Ⅰ. 서 론
1. 연구 배경 및 필요성
한국도로교통공단 교통사고 분석시스템(Traffic Accident Analysis System, TAAS)에서 제공하는 국내 교통사고 통계에 따르면, 전체 교통사고 발생 건수는 2020년 209,654건에서 2024년 196,349건으로 연평균 약 1.6%씩 완만한 감소 추세를 보인다(Korea Road Traffic Authority, 2026). 이에 반해 운전자의 의도와 관계없이 차량이 급격히 가속하였다고 주장하는 급발진 의심 교통사고 건수의 경우 오히려 지속적으로 증가하고 있는 것으로 나타났다(Ahn and Shim, 2025). 이러한 급발진 의심 교통사고의 원인을 규명하기 위한 분석결과, 국립과학수사연구원의 감정에서는 실제 차량 결함으로 확인된 사례는 없었으며 대부분의 교통사고가 운전자의 페달 오조작(pedal misapplication) 때문인 것으로 감정되었다(Park et al., 2019). 이처럼 운전자 조작 오류에 기인한 페달 오조작 교통사고는 발생 양상을 예측하기 어렵고 보행자나 고정 구조물과의 충돌로 이어질 가능성이 높아 교통안전 측면에서 중대한 위험 요인으로 작용한다. 일례로, 2003년 미국 Santa Monica 농산물시장에서는 86세 고령 운전자가 가속 페달을 제동 페달로 오인하여 보행자 10명이 사망하고 63명이 부상을 입는 대형 사고가 발생하였다. 이는 페달 오조작 교통사고가 저속 환경에서도 단일 사고로 대규모 인명 피해를 초래할 수 있다는 위험성을 시사한다(Smith et al., 2021).
이러한 배경 속에서 국내외 교통안전 관련 주체들은 페달 오조작 교통사고를 예방하기 위한 다양한 기술적, 제도적 대응을 추진하고 있다. 일본의 자동차 안전성 평가 제도인 일본 자동차 안전도 평가 제도(Japan new car assessment program, JNCAP)은 페달 오조작에 의한 가속 제어 성능을 평가하는 안전도 항목을 도입하였으며, 고령 운전자를 대상으로 안전운전을 지원하는 사포카(safety support car, SAPOCAR) 제도를 운영하고 있다. 유럽 또한 Euro NCAP Vision 2030을 통해 향후 페달 오조작 교통사고 대응 기술을 평가 항목에 포함할 계획임을 밝혔다. 국내에서도 자동차 안전도 평가 제도(korea new car assessment program, KNCAP)를 중심으로 페달 오조작 방지 장치에 대한 안전성 평가 기준이 단계적으로 도입되고 있으며, 현대자동차의 페달 오조작 안전 보조 시스템(pedal misapplication safety assist, PMSA) 등 완성차 제조사를 중심으로 가속 억제, 비상 제동 연계 기술 등이 적용되어 상용화되고 있다.
그러나 이러한 기술 및 제도적 대응에도 불구하고, 현행 페달 오조작 방지 기술과 평가 체계에는 한계가 존재한다. 현행 페달 오조작 방지 장치의 평가는 평가 차량 및 장애물(차량) 모두 정지 상태에서 시험을 시작하며, 시험 시작 위치는 평가 차량 기준 전·후방 1m, 1.5m의 제한된 시나리오를 중심으로 구성되어 있다(Korea Automobile Testing&Research Institute, 2025). 이러한 시나리오는 실제 페달 오조작 교통사고에서 관찰되는 다양한 오조작 유형과 발생 맥락을 포괄적으로 반영하지 못한다는 한계가 존재한다. 이는 페달 오조작 교통사고가 단일 메커니즘이 아닌 운전자 특성, 주행 환경, 충돌 대상, 차량 상태 등이 복합적으로 작용하여 발생하는 사고임에도 불구하고, 현재 체계에서는 이를 충분히 구조화하여 반영하지 못하고 있음을 의미한다.
따라서 페달 오조작 교통사고의 예방 및 대응 기술을 실질적으로 고도화하기 위해서는 1차원적인 빈도 및 사례분석을 넘어, 실사고 기반 페달 오조작 교통사고만의 고유한 발생 특성과 반복적으로 나타나는 사고 양상을 체계적으로 분석할 필요가 있다. 즉, 다양한 실제 사고 사례 데이터를 기반으로 페달 오조작 교통사고를 유형화하고, 각 유형이 어떠한 인적, 차량, 환경적 특성에서 발생하는지를 정밀하게 규명하는 과정이 요구된다. 이러한 교통사고 유형화는 향후 페달 오조작 방지 기술의 설계 방향 설정은 물론, 안전도 평가 시나리오의 현실성 제고 및 정책적 대응 전략 수립을 위한 핵심 기초 자료로 활용될 수 있다.
본 연구는 이러한 문제의식에 기반하여, 국내 페달 오조작 교통사고 데이터를 중심으로 사고 특성과 패턴을 분석 및 종합 해석하고, 이를 통해 향후 페달 오조작 방지 기술의 평가 기준 고도화 및 사고 예방 정책 수립을 위한 실증적 근거를 제공하고자 한다.
2. 연구 범위 및 절차
본 연구는 급발진 의심 교통사고 중 원인이 페달 오조작으로 감정된 교통사고 사례를 대상으로 사고 특성과 발생 양상을 체계적으로 분석하는 것을 연구 범위로 설정한다. 이를 위해 한국교통안전공단(Korea Transportation Safety Authority, TS) 자동차안전연구원(Korea Automobile Testing&Research Institute, KATRI)이 수집한 급발진 의심 교통사고 데이터 중, 조사 결과 사고 원인이 페달 오조작으로 감정된 사례를 선별하여 분석에 활용하였다. 특히, 기초 통계 자료에서 포착하기 어려운 사고 발생 맥락과 유형적 특성을 도출하는 데 초점을 두고, 2024년 1년 동안 수집된 총 243건의 페달 오조작 교통사고 데이터를 분석 대상으로 삼았다.
연구 절차는 다음과 같이 구성된다. 먼저, 혼합형 변수로 구성된 페달 오조작 교통사고 데이터의 특성을 반영하기 위해 Gower distance를 활용하여 개별 사고 사례 간 유사도를 추정하였다. 추정된 거리 행렬을 기반으로 사고 사례 간 이질성 분포를 시각화하고, 전반적인 사고 특성의 연속성과 분절 여부를 탐색하였다. 이후 사고 유형의 구조적 분류, 즉 군집화를 위해 응집형 계층적 클러스터링(agglomerative hierarchical clustering)을 적용하였다. 군집 간 거리는 average linkage 방식을 사용하여 정의하였으며, 덴드로그램(dendrogram)과 병합 거리 변화 추이를 종합적으로 검토하되, 병합 거리의 급격한 증가 지점과 클러스터 간 크기 불균형 여부를 함께 고려하여 최종 군집 수를 결정하였다. 이후 분석을 통해 도출된 개별 클러스터에 대해 사고 시나리오의 해석 가능성과 정책적 활용성을 제고하기 위해, 군집 간 공통 특성과 사고 시나리오의 의미 단위를 중심으로 군집을 재구성하는 통합안을 도출하였다.
1. 관련 이론 및 동향
1) 페달 오조작의 정의
페달 오조작은 운전자가 의도한 주행 조작과 달리 차량의 가속 또는 감속을 제어하는 과정에서 잘못된 페달을 조작하는 운전자 오류의 한 유형으로 정의된다. 다양한 선행 연구들에서 페달 오조작은 주로 제동이 요구되는 상황에서 가속 페달을 잘못 조작하거나, 감속 또는 정지로의 전환이 필요함에도 불구하고 가속 상태가 유지되는 현상으로 설명된다(Ekambaram et al., 2023). 이와 같이 제동 페달 대신 가속 페달이 조작되는 경우, 차량의 급작스럽고 비의도적인 가속(sudden unintended acceleration, SUA)으로 이어질 수 있다(Smith, 2022). 이러한 관점에서 페달 오조작은 단순한 조작 실수를 넘어, 운전자 인지와 차량 반응 간의 불일치로 인해 교통사고 위험을 증폭시키는 핵심 요인으로 간주된다.
