계절 ARIMA 모형을 이용한 고령운전자의 안전운전불이행에 의한 교통사고건수 예측분석 Predictive Analysis of Traffic Accidents caused by Negligence of Safe Driving in Elderly using Seasonal ARIMA원문보기
Even though cars have a good effect on modern society, traffic accidents do not. There are traffic laws that define the regulations and aim to reduce accidents from happening; nevertheless, it is hard to determine all accident causes such as road and traffic conditions, and human related factors. If...
Even though cars have a good effect on modern society, traffic accidents do not. There are traffic laws that define the regulations and aim to reduce accidents from happening; nevertheless, it is hard to determine all accident causes such as road and traffic conditions, and human related factors. If a traffic accident occurs, the traffic law classifies it as 'Negligence of Safe Driving' for cases that are not defined by specific regulations. Meanwhile, as Korea is already growing rapidly elderly population with more than 65 years, so are the number of traffic accidents caused by this group. Therefore, we studied predictive and comparative analysis of the number of traffic accidents caused by 'Negligence of Safe Driving' by dividing it into two groups : All-ages and Elderly. In this paper, we used empirical monthly data from 2007 to 2015 collected by TAAS (Traffic Accident Analysis System), identified the most suitable ARIMA forecasting model by using the four steps of the Box-Jenkins method : Identification, Estimation, Diagnostics, Forecasting. The results of this study indicate that ARIMA $(1, 1, 0)(0, 1, 1)_{12}$ is the most suitable forecasting model in the group of All-ages; and ARIMA $(0, 1, 1)(0, 1, 1)_{12}$ is the most suitable in the group of Elderly. Then, with this fitted model, we forecasted the number of traffic accidents for 2 years of both groups. There is no large fluctuation in the group of All-ages, but the group of Elderly shows a gradual increase trend. Finally, we compared two groups in terms of the forecast, suggested a countermeasure plan to reduce traffic accidents for both groups.
Even though cars have a good effect on modern society, traffic accidents do not. There are traffic laws that define the regulations and aim to reduce accidents from happening; nevertheless, it is hard to determine all accident causes such as road and traffic conditions, and human related factors. If a traffic accident occurs, the traffic law classifies it as 'Negligence of Safe Driving' for cases that are not defined by specific regulations. Meanwhile, as Korea is already growing rapidly elderly population with more than 65 years, so are the number of traffic accidents caused by this group. Therefore, we studied predictive and comparative analysis of the number of traffic accidents caused by 'Negligence of Safe Driving' by dividing it into two groups : All-ages and Elderly. In this paper, we used empirical monthly data from 2007 to 2015 collected by TAAS (Traffic Accident Analysis System), identified the most suitable ARIMA forecasting model by using the four steps of the Box-Jenkins method : Identification, Estimation, Diagnostics, Forecasting. The results of this study indicate that ARIMA $(1, 1, 0)(0, 1, 1)_{12}$ is the most suitable forecasting model in the group of All-ages; and ARIMA $(0, 1, 1)(0, 1, 1)_{12}$ is the most suitable in the group of Elderly. Then, with this fitted model, we forecasted the number of traffic accidents for 2 years of both groups. There is no large fluctuation in the group of All-ages, but the group of Elderly shows a gradual increase trend. Finally, we compared two groups in terms of the forecast, suggested a countermeasure plan to reduce traffic accidents for both groups.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 시계열 분석기법으로 자료의 전반적인 추세를 이해하거나 단기간의 예측에 있어 유용한 분석방법 중 하나인 Box-Jenkins 예측기법을 적용하여 ‘안전운전불이행’에 의해 발생하는 교통사고건수에 대한 적합한 예측모형을 제시하고 예측 값을 도출하고자 하며, 선정된 유형에 대한 감소방안에는 어떠한 방법이 있는지 제시하고자 한다.
따라서 안전운전불이행에 의한 교통사고 발생건수가 가장 큰 비중을 차지하고 있으며, 도로통행상 법률로 규정하기 힘든 인적요소에 의한 사고이기 때문에 예측 대상으로 안전운전불이행 항목을 선정함으로써 전체연령과 고령층의 ‘안전운전불이행’ 에 의한 교통사고 발생건수를 예측하고자 한다.
본 연구에서는 안전운전불이행에 의한 교통사고에 대하여 두 가지 관점인 전체연령 측면과 고령층 측면에서 발생건수의 적합한 예측모형과 예측치를 제시함으로써 향후 정책수립에 도움을 줄 수 있는 시사점을 제공하기 위해 분석연구를 수행하였다.
