Journal Search Engine

View PDF Download PDF Export Citation Korean Bibliography PMC Previewer
The Journal of The Korea Institute of Intelligent Transport Systems Vol.25 No.5 pp.234-251
DOI : https://doi.org/10.12815/kits.2026.25.5.234

Comparative Analysis of Personal Mobility Device Crash Fatality Levels Considering At-Fault Driver Age Composition

Jung-Ah Ha*,†
*Dept. of Highway & Transportation Research, Korea Institute of Civil engineering and building Technology
†Corresponding author : Jung-Ah Ha, yally36@kict.re.kr
21 August 2026 │ 14 September 2026 │ 28 September 2026

Abstract


Personal mobility devices (PM) have become a common short-distance travel mode, but safety comparisons across vehicle types rarely account for differences in at-fault driver age composition. Using 2021−2025 data from the Traffic Accident Analysis System (TAAS), this study compared fatalities per 100 crashes for PM with bicycles, motorcycles, and mopeds and examined how the results changed after adjusting for differences in at-fault driver age composition. Among crashes with a reported at-fault driver age group, PM recorded 1.09 fatalities per 100 crashes, lower than bicycles at 1.46. After age-composition adjustment, these values became 2.70 for PM and 1.45 for bicycles. The adjusted PM-to-bicycle fatality ratio was 1.860 (95% CI: 1.413−2.378), indicating a significant difference. In contrast, no statistically significant differences were observed between PM and motorcycles or between PM and mopeds. Therefore, the simple average finding that PM has a lower crash fatality level than bicycles should be interpreted in conjunction with differences in the age composition of at-fault drivers, and comparisons of fatality levels across vehicle types should also consider the contribution of at-fault driver age composition.



가해운전자 연령구성을 고려한 개인형 이동장치 교통사고 치사수준 비교분석

하정아*,†
*주저자 및 교신저자 : 한국건설기술연구원 도로교통연구본부 수석연구원

초록


개인형 이동장치(Personal Mobility, 이하 PM)는 도심의 주요 단거리 이동수단으로 확산되고 있으나, 차종 간 안전수준 비교에서는 사고에 관여한 가해운전자의 연령구성 차이가 충분히 고려되지 않았다. 본 연구는 TAAS의 2021~2025년 자료를 이용하여 PM의 사고 치사수준을 자전거, 이륜차 및 원동기장치자전거와 비교하고, 차종별 가해운전자 연령구성을 동일하게 가정했을 때 결과가 어떻게 달라지는지 분석하였다. 연령이 확인된 사고 기준 PM의 사고 100건당 사망자수는 1.09명으로 자전거 1.46명보다 낮았으나, 동일한 기준 연령분포를 적용한 후에는 PM 2.70명, 자전거 1.45명으로 나타났다. PM/자전거 치사수준 비는 1.860(95% CI 1.413~2.378)으로 유의한 차이를 보였으나, 이륜차와 원동기장치자전거와는 유의한 차이가 확인되지 않았다. 따라서 PM의 사고 치사수준이 자전거보다 낮다는 단순 평균 결과는 가해운전자 연령구성의 차이를 함께 고려하여 해석할 필요가 있으며, 차종 간 치사수준 비교에서는 가해운전자 연령구성의 기여를 함께 검토할 필요가 있다.



    Ⅰ. 서 론

    개인형 이동장치(Personal Mobility, 이하 PM)는 짧은 거리 이동과 대중교통 연계에 편리하다는 장점으로 빠르게 확산되어 왔다. 특히 공유 전동킥보드 서비스가 보편화되면서 PM은 도심의 일상적인 이동수단 가운데 하나로 자리 잡았지만, 이용 증가와 함께 교통사고와 보행자 안전 문제도 지속적으로 제기되고 있다. 이에 따라 PM을 어느 수준으로 관리하고 다른 교통수단과 비교하여 안전성을 어떻게 평가할 것인지는 중요한 교통안전 과제가 되었다.

    지금까지 PM의 안전수준은 주로 사고건수, 사망자수, 사고 100건당 사망자수와 같이 사고통계에서 직접 산출할 수 있는 지표를 중심으로 설명되어 왔다. 이러한 지표는 계산과 해석이 쉽다는 장점이 있으나, 사고에 관여한 운전자의 특성이 크게 다른 교통수단을 비교할 때에는 주의가 필요하다. 사고 발생 이후의 사망자 발생 수준은 충돌 형태나 도로환경뿐 아니라 사고 당사자의 신체적 취약성과도 관련되며, 특히 연령은 이러한 취약성과 밀접하게 연결된다. 따라서 가해운전자 연령구성이 서로 다른 차종의 사고 100건 당 사망자수를 그대로 비교하면 차종 자체의 특성뿐 아니라 사고 당사자의 연령구성 차이도 함께 반영될 수 있다.

    국내외 연구에서는 PM 사고의 발생특성과 심각도 영향요인, 자전거와의 차이, 제도적 안전관리 방안 등이 폭넓게 다루어져 왔다. 특히 전동킥보드 이용자가 자전거 이용자보다 젊다는 점이 보고되었으며(Benhamed et al., 2022), Blomberg et al.(2019)은 전동킥보드 사고 관련자의 연령이 젊은 층에 집중되는 특성을 확인하였다.

    다만 기존 연구에서 연령은 주로 사고심각도에 영향을 주는 설명변수로 다루어졌으며, 차종별 사고 가해운전자의 연령구성 자체가 전체 치사수준의 비교결과를 얼마나 바꿀 수 있는지는 충분히 검토되지 않았다. 이 문제는 PM에서 특히 중요하다. TAAS의 2021~2025년 자료를 보면 PM의 전체 사고 100건당 사망자수는 1.08명으로 자전거 1.43명, 이륜차 2.33명, 원동기장치자전거 2.41명보다 낮다. 반면 PM 사고 가해운전자의 68.6%는 30세 미만이고, 자전거 사고 가해운전자는 65세 이상이 26.5%를 차지한다. 전체 교통사고 가해운전자 중 30세 미만 비율이 14.4%라는 점까지 고려하면 PM의 사고 가해운전자 연령구성은 비교대상 차종 및 전체 교통사고 집단과 상당히 다르다. 여기서의 연령구성은 전체 PM 이용자의 연령분포가 아니라 사고에 관여한 제1당사자의 연령분포이며, 연령별 이용량과 사고발생 가능성이 함께 반영된 분포라는 점에 유의할 필요가 있다.

    이에 본 연구에서는 단순한 전체 평균만으로 차종 간 치사수준을 비교하지 않고, 가해운전자 연령대별 사고 100건당 사망자 수를 먼저 살펴본 뒤 모든 차종에 동일한 가해운전자 연령분포를 적용하여 비교결과가 어떻게 달라지는지를 분석하였다. PM과 자전거의 비교를 중심에 두되, PM이 법적으로 원동기장치자전거 범주에 포함된다는 점을 고려하여 이륜차와 원동기장치자전거도 함께 비교하였다. 아울러 연령구성 보정에 따른 지표 변동이 PM에 특유한 현상인지 확인하기 위해 승용차와 화물차를 보조 비교군으로 포함하였으며, 사륜오토바이(ATV)는 참고용으로 제시하였다. 또한 기준 연령분포를 달리하거나 고령층을 제외하는 민감도 분석을 통해 결과의 일관성을 확인하였다.

    본 연구의 관심은 사고 가해운전자 연령구성이 현저히 다른 교통수단을 하나의 전체 지표로 비교할 때 발생할 수 있는 해석상의 한계를 확인하는 데 있다. 이를 통해 기존 PM 사고특성 연구에서 상대적으로 충분히 다루어지지 않았던 연령구성 차이가 전체 비교지표에 미치는 기여를 실증적으로 제시하고, 공유 모빌리티 안전관리 지표 설계에 필요한 근거를 제공하고자 한다.

    Ⅱ. 선행연구 검토

    1. PM 교통사고의 특성과 안전관리

    국내 PM 교통사고 연구는 사고 발생특성, 사고심각도 영향요인, 자전거와의 비교, 제도 및 안전관리 방안을 중심으로 진행되어 왔다. Han et al.(2021)는 PM과 자전거 사고를 비교하여 PM에서 차대사람 사고 비중이 높고 사망사고는 야간 및 차량단독사고와 관련된 특성이 있음을 제시하였다. Kim and Kim(2022)은 순서형 로짓모형을 이용하여 법규위반, 사고유형, 연령 등이 사고심각도에 영향을 미친다고 분석하였으며, Han and Lee(2023)은 PM과 자전거에서 사고시간·장소·연령에 따른 심각도 영향이 서로 다르게 나타난다고 보고하였다. Kim et al.(2021)는 2017~2019년 전국 PM 사고 1,460건을 사고유형별로 구분하고 지역적 상관성을 고려한 위계적 로지스틱 모형을 적용하여, PM 대 보행자 사고에서는 고령 운전자와 신호위반, 교차로 부근 사고에서 심각도가 높게 나타난다고 분석하였다. Park(2024)은 머신러닝 기법을 적용하여 PM 사고에서 19세 이하 가해운전자와 신호위반, 교차로 내 사고 등이 주요 심각도 요인으로 나타난다고 제시하였으며, Jeong et al.(2024)는 PM·자전거·면허차량의 사고특성을 비교하여 PM 사고가 20대 이하에 집중되는 특징을 확인하였다. Jo et al.(2021)는 전동킥보드 소유자 설문을 통해 이용목적과 주행공간에 따라 안전장비 착용과 사고 경험에 유의한 차이가 있음을 확인하였다.

