1 摘要
我國車禍案件中原告起訴請求被告賠償損害者，被告通常會抗辯原告就車禍發生亦有過失；縱無抗辯，法院亦會本於職權適用民法第二百十七條與有過失之法則，減輕被告之過失責任。然而，傳統學說僅注重與有過失法則之理論基礎及適用場合，鮮少關心其於實務上適用之結果。法院雖述及「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，多數鮮少說明其為何得出該比例。其心證究竟如何推演、以及各項因素在權衡中有多重要的影響。是以，本文擬利用數位人文方法為其進行實證分析，迴歸分析及決策樹之方法，找出法院於判定過失比例時究竟何項因素(如車禍態樣、原被告之交通工具、原被告之傷重程度、鑑定意見如何等因素…)佔有優先地位，並試圖整理歸納出法院判定過失比例之模型。
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，並加上原被告傷種程度、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187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
在RStudio中設定好會用到的相關package，以及使用read.csv函數讀入已經整理過後的資料後，我們即可開始就資料進行分析。
4.1 資料預覽
首先先就資料進行概覽以及相關分析。
4.1.1 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187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:
| frequency | |
|---|---|
| dfrontneg | 48 |
| dturnneg | 36 |
| dyieldstraight | 18 |
| ddistance | 17 |
| dstartneg | 15 |
| dyieldmain | 15 |
| dnotslow | 13 |
| dbackneg | 11 |
| dsign | 9 |
| dagainst | 8 |
| dunlicenced | 8 |
| dyieldped | 8 |
| ddirectlight | 7 |
| doverspeed | 5 |
| dpark | 3 |
| dpedcross | 3 |
| ddrunk | 2 |
| doccupy | 2 |
| dopenneg | 2 |
| dpassneg | 2 |
| duturnsidewalk | 1 |
| duturndoubleline | 1 |
| dnightlight | 1 |
| dcloseneg | 1 |
如此一來，我們已從82個變數中取出有關被告行位態樣之變數，並且計算其案件量。我們可以發現被告行為態樣中，以“變換行向疏忽(dturnneg)”以及“未注意車前狀況(dfrontneg)”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化成長條圖:
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)”、“未減速慢行(pnotslow)”、“變換行向疏忽(pturnneg)”以及“未注意前車狀況(pfrontneg)”四者為大宗。再者，“開車門疏失(popenneg)”此一變數並無任何案件，在往後分析中將略去之。
| frequency | |
|---|---|
| pfrontneg | 34 |
| ppark | 27 |
| pnotslow | 24 |
| pturnneg | 22 |
| poverspeed | 17 |
| psign | 13 |
| pdistance | 13 |
| pagainst | 7 |
| poccupy | 7 |
| pyieldmain | 5 |
| pbackneg | 4 |
| pdirectlight | 4 |
| pstartneg | 2 |
| pnotright | 2 |
| pdrunk | 1 |
| punlicenced | 1 |
| ppassneg | 1 |
| pnightlight | 1 |
| pstop | 1 |
| popenneg | 0 |
4.1.2 其他變數類別
除了行為態樣外，我們將變數分為“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。
| frequency | |
|---|---|
| dbigcar | 11 |
| dsmallcar | 142 |
| dmotorbike | 31 |
| dped | 3 |
| frequency | |
|---|---|
| pbigcar | 4 |
| psmallcar | 116 |
| pmotorbike | 56 |
| pped | 11 |
| frequency | |
|---|---|
| ddead | 0 |
| dserious | 0 |
| dminor | 6 |
| dgreat | 181 |
| frequency | |
|---|---|
| pdead | 8 |
| pserious | 12 |
| pminor | 49 |
| pgreat | 118 |
| frequency | |
|---|---|
| djob | 53 |
| pjob | 18 |
| frequency | |
|---|---|
| dexpfaultmore | 31 |
| dexpfaultless | 11 |
| dexpfaulthalf | 9 |
| dexpfaultall | 8 |
| noexpert | 128 |
| frequency | |
|---|---|
| weather | 9 |
| traffics | 1 |
| freeway | 4 |
| prightyes | 50 |
| prightunk | 122 |
| prightno | 15 |
| nofaultissue | 7 |
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。3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.多數案件中原被告皆無身體損傷，而以請求財產賠償為主。特別的是被告方面並無死亡及重傷者，此二變數在下述資料分析中將予剔除。
3.被告為職業駕駛者明顯多於原告。
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，因案件數量甚少，在下述之討論中將略去之。
以上變數之長條圖，分示如下:
4.1.3 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65%左右，法官最常判定的過失比例依眾數所示為70:30。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。
| value | |
|---|---|
| mean | 64.51 |
| sd | 20.65 |
| min | 20 |
| quantile1 | 50 |
| median | 70 |
