서론
선행연구
1. 주차장 교통사고 특성 분석 연구
2. 사고 심각도 분석 연구
3. 기존 연구와의 차별성
분석 데이터
분석방법론
1. 교차분석
2. 순서형 프로빗 모형
3. 다중공선성 평가
분석 결과
1. 요인 후보군 선정 결과
2. 사고 심각도 모형 도출 결과
3. 다중공선성 평가 결과
4. 한계효과 분석 결과
5. 일반도로와 주차장에서의 심각도 요인 비교᭼분석
결론 및 향후 연구
Appendix
서론
주차장 환경은 차량과 보행자가 근접하고 비교적 좁은 공간에 밀집된다는 특성이 있어 돌발상황 발생 시 운전자가 회피행동을 수행함에도 정지거리가 안전거리보다 짧다면 사고가 발생할 수 있다. 또한 주차장은 제한속도와 교통규칙이 불분명해 운전자에게 혼동을 유발하는 환경으로 차량이 저속으로 주행하여 다른 사고보다 심각도는 낮지만 물적 피해 발생 건수가 높다(Chowdhury Siddiqui and Abdel-Aty, 2012). 2019년부터 2023년까지 주차장에서 발생한 사고건수는 1,308건에서 1,542건으로 증가하여 최근 5년동안 15.2%의 사고율이 증가하였다. 도로 폭이 좁고 차량, 보행자 등으로 인한 밀집도가 높은 편이기 때문에 사고 발생 시 충돌을 피할 여유 공간이 부족하여 보행자나 자전거 이용자가 직접적인 위험에 노출될 가능성이 높다(Kang et al., 2024). 따라서 주차장은 비교적 저속으로 주행하는 환경임에도 불구하고 높은 심각도의 사고가 발생할 수 있다. 특히 사고 충격 흡수가 가능한 보호장비가 구비되지 않은 사람과의 사고가 발생할 경우 중대한 피해로 이어질 수 있다. 보험사 고객의 사고 특성을 분석한 연구에서는 전체사고 중 주차사고는 28.4%에 해당하고 이 중 후진으로 인해 발생한 사고가 31.1% 수준으로 나타났다(Lee et al., 2016). 주차 상황에서 차량의 주행행태는 전진, 후진, 정차, 회전 등 복합적이고 비정형적이기 때문에 주행 중 발생한 사고와는 다른 사고발생 매커니즘과 심각도 특성을 가질 것이다. 특히 보행자, 승용차, 자전거, 개인형 이동장치 등 다양한 개체가 혼재된 상황으로 운전자가 고려해야하는 차량 및 보행자의 형태가 다양하다. 또한 기둥, 팻말과 같은 물리적 시설로 인해 시야확보가 불가한 상황이나 주차선 표시 불량과 같은 관리 부실이 운전자의 혼동을 유발하는 상황에서는 사고 발생 가능성이 더욱 높을 것이므로 적극적인 안전 관리가 필요하다. 본 연구에서는 교통사고 자료를 이용하여 주차장 사고의 특성과 사고 심각도에 영향을 미치는 요인을 분석하였다. 교통사고분석시스템(Traffic Accident Analysis System, TAAS)을 통해 수집한 주차장 내 교통사고 자료를 바탕으로 사고 유형, 가해 차량의 차종, 운전자 연령 등 다양한 변수별로 주차사고의 특성을 분석하였다. 사고 심각도에 영향을 미치는 요인을 도출하기 위해 순서형 프로빗 모형을 이용하였으며, 한계효과를 통해 영향의 정도를 정량적인 값으로 분석하였다.
본 연구의 구성은 다음과 같다. 2장에서는 주차장 교통사고 특성 분석 연구와 사고 심각도 분석을 선행한 기존 연구를 고찰하여 분석방법론을 조사하였다. 그리고 선행 연구와는 차별화되는 본 연구의 의의를 제시하였다. 3장에서는 분석 데이터의 구성과 특성별 집계 내용을 제시하였다. 4장에서는 사고 심각도 모형 개발을 위한 통계 기법을 이용하여 사고 심각도 모형의 결과를 체계적으로 도출하는 과정을 제시하였다. 5장에서는 통계 기법별 수행한 분석 결과를 제시하며 최종적으로 사고 심각도 발생 확률에 영향을 미치는 요인들과의 관계를 제시하였다. 그리고 분석 결과와 주차장 특성에 기반하여 안전성을 개선시킬 수 있는 방안을 제시하였다. 6장에서는 본 연구의 결론과 한계점에 따른 향후 연구방향을 제시하였다.
선행연구
주차장 사고의 특성을 파악하고 분석 방법론을 체계화하기 위해 선행 연구를 고찰하였다. 주차장 교통사고 특성을 다룬 기존 연구로부터 사고 특성과 관련된 분석 결과를 검토하였으며, 사고 심각도 분석 관련 연구에서는 사용된 방법론과 분석기법을 중심으로 살펴보았다.
1. 주차장 교통사고 특성 분석 연구
전동킥보드의 무단 주정차 견인자료를 활용하여 유형별 무단 주정차 영향요인을 분석한 연구에서는 영과잉 음이항 회귀모형 분석을 통해 무단 주정차 발생 횟수에 영향을 미치는 요인을 차도 방해 유형, 택시᭼버스 방해 유형, 자전거도로 방해 유형, 보도 방해 유형, 통행 방해 유형별로 도출하였다(Kweon and Lee, 2024). 통행 방해 유형으로는 대학교와의 거리 요인이 무단 주정차 횟수와 양(+)의 관계를 가져 대학교 인근의 횡단보도, 산책로, 점자블록, 건물 진출입로 등에서 전동 킥보드의 무단 주정차로 인한 불편이 발생한다고 하였다. 주차장 사고 중 문콕사고의 주요 원인을 분석한 연구에서는 70세 이상 운전자의 주차사고율이 가장 높고 차량 크기와 중대형차량의 구성비가 증가한 반면에 주차규격은 25년 전의 기준으로 사용하고 있어 주차여유 공간이 좁다는 것이 주차 사고 발생 가능성을 높이는 주요 원인이라고 하였다(Lee et al., 2016). 로지스틱 회귀모형을 통해 주차장 사고 관련 특성 분석을 수행한 연구에서는 26세 미만 운전자를 제외하고 운전자 연령이 증가할수록 사고 발생 가능성이 증가하고 조명, 시야 방해, 기상 조건이 주차장 사고 발생에 대한 영향요인이라고 하였다(Chowdhury Siddiqui and Abdel-Aty, 2012). 빈도분석, 요인분석, 상관분석을 통해 주차장 교통사고의 특성을 분석한 연구에서는 주차 관련 사고가 야간, 이면도로 및 교차로 유출입부에서 많이 발생하고 도로의 종류와 주차위치가 사고의 주요 요인이라고 하였다(Kim, 2007).
