Ⅰ. 서 론
1. 개요
최근 기후변화로 인한 이상기후 현상이 심화되면서 극한호우의 발생 빈도가 뚜렷하게 증가하고 있다. 기 상청의 2022년 ‘남한상세 기후변화 전망보고서’에 따르면, 2020년 이후 5일 최대강우량, 극한강우일, 호우일 수가 각각 최소 4%에서 최대 16%, 최소 0.2일에서 최대 0.6일, 최소 0.3일에서 최대 1일까지 증가할 것으로 전망된다. 이러한 변화는 단순한 기상 현상을 넘어 사회·경제 전반에 심각한 영향을 미치며, 특히 도로교통 안전 측면에서 그 위험성은 매우 크다. 강우 조건에서는 노면 마찰력이 저하되고 가시거리가 급격히 감소하 여 운전자의 인지·제동 능력이 제한되기 때문이다. 실제로 Omranian et al.(2018)은 강우 시 교통사고 발생률 이 평상시 대비 약 50% 증가하며, 강우 강도가 높을수록 중상 이상의 중대사고 발생 가능성이 더욱 커진다 고 보고하였다. 이는 강우 환경이 단순히 사고 빈도를 높이는 수준을 넘어, 사고의 심각성까지 악화시킨다는 점에서 교통안전 정책에 중요한 시사점을 제공한다.
한국은 1988년 이후 교통사고 취약지 개선사업을 통해 사고다발구간을 식별하고 도로 및 교통공학적 개 선을 추진해왔다. 현재 한국도로교통공단은 경찰, 보험사 등 다양한 기관으로부터 교통사고 자료를 수집·통 합하여 교통사고분석시스템(TAAS, Traffic Accident Analysis System)을 통해 사고 다발지 정보를 제공하고 있 으며, 이를 기반으로 교통안전 정책 수립이 이루어지고 있다. 그러나 제공되는 정보는 주로 전체사고, 보행 자사고, 결빙사고 등에 국한되어 있으며, 기후변화로 인해 빈도가 증가하는 강우 조건에서의 사고다발지 정 보는 체계적으로 제공되지 않고 있다. 즉, 강우 환경에서 교통사고의 발생 가능성과 치사율이 높음에도 불구 하고, 정책적·공학적 대응을 위한 공간적·통계적 분석은 여전히 미흡한 실정이다.
이러한 상황에서 강우 시 발생하는 사망교통사고의 공간적 특성을 분석하는 연구는 매우 시급하다. 강우 사고는 평상시 사고 다발지점과 반드시 일치하지 않을 가능성이 크며, 이는 기존의 일반사고 중심 대책만으 로는 강우사고 예방에 한계가 있음을 의미한다. 따라서 본 연구는 고속국도와 일반국도를 대상으로 강우 조 건에서 발생한 사망교통사고 데이터를 활용하여 시공간적 특성을 분석하고, 강우 시 사고 발생 가능성이 높 은 지점을 식별하고 기존의 사고다발지점과 비교하는 것을 목표로 한다. 이를 통해 기상 조건을 고려한 맞춤 형 교통안전 정책 수립과 강우 취약지점 관리의 과학적 근거를 제공하고자 한다.
본 논문의 구성은 다음과 같다. 제2장에서는 기존의 사고다발지점 선정 기법과 강우 조건에서의 교통사고 특성과 관련된 선행연구를 종합적으로 검토한다. 제3장에서는 강우 기반 사고다발지점을 식별하기 위한 분 석 절차와 방법론을 제시한다. 제4장에서는 연구에 활용된 데이터의 수집 과정과 전처리 방법을 상세히 기 술한다. 이어서 제5장에서는 제안된 방법론을 적용하여 도출된 강우사고다발지점의 분석 결과를 제시하고, 일반사고다발지점과의 비교를 통해 특성을 논의한다. 마지막으로 제6장에서는 연구의 주요 결과를 요약하 고, 정책적 시사점과 향후 연구 방향을 제안한다.
