주제 : 서울시 이륜차 교통사고 핫스팟 분석 및 공간적 특성 분석
01 프로젝트 배경
최근 국내 교통안전 정책은 교통사고 다발지역을 중심으로 위험 요인을 파악하고 개선하는 방향으로 추진되고 있다. 대표적으로 제9차 국가교통안전기본계획, 제7차 교통사고 잦은 곳 개선사업 등을 통해 사고다발지역에 대한 관리와 개선이 이루어지고 있다.
그러나 관련 정책과 지침을 검토한 결과, 교통사고원인조사지침, 한국도로교통공단의 TAAS(Traffic Accident Analysis System), 경찰청의 TMACS(Traffic Management Analysis System) 등 각 기관에서 사고다발지역을 관리하고 있음에도 불구하고 사고다발지역에 대한 통일된 법적 정의나 법제화된 기준은 존재하지 않는 것으로 확인되었다.
실제로 각 기관은 자체적인 업무 목적과 관리 체계에 따라 사고다발지역을 선정하고 있으며, 사고 건수, 사상자 수, 교차로 여부 등 서로 다른 기준을 적용하고 있다.
이러한 상황은 동일한 지역에 대해서도 기관별로 사고다발지역 선정 결과가 달라질 수 있음을 의미한다.
따라서 사고다발지역의 기준이 기관마다 상이한 상황에서 특정 기관의 행정적 기준을 그대로 적용하기보다 공간통계 기법을 활용하여 객관적으로 사고 위험이 집중된 지역을 도출하고자 하였다.
이를 위해 사고다발지역 및 고위험지역을 Getis-Ord Gi* 공간통계 분석을 통해 통계적으로 유의한 핫스팟(Hot Spot)으로 정의하였다.
또한 분석 대상인 이륜차의 범위는 TAAS에서 제공하는 이륜차 사고다발지역 자료의 분류 체계를 준용하여 이륜차, 원동기장치자전거, ATV(All-Terrain Vehicle)를 포함하는 것으로 설정하였다.
한편 코로나19 팬데믹은 사회·경제 활동뿐 아니라 교통수단 이용 행태에도 큰 변화를 가져왔다. 특히 비대면 소비 증가와 배달 서비스 확산으로 인해 이륜차 이용량이 크게 증가하였으며, 이에 따라 이륜차 교통사고에 대한 사회적 관심도 높아졌다.
그러나 기존 연구들은 주로 사고 건수 변화에 초점을 맞추고 있으며, 사고 위험지역의 공간적 분포가 코로나19 전·중·후 기간 동안 어떻게 변화하였는지에 대한 연구는 상대적으로 부족한 실정이다.
따라서 본 프로젝트는 서울특별시 이륜차 사고를 대상으로 코로나19 전·중·후 시기의 사고다발지역과 고위험지역의 공간적 변화를 분석하고자 한다.
02 코로나19 전/중/후 기간 설정
본 프로젝트는 코로나19 팬데믹이 서울특별시 내 이륜차 사고 핫스팟의 공간적 분포에 어떠한 영향을 미쳤는지를 분석하는 것을 목적으로 한다. 따라서 코로나19 전·중·후 기간을 구분하는 기준 설정이 중요한 연구 설계 요소가 되었다.
관련 선행연구를 검토한 결과, 코로나19와 교통사고의 공간적 변화를 분석한 해외 연구들 사이에서도분석 기간 설정 방식은 통일되어 있지 않았다 (Karadla & Li, 2021; Lin et al., 2020; Feizizadeh et al., 2022; Momeni Rad & El-Basyouny, 2024).
일부 연구는 정부의 방역 정책 시행 시점을 기준으로 분석 기간을 구분하였으며, 일부 연구는 연구자의 판단에 따라 특정 날짜를 임의로 설정하였다. 특히 Lin et al. (2020) 이동량과 통행 패턴이 급격하게 변화하는 시점을 기준으로 분석 구간을 설정하였다.
