老人扶養費實證研究

Back to the Class Page

1 研究動機

我國自2018年起，65歲以上人口佔總人口達14%以上，正式進入高齡社會，老年人的生存、照護已然成為我國社會的一大難題。近年來，隨著高齡人口增加，實務上老人扶養費案件似有增加的趨勢。從法院判決可以發現，在父母向其成年子女請求扶養費事件中，向法院聲請酌扶養費者，往往是經濟能力較為弱勢的老年人，其中更不乏中低收入戶、身心障礙者等弱勢族群。依照法律扶助基金會的統計，近年來給付扶養費事件件數高居法律扶助家事類案件首位，2018年數據顯示其占比已達到家事案件的四成左右（佔家事案件總數9,002件中的3,462件）。

有學者進一步提出扶養費案件增加原因，部分源於聲請人欲取得法院駁回扶養費聲請之裁定，以向社福機關申請補助。按社會救助法規定，未盡扶養義務的子女排除於家庭總人口計算，使家庭總收入降低，因而子女有無扶養實際影響社福機關對中低收入戶的認定。實務上，社福機關為避免訪視評估不足，常要求申請補助者必須提出法院減輕或免除扶養義務的裁判，導致部分聲請人真正意圖並非想要獲得酌定扶養費的裁定，反而希望法院駁回以利聲請社福補助，產生濫用法院資源的疑慮。

由以上討論，可見老人扶養費事件事關社會福祉、法院資源，且案件量呈現增加趨勢，於實務上有其重要性。本報告嘗試藉由分析地方法院的扶養費裁定進行實證研究，歸納老人扶養費案件特徵，並分析影響法院准駁判斷與裁定金額的因素。

2 議題介紹

民法1114條以下是扶養的規定。1114條規定之一定親屬間有扶養之權利義務關係，而本文主要針對直系血親卑親屬對直系血親尊親屬負有之扶養義務（也就是老人對其子女主張扶養權利）的情形。扶養權利成立之要件依1117、1118、1118-1條之規定有：（聲請人）有扶養之必要、（相對人）有扶養能力，且無1118-1之事由。而扶養之程度，依1119條，應按受扶養權利者之需要，與負扶養義務者之經濟能力及身分定之。

何謂扶養必要、扶養能力，法院應該參酌哪些因素，學說上大多會說明設立此些要件之原理：自己能夠維持生活，就不需要他人扶養；如果因為負擔扶養義務而不能維持生活，就不能強其負擔扶養義務。然而多未說明應如何判斷有無扶養必要、扶養能力。至多提到扶養必要此要件中的不能維持生活是指財力、無謀生能力是指工作能力，而是否因自己之過失所致在所不問。

本文希望能夠以實證之方法研究法院實際考量有無扶養必要、扶養能力或1118-1各項之事由等要件時，實際上是有考量哪些因素，而各種因素的佔法院判斷的比重是否相等，還是法院在判斷上更偏重哪些因素，都是我們所想要實證研究的。

而關於扶養費給付程度與內容，學說上有認為其原理要素包括 ： (1)自己責任原理 (2)生存權保障與弱者保護原理 (3)不使義務人因負擔義務而陷於生活困難之原理 (4)倫理性與親疏遠近原理， (5)衡平原理與實質公平原則 然而法院是否真的有就這些原理作扶養費給付程度與內容的判斷，也是本文藉由實證方法所欲研究的。

3 裁判樣本

本報告分析的裁判樣本，查詢範圍為2013年至2017年間，全國各地方法院與少家法院之第一審民事裁定，查詢關鍵字為全文包含「扶養-未成年-夫妻」，案由為「給付扶養費」，字號為「家親聲」，總計1398筆裁定。

從上開樣本中，再排除單純程序上爭議（例如管轄、補繳裁判費等）、有調解協議、爭執親屬會議、反向成年子女向父母請求等非研究範圍內的案件類型，並按每一位相對人一筆資料方式，就法院裁定書中所載明考量之理由進行編碼，最終共完成494筆資料作為本報告分析之基礎。

