Journal of Korean Society of Transportation 대한교통학회지 ISSN:1229-1366(Print) 2234-4217(Online)

코로나19 팬데믹과 이에 대응하기 위해 도입된 정책에 의한 충격은 국민의 통행패턴을 급격하게 변화시켰다. 그 결과 통행의 관점에서 과거 사회경제 변화나 정책 시행으로 관측할 수 없었던 다양한 변화가 나타났다. 선행 연구에서는 실제 이동성 관리 정책에 따른 통행의 변화를 설명한 연구는 찾아보기 어려웠다. 따라서 본 연구에서는 코로나19 팬데믹 기간 중 관측된 모빌리티 변화에 영향을 준 요인을 탐색하여 인과관계를 규명하고, 이를 통해 이동성 관리 정책이 모빌리티 변화에 미친 충격을 분석하고자 하였다. 모바일 기지국 데이터를 활용하여 2020년 말의 가정기반 비정기통행과 심야 귀가통행 변화에 대하여 분석하였으며, 분석 결과 확진자 수의 변화는 모빌리티 변동에 단기적인 영향을 미치는 데 반해, 사회적 거리두기 정책의 변화는 모빌리티 변동에 중장기적인 영향을 미치는 것으로 나타났다. 특히, 대중교통 야간 운행 감축 및 심야영업 제한 등 거리두기 단계 상향에 따른 모빌리티 변동은 심야 통행에서 더욱 크고 장기적으로 관찰되었다.

본 연구는 미시적 수준의 도로 수송부문 온실가스 배출량 산정을 위해 자동차 온실가스 감가속 보정계수를 개발하고 적용 방안을 검토하였다. 본 연구는 미국 조지아공과대학 연구팀에서 개발된 고도화된 자동차 온실가스 배출량 산정 모형인 MOVES-Matrix를 활용하여, 세부 차종/유종별 감가속 주행행태에 따른 온실가스 배출량 민감도 분석을 수행하였다. 분석 결과, 온실가스 단위 배출량은 자동차의 주행속도가 증가함에 따라 전반적으로 감소하는 특성이 있으며, 동일 속도 범위에서 가속도가 증가할수록 증가하는 특성을 확인하였다. 온실가스 배출량 민감도 분석 결과를 바탕으로 세부 16개 차종/유종별 온실가스 감가속 보정계수를 개발하였으며, 국내 교통정보 수집 시스템의 한계를 감안하여 승용차, 버스, 화물차 3개의 차종별 온실가스 감가속 보정계수를 추가적으로 개발하였다. 본 연구는 온실가스 감가속 보정계수를 고려한 미시적 수준의 온실가스 배출량 산정 알고리즘을 제안하였다. 시나리오 분석 결과, 온실가스 감가속 보정계수 적용 시, 미 적용시 대비 약 6-15%의 온실가스 배출량이 차이가 있음을 확인하였다. 이를 통해, 개별 차량의 주행행태(속도, 감가속도 등)가 온실가스 배출량에 상당한 영향력이 있음을 확인할 수 있었다. 본 연구를 통해 도로 구간별 개별 차량의 미시적 주행행태를 반영한 온실가스 배출량의 민감도를 보다 정밀하게 반영할 수 있을 것으로 기대된다. 특히 감가속 주행행태가 빈번히 발생하는 단속류 및 일부 연속류 구간에 대한 정밀한 온실가스 배출량 산정 및 온실가스 배출 저감을 위한 교통운영 전략를 수립하고, 그 효과를 예측하는 데 도움이 될 것으로 기대된다.

