Ⅰ. 서 론

자율주행차 기술은 미래 교통 환경의 패러다임 변화를 이끌 핵심 기술로, 일반 차량과 혼재될 경우 주행 행태 차이에 따른 교통 흐름 및 안전성 변화가 불가피하다. 그러나 현재 자율주행차의 실도로 운행은 제한적이므 로, 혼재 교통환경을 정량적으로 파악하기 위해 시뮬레이션 기반 분석이 필수적이다. 이에 따라 자율주행차의 차량 거동, 차선 변경 전략, 시장 침투율 변화 등을 고려한 다양한 연구가 이루어져 왔다.

그러나 다수의 기존 연구는 현실 교통 특성을 충분히 반영하지 못하는 한계를 가진다. Mohammed and Horváth(2023)는 기존 선행연구 중 다수에서 차량별 행태 파라미터의 범위가 구체적으로 제시되지 않았으며, 차선 변경 행태의 영향 또한 명확히 규명되지 않았다고 지적하였다. 또한 기존 연구는 자율주행차의 추종 및 차선 변경 행태를 단일 패턴(예: 짧은 반응시간, 짧은 차간거리)으로 가정하여 실제 도로에서 나타날 수 있는 행태적 다양성을 반영하지 못했다. 일부 연구(Muhammad et al., 2020;Stogios et al., 2019;Sun et al., 2023)는 자율주행차 또한 다양한 주행 성향을 가질 수 있음을 제기하였으나, 이러한 연구는 아직 충분히 축적되어 있 지 않다.

또한 대부분의 기존 연구는 단일 차종 또는 승용차에 집중되어 있어, 버스·화물차 등 차종별 가감속 특성 차이가 혼재 교통환경에서 안전성과 흐름 안정성에 미치는 영향을 충분히 설명하지 못한다. 실제 도로에서 는 차종 간 성능 차이가 충돌 위험과 교통 안정성에 직접적으로 작용하므로 이를 배제할 경우 분석 결과의 현실성이 저하될 수 있다.

이러한 한계를 극복하기 위해서는 자율주행차와 일반 차량이 공존하는 환경에서 운전자 성향, 차종 구성, 기술 성숙도 변화에 따른 행태를 통합적으로 고려한 분석이 필요하다. 이에 본 연구는 단속류 교차로가 포함 된 도시 네트워크를 대상으로, 일반 차량과 자율주행차의 주행 성향을 세분화하고 차종 구성 및 자율주행 기 술 성숙도 변화를 반영한 시뮬레이션을 수행함으로써 혼재 단계별 교통 흐름과 안전성 변화를 정량적으로 분석하는 것을 목적으로 한다.

Ⅱ. 이론적 배경

1. 선행 연구 검토

선행연구에서는 자율주행차(Automated Vehicles, AV)의 행태 특성과 혼재 교통환경에서의 영향 분석을 중 심으로 다양한 접근이 이루어졌다. Shang et al.(2020)은 AV의 보수적 추종 행태가 고속도로 환경에서 안정성 을 향상시킬 수 있음을 보였으며, 속도 변동성과 안전 차간거리 확보가 시스템 안정성의 핵심 요소임을 제시 하였다. 이러한 연구는 AV의 미시적 주행 파라미터가 교통 안정성에 큰 영향을 미친다는 점을 보여주지만, 고속도로 환경 중심이라는 공간적 한계가 존재한다.

Li et al.(2023)은 공격적·보수적 운전자 성향과 AV 혼입률에 따른 용량·안정성 변화를 분석하였으며, 특정 성향의 비중이 높아지면 초기에는 용량이 증가하지만 혼재 단계에서는 오히려 불안정성이 발생할 수 있음을 밝혔다. 이는 운전자 성향의 조합이 AV 혼재 환경에서 중요한 변수임을 시사한다는 점에서 본 연구와 직접 적인 연관성을 가진다.

