서론
스쿨존 ‧ 실버존 관련 선행연구 고찰 및 본 연구의 차별성
제주도 교통약자 보호구역 운영 현황 및 OBU 데이터의 구조
1. 제주도 교통약자 보호구역 운영 현황
2. 제주도 C-ITS 및 OBU 데이터의 구조
제주도 스쿨존 ‧ 실버존 지정의 실효성 규명
스쿨존 ‧ 실버존의 감속 유도에 영향을 끼치는 공간적 요소 분석
1. 이항 로지스틱 모형 적용 방안
2. 분석에 활용한 변수의 목록 및 산정 방안
3. 기초 데이터의 기술 통계 및 평균 비교
4. 이항 로지스틱 모형 구축 결과
연구의 결론 및 한계
서론
교통약자 보호구역이란 어린이, 노인, 장애인 등을 교통사고의 위험으로부터 보호하기 위하여 해당 시설 주변도로의 차량 속도를 제한하거나, 교통안전시설물을 설치하는 곳을 의미한다. 이중 어린이 보호구역(스쿨존)은 유치원, 초등학교 등의 시설을 대상으로 하며, 노인 보호구역(실버존)은 양로원, 경로당, 노인복지시설 등을 대상으로 지정 및 운영되고 있다. 그러나 교통약자 보호구역 지정이 실제 차량 속도 감속 유도에 어느 정도 효과를 줄 수 있는지에 대한 연구는 상대적으로 미흡한 상황이다. 실제로 스쿨존의 경우, 최근 민식이법이 제정되는 등 어린이보호구역 교통사고에 대한 관심이 많아지며 여러 교통안전 정책이 수립하고 있으나, 2019년 스쿨존 내 교통사고 건수는 567건으로 오히려 2018년 기준 435건에 비하여 30% 가량 증가한 것으로 나타났다(TAAS 교통사고분석시스템). 한편 실버존의 경우에는 스쿨존에 비하여 정책적 관심이 부족하여 보호구역내 사고의 증감을 파악할 수 있는 통계조차 공표되지 않고 있어, 보호구역 지정의 실효성을 판단하기가 더욱더 어려운 실정이다.
이러한 관점에서 볼 때, 제주도의 C-ITS 시범사업 데이터의 존재는 고무적일 수 있다. 시범사업의 한 사례지역인 제주도의 경우, 섬 지역으로 C-ITS 단말기의 통제가 가능하며, 렌터카 등록대수가 2만 9천 대(2015년 기준)에 달하는 등, 렌터카 단말기1) 보급에 최적인 것으로 판단되어 C-ITS 실증사업 선정되었다. 2018년 6월 착수 이후, 2021년 3월 준공을 목표로 사업이 진행되고 있으며, 사업 내용에는 3개년도 동안 노변 기지국 35개소, 차량단말기 3,000대, CCTV 5식, 돌발상황검지기 4식, 보행자검지기 2개소, 기상정보수집장치 2개소, 표준신호제어기 16식, 무선신호제어시스템 37식, 주차정보제공시스템 1개소 등 하드웨어를 설치하는 것이 포함되어 있다. 이러한 장비로 수집된 데이터는 도로 통제정보 알림, 위치기반 교통정보 제공 등을 제공하기 위한 서비스 개발에 활용되고 있으며, 이중 안전에 관련되어 제공되는 서비스는 Table 1과 같다. 특히, 감속 유도를 위한 도로위험상황 알림과 스쿨존 ‧ 실버존 정보의 경우 비교적 시스템 개발이 고도화된 상태이며 알림 전후의 차량과 운전자 주행행태를 알 수 있도록 정형화된 구조로 데이터가 수집되고 있다.
Table 1.
Jeju C-ITS demonstration project site and safety applications
본 연구에서는 제주도 C-ITS 및 차량 OBU 데이터를 활용하여, 제주도의 교통약자 보호구역(스쿨존 ‧ 실버존) 지정의 실효성을 규명하고, 그 밖에 보호구역의 감속 유도에 영향을 끼칠 수 있는 공간적 요인을 이항 로지스틱 모형을 활용하여 살펴보고자 한다. 차량 개별 OBU 데이터를 활용한다는 점에서 링크의 평균속도를 활용하여 분석한 기존 연구(Kim et al., 2018)와 차별성이 있을 것으로 판단되며, 제주에 있는 거의 모든 교통약자 보호구역(스쿨존 ‧ 실버존)을 대상으로 하기 때문에 분석 결과의 대표성도 보장될 수 있을 것으로 판단된다.
본 연구의 순서는 다음과 같다. 먼저 실버존 ‧ 스쿨존에 관련된 기존 연구를 고찰한 후, 본 연구의 차별성을 언급한다. 두 번째로 분석 대상이 되는 제주 C-ITS 데이터와 OBU 데이터의 구성을 설명한다. 세 번째로 운전자 순응도의 개념을 적용하여 실버존 ‧ 스쿨존 지정의 실효성을 판단한다. 마지막으로 각 실버존 ‧ 스쿨존에 구득이 가능한 공간 변수를 조인한 후, 이항 로지스틱 모형을 활용하여 준수율 향상에 영향을 끼칠 수 있는 공간적 요소를 발굴한다.
1) OBU(On-board Unit)는 차량에 부착되어 노변기지국과의 통신을 통해 차량운행기록을 실시간으로 저장하는 단말기이며, 차량의 위치정보, 주행속도, RPM, 자동차상태, 브레이크 신호, 방위각, 가속도 등이 기록 ‧ 저장됨(KT Consortium, 2018).
스쿨존 ‧ 실버존 관련 선행연구 고찰 및 본 연구의 차별성
교통약자 보호구역에 대한 연구는 속도와 각 존의 공간 특성 및 운전자 특성 등과의 관계를 살펴보는 것이 대부분을 차지하고 있다. 각 연구 별로 분석의 공간적 범위에는 다소 차이가 있으나, 차량의 속도와 각 변수는 스피드 건등을 활용하여 차량 단위로 직접 조사한 자료를 활용하거나, 각 도로 링크의 평균 속도를 활용한다는 점에서는 공통점이 있다. 먼저 차량단위로 직접 조사한 자료를 활용하여 분석한 선행연구는 아래와 같다.
