Ⅰ.서 론

1.개요

최근 건강과 환경에 대한 관심으로 자전거를 타는 이들이 늘면서 자전거 시장도 빠른 속도로 성장하고 있 다. 국내 자전거족(族)은 최근 1,200만 명에 달하는 것으로 추산될 만큼 보편화되었고 레포츠의 활성화와 자 전거 대여소, 자전거 전용 도로 등 자전거 인프라가 늘어나면서, 동호회 활동 및 관련 산업이 활성화 되고 있다. 그러나 자전거 안전을 위한 인프라는 현저히 부족할 뿐 아니라, 자전거 도로의 연속성 부재, 각 지자체 별 실적 위주의 행정집행에 따른 자전거 도로의 양적 팽창과 이에 따른 자전거 도로상 각종 장애물 산재 등 열악한 자전거 이용환경으로 인하여 자전거 이용자들은 교통안전에 위협을 받고 있다.

또한 우리나라의 교통문화는 과거부터 전통적으로 교통약자(Vulnerable Road User)에 대한 배려가 낮아 현 재까지도 높은 자전거 교통사고율을 보이며 인적 물적 피해를 유발하고 있다.

교통사고 통계에 따르면 지난 10년간(2005년~2014년) 전체 교통사고는 연평균 증가율 0.43%로 소폭 증가 한 반면, 자전거 교통사고는 연평균 증가율 8.16%로 나타났다. 전체 교통사고에서 자전거 교통사고가 차지하 는 비율도 증가추세로, 교통사고 발생건수의 7.8%와 사망자의 6%가 자전거 교통사고로 발생했다. 지난 2014 년에는 총 17,471건의 자전거 교통사고가 발생하여 287명이 사망하고 18,115명의 부상자가 발생하여 정부의 정책적 노력에도 불구하고 지속적인 증가추세를 보이고 있다. <Table 1>

전체 사고 중 자전거 이용자가 가해자인 비율은 34%였다. 또 이용자가 안전운전 의무를 위반하여 사고가 발생한 비율은 59.8%로 가장 높았다. 그다음은 중앙선 침범이 12.8%로 뒤를 이었다. 사고유형으로는 측면충 돌이 28.1%로 가장 높아 교차로에서의 사고 빈도가 높은 것으로 조사 되었다(Traffic Accident Analysis System, 2016).

자전거는 위험상황 시 적극적인 대처가 어렵기 때문에 측면 충돌 사고 시 대형사고로 이어지고 있어 사전 에 예방하는 것이 매우 중요하다.

Ⅱ.선행연구 고찰

Shin(2012)은 자전거사고 심각도에 영향을 미치는 요인의 분석방법으로 이항 로지스틱 회귀모형 정립 결 과 성별, 연령, 자전거 및 차량 이용자의 법규위반, 도로종류, 직선/곡선 및 경사 유·무가 자전거사고 심각도 에 영향을 미치는 유의한 변수로 도출하였다. 이중 자전거 및 차량 이용자의 법규위반, 도로종류 및 연령은 양의 영향력을 갖고 직선/곡선 및 경사 유·무는 음의 영향력을 갖는 것으로 도출하였다(Shin, 2012).

Hong and Kim(2010)은 자전거사고 자료를 확률로 표현하고 자전거 인구와 자동차 등록대수 자료와 결합 하여 자전거사고의 특징을 분석하고 파악하였다. 또한 조건부 독립이라는 가정 하에 현실세계의 현상에서 자전거사고 발생확률을 구하는 방법을 제안하고, 이 방법을 활용하여 자전거사고를 줄일 수 있는 방안을 연 구 하였다(Hong and Kim, 2010).

Kim et al.(2008)은 2005년도 인천광역시 사지교차로에서 발생한 56건의 자전거사고 자료에 대한 분석과 사고발생 교차로에 대한 현장조사를 실시하였으며, 다항로짓모형을 이용하여 3가지 경우에 대한 자전거 사 고유형 분석모형을 개발하였다. 모형분석결과, 사망사고 유무, 부도로 교통섬 유무, 도로위계, 사고당시 날씨, 주도로 버스정류장 유무, 주도로 차로폭, 인적유발요인이 자전거 사고 유형에 중요한 변수로 분석 하였다 (Kim et al., 2008).

