교통수요예측(Transportation Demand Forecasting)은 미래의 특정 시점에 특정 교통 시설이나 체계를 이용할 통행의 양과 특성을 과학적 기법을 통해 추정하는 일련의 과정을 의미한다. 이는 교통공학 및 도시계획의 핵심적인 영역으로, 한정된 자원을 효율적으로 배분하기 위한 의사결정의 기초 자료를 제공한다. 특히 대규모 사회기반시설 투자 사업의 경제적 타당성을 평가하거나, 도시의 교통 혼잡을 완화하기 위한 정책 수립에 있어 필수적인 단계이다. 교통수요는 단순한 수치가 아니라, 인간의 경제적·사회적 활동을 영위하기 위해 발생하는 파생 수요(Derived Demand)라는 특성을 지닌다. 따라서 예측 과정에서는 단순히 교통량 자체만을 분석하는 것이 아니라, 사회 구조와 경제적 동인에 대한 심도 있는 고찰이 수반되어야 한다.

사회적 기능 측면에서 교통수요예측은 공공 재정의 낭비를 방지하고 사회적 편익을 극대화하는 역할을 수행한다. 예측된 수요를 바탕으로 도로, 철도, 공항 등 교통 시설의 규모와 건설 시기를 결정하며, 이는 국가의 국토종합계획 및 지역 단위의 도시기본계획과 긴밀하게 연계된다. 정확한 수요예측은 과잉 투자를 방지하여 예산 효율성을 높이는 동시에, 과소 예측으로 인한 극심한 교통 체증과 사회적 비용 발생을 사전에 차단한다. 또한, 현대 사회에서는 환경적 지속 가능성을 고려하여 탄소 중립 정책이나 친환경 교통수단 확충을 위한 기초 분석 도구로서 그 기능이 확장되고 있다.¹⁾

교통수요예측의 분석 과정은 몇 가지 핵심적인 기본 가정을 전제로 한다. 첫째, 교통 수요는 토지 이용(Land Use) 패턴과 밀접한 상관관계를 가진다는 점이다. 주거, 상업, 공업 등 토지의 용도와 밀도는 통행의 발생 지점과 목적지를 결정하는 결정적 요인이 된다. 둘째, 통행자의 행태는 합리적 선택 이론에 근거한다고 가정한다. 즉, 이용자는 주어진 조건 하에서 시간, 비용, 편의성 등을 고려하여 자신의 효용을 극대화하거나 비용을 최소화하는 수단과 경로를 선택한다는 것이다. 셋째, 미래의 통행 특성은 과거와 현재의 추세에서 급격히 이탈하지 않는다는 안정성의 가정을 바탕으로 한다. 비록 기술 발전에 따른 변동성이 존재하나, 기본적인 인구 구조나 소득 수준과 통행량 사이의 관계는 일정 기간 유지된다고 본다.

이러한 가정 위에서 분석가는 인구 증가율, 경제성장률, 자동차 보유대수 추이 등 다양한 사회경제 지표를 독립 변수로 설정한다. 교통수요 $ D $는 일반적으로 다음과 같은 함수 관계로 표현될 수 있다.

$$ D = f(P, E, L, C) $$

여기서 $ P $는 인구(Population), $ E $는 경제 지표(Economic indicators), $ L $은 토지 이용 특성(Land use characteristics), $ C $는 교통 체계의 공급 능력 및 비용(Transportation cost and capacity)을 의미한다. 예측 모델은 이러한 변수들 간의 복잡한 상호작용을 수리적으로 모형화하여 장래의 통행 패턴을 도출한다. 이 과정에서 분석의 시간적 범위인 목표 연도(Target year)와 공간적 범위인 교통분석존(Traffic Analysis Zone, TAZ)의 설정은 예측의 정밀도를 결정하는 중요한 전제 조건이 된다.

교통수요예측(Transportation Demand Forecasting)은 장래의 사회경제적 여건 변화를 전제로 특정 교통체계 내에서 발생할 통행의 양과 방향, 그리고 수단별 점유율을 과학적인 방법론을 통해 추정하는 일련의 과정이다. 이는 교통공학의 기술적 분석 영역과 도시계획의 정책적 의사결정 영역을 연결하는 핵심적인 가교 역할을 수행한다. 교통수요는 그 자체로 독립적인 목적을 지니기보다는 경제 활동, 교육, 여가 등 인간의 근본적인 사회적 활동을 수행하기 위해 발생하는 파생 수요(Derived demand)의 성격을 갖는다. 따라서 교통수요예측은 단순한 차량의 흐름을 계산하는 기술적 절차를 넘어, 미래 사회의 공간적 상호작용과 생활 양식의 변화를 정량적으로 모사하는 학문적 체계이다.

도시 및 교통체계의 구축 과정에서 교통수요예측은 자원 배분의 효율성을 극대화하는 중추적인 기능을 담당한다. 대규모 교통시설 확충은 막대한 자본이 투입되는 국가적 사업이며, 한 번 건설되면 수정이나 철거가 어려운 비가역성을 지닌다. 이에 따라 예비타당성조사를 포함한 공공 투자 심사 과정에서 수행되는 수요 예측 결과는 해당 사업의 비용-편익 분석(Cost-Benefit Analysis, CBA)을 결정하는 핵심 변수가 된다. 예측된 수요를 바탕으로 통행 시간 절감, 교통사고 감소, 환경오염 저감 등의 편익을 산출함으로써 공공 자산 투입의 우선순위를 설정하는 객관적 준거를 제공하는 것이다. 이는 한정된 국가 예산의 중복 투자를 방지하고 사회적 기회비용을 최소화하는 데 이바지한다.

또한 교통수요예측은 도시의 공간 구조를 형성하고 관리하는 전략적 도구로 기능한다. 토지 이용과 교통체계는 상호 밀접한 피드백 관계에 있으며, 예측 모형은 특정 지역의 개발 계획이 전체 교통망에 미치는 부하를 사전에 평가할 수 있게 한다. 이는 무분별한 도시 확산을 억제하고 대중교통 지향형 개발(Transit-Oriented Development, TOD)과 같은 효율적인 도시 모델을 수립하는 기초가 된다. 최근에는 도로 공급 위주의 정책에서 탈피하여 교통 수요 관리(Transportation Demand Management, TDM)를 통해 기존 시설의 효율을 극대화하려는 시도가 늘어남에 따라, 정책 도입에 따른 수요 변화를 미시적으로 예측하는 시뮬레이션 기능의 중요성이 더욱 강조되고 있다.

사회적 측면에서 교통수요예측은 교통복지와 형평성의 실현을 돕는 정책적 기능을 지닌다. 특정 계층이나 지역이 교통 서비스로부터 소외되는 현상을 분석하고, 장래의 인구 구조 변화에 따른 이동권 확보 방안을 마련하는 데 필수적인 자료를 제공한다. 아울러 교통 부문에서 발생하는 외부 효과(External effect), 즉 대기 오염이나 온실가스 배출량을 정밀하게 추정함으로써 지속 가능한 발전을 위한 환경 규제 및 에너지 정책 수립의 근거를 마련한다. 결과적으로 교통수요예측은 기술적 정확성을 바탕으로 합리적인 공공 정책을 유도하며, 사회적 자원의 최적 배분과 시민의 삶의 질 향상을 지향하는 공익적 기능을 수행한다.²⁾

교통수요예측(Transportation Demand Forecasting)은 미래의 사회적, 경제적 변화가 교통 체계에 미칠 영향을 정량적으로 추정하는 과정이며, 이 과정은 복잡한 현실 세계를 단순화한 몇 가지 근본적인 가정 위에 수립된다. 가장 핵심적인 전제는 교통이 그 자체로 목적이 되는 직접 수요가 아니라, 특정 장소에서 수행하려는 활동을 위해 발생하는 파생 수요(Derived Demand)라는 점이다. 따라서 교통수요예측의 기초는 인구 구조, 토지 이용(Land Use), 경제 활동이라는 세 가지 축의 변화가 통행 행태와 일정한 상관관계를 유지한다는 가정에서 출발한다.

