Ⅰ. 서 론

국내 자율주행차량 시장은 2025년 약 3조 6,193억 원, 2030년 약 15조 3,404억 원, 2035년에는 약 26조 1,793억 원에 이를 것으로 전망되며, 연평균 약 41%에 달하는 높은 성장률을 기록할 것으로 예측된다. 이에 따라 국토교통부는 2022년 9월 ‘모빌리티 혁신 로드맵’을 통해 2027년까지 레벨 4 수준의 자율주행차 상용화 를 목표로 설정하고, 2035년까지 보급률을 50% 이상 확대하여 교통사고 사망자를 연간 1,000명 이하로 감축 하겠다는 계획을 제시한 바 있다.

이러한 목표 달성을 위해 전국 34개 지자체에서 자율주행 시범운행지구를 조성하고 실증 사업을 추진하 는 등 상용화를 위한 준비가 활발히 이루어지고 있다. 그러나 현재까지 국내 ODD(운행 설계 영역) 내 완전 자율주행차의 실제 사고 사례는 부재하며, 그에 따른 정형화된 시나리오나 Usecase 역시 충분히 구축되지 않 은 상황이다. 또한, 현행 교통사고 대응체계는 사고 발생 이후의 신고를 기반으로 한 사후처리에 집중되어 있어, 자율주행차의 안전성을 확보하기 위해 요구되는 ‘사고 이전’ 고위험 상황의 예측 및 사전 검지 관점이 미비한 실정이다. 또한 기존 정책 및 기술 보고서(Korea Research Institute for Human Settlements, 2017;Seoul Institute, 2023)에서도 자율주행차의 상용화에 따라 교통사고 감소가 기대되는 한편, 혼재 교통환경에서의 예 측 불가능한 돌발 상황 및 기술 미성숙으로 인한 오작동 가능성 등 사전 안전 확보의 어려움이 반복적으로 제기되어 왔다. 이에 따라 사고 이후의 원인 분석을 넘어서, 사고 이전 단계에서 고위험 상황을 조기에 식별 하고 대응할 수 있는 체계 마련의 필요성이 더욱 부각되고 있다.

그럼에도 불구하고 기존 연구들은 주로 자율주행차 ‘사고’ 자체에 초점을 맞추고 있으며(Favarò et al, 2018;Zheng et al, 2023), 분석에 활용되는 데이터 또한 한정적이기 때문에 사고 요인에 대한 다양한 관점에 서의 도출이 어렵다는 한계가 있다(Kim and Kim, 2023;Park et al, 2021). 자율주행 차량의 안정적인 상용화 를 위해서는 도입 초기 발생할 수 있는 혼란을 최소화하고, 교통안전을 선제적으로 확보할 수 있는 대응 방 안 마련이 필수적이며, 이를 위해서는 현재 수집 가능한 다양한 데이터를 융합·분석하는 노력이 필요하다.

이에 본 연구는 자율주행 차량 혼재 환경에서 고위험 상황을 사전에 검지할 수 있는 요인을 다각도로 도 출하고자 한다. 이를 위해 자율주행 관련 기존 문헌, 사고이력 및 사고 영상 데이터, 자율주행차량 주행 영상 데이터, 전문가 자문을 기반으로 1차 요인을 구성하고, 전문가 설문조사를 통해 요인의 중요도를 정량화하였 다. 나아가 도출된 정보를 융합하여 종합적 고위험 요인을 구성함으로써, 자율주행차 상용화 초기 단계에서 의 위험 예측 및 대응 기반을 마련하는 데 그 목적이 있다.

Ⅱ. 선행연구고찰

1. 자율주행차량 교통사고 요인 도출 관련 연구 동향

Favaro et al(2018)은 캘리포니아 DMV의 자율주행모드 해제 보고서를 분석하여 자율주행모드 해제의 원인 을 인적 요인, 시스템 실패, 외부 조건, 기타의 4가지 범주로 구분하였으며, 자율주행모드 해제 빈도와 주행 거리 간의 상관관계를 통계적으로 분석하였다. 이때 흐릿한 차선 표시, 과도한 보행자 교통량, 도로 잔해 등 이 자율주행모드 해제를 유발한다고 밝혔으며, 악천후 또한 주요한 요인으로 도출되었다.

Zheng et al(2023)은 캘리포니아 DMV, 미국 도로교통안전국, 뉴스 및 소셜 미디어에서 자율주행 차량 사고 데이터를 수집 및 구조화하였다. 데이터를 자동차 상태 정보, 사고 이전 상황, 도로 및 환경정보, 사고 결과 로 구조화하여 빈도분석을 수행한 결과, 흐린 날씨와 비, 눈, 도시지역 및 혼잡한 교차로에서 주로 자율주행 차량 사고가 발생하는 것을 확인하였다. ADS/ADAS의 소프트웨어 및 하드웨어 결함으로 인한 위험 인식 실 패 등 차량의 시스템과 관련된 요인 또한 주요한 사고 요인으로 도출하였다.

Kim and Kim(2023)은 캘리포니아 DMV의 자율주행 차량 사고 레포트를 활용하여 도심부 교차로에서 발 생하는 자율주행 차량 사고의 특성과 주요 요인을 분석하였다. 이때 구글 API를 활용하여 사고 지점의 기하 구조 데이터를 수집하여 노상주차장, 버스전용차로, 차로 수, 인접 버스 정류장 등의 요인을 추가로 고려하 였다. 분석 결과, 버스전용차로가 존재할 시 중상 이상 사고의 비율이, 차로 수가 많을수록 사고 심각도가 증 가한다는 것을 밝혔다.

Park et al.(2021)은 캘리포니아 DMV의 자율주행 차량 사고 레포트 내 서술된 사고 개요를 텍스트 임베딩 기법을 활용하여 분석하고, 주요 사고의 유형과 특징을 도출하였다. 주요 사고의 유형은 후미 추돌, 정지 중 추돌, 측면 추돌, 버스/트럭과의 추돌로 도출되었으며 특히 후미 추돌 및 측면 충돌에 대한 주요 요인은 가로 등의 조도, 교차로 등으로 확인되었다.

국내에서도 Korea Research Institute for Human Settlements(2017)은 자율주행차의 도입 초기에 기존 도로 인 프라 및 통신 체계의 불완전성, 센서 성능 저하, 인간 운전자와의 상호작용 실패가 사고의 주요 유발요인으 로 작용할 수 있음을 강조하며, 이에 따른 단계별 안전 인프라 전략을 제안한 바 있다. 하지만 이러한 보고 서들 또한 사고 발생 이후의 분석이나 인프라 대응 중심으로 구성되어 있어, 사고 이전 단계의 정량적 위험 요인 도출에 대한 실증적 분석은 미흡하다는 한계가 있다.

