，我們先把全部變數(除無觀察值者外)皆丟入，試算模型之契合度。為避免統計上共線性之問題，在“交通工具”、“原告是否有路權”、“鑑定”等幾類變數上我們各皆略去其一。

model_predict
  dfault
Predictors Estimates std. Error Statistic p
(Intercept) 70.70 *** 14.72 4.80 <0.001
dsign 8.64 11.11 0.78 0.440
doverspeed 0.33 23.64 0.01 0.989
dagainst 33.53 * 13.19 2.54 0.013
dpark -6.97 10.19 -0.68 0.496
doccupy 9.86 12.83 0.77 0.445
dunlicenced 14.14 10.06 1.41 0.165
duturndoubleline 14.33 18.61 0.77 0.444
dnotslow -22.05 * 9.49 -2.32 0.023
dstartneg 12.76 7.03 1.82 0.074
dbackneg 13.26 8.11 1.64 0.107
dturnneg 8.70 6.39 1.36 0.178
dyieldmain -9.97 12.08 -0.83 0.412
dyieldstraight 0.61 9.20 0.07 0.948
dopenneg 27.10 * 11.94 2.27 0.027
dfrontneg 12.16 * 5.92 2.05 0.044
dpassneg 6.05 14.88 0.41 0.686
dnightlight 11.11 22.90 0.48 0.629
dpedcross -15.89 25.91 -0.61 0.542
ddirectlight 5.75 11.68 0.49 0.624
ddistance -1.89 4.78 -0.39 0.694
dcloseneg 18.21 15.79 1.15 0.253
poverspeed -22.68 * 9.23 -2.46 0.017
pagainst -23.32 ** 8.34 -2.80 0.007
ppark -21.11 ** 6.29 -3.36 0.001
poccupy -7.58 13.54 -0.56 0.578
pnotslow -6.43 6.79 -0.95 0.347
pstartneg -32.67 * 15.68 -2.08 0.041
pbackneg -25.22 * 12.37 -2.04 0.046
pturnneg -29.02 *** 6.31 -4.60 <0.001
pyieldmain -20.64 13.70 -1.51 0.137
pfrontneg -15.36 ** 5.21 -2.95 0.004
ppassneg -28.95 21.21 -1.37 0.177
pdistance -21.77 ** 6.59 -3.30 0.002
pdirectlight -35.20 ** 13.14 -2.68 0.009
pnotright -27.48 16.76 -1.64 0.106
pstop -44.21 22.81 -1.94 0.057
dbigcar -3.34 9.93 -0.34 0.737
dsmallcar -8.99 6.37 -1.41 0.163
pbigcar 9.60 14.95 0.64 0.523
psmallcar 7.49 8.29 0.90 0.370
djob 2.42 4.08 0.59 0.555
pjob 2.74 5.53 0.49 0.622
weather 17.55 16.96 1.04 0.305
freeway 7.76 16.45 0.47 0.638
prightyes 5.51 13.03 0.42 0.674
prightunk 3.69 10.07 0.37 0.715
nofaultissue -7.19 11.56 -0.62 0.537
dexpfaultmore 11.86 8.75 1.35 0.180
dexpfaultless 3.48 18.22 0.19 0.849
dexpfaulthalf 6.04 11.27 0.54 0.594
dexpfaultall 7.41 9.30 0.80 0.429
Observations 114
R2 / R2 adjusted 0.686 / 0.428
  • p<0.05   ** p<0.01   *** p<0.001

我們可以發現，此模型R-Square=0.68，算是配適度相當高的模型。

但是，許多變數的係數十分古怪，例如dnotslow之係數為-22.05，也就是說當被告有超速情形時，其過失程度反而下降22.05%，直觀上相當不合理。這可能是因為加入太多變數，形成大雜燴的關係。若欲進一步解析各個變數對於過失比例的影響大小，我們應該嘗試放入較少的變數，分別觀察其係數大小以及顯著與否。我們關心不同變數類別間對於法院而言是否具有不同的重要性。以下將分別依類別將變數丟入模型中，看看係數大小以及顯著性。

4.3.2 交通工具

首先是被告方面。因為完全共線性之故，我們只先放入dbigcar、dsmallcar、dmotorbike等三個變數:

model_dtrans
  dfault
Predictors Estimates std. Error Statistic p
(Intercept) 70.00 *** 18.46 3.79 <0.001
dbigcar -10.00 19.93 -0.50 0.617
dsmallcar -9.07 18.55 -0.49 0.626
dmotorbike 5.00 19.36 0.26 0.797
Observations 114
R2 / R2 adjusted 0.048 / 0.022
  • p<0.05   ** p<0.01   *** p<0.001