    공유 PM의 운영과 제도 개선을 다룬 연구에서는 속도관리, 교육, 도로환경 개선, 등록·보험 및 단속체계 등이 주요 과제로 제시되어 왔다 (Jung et al., 2022;Kang and Kang, 2022). 이러한 연구는 PM 안전관리가 단순히 사고건수를 줄이는 문제에 그치지 않고, 이용자 특성과 운행환경을 반영한 관리체계를 필요로 한다는 점을 보여준다.

    한편 본 연구의 비교대상인 이륜차에 관한 국내 연구는 사고특성의 기술적 분석에서 요인 규명과 유형화로 발전해 왔다. Yoo et al.(2020)는 이륜차의 사고건수 대비 사망자 비중과 치사율이 다른 차종보다 높고 사고건수는 30세 이하에서, 사망자 비중은 65세 이상에서 높게 나타난다는 점을 제시하였다. Kim et al.(2022)는 도시환경정보를 결합한 데이터 큐브 모델로 이륜차 사고의 다차원 요인을 분석하였으며, Heo et al.(2024)는 K-prototypes 군집분석을 적용하여 이륜차 사고를 네 개 유형으로 분류하고 유형별로 차별화된 대책이 필요함을 제시하였다. 이들 연구는 이륜차 사고에서도 연령이 사고건수와 사망자 비중에 서로 다른 방향으로 관련된다는 점을 보여주지만, 차종 간 비교의 관점에서 연령구성을 통제한 분석은 다루지 않았다.

    2. 유사 교통수단의 사고특성과 연령구성 차이

    국외 연구에서도 전동킥보드 이용자는 자전거 이용자보다 젊고 안전모 착용률이나 부상부위에서 차이를 보이는 것으로 보고되어 왔다(Benhamed et al., 2022). Blomberg et al.(2019)은 전동킥보드 관련 부상자의 연령 중앙값이 27세로 나타나는 등 이용자가 젊은 층에 집중된다는 점을 확인하였다. 또한 전기자전거의 부상 양상은 자전거와 유사한 반면 이륜차와는 달랐으며, 전기자전거 이용자는 자전거 이용자보다 약 14세 많았다(Spörri et al., 2021). 이처럼 비교수단 간 연령구조 차이는 반복적으로 확인되어 왔지만, 차종별 보정 전 치사수준 자체를 동일한 연령구조로 맞춘 뒤 비교하는 접근은 상대적으로 드물다.

    3. 연령구성 보정과 본 연구의 차별성

    서로 다른 연령구성을 가진 집단을 비교할 때에는 각 집단의 연령 차이가 비교결과에 미치는 영향을 고려할 필요가 있다. 이를 위해 연령대별 값을 공통된 연령분포에 맞추어 재계산하는 직접표준화(direct standardization)를 활용할 수 있으며, 이는 집단 간 연령구성이 다른 경우 동일한 조건에서 결과를 비교하기 위한 방법이다(Ahmad et al., 2001;Rothman et al., 2008).

    본 연구에서는 차종 간 사고 치사수준을 비교하기 위한 지표로 사고 100건당 사망자수를 사용하였다. 이는 특정 차종이 제1당사자인 사고 100건에서 발생한 사망자수를 의미한다. 그러나 PM과 자전거처럼 가해운전자의 연령구성이 크게 다른 경우에는 전체 사고를 단순히 합산하여 산출한 값에 연령구성의 영향이 함께 반영될 수 있다. 예를 들어 상대적으로 치사수준이 낮은 젊은 연령층의 사고 비중이 높은 차종은 전체 사고 100건당 사망자수가 낮게 나타날 가능성이 있다.

    이에 본 연구에서는 각 차종의 가해운전자 연령대별 사고 100건당 사망자수에 동일한 연령분포를 적용하여 연령구성 보정 치사수준을 산출하였다. 이를 통해 실제 사고 가해운전자의 연령구성은 차종별로 서로 다르더라도, 동일한 가해운전자 연령구성을 가진다고 가정했을 때 사고 치사수준이 어떻게 달라지는지를 비교하였다. 이러한 접근은 단순히 연령을 사고심각도의 하나의 영향요인으로 분석하는 것과 달리, 사고 당사자 구성의 차이가 전체 안전지표의 비교결과 자체를 얼마나 변화시키는지를 확인한다는 점에서 의미가 있다.

    한편 어떤 변수를 기준으로 보정할 것인지는 연구목적에 따라 설정할 필요가 있다. 본 연구의 목적은 차종별 가해운전자 연령구성의 차이가 사고 치사수준 비교결과에 미치는 영향을 확인하는 데 있으므로, 가해운전자 연령을 주요 보정변수로 설정하였다. 사고유형과 도로형태 역시 차종 간 치사수준 차이와 관련될 수 있으나, 이들까지 동일하게 맞출 경우 연령구성 차이의 영향을 확인하려는 본 연구의 주요 분석과는 다른 비교조건이 설정된다. 따라서 본 연구에서는 연령을 주된 보정변수로 사용하고 사고유형과 도로형태는 참고분석으로 제시하였다.

    본 연구는 노출량 자료가 확보되지 않은 조건에서 차종별 사고 가해운전자 연령구성 차이에 주목하여, PM의 사고 치사수준을 자전거, 이륜차 및 원동기장치자전거와 비교한다. 따라서 본 연구에서 산출한 보정치는 PM 이용자 전체의 연령구성을 표준화한 값이 아니라, 사고가 발생한 사례에서 제1당사자의 연령구성을 동일하게 가정한 조건부 비교값이다. 특히 보정 전 사고 100건당 사망자수와 가해운전자 연령구성을 동일하게 맞춘 결과를 함께 제시하고, 두 값의 차이를 연령구성 기여분과 연령대별 치사수준 기여분으로 분해함으로써 PM의 낮은 전체 치사수준에 사고 가해운전자 연령구성의 차이가 어느 정도 반영되어 있는지를 확인한다는 점에서 기존 연구와 차별성을 갖는다.

    Ⅲ. 분석방법

    1. 분석자료

    본 연구에서는 한국도로교통공단 교통사고분석시스템(TAAS)의 2021~2025년 공표 통계를 활용하였다. 자료는 가해운전자(제1당사자)의 차종을 기준으로 집계된 것이며, 개인형 이동장치(PM), 자전거, 원동기장치자전거, 이륜차, 사륜오토바이(ATV), 승용차, 화물차 등 7개 차종의 사고자료를 사용하였다. 이 가운데 PM의 사고 치사수준을 직접 비교하기 위한 주요 비교대상은 자전거, 이륜차 및 원동기장치자전거로 설정하였다.

    PM은 「도로교통법」상 원동기장치자전거에 포함되지만, TAAS에서는 ‘개인형이동장치(PM)’가 별도의 차종으로 집계된다. 따라서 본 연구에서 원동기장치자전거는 PM을 제외하고 해당 차종으로 분류된 차량을 의미하며, 두 범주는 중복되지 않는다. PM은 법적 분류상 원동기장치자전거에 해당하는 한편, 차체 규모와 실제 이용환경 측면에서는 자전거와 유사한 특성을 갖는다. 이에 PM의 사고 치사수준이 자전거와 동력이륜차 사이에서 어떠한 상대적 위치를 보이는지 확인하기 위해 자전거, 이륜차 및 원동기장치자전거를 주요 비교군으로 선정하였다.

    연령구성을 동일하게 맞춘 사고 치사수준은 7개 차종 모두에 대해 산출하였다. 이는 연령구성 보정에 따른 변화가 PM에서만 두드러지는 현상인지 다른 차종과 함께 확인하기 위한 것이다. 승용차와 화물차는 이러한 변화를 비교하기 위한 보조 비교군으로 활용하였으며, 사륜오토바이(ATV)는 사고건수가 1,202건으로 적고 가해운전자의 72.8%가 65세 이상인 특수한 연령구조를 보이므로 참고용으로만 제시하였다.

    주분석에는 가해운전자 연령대별·차종별 사고건수와 사망자수를 사용하였다. 연령은 19세 이하, 20~29세, 30~39세, 40~49세, 50~59세, 60~64세, 65세 이상의 7개 집단으로 구분하였다. 연령이 불명인 사고는 표준화가 불가능하므로 제외하였다. 여기서 차종별 가해운전자 연령분포는 해당 차종 전체 이용자의 연령분포가 아니라 사고에 관여한 제1당사자의 연령분포이며, 연령별 이용량과 사고발생 가능성이 함께 반영된 사고자료상의 분포이다. 사고유형별 및 도로형태별 공표자료는 차종별 구성 차이를 확인하고 참고분석에 활용하였다.

