Discovering and Preventing Black Ice Using AI and Big Data

기본-RR-21-08
AI․빅데이터 기반 도로
살얼음(블랙아이스) 진단 및 대응 방안
Discovering and Preventing Black Ice using AI and Big Data
박경욱ㆍ조범철
※ ‘서문’ 면이 홀수 페이지부해 비워 둡니다.
서 문
도로 살얼음은 겨울철에 어김없이 우리에게 찾아옵니다. 많은 운전

자가 이를 알고 있지만, 도로 살얼음 사고는 매년 반복되고 있습니다.
운전자가 부주의한 탓으로만 돌릴 수도 없습니다. 도로 살얼음은 누구
도 예상하기 어렵기 때문입니다. 예상할 수 있다고 해도 대처가 쉽지
않습니다. 눈으로 식별하기도 어렵습니다.
대처가 어렵다고 손 놓고 있을 수도 없습니다. 도로 살얼음 사고는
운전자에게 치명적이기 때문입니다. 노면상태가 결빙인 상태에서 발
생한 교통사고의 치사율은 3.0%로 전체 교통사고 치사율보다 약 두 배
높은 것으로 알려져 있습니다. 이번 연구에서 표본조사한 결과에 따르
면, 도로 살얼음 사고가 발생하면 평균 7.5명이 죽거나 다치는 것으로
나타났습니다. 도로 살얼음 사고가 대형사고로 이어질 가능성이 높다
는 뜻입니다. 예상하기 어려운 도로 살얼음 사고는 위험하기까지 합니
다. 해결할 수 있는 방법을 찾아야 합니다.
이번 연구는 도로 살얼음 사고로 희생되는 국민이 없어야 한다는 절
박함에서 시작되었습니다. 연구 여건은 녹록치 않습니다. 도로 살얼음
과 관련하여 축적되어 있는 기초데이터는 찾아보기 어렵습니다. 그래
서 이번 연구에서 기초데이터를 수집하는 것부터 시작했습니다. 언론
기사를 통해 도로 살얼음 사고정보를 수집했고, 설문조사를 통해 운전
자들의 인식도 조사했습니다. 주요국의 사례를 살펴보면서 우리에게
도움이 될만한 내용들도 수집했습니다.
이번 연구의 핵심내용은 도로 살얼음 진단에 활용될 수 있는 진단모
형을 개발하는 것입니다. 고속도로에서 수집된 기상 데이터와 노면온
․
도 데이터를 활용하여 AI 빅데이터 기반의 노면온도 추정모형을 구
현하였습니다. 노면온도가 영하로 떨어지는 시점을 알 수 있으면, 제
설제 살포시점 예측 등 겨울철 도로의 유지관리계획을 수립하는데 유
용합니다.
본 연구결과를 토대로 도로 살얼음 사고예방에 필요한 정책제언도
제시하였습니다. 먼저 도로 살얼음 관련 기초자료 수집체계를 강화하
고, 지형별로 제설제 예비살포 기준을 구분하여 적용해야 하며, 운전
면허 시험 등 교육과정을 강화하는 제도적 차원의 개선이 필요합니다.
다음으로 지속적인 연구개발을 통해 도로 살얼음 관리시스템을 구축
하고, 현장에 적용하기 전 검증과정을 통해 시스템의 성능을 점검해야
합니다. 마지막으로 도로 살얼음 사고가 가장 많이 발생하는 1월과 출
근시간대에 관리를 강화하고, 도로 살얼음 예보를 시작해야 합니다.
이번 연구를 위해 많은 분들이 지원을 아끼지 않았습니다. 민자기업
세 곳에서는 모형개발에 필요한 데이터를 제공해 주셨습니다. 또한 각
계각층의 전문가께서 소중한 의견을 주셨습니다. 이번 기회를 계기로
감사의 말씀을 전합니다. 우리나라는 올해 국제연합무역개발회의에서
회원국들의 만장일치로 선진국으로 지위가 격상되었습니다. 교통안전
후진국이라는 오명을 씻고, 우리나라의 국격에 어울리는 교통문화를
만들어 나가는데 이번 연구가 활용되기를 기대합니다.
2021년 10월
한국교통연구원
원장 오 재 학
차 례
요 약 ·····························································································xv
제1장 서론 ··························································································1
제1절 연구의 배경 및 필요성 ·······················································1

제2절 연구의 목적 및 수행방법 ····················································4
제3절 선행연구 검토 및 차별성 ····················································7
제2장 도로 살얼음 사고 현황 ····························································10
제1절 도로 살얼음 사고 통계 현황 ············································10

제2절 언론기사를 통해 살펴본 도로 살얼음 사고의 특징 ·······14
제3절 도로 살얼음에 대한 운전자 인식 설문조사 ····················23
제3장 국내외 도로 살얼음 대응 현황 ················································42
제1절 도로 살얼음 순찰 및 사고조사 체계 ·····························42

제2절 국내 도로관리청별 제설 대응 ········································46
제3절 국내 도로관리청별 도로 살얼음 대책 ·····························53
제4절 국외 도로 제설대책 사례 ··················································58
․
제4장 AI 빅데이터 기반 도로 살얼음 진단 모형 구현 ·····················66
제1절 분석의 개요 ········································································66

제2절 도로 살얼음 진단 모형 구현을 위한 데이터 구축 ·········67
제3절 도로 살얼음 진단 모형 구현 ············································80
제4절 모형의 한계 ···································································118
제5장 진단모형의 적용사례 및 도로 살얼음 대응방안 ······················123
제1절 도로 살얼음 진단모형 적용사례 ··································123

제2절 도로 살얼음 대응을 위한 정책제언 ·······························133
제6장 결론 및 정책제언 ··································································140
제1절 결론 ··················································································140
제2절 정책제언 ···········································································145
참고문헌 ···························································································147
부 록 ···························································································157
Abstract ··························································································199
표차례
<표 1-1> 선행연구 현황 및 본 연구의 차별성 ····················································8

<표 2-1> 노면상태별 교통사고 통계(2011~2020년) ··········································12
<표 2-2> 노면상태별 교통사고 치사율 비교(2011~2020년) ·······························13
<표 2-3> 언론기사를 통해 입수한 도로 살얼음 사고 일지 ·································14
<표 2-4> 노면상태별 교통사고 치사율 비교(살얼음 포함) ···································22
<표 2-5> 도로 살얼음에 대한 운전자 인식 설문조사 개요 ·································23
<표 2-6> 「도로 살얼음 관련 대국민 인식 설문조사」 표본추출 결과 ···············26
<표 2-7> 도로 살얼음 인지수준에 대한 조사결과 ··············································27
<표 2-8> 도로 살얼음 구간에서의 운전법 숙지 여부 설문조사결과 ·····················37
<표 3-1> 도로관리청별 제설 취약구간 연장(2020년) ·········································47
<표 3-2> 도로등급에 따른 제설 수준 ·······························································48
<표 3-3> 강설 시 기상상황별 대응단계 기준 ····················································50
<표 3-4> 도로 살얼음 예방을 위해 수립된 주요 대책 ·······································53
<표 3-5> 도로관리청별 결빙 취약구간 연장(2020년) ·········································54
<표 3-6> 결빙 취약구간 지정요건 및 관리등급 ·················································55
<표 3-7> 시도별/도로종류별 상습결빙구간 연장(2020년) ·································56
<표 3-8> 동결억제 메커니즘 종류 ····································································65
<표 3-9> 동결억제포장 기법에 대한 성능평가 지표 ···········································65
<표 4-1> 민자도로 운영회사의 기상 및 노면온도 데이터 수집현황 ·····················68
<표 4-2> 민자도로 운영회사의 기상 및 노면온도 데이터 저장 형태 ···················79
<표 4-3> 신공항하이웨이에서 제공한 기상 및 노면온도 데이터 예시 ··················82
<표 4-4> 신대구부산고속도로에서 제공한 기상 및 노면온도 데이터 예시 ············82
<표 4-5> 천안논산고속도로에서 제공한 기상 및 노면온도 데이터 예시 ···············82
<표 4-6> 민자도로 운영회사의 데이터 수집지점 지형 구분 결과 ························83
<표 4-7> 모형추정을 위해 제공받은 데이터 개수와 실제로 사용된 데이터 개수 ·· 84
<표 4-8> 토공구간의 노면온도 추정을 위한 모형추정에 사용된 데이터 예시 ·······85
<표 4-9> 교량구간의 노면온도 추정을 위한 모형추정에 사용된 데이터 예시 ·······87
<표 4-10> 본 연구에서 활용한 분류모형의 형태와 특징 ····································91
<표 4-11> 분류모형의 형태 및 종류에 따른 모형번호(토공구간) ·························91
<표 4-12> 분류모형의 형태 및 종류에 따른 모형번호(교량구간) ·························93
<표 4-13> 회귀모형 종류와 모형번호(토공구간) ················································94
<표 4-14> 회귀모형 종류와 모형번호(교량구간) ················································94
<표 4-15> 토공구간 분류모형 추정을 위해 사용된 데이터의 기술통계 ················95
<표 4-16> 교량구간 분류모형 추정을 위해 사용된 데이터의 기술통계 ··············96
<표 4-17> 토공구간 및 교량구간의 노면온도 데이터 개수와 비율 ······················97
<표 4-18> 토공구간 및 교량구간의 데이터세트 분할 결과 ·································97
<표 4-19> 분류모형 학습을 위해 사용한 파이썬 라이브러리 목록 ······················98
<표 4-20> 토공구간에 대한 노면온도 추정모형 ···············································107
<표 4-21> 교량구간에 대한 노면온도 추정모형 ···············································108
<표 4-22> 토공구간에 대한 노면온도 추정 분류모형의 성능평가 결과(1) ··········109
<표 4-23> 토공구간에 대한 노면온도 추정 분류모형의 성능평가 결과(2) ··········109
<표 4-24> 교량구간에 대한 노면온도 추정 분류모형의 성능평가 결과(1) ········110
<표 4-25> 교량구간에 대한 노면온도 추정 분류모형의 성능평가 결과(2) ··········110
<표 4-26> 수집지점 데이터를 이용한 분류모형과 AWS 데이터를 이용한
분류모형 간 성능 차이1)(토공구간) ·················································111
<표 4-27> 수집지점 데이터를 이용한 분류모형과 AWS 데이터를 이용한
분류모형 간 성능 차이1)(교량구간) ·················································111
<표 4-28> 노면온도 추정 분류모형의 학습시간(1) ···········································112
<표 4-29> 노면온도 추정 분류모형의 학습시간(2) ···········································112
<표 4-30> 일부 분류모형에서 결정트리가 제시되지 않은 이유 ·························113
<표 5-1> 경북 영천 도로 살얼음 사고(’20년 12월 28일 06:53) 전후 노면온도
추정 결과 ······················································································126
<표 5-2> 경북 군위 도로 살얼음 사고(’19년 12월 14일 04:38) 전후 노면온도
추정 결과 ······················································································131
<표 5-3> 교통사고 통계원표 개정(안) ···························································133
<표 5-4> 도로제설업무 수행요령 개정(안) ·····················································134
<표 5-5> 교통안전수칙 수행요령 개정(안) ·····················································138
<표 6-1> 도로 살얼음 사고예방을 위한 정책제언 ··········································145
그림차례
<그림 1-1> 본 연구의 수행흐름도 ······································································6

<그림 2-1> 노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고 발생건수(2011~2020년)
···································································································11
<그림 2-2> 도로 살얼음 사고 발생월 분포 ·······················································17
<그림 2-3> 도로 살얼음 사고 발생시간대 분포 ·················································18
<그림 2-4> 도로 살얼음 사고 발생지형 분포 ····················································19
<그림 2-5> 도로 살얼음 발생도로 분포 ····························································20
<그림 2-6> 도로 살얼음 사고 사고규모 분포 ····················································21
<그림 2-7> 「도로 살얼음 관련 대국민 인식 설문조사」의 응답자 성별 분포 ····24
<그림 2-8> 「도로 살얼음 관련 대국민 인식 설문조사」의 응답자 연령대 분포 · 25
<그림 2-9> 「도로 살얼음 관련 대국민 인식 설문조사」의 응답자 거주지역 분포 · 25
<그림 2-10> 「도로 살얼음 관련 대국민 인식 설문조사」의 응답자 운전경력 분포 ·25
<그림 2-11> 도로 살얼음에 대한 인지 수준(원그래프) 및 도로 살얼음 정보
취득경로(막대그래프) 설문조사결과 ···············································28
<그림 2-12> 도로 살얼음 관련 언론기사를 접하게 되는 경로 설문조사결과 ········29
<그림 2-13> 빗길/눈길 대비 살얼음길에 대한 식별 난이도 설문조사결과 ···········30
<그림 2-14> 도로 살얼음 경험했던 해 설문조사결과 ·········································31
<그림 2-15> 도로 살얼음 경험 시기 설문조사결과 ············································32
<그림 2-16> 도로 살얼음 경험 시간대 설문조사결과 ·········································33
<그림 2-17> 도로 살얼음 경험한 시간대의 기상상태 설문조사결과 ·····················34
<그림 2-18> 도로 살얼음이 발생하기 쉬운 도로유형에 대한 설문조사결과 ··········35
<그림 2-19> 도로 살얼음이 발생하기 쉬운 시간대에 대한 설문조사결과 ·············36
<그림 2-20> 도로 살얼음 구간에서의 운전법 숙지 여부 설문조사결과 ················36
<그림 2-21> 빗길, 눈길, 살얼음길에서 주행속도 감속여부 여부에 대한 설문조사결과 38
<그림 2-22> 도로 살얼음 사고예방에 효과가 있다고 생각되는 방안에 대한
설문조사결과 ···············································································39
<그림 3-1> 한국도로공사 일자별 제설작업 내역(2020년) ···································43
<그림 3-2> 교통사고 처리절차도 ······································································44
<그림 3-3> 교통사고 통계원표 중 사고유발요인 및 노면상태 기입 항목 ·············45
<그림 3-4> 강설시 위기경보 발령체계 - ㈜신공항하이웨이 사례 ·······················50
<그림 3-5> 법정 재난관리 단계에 따른 제설대응 단계 - 서울시 사례 ···············51
<그림 3-6> 강설 시 비상근무 체계 - 서울시 사례 ···········································52
<그림 3-7> 생활안전지도 상습결빙구간 서비스 화면(예시) ·································57
<그림 3-8> 영국 Highways England에서 운영하는 제설차량(Gritter, 왼쪽)과
분사식 제설기(Snow blower, 오른쪽) 예시 ···································59
<그림 3-9> 아이오와주의 Track a Plow 시범서비스 화면 ································61
<그림 3-10> 미국 지역방송사의 도로 살얼음 예보 장면 ····································62
<그림 3-11> 미국 기상청(NWS)의 실시간 도로 살얼음 현장 송출화면 ···············63
<그림 3-12> 일본에서 진행된 동결억제포장 기법 시험시공 사례 ························64
<그림 4-1> ㈜신공항하이웨이에서 수집하고 있는 기상 데이터 표출 예 ··············69
<그림 4-2> ㈜신대구부산고속도로에서 수집하고 있는 기상 데이터 표출 예 ········69
<그림 4-3> 신도시JC 부근 데이터 수집위치(위) 및 신도시JC 위치도(아래) ········70
<그림 4-4> 영종대교 데이터 수집위치(위) 및 영종대교 위치도(아래) ··················70
<그림 4-5> 인천공항TG 부근 데이터 수집위치(위) 및 인천공항TG 위치도(아래) · 71
<그림 4-6> 귤현3교 데이터 수집위치(위) 및 귤현3교 위치도(아래) ·····················71
<그림 4-7> 방화대교 데이터 수집위치(위) 및 방화대교 위치도(아래) ··················72
<그림 4-8> 낙동대교 데이터 수집위치(위) 및 낙동대교 위치도(아래) ··················72
<그림 4-9> 밀양대교 데이터 수집위치(위) 및 밀양대교 위치도(아래) ··················73
<그림 4-10> 남천대교 데이터 수집위치(위) 및 남천대교 위치도(아래) ················73
<그림 4-11> 풍세교 데이터 수집위치(위) 및 풍세교 위치도(아래) ······················74
<그림 4-12> 차령터널 인근 데이터 수집위치(위) 및 차령터널 부근 위치도(아래) ·74
<그림 4-13> 웅진대교 데이터 수집위치(위) 및 웅진대교 위치도(아래) ················75
<그림 4-14> 논산천교 인근 데이터 수집위치(위) 및 논산천교 위치도(아래) ········75
<그림 4-15> 신공항하이웨이, 신대구부산고속도로 및 천안논산고속도로 기상 및
노면온도 데이터 수집위치 ····························································76
<그림 4-16> 천안논산고속도로 차령터널(토공구간) 및 풍세교(교량구간)의 일일
노면온도 변화(2019년 1월 1일 기준) ··········································78
<그림 4-17> 1시간 미만 단위로 수집된 데이터를 1시간 단위로 집계하는 과정 예시 81
<그림 4-18> 특정 지점에서 수집된 데이터와 인근 AWS에서 수집된 데이터 간
매칭방법 예시 ·············································································84
<그림 4-19> 토공구간 및 교량구간의 종속변수(노면온도) 분포 ··························87
<그림 4-20> 토공구간 및 교량구간의 변수 간 상관관계 Heatmap ····················88
<그림 4-21> 토공구간(위) 및 교량구간(아래)의 변수 간 상관관계도 ···················89
<그림 4-22> 토공구간에 대한 결정트리모형의 시각화 예 ·································100
<그림 4-23> 교량구간에 대한 결정트리모형의 시각화 예 ·································100
<그림 4-24> 토공구간의 노면온도 추정을 위한 결정트리 (독립변수: 수집지점의
대기온도) ··················································································114
대기온도 및 습도) ·····································································114
대기온도, 습도 및 풍속) ····························································115
<그림 4-27> 토공구간의 노면온도 추정을 위한 결정트리 (독립변수: AWS의
대기온도) ··················································································115
<그림 4-28> 토공구간의 노면온도 추정을 위한 결정트리 (독립변수: AWS의
대기온도 및 습도) ·····································································116
<그림 4-29> 교량구간의 노면온도 추정을 위한 결정트리 (독립변수: 수집지점의
대기온도) ··················································································116
<그림 4-30> 교량구간의 노면온도 추정을 위한 결정트리 (독립변수: 수집지점의
대기온도 및 습도) ·····································································117
<그림 4-31> 교량구간의 노면온도 추정을 위한 결정트리 (독립변수: AWS의
대기온도) ··················································································117
<그림 4-32> 천안논산고속도로 차령터널(토공구간)의 일일 대기온도 및 노면온도
변화(2020년 2월 5일 기준) ······················································119
<그림 4-33> 분석대상지점과 AWS 위치 간 관계 개념도 ································121
<그림 5-1> 경북 영천시 오미교차로 전경(위) 및 위치도(아래) ··························124
<그림 5-2> 경북 영천 도로 살얼음 사고(’20년 12월 28일 06:53) 전후 노면온도
추정 결과 ···················································································128
<그림 5-3> 경북 군위군 산호교 전경(위) 및 위치도(아래) ································130
<그림 5-4> 경북 군위 상주영천선 도로 살얼음 사고(’19년 12월 14일 04:38) 전후
노면온도 추정 결과 ·····································································132
<그림 5-5> 도로 살얼음 관리시스템 운영단계 도식도 ······································136
<그림 5-6> 노면온도 추정모형 개발단계 도식도 ··············································136
<그림 5-7> 결빙 취약구간 분포도(2020년) ·····················································139
※ 표/그림이 연구과정에서 도출된 저자의 것이면 출처표기를 하지 않아도 누락이 아님

약어표
AWS Automatic Weather System (기상청) 방재기상관측시스템

DfT Department for Transport (영)교통부
NWS National Weather Service (미)기상청
PRN Primary Route Network (영)주요도로망
RWIS Road Weather Information System 도로기상정보시스템
SNS Social Network Service 누리소통망
SRN Strategic Road Network (영)전략도로망
TAAS Traffic Accident Analysis System 교통사고분석시스템
WMO World Meteorological Organization 세계기상기구
xv
요 약
1. 연구의 필요성 및 목적
가. 연구의 필요성
도로제설작업은 지침에 따라 도로관리청1)이 체계적으로 대응하고 있다. 예를

들면, 예상강설량에 따라 살포하는 제설제의 양이나 대응수위를 조절한다.2) 최근
보다 강화된 도로 살얼음 대응방안이 고속국도(민자고속국도 포함), 일반국도 등에
대해 마련되어 적용되기 시작했다. 도로연장의 대부분을 차지하는 지자체도로3)에
대한 도로 살얼음 대응지침은 찾아보기 어렵다. 도로 살얼음 형성에 가장 큰 영향
을 미치는 요인은 노면온도이다(김인수 외, 2016; 김백조 외, 2020a; MDT, 2001).4)
쉽게 구하기 어려운 노면온도 데이터를 도로관리청에서 활용하기는 어렵다. 도로
살얼음 대응은 도로관리청의 판단에 의존하고 있어 보완이 필요하다. 현장에서 용
이하고 신속하게 활용할 수 있는 도로 살얼음 진단기법이 마련되어야 한다.
1) “도로관리청이란 도로에 관한 계획, 건설, 관리의 주체가 되는 기관”을 말한다(도로법, 제2조 및 제23조,
2021.02.05). 우리나라 도로는 ‘고속국도’, ‘일반국도’, ‘특광역시도’, ‘지방도’, ‘시도’, ‘군도’, ‘구도’와
같이 7가지로 구분된다(동법, 제10조). 고속국도는 한국도로공사, 민자고속도로는 민자법인, 일반국도는
국토교통부, 지자체도로는 각 지자체가 도로관리청이다.
2) 국토교통부(2020b), 『도로제설업무 수행요령』, pp. 27-51; 서울특별시(2019), 「’19/’20년 겨울철 제설
대책 추진계획」, p. 7; 신공항하이웨이(2021), 『도로분야 위기대응 현장조치 행동매뉴얼』, p. 99.
3) 2019년 기준 지자체도로(특광역시도, 지방도, 시도, 군도, 구도) 연장은 92,517km이며, 고속국도 및
일반국도 연장은 18,797km이다(국토교통부, 2020a, p. 64). 국가도로 연장에서 지자체도로 연장이 차지
하는 비중이 약 83%이다.
4) 김인수 외(2016), 『동절기 도로안전을 위한 노면관리 방안』, p. 4; 김백조 외(2020a), 『기후환경실증실험내의
기온과 습도가 도로포장재의 표면온도에 미치는 영향 분석』, p. 1; Minnesota Department of
Transportation(2001), I-35W & Mississippi River Bridge Anti-Icing Project, p. 7.
xvi
나. 연구의 목적
본 연구의 목적은 두 가지이다. 우선, 도로관리청이 범용가능한 기상데이터

를 이용하여 노면온도를 추정할 수 있도록 머신러닝 기반의 노면온도 추정모
형을 구현하는 것이다.5) 노면온도 추정모형을 개발하기 위해 데이터 수집기관
의 협조를 받아 기상데이터와 노면데이터를 입수하였다. 기상데이터를 독립변
수, 노면온도를 종속변수로 하는 분류모형과 회귀모형을 구현하였다.6)
다음으로 도로관리청이 구현된 모형을 활용할 수 있는 사례를 제시한다. 그
리고 ‘도로 살얼음 관리시스템’(가칭)을 구축하는데 노면온도 추정모형이 어떻
게 활용될 수 있는지 제시한다. 노면온도 추정모형은 기존 또는 신규 시스템
내에 하위모듈로 포함시키거나 외부에서 데이터를 생성한 뒤, 결과값만 전달
하는 방식으로 활용할 수 있다.
2. 도로 살얼음 사고 현황
가. 도로 살얼음 사고 통계 현황
최근 10년간(2011~2020년) 교통사고 발생건수는 2,209,962건이다(TAAS,

2021).7)8) 이 가운데 노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고 발
생건수는 16,280건으로, 전체 발생건수의 약 0.7%를 차지한다(TAAS, 2021).9)
노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고 발생건수는 해마다 큰
5) 노면온도 추정모형을 구현하는 최종적인 목표는 기상데이터를 이용해서 도로 살얼음 형성 여부를 판단하는
것이다. 입수한 데이터에는 도로 살얼음 형성 여부와 관련된 항목이 없다. 대신 본 연구에서는 기상데이터
를 독립변수로 활용하여 노면온도를 추정하는 모형을 구현하였다. 기본가정은 노면온도가 영하로 추정되는
경우에 도로 살얼음이 형성되기 위한 필요조건이 갖추어졌다고 보는 것이다.
6) 분류모형(Classification model)에서는 종속변수가 영상인 경우(섭씨 0도씨 초과)에 ‘0’으로, 영하인 경우
에(섭씨 0도씨 이하)에 ‘1’로 표현된다. 회귀모형(Regression model)에서는 종속변수가 추정된 노면온도
값 형태로 결정된다.
7) 인용된 수치는 경찰에서 집계한 통계이다. 보험사 통계 등을 고려한 사고통계는 이보다 더 크다.
8) TAAS(교통사고분석시스템), ｢노면상태별 교통사고｣, http://taas.koroad.or.kr/sta/acs/exs/typical.d
o?menuId=WEB_KMP_OVT_UAS_PDS(2021.04.05).
9) 전게서.
요 약 xvii
편차를 보이나, 최근 다시 증가추세로 돌아섰다.10)
｢｣
자료: TAAS(교통사고분석시스템), 노면상태별 교통사고 , http://taas.koroad.or.kr/sta/acs/exs/typical.do?me
nuId=WEB_KMP_OVT_UAS_PDS(2021.04.05).
<그림 1> 노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고 발생건수(2011~2020년)
노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고에 각별한 주의를 기울여

야 하는 이유가 있다. 노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고의 치
사율11)은 3.0%로 ‘건조’ 상태에서 발생한 교통사고 치사율 1.9%보다 1.6배 높기
때문이다.12) 도로 살얼음 사고의 치사율도 노면상태가 ‘결빙/서리’인 상태에서
발생한 교통사고의 치사율과 유사하거나 이보다 높을 것으로 추정된다.13) 교통
정책의 최우선 과제 중 하나는 교통사고 사망자수를 줄이는 것이다. 치사율이 높
을 것으로 추정되는 도로 살얼음 사고를 반드시 예방해야 한다.
10) 2019년 기준 경찰DB의 교통사고 발생건수는 229,600건이고, 통합DB의 교통사고 발생건수는 1,292,864
건이다(도로교통공단 내부자료, 2021). 경찰DB란 경찰에서 집계한 통계를 말한다. 통합DB란 경찰DB에
손해보험사, 공제조합 등의 자료를 합산한 통계이다. 통합DB의 교통사고 발생건수는 경찰DB 교통사고
발생건수의 약 5.6배이다. 통합DB에서는 노면상태별 교통사고 발생건수 통계를 수집하고 있지 않다.
11) 교통사고 치사율의 보다 정확한 해석은 교통사고 100건당 교통사고 사망자수이다.
12) TAAS(교통사고분석시스템)에서 제공하고 있는 노면상태별 교통사고 발생건수 및 사망자수를 토대로
(TAAS, 2021) 본 연구에서 치사율을 산정하였다.
13) 본 연구에서는 언론기사를 검색하여 도로 살얼음 사고자료를 수집하였다(본문 제2장 제2절 참조). 총
69건의 도로 살얼음 (의심)사고에서 22명의 사망자가 발생하였다. 수집된 자료에 한정하여 도로 살얼음
교통사고의 치사율을 계산하면 약 32%이다. 100건의 도로 살얼음 교통사고가 발생하면, 약 32명의
사망자가 발생한다는 의미이다. 이는 노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고의 치사율이
3.0%인 것과 비교해볼 때 훨씬 높다. 그러나 도로 살얼음 교통사고의 발생건수 총량을 알 수 없기 때문에
이 수치는 과장되었을 가능성이 높다.
xviii
<표 1> 노면상태별 교통사고 치사율 비교(2011~2020년)

(단위: 건, 인, %)
노면상태1)
구분 합계
건조 젖음/습기 결빙/서리 적설 기타
사고건수2) 2,209,962 1,946,036 219,886 16,280 7,755 20,005
사망자수2) 43,784 36,663 6,120 485 132 384
치사율3) 2.0 1.9 2.8 3.0 1.7 1.9
상대치사율4) 1.0 1.0 1.4 1.5 0.9 1.0
주: 1) 노면상태 구분: 건조(도로의 표면이 말라있는 상태), 젖음/습기(도로의 표면이 물 등으로 젖어 있는(습기가 차있는)
상태), 결빙/서리(도로의 표면이 얼어 있는 상태), 적설(도로의 표면에 눈이 쌓여 있는 상태), 기타(상기사항에
해당하지 않는 경우(기름의 유출, 유리 및 모래의 비산 등)이거나 차량단독사고로 운전자의 사망 및 의식불명
또는 뺑소니 보행자 사고 시 보행자의 사망 등으로 사고 발생 당시의 상황조사가 불가한 경우 등)
주: 2) 사고건수 및 사망자수는 2011년부터 2020년까지 10년 동안의 합계
주: 3) 치사율은 사고 100건당 교통사고 사망자수
주: 4) 노면상태가 건조인 경우의 치사율을 1.0로 봤을 때, 다른 노면상태의 상대적인 치사율을 의미
주: 5) 사고건수 및 사망자수는 본문 <표 2-1>의 값을 재인용
｢｣
나. 언론기사를 통해 살펴본 도로 살얼음 사고의 특징
주요 도로 살얼음 사고는 언론기사를 통해 보도된다. 이점에 착안하여 국내

검색사이트에 ‘살얼음’, ‘블랙아이스’, ‘Black ice’ 등의 키워드를 입력하여 도
로 살얼음 사고 기사를 검색했다.14) 2008년부터 2020년 사이에 발생한 것으
로 추정되는 도로 살얼음 사고는 총 69건이었다.
14) 보다 정확하게 표현하자면 도로 살얼음 사고를 보도한 것으로 추정되는 언론기사를 검색한 것이다. ‘추정’
이라는 표현을 사용한 이유는 당시 언론기사에서 다룬 교통사고의 원인이 도로 살얼음이라는 것은 확인된
사실이 아니라, 사고 당시 운전자, 목격자, 경찰관 등의 진술에 기반한 것이기 때문이다.
요 약 xix
1) 도로 살얼음 사고 발생시기
연중 도로 살얼음 사고는 11월부터 다음해 2월까지 겨울철에 주로 발생하

는 것으로 나타났다. 12월부터 1월 사이에 발생한 도로 살얼음 사고건수가 11
월 또는 2월에 발생한 사고건수보다 상대적으로 많은 것으로 미루어볼 때, 도
로 살얼음은 한겨울에 많이 발생하는 것으로 추정된다.
자료: 본문 <표 2-3>의 결과 정리.
<그림 2> 도로 살얼음 사고 발생월 분포
2) 도로 살얼음 사고 발생시간대
도로 살얼음 사고는 새벽부터 아침시간 사이에 주로 발생하는 것으로 나타

났다. 55건15)의 도로 살얼음 사고 중, 약 73%인 40건이 아침 출근시간대16)에
발생했다. 특히 겨울철에는 해 뜨는 시각이 다른 계절보다 늦기 때문에 새벽시간
대에 형성된 도로 살얼음이 출근시간대까지 녹지 않고 오래 지속될 수 있다.
15) 본문 <표 2-3>에서 도로 살얼음 사고발생 시각대를 특정하기 어려운 14건은 제외하였다.
16) 오전 6시부터 9시까지.
xx
주: 본문 <표 2-3>에서 시간대를 특정하기 어려운 14건은 제외.

<그림 3> 도로 살얼음 사고 발생시간대 분포
3) 도로 살얼음 사고 사고규모
69건의 도로 살얼음 사고를 단독사고와 2중 추돌 이상 사고로 구분해 보았

다. 단독사고는 27건(39%)이고, 2중 추돌 이상 사고는 42건(61%)이었다. 2중
추돌 이상 사고가 단독사고에 비해 약 1.6배 더 많이 발생한 것으로 나타났다.
특히 2중 추돌 이상 사고 가운데 10중 추돌 이상인 경우는 23건이었다. 도로
살얼음 사고는 일단 발생하면 대형사고로 발전할 가능성이 있다.
4) 도로 살얼음 사고의 치사율
최근 10년간(2011~2020년) 발생한 교통사고에 대해 치사율을 계산해 보면

2.0% 수준이다(TAAS, 2021).17) 노면상태가 ‘결빙/서리’인 상태에서 발생한 교
통사고의 치사율은 3.0%로 노면상태가 ‘건조’일 때보다 약 1.6배 높다(TAAS,
17) TAAS에서 제공하고 있는 교통사고 데이터를 토대로 산정한 결과이다(자료: TAAS(교통사고분석시스템),

「노면상태별 교통사고」, http://taas.koroad.or.kr/sta/acs/exs/typical.do?menuId=WEB_KMP_
OVT_UAS_PDS(2021.04.05))
요 약 xxi
2021).18) 언론기사에서 집계한 도로 살얼음 사고에 대해 교통사고 치사율을

계산해보면 31.9%인 것으로 나타났다.19)
<그림 4> 도로 살얼음 사고의 사고규모 분포
<표 2> 노면상태별 교통사고 치사율 비교(살얼음 포함)

(단위: 건, 인, %)
노면상태1)
구분
전체 건조 결빙/서리 살얼음
사고건수2) 2,209,962 1,946,036 16,280 693)
사망자수2) 43,784 36,663 485 223)
4)
치사율 2.0 1.9 3.0 31.9
5)
상대치사율 1.0 1.0 1.5 15.9
주: 1) 노면상태 구분: 건조(도로의 표면이 말라있는 상태), 결빙/서리(도로의 표면이 얼어 있는 상태)
주: 2) 사고건수 및 사망자수는 2011년부터 2020년까지 10년 동안의 합계.
주: 3) 본문 <표 2-3>의 수치 재인용. 언론기사에서 보도된 2008~2020년 사이에 발생한 도로 살얼음 사고를 대상으로 함.
주: 4) 치사율은 사고 100건당 교통사고 사망자수.
주: 5) 노면상태가 건조인 경우의 치사율을 1.0로 봤을 때, 다른 노면상태의 상대적인 치사율을 의미.
주: 6) 사고건수 및 사망자수는 본문 <표 2-1>의 값을 재인용.
주: 7) 노면상태가 ‘살얼음’인 경우의 교통사고 치사율은 극히 적은 표본을 대상으로 한 값으로, 인용에 있어 주의 필요.
｢｣
18) 본문 p.22의 내용 재인용.

19) 도로 살얼음 사고의 전체 발생건수 및 사망자수를 알 수 없기 때문에 이 수치는 과대추정되었을 가능성이
높다. 해당 수치를 인용하는데 있어 주의가 필요하다.
xxii
다. 도로 살얼음에 대한 운전자 인식 설문조사 결과
도로 살얼음에 대한 운전자 인식을 알아보기 위해 설문조사를 계획하고 실

시하였다. 설문조사의 목적은 도로 살얼음에 대한 운전자들의 인지수준, 도로
살얼음 경험 여부, 운전자 입장에서 효과적이라고 생각하는 도로 살얼음 예방정
책 등을 조사하는 것이다.
<표 3> 도로 살얼음에 대한 운전자 인식 설문조사 개요
항목 내용
설문조사명 도로 살얼음(블랙아이스) 관련 대국민 인식 설문조사
조사대상 만 20세1) 이상 성인
조사지역 ․
전국 17개 특별 광역시도
조사기간 2021년 8월 30일 ~ 9월 10일
표본수 500명(시도별/성별/연령별 인구 비례할당, 층화표본추출)
조사방법 온라인 설문조사2)
․기본사항: ①운전면허 소지 여부, ②운전경력, ③성별,
④연령대, ⑤거주지역
조사내용3) ․설문사항: ①도로 살얼음 인식수준, ② 도로 살얼음 경험 여부,
③도로 살얼음 예방에 효과가 있다고 생각되는 방안,
④도로 살얼음 운전법에 대한 숙지 여부 등
표본오차 95% 신뢰수준에 ±4.3%
주: 1) 운전면허 취득가능연령 하한은 만 18세이나(도로교통법 제82조)20), 만 18~19세는 차량 보유가 현실적으로
어렵다고 판단하여 조사대상에서 제외함.
주: 2) 온라인 설문조사가 어려운 피조사자(예, 만 60세 이상)에게는 대면면접조사 실시.
주: 3) 설문지는 <부록 7>을 참조.
1) 도로 살얼음에 대한 인지수준
응답자 500명 중, 71.8%(359명)는 도로 살얼음에 대해 잘 알고 있다고 답했

다. 응답자 25.2%(126명)는 들어봤으나, 어떤 현상인지 잘 모른다고 답했다.
그리고 3.0%(15명)는 도로 살얼음에 대해 들어본 적이 없다고 답했다.
20) 도로교통법(법률 제17891호, 2021.07.13)의 제82조(운전면허의 결격사유)의 내용 참조.

요 약 xxiii
운전경력이 짧을수록 도로 살얼음에 대해 잘 알고 있다고 응답한 비율이 낮

아지는 것으로 나타났다. 운전경력이 1년 미만인 응답자의 경우에는 그 비율
이 53.8%, 운전경력이 10년을 초과하는 응답자의 경우에는 79.0%인 것으로
나타났다. 두 집단 간 응답비율 차이는 25.2%p이다.
<표 4> 도로 살얼음 인지수준에 대한 조사결과

(단위: 인, %)
응답자 어떤 현상인지 들어봤으나, 어떤

구분 들어본 적 없음
수 잘 알고 있음 현상인지 잘 모름
전체 500 359 (71.8) 126 (25.2) 15 (3.0)
남자 257 195 (75.9) 56 (21.8) 6 (2.3)
성별
여자 243 164 (67.5) 70 (28.8) 9 (3.7)
20대 97 60 (61.9) 33 (34.0) 4 (4.1)
30대 98 69 (70.4) 24 (24.5) 5 (5.1)
연령 40대 125 93 (74.4) 29 (23.2) 3 (2.4)
50대 124 90 (72.6) 33 (26.6) 1 (0.8)
60대 이상 56 47 (83.9) 7 (12.5) 2 (3.6)
1년 미만 39 21 (53.8) 16 (41.0) 2 (5.1)
1~3년 65 39 (60.0) 23 (35.4) 3 (4.6)
운전경력 3~5년 45 28 (62.2) 16 (35.6) 1 (2.2)
5~10년 75 53 (70.7) 18 (24.0) 4 (5.3)
10년 초과 276 218 (79.0) 53 (19.2) 3 (1.8)
주: 괄호 안의 수치는 비율.
2) 도로 살얼음에 대해 알게 된 경로
도로 살얼음 관련 정보 취득경로는 언론기사가 60.2%로 가장 높게 나타났

고, 다음으로 직접 경험 31.1%, 노면표지/표지판 안내 26.8%, 내비게이션 안내
15.7%, 운전면허 시험 15.7% 순이었다. 응답결과로부터 언론기사가 도로 살얼
음 관련 정보를 제공하는데 효과적인 수단이 될 수 있음을 추론할 수 있다.
xxiv
주: 도로 살얼음 정보 취득경로에 대한 조사는 도로 살얼음에 대해 잘 알고 있거나, 들어봤다고 응답한 485명을

대상으로 한 것이며, 선택지 간 중복응답을 허용하였음.
<그림 5> 도로 살얼음에 대한 인지 수준(원그래프) 및 도로 살얼음 정보

취득경로(막대그래프) 설문조사결과
3) 도로 살얼음을 경험했던 시기
도로 살얼음을 경험한 시기는 1월이 61.6%(93명)로 가장 많았고, 다음으로

12월이 19.9%(30명), 2월이 11.9%(18명), 11월이 4.6%(7명)인 것으로 나타났
다. 도로 살얼음 발생 시기에 대해 언론기사 분석과 운전자 대상 설문조사로부
터 추정할 수 있는 점은 운전자들이 도로 살얼음이 가장 빈번하게 경험하는
시기가 1월일 수 있다는 것이다.
4) 도로 살얼음을 경험했던 시간대
응답자의 39.7%(60명)는 아침시간대인 5~9시 사이에 도로 살얼음을 경험했

다고 응답했다. 23.2%(35명)는 새벽시간대인 0~5시 사이에 도로 살얼음을 경
험했다고 응답했다. 다음으로 야간시간대인 18~24시가 19.9%(30명), 오전시
간대인 9~12시가 9.3%(14명)인 것으로 조사되었다.
요 약 xxv
주: 도로 살얼음을 직접 경험했다고 응답한 151명 대상으로 조사한 결과임.
<그림 6> 도로 살얼음 경험 시기 설문조사결과
<그림 7> 도로 살얼음 경험 시간대 설문조사결과
5) 도로 살얼음 구간에서의 운전법 숙지 여부
‘알고 있다’고 응답한 사람은 49.8%(249명), ‘잘 모른다’고 응답한 사람은

50.2%(251명)였다. 전체 응답자 가운데 절반은 도로 살얼음 구간에서의 운전법
을 숙지하지 못한 것으로 나타났다. 운전경력 1년 미만인 운전자들의 71.8%(28
명)가 도로 살얼음 구간 운전법을 잘 모른다고 응답했다. 그 비율이 다른 계층의
xxvi
어떤 항목보다도 높게 나타났다.
<표 5> 도로 살얼음 구간에서의 운전법 숙지 여부 설문조사결과

(단위: 인, %)
구분 응답자수 알고 있다 잘 모른다
전체 500 249 (49.8) 251 (50.2)
남자 257 143 (55.6) 114 (44.4)
성별
여자 243 106 (43.6) 137 (56.4)
20대 97 45 (46.4) 52 (53.6)
30대 98 48 (49.0) 50 (51.0)
연령 40대 125 54 (43.2) 71 (56.8)
50대 124 67 (54.0) 57 (46.0)
60대 이상 56 35 (62.5) 21 (37.5)
1년 미만 39 11 (28.2) 28 (71.8)
1~3년 65 28 (43.1) 37 (56.9)
운전경력 3~5년 45 24 (53.3) 21 (46.7)
5~10년 75 41 (54.7) 34 (45.3)
10년 초과 276 145 (52.5) 131 (47.5)
6) 도로 살얼음 사고예방에 효과가 있다고 생각되는 방안
항목 간 복수응답을 허용하여 3순위까지 조사했고, 응답자 중 245명이 ‘도로

열선 시공’을 가장 효과적인 방안으로 꼽았다. 다음은 ‘제설제 살포’ 209명, ‘노
면표지 설치’ 170명, ‘제한속도 하향’ 166명 순이었다. 반면에 ‘대국민 홍보’ 40
명, ‘연구개발 지원’ 34명, ‘운전면허 시험 강화’ 19명 등은 상대적으로 응답률
이 저조했다. 조사결과를 종합해보면, 운전자들은 도로 살얼음 구간에 물리적
인 시설을 보강하는 것이 사고예방에 효과적이라고 응답했다.
요 약 xxvii
주: 3순위까지 복수응답을 허용하여 조사한 결과임.
<그림 8> 도로 살얼음 사고예방에 효과가 있다고 생각되는 방안에 대한 설문조사결과
3. 국내외 도로 살얼음 대응 현황
1) 국내 도로관리청별 도로 살얼음 대책
도로 살얼음 대책은 제설 대책과 비교해볼 때, 예방 중심의 대책으로 구성

되어 있다. 도로 살얼음 형성 여부는 예측이 쉽지 않고, 이로 인해 일단 사고가
발생하면 대처가 어렵기 때문이다. 국토교통부의 도로제설업무 수행요령 , 『』
보도자료 등을 토대로 현재 수립된 도로 살얼음 주요 대책을 정리하면 <표 6>
과 같다.
현재 고속국도 및 일반국도에는 410개소의 결빙 취약구간이 지정되어 있다
(국토교통부, 2020b).21) 결빙 취약구간이란 “도로시설 특성, 기하구조, 기후특
성, 교통운영에 따라 도로 살얼음이 발생할 확률이 높은 구간”이다(국토교통
부, 2020b).22) 2020년 기준 제설 취약구간 연장은 고속국도 277.591(=240.974+36.617)km,
일반국도 563.72(=454.15+109.57)km이다(국토교통부, 2020b).23)24)
21) 국토교통부(2020b), 『도로제설업무 수행요령, pp. 124-145의 내용 참조.

22) 국토교통부(2020b), 『도로제설업무 수행요령, p. 6의 내용 인용.
xxviii
<표 6> 도로 살얼음 예방을 위해 수립된 주요 대책
구분 주요 내용
․타이어 관리상태 집중 점검 1)
․결빙 취약시간대(23~07시) 순찰 강화(4→6회) 2)

취약구간
․결빙 취약구간 확대 지정(410개소) 3)
점검 및 관리 강화
․순찰차량 부착용 노면온도 측정 센서 도입 4)
․결빙 취약구간 내 제한속도 조정 5)
․LED 조명식 결빙주의 표지판 설치 2)
․자동 염수분사시설 확충 2)
․노면 홈파기(Grooving) 설치 2)
안전시설 확충 및
․배수성 포장, 도로 열선 등 도로결빙 방지 공법 시범 설치 2)
고도화
․도로전광표지(VMS)에 경광등․경고음 기능 추가 2)
․스마트 CCTV 설치 및 영상분석 시스템 구축

5) 6)
․결빙 취약구간에 과속카메라 설치 6)
․DTG 기반 노면 미끄럼 정보 수집기술 7)
연구개발(R&D) 추진 ․외부자극 감응 발광형 노면표지 7)
․외부자극 감응형 도로교통안전시설 7)
․내비게이션을 통해 사고정보 제공(30초 내) 2)
정보제공 및 홍보 ․안전운전 집중 홍보기간 지정․운영(현수막․리플랫 배포, TV․

유튜브 및 SNS 홍보, 결빙 안전체험 프로그램 개설)6)
주: 차량 돌발정비, 역주행 등 CCTV 영상을 AI 기반으로 자동감지 알림. ․

「
자료: 1) 국토교통부 보도자료(2019.12.25), 관계기관 합동 현장점검 등 동절기 교통안전 강화 , p. 2의 내용 」
참조.
「
2) 국토교통부 보도자료(2020.01.07), 정부, 겨울철 도로교통 안전 강화대책 발표 , p. 2의 내용 참조. 」
「 ‧
3) 국토교통부 보도자료(2020.11.11), 겨울철 강설 결빙 대비 도로제설 상시 준비태세 착수 , p. 2의 내용 」
참조.
「
4) 국토교통부 내부자료(2020.08), 도로 살얼음 대응체계 고도화방안 마련 , p. 2의 내용 참조. 」
「
5) 국토교통부 보도자료(2020.02.12), 결빙 위험구간 지날 때 “안전속도” 알려준다 , p. 2의 내용 참조. 」
「
6) 국토교통부/관계부처합동(2020.01), 겨울철 도로교통 안전 강화대책 , p. 3의 내용 참조. 」
「
7) 국토교통부 내부자료(2020.02), 도로 살얼음 예방을 위한 교통안전기술개발 R&D 추진 동향 , pp. 2-4의 」
내용 참조.
23) 전게서, pp. 124-145의 내용을 참고하여 산정,

24) 고속국도의 경우, 민자고속도로 연장 포함.
요 약 xxix
<표 7> 도로관리청별 결빙 취약구간 연장(2020년)

(단위: km)
도로관리청
구분 합계
도로공사 민자법인 서울청 대전청 익산청 부산청 원주청
고속국도
240.974 240.974
(재정)
고속국도
36.617 36.617
(민자)
일반국도 63.0 63.5 69.4 111.65 146.6 454.15
위임 국도주) 12.0 8.87 20.0 54.7 14.0 109.57
합계 240.974 36.617 75.0 72.37 89.4 166.35 160.6 841.311

․
주: 일반국도 중 도지사 특별자치도지사가 도로관리청으로 지정된 구간으로, 간선기능이 약한 구간을 위임대상으로
선정(도로법 시행령, 대통령령 제31380호, 제29조).
『』
자료: 국토교통부(2020b), 도로제설업무 수행요령 , pp. 124-145의 내용을 참고하여 표로 정리.
행정안전부에서는 국토교통부, 경찰청, 지자체 등에서 제공받은 자료를 취

합하여 상습결빙구간 정보를 공개하고 있다(공공데이터포털, 2021).25) 2020
년 기준 상습결빙구간은 2,927개소이며, 총연장은 3,669.8km이다(공공데이터
포털, 2021).26) 시도별로 상습결빙구간 연장을 살펴보면, 경기도가 559.8km로
가장 많고, 그다음으로 경상남도 552.1km, 강원도 530.1km 순이다(공공데이터
포털, 2021).27) 도로종류별로 상습결빙구간 연장을 살펴보면, 지방도(국가지
원지방도 포함)가 1,580.0km로 가장 많고, 그다음으로 일반국도(위임국도 포
함) 742.2km, 고속국도 283.0km 순이다(공공데이터포털, 2021).28)29) 상습결
빙구간 정보는 민간 내비게이션의 음성안내 서비스를 통해 제공되고 있고(행
정안전부 보도자료, 2020.11.12)30), ‘생활안전지도’ 사이트에서도 확인할 수
25) 공공데이터포털, 행정안전부_상습 결빙구간, https://www.data.go.kr/data/15067396/fileData.do

(2021.04.01).
26) 각주 25)에 표기된 자료를 활용하여 산정하였음.
29) 전체 상승결빙구간 연장에서 지방도가 차지하는 비중은 약 43%이고, 지자체도로(고속국도 및 일반국도
제외)가 차지하는 비중은 약 72%이다. 도로 살얼음 대책을 시행할 때, 지자체도로에 대해서도 관심이
필요하다는 점을 단적으로 보여 준다.
xxx
있다(생활안전지도, 2021).31)
<표 8> 시도별/도로종류별 상습결빙구간 연장(2020년)
고속 일반 특광역 도시계 농어촌

구분 지방도 시도 군도 구도 구국도 합계
국도 국도 시도 획도로 도로
서울 2.7 95.2 45.2 143.1
부산 3.6 4.8 101.8 110.2
대구 5.8 2.7 4.2 58.3 71.0
대전 2.4 - 37.1 39.5
광주 2.8 7.0 47.3 57.1
인천 6.0 1.7 14.3 - 44.3 7.2 1.7 75.2
울산 4.0 11.0 1.9 35.1 1.9 53.9
세종 2.1 4.8 1.7 8.6
경기 49.0 98.6 186.2 173.1 17.8 31.6 3.5 559.8
강원 51.5 182.2 282.1 8.0 6.3 530.1
충북 28.3 51.7 185.4 104.1 1.9 2.5 373.9
충남 18.5 27.8 14.5 43.2 9.3 7.6 15.1 136.0
경북 51.2 131.5 121.6 33.5 72.3 1.0 33.8 1.6 446.5
경남 14.0 104.9 273.2 77.9 72.5 9.6 552.1
전북 22.1 80.3 133.2 8.4 13.5 4.5 262.0
전남 21.1 38.0 92.8 12.6 46.3 13.7 14.7 4.7 243.9
제주 6.6 6.6
합계 283.0 742.2 117.7 1,580.0 348.7 388.1 54.3 55.8 93.4 6.3 3,669.5
주: 일반국도는 위임 국도를, 지방도는 국가지원지방도 연장을 포함.
｢｣
자료: 공공데이터포털, 행정안전부_상습 결빙구간 , https://www.data.go.kr/data/15067396/fileData.do
(2021.04.01)의 자료를 이용하여 재정리.
2) 국외 도로 제설대책 사례
영국에서는 도로관리청이 도로제설 대응 업무를 수행하고 있고(GOV.UK,

2021)32), 교통부에서 ‘도로이용법’을 제작하여 배포 중이다(UK DfT, 2019).33)
미국에서는 노면사진 공유 시범사업(Iowa Data, 2021)34), 도로 살얼음 예보
30) 행정안전부 보도자료(2020.11.12), 「겨울철 대설ㆍ한파 대비 범정부 총력대응 추진」, p. 2의 내용 참조.

31) 생활안전지도, 상습결빙구간, http://www.safemap.go.kr/main/smap.do?flag=2#majorCont03,
(2021.04.01).
32) GOV.UK, “Highways England prepares for first cold snap”, https://www.gov.uk/government
/news/highways-england-prepares-for-first-cold-snap(2021.04.01).
33) UK DfT(2019), The Highway Code, pp. 118-123의 내용 참조.
요 약 xxxi
(Hot Enterprise News, 2021)35) 등을 진행하고 있다. 일본에서는 동결억제포

장 기법에 대한 효과를 측정한 바 있다(窪, 內山 & 竹見, 2015; 서홍관 외,
2016).36)
<표 9> 국외 도로 제설대책 사례
국가명 주요 제설대책
․Highways England에서 제설제 살포, 제설차량 운행, 기상 모니터링 등 제설

대응 업무 수행
영국
․영국 교통부(DfT)에서 도로이용법(The Highway Code) 제작 및 배포
․제설차량에서 스마트폰으로 촬영한 겨울철 노면사진을 실시간으로 공유하
는 시범사업 진행 중(아이오와주(Iowa State) 교통부)
․도로 살얼음 예보 시행(미국 지역 방송사)
미국 ․실시간 제보로 입수된 도로 살얼음 정보 제공(미국 기상청)
․동결억제포장 기법에 대한 효과 측정 시범사업 시행
일본
자료: 영국-GOV.UK, “Highways England prepares for first cold snap”, https://www.gov.uk/government
/news/highways-england-prepares-for-first-cold-snap(2021.04.01); UK DfT(2019), The Highw
ay Code, pp. 118-123의 내용 참조.
자료: 미국-Iowa Data, “Track a Plow”, https://data.iowa.gov/Roads/Track-a-Plow/k8ki-krve(2021.04.01); Hol
t Enterprise News, “Black ice a possibility tonight”, https://holtenterprisenews.com/2021/02/15
/black-ice-a-possibility-tonight/(2021.04.01); National Weather Service, “TRAVEL ALERT: Black Ice
and Slick Road Conditions Being Reported Across Parts of Southeast Wyoming This Morning”, https://ww
w.weather.gov/cys/BlackIce(2021.08.01).
자료: 일본-(원출처) 窪宗昭, 內山徹 & 竹見直和(2015), 나가오카시 가와구치지구 동결억제포장의 시공에 관한
『
제13회 북부도로포장회의; (재인용) 서홍관 외(2016), 개립도 아스팔트 포장에서의 결빙방지 방안 연구 , 』
한국도로공사, p. 2의 내용 참조.
34) Iowa Data, Track a Plow, https://data.iowa.gov/Roads/Track-a-Plow/k8ki-krve(2021.04.01).

