[上편] 플로리다 교통부(FDoT) 대형트럭 사고 분석 연구 -「Large Truck Crash Analysis for Freight Mobility and Safety Enhancement in Florida」

[ 요 약 ] ● 개요 플로리다 주 교통부는 대형트럭 교통사고의 패턴과 사고기여요인을 파악하고, 이를 기반으로 사고 경감을 위한 실질적인 대응책을 마련하기 위해 본 연구 프로젝트 「Large Truck Crash Analysis for Freight Mobility and Safety Enhancement in Florida」를 추진   ● 연구의의 플로리다 지역 화물이송의 85%를 차지하는 대형트럭은 교통사고 발생시 교통혼잡, 재산피해, 도로이용자의 부상·사망 뿐만 아니라 화물 지연에 의한 부가적인 운영비용, 생산성 감소에 따른 손실 등 지역경제에 직간접적인 영향을 크게 미침, 이에 주 교통부는 대형트럭의 이동성과 안전성을 증진시켜 교통사고 발생에 의한 사회적 손실을 저감하기 위한 기반연구를 실시함   ● 연구내용 플로리다 주에서 발생하는 대형트럭 교통사고의 발생원인 및 사고발생장소에 대한 패턴을 분석하고 타겟 대응책이 필요한 우선순위 장소 35개소에 대한 사고저감조치 제시, 뿐만 아니라 사고저감조치를 통해 화물차의 이동성과 안정성이 증진됨으로써 얻게 될 경제적 편익에 대한 평가법 제시   ▶ (과거 사고데이터 분석) 플로리다 주에서 2007년부터 2016년까지 10년간 발생한 대형트럭 교통사고 24만 3천건에 대한 경찰 리포트 데이터를 활용하여 아래와 같이 세가지 관점의 분석법 활용 ①  핵심사고원인(CR, Critical Reason) 분석 : 해당 연구에서 새로 개발한 프레임워크를 활용하여 사고위험을 증가시키는 잠재적 원인 및 사고요인에 대해 분석 ② 사고심각도 분석 : RPOL(Random Parameter Ordered Logit) 모델을 활용하여 사고요인이 사고심각도에 미치는 영향 및 상관관계 분석 ③ 사고발생장소 분석 : ArcGIS Spatial Analyst 확장판인 the Kernel Density Tool을 활용하여 사고가 집중적으로 발생하는 장소나 문제가 있는 장소의 패턴 분석   ▶ (선행 사고저감조치 조사) 과거부터 시행해온 사고저감조치의 선행사례를 시스템적 접근법*에 따라 살펴보고 위의 세가지 분석에서 도출한 사고위험요소 및 사고발생장소 결과를 참고하여 데이터/증거 기반 사고저감조치를 도출하고자 함 → NHTSA, FHWA 및 관련 선행연구자료를 대상으로 핵심사고원인별 대응책을 조사하여 시스템적 접근법에 따라 분류하였더니 공학적 조치는 총 41개(차량에 대한 공학적 조치 7건+도로에 대한 공학적 조치 34건), 단속/규제 조치는 9개, 교육 조치는 7개로 나타남   ※시스템적 접근법 : 인프라/공학적 솔루션을 투자할 수 있는 곳을 우선순위화 하여 공학적(Engineering) 조치(차선제한, 속도제한, 도로기하구조 등)을 적용하는 방법, 흔히 나타나는 위반사항에 대한 단속/규제(Enforcement), 교육(Education)과 같은 조치를 적용하는 방법 등을 말하며 전통적으로는 응급조치(Emergency)를 포함하여 ‘4E’로 대표되나 해당 보고서에서는 ‘3E(Engineering, Enforcement, Education)’를 중심으로 살펴봄 ▶ (분석결과의 활용) 위의 세가지 사고데이터 분석 및 선행 사고저감조치 분석 결과를 활용하여 대책이 시급한 총 35개소의 사고발생장소를 도출하고, 해당 장소에서의 핵심사고원인·사고율·사고심각도 등을 고려한 관련 대응책 제시

< 목 차 >

- 上편 -
1. 사고데이터 분석을 위한 방법론(methodology)의 채택
2. 사고기여요인(Crash Contributing Factors)에 대한 선행연구 검토
3. 안전성 제고·사고저감을 위해 제안되었던 대응책(조치) 검토

- 下편 -
4. 사고의 원인(Cause)과 기여요인(contributing factors)
5. 사고심각도 분석 : 방법론과 분석결과
6. 대응책(조치) 선행사계 검토
7. 대응책(조치)의 영향력 평가법 - 경제성을 중심으로

