교통 수요(Transportation Demand)는 특정 시간과 공간의 제약 속에서 사람이나 화물이 한 지점에서 다른 지점으로 이동하고자 하는 욕구의 크기를 의미한다. 교통공학과 미시경제학의 관점에서 교통 수요는 단순한 물리적 이동의 총합이 아니라, 통행자가 직면한 비용과 시간이라는 제약 조건하에서 자신의 효용(utility)을 극대화하기 위해 선택한 결과물로 정의된다. 이러한 수요는 실제 시장에서 관찰되는 유효 수요(effective demand)와 잠재적 욕구는 있으나 비용이나 공급의 결여로 인해 실현되지 못한 잠재 수요(latent demand)로 구분된다. 유효 수요는 현재의 교통 시설과 서비스 수준에서 발생하는 실제 통행량을 의미하며, 잠재 수요는 장래에 교통 여건이 개선되거나 비용이 하락할 경우 유효 수요로 전환될 수 있는 가능성을 내포한다.

교통 수요의 가장 본질적인 성격은 그것이 파생 수요(derived demand)라는 점에 있다. 일반적인 소비재가 그 자체의 소비를 통해 직접적인 만족을 주는 최종재(final goods)로 기능하는 것과 달리, 교통은 특정 목적지에 도달하여 수행하게 될 경제적, 사회적 활동을 위한 수단으로서의 성격이 강하다. 즉, 통근, 통학, 쇼핑, 업무 등 본원적인 활동에 대한 수요가 존재하기 때문에 그 부산물로서 이동에 대한 수요가 발생하는 것이다. 이러한 파생적 성격으로 인해 교통 수요는 해당 지역의 토지 이용(land use) 형태와 밀접한 관련을 맺는다. 주거 지역과 상업 지역의 공간적 분리는 필연적으로 두 지점을 연결하는 통행을 발생시키며, 이는 공간적 상호작용(spatial interaction)의 원리로 설명된다.

경제적 측면에서 교통 수요를 결정하는 핵심 요소는 일반화 비용(generalized cost)이다. 통행자가 특정 수단이나 경로를 선택할 때 고려하는 비용은 단순히 지불하는 운임이나 유류비와 같은 금전적 비용에 국한되지 않는다. 여기에는 이동에 소요되는 시간의 가치가 포함되며, 이를 수식으로 나타내면 다음과 같다.

$$ GC = C + (VOT \times T) + \alpha $$

위 식에서 $ GC $는 일반화 비용, $ C $는 직접적인 화폐 비용, $ VOT $는 통행 시간 가치(value of travel time), $ T $는 통행 시간을 의미하며, $ $는 쾌적성이나 정시성 등 기타 비계량적 요소를 반영한다. 통행자는 이 일반화 비용이 자신이 얻게 될 효용보다 낮을 때 통행을 결정하며, 복수의 대안이 존재할 경우 일반화 비용이 최소가 되는 경로와 수단을 선택하는 경향을 보인다. 이러한 결정 구조는 교통 수요가 가격 변화뿐만 아니라 시간 단축이나 서비스 질 향상에도 민감하게 반응함을 시사한다.

또한 교통 수요는 시공간적 집중성이라는 독특한 물리적 성격을 지닌다. 인간의 활동 주기가 일정한 사회적 규범에 묶여 있기 때문에, 특정 시간대에 수요가 폭증하는 첨두 현상(peaking phenomenon)이 발생한다. 교통 서비스는 생산과 동시에 소비되어야 하며 저장이 불가능한 서비스재의 특성을 가지므로, 첨두 시간대의 과도한 수요는 도로의 혼잡과 서비스 질 저하를 초래한다. 이러한 불균형은 사회적 비용(social cost)을 증대시키는 원인이 되며, 이를 효율적으로 관리하는 것이 교통 계획의 핵심 과제가 된다. 교통 수요는 소득 수준이나 인구 구조 변화에 대해서도 반응하지만, 단기적으로는 통행 행태의 관성이 존재하여 일정 수준의 비탄력성을 보이기도 한다. 따라서 교통 수요를 분석할 때는 경제적 변수뿐만 아니라 사회심리적 요인과 공간적 배치 구조를 종합적으로 고려해야 한다.¹⁾²⁾

교통 수요(Transportation Demand)는 특정 시점과 공간적 범위 내에서 경제적 활동이나 사회적 욕구를 충족하기 위해 사람이나 화물이 한 지점에서 다른 지점으로 이동하고자 하는 의사 및 그 양을 의미한다. 경제학의 일반적인 재화 수요와 달리, 교통 수요는 그 자체가 최종 소비 목적이 되는 경우가 드물며, 대부분 생산, 소비, 교류와 같은 다른 활동을 수행하기 위한 수단으로 발생하는 파생 수요(Derived Demand)의 성격을 띤다. 따라서 교통 수요의 크기는 단순히 이동 비용뿐만 아니라 목적지에서 얻을 수 있는 효용과 통행에 소요되는 기회비용에 의해 결정된다.

교통 수요의 총량은 크게 유효 수요와 잠재 수요로 구분하여 분석할 수 있다. 유효 수요(Effective Demand)란 이동하고자 하는 욕구가 실제 통행 행위로 나타나 교통망 내에서 관측되는 수요를 말한다. 이는 현재의 교통 인프라 공급 수준과 통행 비용 체계 하에서 실현된 결과물로, 통상적인 교통량 조사를 통해 수치화되는 대상이다. 유효 수요는 분석 시점의 사회경제적 여건을 반영하며, 교통 계획의 수립과 운영 상태를 평가하는 직접적인 척도가 된다.

반면 잠재 수요(Latent Demand)는 이동에 대한 욕구는 존재하나, 과도한 통행 비용, 심각한 교통 혼잡, 혹은 적절한 교통 수단의 부재와 같은 제약 요인으로 인해 실제 통행으로 이어지지 못한 수요를 의미한다. 잠재 수요는 겉으로 드러나지 않지만, 교통 공급 조건이 개선되거나 비용이 하락할 경우 언제든지 유효 수요로 전환될 수 있는 대기 상태의 수요이다. 예를 들어 새로운 도로가 개통되거나 대중교통 노선이 확충되었을 때, 과거에는 이동을 포기했던 주체들이 새롭게 통행을 시작하면서 발생하는 유발 수요(Induced Demand)는 잠재 수요가 현실화된 대표적인 사례이다.

유효 수요와 잠재 수요의 차이를 명확히 파악하는 것은 교통 정책의 성패를 결정짓는 핵심 요소이다. 단순히 현재 관측되는 유효 수요만을 근거로 교통 시설의 용량을 설계할 경우, 시설 완공 후 잠재 수요가 대거 유입되면서 다시 혼잡이 발생하는 예측 오류를 범할 수 있기 때문이다. 따라서 현대적 교통 수요 분석에서는 개별 경제 주체의 행태적 특성을 고려하여, 주어진 여건 변화에 따라 잠재 수요가 어떻게 반응하고 이동 경로와 수단을 선택하는지를 수리적으로 모형화하는 과정이 필수적이다.

교통 수요는 시간적, 공간적 집중성이라는 독특한 물리적 특성을 지닌다. 특정 시간대(첨두시)와 특정 구간(주요 간선도로)에 수요가 집중되는 현상은 한정된 교통 자원의 효율적 배분을 어렵게 만드는 주된 원인이 된다. 이러한 맥락에서 교통 수요의 개념적 정의는 단순히 이동량의 합계를 구하는 차원을 넘어, 수요의 시공간적 분포 특성과 가격 탄력성, 그리고 공급 변화에 따른 수요의 가변성을 포괄하는 입체적인 시각에서 다루어져야 한다.³⁾

교통 수요는 그 자체로 인간의 욕구를 직접 충족시키는 본원적 수요(primary demand)가 아니라, 특정 장소에서 이루어지는 활동을 수행하기 위한 수단으로서 발생하는 파생 수요(derived demand)의 성격을 지닌다. 일반적인 경제재의 소비는 해당 재화가 제공하는 효용을 얻기 위해 이루어지지만, 교통은 목적지에서의 경제 활동이나 사회적 교류라는 본질적인 목적을 달성하기 위한 전제 조건으로 요구된다. 즉, 개인이 지하철을 이용하거나 승용차를 운전하는 행위는 통행 그 자체가 목적이라기보다는 출근, 등교, 쇼핑, 여가 활동 등 시공간적으로 분리된 지점에서 발생하는 활동에 참여하기 위한 과정이다.

이러한 파생적 특성으로 인해 교통 수요는 활동 기반 분석(Activity-Based Analysis)의 틀 안에서 이해된다. 통행자는 하루 24시간이라는 시간적 제약과 도시 구조에 따른 공간적 제약 하에서 자신의 효용을 극대화하기 위한 활동 경로를 결정한다. 이때 교통 수요는 토지 이용(land use) 체계와 밀접하게 결합한다. 주거지와 직장, 상업 시설이 공간적으로 분리되어 존재함에 따라 발생하는 공간적 이격을 극복해야만 비로소 활동이 가능해지기 때문이다. 따라서 특정 지역의 교통 수요를 분석하기 위해서는 단순히 차량의 흐름을 관찰하는 것을 넘어, 해당 지역의 토지 이용 패턴과 거주자의 인구통계학적 특성, 그리고 그들이 영위하는 활동의 종류를 파악하는 것이 필수적이다.

경제학적 관점에서 교통 수요의 발생 원리는 목적지에서의 활동이 제공하는 정(+)의 효용과 이동 과정에서 발생하는 부(-)의 효용 사이의 상쇄 관계(trade-off)로 설명된다. 통행자는 이동 과정에서 시간, 비용, 육체적 피로 등의 소모를 경험하며, 이를 일반화 비용(generalized cost)이라 한다. 합리적인 경제 주체는 특정 활동을 통해 얻을 수 있는 기대 효용이 그곳까지 이동하는 데 드는 일반화 비용보다 클 때에만 통행을 선택한다. 특정 활동 $ i $에 대한 통행 결정 여부를 결정하는 순효용 $ U_{net, i} $는 다음과 같은 수식으로 정형화할 수 있다.

$$ U_{net, i} = U(A_i) - C(T_i) $$

여기서 $ U(A_i) $는 목적지에서의 활동 $ A_i $가 제공하는 효용을 의미하며, $ C(T_i) $는 해당 목적지까지의 통행 $ T_i $에 수반되는 비용 함수이다. 만약 $ U_{net, i} > 0 $인 조건이 충족되지 않는다면 통행 수요는 표출되지 않고 억제되거나, 혹은 더 낮은 비용으로 접근 가능한 대안적 활동으로 전환된다. 이러한 원리는 미시경제학의 소비자 이론을 교통 행태 분석에 적용한 결과이다.

파생 수요로서의 성격은 교통 정책 수립에 있어 중요한 시사점을 제공한다. 교통 혼잡 문제를 해결하기 위해 단순히 도로를 확충하는 공급 위주의 정책은 한계가 명확한데, 이는 토지 이용의 변화가 새로운 통행 활동을 유발하기 때문이다. 따라서 현대의 교통 계획은 통행의 근원인 활동 자체를 효율적으로 배치하거나, 정보통신기술(ICT)을 활용하여 물리적 이동 없이도 활동 목적을 달성하게 함으로써 교통 수요를 근본적으로 관리하는 방향으로 진화하고 있다. 재택근무나 전자상거래의 확산은 물리적 통행이라는 파생 수요를 디지털 환경에서의 활동으로 대체하는 대표적인 사례로 볼 수 있다.

