서론

고속도로는 국가 교통망의 핵심 인프라로, 효율적인 이동성을 제공한다. 그러나, 고속도로 건설에 따른 총 연장거리의 증가와 함께 교통사고 발생 건수 또한 증가하는 추세가 나타난다(Korean National Police Agency, 2024). 고속도로 교통사고는 도로 기하구조, 운전자 요인, 기상 조건 등 다양한 요인의 복합적인 작용으로 발생하며, 도로 기하구조는 운전자의 주행행태에 큰 영향을 미친다. 고속도로 기하구조는 직선 및 곡선 구간과 같은 도로 선형 요소, 클로버형 및 트럼펫형 등과 같은 다양한 인터체인지(Interchange, IC), 가속차로와 감속차로, 터널 등으로 구성되어 있으며, 이러한 요소들은 운전자에게 각기 다른 주행행태(핸들 조향, 가·감속 등)를 요구하며, 이에 따른 기하구조별 사고 위험도가 다를 것으로 고려된다. Hwang et al.(2010)은 직선 구간에서 직선 길이가 길어질수록 운전자의 작업부하가 커져 사고 위험이 증가한다는 결과를 제시하였다. 반면, 곡선의 길이와 곡선반경은 증가할수록 직선 구간과의 상대속도가 줄어 사고 위험이 감소하는 것으로 나타났다. 또한, 인터체인지 구간은 고속도로 본선 구간과 다른 기하구조적 특성 및 차량의 진출입으로 인해 사고 발생 확률이 증가하는 것으로 분석되었다(Park, 2014). 고속도로 기하구조로 인한 사고 발생 가능성을 줄이기 위해 운전자의 작업부하를 줄이고 차량 간 상호작용을 효율적으로 조율할 수 있는 자율주행 기술과 같은 첨단기술이 요구된다. 자율차는 비자율차에 비해 차로 유지 및 정속주행 등 안정적인 주행을 통해 안전성 및 효율성을 증가시킬 수 있을 것으로 기대된다. 기존 문헌에서는 자율차 도입 시 평균 통행속도가 5~20% 증가하였으며, 후미 추돌과 차로 변경 상충 건수가 각각 84%~100%, 42%~100% 감소한다는 결과를 제시하였다(Mousavi et al., 2021). 네트워크 용량에 따라 제한될 수 있으나, 자율차 도입은 교통혼잡을 완화하며, 자율차의 혼입률(Market penetration rate, MPR)이 높은 경우 상충 건수가 50~80% 감소하는 것으로 나타났다(Guériau et al., 2020). 자율차는 빠른 인지반응시간과 정밀한 제어 능력으로 인해 비자율차에 비해 사고 발생 가능성이 낮을 것으로 고려된다. 특히, 고속 주행 환경인 고속도로에서는 자율차의 안정적인 주행행태로 인해 사고 발생 가능성이 더 크게 감소할 것으로 예상된다. 따라서 자율차 도입이 교통안전에 미치는 영향을 분석하기 위해 고속도로 기하구조에 따른 자율차와 비자율차의 주행안전성을 비교분석할 필요가 있다.

교통류에서는 선행차와 후행차가 쌍을 이루는 차량 추종 상황이 빈번하게 나타나며, 선행차의 주행행태는 후행차의 주행안전성에 직접적으로 영향을 미칠 것으로 고려된다. 기존 문헌에서는 선행차의 주행행태가 후행차의 주행행태에 영향을 미쳐 차량 추종 상황에서 후미 추돌 사고 발생 가능성을 높인다는 결과를 제시하였다(Park et al., 2017). 고속도로 사고자료에서는 2013년부터 2022년까지 비자율차 간 상호작용으로 발생한 사고 중 77.73%는 후미 추돌 사고로 집계되었다. 고속도로 교통사고 중 후미 추돌 사고를 줄이기 위한 노력이 요구되며, 자율차 도입에 따른 안전성 분석이 요구된다. 고속도로 환경에 자율차 도입 시, 모든 차량이 자율차로 전환되기까지 자율차와 비자율차가 혼재된 교통류가 필연적으로 발생한다. 혼재교통류에서는 자율차(Autonomous vehicle, AV)와 비자율차(Manual vehicle, MV)의 상호작용이 발생하며, 4가지 추종 상황(AV-AV 쌍, MV-AV 쌍, AV-MV 쌍, MV-MV 쌍)이 나타난다. 선행차가 자율차인지 비자율차인지에 따라 후행차의 주행행태가 달라지며, 동일한 선행차를 추종하더라도 후행차의 유형에 따라 주행행태가 다르게 나타날 가능성이 있다. 따라서 혼재교통류에서 교통안전을 향상시키기 위해 자율-비자율 혼재 추종 상황에서 선행차의 주행행태가 후행차의 주행안전성에 미치는 영향을 분석할 필요가 있다.

본 연구는 선행연구, 방법론, 분석결과, 결론으로 구성된다. 선행연구에서는 도로 기하구조에 따른 안전성 분석과 혼재교통류 환경에서 안전성 분석, 고속도로에서의 차량 주행안전성 평가지표에 관한 연구를 고찰하였다. 방법론에서는 본 연구의 수행 과정을 서술하였다. 분석결과에서는 차량의 주행안전성을 기반으로 고속도로 교통안전 개선 효과를 도출하였다. 마지막으로 결론에서는 본 연구의 결과를 요약하고 향후 연구과제를 제시하였다.

선행연구

본 연구의 목적은 자율-비자율 혼재 추종 상황에서 차량의 주행안전성을 평가하고 고속도로의 교통안전 개선 효과를 도출하는 기법 개발 및 활용 방안을 모색하는 것이다. 도로 기하구조에 따른 안전성 분석과 혼재교통류 상황에서의 안전성 분석, 고속도로에서의 차량 주행안전성 평가지표에 관한 선행연구를 고찰하여 본 연구의 차별성을 제시하였다.