---

1. 사고데이터 분석을 위한 방법론(methodoloty)의 채택 

본 보고서에서는 대형트럭 사고 데이터의 통계적 분석에 필요한 분석 방법론(methdology)과 모델을 채택하기 위해, 사고분석에 관한 선행연구를 검토하였다. 선행연구에 따르면 ‘사고데이터의 분석방법’은 크게 두 가지로 나뉜다; ① Aggregate 분석 ② Disaggregate 분석

(1) Aggregate (Segment‐Level) Crash Analysis

Aggregate 분석이란 일정 구간(보통 0.3~0.75마일) 도로에서 사고가 발생할 가능성(probability) 혹은 위험성(risk)을 추정해보는 것이다. 즉 사고빈도(crash frequency)와 사고율(crash rate)를 구해보는 것을 말한다. 본 보고서에서는 사고빈도와 사고율을 다음과 같이 정의하고 있으며 사고데이터를 활용하여 각각의 값을 구하는 방법론을 소개하였다.

• 사고빈도(Crash Frequency) : 일정 기간 동안의 총 사고수 (*정수이어야함)
• 사고율(Crash Rate) : 단위 당 총 사고수 (*단위는 ton-miles 당 화물량 등이 될 수 있고, 부동수(浮動數)로 나타남)

사고빈도는 정수값(integer value)로 나타나므로 분석을 수행할 떄는 ‘Count Data Model’을 주로 활용한다. Count Data Model 중에서도 Poisson(P), Poisson Lognomal(PLN), Negative Binomial(NB) 등의 분석모형을 활용하여 다양한 확률분포 추정이 가능하다. 사고데이터의 경우 과산포*(overdispersion)특성이 흔하게 나타나는데, NB 모형은 과산포(overdispersion) 데이터에도 활용할 수 있다는 특징이 있다.

* 과산포(overdispersion)란? 데이터 값의 분포가 너무 넓게 퍼져있어 Poisson 회귀분석 모형이 제대로 값을 예측하지 못함

 

사고데이터를 분석하는 다양한 선행연구에서는 사고빈도 분석에 Count Data Model을 활용하고 있다. P 모형과 NB 모형을 함께 채택하여 활용하거나(Daiel, 2002), NB 모델만 활용(Schnieder, 2009)하는 것처럼 기존의 모형을 가능한 그대로 활용한 사례도 있지만, P 모형을 발전시킨 3개의 모델(①UVPLN ②MVP ③MVPLN)을 활용하거나(Dong, 2014) NB모형을 BNB와 BZINB모형으로 개발한 것(Dong, 2015)과 같이 기존의 모형을 데이터 특성에 맞게 변형/발전시켜 활용한 사례도 있었다.

 

사고율은 ‘Censored Regression Model’이 주로 분석에 활용된다. 특히 Left-censored Tobit Regression 모형이 사고율 예측에 우수한 결과를 도출했다는 선행연구도 있었다.(Bin Islam, 2016) 이 선행연구에서는 변수를 고정과 랜덤으로 구분한 총 4가지의 변수(①고정변수 ② 랜덤 - 정수(constants) ③ 랜덤 - 사고 관련 차량 수 ④ 랜덤 - 치명상을 입지 않은 사람의 수)를 활용하는 Random-parameter Tobit Regression 모형을 개발하였고, 노출단위(measures of exposure)는 ① 백만마일 주행 당 ② Ton-Miles of Freight 두 가지로 구분하여 분석을 실시하였다. 또 다른 선행연구에서는 서로 다른 사고속성을 고려하여 사고빈도와 사고율을 추정하는데 단변량(univariate) 모형 보다는 다변량(multivariate) 모형이 우수한 결과를 도출한다고 시사한 바 있고, 실제로 MVPLN(Multivariate Poisson Lognormal)이나 다변량 Tobit Regression 모델의 효율성이 뛰어난 것으로 나타난 사례(Dong, 2014)도 있었다.

 

Aggregate 수준에서의 분석 방법론에 대해 정리해보자면, 앞서 실시된 다른 대형트럭 사고분석 연구에서와 같이 P 모형, NB모형, Tobit Regression 등을 채택하여 연구를 설계할 수 있으며, 사고심각도에 대해 서로 다른 unobserved correlation이나 이질성(heterogeinity), zero-inflation 등을 더 자세히 설명하기 위해 더 복잡한 모형을 개발하여 활용할 수 있다는 것을 알 수 있다.

