交通之亂 看錯病開錯藥
中時新聞網.2024年4月19日 04:10

(圖/本報系資料照)

 官方最新數據顯示,去年5月因「行人地獄」汙名展開路口強力取締,至今路口行人死亡人數卻未下降。由此可見,這一招根本沒用。

 「行人地獄」4個字,講起來聳動,但根本不是行人死亡的主要原因。行人死亡主因是高齡行人不守交通規則,或者駕駛視線不良,比如晨昏光線不足,或者轉彎被A柱擋到等等,用膝蓋想也知道,大家會狠心到看到前面有人走路,硬是要撞上去嗎?

 從官方數據來看,歷年行人死亡曲線,與高齡行人死亡曲線,從106年開始升高以後,108年達到高峰,後來下降,近幾年仍呈現下降趨勢。所以說,去年全國行人死亡人數較前年略微下降,絕對不是你做了什麼「行人地獄」大執法,而是這幾年本來就呈現下降趨勢了。

 為什麼這幾年呈現下降趨勢?分析六都數據便知,幾乎就是他們的行人死亡總數下降了,而原因很可能就是捷運與大眾運輸開通了,比如高雄的輕軌與台中捷運。搭捷運的人變多,行人死亡就減少了。

 只是,注意了,106年以後台灣車禍死亡人數,至今並未減少,甚至增加了300人,為什麼?

 因為高齡機車死亡人數剛好增加了將近300人。為什麼106年以後,高齡機車死亡人數逐年增加?因為施行了高齡駕照換照制度!這是弔詭效應,我第一個發現,但至今沒得到重視。老人家換照以後,以為自己技術妥當了,更敢騎了,其實騎車上路跟換照是兩回事。

 108年以後,全國行人死亡人數逐漸下降,乃因高齡行人死亡人數下降,但同時期高齡機車死亡人數也上升,一來一往相互抵消,於是車禍死亡人數並未明顯改變。

 施政必須依據證據,所謂「循證治理」,可惜連「行人地獄」這樣最容易做數據分析的政策,竟然也做不到。其他政策,更不用說了。

 事實上,行人死亡要下降,就要從最主要死亡族群與原因做處理,也就是高齡行人死亡,以及行人違規與交通視線不良,這在日本經驗裡已經清楚證明。

 「行人地獄」問題的本質其實是「高齡地獄」,整個社會對阿公阿嬤的交通問題毫不重視,任憑他們七老八十了還在騎機車到處去,或者明明認知功能不佳,還讓他們獨居,然後晨昏出門運動或者購物,不小心就被車子撞死了。

 不在高齡車禍死亡問題下功夫,只是跟著民意起鬨,在路口強力抓違規,根本浪費警力,又於事無補。或許台灣社會就是這樣,公共議題就是想當然爾,一陣起鬨與胡鬧之後,只要民意可以滿足,施政就那樣做,反正下一次選舉沒問題,也就一切沒問題了。(作者為醫師)

最新選舉新聞

最新選舉新聞

多元觀點

不同視角的媒體報導

吳秉叡 投票

陳耀祥 立院

勞工 大遊行

藍白 移送 監察院

立院 通過 電價

提升 勞工

中天新聞網
中天新聞網
中廣新聞網
今日新聞NOWnews
直擊/誰幫忙按表決器?吳秉叡竟對記者架拐:別擋我路
日前院會處理電價凍漲等案表決,究竟是誰幫吳秉叡按下表決器,今(2日)吳秉叡在立院被媒體追問時,竟出手架拐子嗆說「別擋我路」。
  • 資料來源:網路溫度計自2017年至今約累積28億則以上文章的網路社群大數據資料庫,其內容涵蓋Facebook、YouTube、Instagram、Dcard、以及包含Yahoo奇摩新聞、聯合新聞網、中時新聞網、ETtoday新聞雲、LINE TODAY、蘋果日報、自由時報、三立新聞網等約350家媒體網站上與選舉相關之政黨、候選人公開資料。
  • 分析方式:本模型分析方式非採傳統抽樣之民意調查,係將蒐集之資料庫予以分析,無母體數、樣本數限制。本模型係運用大數據關鍵引擎,透過深度學習與AI人工智慧技術,使用斷字切詞(Word Segmentation)、語意分析(Semantic Analysis) 、即時情緒分析(Real-Time Sentiment Analysis)等技術,汲取網路上相關討論文章,將文章分為正面、負面、中立三種情緒,計算網路聲量。
  • 跨世代劃分標準:本預測模型判別跨世代之依據,係以不同世代使用者之網路社群行為模式差異區辨。以不同社群網站之使用者世代臉譜數據為基礎,計算跨世代在不同社群聲量上的權重,綜合計算後得到世代好感度數據。
  • 名詞解釋
    • 網路聲量:透過「KEYPO大數據關鍵引擎」,計算社群討論及新聞報導提及的文章則數,聲量越高代表討論越熱,能見度越高。
    • 好感度分數:綜合評估網路聲量與網友語意情緒,分析各熱門候選人的網友評價。各熱門候選人的情緒、聲量皆經過標準化分數處理,得出好感度分數,再進行各縣市候選人彼此的比較,評量不僅需要聲量高,而且是好評要高,負評要低。好感度分數範圍在0-100分之間,分數越高,表示整體網友對於該位候選人的好感程度越佳。
  • 其他說明
    • 調查單位及主持人:大數據股份有限公司
    • 辦理時間:即日起至2022年11月16日止,逐日更新好感度數據。
    • 抽樣方式:本預測模型非抽樣之民調調查
    • 母體數:無母體數,請參考上述大數據資料庫的內容涵蓋範圍
    • 樣本數及誤差值:本預測模型非採用小樣本抽樣之民意調查,不適用抽樣誤差值
    • 經費來源:Yahoo奇摩、大數據股份有限公司