서론
문헌 고찰
1. 신호교차로 사고심각도 연구 동향
2. 랜덤포레스트 기법을 활용한 교통사고 요인 분석 연구 동향
3. 시사점 및 연구 차별성
분석자료 및 방법론
1. 분석 절차 및 자료
2. 분석 방법론
분석결과
결론
서론
한국도로교통공단의 보도자료(2022.2.17. 발표)에 의하면 2018-2022년 국내에서 우회전 교통사고로 인해 사망한 보행자는 212명, 부상자는 13,150명이며, 이 중 도로를 횡단 중에 사망한 보행자가 무려 126명(59.4%)에 달해 우회전 시 보행자 보호에 대한 각별한 주의가 필요하다고 밝혔다.
정부는 이러한 사고의 심각성을 인지하여 도로교통법 제27조를 개정(2022.7.12. 시행)하였는데, 보행자 보호에 대한 운전자 의무가 기존 ‘보행자가 횡단보도를 통행하고 있을 때’에서 ‘보행자가 횡단보도를 통행하고 있거나 통행하려고 하는 때’로 변경되는 등 운전자가 보호해야 할 보행자의 기준을 확대하였다. 또한, 우회전 교통사고 예방을 위해 도로교통법 시행규칙 별표를 개정(2023.1.22. 시행)하여 적색 등화시 운전자의 일시정지 의무를 더욱 명확히 하였다. 법제도 정비뿐만 아니라, 우회전 교통사고 감소를 위한 시설 측면에도 노력을 기울이고 있는데 우회전 신호등 및 고원식 횡단보도 확대 등 다양한 인프라 확충에도 힘쓰고 있다.
하지만, 정부와 관계기관의 이 같은 노력에도 불구하고 우회전 교통사고로 인한 인명피해는 여전히 줄지 않고 있다. Table 1에서와 같이 2023년 국내 전체 보행 사망자수와 부상자수는 전년 대비 각각 5.0%, 0.5% 감소한 반면, 우회전 보행 사망자수와 부상자수는 각각 8.6%, 1.9% 증가하였다.
Table 1.
Total pedestrian casualties and right-turn pedestrian casualties (2022 vs. 2023)
이처럼 국내에서는 우회전 교통사고에 따른 인명피해가 심각한 수준임에도 불구하고 아직까지 이에 관한 연구는 거의 이루어지지 않고 있다. 그동안 교차로에서의 인명피해 저감을 위한 사고심각도 연구는 활발히 이루어졌으나(Kim et al., 2021; Gi and Kim., 2023; Yang et al., 2024 etc), 이러한 연구 결과는 단일로 대비 교차로의 전반적인 안전 강화를 위한 목적으로 이루어졌기 때문에 교차로에서 발생하는 우회전 교통사고 감소를 위한 대책 마련에는 실질적으로 도움이 되기가 어렵다. 정부가 추진하는 우회전 교통사고 저감 대책이 실효를 거두기 위해서는 우회전 교통사고에 영향을 미치는 다양한 요인들을 제대로 분석해 볼 필요가 있다.
이에 따라, 본 연구에서는 우회전 교통사고가 많이 발생된 신호교차로를 대상으로 사고자료를 수집하고, 개별 사고에 대한 특성 요인(발생환경, 인적, 차량, 도로교통)이 될 만한 다양한 현장자료들을 수집하였다. 수집된 자료를 통해 우회전 교통사고의 심각도에 미치는 영향 요인을 찾고자 하였으며 이를 통해 국내 우회전 교통사고 감소를 도모하고자 하였다.
문헌 고찰
1. 신호교차로 사고심각도 연구 동향
Mitra and Bhowmick(2020)은 인도 Kolkata 시에서 2011-2014년 발생된 8,324건의 전체사고 중 신호교차로 52개소에서 발생된 사고자료를 추출하여 사고발생과 사고심각도의 영향 요인을 분석하였다. 분석자료로 사고자료와 도로기하구조 및 시설현황이 수집되었으며 분석모형으로 상관분석과 t검정이 사용되었다. 연구 결과, 전체 교통량, 통행규제, 직진-회전차량 구성비, 보호 우회전, 교차로 규모, 트램 정류장 등이 사고발생 영향 요인으로 나타났으며 전적색 신호시간, 보호 우회전, 통행규제, 비동력 교통수단, 도로 표지 가시성이 사고심각도 영향 요인으로 나타났다.
