서론
선행연구
공간 데이터 수집 및 취약지역 도출
1. 공간 데이터 수집
2. 취약지역 도출
연구 설계
1. 연구 모형과 연구 가설
2. 변수의 조작적 정의
3. 연구 조사 설계
연구모델의 적합도 및 가설 검정
1. 신뢰도 분석
2. 타당도 분석
3. 연구모형의 평가 및 가설검증
결론 및 향후 연구과제
서론
우리나라는 다양한 교통안전정책의 추진으로 전체 교통사고가 지속적으로 감소해 왔으나, 초고령사회 진입과 함께 고령보행자 사고의 비율은 오히려 증가하는 양상을 보이고 있다. 통계청1)에 따르면, 2024년 12월 기준 65세 이상 인구 비중은 20%를 넘어섰으며, 교통사고분석시스템(Traffic Accident Analysis System, TAAS)2) 자료에 의하면, 같은 해 보행사고 사망자의 67.0%(고령자 616명/전체 920명)가 고령층으로 집계되었다. 이는 2020년 57.5%(고령자 628명/전체 1,093명)에 비해 9.5% 증가한 수치로서 보행사고 사망자 3명 중 2명이 고령층임을 의미하며, 고령보행자 사고위험이 국가적 핵심 교통안전 과제로 부상했음을 보여준다. 즉, 전체 연령대별로 살펴보면, 2024년 기준 어린이 보행사고는 5,303건, 사망자 4명으로 치명률 0.1%에 불과하며, 청·장년층(20~59세)은 17,990건의 사고에서 200명이 사망해 치명률 1.1%를 기록한 반면에 고령층은 11,207건의 사고 중 616명이 사망하여 치명률이 5.5%에 달하였다. 이는 고령보행자 사고가 어린이에 비해 73배 높은 사망 위험을 의미하며, 이러한 차이는 단순한 연령 증가에 따른 신체적 취약성뿐 아니라, 고령층이 주로 이동하는 생활권이 구조적으로 더 위험한 교통환경에 노출되어 있음을 시사한다.
특히 Table 1을 토대로 어린이·노인보호구역을 서로 비교해 보면, 이러한 불균형은 더욱 뚜렷하게 드러난다. 예를 들어 부산시의 어린이보호구역은 822개소이며, 횡단보도 5,510개, 신호기 1,929개 , 교통안전표지 14,489개, 다기능카메라 688개 등 안전시설이 체계적으로 설치되어 있다. 하지만 노인보호구역은 82개소에 불과하며, 횡단보도 122개, 신호기 52개, 교통안전표지 411개, 다기능카메라 20개 등으로 어린이보호구역 대비 1/30~40 수준에 그쳐 보행자 보호체계가 상대적으로 미흡한 상황임을 알 수 있다. 이러한 시설 격차는 고령보행자 사고위험이 단순한 도로 물리적 환경의 문제에 그치지 않고, 고령층이 주로 활동하는 생활권의 공간적 특성과 이를 체계적으로 관리·운영하기 위한 제도적 기반의 미비가 복합적으로 작용한 결과임을 알 수 있다. 어린이보호구역의 경우 명확한 지정 기준과 관리 주체를 중심으로 제도화된 보호체계가 구축·운영되고 있으나, 고령보행자 보호를 위한 공간적 관리체계는 제도적 정립 수준이 낮고, 보호구역 지정 기준 또한 실제 고령자 생활권의 공간적 특성을 충분히 반영하지 못하고 있다.
Table 1.
Comparative summary of safety infrastructure in child and elder protection zones in Busan3)
이와 같은 맥락에서 고령보행자 사고는 고령자의 일상생활권이라 할 수 있는 전통시장, 의료기관, 노인복지시설 등의 시설주변과 같은 방문 및 이동이 많은 지역에서 공간적으로 집중되는 경향이 반복적으로 확인되고 있다(Hwang et al., 2023; Kim et al., 2024a). 이 중에서도 전통시장은 협소한 보도, 불법 적치물, 보차혼용, 가시성 저하 등 다양한 보행환경 제약이 중첩되는 대표적인 고령보행자 취약공간으로 지목되고 있다(Yang and Lee, 2024). 그러나 대부분의 교통사고 대책은 시설개선 중심의 단편적 접근으로 제한되어 있으며, 고령 유동인구, 교통사고 자료, 그리고 생활시설 간의 입지를 통합적으로 분석해 고령보행자 교통사고 취약지역을 찾아내고 이를 개선한 사례는 부족한 실정이다. 이러한 문제의식에서 본 연구는 고령 유동인구 빅데이터, 교통사고 데이터, 생활시설 데이터 등의 공간정보를 중첩하여 고령보행자 사고가 실제로 집중되는 취약지역을 실증적으로 도출하고, 도출된 취약지역을 대상으로 교통사고 위험요인의 구조적 영향관계를 종합적으로 분석하고자 한다. 이를 통해 기존의 시설 중심 접근에서 벗어나 교통운영체계, 운전 및 보행 행태, 이용자 인식까지 포함한 통합적 고령보행자 안전관리 방향을 제시하는 것이 본 연구의 목적이다.
연구의 수행 과정은 Figure 1을 토대로 다음과 같다. 첫째, 고령보행자 교통사고 관련 선행연구를 분석범위 관점과 분석방법론 관점에서 체계적으로 검토하여, 기존 연구가 가진 한계를 정리하고 본 연구의 필요성과 차별성을 제시하였다. 둘째, 선행연구 검토 결과를 토대로 분석대상과 공간적 범위를 설정하고, 기존 문헌에서 반복적으로 도출된 고령보행자 사고 영향요인을 토대로 변수체계와 개념적 연구모형의 기본 틀을 마련하였다. 셋째, 통신사 유동인구 빅데이터와 교통사고데이터를 활용하여 잠재적 위험지역(유동인구 핫스팟)과 실제 위험지역(교통사고 다발지역)을 분석하고, 이를 전통시장, 의료기관, 노인복지시설 등 고령자 생활시설 영향권과 중첩하여 사고취약지역을 선정하였다. 넷째, 도출된 사고 영향요인을 바탕으로 연구모형과 가설을 설정하고 각 잠재요인을 측정할 수 있는 설문 문항을 개발하였다. 다섯째, 취약지역으로 확인된 전통시장 이용자를 대상으로 설문조사를 실시하여 실증 분석에 필요한 데이터를 수집하였다. 여섯째, 수집된 자료에 대해 신뢰도 및 타당도 검증을 수행하고, 구조방정식모형(Structural Equation Modeling, SEM)을 활용하여 변수 간 인과관계를 실증적으로 분석하였다. 마지막으로 분석 결과를 종합적으로 해석하여 고령보행자 사고의 구조적 원인을 규명하고, 전통시장 중심 생활권에서 적용 가능한 교통안전정책 개선방안을 제시하였다.
선행연구
고령보행자 교통사고에 관한 기존 연구는 크게 분석범위 관점과 분석방법론 관점으로 구분해 볼 수 있다.