1. 도로 기하구조에 따른 안전성 분석

기존 연구에서는 교통사고 발생에 영향을 미치는 다양한 요인 중 도로 기하구조와 교통사고 간의 관계를 중점적으로 분석하였다. 도로 기하구조(직선부, 곡선부, 완화곡선부)와 교통사고의 관계를 분석한 결과, 직선 길이와 곡선반경의 증가는 사고율 감소로 이어지는 반면 곡선길이는 약 1,500m까지 사고율이 감소하다 그 이상에서는 사고율이 증가하는 경향을 보이는 것으로 분석되었다(Kang and Lee, 2002). Sameen et al.(2017)은 도로 구간의 길이와 종단곡선의 수, 수평 곡선의 존재 여부를 주요 교통사고 발생 요인으로 도출하였으며, 그 중 종단곡선의 수가 교통사고를 유발하는 가장 위험한 요인이라는 결과를 제시하였다. Hong et al.(2012)은 시간대(주간, 야간, 일출몰)에 따른 교통사고 영향 요인을 분석하였으며, 모든 시간대의 공통적인 영향 요인은 교통량과 평면곡선의 연속성이라는 결과를 도출하였다. 시간대별 교통사고 영향 요인 분석결과, 주간에는 인터체인지 수가 증가할수록 일출몰에서는 차로수와 인터체인지 수가 증가할수록 교통사고가 증가하는 것으로 분석되었다. 야간에는 곡선반경이 작고 완화곡선 수가 적을수록 교통사고가 증가하는 반면 터널 수가 많을수록 교통사고가 감소하는 것으로 나타났다.

기존 문헌에서는 도로 기하구조에 따른 주행안전성을 기반으로 도로 위험 구간을 도출하는 연구도 수행하였다. Gu et al.(2024)은 고속도로의 다양한 기하구조(좌커브, 우커브, 인터체인지 등)별 주행안전성을 가속도, 차두거리, 차두시간 평가지표의 변동성으로 분석하였다. 평행식 가속차로는 본선 주행 차량과 합류하는 차량 간의 상호작용으로 인해 주행안전성이 가장 저하되는 도로 구간으로 나타났다. 또한, Jung et al.(2023)은 차두거리 표준편차를 활용해 도로 기하구조별 주행안전성을 분석하였다. 트럼펫형 IC는 배향곡선 구간에서 요구되는 잦은 핸들 조향 및 가·감속으로 인해 주행안전성이 가장 저하되는 도로 구간으로 도출되었다. 고속도로 환경에서 도로 기하구조(종단 경사, 곡선길이, 곡선반경, 차로수 등)에 따른 위험 상황 발생 빈도를 분석한 결과, 여러 기하구조가 복합적으로 작용하는 곡선 구간에서 안전성이 크게 저하되는 것으로 분석되었다(Tak et al., 2022).

2. 혼재교통류 상황에서의 안전성 분석

혼재교통류 상황에서 안전성을 분석한 기존 연구는 크게 교통류 전체 관점과 개별 차량 유형(자율차, 비자율차) 관점에서 수행되었다. 혼재교통류에서 선제적 차로 변경 지원 정보 제공 효과를 분석하기 위해 자율차의 MPR에 따른 이동성 및 안전성을 평가하였다(Jo et al., 2023). 고속도로에 자율주행 전용도로 설치에 따른 안전성 분석을 위해 자율차의 MPR과 교통수요에 따른 혼재교통류의 종방향 및 횡방향 안전성을 평가하였다(Zhang et al., 2020). 실제 고속도로 환경에서 자율차 도입에 따른 안전성 및 이동성 개선 효과를 분석하기 위해 자율차의 MPR별 상충건수 및 통행시간을 도출하였다(Papadoulis et al., 2019).

개별 차량 유형 관점에서, Ko et al.(2021)는 혼재교통류에서 MPR별 자율차와 비자율차의 안전성을 개별적으로 분석하였다. MPR 30~80% 구간에서 자율차와 비자율차 모두 급정거율이 높게 나타나고 차로변경률이 감소하는 것으로 나타났다. Tak et al.(2022)은 도로 기하구조에 따른 자율차와 비자율차의 안전성을 비교분석하여 각 도로 유형과 기하학적 특징에 따른 자율차 안전 성능을 도출하였다. Hou(2023)는 혼재교통류에서 다양한 기상 조건에 따른 안전성을 분석하여 악천후 조건에서 MPR이 증가할수록 안전성 개선 효과가 나타난다는 결과를 제시하였다.

3. 고속도로에서의 차량 주행안전성 평가지표

차량의 주행안전성을 종합적으로 평가하기 위해 종방향·횡방향·상호작용 평가지표를 기반으로 고속도로의 교통안전을 분석한 기존 문헌들을 고찰하였다. 종방향 평가지표를 활용해 주행안전성을 분석한 연구에서, Park et al.(2018)은 고속도로에서 adaptive cruise control 차량의 주행안전성을 분석하기 위해 가가속도(Jerk)를 활용하였다. Charly et al.(2024)는 고속도로에서 주행행태 기반 위험 운전을 식별하기 위해 가가속도를 활용하였다. 횡방향 평가지표를 활용해 주행안전성을 분석한 연구에서, Jung et al.(2021)은 곡선부 초고속도로 주행 시 고령 운전자의 횡방향 주행안전성 분석을 위해 차로 중심 위치(Lane position)을 활용하였다. Claros et al.(2024)는 2차로 평면 곡선부에서 주행안전성에 영향을 미치는 요인을 도출하기 위해 차로 중심 위치를 활용하였다. 상호작용 평가지표를 활용해 주행안전성을 분석한 연구에서, Jung et al.(2023)은 혼재교통류에서 고속도로 위험 구간을 선정하기 위해 차간거리(Spacing) 평가지표와 기준치 대비 평가지표의 변화율(Relative evaluation by baseline, REB)을 활용하였다. Gu et al.(2024)는 주행안전성 평가에 적절한 평가지표를 분석해 속도와 가속도, 차두시간, 차간거리가 적절하다는 결과를 도출하였다.

4. 선행연구와의 차별성

기존 연구들은 교통사고에 영향을 미치는 도로 기하구조를 식별하고 차량 주행안전성을 기반으로 도로 위험 구간을 도출하였다. 그러나 주행안전성이 저하되는 특정 지점을 정밀하게 식별하는 연구는 상대적으로 미흡하였다. 본 연구에서는 주행 프로파일을 활용하여 주행안전성이 저하되는 지점과 구간을 모두 식별하였다. 또한, 기존 연구들은 혼재교통류에서의 안전성 분석 시 교통류 전체 또는 개별 차량 유형별 안전성을 분석하였다. 그러나 혼재교통류에서 선행차의 주행행태가 후행차의 주행행태에 미치는 영향에 대한 분석이 상대적으로 미흡하였다. 본 연구에서는 혼재교통류 상황에서 나타나는 4가지 차량 추종 상황에 대해 도로 기하구조별 주행안전성을 분석해 자율차 도입으로 인한 교통안전 개선 효과를 도출하였다.

