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.

가구통행실태조사(Household Travel Survey)의 항목 구성은 교통 수요 예측 모델의 정립과 교통 정책 수립에 필요한 기초 자료를 확보하기 위해 체계적으로 설계된다. 조사 내용은 크게 가구의 일반 현황을 파악하는 가구 특성 항목, 가구원 개개인의 인적 속성을 다루는 개인 특성 항목, 그리고 특정 조사 일의 이동 궤적을 기록하는 통행 특성 항목으로 구분된다. 이러한 데이터의 유기적 결합을 통해 사회경제적 지표와 통행 행태 간의 상관관계를 분석하며, 이는 최종적으로 수요 분석의 가중치 산정과 전수화 과정의 기초가 된다.

가구 특성 항목은 통행 발생의 근원이 되는 가구 단위의 환경적 요인을 조사한다. 주요 항목으로는 가구원 수, 가구 소득 수준, 자동차 보유대수, 거주 형태 등이 포함된다. 가구 소득은 통행의 빈도와 교통수단 선택에 결정적인 영향을 미치는 변수이며, 자동차 보유 여부는 승용차 이용 확률을 결정짓는 핵심 지표로 작용한다. 특히 최근에는 가구 내 전동 킥보드나 전기 자전거와 같은 퍼스널 모빌리티(Personal Mobility) 보유 현황을 추가하여 변화하는 교통 환경을 반영하기도 한다. 이러한 가구 단위의 데이터는 통행 발생(Trip Generation) 단계에서 가구 유형별 발생 원단위를 산출하는 데 필수적이다.

개인 특성 항목은 가구에 속한 개별 구성원의 인구통계학적 속성과 사회적 지위를 파악하는 데 중점을 둔다. 성별, 연령, 직업, 직장 또는 학교의 소재지, 운전면허 소지 여부 등이 이에 해당한다. 연령과 직업은 통행의 목적과 시공간적 분포를 결정하는 주요 인자로, 예를 들어 경제활동인구는 주로 출퇴근 통행을 유발하며 고령층은 의료나 여가 목적의 통행 비중이 높게 나타나는 경향이 있다. 또한 개개인의 주 활동지와 거주지 간의 관계는 통행 분포(Trip Distribution) 모델에서 기종점 통행량(Origin-Destination Matrix)을 추정하는 근거가 된다.

통행 특성 항목은 조사 대상자가 하루 동안 수행한 모든 이동을 시간적 순서에 따라 상세히 기록하는 분절적 과정이다. 하나의 통행은 출발지에서 목적지까지 특정한 목적을 달성하기 위한 이동 단위로 정의되며, 각 통행에 대해 출발 및 도착 시각, 출발지와 목적지의 구체적 지명, 통행 목적, 이용 교통수단 등을 조사한다. 통행 목적은 일반적으로 출근, 등교, 업무, 쇼핑, 귀가 등으로 분류하며, 이는 도시 공간 구조 내에서 발생하는 통행 유인과 발생의 동기를 설명한다.

교통수단 선택에 관한 항목에서는 주된 수단뿐만 아니라 환승 과정에서 이용한 모든 보조 수단을 포함하여 조사한다. 여기에는 도보, 자전거, 승용차, 버스, 도시철도 등이 포함되며, 각 수단별 이용 시간과 비용, 환승 횟수 등을 상세히 수집한다. 이러한 자료는 교통수단 선택(Modal Split) 모델에서 수단별 효용 함수(Utility Function)를 추정하는 데 활용된다. 특히 최근의 조사 체계에서는 단순한 수단 분류를 넘어 공유 교통 서비스나 수요응답형 교통(Demand Responsive Transport, DRT)의 이용 여부를 포함함으로써 보다 정밀한 모빌리티 분석을 지향하고 있다.

데이터의 신뢰성을 확보하기 위해 조사 항목의 설계 시 무응답이나 오기입을 방지하기 위한 논리적 검토 과정이 수반된다. 예를 들어, 개별 통행의 도착 시각은 다음 통행의 출발 시각보다 앞설 수 없으며, 모든 통행의 최종 목적지는 대개 귀가로 수렴해야 한다는 통행 연쇄(Trip Chain)의 원리를 적용한다. 이러한 항목 구성과 논리적 체계는 가구통행실태조사가 단순한 통계 조사를 넘어 교통공학 및 도시계획의 과학적 토대를 제공하는 핵심적 수단임을 보여준다.¹⁾

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.

전통적인 가구통행실태조사는 가구원의 직접적인 응답에 의존하는 특성상 여러 구조적 한계에 직면해 있다. 가장 대표적인 문제는 응답 편향(Response bias)과 회상 편향(Recall bias)이다. 조사 대상자가 과거의 통행 기록을 기억해내는 과정에서 단거리 통행이나 비정형적인 목적의 통행을 누락하는 경우가 빈번하며, 이는 전체 통행량의 과소 추정으로 이어진다. 또한, 개인정보 보호 의식이 강화됨에 따라 조사 거부율이 상승하고 있으며, 이는 표본의 대표성을 확보하는 데 막대한 비용과 행정적 노력을 요구하게 만든다. 특히 5년 주기로 시행되는 대규모 전수조사 방식은 급격한 도시화나 모빌리티 환경의 변화를 적시에 반영하지 못하는 시의성 부재의 문제를 안고 있다.

사회 구조의 변화 역시 기존 조사의 한계를 심화시킨다. 1인 가구의 급증과 고령화 사회로의 진입은 과거의 표준적인 가구 통행 패턴과는 다른 양상을 보이며, 공유 경제의 확산에 따른 개인형 이동수단(Personal Mobility, PM) 및 수요응답형 교통(Demand Responsive Transport, DRT)의 등장은 기존의 설문 항목만으로는 포착하기 어려운 비정형적 통행을 양산하고 있다. 이러한 한계를 극복하기 위해 최근 교통 계획 분야에서는 빅데이터 기술과의 융합을 통한 조사 체계의 혁신을 도모하고 있다.

미래의 가구통행실태조사는 디지털 발자국(Digital footprint)을 활용한 데이터 보정 및 상시 조사 체계로 진화할 전망이다. 모바일 빅데이터를 활용하면 통신 기기의 기지국 신호를 통해 인구의 시공간적 분포를 실시간으로 파악할 수 있으며, 교통카드 데이터와 내비게이션 주행 기록은 수단 선택 및 경로 배정 단계에서 전수 데이터에 가까운 정밀도를 제공한다. 이러한 빅데이터는 전통적인 설문 조사를 완전히 대체하기보다는, 설문의 심층적인 사회경제적 변수와 빅데이터의 광범위한 표본성을 결합하는 하이브리드 방식으로 운영될 가능성이 높다.

분석 방법론 측면에서는 4단계 수요 예측 모형의 한계를 넘어 활동 기반 모형(Activity-Based Model, ABM)으로의 패러다임 전환이 가속화되고 있다. 활동 기반 모형은 통행을 단순한 지점 간 이동이 아닌, 인간의 일일 활동 스케줄을 충족하기 위한 파생 수요로 간주한다. 이는 에이전트 기반 모형(Agent-Based Model)과 결합하여 개별 가구원의 미시적인 통행 행태를 시뮬레이션함으로써, 특정 교통 정책이 개별 계층에 미치는 영향을 보다 정교하게 예측할 수 있게 한다. 결국 미래의 가구통행실태조사는 고정된 통계 산출물을 넘어, 실시간 데이터를 기반으로 교통 정책의 효과를 환류(Feedback)하는 동적인 교통 수요 관리 시스템의 핵심 엔진 역할을 수행하게 될 것이다.²⁾

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.