다만 모든 교통 수요가 파생적인 것은 아니다. 관광 열차 이용, 해안도로 드라이브, 산책 등 이동 행위 자체가 즐거움과 만족을 주는 경우, 교통은 본원적 수요로서의 성격을 띠기도 한다. 이러한 경우 통행 시간은 극복해야 할 비용이 아니라 향유해야 할 소비의 대상이 된다. 그러나 대도시권 내에서 발생하는 대부분의 통행은 여전히 경제 활동에 종속된 파생적 성격을 유지하고 있으며, 이는 공간 경제학 및 교통공학의 핵심적인 분석 기초가 된다.

교통 수요는 본질적으로 사회경제적 활동을 수행하기 위해 발생하는 파생 수요(Derived Demand)의 성격을 지니므로, 그 크기와 방향은 교통 체계 내부의 조건뿐만 아니라 외부의 다양한 사회경제적 지표(Socio-economic indicators)에 의해 결정된다. 교통 수요의 결정 요인을 파악하는 것은 장래의 통행량을 예측하고 효율적인 교통 계획을 수립하기 위한 기초 작업이다. 주요 결정 요인은 크게 인구 통계적 특성, 경제적 여건, 그리고 토지 이용 패턴으로 구분할 수 있다.

인구 통계(Demographics)는 교통 수요의 총량을 결정하는 가장 근본적인 요인이다. 특정 지역의 인구 규모가 클수록 통행 발생(Trip generation)량은 선형적으로 증가하는 경향을 보인다. 그러나 현대 교통 계획에서는 단순한 인구수뿐만 아니라 가구의 구성과 연령 구조의 변화에 주목한다. 핵가구화로 인한 가구 수의 증가는 인구수가 일정하더라도 취사, 쇼핑, 가사 관리 등 가구 단위의 활동을 분절시켜 전체 통행 발생 빈도를 높이는 원인이 된다. 또한, 고령화 사회로의 진입은 생산 가능 인구의 통근 통행 비중을 낮추는 대신, 의료 및 여가를 목적으로 하는 비정기적 통행의 비중을 높이는 등 통행 패턴의 구조적 변화를 야기한다⁴⁾.

경제적 요인은 통행자의 수단 선택과 통행 거리에 직접적인 영향을 미친다. 특히 가처분 소득(Disposable income)의 증가는 교통 수요의 양적 팽창과 질적 고급화를 동시에 유도한다. 소득 수준이 높아질수록 통행자는 시간 가치를 높게 평가하게 되며, 이는 상대적으로 비용이 저렴한 대중교통보다는 정시성과 쾌적성이 보장되는 승용차나 고속 교통수단을 선호하게 만든다⁵⁾. 소득과 교통 수요의 관계는 흔히 소득 탄력성(Income elasticity)으로 설명되는데, 이는 다음과 같이 정의된다. $$ \epsilon_I = \frac{\Delta D / D}{\Delta I / I} $$ 여기서 $ D $는 교통 수요, $ I $는 소득을 의미한다. 일반적으로 교통 수요의 소득 탄력성은 양(+)의 값을 가지며, 이는 경제 성장이 교통 혼잡을 심화시키는 주요 기제로 작용함을 시사한다.

토지 이용(Land use) 패턴은 통행의 공간적 분포와 거리를 결정하는 물리적 토대가 된다. 주거지와 직장이 분리되는 직주분리 현상이 심화될수록 평균 통행 거리는 길어지며, 이는 교통망에 가해지는 부하를 가중시킨다. 반면, 도시 밀도가 높고 주거·상업·업무 기능이 복합된 용도 혼합(Land-use mix) 지역에서는 통행 거리가 단축되고 보행이나 자전거와 같은 비동력 교통수단의 분담률이 높아진다⁶⁾. 토지 이용에 따른 접근성(Accessibility)의 차이는 특정 지역으로의 통행 유인력을 결정하며, 이는 중력 모형(Gravity model) 등을 통해 수리적으로 분석된다.

마지막으로 교통 서비스 자체의 특성인 일반화 비용(Generalized cost) 역시 수요를 결정하는 핵심 변수이다. 통행 시간과 운임, 환승 불편 등을 화폐 가치로 환산한 일반화 비용이 감소하면 기존에 존재하지 않던 유발 수요(Induced demand)가 창출된다. 따라서 교통 공급의 확대는 일시적으로 혼잡을 완화할 수 있으나, 장기적으로는 다시 수요를 불러일으키는 환류 체계를 형성하게 된다.

교통 수요 분석은 개별 경제 주체가 한정된 자원을 배분하여 이동 서비스를 선택하는 의사결정 과정을 체계적으로 규명하려는 시도에서 출발한다. 이 분석의 핵심적인 학술적 토대는 미시경제학의 소비자 선택 이론에 기반을 둔다. 경제학적 관점에서 교통 수요는 그 자체로 효용을 창출하는 최종 소비재가 아니라, 노동, 쇼핑, 여가 등 다른 목적지에 도달하여 수행하는 활동을 위해 발생하는 파생 수요(derived demand)의 성격을 지닌다. 따라서 교통 수요 분석은 통행자가 특정 활동을 수행함으로써 얻는 편익과 그 과정에서 소모되는 시간 및 비용이라는 기회비용 사이의 상충 관계를 어떻게 최적화하는지를 탐구하는 데 집중한다.

이러한 선택 행태를 설명하는 대표적인 틀은 효용 극대화 이론이다. 통행자는 자신에게 주어진 예산 제약과 시간 제약 하에서 주관적 만족도인 효용(utility)을 가장 높일 수 있는 통행 수단, 경로, 시간대를 선택한다. 켈빈 랭커스터(Kelvin Lancaster)가 제시한 속성 이론에 따르면, 소비자는 상품 그 자체보다는 상품이 보유한 속성들에 가치를 부여한다. 교통 분야에 이를 적용하면 통행자는 버스나 지하철이라는 수단 자체를 소비하는 것이 아니라, 해당 수단이 제공하는 통행 시간, 이용 요금, 정시성, 쾌적성 등 구체적인 서비스 속성들을 조합하여 자신의 효용 함수를 구성하게 된다.

교통 수요 분석의 수리적 기초를 닦은 다니엘 맥파든(Daniel McFadden)의 확률적 효용 이론(Random Utility Theory)은 관측 가능한 결정론적 요소와 관측 불가능한 불확실성 요소를 결합하여 선택 행태를 모형화하였다. 통행자 $ n $이 대안 $ i $를 선택할 때 느끼는 효용 $ U_{in} $은 분석가가 관측할 수 있는 체계적 효용 $ V_{in} $과 관측할 수 없는 무작위 오차항 $ _{in} $의 합으로 표현된다.

$$ U_{in} = V_{in} + \epsilon_{in} $$

여기서 오차항은 개인의 선호 차이, 측정되지 않은 대안의 특성, 인지적 오류 등을 포함한다. 통행자는 $ U_{in} > U_{jn} $인 대안 $ i $를 선택하며, 분석가는 오차항의 확률 분포를 가정함으로써 특정 대안이 선택될 확률을 계산한다. 이러한 접근 방식은 개별 경제 주체의 행태를 집계되지 않은 데이터로 분석하는 개별 선택 모형(Discrete Choice Model)의 표준적 정립에 기여하였다⁷⁾.

최근의 교통 수요 이론은 합리적 선택 이론의 한계를 보완하기 위해 심리학과 행동경제학적 기제를 적극적으로 수용하고 있다. 고전적 이론에서의 통행자는 모든 정보를 완벽하게 인지하고 계산하는 전능한 존재로 가정되나, 현실의 통행자는 허버트 사이먼(Herbert Simon)이 제시한 제한된 합리성의 틀 안에서 의사결정을 내린다. 즉, 통행자는 모든 대안을 검토하기보다는 자신의 인지적 능력 범위 내에서 만족스러운 수준의 대안을 선택하는 경향을 보인다.

또한, 통행 결정 과정에서의 심리적 기제 중 하나로 전망 이론(Prospect Theory)이 주목받고 있다. 통행자는 절대적인 효용의 크기보다 특정한 준거점을 기준으로 한 이득과 손실에 더 민감하게 반응하며, 특히 동일한 크기의 이득보다 손실을 더 크게 인지하는 손실 회피 성향을 나타낸다. 예를 들어 통행 시간의 단축에서 오는 기쁨보다 교통 혼잡으로 인한 지연에서 느끼는 불효용이 더 크게 작용하여 수단 선택이나 경로 변경에 결정적인 영향을 미치기도 한다⁸⁾. 이러한 심리적 기제는 교통 정책의 변화나 정보 제공이 통행자의 행태 변화를 유도하는 과정을 정교하게 예측하는 데 필수적인 이론적 근거를 제공한다.

교통 수요 분석의 미시적 기초를 이루는 효용 극대화 이론(Utility Maximization Theory)은 개별 통행자가 직면한 여러 대안 중에서 자신에게 가장 큰 만족을 주는 대안을 선택한다는 합리적 선택(Rational choice) 가설에 기반한다. 이는 미시경제학의 소비자 선택 이론을 교통 공학 및 계획 분야에 응용한 것으로, 통행자를 제한된 자원 하에서 최적의 결정을 내리는 경제적 주체로 간주한다. 통행 행태를 분석할 때 효용은 통행자가 특정 교통 수단이나 경로를 이용함으로써 얻는 편익과 지불해야 하는 비용의 총합으로 정의된다.

통행자가 대안 $ i $를 선택함으로써 얻는 효용 $ U_{i} $는 일반적으로 관측 가능한 결정론적 효용 $ V_{i} $와 관측 불가능한 확률적 오차항 $ _{i} $의 합으로 구성된다. 이를 확률적 효용 이론(Random Utility Theory)이라 하며, 수식으로는 다음과 같이 표현한다.

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

여기서 결정론적 효용 $ V_{i} $는 통행 시간, 통행 비용, 환승 횟수, 쾌적성 등 통행 행태에 영향을 미치는 객관적 변수들의 선형 결합으로 나타내는 것이 일반적이다. 예를 들어, 특정 수단의 효용 함수는 다음과 같은 형태를 취할 수 있다.

$ V_{i} = %%//%%{0} + %%//%%{1} (%%//%%{i}) + %%//%%{2} (_{i}) + $

이때 각 변수의 계수인 $ $는 해당 요소가 전체 효용에 미치는 가중치를 의미하며, 통행자는 $ U_{i} $가 최대가 되는 대안을 선택하게 된다. 이러한 구조는 교통 정책의 변화가 통행자의 행태에 미치는 영향을 정량적으로 예측하는 데 핵심적인 역할을 한다.

교통 수요 이론에서 특히 중요하게 다뤄지는 개념은 일반화 비용(Generalized cost)이다. 통행자는 단순히 금전적 지출만을 고려하는 것이 아니라, 통행에 소요되는 시간적 가치를 비용으로 환산하여 의사결정에 반영한다. 시간 가치(Value of Time, VOT)는 통행 시간이 한 단위 감소할 때 통행자가 지불할 용의가 있는 금액으로 정의되며, 이를 통해 서로 다른 단위인 시간과 비용을 하나의 척도로 통합할 수 있다. 통행 행태 분석에서 일반화 비용 $ C $는 다음과 같이 정의된다.

$ C = + $

이러한 효용 극대화 체계 내에서 통행자는 자신의 소득 수준과 시간 제약 하에서 일반화 비용을 최소화하거나 효용을 극대화하는 방향으로 교통 수단과 경로를 결정한다. 예를 들어, 소득 수준이 높은 통행자는 시간 가치가 높게 책정되어 금전적 비용이 더 들더라도 통행 시간이 짧은 수단을 선택하는 경향을 보인다. 반면, 시간적 여유가 있고 소득 제약이 큰 통행자는 비용이 저렴한 수단을 선호하게 된다.