Ⅱ. 선행연구 고찰
본 연구는 전국의 사망교통사고 데이터를 활용하여 강우 조건에서 고속국도와 일반국도에서 발생한 사고 다발지를 선정하고 그 특성을 제시한다. 이를 위하여 기존의 사고다발지 선정 방법과 관련 연구를 검토하였 고, 추가적으로 강우 조건에서 발생한 교통사고와 관련된 연구를 검토하고 기존 연구와의 차별점을 제시하 고자 한다.
1. 사고다발지 선정 방법 관련 선행연구
1) 기존 사고다발지 선정 방법
현재 사고다발지는 한국도로교통공단과 경찰청, 지자체 등에서 선정한다. 교통사고 위험지점을 선정하는 방법으로 교통사고 심각도법 (EPDO법, Equvalent Property Damage Only Method), 사고건수법, 사고율법 등이 있다. 그 중 한국에서는 사고건수법을 채택해 교통사고 위험지점을 선정하고 있다.
사고건수법은 교통사고 건수만을 토대로 어떤 통계적인 해석 없이 교차로의 안전도를 직관적으로 평가할 수 있다는 장점을 가지고 있다(Yu et al., 2007). 다만, 교통량을 고려하지 않는다는 점을 단점으로 들 수 있 다. 예를 들면, 교통량이 두 배 차이나는 두 지점의 사고건수가 같다면 해당 지점의 사고위험도는 동일하다. 따라서, 규모가 작은 도시, 큰 도시의 외곽지역 등 교통량의 변화가 중요하지 않은 지역에 효과적으로 사용 될 수 있다(Kim et al., 2007). 사고건수법의 사고위험도 계산 방법은 식 (1)과 같다.
2) 사고다발지 선정에 관한 연구
Cho et al.(2019)은 2015년 전국 교통사고 데이터를 활용해 교통사고 핫스팟을 제시하고, 공간회귀분석을 통해 교통사고에 영향을 미치는 거시환경요인을 진단하였다. 분석 결과, 울산, 수도권, 부산 등이 주요 핫스 팟으로 선정되었으며, 인구밀도, 운수업체 수, 도로유형 등 사회·교통학적 요인이 교통사고 발생에 유의미한 영향을 미친다는 결과를 도출하였다. Woo et al.(2020)은 2008년부터 2012년 사이 부산광역시에서 발생한 노 인보행사고 자료를 기반으로 GIS 공간통계분석을 실시하여 핫스팟을 판별하고 노인보호구역의 지정 위치와 의 공간적 적합성을 평가하였다. 노인 보행안전개선을 위해 노인보호구역 지정에 관한 정책적 및 운영상의 개선방안을 제시하였다. Kim and Oh(2021)은 CRP(Continuous Risk Profile) 분석을 통해 야간에만 교통사고가 많이 발생하는 야간 특화 교통사고 다발구간을 선정하고 특성을 분석하였다. 2010년에서 2015년 사이 청주- 상주 고속도로 상주방향에서 발생한 교통사고를 대상으로 분석한 결과 IC나 터널 등 시설물 인근 구간에서 야간 CRP 값이 높게 나타났으며, 이는 기하구조보다는 조명 부족에 따른 야간 시인성 저하가 주요 요인으로 추정되었다. Hong et al.(2021)은 2014년에서 2019년 사이 전라북도에서 발생한 교통사고를 대상으로 보행사 고 감소를 위한 교통안전시스템 적용지역 우선순위 선정을 위한 분석방법을 제안하였다. 노인보행사고 및 무단횡단추정사고에 대한 밀도 분석과 가중치 분석을 수행한 결과 전주시 전주시청, 익산시 북부시장 인근 등이 취약지점으로 도출되었으며, 단순 사고건수 기반 분석보다 명확한 지점 선정이 가능해 향후 교통안전 시스템 대상지 선정 지표로 활용할 수 있을 것으로 판단하였다. Son and Park(2022)는 데이터마이닝 기법인 랜덤포레스트 방법론을 활용하여 사고의 내용을 고려한 사고심각도를 분석하여 이를 기반으로 정량화된 사 고 점수를 추정하였다. 추정된 지표를 GIS 환경에 맵핑하여 세부위험구역을 분석하였고 연도 별로 변화하는 위험구역에 대한 분석을 수행하였다. Hwang and Ko(2024)는 보행교통사고 예방효과의 극대화를 위해 2016년 에서 2022년 서울특별시에서 발생한 교통사고를 대상으로 보행교통사고 잦은 곳의 공간적 군집도와 해당 지 점의 공간적 특성을 분석하고 최적의 보행교통사고 잦은 곳 선정 범위를 제시하였다. Ripley의 K-function과 L-function을 사용한 결과를 기반으로 보행교통사고 잦은 곳은 기존의 신호교차로 중심 사고와 달리 소로, 무 신호교차로, 주거지역 등에서 사고가 집중되어 주거지 생활도로 중심의 보행 안전 정책 마련이 시급하다는 결론을 제시하였다.