本報告使用的變數中英文編碼對照如下：

中英文編碼對照表

中文名稱	英文	說明
平均每人每月生活費用	avgMonthlyCost	（數值）
每月最低生活費用	lowestMonthlyCost	（數值）
聲請人有無工作能力	requesterWorkCap	（類別）有1；無0
聲請人身心障礙	requesterDisability	（類別）重度3；中度2；輕度1；無：0
聲請人是否有疾病	requesterDisease	（類別）有1；無0
聲請人是否因子女而無法請領補助	nonAllowance	（類別）是1；否0
聲請人年金數額	requesterAnnuity	（數值）包括各類年金、就養金、中低收入戶補助等具有政府性質固定性收入
聲請人其他月收入數額	requesterSalary	（數值）薪資、租金收入等其他聲請人除年金外每月獲取的收入
其他子女扶養費	requesterCareExpense	（數值）聲請人從子女處已取得的扶養費
聲請人平均課稅所得	requesterBasicIncome	（數值）指法院調閱稅籍資料後取得相對人的課稅所得數額，並依法院調閱年數進行平均
聲請人有無不動產	requesterRealEstate	（類別）有1；無0
聲請人總資產	requesterTotalAsset	（數值）
聲請人醫療支出數額	requesterMedicalFee	（數值）
聲請人請求數額	requesterAmount	（數值）
聲請人年齡	requesterAge	（數值）
聲請人身分	requesterIdentitly	（類別）父母1；其他子女2
聲請人性別	requesterSex	（類別）女(母親) 1；男(父親) 2
相對人月收入	obligorSalary	（數值）
相對人平均課稅所得	obligorBasicIncome	（數值）
相對人固定支出	obligorExp	（數值）基本生活支出，如水電瓦斯等等
相對人有無不動產	obligorRealEstate	（類別）有1；無0
相對人總資產	obligorTotalAsset	（數值）
相對人人數	obligorNum	（數值）
相對人現存之兄弟姊妹人數	obligorSiblingNum	（數值）
相對人其他兄弟姊妹資力	obligorSiblingAsset	（類別）較中位數為佳為3、等於中位數2、較中位數為差為1
相對人年齡	obligorAge	（數值）
是否符合1118-1各款	nonSupportObli	（類別）符合 1；不符合 0
聲請人是否離婚	requesterDivorce	（類別）是1；否0
聲請人有無親權	requesterRight	（類別）有1；無0
未盡扶養義務年數	nonSupportLength	（數值）如自出生時起棄養，以最高20年計算
聲請人是否虐待被聲請人	requesterAbuse	（類別）是1；否0
相對人是否無書狀或未到庭	defaultJudgment	（類別）是1；否0
聲請人律師	requesterLawyer	（類別）是1；否0
相對人律師	obligorLawyer	（類別）是1；否0
法院裁定准駁	rulingResult	（類別）准1；駁0
法院裁定金額	judgeAmount	（數值）

4 資料分析

4.1 敘述統計

4.1.1 核准駁回

本文依相對人為單位編碼，目前共編有494個樣本，核准與駁回次數之情形如下：

樣本中有253筆駁回、241筆核准，准駁分布看似平均，惟本文編碼過程中並非隨機挑選裁判編碼，而有刻意挑選核准之裁定，故此非法院真實裁定准駁之分配情形。

而依研究範圍中整個資料集（包括尚未編碼之裁定）之416筆裁判來觀察裁定准駁之情形如下：

資料集之裁定中有257筆裁定駁回、159筆核准，核准率大概是38%。

4.1.2 聲請人自陳因相對人而無法請領補助

如前所述，有學者認為扶養費案件增加係因老年人由於相對人被列為同一家戶人口，而不得不向子女起訴請求給付扶養費，故本文標記裁定書中聲請人曾自陳因相對人而無法請領補助與准駁之次數，結果如下：

269位聲請人，有35位自陳其因相對人而無法請領補助，大概佔總裁定的13%，貌似難謂多數。但由於因相對人而無法請領補助之事實，聲請人不一定會在訴訟過程中揭露，縱使揭露也不一定為法院所記載。惟縱認只有35筆個案存在此事實，也得證實實務上確實有發生此一特殊現象。

4.1.3 當事人律師代理

聲請人律師代理情形如下：

聲請人中有194位有律師代理，僅有75位無律師代理。可能係因聲請人大多符合法律扶助之資格所致。

相對人律師代理情形如下：

相對人中大多數皆無律師代理，有443位無律師代理、僅有51位有律師代理。

4.1.4 聲請人身分

給付扶養費之裁判有分為父母本人向子女請求之情形，與其他子女請求返還代墊扶養費之情形：

如圖所示，聲請人中有258位為父母，僅11位為其他子女，絕大部分的案件仍係由父母本人起訴。

4.1.5 聲請人性別

聲請人的性別中，有122位為女性、139位為男性。

4.1.6 工作能力

依民法第 1117 條規定：「受扶養權利者，以不能維持生活而無謀生能力者為限。前項無謀生能力之限制，於直系血親尊親屬，不適用之。」故父母之扶養權利並不以其無工作能力為必要，法院實際裁判時對聲請人工作能力之有無的認定情形如下：

聲請人中，有59筆資料未判斷聲請人有無工作能力，而仍有210筆裁定有認定聲請人之工作能力，佔78%，其中195筆認定無工作能力、15筆認定有工作能力，而在法院判斷父母有工作能力的裁定中，似乎有比較高比例的法官會駁回其聲請。。