35) Holt Enterprise News, “Black ice a possibility tonight”, https://holtenterprisenews.com/20
21/02/15/black-ice-a-possibility-tonight/(2021.04.01).
36) (원출처) 窪宗昭, 內山徹 & 竹見直和(2015), 나가오카시 가와구치지구 동결억제포장의 시공에 관한
제13회 북부도로포장회의; (재인용) 서홍관 외(2016), 『개립도 아스팔트 포장에서의 결빙방지 방안 연
구』, 한국도로공사, p. 2의 내용 참조.
xxxii
4. AI․빅데이터 기반 도로 살얼음 진단 모형 구현
도로 살얼음이 형성되기 위해서는 두 가지 조건이 충족되어야 한다. 우선

노면온도가 영하를 유지해야 한다.37) 다음으로 노면에 살얼음을 형성할 수 있
는 수분이 존재해야 한다. 노면온도가 영하인 경우에 노면에 수분이 없다면
도로 살얼음은 형성되지 않을 것이다. 노면에 수분이 존재해도 노면온도가 영
상인 경우라면 도로 살얼음이 형성되지 않을 것이다.
도로 살얼음의 형성 여부를 예측하기 위해서는 두 가지 데이터가 필요하다.
하나는 분석대상이 되는 도로구간의 노면온도 데이터이다. 또 다른 하나는 어
떤 형태로든38) 노면에 수분이 존재했음을 확인할 수 있는 데이터이다. 본 연구
에서는 도로 살얼음 진단모형을 구현하기에 앞서 이 두 가지 데이터가 입수가
능한지를 타진하였다. 그리고 현시점에서 입수가능한 데이터는 노면온도 데이
터에 국한된다는 점을 확인하였다.39) 노면에 수분이 존재했거나, 더 나아가 도
로 살얼음이 존재했음을 확인할 수 있는 데이터는 현재로선 입수가 어렵다고
판단된다.40) 데이터 구득의 한계를 고려하여 본 연구에서는 기상 데이터와 노
면온도 데이터를 활용하여 기상조건41)에 따른 노면온도를 추정할 수 있는 진
단 모형을 구현하였다. 본 연구의 모형을 활용하더라도 도로 살얼음 형성 여부
37) 김백조 외(2020b)의 연구결과에 따르면, 노면온도가 영하로 떨어지지 않는 경우에도 도로 살얼음은 형성
될 수 있다. 본 연구에서는 거시적인 차원에서 노면온도가 영하를 유지하는 일반적인 경우에 대해서만
다룬다.
38) 본문에서 ‘어떤 형태로든’이라고 표현한 이유는 비가 오거나 눈이 오지 않더라도 노면에 수분이 형성될
수 있는 다양한 요인이 존재하기 때문이다.
39) ’20년 기준 민자도로(지자체도로 제외)를 운영하고 있는 출자기업은 총 18곳(국토교통부 내부자료,
2020.05)이다. 이 가운데 인천국제공항고속도로(신불IC~북로JC)를 관리하고 있는 ㈜신공항하이웨이,
중앙고속도로(동대구JC~대동JC)를 관리하고 있는 ㈜신대구부산고속도로, 그리고 천안논산고속도로(천
안JC~논산JC)를 관리하고 있는 ㈜천안논산고속도로에서 연구를 위해 그동안 수집했던 기상 데이터와
노면온도 데이터를 연구진에 제공하였다. 이번 기회를 계기로 감사의 말씀을 전한다. 제공받은 데이터의
구체적인 형태나 값은 이어지는 본문 제4장 제2절을 참고할 것.
40) 본문 <표 2-3>에 정리된 것처럼 도로 살얼음이 존재했을 것으로 추정할 수 있는 사고 데이터를 활용하는
방법도 있다. 그러나 데이터 건수가 69건에 불과하여, 빅데이터 분석에 활용하기 어렵다. AI 기반 진단
모형을 학습하기 위해서는 도로 살얼음이 형성되었을 때의 기상 데이터뿐만 아니라, 도로 살얼음이 형성
되지 않았을 때의 기상 데이터도 필요하다.
41) 본 연구에서 고려하는 기상조건이란, 대기온도(℃), 습도(%), 풍속(㎧)과 같이 세 가지이다.
요 약 xxxiii
를 예측하기 위해서는 노면에 수분이 존재하는지 추가로 확인이 필요하다.42)
가. 분석데이터
분석에 필요한 데이터는 세 곳의 민자도로 운영회사로부터 제공받았다. 세

기업은 모두 대기온도, 습도, 풍속, 그리고 노면온도를 수집하고 있다(신공항
하이웨이, 2016; 신대구부산고속도로 홈페이지, 2021; 천안논산고속도로 홈페
이지, 2021).43)44) 세 곳의 기업에서 제공받은 데이터와 기상청의 ‘기상자료개
방포털’45)에서 공개하고 있는 기상 데이터와의 매칭을 고려하여 데이터의 집
계단위를 1시간 단위로 통일하였다.46)
<표 10> 민자도로 운영회사의 기상 및 노면온도 데이터 수집 현황

수집데이터 종류
민자도로 데이터 데이터 데이터
대기온도 습도 풍속 노면온도
운영회사
℃
( ) (%) ㎧
( ) ℃
( )
수집위치 수집시기 수집주기
①②신도시JC
신공항
하이웨이
○ ○ ○ ○ ③④영종대교
인천공항TG 2015~
2020년 매10분
⑤귤현3교
방화대교
신대구부산
○ ○ ○ ○ ①②낙동대교 2016~
고속도로 ③밀양대교
남천대교 2020년 매1분
①②풍세교
천안논산
고속도로
○ ○ ○ ○ ③④웅진대교
논산천교
2010~
2020년 매10분
차령터널 부근
주: 자료를 참고하여 표 형태로 재구성
「」
자료: 신공항하이웨이 내부자료(각 연도), 기상 및 노면온도 데이터 ; 신대구부산고속도로 내부자료(각 연도), 「기상
」「
및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 . 」
42) 노면에 수분이 존재하는지 여부는 기상예보, 주변 환경 등을 도로 관리자가 확인하면 어느 정도 판단이

가능할 것이다. 이 부분에 대한 모형연구는 향후 연구과제로 남겨 둔다.
43) 신공항하이웨이(2016), 「재난상황 관리현황」, p. 11; 신대구부산고속도로 홈페이지, ｢기상정보｣, http://www.d
beway.co.kr/(2021.02.01); 천안논산고속도로 홈페이지, ｢교통정보시스템｣, http://www.cneway.co.kr/(20
21.02.01).
44) 세 기업이 수집하고 있는 데이터 형식은 조금씩 차이가 있다. 데이터 형식 예시는 본문 <표 4-3>~<표
4-5>를 참고할 것.
45) 기상청 기상자료개방포털, https://data.kma.go.kr/(2021.02.01).
46) 기상청 기상자료개방포털에서는 시간단위를 달리하여 방재기상관측(AWS) 데이터를 제공하고 있다(기상
청 기상자료개방포털, 2021). 최소 단위는 1분이고, 1시간, 1일, 1개월, 1년 단위로도 제공한다.
xxxiv
<표 11> 민자도로 운영회사의 기상 및 노면온도 데이터 저장 형태
데이터 종류
기업 구분
㈜신공항하이웨이 ㈜신대구부산고속도로 ㈜천안논산고속도로
수집위치 문자(예, 귤현3교)
수집일시 문자(yyyy-mm-dd-hh:mm, 순서대로 연월일시)
대기온도( )℃ 실수(±00.0, 소수점 첫째 자리까지)
습도(%) 실수(00.0, 소수점 첫째 자리까지)
실수(000.0˚, 소수점
정수(000˚, 각도로
풍향 문자(예, 북북서) 첫째 자리까지 각도로
표기)
표기)
㎧
풍속( ) 실수(00.0, 소수점 첫째 자리까지)
가시거리(m) 정수(00,000, 최대 다섯짜리 정수로 표기)
노면온도( )℃ 실수(±00.0, 소수점 첫째 자리까지)
「」
자료: 신공항하이웨이 내부자료(각 연도), 기상 및 노면온도 데이터 ; 신대구부산고속도로 내부자료(각 연도), 기 「
」「」
상 및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 를 참고하여 표로
구성.
<표 12> 민자도로 운영회사의 데이터 수집지점 지형구분 결과
민자도로 운영회사 데이터 수집위치 지형구분

① 신도시JC
② 영종대교
신공항하이웨이 ③ 인천공항TG
④ 귤현3교
⑤ 방화대교
① 낙동대교 교량구간
신대구부산고속도로 ② 밀양대교
③ 남천대교
① 풍세교
② 웅진대교
천안논산고속도로
③ 논산천교
④ 차령터널 부근 토공구간
「」
」「
상 및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 . 」
요 약 xxxv
세 곳의 기업으로부터 제공받은 데이터는 총 12곳에서 수집되었다. 이 가운

데 차령터널 부근은 토공구간으로 분류하였고, 나머지 11곳은 교량구간으로
분류하였다.47) 데이터를 모형추정에 활용할 때 교량구간 데이터는 함께 묶어
하나의 데이터세트로 처리하였다.
데이터 매칭은 특정 지점에서 수집된 데이터(기상 및 노면온도 데이터)와 인
근 AWS(방재기상관측시스템)에서 수집된 기상청 데이터(기상 데이터)를 매칭
하기 위한 작업이다. 수집원이 다른 두 데이터를 매칭하기 위한 기준으로는
수집시간을 사용하였다.
<표 13> 토공구간의 노면온도 추정을 위한 모형추정에 사용된 데이터 예시

독립변수 종속변수
수집지점의 기상 데이터 인근 AWS에서 수집한 기상 데이터
노면온도
대기온도 습도 풍속 대기온도 습도 풍속
9.3 82 0 3.5 82 0 9.5
9.9 74 0 3.6 74 0 9.2
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
주: 수집지점이란 민자도로 운영회사가 기상 및 노면온도 데이터를 수집하고 있는 위치를 의미함.
「」
자료: 신공항하이웨이 내부자료(각 연도), 기상 및 노면온도 데이터 ; 신대구부산고속도로 내부자료(각 연도), 기「
」「」
상 및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 의 자료를 취합하
여 재구성.
<표 14> 교량구간의 노면온도 추정을 위한 모형추정에 사용된 데이터 예시

노면온도
-0.3 45.7 11.3 -4.0 48.5 5.0 4.5
-0.1 43.7 10.5 -4.2 45.1 4.8 1.5
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
「」
」「」
상 및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 의 자료를 취합하
여 재구성.
47) 신공항JC와 인천공항TG를 교량구간으로 구분한 것에 대해 의문을 가질 수 있다. 위성사진과 로드뷰를

통해 확인한 결과, 해당 지점은 교량구간(도로가 하부 지형과 분리되어 있음)에 준하는 특성을 가지고
있는 것으로 확인되었다.
xxxvi
데이터 전처리 과정을 통해 최종 확정된 데이터세트의 데이터 건수는 <표

15>에 제시되어 있다. 연구를 위해 민자도로 운영회사로부터 총 36,349,368개
의 데이터를 제공받았다. 데이터 개수는 데이터 필드에 있는 모든 데이터의 총
합을 의미한다. 이 가운데 데이터 전처리를 거쳐 생성된 데이터세트의 데이터
건수는 총 1,687,007건이다. 이는 원시데이터의 약 4.6% 수준이다.
<표 15> 모형추정을 위해 제공받은 데이터 개수와 실제로 사용된 데이터 개수
데이터 관련
민자도로 운영회사 제공한 데이터 개수(개) 사용된 데이터 개수1)(개)
수집기간 수집주기
신도시JC 841,728 신도시JC 129,668

영종대교 841,728 영종대교 72,779
인천공항TG 841,728 인천공항TG 72,968
신공항하이웨이2) 15~20년 매10분3)
귤현3교 841,728 귤현3교 131,047
방화대교 841,728 방화대교 131,208
소계 4,208,640 소계 537,670
낙동대교 8,767,080 낙동대교 100,926

밀양대교 8,767,080 밀양대교 102,494
신대구부산고속도로2) 16~20년 매1분
남천대교 8,767,080 남천대교 101,024
소계 26,301,240 소계 304,444
풍세교 1,459,872 풍세교 201,649

웅진대교 1,459,872 웅진대교 201,614
천안논산고속도로2) 10~20년 매10분 논산천교 1,459,872 논산천교 239,981
차령터널 1,459,872 차령터널 201,649
소계 5,839,488 소계 844,893
합계 - - 36,349,368 1,687,007
주: 1) 제공받은 데이터를 집계처리하여 결측값을 제외하고 실제 분석에 사용한 데이터 건수를 의미함.
주: 2) 신공항하이웨이 및 신대구부산고속도로는 1년 12개월, 천안논산고속도로는 1~2월 및 11~12월 4개월 데이터
를 제공. 1년 중 1~2월 및 11~12월 데이터만 분석에 사용하였음.
주: 3) 수집주기는 매 10분이나, 데이터를 제공할 때는 1시간 단위로 집계된 데이터를 제공.
「」
자료: 신공항하이웨이 내부자료(각 연도), 기상 및 노면온도 데이터 ; 신대구부산고속도로 내부자료(각 연도), 기상 「
」「」
및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 를 참고하여 재구성.
요 약xxxvii
나. 변수 설정
노면온도 추정 모형을 구현하는 목적은 기상정보와 노면온도 간 관계를 모

형화하는 것이다. 따라서 독립변수는 대기온도, 습도, 풍속과 같이 기상요소이
고, 종속변수는 노면온도이다. 모형을 추정할 때에는 특정 지점에서 수집된 데
이터와 인근 AWS에서 수집된 데이터를 매칭한 결과를 입력자료로 사용한다.
다음으로 설정한 독립변수가 종속변수에 미치는 영향이 유의미한 수준인지
확인해 보았다. 확인은 독립변수와 종속변수 간 상관관계 Heatmap을 통해 확
인하였다. 토공구간과 교량구간에서 모두 대기온도, 습도, 풍속은 유의미한 변
수로 보인다. 대기온도 및 풍속은 온도변화의 양(+)의 상관관계를, 습도는 음
(-)의 상관관계를 갖는다. 이러한 점을 고려하여 설정한 독립변수를 모두 모형
에 포함시켰다.
[토공구간] [교량구간]
「」
자료: 신공항하이웨이 내부자료(각 연도), 기상 및 노면온도 데이터 ; 신대구부산고속도로 내부자료(각 연도),
「」「」
기상 및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 의 자료를
분석한 결과를 변수간 상관관계 Heatmap으로 구성.
<그림 9> 토공구간 및 교량구간의 변수간 상관관계 Heatmap

xxxviii
주: 본 연구에서 제작한 데이터세트를 기반으로 작성.48)
<그림 10> 토공구간(위) 및 교량구간(아래)의 변수 간 상관관계도
48) 제시된 변수명에 대한 설명은 다음과 같다. 이후 본문에 제시된 변수명도 이를 따른다.
변수명 temp_l humi_l wspd_l temp_a humi_a wspd_a rd_temp
변수 설명 수집지점의 수집지점의 수집지점의 인근AWS 인근AWS 인근AWS 수집지점의
대기온도 습도 풍속 대기온도 습도 풍속 노면온도
요 약xxxix
다. 분석모형의 형태 및 종류
모형은 두 가지 형태로 구현할 수 있다. 하나는 분류모형(Classification model)

이고, 다른 하나는 회귀모형(Regression model)이다. 분류모형에서 종속변수인
노면온도는 영상인 경우(0 ℃ 초과)에 ‘0’으로, 영하인 경우에(0℃ 이하) ‘1’로
표현된다. 회귀모형에서 종속변수는 노면온도값이다.
분류모형으로는 네 가지 형태를 고려하였다. 단일학습모형인 결정트리모형
(Decision tree model)과 앙상블학습모형인 랜덤포레스트모형(Random forest
model), GBM 모형(Gradient boosting machine model), 그리고 LightGBM 모
형(LightGBM model)을 추정하였다. 단일학습모형과 앙상블학습모형을 모두 추
정하는 이유는 모형마다 성능을 비교하기 위해서이다. 분류모형에서는 학습이
완료되면, 노면온도가 영하가 되는데 필요한 독립변수별 임계값이 도출된다.
회귀모형으로는 선형회귀모형을 추정하였다.49) 회귀모형에서는 학습이 완료되
면, 개별 독립변수의 변화가 노면온도를 변화시키는 정도인 변화율이 도출된다.50)
<표 16> 본 연구에서 활용한 분류모형의 형태와 특징
분류모형 형태주) 분류모형의 특징

단일
학습모형
DT ․하나의 결정트리를 추정
RF ․다수의 결정트리를 추정하여 다수결 방식으로 예측
․다수의 결정트리를 단계적으로 추정
앙상블 GBM
․선행 결정트리로 잘못 예측한 데이터에 페널티를 부과한 후, 후
행 결정트리 학습
학습모형
․학습시간이 다른 모형에 비해 길게 소요
LightGBM
․GBM의 학습시간을 단축하고, 예측 성능을 유지하기 위한 대안
으로 설계된 모형
주: DT-결정트리모형(Decision tree model), RF-랜덤포레스트모형(Random forest model), GBM-그래디어트
부스팅머신(Gradient boosting machine).
『』
자료: 권철민(2020), 파이썬 머신러닝 완벽 가이드 , 위키북스, pp. 211-213의 내용을 참고하여 정리.
49) <그림 10>과 같이 독립변수와 종속변수 간 선형관계가 있다고 판단했기 때문이다.

50) 개별 독립변수의 계수값을 의미한다.
xl
분석모형의 종류는 포함되는 독립변수의 종류에 따라 달리 설정하였다. 예를

들어, 수집지점에서 수집된 대기온도만을 독립변수로 사용하는 결정트리모형은
모형번호가 ‘모형(01)’로 설정되었다. 회귀모형의 경우에도 분류모형과 같은 방
식으로 모형번호를 부여하였다.
<표 17> 분류모형의 형태 및 종류에 따른 모형번호(토공구간)

모형에 포함되는 독립변수
변수
수집지점2)의 기상 데이터 인근 AWS3)에서 수집한 기상 데이터 모형번호
모형1)
● 모형(01)
● ● 모형(02)
● ● ● 모형(03)
DT
● 모형(04)
● ● 모형(05)
● ● 모형(06)●
● 모형(07)
● ● 모형(08)
● ● ● 모형(09)
RF
● 모형(10)
● ● 모형(11)
● ● 모형(12)●
● 모형(13)
● ● 모형(14)
● ● ● 모형(15)
GBM
● 모형(16)
● ● 모형(17)
● ● 모형(18)●
● 모형(19)
● ● 모형(20)
● ● ● 모형(21)
LightGBM
● 모형(22)
● ● 모형(23)
● ● 모형(24)●
주: 1) DT-결정트리모형(Decision tree model), RF-랜덤포레스트모형(Random forest model), GBM-그래디어
트부스팅머신(Gradient boosting machine)
주: 2) 수집지점이란 민자도로 운영회사가 기상 및 노면온도 데이터를 수집하고 있는 위치를 의미함.
주: 3) 인근 AWS란 수집지점에서 지리적으로 가장 가까운 곳에 위치한 방재기상관측장비의 위치를 의미함.
요 약 xli
<표 18> 분류모형의 형태 및 종류에 따른 모형번호(교량구간)

변수
모형1)
● 모형(25)
● ● 모형(26)
● ● ● 모형(27)
DT
● 모형(28)
● ● 모형(29)
● ● ● 모형(30)
● 모형(31)
● ● 모형(32)
● ● ● 모형(33)
RF
● 모형(34)
● ● 모형(35)
● ● ● 모형(36)
● 모형(37)
● ● 모형(38)
● ● ● 모형(39)
GBM
● 모형(40)
● ● 모형(41)
● ● ● 모형(42)
● 모형(43)
● ● 모형(44)
● ● ● 모형(45)
LightGBM
● 모형(46)
● ● 모형(47)
● ● ● 모형(48)
주: 1) DT-결정트리모형(Decision tree model), RF-랜덤포레스트모형(Random forest model), GBM-그래디
어트부스팅머신(Gradient boosting machine)
xlii
<표 19> 회귀모형 종류와 모형번호(토공구간)

변수
1) 수집지점2)의 기상 데이터 인근 AWS3)에서 수집한 기상 데이터 모형번호
모형
● 모형(49)
● ● 모형(50)
● ● ● 모형(51)
LR
● 모형(52)
● ● 모형(53)
● ● ● 모형(54)
주: 1) LR-선형회귀모형(Linear regression model)
<표 20> 회귀모형 종류와 모형번호(교량구간)

변수
1) 수집지점2)의 기상 데이터 인근 AWS3)에서 수집한 기상 데이터 모형번호
모형
● 모형(55)
● ● 모형(56)
● ● ● 모형(57)
LR
● 모형(58)
● ● 모형(59)
● ● ● 모형(60)
라. 분석모형의 추정
전체 데이터세트 중 70%는 학습용 데이터로, 30%는 검증용 데이터로 분할하

였다.51) 토공구간의 경우에 전체 데이터 개수는 28,807개이고, 1값(노면온도가
영하인 경우)의 개수는 8,662개이다. 전체 데이터 개수 대비 1값의 비율이 30%
수준이다. 마찬가지 방법으로 교량구간에 대해서도 1값의 비율을 산정해 보면
51) 통상적으로 학습데이터와 검증데이터의 비율은 7:3 또는 8:2로 분할한다(권철민, 2020, p. 101).
요 약 xliii
31%가 된다. 종속변수의 분포가 균일하지 않은 경우에 단순분할 방식으로 데이

터세트를 분할하면 특정값이 학습용 또는 검증용 데이터에 편중될 수 있다. 이
경우에 모형학습이 제대로 이루어지지 않아, 모형의 성능이 감소할 수 있다. 따
라서 본 연구에서는 데이터세트를 분할할 때, 계층분할(Stratified split) 방식을
사용하였다.
<표 21> 토공구간 및 교량구간의 노면온도 데이터 개수와 비율
노면온도 데이터개수(개) 비율(%)

구간
전체(A) 0값(B) 1값(C) B/A C/A
토공구간 28,807 20,145 8,662 70 30
교량구간 212,194 146,414 65,780 69 31
<표 22> 토공구간 및 교량구간의 데이터세트 분할 결과

데이터 개수(개)
구간 데이터 구분
소계 0값 1값
전체 28,807 20,145(70)1 8,662(30)1
토공구간 학습용 20,165 14,102(70)1 6,063(30)1
검증용 8,641 6,043(70)1 2,599(30)1
전체 183,425 146,414(69)1 65,780(31)1
교량구간 학습용 148,536 102,490(69)1 46,046(31)1
검증용 63,658 43,924(69)1 19,734(31)1
주: 1) 0값은 노면온도가 영상, 1값은 노면온도가 영하인 경우를 의미함.
주: 2) 괄호 안 수치는 소계에 대한 비율을 의미함.
주: 3) 전체 데이터에 대한 학습용 및 검증용 데이터의 비율은 각각 70%와 30%로 분할처리하였음.
본 연구에서 추정하는 분류모형 네 가지는 모두 결정트리모형(Decision

tree model)을 기반으로 한다. 트리구조는 분석가가 사전에 파라미터 설정을
통해 어느 정도 제어할 수 있다. 결정트리모형에서 파라미터로는 “ 노드분할 ①
을 위한 최소 샘플수, ②말단 노드가 되기 위한 최소 샘플수, ③최적 분할을
위한 최대 피처수52) , ④트리의 최대 깊이, ⑤말단 노드의 최대 개수” 등이 있
다(Breiman et al., 1984).53) 랜덤포레스트모형, GBM 모형, LightGBM 모형의
xliv
경우에는 결정트리모형과 파라미터에서 차이가 있다(권철민, 2020).54) 본 연

구에서는 모형의 성능이 최대로 유지될 수 있도록 학습과정에서 파라미터 튜
닝을 진행하였다.
파라미터 튜닝이 완료된 후, 네 가지 분류모형에 대한 학습을 진행하였다.
모형학습은 학습데이터를 이용해서 독립변수와 종속변수 간 관계를 설명할 수
있는 분류모형을 추정하는 과정이다. 결정트리모형 학습을 위해 파이썬의 사
이킷런(Scikit-learn) 라이브러리 중 ‘sklearn.tree’를 활용하였다. 랜덤포레스
트모형 및 GBM 모형에 대한 학습은 ‘sklearn.ensemble’을 활용하였다. 사이
킷런 라이브러리에는 LightGBM 모형추정에 필요한 모듈이 없다. LightGBM
모형추정은 ‘lightgbm’을 활용하였다.
<표 23> 분류모형 학습을 위해 사용한 파이썬 라이브러리 목록
모형종류 파이썬 라이브러리(코드)
결정트리모형 from sklearn.tree import DecisionTreeClassifier
랜덤포레스트모형 from sklearn.ensemble import RandomForestClassifier
GBM 모형 from sklearn.ensemble import GradientBoostingClassifier
LightGBM 모형 from lightgbm import LGBMClassifier

『』
자료: 권철민(2020), 파이썬 머신러닝 완벽 가이드 , 위키북스, pp. 185-252의 내용 참조.
모형검증은 학습된 모형에 검증데이터를 입력하여 모형의 성능을 평가하는

과정이다. 분류모형에 대한 성능을 평가하기 위한 지표로는 여러 가지가 있다.
본 연구에서는 정확도(Accuracy), 정밀도(Precision), 그리고 재현율(Recall)을
성능평가 지표로 사용하였다.
52) 피처(Feature)란 결정트리에서 노드를 구분하기 위해 사용되는 데이터필드명을 말한다. 본 연구에서는

대기온도, 습도, 풍속과 같이 기상요인이 피처가 된다.
53) Breiman et al.(1984), Classification and Regression Trees, Chapman & Hall/CRC, pp.
279-296의 내용을 참고하여 요약․정리
54) 권철민(2020), 『파이썬 머신러닝 완벽 가이드』, 위키북스, pp. 211-213의 내용 참고.
요 약 xlv
마. 분석모형 추정결과
분석모형에서 토공구간과 교량구간의 노면온도가 영하가 되는 임계조건(기

상조건)과 각 독립변수에 대한 계수값을 도출하였다. 예를 들어, ‘모형(01)’55)에
서 대기온도가 –1.75℃ 이하인 경우에 노면온도가 영하로 떨어진다는 조건이
도출되었다.56) 해당 모형에서 대기온도가 1% 변화하면, 노면온도는 1.03% 변
화한다는 점도 확인할 수 있다. 나머지 모형에 대해서도 동일한 방식으로 해석
할 수 있다.57)
토공구간에 대한 결정트리모형에 국한하여 정확도를 살펴보면, 수집지점의
데이터를 독립변수로 사용한 모형의 정확도는 약 92~93%이다. 반면에 인근
AWS의 데이터를 독립변수로 사용한 모형의 정확도는 약 90%이다. 전자와 후자
의 경우가 큰 차이가 없는 것으로 나타났다. 교량구간에 대한 결정트리모형에서
수집지점의 데이터를 독립변수로 사용한 모형의 정확도는 약 89%이나, 인근
AWS의 데이터를 독립변수로 사용한 모형의 정확도는 약 82%이다.58)
분석모형 추정결과에 대한 해석은 연구를 시작하기 전 세웠던 가설을 확인하
는 방식으로 진행하였다.
【가설①】 수집지점의 데이터를 이용하는 경우가 인근 AWS 데이터를

이용하는 경우보다 모형의 성능이 높을 것이다 ☞ 그렇다
토공구간과 교량구간 모두 수집지점의 데이터를 사용하는 경우가 인근 AWS의

데이터를 사용하는 경우보다 대체적으로 정확도, 정밀도, 그리고 재현율이 모두
55) 모형번호는 <표 17>~<표 20>을 참조할 것.

56) 독립변수로 수집지점의 대기온도만을 사용하는 분류모형에 해당하는 결과이다.
57) 모형의 임계조건은 결정트리모형, 그리고 계수값은 선형회귀모형에만 해당하는 사항이다.
58) 교량구간의 경우에는 수집지점의 데이터를 사용하는 경우와 인근 AWS의 데이터를 사용하는 경우 간
정확도에서 7%p 차이가 난다. 토공구간과 달리 차이가 크게 나는 이유로는 ① AWS 데이터가 수집지점
데이터와 차이가 클 가능성, ② 토공구간과는 다른 교량구간만의 특성이 모형에서 고려되지 않았을 가능
성 등을 생각해볼 수 있다.
xlvi
높은 것으로 나타난다.59) 예를 들면, 독립변수로 수집지점의 대기온도를 사용

하는 토공구간에서의 결정트리모형의 정확도는 0.9167이다. 인근 AWS에서 수
집된 대기온도를 사용하는 결정트리모형의 정확도는 0.9011이다. 전자의 모형
이 후자의 모형보다 정확도가 높은 것을 확인할 수 있다.
【가설②】 AWS에서 수집된 데이터도 빅데이터라면 일정 수준 이상의

성능을 갖춘 모형구축이 가능하다 ☞ 일부 그렇다
AWS에서 수집된 데이터로 추정한 분류모형의 정확도, 정밀도 및 재현율은 수

집지점에서 얻어진 데이터로 추정한 분류모형의 정확도, 정밀도 및 재현율보
다 떨어진다. 그 차이는 토공구간의 경우에 정확도는 1~2%p, 정밀도는
0~4%p, 그리고 재현율은 3~12%p 수준이다. 반면에 교량구간의 경우에는 정
확도는 4~7%p, 정밀도는 1~11%p, 그리고 재현율은 10~22%p까지 차이가 난
다. 토공구간에서 분석대상이 되는 지점의 기상정보를 직접 구하기 어려운 경
우에 인근 AWS의 기상정보 데이터를 활용하면 일정 수준 이상의 성능을 갖춘
모형구축이 가능하다는 것을 시사한다. 그러나 교량구간의 경우에는 평가지표
에 따라 모형의 성능이 기대에 미치지 못할 수 있다.60)
59) 일부 예외는 있다. 대기온도만을 독립변수로 사용하는 결정트리모형의 경우에 AWS의 데이터를 사용하는
경우(0.8852)가 수집지점의 데이터를 사용하는 경우(0.8437)보다 정밀도가 높다. 대기온도와 습도를
독립변수로 사용하는 LightGBM 모형의 경우에도 AWS의 데이터를 사용하는 경우(0.8749)가 수집지점
의 데이터를 사용하는 경우(0.8747)보다 정밀도가 높다.
60) 모형의 성능을 평가할 때, 가장 많이 언급되는 평가지표는 정확도이다. 그러나 상황에 따라 정밀도 또는
재현율을 주의 깊게 봐야 할 경우도 있다. 본문 <글상자 4-3>의 내용에 따르면, 운전자에게는 재현율이
더 중요한 지표이다. 왜냐하면, 실제로 노면온도가 영하인데(그래서 도로 살얼음이 형성될 가능성이 높은
데), 이를 시스템에서 간파하지 못하면 운전자에게 치명적일 수 있기 때문이다. 교량구간에서 수집지점의
데이터를 이용하는 모형보다 AWS의 데이터를 이용하는 모형의 재현율이 10~22%p 낮다는 점은 가설②
의 주장이 교량구간에 대해서는 유효하지 않을 수도 있음을 시사한다.
요 약 xlvii
【가설③】 독립변수로 대기온도만을 사용하는 경우보다 습도, 풍속을

함께 사용하는 경우가 모형의 성능이 높다 ☞ 대체로 그렇다
랜덤포레스트모형, GBM 모형 및 LightGBM 모형은 모형에 포함되는 독립변수

가 늘어날수록 정확도, 정밀도 및 재현율이 모두 향상되는 경향을 보인다. 반면
에 결정트리모형의 경우에는 습도 또는 풍속을 독립변수로 추가하는 경우에 성
능이 감소하는 경우가 나타났다. 일부 예외는 있지만61), 교량구간의 경우에도
습도 또는 풍속을 독립변수로 포함시키면 모형의 성능이 증가하는 것으로 나타
났다. 요약하면 독립변수로 대기온도만을 사용하는 경우보다 습도나 풍속을 함
께 사용하는 경우가 모형의 성능이 대체적으로 향상되는 것으로 나타났다.
【가설④】 같은 조건이라면 토공구간보다 교량구간에서 도로 살얼음이

형성될 가능성이 높다 ☞ 그렇다
노면온도가 영하인 경우의 분류조건이 토공구간에서는 –1.75℃ 이하이고,

교량구간에서는 –0.75℃ 이하이다. 달리 표현하면, 대기온도가 –1.0℃인 경
우에 토공구간의 노면온도는 영상이지만, 교량구간의 노면온도는 영하가 된
다. 만약 같은 시간대에 두 곳의 노면에 수분이 존재한다면 토공구간과 달리
교량구간에서는 도로 살얼음이 형성될 수 있다는 뜻이다. 따라서 같은 조건이
라면 토공구간보다 교량구간에서 도로 살얼음이 형성될 가능성이 높을 것으로
추정된다. 이러한 경향은 독립변수로써 AWS의 대기온도만을 사용하는 모형
에서도 동일하게 나타난다.
61) 습도나 풍속을 독립변수로 추가하는 경우에 정밀도 측면에서 성능이 저하되는 결과가 일부 나타났다.
xlviii
【가설⑤】 대기온도가 영하로 떨어진다고 해서 노면온도가 반드시 영하

가 되지 않는다 ☞ 그렇다
노면온도가 영하인 경우의 분류조건이 토공구간은 –1.75℃ 이하이고, 교량구

간에서는 –0.75℃ 이하이다. 대기온도가 영하라고 할지라도 노면온도는 영상
일 수 있다는 의미이다.
【가설⑥】 노면온도와 대기온도는 양(+)의 상관관계, 습도와는 음(-)의

상관관계를 가질 것이다 ☞ 그렇다
모형 추정결과에서 노면온도와 습도가 음(-)의 상관관계인 것을 확인할 수 있

다. 대기 중의 수분가 노면의 복사열을 흡수하는 현상과 관계가 있을 것으로
추정되나(이광목, 2020)62) 검증이 필요하다. 풍속과 노면온도 간의 관계는 【가
③
설 】에서 기술한 이유로 파악이 어렵다.
【가설⑦】 빅데이터를 활용하면 단일학습모형도 앙상블학습모형과 유

사한 성능을 보일 수 있다 ☞ 대체로 그렇다
세 가지 모형 평가지표 측면에서 앙상블학습모형의 성능이 단일학습모형의 성

능보다 대체로 높게 나타났다. 그러나 그 성능 차이가 크지 않다. 수집지점의
대기온도를 독립변수로 사용하는 토공구간에 대한 분류모형의 정확도를 비교
해보자. 네 가지 모형 모두 약 92%의 유사한 정확도를 나타낸다. 모형에 포함
되는 독립변수의 종류와 평가지표에 따라 차이는 있으나 단일학습모형 대비
앙상블학습모형의 성능은 최대 ±7.0%p 차이가 있는 것으로 나타났다.
62) 이광목(2020), 『대기복사』, 시그마프레스, p. 127의 내용 참조.

<표 24> 토공구간에 대한 노면온도 추정모형
모형에 포함된 독립변수 분류모형3)에서 도출된 선형회귀모형 계수값
구간 수집지점1) 인근 AWS2) 노면온도가 영하인 경우의 수집지점1) 인근 AWS2)
절편
대기온도 습도 풍속 대기온도 습도 풍속 분류조건 대기온도 습도 풍속 대기온도 습도 풍속
● ≤
대기온도 -1.75 ℃ 2.7761 1.0312
● ● ≤ ℃
대기온도 -1.75
≥
습도 43.9%
7.4043 1.0113 -0.0721
대기온도≤-1.75℃
● ● ● 습도≥43.9% 5.7774 1.0063 -0.0576 0.6109
토공 풍속≤3.05㎧
구간
● 대기온도≤-3.85℃ 3.6727 0.9506
● ● ℃≤대기온도≤-2.85℃ 7.7697
-5.35
습도≥45.3%
0.9293 -0.0640
● ● ● -5.35℃≤대기온도≤-2.85℃
습도≥45.3%
-4)
-4) -4) -4)

2) 인근 AWS란 수집지점에서 지리적으로 가장 가까운 곳에 위치한 방재기상관측장비의 위치를 의미함.
3) DT 모형의 결과값을 의미함.
4) 분류모형의 분류조건에서 풍속에 따른 영향을 파악하기 어려워 선형회귀모형을 추정하지 아니함.
xlix
l
<표 25> 교량구간에 대한 노면온도 추정모형
모형에 포함된 독립변수 선형회귀모형 계수값

분류모형3)에서 도출된
구간 수집지점1) 인근 AWS2) 노면온도가 영하인 수집지점1) 인근 AWS2)
경우의 분류조건 절편
대기온도 습도 풍속 대기온도 습도 풍속 대기온도 습도 풍속 대기온도 습도 풍속
● ≤ ℃
대기온도 -0.75 1.9073 1.0676
대기온도≤-0.75℃
● ● 습도≥34.9%
5.0438 1.0598 -0.0503
대기온도≤-0.75℃
● ● ● 습도≥34.9%
-4) -4) -4) -4)
교량
● 대기온도≤-2.55℃
구간
3.1085 0.9266
● ● ≤
대기온도 -2.55℃ -4) -4) -4)
● ● ● ≤
대기온도 -2.55℃ -4) -4) -4) -4)

주: 3) DT 모형의 결과값을 의미함.
주: 4) 분류모형의 분류조건에서 습도 또는 풍속에 따른 영향을 파악하기 어려워 선형회귀모형을 추정하지 아니함.
<표 26> 토공구간에 대한 노면온도 추정 분류모형의 성능평가 결과(1)
모형에 포함된 독립변수 : 모형에 포함된 독립변수 : 모형에 포함된 독립변수 :

구간 구분 모형 수집지점1)의 대기온도 수집지점1)의 대기온도 및 습도 수집지점1)의 대기온도, 습도 및 풍속
평가지표
DT2) RF2) GBM2) LightGBM2) DT2) RF2) GBM2) LightGBM2) DT2) RF2) GBM2) LightGBM2)
정확도 0.9167 0.9212 0.9212 0.9212 0.9214 0.9259 0.9271 0.9273 0.9200 0.9294 0.9280 0.9302
토공구간 정밀도 0.8437 0.8696 0.8696 0.8696 0.8804 0.8758 0.8758 0.8747 0.8593 0.8911 0.8911 0.8946
재현율 0.8934 0.8736 0.8736 0.8736 0.8600 0.8832 0.8832 0.8900 0.8832 0.8764 0.8764 0.8753
주: 2) DT-결정트리모형(Decision tree model), RF-랜덤포레스트모형(Random forest model), GBM-그래디어트부스팅머신(Gradient boosting machine).
<표 27> 토공구간에 대한 노면온도 추정 분류모형의 성능평가 결과(2)

구간 구분 모형 인근 AWS1)의 대기온도 인근 AWS1)의 대기온도 및 습도 인근 AWS1)의 대기온도, 습도 및 풍속
평가지표
정확도 0.9011 0.9004 0.9012 0.9006 0.9004 0.9063 0.9073 0.9092 0.90043) 0.9134 0.9184 0.9176
토공구간 정밀도 0.8852 0.8619 0.8619 0.8674 0.8423 0.8705 0.8705 0.8749 0.84233) 0.8785 0.8785 0.8839
3)
재현율 0.7778 0.8033 0.8033 0.7971 0.8299 0.8152 0.8152 0.8209 0.8299 0.8322 0.8322 0.8413
주: 3) 노면온도에 대한 풍속의 영향이 고려되지 않아 AWS의 대기온도 및 습도만 포함된 모형의 결과값과 동일하게 산출.
li
lii
<표 28> 교량구간에 대한 노면온도 추정 분류모형의 성능평가 결과(1)

평가지표
정확도 0.8905 0.8895 0.8895 0.8895 0.8922 0.8958 0.8980 0.8979 0.89223) 0.8983 0.8997 0.9003
교량구간 정밀도 0.8452 0.8223 0.8223 0.8223 0.8163 0.8368 0.8368 0.8400 0.81633) 0.8394 0.8394 0.8438
3)
재현율 0.7950 0.8241 0.8241 0.8241 0.8450 0.8279 0.8279 0.8314 0.8450 0.8341 0.8341 0.8353
주: 3) 노면온도에 대한 풍속의 영향이 고려되지 않아 수집지점의 대기온도 및 습도만 포함된 모형의 결과값과 동일하게 산출.
<표 29> 교량구간에 대한 노면온도 추정 분류모형의 성능평가 결과(2)

모형 인근 AWS1)의 대기온도 인근 AWS1)의 대기온도 및 습도 인근 AWS1)의 대기온도, 습도 및 풍속
구간 구분 평가지표
정확도 0.8238 0.8342 0.8342 0.8337 0.82383) 0.8497 0.8497 0.8494 0.82383) 0.8544 0.8536 0.8553
3)
교량구간 정밀도 0.7364 0.7872 0.7872 0.8114 0.7364 0.7877 0.7877 0.7960 0.73643) 0.7856 0.7856 0.7983
3) 3)
재현율 0.6787 0.6431 0.6431 0.6091 0.6787 0.7104 0.7104 0.6962 0.6787 0.7343 0.7343 0.7180
주: 3) 노면온도에 대한 습도 또는 풍속의 영향이 고려되지 않아 AWS의 대기온도만 포함된 모형의 결과값과 동일하게 산출.
요 약 liii
5. 사고사례를 활용한 도로 살얼음 대응체계 진단
본 연구에서 도출한 노면온도 추정모형을 당시 사고현장(영천시 오미교차로

부근)에 적용하여 노면온도가 영하였던 시간대를 추정해 보았다. AWS의 대기
온도만을 독립변수로 사용하는 선형회귀모형이다. 선형회귀모형 식은 (수식 1)
과 같다.63) 오미교차로 인근 AWS에서 수집한 대기온도를 수식에 적용한 결과
는 <표 30>과 같다.
     ........................................................ (수식 1)
여기서,
 = 분석대상지점의 노면온도( ) ℃

 = 분석대상지점 인근 AWS(화북(841))에서 수집된 대기온도( ) ℃
<표 30> 경북 영천 도로 살얼음 사고(’20년 12월 28일 06:53) 전후 노면온도 추정 결과
화북(841)에서 수집된 노면상태 추정값

AWS 데이터
일시 비고
℃
대기온도
( ) ㎜
강수량
( ) ℃
노면온도
( ) 영상/영하
2020-12-27 20:00 2.1 0 5.7 영상

2020-12-27 21:00 0.2 0 3.9 영상
2020-12-27 22:00 -0.2 0 3.5 영상
2020-12-27 23:00 -0.8 0 2.9 영상
2020-12-28 00:00 -1.7 0 2.1 영상
2020-12-28 01:00 -3.4 0 0.4 영상
63) (요약수식 1)은 분석대상지점에서 직접 기상데이터를 구하기 어려운 경우에 적용한다. 만약 해당 지점이
나 근처에서 수집된 기상데이터가 있다면 본문 <표 4-20>의 첫 번째 수식(다음 수식 참조)을 사용한다:
    
여기서,
 = 분석대상지점의 노면온도(℃)
 = 분석대상지점이나 인접한 지역에서 수집된 대기온도(℃)
liv
화북(841)에서 수집된
AWS 데이터 노면상태 추정값
일시 비고
℃
대기온도
( ) ㎜
강수량
( )
노면온도
( )℃ 영상/영하
2020-12-28 02:00 -3.6 0 0.3 영상

2020-12-28 03:00 -4.1 0 -0.2 영하
2020-12-28 04:00 -4.4 0 -0.5 영하
2020-12-28 05:00 -5.2 0 -1.3 영하
2020-12-28 06:00 -5.6 0 -1.7 영하 사고발생

(06:53)
2020-12-28 07:00 -6.6 0 -2.6 영하
2020-12-28 08:00 -4.8 0 -0.9 영하
2020-12-28 09:00 -3.0 0 0.8 영상
2020-12-28 10:00 -1.4 0 2.3 영상
2020-12-28 11:00 2.3 0 5.9 영상
2020-12-28 12:00 8.4 0 11.7 영상
2020-12-28 13:00 12.2 0 15.3 영상
2020-12-28 14:00 12.9 0 15.9 영상
2020-12-28 15:00 13.0 0 16.0 영상
주: 1) 노면온도 추정값은 (수식 5-1)을 사용하였음.
주: 2) 표에서 네모로 묶인 부분은 노면온도가 영하로 추정된 시간대를 의미함.
｢｣
자료: 대기온도/강수량-기상청 기상자료개방포털, 방재기상관측(AWS) , https://data.kma.go.kr/(2021.04.01).
추정된 결과에 따르면, 오미교차로 부근 도로는 2020년 12월 28일 오전 3

시경부터 노면온도가 영하로 떨어졌을 것으로 보인다. 이러한 상태는 오전 8
시까지 유지되었다. 오전 9시가 지나자 노면온도는 다시 영상이 되었다. 확인
할 수 있는 또 다른 사실은 도로 살얼음 사고 전후로 강수가 없었다는 점이다.
사고 당시의 도로 살얼음은 강수가 아닌 다른 형태의 수분이 도로에 유입되어
생성되었을 것으로 추정된다.64)
64) 이와 관련하여 몇 가지 가능성이 있다. 우선, AWS에서 강수량 측정이 제대로 이루어지지 않았을 가능성
이다. 본 연구에서는 AWS에서 수집된 데이터에는 오류가 없다고 가정하였다. 27일 이전에 해당 도로에
강수나 강설이 있었을 수도 있다. 확인 결과, 27일 이전에도 며칠 동안은 강수나 강설은 없었던 것으로
나타났다(기상청 기상자료개방포털, ｢방재기상관측(AWS)｣, 2021.04.01). 오미교차로가 고현천 인근에
있다는 점도 고려해볼 수 있다. 오미교차로와 고현천 간의 직선거리는 약 600m이다(카카오지도, ｢오미
요 약 lv
6. 결론 및 정책제언
가. 결론
도로 살얼음은 운전자에게 치명적이다. 본 연구에서 표본조사한 결과에 따

르면, 도로 살얼음 사고의 치사율은 31.9로 전체 교통사고 치사율보다 15배나
높다.65) 도로 살얼음 사고가 발생하면 평균 7.5명이 죽거나 다치는 것으로 나
타났다.66) 대형사고로 이어질 가능성이 높다는 뜻이다. 도로 살얼음은 예측하
기도 어렵고, 대응하기도 어렵다. 그래도 해결할 수 있는 방법을 찾아야 한다.
본 연구에서는 기초데이터를 수집하는 것부터 시작했다. 언론기사를 통해
도로 살얼음 사고정보를 수집했고, 설문조사를 통해 운전자들의 인식도 조사
했다. 도로 살얼음 사고의 특징을 정리하면 다음과 같다. 도로 살얼음 사고는
겨울철 중에서도 1월에 가장 많이 발생했고, 그 비중은 약 52%이다.67) 새벽부
터 아침 사이에 약 73%의 도로 살얼음 사고가 발생했다.68) 도로 살얼음 사고
는 일단 발생하는 대형사고로 발전할 가능성이 있다.69)
이어서 도로 살얼음 진단에 활용될 수 있는 노면온도 추정모형을 구현하였
다. 기상 데이터와 노면온도 데이터를 함께 수집하고 있는 민자회사 3곳으로
부터 현장 데이터를 제공받았다. 그리고 기상청 기상자료개방포털에서 현장
데이터와 매칭에 필요한 AWS 데이터를 입수하였다. 데이터 집계시간 통일, 지
형별 집계, 매칭 등 데이터 전처리를 거쳐 분석에 필요한 데이터세트를 마련하
였다. 모형추정은 데이터 입력, 데이터 분할, 파라미터 설정, 모형학습, 모형검
증 및 성능평가 순서로 진행되었다. 모형 추정결과를 정리하면 다음과 같다. 수
집지점의 데이터를 이용하는 경우가 인근 AWS 데이터를 이용하는 경우보다 모
교차로｣, 2021). 강이나 호수 근처에서 발생하는 안개는 도로 살얼음 형성에 원인이 될 수 있다.
65) 본문 <표 2-3>의 도로 살얼음 사고 일지를 분석한 결과임.
66) 본문 <표 2-3>의 내용 참조.
67) 본문 <그림 2-2>의 내용 재인용.
lvi
형의 성능이 높게 나타났다. AWS에서 수집된 데이터도 빅데이터라면 일정 수준

이상의 성능을 갖춘 모형구축이 가능한 것으로 나타났다. 같은 조건이라면 토공
구간보다 교량구간에서 도로 살얼음이 형성될 가능성이 높다. 대기온도가 영하
로 떨어진다고 해서 노면온도가 반드시 영하가 되지 않는다. 빅데이터를 활용하
면 단일학습모형도 앙상블학습모형과 유사한 성능을 보일 수 있다. 본 연구의
모형은 고속국도에서 수집된 데이터만으로 구현된 것이다. 향후에는 일반국도,
지방도 등 다양한 도로에서 수집된 데이터를 활용해서 모형을 개선해야 한다.
터널구간에서 수집된 데이터도 모형개발에 필요하다.
나. 정책제언
본 연구에서는 도로 살얼음 사고예방을 위해 다음과 같이 여덟 가지 정책제

언을 제안한다. <표 31>은 정책제언 내용을 요약한 것이다.
<표 31> 도로 살얼음 사고예방을 위한 정책제언
정책제언 구분 정책제언 목록
․도로 살얼음 관련 기초자료 수집체계 강화(교통사고 통계원표 개정 등)
제도개선 ․제설제 예비살포 기준을 지형별로 구분하여 적용
․운전면허 시험 등 교육과정 강화
시스템개발 ․도로 살얼음 관리시스템 구축
․1월과 출근시간대에 도로 살얼음 집중 관리
․도로 살얼음 예보 시행
홍보강화
․교통안전수칙 내 도로 살얼음 내용 상세화
․도로 살얼음 지도 제작
1) (제도①) 도로 살얼음 관련 기초자료 수집체계를 강화하자.
연구를 시작하면서 가장 먼저 마주한 난관은 분석에 필요한 기초데이터가

턱없이 부족하다는 것이었다. 보고된 도로 살얼음 사고건수 자체가 적기 때문
이다. 관련 자료를 모으기 위한 수집체계가 미흡한 탓도 있다. 언론기사와 설
요 약 lvii
문조사를 통해 일부 자료를 확보했지만, 불충분하다. 아쉬운 대로 앞으로 발생

하는 도로 살얼음 사고부터라도 데이터를 체계적으로 수집해야 한다. 기초자
료를 수집하기 위해 시스템을 새로 구축하는 일은 시간이 필요하다. 기존 시스
템 내에서 기초자료를 효과적으로 수집할 수 있는 방법을 찾아야 한다. 도로
살얼음 사고는 대형사고로 이어지는 경우가 많아 경찰에서 직접 조사할 가능
성이 높다. 사고현장에 출동하는 교통조사관의 역할이 중요하다. 사고가 발생
하고 나서, 최초로 사고현장을 볼 수 있는 사람이기 때문이다. 도로 살얼음은
쉽게 소멸되기 때문에 시간이 흐른 뒤에는 관찰이 어려울 수도 있다. 교통조사
관이 작성하는 교통사고 통계원표 양식을 개선해서 도로 살얼음 사고가 발생
했을 때에는 사고정황 등을 구체적으로 기술하도록 하고, 필요하다면 도로 살
얼음 연구에 필요한 항목을 추가해서 기술하도록 해야 한다.
<표 32> 교통사고 통계원표 개정(안)

기존 개정(안)
□ 도로 및 환경 □ 도로 및 환경
(52) 노면상태 (52) 노면상태
포 장 비포장 포 장 비포장
살 살
건 습 결 적 기 건 습 결 적 기 건 습 결 적 얼 기 건 습 결 적 얼 기
조 기 빙 설 타 조 기 빙 설 타 조 기 빙 설 타 조 기 빙 설 타
음 음
1 2 3 4 5 11 12 13 14 15 1 2 3 4 5 6 11 12 13 14 15 16
주: 표 우측셀에서 네모 처리된 부분이 개정(안) 내용임.

자료: 교통사고 통계원표 원본(기존) - 교통사고조사규칙(경찰청훈령 제818호, 2016.12.21)의 [별표 3] 인용.
2) (제도②) 제설제 예비살포 기준을 지형별로 달리 적용하자.
『
국토교통부의 도로제설업무 수행요령 에는 제설제 예비살표 기준이 마 』
련되어 있다(국토교통부, 2020b).70) 해당 기준에 따르면, “도로 살얼음 우려
예보가 있거나, 노면온도 2 ℃ 이하로 온도하강이 예상되고 비가 내리기 시작
70) 국토교통부(2020b), 『도로제설업무 수행요령』, p. 27의 내용 참조.
lviii
할 때”(국토교통부, 2020b)71) 예비살포를 하도록 하고 있다. 본 연구에서 노면

온도 추정모형을 구현하면서 도출된 기준에 따르면, 같은 기상조건에서 교량
구간은 토공구간보다 도로 살얼음이 형성될 가능성이 높게 나타났다.72) 현재
는 예비살포 기준에서 도로구간의 지형을 고려하고 있지 않다.73) 향후 제설제
예비살포 기준을 개정할 때에는 지형을 고려하여 예비살포 기준을 세분화해야
한다. 그 기준을 토공구간보다 교량구간에서 더 강화해야 한다. 터널구간에 대
한 기준은 후속 연구를 통해 조사해야 한다. 본 연구에서 도출된 노면온도 추
정치는 보수적으로 적용하여74) 향후 제설기준에 반영하도록 한다.
<표 33> 도로제설업무 수행요령 개정(안)

기존 개정(안)
2.2.2 결빙 취약구간의 지정 2.2.2 결빙 취약구간의 지정
○ 다음과 같은 구간을 결빙 취약구간으로 지 ○ 다음과 같은 구간을 결빙 취약구간으로 지
정할 수 있다. 정할 수 있다.
- 도로시설 특성, 기하구조, 기후특성, 교통 - 도로시설 특성, 기하구조, 기후특성, 교통
운영에 따라 도로살얼음이 발생할 확률 운영에 따라 도로살얼음이 발생할 확률
이 높은 구간 이 높은 구간
- ‘부록8. 결빙 취약구간 평가기준표’의 세 - ‘부록8. 결빙 취약구간 평가기준표’의 세
부배점 평가점수에 따라 아래와 같이 관 부배점 평가점수에 따라 아래와 같이 관
리등급으로 분류한다. 리등급으로 분류한다.
- 교량구간은 도로 살얼음 취약구간으로
우선지정한다.
주: 표 우측셀에서 밑줄 친 문장이 개정(안) 내용임.
『』
자료: 도로제설업무 수행요령 원본(기존) - 국토교통부(2020b), 도로제설업무 수행요령 , p. 6의 내용 인용.
3) (제도③) 운전면허 시험 등 교육과정을 활용하자.
도로 살얼음에 대한 인지수준을 조사한 결과, 20대 또는 운전경력 1년 미만

의 사람들이 비교군에 비해 도로 살얼음에 대한 인지수준이 낮은 것으로 나타

72) 본문 p. 108의 내용 참조.
73) 지형이란 토공구간, 교량구간, 터널구간 등을 말한다.
74) 예를 들어, 대기온도가 –2℃일 때, 노면온도가 영하가 된다고 가정하자. 이 경우, 대기온도가 –1℃ 이하로
떨어지기 시작할 때 선제적으로 도로 살얼음 대응을 해야 한다는 의미이다.
요 약 lix
났다.75) 도로 살얼음에 대한 인지 여부는 운전경험과 어느 정도 연관성이 있

는 것으로 추정된다. 20대 초반에 운전면허를 취득하더라도 경제력 등의 이유
로 차량을 보유하지 못하거나 운전을 하지 않으면 도로 살얼음을 직접 경험하
거나 관련 정보를 취득하게 될 가능성이 떨어질 수 있기 때문이다.
설문조사에서 응답자의 15.7%가 운전면허 시험에서 도로 살얼음 정보를 취
득했다고 응답했다.76) 모든 운전자가 운전면허 필기시험을 치른다. 80%가 넘
는 운전자가 운전면허 시험에서 도로 살얼음과 관련된 내용을 접하지 못한 것
으로 추정된다. 운전자가 되고자 하는 사람에게 필수인 운전면허 시험 등 교육
과정을 강화하여 도로 살얼음 정보를 제공하자.
4) (시스템①) 도로 살얼음 관리시스템을 구축하자.
본 연구는 ‘도로 살얼음 관리시스템’(가칭)을 구현하는데 필요한 기초연구로

서의 성격을 지닌다. 노면온도 추정모형은 기존 교통정보시스템77)이나 새롭
게 구축되고 있는 시스템78)에 새로운 모듈로 추가되거나 연계되는 방식으로
활용될 수 있다. <그림 11>은 도로 살얼음 관리시스템이 기존 또는 신규 시스
템에 연계되어 작동하는 방식을 도식화한 것이다.
기존 또는 신규 시스템에 본 연구의 모형을 활용하기 위해서는 일정 수준
이상의 성능이 확보되어야 한다. 노면온도 추정모형의 성능개선이 지속적으로
필요한 이유다. 본격적인 모형개발을 위해 필요한 과정은 <그림 12>와 같이
정리할 수 있다. 본 연구에서는 고속국도에서 수집된 데이터로 노면온도 추정
모형을 구현하였다. 대부분의 데이터는 교량구간에서 수집된 것이다. 향후에
75) 본문 <표 2-7>의 내용 재인용.

76) 본문 <표 2-11>의 내용 재인용.
77) 국토교통부에서 운영하고 있는 ‘ITS 국가교통정보센터’(고속국도 및 일반국도 대상)가 대표적인 예이다
(ITS 국가교통정보센터, 2021). 서울시에서 운영하고 있는 ‘서울시 교통정보 시스템’(지자체 관리도로
포함)은 지자체가 운영하고 있는 시스템의 대표적인 예이다(서울시 교통정보 시스템, 2021).
78) 현재 기상청과 한국도로공사는 ‘AI 기반 도로살얼음 관리시스템’을 시범구축하고 있다(한국도로공사,
2021a).
lx
는 토공구간과 터널구간에 대한 데이터를 보다 많이 확보하여 추가 분석이 필

요하다.79) 또한 고속국도뿐만 아니라, 일반국도, 지방도 등 도로종류별로 데
이터를 확보하여 분석하는 작업도 필요하다.
<그림 11> 도로 살얼음 관리시스템 운영단계 도식도
<그림 12> 노면온도 추정모형 개발단계 도식도
79) 토공구간, 교량구간, 터널구간에 대한 개념은 본문 <글상자 4-1>을 참조할 것.

요 약 lxi
5) (홍보①) 1월과 출근시간대에 도로 살얼음을 집중관리하자.
언론기사를 통해 파악한 내용에 따르면, 도로 살얼음 사고는 겨울철 중에서

도 1월에 가장 많이 발생한 것으로 나타났다.80) 도로 살얼음을 경험했던 시기
에 대해 조사한 설문조사에서 1월에 경험했다고 응답한 비율이 가장 높게 나
타났다.81) 12월이나 2월이 아닌 1월인 이유에 대해서는 연구가 필요하다. 시
기가 특정된 만큼 1월에 보다 집중적인 도로 살얼음 관리를 해야 한다.
도로 살얼음을 경험한 시간대에 대해서도 언론기사를 통한 조사와 설문조
사에서 유사한 결과가 도출되었다. 언론기사를 통해 살펴본 바에 따르면, 도로
살얼음 사고는 새벽부터 아침시간 사이에 주로 발생한 것으로 나타났다.82) 설
문조사에서도 가장 많은 응답자가 아침시간대에 도로 살얼음을 경험했다고 응
답했다.83) 밤사이 형성됐던 살얼음이 녹지 않고 아침까지 남아 있다가, 출근
시간대에 교통량이 몰리면서 나타난 현상으로 보인다.
6) (홍보②) 도로 살얼음 예보를 시작하자.
미국 방송에서는 도로 살얼음과 관련된 일기예보도 보도한다(Hot Enterprise

News, 2021).84) 그 내용과 범위가 구체적이지는 않지만, 운전자들이 경각심을
갖기에는 충분해 보인다. 사고는 사후대처보다 예방이 우선이다. 우리나라도
겨울철에 도로 살얼음 예보를 내보내는 방안을 검토해야 한다. 설문조사에서
응답자들이 도로 살얼음 관련 언론기사를 접하게 되는 주경로가 TV로 확인되
었다.85) 일기예보는 많은 사람들이 챙겨보는 정보인 만큼 TV를 활용한 기상
예보 전달이 효과적일 수 있다.

lxii
7) (홍보③) 교통안전수칙 내 도로 살얼음 내용을 상세화하자.
영국의 Highway Code(도로이용법)86)와 유사하게 우리나라에서는 경찰청이

『교통안전수칙』을 제작하여 배포하고 있다(경찰청, 2018). 87) Highway Code
에서는 빙판길이나 눈길에서 어떻게 운전해야 하는지에 대해 상세하게 다루고
있다(UK DfT, 2019).88) 교통안전수칙에 블랙아이스 정의가 소개되고 있지만,
빙판길이나 눈길 운전법은 영국처럼 상세하지 않다(경찰청, 2018).89) Highway
Code 등을 참고하되, 우리나라의 도로실정에 맞는 도로 살얼음 운전법을 만들
고 이를 교통안전수칙에 반영해야 한다.
<표 34> 교통안전수칙 수행요령 개정(안)

기존 개정(안)
• 낮에 눈이 녹았다가 저녁에 다시 얼어 검 • 낮에 눈이 녹았다가 저녁에 다시 얼어 검
정색 빙판길이 되어 있으면 아스팔트와 구 정색 빙판길이 되어 있으면 아스팔트와
별이 어렵기 때문에 눈 내린 다음날도 감 구별이 어렵기 때문에 다음과 같이 운전
속 운전해야 한다. 해야 한다.
[출발전]
- 바깥상황을 알 수 있게 차량의 모든 유리
를 깨끗하게 청소한다.
- 이동경로 중, 도로 살얼음 제보가 발생한
구간이 있는지 확인한다.
[주행중]
- 평상시보다 앞차와의 거리를 10배 이상
으로 유지한다.
- 일기예보, 가변전광표지(VMS)을 주기적
으로 확인한다.
- 평상시 주행속도의 100분의 50 이하로
주행한다.
- 굽은 길에서는 특히 서행한다.
『』
자료: 교통안전수칙 원본(기존) - 경찰청(2018), 교통안전수칙 , p. 73의 내용 인용.
86) UK DfT(2019), The Highway Code의 내용 참조.

87) 경찰청(2018), 『교통안전수칙』의 내용 참조.
89) 경찰청(2018), 『교통안전수칙』, p. 73의 내용 참조.
요 약 lxiii
8) (홍보④) 도로 살얼음 지도를 제작하자.
도로 살얼음에 취약한 결빙 취약구간을 시각화하면 유용한 정보가 될 수 있

다. <그림 13>은 국토교통부(2020b)90)에서 지정한 결빙 취약구간의 분포를 지
도 위에 표시한 것이다. 자신이 주로 운행하는 경로가 결빙 취약구간으로 지정
되어 있다는 사실을 운전자가 알게 된다면, 겨울철에 경각심을 가지고 운전하게
될 것이다.
『』
자료: 국토교통부(2020b), 도로제설업무 수행요령 , pp. 124-145의 내용을 참고하여 그림으로 재구성.
<그림 13> 결빙 취약구간 분포도(2020년)
90) 국토교통부(2020b), 『도로제설업무 수행요령』, pp. 124-145의 내용을 참고.

1
제1장 서론
제1절 연구의 배경 및 필요성
1. 연구의 배경
도로에서 살얼음1) 사고가 반복되고 있다. 도로 살얼음 사고만을 다룬 공식

통계는 찾아보기 어렵다. 교통사고분석시스템(이하 ‘TAAS’)에서 유사한 통계
를 찾아볼 수 있다. 최근 10년간(2011~2020년) 노면상태가 결빙인 상황에서
발생한 교통사고 발생건수는 16,280건이고, 이로 인해 485명이 사망하고
29,003명이 부상을 입었다(TAAS, 2021).2)3) 국내 검색사이트를 통해 확인된
도로 살얼음 의심사고건수는 69건으로 파악되나, 실제 사고건수는 훨씬 더 많
을 것으로 추정된다.4)
1) 블랙아이스(Black ice)는 “검은색 도로포장(아스팔트)에 형성된 반투명에 가까운 얇은 얼음막”(김인수 외,

2016, p. 3)이다. 살얼음(Clear ice)은 모든 도로 포장에 형성될 수 있으므로, 블랙아이스는 살얼음의
한 종류로 간주하는 것이 타당하다. 본 연구에서는 살얼음과 블랙아이스를 명확하게 구분하지 않고 같은
의미로 사용하였다. 블랙아이스에 대한 정의는 <부록 1>을 참조할 것.
2) TAAS(교통사고분석시스템), 「노면상태별 교통사고」, http://taas.koroad.or.kr/sta/acs/exs/typical.d
3) 현재 TAAS에서 제공하고 있는 노면상태별 교통사고의 분류기준은 ‘건조’, ‘젖음/습기’, ‘결빙/서리’, ‘적
설’, ‘침수’, ‘해빙’, ‘기타’와 같이 7가지이다(TAAS, 2021). 교통사고조사관 면담 결과, 만약 살얼음으로
교통사고가 발생한 경우에 조사관이 사고 당시 노면상태를 ‘서리/결빙’으로 기록할 가능성이 높고, ‘젖음/
습기’로 기록할 가능성은 낮다고 한다(한국교통연구원 자문회의록, 2021.02.05). 이러한 점을 감안해볼
때, 살얼음으로 인한 교통사고는 사고당시 노면상태가 ‘결빙/서리’으로 기록되었을 것으로 추정된다.
4) 검색 시에 “살얼음”, “블랙아이스”, “Black Ice” 등을 키워드로 사용하였다. 파악된 수치는 2008년부터
2
2020년 2월 17일 순천완주고속도로 사매2터널에서 발생한 32중 추돌사고

(한국농어촌방송, 2021)5)와 2019년 12월 14일 상주영천고속도로 산호교 부근
에 발생한 28중 및 22중 추돌사고(동아일보, 2021; BBC NEWS 코리아, 202
1)6)7)가 최근에 발생한 대표적인 도로 살얼음 사고 보도 사례이다. 특히 상주
영천고속도로 산호교는 과거 3년 동안 교통사고로 인한 인명피해가 한 건도
없던 곳이었다(TAAS, 2021).8) 살얼음으로부터 안전한 도로는 없다는 점을 단
적으로 보여 준다. 도로 살얼음은 얇고 투명해서 주행 중에 운전자가 식별하기
어렵다. 알고 있다고 하더라도 순간적인 대처가 쉽지 않다. 겨울철 운전자들이
불안해 할 수밖에 없다. 도로 살얼음이 ‘침묵의 살인자’로 불리는 이유다.
도로 살얼음 사고에 주목해야 하는 이유는 치사율이 높고, 2차 사고 등 대형
사고9)로 이어질 수 있기 때문이다. ‘결빙/서리’로 인한 교통사고의 치사율은
3.0으로 전체 교통사고의 치사율 1.9보다 1.6배 높은 것으로 알려져 있다(삼성
교통안전문화연구소, 2020).10)11) 본 연구에서 언론기사를 토대로 표본을 분
석한 결과, 도로 살얼음 사고로 인해 사고 한 건당 7.5명의 사상자가 발생한
2020년까지 발생한 도로 살얼음 사고건수 가운데 일부일 것으로 추정된다. 검색에서 참고했던 언론기사
목록은 <부록 2>에 수록되어 있다.
5) 한국농어촌방송, ｢전북경찰청, 순천-완주 고속도로 사매2터널 교통사고 수사 결과｣, https://www.news
kr.kr/news/articleView.html?idxno=47000(2021.02.01).
6) 동아일보, ｢겨울철 소리없는 암살자 ‘블랙아이스’, 취약지는?｣, https://www.donga.com/news/Socie
ty/article/all/20200109/99157886/1(2021.02.01); BBC NEWS 코리아, ｢블랙 아이스: 잇따른 도로
교통사고, 해결 방안은 없을까?｣, https://www.bbc.com/korean/news-50889866(2021.02.01).
7) 상주영천고속도로에서 발생했던 도로 살얼음 사고의 사고규모(추돌대수, 사상자수 등)에 대해 다른 수치를
제시하고 있는 언론기사도 있다. 정확한 사고규모는 교통사고조서를 통해 파악할 수 있다. 해당 사고는
보고서를 작성하고 있는 현시점을 기준으로 재판 중인 사안이다. 재판 중인 사안에 대해서는 교통사고조서
가 공개되지 않아 열람할 수 없다. 본 연구에서는 가장 최근에 보도된 언론기사에 제시된 사고규모를 인용
했음을 밝혀 둔다.
8) TAAS(교통사고분석시스템), ｢교통사고GIS｣, http://taas.koroad.or.kr/gis/mcm/mcl/initMap.do?m
enuId=GIS_GMP_STS_RSN(2021.02.01).
9) “대형사고란 3명 이상이 사망(교통사고 발생일부터 30일 이내에 사망한 것을 말한다)하거나 20명 이상의
사상자가 발생한 사고를 말한다”(교통사고조사규칙, 제2조, 2016.12.21).
10) 삼성교통안전문화연구소 보도자료(2020.01.24), 「겨울철 블랙아이스(빙판) 사고 특성과 대책」, p. 2의
내용 참고.
11) 치사율이란 교통사고 100건당 사망자수를 의미한다. 도로 살얼음 사고의 치사율을 산정할 수 없어, ‘결빙/
서리’로 인한 교통사고의 치사율을 대신 인용했음을 밝혀 둔다.
제1장 서론 3
것으로 나타났다.12) 또한 2중 추돌 이상 사고가 단독사고보다 1.5배 많이 발

생했다.13)
2. 연구의 필요성
도로제설작업은 지침에 따라 도로관리청14)이 체계적으로 대응하고 있다.

