서울시 안전속도 5030 정책, 도로단위 이질적 정책효과 분석
Road-Level Analysis of Heterogeneous Treatment Effects of Seoul’s Safe Speed 5030 Policy
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
안전속도5030 정책은 도시지역 보행자 사고를 줄이기 위해 주요 도로는 시속 50km, 이면도로는 시속 30km로 제한하는 방안이다. 기존 연구에서는 정책 시행 후 보행자 사고 사망자 수의 감소 등 긍정적인 효과가 확인되었으나, 일부 지역에서 교통 혼잡이 부각되어 2023년 경찰청이 특정 구간 해제를 논의하였다. 본 연구는 공간적 이질성을 고려한 비모수 기법(Causal ForestDML)을 통해 서울시 도로 특성에 따른 안전속도 5030의 이질적 정책효과를 정교하게 추정하고, 이를 기반으로 서울시 도로 축별 맞춤형 안전 정책을 제시하는 데 목적이 있다. 2020~2021년 TAAS에 집계된 서울시 교통사고 데이터를 분석한 결과, 일부 도로에서는 중상이상 사고나 Equivalent Property Damage Only 지수가 상승하는 역효과가 나타난 반면, 보행자·교통약자 사고에서는 중상이상 사고가 유의미하게 감소하였다. 이는 도로 구조·교통량 등 특성에 따라 정책의 사고심각도 절감 효과가 상이함을 시사하며, 맞춤형 도로 관리와 보행자 중심 정책이 필요성을 강조한다. 본 연구에서 활용한 Causal Forest DML 방법론은 전통적인 회귀분석이나 성향점수매칭 방법과 달리 도로별 이질적 효과를 정밀하게 포착하고, 복잡한 비선형 관계를 학습할 수 있어, 향후 교통안전 정책의 효과 평가 및 맞춤형 정책 설계에 유용한 분석 틀을 제공할 것으로 기대된다.
Abstract
Korea's Safety Speed 5030 policy is a measure that limits the speed to 50 km/h on main roads and 30 km/h on side streets to reduce pedestrian accidents in urban areas. Previous studies have confirmed positive effects such as a decrease in pedestrian fatalities after the policy implementation; however, traffic congestion has become prominent in some areas, leading the National Police Agency to discuss lifting the policy in specific sections in 2023. This study aims to precisely estimate the heterogeneous policy effects of Safety Speed 5030 according to road characteristics in Seoul using a nonparametric method (Causal Forest DML) that considers spatial heterogeneity, and to propose customized safety policies for different road corridors in Seoul based on these findings. Analysis of Seoul traffic accident data collected by TAAS from 2020 to 2021 revealed that while some roads showed adverse effects with increases in serious injuries or the Equivalent Property Damage Only index, there was a significant decrease in serious injuries in pedestrian and vulnerable road user accidents. This suggests that the policy's effectiveness in reducing accident severity varies depending on road structure, traffic volume, and other characteristics, emphasizing the need for customized road management and pedestrian-centered policies. The Causal Forest DML methodology used in this study, unlike traditional regression analysis or propensity score matching methods, can precisely capture heterogeneous effects across different roads and learn complex nonlinear relationships, providing a useful analytical framework for evaluating the effectiveness of traffic safety policies and designing customized policies in the future.