PURPOSES : This study was initiated to analyze the characteristics of bus traffic accidents, by bus types, using the decision tree in order to establish customized safety alternatives by bus types, including the intra-city bus, rural area bus, and inter-city bus. METHODS : In this study, the major e...
PURPOSES : This study was initiated to analyze the characteristics of bus traffic accidents, by bus types, using the decision tree in order to establish customized safety alternatives by bus types, including the intra-city bus, rural area bus, and inter-city bus. METHODS : In this study, the major elements involved in bus traffic accidents were identified using decision trees and CHAID algorithm. The decision tree was used to identify the characteristics of major elements influencing bus traffic accidents. In addition, the CHAID algorithm was applied to branch the decision trees. RESULTS : The number of casualties and severe injuries are high in bus accidents involving pedestrians, bicycles, motorcycles, etc. In the case of light injury caused by bus accidents, different results are found. In the case of intra-city bus accidents, the probability of light injury is of 77.2% when boarding a non-owned car and breaching of duty to drive safely are involved. In the case of rural area bus accidents, the elements showing the highest probability of light injury are boarding an owned car, vehicle-to-vehicle accidents, and breaching of duty to drive safely. In the case of intra-city bus accidents, boarding owned car, streets, and vehicle-to-vehicle accidents work as the critical elements. CONCLUSIONS : In this study, the bus accident data were categorized by bus types, and then the influential elements were identified using decision trees. As a result, the characteristics of bus accidents were found to be different depending on bus types. The findings in this study are expected to be utilized in establishing effective alternatives to reduce bus accidents.
PURPOSES : This study was initiated to analyze the characteristics of bus traffic accidents, by bus types, using the decision tree in order to establish customized safety alternatives by bus types, including the intra-city bus, rural area bus, and inter-city bus. METHODS : In this study, the major elements involved in bus traffic accidents were identified using decision trees and CHAID algorithm. The decision tree was used to identify the characteristics of major elements influencing bus traffic accidents. In addition, the CHAID algorithm was applied to branch the decision trees. RESULTS : The number of casualties and severe injuries are high in bus accidents involving pedestrians, bicycles, motorcycles, etc. In the case of light injury caused by bus accidents, different results are found. In the case of intra-city bus accidents, the probability of light injury is of 77.2% when boarding a non-owned car and breaching of duty to drive safely are involved. In the case of rural area bus accidents, the elements showing the highest probability of light injury are boarding an owned car, vehicle-to-vehicle accidents, and breaching of duty to drive safely. In the case of intra-city bus accidents, boarding owned car, streets, and vehicle-to-vehicle accidents work as the critical elements. CONCLUSIONS : In this study, the bus accident data were categorized by bus types, and then the influential elements were identified using decision trees. As a result, the characteristics of bus accidents were found to be different depending on bus types. The findings in this study are expected to be utilized in establishing effective alternatives to reduce bus accidents.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 버스 교통사고의 업종별 요인 특성을 파악하여 각각의 사고대책을 수립하여 활용하는데 목적이 있다. 의사결정모형의 경우 범주형 변수를 분석하는데 용이하고, 분석과정을 쉽게 이해하고 설명할 수 있는 장점이 있지만, 범주가 많아질 경우 분리수가 많아지거나 서로 다른 특성이 합쳐지기 때문에 모형 결과를 해석하기 어려운 단점이 있다.
제안 방법
기존의 의사결정나무 모형을 활용한 교통사고 관련연구들은 중상 이상 교통사고 및 사고처리시간을 종속변수로 이에 영향을 미치는 독립변수들인 인적요인, 차량요인, 도로, 환경요인의 영향 정도를 주로 분석하였다. 관련 연구에서는 시도별이나 도로별로 교통사고에 영향을 미치는 사고요인, 연령별 교통사고에 영향을 미치는 운전자 운전적성 정밀검사 항목, 사고처리시간에 영향을 미치는 도로환경특성 등을 검토하였다. 이로 미루어 볼 때 아직까지 사업용 자동차의 업종별 사고특성에 관한 연구는 미흡한 실정이다.
