Ⅰ. 서 론
1. 연구의 배경 및 목적
국내 『자동차관리법』에 따라 임시운행 중인 자율주행자동차는 시행 첫해인 2016년 11대에서 2023년 기준 430대로 급격히 증가하였다(Park, 2024). 자율주행자동차는 교통사고 저감, 운전자 편의성 증대에 혁신적 대 안으로 주목받고 있다. 다만, 돌발상황 대처 능력에 대한 자율주행시스템의 불확실성, 기술적 오류로 인한 교통사고 발생 가능성, 책임 소재에 대한 법적 문제 등이 상용화의 장애물로 남아 있다. 비자율주행자동차의 교통사고와 달리 자율주행자동차가 관여된 교통사고는 다양한 형태의 예측하기 어려운 위험요소가 존재할 수 있으며(Lyou, 2018), 이에 따라 교통사고 심각도에 영향을 미치는 요인들도 상이할 것으로 예상된다(Weixi et al., 2022). 따라서, 자율주행자동차의 상용화를 위한 관련 규정 및 제도적 장치 마련을 위해서는 자율주행 자동차가 관여된 교통사고의 영향요인 규명이 선행되어야 한다.
지금까지 교통사고 심각도 영향요인 연구의 대부분은 비자율주행자동차의 실사고 데이터를 기반으로 수 행되었으며, 이에 대한 다양한 해석이 제시되어 왔다(Park et al., 2019;Yannis et al., 2017;Feng et al., 2016). 이에 반해 자율주행자동차의 교통사고 심각도 영향요인에 관한 연구는 부족한 실정이다. 이는, 자율주행자동 차의 주행 및 교통사고와 관련된 데이터가 기업기술비밀(confidential business information)로 취급되어 수집이 어려우며, 실제로 발생한 자율주행자동차 관여 교통사고의 건수도 적기 때문으로 판단된다(Park, 2024). 따라 서, 자율주행 기술이 빠르게 발전하고 상용화가 논의되는 시점에서, 자율주행자동차가 관여된 교통사고의 특 성을 분석하고 그 심각도에 영향을 미치는 요인을 파악하는 것은 매우 중요하다.
미국의 도로교통안전국(National Highway Traffic Safety Administration, NHTSA)은 『United States Code』 title 49 : chapter 301(motor vehicle safety)와 title 23 : chapter 403(highway safety research and development)를 근거로 자율주행자동차가 관여된 교통사고 데이터를 수집하고 있다. 2024년 7월 기준 교통사고 부상 심각도를 포함 한 137개 항목이 기록된 700여 건의 자율주행자동차 교통사고 데이터를 공개하고 있다. 해당 데이터는 교통 사고 심각도(부상 정도)를 위계화하여 no injury reported, minor, moderate, serious(이하 물적피해, 경상, 중상, 심각)으로 분류하고 있으며, 인적요인, 차량요인, 도로·환경에 의한 요인을 포함하고 있어, 교통사고 심각도 에 미치는 영향요인 분석을 수행하기에 적합하다.
따라서, 본 연구는 NHTSA에서 제공하는 자율주행자동차 교통사고 데이터를 활용하여 실제 발생한 자율 주행자동차의 교통사고 현황 검토 및 특성 분석을 수행하였으며, 심각도에 미치는 영향요인을 확인하고 이 를 정량화하였다. 이 과정에서는 순서형 로지스틱 회귀모형을 활용하여 교통사고 심각도 영향요인 분석 모 델을 개발하였다. 본 연구는 자율주행자동차의 실사고 데이터를 기반으로 교통사고의 현황 및 특성을 분석 하고, 심각도 영향요인 분석을 수행하였음에 의의가 있다. 또한, 도출된 심각도 영향요인들은 자율주행자동 차 교통사고 심각도에 유의미한 영향을 미치는 만큼 향후 자율주행자동차의 교통사고 조사, 관련 규정 및 제 도적 장치 마련을 위한 자료로 활용될 수 있을 것으로 기대한다.
2. 연구의 범위 및 절차
본 연구에서 활용하는 자율주행자동차 교통사고 데이터는 NHTSA에서 수집·공개하고 있는 미국 전역 대 상 자율주행자동차 교통사고 데이터이다. 시간적 범위는 2021년 7월부터 2024년 7월까지 4년을 대상으로 하 며, 내용적 범위는 관련 연구 및 이론 고찰, 자율주행자동차 교통사고 현황 및 특성 분석, 자율주행자동차 교 통사고 심각도 분석 모형 개발로 설정하였다.
Ⅱ. 선행 연구 고찰
1. 선행연구 고찰
1) 비자율주행자동차 교통사고 심각도 영향요인 분석
Park et al.(2013)은 2007년에서 2011년까지 경상 이상의 교통사고가 발생한 국도를 대상으로 순서형 회귀 모형을 활용하여 교통사고 심각도에 영향을 미치는 요소를 분석하였다. 독립변수는 차로 수, 전·후 도로상황, 시거, 종단경사, 차로 폭, 길어깨 폭, 교통량으로 설정하였으며, 교통사고 심각도를 경상, 중상, 사망으로 구 분하여 종속변수로 설정하였다. 분석 결과, 시거와 차로 폭이 유의수준 0.1이하에서 통계적 의미를 가지는 것으로 나타났으며, 시거와 차로 폭의 감소는 교통사고 심각도를 증가시킨다는 결과를 도출하였다.
Lim et al.(2014)은 2012년 서울시에서 발생한 교통사고 40,774건 중 폭원 9m 미만 도로에서 발생한 18,588 건의 교통사고를 대상으로 이항 로지스틱 회귀 모형을 활용하여 영향요인을 분석하였다. 독립변수로는 교통 사고 발생 시간대, 날씨, 대상자 성별, 나이, 주행 상태, 행동유형, 차량용도, 차량종류, 도로형태, 선형, 특정 도로 유무 등의 변수를 설정하였으며, 교통사고 발생 유무를 종속변수로 설정하였다. 분석 결과, 운전자의 성별, 주행상태, 보행자의 성별, 차량 종류 등이 교통사고에 영향을 주는 것으로 나타났으며, 이에 따른 폭원 9m 미만 도로의 교통사고 저감을 위한 대책을 제시하였다.
