최근 우리나라의 경우 교통사고 예방활동으로 자동차 보유에 따른 교통사고 발생건수는 지속적으로 감소하고 있지만, 서울의 경우 다른 지역에 비해 자동차 1만대 대비 사고 건수는 전국에서 광주와 함께 가장 높게 나타나고 있다. 인적 재난인 교통사고를 예방하기 위한 다양한 연구들이 진행되어 왔다. 특히 교통사고에 대한 공간적 분석을 연구한 초기 연구들은 교통사고 클러스터 지역을 확인하기 위해 행정구역 별 교통사고 건수를 집계하거나, 커널밀도 방법을 통해 밀도를 추정하여 분석하는 경우가 다수를 이루었다. 그러나 교통사고는 도로를 따라 발생하는 사건이기 때문에 도로상에서 교통사고 다발구간을 찾는 것이 더 의미가 있을 수 있다. 따라서 본 연구는 도로 네트워크를 따라 교통사고 집중 지역을 찾고자 하였다. 본 연구에서는 2가지 방법으로 교통사고를 가장 가까운 도로 네트워크에 할당한 뒤, Getis-Ord $Gi^*$에 의한 핫스팟 분석을 통해 교통사고 다발구간을 분석하였다. 하나는 10m 단위의 일정한 도로 링크를 중심으로 분석을 수행하였으며, 다른 하나는 도로구간별 단위 길이 당 평균 교통사고를 계산하여 교통사고 밀집구간을 분석하였다. 첫 번째 방법에 의한 분석 결과 교통사고가 집중되는 특정 도로 구간을 명확하게 확인할 수 있는 반면, 두 번째 방법에 의한 분석 결과 도로링크의 특성에 따라 교통사고 집중지역이 길게 나타나는 특징을 확인할 수 있었다. 두 방법에 의한 교통사고 다발구간이 다르게 나타나는 것을 알 수 있으며, 향후 해당 지역의 교통환경을 분석하고 개선하기 위해서는 보다 명확한 구간을 파악하는 것이 유의미할 수 있다.
최근 우리나라의 경우 교통사고 예방활동으로 자동차 보유에 따른 교통사고 발생건수는 지속적으로 감소하고 있지만, 서울의 경우 다른 지역에 비해 자동차 1만대 대비 사고 건수는 전국에서 광주와 함께 가장 높게 나타나고 있다. 인적 재난인 교통사고를 예방하기 위한 다양한 연구들이 진행되어 왔다. 특히 교통사고에 대한 공간적 분석을 연구한 초기 연구들은 교통사고 클러스터 지역을 확인하기 위해 행정구역 별 교통사고 건수를 집계하거나, 커널밀도 방법을 통해 밀도를 추정하여 분석하는 경우가 다수를 이루었다. 그러나 교통사고는 도로를 따라 발생하는 사건이기 때문에 도로상에서 교통사고 다발구간을 찾는 것이 더 의미가 있을 수 있다. 따라서 본 연구는 도로 네트워크를 따라 교통사고 집중 지역을 찾고자 하였다. 본 연구에서는 2가지 방법으로 교통사고를 가장 가까운 도로 네트워크에 할당한 뒤, Getis-Ord $Gi^*$에 의한 핫스팟 분석을 통해 교통사고 다발구간을 분석하였다. 하나는 10m 단위의 일정한 도로 링크를 중심으로 분석을 수행하였으며, 다른 하나는 도로구간별 단위 길이 당 평균 교통사고를 계산하여 교통사고 밀집구간을 분석하였다. 첫 번째 방법에 의한 분석 결과 교통사고가 집중되는 특정 도로 구간을 명확하게 확인할 수 있는 반면, 두 번째 방법에 의한 분석 결과 도로링크의 특성에 따라 교통사고 집중지역이 길게 나타나는 특징을 확인할 수 있었다. 두 방법에 의한 교통사고 다발구간이 다르게 나타나는 것을 알 수 있으며, 향후 해당 지역의 교통환경을 분석하고 개선하기 위해서는 보다 명확한 구간을 파악하는 것이 유의미할 수 있다.
