Ⅰ. 서 론

1. 연구의 배경 및 목적

도로에서 신호 위반이나 제한속도 위반 차량을 단속하는 무인교통단속장비는 지능형 교통시스템( Intelligent Transport Systems, ITS) 중 자동 단속 시스템(Automatic Traffic Enforcement System, ATMS)의 대표적인 장비로 서, 전 세계 여러 국가에서 운용되고 있다. 운전자의 교통법규 위반을 개선하고 교통사고를 예방하는 목적을 가진 무인교통단속장비는 국내에서 1997년 32대가 처음 도입되었으며, 이후 장비 수가 꾸준히 증가해 왔다(Joo at el., 2009). 장비의 규모는 2014년 5,705대, 2016년 6,309대, 2019년 8,982대에 이르며 특히, ‘민식이법’ 시행 이후 급증하여 2023년 말 기준으로 24,396대에 달하고 있다.

이러한 장비의 급증에도 불구하고, 신호 위반 및 과속으로 인한 교통사고는 상대적으로 감소하지 않은 것 으로 나타났다. 한국도로교통공단 교통사고분석시스템(Traffic Accident Analysis System, TAAS)에 따르면, 2023년 전체 교통사고 건수는 198,296건으로, 2014년 223,552건에 비해 11.3% 감소했다. 그러나 신호위반으 로 인한 교통사고는 2014년 25,702건에서 2023년 23,444건으로 8.8% 감소에 그쳤으며, 과속으로 인한 교통사 고는 2014년 515건에서 2023년 1,215건으로 135.9% 증가한 것으로 나타났다.

그동안 무인교통단속장비와 관련된 연구들은 주로 장비 설치에 따른 교통사고 건수나 사상자 수의 감소 효과 분석에 집중해 왔으며(Yang et al., 2023;Lee et al., 2023;Sutela and Aaltonen, 2021) 많은 연구에서 교통 사고 감소효과가 높다는 결과가 나타났다. 그러나 이러한 효과에도 불구하고 여전히 신호위반 및 과속 관련 교통사고는 줄어들지 않고 있는 상황에서 무인교통단속장비의 단속 자료를 분석할 필요성이 제기된다.

단속 자료는 교통사고의 직접적인 결과는 아니지만, 잠재적 사고 위험성을 내포하고 있다. 또한, 통행량이 유사한 지점에서도 단속 건수에 큰 차이가 나타나며, 특정 지점에서는 단속 건수의 시계열적 패턴도 관찰된 다. 이처럼 단속 자료는 단순한 건수 이상의 의미를 지니지만, 이를 활용한 연구는 아직 부족한 상황이다.

선행연구 중에서는 무인교통단속장비의 단속 자료를 활용한 연구가 있었지만(Li et al., 2021), 단속 자료에 대한 시계열적 특성이 아닌 단속지점별 전체 단속건수에 초점을 맞춰 교통법규 위반 확률을 예측했다는 점 에서 한계가 있었다.

따라서 본 연구는 무인교통단속장비의 단속 건수에 대해 시계열 분석을 수행하여 유의미한 시계열적 패 턴을 찾아보고, 수집된 자료를 바탕으로 ANOVA분석을 통해 단속 건수의 패턴에 영향을 미치는 인자를 살 펴봄으로써 시계열적 특성을 정량적으로 분석하였다. 연구결과를 토대로 무인교통단속장비의 운용 효과를 극대화하고 관련 교통사고 감소에 기여하고자 한다.

2. 연구의 범위 및 수행절차

본 연구의 시간적 범위는 최근 2년(2022년~2023년) 간의 단속 자료를 활용하였으며, 공간적 범위는 해당 기간 동안 전국 17개 시·도 경찰청에서 운용 중인 무인교통단속장비 중 각각 단속 건수가 상위 5위에 해당 하는 지점(총 85개소)을 대상으로 하였다.

연구의 수행 절차는 다음과 같다. 첫째, 무인교통단속장비와 관련된 기존 연구들을 검토하고, 본 연구의 차별성을 제시하였다. 둘째, 관련 자료를 구축한 후, 시계열 모형인 ARIMA(autoregressive integrated moving average)를 활용하여 지점별 시계열적 패턴을 분석하였다. 셋째, 통계적 유의성이 확인된 시계열 패턴에 대해 수집된 자료의 인자별 차이를 분석하기 위해 ANOVA(analysis of variance)을 실시하였다. 마지막으로, 분석 결과를 바탕으로 시사점과 정책적 제언을 도출하였다.