또한 차선 변경 전략을 고려한 연구들도 수행되었다. Muhammad et al.(2020)은 AV의 차선 변경 행태를 공 격적/예의 있는 유형으로 구분하여 그 영향을 비교하였고, 조건에 따라 용량 개선 효과와 동시에 상충효과도 발생할 수 있음을 제시하였다. Stogios et al.(2019)는 AV의 짧은 반응시간·차간거리 특성이 낮은 침투율에서 도 일정 수준의 흐름 개선을 가져올 수 있음을 밝혔다. 그러나 보수적 설정일 경우 오히려 지체 증가가 나타 날 수 있음을 언급하여, AV 내부의 행태 가정이 결과의 민감도에 큰 영향을 준다는 점을 강조하였다. Wang et al.(2022) 역시 AV의 차선 변경 전략이 특정 상황에서는 오히려 교통 흐름을 불안정하게 만들 수 있다고 하여, AV의 단일 행태 가정의 한계를 지적하였다.

혼재 비율과 충돌 위험도를 분석한 연구에서는 Sohrabi et al.(2021)이 AV 비율 증가가 대체로 충돌 감소로 이어질 수 있다고 평가하면서도, 일부 연구에서는 중간 침투율에서 불안정성이 증가하는 역효과가 보고된다 고 정리하였다. Tafidis et al.(2022)는 연구 간 상반된 결과가 지표·모델·시나리오 간 차이 때문이라고 분석하 며, 행태·차종·전략을 통합적으로 고려할 필요성을 제시하였다.

국내 연구에서도 혼재 교통 분석이 증가하고 있다. Oh et al.(2023)은 도시 네트워크에서 AV 수준(Level)과 혼입률 변화에 따른 교통 특성을 분석하며, 신호교차로 포함 네트워크 환경에서 AV 비율 변화의 패턴을 제 시하였다. Lim et al.(2023)은 국내 시범운행지구(판교 제로시티)를 대상으로 혼재 교통 운영전략을 제안하며, AV 도입 초기 단계에서 상호작용 불안정성이 크게 발생할 수 있음을 강조하였다. Kim et al.(2024)은 다양한 차종 혼합 상황에서 안전성 지표 변화를 평가하며, 대형차의 제동·기동 성능 차이가 혼재 환경에서 충돌 위 험 증가의 주요 원인일 수 있음을 밝혔다. 다만 국내 연구들은 단일 요소 또는 특정 상황(단일 교차로, 특정 혼입률 등)에 집중되는 경향이 있어, 행태·차종·기술 성숙도·네트워크 구조를 모두 통합적으로 고려한 분석 은 부족하다는 한계가 있다.

이와 같이 기존 연구들은 AV 혼재 시나리오에서 개별 요소(행태, 차선 변경 전략, 혼입률 등)를 중심으로 한 단편적 접근이 주를 이루며, 특히 단속류 교차로가 포함된 도시 네트워크 전체에서 행태·차종·보급단계를 동시에 반영한 연구는 매우 제한적이다. 본 연구는 이러한 선행연구의 공백을 보완하기 위해, 다양한 운전자 성향·차종 구성·자율주행 기술 성숙도 변화가 혼재 교통 환경에서의 소통성과 안전성에 미치는 영향을 통합 적으로 분석하였다는 점에서 차별성을 가진다.

2. 연구의 차별성 및 시사점

앞서 자동화 차량의 점유율 변화에 따른 교통 영향을 분석한 연구 중 일반 운전자 및 자율주행 차량의 비 일관적인 주행 행태를 고려한 선행연구는 존재하지만, 그 수가 제한적이며 대부분 연속류 시나리오에 초점 을 맞추고 있다. 이에 따라 교차로가 다수 포함된 단속류 네트워크 환경에서 다양한 차종과 운전자 행태를 동시에 반영한 연구 결과는 부족한 실정이다. 또한 기존 연구들은 운전자 성향의 비율과 행동적 가정이 상이 하여, 결과 비교와 일반화에 한계가 있다는 문제가 제기된다.

따라서 본 연구는 자동화 수준뿐만 아니라 주행 성향의 다양성을 함께 고려하고, 자율주행 버스 및 화물 차 등을 포함한 현실적인 차종 구성에서 자율주행 차량이 교통에 미치는 영향을 분석하고자 한다. 또한 시간 경과에 따른 기술 성숙도를 반영하여 자율주행 차량 운전자의 주행 적극성이 변화할 수 있다는 점을 시나리 오 설계에 포함함으로써, 실제 도입 과정에서 발생할 수 있는 단계별 행태 변화를 고려하였다. 이는 단순한 혼입률 변화가 아니라 “행태적 전환”을 주요 변수로 설정한다는 점에서 기존 연구와 구별된다.

