🔬 physics

The Harsh Truth: Segment-Level Analysis of Harsh Driving Events in Milan Using Large-Scale Telematics, Street Networks, and Google Street View

본 연구는 밀라노 내 420만 대 이상의 차량으로부터 수집된 대규모 텔레매틱스 데이터를 도로 네트워크 및 구글 스트리트 뷰 데이터와 결합하여 활용함으로써, 넓은 도로와 개방된 시야가 더 높은 급가속·급감속 등 거친 주행 이벤트와 상관관계가 있는 반면, 밀집된 건물 전면부는 이를 감소시킨다는 점을 밝혀내어, 맥락 특이적이고 데이터에 기반한 도시 안전 개입을 지원한다.

원저자: Andrea La Grotteria, Paolo Santi, Titus Venverloo, Umberto Fugiglando, Carlo Ratti

게시일 2026-06-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Andrea La Grotteria, Paolo Santi, Titus Venverloo, Umberto Fugiglando, Carlo Ratti

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

밀라노를 도로로 이루어진 거대하고 살아있는 퍼즐이라고 상상해 보십시오. 수년간 도로를 더 안전하게 만들고자 노력해 온 도시 계획가들은 안개 낀 창문을 통해 이 퍼즐을 바라보고 있었습니다. 그들은 실제로 발생하여 경찰에 보고된 사고만을 볼 수 있었기 때문입니다. 하지만 사고는 빙산의 일각과 같습니다. 사고는 위험을 사전에 차단하기에는 너무 늦게 발생하며, 보고되지 않은 수많은 '아차 하는 순간(near-misses)'들이 존재합니다.

이 논문은 이 안개를 걷어내기 위해 빙산의 수면 아래에 있는 거대한 질량, 즉 운전자가 브레이크를 급하게 밟거나 가속 페달을 과도하게 밟는 순간들에 주목하기로 했습니다. 이러한 현상을 '거친 이벤트(harsh events)'라고 부릅니다. 연구진은 이 이벤트들을 도시 도로에 대한 거대한 실시간 스트레스 테스트처럼 다루었습니다.

다음은 이 연구가 발견한 내용을 쉬운 비유를 사용하여 설명한 이야기입니다.

1. 데이터: 도시 전체의 "블랙박스"

연구진은 경찰 보고서를 기다리는 대신, 보험사가 제공한 420만 대 이상의 자동차로부터 얻은 "블랙박스" 데이터를 사용했습니다. 이 자동차들은 운전자가 공격적으로 주행할 때마다 이를 기록했습니다. 연구진은 이 데이터를 다음의 정보와 결합했습니다:

구글 스트리트 뷰: 컴퓨터 비전 시스템(사진을 '볼' 수 있는 로봇과 같은 기술)을 사용하여 거리의 모습이 어떤지 분석했습니다. 이 시스템은 모든 사진에서 하늘, 도로, 건물이 얼마나 보이는지를 계산했습니다.
교통 지도: 단순히 도로가 붐비기 때문에 발생하는 문제인지 확인하기 위해, 실제로 도로 위에 얼마나 많은 차량이 있었는지에 대한 데이터를 추가했습니다.

2. 위대한 발견: "오픈 필드(Open Field)" 효과

연구진은 도시를 수천 개의 작은 도로 구간으로 나누고 다음과 같은 질문을 던졌습니다: 무엇이 운전자를 갑자기 공포 섞인 급브레이크를 밟게 하거나 공격적으로 가속하게 만드는가?

그들은 다음과 같은 놀라운 패턴, 즉 "오픈 필드" 효과를 발견했습니다:

넓고 탁 트인 도로 = 더 높은 공격성: 도로가 넓고 시야가 길며, 하늘이 많이 보이고 건물이 시야를 가로막는 것이 적을수록 운전자들은 더 공격적으로 변하는 경傾向이 있습니다. 이는 마치 긴 직선 코스가 있는 레이싱 트랙 위의 레이싱 카 드라이버와 같습니다. 탁 트인 공간은 속도를 높였다가 정지 표지판을 발견했을 때 급브레이크를 밟도록 유도합니다.
좁고 "빽빽한" 도로 = 더 차분한 주행: 반대로, 밀집된 건물, 좁은 차선, 그리고 나무나 표지판 같은 시각적 요소가 많은 거리는 거친 이벤트가 훨씬 적었습니다. 이는 좁고 구불구불한 골목길을 운전하는 것과 같습니다. 멀리 내다볼 수 없기 때문에 자연스럽게 속도를 줄이고 경계하게 됩니다.