Ellison et al.(2011)에서는 시드니에 거주하는 147명을 대상으로 GPS 데이터, 인구통계 및 심리 설문조사 데이터를 활용하여 스쿨존의 속도 준수 행태를 분석하였다. 적은 표본의 한계로 결과 해석에 주의해야 한다고 언급하였으나, 일반적인 공익 광고를 통하여 속도를 줄이려는 것보다 스쿨존으로 지정하는 것이 속도 감속에 더 효과가 있다고 주장하였다. Kattan et al.(2011)에서는 캐나다 캘거리 시에서 무작위로 선택한 11개의 학교와 16개의 놀이터를 대상으로, 4,580대의 차량 속도를 직접 조사하여 어린이 보호구역의 속도를 분석하였다. 속도를 종속변수로 설정하고, 어린이의 유무, 차로수, 펜스 존재 등 각 스쿨존의 공간적 요소를 독립변수로 하는 회귀분석을 수행하였는데, 차로수가 작을수록, 도로 교통 통제 장치가 있을수록, 도로 펜스가 있는 도로인 경우, 속도 준수율이 높아지는 것으로 나타났다. Lee et al.(2012)에서는 전국 33개 초등학교를 대상으로 구간통행속도와 각 스쿨존의 기하학적 특성을 조사한 후, ANOVA를 활용하여 각 기하학적 특성에 따른 속도 차이를 살펴보았다. 분석 결과, 과속방지턱, 고원식 횡단보도 등의 시설물이 차량속도를 감속시키는데 유의한 것으로 나타났다.
Won(2013)에서는 실버존을 이용하는 노인을 대상으로 90부의 설문조사 결과를 통하여 노인보호구역의 만족도와 각 노인보호구역의 공간적 요인간의 다항 회귀분석을 수행하였다. 분석 결과, 보도침범 예방시설, 주정차 카메라 등과 같은 주정차 금지시설 유무가 노인보호구역의 만족도에 가장 큰 영향을 끼치는 것으로 나타났다. Zhao et al.(2016)에서는 운행행태 시뮬레이션을 활용하여 어린이 보호구역 안내 표지판과 노면 안내표지 등과 같은 시각적 경고 표지판의 감속유도 효과를 살펴보았다. 분석 결과, 플래쉬 비콘, 전방 횡단보도 경고 표지, 속도 감속 및 횡단보도 주의 표지 등이 속도 감속에 효과적인 것으로 나타났다. Kim et al.(2017)에서는 스쿨존을 대상으로 가변형속도제한표지 및 비콘을 설치하여 설치 전후의 통행속도를 분석하였다. 분석 결과, 가변형속도제한표지는 감속유도에 효과적인 것으로 나타났으나, 비콘의 경우에는 오히려 통행속도가 증가하는 현상이 도출 되었다. 한편, Lim et al.(2020)에서는 스쿨존 한 곳을 대상으로 3,378대의 차량 속도를 측정하였으며, 관문형안전표지 설치를 통한 규정속도 준수 여부를 살펴보았다.
다음으로 도로 링크 별 평균통행속도롤 활용하여 분석한 사례는 다음과 같다. Kim and Kim(2017)에서는 교통약자 보호구역을 대상으로 한 연구는 아니지만, 인천광역시 도시교통정보시스템에서 수집된 도로의 평균속도를 활용하여 통행속도 예측 모형을 개발하였다. 분석 결과, 중앙분리시설, 버스주정차대, 유턴차로가 있을 경우, 통행속도가 증가되는 것으로 나타났다. 또한, Kim et al.(2017)에서는 마찬가지로 인천광역시 도시교통정보시스템 데이터의 속도를 기반으로 스쿨존의 데이터를 발췌해낸 후에 이항로짓모형을 활용하여 속도의 준수여부를 분석하였다. 고원식 횡단보도, 과속방지턱, 이미지과속방지턱, 노면요철포장, 적색포장, 노면주차장 유무 등이 규정 속도 준수 여부에 영향을 끼치는 것으로 나타났다.
지금까지 살펴본 선행연구를 종합적으로 고려해볼 때, 차량개별 단위로 분석 한 경우에는 조사 비용과 시간의 한계로 상대적으로 적은 표본을 대상으로 연구되었음을 확인할 수 있다. 반면 평균통행속도를 활용한 경우에는 상대적으로 공간적 범위가 커서 대표성을 가질 수 있으나, 차량 단위에서 미시적으로 결과를 살펴볼 수 없다는 한계가 있다. 이러한 점에서 본 연구에서 분석에 활용하는 제주 C-ITS 및 OBU 데이터는 차량 단위로 데이터를 분석할 수 있으며, 공간적 범위 측면에서도 제주시 전체를 대상으로 할 수 있다는 강점이 있을 것으로 판단된다. 또한, 기존 연구에 활용한 데이터는 운전자가 실제로 해당 구간을 교통약자 보호구역으로 인지하고 있는지 판단할 수 없어 지각하지 못하여 야기된 규정 속도 미준수를 배제할 수 없으나, 본 OBU 데이터는 교통약자 보호구역 알림을 직접 알려준 후, 순응 여부를 판단하기 때문에 보다 정확한 결과를 도출할 수 있을 것으로 판단된다.
제주도 교통약자 보호구역 운영 현황 및 OBU 데이터의 구조
1. 제주도 교통약자 보호구역 운영 현황
현재 제주도에서는 229개의 스쿨존(2018년 기준)과 71개의 실버존(2019년 기준)이 운영되고 있으며(Figure 1), 데이터를 구득한 기간의 규정 속도는 50km/h2) 로 지정되어 있다. 보호구역의 공간적 분포를 살펴보았을 때, 실버존의 경우 해안선을 따라 고르게 분포해 있는 반면, 스쿨존의 경우, 제주 남북에 위치한 동(洞)부에 주로 위치하고 있음을 알 수 있다. C-ITS 알림 시스템에서는 차량이 현재 운영되고 있는 스쿨존 ‧ 실버존의 300m 반경에 진입하게 되면 운전자에게 교통 약자 보호구역에 진입하였음을 알리게 된다. 이러한 알림과 동시에 차량 OBU에서는 진입전과 진입후의 차량 속도, 위치 등을 저장하게 되고, 이를 활용하여 운전자가 어느 곳의 교통약자 보호구역에서 감속하였는지 여부를 판단할 수 있다.
