Article

Journal of Korean Society of Transportation. 30 April 2022. 205-217
https://doi.org/10.7470/jkst.2022.40.2.205

ABSTRACT


MAIN

  • 서론

  • 선행연구

  •   1. 근린환경 요인에 관련한 이론 고찰

  •   2. PM 교통사고에 관련한 이론 고찰

  •   3. 연구의 차별성

  • 방법론

  •   1. 연구방법론

  •   2. 지역 선정

  •   3. 변수 설정

  •   4. 주요 분석방법론

  • 분석결과

  •   1. 기초통계 및 다중공선성 분석

  •   2. 모형 개발 및 해석

  •   3. 요인 분석 결과 시사점

  • 결론

서론

최근 교통수단의 발전과 사용환경 및 이용행태의 변화 등으로 새로운 교통수단이 등장하고 있다. 특히, 단거리 이동에 있어 도보 또는 자전거를 이용한 이동이 대부분이었던 과거와 달리 개인형 이동수단(Personal Mobility, 이하 PM)을 이용한 이동이 증가하고 있다. The Korea Transport Institute(2017)의 보고서에 따르면 국내 PM 판매량은 2017년 7.5만대 수준에서 2022년 약 20만대 이상으로 수요가 증가할 것으로 예상하였는데, 2017년 이후 국내 공유 킥보드 업체의 꾸준한 사업 확장으로 킥보드를 쉽게 접할 수 있어 많은 킥보드 탑승자들을 볼 수 있게 되었다. 국내의 기존 도로 교통 체계와 법제도는 새로운 교통수단의 등장과 발전을 따라가지 못하였고, 이는 기존 교통수단 및 체계와 지속적인 충돌과 부작용을 불러일으켰다. PM의 경우 2017년 국내 도입 후 법 제도의 제정은 2019년에 이루어졌으며 구체적인 제한 및 안전장구 착용 지시는 2020년 이후 제정되었다. 제정이 이루어지는 사이, PM은 도로와 인도 모두에서 골칫덩이가 되었고 교통사고의 발생 역시 증가하게 되었다. 따라서 PM 역시 새로운 교통수단의 하나로써 기존 교통체계 및 법제도로 발생한 문제에 정면하여 해결방안이 필요하다고 판단된다.

현재 PM 이용의 수요 증가에 따른 교통사고는 증가 추세가 나타나고 있어 경찰청에서도 2017년부터 PM 이용에 따른 교통사고를 별도로 집계하고 있다. 이에 따라 최근 PM 교통사고에 관한 연구가 지속적으로 진행되고는 있으나, 유동인구가 많으며 사람의 활동이 일어나는 지점 주변 환경인 근린환경1) 요인에 관한 세부적인 연구는 부족한 실정이다. 또한, 새로운 교통수단인 PM 도입으로 인한 안전시설물 추가 설치 우선순위 선정이나 정책 제시를 위하여 PM 교통사고에 대한 분석은 필수적이라고 할 수 있다.

근린환경요인은 국내 다수의 선행연구에서 자전거 및 보행자 교통사고에 영향을 미치는 것으로 분석되었다. 국내 ‘도로교통법’에 따르면 PM은 원동기장치자전거로 분류되고 있으며 최고속도 25km/h 미만으로 자전거의 평균 속도와 유사한 특성을 보인다. 이에 따라 PM으로 인한 교통사고 또한 자전거와 유사한 특성을 보일 것으로 예상되나 차도로만 주행해야된다고 명시된 법에 따라 PM은 자전거와 다른 주행환경 및 특성을 가지게 되어 자전거와는 다른 교통사고 발생 양상을 보일 것으로 판단된다. 따라서 PM의 운행 편의 뿐만 아니라 교통사고 수 및 사고 피해도 경감을 위해서 근린환경요인에 대한 파악이 중요하다고 생각된다.

따라서 본 연구는 PM 운행환경 및 사고에 영향을 미치는 도시 근린환경요인을 파악하는 것을 궁극적인 목적으로 한다. 이를 위해, PM 운행환경에 영향을 미칠 것으로 예상되는 도시 근린환경 요인들을 수집하여, 이 근린환경 요인들과 PM 교통사고와의 연관성을 파악하여, PM 교통사고에 영향이 큰 근린환경요인을 도출하고자 한다. 본 연구를 통해 도출되는 결과는 PM의 안전한 운행환경 조성을 위한 근린환경 개선이라는 정책적 시사점을 제시할 수 있을 것으로 기대된다.

선행연구

본 연구를 진행하기 전 PM 교통사고에 관련된 요인을 분석하거나 근린환경 요인이 교통사고에 미치는 영향에 관해 분석한 선행연구를 고찰하였다.

1. 근린환경 요인에 관련한 이론 고찰

Park and Lee(2016)의 경우 서울시를 대상으로 가로 세그먼트 단위와 공간통계모형을 사용하여 가로환경의 특성을 분석하였다. 분석결과 자동차 통행량과 유동인구 보행량은 보행자 교통사고와 밀접한 관계가 있는 것으로 나타났으며, 대중교통 시설이나 초등학교 주변, 상업가로 등 유동인구가 많은 지역에서 사고발생률이 높은 것으로 조사되었다. 더불어 어린이 보호구역과 횡단보도 역시 보행자 교통사고와 밀접한 관련성이 존재하였으며, 생활권 3지 교차로 부근에서 사고 발생률이 높다고 조사되었다.