2. 강우 조건에서 교통사고 관련 선행연구
Park et al.(2010)은 기상상태요인과 도로요인과의 교통사고 발생 관계를 규명하기 위하여 과거 사고이력자 료를 이용하여 5가지 유형(눈, 맑음, 비, 안개, 흐림)에 대해 도로 구성 요소인 노면과 경사도로 구분하여 판 별분석을 수행하였다. 분석 결과, 기상악화 시 콘크리트 노면과 하향경사가 형성된 구간이 평상시보다 주행 시 주의를 필요로 하는 구간임을 확인하였고, 분류함수의 계수 비교를 통해 영향지표를 개발하였다. Shin et al.(2015)은 2013년 1년간 지역응급의료센터를 내원한 18세 이상의 성인 환자 중 부산에서 발생한 교통사고 로 입원한 환자를 대상으로 환자의 중증도와 외부 환경 요소 중 날씨와 강우량에 따른 상관관계를 분석하였 다. 분석 결과, 강우량이 증가할수록 교통사고 환자 수가 유의미하게 증가하는 경향을 보였으며, 시간당 강 우량이 일정 수준을 초과할 때 교통사고 발생위험이 급증하였다. Kim(2017)은 전국 고속도로에서 2012년부 터 2014년까지 수집한 기상인자별 사고분석 자료를 기반으로 실시간 기상정보와 교통정보를 연계하여 기상 상황별 도로위험 예보서비스를 위한 위험지도를 개발하였다. Park et al.(2019)은 2001년부터 2014년까지 전국 고속도로 사고자료와 기상자료를 매칭하여 도로기하구조와 기상상태의 상호작용이 사고심각도에 영향을 미 치는 변수들을 순서형 프로빗 모형을 활용하여 분석하였고, 개별사고 심각도 간의 지역별 상관성을 반영하 였다. 분석 결과, 기상상태에 따라 사고 심각도에 주는 도로기하구조 변수로 톨게이트 및 램프구간, 내리막 경사 3% 이상, 콘크리트 방호벽이 제시되었다.
3. 기존 연구와의 차별점
기존 연구는 주로 사고 발생 빈도와 공간적 집중도에 기반하여 위험지역을 선정하고, 도로기하구조나 사 회·교통학적 요인의 영향을 규명하는 데 중점을 두었다(Cho et al., 2019;Woo et al., 2020;Kim and Oh, 2021;Hong et al., 2021;Son and Park, 2022;Hwang and Ko, 2024). 그러나 이러한 연구들은 기상 조건을 독립적 요 인으로 반영하지 못하거나, 특정 상황(야간, 보행자 등)에 국한되어 있어 기후변화로 인해 증가하는 강우 조 건에서의 교통사고 위험을 충분히 설명하지 못하는 한계가 있다. 한편, 강우 등 기상 조건과 교통사고의 상 관관계를 분석한 연구들은 강우량, 노면 상태, 도로 기하구조와의 상호작용을 통해 사고 발생 가능성과 심각 도를 규명하는 데 초점을 맞추어왔다(Park et al., 2010;Shin et al., 2015;Kim, 2017;Park et al., 2019). 이러한 연구들은 기상정보와 교통사고 데이터를 연계하여 위험 요인을 통계적으로 검증하였으나, 분석의 단위가 개 별사고나 특정 도로구간에 머물러 있어 강우 조건에서의 사고가 공간적으로 어디에 집중되는지 식별하는 데 에는 한계가 있었다.
