Ⅰ. 서 론
우리나라는 2000년에 고령화 사회(총인구 중 노인 구성비 7% 이상)에 진입하였으며, 2018년에는 고령사회 (총인구 중 노인 구성비 14% 이상)에 도달하였다. 2024년 12월에는 고령 인구 약 10,256천 명으로 전체 인구 중 20.03%의 비율을 달성하였고(MOIS, 2025), 이는 대한민국이 초고령사회(총인구 중 노인 구성비 20% 이 상)로의 진입이 불가피함을 보여줬다. 이러한 인구구조의 변화는 노동력 부족과 함께 여러 사회적 문제를 야 기하고 있으며, 특히 고령 운전자의 증가에 따른 교통 안전 문제는 중요한 사회적 이슈로 대두되고 있다.
도로교통공단의 교통사고분석시스템(TAAS) 자료에 따르면, 2023년 기준 65세 이상 고령 운전자의 교통사 고 비율은 전체 교통사고의 약 20%를 차지하며 이로 인한 사망자는 전체 교통사고 사망자의 29.2%에 달한 다. 특히 고령 운전자 교통사고의 발생률과 치사율은 지속적으로 증가하는 추세를 보이고 있다. 이에 따라 정부에서는 증가하는 고령 운전자 교통사고 문제를 해결하기 위한 정책적 대응으로 운전면허 자진 반납 제 도 및 조건부 면허제도 등의 방안을 검토하고 있다. 그러나 이러한 정책들은 주로 승용차 운전자를 대상으로 논의되고 있으며, 직업 운전자인 고령 화물차 운전자의 특성을 고려한 맞춤형 정책 마련은 미흡한 실정이다.
고령 운전자의 교통사고 연구는 주로 승용차 운전자를 중심으로 이루어져 왔다. 그러나 화물차 운전자는 직업적인 특성상 장기간 운전을 지속해야 하며 일반적인 고령 운전자와는 다른 주행 행동 패턴을 보인다. 화 물자동차 운송시장 운전자 일자리 전망과 대응방안(KOTI, 2023)에 따르면, 화물차 운전자의 평균연령은 일 반 화물차 운전자가 56.4세, 개별 운전자가 61.4세, 용달 운전자가 66.2세로 이들 상당수가 이미 고령 운전자 로 분류될 수 있다. 또한, 65세 이상 화물차 운전자의 평균 운전 경력은 30~34년으로 매우 길며, 운전을 통한 생계 유지가 필수적인 현실이다. 게다가 운전을 직업으로 삼고 있기에 다른 차종을 운전하는 고령 운전자와 비교해 운전 행동 양식 및 안전운전에 차이가 있을 수 있다. 따라서 단순히 운전면허 반납을 유도하는 정책 은 실효성이 떨어질 가능성이 높으며, 고령 화물차 운전자의 특성과 직업적 상황이 반영된 맞춤형 교통안전 대책이 마련될 필요가 있다. 또한, 화물자동차 운전자가 생계를 유지하기 위해 장기간 운전을 지속해야 하는 경우가 많다는 점도, 운전면허 자진 반납 제도나 조건부 면허 제도와 같은 정책은 실효성을 갖기 어렵다는 문제를 가져온다. 따라서 이러한 현실적 여건을 고려하지 않고 일괄적으로 법제도를 적용할 경우, 고령 화물 차 운전자들의 경제적 부담이 가중되고 더 나아가 물류 산업 전반에도 부정적인 영향을 미칠 가능성이 있다.
본 연구에서는 고령 화물차 운전자의 교통사고 발생 위험요인을 분석함으로써 이들에 대한 보다 효과적 인 교통안전 정책을 수립하는 데 목적을 가진다. 화물차 운전자는 장시간 운행해야 하는 직업적 특성을 가 져, 승용차를 운전하는 고령 운전자와는 다른 사고 발생 요인을 가질 가능성이 높다. 따라서 단순히 고령 운 전자에 대한 일반적 분석이 아니라, 직업 운전자로서의 특성을 고려한 안전 대책 마련에 기여하고자 한다. 이에 본 연구에서는 고령 화물차 운전자의 사고위험요인을 분석하고, 전 차종 고령 운전자 및 30~49세 화물 차 운전자와 비교 분석을 수행하였다. 이러한 비교를 통해 고령 운전자의 사고 특징이 화물차 운전 특성에 의한 것인지, 혹은 단순한 연령 증가로 인한 것인지 명확히 규명하고자 한다.
연구의 과정은 다음과 같다. 첫째, 고속도로 교통사고 데이터를 수집하고, 변수 선별 및 데이터 정제 과정 을 거쳤다. 둘째, 전 차종 고령 운전자, 30~49세 화물차 운전자, 고령 화물차 운전자를 비교 분석하기 위해 베이지안 다수준 혼합효과 로짓 모형(Bayesian Multilevel Mixed-Effect Logit Model)을 구축하였다. 이 모형은 노선별 이질성을 반영하여 보다 신뢰성 있는 분석 결과를 도출할 수 있으며, 교통사고 발생 확률을 예측하고 주요 위험요인을 도출하는 데 유용하다. 셋째, 결과의 통계적 유의성을 확보하기 위해 변수들의 z-검정을 수 행하여 노선별 차이를 분석하였으며, 혼동 행렬(Confusion Matrix)을 이용한 정확도 평가를 통해 모형의 신뢰 성을 검증하였다. 마지막으로 본 연구의 접근 방법론을 통해 고령 화물차 운전자에게 영향을 미치는 주요 사 고 요인을 비교·분석하고, 직업적 고령 운전자에 대한 실증적 분석 결과를 제공하고자 한다.
Ⅱ. 기존 문헌 고찰
고령 운전자의 교통사고 특성을 분석하기 위한 연구들은 주로 로지스틱 회귀 모형을 기반으로 사고 심각 도 및 사고위험요인을 탐색하는 데 초점을 맞추어 왔다. 특히, 고령 운전자의 사고 특성이 비고령 운전자와 어떤 차이가 있는지 분석하거나, 고령자 연령대별(예: 65~74세 vs. 75세 이상)로 사고 유형이 어떻게 달라지 는지를 도출하는 연구들이 수행되었다.
Park et al.(2009)은 로짓 모형을 통해 고령 운전자가 특정 도로 환경(곡선구간, 절토구간, 습윤 노면)에서 사고 위험이 높음을 확인하였다. 또한 Lee et al.(2012)은 통계학적 방법으로 고령자, 비고령자 집단을 재분류 하였으며, 순서형 로짓모형을 활용하여 교통사고 심각도 영향 요인을 분석한 결과 사고 당사자의 연령, 사고 유형, 운전자 개인의 특성과 같은 요인들이 비고령자와 다른 영향력을 보인다는 것을 발견하였다.