2) 자율주행자동차 교통사고 심각도 영향요인 분석
Kim and Kim(2023)은 캘리포니아 차량관리국(California Department of Motor Vehicles, CA DMV)에서 수집· 배포한 자율주행자동차 교통사고 데이터와 교통사고 지점의 공간·교통 정보를 분석하여 자율주행자동차 교 통사고의 심각도에 영향을 미치는 요인을 분석하였다. 이를 위해 자율주행자동차 교통사고 데이터와 공간· 교통 정보를 결합하고 주성분 분석을 수행하여 조도, 차로 수, 전용차로 유무, 보행자/자전거 교통사고 이력 을 독립변수로 설정하였으며, 종속변수로 교통사고 심각도를 설정하였다. 분석 결과 차로 수를 제외한 모든 독립변수가 심각도에 영향을 미치나, 공간 결합에 있어 이미지 왜곡으로 인한 공간정보의 차이, 수집할 수 있는 자율주행자동차 교통사고 데이터의 제한 등으로 다양성이 제한적이라는 점을 한계점으로 제시하였다.
Lee and Park(2024)은 522건의 CA DMV 자율주행자동차 교통사고 데이터를 활용하여 베이지안 확률 추론 기반 자율주행자동차 교통사고 계층분석 및 심각도 모형 개발 연구를 수행하였다. 계층의 분류는 취약계층 존재 여부로 설정하였으며, 교통사고 취약계층이 존재하는 교통사고는 주로 자전거 이용자가 포함되어 있고, 회전 움직임에 의해 충돌이 발생한다는 특징을 가지며, 자전거 이용 가능 도로, 노상주차, 어두운 상황에 대 한 독립변수가 교통사고 심각도에 양의 상관성을 가지는 것으로 분석되었다. 취약계층이 존재하지 않는 경 우 자율주행자동차의 움직임 유무와 기상 상태 등에 따라 교통사고 패턴이 달라지는 것을 확인하고, 요인별 교통사고 심각도와의 상관성을 분석하였다. 다만, 심층적인 교통사고 메커니즘을 이해하기 위해서는 더 많은 표본이 필요하며, 데이터의 추가 수집이 필요할 것으로 판단하였다.
Shina et al.(2021)은 2014년부터 2019년까지 수집된 CA DMV 자율주행자동차 교통사고 데이터를 기반으로 배깅 분류기(bagging classifier)를 활용하여 교통사고 심각도를 예측하는 모델을 개발하였다. 종속변수는 부상 여부를 독립변수로는 도로 상태, 조명, 혼잡도, 자율주행자동차의 기능 중단 기록, 차량의 무게 등으로 설정 하였다. 모델 평가 결과, 정확도는 0.65, 정밀도는 0.97, 재현율은 0.89로 나타났다. 해당 연구에서는 CA DMV 데이터의 불완전성 및 데이터 수집 기간, 공간적 범위의 한정 등으로 인해 다양한 도로 환경, 최신 자율주행 기술을 반영하지 못한다는 점을 한계점으로 제시하였다.
2. 연구의 차별성
교통사고 심각도 영향요인 분석과 관련된 선행연구들의 고찰 결과를 취합한 결과는 <Table 1>과 같다. 기 존 비자율주행자동차의 교통사고 심각도 영향요인 분석은 다양한 전통적 통계 모형을 활용하여 수행되었으 며, 이를 통해 교통사고 심각도에 따른 다양한 영향요인을 정량화하였다. 또한, 일부 연구에서는 교통사고에 영향을 주는 인적요인, 환경적 요인, 차량적 요인을 다각도로 고려하여 교통사고 저감 대책방안 관련 제언을 제시하는 연구가 수행된 것으로 확인되었다.
<Table 1>
Studies on the influential affecting the severity of traffic accidents
| Authors | Automated vehicle inclusion | Spatial scope | Applied models | Derived influential factor |
|---|---|---|---|---|
| Park et al.(2013) | No | National roads in Republic of Korea | Ordered probit model | Sight distance, lane width |
| Lim et al.(2014) | No | Seoul, Republic of Korea | Binomial logistic regression | Gender(driver, pedestrian), driving status, vehicle type |
| Kim andKim(2023) | Yes | California, United States of America | Principal component analysis, all subset regression | Illuminance, dedicated lane, pedestrian/bicycle accident history |
| Lee and Park(2024) | Yes | California, United States of America | Bayesian latent class analysis | Bicyclist, bicycle only lane, on-street parking, dark condition, weather, automated vehicle driving status |
| Shina et al.(2021) | Yes | California, United States of America | Bagging classifier | lane status, lightning, congestion, take-over history, vehicle weight |
자율주행자동차의 교통사고 심각도 영향요인 분석은 CA DMV에서 수집된 데이터를 기반으로 수행된 경 우가 대부분이다. 대부분의 연구에서는 CA DMV 데이터의 한계점으로 공간적 범위 및 데이터의 상세도를 제시하였으며, 교통사고 표본의 수 역시 부족함을 강조하였다. 또한, CA DMV 데이터는 자율주행자동차의 거동(직진, 정지, 회전 등)은 포함하고 있으나 충돌 당시의 주행 속도 및 탑승자의 부상정도는 포함하고 있지 않다. 일부 연구에서는 이러한 한계점을 해결하기 위해 공간정보 및 교통정보를 결합하여 연구를 수행하였 으나, 정확한 위치 정보 수집의 어려움, 이미지 왜곡 등의 문제점이 발생하였으며, 캘리포니아 지역에 국한 된 정보라는 문제점이 확인되었다.
따라서, 본 연구에서는 미국 전역의 자율주행자동차 교통사고 데이터를 수집한 NHTSA의 데이터를 활용 하여 교통사고 심각도 영향요인 분석을 수행하였다. NHTSA는 자율주행자동차 교통사고 발생 당시의 속도, 부상 정도, 운행설계영역(operational design domain, ODD) 준수 여부 등을 포함한 137개 항목을 상세히 기록 하고 있어, CA DMV의 데이터보다 넓은 공간적 범위와 상세도를 가지고 있다. 이를 기반으로 교통사고 심각 도 영향요인의 분석을 수행할 경우, 선행연구에서 제시한 데이터 상세도의 부족, 교통사고 표본의 수, 공간 적 범위의 제한성 등을 일부 해결할 수 있을 것으로 판단하였다.
다만, CA DMV와 비교하여 비교적 많은 표본을 가진 NHTSA의 데이터도 약 4년간 700건의 교통사고 데 이터가 수집되었다. 이는, 임시운행 시행 기간이 길지 않으며, 실제 자율주행자동차 교통사고 발생 건수도 적기 때문으로 사료된다. 이를 고려하여 본 연구에서는 저표본에서도 안정적으로 영향분석을 수행할 수 있 는 전통적인 통계 모형을 활용하도록 하였으며(Bonilla et al., 2023), 이를 통해 자율주행자동차 교통사고에 영향을 미치는 영향요인들을 도출하고 정량화할 수 있도록 하였다.