예를 들면, 예상강설량에 따라 살포하는 제설제의 양이나 대응수위를 조절한
다.15) 최근 보다 강화된 도로 살얼음 대응방안이 고속국도(민자고속국도 포
함), 일반국도 등에 대해 마련되어 적용되기 시작했다. 도로연장의 대부분을
차지하는 지자체도로16)에 대한 도로 살얼음 대응지침은 찾아보기 어렵다. 도
로 살얼음 형성에 가장 큰 영향을 미치는 요인은 노면온도이다(김인수 외,
2016; 김백조 외, 2020a; MDT, 2001).17) 쉽게 구하기 어려운 노면온도 데이
터를 도로관리청에서 활용하기는 어렵다. 도로 살얼음 대응은 도로관리청의
판단에 의존하고 있어 보완이 필요하다. 현장에서 용이하고 신속하게 활용할
수 있는 도로 살얼음 진단기법이 마련되어야 한다.
12) 언론기사를 통해 찾은 도로 살얼음 사고 69건에 대한 분석결과이다. 구체적인 내용은 제2장 제2절 참고.
13) 전게서.
14) “도로관리청이란 도로에 관한 계획, 건설, 관리의 주체가 되는 기관”을 말한다(도로법, 제2조 및 제23조,
2021.02.05). 우리나라 도로는 ‘고속국도’, ‘일반국도’, ‘특광역시도’, ‘지방도’, ‘시도’, ‘군도’, ‘구도’와
같이 7가지로 구분된다(동법, 제10조). 고속국도는 한국도로공사, 민자고속도로는 민자법인, 일반국도는
국토교통부, 지자체도로는 각 지자체가 도로관리청이다.
15) 국토교통부(2020b), 『도로제설업무 수행요령』, pp. 27-51; 서울특별시(2019), 「’19/’20년 겨울철 제
설대책 추진계획」, p. 7; 신공항하이웨이(2021), 『도로분야 위기대응 현장조치 행동매뉴얼』, p. 99.
16) 2019년 기준 지자체도로(특광역시도, 지방도, 시도, 군도, 구도) 연장은 92,517km이며, 고속국도 및
일반국도 연장은 18,797km이다(국토교통부, 2020a, p. 64). 국가도로 연장에서 지자체도로 연장이
차지하는 비중이 약 83%이다.
17) 김인수 외(2016), 『동절기 도로안전을 위한 노면관리 방안』, p. 4; 김백조 외(2020a), 『기후환경실증실험내
의 기온과 습도가 도로포장재의 표면온도에 미치는 영향 분석』, p. 1; Minnesota Department of
Transportation(2001), I-35W & Mississippi River Bridge Anti-Icing Project, p. 7.
4
제2절 연구의 목적 및 수행방법
1. 연구의 목적
도로 살얼음에 대한 대응은 사후대처보다는 사전예방이 보다 효과적이

다.18) 관건은 도로 살얼음이 형성되는 조건을 추정하는 것이다. 실내실험 또
는 실제 도로구간에서 도로 살얼음이 형성되는 조건을 추정한 연구는 진행된
바 있다(김백조 외, 2020a; 임상훈 외. 2019).19) 이를 범용화하기 위해서는 보
다 많은 실험이나 조사가 필요하다. 그전까지 현장에서 연구결과를 확대 적용
하기는 어려울 것이다. 대안으로 쉽게 입수가 가능한 빅데이터를 이용하는 방
법이 있다.20)
본 연구의 목적은 두 가지이다. 우선, 도로관리청이 범용가능한 기상데이터
를 이용하여 노면온도를 추정할 수 있도록 머신러닝 기반의 노면온도 추정모
형을 구현하는 것이다.21) 노면온도 추정모형을 개발하기 위해 데이터 수집기
관의 협조를 받아 기상데이터와 노면데이터를 입수하였다. 기상데이터를 독립
변수, 노면온도를 종속변수로 하는 분류모형과 회귀모형을 구현하였다.22)
다음으로 도로관리청이 구현된 모형을 활용할 수 있는 사례를 제시한다. ‘도
로 살얼음 관리시스템’(가칭)을 구축하는데 노면온도 추정모형이 어떻게 활용
18) 사후대처란 도로 살얼음 사고가 발생한 뒤의 조치를 의미한다. 도로 살얼음 사고가 발생한 후에 사고규모
가 확대되지 않도록 신속한 대응도 필요하다.
19) 김백조 외(2020a), 『기후환경실증실험내의 기온과 습도가 도로포장재의 표면온도에 미치는 영향 분석』;
임상훈 외(2019), 『차량센서 기반 주행환경 관측․예측․안전운행 도로기술 개발』의 내용 참고.
20) 본 연구에서 활용한 빅데이터는 2015년부터 2020년까지 6년 동안 인천국제공항고속도로(5곳), 천안논산
고속도로(4곳), 그리고 신대구부산고속도로(3곳)에서 수집한 1시간 집계 단위의 기상데이터(기온, 습도,
풍속 등) 및 노면데이터(노면온도, 노면상태 등)이다. 데이터와 관련된 설명은 본문 제4장을 참고할 것.
21) 노면온도 추정모형을 구현하는 최종적인 목표는 기상 데이터를 이용해서 도로 살얼음 형성 여부를 판단하
는 것이다. 입수한 데이터에는 도로 살얼음 형성 여부와 관련된 항목이 없다. 대신 본 연구에서는 기상
데이터를 독립변수로 활용하여 노면온도를 추정하는 모형을 구현하였다. 기본가정은 노면온도가 영하로
추정되는 경우에 도로 살얼음이 형성되기 위한 필요조건이 갖추어졌다고 보는 것이다.
22) 분류모형(Classification model)에서는 종속변수가 영상인 경우(섭씨 0도씨 초과)에 ‘0’으로, 영하인
경우에(섭씨 0도씨 이하)에 ‘1’로 표현된다. 회귀모형(Regression model)에서는 종속변수가 추정된
노면온도값 형태로 결정된다.
제1장 서론 5
될 수 있는지 제시한다. 노면온도 추정모형은 기존 또는 신규 시스템 내에 하

위모듈로 포함시키거나 외부에서 데이터를 생성한 뒤, 결과값만 전달하는 방
식으로 활용할 수 있다.
2. 연구의 수행방법
본 연구의 수행과정과 수행방법은 <그림 1-1>에 제시되어 있다. 본 연구에

서 주안점을 두고 있는 부분은 두 가지이다. 하나는 도로 살얼음 진단에 필요
․
한 AI 빅데이터 기반 모형을 구현하는 것이다. 다른 하나는 현재 도로 살얼음
대응체계를 검토하여 개선 방안을 제시하는 것이다. 개선방안에는 본 연구에
서 구현한 모형을 활용하는 방안도 포함된다.
도로 살얼음 진단 모형 구현에 사용된 데이터는 민자도로 관리기관에서 제
공받았다.23) 그리고 기상청 기상자료개방포털에서 현장 데이터와 매칭에 필
요한 AWS 데이터를 입수하였다.24) 데이터 집계시간 통일, 지형별 집계, 매칭
등 데이터 전처리를 거쳐 분석에 필요한 데이터세트를 마련하였다. 데이터세
트는 토공구간과 교량구간에 대해 각각 제작되었다.
도로 살얼음 진단 모형을 구현하기 위해서 단일학습과 앙상블학습(Ensemble
learning) 방식을 모두 검토하였다. 앙상블 학습이란 “다수의 모형을 생성하고
결합해서 최종 예측값을 도출하는 기법”을 말한다(권철민, 2020).25) 앙상블학습
은 단일학습보다 예측력이 우수한 것으로 알려져 있다(Opitz & Maclin, 1999;
Polikar, 2006; Rokach, 2010).26) 앙상블 학습에서는 Random Forest, Gradient
23) ㈜신공항하이웨이, ㈜천안논산고속도로, 그리고 ㈜신대구부산고속도로에서 데이터를 제공하였다. 본 연

구에 필요한 데이터를 제공해주신 것에 대해 감사를 전한다. 이들 민자회사에서는 토공구간과 교량구간에
서 기상 데이터(기온, 습도, 풍속 등)와 노면 데이터(노면온도 등)를 주기적으로 수집하여 관리하고 있다.
24) 기상청 기상자료개방포털에서는 시간 단위를 달리하여 방재기상관측(AWS) 데이터를 제공하고 있다(기
상청 기상자료개방포털, https://data.kma.go.kr/(2021.02.01)).
25) 권철민(2020), 『파이썬 머신러닝 완벽 가이드』, 위키북스, p. 211.
26) Opitz, D. and Maclin, R.(1999), “Popular Ensemble Methods: An Empirical Study”, Journal
of Artificial Intelligence Research, 11, p. 169; Polikar, R.(2006), “Ensemble Based Systems
6
Boosting Machine(GBM), 그리고 LightGBM과 같이 세 가지 학습방식에 대해

비교하였다.27)
최근 고속국도, 일반국도 등에 대해 도로 살얼음 대응 지침이 마련되어 적
용되고 있다. 주요 내용으로는 결빙취약구간28) 지정 및 관리등급 부여, 결빙
취약구간 관리방안 등을 들 수 있다. 특광역시도, 시도, 지방도 등 지자체 관리
도로에 대한 도로 살얼음 대응 지침도 필요하다. 도로 살얼음에 대한 대응은
시스템 내에서 이루어져야 한다. 본 연구에서 구현한 도로 살얼음 진단 모형이
어떻게 활용될 수 있는지 제시한다.
<그림 1-1> 본 연구의 수행흐름도
in Decision Making”, IEEE Circuits and Systems Magazine, Third Quarter, p. 22; Rokach,
L.(2010), “Ensemble-based classifiers”, Artificial Intelligence Review, p. 1.
27) 모형에 대한 상세한 내용은 본문 제4장을 참고할 것.
28) 국토교통부(2020b, p. 6)에서는 “도로 살얼음이 발생할 확률이 높은 구간”을 결빙취약구간으로 정의했다.
제1장 서론 7
제3절 선행연구 검토 및 차별성
도로 살얼음과 관련된 선행연구는 두 가지 부류로 나뉜다. 하나는 도로 살

얼음 형성에 영향을 미치는 요인을 선별하고, 실내 또는 현장 실험을 통해 요
인의 임계값을 찾는 연구이다. 이 부류에 해당하는 연구로는 김인수 외(2016),
임상훈 외(2019), 김백조 외(2020a)를 들 수 있다.29)30) 또 다른 부류로는 도로
살얼음을 식별할 수 있는 시스템을 구축하거나, 이를 제거할 수 있는 소재를
개발하는 연구이다. MDT(2001), 김동휘 외(2020), 장승환 외(2020)의 연구에
여기에 해당한다.31)
본 연구는 기상요인(기온, 습도, 풍속 등)의 변화와 도로 살얼음 형성 여부를
간 관계를 연구32)한다는 점에서 전자의 부류에 해당한다. 본 연구의 차별성은
현장 또는 실내 실험을 수행하지 않고, 기존에 축적된 빅데이터를 활용하여
도로 살얼음 진단모형을 구현한다는 점에서 선행연구와 차별성을 지닌다.
29) 김인수 외(2016), 『동절기 도로안전을 위한 노면관리 방안』, 한국도로공사 도로교통연구원; 임상훈 외
(2019), 『차량센서 기반 주행환경 관측․예측․안전운행 도로기술 개발』, 한국건설기술연구원; 김백조 외
(2020a), 「기후환경실증실험내의 기온과 습도가 도로포장재의 표면온도에 미치는 영향 분석」, 한국기상
학회 가을학술대회 초록집.
30) 김인수 외(2016)의 연구는 ‘어는비’(freezing rain)에 관한 연구이다. 어는비도 노면온도가 영하 이하인
경우에 형성된다는 점을 고려하여 유사연구로 분류했다.
31) Minnesota Department of Transportation(2001), I-35W & Mississippi River Bridge Anti-Icing
Project; 김동휘 외(2020), 「도로 살얼음 방지를 위한 강섬유-나노 하이브리드 시멘트 복합체의 발열성
능 연구」, 『한국콘크리트학회 학술대회 논문집』, 32(2), pp. 305-306; 장승환 외(2020), 『탄소나노튜브
도로 코팅제 기반 능동형 블랙아이스 탐지 및 제거 시스템 개발』, 한양대학교 산학협력단(계속 사업).
32) 보다 정확하게 표현하자면 기상요인과 노면온도 간의 관계를 모형화하는 것이다. 이와 관련된 논의는
본문 제4장을 참고할 것.
8
<표 1-1> 선행연구 현황 및 본 연구의 차별성

선행연구와의 차별성
구 분
연구목적 연구방법 주요 연구내용
․과제명: I-35W & Mississippi ․
(문헌조사) 살얼음 형성조건 ․살얼음 모니터링 시스템
River Bridge Anti-Icing Project ․
(시범사업) I-35W & 개요
․연구자(연도): Minnesota Mississippi River Bridge ․살얼음 모니터링 시스템
Department of 에 살얼음 모니터링 시스 사양
1
Transportation(2001) 템 설치 ․살얼음 모니터링 시스템
․연구 목적: 살얼음 예측 및 ․
(효과분석) 살얼음 모니터 시범사업
제거 시스템을 시범설치하 링 시스템 도입 전후 교통 ․살얼음 모니터링 시스템
고, 시스템 설치효과 분석 사고 및 혼잡 변화 파악 도입효과 분석
․과제명: 동절기 도로안전 ․
(문헌조사 및 현황조사) 어 ․어는비 관련 기본개념 및
을 위한 노면관리 방안 는비 관련 기본개념 및 어 어는비 관련 사고특성 검토
․연구자(연도): 김인수 외 는비 관련 사고특성 검토 ․어는비 발생 기상조건 조사
(2016), 한국도로공사 ․
(사례분석) 어는비 발생 ․어는비 알고리즘 수립 및
2
․연구 목적: 어는비의 발생 기상조건 조사 전산시스템 개발
원리를 도출하고, 이를 토 ․
(알고리즘 개발) 어는비
대로 어는비 예보 시스템 알고리즘 수립 및 전산시
시범구축 추진 스템 개발
․과제명: 차량센서 기반 주 ․
(문헌조사) 도로기상 관측 ․차량센서를 이용한 도로 노
주 행환경 관측 예측 안 ․ ․ 기술 동향, 교통상태 관측 면온도 및 결빙 예측 기술
전운행 도로기술 개발 기술 동향 개발
요
선 ․연구자(연도): 임상훈 외 ․
(기술개발) 차량센서를 이 ․차량센서 관측자료 기반의
(2019), 한국건설기술연 용한 도로 노면온도 및 결 기상정보 산정 기술 개발
행
3 구원 빙 예측 기술, 차량센서 관 ․차량센서 기반 교통상태
연
․연구 목적: 차량 센서 기 측자료 기반의 기상정보 관측 기술 개발
구
반 실시간 주행환경 관측 산정 기술, 차량센서 기반 ․빅데이터 기반의 주행환
기술과 빅데이터 기반의 교통상태 관측 기술 경 분석 플랫폼 개발
교통환경 예측 기술 개발 ․ (시스템 개발) 주행환경 분
석 플랫폼 개발
․과제명: 탄소나노튜브 도 ․ (문헌조사) 기존 블랙아이 ․탄소나노튜브 도로 코팅
로 코팅제 기반 능동형 블 스 탐지 기법 및 블랙아이 제 개발
랙아이스 탐지 및 제거 시 스 제거 기법 ․탄소나노튜브 기반 도로
스템 개발 ․
(시제품 개발) 블랙아이스 코팅제의 성능평가
․연구자(연도): 장승환 외 탐지 및 제거가 가능한 탄 ․블랙아이스 탐지 및 제거
(2020), 한양대학교 산학 소나노튜브 도로 코팅제 관리 시스템 기능 요구사
협력단(계속 사업) ․
(시스템 개발) IoT 기반 블 항 수집 및 분석
4
․연구 목적: 블랙아이스 탐 랙아이스 탐지 및 제거 관 ․IoT 기반 블랙아이스 탐
지 및 제거를 위한 도로 코 리시스템 지 및 제거 시스템 하드웨
팅제와 관리시스템 개발 어 설계
․IoT 기반 블랙아이스 탐
지 및 제거시스템 소프트
웨어 설계
제1장 서론 9
선행연구와의 차별성
구 분
연구목적 연구방법 주요 연구내용
․연구명: 도로살얼음 방지 ․ (실험설계) 강섬유-나노 ․강섬유-나노 하이브리드
를 위한 강섬유-나노 하 하이브리드 시멘트 복합 시멘트 복합체 실험설계
이브리드 시멘트 복합체 체의 발열량 측정을 위한 ․시멘트의 다중벽 탄소나노
의 발열성능 연구 다중벽 탄소나노튜브 튜브와 강섬유 혼입비율에
․연구자(연도): 김동휘 외 (Multi-Walled Carbon 따른 발열량 측정
5 (2020) Nanotube, MWCNT)와
․연구 목적: 도로살얼음 제 강섬유 혼입비율 선정
거를 위해 사용될 수 있는 ․ (실험수행) 다중벽 탄소나
강섬유-나노 하이브리드 노튜브와 강섬유 혼입비
시멘트 복합체의 발열성 율에 따른 시멘트 시편의
능 실험 발열량 측정
․연구명: 기후환경실증실 ․ (실험설계) 시편(콘크리트 ․기후환경실증실험 설계
험내의 기온과 습도가 도 또는 아스팔트)을 기후환경 및 수행(상주영천선 사고
로포장재의 표면온도에 실험실에 배치하고, 기온, 재현실험, 경남 합천 국도
미치는 영향 분석 습도를 제어변수로 노면온 33호선 사고 재현실험, 어
․연구자(연도): 김백조 외 도, 노면상태 변화를 감지 는비 실험 등 수행)
6
(2020a), 국립기상과학원 ․ (실험수행) 기온 및 습도
․연구 목적: 기상환경 재현 변화로 도로재질(노면상
실험을 통한 도로 살얼음 태)에 따른 노면온도 변화
발생 환경 조건 분석 및 특성 파악 및 노면결빙 형
도출 성 여부 관찰
․ ․
과제명: AI 빅데이터 기 ․ (문헌연구) 도로 살얼음 ․도로 살얼음 사고 현황 검토
반 도로 살얼음(블랙아이 사고 현황, 국내외 도로 ․국내외 도로 살얼음 대응
스) 진단 및 대응 방안 살얼음 대응체계, 살얼음 체계 검토
․연구자(연도): 박경욱 조 ․ 형성조건 등 ․AI․빅데이터 기반 도로
범철(2021), 한국교통연 ․ (통계분석) 국내 도로 살 살얼음 진단 모형 구현
구원 얼음 사고 현황 ․도로 살얼음 대응체계 보
본 연구
․연구 목적: 도로 살얼음을 ․ ․
(모형구현) AI 빅데이터 기 완 방안 제시
예측할 수 있는 AI 기반의 반 도로 살얼음 진단 모형
도로 살얼음 진단모델 구 ․ (전문가 자문) 국내외 도
현하고, 모형을 토대로 도 로 살얼음 대응체계, 도로
로관리청이 도로 살얼음 살얼음 진단 모형 개발 관
에 대응하는데 필요한 시 련, 도로 살얼음 대응체계
사점을 도출하고 대응방 보완 관련
안 제언
「
자료: 김동휘 외(2020), 도로 살얼음 방지를 위한 강섬유-나노 하이브리드 시멘트 복합체의 발열성능 연구 , 한국 」『
』「
콘크리트학회 학술대회 논문집 , 32(2), pp. 305-306; 김백조 외(2020a), 기후환경실증실험내의 기온과
」
습도가 도로포장재의 표면온도에 미치는 영향 분석 , 한국기상학회 가을학술대회 초록집; 김인수 외(2016),
『』
동절기 도로안전을 위한 노면관리 방안 , 한국도로공사 도로교통연구원; 임상훈 외(2019), 차량센서 기반 『
․ ․ 』
주행환경 관측 예측 안전운행 도로기술 개발 , 한국건설기술연구원; 장승환 외(2020), 탄소나노튜브 도로 『
』
코팅제 기반 능동형 블랙아이스 탐지 및 제거 시스템 개발 , 한양대학교 산학협력단(계속 사업); Minnesota
Department of Transportation(2001), I-35W & Mississippi River Bridge Anti-Icing Project.
10
제2장 도로 살얼음 사고 현황
제1절 도로 살얼음 사고 통계 현황
교통사고분석시스템(이하 ‘TAAS’)에서는 노면상태가 ‘결빙/서리’인 상태에

서 발생한 교통사고 통계를 제공하고 있다(TAAS, 2021).33)34) ‘교통사고조사
규칙’에 따르면, 교통조사관35)은 사고현장에서 노면상황을 조사하도록 되어
있다(교통사고조사규칙, 2016).36) 교통조사관이 어떤 교통사고를 노면상태가
‘결빙’인 상태에서 발생한 교통사고로 분류하면, 해당 기록은 TAAS로 이송되
어 노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고 통계로 집계된다(한국
교통연구원 자문회의록, 2021.02.05.).37). ‘결빙/서리’란 “도로의 표면이 얼어
33) TAAS(교통사고분석시스템), 「노면상태별 교통사고」, http://taas.koroad.or.kr/sta/acs/exs/typical.

do?menuId=WEB_KMP_OVT_UAS_PDS(2021.04.05).
34) 현시점에서 도로 살얼음 사고만을 다룬 공식통계를 찾아보기 어렵다. 살얼음 형성 여부는 육안으로 식별이
어렵고, (도로 살얼음 사고로 추측되는) 교통사고가 발생한 후에 도로 살얼음 존재 여부를 추정해야 하는
현실적인 한계에서 기인한다. 대안으로 노면상태가 ‘결빙’ 또는 ‘서리’ 상태에서 발생한 교통사고 통계를
우선 살펴본다.
35) “교통사고를 조사하여 검찰에 송치하는 등 교통사고 조사업무를 처리하는 경찰공무원을 말한다”(교통사고
조사규칙, 제2조, 2016.12.21).
36) 교통사고조사규칙(경찰청훈령 제818호, 2016.12.21)의 제10조 참조.
<교통사고조사규칙 제10조>
제10조(현장에서 조사할 사항) 교통조사관은 사고현장에서 다음 각 호에서 정한 사항을 반드시 조사
하여야 한다.
3. 그 밖의 다음 각 목에서 정한 현장상황
다. 도로 포장 여부, 자갈·건조·습기·적설·결빙·요철 등 노면상황
자료: 교통사고조사규칙(경찰청훈령 제818호, 2016.12.21).
제2장 도로 살얼음 사고 현황 11
있는 상태”를 지칭한다(한국교통연구원 자문회의록, 2021.02.05.).38) 도로 살

얼음은 ‘결빙/서리’의 한 종류이다. 따라서 도로 살얼음 사고통계는 노면상태
가 ‘결빙/서리’에서 발생한 교통사고 통계에 포함되어 있을 가능성이 높다.
최근 10년간(2011~2020년) 교통사고 발생건수는 2,209,962건이다(TAAS,
2021).39)40) 이 가운데 노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고
발생건수는 16,280건으로, 전체 발생건수의 약 0.7%를 차지한다(TAAS,
2021).41) 관련 통계는 <표 2-1>에 제시되어 있다. 노면상태가 ‘결빙/서리’인
상태에서 발생한 교통사고 발생건수는 해마다 큰 편차를 보이나, 최근 다시
증가추세로 돌아섰다(<그림 2-1> 참조).42)
｢｣
<그림 2-1> 노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고 발생건수(2011~2020년)
37) 한국교통연구원 자문회의록(2021.02.05), 「교통사고자료(경찰DB)의 노면 상태별 교통사고 분류체계

논의」의 내용 참조.
38) 전게서.
39) 인용된 수치는 경찰에서 집계한 통계이다. 보험사통계 등을 고려한 사고통계는 이보다 더 크다.
40) TAAS(교통사고분석시스템), 「노면상태별 교통사고」, http://taas.koroad.or.kr/sta/acs/exs/typical.
do?menuId=WEB_KMP_OVT_UAS_PDS(2021.04.05).
41) 전게서.
42) 2019년 기준 경찰DB의 교통사고 발생건수는 229,600건이고, 통합DB의 교통사고 발생건수는 1,292,864
건이다(도로교통공단 내부자료, 2021). 경찰DB란 경찰에서 집계한 통계를 말한다. 통합DB란 경찰DB에
손해보험사, 공제조합 등의 자료를 합산한 통계이다. 통합DB의 교통사고 발생건수는 경찰DB 교통사고
발생건수의 약 5.6배이다. 통합DB에서는 노면상태별 교통사고 발생건수 통계를 수집하고 있지 않다.
12
<표 2-1> 노면상태별 교통사고 통계(2011~2020년)

(단위: 건, 인)
2)
노면상태
구분 합계1)
사고건수 221,711 188,293 27,944 2,331 1,159 1,984
2011년 사망자수 5,229 4,216 895 57 25 36
부상자수 341,391 287,395 45,080 4,080 2,056 2,780
사고건수 223,656 188,510 27,744 3,990 1,497 1,915
2012년 사망자수 5,392 4,334 877 102 27 52
부상자수 344,565 287,567 44,560 7,002 2,683 2,753
사고건수 215,354 187,485 22,188 2,406 1,115 2,160
2013년 사망자수 5,092 4,224 707 89 19 53
부상자수 328,711 284,255 35,191 4,212 1,971 3,082
사고건수 223,552 194,910 23,094 1,826 872 2,850
2014년 사망자수 4,762 3,973 676 53 14 46
부상자수 337,497 292,508 36,271 3,323 1,406 3,989
사고건수 232,035 203,782 24,952 859 514 1,928
2015년 사망자수 4,621 3,875 658 41 6 41
부상자수 350,400 306,235 39,026 1,591 914 2,634
사고건수 220,917 196,317 20,925 1,140 623 1,912
2016년 사망자수 4,292 3,651 554 43 12 32
부상자수 331,720 293,286 32,417 2,221 1,062 2,734
사고건수 216,335 196,743 15,434 1,365 690 2,103
2017년 사망자수 4,185 3,642 449 38 16 40
부상자수 322,829 292,227 24,033 2,374 1,127 3,068
사고건수 217,148 193,899 19,202 1,358 894 1,795
2018년 사망자수 3,781 3,190 518 24 10 39
부상자수 323,037 287,743 28,832 2,402 1,500 2,560
사고건수 229,600 209,007 18,341 478 163 1,611
2019년 사망자수 3,349 2,946 356 24 2 21
부상자수 341,712 310,609 27,603 941 311 2,248
사고건수 209,654 187,090 20,062 527 228 1,747
2020년 사망자수 3,081 2,612 430 14 1 24
부상자수 306,194 272,692 29,779 857 389 2,477
사고건수 2,209,962 1,946,036 219,886 16,280 7,755 20,005
합계 사망자수 43,784 36,663 6,120 485 132 384
부상자수 3,328,056 2,914,517 342,792 29,003 13,419 28,325
주: 1) 포장 및 비포장 도로 모두 포함
「」
자료: TAAS(교통사고분석시스템), 노면상태별 교통사고 , http://taas.koroad.or.kr/sta/acs/exs/typical.do?m
enuId=WEB_KMP_OVT_UAS_PDS(2021.04.05).
노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고에 각별한 주의를 기울

여야 하는 이유가 있다. 노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고
의 치사율43)은 3.0%로 ‘건조’ 상태에서 발생한 교통사고 치사율 1.9%보다 1.6
배 높기 때문이다44)(<표 2-2> 참조). 도로 살얼음 사고의 치사율도 노면상태가
‘결빙/서리’인 상태에서 발생한 교통사고의 치사율과 유사하거나 이보다 높을
것으로 추정된다.45) 교통정책의 최우선 과제 중 하나는 교통사고 사망자수를
줄이는 것이다. 치사율이 높을 것으로 추정되는 도로 살얼음 사고를 반드시
예방해야 한다.
<표 2-2> 노면상태별 교통사고 치사율 비교(2011~2020년)

(단위: 건, 인, %)
1)
노면상태
구분 합계
사고건수2) 2,209,962 1,946,036 219,886 16,280 7,755 20,005
사망자수2) 43,784 36,663 6,120 485 132 384
3)
치사율 2.0 1.9 2.8 3.0 1.7 1.9
상대 치사율4) 1.0 1.0 1.4 1.5 0.9 1.0
주: 2) 사고건수 및 사망자수는 2011년부터 2020년까지 10년 동안의 합계
주: 3) 치사율은 사고 100건당 교통사고 사망자수
주: 4) 노면상태가 건조인 경우의 치사율을 1.0로 봤을 때, 다른 노면상태의 상대적인 치사율을 의미
주: 5) 사고건수 및 사망자수는 <표 2-1>의 값을 재인용
「」
자료: TAAS(교통사고분석시스템), 노면상태별 교통사고 , http://taas.koroad.or.kr/sta/acs/exs/typical.do?m
enuId=WEB_KMP_OVT_UAS_PDS(2021.04.05).
43) 교통사고 치사율의 보다 정확한 해석은 교통사고 100건당 교통사고 사망자수이다.

44) TAAS(교통사고분석시스템)에서 제공하고 있는 노면상태별 교통사고 발생건수 및 사망자수를 토대로
(TAAS, 2021)을 본 연구에서 치사율을 산정하였다.
45) 본 연구에서는 언론기사를 검색하여 도로 살얼음 사고자료를 수집하였다(본문 제2장 제2절 참조). 총
69건의 도로 살얼음 (의심)사고에서 22명의 사망자가 발생하였다. 수집된 자료에 한정하여 도로 살얼음
교통사고의 치사율을 계산하면 약 32%이다. 100건의 도로 살얼음 교통사고가 발생하면, 약 32명의
사망자가 발생한다는 의미이다. 이는 노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고의 치사율이
3.0%인 것과 비교해볼 때 훨씬 높다. 그러나 도로 살얼음 교통사고의 발생건수 총량을 알 수 없기 때문에
이 수치는 과장되었을 가능성이 높다.
14
제2절 언론기사를 통해 살펴본 도로 살얼음 사고의 특징
주요 도로 살얼음 사고는 언론기사를 통해 보도된다. 이점에 착안하여 국내

검색사이트에 ‘살얼음’, ‘블랙아이스’, ‘Black ice’ 등의 키워드를 입력하여 도
로 살얼음 사고 기사를 검색했다.46) 그 결과는 <표 2-3>에 정리되어 있다.
2008년부터 2020년 사이에 발생한 것으로 추정되는 도로 살얼음 사고는 총
69건이었다.
<표 2-3> 언론기사를 통해 입수한 도로 살얼음 사고 일지
사고 사상자(인)
사고일자 사고위치 사고규모
시각 사망 중상 경상
경북 녹전동 오미교차로
2020-12-28 06:53 부근(국도28호선) 10대 추돌 2 - - 2
2020-02-17 12:20 남원 사매2터널(순천완주선) 32대 추돌 43 5 7 31
2020-01-06 06:45 경남 함지교차로(국도33호선) 41대 추돌 10
〃 07:33 함안 입곡군립공원 삼거리(함마대로) 7대 추돌
〃 08:10 경북 청도군 각남면 교차로 단독 2건
〃 08:40 경북 청도군 화양읍 교차로 7대 추돌
2019-12-23 07:45 경기 고양시 일산동구 7대 추돌
〃 08:32 전남 순천시 송광면 3대 추돌 10 1 - 9
〃 05:00 광천졸음쉼터 인근(서해안선 상행) 5대 추돌 2 1 - 1

경기 고양시 신평나들목
2019-12-22 08:30 부근(제2자유로) 7대 추돌 1
2019-12-14 04:38 산호교(상주영천선) 28대 추돌 20 6 14 -
〃 04:43 달산1교 2km 떨어진 곳(상주영천선) 22대 추돌 19 1 18 -
〃 05:28 충북 영동군 심천면(국도4호선) 6대 추돌 2 - - 2
〃 07:00 경남 거창군 단독
46) 보다 정확하게 표현하자면 도로 살얼음 사고를 보도한 것으로 추정되는 언론기사를 검색한 것이다. ‘추정’
이라는 표현을 사용한 이유는 당시 언론기사에서 다룬 교통사고의 원인이 도로 살얼음이라는 것은 확인된
사실이 아니라, 사고 당시 운전자, 목격자, 경찰관 등의 진술에 기반한 것이기 때문이다.
사고일자 시각 사고위치 사고규모
사망 중상 경상
〃 08:00 충북 음성군 생극면 2대 추돌
〃 08:52 충북 영동군 봉현리 단독
〃 09:00 세종 부강면 문곡리 2대 추돌 5
2019-12-04 08:30 경기 화성시 장안대교(지방도313호선) 10대 추돌 2 2 - -

강원 고성군 거진~간성
2019-11-29 06:15 방면(국도7호선) 5대 추돌 1 - - 1
2019-11-15 07:45 동양평IC(광주원주선) 20대 추돌 5
〃 09:00 강원 횡성군(국도6호선) 단독
충북 고당리 옥계폭포
2019-01-28 07:30 삼거리(국도4호선) 7대 추돌 10
〃 07:56 충북 약목리 과적검문소(국도4호선) 3대 추돌 1

충북 약목리 과적검문소
〃 07:59 반대편(국도4호선) 단독 2 1 1 -
〃 08:20 충북 고당리 주유소 앞 도로(국도4호선) 7대 추돌 2 - - -
〃 08:30 대전 안산동 단독 1 - - 1
〃 08:30 대전 신성동 단독 3건
2019-01-14 06:03 김천 개령면 서부교차로 3중 추돌 5 2 3 -

부근(국대도3호선)
2018-01-17 오전 충남 홍성 8대 추돌 6 1 5 -
〃〃 충남 홍성 단독 11건
〃〃 경남 창원 단독 1 1 - -
〃〃 경남 창원 고가도로 3대 추돌 1 - - -
2018-12-17 02:20 안성나들목 인근(경부선 상행) 4대 추돌 2 - - 2
2018-12-16 21:50 청주 죽암휴게소 인근(경부선 하행) 단독

화순 화순읍 너릿재 터널
2018-12-11 07:26 인근(화순방면) 6대 추돌 2 - - 2
〃 07:30 전남 장흥군 장동면 장동2터널 17대 추돌 4 - 4 -

인근(남해선)
2018-02-08 22:00 경기 파주시 한빛지하차도(파주방향) 13대 추돌 4 - - 4
2018-02-03 09:16 강원 정선군 남면 14대 추돌 14 - 4 10

민둥산사거리(국도38호선)
2018-01-08 09:30 대전 유성구 화암사거리(전민동 방향) 12대 추돌
2017-11-24 05:45 선부고가도로(경기 안산시) 21대 추돌 47

16
사고일자 시각 사고위치 사고규모
사망 중상 경상
2017-11-22 08:15 경기 설악면 이천터널 부근 13대 추돌 3 - - 3
(서울양양선 상행)
2017-11-21 08:06 고양 일산대교(일산방향) 14대 추돌 13 - - 13
안성 고삼면 가유리(국도23번,
2017-02-14 09:00 안성방향) 18대 추돌 10 - - 10
2016-12-08 06:10 광주 어등산터널(무안광주선, 22대 추돌 2 - - 2

무안방향)
전남 나주시 금천면
〃 08:14 나주대교(광주방면) 14대 추돌 8 - - 8
2016-01-31 07:00 부산 을숙도대교 2대 추돌 3 1 2 -
2016-01-03 08:00 광천나들목(서해안선) 16대 추돌
2015-01-23 02:04 당산철교 밑 노들길(서울 당산동) 단독
〃 02:43 당산철교 밑 노들길 사고지점에서 단독

100m 떨어진곳
〃 04:31 〃 단독 2
〃 05:08 〃 단독 2 - 2 -
2013-12-21 07:53 회포대교(전북 완주군 용진면) 43대 추돌 5 - - 5
2012-12-21 08:00 군산(국도27호선) 14대 추돌
2012-12-14 08:00 김포시 고가도로 25대 추돌
2009-01-08 07:00 중부내륙선 20대 추돌
2008-12-08 06:30 청원상주선 29대 추돌

주: 1) 음영부분은 해당 언론기사에 정보 없음.
주: 2) 사고시각, 사고위치, 사상자수는 언론보도 내용에서 발췌한 것으로 실제와 다를 수 있음.
주: 3) 2018년 1월 17일 오전 충남 홍성에서 발생한 단독사고는 11건으로 처리.
자료: 자료 출처는 <부록 2> 참조,
1. 도로 살얼음 사고 발생시기
연중 도로 살얼음 사고는 11월부터 다음해 2월까지 겨울철에 주로 발생하

는 것으로 나타났다(<그림 2-2> 참조). 도로 살얼음 사고는 11월에 6건, 12월
에 23건, 1월에 36건, 그리고 2월에 4건이 발생했다. 12월부터 1월 사이에 발
생한 도로 살얼음 사고건수가 11월 또는 2월에 발생한 사고건수보다 상대적으
로 많은 것으로 미루어볼 때, 도로 살얼음은 한겨울에 많이 발생하는 것으로
추정된다. 해당 결과는 어디까지나 언론기사에서 파악된 도로 살얼음 사고 내

에서 파악된 것이다. 10월 또는 3월에도 도로 살얼음이 형성될 수 있는 기상조
건이 충족된다면 도로 살얼음은 만들어질 수 있다. 다만 그 빈도는 한겨울에
비해 극히 작을 것으로 예상된다.
<그림 2-2> 도로 살얼음 사고 발생월 분포
2. 도로 살얼음 사고 발생시간대
도로 살얼음 사고는 새벽부터 아침시간 사이에 주로 발생하는 것으로 나타

났다(<그림 2-3> 참조). 55건47)의 도로 살얼음 사고 중, 약 73%인 40건이 아침
출근시간대48)에 발생했다. 도로 살얼음은 “해질녁부터 해뜨기 전 사이에 주로
발생”하는 것으로 알려져 있다(Rodman, 2021).49) 새벽시간대에는 도로 살얼
47) <표 2-3>에서 도로 살얼음 사고발생 시각대를 특정하기 어려운 14건은 제외하였다.
48) 오전 6시부터 9시까지.
49) Rodman, K., “Black ice: How to spot this winter driving danger”, https://www.accuweather.com/e
n/weather-news/black-ice-how-to-spot-this-winter-driving-danger-2/434138(2021.01.04).
18
음이 형성되더라도 교통량이 많지 않아 사고발생빈도가 낮을 것으로 보인다.

새벽시간대에 형성된 도로 살얼음은 녹지 않고 아침까지 남아 있었을 것이다.
이로 인해 아침에 교통량이 늘어나면서 도로 살얼음 사고빈도가 늘어났을 것
으로 보인다. 특히 겨울철에는 해뜨는 시각이 다른 계절보다 늦기 때문에 새벽
시간대에 형성된 도로 살얼음이 출근시간대까지 녹지 않고 오래 지속될 수 있다.
주: <표 2-3>에서 시간대를 특정하기 어려운 14건은 제외.

<그림 2-3> 도로 살얼음 사고 발생시간대 분포
3. 도로 살얼음 사고 발생지형
도로 살얼음 사고는 다양한 지점에서 발생한다(<그림 2-4> 참조). 69건의 도

로 살얼음 사고 중, 약 72%인 50건이 평지에서 발생했다. 그다음으로 교량 6
건(9%), 나들목 부근 4건(6%), 고가도로 3건(4%), 터널안 3건(4%), 터널부근 3
건(4%) 순이었다. 도로 살얼음은 그늘진 곳(응달), 다리 위, 터널 진출입부, 커
브길 등에서 주로 발생하는 것으로 알려져 있다(Rodman, 2021).50) 언론기사
50) Rodman, K., “Black ice: How to spot this winter driving danger”, https://www.accuweather.com/e
를 통해 파악한 도로 살얼음 사고 발생지점에서 평지가 가장 큰 비중을 차지하

나, 도로연장을 고려하면 그 결과가 달라질 수 있다. 2019년 기준 우리나라
도로 총연장은 111,314km이고, 교량연장과 터널연장은 각각 3,667km,
2,077km이다(국토교통부, 2020a).51) 교량연장과 터널연장이 도로 총연장에
서 차지하는 비중은 각각 3.3% 및 1.9%에 불과하다(국토교통부, 2020a).52) 도
로유형별(평지, 교량, 터널 등)로 단위연장당 도로 살얼음 사고 발생빈도를 살
펴보면, 평지보다 교량이나 터널 부근에서의 도로 살얼음 발생률이 높게 나타
날 것으로 추정된다.53)
<그림 2-4> 도로 살얼음 사고 발생지형 분포
4. 도로 살얼음 사고 발생도로
도로 살얼음이 발생한 도로를 종류별로 집계한 결과는 <그림 2-5>에 제시되
n/weather-news/black-ice-how-to-spot-this-winter-driving-danger-2/434138(2021.01.04).
51) 국토교통부(2020a), 『2020 도로업무편람』, p. 65 및 p. 94의 내용 참조.
52) 전게서.
53) 실제로 과거에 도로 살얼음이 얼마나 발생했었는지 알기 어렵다. 언론기사를 통해 찾은 도로 살얼음
발생건수는 전체 가운데 극히 일부에 해당할 것이다. 현재로선 도로유형별로 단위 연장당 도로 살얼음
발생건수가 어느 수준일지 추정만 가능하다.
20
어 있다. 69건의 도로 살얼음 사고 중, 시군도에서 31건의 도로 살얼음 사고가

발생했다. 이는 전체 도로 살얼음 발생건수의 약 45%에 해당한다. 그다음으로
고속국도 13건(19%), 일반국도 13건(19%), 특광역시도 8건(14%), 지방도 2건
(3%) 순이었다. 집계된 결과를 보면, 특정 도로에서 도로 살얼음 사고가 많이
발생한다고 단정짓기 어렵다.54)
<그림 2-5> 도로 살얼음 발생도로 분포
5. 도로 살얼음 사고 사고규모
69건의 도로 살얼음 사고를 단독사고와 2중 추돌 이상 사고로 구분해 보았

다(<그림 2-6> 참조). 단독사고는 27건(39%)이고, 2중 추돌 이상 사고는 42건
(61%)이었다. 2중 추돌 이상 사고가 단독사고에 비해 약 1.6배 더 많이 발생한
것으로 나타났다. 특히 2중 추돌 이상 사고 가운데 10중 추돌 이상인 경우는
23건이었다.
54) 도로종류마다 연장, 교통량이 다르기 때문에 일률적으로 비교하기 어렵다.

도로 살얼음 사고는 일단 발생하면 대형사고로 발전할 가능성이 있다. 도로

살얼음 위에서 사고차량을 뒤따르던 차량들이 조향능력과 제동능력을 상실하
고 추돌을 일으켜 후속사고로 이어지는 것이다(<글상자 2-1> 참조). 빙판길에
서의 제동거리가 마른노면에서 보다 증가하는 것도(한국교통안전공단 보도자
료, 2017.12.07.)55) 도로 살얼음 사고의 발생가능성을 높인다.
<그림 2-6> 도로 살얼음 사고 사고규모 분포
<글상자 2-1> 상주영천고속도로 살얼음 사고 관련 기사 발췌
(전략) ... 상주-영천고속도로 영천 방향 상행선(상주 기점 26.4 ). 화물트럭 등 차 ㎞

량 28대가 ‘쾅’하는 굉음을 내며 연쇄 추돌했다. 앞서 달리던 차량이 순간적으로
도로를 달리다 미끄러지면서 후미에 있던 다른 차량이 연이어 추돌 사고를 일으킨
것으로 추정된다... (후략)
｢｣
자료: 중앙일보(2019.12.16), 주말 7명 목숨 앗아간 블랙 아이스, 제대로 된 경보가 없다 , https://news.joins.c
om/article/23657502(2021.02.01).
55) 시속 50km로 주행하다가 제동하면, 마른 노면에서보다 빙판길에서의 제동거리가 버스는 7.7배(17.2→

132.3m), 화물차는 7.4배(14.8→110.0m), 그리고 승용차는 4.4배(11.0→48.3m) 증가하는 것으로
나타났다(한국교통안전공단 보도자료, 2017.12.07).
22
6. 도로 살얼음 사고의 치사율
교통사고 치사율은 교통사고 100건당 교통사고 사망자수로 나타낸다. 최근

10년간(2011~2020년) 발생한 교통사고에 대해 치사율을 계산해 보면 2.0% 수
준이다(TAAS, 2021).56) 100건의 교통사고가 발생하면 2.0명의 교통사고 사망
자가 발생한다는 뜻이다. 노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고
의 치사율은 3.0%로 노면상태가 ‘건조’일 때보다 약 1.6배 높다(TAAS, 2021).57)
언론기사에서 집계한 도로 살얼음 사고에 대해 교통사고 치사율을 계산해보면
31.9%인 것으로 나타났다.58)
<표 2-4> 노면상태별 교통사고 치사율 비교(살얼음 포함)

(단위: 건, 인, %)
노면상태1)
구분
전체 건조 결빙/서리 살얼음
사고건수2) 2,209,962 1,946,036 16,280 693)
사망자수2) 43,784 36,663 485 223)
치사율4) 2.0 1.9 3.0 31.9
상대 치사율5) 1.0 1.0 1.5 15.9
주: 1) 노면상태 구분: 건조(도로의 표면이 말라있는 상태), 결빙/서리(도로의 표면이 얼어 있는 상태)
주: 2) 사고건수 및 사망자수는 2011년부터 2020년까지 10년 동안의 합계.
주: 3) <표 2-3>의 수치 재인용. 언론기사에서 보도된 2008~2020년 사이에 발생한 도로 살얼음 사고를 대상으로 함.
주: 4) 치사율은 사고 100건당 교통사고 사망자수.
주: 5) 노면상태가 건조인 경우의 치사율을 1.0로 봤을 때, 다른 노면상태의 상대적인 치사율을 의미.
주: 6) 사고건수 및 사망자수는 <표 2-1>의 값을 재인용.
주: 7) 노면상태가 ‘살얼음’인 경우의 교통사고 치사율은 극히 적은 표본을 대상으로 한 값으로, 인용에 있어 주의 필요.
「」
자료: TAAS(교통사고분석시스템), 노면상태별 교통사고 , http://taas.koroad.or.kr/sta/acs/exs/typical.do?
menuId=WEB_KMP_OVT_UAS_PDS(2021.04.05).
56) TAAS에서 제공하고 있는 교통사고 데이터를 토대로 산정한 결과이다(자료: TAAS(교통사고분석시스템),

「노면상태별 교통사고」, http://taas.koroad.or.kr/sta/acs/exs/typical.do?menuId=WEB_KMP_
OVT_UAS_PDS(2021.04.05))
57) 전게서.
58) 도로 살얼음 사고의 전체 발생건수 및 사망자수를 알 수 없기 때문에 이 수치는 과대추정되었을 가능성이
높다. 해당 수치를 인용하는데 있어 주의가 필요하다.
제3절 도로 살얼음에 대한 운전자 인식 설문조사
1. 설문조사 개요
정책은 수요자의 눈높이에서 설계되어야 한다. 수요자가 직접 체감할 수 있

는 정책이 효과도 배가되기 때문이다. 같은 맥락에서 도로 살얼음 정책을 수립
할 때, 운전자의 의견에 귀를 기울여야 한다. 도로 살얼음에 대한 운전자 인식
을 알아보기 위해 설문조사를 계획하고 실시하였다. 설문조사의 목적은 도로
살얼음에 대한 운전자들의 인지수준, 도로 살얼음 경험 여부, 운전자 입장에서
효과적이라고 생각하는 도로 살얼음 예방정책 등을 조사하는 것이다. <표 2-5>는
설문조사와 관련된 개괄적인 사항을 정리한 것이다.
<표 2-5> 도로 살얼음에 대한 운전자 인식 설문조사 개요
항목 내용
설문조사명 도로 살얼음(블랙아이스) 관련 대국민 인식 설문조사
조사대상 만 20세1) 이상 성인
조사지역 ․
전국 17개 특별 광역시도
조사기간 2021년 8월 30일 ~ 9월 10일
표본수 500명(시도별/성별/연령별 인구 비례할당, 층화표본추출)
조사방법 온라인 설문조사2)
․기본사항: ①운전면허 소지 여부, ②운전경력, ③성별,

④연령대, ⑤거주지역
조사내용3) ․설문사항: ①도로 살얼음 인식수준, ② 도로 살얼음 경험 여부,
③도로 살얼음 예방에 효과가 있다고 생각되는 방안,
④도로 살얼음 운전법에 대한 숙지 여부 등
표본오차 95% 신뢰수준에 ±4.3%
주: 1) 운전면허 취득가능연령 하한은 만 18세이나(도로교통법 제82조)59), 만 18~19세는 차량 보유가 현실적으로
어렵다고 판단하여 조사대상에서 제외함.
주: 2) 온라인 설문조사가 어려운 피조사자(예, 만 60세 이상)에게는 대면면접조사 실시.
주: 3) 설문지는 <부록 7>을 참조.
24
2. 표본설계
설문조사는 2021년 8월 30일부터 9월 10일까지 2주 동안 실시하였다. 조사

대상은 만 20세 이상인 성인 중 운전면허를 보유한 사람으로 한정하였다. 도
로교통법에서 운전면허 취득이 가능한 연령을 만 18세 이상으로 정하고 있으
나(도로교통법, 법률 제17891호)60), 만 18~19세는 차량 보유나 운전경험 비
율이 낮다고 판단하여 조사대상에서 제외하였다. 조사지역은 전국 17개 특
․
별 광역시도로 설정하였다.
표본수는 500명을 대상으로 하였다. 표본을 추출할 때, 시도별, 성별 및 연
령별 인구분포를 고려하여 층화표본추출(Stratified sampling) 방식을 적용하
였다. 성별 표본추출 비율은 남성을 약간 높게 적용하였다(<그림 2-7> 참조
).61) 연령대별 표본추출 비율과 거주지별 표본추출 비율은 총인구에서 해당
항목의 분포를 반영하여 적용하였다(<그림 2-8> 및 <그림 2-9> 참조). 피조사
자의 운전경력은 총인구 내 분포를 파악하기 어려워서 층화표본추출 시 고려하
지 않았다. <그림 2-10>은 성별, 연령 및 거주지 분포에 따른 층화표본추출의 결
과로 나타난 분포이다.
<그림 2-7> 「도로 살얼음 관련 대국민 인식 설문조사」의 응답자 성별 분포
59) 도로교통법(법률 제17891호, 2021.07.13)의 제82조(운전면허의 결격사유)의 내용 참조.

60) 전게서.
61) 2018년 기준 우리나라 운전면허소지자수는 남성이 18,731,410명으로 58%, 여성이 13,429,671명으
로 42%이다(KOSIS, 운전면허소지자현황(성별), 2021.09.01). 성별 운전면허소지자수 비율을 유지하도
록 표본을 추출하였다. 그러나 실제 결과는 남성이 51%, 여성이 49%로 목표치와 차이가 있다.
<그림 2-8> 「도로 살얼음 관련 대국민 인식 설문조사」의 응답자 연령대 분포
<그림 2-9> 「도로 살얼음 관련 대국민 인식 설문조사」의 응답자 거주지역 분포
<그림 2-10> 「도로 살얼음 관련 대국민 인식 설문조사」의 응답자 운전경력 분포

26
<표 2-6> 「도로 살얼음 관련 대국민 인식 설문조사」 표본추출 결과

(단위: 명)
시도 남자 여자
계
구분 20대 30대 40대 50대 60대 20대 30대 40대 50대 60대
서울 10 11 11 11 5 11 11 11 11 5 97
부산 3 3 4 4 2 3 3 4 4 2 32
대구 3 2 3 3 1 2 2 3 3 1 23
인천 3 3 4 4 2 3 3 3 4 2 31
광주 2 1 2 2 1 1 1 2 2 1 15
대전 2 1 2 2 1 1 1 2 2 1 15
울산 1 1 1 2 1 1 1 1 1 1 11
세종 - 1 1 - - - 1 1 - - 4
경기 14 14 17 16 6 12 13 16 16 6 130
강원 1 1 2 2 1 1 1 2 2 1 14
충북 2 2 2 2 1 1 1 2 2 1 16
충남 2 2 3 3 1 2 2 2 2 1 20
전북 2 1 2 2 1 1 1 2 2 1 15
전남 2 1 2 2 1 1 1 2 2 1 15
경북 2 2 3 3 2 2 2 3 3 2 24
경남 2 3 4 4 2 2 3 4 4 2 30
제주 1 1 1 1 - 1 1 1 1 - 8
전국 52 50 64 63 28 45 48 61 61 28 500
3. 설문조사 결과
가. 도로 살얼음에 대한 인지수준
첫 번째 문항에서 응답자들이 도로 살얼음에 대해 얼마나 알고 있는지 조사

하였다. 그 결과는 <표 2-7>에 정리되어 있다. 응답자 500명 중, 71.8%(359명)
는 도로 살얼음에 대해 잘 알고 있다고 답했다. 응답자 25.2%(126명)는 들어봤
으나, 어떤 현상인지 잘 모른다고 답했다. 그리고 3.0%(15명)는 도로 살얼음에
대해 들어본 적이 없다고 답했다.
성별로 살펴보면 남성(75.9%)이 여성(67.5%)보다 도로 살얼음에 대해 잘 알
고 있는 것으로 나타났다. 운전면허소지자 중 남성의 비율이 높은 것62)과 관
련이 있을 것으로 추정되며, 추후 검증이 필요하다.63)
62) 각주 60)의 내용 참조.

연령대가 낮아질수록 도로 살얼음에 대해 잘 알고 있다고 응답한 비율이 낮

아지는 것으로 나타났다. 가령, 그 비율이 60대 이상에서는 83.9%, 20대에서
는 61.9%로 두 연령대 간 응답비율 차이가 22.0%p에 달했다.
운전경력이 짧을수록 도로 살얼음에 대해 잘 알고 있다고 응답한 비율이 낮
아지는 것으로 나타났다. 운전경력이 1년 미만인 응답자의 경우에는 그 비율
이 53.8%, 운전경력이 10년을 초과하는 응답자의 경우에는 79.0%인 것으로
나타났다. 두 집단 간 응답비율 차이는 25.2%p이다.
이상의 결과로부터 도로 살얼음에 대한 인지 여부는 운전경험과 어느 정도
연관성이 있을 것으로 추정된다. 20대 초반에 운전면허를 취득하더라도 경제
력 등의 이유로 차량을 보유하지 못하거나 운전을 하지 않으면 도로 살얼음을
직접 경험하거나 관련 정보를 취득하게 될 가능성이 떨어질 수 있기 때문이다.
<표 2-7> 도로 살얼음 인지수준에 대한 조사결과

(단위: 인, %)
어떤 현상인지 들어봤으나, 어떤
구분 응답자수 들어본 적 없음
잘 알고 있음 현상인지 잘 모름
전체 500 359 (71.8) 126 (25.2) 15 (3.0)
남자 257 195 (75.9) 56 (21.8) 6 (2.3)
성별
여자 243 164 (67.5) 70 (28.8) 9 (3.7)
20대 97 60 (61.9) 33 (34.0) 4 (4.1)
30대 98 69 (70.4) 24 (24.5) 5 (5.1)
연령 40대 125 93 (74.4) 29 (23.2) 3 (2.4)
50대 124 90 (72.6) 33 (26.6) 1 (0.8)
60대 이상 56 47 (83.9) 7 (12.5) 2 (3.6)
1년 미만 39 21 (53.8) 16 (41.0) 2 (5.1)
1~3년 65 39 (60.0) 23 (35.4) 3 (4.6)
운전경력 3~5년 45 28 (62.2) 16 (35.6) 1 (2.2)
5~10년 75 53 (70.7) 18 (24.0) 4 (5.3)
10년 초과 276 218 (79.0) 53 (19.2) 3 (1.8)
63) 운전면허를 소지했다고 해서 반드시 운전을 한다고 볼 수 없다. 운전면허소지자 중 실제 운전을 하는

사람의 비율에 대한 조사가 필요하다.
28
나. 도로 살얼음에 대해 알게 된 경로
후속 문항에서는 도로 살얼음에 대해 잘 알고 있거나 들어봤다는 응답자

485명에게 관련 정보를 어떻게 취득했는지 물었다. 그 결과는 <그림 2-11>의
오른쪽 그림에 정리되어 있다. 도로 살얼음 관련 정보 취득경로는 언론기사가
60.2%로 가장 높게 나타났고, 다음으로 직접 경험 31.1%, 노면표지/표지판 안
내 26.8%, 내비게이션 안내 15.7%, 운전면허 시험 15.7% 순이었다. 응답결과
로부터 언론기사가 도로 살얼음 관련 정보를 제공하는데 효과적인 수단이 될
수 있음을 추론할 수 있다. 운전면허 시험에서 도로 살얼음 정보를 얻었다는
비율이 기타를 제외하고 가장 낮게 나타났다.64) 운전면허 시험과정에서 도로
살얼음 관련 부분을 보강할 필요가 있어 보인다. 운전면허를 취득하고자 하는
사람은 누구나 운전면허 시험을 봐야 하기 때문이다.
주: 도로 살얼음 정보 취득경로에 대한 조사는 도로 살얼음에 대해 잘 알고 있거나, 들어봤다고 응답한 485명을

대상으로 한 것이며, 선택지 간 중복응답을 허용하였음.
<그림 2-11> 도로 살얼음에 대한 인지 수준(원그래프) 및 도로 살얼음 정보

취득경로(막대그래프) 설문조사결과
64) ‘내비게이션 안내’의 경우에도 15.7%에 그쳤지만, 내비게이션 사용을 운전자에게 강제할 수 없기 때문에
반드시 치러야 하는 운전면허 시험과 성격이 다르다고 볼 수 있다.
다. 도로 살얼음 관련 언론기사를 접하게 되는 주요 경로
첫 번째 문항에서 도로 살얼음에 대해 알고 있다고 응답했던 485명을 대상

으로 도로 살얼음 관련 정보를 어디에서 얻고 있는지 추가로 조사하였다. 응답
항목 간 복수응답을 허용하였다. 조사결과는 <그림 2-12>에 정리되어 있다. 응
답자 중 80.4%(390명)는 TV에서 도로 살얼음 관련 언론기사를 접했다고 응답
했다. 다음은 포털 29.7%(144명), SNS65) 21.6%(105명), 유튜브 20.2%(98명),
종이신문 7.8%(38명) 순인 것으로 나타났다. 포털, SNS, 유튜브 등 온라인 플
랫폼에 비해 TV와 같은 기존 매체를 통해 도로 살얼음 정보를 얻고 있다고
응답한 사람의 비율이 훨씬 높게 나타났다.
주: 도로 살얼음에 대해 알고 있다고 응답한 485명 대상으로 복수응답을 허용하여 조사한 결과임.
<그림 2-12> 도로 살얼음 관련 언론기사를 접하게 되는 경로 설문조사결과
라. 살얼음길 식별 난이도
첫 번째 문항에서 도로 살얼음에 대해 잘 알고 있다고 응답했던 359명 가운

데 도로 살얼음을 직접 경험했다고 응답한 사람은 151명이었다. 이들을 대상
65) Social Network Service. 누리소통망이라고도 함.

