Ⅰ. 서 론
1. 개요
고속도로는 도시부 도로와 달리 차량 주행 속도가 상대적으로 높으므로 교통사고 발생 시 사고 피해 심각 도가 크고 2차 사고나 다중사고가 발생할 가능성이 크다. 최근 5년간 (2017~2021년) 교통사고를 살펴보면, 고 속도로의 5년간 평균 100건당 사망자 수는 5.29명으로 모든 도로의 평균 100건당 사망자 수인 1.61명에 비해 3.3배 높게 나타났다(taas.koroad.or.kr). 이처럼 고속도로는 주행 속도가 높고 정지거리가 길어지기 때문에 사 고 발생 시 치명적인 인명피해가 발생하게 된다. 고속도로 특성상 주행 중 정면 추돌, 차로변경 중 측면추돌 등 다양한 교통 상황에서의 사고원인과 유형이 발생하기 때문에 세밀한 추돌사고 특성 분석이 필요하다. 또 한, 고속도로는 상습 반복 정체, 차로변경 구간, 버스전용차로 등 다양한 차량 행태(Driving behavior)가 발생 하므로 차량 간의 상호작용과 사고 심각도의 영향요인에 대한 깊이 있는 분석이 필요하다.
교통사고 심각도에 영향을 미치는 요인은 운전자, 도로 환경, 주행 상황, 기상 등 다양한 영향 요소가 존 재한다. 이러한 영향 요소로 구성된 교통사고 데이터는 이산형/연속형 수치 변수, 정성적 지표 등 기본적으 로 이질성(Heterogeneous)을 포함하게 된다(Depire et al., 2008). 즉 변수의 단위도 다르고, 표현하는 정도의 차 이도 상이하므로 이질성을 고려하지 않으면 분석과정에서 현실을 제대로 반영하지 못하고 왜곡된 결과를 초 래할 수 있다. 따라서 본 연구는 블랙박스 영상분석에서 추출되는 이질적인 사고 데이터를 토대로 고속도로 사고유형을 분류하고, 그 군집 결과를 기반으로 사고 심각도 예측모형 분석을 수행하였다.
본 연구는 고속도로 사고, 교통사고 심각도, 사고 예측모형 관련하여 기존 문헌을 고찰하여 이질적인 교통 변수 선정과 연구 방법론을 정립하였다. 분석자료는 블랙박스 사고 영상자료를 활용하여 사고지점의 도로 기하구조, 사고 직전의 주행 상황 등을 알 수 있는 변수를 추출하였다. 분석 방법은 사고유형 분류를 위한 군집 별 사고 특성을 분석하기 위해 잠재 계층분석(Latent class analysis)을 적용하였고, 예측모형은 이항로짓 모형(Logit model)을 활용하였다. 실제 사고 영상에서 도출된 자료를 바탕으로 사고 특성을 분류하고, 사고 심각도에 영향을 주는 요인을 규명하는 데 본 연구의 목적이 있다.
Ⅱ. 기존 문헌 고찰
1. 고속도로 교통사고 연구
Yu and Abdel-Aty(2013)는 산악 고속도로 구간 5년간의 충돌 데이터를 사용하여 다단계 로지스틱 회귀분 석, 베이지안 추론을 적용해 분석했다. 연구 결과, 단일 사고와 다중사고가 교통사고 발생 기여 요인이 다르 다는 것을 도출하였다. Hong et al.(2019)는 고속도로에서 발생한 7년간의 차량 유형별 충돌사고 데이터를 활 용하여 로짓 모형을 통해 사고 특성을 수행하였다. 그 결과 터널과 본선 구간 내 다중 충돌사고는 주행 차량 대수와 관계가 있지만 램프 구간과 요금소(Toll plaza)는 관계가 적은 것으로 나타났다. Jeon and Kim(2020)는 고속도로의 교통사고 차량 대수에 따른 요인의 영향분석을 위해 3년간 사고 데이터를 다항 로짓모형을 이용 하여 분석을 수행하였다. 분석 결과, 야간사고와 고속도로 본선, 터널, 교량에서 발생한 사고, 운전자 과실, 도로 장애물, 노면 문제로 인한 사고, 내리막 경사, 중차량 연관 사고가 다중 추돌사고로 이어질 가능성이 큰 것으로 분석되었다. Ma et al.(2009)는 2년간 고속도로 터널 교통사고를 사용하여 시간적·공간적 분포 특성을 분석하였다. 그 결과 터널구간은 다중 차량사고가 단일 사고보다 많았으며, 터널 내 구간은 노면이 건조한 상태인데도 강우 시 사고 발생이 46.7%로 비교적 높게 나타났다.