2) 제주특별자치도지방경찰청 무인교통단속카메라의 규정 속도의 경우, 50km/h로 기재되어있음.
2. 제주도 C-ITS 및 OBU 데이터의 구조
제주 C-ITS 센터에서 수집되는 OBU 데이터의 구조는 Table 2와 같다. 각 알림서비스로 인한 운전자 주행 행태 변화는 이벤트 컬럼의 구분 코드를 활용하여 산정이 가능하다. 예를 들어, 각 개별 차량별로 스쿨존 진입(3004)에 해당하는 이벤트의 속도와 스쿨존 내(3005)에 해당하는 이벤트의 속도를 비교하면, 스쿨존 전 후의 속도 변화를 파악할 수 있으며, 실버존 진입(3007)과 실버존 진입후(3008)의 속도를 비교하면, 실버존 전 후의 속도 변화를 파악할 수 있다.
Table 2.
OBU data descriptions
Table 3과 같이, 분석에 활용된 데이터는 2020년 4월 2일부터 2020년 5월 10일 간의 데이터를 활용하였으며, 주차로 의심되는 경우(기어가 R로 바뀐 경우), 적색 신호로 인하여 정지한 것으로 의심되는 경우(스쿨존 내, 실버존 내, 추돌경보 이후의 속도가 0인 것이 지속되는 경우)를 제외한 스쿨존 알림 51,296건, 실버존 알림 22,558건을 분석 대상으로 하였다.
Table 3.
OBU data quantity by date
Table 4.
Result of driver compliance rate for school and silver zones
Figure 2와 같이, 분석 대상의 날짜별 이벤트 발생 건수를 살펴본 결과, 5월 1-3일 경에 가장 많은 데이터가 수집된 것을 확인할 수 있었는데, 이는 5월 황금연휴 기간에 관광객이 증가함에 따라 OBU가 부착된 렌터카의 운행도 증가했기 때문인 것으로 판단된다.
제주도 스쿨존 ‧ 실버존 지정의 실효성 규명
각 이벤트 알림 전후의 속도 감소 효과를 파악하기 위하여 운전자 순응이란 개념을 적용하였다. 운전자 순응도는 Korea Expressway Corporation(2019)에서 고속도로의 C-ITS 효과를 정량적으로 산정하기 위하여 활용한바 있다. Korea Expressway Corporation(2019)에서는 감속 여부만으로 순응 여부를 판단하는 것은 한계점이 존재하나 속도의 변화를 분석하는 것은 C-ITS 서비스 효과분석 측면에서 가장 필수적인 요소라고 언급하였다. 이벤트에 대한 순응은 각 운전자가 이벤트 알림 후, 속도의 감속 여부로 정의하였으며, 이를 각 이벤트 별로 집계하여, 각 알림에 대한 순응도를 계산하였다. 예를 들어, 전체 스쿨존 이벤트건수 10,000건 중 알림 후에 감속한 건수가 5,000건이라면 운전자 순응도는 50%가 된다.
위와 같이 정의된 운전자 순응도 개념을 활용하여, 스쿨존과 실버존의 운전자 순응도(운전자 순응도1)를 산정한 결과, 아래와 같이 스쿨존의 순응도는 52.3% 수준인 것으로 나타났으며, 실버존의 순응도는 54.8% 수준 인 것으로 나타났다. 이는 상대적으로 적은 수치로 생각될 수도 있으나, 알림 경고 전 규정 속도 이하인 표본을 제외하여 분석하면(운전자 순응도2) 스쿨존의 순응도는 81.9%, 실버존의 순응도는 79.5% 수준으로 올라간 것을 확인할 수 있다. 여기서 확인할 수 있는 점은 운전자 순응도1의 개념으로 접근하면 스쿨존의 순응도가 실버존에 비하여 낮은 것으로 나타나지만, 운전사 순응도2의 개념으로 접근하면 스쿨존의 순응도가 더 높은 것으로 나타난다는 점이다. 이러한 경향이 발생하는 이유는 스쿨존의 경우에는 보호구역 알림 전에도 이미 속도를 낮게 유지하는 경향이 많기 때문인 것으로 해석할 수 있다. 실제로 스쿨존의 알림전 평균속도를 살펴본 결과 43.5km/h로 계산되었으며, 실버존의 알림전 평균속도는 49.0km/h로 계산되어 알림전 속도에 차이가 있는 것으로 확인되었다. 또한 스쿨존에서 알림전 규정속도 이하 건수도 전체의 40.1%로 실버존 34.4%에 비하여 높은 것으로 나타났다. 즉, 스쿨존의 인근 지역에서는 실버존에 비하여 알림 전이라도 저속으로 운전하려는 경향이 있는 것으로 추론할 수 있다. 그러나 그 영향이 민식이 법 등으로 운전자들이 더욱 주의하여 운전하기 때문에 야기된 것인지, 아니면 스쿨존이 상대적으로 차량이 많아 통행속도가 적은 동(洞)부에 많이 위치하고 있기 때문인지는 추가적인 연구가 필요할 것으로 판단된다.
