Analysis of Factors Affecting Intersection Red-Light-Running Crashes Using SEM (Structural Equation Modeling)

Jeonghun Yang; Eun Mi Park; Tai-jin Song

doi:10.7470/jkst.2024.42.3.348

Preview

Article

Journal of Korean Society of Transportation. 30 June 2024. 348-369
https://doi.org/10.7470/jkst.2024.42.3.348

Analysis of Factors Affecting Intersection Red-Light-Running Crashes Using SEM (Structural Equation Modeling)

구조방정식을 이용한 교차로 신호위반 교통사고 영향 요인 분석

Jeonghun YANG¹

Eun Mi PARK²

Tai-jin SONG³^*

양 정훈¹

박 은미²

송 태진³^*

¹Deputy General Manager, Traffic Accident Analysis Center, Road Traffic Authority, Wonju 26466, Korea

²Professor, Department of Urban Engineering, Mokwon University, Daejeon 35349, Korea

³Associate Professor, Department of Urban Engineering, Chungbuk National University, Cheongju 28644, Korea

¹도로교통공단 교통사고종합분석센터 차장

²목원대학교 도시공학과 교수

³충북대학교 도시공학과 부교수

^{*Corresponding Author}

License (open-access, http://creativecommons.org/licenses/by-nc/3.0/):

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

RLR (Red-Light-Running) crashes rank second in traffic accidents due to legal violations in Korea (11.6%), and they are recording a low level compared to the overall traffic accident reduction rate. This study aimed to identify the influencing factors of RLR crashes based on the importance of RLR crashes and domestic and international research trends. For the study, data on 1,508 RLR crashes were collected from 217 critical intersections in Seoul city, where more than 10 traffic crashes occurred over the past two years (2021-2022). Based on this, four exogenous latent variables (road characteristics, traffic facility characteristics, signal operation characteristics, traffic volume characteristics) and one endogenous latent variable (magnitude of RLR crashes) were designed. A total of 26 observed variables were constructed for each intersection for causal analysis between latent variables. The constructed data was used to understand the influence relationship on the magnitude of RLR crashes through a SEM (structural equation model). As a result of the study, among the four factors speculated to influence RLR crashes, only road characteristics and traffic facility characteristics were statistically significant, while signal operation characteristics and traffic volume characteristics were not. Furthermore, these factors showed that traffic road characteristics have a somewhat higher influence with 0.25 (p<0.01) compared to facility characteristics 0.17 (p<0.05). Lastly, the relative influence of the three variables constituting the road characteristic factor was in the order of speed limit > difference in speed limit between cross roads > total number of lanes, the relative influence of the two variables constituting the traffic facility characteristic factor was in the order of number of traffic light faces > forward traffic light, and the relative influence of the three variables constituting the magnitude of RLR crashes was in the order of number of casualties > number of crashes > cost of crashes. The results of this study are expected to assist policy makers and practitioners in establishing substantial reduction countermeasures for RLR crashes in Korea. In the future, research reflecting various intersection types and traffic congestion, as well as analysis of driver behavior, is deemed necessary.

Keywords

crash factors

RLR (Red-Light-Running) crash

SEM (Structural Equation Modeling)

signalized intersection crash

traffic accident black spot

신호위반 교통사고는 국내 법규 위반 교통사고 중 두 번째로 높으며(11.6%), 전체 교통사고 감소율 대비 저조한 수준을 기록하고 있다. 본 연구는 신호위반 사고의 중요성과 국내외 연구 동향에 따라 신호위반 사고의 영향 요인들을 찾고자 하였다. 연구를 위해 서울시 주요 교차로(Critical Intersection) 중 최근 2년(2021-2022)간 10건 이상의 교통사고가 발생된 217개 4지 교차로를 대상으로 1,508건의 신호위반 사고자료가 수집되었다. 이를 토대로 4개의 외생 잠재변수(도로 특성, 교통시설 특성, 신호운영 특성, 교통량 특성)와 1개의 내생 잠재변수(신호위반 사고규모)를 설계하였으며, 잠재변수 간 인과분석을 위해 총 26개의 관측변수들을 교차로별로 구축하였다. 구축된 자료는 구조방정식 모형으로 신호위반 사고규모에 대한 영향관계를 파악하였다. 연구 결과, 신호위반 사고에 영향을 미칠 것으로 추측했던 4개 요인 중 도로 특성과 교통시설 특성만이 통계적으로 유의하게 나타났으며, 신호운영 특성과 교통량 특성은 그렇지 않았다. 그리고 이러한 요인은 도로 특성이 0.25(p<0.01)로 교통시설 특성 0.17(p<0.05) 대비 다소 높은 영향력을 나타냈다. 마지막으로 도로 특성 요인을 구성하는 3개 변수의 상대적 영향력은 제한속도 > 교차도로 간 제한속도차 > 총 차로수 순, 교통시설 특성 요인을 구성하는 2개 변수의 상대적 영향력은 신호등면수 > 전방 신호등 순, 신호위반 사고규모를 구성하는 3개 변수의 상대적 영향력은 사상자수 > 사고건수 > 사고비용 순으로 나타났다. 연구 결과는 정책 결정권자 및 실무자로 하여금 국내 신호위반 사고에 대한 실질적 감소대책 마련에 도움이 될 것으로 기대된다. 향후에는 다양한 교차로 형태 및 교통혼잡을 반영한 연구, 운전자 행태 분석 등이 필요할 것으로 보인다.

키워드

사고발생 요인

신호위반 교통사고

구조방정식

신호교차로 사고

교통사고 잦은 곳

MAIN

서론
문헌 고찰
1. 교차로 신호위반 교통사고 연구 동향
2. 구조방정식을 활용한 교통사고 요인 분석 연구 동향
3. 시사점 및 연구 차별성
분석자료 및 방법론
1. 분석 절차 및 자료
2. 분석 방법론
분석 결과 및 논의
1. 확인적 요인분석(Confirmatory Factor Analysis)
2. 경로분석(Path Analysis)
3. 주요 결과 해석 및 논의
결론

서론

신호위반 교통사고는 국내 전체 법규 위반 교통사고 중 두 번째로 높은 사고에 해당한다. Table 1은 최근 10년간(2014-2023년) 국내에서 발생된 전체 교통사고 2,147,503건에 대한 가해 운전자 법규 위반 상위 5개 항목의 사고 현황이다. Table 1의 사고건수를 보면 신호위반 사고는 전체사고의 11.6%(249,039건)를 차지하고 있다. 법규 위반 항목 중 가장 큰 비중을 차지하고 있는 안전운전의무 불이행(55.9%, 1,200,617건)은 구체적이고 직접적인 법규 위반이라기보다는 주로 사고원인이 불명확할 경우 적용되는 포괄적 개념이기 때문에 명확한 사고원인 분석 측면에서는 의미가 부족하다. 따라서, 법규 위반 교통사고 중 안전운전의무 불이행에 의한 사고를 제외하면 신호위반 사고가 가장 큰 교통사고 유형 중 하나라 할 수 있으며(Korea Road Traffic Authority, 2016), 신호위반 사고의 치사율 또한 중앙선 침범과 안전운전의무 불이행에 이어 세 번째로 높은 수준이다.

Table 1.

Status of traffic crashes by violation of laws by the offending driver, top 5 (2014-2023)

Classification	Sum	Failure to fulfill the duty of safe driving	Red light running	Failure to secure a safe distance	Violation of intersection driving regulations	Violation of the center line on the road
Number of crash	2,147,503	1,200,617	249,039	210,670	136,089	95,872
Number of depth	36,273	274,734	2,955	649	527	2,738
Depth rate	1.69	2.06	1.19	0.31	0.39	2.86

이러한 신호위반 교통사고는 사고 자체에 의한 인적, 물적 피해 뿐만 아니라, 주로 교차로 내부에서 발생하는 특성으로 인해 돌발 상황을 발생시켜 도시부 교통 네트워크의 혼잡을 야기시키는 등 심각한 악영향까지 유발한다(Korea Road Traffic Authority, 2016). 정부는 신호위반 사고감소를 위해 무인교통단속장비 설치, 안전교육 및 법규준수 홍보 등의 노력을 기울이고 있지만 아직까지 큰 실효를 거두지 못하고 있다. 2023년 전체 사고건수, 사망자수, 부상자수는 2013년 대비 각각 7.9%, 49.9%, 13.7% 감소하였으나, 신호위반 사고는 각각 4.0%, 43.8%, 12.4% 감소에 그치고 있는 실정이다.

이러한 신호위반 교통사고의 중요성을 감안하여 최근까지 국외에서는 이미 신호위반 사고에 대한 인적 요인, 차량 요인, 도로환경 요인을 고려한 많은 연구들이 요인별로 수행되고 있으며 이 중 도로환경 요인에 대한 연구가 가장 활발히 이루어지고 있다(Mane and Pulugurtha, 2018; Alghafli et al., 2021; Al-Omari et al., 2022 etc). 뿐만 아니라, Texas Transportation Institute에서는 신호위반 사고 예방을 위한 지침서를 제작하여 실무자들이 활용하는 등 신호위반 사고 감소를 위한 많은 노력을 지속적으로 실시해오고 있다(Bonneson and Zimmerman, 2004).

반면, 국내는 관련 연구가 미흡한 편이다. 그동안 국내에서 수행된 신호위반 교통사고 관련 연구들은 대체로 신호위반 사고정보로부터 추출된 사고 자체의 특성 분석만을 수행해왔으며(Park et al., 2010; Park, 2015), 신호위반 사고심각도를 분석한 연구에서는 교차로 규모, 교통량, 신호운영 자료만이 활용되었을 뿐이다(Bae et al., 2017). 이러한 연구들은 교차로 현장의 다양한 도로교통적 요인들이 분석되지 않음으로써 신호위반 사고감소를 위한 도로환경 조성에 실질적으로 도움이 되기가 어렵다.

이에 따라, 본 연구에서는 교통사고가 많이 발생되는 서울시 주요 교차로(Critical Intersection, CI)를 대상으로 사고자료를 수집하고, 교차로별 도로교통 측면의 특성 요인(도로 특성, 교통시설 특성, 신호운영 특성, 교통량 특성)이 될 만한 수많은 현장자료들을 수집하였다. 수집된 자료를 통해 신호위반 사고규모의 영향 요인을 찾고자 하였으며 이를 통해 국내 신호위반 사고감소를 도모하고자 하였다.

문헌 고찰

1. 교차로 신호위반 교통사고 연구 동향

교차로 신호위반 교통사고 관련 연구들 중 도로교통 측면의 요인을 분석한 대표적 국외 연구들이다.