선행연구 검토 결과, 고속도로 사고조사 자료를 토대로 교통사고 심각도에 영향을 미치는 요인을 도출하 였고, 주요한 영향변수는 운전자 과실, 다중사고, 야간, 교량·터널, 이상기후 등으로 나타났다. 실질적인 사고 직전의 도로·교통환경, 주행 상황 등을 반영한 연구 수행은 자료수집 특성상 한계가 있는 것으로 나타났다.
2. 교통사고 심각도 연구
Abdel-Aty(2003)는 여러 도로의 운전자 부상 심각도 수준을 분석하기 위해 2년간 미국 플로리다 교통사고 데이터를 토대로 순서형 프로빗 분석을 수행하였다. 신호 교차로, 기본구간 및 통행료 징수구간(Toll plaza)에 대해 각각 독립된 모형을 개발하였다. 노인과 남성 운전자, 안전벨트 미착용 운전자, 승용차 운전자(차량 종 류), 운전석 측면(사고 특성)에 부딪힌 차량 및 속도위반(과속) 운전자는 모든 모형에서 심각한 부상 가능성 이 큰 것으로 나타났다. Gray et al.(2008)은 영국에서 젊은 남성 운전자와 관련된 사고 특성을 분석하기 위해 13년간 교통사고 데이터를 활용해 순서형 프로빗 분석을 수행하였다. 주말(금요일~일요일) 야간 운전, 주변 차량 추월 운전행태, 제한속도 60 mph 상의 일방통행 운전 등에 속하는 경우 교통사고 시 중상 또는 치명적 부상 발생 가능성이 큰 것으로 나타났다. Garrido et al.(2014)은 5년간 교통사고 데이터를 토대로 순서형 프로 빗 모형을 적용하여 차량 탑승자의 부상 심각도 영향요인을 도출하였다. 분석 결과 양방향 도로 내 건조한 노면을 주행하는 경차 탑승자가 일방통행 내 젖은 노면을 주행하는 중차량 탑승자보다 더 심각한 부상이 발 생하였다. Wu et al.(2014)는 단일 사고와 다중사고의 운전자 부상 심각도를 분석하기 위해 2년간 뉴멕시코의 고속도로 사고자료를 활용하였다. 혼합로짓모형을 적용하여 분석한 결과, 시간 변수 중 야간일 경우와 날씨 변수 중 먼지와 모래가 지면 위로 솟구치는 경우에서 다중 추돌사고 심각도가 증가하였다. Eboli et al.(2020) 는 2016년에 발생한 이탈리아 교통사고의 도로요인, 환경요인, 운전자 요인, 사고 상황 요인이 교통사고 유 형에 미치는 영향을 이항 로지스틱 회귀모형을 적용해 분석하였다. 연구 결과, 교차로 유무 및 일방통행 유 무와 같은 도로 조건과 노면 상태, 운전자 나이가 중대 사고와 관련이 있는 것으로 나타났다. Aiash and Robuste(2021)은 교통사고 심각도와 사망자에 따른 분류요인의 상관관계를 파악하였다. 4년간 고속도로 데이 터를 기반으로 이항 프로빗 모형을 적용하였는데, 주말 또는 야간 시간대는 사고 심각도가 높게 나타났다. Mohamed et al.(2017)은 차량 추돌사고가 사고 심각도 분석에 영향을 미치는 요인을 파악하기 위해 아부다비 에미리트(AD) 2014년 데이터를 이항 로짓모형을 사용하여 분석하였다. 분석 결과 도로 유형 및 차선 수가 사고와 관련이 있는 것으로 나타났다.
선행연구 검토 결과, 운전자 나이, 야간, 종단선형, 노면 상태 등이 교통사고 심각도 영향요인으로 나타났 다. 기존 문헌은 전통적인 교통 사고조사 지표를 토대로 사고 심각도 분석을 수행하였으며, 차량 주행행태 등 블랙박스 영상을 통해 확인할 수 있는 변수를 활용하는데 제약이 있는 것으로 분석되었다.
