1. 서 론
최근 기상기술의 발전으로 단기예보 정확도가 향상되었음에도 불구하고 기후변화로 인핸 복잡⋅대형화되는 기상재해로 사회⋅경제적 피해는 지속적으로 증가하고 있다(Jo et al., 2021). 우리나라의 대표적인 자연재해로는 태풍, 홍수, 가뭄, 대설 등으로 이루어져 있으며, 재해연보(MPSS, 2018)에 의하면 2009년부터 2018년 동안 자연재해로 인해 발생한 재산피해는 2018년 환산 가격으로 3조 6,280억 원으로 집계되었고, 피해복구비용으로는 7조 7,094억 원으로 피해액 대비 복구비 집계는 약 2배이다. 이 중 대설피해의 경우 우리나라에서 태풍 및 호우 다음으로 두 번째로 피해가 많은 자연 재해임에도 불구하고 상대적으로 대설피해 저감에 대한 연구는 미흡한 실정이다. 대설피해의 경우 직접피해와 간접피해로 나뉜다. 우리나라의 경우 직접피해에 해당하는 비닐하우스 피해가 가장 큰 관심거리이지만 간접피해에 해당하는 교통피해 또한 대설피해에 큰 영향을 미친다. 일반적으로 교통 혼잡을 크게 반복적 발생 혼잡과 비 반복적 발생 혼잡으로 구분하고 비 반복적 발생 혼잡은 발생 원인에 따라 교통사고, 강우, 적설, 도로 공사 등으로 구성한다(Lee and Chung, 2018). 적설의 교통 혼잡은 적설에 의해 비 반복적으로 발생하는 교통 지⋅정체를 의미하며, 적설로 인한 우리나라의 일반국도 및 지방도의 적설로 인해 발생하는 교통혼잡비용은 연간 약 2,000억 원이 발생하고 있다.
기존 대설에 관한 연구를 살펴보면 Kim (2001)은 2001년도의 대설피해 현황을 조사하고, 피해를 입은 시설물에 대한 피해액과 복구비를 분석하였다. 이에 대한 시설물의 보완 대책과 대설피해를 최소화하는 방안을 제시하였다. 또한 Kwon and Chung (2017)은 다중회귀모형을 이용하여 대설피해액 추정을 위한 모형을 개발하여 그 적용성을 검토하였다. 대설피해에 관한 연구는 다수 진행되고 있으나 직접피해에 해당하는 대설피해액 예측을 위한 연구가 진행되고 있고 대설 피해 중 간접피해에 해당하는 연구는 미비한 상황이다.
행정안전부 재난안전통계를 분석한 결과 2005년부터 2014년까지 강원도 재난재해 피해액은 1조 9,255억 원이며, 전국 평균의 4.5배, 전국 대비 28% 점유하고 있다. 또한 강원도에서 적설에 의한 영향은 적설 하중에 따른 시설물 붕괴 및 산사태, 선박 침몰, 항공 결항, 낙상사고, 교통사고 등의 1차적 피해를 비롯하여, 시설물 붕괴에 의한 가축 폐사, 산사태에 의한 등산사고, 미 제설에 의한 휴업과 마을 고립, 그리고 이로 인한 경기악화 등 간접적인 2차, 3차 피해까지 헤아릴 수 없을 정도로 많은 분야에 연관되어 있다(Jo et al., 2021). ‘2018년 평창 동계올림픽’ 개최 대비를 위한 강원도 도로제설 관련 시⋅군 담당부서 및 유관기관 자문결과, 아직 지역적 교통과 기상상황 연계 및 도로 상황에 대한 대처방안이 미비하며, 적설시간대에 따른 도로교통 변화 정보가 시급하다고 하였다. 지역적인 도로교통조건을 예측하고, 도로제설 우선순위를 미리 설정할 수 있다면 제설장비의 효율성을 보다 높일 수 있을 것이라 발표했다(GROM, 2017). 따라서 본 연구에서는 위와 같이 강원도 지역의 도로 결빙으로 인해 발생하는 피해를 저감하고자 대상지역을 강원도로 선정하여 연구를 진행하였다. 도로교통공단에서 제공하는 도로 상태가 서리 및 결빙인 구간에서 발생한 2007년부터 2018년까지 강원도에서 발생한 사고 데이터를 이용하여 피해 유무 예측기술을 개발하였다.