따라서 모든 교통사고 요인들을 독립변수로서 모형에서 고려하기에는 모형이 과대하게 복잡해지는 문제가 발생할 수 있다. 따라서 본 연구에서는 문헌 검토 등을 통해서 크게 인적요인과 도로, 환경적 요인 두 가지 항목으로 분류한 후, 각 항목별로 모형에서 고려될 독립변수를 선정하였다(Jeong, 2013; Lee, 2013). 모형에 사용된 독립변수 중 인적요인으로는 사고종류, 피해자탑승 유형, 법규위반 유형으로 구분하였다.
이에 본 연구에서는 먼저 버스 교통사고의 업종별 사고원인 특성에 관한 자료를 수집하여 기초통계분석을 실시하였다. 또한 질적 변수(qualitative variable) 또는 범주형 변수(categorical variable)로 구성된 자료에 대한 분석이 가능하고 자료 간 관련성을 분류할 수 있는 의사결정나무(decision tree)를 사용하여 업종별 버스 교통사고에 영향을 미치는 주요 요인들의 특성을 살펴보았다.
따라서 본 연구에서는 문헌 검토 등을 통해서 크게 인적요인과 도로, 환경적 요인 두 가지 항목으로 분류한 후, 각 항목별로 모형에서 고려될 독립변수를 선정하였다(Jeong, 2013; Lee, 2013). 모형에 사용된 독립변수 중 인적요인으로는 사고종류, 피해자탑승 유형, 법규위반 유형으로 구분하였다. 도로, 환경적 요인으로는 주야, 계절, 날씨, 도로형태가 있다.
모형에 사용된 종속변수는 범주변수인 상해정도(사망, 중상, 경상)로 결정하였다.
버스 교통사고에 영향을 미치는 주요 요인을 도출하기 위해서 질적 변수로 구성된 종속변수(dependent variable, 또는 목표변수라고 불리기도 함)와 독립변수(independent variable, 또는 예측변수라고 불리기도함)를 사용하였다. 의사결정나무 모형 개발은 통계 프로그램인 SPSS 18.
이로 미루어 볼 때 아직까지 사업용 자동차의 업종별 사고특성에 관한 연구는 미흡한 실정이다. 본 연구에서는 사업용자동차 중에서도 노선버스의 업종별 교통사고 발생에 영향을 미치는 사고요인의 정도를 의사결정나무 모형을 이용하여 분석하였다.
1. 시내버스
시내버스 교통사고는 의사결정나무 모형 중 다지분류가 가능한 CHAID 알고리즘을 이용하여 분류 분석을 시행하였고, 분석 결과 도출된 의사결정나무는 Fig. 2와 같다.
시외버스는 도로형태, 사고종류, 피해자탑승 유형, 법규위반 유형이 유의하였다. 이 중에서 업종별 공통적으로 유의한 독립변수는 도로형태, 사고종류, 피해자탑승 유형, 법규위반 유형으로서 이들 4개 변수를 업종별 의사결정나무 모형의 독립변수로 선정하였다.
이에 본 연구에서는 먼저 버스 교통사고의 업종별 사고원인 특성에 관한 자료를 수집하여 기초통계분석을 실시하였다. 또한 질적 변수(qualitative variable) 또는 범주형 변수(categorical variable)로 구성된 자료에 대한 분석이 가능하고 자료 간 관련성을 분류할 수 있는 의사결정나무(decision tree)를 사용하여 업종별 버스 교통사고에 영향을 미치는 주요 요인들의 특성을 살펴보았다.
전국버스공제조합의 교통사고 자료 분석을 통하여 서로 다른 패턴을 보이는 유형에 대하여 업종별로 구분된 집단의 독립변수로 설정하였다. 교통사고 요인 모형의 개발을 위하여 통계프로그램인 SPSS 18.
기 위해 CHAID 알고리즘을 이용하여 의사결정나무 모형을 구축하였다. 종속변수인 사고처리시간을 명목 변수인 사고등급 A, B, C등급으로 구분하고, 독립변수로는 교통량, 교통사고 차량수, 사고 발생 시간대 등 총 15개 변수를 적용하였다. 돌발상황 처리시간 예측모형에서 영향력이 있는 변수로 도출된 변수들은 교통량, 중차량 포함 여부, 사고 발생 시간대로 나타났다.