Korea Road Traffic Authority(2019)은 자율주행차의 안전한 도로 주행을 위해 필요한 운영체계와 교통인프 라 요소를 제시하고, 위험 상황을 대비하기 위한 시스템 기반의 대응 전략을 제안하였다. 특히 차량-도로 간 통신(V2I)을 통한 위험 정보 공유, 돌발상황 대응체계 마련 등 기술적 기반 구축을 강조하였다. 그러나 해당 연구는 운영체계 정립과 인프라 구축 중심의 접근으로, 실제 사고데이터를 활용한 고위험 요인 도출보다는 시스템 구성 및 기능 위주 분석에 국한된 측면이 있다.

2. 자율주행 차량 교통사고 발생 시 조사 필요 항목 관련 연구 동향

Kang et al(2023)는 UNECE 국제 기준 및 국내 자율주행 임시 운행 허가 차량의 사고보고서를 활용하여 자 율주행차 사고 및 위험 상황 분석을 위해 필요한 데이터 기록 조건 및 항목을 제시하여 사고 원인 규명 및 자율주행 시스템의 안전 성능 평가를 위한 방향성을 제시하였다. 저자는 자율주행 차량의 사고 조사를 위해 차량의 속도, 가속도 등의 동적 정보, ADS 작동 상태, 주변 환경, 운전자 개입 기록 등이 주요 항목으로 조사 되어야 한다고 주장했다. 특히 주변 환경정보는 자율주행 차량의 GPS 위치뿐만 아니라 주변 객체와의 상대 적 거리, 차선 정보나 제한 속도 등의 도로 상태 정보가 필요하다고 서술하였다.

Hyun et al.(2024)는 자율주행 차량의 사고 조사를 위해 국내 자동차 전용도로에서 발생한 사고보고서를 분석하여 DSSAD에 기록될 필수항목을 도출하였다. 이를 위해 사고보고서 내 텍스트 항목을 정제하고 토픽 모델링을 수행하였다. 분석 결과, DSSAD에 기록되어야 할 주요 항목은 사고 발생 맥락을 포괄적으로 설명 하는 데 중점을 두어야 한다고 주장하며, 도로 기하 데이터, 차량의 동적 정보, ADS 정보, 환경정보로 구분 하여 데이터를 기록하여야 한다고 밝혔다. 도로 기하 데이터는 곡선 반경, 차로 수, 교차로 유형이, 차량 동 적 정보에는 속도, 차간거리, 가속도 및 제동력이 기록되어야 하며, ADS 정보에는 ADS 작동 여부, 모드 전 환 시점, Fallback 수행 여부가, 환경정보에는 날씨 조건 및 노면 상태가 포함되어야 한다고 서술하였다.

Masello et al.(2022)은 기존 사고 조사 항목과 NHTSA 및 UNECE에서 제시하고 있는 자율주행 차량 사고 조사 항목을 비교하고, 문헌 검토를 통해 자율주행 차량 사고 조사 시 추가로 조사가 필요한 항목을 도출하 였다. 기존 사고 조사 항목과 비교 결과, ADS 정보와 도로 환경정보에 대한 추가적인 고려가 필요하다고 하 였으며, ADS 정보는 ADS 작동 상태, 시스템 고장 기록 등이, 도로 환경정보에는 도로 상태, 날씨 조건 등의 조사 항목이 필요하다고 주장했다.

또한 Seoul Institute(2023)은 도심 자율주행차의 무질서한 정차, 잦은 승하차 등으로 인한 신규 유형의 교통 사고 위험 발생 가능성을 지적하며, 도심 정차 관리 및 차량 이동 통제 체계의 필요성을 강조하였다. 이는 기존 사고 조사 항목 외에 행태 기반의 위험 요인까지도 사전적으로 고려되어야 함을 시사한다.

3. 자율주행 차량 교통사고 시나리오 관련 연구 동향

Lee et al.(2023)는 캘리포니아 DMV 자율주행 차량 사고보고서를 활용하여 사고의 연관규칙 분석을 수행 하고, PEGASUS 및 CETRAN 프로젝트를 참조하여 9개의 시나리오 요인을 선정 및 도출하였다. 사고의 연관 규칙 분석 결과, 맑은 날씨, 밝은 조명, 교차로, 차량 정지 또는 직진 상태일 경우 자율주행 차량의 교통사고 가 주로 발생함을 확인하였다. 이를 토대로 시나리오 구성 요인은 사고 형태, 날씨, 조명, 차량의 움직임, 도 로 상태 등으로 구성하여 자율주행 차량이 혼재할 시 도로에서 발생할 수 있는 위험 상황과 관련된 시나리 오를 개발하였다.

Lee et al.(2020)는 국내외 교통사고 데이터를 활용하여 기계학습 기반의 위험 시나리오 생성 방법론을 제 안하였다. 이를 위해 의사결정트리, 랜덤 포레스트 모형 등 기계학습 알고리즘을 기반으로 사고데이터를 분 석하여 위험 시나리오 요인을 분석하였다. 분석 결과, 환경 요인, 차량 요인, 인프라 요인으로 구분할 수 있 으며 환경 요인으로는 날씨, 조명, 도로 상태 등이, 차량 요인으로는 차량의 속도, 상대적 위치, 방향의 변화 등이 주요한 요인으로 도출되었다. 인프라 요인으로는 교차로 및 신호등 상태가 시나리오의 요인으로 포함 되어야 한다는 결론이 도출되었다.

Lee(2022)는 PEGASUS 프로젝트의 프레임워크를 기반으로 자율주행 차량 혼재 시 위험 상황과 관련된 시 나리오를 개발하였다. 이때 대만의 사고 영상데이터에 Vision Transformer 기법을 적용하여 Attention Map을 통해 주요 사고 취약 상황에서 추가로 고려하여야 할 변수를 분석하였다. 분석 결과, 기존 도로 구조, 환경 요소 등의 변수 외에 TTC(Time To Collision) 변수가 시나리오 구성 시 추가로 고려되어야 할 요소로 도출되 었다.

Oh et al.(2024)는 자율주행 차량의 인지 오류로 인해 발생할 수 있는 위험 상황을 분석하고, 이와 관련된 시나리오를 도출하였다. 이를 위해 캘리포니아 DMV의 자율주행 차량 사고 레포트와 자율주행모드 해제 보 고서를 분석하여 인지 오류의 유형을 도출하였다. 분석 결과, 인지 오류의 원인은 센서 범위를 벗어난 물체, 시야 차단, 센서 장애의 세 경우로 도출되었으며, 논문에서는 해당 결과를 반영하여 차대차, 차대 사람, 차대 자전거, 차량 단독 사고 시나리오를 각각 도출하였다.

