설명가능한 인공지능을 활용한 교차로 보행자 사고 심각도 영향 요인 분석 = Factors Influencing Pedestrian Crash Severity at Intersections Using Explainable AI

국문 초록 (Abstract)

보행자는 도로교통 체계에서 대표적인 교통약자로, 사고 발생 시 다른 도로 이용자에 비해 사고 심각도가 상대적으로 높게 나타난다. 2024년 우리나라 보행자 교통사고의 약 42.7%는 교차로 또는 그 인근에서 발생하였다. 같은 해 교차로에서 발생한 보행자 사망 및 중상사고는 전체 교차로 보행자 사고의 약 43.2%를 차지한다. 영국에서도 보행자 사고와 사망 및 중상 사고가 교차로에 집중되는 경향이 발견된다. 교차로 보행자 사고는 다면적인 요인이 복합적으로 작용하므로, 영향 요인을 규명하기 위해서는 사고와 관련한 다양하고 상세한 유형의 데이터가 요구된다. 하지만 우리나라의 대표적인 교통사고 데이터베이스인 TAAS는 교차로 사고의 세부 특성을 파악하기에는 수집 속성과 항목이 제한적이다. TAAS에는 총 21개의 속성이 수록되어 있으며, 이 가운데 보행자 관련 속성은 4개에 불과하다. 이에 본 연구에서는 더욱 세분화된 사고정보를 제공하는 영국의 STATS19 자료를 활용한다. STATS19에 기록된 보행자 관련 속성의 수는 TAAS의 약 3배에 달한다. 본 연구는 STATS19을 기반으로 CatBoost와 SHAP를 적용하여 교차로에서 발생한 보행자 사고의 심각도에 영향을 미치는 요인과 변수별 중요도를 정량적으로 분석한다. 아울러 국가별 사고조사 체계와 변수 세분화 수준이 분석 결과와 정책적 시사점에 어떤 차이를 가져오는지 확인하기 위해 STATS19 기반 런던 모형과 TAAS 기반 서울 모형을 비교한다. 런던 모형에서는 피해자 연령대와 차량 조작 상태가 약 46%의 중요도를 차지하는 최상위 요인으로 나타났다. 여기에 교차로 유형, 차량 유형, 차량 위치, 보행자 위치 등을 포함하면 전체 영향력의 약 80% 이상을 설명한다. TAAS를 이용한 서울 모형에서도 피해자 연령대가 최상위 영향 요인으로 도출되었으나 피해자 성별이 상위변수로 등장하는 등, 변수 구성과 중요도 순위에서 차이가 확인되었다. 이는 TAAS의 속성과 항목 구성이 STATS19보다 세분화 되어 있지 않아, 일부 영향 요인이 관찰되지 않거나 다른 변수에 흡수된 결과로 해석된다. 이러한 결과는 교통사고 데이터의 세분화 수준에 따라 사고 분석의 정밀도와 정책적 시사점이 달라질 수 있음을 시사한다.

다국어 초록 (Multilingual Abstract)

Pedestrians are widely regarded as a representative vulnerable road user group, facing a higher risk of severe or fatal injury than other road users when a crash occurs. In both Korea and the UK, a substantial share of pedestrian crashes occurs at or near intersections. Because intersection-related pedestrian crashes arise from the complex interaction of multiple factors, a detailed and systematic analytical approach is required to identify their determinants. However, Korea’s representative crash database, TAAS, contains a limited set of variables and categories, making it difficult to fully capture the detailed characteristics of intersection crashes. To address this limitation, this study utilizes the STATS19 crash data from the UK and applies a CatBoost-based machine learning model in combination with the SHAP framework to quantitatively identify the factors influencing pedestrian crash severity at intersections and to evaluate their relative importance. In addition, to examine how differences in national crash investigation systems and variable granularity affect analytical outcomes and policy implications, the study compares a London model based on STATS19 with a Seoul model based on TAAS. In the London model, casualty age band and vehicle manoeuvre emerge as the two most influential factors, jointly accounting for approximately 46% of total importance. When intersection type, vehicle type, vehicle position within the intersection, pedestrian location, and pedestrian crossing facilities are added, the top variables together explain more than 80% of overall importance. In the Seoul model, casualty age band is also identified as the most influential factor. However, sex of casualty appears among the top variables, and the composition and ranking of important predictors differ from those in the London model. This discrepancy is interpreted as a consequence of the less detailed variable and category structure in TAAS compared with STATS19, whereby certain effects cannot be explicitly observed and are instead absorbed into other variables. Overall, the findings indicate that the level of detail in crash data collection critically shapes the precision of crash analysis and the strength of resulting policy insights, underscoring the need to further refine Korea’s crash investigation forms.

목차 (Table of Contents)

• 제 1 장 서론 1
• 제 1 절 연구 배경 및 목적 1
• 제 2 절 연구의 범위 4
• 제 2 장 기존연구의 고찰 7
• 제 1 절 보행자 사고 심각도 관련 기존연구 7
• 제 3 장 자료 수집 및 가공 13
• 제 1 절 사고 데이터 수집 및 필터링 13
• 제 2 절 교통량 데이터 가공 및 결합 16
• 제 3 절 변수 전처리 19
• 제 4 장 연구의 방법 27
• 제 1 절 기초 통계 27
• 제 2 절 CatBoost 32
• 제 3 절 SHAP 35
• 제 4 절 모형 구축 37
• 제 5 장 분석 결과 41
• 제 1 절 변수별 영향력 및 방향 41
• 제 2 절 지방부 도로 사고 분석 51
• 제 3 절 서울시 데이터 분석 58
• 제 4 절 모형 검증 63
• 제 6 장 결론 66
• 제 1 절 연구 결과 66
• 제 2 절 연구의 한계 68
• 참고문헌 70
• 부록(Appendix) 76