4.1.7 法院未判斷聲請人與相對人之資力

本文觀察到，法院常常未判斷相對人之資力狀態。 （本文之編碼判斷如下：在編碼之過程中，如裁判書中在聲請人（或相對人）之主張中有提及其資力狀態（例如名下無財產），而法院在得心證之理由中記載：「依聲請人（或相對人）之稅務資料，聲請人之主張堪認真實」，此時，本文會在「聲請人（或相對人）總資產」之變項編1；如聲請人（或相對人）之主張中有提及其資力狀態，法院在得心證之理由中完全未提及財產有關之事實及證據資料，則本文會在聲請人（或相對人）與資力有關之變項編0。）

本文定義聲請人之「年金、補助」、「其他月收入」、「課稅所得」、「總資產」、「有無不動產」為聲請人之資力狀態；相對人之「月收入」、「課稅所得」、「總資產」、「有無不動產」為相對人之資力狀態。本文統計法院未判斷聲請人與相對人各自之資力狀態的樣本次數，結果如下：

494筆樣本中（包含核准予駁回之樣本），有62筆樣本（13%）法院都未判斷聲請人之資力，而有高達300筆樣本（61%）法院都未判斷相對人之資力。

可能跟我們觀察到法院裁判時就扶養請求權之各項要件的審查順序有關，大部分是是先審查聲請人資力、再審查有無1118-1，如果聲請人有扶養必要、且無1118-1之事由，法院才可能進一步審查相對人資力的緣故。

4.1.8 相對人無書狀或未到庭

494位當事人中，有353位當事人有提出書狀或到庭，而有141位相對人無書狀且未到庭，佔所有相對人之29%。

4.1.9 准駁裁定與1118-1

民法第 1118-1 條規定，無受扶養權利者對負扶養義務者無正當理由未盡扶養義務，負扶養義務者得請求法院減輕其扶養義務，如情節重大則得免除之。 本文觀察到，有許多法院裁定駁回之理由為該當1118-1而免除相對人之扶養義務，裁定准駁與是否該當1118-1之情形如下：

在253筆裁定駁回之樣本中，有高達154筆（61%）以該當1118-1而免除相對人之扶養義務為理由；而241筆裁定給付之樣本中，也有51筆（21%）以該當1118-1而減輕相對人之扶養義務。

4.1.10 法院裁定金額與1118-1

法院裁定給付之金額多為10000元以下，如有該當1118-1之情事，裁定金額分布明顯更為偏低。

4.2 羅吉斯迴歸：法院准駁之判斷

本文希望討論的第一個問題為：何種變數會影響法院准許與否的判斷，以及各變數影響法院判段的程度為何？以下將利用羅吉斯迴歸（Logistic Regression）方法，嘗試分析各變數與法院准駁間的關聯。

4.2.1 變數挑選

依民法第1117條、第1118條、第1118條之1規定及實務相關判例（91台上1798號判例），父母向其直系血親卑親屬之子女請求扶養費之要件為： 1. 受扶養權利人（父母）有不能以自己財產維持生活情事 2. 子女有扶養之義務（無免除義務之情形） 3. 子女有扶養之能力

在全部的變數中，「平均每人每月生活費用」、「每月最低生活費用」、「聲請人請求數額」為影響法院酌定金額多寡的因素，與准駁較無關聯。而「聲請人醫療支出」、「相對人月收入」、「相對人固定支出」、「相對人年齡」、「聲請人有無親權」、「聲請人是否虐待被聲請人」等變數因缺項過多不納入羅吉斯迴歸分析中。

另外經缺漏值調整後，篩選出的數值變數間的相關性為：

為避免變數間具有完全共線性，而造成羅吉斯回歸模型無解釋力的情況，將高度相關的「相對人人數」刪除，只留下「相對人兄弟姊妹數量」。另外同樣為法院調閱稅籍資料取得的平均課稅所得與總資產，相關程度亦不低，經過測試後刪除「聲請人總資產」與「相對人平均課稅所得」。

經過上述篩選，最終羅吉斯迴歸分析使用的變數為：

關於聲請人資力與生活情況
聲請人有無工作能力	requesterWorkCap
聲請人身心障礙	requesterDisability
聲請人是否有疾病	requesterDisease
聲請人是否因子女而無法請領補助	nonAllowance
聲請人年金數額	requesterAnnuity
聲請人其他月收入數額	requesterSalary
其他子女扶養費	requesterCareExpense
聲請人平均課稅所得	requesterBasicIncome
聲請人有無不動產	requesterRealEstate
聲請人年齡	requesterAge
聲請人性別	requesterSex
關於相對人資力與生活情況
相對人有無不動產	obligorRealEstate
相對人總資產	obligorTotalAsset
相對人現存之兄弟姊妹人數	obligorSiblingNum
相對人其他兄弟姊妹資力	obligorSiblingAsset
關於免除扶養義務事由
是否符合1118-1各款	nonSupportObli
未盡扶養義務年數	nonSupportLength
其他訴訟程序上事項
相對人是否無書狀或未到庭	defaultJudgment
聲請人律師	requesterLawyer
相對人律師	obligorLawyer