Korea Transportation Safety Authority(2023)은 도심 도로에서의 자율협력 주행 실현을 위해, 위험 상황 발생 가능성이 높은 환경 조건과 인프라 요소를 식별하고 이를 반영한 시나리오 기반 안전성 평가 체계를 제시하 였다. 보고서에서는 도심의 차로 수, 교차로 형태, 정차 공간 등 도로 구조 요소들이 자율주행의 위험도에 미 치는 영향을 분석하였다. 다만, 해당 연구는 실제 사고 발생 데이터를 기반으로 하지 않았기 때문에 실증 기 반의 시나리오 구성에는 한계가 존재하며, 위험 상황의 빈도나 심각도에 대한 정량적 분석은 미흡하였다.

또한 Korea Transportation Safety Authority(2017)은 자율주행차 안전성 평가기술 개발 및 실도로 시험 연구 를 통해, 시나리오 기반 시험환경 설계와 다양한 주행 조건에서의 반응 분석을 수행하였다. 이 연구는 실제 도로 주행 테스트를 바탕으로 한 다양한 사고 가능성 평가 절차를 제안한 점에서 의의가 있다. 하지만 분석 대상이 설계된 시험 조건에 한정되며, 자율주행 차량의 사고 발생 조건을 적용하여 시나리오화하는 데에는 제약이 있다.

4. 연구 차별성

선행 연구를 통해 자율주행차 사고는 일반차량과 달리 사고 당시의 환경 조건(날씨, 조도, 도로 기하 등) 과 시스템 관련 요인(ADS 작동 여부, Fallback 여부 등)이 중요한 영향을 미친다는 사실이 다수 확인되었다. 이에 따라 사고 조사 항목 또한 기존 교통사고 항목 외에 시스템 정보가 반드시 포함되어야 한다는 공통된 결론이 도출되었다.

하지만 대부분의 기존 연구는 캘리포니아 DMV의 사고보고서 또는 자율주행상태 해제 보고서를 활용하여 사고가 발생한 이후의 원인 분석에 집중하고 있으며, 사고 발생 이전 단계의 고위험 상황 인지 또는 예측에 관한 연구는 상대적으로 미흡한 실정이다.

이에 본 연구는 자율주행 차량이 도로에 혼재되는 상황을 가정하고, 사고 발생 이전 단계의 고위험 상황 을 검지하는 데 필요한 요인들을 도출하는 데 초점을 맞추고자 한다. 이를 위해 다양한 출처(문헌, 사고 영 상, 사고 이력 데이터 등)에서 수집할 수 있는 데이터를 최대한 확보하여 종합 분석을 수행하였고, AHP 기반 전문가 설문조사 기법을 활용하여 이질적인 데이터 간의 고위험 요인을 통합적으로 도출하였다. 본 연구는 기존 연구들과 달리, 현재 수집할 수 있는 자율주행 안전과 관련된 데이터와 전문가의 의견을 최대한 수집하 고 분석하여, 단일 데이터로는 포착하지 못하는 혼재 시 고위험 요인을 파악하고 통합 분석한다는 점, 자율 주행차 사고 대응에서 사후 분석이 아닌 사전 위험 인지를 위한 데이터 기반 접근이라는 점에서 차별성을 가진다.

Ⅲ. 방법론

1. 분석의 흐름

본 연구의 분석 절차는 <Fig. 1>과 같이 크게 두 단계로 구성된다. 1단계에서는 수집 가능한 자율주행 안 전 관련 데이터를 분석하여 고위험 요인을 도출하고, 이를 레이어별로 분류한다. 이때 레이어는 PEGASUS 프로젝트의 6-Layer를 기반으로 하며, 도로 시설, 가변‧임시 시설, 교통류 특성, 환경 변수, 이동 객체, 디지털 의 여섯 가지로 구분된다.

<Fig. 1>

Overall Research Flow

본 연구는 자율주행 혼재 상황에서 발생할 수 있는 고위험 상황을 다양한 측면에서 고려하기 위하여, 자 율주행 안전과 관련된 데이터를 수집 및 분석하였다. 분석에 활용한 데이터는 ① 기존 문헌, ② 실제 사고 이력 데이터, ③ 사고 영상데이터, ④ 자율주행 차량 주행 영상데이터, ⑤ 전문가 자문의 다섯 가지이다. 먼 저 기존 문헌 검토를 통해 전반적인 고위험 요인을 파악하고, 실제 발생한 자율주행 차량과 일반차량의 사고 이력과 사고 영상데이터를 통해 현실에서 사고를 유발한 요인들을 확인하였다. 이를 통해 사고와 관련된 요 인의 발생 가능성과 중요도를 체계적으로 분석하고, 이후 계층분석법(AHP)을 통한 정량적 평가를 위한 기초 데이터를 확보하고자 하였다(Choi et al, 2016;Jo et al, 2016). 또한, 사고데이터 외에 자율주행 차량 주행 시 잠재적인 위험 요소를 파악하기 위해 Waymo사의 자율주행 차량 주행 영상을 수집 및 분석하였다. 그러나 현재 Lv. 4 자율주행 차량이 상용화되지 않았기 때문에 디지털 및 통신 등 시스템 관련 구체적인 요인 파악 에는 한계가 존재한다. 이에 따라 전문가 자문을 통해 해당 영역의 보완적 요인을 추가로 도출하였다.

1단계를 통해 다양한 데이터를 분석하여 자율주행 혼재 시 고위험 요인이 될 수 있는 후보들을 도출하였 다. 그러나 고위험 요인 도출 시 일관적인 데이터와 방법론에 기반한 것이 아니므로, 요인 간 정량적인 중요 도 비교가 필요하다. 2단계에서는 1단계에서 도출된 고위험 요인들의 상대적 중요도를 확인하고 이를 비교‧ 분석하기 위해 전문가 설문조사(AHP) 기법을 적용하였다. 이를 통해 레이어 간 상대적 중요도와 각 레이어 내 고위험 요인 간의 중요도를 비교하고, 최종적으로 고려해야 할 고위험 요인을 도출하였다.

2. 메타분석 방법론

메타분석(Meta-analysis)은 개별 연구에서 보고된 결과들을 통계적으로 통합하여 특정 변수의 효과성이나 경향성을 종합적으로 판단하는 기법이다. 분석은 데이터 유형에 따라 두 가지 방식으로 수행하였다. 첫째, 이항형 메타분석(Binary meta-analysis)은 각 연구에서 특정 고위험 요인의 존재 여부에 따른 사고 발생 빈도 를 기반으로 위험비(Risk Ratio, RR)를 산출하는 방식이다(Choi et al., 2016;Hu et al., 2024). 위험비는 다음과 같이 정의된다:

여기서 a, b, c, d는 요인의 존재 여부와 사고 발생 여부에 따른 빈도를 의미하며, 로그 변환된 RR의 표준 오차(Standard Error)는 다음과 같이 계산된다.