Ⅲ. 연구의 방법론
1. 개요
본 절에서는 자율주행자동차 교통사고 심각도 영향요인 분석을 수행하기 위해 자율주행자동차 교통사고 심각도 영향요인 예측 모형 구성에 활용되는 모형을 선정하고, 그 방법론을 간략히 설명하고자 한다.
다양한 교통사고 심각도 영향요인 분석 관련 연구를 고찰한 결과, 교통사고 심각도 영향요인 분석은 전통 적인 회귀모형을 활용한 연구와 최근 각광받는 기계학습 및 딥러닝으로 수행된 연구로 구분할 수 있으며, 회 귀모형에는 이분형 로지스틱, 순서형 로지스틱, 프로빗 회귀, 다항 로지스틱 회귀 모형 등이 활용되고 있다 (Park et al., 2019;Kang et al., 2019;Rifaat et al., 2011). 기계학습 및 딥러닝에는 의사결정나무, 인공신경망, 베이지안 네트워크, support vector muchine, K-최근접 이웃 알고리즘 등의 사고요인에 따른 사고심각도 분류 연구가 주를 이루고 있다(Bhin and Son, 2018;Delen et al., 2017;Beshah and Hill, 2010).
다만, 본 연구는 실도로에서 발생한 자율주행자동차 교통사고 심각도 예측 모형을 개발하고, 이를 기반으 로 다양한 영향요인이 교통사고 심각도에 미치는 영향을 확인하고 정량화함을 목적으로 한다. 따라서, 분류 를 목적으로 하는 기계학습 및 딥러닝 모형이 아닌 독립변수와 종속변수 간의 관계를 설명할 수 있는 회귀 모형을 활용하고자 한다.
2. 모형 선정 및 연구 방법론
1) 모형 선정
회귀 모형은 독립변수와 종속변수 간의 관계를 수학적 모델로 표현하여 데이터를 분석하고 예측하는 통 계 기법(Kim, 2015)으로, 데이터의 유형 및 분석 목적에 따라서 선형 회귀, 로지스틱 회귀 등 여러 가지 모형 중 하나를 선택하여 활용한다. 선형 회귀 모형은 종속변수가 연속형인 경우 독립변수와 종속변수 간의 선형 관계를 설명하거나 새로운 사례에 대한 출력값을 예측하는 분석 방법으로, 데이터의 분포를 직선으로 모델 링하여 예측값을 도출한다(Kim, 2015). 선형 회귀 모형은 오차항이 선형성(linearity), 독립성(independence), 등 분산성(homoscedasticity), 정규성(normality), 다중공선성 없음(absence of multicollinearity)을 만족한다는 Gauss- Markov 가정을 만족해야 한다. 로지스틱 회귀 모형은 선형 회귀 모형과 달리 종속변수가 범주형인 경우에 활용하는 모형으로, 종속변수가 0과 1사이의 확률값으로 변환되기 때문에 선형성과 정규성 가정을 만족하지 않을 때 활용하는 모형이다(Park et al., 2009;Kutner et al., 1990).
로지스틱 회귀 모형은 이항 로지스틱 회귀, 다항 로지스틱 회귀, 순서형 로지스틱 회귀 등 분석하고자 하 는 데이터 구조에 따라 선택한다. 이항 로지스틱 회귀 모형은 종속변수가 이진형일 때, 다항 로지스틱 회귀 모형은 종속변수가 세 개 이상의 범주로 나누어지는 경우, 순서형 로지스틱 회귀 모형은 종속변수가 순서를 가지는 범주형 데이터일 때 활용한다(Choo et al., 2023;Park, 2024;Moon, 2016).
본 연구에서 활용하는 NHTSA 자율주행자동차 교통사고 데이터는 종속변수인 교통사고 심각도가 물적피 해, 경상, 중상 심각으로 분류되어 순서를 가지는 범주형 데이터이기 때문에 순서형 로지스틱 회귀모형을 활 용하여 자율주행자동차 교통사고 심각도 영향요인 분석을 수행하였다.
2) 순서형 로지스틱 회귀 모형
순서형 로지스틱 회귀분석은 순서화된 종속변수의 이산성과 다항선택성으로 인해 일반 선형 회귀의 기본 가정을 충족하기 어려운 경우에 적합한 분석 방법이다(Seo, 2013). 해당 모형은 교통사고 심각도와 같은 서열 화된 범주형 변수에 기준값을 설정하여 모델링하며, 개별 범주가 발생할 확률을 추정할 수 있다. 특히나, 종 속변수의 서열적 성격을 고려하기 때문에 종속변수가 순서형이고 그 순서가 중요할 때 유용하다.
본 연구에서 활용하는 자율주행자동차 교통사고 데이터는 부상 정도를 물적피해, 경상, 중상, 심각으로 분 류하여 서열적 성격을 가지고 있다. 이는 상해 수준에 위계가 있는 분류이며, 위계 간 격차가 일률적이지 않 으므로 순서형 로지스틱 회귀모형을 적용하기에 적합하다(Lee et al., 2019).
교통사고 심각도 영향요인 분석 모형에서 교통사고 심각도에 해당하는 종속변수를 Yi 로, 교통사고 심각도 에 영향을 미치는 독립변수를 Xi 로 정의하면, 관측되지 않는 잠재변수(latent variable) Y*i 는 식 (1)과 같이 정 의할 수 있으며, Y*i 와 Yi 의 관계는 식 (2)와 같이 정의된다(McKelvey and Zavoina, 1975). 이때, 오차항에 해당 하는 ∈i 가 표준 로지스틱 분포(standard logistic distribution)를 따른다고 가정하는 경우 로지스틱 모형이 된다.
xi 값이 주어졌을 때, 각 서열에서 i번째로 분류된 교통사고 심각도 j에 속할 확률은 식 (3)과 같으며, 이 때 F (z)는 로지스틱 분포의 누적 확률 함수를 의미한다.
식 (3)을 기반으로 누적분포함수의 성질에 따라 확률식을 구하면 식 (4)가 도출되며, 이를 누적 로지스틱 분포함수로 변환한 후 역함수로 치환하면 순서형 로지스틱 모형식 (5)를 도출할 수 있다(McKelvey and Zavoina, 1975).