본 연구는 기존 연구의 이러한 공백을 보완하고자, 교통사망사고 데이터와 기상청 강우자료를 연계하여 강우 조건에서 발생한 사망사고를 별도로 추출하였다. 이후 커널밀도추정(Kernel Density Estimation, KDE)을 적용하여 강우 사망사고의 공간적 집중 패턴을 시각적으로 규명하고, 이를 기존 사고다발지점과 비교·분석 하였다. 그 결과를 바탕으로 기존의 사고다발지 선정 방식이 강우 조건에서 발생하는 모든 사고 위험을 충분 히 포괄하지 못함을 실증적으로 확인하고자 한다. 이는 강우 조건을 반영한 새로운 사고다발지 관리체계의 필요성을 제기하며, 향후 기후변화에 대응한 교통안전정책 수립에 기초자료를 제공할 수 있다는 점에서 기 존 연구와 뚜렷한 차별성을 가진다.
Ⅲ. 연구방법론
1. 방법론 개요
본 연구는 강우 조건에서 발생한 사망교통사고의 공간적 특성을 규명하고 이를 기존 사고다발지점과 비 교·분석하는데 그 목적이 있다. 연구방법론은 <Fig. 1>과 같이 데이터 수집 및 가공, 핫스팟분석, 지리정보분 석 및 해석을 포함한 6단계로 구성된다.
우선, 교통사고데이터, 기상데이터, 사고다발구간 데이터 취득 후 교통사고 데이터의 발생일시와 위치정보 와 강우데이터의 수집일시, 수집지점좌표를 활용하여 강우 조건에서 발생한 사망교통사고를 정의한다. 이후 커널밀도추정(Kernel Density Estimation, KDE) 기법을 활용하여 강우사망사고의 공간적 분포를 연속적인 밀 도 표면으로 추정함으로써 국지적으로 사고위험이 집중되는 지점을 식별하였다. 이러한 추정 결과는 기존의 사고다발지점 정보와 비교되었으며, 두 결과 간의 일치 여부와 차이를 검토함으로써 강우 조건에서의 사고 위험이 기존 관리체계에 충분히 반영되고 있는지를 평가하였다.
<Fig. 1>에서 커널밀도추정(Kernel Density Estimation, KDE)은 비모수적 확률밀도 추정 기법으로, 관측된 사건 지점을 중심으로 커널 함수를 적용하여 주위 공간에 점진적으로 가중치를 분배함으로써 사건 발생의 밀도를 연속적인 표면 형태로 표현한다. 교통사고 분석에서는 개별 사고지점의 단순 빈도 집계가 아니라, 공 간상에서 사고위험이 집중되는 패턴을 파악하는 데 유용하다. 특히 강우와 같은 특정 조건에서 발생한 사고 데이터를 KDE에 적용하면, 국지적 위험지점을 식별하고 공간적 분포를 시각화할 수 있다. 이를 통해 기존의 행정구역 단위나 도로 구간별 집계 방식보다 세밀한 수준에서 사고위험을 해석할 수 있으며, 정책적 개선이 필요한 우선순위 지역을 도출하는 데 기여할 수 있다.
KDE 분석에 사용되는 일반식은 식 (2)와 같으며, 커널함수 K는 가우시안 커널, 에페네치니코프 커널, 코 사인 커널 등 다양하게 정의할 수 있다. 보편적으로 커널함수로 가우시안 커널을 사용하며 해당식은 식 (3) 과 같다.
Ⅳ. 연구 범위 및 데이터
본 연구의 시간적 범위는 2012년부터 2023년까지이며, 공간적 범위는 제주도를 제외한 전국의 고속 및 일반국도 이다. 본 연구에서 활용된 데이터는 사망교통사고 데이터, 방재기상관측(AWS)데이터, 사고다발구간 데이터이다.
