3.1 연구자료 및 분석범위

본 연구의 공간적 범위는 경기도 전역의 국가지원지방도와 지방도이며, 시간적 범위는 2020~2024년이다. 국가표준노드링크 원자료에서 ROAD_RANK 105와 106에 해당하는 30,505개 링크를 분석대상 도로망으로 추출하였다. 사고자료는 한국도로교통공단의 링크 기반 교통사고 위험지역 자료를 사용하였다. 해당 자료는 지자체별 연간 사고규모를 고려하여 서로 다른 사고건수 기준과 반경으로 선정된 위험지역을 제공하며, 식별번호, 총사고건수, 사상자수, 중심점 좌표 및 EPSG:5179 기반 다각형을 포함한다. 그러나 국가표준노드링크의 LINK_ID는 제공하지 않는다^{(KoROAD, n.d.)}. 또한 지자체별로 위험지역 선정기준과 적용반경이 서로 다르므로 총사고건수와 사상자수의 절대값을 지역 간 동일한 척도로 비교하기 어렵다. 이에 본 연구에서는 사고건수 자체가 아니라 해당 도로구간이 위험지역으로 지정되었는지 여부를 종속변수로 설정하였다.

교통량 자료는 도로교통량정보제공시스템의 2020~2024년 연도별 교통량 및 좌표 자료에서 경기도 지방도와 국가지원지방도에 해당하는 자료를 추출하였다. 5개년 자료는 1,507개 연도별 관측치와 313개 고유 조사점으로 구성되며, 이 중 288개 지점은 5년 모두 연속 관측되었다. 도로대장은 총괄 538개 구간, 종단경사 12,347건 및 실연장·폭원 4,027건을 이용하였다. 다만 종단경사와 실연장 자료는 좌표가 아니라 노선번호와 이정(km)을 기준으로 기록된 선형참조 자료이므로 국가표준노드링크와 직접 공간결합하기 어렵다. 따라서 종단경사와 폭원 자료를 주 회귀모형에 직접 투입하지 않고, 좌표 결합이 가능한 도로대장 총괄자료를 이용해 링크 형상 기반 곡률지표의 활용 가능성을 검토하는 한편 도로특성을 보조적으로 파악하는 데 활용하였다. 자료 통합과 분석 절차는 Fig. 1에, 각 자료의 구성과 활용목적은 Table 1에 제시하였다.

Fig. 1. Integration and Analysis Workflow of Research Data

3.2 위험지역–링크 공간결합과 링크 형상 기반 곡률지표 산출

사고위험지역 다각형을 EPSG:5179에서 도로망 좌표계인 EPSG:5186으로 변환한 후 각 다각형과 교차하는 국가지원지방도·지방도 링크를 탐색하였다. 위험지역 자료에 LINK_ID가 없기 때문에 공간중첩을 이용하여 분석 대상 링크를 식별하였다. 주 분석에서는 하나의 위험지역이 여러 링크와 중첩되는 경우 다각형 내부에서의 교차연장이 가장 긴 링크를 대표 사례 링크로 선정하였다. 최대 중첩연장 기준은 위험지역 다각형과 실제로 공유하는 도로구간의 연장이 가장 큰 링크를 선정함으로써 단일 중심점의 위치에만 의존하는 방식보다 다각형 전체와의 공간적 관계를 반영할 수 있다는 점에서 주 분석 기준으로 채택하였다. 다만 동일 다각형 안에서는 굽은 링크의 내부 경로장이 직선 링크보다 길어질 수 있어 곡선 링크가 상대적으로 선택되기 쉬운 가능성이 있으므로, 중심점 최근접 기준을 이용한 민감도 분석을 함께 수행하였다. 2020~2024년 경기도 위험지역 1,877개 중 국가지원지방도·지방도와 중첩되는 위험지역은 471개였으며, 최대 중첩연장 기준에서 동일 연도·동일 링크 중복을 제거한 결과 469개의 고유 사례 후보를 확보하였다. 공간중첩과 대조 링크 매칭의 개념은 Fig. 2에 제시하였다.