Ko and Park(2019)은 서울시 보행자-차량 교통사고를 대상으로 보행자 사고심각도 영향 요인을 분석하였고 근린환경 특성도 변수로 사용하여 다수준 로지스틱 회귀모형을 사용하여 분석하였다. 결과적으로 교차로 및 횡단보도에서는 교통사고 심각도가 높다고 나타났으며 신호등은 보행자 교통사고 심각도에 부정적 영향을 미치었다. 미국의 시애틀을 대상으로 분석한 Chen and Zhou(2016)의 연구에서는 보행자 교통사고의 심각도가 상업지구에서 사고심각도가 높아지는 반면에 공업지구는 사고 심각도가 감소한다는 분석결과를 제시하였다. 이와 유사하게 Park(2014)은 시애틀을 배경으로 근린의 물리적 환경요인과 보행자-차량간 충돌사고와의 연관성을 계량분석 하였다. 음이항 회귀모형을 이용하여 최종 분석을 진행하였으며 위의 연구들과 같은 결과를 얻었다. Zegeer et al.(2002)의 경우 도로의 차선수가 보행자 교통사고율에 영향을 미친다고 주장하였으며 Hess et al.(2004)은 버스정거장이 보행자 교통사고와 연관성이 있음을 주장하여 Park and Lee(2016), Ko and Park(2019)과 유사한 결과를 얻었다고 할 수 있다.

Lee and Lee(2017)는 보행자 안전에 대한 다수 연구의 한계점을 보완하고자 TaaS 데이터를 이용하여 근린생활권에 해당하는 행정동 단위로 도로 네트워크 구조 지표를 포함하여 보행자 교통사고에 영향을 미치는 근린환경 특성을 분석하였다. 음이항 회귀분석을 통한 분석결과 생활권 도로의 사고율이 생활권 외 도로에 비해 1.5배 높은 것으로 나타났다.

그 외 국외 연구의 경우 Loukaitou-Sideris et al.(2007)은 로스엔젤레스의 발생 교통사고를 인구조사구역 단위로 구분하여 분석하였고 높은 인구밀도와 상업지역, 고밀도의 주거지역이 사고 유발 원인이 됨을 주장하였다. Ukkusuri et al.(2012) 연구의 경우 뉴욕의 교통사고를 전체 또는 사망자 발생 사고로 나누어 분석을 실시하였으며 상업지역과 공업지역, 학교, 환승역 주변 사고가 많음을 주장하였다. 또한 차로수가 많거나 차로의 폭이 넓을수록 사고 발생률이 높아진다고 주장하여 Zegeer et al.(2002)과 유사한 결과를 얻었음을 확인하였다.

Hwang and Lee(2018)는 서울시 자전거 교통사고를 분석하기 위해서 자전거 운전자가 피해자인 경우를 분석에 활용하였으며 자료 중 자전거 운전자가 피해자인 사고, 중상이상 사고, 경상이하 사고로 나누어 종속변수로 사용하였다. 독립변수는 크게 토지이용요인, 통행량 요인, 가로환경요인, 시설요인, 자연환경 요인 및 인프라 요인 총 6가지 요인으로 분류하여 사용하였다. 최종 분석모형으로는 음이항 회귀분석을 활용하였으며 그 결과 상업시설이 밀집되거나 토지이용 혼합도가 높은 지역, 차량의 제한속도가 높은 지역, 자전거 전용도로와 보행자 겸용도로에서 사고가 다수 발생한다는 것을 확인하였다. 이와 유사하게 자전거 교통사고와 근린환경과의 연관을 분석한 Kim et al.(2007)의 연구에서는 횡단보도와 교차로, 공업지역의 경우 자전거 교통사고 발생 가능성이 증가하며 버스 정류장은 사고발생 가능성이 감소한다고 주장하였다.

2. PM 교통사고에 관련한 이론 고찰

Han et al.(2021b)은 PM 교통사고(2017-2019)에 대하여 가해사고와 피해사고로 구분하여 도로 등급, 도로 유형, 기상 상태, 사고 유형, 주야간에 대하여 차종별로 분석하였다. 분석 결과, 가해사고와 피해사고 모두 광역시에서 전체 PM 교통사고의 50% 이상 발생하였고, 특히 서울지역의 PM 사고율은 2018년에 비해 2.6배 이상 증가한 것으로 나타났다. 또한 교차로 및 단일로, 기상상태 맑음, 평지 등의 조건에서 사고 비율이 높은 것으로 나타났다. Han et al.(2020)은 교통사고 데이터를 도로 및 환경요인, 사고특성요인, 인적요인 등으로 구분하여 순서형 프로빗 모형을 구축하였고, 이를 사고 유형별로 분석하였다. 분석 결과, 이용률이 높은 시간대와 야간 시간대의 경우 사고 심각도가 높은 것으로 나타났고, 날씨와 도로 상태 또한 사고 심각도에 유의미한 영향을 끼친 것으로 나타났다. 사고 위치의 경우, 교차로내 구간과 단일로 일반구간의 사고 심각도가 높은 것으로 나타났다. Han et al.(2021a)은 PM 교통사고 데이터를 로지스틱 다층모형을 이용하여 분석하였으며 차도폭, 교차로 변수는 사고 확률과 음의 관계를 지니고 보도폭, 생활인구 변수는 사고확률과 양의 관계를 지닌다는 것을 확인하였다. Han et al.(2020)Han et al.(2021b)의 논문은 기상상태와 사고 유형에 관하여 유의하다는 결과를 얻었으며 Han et al.(2021a)의 경우 각 변수가 상위분류 안에서 유의하다는 결과를 얻었다.

국외 분석의 경우 Cicchino et al.(2021)의 경우 조지워싱턴 대학병원에 입원한 환자들을 대상으로 사고 위치와 사고 상황을 조사하여 분석하였다. 결과적으로 도로에서 사고가 발생한 환자들은 다른 지점에서 발생한 사고 환자보다 부상 심각도가 높았으며 해당 환자들은 PM 탑승속도가 다른 환자보다 더 높은 속도를 보이는 것으로 분석되었다. Traynor Jr et al.(2021)에서는 미국 내에서 일어난 E-Scooter의 사고를 분석하였으며 나이별, 연령별, 음주여부, 부상 부위에 관하여 통계적인 분석을 진행하였다. 이와 유사하게 Sikka et al.(2019) 또한 E-Scooter의 사고로 인한 보행자의 부상 정도를 분석하였다.