본 연구에서는 전체연령과 고령층의 안전운전불이행에 의한 교통사고 발생건수에 대한 적합한 예측모형을 찾고, 2017년까지의 교통사고 발생건수를 예측함으로써 전체연령과 고령층의 사고 발생 추이를 비교할 수 있었고, 법규위반별 교통사고 발생건수 중 절반이상의 비율을 차지하는 안전운전불이행 항목을 다룸으로써 안전운전불이행이 초래하는 교통사고의 위험성, 지속적으로 높아지는 고령운전자의 교통사고의 심각성 등을 되짚어 볼 수 있는 시사점을 제공하였다. 그러나 다양한 법규위반의 모든 종류를 포함하지는 않았으며, 고령층과 전체연령 두 그룹에서만 예측을 수행하였기 때문에 좀 더 세부적으로 나눈 연령층에 대한 예측분석이 필요할 것이고, 안전운전불이행 이외의 다른 법규위반에 의한 교통사고 발생건수에 대한 예측 또한 필요할 것이다.
제안 방법
Box-Jenkins 의 모형구축절차를 거쳐 모수절약의 원칙, 자기상관함수와 부분자기상관함수, BIC 등을 고려하고, 추가적으로 고려해볼만한 모형을 추가하여 전체연령에 대한 교통사고 발생건수의 예측모형 3가지와 고령층에 대한 교통사고 발생건수 예측모형 4가지를 선정하였다. 선정한 모형에 대해서는 각 모형의 예측력을 비교하여 최종적인 모형을 선택해야 한다.
[Table 7]에서 전체연령에 대한 예측모형으로 모수가 가장 적으며 예측치의 정확도인 MAPE가 가장 낮은 ARIMA(1,1,0)(0,1,1)12 모형을 최종 모형으로 선정하고, 고령층에 대한 예측모형으로는 MAPE는 가장 낮은 값과 비교했을 때 다소 크지만 모수절약의 원칙에 따라 보다 적은 모수를 포함하고 있는 ARIMA(0,1,1)(0,1,1)12 모형을 최종 모형으로 선정한다.
따라서 선정된 두 모형을 이용하여 2016, 2017년의 안전운전불이행에 의한 교통사고 발생건수를 예측한다.
Park and Kim[11]은 고속도로 터널구간을 대상으로 교통사고의 특성을 다각적으로 분석하여 다양한 독립변수를 선정하고 종속변수를 건, 건/km, 건/백만대 km로 다양화 하여 다중선형회귀모형을 개발하였다. 또한 개발된 모형들을 비교 검토하여 최종적인 교통사고 영향요인으로 구성된 신뢰성 있는 교통사고 예측모형을 결정하였다.
대상 데이터
따라서 본 연구에서는 유형별 교통사고 발생건수를 고령자와 전체연령 운전자로 구분하여 발생 추이를 비교분석하고, 이에 따라 비교적으로 큰 비율을 차지하고 있는 항목인 ‘안전운전불이행’에 대한 교통사고 발생건수를 예측대상으로 선정한다.
본 연구에서 사용된 자료로는 경찰에 공식적으로 보고되어 사고 처리가 이루어진 교통사고 중 가해운전자의 연령이 만 65세 이상인 고령운전자와 전체연령의 운전자 사고를 대상으로 TAAS(Traffic Accident Analysis System : 교통사고분석시스템)에 의해 집계된 최근 9년간의 고령운전자 및 전체연령 운전자의 월별 교통사고 발생건수, 고령운전자 및 전체연령 운전자의 법규위반별 교통사고 발생건수 등의 자료를 활용하였다.
데이터처리
시계열 예측분석에 활용한 모형은 Box-Jenkins의 통합자기회귀이동평균모형(Auto-Regressive Integrated Moving Average : ARIMA)으로 어느 한 변수 자체의 현재 값과 과거의 값들만으로 구성되는 일변량 모형이며, 모형이 단순하고 비교적 간단한 통계자료를 통해 우수한 예측값을 도출할 수 있는 장점을 가지고 있어 본 연구에 활용하였다[13]. ARIMA 모형을 구축하기 위해서는 50개 이상의 시계열 자료가 필요한데, 본 연구에서는 100개 이상의 시계열 자료를 이용하였기 때문에 자료의 수는 충분하였으며, 예측분석에 사용한 통계 프로그램은 Minitab16, SPSS22 와 Excel2013을 병행하여 활용하였다.
