교통분석존(Traffic Analysis Zone, TAZ)은 교통 공학 및 도시 계획에서 교통 수요를 추정하고 분석하기 위해 지리적 공간을 통계적으로 유의미하게 분할한 최소의 공간 단위를 의미한다. 교통 계획(Transportation Planning)의 과정은 복잡한 현실 세계의 이동 현상을 추상화하여 모델링하는 작업을 수반하는데, 교통분석존은 이러한 추상화 과정에서 공간적 데이터의 집계와 분석을 가능하게 하는 기초 체계를 제공한다. 기본적으로 교통분석존은 거주 인구, 종사자 수, 자동차 보유 대수 등과 같은 사회경제 지표(Socio-economic Indicators)를 수집하고 관리하는 공간적 틀로서 기능한다.

전통적인 4단계 수요 예측 모형(Four-step Demand Forecasting Model)에서 교통분석존은 통행의 기점(Origin)과 종점(Destination) 역할을 수행한다. 현실의 통행은 개별 필지나 건물 단위에서 발생하지만, 이를 도시 전체 단위에서 분석하기 위해서는 적절한 크기의 구역으로 집계하는 과정이 필수적이다. 이에 따라 존 내부에서 발생하는 모든 통행은 해당 존의 기하학적 또는 활동적 중심인 중심점(Centroid)에서 시작되거나 끝나는 것으로 간주한다.

이러한 가정하에 특정 존 $ i $에서 발생하는 통행 발생량(Trip Generation) $ P_i $는 해당 존의 특성 변수들을 활용한 함수로 표현할 수 있다. 예를 들어, 선형 회귀 모형을 적용할 경우 다음과 같은 일반식을 갖는다.

$$ P_i = \beta_0 + \sum_{k=1}^{n} \beta_k X_{ik} + \epsilon_i $$

여기서 $ X_{ik} $는 존 $ i $의 $ k $번째 사회경제적 속성을 나타내며, $ _k $는 해당 변수의 영향력을 나타내는 계수이다. 이러한 정형화된 데이터 구조를 통해 분석가는 방대한 지역의 교통 흐름을 유한한 크기의 기종점 행렬(Origin-Destination Matrix)로 변환하여 계산의 효율성을 확보할 수 있다.

또한, 교통분석존은 실제 물리적 도로 네트워크와 모델 간의 가교 역할을 한다. 존의 중심점은 실제 도로상에 존재하는 노드(Node)가 아니므로, 이를 기존 도로망에 연결하기 위해 가상 연결로(Centroid Connector)라는 개념적 링크를 설정한다. 가상 연결로는 존 내부의 국지적인 통행을 집약하여 간선 도로망으로 전달하는 통로를 상징하며, 이를 통해 통행 배정(Traffic Assignment) 단계에서 차량이 실제 경로를 선택하는 과정을 모의할 수 있다.

결론적으로 교통분석존의 설정은 분석의 정밀도와 신뢰도를 결정짓는 핵심적인 단계이다. 존을 너무 광범위하게 설정할 경우 존 내부 통행(Intrazonal Trip)이 과다하게 발생하여 네트워크상의 실제 교통 흐름이 왜곡될 수 있으며, 반대로 너무 세분화할 경우 데이터 수집 및 처리 비용이 증가하고 모델의 수렴성이 저하되는 문제가 발생한다. 따라서 교통분석존은 행정 구역 경계, 토지 이용(Land Use) 특성, 그리고 산맥이나 하천과 같은 지리적 장벽을 종합적으로 고려하여 전략적으로 획정되어야 한다. 이러한 공간 분할 체계는 교통 수요 예측의 정확성을 담보하는 물리적 토대가 된다.

교통 계획 모델링에서 지리적 공간을 통계적으로 유의미한 단위로 구획한 기본 분석 체계를 설명한다.

국가 단위의 대존부터 도시 단위의 중존, 국지적 분석을 위한 소존까지의 계층적 체계를 다룬다.

신뢰도 높은 교통 수요 예측을 수행하기 위해서는 지리적 공간을 분석 단위로 분할하는 교통분석존(Traffic Analysis Zone, TAZ)의 설정 과정이 선행되어야 한다. 존 체계의 구축은 단순히 공간을 나누는 작업을 넘어, 입력 데이터의 통계적 유의성과 모델의 예측력을 결정짓는 핵심적인 기초 단계이다. 이를 위해 학술적·실무적으로 통용되는 몇 가지 주요 원칙과 기준이 존재한다.