Jeong(2013)는 부산시 내 도시고속도로의 교통사고자료를 이용하여 지니 계수에 의한 이지분리를 수행하는 의사결정나무 모형의 CRT 분석법을 이용하여 분류분석을 시행하였다. 중상 교통사고 발생 유무를 종속변수로 설정한 후, 도시고속도로별, 연도별 교통사고 발생유형, 기상 상태, 도로 형태, 도로 선형, 운전자 연령, 차량 용도, 행동 유형, 교통법규 위반 내용을 포함한 총 8개의 독립변수에 대해서 종속변수에 미치는 영향정도를 분석하였다.
대상 데이터
또한 이번 연구는 버스공제에 가입된 노선버스(시내버스, 농어촌버스, 시외버스)의 교통사고 자료를 가지고 분석이 이루어졌다. 물론 지난 7월 영동고속도로 봉평터널에서 발생한 전세버스 5중 추돌사고 등 전세버스 대형사고가 빈번하게 발생하고 있어, 이에 대한 교통사고 분석 및 대책마련이 시급한 실정이다.
본 연구에서는 2011년부터 2013년까지 최근 3년간 버스공제조합에 접수된 교통사고를 대상으로 하였다.
본 연구에서는 업종별 버스 교통사고의 위험성에 영향을 미치는 주요 요인 특성을 분석하기 위해 버스공제의 최근 3년간(2011~2013년) 버스 교통사고 자료를 활용하였다. 버스 교통사고 안전대책은 업종별 사고특성에 맞게 서로 다른 방향으로 추진되어야 한다.
본 연구의 시간적 범위는 최근 3년(2011~2013년)이며, 공간적 범위는 전국을 대상으로 한다. 조사대상은 버스공제에 가입된 노선버스(시내버스, 농어촌버스, 시외버스) 교통사고 중 버스공제에 신고된 버스 교통사고이다.
시간적 및 공간적 범위 내에서 신고된 버스 교통사고는 64,316건이다. 이 중 기타 버스 교통사고 36건을 제외하고 업종별로 나누면 시내버스 57,085건, 농어촌버스
1,958건, 시외버스 5,237건으로서 총 64,280건을 대상으로 교통사고 분석을 실시하였다.
방법 중 하나로서 자료를 특성별로 집단화하여 여러 개의집단으로 분류하거나 예측하는 것을 말한다. 이때 분류하는 대상은 양적 변수(quantitative variable) 중 1, 2, 3
과 같이 셀 수 있는 이산형 변수(discrete variable)나 코카콜라, 펩시와 같은 명목형 변수(nominal variable) 등의 질적 변수를 포함하는 자료에 적용되고, 예측은 양적
변수 중 연속형 변수(continuous variable)를 포함하는 자료를 대상으로 한다(Lee, 2013).
본 연구의 시간적 범위는 최근 3년(2011~2013년)이며, 공간적 범위는 전국을 대상으로 한다. 조사대상은 버스공제에 가입된 노선버스(시내버스, 농어촌버스, 시외버스) 교통사고 중 버스공제에 신고된 버스 교통사고이다.
데이터처리
독립변수 검증에는 종속변수에 대한 두 집단 간의 평균을 비교하는 독립표본 t-검정과 두 개 이상 집단의 평균 차이를 검증하는 일원배치 분산분석(one-way ANOVA)을 이용하였다.
QUEST 알고리즘은 명목형 종속변수에 대하여 카이제곱-검정 또는 F-검정의 p값을 분리기준으로 하여 이지분리를 수행하는 알고리즘이다. 이때 사용되는 분리기준은 예측변수의 척도에 따라 결정되며, 명목형인 경우 Pearson 카이제곱-검정, 순서형 또는 연속형인 경우에는 F-검정이나 Levene-검정을 이용한다(Kang and Kim, 2013).
CHAID 알고리즘은 카이제곱-검정이나 F-검정을 활용하여 한 개의 부모마디에서 3개 이상의 자식마디로 분리할 수 있는 다지 분리(multiway split)를 수행할 수 있는 알고리즘이다. 종속변수가 질적 변수인 경우 카이제곱 통계량을 이용하고, 양적 변수인 경우 F-검정을 이용하여 노드를 분리한다(Kang and Kim, 2013). 구체적인 사례는 다음 장에서 설명될 예정이다.
이론/모형
0을 이용하였다. 또한 의사결정나무의 3가지 알고리즘 중 다지분리를 수행하는 CHAID 알고리즘을 적용하였다.