In recent years, the number of traffic accidents caused by car accidents has been decreasing steadily due to traffic accident prevention activities in Korea. However, the number of accidents in Seoul is higher than that of other regions. Various studies have been conducted to prevent traffic acciden...
In recent years, the number of traffic accidents caused by car accidents has been decreasing steadily due to traffic accident prevention activities in Korea. However, the number of accidents in Seoul is higher than that of other regions. Various studies have been conducted to prevent traffic accidents, which are human disasters. In particular, previous studies have performed the spatial analysis of traffic accidents by counting the number of traffic accidents by administrative districts or by estimating the density through kernel density method in order to identify the traffic accident cluster areas. However, since traffic accidents take place along the road, it would be more meaningful to investigate them concentrated on the road network. In this study, traffic accidents were assigned to the nearest road network in two ways and analyzed by hotspot analysis using Getis-Ord Gi* statistics. One of them was investigated with a fixed road link of 10m unit, and the other by computing the average traffic accidents per unit length per road section. As a result by the first method, it was possible to identify the specific road sections where traffic accidents are concentrated. On the other hand, the results by the second method showed that the traffic accident concentrated areas are extensible depending on the characteristic of the road links. The methods proposed here provide different approaches for visualizing the traffic accidents and thus, make it possible to identify those sections clearly that need improvement as for the traffic environment.
In recent years, the number of traffic accidents caused by car accidents has been decreasing steadily due to traffic accident prevention activities in Korea. However, the number of accidents in Seoul is higher than that of other regions. Various studies have been conducted to prevent traffic accidents, which are human disasters. In particular, previous studies have performed the spatial analysis of traffic accidents by counting the number of traffic accidents by administrative districts or by estimating the density through kernel density method in order to identify the traffic accident cluster areas. However, since traffic accidents take place along the road, it would be more meaningful to investigate them concentrated on the road network. In this study, traffic accidents were assigned to the nearest road network in two ways and analyzed by hotspot analysis using Getis-Ord Gi* statistics. One of them was investigated with a fixed road link of 10m unit, and the other by computing the average traffic accidents per unit length per road section. As a result by the first method, it was possible to identify the specific road sections where traffic accidents are concentrated. On the other hand, the results by the second method showed that the traffic accident concentrated areas are extensible depending on the characteristic of the road links. The methods proposed here provide different approaches for visualizing the traffic accidents and thus, make it possible to identify those sections clearly that need improvement as for the traffic environment.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구는 도로 네트워크를 따른 교통사고 밀집 구간을 분석하기 위하여 도로 링크를 기반으로 교통사고 핫스팟 분석을 통한 교통사고 집중지역을 시각화하고자 한다. 또한 정확한 교통사고 집중 구간을 분석하기 위한 데이터 처리방법을 제안하고, 다른 연구에서 제안한 방법과의 비교분석을 통해 이를 검증하고자 한다.
본 연구는 2013년 서울시 교통사고 데이터를 서울시 도로 링크에 할당하여 교통사고가 어떤 도로 구간 상에서 집중적으로 발생하였는지를 시각화하고 통계적 유의성을 확인하였다. 기존의 교통사고 공간적 특성 분석 및 시각화는 네트워크를 고려하지 않고 밀도 추정법에 의한 공간적 밀집 지역을 찾는 연구가 다수 존재하였다.
제안 방법
10m 단위로 나뉜 도로 링크에 교통사고 점 데이터를 할당하는데, 교통사고 점 데이터에서 가장 가까운 링크를 찾도록 하였다. Snap 기능을 사용하여 가장 가까운 도로 링크 데이터에 교통사고 데이터가 할당될 수 있도록 하였다.
10m 단위로 나뉜 도로 링크에 교통사고 점 데이터를 할당하는데, 교통사고 점 데이터에서 가장 가까운 링크를 찾도록 하였다. Snap 기능을 사용하여 가장 가까운 도로 링크 데이터에 교통사고 데이터가 할당될 수 있도록 하였다. 그리고 교통사고 건수가 할당된 도로 링크를 중심으로 Getis-Ord Gi* 통계에 의한 교통사고 핫스팟 분석을 하고 교통사고 발생 집중 구역을 시각화하였다.