비유: 넓고 탁 트인 고속도로를 달리는 것과 나무가 우거진 아늑한 동네를 달리는 것을 생각해 보십시오. 고속도로에서는 속도를 높였다가 급브레이크를 밟고 싶은 충동을 느낄 수 있습니다. 하지만 동네에서는 건물과 나무라는 "벽"이 운전자의 행동을 제어하여 더 부드럽게 운전하도록 만듭니다.

3. 시간대가 중요합니다

연구는 또한 이러한 이벤트가 언제 발생하는지도 살펴보았으며, 도시의 두 가지 서로 다른 "성격"을 밝혀냈습니다:

출퇴근 시간 (오전/오후): 출퇴근 시간대에는 거친 이벤트의 총량이 가장 많습니다. 이는 붐비는 지하철역과 같습니다. 사람들이(차량이) 너무 많아서, 설령 모두가 정상적으로 운전하더라도 엄청난 교통량 자체가 더 많은 "충돌(bumps)"을 만들어냅니다.
밤 올빼미의 위험 (주말 밤): 교통량을 조정한 상태에서(차량 당 위험도를 보았을 때), 위험은 주말 늦은 밤에 정점에 달했습니다. 이는 조용한 바(bar)가 문을 닫는 시간과 같습니다. 차량 수는 적지만, 그곳에 있는 운전자들은 피곤하거나 술에 취했을 가능성이 높아 더 위험하게 운전할 확률이 높습니다.

4. 자전거 도로 테스트 케이스

이 데이터가 실제 정책에 어떻게 도움이 될 수 있는지 확인하기 위해, 연구진은 자전거 도로를 조사했습니다. 그들은 세 가지 유형의 차선을 비교했습니다:

분리형: 자동차와 사이에 물리적 장벽(예: 연석)이 있는 자전거 도로.
도색형: 도로 위에 페인트로만 표시된 자전거 도로.
공용: 자동차와 자전거가 같은 차선을 공유하는 형태.

결과:

도색형 차선은 분리형 차선에 비해 인접한 도로에서 거친 주행 이벤트가 19.5% 더 많이 나타났습니다.
공용 차선은 거친 이벤트가 11.5% 더 많았습니다.
분리형 차선이 운전자(그리고 아마도 자전거 이용자)에게 가장 안전한 환경이었습니다.

핵심 요점: 자전거와 자동차가 단지 페인트 선 하나로만 구분되어 있을 때, 운전자는 더 스트레스를 받고 공격적으로 변하는 것으로 보입니다. 물리적인 벽이나 장벽이 있을 때, 모두가 더 안전하다고 느끼며 더 차분하게 운전합니다.

5. 이것이 도시 안전에 의미하는 바

이 논문은 도로를 개선할 때 "하나의 해결책이 모든 곳에 적용되는(one-size-fits-all)" 방식은 피해야 한다고 주장합니다.

단순히 도로를 넓히지 마십시오: 도로를 더 넓고 개방적으로 만드는 것은 오히려 운전자가 속도를 높이고 급브레이크를 밟게 만들 수 있습니다.
"시각적 복잡함"을 활용하십시오: 때로는 건물, 나무를 추가하거나 시야를 좁히는 것이 운전자를 자연스럽게 진정시키는 데 도움이 될 수 있습니다.
취약 계층을 보호하십시오: 자전거 이용자를 안전하게 지키고 싶다면, 단순한 페인트보다는 물리적인 장벽이 더 낫습니다.