4.2.2 羅吉斯迴歸模型

為了驗證迴歸模型的預測能力，先取全體資料的20%作為測試集，並利用剩餘80%的資料建構羅吉斯迴歸模型。

# 製作訓練集與測試集
n.test = nrow(LogReg.dataset)*0.2
set.seed(888)
train = sample(nrow(LogReg.dataset),nrow(LogReg.dataset) - n.test)
LogReg.dataset_train <- LogReg.dataset[train,]
LogReg.dataset_test <- LogReg.dataset[-train,]

將各資料讀入程式後，建構的羅吉斯迴歸模型如下：

## 
## Call:
## glm(formula = rulingResult ~ requesterWorkCap + requesterDisability + 
##     requesterDisease + nonAllowance + requesterAnnuity + requesterSalary + 
##     requesterCareExpense + requesterBasicIncome + requesterRealEstate + 
##     requesterAge + requesterSex + obligorRealEstate + obligorTotalAsset + 
##     obligorSiblingNum + obligorSiblingAsset + nonSupportObli + 
##     nonSupportLength + defaultJudgment + requesterLawyer + obligorLawyer, 
##     family = "binomial", data = LogReg.dataset_train)
## 
## Deviance Residuals: 
##      Min        1Q    Median        3Q       Max  
## -2.63485  -0.35244  -0.09226   0.38346   2.91949  
## 
## Coefficients:
##                         Estimate Std. Error z value Pr(>|z|)    
## (Intercept)            7.021e+00  2.148e+00   3.269  0.00108 ** 
## requesterWorkCap1     -2.558e+00  9.916e-01  -2.580  0.00988 ** 
## requesterWorkCapNA    -1.314e+00  4.762e-01  -2.760  0.00577 ** 
## requesterDisability1  -2.631e-01  4.304e-01  -0.611  0.54093    
## requesterDisabilityNA  2.583e+00  1.436e+00   1.798  0.07210 .  
## requesterDisease1      8.371e-01  4.540e-01   1.844  0.06521 .  
## nonAllowance1         -6.319e-01  6.104e-01  -1.035  0.30061    
## requesterAnnuity      -5.597e-05  3.114e-05  -1.798  0.07225 .  
## requesterSalary       -2.793e-06  7.491e-05  -0.037  0.97026    
## requesterCareExpense  -5.875e-05  4.739e-05  -1.240  0.21508    
## requesterBasicIncome   3.170e-06  9.183e-06   0.345  0.72993    
## requesterRealEstate1  -2.481e+00  5.579e-01  -4.448 8.67e-06 ***
## requesterRealEstateNA -1.033e+00  4.470e-01  -2.312  0.02080 *  
## requesterAge          -7.119e-02  2.629e-02  -2.708  0.00677 ** 
## requesterSex2          1.687e-02  3.804e-01   0.044  0.96463    
## requesterSexNA         2.024e+00  9.361e-01   2.162  0.03063 *  
## obligorRealEstate1     1.184e+00  1.054e+00   1.124  0.26121    
## obligorRealEstateNA   -1.950e+00  6.221e-01  -3.134  0.00172 ** 
## obligorTotalAsset      1.254e-08  1.715e-07   0.073  0.94173    
## obligorSiblingNum      1.259e-01  1.462e-01   0.861  0.38929    
## obligorSiblingAsset2   3.388e-01  1.039e+00   0.326  0.74436    
## obligorSiblingAsset3   1.157e+00  1.100e+00   1.052  0.29277    
## obligorSiblingAssetNA -9.312e-02  8.148e-01  -0.114  0.90901    
## nonSupportObli1        3.559e+00  1.226e+00   2.903  0.00370 ** 
## nonSupportLength      -3.708e-01  7.531e-02  -4.924 8.47e-07 ***
## defaultJudgment1       1.836e+00  4.622e-01   3.971 7.14e-05 ***
## requesterLawyer1       3.661e-01  4.068e-01   0.900  0.36806    
## obligorLawyer1        -3.713e-01  6.348e-01  -0.585  0.55859    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 547.46  on 394  degrees of freedom
## Residual deviance: 239.96  on 367  degrees of freedom
## AIC: 295.96
## 
## Number of Fisher Scoring iterations: 6

根據迴歸的結果，有關聲請人資力的變項（如requesterAnnuity、requesterRealEstate1）的係數大多為負數，其數值越高，法院核准的機率越低；有關相對人資力的變項（如obligorRealEstate、obligorTotalAsset）係數為正，數值越高，法院越可能裁定須要給付扶養費。聲請人有請律師可以提高核准率，相對人有請律師可以降低核准率，但兩者p-value皆不顯著。