첫째, 토지 이용의 동질성(Homogeneity) 확보이다. 하나의 존 내부는 가급적 유사한 토지 이용 특성을 가진 지역들로 구성되어야 한다. 예를 들어 주거 지역과 상업 지역, 또는 공업 지역이 하나의 존에 무분별하게 혼재될 경우, 해당 존의 사회경제적 지표를 바탕으로 통행 발생량을 산정할 때 모델의 설명력이 현저히 저하될 수 있다. 동질성이 확보된 존 체계는 통행 목적별 분석의 정확도를 높이는 데 기여한다.

둘째, 행정 구역 및 통계 단위와의 일치성(Compatibility)이다. 교통 분석에 필요한 인구, 가구 수, 종사자 수 등의 기초 자료는 주로 통계청의 인구주택총조사나 지방자치단체의 행정 통계를 통해 수집된다. 따라서 존 경계가 행정 구역인 읍·면·동 또는 법정동 경계와 일치하거나, 통계 집계의 최소 단위인 통계구역을 포함하는 구조를 가질 때 데이터의 정합성을 확보하기 용이하다. 이는 향후 장래 수요 예측 시 도시 기본계획상의 지표를 반영하는 과정에서도 필수적인 요건이 된다.

셋째, 지리적 폐쇄성과 물리적 장벽(Physical Barriers)의 고려이다. 하천, 산악 지형, 철도, 고속도로 등은 통행의 흐름을 단절시키거나 특정 지점으로 집중시키는 물리적 장벽 역할을 한다. 이러한 장벽을 존의 경계로 설정하지 않고 존 내부에 포함할 경우, 실제로는 단절된 지역임에도 불구하고 모델상에서는 자유로운 이동이 가능한 것으로 간주되어 내부 통행(Intrazonal trips)이 과다하게 산정되는 오류가 발생한다. 따라서 물리적 장벽은 존의 경계를 결정하는 중요한 지표가 된다.

넷째, 존의 적정 규모와 형태의 결정이다. 존의 크기는 분석의 목적과 가용 자원에 따라 결정되는데, 지나치게 큰 존은 존 내부 통행량을 과도하게 발생시켜 기종점 행렬(Origin-Destination Matrix)의 정밀도를 떨어뜨린다. 반면 존을 지나치게 세분화할 경우 연산 부하가 기하급수적으로 증가하며, 통계 데이터의 신뢰도가 낮아지는 문제가 발생한다. 일반적으로 도심 지역은 소규모로, 외곽 지역은 대규모로 설정하며, 형태는 특정 방향으로 길쭉한 형태보다는 원형이나 정방형에 가까운 등방성을 유지하는 것이 통행 배정의 편향을 방지하는 데 유리하다.

마지막으로, 존 설정 방식에 따라 통계적 분석 결과가 달라지는 수정 가능한 공간 단위 문제(Modifiable Areal Unit Problem, MAUP)를 최소화해야 한다. 동일한 데이터라 하더라도 존을 어떻게 구획하느냐에 따라 상관관계나 회귀 분석 결과가 왜곡될 수 있으므로, 분석가는 설정된 존 체계가 전체 네트워크 모델의 안정성과 일관성을 저해하지 않는지 검토해야 한다. 이러한 원칙들은 국가교통DB(KTDB) 구축 지침 등 국가 차원의 가이드라인을 통해 체계화되어 실무에 적용되고 있다.¹⁾

주거, 상업, 공업 등 유사한 사회경제적 특성을 가진 지역을 하나의 존으로 묶는 원칙을 설명한다.

하천, 철도, 간선도로와 같은 물리적 장벽과 행정동 경계를 고려한 구획 방법을 다룬다.

분석의 정밀도와 계산 효율성 사이의 균형을 맞추기 위한 존의 크기 및 개수 결정 기준을 고찰한다.

