속도 위반이 보행자 충돌에 미치는 인과 효과: 베이지안 네트워크 기반 개별 사고 분석

** 본 논문은 “속도 위반이 보행자·차량 충돌 사고에 미치는 인과 효과를 개별 사고 수준에서 정량화한다”는 목표 하에, 베이지안 네트워크와 Gibbs 샘플링을 활용한 새로운 분석 프레임워크를 제시한다. 연구 배경으로는 도로에서 과속 위반이 빈번히 발생하고, 기존 통계적 방법으로는 과속이 사고에 미치는 직접적인 인과 관계를 개별 사건마다 평가하기 어렵다는 점을 들었다. 따라서 인과 추론 이론 중 ‘필요성 확률(Probability of Necessity, PN)’ 개념을 도입해, 과속이 없었다면 해당 사고가 발생하지 않았을 확률을 계산하고자 했다. **1. 인과 구조 설계** 연구자는 차량·보행자 충돌 메커니즘을 기반으로 주요 변수들을 정의하였다. 차량의 초기 속도(V₀), 운전자의 반응시간(τ), 충돌 지점 좌표(X, Y), 도로 표면 마찰계수(μ), 보행자의 질량 및 체형, 충돌 각도 등은 물리‑역학적 관계식에 의해 서로 연결된다. 이들 변수는 베이지안 네트워크의 노드로 배치되며, 각 노드 간의 조건부 확률분포는 물리 모델(예: 스키드마크 길이 L = k·V₀·√(μ·τ) 등)과 경험적 데이터(부상 심각도와 충돌 에너지의 회귀식)로부터 파라미터화된다. 과속 여부를 나타내는 이진 노드 S는 V₀와 직접 연결되며, ‘속도 제한 이하’라는 제약을 확률적으로 표현한다. **2. 증거 데이터와 사전분포** 현장 조사팀은 150건 이상의 실제 차량·보행자 충돌 사례에서 스키드마크 길이, 보행자 투척 거리, 부상 심각도(ISS), 차량 종류, 도로 조건 등을 측정하였다. 각 측정값은 측정 오차를 고려해 정규분포(또는 로그정규분포) 형태의 사전분포를 부여하였다. 예를 들어, 스키드마크 길이 L은 실제 측정값 L̂와 표준편차 σ_L을 사용해 N(L̂, σ_L²)로 모델링되었다. 부상 심각도는 의료 데이터베이스와 연계해 충돌 에너지와의 비선형 관계를 베타분포로 추정하였다. **3. 베이지안 추론 절차** BUGS (Bayesian inference Using Gibbs Sampling) 환경에서 Gibbs 샘플링을 수행하였다. 각 사고마다 50,000번의 샘플을 생성해 V₀, τ, (X, Y) 등 외생 변수의 사후분포를 얻었다. 샘플링 과정에서 각 변수의 사전분포와 조건부 확률을 반복적으로 업데이트함으로써, 관측된 증거와 일치하는 파라미터 집합을 탐색한다. 수렴 진단은 Gelman‑Rubin 통계량을 이용해 1.1 이하로 확인하였다. **4. 필요성 확률(PN) 계산** PN은 ‘과속이 없었다면 사고가 발생하지 않았을 확률’로 정의된다. 베이지안 네트워크에서 do‑연산을 적용해 S=0(과속 금지) 상황을 가정하고, 해당 가상 시나리오에서 사고 발생 확률 P(Y=1 | do(S=0))을 추정한다. 실제 관측된 사고가 발생한 경우(P(Y=1)=1)와 비교해 PN = 1 – P(Y=1 | do(S=0))을 계산한다. 결과는 0~1 사이의 값으로, 0.8 이상의 PN을 보인 사고는 과속이 거의 필수적인 원인으로 해석된다. **5. 실증 결과 및 정책 함의** 전체 150건 사례 중 평균 PN은 0.62였으며, 도로별로는 고속도로 구간(평균 PN=0.78)과 도시 도로(평균 PN=0.51) 사이에 유의한 차이가 나타났다. 특히 스키드마크가 길고 보행자 투척 거리가 큰 사고에서 PN이 0.9 이상으로 높게 측정되었다. 이를 바탕으로 연구자는 ‘속도 제한 엄격 준수 시 기대되는 사고 감소율’을 도출하였다. 예를 들어, 특정 도로 구간에서 현재 연간 30건의 보행자 사망 사고가 발생한다면, 과속을 완전히 억제했을 경우 평균 PN이 0.75인 점을 고려해 약 22건(≈75%)의 사고가 감소할 것으로 추정한다. **6. 검증 및 민감도 분석** 모델의 외적 타당성을 검증하기 위해 국가 교통 통계와 비교하였다. 도로별 실제 사고 감소율과 모델이 예측한 감소율 사이의 상관계수는 0.68로, 충분히 높은 설명력을 보였다. 또한 사전분포의 평균값을 ±10% 변동시켰을 때 PN 평균값의 변동폭이 0.04 이하로 제한되어, 사전분포 선택에 대한 민감도가 낮음을 확인하였다. **7. 한계와 향후 연구** 본 연구는 베이지안 네트워크와 물리‑역학적 증거를 결합했지만, 몇 가지 제한점이 있다. 첫째, 사전분포 설정에 전문가 의견이 크게 반영돼 주관성이 존재한다. 둘째, 현장 데이터의 품질(스키드마크 손상, 보행자 투척 거리 측정 오류 등)이 모델 정확도에 직접적인 영향을 미친다. 셋째, 복잡한 네트워크 구조와 대규모 샘플링으로 인한 계산 비용이 높아, 실시간 교통 관리 시스템에 적용하려면 고성능 컴퓨팅 자원이 필요하다. 향후 연구에서는 자동화된 데이터 수집(예: 차량 블랙박스, 드론 영상)과 딥러닝 기반 증거 추출을 결합해 사전분포를 데이터‑드리븐 방식으로 보강하고, 다중 사고 시나리오(다중 차량·보행자)에도 확장 가능한 모델을 개발할 계획이다. **결론** 베이지안 네트워크와 Gibbs 샘플링을 이용한 개별 사고 수준의 인과 분석은 과속이 실제로 사고에 필수적인 원인인지 정량적으로 판단할 수 있는 강력한 도구임을 입증하였다. 이 방법론은 교통 정책 입안자에게 과속 억제 효과를 과학적으로 설계·평가할 근거를 제공하며, 향후 교통 안전 연구와 실무에 널리 활용될 잠재력을 가진다. **