공유 전동 킥보드는 공유 모빌리티 서비스 중 하나로, 이용자들은 앱을 이용하여 이를 간편하게 대여 및 반납할 수 있으며, Last-Mile 상황에서 유용하다. 공유 전동 킥보드 이용에 대한 관심이 점점 증가하면서 다양한 종류의 공유 전동 킥보드 서비스 품질이 이용자 입장에서 관심을 받고 있다. 본 연구는 서비스 품질 측면에서 소비자의 이용의사를 판별하기 위해, SERVQUAL과 Technology Acceptance Model(TAM)을 활용하여 수도권 시민의 공유 전동 킥보드 이용의사에 영향을 미치는 요인을 분석하고, 분석 결과에 따라 이용의사를 높일 수 있는 정책적 시사점을 제공하고자 한다. 특히, 응답자들을 경험자와 미경험자로 분류하여 공유 전동 킥보드 이용 경험 여부에 따라 각 그룹의 SERVQUAL 항목이 이용의사에 미치는 영향을 모델링한다. 이를 위해 설문조사를 통해 유효한 627명의 응답을 수집하였고, SERVQUAL과 TAM 간의 관계를 통하여 공유 전동 킥보드 제공 업체와 정책 결정자에게 유용한 시사점을 제시하였다. 분석 결과, 미경험자의 이용을 유도하기 위해서는 킥보드의 외형 및 앱 디자인(Tangibles), 개인정보 보호 및 고객 응대(Assurance), 상해보험 및 할인 혜택(Empathy)에 대한 개선 및 보완이 필요한 것으로 나타났다. 추가로 경험자의 지속적인 이용을 유도하기 위해서는 앱 정보 정확성 및 요금(Reliability), 재배치 속도 및 불편사항 개선(Responsiveness)에 대해 보완해야 한다는 시사점을 도출하였다. 본 연구 결과는 공유 전동 킥보드 서비스의 이용의사에 대한 이해도를 높이고 다양한 정책적 시사점을 제공하고 있다는 점에서 Last-Mile 모빌리티 개선에 많은 도움이 될 것으로 기대한다.

최근 해마다 반복되는 블랙아이스 교통사고 예방을 위해 겨울철 야간 도로 순찰이 의무화 되었다. 일반국도의 경우 연장(약 14,000km)이 길고 순찰 자원(차량 17대)이 제한되어 있기 때문에 전체 구간을 매일 순찰하는 것은 사실상 불가능하다. 따라서 블랙아이스가 발생할 것으로 예상되는 위험한 구간을 파악해 해당 구간을 집중적으로 순찰하는 전략이 필요하다. 하지만 블랙아이스 발생이 우려되는 구간 정보가 없어 이에 대한 해결책 마련이 시급하다. 이에 본 연구는 부스팅 머신러닝 알고리즘을 이용해 블랙아이스 발생 가능성이 높은 구간을 추정하는 모형을 개발했다. 분석에 사용된 데이터는 기상청에서 예보하는 상대습도, 기온, 이슬점 온도, 강수 확률, 풍속이고, 사용된 알고리즘은 AdaBoost, XGBoost, CatBoot이다. 개발 모형을 평가하기 위해 일반국도 순찰 차량을 이용해 수집한 노면 온도 데이터를 이용했다. 노면 온도 데이터 분석 결과, 블랙아이스는 기온(氣溫)이 4℃ 이하이고 상대습도가 75% 이상일 때만 발생하는 것으로 나타났다. 또한, 눈, 비가 내리지 않는 경우 블랙아이스는 기온이 전날에 비해 낮아질 때보다는 올라갈 때 발생할 가능성이 높은 것으로 분석되었다. 부스팅 알고리즘을 이용하여 구축한 블랙아이스 추정 모형 평가 결과, 정확도가 약 90%로 나타나 만족할 만한 성능을 보였다. 본 연구 결과를 일반국도 순찰 구간 선정에 활용할 경우, 블랙아이스 발생 위험이 높은 구간을 집중적으로 순찰하고 순찰 중 블랙아이스를 발견할 경우 제설제를 살포할 수 있어, 겨울철 도로관리를 더욱 효율적이고 효과적으로 수행할 수 있을 것으로 기대된다.