若被告駕駛者為大車，其過失程度依常理為斷應較高，但迴歸結果卻完全相反。若只比較被告有交通工具與否，我們可得:

model_dtrans_revise
  dfault
Predictors Estimates std. Error Statistic p
(Intercept) 62.12 *** 1.76 35.26 <0.001
dped 7.88 18.81 0.42 0.676
Observations 114
R2 / R2 adjusted 0.002 / -0.007
  • p<0.05   ** p<0.01   *** p<0.001

我們亦得到一個背離常理的結果: 若被告為行人，其過失程度反而增加7.88%。圖示如下:

再來是原告方面。同樣地，因為完全共線性和pped並無案件之故，我們只先放入pbigcar、psmallcar等兩個變數:

model_ptrans
  dfault
Predictors Estimates std. Error Statistic p
(Intercept) 57.50 *** 9.38 6.13 <0.001
pbigcar 12.50 14.33 0.87 0.385
psmallcar 4.65 9.56 0.49 0.628
Observations 114
R2 / R2 adjusted 0.007 / -0.011
  • p<0.05   ** p<0.01   *** p<0.001

結果顯示與原告騎乘機慢車時比較，騎乘交通工具之原告反而使被告過失程度反而較大，與常理想像相反。交通工具就現有案件來看，也並無明顯影響法院心證之趨勢。

4.3.3 職業駕駛人

車禍案件中，亦有一部分案件係由職業駕駛人肇事所致。正常而言，職業駕駛人被賦予較高之注意義務，若發生肇事，應負擔較高之過失比例。我們以原被告職業駕駛人兩變數進行迴歸:

model_pjob,model_djob,model_pdjob
  dfault dfault dfault
Predictors Estimates Estimates Estimates
(Intercept) 62.06 ***
(1.90) 		61.55 ***
(2.04) 		61.49 ***
(2.14)
pjob 0.88
(4.93) 		0.46
(4.99)
djob 2.45
(3.98) 		2.40
(4.04)
Observations 114 114 114
R2 / R2 adjusted 0.000 / -0.009 0.003 / -0.006 0.003 / -0.015
  • p<0.05   ** p<0.01   *** p<0.001

從結果而言，無論原告或被告為職業駕駛人，均會使被告的過失程度上升。就被告方面而言這十分合理，但就原告而言則不無疑問。係數於統計上亦無顯著。職業駕駛人就現有數據而言亦無影響法院心證之趨勢。

4.3.4 路權

若原告擁有路權，被告過失比例應相較原告無路權時還大。因為有些案件並無明顯路權優先列後之關係，故設有一變數為“無法判定路權”。一案件若非原告有路權、原告無路權，即屬無法判定路權，因此三變數又構成完全共線性，迴歸時我們只略去原告無路權之情形:

model_right
  dfault
Predictors Estimates std. Error Statistic p
(Intercept) 33.75 *** 6.04 5.59 <0.001
prightyes 31.61 *** 6.84 4.62 <0.001
prightunk 30.22 *** 6.34 4.77 <0.001
Observations 114
R2 / R2 adjusted 0.178 / 0.163
  • p<0.05   ** p<0.01   *** p<0.001

結果相當地漂亮: 若原告有路權，被告過失比例將比原告無路權時多出31.61%；縱使為無法判定路權之情形，被告過失比例亦比原告無路權時多出30.22%。兩係數皆具顯著性，顯然路權對於法院而言係為一項重要考量，法院若認定原告有路權，在過失比例上將對被告產生相當不利的結果。

4.3.5 鑑定

鑑定意見通常會作為法院之考量因素之一。一案件僅會有鑑定被告過失多、鑑定被告過失少、鑑定兩方過失相同、鑑定被告全責、以及無鑑定之情形，構成完全共線性之關係。因此，在迴歸時，我們僅放入前四項變數:

model_expert
  dfault
Predictors Estimates std. Error Statistic p
(Intercept) 62.94 *** 1.77 35.58 <0.001
dexpfaultmore 2.06 9.11 0.23 0.822
dexpfaultless -37.94 ** 12.76 -2.97 0.004
dexpfaulthalf -19.61 10.47 -1.87 0.064
dexpfaultall 13.73 10.47 1.31 0.193
Observations 114
R2 / R2 adjusted 0.116 / 0.083
  • p<0.05   ** p<0.01   *** p<0.001