첫째는 사회경제적 지표와 통행량 사이의 인과적 안정성(Causal Stability) 가정이다. 이는 과거와 현재에 관측된 인구 통계적 특성이나 경제적 변수가 통행 발생에 미치는 영향력이 미래에도 동일하게 유지될 것이라는 전제이다. 예를 들어, 가구당 가처분 소득의 증가나 자동차 보유 대수의 변화가 통행 빈도에 미치는 상관계수는 예측 대상 연도까지 변하지 않는다고 가정한다. 만약 이러한 행태적 안정성이 결여된다면, 현재의 데이터를 바탕으로 구축된 회귀 분석 모형이나 확률적 선택 모형은 미래를 투영하는 도구로서의 효력을 상실하게 된다.

둘째는 토지 이용과 교통 체계 사이의 상호작용(Land Use-Transport Interaction)에 관한 가정이다. 도시 계획에서 설정된 토지 이용 계획은 통행의 기점(Origin)과 종점(Destination)을 결정하는 결정적인 요인으로 작용한다. 주거 용지의 밀도, 상업 및 업무 시설의 배치 등은 통행의 공간적 분포를 규정하며, 이는 다시 교통 시설의 혼잡도를 변화시켜 장기적으로는 토지 이용의 가치와 패턴을 재형성한다. 수요예측 과정에서는 통상적으로 확정된 토지 이용 계획이 교통 수요를 유발하는 독립 변수로 기능한다고 가정하지만, 현대의 정밀한 분석에서는 이들 간의 환류 체계를 반영하기도 한다.

셋째는 이용자의 합리적 의사결정 가정이다. 교통수요예측은 개별 통행자가 자신의 효용(Utility)을 극대화하거나 통행 비용을 최소화하는 방향으로 의사결정을 내린다는 경제학적 가정을 수반한다. 이를 합리적 선택 이론이라 하며, 이용자는 주어진 대안들 중에서 통행 시간, 비용, 편리성 등을 종합적으로 고려하여 가장 유리한 수단과 경로를 선택한다고 본다. 수리적으로는 다음과 같은 일반화 비용(Generalized Cost) 함수 $ C $를 상정할 수 있다.

$$C = \alpha \cdot T + \beta \cdot M + \gamma$$

여기서 $ T $는 통행 시간, $ M $은 금전적 비용을 의미하며, $ $와 $ $는 각 요소에 대한 이용자의 가중치를 나타내는 파라미터이다. 이러한 가정이 성립해야만 로짓 모형(Logit Model) 등을 활용하여 수단 분담률을 계산하거나 이용자 평형(User Equilibrium) 원리를 통해 노선 배정을 수행하는 것이 논리적 타당성을 얻는다.

마지막으로 분석 단위의 동질성 가정이다. 광범위한 지역의 교통 수요를 개별적으로 파악하는 것은 불가능하므로, 예측 과정에서는 지리적·사회적 특성이 유사한 구역을 교통 분석 존(Traffic Analysis Zone, TAZ)으로 설정한다. 이때 동일한 존 내에 거주하는 인구 집단은 통행 특성 및 목적지 선택에 있어 통계적으로 유의미한 동질성을 지닌다고 가정한다. 이러한 구역화는 분석의 효율성을 높여주지만, 존 내부에서 발생하는 통행을 생략하게 되는 집계 오류(Aggregation Error)의 가능성을 내포하고 있다. 결과적으로 교통수요예측의 신뢰도는 이러한 기본 가정들이 실제 미래 상황과 얼마나 부합하는가, 그리고 변화하는 사회 구조 속에서 가설의 유효성을 어떻게 보정하느냐에 달려 있다.

전통적 4단계 분석 체계(Traditional Four-Step Model)는 1950년대 미국 시카고 도시교통 연구(Chicago Area Transportation Study, CATS)를 통해 정립된 이후, 전 세계적으로 교통계획 및 정책 결정의 표준적인 방법론으로 자리 잡았다. 이 체계는 장래의 사회경제적 변화에 따른 교통 수요를 예측하기 위해 전체 과정을 통행 발생, 통행 분포, 교통 수단 선택, 통행 노선 배정의 네 단계로 분절하여 순차적으로 수행하는 순차적 모형(Sequential Model)의 특성을 가진다. 각 단계는 상호 유기적으로 연결되어 있으며, 최종적으로는 특정 교통 시설에 부하되는 교통량을 산출하여 시설 확충의 타당성을 검토하는 기초 자료로 활용된다.

첫 번째 단계인 통행 발생(Trip Generation)은 분석 대상 지역을 분할한 교통 분석 존(Traffic Analysis Zone, TAZ)별로 발생하는 총 통행 유출량과 유입량을 추정하는 과정이다. 이 단계에서는 인구, 가구 수, 고용 위락 시설의 규모 등 사회경제적 지표를 독립 변수로 설정하며, 주로 회귀분석(Regression Analysis)이나 원단위법(Trip Rate Method)이 활용된다. 특정 존 $ i $에서 발생하는 통행량 $ P_i $는 일반적으로 다음과 같은 선형 회귀식으로 표현된다.

$ P_i = + %%//%%1 X%%//%%{i1} + %%//%%2 X%%//%%{i2} + + _i $

여기서 $ X_{ij} $는 해당 존의 가구 수나 자동차 보유 대수와 같은 설명 변수이며, 이를 통해 지역 내 활동의 강도가 통행량으로 전환되는 메커니즘을 규명한다.

두 번째 단계인 통행 분포(Trip Distribution)는 발생된 통행이 어느 존에서 어느 존으로 향하는지를 결정하여 기종점 행렬(Origin-Destination Matrix, OD 행렬)을 작성하는 과정이다. 가장 널리 사용되는 기법은 뉴턴의 만유인력 법칙을 응용한 중력 모형(Gravity Model)이다. 이 모형은 두 지역 간의 통행량이 각 지역의 활동 규모에 비례하고, 이동에 소요되는 거리나 시간과 같은 저항 요소에는 반비례한다는 가정에 기초한다.

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

위 식에서 $ T_{ij} $는 존 $ i $에서 $ j $로의 통행량, $ A_j $는 목적지 $ j $의 매력도, $ F(c_{ij}) $는 통행 비용에 따른 마찰 함수를 의미한다. 이를 통해 지역 간 공간적 상호작용의 패턴을 수치화할 수 있다.

세 번째 단계인 교통 수단 선택(Modal Split)은 출발지와 목적지 사이의 통행이 승용차, 버스, 철도 등 어떠한 교통 수단을 통해 이루어지는지를 분석한다. 현대 교통 수요 예측에서는 이용자가 자신의 효용 함수(Utility Function)를 극대화하는 수단을 선택한다는 효용 극대화 이론에 기반한 로짓 모형(Logit Model)이 표준적으로 사용된다. 특정 수단 $ m $을 선택할 확률 $ P_m $은 해당 수단이 가진 비용, 시간, 쾌적성 등의 속성에 의해 결정된다.

$ P_m = $

여기서 $ V_m $은 수단 $ m $의 결정론적 효용을 나타낸다. 이 과정을 거치면 전체 통행량은 수단별로 분리되어 각각의 네트워크 분석 단계로 넘어가게 된다.

마지막 네 번째 단계인 통행 노선 배정(Traffic Assignment)은 선택된 수단을 이용하는 통행자가 실제 도로망이나 철도망의 여러 경로 중 하나를 선택하는 과정을 다룬다. 이 단계의 핵심 원리는 존 와드롭(John Glen Wardrop)이 제시한 이용자 평형(User Equilibrium) 개념이다. 이는 모든 이용자가 자신의 통행 시간을 최소화하기 위해 경로를 선택한 결과, 어느 누구도 경로를 변경함으로써 통행 시간을 더 단축할 수 없는 안정된 상태에 도달함을 의미한다.

$$ \min Z = \sum_{a} \int_{0}^{x_a} t_a(w) dw $$

위의 최적화 식은 링크 $ a $의 교통량 $ x_a $와 통행 시간 함수 $ t_a $를 이용하여 네트워크 전체의 평형 상태를 계산하는 과정을 보여준다. 이를 통해 특정 도로의 혼잡도와 장래 교통량을 예측함으로써 교통 시설의 용량 설계 및 투자 우선순위 결정에 결정적인 근거를 제공한다.³⁾

전통적 4단계 분석 체계는 이론적 명확성과 실무적 편의성 덕분에 국가통합교통체계효율화법에 따른 타당성 평가 등 공공 부문의 의사결정에서 중추적인 역할을 수행해 왔다.⁴⁾ 그러나 각 단계가 독립적으로 수행됨에 따라 경로 배정 결과가 다시 수단 선택이나 통행 분포에 영향을 주는 피드백 과정이 미비하다는 점과, 개별 경제 주체의 미시적인 활동 패턴을 충분히 반영하지 못한다는 한계가 지적되기도 한다. 이러한 비판은 이후 활동 기반 분석 체계나 동적 노선 배정 모형과 같은 현대적 기법들이 등장하는 계기가 되었다.

