서론
선행연구
1. 보행 교통사고 요인분석 연구
2. 보행 노출률 추정 연구
분석방법
1. 분석자료
2. 유동인구 추정
3. 보행안전성능함수 구축
분석결과
1. 보행사고 발생건수 예측
2. 보행사고 취약구간 선정 및 사고 심각도 분석
3. 교통약자 보행사고 취약구간 선정
결론 및 향후과제
서론
2015년 우리나라의 인구 10만 명당 보행 중 사망자수는 3.5명으로 OECD 국가 중 2위를 차지하고 있고, OECD 회원국의 평균 보행 중 사망자수 1.1명에 비해 세 배 이상 많았다. 특히 전체 교통사고 사망자수에서 보행사고 사망자수가 차지하는 비율은 38.8%로 OECD 회원국 중 가장 높았다(The Road Traffic Authority, 2017). 또한 2013년 180개 국가의 교통사고 사망자수 중 보행자가 차지하는 비율은 평균 22%로 전 세계적으로도 보행사고로 인한 인명 피해가 심각한 상황이다(World Health Organization, 2015). 이에 여러 국가에서 보행사고를 줄이기 위해 사고 발생 원인에 대해 분석하고 보행사고 취약구간을 선정하여 사전에 예방하는 정책들을 시행하고 있다(Zegeer and Bushell, 2012).
국내의 사고취약구간 선정 방식은 단순사고건수 및 사망자수를 이용하지만 이는 사고 노출률을 고려하지 못해 실제 안전개선이 필요한 취약구간을 선정하지 못하는 한계를 가진다. 이에 따라 미국 도로교통공무원협회에서 발행한 American Association of State Highway and Transportation Officials(2010)에서는 단위구간의 사고건수를 예측하기 위해 사고노출률을 변수로 하는 안전성능함수를 구축하고, 안전성능함수의 예측치와 실제사고건수의 차이인 잠재적 안전개선 지수(Potential for Safety Improvement, PSI)를 기준으로 사고취약구간을 선정하는 개념을 제시했다. 이는 안전개선에 대한 기대효과를 나타내는 지표로 효율적인 사고 감소를 위한 지표로 알려져 있지만, 고속도로에서 발생한 차대차 사고에만 활용이 가능하며 차대사람 사고에 대한 적용에는 어려움이 있다. 가장 큰 원인은 보행사고 안전성능함수 구축을 위한 보행사고노출률 추정이 어렵기 때문인데, 보행사고의 노출률을 반영하기 위해서는 차대차 사고의 노출률을 측정할 때 고려하는 발생 구간의 기하 구조, 차량통행량뿐만 아니라 보행통행량도 같이 고려해야 한다. 노출률이란 잠재적으로 위험한 사건에 노출되는 비율로 고속도로에서 발생하는 차대차 사고에서는 분석 지점의 길이와 특정 기간 동안 통행한 차량교통량으로 노출률을 추정한다. 하지만 보행사고는 주로 교통량이 수집되지 않는 이면도로에서 발생하고 사람들의 보행통행량을 측정하기 어렵기 때문에 노출률을 추정하기 어렵다. 기존 대다수의 연구에서는 사람들의 보행통행량을 가구통행실태조사와 같은 통행조사나 교통존 단위의 인구통계지표를 통해 추정하였으나, 이는 이동이 비교적 자유로운 보행 특성을 반영하지 못하는 한계가 있다.
따라서 본 연구에서는 사람들의 통행 패턴이 반영되어 있는 교통카드 자료를 이용하여 각 격자의 보행유동인구를 추정하고, 이를 보행노출률로 반영한 보행안전성능함수를 제안하였다. 제안된 방법론은 대중교통 수단분담율이 높고, 교통카드 및 도로 GIS 정보가 구축되어 있는 서울시를 대상으로 적용되었다. 서울시의 2016년 기준 대중교통 수단분담율은 65%로 대중교통 이용자들의 통행이 많은 구간의 보행통행량을 스마트 카드로 설명할 수 있다(Seoul Metropolitan Government, 2017). 따라서 서울시를 500m×500m 크기의 격자로 나누고, 교통카드 자료를 이용하여 각 격자의 보행유동인구를 추정하였으며, 이를 기반으로 보행안전성능함수를 구축하였다. 또한 구축된 모형의 성능을 평가하여 활용가능성을 검토하였다.
본 논문의 2장에서는 보행사고 요인분석 및 보행노출률 측정에 대한 다양한 기존 연구를 고찰하고, 3장에서는 본 연구에서 활용한 자료, 분석방법 등을 자세히 기술하며, 이어지는 4장에서는 제안한 방법론을 통해 보행안전성능함수를 구축한 결과와 이를 활용한 보행사고취약구간 선정결과를 제시한다. 마지막 5장에서는 본 연구의 성과와 한계 및 향후 연구방향을 논의한다.