사망교통사고 데이터의 경우, TAAS(Traffic Accident Analysis System)의 OpenAPI에서 제공하는 사망교통사 고 데이터를 제공받아 분석하였다. 사망자가 발생한 교통사고의 발생일시, 위·경도, 차종 등 사고와 관련된 내 용이 포함되어 있다. 본 연구를 위해서 2012년부터 2023년까지 총 11년간의 데이터를 활용하였다. 강우 조건에 서 발생한 사망교통사고를 정의하기 위해 추가적으로 기상청 기상자료개방포털에서 제공하는 방재기상관측 (AWS) 데이터를 분석에 활용하였다. AWS 데이터는 기상현상에 따른 자연재해를 막기 위해 실시하는 지상관 측데이터를 의미하며, 종관기상관측(ASOS) 데이터에 비해 더 국지적인 지역의 기상정보를 수집한다. 따라서 주거지 밀집 지역과 일정 거리를 두고 위치한 간선도로 구간에서의 기상환경을 추정하는데 적합하다. 기온, 상수, 바람, 습도 등의 정보를 제공하며, 시간 단위까지 제공되는 사망교통사고데이터와 연계시키기 위하여 전국의 관측지점별 시간 단위 AWS 데이터를 수집하였다. 끝으로 KDE 기반의 강우사고지점과 사고다발구간 과의 비교를 위해서 TAAS(Traffic Accident Analysis System)에서 제공하는 링크 기반 사고위험지역정보를 수집 하였다. 이 데이터는 교통사고 위험지역을 공간적으로 식별하고 분석하기 위해 구축된 자료로서, 연도별·지역 별 사고다발지점에 관한 정보를 포함하고 있다. 특히, 사고위치에 대한 중심점 좌표(UTMK)를 포함하고 있어 공간분석 및 시각화에 활용할 수 있으며, 사고 발생 특성과 지역적 분포를 종합적으로 파악할 수 있다.
<Table 1>
Anlaysis data specification
| Dataset | Source | Period of data collection | Number of datasets |
|---|---|---|---|
| Fatal accident data | TAAS | 2012~2023 | 45,070 |
| Meteorological observation data | Korea meteorological admin. | 2012~2023 | 5251) |
| Data accident-prone area | TAAS | 2017~20242) | 13,566 |
Ⅴ. 연구결과
강우로 인한 교통사고를 정의하기 위하여, 본 연구에서는 사망사고 데이터와 기상청 AWS에서 수집된 지 상관측 데이터를 결합하여 강우 사망사고 데이터3)를 구축하였다. 먼저, <Fig. 2> (a)는 전국적으로 발생한 사 망사고의 공간적 분포를 나타낸 것이다. 강우 사망사고 데이터를 추출하기 위해, 각 사망사고 지점은 최근접 거리에 위치한 AWS와 매칭되었으며, 이후 해당 AWS의 지상관측 자료 중 강우량 정보를 활용하여 강우와 연관된 사망사고를 추출하였다. 참고로 AWS 지점과 사망사고위치와의 거리를 종합적으로 분석한 결과 10km미만인 사고건수는 전체 83.2%인 것으로 확인되었다. 최종적으로 <Fig. 2> (b)는 <Fig. 2> (a)에 제시된 사망사고 데이터 중 강우 조건에서 발생한 사고만을 분리하여 시각화한 결과를 보여준다. 추출된 강우사망 사고 건수는 총 794건으로 전체 사고건수의 1.8%에 해당한다.
<Fig. 2>
(a)Fatal Accidents, (b)Rain Related Fatal Accidents, (c)Rain Related Fatal Accidents and Accidentprone Area, (d) Zoom-in of (c)
강우 사망사고 데이터와 TAAS에서 제공하는 사고다발지점 간의 공간적 연계성을 분석하기에 앞서, 본 연 구에서는 우선 두 데이터의 공간적 분포를 비교하였다. <Fig. 2> (c)는 전국 단위에서 강우 사망사고와 사고 다발지점의 분포 현황이며, <Fig. 2> (d)는 이를 일부 지역으로 한정하여 확대하여 나타낸 결과이다. 분석 결 과, 두 데이터는 공간적으로 대체로 중첩되는 경향을 보이는 것으로 확인되었다. 그러나 일부 지역에서는 강 우 사망사고가 국지적으로 밀집되어 있음에도 불구하고, 해당 지점이 사고다발지점으로 지정되어 있지 않은 사례가 관찰되었다. 이는 강우 조건에서 발생하는 사고 특성이 기존의 사고다발지점 지정 기준과 반드시 일 치하지 않을 수 있음을 시사한다.
