隨著取得研究數據的方法更加多元與完善，為提升資料的可操作性，歐洲於2016年起根據FAIR原則進行研究數據治理，原則包含數據須具備可尋找性（Findable）、可取得性（Accessible）、互操作性（Interoperable）與可重複使用性（Reusable）。因此，若有完善的數據治理將有助於不同單位的數據整合與共享，且透過鏈結不同單位的數據，也可提升資料應用之價值。我國現行的道路交通安全相關分析研究與肇事鑑定主要使用警政署的事故資料，但警政署的事故資料並未與其他單位的資料鏈結，當事故鑑定會判定之肇事原因與警政署不同時，在警政署的事故資料中仍紀錄警察初步判定之肇事原因。由於事故資料內容的正確性與完整度會影響後續交通安全分析之結果，因此本研究透過鏈結警政署與事故鑑定會的事故資料，使交通事故資料內容更為完善，也有助於進一步釐清交通事故之問題。
自行車為各國推行綠色運輸的代表運具，但自行車騎士為脆弱的道路使用者，其事故風險遠高於其他運具。我國近4年（民國105年至108年）的自行車涉入事故件數跟死亡人數逐年增加，平均每年有9,000餘件自行車涉入事故、100餘人死亡，顯見自行車安全不容忽視。本研究使用民國100年至108年新北市車輛行車事故鑑定委員會之自行車事故紙本資料（包含警政署提供給事故鑑定會的事故資料）進行分析。有別於其他研究多以敘述性統計與傳統統計理論模型探討事故受傷嚴重性的關鍵影響因素，本研究使用約略集合理論來分析具不確定性與不完全性的事故資料，以探討事故因素跟受傷嚴重性間的因果關係。在建立模型前，本研究首先將自行車事故紙本資料進行編碼，編碼方式主要沿用警政署的事故欄位，並根據研究需要有另新增編碼欄位與細分現行欄位。接著進行資料清理，並將警政署與事故鑑定會的事故資料進行鏈結。接著將鏈結後的事故資料依照自行車當事人的肇事肇任歸屬分成三個子資料，分別為完全有責事故、部份有責事故與無責事故。為避免在建立約略集合理論模型時產生過多的無效決策規則，本研究先透過隨機森林模型進行變數重要度排序，以篩選重要變數。再透過約略集合理論產生的決策規則探討自行車當事人常見的錯誤用路行為（根據完全有責與部份有責）與應預防的對方車錯誤用路行為（根據無責事故）。
研究結果顯示，在完全有責事故與部份有責事故之決策規則中，自行車騎士常有轉向不當、侵犯他車路權、路外起駛未禮讓正線車及逆向等違規行為。根據無責事故之決策規則結果顯示，對方車輛在路段超車時常未與自行車保持安全間距，以及在右轉彎時未禮讓直行自行車。與機動車輛相比，自行車的相關法令規範與安全宣導較為不足，部份宣導內容也忽略自行車常見的安全問題。為了提升自行車安全，建議短期可透過針對特定違規行為進行嚴格執法與重新檢視自行車安全宣導內容，並且配合現況作內容調整；中長期則透過培養自行車安全教育宣導團隊，以及完善自行車相關法規與安全管理。

As the methods for data collection become more diversified. European countries following the FAIR principles to manage data in 2016. FAIR principles mean data should be Findable, Accessible, Interoperable, and Reusable. Therefore, a comprehensive data management can help different agencies to integrate and share those data. Through connecting data from different agencies can also enhance the value of application. Current analysis of road traffic accidents and traffic accident investigation mainly used the traffic accident dataset proposed by National Police Agency (NPA). However, the NPA dataset does not link with other agencies. When the cause of accident determination by the Traffic Accident Investigation Committee is different from NPA, the cause of the accident in the NPA dataset will not be updated. Because the accuracy and completeness of the traffic accident data will affect the results of traffic accident analysis, this study linked the NPA traffic accident dataset and the dataset from the Traffic Accident Investigation Committee of New Taipei City to improve the completeness of dataset and therefore to clarify the problem of traffic accidents.