3. 군집 및 머신러닝 관련 연구
Iranitalab and Khattak(2017)은 4년간 미국 내 차량 충돌 데이터를 토대로 전통적인 통계기법과 머신러닝을 활용해 교통사고 심각도 예측모형의 성능 비교 연구를 수행하였다. 또한, K-means 군집분석과 잠재 계층분석 (Latent class analysis)을 개별 적용했을 때 사고 심각도 예측모형의 성능을 비교하였다. 분석 결과, 두 군집기 법 모두 심각도에 대해 예측성능이 향상하는 것으로 나타났다. Li et al.(2019)은 운전자 부상 심각도 영향요 인을 분석하기 위해 차량 간의 충돌사고를 포함하는 2년간 데이터를 활용했다. 잠재 계층분석으로 전체 데 이터 세트를 분류한 후 혼합로짓모형을 추가로 분석했다. 군집분석 결과, 농촌지역과 젖은 노면 상태 구간에 서 운전자의 부상 심각도가 높은 것으로 나타났다. Lei et al.(2021)은 6년간 고속도로 교통사고 데이터를 기 반으로 머신러닝 기법으로 사고 예측모형을 개발하고 교통류 변수 선정을 위해 랜덤 포레스트(Random forest) 기법을 사용하였다. SVM(Support vector machine) 기법을 적용한 사고 예측모형은 90%의 정확도를 보 였다. Sun et al.(2021)은 3년간 중국 교통사고 데이터에 대해 잠재 계층분석을 적용하여 군집 특성 분석과 군 집 별 사고 심각도 영향요인을 도출하였다. 선행연구 검토 결과, 교통사고 유형분류를 위한 군집기법은 K-means Clustering과 잠재 계층분석을 가장 많이 사용하였고, 예측모형은 이질적인 데이터 성격을 고려하여 SVM과 로짓모형 등을 적용하였다.
4. 기존 연구와의 차별성
고속도로 교통사고 영향요인 관련 연구는 기본적인 교통사고 조사자료를 토대로 인적요인, 도로요인, 주 행요인 등 다양한 요소를 반영하여 군집분석과 사고 예측모형을 적용하였다. 본 연구는 사고 직전의 기하구 조, 차량 거동 등 다양한 교통환경변수 추출이 가능한 블랙박스 영상자료를 활용하였다. 기존 논문과의 차별 성은 기본적인 교통사고 관련 변수 외에 사고 영상에서 추출되는 차량 행태변수(차로변경, 추돌유형 등), 도 로 환경변수(곡선부 유무, 노면 상태 등)를 설명변수로 반영하여 군집분석과 사고 심각도 예측모형을 적용했 다는 점이다. 기존 문헌에서 언급하지 않은 새로운 변수와 사고 직전의 정확한 교통환경 변수를 반영한다는 것은 사고 특성 그룹화와 예측모형 성능 향상에 도움이 되고, 궁극적으로 사고 심각도에 영향을 미치는 요소 를 도출하는 데 기여할 것으로 판단된다.
Ⅲ. 연구 방법론
1. 분석자료의 설명
본 연구는 최근 5년간(2016~2020년) 전국 고속도로에서 발생한 블랙박스 사고 영상을 통해 분석자료를 수 집하였다. 본 연구는 블랙박스 사고자료를 수작업으로 영상분석을 수행하였다. 세부적으로 사고유형, 사고지 점, 기하구조, 교통 상황, 사고 직전 주행 환경 등을 도출하기 위해 체크리스트를 작성하여 교통사고 영향요 인을 추출하였다. 기존 경찰 교통사고 자료는 사고경위서를 통해 일정부분 사고 원인 규명이 가능할 수 있으 나, 사고 직전의 운전행태(주행 중/정차 중 추돌, 추월차로/주행차로 진입을 위한 차로변경 등), 주변 차량 교 통 상황, 사고지점의 정확한 기하구조, 차량간 충돌 각도 등을 정확히 추출하는 데 한계가 존재한다. 블랙박 스 사고 영상자료는 이러한 상세한 사고 영향요인을 객관적으로 추출할 수 있다. 분석자료는 고속도로 기본 (본선)구간 총 783건을 추출하였고, 교통사고 인명피해 심각도에 영향을 미치는 요인을 크게 인적요인, 도로 요인, 사고요인, 기타요인(시간대, 기상)으로 구분하였다. 요인별 교통사고에 유의한 영향을 미치는 변수를 선정하였으며, 세부 변수와 관측 수(표본)는 <Table 1>과 같다. 