효용 극대화 이론에 기반한 통행 행태 분석은 교통 체계의 변화에 따른 수요 변동을 설명하는 데 탁월한 논리적 근거를 제공한다. 도로 통행료의 인상이나 대중교통 배차 간격의 단축은 개별 대안의 효용 값을 변화시키며, 이는 결국 집합적인 교통 수요의 재배분으로 이어진다. 따라서 교통 계획가는 효용 함수의 매개변수를 추정함으로써 특정 정책 수단이 유발할 수요 탄력성을 파악하고, 이를 바탕으로 효율적인 교통망 설계 및 운영 전략을 수립할 수 있다.

결국 효용 극대화 이론은 통행자의 주관적 선호와 객관적 제약 조건을 수리적으로 연결함으로써, 복잡한 인간의 이동 행태를 체계적으로 분석 가능한 영역으로 끌어들였다는 점에서 학술적 함의가 크다. 이는 현대 교통 수요 예측의 표준적 방법론인 개별 선택 모형의 이론적 토대가 되었으며, 최근에는 활동 기반 분석이나 심리적 변수를 도입한 확장된 효용 이론으로 진화하고 있다.

개별 선택 모형(Discrete Choice Model)은 통행자 개인이 직면한 여러 상호 배타적인 대안들 중에서 하나를 선택하는 행위를 수리적으로 분석하는 기법이다. 이는 과거의 집계형(Aggregate) 모형이 지역 단위의 평균적 경향성에 의존했던 것과 달리, 개별 경제 주체의 의사결정 원리를 직접 모형화한다는 점에서 미시경제학의 소비자 이론과 궤를 같이한다. 이 모형의 이론적 토대는 대니얼 맥패든(Daniel McFadden)이 정립한 확률적 효용 이론(Random Utility Theory)에 기원을 둔다. 해당 이론은 통행자가 자신의 효용을 극대화하는 대안을 선택하지만, 분석가가 모든 효용 결정 요인을 관측할 수는 없다는 불확실성을 인정한다.

개별 선택 모형에서 통행자 $ n $이 선택 가능한 대안 집합 $ C $에 속한 대안 $ i $로부터 얻는 효용 $ U_{ni} $는 관측 가능한 체계적 효용 $ V_{ni} $와 관측 불가능한 확률적 오차항 $ _{ni} $의 합으로 정의된다.

$$ U_{ni} = V_{ni} + \epsilon_{ni} $$

여기서 체계적 효용 $ V_{ni} $는 통행 시간, 비용, 소득 등 관측된 변수들의 선형 결합으로 구성되며, 오차항 $ %%//%%{ni} $는 분석 과정에서 누락된 변수나 개인의 기호 차이, 측정 오차 등을 포괄한다. 통행자가 대안 $ i $를 선택할 확률 $ P%%//%%{ni} $는 대안 $ i $의 효용이 다른 모든 대안 $ j $의 효용보다 클 확률로 계산된다.

$$ P_{ni} = \text{Pr}(U_{ni} \ge U_{nj}, \forall j \in C) = \text{Pr}(\epsilon_{nj} - \epsilon_{ni} \le V_{ni} - V_{nj}, \forall j \in C) $$

이 확률을 구체적인 수식으로 도출하기 위해서는 오차항의 확률 분포에 대한 가정이 필수적이다. 가장 널리 활용되는 다항 로짓 모형(Multinomial Logit Model, MNL)은 오차항이 서로 독립적이며 동일한 분포를 가진다는 독립 동일 분포(Independent and Identically Distributed, IID) 가정을 전제로, 제1종 극치 분포(Type I Extreme Value Distribution)를 따른다고 가정한다. 이러한 가정하에서 대안 $ i $가 선택될 확률은 다음과 같은 로지스틱 함수 형태로 도출된다.

$$ P_{ni} = \frac{\exp(V_{ni})}{\sum_{j \in C} \exp(V_{nj})} $$

다항 로짓 모형은 계산이 간편하고 해석이 용이하다는 장점이 있으나, 독립 대안 선택 특성(Independence from Irrelevant Alternatives, IIA)이라는 제약 조건을 가진다. IIA 특성은 두 대안 사이의 선택 확률 비율이 제3의 대안 존재 여부와 무관하게 일정하다는 것을 의미하는데, 이는 대안들 사이에 유사성이 높은 경우 실제 선택 행태를 왜곡할 위험이 있다. 이를 보완하기 위해 대안들을 계층적으로 구조화하여 상관관계를 부분적으로 허용하는 중첩 로짓 모형(Nested Logit Model) 등이 활용된다.

반면, 프로빗 모형(Probit Model)은 오차항이 다변량 정규 분포(Multivariate Normal Distribution)를 따른다고 가정한다. 이 모형은 대안 간의 상관관계를 공분산 행렬을 통해 자유롭게 설정할 수 있어 IIA 가정의 한계를 극복할 수 있다는 이론적 우수성을 지닌다. 그러나 선택 확률을 계산하는 과정에서 고차원의 다중 적분이 필요하므로, 과거에는 연산 비용 문제로 적용에 한계가 있었다. 최근에는 시뮬레이션 기반의 추정 기법과 컴퓨팅 성능의 비약적 발전으로 인해 혼합 로짓 모형(Mixed Logit Model)과 함께 복잡한 교통 수요 분석 현장에서 그 비중이 높아지고 있다.

개별 선택 모형의 주요 구성 요소인 로짓과 프로빗 모형은 대안의 특성과 오차항의 가정에 따라 다음과 같이 비교할 수 있다.

이러한 수리적 기법들은 교통 수단 선택뿐만 아니라 출발 시간 결정, 경로 선택, 주거지 선택 등 다양한 통행 행태 분석의 핵심 도구로 기능한다.⁹⁾ 특히 개별 선택 모형은 정책 변화에 따른 효용의 변화량을 화폐 가치로 환산할 수 있게 함으로써, 신규 교통 시설 도입에 따른 편익 산정과 타당성 조사의 객관적 근거를 제공한다.

확률적 효용 이론(Random Utility Theory, RUT)은 통행자의 의사결정 과정을 수리적으로 모형화하는 데 있어 핵심적인 이론적 토대를 제공한다. 고전적인 미시경제학의 효용 이론은 분석자가 통행자의 모든 선호와 대안의 속성을 완벽하게 파악할 수 있다는 전제하에 결정론적 효용(Deterministic Utility)을 가정하였다. 그러나 실제 현실에서는 동일한 조건 하에서도 개인마다 선택이 달라지거나, 분석자가 파악하지 못하는 다양한 요인이 존재하기 마련이다. 이러한 한계를 극복하기 위해 루이스 서스톤(Louis Leon Thurstone)에 의해 초석이 놓이고 대니얼 맥패든(Daniel McFadden)에 의해 경제학적으로 체계화된 확률적 효용 이론은 개별 대안이 갖는 전체 효용을 관측 가능한 부분과 관측 불가능한 부분으로 분리하여 고찰한다.

확률적 효용 이론에서 특정 개인 $n$이 대안 집합 내의 대안 $i$를 선택할 때 얻는 총 효용 $U_{ni}$는 다음과 같이 두 성분의 합으로 정의된다.

$$U_{ni} = V_{ni} + \epsilon_{ni}$$

여기서 $V_{ni}$는 체계적 효용(Systematic Utility) 또는 관측 가능한 효용이라 불리며, 분석자가 직접 측정할 수 있는 대안의 속성인 통행 시간, 비용 등과 의사결정자의 사회경제적 특성인 소득, 연령 등을 변수로 하는 함수로 표현된다. 반면 $\epsilon_{ni}$는 오차항(Error Term) 또는 확률적 부분으로, 분석자가 관측할 수 없거나 모형에 포함하지 못한 모든 불확실성 요인을 포괄한다.

오차항 $\epsilon_{ni}$이 발생하는 원인은 크게 네 가지 측면에서 이해할 수 있다. 첫째, 분석자가 모형을 구축할 때 중요하지 않다고 판단하여 제외했거나 아예 인지하지 못한 누락 변수의 영향이다. 둘째, 설문 조사나 계측 과정에서 발생하는 데이터 자체의 측정 오차이다. 셋째, 통행 시간이나 비용을 인지하는 개인별 주관적 차이와 같은 대리 변수의 불완전성이다. 넷째, 개인의 기호가 시간에 따라 변하거나 상황에 따라 달라지는 내재적 가변성이다. 이러한 오차항의 도입을 통해 확률적 효용 이론은 인간 행태의 본질적인 불확실성을 통계적 프레임워크 안으로 수용할 수 있게 된다.

효용 극대화 이론에 따라 개인 $n$은 자신이 고려하는 대안 집합 $C_n$ 내에서 가장 큰 총 효용을 주는 대안 $i$를 선택한다. 그러나 분석자는 오차항의 구체적인 값을 알 수 없으므로, 특정 대안이 선택될 사건을 확률적으로 기술한다. 대안 $i$가 선택될 확률 $P_{ni}$는 대안 $i$의 효용이 다른 모든 대안 $j$의 효용보다 클 확률로 정의되며, 이는 다음과 같은 수식으로 전개된다.

$$P_{ni} = \text{Pr}(U_{ni} > U_{nj}, \forall j \in C_n, j \neq i)$$ $$P_{ni} = \text{Pr}(V_{ni} + \epsilon_{ni} > V_{nj} + \epsilon_{nj}, \forall j \in C_n, j \neq i)$$ $$P_{ni} = \text{Pr}(\epsilon_{nj} - \epsilon_{ni} < V_{ni} - V_{nj}, \forall j \in C_n, j \neq i)$$

이 확률식의 구체적인 형태는 오차항 $\epsilon$이 어떠한 확률 분포를 따르는가에 대한 가정에 따라 결정된다. 만약 오차항들이 서로 독립적이며 동일한 제1종 극치 분포(Gumbel Distribution)를 따른다고 가정하면, 이는 가장 보편적인 개별 선택 모형인 다항 로짓 모형(Multinomial Logit Model)으로 유도된다. 반면 오차항이 다변량 정규 분포를 따른다고 가정할 경우 프로빗 모형(Probit Model)이 도출된다. 결국 확률적 효용 이론은 개별 통행자의 선택 행태를 확률론적으로 접근함으로써, 교통 체계의 변화나 정책적 개입에 따른 수요의 변화를 보다 현실적이고 정밀하게 예측할 수 있는 이론적 근거를 제시한다. 이러한 접근법은 현대 교통 계획과 경제학 전반에서 이산 선택 모형을 설계하는 표준적인 패러다임으로 자리 잡고 있다.

다항 로짓 모형(Multinomial Logit Model, MNL)은 개별 통행자가 직면한 세 개 이상의 상호 배타적인 대안들 중에서 하나를 선택하는 행태를 분석하기 위한 표준적인 계량 경제 모델이다. 이 모형은 다니엘 맥파든(Daniel McFadden)에 의해 체계화되었으며, 확률적 효용 이론을 바탕으로 선택 확률을 명시적인 수식으로 도출한다. 통행자 $ n $이 선택 집합 $ C_n $에 속한 대안 $ i $를 선택할 확률은 해당 대안이 제공하는 효용이 다른 모든 대안의 효용보다 클 확률로 정의된다. 이때 효용은 관측 가능한 결정론적 부분과 관측 불가능한 확률적 오차항의 합으로 구성된다.

다항 로짓 모형의 핵심적 가정은 오차항의 분포에 있다. 각 대안의 오차항 $ %%//%%{in} $이 서로 독립적이며, 동일한 제1종 극치 분포(Type I Extreme Value Distribution) 또는 굼벨 분포(Gumbel Distribution)를 따른다고 가정한다. 오차항이 이러한 분포를 따를 때, 대안 $ i $를 선택할 확률 $ P%%//%%{in} $은 다음과 같은 폐쇄형(closed-form) 수식으로 도출된다.

$$ P_{in} = \frac{\exp(V_{in})}{\sum_{j \in C_n} \exp(V_{jn})} $$

여기서 $ V_{in} $은 대안 $ i $의 결정론적 효용을 의미하며, 통상적으로 대안의 특성 변수와 통행자의 사회경제적 변수의 선형 결합으로 표현된다. 이 수식은 분모에 모든 대안의 효용 지수 합을 두고 분자에 특정 대안의 효용 지수를 배치함으로써, 각 대안의 상대적 매력도를 확률로 환산한다. 계산이 매우 간편하고 직관적이기 때문에 교통 수단 선택이나 노선 선택 등 다양한 교통 수요 분석 분야에서 가장 보편적인 도구로 활용된다.