아울러 기존 연구가 주로 교통류 흐름에 초점을 맞춘 반면, 본 연구는 안전성과 교통 효율을 종합적으로 분석하기 위해 대표 지표를 선정하여 혼입률별 변화를 정량적으로 평가하였다. 이는 자율주행 도입에 따른 정책적 대응과 기술적 전략 수립을 위해 교통 영향 전반을 다각도로 검토할 필요가 있다는 점을 반영한 것이 다. 결과적으로 본 연구는 주행 행태, 차종 구성, 기술 성숙도를 통합적으로 고려함으로써 혼재 교통 환경을 보다 현실적으로 모사하고, 향후 자율주행 도입 전략 수립에 기초자료로 활용될 수 있는 시사점을 제공한다.

Ⅲ. 차량별 주행 모델 설정

1. 주행 모델 선정

Negash and Yang(2023)은 다양한 운전자 행동 모델을 검토한 결과, Car-following과 Lane-changing 기동이 표준 도로 기동이며 자율주행 및 커넥티드 차량 설계에 적용 가능하다고 제시하였다. 이에 본 연구는 Car-following 기동을 모사하기 위해 IDM을, Lane-changing 기동을 모사하기 위해 LMRS 모델을 선정하였다.

Sun et al.(2020)은 IDM이 혼잡 자율주행 환경에서 널리 활용되며, 정차와 재출발이 반복되는 파동을 현실 적으로 재현할 수 있음을 입증하였다. 또한 Asaithambi et al.(2018)은 IDM이 1시간 단위 집계 데이터와 1분 단위 세분 데이터 모두에서 관측된 교통 상황을 비교적 정확하게 표현할 수 있다고 분석하여, IDM의 신뢰성 과 적용성을 확인하였다. 이에 따라 본 연구에서는 운전자 성향 및 추종 행태 차이를 반영할 수 있는 모델로 IDM을 채택하였다.

한편, Ma and Li(2023)은 차로 변경 모델은 앞 차량 위치, 속도 차이, 안전 간격 등 복합 요인을 고려해야 한다고 제시하였으며, Knoop et al.(2012)은 밀도 높은 실제 환경에서 기존 gap-acceptance 이론과 다른 차로 변경 행태가 발생하며, 의무적 차로 변경을 설명할 수 있는 모델의 필요성을 제기하였다. 이를 바탕으로 검 토한 결과, LMRS는 의무적 차로 변경과 추월 욕구를 반영하고, 이완·동기화 과정을 통해 다양한 추종 모델 과 결합이 가능하며, 매개변수가 단순해 교정이 용이하다는 장점을 가진다(Schakel et al., 2012). 또한 Nishimura et al.(2019)은 IDM과 LMRS를 통합하여 일반 차량과 자율주행 차량을 구현한 바 있어, 두 모델의 결합이 본 연구 목적에 적합함을 시사하였다.

2. 차량별 모델 파라미터 설정

Lin et al.(2014)기존 연구를 검토한 결과, 운전자 특성이 Cautious, Average, Reckless의 세 범주로 분류된다 고 제시하였다. 이에 본 연구는 추종 및 차선 변경 행태를 Cautious, Normal, Aggressive의 세 가지 운전자 성 향으로 범주화하여 모델에 적용하였다. 특히 대부분의 연구가 자율주행 차량의 행태를 획일적으로 가정한 것과 달리, 본 연구는 자율주행 차량 또한 다양한 행태 범주를 가질 수 있다고 가정하였다. 이는 실제 산업 에서 운전 스타일 기반 주행 모드 개발이 진행되고 있다는 점을 반영한 것이다.

한편, Guériau and Dusparic(2020)은 기존 연구에서 CAV의 제어권 전환이 용량 감소 등 부정적 영향을 초 래할 수 있어, 기술 수용성을 높이기 위해 현재 기술 수준에서 Level 4로의 직접적인 발전 가능성이 높다고 보았다. 이러한 관점을 기반으로 본 연구는 시뮬레이션 대상을 일반 차량과 완전 자율주행 차량(Level 4)으로 구성하여 분석하였다.