2. 사고 심각도 분석 연구
순서형 로지스틱 회귀 모형을 기반으로 사고 심각도 분석을 수행한 연구에서는 주행 거리, 교통사고 발생 전 주행행태, 충돌 대상물이 심각도에 영향을 미치는 것으로 나타났다(Park et al., 2024). 기계학습 기법을 활용한 연구에서는 사고 심각도와 요인 간 영향 정도의 해석보다는 심각도에 영향을 미치는 요인을 도출하고자 의사결정나무, 랜덤포레스트를 이용하여 심각도 영향 요인을 분석하였다(Kim, 2022). 분석 결과, 과속 운전을 한 경우, 60세 이상의 고령 운전자 그리고 승합차가 사고를 발생시킨 경우에 사고 심각도가 증가하는 것으로 분석되었다. 측면부 충돌 사고를 중심으로 버스의 사고 심각도를 분석한 연구에서는 k-평균 군집분석 기법을 활용하여 심각도를 구분하고 순서형 로짓 모형을 구축한 결과, 버스의 수리 기간이 하루 증가할 때마다 사고 심각도가 1.843배 증가하며 사선 충돌이 발생한 경우 직각 충돌보다 사고 심각도가 0.519배 낮은 것으로 분석되었다(Lee et al., 2021). 군집분석을 통해 사고 심각도를 구분하고 통계분석 및 기계학습을 통해 심각도 예측 모델을 구축한 연구에서는 통계기법으로 다항 로짓, 최근접 이웃 분류를 사용하고 기계학습 기법으로 서포트 벡터 머신, 랜덤 포레스트를 사용하여 다양한 기법을 종합하여 분석하는 방법을 제안하였다(Iranitalab and Khattak, 2017). 보행자 사고 심각도를 분석한 연구에서는 잠재 클래스 분석을 통해 심각도 군집을 구분하고 순서형 프로빗 모형을 구축하였으며 분석 결과, 남성 운전자는 여성 운전자보다 사고 발생 시 심각도가 높은 경향이 있고 어두운 상황에서 사고 심각도가 높은 경향이 있으며 맑은 날씨는 경미하거나 심각한 부상 수준의 발생 가능성을 높이지만 치명적인 부상 수준의 가능성은 줄이는 것으로 나타났다(Salehian et al., 2023).
3. 기존 연구와의 차별성
주차장 교통사고 특성을 분석한 선행 연구의 분석 결과를 고찰한 결과 상관분석, 회귀모형 등 통계분석 기법을 이용하여 사고 발생에 영향을 미치는 요인들을 분석하였으며 통행 방해 요인, 운전자 요인, 기상 조건, 야간 등이 사고 발생의 주요 요인이라고 하였다. 그러나 주차장에서의 사고 심각도를 분석한 연구는 부족하였다. 주차장은 저속 주행, 회전 등의 주행 특성을 가지고 운전자에게 요구되는 시야 확보 범위가 일반 도로와 다르기 때문에 주차장에 대한 사고 심각도 요인 분석이 필요하다. 이에 본 연구에서는 사고 심각도 분석을 위한 공간적 범위로 주차장을 설정하였다. 사고 심각도를 분석한 선행 연구에서의 분석 방법론을 고찰한 결과, 통계 기법으로는 순서형 로지스틱 회귀 모형 또는 순서형 프로빗 모형이 주로 사용되었고 머신러닝 기법으로는 의사결정나무, 랜덤 포레스트, 서포트 벡터 머신이 주로 사용되었다. 또한 사고 심각도를 구분하기 위해서 k-평균 군집분석 또는 잠재 클래스 분석 기법을 사용하였다. 선행 연구에서는 통계 또는 기계학습 기법을 이용하여 사고 심각도 모형 결과를 비교하는 것이 주된 연구 주제였으며, 체계적인 모형 구축을 위해 사고 심각도 모형 생성 이전에 심각도를 구분하는 분석 단계가 추가되었다. 그러나 종속변수인 사고 심각도를 구분하는 과정만을 고려하였고 모형에 적용되는 독립변수에 대한 통계적 검증은 부족하였다. 따라서 본 연구에서는 설명력이 있는 모형 생성을 위해 독립변수에 대한 체계적인 통계적 검증 절차를 마련하였으며 기존 연구와의 차별성을 두었다.
분석 데이터
국내 주차장에서 발생한 사고 정보를 수집하고자 한국도로교통공단에서 제공하는 TAAS를 이용하였다. 본 연구에서 수집한 분석 데이터의 시간적 범위는 2019년 1월 1일부터 2023년 12월 31일까지 5년간이며 공간적 범위는 전국을 대상으로 하였다. 전국을 대상으로 수집되는 사고자료이기 때문에 특정 지역적 특성에 편중되지 않는 분석 결과를 도출할 수 있다. 교통사고 데이터에는 사고 일시, 장소, 부상자 수, 주행 환경, 가해자 및 피해자의 성별과 연령, 차종, 상해 정도 등을 포함한 총 23개 항목이 수집되었으며, 그 항목들을 Table 1에 제시하였다. 전체 데이터셋의 개수는 6,888건이고 사고 심각도는 사망, 중상, 경상, 부상사고의 4개 등급으로 구분되었다. 교통사고 데이터는 모두 명목형으로 수집되기 때문에 항목별 변수들을 0과 1로 더미화하였다. 더미화에 따른 23개 항목별 변수의 총 개수는 96개이며 부록의 Appendix 1에 제시하였다.
Table 1.
