서론
방법론
데이터
1. 데이터 수집
2. 데이터 셋 구축
이륜차 주행 안전성 지표 도출
분석 결과
1. 지역별 분석
2. 연령별 분석
3. 시간대별 분석
활용방안
1. 위험 이벤트 시각화
2. 안전 모니터링 리포트
결론
서론
최근 배달대행플랫폼 사의 등장과 코로나19의 영향으로 온라인 음식 서비스 거래액이 2019년 9조 7천억 원에서 2021년 17조 3천억 원으로 78.4% 증가하였다. 경쟁이 치열해진 배달 대행사는 인센티브와 페널티를 제공하는 방식으로 라이더에게 주어진 배달 시간 내에 음식을 배달할 것을 요구한다. 제한시간 내에 배달을 완료하기 위해 무리한 운전을 하는 것은 배달 이륜차의 위험 운전 행동 및 교통사고 발생 가능성을 높인다. 교통사고분석시스템(TAAS)에 따르면 이륜차 교통사고는 2017년 22,080건에서 2021년 37,829건으로 연평균 11%씩 증가하였다. 또한, 이륜차는 사륜차에 비해 차체의 구조 특성상 주행안전성 확보가 어렵고 라이더의 신체가 외부로 노출되기 때문에 사고발생 시 사고심각도가 높아질 가능성이 크다(Jeju research institute, 2020). 이륜차 교통사고의 높은 위험성에도 불구하고 지자체 혹은 정책 차원에서 라이더의 주행 안전에 관한 안전 모니터링은 미흡한 실정이다. 개별 이륜차의 거동 특성을 사고 위험도 관점에서 모니터링하고 분석하는 것은 사고의 원인 분석 및 예방을 위한 기본이 된다. 따라서 이륜차 교통사고를 예방하고 교통안전을 증진하기 위한 배달 이륜차 라이더의 주행 안전성 평가와 안전 모니터링이 요구된다. 본 연구에서는 IMU 센서 데이터를 활용하여 이륜차의 위험 운전도를 정량화 할 수 있는 ‘위험 이벤트발생률(Riding Risk Index, RRI)’를 정의하고 라이더의 안전운전등급을 도출하였다. 분석 결과를 토대로 위험 이벤트 발생 위치를 시각화하여 주행안전성이 취약한 구간을 식별하는 방안과 이륜차 안전 모니터링 방안을 제안하였다.
정확한 주행 안전성 평가를 위해서는 배달 이륜차 라이더의 실제 주행 데이터를 수집하여 분석에 활용하는 Naturalistic riding studies(NRS)가 요구된다. NRS는 위험운전 상황과 일반적 운전 상황 모두에서 라이더의 주행 안전성을 정량화할 수 있으므로 교통사고 조사를 통해 검지할 수 없는 요인을 식별할 수 있다. 유럽에서 수행된 2-Wheeler Behavior and Safety(2BESAFE) 프로젝트에서는 5명의 라이더와 6대의 이륜차를 대상으로 주행 데이터를 수집하여 라이더와 다른 도로 이용자의 주행 특성을 분석하였다. Virginia Tech Transportation Institute(VTTI)와 Motorcycle Safety Foundation(MSF)가 진행한 NRS에는 100명의 라이더가 참여하였으며, 3축 가속도 및 각속도 센서, 전방 레이더와 브레이크 센서를 이륜차에 장착하여 29개월간 데이터를 수집하여 다양한 분석을 시도하였다. Boubezoul et al.(2013)은 3축 가속도 센서와 자이로 스코프 센서의 데이터를 활용하여 가속도 Norm과 가속도 Norm의 임계값을 기반으로 한 넘어짐 감지 알고리즘을 개발하였다. Attal et al.(2018)은 5명의 라이더를 대상으로 수집한 데이터를 활용하여 라이더의 주행상황을 Normal riding, near fall, fall 3개의 구간으로 분류하였다. Vlahogianni et al.(2013)은 3명의 라이더와 1대의 이륜차를 대상으로 수집한 데이터를 분석하여 위험상황을 검지하기 위한 방법론을 제시하였다. Joo and Oh(2012)는 관성센서 및 자전거 속도계가 장착된 프로브자전거를 활용한 자전거 주행안전성과 이동성에 대한 통합평가 지표를 개발하였다. Lim(2021)은 아파트 단지의 이륜차 통행 영상을 분석하여 사고 발생 가능성 지표를 산출하였다. Kwon(2021)은 XGBoost를 활용하여 이륜차의 교통사고 심각도 영향요인을 식별하였고, 후속 연구로 이륜차 교통사고 심각도를 4단계로 분류하는 모형을 개발하였다.