반면 Zhang et al. (2024)의 경우 2020년과 2021년을 연도 단위로 구분하여 분석하였으며, 연구 내에서도 실제 교통행태 변화의 핵심 시점은 2020년 3~4월경임을 언급하였다. 즉, 기존 연구들에서도 코로나19 시기 구분에 대한 절대적인 기준은 존재하지 않으며, 연구 목적에 따라 다양한 방식이 활용되고 있음을 확인할 수 있었다.
이에 본 프로젝트에서는 국제적으로 가장 객관적이고 보편적으로 인정받는 기준인 WHO(World Health Organization)의 팬데믹 선언 및 종료 선언 시점을 기준으로 기간을 구분하였다.
구체적으로 WHO는 2020년 3월 11일 COVID-19를 팬데믹으로 선언하였으며, 2023년 5월 5일 국제공중보건 비상사태(PHEIC) 종료를 선언하였다. 따라서 본 연구에서는 해당 기간을 코로나19 팬데믹 기간으로 정의하였다.
또한 TAAS에서 제공하는 사고 데이터가 2025년 12월 31일까지 구축되어 있다는 점을 고려하여 팬데믹 이후 기간과 동일한 길이의 기간을 팬데믹 이전 기간으로 설정하였다. 또 팬데믹 이전과 이후 기간은 동일한 길이(971일)로 설정하여 비교 가능성을 확보하였다.
이와 같은 기준은 특정 국가의 정책 변화나 사회적 사건이 아닌, 국제기구가 공식적으로 선언한 시점을 활용함으로써 연구의 객관성과 재현 가능성을 높인다는 점에서 의미가 있다.
* Feizizadeh, B., Omarzadeh, D., Sharifi, A., Rahmani, A., Lakes, T., & Blaschke, T. (2022). A GIS-based spatiotemporal modelling of urban traffic accidents in Tabriz City during the COVID-19 pandemic. Sustainability, 14(12), 7468.
* Karadla, L., & Li, W. (2021). Analyzing Effects of The COVID-19 Pandemic on Road Traffic Safety: The Cases of New York City, Los Angeles, and Boston.
* Lin, L., Shi, F., & Li, W. (2020). Assessing road traffic safety during COVID-19: Inequality, irregularity, and severity. arXiv preprint arXiv:2011.02289.
* Momeni Rad, F., & El-Basyouny, K. (2024). How COVID-19 impacted the temporal and spatial distribution of collision hotspots. Canadian Journal of Civil Engineering, 51(6), 616-639.
* Zhang, H., Ci, Y., Huang, Y., & Wu, L. (2024). The effect of the COVID-19 pandemic on the distribution of traffic accident hotspots in New York City. Sustainability, 16(8), 3440.
03 프로젝트 방향
본 프로젝트는 서울특별시 내 이륜차 교통사고 데이터를 활용하여 코로나19 전·중·후 기간별 사고 핫스팟의 공간적 분포 변화를 분석하고자 한다.
이를 통해 단순한 사고 건수 변화 분석을 넘어, 팬데믹으로 인한 사회·경제적 활동 변화가 이륜차 사고 위험지역의 공간적 이동과 집중도에 어떠한 영향을 미쳤는지 파악하고, 향후 이륜차 교통안전 정책 수립 및 사고 예방 대책 마련에 기초자료를 제공하고자 한다.
04 분석 방법론
본 연구에서는 서울특별시 내 이륜차 사고의 공간적 분포와 위험 특성을 파악하기 위하여 공간통계 기반의 핫스팟 분석을 수행하였다.
분석 대상은 TAAS에서 제공하는 이륜차, 원동기장치자전거, ATV 관련 사고 데이터이며, 분석 기간은 WHO의 COVID-19 팬데믹 선언 및 종료 선언을 기준으로 설정한 코로나19 이전(Before), 팬데믹 기간(During), 이후(After) 구간으로 구분하였다.
| 기간명 | 기간 |
| 코로나 이전 | 2017-07-14 ~ 2020-03-11 (총 971일) |
| 펜데믹 기간 | 2020-03-12 ~ 2023-05-05 (총 1,150일) |
| 코로나 이후 | 2023-05-06 ~ 2025-12-31 (총 971일) |
사고 위치 정보는 점(Point) 데이터 형태로 제공되므로 공간적 군집 특성을 분석하기 위하여 서울특별시 전역을 일정 크기의 격자(Grid)로 분할하였다. 이후 각 격자 내 사고 건수 및 사고 심각도 지표를 집계하여 공간통계 분석을 수행하였다.