<Fig. 1>

Research Procedure

Ⅱ. 국내·외 문헌검토 및 이론적 고찰

1. 국내·외 선행연구 검토

1) 무인교통단속장비 관련 선행연구

Yang et al.(2023)는 국내 1,199개 교차로 중 교통사고 잦은 곳 개선사업을 통해 속도 위반 및 신호 위반 무 인교통단속장비가 설치된 교차로의 사고 감소 효과를 확인하기 위해 다중선형 회귀분석을 사용하였다. 분석 결과, 사고 건수는 13~21%, 사상자 수는 19~30%가 감소하였으며, 사고 심각도는 15~20% 감소하였다.

Lee et al.(2023)은 비교그룹방법을 통해 무인교통단속장비의 제한속도 및 교통사고 유형에 따른 교통사고 감소 효과를 분석하였다. 2019년 서울시 신호위반 단속장비 신규 설치 지점 87개소를 분석한 결과, 전체 교 통사고가 28.53% 감소, 치명적인 교통사고는 39.44% 감소하여 무인교통단속장비 설치 이후 사고 심각도가 감소한 것으로 나타났다.

Sutela and Aaltonen(2021)은 핀란드의 고속도로에 설치된 무인교통단속장비 중 과속 단속장비를 대상으로 일반화 가법 모형(GAM, generalized additive model)을 활용하여 과속 단속율에 영향을 미치는 시간적 특성과 기상조건에 대해 분석하였다. 연구 결과, 과속 단속율은 기온이 올라갈수록 높아졌으며, 강우량이 많아질수 록 낮아졌다.

Li et al.(2021)은 무인교통단속장비에서 수집된 교통법규 위반 데이터를 활용하여 교통법규 위반과 관련된 영향 요인을 분석하고 교차로에서 교통 위반 확률을 예측하였다. 교통법규 위반에 영향을 미치는 잠재적인 요인으로 24가지의 독립변수를 제시하였으며, 분석방법론으로 로지스틱 회귀, 나이브 베이즈, Support Vector Regression(SVR), 랜덤 포레스트 알고리즘까지 총 네 개 모형으로 성능 비교를 하였다.

Oh et al.(2015)은 신호 위반 무인교통단속장비의 효과를 분석하기 위해 단순 비교, 비교그룹방법, 경험적 베이지안 방법의 총 세 가지를 통해 교차로 측면 직각 충돌사고 감소 효과를 정량적으로 평가하였다. 교차로 에 신호 위반 무인교통단속장비 설치 후 측면 직각 충돌사고가 25.6~29.7% 감소하는 것으로 나타났다.

Kim et al.(2015)은 신호 위반 무인교통단속장비의 효과를 분석하기 위해 일반적으로 사용하는 교통사고 데이터를 활용한 사고 감소율이 아닌 신호위반 건수를 대체지표로 활용하였다. 분석을 위해 전라북도에 2008년부터 2011년에 설치된 신호위반 무인교통단속장비 24개소를 대상으로 사전 기간과 사후 기간을 설정 하여 효과를 평가했다. 설치 후 신호위반 건수가 82.1% 감소하였으며, 약 7개월 이후에는 감소율이 일정 수 준에서 유지되는 경향을 보였다.

Lee et al.(2012)은 교차로 신호위반 무인교통단속장비의 사고 감소 효과를 평가하기 위해 Safety Performance Function(SPF) 모형과 경험적 베이지안 방법을 사용하였다. 연구 결과, 전체적인 사망사고가 26% 감소하였으며, 특정 사고 유형(회전 시 추돌, 후방 추돌, 측면 직각 추돌 등)에서는 최대 38%의 사망자가 감소하여 사고 심각도 감소 효과가 있는 것으로 나타났다.

2) ARIMA 모형을 활용한 교통안전 관련 선행연구

Sufian et al.(2024)에서는 영국의 교통사고 심각도를 예측하기 위하여 ARIMA, 머신러닝(랜덤 포레스트, XGBoost), 계량경제학 기법을 결합한 연구를 수행했다. 연구 결과, XGBoost 모형의 예측 정확도가 가장 높은 것으로 나타났으며, 설명 가능한 AI 기법을 통해 사고 심각도에 영향을 미치는 주요 요인을 도출하였다.