3. 연구의 차별성

선행연구 검토 결과 기존 PM 교통사고에 관련된 대부분 연구에서는 도로 등급, 도로 유형, 기상상태, 사고 유형, 주야간, 차종별 등과 관련된 요인에 관련하여 분석하였으며 사고 위치를 이용한 경우 교차로 내 구간과 단일로 일반구간의 사고 심각도에 관련하여 분석하였다. 이중 Han et al.(2021a)이 분석한 PM의 사고발생 확률 추정의 경우 개인형 이동수단 교통사고 특징을 반영하는 집계단위를 설정하였다. 기존 선행연구 중 근린환경과 교통사고의 연관성을 파악한 것은 자전거와 보행자 교통사고를 중심으로 서술되었으며 도로시설, 어린이 보호구역 또는 주위에 위치한 건물의 유형에 따라 사고 특성 및 심각도가 달라진 것으로 분석되었다. 선행 연구 중 PM 교통사고와 근린환경과의 연관성을 분석한 연구의 경우 다양한 근린환경요소를 적용한 자전거 교통사고와 보행자 교통사고 분석과는 달리 인구와 도로 위의 요소에 한정하여 분석하였다는 한계점이 존재한다. 따라서 본 연구의 차별성은 다음과 같다. 첫째, 기존 선행연구에서는 PM 교통사고와 근린환경 요인의 연관성을 도로 위계와 도로 종류에 따른 사고를 예측하거나 도로 위의 요소에 한정하여 분석하였다. 이에 본 연구에서는 PM 사고 유형에 따른 구체적인 근린환경 요인에 대해 분석이 필요하다고 판단되어 인구밀도, 주차장 개수, 주차장 면수, 도로면적, 공공문화체육시설면적, 공간시설 면적, 어린이보호구역 개수를 변수로 선정하였다. 그 후 서울시 424개의 행정동에 대하여 PM 교통사고와 근린환경 요인과의 연관성을 분석하였다. 둘째, 기존 연구에서는 하나의 공간 안에서 일어난 교통사고에 대해 근린환경의 분석을 통하여 연관성을 확인하였으나 각 공간적 변수에 자기 상관성을 고려하지 못하였다. 따라서 본 연구에서는 자기상관성을 고려하여 이를 분석한다는 차별성을 가지고 있다.

본 연구를 토대로 다양한 지역의 근린환경 요소들을 대상으로 추가적인 분석 및 개선을 도모할 수 있을 것으로 판단되며 향후 PM 이용자의 안전강화 및 교통사고 저감을 위한 정책을 수립할 때 이러한 실증적 분석을 이용하여 여러 효율적인 정책을 제시할 수 있을 것이라고 기대한다.

방법론

1. 연구방법론

본 연구는 교통사고가 발생하는 위험에 대한 영향을 추정하기 위해 TAAS2)를 통해 수집된 2017-2019년 PM 교통사고 데이터 중 근린환경 외의 영향을 최소화하기 위하여 신호위반이나 우천시의 기상상태, 젖은 노면의 데이터를 제외한 285건을 대상으로 분석하였다. PM 교통사고에 영향을 미치는 근린환경요인 분석을 위해, 첫째, 서울시 열린데이터 광장에서 수집한 자료를 QGIS를 이용하여 행정동 경계 데이터와 매칭하였다. 그후 구축한 데이터와 TAAS 데이터를 행정동별로 매칭하여 최종데이터를 생성하였다. 둘째, 독립변수들의 다중공선성을 확인하여 최종 분석 대상 변수를 선정하였다. 셋째, 최종 선택된 데이터를 기반으로 로지스틱 회귀분석(Logistic regression analysis)을 사용하여 모형을 구축하였고 이를 통한 근린환경의 차이에 따른 교통사고 발생 유무에 미치는 영향을 추정하였다. 넷째, 이후 추정된 계수값의 부호(양, 음)를 토대로 교통사고가 발생하는 위험에 대한 영향을 확인한 뒤 오즈비(odds ratio) 해석을 통해 교통사고 발생위험이 얼마나 증가하는지를 확인하였다. Figure 1은 연구의 흐름을 나열한 것이다.

/media/sites/kst/2022-040-02/N0210400206/images/kst_40_02_06_F1.jpg
Figure 1

Overall methodology

2. 지역 선정

본 연구의 대상지로는 다양한 근린환경의 특성이 존재하고 PM의 이동이 많아 관련 데이터가 타 지자체에 비해 많이 축적되어 있는 서울시 424개 행정동을 대상으로 하였다. 서울시에 따르면, 2020년 기준 전국의 공유 전동킥보드 수 중 70.5%를 서울시가 차지하는 것으로 나타났다. 또한, TAAS 데이터를 활용하여 PM 교통사고(가해 및 피해, 단독사고 포함 총 교통사고 건수) 비율을 전국 PM 교통사고와 비교한 결과 Table 1과 같이 서울시가 전국 PM 교통사고에 대해 연평균 44.3%의 비율을 차지하였다. 이에 따라 분석 시 결과의 신뢰도가 높고, 전국을 대표할만한 표본이 될 지역으로 서울시를 선정하였다. 서울시는 PM이 가장 먼저 도입되었으며 근린환경이 다양하게 존재하는 만큼 PM 교통사고에 영향을 미치는 요인분석의 정확도도 높을 것으로 판단되었다. 본 연구는 서울시에서 발생한 PM 교통사고를 동별로 나누어 동별 사고 발생 여부를 종속변수로 활용하기 위해 2017년부터 2019년까지의 서울시 동별 PM 관련 사고자료를 수집하였고, PM 교통사고에 영향을 미치는 요인들로서 인구밀도, 토지이용, 가로환경, 시설요인과 관련한 데이터들을 서울시 또는 각 기초지자체 데이터베이스 등을 활용하여 수집하였다.

Table 1.