방법론

1. 연구흐름도

본 연구는 Figure 1에 제시한 바와 같이, 추종 상황별 주행안전성을 기반으로 고속도로 교통안전 개선 구간을 도출하였다. 본 연구의 방법론은 멀티 에이전트 주행 시뮬레이터 기반 주행행태정보 수집, 통합 평가지표 도출, 안전성 개선 구간 식별 3단계로 구성된다. 1단계에서는 고속도로 분석구간과 차량 추종 상황을 설정한다. 자율차의 거동 특성을 반영하는 자율차 거동 요구사항을 기반으로 주행 시뮬레이션에 자율차의 거동을 구현한다. 2단계에서는 차량의 주행안전성을 종합적으로 평가하기 위한 평가지표를 선정하고, 선정된 평가지표 간 상관관계 분석을 통해 통합 평가지표 도출의 적절성을 검증한다. 이후 평가지표별 가중치를 통해 통합 평가지표를 도출한다. 3단계에서는 분석구간 내 지점별 주행안전성을 분석하기 위해 대표 프로파일을 구축하고 커널 스무딩을 통해 스무딩 정도를 최적화한다. 도로 기하구조별 안전성 개선 점수를 도출하여 분석구간별 교통안전 개선 효과를 정량적으로 제시한다.

Figure 1.

Overall research framework

2. 멀티 에이전트 주행 시뮬레이터 기반 주행행태정보 수집

멀티 에이전트 주행 시뮬레이터 기반 주행행태정보 수집 단계는 분석구간 설정, 차량 추종 상황 설정, 자율차 거동 구현의 3가지 과정으로 구성된다. 분석구간은 도로 구조·시설 기준에 관한 규칙(2020)을 기반으로 평면선형 및 도로 시설을 고려하여 총 22개의 구간을 선정하였다. 본 연구에서 선정한 분석구간의 세부적 특성을 Table 1에 제시하였다. 분석구간 구축 시, 고속도로 본선과 연결로의 설계속도를 각각 120km/h와 50km/h로 적용하였다. 곡선부 설계에서, 차량의 안전한 곡선 주행을 위해 도로설계기준(2016)을 기반으로 곡선부의 완화곡선 길이를 70m로 적용하였다. 곡선부의 평면곡선반지름은 편경사 설계기준 반지름인 1,050m, 1,610m, 2,470m, 3,800m, 6,900m를 사용하였다. 곡선길이는 고속도로 사고자료에서 집계되는 500m와 1,000m에서 완화곡선 길이를 제외하여 각각 360m와 860m로 설정하였다. 인터체인지의 경우, 시흥IC(클로버형), 언양JC(트럼펫형), 회덕JC(직결형)를 기반으로 구현하였으며, 가·감속차로는 도로설계기준(2016)에 제시된 길이와 형태를 반영하였다. 터널의 경우, 주행속도 100km/h로 5초간 주행하는 거리(140m)와 이를 초과하는 거리(500m)로 구성하였다. 본 연구에서는 도로 기하구조에 따른 주행안전성을 비교분석하기 위해 각 도로 기하구조가 독립적인 조건에서 구현되도록 네트워크를 구축하였다. 첫째, 도로 기하구조 외에 주행안전성에 영향을 미칠 수 있는 외부 요인을 통제하였다. 시간대 및 기상 조건을 모든 네트워크에 동일하게 적용하여, 환경적 변수로 인한 주행행태의 차이를 배제하였다. 또한, 시뮬레이션에서는 추종 차량 2대를 제외한 불특정 다수의 주변 차량을 배제함으로써, 혼잡도나 예측 불가능한 외부 차량의 간섭이 분석결과에 미치는 영향을 최소화하였다. 둘째, 각 기하구조 간의 인접성으로 인한 주행행태 간섭을 방지하기 위해, 비자율차가 위험 상황을 인지하고 정지할 수 있는 최소 거리인 정지시거(215m)를 기준으로 구간 간 이격거리를 확보하였다.

본 연구에서는 두 대의 주행 시뮬레이터가 시간 및 공간적으로 연동된 MADS를 활용하여 2명의 운전자가 동일한 주행 환경에서 운전할 수 있도록 설계하였다. MADS는 브레이크, 가속 페달 등 실제 차량 부품을 활용해 현실감을 확보하였으며, 조향 특성이 실제 차량과 유사하게 구현되었다. 이를 통해 차량의 속도, 가속도, 차로변경, 차간거리 등 다양한 주행행태정보 수집이 가능하다. 본 연구에서는 차량 추종 상황별 분석을 위해 두 차량이 선·후행을 이루도록 배치하였으며, 도로 기하구조에 따른 안전성 분석을 위해 교통류 영향을 배제하였다. 차량 추종 상황은 혼재교통류에서 발생하는 자율차와 비자율차의 상호작용을 반영하여 AV-AV 쌍, MV-AV 쌍, AV-MV 쌍, MV-MV 쌍으로 설정하였다. 차량 간 물리적 거리가 먼 경우 상호작용이 발생하지 않아 추종 상황으로 보기 어려워, 추종 상황에 대한 정의를 위한 기준이 요구된다. 기존 연구에서는 선행 차량의 주행 특성이 후행 차량의 속도 변화에 영향을 미칠 수 있는 거리 기준을 차두시간으로 제시하며, Choi(1998)은 9~10초, Ha et al.(2002)는 6초 이내라는 결과를 도출하였다. 본 연구에서는 차두시간 6초 이하를 차량 추종 상황으로 정의하였다. 또한, 본 연구에서는 자율차의 거동을 시뮬레이션 환경에 구현하기 위해, 자율차 거동 요구사항에 기반한 거동 알고리즘을 적용하였다. Jo et al.(2022a)은 자율차와 비자율차 간의 주행 특성 차이를 기반으로, 자율차의 거동 요구사항(Safety, Smoothness, Deterministic)을 제시하였다. Safety는 자율차가 위험 상황을 자체적으로 유발하지 않도록 설계된 거동을 의미하며, Smoothness는 자율차가 센서 기반의 지속적인 주변 환경 인지 및 제어를 통해 급격한 조향이나 가·감속 없이 안정적으로 주행하는 특성이다. Deterministic은 자율차가 사전 정의된 알고리즘을 기반으로 거동을 제어하므로, 사람이 운전하는 비자율차와 달리 동일한 도로교통 환경 조건에서는 일관된 주행행태를 유지하는 특성을 의미한다. 기존 연구에서는 Level 4 자율주행 수준에서의 자율차주행 특성을 반영하여, 속도 유지(Maintain speed), 차량 추종(Car following), 차로변경(Lane changing), 합류(Merge)와 같은 주행 상황에 대한 자율차 거동 알고리즘을 구현하였다(Jung et al., 2024a; Lee et al., 2024; Jo et al., 2024). 속도 유지 알고리즘은 제한속도와 선행차와의 차두거리를 고려하여 목표 속도를 유지하도록 설계되었으며, 차량 추종 알고리즘은 선행차와의 거리 및 속도 차이를 기반으로 가·감속을 수행한다. 차로 변경 알고리즘은 목표 차로에 존재하는 선·후행차와의 차두거리를 고려해 주행하며, 합류 알고리즘은 가속차로의 여유거리와 함께 목표 차로에 존재하는 선·후행차와의 차두거리를 기반으로 주행하도록 설계되었다. 본 연구에서는 기존 문헌에서 제시한 자율차 거동 알고리즘(속도 유지, 차량 추종, 차로변경, 합류)을 기반으로 자율차 거동을 시뮬레이션에 구현하였다. 실험 진행은 Hanyang Smart Transportation Analysis and Research with Simulations(HY-STARS) 실험실에서 수행되었다. 실험 인원은 20대부터 70대까지 다양한 연령층의 남성 18명과 여성 12명으로 구성되었다. 실험은 2022년 7월 18일부터 7월 29일까지 12일간 진행하였다.