아래 <Table 1>은 일반 차량에 적용한 IDM 및 LMRS 모델의 주요 파라미터 값을 제시한 것이다. 일반 운 전자 파라미터는 Hu et al.(2023)에서 Waymo 자율주행 차량과 일반 차량의 실제 궤적 데이터를 활용하여 교 정한 IDM 파라미터를 반영하였다. Cautious와 Aggressive 운전자의 파라미터는 행태 차이를 명확히 하기 위 해 Normal 값을 기준으로 20% 증감하여 적용하였다. 또한 차량 길이 및 IDM 파라미터는 Krol et al.(2024)에 서 실제 주행 데이터를 기반으로 제시된 값을 반영하여 차종별로 교정하였다.

아래 <Table 2>는 자율주행 차량에 적용한 IDM 및 LMRS 모델의 주요 파라미터를 제시한 것이다. 자율주 행 차량은 일반 차량에 비해 추월 욕구 기반 차로 변경 민감도(d_free)를 낮게 설정하였으며, 협력 행동 기준 (d_coop) 또한 낮추어 보다 협조적인 차로 변경이 가능하도록 구성하였다. 이는 자율주행 차량이 더 안전하 고 협력적인 행태를 가진다는 가정에 근거한 설정이며, 차량 추종 관련 파라미터에서도 일반 차량보다 행태 변화에 덜 민감하게 반응하도록 반영하였다.

Ⅳ. 시뮬레이션 실행 및 결과 분석

1. 시뮬레이션 범위 및 시나리오 설정

본 연구의 시뮬레이션 대상 지역은 경기도 화성시 동탄 2지구의 9개 교차로 네트워크이며, <Fig. 1>에 제 시된 바와 같이 교차로와 병합부가 포함된 단속류 도시 도로 구조를 대상으로 설정하였다. 해당 지역은 혼잡 과 사고 발생 가능성이 높은 신도시이자 자율주행 시범 사업이 활발히 진행되고 있는 지역으로, 자율주행·일 반 차량 혼재 상황을 모사하기에 적합하다고 판단하였다.

<Fig. 1>

Spatial scope of the study

모든 시나리오는 1800초(30분) 동안 수행되었으며, Time step은 1초로 설정하였다. 무작위성 영향을 최소화 하기 위해 동일 시나리오를 서로 다른 난수 시드로 10회 반복 수행하고 평균값을 결과로 활용하였다. 또한 본 연구는 자율주행 차량 증가에 따른 교통 영향 분석에 초점을 두고 있으므로, 교통량은 모든 시나리오에서 차로당 100 veh/hour로 동일하게 유지하였다. 시뮬레이션 실행은 Python 기반 COM 인터페이스를 통해 구현 하였다.

자율주행 차량 비율 변화는 시장 점유율(MPR)을 중심으로 시나리오를 구성하였으며, 기술 수용 초기부터 완전 자율주행 단계까지의 변화를 0%, 25%, 50%, 75%, 100%의 다섯 단계로 설정하였다. 이는 자율주행 기술 확산에 따라 시장 점유율이 점진적으로 증가할 것이라는 가정을 기반으로 하며, 각 단계는 <Table 3>과 같이 Pre-Adoption, Early Adoption, Growth, Maturity, Dominance로 정의하였다. Pre-Adoption은 일반 차량 100% 환경 을 의미하며, Early Adoption은 소수의 자율주행 차량이 도입되는 초기 단계, Growth는 점유율이 50%에 도달한 단계, Maturity는 자율주행 차량이 주도적인 환경, Dominance는 100% 완전 자율주행 단계를 의미한다.

또한 본 연구는 자율주행 기술 성숙도에 따라 주행 성향이 보수적(Cautious)에서 점진적으로 Normal, Aggressive로 이동할 가능성을 시나리오에 반영하였다. Hu et al.(2023)은 현재 자율주행 차량이 안전을 보장 하기 위해 보수적으로 행동한다고 하였으나, Zhu et al.(2020)은 기술에 대한 신뢰와 적응이 높아질수록 더 짧 은 시간 간격을 선호하는 경향이 있다고 제시하였다. 이에 따라 자율주행 차량의 주행 행태는 기술 성숙 단 계가 높아질수록 보다 적극적인 주행 성향 비중이 증가하는 방식으로 구성하였다.

한편 일반 차량의 주행 성향은 고정 비율로 설정하였다. Li et al.(2023)은 중국 고속도로 데이터를 기반으 로 소심·정상·공격적 운전자가 11:65:24 비율을 보인다고 하였으며, Zhu et al.(2020)은 공격적 운전자가 전체 운전자의 약 25%에 해당한다고 밝혔다. 이를 반영하여 본 연구는 Aggressive 25%, Normal 65%, Cautious 10% 의 비율로 일반 차량의 행태를 구성하였다.