선행연구
1. 보행 교통사고 요인분석 연구
기존의 많은 연구들이 교통사고 발생 자료와 여러 설명변수들을 결합하여 보행 교통사고에 미치는 영향을 분석하였다. 선행 연구들은 주로 사고 발생 지역, 운전자와 보행자의 특성, 도로 기하 구조 등을 설명변수로 활용하고 있고(Beck et al., 2014), 교통량과 보행량을 측정 또는 추정하여 사고 노출률로 정의하고 사고와의 상관관계를 분석하였다.
Zegeer and Bushell(2012)은 보행사고에 영향을 미치는 요인을 크게 운전자, 차량, 도로/환경, 보행자, 인구/사회/정책 5개로 분류하고 이들의 상호작용으로 인해 보행사고가 발생한다고 분석하였다. 이 연구에서는 교통량과 길을 건너는 보행자가 많을수록 즉, 노출률이 높을수록 사고가 많이 발생한다고 주장하였다.
Kim(2012)은 차로수와 교통량을 고려하여 도로를 3개의 등급으로 구분하고 지점에서 발생한 교통사고 총 건수에 대한 보행사고 건수의 비율을 계산하여 경험적 베이지안 방법을 통해 새로운 보행사고 위험구간을 선정 방법을 개발하였다. 기존의 교통사고 잦은 지점 선정 방법과 비교했을 때, 기존 방법으로는 선정되지 않았던 추가 위험 구간이 발견되었고, 사고 발생건수보다 발생 경향에 초점을 두는 것이 더 효과적이라고 주장하였다.
Beck et al.(2014)에서는 교통량, 보행량, 도로 기하 구조, 보행 관련 교통시설물을 독립변수로 설정하고 음이항모형을 활용해 주간선도로와 보조간선도로를 구분하여 사고모형을 개발하였다. 그 결과 보행량과 차량 진 ‧ 출입로개수가 공통변수로 채택되었고 보행사고 수와 양의 상관관계를 가지는 것으로 분석되었다.
Rhee et al.(2016)에서는 서울시 교통존 별 교통사고건수와 면적, 지하철역과 버스정류장 수, 스쿨존과 횡단보도 수, 제한 속도 별 도로 길이, 인구, 고용자수 등 교통인프라, 교통망, 인구 통계, 사회경제적 지표의 회귀분석을 통해 변수들의 상관관계를 구하였고, 기존의 선형회귀분석과 주변 교통존의 이웃효과까지 반영한 spatial lag model (SLM)과 spatial error model (SEM)을 비교하였다. 이 논문에서는 교통수요분석 프로그램인 Emme/3를 이용하여 추정한 Vehicle-kilometers traveled (VKT)를 차량의 노출률로 사용하였고, 차량 노출률 포함 15세 이하 인구, 평균소득 그리고 보행 사고와 밀접한 관련이 있는 지하철역과 버스정류장 수, 규정 속도 시속 30km 이하 도로길이의 비율이 유의한 변수인 것으로 나타났다.
Park and Lee(2016)은 TAAS 데이터를 기반으로 사고가 발생한 지점을 가로 세그먼트 별로 나눠 차량 통행량, 보행량, 보호구역 등의 가로환경 변수를 이용해 분석하였다. 차량 통행량은 T-map API의 도로 혼잡도와 속도로 대체하였고, 보행량은 SK GeoVision의 스마트폰 GPS 기반 유동인구 자료를 사용하였다. 해당 변수들을 이용하여 SLM과 SEM 분석을 수행한 결과 차량 통행량과 유동인구 보행량은 매우 유의한 변수로 나타났고, 어린이 보호구역과 대중교통 시설 주변에서 보행 사고가 많이 발생하는 것으로 나타났다.
2. 보행 노출률 추정 연구
교통사고 요인 영향 분석을 통해 사고 노출률이 사고 발생에 영향을 미치는 것으로 드러나고 보행 사고에 대한 관심이 높아지면서 보행사고 분석을 위해 여러 지표들을 이용하여 보행 노출률을 추정하는 연구들이 진행되고 있다.
먼저 교통사고에 있어서 노출률이란 사고 발생에 대한 시행의 기본 단위로, 이러한 시행의 결과는 사고의 발생으로 이어진다(Hauer, 1982). 그중에서도 보행 노출률을 도로에 노출되어 있는 짧은 시간간격이나 해당 지역의 거주자 혹은 횡단보도를 건너는 보행자의 수 등으로 나타낼 수 있다(Hauer, 1982).
Keall(1995)은 뉴질랜드의 설문 조사 자료를 이용하여 도보 통행 횟수, 도보 통행시간과 횡단한 도로의 수를 보행 노출률로 사용하였다. 분석 결과 아동과 고령 보행자들의 보행 사고가 도보 시간과 횡단한 도로의 수에 더 크게 영향을 받는 것으로 나타났다.