3. 통합 평가지표 도출

통합 평가지표 도출 단계는 평가지표 선정, 평가지표 간 상관관계 분석, 평가지표별 가중치 도출 과정으로 구성된다. 차량의 주행안전성은 종방향·횡방향·상호작용 평가지표를 통해 평가할 수 있다. 기존 연구에서는 각 평가지표의 중요도가 서로 다른 것으로 나타났다. 교통사고를 안전성에 따라 분류하기 위한 최적 평가지표로 가가속도와 차로 중심 위치가 제시되었다(Jung et al., 2024b). 단속류 내 도로 위험 구간을 효과적으로 분류하는 평가지표는 가가속도로 분석되었다(Kim et al., 2024). 랜덤포레스트 기법을 활용해 차간거리 평가지표가 주행안전성 평가에 중요한 요소라는 결과를 도출하였다(Gu et al., 2024;Jo et al., 2022b). 본 연구에서는 종방향·횡방향·상호작용 안전성 평가를 위해 가가속도와 차로 중심 위치, 차간거리를 평가지표로 선정하였다. 가가속도는 단위시간 당 가속도의 변화량을 의미하며, 값이 증가할수록 가속도 변동이 커져 안전성이 감소한다. 차로 중심 위치는 차로의 중심선으로부터 차량의 중심까지의 거리로 정의되며, 값이 증가할수록 차로 유지 능력이 저하되어 안전성이 감소한다. 차간거리는 선행차와 후행차 간의 거리를 의미하며, 값이 감소할수록 선행차의 갑작스러운 움직임에 대처할 안전거리가 짧아져 안전성이 감소한다.

통합 평가지표를 도출하기 위해 평가지표 간 상관관계를 분석하여 평가지표 선정의 적절성을 검토할 필요가 있다. 상관관계 분석은 변수 간 관계 존재 유무를 정량적으로 평가하는 통계적 방법이다. 상관계수는 –1과 1 사이의 값을 가지며 0에 가까울수록 상관관계가 작고 절대값이 1에 가까울수록 강한 상관관계를 나타낸다. 본 연구에서는 콜모고로프-스미르노프(Kolmogorov-Smirnov) 검정을 통해 각 평가지표의 정규성을 확인하고 정규성 만족 유무에 따라 다른 상관분석을 수행하였다. 정규성을 만족하는 경우에는 모수적 방법인 피어슨(Pearson) 상관분석을, 만족하지 않는 경우에는 비모수적 방법인 스피어만(Spearman) 상관분석을 수행하였다.

고속도로 환경에서는 도로 선형 및 선행차의 주행행태 영향으로 인해 종방향, 횡방향, 차량간 상호작용 안전성이 지속적으로 변화하여 다양한 위험 요소를 종합적으로 평가할 수 있는 통합된 평가지표 개발이 필요하다. 기존 연구에서는 실제 사고건수와 통계적으로 유의미한 상관관계가 있는 평가지표 중 도로 위험 구간을 효과적으로 분류하는 평가지표를 식별하기 위해 랜덤포레스트를 활용하였다(Jo et al., 2022b). 종방향·횡방향·상호작용 평가지표 총 22개를 대상으로 지니 감소량(Mean decrease gini, MDG)을 도출하여 위험 상황을 변별하는데 가장 유효한 10개의 평가지표를 도출하였다. MDG는 각 평가지표가 위험 또는 비위험 상황을 변별력 있게 구분하는 영향력을 의미한다. 본 연구에서는 기존 연구에서 제시한 위험 상황 변별에 효과적인 10가지 평가지표의 MDG 값을 활용해 통합 평가지표 도출을 위한 평가지표 유형별 가중치를 산출하였다. 평가지표 유형별 가중치 도출 과정은 Figure 2에 제시하였다. 평가지표 가중치는 상호작용(45.43), 종방향(28.48), 횡방향(26.09) 순으로 큰 것으로 나타났다. 이는 상호작용 평가지표가 충돌 회피, 급감속 등과 같은 위험 상황 평가에 효과적이며, 횡방향 평가지표는 차로변경 등과 같은 상황을 제외한 일반적인 상황에서 큰 변동이 없기 때문으로 해석된다. 가가속도와 차로 중심 위치, 차간거리는 서로 다른 단위와 값의 범위를 가져 통합 평가지표 도출을 위해 평가지표를 정규화하는 과정이 요구된다. 개별 평가지표(Xindicator)를 통해 정규화된 평가지표(NFVindicator)를 산출하는 방법은 Equation 1에 제시하였다. 통합 평가지표(ITG)는 평가지표 유형별 가중치와 정규화된 평가지표를 통해 산출되며, 이에 대한 수식은 Equation 2에 제시하였다. 본 연구에서는 통합 평가지표를 활용해 자율차 도입에 따른 교통안전 개선 효과를 도출하였다.

