Unraveling Spatial Heterogeneity in Traffic Safety: A Data-Driven Typology of US Counties Using Explainable Machine Learning

국가 전체의 평균적인 건강 상태만을 보고 사람들이 왜 병에 걸리는지 이해하려고 노력한다고 상상해 보십시오. 당신은 모든 사람이 똑같은 비타민이 필요하다는 결론을 내릴 수도 있겠지만, 그것은 한 지역은 햇빛 부족으로 고통받고 다른 지역은 너무 높은 습도로 인해 어려움을 겪고 있다는 사실을 놓치는 일이 될 것입니다. 이것이 바로 교통 안전 연구의 핵심 과제입니다. 수십 년 동안 과학자들은 자동차 사고가 왜 발생하는지 알아내기 위해 "글로벌 모델"—즉, 도로의 규칙이 캘리포니아의 햇살 가득한 해안부터 노스다코타의 눈 덮인 평원까지 어디에서나 동일하다고 가정하는 수학적 레시피—를 사용해 왔습니다. 그들은 국가 전체를 도시에서의 사고와 시골 들판에서의 사고가 똑같은 원인에 의해 발생한다고 가정하는 하나의 거대하고 평평한 지도로 취급합니다. 하지만 세계 곳곳을 운전해 본 사람이라면 이것이 사실이 아님을 알고 있습니다. 열대의 비 오는 날은 북쪽의 얼어붙은 아침과는 다른 위험을 만들어냅니다. 연구자들이 던지는 근본적인 질문은 이것입니다: 우리가 국가 전체를 하나의 단일하고 균일한 덩어리로 보는 것을 멈추고, 대신 모든 개별 카운티(county)의 독특하고 숨겨진 "성격"을 볼 수 있을까?

이것이 바로 중남 대학교(Central South University)와 무한 공과대학교(Wuhan University of Technology)의 연구팀이 새로운 연구를 통해 수행하고자 했던 일입니다. 그들은 기존의 교통 데이터를 바라보는 방식이 복잡한 3D 조각상을 오직 그 평면적인 그림자만 보고 설명하려는 것과 같다고 주장합니다. 그것은 문제의 곡선, 깊이, 그리고 진정한 형태를 놓치게 만듭니다. 이를 해결하기 위해 그들은 **매니폴드 스펙트럴 SHAP (Manifold Spectral SHAP, MSS)**이라는 새로운 디지털 도구를 구축했습니다. 이 도구는 단순히 사고 횟수를 세는 것이 아니라, 사고 뒤에 숨겨진 이야기를 이해하려고 노력하는 첨단 "사고 탐정"이라고 생각하십시오. 이 도구는 **그래프 기반 PCA (Graph-based PCA)**라는 특수한 수학적 방법을 사용하여 날씨, 도로 조명, 교통 신호, 도로 곡선 등 25가지의 서로 다른 요인들로 얽힌 복잡한 매듭을 다섯 가지의 명확하고 이해 가능한 "위험 테마"로 풀어냅니다. 그런 다음, 가우시안 혼합 모델링 (Gaussian Mixture Modeling) 기술을 사용하여 미국의 2,851개 카운티를 이 테마들에 기반한 서로 다른 "사고 성격 유형"으로 분류합니다.

그 결과는 마치 대부분의 지역이 표준적인 대본을 따르고 있는 반면, 몇몇 특정 지역은 완전히 다른 영화를 찍고 있다는 사실을 발견하는 것과 같습니다. 연구는 "하나의 사이즈로 모두에게 적용되는(one-size-fits-all)" 기존의 안전 계획이 결함이 있다는 점을 밝혀냈는데, 이는 실제 위험을 숨기기 때문입니다. 예를 들어, 연구진은 북부 중서부(노스다코타와 미네소타 같은 지역)의 특정 카운티들이 독특하고 고위험군인 클러스터를 형성한다는 것을 확인했습니다. 이곳들은 단순히 "추운 곳"이 아닙니다. 이곳은 도로를 미끄럽게 만드는 블랙 아이스(black ice)와 가로등이 없는 칠흑 같은 어둠(pitch darkness)이라는 치명적인 조합이 완벽한 폭풍을 만들어내는 곳입니다. 이 지역들에서 위험은 단순히 도로 위에 차가 얼마나 많은가의 문제가 아니라, 제동을 불가능하게 만드는 결빙 온도와 낮은 가시성의 치명적인 결합에 관한 문제입니다.