본 연구에서는 강우사고 발생의 공간적 밀집도를 파악하기 위하여 2장에서 언급했듯이 KDE 기법을 적용 하였다. <Fig. 2> (b)의 사고 위치 정보를 이용하여 QGIS의 핫스팟 분석 도구를 활용하여 KDE를 수행하였다. 이때 출력 래스터의 셀 크기는 1km X 1km를 적용하였으며 커널 함수의 대역폭(bandwidth)은 29.8km로 설정 하였다. 해당 대역폭(h)은 Silverman(1986)이 제안한 경험적 규칙을 적용하여 산정하였다. 2차원 데이터의 경 우, 대역폭은 다음과 같이 정의될 수 있다.
<Fig. 3>은 강우 사망사고 데이터에 대해 커널밀도추정을 적용한 결과를 확률밀도함수(Probability Density Function, PDF)와 누적분포함수(Cumulative Distribution Function, CDF)의 형태로 제시한 것이다.
좌측의 히스토그램과 함께 표시된 PDF는 단위면적당 교통사고 발생밀도의 분포 특성을 보여주며, 대부분 의 사고가 1건/km² 이하의 낮은 밀도 구간에 집중되어 있음을 확인할 수 있다. 반면 일부 지역에서는 2건 /km² 이상의 고밀도 지역이 존재하는데, 이는 특정 지역에 강우로 인한 사고가 국지적으로 집중됨4)을 의미 한다. 오른쪽 축의 CDF는 사고 밀도의 누적 분포를 나타내며, 약 90% 이상의 사고가 1건/km² 이하의 구간에 서 발생하고 있음을 보여준다. 또한 2건/km² 이상의 고밀도 구간은 전체 사고 중 일부(상위 5% 내외)에 해당 하며, 이는 사고 위험의 공간적 불균형성을 시사한다.
KDE 분석 결과, 2건/km² 이상의 밀도를 보이는 지역 중 일부는 <Fig. 4> (a)에서 확인할 수 있듯이 TAAS 의 링크 기반 사고다발지점과 공간적으로 중첩되는 양상을 나타내었다. 반면, <Fig. 4> (b)에 제시된 바와 같 이 이와 중첩되지 않고 독립적으로 분포하는 지역 또한 존재하였다.
<Fig. 4>
(a)Rain Related Fatal Accident area associated with Accident-prone Area, (b) Rain Related Fatal Accident area not associated with Accident-prone Area
이를 전국 단위로 강우사망사고와 사고다발구간 간의 공간적 관계를 규명하기 위해, QGIS의 중첩 (Intersect) 기능과 비중첩(Disjoint) 기능을 적용하였다. 우선, 강우사망사고 지점 레이어와 사고다발구간 레이 어를 대상으로 셀별 중첩 분석을 수행하여 두 데이터가 중첩되는 셀을 추출하였다. 이 과정을 통해 강우사망 사고가 기존 사고다발구간 내에 포함되는 비율과 해당 구간 내에서의 분포 특성을 확인할 수 있었다. 이어서 비중첩 분석을 실시하여 사고다발구간과 독립적으로 존재하는 강우사망사고 셀을 추출하였다. <Table 2>는 중첩 및 비중첩 분석 결과를 지역별로 보여준다.