미국의 Alabama 주를 대상으로 한 연구에서는 신호위반 교통사고에 대한 교차로의 기하구조 특성을 분석하였다. 연구를 위해 Alabama 주에서 2013년 발생된 전체 교통사고 중 2,650건의 신호위반 사고자료와 다른 유형의 사고를 전통적 통계검정으로 비교함으로써 신호위반 사고에 대한 도로교통 특성을 찾았다. 연구 결과, 곡선 도로, 내리막 및 오르막 도로, 도로폭이 정(+)의 요인으로 나타났으며 좌회전 전용차로는 부(-)의 요인으로 나타났다(Baratian-Ghorghi et al., 2017).

미국의 North Carolina 주를 대상으로 한 연구 또한 신호위반 교통사고의 도로교통 요인을 분석하였다. 연구를 위해 Charlotte 시 CBD 내 180개 신호교차로에서 2010-2014년 발생된 사고자료와 도로교통 특성자료를 수집하였다. 분석 방법으로는 음이항 모형이 사용되었다. 연구 결과, 교통량, 제한속도, 차로수가 정(+)의 요인으로 나타났으며 전적색 시간(all red time)은 부(-)의 요인으로 나타났다(Mane and Pulugurtha, 2018).

태국의 주요 도시를 대상으로 한 연구에서는 운전자의 신호위반 행동에 영향을 미치는 인적 특성, 교차로의 물리적 특성, 신호운영 현황, 교통 상황을 분석하였다. 연구를 위해 태국 주요 도시인 Chiang Mai 등 3개 도시 내 92개 신호교차로를 선정하여 교차로별 비디오 촬영과 약 9만 명 규모의 설문조사를 실시하였다. 분석 방법으로는 이항 로지스틱 모형과 다중 선형 회귀 모형이 사용되었다. 연구 결과, 도로교통 요인으로 차로수, 차로폭, 평탄한 포장 노면, 측주식 신호 지주가 정(+)의 요인으로 나타났으며 전용 회전차로, 황색 신호시간, 내민식 신호 지주가 부(-)의 요인으로 나타났다(Jensupakarn and Kanitpong, 2018).

이탈리아의 Enna 시와 그리스의 Thessaloniki 시를 대상으로 두 도시 간 신호위반 교통사고 특성을 비교한 연구에서는 Enna 시 3개 신호교차로의 2018년 사고자료와 Thessaloniki 시 4개 신호교차로의 2015년 사고자료를 토대로 각 현장별 도로교통 특성 자료가 수집되었다. 분석 방법으로는 상관분석과 추론통계가 사용되었다. 연구 결과, 도로교통 요인으로 차로수가 정(+)의 요인으로 나타났다(Campisi et al., 2020).

가나의 Kumasi 시를 대상으로 신호위반 행동에 대한 도로교통 요인을 분석한 연구에서는 Kumasi 시에 위치한 10개 신호교차로를 무작위로 선정하여 2018년 3월 8일부터 2주간 현장 관측조사를 실시하였다. 관측조사를 통해 운전자 특성, 차량 특성, 도로 기하구조 특성이 수집되었으며 분석 방법으로는 이항 로지스틱 모형이 사용되었다. 연구 결과, 교차로 유형, 신호 주기, 교차로 접근부 대기행렬 길이가 정(+)의 요인으로 나타났다(Ackaah and Aidoo, 2020).

아랍에미레이트의 Abu Dhabi 시를 대상으로 한 연구에서는 신호위반 교통사고에 대한 교차로 기하구조 요인을 분석하였다. 연구를 위해 49개 신호교차로에 대한 도로 기하구조 자료와 2015-2020년에 발생된 76,842건의 사고자료(물피 포함)가 수집되었다. 분석 방법으로는 음이항 모형이 사용되었다. 연구 결과, 주도로와 교차하는 부도로의 규모(소규모인 경우)가 정(+)의 요인으로 나타났다(Alghafli et al., 2021).

요르단의 Amman 등 4개 도시를 대상으로 한 연구에서는 운전자의 신호위반 행동에 미치는 다양한 요인들을 분석하였다. 연구를 위해 4개 도시의 30개 신호교차로에 대한 기하구조 특성을 수집하였으며 현장에서의 신호위반 여부 확인을 위해 2018년 가을과 2019년 봄에 걸쳐 비디오 촬영이 수행되었다. 분석 방법으로는 수집된 자료에 대한 기술통계를 토대로 전통적 통계검정 방법이 사용되었다. 연구 결과, 교차로 유형(다지 교차로), 접근속도, 교통량이 정(+)의 요인으로 나타났다(Al-Omari et al., 2022).

신호위반 교통사고와 관련된 국내 연구들은 대표적으로 다음과 같다.

충청북도의 4지 신호교차로를 대상으로 한 연구에서는 도시 내부, 도시 외곽부, 지방부로 구분하여 운전자의 신호위반 행동에 대한 인적, 차량, 도로교통적 특성을 분석하였다. 연구를 위해 28개 교차로의 무인교통단속장비 설치 후 1년간의 신호위반 단속자료(총 38,324건)와 도로환경 특성 자료가 수집되었다. 분석 방법으로는 기술통계와 로지스틱 모형이 사용되었다. 연구 결과, 지리적 특성(도시 내부 및 지방부), 계절 및 시간대(주간 및 야간), 운전자 성별, 차종, 주행속도가 요인으로 나타났다(Park et al., 2010).

충청북도 청주시를 대상으로 한 연구에서는 신호위반 교통사고에 대한 운전자 성별에 따른 사고 특성을 분석하였다. 연구를 위해 5년간(2007-2011년) 청주시에서 발생한 2,246건의 신호위반 사고자료와 1,300건의 비신호위반 사고자료가 수집되었다. 분석 방법으로는 이항 로지스틱 모형이 사용되었다. 연구 결과, 날씨 및 시간대(주간 및 야간), 사고위치, 충돌유형, 운전자 성별, 음주여부, 종단경사 등이 요인으로 나타났다(Park, 2015).

경기도의 4지 신호교차로를 대상으로 한 연구에서는 신호위반 교통사고에 대한 위험 교차로를 예측하고 주요 사고심각도 요인을 분석하였다. 연구를 위해 73개 교차로에서 3년간(2012-2014년) 발생된 총 4,221건의 사고자료와 도로교통 특성 자료가 수집되었다. 분석 방법으로는 이항 로지스틱 모형과 MLP 신경망 모형이 사용되었다. 연구 결과, 주도로 교통량, 황색 신호시간, 교차로 면적 등이 신호위반 교통사고의 심각도 요인으로 나타났다(Bae et al., 2017). 이상에서 살펴본 관련 연구 동향은 Table 2와 같이 정리된다.

Table 2.

Summary of studies related to RLR crashes

Classification	Year	Author	Method (analysis model)	Main results (affecting factors)
Overseas study	2017	Baratian-Ghorghi et al.	Statistical test	Curved roads, road slope (downhill or uphill), road width, exclusive left-turn lane
	2018	Mane and Pulugurtha	Negative binomial model	Traffic volume, speed limit, number of lanes, all-red clearance time
	2018	Jensupakarn and Kanitpong	Binary logistic model, Multiple linear model	Number of lanes, lane width, pavement, pole type, exclusive turn lane, yellow time
	2020	Campisi et al.	Correlation analysis, Inferential statistics	Number of lanes
	2020	Ackaah and Aidoo	Binary logistic model	Intersection type, signal cycle time, queue length
	2021	Alghafli et al.	Negative binomial model	Small-scale crossing road
	2022	Al-Omari et al.	Statistical test	Intersection type, speed limit, traffic volume
Domestic study	2010	Park et al.	Multinomial logistic model	Geographic characteristics, accident season & time, driver’s gender, car type, running speed
	2015	Park	Binary logistic model	Accident weather & time, collision spot, collision type, driver’s gender, driver’s drinking, road slope
	2017	Bae et al.	Binary logistic model, MLP neural network	Traffic volume of main road, yellow time, intersection area

2. 구조방정식을 활용한 교통사고 요인 분석 연구 동향

구조방정식을 활용하여 교통사고 요인을 분석한 대표적 국외 연구들이다.

Wang and Qin(2014)는 미국 Wisconsin 주에서 2년간(2008-2009년) 발생된 2,286건의 단독 사고자료로 고속도로 차량 단독사고의 심각도에 미치는 영향 요인을 분석하였다. 외생 잠재변수로는 운전자 특성, 고속도로 특성(횡단경사 및 종단경사), 환경적 요인, 차량 형태, 시설 형태가 설정되었으며 내생 잠재변수로는 상해 심각도, 차량 파손도가 설정되었다.

Yuan et al.(2019)는 미국 Columbia 주 등 여러 주에서 2010년에 발생된 1,555건의 주요 트럭사고 자료로 치명적 사고에 미치는 영향 요인을 분석하였다. 외생 잠재변수로는 환경적 요인, 도로 기하구조 요인, 차량 요인, 운전자 요인이 설정되었으며 내생 잠재변수로는 사고규모, 탑승자 상해 심각도가 설정되었다.

Kashani et al.(2021)는 이란 Isfahan 주에서 5년간(2012-2016) 발생된 3,718건의 보행자 사고자료로 사고심각도에 미치는 영향 요인을 분석하였다. 외생 잠재변수로는 도로 특성, 환경 특성, 운전자 특성, 차량 특성, 보행자 특성이 설정되었으며 내생 잠재변수로는 사상자수, 사고 차량수가 설정되었다.

Sheykhfard et al.(2021)는 이란 Gilan 주에서 6년간(2012-2017년) 교통사고로 사망한 1,359명의 보행자에 대한 법의학 기관 자료와 사고자료로 도시지역과 교외지역에서의 보행자 사고심각도에 미치는 영향 요인을 분석하였다. 외생 잠재변수로는 보행자 인적사항, 도로 형태, 사고 일자 및 시간이 설정되었으며 내생 잠재변수로는 사고심각도(사망 여부)가 설정되었다.

Akbari et al.(2022)는 이란 Kashan 시에서 2018년 2월부터 2019년 9월까지 303명의 대형차량 운전자에 대한 설문조사를 실시하여 대형차량 운전자들의 불안전한 운전행동과 사고 위험 요인을 분석하였다. 외생 잠재변수로는 최근 3년간의 사고개입정도가 설정되었으며 매개변수로는 위험운전행태(15개 설문항목)가 설정되었으며 내생 잠재변수로는 운전자 인적사항, 운전경력, 건강상태, 근로여건이 설정되었다.

다음은 동일한 방법과 연구 분야에 대한 대표적인 국내 연구들이다.

Lee et al.(2008)는 경부고속도로 등 24개 고속도로에서 2005년 발생한 2,280건의 사고자료로 고속도로 사고심각도의 영향 요인을 분석하였다. 외생 잠재변수로는 도로 요인, 운전자 요인, 환경 요인이 설정되었으며 내생 잠재변수로는 사고심각도가 설정되었다.