30
으로 빗길이나 눈길과 비교해볼 때, 살얼음길을 구분하는 것이 얼마나 더 어려

운지 물어보았다. 그 결과는 <그림 2-13>에 정리되어 있다. 응답자 71.5%(108
명)가 빗길이나 눈길보다 살얼음길을 식별하는 것이 더 어렵다고 응답했다. 다
음은 ‘비슷하다’는 21.9%(33명), ‘더 쉽다’는 6.6%(10명)였다.
<그림 2-13> 빗길/눈길 대비 살얼음길에 대한 식별 난이도 설문조사결과
마. 가장 최근에 도로 살얼음을 경험했던 해
다음으로 도로 살얼음을 직접 경험했다고 응답한 151명에게 경험했던 연도

를 조사하였다. 그 결과는 <그림 2-14>에 정리되어 있다. 최근 5년 사이
(’17~’21년)에 도로 살얼음을 경험했다고 응답한 사람이 86.8%(131명)로 가장
많았다. 다음은 ’11~’16년 7.9%(12명), ’05~10년 5.3%(8명)였다.
응답결과에 따르면, 도로 살얼음을 경험한 운전자가 시간이 지남에 따라 점
차 증가했다고 볼 수 있다. 그러나 과거보다 최근에 도로 살얼음 형성건수가
늘어났다고 단정할 수 없다. 어떤 도로에 살얼음이 형성되는 것과 해당 도로를
운전자가 이용하는 것은 별개의 사안이기 때문이다. 설문조사 결과가 응답자

(운전자)의 기억에 의존적이기 때문에 결과의 추세를 일반화하기는 어렵다.
<그림 2-14> 도로 살얼음 경험했던 해 설문조사결과
바. 도로 살얼음을 경험했던 시기
도로 살얼음을 직접 경험한 151명에게 경험 시기를 조사하였다. 결과는 <그

림 2-15>에 정리되어 있다. 도로 살얼음을 경험한 시기는 1월이 61.6%(93명)
로 가장 많았고, 다음으로 12월이 19.9%(30명), 2월이 11.9%(18명), 11월이
4.6%(7명)인 것으로 나타났다. 이러한 경향은 <그림 2-2>에서 살펴본 것과 매
우 유사하다. 도로 살얼음 발생 시기에 대해 언론기사 분석과 운전자 대상 설
문조사로부터 추정할 수 있는 점은 운전자들이 도로 살얼음이 가장 빈번하게
경험하는 시기가 1월일 수 있다는 것이다.
32
<그림 2-15> 도로 살얼음 경험 시기 설문조사결과
사. 도로 살얼음을 경험한 시간대
도로 살얼음을 경험한 시간대를 조사한 결과는 <그림 2-16>에 정리되어 있

다. 앞선 문항과 마찬가지로 도로 살얼음을 직접 경험했다고 응답한 151명을
대상으로 조사한 결과이다. 응답자의 39.7%(60명)는 아침시간대인 5~9시 사
이에 도로 살얼음을 경험했다고 응답했다. 23.2%(35명)는 새벽시간대인 0~5
시 사이에 도로 살얼음을 경험했다고 응답했다. 다음으로 야간시간대인
18~24시가 19.9%(30명), 오전시간대인 9~12시가 9.3%(14명)인 것으로 조사
되었다. 조사결과는 <그림 2-3>의 분포와 유사하다. 설문조사결과를 보면,
80%가 넘는 응답자66)가 야간시간대부터 다음날 아침시간대에 주로 도로 살얼
음을 경험했다고 응답했다. <그림 2-3>을 보면, 주로 사고가 발생했던 시간대
가 오전 5~9시 사이인 것을 알 수 있다. 운전자들이 도로 살얼음을 주로 경험
하는 시간대에 도로 살얼음 사고가 발생할 확률이 높을 것으로 추정된다.67)
66) <그림 2-16>에서 야간시간대부터 다음날 아침시간대까지 도로 살얼음을 경험한 125명이 전체에서 차지
하는 비율을 말한다.
67) 출근통행이 시작되는 아침시간대에 교통량이 증가하는 현상과 관련이 있는 것으로 보인다.
<그림 2-16> 도로 살얼음 경험 시간대 설문조사결과
아. 도로 살얼음을 경험한 시간대의 기상상태
<그림 2-17>은 운전자가 어떤 기상상태에서 도로 살얼음을 경험했는지 조

사한 결과를 정리한 것이다. 응답자 가운데 45.0%(68명)는 기상상태가 ‘흐린
날’에 도로 살얼음을 경험했다고 응답했다. 다음은 ‘눈’이 33.8%(51명), ‘맑음’
이 13.2%(20명), 그리고 ‘비’가 7.9%(12명) 순이었다. 노면에 쌓인 눈은 도로
살얼음과 비슷한 효과를 낼 수 있다. 겨울철에 내리는 비도 마찬가지이다. 기
상상태가 ‘흐림’이나 ‘맑음’인 상태에서 도로 살얼음을 경험했다고 응답한 사
람들이 실제로 도로 살얼음을 경험했을 가능성이 높다.68) 도로 살얼음은 “녹
았던 눈이 밤사이 노면온도가 어는점 이하로 떨어지면서 다시 얼어붙어 생기거
나”(NWS, 2021)69), “도로표면의 물기가 도로표면의 온도가 어는점 미만으로
내려가면서 형성”(WMO, 2021)70)되기 때문이다.
68) 이와 관련하여 후속 질문을 하지 않았고, 질문 자체가 응답자의 기억에 의존적이라 단정하기는 어렵다.
69) National Weather Service, “Ice Storms”, https://www.weather.gov/safety/winter-ice-fr
ost(2021.01.04).
70) WMO, “Black Ice”, https://cloudatlas.wmo.int/en/glossary.html#B(2021.01.04).
34
<그림 2-17> 도로 살얼음 경험한 시간대의 기상상태 설문조사결과
자. 도로 살얼음이 발생하기 쉬운 도로에 대한 인식
도로 살얼음에 대해 들어본 적이 없다고 응답한 15명에게 도로 살얼음에 대

한 개념을 숙지시킨 뒤, 전체 응답자 500명에게 도로 살얼음이 발생하기 쉬운
도로 유형에 대해 물어 보았다. 도로 유형으로는 터널(진출입 근처 포함), 교
량, 산길, 평지(토공구간)71)를 예로 들었다. 조사결과는 <그림 2-18>과 같다.
평지를 제외한, 터널, 교량, 산길에 대해 절반이 넘는 응답자들이 도로 살얼음
이 빈번하게 발생할 것이라고 응답했다. 응답자들은 해당 구간에서 도로 살얼
음이 빈번하게 발생할 수 있다고 인지하고 있었다. 반면 평지에 대해서는 ‘보
통’이라는 응답이 가장 높은 비율로 나타났다. 조사결과로 볼 때, 운전자들은
어떤 도로구간에서 도로 살얼음이 발생할 가능성이 높은 지에 대해 비교적 잘
인지하고 있는 것으로 나타났다.
71) ‘평지’란, 제4장에서 소개되는 ‘토공구간’에 해당한다. 일반인들은 토공구간에 대한 용어에 익숙하지 않을
것이라고 판단하여, 평지로 항목명을 변경하여 설문조사지를 작성하였다.
<그림 2-18> 도로 살얼음이 발생하기 쉬운 도로유형에 대한 설문조사결과
차. 도로 살얼음이 발생하기 쉬운 시간대에 대한 인식
이어서 응답자 500명에게 도로 살얼음이 발생하기 쉬운 시간대에 대해 물

어 보았다. 시간대는 새벽(0~6시), 오전(6~12시), 오후(12~18시), 야간(18~24
시)으로 구분하였다. 조사결과는 <그림 2-19>와 같다. 응답자들은 새벽에는
84.2%(421명), 야간에는 68.4%(342명)가 도로 살얼음이 발생하기 쉬울 것 같
다고 응답했다. 반면에 도로 살얼음이 발생하기 어려울 것 같다는 응답은 새벽
에는 1.8%(9명), 야간에는 3.4%(17명)에 그쳤다. 운전자들은 도로 살얼음이 주
로 새벽이나 야간에 발생하는 것으로 인지하고 있었다. 반면에 오전이나 오후
에 대해서는 도로 살얼음이 발생할 확률이 높다는 응답이 각각 41.4%(207명),
7.8%(39명)로 나타났다. 새벽이나 야간에 비해서는 그 비율이 낮은 것을 확인
할 수 있다. 오후에 대해서는 발생할 확률이 낮다는 응답이 41.4%(207명)에
달했다. 조사결과를 볼 때, 운전자들은 도로 살얼음이 발생하기 쉬운 시간대에
대해 비교적 잘 인지하고 있음을 확인할 수 있다.
36
<그림 2-19> 도로 살얼음이 발생하기 쉬운 시간대에 대한 설문조사결과
카. 도로 살얼음 구간에서의 운전법 숙지 여부
응답자들이 도로 살얼음 구간에서의 운전법을 숙지하고 있는지에 대한 조사결

과는 <그림 2-20>에 정리되어 있다. ‘알고 있다’고 응답한 사람은 49.8%(249
명), ‘잘 모른다’고 응답한 사람은 50.2%(251명)였다. 전체 응답자 가운데 절반
은 도로 살얼음 구간에서의 운전법을 숙지하지 못한 것으로 나타났다. <표 2-8>
은 응답결과를 계층별로 세분화하여 정리한 것이다. 운전경력 1년 미만인 운전
자들의 71.8%(28명)가 도로 살얼음 구간 운전법을 잘 모른다고 응답했다. 그 비
율이 다른 계층의 어떤 항목보다도 높게 나타났다.
<그림 2-20> 도로 살얼음 구간에서의 운전법 숙지 여부 설문조사결과

<표 2-8> 도로 살얼음 구간에서의 운전법 숙지 여부 설문조사결과

(단위: 인, %)
구분 응답자수 알고 있다 잘 모른다
전체 500 249 (49.8) 251 (50.2)
남자 257 143 (55.6) 114 (44.4)
성별
여자 243 106 (43.6) 137 (56.4)
20대 97 45 (46.4) 52 (53.6)
30대 98 48 (49.0) 50 (51.0)
연령 40대 125 54 (43.2) 71 (56.8)
50대 124 67 (54.0) 57 (46.0)
60대 이상 56 35 (62.5) 21 (37.5)
1년 미만 39 11 (28.2) 28 (71.8)
1~3년 65 28 (43.1) 37 (56.9)
운전경력 3~5년 45 24 (53.3) 21 (46.7)
5~10년 75 41 (54.7) 34 (45.3)
10년 초과 276 145 (52.5) 131 (47.5)
타. 간선도로(제한속도 60~80km/h) 운전 시 각 상황에서의 속도 조절 여부
운전자들에게 빗길, 눈길 및 살얼음길에서 운전 시 주행속도를 어느 정도

감속하는지에 대해 조사하였다. 빗길과 눈길에 대해서는 응답자 모두에게 조
사를 실시하였다. 살얼음길에 대한 조사는 <그림 2-11>에서 ‘들어본 적 없음’
이라고 응답한 15명을 제외하고 실시하였다. 조사결과는 <그림 2-21>에 정리
되어 있다. 빗길, 눈길 및 살얼음길에서 대부분의 운전자들이 감속한다고 응답
했다. 빗길에서는 ‘20% 감속’한다는 응답이 49.6%(248명)로 가장 많았다. 다
음은 ‘10% 감속’이 31.0%(155명), ‘30% 이상 감속’이 17.0%(85명)였다. 눈길에
서는 ‘30% 이상 감속’한다는 응답이 51.0%(255명)로 가장 많았다. 살얼음길에
서도 ‘30% 이상 감속’한다는 응답이 60.4%(293명)로 가장 많았다. 눈길이나
살얼음길에서 30% 이상 감속하는 비율이 빗길에서의 비율보다 높은 것으로
나타났다. 운전자들은 빗길보다는 눈길이나 살얼음길에서 주행속도를 더 낮추
는 것으로 풀이된다.
38
주: 빗길 및 눈길 표본은 500명, 살얼음길 표본은 485명 대상(살얼음길에 대해 들어본 적이 없다고 응답한 15명
제외 후, 조사)
<그림 2-21> 빗길, 눈길, 살얼음길에서 주행속도 감속 여부에 대한 설문조사결과
파. 도로 살얼음 사고예방에 효과가 있다고 생각되는 방안
마지막 문항으로 응답자들에게 도로 살얼음 사고예방에 효과적인 대응방안

에 대해 조사했다. 항목 간 복수응답을 허용하여 3순위까지 조사했고, 조사결
과는 <그림 2-22>에 정리되어 있다. 응답자 중 245명이 ‘도로열선 시공’을 가
장 효과적인 방안으로 꼽았다. 다음은 ‘제설제 살포’ 209명, ‘노면표지 설치’
170명, ‘제한속도 하향’ 166명 순이었다. 반면에 ‘대국민 홍보’ 40명, ‘연구개발
지원’ 34명, ‘운전면허 시험 강화’ 19명 등은 상대적으로 응답률이 저조했다.
조사결과를 종합해보면, 운전자들은 도로 살얼음 구간에 물리적인 시설을 보강
하는 것이 사고예방에 효과적이라고 응답했다. 도로 살얼음을 제거하거나 그
형성 여부를 해당 구간 진입 전에 알려주는 방안(노면표지, 입식표지, VMS 등)
이 필요하다고 보는 것이다. 반면에 정보제공(예보, 내비게이션 안내 음성 등)
이나 홍보로는 도로 살얼음을 제거할 수 없고, 제공된 정보가 반드시 운전자에
게 도달한다는 보장이 없어72) 상대적으로 응답률이 낮았던 것으로 판단된다.
주: 3순위까지 복수응답을 허용하여 조사한 결과임.
<그림 2-22> 도로 살얼음 사고예방에 효과가 있다고 생각되는 방안에 대한

설문조사결과
4. 시사점
도로 살얼음 관련 대국민 설문조사를 통해 도출할 수 있는 시사점을 정리하

면 다음과 같다. 우선 20대 초반이거나, 운전경력이 1년 미만인 운전자들을
대상으로 도로 살얼음에 대한 교육이나 정보제공을 강화해야 한다. <표 2-7>
에서 살펴본 것처럼 연령이 낮아질수록, 운전경력이 짧을수록 도로 살얼음에
대한 인지수준이 비교군에 비해 낮은 것으로 나타났기 때문이다. 20대는 다른
연령대에 비해 차량 보유 비율이 낮다.73) 차량을 보유하지 않으면 운전할 수
있는 기회가 줄고, 도로 살얼음을 경험할 수 있는 가능성도 감소한다.
72) 모든 운전자들이 내비게이션을 사용하지 않는다. 언론보도 등을 통한 홍보가 특정 구간을 대상으로 하는

경우는 찾아보기 어렵다.
73) 2005년 기준 자동차보유가구 중 20대 가구주의 비중은 5%이다(KOSIS, ｢가구주의 성/연령/자동차
보유대수별 가구수(일반가구)-시도｣, 2021.04.01). 인구주택총조사에서 2010년까지 가구별 자동차 보
유대수를 표본조사했으나, 2015년부터는 조사항목에서 제외되었다(인구주택총조사, ｢연도별 조사항목｣,
2021.04.01). 이 때문에 2005년 통계를 인용했음을 밝혀 둔다.
40
다음으로 운전면허시험에서 도로 살얼음에 대한 교육을 강화해야 한다. 도

로교통공단의 ‘안전운전 통합민원’ 홈페이지74)에서 운전면허 필기시험의 기
출문제를 다운로드할 수 있다. 기출문제는 1,000개의 문항으로 구성되어 있고
(도로교통공단, 2021)75), <글상자 2-2>는 이 중 도로 살얼음 관련 문항을 발췌
한 것이다. 문항을 보면 도로 살얼음에 대한 개념에 대해서만 언급하고 있을
뿐, 어떻게 대처해야 하는지에 대한 정보는 제외되어 있다. 도로 살얼음과 관
련된 문항에 대처법에 대한 정보를 추가하고 출제빈도도 늘려야 한다.76)
<글상자 2-2> 운전면허 필기시험 기출문제 중 도로 살얼음 관련 문항
『 – ․ ․ 』
자료: 도로교통공단(2021), 자동차 운전면허 학과시험 문제은행 1종대형 특수, 1 2종 보통 , p. 148 인용.
도로 살얼음에 대해 잘 알고 있는 사람들은 TV와 같은 기존 매체에서 관련

정보를 습득하고 있는 비율이 높은 것으로 나타났다.77) 도로 살얼음 정보를
제공할 때, 기존 매체를 활용하는 것이 여전히 유효할 수 있음을 보여 준다.
74) 도로교통공단 안전운전 통합민원 홈페이지, ｢문제은행｣, https://www.safedriving.or.kr/main.do

(2021.09.01).
75) 도로교통공단(2021), 『자동차 운전면허 학과시험 문제은행–1종대형․특수, 1․2종 보통』
76) 설문조사에서 응답자의 15.7%가 운전면허 시험에서 도로 살얼음 정보를 취득했다고 응답했다. 모든
운전자가 운전면허 필기시험을 치른다는 점을 고려한다면, 80%가 넘는 운전자가 운전면허 시험에서
도로 살얼음과 관련된 문항을 접하지 못했다고 추론해볼 수 있다.
77) <그림 2-11>과 <그림 2-12>를 연관지어 해석한 결과이다.
다만, 언론매체를 통해 제공되는 정보는 도로 살얼음이 빈번하게 발생하는 구

간에 대한 정보가 아닌 교통사고와 관련된 정보가 대부분을 차지한다. 도로
살얼음 사고를 예방하기 위해 예보 중심의 정보제공이 필요하다.
도로 살얼음에 대한 대비는 겨울철 1월에 집중적으로 해야 한다. 도로 살얼
음이 1월에 가장 많이 발생하는 것으로 추정되었기 때문이다. 언론기사를 검
색하여 파악한 내용에 따르면, 도로 살얼음 사고는 1월에 가장 많이 발생한
것으로 나타났다.78) 도로 살얼음 관련 설문조사에서도 응답자의 61.6%가 도
로 살얼음을 1월에 경험했다고 답했다.79) 1월에 도로 살얼음 사고를 예방하기
위한 활동을 평소보다 강화해야 한다.
도로 살얼음 사고에 대한 대비는 출근통행이 시작되는 아침시간대에 집중
적으로 해야 한다. 밤사이 형성된 도로 살얼음을 가장 많은 차량들이 경험하는
시간대이기 때문이다. 도로 살얼음 사고가 주로 발생한 시간대와 운전자들이
도로 살얼음을 경험한 시간대를 살펴보면 유사하게 아침시간대가 가장 높은
비율로 나타났다.80) 도로 살얼음 사고를 줄이기 위해서는 아침시간대에 도로
살얼음 정보를 제공하고, 운전자들도 겨울철 출근시에 평소보다 주의를 기울
여 운전해야 한다.
78) 본문 <그림 2-2>의 결과 재인용.

79) 본문 <그림 2-9>의 결과 재인용.
80) 본문 <그림 2-3> 및 <그림 2-10>의 결과 재인용.
42
제3장 국내외 도로 살얼음 대응 현황
제1절 도로 살얼음 순찰 및 사고조사 체계
도로 살얼음을 발견하거나 경험하는 경우는 크게 두 가지로 볼 수 있다. 하

나는 도로관리청이 순찰업무를 통해 도로 살얼음을 발견하는 경우이다. 다른
하나는 도로 살얼음이 형성된 도로를 운전자가 주행하면서 경험하는 경우이
다. 이 경우에는 교통사고가 발생할 수도 있고, 발생하지 않을 수도 있다. 순찰
업무가 차량을 이용해서 이루어진다는 점을 고려한다면, 결국 도로 살얼음은
차량을 운행하는 과정에서 운전자(또는 동승자)가 발견하거나 경험한다고 볼
수 있다.
도로관리청이 순찰업무 중에 도로 살얼음을 발견한다면, 제설제를 살포할
것이다. 재정고속국도를 관리하는 한국도로공사는 ‘고속도로 공공데이터 포
털’을 통해 일자별 제설작업 현황 자료를 공개하고 있다(고속도로 공공데이터
포털, 2021).81) <그림 3-1>은 고속도로 공공데이터 포털에 공개된 일자별 제
설작업 조회내역 중 일부를 인용한 것이다. 그림을 보면, 강설량이 없는 경우
에도 제설제를 살포한 내역이 확인된다. 해당 사례가 강설을 대비하여 미리
제설제를 살포한 경우인지, 노면에 도로 살얼음(또는 다른 형태의 결빙)이 있
어 제설제를 살포한 경우인지 확인하기는 어렵다. 일반국도를 관리하는 지방
81) 고속도로 공공데이터 포털, ｢일자별 제설작업 현황｣, http://data.ex.co.kr/portal/fdwn/view?type=ETC

&num=T5&requestfrom=dataset#(2021.04.01).
제3장 국내외 도로 살얼음 대응 현황 43
국토관리청도 제설작업 내역을 통계화하고 있는지는 확인이 필요하다.
제설구간 제설구간 최저 자재염 자재 자재

본사 지사 일자 제설구간노선 강설량 인원 장비
시점 종점 기온 화칼슘 소금 모래
강원 양양
20200112 동해선 93 122 0 -1 13 10 3 30 0
본부 지사
강원 양양
20200118 동해선 93 122 0 0 24 18 4 35 0
본부 지사
수도권 군포
20200202 영동선 0 52 1 -3 17 20 16 64 0
본부 지사
수도권 인천 수도권
20200216 70 95 1 -5 16 16 30.5 180 0
본부 지사 제1순환선
수도권 인천
20200216 경인선 0 24 1 -5 16 16 30.5 180 0
본부 지사
수도권 인천 수도권
20201212 70 95 1 -1 1 5 4 20 0
본부 지사 제1순환선
수도권 인천
20201212 경인선 0 24 1 -1 3 18 37 111 0
본부 지사
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
｢｣
자료: 고속도로 공공데이터 포털, 일자별 제설작업 현황 , http://data.ex.co.kr/portal/fdwn/view?type=ETC
&num=T5&requestfrom=dataset#(2021.04.01)의 내용 중 일부 발췌.
<그림 3-1> 한국도로공사 일자별 제설작업 내역(2020년)
교통사고가 발생하면, ‘교통사고조사규칙’에 따라 사고처리가 이뤄진다(교

통사고조사규칙, 경찰청훈령 제818호).82) <그림 3-2>는 교통사고조사규칙의
내용을 참고하여 교통사고 처리절차를 그림으로 정리한 것이다. 신고를 접수
한 교통조사관83)은 현장에 출동하여 사고조사를 마친 후, <그림 3-3>의 ‘교통
사고 통계원표’를 작성한다. 교통사고 통계원표에는 사고유발요인과 노면상태
를 기입하는 곳이 있다(교통사고조사규칙, 경찰청훈령 제818호).84)
만약 어떤 교통사고가 도로 살얼음 때문에 발생했다는 점이 확실하다면, 교
통조사관은 교통사고 통계원표에 사고유발요인으로 ‘도로환경적 사고유발요
82) 교통사고조사규칙(경찰청훈령 제818호, 2016.12.21)의 내용 참조.

83) 교통조사관이란 “교통사고를 조사하여 검찰에 송치하는 등 교통사고 조사업무를 처리하는 경찰공무원을
말한다”(교통사고조사규칙(경찰청훈령 제818호, 2016.12.21)의 제2조 참조).
84) 교통사고조사규칙(경찰청훈령 제818호, 2016.12.21.)의 [별표 3]의 내용 참조.
44
인’을, 노면상태는 ‘결빙’으로 표기할 가능성이 높다. ‘결빙’은 도로 살얼음을

포함하는 개념이다. 어떤 교통사고 통계원표에 노면상태가 ‘결빙’으로 기록되
어 있다고 해도 이를 도로 살얼음으로 단정하기 어렵다.
주: 특례법이란 ‘교통사고처리 특례법’을 의미하며, 특레법 상 12개항의 구체적인 내용은 <부록 4> 참조.
자료: 교통사고조사규칙(경찰청훈령 제818호, 2016.12.21) 및 동 규칙 [별표 2]의 내용을 참조하여 그림으로 구성.
<그림 3-2> 교통사고 처리절차도
도로 살얼음 때문에 발생한 교통사고라서 해서 반드시 사고원인이 ‘도로환

경적 유발요인’으로 기록된다고 보기도 어렵다.85) 여러 요인이 복합적으로 작
용하여 교통사고가 발생하는 경우에 교통조사관은 가장 크게 영향을 미친 요인
을 주요인으로 기록한다. 도로 살얼음이 사고원인으로 지목되며 언론에서 크게
다뤄졌던 상주영천고속도로 상보교 28대 추돌사고(동아일보, 2021.02.01)86)와
85) 도로 살얼음이 형성됐으나 교통사고가 발생하지 않는 경우는 논의에서 제외한다. 이 경우에 운전자가
자신이 경험한 도로 살얼음의 존재를 누군가에게 알린다고 보기 어렵다. 또한 그러한 시스템이 현재로선
없다.
순천완주고속도로 사매2터널 32대 추돌사고(한국농어촌방송, 2021.02.01)87)

의 주요인은 ‘운전자 과실’로 처리되었다.88)
[별표 3]
교통사고 통계원표
원표번호
□ 교통사고 개요
□ 도로 및 환경
주: 교통사고 통계원표 전체 양식은 <부록 5> 참조.

자료: 교통사고조사규칙(경찰청훈령 제818호, 2016.12.21) [별표 3]의 일부 인용.
<그림 3-3> 교통사고 통계원표 중 사고유발요인 및 노면상태 기입 항목
86) 동아일보, ｢겨울철 소리없는 암살자 ‘블랙아이스’, 취약지는?｣, https://www.donga.com/news/Soci

ety/article/all/20200109/99157886/1(2021.02.01).
87) 한국농어촌방송, ｢전북경찰청, 순천-완주 고속도로 사매2터널 교통사고 수사 결과｣, https://www.ne
wskr.kr/news/articleView.html?idxno=47000(2021.02.01).
88) 저자는 2019년 12월 14일 4:38경 상주영천고속도로 달산1교에서 발생한 28대 추돌사고(동아일보,
2021.02.01)와 2020년 2월 17일 12:20경 순천완주고속도로 사매2터널에서 발생한 32대 추돌사고(한
국농어촌방송, 2021.02.01)의 교통사고조서 내용을 확인하기 위해 정보공개포털(https://www.open.go.kr/)
을 통해 정보공개신청을 하였다(2021년 2월 1일). 두 사고 모두 언론에서 도로 살얼음이 사고의 원인으로
지목된 상태였다. 최종적으로 “현재 재판 중인 사건에 대해서는 관련 정보를 공개할 수 없다”라는 회신을
받았다(2021년 2월 15일). 현재 재판 중인 사건이라는 것은 <그림 3-2>에서 경찰이 공소권을 가지는
‘특례’에 해당한다는 의미이다. 따라서 두 사건 모두 교통사고의 주요인이 도로환경적 사고유발요인(도로
살얼음)이 아닌 교통사고처리 특례법 상 운전자과실로 처리되었음을 유추해 볼 수 있다.
46
제2절 국내 도로관리청별 제설 대응
1. 고속국도(재정) 및 일반국도
․
고속국도 및 일반국도에 대한 공사, 유지 관리 등의 업무는 국토교통부가
담당한다(도로법, 법률 제16954호).89)90) 국토교통부는 도로제설업무 수행 『
』
요령 에 따라 도로제설업무를 계획, 시행 및 사후유지관리 하고 있다(국토교
통부, 2020b).91)
『』
<글상자 3-1> 도로제설업무 수행요령 의 단계별 대응 내용
․계획 단계(강설 전) : 강설에 대비하여 제설 작업 인력, 제설 자재, 제설 장비 등의 점검

및 배치․편성 등에 관한 것을 준비하는 단계
․시행 단계(강설 중) : 강설시 강설량, 도로의 등급, 도로 제설 수준에 따라 제설 작업을
수행하는 단계
․사후유지관리 단계(강설 후) : 자재 등 피해보수 장비․시설 점검 등 제설 작업 후 단계
『』
자료: 국토교통부(2020b), 도로제설업무 수행요령 , p. 1의 내용 인용.
가. 계획 단계(강설 전)
강설에 대비하여 제설작업에 필요한 제반사항(인력, 자재, 장비 등)을 준비

하는 단계이다. 국토교통부는 ‘제설 취약구간’의 요건을 정의92)하고, 제설 인
력, 자재, 장비 등을 우선 배치하도록 하고 있다(국토교통부, 2020b).93) 유사
89) 도로법(법률 제16954호, 2021.02.05)의 제23조 및 제31조 참조.

90) 재정고속국도는 한국도로공사, 민자고속국도는 각 민자법인, 일반국도는 지방국토관리청에서 대행한다.
92) 제설 취약구간의 요건으로 “①과거 교통통제 기록이 있거나 지형이 험하여 강설시 통제가 예상되는 구간,
②교통량이 많은 주요 노선이나 지역 간 주요 연결도로, ③긴 연장을 가진 오르막경사 구간 및 제설
시 제설작업 없이는 통행이 곤란한 구간”을 제시하고 있다(국토교통부, 2020b, p. 6).
93) 국토교통부(2020b), 『도로제설업무 수행요령』, pp. 5-6의 내용 참조.
시 공동제설 작업을 진행하거나 관련 정보를 공유할 수 있도록 유관기관(지자

체, 군부대, 경찰 등)과의 협업체계도 사전에 마련한다(국토교통부, 2020b).94)
현재 고속국도 및 일반국도에는 180개소의 제설 취약구간이 지정되어 있다
(국토교통부, 2020b).95) <표 3-1>은 제설 취약구간의 연장을 도로종류와 도로
관리청별로 취합하여 정리한 것이다. 2020년 기준 제설 취약구간 연장은 고속
국도 167.19(=165.13+2.06)km, 일반국도 729.2(=618.6+110.6)km이다(국토
교통부, 2020b).96)97)
<표 3-1> 도로관리청별 제설 취약구간 연장(2020년)

(단위: km)
도로관리청
구분 합계
고속국도
165.13 165.13
(재정)
고속국도
2.06 2.06
(민자)
일반국도 62.7 56.9 133.6 70.4 295.0 618.6
위임
3.3 54.7 52.6 110.6
국도주)
합계 165.13 2.06 62.7 60.2 133.6 125.1 347.6 896.39
․
『』
나. 시행 단계(강설 중)
강설 중에 눈을 치우거나 제설제, 마찰제 등을 살포하는 단계이다98). 도로

제설 수준은 도로등급, 지역, 교통량 수준을 고려하여 결정한다(국토교통부,

95) 전게서, pp. 146-155의 내용 참조.
98) 강설 전에 미리 제설제를 살포하기도 한다.
48
2020b).99) <표 3-2>는 도로등급에 따른 제설 수준을 정리한 것이다. 가령, 지

방부 고속국도의 경우에는 교통량과 관계없이 제설 수준을 A로 한다. 이 경우
에 적용수준은 평시 운행 수준의 50~60%라고 되어 있다. 평시 운행 수준이란,
도로교통법 시행규칙 제19조에 규정된 도로등급별 최고속도를 의미한다(도로
교통법 시행규칙, 행정안전부령 제164호).100) 따라서 평시 운행 수준의
50~60%라는 말은 강설 중에 편도 2차로 고속국도의 운행속도가 50~60km/h
수준을 유지하도록 제설 작업을 시행하라는 의미로 볼 수 있다.
<표 3-2> 도로등급에 따른 제설 수준

지역 구분
제설수준 목표도달시간 적용수준2)
지방부1) 도시부
․ 고속국도
․
A 2시간 ․ 일반도로(4차로 이상,
도시 고속국도
․
주간선도로
평시 운행 수준의
50~60%
교통량 2만 대/일 이상)
․ 일반도로(4차로 이상,
․
교통량 2만 대/일 미만) 보조간선도로 평시 운행 수준의
B 3시간
․ 일반도로(2차로, 교통 집산도로․ 40~50%
량 5천 대/일 이상)
․ 일반도로(2차로, 교통 집산도로․
C 5시간
량 5천 대/일 미만) ․
국지도로
통행로 확보
D -
․ 일반도로(2차로, 교통
․
국지도로 추후 제설
량 5백 대/일 미만)
주: 1) 고속국도에는 자동차전용도로가 포함되며, 일반도로란 일반국도, (국가지원)지방도, 군도를 포함.
주: 2) 평시 운행 수준이란, 도로교통법 시행규칙 제19조에 명시된 도로등급별 최고속도를 의미함.
고속국도 일반도로
구분 자동차전용도로
편도 1차로 편도 2차로 이상 편도 1차로 편도 2차로 이상
최고속도 80km/h 100~120km/h 90km/h 60km/h 80km/h
자료: 도로교통법 시행규칙(행정안전부령 제164호), 제19조의 내용 참조.
자료: 국토교통부(2020b), 『도로제설업무 수행요령』, p. 3의 <표 2.1> 인용.

100) 도로교통법 시행규칙(행정안전부령 제164호, 2022.01.01), 제19조의 내용 참조.
다. 사후유지관리 단계(강설 후)
제설 작업이 종료된 후, 노면 상태를 다시 살펴보고 제설 작업에 사용했던

장비나 자재를 정비하는 단계이다. 노면 상태를 다시 살펴봐야 하는 이유는
녹았던 눈이 다시 결빙되어 살얼음이 형성될 수 있기 때문이다. 마찰제로 사용
됐던 모래는 마찰력을 감소시킬 수 있으므로 노면에서 수거해야 한다(국토교
통부, 2020b).101) 다음 제설 작업에 사용할 수 있도록 제설 장비나 자재도 정
비해야 한다.
2. 고속국도(민자) - ㈜신공항하이웨이 사례
․
민자고속국도를 유지 관리하는 민자법인도 국토교통부의 도로제설업무 『
』
수행요령 에 준하여 고속국도를 관리하고 있다.102) 2021년 2월 기준 공용
중인 민자고속국도 801.9km 가운데(한국도로공사, 2021b)103), 2.06km 구간
이 제설 취약구간으로 지정되어 있다.104) 앞서 소개한 시행 단계(강설 중)에서
㈜신공항하이웨이는 <그림 3-4>와 같은 체계로 대응하고 있다(신공항하이웨
이, 2021).105) <그림 3-4>에서 대응단계(관심, 주의, 경계, 심각)는 국토교통부
에서 정한 기상상황에 준하여 적용하고 있다(국토교통부, 2020b).106)107)

102) 국토교통부 『도로제설업무 수행요령』에 따르면, 해당 지침은 “일차적으로 일반국도의 도로제설 업무에
적용할 수 있으며, 특별․광역시도, 지방도 그리고 고속국도의 도로제설 업무에도 각가의 상황에 맞게
적용할 수 있다”라고 되어 있다(국토교통부, 2020b). 신공항하이웨이(2021)의 『도로분야 위기대응 현
장조치 행동매뉴얼』의 내용도 『도로제설업무 수행요령』의 내용과 크게 다르지 않다. 차이가 있다면
강설시 현장상황을 민자법인 본사와 국토교통부에 보고하기 위한 체계가 추가되어 있다는 점이다(신공
항하이웨이, 2021, p. 59).
103) 한국도로공사(2021b), 『한눈에 보는 7곱하기 9더하기 6R』, p. 3의 내용 참조.
104) <표 3-1>의 내용 재인용.
105) 신공항하이웨이(2021), 『도로분야 위기대응 현장조치 행동매뉴얼』, p. 33 인용.
107) 해당 기준은 재정고속국도를 관리하는 한국도로공사와 일반국도를 관리하는 지방국토관리청도 동일하
게 적용하고 있다(국토교통부, 2020b, pp. 84-87).
50
<표 3-3> 강설 시 기상상황별 대응단계 기준

구분 관심 주의 경계 심각
․ 대 설예비 특보
․상시대비단계 발표 시 ․대설주의보 ․대설경보
기상상황
(11.15~익년 3.15) ․적설량 3cm 내 발표 시 발표 시
외 예상 시
『』
자료: 국토교통부(2020b), 도로제설업무 수행요령 , pp. 84-87의 내용 참조.
『』
자료: 신공항하이웨이(2021), 도로분야 위기대응 현장조치 행동매뉴얼 , p. 33 인용.
<그림 3-4> 강설시 위기경보 발령체계 - ㈜신공항하이웨이 사례

3. 지자체도로 – 서울시 사례
지자체도로(특광역시도, 지방도, 시도, 군도, 구도)에 대한 공사, 유지 관리 ․

등의 업무는 해당 지방자치단체가 담당한다(도로법, 법률 제16954호).108) 서
「」
울시는 재난 및 안전관리 기본법 과 서울시 조례에 따라 재난안전대책본부
를 구성하고 제설업무를 수행하고 있다.109) 서울시는 재난 및 안전관리 기본 「
」
법 에 규정된 재난대응단계에 따라 조치내용과 주요 제설대책을 마련하여
운영하고 있다(서울특별시, 2019).110)
상황단계 조치 내용 주요 제설대책
- 사전예측 강화 및 초동대응체계 구축
예방 대설재난 발생을 사전에 방지 - 취약지점 액상살포장치 설치(이동식 원격 소형
액상살포장치, 자동강설감지장치 포함)
- 취약지점 관리 및 보행자 안전대책 수립
- 강설 시 시민안전대책 홍보 등
⇩
대비 대설재난의 수습에 필요한 장비, - 제설 인력, 장비, 자재 사전 확보
- 민·관·군·경이 함께하는 협력체계 구축
물자 및 자재 등을 비축, 관리 - 재난안전대책본부 구성 및 합동훈련, 1·2·3단계
상황관리
⇩
- 재난안전대책본부 운영
- 24시간 비상근무체계를 통한 신속한 상황 전파
대응 대설재난 발생 당시 신속한 조치 (제설현장관리시스템, SMS)
- 담당구역별 제설작업 실시
- 제설현장관리시스템, CCTV 등을 통한 실시간
제설작업 및 현장 상황 파악
⇩
복구 대설재난 피해 발생 후속 조치 - 현장지휘소 운영
(긴급 구조 및 구급) - 재난안전대책본부 13개 실무반과 협업
자료: 서울특별시(2019),「’19/’20년 겨울철 제설대책 추진계획」, p. 3의 ‘법정 재난관리 단계’ 참조.
<그림 3-5> 법정 재난관리 단계에 따른 제설대응 단계 - 서울시 사례
108) 도로법(법률 제16954호, 2021.02.05)의 제23조 및 제31조 참조.

109) 재난 및 안전관리 기본법(법률 제17698호, 2021.06.23)의 제16조; 서울특별시 재난 및 안전관리
기본조례(서울특별시조례 제7590호, 2020.05.19)의 제13조 및 제14조 참조.
110) 서울특별시(2019), 「’19/’20년 겨울철 제설대책 추진계획」, p. 3의 내용 참조.
52
국토교통부의 강설 시 기상상황별 대응단계111)와 유사하게 서울시에도 ‘상

황기준’을 설정하고 그에 따른 강설 시 비상근무 체계를 가동한다(서울특별시,
2019).112)113) 고속국도나 일반국도와는 다르게 제설 취약구간이 별도로 지정
되어 있지 않다(서울특별시, 2019).114)
단계 상황기준 실무반 근무 기준
평 시 상황유지필요시 및 예방활동 ∘상황총괄반 ∘ 징후 감시활동 상황요원(3명)
보 강 강수확률 30%적설량
2℃ 미만, 이상1㎝
기온∘상황총괄반 ∘기상
준비 및등(6명)
교통상황 모니터링, 제설작업
미만 예보시 - 상황총괄팀 4, 재난상황팀 2
1 단계 적설량5㎝미만 예보시 ∘환경정비반, 교통대책반추가∘1개조 -- 지휘 3개반(12명)
: 도로관리과장
협조체계 가동 및 초동제설 대응체계 돌입
∘2개조 6개반(26명)
2 단계 적설량 5㎝ 이상 예보시
대설주의보 발령시 재난홍보반 추가
∘시설복구반, 구조 구급반, - 지휘 :(일상적) 안전총괄실장(안전총괄관)
- 대비계획(긴급상황) 시장(행정2부시장)
·
점검 및 초동제설 대응체계 돌입
∘질서협력반, 행정지원 자∘2개조 13개반(34명)
3 단계 적설량대설경보
10㎝ 이상 예보시 원봉사반, 생활지원반, 통 - 지휘 : 시장(행정2부시장)
발령시 신원지지원원반반,, 의료방역반
에너지복구반, 자 - 서울시 전역 집중제설
추가 ※ 필요시 전직원 비상근무 발령
자료: 서울특별시(2019),「’19/’20년 겨울철 제설대책 추진계획」, p. 7의 ‘단계별 비상근무’ 참조.
<그림 3-6> 강설 시 비상근무 체계 - 서울시 사례
111) 본문 <표 3-3> 참조.

113) 서울시는 5단계로 국토교통부 4단계보다 세분화되어 있고, 각 단계별로 적설량 기준이 명시되어 있다는
차이가 있다(다음 표 참조).
<국토교통부와 서울특별시의 제설 시 대응단계 비교>
주의 경계
국토교통부 관심 - (적설량 3㎝ 미만 (대설주의보 심각
(상시 대비) 예보 시, 발령) (대설경보 발령)
대설예비특보)
보강 2단계 3단계
평시 (기온 2℃ 미만, 1단계 (적설량 5㎝ 이상 (적설량 10㎝
서울특별시 (상황 유지) 적설량 1㎝ 미만 (적설량 5㎝ 미만 예보 시, 이상 예보 시,
예보 시) 예보 시) 대설주의보 발령) 대설경보 발령)
자료: 국토교통부(2020b), 『도로제설업무 수행요령』, pp. 84-87의 내용 참조; 서울특별시(2019),「’19/’20년 겨울
철 제설대책 추진계획」, p. 7의 ‘단계별 비상근무’ 참조
제3절 국내 도로관리청별 도로 살얼음 대책
도로 살얼음 대책은 제설 대책과 비교해볼 때, 예방 중심의 대책으로 구성

되어 있다. 도로 살얼음 형성 여부는 예측이 쉽지 않고, 이로 인해 일단 사고가
발생하면 대처가 어렵기 때문이다. 국토교통부의 도로제설업무 수행요령 , 『』
보도자료 등을 토대로 현재 수립된 도로 살얼음 주요 대책을 정리하면 <표
3-4>와 같다.
<표 3-4> 도로 살얼음 예방을 위해 수립된 주요 대책
․타이어 관리상태 집중 점검 1)
․결빙 취약시간대(23~07시) 순찰 강화(4→6회) 2)

취약구간
․결빙 취약구간 확대 지정(410개소) 3)
점검 및 관리 강화
․순찰차량 부착용 노면온도 측정 센서 도입 4)
․결빙 취약구간 내 제한속도 조정 5)
․LED 조명식 결빙주의 표지판 설치 2)
․자동 염수분사시설 확충 2)
․노면 홈파기(Grooving) 설치 2)
안전시설 확충 및
․배수성 포장, 도로 열선 등 도로결빙 방지 공법 시범 설치 2)
고도화
․도로전광표지(VMS)에 경광등․경고음 기능 추가 2)

5) 6)
․결빙 취약구간에 과속카메라 설치 6)
․DTG 기반 노면 미끄럼 정보 수집기술 7)
연구개발(R&D) 추진 ․외부자극 감응 발광형 노면표지 7)
․외부자극 감응형 도로교통안전시설 7)
․내비게이션을 통해 사고정보 제공(30초 내) 2)
정보제공 및 홍보 ․안전운전 집중 홍보기간 지정․운영(현수막․리플랫 배포, TV․

유튜브 및 SNS 홍보, 결빙 안전체험 프로그램 개설)6)
주: 차량 돌발정비, 역주행 등 CCTV 영상을 AI 기반으로 자동감지 알림. ․
「
자료: 1) 국토교통부 보도자료(2019.12.25), 관계기관 합동 현장점검 등 동절기 교통안전 강화 , p. 2의 내용 참조. 」
「
2) 국토교통부 보도자료(2020.01.07), 정부, 겨울철 도로교통 안전 강화대책 발표 , p. 2의 내용 참조. 」
「 ‧
3) 국토교통부 보도자료(2020.11.11), 겨울철 강설 결빙 대비 도로제설 상시 준비태세 착수 , p. 2의 내용 」
참조.
「
4) 국토교통부 내부자료(2020.08), 도로 살얼음 대응체계 고도화방안 마련 , p. 2의 내용 참조. 」
「
5) 국토교통부 보도자료(2020.02.12), 결빙 위험구간 지날 때 “안전속도” 알려준다 , p. 2의 내용 참조. 」
「
6) 국토교통부/관계부처합동(2020.01), 겨울철 도로교통 안전 강화대책 , p. 3의 내용 참조. 」
「
7) 국토교통부 내부자료(2020.02), 도로 살얼음 예방을 위한 교통안전기술개발 R&D 추진 동향 , pp. 2-4 」
의 내용 참조.
54
현재 고속국도 및 일반국도에는 410개소의 결빙 취약구간이 지정되어 있다

(국토교통부, 2020b).115) 결빙 취약구간이란 “도로시설 특성, 기하구조, 기후
특성, 교통운영에 따라 도로 살얼음이 발생할 확률이 높은 구간”이다(국토교통
부, 2020b).116) <표 3-5>는 결빙 취약구간의 연장을 도로종류와 도로관리청별
로 취합하여 정리한 것이다. 2020년 기준 제설 취약구간 연장은 고속국도
277.591(=240.974+36.617)km, 일반국도 563.72(=454.15+109.57)km이다(국
토교통부, 2020b).117)118)
<표 3-5> 도로관리청별 결빙 취약구간 연장(2020년)

(단위: km)
도로관리청
구분 합계
고속국도
240.974 240.974
(재정)
고속국도
36.617 36.617
(민자)
일반국도 63.0 63.5 69.4 111.65 146.6 454.15
위임
12.0 8.87 20.0 54.7 14.0 109.57
국도주)
합계 240.974 36.617 75.0 72.37 89.4 166.35 160.6 841.311
․
『』
결빙 취약구간은 “시설특성, 기하구조, 교통특성 등에 따라 정량적으로 평

가”하여 선정한다(국토교통부, 2020b).119) 총점은 100점이 상한선이고, 점수
가 높을수록 결빙에 취약하다는 의미로 볼 수 있다(<표 3-6> 참조).120)
115) 국토교통부(2020b), 『도로제설업무 수행요령, pp. 124-145의 내용 참조.

116) 전게서, p. 6의 내용 인용.
119) 국토교통부(2020b), 『도로제설업무 수행요령, p. 6의 <표 2.2>의 내용 인용.
120) “고속국도와 일반국도를 매 1km 단위의 구간으로 구분하여 평가”하며(교량, 터널 등 명확히 구분되는
<표 3-6> 결빙 취약구간 지정요건 및 관리등급

지정요건 및 등급
관리등급
선정조건 평가점수
고속국도 68점 이상
A
일반국도 68점 이상
시설특성, 기하구조, 교통특성 등에 고속국도 67~64점 이상
B
따라 정량적 평가(최고 100점) 일반국도 62~57점 이상
고속국도 63~50점 이상
C
일반국도 61~50점 이상
주: 1) 평가점수가 높을수록 결빙에 취약하다는 의미이며, 결빙 취약구간으로 선정되기 위한 최소 점수는 고속국도와
일반국도 모두 50점.
주: 2) 상세 평가기준은 <부록 4> 참조.
『』
자료: 국토교통부(2020b), 도로제설업무 수행요령 , p. 6의 <표 2.2> 인용.
행정안전부에서는 국토교통부, 경찰청, 지자체 등에서 제공받은 자료를 취합

하여 상습결빙구간 정보를 공개하고 있다(공공데이터포털, 2021).121) 2020년
기준 상습결빙구간은 2,927개소이며, 총연장은 3,669.8km이다(공공데이터포
털, 2021).122) <표 3-7>은 공개된 상습결빙구간 데이터를 시도별/도로종류별로
정리한 것이다. 시도별로 상습결빙구간 연장을 살펴보면, 경기도가 559.8km로
가장 많고, 그다음으로 경상남도 552.1km, 강원도 530.1km 순이다(공공데이터
포털, 2021).123) 도로종류별로 상습결빙구간 연장을 살펴보면, 지방도(국가지
원지방도 포함)가 1,580.0km로 가장 많고, 그다음으로 일반국도(위임국도 포함)
742.2km, 고속국도 283.0km 순이다(공공데이터포털, 2021).124)125) 상습결빙구
간 정보는 민간 내비게이션의 음성안내 서비스를 통해 제공되고 있고(행정안
시설은 1개 단위로 묶어 평가 가능; 국토교통부 내부자료, 2020b), 상세한 평가기준은 <부록 6>에 인용해
두었다.
121) 공공데이터포털, ｢행정안전부_상습 결빙구간｣, https://www.data.go.kr/data/15067396/fileDat
a.do(2021.04.01).
122) 각주 121)의 자료를 참조하여 산정하였음.
125) 전체 상승결빙구간 연장에서 지방도가 차지하는 비중은 약 43%이고, 지자체도로(고속국도 및 일반국도
제외)가 차지하는 비중은 약 72%이다. 도로 살얼음 대책을 시행할 때, 지자체도로에 대해서도 관심이
필요하다는 점을 단적으로 보여 준다.
56
전부 보도자료, 2020.11.12.)126), ‘생활안전지도’ 사이트에서도 확인할 수 있

다(생활안전지도, 2021).127)
<표 3-7> 시도별/도로종류별 상습결빙구간 연장(2020년)
고속 일반 특광역 도시계 농어촌

구분 지방도 시도 군도 구도 구국도 합계
국도 국도 시도 획도로 도로
서울 2.7 95.2 45.2 143.1
부산 3.6 4.8 101.8 110.2
대구 5.8 2.7 4.2 58.3 71.0
대전 2.4 - 37.1 39.5
광주 2.8 7.0 47.3 57.1
인천 6.0 1.7 14.3 - 44.3 7.2 1.7 75.2
울산 4.0 11.0 1.9 35.1 1.9 53.9
세종 2.1 4.8 1.7 8.6
경기 49.0 98.6 186.2 173.1 17.8 31.6 3.5 559.8
강원 51.5 182.2 282.1 8.0 6.3 530.1
충북 28.3 51.7 185.4 104.1 1.9 2.5 373.9
충남 18.5 27.8 14.5 43.2 9.3 7.6 15.1 136.0
경북 51.2 131.5 121.6 33.5 72.3 1.0 33.8 1.6 446.5
경남 14.0 104.9 273.2 77.9 72.5 9.6 552.1
전북 22.1 80.3 133.2 8.4 13.5 4.5 262.0
전남 21.1 38.0 92.8 12.6 46.3 13.7 14.7 4.7 243.9
제주 6.6 6.6
합계 283.0 742.2 117.7 1,580.0 348.7 388.1 54.3 55.8 93.4 6.3 3,669.5
주: 일반국도는 위임 국도를, 지방도는 국가지원지방도 연장을 포함.
｢｣
자료: 공공데이터포털, 행정안전부_상습 결빙구간 , https://www.data.go.kr/data/15067396/fileData.do
(2021.04.01)의 자료를 이용하여 재정리.
126) 행정안전부 보도자료(2020.11.12), 「겨울철 대설ㆍ한파 대비 범정부 총력대응 추진」, p. 2의 내용

참조.
127) 생활안전지도, 상습결빙구간, http://www.safemap.go.kr/main/smap.do?flag=2#majorCont03,
(2021.04.01).
｢｣
자료: 생활안전지도, 상습결빙구간 , http://www.safemap.go.kr/main/smap.do?flag=2#majorCont0
3(2021.04.01).
<그림 3-7> 생활안전지도 상습결빙구간 서비스 화면(예시)

58
제4절 국외 도로 제설대책 사례
1. 영국
영국의 도로 제설대책은 도로관리자 측면과 도로이용자 측면으로 나누어

볼 수 있다. 영국 간선도로128)에 대한 유지관리는 ‘Highways England129)’에
서 담당한다(GOV.UK, 2021).130) Highways England는 우리나라의 지방국토
관리청에 해당한다.131) 강설에 대비하여 Highways England는 제설제 살포,
제설차량 운행, 기상 모니터링 등의 업무를 수행한다(GOV.UK, 2021).132)
128) 영국의 전략도로망(SRN, Strategic Road Network)은 ‘고속도로’와 ‘A도로’ 일부로 구성되며, 우리나
라의 간선도로와 유사한 개념이다(자료: GOV.UK, “Statutory guidance - Guidance on road clas
sification and the primary route network”, https://www.gov.uk/government/publications/
guidance-on-road-classification-and-the-primary-route-network/guidance-on-road-cl
assification-and-the-primary-route-network#chapter3(2021.04.01)).
자료: GOV.UK, “Statutory guidance - Guidance on road classification and the primary route network”,
https://www.gov.uk/government/publications/guidance-on-road-classification-and-the-prima
ry-route-network/guidance-on-road-classification-and-the-primary-route-network#chapter3
(2021.04.01)의 내용을 참고하여 저자 재구성.
<그림> 영국의 도로 분류체계
129) 설립 초기 명칭은 ‘Highways Agency’였으나, 이후 ‘Highways England’로 변경되었다(자료: GOV.