Vajari et al.(2020)은 호주 빅토리아주 내 교차로에서 2006-2018년 발생된 7,714건의 오토바이 사고자료로 사고심각도 영향 요인을 분석하였다. 분석자료로 운전자 특성, 환경 특성, 사고 특성, 교차로 특성 자료가 수집되었으며 분석모형으로 로지스틱 회귀모형이 사용되었다. 연구 결과, 운전자 특성으로 남성, 59세 이상, 환경 특성으로 주말, 자정 및 아침과 같은 이른시간, 지방지역, 교차로 특성으로 T차형 교차로, 정지 또는 양보표지 교차로, 충돌 특성으로 다중충돌 사고 여부 등이 사고심각도를 높이는 요인으로 나타났다.
Khattak et al.(2021)은 벨기에 Antwerp 시의 교차로 760개소(신호교차로 198개소, 비신호교차로 562개소)에서 2010-2015년 발생된 5,128건의 사고자료로 사고심각도 영향 요인을 분석하였다. 분석자료로 사고자료와 교통량, 도로 기하구조 자료가 수집되었으며 분석모형으로 음이항 회귀모형과 포아송 회귀모형이 사용되었다. 연구 결과, 신호교차로에서는 교통량, 소규모 접근로의 횡단보도 유무, 교차로 접속각이 사고심각도 영향 요인으로 나타났으며, 비신호교차로에서는 부도로 접근로의 횡단보도 유무, 부도로 접근로의 직진 차로수, 교차로 형태가 사고심각도 영향 요인으로 나타났다.
Kidando et al.(2022)은 미국 Florida 주의 Tallahassee 시에 위치한 22개의 신호교차로에서 2017-2019년 발생된 304건의 사고자료로 사고심각도 영향 요인을 분석하였다. 분석자료로 사고자료와 교통시설, 신호운영 자료가 수집되었으며 분석모형으로 전통적 선형회귀 모형과 로지스틱 회귀모형이 사용되었다. 연구 결과, 교차로 접근로의 지체, 차량군 비율, 충돌형태, 차내 탑승객 위치, 성별과 나이, 조명시설 유무 등이 사고심각도 영향 요인으로 나타났다.
Sharafeldin et al.(2022)은 미국 Wyoming 주의 교차로 359개소에서 9년간(2007-2017년, 2010-2011년 제외) 발생된 9,108건의 사고자료로 사고심각도 영향 요인을 분석하였다. 분석자료로 사고자료, 도로경사, 노면상태 자료 등이 수집되었으며 분석모형으로 순서형 프로빗 모형이 사용되었다. 연구 결과, 노면 마찰력, 교차로 위치, 도로 기능 분류, 가드레일, 우측 길어깨폭, 조명시설이 사고심각도 영향 요인으로 나타났다.
Yuan et al.(2023)은 미국 전역에 위치한 주요 신호교차로에서 2012-2015년 발생된 1,843건의 사고자료로 교차로내 직각충돌 사고유형에 대한 사고심각도 영향 요인을 분석하였다. 분석자료로 사고자료, 도로기하구조, 교통시설 자료가 수집되었으며 분석모형으로 기계학습 분류모형인 의사결정나무 모형이 사용되었다. 연구 결과, 차량 유효충돌 속도, 중앙분리시설, 기상 악천후가 사고심각도 영향 요인으로 나타났다.
Yang et al.(2024)은 국내 청주시에 위치한 주요 신호교차로에서 2020-2022년 발생된 171건의 사고자료로 신호교차로 접근로에서 발생한 후미추돌 사고에 대한 사고심각도 영향 요인을 분석하였다. 분석자료로 추돌사고자료, 교통량 자료, 신호운영 자료, 도로 기하구조 자료가 수집되었으며 분석모형으로 3개의 기계학습 분류모형(랜덤포레스트, 서포트벡터머신, XG부스트)과 로지스틱 회귀모형이 사용되었다. 연구 결과, 노면상태, 가해 운전자의 음주운전 여부, 가해 운전자의 차종, 피해 운전자의 연령대, 종단선형, 직진 차로수, 유턴구역, 미끄럼방지포장이 사고심각도 영향 요인으로 나타났다.