본 연구에서는 식별단계에서 선정된 모형을 통계 소프트웨어인 Minitab16을 이용하여 최소제곱법으로 모수를 추정하였고, 전체연령에 대한 ARIMA(1,1,0)(0,1,1)12모형 의 추정 결과는 아래의 [Table 3]과 같으며, 고령층에 대한 ARIMA(0,1,1)(0,1,1)12 모형의 추정 결과는 [Table 4]와 같다.
이론/모형
시계열 예측분석에 활용한 모형은 Box-Jenkins의 통합자기회귀이동평균모형(Auto-Regressive Integrated Moving Average : ARIMA)으로 어느 한 변수 자체의 현재 값과 과거의 값들만으로 구성되는 일변량 모형이며, 모형이 단순하고 비교적 간단한 통계자료를 통해 우수한 예측값을 도출할 수 있는 장점을 가지고 있어 본 연구에 활용하였다[13]. ARIMA 모형을 구축하기 위해서는 50개 이상의 시계열 자료가 필요한데, 본 연구에서는 100개 이상의 시계열 자료를 이용하였기 때문에 자료의 수는 충분하였으며, 예측분석에 사용한 통계 프로그램은 Minitab16, SPSS22 와 Excel2013을 병행하여 활용하였다.
성능/효과
[Table 1]의 결과를 보면, 두 모형의 BIC와 모델의 설명력을 표현하는 R-제곱 값은 큰 차이가 없는 것으로 확인되었고, 상대적으로 BIC 값이 낮은 ARIMA(0,1,1)(0,1,1)12모형을 선택할 수 있으나, Box-Jenkins 모형 구축 절차의 모형 검진단계에서 ARIMA(0,1,1)(0,1,1)12 모형의 잔차가 정규성을 따르지 않는다는 결과(P = 0.047)를 확인하였다.
[Table 2]의 결과를 보면, 두 모형의 R-제곱 값은 큰 차이가 없으나 ARIMA(0,1,1)(0,1,1)12 모형의 BIC 값이 비교적 낮은 것으로 확인되었다.
선정한 모형에 대해서는 각 모형의 예측력을 비교하여 최종적인 모형을 선택해야 한다. 따라서 최근 10% 자료에 해당하는 2015년 교통사고 발생건수 관측치를 제거하여 예측한 뒤, 실제 관측치와 비교하여 MAE(Mean Absolute Error)와 MAPE(Mean Absolute Percentage Error)를 통해 모형의 예측력을 판단할 수 있는데, MAPE가 10% 이하일 때 정확한 예측이라 할 수 있으며 최종 모형으로 고려할 수 있다[5].
전체연령의 월별 교통사고 발생건수는 계절적인 변동이 존재하지만 연도에 따른 발생건수의 증감은 큰 차이가 없는 것으로 보였다. 반면, 고령층에서 발생하는 교통사고 발생건수는 해가 거듭할수록 증가하는 추세이고 계절적인 변동이 존재하는 것으로 확인되었다.
전체연령과 고령층에 대한 LBQ 통계량 값의 p값이 모든 시차에서 유의수준 0.05보다 훨씬 큰 것을 확인할 수 있으므로 잔차들의 자기상관함수는 모든 시차에서 ‘0’이라는 귀무가설이 채택되었고, 시계열을 잘 설명하고 있는 적합한 모형이라고 볼 수 있다.
전체연령의 월별 교통사고 발생건수는 계절적인 변동이 존재하지만 연도에 따른 발생건수의 증감은 큰 차이가 없는 것으로 보였다. 반면, 고령층에서 발생하는 교통사고 발생건수는 해가 거듭할수록 증가하는 추세이고 계절적인 변동이 존재하는 것으로 확인되었다.