UK, “Highways Agency”, https://www.gov.uk/government/organisations/highways-agency(20
21.04.01)).
130) GOV.UK, “Highways England”, https://www.gov.uk/government/organisations/highways-england
(2021.04.01).
131) 두 기관의 역할이 완전하게 같지는 않다. Highways England는 도로와 관련된 업무만을 수행한다(자료:
GOV.UK, “Highways England”, https://www.gov.uk/government/organisations/highways-englan
d(2021.04.01)). 우리나라 지방국토관리청에서는 도로 및 하천과 관련된 업무를 수행한다(자료: 국토교
통부와 그 소속기관 직제 시행규칙(국토교통부령 제864호, 2021.06.29) 제19조 및 제20조 참조).
132) GOV.UK, “Highways England prepares for first cold snap”, https://www.gov.uk/governme
nt/news/highways-england-prepares-for-first-cold-snap(2021.04.01).
<글상자 3-2> 英 Highways England의 제설 대비

․250여 곳의 기상관측소 운영
․535대의 제설차량(Gritters) 운영
․25대의 분사식 제설기(Snow blower) 운영(제설능력 1,200~2,500톤/시)
․61만 차로-마일을 커버할 수 있는 28만 톤의 제설제 비축
자료: GOV.UK, “Highways England prepares for first cold snap”, https://www.gov.uk/government/ne
ws/highways-england-prepares-for-first-cold-snap(2021.04.01)의 내용을 정리하여 인용.
자료: Daily Record, “Scotland's LIVE gritter tracker: Where is your local gritter and when will it reach
your area?”, https://www.dailyrecord.co.uk/news/scottish-news/scotlands-live-gritter-tracker-your-11862568(20
21.04.01); Aone, “Snow Blower”, https://www.aone.uk.com/people/training/snow-blower/(2021.
04.01).
<그림 3-8> 영국 Highways England에서 운영하는 제설차량(Gritter, 왼쪽)과
분사식 제설기(Snow blower, 오른쪽) 예시
영국 교통부(DfT, Department for Transport)가 제작한 ‘도로이용법(The

Highway Code)’에는 악천후에 도로이용자가 지켜야 할 규칙을 제시하고 있다
(UK DfT, 2019).133) 해당 내용은 ‘Rule 226~237’에 수록되어 있다(UK DfT,
2019).134)135) 그중에서도 빙판길이나 눈길을 주행할 때의 규칙은 ‘Rule
228~231’에 정리되어 있다(UK DfT, 2019).136)

134) 전게서.
135) The Highway Code는 1번부터 307번까지 있다. 모든 도로이용자가 준수해야 할 규칙을 정리한 것이
다. 예를 들어, 보행자와 관련된 규칙은 Rule 1-35에 정리되어 있고, 자전거이용자에 대한 규칙은
Rule 59-82에 정리되어 있다(자료: UK DfT, 2019, pp. 5-18, pp. 28-37). 악천후에 운전자가
지켜야 할 규칙은 Rule 226~237이다(자료: UK DfT, 2019, pp. 118-123). 관심있는 독자는 The
Highway Code 홈페이지(https://www.highwaycodeuk.co.uk/)에 접속하면 문건을 다운로드할
수 있다.
60
<글상자 3-3> 英 Highway Code 중 빙판길 및 눈길 운전규칙
다음은 The Highway Code(도로이용법) Rule 229~231의 내용 중 일부를 정리한 것이다.
[Rule 229] 출발 전 점검사항

․바깥 상황을 확인할 수 있도록 차량의 모든 유리를 항상 깨끗하게 청소할 것
자료: UK DfT(2019), The Highway Code, p. 120의 그림 인용
<그림> 차량 앞유리가 지저분한 경우(왼쪽)와 깨끗한 경우(오른쪽)

․(중략)
․이동경로 중에 지체가 발생한 구간, 추가적인 강설 여부 등을 확인할 것
[Rule 230] 눈길 운전 시 주의사항
․(전략)
․평상시보다 앞차와의 거리를 10배 이상으로 유지할 것
․일기예보, 가변전광표지(VMS) 등에 지속적으로 주의를 기울일 것
․전방에 제설차량이 있는지 확인할 것. 추월차로의 눈이 남아 있다면 제설차량을 추월하지
말 것
․(후략)
[Rule 231] 빙판길 운전 시 주의사항
․가능한 느린 속도로 주행하고, 천천히 가속 또는 제동할 것
․굽은 길에서는 특히 서행할 것
․(후략)
자료: UK DfT(2019), The Highway Code, pp. 119-121의 내용을 정리하여 인용.
2. 미국
RWIS(Road Weather Information System, 도로기상정보시스템)를 이용한

노면상태 정보수집 방법은 고비용, 제한된 정보수집 범위, 정보 신뢰도 등 한
계가 있다(Buchanan and Gwartz, 2005; Jin et al., 2014; Kwon et al.,
2014).137) 아이오와주(Iowa State) 교통부는 <그림 3-9>와 같이 제설차량에서

스마트폰으로 촬영한 겨울철 노면사진을 실시간으로 공유하는 시범사업을 진
행 중이다(Iowa Data, 2021).138) 스마트폰 이미지와 RWIS 데이터를 융합하여
노면상태를 예측하면 기존 방식보다 예측성능이 향상된다는 연구결과도 있다
(Linton and Fu, 2016).139) 커넥티드카가 상용화되면, 데이터 융합을 통해 신
뢰도가 높은 노면상태 정보수집이 가능해질 것으로 기대된다.
자료: Iowa Data, “Track a Plow”, https://data.iowa.gov/Roads/Track-a-Plow/k8ki-krve(2021.04.01).
<그림 3-9> 아이오와주의 Track a Plow 시범서비스 화면
미국 방송에서는 도로 살얼음과 관련된 일기예보도 보도한다. <그림 3-10>

은 미국의 한 지역방송사에서 기상청(NWS, National Weather Service)의 자
료를 인용하여 도로 살얼음 예보를 한 장면을 인용한 것이다(Hot Enterprise
News, 2021).140) 예보의 구체적인 내용은 <글상자 3-4>에 정리되어 있다.
137) Buchanan, F., and Gwartz, S. E.(2005), “Road Weather Information Systems”, Presented
at 2005 Annual Conference of the Transportation Association of Canada, Calgary, Alberta;
Jin, P. J., Walker, A., Cebelak, M. and Walton, C. M.(2014), “Determining Strategic
Locations for Environmental Sensor Stations with Weather-Related Crash Data”, In
Transportation Research Record: Journal of the Transportation Research Board, No. 2440,
Transportation Research Board of the National Academies, Washington, D.C., pp. 34–42;
Kwon, T. J., Fu, L. and Jiang, C.(2014), “Road Weather Information System Stations:
Where and How Many to Install—A Cost Benefit Analysis Approach”, Presented at 93rd
Annual Meeting of the Transportation Research Board, Washington, D.C.
138) Iowa Data, “Track a Plow”, https://data.iowa.gov/Roads/Track-a-Plow/k8ki-krve(2021.04.01).
139) Linton, M. and Fu, L.(2016), “Connected Vehicle Solution for Winter Road Surface
Condition Monitoring”, Transportation Research Record, 2551(1), pp. 62-72의 내용 참조.
62
<글상자 3-4> 미국 지역방송사의 도로 살얼음 기상예보 내용 발췌

“금일 오후부터 저녁까지 기온이 급속도로 하강하여 영하권 진입”
“밤사이 영하로 떨어진 기온은 다음 날 아침까지 유지”
“도로, 교량, 고가도로 위에 남아 있던 수분이 밤사이 얼어붙어 도로 살얼음이 형성될 것으로
예상되며, 운전시 주의 필요”
자료: Holt Enterprise News, “Black ice a possibility tonight”, https://holtenterprisenews.com/2021/02/
15/black-ice-a-possibility-tonight/(2021.04.01).
NWS에서는 예보뿐만 아니라 실시간 제보를 통해 입수된 도로 살얼음 정보

도 제공한다(National Weather Service, 2021).141) <그림 3-11>은 와이오밍
주(Wyoming State)에서 NWS에 보고한 도로 살얼음 현장 송출화면이다. 당시
실시간으로 제공한 도로 살얼음 정보내용은 <글상자 3-5>에 정리되어 있다.
자료: Holt Enterprise News, “Black ice a possibility tonight”, https://holtenterprisenews.com/2021/0

2/15/black-ice-a-possibility-tonight/(2021.04.01).
<그림 3-10> 미국 지역방송사의 도로 살얼음 예보 장면

141) National Weather Service, “TRAVEL ALERT: Black Ice and Slick Road Conditions Being Reported
Across Parts of Southeast Wyoming This Morning”, https://www.weather.gov/cys/BlackIce(20
21.08.01).
<글상자 3-5> NWS에서 실시간으로 제공한 도로 살얼음 정보 예시

교통경보: 오늘 아침 와이오밍 남동부 지역에서 도로 살얼음 보고
“와이오밍 교통부는 오늘 아침 남동부 지역 여러 도로에 도로 살얼음이 형성됐다고 보고”

“인근 도로를 이용하는 운전자는 출발 전 www.wyoroad.info에 접속하여 최신 정보를 숙지할 것”
자료: National Weather Service, “TRAVEL ALERT: Black Ice and Slick Road Conditions Being Reported Across
Parts of Southeast Wyoming This Morning”, https://www.weather.gov/cys/BlackIce(2021.07.14).
자료: National Weather Service, “TRAVEL ALERT: Black Ice and Slick Road Conditions Being Reported Across
Parts of Southeast Wyoming This Morning”, https://www.weather.gov/cys/BlackIce(2021.07.14).
<그림 3-11> 미국 기상청(NWS)의 실시간 도로 살얼음 현장 송출화면
3. 일본
동결억제포장(Anti-freezing pavement)이란 도로표면에 별도 시공을 하여

결빙을 방지하는 포장기법을 통칭한다(Zheng et al., 2017).142)143) 동결억제
142) Zheng, M., Wu, S., Wang, C., Li, Y., Ma Z. and Peng L.(2017), “A Study on Evaluation
and Application of Snowmelt Performance of Anti-Icing Asphalt Pavement,” Applied
Science, 7, 583.
143) 기존에 개발된 포장기법은 엄밀히 말하면, 동결억제포장 기법이라기보다는 ‘동결파쇄포장 기법’으로
부르는 것이 타당해 보인다. 동결억제는 말 그대로 동결 자체를 억제한다는 의미이지만, 기존에 개발된
포장기법은 동결된 이후에 외부압력에 의해서 얼음이 깨지도록 하는 메커니즘을 가지고 있기 때문이다.
64
포장 기법은 1960년대 스웨덴에서 처음 개발된 것으로 알려져 있다(서홍관

외, 2016).144) 이후, 스위스, 독일 등 유럽국가, 미국, 일본 등에서 연구개발이
지속적으로 이루어지고 있다(Sato & Hori, 2008).145)
일본에서는 2014년 10~11월에 국도 17호선 니키타현 가와구치지역 인근
도로구간에 11가지 동결억제포장 기법을 100m 단위로 시공하고 그 효과를 측
정한 바 있다(窪, 內山 & 竹見, 2015; 서홍관 외, 2016).146) 동결억제포장 기법
은 종류가 다양하지만, 동결억제 메커니즘에 따라 <표 3-8>과 같이 크게 물리
공법과 화학공법으로 구분할 수 있다. 동결억제포장 기법의 성능을 평가하는
지표로는 인장강도, 미끄럼저항, 노면노출율 등이 있으며, 그 개념은 <표 3-9>
에 정리되어 있다. 빙착인장강도가 낮고, 미끄럼저항이 크고, 노면노출율이 높
을수록 동결억제포장 기법의 성능이 좋다고 볼 수 있다.
<시험시공 위치> <시험시공 구간 개요도>

자료: (원출처) 窪宗昭, 內山徹 & 竹見直和(2015), 나가오카시 가와구치지구 동결억제포장의 시공에 관한 제13
『
회 북부도로포장회의; (재인용) 서홍관 외(2016), 개립도 아스팔트 포장에서의 결빙방지 방안 연구 , 한국 』
도로공사, p. 2의 <그림 2.1> 재인용.
<그림 3-12> 일본에서 진행된 동결억제포장 기법 시험시공 사례
144) 서홍관 외(2016), 『개립도 아스팔트 포장에서의 결빙방지 방안 연구』, 한국도로공사, p. 2의 내용 참조.
145) Sato, K. & Hori, H.(2008), “Development of anti-icing asphalt pavement using rubber
particles”, In Proceedings of the 11th New Challenges for Winter Road Service, XIth
International Winter Road Congress, Sapporo, Japan.
제13회 북부도로포장회의; (재인용) 서홍관 외(2016), 『개립도 아스팔트 포장에서의 결빙방지 방안
연구』, 한국도로공사, p. 2의 내용 참조.
<표 3-8> 동결억제 메커니즘 종류
공법 구분 공법특징
․노면에 홈을 파고, 홈 사이에 고무소재의 입자를 투입

물리공법
․고무소재 표면에 얼음이 형성되었을 때, 충격이 가해지면 얼음이 쉽게
깨지는 원리를 이용
․기존 도로에 홈을 파는 과정에서 아스팔트 폐기물이 발생
․일반 포장재보다 공극이 많은 다공성 포장재를 노면에 시공
화학공법
․노면에 제설제를 살포 후, 공극 사이에 잔존하는 제설제와 눈 또는 수분
이 반응하여 어는점이 내려가는 원리를 이용
․제설제가 토양오염을 일으킬 수 있고, 지속적인 제설제 살포가 필요
「」
자료: 한국교통연구원 자문회의록(2021.08.18), 동결방지포장 실용화 기술동향 논의 의 내용을 참고하여 정리.
<표 3-9> 동결억제포장 기법에 대한 성능평가 지표
성능평가 지표 개념
빙착인장강도 ․노면에 형성된 빙판이 분리 또는 파쇄되는 정도를 인장강도값 으로 측정 1)
미끄럼저항 ․차량과 결빙된 노면 간 마찰계수값을 측정

노면노출율
․강설 후, 실험대상 구간의 노면 면적 가운데 결빙되지 않고 노출된 노면
면적의 비율로 측정
주: 1) 인장강도란 “물질을 끌어 당길 때 균열되지 않고 버틸 수 있는 최대하중을 그 물질의 최초 단면적으로 나눈

값(다음백과, 2021)”
주: 2) 인용된 성능평가 지표는 일부이며, 평가자에 따라 지표를 추가하거나 달리할 수 있음.
｢｣
자료: 다음백과, 인장강도 , https://100.daum.net/encyclopedia/view/b18a1248a(2021.04.01).
「」
자료: 한국교통연구원 자문회의록(2021.08.18), 동결방지포장 실용화 기술동향 논의 의 내용을 참고하여 정리.
66
제4장 AI․빅데이터 기반 도로 살얼음 진단

모형 구현
제1절 분석의 개요
도로 살얼음이 형성되기 위해서는 두 가지 조건이 충족되어야 한다. 우선

노면온도가 영하를 유지해야 한다.147) 다음으로 노면에 살얼음을 형성할 수
있는 수분이 존재해야 한다. 수분은 눈 또는 비의 형태로 도로에 유입될 수
있다. 또한 도로에 쌓여있던 눈이 녹았다가 다시 얼어붙을 수도 있다. 도로 근
처에 있는 호수, 바다, 저수지 등으로 인한 안개도 수분의 공급원이 될 수 있다
(Donegan, 2021).148) 달리 표현하면, 강수와 같은 기상현상이 없더라도 노면
에 수분이 공급될 수 있다는 뜻이다. 이 두 가지 조건을 동시에 만족해야 도로
살얼음이 형성될 수 있다. 노면온도가 영하인 경우에도 노면에 수분이 없다면
도로 살얼음은 형성되지 않을 것이다. 노면에 수분이 존재해도 노면온도가 영
상인 경우라면 도로 살얼음이 형성되지 않을 것이다.
이상의 내용을 종합해보면 도로 살얼음의 형성 여부를 예측하기 위해서는
147) 김백조 외(2020b)의 연구결과에 따르면, 노면온도가 영하로 떨어지지 않는 경우에도 도로 살얼음은
형성될 수 있다. 본 연구에서는 거시적인 차원에서 노면온도가 영하를 유지하는 일반적인 경우에 대해서
만 다룬다.
148) Donegan, B., “What Is Black Ice And Why Is It So Dangerous?”, The Weather Channel,
https://weather.com/science/weather-explainers/news/black-ice-winter-weather-expla
iner(2021.04.01).
제4장 AI․빅데이터 기반 도로 살얼음 진단 모형 구현ㅇ 67
두 가지 데이터가 필요하다. 하나는 분석대상이 되는 도로구간의 노면온도 데

이터이다. 또 다른 하나는 어떤 형태로든149) 노면에 수분이 존재했음을 확인
할 수 있는 데이터이다. 본 연구에서는 도로 살얼음 진단모형을 구현하기에
앞서 이 두 가지 데이터가 입수가능한 지를 타진하였다. 그리고 현시점에서
입수가능한 데이터는 노면온도 데이터에 국한된다는 점을 확인하였다.150) 노
면에 수분이 존재했거나, 더 나아가 도로 살얼음이 존재했음을 확인할 수 있는
데이터는 현재로선 입수가 어렵다고 판단된다.151) 데이터 구득의 한계를 고려
하여 본 연구에서는 기상 데이터와 노면온도 데이터를 활용하여 기상조건152)
에 따른 노면온도를 추정할 수 있는 진단 모형을 구현하였다. 본 연구의 모형
을 활용하더라도 도로 살얼음 형성 여부를 예측하기 위해서는 노면에 수분이
존재하는지 추가로 확인이 필요하다.153)
제2절 도로 살얼음 진단 모형 구현을 위한 데이터 구축
1. 기상 및 노면온도 데이터 수집 현황
현재 민자도로를 운영하고 있는 출자기업 18곳(’20년 기준)(국토교통부 내
149) 본문에서 ‘어떤 형태로든’이라고 표현한 이유는 전술한 것처럼, 비가 오거나 눈이 오지 않더라도 노면에
수분이 형성될 수 있는 다양한 요인이 존재하기 때문이다.
150) ’20년 기준 민자도로(지자체도로 제외)를 운영하고 있는 출자기업은 총 18곳(국토교통부 내부자료,
2020.05)이다. 이 가운데 인천국제공항고속도로(신불IC~북로JC)를 관리하고 있는 ㈜신공항하이웨이,
중앙고속도로(동대구JC~대동JC)를 관리하고 있는 ㈜신대구부산고속도로, 그리고 천안논산고속도로
(천안JC~논산JC)를 관리하고 있는 ㈜천안논산고속도로에서 연구를 위해 그동안 수집했던 기상 데이터
와 노면온도 데이터를 연구진에 제공하였다. 이번 기회를 계기로 감사의 말씀을 전한다. 제공받은 데이
터의 구체적인 형태나 값은 이어지는 본문 제4장 제2절을 참고할 것.
151) <표 2-3>에 정리된 것처럼 도로 살얼음이 존재했을 것으로 추정할 수 있는 사고 데이터를 활용하는
방법도 있다. 그러나 데이터 건수가 69건에 불과하여, 빅데이터 분석에 활용하기 어렵다. AI 기반 진단
모형을 학습하기 위해서는 도로 살얼음이 형성되었을 때의 기상 데이터뿐만 아니라, 도로 살얼음이
형성되지 않았을 때의 기상 데이터도 필요하다.
152) 본 연구에서 고려하는 기상조건이란, 대기온도(℃), 습도(%), 풍속(㎧)과 같이 세 가지이다.
153) 노면에 수분이 존재하는지 여부는 기상예보, 주변 환경 등을 도로 관리자가 확인하면 어느 정도 판단이
가능할 것이다. 이 부분에 대한 모형연구는 향후 연구과제로 남겨 둔다.
68
부자료, 2020.05)154) 가운데 기상 데이터와 노면온도 데이터를 함께 수집하고

있는 곳은 ㈜신공항하이웨이, ㈜신대구부산고속도로, 그리고 ㈜천안논산고속
도로 3곳이다(신공항하이웨이, 2016; 신대구부산고속도로 홈페이지, 2021; 천
안논산고속도로 홈페이지, 2021).155) <표 4-1>은 이들 운영기업이 수집하고
있는 데이터의 종류, 수집위치, 수집시기, 그리고 수집주기를 정리한 것이다.
세 기업은 모두 대기온도, 습도, 풍속, 그리고 노면온도를 수집하고 있다(신공
항하이웨이, 2016; 신대구부산고속도로 홈페이지, 2021; 천안논산고속도로 홈
페이지, 2021).156)157) <그림 4-1> 및 <그림 4-2>는 일반인에게 제공되고 있는
기상 데이터의 예시이다.158)
<표 4-1> 민자도로 운영회사의 기상 및 노면온도 데이터 수집현황

수집데이터 종류
민자도로 데이터 데이터 데이터
운영회사
℃
대기온도
( )
습도
(%)
풍속
( )㎧ ℃
노면온도
( )
수집위치 수집시기 수집주기
①②신도시JC
신공항
하이웨이
○ ○ ○ ○ ③④영종대교
인천공항TG
2015~
2020년 매 10분
⑤귤현3교
방화대교
신대구부산
○ ○ ○ ○ ①②낙동대교 2016~
고속도로 ③밀양대교
남천대교 2020년
매 1분
①②풍세교
천안논산
고속도로
○ ○ ○ ○ ③④웅진대교
논산천교
2010~
2020년
매 10분
차령터널 부근
「」
자료: 신공항하이웨이 내부자료(각 연도), 기상 및 노면온도 데이터 ; 신대구부산고속도로 내부자료(각 연도), 「기상
」「
및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 . 」
154) 국토교통부 내부자료(2020.05), 『2019년도 민자도로의 건설 및 유지․관리 현황에 관한 보고서』 참고.

155) 신공항하이웨이(2016), 「재난상황 관리현황」, p. 11; 신대구부산고속도로 홈페이지, ｢기상정보｣, http://www.
dbeway.co.kr/(2021.02.01); 천안논산고속도로 홈페이지, ｢교통정보시스템｣, http://www.cneway.co.kr/
(2021.02.01).
156) 전게서.
157) 세 기업이 수집하고 있는 데이터 형식은 조금씩 차이가 있다. 데이터 형식 예시는 <표 4-3>~<표 4-5>를
참고할 것.
158) 천안논산고속도로에서는 홈페이지에 관련 데이터를 공개하고 있지 않다.
｢｣
자료: 신공항하이웨이 홈페이지, 교통정보 , https://www.hiway21.com/traffic/info.do(2021.02.01).
<그림 4-1> ㈜신공항하이웨이에서 수집하고 있는 기상 데이터 표출 예
｢｣
자료: 신대구부산고속도로 홈페이지, 기상정보 , http://www.dbeway.co.kr/(2021.02.01).
<그림 4-2> ㈜신대구부산고속도로에서 수집하고 있는 기상 데이터 표출 예
<그림 4-3>부터 <그림 4-14>는 세 곳의 기업이 기상 및 노면온도 데이터를

수집하고 있는 위치를 찾아 정리한 것이다. 위치 확인이 필요한 이유는 지형이
노면온도 변화에 영향을 미치기 때문이다(임상훈 외, 2019).159) 동일한 기상조건
70
｢｣
자료: 카카오지도, 신도시JC , https://map.kakao.com/(2021.02.01).
<그림 4-3> 신도시JC 부근 데이터 수집위치(위) 및 신도시JC 위치도(아래)
｢｣
자료: 카카오지도, 영종대교 , https://map.kakao.com/(2021.02.01).
<그림 4-4> 영종대교 데이터 수집위치(위) 및 영종대교 위치도(아래)
159) 임상훈 외(2019, p. 23)의 연구에서도 노면온도 예측모형을 추정할 때, 지형을 설명변수로 사용하였다.
｢｣
자료: 카카오지도, 인천공항TG , https://map.kakao.com/(2021.02.01).
<그림 4-5> 인천공항TG 부근 데이터 수집위치(위) 및 인천공항TG 위치도(아래)
｢｣
자료: 카카오지도, 귤현3교 , https://map.kakao.com/(2021.02.01).
<그림 4-6> 귤현3교 데이터 수집위치(위) 및 귤현3교 위치도(아래)

72
｢｣
자료: 카카오지도, 방화대교 , https://map.kakao.com/(2021.02.01).
<그림 4-7> 방화대교 데이터 수집위치(위) 및 방화대교 위치도(아래)
｢｣
자료: 카카오지도, 낙동대교 , https://map.kakao.com/(2021.02.01).
<그림 4-8> 낙동대교 데이터 수집위치(위) 및 낙동대교 위치도(아래)

｢｣
자료: 카카오지도, 밀양대교 , https://map.kakao.com/(2021.02.01).
<그림 4-9> 밀양대교 데이터 수집위치(위) 및 밀양대교 위치도(아래)
｢｣
자료: 카카오지도, 남천대교 , https://map.kakao.com/(2021.02.01).
<그림 4-10> 남천대교 데이터 수집위치(위) 및 남천대교 위치도(아래)

74
｢｣
자료: 카카오지도, 풍세교 , https://map.kakao.com/(2021.02.01).
<그림 4-11> 풍세교 데이터 수집위치(위) 및 풍세교 위치도(아래)
｢｣
자료: 카카오지도, 차령터널 , https://map.kakao.com/(2021.02.01).
<그림 4-12> 차령터널 인근 데이터 수집위치(위) 및 차령터널 부근 위치도(아래)

｢｣
자료: 카카오지도, 웅진대교 , https://map.kakao.com/(2021.02.01).
<그림 4-13> 웅진대교 데이터 수집위치(위) 및 웅진대교 위치도(아래)
｢｣
자료: 카카오지도, 논산천교 , https://map.kakao.com/(2021.02.01).
<그림 4-14> 논산천교 인근 데이터 수집위치(위) 및 논산천교 위치도(아래)

76
「」
「」「」
기상 및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 를 참고하
여 도면으로 구성.
<그림 4-15> 신공항하이웨이, 신대구부산고속도로 및 천안논산고속도로

기상 및 노면온도 데이터 수집위치
에서 토공구간과 교량구간의 노면온도 변화는 다른 양상으로 나타난다.160) 구

체적으로 말하자면, 토공구간은 지면 아래 지각이 위치하고 있어 상대적으로
온도변화가 작다.161) 반면에 교량구간은 상부뿐만 아니라 하부도 대기 중에
노출되어 있어, 토공구간에 비해 온도변화가 크게 나타난다.162) <그림 4-16>
은 2019년 1월 1일 하루 동안 차령터널 부근과 풍세교의 노면온도 변화를 그
래프로 표현한 것이다. 그림을 보면 교량구간인 풍세교의 노면온도가 야간 및
새벽시간대에 토공구간인 차령터널 부근의 노면온도보다 보다 많이 떨어지는
것을 확인할 수 있다.163)
<글상자 4-1> 토공구간, 교량구간, 터널구간의 예
․토공구간: 교량 혹은 터널 사이의 구간으로, 도로공사에서 천연지면뿐만 아니라 흙을 깎거나

흙을 쌓는 구간을 모두 포함
․터널구간: 터널이 설치된 구간
․교량구간: 교량이 설치된 구간
『 ․ 』
자료: 용어 정의-국토교통부(2018), 도로의 구조 시설 기준에 관한 규칙 해설 의 내용을 참고하여 정리.
｢｣
자료: 그림-국토교통부 철도산업정보센터, 터널 속을 182.3km, 다리 위를 109.2km 달린다 , https://www.kri
c.go.kr/(2021.04.01)의 그림의 용어를 각색하여 인용.
160) 도로구간은 시공형태에 따라 크게 토공구간, 교량구간, 터널구간으로 구분할 수 있다. 각 용어에 대한

정의는 <글상자 4-1>에 정리되어 있다.
161) 지각이 낮 동안 태양으로부터 복사열을 받아 저장하고 있기 때문에, 야간에도 토공구간의 온도는 급격하
게 하강하지 않는다.
162) 교량구간은 토공구간처럼 급격한 온도변화를 막아주는 지각이 없기 때문에 상대적으로 온도변화가 크게
나타난다.
163) 풍세교와 차령터널 간 직선거리는 약 8km이다. 두 구간은 지리적으로 인접해 있다.
78
「」
자료: 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 중, 2019년 1월 1일 자료를 추출하여
그래프로 구성.
<그림 4-16> 천안논산고속도로 차령터널(토공구간) 및 풍세교(교량구간)의 일일

노면온도 변화(2019년 1월 1일 기준)
이러한 점을 고려하여 지형에 따라 모형을 달리 구현하였다.164) 포털사이트에

서 제공하고 있는 위성지도와 로드뷰를 활용하여 기상 및 노면온도 데이터 수
집위치의 지형을 판별한 결과, 차령터널 부근의 데이터수집 위치를 제외한 나
머지 수집위치는 교량구간으로 분류하였다.165) 차령터널 부근은 토공구간으
로 분류하였다.166)
164) 실제 지형을 확인하기 위해서는 현장조사가 필요하다. 여러 제약이 있어 본 연구에서는 포털사이트에서

제공하고 있는 위성지도와 로드뷰를 활용하여 세 곳의 기업이 기상 및 노면온도 데이터를 수집하고
있는 위치의 지형을 판별하였다.
165) <그림 4-3>~<그림 4-14>를 보면 데이터 수집위치(위)와 위치도(아래) 간에 차이가 있음을 확인할 수
있다. 세 곳의 기업으로부터 데이터를 제공받을 때, 데이터 수집위치에 대한 정보도 함께 제공받았다.
이를 토대로 로드뷰에서 데이터 수집위치를 식별하였다.
166) 차령터널 부근을 터널구간이 아닌 토공구간으로 분류한 이유에 대해 궁금해하는 독자가 있을 것이다.
<그림 4-12>를 보면, 데이터 수집위치가 터널에서 상당히 떨어져 있는 것을 확인할 수 있다. 임상훈
외(2019, p. 23)의 연구에서도 터널구간은 양측 입구 사이에 있는 구간만을 터널구간으로 분류한 바
있다. 이러한 점들을 고려하여 본 연구에서도 차령터널 부근의 데이터 수집위치를 토공구간으로 분류하
였다.
2. 기상 및 노면온도 데이터 형태
<표 4-2>는 세 곳의 기업으로부터 입수한 데이터를 검토하여 데이터 저장

형태를 정리한 것이다. <표 4-3>~<표 4-5>는 세 곳의 기업으로부터 입수한 데
이터 중 일부를 인용한 것이다. 세 곳의 기업 모두 대기온도, 습도, 풍속, 그리
고 노면온도를 수집하고 있지만, 데이터 저장형태는 기업마다 차이가 있다(신
공항하이웨이 내부자료, 각 연도; 신대구부산고속도로 내부자료, 각 연도; 천
안논산고속도로 내부자료, 각 연도).167)
<표 4-2> 민자도로 운영회사의 기상 및 노면온도 데이터 저장 형태
데이터 종류
기업 구분
㈜신공항하이웨이 ㈜신대구부산고속도로 ㈜천안논산고속도로
수집위치 문자(예, 귤현3교)
수집일시 문자(yyyy-mm-dd-hh:mm, 순서대로 연월일시)
대기온도( ) ℃ 실수(±00.0, 소수점 첫째 자리까지)
습도(%) 실수(00.0, 소수점 첫째 자리까지)
실수(000.0˚, 소수점
정수(000˚, 각도로
풍향 문자(예, 북북서) 첫째 자리까지 각도로
표기)
표기)
㎧
풍속( ) 실수(00.0, 소수점 첫째 자리까지)
가시거리(m) 정수(00,000, 최대 다섯짜리 정수로 표기)
노면온도( ) ℃ 실수(±00.0, 소수점 첫째 자리까지)
「」
」「」
상 및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 를 참고하여 표로
구성.
신공항하이웨이에서는 대기온도, 습도, 가시거리168) 및 노면온도를 측정시

간 동안의 최소값, 최대값 그리고 평균값의 형태로 저장한다(신공항하이웨이
내부자료, 각 연도).169)170) 반면에 신대구부산고속도로와 천안논산고속도로
167) 신공항하이웨이 내부자료(각 연도), 「기상 및 노면온도 데이터」; 신대구부산고속도로 내부자료(각 연도),
「기상 및 노면온도 데이터」; 천안논산고속도로 내부자료(각 연도), 「기상 및 노면온도 데이터」.
168) 가시거리는 육안으로 관측된 값으로 최소값, 최대값 그리고 평균값 간에 차이는 없어 보인다.
169) 각주 167)의 전게서.
170) 모형 구현 시에는 각 데이터별로 평균값을 사용하였다.
80
는 수집주기(신대구부산고속도로는 1분, 천안논산고속도로는 10분) 동안 측정

된 데이터의 평균값만을 저장한다(신대구부산고속도로 내부자료, 각 연도; 천
안논산고속도로 내부자료, 각 연도).171) 신공항하이웨이는 텍스트 형태로 저
장하나, 나머지 두 기업은 각도값으로 저장한다(신공항하이웨이 내부자료, 각
연도; 신대구부산고속도로 내부자료, 각 연도; 천안논산고속도로 내부자료, 각
연도).172)173)
제3절 도로 살얼음 진단 모형 구현174)
1. 데이터 전처리
가. 데이터 집계시간 통일
<표 4-3>~<표 4-5>에서 살펴본 것처럼, 기상 및 노면온도 데이터의 수집주

기가 기업마다 차이가 있다.175) 본 연구에서는 세 곳의 기업에서 제공받은 데
이터와 기상청의 ‘기상자료개방포털’176)에서 공개하고 있는 기상 데이터와의
매칭을 고려하여 데이터의 집계단위를 1시간 단위로 통일하였다.177) 본 연구
의 일차적인 목적은 특정 지역에서 수집된 기상정보와 노면온도 간의 관계를
모형화하는 것이다. 뿐만 아니라 특정 지역이 포함된 보다 넓은 지역을 대상으
로 수집된 기상정보와 노면온도 간의 관계를 살펴본다.178) <그림 4-17>은 1시
171) 신대구부산고속도로 내부자료(각 연도), 「기상 및 노면온도 데이터」; 천안논산고속도로 내부자료(각

연도), 「기상 및 노면온도 데이터」.
172) 전게서.
173) 풍향은 모형구현에서 설명변수로 사용하지 않았기 때문에 별도로 데이터 전처리를 하지 않았다.
174) 본 연구에서 노면온도 추정 모형을 개발하기 위해 사용한 상용패키지는 파이썬(Python)으로 작성된
사이킷런(Sikit-learn)이다.
175) 신공항하이웨이의 데이터 수집주기는 10분이다(<표 4-1> 참고). <표 4-2>에 제시된 신공항하이웨이의
데이터 예시에서는 데이터가 1시간 단위로 집계되어 있다. 신공항하이웨이에서 데이터를 제공할 때,
10분 단위 데이터를 1시간으로 집계처리하여 제공하였다.
176) 기상청 기상자료개방포털, https://data.kma.go.kr/(2021.02.01).
177) 기상청 기상자료개방포털에서는 시간 단위를 달리하여 방재기상관측(AWS) 데이터를 제공하고 있다(기
상청 기상자료개방포털, 2021). 최소 단위는 1분이고, 1시간, 1일, 1개월, 1년 단위로도 제공한다.
178) 특정 지역에서 수집된 노면온도와 물리적으로 떨어진 지점에서 수집된 기상정보와의 관계를 모형화한다
간 미만 단위로 수집된 데이터를 1시간 단위로 집계하는 과정을 예시로 구성

한 것이다.
<그림 4-17> 1시간 미만 단위로 수집된 데이터를 1시간 단위로 집계하는 과정 예시
나. 지형별 데이터 집계
세 곳의 기업으로부터 제공받은 데이터는 총 12곳에서 수집되었다. 이 가운

데 차령터널 부근은 토공구간으로 분류하였고, 나머지 11곳은 교량구간으로
분류하였다.179) <표 4-6>은 데이터 수집위치를 확인한 후, 어떤 지형으로 구
분했는지를 정리한 것이다. 데이터를 모형추정에 활용할 때 교량구간 데이터
는 함께 묶어 하나의 데이터세트로 처리하였다.
는 점에 대해 의문이 제기될 수 있다. 그 이유는 센서를 통해 기상정보를 수집하기 어려운 지역에서는

기상청에서 수집한 기상정보를 대신 사용해야 하기 때문이다. 이와 관련된 자세한 내용은 이어지는
내용에서 다시 설명하도록 한다.
179) 신공항JC와 인천공항TG를 교량구간으로 구분한 것에 대해 의문을 가질 수 있다. 위성사진과 로드뷰를
통해 확인한 결과, 해당 지점은 교량구간(도로가 하부 지형과 분리되어 있음)에 준하는 특성을 가지고
있는 것으로 확인되었다.
82
<표 4-3> 신공항하이웨이에서 제공한 기상 및 노면온도 데이터 예시
대기온도( ) ℃ 습도(%) 가시거리(m) ℃
노면온도( )
수집위치 수집일시
최소 최대 평균 최소 최대 평균
풍향 ㎧
풍속
( ) 최소 최대 평균 최소 최대 평균
귤현3교 2015-01-01 00:00 -6.1 -5.3 -5.7 27.5 32.0 29.5 북북서 6.6 20,000 20,000 20,000 -4.8 -4.0 -4.3
귤현3교 2015-01-01 01:00 -7.3 -5.8 -6.2 30.8 33.3 31.8 북서 4.8 20,000 20,000 20,000 -5.4 -4.8 -5.1
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
주: 가시거리는 육안으로 측정
「
자료: 신공항하이웨이 내부자료(각 연도) 기상 및 노면온도 데이터 참고. 」
<표 4-4> 신대구부산고속도로에서 제공한 기상 및 노면온도 데이터 예시
수집위치 수집일시 대기온도( ) ℃ 습도(%) 풍향 ㎧
풍속( ) 가시거리(m) ℃
노면온도( )
낙동대교 2016-01-01 00:00 0.0 67.0 182˚ 0.1 6,887 0.1
낙동대교 2016-01-01 00:01 0.0 67.0 182˚ 0.1 6,887 0.1
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
주: 1) 풍향은 바람의 진행방향을 각도로 표시
「」
주: 2) 가시거리는 육안으로 측정
자료: 신대구부산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 참고.
<표 4-5> 천안논산고속도로에서 제공한 기상 및 노면온도 데이터 예시

수집위치 수집일시 대기온도( ) ℃ 습도(%) 풍향 풍속( ) ㎧ 가시거리(m) ℃
노면온도( )
풍세교 2010-11-01 00:00 4.8 100.0 134.3˚ 0.4 2,000 8.2
풍세교 2010-11-01 00:10 4.7 100.0 174.6˚ 0.4 2,000 8.2
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
주: 1) 풍향은 바람의 진행방향을 각도로 표시
「」
주 2) 가시거리는 육안으로 측정
자료: 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 참고,
<표 4-6> 민자도로 운영회사의 데이터 수집지점 지형 구분 결과
민자도로 운영회사 데이터 수집위치 지형 구분

① 신도시JC
② 영종대교
신공항하이웨이 ③ 인천공항TG
④ 귤현3교
⑤ 방화대교
① 낙동대교 교량구간
신대구부산고속도로 ② 밀양대교
③ 남천대교
① 풍세교
② 웅진대교
천안논산고속도로
③ 논산천교
④ 차령터널 부근 토공구간
「」「
자료: 신공항하이웨이 내부자료(각 연도), 기상 및 노면온도 데이터 ; 신대구부산고속도로 내부자료(각 연도), 기
」「」
상 및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 .
다. 데이터 매칭
데이터 매칭은 특정 지점에서 수집된 데이터(기상 및 노면온도 데이터)와 인

근 AWS(방재기상관측시스템)에서 수집된 기상청 데이터(기상 데이터)를 매칭
하기 위한 작업이다. 수집원이 다른 두 데이터를 매칭하기 위한 기준으로는
수집시간을 사용하였다. 앞서 세 곳의 기업에서 제공한 데이터를 1시간 단위
로 집계처리한 이유는 기상청 데이터와의 매칭을 위해서였다. <그림 4-18>은
데이터 매칭방법을 예시로 구성한 것이다.
데이터 전처리 과정을 통해 최종 확정된 데이터세트의 데이터 건수는 <표
4-7>에 제시되어 있다. 연구를 위해 민자도로 운영회사로부터 총 36,349,368
개의 데이터를 제공받았다. 데이터 개수는 데이터 필드에 있는 모든 데이터의
총합을 의미한다. 이 가운데 데이터 전처리를 거쳐 생성된 데이터세트의 데이
터 건수는 총 1,687,007건이다. 이는 원시데이터의 약 4.6% 수준이다.
84
<그림 4-18> 특정 지점에서 수집된 데이터와 인근 AWS에서 수집된 데이터 간

매칭방법 예시
<표 4-7> 모형추정을 위해 제공받은 데이터 개수와 실제로 사용된 데이터 개수

데이터 관련
민자도로 운영회사 제공한 데이터 개수(개) 사용된 데이터 개수1)(개)
수집기간 수집주기
신도시JC 841,728 신도시JC 129,668
영종대교 841,728 영종대교 72,779
인천공항TG 841,728 인천공항TG 72,968
신공항하이웨이2) 15~20년 매 10분3)
귤현3교 841,728 귤현3교 131,047
방화대교 841,728 방화대교 131,208
소계 4,208,640 소계 537,670
낙동대교 8,767,080 낙동대교 100,926

2) 밀양대교 8,767,080 밀양대교 102,494
신대구부산고속도로 16~20년 매 1분
남천대교 8,767,080 남천대교 101,024
소계 26,301,240 소계 304,444
풍세교 1,459,872 풍세교 201,649

웅진대교 1,459,872 웅진대교 201,614
천안논산고속도로2) 10~20년 매 10분 논산천교 1,459,872 논산천교 239,981
차령터널 1,459,872 차령터널 201,649
소계 5,839,488 소계 844,893
합계 - - 36,349,368 1,687,007
주: 1) 제공받은 데이터를 집계처리하여 결측값을 제외하고 실제 분석에 사용한 데이터 건수를 의미함.
주: 2) 신공항하이웨이 및 신대구부산고속도로는 1년 12개월, 천안논산고속도로는 1~2월 및 11~12월 4개월 데이터
를 제공. 1년 중 1~2월 및 11~12월 데이터만 분석에 사용하였음.
주: 3) 수집주기는 매 10분이나, 데이터를 제공할 때는 1시간 단위로 집계된 데이터를 제공.
「」
」「
및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 를 참고하여 재구성. 」
2. 변수 설정
노면온도 추정 모형을 구현하는 목적은 기상정보와 노면온도 간 관계를 모

형화하는 것이다. 따라서 독립변수는 대기온도, 습도, 풍속과 같이 기상요소이
고, 종속변수는 노면온도이다. 모형을 추정할 때에는 특정 지점에서 수집된 데
이터와 인근 AWS에서 수집된 데이터를 매칭한 결과를 입력자료로 사용한다.
<표 4-8>과 <표 4-9>는 실제 모형추정에 사용되었던 데이터세트 중 일부를 제
시한 것이다. 데이터세트는 데이터 매칭의 결과이다. 데이터세트를 살펴보면
수집위치와 수집시간이 제외되어 있다. 데이터세트는 토공구간과 교량구간에
대해 각각 제작되었다. 본 연구에서 노면온도 모형은 횡단면분석(Cross-sectional
analysis) 방식을 사용했다.180) 때문에 수집시간을 입력데이터로 사용하지 않았
다. 이러한 이유로 최종 데이터세트는 수집위치 및 수집시간이 제외된 <표
4-8>과 <표 4-9>와 같은 형태가 되었다.
<표 4-8> 토공구간의 노면온도 추정을 위한 모형추정에 사용된 데이터 예시
노면온도
9.3 82 0 3.5 82 0 9.5
9.9 74 0 3.6 74 0 9.2
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
「」「
자료: 신공항하이웨이 내부자료(각 연도), 기상 및 노면온도 데이터 ; 신대구부산고속도로 내부자료(각 연도), 기상
」「」
및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 의 자료를 취합하여
재구성.
180) 횡단면분석에 대한 개념과 분석방법을 차용한 이유는 <글상자 4-2>를 참조할 것.

86
<글상자 4-2> 횡단면분석 vs. 시계열분석

․횡단면분석(Cross-sectional analysis)는 횡단면자료(Cross-sectional data)를 이용한 분석으로
(Wooldridge, 2013, p. 5), 특정 시점의 입력변수와 종속변수 간 관계를 모형화함
<글상자그림 1> 횡단면분석의 개념도
․시계열분석(Time series analysis)은 시계열자료(Time series data)를 이용한 분석으로

(Wooldridge, 2013, p. 8), 입력변수의 시간적 변화와 종속변수 간 관계를 모형화함
<글상자그림 2> 시계열분석의 개념도
․시계열분석에서 도출되는 입력변수에 대한 계수(가중치)는 해석이 어렵고 지침기준으로 활용되

기 어렵다고 판단되어 본 연구에서는 횡단면분석 방식을 적용함.
– –
자료: 횡단면분석 및 시계열분석 개념 Wooldridge, J.(2013), Introductory Econometrics A Modern
Approach(5th Edition), p. 5 및 p. 8의 내용 참조.
–
자료: 횡단면분석 및 시계열분석 개념도 <표 4-8> 및 <표 4-9>의 데이터를 참고하여 구성함.
<표 4-9> 교량구간의 노면온도 추정을 위한 모형추정에 사용된 데이터 예시

노면온도
-0.3 45.7 11.3 -4.0 48.5 5.0 4.5
-0.1 43.7 10.5 -4.2 45.1 4.8 1.5
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
「」
」「」
및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 의 자료를 취합하여
재구성.
분석모형을 추정하기 전에 두 가지 사항을 점검하였다. 하나는 종속변수인

노면온도의 분포가 정규분포와 유사한지 확인하였다. 종속변수의 분포가 왜곡
된 경우에는 회귀모형의 예측성능이 저하될 수 있다(권철민, 2020).181) 이러
한 경우에는 종속변수값에 로그값을 취해 분포를 보정해 주어야 한다. <그림
4-19>는 토공구간 및 교량구간에 대한 노면온도 분포를 그래프로 나타낸 것이
다. 두 분포 모두 크게 왜곡되지 않은 형태라고 판단되어, 별도의 보정작업을
수행하지 않았다.
[토공구간 노면온도의 분포] [교량구간 노면온도의 분포]

「」
「」「」
취합하여 재구성.
<그림 4-19> 토공구간 및 교량구간의 종속변수(노면온도) 분포
181) 권철민(2020), 『파이썬 머신러닝 완벽 가이드』, 위키북스, p. 348.

88
다음으로 설정한 독립변수가 종속변수에 미치는 영향이 유의미한 수준인지

확인해 보았다. 불필요한 독립변수는 모형의 성능을 저하시키고 학습시간을
증가시킨다. <그림 4-20>은 변수 간의 상관관계를 Heatmap으로 표현한 것이
다. Heatmap에서 셀의 색상이 파란색에 가까우면 양(+)의 상관관계, 붉은색
에 가까우면 음(-)의 상관관계가 있음을 의미한다. 셀 안의 숫자는 상관관계
정도를 수치화한 것이다. 예를 들어, <그림 4-20>의 좌측 그림(토공구간)에서
변수 ‘temp_l’과 변수 ‘rd_temp’ 관계를 나타내는 셀(우측 최상단 셀)은 파란
색이며, 0.93의 값을 갖는다. 이는 양의 두 변수가 거의 정비례에 가까운 양의
상관관계임을 나타낸다. 정도의 차이는 있으나, 토공구간과 교량구간에서 모
두 대기온도, 습도, 풍속은 유의미한 변수로 보인다. 대기온도 및 풍속은 온도
변화의 양(+)의 상관관계를, 습도는 음(-)의 상관관계를 갖는다. 이러한 점을
고려하여 설정한 독립변수를 모두 모형에 포함시켰다. 변수 간 상관관계도는
<그림 4-21>에 제시되어 있다.
[토공구간] [교량구간]
「」
「」「」
분석한 결과를 변수 간 상관관계 Heatmap으로 구성.
<그림 4-20> 토공구간 및 교량구간의 변수 간 상관관계 Heatmap

주: 본 연구에서 제작한 데이터세트를 기반으로 작성.182)
<그림 4-21> 토공구간(위) 및 교량구간(아래)의 변수 간 상관관계도
182) <그림 4-19> 및 <그림 4-20>에 제시된 변수명에 대한 설명은 다음과 같다. 이후 본문에 제시된 변수명
도 이를 따른다.
변수명 temp_l humi_l wspd_l temp_a humi_a wspd_a rd_temp
변수 설명 수집지점의 수집지점의 수집지점의 인근AWS 인근AWS 인근AWS 수집지점의
대기온도 습도 풍속 대기온도 습도 풍속 노면온도
90
3. 분석모형의 형태 및 종류
본 연구에서는 데이터 전처리와 분석모형을 추정하기 위해 파이썬(Python)

언어로 작성된 사이킷런(Scikit-learn) 라이브러리를 사용하였다. 오픈소스로 누
구나 사용이 가능하다. 분석모형의 형태는 종속변수의 처리방식183)에 따라 구
분한다. 분석모형의 종류는 모형에 포함되는 독립변수의 종류에 따라 결정된다.
가. 분석모형의 형태
모형은 두 가지 형태로 구현할 수 있다. 하나는 분류모형(Classification model)

이고, 다른 하나는 회귀모형(Regression model)이다. 분류모형에서 종속변수인
노면온도는 영상인 경우(0 ℃ 초과)에 ‘0’으로, 영하인 경우에(0℃ 이하) ‘1’로
표현된다.184) 회귀모형에서 종속변수는 노면온도값이다.
분류모형으로는 네 가지 형태를 고려하였다. 단일학습모형인 결정트리모형
(Decision tree model)과 앙상블학습모형인 랜덤포레스트모형(Random forest
model), GBM 모형(Gradient boosting machine model), 그리고 LightGBM 모
형(LightGBM model)을 추정하였다. 단일학습모형과 앙상블학습모형을 모두 추
정하는 이유는 모형마다 성능을 비교하기 위해서이다. 분류모형에서는 학습이
완료되면, 노면온도가 영하가 되는데 필요한 독립변수별 임계값이 도출된다.
<표 4-10>의 내용은 본 연구에서 활용한 분류모형의 형태와 특징을 정리한 것
이다.
회귀모형으로는 선형회귀모형을 추정하였다.185) 회귀모형에서는 학습이 완
료되면, 개별 독립변수의 변화가 노면온도를 변화시키는 정도인 변화율이 도출
된다.186)
183) 종속변수가 이산형(0 또는 1)인 경우와 연속형(노면온도값 자체)인 경우로 나뉜다.

184) <표 4-8> 및 <표 4-9>에서 종속변수인 ‘노면온도’ 값이 영상인 경우에는 ‘0’, 영하인 경우에는 ‘1’의
값을 갖는다고 보면 된다.
185) <그림 4-21>과 같이 독립변수와 종속변수 간 선형관계가 있다고 판단했기 때문이다.
186) 개별 독립변수의 계수값을 의미한다.
<표 4-10> 본 연구에서 활용한 분류모형의 형태와 특징
분류모형 형태주) 분류모형의 특징

단일
학습모형
DT ․하나의 결정트리를 추정
RF ․다수의 결정트리를 추정하여 다수결 방식으로 예측
․다수의 결정트리를 단계적으로 추정
앙상블 GBM
․선행 결정트리로 잘못 예측한 데이터에 페널티를 부과한 후, 후
행 결정트리 학습
학습모형
․학습시간이 다른 모형에 비해 길게 소요
LightGBM
․GBM의 학습시간을 단축하고, 예측 성능을 유지하기 위한 대안
으로 설계된 모형
주: DT-결정트리모형(Decision tree model), RF-랜덤포레스트모형(Random forest model), GBM-그래디어트
부스팅머신(Gradient boosting machine).
『』
자료: 권철민(2020), 파이썬 머신러닝 완벽 가이드 , 위키북스, pp. 211-213의 내용을 참고하여 정리.
나. 분석모형의 종류
분석모형의 종류는 포함되는 독립변수의 종류에 따라 달리 설정하였다. <표

4-11> 및 <표 4-12>는 분류모형의 형태와 포함되는 독립변수에 따라 모형번호를
부여한 결과를 정리한 것이다. 예를 들어, 수집지점에서 수집된 대기온도만을 독
립변수로 사용하는 결정트리모형은 모형번호가 ‘모형(01)’로 설정되었다.
<표 4-11> 분류모형의 형태 및 종류에 따른 모형번호(토공구간)

변수
모형1)
● 모형(01)
● ● 모형(02)
● ● ● 모형(03)
DT
● 모형(04)
● ● 모형(05)
● ● ● 모형(06)
92

변수
모형1)
● 모형(07)
● ● 모형(08)
● ● ● 모형(09)
RF
● 모형(10)
● ● 모형(11)
● ● ● 모형(12)
● 모형(13)
● ● 모형(14)
● ● ● 모형(15)
GBM
● 모형(16)
● ● 모형(17)
● ● ● 모형(18)
● 모형(19)
● ● 모형(20)
● ● ● 모형(21)
LightGBM
● 모형(22)
● ● 모형(23)
● ● ● 모형(24)

<표 4-12> 분류모형의 형태 및 종류에 따른 모형번호(교량구간)

변수
모형1)
● 모형(25)
● ● 모형(26)
● ● ● 모형(27)
DT
● 모형(28)
● ● 모형(29)
● ● ● 모형(30)
● 모형(31)
● ● 모형(32)
● ● ● 모형(33)
RF
● 모형(34)
● ● 모형(35)
● ● ● 모형(36)
● 모형(37)
● ● 모형(38)
● ● ● 모형(39)
GBM
● 모형(40)
● ● 모형(41)
● ● ● 모형(42)
● 모형(43)
● ● 모형(44)
● ● ● 모형(45)
LightGBM
● 모형(46)
● ● 모형(47)
● ● ● 모형(48)
94
회귀모형의 경우에도 분류모형과 같은 방식으로 모형번호를 부여하였다.

<표 4-13> 및 <표 4-14>는 선형회귀모형에 포함되는 독립변수에 따라 모형번호
를 부여한 결과를 정리한 것이다.
<표 4-13> 회귀모형 종류와 모형번호(토공구간)

변수 2)
수집지점 의 기상 데이터 인근 AWS3)에서 수집한 기상 데이터 모형번호
모형1)
● 모형(49)
● ● 모형(50)
● ● ● 모형(51)
LR
● 모형(52)
● ● 모형(53)
● ● ● 모형(54)
<표 4-14> 회귀모형 종류와 모형번호(교량구간)

변수 2)
수집지점 의 기상 데이터 인근 AWS3)에서 수집한 기상 데이터 모형번호
모형1)
● 모형(55)
● ● 모형(56)
● ● ● 모형(57)
LR
● 모형(58)
● ● 모형(59)
● ● ● 모형(60)
4. 분석모형 추정
가. 분류모형의 추정
분류모형이나 회귀모형을 추정하기 전에 분석에 필요한 데이터 전처리(데

이터세트 생성)를 진행하였다.187) 지금부터는 데이터 전처리 이후의 과정에
대해서 설명한다.
1) 데이터 입력
토공구간 및 교량구간에 대한 분류모형 추정을 위해 사용한 데이터 예시는

<표 4-8> 및 <표 4-9>와 같다. <표 4-15> 및 <표 4-16>은 사용된 데이터에 대
한 기술통계이다. 분류모형에서 종속변수는 노면온도가 영상인 경우와 영하인
경우, 두 가지이다. 따라서 노면온도값을 이진변수로 변환하였다. 우리가 관심
이 있는 경우는 노면온도가 영하인 경우이므로, 노면온도가 영하인 경우에는
‘1’, 영상인 경우에는 ‘0’으로 변환하였다.
<표 4-15> 토공구간 분류모형 추정을 위해 사용된 데이터의 기술통계
변수명1) temp_l humi_l wspd_l temp_a humi_a wspd_a

구분 ℃
( ) (%) ㎧
( ) ( )℃ (%) ㎧
( )
데이터수 28,807 28,807 28,807 28,807 28,807 28,807
평균 1.2 59.2 1.8 0.3 63.9 1.2
표준편차 6.3 18.5 1.6 6.7 19.1 1.3
최소값 -17.7 12.4 0.0 -21.5 10.4 0.0
25분위수 -3.2 44.5 0.6 -4.2 50.0 0.1
50분위수 0.8 58.3 1.3 0.0 65.0 0.7
75분위수 5.25 73.5 2.5 4.6 79.0 1.9
최대값 24.1 99.9 9.6 24.1 100.0 8.1
주: 1) temp-대기온도, humi-습도, wspd-풍속, l-수집지점, a-수집지점 인근 AWS
「」
」「
상 및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 의 자료를 분석한」
결과임.
187) 데이터전처리와 관련된 내용은 본문 제4장 제3절 1을 참고할 것.

96
<표 4-16> 교량구간 분류모형 추정을 위해 사용된 데이터의 기술통계

변수명1) temp_l humi_l wspd_l temp_a humi_a wspd_a
구분 ℃
( ) (%) ㎧
( ) ( )℃ (%) ㎧
( )
데이터수 212,194 212,194 212,194 212,194 212,194 212,194
평균 2.1 61.9 1.5 1.2 65.2 1.5
표준편차 6.3 21.9 1.5 6.3 21.6 1.3
최소값 -20.2 0.0 0.0 -21.5 0.0 0.0
25분위수 -2.0 45.0 0.5 -3.3 48.3 0.5
50분위수 1.7 62.0 1.0 0.8 66.6 1.2
75분위수 6.1 80.2 2.1 5.2 84.0 2.2
최대값 26.3 100.0 17.3 25.9 100.0 17.3
주: 1) temp-대기온도, humi-습도, wspd-풍속, l-수집지점, a-수집지점 인근 AWS
「」
」「
상 및 노면온도 데이터 ; 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 의 자료를 분석한 」
결과임.
2) 데이터 분할
모형추정은 학습(Train)과 검증(Test) 과정을 거친다. 전체 데이터세트 중

70%는 학습용 데이터로, 30%는 검증용 데이터로 분할하였다.188) <표 4-17>은
토공구간과 교량구간의 노면온도 데이터 개수와 비율을 정리한 것이다. 토공구
간의 경우에 전체 데이터 개수는 28,807개이고, 1값(노면온도가 영하인 경우)의
개수는 8,662개이다. 전체 데이터 개수 대비 1값의 비율이 30% 수준이다. 마찬
가지 방법으로 교량구간에 대해서도 1값의 비율을 산정해 보면 31%가 된다. 종
속변수의 분포가 균일하지 않은 경우에 단순분할 방식으로 데이터세트를 분할
하면 특정값이 학습용 또는 검증용 데이터에 편중될 수 있다. 이 경우에 모형학
습이 제대로 이루어지지 않아, 모형의 성능이 감소할 수 있다. 따라서 본 연구에
서는 데이터세트를 분할할 때, 계층분할(Stratified split) 방식을 사용하였다.
188) 통상적으로 학습데이터와 검증데이터의 비율은 7:3 또는 8:2로 분할한다(권철민, 2020, p. 101).
<표 4-17>과 <표 4-18>은 노면온도 데이터의 분포를 고려하여 데이터세트를 분

할한 결과를 정리한 것이다.
<표 4-17> 토공구간 및 교량구간의 노면온도 데이터 개수와 비율

노면온도 데이터개수(개) 비율(%)
구간
전체(A) 0값(B) 1값(C) B/A C/A
토공구간 28,807 20,145 8,662 70 30
교량구간 212,194 146,414 65,780 69 31
<표 4-18> 토공구간 및 교량구간의 데이터세트 분할 결과

데이터개수(개)
구간 데이터구분
소계 0값 1값
전체 28,807 20,145(70)1 8,662(30)1
토공구간 학습용 20,165 14,102(70)1 6,063(30)1
검증용 8,641 6,043(70)1 2,599(30)1
전체 183,425 146,414(69)1 65,780(31)1
교량구간 학습용 148,536 102,490(69)1 46,046(31)1
검증용 63,658 43,924(69)1 19,734(31)1
주: 1) 0값은 노면온도가 영상, 1값은 노면온도가 영하인 경우를 의미함.
주: 2) 괄호 안 수치는 소계에 대한 비율을 의미함.
주: 3) 전체 데이터에 대한 학습용 및 검증용 데이터의 비율은 각각 70%와 30%로 분할처리하였음.
3) 파라미터 설정
본 연구에서 추정하는 분류모형 네 가지는 모두 결정트리모형(Decision

tree model)을 기반으로 한다. 트리구조는 분석가가 사전에 파라미터 설정을
통해 어느 정도 제어할 수 있다. 결정트리모형에서 파라미터로는 “ 노드분할 ①
을 위한 최소 샘플수, ②말단 노드가 되기 위한 최소 샘플수, ③최적 분할을
위한 최대 피처수189) , ④트리의 최대 깊이, ⑤말단 노드의 최대 개수” 등이
있다(Breiman et al., 1984).190) 랜덤포레스트모형, GBM 모형, LightGBM 모
189) 피처(Feature)란 결정트리에서 노드를 구분하기 위해 사용되는 데이터필드명을 말한다. 본 연구에서는

대기온도, 습도, 풍속과 같이 기상요인이 피처가 된다.
190) Breiman et al.(1984), Classification and Regression Trees, Chapman & Hall/CRC, pp.
98
형의 경우에는 결정트리모형과 파라미터에서 차이가 있다(권철민, 2020).191)

본 연구에서는 모형의 성능이 최대로 유지될 수 있도록 학습과정에서 파라미
터 튜닝을 진행하였다.
4) 모형학습
파라미터 튜닝이 완료된 후, 네 가지 분류모형에 대한 학습을 진행하였다.

모형학습은 학습데이터를 이용해서 독립변수와 종속변수 간 관계를 설명할 수
있는 분류모형을 추정하는 과정이다. 결정트리모형 학습을 위해 파이썬의 사
이킷런(Scikit-learn) 라이브러리 중 ‘sklearn.tree’를 활용하였다. 랜덤포레스
트모형 및 GBM 모형에 대한 학습은 ‘sklearn.ensemble’을 활용하였다. 사이
킷런 라이브러리에는 LightGBM 모형추정에 필요한 모듈이 없다. LightGBM
모형추정은 ‘lightgbm’을 활용하였다.
<표 4-19> 분류모형 학습을 위해 사용한 파이썬 라이브러리 목록
모형종류 파이썬 라이브러리(코드)

결정트리모형 from sklearn.tree import DecisionTreeClassifier
랜덤포레스트모형 from sklearn.ensemble import RandomForestClassifier
GBM 모형 from sklearn.ensemble import GradientBoostingClassifier
LightGBM 모형 from lightgbm import LGBMClassifier
『』
자료: 권철민(2020), 파이썬 머신러닝 완벽 가이드 , 위키북스, pp. 185-252의 내용 참조.
5) 모형검증 및 성능평가
모형검증은 학습된 모형에 검증데이터를 입력하여 모형의 성능을 평가하는

과정이다. 분류모형에 대한 성능을 평가하기 위한 지표로는 여러 가지가 있다.
279-296의 내용을 참고하여 요약․정리

191) 권철민(2020), 『파이썬 머신러닝 완벽 가이드』, 위키북스, pp. 211-213의 내용 참고.
본 연구에서는 정확도(Accuracy), 정밀도(Precision), 그리고 재현율(Recall)을

성능평가 지표로 사용하였다. 정확도, 정밀도, 그리고 재현율은 개념은 다음
글상자에 정리되어 있다.
<글상자 4-3> 정확도, 정밀도, 재현율의 개념
◦ TP는 예측값이 ‘영하’, 실제값도 ‘영하’인 경우, FP는 예측값이 ‘영하’, 실제값
은 ‘영상’인 경우, FN는 예측값이 ‘영상’, 실제값은 ‘영하’인 경우, TN는 예측
값이 ‘영상’, 실제값도 ‘영상’인 경우
◦ 정확도 : 예측값과 실제값이 동일한 건수를 전체 데이터 건수로 나눈 값
☞ (TN+TP)/(TN+TP+FN+FP),
◦ 정밀도 : 예측을 Positive로 한 대상(노면온도를 영하로 예측) 중에 예측과 실
제가 Positive로 일치한 데이터의 비율 ☞ TP/(FP+TP)
◦ 재현율 : 실제가 Positive인 대상 중에 예측값과 실제값이 Positive로 일치한
데이터의 비율 ☞ TP/(FN+TP)
『』
자료: 권철민(2020), 파이썬 머신러닝 완벽가이드 , 위키북스, pp. 152-156의 내용을 참고하여 재구성.
6) 시각화
결정트리모형의 알고리즘을 시각화하면 분류규칙에 대해 쉽게 이해할 수 있

다. 파이썬 자체적으로는 결정트리모형에 대한 시각화 라이브러리가 없다. 그
러나 외부 패키지인 ‘Graphviz’를 활용하면 파이썬 기반으로 추정된 결정트리
모형을 시각화할 수 있다. <그림 4-22> 및 <그림 4-23>은 각각 토공구간과 교
100
량구간에 대해 추정된 결정트리모형을 시각화한 예를 나타낸 것이다. 분석모형

추정결과에 제시된 분류조건도 결정트리모형을 시각화하여 도출한 것이다.
주: 1) 그림에서 파란색 계열로 채색된 노드(Leaf)가 노면온도가 영하인 경우를 의미함.

주: 2) 노드분기 조건은 예시값으로 분석모형 추정결과와 다를 수 있음.
<그림 4-22> 토공구간에 대한 결정트리모형의 시각화 예

주: 2) 노드분기 조건은 예시값으로 분석모형 추정결과와 다를 수 있음.
<그림 4-23> 교량구간에 대한 결정트리모형의 시각화 예

나. 회귀모형의 추정
회귀모형 추정도 파이썬의 사이킷런 라이브러리를 사용했다. 파이썬에서

추정되는 회귀모형은 경사하강법(Gradient descent)을 이용하는 것으로 알려
져 있다(권철민, 2020).192)
5. 분석모형 추정결과
분석모형에 대한 추정결과는 <표 4-20>과 <표 4-21>에 정리되어 있다. 분석

모형에서 토공구간과 교량구간의 노면온도가 영하가 되는 임계조건(기상조건)
과 각 독립변수에 대한 계수값을 도출하였다. 예를 들어, ‘모형(01)’193)에서 대
기온도가 –1.75℃ 이하인 경우에 노면온도가 영하로 떨어진다는 조건이 도출
되었다.194) 해당 모형에서 대기온도가 1% 변화하면, 노면온도는 1.03% 변화한
다는 점도 확인할 수 있다. 나머지 모형에 대해서도 동일한 방식으로 해석할 수
있다.195)
각 모형에 대한 성능평가 결과는 <표 4-22>~<표 4-25>에 정리되어 있다. 성
능평가 지표로 <글상자 4-3>에서 설명한 정확도, 정밀도 및 재현율을 사용하였
다.196) 토공구간에 대한 결정트리모형에 국한하여 정확도를 살펴보면, 수집지
점의 데이터를 독립변수로 사용한 모형의 정확도는 약 92~93%이다. 반면에 인
근 AWS의 데이터를 독립변수로 사용한 모형의 정확도는 약 90%이다. 전자와
후자의 경우가 큰 차이가 없는 것으로 나타났다. 교량구간에 대한 결정트리모형
에서 수집지점의 데이터를 독립변수로 사용한 모형의 정확도는 약 89%이나, 인
근 AWS의 데이터를 독립변수로 사용한 모형의 정확도는 약 82%이다.197)
192) 권철민(2020), 『파이썬 머신러닝 완벽 가이드』, 위키북스, pp. 294-311의 내용 참조.