교통분석존(Traffic Analysis Zone, TAZ)은 교통 계획 수립의 근간이 되는 4단계 수요 예측 모형(Four-step Demand Forecasting Model)에서 공간적 분석의 기초 단위로서 핵심적인 기능을 수행한다. 전통적인 교통 수요 예측은 대상 지역을 상호 배타적이고 포괄적인 구역으로 분할하는 것에서 시작하며, 이렇게 구획된 교통분석존은 각 단계의 입력 자료를 구조화하고 분석 결과를 집계하는 틀을 제공한다. 교통분석존은 단순히 지리적 경계를 설정하는 것에 그치지 않고, 도시의 사회경제적 활동을 교통 체계와 연결하는 매개체 역할을 한다.

첫 번째 단계인 통행 발생(Trip Generation)에서 교통분석존은 통계적 분석의 기본 관측 단위가 된다. 각 존 내부에 거주하는 인구, 가구 수, 종사자 수, 자동차 보유 대수와 같은 사회경제 지표는 해당 존에서 발생하는 통행량($ P_i $)과 유입되는 통행량($ A_j $)을 결정하는 독립 변수로 활용된다. 일반적으로 회귀 분석(Regression Analysis)이나 카테고리 분석(Category Analysis) 기법을 통해 존 단위의 통행 생성 함수를 도출하며, 이는 도시 활동의 강도가 교통 수요로 전환되는 양을 정량화하는 과정이다.

두 번째 단계인 통행 분포(Trip Distribution) 단계에서 교통분석존은 기종점 행렬(Origin-Destination Matrix)의 행과 열을 구성하는 요소가 된다. 이 단계에서는 특정 존에서 발생한 통행이 어느 존으로 향하는지를 결정하며, 주로 중력 모형(Gravity Model)이 사용된다. 중력 모형은 두 존 사이의 통행량($ T_{ij} $)이 각 존의 통행 발생량 및 매력도에 비례하고, 존 간의 통행 저항(시간, 비용 등)에 반비례한다는 원리를 수식화한다.

$$ T_{ij} = P_i \frac{A_j F(c_{ij}) K_{ij}}{\sum_{k} A_k F(c_{ik}) K_{ik}} $$

위 수식에서 $ F(c_{ij}) $는 존 $ i $와 $ j $ 사이의 통행 비용에 따른 마찰 함수를 의미하며, 교통분석존 간의 공간적 이격 거리가 통행 패턴에 미치는 영향을 설명한다.

세 번째 단계인 수단 선택(Modal Split)에서 교통분석존은 존 간의 평균적인 서비스 수준을 산정하는 기준이 된다. 로짓 모형(Logit Model)과 같은 개별 선택 모형을 적용할 때, 존 간 이동에 소요되는 평균 통행 시간, 통행 비용, 환승 횟수 등의 변수는 교통분석존의 중심점을 기준으로 계산된다. 따라서 교통분석존의 크기와 형상은 각 교통 수단의 상대적 효용을 평가하는 데이터의 대표성을 결정짓는 중요한 요인이 된다.

마지막 단계인 노선 배정(Traffic Assignment)에서 교통분석존은 가상적인 통행의 시점과 종점 역할을 수행한다. 각 존의 중심을 대표하는 존 중심점(Centroid)은 실제 도로망이나 철도망에 직접 연결되지 않으므로, 커넥터(Connector)라고 불리는 가상의 링크를 통해 물리적 네트워크와 결합한다. 존 중심점에서 발생한 교통량은 커넥터를 타고 실제 가로망으로 유입되어, 이용자 평형(User Equilibrium) 원리에 따라 최적 경로를 선택하게 된다.

결과적으로 교통분석존은 집계적(Aggregate) 분석 방식인 4단계 모형에서 공간적 해상도를 결정하는 결정적인 변수이다. 교통분석존이 너무 광범위하게 설정될 경우 존 내부 통행(Intrazonal trip)이 과다하게 발생하여 실제 가로망의 부하를 과소평가할 위험이 있으며, 반대로 너무 미시적으로 설정될 경우 데이터 수집의 비용이 증가하고 모델의 연산 효율성이 저하될 수 있다. 따라서 교통 수요 예측 모델의 신뢰성을 확보하기 위해서는 분석의 목적과 네트워크의 정밀도에 부합하는 적정 규모의 교통분석존 체계를 구축하는 것이 필수적이다.