2. 평가지표 선정

본 연구는 자율주행 차량 도입이 네트워크의 교통 흐름과 주행 안전성에 미치는 영향을 종합적으로 평가 하고자 하였다. 선행 연구 검토 결과, SSM(Surrogate Safety Measurement)이 기존의 주요 안전성 평가 방법으 로 활용되고 있으며, 자율주행 차량 도입 시 사고 유형·건수·사망률 감소를 통해 편익을 산출할 수 있음이 확인되었다(Tafidis et al., 2022). 또한 Tafidis and Pirdavani(2023)는 충돌 관련 데이터가 충분히 축적되기 전 단계에서는 SSM이 초기 적용 지표로서 적합하며, 운전 행태 변화로 인한 상대적 안전 성능을 나타내는 데 유용하다고 보았다. 특히 자율주행 혼재 환경에서 일반적으로 사용되는 SSM은 Time to Collision(TTC)과 Post Encroachment Time(PET)임이 확인되었으며(Sohrabi et al., 2021), 이를 통해 주행 안전성을 평가하고자 하였다.

그러나 Sohrabi et al.(2021)과 Wang et al.(2021)은 기존 SSM을 자율주행 혼재 환경에 그대로 적용하는 것 에 대해 타당성 의문을 제기하였다. 특히 자율주행 차량은 좁은 차간거리 자체가 반드시 충돌 위험으로 이어 지지 않을 수 있으며, TTC 기반 평가는 차량별 반응 시간과 회피 행동을 고려하지 않는다는 한계를 지적하 였다. 또한 차선 변경 및 합류 등 측면 위험에 대한 연구가 부족하다는 점도 제기되었다.

이에 따라 본 연구는 SSAM(Surrogate Safety Assessment Model) 기반 궤적 분석을 활용하여 안전성을 평가 하였다. 안전성 평가는 충돌 빈도 특성을 나타내는 TTC, 충돌 심각도를 반영하는 MaxD 및 Driving Volatility, 그리고 충돌 유형별 발생 확률을 통해 수행하였다. 이러한 선정은 MaxD가 SSM 지표 중 유일하게 회피 동작 을 고려하는 지표이며, Driving Volatility가 별도의 임계값 설정 없이 차량의 감·가속 변동성을 기반으로 충돌 영향을 추정할 수 있다고 제시한 Tafidis and Pirdavani(2023)의 연구를 근거로 하였다. 또한 교통 흐름과의 종 합적 비교를 위해 동일 교통량 조건에서 시나리오별 평균 통행 속도 변화를 추가 지표로 평가하였다.

3. 시나리오별 교통 영향 분석

본 연구는 차량의 주행 성향과 차종 구성, 그리고 자율주행 차량의 시장 점유율 변화가 교통 효율성과 안 전성에 미치는 영향을 비교·분석하였다. 우선, 승용차 100%로 구성된 환경에서 주행 성향의 차이를 살펴본 결과, 공격적 성향은 가장 높은 충돌 빈도와 짧은 TTC, 큰 MaxD, 높은 Driving Volatility를 나타내며 위험 수 준이 가장 높은 것으로 확인되었다 <Table 4>. 반면, 보통 성향은 상대적으로 낮은 충돌 심각도와 안정적인 속도 유지가 나타나 가장 균형적인 주행 특성을 보였으며, 주의 성향은 충돌 빈도가 가장 낮았으나 속도 저 하와 급제동 가능성이 증가하여 효율성이 떨어지는 경향을 보였다. 이를 통해 운전자 집단의 성향 구성 비율 이 네트워크의 안전성과 흐름 수준을 결정하는 중요 요인이 될 수 있음을 확인하였다.

특히 공격적 운전자는 평균 속도가 가장 높음에도 불구하고 총 충돌 건수가 가장 많고 Mean TTC가 0.43 s로 가장 짧아 위험 회피 여유가 크게 제한되는 것으로 나타났다. 반면 보통 성향은 충돌 빈도와 충돌 심각 도가 모두 낮아 속도와 안전성 측면에서 가장 안정적인 특성을 보였다. Cautious 성향은 충돌 수는 적으나 Mean TTC가 Normal 대비 짧고 평균 속도가 낮아, 과도한 방어 운전이 뒤차의 급감속을 유발하여 흐름 안정 성에 부정적 영향을 미칠 수 있음을 시사한다.