當鑑定意見是「被告過失較多」時，較之無鑑定之情形，被告過失比例上升2.06%；當鑑定意見是「被告過失較少」時，被告過失比例大幅下降37.94%，且具有顯著性。當鑑定意見為「雙方責任相同」與「被告負全責」時，被告過失比例則分別下降19.61%以及上升13.73%。雖然某些變項不具有顯著性，但由其係數正負號以及數值應可得出鑑定意見相當程度左右法院之結論。

4.3.6 行為態樣

由於行為態樣變數眾多，之前大雜燴的經驗已經告訴我們全部直接丟入並無法得到容易判讀的結果。因此，我們設想也許在法官判斷一項行為是否影響過失比例時，會依照一項行為是積極違反交通法規(acts)或消極違反交通法規(omissions)所致，依常理為斷，若是積極違反者當比消極違反者負擔較大的過失比例。依照這個想法，我們將所有行為態樣區分如下:

classification
items
dacts dsign doverspeed dagainst ddrunk dpark doccupy duturnsidewalk dunlicenced duturndoubleline
domissions dnotslow dstartneg dbackneg dturnneg dyieldmain dyieldstraight dopenneg dfrontneg dyieldped dpassneg dnightlight dpedcross ddirectlight ddistance dcloseneg
pacts psign poverspeed pagainst pdrunk ppark poccupy punlicenced
pomissions pnotslow pstartneg pbackneg pturnneg pyieldmain popenneg pfrontneg ppassneg pdistance pdirectlight pnightlight pnotright pstop

並且觀察其次數分布:

pdactsomissions
frequency
dacts 16
domissions 107
pacts 39
pomissions 68

在這樣的分類下，無論被告或原告，消極違規之案件量均比積極違規還要多。

先以被告方面進行迴歸。由於一個案件中可能同時積極違規又消極違規，故兩變數之間並無完全共線性之關係，得同時成為自變數:

model_dacts,model_domissions,model_dactsomissions
  dfault dfault dfault
Predictors Estimates Estimates Estimates
(Intercept) 62.35 ***
(1.89) 		58.57 ***
(7.08) 		57.59 ***
(9.66)
dacts -1.10
(5.05) 		0.99
(6.55)
domissions 3.86
(7.30) 		4.76
(9.48)
Observations 114 114 114
R2 / R2 adjusted 0.000 / -0.009 0.002 / -0.006 0.003 / -0.015
  • p<0.05   ** p<0.01   *** p<0.001

係數方面並無顯著，解釋起來也十分古怪，被告僅有消極違規時反而比積極違規負擔較多責任。

再來是原告方面:

model_pacts,model_pomissions,model_pactsomissions
  dfault dfault dfault
Predictors Estimates Estimates Estimates
(Intercept) 61.87 ***
(2.16) 		71.30 ***
(2.53) 		92.17 ***
(4.25)
pacts 0.95
(3.70) 		-26.66 ***
(4.62)
pomissions -15.27 ***
(3.27) 		-34.96 ***
(4.47)
Observations 114 114 114
R2 / R2 adjusted 0.001 / -0.008 0.163 / 0.155 0.356 / 0.344
  • p<0.05   ** p<0.01   *** p<0.001

我們看到無論原告是積極違規或消極違規，均降低被告過失的比例。換言之，相較於交通工具、傷重情況等其他類別變數而言，原告的行為似為決定整個過失判斷的重要考量。有趣的是，當原告僅有消極違規時，卻降低被告過失比例較多，這與我們先前的假設相反。是否是因為遺漏其他變數的關係呢?我們加入被告的行為同時迴歸:

model_pacts,model_pomissions,model_pactsomissions,model_pdactsomission
  dfault dfault dfault dfault
Predictors Estimates Estimates Estimates Estimates
(Intercept) 61.87 ***
(2.16) 		71.30 ***
(2.53) 		92.17 ***
(4.25) 		81.42 ***
(8.31)
pacts 0.95
(3.70) 		-26.66 ***
(4.62) 		-27.88 ***
(4.68)
pomissions -15.27 ***
(3.27) 		-34.96 ***
(4.47) 		-35.88 ***
(4.51)
dacts 6.76
(5.31)
domissions 11.46
(7.71)
Observations 114 114 114 114
R2 / R2 adjusted 0.001 / -0.008 0.163 / 0.155 0.356 / 0.344 0.370 / 0.346
  • p<0.05   ** p<0.01   *** p<0.001