2. 자료구축 및 분석방법
2.1 방법론
로지스틱 회귀는 영국의 통계학자인 D. R. Cox가 1958년에 제안한 확률 모델로서 독립 변수의 선형 결합을 이용하여 사건의 발생 가능성을 예측하는데 사용되는 통계 기법이다. 로지스틱 회귀의 목적은 일반적인 회귀 분석의 목표와 동일하게 종속 변수와 독립 변수간의 관계를 구체적인 함수로 나타내어 향후 예측 모델에 사용하는 것이다. 이는 독립 변수의 선형 결합으로 종속 변수를 설명한다는 관점에서는 선형 회귀 분석과 유사하다. 그러나 로지스틱 회귀는 선형 회귀 분석과는 다르게 종속 변수가 범주형 데이터를 대상으로 하여 입력 데이터가 주어졌을 때 해당 데이터의 결과가 특정 분류로 나뉘기 때문에 일종의 분류 기법으로도 볼 수 있다. 본 연구에서는 이항형 로지스틱 회귀 분석을 이용하여 어떤 기상조건이 주어졌을 때 피해발생여부를 예측할 수 있는 모델을 개발하고자 하였다. 이항형 로지스틱 회귀분석은 종속변수가 0, 1만의 값을 갖는 가변수(Dummy variable)인 경우 y의 기댓값을 나타내는 반응함수의 모양이 S형 곡선을 그리는 경우가 실제로 많이 나타난다. 이 반응함수는 x가 증가함에 따라 E(y)의 값이 1로 서서히 수렵하는 양상을 보인다. 이와 같은 함수를 로지스틱 함수라 부른다. Fig. 1은 로지스틱 회귀분석 구조를 나타내었다.
2.2 대상유역 선정
강원도의 인구는 2021년 기준 약 155만 명에 불과하지만 2014년 기준으로 연간 약 1억 명이 강원도를 여가, 휴가, 행사참여 등의 이유로 방문하고 있으며, 관광으로 대표되는 사회간접 자본 및 기타서비스업에 종사하는 인구의 비율이 80% 가량으로 압도적으로 높다. 또한 1990년부터 2016년까지 신문보도 핵심어 분석에 의하면, 강원도에서 적설에 의한 대부분의 영향은 ‘제설’ 내용 102건을 포함하여, 80% 이상이 ‘도로교통’ 내용과 직⋅간접적으로 연관되어 있다고 보고하였다(GROM, 2017). 대설로 인해 발생하는 간접피해 발생 시 큰 피해를 야기할 수 있는 지역을 강원도라고 판단하여 모형 개발 대상유역을 강원도 지역으로 선정하였다.
도로교통공단에서 제공하는 노면상태가 서리 결빙인 교통사고 데이터를 분석한 결과 경기도 6,896건, 서울광역시 3,158건, 경상북도 1,954건, 강원도 1,786건으로 많은 교통사고 피해가 발생하였다. 그러나 본 연구에서 수집한 기상자료는 종관기상관측장비인 ASOS 관측 장비이며, 피해가 많은 지역에 ASOS 관측 장비는 경기도 5개, 서울광역시 2개로 그친다. 그러나 강원도 지역의 경우 ASOS 관측 장비는 15개로 분포되어 있으며, 전국 시⋅도 중 가장 많은 ASOS 관측소를 보유하고 있어 관측소가 적은 다른 지역에 비해 피해발생 지역의 신뢰성 높은 기상자료 수집이 가능할 것으로 판단되었고, 지역 기상특성을 충분히 반영가능 할 것으로 판단되었다. 따라서 본 연구에서는 예측모형을 개발하여 적용할 대상유역을 강원도로 선정하였고, Fig. 2는 도로교통공단에서 제공한 노면상태가 서리 결빙인 교통사고 시⋅도별 집계 데이터를 나타냈고 Fig. 3은 시⋅도별 ASOS 종관기상관측장비 개소 개수를 나타냈다.