193) 모형번호는 <표 4-11>~<표 4-14>를 참조할 것.
194) <표 4-20>에서 독립변수로 수집지점의 대기온도만을 사용하는 분류모형에 해당하는 결과이다.
195) 모형의 임계조건은 결정트리모형, 그리고 계수값은 선형회귀모형에만 해당하는 사항이다.
196) 각 지표에 대한 개념은 <글상자 4-3>을 참조할 것.
102
분류모형에 대한 학습시간은 <표 4-28> 및 <표 4-29>에 정리되어 있다. 교량

구간의 모형학습시간이 토공구간의 모형학습시간보다 긴 이유는 분석데이터의
개수가 다르기 때문이다.198) 토공구간 및 교량구간 모두 GBM 모형의 학습시간
이 가장 긴 것으로 나타났다. 랜덤포레스트모형과 LightGBM 모형의 학습시간
상의 우위는 경우마다 달라 일반화하기 어렵다. 결정트리모형의 학습시간은 1
초 이내로 너무 짧아 별도로 제시하지 않았다.199)
분석모형 추정결과에 대한 해석은 연구를 시작하기 전 세웠던 가설을 확인하
는 방식으로 진행한다.
【가설①】 수집지점의 데이터를 이용하는 경우가 인근 AWS 데이터를

이용하는 경우보다 모형의 성능이 높을 것이다 ☞ 그렇다
①
<표 4-22>~<표 4-25>의 결과를 살펴보면 가설 의 진위 여부를 확인할 수 있
다. 표를 보면 토공구간과 교량구간 모두 수집지점의 데이터를 사용하는 경우가
인근 AWS의 데이터를 사용하는 경우보다 대체적으로 정확도, 정밀도, 그리고
재현율이 모두 높은 것으로 나타난다.200) 예를 들면, 독립변수로 수집지점의 대
기온도를 사용하는 토공구간에서의 결정트리모형의 정확도는 0.9167이다. 인근
AWS에서 수집된 대기온도를 사용하는 결정트리모형의 정확도는 0.9011이다.
전자의 모형이 후자의 모형보다 정확도가 높은 것을 확인할 수 있다.
197) 교량구간의 경우에는 수집지점의 데이터를 사용하는 경우와 인근 AWS의 데이터를 사용하는 경우 간
정확도에서 7%p 차이가 난다. 토공구간과 달리 차이가 크게 나는 이유로는 ① AWS 데이터가 수집지
점 데이터와 차이가 클 가능성, ② 토공구간과는 다른 교량구간만의 특성이 모형에서 고려되지 않았을
가능성 등을 생각해볼 수 있다.
198) 교량구간의 데이터 개수는 1,485,358개, 토공구간(차령터널)의 분석데이터 개수는 201,649개로 약
7배 차이가 난다. <표 4-7>을 참조할 것.
199) 학습시간은 프로세서 ‘Intel(R) Core i7-9700K CPU @3.60GHz’의 환경에서 수행한 것으로 분석환경
에 따라 차이가 있을 수 있다.
200) 일부 예외는 있다. 대기온도만을 독립변수로 사용하는 결정트리모형의 경우에 AWS의 데이터를 사용하
는 경우(0.8852)거 수집지점의 데이터를 사용하는 경우(0.8437)보다 정밀도가 높다. 대기온도와 습도
를 독립변수로 사용하는 LightGBM 모형의 경우에도 AWS의 데이터를 사용하는 경우(0.8749)거 수집
지점의 데이터를 사용하는 경우(0.8747)보다 정밀도가 높다.
【가설②】 AWS에서 수집된 데이터도 빅데이터라면 일정 수준 이상의

성능을 갖춘 모형구축이 가능하다 ☞ 일부 그렇다
②
가설 의 내용을 확인하기 위해 <표 4-26> 및 <표 4-27>의 내용을 지표별로
살펴보자. AWS에서 수집된 데이터로 추정한 분류모형의 정확도, 정밀도 및 재
현율은 수집지점에서 얻어진 데이터로 추정한 분류모형의 정확도, 정밀도 및
재현율보다 떨어진다.201) 그 차이는 토공구간의 경우에 정확도는 1~2%p, 정
밀도는 0~4%p, 그리고 재현율은 3~12%p 수준이다. 반면에 교량구간의 경우
에는 정확도는 4~7%p, 정밀도는 1~11%p, 그리고 재현율은 10~22%p까지 차
이가 난다. 토공구간에서 분석대상이 되는 지점의 기상정보를 직접 구하기 어
려운 경우에 인근 AWS의 기상정보 데이터를 활용하면 일정 수준 이상의 성능
을 갖춘 모형구축이 가능하다는 것을 시사한다. 그러나 교량구간의 경우에는
평가지표에 따라 모형의 성능이 기대에 미치지 못할 수 있다.202)
【가설③】 독립변수로 대기온도만을 사용하는 경우보다 습도, 풍속을

함께 사용하는 경우가 모형의 성능이 높다 ☞ 대체로 그렇다
수집지점이나 AWS에서 수집한 데이터를 이용하여 토공구간에 대해 추정된

모형이 모형에 포함된 독립변수의 종류에 따라 정확도, 정밀도 및 재현율이
어떻게 달라지는지 살펴보자(<표 4-22> 및 <표 4-23> 참조). 랜덤포레스트모
형, GBM 모형 및 LightGBM 모형은 모형에 포함되는 독립변수가 늘어날수록
201) 앞서 각주 200)에서 언급한 사례는 제외한다.

202) 모형의 성능을 평가할 때, 가장 많이 언급되는 평가지표는 정확도이다. 그러나 상황에 따라 정밀도
또는 재현율을 주의 깊게 봐야 할 경우도 있다. <글상자 4-3>의 내용에 따르면, 운전자에게는 재현율이
더 중요한 지표이다. 왜냐하면, 실제로 노면온도가 영하인데(그래서 도로 살얼음이 형성될 가능성이
높은데), 이를 시스템에서 간파하지 못하면 운전자에게 치명적일 수 있기 때문이다. 교량구간에서 수집
지점의 데이터를 이용하는 모형보다 AWS의 데이터를 이용하는 모형의 재현율이 10~22%p 낮다는
점은 가설②의 주장이 교량구간에 대해서는 유효하지 않을 수도 있음을 시사한다.
104
정확도, 정밀도 및 재현율이 모두 향상되는 경향을 보인다. 반면에 결정트리모

형의 경우에는 습도 또는 풍속을 독립변수로 추가하는 경우에 성능이 감소하
는 경우가 나타났다. 일부 예외는 있지만203), 교량구간의 경우에도 습도 또는
풍속을 독립변수로 포함시키면 모형의 성능이 증가하는 것으로 나타났다. 요
약하면 독립변수로 대기온도만을 사용하는 경우보다 습도나 풍속을 함께 사용
하는 경우가 모형의 성능이 대체적으로 향상되는 것으로 나타났다. 일부 예외
가 발생한 상황에 대해서는 두 가지 해석이 가능하다. 우선 실제로 습도나 풍
속이 노면온도에 미치는 영향이 미미할 가능성이 있다. 다음으로 습도 및 풍속
과 노면온도 간의 관계를 모형화할 수 있을 만큼 데이터가 충분히 축적되지
않았기 때문일 수도 있다. 예외가 발생한 경우에 대해서는 보다 축적된 데이터
가 마련되면 재분석해봐야 한다. 이 부분은 향후 연구과제로 남겨 둔다.
【가설④】 같은 조건이라면 토공구간보다 교량구간에서 도로 살얼음이

형성될 가능성이 높다 ☞ 그렇다
토공구간과 교량구간에 대해 독립변수로써 수집지점의 대기온도만을 사용하

는 모형을 살펴보자(<표 4-20> 및 <표 4-21> 참고). 노면온도가 영하인 경우의
분류조건이 토공구간에서는 –1.75℃ 이하이고, 교량구간에서는 –0.75℃ 이
하이다. 달리 표현하면, 대기온도가 –1.0℃인 경우에 토공구간의 노면온도는
영상이지만, 교량구간의 노면온도는 영하가 된다. 만약 같은 시간대에 두 곳의
노면에 수분이 존재한다면 토공구간과 달리 교량구간에서는 도로 살얼음이 형
성될 수 있다는 뜻이다. 따라서 같은 조건이라면 토공구간보다 교량구간에서
도로 살얼음이 형성될 가능성이 높을 것으로 추정된다.
이러한 경향은 독립변수로써 AWS의 대기온도만을 사용하는 모형에서도 동일
203) 습도나 풍속을 독립변수로 추가하는 경우에 정밀도 측면에서 성능이 저하되는 결과가 일부 나타났다.
하게 나타난다. 노면온도가 영하인 경우의 분류조건이 토공구간에서는 –3.85℃

이하이고, 교량구간에서는 –2.55℃ 이하이다. 다시 말해, AWS에서 관측된 대
기온도가 –3.0℃인 경우에 토공구간의 노면온도는 영상, 교량구간의 노면온도
는 영하가 된다.204) 마찬가지로 대기온도뿐만 아니라 습도나 풍속을 독립변수
로 포함하는 모형에서도 동일한 대기온도에서 토공구간보다 교량구간에서 노
면의 온도가 영하로 떨어질 확률이 높은 것으로 나타났다. 예를 들어, 독립변
수로 AWS의 대기온도 및 습도를 사용하는 경우에 토공구간에서는 대기온도
가–2.85℃ 이하이면서, –5.35℃ 이상이면 노면온도가 영하로 떨어진다. 교량
구간에서는 –2.55℃ 이하이면 노면온도가 영하로 떨어진다.
【가설⑤】 대기온도가 영하로 떨어진다고 해서 노면온도가 반드시 영하가

되지 않는다 ☞ 그렇다
<표 4-20> 및 <표 4-21>에서 대기온도만을 독립변수로 사용하는 결정트리모형

을 살펴보자. 노면온도가 영하인 경우의 분류조건이 토공구간은 –1.75℃ 이
하이고, 교량구간에서는 –0.75℃ 이하이다. 대기온도가 영하라고 할지라도
노면온도는 영상일 수 있다는 의미이다.205) 낮 동안 태양으로부터 복사열을 받
아 노면과 지각은 달궈진다. 밤이 되면 해가 지고, 대기온도도 영하로 떨어지면
서 낮 동안 달궈졌던 노면과 지각도 차차 식는다.206) 노면과 지각이 열에너지
를 서서히 방출하기 때문에 대기온도 변화보다 적은 폭으로 기온이 하강한다.
204) 노면온도가 영하가 되는 조건으로 수집지점의 대기온도가 AWS에서 관측한 대기온도보다 작은 값을

갖는다. 그 이유는 수집지점에서 떨어져 있는 AWS 데이터가 오차를 포함하고 있기 때문으로 추정된다.
205) 예를 들어, 대기온도가 –0.5℃인 경우에 분류조건에 따라 토공구간과 교량구간의 노면온도는 영상을
유지한다.
206) 열에너지는 높은 곳에서 낮은 곳으로 흐른다. 노면과 지각이 품고 있던 열에너지가 영하로 떨어진 대기
중으로 이동한다.
106
【가설⑥】 노면온도와 대기온도는 양(+)의 상관관계, 습도와는 음(-)의

상관관계를 가질 것이다 ☞ 그렇다
<그림 4-21>과 <표 4-20> 및 <표 4-21>에서 노면온도와 습도가 음(-)의 상관관
계인 것을 확인할 수 있다. 그 이유는 대기 중의 수분이 노면의 복사열을 흡수
하는 현상과 관계가 있을 것으로 추정되나(이광목, 2020)207) 검증이 필요하다.
③
풍속과 노면온도 간의 관계는 가설 에서 기술한 이유로 파악이 어렵다. 이 부
분도 향후 연구과제로 남겨 둔다.
【가설⑦】 빅데이터를 활용하면 단일학습모형도 앙상블학습모형과 유

사한 성능을 보일 수 있다 ☞ 대체로 그렇다
세 가지 모형 평가지표 측면에서 앙상블학습모형의 성능이 단일학습모형의 성

능보다 대체로 높게 나타났다(<표 4-22>~<표 4-25> 참고). 그러나 그 성능 차
이가 크지 않다. 수집지점의 대기온도를 독립변수로 사용하는 토공구간에 대
한 분류모형의 정확도를 비교해보자. 결정트리모형은 0.9167, 랜덤포레스트모
형, GBM 모형, 그리고 LightGBM 모형은 모두 0.9212의 정확도를 보인다. 네
가지 모형 모두 약 92%의 유사한 정확도를 나타낸다. 동일한 경우에 재현율을
살펴보면 단일학습모형의 재현율이 앙상블학습모형의 재현율보다 오히려 높
다.208) 모형에 포함되는 독립변수의 종류와 평가지표에 따라 차이는 있으나
단일학습모형 대비 앙상블학습모형의 성능은 최대 ±7.0%p 차이가 있는 것으
로 나타났다.
207) 이광목(2020), 『대기복사』, 시그마프레스, p. 127의 내용 참조.

208) 단일학습모형의 재현율은 0.8934, 앙상블학습모형의 재현율은 0.8736으로 단일학습모형의 재현율이
더 높다.
<표 4-20> 토공구간에 대한 노면온도 추정모형
모형에 포함된 독립변수 분류모형3)에서 도출된 선형회귀모형 계수값
구간 수집지점1) 인근 AWS2) 노면온도가 영하인 경우의 수집지점1) 인근 AWS2)
절편
대기온도 습도 풍속 대기온도 습도 풍속 분류조건 대기온도 습도 풍속 대기온도 습도 풍속
● ≤
대기온도 -1.75℃ 2.7761 1.0312
● ● ≤ ℃
대기온도 -1.75
≥
습도 43.9%
7.4043 1.0113 -0.0721
대기온도≤-1.75℃
● ● ● 습도≥43.9% 5.7774 1.0063 -0.0576 0.6109
풍속≤3.05㎧
토공구간
● 대기온도≤-3.85℃ 3.6727 0.9506
● ● ℃≤대기온도≤-2.85℃ 7.7697
-5.35
습도≥45.3%
0.9293 -0.0640
● ● ● -5.35℃≤대기온도≤-2.85℃
습도≥45.3%
- 4)
-4) -4) -4)

주: 3) DT모형의 결과값을 의미함.
주: 4) 분류모형의 분류조건에서 풍속에 따른 영향을 파악하기 어려워 선형회귀모형을 추정하지 아니함.
107
108
<표 4-21> 교량구간에 대한 노면온도 추정모형
모형에 포함된 독립변수 선형회귀모형 계수값

분류모형3)에서 도출된
구간 수집지점1) 인근 AWS2) 노면온도가 영하인 수집지점1) 인근 AWS2)
경우의 분류조건 절편
대기온도 습도 풍속 대기온도 습도 풍속 대기온도 습도 풍속 대기온도 습도 풍속
● ≤ ℃
대기온도 -0.75 1.9073 1.0676
대기온도≤-0.75℃
● ● 습도≥34.9%
5.0438 1.0598 -0.0503
대기온도≤-0.75℃
● ● ● 습도≥34.9%
-4) -4) -4) -4)
교량구간
● 대기온도≤-2.55℃ 3.1085 0.9266
● ● ≤
대기온도 -2.55℃ -4) -4) -4)
● ● ● ≤
대기온도 -2.55℃ -4) -4) -4) -4)

주: 3) DT모형의 결과값을 의미함.
주: 4) 분류모형의 분류조건에서 습도 또는 풍속에 따른 영향을 파악하기 어려워 선형회귀모형을 추정하지 아니함.
<표 4-22> 토공구간에 대한 노면온도 추정 분류모형의 성능평가 결과(1)

평가지표
정확도 0.9167 0.9212 0.9212 0.9212 0.9214 0.9259 0.9271 0.9273 0.9200 0.9294 0.9280 0.9302
토공구간 정밀도 0.8437 0.8696 0.8696 0.8696 0.8804 0.8758 0.8758 0.8747 0.8593 0.8911 0.8911 0.8946
재현율 0.8934 0.8736 0.8736 0.8736 0.8600 0.8832 0.8832 0.8900 0.8832 0.8764 0.8764 0.8753
<표 4-23> 토공구간에 대한 노면온도 추정 분류모형의 성능평가 결과(2)

평가지표
정확도 0.9011 0.9004 0.9012 0.9006 0.9004 0.9063 0.9073 0.9092 0.90043) 0.9134 0.9184 0.9176
토공구간 정밀도 0.8852 0.8619 0.8619 0.8674 0.8423 0.8705 0.8705 0.8749 0.84233) 0.8785 0.8785 0.8839
3)
재현율 0.7778 0.8033 0.8033 0.7971 0.8299 0.8152 0.8152 0.8209 0.8299 0.8322 0.8322 0.8413
주: 3) 노면온도에 대한 풍속의 영향이 고려되지 않아 AWS의 대기온도 및 습도만 포함된 모형의 결과값과 동일하게 산출.
109
110
<표 4-24> 교량구간에 대한 노면온도 추정 분류모형의 성능평가 결과(1)

평가지표
정확도 0.8905 0.8895 0.8895 0.8895 0.8922 0.8958 0.8980 0.8979 0.89223) 0.8983 0.8997 0.9003
교량구간 정밀도 0.8452 0.8223 0.8223 0.8223 0.8163 0.8368 0.8368 0.8400 0.81633) 0.8394 0.8394 0.8438
3)
재현율 0.7950 0.8241 0.8241 0.8241 0.8450 0.8279 0.8279 0.8314 0.8450 0.8341 0.8341 0.8353
주: 3) 노면온도에 대한 풍속의 영향이 고려되지 않아 수집지점의 대기온도 및 습도만 포함된 모형의 결과값과 동일하게 산출.
<표 4-25> 교량구간에 대한 노면온도 추정 분류모형의 성능평가 결과(2)

모형 인근 AWS1)의 대기온도 인근 AWS1)의 대기온도 및 습도 인근 AWS1)의 대기온도, 습도 및 풍속
구간 구분 평가지표
정확도 0.8238 0.8342 0.8342 0.8337 0.82383) 0.8497 0.8497 0.8494 0.82383) 0.8544 0.8536 0.8553
3)
교량구간 정밀도 0.7364 0.7872 0.7872 0.8114 0.7364 0.7877 0.7877 0.7960 0.73643) 0.7856 0.7856 0.7983
3) 3)
재현율 0.6787 0.6431 0.6431 0.6091 0.6787 0.7104 0.7104 0.6962 0.6787 0.7343 0.7343 0.7180
주: 3) 노면온도에 대한 습도 또는 풍속의 영향이 고려되지 않아 AWS의 대기온도만 포함된 모형의 결과값과 동일하게 산출.
<표 4-26> 수집지점 데이터를 이용한 분류모형과 AWS 데이터를 이용한 분류모형 간 성능 차이1)(토공구간)

구간 구분 모형 대기온도 대기온도 및 습도 대기온도, 습도 및 풍속
평가지표
정확도 0.0156 0.0208 0.0200 0.0206 0.0210 0.0196 0.0198 0.0181 0.0196 0.0160 0.0096 0.0126
토공구간 정밀도 -0.0415 0.0077 0.0077 0.0022 0.0381 0.0053 0.0053 -0.0002 0.0170 0.0126 0.0126 0.0107
재현율 0.1156 0.0703 0.0703 0.0765 0.0301 0.0680 0.0680 0.0691 0.0533 0.0442 0.0442 0.0340
주: 1) <표 4-22> 및 <표 4-23>에서 대응되는 셀값들 간 차이이며, 수집지점의 데이터를 사용한 모형의 평가지표값에서 AWS의 데이터를 사용한 모형의 평가지표값을 제한 값.
<표 4-27> 수집지점 데이터를 이용한 분류모형과 AWS 데이터를 이용한 분류모형 간 성능 차이1)(교량구간)

평가지표
정확도 0.0667 0.0553 0.0553 0.0558 0.0684 0.0461 0.0483 0.0485 0.0684 0.0439 0.0461 0.0450
교량구간 정밀도 0.1088 0.0351 0.0351 0.0109 0.0799 0.0491 0.0491 0.0440 0.0799 0.0538 0.0538 0.0455
재현율 0.1163 0.1810 0.1810 0.2150 0.1663 0.1175 0.1175 0.1352 0.1663 0.0998 0.0998 0.1173
주: 1) <표 4-24> 및 <표 4-25>에서 대응되는 셀값들 간 차이이며, 수집지점의 데이터를 사용한 모형의 평가지표값에서 AWS의 데이터를 사용한 모형의 평가지표값을 제한 값.
111
112
<표 4-28> 노면온도 추정 분류모형의 학습시간(1)
(단위: 초)

구간 구분 수집지점1)의 대기온도 수집지점1)의 대기온도 및 습도 수집지점1)의 대기온도, 습도 및 풍속
토공구간 -3) 5.8 9.1 4.4 -3) 6.3 11.3 5.5 -3) 6.0 13.1 6.8
3) 3) 3)
교량구간 - 43.5 67.8 25.1 - 53.3 111.1 68.5 - 50.1 130.8 79.1
주: 3) DT모형의 경우, 학습시간이 매우 짧아(1초 이내) 미제시.
주: 4) 위 학습시간은 프로세서 ‘Intel(R) Core i7-9700K CPU @3.60GHz’의 환경에서 수행한 것으로 분석환경에 따라 차이가 있을 수 있음.
<표 4-29> 노면온도 추정 분류모형의 학습시간(2)

(단위: 초)

구간 구분 인근 AWS1)의 대기온도 인근 AWS1)의 대기온도 및 습도 인근 AWS1)의 대기온도, 습도 및 풍속
3) 3) 3)
토공구간 - 7.2 9.1 4.9 - 6.4 14.8 8.6 - 6.3 17.1 8.7
3) 3) 3)
교량구간 - 40.2 90.5 23.4 - 52.8 109.1 49.6 - 49.2 127.2 75.5
주: 3) DT모형의 경우, 학습시간이 매우 짧아(1초 이내) 미제시.
주: 4) 위 학습시간은 프로세서 ‘Intel(R) Core i7-9700K CPU @3.60GHz’의 환경에서 수행한 것으로 분석환경에 따라 차이가 있을 수 있음.
<표 4-20> 및 <표 4-21>에 제시된 노면온도가 영하인 경우의 분류조건은

◯독립변수로
<그림 4-24>~<그림 4-31>에서 도출된 것이다. 토공구간에서 가
AWS의 대기온도, 습도 및 풍속을 사용하는 경우, 교량구간에서 ◯독립변수로 나
수집지점의 대기온도, 습도 및 풍속을 사용하는 경우, ◯독립변수로 AWS의 다
대기온도 및 습도를 사용하는 경우, 그리고 ◯독립변수로 AWS의 대기온도,

라
습도 및 풍속을 사용하는 경우에는 결정트리가 제시되어 있지 않다. 그 이유는

<표 4-30>에 정리되어 있다. ◯의 경우에는 <그림 4-28>과 동일한 결정트리가
가
도출되었다.209) AWS의 풍속이 노면온도가 영하인지 또는 영상인지를 결정하

는데 있어 중요한 기준으로 사용되지 않았다는 의미이다. 가설 에서 언급한 ③
것처럼 풍속이 노면온도에 미치는 영향이 크지 않기 때문으로 해석할 수 있
◯의 경우는 수집지점의 풍속이 노면온도를 분류하는 기준으로 사용
다.210) 나
되지 않아, <그림 4-30>과 동일한 결정트리가 도출되었다. ◯와 ◯의 경우에 다 라
는 습도나 풍속이 노면온도를 분류하는 기준으로 사용되지 않아, <그림 4-31>

과 동일한 결정트리가 도출되었다. 결정트리가 도출되지 않은 분류모형에 대
해서는 선형회귀모형을 추정하지 않았다211).
<표 4-30> 일부 분류모형에서 결정트리가 제시되지 않은 이유
결정트리모형에 포함된 독립변수

결정트리 형태
구간구분 수집지점의 데이터 AWS의 데이터 (결정트리가 제시되지
않은 이유)
토공구간 ● ● ● <그림 4-28>과 동일
● ● ● <그림 4-30>과 동일
교량구간 ● ● <그림 4-31>과 동일
● ● ● <그림 4-31>과 동일
209) <그림 4-30>을 보면 노면온도가 영하인지 판별하는데 풍속이 분류기준으로 사용되지 않았음을 알 수
있다.
210) 풍속 및 노면온도 간의 관계를 모형화할 수 있을 만큼 충분한 데이터가 축적되지 않았을 가능성도
있다. 추후 연구가 필요하다.
211) <표 4-20> 및 <표 4-21>에서 음영 처리된 부분을 참고할 것.
114

주: 2) 변수명에 대한 설명은 각주 158)을 참고할 것.
<그림 4-24> 토공구간의 노면온도 추정을 위한 결정트리

(독립변수: 수집지점의 대기온도)


(독립변수: 수집지점의 대기온도 및 습도)


(독립변수: 수집지점의 대기온도, 습도 및 풍속)


(독립변수: AWS의 대기온도)
116

주: 3) 독립변수로 AWS의 대기온도, 습도 및 풍속을 사용하는 경우에도 위 결정트리와 동일하게 구성됨.

(독립변수: AWS의 대기온도 및 습도)

<그림 4-29> 교량구간의 노면온도 추정을 위한 결정트리

(독립변수: 수집지점의 대기온도)

주: 3) 독립변수로 수집지점의 대기온도, 습도 및 풍속을 사용하는 경우에도 위 결정트리와 동일하게 구성됨.

(독립변수: 수집지점의 대기온도 및 습도)

주: 3) 독립변수로 AWS의 “대기온도 및 습도” 또는 “대기온도, 습도 및 풍속”을 사용하는 경우에도 위 결정트리와 동일하게
구성됨.

(독립변수: AWS의 대기온도)
118
제4절 모형의 한계
1. 상관관계 vs. 인과관계
분류모형과 회귀모형 모두 예측을 위한 기본 메커니즘은 분류이다. 예측 대상

이 되는 종속변수가 이산형(Discrete)이면 분류모형이고, 연속형(Continuous)
이면 회귀모형이 된다는 차이가 있을 뿐이다.212) 분석모형의 형태는 분석가가
필요에 따라 결정하는 것이다. 단순히 상태(종속변수)를 진단하는 경우라면,
분류모형만으로도 충분하다. 상태에 대한 구체적인 값이 필요하다면, 회귀모
형을 구현하면 된다.
독립변수와 종속변수 간 관계를 도출한 결과물이 모형이다. 모형에서 도출
된 관계는 상관관계(Correlation)이다. 상관관계를 인과관계(Causation)로 해
①
석하기 위해서는 “ 독립변수가 종속변수보다 먼저 변해야 하고(시간적 선행
조건), ②독립변수가 변하면 종속변수도 변해야 하며(동시 변화 조건), ③종속
변수에 영향을 미칠 수 있는 외생변수가 통제(제3의 요인 배제)”되어야 한다
(김구, 2020).213) 기상조건(대기온도, 습도, 풍속)과 노면온도 간의 관계는 상
관관계이다. 인과관계로 보기는 어렵다. 대기온도, 습도 또는 풍속이 노면온도
에 영향을 미쳐서 노면온도가 변한다고 해석할 수 없다는 의미이다. 본 연구에
서 도출한 기상조건과 노면온도 간 관계모형은 노면온도의 변화에 실질적으로
영향을 미칠 것으로 예상되는 다른 요인들(예를 들면, 일조량)과 관련된 데이
터를 수집하기가 어렵다는 현실적인 제약을 고려한 대안의 결과이다.
<그림 4-32>는 천안논산고속도로 차령터널 인근에서 측정된 2020년 2월 5
일 하루 동안의 대기온도와 노면온도의 변화를 그림으로 나타낸 것이다. 변화
의 폭이 다를 뿐 대기온도와 노면온도는 비슷한 양상으로 변화한다. 오전 8시
212) 종속변수를 영상(0) 또는 영하(1)와 같이 이산형으로 분류하면 분류모형이고, 실제 노면온도값을 추정하

면 회귀모형이다.
213) 김구(2020), 『사회과학 연구조사방법론』, 비앤엠북스, p. 89의 내용 인용.
부터 온도가 상승하기 시작하여 오후 1시경에 최고조에 달했다가 그 이후부터

는 감소한다. 이러한 패턴은 일출 이후, 태양의 복사에너지가 대기와 노면의
온도를 상승시키는 현상과 관계가 있는 것으로 추정된다. 그렇다면 노면온도
변화에 직접적인 영향을 미치는 요인으로 일조량을 꼽을 수 있을 것이다. 일조
량과 노면온도 간의 관계는 향후 연구에서 다루어져야 한다.
「」
자료: 천안논산고속도로 내부자료(각 연도), 기상 및 노면온도 데이터 중, 2020년 2월 5일 자료를 추출하여
그래프로 구성.
<그림 4-32> 천안논산고속도로 차령터널(토공구간)의 일일 대기온도 및 노면온도

변화(2020년 2월 5일 기준)
2. 모형의 시공간적 전이
특정 시공간에서 수집한 데이터를 이용해서 구축한 모형을 다른 시공간에

적용할 수 있을 때, 모형이 시공간적 전이성(Transferability)을 갖는다고 한다
(Domencich and McFadden, 1975).214) 어떤 모형이 시공간적 전이성을 갖는
214) Domencich, T. and McFadden, D.(1975), Urban Travel Demand, American Elsevier
Publishing Company, p. 3의 내용 참조.
120
다면 활용도가 높아진다. 시공간적으로 다른 지역에 이미 구축된 모형을 바로

적용할 수 있어, 모형구축에 소요되는 시간과 비용을 줄일 수 있기 때문이다.
고속국도에서 수집한 데이터로 구축한 모형은 다른 고속국도에 적용이 가능할
것이다. 데이터에 고속국도의 특성이 어느 정도 반영되어 있기 때문이다. 이
모형을 다른 종류의 도로(예를 들면, 도시부 도로나 읍면동에 위치한 시군 도
로)에 적용하면 성능이 떨어질 수 있다. 전국에 있는 모든 도로에서 수집한 데
이터로 노면온도 추정모형을 구축할 수 있다면, 이 모형은 전국 어디에나 적용
할 수 있을 것이다. 그러나 이러한 방식은 비현실적이다.
본 연구의 노면온도 추정모형은 고속국도에서 수집한 데이터를 토대로 구
현된 것이다. 이 모형은 다른 유사한 지리적 환경을 가진 고속국도에 일차적으
로 적용해볼 수 있다. 기상환경 변화가 내륙지역보다 훨씬 역동적인 해안가의
고속국도에 적용했을 때에는 모형의 성능이 떨어질 수 있다. 보다 뛰어난 성능
을 지니는 모형을 구현하기 위해서는 지리적 특성을 고려할 수 있는 다양한
모형개발이 필요하다.215)
3. AWS와 커버리지(Coverage)
2021년 기준 우리나라에는 총 510개의 AWS가 설치되어 있다(기상청 기상

자료개방포털, 2021.04.01.).216). 같은 해 우리나라 국토면적은 100,413 이 ㎢
다(국토교통부 보도자료, 2021.04.01).217) 평균적으로 AWS 1개소가 담당하는
㎞
커버리지는 반경 약 8 로 계산된다.218) 특정 지점이 AWS에서 최대 8 ㎞ 정도
떨어져 있을 수 있다는 의미이다. <그림 4-33>의 좌측 그림은 분석대상지점이
215) 또는 다양한 도로특성(도로종류)을 고려할 수 있는 모형개발이 필요하다.

216) 기상청 기상자료개방포털, ｢방재기상관측(AWS)｣, https://data.kma.go.kr/(2021.04.01).
217) 국토교통부 보도자료(2021.04.01), 「지난해 국토면적 11.3㎢ 증가, 여의도 면적 4배」의 p. 2 내용
참조.
218) AWS가 전 국토에 균일하게 분포되어 있다고 가정하고, 수식    ÷  →
  
 ÷  ÷  (는 원주율)을 이용하여 계산한 결과임.
서로 다른 2개소의 AWS와 동일한 거리만큼 떨어져 위치한 상황을 나타낸 것

이다. 이런 경우에는 분석대상지점에 대해 어떤 AWS의 수집데이터를 매칭시
켜야 하는지 기준이 필요하다.219) <그림 4-33>의 우측과 같은 상황에서도 다
른 문제가 발생할 수 있다. 기상현상은 시공간상에서 연속적으로 분포한다. 가
① ℃ ②
령, 그림에서 AWS 에서 수집한 기온이 15 이고, AWS 에서 수집한 기온
℃
이 20 라고 하자. 이 경우에 분석대상지점에 매칭되는 AWS의 기온데이터는
AWS②의 20℃가 된다. 그러나 분석자의 시각에 따라 분석대상지점의 실제 기
온은 15℃와 20℃의 평균값인 17.5℃로 볼 수도 있다. 본 연구에서는 분석대
상지점을 둘러싼 AWS를 모두 고려해서 기온값을 산정하지는 않았다. 향후 연
구에서 보완이 필요하다.
<그림 4-33> 분석대상지점과 AWS 위치 간 관계 개념도
4. 분석시간 집계단위
본 연구에서는 데이터의 분석시간 집계단위로 ‘1시간’을 사용하였다. 그 이유

는 다음과 같다. 우선, 기상청의 기상자료개방포털에서 공개하고 있는 기상 데
이터와 민자기업에서 수집한 데이터를 매칭하기 위해서였다. 세 곳의 민자기업
219) 본 연구를 수행하는 동안에는 이러한 문제는 실제로 발생하지 않았다. 현실에서는 AWS가 균일하게
분포하지 않기 때문이다.
122
에서 제공받은 현장 데이터의 수집주기가 각각 달랐고, 그중 가장 긴 시간 단위

가 1시간이었다. 기상청의 기상자료개방포털에서는 1분 단위로도 기상 데이터
를 제공한다(기상청 기상자료개방포털, 2021).220) 그러나 데이터 매칭을 위해
1시간 단위로 수집된 기상 데이터를 이용할 수밖에 없었다.
다음으로 분석결과를 활용하는데 있어 현실성을 고려하여 1시간 단위로 데이
터를 집계하였다. 만약 민자기업에서 1분 단위로 데이터를 수집하고 있고, 이를
같은 시간 단위로 수집된 기상 데이터와 매칭할 수 있다고 하자. 기상현상은 수
시로 변하지만, 1분 사이에 크게 바뀐다고 보기는 어렵다. 1분 단위로 분석된
결과를 실무에 바로 적용하여 ‘분’ 단위의 대응계획을 수립하는 것도 현실성이
떨어진다. 수분이 도로에 존재할 때, 몇 분 사이에 동결된다고 보기도 어렵다.
분석시간의 집계단위로 1시간을 사용하는 것이 부적절하다는 의견도 있을 수
있다. 기상현상은 몇 분 사이에는 크게 바뀌기 어렵지만, 1시간 동안에는 많은
일이 발생할 수 있기 때문이다. 현재로선 집계 단위로 얼마가 적당한지에 대한
기준은 찾아보기 어렵다. 후속 연구에서 집계 단위를 1시간 미만으로 하되, 어
느 정도 수준에서 분석해야 적절한지에 대해 검토가 필요하다.
220) 기상청 기상자료개방포털, ｢방재기상관측(AWS)｣, https://data.kma.go.kr/(2021.04.01).

123
제5장 진단모형의 적용사례 및 도로 살얼음

대응방안
제1절 도로 살얼음 진단모형 적용사례
기상예보정보를 본 연구에서 도출한 노면온도 추정모형에 적용하여 노면온

도가 언제 영하로 떨어지는지 예상할 수 있다. 노면온도가 영하로 떨어지는
시점을 알 수 있으면, 제설제 살포시점 예측 등 겨울철 도로의 유지관리계획을
수립하는데 유용하다.
1. 토공구간 사례
가. 도로 살얼음 사고개요
2020년 12월 28일 오전 6시 53분경에 경상북도 영천시에 위치한 국도 28호

선의 오미교차로 부근에서 도로 살얼음 사고가 발생했다(노컷뉴스, 2021).221)
<글상자 5-1>은 당시 사고내용을 언론기사에서 인용한 것이다. <그림 5-1>은
오미교차로 전경과 위치도이다.
221) 노컷뉴스, ｢영천서 블랙아이스 현상에 차량 18대 추돌사고｣, https://news.v.daum.net/v/2020122

8101514125(2021.02.01).
124
<글상자 5-1> 경북 영천 국도 28호선 도로 살얼음 사고 관련 기사
경북 영천에서 블랙아이스(노면 결빙 현상)로 인해 차량 십수 대가 추돌하는 사고가 났다.

소방당국에 따르면 28일 오전 6시 53분쯤 경북 영천시 녹전동 오미교차로 부근에서 차량
18대가 추돌했다. 이 사고는 앞서 가던 승합차량이 전복되자 뒤따르던 차량 13대가 차례로
추돌하면서 발생했다...(후략)
｢｣
자료: 노컷뉴스, 영천서 블랙아이스 현상에 차량 18대 추돌사고 , https://news.v.daum.net/v/202012281015
14125(2021.02.01)의 내용 인용.
｢｣
자료: 카카오지도, 오미교차로 , https://map.kakao.com/(2021.08.01).
<그림 5-1> 경북 영천시 오미교차로 전경(위) 및 위치도(아래)

제5장 진단모형의 적용사례 및 도로 살얼음 대응방안 125
나. 도로 살얼음 형성시간대 추정
본 연구에서 도출한 노면온도 추정모형을 당시 사고현장(영천시 오미교차

로 부근)에 적용하여 노면온도가 영하였던 시간대를 추정해 보았다. 노면온도
추정에 사용된 식은 제4장의 <표 4-20>에서 AWS의 대기온도만을 독립변수로
사용하는 선형회귀모형이다. 선형회귀모형 식은 (수식 5-1)과 같다.222)
     ........................................................... (수식 5-1)
여기서,

 = 분석대상지점 인근 AWS(화북(841))에서 수집된 대기온도( ) ℃
오미교차로에서 가장 가까운 곳에 위치한 AWS는 ‘화북(841)’이다(기상청
기상자료개방포털, 2021).223) 오미교차로 부근에서 발생한 도로 살얼음 사고
는 2020년 12월 28일 06:53에 발생했다(노컷뉴스, 2021).224) 이를 고려하여
<표 5-1>과 같이 사고발생 전후 10시간 동안의 AWS 데이터를 수집했다. 수집
된 데이터를 (수식 5-1)에 대입하여 노면온도를 추정했다. 추정된 결과는 <표
5-1>에 함께 제시되어 있다. <그림 5-2>는 <표 5-1>의 결과를 쉽게 알아보기
위해 그림으로 구성한 것이다. 추정된 결과에 따르면, 오미교차로 부근 도로는
222) (수식 5-1)은 분석대상지점에서 직접 기상데이터를 구하기 어려운 경우에 적용한다. 만약 해당 지점이
나 근처에서 수집된 기상데이터가 있다면 <표 4-20>의 첫 번째 수식(다음 수식 참조)을 사용한다:
    
여기서,
223) ‘화북(841)’은 오미교차로에서 북쪽으로 약 10km 떨어진 곳에 있다. 화북(841)이라는 명칭은 기상청에서
사용하는 표준지점번호를 의미한다(기상청 기상자료개방포털, ｢방재기상관측(AWS)｣, 2021.04.01).
224) 노컷뉴스, ｢영천서 블랙아이스 현상에 차량 18대 추돌사고｣, https://news.v.daum.net/v/2020122
8101514125(2021.02.01).
126
2020년 12월 28일 오전 3시경부터 노면온도가 영하로 떨어졌을 것으로 보인

다. 이러한 상태는 오전 8시까지 유지되었다. 오전 9시가 지나자 노면온도는
다시 영상이 되었다. <표 5-1>에서 확인할 수 있는 또 다른 사실은 도로 살얼
음 사고 전후로 강수가 없었다는 점이다. 사고 당시의 도로 살얼음은 강수가
아닌 다른 형태의 수분이 도로에 유입되어 생성되었을 것으로 추정된다.225)
<표 5-1> 경북 영천 도로 살얼음 사고(’20년 12월 28일 06:53) 전후 노면온도 추정 결과
일시 비고
℃
대기온도
( ) ㎜
강수량
( ) ℃
노면온도
( )
영상/영하
2020-12-27 20:00 2.1 0 5.7 영상

2020-12-27 21:00 0.2 0 3.9 영상
2020-12-27 22:00 -0.2 0 3.5 영상
2020-12-27 23:00 -0.8 0 2.9 영상
2020-12-28 00:00 -1.7 0 2.1 영상
2020-12-28 01:00 -3.4 0 0.4 영상
2020-12-28 02:00 -3.6 0 0.3 영상
2020-12-28 03:00 -4.1 0 -0.2 영하
2020-12-28 04:00 -4.4 0 -0.5 영하
2020-12-28 05:00 -5.2 0 -1.3 영하
2020-12-28 06:00 -5.6 0 -1.7 영하 사고 발생

(06:53)
2020-12-28 07:00 -6.6 0 -2.6 영하
2020-12-28 08:00 -4.8 0 -0.9 영하
2020-12-28 09:00 -3.0 0 0.8 영상
225) 이와 관련하여 몇 가지 가능성이 있다. 우선, AWS에서 강수량 측정이 제대로 이루어지지 않았을 가능성
이다. 본 연구에서는 AWS에서 수집된 데이터에는 오류가 없다고 가정하였다. 27일 이전에 해당 도로에
강수나 강설이 있었을 수도 있다. 확인 결과, 27일 이전에도 며칠 동안은 강수나 강설은 없었던 것으로
나타났다(기상청 기상자료개방포털, ｢방재기상관측(AWS)｣, 2021.04.01). 오미교차로가 고현천 인근
에 있다는 점도 고려해볼 수 있다. 오미교차로와 고현천 간의 직선거리는 약 600m이다(카카오지도,
｢오미교차로｣, 2021). 강이나 호수 근처에서 발생하는 안개는 도로 살얼음 형성에 원인이 될 수 있다.
일시 비고
℃
대기온도
( ) ㎜
강수량
( )
노면온도
2020-12-28 10:00 -1.4 0 2.3 영상

2020-12-28 11:00 2.3 0 5.9 영상
2020-12-28 12:00 8.4 0 11.7 영상
2020-12-28 13:00 12.2 0 15.3 영상
2020-12-28 14:00 12.9 0 15.9 영상
2020-12-28 15:00 13.0 0 16.0 영상
주: 1) 노면온도 추정값은 (수식 5-1)을 사용하였음.
｢｣
다. 도로 살얼음 대응체계 진단
이상의 결과는 도로 살얼음 예측이 왜 어려운지를 단적으로 보여 준다. 기

상데이터만으로 도로에 수분이 유입되는지 파악하는데 한계가 있기 때문이다.
본 연구에서 도로 살얼음 형성 여부를 판단할 수 있는 모형 대신226), 노면온도
추정모형을 제안한 것도 이러한 현실적인 한계를 고려해서이다. 도로관리청은
어떤 도로구간이 도로 살얼음에 취약한지 경험적으로 알고 있다. 현시점에서
는 본 연구에서 도출한 모형과 경험에서 취득한 정보를 함께 활용하여 도로
살얼음에 대응할 수밖에 없다. 오미교차로 인근에서 발생했던 도로 살얼음 사
고를 돌이켜보자. 오미교차로 인근 도로를 관리하는 도로관리청이 해당 도로
구간에 어떤 이유에서든 수분 유입이 빈번하다는 사실을 알고 있다고 가정하
자. 2020년 12월 27일로 다시 돌아가서, 도로관리청이 <그림 5-2>와 같은 기
상예보(대기온도)를 알게 되었다고 가정하자. 노면온도 추정모형에 따르면, 노
면 온도는 12월 28일 오전 3시부터 영하로 떨어지고, 이러한 상태는 오전 8시
226) 후속 연구의 연구과제로 남겨 두고자 한다.

128
까지 지속된다. 도로관리청이 도로 살얼음 예방을 위해 제설제를 살포해야 한

다면 적어도 같은 날 오전 3시 이전에는 작업을 시작해야 한다.
주: 노면온도 추정은 (수식 5-1)을 사용하였음.

｢｣
<그림 5-2> 경북 영천 도로 살얼음 사고(’20년 12월 28일 06:53) 전후 노면온도 추정 결과
2. 교량구간 사례
가. 도로 살얼음 사고개요
2019년 12월 14일 오전 4시 38분경에 경상북도 군위군에 위치한 상주영천

고속도로 산호교 부근에서 도로 살얼음 사고가 발생했다(BBC NEWS 코리아,
2021).227) <글상자 5-2>는 당시 사고내용을 언론기사에서 인용한 것이다. <그
림 5-3>은 산호교의 전경과 위치도이다.
227) BBC NEWS 코리아, ｢블랙아이스: 잇따른 도로 교통사고, 해결 방안은 없을까?｣, https://www.bbc.
com/korean/news-50889866(2021.02.01).
<글상자 5-2> 경북 군위 상주영천선 도로 살얼음 사고 관련 기사
지난 14일 경북 군위군 상주-영천 고속도로에서 다중 추돌 사고가 발생했다. 차량 50대가

연달아 추돌하면서 7명이 숨지고 32명이 다쳤다. 사고 당시 '브레이크를 밟아도 차가 서지
않았다'는 사고 운전자들의 진술을 토대로 사고 원인으로는 '블랙 아이스(Black Ice)'가 지목
됐다....(후략)
｢｣
자료: BBC NEWS 코리아, 블랙아이스: 잇따른 도로 교통사고, 해결 방안은 없을까? , https://www.bbc.com/k
orean/news-50889866(2021.02.01)의 내용 인용
나. 도로 살얼음 형성시간대 추정
본 연구에서 도출한 노면온도 추정모형을 당시 사고현장(경북 군위군 산호

교 부근)에 적용하여 노면온도가 영하였던 시간대를 추정해 보았다. 노면온도
추정에 사용된 식은 제4장의 <표 4-21>에서 AWS의 대기온도만을 독립변수로
사용하는 선형회귀모형이다. 선형회귀모형 식은 (수식 5-2)와 같다.228)
     ........................................................... (수식 5-2)
여기서,

 = 분석대상지점 인근 AWS(소보(847))에서 수집된 대기온도( ) ℃
228) (수식 5-2)는 분석대상지점에서 직접 기상데이터를 구하기 어려운 경우에 적용한다. 만약 해당 지점이
나 근처에서 수집된 기상데이터가 있다면 <표 4-21>의 첫 번째 수식(다음 수식 참조)을 사용한다:
    
여기서,
130
｢｣
자료: 카카오지도, 산호교 , https://map.kakao.com/(2021.08.01).
<그림 5-3> 경북 군위군 산호교 전경(위) 및 위치도(아래)
산호교에서 가장 가까운 곳에 위치한 AWS는 ‘소보(847)’이다(기상청 기상

자료개방포털, 2021).229) 산호교 부근에서 발생한 도로 살얼음 사고는 2019년
12월 14일 04:38에 발생했다(BBC NEWS 코리아, 2021).230) 이를 고려하여
<표 5-2>와 같이 사고발생 전후 AWS 데이터를 수집했다. 수집된 데이터를 (수
식 5-2)에 대입하여 노면온도를 추정했다. 추정된 결과는 <표 5-2>에 함께 제
시되어 있다. <그림 5-4>는 <표 5-2>의 결과를 쉽게 알아보기 위해 그림으로
구성한 것이다. 추정된 결과에 따르면, 산호교 부근 상주영천고속도로는 2019
년 12월 13일 오후 10시경부터 노면온도가 영하로 떨어졌을 것으로 보인다.
229) ‘소보(847)’은 산호교에서 북북서쪽으로 약 5.5km 떨어진 곳에 있다. 소보(847)이라는 명칭은 기상청에
서 사용하는 표준지점번호를 의미한다(기상청 기상자료개방포털, ｢방재기상관측(AWS)｣, 2021.04.01).
230) BBC NEWS 코리아, ｢블랙아이스: 잇따른 도로 교통사고, 해결 방안은 없을까?｣, https://www.bbc.
com/korean/news-50889866(2021.02.01).
이러한 상태는 다음날 오전 5시까지 유지되었다. 오전 5시가 지나자 노면온도

는 다시 영상이 되었다. 국도 28호선 도로 살얼음 사고와 마찬가지로 사고 전
후로 강수가 없었던 것으로 나타났다. 분석결과를 토대로 도로관리청의 제설
제 살포시점을 추정해보면, 2019년 12월 13일 오후 10시경으로 볼 수 있다.
<표 5-2> 경북 군위 도로 살얼음 사고(’19년 12월 14일 04:38) 전후 노면온도 추정 결과
소보(847)에서 수집된
일시 비고
℃
대기온도
( ) ㎜
강수량
( )
노면온도
2019-12-14 18:00 4.5 0 7.3 영상

2019-12-14 19:00 0.5 0 3.6 영상
2019-12-14 20:00 -1.7 0 1.5 영상
2019-12-14 21:00 -3.1 0 0.2 영상
2019-12-14 22:00 -4 0 -0.6 영하
2019-12-14 23:00 -5.2 0 -1.7 영하
2019-12-15 00:00 -5.4 0 -1.9 영하
2019-12-15 01:00 -5.6 0 -2.1 영하
2019-12-15 02:00 -5.2 0 -1.7 영하
2019-12-15 03:00 -4.2 0 -0.8 영하

사고 발생
2019-12-15 04:00 -3.5 0 -0.1 영하 (04:38)
2019-12-15 05:00 -3.6 0 -0.2 영하
2019-12-15 06:00 -2.1 0 1.2 영상
2019-12-15 07:00 -2.8 0 0.5 영상
2019-12-15 08:00 -2.6 0 0.7 영상
2019-12-15 09:00 -0.6 0 2.6 영상
주: 1) 노면온도 추정값은 (수식 5-2)를 사용하였음.
｢｣
132
주: 노면온도 추정은 (수식 5-2)를 사용하였음.

｢｣
<그림 5-4> 경북 군위 상주영천선 도로 살얼음 사고(’19년 12월 14일 04:38) 전후 노면온도

추정 결과
다. 도로 살얼음 대응체계 진단
2019년 12월 14일로 다시 돌아가서, 도로관리청이 <그림 5-4>와 같은 기상

예보(대기온도)를 알게 되었다고 가정하자. 노면온도 추정모형에 따르면, 노면
온도는 12월 13일 오후 10시부터 영하로 떨어지고, 이러한 상태는 다음날 오
전 5시까지 지속된다. 도로관리청이 도로 살얼음 예방을 위해 제설제를 살포
해야 한다면 적어도 12월 13일 날 오후 10시 이후에는 작업을 시작해야 한다.
제2절 도로 살얼음 대응을 위한 정책제언
1. 도로 살얼음 관련 기초자료 수집체계를 강화
연구를 시작하면서 가장 먼저 마주한 난관은 분석에 필요한 기초데이터가

턱없이 부족하다는 것이었다. 보고된 도로 살얼음 사고건수 자체가 적기 때문
이다. 관련 자료를 모으기 위한 수집체계가 미흡한 탓도 있다. 언론기사와 설
문조사를 통해 일부 자료를 확보했지만, 불충분하다. 아쉬운 대로 앞으로 발생
하는 도로 살얼음 사고부터라도 데이터를 체계적으로 수집해야 한다. 기초자
료를 수집하기 위해 시스템을 새로 구축하는 일은 시간이 필요하다. 기존 시스
템 내에서 기초자료를 효과적으로 수집할 수 있는 방법을 찾아야 한다. 도로
살얼음 사고는 대형사고로 이어지는 경우가 많아 경찰에서 직접 조사할 가능
성이 높다. 사고현장에 출동하는 교통조사관의 역할이 중요하다. 사고가 발생
하고 나서, 최초로 사고현장을 볼 수 있는 사람이기 때문이다. 도로 살얼음은
쉽게 소멸되기 때문에 시간이 흐른 뒤에는 관찰이 어려울 수도 있다. 교통조사
관이 작성하는 교통사고 통계원표 양식을 개선해서 도로 살얼음 사고가 발생
했을 때에는 사고정황 등을 구체적으로 기술하도록 하고, 필요하다면 도로 살
얼음 연구에 필요한 항목을 추가해서 기술하도록 해야 한다.
<표 5-3> 교통사고 통계원표 개정(안)
기존 개정(안)
□ 도로 및 환경 □ 도로 및 환경
(52) 노면상태 (52) 노면상태
포 장 비포장 포 장 비포장
건 습 결 적 기 건 습 결 적 기 건 습 결 적 살 살
얼 기 건 습 결 적 얼 기
조 기 빙 설 타 조 기 빙 설 타 조 기 빙 설 음 타 조 기 빙 설 음 타
1 2 3 4 5 11 12 13 14 15 1 2 3 4 5 6 11 12 13 14 15 16
주: 표 우측셀에서 네모 처리된 부분이 개정(안) 내용임.

자료: 교통사고 통계원표 원본(기존) - 교통사고조사규칙(경찰청훈령 제818호, 2016.12.21)의 [별표 3] 인용.
134
2. 지형별로 제설제 예비살포 기준 차등적용
『』
국토교통부의 도로제설업무 수행요령 에는 제설제 예비살표 기준이 마
련되어 있다(국토교통부, 2020b).231) 해당 기준에 따르면, “도로 살얼음 우려
예보가 있거나, 노면온도 2 ℃ 이하로 온도 하강이 예상되고 비가 내리기 시작
할 때”(국토교통부, 2020b)232) 예비살포를 하도록 하고 있다. 본 연구에서 노
면온도 추정모형을 구현하면서 도출된 기준에 따르면, 같은 기상조건에서 교
량구간은 토공구간보다 도로 살얼음이 형성될 가능성이 높게 나타났다.233) 현
재는 예비살포 기준에서 도로구간의 지형을 고려하고 있지 않다.234) 향후 제
설제 예비살포 기준을 개정할 때에는 지형을 고려하여 예비살포 기준을 세분
화해야 한다. 그 기준을 토공구간보다 교량구간에서 더 강화해야 한다. 터널구
간에 대한 기준은 후속 연구를 통해 조사해야 한다. 본 연구에서 도출된 노면
온도 추정치는 보수적으로 적용하여235) 향후 제설기준에 반영하도록 한다.
<표 5-4> 도로제설업무 수행요령 개정(안)
기존 개정(안)
2.2.2 결빙 취약구간의 지정 2.2.2 결빙 취약구간의 지정
○ 다음과 같은 구간을 결빙 취약구간으로 지 ○ 다음과 같은 구간을 결빙 취약구간으로 지
정할 수 있다. 정할 수 있다.
- 도로시설 특성, 기하구조, 기후특성, 교통 - 도로시설 특성, 기하구조, 기후특성, 교통
운영에 따라 도로 살얼음이 발생할 확률 운영에 따라 도로 살얼음이 발생할 확률
이 높은 구간 이 높은 구간
- ‘부록8. 결빙 취약구간 평가기준표’의 세 - ‘부록8. 결빙 취약구간 평가기준표’의 세
부배점 평가점수에 따라 아래와 같이 관 부배점 평가점수에 따라 아래와 같이 관
리등급으로 분류한다. 리등급으로 분류한다.
- 교량구간은 도로 살얼음 취약구간으로
우선지정한다.
『』
자료: 도로제설업무 수행요령 원본(기존) - 국토교통부(2020b), 도로제설업무 수행요령 , p. 6의 내용 인용.

232) 전게서.
233) 본문 p. 104의 내용 참조.
234) 지형이란 토공구간, 교량구간, 터널구간 등을 말한다.
235) 예를 들어, 대기온도가 –2℃일 때, 노면온도가 영하가 된다고 가정하자. 이 경우, 대기온도가 –1℃
이하로 떨어지기 시작할 때 선제적으로 도로 살얼음 대응을 해야 한다는 의미이다.
3. 운전면허 시험 등 교육과정을 활용
도로 살얼음에 대한 인지수준을 조사한 결과, 20대 또는 운전경력 1년 미만

의 사람들이 비교군에 비해 도로 살얼음에 대한 인지수준이 낮은 것으로 나타
났다.236) 도로 살얼음에 대한 인지 여부는 운전경험과 어느 정도 연관성이 있
는 것으로 추정된다. 20대 초반에 운전면허를 취득하더라도 경제력 등의 이유
로 차량을 보유하지 못하거나 운전을 하지 않으면 도로 살얼음을 직접 경험하
거나 관련 정보를 취득하게 될 가능성이 떨어질 수 있기 때문이다.
설문조사에서 응답자의 15.7%가 운전면허 시험에서 도로 살얼음 정보를 취
득했다고 응답했다.237) 모든 운전자가 운전면허 필기시험을 치른다. 80%가
넘는 운전자가 운전면허 시험에서 도로 살얼음과 관련된 내용을 접하지 못한
것으로 추정된다. 운전자가 되고자 하는 사람에게 필수인 운전면허 시험 등
교육과정을 강화하여 도로 살얼음 정보를 제공하자.
4. 도로 살얼음 관리시스템 구축
본 연구는 ‘도로 살얼음 관리시스템’(가칭)을 구현하는데 필요한 기초연구로

서의 성격을 지닌다. 노면온도 추정모형은 기존 교통정보시스템238)이나 새롭
게 구축되고 있는 시스템239)에 새로운 모듈로 추가되거나 연계되는 방식으로
활용될 수 있다. <그림 5-5>는 도로 살얼음 관리시스템이 기존 또는 신규 시스
템에 연계되어 작동하는 방식을 도식화한 것이다.
기존 또는 신규 시스템에 본 연구의 모형을 활용하기 위해서는 일정 수준
236) 본문 <표 2-7>의 내용 재인용.

237) 본문 <그림 2-11>의 내용 재인용.
238) 국토교통부에서 운영하고 있는 ‘ITS 국가교통정보센터’(고속국도 및 일반국도 대상)가 대표적인 예이다
(ITS 국가교통정보센터, 2021). 서울시에서 운영하고 있는 ‘서울시 교통정보 시스템’(지자체 관리도로
포함)은 지자체가 운영하고 있는 시스템의 대표적인 예이다(서울시 교통정보 시스템, 2021).
239) 현재 기상청과 한국도로공사는 ‘AI 기반 도로살얼음 관리시스템’을 시범구축하고 있다(한국도로공사,
2021a).
136
이상의 성능이 확보되어야 한다. 노면온도 추정모형의 성능개선이 지속적으로

필요한 이유다. 본격적인 모형개발을 위해 필요한 과정은 <그림 5-6>과 같이
정리할 수 있다. 본 연구에서는 고속국도에서 수집된 데이터로 노면온도 추정
모형을 구현하였다. 대부분의 데이터는 교량구간에서 수집된 것이다. 향후에
는 토공구간과 터널구간에 대한 데이터를 보다 많이 확보하여 추가 분석이 필
요하다.240) 또한 고속국도뿐만 아니라, 일반국도, 지방도 등 도로종류별로 데
이터를 확보하여 분석하는 작업도 필요하다.
<그림 5-5> 도로 살얼음 관리시스템 운영단계 도식도
<그림 5-6> 노면온도 추정모형 개발단계 도식도
240) 토공구간, 교량구간, 터널구간에 대한 개념은 <글상자 4-1>을 참조할 것.

5. 1월과 출근시간대에 도로 살얼음 집중관리
언론기사를 통해 파악한 내용에 따르면, 도로 살얼음 사고는 겨울철 중에서

도 1월에 가장 많이 발생한 것으로 나타났다.241) 도로 살얼음을 경험했던 시
기에 대해 조사한 설문조사에서 1월에 경험했다고 응답한 비율이 가장 높게
나타났다.242) 12월이나 2월이 아닌 1월인 이유에 대해서는 연구가 필요하다.
시기가 특정된 만큼 1월에 보다 집중적인 도로 살얼음 관리를 해야 한다.
도로 살얼음을 경험한 시간대에 대해서도 언론기사를 통한 조사와 설문조
사에서 유사한 결과가 도출되었다. 언론기사를 통해 살펴본 바에 따르면, 도로
살얼음 사고는 새벽부터 아침시간 사이에 주로 발생한 것으로 나타났다.243)
설문조사에서도 가장 많은 응답자가 아침시간대에 도로 살얼음을 경험했다고
응답했다.244) 밤사이 형성됐던 살얼음이 녹지 않고 아침까지 남아 있다가, 출
근시간대에 교통량이 몰리면서 나타난 현상으로 보인다.
6. 도로 살얼음 예보 시행
미국 방송에서는 도로 살얼음과 관련된 일기예보도 보도한다(Hot Enterprise News,

2021).245) 그 내용과 범위가 구체적이지는 않지만, 운전자들이 경각심을 갖기에는 충
분해 보인다. 사고는 사후대처보다 예방이 우선이다. 우리나라도 겨울철에 도로 살
얼음 예보를 내보내는 방안을 검토해야 한다. 설문조사에서 응답자들이 도로 살얼음
관련 언론기사를 접하게 되는 주경로가 TV로 확인되었다.246) 일기예보는 많은 사람
들이 챙겨보는 정보인 만큼 TV를 활용한 기상예보 전달이 효과적일 수 있다.