我們看到此時原告消極違規所降低被告過失程度仍大於原告僅積極違規時。若再度加入其他類別的變數作為控制變數:

  dfault dfault dfault dfault dfault dfault dfault
Predictors Estimates Estimates Estimates Estimates Estimates Estimates Estimates
(Intercept) 81.42 ***
(8.31) 		87.60 ***
(19.02) 		56.50 ***
(9.22) 		81.43 ***
(8.08) 		87.60 ***
(19.02) 		52.89 **
(18.66) 		58.10 **
(19.17)
pacts -27.88 ***
(4.68) 		-26.53 ***
(4.69) 		-25.49 ***
(4.28) 		-26.42 ***
(4.68) 		-26.53 ***
(4.69) 		-24.17 ***
(4.28) 		-23.46 ***
(4.46)
pomissions -35.88 ***
(4.51) 		-34.84 ***
(4.52) 		-33.69 ***
(4.24) 		-34.13 ***
(4.46) 		-34.84 ***
(4.52) 		-32.55 ***
(4.23) 		-32.12 ***
(4.32)
dacts 6.76
(5.31) 		5.71
(5.49) 		4.60
(4.86) 		5.30
(5.18) 		5.71
(5.49) 		2.72
(5.03) 		2.60
(5.11)
domissions 11.46
(7.71) 		12.53
(7.84) 		13.11
(7.09) 		10.44
(7.49) 		12.53
(7.84) 		13.54
(7.20) 		13.03
(7.34)
pbigcar 14.90
(11.68) 		14.90
(11.68) 		14.93
(10.61) 		15.16
(10.67)
psmallcar 4.71
(7.89) 		4.71
(7.89) 		8.18
(7.20) 		7.86
(7.25)
dbigcar -16.97
(16.48) 		-16.97
(16.48) 		-4.53
(15.31) 		-5.84
(15.43)
dsmallcar -13.81
(15.11) 		-13.81
(15.11) 		-6.60
(13.90) 		-7.18
(14.02)
dmotorbike -3.20
(15.88) 		-3.20
(15.88) 		4.13
(14.64) 		3.78
(14.74)
prightyes 27.96 ***
(5.61) 		27.93 ***
(5.69) 		23.13 ***
(6.56)
prightunk 21.48 ***
(5.26) 		21.12 ***
(5.28) 		16.64 **
(6.14)
dexpfaultmore 5.94
(7.58) 		3.15
(7.34)
dexpfaultless -32.74 **
(10.48) 		-14.69
(11.34)
dexpfaulthalf -8.17
(8.73) 		-4.68
(8.39)
dexpfaultall 7.55
(8.65) 		7.47
(8.17)
Observations 114 114 114 114 114 114 114
R2 / R2 adjusted 0.370 / 0.346 0.407 / 0.356 0.488 / 0.460 0.435 / 0.392 0.407 / 0.356 0.520 / 0.469 0.534 / 0.463
  • p<0.05   ** p<0.01   *** p<0.001

我們可以發現無論如何加入控制變數，原告積極違規與消極違規所降低被告過失程度之比例始終有著5%左右之差距。究竟為什麼法院在判斷過失比例時，原告消極違規會比原告積極違規更具有可非難性，而使得法院會降低被告過失比例較多(亦即原告過失比例較多)呢?有待未來深入探究。

4.3.7 小結

藉由以上迴歸分析，我們首先得到一個用於普遍預測之模型，其配適度尚有0.68。再者，我們將不同類別的變數放入進行迴歸，發現除路權、鑑定意見、行為態樣之外，其他類別變數均無法得出合於邏輯之結果，似可認為法院並不認為這些不合邏輯之類別變數係屬重要而可得出一致性的判斷結果。而合於邏輯的變數中，又以原告的行為大幅影響被告過失比例之下降，其中原告消極違規時又使得被告過失比例下降得比原告係積極違規時還多，差距約為5%。究竟為何有此一結果，成為留待日後應予探討之議題。