Seoul PM accident rate compared to nation wide (TAAS)

Year Nation wide Seoul Seoul PM accident rate compared to nation wide
2017 117 47 40.2%
2018 225 90 40%
2019 447 236 52.8%

3. 변수 설정

본 연구는 서울시에서 발생한 PM 교통사고를 동별로 나누어 동별 사고 발생 여부를 종속변수로 활용하였다. 종속변수인 PM 사고 발생 여부의 경우 2017-2019년의 데이터를 사용하였다. 독립변수로는 인구밀도, 토지이용, 가로환경, 시설요인으로 분류하였다.

첫째로 인구밀도의 경우 지역에 인구가 밀집하면 PM 교통사고도 많이 발생할 수 있다고 판단되어 분석에 사용하였다. 둘째로 토지이용요인은 시설의 존재에 따라 차량 및 보행자의 이동이 많아 사고로 이어질 수 있을 확률이 존재한다고 생각되어 독립변수로 활용하였다. 토지 이용 요인에는 공간시설, 도로시설, 공공문화체육시설로 구분하였으며 각 시설의 차지 면적을 산출하여 분석에 이용하였다. 공간시설은 광장, 공원, 녹지, 유원지, 공공공지로써 PM의 이용 및 주차가 편리하여 이용하는 사람이 많아 밀집이 많이 되는 곳이라고 생각되어 변수로 사용하였다. 도로시설은 각 행정동별로 존재하는 도로의 면적 넓이이며 공공문화체육시설은 공공청사, 학교, 연구시설, 문화시설, 사회복지시설, 공공직업훈련시설 등 공공의 필요성이 인정되는 체육시설, 청소년 수련시설로 데이터는 각 시설을 행정동 기준으로 구분하였으며 면적을 이용하였다. 셋째, 가로 환경 요인으로 어린이보호구역 개수를 사용하였다. 어린이보호구역 개수의 경우 어린이 보호구역은 인도와 차도의 구분이 확실한 지역이 많고 안전시설이 다수 설치되어 있어 시설의 강화에 따른 사고 발생 감소를 보여줄 수 있을 것이라 판단되어 변수로 선정하였다. 변수는 서울시 열린데이터 광장의 자료를 이용해 행정동별로 개수를 산출하였다. 넷째, 시설요인에서는 주차장 개수, 주차장 면수를 변수로 활용하였다. 이렇게 수집된 데이터의 종류 및 출처는 Table 2와 같으며 자료의 기준년도는 2019년이다.

Table 2.

Variable list

Variable Content Source
PM accidents Accidents by each town TaaS
Population density Population density (people/Km2) Seoul open
data plaza
Land use
factors
Space facility area Squares, Parks, Green spaces, Amusement parks, Public spaces
(Km2)
Road area Main movement, Transition, Distribution, Collection, Access,
Termination, Road facility other area (Km2)
Public culture sports area Areas of sports facilities and youth training facilities where
public needs are recognized, such as public buildings, schools,
research facilities, cultural facilities, social welfare facilities, and
public employment training facilities (Km2)
Landscape
factors
Number of children’s
sanctuaries specified
Number of children’s sanctuaries in each group
Facility
factor
Parking zones Number of parking zones in the town unit
(including private, public, street, off-street, construction, etc.)
Parking lot Number of parking spaces in the town unit
(including private, public, street, off-street, construction, etc.)

수집된 데이터가 QGIS 파일이나 위치정보가 포함되어 있는(X,Y좌표) Excel 형태로 존재하여 2차 가공이 필요하였다. 따라서 수집한 데이터에 대해 QGIS를 사용하여 행정동 단위로 가공한 뒤 자료를 적용하였다. 행정동 단위로 가공한 다음 m2 단위로 되어있는 면적 데이터를 Km2 단위로 변환하여 사용하였다. Figure 2는 데이터를 QGIS에 올려 매칭한 것으로 서울시 전체 데이터를 매칭한 결과물을 보여주는 것이고, Figure 3은 이를 확대하여 서초구 부분에 도로면적 데이터를 구축한 예시이다.

/media/sites/kst/2022-040-02/N0210400206/images/kst_40_02_06_F2.jpg
Figure 2

Result of Matiching Data - Total

/media/sites/kst/2022-040-02/N0210400206/images/kst_40_02_06_F3.jpg
Figure 3

Result of Matiching Data - Road

4. 주요 분석방법론

연구에 적용된 주요 방법론과 통계적 기법 활용에 대한 내용은 다음과 같다. 먼저, 수집된 변수자료들에 대해서 변수간 공선성 확인을 위해 다중공선성 분석을 수행하였다. 다중공선성은 입력변수들 간의 상관관계가 존재하여 회귀 계수의 분산을 크게 하기 때문에, 회귀 분석 시 추정 회귀 계수에 대한 신뢰도를 떨어뜨릴 수 있다. 다중 회귀 모형에서 회귀 계수란 독립변수의 변화에 따른 종속변수의 변화량을 나타내기 때문에, 설명 변수들 사이에 유의한 상관관계가 존재하는 경우, 한 설명변수를 다른 설명변수와의 함수 관계로 표시할 수 있다. 이러한 경우 회귀 계수의 분산이 증가하며, 회귀 계수 추정치가 불안하고 해석하기 어려워진다. 따라서 VIF의 값을 이용하여 판단하는데 VIF의 값이 10보다 크면 다중공선성이 있어 변수들 간 상관관계가 존재한다고 생각할 수 있다.

두 번째로, 독립변수와 종속변수간 관련성 및 각각의 독립변수가 종속변수에 미치는 영향을 분석하기 위해 로지스틱 회귀분석을 수행한다. 로지스틱 회귀분석은 회귀분석의 유형 중 하나로, 종속변수와 독립변수들 간의 인과관계를 로지스틱 함수를 이용하여 추정하는 통계기법이다. 이는 사건이 일어날 확률의 추정이 직접적으로 가능하다. 또한 다수의 독립변수를 이용하여 하나의 종속변수를 측정하여 종속변수와 독립변수사이의 관계를 파악하여 종속변수를 예측하는 방법으로써 일반적인 회귀분석과 달리 종속변수가 이분형 범주형 변수이다. 따라서 로지스틱 회귀분석은 독립변수가 명목척도나 서열척도 같이 정상적인 척도와 등간척도를 함께 사용하여 다변량 정규분포를 한다는 사실이 불분명할 때 사용하는 방법이라고 할 수 있다.

