노측면접조사의 학술적 정의와 교통 계획 분야에서 차지하는 위상을 설명한다.

노측면접조사(Roadside Interview Survey)는 도로의 특정 지점을 통과하는 차량을 일시적으로 정지시킨 후, 운전자 또는 탑승자를 대상으로 직접 면접을 실시하여 해당 통행의 상세 특성을 파악하는 교통 조사 기법이다. 이는 교통 계획 수립에 필수적인 기종점 통행량(Origin-Destination Survey, O-D) 데이터를 수집하는 가장 전통적이면서도 직접적인 방법론으로 간주된다. 조사의 주된 목적은 단순한 교통량 집계를 넘어, 통행의 출발지와 목적지, 통행 목적, 탑승 인원, 적재 화물의 종류 등 구체적인 이동 행태를 파악하여 교통 수요 예측 모델의 기초 자료를 확보하는 데 있다.

본 조사 기법의 핵심적 특징은 데이터의 높은 신뢰성과 현장성에 있다. 응답자가 현재 수행 중인 통행에 대해 즉각적으로 답변하므로, 사후에 기억을 되살려 응답하는 가구통행실태조사에서 발생할 수 있는 기억의 왜곡이나 누락 가능성이 현저히 낮다. 특히 도시 경계선에 설정된 코든라인(Cordon Line)이나 특정 하천·철도를 가로지르는 스크린라인(Screen Line)에서 실시되는 노측면접조사는 해당 구역을 드나드는 외부 유입 및 유출 통행량을 포착하는 데 독보적인 위상을 갖는다. 이는 가구 조사를 통해서는 파악하기 어려운 외부 지역 거주자의 통행 특성을 보완하는 역할을 수행한다.

통계적 관점에서 노측면접조사는 특정 지점을 통과하는 전체 차량 흐름을 모집단으로 설정한다. 조사 과정에서는 모든 차량을 조사하는 전수 조사가 물리적으로 불가능하므로, 일정한 간격이나 무작위 방식을 통해 표본 추출(Sampling)을 시행한다. 수집된 표본 데이터는 해당 시간대의 관측 교통량과 비교하여 전수화(Expansion) 과정을 거치며, 이를 통해 전체 통행 패턴을 추정한다. 이 과정에서 조사 지점의 기하구조와 교통 흐름의 안정성은 데이터의 대표성을 결정짓는 중요한 변수가 된다.

그러나 노측면접조사는 도로상에서 차량을 직접 정지시켜야 한다는 물리적 특성으로 인해 몇 가지 제약 사항을 수반한다. 첫째, 조사 과정에서 불가피하게 교통 지체가 발생하며, 이는 운전자의 불편을 초래하고 대규모 교통 혼잡의 원인이 될 수 있다. 둘째, 도로변이라는 열악한 환경에서 조사가 이루어지므로 조사원과 운전자의 교통 안전 확보를 위한 고도의 통제 전략이 요구된다. 셋째, 응답 거부나 불성실한 응답으로 인한 표본 편의(Sampling Bias)가 발생할 수 있으며, 특히 고속 주행 도로나 교통량이 극심한 간선도로에서는 조사의 실행 가능성 자체가 제한되기도 한다. 이러한 한계에도 불구하고 노측면접조사는 실제 통행 주체로부터 직접적인 정보를 획득할 수 있다는 점에서 여전히 교통학 분야의 중추적인 조사 방법으로 활용되고 있다.

교통 계획 체계에서 노측면접조사는 교통 수요 모델링의 신뢰도를 결정짓는 가장 핵심적인 기초 자료 수집 수단이다. 합리적인 교통 계획은 현재의 교통 흐름을 정확히 진단하고 장래의 수요를 과학적으로 예측하는 것에서 출발하는데, 노측면접조사는 실제 도로를 주행 중인 운전자로부터 직접적인 통행 정보를 획득함으로써 통계적 실증성을 부여한다. 특히 가구통행실태조사가 포착하기 어려운 외부 유입 통행이나 화물차의 이동 패턴을 파악하는 데 있어 대체 불가능한 역할을 수행한다.

교통 수요 예측의 전형적인 방법론인 4단계 모델(Four-Step Model)에서 노측면접조사는 각 단계의 매개변수를 추정하고 결과를 검증하는 기준점(Ground Truth)이 된다. 통행 발생 단계에서는 특정 지역의 유출입 교통량을 확정하는 데 기여하며, 통행 분포 단계에서는 기종점(Origin-Destination, OD) 행렬을 구축하는 결정적 근거가 된다. 조사된 데이터는 관측된 교통량과 모델 예측치 사이의 오차를 보정하는 데 사용되는데, 이 과정에서 수치적 정합성을 확보하기 위해 다음과 같은 단순 보정 관계가 활용되기도 한다.