요약

이 연구는 도시 계획가들에게 새로운 안경을 선물하는 것과 같습니다. 사고가 발생한 후에 결과만을 보는 대신, 이제는 운전자가 실시간으로 힘들어하는 지점을 볼 수 있게 되었습니다. 연구진은 넓고 탁 트인 도로가 공격성을 유발하여 위험할 수 있는 반면, 좁고 시각적으로 복잡한 도로는 주의를 기울이게 하여 더 안전할 수 있음을 발견했습니다. 수백만 대의 자동차 데이터와 AI 기반의 거리 사진을 활용함으로써, 이들은 사고에 대응하는 것을 넘어, 자연스럽게 안전한 운전을 유도하는 도로를 설계할 수 있도록 돕고 있습니다.

기술 요약: 가혹한 진실 – 밀라노의 가혹한 주행 이벤트에 대한 세그먼트 단위 분석

문제 제기
도시 도로 안전 평가는 전통적으로 경찰이 보고한 사고 통계에 의존한다. 그러나 이러한 데이터는 불완전하고, 보고 지연이 심하며, 시의적절하고 미세한 개입 설계를 위한 세밀한 수준이 부족하다. 급가속 및 급감속 이벤트(가혹한 이벤트)는 공격적이거나 안전하지 않은 주행의 대리 안전 지표로 널리 사용되지만, 기존 연구들은 작은 표본 크기(예: 운전자 1,500명 미만), 시각적 가로 경관 맥락의 부재, 노출 제어를 위한 독립적인 교통량 측정치 대신 통과 횟수에 의존한다는 한계가 있었다. 본 연구는 밀라노의 전체 도시 도로 네트워크를 대상으로 가혹한 이벤트를 분석함으로써 이러한 한계를 해결하며, 비전 제로(Vision Zero) 의사결정에 정보를 제공하기 위해 고해상도 텔레매틱스와 개방형 지형 및 시각 데이터를 통합한다.

방법론
본 연구는 2023년 대표적인 6주 동안 기록된 24,673개의 도시 도로 세그먼트와 340만 개 이상의 매칭된 가혹한 이벤트를 포함하는 데이터셋을 바탕으로, 비모수 통계 검정, 지도 학습 기반 머신러닝, 회귀 분석을 결합한 다중 규모 분석 프레임워크를 채택한다.

데이터 통합: 분석은 다음 다섯 가지 보완적 데이터셋을 합성한다:
1. 텔레매틱스: UnipolTech가 제공하는 온보드 유닛(OBU)을 장착한 420만 대 이상의 차량으로부터 추출한 급감속 및 급가속 이벤트. 이벤트는 두 가지 장치 유형(Targa 가속도계 기반 및 MetaSystem GNSS 기반)을 통일된 심각도 척도(1–4)로 조화시켰다.
2. 교통 노출: 노출 지표(교통량 × 세그먼트 길이) 및 정규화된 가혹도를 계산하기 위해 사용된 TomTom의 세그먼트 단위 교통 지표(프로브 카운트).
3. 네트워크 기하학: 세그먼트 길이, 곡선도, 차로 수, 제한 속도 및 인프라 속성(예: 횡단보도, 대중교통 정류장)을 제공하는 OpenStreetMap(OSM) 데이터(스냅샷: 2023년 12월 31일).
4. 자전거 인프라: 물리적으로 분리된 경로, 표시 전용 차로, 차량 공유 구간으로 분류된 밀라노 시 자전거 네트워크.
5. 시각적 가로 경관: 상위 클래스(도로, 하늘, 건물, 식생 등)의 픽셀 비율을 추출하기 위해 OneFormer 시맨틱 세그만테이션 모델(DiNAT-L 백본)로 처리된 Google Street View(GSV) 이미지.
분석 접근 방식:
- 비모수 비교: 세그먼트를 중앙값에 따라 고가혹도 및 저가혹도 그룹으로 나누었다. OSM 및 GSV 유래 특징들의 분포는 양측 Mann–Whitney U 검정을 사용하여 비교되었다.
- 머신러닝: 기하학적, 규제적, 교통 및 시각적 기술자를 사용하여 세그먼트 수준의 가혹 점수를 예측하도록 Gradient Boosting 및 Random Forest 회귀 모델을 훈련시켰다. 특징 중요도는 Gini 순위와 SHAP(SHapley Additive exPlanations)을 통해 평가되었다.
- 자전거 인프라 사례 연구: 자전거 시설 유형과 가혹 이벤트 강도 사이의 연관성을 추정하기 위해, 노출, 제한 속도, 차로 수, 도로 폭을 통제한 상태에서 견고한 표준 오차(HC3)를 가진 로그 선형 최소제곱(OLS) 회귀 분석을 사용하였다.