다항 로짓 모형의 가장 중요한 특성 중 하나는 무관 대안의 독립성(Independence of Irrelevant Alternatives, IIA)이다. 이는 특정 두 대안 간의 선택 확률 비율이 제3의 대안이 가진 특성이나 존재 여부에 영향을 받지 않는다는 성질이다. IIA 특성은 모형의 추정과 예측 과정을 단순화하고 새로운 대안이 추가되었을 때의 변화를 계산하기 용이하게 만드는 장점이 있으나, 대안들 사이에 상관관계가 존재하는 경우에는 현실과 동떨어진 결과를 초래할 수 있다. 대표적인 사례가 빨간 버스 파란 버스 문제(Red Bus/Blue Bus Problem)이다. 이는 색상만 다르고 다른 모든 특성이 동일한 버스 대안이 추가될 때, 기존 대안들의 확률이 비논리적으로 배분되는 현상을 지칭하며, 다항 로짓 모형이 가진 구조적 한계를 극명하게 보여준다.

이러한 한계에도 불구하고 다항 로짓 모형은 최우추정법(Maximum Likelihood Estimation, MLE)을 통해 모수를 비교적 쉽게 추정할 수 있다는 점에서 여전히 개별 선택 분석의 중추적 역할을 담당한다. 모형의 적합도는 우도비 검정(Likelihood Ratio Test)이나 로 제곱(Rho-squared) 지표를 통해 평가된다. 연구자는 이를 통해 교통 요금, 통행 시간, 접근성 등 각 변수가 수단 선택에 미치는 영향력을 정량적으로 파악할 수 있다. 이는 새로운 교통 수단 도입이나 요금 체계 개편과 같은 교통 정책의 효과를 사전적으로 평가하고, 한정된 자원을 효율적으로 배분하는 데 필수적인 근거를 제공한다. 더 나아가 IIA 가정을 완화하기 위해 오차항의 상관관계를 허용하는 중첩 로짓 모형(Nested Logit Model)이나 혼합 로짓 모형(Mixed Logit Model) 등 더욱 복잡한 모형으로 확장되는 기초가 된다.

전통적 교통 수요 예측 체계는 4단계 수요 예측 모델(Four-Step Model)을 중심으로 전개된다. 이 모델은 1950년대 시카고 지역 교통 계획 연구(Chicago Area Transportation Study, CATS)를 통해 정립된 이후, 도시 및 지역 단위의 교통 계획을 수립하는 데 있어 가장 보편적인 방법론으로 활용되어 왔다. 4단계 모델은 통행의 발생부터 최종적인 경로 선택에 이르기까지의 과정을 논리적인 연쇄 구조로 파악하며, 각 단계는 전 단계의 출력을 입력값으로 사용하는 순차적(Sequential) 특성을 가진다¹⁰⁾.

첫 번째 단계인 통행 발생(Trip Generation)은 분석 대상 지역을 세분화한 교통 분석 존(Traffic Analysis Zone, TAZ)별로 발생하는 총 통행량을 추정하는 과정이다. 이 단계에서는 각 존에서 시작되는 통행량인 발생량(Production)과 해당 존으로 유입되는 통행량인 유인량(Attraction)을 결정한다. 통행 발생량은 주로 가구 소득, 자동차 보유 대수, 가구원 수 등 사회경제적 변수를 독립 변수로 하는 회귀 분석(Regression Analysis)이나, 가구 특성별 평균 통행 발생률을 적용하는 카테고리 분석(Category Analysis) 등을 통해 산출된다.

두 번째 단계인 통행 분포(Trip Distribution)는 발생한 통행이 어느 존에서 어느 존으로 연결되는지를 결정하여 기종점 행렬(Origin-Destination Matrix)을 작성하는 단계이다. 가장 널리 쓰이는 모형은 중력 모형(Gravity Model)으로, 두 존 사이의 통행량이 각 존의 규모에 비례하고 두 존 사이의 거리에 반비례한다는 가설을 수리적으로 모형화한 것이다. 중력 모형의 기본 구조는 다음과 같이 표현된다.

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

여기서 $ T_{ij} $는 존 $ i $에서 존 $ j $로의 통행량, $ P_i $는 존 $ i $의 발생량, $ A_j $는 존 $ j $의 유인량이며, $ f(c_{ij}) $는 통행 비용이나 시간에 따른 저항 함수를 의미한다.

세 번째 단계인 교통 수단 분담(Modal Split)은 기종점 간의 통행 수요를 승용차, 버스, 지하철 등 구체적인 교통 수단별로 배분하는 과정이다. 통행자는 각 수단이 제공하는 통행 시간, 비용, 편리성 등의 속성을 비교하여 자신의 효용을 극대화하는 수단을 선택한다고 가정한다. 이 단계에서는 확률적 효용 이론에 기반한 로짓 모형(Logit Model)이 주로 사용된다. 특정 수단 $ m $을 선택할 확률 $ P_m $은 해당 수단의 효용 $ V_m $을 이용하여 다음과 같은 형식으로 계산된다.

$$ P_m = \frac{e^{V_m}}{\sum_{k} e^{V_k}} $$

마지막 단계인 노선 배정(Traffic Assignment)은 수단별로 분류된 통행량을 실제 도로망이나 철도망의 특정 경로에 할당하는 단계이다. 통행자는 자신의 통행 시간을 최소화하는 경로를 선택한다는 워드롭의 원리(Wardrop’s Principle)가 핵심적인 가정으로 작용한다. 특히 도로의 혼잡에 따른 지체 현상을 반영하기 위해 이용자 평형(User Equilibrium) 상태를 가정한다. 이는 어떤 통행자도 경로를 변경함으로써 자신의 통행 시간을 더 단축할 수 없는 최적화 상태를 의미하며, 이를 통해 특정 도로 구간의 장래 교통량을 예측할 수 있다.

전통적인 4단계 모델은 교통 시설 공급 중심의 계획 수립에 있어 강력한 논리적 일관성을 제공해 왔으나, 단계 간의 상호 작용을 충분히 반영하지 못하는 정적 모델이라는 한계가 존재한다¹¹⁾. 예를 들어, 특정 노선의 혼잡이 교통 수단 선택이나 통행 목적지 결정에 미치는 환류(Feedback) 효과를 처리하는 데 미흡하다는 지적을 받는다. 이에 따라 현대 교통 계획에서는 이러한 한계를 극복하기 위해 단계 간 반복 계산을 수행하거나, 개별 통행자의 연속적인 활동 패턴을 추적하는 활동 기반 모형(Activity-based Model)으로의 진화가 논의되고 있다.

전통적 교통 수요 예측 체계의 첫 번째 단계인 통행 발생과 유인은 특정 분석 대상 지역인 교통 분석 존(Traffic Analysis Zone, TAZ)에서 발생하는 통행의 총량을 산정하는 과정이다. 이 단계는 크게 두 가지 측면으로 구분되는데, 해당 존에서 시작되는 통행인 통행 발생(Trip Production)과 해당 존으로 끌어들여지는 통행인 통행 유인(Trip Attraction)이 그것이다. 통행 발생은 주로 가구의 사회경제적 특성에 따라 결정되는 반면, 통행 유인은 해당 지역의 토지 이용 상태와 활동 기회의 규모에 의해 결정된다. 이 과정을 통해 도출된 각 존별 발생량과 유인량은 이후 단계인 통행 분포 분석의 기초 자료로 활용된다.

통행 발생량의 주요 결정 요인은 가구원 수, 가구 소득, 자동차 보유 대수, 주거 형태 등 가구의 속성이다. 일반적으로 소득 수준이 높거나 자동차 보유 대수가 많을수록 가구당 통행 발생 빈도는 증가하는 경향을 보인다. 반면 통행 유인량은 목적지로서의 매력도를 나타내는 지표인 고용자 수, 업종별 사업체 수, 건축물 연면적, 학교의 학생 수 등에 의해 결정된다. 예를 들어 대규모 상업 지구나 업무 중심 지구는 거주 인구가 적더라도 고용 및 소비 활동의 기회가 많으므로 높은 통행 유인량을 나타내게 된다. 이러한 변수들은 장래의 도시 계획이나 토지 이용 계획을 바탕으로 예측되어 미래 교통 수요 산정의 독립 변수로 사용된다.

통행 발생과 유인을 추정하기 위해 가장 널리 사용되는 수리적 기법은 회귀 분석(Regression Analysis)이다. 이는 특정 존의 통행량을 종속 변수로 설정하고, 해당 존의 사회경제적 지표들을 독립 변수로 설정하여 그 상관관계를 도출하는 방식이다. 일반적인 선형 회귀 모형은 다음과 같은 수식으로 표현된다.

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

여기서 $ T_i $는 $ i $ 존의 통행 발생량 또는 유인량이며, $ X_{ni} $는 각 독립 변수를, $ _n $은 각 변수의 영향력을 나타내는 회귀 계수를 의미한다. 회귀 분석은 모형의 구축이 비교적 용이하고 변수 간의 인과 관계를 설명하기 좋으나, 독립 변수 간의 다중공선성 문제나 비선형적 관계를 충분히 반영하지 못할 수 있다는 한계가 있다.

회귀 분석의 대안으로 활용되는 카테고리 분석(Category Analysis) 또는 교차 분류 분석(Cross-classification Analysis)은 가구를 소득, 차량 보유 대수, 가구원 수 등 특정 기준에 따라 여러 범주로 분류하고, 각 범주별 평균 통행 발생률을 적용하는 방법이다. 이 모델은 가구의 행태적 특성을 세밀하게 반영할 수 있으며, 회귀 분석과 달리 변수 간의 복잡한 상호작용을 사전 정의된 범주 내에서 자연스럽게 수용한다는 장점이 있다. 그러나 각 범주를 대표할 수 있는 충분한 표본 데이터가 확보되어야 하며, 과거에 조사된 범주별 통행률이 미래에도 일정하게 유지된다는 가정이 전제되어야 한다.

모든 존에 대한 발생량과 유인량의 추정이 완료되면, 전체 분석 대상 지역 내에서 통행 발생량의 총합과 통행 유인량의 총합을 일치시키는 균형(Balancing) 작업이 필요하다. 이론적으로 한 폐쇄된 체계 내에서 나가는 통행의 합은 들어오는 통행의 합과 같아야 하기 때문이다. 일반적으로 통행 발생량은 가구 통계 등 신뢰도가 높은 데이터를 기반으로 하므로, 발생량의 총합을 기준으로 유인량을 조정하는 방식을 주로 사용한다. 이러한 보정 과정을 거쳐 확정된 발생·유인량은 다음 단계인 통행 분포 단계에서 중력 모형 등을 통해 구체적인 기종점 간 유동량으로 구체화된다.¹²⁾

통행 분포(Trip Distribution)는 교통 수요 예측의 두 번째 단계로, 통행 발생(Trip Generation) 단계에서 결정된 각 교통 존(Traffic Analysis Zone, TAZ)별 유출 통행량과 유입 통행량을 서로 연결하여 출발지 $i$와 목적지 $j$ 사이의 통행량인 $T_{ij}$를 결정하는 과정이다. 이 과정을 통해 지역 간의 공간적 상호작용을 나타내는 기종점 통행량(Origin-Destination matrix, OD matrix)이 구축된다. 통행 분포 분석은 단순히 수치를 배분하는 작업을 넘어, 도시의 공간 구조와 교통망의 서비스 수준이 통행자의 목적지 선택 행태에 미치는 영향을 수리적으로 모형화한다는 점에서 중요한 학술적 의미를 지닌다.