Park(2011)은 미국 캘리포니아 주에서 수행한 GIS(Geographic Information System) 기반의 교통사고 분석사 례를 통해 도로에서 발생한 교통사고를 전자지도상에 지오코딩함으로써 GIS 기반의 반영구적인 도로 네트 워크와 교통사고지도를 구축하는 사례를 소개하였다(Park, 2011).

Yu(2005)은 GIS를 기반으로 교통사고 데이터베이스를 구축하고, 사고 정보 관리 및 분석을 위한 시스템을 개발하여 정확하고 신속성 있는 교통사고 공간DB 구축을 가능하도록 하였으며, 교통사고 경감을 위해 현행 교통사고 자료 관리를 효율적으로 수행할 수 있는 기반 연구를 실시하였다(Yu, 2005).

기존의 자전거 교통사고 관련 선행연구는 대부분 자전거 사고 발생지점의 지역적 특성을 기반으로 통계 적 기법을 통해 예측 모델을 정형화 하는 것에 비중높은 연구를 진행하고 있었다.

그러나 대부분 사고분석에 사용된 데이터가 지역적 규모의 데이터로써 도로특성 및 지리적 특성을 반영 하지 못하는 한계점 역시 존재 하였다.

기존연구 고찰을 통해 전국의 도로 네트워크 및 자전거 사고데이터의 GIS 분석기법인 지오코딩을 실시하 여 자전거 사고 다발지점의 도로특성의 공통점을 도출하고, 사고 예상지점을 도출하며 이를 통해 전국규모 의 자전거 사고 지도를 생성하는 연구 진행 방안을 수립하였다. 이에 따라 전국의 자전거 사고 데이터와 수 치지도(Digital Map)의 도로속성 정보를 기반으로 자전거 사고 위험존을 설정하고 이를 활용하여 자전거 이 용자에게 시의적절한 안전정보를 제공할 수 있도록 하는 방안을 연구하고자 한다.

이를 위해 자전거 사고 다발지점의 도로특성 공통 요소를 도출하고 네트워크 데이터로 모델링하여 잠재 적인 자전거 사고 발생이 예상되는 지점 설정을 통해 자전거 사고예방 지도를 생성하는 방안을 연구 하였다. 본 논문에서는 실제 사고 데이터를 이용해 선정한 지점을 수준 1, 2, 3으로 분류하여 ‘위험존’이라 하였고, 이러한 위험존을 바탕으로 모델화 하여 생성한 잠재적 사고발생 예상지점을 ‘논리위험존’이라 하였다. 자전 거 사고 분석 및 이용 행태 분석을 위해서는 도로교통공단의 교통사고종합분석센터에서 제공한 이륜차(자전 거)사고 데이터를 활용하였다.<Fig. 1>

Ⅲ.본 론

1.자전거 사고 특성분석

아래 표는 2010년부터 2014년까지 전국에서 발생한 자전거 사고 지점의 1당사자,1) 2당사자2)를 포함하여 사고 당사자의 연령별 사망사고와 부상사고를 분석한 결과이다.

해당 연령대에서 사고건수가 높다는 것은 자전거 이용률이 높다는 사실과 해당 연령대가 사고에 취약한 특성을 갖고 있음을 반증하고 있다.

사망사고 측면에서는 연령이 높아짐에 따라 사망사고 분포가 증가함을 보이고 있으며 두드러지는 경향은 60세 이상에서 사망사고 분포가 첨두를 이루고 있다.

부상사고 측면에서는 60세 이상에서 첨두를 보이나, 10대와 20대 중반의 학생 연령층에서도 부상사고 분 포가 높았다. <Table 2>

2.사고데이터 가공

보유하고 있는 자전거 사고 지점 데이터는 총 48,820건의 데이터로써 2009년부터 2012년까지 4년간의 자 전거 사고지점에 대한 데이터로써 도로교통공단으로부터 제공받았다.