통행 발생(Trip Generation)은 교통수요예측의 전통적 4단계 분석 체계 중 첫 번째 단계로, 특정 지역에서 발생하는 총 통행량의 규모를 결정하는 과정이다. 이 단계의 핵심 목적은 분석 대상 지역을 세분화한 교통분석존(Traffic Analysis Zone, TAZ)별로 하루 동안 얼마나 많은 통행이 시작되고 유입되는지를 수치화하는 것이다. 통행 발생은 개인이나 가구의 활동 욕구와 해당 지역의 토지 이용 특성 간의 상호작용으로 이해되며, 장래의 인구 구조나 경제 지표 변화가 교통망에 가할 부하를 예측하는 기초 자료가 된다.

통행 발생 단계에서 산출되는 지표는 크게 통행 생산(Trip Production)과 통행 유인(Trip Attraction)으로 구분된다. 통행 생산은 특정 존의 거주자가 수행하는 통행의 총량을 의미하며, 주로 가구 수, 자동차 보유 대수, 가구 소득, 인구수 등 주거지 기반의 사회경제적 변수에 의해 결정된다. 반면, 통행 유인은 특정 존이 목적지가 되어 끌어들이는 통행의 총량을 의미하며, 해당 존의 고용자 수, 상업 시설의 연면적, 학교 및 공공시설의 규모 등 목적지 기반의 토지 이용 변수에 영향을 받는다. 통행을 발생시키는 근본적인 동기를 분석하기 위해 통행 목적을 출근, 등교, 쇼핑, 귀가 등으로 세분화하여 분석하는 것이 일반적이다.

통행 발생량을 추정하기 위한 수리적 기법으로는 회귀분석(Regression Analysis)이 가장 널리 사용된다. 회귀 모형은 독립 변수인 사회경제 지표와 종속 변수인 통행량 간의 관계를 선형 함수로 정립한다. 특정 존 $ i $에서 발생하는 통행 생산량 $ P_i $를 산출하는 일반적인 식은 다음과 같다.

$$ P_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \dots + \beta_n X_{ni} + \epsilon_i $$

여기서 $ X_{ni} $는 인구, 차량 보유 대수 등의 독립 변수를, $ _n $은 각 변수의 영향력을 나타내는 회귀 계수를 의미하며, $ _i $는 모형이 설명하지 못하는 오차항이다. 회귀분석 외에도 가구 특성(가구원 수, 차량 보유 여부 등)에 따라 집단을 분류하고 각 집단별 평균 통행 발생률을 적용하는 카테고리 분석법(Category Analysis)이나, 단위 면적당 발생하는 통행량을 과거 통계치로부터 산출하는 원단위법 등이 보완적으로 사용된다.

개별 존에 대해 독립적으로 추정된 통행 생산량과 유인량의 총합은 이론적으로 일치해야 하지만, 실제 분석 과정에서는 통계적 오차로 인해 불일치가 발생한다. 이를 조정하기 위해 통행의 균형화(Trip Balancing) 과정을 거친다. 일반적으로 통행 생산량은 가구 통행 실태 조사 등을 통해 확보된 인구 통계 데이터에 기반하므로 유인량보다 신뢰도가 높은 것으로 간주한다. 따라서 도시 전체의 총 유인량을 총 생산량에 맞추어 비례적으로 조정하는 방식이 주로 활용된다.

통행 발생 단계의 결과물은 각 존의 잠재적 통행 수요를 나타내는 벡터 형태의 데이터로 도출된다. 이는 특정 존에서 발생한 통행이 어디로 향하는지를 결정하는 통행 분포 단계의 입력 자료가 되며, 최종적으로 교통 수단 선택과 통행 노선 배정을 거쳐 실제 도로 및 철도망의 구간별 교통량 예측으로 이어진다.⁵⁾

과거의 통행 특성을 바탕으로 장래의 통행 발생량을 추정하는 통계적 방법론을 설명한다.

가구 특성이나 토지 이용 성격에 따라 집단을 분류하여 통행량을 예측하는 방식을 고찰한다.

통행 분포(Trip Distribution) 단계는 교통수요예측의 두 번째 과정으로, 통행 발생 단계에서 추정된 각 교통 분석 존(Traffic Analysis Zone, TAZ)별 유출 통행량과 유입 통행량을 서로 연결하여 출발지와 목적지 간의 구체적인 통행 흐름을 결정하는 절차이다. 이 단계의 핵심 목적은 특정 출발지 $i$에서 목적지 $j$로 향하는 통행량인 $T_{ij}$를 요소로 하는 기종점 행렬(Origin-Destination Matrix, O-D 행렬)을 구축하는 것이다. 발생 단계가 단순히 지역별로 얼마나 많은 통행이 생겨나고 유입되는지에 집중한다면, 분포 단계는 이러한 통행이 공간적 상호작용(Spatial Interaction)을 통해 어떻게 배분되는지를 수리적으로 규명한다.

통행 분포를 추정하는 방법론은 크게 과거의 통행 패턴을 바탕으로 장래의 변화율을 적용하는 성장인자법(Growth Factor Methods)과 지역 간 유인력 및 저항력을 기반으로 하는 합성 모형(Synthetic Models)으로 구분된다. 성장인자법은 현재의 O-D 패턴이 미래에도 유지된다는 가정하에 총량의 변화만을 반영하며, 평균성장인자법, 프라타(Fratar)법, 퍼네스(Furness)법 등이 이에 속한다. 그러나 이 방법은 토지 이용의 급격한 변화나 새로운 교통망 구축으로 인한 통행 패턴의 근본적인 변화를 반영하지 못한다는 한계가 있다.

현대 교통수요분석에서 가장 널리 사용되는 합성 모형은 중력 모형(Gravity Model)이다. 이는 아이작 뉴턴의 만유인력 법칙을 교통 현상에 원용한 것으로, 두 지역 간의 통행량은 각 지역의 통행 강도에 비례하고 두 지역 사이의 통행 저항에는 반비례한다는 원리를 따른다. 일반적인 중력 모형의 수식은 다음과 같다.

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

여기서 $O_i$는 출발지 $i$의 유출 통행량, $D_j$는 목적지 $j$의 유입 통행량을 의미하며, $f(c_{ij})$는 두 지역 간의 거리, 시간, 비용 등을 포괄하는 통행 마찰 함수(Friction Function)이다. 통행 마찰 함수는 주로 멱함수(Power function)나 지수함수(Exponential function)의 형태를 취하며, 거리가 멀어질수록 통행 의사가 급격히 감소하는 거리 감쇄(Distance Decay) 현상을 반영한다.

중력 모형의 이론적 기초를 확립한 것은 앨런 윌슨(Alan G. Wilson)이 제안한 엔트로피 극대화 모형(Entropy Maximization Model)이다. 윌슨은 통계역학의 개념을 도입하여, 주어진 제약 조건 하에서 발생 가능한 통행 조합의 수(상태수)를 극대화하는 상태가 가장 확률 높은 통행 분포라고 주장하였다⁶⁾. 이 모형은 통행 분포를 단순한 물리적 유추를 넘어 통계적 추론의 영역으로 확장시켰으며, 출발지 제약, 목적지 제약, 혹은 양방향 제약 조건을 수학적으로 엄밀하게 처리할 수 있는 틀을 제공하였다.