Song et al.(2009)는 서해안고속도로에서 3년간(2004-2006년) 발생한 939건의 사고자료로 고속도로 사고심각도의 영향 요인을 분석하였다. 외생 잠재변수로는 도로 기하구조, 교통류 특성(교통량, 속도, 점유율)이 설정되었으며 내생 잠재변수로는 사고심각도가 설정되었다.

Kim et al.(2011)는 서울시 서대문구에서 3년간(2005-2007년) 발생한 2,784건의 사고자료로 단속류 시설의 사고규모에 대한 영향 요인을 분석하였다. 외생 잠재변수로는 도로 요인, 환경 요인, 운전자 요인이 설정되었으며 내생 잠재변수로는 사고규모가 설정되었다.

Yoo et al.(2012)는 인천시에서 2010년 발생한 1,132건의 화물차 사고자료로 화물차 사고심각도 영향 요인을 분석하였다. 외생 잠재변수로는 도로 요인, 운전자 요인, 사고상황 요인, 시간 요인이 설정되었으며 내생 잠재변수로는 사고심각도가 설정되었다.

Yoo and Lee(2018)는 경부고속도로에서 2015년 발생한 2,338건의 사고자료로 직업 운전자의 사고심각도 영향 요인을 분석하였다. 외생 잠재변수로는 주행환경, 도로구조, 운전행태가 설정되었으며 내생 잠재변수로는 사고심각도가 설정되었다.

Kim and Jeong(2019)는 국내 고속도로의 터널구간에서 5년간(2013-2017) 발생한 1,790건의 사고자료로 고속도로 터널사고 심각도의 영향 요인을 분석하였다. 외생 잠재변수로는 운전자 특성, 환경 특성, 터널 특성, 충돌 특성이 설정되었으며 내생 잠재변수로는 사고심각도가 설정되었다.

Ko et al.(2021)는 현재 국내에서 착공 중인 고속도로 2개 노선(서울-세종선, 안성-용인선)에 대하여 시뮬레이션 자료를 통해 초고속 주행시 도로 기하구조가 안전성에 미치는 영향 요인을 분석하였다. 외생 잠재변수로는 평면선형, 종단선형, 도로 구조물이 설정되었으며 내생 잠재변수로는 기하구조 안전성 지표가 설정되었다.

이상에서 살펴본 구조방정식을 활용한 교통사고 요인 분석 연구 동향은 Table 3과 같이 정리된다.

Table 3.

Summary of studies related to analysis of traffic crash factors using SEM

Classification	Year	Author	Research subject	Latent variables
Overseas study	2014	Wang and Qin	Severity factors of single-vehicle crashes	•Exogenous variables: driver characteristics, highway charac- teristics, environmental factors, vehicle types, traffic facilities •Endogenous variables: injury severity, vehicle damage
	2019	Yuan et al.	Factors of fatal crashes involving trucks	•Exogenous variables: environmental factors, roadway factors, vehicle factors, driver factors •Endogenous variables: accident size, truck occupant injury
	2021	Kashani et al.	Severity factors of pedestrian crashes	•Exogenous variables: road characteristics, environmental characteristics, driver characteristics, vehicle characteristics, pedestrian characteristics •Endogenous variables: number of died & injured individuals, number of involved vehicle
	2021	Sheykhfard et al.	Fatality factors of pedestrian crashes	•Exogenous variables: pedestrian’ type, crash date & time •Endogenous variables: collision severity
	2022	Akbari et al.	Factors of unsafe behaviors in heavy vehicle drivers	•Exogenous variables: number of accidents involving lorry drivers •Intermediate variable: dangerous driving behavior(15 items) •Endogenous variables: driver’ experience, health status, working conditions
Domestic study	2008	Lee at al.	Severity factors of highway accidents	•Exogenous variables: roadway factors, driver factors, environmental factors •Endogenous variables: crash severity
	2009	Song et al.	Severity factors of highway accidents	•Exogenous variables: road geometric, traffic flow data •Endogenous variables: crash severity
	2011	Kim et al.	Crash factors in interrupted flow	•Exogenous variables: roadway factors, environmental factors, driver factors •Endogenous variables: crash size
	2012	Yoo et al.	Severity factors of truck crashes	•Exogenous variables: roadway factors, driver factors, accident situation factors, time factors •Endogenous variables: crash severity
	2018	Yoo and Lee	Severity factors of transport worker	•Exogenous variables: driving environment, road structure, driving behavior •Endogenous variables: crash severity
	2019	Kim and Jeong	Severity factors of highway tunnel crashes	•Exogenous variables: driver characteristics, environmental factors, tunnel characteristics, collision characteristics •Endogenous variables: crash severity
	2021	Ko et al.	Safety factors of highway driving	•Exogenous variables: horizontal alignment, vertical alignment, road structures •Endogenous variables: geometry safety index

3. 시사점 및 연구 차별성

기존 연구에서 살펴본 바와 같이 도로교통 측면의 교차로 신호위반 사고 요인은 크게 세 가지 특성(도로 특성, 신호운영 특성, 교통량 특성)으로 정리될 수 있다. 도로 특성으로는 도로선형, 도로폭, 차로수, 제한속도, 좌회전 전용차로가 영향 요인으로 나타났으며 신호운영 특성으로는 신호 주기, 황색 시간, 전적색 시간(all red time)이 영향 요인으로 나타났으며 교통량 특성으로는 교통량, 대기행렬 길이가 영향 요인으로 나타났다.

이러한 요인은 대체로 국외에서 수행된 연구 결과이며 연구 대상 교차로의 규모, 형태, 사고건수가 워낙 다양하여 결과의 신뢰성 확보가 어렵다. 그리고, 국내 연구에서는 일부 요인(종단경사, 주행속도)이 국외 연구 결과와 유사하게 나타났지만, 이 연구들은 신호위반 사고가 많은 교차로의 특성 연구가 아니라 사고 자체가 담고 있는 개별 사고정보와 무인교통단속장비의 신호위반 단속건수에 대한 연구 결과에 해당한다. 또한, 기존 연구들은 사고건수나 사고심각도 중 하나를 종속변수로 설정하여 분석하였으나, 국내에서는 실제 교통사고 감소대책 수립시 사고건수와 사고심각도를 나누어 접근하지 않기 때문에 이들 모두가 중요한 요소가 될 수 있다.

본 연구의 차별성은 다음과 같다. 첫째, 국내에서 최근 2년간(2021-2022년) 10건 이상의 교통사고가 발생한 4지 교차로만을 대상으로 하여 교차로 자체의 도로교통 특성과 신호위반 사고와의 관계를 탐색함으로써 이들의 영향 관계를 분석하였다. 둘째, 기존의 다변량 분석기법을 확장한 통계기법을 사용하여 신호위반 사고건수, 사상자수 뿐만 아니라, 교차로별 사고비용까지 추가함으로써 신호위반 사고규모에 미치는 복잡한 관계를 모델링하였다. 셋째, 기존 연구의 사고발생 요인 중 도로교통 측면의 세 가지 특성(도로 특성, 신호운영 특성, 교통량 특성)에 더불어 실제 교차로 현장에 설치된 주요 교통시설까지를 포함시킴으로써 보다 유의미한 영향 요인들을 도출하고자 하였다.

분석자료 및 방법론

1. 분석 절차 및 자료

본 연구의 가설은 ‘도로 특성, 교통시설 특성, 신호운영 특성, 교통량 특성이 신호위반 사고규모에 영향을 미칠 것이다’로 설정하였다. 이 같은 연구가설을 검증하기 위한 분석 절차는 Figure 1과 같이 크게 4단계로 구성된다. 1단계는 자료수집을 통해 분석 대상 교차로를 확정한다. 2단계는 수집된 자료의 전처리와 변수를 설정한다. 3단계는 정리된 자료의 기초통계량을 산출하여 분석자료의 특성을 파악한다. 마지막 4단계는 구조방정식 분석으로 가설검증 결과를 확인한다.

https://cdn.apub.kr/journalsite/sites/kst/2024-042-03/N0210420307/images/kst_2024_423_348_F1.jpg

Figure 1.

Overall research procedure

연구지역은 서울시를 대상으로 하였다. 본 연구 목적상, 교통사고가 빈번히 일어나는 교차로 선정을 위해 도로교통공단의 교통사고 잦은 곳 DB가 활용되었다. 교통사고 잦은 곳 DB에서는 매년 교통사고 잦은 곳 개선사업을 수행하기 위해 지역별 주요 교차로를 관리하고 있으며 관리 지점별 사고자료가 구축되어 있다. 교차로에 대한 공간적 범위는 사고 잦은 곳 개선사업 업무편람(Ministry of Construction and Transportation, 2002)의 기준에 따라 차량 정지선 후방 30m 이내까지를 대상으로 하였다(Figure 2).

https://cdn.apub.kr/journalsite/sites/kst/2024-042-03/N0210420307/images/kst_2024_423_348_F2.jpg

Figure 2.

Spatial range of intersection

그리고 본 연구에서는 보다 신뢰성 있는 결과 도출을 위해 분석대상 교차로를 4지 교차로에 한정시켰다. 4지 교차로는 국내 교차로의 주류를 이루고 있는 행태로 2023년 전국 시도 및 도로별 교통사고 잦은 곳 현황(Korea Road Traffic Authority, 2023)에 의하면 전국의 교통사고 잦은 교차로 6,489개소 중 4지 교차로는 4,557개소(70.2%)로 가장 많은 비중을 차지하고 있다. 또한, 4지 교차로의 이동류 수는 12개인 반면, 3지 교차로는 6개에 불과하기 때문에 두 교차로에 대한 신호위반의 규모 및 특성이 상이할 수 있으므로 본 연구에서는 선행연구에서 고려되지 않은 이 부분을 감안하였다. 이에 따라, 서울시 주요 4지 교차로 중 최근 2년간(2021-2022년) 10건 이상의 사고건수가 발생된 교차로만을 1차로 추출하였으며 그 결과로 총 261개의 신호교차로가 선정되었다.

또한, 교차로별 다양한 도로교통 측면의 자료수집을 위해 서울시 교통안전시설물관리시스템(T-GIS)이 활용되었다. 서울시 T-GIS에서는 교차로별 기하구조, 교통시설, 교통량 및 신호운영 현황자료가 구축되어 있다. 본 연구에서는 이를 통해 현장 특성 파악이 가능한 주요 자료들을 구축하였으며 이러한 자료는 교통사고 자료인 2021-2022년에 해당하는 기간의 자료를 최대한 활용하였다. 또한 교통사고 T-GIS에서 확인이 불가능한 교통시설인 단속카메라 및 미끄럼방지포장의 설치 여부 판별에는 인터넷 로드뷰(road view)가 활용되었으며 설치시기 또한 2021-2022년에 해당하는 자료를 활용하여 자료의 신뢰성을 높였다.