로지스틱 회귀분석은 선형이 아니고 비선형 곡선으로 나타내며 확률 추정값의 경우 변수와 상관 없이 항상 0과 1사이에 존재하게 된다. 모수의 추정은 최대 우도 추정법(Maximum Likelihood Estimation, MLE)을 이용하여 추정하며 이를 선형적인 함수로 변환하기 위하여 로지스틱 함수로 변환하게 된다. 즉, 관측된 자료가 발생할 확률을 알려지지 않은 모수들의 함수로 표현한 후, 이 함수를 최대화시킬 때 얻어진 모수들의 추정값들이 바로 최대가능도 추정량이 되는 것이다. 로지스틱 회귀분석 모형의 종속변수 Y가 0 또는 1일 때의 모형은 다음과 같다(Hosmer and Lemeshow, 2000; Kleinbaum, 1994).

(1)
π(x)=exp(β0+β1x1+βixi)1+exp(β0+β1x1+βixi)=P(y=1|x)

여기서, βi : 추정될 모수

xi : 독립변수

(2)
1-π(x)=11+exp(β0+β1x1+βixi)=P(y=0|x)

여기서, βi : 추정될 모수

xi : 독립변수

세 번째로, 본 연구에서는 오즈비(odds ratio) 해석을 통해 교통사고 발생위험이 얼마나 증가하는지를 확인한다. 오즈는 사건이 일어나지 않을 확률 대비 사건이 일어날 확률의 상대적 비율이다.

(3)
odds=π1-π

이를 사고로 예를 들면 사고발생 위험이 있는 지점에서 사고가 발생하지 않을 확률 대비 사고 발생할 확률을 나타낸 것은 X=1일 때의 오즈라고 할 수 있으며 X=0일 때와 X=1일 때의 오즈는 Equation 4, Equation 5와 같다.

(4)
X=1때의오즈=π11-π1
(5)
X=0때의오즈=π01-π0

X=0일 때의 오즈 대비 X=1일 때의 오즈의 비율을 오즈비라고 하며 Equation 6과 같다.

(6)
오즈비=π11-π1π01-π0

오즈비의 해석은 독립변수가 1단위 증가하였을 때 각 변수에 따른 종속변수의 변화가 오즈비의 배로 이루어 진다고 해석된다(Kleinbaum and Klein, 2010). 따라서 본 연구에서는 다중공선성 분석을 통해 분석하려는 변수들의 상관관계를 확인한다. 또한, 연구에 활용된 데이터의 구성이 이분형 범주로 구성되어 있고 본 연구를 통해 확인하고자 하는 PM 교통사고 발생과 근린환경과의 연관성을 살펴보기 위하여 로지스틱 회귀분석이 독립변수와 종속변수간 관련성 및 각각의 독립변수가 종속변수에 미치는 영향을 분석하는데 중점을 두기 때문에 해당 분석법을 활용한다. 따라서 PM 교통사고와 근린환경과의 관계를 살펴보며 근린환경의 변화에 따른 교통사고 발생위험이 얼마나 증가하는지는 로지스틱 회귀분석을 통해 얻을 수 있는 오즈비를 통하여 확인한다.

분석결과

1. 기초통계 및 다중공선성 분석

본 연구의 기초 통계 분석 결과와 다중공선성 분석은 Table 3과 같다. 본 연구의 공간 범위는 서울시 2019년 기준 424개의 행정동으로 구분하였으며, 종속변수인 PM 교통사고 발생 여부는 서울시 424개의 행정동 중 280개의 행정동에서 발생하였다. 인구밀도는 평균적으로 24,000.32인/Km2이며 주차장 개수와 면수는 각각 평균 741.49개가 존재, 10,025.19의 주차장 면수를 보유하고 있는 것으로 나타났다. 어린이 보호구역 개수는 각 행정동별 평균 3.93개가 존재하며 공간시설과 도로시설의 면적은 각각 평균 1.751Km2, 1.125Km2으로 나타났다. 유통시설은 가장 적은 0.013Km2의 면적을, 공공문화체육시설은 0.189Km2의 면적을 보유하고 있다. 각 변수의 연관성을 보기 위하여 다중공선성을 분석한결과 모든 변수의 VIF가 2 이하로 나타나 독립변수들 간의 상관관계가 존재한다고 볼 수 없는 것으로 나타났다.

Table 3.

Descriptive statistics of the selected variable

Variable Average Standard deviation VIF
Population density 24,000.32 11,987.706 1.177
Parking zones 741.49 550.168 1.131
Parking lot 10,025.19 6,670.546 1.370
Children’s sanctuary 3.93 2.554 1.092
Space facility area 1.751 3.740 1.154
Road area 1.125 0.921 1.278
Public cultural sports area 0.189 0.532 1.128

2. 모형 개발 및 해석

본 연구에서 활용한 모형은 로지스틱 회귀분석 모형으로 사고 발생에 유의미한 영향(90% 신뢰수준)을 미치는 설명변수를 채택하여 최종 사고 발생 모형을 추정하였다. 적합도를 판정하기 위하여 Hosmer-Lemeshow 통계량을 사용하였으며 결과는 Table 4와 같다. 분석결과 Hosmer-Lemeshow 통계량은 유의확률이 모두 p=0.876>0.05이기 때문에 적합한 모형이라고 판단가능하다.

Table 4.