사고데이터를 GIS데이터로 변환하기 위해 데이터 가공을 실시하였다. 자전거 사고 데이터 필드의 경위도 (X, Y)를 WGS84(1984 World Geodetic System) 좌표계로 DBF(Data Base File) 데이터를 GIS 데이터로 변환하 였다. 각 지점 데이터에 도로속성 링크, 노드 데이터를 공간 조인(Join) 하여, 사고지점 (Point) 데이터를 반경 15m 면적의 원형 지역으로 버퍼링(buffering) 하였는데, 이는 일반적인 GPS(Global Positioning System)오차범 위가 약 15m 이기 때문에 사고데이터 수집과정에서 발생할 수 있는 위치 오차를 반영하기 위함이다. 각각의 15m반경 원형(Circle)으로 중첩된 면형데이터를 하나의 면형 데이터로 변환하였다. 이후 사고지점 면형데이 터에 실제 사고지점 포인트 데이터를 조인(Join)시켜 자전거 사고 중복발생 지점을 도출하였다.<Fig. 2>

3.사고 수준별 위험도 설정

자전거 사고가 가장 많이 발생한 지점은 서울시 중랑구 상봉동에 위치한 ‘동일로지하차도사거리’로써 23 개 사고가 한 지점에서 발생했던 것으로 나타났다. 이곳에는 사망사고 2건, 중상사고 7건, 경상사고 14건이 발생했던 지점이다.<Fig. 3>

자전거 사고 위험존의 목적은 원칙적으로 자전거 이용자에게 안전정보를 제공하기 위함이기 때문에, 사고 지점을 위험존으로 지점화 하였고, 이용자에게 서비스를 고려하여 지점 위험도를 ‘상’, ‘중’, ‘하’ 순으로 수 준별 분류가 필요하였다.

자전거 사고중 사망사고는 특별히 관리되어야 하는 비중높은 사고이나, 중상, 경상의 경우 충격시 상해부 위가 일정치 않은 자전거의 특수성 때문에 동일한 조건에서도 중상이 될 수도, 경상이 될 수도 있다.

따라서 단순히 사망사고, 중상사고, 경상사고등 사고자의 피해정도에 따라 위험도를 분류하는 것은 무의 미하다. 따라서 본 연구에서는 자전거 사고 중복 발생에 따른 위험도를 확률적으로 분류하여, 각각 반경 15m 이내에서 사망사고를 포함하는 중상사고 3건 이상의 중첩 다발지점을 필연적 사고 지점으로 규정하고 가장 높은 수준의 위험도 ‘수준3’으로 설정 하였다.

‘수준3’을 제외한 지점중 중상사고, 경상사고, 부상신고의 경우 각각 반경 15m이내에서 2건 이상의 다발지 점을 위험도 중간인 ‘수준2’로 분류하였다.

또한, ‘수준3’, ‘수준2’를 제외한 나머지 지점은 중상사고, 경상사고, 부상신고가 각 1건씩 발생한 지점으로 위험도가 낮은“수준1”로 분류하였다.

아래 표에 적색으로 표기한 부분이 ‘수준3’, 황색으로 표기한 부분이 ‘수준2’, 녹색으로 표기한 부분이 ‘수 준1’이다. 위험존은 이들 수준3, 수준2, 수준1 지점으로 분류하였다. <Table 3>

4.위험존 생성

중복발생 수준별 위험존 설정에 따라 아래 그림과 같이 전국 규모의 자전거사고 위험존 데이터를 생성하 였다. 생성한 위험존은 실제 사고가 발생했던 지점으로 사고발생이 예상되는 지점인 논리위험존 모델에 기 초자료로 활용하였다. <Fig. 4>

생성된 위험존의 수준3 지점을 기준으로 수준2와 수준1 지점의 지역적 거리 근접 분포도를 GIS 거리분석 을 통해 확인하였다.

지점간 근접 분포도 50%이상을 기준으로 보면, 수준2 지점의 경우 30m이내에서, 수준1 지점의 경우 100m 이상에서 상호 근접하여 분포하는 결과를 보이고 있다. 위험도 수준이 높은 수준3 지점이 수준1 지점에 비해 상대적으로 수준2 지점과 밀접한 지근거리를 갖고 분포하는 것을 확인할 수 있었다. <Table 4>

5.네트워크 데이터의 논리 위험존 모델링

자전거 사고 다발지점의 공통요소를 링크와 노드로 구성된 도로 네트워크 데이터의 속성을 이용하여 빈 도 분석한 결과 네트워크 데이터상 논리위험존 모델을 아래와 같이 도출하였다.