인적요인은 가해 운전자 나이와 성별을 선정 하였고, 도로요인은 노면 상태, 평면선형, 종단선형을 추출하였다. 사고요인은 차량 주행행태, 상충유형, 사고 구간 유형, 사고 형태로 구분하였고, 기타요인으로 시간대(주간/야간), 기상 상태를 도출하였다. 나이에 따른 결과를 비교하기 위해 가해 운전자 나이 변수를 구분하여 분석을 진행하였다. 나이 변수는 한국보건사회연 구원(https://www.kihasa.re.kr)의 자료를 활용하여 청년, 장년, 중년, 노년으로 구분하였다. 사고 영상분석에서 도출할 수 있는 차량 주행행태 변수 중 ‘차량 단독사고’는 중앙분리대, 가드레일 등 도로시설물과 충돌하거 나 이에 따라 전복되는 사고를 의미한다. ‘추월차로 진입을 위한 차로변경 사고’는 주행차로를 주행하다가 추월차로로 차로 변경하다가 발생한 사고이며, ‘주행차로 진입을 위한 차로변경 사고’는 추월차로 또는 다른 주행차로에서 사고가 발생한 주행차로로 차로 변경하다가 발생한 사고이다. ‘정차 중 추돌사고’는 전방에 정 차 중인 차량과 동일 방향에서 주행하는 차량간 발생한 사고이고, ‘주행 중 추돌사고’는 주행하는 차량과 동 일 방향에서 주행하는 차량간 사고이다.
2. 잠재 계층 분석(Latent Class Analysis)
잠재 계층분석(Latent class analysis)은 데이터에서 숨겨진 그룹을 찾아내는 군집분석 방법론으로 일련의 범 주형 변수에 대한 상호 배타적인 잠재 군집으로 분류할 수 있는 통계기법이다. 잠재 계층분석을 통해 변수별 군집에 속할 확률값을 확인하여 군집의 특성을 파악할 수 있다. 범주형 변인의 잠재 계층분석에 대한 기본 식은 아래와 같으며, Yi는 종속변수의 벡터이고, K는 각각의 계층을 나타낸다. 변수별 클러스터에 속할 확 률값을 통해 클러스터의 특성을 파악할 수 있으며 식(1)과 같이 표현할 수 있다(Vermunt and Magidson, 2002).
3. 이항 로짓 모형(Binary Logit Model)
로지스틱 회귀는 연결 함수가 선형 함수를 0～1 범위의 연속확률함수로 전달할 수 있으므로 사고 심각도 가 두 가지로 나타나는 이항 분포를 측정하는 데 효과적이고 널리 사용되는 것으로 입증되었다. Yi가 사고 심각도 i의 결과를 나타내도록 한다. Yi = 1은 충돌 i가 심각한 사고임을 의미하며, Yi = 0은 충돌 i가 비 충 돌을 의미한다. 이항 로지스틱 함수는 Yi = 1(βi로 표시)의 확률을 다음과 같이 독립변수와 연결하기 위해 사용된다. 본 연구는 사고 심각도를 부상 사고, 중상 및 사망사고에 대해 각각 y를 0, 1로 부여하여 분석을 진행하였고 식 (2) 와 같이 나타낼 수 있다.
여기서 Xik은 충돌 i에 대한 k번째 독립변수의 값이고, β0 은 모델의 절편이며, βk는 Xik에 대한 추정 계 수이며, βi는 로지스틱 분포에 이은 랜덤 오차 항이다(Nagler, 1994).
분석 절차는 블랙박스 사고 영상을 통해 데이터를 수집하여 분석자료를 인적요인, 도로요인, 사고요인, 기 타요인으로 구분하여 데이터를 설정하였다. 여러 요소에 의해 영향을 받는 교통사고의 데이터의 특징을 고 려하여 데이터 내에서 숨겨진 그룹을 찾아내는 군집분석 방법론을 활용하였다. 사용하는 데이터 세트가 범 주형 변수이므로 일련의 범주형 변수에 대해 잠재 군집으로 분류할 수 있는 잠재 계층분석(Latent Class Analysis)을 활용하였다. 이때, 적합도 지표를 사용하여 최적 군집 수를 도출하여 각 군집 별 사고유형에 따 라 분석하였다. 잠재 계층분석을 통해 도출된 군집을 사고 심각도에 따라 분류 후 로짓 모형(Logit model)을 수행하였다. 이를 통해 사고 심각도를 예측하고 비교하였다.