Figure 2.

Process of deriving weights for each indicator

where, NFVindicator : 정규화된 평가지표

, Xindicator : 평가지표 , indicator : 평가지표(종방향, 횡방향, 상호작용

, ITG : 통합 평가지표

, wLon : 종방향 평가지표 가중치(28.48)

, wLat : 횡방향 평가지표 가중치(26.09)

, wInt : 상호작용 평가지표 가중치(45.43)

, Lon : 종방향(Longitudinal)

, Lat : 횡방향(Lateral)

, Int : 상호작용(Interaction)

4. 안전성 개선 구간 도출

안전성 개선 구간 도출 단계에서는 지점별 교통안전 개선 효과를 분석하기 위해 대표 프로파일 구축, 커널 스무딩, 도로 기하구조별 교통안전 개선 효과 도출 과정을 수행하였다. MADS를 통해 0.1초 단위로 수집된 주행행태정보를 1m 지점 단위로 변환하기 위해 선형보간법을 활용하였다. 대표 프로파일(Representative continuous profile)은 평균, 중앙값, 85퍼센타일 등을 통해 구축된 운전자의 주행행태를 대표하는 프로파일로, 지점별 주행안전성 평가를 통해 도로 위험 지점 도출이 가능하다. 본 연구는 85퍼센타일을 기반으로 대표 프로파일을 구축하여 도로 위험 지점을 식별하였다.

커널 스무딩은 비모수적 회귀분석 기법으로, 주변 데이터의 값들을 기반으로 새로운 값을 예측하는 방법을 의미한다. 커널 스무딩에 활용되는 가우시안 커널 함수는 데이터 간 거리를 기반으로 가중치를 부여하며, 대역폭에 따라 스무딩 정도가 다르게 나타난다. 가우시안 커널 함수를 활용해 스무딩하는 수식은 Equation 3에 제시하였다. 대역폭이 증가할수록 곡선이 부드럽고 완만하며, 데이터의 세부적인 변동을 무시해 과소적합의 위험이 존재한다. 반면, 대역폭이 감소할수록 곡선의 변동성이 커지고, 노이즈로 인한 과대적합의 위험이 존재한다. 실버만 규칙(Silverman’s rule of thumb)은 정규분포를 가정한 모집단에서 평균적분제곱오차를 최소화하는 최적의 대역폭을 추정하는 방법으로, 과소적합 또는 과대적합으로 인한 문제를 최소화할 수 있다. 실버만 규칙에 대한 수식은 Equation 4에 제시하였다. 본 연구에서는 실버만 규칙을 통해 최적의 대역폭을 도출하고 평가지표별 프로파일을 재구축하였다.

where, f(x) : 추정값

, xi : 관측 데이터

, n : 데이터 수

where, h : 대역폭

, 𝜎 : 표준편차

, n : 데이터 수

자율차는 비자율차에 비해 빠른 인지반응시간을 가지며, 이에 따라 위험 상황에 대한 신속한 대응이 가능하다(Khoury et al., 2019; Liu et al., 2021). 자율차의 거동 요구사항과 빠른 인지반응시간으로 인해 자율차 도입 환경에서는 비자율차 간 상호작용에 비해 안전성이 개선될 것으로 고려된다. 안전성 개선 점수(Safety improvement score, SIS)는 자율주행차 도입이 교통안전에 미치는 영향을 정량적으로 평가할 수 있는 지표로, 주행안전성 평가지표를 기반으로 기준 쌍과 비교 쌍의 안전성 차이를 통해 도출된다. SIS는 지점뿐만 아니라 도로 시설별 또는 기하구조 설계 요소를 포함한 구간별 분석이 가능하며, 이를 통해 자율주행차 도입이 특정 도로 환경에서 안전성에 미치는 영향을 정량적으로 비교할 수 있다. 본 연구에서는 MV-MV 쌍을 기준 쌍으로 설정하고 AV-AV 쌍과 MV-AV 쌍, AV-MV 쌍을 비교 쌍으로 설정하여, 총 3가지의 SIS를 도출하였다. 또한, 종방향·횡방향·상호작용 안전성을 모두 고려한 통합 평가지표를 통해 SIS 값을 산출하고, 기하구조별 SIS를 비교하여 도로 기하구조에 따른 교통안전 개선 효과를 분석하였다. SIS의 개념도를 Figure 3에 제시하였으며, 도로 기하구조별 SIS 산출 수식은 Equation 5에 제시하였다. SIS가 양수인 경우, 기준 쌍보다 비교 쌍의 주행안전성이 높아 교통안전 개선 효과가 나타난다고 해석된다. 반면, SIS가 음수인 경우, 기준 쌍보다 비교 쌍의 주행안전성이 낮아 교통안전이 저하된다고 해석된다. SIS가 양수인 경우는 자율차의 안정적인 차간거리 유지 및 가·감속을 통해 위험 상황이 감소하는 경우이다. SIS가 음수인 경우는 자율차의 보수적인 주행행태로 인해 후행차의 급감속과 같은 위험 상황이 발생해 비자율차 간 상호작용보다 안전성이 저하되는 경우이다. 본 연구에서는 3가지 자율주행 상황(AV-AV 쌍, MV-AV 쌍, AV-MV 쌍)의 SIS를 비교하여 다양한 도로 기하구조에서 자율주행차 도입이 안전성에 미치는 영향을 분석하였다.

where, SISRoadID : Road ID에 따른 안전성 개선 점수

, xmMVMV : MV-MV 쌍에서 후행 비자율차의 m번째 위치에서 주행안전성 평가지표 값

, xmpair : 추종 상황에서 후행차의 m번째 위치에서 주행안전성 평가지표 값

, l : 네트워크 길이

Figure 3.