Lee and Abdel-Aty(2005)는 설문조사 결과를 바탕으로 연령대 별 도보 통행시간을 보행 노출률로 제시했고, Lam et al.(2014)은 사람들의 통행에 대한 설문조사 자료를 기반으로 기존에 도로 안전 연구에서 사용되던 space-time path (STP)와 고령인구수 그리고 해당 연구에서 새로 제시한 potential path tree (PPT) 총 세 가지 방법을 이용하여 보행 노출률을 추정하고 비교하였다. STP는 시간에 따른 개개인의 이동 경로를 추정하여 보행량을 추정하는 방법으로 설문조사를 통해 얻은 출발지와 목적지 정보, 출발시간과 도착시간을 이용하여 최단경로를 구해 이동 경로로 사용한다. PPT는 STP에서 구한 최단거리를 통행 시간으로 나눠 통행속도를 구하고 설문지 응답자의 집을 고정점으로 정하여 통행시간과 통행속도에 따른 잠재적 통행 지역을 한정한다. 그 후 잠재적 통행 지역 안에 있는 가능한 모든 경로를 구한 뒤 도로 구간 별로 통행에 포함된 수를 계산하여 도로 구간 별 노출률을 계산한다. 분석 결과 PPT 방법이 기존의 방법들보다 우수하게 보행 노출률을 추정하는 것으로 나타났다.
Yao et al.(2015)은 설문조사 결과를 바탕으로 Lam et al.(2014)의 PPT를 모든 가능한 경로의 통행 확률을 동일하게 설정하는 equal potential path tree (EPPT)로 명명하고, 최단거리의 통행 확률을 50%와 70%로 정하고 나머지 다른 경로들의 확률을 동일하게 설정하는 weighted potential path tree 5 (WPPT5), WPPT7로 나누어 STP와 비교하였다. 또한 도로와 대중교통 인프라 관련 변수들을 노출률과 결합하여 음이항 회귀모형과 공간가중포아송 회귀모형에 적용해 각 모델 별 적합도를 비교하였다.
위와 같이 대부분의 연구들은 설문조사 결과를 바탕으로 도보 통행 시간, 통행 횟수, 통행 거리 등을 보행 노출률로 사용하였다. 하지만 이는 설문조사에 응답한 일부 사람들의 통행 패턴만을 반영하고 있기 때문에 다양한 시공간적 범위에서 발생하는 보행 사고 전체를 설명한다고 보기에는 무리가 있다. 따라서 본 연구에서는 거의 전수에 가까운 서울시 대중교통 승객들의 통행 패턴이 반영된 교통카드 데이터를 이용하여 미시적인 단위의 보행 노출률을 추정하였다.
분석방법
1. 분석자료
본 연구는 교통카드 자료와 도로구간 정보를 쉽게 구득할 수 있는 서울시를 분석 도시로 설정하였다. 유동인구 추정을 위해 서울시 2017년 5월 16-22일 교통카드 자료를 이용하였고, 도로교통공단에서 제공하는 TAAS를 이용하여 2009년부터 2013년까지 차대사람 사고 자료를 수집하였다. 또한 도로위계별 길이와 노출률을 결합하기 위해 서울시 열린데이터 광장에서 제공하는 서울시 도로구간 위치정보를 활용하였다.
교통카드 자료는 비식별화된 가상카드번호, 교통수단정보, 승하차정보, 환승횟수, 이용자구분코드 등 28가지 항목으로 이루어져 있고, 지하철역 및 버스정류장 좌표 정보와 결합하여 GIS 분석이 가능하다. 본 연구에서는 서울시 교통카드 일주일 자료를 이용하여 지하철역과 버스정류장 별 승하차인원을 집계하였다. 승하차인원이 가장 많이 집계된 역은 강남역(2호선)으로 총 1,445,744명의 승하차가 이루어졌고, 수집기간동안 총 55,104개 역과 정류장에서 승하차가 이루어졌다. 요일 및 승객 유형 별 서울시 내 대중교통 탑승객 수는 Table 1에 나타내었다.
Table 1. Trips in Seoul by passenger type from smart card data
TAAS는 경찰, 보험사에 접수된 교통사고 자료를 취합하여 각 사고에 대한 위치 좌표, 발생 일시, 사고 유형, 상해 정도 등의 정보로 정리한 자료이다. 2009년부터 2013년까지 서울에서 발생한 교통사고 자료를 분석한 결과 총 206,701건의 사고가 발생하였고, 그 중 차대사람 사고는 54,214건으로 약 26.2%를 차지하였다.
서울시 도로구간 위치정보 자료는 서울 열린 데이터광장에서 제공하는 오픈 소스 데이터로 총 71,040개 도로의 도로명, 위계, 폭, 길이 등의 정보로 이루어진 SHP 파일이고 해당 파일을 바탕으로 오픈 소스 GIS 분석 프로그램인 “QGIS 2.18.14”의 벡터 격자 기능을 이용하여 서울시 전체를 500m×500m 크기의 격자 5,056개로 나누고, 각 격자 안에 포함되어 있는 도로의 길이를 위계별로 ‘고속도로’, ‘대로’, ‘로’, ‘길’로 구분하여 계산하였다. 행정구역 단위로 분석하지 않은 이유는 다른 선행 연구들과 마찬가지로 보행 교통사고는 주로 특정 환경에서 발생하므로 거시적인 단위보다 미시적인 단위의 분석이 더 적절하기 때문이다(Park and Lee, 2016). GIS 상에 역, 정류장 별 승하차인원 정보와 교통사고 발생 정보, 도로구간 위치정보를 표출하고, 각 격자가 포함하고 있는 정보를 모두 종합하여 분석하였다.