한편, 고령자 연령대에 따른 사고 특성 차이에 초점을 맞춘 연구도 있다. Jang et al.(2017)은 다항 로지스틱 회귀분석을 통해 고령 운전자의 연령대 및 도로 유형별 사고 위험 요인이 다르다는 것을 확인하였다. Kim et al.(2023)의 연구에서는 40대 이후 운전자를 중년 운전자(40-64세), 초기 고령 운전자(65-74세), 후기 고령 운전 자(75세 이상)로 구분하여 로지스틱 회귀모형으로 분석하였으며, 후기 고령 운전자의 사고 심각도가 더 높다 는 것을 발견하였다.
로지스틱 회귀 모형 이외에도 고령 운전자 사고 분석에 다양한 계량 분석이 적용되는 연구들도 있었다. Oh et al.(2015)은 교차분석을 통해 고령자 연령집단별 취약한 교통상황과 사고요인을 도출하였으며, 75세 이 상의 후기 고령자 집단의 상대적 사고 위험도가 높은 것으로 분석되었다. Ko and Yoon(2017)은 상관분석을 이용하여 연령군집별 사고 위험성을 비교하고 Park and Park(2024)는 ANOVA 및 상관분석을 통해 사고 유형 과 사망률 간의 관계를 검증하였으며, 연령 증가에 따라 차대 차 충돌 사고의 사망률이 상승하는 경향을 확 인하였다. 또한 Zhang et al.(1998)은 Crude Odds Ratio를 활용하여 캐나다 운전자의 연령별(16~24세, 25~64세, 65세 이상) 교통사고 패턴을 비교군 분석하였으며, 고령 운전자에게서 운전 부주의, 통행 우선 실패 등의 위 험요인이 높은 것을 발견하였다.
최근 교통사고 연구에서는 단순 로짓모형을 넘어 도로·운전자 이질성과 불확실성을 반영하기 위해 다수 준 혼합효과 모형 및 베이지안 추론을 활용하는 사례가 증가하고 있다. Lym and Kim(2024)은 고령 운전자 사고에 베이지안 다수준 로지스틱 회귀를 적용하여 공간적 상관성을 반영하였으며, Alrumaidhi and Rakha (2022)는 multilevel ordinal logistic regression을 통해 지역별 사고 심각도의 차이를 설명하였다. Se et al.(2020) 은 위계적 이항 로짓 모형을 이용해 도로 구간 내 상관관계를 고려한 분석을 수행하며, 알코올 및 피로가 고 령 운전자에게 더 치명적임을 제시하였다. Al Mamlook et al.(2020)은 Naive Bayesian, Decision Tree, Light-GBM을 결합하여 고령 운전자 사고 심각도를 예측하였고, Lim et al.(2012)는 Zero-Inflated Poisson 회귀 와 베이지안 추론을 통해 사고 예측 모형을 제시하였다.
공간적 이질성을 반영한 연구로는 Lee and Gim(2019)이 OLS 및 Geographically Weighted Regression을 활용 하여 고령 운전자 사고와 인구·교통 인프라 간 상관성을 규명하였으며, Lee and Park(2024)은 베이지안 잠재 계층분석과 순서형 프로빗 모형을 통해 자율주행차 사고의 계층별 특성을 설명하였다. 또한 Lym(2024)은 포 아송 기반 일반화선형혼합모형과 계층적 베이지안 기법을 적용하여 부주의 운전에 의한 사고 상대위험도 모 형을 개발하였다. 이러한 연구들은 단일 수준 모형보다 베이지안 기반 접근이 사고 위험요인 분석에서 더 정 밀한 설명력을 갖는다는 점을 보여준다. 그러나 기존 연구의 대부분은 승용차 운전자 중심으로 진행되었으 며, 고령 화물차 운전자 집단을 대상으로 한 분석은 매우 제한적이다.
정책적으로 우리나라는 운전면허 자진반납제, 조건부 면허제, 고령자 교통안전 교육 등 제도를 도입하였 으나 승용차 운전자 중심에 국한되어 있다(KoROAD, 2024; MOLIT, 2020). 반면 일본은 75세 이상 운전자에 대한 인지 기능 검사(MLIT, 2019)를, 일부 유럽 국가는 화물차 직업 운전자 대상 정기 건강검진과 안전교육 제도를 시행하고 있다(Yannis et al., 2005). ITF(2018) 또한 연령 일률적 제한보다는 맞춤형 안전관리 정책의 필요성을 강조하였다. 이는 고령 화물차 운전자의 직업적 특성과 생계 여건을 고려한 차별화된 교통안전 정 책 마련이 필요함을 시사한다.
화물차 운전은 승용차 운전과 비교하여 주행 시간이 길고, 피로 누적이 심하며, 차량 크기와 무게로 인해 사고 발생 시 치명적인 결과를 초래할 가능성이 높다. 또한 승용차 운전자가 개인적 필요에 의해 간헐적으로 운전하는 것과 달리, 화물차 운전자는 생업으로 오랜 기간 동안 지속적으로 운전을 수행해 왔으며, 이는 운 전 숙련도와 위험 감지 능력 측면에서 중요한 차이를 가져올 수 있다. 따라서 일반적인 고령 운전자와 화물 차 고령 운전자의 사고 특성을 동일하게 다룰 수 없으며, 이에 대한 별도의 연구가 필요하다.
따라서 본 연구는 기존 연구의 한계를 보완하고, 고령 화물차 운전자의 사고위험요인 도출과 사고 확률 예측을 전국 고속도로 교통사고 데이터를 기반으로 분석하고자 하였다. 기존 연구들은 특정 지역(시·도 또는 주 단위)에 국한되어 있었으나, 본 연구에서는 전국 단위의 데이터를 활용하여 보다 일반화된 결론을 도출하 고자 하였으며, 다양한 환경적 요인(기상, 도로 상태), 운전자 특성(운전 경력, 건강 및 심리 상태), 차량 특성 (차량 결함, 적재 상태), 시간적 요인(주야간, 계절성), 공간적 이질성(노선별 특성) 등을 종합적으로 고려하여 분석을 수행하고자 하였다. 이를 위해 본 연구는 고속도로를 주행하는 고령 화물차 운전자를 대상으로 베이 지안 다수준 혼합효과 로짓 방법론을 적용하여 사고위험요인을 분석하고, 노선별 이질성을 반영한 모형을 구축하였다. 특히 구축된 모형을 통하여 고령 화물차 운전자 집단이 일반 고령 운전자 집단과 비교하여 사고 위험 및 사고 발생 확률에서 어떠한 차이를 보이는지 도출하고, 고령 운전자의 운전 숙련도가 사고 위험을 감소시키는 보호 요인(protective factor)으로 작용할 가능성을 분석하고자 하였다. 이러한 연구 접근 방식은 기존 연구에서 다루지 않은 부분으로, 고령 화물차 운전자의 사고 예방을 위한 정책적 시사점을 도출하는 데 중요한 역할을 할 수 있다.