    TAAS 공표자료는 차종×연령, 차종×사고유형, 차종×도로형태의 주변분포 형태로 제공되며, 각 집계표에서 사고건수와 사망자수를 확인할 수 있다. 본 연구에서 활용한 분석자료의 구성과 용도는 <Table 1>과 같다.

    <Table 1>

    Structure and Use of Analysis Data

    Note: In the main analysis, crashes and fatalities are counted only for crashes with a reported at-fault driver age group; the reference analyses and the descriptive statistics are based on all crashes.

    Category Tabulation unit Key variables and data size Vehicle types used Use in this study
    Main analysis Vehicle type × age group × year Crashes, fatalities
    PM 10,532 / 115; bicycle 26,291 / 385;
    motorcycle 73,688 / 1,719; moped 9,711 / 235
    7 vehicle types, including PM, bicycle, motorcycle and moped Age-specific fatality levels, direct standardization, regression
    Reference analysis (accident type) Vehicle type × accident type Crashes, fatalities
    PM 10,657 / 115; bicycle 26,854 / 385
    PM, bicycle Direct standardization by accident type
    Reference analysis (road type) Vehicle type × road type Crashes, fatalities
    PM 10,657 / 115; bicycle 26,854 / 385
    PM, bicycle Direct standardization by road type
    Reference age distribution All traffic accidents × age group Crashes by at-fault driver age group All vehicle types Standard weights ( w a ) for direct standardization
    Descriptive statistics Vehicle type (total) Crashes, fatalities, injuries
    7 vehicle types combined: 901,143 / 11,792
    7 vehicle types Overall levels and share of age-identified crashes

    이러한 자료구조로 인해 연령, 사고유형 및 도로형태를 동일한 개별 사고 수준에서 동시에 통제할 수는 없다. 따라서 본 연구의 결과는 사고가 발생한 사례에서 관찰되는 치사수준의 조건부 비교이며, 통행량이나 주행거리 대비 사고발생 위험 또는 차종 자체의 독립적 효과를 의미하지 않는다.

    본 연구에서 사용하는 ‘사고 100건당 사망자수’는 해당 차종 이용자의 개인적 사망확률이나 주행거리‧통행량 대비 사고발생 위험이 아니라, 해당 차종이 제1당사자인 사고에서 발생한 전체 사망자수를 사고건수로 나눈 지표이다. 따라서 지표상 사망자는 제1당사자뿐 아니라 상대차량 탑승자 또는 보행자를 포함할 수 있으며, 가해운전자 연령을 기준으로 한 표준화는 사망자의 연령을 보정하는 것이 아니라 사고를 일으킨 제1당사자의 연령구성을 동일하게 가정하여 사고 발생 이후의 사망자 발생수준을 비교하는 절차이다. 이에 Ⅳ장 1절에서는 주요 비교차종의 사고유형별 사망자 구성을 제시하여 해당 지표의 해석을 보완하였다.

    또한 연령표준화는 가해운전자 연령구성만을 동일하게 설정한 조건부 비교로, 사고유형, 도로환경, 주행속도, 안전모 착용, 법규위반 등 다른 요인을 동시에 통제한 결과가 아니다. 따라서 본 연구의 보정치를 차종 자체의 독립적 위험효과로 해석하지 않는다.

    2. 직접표준화

    차종별 사고 가해운전자의 연령구성이 서로 다르기 때문에, 단순히 전체 사고 100건당 사망자수만 비교하면 차종 자체의 차이와 연령구성의 영향이 함께 나타날 수 있다. 이에 본 연구에서는 모든 차종의 연령구성이 동일하다고 가정한 상태에서 사고 치사수준을 다시 계산하였다. 이를 위해 각 차종의 연령대별 사고 1건당 사망자수를 먼저 계산하고, 모든 차종에 동일한 기준 연령분포를 적용한 뒤 사고 100건당 사망자수로 환산하였다.

    기준이 되는 연령분포는 2021~2025년 전체 교통사고 가해운전자의 연령분포로 설정하였다. 특정 차종의 연령분포를 기준으로 사용할 경우 해당 차종의 특성이 결과에 반영될 수 있기 때문에, 비교대상 전체에 공통으로 적용할 수 있는 전체 교통사고 가해운전자 연령분포를 사용하였다. 다만 이 분포 역시 승용차 사고 비중의 영향을 크게 받을 수 있으므로, 기준 연령분포를 달리했을 때 결과가 변하는지는 별도의 민감도 분석을 통해 확인하였다.

    각 차종 v 의 연령구성 보정 치사수준은 식(1)과 같이 산출하였다. 여기서 N va 는 차종 v 의 연령대 a 에서 발생한 사고건수, D va 는 해당 사고에서 발생한 사망자수, w a 는 기준 연령분포에서 해당 연령대가 차지하는 비중을 의미한다.

    R v = 100 × ∑ a w a ( D va / N va ) , ∑ a w a = 1
    (1)

    보정 후 치사수준의 불확실성을 확인하기 위해 모수적 부트스트랩(parametric bootstrap)을 적용하였다(Efron and Tibshirani, 1993). 본 분석은 관측된 사고건수를 조건으로 사고 발생 이후의 사망자수 변동을 평가하므로, 각 차종 v 와 연령대 a 의 사고건수 N va 는 관측된 분모로 고정하고, 사망자수 D va 만 재표집하였다. 즉 본 절의 불확실성 평가는 사고건수 자체의 변동이나 주행거리․통행량과 같은 교통 노출량을 모형화한 것이 아니라, 관측된 사고건수 하에서 사망자수의 표본변동을 반영하기 위한 것이다.

    사망자수는 비음수 계수자료이므로, 각 셀의 관측 치사수준을 모수의 대입추정치로 두어 재표집하였다. 또한 주요 비교차종(PM, 자전거, 이륜차, 원동기장치자전거)을 대상으로 한 Ⅳ장 6절 <Table 11>의 보조 회귀분석에서, 차종×연령대 상호작용을 포함한 모형의 Pearson χ 2 /자유도는 1.170, 음이항 과산포모수는 0.00001로 나타났다. 즉 차종·연령대별 치사수준을 반영하면 잔차 과산포가 크지 않았다. 본 연구의 직접표준화는 차종·연령대별 치사수준을 직접 사용하므로 포아송 분포를 기본 재표집 분포로 사용하였으며, 승용차·화물차·ATV에도 동일한 절차를 적용하였다. 각 반복 b 에서 다음과 같이 사망자수를 생성하고 표준화 치사수준을 계산하였다.

    D va b ~ Poisson ( N va λ va ) = Poisson ( D va ) , λ va = D va / N va
    (2)
    R v b = 100 × ∑ a w a ( D va b / N va )
    (2’)

    이어 PM과 비교차종 c 의 치사수준 비를 동일한 반복 표본 내에서 산출하였다.

    RR PM / c b = R PM b / R c b
    (3)

    이 절차를 20,000회 반복하고, 반복분포의 2.5백분위수와 97.5백분위수를 95% 신뢰구간으로 사용하였다. 점추정치는 관측자료에서 직접 계산한 표준화 치사수준과 치사수준 비를 제시하였다.

    한편 과산포 가능성에 대한 보수적 검토를 위해 주효과 모형에서 추정된 과산포모수( α = 0.0714 )를 적용한 음이항 재표집 신뢰구간도 추가로 산출하였다. 이에 따라 본문에서는 포아송 재표집 신뢰구간을 기본값으로 제시하고, 음이항 재표집 결과를 보수적 민감도 분석으로 함께 제시하였다.

    3. 보정 전 치사수준 차이의 보조적 기술분해

    연령대별 결과와 전체 보정 전 치사수준(crude rate)의 방향이 달라지는 구조를 자료 수준에서 설명하기 위해, PM과 자전거의 보정 전 치사수준 차이를 연령대별 사고 구성비의 차이에 따른 기여분(연령구성 기여분)과 연령대별 치사수준의 차이에 따른 기여분(연령대별 치사수준 기여분)으로 대칭적으로 분해하였다. 이와 같은 두 집단의 보정 전 치사수준 차이에 대한 대칭적 분해는 Kitagawa(1955)의 접근을 적용하였다. 두 차종의 연령대별 사고 구성비를 p , 사고 100건당 사망자수를 r 이라고 할 때, 보정 전 치사수준 차이는 식(4)와 같이 정확히 분해된다.

    R PM − R B = ∑ a ( p PM , a − p B , a ) ( r PM , a + r B , a ) / 2 + ∑ a ( r PM , a − r B , a ) ( p PM , a + p B , a ) / 2
    (4)

    우변의 첫째 항은 연령구성 기여분, 둘째 항은 연령대별 치사수준 기여분이며, 두 항의 합은 관측된 보정 전 치사수준 차이와 항등적으로 일치한다. 서론에서 언급한 연령구성 차이의 기여는 본 절의 연령구성 기여분으로 정량화된다. 이 분해는 관측된 보정 전 치사수준 차이의 산술적 구성요소를 설명하기 위한 보조적 기술분석이며, 각 기여분을 연령구성 또는 치사수준의 독립적인 인과효과로 해석하지 않는다.