<Table 2>
‘Intersect’ and ‘Disjoint’ Analysis by Cell
| Region | Intersect | Sum [1] | Disjoint | Sum [2] | Ratio(%) [2] / [1]+[2] | ||
|---|---|---|---|---|---|---|---|
| Freeway | National Road | Freeway | National Road | ||||
| Seoul | 0 | 298 | 298 | 4 | 22 | 26 | 8 |
| Gyeonggi-do | 105 | 246 | 351 | 12 | 62 | 74 | 17 |
| Incheon | 22 | 44 | 66 | 0 | 2 | 2 | 3 |
| Daegu | 8 | 0 | 8 | 10 | 22 | 32 | 80 |
| Daejeon | 0 | 8 | 8 | 0 | 0 | 0 | 0 |
| Gwangju | 0 | 158 | 158 | 5 | 34 | 39 | 20 |
| Busan | 19 | 118 | 137 | 2 | 10 | 12 | 8 |
| Ulsan | 0 | 0 | 0 | 4 | 13 | 17 | 100 |
| Gyeongsangnam-do | 32 | 59 | 91 | 1 | 8 | 9 | 9 |
| Gyeongsangbuk-do | 0 | 0 | 0 | 10 | 62 | 72 | 100 |
| Chungcheongnam-do | 0 | 22 | 22 | 0 | 0 | 0 | 0 |
| Chungcheongbuk-do | 0 | 0 | 0 | 12 | 54 | 66 | 100 |
| Jeollanam-do | 0 | 58 | 58 | 8 | 35 | 43 | 43 |
| Jeollabuk-do | 0 | 22 | 22 | 5 | 50 | 55 | 71 |
| Gangwon-do | 0 | 0 | 0 | 0 | 4 | 4 | 100 |
| Total Sum | 186 | 1033 | 1219 | 73 | 378 | 451 | 27 |
분석 결과, 전국적으로 강우사망사고지점의 약 73%가 일반 사고다발지점과 겹쳤으나, 27%는 전혀 겹치지 않는 지점에서 발생하였음을 알 수 있다. 지역별로는 수도권과 대도시권(서울, 경기, 부산 등)에서 겹침 비율 이 높아, 평상시 사고가 잦은 지점이 강우 시에도 취약함을 보여준다. 예를 들어, 서울은 중첩 비율이 약 92%, 경기는 83%로 나타났다. 반면, 울산, 경북, 충북, 강원, 전분, 전남 등 지방지역으로 갈수록 그 비율이 매우 낮은 것을 알 수 있다. 이는 지방부 고속도로나 국도의 경우 도심부에 비해 교통량은 적으나 통행 속도 가 높아 강우사고에 취약할 가능성이 크지만, 상대적으로 사고다발지점으로 지정되는 사례는 적기 때문으로 해석된다. 또한, 광역시 중에선 대구가 비중첩 비율이 80%로 타 광역시에 비해 높은 것을 알 수 있다. 도로 유형별로 살펴보면 국도와 고속도로에서 독립적으로 존재하는 강우사망사고지점 비율의 차이는 크지 않은 것을 알 수 있다 (고속도로 28%, 국도 27%).
앞서 강우사고 추출에서도 언급했듯이 강우사고 발생 빈도수는 비강우사고의 수에 비해 현저히 낮은 수 준이다. 그러나 위 결과는 강우라는 특정 환경 요인이 평상시와는 다른 사고 패턴을 형성할 수 있음을 시사 한다. 선행연구에서도 강우 조건에서 사고 심각도와 발생률이 증가할 수 있음이 보고된 바 있으며(Lee et all (2017), Lee et all (2020)), 이는 강우가 교통사고 위험을 증폭시키는 중요한 환경 요인임을 뒷받침한다. 따라 서 강우사고 예방을 위해서는 기존 사고다발지점 중심의 관리 전략에 더해, 강우 취약지점을 별도로 식별하 고 관리하는 전략이 요구된다.
Ⅵ. 결 론
본 연구는 강우 조건에서 발생하는 사망교통사고와 통상적 사고다발지점간의 공간적 특성을 규명하기 위 하여, 사망사고 데이터와 기상청 AWS 관측자료를 결합하고 KDE(Kernel Density Estimation) 분석을 적용하였 다. 이를 통해 강우 사망사고의 고밀집 지역을 도출하고, 도출된 결과를 TAAS에서 제공하는 기존 사고다발 지점과 비교·검증하였다.