Ⅳ. 자율주행자동차 교통사고 현황 분석
1. 자율주행자동차 교통사고 데이터 수집 현황
1) 국내 자율주행자동차 교통사고 데이터 수집 현황
국내에서 발생한 자율주행자동차 교통사고는 『자동차관리법 시행규칙』에 따라 “자율주행자동차 교통사고 신고서”와 운행정보 및 사고기록장치 기록정보 등 <Table 2>에 해당하는 정보를 국토교통부 장관에게 보고 하도록 규정하고 있다(Park, 2024).
<Table 2>
Information related to automated vehicle accidents being reported
| Category | Elements | ||
|---|---|---|---|
| Automated vehicle accident report form | Data of receipt | Year, month, day | |
| Insurance | Insurance contract information | Insurance company, contact, insurance claim number | |
| Policyholder | Name, date of birth | ||
| Insured person | Name, date of birth | ||
| Vehicle registration information | Registration number, model, vehicle type, year of manufacture | ||
| Accident | Accident overview | Name of driver, contact, date and time of accident, weather, accident location | |
| Accident statement | Automated driving status, statement of accident(sentence form) | ||
| Presumed cause of accident | Presumed cause of accident(sentence form) | ||
| Damage situation | Personal injury | Deaths, severe injuries, minor injuries | |
| Property damage | Description, damage to vehicle(sentence form) | ||
| Accident response actions | Accident response actions(sentence form) | ||
| Tachograph data | Automated driving status | Common | Operating modes of the automated driving system by time period |
| Type A automated vehicle | Signal and control entity of the braking and acceleration control system | ||
| Type B/C automated vehicle | Control signal information and control entity, operational status of the control system status | ||
| Driving status and parts | Driving status | Vehicle speed, GPS location, longitudinal and lateral acceleration | |
| Parts | Engine revolutions per minute(RPM), driving motor RPM, steering wheel angle, gear position of automatic transmission | ||
| Event data recorder data | Driving status and parts | Speed | Delta-V(longitudinal), maximum delta-V(longitudinal), time(maximum delta-V), speed(vehicle indicated) |
| Parts | Engine throttle(% full) or accelerator pedal(% full), service brake(on/off), ignition cycle(crash), ignition cycle(download) | ||
| Driver protection features | Safety belt status(driver), frontal air bag warning lamp(on/off), frontal air bag deployment(time to deploy or time to first stage deployment/driver), frontal air bag deployment(time to deploy or time to first stage deployment/right front passenger) | ||
| Others | Multi-event(number of event), time from event 1 to 2, complete file recorded(yes, no) | ||
국내는 2016년부터 자율주행자동차 임시운행을 허가하였으며, 2020년까지는 매년 50대 이하의 차량이 임 시운행 허가를 받았으나, 2021년 이후부터 허가가 대수가 증가하여 2023년에는 151대의 차량이 임시운행 허 가를 받았다. 이에 따라 국내에서도 자율주행자동차가 관여된 교통사고가 발생하고 있으나, 연구·개발 목적 의 임시운행 차량에서 발생한 교통사고로 경미한 접촉사고가 대부분이며, 교통사고 발생 건수도 적기 때문 에 현황 분석 및 특성을 확인하기에는 어려울 것으로 판단하였다.
2) 미국 자율주행자동차 교통사고 데이터 수집 현황
CA DMV는 2014년 9월부터 자율주행자동차 테스트 규정을 시행하였으며, 캘리포니아 지역에서 자율주행 중 운전자가 개입하였거나, 충돌사고가 발생한 경우 10일 안에 “California DMV’s OL 316 form”을 작성하여 보고하도록 하고 있다(Park, 2024). 다만, 해당 보고서는 교통사고 발생 여부와 관계없이 제어권전환(disengagement) 만 발생한 경우도 포함되어 있으며, 설문조사 양식의 체크리스트형 보고서로 교통사고 발생 당시 차량의 주행속도, ODD 준수 여부, 상해 정도 등의 정보를 포함하고 있지 않아 교통사고 영향요인 분석을 위한 데이터로는 일부 한계가 있을 것으로 판단하였다. CA DMV에서 2014년부터 수집한 자율주행자동차 교통사고 및 제어권 전환 발생 건수는 <Table 3>과 같다.
<Table 3>
Number of accidents cases in State of California
| Year | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 | Total |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Number of accident | 1 | 8 | 15 | 29 | 75 | 105 | 44 | 117 | 150 | 132 | 676 |
NHTSA는 2021년부터 미국 전역 공공도로에서 미국 자동차공학회(society of automotive engineers, SAE)가 정한 레벨 3~5 자율주행자동차가 일반인이 접근할 수 있는 도로(공공도로)에서 교통사고에 개입되었을 때 교통사고 일시 및 장소, 피해의 정도, 도로정보 등 137개 항목을 보고하도록 하고 있다(Park, 2024). 보고 기 준은 교통사고에 개입된 자율주행자동차가 교통사고 전 30초 이내 ADS를 사용하였으며, 교통사고로 인한 피해가 발생하였거나 교통약자가 개입된 경우의 교통사고이다. NHTSA에서 수집한 자율주행자동차 교통사 고는 전체 약 4년 동안 700건이며, <Table 4>와 같다.
<Table 4>
NHTSA report on traffic accidents in automated vehicles
| Year | 2021.7~ | 2022 | 2023 | ~2024.7 |
|---|---|---|---|---|
| Number of cases | 71 | 166 | 288 | 175 |
NHTSA에서 수집하는 보고서는 자율주행자동차 교통사고 분석에 활용될 수 있는 차량의 주행 속도, ODD 준수 여부, 상해 정도 등의 데이터를 포함하고 있다. 특히, 타 데이터에서는 포함하고 있지 않은 상해 정도 데이터를 수집하여 사고 당사자가 입원 또는 응급 치료가 필요한 경우 심각, 사고 당사자가 부상을 입어 치 료를 받은 것으로 확인된 경우 중상, 사고 당사자가 치료를 필요로 하지 않을 수 있는 부상을 입은 경우 경 미, 부상이 보고되지 않은 경우 물적 피해로 구분하고 있다. 따라서, 데이터별 설명 및 상세도에서 타 데이터 보다 높은 설명력을 지니고 있으므로 본연구에서는 NHTSA 데이터를 기반으로 자율주행자동차 교통사고 영 향요인 분석을 수행하도록 하였다.
2. 자율주행자동차 교통사고 특성
1) 조도 및 도로 유형별 자율주행자동차 교통사고 특성
조도 및 도로 유형별 자율주행자동차 교통사고 발생 비율은 <Fig. 1>과 같다. 자율주행자동차 교통사고는 <Fig. 1>의 (a)와 같이 60%가 일광(daylight)에 발생하였으며, 다음으로 34%가 가로등 점등(dark- lighted) 상태 에서 발생하였다. 도로 유형별 자율주행자동차 교통사고 발생 현황은 <Fig. 1>의 (b)와 같이 45%가 일반도로 에서, 42%가 교차로에서 발생하여 대부분의 교통사고가 두 도로 유형에서 발생한 것으로 확인되었다.