1차로 선정된 261개 교차로별 T-GIS 자료를 검토한 결과, 44개 교차로에서 교통량 자료가 존재하지 않는 것으로 확인됨에 따라 최종적으로 217개의 신호교차로가 본 연구 대상 교차로로 확정되었다. 교통사고 잦은 곳 DB를 통해 217개 교차로에서 발생된 교통사고는 총 6,889건(교차로 당 평균 31.7건)으로 나타났으며 이 중 신호위반 교통사고는 21.9%에 해당하는 1,508건(교차로 당 평균 6.9건)으로 국내 전체 평균 대비 약 2배 높은 것으로 확인되었다.

분석 대상 217개 교차로의 데이터셋을 위한 변수구성은 다음과 같다. 외생 잠재변수는 도로용량편람(Ministry of Construction and Transportation, 2013)의 신호교차로 분석시 고려되는 세가지 측면(교통량, 신호시간, 교차로 구조)과 기존 연구들의 분석결과 및 유형 분류를 참고하였으며 Highway Safety Manual(AASHTO, 2010)에서 강조되는 현장의 교통안전시설 측면이 본 연구에 추가로 고려되었다. 이에 따라 도로 특성, 교통시설 특성, 신호운영 특성, 교통량 특성의 네 가지 특성이 잠재변수로 구성되었다.

외생 잠재변수로 구성된 네 가지 특성에 대한 관측변수 구축을 위해 현장에서 수집할 수 있는 최대한 많은 변수들을 확보하였다. 현장의 모든 인자들이 교통사고의 영향인자가 될 수 있으며 많은 변수들이 수집될 경우 구조방정식 모형의 측정모형을 통해 중요 요인 도출이 가능할 것이다. 이에 따라, 본 연구의 외생 잠재변수에는 총 23개의 관측변수가 구축되었다.

이들 23개의 변수 중, 도로 특성 변수에는 제한속도, 교차도로 간 제한속도차, 총 차로수, 횡단보도 개수, 중앙버스전용차로 개수, 좌회전 전용차로 개수, 우회전 교통섬 개수, 인접교차 간 거리, 교차로 내부면적, 교차도로 간 교차로 통과거리차, 좌회전 금지 접근로수, 유턴 허용 접근로수의 12개 변수가 구축되었다.

교통시설 특성 변수에는 신호등면수, 전방 신호등 설치 접근로수, 단속카메라 설치 접근로수, 노면색깔유도선 설치 접근로수, 미끄럼방지포장 설치 접근로수의 5개 변수가 구축되었다.

신호운영 특성 변수에는 현시수, 황색시간, 전적색 시간(all red time), 보행전시간의 4개 변수가 구축되었다.

교통량 특성 변수에는 첨두시 교통량, 주도로 교통량 비율의 2개 변수가 구축되었다.

한편, 내생 잠재변수는 신호위반 사고규모를 잠재변수로 구성하였으며 여기에는 총 3개 관측변수(신호위반 사고건수, 신호위반 사상자수, 신호위반 사고비용)가 구축되었다. 이 중 사고비용은 Korea Road Traffic Authority(2023)을 근거로 하였다.¹⁾

이상과 같이 구축된 변수들과 각 변수별 기초통계량은 Table 4와 같다. 구축된 변수 중 범주형(categorical) 변수는 범주별 빈도수 및 해당 비율을, 수치형(numerical) 변수는 최소값, 평균, 최대값, 표준편차를 산출하였다. 또한, 본 연구가 4지 교차로만을 대상으로 하고 있음에 따라 범주형 변수의 범주 구분은 대부분 해당 변수(현장 시설)가 설치된 접근로수로 구분하였다.²⁾

Table 4.

Descriptive statistics of selected 26 variables (a total of 217 intersections)

Classification	Latent variables	Observed variables	Descriptive statistics
Exogenous variables	Road characteristics	Speed limit (kph)	Min=40, Avg=49, Max=60, SD=4
		Difference in speed limit between cross roads	0kph=180 (82.9%), 20kph=21 (9.7%), 10kph=16 (7.4%)
		Total number of lanes (lanes)	Min=6, Avg=14.3, Max=23, SD=3.1
		Crosswalk	4=170 (78.3%), 3=25 (11.5%), 2=13 (6.0%), 1=7 (3.2%), 0=2 (0.9%)
		Central bus-exclusive lane	0=146 (67.3%), 2=64 (29.5%), 1=5 (2.3%), 3=1 (0.5%), 4=1 (0.5%)
		Exclusive LT lane	4=106 (48.8%), 3=52 (24.0%), 2=43 (19.8%), 1=12 (5.5%), 3=10 (4.6%)
		Traffic island	0=112 (51.6%), 4=44 (20.3%), 2=26 (12.0%), 1=25 (11.5%), 3=10 (4.6%)
		Average distance between adjacent intersections (m)	Min=125, Avg=388, Max=913, SD=160
		Intersection area (㎡)	Min=1,026, Avg=2,801, Max=7,452, SD=1,096
		Difference in distance between cross roads (m)	Min=0, Avg=8.8, Max=48.0, SD=7.4
		Prohibit LT	0=152 (70.0%), 1=33 (15.2%), 2=25 (11.5%), 3=5 (2.3%), 4=2 (0.9%)
		U-turn	2=68 (31.3%), 4=43 (19.8%), 0=41 (18.9%), 1=34 (15.7%), 3=31 (14.3%)
Exogenous variables	Traffic facility characteristics	Number of traffic light face (pcs)	Min=6, Avg=12.7, Max=29, SD=3.9
		Forward traffic light	4=130 (59.9%), 2=29 (13.4%), 3=24 (11.1%), 0=19 (8.8%), 1=15 (6.9%)
		Enforcement camera	0=124 (57.1%), 1=80 (36.9%), 2=12 (5.5%), 4=1 (0.5%)
		Pavement color guiding line	0=180 (82.9%), 1=26 (12.0%), 2=10 (4.6%), 4=1 (0.5%)
		Skid-proof facility	0=193 (88.9%), 1=16 (7.4%), 2=6 (2.8%), 3=2 (0.9%)
	Signal operation characteristics	Number of phase	4=166 (76.5%), 3=28 (12.9%), 5=20 (9.2%), 2=2 (0.9%), 6=1 (0.5%)
		Total yellow time (second)	Min=12, Avg=16, Max=20, SD=1.7
		Total all-red time (second)	Min=0, Avg=4.2, Max=16, SD=2.5
		Total before pedestrian time (second)	Min=0, Avg=7.8, Max=26, SD=5.5
	Traffic volume characteristics	Total traffic volume (vph)	Min=1,818, Avg=5,513, Max=11,540, SD=1,740
	Traffic volume characteristics	Traffic volume ratio of main road (%)	Min=50, Avg=63.9, Max=94.4, SD=10
Endogenous variables	Magnitude of crashes	Number of crashes (cases)	Min=2, Avg=6.9, Max=28, SD=4
		Number of casualties (people)	Min=2, Avg=10.8, Max=42, SD=6.9
		Cost of crashes (hundred million won)	Min=0.08, Avg=2.71, Max=12.65, SD=2.28

2. 분석 방법론

본 연구의 주목적은 교차로 신호위반 교통사고에 대한 도로교통 측면의 영향 요인을 도출하는 것이다. 이를 위해서는 인과관계 분석이 필요하다. 인과관계 분석기법은 큰 틀에서 영향관계 모형, 차이검정 모형, 실험연구의 세 가지로 구분된다. 영향관계 모형과 차이검정 모형 간 구분은 변수의 특성(연속형, 범주형)에 따라 나누어지며 실험연구의 경우 통상 프로그램의 효과성 연구를 위한 진실험이 대표적이다.³⁾

이 중 영향관계 모형은 변수 간 관계가 단편적이냐 구조적이냐에 따라 회귀모형과 구조모형으로 분류되는데 선행 연구들은 대부분 일차원적인 다변량 분석을 수행했기 때문에 회귀분석이 주로 사용되었다. 이러한 방법은 종속변수와 독립변수 간 영향관계 분석만 가능하며 변수 간의 복잡한 관계를 고려하는데 한계가 있다. 본 연구의 목적은 신호위반 교통사고 규모에 원인이 될 수 있는 다양한 변수들을 최대한 수집하여 이들 복수의 관측변수들을 유사 범주로 통합하여 하나의 공통요인(잠재변수)으로 묶고 이렇게 구분된 다수의 공통요인이 신호위반 사고규모라는 종속변수에 미치는 영향력을 분석하는 것이다.

따라서, 본 연구와 같이 다양한 변수들의 관계를 복합적으로 분석할 필요가 있는 경우에는 기존의 일차원적인 회귀모형식보다 구조방정식 모형을 적용할 필요가 있다. 특히, 구조방정식 모형 중에서도 4개의 특성(도로 특성, 교통시설 특성, 신호운영 특성, 교통량 특성)에 기반한 연역적 추론을 수행하는 경우에는 탐색적 분석방법인 PLS(Partial Least Squares) 구조방정식보다는 공분산(covariance) 기반의 구조방정식 모형이 필요하기 때문에 본 연구는 이를 적용하였다.

구조방정식 모형(Structural Equation Model, SEM)은 Karl Joreskog에 의해 크게 발전되었으며 이는 서로 다른 전통의 통계분석법을 하나로 결합시킨 것이다(Kim et al., 2009; Bollen, 1989; Joreskog and Sorbom, 1993). 하나는 행동과학(사회학, 심리학) 분야에서 개발된 측정이론에 기초한 확인적 요인분석 방법이며 다른 하나는 계량경제학에서 개발된 연립방정식 모형에 기초한 다중회귀분석과 경로분석 방법이다(Seo, 2015). 또한, 특정 현상에 대한 체계적인 이론을 분석하기 위한 다변량 분석기법으로 확인적 요인분석과 같은 가설검정에 주로 사용되는 통계적 분석방법이다(Kim, 2007).

구조방정식 모형은 관찰변수로만 구성된 경로모형, 잠재변수와 관측변수로 구성된 측정모형 뿐만 아니라 잠재변수 사이의 이론적 인과관계까지 다루는 포괄적 통계모형으로 Figure 3과 같이 측정모형(measurement model)과 구조모형(structure model)으로 구성된다. 측정모형은 관측변수와 잠재변수의 관계로 나타내며 구조모형은 잠재변수 사이의 인과관계를 경로분석에서와 같이 회귀모형(regression model)처럼 나타낸다. 구조방정식은 잠재변수 사이의 인과관계와 잠재변수와 관측변수 사이의 관계를 동시에 검증할 수 있는 장점을 가지고 있다.

https://cdn.apub.kr/journalsite/sites/kst/2024-042-03/N0210420307/images/kst_2024_423_348_F3.jpg

Figure 3.