실무적으로는 유출 및 유입 통행량의 합계가 발생 단계에서 산정된 총량과 일치하도록 조정하는 균형화 과정(Balancing Process)이 필수적이다. 특히 이중 제약 중력 모형(Doubly Constrained Gravity Model)은 출발지와 목적지의 총량을 모두 보존하기 위해 반복 계산 과정을 거치며, 이를 통해 예측의 신뢰도를 높인다. 이 과정을 통해 도출된 O-D 행렬은 이후 교통 수단 선택 및 통행 노선 배정 단계의 기초 자료로 활용되어, 도시 전체의 교통 흐름을 파악하는 데 결정적인 역할을 수행한다.

현재의 통행 패턴이 장래에도 유지된다는 가정하에 성장률을 적용하는 기법을 설명한다.

두 지역 간의 거리와 유인력을 바탕으로 통행량을 결정하는 물리학적 접근법을 기술한다.

교통 수단 선택(Mode Choice) 단계는 통행 분포 단계를 통해 결정된 기종점 간(O-D) 통행량이 승용차, 버스, 지하철, 철도 등 이용 가능한 개별 교통 수단으로 분할되는 과정을 분석하는 절차이다. 이 단계는 교통 체계의 변화나 새로운 교통 수단의 도입이 전체 교통수요의 구성에 미치는 영향을 파악하는 데 핵심적인 역할을 수행하며, 최종적으로 산출되는 교통수단 분담률(Modal Split)은 도로의 혼잡도나 대중교통의 운영 효율성을 결정짓는 기초 자료가 된다.

수단 선택의 이론적 배경은 미시경제학의 소비자 선택 이론에 근거한 효용 극대화 원리에 있다. 통행자는 자신에게 주어진 여러 선택 대안 중에서 주관적인 효용(Utility)을 가장 크게 만드는 수단을 선택한다고 가정한다. 이때 개별 통행자가 느끼는 효용은 관측 가능한 결정론적 부분과 관측 불가능한 확률적 오차항의 합으로 구성된다. 이를 수식으로 나타내면 다음과 같다.

$ U_{in} = V_{in} + _{in} $

위 식에서 $ U_{in} $은 통행자 $ n $이 대안 $ i $를 선택했을 때 얻는 총 효용이며, $ V_{in} $은 통행 시간이나 비용 등 조사자가 관측할 수 있는 변수들로 구성된 체계적 효용이다. $ _{in} $은 통행자의 개인적 취향이나 모형에 포함되지 않은 요인들로 인한 확률적 오차를 의미한다. 이러한 확률적 접근 방식은 개별 통행자의 의사결정이 완전히 합리적일지라도 분석자의 관점에서는 불확실성이 존재함을 인정하는 개별 행태 모형의 특징을 반영한다.

체계적 효용 $ V_{in} $은 일반적으로 수단의 서비스 특성과 통행자의 사회경제적 특성을 변수로 하는 선형 결합 형태로 정의된다. 주요 결정 요인은 아래 표와 같이 분류할 수 있다.

수단 선택 확률을 계산하기 위해 가장 널리 사용되는 수리적 기법은 로짓 모형(Logit Model)이다. 특히 오차항 $ _{in} $이 서로 독립적이며 동일한 제1종 극치 분포를 따른다고 가정하는 다항 로짓 모형(Multinomial Logit Model, MNL)이 표준적으로 활용된다. 특정 수단 $ i $를 선택할 확률 $ P_i $는 다음과 같은 함수로 표현된다.

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

여기서 $ C $는 이용 가능한 모든 수단 대안의 집합을 의미한다. 로짓 모형은 계산이 간편하고 해석이 용이하다는 장점이 있으나, 대안 간의 상관관계를 인정하지 않는 독립성 가정(Independence from Irrelevant Alternatives, IIA)으로 인해 현실과 동떨어진 예측 결과를 낼 위험이 있다. 예를 들어, 기존 버스와 매우 유사한 새로운 색상의 버스가 도입될 경우 기존 수단들의 분담률이 비논리적으로 변화하는 현상이 발생할 수 있다. 이를 보완하기 위해 대안들을 계층적으로 구조화하는 중첩 로짓 모형(Nested Logit Model)이나 오차항의 상관성을 허용하는 프로빗 모형(Probit Model) 및 혼합 로짓 모형(Mixed Logit Model) 등이 고등 분석에 활용된다.

실무적 관점에서 수단 선택 단계의 분석 결과는 일반화 비용(Generalized Cost)의 개념으로 수렴된다. 이는 시간 가치를 화폐 단위로 환산하여 실제 지불 비용과 합산한 것으로, 정부의 교통 정책이나 사회기반시설 투자에 따른 편익을 산정하는 핵심 지표가 된다. 예를 들어 지하철 노선 신설 시 단축되는 통행 시간은 효용 함수의 변화를 통해 수단 전환 수요를 유발하며, 이는 도로 교통량 감소에 따른 환경 비용 절감 및 혼잡 완화 효과로 이어진다⁷⁾.

이용자가 자신의 이익을 최대화하는 방향으로 수단을 선택한다는 경제학적 기초를 다룬다.

확률론적 선택 모형을 통해 수단별 점유율을 계산하는 수리적 기법을 설명한다.

선택된 수단이 실제 도로망이나 철도망의 어느 경로를 이용할지 결정하는 최종 단계를 다룬다.

개별 이용자가 더 이상 통행 시간을 단축할 수 없는 안정적인 상태에 도달하는 원리를 설명한다.

사회 전체의 총 통행 시간을 최소화하는 관점에서의 경로 배정 방식을 고찰한다.

전통적 4단계 분석 체계는 집계화된(aggregated) 데이터를 바탕으로 구역 단위의 통행량을 예측하는 데 기여해 왔으나, 개별 통행자의 의사결정 과정이나 시간대별 통행 특성을 정밀하게 반영하지 못한다는 한계를 지닌다. 이를 극복하기 위해 등장한 현대적 교통수요 분석 기법은 분석의 단위를 개별 통행자나 가구로 전환하는 비집계 모형(Disaggregate Model)에 기반을 둔다. 이러한 미시적 접근법은 통행이 단순히 지점 간의 이동이 아니라, 인간의 일상적인 활동을 수행하기 위한 파생 수요라는 점에 주목한다.

현대적 분석의 핵심인 활동 기반 분석(Activity-Based Analysis, ABA) 체계는 개별 경제 주체가 하루 동안 수행하는 활동의 연쇄(activity chain)를 분석의 기초로 삼는다. 기존의 통행 기반 모형이 각 통행을 독립적인 사건으로 간주한 것과 달리, 활동 기반 모형은 주거지에서 출발하여 여러 목적지를 거쳐 다시 귀가하는 일련의 과정인 ‘투어(tour)’ 개념을 도입한다. 이는 통행의 시간적·공간적 제약 조건을 명시적으로 고려함으로써, 특정 정책 변화가 통행자의 전체 일정에 미치는 영향을 보다 정교하게 예측할 수 있게 한다⁸⁾.

이러한 미시적 접근을 수리적으로 뒷받침하는 것은 발달된 이산 선택 모형(Discrete Choice Model)이다. 이용자는 자신의 효용 극대화 이론에 따라 최적의 대안을 선택하며, 이때 개별 이용자 $ n $이 대안 $ i $를 선택할 확률은 다음과 같은 효용 함수로 표현된다.

$ U_{in} = V_{in} + _{in} $

여기서 $ V_{in} $은 관찰 가능한 결정론적 효용이며, $ _{in} $은 관찰되지 않는 확률적 오차항이다. 현대적 기법에서는 단순한 로짓 모형을 넘어, 이용자 간의 선호 이질성을 반영할 수 있는 혼합 로짓(Mixed Logit)이나 중첩 로짓(Nested Logit) 모형을 활용하여 선택의 복잡성을 모사한다⁹⁾. 이는 통행 수단 선택뿐만 아니라 출발 시간대, 목적지 선택 등 다차원적인 의사결정 구조를 분석하는 데 활용된다.