2. 랜덤포레스트 기법을 활용한 교통사고 요인 분석 연구 동향
AlMamlook et al.(2019)은 미국 Michigan 주의 2010-2016년 교통사고 자료로 사고심각도를 예측하였다. 예측을 위해 Ada부스트, 나이브베이즈, 랜덤포레스트의 기계학습 모형들을 활용한 결과, 랜덤포레스트 모형이 가장 높은 정확도를 나타내는 것으로 분석되었다.
Yassin and Pooja(2020)은 에티오피아 Addis Ababa의 2011-2018년 교통사고 자료로 사고심각도를 예측하였다. 예측을 위해 K-평균 군집분석 모형과 랜덤포레스트 분류모형을 결합하여 분석한 결과, 랜덤포레스트 모형이 기존 기법들(서포트벡터머신, 로지스틱 회귀모형, 의사결정나무) 대비 우수한 성능을 나타내는 것으로 분석되었다.
Kim et al.(2021)은 국내 서울시와 경기도 지역의 2015-2019년 교통사고 자료로 고령운전자에 대한 차대사람 사고심각도를 예측하였다. 예측을 위해 4개의 기계학습 모형들(로지스틱 회귀모형, K-최근접 이웃, 랜덤포레스트, 서포트벡터머신)을 활용한 결과, 로지스틱 회귀모형과 서포트벡터머신 모형이 상대적으로 높은 예측력을 보였으나, 정확도 측면에서는 랜덤포레스트가 높은 것으로 나타나, 심각도 분석시 랜덤포레스트의 활용을 주장하였다.
Yan and Shen(2022)은 미국 Pennsylvania주의 Montgomery군의 2016-2019년 교통사고 자료로 교통사고심각도를 예측하였다. 예측을 위해 랜덤포레스트와 베이지안 최적화를 결합 활용한 결과, 기존의 인공신경망, K-최근접 이웃, 서포트벡터머신 대비 우수한 성능을 나타내는 것으로 분석되었다.
Kang and Noh(2022)은 국내 대전시의 2007-2019년 교통사고 자료로 보행자 사고심각도의 영향 요인을 분석하였다. 예측을 위해 총 9개의 모형(서포트벡터머신, K-최근접 이웃, Ada부스트, 랜덤포레스트 등)을 활용한 결과, Ada부스트와 랜덤포레스트 모형이 최적 성능을 나타내는 것으로 분석되었다.
Wang et al.(2023)는 중국 Liaoning성 Shenyang시의 2018-2020년 교통사고 자료로 사고심각도를 예측하였다. 예측을 위해 랜덤포레스트 모형과 연관 규칙 분석이 활용되었으며 이를 통해 SHAP(SHapley Additive exPlanations)을 도입하여 주요 심각도 요인을 파악했다.
Yang et al.(2024)은 국내 청주시의 2020-2022년 교통사고 자료로 신호교차로 접근로 추돌사고의 심각도 요인을 분석하였다. 예측을 위해 총 3개의 모형(랜덤포레스트, 서포트벡터머신, XG부스트)을 활용한 결과, 랜덤포레스트 모형이 최적 성능을 나타내는 것으로 분석되었다.
Lee and Yoon(2024)은 국내 10개 노선 고속도로의 2019-2021년 교통사고 자료로 고속도로 사고심각도를 분석하였다. 예측을 위해 랜덤포레스트 모형이 활용되었으며 SHAP(SHapley Additive exPlanations)을 활용하여 심각도 수준을 구체화하였다.
3. 시사점 및 연구 차별성
선행 연구들의 교차로 사고심각도 영향 요인은 크게 세 가지 측면(인적 요인, 차량적 요인, 도로교통적 요인)으로 구분된다. 인적 요인으로는 성별 및 나이, 음주운전 유무, 차량적 요인으로는 가해 운전자의 차종, 도로교통적 요인으로는 교차로 형태, 보호우회전 유무, 횡단보도 유무, 도로표지 등 교통시설과 시설물의 가시성 등이 주요 요인으로 나타났다. 이러한 요인들은 모두 신호교차로 전체에서 발생된 교통사고 자료들에 대한 집계자료를 토대로 수행된 연구결과이다.
본 연구의 차별성이다. 우회전 사고심각도에 대한 국내외 연구 부재에 따라 본 연구에서는 국내에서 우회전 교통사고가 많이 발생된 신호교차로를 대상으로 사고심각도 영향 요인을 분석하였다. 특히, 교차로 전체의 집계자료가 아닌 신호교차로에서 발생한 개별적인 우회전 사고만을 선별하여 우회전 사고가 발생한 정확한 위치 자료를 구축 · 분석하였다. 또한, 선행 연구들에서 다루기 힘들었던 현장의 도로교통 특성에 해당하는 도로 곡선반경과 교통안전시설 등을 포함시킴으로써 보다 유의미한 요인들을 도출하고자 하였다.