본 연구에서는 기존 연구와 비교하여 다음과 같은 차별점 및 특징이 있다. 첫째, 분석 대상을 음식 배달 이륜차로 특정하여 데이터를 수집하였다. Ministry of Employment and Labor, Korea Occupational Safety & Health Agency report(KOSHA)(2017)에 따르면 음식 배달 이륜차는 1.5km 이내의 단거리 배달 서비스만을 제공하며 일반 퀵(quick)서비스 운행과는 다른 특성이 있다. 본 연구는 요식업에 종사하는 배달 이륜차만을 대상으로 분석하였다는 점에서 차별성이 있으며, 음식 배달 이륜차에 특화된 안전운전 모니터링을 제안하고자 하였다. 둘째, IMU 센서를 이륜차에 장착하여 위험운전을 측정할 수 있는 위험 이벤트발생률, RRI(Riding Risk Index)를 정의하였다. RRI는 IMU센서를 통해 얻어지는 주행데이터를 이용하여 이륜차의 위험운전 정도를 정량적으로 판단할 수 있다. 즉, IMU센서가 장착된 배달 이륜차가 주행 중 수집되는 실시간 데이터를 반영하여 결과를 도출하는 것이 가능하다. 셋째, RRI를 활용하여 이륜차의 주행 안전성을 평가하고 라이더의 안전운전등급을 도출하였다. 라이더의 안전운전등급은 직관적인 해석이 용이하여 정책적 의사결정에 활용도를 높일 수 있을 것이다. 넷째, 이륜차 안전운전 모니터링에 활용할 수 있는 방안을 제시하였다. 본 연구에서 도출한 RRI와 안전운전등급을 활용하여 개별 라이더와 지차제에게 제공하는 안전 모니터링 리포트의 예시를 제시하였다. 안전 모니터링 예시는 추후 이륜차 사고 예방 정책을 위한 기초 자료가 될 수 있다.
본 논문의 구성은 다음과 같다. 2장 방법론에서는 100명의 라이더를 대상으로 수행한 NRS와 데이터의 수집 및 가공, RRI 정의에 대한 설명을 제시하였다. 3장 분석결과에서는 배달 이륜차 라이더의 RRI와 안전운전등급 집계한 결과를 제시하고, 지역별, 연령별, 시간대별 주행 안전성을 평가하였다. 4장 활용방안에서는 하루 동안의 위험 이벤트 최다 발생 지역을 시각화하였고, 이륜차 안전모니터링을 위한 방안을 제시하였다. 마지막으로 5장 결론에서는 본 연구의 결론과 향후 연구과제를 서술하였다.
방법론
본 연구에서 제안하는 연구 방법론은 4 step으로 구성되어있다. Step 1. 데이터 수집 및 전처리 단계에서는 배달 라이더 100명을 대상으로 약 80일간의 주행 데이터를 1초 단위로 수집하여 IMU데이터와 GPS 데이터를 시간 기준 매칭한 후 이상치를 제거하였다. Step 2. 데이터 셋 구축 단계에서는 위험 이벤트 검지 알고리즘에 따라 데이터를 라벨링하고, 설문조사 기반의 근무지와 연령대 정보를 매칭하였다. Step 3. 안전운전등급 분석 단계에서는 위험 이벤트 발생률 RRI를 정의하고, RRI 값에 따라 라이더를 안전 등급, 보통 등급, 위험 등급으로 분류하였다. Step 4. 주행안전성 평가 단계에서는 전체 라이더와 안전운전등급별로 RRI를 집계하여 지역별, 라이더의 연령대별, 주행시간대별 이륜차의 주행 안전성을 정량화하였다. 마지막 Step 5. 모니터링 방안 단계에서는 위험이벤트를 시각화하고, 이륜차를 위한 안전 모니터링 리포트를 제시하였다. 연구 흐름도는 Figure 1에 제시하였다.
데이터
1. 데이터 수집
데이터는 대한민국 서울특별시, 경기도, 인천광역시, 광주광역시, 부산광역시에서 음식 배달 업무에 종사하고 있는 100명의 라이더를 대상으로 수집하였으며, 시간적 범위는 2021년 7월 30일부터 2021년 10월 18일이다. 라이더는 모두 남성이며 라이더의 나이는 19세-61세(평균 : 40세; 표준편차: 8.63)이다. 데이터의 지역별 분포와 연령집단별 분포는 Figure 2에 제시하였다.
