스트리트 뷰의 의미론적 시각 특징을 활용한 교통 안전 모델링을 위한 통합 인과 추론 프레임워크

An Integrated Causal Inference Framework for Traffic Safety Modeling with Semantic Street-View Visual Features

거시적 교통 안전 모델링은 지역 내 교통사고의 주요 위험 요인을 식별하여, 안전 향상을 위한 표적화된 정책 개입의 근거를 제공하는 것을 목표로 한다. 그러나 현재의 접근법들은 정적인 사회인구학적 지표와 인프라 지표에 크게 의존하고 있어, 주행 환경에 대한 운전자의 시각적 인식이 미치는 영향을 자주 간과한다. 시각적 환경 특징이 운전 및 교통사고에 영향을 미친다는 사실이 밝혀졌음에도 불구하고, 기존의 증거는 주로 관찰 연구에 머물러 있어 복잡한 공간 환경 하에서 교통 정책 평가를 위한 강력한 인과관계를 규명하지 못하고 있다. 이러한 공백을 메우기 위해, 본 연구에서는 구글 스트리트 뷰 이미지에 의미론적 분할(semantic segmentation)을 적용하여 시각적 환경 특징을 추출하고, 이것이 지역 교통사고에 미치는 인과적 영향을 정량화하는 이중 기계 학습(Double Machine Learning) 프레임워크를 제안하였다. 한편, 모델 내 교란 변수들의 비선형적 영향 메커니즘을 특징짓기 위해 SHAP 값을 활용하였으며, 조건부 평균 처치 효과를 추정하기 위해 인과 숲(causal forests)을 적용하였다. 플로리다주 마이애미 대도시권의 교통사고 기록과 22만 장의 스트리트 뷰 이미지를 활용한 결과, 녹지 비율이 교통사고에 유의미하고 강력한 음(-)의 인과 효과를 미친다는 증거를 확인하였다(평균 처치 효과 = -6.38, p = 0.005). 이러한 보호 효과는 공간적 이질성을 보이며, 인구 밀도가 높고 사회적으로 취약한 도심 지역에서 가장 뚜렷하게 나타났다. 녹지는 직각 충돌 및 추돌 사고를 크게 완화하지만, 교통약자(VRU)에 대한 보호 이점은 여전히 제한적이다. 본 연구의 결과는 녹화(greening)가 잠재적인 안전 개입 방안이 될 수 있음을 보여주는 인과적 증거를 제공하며, 위험한 시각적 환경의 개선을 우선시하는 동시에 교통약자 보호를 위한 별도의 설계 최적화가 필요함을 시사한다.

Macroscopic traffic safety modeling aims to identify critical risk factors for regional crashes, thereby informing targeted policy interventions for safety improvement. However, current approaches rely heavily on static sociodemographic and infrastructure metrics, frequently overlooking the impacts from drivers' visual perception of driving environment. Although visual environment features have been found to impact driving and traffic crashes, existing evidence remains largely observational, failing to establish the robust causality for traffic policy evaluation under complex spatial environment. To fill these gaps, we applied semantic segmentation on Google Street View imageries to extract visual environmental features and proposed a Double Machine Learning framework to quantify their causal effects on regional crashes. Meanwhile, we utilized SHAP values to characterize the nonlinear influence mechanisms of confounding variables in the models and applied causal forests to estimate conditional average treatment effects. Leveraging crash records from the Miami metropolitan area, Florida, and 220,000 street view images, evidence shows that greenery proportion exerts a significant and robust negative causal effect on traffic crashes (Average Treatment Effect = -6.38, p = 0.005). This protective effect exhibits spatial heterogeneity, being most pronounced in densely populated and socially vulnerable urban cores. While greenery significantly mitigates angle and rear-end crashes, its protective benefit for vulnerable road users (VRUs) remains limited. Our findings provide causal evidence for greening as a potential safety intervention, prioritizing hazardous visual environments while highlighting the need for distinct design optimizations to protect VRUs.