공간적 측면에서는 동적 교통 배정(Dynamic Traffic Assignment, DTA)과 미시적 시뮬레이션(Microscopic Simulation) 기법이 중추적인 역할을 한다. 기존의 정적 배정 기법은 교통 상태가 시간에 따라 변하지 않는 평형 상태를 가정하지만, 동적 교통 배정은 교통류의 시간적 변동성과 병목 현상에 따른 지체 확산을 수리적으로 구현한다. 특히 미시적 시뮬레이션은 개별 차량이나 보행자를 하나의 에이전트로 설정하여 이들의 상호작용을 초 단위로 추적한다. 이는 지능형 교통 체계(Intelligent Transport Systems, ITS)나 자율주행 자동차 도입과 같은 복잡한 교통 환경 변화를 평가하는 데 필수적인 도구로 자리 잡았다.

최근에는 빅데이터와 기계학습(Machine Learning) 기술의 발전이 교통수요 분석의 외연을 넓히고 있다. 모바일 신호 데이터, 교통카드 기록, 내비게이션 경로 정보 등 대규모 자료를 활용하여 기존 설문조사의 표본 한계를 극복하고 실시간에 가까운 수요 파악이 가능해졌다. 이러한 데이터 기반 접근법은 활동 기반 모형의 파라미터 추정 과정을 효율화하며, 비선형적 관계를 지닌 복잡한 통행 행태를 더욱 정확하게 예측하는 방향으로 진화하고 있다.

활동 기반 분석 체계(Activity-Based Analysis Framework)는 교통이 그 자체로 목적이 되는 것이 아니라, 업무·쇼핑·여가 등 특정한 활동을 수행하기 위해 발생하는 파생 수요(derived demand)라는 근본적인 인식에서 출발한다. 이는 통행(trip)을 분석의 독립적인 최소 단위로 간주하는 전통적 4단계 분석 체계의 한계를 극복하기 위해 제안되었다. 전통적 모형은 개별 통행이 하루의 전체적인 활동 흐름 속에서 어떻게 연결되는지, 혹은 가구 구성원 간의 상호작용이 통행 결정에 어떤 영향을 미치는지 설명하는 데 한계가 있었다. 반면 활동 기반 분석은 통행자가 하루 동안 수행하는 일련의 활동 계획(activity schedule)을 분석의 중심에 두며, 통행을 이러한 활동들을 연결하는 매개체로 정의한다¹⁰⁾.

이 체계의 이론적 토대는 해거스트란드(Torsten Hägerstrand)가 제안한 시간 지리학(Time Geography)에 근거한다. 시간 지리학적 관점에서 인간의 활동은 물리적 공간과 시간이라는 두 축으로 구성된 시간-공간 경로(time-space path) 내에서 이루어진다. 이때 개인의 활동은 세 가지 주요 제약 조건에 의해 규정된다. 첫째는 생리적 욕구나 물리적 한계로 인한 능력 제약(capability constraints), 둘째는 특정 시간에 특정 장소에서 타인과 결합해야 하는 결합 제약(coupling constraints), 셋째는 법규나 관습 등에 의한 권위 제약(authority constraints)이다. 활동 기반 모형은 이러한 제약 하에서 개인이 효용을 극대화하기 위해 활동의 종류, 순서, 장소, 지속 시간 및 이동 수단을 어떻게 결정하는지 모사한다.

활동 기반 분석의 핵심적인 특징은 분석의 단위를 개별 통행에서 통행 사슬(trip chain) 또는 투어(tour)로 전환했다는 점이다. 투어란 주거지에서 출발하여 하나 이상의 활동을 수행한 뒤 다시 주거지로 돌아오는 일련의 과정을 의미한다. 이를 통해 오전의 업무 통행이 오후의 쇼핑 통행이나 귀가 통행에 미치는 시간적·공간적 전이 효과를 명시적으로 반영할 수 있다. 또한, 이 체계는 인구 집단을 동질적인 그룹으로 묶어 분석하는 집계적 방식 대신, 개별 행위자의 특성을 보존하는 비집계 모형(disaggregate model)의 성격을 띤다. 이는 분석의 정밀도를 높일 뿐만 아니라, 특정 시간대나 특정 계층을 대상으로 하는 세밀한 교통 정책의 효과를 평가하는 데 유리하다.

수리적 측면에서 활동 기반 분석은 주로 효용 극대화 이론(Utility Maximization Theory)에 기반한 이산 선택 모형(Discrete Choice Model)을 활용한다. 개별 통행자 $n$이 대안 집합 $C$ 중에서 특정 활동 패턴 $i$를 선택할 확률 $P_{ni}$는 다음과 같은 로짓(logit) 구조로 정식화될 수 있다.

$ P_{ni} = $

여기서 $V_{ni}$는 통행자 $n$이 대안 $i$로부터 얻는 결정론적 효용을 의미하며, 이는 활동의 중요도, 소요 시간, 비용, 개인의 사회경제적 변수 등의 함수로 정의된다. 최근의 활동 기반 모형은 이러한 확률적 선택 과정을 컴퓨터상에서 수만 명의 가상 행위자에게 적용하는 미시적 시뮬레이션(microsimulation) 기법과 결합하여 운영된다¹¹⁾.

활동 기반 분석 체계는 혼잡 통행료 징수, 유연 근무제 도입, 대중교통 노선 개편 등 복잡한 정책 변화에 따른 통행 행태의 변화를 예측하는 데 탁월한 성능을 발휘한다. 예를 들어, 전통적 모형은 통행료 인상이 단순히 해당 경로의 교통량을 줄이는 것으로 예측하지만, 활동 기반 모형은 통행자가 활동 시간을 변경하거나 여러 활동을 하나의 투어로 묶어 이동 효율을 높이는 등의 적응 전략까지 예측할 수 있다. 다만, 이 기법은 방대한 양의 가구 통행 실태 조사 자료와 고성능의 연산 자원을 요구하며, 모형의 구조가 복잡하여 보정(calibration)과 검증에 상당한 전문성이 필요하다는 실무적 과제를 안고 있다.

미시적 시뮬레이션(Microscopic Simulation)은 교통 체계를 구성하는 개별 단위인 차량, 보행자, 자전거 등의 움직임을 시간의 흐름에 따라 개별적으로 추적하여 교통류의 동태적 특성을 파악하는 기법이다. 전통적 4단계 분석 체계가 교통 구역(Traffic Analysis Zone) 간의 집계된 통행량을 산정하는 데 주안점을 둔다면, 미시적 시뮬레이션은 개별 행위자의 의사결정과 물리적 거동을 이산 사건 시뮬레이션 또는 시간 진행형(Time-step) 방식으로 구현한다. 이를 통해 도로의 기하구조 변화, 지능형 교통 체계(ITS) 도입, 신호 운영 전략의 변경이 국지적 교통 흐름에 미치는 영향을 정밀하게 예측할 수 있다.

미시적 시뮬레이션의 핵심은 개별 차량의 주행 행태를 결정하는 수리적 모형에 있다. 그중 가장 중추적인 역할을 하는 것은 차량 추종 모형(Car-Following Model)이다. 이 모형은 동일 차로 상에서 주행하는 선행 차량과 후행 차량 간의 상호작용을 묘사하며, 후행 차량의 가속도나 속도는 선행 차량과의 간격, 상대 속도, 운전자의 반응 시간 등에 의해 결정된다. 일반적인 차량 추종 모형의 가속도 결정식은 다음과 같은 함수적 관계로 표현된다.

$$ a_n(t + \tau) = f(v_n(t), \Delta x_n(t), \Delta v_n(t)) $$

여기서 $ a_n(t + ) $는 반응 시간 $ $ 이후의 후행 차량 $ n $의 가속도이며, $ v_n(t) $는 현재 속도, $ x_n(t) $는 선행 차량과의 차간 거리, $ v_n(t) $는 두 차량 간의 상대 속도를 의미한다. 초기에는 파이프(Pipes)나 포브스(Forbes)에 의해 단순한 안전거리 확보 개념으로 시작되었으나, 이후 기브스 모형(Gipps Model)이나 지능형 드라이버 모형(Intelligent Driver Model, IDM)과 같이 인간의 심리적·물리적 한계를 반영한 정교한 모형으로 발전하였다.