The basic structure of SEM

Figure 3의 측정모형 1(measurement model 1)은 외생 잠재변수(exogenous latent variable)를 생성하는 모형으로 다른 잠재변수에 영향을 미치는 변수이다. 회귀분석의 독립변수와 같은 개념으로 구조방정식 모형에서는 이를 외생변수라고 한다. 측정모형1에 대한 수식은 Equation 1과 같다.

(1)

x_{m} = λ_{x m n} ξ_{n} + δ_{m}

여기서, $λ_{m n}$ = 경로계수⁴⁾

$ξ_{n}$ = 외생잠재변수

$δ_{m}$ = 오차, 잔차

측정모형2(measurement model 2)는 내생 잠재변수(endogenous latent variable)를 생성하는 모형으로 다른 잠재변수에 의해 영향을 받는 변수이다. 회귀분석의 종속변수와 같은 개념으로 구조방정식 모형에서는 이를 내생변수라고 한다. 측정모형 2에 대한 수식은 Equation 2와 같다.

(2)

y_{p} = λ_{y p q} η_{q} + ε_{p}

여기서, $λ_{y p q}$ = 경로계수

$η_{q}$ = 내생잠재변수

$ε_{p}$ = 오차, 잔차

구조모형(structure model)은 측정모형을 통해 나온 외생 잠재변수와 내생 잠재변수를 회귀분석과 같이 인과관계를 가지도록 관계를 만드는 모형으로 구조모형에 대한 수식은 Equation 3과 같다.

(3)

η_{q} = γ_{a b} η_{n} + ζ_{c}

여기서, $γ_{a b}$ = 경로계수

$η_{n}$ = 외생잠재변수

$ζ_{c}$ = 오차, 잔차

구조모형의 관계는 일반적인 회귀분석과 동일하다. 회귀계수라 할 수 있는 경로계수에 설명변수인 외생 잠재변수를 곱한 것이 총 효과가 되고 그 외에 측정이나 알 수 없는 부분을 오차로 하여 선형 결합한 것이 구조모형의 형태가 된다. 이와 같이 구조방정식 모형은 측정모형을 통해 외생 잠재변수와 내생 잠재변수를 생성하게 되고 이들을 구조모형으로 결합하여 원하는 형태의 자유로운 모형을 생성한다(Lee, 2021). 즉, 구조방정식 모형은 인과분석을 위해서 요인분석과 회귀분석을 개선적으로 결합한 형태이다(Kim et al., 2023).

한편, 위와 같은 장점에도 불구하고 구조방정식 모형은 분석가의 주관이 너무 개입되어 연구의 객관성이 흐려질 수 있는 문제가 발생할 수 있다. 이런 단점을 보완하고 끊임없는 자기 검정을 위해 구조방정식 모형 내에는 매우 많은 평가지표 및 지수들이 존재하는데(Bagozzi and Yi, 1988), 대표적으로는 다음 지수들이 활용된다(Ahn and Choi, 2014). 이들은 크게 절대적합지수(Absolute Fit Index, AFI), 증분적합지수(Incremental Fit Index, IFI), 간명적합지수(Parsimonious Fit Index, PFI)로 구분된다.

절대적합지수에는 대표적으로 기초 부합치(Goodness of Fit Index, GFI), 원소 간 평균 차이(Root Mean square Residual, RMR), 근사 원소 평균 자승 잔차(Root Mean Square Error of Approximation, RMSEA)가 존재한다. 기초 부합치(GFI)는 예측된 모델에 의해 설명되는 관측모델의 상대적인 분산과 공분산의 양을 측정하는 척도로 정의되며 회귀분석에서 R-square와 비슷하게 해석될 수 있다. GFI는 일반적으로 0-1.0 사이의 값을 가지며 0.9 이상일 경우 양호하다고 판단한다(Kline, 2015).

원소 간 평균 차이(RMR)는 잔차 평균을 자승하고 이를 합한 후 이중근을 취한 값이다. RMR은 표본자료에 의해 모델이 설명할 수 없는 분산과 공분산의 크기를 의미하고 값이 작을수록 좋으나, 일반적으로 0.1 이하일 경우 수용할 수 있는 것으로 간주한다(Kline, 2015).

근사 원소 평균 자승 잔차(RMSEA)는 표본크기가 상당히 큰 제안모형을 기각시키는 chi-square 통계량의 한계를 극복하기 위해 개발된 적합지수이다. RMSEA는 일반적으로 0.1 이하의 값을 가지면 양호하다고 판단한다(Hu and Bentler, 1999).

증분적합지수에는 대표적으로 표준적합지수(Normed Fit Index, NFI), 비교부합지수(Comparative Fit Index, CFI), 터커-루이스 지수(Turker-Lewis Index, TLI)가 존재한다. 표준적합지수(NFI)는 기초모형 대비 제안모형이 어느 정도 향상되었는가를 나타내는 지수이다. 예를 들어, NFI가 0.8이라는 의미는 기초모형 대비 제안모형이 80% 향상되었음을 의미하며 일반적으로 0.8 이상이면 수용할 만하다고 판단한다(Kline, 2015).

비교부합지수(CFI)는 귀무가설이 진실하다는 가정을 토대로 한 중심 χ²분포를 검정통계량으로 사용한다. Bentler(1990)는 내포모형에서 NFI의 결함을 극복하기 위해 모집단의 모수 및 분포를 표시하는 관점에서 CFI를 개발하였는데 CFI의 권장 수용수준은 0.9 이상이다(Hu and Bentler, 1999).

터커-루이스 지수(TLI)는 원래 요인분석을 위해 개발되었다가 구조방정식 모형 평가에까지 확장되었다. TLI의 경우에 일반적인 권장 수용기준은 0.9 이상이면 좋은 적합도를 갖는다고 판단한다(Widaman and Thompson, 2003).

간명적합지수에는 대표적으로 조정부합치(Adjusted Goodness of Iit Index, AGFI)가 존재한다. 조정부합치(AGFI)는 GFI를 모형내 자유도를 이용하여 조정한 척도로 추정 모수의 수가 많을수록 자료를 더욱 잘 적합시키는 경향이 있다. 따라서, 추정 모수의 갯수가 많아짐에 따라 GFI값을 하향 조정할 필요가 있으며 일반적으로 AGFI가 0.8 이상인 경우 양호하다고 판단한다(Byrne, 2016).

구조방정식 모형의 일반적 연구 절차는 Figure 4와 같다(Bae, 2002).

https://cdn.apub.kr/journalsite/sites/kst/2024-042-03/N0210420307/images/kst_2024_423_348_F4.jpg

Figure 4.

The research procedure of SEM (Bae, 2002)

분석 결과 및 논의

1. 확인적 요인분석(Confirmatory Factor Analysis)

분석 절차에서 수립한 연구가설과 Table 4를 토대로 구축된 최초 연구모형은 Figure 5와 같이 도식화 될 수 있으며, 연구가설을 검증하기 위해 먼저 구조방정식의 측정모형에 의한 확인적 요인분석(Confirmatory Factor Analysis, CFA)이 수행되었다.

https://cdn.apub.kr/journalsite/sites/kst/2024-042-03/N0210420307/images/kst_2024_423_348_F5.jpg

Figure 5.

The first research model

1차 CFA를 통해 잠재변수를 구성하고 있는 관측변수들을 검증한 결과, 총 26개 변수 중 9개 변수만이 표준요인 부하량(Standardized Loadings)의 기준치인 0.5를 초과하는 것으로 나타났다. Table 5를 통해 결과로 나타난 9개의 변수를 살펴보면 외생 잠재변수에는 도로 특성 변수 4개(제한속도, 교차도로 간 제한속도차, 총 차로수, 교차로 내부면적)와 교통시설 특성 변수 2개(신호등면수, 전방 신호등)가 도출되었으며 내생 잠재변수에는 사고규모 변수 3개(사고건수, 사상자수, 사고비용) 모두 적절한 것으로 도출되었다.

Table 5.

Results of the 1st CFA model analysis

Classification			Std. Estimate	SE	P-value		CR	AVE
Speed limit	←	Road characteristics	0.654	0.045	0.000	***	0.519	0.514
Difference in speed limit between cross roads	←		-0.557	0.052	0.000	***
Total number of lanes	←		0.777	0.034	0.000	***
Crosswalk	←		0.011	0.073	0.876
Central bus-exclusive lane	←		-0.063	0.072	0.385
Exclusive LT lane	←		0.374	0.063	0.000	***
Traffic island	←		0.442	0.060	0.000	***
Average distance between adjacent intersections	←		0.377	0.063	0.000	***
Intersection area	←		0.501	0.056	0.000	***
Difference in distance between cross roads	←		0.025	0.073	0.729
Prohibit LT	←		-0.191	0.070	0.006	**
U-turn	←		0.416	0.061	0.000	***
Number of traffic light face	←	Traffic facility characteristics	0.927	0.069	0.000	***	0.836	0.760
Forward traffic light	←		0.611	0.062	0.000	***
Enforcement camera	←		0.060	0.072	0.404
Pavement color guiding line	←		0.131	0.072	0.067	.
Skid-proof facility	←		-0.074	0.072	0.305
Number of phase	←	Signal operation characteristics	0.031	0.245	0.900		0.001	0.001
Total yellow time	←		0.065	0.510	0.899
Total all-red time	←		0.050	0.395	0.900
Total before pedestrian time	←		-0.015	0.123	0.900
Total traffic volume	←	Traffic volume characteristics	0.415	0.097	0.000	***	0.071	0.116
Traffic volume ratio of main road	←		-0.337	0.088	0.000	***
Number of crashes	←	Magnitude of crashes	0.935	0.018	0.000	***	0.947	0.884
Number of casualties	←		0.968	0.017	0.000	***
Cost of crashes	←		0.659	0.040	0.000	***

Signif. codes: p<0.001(***), p<0.01(**), p<0.05(*), p<0.1(.)

총 26개 관측변수 중 1차 CFA 결과인 9개의 변수만으로 수정 모형을 재구축하여 2차 CFA를 수행한 결과, Table 6과 같이 도로 특성 변수 중 교차로 내부면적의 표준요인 부하량이 0.380으로 기준치를 미달하였다. 이에 따라, 최종 CFA 모형에서는 교차로 내부면적이 제외된 8개의 변수가 연구 모형의 요인들로 선정되었다.

Table 6.

Results of the 2nd CFA model analysis

Classification			Std. Estimate	SE	P-value		CR	AVE
Speed limit	←	Road characteristics	0.902	0.038	0.000	***	0.710	0.606
Difference in speed limit between cross roads	←		-0.794	0.040	0.000	***
Total number of lanes	←		0.571	0.052	0.000	***
Intersection area	←		0.380	0.063	0.000	***
Number of traffic light face	←	Traffic facility characteristics	0.934	0.116	0.000	***	0.864	0.814
Forward traffic light	←		0.609	0.087	0.000	***
Number of crashes	←	Magnitude of crashes	0.935	0.018	0.000	***	0.947	0.884
Number of casualties	←		0.968	0.017	0.000	***
Social cost of traffic crashes	←		0.659	0.040	0.000	***

Signif. codes: p<0.001(***), p<0.01(**), p<0.05(*), p<0.1(.)