| quantile3 | 75 |
| max | 100 |
| mode | 70 |
各過失比例之案件量則如下所示:
| percentage | 20 | 30 | 40 | 50 | 53.48 | 60 | 70 | 80 | 90 | 100 |
| frequency | 6 | 13 | 3 | 46 | 1 | 19 | 52 | 18 | 4 | 25 |
4.2 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:
4.2.1 預測
首先，我們先把全部變數皆丟入，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”、“傷亡程度”、“原告是否有路權”、“鑑定”等幾類變數上我們各皆略去其一。
| dfault | ||||
|---|---|---|---|---|
| Predictors | Estimates | std. Error | Statistic | p |
| (Intercept) | 68.54 *** | 11.10 | 6.18 | <0.001 |
| dsign | 15.63 * | 6.06 | 2.58 | 0.011 |
| doverspeed | -4.15 | 8.27 | -0.50 | 0.616 |
| dagainst | 19.96 ** | 6.19 | 3.23 | 0.002 |
| ddrunk | 8.76 | 10.85 | 0.81 | 0.421 |
| dpark | -5.55 | 8.12 | -0.68 | 0.496 |
| doccupy | 18.16 | 10.13 | 1.79 | 0.075 |
| duturnsidewalk | 29.92 | 15.68 | 1.91 | 0.059 |
| dunlicenced | 5.73 | 5.69 | 1.01 | 0.316 |
| duturndoubleline | 9.94 | 14.76 | 0.67 | 0.502 |
| dnotslow | 10.93 | 5.53 | 1.98 | 0.050 |
| dstartneg | 14.06 ** | 4.93 | 2.85 | 0.005 |
| dbackneg | 13.57 * | 5.72 | 2.37 | 0.019 |
| dturnneg | 8.52 * | 4.27 | 1.99 | 0.048 |
| dyieldmain | 0.86 | 6.29 | 0.14 | 0.892 |
| dyieldstraight | 15.84 ** | 5.31 | 2.98 | 0.003 |
| dopenneg | 24.47 * | 10.05 | 2.44 | 0.016 |
| dfrontneg | 0.88 | 3.68 | 0.24 | 0.811 |
| dyieldped | -21.09 | 11.63 | -1.81 | 0.072 |
| dpassneg | 27.03 | 14.28 | 1.89 | 0.061 |
| dnightlight | 18.44 | 13.68 | 1.35 | 0.180 |
| dpedcross | 7.40 | 10.88 | 0.68 | 0.498 |
| ddirectlight | -5.39 | 5.91 | -0.91 | 0.363 |
| ddistance | 3.98 | 4.38 | 0.91 | 0.365 |
| dcloseneg | 9.78 | 13.39 | 0.73 | 0.466 |
| psign | -8.39 | 8.36 | -1.00 | 0.317 |
| poverspeed | -35.57 *** | 4.60 | -7.74 | <0.001 |
| pagainst | -27.22 *** | 6.21 | -4.39 | <0.001 |
| pdrunk | -23.99 | 13.90 | -1.73 | 0.087 |
| ppark | -15.31 *** | 4.42 | -3.47 | 0.001 |
| poccupy | -18.00 * | 7.21 | -2.50 | 0.014 |
| punlicenced | -8.34 | 13.57 | -0.61 | 0.540 |
| pnotslow | -11.22 * | 4.40 | -2.55 | 0.012 |
| pstartneg | -35.80 *** | 10.46 | -3.42 | 0.001 |
| pbackneg | -30.35 *** | 7.88 | -3.85 | <0.001 |
| pturnneg | -34.27 *** | 4.43 | -7.73 | <0.001 |
| pyieldmain | -38.63 *** | 9.75 | -3.96 | <0.001 |
| pfrontneg | -20.88 *** | 3.62 | -5.76 | <0.001 |
| ppassneg | -52.56 ** | 19.49 | -2.70 | 0.008 |
| pdistance | -23.97 *** | 5.20 | -4.61 | <0.001 |
| pdirectlight | 1.10 | 7.50 | 0.15 | 0.884 |
| pnightlight | -0.06 | 17.16 | -0.00 | 0.997 |
| pnotright | -35.63 ** | 10.65 | -3.35 | 0.001 |
| pstop | -56.45 ** | 16.79 | -3.36 | 0.001 |
| dbigcar | -6.72 | 5.71 | -1.18 | 0.242 |
| dsmallcar | -7.41 * | 3.33 | -2.22 | 0.028 |
| pbigcar | -0.72 | 12.43 | -0.06 | 0.954 |
| psmallcar | -3.73 | 9.84 | -0.38 | 0.705 |
| pmotorbike | -5.28 | 9.16 | -0.58 | 0.566 |
| dminor | -0.79 | 8.00 | -0.10 | 0.922 |
| pdead | 7.69 | 7.58 | 1.02 | 0.312 |
| pserious | 11.83 * | 5.85 | 2.02 | 0.045 |
| pminor | -0.34 | 4.71 | -0.07 | 0.943 |
| djob | -1.20 | 2.67 | -0.45 | 0.653 |
| pjob | 3.85 | 3.76 | 1.02 | 0.308 |
| prightyes | 21.89 ** | 6.50 | 3.37 | 0.001 |
| prightunk | 18.13 ** | 5.92 | 3.06 | 0.003 |
| dexpfaultmore | 1.28 | 3.51 | 0.37 | 0.715 |
| dexpfaultless | 0.87 | 6.40 | 0.14 | 0.892 |
| dexpfaulthalf | -2.67 | 5.02 | -0.53 | 0.595 |