둘째, 효과 크기 메타분석(Effect size meta-analysis)은 각 연구의 영향력(예: 인용 수, 게재 학술지 영향력 등)을 고려하여 표준화된 효과 크기(Effect Size, ES)를 산출하고, 연구 별 가중치를 적용하여 전체 평균 효과 크기를 도출하는 방식이다(Zhang et al., 2021). 전체 효과 크기는 다음과 같이 계산된다:

두 분석 모두 연구 간 이질성을 고려하기 위해 랜덤효과모형(Random Effects Model)을 적용하였다. 이를 통해 특정 연구에 과도하게 의존하지 않고, 다양한 조건에서의 고위험 요인의 효과를 종합적으로 추정할 수 있도록 하였다(Hu et al, 2024).

3. AHP (Analytic Hierarchy Process) 방법론

AHP(Analytic Hierarchy Process)는 다기준 의사결정을 위한 대표적인 기법으로, 복수의 기준 및 대안 간 쌍 대비교를 통해 상대적 중요도를 정량화할 수 있다. 본 연구에서는 도출된 고위험 요인들의 상대적 중요도를 평가하고, 예측 모형의 입력변수로서의 우선순위를 도출하기 위해 AHP를 적용하였다. AHP는 구조적 비교가 가능하고 전문가 판단을 정량화할 수 있다는 점에서, 교통안전 및 자율주행 위험 분석 분야에서도 널리 활용 되어 왔다(Liberatore and Nydick, 2008;Ho, 2008).

AHP 분석 절차는 다음과 같다. 우선, 고위험 요인 또는 레이어 간의 쌍대비교행렬을 구성한 후, 각 요소 간의 상대적 중요도를 1~9점 척도로 평가한다. 이후 고윳값 분석을 통해 가중치 벡터를 도출하며, 일관성 검 정을 통해 판단의 정합성을 평가한다. 일관성 지수(CI)와 일관성 비율(CR)은 다음의 수식을 통해 정의된다:

여기서 λ_max 는 비교 행렬의 최대 고윳값, n은 행렬의 차원, RI는 무작위 지수(Random Index)를 의미한다. 일반적으로 CR이 0.1 또는 0.15 미만일 경우 수용 가능한 일관성으로 간주한다. 본 연구에서는 분석의 논리 적 정합성과 신뢰성을 확보하기 위해 CR이 허용 기준을 초과한 응답은 집계에서 제외하였다.

최종 가중치는 유효 응답에 대해 산술평균(arithmetic mean)을 적용하여 산출하였으며, 이는 분석의 단순성 과 해석의 용이성, 그리고 기존 AHP 기반 교통안전 연구에서의 보편적 활용성을 고려한 결과이다(Ishizaka and Labib, 2011).

한편, 본 연구에서는 2단계 계층 구조(레이어 간 비교 및 각 레이어 내 요인 간 비교)를 기반으로 총 14명 의 전문가를 대상으로 AHP 설문을 실시하였으며, 모든 응답 결과는 합산 후 총합이 1.0이 되도록 정규화하 여 최종 가중치를 도출하였다.

Ⅳ. 데이터 수집

1. 수집 데이터 별 자율주행 혼재 시 위험 요인 도출

1) 기존 문헌 분석을 통한 고위험 요인 도출

국외 자율주행 관련 데이터(사고 및 궤적 데이터)를 기반으로 한 분석이나 국내외 시뮬레이션 기반 분석 은 활발히 진행되고 있다. 본 연구에서는 기존 논문에서 도출한 연구 결과를 자율주행 차량의 ‘위험 요인’으 로 간주하고, 이를 종합적으로 분석하여 혼재 환경에서의 고위험 상황 판단을 위한 요인을 도출하였다. 특 히, 데이터 수집이 어렵거나 기존에 없는 새로운 관점을 분석할 때 효과적인 메타분석 방법론을 적용하여 정 량적으로 고위험 요인을 도출하였다(Choi et al, 2016;Jo et al, 2016). 분석 절차는 1) 데이터 수집, 2) 데이터 처리, 3) 데이터 형태에 따른 메타분석 수행 및 고위험 요인 도출의 3단계로 구성된다.

데이터 수집 단계에서는 자율주행 차량의 안전 및 고위험 요인과 관련된 키워드(사고 요인, 시나리오, 예 측 모델, 법규)를 설정하고, 이를 바탕으로 국내외 문헌을 체계적으로 검토하여 관련 문헌을 선정하였다. 설 정한 키워드를 중심으로 총 85개의 문헌을 수집하였으며, 메타분석 활용 가능성을 검토한 후 최종적으로 58 개의 문헌(사고 요인 18건, 시나리오 6건, 예측 모델 30건, 법규 4건)을 분석 대상으로 선정하였다.

데이터 처리 단계에서는 선정된 문헌을 고찰하고, 자율주행 차량과 관련된 고위험 요인의 유무를 데이터 베이스화하였다. 또한, 각 문헌의 영향 지수(Impact Factor)와 인용 수를 조사하여 메타분석 수행을 위한 데이 터베이스를 최종 구축하였다.

이후 자율주행 차량 고위험 요인의 유무(0, 1)에 따른 이항형 메타분석과, 문헌의 영향 지수를 통해 보정 한 값을 기반으로 하는 효과 크기 메타분석을 각각 수행하였다. 자율주행 차량의 고위험 요인이 특정 정량적 수치로 제시되지 않았기 때문에, 종속변수를 설정하지 않고 독립 변수 간 관계를 중심으로 분석을 진행하 였다.

이항형 메타분석에서는 각 문헌에서 특정 요인의 발생 여부를 기준으로 빈도 비율을 산출하고, 향후 해당 요인의 발생 가능성이 높은지를 판단하며 신뢰구간도 함께 제시한다. 본 연구에서는 발생확률 지표로 상대 위험도(Risk Ratio)를 사용하였다. 분석 결과, <Table 1>과 같이 가감속도, 교차로, 후미 추돌, 안개, 비, 차간 간격, 차로 수가 고위험 요인으로 도출되었다.

한편, 효과 크기 기반 메타분석은 이산형이 아닌 연속형 변수의 상대적 크기를 비교하여 영향력이 높은 요인을 선별하는 방법이다. 대표적인 방법으로 각 집단 간의 평균 차를 계산하는 방식이 있으며, 본 연구에 서는 각 문헌의 영향 정도를 반영하기 위해 해당 문헌이 등재된 저널의 영향 지수를 가중치로 설정하고, 각 요인의 효과 크기를 연속형 변수로 변환하여 분석하였다. 그 결과, <Table 2>와 같이 가감속도, 안개, 비, 교 차로, 차로 수, 후미 추돌, 차간간격, 보행자 충돌이 고위험 요인으로 선정되었다.