    4. 차종 간 치사수준비의 직접 비교

    표준화 후 PM이 다른 차종과 어느 정도 차이가 있는지를 명확하게 확인하기 위해 PM을 분자로 하여 자전거, 이륜차, 원동기장치자전거와의 표준화 치사수준 비(rate ratio)를 각각 계산하였다. 치사수준 비는 두 차종의 연령구성 보정 치사수준을 서로 나눈 값으로, 1이면 두 차종의 수준이 같고 1보다 크면 분자 차종이, 1보다 작으면 분모 차종이 높음을 의미한다. 예컨대 치사수준 비 1.86은 연령구성을 동일하게 맞추었을 때 분자 차종의 사고 100건당 사망자수가 분모 차종의 약 1.86배임을 뜻한다. 각 치사수준 비의 95% 신뢰구간 역시 식 (3)과 같이 동일한 부트스트랩 표본에서 직접 산출하였다. 따라서 두 차종의 개별 신뢰구간이 겹치는지를 간접적으로 판단하지 않고, 차종 간 대비 자체에 대한 불확실성을 평가하였다.

    5. 민감도 분석

    연령구성 보정 결과가 특정 기준 연령분포의 선택에 따라 달라지는지를 확인하기 위해 민감도 분석을 수행하였다. 기본 분석에서는 2021~2025년 전체 교통사고 가해운전자의 연령분포를 기준으로 사용하였으며, 추가로 PM과 자전거를 합한 연령분포, 자전거의 연령분포, PM의 연령분포 및 각 연령대에 동일한 비중을 부여한 균등분포를 각각 적용하여 결과를 비교하였다. 또한 PM의 고령층 사고표본이 상대적으로 적다는 점을 고려하여 65세 이상을 제외한 경우와 60세 이상을 제외한 경우에 대해서도 동일한 분석을 수행하였다. 이를 통해 연령표준화 결과가 특정 기준 연령분포의 선택이나 일부 연령대의 영향에 의해 좌우되는지를 확인하였다.

    연령 이외의 변수에 따른 보정 결과도 참고적으로 검토하였다. 사고유형과 도로형태에 대해 각각 전체 사고의 분포를 기준으로 동일한 직접표준화 방식을 적용하여 PM과 자전거의 치사수준 비를 산출하였다. 다만 사고유형과 도로형태는 차종별 이용환경 및 사고 발생과정과 밀접하게 관련된 변수로, 이를 기준으로 한 표준화는 연령표준화와 서로 다른 비교조건을 설정한다. 따라서 이들 분석은 연령구성 보정 결과를 대체하기 위한 것이 아니라, 보정 기준에 따라 비교결과가 어떻게 달라질 수 있는지를 확인하기 위한 참고분석으로 활용하였다.

    마지막으로 연령대에 따른 사고 치사수준의 변화양상이 주요 비교차종 간에 동일한지를 확인하기 위해 보조적인 회귀분석을 수행하였다. 분석대상은 PM, 자전거, 이륜차 및 원동기장치자전거로 설정하였으며, 차종·연령대·연도별 사망자수를 종속변수로 사용하였다. 각 집단의 사고건수 차이를 고려하기 위해 사고건수의 로그값을 offset으로 적용하였고, 차종, 연령대 및 연도는 범주형 변수로 포함하였다. 먼저 포아송 회귀모형을 적용하여 자료의 과산포 여부를 검토하였으며, 과산포가 확인됨에 따라 음이항 회귀모형을 적용하였다. 이후 음이항모형에서 차종×연령대 상호작용항을 포함한 모형과 포함하지 않은 모형을 비교하여, 연령대에 따른 사고 치사수준의 변화양상이 차종에 따라 다른지를 검토하였다.

    Ⅳ. 분석결과

    1. 차종별 기초통계

    2021~2025년 PM 사고는 10,657건으로 사망자 115명, 부상자 11,809명이 발생하였다. 전체 사고를 기준으로 한 사고 100건당 사망자수는 PM 1.08명으로 승용차 다음으로 낮았으며, 자전거 1.43명, 이륜차 2.33명, 원동기장치자전거 2.41명보다 낮았다. 따라서 연령구성을 고려하지 않은 단순 비교에서는 PM의 사고 치사수준이 자전거나 동력이륜차보다 낮게 보인다. 차종별 기초통계는 <Table 2>와 같다.

    <Table 2>

    Descriptive Statistics of Traffic Accidents by Vehicle Type (2021–2025)

    Source: TAAS. “Age identified” denotes the share of accidents for which the at-fault driver’s age group is reported.

    Vehicle type Accidents Fatalities Injuries Fatalities per 100 accidents Age identified(%)
    Personal mobility(PM) 10,657 115 11,809 1.08 98.8
    Bicycle 26,854 385 29,199 1.43 97.9
    Moped 9,747 235 12,193 2.41 99.6
    Motorcycle 73,930 1,719 95,820 2.33 99.7
    ATV 1,202 130 1,285 10.82 99.6
    Passenger car 655,336 6,117 956,991 0.93 99.9
    Truck 123,417 3,091 176,500 2.50 99.9

    부상자수는 중상·경상·부상신고자가 합산된 형태로 제공되므로 부상 심각도를 구분한 지표는 산출하지 않았다. <Table 3>은 본 연구의 사고 100건당 사망자수 지표를 해석하기 위한 보조정보로서 주요 비교차종의 사고유형별 사망자 구성을 제시하였다. PM의 사망자 115명 중 차량단독 사고에서 57명(49.6%), 차대차 사고에서 50명(43.5%), 차대사람 사고에서 8명(7.0%)이 발생하였으며, 자전거·원동기장치자전거·이륜차에서도 사망자의 대부분이 차대차 또는 차량단독 사고에서 발생하였다. PM 사망자의 49.6%가 차량단독 사고에서 발생하였으며, 차량단독 사고의 특성상 사망자는 해당 차량의 운전자 또는 탑승자일 가능성이 높다. 이는 PM이 제1당사자인 사고에서 사망자의 상당 부분이 제1당사자 본인과 관련될 가능성이 높아, 가해운전자 연령을 표준화 변수로 사용하는 것이 지표의 분자와도 일정한 대응관계를 가짐을 시사한다. 다만 TAAS 공표 집계표만으로는 차대차 사고의 사망자가 해당 차종의 운전자·탑승자인지 상대차량 탑승자인지를 구분할 수 없다. 따라서 본 지표를 PM 운전자 개인의 사망위험으로 해석하지 않고 PM이 제1당사자인 사고에서 발생한 전체 사망자 수준으로 한정하여 해석하였다.

    <Table 3>

    Composition of Fatalities by Accident Type and Vehicle Type

    Note: Figures in parentheses are percentages of each vehicle type’s total fatalities. No fatalities occurred in railroad-crossing accidents.

    Vehicle type Total fatalities Vehicle-Pedestrian Vehicle-Vehicle Single-Vehicle
    Personal mobility(PM) 115 8 (7.0) 50 (43.5) 57 (49.6)
    Bicycle 385 19 (4.9) 228 (59.2) 138 (35.8)
    Moped 235 15 (6.4) 111 (47.2) 109 (46.4)
    Motorcycle 1,719 155 (9.0) 795 (46.2) 769 (44.7)

    한편 <Table 2>는 연령 불명 사고를 포함한 전체 사고를 기준으로 한 보정 전 치사수준인 반면, <Table 5>의 Total(unadjusted)과 <Table 7>의 Unadjusted는 직접표준화와 동일한 표본을 사용하기 위해 가해운전자 연령이 확인된 사고만을 사용한다. 이에 원동기장치자전거는 전체 사고 9,747건 기준 2.41명에서 연령 확인 사고 9,711건 기준 2.42명으로, ATV는 전체 사고 1,202건 기준 10.82명에서 연령 확인 사고 1,197건 기준 10.86명으로 소폭 달라진다. 해당 차이는 분모의 분석대상 차이에서 발생하며, 두 표의 각주에 이를 명시하였다.

    2. 가해운전자 연령구성

    차종별 가해운전자 연령구성에는 뚜렷한 차이가 있었다(<Table 4>). PM은 19세 이하 42.3%, 20~29세 26.3%로 30세 미만이 68.6%를 차지하였다. 반면 자전거는 65세 이상 비중이 26.5%로 높았고, 이륜차와 원동기장치자전거도 PM에 비해 연령분포가 상대적으로 고르게 나타났다. 이러한 차이는 전체 사고 100건당 사망자수를 그대로 비교할 경우 차종 자체의 특성뿐 아니라 사고 가해운전자 연령구성의 영향도 함께 반영될 수 있음을 보여준다.

    <Table 4>

    Age Distribution of At-Fault Drivers by Vehicle Type (%)

    Note: The last row is the reference age distribution ( w a ) applied to all vehicle types in the direct standardization.