Ⅲ. 베이지안 다수준 혼합효과 로짓모형 (Bayesian Multilevel Mixed- Effect Logit Model)
고령 화물차 운전자의 교통사고 발생 요인을 분석하기 위하여 베이지안 다수준 혼합효과 로짓 모형 (Bayesian Multilevel Mixed-Effect Logit Model)을 적용하였다. 다수준 혼합효과 로짓모형(Multilevel Mixed- Effects Logistic Model)은 이진 및 이항의 종속변수에 대한 고정 효과와 무작위 효과를 모두 고려할 수 있다 는 장점이 있다. 일반적인 로지스틱 회귀 모형(Logistic Regression Model)은 모든 개체가 동일한 분포를 따른 다고 가정하나, 본 연구에서 사용된 데이터는 전국 고속도로의 다양한 노선에서 수집된 것으로 도로 노선별 환경, 기하 구조, 교통류 특성 등의 차이에 의해 이질성을 가진다. 따라서 교통사고 발생 확률이 노선별 이질 성(heterogeneity)에 따라 달라질 수 있으므로 이를 반영하기 위해 고속도로 노선을 클러스터(cluster)로 설정하 고 노선별 무작위 효과(random effect)를 포함한 다수준(multilevel) 구조를 적용하였다.
본 연구에서 사용한 베이지안 다수준 혼합효과 로짓 모형은 다음 식(1)과 같다.
본 연구의 종속변수 yij는 교통사고발생여부(binary outcome: 사고 발생=1, 미발생=0)이며, 이는 특정 고속 도로 노선 j에서 특정 운전자 i의 사고 발생 확률(pij)을 나타낸다.
즉, 종속변수 yij는 클러스터j (1, ⋯ , M) 인 도로 노선에서 개별 운전자 i가 nij번의 베르누이 시행에서 교 통사고가 발생한 횟수이다. 이때 이 클러스터j (1, ⋯ ,M ) 에는 j수준의 무작위 효과(rj )가 주어지며 교통사고 발생 여부인 의 조건부 분포는 식(2)와 같이 정의된다.
위 식을 간단히 하면 식(3)으로 설명된다.
여기서 이고, 이다.
라고 정의하면 C(Yj , Nj)는 모델 파라미터에 의존하지 않는 항이 므로 이를 행렬 표기법으로 간단히 표현하면 아래 식(4)와 같다.
여기서, τj 는 τij 행의 벡터들을 쌓아서 형성되며, 필요한 경우 log와 exp 함수를 벡터함수로 확장한다.
베이지안 방법론을 적용하기 위해 모든 모형의 파라미터에 대해 사전 분포(prior distribution)를 설정하고, 관측 데이터에 기반한 사후 분포(posterior distribution)를 추정하였다. 본 연구에서는 비정보적(Non-informative) 사전 분포를 가정하여 기존 데이터의 영향을 최소화하고자 하였다.
사후 분포는 Markov Chain Monte Carlo (MCMC) 기법을 통해 수치적으로 근사하였다. MCMC기법은 베이 지안 접근법 중 하나로 여기서 MC(Markov Chain)이란 현재 상태(Yn )에서 미래 상태(Yn + 1 )로 전이하는 확률 (Pij )에 근거해 미래 상태를 예측하는 것이고 Yn + 1 = Pij × Yn 를 통해 계산된다(Hwang, 2024).
Monte Carlo Simulation은 주어진 정보 아래에 통계적으로 동등한 다수의 모델을 생성하고 해를 계산한 결 과를 통계적으로 해석하는 기법으로 모델의 입력치와 관련된 불확실성이 계산 결과에 미치는 영향을 추정하 기 위해 사용된다(Lee, 2005). 이 두 가지 방법론을 결합한 것이 MCMC(Markov Chain, Monte Carlo) 기법이며, 이 기법을 이용하는 베이지안 추론을 다수준 혼합효과 로짓모형(Multilevel Mixed-Effects Logistic Model)에 적 용한 것이 베이지안 다수준 혼합효과 로짓모형(Bayesian Multilevel Mixed- Effect Logit Mode)이다. 따라서 본 연구에서는 MCMC 기법을 적용함으로써 고속도로 노선별 고령 화물차 운전자 사고 발생률의 불확실성을 정량적으로 고려할 수 있으며, 전통적인 최대우도추정법(MLE, Maximum Likelihood Estimation)과 비교했을 때 보다 안정적인 신뢰구간 추정이 가능하다.
본 연구가 베이지안 다수준 혼합효과 로짓모형을 채택한 데에는 다음과 같은 이론적 근거가 있다. 첫째, 교통사고 데이터는 동일한 확률 구조를 따른다고 보기 어렵고, 도로 노선별로 기하구조와 운영 여건이 달라 이질성(heterogeneity)이 발생한다. 이러한 집단 간 차이를 반영하지 않을 경우 계수 추정치에 편향이 생기고, 결과적으로 해석력이 떨어질 수 있다. 다수준 혼합효과 모형은 이러한 군집 효과를 체계적으로 고려할 수 있 는 틀을 제공하며, 특히 노선 수준의 무작위 효과를 포함함으로써 분석의 타당성을 높인다. 둘째, 고령 화물 차 운전자의 사고 표본은 상대적으로 적고 분산이 크기 때문에 베이지안 접근을 이용함으로써 불확실성 관 리에 유리하다. 사전분포와 사후분포를 통해 파라미터 추정의 안정성을 확보할 수 있으며, 이는 최대우도추 정법(MLE)과 비교했을 때 극단적 표본 상황에서도 보다 견고한 결과를 도출하는 장점이 있다. 마지막으로, MCMC 기반의 추론은 단순한 점 추정치에 그치지 않고, 전체 분포를 바탕으로 신뢰구간을 도출할 수 있어 정책적 활용을 위한 위험도 평가에 이론적 타당성을 제공한다. 결국 본 연구의 방법론 선택은 연구 대상의 특성과 데이터 구조를 반영한 합리적이고 과학적인 결정이라 할 수 있다.