List of TAAS traffic crash data
주차장이라는 공간의 물리적 특성을 고려하였을 때 노외᭼노상, 기계식᭼지평식과 같은 주차장 유형, 주차면 수, 주차면의 규격에 따라 차량의 이용 대수가 달라지기 때문에 해당 요소들을 고려하여 분석할 필요가 있다. 또한 다른 차량, 보행자, 자전거와 공간을 혼용하기 때문에 신체와의 직접적인 충돌이 발생할 수 있으므로 자전거 전용 도로, 보행자 통행로와 같은 전용 공간의 확보 여부와 통 행로의 넓이를 고려할 필요가 있다. 그러나 TAAS에서 제공하는 사고자료는 주차장의 물리적 환경에 대한 정보가 포함되지 않기 때문에 본 연구에서는 주차장의 물리적 환경 변수가 고려되지 못하였다는 한계점이 있다.
주차장의 다양한 특성을 고려하기 위해서는 향후에 주차장의 유형, 주차면 수, 주차면의 규격, 자전거 전용 도로나 보행자 전용 통행로의 확보 여부와 통행로의 넓이, 차량의 주행속도 변수를 추가 수집할 필요성이 있다. 물리적 환경 변수를 수집하기 위해서는 보험사, 경찰청 등으로부터 수집된 사고 자료에 사고 발생 지역 및 주차장명에 따른 주차면 수, 주차장 면적 등의 주차장 정보가 포함되어야 한다. 그러나 일반적인 사고 자료의 경우 주차장의 물리적 환경 특성을 기록하지 않고 특히 보험사로부터 수집한 사고 자료의 경우, 개인정보보호로 인해 사고발생 지역과 주차장명이 포함된 사고 자료 수집에 한계가 있다. 공영 주차장과 일부 민영 주차장의 경우 한국교통안전공단, 지자체 또는 공공데이터 포털을 통해 주차장명, 노외᭼노상 구분, 기계식᭼지평식 구분, 주차면 수 등 주차장의 물리적 환경에 대한 자료를 수집할 수 있다. 주차장명이 포함된 사고 자료를 수집할 수 있다면 사고발생 지역과 주차장명에 따라 주차장 정보를 매칭함으로써 물리적 환경이 고려된 데이터셋을 구축할 수 있을 것이다. 추가 변수를 포함하여 심각도 요인 분석을 수행한다면 물리적 환경에 대한 사고 심각도 요인을 도출할 수 있으며, 이를 바탕으로 주차장 설계 및 운영 개선 또는 안전 관리 대책을 마련하는데에 활용할 수 있다.
분석방법론
순서형 프로빗 모형 도출 시 변수의 개수가 너무 많은 경우에는 다중공선성의 가능성이 있고 모형의 해석이 어려울 수 있다는 단점이 있다. 따라서 유의미한 변수를 도출할 수 있는 체계적인 과정이 필요하다. 다중공선성 등의 문제를 최소화하고 사고 심각도에 영향력이 있는 요인을 선정하기 위해 통계 기법 기반 요인 선정에 따른 모형 분석방법론을 제시하였다.
본 연구의 분석 방법론은 교차분석, 순서형 프로빗 모형, 다중공선성 평가, 한계효과 분석의 4가지 단계로 구성되며 연구흐름도를 Figure 1에 제시하였다. 첫 번째 단계는 교차분석을 통해 96개의 변수들로부터 사고 심각도와 연관이 있는 변수들을 도출하는 단계로, 순서형 프로빗 모형에 적용하고자 하는 변수들을 필터링하는 과정이다. 교차분석을 통해 사고 심각도와 연관이 있는 것으로 판단된 변수들은 요인 후보군으로 선정된다. 두 번째 단계는 요인 후보군들을 순서형 프로빗 모형에 적용하여 사고 심각도 모형을 도출하는 단계이다. 세 번째 단계는 요인들 간의 상관관계를 검증하기 위한 다중공선성을 평가하는 단계로, 분산팽창계수 산출 및 상관분석 결과를 통해 심각도 모형을 구성하는 요인들이 적절한지 평가한다. 네 번째 단계는 순서형 프로빗 모형 분석 결과로 도출된 한계효과 값을 이용하여 각 요인들이 사고 심각도 범주별로 미치는 영향을 정량적으로 평가하는 단계이다.
1. 교차분석
교차분석은 두 개 이상의 범주형 변수 간의 연관성을 분석하기 위한 통계 기법으로 주로 두 변수 간의 독립성 검정에 사용된다. 관측된 빈도와 기대 빈도를 비교하여 두 변수 간의 연관성 정도를 검정하는 방법으로 Fisher의 정확도 검정, McNemar 검정, 카이제곱 검정 등이 있다. 본 연구에서는 일반적이고 대표적인 방법인 카이제곱 검정을 이용하여 96개의 변수와 사고 심각도 간의 독립성을 검정하였다. 독립성을 검정하기 위해서귀무가설은 ‘변수와 사고 심각도는 서로 독립이다’로 대립가설은 ‘변수와 사고 심각도는 서로 독립이 아니다’로 설정하였다. 카이제곱 검정 수행 결과로 도출되는 유의확률 값에 따라 귀무가설에 대한 기각여부를 결정한다. 신뢰수준 95%에 따라 유의확률 값이 유의수준인 0.05 미만이라면 귀무가설을 기각하고 대립가설을 채택한다. 유의확률 값이 유의수준인 0.05 이상이라면 귀무가설을 채택한다.
독립성이 있는 경우는 변수와 사고 심각도가 서로 영향을 미치지 않는 것을 의미하므로 두 변수가 서로 관련이 없다는 것을 의미한다. 이와 반대로 독립적이지 않은 경우는 변수와 사고 심각도가 서로 영향을 미치는 것을 의미하며 서로 관련이 있다는 것을 의미한다. 변수와 사고 심각도 간의 관계가 독립적이라면 서로 연관성이 없으므로 해당 변수는 순서형 프로빗 모형에 적용하지 않는다. 변수와 사고 심각도 간의 관계가 독립적이지 않으므로 서로 연관성이 있다면 해당 변수는 사고 심각도에 영향을 미칠 가능성이 있기 때문에 순서형 프로빗 모형에 적용한다.
