A Study on Measures to Strengthen the Automobile Insurance Dispute Resolution System in Preparation for the Autonomous Driving Era - Focusing on the Quasi-Judicial Functions of the Civil Resolution Tribunal (CRT) in British Columbia, Canada -
Bibliographic record
Abstract
본 연구는 자율주행자동차 기술의 급진적인 발전이 기존 자동차보험 제도에 제기하는 새로운 도전 과제에 주목하였다. 특히, 자율주행 사고 발생 시 책임 소재의 복잡성으로 인해 피해자 보상이 지연될 수 있다는 문제의식은 ‘과실 유무’를 따지지 않고 신속하게 보상하는 무과실보험(no-fault insurance) 제도의 재조명으로 이어진다. 그러나 무과실보험이 신속성 측면에서 강점을 지녔음에도 불구하고, 그 국내 단순 도입은 피해자의 ‘충실한 보호’를 저해하고 새로운 사회적 비용을 유발할 수 있다는 점에 본 연구는 깊은 우려를 갖고 있다. 이를 규명하기 위하여 무과실보험의 이론적 배경과 주요 유형을 분석하였다. 특히 미국의 도입 경험을 통해 예기치 못한 부작용과 보험료 상승 등 다대한 한계를 확인하였다. 미국의 사례는 순수한 의미의 무과실보험 도입이 예측 불가능한 사회적 비용 증가라는 그림자를 내포하고 있음을 보여준다. 이와 함께, 한국의 「자동차손해배상보장법」체계가 이미 운행자책임의 무과실 원칙, 강제보험, 피해자 직접청구권 등 준무과실적 기능을 수행하고 있음을 밝히는 바이다. 이러한 국내 제도의 특수성을 고려할 때, 무과실보험의 해외 부정적 경험과 더불어 국내 도입은 실익이 적으며, 기존 법체계와의 충돌 쟁점(직접청구권 상실, 재판을 받을 권리침해 등)이 존재함을 본 연구는 강조하였다. 나아가, 2021년 ‘Enhanced Care’ 제도를 통해 무과실보험 체계를 전면적으로 도입한 캐나다 브리티시컬럼비아(B.C.)주의 사례를 분석하였다. 특히 B.C.주 민사분쟁해결기관(CRT)의 결정례 유형 분석을 통해 무과실보험 도입이 신속한 보상과 보험료 안정화에는 기여하였으나, 피해자의 실질적인 손해보전, 특히 비재산적 손해 및 장기 치료의 영역에서 명확한 한계와 문제점을 노출하였음이 드러났다. CRT는 이러한 제도의 한계가 개별 피해자에게 미치는 영향을 조정하는 역할을 수행하였지만, ‘과실 유무’를 따지지 않음으로써 줄어드는 법적 분쟁의 이점에도 불구하고 ‘보상의 적절성’에 대한 새로운 유형의 분쟁이 발생하고 있음을 보여주었다. 분석 결과를 바탕으로 국내 자동차보험 제도에 대한 중요한 시사점을 도출하였다. 본 연구는 무과실보험 도입 시 캐나다 B.C.주 사례에서 나타난 피해자 보상 범위 축소 및 그로 인한 문제점들에 대한 분석과 보완책 마련이 선행되어야 함을 주장한다. 궁극적으로는, 무과실보험의 국내 단순 도입보다는 현행 분쟁 해결 시스템의 강점을 적극 부각하고, 자동차손해배상진흥원 공제분쟁조정분과위원회의 전문성과 유기적인 손해배상의료심사위원회와의 연계를 통해 소비자 중심의 분쟁 해결 시스템을 구축하는 것이 자율주행 시대에 피해자 보호의 ‘신속성’과 ‘충실성’을 동시에 확보하는 효과적인 대안임을 제언한다. 이는 국내 자동차보험 전반의 분쟁 해결 시스템을 선진화하여 불필요한 사회적 비용을 절감하고 피해자의 권익을 보호하는 데 기여할 것이다. 다만, 본 연구는 국내 보험분쟁 관련 실증 자료 및 정책 추진 전략에 대한 심층 분석이 다소 부족하다는 한계를 지닌다. 따라서 향후 연구에서는 국내 실증 자료를 보완하고 자율주행 사고 특성에 따른 보험·분쟁 유형별 차별화된 대응 방안 및 국제 비교 분석 확대를 통해 더욱 심도 있는 연구가 이루어질 필요가 있다.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.039 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.009 | 0.004 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".