버스 교통사고 안전대책은 업종별 사고특성에 맞게 서로 다른 방향으로 추진되어야 한다. 이를 위해 범주형 독립변수인 버스 교통사고 요인의 분석 모형개발을 위해 의사결정나무 모형을 이용하였다.
Lee(2013)는 중상 이상 교통사고 중 시도별. 주행거리별 교통사고 표본을 추출하여, 교통사고 위험성에 영향을 미치는 범주형 독립변수(운전자 요인, 자동차 요인, 도로 환경적 요인)에 대한 분석모형 개발을 위해 의사결정나무 모형을 이용하였다. 중상 이상 교통사고에 영향을 끼치는 공통 요인은 사고 유형, 차량 종별, 도로종류인 것으로 나타났다.
성능/효과
돌발상황 처리시간 예측모형에서 영향력이 있는 변수로 도출된 변수들은 교통량, 중차량 포함 여부, 사고 발생 시간대로 나타났다. 그 결과 1차적으로 심각한 사고인 A, B등급과 경미한 사고인 C등급으로 구분되었고, 2차적으로 대상도로의 교통량으로 분리되었다. 이는 사고심각도에 따라 사고현장을 처리하는 시간이 구분되고, 교통량이 많을수록 돌발상황을 처리하는데 소요되는 시간이 오래 걸리는 것으로 해석될 수 있다.
3과 같다. 농어촌버스 교통사고에서 가장 중요한 변수는 탑승유형으로 나타났고, 다음으로 사고종류와 법규위반이 영향을 미치는 것으로 나타났다. 사망사고는 탑승유형이 보행, 기타인 경우 9.
업종별 독립변수 검증 결과 Table 10과 같이, 시내버스의 경우는 독립변수로서 주야, 계절, 도로형태, 사고종류, 피해자탑승 유형, 법규위반 유형이 유의한 것으로 나타났다. 농어촌버스의 경우는 주야, 도로형태, 사고종류, 피해자탑승 유형, 법규위반 유형이 유의하게 분류되었다. 시외버스는 도로형태, 사고종류, 피해자탑승 유형, 법규위반 유형이 유의하였다.
연령을 기준으로 교통사고 발생여부에 영향을 미치는 특성을 파악하기 위해 의사결정나무 모형을 구축한 결과, 연령대가 높아질수록 심리,생리적인 속성과 운전 적성은 쇠퇴하는 것으로 나타났다. 다만 보상적 운전 행위로 인하여 일부 안전성을 담보하고 있지만, 시력 저하 등 운전에 절대적인 신체기능은 감소하여 교통사고의 위험성은 높아진다고 분석하였다.
종속변수인 사고처리시간을 명목 변수인 사고등급 A, B, C등급으로 구분하고, 독립변수로는 교통량, 교통사고 차량수, 사고 발생 시간대 등 총 15개 변수를 적용하였다. 돌발상황 처리시간 예측모형에서 영향력이 있는 변수로 도출된 변수들은 교통량, 중차량 포함 여부, 사고 발생 시간대로 나타났다. 그 결과 1차적으로 심각한 사고인 A, B등급과 경미한 사고인 C등급으로 구분되었고, 2차적으로 대상도로의 교통량으로 분리되었다.
또한 버스회사에서는 디지털 운행기록계 데이터를 활용하여 승무원의 운전습관을 교정하도록 한다. 둘째로 농어촌버스는 시내버스 사고특성과 유사하지만 이에 더해 차량 단독 사고 시 중상 위험이 높다. 이는 농어촌지역 도로환경이 열악한데 기인하므로 지자체에서는 도로 포장, 확장 등 개선이 추가로 요구된다.
이는 농어촌지역 도로환경이 열악한데 기인하므로 지자체에서는 도로 포장, 확장 등 개선이 추가로 요구된다. 셋째로 시외버스는 고속도로를 주로 운행하므로 고속주행 시 승객의 전도위험이 높고, 사고 시 다른 차량에 심대한 타격을 가할 수 있다. 때문에 관련기
둘째로 모든 업종에서 사망 및 중상사고는 탑승유형 중 보행이나 기타(자전거, 이륜차, 경운기)인 경우 많이발생하고 있다. 셋째로 업종별 특성으로 시내버스 중상
사고는 차내 승객이 다치는 중대한 법규위반 사고 예방대책이 필요하고, 농어촌버스는 차내 승객이 다치는 차량 단독, 차 대 사람 유형의 사고를 줄여야 하며, 시외버스는 차내 승객, 타차 탑승자가 모두 다치는 고속도로 사고유형의 사고예방대책이 필요하다.