이수진 외(2015)는 2010~2014년까지 서울시에서 발생한 교통사고의 공간 특성과 그에 따른 영향 요인을 분석하였다. 교통사고 군집패턴을 파악하기 위한 연구지역은 법정동을 기준으로 하였으며, 법정 동 단위의 Getis-Ord Gi*를 이용하여 핫스팟 지역을 찾아냈다. 그 결과 교통사고 다발 지역으로 용산구, 중구, 영등포구, 강남구와 같은 회사 밀집 지역에서 사고 발생률이 높으며, 시간대별 사고 발생건수를 보았을 때 오후 11~12시경에 사고가 많이 발생하는 것을 확인하였다.
Snap 기능을 사용하여 가장 가까운 도로 링크 데이터에 교통사고 데이터가 할당될 수 있도록 하였다. 그리고 교통사고 건수가 할당된 도로 링크를 중심으로 Getis-Ord Gi* 통계에 의한 교통사고 핫스팟 분석을 하고 교통사고 발생 집중 구역을 시각화하였다. 사용된 Getis-Ord Gi*통계 공식은 식 1과 같다.
이 연구는 네트워크 길이를 2차원의 래스터 격자의 셀과 같은 기본 선형 단위로 나누어 분석하였고 이를 linear와 pixel을 합쳐 lixel로 정의하였다. 네트워크를 따라 일정한 간격을 둔 lixel 을 기반으로 커널 분석을 수행함으로써 네트워크 토폴로지를 표현하면서 계산의 효율성을 향상시켰다. Okabe et al.
첫 번째 방법은 불규칙한 길이를 가진 도로 링크를 일정한 간격으로 분할하였다. 도로 링크 길이에 따른 MAUP 발생을 배제하기 위해 도로 링크 길이 간 편차를 가장 작게 줄일 수 있는 10m 단위로 길이를 나누었다. 예를 들어 20m 간격으로 도로 링크를 분할하면 분할 후 도로의 길이 가 20m 미만인 경우도 다양하게 나타나므로 길이 간 편차가 커지는 문제가 발생한다.
모든 교통사고 데이터가 도로 링크 데이터에 할당되었으며, 공간 결합(Spatial Join)을 통해 도로 링크에 미터 당 교통사고 발생건수를 계산하여 속성 값으로 입력하였다. 도출된 도로 링크별 미터 당 교통사고 발생건수를 이용하여 Getis-Ord Gi*에 의한 핫스팟 분석을 하고 시각화하였다.
두 번째 방법(Method B)은 교통사고 데이터를 도로 링크에 할당하고 도로 링크의 길이를 고려하여 미터 당 교통사고를 속성으로 추가하였다. 시각화 결과, 통계적으로 유의한 핫스팟 구간은 중구, 종로구, 동대 문구, 중랑구, 강북구, 강남구, 구로구, 관악구, 강동구 등에 속하는 도로로 나타났다(Figure 10).
두 번째 방법은 도로 링크 데이터에 교통사고 데이터를 Snap 기능을 활용하여 할당하였다. 모든 교통사고 데이터가 도로 링크 데이터에 할당되었으며, 공간 결합(Spatial Join)을 통해 도로 링크에 미터 당 교통사고 발생건수를 계산하여 속성 값으로 입력하였다.
첫 번째는 도로 링크 데이터를 10m 간격으로 분할하고, 교통사고 지점으로부터 가장 가까운 도로 데이터에 사고 건수를 집계하여 할당하였고, 이를 핫스팟 분석을 수행 함으로써 통계적으로 유의한 교통사고 밀집 구간을 추출하였다. 두 번째는 도로 링크에 교통사고 데이터 를 할당하고 미터 당 평균 사고 값을 도출하여 핫스팟 분석을 수행하였다. 기존의 교통사고 밀집 지역을 찾기 위한 커널 분석과 비교하였을 때 도로 네트워크를 따라 교통사고 다발 구간을 분석하여 시각화한 결과가 보다 더 정확하며, 교통사고 다발 구간의 특성을 파악하기에 용이함을 확인할 수 있었다.