Yang et al.(2023)은 국내 경기도를 대상으로 코로나19의 사회적 거리두기 정책이 교통사고 발생에 미치는 영향을 시계열 분석 기법으로 평가하였다. 분석을 위해 총 네 개의 시계열 모형(ARIMA, STL&ETS, ANN, Prophet)을 사용하여 교통사고의 예측값과 실제 발생한 사고를 비교하였으며 4개 모형 중 예측력이 가장 높 은 모형은 ARIMA 모형으로 나타났다.

Nassiri et al.(2023)은 이란의 지방부 고속도로에 대해 ARIMA를 포함한 네 가지 시계열 모형을 사용하여 교통사고 발생 추세를 예측하였다. 연구를 위해 2016년 3월부터 2021년 8월까지 월별 교통사고 데이터와 교 통량 및 통행 속도 데이터가 사용되었다. 분석 결과는 전체 사고와 치명적인 사고, 외생변수에 따라 다르게 나타났으며, 연구에서는 시계열 분석을 할 때 외생변수를 포함한 모형을 사용할 것을 제안했다.

Wang. et al.(2022)는 고속으로 주행하는 차량의 속도를 예측하기 위해 ARMA 모형과 적응형 칼만 필터 (Kalman Filtering, KF)를 결합한 방법을 제안하였다. 이에 대한 예측 능력을 비교하기 위해 최소제곱법, KF, 적응형 KF 세 가지 방법론을 사용하였으며, 예측 오차가 적고 모형에 대한 실시간 적용 가능성이 높음에 따 라 가장 높은 예측 정확도에 대해 비교분석 하였다.

Ihueze and Onwurah(2018)는 나이지리아 Anambra주의 2007년부터 2015년까지 교통사고 건수를 월별로 분 류하고 인적 요인, 차량 요인, 도로 환경 요인 등 다양한 변수들을 결합하여 교통사고를 예측하였다. 분석 방 법으로는 ARIMA와 ARIMAX를 통해 성능을 비교하였다.

2. 관련 이론 고찰

본 연구에서는 무인교통단속장비의 단속건수 자료에 대한 시계열 분석(time series analysis)을 이용하여 시 계열적으로 유의미한 패턴을 확인하고, 시계열 패턴에 영향을 주는 요인을 도출하였다. 시계열 분석은 교통 사고 건수, 사망자 수 등 시간에 따라 산출되는 시계열 자료를 분석하기 위한 분석방법이다(Han & Kim, 2007). 시계열 분석을 하기 위해서는 분석된 자료의 특성, 추세에 따라 적절한 분석기법을 선택하여야 한다 (Yang et al., 2023). 이에 본 연구에서는 다양한 시계열 분석기법 중 추세(trend)나 계절성(seasonality) 등의 요 인으로 인한 비정상성을 안정적인 시계열로 바꿔주는 ARIMA 모형을 사용하였다.

ANOVA는 여러 집단 간 평균을 비교하는 분석방법(Noh, 2016)으로 시계열 분석을 통해 알아낸 패턴들에 영향을 주는 요인들을 한 번에 비교하기에 적합한 방법론이다.

3. 연구의 차별성

기존 무인교통단속장비와 관련된 대부분의 연구들은 주로 교통사고 데이터를 통해 무인교통단속장비 설 치 후 단기적인 교통사고 건수의 변화 또는 사고 심각도 변화에 초점이 맞춰져 있었다. 일부 선행연구에서는 무인교통단속장비의 단속건수 데이터를 활용하기도 했지만, 데이터에 대한 시계열적 특성을 반영하지 않고 단속건수라는 단편적인 요인만 고려하여 교통법규 위반 예측모형을 만들었다는 점에서 한계가 있다.

본 연구는 선행 연구들과는 달리 무인교통단속장비의 단속 건수에 대한 시계열 분석을 통해 단속 건수의 시계열적 추세를 유형화하였으며, 무인교통단속장비가 설치된 현장별 특성들에 대한 ANOVA 분석을 통해 시계열적 추세 특성에 따른 영향인자를 정량적으로 파악했으며, 결과를 바탕으로 무인교통단속장비의 운영 방안에 대한 정책제언을 했다는 점에서 차별성이 있다.

Ⅲ. 분석자료 및 방법

1. 분석자료 수집

국내 무인교통단속장비는 설치방식에 따라 고정형과 이동형으로 나뉜다. 특정지점에 설치된 고정형 무인 교통단속장비와는 달리 이동형 무인교통단속장비는 특정 시점에 따라, 단속이 필요한 지점에서 일시적인 단 속을 수행하고 장소를 이동하는 형태로 운용되고 있다.