분석자료 및 방법론
1. 분석 절차 및 자료
본 연구의 분석 절차는 Figure 1과 같이 크게 4단계로 구성된다. 1단계는 분석 대상 교차로에 대한 사고자료와 현장자료를 수집한다. 2단계는 수집된 자료의 전처리와 분석변수를 설정한다. 3단계는 정리된 자료의 기초통계량을 산출하여 분석자료의 특성을 파악한다. 마지막 4단계는 랜덤포레스트와 이항 로지스틱 회귀모형으로 우회전 사고심각도의 영향 요인을 분석한다.
분석대상은 한국도로교통공단의 보도자료(2022.2.17. 발표)에서 공개한 전국 우회전 보행 교통사고 다발지 25개 교차로를 대상으로 하였다. 이들의 선정기준은 3년간(2018-2020년) 우회전 보행 교통사고가 4건 이상 발생한 교차로에 해당하며, 이들 25개 교차로에서 발생한 교통사고는 총 112건이라고 발표하였다. 그러나, 112건의 교통사고로는 표본수가 다소 부족하기 때문에 기존의 3년치(2018-2020년) 교통사고에 더불어 동일지점에서 발생한 최근 3년치(2021-2023년) 우회전 교통사고 141건을 추가하여 총 253건의 표본을 확보하였다. 25개의 교차로별 우회전 교통사고 현황은 Table 2와 같다.
Table 2.
List of study intersections and right-turn traffic accident status data (2018-2023 years)
또한, 교차로별 다양한 현장자료 수집을 위해 지자체에서 구축된 교통안전시설물관리시스템(T-GIS)과 인터넷 로드뷰(road view)를 활용하여 해당사고 발생 시기의 도로 기하구조 및 교통시설 자료들을 수집하였다. 특히, 우회전 사고심각도 분석에서 중요한 요인이 될 것으로 생각되는 우회전 도류로의 폭과 곡선반경은 로드뷰를 토대로 도면작성 프로그램인 AutoCAD를 통해 축척을 맞춘 후, 지점별 제원을 수치화하였다.
본 연구에서 가장 중요한 개별 우회전 사고자료는 한국도로교통공단의 교통사고 잦은 곳 개선사업DB를 통해 수집되었다. 해당 DB에는 경찰에서 조사한 개별 사고들의 사고상황도가 구축되어 있으며, 이를 통해 사고건별로 정확한 위치파악이 가능하다. Figure 2는 Table 2의 ID 3에 해당되는 서울시 동대문구 교차로에서 발생된 16건의 우회전 사고 중 한 건에 대한 사고상황도이다. 본 연구에서는 이렇게 수집된 총 253건의 개별적인 우회전 사고에 대한 위치, 사고정보, 현장 교통여건 자료 등이 구축되었다.
2. 분석 방법론
본 연구의 주목적은 교차로 우회전 교통사고에 대한 사고심각도 영향 요인을 도출하는 것이다. 이를 위해 기계학습 기법인 랜덤포레스트 모형과 이항 로지스틱 회귀분석이 사용되었다. 랜덤포레스트 모형으로 중요 변수를 선정하고, 로지스틱 회귀분석으로 영향력의 크기를 산출하면 모형의 성능과 설명력을 모두 고려할 수 있다는 이점이 존재한다(Lee and Kim, 2021; Yang et al., 2024).
랜덤포레스트 기법은 Leo Breiman 및 Adele Cutler에 의해 제안된 대표적인 기계학습 분류 모형이다. 본 연구와 같은 이분 종속변수(심각도 높음, 심각도 낮음)에 대하여 전통적인 로지스틱 모형을 적용할 경우, 연구를 위해 수집된 수많은 예측변수들에 따른 자유도 감소 문제가 발생한다.1) 이러한 문제점을 보완하기 위해 도입된 대안 중 하나인 랜덤포레스트 기법은 Figure 3과 같이 다수의 의사결정나무(Decision Tree)를 생성하되 개별 의사결정나무 내에서는 표본 및 변수 선택 과정에서의 무작위성을 최대한 부여함으로써 모형의 예측률을 높이는데 효과적인 앙상블 기법으로 평가받고 있다(Yoo, 2015).