4.4 決策樹

4.4.1 取樣

決策樹分析方法被視為一種迴歸分析的擴充方法，能從大量資料中，提取諸多變項中的關鍵因素，並找尋這些因素之間的關聯性。以決策樹方法進行資料探勘時，能描述「決策」選擇行為與結果分析，以每一個節點，作為一個選擇點，依照不同的選擇，會遇到不同的節點，以此來模擬人類作選擇的過程，並且最終依照選擇的分支導引到不同的結果5。 先將最後要判斷的結果「被告的過失比例」化為因素，並藉由隨機取樣將95%的資料作為訓練的樣本，另外5%做為測試樣本。

4.4.2 產生決策樹模型

將訓練樣本放入「ctree」函式中，產生決策樹模型:

## 
##   Conditional inference tree with 4 terminal nodes
## 
## Response:  dfault 
## Inputs:  dsign, doverspeed, dagainst, ddrunk, dpark, doccupy, duturnsidewalk, dunlicenced, duturndoubleline, dnotslow, dstartneg, dbackneg, dturnneg, dyieldmain, dyieldstraight, dopenneg, dfrontneg, dyieldped, dpassneg, dnightlight, dpedcross, ddirectlight, ddistance, dcloseneg, psign, poverspeed, pagainst, pdrunk, ppark, poccupy, punlicenced, pnotslow, pstartneg, pbackneg, pturnneg, pyieldmain, popenneg, pfrontneg, ppassneg, pdistance, pdirectlight, pnightlight, pnotright, pstop, dbigcar, dsmallcar, dmotorbike, dped, pbigcar, psmallcar, pmotorbike, pped, dgreat, pgreat, djob, pjob, weather, traffics, freeway, prightyes, prightunk, prightno, nofaultissue, dexpfaultmore, dexpfaultless, dexpfaulthalf, dexpfaultall, noexpert, title, pclaim, dclaim, nodispution, reason, dacts, domissions, pacts, pomissions, right 
## Number of observations:  108 
## 
## 1) prightno <= 0; criterion = 1, statistic = 856
##   2) pomissions <= 0; criterion = 0.98, statistic = 693
##     3) pacts <= 0; criterion = 1, statistic = 200
##       4)*  weights = 10 
##     3) pacts > 0
##       5)*  weights = 31 
##   2) pomissions > 0
##     6)*  weights = 59 
## 1) prightno > 0
##   7)*  weights = 8

4.4.3 預測

將測試資料帶入決策樹模型中，預測被告應負擔之過失比例

## [1] 70 70 50 50 70 70
## Levels: 20 30 40 50 60 70 80 90 100

4.4.4 比較和檢驗預測結果

比較資料原始的被告應負擔過失比例，和訓練後的決策樹模型之預測結果，並計算準確率:

##      
##       20 30 40 50 60 70 80 90 100
##   20   0  0  0  0  0  0  0  0   0
##   30   0  0  0  0  0  0  0  0   0
##   40   0  0  0  0  0  0  0  0   0
##   50   0  0  0  1  0  2  0  0   0
##   60   0  0  0  0  0  0  0  0   0
##   70   0  0  0  1  0  1  0  0   0
##   80   0  0  0  0  0  1  0  0   0
##   90   0  0  0  0  0  0  0  0   0
##   100  0  0  0  0  0  0  0  0   0
## [1] 0.3333333

4.4.5 小結

從決策樹分析的結果中可以發現，訓練後的模型其預測準確率大約只有33%左右，僅能預測約三分之一的案件，此較低的結果可能和變項過多，而樣本數較少有關，但從決策樹的分支情形觀察，可以分成4個主要的情形：若原告沒有路權，則被告的過失比例幾乎都分布在較低的區間。反之，在原告有路權或路權不明的情況下，被告的過失比例分布的數值較高。在當中，又可再區分為原告是否有消極違規或積極違規的行為，若兩者都不具備時，亦即原告並無任何違規情形時，則被告過失比例均為100%；不過，一如前面迴歸分析時面臨的疑問，在原告具有消極違規的情況下，被告的過失比例主要集中在50到70%之間，以50%為最大宗；反之，在原告僅有積極違規，而無消極違規的情形中，被告的過失比例雖亦集中在50到70%之間，卻是以70%為最大宗。

從這個結果中，可以觀察到前面文獻所提及現在實務對於「路權」概念的重視和廣泛運用。此外，決策樹中位於的分枝節點因素，亦顯示出了類型化後的行為，對於決策的判斷，較有區分作用，能成為選擇、判斷的基準，此或可作為後續相關對於法院判決研究的基礎。