우선 분석범위 측면에서 선행연구는 크게 두 가지 접근으로 구분된다. 하나는 교차로, 횡단보도, 보도 등 특정 지점을 중심으로 한 국지적 분석이며, 다른 하나는 구·동과 같은 행정구역 단위의 지역적 분석이다. 국지적 분석은 특정 구간의 도로환경이 사고 위험에 미치는 영향을 정밀하게 파악하는 데 유리하다는 장점이 있으나(Kim et al., 2024c; Park et al., 2023), 고령보행자의 실제 생활권이나 일상적 보행패턴을 충분히 반영하기 어렵다는 구조적 한계를 가진다. 반면 행정구역 단위의 연구는 지역 특성을 포괄적으로 반영할 수 있다는 장점이 있지만(Park et al., 2020), 공간적 범위가 지나치게 넓어 사고취약성을 세밀하게 파악하는 데는 적합하지 않다.
최근 연구에 따르면 유동인구가 밀집된 지역일수록 교통사고 위험이 증가하는 경향이 확인되었으며(Lee et al., 2019), 특히 전통시장, 의료기관, 노인복지시설 등 고령자의 이용 빈도가 높은 생활시설 주변에서 고령보행자 교통사고가 공간적으로 집중되는 현상도 반복적으로 보고되고 있다(Hwang et al., 2023; Kim et al., 2024a). 이러한 결과는 고령보행자 사고가 개별 도로 지점의 물리적 특성보다는 유동인구 활동과 생활시설 이용이 중첩되는 생활권 공간의 특성과 밀접하게 관련되어 있음을 시사한다. 이 가운데 전통시장은 고령보행자 보행활동과 체류가 집중되는 대표적인 공간으로 평가된다. 전통시장 상권의 공간적 범위가 대체로 반경 300~500m 내외에서 형성되는 것으로 알려져 있으며(Dongbuk Regional Statistics Office, 2022; Lee et al., 2018; Seo, 2012), 이는 고령자의 실제 보행 가능 범위와도 높은 일치도를 보여준다. 나아가 의료기관 및 노인복지시설 등 다른 생활시설 또한 유사한 공간적 특성을 공유하며, 이들 시설이 분포한 지역 역시 고령보행자 사고의 잠재적 위험 공간으로 작용한다. 따라서 이와 같은 생활공간이 공간적 분석 단위로써 타당함을 뒷받침한다. 그럼에도 불구하고 이러한 생활권 공간을 대상으로 유동인구 빅데이터, 교통사고 자료, 고령자 생활시설 입지 정보를 동일한 공간 단위에서 통합적으로 분석한 연구는 아직 매우 제한적인 실정이다.
다음으로 분석방법론 측면에서 기존 연구는 상관분석이나 회귀분석과 같은 전통적 통계기법을 중심으로 사고요인의 개별적 영향을 확인하는 데 초점을 두었다. 인적 요인을 다룬 연구들은 운전자의 양보 부족, 법규위반행동, 주의력 결핍 등이 보행사고 위험을 증대시키는 핵심 요인이라는 점을 제시하였으며(Bae et al., 2019; Lee, 2006; Seo et al., 2009), 고령보행자의 인지·반응능력 저하와 보행속도 감소는 사고 회피능력을 약화시키는 구조적 취약성으로 작용한다는 분석도 보고되었다(Ji, 2010). 도로환경적 요인을 다룬 연구에서는 도로폭, 횡단 및 신호시설, 조명, 속도저감시설 등 물리적·운영적 요소가 사고발생에 유의한 영향을 미친다는 결과가 확인되었다(Kim et al., 2023; Lee et al., 2011; Park et al., 2006). 그러나 이러한 연구들은 공통적으로 개별 요인의 부분적 영향 분석에 머무르는 한계를 지니고 있으며, 사고가 실제로는 인적 요인과 환경 요인이 상호작용하는 복합적 구조 속에서 발생한다는 점을 충분히 설명하지 못했다.
이러한 한계를 보완하기 위해 최근 교통사고 연구에서는 사고 위험을 보다 체계적으로 이해하기 위한 방법으로 요인분석과 구조방정식모형(SEM)을 활용한 접근이 시도되고 있다. Lee et al.(2018)은 서울시 교통사고 자료를 활용하여 강우 및 노면수심과 같은 기상 요인, 인적 요인, 도로 요인을 잠재변수로 구성하고, 이들이 사고 심각도에 미치는 직접·간접 영향을 구조방정식모형으로 분석하였다. 그 결과, 강우 관련 요인은 단독 효과뿐 아니라 주행환경과의 상호작용을 통해 사고 심각도를 유의하게 증폭시키는 구조적 경로를 형성함이 확인되었다. 또한 Kim et al.(2015)은 구조방정식모형을 활용하여 교통사고 인적 피해 심각도에 영향을 미치는 요인 간 상대적 영향 관계를 분석하였다. 그 결과, 고령자의 인적 특성보다 교차로 설계, 시인성 등 도로 환경적 요인이 사고 심각도에 보다 직접적이고 강력한 영향을 미친다는 인과관계를 입증하였다. 이러한 연구들은 교통사고가 개별 요인의 단순한 합이 아니라, 여러 요인이 상호작용하는 구조적 메커니즘 속에서 발생함을 실증적으로 보여주며, 요인 간 직접효과뿐 아니라 간접효과와 매개효과를 동시에 검증할 수 있는 구조적 분석틀의 필요성을 명확히 제시한다.
이를 바탕으로 기존 연구의 흐름과 한계를 종합적으로 고려할 때, 본 연구는 다음과 같은 측면에서 학술적 차별성을 가진다. 첫째, 유동인구 빅데이터, TAAS 교통사고자료, 전통시장·의료기관·노인복지시설 등 생활시설 입지정보를 결합하여 고령보행자의 잠재위험, 실제위험, 공간적 특성을 동일한 분석단위에서 통합적으로 분석하였다. 둘째, 고령보행자의 보행범위(400~500m)와 전통시장 상권 범위(300~500m)가 거의 동일한 반경을 형성한다는 선행연구(Forsyth et al., 2008; Leslie et al., 2007; WHO, 2007)를 근거로 반경 500m 생활권 단위를 분석범위로 설정함으로써, 기존 연구의 국지적 분석과 행정구역 단위 분석이 지닌 공간적 한계를 보완하였다. 셋째, 인적 요인과 도로환경적 요인의 종합적 영향구조를 구조방정식모형(SEM)으로 분석하여, 기존 연구의 단편적 요인 검증 방식이 가진 방법론적 한계를 보완하였다. 종합하면, 본 연구는 고령보행자의 실제 생활권을 기반으로 사고위험 형성 메커니즘을 구조적으로 규명함으로써, 기존 연구를 확장 및 심화하는 새로운 분석틀을 제시한다는 점에서 중요한 의의를 가진다.