랜덤포레스트는 앙상블 기법의 장점으로 인해 분류와 회귀에서 높은 성능을 보여 데이터 분석 시 종종 겪게 되는 과적합(Over-fitting) 방지를 위해 최적 기준변수를 랜덤으로 선택할 수 있다(Breiman, 2001). 랜덤포레스트는 과적합을 해소하고 분산을 감소시켜 단일 결정 트리보다 더욱 안정적인 예측 성능을 보이고 정확도가 높다는 장점이 있지만, 계산비용이 높고 규칙이 많아 추론 로직을 설명하기에는 어렵다는 단점 또한 가지고 있다(Lee et al., 2024).
본 연구는 전술한 바와 같이 수집된 253건의 표본에 대해서 기계학습 분류 분석시 활용되는 일반적 비율인 7(훈련자료, training data) : 3(시험자료, test data)을 적용하였다. 또한, 본 연구에서는 랜덤포레스트로부터 도출된 주요 변수들이 우회전 사고심각도에 미치는 영향력의 크기를 보다 구체적으로 확인하기 위해 우회전 사고심각도(높음/낮음)를 나타내는 변수를 종속변수로, 그리고 랜덤포레스트 분석 결과 중요도가 높은 것으로 나타난 주요 변수들을 설명변수로 투입시킨 후 이항 로지스틱 회귀분석을 실시하였다.
분석결과
수집 자료의 분석을 위해 총 23개의 변수가 구축되었다. 종속변수는 사고심각도로 높음(사망 및 중상 사고), 낮음(경상 및 부상신고 사고)으로 구분하였다. 22개의 독립변수는 발생환경 측면 4개(계절, 시간대 등), 인적 측면 4개(가해 운전자 성별 및 연령층, 피해 보행자 성별 및 연령층), 차량 측면 1개(가해 차량의 차종), 도로교통 측면 13개(접근로 제한속도, 종단경사, 교차로 내부면적, 우회전 도류로 폭 등)로 구성되었다.
구축된 자료를 통해 종속변수에 해당하는 사고심각도는 높음 113건(44.7%), 낮음 140건(55.3%)으로 나타났다. 대부분의 자료가 범주형(categorical)으로 구성되었으며 교차로 내부면적, 정지선-횡단보도 간격, 우회전 곡선반경은 수치형(numerical)으로 구성되었다. 구축된 자료에 대한 기술통계량은 Table 3(범주형 자료) 및 Table 4(수치형 자료)와 같다.
Table 3.
Descriptive statistics of categorical data
Table 4.
Descriptive statistics of numerical data
랜덤포레스트 모형의 정확도를 향상시키기 위해서는 최적의 하이퍼 파라미터(Hyper Parameter) 튜닝이 필요하다. 하이퍼 파라미터는 모형을 생성할 때 분석자가 직접 설정해야 하는 변수인데 현재까지 최적 파라미터 값은 정확히 알려지지 않았기 때문에 반복적 시행으로 찾아야 한다(Lee et al., 2020).
랜덤포레스트 모형에서 설정할 하이퍼 파라미터들로는 n_estimators, min_samples_split, min_samples_leaf, max_features, max_depth, bootstrap이 존재한다.2) n_estimators는 랜덤 포레스트 모형의 결정트리(decision tree)의 개수를 정의하는데 트리가 늘어날수록 모형의 성능은 향상되나 연산량이 증가한다. min_samples_split는 노드 분할시 필요한 최소 샘플 수이다. 이 값이 크면 모형이 단순해지고 과적합(overfitting)을 개선시킬 수 있으나, 값이 작으면 더 많은 분할로 인해 복잡해진다. min_samples_leaf는 마지막 노드인 리프 노드에 있어야 할 최소 샘플 수로 이 값이 크면 트리가 더 단순해지고 과적합을 줄일 수 있다. max_features는 각 결정 트리가 분할을 만들 때 사용할 특성의 최대 수이다. 이 값을 설정하면 각 트리가 랜덤하게 선택된 특성들을 사용하여 분할을 진행하는데 이 값이 작으면 과적합이 개선되나, 모형의 성능 저하가 발생할 수 있다. max_depth는 트리의 최대 깊이를 제한하는 값으로 깊이가 너무 깊으면 과적합을 유발할 수 있으며, 반대로 깊이가 너무 얕으면 모형이 충분히 학습하지 못할 수도 있다. bootstrap은 트리를 훈련할 때 데이터를 부트스트랩 방식으로 샘플링할지 여부를 결정한다. True일 경우 각 트리는 원본 데이터의 부트스트랩 샘플(중복을 허용한 샘플)을 사용하여 훈련되며 False일 경우 전체 데이터를 사용하여 훈련된다.