-01 격자 크기 선정 및 민감도 분석
공간 분석 결과는 분석에 사용되는 공간 단위의 크기와 경계 설정에 따라 달라질 수 있다. 이는 공간분석에서 널리 알려진 MAUP(Modifiable Areal Unit Problem)의 규모 효과(Scale Effect), 동일한 자료라도 분석 단위에 따라 상이한 결과가 도출될 수 있음을 의미한다. 따라서 격자 크기에 따른 민감도 분석을 수행하여 적절한 분석 단위를 선정할 필요가 있다.
이에 본 프로젝트에서는 100m부터 1000m까지 100m 간격의 격자를 생성하고, 각 격자 크기에 대하여 민감도 분석을 수행하였다.
평가 지표는 다음과 같다 :
> Zero Cell 비율 : 사고가 발생하지 않은 격자의 비율
> Hotspot 비율 : 전체 격자 대비 핫스팟으로 판정된 격자의 비율
> 평균 이용 사고 수
특히 Jaccard Similarity는 격자 크기 변화에 따른 공간적 안정성을 평가하기 위해 활용하였다. 분석 결과 300m~500m 구간에서 비교적 안정적인 핫스팟 분포가 확인되었으며, 400m와 500m 격자 간 Jaccard Similarity가 가장 높게 나타났다.
> Jaccard Similarity : 서로 다른 격자 크기에서 도출된 핫스팟 결과 간의 공간적 유사도
따라서 Zero Cell 비율 감소와 공간적 해상도를 동시에 확보할 수 있으며, 400m와 500m 격자 간 Jaccard Similarity가 가장 높게 나타나 공간적 안정성이 확인됨에 따라 본 연구의 최종 분석 단위로 400m 격자를 선정하였다.
-02 사고다발지역(Accident Hotspot) 분석
사고다발지역은 단순히 사고 건수가 많은 지역이 아니라, 사고 발생이 공간적으로 집중되어 있는 지역으로 정의하였다.
이를 위하여 각 400m 격자 내 사고 건수를 집계한 후 Getis-Ord Gi* 통계량을 적용하였다.
Getis-Ord Gi*는 특정 지역과 주변 지역의 값이 전체 평균 대비 통계적으로 유의하게 높은지를 평가하는 국지적 공간 자기상관(Local Spatial Autocorrelation) 기법이다.
본 프로젝트에서는 90% 유의수준에서 통계적으로 유의하게 사고가 많이 발생하는 지역을 사고다발지역(Accident Hotspot)으로 정의하였다.
분석 결과 코로나19 이전, 팬데믹 기간, 이후 구간 모두에서 서울시 내 사고 집중지역이 존재하는 것으로 확인되었으며, 팬데믹 이후 기간에서 가장 많은 사고다발지역이 관측되었다.
-03 고위험지역(Severity Hotspot) 분석
사고 건수만으로는 교통안전 위험성을 충분히 설명하기 어렵다. 동일한 사고 1건이라 하더라도 사망사고와 경미한 접촉사고는 사회적 비용과 인명피해 측면에서 큰 차이가 존재한다.
이에 본 연구에서는 사고 심각도를 반영하기 위하여 ECLO(Equivalent Casualty Loss Only) 지표를 활용하였다.
ECLO(Equivalent Casualty Loss Only)는 사고로 인한 인명피해의 심각도를 정량화하기 위한 지표로, 사망·중상·경상·부상신고에 서로 다른 가중치를 부여하여 산출한다 (Kim et al, 2023; 정근영, 배상훈, 2017). 기존 교통안전 연구에서는 사고 심각도를 정량화하기 위해 EPDO(Equivalent Property Damage Only)와 같은 환산지표가 널리 활용되어 왔으며, 본 프로젝트에서는 재산피해보다 인명피해에 초점을 맞추기 위해 ECLO를 적용하였다.