공간 데이터 수집 및 취약지역 도출
1. 공간 데이터 수집
본 연구는 고령보행자 교통사고 취약지역을 실증적으로 규명하기 위해 부산지역의 유동인구 데이터, 교통사고 데이터, 생활시설 위치정보를 각각 수집하고, 이를 동일 좌표체계 하에서 공간적으로 비교 및 중첩할 수 있는 형태로 정리하였다. 즉, 각 데이터는 하나의 파일로 통합 및 결합한 것이 아니라, QGIS에서 공간분석을 수행할 수 있도록 좌표단위의 형식을 통일한 뒤 상호 중첩이 가능한 독립 레이어로 구축되었다. Table 2와 같이 먼저, 유동인구 데이터는 2024년 1~4월 동안의 통신사 빅데이터를 활용하여 고령층(60세 이상)의 시간대별·격자별 이동량을 100m 격자 기반 polygon 자료로 구성하였다. 각 자료는 연월(std_ym), 격자ID(gid), 좌표(lon, lat), 연령(age) 등을 포함하며, 지역별 고령보행 활동 수준을 정량화하는 데 사용되었다. 둘째, 생활시설 데이터는 2024년 공공데이터포털과 부산시 자료를 통해 수집한 전통시장 158개, 종합병원 29개, 노인복지관 35개, 경로당 2,428개를 포함하며, 각 시설의 좌표(lon, lat)를 기반으로 point 형태의 공간자료로 구축하였다. 이는 고령자의 생활권 중심지와 사고위험의 공간적 연관성을 파악하기 위한 기초 자료이다. 셋째, 고령보행자 교통사고 자료는 TAAS의 2022~2024년 사고다발지역 데이터를 활용하였으며, 총 660개 사고다발지로 구성된다. 각 사고다발지는 사고건수와 사상자 정보(사망·중상·경상·부상신고), 좌표(lon, lat) 등 공간속성을 포함한다. 수집된 모든 공간자료는 WGS84/UTM-K 좌표계로 통일한 뒤 QGIS에서 개별 레이어로 불러들여 격자분석, 핫스팟 분석, 버퍼분석, 중첩도 분석 등이 가능하도록 정리하였다. 즉, 본 연구는 서로 이질적인 세 자료를 하나로 병합한 것이 아니라, 동일 분석단위(좌표, 격자, 공간범위)를 갖도록 표준화하여 각 레이어 간 공간적 중첩관계를 분석할 수 있도록 구축하였다.
Table 2.
Overview of data structure used in this study
2. 취약지역 도출
본 연구에서는 고령보행자 교통사고의 공간적 위험을 보다 정밀하게 규명하기 위하여 Figure 2와 같이 ① 유동인구 밀집지역(잠재적 위험지역)과 ② 교통사고 다발지역(실제 위험지역)이 통합된 공간을 고령보행자 교통사고 위험지역으로 정의하였다. 이러한 접근은 앞서 Lee et al.(2019)의 연구 결과 “유동인구가 밀집된 지역일수록 교통사고 위험이 높다”는 실증적 근거를 토대로 잠재적 위험성을 반영한 것으로 단순히 사고발생지에만 초점을 맞춘 기존 연구들과 달리 잠재적 위험성과 실제 사고발생의 공간적 결합을 함께 고려함으로써 사전예방 중심의 교통안전관리 체계를 구축하는 데 의의가 있다. 구체적으로는 잠재적 위험지역은 공간통계기법인 Local G-Statistic(Gi*)을 활용하여 산출하였으며, 본 연구에서는 Gi* ≥ 1.96(95% 신뢰수준) 이상인 구역을 유의미한 고령 유동인구 핫스팟(Hotspot)으로 정의하였다. 다음으로 실제 위험지역은 TAAS 교통사고 데이터(2022~2024년)를 활용하여, 반경 100m 내에서 5건 이상의 고령보행자 사고가 발생한 지역으로 정의하였다. 두 자료(유동인구 핫스팟 및 교통사고 다발지역)를 공간적으로 통합하여 고령보행자 교통사고 ‘위험지역’으로 간주하고, 이러한 위험지역과 고령자 생활시설(전통시장, 종합병원, 노인복지시설, 경로당 등)을 중첩하여 취약지역을 분석하였다. 분석에 앞서 선행연구에서 제시한 고령자의 평균 보행가능 거리를 근거로 전통시장 상권을 포함한 생활시설 반경을 500m로 적용하였다.
중첩분석 결과, 종합병원과 전통시장을 제외한 대부분의 생활시설은 중첩도가 낮아 위험 수준이 높지 않은 것으로 나타났다. 하지만 종합병원의 경우, 86%의 높은 중첩률을 보였음에도 불구하고 방문 목적이 단기적이고 보행활동이 상대적으로 낮으며, 또한 교통사고가 주로 진입부 등 특정 지점에 집중되는 특성으로 인해 본 연구의 취약지역 범위에서는 제외하였다.
반면에 전통시장의 경우, 체류시간이 길고 보행활동이 높으면서 유동인구 밀집지역의 76.3%(27.41km2/35.94km2), 교통사고 다발지역의 79.7%(16.5km2/20.7km2)이 전통시장 상권 범위 내에 포함되는 것으로 나타났다. 그리고 Figure 3과 같이 전통시장 상권, 유동인구 밀집지역, 그리고 교통사고 다발지역이 동시에 중첩된 공간에서 발생한 사고의 비율은 59.1%(390건/660건)로 나타났는데, 이는 사고건수를 기준으로 산정한 공간적 중첩률(spatial overlap ratio)로, 전통시장 상권이 고령보행자 교통사고의 실제적·잠재적 위험이 함께 존재하는 대표적 취약지역임을 실증적으로 보여준다. 결과적으로 본 연구는 중첩률4) 50% 이상인 전통시장 상권을 고령보행자 교통사고 취약지역으로 최종 선정하였다. 이러한 정의는 공간적 위험성을 단순히 사고 발생에 한정하지 않고, 유동인구 집중과 사고 다발의 상호공간적 상관관계를 반영함으로써, 고령보행자의 이동행태와 생활환경을 반영한 실효성 있는 정책적 근거를 마련하는 데 의의가 있다.
연구 설계
1. 연구 모형과 연구 가설
본 연구에서는 고령보행자 교통사고에 영향을 미치는 요인을 크게 인적 요인(Human Factors)과 도로환경적 요인(Road Environment Factors)으로 구분하였다. 이러한 두 개의 상위 범주는 고령보행자 사고가 인적 요인과 도로환경적 요인이 복합적으로 작용하는 구조적 특성을 가진다는 기존 연구들의 분석 흐름을 반영한 것이다. Table 3과 같이 상위 요인에 대한 하위 개념의 요인으로는 첫째, 인적요인 중 ‘운전자 태도 인식(A)’은 양보 부족, 조심성 결여, 차량우선 인식 등이 고령보행자 사고위험을 증가시킨다는 다수 연구의 결과에 기반하여 설정하였다(Lee, 2006; Moon, 2025; Seo et al., 2009). ‘교통법규 위반 행태(B)’는 신호위반·속도위반·불법주정차 등 운전자의 비준수 행동이 고령보행자 사고의 주요 원인이라는 연구 결과에서 도출되었다(Bae et al., 2019; Kim et al., 2023; Kim et al., 2024b).