2) 교통사고 직전 속도별 자율주행자동차 교통사고 특성
자율주행자동차 교통사고 직전 속도 기반 특성은 결측치를 제외한 691건의 교통사고를 대상으로 교통사 고 당시 속도와 속도별 부상 발생 정도를 분석하였다. <Table 5>는 자율주행자동차의 주행 속도 별 교통사고 및 부상 발생 정도이다. 자율주행자동차가 개입된 교통사고는 정지상태에서 최고 70mph의 속도에서 발생하 였다. 전체 교통사고의 46%인 315건은 자율주행자동차가 정지한 상태에서 발생하였으며, 이는 사람 운전자 와 상이한 자율주행자동차의 운행 행태와 이를 예측하지 못한 사람 운전자의 부주의로 인해 발생한 것으로 판단된다. 그 외에도 전체 교통사고의 88%에 해당하는 대부분의 교통사고는 20mph 이하의 저속에서 발생한 것으로 나타났다.
<Table 5>
Accident and injury rates by automated vehicle driving speed
| Speed | No injuries reported | Minor | Moderate | Serious | Unknown | Total |
|---|---|---|---|---|---|---|
| 0 mph | 281 | 19 | 4 | 0 | 11 | 315(46%) |
| 1~10 mph | 177 | 26 | 4 | 1 | 9 | 217(31%) |
| 11~20 mph | 58 | 7 | 4 | 3 | 1 | 73(10%) |
| 21~30 mph | 33 | 4 | 3 | 0 | 0 | 40(6%) |
| 31~40 mph | 13 | 0 | 0 | 1 | 0 | 14(2%) |
| 41~50 mph | 4 | 1 | 0 | 0 | 0 | 5(1%) |
| 51~60 mph | 11 | 0 | 0 | 0 | 2 | 13(2%) |
| 61~70 mph | 13 | 0 | 1 | 0 | 0 | 14(2%) |
| Total | 590(86%) | 57(8%) | 16(2%) | 5(1%) | 23(3%) | 691(100%) |
자율주행자동차의 속도에 따른 부상 심각도 분석 결과, 86%에 해당하는 대부분의 교통사고는 물적피해만 발생하였으며, 다음으로 경상 8%, 중상 2%, 심각한 부상이 1%인 것으로 나타났다. 부상이 발생한 교통사고 만을 대상으로 주행속도를 분석한 결과 89%가 20mph 이하의 속도에서 교통사고가 발생하였으며, 가장 높은 빈도로 부상이 발생한 자율주행자동차의 속도 범위는 1~10mph로 40%가 해당되었다.
3) 주행 행태별 자율주행자동차 교통사고 특성
자율주행자동차 교통사고 직전 속도 기반 특성 분석은 결측치 및 이상값을 제외한 688건을 대상으로 수행 하였다. <Fig. 2>는 자율주행자동차와 비자율주행자동차 교통사고 직전 주행 행태별 교통사고 발생 비율을, <Table 6>은 자율주행자동차 교통사고 발생 시 주행 속도별 행태를 나타낸다. 자율주행자동차와 비자율주행 자동차의 교통사고 직전 주행 행태 분석 결과, 자율주행자동차는 교통사고 발생 전 40%가 정지상태, 39%가 직진 주행 중이었으며, 그 다음으로 우회전 및 좌회전 과정에서 높은 빈도로 교통사고가 발생하였다. 비자율 주행자동차는 교통사고 발생 전 44%가 직진 주행 중이었으며, 12%가 후진 중, 그 다음으로 좌회전 및 차선 변경 과정에서 높은 빈도로 교통사고가 발생하였다.
<Table 6>
Automated vehicle’s pre-crash speed by driving status
| Driving status | 0mph | 1~10mph | 11~20mph | 21~30mph | 31~40mph | 41~50mph | 51~60mph | 61~70mph | Total |
|---|---|---|---|---|---|---|---|---|---|
| Stopped | 272 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 276(41%) |
| Proceeding straight | 8 | 132 | 55 | 32 | 11 | 4 | 12 | 13 | 267(39%) |
| Making right Turn | 10 | 18 | 3 | 0 | 0 | 0 | 0 | 0 | 31(5%) |
| Making left Turn | 3 | 20 | 6 | 0 | 0 | 0 | 0 | 0 | 29(4%) |
| Making U -turn | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1(0%) |
| Other, see narrative | 4 | 14 | 3 | 0 | 0 | 0 | 0 | 0 | 21(3%) |
| Changing lanes | 0 | 9 | 2 | 2 | 3 | 0 | 1 | 0 | 17(2%) |
| Parked | 14 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 14(2%) |
| Backing | 2 | 8 | 0 | 0 | 0 | 0 | 0 | 0 | 10(1%) |
| Lane/road departure | 0 | 2 | 3 | 0 | 0 | 0 | 0 | 1 | 6(1%) |
| Entering traffic | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 4(1%) |
| Merging | 2 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 3(0%) |
| Parking maneuver | 0 | 5 | 0 | 0 | 0 | 0 | 0 | 0 | 5(1%) |
| Unknown | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1(0%) |
| Total | 315(46%) | 217(32%) | 72(10%) | 35(5%) | 14(2%) | 5(1%) | 13(2%) | 14(2%) | 688 |
교통사고 발생 시 자율주행자동차의 주행 행태별 주행 속도 분석은 자율주행자동차가 주행하고자 하는 행태에서의 주행 속도별로 교통사고 발생 건수를 비교·분석하였다. 분석 결과, 정지 중에 발생한 교통사고가 276건으로 전체 교통사고의 약 41%를 차지하였다. 직진 상태에서 발생한 교통사고는 267건으로, 그 중 195 건인 약 73%의 교통사고가 20mph 이하에서 발생하였으며. 40mph 이상에서 발생한 교통사고는 10%에 불과 하였다. 또한, 좌·우회전 과정 중 발생한 교통사고는 모두 20mph 이하에서 발생한 것으로 나타났다.