나아가 페달 오조작을 예방하거나 그 위험을 완화하기 위해 국내·외 기술 표준 및 법규에서는 페달 오조작 방지장치 또는 가속 제어 오류 대응 시스템의 개념으로 이를 규정하고 있다. 국제적으로 United Nations Economic Commission for Europe(UNECE) R175에서는 acceleration control for pedal error(ACPE) 개념을 통해 ‘운전자에 의한 가속페달 오조작을 감지하고, 의도하지 않은 급가속을 제어하는 장치’를 페달 오조작 방지 장치로 정의한다. 이는 페달 오조작을 운전자 행위 차원의 문제를 넘어, 차량 시스템 수준에서 감지·억제·완화가 가능한 제어 대상으로 인식하고 있음을 보여준다. 국내에서도 KNCAP을 중심으로 페달 오조작 방지장치에 대한 정의가 제시되고 있으며, ‘운전자의 의도와 달리 가속 페달을 오조작하여 장애물이나 보행자와 충돌할 우려가 있는 경우, 충돌을 방지하거나 부상을 줄이기 위해 주행을 억제하는 장치’로 규정하고 있다.
종합하면, 선행 연구에서는 페달 오조작을 운전자의 의도와 상반되는 페달 조작으로 인해 부적절한 가속이 발생하는 운전자 오류로 정의하고 있으며, 이를 예방하기 위한 방지 장치의 개념 역시 기술 표준 및 법규를 통해 명시적으로 규정하고 있다. 이러한 정의 체계는 페달 오조작 교통사고가 단순한 개인의 조작 실수를 넘어, 차량 보조 시스템과 제도적 대응이 함께 요구되는 복합적 안전 문제임을 시사한다. 이에 따라 페달 오조작 교통사고를 효과적으로 분석하고 예방하기 위해서는 단일 행위 중심의 정의에 머무르기보다, 실제 사고에서 반복적으로 관찰되는 오조작 유형과 발생 맥락을 체계적으로 유형화할 필요가 있다.
2) 국내 페달 오조작 교통사고 발생 동향
본 연구에서는 삼성화재 자동차 보험 사고 데이터베이스의 2019년부터 2024년 상반기까지 집계된 가속 페달 오조작 사고의 기초 통계 결과를 바탕으로 국내 페달 오조작 교통사고의 전반적인 발생 규모와 발생 추이를 분석하고자 한다(Lim, 2025). 해당 자료는 경미사고를 포함한 대규모 사고 자료로, 전체 페달 오조작 사고 동향을 파악하는 데 유용하다. 분석 기간 동안 확인된 페달 오조작 교통사고는 총 11,042건으로, 약 6년간 연평균 1,800건 이상이 지속적으로 발생해 온 사고 유형임을 확인할 수 있다. 이는 페달 오조작 사고가 일시적이거나 특정 시기에 국한된 현상이 아니라, 국내 교통안전 측면에서 장기간에 걸쳐 반복적으로 발생해 온 구조적 문제임을 시사한다.
<Table 1>의 6년간 발생한 주행 상황별 사고 분포를 살펴보면, 주차/출차 시 발생한 사고가 5,302건(48.0%)으로 전체 교통사고의 절반에 가까운 비중을 차지하여 가장 빈번한 유형으로 나타났다. 다음으로는 주행/회전 중 사고가 3,320건(30.1%), 감속/정지 중 사고가 2,420건(21.9%)으로 집계되었다. 이는 페달 오조작 교통사고가 특정한 특수 상황에 국한된 문제가 아니라, 주차장 진·출입, 일반도로 주행 및 교차로 회전, 정차·서행 구간 등 다양한 주행 전반에서 발생하는 사고 유형임을 시사한다. 또한, 페달 오조작 교통사고가 저속 및 일반 주행을 포함한 다양한 주행 상황에서 발생하는 보편적 위험 요인임을 보여주며, 이에 따라 사고 유형화 분석 시 주행 상황에 따른 특성을 정밀하게 반영할 필요성이 있다.
<Table 1>
Number(share) of pedal misapplication accidents by driving situation in Korea
Source: Lim(2025), "Acceleration control pedal error (ACPE) cases in South Korea", Future Networked Car Symposium (FNC 2025), ITU & UNECE.
| Year | Parking / Pulling out | Driving / Turning | Deceleration / Stopping | Total |
|---|---|---|---|---|
| 2019 | 857 (50.9%) | 513 (30.4%) | 314 (18.7%) | 1,684 |
| 2020 | 1,010 (49.8%) | 570 (28.1%) | 448 (22.1%) | 2,028 |
| 2021 | 996 (48.1%) | 600 (29.0%) | 476 (23.0%) | 2,072 |
| 2022 | 1,075 (48.9%) | 635 (28.9%) | 488 (22.2%) | 2,198 |
| 2023 | 937 (45.1%) | 674 (30.1%) | 467 (21.9%) | 2,078 |
| 2024 | 427 (43.5%) | 328 (33.4%) | 227 (23.1%) | 982 |
| Total | 5,302 (48.0%) | 3,320 (30.1%) | 2,420 (21.9%) | 11,042 |
<Table 2>
Number of pedal misapplication accidents by age group in Korea
Source: Lim(2025), "Acceleration control pedal error (ACPE) cases in South Korea", Future Networked Car Symposium (FNC 2025), ITU & UNECE.
| Age group | Number of pedal misapplication accidents | Licensed driver population | Age group | Pedal misapplication accidents /100,000 licensed drivers | Relative accident rate by age group |
|---|---|---|---|---|---|
| Under 20 | 22 | 467,675 | Under 20 | 4.7 | 15.4% |
| 21~30 | 630 | 4,901,033 | 21~30 | 12.9 | 42.3% |
| 31~40 | 1,425 | 6,205,206 | 31~40 | 23.0 | 75.4% |
| 41~50 | 1,927 | 7,459,968 | 41~50 | 25.8 | 84.6% |
| 51~60 | 2,445 | 7,740,765 | 51~60 | 31.6 | 103.6% |
| 61~64 | 1,418 | 2,760,266 | 61~64 | 51.4 | 168.5% |
| 65 and over | 2,718 | 5,166,386 | 65 and over | 52.6 | 172.5% |
| Total | 10,585 | 34,701,299 | Average | 30.5 | 100% |
| (w/o unknown) | (w/o unknown) | (reference) |
동일 기간 연령대별 사고 분포를 나타내는 <Table 2>에 따르면, 페달 오조작 교통사고는 전 연령대에서 발생하고 있으나 연령대가 높아질수록 사고 건수뿐 아니라 면허 보유 인구 대비 사고 발생률 역시 뚜렷하게 증가하는 경향을 보이는 것으로 나타났다. 특히 65세 이상 고령 운전자의 경우 사고 건수는 2,718건, 면허 보유 인구 10만 명당 사고 건수는 52.6건으로 전체 연령대 중 가장 높은 수준을 기록하였으며, 전체 사고의 26.0%를 차지하였다. 이는 단순히 고령층의 운전 인구 규모가 크기 때문만이 아니라 개별 운전자 단위에서의 사고 발생 위험이 상대적으로 높게 나타난다는 점을 시사한다. 반면 20세 이하 및 21~30세 연령대에서는 사고 건수와 인구 대비 발생률이 모두 낮은 수준에 머물렀으며, 31~50세 연령대에서는 점진적인 증가 양상을 보이다가 60대 이후 사고 발생률이 급격히 상승하는 경향이 관찰되었다. 이러한 결과는 연령 증가에 따라 인지 처리 속도, 판단 정확성, 페달 조작의 정밀성 등과 관련된 신체 기능이 저하될 가능성이 높아지면서, 페달 오조작 사고 위험이 증폭될 수 있음을 시사한다. 이렇듯 페달 오조작 교통사고는 고령 운전자 집단에서 사고 빈도와 실제 운전자 대비 위험도가 동시에 높게 나타나는 유형임을 확인할 수 있다.