    Vehicle type ≤19 20-29 30-39 40-49 50-59 60-64 65+ Under 30
    Personal mobility(PM) 42.3 26.3 11.8 7.7 5.9 2.0 3.9 68.6
    Bicycle 24.4 9.1 7.6 9.2 14.1 9.1 26.5 33.5
    Moped 12.3 20.0 16.4 14.3 13.8 6.0 17.2 32.3
    Motorcycle 9.4 23.5 19.3 17.4 13.6 5.2 11.7 32.9
    All traffic accidents
    (reference distribution)
    2.5 11.8 14.2 16.8 22.2 12.5 19.9 14.4

    3. 연령대별 치사수준 비교

    연령대별로 구분하여 살펴보면 전체 자료에서의 비교와 다른 양상이 나타났다(<Table 5>, <Fig. 1>). PM의 사고 100건당 사망자수는 19세 이하 0.31명, 20~29세 0.69명, 30~39세 1.44명, 40~49세 2.10명, 50~59세 3.51명, 60~64세 3.26명, 65세 이상 4.37명이었다. 자전거는 같은 연령대에서 각각 0.30명, 0.25명, 0.60명, 1.16명, 1.29명, 1.25명, 3.48명으로, 모든 연령층에서 PM의 값은 자전거보다 같거나 높았지만, 전체를 합치면 PM 1.09명, 자전거 1.46명으로 오히려 PM이 낮게 나타났다. 다만 19세 이하는 두 수단의 값이 사실상 동일한 수준으로(PM 0.315명, 자전거 0.296명), 이 연령층에서는 세부 연령구성의 차이가 일부 남아 있을 가능성을 고려할 필요가 있다.

    이러한 역전은 각 연령대의 치사수준뿐 아니라 각 연령대가 전체 사고에서 차지하는 가중치가 차종별로 크게 다르기 때문에 발생한다. PM 사고는 상대적으로 치사수준이 낮은 30세 미만 연령층이 68.6%를 차지하는 반면, 자전거는 30세 미만 비중이 33.5%에 그친다. 반대로 치사수준이 높은 65세 이상은 PM에서 3.9%에 불과하지만 자전거에서는 26.5%를 차지한다. 따라서 PM은 낮은 치사수준을 보이는 젊은 연령층의 가중치가 크게 적용되고, 자전거는 높은 치사수준을 보이는 고령층의 가중치가 상대적으로 크게 적용되어 전체 평균에서 PM의 값이 더 낮아진다. 즉 연령대별 비교에서는 PM의 치사수준이 자전거보다 같거나 높지만, 서로 다른 가해운전자 연령구성으로 가중된 전체 평균에서는 비교 방향이 반대로 나타나며, 이는 심슨의 역설(Simpson’s paradox)에 해당한다(Blyth, 1972). 원동기장치자전거와 비교하면 PM은 대부분의 연령대에서 낮았으나 40~49세(2.10명 대 0.72명)와 50~59세(3.51명 대 1.87명)에서는 오히려 높게 나타나, 두 차종 간 치사수준의 상대적 관계가 연령대에 따라 달라짐을 보여준다.

    <Table 5>

    Fatalities per 100 Accidents by At-Fault Driver Age Group

    Note: Rate ratios are computed from unrounded values. Total (unadjusted) is calculated only from crashes with a reported at-fault-driver age group and may therefore differ slightly from the crude values in <Table 2>

    Vehicle type ≤19 20-29 30-39 40-49 50-59 60-64 65+ Total
    (unadjusted)
    PM crashes 4,450 2,772 1,246 811 626 215 412 10,532
    PM fatalities 14 19 18 17 22 7 18 115
    PM rate 0.31 0.69 1.44 2.1 3.51 3.26 4.37 1.09
    Bicycle crashes 6,416 2,403 1,993 2,411 3,717 2,393 6,958 26,291
    Bicycle fatalities 19 6 12 28 48 30 242 385
    Bicycle rate 0.3 0.25 0.6 1.16 1.29 1.25 3.48 1.46
    Moped crashes 1,190 1,943 1,593 1,393 1,339 580 1,673 9,711
    Moped fatalities 17 23 24 10 25 24 112 235
    Moped rate 1.43 1.18 1.51 0.72 1.87 4.14 6.69 2.42
    Motorcycle crashes 6,927 17,300 14,249 12,829 9,988 3,798 8,597 73,688
    Motorcycle fatalities 140 354 241 246 180 101 457 1,719
    Motorcycle rate 2.02 2.05 1.69 1.92 1.8 2.66 5.32 2.33
    PM/Bicycle 1.06 2.75 2.4 1.8 2.72 2.6 1.26 0.75
    KITS-25-5-234_F1.jpg
    <Fig. 1>

    Fatalities per 100 Accidents by At-Fault Driver Age Group

    Note : PM is at or above bicycles in every age stratum yet appears lower in aggregate(Simpson’s paradox)

    이러한 역전의 가중구조를 정량적으로 확인하기 위해 Ⅲ장 3절의 식 (4)를 적용하였으며, 연령대별 기여도는 <Table 6>과 같다. 분해 결과 PM과 자전거의 보정 전 치사수준 차이 -0.373명은 연령구성 기여분 -1.087명과 연령대별 치사수준 기여분 +0.714명의 합으로 나타났다. 이는 본 자료에서 연령대별 치사수준의 차이는 PM의 보정 전 치사수준 차이를 높이는 방향으로, 서로 다른 사고 가해운전자 연령구성은 이를 상쇄하여 PM의 보정 전 치사수준을 낮추는 방향으로 기여했음을 보여준다. 특히 연령구성 기여분 -1.087명 가운데 -0.885명(81.4%)이 65세 이상 연령대에서 나타났으며, 이는 해당 연령대의 사고 비중이 자전거 26.5%, PM 3.9%로 크게 다르기 때문이다. 다만 65세 이상 및 60세 이상을 각각 제외한 민감도 분석에서도 PM/자전거 비교방향은 유지되었다(Ⅳ장 5절).

    한편 이러한 결과는 PM 전체 이용자의 연령구성이 젊다는 사실을 직접 검증한 것이 아니라, 사고에 관여한 PM 가해운전자의 연령분포가 젊은 층에 집중되어 있다는 점에 근거한 것이다. 따라서 본 연구에서는 이후의 해석을 사고 가해운전자 연령구성의 차이에 따른 비교결과로 한정하였다.

    <Table 6>

    Decomposition of the Crude Difference in Fatalities per 100 Accidents (PM-Bicycle)

    Note 1: Fatality levels and contributions are expressed as fatalities per 100 accidents.

    Note 2: Both contributions are computed from unrounded data; shares, fatality levels and contributions are rounded for presentation. The two contributions sum to the crude difference between PM and bicycle (−0.373), based on unrounded values.

    Note 3: A positive value contributes to raising the PM crude rate and a negative value to lowering it. This decomposition is a descriptive arithmetic partition of the observed crude difference and is not an estimate of causal effects.

    At-fault driver
    age group
    PM crash
    share (%)
    Bicycle crash
    share (%)
    PM fatality
    level
    Bicycle fatality
    level
    Age-composition
    contribution
    Age-specific
    fatality-level
    contribution
    ≤19 42.3 24.4 0.315 0.296 +0.055 +0.006
    20–29 26.3 9.1 0.685 0.250 +0.080 +0.077
    30–39 11.8 7.6 1.445 0.602 +0.044 +0.082
    40–49 7.7 9.2 2.096 1.161 −0.024 +0.079
    50–59 5.9 14.1 3.514 1.291 −0.197 +0.223
    60–64 2.0 9.1 3.256 1.254 −0.159 +0.112
    65+ 3.9 26.5 4.369 3.478 −0.885 +0.135
    Total 100.0 100.0 1.092 1.464 −1.087 +0.714

    4. 연령구성 보정 결과와 차종 간 직접비교

    2021~2025년 전체 교통사고 가해운전자의 연령분포를 모든 차종에 동일하게 적용하자 PM의 사고 치사수준은 크게 달라졌다(<Table 7>). PM은 보정 전 1.09명에서 연령구성 보정 후 2.70명으로 2.48배 증가하였다. 반면 자전거는 1.46명에서 1.45명으로 거의 변하지 않았고, 이륜차는 2.33명에서 2.65명, 원동기장치자전거는 2.42명에서 2.78명으로 증가폭이 PM보다 작았다. 승용차와 화물차 역시 보정 전후 변화가 크지 않았다. 이는 보정 전 치사수준 차이가 각 차종의 사고 가해운전자 연령구성에 따라 크게 달라질 수 있음을 보여준다.

    <Table 7>

    Unadjusted and Age-Adjusted Fatalities per 100 Accidents by Vehicle Type

    Note 1: Unadjusted values are computed only for accidents with a reported at-fault driver age group, and therefore differ slightly from the fatalities per 100 accidents shown in <Table 2>.

    Note 2: ATV is reported for reference only, given its small sample (1,202 accidents) and atypical age structure (72.8% of at-fault drivers aged 65 or over).

