지오XAI로 밝히는 교통사고 밀도 비선형·공간 이질성 분석

초록

본 연구는 GeoXAI 프레임워크와 GeoShapley 기법을 활용해 플로리다 주의 교통사고 밀도에 영향을 미치는 도로·사회경제 요인의 비선형 관계와 공간 이질성을 동시에 해석한다. AutoML로 선정된 고성능 머신러닝 모델을 기반으로 변수별 지역별 기여도를 정량화하고, 기존 SHAP 및 MGWR 결과와 비교하여 GeoShapley의 우수성을 입증한다. 결과는 도로밀도·교차로밀도·주거밀집도·교육수준 등이 도시와 농촌에서 서로 다른 형태로 사고 위험을 증폭시킨다는 점을 보여주며, 지역 맞춤형 교통안전 정책 수립의 근거를 제공한다.

상세 분석

이 논문은 교통사고 위험 분석에서 두 가지 핵심 난제를 동시에 해결하고자 한다. 첫 번째는 변수와 사고 발생률 사이의 비선형 관계를 정확히 포착하는 것이며, 두 번째는 이러한 관계가 공간에 따라 어떻게 달라지는지를 정량화하는 것이다. 이를 위해 연구진은 AutoML을 이용해 최적의 머신러닝 모델(Gradient Boosting Decision Tree) 을 자동으로 탐색하고, 선택된 모델에 GeoShapley를 적용하였다. GeoShapley는 전통적인 SHAP의 게임이론적 기반을 확장해 ‘위치’를 하나의 특성으로 취급함으로써, 각 트랙터스(시군구) 수준에서 변수의 직접 효과와 위치와의 상호작용 효과를 동시에 추정한다.

분석 결과, 도로밀도와 교차로밀도는 일정 수준 이하에서는 사고 위험을 낮추지만, 일정 임계치를 초과하면 급격히 위험이 상승하는 S‑형 비선형 패턴을 보였다. 특히 마이애미와 같은 초고밀도 도시에서는 보행자 활동과 복합 교통 흐름이 겹치면서 위험이 급증했으며, 이는 ‘포화 효과’와 ‘노출 증가’가 동시에 작용한 것으로 해석된다. 주거밀집도(Compactness)와 교육수준(College Attainment) 역시 지역마다 상이한 기울기를 나타냈다. 고밀도 주거지역에서는 밀집도가 높을수록 보행자·자전거와 차량 간 충돌 가능성이 커져 위험이 상승했지만, 교외의 저밀도 지역에서는 오히려 도로 설계가 단순해 사고율이 낮았다. 교육수준은 고학력 트랙터스에서 사고 위험이 다소 낮은 경향을 보였으나, 남부 농촌 지역에서는 교육 수준이 낮아도 교통 인프라가 열악하지 않으면 위험이 크게 증가하지 않는 등 복합적인 상호작용이 발견되었다.

공간 이질성 측면에서는 GeoShapley가 각 트랙터스의 ‘내재적 기여도’를 도출해, 마이애미, 올랜도, 탬파, 잭슨빌 등 대도시권이 평균보다 현저히 높은 고유 위험을 가지고 있음을 확인했다. 반면 북부와 중부의 농촌 트랙터스는 기본 위험이 낮으며, 일부 저소득 농촌 지역에서는 사회경제적 취약성이 위험을 상승시키는 주요 요인으로 작용했다. 이러한 결과는 기존 MGWR이 변수별 스케일을 다르게 추정하긴 하지만, 비선형 효과와 위치와의 복합 상호작용을 동시에 포착하지 못한다는 한계를 보완한다는 점에서 의미가 크다.

정책적 함의로는 (1) 고밀도 도시에서는 보행자 전용 구역 확대·교통신호 최적화 등 ‘교통진정’ 전략이 필요하고, (2) 교차로 밀집 지역에서는 가변형 교차로 설계와 스마트 신호 제어를 통해 충돌 가능성을 감소시켜야 하며, (3) 고속도로 I‑95와 같은 고용량 차선에서는 속도 제한 강화와 자동속도감시 장치 설치가 효과적이다. 또한, 사회경제적 취약성이 높은 농촌 지역에 대해서는 저비용 안전 인프라(속도 감시 카메라, 도로 표지 개선)와 교육·지원 프로그램을 연계한 형평성 중심 정책이 요구된다.

전반적으로 본 연구는 GeoXAI와 GeoShapley가 비선형·공간 이질성을 동시에 해석할 수 있는 강력한 도구임을 실증적으로 보여주며, 교통안전 분야뿐 아니라 도시계획·환경정책 등 다양한 공간 데이터 분석에 적용 가능함을 시사한다.