Ⅳ. 연구 결과 분석
1. 최적 군집 수 결정
본 연구는 고속도로를 대상으로 교통사고 심각도에 영향을 주는 요인을 군집별로 분류하기 위해 잠재 계 층분석을 적용하였다. 이때 종속변수인 사고 심각도는 크게 부상 사고, 중상·사망사고로 구분하였다. <Table 2>는 최적 군집(Cluster) 수를 도출을 위한 군집 별 설명 지표 값이다. 군집 수를 도출하는 데 사용하는 Latent class의 적합성은 베이지안 정보 기준(BIC) (Raftery, 1986), Akaike의 정보 기준(AIC) (Akaike, 1987) 값을 사용 하여 측정되었다. AIC, BIC 값이 낮을수록 잠재 군집모형에 더 적합하다는 것을 나타낸다. AIC와 BIC는 식 (3), 식 (4)로 나타낼 수 있다.
여기서 LL은 수렴 시 로그 우도, K는 모수의 수, N은 관측치의 수이며 <Table 2>는 모형 추정에 대한 Parameter, LL, BIC, AIC 결과를 군집(Cluster) 수별로 나타냈다. 등급 수가 증가할수록 Parameter 수는 증가하 지만, AIC와 BIC는 비례하지 않는다. Akaike(1974)가 제안한 AIC지수는 각 모형을 비교하는 데 사용된다. AIC값의 절대량은 의미가 없고, AIC값이 상대적으로 낮으면 더 나은 모형으로 평가하는데 일반적으로 AIC 값의 차이가 4보다 작은 경우 사실상 모형의 차이가 없는 것으로 간주한다(Charlton et al., 2009). Nylund et al.(2007)은 최적 군집 수를 결정하는데 BIC가 샘플수(N)에 대한 AIC 값보다 상대적으로 더 나은 지표로 제 안했다. 또한 최근 많은 연구에서 잠재 군집 수를 결정하는 데 BIC를 사용함에 따라(Li et al., 2019) 해당 지 표를 기초로 적정 군집 수를 결정하였다. 잠재 계층분석 결과, BIC 값 13291.11, AIC 값 12428.43으로 도출된 Cluster 6을 최적 군집 수로 선정하였다.
2. 군집 별 사고 특성 분석
<Table 3>은 최적 군집 수인 여섯 개의 군집의 사고지표 특성을 나타낸 표이다. <Table 3>의 Probability는 각 군집 개별 데이터가 군집에 속할 확률을 의미한다. 군집에 속할 확률인 Pr(1)이 높을수록 군집에서 해당 변수의 특성이 높음을 나타낸다. 군집 별 사고 특성 분석에서 군집에 상관없이 주간 시간대와 남성 가해 운 전자 변수는 공통변수로 도출되었다. 군집(Cluster) 1은 정차 중 추돌사고가 상대적으로 많이 발생하고, 강우 등 이상기후이면서 노면 상태가 건조하지 않은 상황에서 교통사고가 자주 발생하였다. 군집 2는 군집 1과 달 리 2차 사고와 같은 정차 중 추돌사고로만 구성되었다. 군집 3은 주행 중 추돌사고가 상대적으로 많이 발생 하고 정차 중 추돌사고는 없는 것으로 나타났다. 군집 4는 주행차로 내 차로변경 사고가 대부분을 차지하고 차로변경이 완전히 완료되기 전에 발생하는 측면 추돌로만 구성되었다. 군집 5는 군집 1에 비해 정차 중 추 돌사고가 더 자주 발생하였으나 기상이나 노면 상태는 정상인 경우에만 교통사고가 발생하였다. 특히 타 군 집과 비교할 때 다중 차량사고와 터널 내 사고가 많은 것으로 나타나 2차 사고 피해가 많은 것으로 분석되 었다. 군집 6은 평면선형이 좌 곡선 부와 오르막 구간이 상대적으로 많은 것으로 나타났으나, 타 군집에 비 해 사고 특성이 가장 미흡한 것으로 분석되었다.