이륜차의 주행 데이터는 GPS 센서와 6축 센서가 내장된 IMU센서를 통해 수집되었다. IMU(Inertial Measurement Unit) 센서란, ‘관성 측정 장치’로 신체의 힘, 각속도 또는 주변 자기장을 측정할 수 있는 전자 장치이다. IMU 센서는 센서가 장착된 물체의 정확한 위치와 방향을 측정할 수 있다(Cismas et al., 2017). IMU센서는 SkyAutoNet가 제작한 SeDA-Gateway 제품을 사용하였으며, 센서에 포함된 CPU는 STM32F20이고 운영 체제는 Linux이다. IMU 센서는 주변 온도 –40℃ - +85℃에서 정상 작동이 가능하도록 설계되었고, 장치에 용량 1080mA의 배터리가 내장되어 있어 이륜차 시동이 켜진 경우 차량 배터리로 작동하고 이륜차의 시동이 꺼진 상태에서는 작동이 정지한다. 데이터 수집을 위해 IMU 센서는 이륜차의 안장에 아래 혹은 배달통에 설치하였다. 이륜차는 실제 배달 업무에 주로 쓰이는 대표 차종으로 선정하였다. 대표 차종은 HONDA에서 제작된 PCX 125 기종으로 차체의 길이, 폭, 높이가 192.5, 74.5, 110.5cm, 중량이 130kg이고 배기량은 125cc이다. Figure 3에 실제 이륜차 기종과 장치 부착 위치에 관한 설명을 제시하였다.
GPS 센서는 장치ID, 경도, 위도, 속도, 방위각 정보를 수집한다. 6축 센서는 3축 Gyroscope 센서와 가속도 센서로 구성되어 있으며 Gyroscope 센서는 3축의 움직임을 감지하고 각 축(X, Y, Z축)의 각속도를 측정하며 가속도 센서는 각 축(X, Y, Z)의 가속도를 측정한다. 3축 가속도 및 각속도 자료는 장애물 및 구배, 노면상태 등 도로환경 요소별 평균 및 표준편차 등의 차이가 나타나므로 이륜차의 주행특석 분석을 위해 활용 가능한 변수이다. 데이터는 1초 단위로 수집되고 LTE 통신을 통해 저장 서버로 전송된다. Table 1에 수집 데이터 항목을 제시하였다.
Table 1.
Collected data itmes
본 연구에서는 라이더의 주행 정보를 실시간으로 확인할 수 있는 모니터링 시스템을 구축하였다. 모니터링 시스템은 2분 단위로 이륜차 시동 on/off 여부, 속도, 위치 등의 정보와 주행 궤적이 업데이트 된다. 주행 데이터는 LTE 통신을 통해 플랫폼을 거쳐 저장 서버에 저장되고 Web server를 통해 주행 정보가 표출된다. 모니터링 시스템에서는 이륜차의 실시간 주행 정보와 주행 이력 정보에 대해 확인이 가능하다. 라이더가 실제로 주행 중에 경험한 위험 상황의 자료를 수집하기 위해 설문조사를 수행하였다. 라이더는 실시간 주행 데이터 수집 기간 동안 Crash 및 Near miss 발생 이력에 대하여 온라인으로 설문조사 문항에 응답하였다. 데이터 수집 및 모니터링 시스템 표출 과정의 개념도를 Figure 4에 제시하였다.
2. 데이터 셋 구축
분석에 사용한 변수는 센서를 통해 수집한 변수 3축 가속도, 3축 각속도, 산출한 변수인 속도, 가속도, 가속도의 Norm, 각속도의 Norm로 총 10개이다. 이동거리와 속도, 가속도는 GPS센서를 통해서 수집한 장치번호, 시간, 위도, 경도를 활용하여 산출하였다. 가속도 및 각속도 별로 이륜차가 움직이는 모든 방향에 대하여 균일한 고려가 가능한 변수를 추가하기 위하여 가속도와 각속도의 Norm을 산출하여 활용하였다. Gyroscope 센서를 통하여 수집한 X축, Y축, Z축의 각속도를 활용하여 각속도의 Norm을 산출하였다. 가속도 센서를 통하여 수집한 X축, Y축, Z축의 가속도를 활용하여 가속도의 Norm을 산출하였다. 분석에 활용하기 위하여 산출한 4개 변수의 정의와 산출식을 Table 2에 제시하였다.
Table 2.