스쿨존 ‧ 실버존의 감속 유도에 영향을 끼치는 공간적 요소 분석
1. 이항 로지스틱 모형 적용 방안
앞서 운전자 순응도1의 개념을 활용하면, 각 이벤트 별로 감속하였는지 여부를 0과 1로 표기하여 데이터를 구축할 수 있다. 또한 이벤트가 발생한 위치정보(위 ‧ 경도)를 통하여 본 이벤트가 어느 교통약자 보호구역(스쿨존 ‧ 실버존)에서 발생한 것인지 알 수 있다. 따라서 각 스쿨존 ‧ 실버존의 공간적 특성을 이벤트 정보에 변수화하여 조인할 수 있으며, 그 결과로 차량 관련 변수와 공간 관련 변수를 반영하여 감속 여부를 판단할 수 있는 이항 로지스틱 모형 구축이 가능해진다. Figure 3은 차량 및 공간 관련 변수의 예를 나타내고 있다.
본 분석에 적용할 이항 로지스틱 모형의 개념은 다음과 같다. 이항 로지스틱 회귀모형은 0, 1과 같이 앞서 언급한 본 데이터의 형식과 같이 두 개의 값만을 가지는 종속변수와 독립변수들 간의 인과관계를 로지스틱 함수를 이용하여 추정하는 통계기법이다(Park et al., 2016). 이러한 개념을 Equation 3의 로지스틱 함수에 적용하면 는 각 이벤트의 차량 관련 변수와 공간 관련 변수가 되며, 각 는 각 변수가 운전자 감속에 양의 영향을 끼치는지 부의 영향을 끼치는지 판단할 수 있는 계수가 된다.
여기서, : 운전자가 감속할 확률(0-1 사이의 값)
: 각 이벤트에 해당하는 독립변수
: 정산된 각 독립변수의 파라미터
2. 분석에 활용한 변수의 목록 및 산정 방안
이항 로지스틱 모형의 적용에 앞서, 각 이벤트의 차량 여건과 공간 여건을 대표할 수 있는 독립변수를 선별하고 가공해야한다. 앞선 선행 연구 검토 결과, 버스 주정차대, 고원식 횡단보도, 차로수 등 차량 주행에 직접적으로 영향을 끼칠 것으로 예상되는 변수를 활용하여 교통 약자 보호구역에서의 속도를 분석한 것으로 나타났다. 정밀한 분석을 위해서는 각 이벤트별 위치를 추적하여 실제로 주행한 도로 공간을 조사하여 변수화해야 하지만, 스쿨존 51,296개 이벤트와 실버존 20,895개의 이벤트를 직접 확인하여 변수화하는데는 시간적으로 한계가 있으며, 본 연구에서 변수 작성에 활용한 KTDB 도로망 데이터의 경우, 낮은 위계의 도로가 누락된 곳이 많아 변수화하기에 한계가 있는 것으로 나타났다. 따라서 본 분석에서는 공간 관련 변수 가공에 있어 위 Figure 3과 같이 각 교통 약자 보호 시설을 중심으로 300m 버퍼를 도식한 후, 해당 버퍼 내에 있는 공간 변수를 집계하여 변수화 하였다. 최종적으로 가공된 변수 목록과 산정 과정은 Table 5와 같다. 여기서 공간 관련 변수들은 공공데이터 포털에서 제공하는 제주도 POI데이터3)(2019년 10월 7일까지 갱신)와 국가교통 DB의 2018년 기준 도로망 GIS DB를 활용하여 산정하였다. 이중 차로수, 중앙분리대, 대중교통전용차로의 경우, 각 도로 구간별 연장이 다르고 해당 스쿨존 ‧ 실버존 내 대표할 수 있는 값으로의 변환이 필요하기 때문에 각 도로 구간의 연장에 따라 가중평균하여 산정하였다.
3) Point Of Interest의 약자로 관심지역 정보를 의미.
Table 5.
Selected variables for analysis
3. 기초 데이터의 기술 통계 및 평균 비교
모델링에 앞서 채택된 변수를 산정한 후, 알림에 순응하여 감속한 집단과 감속하지 않은 집단으로 나누어 T-검정을 진행하였다. T-검정은 두 집단의 평균 차이가 통계적으로 유의미한지 여부를 살펴보는 기법으로 유의 확률(p-value)이 기준 유의 수준(0.01) 보다 작은 값이 나오게 되면 두 평균 간의 차이가 해당 유의 수준 상에서 유의미하다고 해석할 수 있다.
Table 6에서 제시된 바와 같이, 먼저 스쿨존의 경우, 알림 전 차량속도, 과속 단속 카메라의 유무, 도로 교차점의 수, 평균 대중교통전용차로 연장이 유의 수준 0.01에서 유의미한 차이가 있는 것으로 나타났다. 알림전 차량속도와 과속 단속 카메라의 유무는 감속하는 집단에서 큰 값을 나타냈으며, 도로 교차점의 수와 평균 대중교통전용차로 연장은 감속하지 않은 집단에서 큰 값을 나타냈다. 일반적으로 알림전 차량속도가 높고 과속 단속 카메라가 있는 경우에 운전자가 순응률이 높아진다는 것은 논리적일 것으로 판단되지만, 차량 주행에 방해가 되는 도로 교차점의 수와 평균 대중교통전용차로 연장이 클수록 운전자의 순응이 낮아진다는 것은 다른 해석이 필요할 것으로 보인다. 이는 Figure 4를 통하여 해석할 수 있을 것으로 판단된다. 왼쪽의 그림은 도로 교차점의 수와 알림전 차량속도와의 산포도이며, 오른쪽의 그림은 평균 대중교통전용차로 연장과 알림전 차량속도와의 산포도이다. 산포도에서 볼 수 있듯이 교차로와 대중교통전용차로 연장이 적은 경우에 초기속도가 작아지는 패턴을 확인할 수 있다. 즉, 차량 속도에 부의 영향을 끼칠 것으로 판단되는 교차로와 대중교통전용차로 연장이 알림전 차량 속도가 처음부터 낮아지도록 영향을 주기 때문에 운전자가 알림을 받더라도 감속하지 않게 되는 결과를 야기하게 된 것으로 볼 수 있다.
Table 6.