2. 유동인구 추정
유동인구는 교통카드 자료의 승하차량을 지하철역과 버스정류장 별로 집계하고 좌표를 매칭하여 GIS 프로그램 상에 나타내었다. 그 후 격자별로 격자 내에 포함되는 지하철역과 버스정류장의 유동인구를 집계하여 격자 별 유동인구를 추정하였다. 총 5,056개 격자의 평균 유동인구는 37,942명으로 최대 유동인구는 1,942,196명, 최소 유동인구는 0명이다.
보행유동인구는 교통카드 자료와 지하철역, 버스정류장 좌표를 결합하여 역 및 정류장 별 승하차인원의 합으로 산출하였다. 여기서 유동인구란 상주인구와는 다른 의미로 특정 시간대에 특정 지역 내에서 이동한 총 인구를 의미한다(Jeong and Moon, 2014). 분석단위는 서울시의 시내 지역 평균 정류장간 거리인 439m를 고려하여 500m×500m 격자로 설정하였다(Kim and Lee, 2017). 승하차 자료 중 환승의 경우 동일한 격자 내에서 승차와 하차가 이루어질 수 있기 때문에 승하차인원이 중복되어 계산될 수 있지만 분석단위 내 환승을 위한 보행은 더 직접적으로 노출률의 정의에 부합하기 때문에 제외하지 않고 그대로 반영하였다.
유동인구와 마찬가지로 TAAS 자료 중 서울시에서 발생한 사고의 지점 좌표를 이용하여 사고발생지점을 GIS 프로그램 상에 나타내고 격자별로 격자 내에 포함되는 사고 발생건수를 계산하였다. Table 2에도 나타났듯이, 총 5,056개 격자의 평균 사고 발생건수는 약 10.7건으로 최대 발생건수는 234건, 최소 발생건수는 0건이었다. Figure 1과 Figure 2를 비교해보면 많은 수의 보행사고 다발지역이 유동인구 밀집지역과 같은 곳으로 추정되어 추정된 유동인구가 보행사고 노출률로 활용될 수 있음을 알 수 있다.
Table 2. Descriptive statistics by 500m×500m grids
3. 보행안전성능함수 구축
1) 네트워크 검사
네트워크 검사란 도로를 따라 평가지표 값을 계산하면서 사고취약구간을 선정하는 과정으로 교통안전 개선사업의 공간적 범위를 설정하는 근거를 제공한다(Korea Highway Traffic Research Institute, 2013). 네트워크 검사의 평가지표는 평균사고건수, 사고율, 안전성능함수를 이용한 사고예측건수 초과량 등이 있다(Lee et al., 2013). 본 연구에서는 격자 내 대중교통 승하차인원을 이용하여 보행노출률을 추정하고. 격자에 포함되어 있는 위계별 도로 길이의 합을 독립변수로 사용하여 보행안전성능함수 구축을 통해 사고건수를 예측하였다. 또한 PSI를 평가지표로 사용하여 사고취약구간을 선정하였다.
2) 안전성능함수
안전성능함수는 도로의 안전성을 평가하기 위해 사고건수를 예측하는 방법으로 교통량, 도로 기하구조 설계요소와 같은 독립변수를 사용하여 사고건수를 예측하는 수학적 모형이다(Korea Highway Traffic Research Institute, 2013). 고속도로의 안전성능함수는 일교통량과 구간길이를 차량의 노출률로 사용하지만 본 연구에서는 보행사고를 다루기 때문에 차량의 노출률인 일교통량이 아닌 교통카드 자료를 이용하여 추정한 유동인구와 위계 별 도로 길이를 보행사고 노출률로 사용하였다.
교통사고의 경우 발생확률이 매우 낮기 때문에 일반적으로 포아송 분포로 근사화되고, 다양한 연도와 구간의 자료를 하나의 자료로 취급했을 경우 과분산 현상이 발생할 수 있어 과분산성을 고려한 음이항 분포가 사고 예측에 활용되기도 한다. 본 연구에서 구축한 모델 또한 500m×500m 분석 단위에서 과분산계수의 값이 1.49로 과분산성을 갖는 것으로 나타나 음이항 회귀분석을 활용하였다. 예측모형은 격자별 보행사고수를 종속변수, 유동인구 추정치와 위계별 도로 길이를 독립변수로 사용하였고, 각 변수를 0과 1사이의 값을 갖도록 정규화한 후 음이항 회귀분석을 통해 구축하였다. 본 연구에서 활용한 안전성능함수는 Equation 1과 같다.
| $$N_{estimated}=e^{(\alpha+\beta_1\cdot Floating\;Population+\beta_2\cdot\;length_1+\beta_3\cdot\;length_2+\beta_4\cdot\;length_3+\beta_5\cdot\;length_4)}$$ | (1) |
여기서, 는 안전성능함수의 종속변수이자 모형을 통해 계산한 사고예측건수, 는 상수, 에서 는 고속도로, 대로, 로, 길의 길이를 나타내며, 는 각 변수의 계수를 의미한다. 안전성능함수는 별도의 위계구분 없이 모든 격자에 일관되게 적용되어 일반적인 패턴을 모사하였다.