본 연구는 동일지점에서 일정기간 꾸준하게 수집된 단속 자료를 통해, 이의 특성을 분석함에 따라 이동형 무인교통단속장비는 제외하였다. 따라서 본 연구를 수행하기 위한 분석 자료는 2022.1.1.부터 2023.12.31.까지 전국 17개 시·도 경찰청별로 2년간 운용된 고정형 무인교통단속장비 중 단속 건수가 가장 많은 상위 5개소 씩을 포함하여 총 85개소가 분석 대상으로 선정되었으며, 선정된 장비의 일자별 단속 건수가 수집되었다.

총 85개소의 분석 대상에 대해 종속변수(일자별 단속 건수)와 더불어 총 9개의 독립변수를 구축하였다. 범 주형 자료에는 단속기능(과속, 신호), 차로수(2~4차로), 제한속도(30~60km/h), 도로형태(교차로, 단일로), 특정 존 유무(유, 무), 평면선형(직선, 곡선), 종단선형(평지, 내리막, 오르막), 도로종류(특별광역시도, 시도, 일반국 도 등)가 수집되었으며, 단속장비 설치후 시간의 흐름에 따른 단속 건수의 변화를 보기 위해 장비운용 경과 월수가 연속형 자료로 수집되었다. 이들 변수에 대한 기초통계는 <Table 1>과 같으며, 단속기능의 경우 속도 단속장비가 45개소, 신호단속장비가 40개소로 나타났다. 한편, 구축된 변수 중 특정존 여부는 무인교통단속 장비가 설치된 장소가 어린이보호구역, 노인보호구역, 마을주민보호구간을 포함하고 있는지를 확인하였으며, 85개소 중 41개소가 특정존에 위치하고 있는 것으로 나타났다.

2. ARIMA 모형

‘AutoRegressive Integrated Moving Average’를 줄여 ARIMA라고 불리는 이 모형은 대표적인 시계열 분석방 법 중 하나이며, 과거의 추세를 바탕으로 시계열적으로 가능한 미래를 예측하는 기법이다(Park at el., 2022). 기존의 안정적인 시계열 분석 모형인 ARMA가 자기회귀(auto regressive ,AR)모형과 이동평균(moving average, MA)모형이 결합된 형태로, 여기에 차분(differencing)을 통한 시계열분석 모형을 ARIMA라고 한다(Lee, 2021).

AR모형은 시계열의 현재 값들이 과거 값들의 선형함수로 표현하며, 데이터 내의 시계열 패턴과 상관관계 를 이용하여 현재 값을 예측하는 방법으로, 일반회귀분석과 달리 독립변수과 종속변수 모두 자기자신의 데 이터를 사용하는 것이 특징이다. AR 모형은 식 (1)과 같이 나타낸다. AR모형에서 y T − 1 , y T − 2 , ⋯ y T − p 는 과 거 관측 값들이며, C는 절편 항으로 평균수준을 결정한다. ϕ 1 , ϕ 2 , ⋯ ϕ p 는 시차별 계수로 변수 자체의 시간적 의존성을 정량화하며, ∈_T 는 예측불가능한 오차항으로 모형에서 설명하지 못하는 오차를 뜻한다.

MA모형은 시계열 데이터에 있는 백색잡음(white noise)을 선형 결합하여 목표 예상변수의 현재 값을 추정 한다. MA(q) 형태로 표현되며 q는 어느 정도 과거 시점의 오차항을 사용해 현재 값을 추정하는지 나타낸다. 상세한 수식은 식 (2)와 같다. 식에서 θ 1 , θ 2 , ⋯ θ q 는 과거에 발생한 오차항(∈ t − 1 , ∈ t − 2 ⋯ ∈ t − q)이 현재 값에 어떻게 반영되는지 결정하는 파라미터이다.

차분은 이전시점의 값과 현재시점의 값의 차이를 통해 데이터의 추세를 없애고 평균과 분산이 일정한 정 상 시계열로 만들어주는 과정으로 식 (3)으로 표현한다. 여기서 y_t 는 t 시점의 시계열 관측 값을 의미하며, y_t-1 은 t 시점의 직전 시점의 시계열 관측 값을 의미한다. 차분은 결국 현 시점과 직전 시점 간의 차이를 의 미한다.