최종 CFA 모형의 관측변수들이 해당 특성 요인을 얼마나 잘 대표하고 있는지를 판단하기 위해 요인신뢰도(Construct Reliability, CR), 평균분산추출값(Average Variance Extracted, AVE), 크론바흐 알파(Cronbach's α)를 산출하였으며(Rencher, 2005), 이 중 CR 및 AVE에 대한 수식은 각각 Equation 4, Equation 5와 같다(Reise et al., 1993).

(4)

C R = \frac{(Σ λ)^{2}}{(Σ λ)^{2} + Σ δ}

(5)

A V E = \frac{Σ λ^{2}}{Σ λ^{2} + Σ δ}

여기서, $λ$ = 표준요인 부하량

$δ$ = 측정오차

검증 결과, 도로 특성은 CR=0.716, AVE=0.615, Cronbach's α=0.648, 교통시설 특성은 CR=0.869, AVE=0.820, Cronbach's α=0.737, 사고규모는 CR=0.947, AVE=0.885, Cronbach's α=0.811로 나타나 모든 요인들이 기준치(CR > 0.7, AVE > 0.5, Cronbach's α > 0.6)를 충족하는 것으로 나타났다.

최종 CFA 모형에 대한 적합도 평가를 위해 절대적합지수(AFI), 증분적합지수(IFI), 간명적합지수(PFI)에 해당하는 총 7개 지수를 이용하였으며 분석 결과는 Table 7과 같이 최종 CFA 모형에 대한 모든 적합지수가 기준치를 충족하는 것으로 나타났다.

Table 7.

Results of the godness-of-fit analysis of the final CFA model

Classification	AFI			IFI			PFI
Classification	GFI	RMR	RMSEA	NFI	CFI	TLI	AGFI
Final model	0.942	0.073	0.085	0.934	0.952	0.921	0.878
Thresholds	> 0.9	< 0.1	< 0.1	> 0.8	> 0.9	> 0.9	> 0.8
Criterion	Accept	Accept	Accept	Accept	Accept	Accept	Accept

2. 경로분석(Path Analysis)

앞서 분석된 최종 CFA 모형의 결과를 반영하여 경로분석(Path Analysis, PA) 수행을 위한 최종 연구 모형이 Figure 6과 같이 구축되었다. 최초 연구 모형 대비 외생 잠재변수에는 도로 특성변수(3개 관측변수)와 교통시설 특성변수(2개 관측변수)만 남았으며 내생 잠재변수는 최초 연구 모형과 동일하게 유지되었다.

https://cdn.apub.kr/journalsite/sites/kst/2024-042-03/N0210420307/images/kst_2024_423_348_F6.jpg

Figure 6.

The final research model

Figure 6의 최종 연구 모형에 대한 PA결과는 Table 8과 같다. PA를 통해 본 연구의 외생 잠재변수(도로 특성 및 교통시설 특성)와 내생 잠재변수(신호위반 사고규모)간 인과관계가 규명되었는데 Table 8의 표준화 회귀계수를 통해 신호위반 사고규모에 대한 도로 특성과 교통시설 특성의 영향력이 산출되었다.

Table 8.

Results of the PA model analysis

Classification			Std. Estimate	SE	P-value
Speed limit	←	Road characteristics	0.932	0.060	0.000	***
Difference in speed limit between cross roads	←		-0.785	0.047	0.000	***
Total number of lanes	←		0.441	0.056	0.000	***
Number of traffic light face	←	Traffic facility characteristics	0.939	0.259	0.000	***
Forward traffic light	←		0.607	0.232	0.009	**
Number of crashes	←	Magnitude of crashes	0.934	0.020	0.000	***
Number of casualties	←		0.968	0.017	0.000	***
Social cost of traffic crashes	←		0.659	0.067	0.000	***
Magnitude of crashes	←	Road characteristics	0.254	0.073	0.001	**
Magnitude of crashes	←	Traffic facility characteristics	0.167	0.086	0.045	*

Signif. codes: p<0.001(***), p<0.01(**), p<0.05(*), p<0.1(.)

3. 주요 결과 해석 및 논의

본 연구에서 분석된 최종 구조방정식 모형의 결과는 Figure 7과 같다. 추정 모형에 따르면 도로 특성 요인과 교통시설 특성 요인이 신호위반 사고규모에 미치는 영향력은 각각 0.25(p<0.01), 0.17(p<0.05)로 도로 특성의 영향력이 다소 크게 나타났다. 이는 도로 특성 요인과 교통시설 특성 요인이 증가할수록 신호위반 사고규모가 늘어나는 것을 의미한다.

https://cdn.apub.kr/journalsite/sites/kst/2024-042-03/N0210420307/images/kst_2024_423_348_F7.jpg

Figure 7.

The final SEM model and standardized coefficient

도로 특성 요인을 구성하는 3개 변수에 미치는 상대적 영향력은 제한속도 > 교차도로 간 제한속도차 > 총 차로수 순으로 나타났고 이 중 교차도로 간 제한속도차는 부(-)의 영향력을 미치는 것으로 나타났다. 교통시설 특성 요인을 구성하는 2개 변수에 미치는 상대적 영향력은 신호등면수 > 전방 신호등으로 나타났다. 신호위반 사고규모를 구성하는 3개 변수에 미치는 상대적 영향력은 사상자수 > 사고건수 > 사고비용 순으로 나타났다.

도로 특성 중 가장 큰 영향력이 나타난 제한속도는 Mane and Pulugurtha(2018), Al-Omari et al.(2022), Park et al.(2010)의 연구 결과와 일치하였으며, 차로수는 Mane and Pulugurtha(2018), Jensupakarn and Kanitpong(2018), Campisi et al.(2020)의 연구 결과와 일치하였다. 반면, Bae et al.(2017)의 연구 결과인 교차로 내부면적은 본 연구의 1차 CFA에는 포함되었으나, 최종 모형에는 포함되지 않았다.

본 연구를 통해 선행연구에서 나타난 높은 제한속도와 차로수가 신호위반 사고규모를 증가시키는 요인에 해당된다는 점이 본 연구에서도 확인되었다. 특히 선행연구들에서는 이러한 요인이 신호위반 사고건수에 미치는 영향만을 밝혀냈으나, 본 연구를 통해 사고건수 뿐만 아니라 사상자수와 사고비용에 미치는 영향관계까지 밝혀졌으며 특히 사상자수에 대한 영향력은 사고건수 이상으로 큰 것으로 확인되었다. 이는 신호위반 사고의 심각성이 높다는 사실을 일깨워준다.

또한, 본 연구에서 부(-)의 영향으로 나타난 교차도로 간 제한속도차의 경우, 주도로끼리 교차하는 교차로보다는 주도로-부도로가 교차하는 교차로에서의 신호위반 사고가 큰 것으로 추정되며 이는 Alghafli et al.(2021)의 연구 결과와 맥락적으로 유사하다. 본 연구 대상이 서울시 주요 교차로에 해당되지만 국내 대부분의 지방 대도시 및 중소도시의 주요 교차로들 또한 교차도로 간 제한속도차가 존재하는 교차로들이 상당히 많다. 따라서, 이들 교차로에서는 신호위반 사고규모가 보다 크게 나타날 수 있다는 점을 감안하여 교통안전에 각별한 주의가 필요함을 인지해야 할 것이다.

한편, 기존 연구에서 알 수 없었던 교통시설 특성은 본 연구를 통해 신호위반 사고의 영향 요인으로 새롭게 밝혀졌다. 본 연구에서는 신호등면수와 전방 신호등이 클수록 신호위반 사고규모가 증가하는 것으로 나타났는데, 이는 교차로의 신호등면이 많거나 교차로를 통과하기 전에 설치된 신호등은 오히려 교통안전 문제를 야기할 수도 있을 것으로 보인다. 이 부분은 국외와 다른 국내 교차로의 교통시설적 특성에 해당되는데, 이에 대한 구체적 논의는 Table 9를 참조하여 설명하고자 한다.

Table 9.

Comparison of road traffic characteristics between groups with high and low numbers of RLR crashes

Classification	# of total crashes (A)	# of RLR crashes (B)	(B/A)	Intersection volume	# of lanes per approach	# of traffic signal faces per approach	# of approaches for forward traffic signall
Top 50%	41.3	10.2	28.6%	5,815 vph	3.7 lanes	3.5	3.5
Entire	31.7	6.9	21.9%	5,513 vph	3.6 lanes	3.2	3.1
Bottom 50%	22.2	4.0	16.4%	5,271 vph	3.5 lanes	2.9	2.7

Table 9는 본 연구 대상 217개 교차로를 사고건수를 기준으로 하여 세 집단(전체, 상위 50%, 하위 50%)으로 분류하고 집단별 주요 도로교통 특성에 대한 평균치를 산출한 결과이다. Table 9에 따르면 상하위 두 집단의 교차로 교통량(상위 50%: 교차로 당 5,815대/시, 하위 50%: 교차로 당 5,271대/시)은 큰 차이가 없음에도 불구하고, 상위 50% 집단의 전체 사고건수(교차로 당 41.3건)와 신호위반 사고건수(교차로 당 10.2건)는 하위 50% 집단 대비 각각 1.86배, 2.52배 크게 나타났다.

보다 중요한 사실은 두 집단의 접근로별 신호등면수와 전방 신호등 수이다. 상위 50% 집단은 접근로별 평균 3.5개의 신호등면이 있는 반면, 하위 50% 집단은 평균 2.9개에 불과하다. 전방 신호등이 설치된 접근로수 또한 상위 50% 집단은 4개의 접근로 중 평균 3.5개의 접근로에, 하위 50% 집단은 평균 2.7개의 접근로에 전방 신호등이 설치되어 있다. 두 집단의 이러한 특성을 감안할 때, 신호등화의 과다한 시인성(visibility)은 오히려 신호위반 사고를 증가시킬 수도 있을 것으로 사료된다.

마지막으로 신호운영 특성의 황색시간 및 전적색 시간(all red time) (Mane and Pulugurtha, 2018; Jensupakarn and Kanitpong, 2018; Bae et al., 2017)과 교통량 특성의 교차로 교통량(Mane and Pulugurtha, 2018; Al-Omari et al., 2022; Bae et al., 2017)은 구조방정식 모형을 통한 본 연구의 가설검정 결과를 근거로 할 때, 국내 신호위반 사고규모의 영향 요인으로 보긴 어려울 것으로 판단된다. 신호운영 특성에 포함되었던 4개의 관측변수는 상당히 낮은 수준의 요인 부하량이 나타났으며, 교통량 특성에 포함되었던 2개의 관측변수는 0.4 이상의 요인 부하량이 나타나기도 하였으나 결국 이러한 변수를 최종 모형에 포함시킬 경우 구조방정식 평가지표들의 기준치를 충족하기 어려울 것으로 판단된다.