반면, 캘리포니아나 오리건 같은 다른 지역들은 교통량과 물류에 의해 주도되는 다른 과제에 직면해 있으며, 여기서 주요 문제는 기상 조건보다는 교통 정체와 차량의 엄청난 양입니다. 연구는 우리가 계속해서 예전의 평평한 지도를 사용한다면, 마치 더 많은 교통 신호등을 설치함으로써 미끄러운 도로를 고치려 하는 것처럼 잘못된 장소에 잘못된 안전 도구를 보내게 될 수도 있다고 시사합니다. 이러한 숨겨진 "위험 성격"을 지도함으로써, 연구자들은 당국이 추측하는 것을 멈추고 정밀하게 안전 노력을 목표로 삼아, 적절한 솔루션이 적절한 동네에 적용될 수 있도록 돕기를 희망합니다.

결정적 발견: 모두가 같지 않다

논문은 우리가 보통 자동차 사고를 연구하는 방식의 주요 문제를 지적하며 시작됩니다. 전통적인 방법은 **선형 모델(linear models)**에 의존하는데, 이는 구름 속의 점들을 잇는 직선을 그리는 것과 같습니다. 그들은 만약 어떤 주(state)의 평균 위험도를 안다면 그 안에 있는 모든 카운티의 위험도 알 수 있다고 가정합니다. 저자들은 이것이 큰 실수라고 주장합니다. 그들은 이를 "마스킹 효과(masking effect)"라고 부릅니다. 데이터를 평균화하면, 독특하고 위험하며 특이한 지점들을 뭉개버리게 됩니다. 그것은 사막과 얼음 동굴의 온도를 평균 내는 것과 같습니다. 그 결과는 두 곳 모두를 정확하게 설명하지 못하는 "온화한" 수치가 됩니다.

저자들은 사고 메커니즘이 **공간적으로 정체되어 있다(spatially stationary)**는 생각에 명시적으로 반대합니다. 쉬운 말로, 이는 사고가 발생하는 이유에 대한 규칙이 어디에서나 동일하다는 개념을 거부하는 것입니다. 그들은 번잡한 도시 교차로에서의 사고가 눈 내리는 시골 고속도로에서의 사고와는 완전히 다른 원인에 의해 발생함을 보여줍니다. 이러한 차이를 무시함으로써, 우리는 모두가 똑같다고 생각하게 되는 "동질성 편향(homogeneity bias)"에 빠지게 되며, 결국 누구에게도 작동하지 않는 안전 계획을 만들게 됩니다.

새로운 도구: 지도를 펼치다

이를 해결하기 위해 연구팀은 영리한 트릭을 사용했습니다. 자동차 사고에 대한 데이터를 구겨진 종이 조각이라고 상상해 보십시오. 종이가 구겨진 상태에서 글자를 읽으려고 하면 엉망진창이 됩니다. 그래프 기반 PCA는 그 종이를 찢지 않으면서도 진정한 평평한 표면을 드러내기 위해 조심스럽게 펼치는 것과 같습니다. 이 방법은 카운티가 이웃과 어떻게 연결되어 있는지(그래프처럼)를 살펴보고, 데이터가 실제로 따르고 있는 숨겨진 곡선 형태(매니폴드)를 찾아냅니다.

데이터를 펼친 후, 그들은 SHAP(AI가 결정을 내리는 방식을 설명하는 도구)을 사용하여 발견한 다섯 가지 숨겨진 차원에 이름을 붙였습니다. 단순히 "날씨"나 "도로"를 보는 대신, 그들은 다섯 가지 구체적인 "위험의 맛(risk flavors)"을 찾아냈습니다:

1. 조명 제약 (Lighting Constraints): 어둠과 낮은 가시성이 사고에 미치는 영향.
2. 도시 교통 갈등 (Urban Traffic Conflicts): 번잡한 도시 교차로와 보행자의 혼란.
3. 대기 습도 (Atmospheric Moisture): 비, 안개, 습도로 인한 위험 (단, 결빙은 제외).
4. 고위험 기하학적 위험 (High-Severity Geometric Risks): 사고 빈도는 높지 않더라도 심각한 부상을 초래할 수 있는 위험한 도로 형태.
5. 열역학적 겨울 위험 (Thermodynamic Winter Hazards): 얼음, 눈, 결빙 온도로 인한 특정한 위험.