전체 ARIMA 모형은 식 (4)로 작성된다.

ARIMA 모형은 arima(p, d, q)로 표현되는데 p는 AR모형의 차수, d는 비정상 시계열을 정상 시계열로 바꾸 기 위한 차분의 차수, q는 MA모형의 차수를 의미한다.

3. ANOVA 분석

분산분석(analysis of variance, ANOVA)이라고 불리는 ANOVA는 3개 이상의 집단에 대한 평균의 차이를 검증하는 분석방법이며, 특성에 대한 산포의 제곱 합을 요인별 제곱 합으로 분해한 후 영향 요인을 찾아낸다 (Noh, 2016). ANOVA는 식 (5)로 나타낼 수 있다.

식(5)에서 집단 간 분산을 집단 내 분산으로 나누어 F-통계량을 구하며, y_j 는 각 집단의 평균, y 는 전체 평균, y_ij는 관측치 값, k는 집단의 개수, n은 전체 관측치 수를 의미한다.

Ⅳ. 분석 결과 및 정책제언

1. ARIMA 모형 분석 결과

먼저 수집된 85개소의 단속 건수 데이터에 대해서 선형그래프를 그려 추세성을 확인하였다. 85개 데이터 중 <Fig. 2>에서처럼 일별 단속 건수에 대한 편차가 크거나, <Fig. 3>처럼 공사나 행사 등으로 장기간 단속장 비 가동을 하지 않아 단속 건수가 0인 날이 많은 장비에 해당하는 총 27개소에 대해서는 R의 forecast패키지 의 tsclean() 함수를 사용해 이상치의 주변 데이터를 반영하여 보정하였다. 이상치를 보정하지 않고 포함시키 면 잔차가 갑작스럽게 큰 값을 취하거나 특정구간에 편중되면서 잔차 간의 새로운 상관구성으로 인해 백색 잡음 특성을 저해하여 모형의 타당성을 낮출 수 있기 때문이다(Box at el., 2015).

<Fig. 2>

Data with many Outliers

<Fig. 3>

Data with Zero of Enforcement Data

ARIMA 모형분석 시 각 차수가 결정된다면 잔차(residual)의 백색잡음(white noise)을 검정하는 절차를 거쳐 야한다. 즉, 데이터를 통해 만들어진 ARIMA모형이 정상적인 시계열 패턴인지 확인하기 위해 잔차 간의 자 기상관성 존재 여부를 확인하는 것이다. LjungBox test는 잔차가 시간의 흐름에 따라 독립적으로 분포하는지 통계적으로 검증하는 대표적인 방법으로 LjungBox_pValue가 0.05 이하로 나타나면 자기상관성이 존재하여 모형이 시계열 데이터를 충분히 설명하지 못한다고 해석한다(Ljung and Box, 1978).

분석 결과, 무인단속장비의 단속 건수 데이터 85개 중 LjungBox_pValue가 0.05 이하인 40개의 데이터에서 자기상관성이 존재하는 것으로 나타나 최종분석 결과에서 제외하였다. 85개 장비 중 40개를 제외한 45개 장 비의 시계열 추세를 확인한 결과 45개소의 장비에서 감소추세, 횡보추세, 증가추세 등 3가지 추세유형을 발 견하였다.

<Table 2>의 A1부터 A21까지는 감소추세가 뚜렷한 시계열 패턴을 가지고 있으면서 LjungBox_pValue가 0.05 이상으로 정상 시계열을 만족함으로써 잔차 간 자기상관성이 없는 것을 확인하였다.

<Table 3>은 단속 건수가 증가 추세인 시계열 패턴을 가지고 있는 10대의 장비들이며, Table 4은 단속 건 수가 횡보 추세인 시계열 패턴을 가지고 있는 14대의 장비에 대한 LjungBox Test 결과이다. 모두 0.05 이상으 로 잔차 간 자기상관성이 없는 것으로 나타났다.

<Fig. 4>, <Fig. 5>, <Fig. 6>은 감소, 증가, 횡보 각 시계열 추세 유형의 대표적인 사례이며 유형별 특성과 변동 양상을 직관적으로 알 수 있다. 또한, 이를 통해, 현재의 추세유형이 미래에도 지속적으로 유지되는지 를 확인하기 위해 기존의 단속 건수로 향후 100일에 대한 단속 건수를 예측해보았다.