Result of logistic regression analysis

Variable B S.E Wals Significance Exp (B)
Population density 0.00004 0.000 14.541 0.000*** 1.00004
Parking zones 0.00067 0.000 7.737 0.005*** 1.00067
Parking lot 0.00004 0.000 3.698 0.054* 1.00004
Children’s sanctuary 0.07371 0.046 2.519 0.112 1.0765
Space facility area 0.07151 0.036 3.988 0.046** 1.0741
Road area 0.62211 0.169 13.616 0.000*** 1.8629
Public cultural sports area -0.39693 0.225 3.118 0.077* 0.6724
Constant -2.11045 0.31 23.979 0.000 0.12118
Kai square (significance) 3.989 (0.858), -2 log likelihood 477.698, -2 log likelihood 0.144, Negelkerke R-squared 0.199

*p<0.1, **p<0.05, ***p<0.01

분석은 최대우도추정 통계량에 근거한 후진단계선택법으로 진행하였다. 후진단계선택법은 모형 내 모든 변수를 포함시킨 단계에서 시작하여 각 단계마다 변수들을 추가 또는 제거할지 여부를 판단하는 방법으로 이 과정에서 사건이 일어날 가능성인 우도를 추정하여 이 우도가 최대로 하는 기울기를 구해 이를 기준으로 제거할 변수를 선택하여 산출한다. 이렇게 산출된 모형에 관한 요약 통계량은 Table 4와 같다. 여기서 Nagelkerke R2은 독립변수들이 종속변수를 설명하는 정도를 나타내며 반응변수의 변동 중 약 20%를 로지스틱 회귀분석 모형에서 설명한다는 것을 알 수 있다.

추정된 모형을 해석하면 다음과 같다. 독립변수의 경우 모두 사고에 영향을 미치는 것으로 나타났고 어린이보호구역 개수와 공공문화 체육시설 면적을 제외한 모든 변수가 양(+)의 영향을 주어 1단위가 증가한다면 사고 발생도 증가하는 것으로 나타났다. 공공문화체육시설 면적은 음(-)의 영향을 주어 1단위가 증가한다면 사고 발생이 감소하는 것으로 나타났다. 어린이 보호구역은 PM 교통사고에 영향을 미치지 않는 것으로 나타났다. 본 연구결과에 따르면 양(+)의 영향을 주는 변수에도 사고에 유의한 영향을 미치는 차이가 존재하는 것으로 나타난다. 이는 다른 조건이 일정하다는 가정하에 성립하는 것이다. 양(+)의 변수 중 도로면적의 경우 1단위 증가로 1.8629배의 사고 위험이 증가하여 독립변수 중 사고 위험에 가장 많은 영향을 미쳤으며 공간시설 면적의 경우 1단위 증가 시 1.0741배의 사고 위험을 증가시킨다. 주차장 개소 및 면수는 각각 1단위 증가 시 1.00067배, 1.00004배 사고 위험을 증가시킨다. 인구밀도의 경우 1단위 증가 시 사고 위험을 1.00004배 증가시키는 것으로 나타났다. 음(-)의 변수도 다른 조건이 일정하다는 가정하에 공공문화체육시설 면적이 1단위씩 증가하면 0.6724배로 사고 위험이 감소하는 것으로 나타났다.

3. 요인 분석 결과 시사점

분석 결과, PM 교통사고와 연관성이 있는 근린환경은 인구밀도, 주차장 개소, 주차장 면수, 어린이보호구역 개수, 공간시설 면적, 도로면적, 공공문화체육시설 면적으로 이 중 인구밀도, 주차장개소, 주차장면수, 공간시설 면적, 도로 면적의 경우 1 단위씩 증가할수록 PM 교통사고 발생이 증가한다고 할 수 있다. 또한 공공문화체육시설 면적은 1 단위씩 증가할수록 교통사고 발생이 감소한다. 인구밀도, 주차장개소, 주차장면수, 공간시설 면적의 경우 인구의 밀집을 보여주는 곳으로 상대적으로 인구 밀집도가 높아 교통사고에 영향을 미치는 것으로 생각된다. 그중 인구밀도의 경우 인구의 밀집도를 나타내 인구가 밀집하여 교통사고가 많이 발생한다고 판단할 수 있다. 또한 주차장 개소 및 주차장 면수의 경우 사람들이 모이는 곳으로 해석 가능하며 주차 후 단거리 이동시 PM 이용이 높아 이러한 결과가 나타난 것으로 판단된다. 공간시설 면적은 광장, 공원, 녹지, 유원지, 공공공지로써 사람들의 유동량이 많아 내부에서 PM 이용량이 많은 곳이다. 또한 PM의 운행이 자유롭고 주차가 편리하여 PM을 이용한 접근 및 레저활동을 많이 하는 곳이다. 따라서 각 독립변수가 1단위씩 증가한다면 PM 교통사고가 증가하는 것이다. 도로시설의 경우 PM이 도로 통행을 하기 때문에 면적이 넓을수록 PM 교통사고가 증가한다고 판단된다. 공공문화체육시설 면적의 경우 공공시설, 문화시설, 학교 등의 시설로써 접근성이 좋은 위치에 있으며 행정동의 중심에 있는 경우가 많아 타 시설에 비해 안전시설이 많이 설치되어 1단위씩 증가할수록 사고위험이 감소하는 것으로 판단된다. 어린이 보호구역의 경우 안전시설이 다수 설치되어 있고 보도와 도로의 구분이 확실하며 차량이 모두 시속 30km/h로 저속주행한다. 그러나 PM의 제한속도가 25km/h로 어린이보호구역의 제한속도보다 적어 과속 등의 안전을 위협하는 행위를 할 수 없기 때문에 사고에 영향을 미치지 않는 결과가 나온 것으로 사료된다. 본 연구에서 얻은 모형에 대하여 분류 정확도는 Table 5와 같다.

Table 5.

Performance of logistic regression analysis

Classification Prediction
Prediction accident Classification %
0 1
Prediction accident 0 48 96 33.3
1 37 243 86.8
Total percent 68.6

각 분류 정확도에 따르면 산출된 로지스틱 회귀 분석 모형은 사고발생 확률을 예측하는 것에 대해서는 86.8%의 정확도를 보여 높은 정확도를 보이고 있다고 나타났다. 또한 사고발생확률과 미발생 확률을 포함한 전체 사고발생 유무 예측에 관해서는 68.6%의 분류정확도를 보인다. 이는 본 연구에서 산출된 모형의 정확도가 약 68.6%라는 것을 의미하는 것으로 사고 예측 정확도가 높은 것으로 판단된다.