최근 교통사고 분석 분야에서는 사고를 단일한 현상으로 가정하는 기존 접근의 한계를 극복하기 위해, 사고 데이터 내 잠재적 이질성과 구조적 하위 유형을 식별하려는 사고 유형화 연구가 활발히 수행되고 있다. 이러한 연구들은 교통사고 발생을 개별 요인의 단순한 합이 아닌, 복합적 상호작용의 결과로 인식한다는 점에서 기존 사고 분석 방법론과 차별화된다. 이는 교통사고 발생 환경, 도로 특성, 교통 운영 조건 등 서로 다른 특성을 지닌 요인들이 복합적으로 작용한다는 점에 주목하며, 세분화된 유형으로 구조화하는 것을 목표로 한다.
Yoon et al.(2025)는 국내 교통사고의 근본적인 발생 패턴을 유형화하고 실효성 있는 예방 전략을 도출하기 위해, 전국 단위 교통사고 데이터를 대상으로 클러스터링 기반 분석을 수행하였다. 기존 연구들이 특정 지역, 연령대, 사고 심각도에 국한되었던 한계를 보완하고자, 최근 2개년(2022~2023년)의 경찰청 교통사고 데이터를 활용하여 사고 유형을 종합적으로 분석하였다. 분석 방법으로는 범주형 변수로 구성된 수집 데이터의 특성을 고려하여 K-modes 클러스터링을 적용하였으며, 최적 군집 수는 elbow 방법을 통해 결정하였다. 그 결과, 사고 유형은 연령대, 운전자 행동, 도로 형태, 위반 법규, 시간대 특성에 따라 네 개의 뚜렷한 위험군으로 구분되었고, 모든 군집에서 공통적으로 인적 요인이 교통사고 발생의 핵심 요인으로 작용함이 확인되었다. 특히 고령 운전자 군집에서는 인지 저하 및 페달 오조작과 연관된 추돌, 보행자 사고 위험이 두드러졌으며, 이를 바탕으로 관리적, 제도적, 교육적 측면의 맞춤형 예방 전략을 제안하였다.
Khosravi et al.(2024)는 계층적 클러스터링을 중심으로 한 공간 분석 프레임워크를 통해 도로교통사고 다발 구간을 식별하였다. 응집형 계층적 클러스터링과 balanced iterative reducing and clustering using hierarchies (BIRCH) 알고리즘을 모두 활용하여, 실루엣 점수(silhouette score)를 기반으로 최적 군집 수를 결정함으로써, 공통된 환경적 특성에 따라 분류하였다. 특히 서로 다른 클러스터링 기법에서 공통적으로 도출된 고위험 군집 영역을 최종 교통사고 다발 구간으로 정의함으로써, 단일 클러스터링 기법이나 단순 사고 빈도 기준에 비해 사고 다발 구간 식별의 신뢰성과 재현성을 향상시켰다.
Kamh et al.(2024)은 교통사고 다발 지점을 객관적으로 식별하기 위해, 클러스터 분석과 GIS 기반 공간 분석을 결합한 사고 핫스팟 탐지 방법을 제안하였다. 이를 위해 특정 지역의 교통사고 발생 위치, 빈도, 심각도 및 도로 환경 정보를 포함한 공간 좌표 기반 사고 데이터를 활용하였다. 분석 방법으로는 K-means 및 계층적 클러스터링 기법을 적용하여 사고 발생 지점을 공간적으로 클러스터링한 뒤, GIS 상에서 군집화 결과를 시각화하고 공간적 집중도를 비교·검증하였다. 분석 결과, 단순 사고 빈도 기준으로는 식별되지 않던 잠재적 고위험 구간이 다수의 군집 형태로 도출되었으며, 각 핫스팟은 도로 구조, 교차로 밀도, 교통 흐름 특성과 밀접하게 연관된 것으로 나타났다. 이는 군집 기반 공간 분석이 사고 다발 구간을 정밀하게 식별하고, 지역 맞춤형 교통안전 대책 수립에 실질적인 근거를 제공할 수 있음을 시사한다.
한편, 다수의 교통사고 데이터의 경우 연속형 변수와 범주형 변수가 혼재된 혼합형 변수로 구성되며, 이로 인해 연속형 변수를 가정하는 전통적 거리 척도로는 데이터의 이질성을 충분히 반영하는 데 한계가 있다(Lan et al., 2024). 따라서 각 변수의 측정 척도에 따른 유사도를 종합적으로 산정할 수 있는 Gower distance를 활용한 클러스터 분석 접근이 대안으로 주목받고 있으며, 최근에는 이를 계층적 클러스터링과 결합하여 교통사고 유형을 정밀하게 구조화하고 사고 원인 해석의 해상도를 제고하려는 연구가 수행되고 있다.
Rolison(2020)은 교통사고 기여 요인 분류 체계가 실제 사고 원인 구조와 충분히 정합하지 않을 수 있다는 문제의식에서 출발하여, 경찰관의 인식 데이터를 기반으로 사고 기여 요인의 구조를 재구성하고자 하였다. 영국 교통사고 보고서에 포함된 63개 사고 기여 요인을 대상으로, 경찰관 162명이 인식하는 요인 간 유사도를 수집한 뒤, Gower distance를 적용한 응집형 계층적 클러스터링 분석을 수행하였다. 분석 결과, 기존 보고서의 분류 체계와는 부분적으로 상이한 7개 및 11개 군집 구조가 도출되었으며, 이는 사고 기여 요인들이 보다 일관된 내부 유사성과 명확한 군집 간 차이를 갖도록 재구성될 수 있음을 보여주었다. 특히 계층적 클러스터 구조를 통해 상위 사고 원인 범주가 하위의 보다 세분화된 원인 유형으로 단계적으로 분해될 수 있음을 확인하였다.
Gong et al.(2020)은 교차로 교통사고 빈도 분석에서 비관측 이질성을 반영하기 위해, Gower distance를 적용한 응집형 계층적 클러스터링으로 사고 데이터를 하위 그룹으로 분류한 뒤, 각 군집별로 random effects negative binomial 모형을 적용하는 2단계 분석 프레임워크를 제안하였다. 그 결과, 군집을 고려한 모형은 단일 모형 대비 더 많은 유의미한 사고 기여 요인을 식별하였으며, 예측 성능과 적합도 역시 유의하게 향상된 것으로 나타났다. 이는 사고 데이터 내 잠재적 하위 구조를 계층적으로 분리하는 접근이 사고 원인 분석의 설명력을 실질적으로 제고할 수 있음을 시사한다.
2. 선행 연구 고찰
최근 교통사고 분석 분야에서는 사고를 단일한 현상으로 가정하는 기존 접근의 한계를 극복하기 위해, 사고 데이터 내 잠재적 이질성과 구조적 하위 유형을 식별하려는 사고 유형화 연구가 활발히 수행되고 있다. 이러한 연구들은 교통사고 발생을 개별 요인의 단순한 합이 아닌, 복합적 상호작용의 결과로 인식한다는 점에서 기존 사고 분석 방법론과 차별화된다. 이는 교통사고 발생 환경, 도로 특성, 교통 운영 조건 등 서로 다른 특성을 지닌 요인들이 복합적으로 작용한다는 점에 주목하며, 세분화된 유형으로 구조화하는 것을 목표로 한다.