Fig. 2. Study Road Network and Example of Spatial Overlay and Control-Link Matching for Traffic Accident Risk Areas. (a) Study Road Network and Representative Case Links, (b) Spatial Overlay and Control-Link Matching Example (Matched Stratum 1)

국가표준노드링크에는 설계도서상의 곡선반경이 포함되어 있지 않으므로, 본 연구에서는 도로 중심선의 형상으로부터 링크 형상 기반 곡률지표를 산출하였다. 우선 링크 형상에 허용오차 2 m의 단순화를 적용하여 미세한 수치화 오차와 불필요한 꼭짓점을 줄인 뒤, 연속한 세 꼭짓점에서 도로 진행방향이 변하는 각도 $\theta$를 계산하였다. 링크 $i$의 곡률지표 $C$는 Eq. (1)과 같이 각 꼭짓점의 절대 방향변화각을 모두 합한 뒤 링크 길이(km)로 나눈 값으로 정의하였다. 따라서 $C$가 클수록 단위거리당 도로의 방향 변화가 크며, 보다 굴곡이 큰 선형을 의미한다.

곡률지표 $C$는 설계 곡선반경과 동일한 값은 아니지만, 원곡선을 가정하면 대략적인 반경 규모로 환산하여 이해할 수 있다. 반지름 $R$인 원곡선에서 라디안 기준 단위길이당 방향변화량은 $1/R$이며, 이를 $^\circ$/km로 변환하면 $(180/\pi)\times 1,000=57,296$의 변환계수가 적용된다. 따라서 Eq. (2)와 같이 등가 곡선반경을 계산할 수 있다. 예를 들어 $C=60\text{ }^\circ$/km이면 약 955 m, $C=191\text{ }^\circ$/km이면 약 300 m의 원곡선과 유사한 방향변화 수준에 해당한다. 다만 실제 링크에는 직선부와 서로 다른 반경의 곡선이 함께 포함될 수 있으므로, 이 등가반경을 설계도서상의 실제 곡선반경으로 해석해서는 안 된다. 본 연구에서는 곡률지표의 크기를 직관적으로 설명하고 도로대장의 $R<300\text{ m}$ 급곡선 자료와 비교하기 위한 참고값으로만 사용하였다. Eq. (2)에서 $R_{eq}$는 링크 형상 기반 곡률지표 $C$를 동일한 단위거리당 방향변화량을 갖는 원곡선으로 환산한 등가 곡선반경(equivalent curve radius)을 의미한다.

산출한 링크 형상 기반 곡률지표의 활용 가능성을 노선 수준에서 검토하기 위해 도로대장 자료와 비교하였다. 도로대장 총괄자료에서 노선별 곡선반경 300 m 미만 곡선 개소를 전용연장으로 나누어 급곡선 밀도를 산출한 후, 동일 노선의 링크 형상 기반 평균 곡률지표와 Spearman rank correlation coefficient를 산출하였다. 즉, 개별 링크의 설계반경을 직접 검증한 것이 아니라 노선 차원에서 ‘급곡선이 많은 노선일수록 링크 형상 기반 평균 곡률지표도 높은가’를 확인한 것이다. 산출 원리와 노선 수준 비교 결과는 Fig. 3에 제시하였다.

Fig. 3. Principle of Link-Geometry-Based Curvature-Index Calculation and Route-Level Applicability Assessment Using Road-Ledger Data. (a) Principle of Link-Geometry-Based Curvature-Index Calculation, (b) Route-Level Applicability Assessment Using Road-Ledger Data

3.3 매칭 사례–대조 설계와 분석모형

교통량과 도로길이에 따른 노출차이를 통제하기 위해 각 사례 링크마다 조건이 유사한 비위험 대조 링크를 매칭하였다. 대조 후보는 동일 연도·동일 도로등급·동일 호선에 속하면서 해당 연도의 어떠한 위험지역 다각형과도 교차하지 않는 링크로 제한하였다. 추가로 사례 링크 중심에서 15 km 이내, AADT 비율 0.5~1.5, 링크 길이 비율 0.5~2.0의 조건을 적용하였다. 거리 15 km 조건은 동일 노선 내에서 공간적으로 지나치게 떨어진 후보를 제한하기 위한 탐색범위로 설정하였으며, AADT 및 링크 길이 비율은 사례와 대조 간 교통량 노출과 분석구간 규모의 큰 차이를 줄이면서 충분한 대조 후보를 확보하기 위한 실무적 허용범위로 설정하였다. 이러한 조건을 만족하는 후보 가운데 Eq. (3)의 매칭점수가 작은 순서로 2~3개를 선정하였다. 이 과정은 사례와 대조 사이의 거리, 교통량 및 링크 길이 차이를 동시에 줄여 서로 비교 가능한 도로구간을 구성하기 위한 것이다.