2. 순서형 프로빗 모형
순서형 프로빗 모형은 종속변수가 범주형이면서 순서척도인 경우에 사용할 수 있는 회귀 모형으로 교통, 마케팅, 사회과학 등 다양한 분야에서 활용된다(Ismael and Duleba, 2023; Nair et al., 2018; Greene and Hensher, 2010). 종속변수가 3개 이상의 수준을 가지면서 순서형 척도인 경우에 순서형 프로빗 모형을 적용할 수 있다. 본 연구에서 분석하고자 하는 사고 심각도는 ‘부상사고사고’, ‘경상사고’, ‘중상사고’, ‘사망사고’의 4가지 순서 척도로 구성되므로 순서형 프로빗 모형의 적용이 적합하다. 사고 심각도가 범주형이지만 종속변수의 기저에는 연속적인 잠재변수가 있다고 가정하기 때문에 잠재 변수는 직접적으로 관찰되지 않지만 특정 임계값을 넘어설 때마다 관찰되는 순서형 변수의 범주로 결정된다(Yoon et al., 2018). 순서형 프로빗 모형의 기본 형태는 Equation 1에 제시하였다. 잠재변수는 연속적이며 설명변수와는 선형 관계로 표현된다. 계수 벡터는 설명변수의 효과를 나타내는 추정 계수이고 오차항은 정규분포를 가정한다(Kwon et al., 2018; Ha et al., 2005). 관찰된 순서형 종속변수는 Equation 2와 같이 정의된다. 𝜇는 연속적인 잠재변수를 범주형 종속변수로 전환시키기 위한 임계값을 의미한다. 순서형 프로빗 모형의 계수 벡터와 임계값 모수는 최우추정법을 기반으로 추정된다.
여기서, : 관찰되지 않는 잠재변수
: 설명변수
𝛽 : 계수 벡터
𝜖 : 오차항
여기서, : 추정해야 할 임계값(Threshold) 모수
모형의 성능을 나타내는 모형 적합도는 McFadden’s Pseudo R2 지표로 평가한다. McFadden’s Pseudo R2 는 모델의 설명력을 나타내는 척도를 의미하며 값이 클수록 설명력과 모형의 적합도가 높은 것으로 해석한다. 사회과학 분야에서 McFadden’s Pseudo R2 값이 0.0-0.1인 경우 모형의 설명력이 매우 약함을 의미하고 0.1-0.2인 경우 보통 수준의 설명력을 의미하며 0.2-0.4인 경우 매우 강한 수준의 설명력을, 0.4 이상인 경우는 매우 드물고 강한 수준의 설명력으로 해석한다(Scott Long, 1997; Domencich and McFadden, 1975; McFadden, 1974). 또한 2개 이상의 모형 간 적합도를 비교하기 위해서는 로그우도(Log-likelihood)와 Akaike 정보 기준(Akaike information criterion, AIC) 지표를 사용한다. 로그우도 값은 0 이하의 값으로 산출되며 0에 가까울수록 모형의 적합도가 더 높은 것을 의미하고 AIC 값은 작을수록 모형의 설명력이 높은 것을 의미한다.
순서형 프로빗 모형에서의 계수 벡터 값으로는 변수가 사고 심각도 범주에 미치는 영향력을 직관적으로 해석하기 어렵기 때문에 한계효과(Marginal effect) 분석이 필요하다. 한계효과 값은 특정 독립변수의 한 단위 증가로 인한 종속변수의 변화량을 추정한 것으로 독립변수가 종속변수에 영향력을 평가할 수 있다. 따라서 한계효과를 통해 개별 독립변수가 종속변수에 미치는 영향을 확률적인 관점에서 분석할 수 있으며 이를 바탕으로 정책적 시사점 도출이 가능하다(Nair et al., 2018). 본 연구에서는 요인 후보군 내 개별 요인의 변화가 각 사고 심각도 범주에 속할 확률에 미치는 영향을 정량적으로 평가하였다.
3. 다중공선성 평가
다중공선성은 두 개 이상의 독립변수들이 서로 높은 상관관계를 가져 독립적이지 못한 것을 의미하며 독립변수 간 상관관계가 높은 경우 다중공선성이 발생할 수 있다. 변수들 간의 상관관계가 높으면 회귀 계수 추정이 불안정하고 분산이 커져 특정 독립변수가 종속변수에 미치는 영향을 정확하게 추정하기에 한계가 있다(Vatcheva et al., 2016). 모형 내 요인들 간의 다중공선성을 검증하기 위해 분산팽창계수(Variance inflation factor, VIF) 분석과 상관분석이 활용된다. 분산팽창계수는 회귀 모형 내에서 특정 독립변수가 다른 독립변수들에 의해 얼마나 설명되는지 파악하는 방법으로 요인들 간의 다중공선성을 검증할 수 있다. 회귀 계수 추정치의 분산이 다중공선성으로 인해 얼마나 팽창되었는지를 측정하며 산출식을 Equation 3에 제시하였다. VIF 값이 1인 경우 다중공선성이 존재하지 않고 VIF 값이 10 이상인 경우 심각한 수준의 다중공선성이 존재한다고 판단한다(Sze et al., 2014).
여기서, : 다른 모든 변수에 대한 변수 의 회귀 결정 계수
상관분석은 두 변수 간의 선형적 관련성을 수치적으로 평가할 수 있는 통계적 기법이다. 두 변수 간 관계를 상관계수(Correlation coefficient, r)로 나타내며 상관계수 값은 –1부터 +1 사이의 값으로 산출된다. 상관계수 값이 0일 경우 두 변수 간의 선형적 관련성이 거의 없음을 의미한다. 상관계수 값이 0을 초과하여 양수를 갖는 경우 두 변수 간에는 양의 상관관계가 나타나고 상관계수 값이 0을 초과하지 않아 음수를 갖는 경우 두 변수 간에는 음의 상관관계가 나타난다. 상관계수의 절대값이 0.2보다 작은 경우 미미한 수준의 상관관계를 0.2와 0.3 사이의 값인 경우 중간 수준의 상관관계를 0.3을 초과하는 경우에는 큰 수준의 상관관계를 의미한다(Hemphill, 2003; Meyer et al., 2001; Lipsey and Wilson, 1993). 또한 상관분석을 통해 상관계수의 절대값이 지나치게 높은 경우를 기준으로 다중공선성의 여부를 평가할 수 있다. Park and Kim(2012)은 변수 간 상관계수가 0.74 이상으로 나타나는 경우 다중공선성이 존재한다고 판단하였다. 다중공선성을 해결하는 방안 중 하나는 상관계수가 지나치게 높은 변수를 분석에서 제거하는 것이다. 본 연구에서는 상관계수의 절대값이 0.7 이상인 요인은 다중공선성이 있는 것으로 판단하고 해당 요인을 사고 심각도 모형 모델링에서 제거하였다.