Yoon et al.(2025)는 국내 교통사고의 근본적인 발생 패턴을 유형화하고 실효성 있는 예방 전략을 도출하기 위해, 전국 단위 교통사고 데이터를 대상으로 클러스터링 기반 분석을 수행하였다. 기존 연구들이 특정 지역, 연령대, 사고 심각도에 국한되었던 한계를 보완하고자, 최근 2개년(2022~2023년)의 경찰청 교통사고 데이터를 활용하여 사고 유형을 종합적으로 분석하였다. 분석 방법으로는 범주형 변수로 구성된 수집 데이터의 특성을 고려하여 K-modes 클러스터링을 적용하였으며, 최적 군집 수는 elbow 방법을 통해 결정하였다. 그 결과, 사고 유형은 연령대, 운전자 행동, 도로 형태, 위반 법규, 시간대 특성에 따라 네 개의 뚜렷한 위험군으로 구분되었고, 모든 군집에서 공통적으로 인적 요인이 교통사고 발생의 핵심 요인으로 작용함이 확인되었다. 특히 고령 운전자 군집에서는 인지 저하 및 페달 오조작과 연관된 추돌, 보행자 사고 위험이 두드러졌으며, 이를 바탕으로 관리적, 제도적, 교육적 측면의 맞춤형 예방 전략을 제안하였다.
Khosravi et al.(2024)는 계층적 클러스터링을 중심으로 한 공간 분석 프레임워크를 통해 도로교통사고 다발 구간을 식별하였다. 응집형 계층적 클러스터링과 balanced iterative reducing and clustering using hierarchies (BIRCH) 알고리즘을 모두 활용하여, 실루엣 점수(silhouette score)를 기반으로 최적 군집 수를 결정함으로써, 공통된 환경적 특성에 따라 분류하였다. 특히 서로 다른 클러스터링 기법에서 공통적으로 도출된 고위험 군집 영역을 최종 교통사고 다발 구간으로 정의함으로써, 단일 클러스터링 기법이나 단순 사고 빈도 기준에 비해 사고 다발 구간 식별의 신뢰성과 재현성을 향상시켰다.
Kamh et al.(2024)은 교통사고 다발 지점을 객관적으로 식별하기 위해, 클러스터 분석과 GIS 기반 공간 분석을 결합한 사고 핫스팟 탐지 방법을 제안하였다. 이를 위해 특정 지역의 교통사고 발생 위치, 빈도, 심각도 및 도로 환경 정보를 포함한 공간 좌표 기반 사고 데이터를 활용하였다. 분석 방법으로는 K-means 및 계층적 클러스터링 기법을 적용하여 사고 발생 지점을 공간적으로 클러스터링한 뒤, GIS 상에서 군집화 결과를 시각화하고 공간적 집중도를 비교·검증하였다. 분석 결과, 단순 사고 빈도 기준으로는 식별되지 않던 잠재적 고위험 구간이 다수의 군집 형태로 도출되었으며, 각 핫스팟은 도로 구조, 교차로 밀도, 교통 흐름 특성과 밀접하게 연관된 것으로 나타났다. 이는 군집 기반 공간 분석이 사고 다발 구간을 정밀하게 식별하고, 지역 맞춤형 교통안전 대책 수립에 실질적인 근거를 제공할 수 있음을 시사한다.
한편, 다수의 교통사고 데이터의 경우 연속형 변수와 범주형 변수가 혼재된 혼합형 변수로 구성되며, 이로 인해 연속형 변수를 가정하는 전통적 거리 척도로는 데이터의 이질성을 충분히 반영하는 데 한계가 있다(Lan et al., 2024). 따라서 각 변수의 측정 척도에 따른 유사도를 종합적으로 산정할 수 있는 Gower distance를 활용한 클러스터 분석 접근이 대안으로 주목받고 있으며, 최근에는 이를 계층적 클러스터링과 결합하여 교통사고 유형을 정밀하게 구조화하고 사고 원인 해석의 해상도를 제고하려는 연구가 수행되고 있다.
Rolison(2020)은 교통사고 기여 요인 분류 체계가 실제 사고 원인 구조와 충분히 정합하지 않을 수 있다는 문제의식에서 출발하여, 경찰관의 인식 데이터를 기반으로 사고 기여 요인의 구조를 재구성하고자 하였다. 영국 교통사고 보고서에 포함된 63개 사고 기여 요인을 대상으로, 경찰관 162명이 인식하는 요인 간 유사도를 수집한 뒤, Gower distance를 적용한 응집형 계층적 클러스터링 분석을 수행하였다. 분석 결과, 기존 보고서의 분류 체계와는 부분적으로 상이한 7개 및 11개 군집 구조가 도출되었으며, 이는 사고 기여 요인들이 보다 일관된 내부 유사성과 명확한 군집 간 차이를 갖도록 재구성될 수 있음을 보여주었다. 특히 계층적 클러스터 구조를 통해 상위 사고 원인 범주가 하위의 보다 세분화된 원인 유형으로 단계적으로 분해될 수 있음을 확인하였다.
Gong et al.(2020)은 교차로 교통사고 빈도 분석에서 비관측 이질성을 반영하기 위해, Gower distance를 적용한 응집형 계층적 클러스터링으로 사고 데이터를 하위 그룹으로 분류한 뒤, 각 군집별로 random effects negative binomial 모형을 적용하는 2단계 분석 프레임워크를 제안하였다. 그 결과, 군집을 고려한 모형은 단일 모형 대비 더 많은 유의미한 사고 기여 요인을 식별하였으며, 예측 성능과 적합도 역시 유의하게 향상된 것으로 나타났다. 이는 사고 데이터 내 잠재적 하위 구조를 계층적으로 분리하는 접근이 사고 원인 분석의 설명력을 실질적으로 제고할 수 있음을 시사한다.
3. 연구의 차별성
본 연구는 연령, 운전 경력, 차량 정보, 주행 상황, 충돌 대상 등 범주형·연속형 변수가 혼재된 혼합형 교통사고 데이터를 대상으로 수집 가능한 인적·차량·환경적 요인을 최대한 분석에 반영하고자 하였다. 선행 연구를 통해 Gower distance와 계층적 클러스터링이 교통사고 유형화 및 사고 기여 요인 구조화에 효과적인 방법론임이 확인된 바 있으나, 이러한 접근을 페달 오조작 교통사고 사례에 체계적으로 적용한 연구는 아직 제한적이다. 이에 본 연구는 Gower distance를 활용하여 페달 오조작 교통사고 사례 간 유사도를 정량적으로 산정하고, 응집형 계층적 클러스터링을 통해 페달 오조작 사고 유형의 세부 분류를 도출하는 것을 목표로 한다.
나아가 도출된 교통사고 유형을 사고 시나리오 관점에서의 정성적 분석을 바탕으로, 공통된 발생 맥락과 의미 해석 단위를 중심으로 통합 유형으로 재구성하였다. 이는 기존 연구들이 군집 결과를 교통사고 다발 구간 식별이나 변수 영향 분석에 주로 활용한 것과 달리, 분석 결과를 정책적 활용성과 사고 예방 전략 수립에 직접적으로 연결 가능한 사고 유형 체계로 확장하고자 한 점에서 차별성을 갖는다. 이러한 접근을 통해 페달 오조작 교통사고의 구조적 특성과 반복적 발생 맥락을 보다 명확히 규명하고, 향후 고령 운전자 안전대책, 차량 보조 시스템 설계 및 제도적 대응 방안 마련 등을 위한 실증적 근거를 제공할 것으로 기대된다.
Ⅲ. 연구 방법론
1. 데이터 개요 및 전처리
본 연구의 분석 대상이 되는 사고 데이터는 KATRI에 접수된 급발진 의심 교통사고 중 사고 원인이 페달 오조작으로 판정된 사례이다. 해당 자료는 중대사고 중심으로 구성되어 있어, 페달 오조작 사고의 특성을 파악하는 데 적합할 것으로 판단된다. KATRI는 자동차의 안전도를 평가하는 전문기관으로 사고조사 업무를 수행하고 있는데, 사고 당사자의 요구에 따라 접수된 사고의 발생 원인을 분석하여 조사 결과를 제공한다. 급발진 의심교통사고는 조사 결과에 따라 ‘급발진’, ‘페달 오조작’, ‘가속페달 복귀 불량’, ‘판단불가’, ‘감정불가(자료 부족)’로 나뉜다. 본 연구의 활용 데이터는 2024년 1년간 TS KATRI에 수집된 페달 오조작 교통사고 243건의 사고 데이터이다. 각 사고 케이스는 운전자 정보, 차량 정보, 사고 정보를 포함하고 있으며 그 세부 내용은 <Table 3>과 같다.