기종점(Origin-Destination, OD) 통행 데이터는 특정 지역 내에서 발생하는 모든 통행의 출발지와 목적지를 연결하여 수치화한 자료로, 교통 계획 수립을 위한 가장 기초적이면서도 핵심적인 정보이다. 교통분석존(Traffic Analysis Zone, TAZ) 간의 통행 흐름을 나타내는 기종점 행렬(Origin-Destination Matrix)은 행을 출발지($i$), 열을 도착지($j$)로 설정하여 구성한다. 행렬의 각 원소인 $T_{ij}$는 존 $i$에서 출발하여 존 $j$로 이동하는 통행량을 의미하며, 이는 교통 수요 예측의 2단계인 통행 분포(Trip Distribution) 단계에서 결정적인 역할을 수행한다. 기종점 행렬의 행의 합은 해당 존에서 발생하는 총 유출 통행량($O_i$)을 나타내고, 열의 합은 해당 존으로 유입되는 총 유입 통행량($D_j$)을 나타낸다. 이를 수식으로 표현하면 다음과 같다.

$$O_i = \sum_{j} T_{ij}, \quad D_j = \sum_{i} T_{ij}$$

기종점 통행 데이터를 구축하기 위한 전통적인 수집 방법으로는 가구 통행 실태 조사(Home Interview Survey, HIS)가 대표적이다. 이는 표본 가구를 선정하여 가구원의 하루 동안의 모든 이동 경로, 목적, 수단 등을 상세히 조사하는 방식이다. 조사된 표본 데이터는 해당 존의 전체 인구 및 가구 수와 비교하여 전수화(Expansion) 과정을 거치게 되며, 이 과정에서 표본의 대표성을 확보하기 위한 통계적 보정이 이루어진다. 또한 도시 경계나 특정 지점을 통과하는 차량을 대상으로 하는 노측 면접 조사(Roadside Interview Survey)나 번호판 조사(License Plate Survey)를 병행하여 외부 유입 및 통과 통행량을 보완한다. 이러한 전통적 방식은 통행 목적과 같은 속성 정보를 상세히 파악할 수 있다는 장점이 있으나, 조사 비용이 높고 조사 주기가 길어 급변하는 교통 상황을 적시에 반영하기 어렵다는 한계가 있다.

최근에는 정보통신기술의 발달에 따라 빅데이터를 활용한 기종점 데이터 구축이 활발하게 이루어지고 있다. 모바일 통신 데이터(Mobile Signaling Data)는 휴대전화 기지국 접속 정보를 바탕으로 개인의 시공간적 이동 궤적을 파악할 수 있게 하며, 이는 가구 통행 실태 조사보다 훨씬 방대한 표본 크기를 제공한다. 또한 스마트카드(Smart Card) 데이터는 버스나 지하철과 같은 대중교통 이용객의 정확한 승하차 지점과 환승 경로를 제공하여 대중교통 기종점 행렬 구축의 정밀도를 획기적으로 높였다. 내비게이션이나 지구 위치 확인 시스템(Global Positioning System, GPS) 기반의 궤적 데이터 역시 차량의 주행 경로와 통행 시간을 파악하는 데 유용하게 활용된다. 이러한 빅데이터 기반 구축 방식은 실시간성에 가까운 데이터 갱신을 가능하게 하며, 기존 설문 조사의 낮은 응답률 문제를 극복하는 대안으로 주목받고 있다.

구축된 기종점 행렬은 실제 도로상에서 관측된 교통량과 비교하여 검증 및 보정 과정을 거쳐야 한다. 이를 위해 특정 단면을 통과하는 교통량의 총합인 스크린라인(Screen Line) 조사와 도시 전체를 둘러싸는 가상의 경계선을 설정하는 커든라인(Cordon Line) 조사가 수행된다. 관측 교통량과 기종점 행렬에 의해 배정된 교통량 사이에 오차가 발생할 경우, 최우추정법(Maximum Likelihood Estimation)이나 엔트로피 극대화 모형(Entropy Maximization Model) 등을 활용하여 행렬의 원소를 조정한다. 최종적으로 완성된 기종점 통행 데이터는 도시의 교통 혼잡 지점을 파악하고, 신규 도로 건설이나 대중교통 노선 개편에 따른 편익 분석의 기초 자료로 활용됨으로써 도시 교통 체계의 효율성을 극대화하는 데 기여한다.

통행 발생부터 노선 배정까지의 각 단계에서 존 단위 데이터가 어떻게 활용되는지 상세히 다룬다.

각 존의 사회경제적 지표를 바탕으로 발생하는 통행량과 존 간 유출입량을 산정하는 기법을 기술한다.