Ⅳ. 데이터 수집 및 분석
고속도로 교통사고 속보자료(2015~2022)는 고속도로 운영과 관제 관점에서 본선, 램프, 터널, 하이패스와 같은 구간과 현장 기술이 비교적 상세히 기록되어 있다. 본 연구의 핵심은 고속도로의 특정 구간과 상황에서 의 고령 화물차 운전자 위험요인을 식별하는 것으로, 이를 위해 톨 게이트 구간, 내리막 등 미시 구간에 대 한 변수와 사건 서술 기반의 원인·상태 변수가 필요하다. 본 연구에서 활용한 교통사고 속보자료는 위 정보 를 사건 단위의 텍스트 항목으로 제공하며, 노선의 이질성과 세부 구간 특성을 반영한 베이지안 다수준 혼합 효과 로짓모형 구축에 보다 적합하다. <Fig. 1>에서 보여주는 바와 같이 교통사고속보자료는 고속도로 교통 상황센터에서 접수·처리된 사건 단위 수치 및 텍스트 기반 기록으로 사고 발생 직후 작성되는 구간, 원인, 노면, 기상, 시설 정보 등 현장 상황을 포함하고 있다. 본 연구는 2015~2022년 간의 데이터를 사고 이벤트 단 위로 통합하고 사고 원인(과속, 주시 태만, 졸음, 피로 등), 기상/노면(맑음, 비, 눈, 결빙 등)과 같은 텍스트 데 이터를 정규화하는 가공 과정을 거쳤다. 또한 이 정규화된 변수들을 기반으로 더미화 및 변수 추출을 진행하 여 사고 발생에 영향을 미치는 주요 변수를 분석하였고, 고령 화물차 운전자의 사고 특성을 파악할 수 있는 연령, 도로 환경, 사고 원인, 운전자 상태 등을 포함하는 다변량 데이터를 최종적으로 구축하였다.
본 연구의 대상은 총 64,622건의 교통사고 데이터이며, 이 중 65세 이상 운전자의 사고는 3,277건, 이 중 65세 이상 화물차 운전자의 사고는 1,225건으로 확인되었다. 주요 변수의 기술통계는 <Table 1>에 제시되어 있다. 전체 데이터에서 가해 차량의 종류(Vehicle Type)는 승용차(Passenger Car)가 59.97%, 화물차(Truck)가 27.03%의 비율을 차지하고 있다. 사고 원인(Causes of Traffic Accidents)은 주시 태만(Distracted)이 24.57%로 가장 많고 과속(Speeding)이 두 번째로 많은 23.08%로 이 두 사고 원인 변수가 전체 데이터에서 47.65%의 큰 비율을 차지하고 있다는 것을 알 수 있다. 또한 본선 구간(Mainline)에서가 전체 교통사고의 64.83%로 가장 많이 발생하고 있으며, 다음으로 램프 구간(Ramp) 15.35%, 터널(Tunnel)구간 4.53%, 하이패스 구간(Hi-Pass) 4.17% 순인 것으로 나타났다. 가해 운전자의 연령대별 분포는 50대(50-59)가 17.85%로 가장 많고 60~-64세는 6.40%, 65~69세는 3.15%이며 70세 이상(70-79, 80-89, 90 and over)은 1.93%로 구성되어 있다.
<Table 1>
Summary statistics for effect factors of crash occurrence
| Category | Variable | Percentage of Variable |
|---|---|---|
| Causes of Traffic Accidents | Speeding / Distracted / Road condition / Lack of Safe Distance / Road Debris / Drowsiness / Jaywalking / Unsafe Overtaking / Animal Intrusion / Single Vehicle Fire / Overloading / Tire Damage / Part Detachment / Wrongway / Vehicle Defect / Pothole / Braking System Defect / Other | 23.08% / 24.57% / 0.64% / 1.78% / 9.29% / 12.38% / 0.14% / 1.25% / 1.03% / 2.58% / 1.13% / 2.83% / 0.87% / 0.17% / 0.83% / 2.88% / 0.66% / 13.89% |
| Weather | Sunny / Cloudy / Rainy / Snow / Thin Fog / Thick Fog / Strong Wind /Yellow Dust / Thunder / Strong Wind Rain / Other | 63.95% / 11.72% / 21.14% / 2.64% / 0.12% / 0.20% / 0.09% / 0.02% / 0.01% / 0.01% / 0.10% |
| Age | 15-19 / 20-29 / 30-39 /40-49 / 50-59 / 60-64 / 65-69 / 70-79 / 80-89 / 90 and over / Other | 0.17% / 8.56% / 12.78% / 16.33% / 17.85% / 6.40% / 3.15% / 1.76% / 0.15% / 0.02% / 32.83% |
| Driver's Condition | Normal / Tiredness / Drunken / Vehicle Device Operation / Mobile Phone Use / Mental Disorder / Illness / DMB Use / Unlicensed Driving / Drug Addict / Other | 91.22% / 4.88% / 2.49% / 0.04% / 0.05% / 0.03% / 0.10% / 0.01%/ 0.02% / 0.01% / 1.15% |
| Vehicle Type | Passenger Car / Van / Truck / Trailer / Special Vehicle / Other | 59.97% / 4.74% / 27.03% / 5.06% / 0.81% / 2.39% |
| Horizontal Alignment | Tangent / Rightcurve / Leftcurve / Other | 59.41% / 14.17% / 14.00% / 12.42% |
| Vertical Alignment | Flat / Uphill / Downhill / Other | 45.07% / 14.87% / 17.31% / 22.75% |
| Segment Type | Mainline / Ramp / Hi-Pass / Tunnel / Rest area /Toll gate / Drowsy Restarea / Station / Other | 64.83% / 15.35% / 4.17% / 4.53% / 1.49% / 8.11%/ 0.46% / 0.01% / 1.05% |
| Lighting Facilities | Daylight / LightingYes / LightingNo | 50.75% / 35.83% / 13.42% |
| Day and Night | Day / Night | 66.49% / 33.51% |
| Roadway Conditions | Normal / Slippery Road(Weather) / Water Pooling / Inadequate Safety Management / Slippery Road(pollutant) / Falling Debris / Pothole / Soil Spill / Plastic Deformation / Sight Obstruction(Vegetation) / Sight Obstruction(Weather) / Bridge Joint Damage / Backlight / Other | 73.22% / 15.45% / 0.04% / 0.03% / 0.11% / 4.61% / 2.97% / 0.03% / 0.06% / 2.12% / 0.05% / 0.05% / 0.00% / 1.26% |
Ⅴ. 모형 구축 결과
교통사고 데이터를 활용하여 고령 운전자, 30~49세 화물차 운전자, 및 고령 화물차 운전자의 교통사고 발 생 여부를 종속변수로 설정하고, 사고 발생에 영향을 미치는 요인들을 독립변수로 고려한 베이지안 다수준 혼합효과 로짓모형(Bayesian Multilevel Mixed-Effects Logit Model)을 구축하였다. 해당 모형에서는 도로 노선 (Route)을 계층(Level) 구조로 설정함으로써 노선별 이질성을 반영한 분석을 수행하였으며, 독립변수의 통계 적 유의성 검증은 95% 신뢰수준에서 이루어졌다.