T-test results
| Variable | Sub-group | School zone | Silver zone | |||||||
| Mean |
Standard deviation | t-statistics | p-value | Mean |
Standard deviation | t-statistics | p-value | |||
|
Vehicle- related variable |
Vehicle speed before notification |
Decelerating after notification | 55.1078 | 17.7925 | 156.9605*** | 0.0000 | 59.5038 | 14.5378 | 106.4334*** | 0.0000 |
|
Not decelerating after notification | 30.7856 | 17.2848 | 36.2108 | 16.6711 | ||||||
|
Space- related variable based by poi data |
Presence of speed enforcement camera |
Decelerating after notification | 0.3697 | 0.4827 | 23.9917*** | 0.0000 | 0.2838 | 0.4509 | 22.2342*** | 0.0000 |
|
Not decelerating after notification | 0.2715 | 0.4447 | 0.1583 | 0.3651 | ||||||
|
Presence of on-road parking lot |
Decelerating after notification | 0.2251 | 0.4177 | 1.2599 | 0.2077 | 0.0036 | 0.0597 | -0.0295 | 0.9764 | |
|
Not decelerating after notification | 0.2205 | 0.4146 | 0.0036 | 0.0599 | ||||||
| # of bus-stations |
Decelerating after notification | 3.8286 | 1.9252 | -0.1182 | 0.9059 | 3.4864 | 2.1189 | -0.5572 | 0.5774 | |
|
Not decelerating after notification | 3.8307 | 1.9391 | 3.5028 | 2.1211 | ||||||
|
Space- related variable based by network data | # of intersections |
Decelerating after notification | 7.3291 | 7.8827 | -18.1883*** | 0.0000 | 7.5050 | 8.1201 | -7.8424*** | 0.0000 |
|
Not decelerating after notification | 8.7694 | 9.8350 | 8.4940 | 9.7871 | ||||||
|
# of road property changing spots |
Decelerating after notification | 2.1167 | 1.4527 | 0.5447 | 0.5859 | 1.4944 | 1.4293 | 24.7852*** | 0.0000 | |
|
Not decelerating after notification | 2.1091 | 1.6679 | 1.0462 | 1.1847 | ||||||
| # of signals |
Decelerating after notification | 1.2875 | 1.0460 | 0.5647 | 0.5723 | 1.0184 | 0.9667 | 8.2923*** | 0.0000 | |
|
Not decelerating after notification | 1.2821 | 1.1335 | 0.9100 | 0.9178 | ||||||
|
Average number of lanes (weighted average of road length) |
Decelerating after notification | 2.7969 | 0.7604 | -0.4652 | 0.6418 | 2.8032 | 0.6017 | 8.0966*** | 0.0000 | |
|
Not decelerating after notification | 2.7999 | 0.7229 | 2.7367 | 0.5820 | ||||||
|
Presence of median barrier (weighted average of road length) |
Decelerating after notification | 0.2134 | 0.2323 | 0.5523 | 0.5807 | 0.2790 | 0.2391 | 9.8040*** | 0.0000 | |
|
Not decelerating after notification | 0.2122 | 0.2534 | 0.2480 | 0.2173 | ||||||
|
Average length of bus lane (weighted average of road length) |
Decelerating after notification | 0.0050 | 0.0385 | -5.3913*** | 0.0000 | 0.0000 | 0.0018 | 1.0000 | 0.3173 | |
|
Not decelerating after notification | 0.0069 | 0.0412 | 0.0000 | 0.0000 | ||||||
다음으로 실버존의 경우, 알림전 차량속도, 과속 단속 카메라의 유무, 도로 교차점의 수, 도로 속성 변화점의 수, 신호등의 수, 평균 차로수, 평균 중앙분리대 유무가 유의 수준(0.01)에서 유의미한 차이가 있는 것으로 나타났다. 이 중에서 스쿨존과 달리 통계적으로 유의한 것으로 도출된 변수는 도로 속성 변화 점의 수, 신호등의 수, 평균 차로수, 평균 중앙분리대 유무가 해당되며, 감속한 집단에서 높은 값을 보이는 것으로 나타났다. 주목해야할 점은 도로 속성 변화점의 수가 도로 교차점의 수와 달리 감속하는 집단에서 큰 값으로 도출되었다는 것이다. 이는 도로 속성 변화점의 특징에서 기인하였다고 볼 수 있다. 도로 속성 변화점은 도로 성능이 악화되는 지점뿐만 아니라, 제한속도와 차로수 증가 등 도로의 성능이 개선되는 쪽으로 변화되는 노드도 반영된다. 따라서 도로 교차점의 수와 달리 알림전 차량 속도를 증가시킬 수 있다. 실제로 Figure 5와 같이 도로 속성 변화 점의 수는 미세하지만 알림전 차량속도와 양의 관계를 갖는 것으로 나타났다. 마찬가지로 신호등의 수, 평균 차로수, 평균 중앙분리대 유무도 알림전 차량속도와 양의 관계를 보였기 때문에 감속하는 집단에서 큰 값이 도출된 것으로 보인다.
4. 이항 로지스틱 모형 구축 결과
T-검정에서는 스쿨존 ‧ 실버존에서 감속한 집단과 감속하지 않은 집단으로 구분한 후, 각 변수의 평균을 각각 비교해보았다. 본 분석에서는 앞서 언급한 이항 로지스틱 모형을 활용하여 운전자의 감속에 영향을 끼치는 요인을 종합적으로 분석해보고자 한다.
앞서 선정된 변수를 이항 로지스틱 모형에 적용함에 있어 와 를 단순 선형 결합 형태로 곱하는 것이 적정한지 판단해보았다. 아래와 같이 단순 알림전 차량속도와 단속카메라 유무만을 반영하여 이항 로지스틱 모형을 정산한 결과, 스쿨존을 대상으로 정산한 모형에서 단속카메라 유무의 계수가 음수 값으로 나타났다. 즉, 단속 카메라가 있는 경우에 오히려 감속을 하지 않는다는 결과를 의미하는데, 이는 위의 T-검정 결과 및 일반적인 상식에 부합하지 않는다. 그 원인은 알림전 차량속도가 이미 규정 속도 아래인 경우가 포함되었기 때문으로 볼 수 있다. 이미 차량속도가 규정속도 미만으로 주행하는 경우, 과속 단속 카메라가 있더라도 감속에 영향을 준다고 볼 수 없는 것이다.