통행 분포를 설명하는 가장 대표적인 이론적 틀은 중력 모형(Gravity Model)이다. 이는 두 지역 간의 통행량이 각 지역의 활동 규모에 비례하고 이동에 수반되는 저항에는 반비례한다는 뉴턴의 만유인력 법칙을 교통 공학에 응용한 것이다. 기본적인 중력 모형의 구조는 다음과 같이 정의된다.

$$ T_{ij} = K \cdot O_{i} \cdot D_{j} \cdot f(c_{ij}) $$

여기서 $T_{ij}$는 존 $i$에서 존 $j$로의 분포 통행량이며, $O_{i}$는 존 $i$에서 발생하는 총 유출 통행량, $D_{j}$는 존 $j$로 끌어들여지는 총 유입 통행량이다. $K$는 비례 상수를 의미하며, $f(c_{ij})$는 두 지역 간의 통행 시간, 거리, 비용 등을 포괄하는 일반화 비용(generalized cost)에 따른 저항을 나타내는 마찰 함수(friction function)이다. 마찰 함수는 일반적으로 거리가 멀어질수록 통행 상호작용이 급격히 감소하는 거리 감쇠(distance decay) 현상을 반영하기 위해 멱함수나 지수함수 형태로 설정된다.

중력 모형의 이론적 기초를 확률론적으로 정립한 것은 앨런 윌슨(Alan G. Wilson)의 엔트로피 극대화 모형(Entropy Maximization Model)이다. 이 모형은 통계 역학의 원리를 차용하여, 시스템 내의 제약 조건인 총 유출입 통행량과 총 통행 비용이 주어졌을 때 발생 가능한 통행 조합 중 가장 확률이 높은 상태, 즉 엔트로피가 극대화되는 분포를 찾는 방식이다. 이 과정에서 라그랑주 승수법(Lagrange multiplier method)이 동원되며, 이를 통해 도출된 수식은 중력 모형과 유사한 형태를 띠면서도 개별 통행자의 통계적 행태를 보다 정교하게 설명할 수 있는 이론적 근거를 제공한다.

실무적인 차원에서는 현재의 통행 패턴이 미래에도 유지된다는 가정하에 장래의 성장률을 적용하는 성장률 모형(Growth Factor Models)이 활용되기도 한다. 여기에는 단순 성장률법, 평균 성장률법, 그리고 반복 계산을 통해 수렴해가는 프라타법(Fratar Method)이나 퍼니스 기법(Furness Method) 등이 포함된다. 성장률 모형은 계산이 간편하고 기존의 통행 특성을 잘 반영한다는 장점이 있으나, 지역 간의 상대적인 접근성 변화나 대규모 토지 이용 개발에 따른 통행 패턴의 근본적인 변화를 설명하기 어렵다는 한계가 있다.

통행 분포 분석의 결과는 도시 내 특정 지역 간의 결합 강도를 보여주며, 이는 장래 교통 시설 투자나 정책 변화가 지역 간 연결성에 미치는 영향을 평가하는 핵심 지표가 된다. 특히 통행 분포 단계에서 결정된 기종점별 수요는 이후 단계인 교통 수단 분담 및 노선 배정의 직접적인 입력 자료가 되므로, 모형의 정밀한 검정 및 보정(calibration and validation)이 필수적으로 요구된다. 현대 교통 계획에서는 단순한 거리뿐만 아니라 통행자의 사회경제적 특성과 목적지의 매력도를 다각도로 반영하는 비집계형 목적지 선택 모형(Destination Choice Model)으로 발전하고 있다.

교통 수단 분담(Modal Split)은 4단계 수요 예측 모델의 세 번째 단계로, 통행 분포 과정을 통해 결정된 기종점 간의 통행량이 구체적으로 어떠한 교통 수단에 의해 수행될 것인지를 결정하는 절차이다. 이 과정은 도시 교통 체계의 효율성을 평가하고, 도로 및 철도 등 개별 교통 시설의 적정 규모를 산정하는 데 있어 핵심적인 역할을 수행한다. 통행자가 특정 교통 수단을 선택하는 행위는 단순히 이동 수단을 결정하는 것을 넘어, 개인의 사회경제적 배경, 통행의 목적, 그리고 각 수단이 제공하는 서비스 수준(Level of Service, LOS) 간의 복합적인 상호작용의 결과로 이해되어야 한다.

수단 선택의 결정 요인은 크게 통행자 특성, 통행 특성, 그리고 교통 수단 및 시설 특성으로 구분할 수 있다. 먼저 통행자 특성은 통행 주체의 사회경제적 여건을 의미하며, 소득, 자동차 보유 여부, 운전면허 소지 여부, 가구 구성 등이 포함된다. 특히 소득 수준은 통행자의 시간 가치(Value of Time, VOT)를 결정하는 주요 변수로 작용한다. 고소득층일수록 시간 절약에 대해 더 높은 비용을 지불할 용의가 있으므로, 상대적으로 저렴하지만 느린 대중교통보다는 고비용·고효율의 승용차나 고속 교통수단을 선호하는 경향을 보인다. 가구 내 자동차 보유 대수 또한 승용차 이용의 가용성을 직접적으로 결정하는 물리적 제약 요인이 된다.

통행 특성은 통행이 발생하는 상황적 맥락을 의미하며, 통행 목적, 통행 거리, 통행 시간대 등이 주요 변수이다. 출퇴근이나 등교와 같은 의무 통행(Mandatory trip)은 도착 시간의 엄격성과 정시성이 요구되므로, 교통 혼잡의 영향을 덜 받는 지하철과 같은 궤도 교통수단의 선호도가 높다. 반면, 쇼핑이나 여가와 같은 비의무 통행(Non-mandatory trip)은 화물 운반의 편의성이나 이동의 유연성이 중요하게 작용하여 승용차 선택 확률이 높아진다. 통행 거리에 있어서도 단거리는 도보나 자전거와 같은 마이크로 모빌리티가, 장거리는 철도나 항공기가 경쟁력을 갖는 등 거리 대안별로 선호되는 수단이 달라진다.

교통 수단 및 시설 특성은 통행자가 직면하는 각 수단의 서비스 수준을 의미하며, 이는 일반화 비용(Generalized Cost)의 개념으로 수렴된다. 일반화 비용은 통행에 소요되는 금전적 비용과 시간적 가치를 하나의 척도로 환산한 합계이다. 시간적 요소에는 차량에 탑승해 있는 차내 시간(In-vehicle time)뿐만 아니라, 정류장까지 걷는 시간, 수단을 기다리는 대기 시간, 환승에 소요되는 시간 등 차외 시간(Out-of-vehicle time)이 포함된다. 일반적으로 통행자는 차내 시간보다 차외 시간을 더 고통스럽게 인지하므로, 대기 시간이나 환승 횟수를 줄이는 것이 대중교통 분담률 향상에 효과적이다. 금전적 요소에는 연료비, 통행료, 주차 요금, 대중교통 운임 등이 포함된다.

이러한 결정 요인들은 미시경제학의 효용 극대화 이론(Utility Maximization Theory)에 기반하여 수리적으로 모형화된다. 통행자 $n$이 선택 가능한 대안 집합 내에서 수단 $i$를 선택함으로써 얻는 효용 $U_{in}$은 관측 가능한 결정론적 효용 $V_{in}$과 관측되지 않는 오차항 $\epsilon_{in}$의 합으로 정의된다. 통행자는 자신의 효용을 극대화하는 수단을 선택하며, 이를 수식으로 표현하면 다음과 같다.

$$U_{in} = V_{in} + \epsilon_{in} = \sum_{k} \beta_k X_{ink} + \epsilon_{in}$$

여기서 $X_{ink}$는 통행 시간이나 비용과 같은 독립 변수를 나타내며, $\beta_k$는 각 변수가 효용에 미치는 가중치를 의미하는 파라미터이다. 오차항의 분포 가정에 따라 다항 로짓 모형(Multinomial Logit Model, MNL)이나 네스티드 로짓 모형(Nested Logit Model) 등이 활용되어 각 수단의 선택 확률을 산출한다.

교통 수단 분담 분석은 교통 정책 수립에 있어 강력한 도구가 된다. 예를 들어, 혼잡통행료 부과나 주차 요금 인상은 승용차의 일반화 비용을 높여 수단 전환(Modal Shift)을 유도하는 기제로 작용한다. 반대로 버스 전용 차로제 도입이나 지하철 배차 간격 단축은 대중교통의 통행 시간을 단축시켜 분담률을 높이는 효과를 가져온다. 따라서 교통 계획가는 수단 분담 모형을 통해 정책 시나리오별 수요 변화를 정량적으로 예측하고, 이를 바탕으로 지속 가능한 교통 체계 구축을 위한 최적의 대안을 도출할 수 있다.

노선 배정(Traffic Assignment)은 통행 발생, 통행 분포, 교통 수단 분담 단계를 거쳐 추정된 기종점 통행량(Origin-Destination flow)을 실제 교통망상의 구체적인 경로에 할당하는 마지막 단계이다. 이 과정은 개별 통행자가 도로망이나 철도망의 여러 대안 경로 중 하나를 선택하는 행태를 수리적으로 모형화하여, 각 링크(link)별 교통량과 통행 시간을 산출하는 것을 목적으로 한다. 노선 배정의 결과는 도로 신설이나 확장의 타당성을 검토하는 비용 편익 분석의 핵심 기초 자료로 활용되며, 도시 교통 계획의 실효성을 결정짓는 중요한 지표가 된다.

노선 배정 이론의 학술적 토대는 존 글렌 워드롭(John Glen Wardrop)이 제시한 두 가지 원리에 근거한다. 첫 번째 원리는 사용자 평형(User Equilibrium, UE)으로, 모든 통행자가 자신의 통행 비용을 최소화하려는 방향으로 경로를 선택한다는 가정에 기반한다. 평형 상태에서는 이용 중인 모든 경로의 통행 비용이 동일하며, 이용되지 않는 경로의 비용은 이용 중인 경로의 비용보다 크거나 같다. 이는 게임 이론의 내쉬 평형과 유사한 개념으로, 개별 통행자가 자신의 이익을 극대화하는 선택을 지속함에 따라 더 이상 경로를 변경해도 통행 시간을 단축할 수 없는 안정된 상태를 의미한다. 반면, 두 번째 원리인 시스템 최적(System Optimum, SO)은 네트워크 전체의 총 통행 시간 합계를 최소화하는 배정 방식이다. 일반적으로 개별 통행자의 선택은 시스템 최적보다는 사용자 평형에 수렴하는 경향이 있으며, 이 두 상태 사이의 사회적 손실을 분석하는 것은 교통 정책 수립의 주요 과제가 된다.

경로 선택의 결정 요인인 통행 비용은 단순히 물리적 거리뿐만 아니라 통행 시간, 유류비, 통행료 등을 포함한 일반화 비용(Generalized Cost)으로 정의된다. 특히 교통량이 증가함에 따라 주행 속도가 감소하고 지체가 발생하는 현상을 반영하기 위해 링크 성능 함수(Link Performance Function)를 사용한다. 가장 보편적으로 활용되는 함수는 미국 도로국(Bureau of Public Roads, BPR)에서 제안한 BPR 함수로, 다음과 같은 수식으로 표현된다.

$$ t_a = t_0 \left[ 1 + \alpha \left( \frac{v_a}{c_a} \right)^\beta \right] $$

여기서 $ t_a $는 링크 $ a $의 통행 시간, $ t_0 $는 교통량이 없을 때의 자유 흐름 통행 시간(Free-flow travel time), $ v_a $는 해당 링크의 교통량, $ c_a $는 링크의 용량(Capacity)을 의미한다. $ $와 $ $는 지역적 특성에 따라 결정되는 매개변수(parameter)이다. 이 함수는 교통량이 용량에 근접할수록 통행 시간이 급격히 증가하는 비선형적 특성을 효과적으로 묘사한다.