분석결과
1. 보행사고 발생건수 예측
격자별 보행사고 발생건수는 음이항 회귀모형을 활용하여 구축한 보행안전성능함수를 통해 예측하였으며, 격자의 평균 사고 예측 건수는 약 10.7건으로 발생한 사고 건수의 평균과 같고 최대 예측 건수는 515건, 최소 예측건수는 2건이었다. 보행안전성능함수의 결과는 Table 3과 같다. 분석결과 분석에 활용한 모든 변수의 계수가 통계적으로 유의미한 결과를 보였다. 또한 McFadden’s Pseudo R2가 0.65로 높게 나타났으며 이는 본 모형의 설명력이 높다는 것을 의미한다. 추정된 계수를 살펴보면 유동인구의 계수가 양의 값으로 도출되어 유동인구가 많아질수록 보행 사고건수가 많아짐을 보여준다. 위계별 도로 길이의 경우에는 위계가 낮아질수록 계수가 크게 나왔는데 그 이유는 보행사고가 주도로보다 보조도로에서 더 많이 발생하기 때문이다. 고속도로의 경우 보행자와 차량이 분리되어 있어 사고의 위험도를 감소시키므로 계수의 부호가 음수로 추정되었다. Figure 3에는 격자 별 사고 예측 건수를, Figure 4에는 격자 별 사고 예측 건수와 사고 발생 건수의 차이를 지도 상에 나타내었다.
Table 3. Estimation result for the model of pedestrian safety performance function
Table 4에는 격자를 구 단위로 집계했을 때 구별 및 서울시 전체의 평균 제곱근 오차(Root Mean Square Error, RMSE)와 평균 절대 오차(Mean Squared Error, MSE)를 나타내었다. 분석결과, 평균적으로 2,726건의 사고를 가지는 구 내 보행사고를 예측할 경우 17.70건의 평균 제곱근 오차, 8.54건의 평균 절대 오차가 발생하였다. 이 결과는 본 연구에서 제시한 모형이 거시적인 분석에서 적용 가능한 정확도를 가지고 있음을 보여준다.
Table 4. Accuracy result of the model
2. 보행사고 취약구간 선정 및 사고 심각도 분석
보행안전성능함수를 이용해 예측한 사고 건수와 기존에 발생한 사고 건수와의 차이를 통해 사고 발생 확률이 높은 지역 즉, 발생한 사고보다 예측한 사고 건수가 더 많은 지역을 보행사고 취약구간으로 선정하고, 차이가 많이 나는 상위 다섯 개 지역을 분석하였다. 상위 다섯 개 지역 중 세 개 지역은 유동인구 상위 5위 안에 드는 지역이었다. 유동인구가 많아 노출률이 높고 그로 인해 많은 보행사고가 발생한 것으로 판단된다. 선정된 보행사고 취약구간의 사고 원인을 자세히 분석하기 위해 사고의 공간적 분포 및 주변 도로 기하구조 현황 검토 등을 수행하였다. 선정된 보행사고 취약구간은 Figure 5에 나타내었다.
1) 서울시 동대문구 제기동 홍파초등학교 부근
서울시 동대문구 제기동이 포함되어 있는 격자가 보행사고 취약구간으로 선정되었다. 해당 격자에서 보행사고가 가장 많이 발생한 부분은 홍파초등학교 부근 교차로였다. Table 5에는 해당 격자에서 발생한 보행사고들의 날짜, 요일, 날씨, 도로 유형, 사고 원인 등 자세한 정보를 나타내었다. 살펴보면 총 5건의 보행사고가 발생하였고, 4건은 중상사고, 1건은 사망사고이다. 5건 모두 보행자가 횡단하던 중에 차와 부딪힌 사고이다.