Table 3.
Factors influencing traffic accidents involving elderly pedestrians
| Category | Sub-factor | Reference |
|
Human factors | (A)Perception of driver’s attitude | Lee (2006); Moon (2025); Seo et al. (2009) |
| (B)Traffic law violations behavior | Bae et al. (2019); Kim et al. (2023); Kim et al. (2024b) | |
|
Road environment factors | (C)Road physical conditions | Choi (2018); Lee et al. (2011); Park et al. (2006) |
| (D)Traffic facility management level | Kim et al. (2010); Kim (2023); Son et al. (2019) | |
| (E)Traffic operation level | Jeong et al. (2023); Kwon et al. (2023); Noh et al. (2000) |
둘째, 도로환경적 요인은 물리적 시설·관리·운영 등 세 차원으로 구분하여 구성하였다. ‘도로 물리적 조건(C)’은 도로 폭 협소, 횡단시설 부족, 신호기·속도저감시설 미비 등이 고령보행자의 시인성 및 보행안전 확보에 부정적 영향을 미친다는 연구를 근거로 구성하였다(Choi, 2018; Lee et al., 2011; Park et al., 2006). ‘교통시설 관리 수준(D)’은 장애물 방치, 안전시설 관리 미흡, 포장 불량 등 관리적 요인이 사고위험을 높이는 것으로 보고된 기존 연구를 반영하여 설정하였다(Kim et al., 2010; Kim et al., 2023; Son et al., 2019). 마지막으로 ‘교통운영 수준(E)’은 일방통행, 속도관리, 보행신호 운영, 단속체계 등 운영적 요소들이 고령보행자의 사고위험을 완화하거나 악화시키는 핵심 요인으로 제시된 연구 기반에서 도출하였다(Jeong et al., 2023; Kwon et al., 2023; Noh et al., 2000).
이렇게 도출된 잠재요인 구조(A~E)는 전통시장 상권 내 고령보행자 교통사고 위험을 설명하는 핵심 이론틀을 구성하며, 본 연구의 분석 모델 구축의 기초가 되었다. 특히 전통시장은 고령자 유동인구 밀집지역과 교통사고 다발지역이 중첩되는 대표적인 고령보행자 취약지역이기 때문에 이 공간에서 인적 요인과 도로 환경적 요인이 어떻게 구조적으로 고령보행자 교통사고 위험에 영향을 미치는지 규명하는 것이 필요하다.
이를 바탕으로 본 연구는 전통시장 상권 내 고령보행자 교통사고 위험성(F)에 영향을 미치는 주요 요인을 실증적으로 파악하기 위해 구조방정식모형(SEM)을 적용하여 연구모형을 구축하였다. 연구모형은 Figure 4에 제시되어 있으며, 도출된 A~E 잠재요인이 교통사고 위험성(F)에 미치는 직접·간접경로를 검증하기 위해 다음과 같은 연구가설을 설정하였다.
H1. 운전자 태도 인식(A)은 전통시장 상권 내 고령보행자 교통사고 위험성(F)에 유의한 영향을 미칠 것이다.
H2. 교통법규 위반 행태(B)는 전통시장 상권 내 고령보행자 교통사고 위험성(F)에 유의한 영향을 미칠 것이다.
H3. 도로 물리적 조건(C)은 전통시장 상권 내 고령보행자 교통사고 위험성(F)에 유의한 영향을 미칠 것이다.
H4. 교통시설 관리 수준(D)은 전통시장 상권 내 고령보행자 교통사고 위험성(F)에 유의한 영향을 미칠 것이다.
H5. 교통운영 수준(E)은 전통시장 상권 내 고령보행자 교통사고 위험성(F)에 유의한 영향을 미칠 것이다.
2. 변수의 조작적 정의
본 연구는 전통시장 상권 내 고령보행자 교통사고 위험성(F)에 영향을 미치는 주요 요인을 규명하기 위하여 선행연구와 이론적 구조를 바탕으로 구조방정식모형(SEM)에 기반한 변수를 정의하였다. 연구에 포함된 주요 잠재변수는 운전자 태도 인식(A), 교통법규 위반 행태(B), 도로 물리적 조건(C), 교통시설 관리 수준(D), 교통운영 수준(E), 그리고 교통사고 위험성(F)이며, 측정변수는 Table 4에 제시하였다.
Table 4.
The measurement items
잠재변수 운전자 태도 인식(A)은 시장 주변도로에서 보행자가 운전자의 스트레스, 분노, 피로, 집중력 저하 등 심리적·행동적 상태를 인식하는 정도를 의미하며, 운전자의 여유 부족, 양보 부족, 차 우선 인식, 주의력 결여 등 4개를 측정변수로 구성하였다. 교통법규 위반 행태(B)는 도로교통법 미준수 행위의 유형 및 빈도를 의미하며, 속도위반, 신호위반, 불법 차로 변경, 불법 주정차 등 4개를 측정변수로 구성하였다. 도로 물리적 조건(C)은 시장 주변 도로의 물리적 구조 및 교통안전시설의 설치 수준을 나타내며, 도로 폭, 보행공간, 포장상태, 안전시설, 조명 등 5개를 측정변수로 구성하였다. 교통시설 관리 수준(D)은 적치물, 교통안전시설, 노면포장 등 시설의 유지관리 상태를 평가하는 4개를 측정변수로 구성하였다. 교통운영 수준(E)은 신호 운영, 통행 체계, 불법 주정차 단속 등 교통 운영 체계의 적정성을 평가하는 6개의 측정변수로 구성하였다. 마지막으로 교통사고 위험성(F)은 교통사고 경험 및 사고 발생 가능성에 대한 인식 수준을 측정하는 5개를 측정변수로 구성하였다.
3. 연구 조사 설계
본 연구는 전통시장 상권을 고령보행자 교통사고 취약지역으로 규정하고, 이 공간의 인적요인과 도로 환경적 요인이 사고위험성에 미치는 영향을 규명하기 위해 체계적인 연구 설계를 마련하였다. 설문조사는 부산지역 전통시장을 이용하는 일반 시민을 대상으로 2025년 6월 23일부터 6월 30일까지 온라인 조사와 대면조사를 병행하여 총 251부의 최종 유효 표본을 확보하였다. 조사대상을 고령보행자에 한정하지 않고 일반 전통시장 이용자 전체로 확대한 것은 전통시장을 구성하는 차량, 보행자, 상인 간 상호작용 구조가 고령보행자의 위험노출에 직·간접적으로 영향을 미친다는 점을 고려한 것이며, 이는 전통시장이라는 생활권 공간에서 고령보행 안전을 다층적 요인으로 해석하려는 본 연구의 목적과도 부합한다. 인구통계학적 특성은 Table 5와 같다. 성별은 남성(52.6%)과 여성(47.4%)의 성별이 균형 있게 분포하였다. 연령대는 50대(35.1%)와 60세 이상(28.3%)의 중·고령층 비중이 높게 나타나 전통시장 이용 특성을 반영하고 있었다. 방문 빈도는 주 2~3회(40.8%)와 주 1회(33.6%)가 가장 많았고, 이동수단은 도보(54.6%)에 이어서 버스(32.5%) 순으로 높게 나타났다. 방문 시간대는 오후 이용(45.0%)이 가장 많았고, 특정 시간대를 구분하지 않는 응답(24.7%)도 비교적 높은 것으로 조사되었다.