4.5 主成分分析

4.5.1 計算主成分

前面在回歸分析中，因行為情狀與態樣多達40幾項，而樣本數只有114項，考量到在給定固定數量的訓練樣本，其預測能力隨著維度的增加而減小，故本報告試圖減少資料的維度。在迴歸分析中，已嘗試從理論觀念之角度，以「積極違規」及「消極違規」兩個面向來分類行為態樣，以減少資料的維度，以便比較分析。在此，則亦嘗試從資料本身之特性來進行降維，係採用主成分分析之分式，從44個行為情狀及3個路權狀況中萃取出解釋力較強的主成分來取代原本的樣本，欲觀察是否可對資料有較好的解釋分析。

首先，先將編號、案號、裁判日期及案件數量為0的欄位刪除，因此僅剩下39個行為態樣與情狀的欄位，再帶入函式中進行主成分分析。

因為R計算的特徵向量預設為指向負值，而特徵向量是獨特的值，只要是在同一方向上，不管是正向還是負向純量縮放，都是相同的，因此將特徵向量乘上純量-1。

4.5.2 選取主成分

下一個步驟，為了判斷要萃取幾個主成分來代表原本的樣本，先以各主成分的特徵值(Eigenvalue)畫出陡坡圖，依據學者Kaiser提出的標準，應篩選出特徵值累計大於1的因素，以保證每個因素「至少能解釋超過1個問項」，從而避免過度萃取的問題。

然而，結果顯示前10個主成分特徵值皆高於1，因此，進一步從每個主成分對原始資料的解釋變異量比例，來決定選取的主成分個數。

##  [1] 0.0898 0.0693 0.0537 0.0481 0.0466 0.0444 0.0429 0.0410 0.0391 0.0346
## [11] 0.0333 0.0309 0.0304 0.0286 0.0272 0.0266 0.0263 0.0253 0.0249 0.0237
## [21] 0.0221 0.0214 0.0203 0.0191 0.0184 0.0167 0.0146 0.0135 0.0118 0.0111
## [31] 0.0090 0.0085 0.0074 0.0056 0.0053 0.0036 0.0030 0.0019 0.0000

因為各個主成分的解釋變異量都不高，因此最終選擇以0.04(百分之4)作為選取主成分的界線，依照這個標準，選取出了前8個主成分，並分別觀察此八個主成分中各因素的負荷量，特別是最正向及最負向的幾個因素，來判斷各個主成分所代表的資料特性為何。

主成分表
PC1 PC1 PC2 PC2 PC3 PC3 PC4 PC4 PC5 PC5 PC6 PC6 PC7 PC7 PC8 PC8
1 prightunk 0.458272 prightunk 0.182697 pdistance 0.363471 pagainst 0.319147 pdistance 0.349024 dturnneg 0.272507 dagainst 0.286791 dstartneg 0.373697
2 ppark 0.263134 dstartneg 0.136242 dpark 0.323771 dturnneg 0.294806 ddistance 0.349011 poverspeed 0.243876 pdirectlight 0.219783 pnotright 0.212498
3 dfrontneg 0.223564 dunlicenced 0.135351 dunlicenced 0.318126 dagainst 0.294143 pfrontneg 0.284633 ddistance 0.212283 pnotslow 0.201751 pstop 0.200519
4 dbackneg 0.152916 pturnneg 0.133034 pturnneg 0.28974 doccupy 0.267644 ddirectlight 0.16176 dbackneg 0.204986 dyieldmain 0.185827 pturnneg 0.178362
5 pturnneg 0.117205 dpark 0.130416 dstartneg 0.215637 pturnneg 0.207006 dfrontneg 0.144324 ppark 0.144807 dfrontneg 0.162193 dsign 0.175732
6 ddistance 0.088996 dbackneg 0.126582 prightno 0.186862 ddistance 0.180602 dnightlight 0.11342 dsign 0.130706 pstartneg 0.143862 dfrontneg 0.168464
7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34 duturndoubleline -0.118194 pstartneg -0.170668 dyieldmain -0.14943 pstop -0.146413 pagainst -0.217011 pnotright -0.194194 dturnneg -0.193095 pdirectlight -0.183943
35 dyieldmain -0.211132 dfrontneg -0.212625 pnotslow -0.156854 dunlicenced -0.149182 dagainst -0.217234 dagainst -0.201509 poccupy -0.244837 pbackneg -0.192645
36 pfrontneg -0.26403 pstop -0.288502 ppassneg -0.168293 pyieldmain -0.174433 doccupy -0.233285 pturnneg -0.259328 dsign -0.281614 dpassneg -0.263597
37 dyieldstraight -0.31402 dnotslow -0.390447 dpassneg -0.226576 dpark -0.234407 poverspeed -0.29888 dstartneg -0.408686 poverspeed -0.293329 dagainst -0.295608
38 pnotslow -0.318415 pyieldmain -0.466634 dfrontneg -0.23437 dbackneg -0.344517 pbackneg -0.318031 dpassneg -0.413277 dpassneg -0.398737 ppassneg -0.296002
39 prightyes -0.4745 prightno -0.514916 ppark -0.364716 pbackneg -0.36922 dbackneg -0.344316 ppassneg -0.420665 ppassneg -0.429716 pstartneg -0.322275