배정 기법은 혼잡의 반영 방식과 확률적 요소의 포함 여부에 따라 여러 형태로 구분된다. 전량 배정법(All-or-Nothing Assignment)은 혼잡에 의한 지체를 무시하고 모든 수요를 최단 경로에 할당하는 방식이나, 현실적인 교통 흐름을 설명하기에는 한계가 있다. 이를 보완하기 위해 교통량 증가에 따른 비용 변화를 반복적으로 계산하여 평형 상태를 찾는 용량 제약 배정법이 사용된다. 특히 마틴 베크만(Martin Beckmann)은 사용자 평형 문제를 수학적 최적화 문제로 정식화하여 해를 구하는 방법론을 확립하였다.¹³⁾ 또한, 통행자가 경로 정보를 완벽하게 파악하지 못하거나 지각 오차가 존재함을 가정하는 확률적 노선 배정(Stochastic Traffic Assignment) 모형은 다항 로짓 모형 등을 결합하여 보다 현실적인 경로 분산 효과를 설명한다.

현대 교통 공학에서는 정보통신기술의 발달에 따라 정적인 배정 모델을 넘어 동적 노선 배정(Dynamic Traffic Assignment, DTA) 연구가 활발히 진행되고 있다. 이는 시간의 흐름에 따라 변화하는 교통 수요와 공급의 상호작용을 실시간으로 반영하며, 지능형 교통 체계(Intelligent Transport Systems, ITS) 하에서 경로 안내 정보가 통행자의 행태에 미치는 영향을 분석하는 데 필수적이다. 또한, 노선 배정 이론은 도로 공급이 오히려 전체 혼잡을 가중할 수 있다는 브라에스의 역설(Braess’s Paradox)을 설명하는 등 교통 네트워크의 효율적인 관리와 설계에 있어 핵심적인 이론적 틀을 제공하고 있다.

교통 수요 관리(Transportation Demand Management, TDM)는 도로 건설이나 대중교통 시설 확충과 같은 공급 위주의 정책이 가진 한계를 극복하고, 기존 교통 시설의 효율성을 극대화하기 위해 통행자의 행태 변화를 유도하는 정책적 개입을 의미한다. 전통적인 교통 계획이 장래의 교통량을 예측하고 이에 맞춰 시설을 공급하는 ‘예측 및 공급(Predict and Provide)’ 방식을 취해왔다면, 교통 수요 관리는 통행의 발생 자체를 억제하거나 시간적·공간적으로 분산시키고, 승용차 이용을 대중교통이나 친환경 교통수단으로 전환하는 데 중점을 둔다. 이는 다운스-톰슨 역설(Downs-Thomson Paradox)이나 루이스-모그리지 명제(Lewis-Mogridge Proposition)에서 지적하듯, 도로 공급의 확대가 오히려 새로운 유발 수요(Induced Demand)를 창출하여 궁극적인 혼잡 해소에 실패하는 현상을 방지하기 위한 필수적인 접근이다.

경제적 유인을 활용한 수요 관리 전략은 통행자가 도로를 이용함으로써 발생하는 외부성(Externality)을 비용에 반영하여 시장 기제를 통해 수요를 조절하는 방식이다. 대표적인 수단인 혼잡통행료(Congestion Pricing)는 특정 시간대나 구간을 통행하는 차량에 요금을 부과하여 통행자의 한계 사적 비용(Marginal Private Cost, MPC)을 한계 사회적 비용(Marginal Social Cost, MSC) 수준으로 끌어올리는 피구세(Pigovian tax)적 성격을 갖는다. 교통량이 도로 용량에 근접할 때 발생하는 사회적 손실을 수식으로 표현하면, 교통량 $ Q $에 따른 총 비용 $ TC $에 대하여 한계 사회적 비용은 다음과 같이 정의된다. $$MSC = \frac{d(TC)}{dQ} = MPC + Q \cdot \frac{d(MPC)}{dQ}$$ 여기서 $ Q $는 해당 통행자가 다른 도로 이용자들에게 가하는 지체 비용을 의미하며, 혼잡통행료는 이 차액만큼을 부과함으로써 최적 교통량을 유도한다. 이외에도 주차 수요 관리를 통해 목적지에서의 주차 비용을 현실화하거나 주차 공급을 제한함으로써 승용차 이용의 경제적 부담을 높이는 전략이 널리 활용된다.

물리적 및 운영적 규제 전략은 법적·제도적 장치를 통해 교통 흐름을 직접적으로 제어하거나 특정 수단의 이용을 제한한다. 버스 전용 차로제는 도로의 특정 차로를 대중교통 전담 공간으로 할당하여 버스의 정시성과 신속성을 보장하며, 이는 승용차 대비 대중교통의 상대적 서비스 수준을 높여 수단 전환을 유도하는 효과가 있다. 또한 특정 요일에 차량 운행을 금지하는 차량 부제나, 도심 특정 구역에 저공해 차량만 진입을 허용하는 저배출 구역(Low Emission Zone, LEZ) 설정 등은 통행의 공간적 접근성을 직접 통제하는 강력한 수요 관리 수단이다. 이러한 규제는 단기적으로 명확한 수요 감축 효과를 나타내지만, 시민들의 이동권 침해 논란과 우회 도로의 혼잡 가중이라는 부작용을 동반할 수 있으므로 정교한 설계가 요구된다.

정보 제공과 심리적 유도를 통한 전략은 지능형 교통 체계(Intelligent Transport Systems, ITS)의 발달과 궤를 같이한다. 실시간 교통 정보를 제공함으로써 통행자가 혼잡한 구간을 피하거나 통행 시간을 조정하도록 유도하는 것은 수요의 시간적·공간적 평준화에 기여한다. 또한 카풀(Carpool)이나 카쉐어링(Car Sharing)과 같은 공유 교통의 활성화, 유연근무제 및 재택근무의 장려는 물리적인 통행 발생 빈도 자체를 줄이는 효과가 있다. 최근에는 서비스형 모빌리티(Mobility as a Service, MaaS) 플랫폼을 통해 다양한 교통수단의 정보를 통합 제공함으로써 개별 경제 주체가 가장 효율적이고 친환경적인 경로를 선택하도록 돕는 정교한 수요 관리 체계가 구축되고 있다.

결과적으로 교통 수요 관리 전략은 단일한 정책의 시행보다는 경제적, 물리적, 기술적 수단이 상호 보완적으로 작용할 때 그 실효성이 극대화된다. 수요 관리로 확보된 도로 공간을 보행자나 자전거 이용자를 위한 공간으로 재배분하는 도로 다이어트(Road Diet)와 같은 토지 이용 계획과의 연계는 도시 구조 자체를 지속 가능한 교통 체계로 전환하는 핵심적인 동력이 된다. 이는 단순한 혼잡 완화를 넘어 탄소 배출 저감과 에너지 소비 효율화라는 거시적 정책 목표 달성에 기여한다.

교통 수요 관리에서 경제적 유인을 활용한 가격 정책은 시장 기제를 통해 통행자의 행태 변화를 유도함으로써 교통 자원의 효율적 배분을 도모하는 전략이다. 이는 도로 시설의 물리적 확충이 한계에 다다른 상황에서, 교통 혼잡으로 발생하는 사회적 비용을 통행자 개인에게 직접 부과하여 자발적인 수요 조절을 이끌어내는 데 목적이 있다. 경제학적 관점에서 교통 혼잡은 개별 통행자가 자신의 통행이 타인에게 미치는 지체 시간과 비용 증가라는 외부성(externality)을 고려하지 않음으로써 발생하는 시장 실패의 전형적인 사례로 간주된다.

이러한 외부성을 교정하기 위한 대표적인 수단은 아서 피구(Arthur Pigou)가 제안한 피구세(Pigouvian tax)의 원리를 응용한 혼잡통행료(congestion pricing)이다. 통행자가 체감하는 사적 한계 비용(Private Marginal Cost, PMC)은 자신의 운행 비용과 시간 가치에 국한되지만, 실제 사회 전체가 부담하는 사회적 한계 비용(Social Marginal Cost, SMC)은 해당 통행으로 인해 다른 차량들이 겪게 되는 추가적인 지체 비용, 즉 한계 외부 비용(Marginal External Cost, MEC)을 포함한다. 이를 수식으로 표현하면 다음과 같다.

$ SMC = PMC + MEC $

시장 기제에 맡길 경우 통행량은 $ = PMC $가 되는 지점에서 결정되나, 사회적 최적 수준은 $ = SMC $가 되는 지점에서 형성된다. 따라서 혼잡통행료는 두 지점의 차이인 $ MEC $만큼의 요금을 부과함으로써 통행자가 사회적 비용을 내부화하도록 유도한다. 윌리엄 비크리(William Vickrey)는 이러한 이론적 기초를 바탕으로 시간대별, 구간별로 차등화된 요금 체계의 필요성을 역설하였으며, 이는 현대의 가변형 혼잡통행료 정책의 기틀이 되었다¹⁴⁾.

주차 요금 정책 또한 교통 수요를 조절하는 강력한 경제적 유인 기제이다. 주차 공간은 도시 토지 이용의 효율성과 직결되는 유한한 자원이며, 저렴하거나 무료인 주차 공간의 제공은 승용차 이용 수요를 왜곡시키는 요인이 된다. 주차 요금을 수요에 따라 탄력적으로 조정하는 방식은 통행자가 최종 목적지까지 승용차를 이용할지 여부를 결정하는 핵심적인 변수로 작용한다. 특히 도심 내 주차 공급을 제한하거나 요금을 인상하는 정책은 수요의 가격 탄력성에 따라 통행 수단을 대중교통으로 전환하거나 통행 시간대를 변경하게 하는 효과를 거둔다.

가격 정책의 또 다른 축은 대체재인 대중교통에 대한 보조금 지급이다. 승용차 이용 비용을 높이는 것과 동시에 대중교통 요금을 낮추거나 서비스 질을 개선하기 위한 재정적 지원을 제공함으로써 교차 탄력성(cross elasticity)을 활용한 수요 전이를 꾀한다. 이는 단순히 승용차 이용을 억제하는 것을 넘어, 이동권 보장과 환경 오염 감소라는 사회적 목적을 동시에 달성하기 위한 방안으로 활용된다.

다만, 경제적 유인 정책은 형평성(equity) 문제라는 비판에 직면하기도 한다. 혼잡통행료나 높은 주차 요금은 소득 수준이 낮은 통행자에게 상대적으로 더 큰 경제적 부담을 지우는 역진적 성격을 띨 수 있기 때문이다. 따라서 현대의 교통 가격 정책은 징수된 수익금을 대중교통 시설 개선이나 저소득층 교통비 지원에 재투자함으로써 정책의 사회적 수용성을 높이고 사회적 후생을 극대화하는 방향으로 설계된다¹⁵⁾.

운영 및 물리적 규제는 교통 수요 관리(Transportation Demand Management, TDM)의 핵심적인 축으로서, 시장 기제에 의존하는 경제적 유인책과 달리 법적 강제력이나 물리적 시설 설치를 통해 통행자의 행태를 직접적으로 제어하는 방식을 의미한다. 이러한 규제는 도로 용량의 물리적 한계를 극복하고, 교통 혼잡으로 발생하는 외부 불경제(external diseconomy)를 최소화하기 위해 시행된다. 운영적 규제는 주로 통행 시간이나 통행 권한을 제한하는 소프트웨어적 접근을 취하며, 물리적 규제는 도로의 구조적 변경이나 특정 차량의 진입을 차단하는 하드웨어적 접근을 포함한다.