Table 5.
Demographic characteristics of respondents
설문지 구성은 변수의 조작적 정의를 바탕으로 6개 잠재요인 ① 운전자 태도 인식(A), ② 교통법규 위반 행태(B), ③ 도로 물리적 조건(C), ④ 교통시설 관리 수준(D), ⑤ 교통운영 수준(E), ⑥ 교통사고 위험성(F)에 대응하는 28개의 측정변수(A1~F5)로 구성하였다. 모든 항목은 1~7점 Likert 척도를 사용하였으며, 수집된 자료는 SPSS 21.0과 AMOS 21.0을 활용해 신뢰도 분석(Reliability Analysis), 탐색적 요인분석(Exploratory Factor Analysis, EFA), 확인적 요인분석(Confirmatory Factor Analysis, CFA), 구조방정식모형(SEM) 분석을 단계적으로 수행하였다. 통계적 기법(EFA, CFA, SEM)을 적용하기 위해서는 자료의 분포 특성과 응답 편중 여부를 명확히 확인하는 과정이 필수적이므로, 본 연구는 Table 6과 같이 모든 측정변수(A1~F5)에 대해 평균(Mean), 표준편차(Std.dev), 최소값(Min), 최대값(Max) 등 기초통계량을 산출하였다. 이는 각 설문 변수가 연속형(Scale) 자료로서 요인분석과 구조방정식모형의 전제조건을 충족하는지 확인하는 단계이며, 본 연구의 기초통계량 분석 결과 모든 변수는 정상적으로 분포해 분석 요건을 충족하였다.
또한 응답자 구성의 대표성을 검증하기 위해 Table 6에서 고령자(65세 이상, n=71)와 비고령자(65세 미만, n=180) 간 인식 차이를 독립표본 t-test로 분석하였다. 28개 모든 측정변수(A1~F5)에 대해 두 집단의 평균값을 비교한 결과, 모든 항목에서 p-value가 0.05 이상으로 나타나 통계적으로 유의한 차이가 존재하지 않는 것으로 확인되었다. 즉, 고령자와 비고령자 모두 전통시장 주변의 운전자 태도 인식(A), 교통법규 위반 행태(B), 도로 물리적 조건(C), 교통시설 관리 수준(D), 교통운영 수준(E), 교통사고 위험성(F)에 대해 유사한 수준의 인식을 공유하고 있었다. 이와 같은 결과는 전통시장이라는 생활권 공간에서의 교통사고 위험요인이 특정 연령층에만 국한된 문제가 아니라, 해당 공간을 이용하는 다양한 주체들이 공통적으로 인식하는 구조적 특성에서 비롯됨을 시사한다. 다시 정리하면, 고령보행자 교통사고 위험은 개별 연령집단의 특성보다는 전통시장이라는 생활권 공간 내 이용행태와 교통 환경 요인의 상호작용 속에서 형성되는 것으로 해석할 수 있다. 이러한 해석에 근거하여 본 연구의 초점을 연령집단이 아닌 생활권 공간에 두고 전통시장 이용자 전체를 대상으로 자료를 수집·분석하였다. 이를 통행 고령보행자 사고위험을 개별 도로 지점이 아닌 생활권 전반의 이용 특성과 공간적 맥락에서 분석할 수 있는 방법론적 타당성을 재확보하였다.
Table 6.
Descriptive statistics and elderly–non-elderly differences for latent construct indicators
또한 고령자 표본이 일정 수준 이상의 규모(n=71)를 확보한 상황에서도 고령자와 비고령자 간 인식 차이가 통계적으로 유의하지 않았다는 점은 본 연구의 분석 결과가 특정 연령 집단의 인식 특성에 의해 과도하게 왜곡되지 않았음을 보여주는 근거로 해석될 수 있다.
종합하면, 본 연구의 조사설계는 실제 전통시장 이용자 집단을 대상으로 한 경험기반 자료를 토대로 하고 있으며, 기초통계량과 t-test 분석을 통해 자료의 통계적 적합성을 확보하였다. 이를 토대로 수행되는 신뢰도·타당도 분석 및 구조방정식모형은 전통시장 상권 내 고령보행자 사고위험성을 설명하는 데 적절한 분석체계를 제공한다.
연구모델의 적합도 및 가설 검정
1. 신뢰도 분석
본 연구에서는 측정문항들이 동일한 개념을 일관되게 반영하고 있는지를 확인하기 위해 Cronbach’s α 계수를 활용하여 신뢰도 분석을 수행하였다. Cronbach’s α는 동일한 잠재개념을 측정하는 문항들 간의 내적 일관성(Internal Consistency)을 평가하는 지표로, 값이 높을수록 문항들이 동일한 개념을 안정적으로 측정하고 있음을 의미한다. 사회과학 분야에서는 탐색적 연구나 초기 단계의 연구에서 Cronbach’s α가 0.6 이상이면 최소한의 신뢰도가 확보된 것으로 평가하는 것이 일반적인 기준으로 제시되어 왔다(Hair et al., 2010).
분석 결과, 전체 문항들과 일관성이 낮게 나타난 A4 문항은 제거하였으며, ‘교통시설 관리 수준(D)’ 요인은 Cronbach’s α가 0.352로 기준에 미달하여 잠재변수로서 구성타당성이 충분하지 않은 것으로 판단되어 최종모형에서 제외하였다. Table 7과 같이 나머지 잠재변수들은 모두 0.6 이상을 충족하였으며, 제거 이후 모든 잠재변수의 α 값이 안정적으로 확보되었다. 이와 같은 문항 정제 절차는 EFA–CFA–SEM 구조분석에 앞서 측정도구의 신뢰성을 확보하기 위한 사전 단계로 수행되었다.
Table 7.
Result of reliability analysis
2. 타당도 분석
타당도 검증은 잠재변수가 연구에서 의도한 개념을 실제로 적절히 반영하고 있는지를 확인하는 과정이다. 본 연구에서는 이러한 타당도 확보를 위해 탐색적 요인분석(EFA)과 확인적 요인분석(CFA)을 단계적으로 적용하였다. 본 연구의 설문 문항은 도로 환경이나 교통 운영과 같이 비교적 정량적으로 관측 가능한 요인뿐만 아니라, 운전자 태도 인식, 교통법규 위반 행태, 사고 위험 인식과 같은 인식·태도·행동 중심의 잠재적 개념을 함께 포함하고 있다. 이러한 복합적 특성으로 인해 측정문항과 잠재요인 간의 구조가 사전에 명확히 확정되어 있다고 보기 어렵고, 단일 분석기법만으로 잠재구조를 검증하는 데에는 한계가 존재한다.