그러나 Aggregate 분석 수준에서는 총 사고수나 사고율처럼 특정 세그먼트(ex. 도로구간)에서 안전수준에 대한 일반적인 정보만 도출할 수 있다는 한계점을 가지고 있다. 그러나 연구자나 기획자(planner), 의사결정권자들은 사고유형, 사고심각도, 사고위치와 같은 다양한 속성을 기반으로 하여 더 자세한 정보를 필요로 하며, 그 중에서도 ‘사망자수|부상자수|재산피해(PDO)’와 같이 안전성에 대한 인덱스化가 적용된 ‘사고심각도’ 속성의 활용을 선호하는 경향이 있다.

(2) Aggregate (Segment‐Level) Crash Analysis

Disaggregate 분석은 Aggregate 분석과 달리 특정 세그멘트 수준에서의 분석이 아니라 운전자 특성|차량상태 등 개별적인 사고속성 수준에서 고려한 분석을 할 수 있고, 개별적인 사고의 특성이나 요인 간의 상관관계(correlation)를 분석한다. 선행연구들에서는 주로 Discrete Choice Model을 활용하였고, 크게 Binary|Multinomial|Mixed Ordered response로 나뉜다. 사고데이터에는 Normal Distribution (probit, 정규분포)와 Gumble Distribution(logit)이 적절한 수준의 적합성(fit)을 보인 것으로 조사되었다.

 

Disaggregate 분석에서 활용되는 속성의 예시로는 사고위치(교차로-교차로 외 지역|램프-램프 외 지역), 사고유형(후방추돌-정면추돌), 지역(도시-시골), 사고심각도, 기후조건, 시간적 요소(주말-주간, 시간대) 등이 있으며, 연구자나 기획자들은 그중에서도 사고심각도에 가장 높은 관심을 보이는 것으로 나타났다.

 

Disaggregate 분석 역시 다양한 선행연구에서 활용되었다. 대형트럭사고의 사고심각도에 대해 분석한 한 연구(Khattak, 2002)에서는 대형트럭사고를 먼저 전복사고(rollover)와 비전복사고(non-rollover)로 나누었다. 그리고나서 ①전복사고의 사고발생확률을 추정하기 위해 Binary probit 모형을 개발하고, ②부상심각도를 5단계로 나누어 적용하는 Ordered probit 모형을 개발하고 ③최종적으로 전복사고시 부상심각도를 예측하는 Separate ordered probit 모형을 개발·적용하였다. 결과적으로 총 5,162건의 대형트럭사고 중 전복사고 1,503건에 대하여 앞서 설명한 것과 같은 설계모형으로 분석하였더니 트레일러의 길이, 제조사와 모델명, 위험운전(난폭운전, 음주운전, 과속 등), 갈림길에서의 운전조작, 곡선주행구간이 사고발생확률을 증가시키는 요인으로 분석되었고, 트럭의 탑승자수, 브레이크 결함, 교통준칙위반(신호, 표지판), 사고 후 화재 등이 사고심각도를 증가시키는 요인으로 추정되었다. 특히 화재를 동반하는 전복사고가 가장 높은 사고심각도를 보이는 것으로 나타났다.

 

또 다른 선행연구(Blower, 2010)에서는 사고를 발생시킨 여러 원인 중 영향력이 가장 높은 한 가지의 사고원인에 집중하는 ‘Critical Reason(CR)’ 개념을 도입하였다. 이에 몇 가지 가설을 세우고 CR 중 잠재요인을 추정하기 위한 t-test와 binary logit 모형을 설계하여 적용하였다. 분석결과 중에는 브레이크에 결함이 있는 트럭의 사고발생확률이 1.8배 높다는 추정도 있었다.

 

그 외 수많은 선행연구의 추세를 살펴본 결과 Disaggregate 분석에서는 사고의 심각도를 추정하는 것이 가장 보편적인 주제이고, 연구마다 사고심각도의 정의에는 차이가 있다는 특징을 발견할 수 있었다. 그러나 사고발생 시 탑승자의 부상을 복합적이고(multiple) 세부적인 레벨에서 분석한 연구는 거의 없었다.