여기서 $d$는 사례 링크 $i$와 대조 링크 $j$ 사이의 거리(m)이다. Eq. (3)의 가중치는 통계모형에서 추정한 계수가 아니라 거리, 교통량 및 링크 길이의 차이를 하나의 점수로 비교하기 위해 설정한 실무적 척도이다. 거리 5 km 또는 AADT·링크 길이 로그비 차이 0.5가 각각 약 1의 점수 증가에 해당하도록 구성하였으며, 점수가 낮을수록 사례와 조건이 더 유사한 대조 링크임을 의미한다. 매칭점수가 동일한 경우에는 LINK_ID 오름차순으로 결정하여 선택의 임의성을 줄였다. 또한 매우 짧게 분할된 링크에서는 2 m 단순화 이후 내부 꼭짓점이 충분히 남지 않아 곡률지표가 불안정하게 산출될 수 있으므로, 링크 길이 30 m 이상을 분석대상으로 설정하였다. 이 최소 링크길이 기준은 최대 중첩연장 방식과 중심점 최근접 방식에 동일하게 적용하였다. AADT는 동일 연도·동일 노선의 조사점 중 해당 링크에서 가장 가까운 지점값을 부여하였으며, 주 분석에서는 링크와 조사점 사이의 거리가 5 km 이하인 사례만 사용하였다.

최대 중첩연장 기준으로 확보한 469개 고유 사례 후보 중 길이 30 m 미만인 3개를 제외하여 466개를 남겼다. 이후 동일 연도·동일 노선의 AADT 조사점과의 거리가 5 km 이하인 365개가 교통량 자료의 품질조건을 충족하였다. 이 가운데 대조 링크를 2개 이상 확보하지 못한 1개를 제외하여 최종적으로 364개 사례 링크와 1,089개 대조 링크, 총 364개 매칭층을 구축하였다. 이 중 361개 매칭층은 대조 링크 3개, 3개 매칭층은 대조 링크 2개로 구성되었다. 동일 노선 내 비위험 링크 수가 제한되어 동일 대조 링크가 여러 매칭층에 반복 사용되었으며, 실제로 고유 623개 대조 링크가 1,089회 사용되어 260개(41.7 %)가 둘 이상의 매칭층에 포함되었다. 사례 링크에도 연도 간 반복관측이 존재하여 고유 252개 사례 링크가 364개 매칭층을 구성하였고, 56개 링크는 특정 연도에는 사례, 다른 연도에는 대조로 사용되었다(대조 관측의 8.3 %). 이러한 반복구조는 일반적인 독립관측 가정을 약화시킬 수 있으므로 이후 cluster bootstrap을 이용해 결과의 민감성을 추가로 확인하였다.

매칭된 사례와 대조를 비교하기 위해 조건부 로지스틱 회귀를 적용하였다^{(Hosmer et al., 2013)}. 이 모형은 각 매칭층 내부에서 사례와 대조의 차이를 비교하므로, 매칭층마다 서로 다른 기본적인 사고위험 수준은 조건부 우도에서 제거된다. AADT와 링크 길이는 이미 매칭 단계에서 통제하였기 때문에 회귀식에는 다시 직접 투입하지 않았다. 종속변수는 해당 링크가 위험지역 대표 링크인지 여부(1/0)이며, 설명변수는 링크 형상 기반 곡률지표, 차로수(LANES), 제한속도(MAX_SPD) 및 교차로 연결차수이다. 교차로 연결차수는 링크 양끝 노드에서 차수 2를 초과하는 추가 연결수의 합으로 정의하여, 단순한 선형 연결보다 복잡한 접속부의 정도를 나타내도록 하였다. 곡률지표는 우측으로 긴 분포를 완화하기 위해 $\ln(1+C)$로 변환하였고, 네 변수는 효과크기를 비교하기 쉽도록 모두 1 표준편차 단위로 표준화하였다. 최종 모형은 Eq. (4)와 같다.

