가구통행실태조사의 기본 개념을 정의하고 교통 계획 수립에서 차지하는 위상과 역할을 설명한다.

특정 지역 내 거주하는 가구원을 대상으로 이들의 일상적인 이동 행태를 파악하기 위해 실시하는 전수 또는 표본 조사의 의미를 다룬다.

교통 수요 예측의 정확도를 높이고 효율적인 교통 정책을 수립하기 위한 기초 자료로서의 중요성을 서술한다.

국가통계로서의 법적 지위와 조사를 주관하는 기관 및 주기적인 시행 체계에 대해 설명한다.

조사의 신뢰성을 확보하기 위한 통계적 설계 방법과 표본 추출의 원리를 고찰한다.

조사 대상이 되는 공간적 범위와 시간적 범위를 설정하고 모집단을 정의하는 과정을 다룬다.

층화추출법이나 집락추출법 등 가구 특성을 반영하기 위한 다양한 통계적 추출 기법을 설명한다.

가구통행실태조사에서 수집하는 구체적인 데이터 항목과 그 분류 체계를 상세히 기술한다.

가구 소득, 차량 보유 대수, 개인의 연령, 직업 등 통행 발생에 영향을 미치는 사회경제적 변수를 다룬다.

출발지와 목적지, 통행 목적, 이용 교통수단, 소요 시간 등 개별 통행의 구체적 속성을 정의한다.

출근, 등교, 쇼핑, 업무, 여가 등 통행을 유발하는 동기별 분류 체계를 설명한다.

도보, 자전거, 승용차, 대중교통 등 이용자가 선택한 수단의 종류와 환승 체계를 기술한다.

전통적인 조사 방식부터 정보통신기술을 접목한 최신 조사 기법까지의 발전 과정을 살펴본다.

조사원이 가구를 직접 방문하여 면접을 진행하거나 자기기입식 설문지를 회수하는 방식을 설명한다.

인터넷 조사, 모바일 애플리케이션, 전화 조사 등을 활용한 효율적인 데이터 수집 방식을 다룬다.

가구통행실태조사를 통해 수집된 원시 데이터(Raw Data)는 전수화(Expansion) 과정을 거쳐 모집단의 통행 특성을 대표하는 통계치로 변환된다. 이렇게 가공된 데이터는 교통수요예측의 핵심 입력 자료로 활용되며, 주로 전통적 4단계 모델(Four-step Model)을 통해 분석이 이루어진다. 분석의 첫 단계인 통행발생(Trip Generation) 단계에서는 가구원 수, 자동차 보유 대수, 가구 소득 등 사회경제적 지표와 발생 통행량 간의 관계를 규명한다. 주로 회귀분석(Regression Analysis)을 활용하여 특정 교통분석존(Traffic Analysis Zone, TAZ)에서 발생하는 통행량을 추정하며, 그 함수식은 다음과 같은 일반적인 형태를 띤다.

$$ T_i = \alpha + \beta_1 X_{i,1} + \beta_2 X_{i,2} + \dots + \beta_n X_{i,n} + \epsilon $$

여기서 $ T_i $는 구역 $ i $의 발생 통행량이며, $ X_{i,n} $은 해당 구역의 독립 변수, $ _n $은 회귀 계수를 의미한다. 이러한 분석을 통해 특정 지역의 인구 증가나 경제 성장이 미래의 교통 수요에 미치는 영향을 정량적으로 파악할 수 있다.

이어지는 통행분포(Trip Distribution) 단계에서는 발생한 통행이 어느 목적지로 향하는지를 결정하여 기종점(Origin-Destination, OD) 행렬을 구축한다. 가구통행실태조사에서 수집된 실제 통행 패턴은 중력 모형(Gravity Model)의 매개변수를 추정하는 기준(Ground Truth)이 된다. 중력 모형은 두 구역 간의 통행량이 각 구역의 활동 규모에 비례하고, 이동 거리나 비용과 같은 저항 값에 반비례한다는 가정에 기초한다.

$$ T_{ij} = K \cdot \frac{O_i^\alpha D_j^\beta}{f(c_{ij})} $$

$ T_{ij} $는 구역 $ i $에서 $ j $로의 통행량, $ O_i $와 $ D_j $는 각각 출발지와 목적지의 통행 강도, $ f(c_{ij}) $는 통행 비용에 따른 마찰 함수(Friction Function)를 나타낸다. 조사 데이터는 이 마찰 함수의 형태를 결정하고 지역 간 이동의 공간적 상호작용을 보정하는 데 필수적인 역할을 한다.

수단선택(Mode Choice) 단계에서는 조사 데이터에 포함된 개별 통행자의 선택 행태를 바탕으로 확률적 선택 모형을 구축한다. 특히 로짓 모형(Logit Model)이 널리 사용되는데, 이는 통행자가 여러 교통수단 중 자신의 효용(Utility)을 극대화하는 수단을 선택한다는 합리적 선택 이론에 기반한다. 가구통행실태조사를 통해 얻은 수단별 이용 비중과 소요 시간, 비용 데이터는 효용 함수의 계수를 산출하는 최우추정법(Maximum Likelihood Estimation)의 기초가 된다. 특정 수단 $ i $를 선택할 확률 $ P_i $는 다음과 같이 계산된다.

$$ P_i = \frac{e^{V_i}}{\sum_{j \in C} e^{V_j}} $$

여기서 $ V_i $는 수단 $ i $의 관측 가능한 효용이며, $ C $는 선택 가능한 모든 수단의 집합이다. 이를 통해 새로운 교통수단(예: 도시철도, 자율주행 셔틀) 도입 시 기존 수단으로부터의 전환 수요를 예측할 수 있다.

마지막 노선배정(Traffic Assignment) 단계에서는 선택된 수단별 통행량을 실제 교통망(Transportation Network)에 할당한다. 이 과정에서 가구통행실태조사는 시간대별 통행 집중률이나 목적별 통행 특성을 제공하여, 네트워크상의 혼잡도를 보다 정밀하게 예측할 수 있도록 돕는다. 최근에는 개인의 일과(Activity)를 중심으로 통행을 분석하는 활동기반 모델(Activity-based Model)이 도입되면서, 가구통행실태조사의 개별 가구 및 개인 속성 데이터는 더욱 미시적인 시뮬레이션의 기초 단위로 활용되고 있다. 이러한 모델링 기법은 단순한 시설 확충을 넘어 교통수요관리(Transportation Demand Management, TDM)나 맞춤형 모빌리티 서비스 정책 수립에 유연한 분석 환경을 제공한다.

조사된 표본 데이터를 모집단 규모로 확대하기 위한 가중치 산정 및 오류 검수 과정을 설명한다.

통행 발생, 통행 분포, 수단 선택, 노선 배정으로 이어지는 전통적 4단계 수요 예측 과정을 다룬다.

현재 조사가 직면한 과제와 빅데이터 기술과의 융합을 통한 향후 발전 방향을 제시한다.

낮은 응답률, 막대한 비용, 조사 주기의 장기화 등 전통적 방식의 문제점을 분석한다.

통신 데이터, 교통카드 기록, 내비게이션 데이터 등을 활용하여 조사의 정밀도를 높이는 방안을 고찰한다.