본 연구는 주어진 범위 내에서 임의의 조합을 추출해 최적의 조합을 탐색하는 랜덤서치(Random Search) 방법을 활용하였다.3) 랜덤포레스트의 최적 상태를 이용하기 위해 설정한 하이퍼 파라미터는 Table 5와 같으며 이외의 나머지 하이퍼 파라미터 튜닝은 Python 프로그램 내 PyCaret 패키지에 내장된 기본값을 사용하였다.
Table 5.
Random forest configuration hyper parameters
훈련 데이터를 활용하여 랜덤포레스트의 하이퍼 파라미터를 튜닝한 결과, 파라미터값은 n_estimators는 800, min_samples_split은 2, min_samples_leaf’는 2, max_features는 auto, max_depth는 none, bootstrap은 true 일 때의 Accuracy(정확도)가 83.6%로 가장 높게 나타났다.
Figure 4는 중요 예측변수 파악을 위해 수행된 랜덤포레스트 모형의 변수 추출 결과이다. 22개의 독립변수 중 우회전 교통사고심각도의 영향 요인에 대한 예측력이 높은 변수를 순서대로 추출하였으며, 이들 변수들은 랜덤포레스트의 정확도개선지수(MDA; Mean Decrease Accuracy)에 대한 중요도 순서에 따라 중요도가 급감하는 12번째까지의 변수를 도출하였다.4)
Figure 4의 결과에서 알 수 있듯이 도출된 12개의 중요 변수를 살펴보면 다음과 같다. 발생환경 측면에 해당되는 요일(평일), 인적 측면에 해당되는 피해 보행자 연령층(청년층), 차량 측면에 해당되는 가해 차량의 차종(승용차), 도로교통 측면에 해당되는 접근로 제한속도(60kph 이상), 종단경사(평지), 우회전 도류로폭, 우회전 전용차로 유무(유), 고원식 횡단보도 유무(유), 총 차로수, 정지선-횡단보도 간격, 우회전 곡선반경으로 분석되었다.
랜덤포레스트 모형으로 예측한 총 12개의 중요 변수를 가지고 이항 로지스틱 회귀분석을 실시하였다. 분석전 이들 변수들의 다중공선성(multicollnearity) 여부를 확인한 결과, 분산팽창인자(Variance Inflation Factor)는 1.2~6.8 수준으로 큰 문제는 없는 것으로 확인되었다. 로지스틱 회귀분석으로 다른 예측변수들을 통제한 상태에서 개별 변수들의 실질적인 영향력을 살펴본 결과는 Table 6과 같다. 분석 결과, 우회전 사고심각도에 통계적으로 유의(95% 신뢰수준)한 영향력을 미치는 것으로 나타난 변수는 총 7개(피해 보행자 연령층, 가해 차량의 차종, 접근로 제한속도, 우회전 전용차로 유무, 고원식 횡단보도 유무, 정지선-횡단보도 간격, 우회전 곡선반경)로 분석되었다.
Table 6.
Logistic regression results for factors affecting the severity of right-turn accidents
| Classification | Estimate | Std. error | Pr (>|z|) | Signif. level | Exp (B) |
| (Intercept) | -17.582 | 4.273 | 0.000 | *** | 0.00 |
| Day_weekday | 1.172 | 0.780 | 0.133 | 3.23 | |
| Victim age_youth | -2.280 | 0.848 | 0.007 | ** | 0.10 |
| Offender car_passengercar | -1.567 | 0.796 | 0.049 | * | 0.21 |
| Speed_over 60kph | 1.635 | 0.565 | 0.004 | ** | 5.13 |
| Slope_flat | 0.479 | 0.324 | 0.139 | 1.61 | |
| Width of RT channel | 1.172 | 0.780 | 0.133 | 3.23 | |
| Exclusive RT lane_yes | 1.022 | 0.370 | 0.006 | ** | 2.78 |
| Traffic island_yes | -2.795 | 1.880 | 0.119 | 0.06 | |
| Raised crosswalk_yes | -0.366 | 1.649 | 0.048 | * | 0.69 |
| Number of total lanes | 0.479 | 0.324 | 0.139 | 1.61 | |
| Stopbar-crosswalk distance | -0.879 | 0.331 | 0.000 | *** | 0.42 |
| RT curve radius | 0.516 | 0.120 | 0.000 | *** | 1.68 |
Table 6의 주요 결과를 토대로 한 우회전 사고심각도 요인이다.