3. 사고 심각도 예측모형 평가
앞 절에서 언급했듯이 잠재 계층분석 방법에서 최적 군집 수는 6개로 도출되었고, 이때 각 군집 별 종속 변수인 사고 심각도는 부상 사고와 중상·사망사고로 구분하여 그 발생비율을 확인하였다. <Table 4>는 군집 별 총분석자료의 구성 비율, 부상 사고(Possible injury)와 중상·사망사고(Severe injury)의 지표 값이다. 전체 표 본 수 대비 구성 비율은 군집 2(32.2%)로 가장 많고 그다음으로 군집 3(24.4%), 군집 4(14.5%) 순으로 나타났 다. 군집 2와 군집 3이 전체의 56.6%로 반수 이상을 차지하였다. 부상 사고 경우, 군집 3(35.7%)이 가장 많고, 그다음으로 군집 4(30.8%), 군집 2(14.7%) 순으로 나타났다. 중상·사망사고 경우, 군집 2(36.1%)가 가장 많고 군집 3(21.9%), 군집 5(15.3%) 순으로 나타났다.
<Table 5>는 여섯 개의 군집에 대한 사고위험도 및 인명피해 관측값이다. 군집 1, 군집 2, 군집 5는 부상 사고 대비 중상·사망사고 비율이 상대적으로 높게 나타남에 따라 사고 심각도가 높은 그룹이다. 반대로 군집 3, 군집 4, 군집 6은 부상 사고 대비 중상·사망사고 비율이 상대적으로 낮아 사고 심각도가 낮은 그룹으로 분 류되었다. 사고 심각도가 높은 그룹(군집 1, 2, 5)은 정차 중 추돌사고가 대다수를 차지하고 있어 2차 사고나 급정지가 필요한 상황에서 발생하는 사고는 인명피해가 큰 것으로 분석되었다. 강우 등의 이상기후와 노면 이 건조하지 않은 상태에서도 사고 심각도가 높은 것으로 나타났다. 또한 정차 중 추돌사고는 차로변경 사고 에 비해 다중 차량사고가 더 많이 발생하는 것으로 나타났으며 군집 1, 2, 5에서 이러한 경향이 확인되었다. 이는 차량 추돌에서 다중사고가 더 심각한 운전자 부상과 사망에 영향을 미치는 Wu et al.(2014)와 유사한 결 과가 도출되었다. Ma et al.(2009) 연구에서 고속도로 터널에서 사고가 발생하면 부상의 심각성이 높은 것으 로 나타났는데 본 연구 결과에서도 사고 심각도가 높은 군집에서 터널 내 교통사고가 다수 발생하였다. 사고 심각도가 낮은 그룹(군집 3, 4, 6)은 주행 중 차로변경 사고, 주행 중 추돌사고가 자주 발생하고, 차로변경 사 고는 측면 추돌이 대다수를 차지하였다. 또한 좌·우 곡선 부와 오르막 구간 내 교통사고는 상대적으로 사고 심각도가 낮은 것으로 나타났다. 연구 결과는 기존 문헌의 추돌사고 및 차로변경 사고에 대해 주행 중 추돌 사고, 정차 중 추돌사고, 추월차로 진입을 위한 차로변경 사고, 그리고 주행차로 진입을 위한 차로변경 사고 로 세분화하여 특성이 나타났다.
본 연구는 잠재 계층분석을 통해 도출된 여섯 개의 군집에 대해 로짓 모형(Logit model)을 통해 군집 별 사고 심각도를 예측하였다. 기존 데이터를 학습하여 새로운 데이터를 검증하는 방법으로 이항 로짓 모형을 사용하였다. <Table 6>은 데이터 세트 구축과정에서 이 상치와 결측치를 제외한 고속도로 사고 783건을 분석 에 사용하였고, 최종 데이터를 학습 데이터(70%, 548개)와 평가 데이터(30%, 235개)로 구분하였다. 사고 심각 도가 높은 그룹(군집 1, 2, 5)은 427개로써, 학습 데이터(70%, 298개)와 평가 데이터(30%, 129개)로 구분하였 고, 사고 심각도가 낮은 그룹(군집 3, 4, 6)은 356개로써, 학습 데이터(70%, 249개)와 평가 데이터(30%, 107개) 로 나누어 최종적인 예측모형을 수행하였다.