| dexpfaultall | 12.65 | 7.01 | 1.80 | 0.074 |
| Observations | 187 | |||
| R2 / R2 adjusted | 0.752 / 0.633 | |||
|
||||
我們可以發現，此模型R-Square=0.75，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doverpeed之係數為-4.15，也就是說當被告有超速情形時，其過失程度反而下降4.15%，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。但若是在統計上顯著的變數，其正負號皆具合理性。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。
4.2.2 傷重程度
首先是原告方面。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:
| dfault | ||||
|---|---|---|---|---|
| Predictors | Estimates | std. Error | Statistic | p |
| (Intercept) | 63.22 *** | 1.89 | 33.38 | <0.001 |
| pdead | -1.97 | 7.52 | -0.26 | 0.794 |
| pserious | 12.61 * | 6.23 | 2.02 | 0.045 |
| pminor | 2.16 | 3.50 | 0.62 | 0.538 |
| Observations | 187 | |||
| R2 / R2 adjusted | 0.023 / 0.007 | |||
|
||||
此一模型中僅有pserious是顯著的。但從係數方面來看，原告若為重傷，被告過失比例將增加12.61%；而原告若是死亡，被告過失比例卻下降1.97%，就此而言十分不合理。若不分原告死傷程度，而僅以原告是否無傷與否進行迴歸:
| dfault | ||||
|---|---|---|---|---|
| Predictors | Estimates | std. Error | Statistic | p |
| (Intercept) | 66.72 *** | 2.48 | 26.85 | <0.001 |
| pgreat | -3.50 | 3.13 | -1.12 | 0.265 |
| Observations | 187 | |||
| R2 / R2 adjusted | 0.007 / 0.001 | |||
|
||||
可見若原告並無受傷，被告過失比例將下降3.5%，這是符合一般人的直覺的，惟此一估計值並不顯著。進一步將迴歸模型圖示如下:
| dfault | ||||
|---|---|---|---|---|
| Predictors | Estimates | std. Error | Statistic | p |
| (Intercept) | 64.16 *** | 1.53 | 41.86 | <0.001 |
| dminor | 10.84 | 8.56 | 1.27 | 0.207 |
| Observations | 187 | |||
| R2 / R2 adjusted | 0.009 / 0.003 | |||
|
||||
正常而言被告若亦有死傷，表示原告過失應有相當程度，被告過失比例直觀而言應該下降。但迴歸結果顯示若被告受有輕傷，其被告過失比例較被告若是無傷時還要多，這一數據十分不合理。是否是因為沒有同時考慮原告的傷重情形所致?因此，將原告傷重情形亦同時加入模型中，並與model_dharm對照:
| dfault | dfault | |
|---|---|---|
| Predictors | Estimates | Estimates |
| (Intercept) |
64.16 *** (1.53) |
63.22 *** (1.90) |
| dminor |
10.84 (8.56) |
6.90 (8.91) |
| pdead |
-1.97 (7.53) |
|
| pserious |
11.46 (6.42) |
|
| pminor |
1.59 (3.58) |
|
| Observations | 187 | 187 |
| R2 / R2 adjusted | 0.009 / 0.003 | 0.027 / 0.005 |
|
||
所得出之係數既不顯著，正負號也與常理相反。傷重程度就現有案件來看並無明顯影響法院心證之趨勢。
4.2.3 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:
| dfault | ||||
|---|---|---|---|---|
| Predictors | Estimates | std. Error | Statistic | p |
| (Intercept) | 76.67 *** | 11.87 | 6.46 | <0.001 |
| dbigcar | -19.39 | 13.39 | -1.45 | 0.149 |
| dsmallcar | -12.98 | 12.00 | -1.08 | 0.281 |
| dmotorbike | -6.99 | 12.43 | -0.56 | 0.575 |
| Observations | 187 | |||
| R2 / R2 adjusted | 0.024 / 0.009 | |||
|
||||
若被告駕駛者為大車，其過失程度理應較高，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:
| dfault | ||||
|---|---|---|---|---|
| Predictors | Estimates | std. Error | Statistic | p |
| (Intercept) | 64.31 *** | 1.52 | 42.25 | <0.001 |
| dped | 12.35 | 12.02 | 1.03 | 0.305 |
| Observations | 187 | |||
| R2 / R2 adjusted | 0.006 / 0.000 | |||
|
||||
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12.35%。圖示如下:
再來是原告方面。同樣地，因為完全共線性之故，我們只先放入pbigcar、psmallcar、pmotorbike等三個變數:
| dfault | ||||
|---|---|---|---|---|
| Predictors | Estimates | std. Error | Statistic | p |
| (Intercept) | 59.09 *** | 6.25 | 9.46 | <0.001 |
| pbigcar | 5.91 | 12.10 | 0.49 | 0.626 |
| psmallcar | 4.62 | 6.54 | 0.71 | 0.481 |
| pmotorbike | 8.11 | 6.83 | 1.19 | 0.237 |
| Observations | 187 | |||