2) 사고이력 데이터를 통한 고위험 요인 도출

자율주행 차량이 혼재된 환경에서 고위험 상황을 판단 및 예측하기 위해서는, 우선적으로 사고와 관련된 요인을 도출할 필요가 있다. 고위험 상황이 해소되지 않을 경우 사고로 이어질 수 있으며, 이는 해당 도로 구간에서 실질적인 피해가 발생하였음을 의미한다. 따라서 본 연구에서는 일반차량과 자율주행 차량의 사고 이력 데이터를 분석하여 사고의 심각도와 발생 빈도를 기준으로 고위험 요인을 도출하였다. 분석 절차는 1) 데이터 수집, 2) 데이터 처리, 3) 고위험 요인 도출의 3단계로 구성된다.

데이터 수집 단계에서는 경찰청의 일반차량 사고이력 데이터(2019–2023년, 1,037,516건)와 캘리포니아 DMV의 자율주행차 사고이력 데이터(2019–2024년, 332건)를 확보하였다. 각 데이터에서 사고 일시, 장소, 개 요, 날씨, 노면 상태, 심각도 항목을 추출하여 분석에 활용하였다.

데이터 처리 단계에서는 각 항목의 부상자 수와 사고 빈도수를 기반으로 고위험 요인을 도출할 수 있는 지표인 (1) 사고 빈도, (2) 부상자 수 비율 지표를 가공하였다. 사고 빈도는 특정 항목에 해당하는 사고 발생 횟수를 의미하며, 부상자수비율은 수식 (5)와 같이 중상 이상의 사고 비율을 나타낸다. 국내 사고이력 데이터 에서는 ‘사망’과 ‘중상’을, 자율주행차 사고이력에서는 ‘부상’ 이상으로 분류된 사례를 기준으로 집계하였다.

고위험 요인 도출 단계에서는 두 지표(사고 빈도, 부상자수비율)의 값이 모두 3사분위수(75%) 이상인 항목 을 고위험 요인으로 우선 간주하였으며, 데이터 표본이 부족한 경우에는 중앙값(50%) 이상을 보조 기준으로 고려하였다(<Fig. 2>). 3사분위수는 분포의 대푯값으로 활용되고 있는 평균과 표준편차에 비해 이상치의 영 향이 덜하며, 데이터의 전반적인 상위 분포를 요약하는 데 이상적이므로, 전통적으로 특정 임계값을 기준으 로 분포를 구분할 때 3사분위수를 활용해 왔다. 따라서 본 연구에서는 고위험 요인 선정의 기준값으로 3사분 위수 값을 활용하였다.

<Fig. 2>

Identification of High-Risk Factors Based on Accident Data

경찰청 일반차량 사고이력 데이터 분석 결과, 각 사고 조사 항목 별 사고 빈도 지표를 복합적으로 활용하 여 일반차량 사고데이터 기반 고위험 요인을 와 같이 도출하였다. 레이어 1, 4, 5에 해당하는 11개의 고위험 항목이 도출되었다. 레이어 1(도로시설)의 고위험 요인은 지하차도(도로) 내, 교차로, 공작물이며, 레이어 4 (환경 변수)의 고위험 요인은 흐림, 비, 젖음/습기로 도출되었다. 레이어 5(이동 객체)의 고위험 요인은 보행 자, 화물차, 이륜차, 중앙선 침범, 신호 위반으로 드러났다.

한편, 캘리포니아 DMV의 자율차량 사고이력 데이터를 활용하여 고위험 요인을 도출 결과 단위 레이어 1, 4, 5에 해당하는 19개의 고위험 항목이 도출되었다. 레이어 1(도로시설)의 고위험 요인은 램프 진입/진출로, 교차로, 공작물이며, 레이어 4(환경 변수)의 고위험 요인은 야간 시간대, 흐림, 맑음, 건조로 도출되었다. 레이 어 5(이동 객체)의 고위험 요인은 차로 변경, 급정지, 우회전, 좌회전, 직진, 화물차, 승용차, 승합차, 자전거, 도로 위 정차, 운전자 부주의로 도출되었다.

일반차량 사고이력 기반 요인과 비교할 때, 자율주행차 사고에서는 이동 객체에 대한 고위험 요인이 더욱 다양하게 도출되었다. 특히, 운전자의 휴대전화 사용 등 부주의는 향후 운전 주체가 사람에서 차량으로 전환 되는 자율주행 환경에서 매우 중요한 고려 요소로 볼 수 있다.

3) 사고 영상데이터를 통한 고위험 요인 도출

국내 경찰청 또는 국외 사고이력 데이터를 통해서 사고와 관련된 기본 정보를 얻을 수 있으나, 해당 자료 는 정형화된 정보로, 실제 사고 현장과 비교하였을 때 정보의 손실이 필연적이다. 따라서 본 연구에서는 인 터넷에 게시된 일반차량 및 자율주행 차량의 사고 영상을 데이터베이스화하고, 분석하여 기존 사고데이터의 정형화된 항목 외에 추가적인 고위험 요인을 도출하고자 한다. 분석 절차는 1) 데이터 수집, 2) 데이터 처리, 3) 고위험 요인 도출의 3단계로 구성된다.

데이터 수집 단계에서는 일반차량의 사고 영상 데이터(10,030건)과 자율주행 차량의 사고 영상데이터(65 건)를 수집하여, 해당 사고에 관해 설명하고 있는 음성 및 영상 제목, 설명, 자막을 웹크롤링 기법을 활용하 여 텍스트 형태로 수집하였다.

데이터 처리 단계에서는 수집한 텍스트 데이터를 바탕으로 선형 구분, 종단 경사, 차선, 도로 형태, 보호구 역 여부 등 총 24개 항목의 데이터베이스를 구축하였다. 이 중 본 연구에서는 데이터 표본의 한계로 인해 도 로 선형, 도로 형태, 도로 종류, 도로 환경, 사고 유형, 주야, 도로교통법 위반 항목, 사고 직전 차량 조작, 날 씨, 자율차 이상 상황의 항목만을 고위험 요인 도출에 활용하였다. 이후 사고이력 데이터와 동일하게 사고 빈도와 부상자수비율을 산출하였다.

일반차량 사고 영상데이터 분석 결과, 레이어 1, 2, 4, 5에 해당하는 12개의 고위험 항목이 도출되었다. 레 이어 1(도로시설)의 고위험 요인은 교차로, 레이어 2(가변/임시시설)의 고위험 요인은 버스전용차로, 레이어 4(환경 변수)의 고위험 요인은 주간 시간대임이 확인되었다. 또한 레이어 5(이동 객체)의 고위험 요인은 급정 지, 직진, 보행자, 승용차, 승합차, 이륜차, 중앙선 침범, 신호 위반, 운전자 부주의로 도출되었다.

자율주행 차량 사고 영상데이터 분석 결과, 레이어 1, 3, 4, 5, 6에 해당하는 9개의 고위험 항목이 도출되었 다. 레이어 1(도로시설)의 고위험 요인은 단일로, 공작물이, 레이어 3(교통류 특성)의 고위험 요인은 긴급차 량, 레이어 4(환경 변수)의 고위험 요인은 야간 시간대, 맑음의 요인이 도출되었다. 또한 레이어 5(이동 객체) 의 고위험 요인은 급정지, 직진, 음주 운전, 레이어 6(디지털)의 고위험 요인으로는 인지 오류가 확인되었다. 이는 센서와 장치에 의존하여 의사결정을 하는 자율주행 상황에서, 인지 오류와 판단 오류와 같은 디지털 항 목들에 대한 충분한 고려가 필요함을 시사한다.