주요 결과

노출 및 공간 패턴: 단변량 분석 결과, 가혹 점수와 제한 속도 또는 교통량과 같은 단일 변수 사이에는 약한 상관관계( $R^2 < 0.09$ )가 나타났다. 노출은 절대적인 이벤트 횟수의 기준을 설정하지만, 이를 통제하면 세그먼트 형태와 시각적 개방성이 잔차 변동을 주도한다.
설계 및 시각적 상관관계: 고가혹도 세그먼트는 체계적으로 더 넓은 차로, 횡단보도 및 대중교통 정류장의 존재, 그리고 더 개방된 시야(높은 하늘 및 도로 픽셀 비율)와 관련이 있다. 반대로, 더 밀집된 건물 전면부(높은 건물 픽셀 비율)는 낮은 가혹 강도와 관련이 있다.
시간적 역학: 절대적 가혹 점수는 평일 출퇴근 시간(오전/오후)에 정점을 찍으며, 이는 교통 밀도를 반영한다. 그러나 노출로 정규화된 가혹도는 야간 시간대, 특히 주말에 정점에 도달하며, 이는 해당 기간 동안 차량당 위험도가 더 높음을 시사한다.
자전거 인프라 구배: 사례 연구는 시설 유형에 따른 가혹 이벤트 강도의 유의미한 구배를 확인하였다. 물리적으로 분리된 자전거 경로와 비교했을 때:
- 표시 전용 차로는 가혹 점수가 19.5% 더 높았다.
- 차량 공유 구성은 가혹 점수가 11.5% 더 높았다.
  이러한 연관성은 노출 및 도로 기하학 통제 조건 하에서도 유지된다.

주요 기여

규모 및 데이터 통합: 본 연구는 이전 연구보다 10배 더 큰 표본으로 공간적 가혹 이벤트 분석을 확장하며, 420만 대 차량의 텔레매틱스를 개방형 지형 및 시각적 픽셀 특징과 통합한다.
방법론적 프레임워크: 대규모 텔레매틱스와 가로 수준 이미지의 시맨틱 세그멘테이션을 결합한 도시 도로 네트워크 데이터셋 구축을 위한 재현 가능한 파이프라인을 입증한다.
노출 제어: 단순 통과 횟수를 넘어 노출을 제어하기 위해 독립적인 교통량 측정치(TomTom 프로브 카운트)를 도입한다.
정책 관련 통찰: 연구 결과는 균일한 접근 방식보다는 맥락에 맞는 안전 개입을 지원하며, 자전거 인프라의 시각적 개방성과 물리적 분리의 역할을 강조한다.

의의 및 주장
본 논문은 대규모 텔레매틱스가 개방형 지형 및 시각 데이터와 결합될 때 메트로폴리탄 규모의 비전 제로 의사결정에 효과적으로 정보를 제공할 수 있다고 주장한다. 결과는 "개방된" 시각적 영역(넓은 도로, 높은 하늘 가시성)이 공격적인 운전 행동을 조장할 수 있는 반면, 밀집된 건축 환경이 자연적인 교통 진정 메커즘으로 작용할 수 있음을 시사한다. 또한, 자전거 인프라 분석은 물리적 분리가 도색된 차선이나 혼합 교통보다 낮은 가혹 운전 강도와 연관되어 있다는 실증적 근거를 제공하여, 가능한 경우 분리된 인프라를 우선시하는 것을 뒷받침한다.

저자들은 본 분석이 관찰 연구이며 인과관계를 확립할 수는 없다는 점을 강조하며 신중한 입장을 유지한다. 이들은 미측정 혼란 변수(예: 단속 강도, 사회경제적 맥격), 가변적인 GSV 캡처 날짜 대비 고정된 OSM 스냅샷의 특성, 서로 다른 OBU 장치 유형의 조화 등의 한계를 인정한다. 따라서 보고된 자전거 인프라 계수는 결정적인 인과적 순위가 아닌 특정 표본 내에서의 연관성으로 제시된다.