但部分係數與常理有些出入，聲請人有身心障礙時（requesterDisability1）係數為負，呈現有身心障礙的弱勢聲請人反而較難獲得法院裁定扶養費給付；聲請人課稅所得（requesterBasicIncome）係數為正，其所得增加時更容易取得核准裁定，也與聲請人應無財產供應生活的要件衝突，推測可能與模型中變數數量太多有關，不過這兩者在統計上都不顯著。另外，符合民法第1118-1條的情況（nonSupportObli）係數為正向，應是此模型中同時放入未盡扶養義務年數（nonSupportLength），因而綜合呈現出，在符合減輕或免除扶養義務的前提下，未盡扶養義務年數越低，法院越傾向仍核准聲請而僅減輕扶養義務；反之，年數越高，法院越傾向免除義務直接駁回聲請。

接著進行逐步回歸測試，嘗試利用AIC值優化迴歸模型：

# AIC 逐步迴歸測試
library(MASS)
modelLogReg_AIC <-
  stepAIC(modelLogReg,
          scope = list(upper=modelLogReg),
          direction = "both",
          trace=FALSE)
modelLogReg_AIC.sum <- summary(modelLogReg_AIC)
print(modelLogReg_AIC.sum)

## 
## Call:
## glm(formula = rulingResult ~ requesterWorkCap + requesterDisease + 
##     requesterAnnuity + requesterCareExpense + requesterRealEstate + 
##     requesterAge + requesterSex + obligorRealEstate + obligorSiblingNum + 
##     nonSupportObli + nonSupportLength + defaultJudgment, family = "binomial", 
##     data = LogReg.dataset_train)
## 
## Deviance Residuals: 
##      Min        1Q    Median        3Q       Max  
## -2.74868  -0.33935  -0.08362   0.38980   3.06827  
## 
## Coefficients:
##                         Estimate Std. Error z value Pr(>|z|)    
## (Intercept)            6.294e+00  2.004e+00   3.141 0.001684 ** 
## requesterWorkCap1     -2.479e+00  8.829e-01  -2.808 0.004988 ** 
## requesterWorkCapNA    -1.154e+00  4.333e-01  -2.663 0.007747 ** 
## requesterDisease1      7.760e-01  3.742e-01   2.074 0.038117 *  
## requesterAnnuity      -4.941e-05  2.977e-05  -1.660 0.096913 .  
## requesterCareExpense  -7.667e-05  4.446e-05  -1.724 0.084658 .  
## requesterRealEstate1  -2.416e+00  5.141e-01  -4.699 2.62e-06 ***
## requesterRealEstateNA -8.968e-01  4.285e-01  -2.093 0.036361 *  
## requesterAge          -6.191e-02  2.476e-02  -2.501 0.012391 *  
## requesterSex2          1.321e-03  3.628e-01   0.004 0.997095    
## requesterSexNA         1.734e+00  8.639e-01   2.008 0.044677 *  
## obligorRealEstate1     1.645e+00  8.265e-01   1.990 0.046625 *  
## obligorRealEstateNA   -2.167e+00  4.906e-01  -4.416 1.00e-05 ***
## obligorSiblingNum      1.912e-01  1.355e-01   1.412 0.158032    
## nonSupportObli1        3.876e+00  1.080e+00   3.588 0.000334 ***
## nonSupportLength      -3.797e-01  6.741e-02  -5.634 1.77e-08 ***
## defaultJudgment1       1.968e+00  4.416e-01   4.455 8.37e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 547.46  on 394  degrees of freedom
## Residual deviance: 248.07  on 378  degrees of freedom
## AIC: 282.07
## 
## Number of Fisher Scoring iterations: 6

透過刪除數項較不顯著的變項，剩餘12個變項在p-value上大多呈現顯著。依此羅吉斯迴歸結果，聲請人與相對人雙方是否擁有不動產對於法院准駁有相當影響，聲請人有不動產降低法院核准的可能，相對人有不動產則會提高核准的機率。聲請人是否具有工作/謀生能力（requesterWorkCap）雖然並非民法上直系血親間請求扶養費的要件，但模型顯示如果聲請人還有工作能力，仍會降低受核准的機率，且該變數的p-value小於0.01，有統計上顯著性。此外，是否為類似一造辯論判決的情形影響法院判斷程度不低，若相對人未出庭又未提出書狀答辯，將提高法院准許聲請的機率。

4.2.3 預測

為測試迴歸模型的預測能力，首先使用訓練集中的資料進行放入迴歸模型，其混淆矩陣為：

##          actual
## predicted   0   1
##         0 173  25
##         1  28 169

然後再將測試集的資料放入迴歸模型中進行預測，得到的結果為：

# 使用迴歸模型預測測試集
result = predict(modelLogReg_AIC,newdata=LogReg.dataset_test,type='response')
result = ifelse(result > 0.5,1,0)

library(caret)