4) 소결
NHTSA가 수집한 미국 전역 대상 자율주행자동차 교통사고 현황 및 특성 분석 결과, 자율주행자동차가 관여된 약 40%의 교통사고는 정지한 자율주행자동차를 비자율주행자동차가 충돌하여 발생한 것으로 확인되 었다. 또한, 자율주행자동차가 정지하지 않은 상태에서도 20mph 이하의 속도로 시내 도로를 주행하며 가다 서기를 반복하는 과정에서 발생하였으며, 대부분의 교통사고가 일반도로 혹은 교차로에서 발생하였다. 교통 사고 심각도와 관련하여, 85%의 교통사고에서 부상이 발생하지 않은 것으로 나타났으며, 경상을 제외한 중 상, 심각의 비율은 전체 교통사고의 3%에 불과한 것으로 나타났다. 교통사고 발생 시점의 조도와 관련하여, 대부분의 교통사고는 주간 혹은 가로등이 점등되어 있는 야간에 발생하였으며, 그 외 조명이 없는 야간에서 발생한 교통사고도 일부 존재한다.
Ⅴ. 자율주행자동차 교통사고 심각도 분석
본 절에서는 NHTSA 자율주행자동차 교통사고 데이터를 기반으로 자율주행자동차의 교통사고 심각도 영 향요인 분석을 수행하였다. 교통사고 심각도에 대한 영향요인 분석 모형에서 종속변수인 교통사고 심각도는 서열형 변수로, 물적 피해, 경상, 중상, 심각으로 구분된다. 서열형 변수의 분석에는 순서형 로지스틱 회귀분 석이 적합하며, IBM SPSS Statistics 21을 활용하여 분석을 수행하였다.
순서형 로지스틱 회귀분석은 다수의 변수를 동시에 포함하고 있을 때, 유의미하지 않은 변수들이 모형의 설명력을 저하시키는 결과를 초래할 수 있다(Bae, 2022). 이에 따라, 전체 변수 투입 모형에서 유의하지 않은 변수를 제거하는 후진 제거법을 통해 모형을 최적화하여 최종 선택 모형을 도출하였다.
1. 데이터 재구성 및 변수 설정
본 연구에 활용된 NHTSA 데이터는 2021년 7월 1일부터 2024년 7월 15일까지 발생한 700건의 자율주행자 동차 교통사고 데이터이며, 결측치가 있는 교통사고 데이터를 제거한 총 640건의 교통사고를 대상으로 분석 하였다. 데이터의 변수는 총 137개 항목으로 구성되어 있으며 137개 항목 중, 순서형 로지스틱 회귀 모형에 적합한 변수를 다음과 같이 선정하고 재구성하였다.
가장 먼저 보고서 번호, 차량 ID 등 교통사고 심각도 영향요인 분석에 활용할 수 없는 항목들을 제외하였 다. 본 연구에서 활용하는 SPSS 소프트웨어에서는 범주형 변수를 자동 더미화하여 모형에 투입하고, 모수 추정은 가장 큰 값을 기준으로 산출하기 때문에, 지나치게 적은 표본을 가진 항목들은 유사한 서열을 가진 항목에 취합하여 범주형 데이터로 재구성하였으며, 분리된 이분형 데이터를 날씨와 같은 범주형 데이터로 취합하였다. 예를 들어, 교통사고 심각도의 중상에 해당하는 교통사고는 9건, 심각에 해당하는 교통사고는 4 건으로 순서형 로지스틱 회귀 모형에서 분석하기에 지나치게 적은 표본 수를 가졌기 때문에 중상 이상으로 취합하여 재구성하였다. 또한, 수집된 데이터 중 예, 아니오로 응답되는 맑음, 눈, 흐림, 안개/연기, 비, 강풍, 기타와 같은 이분형 데이터 변수들을 날씨의 변수로 취합하여 재구성하였다. 데이터 취합 및 재구성 결과, <Table 7>과 같이 범주형 데이터 17개 항목과 수치형 데이터 2개 항목으로 축소되었다.
<Table 7>
Variable Description
| Category | Variable | Description | Coded |
|---|---|---|---|
| Accident characteristics | Accident severity | The level of severity of the accident, ranging from property damage to severe injuries | Property damage = 1 |
| Minor injury = 2 | |||
| Moderate and serious = 3 | |||
| Accident time | The specific time at which the accident occurred | Time series = numeric | |
| Posted speed limit(MPH) | The percentage of the speed limit at the time of the accident | ~33% = 1 | |
| ~66% = 2 | |||
| ~100% = 3 | |||
| Crash object | The type of object or entity involved in the collision, such as vehicles or vulnerable road users | Vulnerable road users = 1 | |
| Cars =2 | |||
| SUVs, vans, pickup trucks = 3 | |||
| Buses, large trucks = 4 | |||
| Fixed objects/others = 5 | |||
| Crash object status | The movement or status of the collision object at the time of the accident, e.g., moving, stopping, turning | Proceeding straight = 1 | |
| Backing = 2 | |||
| Turning (left, right, U-turn) = 3 | |||
| Changing lanes = 4 | |||
| Accelerating = 5 | |||
| Stopped/parked = 6 | |||
| Slowing down = 7 | |||
| Wrong-way driving= 8 | |||
| Pedestrian = 9 | |||
| Collision object impact point | The location on the object where the impact occurred, such as the front, side, rear, or top/bottom | Front = 1 | |
| Left/right side = 2 | |||
| Rear =3 | |||
| Top/bottom = 4 | |||
| Automated vehicle driving status and characteristics | Airbag deployment | Indicates whether the airbag was deployed in the vehicle during the accident | Not deployed = 1 |
| Deployed = 2 | |||
| Mileage | The total distance traveled by the vehicle | Log(mileage) = numeric | |
| Driver presence | Whether a human driver was present in the vehicle at the time of the accident | Driverless = 1 | |
| Driver = 2 | |||
| ODD compliance | Whether the automated vehicle was operating with in its defined Operational Design Domain (ODD) | Out of ODD zone =1 | |
| In ODD zone =2 | |||
| Vehicle speed | speed of the automated vehicle | Vehicle speed =numeric | |
| Seatbelt usage | Indicates whether the occupants of the vehicle were wearing seatbelts during the accident | Not worn = 1 | |
| Worn = 2 | |||
| AV’s movement status | Describes the movement of the automated vehicle during the accident, such as moving forward, reversing, or stopped | Proceeding straight = 1 | |
| Backing = 2 | |||
| Turning (left, right, U-turn) = 3 | |||
| Changing lanes= 4 | |||
| Accelerating = 5 | |||
| Stopped/parked = 6 | |||
| Collision object impact point | The location on the object where the impact occurred, such as the front, side, rear, or top/bottom | Front = 1 | |
| Left/right side = 2 | |||
| Rear = 3 | |||
| Top/bottom = 4 | |||
| Environmental and road conditions | Road type | The type of road on which the accident occurred, including highways, intersections, and regular roads | Regular road = 1 |
| Intersection = 2, | |||
| Highway = 3 | |||
| Others = 4 | |||
| Road surface | The condition of the road surface, such as whether it was dry or not | Not dry = 1 | |
| Dry = 2 | |||
| Road condition | Noting if there were any issues like on going construction or accidents | No unusual conditions = 1 | |
| Traffic accident/construction = 2 | |||
| Weather | The weather conditions at the time of the accident | Other = 1 | |
| Clear = 2 |
2. 자율주행 교통사고 심각도 모형 개발
순서형 로지스틱 회귀 모형을 적용하기에 앞서, 독립변수 간 강한 상관관계를 가질 수 있는 다중공선성 문제가 발생하는지를 확인하였다. 다중공선성 진단 결과, 모든 변수에서 분석팽창계수(variance inflation factor, VIF)가 2 미만으로 다중공선성 문제가 없다는 결과가 도출되었다. 개발된 자율주행 교통사고 심각도 영향요인 분석 모형은 전체 변수 투입 모형에서 후진 제거법의 반복 수행을 통해 구축하였으며, 평행성 검 정, 우도비 검정, 모형 적합도 검정을 만족하는 최종 선택 모형의 교통사고 심각도 모형은 <Table 8>과 같다.