분석 결과
1. 요인 후보군 선정 결과
카이제곱 검정을 통해 개별 변수와 사고 심각도 간의 관련성을 평가하였다. 유의확률 값에 따라 사고 심각도와의 관련성이 통계적으로 유의한 것으로 도출된 변수들의 분석 결과를 Table 2에 제시하였다. 신뢰수준 95% 또는 99%에 대하여 변수들의 유의확률이 0.05 또는 0.01보다 낮은 경우, ‘변수와 사고 심각도는 서로 독립이다’라는 귀무가설을 기각하고 대립가설을 채택하여 변수와 사고 심각도 간의 관련성이 통계적으로 유의함을 도출하였다. 23개 항목에 대한 변수의 총 개수는 96개이며 이 중 통계적으로 유의한 변수는 47개이다. 이 가운데 결측치에 해당하는 미상(Unknown) 변수는 분석에서 제외하여 최종적으로 44개의 변수를 요인 후보군으로 선정하였다. 한편, 노면상태와 기상상황의 경우 모든 요인이 사고 심각도와 연관성이 없는 것으로 도출되었다. 이는 기상조건이 사고 발생과 사고 심각도에 미치는 영향의 정도가 다르기 때문인 것으로 해석된다. 주차장은 일반 도로에 비해 저속으로 주행하는 환경이기 때문에 강우나 노면 젖음으로 인해 차량 제동 시간이 지연된다 하더라도 충돌 시의 속도가 일반 도로보다 낮고, 맑은 날씨 조건에서의 충돌 속도와의 차이가 크지 않을 것이다. 따라서 기상조건 및 노면상태가 주차장에서의 사고 발생 자체에는 영향을 크게 미치더라도 사고 심각도에는 큰 영향을 미치지 않을 수 있다. 그럼에도 불구하고 각 요인은 노면과 타이어 간의 미끄러짐 현상을 유발할 수 있는 요소로, 안전성과 밀접하기 때문에 향후 연구에서는 기상상황 및 노면상태에 대한 데이터를 추가 확보할 필요가 있다.
Table 2.
Result of chi-squared test
2. 사고 심각도 모형 도출 결과
요인 후보군을 활용하여 사고 심각도 모형을 개발하였으며 분석 결과를 Table 3에 제시하였다. 요인 후보군 44개 중 사고 심각도에 영향을 미치는 요인은 12개로 도출되었다. 사고 심각도에 영향을 미치는 요인들에 대한 항목은 사고유형, 가해운전자 차종, 피해운전자 차종, 피해운전자 성별, 피해운전자 연령대이다. 사고발생 시 차대사람 사고이거나 피해운전자가 여성인 경우 그리고 피해운전자의 연령대가 51세 이상인 경우에 사고 심각도가 증가하는 경향이 나타났다. 사고 발생 시 가해운전자의 차종이 원동기, 자전거, 이륜차인 경우와 피해운전자의 차종이 승용차와 트럭인 경우에는 사고 심각도가 감소하는 경향이 나타났다. 또한 피해운전자 연령이 13세에서 30세인 경우 사고 심각도가 감소하는 경향이 나타났다. 초기 모형 대비 최종 모형에서 로그 우도 값이 증가하고 AIC 값이 감소하여 최종 모형 도출 과정에서 모형의 적합도가 향상되었다. 모형의 설명력을 나타내는 pseudo R2 값은 0.13으로 도출되어 사회과학분야에서 수용 가능한 보통 수준의 설명력을 가진다(Scott Long, 1997; Domencich and McFadden, 1975; McFadden, 1974). 심각도는 부상, 경상, 중상, 사망으로 구분되어 있기 때문에 개별 요인이 사고 심각도 범주별로 미치는 영향을 정량적으로 분석하기 위해서는 한계효과 분석이 필요하다.
Table 3.
Result of ordered probit model analysis
3. 다중공선성 평가 결과
모형 내 요인들 간의 다중공선성을 검증하고자 분산팽창계수를 산출하고 상관분석을 수행하였다. 분산팽창계수 값 산출 결과를 Table 4에 제시하였다. 분산팽창계수가 10 이상인 경우에 심각한 다중공선성이 존재할 가능성이 크고 모형의 불안정성을 초래할 수 있으나, 본 연구의 심각도 모형에 사용된 모든 요인들의 경우 VIF 값이 2.1 미만으로 도출되어 약간의 다중공선성이 미미한 수준으로 존재하여 모형에 큰 문제가 되지 않는다고 판단할 수 있다.
Table 4.
Result of variance inflation factor (VIF) analysis
상관분석을 통해 도출한 상관계수 및 유의확률을 Table 5에 제시하였다. 신뢰수준 95%와 99%에 대하여 통계적 유의성을 검정하였으며, 유의확률이 0.05 또는 0.01 미만인 경우 두 요인 간의 상관관계가 통계적으로 유의함을 의미한다. 상관분석 결과, 거의 모든 요인 간의 pearson 상관계수(Pearson correlation coefficient, PCC)의 절대값이 0.30 이하인 것으로 도출되었다. 상관계수의 절대값이 0.3 이하인 경우 상관관계가 통계적으로 유의하다 하더라도 상관관계가 약하기 때문에 다중공선성으로 인한 문제 발생 가능성이 낮다. 다만, 요인 후보군 중 차대사람 요인(b_1)과 피해운전자 차종-승용차 요인(i_7) 간의 상관계수가 –0.752이고 통계적으로도 유의하여 음(-)의 상관관계가 분석되었다. 두 요인은 보행자 사고의 경우 주요 피해자가 사람으로 나타나고 차대차 사고의 경우 주요 피해자가 승용차이기 때문에 사람과 승용차가 모두 피해자로 나타나는 경우가 발생하기 어려운 특성에 기인한 결과로 해석된다. 또한 각 변수의 분산팽창계수 값은 2.06과 1.80으로 미미한 수준의 다중공선성으로 도출되었다. 다중공선성으로 인해 변수를 제거하는 경우는 두 변수의 의미나 역할이 거의 동일하거나 중복되어 하나의 변수가 다른 변수를 대체할 수 있기 때문이지만, 차대사람과 피해운전자 차종-승용차 요인의 경우 서로 대체할 수 있는 요인이 아니다. 따라서 두 요인의 경우 다중공선성으로 인한 심각한 추정 오류가 발생하지 않는다고 가정할 수 있으므로 본 연구에서는 두 요인을 제거하지 않고 사고 심각도 모형에 포함하였다.