    Vehicle type Unadjusted Age-adjusted 95% CI lower 95% CI upper Adjusted/Unadjusted
    ATV 10.86 6.34 4.50 8.46 0.58
    Moped 2.42 2.78 2.40 3.17 1.15
    Personal mobility(PM) 1.09 2.70 2.10 3.36 2.48
    Motorcycle 2.33 2.65 2.51 2.79 1.13
    Truck 2.51 2.39 2.29 2.50 0.95
    Bicycle 1.46 1.45 1.30 1.62 0.99
    Passenger car 0.93 0.93 0.91 0.96 1.00

    주요 비교차종과의 차이를 직접 확인한 결과, 연령구성 보정 후 PM/자전거 치사수준 비는 1.860(95% CI 1.413~2.378)이었다(Table 8). 이는 동일한 연령구성을 가정하면 PM의 사고 100건당 사망자수가 자전거의 약 1.86배이며, 95% 신뢰구간이 1을 포함하지 않아 통계적으로 유의한 차이가 있음을 의미한다. 반면 PM/이륜차는 1.021(0.788~1.276), PM/원동기장치자전거는 0.974(0.732~1.263)로 모두 신뢰구간이 1을 포함하였다. 과산포를 보수적으로 가정한 음이항 재표집에서도 PM/자전거 치사수준 비의 95% 신뢰구간은 1.154~2.928로 1을 포함하지 않았다. 따라서 PM이 이륜차나 원동기장치자전거와 동일한 수준이라고 단정할 수는 없지만, 자전거와의 비교와 달리 이들 차종과는 통계적으로 뚜렷한 차이가 확인되지 않았다.

    <Table 8>

    Age-Adjusted Fatality Rate Ratios between PM and Comparison Vehicle Types

    Note1: The rate ratio divides the age-adjusted fatality level of one vehicle type by that of another; a value above 1 indicates a higher level for the numerator (PM). A 95% CI containing 1 is interpreted as showing no statistically clear difference.

    Note 2: Conservative CIs are obtained by negative binomial resampling with α = 0.0714 , the dispersion estimated from the main-effects model in <Table 11>.

    Comparison Rate ratio 95% CI Conservative 95%
    CI(NB, α = 0.0714 )
    Interpretation (95% CI)
    PM/Bicycle 1.860 1.413~2.378 1.154~2.928 PM higher than bicycle
    PM/Motorcycle 1.021 0.788~1.276 0.651~1.546 No clear difference
    PM/Moped 0.974 0.732~1.263 0.603~1.547 No clear difference

    한편 연령구성 보정 후 PM의 치사수준 2.70명 가운데 50세 이상 세 연령대의 기여가 76.1%를 차지한다. 반면 이 구간은 전체 PM 사고의 11.9%(1,253건, 사망 47명)에 해당한다. 이는 기준 연령분포에서 50세 이상이 54.6%의 비중을 차지하기 때문이며, 해당 구간의 상대적으로 적은 사고표본은 결과 해석에서 고려할 필요가 있다. 이에 65세 이상과 60세 이상을 각각 제외한 민감도 분석을 함께 수행하였다(Table 9).

    5. 민감도 분석

    본 절에서는 직접표준화에 사용하는 연령대별 기준 비율을 여러 방식으로 바꾸어도 PM과 자전거의 비교 방향이 일관되게 유지되는지 분석하였다(Table 9). PM+자전거의 합산 연령분포를 적용했을 때 치사수준 비는 1.66, 자전거 분포를 적용했을 때 1.63, PM 분포를 적용했을 때 1.85, 각 연령대에 동일한 비중을 부여했을 때 1.88로 나타났으며, 모든 경우 95% 신뢰구간이 1을 포함하지 않았다. 또한 PM의 고령층 표본이 적다는 점을 고려하여 65세 이상을 제외한 경우 치사수준 비는 2.409(95% CI 1.720~3.274), 60세 이상을 제외한 경우 2.360(95% CI 1.664~3.275)으로 나타나, 희소구간을 제외해도 기본 분석과 같은 방향이 유지되었다. 따라서 PM/자전거 비교의 역전은 특정 기준 연령분포나 고령층 일부 표본에 의해 발생한 결과로 보기 어렵다. 한편 사고유형과 도로형태를 기준으로 각각 표준화한 참고분석에서는 PM/자전거 치사수준 비가 0.705와 0.788로 나타나, 연령구성 보정결과(1.860)와 비교방향이 달랐다. 두 참고분석은 연령 불명 사고를 포함한 전체 사고를 기준으로 하며, 동일 표본의 보정 전 비는 0.753이다(연령 확인 사고 기준 0.746). 사고유형 및 도로형태 기준 표준화는 보정 전 값에서 크게 이동하지 않은 반면, 연령 기준 표준화에서는 비교방향 자체가 달라졌다. 다만 세 분석은 서로 다른 하나의 구성요인만을 각각 동일하게 가정한 별개의 조건부 비교로, 연령·사고유형·도로형태를 동시에 통제한 결과가 아니며 어느 하나가 다른 결과를 반증하거나 대체하는 관계도 아니다. 따라서 이러한 방향 차이는 특정 요인의 독립적 효과가 아니라, 표준화 기준에 따라 전체 비교결과가 달라질 수 있고 요인 간 교란 가능성이 존재함을 보여주는 참고결과로 해석하였다.

    <Table 9>

    Sensitivity Analysis of the PM-to-Bicycle Fatality Rate Ratio

    Note: The comparison is PM versus bicycle in every row. In the age-adjusted rows, only the reference age distribution used to weight the age-specific values differs. The last two rows are adjusted by accident type and by road type instead of age, and are reported as reference analyses in which age is not controlled. Excluding older age groups increases the ratio because the 65+ group has a relatively low age-specific PM-to-bicycle ratio (1.26) while accounting for about 48% of the bicycle age-adjusted level.

    Analysis Rate ratio 95% CI lower 95% CI upper Note
    Unadjusted 0.746 0.599 0.911 Age-identified sample
    Age-adjusted (ref. = all accidents) 1.860 1.413 2.378 –
    Age-adjusted (ref. = PM + bicycle) 1.663 1.256 2.130 –
    Age-adjusted (ref. = bicycle) 1.633 1.204 2.122 –
    Age-adjusted (ref. = PM) 1.851 1.439 2.363 –
    Age-adjusted (ref. = uniform) 1.882 1.427 2.412 –
    Age-adjusted (excluding 65+) 2.409 1.720 3.274 412 PM crashes, 18 deaths removed
    Age-adjusted (excluding 60+) 2.360 1.664 3.275 627 PM crashes, 25 deaths removed
    Adjusted by accident type 0.705 0.544 0.889 Reference analysis(age not controlled)
    Adjusted by road type 0.788 0.623 0.975 Reference analysis(age not controlled)

    5개년 통합 결과가 특정 연도에 의해 좌우되는지도 확인하였다(Table 10). 동일한 기준 연령분포를 각 연도에 적용한 결과 PM/자전거 치사수준 비는 2021년 2.32, 2022년 1.83, 2023년 2.08, 2024년 1.39, 2025년 1.86으로 모든 연도에서 1을 상회하였다. 다만 2022년과 2024년에는 95% 신뢰구간이 1을 포함하였다. PM의 연간 사망자수가 19~26명 수준으로 많지 않다는 점을 고려하면 단일 연도 분석에서는 불확실성이 상대적으로 커질 수 있으며, 5개년을 통합한 분석은 이러한 연도별 변동의 영향을 줄이는 데 의미가 있다.

    <Table 10>

    Age-Adjusted PM-to-Bicycle Fatality Rate Ratio by Year

    Note: The reference age distribution is the age distribution of all at-fault drivers in traffic accidents from 2021 to 2025, applied identically to every year. Age-adjusted values are fatalities per 100 accidents.

    Year PM, age-adjusted Bicycle, age-adjusted Rate ratio 95% CI PM crashes PM fatalities
    2021 2.97 1.28 2.32 1.00–4.17 1,709 19
    2022 3.17 1.74 1.83 0.88–3.10 2,355 26
    2023 2.46 1.18 2.08 1.08–3.49 2,367 24
    2024 1.81 1.30 1.39 0.65–2.42 2,207 23
    2025 3.35 1.81 1.86 1.05–2.97 1,894 23
    Total 2.70 1.45 1.86 1.413–2.378 10,532 115

    6. 연령대별 분석방법의 타당성 검토

    연령대에 따른 사고 치사수준의 변화양상이 주요 비교차종 간에 동일한지를 확인하기 위해 보조적인 회귀분석을 수행하였다. 분석대상은 PM, 자전거, 이륜차 및 원동기장치자전거로 설정하였다. 차종·연령대·연도별 사망자수를 종속변수로 하고, 각 집단의 사고건수 차이를 고려하기 위해 사고건수의 로그값을 offset으로 적용하였다. 차종, 연령대 및 연도는 범주형 변수로 포함하였다.

    먼저 계수자료에 일반적으로 적용되는 포아송 회귀모형을 구축하여 자료의 분산특성을 검토하였다. 그 결과 Pearson χ 2 /자유도와 Deviance/자유도는 각각 2.251과 2.205로 1을 크게 초과하여 과산포가 확인되었다(Table 11). 이에 과산포를 허용하는 음이항 회귀모형을 적용하였다. 음이항모형의 과산포모수 α 는 0.0714로 추정되었으며, 포아송모형과 음이항모형의 우도비 검정에서도 유의한 차이가 나타났다( LR = 29.080 , p < 0.001 ). 따라서 본 자료에서는 포아송모형보다 음이항모형이 자료의 분산특성을 보다 적절하게 반영하는 것으로 판단하였다.