| R2 / R2 adjusted | 0.010 / -0.006 | |||
|
||||
結果顯示與原告為行人時比較，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。若是不分交通工具，僅以原告是否騎乘交通工具來迴歸，並且圖示:
| dfault | ||||
|---|---|---|---|---|
| Predictors | Estimates | std. Error | Statistic | p |
| (Intercept) | 64.85 *** | 1.56 | 41.63 | <0.001 |
| pped | -5.76 | 6.42 | -0.90 | 0.371 |
| Observations | 187 | |||
| R2 / R2 adjusted | 0.004 / -0.001 | |||
|
||||
結果顯示若原告為行人時，被告過失比例將下降5.76%，亦不符常理想像。若是加入被告知交通工具共同考量，並且與model_ptrans、model_ptrans_revise相比較:
| dfault | dfault | dfault | dfault | |
|---|---|---|---|---|
| Predictors | Estimates | Estimates | Estimates | Estimates |
| (Intercept) |
59.09 *** (6.25) |
70.72 *** (13.64) |
64.85 *** (1.56) |
64.64 *** (1.57) |
| pbigcar |
5.91 (12.10) |
7.86 (12.13) |
||
| psmallcar |
4.62 (6.54) |
4.77 (6.66) |
||
| pmotorbike |
8.11 (6.83) |
6.53 (6.89) |
||
| dbigcar |
-18.11 (13.60) |
|||
| dsmallcar |
-12.07 (12.16) |
|||
| dmotorbike |
-6.43 (12.52) |
|||
| pped |
-5.76 (6.42) |
-5.55 (6.43) |
||
| dped |
12.02 (12.03) |
|||
| Observations | 187 | 187 | 187 | 187 |
| R2 / R2 adjusted | 0.010 / -0.006 | 0.030 / -0.002 | 0.004 / -0.001 | 0.010 / -0.001 |
|
||||
我們可以發現，所得係數之正負號仍然與常理違背。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。
4.2.4 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:
| dfault | dfault | dfault | |
|---|---|---|---|
| Predictors | Estimates | Estimates | Estimates |
| (Intercept) |
64.34 *** (1.59) |
64.93 *** (1.79) |
64.77 *** (1.84) |
| pjob |
1.77 (5.13) |
1.95 (5.16) |
|
| djob |
-1.46 (3.36) |
-1.56 (3.38) |
|
| Observations | 187 | 187 | 187 |
| R2 / R2 adjusted | 0.001 / -0.005 | 0.001 / -0.004 | 0.002 / -0.009 |
|
|||
得出之結果亦與常理相反: 若原告為職業駕駛人，被告過失程度上升；若被告為職業駕駛人，其過失程度會下降。縱然將兩變數同時迴歸亦得出同樣結果。職業駕駛人就現有案件來看，也並無明顯影響法院心證之趨勢。
4.2.5 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:
| dfault | ||||
|---|---|---|---|---|
| Predictors | Estimates | std. Error | Statistic | p |
| (Intercept) | 38.67 *** | 4.92 | 7.85 | <0.001 |
| prightyes | 32.73 *** | 5.61 | 5.83 | <0.001 |
| prightunk | 26.20 *** | 5.22 | 5.02 | <0.001 |
| Observations | 187 | |||
| R2 / R2 adjusted | 0.156 / 0.147 | |||
|
||||
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32.73%；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26.2%。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。
4.2.6 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:
| dfault | ||||
|---|---|---|---|---|
| Predictors | Estimates | std. Error | Statistic | p |
| (Intercept) | 64.56 *** | 1.59 | 40.71 | <0.001 |
| dexpfaultmore | 4.47 | 3.59 | 1.25 | 0.214 |
| dexpfaultless | -27.29 *** | 5.64 | -4.84 | <0.001 |
| dexpfaulthalf | -14.56 * | 6.19 | -2.35 | 0.020 |
| dexpfaultall | 35.44 *** | 6.54 | 5.42 | <0.001 |
| Observations | 187 | |||
| R2 / R2 adjusted | 0.262 / 0.246 | |||
|
||||
結果亦相當漂亮:當鑑定意見顯示被告過失較多時，被告過失比例上升4.47%；當鑑定意見顯示被告過失較少時，被告過失比例下降27.29%。有趣的是後二變數:當鑑定意見顯示被告雙方過失相同時，被告過失比例下降-14.56%，加上截距項的64.56%，恰好即為50%；當鑑定意見顯示被告應負全責時，被告過失比例上升35.44%，加上截距項恰好即為100%。由此可見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。
4.2.7 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:
| 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:
| frequency | |
|---|---|
| dacts | 36 |
| domissions | 168 |