(3) Aggregate와 Disaggregate, 두 방법론의 비교

본 보고서에서는 Disaggregate 분석이 더 해결력있고(higher resolution) 예측정확도가 높은 데이터를 활용하기에 적합하다고 결론을 내렸다. Disaggregate 분석은 Aggregate 분석에서는 불가능했던 multi-level heterogeneity를 고려한 추정을 실시할 수 있다는 장점이 있다.(ex. 사고 이외의 다른 수준에서의 상관관계도 추정할 수 있음)

그러나 현재는 Police Report 데이터에 과도하게 의존하고 있어 이론적인 측면/수준에서 귀중한 정보를 제공하고는 있으나 실무 적용을 위해 반드시 필요한 다양한 변수를 얻기 부족한 실정이다. 그러나 최근 한 연구(Anastasopoulo&Mannering, 2011)에서는 적합한 변수와 효과적인 모형설계를 통해 적절한 데이터 적합성을 제공할 수 있다고 주장하기도 했다. 참고로 실무 선상의 기획자들은 도로환경|교통상황|기후조건과 같이 경제적으로 취득하기 쉽고 접근성이 좋은 데이터 모델을 선호하는 편이다.

---

2. 사고기여요인(Crash Contributing Factors)에 대한 선행연구 검토

사고분석을 위해서는 사고기여요인의 성질(nature)과, 그 요인들이 사고발생과 사고심각도에 어떻게 영향을 미치는지를 이해하는 것이 매우 중요하다. 본 보고서에서는 도로특징, 교통속성, 운전자 특징, 차량의 특징, 사고속성 등에 대한 검토결과를 간략하게 요약하여 설명하고 있으며, 이는 일반 사고연구와 대형트럭의 사고연구를 모두 포함하고 있다. 필자는 다양한 사고기여요인 중에서도 차량의 특징에 속하는 차량의 기능적 결함과 관련된 사례를 집중적으로 소개하고자 한다.

Summary of Contributing Factors and Impacts on Frequency and Severity

본 보고서에서는 차량의 결함이 사고발생확률과 사고심각도에 영향을 미친다는 결과를 얻은 선행연구가 3개 언급되었고, 이 선행연구들에서는 모두 브레이크의 결함이 강조되었다는 특징이 있다. 결론적으로 위의 [표 2]와 아래의 선행연구 사례들을 종합적으로 고려하면 차량결함(특히 브레이크의 결함)은 (사고빈도 보다) 주로 사고심각도에 영향을 미치는 기여요인임을 알 수 있다.

[case1_2002 Khattak 외] 브레이크 결함이 트럭 사고의 부상심각도에 영향을 미친다.

[case2_2010 Blower 외] 근무 외 시간 브레이크 상태(condition)가 트럭 사고를 1.8배 발생시킴(*hours-of-service는 2.0배, log out-of-service는 2.2배 증가하는 것으로 추정됨) 특히 브레이크 관련(BR) 사고율은 브레이크 작동(service)의 저해(violation)가 있는 경우 1.8배 증가함

[case3_2011 Chen 외] 트럭유형+화물유형+시스템 결함이 single/multi 차량 사고심각도에 영향을 미친다는 가정하에 분석, 시스템 결함은 크게 브레이크 결함과 타이어 결함으로 설명

→ 브레이크 결함은 non-incapacitating 부상을 증가시키고, 타이어 결함은 incapacitating 부상을 주로 증가시키는 것으로 추정됨

---

3. 안전성 제고·사고저감을 위해 제안되었던 대응책 검토

한 예측연구(predictive analytics)에서는 결과적으로 사고발생과 심각도를 줄여 전반적인 안전성을 증진시킬 수 있는 대응책을 제시해야 한다고 결론을 냈다. 그러나 사고분석모형과 사고심각도 분석모형으로 실제 대응책의 효율성(efficiency)까지 추정할 수는 없다. 그 대신 사고들의 사고기여요인을 규명하고 이 요인들의 영향력을 최소화시키는 기본적인 제언들을 도출한 선행 연구는 여럿 확인할 수 있었다.

 

본 보고서에서는 (1) 특정 사고유형별로 구분(어두운 환경|졸음운전|차량전복)하여 대응책을 제시한 경우와 (2) 종합적인 관점에서 사고를 저감하는 대응책 제시한 경우를 구분하여 사례를 설명하였다. 제시된 대응책으로는 사고가 많이 나는 도로에 사고저감을 위한 구조물을 설치한다거나, 차선|중앙분리대와 같은 구조물의 성능을 강화한다거나, 트럭 내에 기술을 활용한 장치를 추가한다거나, 트럭 운전사들을 교육하는 것 등이 있었으며, 이에 대한 안전효율성까지 평가한 연구(Middleton, 1994)도 언급되었으나 그 중 차량결함과 직접적으로 관련된 사례는 찾아보기 어려웠다. 그나마 1994년 Middleton의 연구내용 중 Strategy 6. Urban Truck Inspection Stations의 ‘검역 인력 추가’ 대응책이 간접적으로 관련되었다고 판단하였다.