이에 따라 본 연구에서는 먼저 탐색적 요인분석(EFA)을 통해 고령보행자 교통사고 위험요인에 내재된 잠재구조를 경험적으로 도출하고, 이후 확인적 요인분석(CFA)을 통해 도출된 요인 구조가 이론적으로 타당한지를 검증하는 절차를 적용하였다. 이러한 단계적 접근은 고령보행자 사고 위험요인의 잠재구조가 사전에 완전히 확립되어 있지 않은 연구 상황에서 측정모형의 타당성을 체계적으로 확보하기 위한 필수적인 분석 과정이라 할 수 있다.
1) 탐색적 요인분석(Exploratory Factor analysis)
탐색적 요인분석은 잠재요인의 구조가 사전에 명확히 확립되지 않은 경우, 측정문항 간의 상관관계를 기반으로 잠재요인 구조를 경험적으로 도출하는 데 목적이 있다. 본 연구에서는 SPSS 21.0을 활용하여 최소제곱법(Generalized Least Squares)과 Varimax 회전방식을 적용하였다.
요인분석의 적용 가능성을 검증하기 위해 KMO(Kaiser–Meyer–Olkin) 표본 적합도 검정과 Bartlett의 구형성 검정을 실시하였다. KMO 값은 변수 간 상관관계가 요인분석에 적합한지를 판단하는 지표로, 일반적으로 0.6 이상이면 요인분석이 적합한 것으로 평가된다(Kaiser, 1974). Bartlett 검정은 상관행렬이 단위행렬이 아니라는 가설을 검증하는 것으로, 유의확률이 0.05 미만일 경우 요인분석이 적합하다고 판단한다.
분석 결과, Table 8에 제시된 바와 같이 KMO=0.815, Bartlett χ2=2634.781(p<0.001)로 나타나 요인분석을 수행하기에 적합한 자료임이 확인되었다. 초기 분석에서 요인적재량(factor loading)이 0.5 미만으로 나타난 문항은 잠재요인을 충분히 설명하지 못하는 것으로 판단하여 제거하였다. 일반적으로 요인적재량 0.5 이상은 해당 문항이 요인을 실질적으로 설명하는 데 의미 있는 수준으로 간주된다(Hair et al., 2010).
Table 8.
Result of exploratory factor analysis
재분석 결과, 모든 문항의 요인적재량은 0.562~0.929 수준으로 나타났으며, 최종적으로 운전자 태도 인식(A), 교통법규 위반 행태(B), 도로 물리적 조건(C), 교통운영 수준(E), 교통사고 위험성(F)의 다섯 개 잠재요인 구조가 도출되었다.
2) 확인적 요인분석(Confirmatory Factor Analysis)
확인적 요인분석(CFA)은 탐색적 요인분석(EFA)을 통해 도출된 잠재요인 구조가 실제 자료에 얼마나 잘 부합하는지를 검증하는 절차로, 본 연구에서는 AMOS 21.0을 활용하여 수행하였다. 확인적 요인분석(CFA)에서는 요인부하량, 평균추출분산(Average Variance Extracted, AVE), 개념신뢰도(Composite Reliability, CR)를 중심으로 수렴타당도를 검토하였다.
요인부하량은 각 측정문항이 잠재변수를 얼마나 잘 설명하는지를 나타내는 지표로, 일반적으로 0.6 이상이면 실질적으로 유의한 설명력을 가진 것으로 평가된다(Hair et al., 2014). 또한 AVE는 측정문항들의 응답이 잠재변수에 의해 얼마나 잘 설명되는지를 나타내는 지표로, 측정문항에 포함된 분산 중 잠재변수에 의해 설명되는 비율을 의미하며, 값이 0.5 이상일 경우 문항에 포함된 오차보다 잠재변수에 의해 설명되는 정보가 더 커 해당 문항들이 잠재변수를 적절히 반영하는 것으로 해석할 수 있다(Fornell et al., 1981). CR은 잠재변수의 내적 일관성을 평가하는 지표로, 0.7 이상이면 신뢰도가 확보된 것으로 판단된다.
분석 결과, Table 9와 같이 대부분의 문항에서 요인부하량이 0.6 이상으로 나타났으며, AVE와 CR 역시 대체로 기준을 충족하여 수렴타당도가 확보되었다. 이 과정에서 F4 문항은 요인부하량이 1.0을 초과하여 모형의 안정성을 저해할 가능성이 있어 제거하였다. C1, C5, F1 문항은 요인부하량이 다소 낮았으나, 고령보행자의 사고위험 인식과 도로환경 특성을 설명하는 데 이론적으로 중요한 역할을 수행한다고 판단하여 최종 모형에 유지하였다. 교통운영 수준(E) 요인의 경우 AVE가 0.414로 기준에 다소 미달하였으나, CR 값이 0.751로 나타나 측정 신뢰도는 확보된 것으로 판단하였다(Hair et al., 2014).
Table 9.
Result of confirmatory factor analysis
판별타당도(Discriminant Validity)는 각 잠재변수가 서로 다른 개념을 측정하고 있는지를 검증하기 위한 절차로 본 연구에서는 Fornell et al.(1981)이 제시한 기준을 적용하였다. 해당 기준에 따르면 각 잠재변수의 평균추출분산(AVE)의 제곱근 값은 해당 변수와 다른 잠재변수 간 상관계수보다 커야 하며, 이를 통해 잠재변수가 자기 개념에 대해 설명하는 분산이 다른 구성개념과 공유하는 분산보다 큼을 확인할 수 있다(Fornell et al., 1981; Hair et al., 2010).
분석 결과, Table 10에 제시된 바와 같이 모든 잠재요인의 AVE 제곱근 값이 해당 요인과 다른 요인 간 상관계수보다 크게 나타나 각 잠재요인이 서로 구별되는 구성개념으로 측정되고 있음을 확인하였다. 다만, 교통법규 위반 행태(B)와 교통운영 수준(E)은 이론적으로 일정 수준의 연관 가능성이 존재한다. 교통운영체계의 미흡은 운전자의 법규 준수 행동에 영향을 미칠 수 있기 때문이다. 그럼에도 불구하고, 본 연구에서 수행한 확인적 요인분석(CFA) 결과에서는 두 요인 간 상관계수가 비교적 낮은 수준에 머물렀으며, 교통운영 수준(E)의 AVE 제곱근 값 또한 교통법규 위반 행태(B)와의 상관계수보다 크게 나타나 Fornell et al.(1981)의 기준을 충족하였다.
Table 10.
Result of correlation matrix and validity analysis
이러한 결과는 다음과 같은 점에서 해석될 수 있다. 첫째, 교통법규 위반 행태(B)는 개별 운전자의 실제 위반 행동과 같은 행태적 특성을 측정하는 요인인 반면, 교통운영 수준(E)은 도로 및 보행환경의 운영·관리 체계를 반영하는 구조적 요인으로 두 잠재변수는 개념적으로 상이한 차원을 구성한다. 둘째, CFA 결과에서 두 요인의 요인부하량과 오차 구조가 안정적으로 도출되고, 요인 간 상관 역시 과도하지 않은 수준을 유지함으로써 실제 자료 수준에서도 두 요인이 서로 독립된 구성개념으로 기능하고 있음을 확인할 수 있었다.