## Loading required package: lattice

test_result <- confusionMatrix(data=as.factor(result), 
                    reference=as.factor(LogReg.dataset_test$rulingResult))
print(test_result)

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction  0  1
##          0 44  2
##          1  8 45
##                                           
##                Accuracy : 0.899           
##                  95% CI : (0.8221, 0.9505)
##     No Information Rate : 0.5253          
##     P-Value [Acc > NIR] : 1.337e-15       
##                                           
##                   Kappa : 0.7987          
##                                           
##  Mcnemar's Test P-Value : 0.1138          
##                                           
##             Sensitivity : 0.8462          
##             Specificity : 0.9574          
##          Pos Pred Value : 0.9565          
##          Neg Pred Value : 0.8491          
##              Prevalence : 0.5253          
##          Detection Rate : 0.4444          
##    Detection Prevalence : 0.4646          
##       Balanced Accuracy : 0.9018          
##                                           
##        'Positive' Class : 0               
## 

迴歸模型的正確率（Accuracy）達到89.9%，為適配度相當高的模型，應可正確預測法院裁定准駁的結果。

4.3 線性回歸：法院裁定金額之判斷

本章節中，本文欲研究裁定給付的裁判中，法院在決定應該按月裁定給付多少金額時考慮了哪些因素。

已編碼的裁定總共有269筆裁判，以相對人為單位共有494筆資料。 在本章節之研究，將排除「裁定駁回」之裁判與「裁定一次性給付」之裁判，僅留有裁定按月給付扶養費之樣本，共有229筆資料。（如能在裁定理由中得知法院裁定一次性給付之期間長短，則以裁定總金額除以期間，而認定為裁定按月給付之裁判），下表為各變項之屬性、0與遺漏值之個數：

變項為0、遺漏值、與數值不重複之次數

variable	q_zeros	q_na	type	unique
obligorID	0	0	character	229
caseID	0	0	character	127
INDEX	0	0	character	126
court	0	0	character	12
id	0	0	character	133
date	0	0	character	121
year	0	0	character	6
avgMonthlyCost	0	76	numeric	40
lowestMonthlyCost	0	172	numeric	11
requesterWorkCap	191	0	character	3
requesterDisability	128	0	character	3
requesterDisease	46	0	character	2
nonAllowance	211	0	character	2
requesterAnnuity	60	61	numeric	35
requesterSalary	147	77	numeric	4
requesterCareExpense	214	0	numeric	11
requesterBasicIncome	151	26	numeric	29
requesterRealEstate	171	0	character	3
requesterTotalAsset	165	35	numeric	15
requesterMedicalFee	0	174	numeric	22
requesterAmount	0	5	numeric	68
requesterAge	0	82	numeric	36
requesterIdentitly	0	0	character	2
requesterSex	0	0	character	3
obligorSalary	17	168	numeric	24
obligorBasicIncome	29	91	numeric	108
obligorExp	0	219	numeric	10
obligorRealEstate	89	0	character	3
obligorTotalAsset	62	122	numeric	43
obligorNum	0	0	numeric	5
obligorSiblingNum	0	0	numeric	7
obligorSiblingAsset	0	0	character	4
obligorAge	0	139	numeric	39
nonSupportObli	178	0	character	2
requesterDivorce	140	0	character	2
requesterRight	21	0	character	3
nonSupportLength	178	6	numeric	19
requesterAbuse	4	0	character	3
defaultJudgment	117	0	character	2
requesterLawyer	48	0	character	2
obligorLawyer	213	0	character	2
rulingResult	0	0	character	1
judgeAmount	0	0	numeric	71

可從表格得知，有些變項有遺漏值，因此我們首先需要填補遺漏值。 由於每個數值變項變項性質與分布不盡相同，因此本文將用不同的方式來填補遺漏值。填補方式如下：

各變項填補遺漏值的方式

有遺漏值的數值變項	variable	填補方式
聲請人年金數額	requesterAnnuity	補0
聲請人其他月收入數額	requesterSalary	補0
聲請人平均課稅所得	requesterBasicIncome	補0
聲請人總資產	requesterTotalAsset	補0
相對人固定支出	obligorExp	補0
相對人總資產	obligorTotalAsset	補0
未盡扶養義務年數	nonSupportLength	補0
平均每人每月生活費用	avgMonthlyCost	補中位數
每月最低生活費用	lowestMonthlyCost	補中位數
聲請人年齡	requesterAge	補中位數
聲請人醫療支出數額	requesterMedicalFee	補中位數
聲請人請求數額	requesterAmount	補中位數
相對人年齡	obligorAge	補中位數
相對人平均課稅所得	obligorBasicIncome	補中位數
相對人月收入	obligorSalary	補中位數