가장 대표적인 운영 규제 기법으로는 차량 부제(Road space rationing)를 들 수 있다. 이는 차량 번호판의 끝자리를 기준으로 특정 요일이나 날짜에 운행을 금지하는 방식으로, 차량 2부제나 차량 5부제가 이에 해당한다. 이러한 정책은 단기적으로 전체 교통량을 강제적으로 감축시키는 효과가 있으나, 장기적으로는 규제를 피하기 위한 추가 차량 구매나 통행 시간대 변경과 같은 반동 효과(rebound effect)를 유발할 수 있다는 한계가 있다. 그럼에도 불구하고 대기 오염이 심각하거나 대규모 국제 행사가 개최되는 등 단기간에 확실한 수요 감축이 필요한 상황에서는 매우 강력한 정책 수단으로 활용된다.

물리적 규제와 운영 효율화를 결합한 대표적 사례는 버스 전용 차로제(Bus Lane)이다. 이는 도로의 특정 차로를 대중교통 수단인 버스만 이용할 수 있도록 격리하는 기법으로, 대중교통의 정시성과 신속성을 보장함으로써 승용차 이용자가 대중교통으로 수단을 전환하도록 유도한다. 특히 간선급행버스체계(Bus Rapid Transit, BRT)는 전용 주행로와 우선 신호 제어 등을 통해 지하철에 준하는 서비스를 제공하며, 이를 통해 한정된 도로 자원을 인당 수송 효율이 높은 수단에 우선 배분하는 공용권(Right-of-way) 설정의 논리를 실현한다.

또한 고다인승 차량(High-Occupancy Vehicle, HOV) 차로제는 차량 내 탑승 인원이 일정 수(보통 3인 이상)를 넘는 차량에만 특정 차로의 통행권을 부여하는 방식이다. 이는 차량의 물리적 대수는 줄이되 수송 인원은 유지하거나 늘리려는 전략으로, 카풀(Carpool) 문화를 장려하고 차량의 점유율을 제고하는 데 기여한다. 최근에는 혼잡 정도에 따라 요금을 내고 HOV 차로를 이용할 수 있게 하는 고다인승 유료 차로(High-Occupancy Toll, HOT)로 진화하며 운영적 유연성을 확보하고 있다.

도시 내 주거 지역이나 상업 밀집 지역에서는 교통 정온화(Traffic Calming) 기법이 널리 사용된다. 이는 과속 방지턱, 굴곡 도로(Chicane), 도로 폭 좁히기 등 물리적 장애물을 설치하여 차량의 통행 속도를 강제로 낮추고 통과 교통량을 억제하는 방식이다. 이러한 규제는 단순한 수요 감축을 넘어 보행자 안전과 생활환경 개선이라는 사회적 가치를 동시에 추구한다. 또한 특정 구역에 대한 진입을 원천적으로 차단하는 보행자 전용 도로나 일방통행(One-way system) 체계의 구축은 통행 경로를 인위적으로 재배치함으로써 특정 구간의 교통 혼잡을 완화하는 물리적 제어 수단으로 기능한다.

이러한 운영 및 물리적 규제는 경제적 부담을 지우는 가격 정책에 비해 형평성 논란에서 비교적 자유롭다는 장점이 있으나, 개인의 이동 자유를 직접적으로 침해한다는 반발에 부딪힐 수 있다. 따라서 규제의 효과를 극대화하기 위해서는 대체 교통수단의 충분한 공급과 함께 지능형 교통 체계(Intelligent Transport Systems, ITS)를 활용한 실시간 모니터링 및 단속 체계가 뒷받침되어야 한다. 결국 운영 및 물리적 규제는 도로 이용의 우선순위를 재설정함으로써 도시 교통 시스템의 전체적인 파레토 효율(Pareto efficiency)을 개선하는 데 목적이 있다.

교통 수요 관리의 패러다임이 과거의 물리적 시설 공급 중심에서 정보 기반의 효율화로 전환됨에 따라, 정보 제공과 심리적 유도는 핵심적인 전략으로 부상하였다. 이는 지능형 교통 체계(Intelligent Transport Systems, ITS)의 하위 요소인 첨단 교통 정보 체계(Advanced Traveler Information Systems, ATIS)를 통해 구체화된다. 정보 제공 전략의 본질은 통행자가 직면한 불확실성을 제거함으로써 보다 합리적인 의사결정을 내리도록 유도하고, 결과적으로 특정 시간과 경로에 집중된 수요를 분산시키는 데 있다. 통행자는 실시간 교통 상황, 예상 소요 시간, 대안 경로 및 수단에 대한 정보를 제공받음으로써 자신의 효용을 극대화하는 방향으로 통행 행태를 조정하게 된다.

정보 제공은 크게 통행 전 정보(Pre-trip information)와 통행 중 정보(En-route information)로 구분된다. 통행 전 정보는 출발 시간의 변경이나 교통 수단의 전환을 유도하는 데 효과적이다. 예를 들어, 특정 시간대의 극심한 혼잡 정보를 사전에 인지한 통행자는 출발 시각을 앞당기거나 늦추는 시간적 분산을 선택할 수 있다. 반면, 가변 정보 표지판(Variable Message Signs, VMS)이나 내비게이션 애플리케이션을 통해 전달되는 통행 중 정보는 주로 경로 선택의 변화를 이끌어내는 공간적 분산에 기여한다. 이러한 정보 제공은 도로 네트워크 전체의 사용자 평형(User Equilibrium) 상태를 개선하여 시스템 전체의 효율성을 높이는 역할을 수행한다¹⁶⁾.

심리적 유도는 행동경제학의 원리를 교통 수요 관리에 접목한 접근법으로, 강제적인 규제나 직접적인 경제적 보상 없이도 통행자의 선택을 변화시키는 넛지(Nudge) 기법을 포함한다. 인간의 통행 행태는 단순히 비용과 시간에 의해서만 결정되는 것이 아니라, 습관, 사회적 규범, 정보의 제시 방식(framing) 등 심리적 요인에 의해 크게 좌우된다. 예를 들어, 대중교통 이용 시 절감되는 탄소 배출량을 시각적으로 제시하거나, 동료 집단의 대중교통 이용률을 공유함으로써 사회적 비교를 유도하는 방식은 통행자의 자발적인 수단 전환을 이끌어낼 수 있다. 이러한 심리적 전략은 경제적 유인책에 비해 시행 비용이 저렴하면서도 통행자의 거부감이 적다는 장점이 있다¹⁷⁾.

정보 제공이 수요 분산에 미치는 영향은 정보의 신뢰도와 보급률에 따라 결정된다. 정보가 부정확할 경우 통행자는 이를 무시하게 되며, 반대로 정보가 지나치게 일방적으로 제공될 경우 모든 차량이 동일한 우회 경로로 몰려 새로운 혼잡을 야기하는 ’정보의 역설’이 발생할 수 있다. 따라서 현대의 교통 수요 관리는 개인화된 맞춤형 정보 제공과 더불어, 통행자의 심리적 기제를 정밀하게 분석한 피드백 시스템을 구축하는 방향으로 진화하고 있다. 이는 단순한 정보 전달을 넘어 통행자의 통행 행태를 근본적으로 변화시키려는 시도로 평가된다.

21세기 교통 환경은 정보통신기술(Information and Communication Technology, ICT)의 비약적 발전과 사회 구조의 근본적인 재편으로 인해 과거와는 전혀 다른 양상을 띠고 있다. 전통적인 교통 수요가 인구 통계적 특성과 토지 이용에 기반한 물리적 이동에 집중되었다면, 현대의 교통 수요는 디지털 연결성과 모빌리티 기술의 혁신에 의해 그 구조와 성격이 급격히 변화하고 있다. 특히 모빌리티 전환(Mobility Transition) 시대의 도래는 교통 수요를 단순한 이동량의 합계가 아닌, 개별 이용자의 활동 패턴과 서비스 선택의 결과물로 바라보게 한다.

사회 구조적 측면에서 가장 두드러진 변화는 저출산과 고령화, 그리고 1인 가구의 증가이다. 인구 구조의 변화는 전체적인 통행 발생량을 감소시키는 요인이 되기도 하지만, 고령 인구의 이동권 보장을 위한 수요 응답형 교통(Demand Responsive Transport, DRT)이나 교통 약자 맞춤형 서비스에 대한 새로운 수요를 창출한다. 또한 코로나19 팬데믹 이후 확산된 재택근무와 전자상거래의 활성화는 전통적인 첨두 시간(peak hour)의 집중된 통행 수요를 분산시키고, 여가 및 물류 목적의 통행 비중을 높이는 결과를 가져왔다. 이러한 변화는 교통 수요의 시간적·공간적 분포를 불규칙하게 만들어 기존의 예측 모델을 보완해야 할 필요성을 제기한다.

기술적 혁신은 교통 수요의 패러다임을 소유에서 접속으로 전환하고 있다. 자율주행 자동차(Autonomous Vehicle, AV)와 공유 모빌리티(Shared Mobility)의 등장은 개인이 차량을 소유하지 않고도 이동 서비스를 소비하는 서비스형 모빌리티(Mobility as a Service, MaaS)의 확산을 가속화한다. 자율주행 기술은 운전의 피로도를 제거함으로써 통행 시간 가치(Value of Travel Time, VOT)를 낮추는 효과를 발생시킨다. 효용 극대화 이론에 따르면 통행 시간 가치의 감소는 동일한 시간 예산 내에서 이동 가능한 거리를 증가시켜, 결과적으로 통행 거리의 연장이나 새로운 통행 유발과 같은 리바운드 효과(rebound effect)를 초래할 수 있다.

교통 수요 분석 기법 역시 이러한 환경 변화에 대응하여 고도화되고 있다. 과거의 집계적(aggregate) 접근법인 4단계 수요 예측 모델은 지역 단위의 평균적 특성을 분석하는 데 유용하였으나, 개별 이용자의 복잡한 통행 행태를 반영하기에는 한계가 있었다. 이에 따라 현대에는 개별 경제 주체의 하루 일과를 시공간적 제약 하에서 분석하는 활동 기반 모형(Activity-Based Model, ABM)이 주류로 자리 잡고 있다. 특히 모바일 기기에서 발생하는 빅데이터와 인공지능 기술을 결합하여 실시간으로 수요를 예측하고 관리하는 기법이 발전하고 있다. 머신러닝 알고리즘을 활용한 예측 모델은 기존의 회귀 분석이나 로짓 모형보다 비정형 데이터 처리에 우수하며, 급격한 외부 환경 변화에 유연하게 대응할 수 있는 장점이 있다.¹⁸⁾

미래의 교통 수요는 도심 항공 모빌리티(Urban Air Mobility, UAM)와 같은 새로운 교통 수단의 등장과 탄소 중립 달성을 위한 환경적 제약 속에서 재편될 전망이다. 3차원 공간을 활용하는 UAM은 기존 도로망의 혼잡을 우회하는 새로운 수요층을 형성할 것이며, 이는 도시 공간 구조의 변화와 밀접하게 연관될 것이다. 동시에 기후 위기에 대응하기 위해 탄소 배출량이 적은 교통 수단으로의 수단 전환(Modal Shift)을 유도하는 정책적 개입이 강화되면서, 교통 수요는 단순한 효율성 극대화를 넘어 사회적 지속 가능성을 확보하는 방향으로 관리될 것이다.