차량의 횡적 이동을 결정하는 차로 변경 모형(Lane-Changing Model) 또한 미시적 분석의 필수 요소이다. 차로 변경은 목적지 주행을 위한 필수적(Mandatory) 차로 변경과 더 높은 속도를 얻기 위한 임의적(Discretionary) 차로 변경으로 구분된다. 이때 운전자는 대상 차로에 충분한 공간이 확보되었는지를 판단하는 간격 수락(Gap Acceptance) 과정을 거치게 된다. 간격 수락 이론은 인접 차로의 차량 흐름을 방해하지 않으면서 안전하게 진입할 수 있는 최소한의 시간적·공간적 간격인 임계 간격(Critical Gap)을 설정하여 개별 차량의 차로 변경 여부를 결정한다.

미시적 시뮬레이션은 실제 교통 상황을 정확히 재현하기 위해 정산(Calibration)과 검증(Validation) 과정을 반드시 거쳐야 한다. 정산은 시뮬레이션 내부의 다양한 파라미터, 즉 운전자의 반응 시간, 희망 속도 분포, 가감속 성능 등을 실제 현장의 교통 데이터와 일치하도록 조정하는 과정이다¹²⁾. 특히 차량 주행 궤적 데이터나 지점 검지기에서 수집된 교통량, 속도 자료를 활용하여 오차를 최소화하는 최적화 기법이 주로 사용된다. 검증은 정산된 모형이 학습에 사용되지 않은 독립적인 데이터를 통해 실제 교통 현상을 얼마나 신뢰성 있게 예측하는지 확인하는 단계이다.

이 기법은 단순한 교통량 예측을 넘어 교통 안전, 에너지 소비량, 배기가스 배출량 등의 환경적 영향 평가에도 광범위하게 활용된다. 개별 차량의 초 단위 속도 변화를 추적할 수 있으므로, 급가속이나 급감속 빈도를 분석하여 사고 위험도를 정량화하거나 미시적인 연비 모형과 결합하여 정책적 대안을 평가할 수 있다. 그러나 분석 단위가 매우 작고 복잡하기 때문에 방대한 양의 입력 데이터가 요구되며, 광역적인 교통망에 적용할 경우 막대한 계산 자원이 소요된다는 한계가 있다. 따라서 최근에는 광역망은 거시적 모형으로, 주요 병목 지점이나 교차로는 미시적 모형으로 분석하는 다중 스케일 시뮬레이션(Multi-scale Simulation) 기법이 대안으로 제시되고 있다.

교통수요예측의 정확도는 분석의 기초가 되는 자료의 품질과 이를 처리하는 기술적 역량에 의해 결정된다. 과거의 교통수요 분석은 주로 설문조사에 의존하는 정적인 데이터 수집 방식에 머물렀으나, 정보통신기술(ICT)의 비약적인 발전으로 인해 실시간으로 생성되는 방대한 양의 데이터를 활용하는 방향으로 패러다임이 전환되었다. 데이터 획득 및 처리 단계는 원시 자료로부터 유의미한 기종점 통행량(Origin-Destination Matrix, O/D)과 통행 행태를 추출하는 일련의 과정을 포함하며, 이는 전체 예측 모델의 신뢰성을 담보하는 핵심적인 토대가 된다.

전통적인 데이터 수집의 중추는 가구 통행 실태 조사(Household Travel Survey)이다. 이는 표본 가구를 선정하여 가구원의 통행 목적, 수단, 시간 등을 면접이나 설문을 통해 기록하는 방식이다. 이러한 방식은 통행자의 사회경제적 특성과 통행 행태 간의 인과관계를 파악하는 데 유용하지만, 높은 비용과 긴 조사 주기, 그리고 응답자의 기억 오류에 따른 데이터 누락이라는 한계가 존재한다. 이를 보완하기 위해 주요 도로 단면에서 통행량을 직접 계수하는 스크린라인 조사나 외곽 경계점에서 유입·유출량을 파악하는 코든라인(Cordon-line) 조사가 병행된다.

현대적 교통수요 분석에서는 지능형 교통 체계(Intelligent Transport Systems, ITS)와 빅데이터(Big Data) 기술이 데이터 획득의 주류를 이룬다. 대표적인 데이터원으로는 대중교통 이용 시 발생하는 스마트카드 데이터, 이동통신 기기의 위치 신호(Cellular Data), 차량용 내비게이션의 글로벌 위치 결정 시스템(Global Positioning System, GPS) 궤적 데이터가 있다. 특히 모바일 빅데이터는 설문조사로 파악하기 어려운 비정기적 통행과 광범위한 지역의 이동 패턴을 전수(Total enumeration)에 가까운 표본 크기로 포착할 수 있다는 장점이 있다.

수집된 원시 데이터는 교통 모델에 직접 투입하기 어려운 형태인 경우가 많으므로 정교한 처리 기술이 요구된다. 데이터 처리의 첫 단계는 데이터 정제(Data Cleaning)로, 기기 오류나 신호 손실로 발생한 이상치(Outlier)와 결측치를 제거하거나 보정하는 과정이다. 이후 GPS 좌표와 같은 공간 정보를 실제 도로망에 일치시키는 맵 매칭(Map Matching) 기술이 적용된다. 맵 매칭은 차량의 궤적 데이터 $ P = {p_1, p_2, …, p_n} $을 디지털 도로 지도의 링크 집합 $ L = {l_1, l_2, …, l_m} $에 투영하는 과정으로, 조건부 확률을 활용한 Hidden Markov Model(HMM) 등이 주로 사용된다.

개별적인 위치 점 데이터를 연속적인 통행 단위로 재구성하는 통행 사슬(Trip Chain) 구축 기술 또한 중요하다. 이는 통행자가 출발지에서 목적지까지 이동하는 과정에서 발생하는 수단 환승과 활동(Activity)을 논리적으로 연결하는 작업이다. 이 과정에서 특정 지점에서의 체류 시간(Dwell time) 임계치를 설정하여 통행의 시작과 끝을 판별한다. 예를 들어, 특정 위치에서 $ t $분 이상 머무를 경우 이를 새로운 통행의 기점으로 간주하는 알고리즘이 적용된다.

빅데이터 기반 데이터 획득에서 반드시 고려해야 할 요소는 개인정보 보호와 데이터의 대표성 확보이다. 위치 정보는 민감한 개인정보를 포함하므로, 분석 전 비식별화(De-identification) 처리가 필수적이다. 또한, 특정 연령대나 계층에 편중될 수 있는 기기 이용 특성을 고려하여, 표본 데이터를 전체 인구 통계에 맞춰 확장하는 전수화(Expansion) 과정이 필요하다. 전수화 계수 $ W $는 일반적으로 다음과 같이 산정된다.

$$ W = \frac{N_{census}}{n_{sample}} $$

여기서 $ N_{census} $는 인구 주택 총조사 등 공신력 있는 자료 기반의 총 인구수이며, $ n_{sample} $은 유효하게 수집된 표본의 수이다. 최근에는 이러한 단일 데이터의 한계를 극복하기 위해 설문조사의 정밀함과 빅데이터의 광범위함을 결합하는 데이터 융합(Data Fusion) 기술이 연구되고 있다¹³⁾. 이러한 다원적 데이터 처리 기술은 예측 모델의 시공간적 해상도를 높여, 분 단위의 실시간 수요 예측이나 개별 행위자 기반의 미시적 시뮬레이션 구현을 가능하게 한다.

가구 통행 실태 조사(Household Travel Survey, HTS)는 교통수요예측 모형을 구축하기 위해 필요한 가장 기초적이고 핵심적인 데이터를 수집하는 과정이다. 이 조사는 특정 분석 대상 지역 내에 거주하는 가구를 기본 단위로 설정하여, 가구 구성원 개개인이 하루 동안 수행하는 모든 이동 행태와 그들의 사회경제적 특성을 파악하는 것을 목적으로 한다. 4단계 수요추정법에서 통행 발생과 통행 분포, 교통 수단 선택 과정을 모형화하기 위해서는 통행자의 인구통계학적 배경과 실제 통행 기록이 결합된 자료가 필수적인데, 가구 통행 실태 조사는 이러한 정보를 직접적으로 제공하는 유일한 수단이다.