<Fig. 4>

Historical Trend and Forecast for the next 100 Days(Decreasing Trend)

<Fig. 5>

Historical Trend and Forecast for the next 100 Days(Increasing Trend)

<Fig. 6>

Historical Trend and Forecast for the next 100 Days(Horizontal Trend)

2. 추세 유형별 영향요인에 대한 ANOVA분석

ARIMA 분석을 통해 무인교통단속장비 중 45개에서 시계열 추세가 증가, 감소, 횡보 세 가지 유형으로 뚜 렷하게 구분 된다는 것을 확인하였다. 추세유형에 대해 유의미하게 영향을 주는 요인이 있는지 확인하기 위 해 구축된 9개의 독립변수에 대한 ANOVA 분석을 실시하였다.

<Table 5>와 같이 각 추세 유형별 영향이 있을 것으로 예상되는 인자를 ANOVA 분석으로 확인한 결과(신 뢰수준 95%), 장비운용 경과월수, 제한속도, 특정존 유무가 통계적으로 유의한 것으로 나타났다. 해당 결과 에 대해 dunnett 기법을 통한 사후비교를 통해 추세 유형 중 감소추세와 다른 두 추세 간 평균 차이가 통계적 으로 유의한 것을 확인하였다1).

<Table 6>에서는 ANOVA 분석을 통해 통계적으로 유의미하게 나온 변수들을 대상으로 각 시계열 추세 유 형별 평균을 살펴보았다. 무인교통단속장비의 장비운용 경과월수 변수의 경우, 증가추세의 장비들이 평균 25.7개월 운용되었으며, 횡보추세는 평균 51개월, 감소추세의 장비는 평균 71.3개월 운용되었다. 무인교통단 속장비가 설치된 구간의 제한속도 변수는 증가추세는 평균 56kph, 횡보추세는 평균 48kph, 감소추세는 평균 33kph로 나타났다. 마지막으로 특정존 여부의 경우, 증가추세의 10개의 단속장비 중 특정존에 설치된 장비는 2개소(20%)였고, 횡보추세는 14개 장비 중 5개소(38%)가 특정존에 설치되었으며, 감소추세는 14개소 중 9개 소(43%)가 특정존에 설치되어 있었다.

Ⅴ. 결 론

1. 결론 및 시사점

본 연구에서는 무인교통단속장비의 단속 건수에 대한 시계열 분석을 통해 형태에 따라 유형을 분류하고 추세 유형에 영향을 미칠만한 현장자료들을 구축하였다. 연구를 위해 전국 시도 경찰청별 단속 건수 최상위 5개소를 대상으로 2022년 1월 1일부터 2023년 12월 31일의 최근 2년간의 단속 건수 자료와 설치환경에 대한 자료를 활용하였다. 우선 선형그래프를 통해 이상치(일별 단속편차가 심하거나 특정 사유로 단속 건수가 없 는 날이 많은 경우)가 심한 자료는 제외하고 ARIMA를 통한 시계열 분석을 수행하였다. Ljungbox test에서 자 기상관성이 없는 추세유형 자료에 대해 장비 설치환경을 독립변수로 활용하여 추세에 영향을 주는 요인을 분석하였다.

연구결과, 무인교통단속장비의 단속 건수 자료 중 45개 장비에서 뚜렷한 시계열 추세가 있음을 통계적으 로 확인하였으며, 추세 유형은 증가, 감소, 횡보 3가지로 분류되었다. 무인교통단속장비의 설치 환경에 따른 9가지의 독립변수에 대해서 추세에 영향을 미칠만한 요인 도출하기 위해 ANOVA 분석을 실시한 결과, 장비 운용 경과월수, 제한속도, 특정존 유무가 신뢰수준 95%에서 유의한 것으로 나타났다. 장비운용 경과월수의 추세 유형별 평균은 증가추세가 25.7개월, 횡보추세가 51개월, 감소추세가 71.3개월이었으며, 제한속도의 유 형별 평균은 증가추세가 56kph, 횡보추세가 48kph, 감소추세가 33kph이고, 특정존 유무는 증가추세가 2개, 횡 보추세가 5개, 감소추세가 9개로 나타났다.

위 연구결과를 통해 단속 건수의 시계적 분석으로 3가지의 패턴을 도출하였고, 패턴에 영향을 주는 요인 들을 파악하였다. 해당 요인들을 분석하여 무인교통단속장비의 운용 효율성을 높일 뿐만 아니라 교통법규 위반 감소를 유도하고 교통안전 수준을 높일 수 있는 예방대책을 수립하는데 도움을 줄 것으로 기대된다.