Bicycle can represent green transportation in many countries but cyclists are vulnerable road users, and those who are involved in a crash are exposed to a much higher risk of injury compared to motor vehicle users. Taiwan had an average of more than 100 deaths in 9,000 cyclists-involved accidents each year from 2016 to 2019. This shows that cyclists' safety cannot be ignored and urgently needed improvement. This study used the cyclist accident investigation report data (including the NPA traffic accident investigation report) from 2011 to 2019 by the Traffic Accident Investigation Committee of New Taipei City. This study is Different from other studies that often use descriptive Statistics and traditional statistical models to explore the important factors that affect the injury severity of traffic accidents. The rough set approach can be used to analyze traffic accident data with uncertainty and incompleteness. This study is exploring the relationships among factors and accidents by using Rough Set Approach. First, this study code the cyclist accident investigation report data mainly follows the accident investigation codebook from NPA before modeling. And because of research needs, we have added new encoded fields and subcategories of the current encoded fields. Second, we cleaned the dataset and linked the NPA traffic accident dataset with the dataset from the Traffic Accident Investigation Committee of New Taipei City (hereinafter referred to as cyclist accident dataset). Third, we spilt the cyclist accident dataset to three sub-dataset according to the degree of responsibility for the accident that cyclists have to bear, which are all-at-fault, partial-at-fault and not-at-fault. Fourth, we used the Random Forest model to filter the important variables before modeling rough set approach in order to avoid many invalid decision rules producted by rough set approach model. Fifth, we used decision rules to explore cyclist's risk-driving behavior on roads (accroding to all-at-fualt and partial-at-fault) and other vehicle's risk-driving behavior that cyclist should prevent on road (accroding to not-at-fault).
The study result shows that cyclist often has improper turning, failing to yield the right of way and going the wrong way…etc. Furthermore, vehicles often don't keep a safe lateral distance from cyclists and failed to yield the right of way of the straight cyclist when right turn. Compared with other vehicles, cyclist-related laws, regulations are insufficient. Also, cyclist safety advocacy content also ignores the risk-driving behavior of cyclists. To enhance cyclist safety, the authority concerned can enforce the law against specific violations and update the cyclist safety advocacy content with the current condition in the short-term. In the medium and long-term, the authority concerned can train the cyclist safety advocacy teams, and improve cyclist-related laws, regulations, and safety management.

第一章 緒論　1
1.1研究背景與研究動機　1
1.2研究目的　5
1.3研究流程　5

第二章 文獻回顧　7
2.1道路交通事故資料蒐集與現況問題　7
2.2道路交通事故調查表之演進與改善相關研究　8
2.3自行車事故特性分析之研究　9
2.4我國自行車使用狀況　10
2.5自行車相關交通法規與安全宣導　11
2.5.1自行車相關交通法規條文內容　11
2.5.2自行車安全宣導相關內容　15
2.6隨機森林　16
2.7約略集合理論　21
2.8小結　24

第三章 研究方法　27
3.1研究架構　27
3.2隨機森林模型　29