4.3.1 多變項回歸分析

填補完遺漏值以後，把本文預設所有可能影響法院裁定金額之變項進行多變項回歸分析，有「平均每人每月消費支出」、「每月最低生活費用」、「聲請人有無工作能力」、「聲請人是否有疾病」、「聲請人年金、補助數額」、「聲請人其他月收入數額」、「聲請人平均課稅所得」、「聲請人總資產」、「聲請人醫療支出數額」、「相對人月收入」、「相對人平均課稅所得」、「相對人總資產」、「相對人現存之兄弟姊妹人數」、「相對人其他兄弟姊妹資力」、「是否符合1118-1各款」、「相對人是否無書狀或未到庭」、「聲請人律師」、「相對人律師」，結果如下：

	Dependent variable:
	judgeAmount
avgMonthlyCost	0.163***
	(0.059)
lowestMonthlyCost	0.442**
	(0.197)
requesterWorkCap1	-437.098
	(1,430.474)
requesterWorkCapNA	-1,046.260*
	(604.187)
requesterDisease1	596.126
	(540.823)
requesterAnnuity	-0.238***
	(0.049)
requesterSalary	-0.189
	(0.144)
requesterBasicIncome	-0.010**
	(0.005)
requesterTotalAsset	-0.001
	(0.002)
requesterMedicalFee	0.050
	(0.054)
obligorSalary	-0.0001
	(0.023)
obligorBasicIncome	0.001
	(0.001)
obligorTotalAsset	0.0001
	(0.0001)
obligorSiblingNum	-1,035.447***
	(188.466)
obligorSiblingAsset2	-40.321
	(816.092)
obligorSiblingAsset3	2,460.164***
	(748.948)
obligorSiblingAssetNA	1,269.842**
	(618.929)
nonSupportObli1	-4,765.240***
	(561.116)
defaultJudgment1	-585.970
	(482.716)
requesterLawyer1	-154.731
	(523.492)
obligorLawyer1	-984.187
	(842.198)
Constant	-2,071.796
	(3,193.979)
Observations	229
R2	0.462
Adjusted R2	0.407
Residual Std. Error	2,897.228 (df = 207)
F Statistic	8.458*** (df = 21; 207)
Note:	p<0.1; p<0.05; p<0.01

由於許多變項都無顯著，因此本文使用AIC來篩選變項，篩選後之回歸結果如下：

	Dependent variable:
	judgeAmount
avgMonthlyCost	0.166***
	(0.054)
lowestMonthlyCost	0.446**
	(0.191)
requesterWorkCap1	-1,216.700
	(1,343.334)
requesterWorkCapNA	-1,251.287**
	(573.623)
requesterAnnuity	-0.220***
	(0.047)
requesterBasicIncome	-0.011**
	(0.005)
obligorBasicIncome	0.001**
	(0.001)
obligorSiblingNum	-984.425***
	(170.774)
obligorSiblingAsset2	-162.486
	(801.736)
obligorSiblingAsset3	2,359.413***
	(718.252)
obligorSiblingAssetNA	934.360
	(589.354)
nonSupportObli1	-4,641.114***
	(488.449)
Constant	-957.059
	(2,934.833)
Observations	229
R2	0.442
Adjusted R2	0.411
Residual Std. Error	2,888.726 (df = 216)
F Statistic	14.240*** (df = 12; 216)
Note:	p<0.1; p<0.05; p<0.01

AIC後，留下了「平均每人每月消費支出」、「每月最低生活費用」、「聲請人有無工作能力」、「聲請人年金、補助數額」、「聲請人平均課稅所得」、「相對人平均課稅所得」、「相對人現存之兄弟姊妹人數」、「相對人其他兄弟姊妹資力」、「是否符合1118-1各款」，R^2為0.411。

4.3.2 預設模型

觀察法院裁判，雖然法院在判斷聲請人有無受扶養之必要時，似乎會考慮許多與聲請人資力、健康狀態相關因素，然而法院大多在認定聲請人有扶養之必要後，在計算給付金額時，大多會以「平均每人每月消費支出」、「每月最低生活費用」或「聲請人醫療支出數額」，扣除聲請人所獲得之各種補助、月收入後，除以子女人數，而更細緻的法院裁判會判斷子女是否應盡扶養義務、子女間資力狀態來判斷分攤比例，少數亦會判斷相對人資力而酌減應扶養費。而若有符合1118-1之情形，法院裁定金額亦依法減輕。

本文首先建立新的變項：客觀費用標準，此變項為法院考量個案聲請人每月所需扶養費用所參酌之平均每人每月消費支出、每月最低生活費用、聲請人醫療支出數額（即聲請人居住在安養中心之固定支出、聘請看護打理一切生活起居之月支出等等），大多數法院只會參考三個標準其一（少數會參考複數標準之樣本，本文以下列優先順序編碼：聲請人醫療支出數額>每月最低生活費用>平均每人每月消費支出）