    음이항모형을 이용하여 차종과 연령대의 상호작용을 추가로 검토한 결과, 상호작용항을 포함한 모형은 상호작용항이 없는 모형보다 적합도가 유의하게 향상되었다( LR χ 2 = 124.1 , df = 18 , p < 0.001 ). 이는 PM, 자전거, 이륜차 및 원동기장치자전거에서 연령대에 따른 사고 치사수준의 변화양상이 서로 동일하지 않음을 의미한다. 따라서 차종 간 사고 치사수준을 비교할 때에는 전체 수준만을 비교하기보다 차종별·연령대별 차이를 함께 고려할 필요가 있다.

    이러한 결과는 본 연구에서 차종별·연령대별 사고 치사수준을 산출한 후 동일한 기준 연령분포를 적용한 직접표준화 방식의 필요성을 보조적으로 뒷받침한다. 아울러 상호작용을 포함한 모형에서는 Pearson χ 2 /자유도가 1.170, 음이항 과산포모수가 0.00001로 나타나 잔차 과산포가 거의 남지 않았다. 이는 주효과 모형에서 확인된 과산포의 상당 부분이 차종별 연령효과의 차이를 반영하지 못한 데서 나타났을 가능성을 보여준다. 이러한 결과는 차종·연령대별 치사수준을 직접 사용하는 본 연구의 표준화 방식과도 일관된다.

    <Table 11>

    Overdispersion and Interaction Diagnostics

    Diagnostic Value Interpretation
    Poisson Pearson χ 2 / df 2.251 > 1, overdispersion
    Poisson Deviance / df 2.205 > 1, overdispersion
    Negative binomial dispersion parameter α 0.0714 > 0, overdispersion
    Poisson vs. negative binomial LR test (H0: α = 0 ) 29.080 p = 3.47e-08
    Negative binomial vehicle type × age group interaction, LR χ 2 124.1 df = 18, p = 7.01e-18
    Poisson Pearson χ 2 / df (with vehicle × age interaction) 1.170 little residual overdispersion
    Poisson Deviance / df (with interaction) 1.154 little residual overdispersion
    Negative binomial dispersion parameter α (with interaction) 0.00001 ≈ 0, negligible residual overdispersion

    Ⅴ. 결 론

    본 연구는 도로교통공단 TAAS의 2021~2025년 공표자료를 이용하여 개인형 이동장치(PM)의 사고 치사수준을 자전거, 이륜차 및 원동기장치자전거와 비교하고, 차종별 사고 가해운전자 연령구성의 차이가 비교결과에 미치는 영향을 살펴보았다. 연령이 확인된 사고를 단순 비교하면 PM의 사고 100건당 사망자수는 1.09명으로 자전거 1.46명보다 낮았다. 그러나 연령대별로 구분하면 모든 연령층에서 PM의 값이 자전거보다 같거나 높았으며, 동일한 기준 가해운전자 연령분포를 적용한 뒤에는 PM 2.70명, 자전거 1.45명으로 비교방향이 달라졌다. PM/자전거 치사수준 비도 1.860(95% CI 1.413~2.378)으로 나타나, 가해운전자 연령구성만을 동일하게 가정한 조건에서는 PM의 사고 치사수준이 자전거보다 유의하게 높았다. 과산포를 보수적으로 가정한 음이항 재표집에서도 PM/자전거 치사수준 비의 95% 신뢰구간(1.154~2.928)은 1을 포함하지 않았다. 한편 보조적 음이항 회귀분석에서는 차종과 연령대의 상호작용이 유의하게 나타나 연령대에 따른 치사수준의 변화양상이 차종별로 다름을 확인하였으며, 이는 차종·연령대별 치사수준을 직접 이용하는 직접표준화 방식의 필요성을 뒷받침한다.

    이와 같은 역전은 연령대별 치사수준과 차종별 사고 가해운전자 연령구성이 서로 다른 상태에서 전체값이 가중평균되면서 나타난다. PM은 30세 미만 사고 가해운전자가 68.6%를 차지한 반면, 자전거는 65세 이상 비중이 26.5%로 높았다. 보조적 기술분해에서도 보정 전 치사수준 차이 -0.373명은 연령구성 기여분 -1.087명과 연령대별 치사수준 기여분 +0.714명의 합으로 나타났으며, 연령구성 기여분의 81.4%가 65세 이상 연령대에서 관찰되었다. 기준 연령분포를 달리하거나 65세 이상 및 60세 이상을 제외한 민감도 분석, 연도별 분석에서도 PM과 자전거의 비교방향은 일관되게 유지되었다. 다만 기준 연령분포에서 50세 이상이 54.6%를 차지하는 반면 실제 PM 사고에서 50세 이상은 11.9%에 그치므로, 연령표준화 후 PM의 절대적 치사수준(2.70명)은 상대적으로 적은 고령층 사고자료의 영향을 받을 수 있다. 따라서 표준화 값의 절대적 크기보다는 비교방향과 민감도 분석의 일관성을 중심으로 신중하게 해석할 필요가 있다.

    이륜차 및 원동기장치자전거와의 비교에서는 PM/이륜차 치사수준 비가 1.021, PM/원동기장치자전거가 0.974로 나타났으며, 두 경우 모두 95% 신뢰구간이 1을 포함하였다. 따라서 PM이 이들 수단과 동일한 사고 치사수준이라고 단정할 수는 없지만, 자전거와의 비교와 달리 통계적으로 뚜렷한 차이가 확인되지 않았다.

    한편 사고유형 및 도로형태를 각각 기준으로 표준화한 참고분석에서는 PM/자전거 치사수준 비가 0.705와 0.788로 나타나 연령보정 결과와 비교방향이 달랐다. 이들 분석은 각각 하나의 구성요인만을 동일하게 가정한 별개의 조건부 비교이며, 연령·사고유형·도로형태를 동시에 통제한 결과가 아니다. 따라서 보정결과 간 방향 차이는 특정 요인의 독립적 효과를 의미하기보다, 표준화 기준에 따라 전체 비교결과가 달라질 수 있고 요인 간 교란 가능성이 존재함을 보여주는 것으로 해석하였다. TAAS 공표자료의 구조상 이들 요인을 동시에 통제할 수 없으므로, 본 연구의 연령보정 결과 역시 PM 자체의 독립적인 위험효과가 아니라 “사고가 발생한 사례에서 가해운전자 연령구성만을 동일하게 가정한 조건부 비교”로 한정하여 해석해야 한다.

    기존 연구에서도 PM 사고가 젊은 연령층에 집중된다는 점은 반복적으로 확인되어 왔으나(Jeong et al., 2024;Benhamed et al., 2022;Blomberg et al., 2019), 본 연구는 이러한 사고 가해운전자 연령구성 차이가 차종 간 치사수준 비교의 방향 자체를 바꿀 수 있음을 보여주었다는 점에서 차이가 있다.

    또한 본 연구에서 사용한 사고 100건당 사망자수는 해당 차종 이용자의 개인적 사망확률이나 주행거리·통행량 대비 사고발생 위험을 의미하지 않는다. 지표상 사망자는 제1당사자 이외의 상대차량 탑승자 또는 보행자를 포함할 수 있으며, 연령표준화에 사용된 분포 역시 전체 PM 이용자의 연령분포가 아니라 사고에 관여한 제1당사자의 연령분포이다. 따라서 본 연구 결과를 “PM이 자전거보다 1.86배 위험하다”는 의미로 확대해석해서는 안 된다. 아울러 TAAS 공표자료의 한계로 인해 연령, 사고유형, 법규위반, 안전모 착용, 음주 여부 및 도로형태 등을 동시에 고려하지 못하였고, 동일 연령대에서 PM과 자전거의 치사수준 차이가 나타나는 배경에는 주행속도, 차체 안정성, 안전장비 착용 등 다양한 요인이 있을 수 있으나 본 연구자료만으로는 이를 확인할 수 없다.

    정책적으로는 신규 모빌리티의 안전관리 성과를 평가하거나 차종 간 안전지표를 비교할 때, 단순 사고 100건당 사망자수와 가해운전자 연령구성을 동일하게 한 보정지표를 병행 제시하여 연령구성 차이에 따라 전체 지표의 해석이 어떻게 달라지는지 확인하는 방안을 고려할 수 있다. 이때 보정지표는 특정 차종의 본질적 위험도나 노출량 기반 사고율을 대체하는 성과지표가 아니라, 전체 평균의 차이가 사고 당사자 구성의 차이에 의해 어느 정도 달라질 수 있는지를 점검하기 위한 보조지표로 활용하는 것이 적절하다.

    향후에는 개별 사고자료와 주행거리·통행량 자료를 결합하여 연령, 사고유형, 도로환경, 안전장비 착용 및 노출량을 동시에 고려하는 분석이 필요하다. 이를 위해서는 공유 PM 운영사의 주행자료 또는 통행실태조사 자료와 개별 사고자료의 연계가 전제되어야 하며, 공유형 PM과 개인 소유 PM을 구분한 분석도 함께 요구된다.