본 연구는 보행교통사고 잦은 곳의 적정 공간적 범위 설정을 위해 보행교통사고에 대한 점 패턴 분석과 보행교통사고 잦은 곳의 공간적 특성을 분석하였다. 분석은 광역자치단체 중 전체 교통사고 사망자 대비 보행자 사망자 비율이 가장 높은 서울특별시의 2016년에서 2022년까지 발생한 보행교통사고를 대상으로 하였다. 보행교통사고 데이터의 점 패턴 간 공간 의존성을 분석하기 위해 Ripley의 K-function 및 L-function을 사용하여 거리별 군집화 정도를 분석한 결과, 각 연도별 보행교통사고는 개별 사고 간의 공간적 의존성을 지닌 군집화된 상태이며 공간적 패턴의 군집화는 30.7m 거리까지 L-function 값이 급격히 증가되고 그 이상의 거리에서는 서서히 완화되는 것으로 나타났다. 또한, 동일한 방법으로 차대차 및 차량단독 교통사고의 군집화를 분석한 결과는 35.7m의 거리로 나타나 보행교통사고의 군집 패턴보다 1.16배 큰 것으로 나타났다. L-function에 의해 선정된 결과의 적용 가능성을 Buffer 반경 5m에서 50m까지 5m 간격의 Kernel Density Estimation로 분석한 보행사고 Hot Spot을 통해 검증한 결과, Hot Spot의 총량은 Buffer 반경 30m~35m에서 10% 미만으로 완만하게 증가하고 있으며 해당 거리 이상에서 총량 증가폭은 더 완만해졌다. 하지만, Buffer 반경이 커질수록 인접도로의 교통사고를 포함하는 결과를 보여주고 있어 Hot Spot을 식별하는 최소 거리로 30m를 선택하는 것은 중요한 의미를 지닌다. 30m 반경 보행교통사고 잦은 곳의 공간적 특성 분석을 위해 교차로, 도로폭, 토지이용 등의 자료와 공간분석한 결과, 광로 및 대로 보다는 중로, 소로에서 보행교통사고 잦은 곳의 비율이 더 높으며, 교차로보다는 무신호 도로에서의 보행교통사고 위험성이 더 높은 것으로 분석되어 주거생활권 도로에 대한 보행안전정책이 지속적으로 추진되어야 함을 시사하고 있다.

교통사고 발생 예방과 대응을 위하여 실시간으로 사고위험 상황을 예측하고 적절한 조처를 하는 방안에 관한 연구가 진행되고 있다. 교통사고는 매우 드물게 발생하는 무작위 이벤트이기 때문에 실시간 사고 위험 예측에서 사고 발생 징후를 포착하고 위험한 교통류 특성을 명확히 구분할 수 있는 안전 지표를 선택하는 것이 중요하다. 본 연구에서는 머신러닝 기법 중 비지도 학습과 지도학습 방법론을 동시에 활용하여 중요도 높은 핵심 안전 지표를 선별하였으며, 선정된 안전 지표를 활용해 사고위험 예측모형을 개발하는 Multi-stage process의 사고 위험 예측 모형 개발 절차를 제안하였다. 첫 번째 단계에서는 K-means Clustering과 Random Forest 방법론을 사용하여 사고위험 교통류와 일반 교통류를 잘 분류할 수 있는 변수를 선별하였으며, 두 번째 단계에서는 첫 번째 단계에서 도출된 핵심 변수의 조합을 마련하였다. 마지막으로 세 번째 단계에서는 이진 분류에 많이 사용되는 머신러닝 기법인 Support Vector Machine 모형을 사용해 변수 조합별 사고 위험 예측 모형을 개발하고, 예측 성능을 비교하였다. 이를 통해 본 연구에서는 사고위험 예측모형에 독립변수로 활용되는 안전 지표를 선별할 때 비지도 학습 및 지도 학습 기반 핵심 변수 선별 방법론의 효과를 측정하였다. 또한, 본 연구에서는 실시간으로 변화하는 차량의 위험 주행행태 포착을 위해 상업용 차량의 Digital Tachograph(DTG)에서 수집되는 주행궤적 데이터를 사용하였다. 연구 결과, 본 연구에서 제안한 Multi-stage 기반 사고 위험 예측 모형 개발 방식은 모형의 예측 성능을 개선하는 것으로 나타났으며, 핵심 변수 선별에 지도학습만으로는 도출되지 않는 새로운 중요한 변수를 고려할 수 있는 것으로 나타났다. 본 연구에서 제안된 방법론을 사용하여 선제적 교통안전 관리 전략을 마련할 수 있으며, 이를 통해 교통사고를 예방하고, 교통안전 관리 전략을 통해 사전에 대응할 수 있을 것으로 기대한다.