Conceptual diagram of SIS

분석결과

1. 평가지표 간 상관관계 분석

본 연구에서는 종방향·횡방향·상호작용 평가지표를 통합하여 단일 평가지표를 도출하는 것의 적절성을 검증하기 위해 가가속도와 차로 중심 위치, 차간거리 간의 상관관계를 분석하였다. 각 평가지표의 정규성 만족 여부를 분석하기 위해 콜모고로프-스미르노프 검정을 수행하였다. 본 연구에서는 가가속도와 차로 중심 위치, 차간거리 모두 정규성을 만족한다는 결과를 도출하여 피어슨 상관관계 분석을 수행하였다. 모든 차량 추종 상황에서 가가속도와 차로 중심 위치, 차간거리 간에 통계적으로 유의미한 상관관계가 없다는 결과가 나타났다. 추종 상황별 상관관계 분석 결과는 Table 2에 제시하였다. 각 평가지표는 서로 독립적인 특성을 가져 통합 평가지표 도출에 활용하는 것이 적절한 것으로 나타났다. 통합 평가지표는 종방향·횡방향·상호작용 안전성을 각각 독립적으로 반영할 수 있어 종합적인 주행안전성 평가에 적절한 것으로 분석되었다.

2. 평가지표 기반 고속도로 위험 지점 도출

본 연구에서는 도로 기하구조별 종방향·횡방향·상호작용·통합 주행안전성이 저하되는 지점을 분석하였다. 추종 상황별 주행행태가 달라 도로 위험 지점 또한 다른 것으로 분석되었다. 평가지표 기반 추종 상황별 도로 위험 지점은 Figure 4에 제시하였다. 종방향·횡방향·상호작용·통합 평가지표를 기반으로 구축한 프로파일 결과를 Table 3에 제시하였다. 본 연구에서 도출한 통합 평가지표는 가가속도, 차로 중심 위치, 차간거리 평가지표를 종합하여 산출된 지표로, 각 지표의 특성이 반영될 필요가 있다. 분석결과, 종방향, 횡방향, 상호작용 평가지표 모두 인터체인지 진출입 상황에서 주행안전성이 상대적으로 낮으며, 통합 평가지표 또한 인터체인지에서 주행안전성이 낮은 것으로 나타났다. 또한, 상호작용 평가지표의 가중치가 가장 높아 통합 평가지표는 차간거리가 다른 평가지표에 비해 더 큰 영향을 미치는 것으로 분석되었다. 가가속도 기반 도로 위험 지점은 직접식 감속차로(AV-AV 쌍)와 클로버형 IC(MV-AV 쌍), 평행식 감속차로(AV-MV 쌍), 평행식 가속차로(MV-MV 쌍)로 나타났다. Figure 4(a)에서 모든 추종 상황은 제한속도 준수를 위해 강제적인 가·감속이 요구되는 가·감속차로와 회전력이 크게 발생하는 클로버형 IC, 트럼펫형 IC, 직결형 IC에서 가가속도가 큰 것으로 분석되었다. 차로 중심 위치 기반 도로 위험 지점은 평행식 가속차로(AV-AV 쌍)와 평행식 감속차로(MV-AV 쌍), 직접식 감속차로(AV-MV 쌍), 평행식 감속차로(MV-MV 쌍)로 도출되었다. Figure 4(b)에서 AV-AV 쌍과 MV-AV 쌍의 후행 자율차는 비자율차에 비해 안정적인 주행행태로 인해 강제적인 차로변경이 요구되는 인터체인지 진출입 상황을 제외하고 차로 중심 위치 변화가 거의 없는 것으로 나타났다. AV-MV 쌍과 MV-MV 쌍의 후행 비자율차는 자율차와 유사하게 진출입 상황에서 차로 유지 능력이 저하되나, 고속도로 본선(직선구간, 곡선구간)에서도 차로 유지 능력이 저하되는 것으로 나타났다. 차간거리 기반 도로 위험 지점은 직접식 가속차로(AV-AV 쌍)와 클로버형 IC(MV-AV 쌍), 평면곡선 반지름 2,470m(AV-MV 쌍), 트럼펫형 IC(MV-MV 쌍)로 식별되었다. Figure 4(c)에서 AV-AV 쌍의 후행 자율차는 주행변동성이 큰 비자율차의 영향이 없어 선행차와 일정한 차두거리를 유지하여 차간거리 변화가 거의 없는 것으로 분석되었다. MV-AV 쌍과 MV-MV 쌍의 후행차는 차로변경 및 가·감속 등 주행행태 변화가 요구되는 인터체인지 진출입 상황에서 주행변동성이 큰 선행 비자율차의 영향을 크게 받아 차간거리가 감소한 것으로 나타났다. 통합 평가지표 기반 도로 위험 지점은 트럼펫형 IC(AV-AV 쌍), 직접식 감속차로(MV-AV 쌍), 평행식 감속차로(AV-MV 쌍), 직접식 가속차로(MV-MV 쌍)로 식별되었다. Figure 4(d)에서 자율차는 비자율차에 비해 안정적인 주행행태로 인해 인터체인지 주행을 위해 필수적으로 요구되는 가·감속 및 차로변경 상황을 제외하고 주행안전성 변화가 거의 없는 것으로 분석되었다.

Figure 4.

Representative continuous profile based on indicators

추종 상황별 도로 위험 지점 도출 결과를 Figure 5에 제시하였다. 추종 상황별 차량 간 상호작용 및 도로 기하구조에 따른 주행안전성이 달라 도로 위험 지점이 서로 다르게 나타났다. AV-AV 쌍은 주행변동성이 적은 자율차 간 상호작용으로, 트럼펫형 IC의 중간부에서 회전력으로 인해 가가속도와 차로 중심 위치가 증가하여 주행안전성이 저하되는 것으로 분석되었다. MV-AV 쌍은 자율차가 주행변동성이 큰 비자율차를 추종하는 상황으로, 연결로 진입 및 제한속도 준수를 위해 감속차로 중간부에서 가가속도와 차로 중심 위치가 증가해 주행안전성이 저하되는 것으로 나타났다. AV-MV 쌍은 주행변동성이 큰 비자율차가 자율차를 추종하는 상황으로, 고속도로 본선으로의 차로변경을 위해 가속차로 초반에서 가가속도와 차로 중심 위치가 증가하여 주행안전성이 저하되는 것으로 분석되었다. MV-MV 쌍은 주행변동성이 큰 비자율차 간 상호작용으로, 연결로 진입 및 제한속도 준수를 위해 감속차로 후반부에서 가가속도와 차로 중심 위치가 증가하고 차간거리가 감소해 주행안전성이 저하되는 것으로 분석되었다.

Figure 5.