Obtained items
분석 데이터 및 분석 결과의 신뢰성과 정확성을 확보하기 위해서 GPS자료의 이상치를 제거하였다. 이륜차의 최대 가감속 범위와 그에 따른 속도 변화량을 고려하여 이상치를 검지하였다. 이륜차의 최대 감속도는 마른 노면에서 연동제동 또는 분할제동창치를 사용할 때의 평균 최대 감속도인 5.1m/s2으로 설정하였다(자동차 및 자동차부품의 성능과 기준에 관한 규칙). 차량이 정지 상태에서 시속 100km에 이르는 시간인 제로백을 초단위로 환산한 1.6m/s2을 최대 가속도로 적용하였다. 또한 최대 가감속 시 속도 변화량을 임계값으로 설정하였다. 이륜차가 최대 감속도인 5.1m/s2으로 감속할 경우 속도 변화량은 최대 5.1m/s이며, 최대 가속도인 1.6m/s2으로 가속한 경우 속도 변화량은 최대 1.6m/s이다. 이를 토대로 이상치를 제거하였으며, 이상치 제거에 관한 보다 자세한 내용은 기존연구(KOSHA, 2021)에서 얻을 수 있다.
이상치를 제거한 GPS 데이터에 IMU 센서 데이터를 시간을 기준으로 매칭하여 각 센서에서 수집되는 모든 변수를 분석에 활용하고자 하였다. 또한, 라이더를 대상으로 시행된 인적 사항 조사를 바탕으로 주 근무지와 연령 정보를 수집하였고, 온라인으로 진행된 위험 상황 설문조사를 통해 주행 중 발생한 위험 상황 정보를 분석에 활용하였다. 위험 상황으로는 사고(crash)와 아차사고(near miss)를 고려하였다. 그 예시로는 후미 추돌, 접촉 사고와 추돌 혹은 전복 사고가 발생할 뻔한 상황 등이 해당된다. 위험 상황 정보는 라이더 ID와 인적사항, 사고 일시, 위험 상황에 대한 상세 묘사를 포함한다. NRS를 통해 수집된 라이더 100명의 위험 상황 정보는 위험 이벤트를 특정하기 위해 사용되었다. 라이더의 응답 시간을 전후로 60분, 아차사고는 10분 동안의 주행 데이터를 추출하여 실제 위험 상황이 발생한 시간을 추정하였다. 추정된 위험상황을 기존 연구(KOSHA, 2021)에서 개발된 방법론에 따라 위험 이벤트 검지 알고리즘을 이용하여 일반적 주행과 위험 이벤트로 분류하였다. 본 연구의 분석을 위한 최종 데이터 셋에는 라이더별 1시간 단위로 근무지와 연령대, 주행 시간대와 데이터 수집 시간(초), 위험 이벤트 발생 건수를 포함한다.
이륜차 주행 안전성 지표 도출
본 연구는 배달 이륜차의 위험 라이딩 패턴을 정량적으로 파악하고, 이륜차 안전모니터링에 활용할 수 있는 방안을 제시하고자 다음과 같이 RRI를 정의하고 안전운전등급을 도출하였다. RRI는 이륜차의 주행 데이터를 활용한 교통안전 대체 지표로써 단위 시간 동안 발생한 위험 이벤트의 비율로 정의된다. RRI의 수식은 Equation 1과 같다. RRI는 이륜차의 주행시간과 위험 이벤트 발생 건수를 활용하여 라이더의 주행 안전성을 평가하기 위한 목적에서 개발되었다.
여기서, : Total number of risk riding data
: Total riding time(s)
: Rider ID
는 라이더의 위험 이벤트 건수를 의미하며, 위험 이벤트의 판단을 위한 time step은 1초이다. 즉 위험 이벤트 건수는 위험하게 운전한 시간(초)과 같다. 는 이상치를 제거한 개별 라이더의 총 주행시간으로써 분석 대상이 되는 데이터 수와 같다. 본 연구에서는 라이더 별로 총 주행시간과 위험 이벤트 발생 건수의 비율로써 RRI를 계산하였다. 안전운전등급은 가장 단순한 3등분 방법론을 채택하여 RRI의 33 percentile 값과 66 percentile 값을 기준으로 안전 등급, 보통 등급, 위험 등급으로 분류하였다.