따라서 본 연구에서는 두 가지 방법으로 교통사고 점 데이터를 도로 네트워크에 할당하였다. 첫 번째는 도로 링크 데이터를 10m 간격으로 분할하고, 교통사고 지점으로부터 가장 가까운 도로 데이터에 사고 건수를 집계하여 할당하였고, 이를 핫스팟 분석을 수행 함으로써 통계적으로 유의한 교통사고 밀집 구간을 추출하였다.
따라서 본 연구는 도로 네트워크를 따른 교통사고 밀집 구간을 분석하기 위하여 도로 링크를 기반으로 교통사고 핫스팟 분석을 통한 교통사고 집중지역을 시각화하고자 한다. 또한 정확한 교통사고 집중 구간을 분석하기 위한 데이터 처리방법을 제안하고, 다른 연구에서 제안한 방법과의 비교분석을 통해 이를 검증하고자 한다.
두 번째 방법은 도로 링크 데이터에 교통사고 데이터를 Snap 기능을 활용하여 할당하였다. 모든 교통사고 데이터가 도로 링크 데이터에 할당되었으며, 공간 결합(Spatial Join)을 통해 도로 링크에 미터 당 교통사고 발생건수를 계산하여 속성 값으로 입력하였다. 도출된 도로 링크별 미터 당 교통사고 발생건수를 이용하여 Getis-Ord Gi*에 의한 핫스팟 분석을 하고 시각화하였다.
7m를 제외한 나머지 모든 도로 링크의 길이는 10m 이상인 것으로 확인되었다. 본 연구는 자동차가 통행할 수 있는 1차선 이상의 모든 도로, 즉 이면도로도 포함하여 분석을 수행하였다.
본 연구에서 도로 링크는 다른 데이터와의 비교를 위해 미터단위로 변경하였다. 도로 링크 데이터의 평균 길이는 약 309.
(2017)은 호주의 동남부 멜버른 서남쪽의 항구도시인 질롱(Geelong)의 주요 도로에서 발생한 3년 동안의 심각한 도로 교통사고의 위치를 보여주기 위하여 선형의 네트워크 커널 밀도 분석에 대한 통계적 접근법을 제안하였다. 수집된 샘플 점 데이터를 네트워크상에 매핑하고 이를 바탕으로 네트워크 기반의 커널 분석을 수행하였고, Xie and Yan(2008)과 Okabe and Sugihara(2012)의 연구 방법을 응용하여 이를 시각화하였다(McSwiggan, et al., 2017).
국내 연구에서는 홍상기(1998) 연구에서 이러한 시도가 이루어졌는데, 선형 도로 네트워크상에서 교통사고 데이터의 시공간적 패턴을 분석하기 적합한 시각화 시스템을 개발하였다. 시각화 시스템을 통해 교통사고 점 데이터를 3차원으로 시각화한 뒤 특정 공간패턴을 가지는지 여부와 시간 슬라이드 쇼를 통해 시간의 흐름에 따른 점 데이터 분포의 변화를 통해 시간차원의 탐구를 진행하였다.
이를 통해 네트워크상에서 도로를 따른 선형 단위의 토폴로지로 교통사고를 시각화 하여 어느 도로에 교통사고가 밀집되는지를 2차원의 선 두께로 표현하였다. 이 연구는 네트워크 길이를 2차원의 래스터 격자의 셀과 같은 기본 선형 단위로 나누어 분석하였고 이를 linear와 pixel을 합쳐 lixel로 정의하였다. 네트워크를 따라 일정한 간격을 둔 lixel 을 기반으로 커널 분석을 수행함으로써 네트워크 토폴로지를 표현하면서 계산의 효율성을 향상시켰다.
(1995)이 하와이의 호놀룰루에서 발생한 교통사고 분석에 적용되었다. 이들은 교통사고 발생 지점의 반경 내에 포함되는 사고 건수를 기반으로 커널 밀도, 클러스터 분석을 각각 적용하여 밀도를 계산하였고, 이 값을 도로 링크에 할당함으로써 도로 상에서의 교통사고 밀집 지역을 추론하였다. 그러나 이러한 방법들의 일반적 오류는 밀도 추정에 의한 값을 도로 네트워크 데이터에 할당하였기 때문에 앞서 행정구역이나 지역 단위로 분석한 결과와 같이 도로 네트워크 상에서 발생한 교통사고 밀집 구간을 고려하기 보다는 단순히 하나의 교통사고 발생 지점을 중심으로 밀도가 높은 주변을 찾아 도로의 형태로 시각화하는 것이기 때문에 도로 네트워크를 따른 분석이라고 하기는 어렵다(Romano, and Jiang, 2017).