조사의 내용은 크게 가구 특성, 개인 특성, 통행 특성의 세 가지 범주로 구성된다. 가구 특성 항목에서는 가구원 수, 주거 형태, 가구 소득, 자동차 보유 대수 등을 조사하며, 이는 가구 전체의 잠재적 통행 생성 능력을 결정하는 변수가 된다. 개인 특성 항목은 연령, 성별, 직업, 학력, 소득 수준 등 통행 주체의 개별적 속성을 다루며, 이는 통행 목적이나 수단 선택의 차이를 설명하는 기초 자료가 된다. 마지막으로 통행 특성 항목은 조사 당일 행해진 모든 이동에 대하여 출발지와 목적지, 출발 및 도착 시각, 통행 목적(출근, 등교, 귀가, 쇼핑 등), 교통 수단, 환승 횟수 및 통행 비용 등을 상세히 기록한다. 이러한 데이터는 기종점 통행량(Origin-Destination, O-D) 표를 구축하고 각 수단별 수단분담률을 분석하는 데 결정적인 역할을 한다.

조사 방법론 측면에서 가장 전통적이며 신뢰도가 높은 방식은 가구 방문 면접 조사(Face-to-face Interview Survey)이다. 이는 훈련된 조사원이 직접 가구를 방문하여 응답자와 대면하며 조사표를 작성하는 방식으로, 응답의 정확성을 높이고 기입 누락을 최소화할 수 있다는 장점이 있다. 그러나 대규모 인력과 예산이 소요되며, 최근 사생활 보호 강화와 1인 가구 증가로 인해 방문 면접의 거부율이 높아지는 추세이다. 이를 보완하기 위해 우편 조사, 전화 조사, 그리고 인터넷이나 모바일 앱을 활용한 자기 기입식 조사 방식이 병행되기도 한다. 특히 최근에는 스마트폰의 위성 항법 시스템(Global Positioning System, GPS) 기능을 활용하여 통행 경로와 시간을 자동으로 기록하는 방식이 도입되어, 응답자의 기억에 의존할 때 발생하는 보고 누락(Under-reporting) 문제를 해결하려는 시도가 이어지고 있다.

가구 통행 실태 조사는 전수 조사가 아닌 표본 추출(Sampling) 방식을 취하므로, 수집된 표본 데이터를 전체 인구로 확장하는 전수화(Expansion) 과정이 필수적이다. 표본 설계 시에는 지역별, 가구 규모별, 소득 수준별로 모집단의 특성을 잘 반영할 수 있도록 층화 표집(Stratified Sampling) 등의 기법을 사용한다. 이후 조사된 표본에 확대 계수(Expansion Factor)를 곱하여 해당 지역 전체의 통행량을 추정하게 되는데, 이때 인구주택총조사와 같은 공신력 있는 전수 자료를 기준으로 보정 과정을 거친다.

가구 통행 실태 조사는 통행자의 통행 결정 메커니즘을 심층적으로 이해할 수 있게 해주며, 정책 변화에 따른 수요 변화를 예측하는 비집계 모형(Disaggregate Model) 개발의 토대가 된다는 점에서 학술적·실무적 가치가 매우 높다. 다만, 조사 주기가 길고 비용이 많이 들며 정적인 단면 데이터(Cross-sectional data)라는 한계가 있다. 이를 극복하기 위해 현대 교통 계획에서는 교통카드 데이터, 모바일 신호 데이터 등 빅데이터 기반의 동적 자료와 가구 통행 실태 조사의 인구통계학적 상세 정보를 결합하여 예측의 정밀도를 높이는 방향으로 발전하고 있다.

정보통신기술(ICT)의 비약적인 발전과 모바일 기기의 보급은 교통수요예측의 패러다임을 설문조사 기반의 정적 분석에서 데이터 기반의 동적 분석으로 전환하는 계기가 되었다. 빅데이터 기반 분석 기술은 개별 통행자가 생성하는 디지털 발자국을 활용하여, 기존 가구 통행 실태 조사가 지녔던 시간적·공간적 제약과 높은 비용 문제를 극복한다. 특히 모바일 신호, 교통카드 결제 이력, 자동차 내비게이션 주행 기록 등은 현대 교통정보공학의 핵심적인 기초 자료로 활용된다.

모바일 신호 데이터는 휴대폰이 통신 기지국과 신호를 주고받을 때 발생하는 위치 정보를 바탕으로 유동 인구와 통행 패턴을 파악하는 데 사용된다. 이는 특정 지역 내의 체류 인구와 유입·유출 인구를 전수 조사에 가까운 규모로 파악할 수 있게 하며, 특히 기종점(Origin-Destination, O-D) 통행량 산정 시 표본의 대표성 문제를 완화한다. 통신 데이터 기반 분석은 개인의 이동 궤적을 시간대별로 재구성함으로써, 전통적인 분석 체계에서 포착하기 어려웠던 비정형적 통행이나 관광 및 여가 목적의 이동 수요를 정밀하게 추정할 수 있는 장점이 있다¹⁴⁾.

교통카드 데이터, 즉 스마트카드 데이터는 대중교통망 내에서의 이용자 행태를 분석하는 데 최적화된 자료이다. 승하차 시간과 위치 정보를 통해 버스 및 지하철 노선별 이용 수요, 환승 패턴, 수단별 점유율을 실시간으로 파악할 수 있다. 이는 교통 수단 선택 단계에서 이용자의 실제 선택 결과를 직접 관측하는 효과를 주며, 대중교통 운영 효율화 및 노선 최적화 전략 수립에 직접적인 근거를 제공한다. 특히 교통카드 데이터에 기록된 시계열적 특성을 활용하면 특정 이벤트나 기상 변화에 따른 대중교통 수요의 변동성을 정교하게 모델링할 수 있다.

내비게이션 기록과 GPS(Global Positioning System) 기반의 프로브 데이터(Probe Data)는 개별 차량의 주행 경로와 속도, 가감속 특성을 상세히 제공한다. 이는 통행 노선 배정 단계에서 예측된 경로와 실제 이용 경로 간의 차이를 검증하는 데 활용되며, 도로 네트워크의 병목 지점이나 지체 원인을 분석하는 데 기여한다. 최근에는 이러한 거대 자료를 처리하기 위해 기계 학습(Machine Learning)과 딥러닝(Deep Learning) 기법이 적극적으로 도입되고 있다. 예를 들어, 순환 신경망(Recurrent Neural Network, RNN)이나 장단기 메모리(Long Short-Term Memory, LSTM) 모델은 과거의 교통량 패턴을 학습하여 단기 및 중장기 교통 수요를 높은 정확도로 예측한다¹⁵⁾.

빅데이터 기반 분석 기술은 실시간성(Real-time)과 고해상도(High-resolution)라는 강력한 이점을 제공하지만, 데이터의 편향성(Bias) 문제를 고려해야 한다. 특정 연령대나 계층의 기기 사용률 차이로 인해 전체 인구의 통행 특성을 완벽히 대변하지 못할 수 있으며, 엄격한 개인정보 보호 가이드라인에 따른 데이터 비식별화 과정에서 정보의 손실이 발생하기도 한다. 따라서 현대적인 교통수요 분석에서는 빅데이터의 동적 특성과 전통적인 통계 조사의 구조적 정확성을 결합하는 데이터 융합(Data Fusion) 기술이 핵심적인 연구 과제로 다루어진다.

교통수요예측의 결과는 국가 및 지방자치단체의 사회기반시설 확충 전략을 수립하고, 한정된 예산을 효율적으로 배분하기 위한 의사결정의 핵심 지표로 활용된다. 실무적으로 예측된 교통량은 해당 사업의 경제적·정책적 타당성을 입증하는 객관적 근거가 되며, 이는 예비타당성조사나 교통영향평가와 같은 법정 절차의 기초 자료가 된다. 예측 과정에서 도출된 장래 통행량은 도로의 차로 수 결정, 철도의 운행 편수 산정, 터미널 및 주차 시설의 규모 설계 등 물리적 시설물의 용량을 확정하는 기준이 된다.