1. 전 차종 고령 운전자의 교통사고 발생 요인
<Table 2>의 분석결과에 따르면, 고령 운전자는 본선(Mainline) 구간에서의 교통사고 발생 확률이 다른 도 로 구간에 비해 0.83배, 과속(Speeding) 시 다른 사고 원인보다 0.79배, 야간(Night) 운전 시 주간보다 0.52배 수준인 것으로 나타났다. 이는 본 연구에서 분석한 교통사고 발생 구간 중 본선 구간의 사고 비율이 64.83% 로 가장 많고, 주요 사고 원인 중 과속이 23.08%를 기록한 것과 다른 결과이다. 이러한 경향은 고령 운전자 가 장기간의 운전 경험을 통해 일반적인 도로 환경에서 운전에 익숙하며, 교통 법규를 준수하는 성향이 강한 점이 영향을 미친 것으로 해석될 수 있다.
<Table 2>
Accident Influence Variables of Elderly Driver
| Variable | Description | Odds Ratio | z | P-value | Equal-tailed [95% cred. interval] | |
|---|---|---|---|---|---|---|
| Mainline | 1 if a crash occurred on Mainline; otherwise, 0 | 0.83 | -7.470 | <0.001 | -0.240 | -0.136 |
| Hi-Pass | 1 if a crash occurred in a Hi-Pass section; otherwise, 0 | 0.79 | -3.322 | 0.001 | -0.375 | -0.103 |
| Tunnel | 1 if a crash occurred in a Tunnel section; otherwise, 0 | 0.81 | -3.536 | 0.000 | -0.327 | -0.097 |
| Speeding | 1 if a crash occurred due to Speeding; otherwise, 0 | 0.78 | -4.477 | <0.001 | -0.351 | -0.136 |
| Distracted | 1 if a crash occurred due to Distracted; otherwise, 0 | 1.42 | 10.645 | <0.001 | 0.292 | 0.418 |
| Lack of Safe Distance | 1 if a crash occurred due to Lack of Safe Distance; otherwise, 0 | 0.75 | -3.840 | 0.000 | -0.444 | -0.149 |
| Drowsiness | 1 if a crash occurred on Drowsiness; otherwise, 0 | 1.58 | 9.350 | <0.001 | 0.359 | 0.552 |
| Slippery Road | 1 if a crash occurred on Slippery Road; otherwise, 0 | 1.17 | 2.706 | 0.007 | 0.047 | 0.266 |
| Rainy | 1 if a crash occurred in Rainy conditions; otherwise, 0. | 0.89 | -2.358 | 0.018 | -0.224 | -0.022 |
| Night | 1 if a crash occurred at Night; otherwise, 0. | 0.52 | -16.210 | <0.001 | -0.736 | -0.578 |
| Downhill | 1 if a crash occurred on a Downhill road; otherwise, 0. | 1.17 | 3.746 | 0.000 | 0.075 | 0.234 |
| LightingNo | 1 if a crash occurred with No Lighting; otherwise, 0. | 0.83 | -3.357 | 0.001 | -0.303 | -0.084 |
| Constant | 0.06 | -43.251 | <0.001 | -2.970 | -2.722 | |
| Route(Level) | 1.19 | 3.323 | 0.001 | 0.094 | 0.289 | |
한편, 고령 운전자의 교통사고 발생 확률은 주시 태만(Distracted) 시 1.42배, 졸음운전(Drowsiness) 시 1.58 배 증가하는 것으로 나타났다. 그러나 전체 교통사고 원인 중 주시 태만이 24.57%로 가장 높은 비율을 차지 하고, 졸음운전이 12.38%로 세 번째 주요 원인으로 나타난 점을 고려할 때, 이는 고령 운전자만의 특성이 아 니라 전반적인 교통사고 발생 패턴과 일치하는 결과로 해석할 수 있다. 또한, 고령 운전자의 경우 내리막 (Downhill) 구간에서의 교통사고 발생 확률이 다른 종단 기하(Vertical Alignment) 조건보다 1.17배 높은 것으 로 분석되었다. 이는 고령 운전자가 연령 증가로 인해 신체적 반응 속도가 저하되고, 내리막 구간에서 차량 의 가속도를 적절히 조절하는 데 어려움을 겪을 가능성이 높은 점이 주요 원인으로 작용한 것으로 판단된다. Route(Level)의 오즈비(Odds Ratio)는 1.19으로 나타났으며 P-값이 0.001로, 설정된 신뢰수준에서 도로 노선 간 사고 발생 확률의 차이가 통계적으로 유의미한 것을 알 수 있다. 이는 개별 사고의 발생 가능성이 노선별 도 로 환경 및 구조적 차이에 영향을 받을 수 있음을 보여준다. <Table 3>은 해당 모형의 한계효과(Marginal Effect)를 정리한 결과로 고령 운전자의 사고 발생 확률에는 졸음(Drowsiness, Δp = 0.46)과 주의산만 (Downhill, Δp = 0.35)이 가장 큰 영향을 미쳤다. 또한 야간(Night, Δp = -0.65), 본선(Mainline, Δp = -0.19)는 사고확률을 감소시키는 데에 높은 영향을 미치는 것으로 나타났다.