| pacts | 71 |
| pomissions | 100 |
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:
| dfault | dfault | dfault | |
|---|---|---|---|
| Predictors | Estimates | Estimates | Estimates |
| (Intercept) |
63.27 *** (1.67) |
72.63 *** (4.71) |
69.43 *** (7.07) |
| dacts |
6.45 (3.81) |
3.20 (5.26) |
|
| domissions |
-9.04 (4.97) |
-6.16 (6.86) |
|
| Observations | 187 | 187 | 187 |
| R2 / R2 adjusted | 0.015 / 0.010 | 0.018 / 0.012 | 0.020 / 0.009 |
|
|||
雖然並無顯著，但估計值之正負號符合先前的假設:積極違規時應負擔較多過失責任，消極違規時應負擔較少的責任。
再來是原告方面:
| dfault | dfault | dfault | |
|---|---|---|---|
| Predictors | Estimates | Estimates | Estimates |
| (Intercept) |
66.84 *** (1.90) |
72.76 *** (2.06) |
90.82 *** (2.84) |
| pacts |
-6.14 * (3.09) |
-25.77 *** (3.17) |
|
| pomissions |
-15.42 *** (2.82) |
-30.91 *** (3.08) |
|
| Observations | 187 | 187 | 187 |
| R2 / R2 adjusted | 0.021 / 0.016 | 0.140 / 0.135 | 0.367 / 0.360 |
|
|||
我們看到無論原告是積極違規或消極違規，估計值均為顯著，而且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:
| dfault | dfault | dfault | dfault | |
|---|---|---|---|---|
| Predictors | Estimates | Estimates | Estimates | Estimates |
| (Intercept) |
66.84 *** (1.90) |
72.76 *** (2.06) |
90.82 *** (2.84) |
90.83 *** (6.09) |
| pacts |
-6.14 * (3.09) |
-25.77 *** (3.17) |
-25.78 *** (3.17) |
|
| pomissions |
-15.42 *** (2.82) |
-30.91 *** (3.08) |
-30.43 *** (3.12) |
|
| dacts |
3.38 (4.23) |
|||
| domissions |
-1.01 (5.56) |
|||
| Observations | 187 | 187 | 187 | 187 |
| R2 / R2 adjusted | 0.021 / 0.016 | 0.140 / 0.135 | 0.367 / 0.360 | 0.373 / 0.359 |
|
||||
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 | dfault | |
|---|---|---|---|---|---|---|---|---|
| Predictors | Estimates | Estimates | Estimates | Estimates | Estimates | Estimates | Estimates | Estimates |
| (Intercept) |
90.83 *** (6.09) |
89.84 *** (6.21) |
110.47 *** (12.28) |
67.48 *** (6.88) |
84.34 *** (5.93) |
106.11 *** (14.75) |
86.00 *** (13.78) |
91.20 *** (13.43) |
| pacts |
-25.78 *** (3.17) |
-25.68 *** (3.21) |
-25.32 *** (3.20) |
-24.66 *** (2.88) |
-22.84 *** (3.21) |
-25.48 *** (3.23) |
-25.02 *** (2.92) |
-22.48 *** (3.11) |
| pomissions |
-30.43 *** (3.12) |
-29.92 *** (3.15) |
-31.90 *** (3.13) |
-29.62 *** (2.83) |
-26.46 *** (3.18) |
-31.42 *** (3.18) |
-30.39 *** (2.90) |
-26.88 *** (3.12) |
| dacts |
3.38 (4.23) |
3.07 (4.28) |
3.27 (4.23) |
2.35 (3.83) |
5.14 (3.92) |
2.09 (4.33) |
1.21 (3.92) |
2.66 (3.84) |
| domissions |
-1.01 (5.56) |
-1.09 (5.63) |
0.99 (5.54) |
0.31 (5.03) |
2.18 (5.15) |
0.03 (5.62) |
0.85 (5.08) |
2.56 (4.92) |
| pdead |
-1.67 (6.25) |
4.42 (8.13) |
6.29 (7.36) |
7.19 (7.43) |
||||
| pserious |
7.68 (5.26) |
10.20 (6.39) |
11.17 (5.81) |
12.19 * (5.75) |
||||
| pminor |
0.75 (2.95) |
2.84 (5.02) |
3.94 (4.58) |
3.07 (4.55) |
||||
| dminor |
6.02 (7.20) |
-4.36 (8.27) |
-6.18 (7.49) |
-10.76 (7.56) |
||||
| pbigcar |
10.32 (9.78) |
16.03 (11.21) |
12.87 (10.27) |
11.48 (9.95) |
||||
| psmallcar |
4.27 (5.43) |
9.50 (7.44) |
6.71 (6.82) |
5.64 (6.64) |
||||
| pmotorbike |
5.04 (5.64) |
7.72 (6.22) |
2.81 (5.74) |
2.14 (5.59) |
||||
| dbigcar |
-31.53 ** (10.91) |
-31.92 * (12.37) |
-29.17 ** (11.18) |
-32.46 ** (10.86) |
||||
| dsmallcar |
-25.95 ** (9.75) |
-26.38 * (11.34) |