교통시설 투자 사업의 타당성을 평가하는 가장 대표적인 방법론은 비용-편익 분석(Benefit-Cost Analysis, BCA)이다. 이는 사업 시행으로 인해 발생하는 사회적 편익과 투입되는 비용을 화폐 가치로 환산하여 비교하는 기법이다. 교통 분야에서 발생하는 주요 편익은 통행시간 절감 편익, 차량 운행비용 절감 편익, 교통사고 감소 편익, 환경비용 절감 편익 등으로 구성된다. 이러한 편익은 장래 교통수요예측 결과인 노선별 교통량, 통행 속도, 주행 거리 등의 데이터를 기반으로 산출된다. 경제성 평가의 지표로는 비용-편익 비율(Benefit-Cost Ratio, BCR), 순현재가치(Net Present Value, NPV), 내부수익률(Internal Rate of Return, IRR)이 주로 사용된다.

비용-편익 비율은 사회적 할인율을 적용하여 현재 가치로 환산된 총편익을 총비용으로 나눈 값이며, 공식은 다음과 같다.

$$ BCR = \frac{\sum_{t=0}^{n} \frac{B_t}{(1+r)^t}}{\sum_{t=0}^{n} \frac{C_t}{(1+r)^t}} $$

여기서 $ B_t $는 $ t $년차의 편익, $ C_t $는 $ t $년차의 비용, $ r $은 사회적 할인율, $ n $은 분석 대상 기간을 의미한다. 일반적으로 $ BCR $이 1.0 이상일 때 경제적 타당성이 있는 것으로 간주한다. 순현재가치는 총편익의 현재 가치에서 총비용의 현재 가치를 뺀 값으로, 이 수치가 0보다 커야 사업의 타당성이 확보된다.

그러나 교통시설 확충은 단순한 경제적 효율성뿐만 아니라 지역 균형 발전, 환경 보존, 정책적 일관성 등 다차원적인 가치를 포함한다. 따라서 실무에서는 경제성 분석 결과와 함께 비계량적 요소를 종합적으로 고려하기 위해 계층화 분석법(Analytic Hierarchy Process, AHP)을 활용한 종합평가를 시행한다. 이는 의사결정 구조를 계층화하고 전문가 설문을 통해 각 요소의 가중치를 산출하여 최종 점수를 도출하는 방식이다. 한국에서는 한국개발연구원(KDI)의 공공투자관리센터(PIMAC)를 중심으로 경제성 분석 점수와 정책적 분석, 지역 균형 발전 분석 점수를 합산하여 최종 타당성 여부를 결정한다.

예측 결과의 신뢰성을 확보하기 위해 수행되는 민감도 분석(Sensitivity Analysis) 또한 중요한 평가 체계의 일부이다. 이는 인구 증가율, 경제 성장률, 사회적 할인율 등 주요 입력 변수가 변동할 때 경제성 분석 결과가 어떻게 변화하는지를 분석하는 과정이다. 이를 통해 미래의 불확실성에 따른 리스크를 사전에 파악하고, 예측 모형의 안정성을 검증한다. 만약 특정 변수의 미세한 변화에 의해 타당성 결과가 뒤바뀐다면 해당 사업은 높은 불확실성을 가진 것으로 평가되어 보수적인 접근이 요구된다.

마지막으로 교통수요예측은 시설 완공 후의 사후 평가 체계와 연계된다. 실제 개통 이후 관측된 교통량과 예측치를 비교 분석하여 오차의 원인을 규명하고, 이를 다시 미래의 예측 모형 개선에 반영하는 환류(Feedback) 과정을 거친다. 이러한 일련의 과정은 국가통합교통체계효율화법 등 관련 법령에 명시되어 있으며, 공공 투자의 투명성과 효율성을 제고하는 제도적 장치로 작동한다. 현대의 교통수요예측은 단순한 기술적 추정을 넘어, 사회적 자원의 최적 배분을 유도하는 정책 설계의 필수적인 도구로 자리 잡고 있다.

교통 시설 투자 타당성 검토는 대규모 자본이 소요되는 사회기반시설 건설 사업의 경제적 효율성과 사회적 타당성을 확보하기 위한 필수적인 절차이다. 이 과정의 핵심은 교통수요예측을 통해 산출된 장래 교통량을 기반으로 해당 사업이 사회 전체에 가져올 이득과 투입되는 자원을 비교하는 비용 편익 분석(Cost-Benefit Analysis, CBA)에 있다. 교통 시설의 확충은 단순히 이동의 편의를 넘어 지역 경제 활성화와 국토 균형 발전이라는 다각적인 목적을 지니지만, 자원의 희소성으로 인해 가장 효율적인 대안을 선택하는 기법이 요구된다.

경제적 타당성 평가의 첫 단계는 사업 시행으로 인해 발생하는 편익(Benefit)을 정량화하는 것이다. 교통 사업의 주요 편익은 교통수요 분석 결과인 통행량, 통행 속도, 주행 거리 등의 변화를 화폐 가치로 환산하여 산출한다. 대표적인 항목으로는 통행 시간의 단축에 따른 통행 시간 절감 편익, 차량 운행 효율화에 따른 차량 운행 비용 절감 편익, 교통 안전 개선에 따른 교통사고 감소 편익, 그리고 대기오염 및 소음 감소와 같은 환경 비용 절감 편익이 포함된다. 이 중 통행 시간 절감 편익은 통상 전체 편익의 가장 큰 비중을 차지하며, 이는 통행자의 시간 가치(Value of Time, VOT)를 적용하여 계산된다.

비용(Cost) 측면에서는 사업의 생애 주기 동안 발생하는 모든 지출을 고려한다. 초기 자본 투입인 설계비와 용지 보상비, 공사비를 포함하는 총 사업비뿐만 아니라, 시설 완공 후 운영 및 유지보수에 소요되는 비용과 장래 시설 개보수 비용을 합산한다. 이때 모든 비용과 편익은 발생 시점이 다르므로, 화폐의 시간 가치를 반영하기 위해 사회적 할인율(Social Discount Rate)을 적용하여 현재 가치로 환산하는 과정을 거친다. 특정 연도 $t$에서 발생하는 편익을 $B_t$, 비용을 $C_t$, 사회적 할인율을 $r$, 분석 기간을 $n$이라 할 때, 순현재가치(Net Present Value, NPV)는 다음과 같이 정의된다.

$$ NPV = \sum_{t=0}^{n} \frac{B_t - C_t}{(1+r)^t} $$

투자 타당성을 판단하는 대표적인 지표로는 앞서 언급한 순현재가치와 더불어 비용 편익 비율(Benefit-Cost Ratio, B/C Ratio), 내부수익률(Internal Rate of Return, IRR)이 활용된다. 비용 편익 비율은 총 편익의 현재 가치를 총 비용의 현재 가치로 나눈 값으로, 이 수치가 1.0 이상일 때 경제적 타당성이 있는 것으로 간주한다. 내부수익률은 순현재가치를 0으로 만드는 할인율을 의미하며, 이 값이 사회적 할인율보다 클 경우 사업의 수익성이 확보된 것으로 평가한다.

그러나 정량적인 경제성 분석만으로는 공공 투자 사업의 모든 측면을 반영하기 어렵다. 따라서 실무적으로는 계층화 분석 과정(Analytic Hierarchy Process, AHP)과 같은 다기준 의사결정 분석 기법을 병행하여 경제성 외에도 지역 낙후도, 정책적 일치성, 환경적 영향 등의 비계량적 요소를 종합적으로 검토한다. 이는 교통수요예측의 기술적 결과물을 실제 정책 결정 과정으로 연결하는 최종적인 의사결정 체계로서의 의의를 갖는다. 특히 대한민국에서는 예비타당성조사 제도를 통해 이러한 종합 평가를 수행함으로써 국가 재정 운용의 효율성을 기하고 있다.

수요예측 결과와 실제 교통량 사이의 차이가 발생하는 원인과 이를 보정하는 기법을 다룬다.