신호위반 교통사고는 국내 법규 위반 교통사고 중 두 번째로 높으며(11.6%), 전체 교통사고 감소율 대비 저조한 수준을 기록하고 있다. 본 연구는 신호위반 사고의 중요성과 국내외 연구 동향에 따라 신호위반 사고의 영향 요인들을 찾고자 하였다. 연구를 위해 서울시 주요 교차로(Critical Intersection) 중 최근 2년(2021-2022)간 10건 이상의 교통사고가 발생된 217개 4지 교차로를 대상으로 1,508건의 신호위반 사고자료가 수집되었다. 이를 토대로 4개의 외생 잠재변수(도로 특성, 교통시설 특성, 신호운영 특성, 교통량 특성)와 1개의 내생 잠재변수(신호위반 사고규모)를 설계하였으며, 잠재변수 간 인과분석을 위해 총 26개의 관측변수들을 교차로별로 구축하였다. 구축된 자료는 구조방정식 모형으로 신호위반 사고규모에 대한 영향관계를 파악하였다. 연구 결과, 신호위반 사고에 영향을 미칠 것으로 추측했던 4개 요인 중 도로 특성과 교통시설 특성만이 통계적으로 유의하게 나타났으며, 신호운영 특성과 교통량 특성은 그렇지 않았다. 그리고 이러한 요인은 도로 특성이 0.25(p<0.01)로 교통시설 특성 0.17(p<0.05) 대비 다소 높은 영향력을 나타냈다. 마지막으로 도로 특성 요인을 구성하는 3개 변수의 상대적 영향력은 제한속도 > 교차도로 간 제한속도차 > 총 차로수 순, 교통시설 특성 요인을 구성하는 2개 변수의 상대적 영향력은 신호등면수 > 전방 신호등 순, 신호위반 사고규모를 구성하는 3개 변수의 상대적 영향력은 사상자수 > 사고건수 > 사고비용 순으로 나타났다. 연구 결과는 정책 결정권자 및 실무자로 하여금 국내 신호위반 사고에 대한 실질적 감소대책 마련에 도움이 될 것으로 기대된다. 향후에는 다양한 교차로 형태 및 교통혼잡을 반영한 연구, 운전자 행태 분석 등이 필요할 것으로 보인다.

신속한 교통사고 처리 대응을 통해 부정적인 영향을 최소화하는 것은 교통 기관에 매우 중요하다. 특히, 교통사고 대응 전략 중 정확한 사고 처리시간 예측은 사고 영향 범위를 평가하고 예측 결과에 따른 경로 안내 전략을 제공함으로써 사고로 인한 혼잡을 줄일 수 있다. 이를 위해 다양한 연구들이 수행되지만 대부분 국외 연구로, 제안하는 방법론과 다른 기하학적, 교통 조건을 가지고 있는 국내 교통환경에 적용하기에는 어려움이 있고, 동적 데이터보다는 과거에 집계한 이력 데이터를 활용하여 실시간으로 변화하는 교통 특성과 사고 처리시간에 관련된 탐색적인 연구는 제한적이다. 따라서 본연구는 다양한 환경요인을 고려하여 임의 효과를 가진 잠재 계층 분석과 부스팅 계열 알고리즘을 결합하여 실시간 사고 처리시간 예측 모형을 개발하였다. 또한, 긴 꼬리 분포를 가진 사고 처리시간 데이터의 불균형을 해결하는 샘플링 기법과 설명가능한 인공지능을 적용하여 모형 성능 개선 및 신뢰성 있는 연구 결과를 도출하였다. 연구 결과, 관찰되지 않은 이질성이 포함된 사고 처리시간 데이터를 합성한 잠재 클래스 기반 예측 모델이 가장 성능이 우수하였고 실시간 교통류의 시공간적 차이, 화물차, 미작동한 조명시설이 사고 처리시간과 높은 상관관계가 있음을 보여주었다. 이 연구 결과는 일반 교통류에 비해 부족한 사고 교통류의 다양한 사고 처리시간 크기를 더욱 정확하게 예측하고 실시간성 교통 특성 및 이력 자료를 기반으로 체계적인 교통사고 대응 전략 수립을 지원할 수 있을 것으로 기대한다.