Xie and Yan(2008)은 교통사고의 밀도 추정방법과 관련하여 기존의 커널 밀도 함수를 통한 표현은 선형 도로 공간에서 발생하는 점 데이터를 나타내기에는 적절하지 않다고 주장하며, lixel형태의 네트워크 커널밀도 분석을 제안하였다. 이를 통해 네트워크상에서 도로를 따른 선형 단위의 토폴로지로 교통사고를 시각화 하여 어느 도로에 교통사고가 밀집되는지를 2차원의 선 두께로 표현하였다. 이 연구는 네트워크 길이를 2차원의 래스터 격자의 셀과 같은 기본 선형 단위로 나누어 분석하였고 이를 linear와 pixel을 합쳐 lixel로 정의하였다.
첫 번째 방법(Method A)은 도로 링크를 10m 단위로 나눈 후 교통사고 점 데이터를 할당하였고, 집계된 건수(count)를 Getis-Ord Gi* 통계의 핫스팟 분석을 수행하였다.
본 연구에서 도로 네트워크상에서 교통사고 밀집지역을 분석하기 위해 Figure 6과 같은 과정으로 두 가지 방법에 의해 데이터를 처리하였다. 첫 번째 방법은 불규칙한 길이를 가진 도로 링크를 일정한 간격으로 분할하였다. 도로 링크 길이에 따른 MAUP 발생을 배제하기 위해 도로 링크 길이 간 편차를 가장 작게 줄일 수 있는 10m 단위로 길이를 나누었다.
첫 번째는 도로 링크 데이터를 10m 간격으로 분할하고, 교통사고 지점으로부터 가장 가까운 도로 데이터에 사고 건수를 집계하여 할당하였고, 이를 핫스팟 분석을 수행 함으로써 통계적으로 유의한 교통사고 밀집 구간을 추출하였다.
성병준 외(2015)은 진주시를 대상으로 5년 간(2009년~2013년) 진주시 행정동별 교통사고 데이터를 주거지역과 상업지역으로 구분하여 교통사고의 공간분포특성을 분석하였다. 커널 밀도 분석을 통해 교통사고의 밀집지역을 확인하였고 km2당 사고 건수를 계산하여 가장 많은 사고가 발생한 동을 중심으로 시각화 및 결과를 분석하였다. 그 결과 차 대 사람의 횡단 중 교통사고는 상업지역이 높았고, 차 대 차의 측 면직각 추돌사고는 토지이용 구분 없이 광범위하게 분포되어 발생하는 것으로 나타났다.
대상 데이터
도로 네트워크 데이터의 경우 2013년 국토교통부의 국가교통정보센터에서 제공하는 도로 링크 데이터를 사용하였다(Figure 4). 2013년 11월에 갱신된 표준 노드 및 링크 데이터는 Link ID, 도로 번호와 이름, 최고 속도, 길이 등에 대한 정보를 포함하고 있으며, 링크 길이는 km로 구축되어 있다.
본 연구는 2013년 서울시에서 발생한 교통사고를 분석 사례로 하였다. 교통사고 데이터는 대한민국 경찰청에서 제공한 자료를 활용하였다. 경찰청이 제공하는 교통사고 데이터에는 발생지점의 위치를 비롯하여 운전자의 성별 및 연령정보, 피해자의 성별과 연령 정보, 교통사고 발생시의 시간, 날짜, 기상상태 등에 대한 정보를 포함하고 있다.
도로 네트워크 데이터의 경우 2013년 국토교통부의 국가교통정보센터에서 제공하는 도로 링크 데이터를 사용하였다(Figure 4). 2013년 11월에 갱신된 표준 노드 및 링크 데이터는 Link ID, 도로 번호와 이름, 최고 속도, 길이 등에 대한 정보를 포함하고 있으며, 링크 길이는 km로 구축되어 있다.