존 간 이동 시 이용되는 교통 수단의 분담률과 최적 경로를 결정하는 메커니즘을 분석한다.

현대 교통 공학에서 지리정보시스템(Geographic Information System, GIS)은 교통분석존의 공간적 경계와 속성 정보를 효율적으로 결합하는 중추적 역할을 수행한다. GIS 기술은 교통분석존의 구획 과정에서 발생할 수 있는 기하학적 오류를 최소화하며, 위상 구조(Topology) 관리를 통해 인접 존 간의 경계 일치성을 보장한다. 특히 공간 데이터베이스 엔진을 활용하면 수만 개의 교통분석존과 그에 부수된 사회경제적 지표를 체계적으로 저장하고, 공간 연산 기능을 통해 각 존의 면적, 인구 밀도, 토지 이용 효율 등을 실시간으로 산출할 수 있다. 이는 과거 수작업이나 단순 도면 기반의 관리 방식이 가졌던 데이터 누락 및 부정확성 문제를 근본적으로 해결하였다.

빅데이터 기술의 도입은 교통분석존 내 데이터의 시의성과 정밀도를 획기적으로 개선하였다. 전통적인 교통 계획에서는 수년 주기로 시행되는 가구통행실태조사와 같은 표본 조사 데이터에 의존하여 존 단위의 통행량을 추정하였으나, 이는 급변하는 도시 환경을 반영하는 데 한계가 있었다. 최근에는 디지털 운행 기록 장치(Digital Tachograph, DTG), 스마트카드 결제 내역, 모바일 신호 데이터 등을 활용하여 교통분석존 간의 이동 패턴을 전수 조사에 가까운 수준으로 파악한다. 이러한 데이터는 데이터 마이닝(Data Mining)과 기계 학습(Machine Learning) 알고리즘을 거쳐 정제되며, 특정 존에서 발생하는 통행의 목적과 시간대별 변동성을 정밀하게 모사하는 데 기여한다.

공간 정보 기술과 빅데이터의 융합은 교통분석존 관리를 정적 체계에서 동적 체계로 전환시킨다. 클라우드 컴퓨팅 환경에서 통합된 교통 데이터는 교통분석존 단위의 분석 결과를 시각화하여 정책 결정자에게 제공하며, 이는 의사결정 지원 시스템(Decision Support System, DSS)의 핵심 요소로 기능한다. 예를 들어, 특정 지역의 개발 사업이 추진될 때 해당 교통분석존의 유입 인구 변화를 예측하고 주변 도로망에 미치는 부하를 시뮬레이션함으로써 최적의 교통 영향 평가를 수행할 수 있다. 이러한 기술적 진보는 교통분석존을 단순한 통계 구획을 넘어, 도시의 물리적 환경과 인적 활동을 디지털상에서 연결하는 디지털 트윈(Digital Twin)의 기초 단위로 진화시키고 있다.

또한, 상호운용성(Interoperability) 확보를 위한 표준화 작업은 서로 다른 플랫폼 간의 데이터 공유를 가능하게 한다. 국가공간정보표준에 따라 구축된 교통분석존 데이터는 도시 계획, 재난 관리, 환경 영향 평가 등 타 분야의 공간 데이터와 결합하여 다학제적 분석에 활용된다. 특히 오픈 소스 GIS 소프트웨어와 빅데이터 분석 프레임워크의 결합은 고비용의 전용 소프트웨어 없이도 정교한 교통 수요 분석을 가능하게 함으로써, 지방자치단체나 연구 기관의 분석 역량을 상향 평준화하는 데 기여하였다. 결과적으로 공간 정보 기술과 빅데이터의 융합은 교통분석존 관리의 효율성을 극대화하고, 데이터 기반의 과학적 행정 구현을 뒷받침하는 기술적 토대가 된다.

디지털 지도를 활용하여 교통분석존의 공간적 속성을 시각화하고 연산하는 기술적 측면을 설명한다.

모바일 통신 데이터와 카드 결제 정보 등을 활용하여 실시간에 가까운 존 단위 유동 인구를 파악하는 방법을 다룬다.