첫째, 발생환경 측면의 요인은 통계적으로 유의하지 않은 것으로 나타났다. 주중에 발생한 사고가 주말에 발생한 사고 대비 중상 이상 사고 발생 가능성이 높게 나타났지만, Table 3의 기술통계량에서 알 수 있듯이 전체 분석자료 중, 주중 사고가 80% 이상에 해당된다. 따라서, 주말 사고 데이터가 좀 더 많이 확보되어야만 의미있는 결과가 나타날 수 있을 것으로 판단된다.
둘째, 인적 측면 요인이다. 피해 보행자가 청년층인 경우, 중장년층이나 노년층 대비 중상 이상 사고 발생 가능성이 89.8% 낮은 것으로 나타났다. 본 연구를 통해 보행자의 신체적 특성에 따라 사고 피해가 달라질 수 있음이 확인되었다.
셋째, 차량 측면 요인이다. 가해 운전자의 차종이 승용차인 경우, 택시나 중차량 대비 중상 이상 사고 발생 가능성이 79.1% 낮은 것으로 나타났다. 이 결과는 한국도로교통공단의 보도자료(2022.2.17. 발표)를 뒷받침한다.5)
넷째, 도로교통 측면 요인이다. 접근로 제한속도가 60km/h 이상인 도로는 50km/h 이하 도로 대비 중상 이상 사고 발생 가능성이 5.13배 높은 것으로 나타났다. 그간의 수많은 연구 결과들와 마찬가지로 본 연구에서도 속도가 높은 도로에서 사고발생시 보행자 피해가 커진다는 사실이 입증되었다. 교차로 접근로에 우회전 전용차로가 있는 경우 또한, 없는 경우 대비 중상 이상 사고 발생 가능성이 2.78배 높은 것으로 나타났다. 우회전 전용차로에서는 직진 및 우회전 공용차로 대비 차량 운전자가 속도를 높일 유리한 환경을 가지고 있다. 이는 보행자 피해를 높일 수 있는 환경이 될 수 있는 것으로 분석된다. 우회전 도류로에 고원식 횡단보도가 있는 경우에는 중상 이상 사고 발생 가능성이 30.6% 낮은 것으로 나타났다. 이는 전술한 차량의 주행속도와 같은 맥락으로 해석된다. 횡단보도-정지선 간격 또한 1m 증가할 때마다 중상 이상 사고 발생 가능성은 58.5% 낮은 것으로 나타났다. 이러한 연구 결과는, 최근 많은 지자체들이 실시하고 있는 정지선 후퇴 설치가 보행자 교통안전에 도움이 될 수 있을 것으로 판단된다. 마지막으로 우회전 곡선반경은 1m 증가할 때마다 중상 이상 사고 발생 가능성이 1.68배 높은 것으로 나타났다. 이 또한 마찬가지로 우회전 곡선반경이 클수록 차량의 주행속도가 높아질 수 있는 것으로 풀이된다.
상기 연구 결과를 토대로 신호교차로의 우회전 사고심각도 감소를 위한 도로교통 측면의 정책제언이다.
첫째, 대상지 선택이다. 국내 신호교차의 수는 셀 수 없을 만큼 방대한 수준이며 지자체의 교통안전 예산은 한정되어 있다. 또한, 교차로의 우회전 사고심각도를 위한 대상지 선택시 교차로별 우회전 사고 이력을 일일이 확인하기가 어렵다. 그리고, 이러한 접근방식은 사후조치 차원이기 때문에 사전 예방 측면의 교통안전 대책을 추진하기 위해서 관계 당국 및 실무자들은 접근로 제한속도가 높고 우회전 전용차로가 있는 교차로를 우선적으로 고려할 필요가 있다.
둘째, 차량의 우회전시 주행속도를 저감시키는 노력이 필요하다. 교통사고에 따른 인명피해 심각도가 차량속도와 정(+)의 관계를 보인다는 점은 지극히 당연한 사실이다. 본 연구에서 밝혀진 바와 같이 우회전 곡선반경이 과다한 교차로의 회전반경을 축소하거나, 우회전 도류로에 고원식 횡단보도 설치 등을 적극적으로 검토하여 우회전 차량의 속도를 낮출 필요가 있다.