전통적인 교통 수요 분석은 설문조사에 기반한 가구통행실태조사를 주요 자료원으로 활용해 왔다. 그러나 이러한 방식은 조사 주기가 길고 표본의 크기가 제한적이며, 응답자의 기억에 의존하기 때문에 급격하게 변화하는 현대 도시의 교통 수요를 실시간으로 포착하는 데 한계가 있다. 이에 대응하여 최근에는 빅데이터(Big Data) 기술을 활용하여 시공간적으로 연속적이고 정밀한 수요 분석 체계를 구축하려는 시도가 가속화되고 있다. 특히 모바일 빅데이터(Mobile Big Data), 스마트카드(Smart Card) 자료, 차량용 내비게이션 GPS 데이터 등은 통행자의 이동 궤적을 실시간에 가깝게 재구성할 수 있는 핵심 자산으로 평가받는다.

빅데이터 기반 분석의 가장 큰 특징은 통행의 동적 특성을 반영한 기종점 통행량(Origin-Destination Matrix, OD)의 산출에 있다. 과거에는 정적인 통계 모형을 통해 추정치에 의존했으나, 휴대전화 기지국 신호나 신호 처리 데이터인 디지털 신호 처리(Digital Signal Processing) 기반의 위치 정보를 활용하면 개별 통행자의 출발지와 목적지, 그리고 경로 선택 행태를 분 단위로 파악할 수 있다.¹⁹⁾ 이러한 데이터는 표본의 규모가 압도적으로 크기 때문에 기존 조사에서 누락되기 쉬웠던 단거리 통행이나 불규칙한 비업무용 통행까지도 포괄하는 장점이 있다.

수리적 방법론 측면에서는 기계 학습(Machine Learning)과 딥러닝(Deep Learning) 기법이 핵심적인 역할을 수행한다. 특히 교통망의 시공간적 상관관계를 모델링하기 위해 순환 신경망(Recurrent Neural Network, RNN)의 변형인 장단기 메모리(Long Short-Term Memory, LSTM)나 그래프 신경망(Graph Neural Network, GNN)이 널리 사용된다. 교통 수요 $D$를 시간 $t$와 공간 노드 $v$의 함수로 정의할 때, 특정 시점의 수요 예측 모델은 다음과 같은 구조를 가질 수 있다.

$$D_{t+1}(v) = f(\{D_{t-k}(v), \dots, D_t(v)\}, G)$$

여기서 $G$는 교통망의 기하학적 구조를 나타내는 그래프이며, 함수 $f$는 과거의 수요 패턴과 네트워크 특성을 학습한 신경망 모델을 의미한다. 이러한 예측 체계는 단순한 사후 분석을 넘어, 도로 혼잡이 발생하기 전 수요를 미리 분산시키는 능동적 교통 관리를 가능하게 한다.

또한 빅데이터 기반 분석은 서비스형 모빌리티(Mobility as a Service, MaaS) 및 수요 응답형 교통(Demand Responsive Transport, DRT)의 운영 최적화에 필수적이다. 실시간으로 집계되는 수요 데이터를 바탕으로 차량의 배차 간격을 조절하거나 노선을 유연하게 변경함으로써 자원 배분의 효율성을 극대화할 수 있다.²⁰⁾ 다만, 이러한 데이터를 활용함에 있어 개인정보 보호법에 따른 비식별화 조치와 데이터의 대표성(representativeness) 확보 문제는 여전히 중요한 학술적 논의 대상으로 남아 있다. 특정 연령대나 계층의 데이터 편향성을 보정하기 위한 가중치 산정 기술과 이종 데이터 간의 결합(Data Fusion) 기법은 빅데이터 기반 수요 분석의 신뢰도를 높이는 핵심 요소로 다루어진다.²¹⁾

새로운 모빌리티 서비스(New Mobility Services)의 등장은 정보통신기술(ICT)과 교통 공학의 융합을 통해 전통적인 교통 수요 구조를 근본적으로 재편하고 있다. 이러한 변화는 단순히 이동 수단의 다양화를 넘어, 통행자의 의사결정 메커니즘, 시간 가치(Value of Time, VOT), 그리고 도시의 공간 구조에까지 광범위한 영향을 미친다. 특히 자율주행차(Autonomous Vehicles, AV), 공유 교통(Shared Mobility), 마이크로 모빌리티(Micro-mobility)는 현대 교통 수요 분석에서 핵심적인 변수로 다루어진다.

공유 교통은 차량 소유(Ownership) 중심의 패러다임을 서비스 이용(Usership) 중심으로 전환하며 수단 분담(Modal Split) 체계에 큰 변화를 불러왔다. 카셰어링(Car-sharing)과 라이드헤일링(Ride-hailing) 서비스는 개인이 승용차를 소유함으로써 발생하는 고정 비용을 가변 비용으로 전환하여, 통행자가 매 통행 시마다 더 합리적인 경제적 선택을 하도록 유도한다. 연구에 따르면, 공유 교통은 대중교통 이용을 대체(Substitution)하거나 보완(Complement)하는 이중적 특성을 보인다. 도심 내 혼잡 구간에서는 대중교통의 경쟁력을 약화시키는 대체재 역할을 하기도 하지만, 대중교통 인프라가 부족한 지역에서는 라스트 마일(Last Mile) 접근성을 개선하여 전체적인 대중교통 수요를 증대시키는 보완재 역할을 수행한다.

마이크로 모빌리티는 전동 킥보드, 공유 자전거와 같은 개인형 이동 수단을 통해 도시 내 단거리 통행의 효율성을 극대화한다. 이는 특히 1~2km 내외의 단거리 통행에서 기존의 보행이나 승용차 이용을 대체하며, 대중교통 거점과 최종 목적지 사이의 물리적 거리를 좁히는 데 기여한다. 마이크로 모빌리티의 확산은 교통 수요 예측 모형에서 기존에 과소평가되었던 초단거리 통행 데이터의 중요성을 부각시켰으며, 도시 설계 측면에서 도로 용량 배분의 재검토를 요구하고 있다.

자율주행차의 등장은 교통 수요의 양적 팽창을 유발할 가능성이 크다. 자율주행 기술은 운전자가 운전 작업에서 해방되어 차내 시간을 업무, 여가, 휴식 등 생산적인 활동에 활용할 수 있게 함으로써 이동에 따른 한계 효용 저하를 완화한다. 미시경제학적 관점에서 이는 통행 시간 가치의 하락을 의미하며, 결과적으로 통행자의 저항감을 낮추어 더 먼 거리를 이동하게 만드는 유발 수요(Induced Demand)를 창출한다. 수리적으로 통행자 $i$의 효용 함수 $U_i$를 다음과 같이 정의할 때,

$$U_i = \alpha \cdot C_i + \beta \cdot T_i + \gamma \cdot A_i + \epsilon_i$$

여기서 $C_i$는 통행 비용, $T_i$는 통행 시간, $A_i$는 차내 활동의 쾌적성 또는 생산성을 의미한다. 자율주행 기술은 $\beta$의 절대값을 감소시키고 $\gamma$를 증가시킴으로써, 동일한 시간과 비용 조건에서도 통행의 전체 효용을 높인다. 이러한 현상은 주행 거리(Vehicle Miles Traveled, VMT)의 급격한 증가를 초래할 수 있으며, 특히 사람이 탑승하지 않은 상태로 주행하는 공차 주행(Empty Miles) 문제가 새로운 교통 혼잡 요인으로 부상하고 있다^{22) 23)}.

종합적으로 새로운 모빌리티 서비스는 교통 수요의 유연성과 복잡성을 동시에 높이고 있다. 과거의 4단계 수요 예측 모델이 정적인 통계 데이터에 의존했다면, 현대의 수요 분석은 실시간 데이터와 행태 기반 모의실험을 통해 이러한 서비스들의 동적인 상호작용을 반영하는 방향으로 진화하고 있다. 이는 서비스형 모빌리티(Mobility as a Service, MaaS)와 같은 통합 플랫폼을 통해 다양한 수단이 하나의 체계로 묶이면서, 수요 관리의 패러다임이 개별 수단 최적화에서 이용자 중심의 네트워크 최적화로 이동하고 있음을 시사한다.

다양한 교통 수단을 하나의 플랫폼으로 통합하여 수요를 관리하는 새로운 패러다임을 고찰한다.

지속 가능한 교통 수요 관리는 전 지구적인 기후 변화 위기와 탄소 중립(Carbon Neutrality) 목표 달성을 위해 교통 체계의 패러다임을 환경 친화적으로 재편하려는 전략적 접근이다. 전통적인 교통 수요 관리가 주로 도시의 물리적 혼잡 완화와 효율성 제고에 초점을 맞추었다면, 지속 가능한 관점에서의 수요 관리는 교통 부문에서 발생하는 온실가스 배출량과 외부 효과를 최소화하는 데 방점을 둔다. 이는 단순히 통행량을 줄이는 것을 넘어, 통행의 발생 원인을 근본적으로 재검토하고 이동 수단의 구성을 저탄소 체계로 전환하는 것을 핵심으로 한다.

이러한 전략의 이론적 토대는 환경 비용의 내부화(Internalization of environmental costs)에 있다. 교통 활동으로 인해 발생하는 대기 오염, 소음, 기후 변화 비용은 시장 기제에서 충분히 반영되지 않는 외부 불경제(External diseconomy)를 형성한다. 이를 교정하기 위해 피구세(Pigouvian tax)적 성격을 띤 탄소 가격제나 환경 부담금을 도입하여, 통행자가 자신의 통행이 환경에 미치는 실질적인 비용을 인지하고 행태를 변화시키도록 유도한다. 교통 부문의 총 탄소 배출량($E$)은 다음과 같은 기본적인 산식으로 표현될 수 있으며, 지속 가능한 수요 관리는 각 변수를 체계적으로 제어하는 것을 목표로 한다.

$$E = \sum_{m} (VKT_m \times EF_m)$$

여기서 $VKT_m$은 교통 수단 $m$의 총 주행 거리(Vehicle Kilometers Traveled)를 의미하며, $EF_m$은 해당 수단의 단위 거리당 배출 계수(Emission Factor)이다. 지속 가능한 교통 수요 관리는 $VKT$를 감소시키기 위한 수요 억제 전략과 $EF$가 낮은 수단으로의 전환을 유도하는 수단 전환(Modal Shift) 전략을 병행한다.

수단 전환 전략의 핵심은 대중교통, 보행, 자전거와 같은 이른바 녹색 교통(Green Transportation)의 경쟁력을 강화하여 나홀로 차량(Single Occupancy Vehicle, SOV) 중심의 통행 구조를 해체하는 것이다. 이를 위해 도심 내 특정 구역을 저배출 구역(Low Emission Zone, LEZ)으로 지정하여 고배출 차량의 진입을 제한하거나, 자전거 도로망의 연속성을 확보하여 단거리 통행에서의 비동력 수단 점유율을 높인다. 특히 대중교통 지향형 개발(Transit-Oriented Development, TOD)은 도시 계획과 교통 계획을 결합하여, 대중교통 거점을 중심으로 고밀도 복합 용도 개발을 유도함으로써 물리적 이동 거리 자체를 단축하는 근본적인 수요 관리 방안으로 기능한다.

또한, 현대의 지속 가능한 교통 수요 관리는 디지털 기술과의 결합을 통해 더욱 정교해지고 있다. 서비스형 모빌리티(Mobility as a Service, MaaS) 플랫폼은 개별 소유 차량 없이도 최적의 친환경 이동 경로를 통합적으로 제공함으로써 이용자의 자발적인 수단 전환을 돕는다. 이러한 접근은 지속가능발전목표(Sustainable Development Goals, SDGs) 중 ‘지속 가능한 도시와 공동체’ 및 ‘기후 행동’ 항목과 밀접하게 연계되며, 교통이 환경적 제약 조건 내에서 사회경제적 활동을 지원하는 필수 기반 시설로서의 역할을 지속할 수 있게 한다. 결국 지속 가능한 교통 수요 관리는 기술적 혁신과 제도적 규제, 그리고 통행자의 인식 변화가 결합된 종합적인 사회 시스템의 전환 과정이라 할 수 있다.