Table 5. Pedestrian crashes in the vulnerable area near Hongpa elementary school
Figure 6을 보면 홍파초등학교 근처 교차로에 3개의 횡단보도가 있는 것으로 나타나 있는데 현장사진(Figure 7)을 확인해본 결과 사고가 발생했던 시점에는 남쪽과 북쪽을 잇는 우측 횡단보도가 존재하지 않았던 것으로 나타났다. 따라서 교차로 가운데에서 발생한 사고의 경우 보행자가 좌측 횡단보도가 아닌 우측에서 횡단하던 중에 차량 운전자의 안전운전 불이행으로 인해 사고가 발생한 것으로 보인다. 횡단보도 위가 아니더라도 횡단보도 인근에서는 보행자가 횡단할 수도 있기 때문에 운전자는 항상 주의를 살피고 안전하게 운전해야할 의무가 있다. 또한 동쪽과 서쪽을 잇는 횡단보도의 경우 서쪽에서 동쪽으로 건널 때 노상 주차되어 있는 차량들로 인해 시야가 가려져 보행자가 차를 못 보거나 반대로 운전자가 보행자를 보지 못해 사고가 발생할 수 있다. 해당 횡단보도에는 보행신호도 설치되어 있지 않았는데 최근 사진을 보면 보행신호가 설치되었고, 남쪽과 북쪽을 잇는 우측 횡단보도도 새롭게 설치된 것을 알 수 있었다. 이로 인해 보행환경이 개선되었다고 평가할 수 있다.
2) 서울시 서대문구 통일로 일대
서울시 서대문구에 위치한 통일로 일대가 보행사고 취약구간으로 선정되었다. 해당 격자에서 보행사고 히트맵을 지도상에 나타내었을 때(Figure 8) 색이 가장 진한 부분은 횡단보도와 버스중앙차로 정류장이 위치한 곳이었다. Table 6을 보면, 총 18건의 보행사고가 발생하였고, 7건은 경상사고, 8건은 중상사고, 1건은 사망사고, 2건은 부상신고 사고였다. 그 중 7건이 횡단보도 부근에서 발생하였고, 나머지는 기타로 분류되어 있는 곳에서 사고가 발생하였다.
Table 6. Pedestrian crashes in the vulnerable area in Seodaemun-gu, Tongil-ro
Figure 8을 보면 사고가 발생한 도로 가운데에 버스중앙차로 정류장이 있는 것으로 나타났다. 현장 사진(Figure 9) 확인 결과, 해당 정류장은 2012년 4월에 완공된 것으로, 전체 보행사고 18건 가운데 7건이 정류장이 있을 때 발생한 사고였다. Figure 9를 보면 2018년 7월 사진에는 무단횡단을 억제하기 위한 중앙분리대와 울타리가 2013년 3월 사진과 대비하여 더 설치되어 있는 것을 볼 수 있다. 이는 버스중앙차로 정류장이 횡단 거리를 줄여서 무단횡단을 유도할 수 있기 때문에 이를 방지하기 위해 설치한 것으로 보인다. 또한 해당 구간에는 영천 시장 입구가 위치하여 다른 구간에 비해 상대적으로 보행자와 차량의 통행량이 많아 보행사고가 많이 발생한 것으로 보인다.
3) 서울시 관악구 신림역 부근
세 번째로 서울시 관악구에 위치한 신림역 부근이 보행사고 취약구간으로 선정되었다. Figure 10과 Table 7을 종합해서 보면 해당 격자 내에서 보행사고가 가장 많이 발생한 구간은 신림로의 한 횡단보도로 총 28건의 보행사고가 발생하였다. 횡단보도 상에서 발생한 사고는 8건이고, 나머지는 기타로 분류되어 있는 도로 상에서 사고가 발생하였다.
Table 7. Pedestrian crashes in the vulnerable area near Sillim station
현장사진(Figure 11)을 살펴보면 차도는 왕복 5차로이고, 신호가 있는 횡단보도가 5차로를 가로지르는 형태로 설치되어 있다. 또한 운전자의 안전 운전을 유도하는 지그재그 형태의 차선으로 되어 있는데, 이를 통해 해당 구간이 사고 다발 구간이라는 것을 알 수 있다. 해당 구간에서 발생한 총 28건의 보행사고 중 7건을 제외한 21건이 운전자의 안전운전 불이행으로 인해 발생한 것으로 안전 운전을 유도하는 차선이 적절히 설치되었다고 평가할 수 있다. 2010년과 2018년의 현장 사진을 비교해보면 보행자들의 무단횡단을 억제하는 중앙분리대가 설치되어 있는데, 북쪽 도로에도 설치된다면 무단횡단을 막아서 보행사고를 줄일 수 있을 것으로 예상된다.
3. 교통약자 보행사고 취약구간 선정
교통카드 자료의 경우 이용자 구분 코드를 이용하여 65세 이상 고령자, 학생, 어린이를 구분할 수 있어 교통약자의 통행을 따로 추출할 수 있다. 위와 같은 방법으로 교통약자의 유동인구를 추정하고 다른 변수들과 연계하여 교통약자 보행사고를 예측하고 취약구간을 선정하였다. 그 결과 전체 보행자를 대상으로 선정한 취약구간 이외에 고령자들의 통행이 잦은 지역이 추가로 선정되었다. 이는 전체 보행사고를 대상으로 한 경우와 다른 결과가 도출되었으며, 대중교통을 이용하는 고령자의 유동인구가 많은 지역이 교통약자 보행사고 취약구간으로 선정되었다. Figure 12에는 교통약자 예측 보행사고 건수와 발생 보행사고 건수의 차이를 나타내었다.