3.2.1隨機性　29
3.2.2吉尼係數（Gini criterion）　30
3.2.3袋外資料（Out of Bag data, OOB）　30
3.2.4隨機森林的模型建構流程　31
3.2.5隨機森林最佳化模型建構　32
3.3約略集合理論的基本概念　33
3.3.1決策表　33
3.3.2不可區分之關係與上、下界近似集合　33
3.3.3屬性折減集合與決策規則　34

第四章 實證結果與分析　35
4.1資料預處理與初步分析　35
4.1.1資料蒐集　36
4.1.2資料編碼　36
4.1.3資料清理與整合　40
4.1.4建立子資料檔　40
4.1.5敘述性統計分析　42
4.2隨機森林模型　54
4.2.1自行車完全有責事故之隨機森林模型結果　55
4.2.2自行車部份有責事故之隨機森林模型結果　57
4.2.3自行車無責事故之隨機森林模型結果　59
4.2.4小結　61
4.3約略集合理論模型　62
4.3.1自行車完全有責事故之約略集合理論模型結果　62
4.3.2自行車部份有責事故之約略集合理論模型結果　69
4.3.3自行車無責事故之約略集合理論模型結果　75
4.3.4小結　79

第五章 結論與建議　81
5.1結論　81
5.2建議　84
5.2.1後續研究建議　84
5.2.2提升自行車安全相關策略之建議　85
5.2.3事故資料蒐集改善之建議　88

參考文獻　89
-------------------------------------------
圖目錄
圖1.1自行車事故件數與死亡人數　3
圖1.2研究流程圖　6
圖2.1隨機森林的運算示意圖　17
圖3.1研究流程圖　28
圖3.2上、下界近似集合示意圖　34
圖4.1資料預處理之流程　35
圖4.2側撞事故分類（部份舉例）　39
圖4.3自行車涉入事故資料檔說明　40
圖4.4建立事故子資料檔之流程圖　41
圖4.5各年齡族群的事故發生時間(完全有責)　42
圖4.6各年齡族群的事故發生時間(部份有責)　46
圖4.7各年齡族群的事故發生時間(無責)　50
圖4.8決策樹數量與完全有責事故模型誤差率關係圖　55
圖4.9完全有責事故隨機森林模型之變數重要度排序　56
圖4.10決策樹數量與部份有責事故模型誤差率關係圖　57
圖4.11部份有責事故隨機森林模型之變數重要度排序　58
圖4.12決策樹數量與無責事故模型誤差率關係圖　59
圖4.13無責事故隨機森林模型之變數重要度排序　60
-------------------------------------------
表目錄
表2-1道安規則與自行車相關之法規條文彙整　11
表2-2隨機森林應用於分類之相關文獻整理　19
表2-3約略集合理論之相關文獻整理　23
表4-1事故資料之編碼欄位來源（依變數屬性劃分）　37
表4-2肇事原因之細分項目　38
表4-3自行車事故之涉入車輛數　40
表4-4自行車當事人的肇因歸屬　41
表4-5自行車當事人年齡與性別交叉分析(完全有責)　42
表4-6自行車當事人年齡與道路型態交叉分析(完全有責)　43
表4-7自行車當事人肇因(完全有責)　43
表4-8自行車當事人飲酒情形(完全有責)　44
表4-9自行車當事人受傷情形(完全有責)　44
表4-10對方車種(完全有責)　44
表4-11光線狀態(完全有責)　45
表4-12天氣狀態(完全有責)　45
表4-13自行車當事人年齡與性別交叉分析(部份有責)　46
表4-14自行車當事人年齡與道路型態交叉分析(部份有責)　47
表4-15自行車當事人肇因(部份有責)　47
表4-16自行車當事人飲酒情形(部份有責)　48
表4-17自行車當事人受傷情形(部份有責)　48
表4-18對方當事人肇因(部份有責)　48
表4-19對方車種(部份有責)　49
表4-20光線狀態(部份有責)　49
表4-21天氣狀態(部份有責)　49
表4-22自行車當事人年齡與性別交叉分析(無責)　50
表4-23自行車當事人年齡與道路型態交叉分析(無責)　51
表4-24對方當事人肇因(無責)　51
表4-25自行車當事人飲酒情形(無責)　51
表4-26自行車當事人受傷情形(無責)　52
表4-27對方車種(無責)　52
表4-28光線狀態(無責)　52
表4-29天氣狀態(無責)　53
表4-30事故相關變數　54
表4-31隨機森林模型重要變數整理表　61
表4-32完全有責事故約略集合模型決策表（部份舉例）　62
表4-33完全有責事故決策屬性的近似準確度結果　63
表4-34各折減集合包含之條件屬性(完全有責)　63
表4-35完全有責事故之決策規則　67
表4-36部份有責事故約略集合模型決策表（部份舉例）　69
表4-37部份有責事故決策屬性的近似準確度結果　69
表4-38各折減集合包含之條件屬性(部份有責)　70
表4-39部份有責事故之決策規則　73
表4-40無責事故約略集合模型決策表（部份舉例）　75
表4-41無責事故決策屬性的近似準確度結果　75
表4-42各折減集合包含之條件屬性(無責)　76
表4-43無責事故之決策規則　78

1. Aldred, R., García-Herrero, S., Anaya, E., Herrera, S., Mariscal, M. Á. J. I. j. o. e. r., & health, p. (2020). Cyclist injury severity in Spain: a Bayesian analysis of police road injury data focusing on involved vehicles and route environment. International journal of environmental research and public health, 17(1), 96. doi: 10.3390/ijerph17010096
2. Augeri, M. G., Colombrita, R., Greco, S., & Sapienza, P. (2014). Dominance-based rough set approach to network bridge management. The Baltic Journal of Road and Bridge Engineering, 9(1), 31-42. doi: 10.3846/bjrbe.2014.05
3. Augeri, M. G., Cozzo, P., & Greco, S. (2015). Dominance-based rough set approach: An application case study for setting speed limits for vehicles in speed controlled zones. Knowledge-Based Systems, 89, 288-300. doi: 10.1016/j.knosys.2015.07.010
4. Bédard, M., Guyatt, G. H., Stones, M. J., & Hirdes, J. P. (2002). The independent contribution of driver, crash, and vehicle characteristics to driver fatalities. Accident Analysis & Prevention, 34(6), 717-727. doi: 10.1016/S0001-4575(01)00072-0