이후 동일 조건에서 차종 구성을 실제 교통 비율에 맞추어 승용차·HGV·버스로 혼합한 결과, 전체 충돌 건수가 증가하였으며 특히 후방 추돌 비중이 크게 확대되었다 <Table 5>. 이는 대형 차량의 제동 한계와 낮 은 가감속 성능이 차량 간 상호작용을 어렵게 하여 충돌 가능성을 높인 것으로 해석된다. 평균 속도는 전반 적으로 감소하였고, Volatility는 큰 변화가 나타나지 않아 차종 구성 변화는 속도 저하와 후방 충돌 위험에 주로 영향을 미치는 것으로 판단되었다. 또한 측면 충돌 역시 일부 증가하여, 혼합 차종 환경이 직진 흐름뿐 아니라 횡방향 충돌 위험에도 영향을 줄 수 있음을 시사하였다.

혼합 차종 환경에서 후방 추돌이 크게 증가한 것은 대형차의 낮은 가·감속 성능과 차량 길이에 따른 관성 차이로 인해 차간거리 유지가 어려워졌기 때문으로 해석된다. 특히 Cautious 성향에서는 후방 추돌 건수가 승용차-only 구성 대비 급증했는데, 이는 느린 가속과 잦은 감속이 뒤차의 TTC를 급격히 감소시켜 네트워크 전반의 흐름 안정성을 저하시킨 결과로 볼 수 있다. 또한 차선 변경 시 Gap 확보가 어려워지면서 Lane Change 관련 충돌 비중도 증가하였다.

자율주행 차량의 시장 점유율을 기술 성숙도 단계에 따라 변화시킨 분석에서는, 자율주행 비율이 75%에 이르는 Maturity 단계에서 총 충돌 수가 최대치를 기록하며 혼합 교통 환경에서 상호작용으로 인한 위험이 오히려 증폭될 수 있음이 확인되었다 <Table 6>. 이후 100% 자율주행이 이루어진 Dominance 단계에서는 충 돌 수가 감소하고 평균 속도가 가장 높아져 흐름 효율이 개선되는 양상을 보였으나, Volatility와 급제동은 여 전히 존재하여 완전 무사고 환경으로의 전환은 제한적임이 나타났다. 특히 초기 도입 단계에서는 TTC가 가 장 짧게 나타나, 자율주행 차량이 기존 차량과 혼재하는 시기에 위험 대응 여유가 부족할 수 있음을 보여주 었다.

종합하면, 주행 성향과 차종, 그리고 자율주행 차량의 점유율 변화는 교통 효율성과 안전성에 서로 상반된 영향을 미치며, 특히 혼합 단계에서 충돌 위험이 가장 높게 나타났다. 이는 자율주행 차량의 도입이 즉각적 인 안전성 향상을 보장하지 않으며, 혼합 교통 환경에 적응하기 위한 알고리즘 개선과 정책적 대응, 그리고 단계별 운행 전략 마련이 필요함을 시사한다.

AV 비율이 초기 단계(Early Adoption, 25%)로 증가할 때 충돌 수가 증가한 것은 보수적 자율주행차와 인 간 운전자 간 반응 양식의 불일치로 인해 상호작용 혼란이 발생했기 때문이다. 이 단계에서 Mean TTC가 가 장 짧게 나타난 점은 이러한 상호작용 불안정성을 반영한다. AV 비율이 50%에 도달하면 일반차–AV 간 상 호작용이 일정 패턴을 형성하면서 충돌 수가 감소하였으나, 75% 단계에서는 자율주행차 내부의 성향 다양성 이 확대되고 차선 변경·합류 상호작용이 증가하여 충돌 건수가 가장 높게 나타났다. 반면 100% 자율 환경에 서는 주행 알고리즘이 표준화되면서 충돌 수가 감소하고 평균 속도가 가장 높아지는 등 흐름이 안정화되는 경향을 보였다.