본 연구는 2013년 서울시에서 발생한 교통사고를 분석 사례로 하였다. 교통사고 데이터는 대한민국 경찰청에서 제공한 자료를 활용하였다.
그러나 이러한 과정에서 도로를 벗어난 곳에서 발생되었다고 추정되는 데이터를 찾아 이를 제거하는 것이 분석의 정확도를 높인다고 판단하였다. 본 연구는 하나의 교통사고 점 데이터로부터 가장 가까운 도로 링크가 약 100m 이상 떨어져 있다는 것은 해당 도로에서 발생한 사고라고 정의하기에 어려움이 있다고 판단하였고(Figure 7), 이러한 사고 데이터 1,736건(전체 데이터의 약 4.45% 차지)을 제외한 37,274건을 대상으로 분석하였다. 서울의 경우 세종로가 왕복 16차선으로 폭원이 넓은 도로이며, 하나의 차선이 최소 3.
2013년 서울시에서 발생한 교통사고 건수는 총 39,439건이다. 이중 위치 값에 오류가 있는 데이터를 제외한 총 39,010건을 분석에 활용하였다. 2013년 교통사고 발생 지점을 매핑한 것은 Figure 3과 같다.
성능/효과
교통사고 점 데이터를 도로 링크 데이터에 할당하는 과정에서 가장 가까운 거리를 산출하여 할당하도록 하였고, 평균적으로 16.6m 내외에 위치하고 있으며, 가장 가까운 경우는 약 1.45m, 가장 멀리 위치하는 경우는 약 1,709.84m로 나타났다. 그러나 이러한 과정에서 도로를 벗어난 곳에서 발생되었다고 추정되는 데이터를 찾아 이를 제거하는 것이 분석의 정확도를 높인다고 판단하였다.
교통사고 군집패턴을 파악하기 위한 연구지역은 법정동을 기준으로 하였으며, 법정 동 단위의 Getis-Ord Gi*를 이용하여 핫스팟 지역을 찾아냈다. 그 결과 교통사고 다발 지역으로 용산구, 중구, 영등포구, 강남구와 같은 회사 밀집 지역에서 사고 발생률이 높으며, 시간대별 사고 발생건수를 보았을 때 오후 11~12시경에 사고가 많이 발생하는 것을 확인하였다. 성병준 외(2015)은 진주시를 대상으로 5년 간(2009년~2013년) 진주시 행정동별 교통사고 데이터를 주거지역과 상업지역으로 구분하여 교통사고의 공간분포특성을 분석하였다.
커널 밀도 분석을 통해 교통사고의 밀집지역을 확인하였고 km2당 사고 건수를 계산하여 가장 많은 사고가 발생한 동을 중심으로 시각화 및 결과를 분석하였다. 그 결과 차 대 사람의 횡단 중 교통사고는 상업지역이 높았고, 차 대 차의 측 면직각 추돌사고는 토지이용 구분 없이 광범위하게 분포되어 발생하는 것으로 나타났다. Erdogan et al.
두 번째는 도로 링크에 교통사고 데이터 를 할당하고 미터 당 평균 사고 값을 도출하여 핫스팟 분석을 수행하였다. 기존의 교통사고 밀집 지역을 찾기 위한 커널 분석과 비교하였을 때 도로 네트워크를 따라 교통사고 다발 구간을 분석하여 시각화한 결과가 보다 더 정확하며, 교통사고 다발 구간의 특성을 파악하기에 용이함을 확인할 수 있었다.
본 연구에서 도로 링크는 다른 데이터와의 비교를 위해 미터단위로 변경하였다. 도로 링크 데이터의 평균 길이는 약 309.5m, 가장 긴 도로는 약 6,513.3m, 가장 짧은 도로는 약 9.7m이며, 총 22,060개의 도로 링크로 구성되어 있으며(Figure 5), 짧은 도로 9.7m를 제외한 나머지 모든 도로 링크의 길이는 10m 이상인 것으로 확인되었다. 본 연구는 자동차가 통행할 수 있는 1차선 이상의 모든 도로, 즉 이면도로도 포함하여 분석을 수행하였다.