이상의 시사점을 토대로 교차로 신호위반 교통사고 감소를 위한 정책제언이다. 첫째, 도로관리기관 및 관계당국에서는 신호위반 교통사고 감소대책 수립시 제한속도가 높은 다차로 도로 위주의 접근이 필요하며 이러한 도로환경에서는 주도로-부도로가 교차하는 교차로가 우선 검토 대상이 되어야 할 것으로 보인다. 특히, 무인교통단속장비 설치시 이러한 점이 고려된다면 높은 효과를 기대할 수 있을 것이다.⁵⁾

둘째, 교차로의 신호등면수는 적정 수준을 유지할 필요가 있다. Table 10은 교통신호기 설치 · 운영 업무편람(National Police Agency, 2022)에서 제시하는 접근로 차로수별 차량 신호등면수이다. Table 10에서와 같이 접근로 편도 차로수가 4-5차로일 경우 3개의 신호등면이, 6차로 이상일 경우 3개 이상의 신호등면을 기준으로 하고 있다. Table 9의 신호위반 사고 상위집단의 경우, 접근로별 평균 차로수는 3.7차로이며 평균 3.5개의 신호등면이 설치되어 있다. 신호위반 사고 측면에서 볼 때, 신호등면은 관련 기준치 이상으로 설치할 필요성이 낮아 보인다.

Table 10.

The number of main signal faces on a vehicle traffic light at an intersection (National Police Agency, 2022)

The number of lanes on the approach (one-way)
1 lane	2 lanes	3 lanes	4 lanes	5 lanes	more than 6 lanes
1-2	1-2	2	3	3	3+

셋째, 교차로 전방 신호등(제1주신호등)이 있는 경우, 가급적 교차로 건너편의 신호등(제2주신호등) 설치는 지양해야 할 것으로 보인다. 전방 신호등은 지난 2010년 교통운영체계 선진화 방안에서 확산된 방식으로 현재 편람에서도 제2주신호등은 제한적 설치(신호등면의 시인성 확보가 필요한 경우)를 권장하고 있으나, 본 연구의 교차로 대부분은 제1주신호등과 제2주신호등이 함께 설치되어 있다. Table 11은 국내 세종시 내 4개 주요 교차로의 사고건수 및 주신호등 현황인데 이들 교차로의 규모(교통량, 도로구조)와 설치시기는 매우 유사하다.

Table 11.

The recent 2-year (2021-2022) crashes and main traffic light status of main intersections in Sejong City

Classification	Naseong-dong LG bestshop 4	Eojin-dong sunggum 4	Daepyung-dong stadium 4	Daepyung-dong haedul 4
# of total crashes	23	14	9	5
# of RLR crashes	8	5	4	1
Existence of 1st main traffic light	All way	All way	All way	All way
Existence of 2nd main traffic light	All way	All way	All way	Two way

Table 11에서 알 수 있듯이 제2주신호등이 전방향에 설치되어 있는 3개의 교차로(나성동 LG 베스트샵 4, 어진동 성금 4, 대평동 종합운동장 4) 대비 양방향에만 설치되어 있는 교차로(대평동 해들 4)의 전체 사고건수와 신호위반 사고건수가 현저히 적음을 알 수 있다.⁶⁾ 따라서, 전방 신호등이 본래 취지에 맞는 효과를 내기 위해서는 제2주신호등의 필요성을 심도 있게 고려할 필요가 있다.

결론

본 연구에서는 국내 법규 위반 교통사고 중 신호위반 사고에 대한 도로교통 측면의 영향 요인들을 분석하였다. 연구를 위해 서울시 주요 교차로(Critical Intersection) 중 최근 2년(2021-2022)간 10건 이상의 교통사고가 발생된 217개 4지 교차로를 대상으로 1,508건의 신호위반 사고자료가 수집되었다. 이를 토대로 4개의 외생 잠재변수(도로 특성, 교통시설 특성, 신호운영 특성, 교통량 특성)와 1개의 내생 잠재변수(신호위반 사고규모)를 설계하였으며, 잠재변수 간 인과분석을 위해 총 26개의 관측변수들을 교차로별로 구축하였다. 이렇게 구축된 자료로 구조방정식 모형을 통해 신호위반 사고규모에 대한 영향 관계를 파악하였다.

연구의 주요 결과는 다음과 같다. 첫째, 가설수립을 통해 신호위반 사고에 영향을 미칠 것으로 추측했던 4개 요인(도로 특성, 교통시설 특성, 신호운영 특성, 교통량 특성) 중 도로 특성과 교통시설 특성만이 통계적으로 유의하게 나타났으며 신호운영 특성과 교통량 특성은 그렇지 않은 것으로 나타났다. 둘째, 통계적으로 유의한 2개의 영향 요인은 도로 특성이 0.25(p<0.01)로 교통시설 특성 0.17(p<0.05) 대비 다소 높은 영향을 미치는 것으로 나타났다. 셋째, 도로 특성 요인을 구성하는 3개 변수의 상대적 영향력은 제한속도 > 교차도로 간 제한속도차 > 총 차로수 순으로 나타났으며 교통시설 특성 요인을 구성하는 2개 변수의 상대적 영향력은 신호등면수 > 전방 신호등으로 순으로 나타났으며 신호위반 사고규모를 구성하는 3개 변수의 상대적 영향력은 사상자수 > 사고건수 > 사고비용 순으로 나타났다.

본 연구를 통해 도로 특성 요인에 해당하는 제한속도와 차로수는 국외 연구 결과와 일치하는 것으로 확인되었으며 교차도로 간 제한속도차 또한 국외 연구 결과와 맥락적으로 유사함이 확인되었다. 반면 국내 연구에서 나타난 교차로 내부면적은 본 연구에서 적용된 구조방정식 측정모형의 1차 CFA에는 포함되었으나, 최종 모형에는 포함되지 않았다. 한편, 기존 연구에서 알 수 없었던 교통시설 특성 요인에 해당하는 신호등면수와 전방 신호등은 본 연구를 통해 신호위반 사고의 영향 요인으로 새롭게 밝혀졌다.

교차로 현장의 수많은 특성 수집으로 도로교통 측면의 신호위반 사고 요인을 탐색한 본 연구의 결과는 정책 결정권자 및 실무자로 하여금 국내 신호위반 교통사고에 대한 실질적 감소대책 마련에 도움이 될 것으로 기대된다. 특히, 도로교통법 시행규칙 [별표 6의2](National Police Agency, 2024)에서 제시하는 무인교통단속장비 설치기준 중 ‘도로 및 교통여건’ 기준을 구체화함으로써 실무자들의 공학적 판단에 도움이 될 수 있을 것이다.⁷⁾

한편, 상기와 같은 시사점에도 불구하고 다음 한계점들을 보완할 필요가 있다. 첫째, 본 연구가 4지 교차로만을 대상으로 했기 때문에 향후에는 3지 교차로와 5지 교차로에 대한 추가 연구로 그 결과를 비교해 볼 필요가 있다. 둘째, 신호위반은 대도시에서 특히 빈번하게 발생하는 혼잡의 영향을 받을 수도 있다. 따라서, 혼잡과 밀접한 접근로 지체(대기행렬 포함), 가로축 신호연동 상태 등에 대한 추가적 조사가 필요하며 본 연구에서 구축되지 않았던 신호운영 특성의 변수들(동시신호-분리신호 형태, 신호주기, 녹색시간비, 감응신호 유무 등)이 추가로 수집된다면 본 연구에서 나타나지 않았던 새로운 결과가 나타날 수도 있을 것이다. 셋째, 본 연구에서 논의된 전방 신호등에 대한 세부연구도 필요하다. 현재 국내는 제2주신호등 없이 교차로 통과전 제1주신호등만 설치된 현장이 많지 않으나, 이 부분에 대한 케이스가 최대한 수집 · 분석된다면 보다 발전된 논의가 가능할 것으로 보인다. 마지막으로 최근 교통안전 분야에서 활발히 이루어지고 있는 운전자 행태 분석이 결합된다면 이 또한 의미 있는 연구가 될 것으로 전망된다.

알림

본 논문은 대한교통학회 제90회 학술발표회(2024.03.28.)에서 발표된 내용을 수정·보완하여 작성된 것입니다.

각주

[4] 1) 사망자 비용은 5억 6,360만원/인, 중상자 비용은 7,404만원/인, 경상자 비용은 529만원/인, 부상신고자 비용은 266만원/인

[5] 2) 가령, 횡단보도를 예로 들자면 4=4개 접근로에 설치됨, 3=3개 접근로에 설치됨, 2=2개 접근로에 설치됨, 1=1개 접근로에 설치됨, 0=설치된 접근로 없음

[6] 3) 프로그램 효과성 연구방법에는 준실험도 존재하나, 통상 준실험은 설득력이 약하기 때문에 진실험을 대표적으로 수행함

[7] 4) 구조방정식 모형에서 이론적 개념을 나타내는 변수들 간의 관계를 나타내는 지수를 말하며 일반적으로 표준화 회귀계수가 이용됨

[8] 5) 본 연구의 구축 변수 중 하나인 무인교통단속장비는 구조방정식 분석 결과 신호위반 교통사고의 영향 요인으로는 나타나지 않았으나, 최근 연구에서는 무인교통단속장비의 교통사고 감소효과가 사고건수 13-21%, 사고심각도 15-20%, 사상자수 19-30%로 나타난 바 있음(Yang et al., 2023).

[9] 6) 심지어 대평동 해들4에서 발생된 단 1건의 신호위반 사고는 제2주신호등이 설치된 접근로에서 발생된 사고로 확인되었음

[10] 7) 무인교통단속장비 설치기준의 ‘나’항 ‘5) 도로 및 교통여건’에서는 도로폭, 차로수, 제한속도, 통행속도, 도로선형 등 도로 및 교통 여건에 따른 위험도를 고려하여 설치할 것으로만 규정하고 있음

References

AASHTO (2010), Highway Safety Manual.

Ackaah W., Aidoo E. N. (2020), Modelling Risk Factors for Red Light Violation in the Kumasi Metropolis, Ghana, International Journal of Injury Control and Safety Promotion, 27(4), 432-437.

10.1080/17457300.2020.179293632654589

Ahn W. Y., Choi L. R. (2014), Importance Factor Analysis on Mobility Facilities for the Transportation Disabled by using Structural Equation Model, Journal of the Korean Society of Civil Engineers, 34(3), 939-945.