2.3 데이터 수집 및 정리
본 연구에서 종속변수로 활용한 노면상태가 서리 결빙인 교통사고 자료를 살펴보면 강원도 지역의 피해 발생 수는 1,786개이다. 강원도에 위치한 지역 중 원주시와 춘천시를 제외한 나머지 시군구의 피해 발생 수는 150개미만으로 강원도의 각 시군구별로 피해 발생 유무 모형개발은 불가능한 것으로 판단되어 강원도 전체 지역을 대상으로 모형을 개발하고자 하였다. 가장 많은 피해 발생 지역은 원주시 352건, 춘천시 277건, 강릉시 132건 순으로 나타났다. Fig. 4와 Table 1은 강원도 지역 시군구별 노면상태가 서리 결빙인 교통사고 피해 발행 현황을 나타냈다.
Table 1
Number of Damage in Gangwon-do
본 연구에서는 노면 상태가 서리 결빙으로 인한 피해 발생 유무 예측 모형을 개발하고자 하였다. 그러나 선행연구에서 다수 진행됐던 수치형으로 예측하는 피해액 예측과는 달리 이항형 로지스틱 회귀분석을 이용해 2개의 종속변수 즉 피해 유무 발생 예측을 목적으로 종속 변수로 활용한 교통사고 데이터 이외 피해가 발생하지 않았던 데이터를 모형 개발 시 포함시켜야 한다. 따라서 Table 2와 같이 피해 발생 날짜에 해당하는 시군구 이외에 나머지 강원도 시군구 데이터를 피해가 발생하지 않은 표본으로 포함하여 피해가 발생하지 않은 표본으로 활용하였다.
Table 2
Dependent Variable Data Processing
도로 노면에 영향을 줄 수 있는 기상조건을 설정하여 본 모형의 독립변수로 활용하였다. 최저기온, 강수량, 평균 이슬점 온도, 평균 상대습도, 일 최심신적설, 일 최심적설, 3시간 신적설 총 7가지 기상변수를 활용하였으며, 피해 발생 시기인 1월부터 4월, 11월부터 12월인 것을 고려하여 강수량과 적설량을 같이 독립변수로 활용하였다. Table 3은 모형에 사용한 독립변수를 설명하였다.
Table 3
Independent Variable Description
피해가 발생된 강원도 지역의 경우 총 18개 지역으로 앞서 제시했던 Fig. 3과 같다. 그러나 전국 시⋅도 중 가장 많은 ASOS 관측소를 보유하고 있음에도 불구하고 강원도 지역에 분포한 ASOS 관측장비는 총 15개로 관측소가 없는 지역에 피해가 발생 시 기상자료 수집이 불가능하다. 따라서 피해 발생 지역의 관측소가 부재한 경우 해당 지역과 가장 가까운 지역의 관측소를 활용하여 독립 변수 데이터를 구축하였다.