242) 본문 <그림 2-15>의 내용 재인용.
244) 본문 <그림 2-16>의 내용 재인용.
246) 본문 <그림 2-12>의 내용 재인용.
138
7. 교통안전수칙 내 도로 살얼음 내용 상세화
영국의 Highway Code(도로이용법)247)와 유사하게 우리나라에서는 경찰청

『』
이 교통안전수칙 을 제작하여 배포하고 있다(경찰청, 2018).248) Highway
Code에서는 빙판길이나 눈길에서 어떻게 운전해야 하는지에 대해 상세하게 다
루고 있다(UK DfT, 2019).249) 교통안전수칙에 블랙아이스 정의가 소개되고 있
지만, 빙판길이나 눈길 운전법은 영국처럼 상세하지 않다(경찰청, 2018).250)
Highway Code 등을 참고하되, 우리나라의 도로실정에 맞는 도로 살얼음 운전
법을 만들고 이를 교통안전수칙에 반영해야 한다.
<표 5-5> 교통안전수칙 수행요령 개정(안)
기존 개정(안)
• 낮에 눈이 녹았다가 저녁에 다 • 낮에 눈이 녹았다가 저녁에 다시 얼어 검정색 빙판길
시 얼어 검정색 빙판길이 되어 이 되어 있으면 아스팔트와 구별이 어렵기 때문에 다
있으면 아스팔트와 구별이 어 음과 같이 운전해야 한다.
렵기 때문에 눈 내린 다음날도
감속 운전해야 한다. [출발전]
- 바깥상황을 알 수 있게 차량의 모든 유리를 깨끗하게
청소한다.
- 이동경로 중, 도로 살얼음 제보가 발생한 구간이 있는
지 확인한다.
[주행중]
- 평상시보다 앞차와의 거리를 10배 이상으로 유지한
다.
- 일기예보, 가변전광표지(VMS)을 주기적으로 확인한
다.
- 평상시 주행속도의 100분의 50 이하로 주행한다.
- 굽은 길에서는 특히 서행한다.
『』
자료: 교통안전수칙 원본(기존) - 경찰청(2018), 교통안전수칙 , p. 73의 내용 인용.
247) UK DfT(2019), The Highway Code의 내용 참조.

248) 경찰청(2018), 『교통안전수칙』의 내용 참조.
250) 경찰청(2018), 『교통안전수칙』, p. 73의 내용 참조.
8. 도로 살얼음 지도 제작
도로 살얼음에 취약한 결빙 취약구간을 시각화하면 유용한 정보가 될 수 있

다. <그림 5-7>은 국토교통부(2020b)251)에서 지정한 결빙 취약구간의 분포를
지도 위에 표시한 것이다. 자신이 주로 운행하는 경로가 결빙 취약구간으로 지
정되어 있다는 사실을 운전자가 알게 된다면, 겨울철에 경각심을 가지고 운전하
게 될 것이다.
『』
자료: 국토교통부(2020b), 도로제설업무 수행요령 , pp. 124-145의 내용을 참고하여 그림으로 재구성.
<그림 5-7> 결빙 취약구간 분포도(2020년)
251) 국토교통부(2020b), 『도로제설업무 수행요령』, pp. 124-145의 내용을 참고.

140
제6장 결론 및 정책제언
제1절 결론
도로 살얼음은 겨울철에 어김없이 우리에게 찾아온다. 많은 운전자가 이를

알고 있지만, 도로 살얼음 사고는 매년 반복된다. 운전자가 부주의해서 사고가
나는 것이 아니다. 도로 살얼음이 언제 어디로 찾아올지 모르기 때문이다. 안
다고 해도 대처가 어렵다. 눈으로 식별하기도 어렵다. 살얼음길에서는 오랜 운
전경력도 별 소용이 없다.
대비가 어렵다고 손 놓고 있을 수도 없다. 도로 살얼음 사고가 운전자에게
치명적이기 때문이다. 빙판길에서 제동거리는 평상시보다 몇 배나 늘어난다
(한국교통안전공단 보도자료, 2017.12.07.).252). ‘결빙/서리’로 인한 교통사고
의 치사율은 3.0으로 전체 교통사고의 치사율보다 1.5배 높다(TAAS, 2021
).253) 본 연구에서 표본조사한 결과에 따르면, 도로 살얼음 사고의 치사율은
31.9로 전체 교통사고 치사율보다 15배나 높다.254) 도로 살얼음 사고가 발생
하면 평균 7.5명이 죽거나 다치는 것으로 나타났다.255) 대형사고로 이어질 가
252) 시속 50km로 주행하다가 제동하면, 마른 노면에서보다 빙판길에서의 제동거리가 버스는 7.7배(17.2→

132.3m), 화물차는 7.4배(14.8→110.0m), 그리고 승용차는 4.4배(11.0→48.3m) 증가한다(한국교
통안전공단 보도자료, 2017.12.07).
253) TAAS(교통사고분석시스템), 「노면상태별 교통사고」, http://taas.koroad.or.kr/sta/acs/exs/typic
al.do?menuId=WEB_KMP_OVT_UAS_PDS(2021.04.05)의 내용을 분석한 결과임.
제6장 결론 및 정책제언 141
능성이 높다는 뜻이다. 도로 살얼음은 예측하기도 어렵고, 대응하기도 어렵다.

그래도 해결할 수 있는 방법을 찾아야 한다.
도로 살얼음과 관련된 연구가 어려운 이유는 기초데이터가 부족하기 때문
이다. 도로 살얼음 사고는 발생하면 치명적이지만, 전체 교통사고 발생건수에
서 차지하는 비중은 크지 않다. 모수가 작기 때문에 연구에 필요한 데이터를
수집하기 어렵다. 최근 10년 동안 노면상태가 ‘결빙/서리’인 상태에서 발생한
교통사고는 16,280건으로, 같은 기간 전체 교통사고 발생건수의 약 0.7%를 차
지한다(TAAS, 2021).256) 도로 살얼음 사고는 16,280건 가운데 일부를 차지한
다.257) 도로 살얼음은 ‘결빙/서리’의 한 종류이기 때문이다. 겨울철이 지나면
도로 살얼음에 대한 언론과 사람들의 관심도 수그러든다.
이러한 점을 고려하여, 본 연구에서는 도로 살얼음 사고와 관련된 데이터를
수집하는 작업부터 시작하였다. 우선 주요 도로 살얼음 사고가 언론을 통해
보도된다는 점을 착안했다. 도로 살얼음 검색사이트에 ‘살얼음’, ‘블랙아이스’
등의 키워드를 입력하여 2008년부터 2020년 사이에 발생한 것으로 추정되는
도로 살얼음 사고 69건을 찾아냈다.258) 기사내용으로부터 수집한 도로 살얼
음 사고의 특징을 정리하면 다음과 같다. 도로 살얼음 사고는 겨울철 중에서도
1월에 가장 많이 발생했고, 그 비중은 약 52%이다.259) 새벽부터 아침 사이에
약 73%의 도로 살얼음 사고가 발생했다.260) 도로 살얼음 사고는 일단 발생하
는 대형사고로 발전할 가능성이 있다.261)
다음으로 국내 운전자 500명을 대상으로 도로 살얼음에 대한 인식을 설문
256) TAAS(교통사고분석시스템), 「노면상태별 교통사고」, http://taas.koroad.or.kr/sta/acs/exs/typica

l.do?menuId=WEB_KMP_OVT_UAS_PDS(2021.04.05).
257) 해당 수치는 사고가 발생해서 경찰에 보고된 사고건수만을 포함한다. 실제로는 더 많을 것으로 추정된다.
2020년 통합DB(경찰DB에 보험사 자료 등을 포함) 기준 교통사고 발생건수는 1,247,623건으로 경찰
DB 기준 교통사고 발생건수 209,654건보다 약 6배이다(TAAS, ｢교통사고 발생건수｣, 2021.04.05).
258) ‘추정’이라는 표현을 사용한 이유는 당시 언론기사에서 다룬 교통사고의 원인이 도로 살얼음이라는
것은 확인된 사실이 아니라, 사고당시 운전자, 목격자, 경찰관 등의 진술에 기반한 것이기 때문이다.
142
조사를 통해 파악하였다. 설문조사는 2021년 8월 30일부터 9월 10일까지 2주

간 실시하였다. 전국에 거주하는 만 20세 이상 성인을 대상으로 온라인으로
조사를 실시하였다. 도로 살얼음에 대한 인식수준, 경험 여부, 운전법에 대한
숙지 여부, 효과적인 사고예방 방안 등을 조사내용에 포함시켰다. 표본오차는
95% 신뢰수준에 ±4.3%이다. 설문조사를 통해 도출된 주요 시사점은 다음과
같다. 20대 초반 또는 운전경력이 1년 미만인 운전자들은 도로 살얼음에 대한
인지수준이 비교군에 비해 낮은 것으로 나타났다.262) 운전면허시험을 치르는
과정에서 도로 살얼음과 관련된 정보를 습득했다고 응답한 비율은 15.7%였
다.263) 운전자들은 주로 TV를 통해 도로 살얼음 관련 정보를 습득하고 있
다.264) 도로 살얼음에 대한 대비는 겨울철 1월과 아침시간대에 집중적으로 해
야 한다.265) 운전자들은 도로 살얼음 구간에 물리적인 시설을 보강하는 것이
사고예방에 효과적이라고 응답했다.266)
우리나라의 도로 살얼음 대응체계를 제고하기 위해 주요국의 사례도 살펴보
았다. 영국도 우리나라처럼 도로관리청에서 제설업무를 담당한다(GOV.UK,
2021).267) 영국 교통부(DfT, Department for Transport)는 ‘도로이용법(The
Highway Code)’을 제작하여 악천후에 도로이용자가 지켜야 할 규칙을 알리고
있다(UK DfT, 2019).268) 미국 아이오와주(Iowa State) 교통부는 제설차량에
서 스마트폰으로 촬영한 겨울철 노면사진을 실시간으로 공유하는 시범사업을
진행 중이고, 향후 노면상태 정보수집에 커넥티드카를 활용할 예정이다(Iowa
Data, 2021).269) 미국의 지역방송사에서는 기상청(NWS, National Weather
262) 본문 <표 2-7>의 내용 재인용.

263) 본문 <그림 2-11>의 내용 재인용.
264) <그림 2-11>과 <그림 2-12>를 연관지어 해석한 결과이다.
265) <그림 2-15>와 <그림 2-16>을 연관지어 해석한 결과이다. 이 결과는 언론기사를 통해 파악한 결과와
궤를 같이한다.
266) 본문 그림 <2-22>의 내용 재인용,
267) GOV.UK, “Highways England”, https://www.gov.uk/government/organisations/highways-englan
d(2021.04.01).
269) Iowa Data, “Track a Plow”, https://data.iowa.gov/Roads/Track-a-Plow/k8ki-krve(2021.04.0
Service)의 자료를 토대로 도로 살얼음 예보를 하고 있다(Hot Enterprise

News, 2021).270) 일본에서는 2014년 10~11월에 국도 17호선 니키타현 가와
구치지역 인근 도로구간에 11가지 동결억제포장 기법을 100m 단위로 시공하
고 그 효과를 측정하였다(窪, 內山 & 竹見, 2015; 서홍관 외, 2016).271)
본 연구에서는 도로 살얼음 진단에 활용될 수 있는 노면온도 추정모형을 구
현하였다. 이는 데이터 구득의 한계를 고려한 결과이다.272) 먼저 기상 데이터
와 노면온도 데이터를 함께 수집하고 있는 민자회사 3곳으로부터 현장 데이터
를 제공받았다. 그리고 기상청 기상자료개방포털에서 현장 데이터와 매칭에
필요한 AWS 데이터를 입수하였다. 데이터 집계시간 통일, 지형별 집계, 매칭
등 데이터 전처리를 거쳐 분석에 필요한 데이터세트를 마련하였다. 이러한 과
정을 거쳐 처음 확보한 36,349,368개의 데이터를 1,687,007개의 데이터로 축
약하였다. 데이터세트는 토공구간과 교량구간에 대해 각각 제작되었다. 독립
변수는 수집지점의 기상 데이터 또는 인근 AWS에서 수집한 기상 데이터를 사
용하였고, 종속변수는 노면온도로 설정하였다. 종속변수가 영상인 경우(0 ℃초
과)에 ‘0’으로, 영하인 경우에(0 ℃ 이하) ‘1’로 표현되는 분류모형과 종속변수
가 실제 노면온도값으로 표현되는 회귀모형을 각각 추정하였다. 분류모형으로
는 단일학습모형인 결정트리모형(Decision tree model)과 앙상블학습모형인 랜
덤포레스트모형(Random forest model), GBM 모형(Gradient boosting
machine model), 그리고 LightGBM 모형(LightGBM model)을 추정하였다. 회귀
모형으로는 선형회귀모형을 추정하였다. 모형추정은 데이터 입력, 데이터 분할,
파라미터 설정, 모형학습, 모형검증 및 성능평가 순서로 진행되었다. 모형 추정
1).
제13회 북부도로포장회의; (재인용) 서홍관 외(2016), 『개립도 아스팔트 포장에서의 결빙방지 방안
연구』, 한국도로공사, p. 2의 내용 참조.
272) 노면에 수분이 존재했거나, 더 나아가 도로 살얼음이 존재했음을 확인할 수 있는 데이터를 찾아보기
어렵기 때문이다.
144
결과를 정리하면 다음과 같다. 수집지점의 데이터를 이용하는 경우가 인근 AWS

데이터를 이용하는 경우보다 모형의 성능이 높게 나타났다. AWS에서 수집된 데
이터도 빅데이터라면 일정 수준 이상의 성능을 갖춘 모형구축이 가능한 것으로
나타났다. 같은 조건이라면 토공구간보다 교량구간에서 도로 살얼음이 형성될
가능성이 높다. 대기온도가 영하로 떨어진다고 해서 노면온도가 반드시 영하가
되지 않는다. 빅데이터를 활용하면 단일학습모형도 앙상블학습모형과 유사한
성능을 보일 수 있다. 본 연구의 모형은 고속국도에서 수집된 데이터만으로 구
현된 것이다. 향후에는 일반국도, 지방도 등 다양한 도로에서 수집된 데이터를
활용해서 모형을 개선해야 한다. 터널구간에서 수집된 데이터도 모형개발에 필
요하다.
마지막으로 본 연구에서 구현한 노면온도 추정모형이 어떻게 활용될 수 있는
지 제시하였다. 우선 기상예보정보를 모형에 적용하여 노면온도가 언제 영하
로 떨어지는지 예상할 수 있다. 노면온도가 영하로 떨어지는 시점을 알 수 있
으면, 제설제 살포시점 예측 등 겨울철 도로의 유지관리계획을 수립하는데 유
용하다. 다음으로 ‘도로 살얼음 관리시스템’(가칭)을 구축하는데 노면온도 추
정모형이 어떻게 활용될 수 있는지 제시하였다. 노면온도 추정모형은 기존 또
는 신규 시스템 내에 하위모듈로 포함시키거나 외부에서 데이터를 생성한 뒤,
결과값만 전달하는 방식으로 활용할 수 있다.
독감도 겨울철에 어김없이 우리에게 찾아온다. 독감으로 2020년 3,000명의
사람이 사망했지만(이데일리, 2021.12.22)273), 사람들은 독감을 예전처럼 두
려워하지 않는다. 백신접종, 마스크 착용, 수시로 손씻기 등 다양한 대처법을
알고 있기 때문이다. 도로 살얼음으로 인한 운전자들의 불안감은 구체적인 대
처법이 가시화되면 극복될 것이다. 무엇보다 기초데이터 수집이 중요하다. 도
로 살얼음 극복을 위한 연구수행과 정책지원도 병행되어야 한다.
273) 이데일리(2020.12.22), ｢정은경, 독감으로 1년 3000명 사망…예방접종 꼭 필요｣, https://www.edaily.

co.kr/news/read?newsId=02210726625935544&mediaCodeNo=257(2021.10.01).
제2절 정책제언
본 연구에서는 도로 살얼음 사고예방을 위해 다음과 같이 여덟 가지 정책제

언을 제안하였다. <표 6-1>은 제5장 제2절의 정책제언 내용을 요약한 것이다.
제도개선과 관련하여 도로 살얼음 관련 기초자료 수집체계를 강화하고, 제설제
예비살포 기준을 지형별로 차등 적용할 필요가 있다. 그리고 운전면허 시험 등
기존 교육시스템 강화로 도로 살얼음에 대한 운전자들의 인식수준을 높여야 한
다.
본 연구에서 구현한 노면온도 추정모형의 성능을 개선하여 도로 살얼음 관
리시스템을 구축하는데 활용할 수 있다. 모형의 궁극적인 목적은 도로 살얼음
형성 여부를 판단하는 것이다. 모형개선에 필요한 데이터를 지속적으로 구축
해야 한다.
도로 살얼음이 자주 발생하는 1월과 출근시간대를 집중관리하고, 도로 살얼
음 예보를 시행하여 겨울철 운전자들의 경각심을 높여야 한다. 교통안전수칙
내 도로 살얼음 내용을 구체화 해야 한다. 도로 살얼음 지도를 제작하여 운전
자들이 운전 시에 참고할 수 있도록 해야 한다.
<표 6-1> 도로 살얼음 사고예방을 위한 정책제언
정책제언 구분 정책제언 목록
․도로 살얼음 관련 기초자료 수집체계 강화(교통사고 통계원표 개정 등)

제도 개선 ․제설제 예비살포 기준을 지형별로 구분하여 적용
․운전면허 시험 등 교육과정 강화
시스템 개발 ․도로 살얼음 관리시스템 구축
․1월과 출근시간대에 도로 살얼음 집중 관리
․도로 살얼음 예보 시행
홍보 강화
․교통안전수칙 내 도로 살얼음 내용 상세화
․도로 살얼음 지도 제작
147
참고문헌
[국내문헌]
『
경찰청(2018), 교통안전수칙 .』
『 ․
국토교통부(2018), 도로의 구조 시설 기준에 관한 규칙 해설 . 』
『
_____(2020a), 2020 도로업무편람 . 』
_____(2020b),『도로제설업무 수행요령』.
국토교통부/관계부처합동(2020.01),「겨울철 도로교통 안전 강화대책」.
국토교통부 내부자료(2020.02),「도로 살얼음 예방을 위한 교통안전기술개발
R&D 추진 동향」.
_____(2020.05),『2019년도 민자도로의 건설 및 유지․관리 현황에 관한 보고
서』.
_____(2020.08),「도로 살얼음 대응체계 고도화방안 마련」.
_____(2021),『제2차 국가도로망종합계획(2021~2030)』.
국토교통부 보도자료(2019.12.25),「관계기관 합동 현장점검 등 동절기 교통안전
강화」.
_____(2020.01.07),「정부, 겨울철 도로교통 안전 강화대책 발표」.
_____(2020.02.12),「결빙 위험구간 지날 때 “안전속도” 알려준다」.
_____(2020.11.11),「겨울철 강설‧결빙 대비 도로제설 상시 준비태세 착수」.
_____(2021.04.01),「지난해 국토면적 11.3㎢ 증가, 여의도 면적 4배」.
권철민(2020),『파이썬 머신러닝 완벽 가이드』, 위키북스.
김구(2020),『사회과학 연구조사방법론』, 비앤엠북스.
김동휘․조상현․이희영․정원석(2020),「도로 살얼음 방지를 위한 강섬유-나노
하이브리드 시멘트 복합체의 발열성능 연구」,『한국콘크리트학회 학술대회
논문집』, 32(2), pp. 305-306.
김백조․박미은․남형구․김현욱(2020a),「기후환경실증실험내의 기온과 습도가
도로포장재의 표면온도에 미치는 영향 분석」, 한국기상학회 가을학술대회
148
초록집.
․ ․ ․ ․ 「
김백조 박미은 남형구 김승범 윤상후(2020b.11.19), 도로 살얼음 관측, 실
」
험 그리고 예측 , 도로살얼음 예측 및 대응 포럼, pp. 3-17.
․ ․ ․ ․ ․
김인수 배인철 이지영 장현익 김경석 김홍무(2016), 동절기 『 도로안전을
위한 노면관리 방안』, 한국도로공사 도로교통연구원.
도로교통공단(2021),『자동차 운전면허 학과시험 문제은행–1종대형․특수, 1․
2종 보통』.
도로교통공단 내부자료(2021),「교통사고통계정보(경찰DB 및 통합DB)(2012~2019
년)」.
삼성교통안전문화연구소 보도자료(2020.01.24),「겨울철 블랙아이스(빙판) 사고
특성과 대책」.
서울특별시(2019),「’19/’20년 겨울철 제설대책 추진계획」.
서홍관․민경무․장정호․이경주(2016),『개립도 아스팔트 포장에서의 결빙방지
방안 연구』, 한국도로공사.
신공항하이웨이 내부자료(각 연도),「기상 및 노면온도 데이터」.
신공항하이웨이(2016),「재난상황 관리현황」.
_____(2021),『도로분야 위기대응 현장조치 행동매뉴얼』.
신대구부산고속도로 내부자료(각 연도),「기상 및 노면온도 데이터」.
이광목(2020),『대기복사』, 시그마프레스.
임상훈 외 26인(2019), 『차량센서 기반 주행환경 관측․예측․안전운행 도로기
술 개발』, 한국건설기술연구원.
장승환 외(2020),『탄소나노튜브 도로 코팅제 기반 능동형 블랙아이스 탐지 및 제
거 시스템 개발』, 한양대학교 산학협력단(계속 사업).
천안논산고속도로 내부자료(각 연도),「기상 및 노면온도 데이터」.
한국교통안전공단 보도자료(2017.12.07),「빙판길 제동거리 최대 7.7배 증가」.
한국교통연구원 자문회의록(2021.02.01), 「교통사고 관련 교통사고조서 작성현
황 및 방식 검토」.
_____(2021.02.05),「교통사고자료(경찰DB)의 노면 상태별 교통사고 분류체계
논의」.
_____(2021.02.08),「살얼음형성 노면온도 추정방안 논의」. (부록 수록)
_____(2021.02.17),「노면온도 계측 방법론 논의」. (부록 수록)
_____(2021.02.23),「노면온도 계측 데이터 공유방안 논의」. (부록 수록)
_____(2021.03.02),「제설 대응현황 및 데이터 공유방안 논의」. (부록 수록)
참고문헌 149
「
_____(2021.03.03), 노면온도 추정 랜덤포레스트 모형 설계 방안 논의 . (부록 」
수록)
「」
_____(2021.04.01), 살얼음 진단 관련 연구개발 동향 논의 . (부록 수록)
_____(2021.04.06),「내비게이션 등 결빙취약구간 선정기준 검토 및 논의」. (부
록 수록)
「
_____(2021.06.23), 강수시 도로 제한속도 관리체계 검토 및 보완방향 . (부록 」
수록)
「
_____(2021.08.18), 동결방지포장 실용화 기술동향 논의 .」
_____(2021.09.02),「도로 살얼음 대응방안 논의」. (부록 수록)
_____(2021.10.05),「○○○○선 도로 살얼음 사고분석 결과 논의」. (부록 수
록)
「
한국도로공사(2021a), 도로살얼음 사고예방 종합대책 추진현황 . 」
『
_____(2021b), 한눈에 보는 7곱하기 9더하기 6R . 』
「
행정안전부 보도자료(2020.11.12), 겨울철 대설ㆍ한파 대비 범정부 총력대응 추진 . 」
[국외문헌]
Breiman, L., Friedman, J, Olshen, R. and Stone, C.(1984), Classification

and Regression Trees, Chapman & Hall/CRC.
Buchanan, F., and Gwartz, S. E.(2005), “Road Weather Information
Systems”, Presented at 2005 Annual Conference of the
Transportation Association of Canada, Calgary, Alberta.
Domencich, T. and McFadden, D.(1975), Urban Travel Demand,
American Elsevier Publishing Company.
Jin, P. J., Walker, A., Cebelak, M. and Walton, C. M.(2014), “Determining
Strategic Locations for Environmental Sensor Stations with
Weather-Related Crash Data”, In Transportation Research Record:
Journal of the Transportation Research Board, No. 2440,
Transportation Research Board of the National Academies,
Washington, D.C., pp. 34-42.
Linton, M. and Fu, L.(2016), “Connected Vehicle Solution for Winter
Road Surface Condition Monitoring”, Transportation Research
150
Record, 2551(1), pp. 62-72.

Kwon, T. J., Fu, L. and Jiang, C.(2014), “Road Weather Information
—
System Stations: Where and How Many to Install A Cost Benefit
Analysis Approach”, Presented at 93rd Annual Meeting of the
Transportation Research Board, Washington, D.C.
Minnesota Department of Transportation(2001), I-35W & Mississippi River
Bridge Anti-Icing Project.
Opitz, D. and Maclin, R.(1999), “Popular Ensemble Methods: An Empirical
Study”, Journal of Artificial Intelligence Research, 11, pp. 169-198.
Polikar, R.(2006), “Ensemble Based Systems in Decision Making”, IEEE
Circuits and Systems Magazine, Third Quarter, pp. 22-44.
Rokach, L.(2010), “Ensemble-based classifiers”, Artificial Intelligence
Review, pp. 1-39.
Sato, K. and Hori, H.(2008), “Development of anti-icing asphalt pavement
using rubber particles,” In Proceedings of the 11th New Challenges
for Winter Road Service, XIth International Winter Road Congress,
Sapporo, Japan.
UK DfT(2019), The Highway Code.
Wooldridge, J.(2013), Introductory Econometrics – A Modern Approach(5th
Edition).
Zheng, M., Wu, S., Wang, C., Li, Y., Ma Z. and Peng L.(2017), “A Study
on Evaluation and Application of Snowmelt Performance of
Anti-Icing Asphalt Pavement,” Applied Science, 7, 583.
窪宗昭, 內山徹 & 竹見直和(2015), 나가오카시 가와구치지구 동결억제포장의 시
공에 관한 제13회 북부도로포장회의(원출처).
[법령]
교통사고조사규칙(경찰청훈령 제818호, 2016.12.21).

교통사고처리 특례법(법률 제14277호, 2017.12.03).
․
국도유지 보수운영 등에 관한 규정(국토교통부훈령 제820호, 2017.03.27).
국토교통부와 그 소속기관 직제 시행규칙(국토교통부령 제864호, 2021.06.29).
참고문헌 151
도로교통법(법률 제17891호, 2021.07.13).

도로교통법 시행규칙(행정안전부령 제 164호, 2022.01.01).
도로법(법률 제16954호, 2021.02.05).
도로법 시행령(대통령령 제31380호, 2021.01.05).
․
도로의 유지 보수 등에 관한 규칙(국토교통부령 제483호, 2018.01.18).
서울특별시 재난 및 안전관리 기본조례(서울특별시조례 제7590호, 2020.05.19).
자연재해대책법(법률 제18205호, 2021.06.08).
재난 및 안전관리 기본법(법률 제17698호, 2021.06.23).
[웹사이트]
｢
경남신문(2020.01.06), 함안·함양서 '블랙 아이스(Black Ice)' 차량 사고 속출 , ｣
http://www.knnews.co.kr/news/articleView.php?idxno=1316538(20
21.02.01).
｢
경인일보(2017.11.22), 공포의 '블랙아이스' 서울양양고속도로 이천터널 13중 추돌사
고… 차량 정체 극심｣, http://www.kyeongin.com/main/view.php?key=20171
122010007199(2021.02.01).
｢｣
고속도로 공공데이터 포털, 일자별 제설작업 현황 , http://data.ex.co.kr/port
al/fdwn/view?type=ETC&num=T5&requestfrom=dataset#(2021.04.0
1).
｢｣
공공데이터포털, 행정안전부_상습 결빙구간 , https://www.data.go.kr/data/1
5067396/fileData.do(2021.04.01).
｢
국토교통부 철도산업정보센터, 터널 속을 182.3km, 다리 위를 109.2km 달린다
｣, https://www.kric.go.kr/(2021.04.01).
기상청 기상자료개방포털, https://data.kma.go.kr/(2021.02.01).
｢｣
_____, 방재기상관측(AWS) , https://data.kma.go.kr/(2021.04.01).
｢
노컷뉴스(2020.12.28), 영천서 블랙아이스 현상에 차량 18대 추돌사고 , https:/ ｣
/news.v.daum.net/v/20201228101514125(2021.02.01).
｢｣
다음백과, 인장강도 , https://100.daum.net/encyclopedia/view/b18a1248a
(2021.04.01).
｢ …
더팩트(2018.02.03), 강원 정선서 눈길 차량 14대 추돌 14명 부상 , https://n ｣
ews.tf.co.kr/read/life/1714065.htm(2021.02.01).
152
도로교통공단 안전운전 통합민원 홈페이지, 문제은행 , https://www.safedrivi ｢｣

ng.or.kr/main.do(2021.09.01).
｢
동아일보(2020.01.09), 겨울철 소리없는 암살자 ‘블랙아이스’, 취약지는? , http ｣
s://www.donga.com/news/Society/article/all/20200109/99157886/1
(2021.02.01).
｢
동양일보(2019.01.28), 도로위 ‘블랙 아이스’ 조심 영동 심천면 국도 4호서 교통사 …
｣
고 4건 발생 , http://www.dynews.co.kr/news/articleView.html?idxno
=441104(2021.02.01).
｢
매일신문(2019.01.14), 안개 속 3중 추돌 교통사고로 2명 사망, 3명 부상 , http: ｣
//news.imaeil.com/Society/2019011410460692904(2021.02.01).
｢｣
생활안전지도, 상습결빙구간 , http://www.safemap.go.kr/main/smap.do?fl
ag=2#majorCont03(2021.04.01).
｢
서울신문(2019.12.23), 서해안고속도로서 5중 연쇄 추돌사고 또 블랙아이스 , … ｣
https://www.seoul.co.kr/news/newsView.php?id=20191223500005&
wlog_tag3=naver(2021.02.01).
서울시 교통정보 시스템, https://topis.seoul.go.kr/(2021.04.01).
｢
서울일보(2019.12.08), 도로 위의 암살자, ‘블랙아이스’ 현상 , http://www.seo ｣
ulilbo.com/news/articleView.html?idxno=396785(2021.02.01).
｢｣
신공항하이웨이 홈페이지, 교통정보 , https://www.hiway21.com/traffic/inf
o.do(2021.02.01).
｢
신대구부산고속도로 홈페이지, 기상정보 , http://www.dbeway.co.kr/(2021.0 ｣
2.01).
｢
업다운뉴스(2017.11.24), 안산 고가도로 21중 추돌사고, 47명 부상 원인은?...블랙
｣
아이스 주의보 , http://www.updownnews.co.kr/news/articleView.htm
l?idxno=77447(2021.02.01).
｢
연합뉴스(2017.02.14), '도로 결빙' 차량 18대 연쇄 추돌사고 10명 경상 , http … ｣
s://www.yna.co.kr/view/AKR20170214085300061?input=1195m(202
1.02.01).
｢
_____(2019.11.29), '도로 위 암살자' 블랙아이스 7번 국도 출근길 차량 5대 ' …
｣
쾅쾅' , https://www.yna.co.kr/view/AKR20191129152800062?input=
1179m(2021.02.01).
｢
_____(2019.12.14), '뒤집히고 미끄러지고' 충북서도 '블랙아이스' 사고 22건 …
｣
발생(종합) , https://www.yna.co.kr/view/AKR20191214030251064?in
참고문헌 153
put=1195m(2021.02.01).
｢ …
_____(2013.12.21), 완주서 빙판길 43중 추돌사고 큰 피해 없어 , https://ww ｣
w.yna.co.kr/view/AKR20131221038000055?input=1179m(2021.02.0
1).
｢
이데일리(2020.10.22), 정은경, 독감으로 1년 3000명 사망 예방접종 꼭 필요 , … ｣
https://www.edaily.co.kr/news/read?newsId=02210726625935544&
mediaCodeNo=257(2021.10.01).
｢｣
인구주택총조사, 연도별 조사항목 , https://www.census.go.kr/dat/ysr/ysrIte
m.do?q_menu=6&q_sub=2(2021.04.01).
정보공개포털, https://www.open.go.kr/(2021.02.01).
｢ …
중앙일보, '강추위로 도로 꽁꽁' 광주·전남서 교통사고 잇따라 , https://news.j ｣
oins.com/article/23200329(2021.02.01).
｢ …
_____(2018.12.12), 겨울철 ‘블랙 아이스’의 저주 교통사고 치사율 2배 , http ｣
s://news.joins.com/article/23201150(2021.02.01).
｢
_____(2020.01.06), 또 '블랙아이스'에 당했다? 경남 합천에서 40여대 추돌 사
｣
고 , https://news.joins.com/article/23674848(2021.02.01).
｢
_____(2017.11.22), '블랙아이스'가 뭐길래···일산 14중, 가평 13중 추돌사고 , ｣
https://news.joins.com/article/22138456(2021.02.01).
｢
_____(2019.12.16), 주말 7명 목숨 앗아간 블랙 아이스, 제대로 된 경보가 없다
｣, https://news.joins.com/article/23657502(2021.02.01).
_____(2018.12.17), ｢3억원 수퍼카 맥라렌도 뒤집혔다···원인은 블랙 아이스｣, h
ttps://news.joins.com/article/23213588(2021.02.01).
｢ …
채널A(2019.12.04), 또 블랙아이스 10중 추돌사고로 2명 사망 , http://www. ｣
ichannela.com/news/main/news_detailPage.do?publishId=0000001
78244(2021.02.01).
천안논산고속도로 홈페이지, 교통정보시스템, http://www.cneway.co.kr/,
(2021.02.01).
｢
충청리뷰, '블랙아이스' 고양 제2자유로 추돌사고, 사상자는? , http://www.ccr ｣
eview.co.kr/news/articleView.html?idxno=229456(2021.02.01).
｢ …
충청신문(2018.01.08), 유성서 차량 12중 추돌 눈길에 미끄러져 , http://www. ｣
dailycc.net/news/articleView.html?idxno=405444(2021.02.01).
｢｣
카카오지도, 귤현3교 , https://map.kakao.com(2021.02.01).
｢｣
_____, 낙동대교 , https://map.kakao.com(2021.02.01).
154
｢｣
_____, 남천대교 , https://map.kakao.com(2021.02.01).
_____, ｢논산천교｣, https://map.kakao.com(2021.02.01).
_____, ｢밀양대교｣, https://map.kakao.com(2021.02.01).
_____, ｢방화대교｣, https://map.kakao.com(2021.02.01).
_____, ｢산호교｣, https://map.kakao.com/(2021.08.01).
_____, ｢신도시JC｣, https://map.kakao.com(2021.02.01).
_____, ｢영종대교｣, https://map.kakao.com(2021.02.01).
_____, ｢오미교차로｣, https://map.kakao.com(2021.08.01).
_____, ｢웅진대교｣, https://map.kakao.com(2021.02.01).
_____, ｢인천공항TG｣, https://map.kakao.com(2021.02.01).
_____, ｢차령터널｣, https://map.kakao.com(2021.02.01).
_____, ｢풍세교｣, https://map.kakao.com(2021.02.01).
한국농어촌방송(2020.07.22), ｢전북경찰청, 순천-완주 고속도로 사매2터널 교통사고
수사 결과｣, https://www.newskr.kr/news/articleView.html?idxno=4700
0(2021.02.01).
｢
한겨레(2018.02.25), 겨울철 연쇄추돌사고의 주범 ‘블랙 아이스’ , http://www. ｣
hani.co.kr/arti/science/science_general/833574.html(2021.02.01).
｢ …
_____(2015.01.23), 하룻밤 같은 곳에서 교통사고 4번 ‘블랙아이스’ 탓 , http: ｣
//www.hani.co.kr/arti/society/society_general/675021.html(2021.0
2.01).
Aone, “Snow Blower”, https://www.aone.uk.com/people/training/snow-b
lower/(2021.04.01).
｢
BBC NEWS 코리아(2019.12.23), 블랙아이스: 잇따른 도로 교통사고, 해결 방안
｣
은 없을까? , https://www.bbc.com/korean/news-50889866(2021.02.
01).
Daily Record, “Scotland's LIVE gritter tracker: Where is your local gritter
and when will it reach your area?”, https://www.dailyrecord.co.uk/
news/scottish-news/scotlands-live-gritter-tracker-your-11862568(2
021.04.01).
Donegan, B., “What Is Black Ice And Why Is It So Dangerous?”, The Weat
her Channel, https://weather.com/science/weather-explainers/new
s/black-ice-winter-weather-explainer(2021.04.01).
GOV.UK, “Highways Agency”, https://www.gov.uk/government/organisat
참고문헌 155
ions/highways-agency(2021.04.01).
_____, “Highways England”, https://www.gov.uk/government/organisatio
ns/highways-england(2021.04.01).
_____, “Highways England prepares for first cold snap”, https://www.go
v.uk/government/news/highways-england-prepares-for-first-cold-s
nap(2021.04.01).
_____, “Statutory guidance - Guidance on road classification and the pri
mary route network”, https://www.gov.uk/government/publications
/guidance-on-road-classification-and-the-primary-route-network/
guidance-on-road-classification-and-the-primary-route-network#c
hapter3(2021.04.01).
Holt Enterprise News, “Black ice a possibility tonight”, https://holtenterp
risenews.com/2021/02/15/black-ice-a-possibility-tonight/(2021.04.
01).
Iowa Data, “Track a Plow”, https://data.iowa.gov/Roads/Track-a-Plow/k
8ki-krve(2021.04.01).
ITS 국가교통정보센터, https://www.its.go.kr/(2021.04.01).
｢ …
KBS NEWS(2019.12.18), 겨울 도로 불청객 ‘블랙아이스’ 사고 속출 , https:// ｣
mn.kbs.co.kr/news/view.do?ncd=4345170(2021.02.01).
｢｣
_____(2020.01.06), 경북 청도군, 블랙아이스 사고 잇따라 , http://news.kbs.c
o.kr/news/view.do?ncd=4356674&ref=D(2021.02.01).
｢ … ｣
_____, ‘블랙아이스’에 미끌 겨울철 교통사고 주범 , http://d.kbs.co.kr/news
/view.do?ncd=4098232(2021.02.01).
｢
_____(2019.01.28), 살짝 언 도로..'블랙아이스'사고 70여 건 잇따라 , http:// ｣
mn.kbs.co.kr/news/view.do?ncd=4125725(2021.02.01).
KOSIS(국가통계포털), ｢운전면허소지자현황(성별)｣, https://kosis.kr/(2021.09.0
1).
｢
KOSIS(국가통계포털), 가구주의 성/연령/자동차 보유대수별 가구수(일반가구)-
｣
시도별 , https://kosis.kr/(2021.04.01).
National Weather Service, “Ice Storms”, https://www.weather.gov/safety/
winter-ice-frost(2021.01.04).
_____, “TRAVEL ALERT: Black Ice and Slick Road Conditions Being Rep
orted Across Parts of Southeast Wyoming This Morning”, https://w
156
ww.weather.gov/cys/BlackIce(2021.08.01).
｢
NEWS1(2016.12.08), 안개·빙판길 광주·전남서 다중 추돌사고 잇따라 1명 사 …
｣
망(종합) , https://www.news1.kr/articles/?2852189(2021.02.01).
Rodman, K., “Black ice: How to spot this winter driving danger”,
https://www.accuweather.com/en/weather-news/black-ice-how-to
-spot-this-winter-driving-danger-2/434138(2021.01.04).
｢
SBS 뉴스(2016.01.31), 사고 수습하던 구조대원 2명 덮친 차량 참변 , https:/ … ｣
/news.sbs.co.kr/news/endPage.do?news_id=N1003392312&plink=O
RI&cooper=DAUM(2021.02.01).
TAAS(교통사고분석시스템), ｢교통사고GIS｣, http://taas.koroad.or.kr/gis/mc
m/mcl/initMap.do?menuId=GIS_GMP_STS_RSN(2021.02.01).
｢｣
_____, 교통사고 발생건수 , http://taas.koroad.or.kr/sta/acs/exs/typical.d
_____, 「노면상태별 교통사고」, http://taas.koroad.or.kr/sta/acs/exs/typic
al.do?menuId=WEB_KMP_OVT_UAS_PDS(2021.04.05).
The Highway Code, https://www.highwaycodeuk.co.uk/(2021.04.01).
WMO, “Black Ice”, https://cloudatlas.wmo.int/en/glossary.html#B(2021.0
1.04).
｢
YTN(2018.12.17), 경부고속도로 화물차 전복...승용차 4대 연쇄 추돌 , https:// ｣
www.ytn.co.kr/_ln/0103_201812170417487386(2021.02.01).
｢
_____(2018.02.09), 파주 지하차도서 13중 추돌사고...4명 부상 , https://ww ｣
w.ytn.co.kr/_ln/0103_201802090006560222(2021.02.01).
157
부 록
부록 1. 기존 문헌에서 언급된 블랙아이스(Black Ice)의 정의
부록 2. 도로 살얼음 사고 관련 언론기사 목록
부록 3. 도로관리청별 제설업무 관련 법규
부록 4. 교통사고처리 특례법 상 12개 조항
부록 5. 교통사고 통계원표 양식
부록 6. 결빙 취약구간 평가기준표
부록 7. 도로 살얼음 관련 대국민 인식 설문조사 설문지
『
부록 8. 제2차 국가도로망종합계획(2021~2030)』 중 도로 살얼음 관
련 정책과제
부록 9. 본 과제 관련 자문회의 회의록
158
부록 1. 기존 문헌에서 언급된 블랙아이스(Black Ice)의 정의
국내외 문헌에서 언급된 블랙아이스의 정의는 <부표 1>에 정리되어 있다.
<부표 1> 국내외 문헌에서 언급된 블랙아이스의 정의
문헌 출처 블랙아이스 정의
“겨울철 도로에서 발생하는 블랙아이스는 단지 검은색의 아스팔트 포장

김인수 외(2016) 에만 발생하는 것이 아니라 콘크리트포장을 포함한 전체 포장표면에서
발생할 수 있는 결빙을 의미하는 것이 더 적절하다”
“식별하기 어렵고, 도로표면에 드문드문 형성되는 블랙아이스는 운전자

에게 치명적이다. 종종 투명한 얼음막 밑으로 검은색 노면이 비치기 때
문에 블랙아이스라고 부른다. 블랙아이스는 대부분 새벽에 형성되며, 녹
NWS1)(2021)
았던 눈이 밤사이 노면온도가 어는점 이하로 떨어지면서 다시 얼어붙어
생긴다. 비로 젖은 노면의 온도가 야간에 어는점 이하로 떨어지는 경우
에도 블랙아이스가 형성될 수 있다”
“검은색의 도로포장(아스팔트)에 반투명에 가까운 얇은 얼음막을 의미한

Rodman(2021)
다“
“어두운 색을 띠는 얇은 얼음막으로 이슬비가 섭씨 0도씨 미만인 도로표

2) 면에 들러붙어 형성되거나, 도로표면에 존재하는 물기가 도로표면의 온
WMO(2021)
도가 어는점 미만으로 내려감에 얼어붙는 현상이다, 또는 건물, 울타리,
식생 등에 의해 과냉각된 안개입자가 차단되면서 형성될 수 있다”
주: 1) National Weather Service(미기상청).
주: 2) World Meteorological Organization(세계기상기구).
『
자료: 1) 김인수 외(2016), 동절기 도로안전을 위한 노면관리 방안 , 한국도로공사 도로교통연구원, p. 3.』
2) National Weather Service, “Ice Storms”, https://www.weather.gov/safety/winter-ice-frost
(2021.01.04).
3) Rodman, K., “Black ice: How to spot this winter driving danger”, https://www.accuweather.com/(2021.
01.04).
4) WMO, “Black Ice”, https://cloudatlas.wmo.int/en/glossary.html#B(2021.01.04).
부 록 159
부록 2. 도로 살얼음 사고 관련 언론기사 목록
<부표 2> 도로 살얼음 사고 관련 언론기사 목록
사고일자 사고시각 사고위치 언론기사 목록

경북 녹전동 오미교차로 노컷뉴스(2020.12.28), 영천서 블랙아이스 현상
2020-12-28 06:53
부근(국도28호선) 에 차량 18대 추돌사고(2021.02.01)
한국농어촌방송(2020.07.22), 전북경찰청, 순천-완주
2020-02-17 12:20 남원 사매2터널(순천완주선)
고속도로 사매2터널 교통사고 수사 결과(2021.02.01)
동아일보(2020.01.09), 겨울철 소리없는 암살자
2020-01-06 06:45 경남 함지교차로(국도33호선)
‘블랙아이스’, 취약지는?(2021.02.01)
함안 입곡군립공원 경남신문(2020.01.06), 함안·함양서 '블랙 아이스
〃 07:33
삼거리(함마대로) (Black Ice)' 차량 사고 속출(2021.02.01)
KBS NEWS(2020.01.06), 경북 청도군, 블랙아이
〃 08:10 경북 청도군 각남면 교차로
스 사고 잇따라(2021.02.01)
KBS NEWS(2020.01.06), 경북 청도군, 블랙아이
〃 08:40 경북 청도군 화양읍 교차로
스 사고 잇따라(2021.02.01)
동아일보(2020.01.09), 겨울철 소리없는 암살자
2019-12-23 07:45 경기 고양시 일산동구
‘블랙아이스’, 취약지는?(2021.02.01)
중앙일보(2020.01.06), 또 '블랙아이스'에 당했
〃 08:32 전남 순천시 송광면
다? 경남 합천에서 40여대 추돌 사고(2021.02.01)
광천졸음쉼터 인근 서울신문(2019.12.23), 서해안고속도로서 5중 연
〃 05:00
(서해안선 상행) …
쇄 추돌사고 또 블랙아이스(2021.02.01)
경기 고양시 신평나들목 충청리뷰, '블랙아이스' 고양 제2자유로 추돌사
2019-12-22 08:30
부근(제2자유로) 고, 사상자는?(2021.02.01)
BBC NEWS 코리아(2019.12.23), 블랙 아이스: 잇따
2019-12-14 04:38 산호교(상주영천선)
른 도로 교통사고, 해결 방안은 없을까?(2021.02.01)
달산1교 2km 떨어진 곳 동아일보(2020.01.09), 겨울철 소리없는 암살자
〃 04:43
(상주영천선) ‘블랙아이스’, 취약지는?(2021.02.01)
〃 05:28
충북 영동군 심천면 …
연합뉴스(2019.12.14), '뒤집히고 미끄러지고' 충북
(국도4호선) 서도 '블랙아이스' 사고 22건 발생(종합)(2021.02.01)
KBS NEWS(2019.12.18), 겨울 도로 불청객 ‘블랙
〃 07:00 경남 거창군
…
아이스’ 사고 속출(2021.02.01)
KBS NEWS(2019.12.18), 겨울 도로 불청객 ‘블랙
〃 08:00 충북 음성군 생극면
…
아이스’ 사고 속출(2021.02.01)
〃 08:52 충북 영동군 봉현리

…
서도 '블랙아이스' 사고 22건 발생(종합)(2021.02.01)
〃 09:00 세종 부강면 문곡리

…
서도 '블랙아이스' 사고 22건 발생(종합)(2021.02.01)
2019-12-04 08:30
경기 화성시 장안대교 …
채널A(2019.12.04), 또 블랙아이스 10중 추돌사
(지방도313호선) 고로 2명 사망(2021.02.01)
강원 고성군 거진~간성 방면 연합뉴스(2019.11.29), '도로 위 암살자' 블랙아이
2019-11-29 06:15
(국도7호선) …
스 7번 국도 출근길 차량 5대 '쾅쾅'(2021.02.01)
160

BBC NEWS 코리아(2019.12.23), 블랙 아이스: 잇따
2019-11-15 07:45 동양평IC(광주원주선)
른 도로 교통사고, 해결 방안은 없을까?(2021.02.01)
서울일보(2019.12.08), 도로 위의 암살자, ‘블랙아
〃 09:00 강원 횡성군(국도6호선)
이스’ 현상(2021.02.01)
2019-01-28 07:30
충북 고당리 옥계폭포 …
동양일보(2019.01.28), 도로위 ‘블랙 아이스’ 조심 영
삼거리(국도4호선) 동 심천면 국도 4호서 교통사고 4건 발생(2021.02.01)
〃 07:56
충북 약목리 …
과적검문소(국도4호선) 동 심천면 국도 4호서 교통사고 4건 발생(2021.02.01)
〃 07:59
충북 약목리 과적검문소 …
반대편(국도4호선) 동 심천면 국도 4호서 교통사고 4건 발생(2021.02.01)
〃 08:20
충북 고당리 주유소 앞 …
도로(국도4호선) 동 심천면 국도 4호서 교통사고 4건 발생(2021.02.01)
KBS NEWS(2019.01.28), 살짝 언 도로..'블랙아이
〃 08:30 대전 안산동
스'사고 70여 건 잇따라(2021.02.01)
KBS NEWS(2019.01.28), 살짝 언 도로..'블랙아이
〃 08:30 대전 신성동
스'사고 70여 건 잇따라(2021.02.01)
김천 개령면 서부교차로 매일신문(2019.01.14), 안개 속 3중 추돌 교통사
2019-01-14 06:03
부근(국대도3호선) 고로 2명 사망, 3명 부상(2021.02.01)
2018-01-17 오전 충남 홍성
…
KBS NEWS, ‘블랙아이스’에 미끌 겨울철 교통사
고 주범(2021.02.01)
〃〃 충남 홍성
…
고 주범(2021.02.01)
〃〃 경남 창원
…
고 주범(2021.02.01)
〃〃 경남 창원 고가도로
…
고 주범(2021.02.01)
YTN(2018.12.17), 경부고속도로 화물차 전복...
2018-12-17 02:20 안성나들목 인근(경부선 상행)
승용차 4대 연쇄 추돌(2021.02.01)
청주 죽암휴게소 인근 중앙일보(2018.12.17), 3억원 수퍼카 맥라렌도 뒤
2018-12-16 21:50
(경부선 하행) 집혔다···원인은 블랙 아이스(2021.02.01)
2018-12-11 07:26
화순 화순읍 너릿재 터널 …
중앙일보, '강추위로 도로 꽁꽁' 광주·전남서 교
인근(화순방면) 통사고 잇따라(2021.02.01)
전남 장흥군 장동면 장동2터널 중앙일보(2018.12.12), 겨울철 ‘블랙 아이스’의 저
〃 07:30
인근(남해선) …
주 교통사고 치사율 2배(2021.02.01)
경기 파주시 YTN(2018.02.09), 파주 지하차도서 13중 추돌사
2018-02-08 22:00
한빛지하차도(파주방향) 고...4명 부상(2021.02.01)
강원 정선군 남면 더팩트(2018.02.03), 강원 정선서 눈길 차량 14대

2018-02-03 09:16
민둥산사거리(국도38호선) …
추돌 14명 부상(2021.02.01)
2018-01-08 09:30
대전 유성구 충청신문(2018.01.08), 유성서 차량 12중 추돌 …
화암사거리(전민동 방향) 눈길에 미끄러져(2021.02.01)
부 록 161

업다운뉴스(2017.11.24), 안산 고가도로 21중 추돌사고,
2017-11-24 05:45 선부고가도로(경기 안산시)
47명 부상 원인은?...블랙아이스 주의보(2021.02.01)
경인일보(2017.11.22), 공포의 '블랙아이스' 서울

2017-11-22 08:15
경기 설악면 이천터널
부근(서울양양선 상행)
양양고속도로 이천터널 13중 추돌사고 차량 정 …
체 극심(2021.02.01)
중앙일보(2017.11.22), '블랙아이스'가 뭐길래···

2017-11-21 08:06 고양 일산대교(일산방향)
일산 14중, 가평 13중 추돌사고(2021.02.01)
안성 고삼면 가유리 연합뉴스(2017.02.14), '도로 결빙' 차량 18대 연
2017-02-14 09:00
(국도23번, 안성방향) …
쇄 추돌사고 10명 경상(2021.02.01)
광주 어등산터널 NEWS1(2016.12.08), 안개·빙판길 광주·전남서 다
2016-12-08 06:10
(무안광주선, 무안방향) …
중 추돌사고 잇따라 1명 사망(종합)(2021.02.01)
전남 나주시 금천면 NEWS1(2016.12.08), 안개·빙판길 광주·전남서 다
2016-12-08 08:14
나주대교(광주방면) …
중 추돌사고 잇따라 1명 사망(종합)(2021.02.01)
SBS 뉴스(2016.01.31), 사고 수습하던 구조대원 2
2016-01-31 07:00 부산 을숙도대교
…
명 덮친 차량 참변, (2021.02.01)
한겨레(2018.02.25), 겨울철 연쇄추돌사고의 주
2016-01-03 08:00 광천나들목(서해안선)
범 ‘블랙 아이스’(2021.02.01)
당산철교 밑 노들길 한겨레(2015.01.23), 하룻밤 같은 곳에서 교통사
2015-01-23 02:04
(서울 당산동) …
고 4번 ‘블랙아이스’ 탓(2021.02.01)
당산철교 밑 노들길 한겨레(2015.01.23), 하룻밤 같은 곳에서 교통사
〃 02:43
…
사고지점에서 100m 떨어진곳 고 4번 ‘블랙아이스’ 탓(2021.02.01)
한겨레(2015.01.23), 하룻밤 같은 곳에서 교통사
〃 04:31 〃
…
고 4번 ‘블랙아이스’ 탓(2021.02.01)
한겨레(2015.01.23), 하룻밤 같은 곳에서 교통사
〃 05:08 〃
…
고 4번 ‘블랙아이스’ 탓(2021.02.01)
연합뉴스(2013.12.21), 완주서 빙판길 43중 추돌
2013-12-21 07:53 회포대교(전북 완주군 용진면)
…
사고 큰 피해 없어(2021.02.01)
2012-12-21 08:00 군산(국도27호선)
범 ‘블랙 아이스’(2021.02.01)
2012-12-14 08:00 김포시 고가도로
범 ‘블랙 아이스’(2021.02.01)
2009-01-08 07:00 중부내륙선
범 ‘블랙 아이스’(2021.02.01)
2008-12-08 06:30 청원상주선
범 ‘블랙 아이스’(2021.02.01)
주: 언론기사 목록의 접속링크는 참고문헌 참조.
162
부록 3. 도로관리청별 제설업무 관련 법규
<글상자 부-1> 자연재해대책법
자연재해대책법
[시행 2021. 6. 8] [법률 제18205호, 2021. 6. 8, 일부개정]
제26조(설해의 예방 및 경감 대책) ① 재난관리책임기관의 장은 설해 발생에 대비하여 설해 예방대

책에 관한 조사 및 연구를 하여야 하며, 설해로 인한 재해를 줄이기 위한 대책을 마련하여야 한다.
② 재난관리책임기관의 장은 다음 각 호의 설해 예방 및 경감 조치를 하여야 한다. <개정 2014.
5. 14.>
1. 설해 예방조직의 정비
2. 도로별 제설 및 지역별 교통대책 마련
3. 설해 대비용 물자와 자재의 비축ᆞ관리 및 장비의 확보
4. 고립ᆞ눈사태ᆞ교통두절 예상지구 등 취약지구의 지정ᆞ관리
5. 산악지역 등산로의 통제구역 지정ᆞ관리
6. 설해대책 교육ᆞ훈련 및 대국민 홍보
7. 농수산시설의 설해 경감대책 마련
8. 친환경적 제설대책 마련
9. 그 밖에 설해 예방 및 경감을 위하여 필요한 조치
③ 재난관리책임기관의 장은 제2항의 설해 예방 및 경감 조치를 위하여 필요하면 다른 재난관리책
임기관의 장에게 협조를 요청할 수 있다. 이 경우 협조 요청을 받은 재난관리책임기관의 장은 특
별한 사유가 없으면 요청에 따라야 한다.
④ 행정안전부장관은 환경피해를 최소화하기 위한 친환경적 제설방안의 시행을 재난관리책임기
관의 장에게 권고할 수 있다. <신설 2014. 5. 14., 2014. 11. 19., 2017. 7. 26.>
[전문개정 2011. 3. 7.]
제26조의3(상습설해지역 해소를 위한 중장기대책) ① 제26조의2제1항에 따른 상습설해지역에 대

하여 시장ᆞ군수ᆞ구청장 또는 그 지역 공공시설물을 관할하는 관계 기관의 장은 설해저감시설
의 설치 등 설해의 예방 및 경감을 위한 중장기대책을 수립ᆞ시행하여야 한다.
② 제1항에 따른 중장기대책의 수립 절차, 중장기대책에 포함되어야 할 사항 및 그 밖에 중장기대
책 수립을 위하여 필요한 사항은 대통령령으로 정한다.
③ 제1항에 따른 상습설해지역 내 공공시설물의 관리주체가 중장기대책을 수립할 때에는 관할 시
장ᆞ군수ᆞ구청장과 협의하여야 한다. 이 경우 해당 시장ᆞ군수ᆞ구청장은 그 보완을 요구할 수
있고, 요구를 받은 관리주체는 특별한 사유가 없으면 요구에 따라야 한다.
④ 시장ᆞ군수ᆞ구청장은 필요하면 제1항에 따른 중장기대책의 수립 및 시행 실태를 점검할 수
있다.
[전문개정 2011. 3. 7.]
자료: 자연재해대책법(법률 제18205호, 2021.06.08)의 제26조 및 제26조의3 인용.

