This study analyzes and compares the determinants of accident severity between human-driven vehicle (HDV) and autonomous vehicle (AV) mixed environments using collision data from the California Department of Motor Vehicles . To address the high dimensionality and categorical complexity of the dataset, an XGBoost-based classification model was developed and the Shapley additive explanations method was employed to explain the contribution and directional influence of each explanatory variable. An undersampling and ensemble approach was utilized to mitigate class imbalances and enhance the model stability. The results revealed that in an HDV environment, driver perception and evasive responses were dominant factors influencing crash outcomes, with collision direction and relative speed significantly affecting the severity. By contrast, in the AV–HDV mixed environment, intersection conditions and complex driving contexts were associated with higher accident severity, thus demonstrating the current limitations of AV systems in managing unstructured traffic scenarios. These findings suggest that as AV deployment progresses, the key determinants of crash severity shift from human behavioral factors to system and environmental factors, thus providing empirical insights for future AV safety evaluations and policy frameworks.

고속도로 터널 구간은 일반 도로에 비해 사고 발생 빈도와 심각도가 높으며, 특히 터널 내에서 발생하는 사고나 공사와 같은 돌발 상황은 대기 행렬을 유발해 후미 추돌 위험을 증가시킨다. 본 연구에서는 운전자가 돌발 상황 지점에 접근할 때 선제적으로 대응할 수 있도록, Driving Simulator를 활용하여 다양한 정보를 제공하는 터널 내 교통관리 시스템의 효과를 분석하였다. 분석 대상은 차로 변 경 유도, 속도 감소 유도, 돌발 상황 안내로 구성된 세 가지 교통관리 시스템의 개별 효과와 이들의 통합 운영이 터널의 안전성과 운 영 효율성에 미치는 영향을 포함하였다. 분석 결과, 세 가지 교통관리 시스템을 통해 터널 내 평균 통행 속도가 증가하였으며, 돌발 상황 발생 지점에서 차량의 차로 변경과 감속이 선제적으로 이루어지고 급감속 횟수가 현저히 감소하였다. 본 연구는 터널 내 돌발 상황 발생 시 다양한 정보를 제공함으로써 터널의 안전성과 교통흐름을 개선할 수 있음을 입증하였으며, 특히 여러 시스템을 통합적 으로 운영할 때 그 효과가 극대화됨을 Surrogate Safety Measure를 통해 확인하였다. 이러한 결과는 향후 터널 교통관리에서 단일 시스 템의 기능만을 고려하기보다는, 다양한 교통관리 시스템 간 상호작용을 고려해야 함을 시사한다.