뿐만 아니라 두 가지 방법에 의한 사고 다발 구간을 분석한 결과, 두 번째 방법에 의한 도로 링크 데이터에 평균 사고 값을 구하여 핫스팟을 시각화 하였을 때는 도로 구간 전체의 평균값으로 추출되는데 비해, 첫 번째 방법인 10m 단위의 일정한 도로 링크별 사고 건수를 추출한 방법은 주요 도로 구간 내에서 특히 교차로나 다른 도로로 진입하는 구간에 주로 사고가 많이 발생하는 것을 구체적으로 나타낼 수 있었다.
두 번째 방법(Method B)은 교통사고 데이터를 도로 링크에 할당하고 도로 링크의 길이를 고려하여 미터 당 교통사고를 속성으로 추가하였다. 시각화 결과, 통계적으로 유의한 핫스팟 구간은 중구, 종로구, 동대 문구, 중랑구, 강북구, 강남구, 구로구, 관악구, 강동구 등에 속하는 도로로 나타났다(Figure 10). 즉, 교통사고가 밀집된 도로는 구로구의 경인로61길, 강동구의 강동대로, 성북구로 이어지는 창경궁로, 중구와 종로구에 걸친 율곡로, 종로구의 보문로 등이 통계적으로 가장 유의하게 나타났다(Table 2, Figure 11).
Gi*의 통계량이 가장 유의미하게 나타나는 곳은 마포구의 잔다리길, 중랑구의 중랑천길, 면목천길, 금천구의 시흥대로, 성동구의 고산자로, 강북구의 한천로, 서초구와 강남구의 강남대로 일부 구간으로 나타났다. 이들 지역을 분석한 결과, 대부분 교차로 부근에서 높은 사고 건수를 기록하고 있었으 며(Figure 9-a~e), 성동구의 고산자로는 내부순환로로 이어지는 인터체인지 부분에서 교통사고가 밀집되어 나타나며 통계적으로 유의미하게 나타났다(Figure 9-f).
시각화 결과, 통계적으로 유의한 핫스팟 구간은 중구, 종로구, 동대 문구, 중랑구, 강북구, 강남구, 구로구, 관악구, 강동구 등에 속하는 도로로 나타났다(Figure 10). 즉, 교통사고가 밀집된 도로는 구로구의 경인로61길, 강동구의 강동대로, 성북구로 이어지는 창경궁로, 중구와 종로구에 걸친 율곡로, 종로구의 보문로 등이 통계적으로 가장 유의하게 나타났다(Table 2, Figure 11). 두 번째 방법에 의한 핫스팟은 도로 링크의 길이가 긴 경우 상대적으로 교통사고 건수가 많을 가능성이 높기 때문에 선형의 클러스터를 보이고 있다.
후속연구
5~5m 정도의 넓이를 가지므로 하나의 교통사고 발생 지점으로부터 가장 가까운 도로 링크를 찾을 때 반경 80m를 중심으로 찾을 수 있다. 경찰청에서 수집한 교통사고 발생 지점의 오차 값을 고려하여 본 연구는 반경 100m 이상일 경우 해당 도로 링크와 상관없는 교통사고 지점이라고 정의하였으며, 이는 향후 연구에서 차선 수 또는 도로의 넓이에 따른 고려가 필요하다고 판단된다.
본 연구는 도로 네트워크 상에서 발생한 사고 다발 구간을 찾는 연구들에 새로운 시각에서의 시사점을 줄 수 있을 것이라 기대한다. 또한 라인을 따라 발생하는 데이터의 분석 및 시각화에도 적용될 수 있을 것으로 판단된다.
본 연구는 도로 네트워크 상에서 발생한 사고 다발 구간을 찾는 연구들에 새로운 시각에서의 시사점을 줄 수 있을 것이라 기대한다. 또한 라인을 따라 발생하는 데이터의 분석 및 시각화에도 적용될 수 있을 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
인적 재난인 교통사고를 예방하기 위한 다양한 연구로 행정구역 별 교통사고 건수를 집계하거나, 커널밀도 방법의 밀도를 추정하는 분석보다 의미가 있는 방법은?