-26.06 * (10.24) |
-28.05 ** (9.96) |
||||
| dmotorbike |
-21.88 * (10.03) |
-21.97 (11.16) |
-21.43 * (10.08) |
-23.01 * (9.78) |
||||
| prightyes |
28.99 *** (4.43) |
28.51 *** (4.48) |
20.04 *** (5.04) |
|||||
| prightunk |
21.08 *** (4.13) |
20.88 *** (4.34) |
14.02 ** (4.73) |
|||||
| dexpfaultmore |
7.55 * (3.07) |
4.31 (3.20) |
||||||
| dexpfaultless |
-22.63 *** (4.82) |
-14.85 ** (5.65) |
||||||
| dexpfaulthalf |
-8.73 (5.30) |
-8.57 (5.08) |
||||||
| dexpfaultall |
12.74 * (6.17) |
13.00 * (6.42) |
||||||
| Observations | 187 | 187 | 187 | 187 | 187 | 187 | 187 | 187 |
| R2 / R2 adjusted | 0.373 / 0.359 | 0.386 / 0.359 | 0.411 / 0.378 | 0.494 / 0.477 | 0.484 / 0.461 | 0.420 / 0.373 | 0.533 / 0.489 | 0.577 / 0.526 |
|
||||||||
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?即有檢討探究之必要。
4.2.8 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0.75。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，而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。
4.3 決策樹
4.3.1 取樣
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90%的資料作為訓練的樣本，另外10%做為測試樣本。
4.3.2 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: No., Case, Date, dacts, domissions, pacts, pomissions, 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, dcar, pcar, dinjure, pinjure, djob, pjob, weather, traffics, freeway, right, nofaultissue, dexfault
## Number of observations: 168
##
## 1) pomissions <= 0; criterion = 0.999, statistic = 1503
## 2) pacts <= 0; criterion = 1, statistic = 560
## 3)* weights = 25
## 2) pacts > 0
## 4)* weights = 56
## 1) pomissions > 0
## 5) right <= -1; criterion = 1, statistic = 688
## 6)* weights = 7
## 5) right > -1
## 7)* weights = 80
4.3.3 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] 50 70 50 70 50 20 50 70 50 50 50 50 70 100 50 70 50 20 50
## Levels: 20 30 40 50 53.48 60 70 80 90 1004.3.4 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 53.48 60 70 80 90 100
## 20 0 0 0 0 0 0 0 0 0 0
## 30 1 0 0 0 0 0 0 0 0 0
## 40 0 0 0 0 0 0 0 0 0 0
## 50 0 0 0 5 0 0 0 0 0 0
## 53.48 0 0 0 0 0 0 0 0 0 0
## 60 0 0 0 0 0 0 0 0 0 0
## 70 1 0 0 3 0 0 4 0 0 0
## 80 0 0 0 2 0 0 1 0 0 0
## 90 0 0 0 1 0 0 0 0 0 0
## 100 0 0 0 0 0 0 0 0 0 1## [1] 0.52631584.4 主成分分析
4.4.1 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187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」兩個面相來分類行為態樣，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、裁判日期及前述原告開車門疏忽(案件數量為0)的欄位刪除，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。
4.4.2 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，近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] 0.0594 0.0466 0.0451 0.0420 0.0412 0.0393 0.0383 0.0369 0.0355 0.0325
## [11] 0.0325 0.0319 0.0300 0.0289 0.0286 0.0271 0.0257 0.0241 0.0240 0.0238
## [21] 0.0231 0.0223 0.0218 0.0207 0.0197 0.0192 0.0180 0.0167 0.0157 0.0147
## [31] 0.0138 0.0134 0.0123 0.0110 0.0106 0.0097 0.0087 0.0078 0.0070 0.0062
## [41] 0.0054 0.0038 0.0031 0.0018因為各個主成分的解釋變異量都不高，因此最終選擇以0.033(千分之33)作為選取主成分的界線，依照這個標準，選取出了前9個主成分，並分別觀察此九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。