4) 자율주행 차량 주행 영상데이터를 통한 고위험 요인 도출

기존 사고데이터 기반의 분석 외에도, 본 연구에서는 자율주행 차량 혼재 환경에서의 고위험 요인을 추가 로 도출하기 위해, <Fig. 3>과 같이 Waymo사의 자율주행 차량 주행 영상데이터를 분석하였다(Kim et al., 2025). 분석에는 Waymo사의 자율주행 차량 주행 영상데이터와 캘리포니아주 차량관리국(DMV)의 사고보고 서가 활용되었다. 분석의 흐름은 1) 데이터 수집 및 생성형 AI 기반 자율차 사고리포트 내 텍스트 추출, 2) 자율차 사고리포트 내 주요 고위험 요인 도출, 3) Waymo 주행 영상 데이터 이미지 캡션이, 4) BERT 모델을 활용한 고위험 상황 분류 및 고위험 요인 도출로 구성된다. 자율주행 영상 데이터 분석 결과, 레이어 1, 4, 5 에 해당하는 10개의 고위험 요인이 도출되었다. 레이어 1(도로시설)의 고위험 요인은 교차로, 고속도로가, 레 이어 4(환경 변수)의 고위험 요인은 야간 시간대, 주간 시간대, 맑음으로 도출되었으며 레이어 5(이동 객체) 의 고위험 요인으로는 보행자, 자전거, 도로 위 주차, 도로 위 정차 항목이 도출되었다.

<Fig. 3>

Process of Identifying High-Risk Factors Based on Autonomous Vehicle Driving Video Analysis (Kim et al, 2025)

5) 전문가 자문을 통한 고위험 요인 도출

문헌 및 데이터 등을 통해 파악되지 않는 관련 전문가들의 경험적 측면을 고려할 경우 발생할 수 있는 추 가 요인을 고려하기 위해, 본 연구에서는 자율주행 차량 혼재 환경에서 고위험 요인을 도출하기 위한 방법 중 하나로 자율주행 안전 연구를 수행하였던 국내 전문가들의 자문을 통해 추가적인 고위험 요인을 도출하 였다.

자문은 국내 전문가들을 초청하여 세미나 형식으로 진행되었으며, 세미나의 주제 및 고위험 요인은 <Table 3>과 같다. 다양한 연구기관들의 전문가 7인을 대상으로 진행한 세미나 결과 향후 자율주행 차량 혼 재 시 고위험 요인을 식별하기 위해 고려해야 하는 주요 요인들은 총 34가지 항목으로 도출되었다.

2. 수집 데이터별 고위험 요인 종합 및 레이어 별 분류

문헌 조사, 사고 및 주행 영상데이터 분석, 전문가 자문을 통해 도출된 고위험 요인은 총 54개 항목으로 집계되었다. 본 연구에서는 이들 요인을 ‘도로 시설, 가변/임시시설, 교통류 특성, 환경 변수, 이동 객체, 디지 털’의 6개 레이어 기준으로 분류하였다. 분류 결과로 도로 시설 11개, 가변/임시시설 5개, 교통류 특성 4개, 환경 변수 8개, 이동 객체 19개, 디지털 7개의 고위험 요인이 도출되었다. 분량상의 이유로 고위험 요인을 6 개 레이어 체계에 따라 정리한 최종 분류 결과는 부록에 제시하였다.

이때, 6개 레이어 체계는 독일의 PEGASUS 프로젝트 (Project for the Establishment of Generally Accepted quality criteria, tools and methods as well as Scenarios and Situations)에서 6-layer 체계를 바탕으로, 혼재 시 고 위험 요인을 설명하기 위해 <Table 4>와 같이 수정하여 연구에 활용하였다.

집계 결과, 이질적 데이터를 분석함으로써, 단일 데이터 소스로는 식별이 어려운 고위험 요인을 다각도로 포착할 수 있었다. 일부 고위험 요인은 특정 데이터에서만 도출되었으며, 이를 통해 다양한 환경 및 상황에 서 발생할 수 있는 위험 요소를 포괄적으로 반영할 수 있었다.

예를 들어, ‘hacking’이나 ‘cyber attack', ‘DDT fallback'과 같은 디지털 기반 요인은 문헌 고찰, 사고 이력, 사고 영상 등 기존 데이터에서는 포착되지 않았으나, 전문가 세미나를 통해 자율주행 환경에서 반드시 고려 되어야 할 잠재적 고위험 요인으로 도출되었다. 이는 고도화된 자율주행 시스템에서의 소프트웨어 오류나 외부 통신 위협이 실제 사고 유발요인으로 작용할 수 있다는 점을 시사한다. 또한 ‘Dilemma zone'은 자율차 와 일반차 간 주행행태의 차이에서 발생할 수 있는 고위험 상황임에도, 사고데이터나 영상에서는 직접적으 로 드러나지 않았으며, 전문가 설문을 통해 혼재 환경에서 특수하게 발생할 수 있는 교차로 위험 상황으로 식별되었다. 'Cloudy'와 같은 환경 변수는 자율차 사고이력, 일반차 사고이력, 전문가 세미나 등 다양한 소스 에서 공통적으로 나타났으나, 'Nighttime'은 특히 자율주행 차량의 사고 이력과 사고 영상, 주행 영상에서 반 복적으로 확인되어 시야 감소 조건에서 자율주행 시스템의 성능 저하 가능성을 뒷받침함을 확인할 수 있다.

Ⅴ. 분석결과

1. 전문가 설문조사(AHP) 분석 수행 및 최종 고위험 요인 도출

AHP 분석은 해결하고자 하는 최종 목표를 정의하고, 이를 기준, 하위 기준, 대안으로 계층화하여 목표 달 성을 위해 고려해야 할 요인들의 상대적 중요도를 파악할 수 있는 방법론이다(Liberatore and Nydick, 2008). 본 연구에서는 자율주행 차량 혼재 시 고위험 상황을 판단하기 위해 현재까지 도출된 데이터 계층과 계층 내 고위험 요인의 중요도를 산출할 수 있는 전문가 설문조사(AHP) 분석을 수행하였다. 이 방법을 통해 정성 적 정보로 제시되던 고위험 요인의 상대적 중요도를 정량화하고, 의사결정 과정을 수학적 모델로 전환함으 로써 분석의 신뢰성을 확보할 수 있다(Kang et al., 2024). 분석은 3단계로 진행되며, 1) 모델 정의, 2) 가중치 (중요도) 계산 및 우선순위 결정, 3) 최종 고위험 요인 선정으로 구성된다.