부 록 163
<글상자 부-2> 도로법

도로법
[시행 2021. 2. 5] [법률 제16954호, 2020. 2. 4, 타법개정]
제31조(도로공사와 도로의 유지ᆞ관리 등) ① 도로공사와 도로의 유지ᆞ관리는 이 법이나 다른 법

률에 특별한 규정이 있는 경우를 제외하고는 해당 도로의 도로관리청이 수행한다.
② 제1항에도 불구하고 국토교통부장관은 일반국도의 일부 구간에 대한 도로공사와 도로의 유지
ᆞ관리에 관한 업무를 대통령령으로 정하는 바에 따라 도지사 또는 특별자치도지사가 수행하도록
할 수 있다. 이 경우 국토교통부장관은 미리 도지사 또는 특별자치도지사와 협의하여야 한다.
③ 국가지원지방도에 대한 도로공사에 필요한 조사ᆞ설계는 국토교통부장관이 실시한다. 다만, 특
별시 또는 광역시 안의 국가지원지방도 구간에 대한 조사ᆞ설계는 특별시장 또는 광역시장이 실
시하되, 국가지원지방도의 설계에 관하여는 국토교통부장관의 승인을 받아야 한다.
④ 국가지원지방도의 도로관리청은 제6조제1항 단서에 따라 국토교통부장관이 수립한 건설ᆞ관
리계획과 제3항에 따른 조사ᆞ설계에 따라 국가지원지방도의 도로공사를 시행하여야 한다.
⑤ 제4항에도 불구하고 국가지원지방도의 도로관리청이 스스로 국가지원지방도의 건설비용을 부
담하는 경우에는 국토교통부장관이 수립한 도로건설ᆞ관리계획에 따르지 아니하고 도로공사를
할 수 있다.
자료: 도로법(법률 제16954호, 2021.02.05)의 제31조 인용.
․
<글상자 부-3> 도로의 유지 보수 등에 관한 규칙
도로의 유지ᆞ보수 등에 관한 규칙
[시행 2018. 1. 18] [국토교통부령 제483호, 2018. 1. 18, 타법개정]
제9조(재해대책) ①관리청은 풍수해ᆞ설해 기타 재해발생시 피해를 최소화하고 신속한 교통소통을

도모하기 위하여 도로에 대한 재해대책을 수립하여야 한다.
②제1항의 규정에 의한 재해대책에는 다음 각호의 사항이 포함되어야 한다.
1. 재해에 대비한 비상근무체계
2. 재해취약지구의 지정 및 관리대책
3. 응급복구 및 교통대책
4. 소요되는 장비 및 자재의 동원대책
5. 기타 재해대책에 관하여 필요한 사항
․
자료: 도로의 유지 보수 등에 관한 규칙(국토교통부령 제483호, 2018.01.18)의 제9조 인용.
164
<글상자 부-4> 국도유지 보수운영에 관한 규정․

국도유지·보수운영에 관한 규정
[시행 2017. 3. 27] [국토교통부훈령 제820호, 2017. 3. 27., 일부개정.]
제7조(유지·보수) 기관장은 포장도로 보수, 교량 보수, 도로표지 설치, 차량의 운행제한 단속, 도로
제설 등 국도의 유지·보수를 하고자 할 때에는 다음 각 호의 기준 또는 지침에 따라야 한다.
1. 도로표지제작·설치 및 관리지침
2. 도로안전시설 설치 및 관리지침
3. 시설물의 안전점검 및 정밀안전진단 지침
4. 공사시방서 및 기술지도서
5. 도로 공사장 교통관리지침
6. 차량의 운행제한 규정
7. 도로제설업무 수행요령
8. 기타 관련 지침 및 지시사항
․
자료: 국도유지 보수운영에 관한 규정(국토교통부훈령 제820호, 2017.03.27)의 제7조 인용.
<글상자 부-5> 재난 및 안전관리 기본법

재난 및 안전관리 기본법 ( 약칭: 재난안전법 )
[시행 2021. 6. 23] [법률 제17698호, 2020. 12. 22, 일부개정]
제16조(지역재난안전대책본부) ① 해당 관할 구역에서 재난의 수습 등에 관한 사항을 총괄ᆞ조정하

고 필요한 조치를 하기 위하여 시ᆞ도지사는 시ᆞ도재난안전대책본부(이하 “시ᆞ도대책본부”
라 한다)를 두고, 시장ᆞ군수ᆞ구청장은 시ᆞ군ᆞ구재난안전대책본부(이하 “시ᆞ군ᆞ구대책본
부”라 한다)를 둔다. <개정 2013. 8. 6., 2014. 12. 30.>
② 시ᆞ도대책본부 또는 시ᆞ군ᆞ구대책본부(이하 “지역대책본부”라 한다)의 본부장(이하 “지
역대책본부장”이라 한다)은 시ᆞ도지사 또는 시장ᆞ군수ᆞ구청장이 되며, 지역대책본부장은 지
역대책본부의 업무를 총괄하고 필요하다고 인정하면 대통령령으로 정하는 바에 따라 지역재난안
전대책본부회의를 소집할 수 있다. <개정 2013. 8. 6., 2014. 12. 30.>
③ 시ᆞ군ᆞ구대책본부의 장은 재난현장의 총괄ᆞ조정 및 지원을 위하여 재난현장 통합지원본부
(이하 “통합지원본부”라 한다)를 설치ᆞ운영할 수 있다. 이 경우 통합지원본부의 장은 긴급구
조에 대해서는 제52조에 따른 시ᆞ군ᆞ구긴급구조통제단장의 현장지휘에 협력하여야 한다. <신
설 2013. 8. 6., 2014. 12. 30.>
④ 통합지원본부의 장은 관할 시ᆞ군ᆞ구의 부단체장이 되며, 실무반을 편성하여 운영할 수 있다.
<개정 2014. 12. 30.>
⑤ 지역대책본부 및 통합지원본부의 구성과 운영에 필요한 사항은 해당 지방자치단체의 조례로
정한다. <개정 2013. 8. 6., 2014. 12. 30.>
[전문개정 2010. 6. 8.]
자료: 재난 및 안전관리 기본법(법률 제17698호, 2021.06.23)의 제16조 인용.

부 록 165
<글상자 부-6> 서울특별시 재난 및 안전관리 기본 조례
서울특별시 재난 및 안전관리 기본 조례
[시행 2020. 5. 19] [서울특별시조례 제7590호, 2020. 5. 19., 일부개정]
제13조(서울특별시재난안전대책본부의 설치) 시장은 법 제16조에 따라 수습 등에 관한 사항을 총

괄·조정하고 필요한 조치를 하기 위하여 시장 소속하에 대책본부를 둔다.
[전문개정 2015. 5. 14.]
제14조(대책본부의 구성ᆞ운영) ① 본부장은 시장이되고, 본부장은 대책본부의 업무를 총괄한다.

② 대책본부에는 다음 각 호와 같이 차장, 지원협력관, 통제관, 담당관 및 실무반을 둔다.
1. 차장은 재난의 종류에 따라 그 수습을 주무하는 실·본부·국의 소관 행정부시장이 되며, 본부
장을 보좌한다.
2. 지원협력관은 기획조정실장이 되며 대책본부의 행정지원과 대외협력 업무를 총괄한다.
3. 통제관은 재난의 종류에 따라 그 재난의 수습을 주무하는 실·본부·국의 장이 되며 본부장을
보좌하면서 업무전반을 통제한다.
4. 담당관은 재난의 수습을 주무하는 부서의 장이 되며, 통제관을 보좌하고 해당 재난의 대책본부
상황총괄반장이 된다.
5. 실무반은 재난의 수습을 주무하는 부서의 소속 공무원과 재난관리책임기관·기업체 및 민간단
체 등으로부터 파견된 자로 구성하며, 재난의 예방·대비·대응·복구를 위한 업무를 수행한
다.
③ 그 밖에 재난의 종류에 따라 해당 재난의 수습을 주무하는 부서의 지정에 관한 사항, 실무반의
편성 및 임무는 규칙으로 정한다.
④ 대책본부는 재난발생이 예상되거나 재난이 발생했을 때에는 본부장의 지시에 따라 설치하여
운영한다.
[전문개정 2015. 5. 14.]
자료: 서울특별시 재난 및 안전관리 기본조례(서울특별지조례 제7590호, 2020.05.19)의 제13조 및 제14조 인용.

166
부록 4. 교통사고처리 특례법 상 12개 조항
<글상자 부-7> 교통사고처리 처벌의 특례
교통사고처리 특례법 ( 약칭: 교통사고처리법 )

[시행 2017. 12. 3] [법률 제14277호, 2016. 12. 2, 일부개정]
제3조(처벌의 특례) ② 차의 교통으로 제1항의 죄 중 업무상과실치상죄(業務上過失致傷罪) 또는 중

과실치상죄(重過失致傷罪)와 「도로교통법」 제151조의 죄를 범한 운전자에 대하여는 피해자의
명시적인 의사에 반하여 공소(公訴)를 제기할 수 없다. 다만, 차의 운전자가 제1항의 죄 중 업무상
과실치상죄 또는 중과실치상죄를 범하고도 피해자를 구호(救護)하는 등 「도로교통법」 제54조
제1항에 따른 조치를 하지 아니하고 도주하거나 피해자를 사고 장소로부터 옮겨 유기(遺棄)하고
도주한 경우, 같은 죄를 범하고 「도로교통법」 제44조제2항을 위반하여 음주측정 요구에 따르
지 아니한 경우(운전자가 채혈 측정을 요청하거나 동의한 경우는 제외한다)와 다음 각 호의 어느
하나에 해당하는 행위로 인하여 같은 죄를 범한 경우에는 그러하지 아니하다. <개정 2016. 1. 27.,
2016. 12. 2.>
1. 「도로교통법」 제5조에 따른 신호기가 표시하는 신호 또는 교통정리를 하는 경찰공무원등의
신호를 위반하거나 통행금지 또는 일시정지를 내용으로 하는 안전표지가 표시하는 지시를 위
반하여 운전한 경우
2. 「도로교통법」 제13조제3항을 위반하여 중앙선을 침범하거나 같은 법 제62조를 위반하여 횡
단, 유턴 또는 후진한 경우
3. 「도로교통법」 제17조제1항 또는 제2항에 따른 제한속도를 시속 20킬로미터 초과하여 운전한
경우
4. 「도로교통법」 제21조제1항, 제22조, 제23조에 따른 앞지르기의 방법ᆞ금지시기ᆞ금지장소
또는 끼어들기의 금지를 위반하거나 같은 법 제60조제2항에 따른 고속도로에서의 앞지르기 방
법을 위반하여 운전한 경우
5. 「도로교통법」 제24조에 따른 철길건널목 통과방법을 위반하여 운전한 경우
6. 「도로교통법」 제27조제1항에 따른 횡단보도에서의 보행자 보호의무를 위반하여 운전한 경우
7. 「도로교통법」 제43조, 「건설기계관리법」 제26조 또는 「도로교통법」 제96조를 위반하여
운전면허 또는 건설기계조종사면허를 받지 아니하거나 국제운전면허증을 소지하지 아니하고
운전한 경우. 이 경우 운전면허 또는 건설기계조종사면허의 효력이 정지 중이거나 운전의 금지
중인 때에는 운전면허 또는 건설기계조종사면허를 받지 아니하거나 국제운전면허증을 소지하
지 아니한 것으로 본다.
8. 「도로교통법」 제44조제1항을 위반하여 술에 취한 상태에서 운전을 하거나 같은 법 제45조를
위반하여 약물의 영향으로 정상적으로 운전하지 못할 우려가 있는 상태에서 운전한 경우
9. 「도로교통법」 제13조제1항을 위반하여 보도(步道)가 설치된 도로의 보도를 침범하거나 같은
법 제13조제2항에 따른 보도 횡단방법을 위반하여 운전한 경우
10. 「도로교통법」 제39조제3항에 따른 승객의 추락 방지의무를 위반하여 운전한 경우
11. 「도로교통법」 제12조제3항에 따른 어린이 보호구역에서 같은 조 제1항에 따른 조치를 준수
하고 어린이의 안전에 유의하면서 운전하여야 할 의무를 위반하여 어린이의 신체를 상해(傷
害)에 이르게 한 경우
12. 「도로교통법」 제39조제4항을 위반하여 자동차의 화물이 떨어지지 아니하도록 필요한 조치
를 하지 아니하고 운전한 경우
[전문개정 2011. 4. 12.]
자료: 교통사고처리 특례법(법률 제14277호, 2017.12.03)의 제3조 인용.

부 록 167
부록 5. 교통사고 통계원표 양식
자료: 교통사고조사규칙(경찰청훈령 제818호, 2016.12.21)의 [별표 3] 인용.
<부그림 1> 교통사고 통계원표 양식(1)

168

부 록 169

170

부 록 171

172
부록 6. 결빙 취약구간 평가기준표
□ 고속국도
분야 항목 세부 배점
도로시설 복합도로시설 교량 터널 비탈면 기타
12 12 10 8 6 5
주변여건 상습안개 저수지, 댐 하천 해안 기타
도로 7 7 6 5 4 3
시설 응달지역 상시응달 오전응달 오후응달 없음 -
특성 10 10 8 6 4 -
(41점)
제한속도(km/h) 110 100 90 80 70이하
7 7 6 5 4 3
관리청 접근성 60분 이상 ∼
30 60분 30분 이내 - -
5 5 4 3 - -
종단경사 5% 초과 ∼
3 5% ∼
1 3% 1% 미만 -
12 12 10 8 6 -
기하 곡선반경 460m 미만 700m 미만 1000m 미만 1,000m 이상 -
구조 8 8 7 6 5 -
특성 길어께폭 1m 이하 ∼
1 2m ∼
2 3m 3m 이상 -
(26점)
3 3 2 1 0 -
배수/물고임 상습물고임 배수불량 배수양호 - -
3 3 2 1 - -
기후
강수일수(10년) 12일 초과 ∼
7 12일 ∼
3 7일 3일 미만 -
3 3 2 1 0 -
℃ 미만 ∼ ℃ ∼℃ ℃ 초과
특성
(6점) 최저기온(10년) -6 -6 -3 -3 0 0 -
3 3 2 1 0 -
교통정체 상습정체 일부정체 정체 無 - -
교통 2 2 1 0 - -
운영 결빙사고이력 5건 이상 ∼
3 4건 ∼
1 2건 없음 -
특성 15 15 12 10 8 -
(27)
관리자 체감위험 대 중 소 - -
10 10 7 5 - -
『』
자료: 국토교통부(2020b), 도로제설업무 수행요령 , p. 156의 <표> 인용.
부 록 173
□ 일반국도
분야 항목 세부 배점
도로시설 복합도로시설 교량 터널 비탈면 기타

12 12 10 8 6 5
주변여건 상습안개 저수지, 댐 하천 해안 기타
7 7 6 5 4 3
도로
시설 응달지역 상시응달 오전응달 오후응달 없음 -
특성 10 10 8 6 4 -
(41점)
제한속도(km/h) 90 80 70 60 50이하
7 7 6 5 4 3
관리청 접근성 60분 이상 ∼
30 60분 30분 이내 - -
5 5 4 3 - -
종단경사 5% 초과 3~5% 1~3% 1% 미만 -
12 12 10 8 6 -
곡선반경 140m 미만 200m 미만 280m 미만 380m 미만 460m 이상
기하
구조 8 8 7 6 5 4
특성 길어께폭 1m 이하 ∼
1 1.5m ∼
1.5 2m 2m 이상 -
(26점)
3 3 2 1 0 -
배수/물고임 상습물고임 배수불량 배수양호 - -
3 3 2 1 - -
강수일수(10년) 12일 초과 ∼
7 12일 ∼
3 7일 3일 미만 -
기후
3 3 2 1 0 -
특성
(6점) 최저기온(10년) ℃ 미만
-6 ∼ ℃
-6 -3 ∼℃
-3 0 ℃ 초과
0 -
3 3 2 1 0 -
교통정체 상습정체 일부정체 정체 無 - -
2 2 1 0 - -
교통
운영 결빙사고이력 5건 이상 ∼
3 4건 ∼
1 2건 없음 -
특성 15 15 12 10 8 -
(27)
관리자 체감위험 대 중 소 - -
10 10 7 5 - -
『』
자료: 국토교통부(2020b), 도로제설업무 수행요령 , p. 157의 <표> 인용.
174
부록 7. 도로 살얼음 관련 대국민 인식 설문조사 설문지

부 록 175
176
부 록 177
178
부 록 179
180
부록 8. 『제2차 국가도로망종합계획(2021~2030)』 중 도로 살얼
음 관련 정책과제
[도로 살얼음 취약구간 과학적 평가 및

[제2차 국가도로망종합계획(’21.9.28 고시)]
사고예방 시스템 고도화]
『』
자료: 국토교통부(2021), 제2차 국가도로망종합계획(2021~2030) , p. 85의 내용 인용.
<부표 3> 제2차 국가도로망종합계획 중 도로 살얼음 관련 정책과제

부 록 181
부록 9. 본 과제 관련 자문회의 회의록
1. 교통사고 관련 교통사고조서 작성현황 및 방식 검토(’21.02.01)
회 의 록
과 제 명 AI․빅데이터 기반 도로 살얼음(블랙아이스) 진단 및 대응 방안
회 의 명 자문회의
개최일시·
장소 일시 2021.2.1.(월) 장소 서면자문회의
참석인원 부산경찰청 ○○○, 본원 박경욱 부연구위원, 조범철 연구위원
회의목적 교통사고 관련 교통사고조서 작성현황 및 방식 검토
[회의내용]
❑ 현행 교통사고조서 상의 살얼음 관련 키워드 포함 여부
◦ 언론기사에서 도로 살얼음 사고로 보도되었던 사건에 대한 정보공개청구

결과, 현재 재판 중인 사안이 많아 교통사고조서 내용을 직접 확인하는
일은 시간이 필요
→ 재판 종료 후, 정보공개청구를 통해서만 확인 가능
◦ 도로 살얼음 사고로 의심되는 사고가 발생하여 경찰관이 출동 후, 사고조사

를 하는 경우에도 도로 살얼음을 사고원인으로 지목하는 일은 쉽지 않음
→ 살얼음은 육안으로 식별이 어렵고, 사고 발생 후에는 소멸되는 경우가

많기 때문
회의내용
◦ 따라서, 기존에 작성되었던 교통사고조서를 입수하여 살펴본다고 하더라
도 사고개요 본문 중에 살얼음, 블랙아이스 등의 키워드가 포함되어 있
을 가능성은 낮음
❑ 기존 도로 살얼음 (의심)사고에 대한 처리 사례
◦ 순천완주선에서 ’20년 2월 17일에 발생한 도로 살얼음 사고는 현재 수

사가 종결되어 재판 중
◦ 순천완주선 사고가 수사대상이 되었던 이유는 살얼음 때문이 아니라, 당

시 사고원인이 교통사고처리특례법(제3조 및 제4조) 상 중대과실에 해당
하는 과속 때문인 것으로 처리되었기 때문
◦ 교통사고처리특례법 상 중대과실(11가지)에 해당하는 경우에는 종합보험

182
에 가입되어 있다고 하더라도 처벌을 피할 수 없음
◦ 순천완주선 사고는 현재 사건조사 종결 후, 관련내용은 전주지방경찰청

남원지청으로 사건송치된 상태에서 재판이 진행 중 → 재판 중 사안으로
정보 공개 불가
❑ 도로 살얼음 (의심)사고에 사고처리 방안
◦ 도로 살얼음으로 인해 사고가 발생하더라도 운전자의 과실이 중대과실이

아닌 경우에는 수사대상이 되지 않음
◦ 수사대상이 되지 않은 사고에 대해서는 면밀한 조사가 이루어지지 않음
◦ 수사대상이 되는 사고라고 할지라도 운전자의 과실에만 주안점을 두고

이루어지는 현행 수사체계 상 도로 살얼음에 대한 자료를 축적하기는 어
려움
◦ 도로 살얼음 사고로 의심되는 사고에 대해서는 현장에 출동한 경찰관이

현장 사진이나 목격자 진술 등을 필수적으로 기록하도록 하고, 추가조사
를 통해 살얼음과 관련된 정황 자료를 확보하는 방안이 필요
2. 교통사고자료의 노면 상태별 교통사고 분류체계 논의(’21.02.05)
회 의 록
개최일시·
장소 일시 2021.2.5.(금) 장소 서면자문회의
참석인원 도로교통공단 ○○○, 본원 박경욱 부연구위원, 조범철 연구위원
회의목적 교통사고자료(경찰DB)의 노면 상태별 교통사고 분류체계 논의
[회의내용]
❑ 도로교통공단에서 제공 중인 노면상태별 교통사고(경찰DB)에서의 노면상태 구분
◦ ‘건조’, ‘젖음/습기’, ‘서리/결빙’, ‘적설’, ‘침수’, ‘해빙’, ‘기타’와 같이 총

회의내용
7가지
◦ 교통사고 현장조사에서 노면상태에 대한 구분은 ‘교통사고 조사규칙’ 제

10조 제3항에 의거한 사항으로 교통사고조사자의 판단에 따름
부 록 183
<참고자료> 대형사고 기준
제10조(현장에서 조사할 사항) 교통조사관은 사고현장에서 다음 각 호에서

정한 사항을 반드시 조사하여야 한다.
3. 그 밖의 다음 각 목에서 종한 현장상황
다. 도로 포장 여부, 자갈․건조․습기․적설․결빙․요철 등 노면상황
자료: 교통사고조사규칙(경찰청훈령 제818호, 2016.12.21).
◦ 교통사고 조사내용은 교통사고조사규칙 제41조에 따라 통계원표에 표시

된 항목을 통해 통계처리됨
❑ 도로교통공단에서 제공 중인 노면상태 구분 및 세부정의
◦ 포장도로 : 도로의 표면이 아스팔트, 콘크리트 등으로 굳혀진 도로
◦ 비포장도로 : 포장도로 이외의 도로
◦ 건조 : 도로의 표면이 말라있는 상태
◦ 젖음/습기 : 도로의 표면이 물 등으로 젖어 있는(습기가 차있는) 상태
◦ 침수 : 도로의 표면에 물이 고여 있거나 흐르고 있는 상태로 수막현상이

발생할 수 있는 노면상태
◦ 적설 : 도로의 표면에 눈이 쌓여 있는 상태
◦ 해빙 : 눈이나 얼음이 녹아서 질퍽거리는 상태
◦ 서리/결빙 : 도로의 표면이 얼어 있는 상태
◦ 기타: 상기사항에 해당하지 않는 경우(기름의 유출, 유리 및 모래의 비산

등)이거나 차량단독사고로 운전자의 사망 및 의식불명 또는 뺑소니 보행
자 사고 시 보행자의 사망 등으로 사고 발생 당시의 상황조사가 불가한
경우 등
❑ 노면상태별 교통사고와 살얼음 사고 간 관계
◦ 교통사고조사관 면담결과, 만약 살얼음으로 인한 교통사고인 경우, 노면

상태는 ‘서리/결빙’으로 처리할 가능성이 높다고 함
◦ 상대적으로 ‘젖음/습기’ 상태로 처리할 가능성은 낮음
◦ 데이터 처리 시에 살얼음 미발생에 대한 데이터는 ‘젖음/습기’에서 찾는

것이 합리적으로 보임
184
3. 살얼음형성 노면온도 추정방안 논의(’21.02.08)
회 의 록
개최일시·
장소 일시 2021.2.8.(월) 장소 서면자문회의
참석인원 한국건설기술연구원 ○○○, 본원 박경욱 부연구위원, 조범철 연구위원
회의목적 살얼음형성 노면온도 추정방안 논의
[회의내용]
❑ 노면온도와 기상정보 간 상관관계
◦ 차량의 외기온도 센서로부터 수집된 온도변화 패턴은 Thermal

Mapping을 통해 수집된 노면온도변화 패턴과 통계적으로 유사한 특성
을 가지는 것으로 나타남
◦ 기본구간, 교량구간, 터널구간의 도로구간 중 ‘터널구간’의 노면온도가 가

장 낮았으며, ‘교량구간’과 ‘기본구간’ 간의 노면온도 차이는 통계적으로
유의하지 않는 것으로 나타남
◦ 구름의 정도에 따라 4단계로 구분되어진 기상청 ‘하늘상태’ 변수는 노면

온도 변화에 큰 영향을 미치지 않는 것으로 분석
회의내용
◦ 노면온도변화 패턴 예측에 있어 외기온도와 도로구간 변수는 서로 독립
적인 것으로 나타남
❑ 모형구축 개요
◦ 노면온도변화 패턴 예측 모형의 최적화를 위해 구축한 총 노면온도 데이

터 수는 9,010개
◦ 이 중 50%의 데이터(4,505개)를 임의로 추출(Random Selection Process)

하여, 기계학습을 통한 모형 구축에 사용
◦ 나머지 50%는 구축된 모형을 평가하는데 사용

부 록 185
4. 노면온도 계측 방법론 논의(’21.02.17)
회 의 록
개최일시·
장소 일시 2021.2.17.(수) 장소 서면자문회의
회의목적 노면온도 계측 방법론 논의
[회의내용]
❑ 노면온도 계측장비 관련
◦ 건기연 ’19년 준공했던 ‘차량센서 기반 주행환경 관측․예측․안전운행 도로

기술 개발’ 과제에서 노면온도, 기상데이터 등을 측정할 때 장비를 탑재
한 시험차량을 사용한 사례가 있음
◦ 해당 시험차량에서 적외선 센서로 노면온도, 대기온도, 습도정보를 수집,

외기온도 센서에서는 조사차량의 차량 전후방의 외기온도 정보 수집,
GPS 시스템으로 차량 위치정보를 수집하였음
◦ 해당 시험차량은 현재 건기연에서 보유 중이며, 건기연 소유의 시험장비

로 과업이 끝난 이후에 1년 이상 사용하지 않은 상태
◦ 재가동하기 위해서는 차량 및 장비에 대한 재검점이 필요
❑ 노면온도 계측계획 관련
회의내용
◦ 건기연 연구에서 사용했던 데이터는 10월에 수집된 것으로 살얼음이 주
로 형성되는 11월에서 다음해 2월 사이(겨울철)에 수집되는 데이터로 보
기 어려움
◦ 살얼음 형성조건에 관한 데이터는 가급적 겨울철에 수집하는 것이 필요

하며, 늦더라도 3월경에 겨울철 기상현상이 유사하게 나타나는 산간지방
(예, 강원도)에서 수집하는 것이 필요
◦ 살얼음 형성조건에 관한 데이터 수집은 예산제약으로 광범위한 지역을

대상으로 시행하는 것은 현실적으로 한계
◦ 특정 지점 또는 구간을 대상으로 고정식으로 데이터를 수집하는 것이 현

실적
◦ 시험차량을 운용한 경우, 차량이 정차 가능한 지점(예, 고속도로의 휴게

소, 졸음쉼터, 일반국도 휴게소 등)에서 데이터를 수집 추진 검토
◦ 데이터 수집 시간대는 살얼음이 주로 형성된다고 알려진 해질녘부터 해

뜨기 전까지 야간에서 새벽시간대에 수행
186
5. 노면온도 계측 데이터 공유방안 논의(’21.02.23)
회 의 록
개최일시·
장소 일시 2021.2.23.(화) 장소 서면자문회의
회의목적 노면온도 계측 데이터 공유방안 논의
[회의내용]
❑ 노면온도 계측데이터 공유 방안
◦ 건기연 ’19년 수행했던 ‘차량센서 기반 주행환경 관측․예측․안전운행 도로
기술 개발’ 과제에서 노면온도, 기상데이터 등을 차량 탑재장비로 수집한
바 있음
◦ 관측된 데이터의 형태는 다음과 같음:
전방 후방 차량 대기 대기 노면 GPS GPS GPS

no, 일시
외기 외기 외기 온도 습도 온도 Time X Y
: : : : : : : : : : :
: : : : : : : : : : :
(컬럼설명)
․전방외기 : 차량 앞부분에 설치된 장비에서 측정한 온도
․후방외기 : 차량 뒤부분에 설치된 장비에서 측정한 온도
회의내용 ․차량외기 : 전방외기 및 후방외기의 평균 온도
․대기온도 : 차량 탑재장비에서 측정한 대기온도
․대기습도 : 차량 탑재장비에서 측정한 대기습도
․노면온도 : 적외선 센서에서 수집한 노면온도
․GPS Time : 데이터가 수집된 시점
․GPS X : 데이터가 수집된 지점의 X 좌표
GPS Y : 데이터가 수집된 지점의 Y 좌표
◦ 데이터 중 노면온도가 0도씨 미만으로 떨어지는 데이터수는 그렇지 않는
경우보다 훨씬 적음
◦ 노면온도가 0도씨 미만으로 떨어지는 시점을 살얼음이 형성되는 시점으
로 간주하고 연구를 진행
◦ 머신러닝으로 학습시에는 0도씨 미만인 경우와 0도씨 이상인 경우의 데
이터수를 가급적 유사한 수준으로 샘플링할 필요가 있음
부 록 187
6. 제설 대응현황 및 데이터 공유방안 논의(’21.03.02)
회 의 록
개최일시·
장소 일시 2021.3.2.(화) 장소 서면자문회의
참석인원 신공항하이웨이 ○○○, 본원 박경욱 부연구위원, 조범철 연구위원
회의목적 제설 대응현황 및 데이터 공유방안 논의
[회의내용]
❑ 신공항하이웨이 대설 위기대응 현장조치 기본방향
◦ 대설 피해 경감을 위한 제도 개선, 대설 예상시 신속한 경보, 유관기관

전파, 대설 위기 발생에 대한 사전 대비태세의 구비 및 점검, 대설 위기
발생 시 신속한 응급대책 및 긴급 지원체계의 가동으로 피해 최소화 및
조기 복구
❑ 신공항하이웨이 대설 위기대응 판단․고려 요소
◦ 대설의 적설량, 지역별 대설빈도, 국지성 폭설, 대설 피해 예상 지역의

여건, 확대 가능성, 파급 효과 등
❑ 신공항하이웨이 대설 위기대응 지침
◦ 대설 재난 발생 시 위기대응 실무매뉴얼 자동 실행
회의내용
◦ 신속한 상황전파 및 대설상황 주시
- 지방자치단체, 관련부처, 유관기관, 방송사 등
◦ 대설 재난 위기경보 발령에 따른 신속한 초동조치 실시
- 지자체 및 유관기관의 소관사항에 대한 피해예방대책 추진
- 유관기관 비상연락망 확인 및 자원동원 협조체계 가동
- 주민 대피 등 신속한 인명피해 예방조치
❑ 신공항하이웨이 자료공유방안
◦ 최근 5년간 신공항하이웨이에서 수집된 1시간 및 20분 단위 데이터 공

유 가능
188
7. 노면온도 추정 랜덤포레스트 모형 설계 방안 논의(’21.03.03)
회 의 록
개최일시·
장소 일시 2021.3.3.(수) 10:00 장소 원내(화상자문회의)
참석인원 국토연구원 ○○○, 본원 박경욱 부연구위원, 조범철 연구위원
회의목적 노면온도 추정 랜덤포레스트 모형 설계 방안 논의
[회의내용]
❑ 데이터 프로세싱 관련
◦ 일반적으로 살얼음이 형성될 때의 데이터 수는 살얼음이 형성되지 않을

때의 데이터 수에 비교해 훨씬 작음
◦ 이러한 분포를 지닌 데이터를 프로세싱 과정을 거치지 않고 모형에 입력

할 경우, 머신러닝에서는 살얼음이 형성되지 않는 쪽으로 학습될 가능성
이 농후함
◦ 따라서 모형에 입력되는 데이터가 왜곡된 분포를 띄는 경우에는 사전 처

리가 필수
◦ 사전처리로는 두 가지 방식을 생각해 볼 수 있으며, 한 가지 방식은 오

버샘플링이고 다른 방식은 데이터값에 로그값을 취하는 것
◦ 오버샘플링은 표본수가 극히 적은 표본을 재추출하여 분포의 불균형을

보정하는 통계적 기법
◦ 일반적으로 불균등한 분포를 띄는 데이터에 로그값을 취하면 분포의 불

회의내용 균등성이 어느 정도 상쇄됨
❑ 랜덤포레스트 모형 관련
◦ 랜덤포레스트 모형은 앙상블 학습방식의 하나로, 단일 모형을 추정하는

경우보다 모형의 예측력을 향상시킬 수 있다고 알려져 있음
◦ 랜덤포레스트 모형을 사용하는 경우에도 데이터 프로세싱은 필수
◦ 랜덤포레스트 모형에서 학습된 모형은 과적합 될 수 있으므로, 검증 과정

에서는 다른 출처의 다른 검증데이터를 사용하는 것이 바람직
◦ 또한 검증이 끝난 모형을 가지고 예측을 하는 경우에는 또 다른 출처의

다른 데이터를 가지고 예측 업무를 수행하는 것이 필요
◦ 데이터의 품질에 따라 모형의 성능이 좌우되므로 고품질의 데이터 획득

이 관건
◦ 살얼음은 미형성 시 형성판단보다 형성 시 미형성판단이 운전자에게 더

욱 치명적이므로, 모형의 설명력을 평가하는 정확성, 정밀도, 재현율 지
표 가운데 재현율에 보다 가중치를 두고 모형을 학습하는 것이 필요
부 록 189
8. 살얼음 진단 관련 연구개발 동향 논의(’21.04.01)
회 의 록
개최일시·
장소 일시 2021.4.1.(목) 16:00 장소 원내(화상자문회의)
참석인원 한국과학기술기획평가원 ○○○, 본원 박경욱 부연구위원, 조범철 연구위원
회의목적 살얼음 진단 관련 연구개발 동향 논의
[회의내용]
❑ 살얼음 진단 관련 연구개발 동향
◦ (동향①) 도로 살얼음 형성에 영향을 미치는 요인(노면온도 등 도로조건이

나, 기온, 습도, 풍속 등 기상조건)을 실험을 통해 임계값을 도출하는 연구
- 기후환경실증실험내의 기온과 습도가 도로포장재의 표면온도에 미치는 영

향 분석(김백조 외, 2020) : 기상환경 재현실험을 통한 도로 살얼음 발생
환경 조건 분석 및 도출. 통제된 실험조건에서 이루어진 실험으로 실제 환
경에서 발생하는 결과와 차이가 있을 것으로 추정됨. 빅데이터를 이용한
연구는 아니며, 실험에 기반한 연구로 결과 활용은 제한적일 것으로 보임
- 차량센서 기반 주행환경 관측․예측․안전운행 도로기술 개발(임상훈 외,

2019) : 차량에 탑재된 센서를 통해 수집된 기상조건(기온, 습도) 데이
터와 노면온도 데이터를 가지고 머신러닝을 통해 모형 구축. 평지, 터널,
회의내용 교량 등에서 데이터를 수집하여 개별 모형을 구축. 모형의 예측력은
50% 미만으로 활용도는 낮아 보임
◦ (동향②) 형성된 도로 살얼음을 식별할 수 있는 시스템을 만들고, 도로

살얼음을 제거할 수 있는 소재를 개발하는 연구
- 도로살얼음 방지를 위한 강섬유-나노 하이브리드 시멘트 복합체의 발열

성능 연구(김동휘 외, 2020) : 도로 살얼음 제거를 위해 사용될 수 있는
강섬유-나노 하이브리드 시멘트 복합체의 발열성능을 실험함. 본 연구에
서 직접적으로 참고할만한 연구로 보기는 어려움. 도로 살얼음 형성을
지연시킬 수 있는 소재에 관한 연구
- 탄소나노튜브 도로 코팅제 기반 능동형 블랙아이스 탐지 및 제거 시스템

개발(장승환 외, 2020) : 블랙아이스 탐지 및 제거를 위한 도로 코팅제와
관리시스템을 개발하는 연구로 현재 진행 중. 김동휘 외(2020)의 연구와
마찬가지로 포장 소재에 관한 연구임. 블랙아이스를 탐지할 수 있는 기술
을 개발하는 것으로, 블랙아이스의 형성조건에 대한 연구로는 볼 수 없음
190
9. 내비게이션 등 결빙취약구간 선정기준 검토 및 논의(’21.04.06)
회 의 록
개최일시·
참석인원 국토연구원 ○○○, 본원 박경욱 부연구위원, 조범철 연구위원
회의목적 내비게이션 등 결빙취약구간 선정기준 검토 및 논의
❑ 내비게이션 경로안내 시 표출되는 결빙위험구간(결빙취약구간) 정보 출처
◦ 현재 민간 내비게이션 시스템(’20년까지 6개社, ’21년에 1개社 추가)에서

는 경로안내 시에 결빙위험구간에 대한 안내정보를 제공 중
- (’20년) SK텔레콤, 카카오모빌리티, 맵퍼스, 네이버, KT, 아이나비시스템즈
- (’21년) 현대엠엔소프트
◦ 내비게이션에서 제공하는 결빙위험구간은 ‘공공데이터포털’에서 제공하고

있는 상습결빙구간 2,927곳에 대한 정보가 출처인 것으로 파악되며, 행
정안전부에서 지정한 것으로 추정
◦ 결빙위험구간의 도로종류는 도로법상 “고속국도”, “일반국도”, “특광역시

도”, “시도”, “지방도”, “군도”, “구도”뿐만 아니라, “농어촌도로”, “도시계
획도로”가 포함되어 있어 국토교통부에서 관리하고 있는 결빙취약구간
회의내용
410곳과는 달리 지자체도로도 다수 포함
◦ 행정안전부에서 지정한 결빙위험구간에 국토교통부에서 지정한 결빙취약

구간이 포함되어 있는지 확인 필요
◦ 결빙위험구간에 대한 지정 기준은 추후 확인 필요
❑ 국토교통부 지정 결빙취약구간 410곳에 대한 선정 기준
◦ 4개 분야* 평가기준에 따라 3등급** 선정

* ① 시설특성 ② 기하구조 ③ 기후특성 ④ 교통운영
** 고속/일반 : A급(68점/68점 이상), B급(64-67점/62∼67점), C급(63∼50점/61∼50점)
◦ 3등급 모두 결빙취약구간으로 지정되는 것으로 보이며, 등급은 결빙취약

정도를 나타내는 기준으로 판단됨
◦ 결빙취약구간에 대한 지정 기준은 추후 별도로 확인 필요

부 록 191
10. 강수시 도로 제한속도 관리체계 검토 및 보완방향(’21.06.23)
회 의 록
개최일시·
장소 일시 2021.6.23.(수) 10:00 장소 원내(화상자문회의)
참석인원 부산경찰청 ○○○, 본원 박경욱 부연구위원, 조범철 연구위원
회의목적 강수시 도로 제한속도 관리체계 검토 및 보완방향
[회의내용]
❑ 속도제한에 관한 권한
◦ 도로교통법 제17조에 의거, 속도제한 권한은 경찰청장에게 있음
도로교통법
[시행 2021. 5. 13] [법률 제17891호, 2021. 1. 12, 일부개정]
제17조(자동차등과 노면전차의 속도) ① 자동차등(개인형 이동장치는 제외한다.

이하 이 조에서 같다)과 노면전차의 도로 통행 속도는 행정안전부령으로 정한다.
<개정 2013. 3. 23., 2014. 11. 19., 2017. 7. 26., 2018. 3. 27., 2020. 6. 9.>
② 경찰청장이나 시ᆞ도경찰청장은 도로에서 일어나는 위험을 방지하고 교통의
안전과 원활한 소통을 확보하기 위하여 필요하다고 인정하는 경우에는 다음 각
호의 구분에 따라 구역이나 구간을 지정하여 제1항에 따라 정한 속도를 제한할
수 있다. <개정 2020. 12. 22.>
회의내용
1. 경찰청장: 고속도로
2. 시ᆞ도경찰청장: 고속도로를 제외한 도로
❑ 속도제한 조절 범위
◦ 도로교통법 시행규칙 제19조에 의거, 기상상태, 노면상태에 따라 최고속도의

100분의 20에서 50까지 감속
도로교통법 시행규칙
[시행 2022. 1. 1] [행정안전부령 제164호, 2020. 2. 28, 일부개정]
제19조(자동차등과 노면전차의 속도) ②비ᆞ안개ᆞ눈 등으로 인한 악천후 시에

는 제1항에 불구하고 다음 각 호의 기준에 의하여 감속운행하여야 한다. 다
만, 경찰청장 또는 시ᆞ도경찰청장이 별표 6 Ⅰ. 제1호타목에 따른 가변형 속
도제한표지로 최고속도를 정한 경우에는 이에 따라야 하며, 가변형 속도제한
192
표지로 정한 최고속도와 그 밖의 안전표지로 정한 최고속도가 다를 때에는

가변형 속도제한표지에 따라야 한다. <개정 2010. 7. 9., 2020. 12. 31.>
1. 최고속도의 100분의 20을 줄인 속도로 운행하여야 하는 경우
가. 비가 내려 노면이 젖어있는 경우
나. 눈이 20밀리미터 미만 쌓인 경우
2. 최고속도의 100분의 50을 줄인 속도로 운행하여야 하는 경우
가. 폭우ᆞ폭설ᆞ안개 등으로 가시거리가 100미터 이내인 경우
나. 노면이 얼어 붙은 경우
다. 눈이 20밀리미터 이상 쌓인 경우
③ 경찰청장 또는 시ᆞ도경찰청장이 법 제17조제2항에 따라 구역 또는 구간
을 지정하여 자동차등과 노면전차의 속도를 제한하려는 경우에는 「도로의
구조ᆞ시설기준에 관한 규칙」 제8조에 따른 설계속도, 실제 주행속도, 교통
사고 발생 위험성, 도로주변 여건 등을 고려하여야 한다. <신설 2010. 7. 9.,
2019. 3. 28., 2020. 12. 31.>
◦ 속도제한 조절은 도로교통법에 따라 시행하나, 각 도로관리청별로 별도의 관

리지침이 있는 경우에 그에 따라 속도제한 조절을 시행
◦ 단, 속도제한 조절에 대한 단속, 통제 권한은 경찰청이 담당
◦ 속도제한 조절기준은 도로관리청이 마련하고, 그에 따른 단속은 경찰청에 협

조를 구하는 방식으로 관리
❑ 속도제한 정보의 표출
◦ 도로교통법상 도로내 설치된 기계장치에 대한 권한 중 경찰청이 관리가능한

장치는 과속단속카메라로 한정
◦ VMS에 표출되는 가변속도 표출관리 권한은 기본적으로 지자체장에게 있으

나, 특광역시도의 경우에는 경찰청도 표출 가능
❑ 속도제한 조절에 대한 개선
◦ 살얼음이 발생했을 경우는 현 법령에 따라 최고속도의 100분의 20 수준으로

속도를 줄이도록 해야 하나, 그 기준에 대해서는 재검토 필요
◦ 도로관리청마다 별도의 속도제한 조절 기준을 가지고 있어야 하는 지에 대해

서도 재검토 필요
◦ 관리기준과 단속권한이 분리되어 있어 발생하는 행정 비효율에 대해서도 개

선 필요
◦ VMS가 설치되어 있지 않은 지방부 도로에서의 속도제한 관리방안 필요(내비

게이션, 문자발송 등)
부 록 193
11. 동결방지포장 실용화 기술동향 논의(’21.08.18)
회 의 록
개최일시·
참석인원 에이원로드 ○○○, 본원 박경욱 부연구위원, 조범철 연구위원
회의목적 동결방지포장 실용화 기술동향 논의
❑ 동결포장기법의 종류
◦ 물리공법: 도로의 표면에 홈을 파고, 홈 사이에 고무소재의 입자를 투입

→ 고무소재는 표면에 얼음이 형성되었을 때, 약간의 충격을 가하면 얼
음이 쉽게 깨지는 성질을 이용
◦ 화학공법: 일반 포장재보다 공극이 많은 다공성 포장재를 시공하고, 공극

사이에 제설재(염화물)을 투입 → 눈이나 얼음이 염화물과 반응하여 어
는 점이 내려가는 원리를 이용
◦ 신공법(에이원로드社의 경우): 물리공법이나 화학공법처럼 포장 시공이

끝난 뒤에 사후 조치를 하는 것이 아니라, 포장재 자체에 제설재 역할을
하는 물질을 혼합하여 시공 → 물리공법처럼 노면에 홈을 파거나, 화학
공법처럼 수시로 제설재를 살포하지 않아도 된다는 장점이 있음
회의내용
❑ 동결포장의 시공
◦ 인력으로 하는 방식과 인력+건설장비를 이용하는 방식으로 나뉨
◦ 인력으로만 시공을 할 경우에 도로 표면의 평탄화하기 어렵기 때문에 대

부분의 경우에 건설장비를 함께 활용함
❑ 동결포장기법의 시공난이도
◦ 물리공법의 경우에 기존 도로에 홈을 파는 과정에서 나오는 부산물이 환

경에 부정적인 영향을 미칠 수 있음
◦ 화학공법의 경우, 제설재가 토양을 오염시키는 문제가 지적받고 있음

194
◦ 신공법의 경우, 기존 아스콘 포장재질에 제설재 역할을 하는 물질을 섞어

서 시공하기 때문에 기존 공법과 동일하게 시공하며 추가적인 어려움은
없음
❑ 동결포장의 시공비용
◦ 기존 도로포장비용 대비 3~5배 비쌈
❑ 동결포장기법의 유지관리
◦ 물리공법: 홈 사이에 투입된 고무재질이 수시로 유실되어 유지관리가 어

려움
◦ 화학공법: 제설재를 수시로 살포해야 하며, 환경에 부정적인 영향을 미침
◦ 신공법: 홈을 파거나 제설재를 살포하지 않아도 되며, 기존 공법보다 유

지관리 기간이 길다는 특징이 있음(→실내 실험실의 결과에 근거한 것으
로 실제 현장실험을 통해 사후 검증이 필요한 사항)
❑ 동결포장기법이 실용화되기 위해 극복되어야 하는 점
◦ 동결포장기법은 국내 사례만 하더라도 4천 건이 넘는 특허가 등록된 상

태이나, 실제로 실용화된 사례는 거의 없음(일부 지자체에서 시범사업을
실시한 사례가 전부)
◦ 동결포장시공이 시범사례에서 실용화 단계로 확산되지 못하고 있는 이유

는 충분한 현장테스트가 이루어지지 않았기 때문
◦ 어떤 기술이든 현장에서 충분히 검증받아야 그 효과를 가늠할 수 있는

법이나, 현재 국내 여건에서는 실행되기 어려움
◦ 공공부문에서 동결포장기법에 대한 시범사업을 시행할 경우에 투입예산

대비 충분한 효과가 도출되지 못하면 후속 사업을 진행하기 어려운 실정
◦ 현재 실험실에서 진행한 결과는 차량 통과 여부는 고려하지 못한 결과

→ 차량의 통행에 대한 효과를 함께 고려하기 위해서는 보다 많은 예산
이 투입되어야 함
부 록 195
12. 도로 살얼음 대응방안 논의(’21.09.02)
회 의 록
개최일시·
장소 일시 2021.9.2.(목) 장소 서면자문회의
경기연구원 ○○○, 한국건설기술연구원 ○○○, 국토연구원 ○○○,
참석인원
본원 박경욱 부연구위원, 조범철 연구위원
회의목적 도로 살얼음 대응방안 논의
❑ 연구내용의 차별성을 위한 방안
◦ 도로 살얼음 관련 대책(아래 표 참조)이 이미 많이 제안된 상황에서 본

연구에서 신규로 대책을 제안하기는 어렵다고 판단됨
<표> 블랙아이스(도로살얼음) 사고예방을 위해 수립된 주요 대책
․타이어 관리상태 집중 점검
취약구간 ․결빙 취약시간대(23~07시) 순찰 강화(4→6회)
점검 및 관리 ․결빙 취약구간 확대 지정(410개소)
강화 ․순찰차량 부착용 노면온도 측정 센서 도입
․결빙 취약구간 내 제한속도 조정
회의내용
․LED 조명식 결빙주의 표지판 설치
․자동 염수분사시설 확충
안전시설 ․노면 홈파기(Grooving) 설치
확충 및 ․배수성 포장, 도로 열선 등 도로결빙 방지 공법 시범 설치
고도화 ․도로전광표지(VMS)에 경광등․경고음 기능 추가
주)
․결빙 취약구간에 과속카메라 설치

․DTG 기반 노면 미끄럼 정보 수집기술
연구개발
․외부자극 감응 발광형 노면표지
(R&D) 추진
․외부자극 감응형 도로교통안전시설
․내비게이션을 통해 사고정보 제공(30초 내)
정보제공 및
홍보
․안전운전 집중 홍보기간 지정․운영(현수막․리플랫 배포, TV․유튜브 및 SNS
홍보, 결빙 안전체험 프로그램 개설)
196
◦ 연구의 차별성을 확보하기 위해 순천완주고속도로 32중 추돌사고, 상주

영천고속도로 28중 추돌사고 등 대형 도로 살얼음 사고의 사례조사를
정리하는 방향도 검토해볼 만함
◦ 도로관리청 담당자를 섭외하여 해당 사고 이후에 어떤 조치를 취했는지,

취해진 조치에 대한 효과는 어떠했는지 등에 대한 조사를 통해, 기존에
제안되었던 도로 살얼음 대책의 효과에 대한 간접평가 추진 권장
◦ 도로 살얼음 사고 전후에 대한 변화내용을 다음과 같은 항목으로 질의
- 도로 살얼음이 형성된 이유
- 도로 살얼음 사고가 발생한 후, 현장 상황 및 조치내역
- 도로 살얼음 사고규모가 커진 이유
- 도로 살얼음 사고수습 이후, 도로관리청에서 취해진 조치
- 도로관리청에서 취한 조치의 효과 정도
- 도로관리자로써 도로 살얼음 사고를 예방하기 위해 필요하다고 생각하

는 대책
- 도로관리자로써 도로 살얼음에 대응하는데 겪는 애로사항
- 중앙정부, 지방정부 차원에서 도로관리청이 도로 살얼음에 대응하는데

필요한 지원 방안 등
❑ 도로 살얼음 대책에 대한 종합평가 등
◦ 기존에 수립된 도로 살얼음 대책은 현장에 적용된 것과 그렇지 않은 것

으로 나뉨
◦ 현장 적용이 어려운 대책에 대한 이유 분석이 필요
◦ 대책이 백과사전식으로 나열은 되어 있으나 어떤 정책이 어느 정도 효과

가 있는지에 대해서는 검증된 사례를 찾기 어려움
◦ 도로 살얼음 대책에 대한 평가 시 고려항목
- 정책의 실현가능성 (또는 적용난이도)

부 록 197
- 정책의 추진시기 (단기, 중기, 장기)
- 정책 시행비용 (상, 중, 하)
- 정책의 시행효과 (추가조사 필요, 국민, 정부, 도로관리청 대상으로)
- 정책의 지속가능성 (유지비용 등)
- 대중의 수용정도 (상, 중, 하)
❑ 도로 살얼음 대책에 대한 신규 동향
◦ 현재 제안된 도로 살얼음 대책은 단편적이며, 체계적으로 시스템화되어

있다고 보기 어려움
◦ 도로 살얼음이 발생할 때마다 그때그때 임기응변식으로 대응하는 체계
◦ 도로관리청에서 인력에 의존하지 않고 즉각적으로 대응할 수 있는 도로

살얼음 대응시스템 마련이 필요함 → 도로관리청마다 가용한 인력과 예
산에 한계가 있으므로, 상위 도로관리청과의 협업이 필수
◦ 기존에 수막현상을 모니터링하기 위해, 엔진회전수와 차량 바퀴 회전수를

분석하여 침수구간을 식별하는 기술개발이 시도된 적이 있었음
◦ 도로 살얼음 구간에서도 차량의 바퀴가 헛돌 가능성이 높다는 점을 고려

하여 기존 연구사례는 참고할만함
◦ 자율차 시대에 여러 가지 데이터를 수집하는 것이 가능해지므로, RPM과

차량의 바퀴 회전수를 수집하여 도로 살얼음 구간을 파악하는 일도 가능
해질 것
◦ 다만, 데이터의 신뢰도를 확보하기 위해 일정 수준 이상의 표본을 확보하

는 일이 필요할 것
◦ 데이터는 인프라에 저장하여 뒤따르는 차량에게 사전에 제공 가능하도록

구성
198
13. ○○○○선 도로 살얼음 사고분석 결과 논의(’21.10.05)
회 의 록
개최일시·
장소 일시 2021.10.5.(화) 10:00 장소 원내(화상자문회의)
참석인원 도로교통공단 ○○○, 본원 박경욱 부연구위원, 조범철 연구위원
회의목적 ○○○○선 도로 살얼음 사고분석 결과 논의
❑ 본 사고는 2번 차량(대형트럭)이 ○○터널 외부에서 선행하던 1번 차량(장

갑차 트레일러)을 추돌한 후, ○○터널 내부에서 분리되어 정차(조향장치
고장으로 추정)한 후 2번 차량을 뒤따라 진행하던 3번 차량(장갑차 트레일
러)이 2번 차량 좌측에 정지함으로 인해 후행하던 차량들이 잇달아 정지하
면서 연쇄 추돌이 발생함
❑ CCTV 및 블랙박스 영상에 의하면 사고발생 약 20분 전에 실시한 제설작

업으로 인해 녹은 눈이 노면에 슬러시 상태로 쌓여 있어 평상시보다 더 미
끄러운 도로환경에도 불구하고 다수의 차량들이 선행 차량과 충분한 안전
거리를 확보하지 않고 주행하다 급제동하여 미끄러지며 선행 차량을 충격
하는 상황이 확인됨
회의내용
❑ 눈이 내려 노면이 쌓인 경우 도로교통법 시행규칙 제19조 2항에 의거 제한
속도가 100km/h인 도로에서 50%를 감소한 50km/h 이하의 속도로 주행
하여야 하지만, CCTV 및 블랙박스를 분석한 결과 상당수 차량들이
50km/h보다 20km/h 이상 과속(70km/h)으로 주행한 것으로 확인됨
❑ 이상과 같이 본 사고는 악천후 시에도 규정 속도를 준수하지 않고 과속 운

전함으로 인해 연쇄 추돌사고가 발생하였으며, 사고 당시 눈이 내려 전방
시야가 제약되고 제동거리가 길어지는 도로 여건임에도 불구하고 대다수
차량들이 선행차량과의 안전거리를 충분히 확보하지 않고 전방주시를 태만
히 한 채 주행한 과실이 주된 사고원인으로 작용함
199
Abstract
Discovering and Preventing Black Ice using AI and Big Data
․
Kyunguk PARK Bumchul CHO
Every year black ice (sometimes called clear ice) kills drivers in
Korea. Though many drivers do hear and know this regrettable news,
traffic accidents due to black ice are not being eradicated. This is not
because they drive carelessly and negligently. This is because black ice
comes to us invisibly and silently.
It is really hard to forecast when and where black ice is made.
However, this uncertainty does not justify that we might stand by with
folded arms and watch black ice. Black ice is the fatal threat to all
drivers. According to the survey result conducted by this study, the
mortality rate due to black ice is 32%, which means 32 people are killed
in one hundred traffic accidents in relation to black ice. This figure is
fifteen times higher than the mortality rate of all traffic accidents. Also,
this study shows that average 8 people are killed or injured when black
ice accidents happen. Before black ice leads to more victims, we should
find the way to discover and prevent black ice.
The research condition in relation to black ice is not favorable to

researchers. The data from black ice accidents is seriously insufficient.
So, the authors begun with searching and collecting basic data of black
200
ice and accidents. They collected the information of black ice accidents
from accident news and conducted the survey to examine how drivers
recognize and response black ice. To learn the lessons from good
practices, they reviewed the cases of other countries which are already
introducing various policies to response black ice.
The core result of this study is the models to forecast the temperature
of a road surface using AI and big data. The authors developed the
forecasting models with the data of weather and road surface
temperature measured on the highways. The three companies which are
responsible for maintaining the highways provided the data with the
authors. The forecasting models have two types: classification models
and regression models. The classification models could be used to check
whether the road surface temperature is below freezing point or not.
Those models are decision tree model, random forest model, gradient
boosting machine (so called “GBM”) model, and lightGBM model. The
regression models could be used to forecast the temperature of road
surface. The independent variables of models are air temperature,
humidity, and wind speed. The dependent variable of models which
represents the state of road surface depends on the model type. In case
of classification models, the dependent variable is the binary variable
which has ‘1’ when below freezing point or ‘0’ when above freezing
point. In case of regression models, that variable is real number variable
which means the road surface temperature. The key findings from the
forecasting models are as follows:
∙The performance of forecasting models with the data collected on the
highways is better than that of forecasting models with the data from
AWS (automatic weather systems which collect weather data)
adjacent to the highways.
∙The performance of forecasting models with big data from AWS

Abstract 201
adjacent to the highways is little different from that of forecasting

models with the data collected on the highways.
∙The bridge section is more vulnerable to black ice than the earthwork
section.
∙Although the air temperature drops below freezing point, the road
surface temperature does not necessarily go below that point.
∙The performance of the decision tree model with big data could be
similar to that of the ensemble models (random forest, GBM,
lightGBM, etc.).
보고서 집필 내역
구분 소속 및 직책 성명 집필 부분 비고
도로교통연구본부 박 경 욱 1~6장
연구책임자
교통빅데이터연구본부 조 범 철 1~6장
저자약력
박경욱
한국교통연구원 부연구위원
서울대학교 (도시계획학 박사)
조범철
한국교통연구원 연구위원
서울대학교 (도시계획학 박사)
기본-RR-21-08 AI․빅데이터 기반 도로 살얼음(블랙아이스) 진단 및 대응

방안
Discovering and Preventing Black Ice using AI and Big
Data
ISBN 979-11-6384-268-2 93530 인 쇄 2021년 10월 25일

발 행 2021년 10월 31일
개정판 2022년 4월 29일
발행인 오 재 학
발행처 한국교통연구원
세종특별자치시 시청대로 370
전화. 044-211-3114 팩스. 044-211-3222
홈페이지. www.koti.re.kr
인쇄처 ㈜범신사 전화. 02-720-9786
가 격 14,000원
ⓒ 2021 한국교통연구원 ※ 본 보고서 내용의 무단 전재․역재․복사를 금합니다.

Discovering and Preventing Black Ice Using AI and Big Data

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Discovering and Preventing Black Ice Using AI and Big Data

Uploaded by

Copyright:

Available Formats

기본-RR-21-08

도로 살얼음은 겨울철에 어김없이 우리에게 찾아옵니다. 많은 운전

제1절 연구의 배경 및 필요성 ·······················································1

제2장 도로 살얼음 사고 현황 ····························································10

제1절 도로 살얼음 사고 통계 현황 ············································10

제3장 국내외 도로 살얼음 대응 현황 ················································42

제1절 도로 살얼음 순찰 및 사고조사 체계 ·····························42

제1절 분석의 개요 ········································································66

제5장 진단모형의 적용사례 및 도로 살얼음 대응방안 ······················123

제1절 도로 살얼음 진단모형 적용사례 ··································123

제6장 결론 및 정책제언 ··································································140

<표 1-1> 선행연구 현황 및 본 연구의 차별성 ····················································8

<그림 1-1> 본 연구의 수행흐름도 ······································································6

※ 표/그림이 연구과정에서 도출된 저자의 것이면 출처표기를 하지 않아도 누락이 아님

AWS Automatic Weather System (기상청) 방재기상관측시스템

도로제설작업은 지침에 따라 도로관리청1)이 체계적으로 대응하고 있다. 예를

본 연구의 목적은 두 가지이다. 우선, 도로관리청이 범용가능한 기상데이터

최근 10년간(2011~2020년) 교통사고 발생건수는 2,209,962건이다(TAAS,

편차를 보이나, 최근 다시 증가추세로 돌아섰다.10)

<그림 1> 노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고 발생건수(2011~2020년)

노면상태가 ‘결빙/서리’인 상태에서 발생한 교통사고에 각별한 주의를 기울여

<표 1> 노면상태별 교통사고 치사율 비교(2011~2020년)

사고건수2) 2,209,962 1,946,036 219,886 16,280 7,755 20,005

사망자수2) 43,784 36,663 6,120 485 132 384

치사율3) 2.0 1.9 2.8 3.0 1.7 1.9

상대치사율4) 1.0 1.0 1.4 1.5 0.9 1.0

나. 언론기사를 통해 살펴본 도로 살얼음 사고의 특징

주요 도로 살얼음 사고는 언론기사를 통해 보도된다. 이점에 착안하여 국내

연중 도로 살얼음 사고는 11월부터 다음해 2월까지 겨울철에 주로 발생하

자료: 본문 <표 2-3>의 결과 정리.

<그림 2> 도로 살얼음 사고 발생월 분포

도로 살얼음 사고는 새벽부터 아침시간 사이에 주로 발생하는 것으로 나타

주: 본문 <표 2-3>에서 시간대를 특정하기 어려운 14건은 제외.

<그림 3> 도로 살얼음 사고 발생시간대 분포

69건의 도로 살얼음 사고를 단독사고와 2중 추돌 이상 사고로 구분해 보았

4) 도로 살얼음 사고의 치사율

최근 10년간(2011~2020년) 발생한 교통사고에 대해 치사율을 계산해 보면

17) TAAS에서 제공하고 있는 교통사고 데이터를 토대로 산정한 결과이다(자료: TAAS(교통사고분석시스템),

2021).18) 언론기사에서 집계한 도로 살얼음 사고에 대해 교통사고 치사율을

자료: 본문 <표 2-3>의 결과 정리.

<그림 4> 도로 살얼음 사고의 사고규모 분포

<표 2> 노면상태별 교통사고 치사율 비교(살얼음 포함)

18) 본문 p.22의 내용 재인용.

다. 도로 살얼음에 대한 운전자 인식 설문조사 결과

도로 살얼음에 대한 운전자 인식을 알아보기 위해 설문조사를 계획하고 실

<표 3> 도로 살얼음에 대한 운전자 인식 설문조사 개요

응답자 500명 중, 71.8%(359명)는 도로 살얼음에 대해 잘 알고 있다고 답했

20) 도로교통법(법률 제17891호, 2021.07.13)의 제82조(운전면허의 결격사유)의 내용 참조.

운전경력이 짧을수록 도로 살얼음에 대해 잘 알고 있다고 응답한 비율이 낮

<표 4> 도로 살얼음 인지수준에 대한 조사결과

응답자 어떤 현상인지 들어봤으나, 어떤

도로 살얼음 관련 정보 취득경로는 언론기사가 60.2%로 가장 높게 나타났

주: 도로 살얼음 정보 취득경로에 대한 조사는 도로 살얼음에 대해 잘 알고 있거나, 들어봤다고 응답한 485명을

<그림 5> 도로 살얼음에 대한 인지 수준(원그래프) 및 도로 살얼음 정보

도로 살얼음을 경험한 시기는 1월이 61.6%(93명)로 가장 많았고, 다음으로

4) 도로 살얼음을 경험했던 시간대

응답자의 39.7%(60명)는 아침시간대인 5~9시 사이에 도로 살얼음을 경험했

주: 도로 살얼음을 직접 경험했다고 응답한 151명 대상으로 조사한 결과임.

<그림 6> 도로 살얼음 경험 시기 설문조사결과

주: 도로 살얼음을 직접 경험했다고 응답한 151명 대상으로 조사한 결과임.

<그림 7> 도로 살얼음 경험 시간대 설문조사결과

5) 도로 살얼음 구간에서의 운전법 숙지 여부

‘알고 있다’고 응답한 사람은 49.8%(249명), ‘잘 모른다’고 응답한 사람은