Road hazardous spots by pair

3. 통합 평가지표 기반 도로 위험 구간 도출

본 연구에서는 구간별 통합 평가지표를 기반으로 추종 상황별 도로 위험 구간을 식별하였다. 추종 상황별 도로 위험 구간은 통합 평가지표 값에 따라 상, 중, 하 3개의 안전성 등급으로 분류하여 Table 4에 제시하였다. 추종 상황별 도로 위험 구간은 평행식 감속차로(AV-AV 쌍)와 클로버형 IC(MV-AV 쌍), 직접식 가속차로(AV-MV 쌍), 평행식 감속차로(MV-MV 쌍)로 식별되었다. AV-AV 쌍은 다른 추종 상황에 비해 전반적으로 안전성이 높은 것으로 분석되나, 속도 변화 및 차로 변경이 요구되는 가·감속차로에서 직선 및 평면곡선 구간에 비해 주행안전성이 저하되는 것으로 분석되었다. MV-AV 쌍은 주행변동성이 큰 비자율차의 영향으로 인해 약 270°의 급격한 회전이 요구되는 클로버형 IC에서 주행안전성이 가장 크게 저하되는 것으로 나타났다. AV-MV 쌍은 고속도로 본선 및 연결로의 제한속도 준수를 위해 가속 및 감속하는 환경에서 가속차로에 비해 주행가능거리 대비 큰 속도변화량이 요구되는 감속차로에서 주행안전성이 더 저하되는 것으로 분석되었다. MV-MV 쌍은 주행변동성이 큰 비자율차 간의 상호작용으로 인해 다른 추종 상황에 비해 주행안전성이 낮으며, 안정적인 곡선 주행 및 가·감속이 요구되는 인터체인지 진출입 상황에서 주행안전성이 더 크게 저하되는 것으로 나타났다.

Table 4.

Road hazardous spot by ITG

4. SIS 기반 교통안전 개선 구간 도출

본 연구에서는 MV-MV 쌍을 기준으로 자율차 도입으로 인한 교통안전 개선 효과를 분석하는 SIS를 도출하였다. AV-AV 쌍과 MV-AV 쌍, AV-MV 쌍의 SIS 기술통계량을 Table 5에 제시하였다. 모든 추종 상황에서 평균이 0 이상으로 교통안전 개선 효과가 나타나는 것으로 분석되었다. 추종 상황별 SIS가 통계적으로 유의미한 차이를 나타내는지 분석하기 위해 ANOVA 분석과 사후검정을 수행하였으며, 이에 대한 결과를 Table 6과 Table 7에 제시하였다. 추종 상황별 교통안전 개선 효과는 통계적으로 유의미한 차이가 나타났으며, 추종 상황별 평균 SIS는 12.45(AV-AV 쌍), 8.53(MV-AV 쌍), 1.75(AV-MV 쌍)로 AV-AV 쌍에서 개선 효과가 가장 큰 것으로 분석되었다.

본 연구에서는 대표 프로파일을 통해 SIS 기반 교통안전 개선 구간을 도출하였다. SIS 기반 대표 프로파일을 구축한 결과를 Figure 6에 제시하였다. AV-AV 쌍과 MV-AV 쌍, AV-MV 쌍의 SIS 프로파일 분석결과, 모든 쌍에서 전반적으로 자율차 도입에 따른 교통안전 개선 효과가 나타났다. Figure 6(a)에서 인터체인지 및 가·감속차로는 안정적인 가·감속 및 차로변경을 수행하는 자율차의 영향으로 인해 교통안전 개선 효과가 큰 것으로 분석되었다. 또한, 후행 자율차(AV-AV 쌍, MV-AV 쌍)는 선행차의 주행행태에 대한 빠른 대응 및 안전한 차간거리 유지를 통해 후행 비자율차(AV-MV 쌍)에 비해 교통안전 개선 효과가 더 큰 것으로 분석되었다. Figure 6(b)에서 AV-MV 쌍의 SIS 프로파일은 고속도로 본선(직선 및 평면곡선) 주행 환경에서 주행안전성이 저하되는 것으로 식별되었다. 이는 작업부하가 적은 고속도로 본선에서 자율차를 추종하는 비자율차는 선행 자율차의 보수적인 주행행태에 순응하는 정도가 낮아 차두거리가 짧아져 교통안전 개선 효과가 미미한 것으로 해석된다. 반면, 강제적인 차로변경 및 가감속이 요구되는 고속도로 인터체인지에서 자율차를 추종하는 비자율차는 안정적인 차로변경 및 가·감속을 수행하는 선행 자율차의 주행행태에 순응하는 정도가 높아 교통안전 개선 효과가 증가하는 것으로 나타났다. MV-AV 쌍과 AV-MV 쌍의 SIS 프로파일 분석결과, 추종 상황별 고속도로 주행 환경에 따른 주행안전성 차이가 나타나는 것으로 식별되었다. MV-AV 쌍은 비자율차에 비해 적은 주행변동성과 차로 중앙을 일정하게 유지하는 자율차로 인해 AV-MV 쌍에 비해 고속도로 본선(직선 및 평면곡선) 주행 환경에서 교통안전 개선 효과가 큰 것으로 분석되었다. 인터체인지 진출입 상황에서 안정적인 가·감속을 수행하는 선행 자율차의 영향으로 교통안전 개선 효과 총합이 MV-AV 쌍(125.72)에 비해 AV-MV 쌍(133.64)에서 6.30% 더 높은 것으로 나타났다.

Figure 6.