분석 결과
본 연구에서는 배달 이륜차의 주행 안전성을 평가하기 위해 교통안전대체 지표 RRI를 총 주행 시간 대비 위험 이벤트 발생률로 정의하고 NRS를 통해 수집된 데이터를 활용하여 RRI를 집계하였다. 분석 결과 전체 라이더의 평균 RRI는 12.4%로 전체 주행 시간이 100초일 때 12.4초의 위험 운전이 발생하였다는 것을 의미한다. 안전운전등급은 앞서 제시된 방법론에 따라 RRI의 33 percentile 값인 8.71% 이하인 경우 안전 등급(safe)으로 RRI의 66 percentile 값인 17.42% 이상이면 위험 등급(risky)으로 분류하였으며, 안전등급과 보통 등급 사이의 RRI 값을 가지면 보통등급(normal)으로 분류하였다. 라이더의 안전운전등급은 평균 RRI를 기준으로 하여 그 값이 RRI의 최솟값에서 33 percentile 값 범위 내에 속하는 경우 안전 등급, 33 percentile 값(RRI=8.71%)과 66 percentile 값(RRI=17.42%) 사이 내에 속하는 경우 보통 등급, 66 percentile 값 이상이면 위험 등급으로 평가하였다. 각 등급에 해당하는 라이더는 안전 등급 8명, 보통 등급 79명, 위험 등급 12명(결측치 1명)인 것으로 집계되었다. 라이더의 안전운전등급과 RRI를 시각화한 그래프를 Figure 5에 제시하였다.
각 등급별 평균 RRI는 안전 등급 3.9%, 보통 등급 13.1%, 위험 등급이 20.2%이다. 분석에 사용한 모든 라이더의 주행 시간은 93,565,722초로 약 26,000시간에 해당한다. 등급별 임계값과 각 등급에 해당하는 라이더의 수와 총 주행시간과 위험 이벤트 건수를 Table 3에 제시하였다.
Table 3.
RRI and safety riding grade
1. 지역별 분석
데이터 수집 범위에 해당하는 서울특별시, 경기도, 인천광역시, 광주광역시, 부산광역시의 이륜차 사고율과 RRI를 비교하였다. 1시간 단위로 RRI를 집계한 데이터를 이용하여 지역별 평균 RRI를 산출하였다. 이륜차 사고율은 교통사고 분석시스템(TAAS)의 최근 5년(2017년-2021년) 지역별 이륜차 교통사고 건수와 국가통계포털(KOSIS) 이륜차 신고 현황 자료를 활용하여 연간 이륜차 사고율의 평균을 집계하였다. 사고율 산정을 위한 노출도(exposure)는 각 지역별 이륜차 등록 대수를 적용하여 Equation 2와 같이 산출하였다.
여기서, : Annual crash rate by region j(%)
: South Korea by regions
: Number of motorcycle crashes
: Number of registered motorcycles
: years(2017-2021)
은 지역별 사고율로 해당 연도의 이륜차 등록대수()와 이륜차 사고 건수()의 비율의 5년 평균으로 정의하였다. 분석 결과 지역별 라이더의 평균 RRI가 높은 지역이 사고율도 높은 경향을 보였다. 특히 사고율이 높은 지역 4과 지역 5에서 RRI가 높고, 사고율이 가장 낮은 지역 3에서 RRI가 가장 낮은 것으로 집계되었다. 사고율 집계 결과는 지역 4이 1.92%, 지역 5가 1.72%, 지역 1이 1.63%, 지역 2가 1.55%, 지역 3가 1.49%였다. 가장 사고율이 높게 나타난 지역 4는 2017년-2021년 이륜차 교통사고율이 1.45%, 1.61%, 1.76%, 2.17%, 2.59%로 5년 평균 연간 이륜차 사고율이 1.92%인 것으로 집계되었다. 지역 4에서 발생한 위험 이벤트는 1,491,577건이었으며, 해당 지역의 총 주행시간은 10,122,830초(2,812시간)이었다. 시간 단위를 1시간으로 설정하여 RRI를 집계한 후 지역별로 평균 RRI를 산출한 결과 지역 4가 15.41%로 가장 높게 나타났다. 사고율이 가장 낮은 지역 3은 이륜차 교통사고율이 1.49%인 것으로 집계되었다. 지역 3에서 발생한 위험 이벤트는 959,575건이며 지역의 총 주행시간은 10,067,463초(2,797시간)이다. 평균 RRI는 10.95%로 5개 지역 중 가장 낮았다. 지역별 사고율과 RRI를 집계한 결과를 Table 4에 제시하였다.
Table 4.