<Table 3>
Marginal Effects of Elderly Driver Model
| Variable | Mainline | Hi-Pass | Tunnel | Speeding | Distracted | Lack of Safe Distance | Drowsiness | Slippery Road | Rainy | Night | Downhill | Lighting No |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ∆p | -0.19 | -0.24 | -0.21 | -0.24 | 0.35 | -0.29 | 0.46 | 0.15 | -0.12 | -0.65 | 0.15 | -0.19 |
2. 30~49세 화물차 운전자의 교통사고 발생 요인
30~49세 화물차 운전자의 교통사고 발생 요인은 <Table 4>에서 보여주는 바와 같다. 도출된 영향요인들은 95% 신뢰수준에서 통계적으로 유의한 것으로 나타났다. 주시 태만(Distracted) 상태에서의 사고 발생 확률은 다른 사고 요인과 비교하여 1.28배 증가하는 것으로 분석되었으며, 졸음운전(Drowsiness) 시에는 1.95배 증가 하는 것으로 나타났다. 또한 피로(Tiredness)의 영향도 유의미하게 나타났으며, 사고 발생 확률을 1.18배 증가 시키는 것으로 분석되었다. 이는 장거리 운행이 잦은 트럭 운전자들의 피로와 주의력 저하가 반영된 것이며, 교통사고 발생의 주요 원인임을 시사한다. 오르막(Uphill) 구간에서는 사고 발생 확률이 1.20배 증가하며, 이 는 오르막 구간에서 차량 동력 조절의 어려움과 가속도의 변화가 사고 발생에 영향을 미치는 요인으로 작용 할 가능성을 시사한다. 이 모형에서도 도로 노선별 사고 발생 확률의 차이가 유의미하게 나타났다. Route(Level)의 오즈비(Odds Ratio)는 1.26이며, 이는 특정 도로 환경이 사고 위험 증가의 주요 요인이 될 수 있음을 보여준다. 30~49세 화물차 운전자의 사고 발생확률에 대한 한계효과(Marginal Effect)는 <Table 5>와 같다. 30~40세 화물차 운전자에서는 고령 운전자와 마찬가지로 졸음(Drowsiness, Δp = 0.67)과 주의산만 (Distracted, Δp = 0.25) 사고 확률을 증가시키는 요인이며 본선(Mainline, Δp = -0.15)이 확률을 감소시키는 요인으로 나타났다.
<Table 4>
Accident Influence Variables of 30-49 Age Truck Driver
| Variable | Description | Odds Ratio | z | p-value | Equal-tailed [95% cred. interval] | |
|---|---|---|---|---|---|---|
| Mainline | 1 if a crash occurred on Mainline; otherwise, 0 | 0.86 | -5.198 | <0.001 | -0.210 | -0.093 |
| Toll gate areas | 1 if a crash occurred in Toll gate areas; otherwise, 0 | 1.65 | 10.285 | <0.001 | 0.408 | 0.598 |
| Distracted | 1 if a crash occurred due to Distracted; otherwise, 0 | 1.28 | 7.382 | <0.001 | 0.183 | 0.312 |
| Tiredness | 1 if a crash occurred due to driver Tiredness; otherwise, 0. | 1.18 | 2.599 | 0.009 | 0.045 | 0.288 |
| Drowsiness | 1 if a crash occurred on Drowsiness; otherwise, 0 | 1.95 | 14.164 | <0.001 | 0.576 | 0.760 |
| Leftcurve | 1ifacrashoccurredonaLeftcurveroad;otherwise, 0. | 0.89 | -2.501 | 0.012 | -0.209 | -0.022 |
| Uphill | 1 if a crash occurred on Uphill road; otherwise, 0. | 1.20 | 5.443 | <0.001 | 0.117 | 0.250 |
| Constant | 0.06 | -48.283 | <0.001 | -2.893 | -2.665 | |
| Route(Level) | 1.26 | 3.656 | 0.000 | 0.134 | 0.372 | |
<Table 5>
Marginal Effects of 30-49 Age Truck Driver Model
| Variable | Mainline | Toll gateareas | Distracted | Tiredness | Drowsiness | Leftcurve | Uphill |
|---|---|---|---|---|---|---|---|
| ∆p | -0.15 | 0.50 | 0.25 | 0.16 | 0.67 | -0.12 | 0.19 |
3. 고령 화물차 운전자의 교통사고 발생 요인
<Table 6>는 통계적으로 유의한 고령 화물차 운전자의 다양한 사고 발생 요인을 보여주고 있다. 고령 화 물차 운전자의 교통사고 발생 확률은 본선 구간이 다른 도로구간보다 0.77배인 것으로 나타났으며 이는 30-49세 화물차 운전자의 오즈비(Odds Ratio) 0.86보다 상대적으로 낮다는 것을 알 수 있다. 반면, 톨 게이트 요금소(Toll Gate Areas) 구간에서는 1.29배 사고 발생 확률이 증가하는 것으로 나타났다. 이는 톨 게이트 요 금소 진입 및 출구 구간에서의 감속 및 가속, 차로 변경 과정에서 사고 위험이 증가하는 요인으로 작용할 가 능성이 크기 때문이다. 이 결과에서는 과속으로 인한 교통사고는 다른 영향요인에 비해 0.84배 수준으로 나 타났으나 주시 태만(Distracted) 상태에서 1.32배, 피로(Tiredness) 상태에서 1.35배, 졸음운전(Drowsiness) 상태 에서 1.58배가량 사고 위험이 증가하는 것으로 나타났다. 이와 같은 패턴은 30~49세 화물차 운전자에게도 유 사하게 나타났지만, 고령 화물차 운전자의 졸음운전 영향이 상대적으로 낮은 수준인 것으로 도출되었다. 고 령 화물차 운전자의 경우, 신체적 피로가 젊은 운전자보다 빠르게 축적될 수 있지만 오히려 본인의 피로 상 태를 인지하고 조기에 대응하는 경향이 있을 수 있는 반면에, 30~49세의 젊은 화물차 운전자는 자신의 졸음 상태를 과소평가하거나 운행 일정을 맞추기 위해 졸음을 무시하고 운전하는 경우가 있어 졸음운전으로 인한 사고 위험이 상대적으로 더 클 가능성이 있다. 내리막(Downhill) 구간에서는 1.20배의 사고확률이 증가하는 것으로 나타났으며, 이는 30~49세 트럭 운전자와는 달리 오르막보다 내리막에서의 사고 위험이 높다는 것을 보여준다. 이 모형에서 도출된 Route(Level)의 오즈비(Odds Ratio)는 1.13이며, P-값이 0.006으로 95% 신뢰수준 하에서 도로 노선별 사고 발생 확률의 차이가 통계적으로 유의미함을 확인하였다. <Table 7>은 고령 화물차 운전자 모형의 한계효과(Marginal Effect)이며 앞의 두 모형과 같이 졸음(Drowsiness, Δp = 0.46)과 주의산만 (Distracted, Δp = 0.28)이 그리고 피로(Tiredness, Δp = 0.30)가 사고 증가에 관련이 있으며, 야간(Night, Δp = -0.53)이 발생 확률 감소에 큰 영향을 미치는 것으로 나타난다.