5. Bíl, M., Bílová, M., & Müller, I. (2010). Critical factors in fatal collisions of adult cyclists with automobiles. Accident Analysis & Prevention, 42(6), 1632-1636. doi: 10.1016/j.aap.2010.04.001
6. Breiman, L. (1996). Bagging predictors. Machine learning, 24(2), 123-140. doi: 10.1007/BF00058655
7. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. doi: 10.1023/A:1010933404324
8. Egaji, O. A., Chakhar, S., & Brown, D. (2019). An innovative decision rule approach to tyre pressure monitoring. Expert Systems with Applications, 124, 252-270. doi: 10.1016/j.eswa.2019.01.051
9. Fraboni, F., Marín Puchades, V., De Angelis, M., Pietrantoni, L., & Prati, G. (2018). Red-light running behavior of cyclists in Italy: An observational study. Accident Analysis & Prevention, 120, 219-232. doi: 10.1016/j.aap.2018.08.013
10. Glász, A., & Juhász, J. (2017). Car-pedestrian and car-cyclist accidents in Hungary. Transportation Research Procedia, 24, 474-481. doi: 10.1016/j.trpro.2017.05.085
11. Harb, R., Yan, X., Radwan, E., & Su, X. (2009). Exploring precrash maneuvers using classification trees and random forests. Accident Analysis & Prevention, 41(1), 98-107. doi: 10.1016/j.aap.2008.09.009
12. Ho, T. K. (1995). Random decision forests. Paper presented at the 1995 3rd International Conference on Document Analysis and Recognition. Quebec, Canada. doi: 10.1109/ICDAR.1995.598994
13. Kang, K., & Ryu, H. (2019). Predicting types of occupational accidents at construction sites in Korea using random forest model. Safety Science, 120, 226-236. doi: 10.1016/j.ssci.2019.06.034
14. Kaplan, S., & Prato, C. G. J. T. i. p. (2013). Cyclist–motorist crash patterns in Denmark: A latent class clustering approach. Traffic Injury Prevention, 14(7), 725-733. doi: 10.1080/15389588.2012.759654
15. Kaplan, S., Vavatsoulas, K., & Prato, C. G. (2014). Aggravating and mitigating factors associated with cyclist injury severity in Denmark. Journal of Safety Research, 50, 75-82. doi: 10.1016/j.jsr.2014.03.012
16. Katanalp, B. Y., & Eren, E. (2020). The novel approaches to classify cyclist accident injury-severity: Hybrid fuzzy decision mechanisms. Accident Analysis & Prevention, 144, 105590. doi: 10.1016/j.aap.2020.105590
17. Khan, R., Hanbury, A., & Stoettinger, J. (2010). Skin detection: A random forest approach. Paper presented at the 2010 IEEE International Conference on Image Processing. Hong Kong. doi: 10.1109/ICIP.2010.5651638
18. Kim, J.-K., Ulfarsson, G. F., Shankar, V. N., & Mannering, F. L. (2010). A note on modeling pedestrian-injury severity in motor-vehicle crashes with the mixed logit model. Accident Analysis & Prevention, 42(6), 1751-1758. doi: 10.1016/j.aap.2010.04.016
19. Mafi, S., AbdelRazig, Y., & Doczy, R. (2018). Machine Learning Methods to Analyze Injury Severity of Drivers from Different Age and Gender Groups. Transportation Research Record, 2672(38), 171-183. doi: 10.1177/0361198118794292
20. Mei, J., He, D., Harley, R., Habetler, T., & Qu, G. (2014). A random forest method for real-time price forecasting in New York electricity market. Paper presented at the 2014 IEEE PES General Meeting| Conference & Exposition, National Harbor. MD, USA. doi: 10.1109/PESGM.2014.6939932
