도로교통공단에 따르면 국내 고령인구 및 비중은 계속 증가하고 있으며 2023년 기준 고령인구(65세이상)는 18.4%로 고령화 사회가 아닌 이미 고령사회로 자리 잡았다. 2025년 이후에는 고령인구 비중이 20%를 넘어 초고령사회로 진입한다고 전망하고 있다. 65세 기대여명은 OECD평균 남성 17.8년 여성 21.2년이지만 우리나라는 남성 19.2년, 여성 23.6년으로 OECD평균 보다 높게 측정되고 있어 초고령사회로 들어서는 것이 불가피해 보인다. 또한, 2020년 기준 우리나라 65세 이상 고령인구 교통사고 사망자 비율은 43.6%로 OECD 국가 평균 26.5%보다 높았으며 일본에 이어 두 번째로 높게 나타났다.

이처럼 초고령사회를 대비하여 노인보행자 사고를 줄일 수 있는 연구가 필요하며 고령인구 교통사고 사망자 비율이 40%를 넘어가는 만큼 사고의 요인을 분석할 필요가 있다.

본 연구는 특별시 및 6개 광역시에서 발생한 노인보행자 교통사고 심각도를 분석하여 영향을 미치는 요인을 알아보고자 한다.

머신러닝 시장의 규모가 매년 성장함에 따라 다양한 기업에서도 머신러닝을 연구하고 개발하고 있다. 통신산업, 방위산업 등 다양한 분야에서 활용되고 있는 만큼 교통분야에서도 연구에 머신러닝 기법을 적용해야 할 필요가 있다. 따라서 본 연구에는 2가지 머신러닝을 비교 분석하여 더 좋은 기법의 머신러닝을 채택하여 심각도 모형을 구축하고 노인보행자 사고 심각도를 분석하고자 한다.

본 연구는 TAAS에서 얻을 수 있는 2020년부터 2022년까지의 총 3년간의 자료를 바탕으로 특별시 및 6개 광역시에서 발생한 노인보행자 사고를 분석한 결과 XGBoost기법의 머신러닝이 본 연구에서 더 좋은 성능을 보였으며 이를 활용하여 사고 심각도에 미치는 요인을 분석하였다.

변수중요도를 분석하기 위해 SHAP 패키지를 활용했으며 plot으로 시각화하였다. 분석결과, 노인보행자 사고 심각도가 높아지는 것에 영향을 미친 변수는 횡단 중인 보행자일 경우, 야간시간대일 경우, 가해 운전자 차종이 화물차, 건설기계일 경우, 과속과 기타 방법으로 인한 법규위반일 경우, 도로형태가 교차로횡단보도내일 경우로 분석되었다.

본 연구는 특별시 및 6개 광역시에 발생한 노인보행자 교통사고 데이터를 수집하고 머신러닝을 활용해 노인보행자 사고 심각도를 구축하고 이를 통해 교통사고 심각도를 증가시키는 요인을 도출해 냈다는 점에서 의의가 있다. 향후 노인보행자 사고 심각도를 개선하는 사업 등의 자료로 활용할 수 있기를 바란다.