후속연구
본 연구에서는 전체연령과 고령층의 안전운전불이행에 의한 교통사고 발생건수에 대한 적합한 예측모형을 찾고, 2017년까지의 교통사고 발생건수를 예측함으로써 전체연령과 고령층의 사고 발생 추이를 비교할 수 있었고, 법규위반별 교통사고 발생건수 중 절반이상의 비율을 차지하는 안전운전불이행 항목을 다룸으로써 안전운전불이행이 초래하는 교통사고의 위험성, 지속적으로 높아지는 고령운전자의 교통사고의 심각성 등을 되짚어 볼 수 있는 시사점을 제공하였다. 그러나 다양한 법규위반의 모든 종류를 포함하지는 않았으며, 고령층과 전체연령 두 그룹에서만 예측을 수행하였기 때문에 좀 더 세부적으로 나눈 연령층에 대한 예측분석이 필요할 것이고, 안전운전불이행 이외의 다른 법규위반에 의한 교통사고 발생건수에 대한 예측 또한 필요할 것이다. 더 나아가 법규위반별 교통사고 이외에도 시간대별, 요일별, 도로형태별, 사고유형별, 차량종류별, 도로종류별 교통사고 발생건수에 대한 예측 또한 필요할 것으로 판단된다.
그러나 다양한 법규위반의 모든 종류를 포함하지는 않았으며, 고령층과 전체연령 두 그룹에서만 예측을 수행하였기 때문에 좀 더 세부적으로 나눈 연령층에 대한 예측분석이 필요할 것이고, 안전운전불이행 이외의 다른 법규위반에 의한 교통사고 발생건수에 대한 예측 또한 필요할 것이다. 더 나아가 법규위반별 교통사고 이외에도 시간대별, 요일별, 도로형태별, 사고유형별, 차량종류별, 도로종류별 교통사고 발생건수에 대한 예측 또한 필요할 것으로 판단된다. 따라서 앞서 언급한 다른 유형에 대한 예측분석을 통해 연구의 범위를 넓힘으로써 좀 더 자세하고 명확한 교통사고 감소에 대한 대책방안을 마련한다면 미래의 고령층 및 각 연령대에서 발생하는 교통사고 발생건수를 효과적으로 감소시킬 수 있을 것 이라고 판단된다.
더 나아가 법규위반별 교통사고 이외에도 시간대별, 요일별, 도로형태별, 사고유형별, 차량종류별, 도로종류별 교통사고 발생건수에 대한 예측 또한 필요할 것으로 판단된다. 따라서 앞서 언급한 다른 유형에 대한 예측분석을 통해 연구의 범위를 넓힘으로써 좀 더 자세하고 명확한 교통사고 감소에 대한 대책방안을 마련한다면 미래의 고령층 및 각 연령대에서 발생하는 교통사고 발생건수를 효과적으로 감소시킬 수 있을 것 이라고 판단된다.
하지만 월별 교통사고건수 자료가 2007년 이전에는 집계되지 않았기 때문에 예측을 위한 자료량에는 한계가 있었으나, 최소 50개의 관측자료를 필요로 하는 ARIMA 모형의 조건에는 만족하였으므로 예측에 있어서 문제가 되는 사항은 발견되지 않았다. 따라서 이러한 고령층의 안전운전불이행에 따른 사고건수가 매년 큰 폭으로 증가함에 따라 사고를 줄이기 위한 해결방안에 대한 연구가 필요하며, 안전운전불이행에 의한 교통사고 발생이 전체적인 연령대에서 모두 높은 비율을 차지하고 있기 때문에 사고 요인에 대한 분석 연구 또한 필요하다.
안전운전불이행의 세부 유형을 보면, 크게 운전자의 운전습관 및 성향, 운전 중 운전자의 행동, 운전미숙 등으로 구분할 수 있으며, 구분된 유형을 심리적, 생리적, 행태적요소로 나누어 각 요소에 해당하는 심도 있는 후속연구와 맞춤형 안전관리 대책을 수립할 필요가 있다[2].
질의응답
핵심어
질문
논문에서 추출한 답변
시계열(Time-series)이란 무엇인가?
시계열(Time-series)이란 한 사상(Event) 또는 여러 종류의 사상에 대하여 시간의 흐름에 따라 일정한 간격으로 관측하여 기록한 자료를 말하며, 시간적 변화를 나타내는 자료이므로 그 이전까지의 자료들은 앞으로 관측될 자료에 영향을 줄 것이라는 가정을 할 수 있다. 따라서 시계열분석은 일정한 간격의 시간의 흐름에 따라 변화되는 관측 자료를 분석하고, 법칙성을 발견하여 이를 모형화 하여 추정하고, 추정된 모형을 이용하여 미래에 관측될 값을 예측하는 분석기법이다.
국내의 도로교통법으로 규정하는 교통법규위반 항목은 어떤 것들이 있는가?