    본 연구의 의의는 PM이 특정 교통수단보다 본질적으로 더 위험하다고 단정하는 데 있지 않다. 본 연구는 연령대별 치사수준의 차이는 PM의 보정 전 치사수준을 높이는 방향으로 작용한 반면, 더 큰 사고 가해운전자 연령구성의 차이가 이를 상쇄하여 보정 전 지표에서 PM이 자전거보다 낮게 나타났음을 분해를 통해 정량적으로 제시하였다. 이는 가해운전자 연령구성이 크게 다른 신규 모빌리티를 단순 평균으로 비교할 경우 안전수준의 비교방향 자체가 달라질 수 있음을 실증적으로 보여준다는 점에서 의의가 있다.

    Figure

    KITS-25-5-234_F1.jpg

    Fatalities per 100 Accidents by At-Fault Driver Age Group

    Note : PM is at or above bicycles in every age stratum yet appears lower in aggregate(Simpson’s paradox)

    Table

    Structure and Use of Analysis Data

    Note: In the main analysis, crashes and fatalities are counted only for crashes with a reported at-fault driver age group; the reference analyses and the descriptive statistics are based on all crashes.

    Descriptive Statistics of Traffic Accidents by Vehicle Type (2021–2025)

    Source: TAAS. “Age identified” denotes the share of accidents for which the at-fault driver’s age group is reported.

    Composition of Fatalities by Accident Type and Vehicle Type

    Note: Figures in parentheses are percentages of each vehicle type’s total fatalities. No fatalities occurred in railroad-crossing accidents.

    Age Distribution of At-Fault Drivers by Vehicle Type (%)

    Note: The last row is the reference age distribution (wa) applied to all vehicle types in the direct standardization.

    Fatalities per 100 Accidents by At-Fault Driver Age Group

    Note: Rate ratios are computed from unrounded values. Total (unadjusted) is calculated only from crashes with a reported at-fault-driver age group and may therefore differ slightly from the crude values in <Table 2>

    Decomposition of the Crude Difference in Fatalities per 100 Accidents (PM-Bicycle)

    Note 1: Fatality levels and contributions are expressed as fatalities per 100 accidents.
    Note 2: Both contributions are computed from unrounded data; shares, fatality levels and contributions are rounded for presentation. The two contributions sum to the crude difference between PM and bicycle (−0.373), based on unrounded values.
    Note 3: A positive value contributes to raising the PM crude rate and a negative value to lowering it. This decomposition is a descriptive arithmetic partition of the observed crude difference and is not an estimate of causal effects.

    Unadjusted and Age-Adjusted Fatalities per 100 Accidents by Vehicle Type

    Note 1: Unadjusted values are computed only for accidents with a reported at-fault driver age group, and therefore differ slightly from the fatalities per 100 accidents shown in <Table 2>.
    Note 2: ATV is reported for reference only, given its small sample (1,202 accidents) and atypical age structure (72.8% of at-fault drivers aged 65 or over).

    Age-Adjusted Fatality Rate Ratios between PM and Comparison Vehicle Types

    Note1: The rate ratio divides the age-adjusted fatality level of one vehicle type by that of another; a value above 1 indicates a higher level for the numerator (PM). A 95% CI containing 1 is interpreted as showing no statistically clear difference.
    Note 2: Conservative CIs are obtained by negative binomial resampling with α=0.0714, the dispersion estimated from the main-effects model in <Table 11>.

    Sensitivity Analysis of the PM-to-Bicycle Fatality Rate Ratio

    Note: The comparison is PM versus bicycle in every row. In the age-adjusted rows, only the reference age distribution used to weight the age-specific values differs. The last two rows are adjusted by accident type and by road type instead of age, and are reported as reference analyses in which age is not controlled. Excluding older age groups increases the ratio because the 65+ group has a relatively low age-specific PM-to-bicycle ratio (1.26) while accounting for about 48% of the bicycle age-adjusted level.

    Age-Adjusted PM-to-Bicycle Fatality Rate Ratio by Year

    Note: The reference age distribution is the age distribution of all at-fault drivers in traffic accidents from 2021 to 2025, applied identically to every year. Age-adjusted values are fatalities per 100 accidents.

    Overdispersion and Interaction Diagnostics

    Reference

    1. Ahmad, O. B., Boschi-Pinto, C., Lopez, A. D., Murray, C. J. L., Lozano, R. and Inoue, M. ( 2001), Age Standardization of Rates: A New WHO Standard, World Health Organization, GPE Discussion Paper Series No. 31, p.3.
    2. Benhamed, A., Gossiome, A., Ndiaye, A. and Tazarourte, K. ( 2022), “Characteristics and Comparison between E-Scooters and Bicycle-Related Trauma: A Multicentre Cross-Sectional Analysis of Data from a Road Collision Registry”, BMC Emergency Medicine, vol. 22, 164.
    3. Blomberg, S. N. F., Rosenkrantz, O. C. M., Lippert, F. and Christensen, H. C. ( 2019), “Injury from Electric Scooters in Copenhagen: A Retrospective Cohort Study”, BMJ Open, vol. 9, e033988.
    4. Blyth, C. R. ( 1972), “On Simpson’s Paradox and the Sure-Thing Principle”, Journal of the American Statistical Association, vol. 67, no. 338, pp.364-366.
    5. Efron, B. and Tibshirani, R. J. ( 1993), An Introduction to the Bootstrap, Chapman & Hall, New York, USA, pp.53-55.
    6. Han, D. and Lee, J. ( 2023), “Comparative Analysis of Accident Factors Through the Development of Accident Severity Models for Personal Mobilities and Bicycles”, Journal of Digital Contents Society, vol. 24, no. 12, pp.3247-3256.
    7. Han, S., Lee, C. K., Yun, I., Yun, Y. and Na, J. ( 2021), “Analysis of PM (Personal Mobility) Traffic Accident Characteristics and Cause of Death”, Journal of Korean Society of Intelligent Transport Systems, vol. 20, no. 1, pp.100-118.
    8. Heo, W. J., Kang, J. H. and Lee, S. H. ( 2024), “Classification of Characteristics in Two-Wheeler Accidents Using Clustering Techniques”, Knowledge Management Research, vol. 25, no. 1, pp.217-233.
    9. Jeong, M. K., Kim, J., Kim, J. H. and Lee, M. ( 2024), “Study on Policy Directions for Ensuring Traffic Safety for Personal Mobility Devices”, Traffic Safety Research, vol. 43, no. 1, pp.29-48.
    10. Jo, H., Noh, H. S., Yoo, H. C., Kang, J., Jung, J. and Kim, H. ( 2021), “A Study on the Use Behavior and Safety of Electric Scooters - Focused on the Survey of E-Scooter Owners -”, The Geographical Journal of Korea, vol. 55, no. 1, pp.43-55.
    11. Jung, K. B., Kim, T., Kim, Y. and Kim, S. ( 2022), “A Study on the Countermeasures according to the Review of Personal(Shared) Mobility System and Operating Conditions”, Journal of Korean Society of Transportation, vol. 40, no. 1, pp.1-10.
    12. Kang, S. S. and Kang, S. K. ( 2022), “A Study on Major Safety Problems and Improvement Measures of Personal Mobility”, Journal of the Society of Disaster Information, vol. 18, no. 1, pp.202-217.
    13. Kim, D. J., Jeon, J. W., Jo, J. H. and Park, H. C. ( 2021), “Identifying Factors Affecting Crash Severity of Personal Mobility by Crash Types Using Hierarchical Models”, Traffic Safety Research, vol. 40, pp.89-107.
    14. Kim, Y. H. and Kim, Y. J. ( 2022), “Analysis of Severity Risk Factor for Personal Mobility Accident Using Ordered Logit Model”, Transportation Technology and Policy, vol. 19, no. 6, pp.28-32.
    15. Kim, Y., Noh, B. and Yeo, H. ( 2022), “Urban Structure-Based Factor Analysis of Two-Wheeler Accidents Using Data Cube Model”, Journal of Korean Society of Transportation, vol. 40, no. 3, pp.358-379.
    16. Kitagawa, E. M. ( 1955), “Components of a Difference Between Two Rates”, Journal of the American Statistical Association, vol. 50, no. 272, pp.1168-1194.
    17. Korea Road Traffic Authority ( 2026), Traffic Accident Analysis System (TAAS), https://taas.koroad.or.kr/sta/acs/exs/typical.do?menuId=WEB_KMP_OVT_UAS_ASA, 2026.07.08.
    18. Park, J. R. ( 2024), Analysis of Traffic Accident Severity and Influencing Factors for Bicycles and Personal Mobility Devices, Master’s Thesis, Incheon National University, Incheon, Korea.
    19. Rothman, K. J., Greenland, S. and Lash, T. L. ( 2008), Modern Epidemiology, 3rd ed., Lippincott Williams & Wilkins, Philadelphia, USA, pp.49-50.
    20. Spörri, E., Halvachizadeh, S., Gamble, J. G., Berk, T., Allemann, F., Pape, H. C. and Rauer, T. ( 2021), “Comparison of Injury Patterns between Electric Bicycle, Bicycle and Motorcycle Accidents”, Journal of Clinical Medicine, vol. 10, no. 15, 3359.
    21. Yoo, J. H., Choi, I. B. and Song, S. H. ( 2020), “A Study on Prevention of Traffic Accidents Through Motorcycle Accident Characteristics Analysis”, Transportation Technology and Policy, vol. 17, no. 1, pp.29-36.

    저자소개

    Footnote