Table 5.
Result of correlation analysis
4. 한계효과 분석 결과
최종적으로 개발한 사고 심각도 모형에 대하여 한계효과를 분석하였다. 한계효과를 통해 개별 요인들이 사고 심각도 범주별 발생 확률에 미치는 영향을 정량적으로 평가할 수 있으며, 분석 결과는 Table 6에 제시하였다. 사고 유형이 차대사람 사고인 경우 부상 및 경상사고의 발생 확률은 각각 1.4%와 2.1% 감소하고 중상 및 사망사고의 발생 확률이 각각 3.40%와 0.10% 증가하는 것으로 나타났다. 보행자는 충격을 흡수할 수 있는 물리적 방어 수단이 없기 때문에 상대적으로 중대한 수준의 사고 발생 확률이 높은 것으로 해석된다.
Table 6.
Result of marginal effect analysis(parking lot)
가해운전자의 차종이 원동기인 경우 부상사고 발생 확률이 22.70% 증가하고 경상, 중상 및 사망사고 발생 확률이 7.10%, 15.40%, 0.20% 감소한다. 자전거인 경우 부상 및 경상사고의 발생 확률이 각각 4.60%와 2.60% 증가하고 중상 및 사망사고의 발생 확률이 7.10%, 0.20% 감소한다. 가해운전자 차종이 이륜차인 경우에도 부상 및 경상사고의 발생 확률이 각각 8.40%와 2.00% 증가하고 중상 및 사망사고의 발생 확률은 10.2%, 0.2% 감소한다. 가해운전자의 차종이 원동기, 자전거, 이륜차인 경우에는 사고 발생 시 비교적 낮은 수준의 심각도가 나타날 확률이 높은 경향을 보인다. 사륜차종에 비해 사각지대가 적고 비교적 시야확보가 용이하기 때문에 다른 차량이나 보행자를 인지하고 감속이나 정지, 조향핸들 조정과 같은 사고회피 행동을 신속하게 수행할 수 있기 때문에 중상사고나 사망사고보다는 비교적 낮은 심각도의 사고가 발생 확률이 높은 것으로 해석된다. 다만, 전체 사고 중 76.60%가 승용차, 14.74%가 화물차인 경우에 발생하였으며 19건의 사망사고 중 14건(73.68%)이 승용차, 4건(21.05%)이 화물차인 경우에서 발생한 것을 고려하였을 때 원동기, 자전거, 이륜차의 실제 심각도 수준보다 심각도 감소 효과가 더 크게 나타났을 가능성이 있다.
피해운전자 차종이 승용차인 경우 부상 및 경상사고의 발생 확률이 각각 3.60%와 5.00% 증가하였고 중상 및 사망사고의 발생 확률이 8.50%, 0.20% 감소하였다. 화물차인 경우도 부상 및 경상사고의 발생 확률이 각각 5.40%와 2.80% 증가하고 중상 및 사망사고의 발생 확률이 8.00%, 0.20% 감소하였다. 이는 피해차량의 차체가 비교적 큰 경우에 경미한 수준의 사고 발생 확률이 증가하는 경향이 있음을 시사한다. 주차장에서는 피해차량이 주정차 상태이거나 피해차량과 가해차량이 비교적 저속으로 주행하기 때문에 일반 주행상황보다는 적은 운동에너지가 발생한다. 따라서 차대차 사고 발생 시 일반 도로보다 주차장에서의 충돌에너지가 더 적기 때문에 비교적 경미한 수준의 사고 발생 가능성이 높은 것으로 해석된다. 다만, 전체 사고 중 승용차(47.56%)와 보행자(38.41%)의 비중이 현저히 높으므로 소수 차종의 특성이 반영되기에 한계가 있다. 따라서 한계효과 도출 결과는 피해운전자 차종 중 승용차의 데이터 특성에 크게 영향을 받았을 가능성이 있다.
피해운전자가 여성인 경우 중상사고와 사망사고의 발생 확률이 2.50%와 0.10% 증가한다. 주차장에서는 전진·후진 주행 등 다양한 주행행태가 요구되며 운전자는 주차 공간을 탐색하면서 보행자의 유무, 예상치 못한 장애물 등에 대한 다양한 정보를 동시에 처리해야 하므로 일반 도로보다 더욱 많은 작업부하가 발생한다. 이러한 상황에서 사고 발생 시 운전자는 상황을 신속하게 인지하고 회피행동을 수행해야 한다. 돌발상황에서 여성이 남성보다 많은 인지·반응 시간이 요구된다는 점을 고려할 때(Hichim et al., 2020), 여성 피해운전자는 회피행동을 수행하기까지 더욱 많은 공간의 확보가 필요하다. 주차장은 기둥이나 주차되어있는 다른 차량으로 인하여 회피행동을 수행하기 위한 충분한 공간을 확보하기에 한계가 있다. 따라서 주차장에서는 여성인 피해운전자의 사고 회피 가능성이 상대적으로 낮아, 사고 발생 시 충돌에너지가 비교적 크기 때문에 부상 또는 경상사고보다 중상 또는 사망사고의 발생 가능성이 높은 것으로 해석된다. 다만, 남성 피해운전자의 사고 비율은 58.22%으로 여성 피해운전자의 사고 비율인 38.10%보다 현저히 높다. 남성 피해운전자의 부상 및 경상사고 비율(5.19%, 79.75%)이 여성 피해운전자의 비율(4.50%, 73.17%)보다 높다는 특성이 여성 피해운전자의 중상 및 사망사고 발생 확률 증가 효과에 더욱 영향을 미쳤을 수 있다.
