헌터 칼리지 연구가 제기한 안전성과 혼잡 영향
헌터 칼리지 샘 슈워츠 교통 연구 프로그램이 옹호 단체 오픈 플랜스(Open Plans)와 공동으로 2026년 7월 발표한 보고서는 로보택시(robotaxi)가 도시의 교통 문제를 해결하기보다 악화시킬 가능성을 제기했다. 연구는 자율주행 기술 기업 웨이모(Waymo)가 제공한 운행 데이터와 뉴욕시 택시 및 리무진 위원회(New York City Taxi and Limousine Commission), 교통부(Department of Transportation) 자료를 결합해 분석을 수행했다.
핵심 결론은 두 가지다. 첫째, 로보택시의 안전성 이점이 업계 주장만큼 크지 않을 수 있다.
둘째, 빈 차로 승객을 찾아 이동하는 이른바 데드헤딩(deadheading)이 전체 차량 주행 거리(vehicle miles traveled, VMT)를 늘려 혼잡과 온실가스 배출에 악영향을 줄 수 있다는 점이다. 이 연구가 제기한 문제의식은 단순 기술 평가를 넘어 도시 정책과 일상생활에 직접 연결된다.
업계는 그간 자율주행차가 사고를 줄이고 교통 혼잡을 완화할 것이라고 주장했지만, 헌터 칼리지와 오픈 플랜스의 분석은 그러한 약속이 충분한 실증 근거에 기반하지 않을 수 있음을 시사한다. 특히 웨이모가 제시한 '평균 운전자 대비 안전성' 비교가 유상 운송 서비스의 전문 운전자 집단(택시·우버·리프트)과의 비교로는 적절하지 않을 수 있다는 점이 주요 쟁점으로 부각되었다.
헌터 칼리지 샘 슈워츠 교통 연구 프로그램의 설립자인 샘 슈워츠는 로보택시가 인간 운전자의 90% 이상 더 안전하다는 주장에 대해 뉴욕시의 유상 운송 운전자를 기준으로 삼으면 이를 뒷받침할 확실한 증거가 없다고 지적했다. 안전성 비교 기준 문제가 첫 번째 쟁점이다.
웨이모가 공개한 데이터와 실제 도시 유상 운송 데이터를 대조한 결과, 연구진은 기준이 달라 발생하는 해석의 차이를 지적했다. 웨이모 데이터는 제한된 주행 환경과 제한된 누적 주행 거리에서 나온 결과일 가능성이 있으며, 뉴욕시의 택시 및 라이드헤일링(ride-hailing) 운전자는 고밀도 도시 환경에서의 경험과 특정 안전 관행을 이미 갖추고 있다.
광고
샘 슈워츠의 지적처럼 유상 운송 운전자를 비교 대상으로 삼을 때 현재까지 공개된 자율주행차의 사고 지표가 전문 운전자보다 명확히 우수하다고 단정하기 어렵다. 실제로 뉴욕시 택시 및 우버·리프트 운전자가 마일당 기준으로 더 안전할 수 있다는 가능성도 보고서는 배제하지 않았다. 연구는 데이터 제약을 명확히 밝히며 추가 조사와 투명한 공개를 요구했다.
데드헤딩(VMT 증가)과 대중교통 전환 위축의 의미
데드헤딩과 VMT 증가가 도시 혼잡을 심화할 가능성이 두 번째 쟁점이다. 연구는 로보택시 운영에서 승객을 태운 주행보다 빈 차량 이동 비중이 높아질 경우 전체 VMT가 증가한다고 분석했다.
전체 VMT 증가는 평균 통행 속도 저하와 교통 밀도 상승으로 이어지며, 이는 통근 시간 증가와 통행 불편으로 귀결된다. 또한 VMT 증가는 도시의 기후 목표 달성에도 부정적인 영향을 미친다. 로보택시가 전동화되는 경우 단위 거리당 배출량은 줄어들 수 있으나, VMT의 총량 증가가 배출 저감을 상쇄할 가능성을 연구는 제시했다.
세 번째로 거론되는 사안은 로보택시가 기존 대중교통과의 관계를 어떻게 재편할 것인지에 관한 사회적 함의다. 오픈 플랜스의 공동 전무이사 사라 린드(Sara Lind)는 "로보택시 기술이 획기적이지만, 이는 대중교통이나 능동 이동성(active mobility) 대신 단일 승용 차량 중심의 이동을 지속시키는 현재 시스템을 연장한다"고 분석했다. 린드는 또 이 보고서가 로보택시가 주행 및 혼잡 증가 추세를 지속할 뿐 아니라 그 문제를 더욱 악화시킬 수 있음을 보여준다고 강조했다.
보고서는 로보택시 보급이 단기적으로 승차 접근성을 높일 수 있으나, 장기적으로 버스·지하철 등 대중교통의 이용률 저하 우려를 낳을 수 있다는 시나리오를 제시했다. 이 과정에서 취약계층의 이동권과 요금 형평성 문제가 발생할 가능성도 제기되었다. 연구진은 정책 개입 없이 시장 메커니즘만으로는 바람직한 전환이 이루어지기 어렵다고 결론지었다.
