「事故多」的地方，就是「會出人命」的地方嗎？
r = 0.45
事故數 ↔ 死亡，只是中度正相關
52%
事故最多的前 10% 格子，只有一半出過人命
24%
出過人命的格子，只有 ¼ 在事故最密處
傳統的事故熱點圖告訴我們哪裡事故多，卻不一定告訴我們哪裡會出人命。這份報告想找出：值得優先現地檢核的死亡風險路口在哪。
台北交通風險 · 看見什麼，漏看什麼02 / 16
怎麼找？先放一個大池子，讓模型篩
把台北切成 500m 網格（669 格），每格量 45 個都市特徵，讓模型找規律。我們沒有每條路的真實人流、車流、駕駛行為，所以用都市 proxy 描述不同面向：
類別例子變數它代表什麼
暴露量/人口總人口、日夜人口、高齡人口人在不在、活動量高不高
路網密度路段數、路口數、跨等級路口交通接觸機會多不多
都市活動 proxy租屋件數、各類 POI、汽車 POI居住／商業／車流活動強度
區位背景坡度、土地使用、綠地區位條件，不直接當原因
速度/治理 proxy測速機位置、（另查 TomTom 車速）速度治理或實際速度有沒有訊號
道路介面路口等級落差大路接小路的結構轉換
連速度都放進池子查過——測速機在哪（治理）＋ TomTom 實際車速（r≈0.02）——但它不是死亡風險裡穩定留下的訊號。
台北交通風險 · 看見什麼，漏看什麼03 / 16
丟進去的 40 多個特徵，模型留下哪些？
留下 模型選入篩掉 未選入★ 我們自己設計的變數
暴露量／人口
總人口日夜人口高齡人口
路網密度
路段數路口數跨等級路口主幹道路段
都市活動／房產 proxy
住商混合汽車 POI教育 POI租屋件數商業住宅餐飲休閒娛樂運動文化公共交通用地水體其他 POI房價坪數租金屋齡
區位／環境
最大坡度海拔平均坡度綠覆淹水潛勢降雨液化高溫日數極端淹水嚴重淹水
速度／治理 proxy
測速機位置距捷運距學校
道路介面
★最大落差平均落差道路等級
連房價、洪災這種交通研究通常不放的都丟進來（都市 proxy）。篩到最後，最有意思的是路口等級落差——我們自己設計的新變數。
台北交通風險 · 看見什麼，漏看什麼04 / 16
篩完之後：誰解釋「事故多」，誰解釋「死亡」
變數proxy 意義事故數死亡解讀
人口暴露量強強人多，事故與死亡機會都高
路網密度接觸機會強中路段、路口越多，交會越多
租屋件數居住活動 proxy中—不是租屋造成事故
汽車 POI車流活動 proxy中—不是汽車店造成事故
路口等級落差道路介面有顯著·唯一可介入值得現地檢核的對象
測速機 / 車速速度治理 / 實際速度查過沒留下查過沒留下速度訊號不穩定
強/中/有 = 該模型內的標準化重要度；「—」= 未進入該模型；「查過沒留下」= 在候選池但未被選入。事故模型用「日夜人口」、死亡模型用「總人口」。
三種方法（隨機森林、XGBoost、迴歸）反覆挑出同一批因子。人口和路網解釋「事故多」，但它們改不動；真正有意思、又能動手的，是道路介面。
台北交通風險 · 看見什麼，漏看什麼05 / 16
核心發現：被漏看的「路口等級落差」
死亡風險不只看事故量或速度，可能藏在道路尺度突然轉換的地方。
於是我們設計了一個新變數——路口等級落差：大馬路直接接上小路、中間少了一段緩衝。
於是我們設計了一個新變數——路口等級落差：大馬路直接接上小路、中間少了一段緩衝。
42% vs 17%
落差大（≥4 級）的格子，42% 曾出過死亡事故；一般格子只有 17%
它是死亡模型裡最小的係數——但六個因子裡，唯一能在路口實際動手的就是它。（網格層級的統計相關，不是因果。）
台北交通風險 · 看見什麼，漏看什麼06 / 16
落差大的路口，真的就是事故發生的地方嗎？
台北交通風險 · 看見什麼，漏看什麼07 / 16
不同型的落差路口，需要不同做法
平面型 · 320 路口
主幹道直接接巷弄，交叉就在地面。
例：和平西路 × 大理街 → 庇護島、號誌時相、車道收窄。
例：和平西路 × 大理街 → 庇護島、號誌時相、車道收窄。
立體型 · 32 路口 ≈ 準快速道路
快速道路高架／匝道，車流在不同層。
例：環河快速道路匝道 → 匝道緩衝、沿線而非單點。
例：環河快速道路匝道 → 匝道緩衝、沿線而非單點。
降速坡
車道視覺收窄
號誌行人時相
行人天橋
把高風險路口指名標出來、按型分類——不是拿同一招打所有路口。
台北交通風險 · 看見什麼，漏看什麼08 / 16
對策：模型找出「哪裡」，工程決定「怎麼做」
平面型 · 主幹道接巷弄
→ 路口點的措施
- 行人庇護島 （研究：行人事故約降一半）
- 路口抬高 / 入口意象
- 車道收窄、縮點
- 讓行人先走的號誌（早開時相）