Crash rate and RRI by regions
| Regions | 2017 | 2018 | 2019 | 2020 | 2021 |
Average CR %) |
# of risk events |
Total riding time (s) |
Average RRI (%) |
| region4 | 1.45% | 1.61% | 1.76% | 2.17% | 2.59% | 1.92% | 1,491,577 | 10,122,830 | 15.41 |
| region5 | 1.36% | 1.50% | 1.77% | 1.89% | 2.05% | 1.72% | 524,832 | 3,819,651 | 15.37 |
| region1 | 1.24% | 1.27% | 1.46% | 1.95% | 2.24% | 1.63% | 7,659,901 | 61,585,617 | 13.84 |
| region2 | 1.15% | 1.27% | 1.41% | 1.80% | 2.02% | 1.55% | 982,354 | 7,970,161 | 13.27 |
| region3 | 1.23% | 1.12% | 1.27% | 1.65% | 2.07% | 1.49% | 959,575 | 10,067,463 | 10.95 |
| total | - | - | - | - | - | - | 11,618,239 | 100* | 13.76 |
지역별 RRI의 기술통계를 집계한 결과, 지역 1의 라이더 수가 67명으로 가장 많고 수집된 데이터가 약 3만 4천 건으로 전체 데이터의 68%를 차지하였으며 평균 RRI는 지역 4에서 15.41%로 가장 높고, 지역 3에서 10.95%로 가장 낮았다. ANOVA 분석 결과, F =303.380, 유의확률 0.000으로 지역별 RRI의 평균 차이가 유의미한 것으로 나타났다. 사후검정(Scheffe)을 통해 지역별 RRI를 비교한 결과 지역 4와 지역 5의 RRI가 가장 높았고, 다음으로는 지역 1, 지역 2 및 지역 3 순서로 도출되었다. 기술통계와 ANOVA 및 사후분석 결과를 Table 5에 제시하였다.
Table 5.
Results of ANOVA
2. 연령별 분석
라이더의 연령대는 라이더 인적사항 조사 결과를 바탕으로 20대 이하, 30대, 40대, 50대 이상으로 그룹화하였다. 수집된 데이터의 분포는 30대가 34.8%로 가장 많은 비율을 차지하였고, 40대가 28.9%, 50대 이상이 16.7%, 20대 이하가 10.9%이다. 연령 집단별로 RRI를 집계한 결과를 Figure 6에 제시하였다.
연령대별 RRI은 50대 이상에서 13.33%로 가장 높고, 40대가 13.27%, 20대 이하가 12.46%, 30대가 13.27%로 가장 낮았다. 연령대 그룹별 총 관찰 데이터 수와 위험 이벤트 발생건수, RRI를 Table 6에 제시하였다.
Table 6.
Age groups distribution and RRI
3. 시간대별 분석
시간대별 분석 결과에서는 요식업 배달 이륜차의 특성이 뚜렷하게 나타났다. 데이터의 분포는 저녁 시간에 해당하는 18시-20시가 8%-10%로 가장 큰 비중을 차지하였고, 새벽 1시-8시는 평균 0.34%로 다른 시간대에 비해 매우 적은 비중을 차지하였다. 시간대별 RRI는 점심시간인 11시-13시에 13.36%-13.66%로 높았으나 14시-16시에는 12%대로 낮아졌다. 이후 저녁 시간인 17시-20시에 13.11%-13.56%로 높아지는 경향을 보인다. 새벽 1시부터 8시까지는 총 주행시간과 위험 이벤트 발생 건수가 모두 적어 RRI값이 1.94%-8.07%으로 낮게 나타났다. 분석 결과 시간대에 따라 이륜차의 위험 이벤트 발생률이 크게 차이 나는 것으로 나타났다. 식사 시간에 RRI가 높았고 그중 12시와 18시가 가장 높은 것으로 나타났다. 12시의 RRI는 시간대별 평균 RRI 9.71%와 비교하였을 때 3.95%p 높았다. 한 시간 동안 총 주행시간이 같을 때, 위험 이벤트가 약 4건 정도 많이 발생했음을 의미한다. 시간대별로 집계된 RRI와 데이터 비율을 Figure 7에 제시하였다.
활용방안
1. 위험 이벤트 시각화
본 연구에서는 활용방안으로써 위험 이벤트가 다수 발생한 지역을 모니터링하기 위한 시각화 방안을 제시하였다. 시각화 대상으로는 2021년 지역구별 이륜차 교통사고 건수가 가장 많은 지역구를 대상으로 선정하였다. 수집된 80일간의 데이터 중 하루치 데이터를 랜덤하게 선택하여, 21년 8월 23일 하루동안 위험 이벤트 발생빈도가 높은 구역을 시각화하였다. 위험 이벤트 발생빈도가 높은 구역은 상대적으로 사고 발생 가능성이 높기 때문에 위험 지역으로 선정하여 선제적 조치를 시행한다면 이륜차 교통사고 예방에 기여할 수 있을 것이다. 2021년 지역구별 이륜차 교통사고 건수가 가장 많은 ‘K’구를 대상으로 위험 이벤트 최다 발생 지역을 선정하였으며 위험 이벤트와 일반적 주행 데이터를 지도에 표시하였다. 시각화 결과를 Figure 8에 제시하였다.