<Table 3>
Overview of pedal misapplication accident data
| Classification | Variable | Variable type | Missing rate(%) | Data examples |
|---|---|---|---|---|
| Driver Information |
Gender | Categorical | 64.40 | Male, Female |
| Driving experience (years) | Numerical | 64.20 | ~1, 1~5, 5~10, …, 46~50 | |
| Age group | Categorical | 64.60 | 20s, 30s, …, 60s, 70 and over | |
| Elderly Driver(Age>65) Indicator | Categorical | 64.60 | Under 65, 65 and over | |
| Vehicle Information |
Model year | Numerical | 0.00 | 1995, …, 2025 |
| Cumulative mileage (km) | Numerical | 0.00 | 17,560, … | |
| Accident Information |
Driving situation | Categorical | 0.00 | Driving, Parking, Stopping, Reversing, Other |
| Collision type | Categorical | 0.00 | Vehicle to object, Vehicle to vehicle, Multiple collisions, Other |
|
| Severity | Categorical | 0.00 | Property damage only, ..., Fatal, Other | |
| Collision object | Categorical | 0.00 | Vehicle, Structure, Roadside facility, ... | |
| Distance traveled before collision (m) | Categorical | 39.50 | 1~2, 2~5, 5~10, 10m and over | |
| Road type | Categorical | 0.00 | Expressway, Arterial road, Intersection, ... | |
| Time of day | Categorical | 15.20 | Late night(0~5‸), …, Night(21~24‸) |
총 13개 유형의 페달 오조작 교통사고 정보는 결측을 포함한다. 데이터의 결측을 처리하기 위한 방법으로 대체(imputation), 삭제(deletion), 그리고 결측을 미상(unknown)으로 처리하는 3가지 방안을 고려하였다(Schafer and Graham, 2002). 대체의 경우, 데이터의 손실 없이 결측을 처리할 수 있다는 장점이 있으나, 결측 대체 과정에서 정보 왜곡이 발생할 수 있다. 삭제의 경우, 불확실한 정보 추정의 과정을 포함하지 않으므로 왜곡을 최소화할 수 있으나 데이터의 손실이 불가피하여 통계적 의미가 소실될 수 있다. 마지막으로 미상 처리의 경우, 결측 자체를 정보로 보존하여 데이터 손실이나 왜곡 위험 없이 처리 가능하다는 장점이 있으나 미상 데이터의 비율이 높을 경우 군집화 결과에 영향을 미칠 수 있어 해석에 유의하여야 한다. 본 연구에서는 수집 데이터를 보존하고 결측 패턴을 반영할 수 있는 미상 처리 방안을 채택하였다.
2. Gower distance
Gower distance는 관측치 간 유사도(distance)를 추정하기 위한 거리 척도 중 하나로, 정규분포 가정, 선형성 가정 등이 요구되지 않아 제약이 적으며 연속형·범주형·이진형·순서형 등 여러 자료형이 섞인 혼합형 데이터를 처리할 수 있다는 강점이 있다(Gower, 1971). 연속형 변수의 경우, 관측치 간 차이를 해당 변수의 전체 범위로 나누어 정규화(range normalization)된 부분 거리(partial distance)를 산출한 후 이를 평균함으로써 Gower distance를 계산한다. 순서형 변수는 순위를 [0, 1] 범위로 정규화하는 과정을 거친 후 연속형 변수와 동일하게 처리한다. 범주형 및 이진형 변수의 경우, 부분 거리를 두 관측치의 값이 동일하면 0, 다르면 1로 계산한다. 이에 따라 최종적으로 Gower distance는 0부터 1 사이 값으로 추정되며, 0은 모든 변수에서 완전히 동일함을, 1은 모든 변수에서 최대 수준으로 이질적임을 의미한다. 이때 Gower distance는 ‘미상(unknown)’으로 분류된 변수도 하나의 범주로 처리하므로 결측 자체가 유의미한 패턴을 나타낼 경우 이를 파악하는데 용이하다. 다만, 변수의 수가 많을수록 계산 비용이 크게 증가하고 모든 변수에 동일한 가중치(weight)가 부여된다는 한계가 있다.
일반적으로 관측치 간 유사도 추정에 널리 활용되는 유클리드 거리(Euclidean distance)와 비교하여, 본 연구에서 활용하고자 하는 페달 오조작 교통사고 데이터에 Gower distance를 적용하는 것이 적절한지 여부에 대해 다음과 같이 고찰하였다. 첫째, 유클리드 거리의 경우, 거리 가정에 따라 관측치 간 차이를 직선거리로 유의미하게 표현할 수 있어야 하므로 적용하고자 하는 데이터에 연속형이 아닌 변수가 포함될 경우 별도의 수치화 과정이 요구된다(Fenty, 2004). 반면 Gower distance는 범주형 변수를 강제로 수치화하지 않아도 혼합형 변수에 적용 가능하다는 강점이 있다. 본 연구에서 활용하는 페달 오조작 교통사고 데이터의 경우 연령대, 사고유형, 도로유형 등 범주형 변수를 다수 포함하는 혼합형 데이터 세트이므로, Gower distance를 적용하는 것이 적절하다고 판단하였다. 둘째, 유클리드 거리는 관측치 간 차이가 선형적으로 표현되어야 한다. 그러나 교통사고에서 사망·중상·경상의 차이, 주차 중 발생한 사고와 주행 중 발생한 사고의 차이 등은 선형 관계를 따르지 않는다. 따라서 선형성 가정이 없는 Gower distance의 적용이 보다 바람직하다.
페달 오조작 교통사고 데이터에 대해 Gower distance를 적용하여 관측치 간 유사도를 추정한 결과는 다음과 같다. 243건의 관측치에서 생성되는 유효한 pairwise는 총 29,403개이며 이 모든 쌍에 대해 Gower distance heatmap을 그린 결과는 <Fig. 1>과 같다. 전반적으로 짙은 색이 넓게 분포하는 것으로 보아 Gower distance가 평균보다 큰, 즉, 서로 이질적인 특성을 나타내는 사고 사례가 많으며 소수의 일부 사례에서만 유사한 사고 특성을 나타내는 것으로 보인다. 또한 그래프 전반에서 선명한 사각형 블록이 관찰되지 않고 Gower distance가 0부터 1까지 점진적으로 변화하는 형태로 나타나는데, 이는 페달 오조작 교통사고 유형이 완전히 독립된 군집으로 분절된 것이 아니라, 유사한 일부 특성을 서로 공유하며 연속적 스펙트럼의 형태로 나타나기 때문이다.
Gower distance 행렬의 특성을 요약한 결과는 <Fig. 2>, <Table 4>와 같다. Minimum Gower distance 값이 0.0인 것을 미루어 볼 때, 사고 특성이 완전히 동일한 페달 오조작 사고 사례가 존재하며, maximum Gower distance 값이 0.9423인 것을 보아 사고 원인이 페달 오조작인 것은 동일하지만, 수집된 모든 변수에 대해 사고 발생 특성이 상이한 사례도 존재함을 알 수 있다. 또한 평균이 0.5724 수준인 것은 모든 페달 오조작 사고 사례 중 두 건의 사고를 임의로 선정하였을 때, 평균적으로 사고 특성이 약 57% 상이하다는 의미로, 이는 <Fig. 1>의 heatmap 그래프의 결과와 동일하게 페달 오조작 사고 데이터는 관측치 간 이질성이 중간 이상 수준인 것으로 이해할 수 있다.