<Table 6>
Accident Influence Variables of Elderly Truck Driver
| Variable | Description | Odds Ratio | z | p-value | Equal-tailed [95% cred. interval] | |
|---|---|---|---|---|---|---|
| Mainline | 1 if a crash occurred on Mainline; otherwise, 0 | 0.77 | -4.226 | <0.001 | -0.391 | -0.150 |
| Toll gate areas | 1 if a crash occurred in Toll gate areas; otherwise, 0 | 1.29 | 2.891 | 0.004 | 0.065 | 0.408 |
| Speeding | 1 if a crash occurred due to Speeding; otherwise, 0 | 0.84 | -2.159 | 0.031 | -0.324 | -0.022 |
| Distracted | 1 if a crash occurred due to Distracted; otherwise, 0 | 1.32 | 3.762 | 0.000 | 0.136 | 0.426 |
| Tiredness | 1 if a crash occurred due to driver Tiredness; otherwise, 0. | 1.35 | 2.244 | 0.025 | 0.044 | 0.559 |
| Drowsiness | 1 if a crash occurred on Drowsiness; otherwise, 0 | 1.58 | 4.642 | <0.001 | 0.260 | 0.636 |
| Night | 1 if a crash occurred at Night; otherwise, 0. | 0.59 | -8.203 | <0.001 | -0.652 | -0.410 |
| Downhill | 1 if a crash occurred on a Downhill road; otherwise, 0. | 1.20 | 2.514 | 0.012 | 0.029 | 0.310 |
| Constant | 0.02 | -51.139 | <0.001 | -4.059 | -3.759 | |
| Route(Level) | 1.13 | 2.744 | 0.006 | 0.061 | 0.238 | |
<Table 7>
Marginal Effects of Elderly Truck Driver Model
| Variable | Mainline | Toll gate areas | Speeding | Distracted | Tiredness | Drowsiness | Night | Downhill |
|---|---|---|---|---|---|---|---|---|
| ∆p | -0.27 | 0.25 | -0.17 | 0.28 | 0.30 | 0.46 | -0.53 | 0.18 |
본 연구에서는 고령 운전자, 30~49세의 화물차 운전자, 그리고 화물차를 운전하는 고령 운전자를 대상으 로 베이지안 다수준 혼합효과 로짓모형(Bayesian Multilevel Mixed-Effects Logit Model)을 적용하여 교통사고 발생에 미치는 영향 요인을 분석하고 세 그룹을 비교·분석하였다. 주시 태만과 졸음운전의 경우, 모든 그룹 에서 사고 위험을 유의미하게 증가시키는 변수로 작용하였다. 이는 장거리 운행이 많은 직업적 특성이 이러 한 경향을 강화할 수 있음을 시사하며, 젊은 화물차 운전자가 졸음운전으로 인해 고령 화물차 운전자보다 상 대적으로 높은 사고 위험에 노출될 가능성이 크다는 것을 보여줬다. 톨 게이트 요금소(Toll Gate Areas)에서 의 사고 발생 확률은 30~49세 트럭 운전자에서 1.65배 증가하는 것으로 나타나, 다른 고령자 그룹보다 높은 사고 위험이 관찰되었다. 이는 젊은 운전자들이 톨 게이트 요금소 구간에서 속도를 빠르게 유지하거나 차로 변경을 시도하는 경향이 반영된 결과로 해석될 수 있으며, 고령 화물차 운전자가 톨 게이트 요금소 구간에서 보다 신중한 운전 패턴을 보일 가능성을 시사한다.
도로 기하학적 요인의 영향에서도 차이가 관찰되었다. 30~49세 화물차 운전자는 오르막 구간에서 사고 발 생 확률이 1.20배 증가한 반면, 고령 화물차 운전자는 내리막 구간에서 사고 발생 확률이 1.20배 증가하는 것 으로 나타났다. 이러한 결과는 젊은 운전자는 오르막 구간에서 차량 동력 조절이 어렵고, 고령 운전자는 내 리막에서 속도 조절이 어려운 점이 반영된 결과로 볼 수 있다. 세 그룹의 베이지안 다수준 혼합효과 로짓모 형 구축 결과 모두 다수준 효과(Route Level)가 유의한 것으로 나타났다. 이것은 도로 노선별 사고 발생 확률 이 유의미하게 차이가 있으므로 특정 노선에서 사고 위험이 더욱 증가할 수 있음을 시사한다.
본 분석에서는 각 파라미터에 대해 체인당 10,000회에서 초기 2,500회를 burn-in으로 제거하여 샘플링을 진 행하였으며, <Fig. 2>는 해당 MCMC Simulation의 주요 변수에 대한 Trace Plot이다. 모든 주요 파라미터에서 ≺ 1.05 로 나타나며 Trace Plot과 Gelmam-Rubin 진단을 통해 MCMC 체인은 충분히 안정적으로 수렴하였다.
<Table 8>은 혼동 행렬(Confusion Matrix)의 정확도(Accuracy)를 이용하여 고령 운전자(Elderly Driver), 30~ 49세 화물차 운전자(30-49 Age Truck Driver), 고령 화물차 운전자(Elderly Truck Driver)의 모형별 교통사고 발 생 예측률을 계산한 결과이다. 고령 운전자 모형의 경우, 로짓모형의 예측 정확도는 75.70%에서 베이지안 다 수준 혼합효과 로짓모형 적용 후 77.14%로 증가하였다. 이는 도로 노선별 차이를 고려한 다수준 모형이 보 다 정밀한 사고 발생 예측을 가능하게 함을 의미한다. 30~49세 화물차 운전자의 경우, 로짓모형의 예측 정확 도 78.10%에서 80.33%로 증가하였으며, 이는 젊은 화물차 운전자의 사고 발생 패턴이 도로 환경과 강한 상 관관계를 가지며, 다수준 모형이 이를 효과적으로 반영할 수 있음을 시사한다. 고령 화물차 운전자의 경우, 로짓모형의 예측 정확도는 84.45%로 가장 높았으며, 다수준 모형에서도 84.47%로 큰 변화 없이 유지되었다. 이처럼 고령 운전자와 30~49세 화물차 운전자의 경우 다수준 모형 적용 시 예측 정확도가 각각 1.44%와 2.23%가 증가한 것과 비교하면, 고령 화물차 운전자의 경우 예측 성능 향상 폭이 미미하다. 이는 고령 화물 차 운전자의 운전 특성이 상대적으로 일정하며, 특정 노선이나 환경적 요인에 의해 영향을 덜 받을 가능성을 보여준다. 따라서 고령 화물차 운전자의 사고 예측을 개선하기 위해서는 단순한 다수준 모형의 적용보다는 개별 운전자의 운전 습관, 차량 유지보수 상태 및 주행 거리 등의 추가적인 요인을 반영하는 접근이 필요하 며 향후 연구에서는 개인적 요인을 포함한 맞춤형 예측 모델을 개발하여 보다 정교한 사고 위험 평가가 이 루어져야 한다.