2. 안전 모니터링 리포트
본 연구에서는 RRI 분석 결과를 활용하여 안전 모니터링에 적용하기 위한 ‘이륜차 안전 모니터링 리포트’를 제시한다. 기존의 안전 모니터링 리포트는 사륜차를 대상으로 제공되었다. 그러나 이륜차와 사륜차는 다른 거동 특성을 가지므로 이륜차의 주행 특성 맞춤형으로 정보를 가공하고 모니터링 리포트를 구성할 필요성이 있다. 즉, 음식 배달 이륜차를 대상으로 하는 안전 모니터링 리포트는 사륜차를 대상으로 하는 안전 모니터링과 형식은 유사하나, 리포트 작성을 위한 정보 가공 측면에서는 차별화된다. 개별 라이더에게는 총 운행거리, 주행 시간, RRI와 안전운전등급을 집계한 결과와 긍정 및 부정 피드백에 관한 내용을 전달하여 주행행태를 개선할 수 있도록 유도할 수 있다. RRI와 안전운전등급은 실시간 업데이트가 가능한 장점이 있으므로 근무 중 실시간 위험운전도를 지속적으로 산출할 수 있다. 특히 위험 등급으로 평가된 라이더의 주행 데이터를 세부적으로 분석하여 구체적인 주행 패턴과 개별 라이더의 운전 습관을 파악할 수 있다. 이를 토대로 과학적인 안전관리가 가능할 것으로 기대된다. 분석 결과는 라이더 별로 위험 이벤트 발생을 줄이기 위한 1:1 맞춤형 피드백으로써 제공할 수 있다.
지자체에는 전체 이륜차 배달 종사자를 통합적으로 관리할 수 있도록 분기별로 RRI 및 안전운전등급에 관한 안전 모니터링 리포트를 제공할 수 있다. RRI는 총 주행 시간과 IMU센서를 통해 수집된 이륜차의 3축 가속도 및 3축 각속도 데이터만을 활용하여 직관적으로 이륜차의 안전운전도를 파악할 수 있다는 장점이 있다. 지자체에 안전 모니터링 리포트를 제공하면 필요에 따라 안전 교육 및 안전 대책 마련을 강구할 수 있다. 안전 등급 라이더에게는 보험료 감면, 우수라이더 상금 등의 혜택을 제공하고, 위험 등급 라이더에게는 별도의 안전 교육을 실시하는 방안이 있다. 또한, 안전운전등급에 따른 보조금 지원 정책을 통해 자발적인 안전운전을 유도할 수 있다. RRI를 분기별 혹은 월단위로 정기적으로 집계하여 배달 이륜차의 안전 운전 추이를 파악할 수 있다. 해당 지차제 내에서 위험 이벤트의 발생빈도가 가장 높은 지역을 시각화하여 제시함으로써 이륜차 교통사고 예방을 위한 우선 순위 대책을 세울 수 있도록 지원할 수 있다. 음식 배달 이륜차 주행 특성에 따라 위험 이벤트가 자주 발생하는 이면도로를 식별하고 라이더와 지자체, 보행자에게 안내하여 주의를 환기할 수 있다. Figure 9에 라이더와 지자체를 위한 배달 이륜차 안전 모니터링 리포트의 예시를 제시하였다.
결론
배달 서비스 시장이 급성장하면서 배달 이륜차의 교통안전이 사회적 관심사로 대두되었다. 그러나 배달 이륜차의 교통사고를 예방하기 위한 실효성 있는 정책이 미흡하여 배달 이륜차의 교통안전 모니터링을 위한 시스템 마련이 필요한 상황이다. 교통안전관리 대책 마련을 위해서는 배달 이륜차의 주행안전성을 정량적으로 평가하는 기준을 마련하는 것이 선행되어야 한다. 본 연구는 위험상황을 시나리오로 설정하고 실험한 데이터를 수집하여 활용한 대부분의 기존 연구와는 달리 Naturalistic riding study를 통해 실제 주행 데이터를 수집하였다. 요식업 배달 라이더 100명을 대상으로 이륜차에 IMU 센서를 장착하여 주행 데이터와 인적 정보 데이터 수집 중 발생한 위험 상황 정보를 수집하였다. 수집된 데이터를 활용하여 본 연구에서는 교통안전 대체 지표로써 위험 이벤트 발생률 RRI를 개발하고 지역별, 연령대별, 시간대별 이륜차의 주행 안전성을 평가하였다. 더불어 100명의 라이더를 RRI를 기준으로 상대평가하여 이륜차 안전운전등급을 산출하고 RRI가 높은 지역을 시각화하여 배달 이륜차 안전 모니터링에 적용할 수 있는 활용방안을 제시하였다.