1) 서울시 성동구 답십리역 사거리
서울시 성동구에 위치한 답십리역(5호선) 부근이 교통약자 보행사고 취약구간으로 선정되었다. Figure 13과 Table 8을 종합해서 살펴보면, 해당 격자에서 사고가 가장 많이 발생한 구간은 4개의 횡단보도가 위치한 답십리역 사거리로 총 18건의 보행사고가 발생하였고, 다른 곳과는 다르게 신호 위반으로 인해 발생한 사고의 비율이 높았다.
Table 8. Pedestrian crashes in the vulnerable area near Dapsimni station
현장사진(Figure 14)을 살펴보면 차도는 버스중앙차로 포함 왕복 10차로로 이루어져 있고, 버스중앙차로 정류장으로 인해 횡단보도가 두 구간으로 나누어져 있다. 또한 차도의 정지선으로부터 횡단보도까지의 거리가 길기 때문에 만약 차량 운전자가 신호위반을 하고, 동시에 보행자가 보행 신호 후 바로 횡단을 시작하면 차와 사람이 상충할 가능성이 매우 높아진다. 실제로 신호위반으로 인해 발생한 사고가 이와 같은 상황에서 발생했다고 추정된다.
2) 서울시 동대문구 신설동역 부근
서울시 동대문구에 위치한 신설동역 부근이 교통약자 보행사고 취약구간으로 선정되었다. 해당 격자는 신설동역 1호선과 2호선, 우이신설선 역이 위치해 있어 유동인구가 많아 보행사고가 많이 발생하였는데, 우이신설선 역의 경우 2017년에 개통되어 본 연구에서 활용한 사고자료에는 해당 시설물에 대한 영향이 반영되어 있지 않았다. Figure 15를 보면 1호선 신설동역 3,4번 출구와 2호선 신설동역 부근에서 히트맵이 진하게 나타났다. 역 부근은 유동인구가 많아 사고가 많이 발생했다고 판단되고, 그 외에 사고가 많이 발생한 구간에 대해 사고 원인을 분석해보았다.
역 주변 이외에 격자의 서남쪽 구역에서 보행사고가 많이 발생하였다. Table 9를 보면 총 13건의 보행사고가 발생하였는데, 현장사진(Figure 16)을 살펴보면 사고가 많이 발생한 2009년과 2010년에는 동쪽에서 서쪽을 잇는 횡단보도가 없었는데 2011년 사진부터는 횡단보도가 설치되어 있는 것으로 나타났다. 횡단보도가 설치되기 이전에 보행자들이 무리하게 차도를 건너려다 사고가 발생하여 보행자를 보호하기 위해 횡단보도가 설치된 것으로 보이며, 설치 이후인 2011년부터는 보행사고가 대폭 감소하였다. 결과적으로 개선 방안이 효과적이었다고 평가할 수 있다.
Table 9. Pedestrian crashes in the vulnerable area near Sinseol-dong station
3) 서울시 종로구 종로3가역 근처
서울시 종로구에 위치한 종로3가역을 포함하는 격자가 교통약자 보행사고 취약구간으로 선정되었다. 해당 격자는 1호선과 3호선, 5호선 종로3가역을 포함하고 있어 유동인구가 많은 곳이다. Figure 17과 Table 10을 종합해서 보면, 해당 격자 내에서 사고가 가장 많이 발생한 곳은 종로 2가 사거리와 1호선 종로3가역 사이에 위치한 횡단보도 부근으로, 5년 동안 총 29건의 보행사고가 발생하였고, 한 건을 제외하고 모두 안전운전 불이행으로 인해 발생한 사고였다.
Table 10. Pedestrian crashes in the vulnerable area near Jongno 3ga station
현장사진(Figure 18)을 살펴보면, 사고가 발생했던 기간에는 왕복 8차로 차도와 차도를 횡단하는 횡단보도가 있었지만, 최근 사진을 보면 2018년에 버스전용차로가 중앙으로 옮겨졌고 자전거 도로가 생기면서 왕복 7차로로 바뀐 것을 알 수 있다. 보행사고는 모두 19-05시 사이의 어두운 밤과 새벽에 발생하였다. 신호 위반으로 인해 발생한 첫 번째 사고를 제외하고는 모두 보행 신호가 아닐 때에 보행자가 8차로 도로를 건너다가 차량과 부딪혀서 발생한 사고로 여겨진다. 현재는 버스중앙차로로 바뀌어 횡단보도 양옆으로 중앙분리대가 설치되었으나 보행자들이 급하게 버스를 타려고 무단 횡단할 가능성이 있어 운전자들의 주의가 필요한 구간이다.