특히 교통사고에 대한 공간적 분석을 연구한 초기 연구들은 교통사고 클러스터 지역을 확인하기 위해 행정구역 별 교통사고 건수를 집계하거나, 커널밀도 방법을 통해 밀도를 추정하여 분석하는 경우가 다수를 이루었다. 그러나 교통사고는 도로를 따라 발생하는 사건이기 때문에 도로상에서 교통사고 다발구간을 찾는 것이 더 의미가 있을 수 있다. 따라서 본 연구는 도로 네트워크를 따라 교통사고 집중 지역을 찾고자 하였다.
교통사고를 분석함에 있어서 중요한 측면 중 하나는 무엇인가?
교통사고를 분석함에 있어서 중요한 측면 중 하나는 교통사고 집중 지역 (hotspot, black zone)을 찾는 것이다. 기존의 교통사고를 분석하고 시각화한 연구들은 주로 행정경계나 그리드 단위의 밀집 지역을 추출하였기 때문에 도로를 따라 발생하는 교통사고 집중 구간을 찾기에는 한계가 있었다.
교통사고의 공간적 특성분석은 주로 2차원의 교통사고 클러스터 지역을 분석하는데, 그 추세는 어떠한가?
교통사고의 공간적 특성분석은 주로 2차원의 교통사고 클러스터 지역을 분석하기 위해 커널밀도 추정을 하거나 격자망 형태의 핫스팟 분석을 수행하는 경우가 다수를 이루었다(Anderson, 2009; Prasannakumar, et al., 2011; Xie, and Yan, 2008).
참고문헌 (22)
Kang YO, Son SR, Cho NH. 2017. Analysis of Traffic Accidents Injury Severity in Seoul using Decision Trees and Spatiotemporal Data Visualization. Journal of Cadastre & Land InformatiX 47(2): 233-254.
Sung BJ, Bae GH, Yoo HH. 2015. Analysis of Temporal and Spatial Distribution of Traffic Accidents in Jinju. The Journal of Korean Society for Geospatial Information Science. 23(2): 3-9.
Son SR, Kang YO. 2017. Spatio-temporal Pattern of Traffic Accident of Female Drivers in Seoul, Journal of the Korean Cartographic Association, 17(2): 89-98.
Lee SJ, Cho HS, Song WH, Sohn HG. 2015. A Study on Spatial Characteristic and Influence Factor of Traffic Accident in Seoul. Korean Society for Geospatial Information Science.. 132-133.
Hong SK. 1998. Developing a Visualization System for Spatio - Temporal Linear Point Data. The Journal of Korean Urban Geographical Society. 1(1): 85-100.
Anderson TK. 2009. Kernel density estimation and K-means clustering to profile road accident hotspots. Accident Analysis & Prevention. 41(3): 359-364.
Ceder A, Livneh M. 1978. Further evaluation of the relationships between road accidents and average daily traffic. Accident Analysis & Prevention, 10(2): 95-109.
Chen C, Zhang G, Liu XC, Ci Y, Huang H, Ma J, Chen Y, Guan H. 2016. Driver injury severity outcome analysis in rural interstate highway crashes: a two-level Bayesian logistic regression interpretation. Accid Anal Prev. 97: 69-78.
Elvik R. 2013. Risk of road accident associated with the use of drugs: a systematic review and meta-analysis of evidence from epidemiological studies. Accid Anal Prev. 60: 254-267.
Erdogan S, Yilmaz I, Baybura T, Gullu M. 2008. Geographical information systems aided traffic accident analysis system case study: city of Afyonkarahisar. Accident Analysis & Prevention, 40(1): 174-181.
Kang YO, Cho NH, Son SR. 2018. Spatiotemporal characteristics of elderly population's traffic accidents in Seoul using space-time cube and space-time kernel density estimation. PLoS one, 13(5): e0196845.
Levine N, Kim KE, Nitz LH. 1995. Spatial analysis of Honolulu motor vehicle crashes: I. Spatial patterns. Accident Analysis & Prevention, 27(5): 663-674.
Romano B, Jiang Z. 2017. Visualizing Traffic Accident Hotspots Based on Spatial-Temporal Network Kernel Density Estimation. In Proceedings of the 25th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems (p. 98). 2017, November. ACM.
Xie Z, Yan J. 2008. Kernel density estimation of traffic accidents in a network space. Computers, Environment and Urban Systems, 32(5): 396-406.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.