2. 정책제언

본 연구 결과를 바탕으로 향후 무인교통단속장비 운영효율과 교통안전 강화를 위한 정책제언을 다음과 같이 하고자 한다.

첫째, 무인교통단속장비의 운용 측면이다. 장비운용 경과월수의 유형별 평균을 보았을 때, 설치 후 경과월 수가 증가할수록 단속 건수가 감소하는 추세가 나타났다. 설치기간이 오래될수록 장비의 위치를 운전자들이 인지하고 있기 때문에 상대적으로 안전하게 운전하는 것으로 볼 수 있다. 단속 효율성을 높이기 위해 무인교 통단속장비 중 5년 이상 장기간 운용중인 장비에 대해서는 교통사고 위험이 높거나 교통법규위반이 높은 지 역으로 이전하여 장비운용의 효용을 높일 필요가 있다.

둘째, 특정존(어린이보호구역, 노인보호구역, 장애인보호구역)에 대한 무인교통단속장비 확대이다. 시계열 유형에 영향을 주는 요인 중 특정존에 포함되어 있는 경우 단속 건수가 횡보하거나 감소하는 비중이 컸다. 또한, 감소추세의 평균 제한속도가 33kph인 점을 통해, 제한속도가 낮은 도로에 무인단속카메라를 설치할수 록 교통법규 위반에 대한 단속효과가 있다고 해석할 수 있다. 이는 제한속도가 높지 않은 특정존에서는 무인 교통단속장비에 따른 교통법규 준수가 비교적 양호하게 이루어지고 있음을 시사한다. 현재 어린이보호구역 의 경우 무인교통단속장비를 의무적으로 설치하고 있지만, 최근 도입된 양방향 무인단속장비가 설치된다면 (Kim at el., 2024) 특정존에서의 교통안전성이 더욱 향상 될 수 있을 것으로 기대된다.

셋째, 단속 건수가 증가추세인 지점에 대한 추가적인 안전조치이다. 무인교통단속장비가 설치되어 단속을 하고 있음에도 단속 건수가 증가하고 있는 지점의 경우 단속장비가 설치된 횡보 또는 감소추세의 지점보다 교통법규 위반으로 인해 교통사고가 발생할 개연성이 높다고 판단할 수 있다. 해당 지점들에 대해서는 지속 적인 모니터링과 무인교통단속장비 예고 입간판 추가 설치 등의 안전시설을 보강함으로써 단속 건수를 저하 시킬 노력이 필요하다.

3. 연구의 한계점 및 향후 연구방향

본 연구에는 다음과 같은 한계점이 존재한다. 먼저 분석대상이 다소 부족하다는 점이다. 전국 17개 지방경 찰청에서 운영하는 무인교통단속장비의 단속 건수 상위 5개 자료를 사용하였지만, 이상치 및 유의성이 낮은 자료를 제외하면 분석할 수 있는 자료가 적었다. 향후 더 많은 표본을 확보하여 시계열 패턴에 대한 분석을 추가적으로 실시할 필요가 있다. 또한, 시계열 유형에 영향을 주는 요인에 대해 분석하여 제시했지만, 그 영 향력이 얼마나 되는지 통계모형이나 머신러닝을 통해 크기를 분석해볼 필요가 있을 것으로 보인다. 연구 결 과에 따라 단속건수의 시계열 패턴을 3가지로 제시하였지만, 각 유형별 단속 건수 변화가 교통법규 준수와 어떤 관계가 있는지에 대한 논의를 하기 에는 제한적이었다. 향후 단속장비 설치 위치, 교통량 데이터 등을 활용하여 단속 건수가 증가하는 지역의 법규 위반율과 단속 효과에 대한 추가적인 분석도 필요하다. 마지막 으로, ARIMA 분석을 수행한 이후 Ljungbox test를 통해 85개 표본 중 40개의 표본에서 자기상관성이 높은 것으로 나타났다. 이는 시계열 패턴만으로는 단속 건수의 변화를 설명하기 어려운 요인이 있는 것으로 생각 되며, 향후 연구에서 다른 요인(공사기간, 주요 행사일정, 지역적 특수성 등)을 고려한 추가적인 연구가 필요 할 것으로 보인다.