立體型 · 快速道路／匝道接巷弄
→ 沿線與匝道的措施
- 匝道出口速度回饋 + 建議速限
- 漸進減速車道 + 匝道端點收緊
- 沿線速度管理（非單點）
- 事故沿線散，單點壓不住整段
本土案例｜台北大安區「大學里」（全台第一個交通寧靜區示範）：轉角外推、縮減車道、S 型彎道讓車自然慢下來 → 事故 −68%（北市示範巷弄，2018，前後一年）。
模型告訴我們哪些路口值得優先現地檢核；現地用哪種措施是下一步的設計診斷——效果證據來自 FHWA / NACTO / 大學里，不是這個模型證明的。
台北交通風險 · 看見什麼，漏看什麼09 / 16
台北交通風險 · 看見什麼，漏看什麼
一套死亡風險的篩選方法
從 40 多個都市與道路 proxy 裡，找出事故熱點圖和測速治理不容易看見、
但值得優先現地檢核的道路介面——路口等級落差大的地方。
全臺北互動地圖
tptraffic.panspace.me
tptraffic.panspace.me
創新 AI 潘柏嘉 114C73029 謝謝大家
附錄 A1
事故件數公式（多元線性迴歸 OLS）
預測事故件數 ＝ −7.6 ＋ …（adjusted R² = 0.82）
+ 1.23 × 白天+夜間人口（千人）+ 2.52 × 路段數+ 0.058 × 租屋件數+ 1.49 × 汽車 POI+ 0.59 × 路口數+ 5.95 × 最糟路口落差（每級）
標準化後最大的是人口、其次路網密度。係數為原始尺度單位效應。
台北交通風險 · 看見什麼，漏看什麼11 / 16
附錄 A2
死亡風險公式（Logistic 迴歸）
出現死亡的 log-odds ＝ −2.76 ＋ …（非線性 · AUC = 0.79 · baseline 21%）
+ 0.24 × 總人口（千人）+ 0.06 × 路段數− 0.07 × 最大坡度− 0.06 × 教育 POI− 0.06 × 住商混合+ 0.32 × 最糟路口落差
落差 +1 級 → 在基準 21% 附近約 +5.9 個百分點。這是變數在模型內的效應大小，不是某個工程措施的效益（措施不會直接降低道路等級落差）。
台北交通風險 · 看見什麼，漏看什麼12 / 16
附錄 A3
速度查過了：跟死亡幾乎無關
TomTom 實際車速比對 27,000 段：「開多快」跟「路在不在高處」有關，但跟「會不會出人命」幾乎無關（r≈0.02）。
事故成因很多，不見得是速度快，降速不見得是唯一的解方。
邱裕鈞 教授（陽明交大）· 公視
降速不是沒用，而是有盲點：單點測速壓不住整段，也沒碰到路口結構。
台北交通風險 · 看見什麼，漏看什麼13 / 16
附錄 A4
114 年（2025）跨年度驗證
111–113 訓練的模型、不重訓，輸入維持現況特徵、結果換成 114 年事故，只比排序。
指標意義同年度114 OOT
死亡 AUC跨年度仍有判別力0.7890.757
風險倍數 lift高預測 vs 低預測 grid4.22×3.83×
事故排序 ρ預測 ↔ 實際，非常穩定0.9220.922
死亡排序 ρ預測 ↔ 實際，仍正向—+0.228
base rate 不同（1 年 7.0% vs 3 年 21.2%），所以只比排序，不直接比絕對機率。
台北交通風險 · 看見什麼，漏看什麼14 / 16
附錄 A5
「等級落差」是什麼，分成哪幾型
落差 ＝ 路口上「最高等級路 − 最低等級路」（OSM 道路等級：高速 7 / 快速 6 / 主幹 5 / 次幹 4 / 集散 3 / 巷弄 1）
落差主要組合路口/格型
4 級主要幹道 × 巷弄320 / 92平面
5 級快速道路 × 巷弄27 / 21立體
6 級高速公路 × 巷弄（交流道）5 / 5立體
平面型事故聚在路口 → 做路口點措施；立體型事故沿線分布 → 做匝道與沿線措施。路口由 OSM 共節點判定（拓樸近似）。
台北交通風險 · 看見什麼，漏看什麼15 / 16
附錄 A6
單變數相關與解讀限制
配對（網格層級）PearsonSpearman
事故數 ↔ 死亡+0.45+0.44
最糟落差 ↔ 事故數+0.57+0.68
最糟落差 ↔ 死亡+0.32+0.35
落差 ≥ 4 的格子，42% 曾出過死亡事故；一般格子 17%。
口徑與解讀限制
- 路口由 OSM 共節點判定（拓樸近似），共節點 ≠ 實體衝突點。
- 路口落差是網格層級的風險指標，不代表事故都在那一點。
- 坡度、土地使用為負向，屬於暴露／區位代理。
- 死亡 = 24 小時內死亡（A1 定義）。
- 本研究呈現的是統計相關，非因果推論。
台北交通風險 · 看見什麼，漏看什麼16 / 16