여기서 $\alpha_s$는 각 매칭층의 기저위험을 나타내며 조건부 우도에서 제거된다. 매칭의 적절성은 AADT와 링크 길이의 standardized mean difference (SMD)로 평가하였고, |SMD|<0.1을 두 집단의 분포가 실무적으로 잘 균형된 기준으로 사용하였다. 조건부 로지스틱 회귀는 매칭층 내부에서 값이 서로 다른 변수만 추정에 정보를 제공하므로, 변수별로 실제 추정에 기여하는 매칭층의 비율도 함께 산출하였다. 또한 동일 사례 링크가 여러 연도 또는 여러 매칭층에 반복 등장하면 관측치의 독립성이 약해져 표준오차가 작게 추정될 수 있다. 이를 확인하기 위해 사례 LINK_ID를 재표집 단위로 한 2,000회 cluster bootstrap을 수행하고, 동일 재표집 분포에서 표준오차, bootstrap percentile 95 % CI 및 empirical two-sided p-value를 산출하였다.

주 결과가 특정 분석조건에 의존하는지를 확인하기 위해 민감도 분석을 수행하였다. 비교의 일관성을 위해 곡률지표·차로수·제한속도의 3변수 모형을 기준으로 하였으며, 교차로 연결차수 0인 링크만 사용, 차로수 3 이하로 제한, AADT 조사점 거리 2 km 이하로 제한 후 재매칭, 타 연도에 사례였던 대조 제외, 사례 링크의 연도중복 제거, 대조 비복원 재매칭 및 동일 시군구 권역 재매칭 등의 조건을 각각 적용하였다. 또한 곡률지표 산출 시 형상 단순화 허용오차를 1, 2, 5 m로 변경하여 곡률지표 자체의 민감도도 확인하였다.

동일 시군구 재매칭에서는 LINK_ID 앞 3자리 권역번호가 위험지역 시군구 코드와 1:1로 대응하는 권역만 사용하고, 복수 시군구에 대응된 권역 201, 209, 241의 27개 사례를 제외하였다. 대표 링크 귀속방식의 영향은 별도의 민감도 분석으로 평가하였다. 두 귀속기준에 동일 연도·동일 링크 중복제거와 30 m 최소 링크길이 기준을 동일하게 적용한 뒤, 두 기준에서 모두 분석 가능한 257개 위험지역을 고정하고 대표 링크만 변경하여 모형을 직접 비교하였다. 이를 통해 표본 수의 차이와 링크 선정규칙의 차이를 가능한 한 분리하여 평가하고자 하였다. 공간처리와 통계분석은 Python 3.13.5 환경에서 수행하였으며 Shapely 2.1.2, pyproj 3.7.2, pyshp 2.3.1, NumPy 2.3.5, SciPy 1.17.0 및 statsmodels 0.14.6을 사용하였다.

4.1 표본 구축과 매칭 특성

연도별 경기도 전체 사고위험지역은 353~410개였으며, 이 중 국가지원지방도·지방도와 중첩되는 위험지역은 매년 86~102개로 전체의 약 24~26 %였다. 30 m 최소 링크길이, AADT 품질조건 및 대조 확보조건을 적용한 최종 사례 링크는 연도별 67~81개였고, 5개년 전체에서 364개가 분석에 포함되었다. 최종 대조 링크 1,089개와 해당 사례 링크 사이의 거리는 중앙값 0.78 km, 최대 4.34 km였다. 대조 후보 탐색범위를 15 km로 설정하였으나 실제 매칭에서는 대부분 훨씬 가까운 구간이 선택되어, 사례와 대조가 공간적으로 인접한 동일 노선 구간으로 구성되었음을 확인하였다.

매칭 이후 $\ln(\text{AADT})$의 SMD는 -0.005, $\ln(\text{링크 길이})$의 SMD는 0.039로 모두 |SMD| < 0.1이어서 두 변수의 균형은 양호하였다. 다만 이 결과는 독립적인 사후 검정의 성과라기보다 AADT와 링크 길이가 유사한 구간을 의도적으로 선택한 매칭설계의 결과로 이해해야 한다. 사례와 대조가 동일 노선의 인접구간으로 구성되고 두 지점 간 거리가 중앙값 0.78 km에 불과하여, 364개 매칭층 중 325개(89.3 %)에서는 사례와 대조 전원에 동일한 조사점의 AADT가 부여되었다. 따라서 본 연구의 AADT 매칭은 조사점 수준에서 교통량 노출차이를 줄인 것으로 이해해야 하며, 조사점 사이에서 발생하는 링크별 국지적인 교통량 차이까지 완전히 통제한 것으로 해석할 수는 없다.