따라서 교통법규 위반 행태(B)와 교통운영 수준(E) 간 이론적 연관 가능성은 존재하나, 본 연구의 측정모형에서는 두 요인이 서로 다른 구성개념으로 구분되고 있으며, 각각의 요인 간 영향관계를 독립적으로 해석하는 것이 타당함을 판별타당도 분석을 통해 확인하였다.
3. 연구모형의 평가 및 가설검증
1) 모형의 적합성 평가
본 연구에서는 구조방정식(SEM)을 적용하여 연구모형의 적합성을 평가하는데 카이제곱 검정(χ2), GFI (Goodness of Fit Index), AGFI(Adjusted Goodness of Fit Index), RMR(Root Mean Square Residual), RMSEA(Root Mean Square Error of Approximation), NFI(Normed Fit Index), CFI(Comparative Fit Index) 등 다양한 적합도 지표를 활용하였다. 이 중에 카이제곱 검정(χ2)은 연구모형이 자료에 잘 적합한지를 평가하는 기본적인 방법이지만, 표본 수가 많거나 다변량 정규분포를 따르지 않는 경우 적합성을 평가하는 데 한계가 있다. 따라서 본 연구에서는 Table 11과 같이 다양한 적합도 지표를 병행하여 연구모형의 적합성을 검토하였다. 적합성 검토 결과, 연구모형의 모든 적합도 지표가 기준을 충족하여, 연구모형이 데이터에 적합함을 확인하였다. 특히, GFI(0.924), AGFI(0.894), RMR(0.074), RMSEA(0.049), NFI(0.913), CFI(0.965) 등의 수치가 적합 기준을 충족하거나 초과하여 연구모형의 설명력이 우수한 것으로 나타났다.
Table 11.
Goodness-of-fit index of research
2) 가설검증
본 연구에서는 전통시장 상권 내 고령보행자 교통사고 위험성(F)에 영향을 미치는 요인을 분석하기 위하여 총 5개의 연구 가설에 대한 검증을 수행하였다. 우선 Figure 5와 같이 연구모형의 설명력(R2)은 27.6%로 나타나 설정된 변수들이 고령보행자 교통사고 위험성(F)을 일정 수준 이상 설명하고 있음을 시사한다. 가설 검정 결과, Table 12와 같이 교통운영 수준(E)이 고령보행자 교통사고 위험성(F)에 가장 큰 영향을 미치는 요인으로 나타났다(β = 0.382, p = 0.001). 이는 전통시장 주변의 보호구역 지정, 신호운영, 통행체계, 불법주정차 단속, 보행자 우선관리 등의 운영체계가 미흡할수록 교통사고 위험성(F)이 유의하게 증가함을 의미한다. 또한, 교통법규 위반 행태(B) 역시 고령보행자 교통사고 위험성(F)에 유의한 영향을 미치는 것으로 나타났다(β = 0.254, p < 0.001). 신호위반, 불법주정차, 속도위반 등 도로 이용자의 법규 위반 행태가 빈번할수록 시장 내 교통사고 위험성이 높아지는 경향을 보였다. 세 번째로, 운전자 태도 인식(A) 또한 교통사고 위험성(F)에 통계적으로 유의한 영향을 미치는 것으로 나타났다(β = 0.246, p = 0.003). 이는 운전자의 주의 부족, 양보 부족, 공격적 운전태도 등이 보행자 안전 인식에 부정적인 영향을 미친다는 것을 시사한다. 반면, 도로의 물리적 조건(C)은 고령보행자 교통사고 위험성(F)에 유의한 영향을 미치지 않는 것으로 나타났다(β = 0.032, p = 0.631). 이는 전통시장과 같이 보행자와 차량이 혼재하는 협소한 공간에서는 단순한 물리적 환경 개선보다는 심리적 요인, 행태적 요인, 교통운영 요인이 교통사고 위험성에 더 큰 영향을 미친다는 점을 의미한다.
Table 12.
Hypothesis test
이상의 결과는 전통시장 상권 내 고령보행자 교통사고 예방을 위해서는 도로환경 개선 중심의 기존 공급자 위주의 접근에서 벗어나, 운영체계 정비(보행신호 시차제, 보호구역 지정, 일방통행 시행, 차 없는 거리 운영), 단속 강화(불법주정차·속도위반 교통단속), 행태 개선(운전자·고령보행자 대상 교통안전교육 및 인식 제고 프로그램)을 중심으로 한 수요자 맞춤형 정책으로 전환할 필요가 있음을 보여준다. 특히, 노인보호구역 지정 확대, 시장 주변 통행체계 개선, 상인 및 운전자 대상 교통안전 교육 강화 등이 실질적 사고위험 저감의 핵심 전략으로 제시될 수 있다.
결론 및 향후 연구과제
본 연구는 부산지역을 대상으로 고령층 유동인구 밀집지역(잠재적 위험지역)과 고령보행자 교통사고 다발지역(실제 위험지역)을 공간적으로 통합하여 고령보행자 교통사고 위험지역을 도출하고, 이를 전통시장, 의료기관·노인복지시설 등 고령자 생활시설 영향권과 중첩 분석함으로써 고령보행자 취약공간을 실증적으로 규명하였다. 그 결과 전통시장 상권은 유동인구 밀집지역의 76.3%, 교통사고 다발지역의 79.7%가 포함될 정도로 중첩도가 높았으며, 특히 전통시장 상권이 유동인구 밀집지역 및 고령보행자 교통사고 다발지역과 동시에 중첩된 공간에서 발생한 교통사고 비율이 59.1%로 나타나 전통시장 상권이 고령보행자에게 잠재적·실제적 위험이 함께 존재하는 대표적 취약지역임을 확인하였다. 이러한 공간분석 결과를 근거로 본 연구는 전통시장 상권을 최종 취약지역으로 선정하고, 해당 공간의 이용자를 대상으로 설문조사를 수행하여 교통사고 위험성의 형성 구조를 구조방정식모형(SEM)으로 분석하였다.
구조방정식모형 분석 결과, 연구모형은 χ2/df=1.607, RMSEA=0.049, CFI=0.965, GFI=0.924 등 주요 적합도 지표가 권장 기준을 충족하여 통계적으로 안정적인 모형임이 확인되었다. 가설 검증 결과에서는 교통운영 수준(E)이 고령보행자 교통사고 위험성(F)에 가장 큰 영향을 미치는 요인으로 나타났으며(β=0.382, p=0.001), 교통법규 위반 행태(B)(β=0.254, p<0.001)와 운전자 태도 인식(A)(β=0.246, p=0.003) 또한 유의한 영향을 보였다. 반면 도로 물리적 조건(C)은 교통사고 위험성에 유의한 영향을 미치지 않는 것으로 나타났다. 이는 전통시장과 같이 보행자·차량·상업 활동이 혼재된 생활권 공간에서는 단순한 물리적 시설 확충만으로는 보행자가 체감하는 위험을 충분히 완화하기 어렵고, 보호구역 지정, 신호 및 통행체계 운영, 불법주정차 관리와 같은 교통운영체계 정비, 교통법규 준수, 그리고 운전자 태도 개선 등 행태적 개입이 사고위험 저감에 보다 핵심적인 역할을 수행함을 시사한다.