21. Pawlak, Z. (1982). Rough sets. International journal of computer & information sciences, 11(5), 341-356.
22. Poh, C. Q. X., Ubeynarayana, C. U., & Goh, Y. M. (2018). Safety leading indicators for construction sites: A machine learning approach. Automation in Construction, 93, 375-386. doi: 10.1016/j.autcon.2018.03.022
23. Prati, G., Pietrantoni, L., & Fraboni, F. (2017). Using data mining techniques to predict the severity of bicycle crashes. Accident Analysis & Prevention, 101, 44-54. doi: 10.1016/j.aap.2017.01.008
24. Reynolds, C. C., Harris, M. A., Teschke, K., Cripton, P. A., & Winters, M. (2009). The impact of transportation infrastructure on bicycling injuries and crashes: a review of the literature. Environmental health, 8(1), 47.doi: 10.1186/1476-069X-8-47
25. Robartes, E., & Chen, T. D. (2017). The effect of crash characteristics on cyclist injuries: An analysis of Virginia automobile-bicycle crash data. Accident Analysis & Prevention, 104, 165-173. doi: 10.1016/j.aap.2017.04.020
26. Schepers, J. P., Kroeze, P. A., Sweers, W., & Wüst, J. C. (2011). Road factors and bicycle–motor vehicle crashes at unsignalized priority intersections. Accident Analysis & Prevention, 43(3), 853-861. doi: 10.1016/j.aap.2010.11.005
27. Wang, X., & Kim, S. H. (2019). Prediction and Factor Identification for Crash Severity: Comparison of Discrete Choice and Tree-Based Models. Transportation Research Record, 2673(9), 640-653. doi: 10.1177/03611981
28. Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., . . . Mons, B. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3(1), 160018. doi: 10.1038/sdata.2016.18
29. Wong, J.-T., & Chung, Y.-S. (2007). Rough set approach for accident chains exploration. Accident Analysis & Prevention, 39(3), 629-637. doi: 10.1016/j.aap.2006.10.009
30. Yan, X., Ma, M., Huang, H., Abdel-Aty, M., & Wu, C. (2011). Motor vehicle–bicycle crashes in Beijing: Irregular maneuvers, crash patterns, and injury severity. Accident Analysis & Prevention, 43(5), 1751-1758. doi: 10.1016/j.aap.2011.04.006
31. Yi, Z., & Pan, J. (2010). Application of random forest to stellar spectral classification. Paper presented at the 2010 3rd International Congress on Image and Signal Processing. Yantai, China. doi: 10.1109/ICDAR.1995.598929
32. 道路交通安全規則（2020年9月4日）
33. 道路交通管理處罰條例（2020年6月10日）
34. 交通部（2019），108-109年度高齡者交通安全教育路老師培訓手冊。臺北：交通部。檢自https://168.motc.gov.tw/theme/teach/post/1908141016499