전통적인 교통분석존(Traffic Analysis Zone, TAZ) 체계는 지리적 공간을 유한한 단위로 구획하여 복잡한 교통 현상을 수치화하는 데 기여해 왔으나, 도시 구조의 복잡화와 분석 정밀도에 대한 요구가 높아짐에 따라 여러 이론적·실무적 한계에 직면하고 있다. 가장 대표적인 한계는 수정 가능한 공간 단위 문제(Modifiable Areal Unit Problem, MAUP)이다. 이는 동일한 공간적 현상을 분석하더라도 분석자가 설정한 경계의 모양(shape)이나 크기(scale)에 따라 상관계수나 회귀 분석 결과가 왜곡되는 현상을 의미한다. 통계적 유의성을 확보하기 위해서는 존 내부의 사회경제적 동질성을 극대화해야 하지만, 현실적으로 모든 변수를 만족하는 완벽한 경계 설정은 불가능하며, 분석자의 주관에 따라 결과가 달라질 수 있다는 취약점이 존재한다.

또한, 교통분석존은 존 내부에서 발생하는 통행(Intra-zonal trip)을 적절히 반영하지 못한다는 구조적 결함을 가진다. 교통 수요 예측의 4단계 모형은 주로 존과 존 사이의 이동에 초점을 맞추기 때문에, 존 내부의 미시적인 보행 환경이나 자전거와 같은 단거리 이동 수단의 행태를 모형화하는 데 한계가 있다. 이는 최근 강조되는 지속 가능한 교통 정책이나 개인형 이동장치(Personal Mobility, PM)의 확산에 따른 미시적 분석 수요를 충족시키지 못하는 원인이 된다. 통계적으로는 전체 분산 $\text{Var}(X)$가 존 간 분산과 존 내 분산의 합으로 구성될 때, 존 내 분산의 비중이 커질수록 해당 TAZ 데이터의 대표성은 저하된다.

$$ \text{Var}(X) = \text{Var}[E(X|Z)] + E[\text{Var}(X|Z)] $$

이러한 한계를 극복하기 위해 현대 교통 공학 분야에서는 집계적 분석에서 미시적 분석으로의 패러다임 전환이 가속화되고 있다. 그 중심에는 활동 기반 모형(Activity-Based Model, ABM)이 있다. 활동 기반 모형은 고정된 공간 단위인 존을 중심으로 통행량을 산정하는 대신, 개별 행위자(Agent)의 하루 일과와 활동 목적을 추적하는 행위자 기반 모델링(Agent-Based Modeling) 방식을 취한다. 이를 통해 시간대별 공간 활용과 통행 사슬(Trip Chain)을 정밀하게 분석할 수 있으며, 정책 변화에 따른 개인의 행태 변화를 더욱 민감하게 예측할 수 있다.

최근에는 빅데이터와 지리정보시스템(Geographic Information System, GIS) 기술의 비약적인 발달로 인해 정적인 교통분석존을 보완하거나 대체하려는 연구가 활발히 진행되고 있다. 모바일 통신 데이터와 스마트카드 결제 정보, GPS 궤적 데이터 등을 활용하면 행정 경계에 구애받지 않는 가변적이고 동적인 존 구획이 가능하다. 예를 들어, 기계 학습(Machine Learning)의 클러스터링 기법을 적용하여 실제 유동 인구의 흐름과 토지 이용 패턴이 일치하는 지점을 실시간으로 그룹화함으로써 분석의 유연성을 극대화할 수 있다.

결론적으로 미래의 교통분석 체계는 고정된 격자나 행정 구역 기반의 TAZ에서 벗어나, 분석 목적에 따라 공간 단위를 자유롭게 조정하는 다수준(Multi-level) 분석 체계로 진화할 것으로 전망된다. 이는 스마트 시티의 실시간 교통 제어와 수요 응답형 교통(Demand Responsive Transport, DRT) 체계의 최적 운영을 위한 이론적 토대가 된다. 또한 인공지능을 활용한 공간 최적화 알고리즘은 공간 자기상관(Spatial Autocorrelation)을 고려한 정교한 경계 설정을 가능하게 하여, 정책 결정의 신뢰도를 한층 높일 것으로 기대된다.

공간 단위를 임의로 설정함에 따라 발생하는 통계적 왜곡 현상인 수정 가능한 공간 단위 문제를 분석한다.

존 중심의 집계적 분석에서 벗어나 개별 행위자의 활동 패턴을 추적하는 미시적 분석 기법으로의 발전을 논한다.