<Table 4>
Summary statistics of Gower distance
| Contents | Value |
|---|---|
| Minimum distance | 0.0 |
| Maximum distance | 0.9423 |
| Median distance | 0.5665 |
| Mean distance | 0.5724 |
| Standard deviation | 0.1500 |
3. 계층적 클러스터링 및 절단 높이 선정
본 연구에서는 페달 오조작 교통사고 유형 분류를 위해 응집형 계층적 클러스터링을 적용하였다. 먼저, 계층적 클러스터링이란, 관측치 간 유사도를 기반으로 트리 구조로 표현하는 군집화 방법론이다(Shetty and Singh, 2021). 군집의 형성 과정을 덴드로그램의 형태로 시각화할 수 있어 직관적이고 이해가 용이하며 군집화 전 군집의 크기(K)를 설정하지 않아도 된다는 이점이 있다. 계층적 클러스터링은 군집화 방법에 따라 크게 분리형(divisive) 계층적 클러스터링과 응집형(agglomerative) 계층적 클러스터링으로 나뉘는데, 분리형의 경우 하나의 데이터 세트에서부터 점차 군집을 분리해 나가는 top-down 방식, 응집형은 각 개별 데이터로부터 점차 군집을 병합해 나가는 bottom-up 방식을 취한다. 분리형 계층적 클러스터링의 경우, 계산 비용이 크고 구현 난이도가 높으므로 일반적으로 응집형 계층적 클러스터링이 표준적으로 활용되고 있다(Sharma et al., 2017). 응집형 계층적 클러스터링에서 클러스터 간 거리를 정의하기 위한 방법론으로는 average linkage를 활용하였다. Average linkage는 두 군집 간 거리를 모든 관측 쌍 간 거리의 평균으로 계산한다. 이는 가장 가까운 두 점 사이 거리를 기준으로 하는 single linkage, 가장 먼 두 점 사이 거리를 기준으로 하는 complete linkage 등 다른 linkage 방법론과 비교하였을 때 안정성이 높고 가장 균형적인 군집 구조를 도출한다는 강점이 있다(Kaufman and Rousseeuw, 2009). 군집 사이 거리를 기준으로 병합하는 이러한 방법론 외에 군집 내 분산 증가량을 기준으로 하는 Ward’s method 등의 병합 방법론이 존재한다. 그러나 Ward’s method는 각 병합 단계에서 군집 내 제곱합(within-cluster sum of squares)의 증가량을 최소화하는 방식을 취한다. 이에 따라 형성된 군집의 형태가 구형(spherical)이며 비교적 균형적인 구조의 군집에 적합하므로 본 연구의 전형적·비전형적 사고 유형이 혼재하는 데이터 구조에서는 적합성이 낮을 것으로 판단하여 제외하였다(Ward Jr., 1963).
Average linkage 방법을 활용해 응집형 계층적 클러스터링을 수행한 후, 이상적인 절단 높이를 선택하기 위해 병합 단계(merge step)별 병합 거리(merge distance)를 시각화한 그림은 <Fig. 3>과 같다. 여기서 병합 거리란, 응집형 계층적 클러스터링 과정에서 두 군집이 하나로 병합할 때의 군집 간 비유사도(dissimilarity)를 의미한다. Bottom-up 방식의 응집형 계층적 클러스터링의 경우, 병합 단계가 증가할수록 서로 이질성이 높은 군집을 병합하게 되므로 병합 단계가 커질 때마다 점차 병합 거리가 증가하게 된다. 따라서 병합 거리가 급격하게 증가하는 지점이 서로 이질성이 큰 군집을 병합하는 지점이므로 이 단계에서 병합을 멈추어야 한다(Nguyen and Kwoh, 2015). 실제로 <Fig. 3>에서 x=0-235 step 구간에서는 병합 거리가 완만하게 증가하는 데 반해, x=235 step 이후 구간에서는 병합 거리가 가파르게 증가하는 것을 볼 수 있는데, 이 구간에서 서로 성격이 다른 군집이 병합되기 시작한다는 의미이므로 이 지점을 elbow로 설정하였다. 이에 따라 본 연구에서는 병합 거리를 기반으로 적정 절단 높이를 step 235-238 구간으로 설정하였으며, 이때의 군집 수(K)를 설정하는 식은 식(1)과 같다. 결과적으로 총 243개의 페달 오조작 교통사고 데이터(n)를 활용하여 step 235-238(x)구간에서 군집화를 수행할 때 이상적인 군집의 수(K)의 범위는 5-8개이다.
병합 거리를 활용하여 도출한 페달 오조작 사고의 유형 분류를 위한 응집형 계층적 클러스터링의 이상적인 군집 수의 범위가 5-8개라고 할 때, 최적의 군집의 수(K)를 결정하기 위해 실루엣 점수를 활용하였다. 실루엣 점수는 군집 내 응집도와 군집간 분리도를 동시에 평가하는 지표로, 값이 클수록 질적으로 양호하게 군집화 되었음을 의미한다(Jiawei and Micheline, 2006). 따라서 본 연구에서는 K=5-8 범위의 실루엣 점수를 연산하여 실루엣 점수가 최대가 되는 K를 최적 군집 수로 선정하고자 한다. 실루엣 점수 연산 결과, <Fig. 4>, <Table 5>와 같이 K=5일때의 실루엣 점수가 0.1697로 가장 높게 도출되어 결론적으로 최적 군집의 수 K는 5로 설정하였다.
<Table 5>
Silhouette scores by number of clusters(K)
| Number of K | Silhouette score |
|---|---|
| K=5 | 0.1697 |
| K=6 | 0.1581 |
| K=7 | 0.1608 |
| K=8 | 0.1505 |
응집형 계층적 클러스터링 결과를 덴드로그램으로 나타낸 결과는 <Fig. 5>와 같다. 덴드로그램에서 x축은 개별 페달 오조작 교통사고 사례, y축은 병합된 Gower distance를 나타내며 붉은 점선은 K=5에서 군집화를 수행한 것을 의미한다. 붉은 점선 아래에 위치한 데이터는 속한 군집에 따라 다섯 개의 색으로 나타내었다. 붉은 점선 위의 단계에서 이루어지는 네 번의 병합은 상대적으로 이질성이 큰 군집의 병합을, 붉은 점선 아래의 단계에서 이루어지는 병합은 상대적으로 유사도가 높은 군집의 병합을 의미한다.
1. 응집형 계층적 클러스터링 결과
응집형 계층적 클러스터링을 활용하여 페달 오조작 교통사고 사례 243건을 클러스터링한 결과는 <Table 6>, 유의미한 특성을 요약한 결과는 <Table 7>과 같다. 분석 결과에 따르면, 페달 오조작 교통사고는 운전자 특성, 차량 특성, 사고 특성에 따라 최소 5개의 해석적 관점에서 서로 구분되는 사고 유형으로 분류된다. 이때 군집의 크기가 최대 154건(Cluster 5)부터 최소 4건(Cluster 4)까지 다양하게 나타나는데, 이는 페달 오조작 교통사고가 반복적으로 발생하는 보편적 유형 및 극단적 상황에서 발생하는 특이 유형에서 모두 발생할 위험이 있기 때문이다.