35. 交通部統計處（2017），自行車使用狀況調查摘要分析，交通部統計處106年自行車使用狀況調查。檢自https://www.motc.gov.tw/ch/home.jsp?id=56&parentpath=0,6
36. 交通部統計處（2020），道路交通事故(30日內)—按第一當事者駕乘車種分。檢自https://stat.motc.gov.tw/mocdb/stmain.jsp?sys=100
37. 余偉斌（2012），腳踏車自行車安全騎乘手冊，臺北市：臺北市區監理所。檢自https://168.motc.gov.tw/theme/bike/post/1906121100731
38. 李訓誠（2010），應用資料探勘方法於自行車交通事故特性之研究，中央警察大學交通管理研究所，桃園市。
39. 李健豪、周欣怡、張生萬（2013），臺北市13-19歲涉入交通事故特性及防制作為，都市交通半年刊，27卷至28卷，頁160至167。doi： 10.29774/UT
40. 沈明蕙（2007），應用約略集合理論於肇事特性分析（未出版之碩士論文），國立中央大學土木工程學系碩士班，桃園市。
41. 周文生、張銘峰（2010），高齡者自行車及行人事故防制對策之探討，中華民國99年道路交通安全與執法研討會，桃園市。
42. 周文生、陳鴻斌、田偉仁（2001），道路交通事故調查報告表修訂計劃之研究，九十年國際道路交通安全與執法研討會發表之論文，桃園縣。檢自https://ts.cpu.edu.tw/ezfiles/85/1085/attach/73/pta_8130_1029145_37330.pdf
43. 林伯勳（2013），使用隨機森林演算法做煙火偵測，國立暨南大學資訊工程學系研究所碩士班，南投縣。
44. 林怡慧（2015），愛上安心騎：自行車生活禮儀與安全騎乘指南。臺北市：交通部。檢自https://168.motc.gov.tw/theme/bike/post/1906121100611
45. 林豐福、喻世祥（2004），腳踏車肇事特性分析及因應措施（初版）。臺北市：交通部運輸研究所。檢自http://ebooks.lib.ntu.edu.tw/1_file/iot/1448_106421/1009303805b.pdf
46. 張勝雄、鄭晃二、陶治中、陳恆鈞、林麗香（2008），臺北市自行車政策之研究，臺北市政府研究發展考核委員會委託之市政專題研究報告。臺北市：臺北市政府。檢自http://rdnet.taipei.gov.tw/xDCM/DOFiles/pdf/00/00/01/69/81/991201-pdf-testproj-102859.pdf
47. 張夢麟、曹嶽、陳松永（2010），自行車交通事故的防制與檢討。臺北市：內政部警政署自行研究報告。檢自https://www.moi.gov.tw/files/site_node_file/8067/%E3%80%90%E8%AD%A6%E6%94%BF%E7%BD%B2%E3%80%91%E8%87%AA%E8%A1%8C%E8%BB%8A%E4%BA%A4%E9%80%9A%E4%BA%8B%E6%95%85%E7%9A%84%E9%98%B2%E5%88%B6%E8%88%87%E6%AA%A2%E8%A8%8E.pdf
48. 張靖、陳菀蕙、高桂娟、陳玫君、許億玫（2008），從交通事故特性看學校交通安全教育重點，中華民國97年道路交通安全與執法研討會，桃園市。
49. 許峰銓（2018），比較分群法處理個體選擇模式中個體偏好差異之研究，淡江大學運輸管理學系運輸科學碩士班，新北市。
50. 陳時仲（2015），隨機森林模型效力評估，國立交通大學統計學研究所碩士班，新竹市。
51. 陳景祥（2010），R軟體：應用統計方法。臺北市：東華書局。
52. 陳菀蕙（2018），高雄市交通事故分析計畫，高雄市政府交通局委託之專題研究成果報告，未出版。檢自https://orgws.kcg.gov.tw/001/KcgOrgUploadFiles/10/relfile/7312/145046/5aea89c4-d562-41d3-a008-129483e098e6.pdf
53. 陳菀蕙、吳恩瑋、江承軒（2018），學生族群之事故特性及自行車與機車事故肇因探討，中華民國運輸學會107年學術論文研討會，臺中市。
54. 黃碧芬（2010），自行車事故特性之研究-以台中市為例，逢甲大學運輸科技與管理學系碩士班，臺中市。
55. 劉欣憲、周文生、葉名山、林大傑、王銘亨、邱麟、陳伯鑫、李依真、張開國、葉祖宏、田養民（2019），道路交通事故調查報告表檢討修訂及統計運用（初版）。臺北市：交通部運輸研究所。檢自https://www.iot.gov.tw/file.ashx?id=eebae335-794a-46e6-9c45-19308a80f275
56. 蔡子彥（2016），結合隨機森林與複合態度模式探討國道客運創新服務發展與行銷策略之研究–以台北宜蘭線為例，淡江大學運輸管理學系運輸科學碩士班，新北市。
57. 鄭永祥、田蕙寧（2015），騎乘自行車之潛在風險分析，運輸計劃季刊，44卷，3期，頁271至287。doi: 10.6402/TPJ
58. 盧郁潔（2011），應用非參數型模式分析腳踏車交通事故之傷亡程度，國立嘉義大學行銷與運籌研究所，嘉義市。
59. 蕭淑媺、蘇福智、羅孝賢（2009），臺北市交通安全整體計畫，都市交通半年刊，24卷，1期，頁72至87。doi: 10.29774/UT.200906.0006
60. 蘇智暉（2013），應用決策規則探討影響搭乘兩岸直航班機旅客滿意度因素之研究，淡江大學運輸管理學系運輸科學碩士班，新北市。