시내버스 교통사고에서 가장 중요한 변수는 탑승유형으로 나타났고, 다음으로 사고종류와 법규위반이 영향을 미치는 것으로 나타났다.
사고종류별 세부항목도 살펴보면 Table 6에 제시되어 있다. 시내버스는 차 대 사람 중 차내 전도가 34.2%이고, 농어촌버스는 차량 단독 중 차량 단독기타가 5.3%이며, 시외버스는 차 대 차 중 추돌이 39.3%로 많은 비중을 차지하는 것으로 나타났다.
사고종류별 버스 교통사고 특성은 Table 6과 같다. 시내버스는 차 대 사람이 51.4%로 절반 이상을 차지하고, 농어촌버스는 차량 단독이 8.1%로 다른 업종의 두 배 비중을 차지하며, 시외버스는 차 대 차가 74.7%로 3/4을 차지하고 있는 것으로 나타났다. Table 6에서 보인 바와 같이 버스 업종별로 교통사고 발생 유형이 상이하다.
4와 같다. 시외버스 교통사고에서 가장 중요한 변수는 탑승유형으로 나타났고, 다음으로 도로형태와 사고종류가 영향을 미치는 것으로 나타났다.
주야별 버스 교통사고 특성은 Table 2와 같다. 야간에 발생한 시내버스와 시외버스의 교통사고 비율은 각각 27.3%, 24.7%로서 농어촌버스의 야간 교통사고 비율인 15.3%에 비해 높게 나타났다. 이는 농어촌버스의 야간 운행 빈도가 타 버스에 비해 적기 때문인 것으로 판단된다.
의사결정나무 모형을 가지고 CRT 분석을 수행한 결과, 교통사고 발생 유형이 51세 이상 또는 50세 이하 2개의 집단으로 뚜렷하게 구분되었다. 연령을 기준으로 교통사고 발생여부에 영향을 미치는 특성을 파악하기 위해 의사결정나무 모형을 구축한 결과, 연령대가 높아질수록 심리,생리적인 속성과 운전 적성은 쇠퇴하는 것으로 나타났다. 다만 보상적 운전 행위로 인하여 일부 안전성을 담보하고 있지만, 시력 저하 등 운전에 절대적인 신체기능은 감소하여 교통사고의 위험성은 높아진다고 분석하였다.
Son(2010)은 교통안전공단의 운전자 운전적성 정밀검사 항목을 활용하여 교통사고 발생에 대한 연령대별 분류 특성 규명을 위하여 의사결정나무 모형을 사용하였다. 의사결정나무 모형을 가지고 CRT 분석을 수행한 결과, 교통사고 발생 유형이 51세 이상 또는 50세 이하 2개의 집단으로 뚜렷하게 구분되었다. 연령을 기준으로 교통사고 발생여부에 영향을 미치는 특성을 파악하기 위해 의사결정나무 모형을 구축한 결과, 연령대가 높아질수록 심리,생리적인 속성과 운전 적성은 쇠퇴하는 것으로 나타났다.
주행거리별 교통사고 표본을 추출하여, 교통사고 위험성에 영향을 미치는 범주형 독립변수(운전자 요인, 자동차 요인, 도로 환경적 요인)에 대한 분석모형 개발을 위해 의사결정나무 모형을 이용하였다. 중상 이상 교통사고에 영향을 끼치는 공통 요인은 사고 유형, 차량 종별, 도로종류인 것으로 나타났다. 특히, 사고 유형 중에는 차 대사람 사고에서, 차량 종별에서는 승합자동차 및 화물자동차에서, 도로 종류에서는 일반국도 및 고속국도에서 사망사고의 위험성이 증가하고 있는 것으로 나타났다.
업종별 버스 교통사고 요인분석이 시사하는 점은 다음과 같다. 첫째로 모든 업종에서 가장 중요한 변수는 탑승유형(자차탑승, 보행, 타차탑승, 기타)으로 나타났
다. 둘째로 모든 업종에서 사망 및 중상사고는 탑승유형 중 보행이나 기타(자전거, 이륜차, 경운기)인 경우 많이발생하고 있다.