<Table 8>
Analysis of Factors Influencing the Severity of Traffic Accidents
| Variable | β (Estimate) | Standard error | Wald | p-value | ||
|---|---|---|---|---|---|---|
| Depenent variable | Accident severity | Property damage = 1 | 20.31 | 1.54 | 173.13 | 0.00*** |
| Minor injury =2 | 21.95 | 1.57 | 196.67 | 0.00*** | ||
| Moderate or above = 3 | Reference | |||||
| Independent variable | Mileage | 0.47 | 0.25 | 3.53 | 0.06* | |
| ODD compliance | Out of ODD zone =1 | 1.04 | 0.31 | 11.40 | 0.00*** | |
| In ODD zone = 2 | Reference | |||||
| Crash object | Vulnerable road users =1 | 0.76 | 1.09 | 0.48 | 0.49 | |
| Cars =2 | 0.51 | 1.13 | 0.20 | 0.65 | ||
| SUVs, vans, pickup trucks = 3 | 2.08 | 1.14 | 3.34 | 0.07* | ||
| Buses, large trucks = 4 | 2.19 | 1.21 | 3.29 | 0.07* | ||
| Fixed objects/others = 5 | Reference | |||||
| AV’s movement status | Proceeding straight = 1 | 15.30 | 0.32 | 2258.59 | 0.00*** | |
| Backing =2 | 14.91 | 1.01 | 217.15 | 0.00*** | ||
| Turning (left, right, U-turn) = 3 | 15.54 | 0.46 | 1130.45 | 0.00*** | ||
| Lane changing =4 | 15.57 | 0.79 | 389.15 | 0.00*** | ||
| Accelerating =5 | 14.43 | 1.17 | 152.45 | 0.00*** | ||
| Stopped/parked =6 | Reference | |||||
| Number of observations - Log likelihood at zero LL(0) / - Log likelihood LL(β) Log likelihood Chi-square (p-value) Likelihood ratio index TRL(test of parallelism in linearity) test |
640 528.89/482.79 46.11(0.000) 1234.52(0.66) 466.60(0.18) |
|||||
* p<0.1 ** p<0.05 *** p<0.01
후진 제거법 시행 결과 p < 0.1 수준에서 독립변수가 유의하다고 가정할 때, 교통사고 심각도에 유의하게 영향을 미치는 요인은 자율주행자동차 주행거리, 자율주행자동차 ODD내 주행 여부, 충돌 대상물, 자율주행 자동차 이동 상태를 제외한 독립변수들은 유의하지 않다고 판단되어 제거하였다. 평행성 검정 결과, p = 0.18 > 0.05므로 회귀계수의 기울기들이 각각의 회귀식에서 동일하다는 가정을 만족하여 순서형 로지스틱 회귀분 석 모형에 적합함을 확인할 수 있다. 우도비 검정의 경우, 절편만이 존재하는 모형과 최종모형의 카이제곱 차이 검정이 p < 0.001에서 유의하였기 때문에 모형에 포함된 회귀계수 중 적어도 하나는 유의수준 하에 통 계학적 유의성을 가짐을 알 수 있다. 또한, 모형 적합도 검정 결과 p > 0.05 이므로 데이터의 확률분포가 모형 의 확률분포가 일치하는 것을 확인하였다.
먼저, 주행거리 변수의 추정 계수는 0.47로, 자율주행자동차의 주행거리가 증가할수록 교통사고의 심각도 가 유의하게 낮은 경향을 보였다. 이는, 비자율주행자동차 교통사고 경향과 유사하게 주행거리가 증가할수록 교통사고 심각도가 높음을 의미한다(Kim and Ki, 2010). ODD 구간 내 주행 여부 변수의 추정 계수는 1.04로, 자율주행자동차가 ODD 구간보다 ODD 이외의 구간에서 주행할 때 발생한 교통사고의 심각도가 높은 경향 을 보였다. 이는, 자율주행자동차가 ADS를 사용할 수 없는 구간에서 ADS를 사용하여 교통사고가 발생한 경 우, 교통사고 심각도가 더 높은 경향을 나타낸다는 것을 의미한다. 충돌 대상물의 경우 SUV, Van, 픽업트럭 (2.08) 또는 버스, 대형트럭(2.19)과의 충돌 교통사고 시 고정물 또는 기타일 때보다 교통사고 심각도가 높은 경향이 나타났다. 자율주행자동차 주행 행태의 경우 추정 계수를 기반으로 차선 변경(15.57), 회전(15.54), 직 진(15.30), 후진(14.91), 가속(14.43) 상태의 순으로 심각도가 높게 나타났다.
3. 소결
본 절에서는 NHTSA에서 공개하고 있는 자율주행자동차 교통사고 데이터를 활용하여 순서형 로지스틱 회 귀 모형 기반 교통사고 심각도 예측 모형을 개발하였다. 모델 개발 결과, 자율주행자동차의 교통사고 심각도 에는 자율주행자동차의 주행거리, 자율주행자동차의 ODD 준수여부, 충돌대상물, 자율주행자동차의 주행 행 태가 유의미하게 영향을 미치는 것으로 나타났다. 앞서 고찰한 선행연구들의 연구 결과와 비교해 보았을 때, 자율주행자동차의 주행 행태, 충돌 대상물은 공통적으로 유의한 영향 요소로 판단하였으나, 조도 및 기상 상 태, 교통사고 이력, 혼잡도, 자율주행자동차의 기능 중단 기록, 차량의 무게 등은 유의하지 않은 것으로 나타 났다. 이는, 수집되는 데이터 항목의 차이 및 모델의 변수 설정 등에서 차이가 있기 때문으로 판단된다.