발견: 다섯 가지 유형의 사고 카운티

이 다섯 가지 "맛"을 사용하여, 연구진은 미국의 모든 카운티를 서로 다른 그룹, 즉 **유형론(typologies)**으로 분류했습니다. 그들은 미국이 균일한 안전 지형이 아니라, 서로 다른 위험 구역들이 모인 조각보와 같다는 것을 발견했습니다.

• 국가 기준점 (Cluster 0): 동부 해안, 남부, 서부 해안을 포함한 대부분의 국가는 이 "녹색" 구역에 속합니다. 이곳은 교통 흐름이 비교적 원활하고 위험이 표준적인 "정상적인" 카운티들입니다. 이것이 현재 대부분의 안전 정책이 구축되어 있는 기준점입니다.
• 북부 고위험 이상치 (Cluster 3): 이것이 큰 발견입니다. 연구진은 노스다코타, 사우스다코타, 네브래스카, 미네소타의 카운티들이 단순히 "조금 더 위험한" 수준이 아니라, 완전히 다른 범주에 속해 있음을 발견했습니다. 그들은 이 지역들에서 특정한 치명적 조합을 식별했습니다: 열역학적 불안정성(블랙 아이스)과 인프라 결핍(가로등 부족)의 결합입니다.
  • 논문은 **캐스 카운티(Cass County)**와 같은 곳에서 블랙 아이스로 인해 도로의 마찰력이 불과 몇 분 만에 정상 수치인 0.8에서 0.1 미만으로 떨어질 수 있음을 강조합니다.
  • 이 미끄러운 도로를 완전한 어둠(가로등이 없기 때문) 및 고속 트럭과 결합하면, 제동을 불가능하게 만드는 "치명적인 결합"이 발생하여 독특한 고위험 환경을 조성합니다.
  • 연구는 Cluster 3가 이러한 결빙 날씨와 열악한 조명의 특정한 혼합으로 정의되며, 이는 미국의 다른 지역에는 존재하지 않는 위험 프로필을 만든다고 명시합니다.

저자들은 또한 사우스다코타가 북부의 극한 지역과 나머지 국가 사이의 "전이적(transitional)" 사례로서, 인프라나 교통 패턴의 작은 변화만으로도 지역이 다른 위험 범주로 이동할 수 있음을 보여준다고 밝혔습니다.

이것이 왜 중요한가

이 논문은 국가 전체를 하나의 커다란 평균 안전 구역으로 취급하는 기존의 방식이 우리를 실패하게 만들고 있다고 시사합니다. 이 새로운 데이터 기반 지도를 사용함으로써, 우리는 Cluster 3가 Cluster 0와는 완전히 다른 전략을 필요로 한다는 것을 알 수 있습니다.

• "정상적인" 카운티들의 경우, 교통 신호등과 혼잡에 관한 표준 규칙이 잘 작동할 수 있습니다.
• 하지만 "블랙 아이스" 카운티들의 경우, 논문은 우리가 특화된 겨울 이동성 전략을 필요로 한다고 제안합니다. 여기에는 더 나은 도로 기상 정보 시스템, 자동 제빙 기술, 그리고 얼음 위에서 멈추는 데 필요한 추가 거리를 고려한 도로 설계가 포함됩니다.

연구는 우리가 주 단위의 평균치에 의존하여 안전 결정을 내리는 것을 더 이상 지속할 수 없다고 결론짓습니다. "평균적인" 주는 일부 카운티가 정밀하게 타겟팅된 솔루션을 요구하는 독특하고 생명을 위협하는 상황에 처해 있다는 사실을 은폐합니다. 이러한 숨겨된 패턴을 인식함으로써, 우리는 "하나의 사이즈로 모두에게 적용되는" 방식에서 벗어나, 실제로 생명을 구할 수 있는 "정밀 안전(precision safety)" 모델로 나아갈 수 있습니다.