중상 이상 교통사고에 영향을 끼치는 공통 요인은 사고 유형, 차량 종별, 도로종류인 것으로 나타났다. 특히, 사고 유형 중에는 차 대사람 사고에서, 차량 종별에서는 승합자동차 및 화물자동차에서, 도로 종류에서는 일반국도 및 고속국도에서 사망사고의 위험성이 증가하고 있는 것으로 나타났다.
후속연구
의사결정모형의 경우 범주형 변수를 분석하는데 용이하고, 분석과정을 쉽게 이해하고 설명할 수 있는 장점이 있지만, 범주가 많아질 경우 분리수가 많아지거나 서로 다른 특성이 합쳐지기 때문에 모형 결과를 해석하기 어려운 단점이 있다. 따라서 향후 교통사고의 세부특성을 분석하기 위한 다양한 통계분석방법을 연구할 필요가 있다.
본 연구 결과는 중앙정부, 교통안전공단, 경찰청, 지자체, 그리고 운수회사 등이 업종별 버스 교통사고 원인분석 결과를 기반으로 하는 맞춤형 버스 안전대책을 수립하는데 근거자료로 활용될 수 있을 것으로 기대된다.
하지만 현실적으로 전세버스와 노선버스 공제조합은 서로 다른 기관으로 교통사고 기본통계 양식이 달라 사고유형을 통일하기 힘든부분이 있다. 향후 노선버스, 전세버스 등 사업용자동차의 기본통계 양식과 사고유형을 통합하여 사업용자동차 교통사고 특성 연구가 이루어질 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
의사결정나무 분석에는 무엇이 있는가?
의사결정나무 분석에는 Chi-squared Automatic Interaction Detection(CHAID), Classification and Regression Trees(CRT), Quick, Unbiased, Efficient, Statistical Tree(QUEST) 등의 알고리즘이 부모마디에서 자식마디를 분류하는데 사용된다.
데이터 마이닝의 분류 분석 방법이란 무엇을 말하는가?
데이터 마이닝은 대규모로 저장된 자료 안에서 체계적이고 자동적으로 통계적 규칙이나 패턴을 찾아내는 보편적인 방법이다. 분류 분석이라 함은 기본적인 자료 분석
방법 중 하나로서 자료를 특성별로 집단화하여 여러 개의집단으로 분류하거나 예측하는 것을 말한다. 이때 분류하는 대상은 양적 변수(quantitative variable) 중 1, 2, 3
의사결정나무란 무엇인가?
따라서 뿌리마디는 무조건 부모마디이고, 중간마디는 부모마디 또는 자식마디 둘 다 가능하며, 끝마디는 무조건 자식마디가 된다. 다시 말하면, 의사결정나무 방법은 분석데이터 간의 관계를 바탕으로 뿌리에서 가지로 분류한 후, 분류된 가지 중에서 불필요한 가지(설명력이 약한 관계)을 제거함으로써 유용한 자료를 분류예측 나무 구조로 만들어 자료 간 관계성을 파악하는 데이터 마이닝(data mining)의 분류(classification) 분석 방법 중의 한 가지이다.
참고문헌 (8)
Ha, Oh-Keun, Park, Dong-Joo, Won, Jai-Mu, Jung, Chul-Ho, "The prediction Models for Clearance Times for the unexpected Incidences According to Traffic Accident Classifications in Highway", The Journal of the Korea Institute of Intelligent Transport Systems, Vol. 9, No. 1, pp. 101-110, 2010.
Jeong, Y. "A Study on the Establishing Improvement Measures by Building discriminant and Classification Models for Impact Factors about Traffic Accidents on Motorways", Youngsan University, 2013.
Kang, B. and Kim, G., Statistical Analysis of Social Science, "Hannarae Academy", 2013.
Lee, M. "Analysis of Traffic Accident Factor Using Decision Tree Model", Myongji University, 2013.
The National Bus Mutual-Aid Association, "Statistics of Bus Traffic Accidents", 2011-2013.
The National Police Agency, "Statistics of Traffic Accidents", 2015.
Son, H., "Development of the Discriminant Traffic Accident Models Considering Human Factors for the Various Age Groups", Hanyang University, 2010.
Won, J. and Lee, S. "Statistical Analysis Learning through Figures", Parkyoungsa, 2009.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.