피해운전자 연령대가 13세-20세와 21세-30세인 경우 부상사고 및 경상사고의 발생 확률이 증가한다. 피해운전자 연령대가 51세 이상인 경우 경미한 수준의 사고보다는 중상사고 및 사망사고의 발생 확률이 증가한다. 이는 운전자의 연령이 증가할수록 인지·반응 능력이 저하되기 때문에 돌발상황에 신속하게 대응하지 못하기 때문인 것으로 해석된다(Ministry of Land, Infrastructure and Transport, 2014; Jung et al., 2020). 또한 고령층은 보행 속도가 느려 돌발상황 회피에 더 많은 시간이 필요하기 때문에 위험상황에 더욱 많이 노출된다는 특징이 있다(Florida State University, 2012). 이러한 신체적 노화에 따른 인지·반응 능력의 저하로 인해 51세 이상의 운전자의 중상 및 사망사고 발생 확률이 증가하는 것으로 해석된다. 고령자는 비고령자보다 신체적으로 취약하기 때문에 중대한 심각도 수준의 사고가 발생할 확률이 높은 것으로 해석된다.
5. 일반도로와 주차장에서의 심각도 요인 비교᭼분석
주차장과 일반도로 간 심각도 요인의 차이를 비교하기 위해 일반도로에 대한 한계효과를 분석하고 결과를 Table 7에 제시하였다. 일반도로에 대한 사고 심각도 요인은 사고유형, 법규 위반, 노면상태, 가해운전자 차종 그리고 피해운전자의 연령대가 도출되었다. 사고유형의 경우 추돌에 따른 차대차 사고의 경우 부상신고 및 경상사고 발생 확률이 0.40%, 0.90% 증가하고 중상 및 사망 사고의 발생 확률이 0.30%, 1.00% 감소한다. 차량 단독사고의 경우 부상신고 및 경상사고의 발생 확률이 4.90%, 11.40% 감소하고 중상 및 사망사고의 발생 확률이 3.50%, 12.80% 증가한다. 차량 단독 사고의 경우 운전자의 통제가 불가하거나 고정 장애물과의 충돌하는 경우를 수반하기 때문에 심각도가 높은 것으로 해석되었다. 가해운전자의 차종이 승용차인 경우 부상신고 및 경상사고 발생 확률이 0.50%, 1.20% 증가하고 중상 및 사망사고 발생 확률이 0.40%, 1.30% 감소한다. 피해운전자 연령대가 21세에서 30세인 경우 부상신고 및 경상사고 발생 확률이 1.80%, 4.30% 증가하고 중상 및 사망사고 발생 확률이 1.30%, 4.80% 감소한다. 이와 반대로 피해운전자 연령대가 65세 이상인 경우 부상신고 및 경상사고 발생 확률이 5.10%, 12.00% 감소하고 중상 및 사망사고 발생 확률이 3.70%, 13.40% 증가한다. 노년층의 경우 청년층에 비해 신체적으로 취약하여 부상 심각도가 높고 회복 능력이 낮기 때문에 중대한 사고의 발생 확률이 높다. 노면이 젖어있는 경우 부상신고 및 경상사고 발생 확률이 0.80%, 2.00% 감소하고 중상 및 사망사고 발생 확률이 0.60%, 2.20% 증가한다. 과속 주행하는 경우 부상신고 및 경상사고 발생 확률이 13.80%, 32.30% 감소하지만 중상 및 사망사고 발생 확률은 10.00%, 36.10% 증가한다.
Table 7.
Result of marginal effect analysis (not parking lot)
주차장과 일반도로에서의 심각도 요인을 비교분석한 결과 공통적인 심각도 요인은 사고유형과 가해운전자의 차종 그리고 피해운전자의 연령대이다. 주차장의 경우 사고유형이 차대사람인 사고가 심각도에 영향을 미치는 요인이었으나, 일반도로에서는 차대차 또는 차량단독 사고인 것으로 분석되었다. 일반도로는 차도와 보도가 분리되어 있으나, 주차장은 보행자와 차량이 혼용되는 공간적 특성이기 때문에 심각도에 영향을 미치는 사고 유형의 차이가 있는 것으로 해석된다. 가해운전자 차종의 경우 일반도로에서는 승용차가 주차장에서는 원동기, 자전거, 이륜차가 도출되어 일반도로 주행 상황에서는 차체가 비교적 큰 차량과 충돌하는 경우에 교통사고 심각도가 더 높은 경향이 나타났다. 주차장의 경우, 원동기, 자전거, 이륜차가 보행자나 차량 사이를 주행하는 과정에서 사고를 유발할 가능성이 있어 일반도로와는 다른 종류의 차종이 심각도 요인으로 도출된 것으로 해석된다. 일반도로에 대한 피해운전자 연령대의 경우 21-30세와 65세 이상이 도출되었으며, 사고 심각도에 따른 사고 발생 확률의 양상이 주차장 사고와 유사하다. 피해운전자 연령대는 사고 발생 환경에 상관없이 연령대에 따른 신체적 특성이 심각도에 주요한 영향을 미치는 것으로 해석된다.
결론 및 향후 연구
주차장은 차량과 보행자가 혼재되는 공간으로 좁은 공간에서 밀집도가 높아 사고 발생 가능성이 크기 때문에 안전성 평가 및 사고 예방이 필요하다. 본 연구에서는 주차장에서 발생한 교통사고 자료를 수집하여 통계분석을 통해 주차장 사고 심각도에 영향을 미치는 요인을 도출하였다. 교차분석을 통해 사고 심각도와 관련이 있는 요인 후보군을 선정하고, 이를 순서형 프로빗 모형에 적용하여 개별 요인이 사고 심각도에 미치는 영향이 통계적으로 유의한 모형을 개발하였다. 또한, 개발된 모형에 대하여 분산팽창계수를 분석하고 상관분석을 수행하여 다중공선성 문제가 없음을 검증하고 최종 모형을 도출하였다. 마지막으로, 최종 모형에 대한 한계효과를 분석하여 개별 요인이 사고 심각도 범주별 발생 확률에 미치는 영향을 평가하였다. 분석 결과를 통해 본 연구는 주차장 내 사고 심각도에 영향을 미치는 영향 요인 분석을 통해 사고유형, 가해운전자 차종, 피해운전자의 차종과 성별 그리고 연령이라는 요인으로 인해 저속 주행 환경에서도 중대한 사고가 발생할 수 있음을 제시하였다.