따라서 본 분석에서는 단속카메라 유무 변수가 규정속도를 초과한 표본에서만 작동할 수 있도록 상호작용 변수(Interaction variable)를 적용하였다. 즉, Equation 4와 같이 규정속도를 초과한 경우를 1로 더미변수화한 후, 단속카메라 유무 변수와 곱하여 최종 변수로 적용하였다. Table 7은 이항 로지스틱 모형 구축 결과를 나타낸다.
Table 7.
Logistic regression results for vehicle speed before notification with presence of speed enforcement camera only
| Variable | School zone | Silver zone | ||||||
| Estimate | Std. Error | z-statistics | p-value | Estimate | Std. Error | z-statistics | p-value | |
| (Intercept) | -3.0882 | 0.0304 | -101.54*** | 0.000 | -4.3505 | 0.0667 | -65.23*** | 0.000 |
|
Vehicle speed before notification | 0.0784 | 0.0007 | 110.26*** | 0.000 | 0.0936 | 0.0013 | 69.39*** | 0.000 |
|
Presence of speed camera | -0.5258 | 0.0247 | -21.28*** | 0.000 | 0.0930 | 0.0436 | 2.14** | 0.033 |
| Goodness of fit |
Log-likelyhood=-25574.690 Cragg and Uhler's pseudo r-squared=0.428 |
Log-likelyhood=-9866.082 Cragg and Uhler's pseudo r-squared=0.470 | ||||||
여기서, : 운전자가 감속할 확률(0-1 사이의 값)
, : 과속단속 카메라에 해당하는 독립변수와 파라미터
: 알림전 속도가 규정속도 이상인 경우(0, 1 더미 변수)
, ... , , : 과속단속 카메라를 제외한 각 이벤트에 해당하는 독립변수와 파라미터
모든 변수를 반영한 로지스틱 모형 정산 결과는 Table 8과 같다. 각 변수를 세부적으로 살펴보면, 먼저 알림전 초기속도와 과속 단속 카메라 유무에 해당하는 파라미터는 양수로 도출되었다. 이는 속도가 높고 과속 단속 카메라가 있을수록 운전자가 감속할 경향이 높아진다는 것을 의미한다. 특히, 실버존의 파라미터가 스쿨존에 비하여 큰 값으로 도출되었는데, 이는 앞서 기술통계에서 살펴본 바와 같이 실버존의 알림전 차량속도가 스쿨존보다 높기 때문인 것으로 판단할 수 있다. 즉, 실버존의 알림전 차량속도가 스쿨존보다 높기 때문에 감속할 확률이 높아지며 그 결과로 파라미터가 큰 값으로 도출된 것으로 볼 수 있는 것이다. 과속 단속 카메라도 마찬가지로 차량속도가 스쿨전에 비하여 실버존에서 더 큰 값이 도출되었기 때문에 과속 단속 카메라가 있음으로 인한 감속 효과가 큰 것으로 볼 수 있다.
Table 8.
Logistic regression results for vehicle speed before notification with all variables
| Variable | School zone | Silver zone | ||||||
| Estimate | Std. Error | z-statistics | p-value | Estimate | Std. Error | z-statistics | p-value | |
| (Intercept) | -3.3363 | 0.0708 | -47.10*** | 0.000 | -5.2651 | 0.1725 | -30.53*** | 0.000 |
|
Vehicle speed before notification | 0.0905 | 0.0009 | 97.53*** | 0.000 | 0.1038 | 0.0016 | 63.05*** | 0.000 |
|
Presence of speed enforcement camera | 0.2653 | 0.0376 | 7.07*** | 0.000 | 0.7211 | 0.0613 | 11.76*** | 0.000 |
|
Presence of on- road parking lot | 0.0454 | 0.0270 | 1.69* | 0.092 | 0.1594 | 0.2974 | 0.54 | 0.592 |
| # of bus-stations | -0.0018 | 0.0058 | -0.32 | 0.753 | -0.0180 | 0.0086 | -2.10** | 0.036 |
| # of intersections | 0.0240 | 0.0015 | 16.05*** | 0.000 | 0.0241 | 0.0026 | 9.44*** | 0.000 |
|
# of road property changing spots | 0.0964 | 0.0075 | 12.92*** | 0.000 | 0.1337 | 0.0161 | 8.30*** | 0.000 |
| # of signals | -0.3417 | 0.0126 | -27.10*** | 0.000 | -0.2669 | 0.0249 | -10.70*** | 0.000 |
|
Average number of lanes (weighted average of road length) | -0.0184 | 0.0216 | -0.85 | 0.396 | 0.3345 | 0.0653 | 5.12*** | 0.000 |
|
Presence of median barrier (weighted average of road length) | -1.8881 | 0.0695 | -27.15*** | 0.000 | -2.3261 | 0.1699 | -13.69*** | 0.000 |
|
Average length of bus lane (weighted average of road length) | 2.0982 | 0.3130 | 6.70*** | 0.000 | 70.5162 | 626.2000 | 0.11 | 0.910 |
| Goodness of fit |
Log-likelyhood=-24225.780 Cragg and Uhler's pseudo r-squared=0.475 |
Log-likelyhood=-9348.782 Cragg and Uhler's pseudo r-squared=0.512 | ||||||
다음으로 노상주차장 관련 변수는 양수의 파라미터로 도출되었는데 스쿨존에서만 통계적으로 유의미(유의수준 0.10) 한 것으로 나타났다. 이는 스쿨존에서는 노상주차장의 차량 감속에 영향을 줄 수 있는 반면, 실버존에서의 노상주차장 입지는 차량 감속에 큰 영향을 주지 않는 것으로 해석할 수 있다. 이러한 결과가 도출된 이유는 스쿨존과 실버존이 분포하고 있는 위치 때문인 것으로 보인다. 즉 스쿨존은 상대적으로 교통이 혼잡한 동(洞)부에 위치하고 있기 때문에 노상주차장으로 인한 감속이 발생할 수 있지만, 실버존은 고르게 분포하고 있으며 차량 통행이 혼잡하지 않은 지역도 포함되기 때문에 그 곳에 노상주차장이 있다고 하더라도 차량 감속에 큰 영향을 줄 수 없는 것이다.