로짓 모형(Logit model)의 예측성능을 평가하기 위해 오 분류표(Confusion matrix) 기반의 정확도(Accuracy), 재현율(Recall), 정밀도(Precision)를 계산하였으며. 그 결과를 <Table 7>에 제시하였다. 정확도는 전체 데이터 수 중 예측 결과와 실제값이 같은 데이터의 비율이고, 재현율은 실제 Positive인 대상 중 예측과 실제값이 Positive로 일치한 데이터의 비율이며, 정밀도는 예측을 Positive로 한 대상 중 예측과 실제값이 Positive로 일 치한 데이터의 비율이다. 이진 분류 모델의 신뢰도 측면에서 정확도뿐만 아니라 재현율과 정밀도를 사용하 여 나타낸다. <Table 7>에 각각의 train data 및 test data 수에 대해 명시하였고, 로짓 모형(Logit model)의 예측 성능을 평가하기 위해 랜덤 샘플링 5번 수행을 통한 평균값을 나타냈다.
분류기의 예측성능을 나타내는 정확도는 전체 데이터에서 78.2%로 나타났으며, 재현율은 93.7%, 정밀도는 81.3%로 나타났고, 사고 심각도가 높은 군집에서 정확도는 81.6%로 나타났으며, 재현율 및 정밀도는 각각 92.3%, 87.6%로 분석되었다. 사고 심각도가 낮은 군집은 정확도는 78.9%로 나타났고 재현율 및 정밀도는 각 각 91.0%, 82.5%로 나타났다. 로짓모형 분석 결과 군집 별로 위험사고 예측을 수행했을 때 정확도(Accuracy), 재현도(Recall), 정밀도(Precision) 모두 0.75 이상으로 도출되었다. 군 집별로 수행했을 때, 기존 전체 데이터보 다 사고 심각도를 높은 그룹과 낮은 그룹으로 나누어 분석했을 때 정확도와 정밀도 값이 상대적으로 높게 도출되었다. 이는 잠재 계층분석을 통해 분류된 군집 데이터에서 사고 심각도가 높은 그룹과 사고 심각도가 낮은 그룹의 사고위험 예측성능이 향상된 것으로 분석되었다. 블랙박스 사고 영상에서 도출된 운전행태(2차 사고, 진로 변경, 급정지 등)를 반영한 군집분석이 사고 심각도 예측의 입력자료로 활용하는 것이 성능 평가 에 효율적으로 작용하였다. 또한 인명피해 심각도에 따라 데이터를 분류하는 것이 사고위험 예측에 효과적 인 것으로 판단된다.
Ⅴ. 결론
본 연구는 고속도로에서 발생한 교통사고 블랙박스 영상을 기반으로 군집분석과 예측모형 비교를 수행 하였다. 분석자료는 인적요인, 도로요인, 사고요인, 기타요인 등으로 구분하였으며, 사고 직전의 도로 및 교 통 상황을 파악할 수 있는 차량 주행행태, 기상 및 노면 상태 등 사고 영상에서 추출이 가능한 항목을 설명 변수로 활용하였다. 분석 데이터의 이질성을 고려하기 위해 잠재 계층분석(Latent class analysis)을 이용하여 교통사고 특성을 분류하고, 도출된 군집을 토대로 이항로짓모형을 적용하여 예측성능을 분석하였다.
유형별 교통사고 특성을 분석하기 위해 잠재 계층분석을 통해 AIC와 BIC 값을 판단지표로 6개의 최적 군 집 수를 도출하였다. 6개의 군집 간의 사고 특성을 살펴보면, 정차 중 추돌사고, 이상기후(강우, 적설 등), 노 면 상태가 젖거나 결빙인 상태, 주행차로 내 차로변경 사고, 터널, 다중사고, 좌 곡선부 등이 군집의 분류항 목으로 분석되었다. 특히 운전자의 주행행태(driving behavior) 측면에는 2차 사고와 같은 정차 중 추돌사고가 차로변경에 의한 추돌사고에 비해 상대적으로 사고 심각도가 높은 것으로 나타났다. 이러한 결과는 주로 차 량 추돌사고가 사고 심각도에 영향을 미치는 기존 논문과 차이가 있다. 본 연구 결과는 추돌사고를 정차 중 추돌사고 및 주행 중 추돌사고로 세분화하여 나타냈다. 또한 이상기후나 노면 상태가 건조하지 않은 도로 환 경은 사고 건수는 정상 기후에 비해 적게 발생하나 사고 심각도는 상대적으로 높은 것으로 분석되었다. 고속 도로 내 터널구간은 다소 어두운 곳으로 진입하는 상황에서 암순응이 발생하고 고속주행이 가능하므로 사고 심각도가 높은 것으로 나타났다. 또한 곡선 부의 경우, 차체 빔의 시야 가림에 영향을 주는 좌 곡선 부에서 상대적으로 사고가 자주 발생하였다.