1) 모델 정의

본 연구를 위해 설계된 AHP 모형은 ‘자율주행 차량 혼재 시 고위험 상황 주요 요인 도출’을 목표로, 제1 계층인 레이어(데이터 계층)과 제2계층인 레이어 내 구성요소(고위험 요인)로 이루어져 있다. <Fig. 4>와 같 이 제1계층은 자율주행 차량 혼재 시 고위험 상황을 설정하기 위해 특징별로 구분한 데이터 계층(Layer)으 로, 제2계층은 데이터 계층별 자율주행 차량 혼재 시 고위험 상황을 판단하기 위한 구성요소로 설계하였다. 이때, 도출된 요인들 간 유사한 의미를 가지거나 포함관계에 있는 요인들을 통합하고, ‘맑음’ 등 고위험 상황 이 발생할 확률이 매우 낮은 일반적인 상황과 관련된 고위험 요인은 제거하였다. AHP 분석을 위해 최종적으 로 활용된 고위험 요인은 <Table 5>와 같다.

<Fig. 4>

Hierarchical Structure for AHP Analysis

2) 가중치(중요도) 계산 및 우선순위 결정

자율주행 안전 분야의 전문가(교수 9명, 연구직 5명) 총 14인을 대상으로 AHP 설문조사를 실시하였다. 각 계층 및 구성요소 간의 상대적 중요도를 평가하기 위해 1부터 9까지의 척도를 활용한 쌍대 비교 방식으로 조사를 진행하였다. 응답을 바탕으로 쌍대 비교 행렬을 구성하고, 고윳값(eigenvalue) 및 고유벡터(eigenvector) 를 이용하여 각 요인의 가중치를 산출하였다. 또한, 설문 응답의 일관성을 확인하기 위해 일관성 비율 (Consistency Ratio, CR)을 계산하였으며, CR 값이 0.1 이하인 경우 응답 결과의 신뢰성을 확보한 것으로 판단 하였다. 본 연구에서는 모든 응답의 일관성 비율이 기준 이하로 나타나 신뢰성 있는 결과임을 확인하였다.

제1계층 가중치 분석 결과는 <Table 6>에 제시되어 있으며, 이동 객체, 디지털, 교통류 특성, 환경 변수 레 이어가 고위험 상황 판단에서 상대적으로 더 중요한 것으로 평가되었다. 이동 객체 레이어의 가중치가 0.2437로 가장 높았고, 도로 시설 레이어는 0.0643으로 가장 낮은 가중치를 보여 약 4배의 중요도 차이를 나 타냈다.

<Table 6>

AHP Results Between Layers (Hierarchy 1)

Layer		Importance
5	Moving Objects	0.2437
6	Digital Factors	0.2246
3	Traffic Flow Characteristics	0.1889
4	Environmental Variables	0.1870
2	Variable/Temporary Facilities	0.0915
1	Road Infrastructure	0.0643

제 2계층 가중치 분석 결과는 <Table 7>과 같다. 도로 시설 레이어 내 고위험 요인 간 가중치 분석 결과, 교차로와 회전교차로의 가중치가 각각 0.2798, 0.1957로 가장 높았으며 고속도로의 가중치가 0.0486으로 가장 낮은 것으로 확인된다. 가중치 비교 결과, 교차로의 상대적 중요도는 고속도로의 약 6배 이상임을 알 수 있다.

가변, 임시시설 레이어 내 고위험 요인 간 가중치 분석 결과, 도로 위 장애물, 공사 구간, 가변차로의 가중 치가 각 0.2 이상으로 높은 중요도를 가지는 것을 확인하였다. 반면 버스전용차로의 경우, 0.0895의 낮은 가 중치를 보여 가변, 임시시설 레이어 내의 상대적 중요도가 낮은 것을 알 수 있다.

교통류 특성 레이어 내 고위험 요인 간 가중치 분석 결과 상충 레이어의 가중치가 0.2979로 가장 높았으 며, 그 다음으로는 사고 다발 구간, 딜레마존, Stop and Go 현상, 병목구간 순으로 높은 가중치를 보이며, 차 종 비율의 가중치는 0.0908로 가장 낮은 수치를 보인다. 차종 비율의 경우, 상충 요인에 비해 상대적으로 절 반 정도의 중요도를 나타내는 것을 확인할 수 있다.

환경 변수 레이어 내 고위험 요인 간 가중치 분석 결과, 강설, 젖음/습기, 강우, 야간 시간대 순으로 높은 가중치를 보이며, 안개 요인의 가중치가 0.0599로 가장 낮은 값을 가지는 것을 확인하였다. 강설 요인의 경 우, 비슷한 특징을 가지는 강우 요인보다 약 1.5배의 가중치를 가지는 것으로 보이며 이는 강우 요인에 대한 강설 요인의 상대적 중요도가 약 1.5배라는 것을 의미한다.

이동 객체 레이어 내 고위험 요인 간 가중치 분석 결과 화물차 레이어의 가중치가 0.1845로 가장 높았으 며, 그 다음으로는 보행자, 신호위반, 급정지, 차로변경, 차간간격, 중앙선 침범, 회전 순으로 높은 가중치를 보이며, 도로 위 주정차의 가중치는 0.0401로 가장 낮은 수치를 보인다.

디지털 레이어 내 고위험 요인 간 가중치 분석 결과, 판단 오류, 인지 오류, 제어 오류, Cyber attack, DDT Fallback 순으로 높은 가중치를 가지는 것을 확인하였으며, 차량 내/외부 통신의 경우 0.1047의 낮은 중요도 를 가지는 결과가 도출되었다.

이러한 분석 결과는 자율주행차의 사고 예방 및 고위험 상황의 사전 인지를 위한 시스템 설계에서 어떤 유형의 위험이 더 정밀하게 감지·예측되어야 하는지에 대한 우선순위 정보를 제공할 수 있다. 특히 제1계층 결과에서 확인된 바와 같이, 이동 객체(Moving Object)와 디지털(Digital Factors)의 중요도가 도로 시설이나 가 변·임시시설보다 훨씬 높은 것은, 자율주행차의 위험은 정적인 물리적 인프라보다는 동적인 객체와의 상호 작용, 그리고 내부 시스템의 오류 가능성에서 주로 기인함을 시사한다.

이동 객체 레이어에서 가장 높은 가중치를 받은 화물차(0.1845)는 대형 차량과의 충돌 시 치명도가 높고, 주행궤적이 일정하지 않아 자율주행차의 회피 판단을 어렵게 만드는 요인이다. 보행자, 신호 위반, 급정지, 차로변경 등의 요인 역시 예측 불가능성과 즉각적인 대응의 어려움을 동반하는 위험 요소로, 자율주행차가 단순 센서 기반 추종이 아닌 주변 데이터를 통한 상황 예측 기능을 갖춰야 함을 시사한다.