도로에서 안전하고 원활한 교통을 확보하기 위해 법률로써 차량과 사람의 통행을 규율하고 있으며, 이를 따르지 않을 시 벌칙을 가하고 있다. 국내의 도로교통법으로 규정하고 있는 교통법규위반 항목을 살펴보면, 안전운전의무 불이행, 신호위반, 안전거리 미확보, 중앙선 침범, 과속, 교차로 운행방법 위반, 보행자 보호의무 위반. 직진 및 우회전차량의 통행방해, 앞지르기 위반, 기타 등으로 분류하고 있다. 교통안전 관련법령에서는 ‘안전운전의무 불이행’에 대해 명확히 규정된 법규는 없지만 도로교통법 제48조(안전운전 및 친환경 경제운전의 의무) 제1항에 다음과 같이 명시되어 있다.
도로교토법상에 개별적이고 구체적인 조항으로 규정되지 않은 항목에 대해 ‘안전운전불이행’으로 적용하는 이유는 무엇인가?
국내 도로교통법은 신호 또는 지시에 따를 의무, 통행의 금지 및 제한, 안전거리 확보, 진로 양보의 의무, 교차로 통행방법 등 도로를 통행하는 과정에서 교통사고 위험이 발생하는 상황에 대해 구체적으로 규율하고 있으나, 도로통행상 환경요소, 인적요소, 교통운영요소 등을 모두 법률로 규정하기에는 한계가 있다. 따라서 교통사고가 발생하는 경우 도로교통법상에 개별적이고 구체적인 조항으로 규정되지 않은 항목에 대해서는 ‘안전운전불이행’으로 적용하고 있다.
참고문헌 (14)
Chang et al., Traffic Accident Analysis of Older Drivers, Journal of Korean Society of Transportation, 2007, pp. 249-258.
Cho, J.H., A Study on types and causes of distracted driving, Korea Transportation Safety Authority, 2012.
Chung, D.B. and Yoon, J.S., The Analysis of Demand Forecasting using Minitab, Gunpo-si, Gyeong gi-do, Korea : Eraetech, 2007, pp. 57-70.
Chung, D.J., Forecasting Manpower Demand on Aged-Friendly Industry in Busan : Using ARIMA Model, Journal of Social Science Review, 2012, Vol. 43, No. 2, pp. 1-19.
Han, G.J., SPSS Application-Forecasting and Time-series Analysis, 1st ed, Seoul, Korea : Baeksan Publication, 2015, pp. 287-302.
Han, S.J. and Kim, K.J., Road Accident Trends Analysis with Time Series Models for Various Road Types, International Journal of Highway Engineering, 2012, Vol. 9, No. 3, pp. 1-12.
Kim, H.K. and Kim, T.S., Time-Series Analysis and Prediction Theory, 1st ed, Seoul, Korea : Kyungmoonsa, 2003, pp. 92-100.
Kim, K.B., The Characteristics of Traffic Accidents and Reduction Methods by Elderly Drivers to Prepare for the Aging Society-Focused on Jeju, Journal of The Korea Contents Association, 2014, Vol. 14, No. 7, pp. 151-160.
Kwon, S.H. and Oh, H.S., Short-term Forecasting of Power Demand based on AREA, Journal of Society of Korea Industrial and Systems Engineering, 2016, Vol. 39, No. 1, pp. 25-30.
Lee, H.J., Traffic Safety Measure Establishment on Cause for Elderly People Traffic Accident, Ministry of Land, Infrastructure and Transport, 2011.
Park, J.H. and Kim, S.G., Development of Accident Forecasting Models in Freeway Tunnels using Multiple Linear Regression Analysis, The Journal of the Korea Institute of Intelligent Transport Systems, 2012, Vol. 11, No. 6, pp. 145-154.
Park, S.J. and Jeon, T.J., A study on Introduction of Box-Jenkins Prediction Method, Journal of The Korea Management Science Review, 1984, Vol. 1, No. 1, pp. 68-80.
Sun, I.S., An ARIMA model based Prediction study on Storage and Warehousing business, Journal of Korean Review of Management Consulting, 2015, Vol. 6, No. 1, pp. 77-91.
Yoo, J.H. and Choi, K.I., A Comparative Analysis on Characteristics between Elder Drivers and Younger Drivers by Accident Types : With Commercial Vehicles, Journal of Transportation Technology and Policy, 2013, Vol. 10, No. 5, pp. 11-25.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.