10.12652/Ksce.2014.34.3.0939

Akbari H., Motalebi Kashani M., Dehghani Bidgoli S., Koochaki-Nasrabadi M., Hannani M., Karamali F. (2022), The Effect of Dangerous Driving Behaviors on the Risk of Traffic Accidents using Structural Equation Modeling, Archives of Trauma Research, 11(2), 74-79.

10.4103/atr.atr_21_22

Alghafli A., Mohamad E., Ahmed A. Z. (2021), The Effect of Geometric Road Conditions on Safety Performance of Abu Dhabi Road Intersections, Safety, 7(4), 73.

10.3390/safety7040073

Al-Omari B. H., Friehat R. H., Alomari A. H. (2022), Red-light Violations at Urban and Sub-urban Traffic Signals in Jordan, Jordan Journal of Civil Engineering, 16(4).

Bae B. R. (2002), Understanding and Utilizing Structural Equation Modeling, Seoul, Daegyeong.

Bae K. S., Park J. S., Ahn G. H., Lee S. C. (2017), Development of RLR(Red Light Running) Crash Prediction Model using Binary Logistic Regression Model and MLP Neural Network: Focused on 4-Legged Signalized Intersection in Urban Area, Traffic Safety Research, 36, 117-131.

Bagozzi R. P., Yi Y. (1988), On the Evaluation of Structural Equation Models, Journal of the Academy of Marketing Science, 16(1), 74-94.

10.1177/009207038801600107

Baratian-Ghorghi F., Zhou H., Ahmadian-Yazdi H. (2017), Associations between the Characteristics of Intersections and the Risk of Red-light-running Crashes, International Journal of Urban Sciences, 21(2), 172-184.

10.1080/12265934.2016.1262784

Bentler P. M. (1990), Comparative fit indexes in structural models, Psychological bulletin, 107(2), 238.

10.1037//0033-2909.107.2.2382320703

Bollen K. A. (1989), Structural equations with latent variables (Vol. 210), John Wiley & Sons.

10.1002/9781118619179PMC1133599

Bonneson J., Zimmerman K. (2004), Red-light-running Handbook: An Engineer's Guide to Reducing Red-light-related Crashes, Texas Transportation Institute, Texas A & M University System.

Byrne B. M. (2016), Structural Equation Modeling with AMOS: Basic Concepts, Applications, and Programming (3rd ed.), New York, Routledge.

10.4324/9781315757421

Campisi T., Tesoriere G., Canale A., Basbas S., Vaitsis P., Nikiforiadis A., Nikolaidis M. (2020), Comparison of Red-Light Running (RLR) and Yellow-Light Running (YLR) traffic violations in the cities of Enna and Thessaloniki, Transportation research procedia, 45, 947-954.

10.1016/j.trpro.2020.02.072

Hu L. T., Bentler P. M. (1999), Cutoff Criteria for Fit Indexes in Covariance Structure Analysis: Conventional Criteria Versus New Alternatives, Structural Equation Modeling, A Multidisciplinary Journal, 6(1), 1-55.

10.1080/10705519909540118

Jensupakarn A., Kanitpong K. (2018), Influences of Motorcycle Rider and Driver Characteristics and Road Environment on Red Light Running Behavior at Signalized Intersections, Accident Analysis & Prevention, 113, 317-324.

10.1016/j.aap.2018.02.00729471234

Joreskog K. G., Sorbom D. (1993), LISREL 8: Structural Equation Modeling with the SIMPLIS Command Language, Scientific Software International.

Kashani A. T., Jafari M., Bondarabadi M. A. (2021), A New Approach in Analyzing the Accident Severity of Pedestrian Crashes using Structural Equation Modeling, Journal of Injury and Violence Research, 13(1), 23.

10.5249/jivr.v13i1.1545

Kim G. S. (2007), Analysis of Structural Equation Modeling, Seoul, Hannare, 372.

Kim G. Y., Jo H. J., Won J. H. (2023), Research on Enhancing the Safety Behaviors of Research Workers using Structural Equation Modeling, Journal of the Korean of Safety, 38(6), 79-87.

Kim J. J., Jeong Y. S. (2019), Application of Structural Equation Modeling (SEM) in the Analysis of Severity of Highway Tunnel Accidents, The 81st Conference of KST, Korean Society of Transportation, 255-260.

Kim M. G., Kim J. H., Hong S. H. (2009), Writing a Paper with Structural Equation Modeling, Communicationbooks.

Kim S. R., Bae Y. G., Jeong J. H., Kim H. J. (2011), Factor Analysis of Accident Types on Urban Street using Structural Equation Modeling(SEM), J. Korean Soc. Transp., 29(3), Korean Society of Transportation, 93-101.

Kline R. B. (2015), Principles and Practice of Structural Equation Modeling (4th ed.), New York, Guilford Press.

Ko M. J., Gang M. J., Kwon O. H., Park S. H. (2021), An Analysis of The Effect of Road Geometry on Safety in High Speed Driving using Structural Equation Modeling, The 84th Conference of KST, Korean Society of Transportation, 87-92.

Korea Road Traffic Authority (2016), A Study on the Analysis of Factors in Intersection Red Light Running Accidents and the Establishment of Traffic Safety Countermeasures.

Korea Road Traffic Authority (2023), 2023 Status of Locations with Frequent Traffic Accidents by Province and Road Nationwide.

Lee H. S. (2021), An Analysis of the Factors Affecting the Safety Behavior of Fire Safety Managers using a Structural Equation, Doctoral dissertation, Chungbuk National University.

Lee J. Y., Jeong J. H. Son B. S. (2008), Analysis of Traffic Accident Severity for Korean Highway using Structural Equations Model, J. Korean Soc. Transp., 26(2), Korean Society of Transportation, 17-24.

Mane A. S., Pulugurtha S. S. (2018), Influence of On-network, Traffic, Signal, Demographic, and Land Use Characteristics by Area Type on Red light Violation Crashes, Accident Analysis & Prevention, 120, 101-113.

10.1016/j.aap.2018.08.00630103099

Ministry of Construction and Transportation (2002), Manual for Improvement Projects at Frequent Traffic Accident Locations.

Ministry of Construction and Transportation (2013), Highway Capacity Manual.

National Police Agency (2022), 2022 Manual for the Installation and Operation of Traffic Signals.

National Police Agency (2024), Enforcement Rules of the Road Traffic Act, Appendix 6-2.

Park J. S. (2015), Characteristics of Red Light Running (RLR) Crashes by Gender, Traffic Safety Research, 34, 19-31.

Park J. S., Kim Y. H., Jeong W. T. (2010), Red Light Violations Analysis using Statistical Methods: In Case of Chungbuk 4-Legged Signalized Intersections, Journal of the Korean Society of Road Engineers, 12(3), 49-57.

Reise S. P., Widaman K. F., Pugh R. H. (1993), Confirmatory Factor Analysis and Item Response Theory: Two Approaches for Exploring Measurement Invariance, Psychological Bulletin, 114(3), 552.

10.1037//0033-2909.114.3.5528272470

Rencher A. C. (2005), A Review of "Methods of Multivariate Analysis".

10.1080/07408170500232784

Seo H. C. (2015), Effects of Individual and Organizational Factors on Safety Behaviors of Temporary Construction Workers using Structural Equation Modeling, Doctoral Dissertation, Hanyang University.

10.1016/j.ssci.2015.03.010

Sheykhfard A., Haghighi F., Nordfjærn T., Soltaninejad M. (2021), Structural Equation Modelling of Potential Risk Factors for Pedestrian Accidents in Rural and Urban Roads, International Journal of Injury Control and Safety Promotion, 28(1), 46-57.

10.1080/17457300.2020.183599133234005

Song T. J., Park J. H., Kim T. J., Oh C. (2009), Recognizing Characteristics of Contributing Factors for Freeway Accident Severity using Structural Equation Model, The 60th Conference of KST, Korean Society of Transportation, 547-552.

Wang K., Qin X. (2014), Use of Structural Equation Modeling to Measure Severity of Single-Vehicle Crashes, Transportation Research Record, Journal of the Transportation Research Board, 2432(1), 17-25.

10.3141/2432-03

Widaman K. F., Thompson J. S. (2003), On Specifying the Null Model for Incremental Fit Indices in Structural Equation Modeling, Psychological Methods, 8(1), 16.

10.1037/1082-989X.8.1.1612741671

Yang J. H., Kwon K. S., Song T. J. (2023), Potential Crash Reduction Benefits of Safety Improvement Projects at Intersection, J. Korean Soc. Transp., 41(4), Korean Society of Transportation, 395-413.

10.7470/jkst.2023.41.4.395

Yoo E. S., Lee Y. I. (2018), Analysis of Traffic Accident Factor in High Way Considering Travel Time using Structural Equations Models, The Korea Institute of Intelligent Transport Systems Conference, 1023-1029.

Yoo J. W., Park M. Y., Kim D. G. (2012), Influential Factors on Injury Severity of Truck Crashes using a Structural Equation Model, The 60th Conference of KST, Korean Society of Transportation, 354-359.

Yuan Y., Yang M., Gan Z., Wu J., Xu C., Lei D. (2019), Analysis of the Risk Factors Affecting the Size of Fatal Accidents Involving Trucks Based on the Structural Equation Model, Transportation Research Record, Journal of the Transportation Research Board, 2673(8), 112-124.

10.1177/0361198119841042

Journal of Korean Society of Transportation ISSN:1229-1366(Print) 2234-4217(Online) 대한교통학회지

Preview

Analysis of Factors Affecting Intersection Red-Light-Running Crashes Using SEM (Structural Equation Modeling)

ABSTRACT

MAIN

Table 1.

Status of traffic crashes by violation of laws by the offending driver, top 5 (2014-2023)

Table 2.

Summary of studies related to RLR crashes

Table 3.

Summary of studies related to analysis of traffic crash factors using SEM

Figure 1.

Overall research procedure

Figure 2.

Spatial range of intersection

Table 4.

Descriptive statistics of selected 26 variables (a total of 217 intersections)

Figure 3.

The basic structure of SEM

(1)

(2)

(3)

Figure 4.

The research procedure of SEM (Bae, 2002)

Figure 5.

The first research model

Table 5.

Results of the 1st CFA model analysis

Table 6.

Results of the 2nd CFA model analysis

(4)

(5)

Table 7.

Results of the godness-of-fit analysis of the final CFA model

Figure 6.

The final research model

Table 8.

Results of the PA model analysis

Figure 7.

The final SEM model and standardized coefficient

Table 9.

Comparison of road traffic characteristics between groups with high and low numbers of RLR crashes

Table 10.

The number of main signal faces on a vehicle traffic light at an intersection (National Police Agency, 2022)

Table 11.

The recent 2-year (2021-2022) crashes and main traffic light status of main intersections in Sejong City

알림

각주

References