## PC1 PC1 PC2 PC2
## [1,] "dfrontneg" "0.359978" "psign" "0.498644"
## [2,] "ppark" "0.23641" "dyieldped" "0.413088"
## [3,] "pyieldmain" "0.154488" "dyieldmain" "0.247832"
## [4,] "psign" "0.130291" "dnotslow" "0.211829"
## [5,] "ddistance" "0.117405" "pdirectlight" "0.199782"
## [6,] "doverspeed" "0.114923" "pnotslow" "0.197944"## PC1 PC1 PC2 PC2
## [39,] "pfrontneg" "-0.179865" "dbackneg" "-0.128395"
## [40,] "poverspeed" "-0.21511" "ddirectlight" "-0.143475"
## [41,] "dyieldmain" "-0.268328" "pfrontneg" "-0.145722"
## [42,] "pnotslow" "-0.314648" "dturnneg" "-0.180596"
## [43,] "dyieldstraight" "-0.320253" "ddistance" "-0.213763"
## [44,] "right" "-0.474429" "pdistance" "-0.256607"## PC3 PC3 PC4 PC4
## [1,] "pnotslow" "0.311988" "poccupy" "0.330563"
## [2,] "dyieldmain" "0.29682" "dnotslow" "0.237836"
## [3,] "dnotslow" "0.265855" "pnightlight" "0.213362"
## [4,] "pyieldmain" "0.186952" "pyieldmain" "0.198571"
## [5,] "dstartneg" "0.161427" "pnotslow" "0.17375"
## [6,] "pstop" "0.150572" "duturnsidewalk" "0.172759"## PC3 PC3 PC4 PC4
## [39,] "doverspeed" "-0.180261" "pdistance" "-0.192085"
## [40,] "duturnsidewalk" "-0.199705" "pnotright" "-0.215811"
## [41,] "pnightlight" "-0.236333" "ddirectlight" "-0.238459"
## [42,] "poccupy" "-0.27288" "dstartneg" "-0.285101"
## [43,] "poverspeed" "-0.353073" "psign" "-0.338083"
## [44,] "dsign" "-0.367531" "dyieldped" "-0.342697"## PC5 PC5 PC6 PC6
## [1,] "dpassneg" "0.277769" "dpassneg" "0.454621"
## [2,] "ppassneg" "0.248625" "ppassneg" "0.452886"
## [3,] "ppark" "0.246516" "pbackneg" "0.231183"
## [4,] "dpedcross" "0.191379" "dstartneg" "0.228451"
## [5,] "pstop" "0.172317" "pnotright" "0.226042"
## [6,] "dyieldped" "0.169459" "dbackneg" "0.211044"## PC5 PC5 PC6 PC6
## [39,] "dnotslow" "-0.182191" "pstop" "-0.124051"
## [40,] "pdirectlight" "-0.200592" "dpedcross" "-0.154089"
## [41,] "pnotright" "-0.207135" "dnotslow" "-0.181527"
## [42,] "pturnneg" "-0.289947" "pfrontneg" "-0.216238"
## [43,] "poccupy" "-0.308009" "pdistance" "-0.231512"
## [44,] "dstartneg" "-0.31346" "ddistance" "-0.235739"## PC7 PC7 PC8 PC8
## [1,] "ppassneg" "0.351795" "dbackneg" "0.288384"
## [2,] "dpassneg" "0.337696" "ppark" "0.263348"
## [3,] "dagainst" "0.192491" "dagainst" "0.196692"
## [4,] "pagainst" "0.173936" "pbackneg" "0.176116"
## [5,] "dnotslow" "0.167188" "pstartneg" "0.166391"
## [6,] "dturnneg" "0.159961" "doccupy" "0.143691"## PC7 PC7 PC8 PC8
## [39,] "ddrunk" "-0.152136" "ppassneg" "-0.203811"
## [40,] "dpedcross" "-0.171859" "pnightlight" "-0.226604"
## [41,] "pstop" "-0.187971" "poccupy" "-0.234567"
## [42,] "dunlicenced" "-0.278069" "pdistance" "-0.289052"
## [43,] "pbackneg" "-0.361885" "pstop" "-0.314882"
## [44,] "dbackneg" "-0.382323" "dpedcross" "-0.322173"## PC9 PC9
## [1,] "pdistance" "0.326974"
## [2,] "ddistance" "0.307658"
## [3,] "dyieldmain" "0.295638"
## [4,] "punlicenced" "0.208918"
## [5,] "doverspeed" "0.170602"
## [6,] "pnotslow" "0.160245"## PC9 PC9
## [39,] "pturnneg" "-0.136005"
## [40,] "doccupy" "-0.14335"
## [41,] "dyieldped" "-0.148055"
## [42,] "dturnneg" "-0.180812"
## [43,] "pstop" "-0.42586"
## [44,] "dpedcross" "-0.458091"依照觀察結果，將九個主成分依照資料特性依序命名為「被告有路權卻未注意車前狀況“drightyes&dfrontneg”」、「被告未禮讓及原告未遵守標誌或號誌“dyield&psign”」、「原被告未減速、未禮讓“d&p_notslow&yield”」、「原告為職業駕駛人且遵守號誌，被告亦有禮讓“pjob&psign_no&dyield_no”」、「原被告會車不慎或原告違規停車“d&p_passneg_or_pstop”」、「原被告會車不慎但有保持行車安全距離"d&p_passneg_&nodistance_yes“」、「原被告會車不慎，但無倒車不慎”d&p_passneg&_backneg_no“」、「被告倒車疏忽與原告違規停車”dbackneg&pstop“」、「原被告未保持行車安全距離”d&p_nodistance"」。
4.4.3 取代原始數據並分析