분석 결과, 강우 사망사고의 약 73%는 기존 사고다발지점과 중첩되었으나, 27%는 중첩되지 않는 독립적 지역에서 발생하는 것으로 확인되었다. 이는 강우라는 특정 기상 조건이 평상시 사고 발생 패턴과 다른 공간 적 양상을 보일 수 있음을 보여주며, 현재의 사고다발지점 선정 체계가 모든 기상 조건에서의 사고 위험을 충분히 반영하지 못한다는 점을 시사한다. 특히, 수도권 및 대도시권에서는 기존 사고다발지점과 강우사고지 점 간의 일치도가 높은 반면, 지방부의 국도 및 고속도로 구간에서는 강우사고지점이 독립적으로 나타나는 경향이 두드러졌다. 이는 도심지에서는 교통량 요인이 사고위험을 주도하지만, 지방부 도로에서는 기상조건 과 도로 기하구조가 주요한 위험 요인으로 작용할 수 있음을 의미한다.
본 연구 결과를 통해 다음과 같은 시사점을 도출할 수 있다. 첫째, 기존 사고다발지점의 기준만으로는 강 우 조건에서의 사고 위험을 충분히 설명하기 어렵다. 현행 체계가 사고 빈도에 기초하고 있어, 기상 조건에 따른 급격한 사고 위험의 변화를 적절히 반영하지 못하기 때문이다. 둘째, 강우사고의 특수성을 반영한 별도 의 위험지점 관리 체계가 필요하다. 예를 들어, 강우 시 취약구간을 사전에 식별하고 교통안전 시설물, 배수 체계 보완, 가변속도제 등의 대응책을 집중적으로 적용하는 방안이 고려될 수 있다. 셋째, 기존 교통안전정 책과의 보완적 결합 가능성이다. 사고다발지점 관리가 장기적·구조적 개선을 위한 기반 자료라면, 강우사고 분석은 상황별·조건별 단기적 개입을 가능하게 하여 정책적 시너지를 창출할 수 있다.
본 연구의 활용 가능성은 실무적·학문적으로 다양하다. 정책적 측면에서는 도로 관리기관이 강우 시 사고 취약 구간을 우선 관리대상으로 지정함으로써 효율적인 자원 배분이 가능하다. 또한 기상청·국토교통부·경 찰청 등 관계 기관 간 데이터 연계를 통해 기상 예보와 연동된 실시간 사고위험 예측 시스템을 구축할 수 있다. 학문적 측면에서는 강우사고를 포함한 기상조건 기반의 교통사고 연구가 아직 제한적인 상황에서, 본 연구는 기상조건을 교통안전 정책에 반영할 수 있는 실증적 근거를 제시했다는 점에서 의미가 크다.
다만, 본 연구는 고속도로와 일반국도를 대상으로, 강우 조건에서 발생한 사망사고만을 이용하여 KDE를 수행하였다. 반면 비교 대상으로 활용한 TAAS 사고다발구간은 사망·중상·경상 사고를 종합하여 선정되는 특성이 있으며, 도시부 교차로와 같은 구간도 다수 포함된다. 이 둘을 비교할 경우 사고 심각도와 사고건수 와의 비교로 해석될 여지가 있어 보인다. 따라서 향우 분석 범위를 도시부 교차로로 확대하거나 사망사고 뿐 아니라 중상 및 경상 사고를 포함한 데이터를 활용하여 KDE 분석을 실시할 필요가 있어 보인다. 또한, 사망 사고는 발생빈도가 타 사고에 비해 낮기 때문에 본 연구의 분석 결과는 분석 시간에 민감할 수 있는 한계점 이 존재한다.
향후 연구에서는 강우의 강도와 지속시간, 계절적 요인, 도로 기하구조(곡선부, 교차로, 교량 등)와 같은 세부 요인을 통합 분석함으로써 보다 정밀한 위험지점 식별이 필요하다. 또한 기계학습 기반의 예측 모형을 도입하여 사고 발생 확률을 실시간으로 추정하는 연구로 발전시킬 수 있으며, 이는 ITS(Intelligent Transport Systems) 및 자율주행차 안전운행 시스템에도 활용 가능할 것이다.