본 연구에서 개발한 모형에 사용된 독립변수는 피해가 발생한 표본의 날짜 기준으로 최저기온, 강수량, 평균 이슬점 온도, 평균 상대습도, 일 최심신적설, 일 최심적설, 3시간 신적설 데이터를 이용하였다. 모형 구축 전 두 변수 간에 인과관계를 살펴보기 위하여 회귀분석을 하는 경우, 회귀분석에 앞서 두 변수에 대하여 상관분석을 함으로써 두 변수가 동일하거나 매우 높은 수준의 상관관계가 있는 경우 변수 선택이 잘못되었음을 확인할 수 있다. 상관분석은 두 변수간의 선형의 관계가 있는지를 분석하는 기법으로, 상관분석의 결과로 도출 되는 상관계수(Correlation Coefficient)는 – 1~+ 1의 범위를 가지는 숫자로 두 변수의 직선성의 관계를 표현한다. 상관계수가 크면 두 변수간의 직선성이 매우 높고 상관계수가 낮으면 두 변수간의 직선성이 약하다는 것을 의미한다. 그러므로 본 연구에서 사용한 독립변수들 간의 상관관계를 분석하여 Fig. 5에 나타내었다. 종속변수인 피해발생 유무와는 상대습도(0.15), 일 최심적설(0.13), 3시간 신적설(0.09) 등의 순으로 상관관계가 높은 것으로 나타났다.
3. 분석 및 결과
본 연구에서는 강원도에서 도로 노면 상태가 서리 및 결빙으로 인해 피해가 발생했을 당시의 데이터를 바탕으로 해당 시점의 기상변수가 존재 할 시 피해발생 유무 예측 모델을 개발하고자 하였다. 모형에 사용한 표본의 개수는 총 12,686개이며, 독립변수는 총 7가지 기상변수를 사용하였다. 총 표본의 개수를 100%로 볼 때 모형 구축을 위한 자료로 70%를 활용하고, 예측력 평가를 위한 자료로 30%를 활용하였다. 이와 같은 과정을 수행하는 이유는 전체 자료를 모두 포함하여 예측력 평가를 실시할 경우 예측력의 값이 항상 높게 나오기 때문에 예측력 평가를 수행하는 의미가 없다. 따라서 본 연구에서 개발한 모델은 2007년부터 2018년까지 발생한 도로 노면 상태로 인해 발생한 교통사고 피해 데이터를 모델 구축용 표본(8,880개)과 예측을 위한 표본(3,806개)으로 분류하여 로지스틱 회귀분석을 실시하였다.
개발한 모형은 7가지 기상변수를 활용하였으며, 모형 결과에 긍정적인 영향을 미치는 최적의 변수 조합을 찾아내기 위해 후진제거법(Backward Elimination)을 이용하여 순차적으로 변수 제거 후 모형을 구축하였다. 또한 비교를 위해 상관관계 분석 결과를 통해 종속변수와 상관관계가 높은 변수를 선택하여 모형 구축 후 비교분석하였다. 모형의 성능 평가를 위해 사용한 AUC는 Area Under the Curve 또는 Area Under the ROC Curve의 약자이며, 곡선 아래 면적이라 뜻을 가지고 있다. ROC 곡선 아래 부분의 넓이 값이 이진 분류기의 성능을 평가하는데 사용된다. 일반적인 기준선은 0.5를 나타내는데, 이 기준선보다 왼쪽 위로 곡선이 형성되어야 의미 있는 검사법이며, 1.0일 때 가장 완벽한 성능을 보이는 모형이라고 할 수 있다. 일반적으로 AUC가 0.8 이상이면 훌륭한 성능을 가진 이진분류기라고 평가한다. 상관분석을 통해 얻은 상관계수는 상관관계 분석에서 종속변수와 독립변수 간에 선형 관계의 정도를 수치형화하는 측도이다. 일반적으로 상관계수 값이 0에 가까울수록 선형 관계가 약해지며 두 변수간의 상관관계가 없다고 볼 수 있다.