결론 및 향후과제
본 연구는 새로운 방법으로 보행사고 노출률을 추정하고 보행사고 취약구간을 선정한 연구이다. 기존의 설문조사를 이용하여 보행사고 노출률을 추정하는 것이 아니라 사람들의 통행 패턴이 반영되어 있고 시공간적으로 활용성이 높은 교통카드 자료와 위계 별 도로 길이를 활용하여 보행사고 노출률을 추정하였고, 기존 사고 발생 자료와 연계하여 보행안전성능함수를 구축하였다. 그 결과 구축한 모형의 설명력이 충분히 높은 것으로 확인되었고 보행사고 노출률 변수도 유의미한 것으로 나타났다. 구축한 보행안전성능함수를 바탕으로 격자별 사고 건수를 예측하고 기존 사고 발생 건수와의 차이를 통해 보행사고 취약구간을 선정하였다. 그 결과 유동인구가 많은 보조도로들이 취약구간으로 선정되었고 선정된 도로의 연도별 현장 사진과 시설물, 주변 도로 환경을 분석하여 사고 발생의 원인을 추정하였다.
본 연구에서 개발한 보행안전성능함수는 사용이 보편화된 교통카드 자료를 바탕으로 구축된 것으로 교통카드를 사용하는 모든 지역에 적용이 가능하고 분석 단위인 격자 크기 역시 지역의 특성에 맞춰 프로그램 상에서 자유롭게 조절이 가능하기 때문에 활용도가 높다고 할 수 있다. 즉, 교통카드 데이터와 기존의 TAAS 사고자료, 위계별 도로 길이 자료를 구득할 수 있는 모든 지역과 시간대에 본 연구에서 제시한 모형을 적용하여 보행사고 취약구간을 선정할 수 있다. 특히, 교통약자 보행사고 취약구간을 선정할 수 있으며 이를 활용한 개선방안 도출이 가능하다. 더불어서 본 논문의 사고취약구간 사고 원인 분석 부분에서 기술하였듯이 본 모형을 통해 보행안전 시설물 설치 전후의 보행사고 건수를 비교하고, 보행시설물 평가에 활용할 수 있다. 보행시설물의 설치 유무가 보행사고에 미치는 영향이 유의미하게 나타난다면, 모형의 설명 변수로 추가하여 모형의 설명력을 높일 수 있을 것이다.
본 연구의 한계점으로는 유동인구 추정에 사용한 교통카드 데이터는 2017년 5월의 자료이고, TAAS 자료는 2009-2013년에 발생한 사고 자료로 두 데이터의 시기에 차이가 있다는 점이다. 그로 인해 교통카드 데이터를 바탕으로 추정한 유동인구와 사고가 발생한 시점에서의 유동인구에 현저한 차이가 있다면 사고예측건수가 과다 혹은 과소 추정되고, 실제로는 사고 취약구간이 아닌데 취약구간으로 선정되거나 반대의 경우도 발생할 수 있다. 해당 문제를 해결하기 위해 최신 자료인 2016년 이후 TAAS 자료를 분석하려고 하였으나, 해당 자료에는 위치 정보가 누락되어 있어 GIS 분석에 활용할 수 없었다. 만약 2009-2013년의 교통카드 데이터를 활용하거나, 반대로 위치 정보가 포함되어 있는 2017년 전후의 TAAS 자료를 분석에 활용한다면 연구 결과의 정확도가 더 높아질 것이다. 또한 이미 보행사고를 예방하기 위해 시설물들이 개선된 곳이 있기 때문에 최신 사고자료와 GIS자료를 같이 이용한다면 보다 효과적으로 현재 상황에 맞는 보행취약구간을 선정할 수 있을 것이다. 추가로 TAAS 자료에 포함되어 있는 내용의 정확도가 높아진다면 사고 원인 분석과 예방 대책 수립에 더 도움이 될 것이다. 현재 TAAS 자료에는 사고 원인과 도로 형태 등이 모호하게 기록되어 있고, 좌표 또한 정확도가 높지 않은 것으로 판단된다. 해당 사고가 간선도로 위에서 발생한 것인지 이면도로 입구에서 발생한 것인지 정확히 구분하기 어렵기 때문에 개선이 필요하다.
향후 과제로는 본 모형의 적용가능성을 높이기 위해 본 모형을 다양한 사례에 적용하여 다양한 상황에서도 실제 사고건수를 얼마나 잘 산정할 수 있을지 확인하는 과정이 필요하다. 이러한 연구를 통해 본 연구에서 활용한 보행 노출률이 보행사고 추정에 기여하는 바를 부각시킬 수 있을 것이다. 또한, 본 연구에서 구축한 보행안전성능함수에 분석 단위 내 거주 인구, 도로 기하 구조 등의 설명변수를 추가로 적용하고 하나의 지역(구 또는 행정동)을 선정하여 결과를 비교하면 모형의 우수성을 더 나타낼 수 있을 것이라 판단된다. 또한 차량의 내비게이션 GPS 자료 혹은 스마트폰의 GPS 자료를 활용하여 보행사고가 잦은 모든 보조도로의 교통량을 측정할 수 있다면 차량의 노출률인 교통량을 설명변수로 활용할 수 있어 사고 예측 모형의 신뢰도를 향상시킬 수 있을 것이다.