Effects of traffic safety improvements based on SIS

결론

본 연구에서는 자율-비자율 차량 추종 상황에서 차량의 주행안전성을 기반으로 고속도로 교통안전 개선 효과를 도출하는 기법을 개발하고 활용하는 방안을 모색하였다. 교통안전 개선 효과를 도출하기 위해 도로 기하구조에 따른 차량 주행안전성을 종방향·횡방향·상호작용·통합 평가지표로 평가하였다. 분석구간은 총 22개의 구간으로 구성하였으며, 분석구간에 따라 자율-비자율 차량 상호작용의 주행행태 차이를 분석하였다. 주행안전성 평가를 위한 통합 평가지표는 종방향·횡방향·상호작용 평가지표의 가중치와 정규화된 평가지표를 통해 산출하였으며, 이를 기반으로 고속도로의 위험 지점 및 구간을 도출하였다. 프로파일 분석결과, AV-AV 쌍은 비자율차가 포함된 추종 상황(MV-AV 쌍, AV-MV 쌍, MV-MV 쌍)에 비해 고속도로 본선(직선 구간, 곡선 구간)에서의 일정한 주행행태가 나타났다. 이는 AV-AV 쌍이 고속도로 본선에서 필수적으로 차로변경 및 가·감속이 요구되지 않아 안정적인 주행행태를 유지하여 발생한 것으로 해석된다. 추종 상황별 도로 위험 지점은 트럼펫형 IC(AV-AV 쌍), 직접식 감속차로(MV-AV 쌍), 평행식 감속차로(AV-MV 쌍), 직접식 가속차로(MV-MV 쌍)로 식별되었다. 또한, 추종 상황별 도로 위험 구간은 평행식 감속차로(AV-AV 쌍), 클로버형 IC(MV-AV 쌍), 직접식 가속차로(AV-MV 쌍), 평행식 감속차로(MV-MV 쌍)로 식별되었다. 모든 추종 상황의 도로 위험 지점 및 구간은 인터체인지 진출입 상황으로, 강제적인 차로변경 및 가·감속으로 인해 모든 추종 상황에서 주행안전성이 저하되는 것으로 분석되었다. 본 연구의 결과는 자율주행 기술 개발 방향 제시 및 혼재교통류의 교통안전 향상을 위한 교통인프라 설치 구간 선정에 활용이 가능할 것으로 기대된다.

본 연구에서는 자율차 도입으로 인한 교통안전 개선 효과를 정량적으로 분석하기 위해 SIS를 도출하였다. SIS는 MV-MV 쌍과 다른 쌍의 주행안전성 차이를 통해 산출 가능하며, 도로 기하구조별 SIS를 기반으로 교통안전 개선 구간을 식별하였다. AV-AV 쌍과 MV-AV 쌍, AV-MV 쌍 모두 교통안전 개선 효과가 나타났으며, AV-AV 쌍에서 교통안전 개선 효과가 가장 큰 것으로 분석되었다. 인터체인지 진출입 상황에서는 강제적인 차로변경 및 가·감속으로 인해 모든 추종 상황에서 주행안전성이 저하되나, 안정적인 주행행태로 주행하는 자율차 도입으로 인해 교통안전 개선 효과는 큰 것으로 나타났다. SIS 프로파일 분석결과, 혼재교통류에서 나타나는 AV-MV 쌍과 MV-AV 쌍은 교통안전 개선 효과가 서로 다른 것으로 분석되었다. AV-MV 쌍은 작업부하가 적은 고속도로 본선에서 선행 자율차의 보수적인 주행행태에 순응하는 정도가 낮아 차간거리가 짧아지면서 고속도로 본선에서의 교통안전 개선 효과가 감소하는 것으로 나타났다. 반면, MV-AV 쌍은 비자율차에 비해 적은 주행변동성과 차로 중앙을 일정하게 유지하는 후행 자율차의 주행행태로 인해 고속도로 본선 외에 인터체인지 진출입 상황에서 또한 교통안전 개선 효과가 도출되었다. Time to collision(TTC) 및 post-encroachment time(PET)와 같은 기존의 대리안전지표(Surrogate safety measures, SSM) 기반 위험 분석은 교통 상충이라는 이벤트 발생 유무와 빈도로 안전성을 평가했다면, 본 연구에서 제시한 SIS는 도로 설계 요소 및 시설에 따른 상호작용 기반 안전성 평가를 보다 연속적으로 수행할 수 있는 장점이 있다. 또한, 기준 쌍 대비 비교 쌍의 상대적 안전성 평가를 통해 현재 교통류보다 향후 자율차가 포함되는 혼재 상황의 안전성 평가를 보다 효과적으로 수행할 수 있을 것으로 기대된다.

본 연구에서는 자율차 도입 시 도로 기하구조별 교통안전 개선 효과를 주행안전성을 기반으로 분석하였다. 그러나, 본 연구에서는 도로 구조·시설 및 규칙(2020)을 기반으로 분석구간을 설정하였으나 고속도로 사고자료에는 톨게이트와 휴게소에 대한 사고자료도 다수 존재한다. 향후 연구에서는 고속도로 사고자료를 함께 반영해 고속도로 위험 지점 및 구간 분석이 요구된다. 본 연구에서는 MADS 내 자율차 거동을 구현하기 위해 기존 연구에서 제시한 속도 유지, 차량 추종, 차로변경, 합류 알고리즘을 활용하였다. 그러나 다양한 가정 하에 개발된 자율차 거동 알고리즘의 한계를 극복하기 위한 향후 연구가 필요하다. 이를 위해서는 가·감속도 특성, 차로변경 방식, 차량의 센서 인지반응과 자율주행 시스템의 개입 지연시간 등을 고려해 자율차의 거동 알고리즘을 조정할 필요가 있다. 또한, 본 연구에서는 자율차와 비자율차 모두 승용차로 분석을 수행하였으나 차량마다 성능은 다르게 나타난다. 향후 연구에서는 실제 고속도로를 주행하는 차량별로 추종 상황을 설정해 교통안전 개선 효과 도출이 필요하다. 본 연구에서는 모든 고속도로 기하구조에 동일한 종방향·횡방향·상호작용 평가지표를 활용해 주행안전성 평가를 수행하였다. 향후 연구에서는 도로 기하구조별 최적 평가지표를 통해 통합 지표를 도출하여 주행안전성을 분석할 필요가 있다. 본 연구에서는 추종 상황에 대해서 주행안전성 분석 및 교통안전 개선 효과를 분석하였으나, 나란히 주행하는 차량 또한 주체 차량에 영향을 미칠 수 있다. 향후 연구에서는 주체 차량이 주변 차량들에 의해 둘러싸이는 환경을 고려하여 주행안전성에 미치는 영향을 분석할 필요가 있다. 본 연구에서는 도로 기하구조에 따른 안전성 분석을 위해 교통류 영향을 배제하였으나, 합류부에서는 본선 차량과의 상충 가능성 또한 중요한 요소로 고려할 필요가 있다. 향후 연구에서는 연결로 주행 차량의 합류 전략 및 본선 교통류와의 상호작용을 반영한 분석을 추가로 수행할 필요가 있다. 마지막으로, 고속도로 교통안전 개선 효과를 더 체계적으로 분석하기 위해 본 연구에서 도출한 SIS 외에 교통량, MPR 등 다양한 요인에 대한 고려가 필요하다. 향후 연구에서는 교통사고 또는 교통안전에 영향을 미치는 요인을 분석해 다양한 요인을 종합적으로 고려한 교통안전 개선 효과를 도출할 필요가 있다.