한편 본 연구모형의 비교적 낮은 설명력(R2=27.6%)은 전통시장 보행환경에서 교통사고 위험성이 교통운영 수준, 교통법규 위반 행태, 운전자 태도 인식 등 본 연구에서 고려한 요인들 외에도 다양한 추가 요인의 영향을 받을 수 있음을 보여준다. 즉, 전통시장은 시간대별 교통량 변동, 보행 및 차량 혼재 수준의 변화, 불법주정차의 순간적 발생, 상인의 활동 등 비정형적인 요소가 상시적으로 작용하는 공간으로서 사고위험은 고정된 상태가 아니라 상황에 따라 변화되는 양상을 보일 수 있다. 이러한 특성 때문에 설문 기반의 인식 모형은 실제 위험이 형성되는 과정을 모두 설명하기에는 본질적인 한계를 지닌다.
그러나 교통사고 예측모형 연구에서는 사고자료의 통계적 특성으로 인해 전통적인 설명력 지표(R2)가 모형 적합성을 충분히 반영하지 못할 수 있음이 지적되어 왔다(Miaou et al., 1996). 그리고 OECD(1997)는 교통안전 정책 분석에서 모형의 역할을 단순한 예측 정확도보다 사고 위험의 작용 메커니즘을 이해하고 정책 개입을 설계하는 데 두어야 함을 강조한다. 이러한 정책적 관점은 실제 교통안전 정책에서도 확인되는데, 대표적으로 무인단속카메라 설치, 어린이보호구역 및 노인보호구역, 안전속도 5030 정책 등은 사고 발생 과정을 정밀하게 예측하는 모형에 기반 하기보다는 위험에 노출되기 쉬운 환경자체를 구조적으로 개선하는 운영 전략을 통해 교통사고 건수와 부상자 수의 감소 효과가 보고된 바 있다. 이러한 사례들은 생활권 교통안전 정책에서 설명력의 크기보다 반복적으로 위험을 유발하는 조건을 차단하는 관리·운영 전략이 실질적인 효과를 창출할 수 있음을 보여준다. 이러한 맥락에서 본 연구에서 도출된 설명력(R2=27.6%)은 모형의 부적합을 의미하기보다 전통시장 보행환경의 복합적이고 변화하는 특성을 반영한 결과로 해석하는 것이 타당하다. 특히 본 연구는 적합도 기준(RMSEA, CFI 등)을 충족하는 안정적인 구조방정식모형 내에서 교통운영 수준과 이용자 행태 요인이 교통사고 위험성에 유의한 영향을 미친다는 점을 실증적으로 제시함으로써, 전통시장과 같은 생활권 공간에서 교통안전 정책의 적용 우선순위를 제시했다는 점에서 중요한 의의를 가진다.
이상의 분석 결과를 종합할 때, 전통시장 보행환경에서 고령보행자 사고위험을 완화하기 위해서는 시설 확충 중심의 일률적 접근을 넘어 공간 이용 특성과 행태를 고려한 운영 중심의 관리 전략이 요구된다. 이에 본 연구는 전통시장 환경에 적합한 대안적 교통안전 정책 모델로 ‘전통시장 안심구역(가칭)’ 도입을 제안한다. 전통시장 안심구역은 강한 규제를 전제로 하기보다 Positive Guidance 개념을 기반으로 노면 색채 및 시각주의 정보 제공을 통해 운전자와 보행자의 주의를 환기하고, 유연한 속도관리와 보행우선 운영을 통해 위험 노출을 사전에 완화하는 관리·운영 중심의 보행안전 체계로 설계하는 것을 말한다. 이러한 접근은 물리적 시설 확장이 제한적이고, 규제 적용에 한계가 있는 전통시장 환경에서도 적용 가능성이 높으며, 또한 고령보행자가 실제로 체감하는 안전 수준을 높이는 데 효과적인 대안이 된다.
향후 연구에서는 본 연구의 분석 결과를 기반으로 설문 중심 접근의 한계를 보완하고 전통시장 보행환경에서의 사고위험 형성 과정을 보다 입체적으로 규명할 수 있는 연구 확장이 필요하다. 첫째, 측정 문항의 정밀화를 통해 잠재요인 구성의 설명력을 향상시킬 필요가 있다. 본 연구는 응답자의 인식을 반영한 설문을 통해 사고위험 형성 과정을 분석하였으나, 향후 연구에서는 전통시장 보행환경의 특성을 보다 체계적으로 반영할 수 있도록 보행 활동 특성, 공간 이용 형태, 시장 내부 주요 구간의 특성을 고려한 문항 체계를 구축할 필요가 있다. 이를 통해 전통시장 내 다양한 공간 조건에 따른 위험 인식의 차이를 보다 정밀하게 분석할 수 있을 것이다.
둘째, 설문 자료에 실제 행태 및 현장 기반 자료를 결합한 종합적 분석이 요구된다. 예를 들어 현장 관측 자료를 활용하여 보행·차량 혼재 정도, 시간대별 통행 특성, 불법주정차 발생 수준 등을 정량화하고, 이를 분석에 활용함으로써 사고위험 형성 과정을 보다 현실적으로 설명할 수 있을 것이다. 이러한 접근은 생활권 공간의 특성을 반영한 분석의 설명력과 해석력을 동시에 제고하는 데 기여할 수 있다.
셋째, 본 연구에서 제안한 ‘전통시장 안심구역(가칭)’의 정책적 효과를 검증하기 위한 후속 연구가 필요하다. 향후 연구에서는 해당 개념을 실제 전통시장 환경에 적용하거나 시범적으로 도입한 사례를 대상으로, 적용 전후의 보행환경 변화와 안전 인식의 변화를 비교·분석함으로써 정책적 실효성과 적용 가능성을 검토할 필요가 있다. 구체적으로는 시범 대상 시장을 선정하여 Positive Guidance 기반 노면 색채, 시각주의 정보 제공, 유연한 속도관리, 보행우선 운영 등의 요소를 단계적으로 적용하고, 사전·사후 비교 분석을 통해 보행행태 변화, 이용자의 체감 안전 수준, 위험 노출 정도의 변화를 정량적으로 평가할 필요가 있다. 또한 지역별 시장 규모, 상권 구조, 주변 도로 여건에 따른 적용 효과의 차이를 비교 분석함으로써 ‘전통시장 안심구역(가칭)’ 모델의 일반화 가능성과 적용 조건을 체계적으로 정립할 수 있을 것이다.
이와 같은 후속 연구를 통해 본 연구에서 제시한 전통시장 중심의 생활권 교통안전 정책 모델은 단순한 개념 제안의 수준을 넘어, 실증적 근거를 갖춘 실행 가능한 정책 프레임워크로 발전할 수 있을 것으로 기대된다.