한계효과를 통해 개별 요인이 사고 심각도 범주별로 미치는 영향을 분석한 결과, 사고유형에 대하여 차대사람 사고가 발생한 경우 중상 또는 사망사고와 같이 중대한 심각도 수준의 사고 발생 확률이 증가하였다. 이는 주차장 환경이 사람에게 물리적인 충격을 흡수할 수 있는 안전장치 설치에 한계가 있고, 이러한 특성으로 인해 차대사람 사고 발생 시 보행자가 사고 충격을 직접적으로 받을 수밖에 없어 사고의 위험성이 더 큰 것으로 해석된다. 가해운전자의 차종이 원동기, 자전거, 이륜차인 경우에 부상 및 경상사고의 발생 확률이 증가하였다. 각 차종은 시야를 방해하는 프레임이 없어 시야확보가 비교적 용이하므로 다른 차량이나 보행자를 인지한 후에 감속, 조향핸들 조정과 같은 회피행동을 보다 신속하게 수행할 수 있다. 따라서 원동기, 자전거, 이륜차의 경우 중대한 사고를 일으킬 가능성이 낮은 것으로 해석된다. 피해운전자의 차종이 승용차, 화물차인 경우에 비교적 경미한 수준인 부상사고, 경상사고의 발생 확률이 증가하였다. 이는 비교적 차체와 중량이 큰 차량이 충격을 가해하는 상황에서는 더 많은 사고 충격을 전달하지만 이와 반대로 피해 상황에서는 더 많은 사고 충격을 흡수할 수 있기 때문인 것으로 해석된다. 더불어 주차장에서는 피해운전자가 여성이거나 51세 이상인 경우 중상 또는 사망사고의 발생 확률이 증가하였다. 여성의 경우 남성보다 더 많은 인지·반응 시간이 요구되며 연령이 증가하는 경우 인지·반응 능력이 저하되기 때문에 돌발 상황에 대한 감속, 조향핸들 조정 등 신속한 회피행동 수행이 어려울 수 있다. 또한 고령자는 비고령자보다 신체적으로 취약하기 때문에 사고발생 시 부상의 정도가 심각할 수 있다. 이러한 요인들은 사고 발생 시 사고 심각도를 증가시키는 요인으로 작용할 수 있다.
본 연구 결과는 일반도로와 다른 주차장에서의 사고심각도 영향 요인을 도출하였으며, 주차장 안전성 개선을 위한 관제 시스템 설계 및 맞춤형 전략 수립을 위한 기초 자료로 활용될 수 있다. 사고 심각도를 낮추기 위해서는 사고 발생 시의 충돌에너지를 감소시켜야 하며, 이를 위해서는 운전자나 보행자의 사고회피 행동이 신속하게 수행되어야 한다. 전방 또는 측방에서 접근하는 차량 또는 보행자를 인식하고 경고 알림을 제공하는 스마트 센서 기반 경고 정보 제공시스템을 도입할 수 있다. 전광판을 통한 시각 메시지, 음성 경고를 통한 청각 메시지를 병행하여 제공한다면 더욱 효과적일 것이다. 또한 주차장 내에 원동기, 자전거 및 이륜차의 전용 도로 또는 보행자 전용 도로를 노면에 표시한다면 차량 운전자들에게 원동기, 자전거 및 이륜차나 보행자에 대한 주의를 환기하고 경각심을 부여함으로써 안전운전을 유도하는 효과가 나타날 것이다. 한편, 본 연구에 활용된 교통사고 자료는 몇 가지 한계점을 지닌다. 첫째, 데이터 샘플 수의 불균형이 존재한다. 사고유형이나 특히 차종에 따른 사고건수의 차이가 있어, 사고건수가 많은 변수의 특성이 상대적으로 부각되었을 가능성이 있다. 이는 오버샘플링 또는 언더샘플링을 통해 변수 간 샘플 차이를 최소화하는 과정이 필요하다. 둘째, 명목형 변수로만 구성되어 있어 연령과 같은 연속적인 순서형의 특징을 고려할 수 없으므로 분석 과정에서 정보가 손실될 수 있다는 한계점이 있다. 향후 연구에서는 연속형 변수를 수집하거나 더욱 세분화된 범주로 기록된 데이터를 확보할 필요가 있다. 또한 연속형 데이터 확보에 한계가 있을 경우에는 군집분석이나 머신러닝 기법 등을 이용하여 데이터 특성을 고려한 적정 연령대 구간을 설정함으로써 분석 결과의 신뢰성을 확보하는 것이 필요하다. 셋째, 본 연구에서 활용한 교통사고 자료는 사고가 발생한 상황에 대한 정보만을 내포하고 있으며 사고가 발생하지 않은 상황에 대한 정보는 수집되지 않는다. 다각적인 안전성 평가를 위해서는 사고 발생 상황과 사고 미발생 상황에서 차량 또는 보행자의 행태 차이를 분석할 필요가 있다. 마지막으로 실내·야외·노면 주차장 등 주차 위치나 면적, 주차면 수, 차로 폭 등 주차장의 형태는 다양하지만 본 연구의 분석 자료는 이러한 요소들을 고려하지 못하였다. 사고 발생 주차장 정보에 대한 자료를 추가적으로 수집하여 주차장 형태별 사고 심각도 영향 요인을 도출한다면 각기 다른 주차 환경에 최적화된 운영·관리 방안과 안전성 개선 대책을 마련할 수 있을 것이다. 다목적 CCTV나 주차장 CCTV를 통해 영상자료를 수집하고 영상 기반의 주행행태 추출이 가능하다면 주차장 내에서 차량 또는 보행자의 주행행태를 기반으로 사고 전·후의 잠재적인 위험 행태를 파악하여 위험상황을 선제적으로 파악할 수 있을 것이다.