최종 표본의 기술통계는 Table 2와 같다. 곡률지표는 일부 높은 값이 존재하여 분포가 오른쪽으로 치우쳤고, 평균과 중앙값 사이에도 차이가 나타났다. 전체 링크의 44.8 %는 곡률지표가 0으로 산출되었으며, 곡률지표가 0보다 큰 구간의 중앙값은 73.1 $^\circ$/km였다. 이는 최종 표본의 링크 길이 중앙값이 약 240 m로 비교적 짧고, 국가표준노드링크의 형상 기록이 실제 설계선형보다 단순화되어 있어 2 m 형상 단순화 이후 내부 꼭짓점이 남지 않는 링크가 적지 않았기 때문이다. 따라서 곡률지표 0은 반드시 실제 도로가 완전한 직선이라는 의미라기보다, 사용한 링크 형상과 산출방법에서 방향변화 정보가 포착되지 않았음을 의미할 수 있다. 교차로 연결차수도 전체의 75.2 %가 0이고 최댓값이 3에 그쳐 변동범위가 좁았다.

4.2 조건부 로지스틱 회귀 결과

먼저 링크 형상 기반 곡률지표의 활용 가능성을 노선 수준에서 검토하였다. 도로대장과 국가표준노드링크에 공통으로 존재하고 유효한 전용연장을 가진 52개 노선을 분석한 결과, 도로대장의 R<300 m 급곡선 밀도와 링크 형상 기반 평균 곡률지표 사이의 Spearman rank correlation coefficient는 0.657(p<0.001)이었다. 즉, 급곡선 구간이 상대적으로 많은 노선에서 링크 형상 기반 평균 곡률지표도 높은 경향이 확인되었다. 다만 이는 노선 수준의 상관관계이며, 개별 링크의 실제 설계 곡선반경을 직접 검증한 결과는 아니다.

주모형 결과는 Table 3과 같다. $\ln(1+C)$로 변환한 뒤 표준화한 링크 형상 기반 곡률지표가 1 표준편차 증가할 때의 odds ratio (OR)는 1.217(p=0.007), 차로수의 OR은 1.718(p<0.001)로 모두 양의 연관성을 보였으며, 제한속도와 교차로 연결차수는 통계적으로 유의하지 않았다. OR=1.217은 교통량과 링크 길이 등 매칭조건이 유사한 구간끼리 비교할 때 로그변환·표준화된 곡률지표가 1 표준편차 높은 구간의 사고위험지역 지정 오즈가 약 21.7 % 높게 추정되었음을 의미한다. 이 OR은 $\ln(1+C)$를 표준화한 척도에서의 효과이므로, 원 단위의 일정한 $^\circ$/km 증가량에 대한 효과로 직접 해석할 수 없다. 다만 곡률지표가 큰 방향으로 이동할수록 사고위험지역 지정 오즈가 높아지는 경향을 나타낸다. 동일 사례 링크가 여러 연도와 매칭층에 반복되는 구조를 반영하여 2,000회 cluster bootstrap을 수행한 결과, 곡률지표의 percentile bootstrap 95 % CI는 0.993~1.497, empirical two-sided p-value는 0.062였다. 따라서 곡률지표의 추정방향은 양(+)으로 유지되지만 반복관측에 따른 의존성을 고려하면 통계적 근거가 경계 수준으로 약화되므로, 이 값을 확정적인 위험증가율로 해석해서는 안 된다.