依照觀察結果，將八個主成分依照資料特性依序命名為「被告未注意車前狀況與原告違規停車，但無法判定路權“ppark&dfrontneg&prightunk”」、「路權不明而被告起始疏忽 “prightunk&dfrontneg”」、「原告未保持行車安全距離且被告違規停車 “pdistance&dpark”」、「原被告逆向或被告變換行向疏忽 “d&p_against_or_dturnneg”」、「原被告未保持行車安全距離”d&p_nodistance“」、「被告變換行向疏忽且原告超速 “dturnneg&poverspeed”」、「被告逆向且原告未顯示方向燈或煞車燈 “dagainst&pdirectlight”」及「被告起駛疏忽 “dstartneg”」。

4.5.3 取代原始數據並分析

接著，把選取出來的八個主成分，以各因素負荷量和原始資料進行矩陣相乘，得到新的八欄數據，取代原始的行為態樣類型。

新的數據取代完成後，檢視一下和被告應負擔之過失比例間有何關係，並與行為態樣以外的因素彙整後，檢視迴歸分析的結果，檢驗以主成分分析進行降維之後的資料是否能更好地解釋原始的資料，或者和被告應負擔之過失比例間的關係是否有變化。

PCA results
  PC.full$dfault
Predictors Estimates std. Error Statistic p
(Intercept) 62.19 *** 1.54 40.48 <0.001
ppark&dfrontneg&prightunk 0.05 0.82 0.05 0.956
prightunk&dfrontneg 4.04 *** 0.94 4.30 <0.001
pdistance&dpark -4.45 *** 1.07 -4.17 <0.001
d&p_against_or_dturnneg 0.40 1.13 0.35 0.726
d&p_nodistance -0.90 1.14 -0.78 0.435
dturnneg&poverspeed 0.19 1.17 0.16 0.871
dagainst&pdirectlight 1.36 1.19 1.14 0.258
dstartneg 2.21 1.22 1.81 0.073
Observations 114
R2 / R2 adjusted 0.282 / 0.227
  • p<0.05   ** p<0.01   *** p<0.001
PCA results full
  PC.full.small$dfault
Predictors Estimates std. Error Statistic p
(Intercept) 12.31 30.86 0.40 0.691
ppark&dfrontneg&prightunk -0.71 2.29 -0.31 0.757
prightunk&dfrontneg 3.62 2.87 1.26 0.211
pdistance&dpark -4.47 ** 1.45 -3.08 0.003
d&p_against_or_dturnneg -0.09 1.35 -0.07 0.945
d&p_nodistance -1.24 1.27 -0.98 0.331
dturnneg&poverspeed 0.01 1.22 0.01 0.992
dagainst&pdirectlight 1.56 1.38 1.13 0.261
dstartneg 2.23 1.36 1.64 0.104
dbigcar 41.23 25.78 1.60 0.113
dsmallcar 38.63 24.53 1.57 0.119
dmotorbike 49.17 25.21 1.95 0.054
pbigcar 24.09 13.83 1.74 0.085
psmallcar 10.15 8.65 1.17 0.244
djob -0.82 4.07 -0.20 0.841
pjob -4.43 5.73 -0.77 0.441
weather 46.52 ** 17.41 2.67 0.009
freeway 10.93 12.14 0.90 0.370
prightyes -1.98 18.48 -0.11 0.915
prightunk 1.38 17.24 0.08 0.936
nofaultissue -13.81 10.80 -1.28 0.204
dexpfaultmore 2.32 8.94 0.26 0.796
dexpfaultless -4.52 17.91 -0.25 0.801
dexpfaulthalf -7.52 10.79 -0.70 0.487
dexpfaultall 12.63 9.82 1.29 0.202
Observations 114
R2 / R2 adjusted 0.406 / 0.245
  • p<0.05   ** p<0.01   *** p<0.001