디지털 요소의 판단·인지·제어 오류가 상위 가중치를 보였다는 점은, 자율주행 시스템의 고위험 상황이 외부 환경뿐 아니라 내부 알고리즘 구조의 취약성에도 기인할 수 있음을 보여준다. 이는 자율주행차가 외부 정보를 어떻게 받아들이고 해석하느냐의 문제에서 비롯되는 것으로, 사고 이전 단계에서의 시스템 진단 기 능의 중요성을 강조한다. 예컨대, 인지 오류는 잘못된 객체 인식으로 이어질 수 있고, 판단 오류는 우선순위 판단 실패, 제어 오류는 차로 이탈이나 급정지 등으로 연결될 수 있다.

한편, 교통류 특성 레이어에서 상충 상황(0.2979)의 중요도가 높게 나타난 점은, 혼재 교통 환경의 본질적 불확실성을 반영한다. 자율주행차가 기존 차량 및 보행자와 상호작용할 때 발생하는 우선 진입, 경합, 양보 상황은 사고로 직결될 가능성이 높으며, 이는 단순한 객체 탐지가 아닌 상황 판단 및 예측 시나리오 생성과 관련된 연구가 필수적임을 보여준다.

또한, 환경 변수 중 강설, 젖음/습기, 강우, 야간 등 시계 저하 및 마찰 저하 요인이 높은 가중치를 보였다 는 점에서, 자율주행 시스템은 단순한 기상 감지 센서의 탑재를 넘어, 노면 상태 변화 예측 등에 대한 대비 가 필요하다는 점을 시사한다. 반면 안개(0.0599)는 상대적으로 낮은 가중치를 보였는데, 이는 감지 가능성의 문제보다는 직접적인 사고 유발 가능성이 비교적 낮게 평가된 결과로 해석될 수 있다.

종합적으로, 본 연구의 AHP 분석 결과는 자율주행차가 실제 도로 환경에서 마주하게 될 복합적인 고위험 요인을 다층적으로 감지하고 선제적으로 대응하기 위한 요소기술의 우선순위 설정에 활용될 수 있다. 특히 이동 객체와 디지털 요소를 중심으로 한 고위험 요인의 탐지 알고리즘 강화, 교통상황 이해 기반의 판단 체계 고도화, 악천후 환경에서의 안전 주행 전략 확보 등은 자율주행 시스템의 핵심 설계 요소로 고려되어야 한다.

3) 최종 고위험 요인 선정

앞 단계를 통해 도출된 고위험 요인의 정성적 중요도를 정량적으로 평가하기 위해, 전문가 설문을 통해 요인들의 상대적 중요도를 도출하고, 단위 레이어와 레이어 내 고위험 요인들에 대한 우선순위를 도출하였 다. 분석 결과의 활용성을 위하여 모든 고위험 요인을 고려하기보다 가중치를 기준으로 일부 고위험 요인만 을 채택하는 것이 합리적일 수 있다. 본 연구에서는 전체 결과의 80%는 가장 중요한 요소들에 의해 비롯된 다는 파레토 법칙에 따라, 레이어 별 고위험 요인의 가중치를 정렬한 후, 가중합이 0.8 이상이 되는 지점을 임계점으로 최종적인 고위험 요인을 도출하고자 한다. 파레토 법칙을 적용하여 최종적인 고위험 요인을 도 출한 결과는 <Table 8>과 같으며, 최종적으로 6개의 레이어에서 28개의 요인을 도출하였다.

Ⅵ. 결 론

본 연구는 자율주행 차량이 도로에 혼재하는 초기 단계에서 발생할 수 있는 고위험 상황을 사전에 인지하 고 대응하기 위한 기초자료를 마련하고자 수행되었다. 현재 진행된 연구들은 단일 데이터를 활용하여 제한 적인 결과를 도출한다는 한계점이 존재한다. 그러나 본 연구에서는 현시점에서 연구진이 수집할 수 있는 자 율주행 안전과 관련된 데이터를 모두 수집하여 분석하고, 통합하여 자율주행 차량 혼재 시 발생할 수 있는 고위험 요인을 다각도로 탐색하고자 하였다. 기존 문헌 조사를 활용한 메타분석, 사고 이력 데이터, 사고 영 상데이터, 자율주행 차량 주행 영상데이터 분석, 그리고 전문가 자문을 통해 각각의 고위험 요인을 도출하였 으며, AHP 기반 전문가 설문조사를 통해 고위험 요인을 정량화하여 상대적 중요도를 비교함으로써 혼재 상 황에 특히 중요한 28개의 고위험 요인을 도출하였다.

도출된 고위험 요인들은 크게 디지털, 이동 객체, 교통류 특성, 환경 변수, 도로 시설, 가변·임시시설의 여 섯 개 계층으로 분류되었다. 이 중, 디지털 요인으로는 자율주행차의 인지, 판단, 제어 오류 등이 포함되었으 며, 이동 객체와 관련해서는 도로 위 보행자, 화물차, 급정지, 차간거리 부족 등이 고위험 요인으로 나타났다. 또한 상충, 딜레마존, 사고 다발 구간 등 교통류 특성과 관련된 요인들도 자율주행 차량 혼재 상황에서 위험 인지에 중요한 요소로 분석되었다.

본 연구는 사고 발생 이후의 사후적 분석에 머무르지 않고, 현재 확보 가능한 다양한 데이터를 통합 분석함 으로써 사전적 위험 인지를 위한 기반을 마련했다는 점에서 의의가 있다. 그러나 분석에 활용된 사고 이력 및 사고 영상데이터는 완전 자율주행 차량의 데이터가 아닌, 주로 Lv. 3 수준의 부분 자율주행 차량에 한정된 것이어서 향후 완전자율주행 환경을 충분히 반영하지 못했다는 한계가 존재하며. 수집할 수 있는 자율주행 사고데이터의 양이 아직 충분하지 않다는 점은 본 연구에서 분석 가능한 사례의 다양성에 영향을 줄 수 있다. 다만, 본 연구는 이러한 한계를 인지하고, 자율주행 관련 사고 데이터를 가능한 한 포괄적으로 수집하고 전문 가 평가를 병행함으로써, 현실적 제약 속에서도 자율주행 상황 특유의 위험 요인을 반영하고자 하였다.

그럼에도 불구하고, 본 연구는 자율주행 차량 혼재 환경에서의 고위험 요인을 정량적으로 체계화하고, 이 를 바탕으로 향후 고위험 상황 예측 모델 개발 및 시나리오 도출, 집중 관리구역 설정 등의 실질적 활용 가 능성을 제시하였다는 점에서 큰 의의를 지닌다. 이러한 결과는 자율주행 초기 단계에서의 안전 확보와 정책 적·기술적 대응 전략 수립을 위한 기초자료로 활용될 수 있을 것으로 기대된다.