차로수의 OR=1.718은 차로수 증가의 직접적인 인과효과를 의미하지 않는다. 국가표준노드링크의 차로수는 도로 규모뿐 아니라 도시화 수준, 교통기능, 교차 접근부 및 주변 토지이용 등 미관측 특성을 함께 반영할 수 있다. 따라서 본 연구에서는 차로수 결과를 이러한 복합적인 도로·교통 특성과 사고위험지역 지정 여부 사이의 연관성으로만 해석하였다. 제한속도와 교차로 연결차수가 유의하지 않았다는 결과 역시 효과가 없음을 의미하지는 않는다. 조건부 우도는 같은 매칭층 내부에서 값이 서로 다른 경우에만 해당 변수의 효과를 식별할 수 있는데, 제한속도는 44.5 %, 교차로 연결차수는 51.9 %의 매칭층에서만 변동하였다. 곡률지표의 변동 비율 87.9 %와 비교하면 두 변수는 실제 추정에 활용 가능한 정보가 적었으므로 검정력이 제한되었을 가능성이 있다.

전체 링크의 44.8 %에서 곡률지표가 0으로 산출되는 분포 특성과 지표 구성방식에 따른 영향을 확인하기 위해 대안 사양을 검토하였다(Table 4). 먼저 곡률지표를 $C>0$ 여부의 이분변수로 바꾸면 OR은 1.393으로 유의하였다. 이는 방향변화 정보가 전혀 포착되지 않은 링크와 곡선 성분이 포착된 링크 사이에 차이가 있음을 시사한다. 반면 $C>0$인 구간만을 대상으로 굴곡의 강도를 연속변수로 추정하면 OR은 1.196으로 유의하지 않았다. 따라서 현 자료에서는 ‘곡선 성분이 존재하는가’에 대한 신호가 ‘곡선이 얼마나 강하게 굽는가’보다 상대적으로 뚜렷하게 나타난 것으로 해석할 수 있다. 다만 이 부분표본에서는 유효 매칭층이 173개로 감소하여 통계적 검정력이 낮아지므로, 굴곡 강도와 사고위험지역 지정 여부 사이의 연관성이 없다고 단정할 수는 없다. 지표 구성방식에 따른 민감도도 확인하였다. 링크 내 최대 회전각을 사용한 경우에는 주지표와 유사하게 유의한 결과가 나타났으나, 경로장을 직선거리로 나눈 굴곡도에서는 유의하지 않았다. 최대 회전각과 본 연구의 곡률지표는 방향이 얼마나 급하게 변하는지를 반영하는 반면, 굴곡도는 전체 경로가 얼마나 우회하는지를 나타내므로 서로 다른 기하학적 특성을 측정한다. 따라서 본 연구의 결과는 방향변화각에 기반한 편각 계열 지표에 한정하여 해석할 필요가 있다.

4.3 주 결과의 민감도 분석 및 공간연계 기준 검토

표본조건과 곡률지표 산출조건을 변화시켜 주 결과의 민감성을 검토하였다(Table 5, Fig. 4). 사양 간 비교를 일관되게 하기 위해 곡률지표·차로수·제한속도의 3변수 모형을 사용하였다. 따라서 Table 5의 기본사양은 교차로 연결차수를 포함한 Table 3의 4변수 주모형과 모형구성이 다르며, 이 때문에 곡률지표 OR이 각각 1.219와 1.217로 소폭 차이가 난다. 기본사양의 곡률지표 OR은 1.219였으며, 교차로 연결차수가 0인 링크만 사용하거나 동일 시군구 권역으로 재매칭한 경우에는 OR이 증가하였다. 타 연도에 사례로 사용된 대조 링크를 제외하거나 사례 링크의 연도중복을 제거한 경우에도 기본모형과 유사한 값이 유지되었다. 반면 대조 링크를 한 번만 사용하도록 비복원 재매칭한 사양에서는 OR이 1.165(p=0.075)로 감소하여 통상적인 5 % 유의수준을 충족하지 못하였다. 곡률지표 산출 허용오차를 1, 2, 5 m로 변경해도 OR은 모두 양(+)의 방향을 유지하였으나, 5 m에서는 p=0.052로 통계적 근거가 경계 수준까지 약화되었고 곡률지표가 0으로 산출되는 링크 비율도 35.4 %에서 59.6 %로 증가하였다. 노선 수준에서 도로대장 급곡선 밀도와의 상관은 세 허용오차 모두 $\rho \approx 0.66$으로 유사하였으므로, 5 m에서의 약화는 노선 전체의 굴곡성 정보가 사라졌다기보다 짧은 링크에서 완만한 방향변화가 제거되면서 회귀분석에 사용할 세부 정보가 줄어든 결과로 해석된다.