4.5.4 小結

經由主成分分析後的資料在迴歸分析中仍有某幾項具有較高的顯著性，但和原始資料相比，並未能較好的解釋資料，可能原因來自於各個主成分的解釋變異量均偏低。本報告所使用的判決資料是以one-hot模式編碼的資料，因此在各行為中的數據值均只有1和0兩個端點的數值，並無中間的過度數值，此外因行為態樣多，因此大部分的數值均為0，僅有少數的欄位為1，因此在標準化時，標準差就會受到影響，並且單一個案中大多僅存在一個被告行為，加上一個原告行為(有時完全沒有)，而不同行為之間大多存在著互斥或至少非並存之情形。綜觀上述的資料特性，結果不如預期可能來自：主成分分析的方法較適合運用在常態分佈的資料上，而不適合用在這種較極端的資料分布或各行為態樣彼此間是互斥而不會並存的情形。

然而，透過主成分分析卻可以很明顯地觀察到，哪些行為態樣常會相伴發生，例如：被告未注意車前狀況與原告違規停車、原告未保持行車安全距離且被告違規停車、原被告均未保持行車安全距離、被告變換行向疏忽且原告超速…等，正可對應在做判決編碼時所觀察到的行為態樣共同發生的特性，或許未來可以以此結果作為案件類型的分類標準之一。

5 結論

5.1 迴歸分析

經由迴歸分析，我們發現傷重程度、交通工具、職業駕駛人均無明顯影響法院心證之趨勢。相反地，路權對於法院而言係為一項重要考量，在原告有路權或路權無法判定的情形，被告的過失比例將比原告無路權時分別多出出31.61%和30.22%，且兩係數皆具顯著性。此外，鑑定意見亦為一項對法院判斷有重要影響的因素：當鑑定意見判定為過失相同或被告負全責時，法官大多按照鑑定意見直接判定過失比例，足見在車禍案件中，法院是傾向尊重鑑定意見的，然而，從先前呈現的統計資料亦可得知此類案件有記載原被告雙方肇事責任輕重的鑑定意見為少數，多數個案中並無此意見可供參考。 而在行為態樣的分析中，我們發現原告的行為會大幅降低被告的過失比例，然而，較違反常理的是其中原告消極違規時又使得被告過失比例下降得比原告係積極違規時還多，差距約為5%。究竟為何有此一結果?因為未有學說、實務見解或實證研究明確指出特定行為態樣的分類標準，因此法官對於特定行為態樣的心證傾向標準究竟為何有待後續的研究持續探討。

5.2 決策樹分析

從決策樹分析的結果中可以發現，訓練後的模型其預測準確率大約只有33%左右，僅能預測約三分之一的案件，此較低的結果可能和變項過多，而樣本數較少有關，然而，從決策樹的分析中，可以觀察到前面文獻所提及現在實務對於「路權」概念的重視和廣泛運用。此外，決策樹中位於的分枝節點因素，亦顯示出了類型化後的行為，對於決策的判斷，較有區分、成為選擇、判斷基準的作用，此或可作為後續相關對於法院判決研究的基礎。

5.3 主成分分析

雖然因為我們所使用的資料特性，主成分分析的結果並無法較好地解釋資料，但卻可以很明顯地觀察到，哪些行為態樣常會相伴發生，或許未來可以以此結果作為案件類型化的分類標準之一。

  1. 黃昶斌(2011)，〈道路交通事故初步分析研判表之法律分析〉，100年道路交通安全與執法研討會，頁35。↩︎

  2. 謝宜霓，〈交通事故損害賠償之法律問題（上）〉，威律法律事務所，http://www.weleadlaw.com/s/blog/18，(最後瀏覽日期：2019/12/3)↩︎

  3. 尤重道(2019)，〈交通事故肇事責任與刑事附帶民事訴訟暨爭議問題之探討（上）〉，《全國律師》，23卷2期，頁70-88，頁74。↩︎

  4. 許育典、盧浩平(2005)，〈行車事故鑑定意見的法律分析〉，2005年道路交通安全與執法研討會，頁21。↩︎

  5. 更多關於決策樹方法的介紹與說明，請參：黃詩淳、邵軒磊(2018)，〈酌定子女親權之重要因素：以決策樹方法分析相關裁判〉，《臺大法學論叢》第47卷第1期，頁299-344，頁317以下。↩︎