以下為法院裁定給付之裁判中提及平均消費支出、最低生活費、醫療支出，與新增變項“客觀費用標準”之次數。

各種客觀費用標準出現的次數與比例

variable	fourFeeN	fourFeeRate
avgMonthlyCost	153	0.67
lowestMonthlyCost	57	0.25
requesterMedicalFee	55	0.24
feeStandard	201	0.88

可以看出，總共218筆法院裁定給付的裁判中，有67%的法院有參考平均每人每月消費支出此一客觀費用標準，有參酌這三者客觀費用標準的法院裁判也高達88%，可知絕大多數的法院在計算應給付扶養費數額時，都會將客觀費用標準納入考量。

如果將客觀費用標準缺項的28項依中位數填補後，直接與法院裁定金額做簡單回歸會得到：

	Dependent variable:
	judgeAmount
feeStandardMedian	0.100***
	(0.036)
Constant	3,243.757***
	(769.122)
Observations	229
R2	0.033
Adjusted R2	0.029
Residual Std. Error	3,708.200 (df = 227)
F Statistic	7.783*** (df = 1; 227)
Note:	p<0.1; p<0.05; p<0.01

有顯著，惟R^2僅有0.029。

本文在編碼過程中觀察到法院在計算扶養費數額時，大多會將客觀費用標準扣除聲請人所得領取之所有補助、年金、保險，並扣除聲請人之其他月收入（例如薪資所得、租金所得等）後，再除以扶養義務人之人數。故本文設計了一個預設模型： 先依此預設公式計算 X =（客觀費用標準-聲請人補助等-聲請人其他月收入）/相對人兄弟姊妹人數。 由於如有該當1118-1之情事，法院會依法酌減扶養義務，因此將 “X” 與“是否該當1118-1”與裁定金額做複回歸分析，得到以下結果：

	Dependent variable:
	judgeAmount
X	0.320***
	(0.039)
nonSupportObli1	-3,803.828***
	(482.935)
Constant	3,741.531***
	(369.390)
Observations	229
R2	0.353
Adjusted R2	0.348
Residual Std. Error	3,039.017 (df = 226)
F Statistic	61.782*** (df = 2; 226)
Note:	p<0.1; p<0.05; p<0.01

從結果可以得知， “X” 與 “是否該當1118-1” 皆有顯著，且R^2有0.348。

5 結論

依本文多變項迴歸分析以後之結果，法院裁定金額時會判斷之因素包括：「平均每人每月消費支出」、「每月最低生活費用」、「聲請人有無工作能力」、「聲請人年金、補助數額」、「聲請人平均課稅所得」、「相對人平均課稅所得」、「相對人現存之兄弟姊妹人數」、「相對人其他兄弟姊妹資力」、「是否符合1118-1各款」。

依本文統計結果顯示法院在裁定金額時，有67%的法院有參考「平均每人每月消費支出」此一客觀費用標準，而有參酌「平均每人每月消費支出」、「每月最低生活費用」、「醫療支出數額」這三者客觀費用標準之一的法院裁判高達88%，可知2大部分的法院在計算應給付扶養費數額時，都會將客觀費用標準納入考量。

而依本文就預設公式作複回歸分析之結果，法院裁定金額時會判斷：「（客觀費用標準-聲請人補助等-聲請人其他月收入）/相對人兄弟姊妹人數」與「是否符合1118-1各款」。

而本研究仍有以下幾點得以改善：

1、在調查法院裁定金額考量之因素時會有選擇性偏誤，因為法院是先判斷有無、再判斷金額，所以就判斷金額的裁定中，可能已經是法官認為應該給予比較多的了，因此可以採取選擇性偏誤的統計方法。

2、我們觀察法院裁定金額的計算大多會遵循「（客觀費用標準-聲請人補助等-聲請人其他月收入）/相對人兄弟姊妹人數」，那為什麼還會有偏誤，才是值得進一步深入探討的部分，例如相對人之兄弟姊妹並非皆為扶養義務人、法院可能會依相對人兄弟姊妹間資力作不同比例的分攤、聲請人聲請之數額會拘束法院裁定金額上限、相對人資力不佳法院可能裁定酌減、該當1118-1而減輕相對人扶養義務等等，應進一步探討這些可能影響法院依上述公式算出之基準價額的因子。在之後的模型中，可以用X與聲請人聲請金額作為基準，去探討其他因素對此基準的影響。

如果這些可能影響上開基準的變項缺失值太多，可以編missing，就不會讓觀察值減少。如係數值變項，則可以用分段級距的方式來分類，轉為類別資料的方式來處理。

3、裁定金額可以取log，有可以處理很大的數值，且可以很方便處理相對人兄弟姊妹人數的優點。