6.현장답사를 통한 논리위험존 모델 갱신

전국의 위험존을 대상으로 사망자 또는 중상자가 발생한 지점중 반경 15m이내에서 4건이상의 다발 사고 지점을 선정하여 네트워크 데이터 논리 위험존 모델의 적용성을 확인하고 추가요소 도출 및 갱신을 목적으 로 현장답사를 실시하였다. <Fig. 5>-<Table 6>

전국 105지점 232개소의 현장검증을 실시하여 위험존 구축의 위치정확성 및 모델 갱신에 필요한 사고다 발지점의 추가적인 공통요소를 디지털 맵 정보를 이용하여 도출하였으며 그 결과는 아래와 같다. <Table 7>

7.논리위험존 생성

네트워크 데이터의 논리 위험존 모델링과 현장답사를 통한 디지털 맵 기반 추가적인 공통요소를 기반으 로 논리위험존 13,357개소를 생성했으며 그 결과는 아래 그림과 같다.<Fig. 6><Fig. 7>

8.논리위험존 정합성 검증

생성된 논리위험존이 실제 사고지점과 얼마나 가까운 지점에 분포되어있는지를 확인하여 논리위험존의 정합성을 검증하였다. GIS 거리분석기법을 이용해 전체 논리위험존 데이터 13,357개소의 23.7%인 3,174개소 가 실제 사고지점과 정확히 동일한 지점에 형성되어 있으며, 50%인 6,678개소가 실제 사고지점으로부터 지 근거리 52.5m 이내에 설정되어있음을 확인하였다. <Table 8>

서울에 차 순위로 자전거사고가 많이 발생하는 지역인 대구지역에서 확인할 수 있듯이, 생성된 논리위험 존 지점은 아래 그림과 같이 시내지역 및 시외지역에서 실제 사고지점인 수준1, 2, 3 지역과 유사한 분포를 보임을 확인할 수 있다.<Fig. 8>

Ⅴ.결 론

본 연구에서 도출된 자전거 사고 논리 위험존 설정 연구 결과는 전국의 자전거 사고지점의 지점별 특수성 을 네트워크 데이터를 통해 논리위험존 형태로 일반화 하였다는데 의미가 있다.

본 연구 결과를 활용하여 자전거 이용자가 휴대할 수 있는 스마트기기, 웨어러블 디바이스 등 자전거용 내비게이션SW에 탑재하거나 IoT기술을 통해 교차로 안전정보제공 서비스에 도입 된다면 자전거 활동을 보 다 안전하게 영위할 수 있도록 하는데 기여할 것으로 예상된다. 이를 위해 위험존 데이터가 격납하고 있는 사고 상황정보를 이용해 각 지점별 위험 시나리오 및 서비스 항목을 도출하여 자전거 이용환경에서 보다 안 전하고 효과적으로 위험정보를 전달할 수 있는 방안의 연구가 필요할 것으로 판단된다.

다수의 지역을 대상으로 위험도를 평가하는데 있어서는 시공간적 특성이 상이하므로 일정한 평가지표 를 이용하는 것이 필요하다. 이를 위해 이용될 수 있는 평가지표는 교통사고 노출지표(Accident Exposure Measure)로써 교통사고에 직접 또는 간접적인 영향을 주는 요인으로 사고를 야기하는 기회의 수를 의미한다. 일반적으로 지역별 교통안전도는 사고율을 산정하여 비교평가하게 되는데, 이때 주로 이용되는 평가지표는 인구, 자동차등록대수, 도로연장 등을 노출지표로 설정하여 적용하고 있다.(Kim, 2011) 그러나 본 연구에서는 국내 자전거 이용자 수, 자전거 대수, 자전거 전용도로 및 자전거 겸용도로 연장 등의 정확한 통계수치 입수 에 어려움이 있어 노출지표를 반영하지 못한 한계성이 있었다.

추후 연구에서는 본 연구 결과를 확장해 자전거 사고 노출지표를 거시적 노출지표와 미시적 노출지표로 세분화 하여 반영하는 방안을 수립하여 방대한 자전거 사고 데이터를 보다 다각적으로 분석하고자 한다. 이 를 통해 논리위험존 설정의 그룹핑 논리를 고도화하여 자전거 이용자 개인뿐만 아니라 공적 목적으로써 더 욱 의미 있는 도로환경 개선에 일조 할 수 있도록 추가적인 연구를 계속 진행할 계획이다.