결론

PM은 교통수단의 발전과 사용환경 및 이용행태의 변화 등으로 등장한 새로운 교통수단으로서 국내의 기존 도로 교통체계와 법제도가 등장과 발전을 따라가지 못하여 기존의 체계와 지속적인 충돌과 부작용을 불러일으켰다. The Korea Transport Institute(2017)의 보고서에 따르면 국내 PM 판매량은 2017년 7.5만대 수준에서 2022년 약 20만대 이상으로 수요가 증가할 것으로 예상하였는데, 2017년 이후 국내 공유 킥보드 업체의 꾸준한 사업 확장으로 킥보드를 쉽게 접할 수 있어 많은 킥보드 탑승자들을 볼 수 있게 되었다. 근린환경요인은 국내 다수의 선행연구에서 자전거 및 보행자 교통사고에 영향을 미치는 것으로 분석되었다. 국내 ‘도로교통법’에 따르면 PM은 원동기장치자전거로 분류되고 있으며 최고속도 25km/h 미만으로 자전거의 평균 속도와 유사한 특성을 보인다. 이에 따라 PM으로 인한 교통사고 또한 자전거와 유사한 특성을 보일 것으로 예상되나 차도로만 주행해야 된다고 명시된 법에 따라 PM은 자전거와 다른 주행환경 및 특성을 가지게 되어 자전거와는 다른 교통사고 발생 양상을 보일 것으로 판단된다. 따라서 PM의 안전한 운행환경 및 정책 제시와 교통사고 수 및 피해도 경감을 위하여 근린환경요인에 대한 파악이 중요하므로 이를 분석하여 근린환경 개선이라는 정책적 시사점을 제시하는 것을 목표로 한다.

본 연구는 PM 교통사고 발생에 영향을 미치는 요인을 규정하고 어느 정도 영향을 미치는지 로지스틱 회귀분석 모형을 통하여 연구를 진행하였다. 연구결과, 사고에 유의한 영향을 미치는 근린환경은 인구밀도, 주차장개소, 주차장면수, 공간시설 면적, 도로면적로 나타났다. 증가의 순위는 도로면적, 공간시설 면적, 주차장개소, 주차장면수, 인구밀도이다. 이는 1단위 증가 시 증가하는 사고 위험의 배를 기준으로 나열한 것이다. 공공문화체육시설 면적의 경우 1단위 증가시 사고위험이 감소하는 변수이다. 어린이 보호구역은 PM 교통사고에 영향을 미치지 않는 것으로 나타났다. 본 연구결과에 따르면 양(+)의 영향을 주는 변수에도 사고에 유의한 영향을 미치는 차이가 존재하는 것으로 나타난다.

연구 결과를 해석하자면 인구밀도, 주차장개소, 주차장면수, 공간시설 면적의 경우 인구의 밀집을 보여주는 곳으로써 인구밀도의 경우 인구의 밀집도를 나타내 인구가 밀집하여 교통사고가 많이 발생한다고 판단할 수 있다. 또한 주차장 개소 및 주차장 면수의 경우 사람들이 모이는 곳으로 해석 가능하며 주차 후 단거리 이동시 PM 이용이 높아 이러한 결과가 나타난 것으로 예상할 수 있다. 공간시설 면적은 광장, 공원, 녹지, 유원지, 공공공지로써 사람들의 유동량이 많아 내부에서 PM 이용량이 많은 곳이라고 할 수 있다. 도로시설의 경우 PM이 도로 통행을 하기 때문에 면적이 넓을수록 PM 교통사고가 증가한다고 판단된다. 공공문화체육시설 면적의 경우 공공시설, 문화시설, 학교 등의 시설로써 접근성이 좋은 위치에 있으며 행정동의 중심에 있는 경우가 많아 타 시설에 비해 안전시설이 많이 설치되어 1단위씩 증가할수록 사고위험이 감소하는 것으로 판단된다. 따라서 사고 위험이 높은 공간시설과 공간시설 근처에 사고 예방을 위해 안전 시설물 설치가 필요한 것으로 사료되며 면적이 넓은 공간시설일수록 안전 시설물 설치가 필수적이라고 판단된다. PM 등 다른 수단을 제공하는 주차장 및 근처의 도로 또한 안전시설물 추가 설치가 필요하다. 따라서 인구가 밀집되어 있으며 단거리 이동을 많이 하는 지역의 PM 운영환경 및 안전시설의 개선을 정책적 우선순위로 선정하여 운행환경 개선 및 안전시설 설치의 필요가 필요하다.

본 연구의 한계점으로는 각 시설물에 대하여 구체적으로 구분하지 못하였다는 점이 존재한다. 그리고 안전시설의 유무 또는 개수에 관한 구체적인 사항이 반영되어 분석을 진행하였다면 안전시설 설치 및 종류 따른 PM 교통사고의 발생 빈도나 영향을 파악하여 구체적인 정체적 시사점을 제시할 수 있었을 것이라고 생각된다. 또한 PM 교통사고의 다양한 내역을 수집하였지만 이를 다 활용하지 못하고 발생 유무만을 통하여 사고 위험을 예측하였다는 아쉬움이 남는다. 따라서, 향후 연구에서는 각 시설물에 대해 구체화하여 영향에 미치는 요인을 자세히 구분하고 PM 교통사고 피해/가해 비율이나 각 행정동별 발생 비율을 고려한 연구를 진행하여야 한다.

알림

본 논문은 대한교통학회 제85회 학술발표회(2021.11.10)에서 발표된 내용을 수정 ‧ 보완하여 작성된 것으로서, 2021학년도 아주대학교 정착연구비 지원에 의하여 이루어졌음을 알립니다.