한편, 버스정류장의 수에 대한 파라미터는 음수로 도출되었으며, 실버존에서만 통계적으로 유의미(유의 수준 0.01)한 것으로 나타났다. 파라미터가 음수로 도출된 이유는 알림전 차량속도와 연결지어 생각해볼 수 있다. 버스정류장이 많은 교통 약자 보호구역은 알림 전부터 차량 주행에 장애를 줄 수 있고, 그 결과 버스정류장이 많아질수록 운전자가 감속할 확률이 낮아진다는 결과가 도출될 수 있는 것이다. 실제로 알림전 차량속도와 버스정류장 개수만을 반영하여 로지스틱 모형을 정산한 결과 파라미터의 크기에 차이는 있지만 음과 양의 방향은 일치하는 것으로 나타났다. 한편, 이러한 특성이 실버존에서만 나타난 이유는 실버존의 통행속도가 높기 때문인 것으로 볼 수 있다. 즉, 이미 통행속도가 적은 스쿨존에서는 버스정류장으로 인한 감속 효과를 볼 수 없는 것이다.
다음으로 도로 교차점의 수와 도로 속성 변화점의 수는 두 모형 모두 양의 파라미터가 도출되었다. 앞선 T-검정에서의 결과(알림전 통행속도와의 관계 때문에 도로 교차점의 수가 많을수록 운전자가 감속할 경향)와 달리 두 변수 모두 운전자가 감속 유도에 효과가 있는 것으로 나타났다. 이러한 결과가 도출된 이유는 T-검정과 달리 알림전 차량속도 또한 변수로 동시에 반영되었기 때문인 것으로 사료된다. 즉, 차량 소통에 부정적인 영향을 끼칠 수 있는 도로 교차점 및 속성 변화점은 알림전 차량속도와 동시에 고려된다면 운전자 감속에 긍정적인 영향을 끼친다고 볼 수 있는 것이다. 한편 스쿨존과 실버존을 구분하여 살펴보면 스쿨존 모형에서의 파라미터가 더 큰 것으로 나타났는데, 이는 스쿨존에서 도로 교차점 및 속성 변화점에 따른 운전자 감속 효과가 더 큰 것을 의미한다. 이러한 결과는 스쿨존에서 운전자가 도로 구조 변화에 따른 감속에 더욱 민감하게 반응한다는 것으로 해석할 수 있다. 그 원인으로는 ①최근 민식이법 제정 등으로 인한 운전자의 주의 증가, ②혼잡한 동(洞)부에 많이 위치한 스쿨존의 특성상 추가적인 차량 상충 발생으로 인한 운전자 민감도 증가 등이 해당될 것으로 보인다.
신호등의 수는 두 모형 모두 음의 파라미터로 정산되었다. 이는 신호등의 수가 많은 도로 공간일수록 감속할 확률이 낮아진다는 것을 의미하는데, 앞선 T-검정 평균 비교에서의 결과와 상반된다. T-검정에서 진행한 평균 비교 결과에서는 실버존에서 감속한 그룹에서의 신호등 개수가 더 많은 것으로 나타났기 때문이다. 이러한 차이는 도로 교차점 및 속성 변화점의 경우와 같이 알림전 차량속도를 동시에 고려하였는지와 관련이 있을 것으로 보인다. T-검정과 이항 로지스틱 모형의 결과 차이를 세부적으로 살펴보기 위하여 Table 9와 같이 신호등의 개수 변수만을 반영하여 로지스틱 모형을 정산한 결과, 스쿨존에서는 유의수준 0.1 수준에서 통계적으로 유의하지 않고, 실버존에서만 양의 파라미터가 정산되며 유의한 것으로 나타났다. 한편, 신호등의 개수와 알림전 차량속도를 동시에 반영한 경우에는 Table 8과 정산된 계수의 부호가 같으며, 유의수준 0.01 수준에서 통계적으로 유의한 것으로 나타났다. 따라서 모형의 적합도 측면에서 두 모형에서 모두 유의하다고 나타난 알림전 차량속도 변수가 포함된 이항 로지스틱 모형 결과가 적합할 것으로 판단된다. 신호등이 많은 도로 공간이 운전자 감속에 부정적인 영향을 끼치는 이유는 단속류에서는 차량 속도에 신호등의 영향력이 지배적이기 때문인 것으로 해석할 수 있다. 즉, 신호등이 많은 단속류 공간에서는 운전자가 교통 약자 보호구역 알림에 반응하기 보다는 신호등의 현시에 따라 가감속을 진행한다고 볼 수 있는 것이다.
Table 9.
Logistic regression results for vehicle speed before notification with # of signals and presense of median barrier
| Variable | School zone | Silver zone | ||||||
| Model 1 | Model 2 | Model 3 | Model 4 | Model 1 | Model 2 | Model 3 | Model 4 | |
| (Intercept) | 0.088*** | -2.905*** | 0.089*** | -3.104*** | 0.077*** | -4.3032*** | 0.039 | -4.394*** |
|
Vehicle speed before notification | 0.005 | 0.076*** | 0.086*** | 0.121*** | 0.095*** | 0.106*** | ||
| # of signals | -0.200*** | -0.084*** | ||||||
|
Presence of median barrier (weighted average of road length) | 0.020 | -2.202*** | 0.590*** | -2.051*** | ||||
평균 차로수는 양의 파라미터로 정산되었으며 실버존에서만 유의한 것으로 나타났다. 이는 스쿨존과 실버존의 위치적 특성에서 기인한 결과로 볼 수 있다. 동(洞)부에 밀집한 스쿨존과 달리 실버존은 교외에 입지한 경우도 많아, 차로수가 클수록 주행환경이 좋고 평균 통행속도가 높아지는 것으로 예상할 수 있다. 이와 반대로 스쿨존의 경우에는 차로수가 많더라도 혼잡한 시내구간이 혼재되어 있기 때문에 통계적으로 유의한 파라미터가 정산되지 않았다고 볼 수 있다.