잠재 계층분석으로 분류된 각 군집을 사고 심각도 수준의 비율을 기준으로 두 그룹으로 나누고, 종속변수 인 인명피해 수준을 반영하여 사고 예측 평가를 수행하였다. 사고 심각도 비율은 부상 사고 대비 중상·사망 사고 비율을 기분으로 사고 심각도가 높은 그룹과 낮은 그룹으로 구분하였다. 사고 심각도 예측모형 성능 평 가를 위한 분석자료는 전체 데이터, 군집분석에서 도출된 사고 심각도가 높은 그룹과 낮은 그룹 데이터를 활 용하였다. 사고 심각도가 높은 그룹은 정차 중 추돌사고, 다중사고, 그리고 터널 내 사고가 다수를 차지하고 있는 것으로 확인되었다. 2차 사고, 급정지가 필요한 상황 그리고 터널 환경에서 발생하는 사고는 인명피해 가 큰 것으로 분석되었다. 사고 심각도가 낮은 그룹은 주행 중 차로변경 사고, 주행 중 추돌사고 그리고 측 면 사고가 다수를 차지하고 있는 것으로 나타났다. 차로를 변경 혹은 측면 사고로 발생한 교통사고는 사고 심각도가 높은 그룹에 비해 상대적으로 인명피해가 낮은 것으로 분석되었다. 사고 예측모형은 로짓 모형 (Logit model)을 적용한 결과, 전체 데이터를 분석한 경우보다 잠재 계층분석으로 두 개의 사고 심각도 그룹 을 분류하여 예측했을 때 정확도와 정밀도가 더 우수하게 나타났다. 특히, 사고 심각도가 높은 그룹의 정확 도는 81.6%, 정밀도 87.6%로 다른 그룹과 달리 상대적으로 80% 이상의 우수한 예측 능력을 보여주었다. 이 는 군집분석을 통한 그룹별 사고 특성과 사고 심각도를 반영하여 사고위험을 예측하는 것이 사고분석과정에 서 더 효과적인 것으로 판단된다.
본 연구 결과는 교통사고 직전의 다양한 사고원인을 블랙박스 영상을 통해 항목을 추출하고 이를 군집기 법과 사고위험도 예측성능을 비교하는 데 활용하였다. 이를 통해 2차 사고와 같은 정차 중 추돌사고, 차로변 경 중 측면 추돌사고 등이 고속도로 교통사고에 중요한 주행행태변수로 작용한다는 것으로 도출하였다. 본 연구는 기존 논문과 달리, 블랙박스 사고 영상을 통해 직접적인 사고원인을 규명할 수 있는 요인을 설명변수 로 적용하였다. 정면 추돌사고는 주행 중, 정차 중(2차 사고)으로 구분하였고, 측면 추돌사고는 주행차로 진 입을 위한 차로변경, 추월차로 진입을 위한 차로변경으로 세분화하여 실질적인 사고 직전의 운전 행동을 변 수로 사용한 것이 기존 논문과 차별성이 있다. 이는 고속도로 사고 예방을 위한 교통안전 관리전략을 수립하 는 데 활용할 수 있을 것으로 판단된다. 또한 본 연구는 종속변수가 부상 사고와 중상·사망사고로 이 분형으 로 구성되어, 이산 선택모형(discrete choice model) 중 관측된 독립변수를 적합 시키며 주로 사용되는 방법론 인 이항로짓모형을 활용하여 사고 심각도 분석을 진행하였다. 사고 심각도를 이항로짓모형을 통해 예측하였 지만 향후 연구는 정확도 높은 사고위험 예측모형 개발을 위해 Nested Logit model, 신경망(NN), AI 분석 방 법론을 적용할 필요성이 있다. 위 방법론을 활용해 다양한 모형을 개발하고 평가 및 비교를 통해 교통사고의 특성을 명확하게 분석할 수 있을 것으로 판단된다.
향후 연구과제로는 특정 차량 주행행태(차로변경 사고, 추돌사고 등), 사고 직전의 도로 환경(교량과 터널 진·출입부 등), 교통류 상태(혼잡, 비 혼잡) 등을 별도로 구분하여 많은 표본 수를 확보하면 군집분석과 사고 위험도 예측모형 수행에서보다 현실에 적용할 수 있는 의미 있는 결과를 도출할 것으로 판단된다.