Ⅴ. 결 론

본 연구는 자율주행 차량의 기술 성숙과 시장 점유율 변화가 혼재 교통류의 소통성과 안전성에 미치는 영 향을 마이크로 시뮬레이션 기반으로 정량 평가하였다. 분석 결과, 운전자 주행 성향은 교통 시스템에 뚜렷한 영향을 미쳤으며, 공격적 성향은 높은 속도에도 불구하고 충돌 빈도와 위험 지표가 가장 높아 안전성이 저하 되는 패턴을 보였다. 반면 보통 성향은 안정적인 속도와 낮은 충돌 심각도를 나타내 가장 균형적인 특성을 보였으며, 주의 성향은 사고는 적었지만 과도한 방어 운전으로 인해 효율성이 저하될 가능성이 확인되었다.

차종이 혼합될 경우 전체 충돌 수가 증가하고 특히 후방 추돌이 크게 확대되어, 대형 차량의 제동 한계와 낮은 기동 성능이 안전성 저하의 주요 요인으로 작용함을 확인하였다. 이는 혼합 차종 환경이 흐름 저하뿐 아니라 측면 충돌 위험에도 영향을 줄 수 있음을 시사한다.

자율주행 차량의 보급 확대는 초기 단계에서 충돌 위험이 증가하는 역효과가 나타났으며, 특히 자율주행 차량이 과반을 차지하는 Maturity 단계에서 위험 지표가 최대치를 기록하였다. 그러나 완전 자율 환경으로 전환되면 충돌 수와 위험도가 감소하고 평균 속도가 개선되어 교통 효율이 안정화되는 경향을 보였다. 이는 자율주행 기술 도입이 즉각적 안전성 향상을 보장하지 않으며, 혼합 교통 단계에서의 상호작용 관리가 중요 함을 의미한다.

본 연구는 주행 성향, 차종 구성, 보급 단계에 따라 교통 시스템의 안전성과 효율성이 달라질 수 있음을 제시하며, 향후 자율주행 도입 과정에서 기술적 조정과 정책적 대응이 병행되어야 함을 시사한다. 다만 본 연구는 시뮬레이션 기반 가정을 활용하였기에 현실적 요인 반영의 한계가 존재한다. 향후 연구에서는 기상· 사고·비정상 상황 등 다양한 조건을 포함하고, 실도로 데이터 기반의 모델 보정과 자율주행 차량의 의사결정 전략을 반영함으로써 보다 현실적인 분석이 필요할 것이다.

본 연구는 시뮬레이션 기반으로 자율주행차와 일반 차량의 혼재 환경을 정량적으로 분석하였으나, 몇 가 지 한계점이 존재한다. 첫째, 시뮬레이션은 실제 도로의 모든 불확실성과 돌발 요소를 완전히 재현하기 어렵 기 때문에, 기상 악화, 돌발 사고, 공사 구간 등 비정상 교통 상황을 포함하지 못하였다. 둘째, 본 연구에서 사용한 자율주행차의 주행 행태(IDM·LMRS 기반)는 단일 알고리즘 구조를 전제로 하고 있으며, 제조사별 또 는 기술 플랫폼별 알고리즘 차이를 반영하지 못하였다. 이는 동일한 AV라 하더라도 실제 환경에서는 서로 다른 가감속·차선 변경 전략이 존재할 수 있음을 고려할 때 중요한 한계로 볼 수 있다. 셋째, 분석 대상 지점 이 단일 도시(화성 동탄2)로 한정되어 있어, 지형·신호운영·도로 구조가 다른 도시 네트워크로 일반화하기에 는 제약이 존재한다. 넷째, SSAM 기반 안전성 평가는 상대적 위험도 비교에는 유용하나, 실제 사고 확률이 나 피해 규모를 직접적으로 추정하는 데에는 한계가 있으며, 장기 관찰 기반의 충돌 자료와 결합할 필요가 있다.

향후 연구에서는 실도로 궤적 자료 및 센서 데이터 기반의 모델 보정을 통해 시뮬레이션의 현실성을 강화 하고, 기상·돌발 상황 등 비정상 조건을 포함한 확장 분석이 필요하다. 또한 자율주행차의 제조사별 알고리 즘 차이, V2X 통신기반 협력 주행 전략, 신호최적화와의 연계 효과 등을 반영하여 혼재 환경에서의 상호작 용을 보다 세밀하게 검토할 필요가 있다. 마지막으로, 다양한 도시 규모와 네트워크 구조를 대상으로 한 비 교 연구 및 실제 실증 데이터와의 통합 분석을 통해 본 연구의 결과를 일반화할 수 있는 후속 연구가 요구 된다.