평균 중앙분리대 유무는 스쿨존과 실버존에서 모두 음의 파라미터로 정산되었으며 통계적으로 유의한 것으로 나타났다(0.01 수준). Table 9에서 보이는 바와 같이 앞서 신호등 개수 변수를 검증했던 것처럼 평균 중앙분리대 유무만을 반영하여 모형을 정산한 결과, 스쿨존에서는 상수항이 유의하지 않고, 실버존에서는 평균 중앙분리대 유무가 통계적으로 유의하지 않은 것으로 나타났다. 반면 알림전 차량속도를 함께 반영한 경우에는 Table 8의 정산 결과와 부호의 방향이 같으며, 모든 변수가 통계적으로 유의한 것으로 나타났다. 따라서 알림전 차량속도를 함께 반영한 로지스틱 모형 정산 결과가 적합할 것으로 판단된다. 이러한 결과는 중앙분리대로 구분된 도로 공간에서는 운전자가 감속하지 않으려는 경향이 많다는 것을 의미한다. 그 이유는 중앙분리대에서 있는 공간에서는 차량이 주행 쾌적성이 높기 때문인 것으로 보인다. 교행하는 차로간 물리적으로 구분되어 있기 때문에 차량의 주행 편의가 높아지고, 이로 인하여 감속하려는 경향이 감소하는 것이다.
마지막으로 평균 대중교통전용차로 연장은 스쿨존에서만 통계적으로 유의하며 양의 파라미터로 정산되었다. 대중교통전용차로는 Figure 6과 같이 제주시 동(洞)부에만 위치해 있기 때문에, 교외에 많이 위치한 실버존의 모형에서는 통계적으로 유의한 파라미터가 정산되지 않은 것으로 보인다. 한편 스쿨존에서는 대중교통전용차로 연장이 많은 도로 공간일수록 운전자 감속하려는 경향이 높은 것으로 나타났는데, 이는 도로 교차점 및 속성 변화점의 경우와 같이 도로 구조 변화로 인한 운전자 감속 유도 효과로 보인다.
연구의 결론 및 한계
본 연구에서는 제주 C-ITS 데이터를 활용하여 교통약자 보호구역(스쿨존 ‧ 실버존) 지정의 운전자 감속효과를 규명하고, 이항 로지스틱 모형을 활용하여 운전자 감속에 영향을 끼칠 수 있는 공간적 요소를 살펴보았다. 개별 차량의 상태를 1초 간격으로 확보할 수 있다는 제주 C-ITS 데이터의 강점으로 기존 선행연구와 달리 많은 표본을 확보하여 분석할 수 있었으며, 알림전의 차량상태 또한 확인이 가능하여 보다 세밀한 분석이 가능할 수 있었다. 또한, 기존 분석과 달리 교통약자 보호구역 진입 알림 전후의 운전자의 감속여부를 살펴보았기 때문에 보호구역 진입을 운전자가 미인지한 경우를 배제할 수 있다는 강점도 있었다. 본 연구의 결론은 다음과 같다.
첫째, 운전자 순응도의 개념을 도입하여 살펴본 결과, 스쿨존의 순응도는 52.3%로 나타났으며, 실버존의 순응도는 54.8%인 것으로 나타났다. C-ITS 알림의 순 효과만을 살펴보기 위하여 알림 경고 전 차량 속도가 규정 속도 이하인 표본을 제외하고 분석한 경우, 스쿨존 기준 순응도 81.9%, 실버존 기준 79.5%의 순응도를 보였다. 즉, 운전자의 상당수가 교통약자 보호구역을 준수하려는 경향을 보인 것으로 결론지을 수 있었다.
두 번째, 순응도를 종속변수로 하고 교통약자 보호구역의 공간적 변수를 반영하여 스쿨존 ‧ 실버존 이항 로지스틱 모형을 각각 정산하였다. 그 결과 알림전 차량속도, 과속카메라의 존재, 도로 교차점 및 속성 변화점의 수가 스쿨존 ‧ 실버존 모형에 동시에 운전자 감속유도에 효과적인 것으로 도출되었다. 또한 신호등의 수와 중앙분리대가 존재하는 도로 공간에서는 운전자가 감속하려는 경향이 낮아지는 것으로 나타났다. 이중에서 알림전 차량속도가 높을수록 운전자가 감속할 확률이 높아진다는 것은 너무나 상식적인 이치이지만 기존 연구에서 살펴볼 수 없었던 본 연구만의 강점일 것으로 판단된다.
이러한 연구의 성과에도 불구하고 다음과 같은 연구의 한계가 있어 향후 연구가 필요할 것으로 판단된다. 먼저 차량의 특성은 반영이 가능하지만 운전자 개인 특성은 반영하지 못하였다는 한계가 있다. 본 연구에서는 이를 위한 대리지표로 알림전 차량속도를 활용하였으나 나이, 성별, 기타 심리 특성과 같은 개인 특성을 반영하지는 못하였다. 두 번째로 렌터카를 대상으로 하였기 때문에 상시에 같은 경로를 이용하는 주민 표본이 배제되었다는 한계가 있다. 경로에 익숙한 주민의 경우 본 분석의 결과와 다른 양상을 보일 수도 있기 때문이다. 마지막으로 도로 링크에 직접 접촉하지 못하고 스쿨존과 실버존으로 집계하여 변수를 구성하였다는 한계가 있다. 본 분석에서는 7만건 이상의 이벤트를 대상으로 하였기 때문에 각 경우에 맞는 변수를 세밀하게 구성하기에는 한계가 있었다. 향후 각 차량의 위치를 통하여 도로망에 직접 조인하여 분석할 수 있다면 보다 세밀한 분석이 될 수 있을 것으로 기대된다.