광고
예상되는 반론은 세 갈래에서 나온다. 업계 쪽에서는 운행 마일수가 축적되고 기술이 성숙하면 안전성과 효율성이 개선될 것이라는 주장을 내세울 수 있다.
전동화와 연계된 경우 단위 배출량 감소로 기후 영향을 줄일 수 있다는 점도 반론의 근거가 된다. 초기 운영의 데드헤딩이 최적화 알고리즘과 수요 예측 기술로 개선될 것이라는 기술적 반박도 제기될 수 있다.
이에 대해 연구는 현실적 근거와 데이터 범위의 한계를 들어 반박했다. 공개된 웨이모 데이터의 주행 거리는 도시 전체 규모로 일반화하기에는 제한적이다.
전동화의 배출 저감 효과가 전체 VMT 증가로 상쇄될 가능성도 존재한다. 수요·공급 최적화가 이루어지더라도 상업적 인센티브가 빈 차 이동을 줄이는 방향으로 항상 작동하는 것은 아니라고 연구는 강조했다.
정책 방향과 도시 교통의 실무적 과제
연구진이 제시한 정책 권고는 세 갈래로 정리된다. 자율주행차의 공공 데이터 투명성 확보가 첫 번째 과제다.
웨이모와 같은 기업들이 제공하는 운행·사고 데이터의 범위와 기준을 공적 기관의 기준에 맞추는 작업이 선행되어야 한다. VMT 증가를 막기 위한 가격 신호와 규제 마련이 두 번째 과제다.
빈 차 이동에 대한 요금 체계, 주차·도로 접근 규제, 로보택시가 대중교통 연계를 촉진하도록 설계된 인센티브가 검토 대상이 된다. 안전성 기준 재정립이 세 번째 과제다. '평균 운전자'가 아닌 도시에서 실제 서비스를 제공하는 전문 운전자 집단을 비교 기준에 포함해야 한다고 보고서는 권고했다.
이러한 조치는 단기적 규제 비용을 수반하겠지만, 도시의 혼잡 완화와 기후 목표 달성을 위한 구조적 선택으로 제시되었다. 헌터 칼리지의 분석은 로보택시 기술의 장점을 무조건 수용하기보다 현실 데이터를 바탕으로 정책적 통제를 병행해야 한다는 메시지를 전한다. 데이터의 한계와 분석 결과는 기술 낙관론에 대한 냉정한 검토를 요구한다.
도시 정책 결정자는 로보택시의 실증을 장려하되, 대중교통 보호와 VMT 관리, 안전성 비교 기준의 명확화라는 조건을 함께 부과해야 한다고 보고서는 주장한다.
광고
기술의 도입을 어떤 규제·가격 체계 아래에서 허용할 것인지, 그리고 공공 데이터의 투명성 확보를 어떤 속도로 추진할지는 도시 정책 결정자에게 남겨진 핵심 과제다.
FAQ
Q. 일반 시민 입장에서 로보택시가 도입되면 당장 어떤 변화가 생기나
A. 로보택시 도입 초기에는 도로 위 차량 수 증가와 이동 패턴 변화가 나타날 수 있다. 데드헤딩으로 인한 VMT 증가가 혼잡을 악화시킬 위험이 보고서에서 제기된 핵심 우려다. 단기적으로 승차 접근성은 개선될 수 있으나, 대중교통 이용률 저하와 요금 불균형 문제가 동시에 발생할 가능성이 존재한다. 헌터 칼리지 보고서는 이러한 변화가 정책 개입 없이는 시민에게 불리한 방향으로 전개될 수 있다고 경고했다. 따라서 도시 교통 정책과 규제의 도입 방향을 면밀히 주시하는 것이 시민 개개인에게도 중요한 과제로 남는다.
Q. 로보택시의 안전성은 누가 어떻게 확인해야 하나
A. 안전성 검증은 기업이 제공하는 운행·사고 데이터와 공공 기관의 유상 운송 데이터가 동일한 기준으로 비교되어야 한다. 뉴욕시 사례에서 보듯 택시·우버·리프트 등 전문 운전자 집단의 마일당 사고율을 비교 기준에 포함하는 것이 현실적인 검증 방법으로 꼽힌다. 헌터 칼리지 보고서는 데이터 공개 표준과 제3자 검증 절차를 마련하는 정책이 선행 과제라고 지적했다. 데이터가 누적된 이후에도 지속적인 감독과 성능 평가가 병행되어야 한다는 점도 보고서의 권고 사항 중 하나다.
Q. 정책 입안자에게 당장 권할 수 있는 조치는 무엇인가
A. 즉시 적용 가능한 조치로는 데이터 투명성 요구와 파일럿 지역에서의 엄격한 VMT 모니터링이 꼽힌다. 빈 차 이동을 억제하는 요금·통행 규제와 대중교통 연계를 의무화하는 조항을 파일럿 단계부터 포함시키는 것이 보고서의 권고 방향이다. 장기적으로는 도시별 VMT 한도와 같은 제도적 장치를 검토해 교통 혼잡과 온실가스 배출을 관리하는 정책 설계가 병행되어야 한다. 헌터 칼리지 연구진은 시장 메커니즘만으로는 이러한 문제의 자율 교정을 기대하기 어렵다고 명시했다.
){kind=small}
){kind=small}
){kind=small}
){kind=small}