<Table 8>
Confusion Matrix-based Accuracy
| Model | Logit Model | Bayesian Multi level Mixed- Effect Logit Model |
|---|---|---|
| Elderly Driver | 75.70% | 77.14% |
| 30-49 Age Truck Driver | 78.10% | 80.33% |
| Elderly Truck Driver | 84.49% | 84.49% |
Ⅵ. 결 론
본 연구는 고령 화물차 운전자의 교통사고 발생 요인을 분석하고, 이를 일반 고령 운전자 및 30~49세 화 물차 운전자와 비교하여 차별성을 탐색하는 것을 목표로 하였다. 베이지안 다수준 혼합효과 로짓모형을 적 용하여 도로 노선별 이질성을 반영한 분석을 수행한 결과, 고령 화물차 운전자는 일반 고령 운전자와 사고 위험요인에서 차이를 보였으며, 일부 특성은 젊은 화물차 운전자와 유사한 경향을 나타내었다. 특히, 본선 및 야간 주행에서는 사고 발생 확률이 낮으나, 톨 게이트 요금소와 내리막 구간에서는 사고 위험이 증가하는 경향을 보였다. 이는 일반 고령 운전자와 차별화된 직업 운전자의 특성을 반영하는 것으로 해석될 수 있다.
본 연구의 시사점은 다음과 같다. 첫째, 고령 화물차 운전자는 일반 고령 운전자와 동일한 정책 적용이 적 절하지 않다는 점을 실증적으로 확인하였다. 현재 시행되고 있는 운전면허 반납 제도나 조건부 면허 제도는 일반 승용차를 운전하는 고령자를 대상으로 설계된 정책으로, 직업적 운전자를 포함한 고령 화물차 운전자 에게 동일하게 적용될 경우 현실적인 문제를 초래할 수 있다. 따라서, 연령 기반의 일률적인 규제보다 운전 자의 직업적 특성과 주행 패턴을 반영한 맞춤형 정책이 필요하다.
둘째, 고령 화물차 운전자는 특정 환경에서는 사고 발생 확률이 낮은 경향을 보였다. 그러나 톨 게이트 요 금소 구간과 내리막 구간에서 사고 위험이 상대적으로 높게 나타났으며, 이는 고령 운전자의 신체적 반응 속 도 저하와 내리막 주행 시 속도 조절의 어려움이 복합적으로 작용한 결과로 해석된다. 따라서, 해당 구간에 서의 안전성을 높이기 위한 운전 보조시스템 도입 및 내리막 속도 조절을 지원하는 기술적 보완이 필요하다.
셋째, 본 연구의 분석 결과에 따르면, 일반적인 로짓모형보다 베이지안 다수준 혼합효과 로짓모형이 교통 사고 예측 정확도를 향상시키는 데에 효과적이었다. 그러나 고령 화물차 운전자의 경우, 베이지안 다수준 혼 합효과 모형 적용 전후 예측 성능의 개선 폭이 크지 않았으며, 이는 해당 그룹의 운전 패턴이 상대적으로 일 정하고 도로 환경 변화에 대한 민감도가 낮을 가능성을 시사한다. 따라서, 보다 개별화된 데이터를 활용한 심층적인 분석이 요구되며, 개별 운전자 수준의 특성을 반영할 수 있는 맞춤형 예측 모델 개발이 필요하다.
본 연구는 교통사고 위험요인의 연령별, 직업별 차이를 실증적으로 분석하여 정책적 시사점을 제공하였다 는 점에서 학문적 기여가 있다. 그리고 고령 화물차 운전자는 일반 고령 운전자와는 구별되는 운전 특성을 보이기 때문에 동일한 정책을 적용하는 것은 실효성이 낮을 수 있음도 시사한다. 그러나 연구의 한계도 존재 한다. 먼저 연구 대상이 고속도로 교통사고 데이터로 한정되어 있어 일반 도로에서의 사고 발생 특성을 반영 하지 못했다. 향후 연구에서는 도시 및 지방 도로를 포함하는 광범위한 도로 환경을 고려할 필요가 있다. 그리 고 본 연구에서는 정부 정책 기준(만 65세 이상)을 적용하여 고령 운전자의 사고 특성을 분석하였다. 다만, 데 이터 분포의 한계로 인해 70대, 80대, 90대 이상과 같은 세부 연령대별 차이를 충분히 반영하지는 못하였다. 향후 연구에서는 보다 방대한 표본을 확보하거나 다른 데이터와의 연계를 통해 연령대별 차이를 추가적으로 규명할 필요가 있다. 또한 본 연구에서는 운전자의 개별적 특성(운전 경력, 건강 상태, 피로 누적 정도 등)을 포함하지 못하였으며, 이는 보다 정밀한 사고 예측을 위해 고려해야 할 요소이다. 마지막으로, 본 연구에서 적용한 베이지안 다수준 혼합효과 로짓모형은 노선별 이질성을 반영하는 데에 강점을 가지지만, 실시간 운전 데이터 및 머신러닝 기법을 접목한 추가적인 분석이 이루어진다면 더욱 정교한 예측이 가능할 것이다.
본 연구의 결과는 단순한 통계적 해석을 넘어 실제 교통안전 정책과 현장 관리에 직접적인 시사점을 제공 한다. 특히 톨게이트 구간이나 장거리 내리막 도로에서 사고 위험이 유의하게 높게 나타난 점은 해당 구간에 서 운전자의 주의를 환기시키고 속도를 적절히 관리할 수 있는 시설적·운영적 개선책이 요구됨을 보여준다. 아울러 피로나 졸음과 같은 운전자 상태 요인이 사고 확률을 크게 높인다는 결과는 고령 화물차 운전자를 대상으로 한 피로 관리 교육 강화, 정기 건강검진 확대, 장거리 운행 시 휴식 제도의 실질적 개선 등과 긴밀 히 연결될 수 있다. 또한 연령 만을 기준으로 면허를 제한하는 방식은 직업 운전자 현실과 괴리가 크므로 운 전 경력과 직업적 특성을 반영한 맞춤형 제도와 체계적인 안전교육 프로그램이 필요하다. 이러한 정책적 보 완은 고령 운전자의 안전 확보뿐만 아니라 물류 산업의 지속성과 안정성 측면에서도 중요한 의미를 지닌다.