References

1
Chen P., Zhou J. (2016), Effects of the Built Environment on Automobile-involved Pedestrian Crash Frequency and Risk, Journal of Transport and Health, 3(4), 448-456. 10.1016/j.jth.2016.06.008
2
Cicchino J. B., Kulie P. E., McCarthy M. L. (2021), Severity of E-scooter Rider Injuries Associated with Trip Characteristics, Journal of Safety Research, 76, 256-261. 10.1016/j.jsr.2020.12.01633653557
3
Han D. J., Kim E. J., Ji M. J. (2020), Analysis of Severity Factors in Personal Mobility (PM) Traffic Accidents, J. Korean Soc. Transp., 38(3), Korean Society of Transportation, 232-247. 10.7470/jkst.2020.38.3.232
4
Han H. D., Lee E. H., Kim D. K. (2021a), Estimating Crash Occurrence Probability of E-Scooter Using a Logistic Multilevel Model. Proceedings of the KOR-KST Conference, 247-248.
5
Han S. H., Lee C. G., Yun I. S. (2021b), Analysis of PM (Personal Mobility) Traffic Accident Caracteristics and Cause of Death, J. Korea Inst. Intell. Transp. Syst 20(1), 100-118. 10.12815/kits.2021.20.1.100
6
Hess P., Moudon A. V., Matlick J. M. (2004), Pedestrain Safety and Trasit Corridors, Journal of Public Transportation, 7(2), 73-93. 10.5038/2375-0901.7.2.5
7
Hosmer D. W., Lemeshow S. (2000), Applied Logistic Regression, New York: John Wiley and Sons. 10.1002/047172214610886529
8
Hwang S. G., Lee S. G. (2018), Analysis of Neighborhood Environmental Factors Affecting Bicycle Accidents and Accidental Severity in Seoul, Korea, Journal of Korea Planning Association, 53(7), 49-66. 10.17208/jkpa.2018.12.53.7.49
9
Kim E. C., Oh J. T., Kim M. S. (2007), A Study on Crash Causations for Bicycles in Signalized Intersections Using Non-linear Regression Models, Journal of Korea Planning Association, 42(3), 261-272.
10
Kleinbaum D. G. (1994), Logistic Regression: A Self-Learning Text, Springer-Verlan, New York. 10.1007/978-1-4757-4108-78036963
11
Kleinbaum D. G., Klein M. (2010), Logistic Regression: A Self-Learning Text, New York Springer. 10.1007/978-1-4419-1742-3
12
Ko D. W., Park S. H. (2019), The Effects of Individual Accidents and Neighborhood Environmental Characteristics on the Severity of Pedestrian Traffic Accidents in Seoul, Journal of the Architectural Institute of Korea Planning & Design, 35(8), 101-109.
13
Lee H. J., Lee S. G. (2017), An Analysis of Associations between Neighborhood Road Networks and Pedestrian Traffic Accidents: Focused on the TAAS (2012-2014) in Seoul, Korea, Journal of Korea Planning Association 52(1), 141-161. 10.17208/jkpa.2017.02.52.1.141
14
Loukaitou-Sideris A., Liggett R., Sung H. G. (2007), Death on the Crosswalk: A Study of Pedestrian-automobile Collisions in Los Angeles, Journal of Planning Education and Research, 26(3), 338-351. 10.1177/0739456X06297008
15
Park C. Y., Lee S. G. (2016), An Analysis of the Characteristics of Street Environment Affecting Pedestrian Accidents: Applications of Street Segment Analysis Unit and Spatial Statistics, Journal of the Urban Institute of Korea Urban Design, 17(3), 105-121.
16
Park S. H. (2014), The Effect of the Neighborhood Built Environment on Pedestrian-Vehicle Collisions - Focused on the Case of the City of Seattle, Washington U.S., Journal of Korea Planning Association, 49(3), 143-157. 10.17208/jkpa.2014.06.49.3.143
17
Sikka N., Vila C., Stratton M., Ghassemi M., Pourmand A. (2019), Sharing the Sidewalk: A Case of E-scooter Related Pedestrian Injury, American Journal of Emergency Medicine 37, pp1807.e5-1807.e7 10.1016/j.ajem.2019.06.01731201118
18
The Korea Transport Institute (2017), 2017 Smart Mobility Brief, 1(3).
19
Traynor Jr M. D., Lipsitz S., Schroeder T. J., Zielinski M. D., Rivera M., Hernandez M. C., Stephen D. J. (2021), Association of Scooter-related Injury and Hospitalization with Electronic Scooter Sharing Systems in the United States, The American Journal of Surgery. 10.1016/j.amjsurg.2021.06.00634215418
20
Ukkusuri S., Miranda-Moreno L. F., Ramadurai G., Isa-Tavarez J. (2012), The Role of Built Environment on Pedestrian Crash Frequency, Safety Science, 50(4), 1141-1151. 10.1016/j.ssci.2011.09.012
21
Yoo C., Lee S. (2015), Neighborhood Environment, Social Capital, and Social Sustainability of Community: Explanatory Study on Causal Relationships, Journal of Korea Planning Association, 50(7), 5-23. 10.17208/jkpa.2015.11.50.7.5
22
Zegeer C. V., Stewart J. R., Huang H. H., Largerwey P. A. (2002), Safety Effects of Marked vs Unmarked Crosswalks at Uncontrolled Locations: Executive Summary and Recommended Guidelines: U.S. Department of Transportation Federal Highway Administration, FHWA-RD-01-075.

각주

[2] 1) 근린환경: 도시를 구성하는 생활권의 환경을 의미하고 일반적으로 인간의 활동이 일어나는 지점 주변의 환경(Yoo and Lee, 2015).

[3] 2) TAAS(Traffic Accident Analysis System): 경찰 ‧ 보험사 ‧ 공제조합 등의 교통사고 자료를 수집, 통합 ‧ 분석하여 교통안전 정책 수립 등에 활용할 수 있도록 교통사고 정보를 제공하는 시스템.

페이지 상단으로 이동하기