Fig. 4. Sensitivity of the Curvature-Index Association to Sample and Spatial-Linkage Conditions and Representative-Link Assignment Rules

대표 링크 귀속방식이 주 분석결과에 미치는 영향도 검토하였다. 471개 위험지역 가운데 최대 중첩연장 기준과 중심점 최근접 기준이 동일한 링크를 선택한 경우는 138개(29.3 %)였으며, 나머지 333개(70.7 %)에서는 서로 다른 링크가 대표로 선택되었다. 두 기준이 다른 링크를 선택한 333개 위험지역에서 최대 중첩연장 기준 링크의 곡률지표 중앙값은 15.02 $^\circ$/km인 반면 중심점 최근접 기준은 0.00 $^\circ$/km였고, 이 차이는 통계적으로 유의하였다(Wilcoxon signed-rank test p<0.001). 특히 중심점 최근접 기준에서는 동일 연도·동일 LINK_ID 중복 제거 후 470개 후보 중 134개(28.5 %)가 길이 30 m 미만의 짧은 분할 링크였다. 동일한 30 m 최소 링크길이 기준을 적용하면 이들 링크가 분석대상에서 제외되므로, 중심점 최근접 방식은 짧게 분할된 링크를 상대적으로 자주 선택하고 그 결과 최종 분석표본의 구성도 크게 달라질 수 있음을 보여준다. 또한 짧은 링크는 2 m 형상 단순화 이후 내부 꼭짓점이 충분히 남지 않아 곡률지표가 0으로 산출될 가능성이 높기 때문에, 중심점 최근접 방식은 단순히 표본 수뿐 아니라 곡률지표 정보의 분포에도 영향을 줄 수 있다.

대표 링크 선정규칙 자체의 영향과 최종 분석표본 구성의 영향을 구분하기 위해, 두 기준 모두에서 분석 가능한 동일한 위험지역만을 이용한 공통표본 분석을 수행하였다. 30 m 최소 링크길이 기준과 AADT·대조 매칭조건을 적용한 중심점 최근접 기준의 분석 가능한 표본은 258개였으며, 주 분석과 동일한 연도·동일 링크 중복 제거 원칙을 적용한 후 257개가 남았다. 이 257개 위험지역을 고정하고 주 분석 전체표본에서 산출한 표준화 척도를 동일하게 적용한 상태에서 대표 링크만 변경하여 두 모형을 비교하였다(Table 6). 즉, 동일한 위험지역을 대상으로 링크 선택방법만 바꾸어 결과가 얼마나 달라지는지를 확인한 것이다. 곡률지표 OR은 최대 중첩연장 기준 1.146(p=0.121), 중심점 최근접 기준 1.028(p=0.749)이었고, 차로수도 각각 1.299(p=0.053)와 1.186(p=0.204)으로 전체표본에 비해 감소하였다. 곡률지표가 매칭층 내에서 실제로 변동하는 비율은 두 기준 모두 80 %를 넘었으므로, 중심점 최근접 기준에서 곡률지표가 유의하지 않은 결과를 단순히 곡률지표 정보가 모두 소실되었기 때문이라고 설명하기는 어렵다.

공통표본에 포함되지 않은 주 분석 전용 107개 사례의 특성도 추가로 검토하였다(Table 6 하단). 이들 사례의 곡률지표 중앙값은 16.62 $^\circ$/km로 공통표본의 17.41 $^\circ$/km보다 오히려 낮았다. 따라서 전체표본의 곡률지표 효과가 일부 매우 높은 곡률지표 사례에 의해 발생한 것으로 보기는 어렵다. 반면 매칭층 내 사례와 대조의 $\ln(1+C)$ 평균차는 주 분석 전용 사례에서 0.323으로, 공통표본의 0.138보다 두 배 이상 컸다. 또한 주 분석 전용 사례는 링크 길이가 더 짧고 차로수가 많으며 AADT 조사점과의 거리도 더 멀었다. 이러한 결과는 전체표본과 공통표본 사이의 추정치 차이가 개별 사례의 절대 곡률지표 값보다는 매칭층 내부에서 사례와 대조가 얼마나 다른지, 그리고 어떤 특성을 가진 사례가 최종 표본에 포함되는지가 함께 작용한 결과임을 보여준다.