<Table 6>
Results of agglomerative hierarchical clustering of pedal misapplication accidents
| Cluster number | size | Driving situation | Collision Type | Road Type | Age group | Gender | Model year | Cumulative mileage (km) | Elderly Driver Indicator | Severity | Collision object | Distance traveled before collision | Driving experience (years) |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| #1 | 58 | Parking | Vehicle to object | Parking lot | 60s | Unknown | 2022 | 24,953 | 65 and over | Minor injury | Structure | 10m and over | Unknown |
| #2 | 8 | Driving | Other | Other | 70 and over | Unknown | 2022.5 | 35,307 | 65 and over | Minor injury | Vehicle | Unknown | Unknown |
| #3 | 19 | Driving | Other | General road | 60s | Unknown | 2023 | 26,426 | Under 65 | Other | Structure | Unknown | 36-40 |
| #4 | 4 | Low-speed driving | Vehicle to object | Other | 50s | Unknown | 2017.5 | 202,258 | Under 65 | Minor injury | Structure | 10m and over | 31-35 |
| #5 | 154 | Low-speed driving | Vehicle to object | Parking lot | Unknown | Unknown | 2022 | 24,753 | Unknown | Property damage only | Structure | 10m and over | Unknown |
<Table 7>
Summary of clustering results
Released within the past five years
| Classification | Cluster 1 | Cluster 2 | Cluster 3 | Cluster 4 | Cluster 5 |
|---|---|---|---|---|---|
| Cluster size | 58 (23.9%) | 8 (3.3%) | 19 (7.8%) | 4 (1.6%) | 154 (63.4%) |
| Summary of accident characteristics (Injury severity) | Elderly driver colliding with a roadside facility while parking in a parking lot (personal injury) | Elderly driver involved in a vehicle-to-vehicle collision while driving (personal injury) | Non-elderly driver colliding with a roadside facility while driving on a general road (-) | Non-elderly driver colliding with a roadside facility while driving at low speed (personal injury) | Driver of unknown age colliding with a roadside facility at low speed in a parking lot (property damage only) |
| Model year | Recent model* | Recent model | Recent model | Legacy model | Recent model |
| Distance traveled before collision | 10m and over | - | - | 10m and over | 10m and over |
다만, 분석에 활용한 페달 오조작 교통사고 사례는 일부 핵심 인구통계 변수에서 높은 결측률을 포함하고 있으므로, 관측된 군집 구조가 결측 패턴의 공통성에 의해 형성되었을 가능성을 검토할 필요가 있다. 이를 위해 각 변수의 결측 여부(결측=1, 관측=0)만을 변수화한 결측 지시 행렬(missingness indicator matrix)을 구성하고 동일한 클러스터링 절차를 적용하였다. 이후 원본 군집과 결측 패턴 기반 군집 간 구조적 유사성을 평가하기 위해 adjusted rand index(ARI) 및 variation of information(VI) 지표를 산출하였다. ARI는 두 군집 결과 간 일치도를 측정하는 지표로, 1에 가까울수록 구조적 동일성이 높고 0에 가까울수록 무작위 수준의 유사성을 의미한다. 반면 VI는 정보 이론 기반 거리 지표로, 0일 경우 두 군집 구조가 완전히 동일하며 값이 증가할수록 차이가 커짐을 의미한다. 분석 결과 ARI≈0.587, VI≈0.832로 나타났으며, 이는 결측 패턴만으로 원본 군집을 완전히 재현하기 어렵다는 점을 시사한다. 이러한 분석 결과는 결측 패턴이 군집 형성에 전혀 영향을 미치지 않았음을 입증하지는 않으나, 본 연구에서 도출된 군집은 결측 구조에 의해 인위적으로 형성되었다기보다는 사고 특성의 이질성을 반영한 결과로 해석할 수 있다.
2. 클러스터링 결과 해석
전체 페달 오조작 교통사고 사례 중 63.4%에 해당하는 154건의 사고가 Cluster 5에 속함에 따라, 페달 오조작 교통사고의 대표적인 유형이 존재하는 것으로 나타났다. 반면 Cluster 2, 3, 4의 경우 각각 3.3%, 7.8%, 1.6%를 차지하며 상대적으로 낮은 점유율을 보였는데, 이와 같은 소규모 군집은 발생 빈도는 낮지만 특수한 조건을 만족할 경우 페달 오조작의 위험이 있는 유형으로 이해할 수 있다. 즉, 페달 오조작 교통사고는 단편적이고 일률적인 패턴에 의해 설명하기 어렵고, 다수의 구조적인 차이가 존재하는 사고 유형의 집합에 의해 설명되어야 한다.
Cluster 1은 전체 교통사고 중 23.9%를 차지하는데, 고령 운전자가 주차장에서 주차 중 시설물을 충돌함으로써 인적 피해를 발생시킨 사고 유형에 해당한다. 이는 직접적인 상해를 발생시키는 전형적인 고령 운전자의 페달 오조작으로 인한 차량 단독 사고의 유형이다.
Cluster 2는 전체 교통사고 중 3.3%를 차지하며 고령 운전자가 주행 중 다른 차량을 충돌하여 인적 피해를 발생시킨 유형에 해당한다. 이 사고 유형의 특이점은 구조물이 아닌, 다른 차량을 충돌함으로써 부가적인 피해를 발생시킨 점으로, 사고 발생 위험은 상대적으로 낮을지라도 교통류에 직접적인 충돌 위험을 야기한다는 점에서 주의를 기울일 필요가 있다.
Cluster 3은 비고령 운전자가 일반도로에서 주행 중 시설물을 충돌한 교통사고로, 운전 경력이 상대적으로 긴(36-40년) 운전자 그룹에서도 페달 오조작 사고가 발생할 위험이 있으며 특히, 일반도로를 주행하는 중에도 페달 오조작 사고가 발생할 수 있음을 시사한다.
Cluster 4의 경우, 비고령 운전자가 서행 중 시설물을 충돌하여 인적 피해가 발생한 교통사고 유형으로 점유율이 가장 낮다. 다른 사고 유형과 달리, 유일하게 차량 연식이 상대적으로 오래된(최근 5년 이상) 차량에 의해 발생한 사고가 포함된다는 특징에 따라 페달 오조작 사고 발생에 대한 차량 요인의 개입 가능성을 시사한다. 연식이 오래된 차량의 경우 최신 출시된 차량과 달리, 첨단 운전자 보조 시스템(advanced driver assistance system, ADAS)과 같은 차량 기술의 수준이 낮으며 이와 같은 차량 특성에 기인해 페달 오조작이 발생했을 위험이 있다.
마지막으로 Cluster 5는 주차장에서 서행 중 시설물을 충돌하여 물적 피해를 발생시킨 교통사고 유형으로, 전체 데이터 중 63.4%가 해당하는 가장 일반적이고 보편적인 페달 오조작 사고 유형이다. Cluster 1과 5는 교통사고 발생 환경이 주차장이라는 점에서 일부 유사한 특성을 보이지만, Cluster 1의 경우 기어 변속, 가감속이 빈번하게 일어나는 주차 중(‘parking’) 상황에서, Cluster 5의 경우 단순 저속주행(‘low-speed driving’) 상황에서 발생하였다는 점에서 차이가 있다. 또한 Cluster 5의 경우 운전자의 연령을 특정할 수 없고 인적 피해를 수반하지 않는다는 특징이 있는 반면 Cluster 1의 경우, 고령 운전자 특성이 뚜렷하게 나타나고 인적 피해를 동반한다. 이를 통해 고령 운전자의 페달 오조작으로 인한 교통사고 발생 시 유사한 사고 상황을 가정하여도 사고 피해가 크게 나타날 위험이 있음을 유추할 수 있다.
3. 페달 오조작 사고 유형 도출
응집형 계층적 클러스터링을 통해 도출된 5개의 페달 오조작 교통사고 클러스터에 대해 해석 가능성 및 정책적 활용성을 제고하고자 공통 특성 및 시나리오의 의미를 중심으로 하여 통합한 결과는 <Table 8>과 같다. 클러스터링 결과로부터 사고 유형을 도출하는 과정에서 정책적 활용을 위한 해석적 재분류를 위해 Cluster 2와 3을 하나의 사고유형으로 통합하였는데, 두 클러스터는 모두 주정차 혹은 서행 중이 아닌 동적 상태, 즉, 주행 중에 발생하였다는 특징이 있으며 이와 유사하게 주차 중이 아닌 일반적인 주행상황에서 발생하였다. 또한 클러스터 3의 경우 고령 운전자의 판단 기준인 65세 기준으로는 고령 운전자 사고로 분류되지 않지만, 운전자 연령대가 60대에 해당하여 상대적으로 연령대가 높은 운전자로 인해 발생한 사고 유형인 것으로 해석된다. 이와 같은 이유로 두 클러스터를 하나의 사고 유형으로 통합함으로써 해석적 타당성과 정책적 활용성을 제고하였다.