분석 결과 후진제거법을 이용해 최적의 변수를 사용한 Fig. 6 그래프를 보면 최적 확률이 0.120임을 제시하고 있다. 즉, 확률 0.120 이상이면 피해가 발생할 것을 예측하고 있고 이때 AUC3 는 0.670을 나타냈다. 상관관계를 통해 종속변수와 상관관계가 높은 변수를 선택하여 분석한 결과 그래프 Fig. 7 그래프를 보면 피해가 발생할 최적 확률은 0.137로 높아졌지만 AUC3 는 0.659를 나타냄으로써 변수선택법을 사용해 개발한 모형 즉 최저기온, 강수량, 평균 이슬점 온도, 최심적설 변수를 사용해 구축한 모형이 더 유의미한 결과를 나타냈다고 볼 수 있다. Table 4 모형의 예측력을 비교하여 나타냈다.
Table 4
Campare Results
4. 결 론
현재 대설로 인해 발생하는 피해 중 직접피해 뿐만 아니라 간접피해가 가중되고 있는 추세이다. 따라서 본 연구에서는 도로교통공단에서 제공하는 도로 상태가 서리 및 결빙인 구간에서 발생한 2007년부터 2018년까지 강원도에서 발생한 사고 데이터와 로지스틱 회귀분석을 이용하여 해당 시점의 기상변수가 존재 할 시 피해발생 유무 예측 모델을 개발하고자 하였다. 기상자료 개방포털에서 제공하는 ASOS 종관기상관측장비를 이용하여 독립변수들의 기상변수(최저기온, 일 강수량, 평균 이슬점 온도, 평균 상대습도, 일 최심신적설, 일 최심적설, 3시간 신적설)를 수집하였고, 사고 데이터와 사고가 발생하지 않은 데이터를 가공하여 종속변수를 활용하여 모형을 구축하였다. 대상지역은 타지에서 유입되는 인구가 많고, 국가적인 행사 또는 관광객이 집중되는 지역이며, 우리나라 시⋅도 중 가장 많은 ASOS 종관기상관측장비를 보유하고 있는 강원도 지역을 대상지역으로 선정하였다.
본 연구에서 개발한 모형은 로지스틱 회귀분석을 이용하여 개발한 이항형 예측 모델이다. 즉 피해발생지역의 기상변수를 이용해 피해 발생유무를 예측하였다. 개발한 모형은 2가지로 변수선택법을 이용해 최적의 변수를 선택하여 개발한 모형과 상관분석을 통해 종속변수와 상관관계가 높은 변수를 추출해 개발한 모형을 서로 비교분석하였다. 분석결과 변수선택법을 거친 모형의 AUC3 는 0.670을 나타냈고 종속변수와 상관관계가 높은 변수로 개발한 모형의 AUC3 는 0.659를 나타냈다. 상관분석을 통해 일 강수량, 평균 상대습도, 일 최심신적설, 일 최심적설, 3시간 신적설 변수가 종속변수와 상관관계가 높은 것으로 판단되지만 모형 개발 결과를 보면 결과적으로 최저기온, 일 강수량, 평균 이슬점 온도, 일 최심적설 변수를 사용하여 모형을 개발했을 때 결과가 더 유의미한 결과를 나타냈다고 볼 수 있다. 일반적으로 AUC 수치는 0.5에서 0.7을 나타내는 경우 분석에 도움이 되는 이진분류기라고 평가받고 있다.
본 연구는 대설로 인해 발생하는 간접피해 즉 도로결빙으로 인해 발생하는 인명피해 데이터를 이용해 연구를 진행하였다. 초기 연구로 변수 선택 시 도로 결빙에 영향을 줄 수 있는 기상변수 데이터만 활용했기 때문에 강원도 시군구의 행정구역 특성을 반영하지 않았다. 추후 대상지역 범위를 넓히고, 각 지역의 특색을 반영 가능한 변수를 선택 및 추가하여 모형을 개발한다면 본 연구에서 개발한 모형에 비해 성능 좋은 모형이 개발될 것으로 기대된다. 또한 도로 제설 우선지역 순위를 결정하여 사전에 피해를 저감할 수 있는 정책 방안이 제언될 것이라고 생각된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