ECLO=10×(사망자수)+5×(중상자수)+3×(경상자수)+1×(부상신고자수)
ECLO는 사고 결과에 따라 다음과 같은 가중치를 적용하여 산출하였다.
| 사고 결과 유형 | 가중치 |
| 사망 | 10 |
| 중상 | 5 |
| 경상 | 3 |
| 부상신고 | 1 |
또한 사고 결과의 경우 기준은 다음과 같다.
| 구분 | 정의 |
| 사망 | 교통사고 발생 시부터 30일 이내에 사망한 경우 |
| 중상 | 교통사고로 인하여 3주 이상의 치료를 요하는 부상을 입은 경우 |
| 경상 | 교통사고로 인하여 5일 이상 3주 미만의 치료를 요하는 부상을 입은 경우 |
| 부상신고 | 교통사고로 인하여 5일 미만의 치료를 요하는 부상을 입은 경우 |
출처) 한국도로교통공단 TAAS, 「교통사고 인적피해의 구분」
이후 각 격자 내 ECLO 총합을 계산하고, 사고다발지역 분석과 동일하게 Getis-Ord Gi* 분석을 수행하였다.
이를 통해 사고 발생 빈도와 관계없이 인명피해 심각도가 공간적으로 집중된 지역을 고위험지역(Severity Hotspot)으로 정의하였다.
분석 결과 고위험지역의 공간적 분포는 사고다발지역과 완전히 일치하지 않았으며, 일부 지역에서는 사고 건수는 많지 않음에도 불구하고 높은 인명피해가 집중되는 특성이 확인되었다.
* Kim, M. J., Go, Y. B., Choi, S. Y., Kim, N. S., Yoon, C. H., & Park, W. (2023). A study on the analysis of law violation data for the creation of autonomous vehicle traffic flow evaluation indicators. Journal of Internet Services and Information Security, 13(4), 185-198.
* 정근영, & 배상훈. (2017). 교통사고 데이터분석을 통한 교통사고 위험도 산정: 부산시 주간선도로 주요교차로를 대상으로: 부산시 주간선도로 주요교차로를 대상으로. 대한토목학회논문집, 37(1), 111-117.
-04 사고다발지역과 고위험지역의 비교
사고다발지역과 고위험지역 간의 관계를 파악하기 위하여 두 핫스팟 결과를 중첩 분석하였다.
그 결과 상당수 지역은 사고 발생 빈도와 사고 심각도가 동시에 높은 것으로 나타났으나, 일부 지역은 두 분석 결과가 서로 다르게 나타났다.
특히 사고다발지역에는 포함되지 않지만 고위험지역으로 분류되는 지역이 존재함을 확인하였다.
이는 사고 건수 중심의 기존 관리 체계에서는 우선순위가 낮게 평가될 수 있으나, 실제 인명피해 측면에서는 높은 위험성을 갖는 지역이 존재할 가능성을 시사한다.
-05 핫스팟 변화 분석
코로나19 전 / 후 기간별 핫스팟의 공간적 변화를 파악하기 위하여 시기별 핫스팟 결과를 중첩 비교하였다.
이를 통해 다음과 같은 2개 유형의 핫스팟을 구분할 수 있으며, 각 시기별 사고 위험지역의 유지·확대·축소 양상을 파악하였다.
> 지속 핫스팟 (Persistent Hotspot)
> 신규 발생 핫스팟 (Emerging Hotspot)
또한 코로나19 전·중·후 기간 동안 사고 위험지역의 공간적 이동과 집중도 변화를 분석함으로써 팬데믹이 서울특별시 이륜차 사고 핫스팟의 형성과 변화에 미친 영향을 살펴보고자 하였다.
'중간 프로젝트' 카테고리의 다른 글
| 중간 프로젝트 최종 결과물_서울시 이륜차 사고 핫스팟 분야 유형 및 특성 분석 (0) | 2026.07.12 |
|---|