<Table 8>
Classification of Pedal Misapplication Accident Types
| Classification | Accident type A | Accident type B | Accident type C | Accident type D |
|---|---|---|---|---|
| Cluster | Cluster 1 | Cluster 2&3 | Cluster 4 | Cluster 5 |
| Detailed description |
Pedal misapplication by elderly drivers during parking with personal injury |
Pedal misapplication | Pedal misapplication during low-speed driving in legacy vehicle groups |
Pedal misapplication |
| by (relatively) elderly | by drivers of unknown age | |||
| drivers | during low-speed driving | |||
| while driving | in parking lots | |||
| on general roads | without personal injury |
최종적으로 도출된 페달 오조작 교통사고 유형은 다음과 같다. Accident type A는 고령 운전자 주차 시 페달을 오조작하여 인적 피해를 발생시킨 유형, Accident type B는 상대적 고령 운전자가 일반도로 주행 중 페달을 오조작한 유형, Accident type C는 구형 차량군에서 저속 주행 시 발생한 페달 오조작 유형, Accident type D는 연령 미상의 운전자가 주차장에서 저속 주행 시 페달을 오조작하였으나 물적 피해만 발생한 유형이다. 이와 같이 분류된 페달 오조작 교통사고 유형에 따라, 페달 오조작 사고는 상황적 관점에서 주차 중, 인적 관점에서 고령 운전자에게, 차량 관점에서 연식이 오래된 차량에서 발생 위험이 높으며 이러한 발생 특성을 고려한 접근이 필요하다는 시사점을 도출하였다. 단, 이때 Accident type C의 경우, 해당되는 군집(Cluster 4)의 크기가 4로 매우 작기 때문에 해당 결과는 잠재적 정책적 함의로 해석하는 것이 바람직하며, 향후 대표성 있는 대규모 표본에서 재현성을 확보할 필요가 있다.
1. 결론
본 연구는 연간 교통사고 발생건수가 감소하고 있는 추세에도 불구하고, 운전자의 오조작에 기인한 페달 오조작 교통사고가 꾸준히 발생하고 있음에 주목하였다. 페달 오조작 교통사고는 발생 양상이 다양하고 복합적이며 예측하기 어려움에도 현행 안전도 평가 체계 및 예방 기술은 한정된 시나리오에 기반하여 실제 사고의 발생 특성을 충분히 반영하지 못한다는 한계가 있다. 이에 따라 본 연구는 국내에서 발생한 실제 페달 오조작 교통사고 데이터에 응집형 계층적 클러스터링 방법론을 적용하여 대표적인 페달 오조작 교통사고 유형을 제시하고자 하였다. 결과적으로 도출된 5개의 페달 오조작 교통사고 클러스터를 해석 가능성과 정책적 활용성 관점에서 4개의 사고 유형으로 통합하여 제시하였다. 그 내용은 첫째, 고령 운전자의 주차 중 페달 오조작으로 인적 피해가 발생한 유형, 둘째, 상대적 고령 운전자가 일반도로 주행 중 페달을 오조작한 유형, 셋째, 구형 차량 모델에서 발생한 페달 오조작 유형, 마지막으로 넷째, 연령 미상의 운전자가 주차 중 페달 오조작으로 물적 피해를 발생시킨 유형이다. 이러한 분석 결과를 요약하면 운전자가 고령일 때, 주차 중일 때, 연식이 오래된 차량일 때 페달 오조작 교통사고의 발생 위험이 상대적으로 높음을 보여준다.
2. 연구의 한계
본 연구는 실제 페달 오조작 사고 데이터를 활용한 사고 발생 유형을 설명함으로써 의미 있는 시사점을 제공하지만, 동시에 다음과 같은 한계를 가진다.
첫째, 최적 군집에서의 실루엣 점수(0.1697)가 다소 높지 않은 수준으로 도출되어 군집이 명확한 경계로 나뉘지 않는다는 한계가 있다. 그러나 사고 데이터는 대체로 뚜렷한 경계로 나뉘지 않고 연속적 스펙트럼 구조를 나타내며 점진적으로 특성이 변화하는 경향을 보인다. 본 연구의 목적은 페달 오조작 사고의 발생을 유형화함으로써 향후 제도적·정책적 활용을 위한 실증적 근거를 마련하는 것이므로, 서로 완전히 독립적인 군집을 형성하지 않더라도 충분한 설명력과 정책적 의미를 가진다.
둘째, 분석에 활용된 페달 오조작 사고 데이터에 포함된 변수의 성격별(운전자, 차량, 사고 정보)로 분석 결과에 미치는 영향력이 다를 수 있다. 변수의 성격별로 운전자 정보는 4개, 차량 정보는 2개, 사고 정보는 7개의 변수로 구성되므로 사고 정보 관련 변수가 군집 형성에 미치는 영향력이 상대적으로 큼에도 불구하고, 본 연구에서는 Gower distance 산출 시 모든 변수에 동일한 가중치를 부여하였다. 이는 변수 성격별 가중치를 임의로 조정할 경우 변수 중요도에 대한 연구자의 주관적 판단이 개입되어 연구 결과를 왜곡시킬 위험이 있기 때문이다. 향후에는 연구의 질적 향상을 위해 영향력 균형을 고려한 객관적인 변수별 가중치 부여 방안을 검토해야 할 필요가 있다.
3. 정책적 제언
사고 유형별 발생 특성은 페달 오조작 교통사고가 특정 운전자 집단이나 단일 주행 상황에 국한되지 않음을 보여주며, 이는 향후 관련 기술 및 정책 개발 과정에서 교통사고 유형별 맥락을 고려한 차별화된 접근이 필요함을 의미한다. 이에 본 절에서는 본 연구의 분석 결과를 바탕으로 페달 오조작 교통사고 예방을 위한 정책적 활용 방향을 제시하고자 한다.
첫째, 페달 오조작 방지 기술 개발 및 평가의 고도화가 필요하다. 현행 KNCAP 페달 오조작 방지장치 평가는 정지 상태의 대상 차량과 목표 자동차(장애물) 간 충돌을 가정한 시나리오를 중심으로 수행되고 있다. 그러나 본 연구에서 실제 페달 오조작으로 인한 교통사고 데이터를 활용하여 도출한 결과에 따르면, 페달 오조작 사고의 주요 발생 상황은 주차 중(Accident type A) 또는 주행 중(Accident type B-D)인 것으로 나타났다. 이러한 실제 사고 발생 양상과는 달리 현재 평가 체계는 정지 상태를 중심으로 구성되어, 실사고 특성을 충분히 반영하지 못하는 한계가 있다. 따라서 향후에는 본 연구에서 도출한 실사고 데이터 기반 주요 사고 유형 분석 결과를 토대로 한 페달 오조작 방지장치 평가체계를 고도화하여야 한다. 이를 통해 평가체계의 현실 적합성을 제고함과 동시에 제도의 실효성과 효과성 향상에 기여할 수 있을 것으로 판단된다.
둘째, 고령 운전자 대상의 안전대책이 강화될 필요가 있다. 페달 오조작 사고의 주요 유형을 분석한 결과, 절반(Accident type A&B)의 유형에서 운전자의 연령대가 비교적 높았으며, 이는 고령 운전자군에서 상대적으로 페달 오조작 교통사고 발생 가능성이 높음을 시사한다. 이에 따라 고령 운전자를 중심으로 한 안전대책 수립과 페달 오조작 방지장치 관련 지원이 필요하다.
셋째, 구형 차량 모델을 고려한 사고 예방 정책의 필요성이 존재한다. 구형 모델에서 발생한 페달 오조작 사고 유형(사고 유형 C)은 차량 연식과 기술 수준이 페달 오조작 교통사고 위험도에 영향을 미칠 수 있음을 보여준다. 이는 신차 중심의 안전 기술 도입과 함께, 구형 모델 차량의 안전 성능 한계를 고려한 방지장치 지원 등 정책적 보완 논의가 병행되어야 함을 의미한다.
이와 같이 본 연구는 페달 오조작 교통사고를 실제 발생 맥락에 기반하여 분석 및 해석함으로써 사고 예방 기술 평가, 고령 운전자 안전대책 등 정책에 연계할 수 있는 근거를 제공한다. 이는 향후 페달 오조작 사고 예방을 위한 기술 개발 및 정책 설계 과정에서 사고 유형별 특성을 반영한 정밀한 접근의 필요성을 뒷받침할 것으로 기대된다.