셋째, 횡단보도-정지선 간격이다. 교통노면표시 설치 · 관리 업무편람(National Police Agency, 2023)에 의하면 정지선은 횡단보도로부터 2-5m 전방에 설치하며 운전자의 시인성, 도로여건 등에 대한 공학적 판단에 따라 설치 위치를 결정하도록 규정하고 있다. 하지만, 해당 편람에서는 2023년 개정시 차량의 제동거리를 더 확보할 필요가 있는 지점 등은 횡단보도로부터 3-5m 전방에 설치하여 보행 안전성을 향상시킬 수 있다는 조항을 추가하였으나, 해당 편람 개정의 근거인 연구보고서(KoRoAD, 2022)에서는 이에 대한 분석결과가 없는 것으로 확인되었다. 따라서, 본 연구의 결과에서 확인되었듯이 횡단보도와 정지선의 최소간격을 가급적 현행 대비 조금 더 이격시킨다면 우회전 교통사고 심각도 완화를 기대할 수 있을 것으로 보인다.
결론
본 연구에서는 국내 신호교차로를 대상으로 우회전 차량에 의한 보행자의 사고심각도 영향 요인을 분석하였다. 연구를 위해 보도자료에서 발표된 우회전 교통사고 다발지 25개소에서 최근 6년간(2018-2023년) 발생한 253건의 우회전 사고자료가 수집되었다. 또한, 수집된 자료를 통해 개별 사고의 발생환경, 운전자 정보, 차량 정보 등의 자료와 현장의 도로교통 자료를 구축하였으며, 이를 통해 기계학습 분류모형에서 대표적으로 활용되는 랜덤포레스트 모형과 이항 로지스틱 회귀모형으로 사고심각도 요인을 분석하였다.
연구 결과, 하이퍼 파라미터 튜닝을 통한 랜덤포레스트 모형의 정확도는 83.6%으로 준수한 성능을 나타냈다. 그리고 이항 로지스틱 모형에 의한 사고심각도 영향 요인으로는 총 7개 요인이 통계적으로 유의(p < 0.05)한 것으로 나타났다. 이는 인적 측면에 해당되는 피해 보행자 연령층, 차량 측면에 해당되는 가해 차량의 차종, 도로교통 측면에 해당되는 접근로 제한속도, 우회전 전용차로 유무, 고원식 횡단보도 유무, 정지선-횡단보도 간격, 우회전 곡선반경으로 분석되었다.
기존의 사고심각도 연구들과는 달리, 우회전 사고만을 대상으로 수행된 본 연구 결과는 정책결정권자 및 실무자로 하여금 우회전 사고를 예방하기 위한 안전대책 수립에 활용될 수 있을 것이며, 이를 통해 현재 정부가 집중하고 있는 우회전 사고심각도 저감에 따른 사고비용 감소에 기여할 수 있을 것으로 기대된다.
이러한 시사점에도 불구하고 본 연구는 다음과 같은 한계점들이 존재한다. 첫째, 본 연구는 우회전 사고자료만을 수집하다 보니 연구에 활용된 표본수(교차로 25개소, 교통사고 253건)가 다소 부족한 수준이다. 향후에 조금 더 많은 자료가 확보된다면 분석 결과의 신뢰성이 보다 향상될 수 있을 것이다. 둘째, 본 연구의 대상지인 우회전 교통사고 다발 교차로와 우회전 교통사고 미발생 교차로 간 특성을 비교해볼 필요가 있다. 셋째, 본 연구에서는 횡단보도-정지선 간격이 늘어날수록 중상사고 발생 가능성이 감소한다고 하였으나, 편람에서 제시하고 있는 바와 같이 2-10m로 넓은 범위의 간격에 대한 상세한 분석을 통해 유의미한 위치를 도출할 필요가 있다. 마지막으로, 차량 적색 신호 시 일시정지 의무화가 된 시점 전 후에 대한 운전자의 통행행태 변화와 사고 특성(사고심각도 감소, 사고건수 감소 등) 비교가 필요할 것이며, 통행방법의 차이(국내, 해외)에 따른 사고건수 및 심각도가 비교된다면 보다 의미있는 결과가 도출될 수 있을 것으로 보인다.