接著，把選取出來的九個主成分，以各因素負荷量和原始資料進行矩陣相乘，得到新的九欄數據，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。
| PC.full$dfault | ||||
|---|---|---|---|---|
| Predictors | Estimates | std. Error | Statistic | p |
| (Intercept) | 64.51 *** | 1.44 | 44.84 | <0.001 |
| drightyes&dfrontneg | -2.72 ** | 0.89 | -3.05 | 0.003 |
| dyield&psign | 0.44 | 1.01 | 0.44 | 0.661 |
| d&p_notslow&yield | -2.81 ** | 1.02 | -2.75 | 0.007 |
| pjob&psign_no&dyield_no | -0.33 | 1.06 | -0.31 | 0.759 |
| d&p_passneg_or_pstop | 0.69 | 1.07 | 0.64 | 0.521 |
| d&p_passneg_&_nodistance_yes | 2.49 * | 1.10 | 2.27 | 0.025 |
| d&p_passneg_&_backneg_no | -1.45 | 1.11 | -1.31 | 0.193 |
| dbackneg&pstop | 1.64 | 1.13 | 1.45 | 0.149 |
| d&p_nodistance | 1.40 | 1.15 | 1.22 | 0.226 |
| Observations | 187 | |||
| R2 / R2 adjusted | 0.136 / 0.093 | |||
|
||||
| PC.full$dfault | ||||
|---|---|---|---|---|
| Predictors | Estimates | std. Error | Statistic | p |
| (Intercept) | 79.38 *** | 15.68 | 5.06 | <0.001 |
| drightyes&dfrontneg | -1.24 | 0.93 | -1.33 | 0.185 |
| dyield&psign | 1.03 | 1.26 | 0.82 | 0.414 |
| d&p_notslow&yield | -1.47 | 1.03 | -1.44 | 0.153 |
| pjob&psign_no&dyield_no | -0.03 | 1.17 | -0.03 | 0.976 |
| d&p_passneg_or_pstop | 0.69 | 1.03 | 0.67 | 0.505 |
| d&p_passneg_&_nodistance_yes | 1.97 | 1.00 | 1.97 | 0.051 |
| d&p_passneg_&_backneg_no | -1.33 | 1.04 | -1.28 | 0.202 |
| dbackneg&pstop | 2.07 | 1.17 | 1.76 | 0.080 |
| d&p_nodistance | 2.22 | 1.17 | 1.89 | 0.061 |
| dbigcar | -29.29 * | 14.33 | -2.04 | 0.043 |
| dsmallcar | -24.31 | 12.79 | -1.90 | 0.059 |
| dmotorbike | -17.46 | 12.55 | -1.39 | 0.166 |
| pbigcar | 9.86 | 13.54 | 0.73 | 0.467 |
| psmallcar | 8.18 | 9.74 | 0.84 | 0.402 |
| pmotorbike | 3.20 | 9.22 | 0.35 | 0.729 |
| dminor | -7.62 | 10.01 | -0.76 | 0.448 |
| pdead | 7.91 | 9.17 | 0.86 | 0.390 |
| pserious | 16.12 * | 7.07 | 2.28 | 0.024 |
| pminor | 2.79 | 5.66 | 0.49 | 0.622 |
| djob | -0.03 | 3.26 | -0.01 | 0.993 |
| pjob | 1.93 | 4.87 | 0.40 | 0.692 |
| nofaultissue | -0.51 | 7.26 | -0.07 | 0.944 |
| dexpfaultmore | 2.00 | 3.91 | 0.51 | 0.609 |
| dexpfaultless | -23.63 *** | 6.53 | -3.62 | <0.001 |
| dexpfaulthalf | -13.09 * | 6.24 | -2.10 | 0.038 |
| dexpfaultall | 38.14 *** | 7.32 | 5.21 | <0.001 |
| Observations | 187 | |||
| R2 / R2 adjusted | 0.395 / 0.297 | |||
|
||||
4.4.4 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，例如被告倒車疏忽和原告違規停車、原告未遵守號誌而被告未禮讓、原告方及被告方均有會車不慎或未保持行車安全距離等，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32.73%和26.2%，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52%左右，僅能預測約一半的案件，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，若原告沒有硝基違規，也沒有積極違規的情形，則法院基本上就會判被告要負100%的責任，反之，若是原告有消極違規，而又沒有路權的情形，被告的過失比例就會大幅降低，從結果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可提供法院判斷時較關鍵的考量因素以作為後續相關研究的基礎。
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。
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。↩︎
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)↩︎
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。↩︎
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。↩︎