해당 영향요인들은 자율주행자동차의 교통사고 심각도에 영향을 미치는 만큼, 향후 자율주행자동차 관련 정책 및 제도적 장치 마련에다음과 같은 사항들을 고려해야 한다.첫째, 자율주행자동차의 주행거리와 ODD 준수 여부가 교통사고 심각도에 영향을 미침에 따라, 자율주행자동차의 운영 환경을 엄격히 관리해야 한다. 또한, 교통사고의 조사 시, 자율주행자동차의 ODD 준수 여부를 필수적으로 확인해야 한다. 둘째, 자율주행 자동차의 평가 및 인증 등에 활용되는 교통사고 시나리오의 구성 시, 충돌 대상물(차종) 및 다양한 주행행태 를 고려한 시나리오가 필요할 것으로 판단된다. 셋재, 대부분의 자율주행자동차 교통사고가 정지 혹은 저속 에서의 차선 변경, 회전, 직진 등에서 발생하였음을 고려하여 ADS가 작동 중일 때에는 자율주행 외부표시장 치 등과 같은 시각적 표시등을 활용하여 이를 주변에 알려 비자율주행자동차 운전자들이 자율주행자동차의 주행 행태에 반응할 수 있도록 경고해야 한다. 또한, 이에 따라 비자율주행자동차 운전자들에게도 자율주행 자동차의 경고 및 주행 행태에 대한 교육이 필요할 것으로 판단된다.
Ⅵ. 결론 및 향후 연구과제
자율주행자동차는 비자율주행자동차와 달리 자율주행시스템이 전반적인 주행업무를 담당하기 때문에, 교 통사고 심각도에 미치는 요인들이 상이할 것이며, 다양한 형태의 예측하기 어려운 위험요소 등이 존재할 것 이라고 예상된다. 이에 따라, 기존 비자율주행자동차의 교통사고에 영향을 미치는 요인들과 자율주행자동차 의 교통사고에 영향을 미치는 요인들이 상이할 것으로 사료된다. 따라서, 본 연구에서는 공개 중인 자율주행 자동차 교통사고 데이터 중 타 데이터보다 공간적 범위가 넓으며 더욱 상세하고 많은 표본 데이터를 제공하 고 있는 NHTSA의 자율주행자동차 교통사고 데이터를 활용하여 자율주행자동차 교통사고의 현황 및 특성 분석과 교통사고 심각도 영향요인 분석을 수행하였다.
먼저, 자율주행자동차 교통사고의 현황 및 특성 분석은 지역별, 조도 및 도로 유형별, 주행 속도별, 주행 행태별로 분류하여 수행하였다. 전체적인 분석 결과, 미국 전역에서 약 4년간 발생한 자율주행자동차 교통사 고의 88%는 교통사고 발생 당시 자율주행자동차의 주행 속도가 20mph 이하였으며, 40%는 자율주행자동차 가 정지해 있는 상황에서 비자율주행자동차의 충돌로 인해 발생한 것으로 나타났다. 또한, 대부분의 자율주 행자동차가 정지하지 않은 상태에서도 20mph 이하의 속도로 시내 도로를 주행하며 가다 서기를 반복하는 과정에서 발생하였다. 자율주행자동차 교통사고는 주행 속도가 낮은 상태에서 발생한 교통사고가 대부분이 기 때문에 전체 교통사고의 85%에서 부상이 발생하지 않았으며, 물적 피해와 경상을 제외한 중상과 심각한 교통사고의 발생 비율은 전체 교통사고의 3%에 불과한 것으로 나타났다.
자율주행자동차 교통사고의 현황 및 특성 분석 이후, 동일한 데이터를 기반으로 교통사고 심각도 영향요 인 분석 모형을 개발하였다. NHTSA에서 공개하고 있는 데이터의 교통사고 심각도는 상해 수준에 위계가 있 는 분류이며 위계 간 격차가 일률적이지 않기 때문에 순서형 로지스틱 회귀 모형을 통해 교통사고 심각도 영향요인 분석 모형을 개발하였다. 개발된 모형을 기반으로 교통사고 심각도 영향요인을 도출한 결과, 유의 수준 10%에서 자율주행자동차의 주행거리, 자율주행자동차의 ODD 구간 내 주행 여부, 충돌 대상물, 자율주 행자동차 이동 상태가 교통사고 심각도에 통계적으로 유의미한 영향을 미치는 것으로 도출되었다. 특히나, ODD 구간 내 주행 여부는 비자율주행자동차 교통사고와 달리 자율주행자동차의 교통사고에서만 고려되는 영향요인이므로, 이를 중심으로 향후 자율주행자동차의 안전성, 관련 정책 및 제동적 장치 마련에 고려해야 할 사항들을 제시하였다.
다만, 본 연구에서 개발된 모형은 NHTSA에서 공개한 교통사고 데이터를 기반으로 하고 있으며, 이 데이 터에는 기업비밀이나 개인정보와 관련된 부분이 가려져 있어 모든 자율주행 교통사고의 정황을 완벽하게 반 영하지 못하는 한계가 있다. 또한, 영향요인 분석을 수행하기 위해서는 종속변수 서열별로 충분한 모수가 수 집되어야 하나, 본 연구에서 활용된 640건의 자율주행 교통사고 중 물적피해 교통사고가 약 85%, 경상 교통 사고가 8%, 중상 이상 교통사고가 3%로 구성되어 있다. 수집된 데이터 대부분이 물적 피해 교통사고에 집중 되어 있어 중상 이상의 교통사고 데이터를 충분히 확보하지 못했기 때문에, 교통사고 심각도에 영향을 미치 는 요인을 일반화하는 데 한계를 가질 수 있다. 그러나, 본 연구에서는 실사고 데이터를 기반으로 자율주행 자동차 교통사고의 심각도에 영향을 미치는 요인들을 확인했다는 점에서 의의가 있으며, 도출된 영향 요인 들은 자율주행자동차 교통사고 심각도에 유의미한 영향을 미치는 만큼 향후 자율주행자동차의 교통사고 조 사, 관련 규정 및 제도적 장치 마련의 기초자료로 활용될 수 있을 것으로 기대한다.