RRI는 이륜차의 위험 라이딩 패턴을 정량적으로 간단한 계산과정을 통해 가능하다. IMU센서가 장착된 이륜차의 경우 주행데이터를 무선 통신 방식으로 전송받아 RRI를 상시 집계할 수 있으므로 정책적 측면에서 실시간 이륜차의 안전 관리 계획 및 정책 수집에 활용할 수 있을 것으로 기대된다. 주행 안전성 분석 결과에 따르면 지역별 이륜차 사고율이 높을수록 RRI가 높았고, 연령대별로는 50대 이상인 그룹이 가장 위험하게 운전하는 것으로 나타났다. 시간대별로는 데이터 점유율과 RRI가 크게 차이 났으며 통상적인 점심시간(11시-13시)과 저녁시간(17시-19시)에 위험이벤트 발생률이 높은 것은 요식업 배달 이륜차의 특징이 반영된 것으로 해석된다. 안전운전등급은 배달 이륜차를 대상으로 안전관리 모니터링 시스템을 구축하는 데 기본 자료로 활용될 수 있으며, 본 연구에서 제시한 것과 같이 안전 모니터링 리포트를 라이더와 지자체 별로 전달하여 현황 관리 목적으로 활용할 수 있다. 특히 개별 라이더에게 제공하는 안전 모니터링 리포트의 경우 위험 이벤트 발생률(RRI)은 직관적으로 이해하기 용이한 지표라는 점에서 활용성이 높을 것으로 기대된다. 또한 RRI는 집계하는 시간 단위를 운영관리자가 실시간 모니터링 및 월별 이륜차 안전운전도 추이 집계 등의 관리 목적에 따라 5분, 1시간, 24시간으로 달리 설정하여 분석 가능하다. 시간대에 따른 RRI의 차이가 두드러진다는 분석 결과에 따라 시간대에 따른 이륜차 안전 관리를 시행할 수 있다. 한국산업안전보건공단에서 제공하는 ‘이륜차 배달 플랫폼 재해예방 시스템’은 이륜차 배달 종사자를 대상으로 사고다발구역 정보와 알림을 제공하고 있다. 본 연구 내용을 활용한다면 가장 위험한 것으로 분석된 시간대에 사고다발구역 알림을 제공하는 알림 반경을 넓히고 위험 이벤트의 발생빈도가 높은 위험지역에 대한 추가정보를 제공할 수 있다. 라이더에게 위험 시간대와 위험 지역에 대한 정보를 동시에 제공한다면 사고 다발구역 알림 서비스의 사고예방 효과를 증대시킬 수 있을 것으로 기대된다.
그러나 본 연구는 다음과 같은 한계점 극복을 위한 추가 연구를 통해 방법론을 고도화할 필요가 있다. 배달 업무에 가장 많이 사용되는 대표적인 차종으로 가정하고 분석을 수행하였으나 추후 이륜차의 차종 관련 자료가 수집된다면 보다 정확한 이상치 검지가 가능할 것으로 기대된다. 지역별 분포가 고르지 못해 일부 지역은 표본 수가 적으므로 향후 지역별로 통계적 유의성을 확보 가능한 표본을 대상으로 데이터를 추가 수집하는 것이 필요하다. 또한 ANOVA 분석 결과 시도별 분석만이 통계적으로 유의했으나 상관 분석, 머신러닝 등을 통해 이륜차 주행행태와 인적 요인 간의 관계를 연구하는 것이 요구된다. 향후 연구에서는 공간 단위를 도로 및 교통 특성과 시간적 요인에 따라 세분화하여 미시적인 주행행태 분석을 통해 위험운전 이벤트가 발생하는 시공간적인 특성에 대한 분석이 필요할 것이다. 본 분석에 활용한 데이터는 약 80일 간 연속적으로 수집된 데이터로써 출퇴근 통행과 배달 통행의 구분 및 통행의 시종점 특정에 한계가 있다. 따라서 향후 연구에서는 시종점 데이터를 추가 수집하여 분석하는 것이 요구된다. 본 연구에서는 배달 이륜차 안전 모니터링 설계의 기초 자료를 위한 예시로써 안전운전등급을 안전/보통/위험 3등급으로 단순화하여 분류하였으나, 향후 추가적인 데이터 수집 및 분석을 통해 최적의 안전운전등급 체계를 도출하는 것이 요구된다. 본 연구의 한계점을 보완하고 발전시켜 이륜차 사고 예방을 위한 실효성 있는 대책 마련으로 거듭나길 희망한다.