$ T_{ij}^{adjusted} = T_{ij}^{model} $

여기서 $ T_{ij} $는 지역 $ i $와 $ j $ 사이의 통행량을 의미하며, 실측된 교통량($ V_{observed} $)을 바탕으로 모델의 예측치를 조정함으로써 실제 교통 상황에 근접한 수요 지도를 완성한다.

사회기반시설의 확충 및 운영 효율화 측면에서도 노측면접조사의 역할은 지대하다. 도로의 신설이나 확장을 결정하는 타당성 조사 과정에서 노측면접조사를 통해 수집된 통행 목적, 탑승 인원, 차종 정보는 비용-편익 분석(Cost-Benefit Analysis, CBA)의 기초 입력 변수가 된다. 예를 들어, 업무 목적의 통행 비중이 높게 나타나는 구간은 시간 가치(Value of Time, VOT)가 높게 산정되어 사업의 경제적 타당성이 높게 평가될 가능성이 크다. 또한, 특정 교차로나 구간에서의 병목 현상을 해결하기 위한 교통 운영 전략 수립 시에도 운전자의 경로 선택 행태를 분석하여 최적의 우회 경로를 설계하는 근거를 제공한다.

국가적 차원에서는 국가통합교통체계효율화법 등에 근거하여 정기적인 교통 조사를 시행함으로써 중장기 국가기간교통망계획의 일관성을 유지한다. 노측면접조사는 지자체 경계나 권역 경계(Cordon Line) 및 주요 하천, 산악 지형을 가로지르는 차단선(Screen Line)에서 실시되어 권역 간 유동량을 정밀하게 측정한다. 이는 지역 간 균형 발전을 위한 교통망 배분 정책이나 대중교통 활성화 정책의 효과를 모니터링하는 지표로 활용되며, 궁극적으로는 한정된 예산을 최적의 교통 시설에 투입하도록 돕는 의사결정 지원 체계의 중추를 담당한다.

노측면접조사(Roadside Interview Survey)의 신뢰성은 정교한 조사 설계와 통계적으로 타당한 표본 추출 방법론에 의해 결정된다. 조사의 목적은 특정 지점을 통과하는 차량의 기종점(Origin-Destination) 및 통행 특성을 파악하여 교통 수요 모델링의 기초 자료를 제공하는 데 있다. 이를 위해 조사 설계 단계에서는 조사 지점의 전략적 배치, 표본 추출 틀의 구축, 그리고 수집된 자료를 전체 교통량으로 확대하기 위한 전수화(Expansion) 전략이 체계적으로 수립되어야 한다.

조사 지점 선정은 분석 대상 지역의 통행 흐름을 누락 없이 포착하기 위해 코드라인(Cordon Line)과 스크린라인(Screen Line) 개념을 활용한다. 코드라인은 조사 대상 지역의 경계선에 설정하여 외부에서 내부로 유입되거나 내부에서 외부로 유출되는 통행을 파악하기 위한 지점들의 집합이다. 반면 스크린라인은 지역 내부를 가로지르는 하천, 철도, 산악 지형 등 지리적 장벽을 따라 설정하며, 조사 데이터의 정확도를 검증하기 위한 교통량 관측 지점으로 기능한다. 지점 선정 시에는 차량의 정지가 용이하고 조사원의 안전이 확보될 수 있는 충분한 시거와 가감속 차로가 확보된 장소를 우선적으로 고려한다.

표본 추출은 시간대별 및 차종별 교통량 변화를 반영할 수 있도록 계통추출법(Systematic Sampling)을 주로 적용한다. 이는 전체 교통 흐름에서 일정한 간격(예: 매 5번째 차량)으로 조사 대상을 선정하는 방식이다. 추출률(Sampling Rate)은 조사의 허용 오차와 예산, 현장 도로 여건에 따라 결정되는데, 일반적으로 교통량이 많은 간선도로에서는 낮은 추출률을 유지하되 절대적인 표본 수를 확보하고, 교통량이 적은 지점에서는 높은 추출률을 적용하여 표본 오차를 최소화한다. 추출된 표본 데이터는 해당 지점에서 관측된 전수 교통량과 비교하여 다음과 같은 전수화 계수(Expansion Factor)를 통해 전체 통행량으로 확대된다.

$$F_i = \frac{V_i}{n_i}$$

여기서 $ F_i $는 $ i $차종의 전수화 계수, $ V_i $는 해당 조사 시간대 동안 관측된 $ i $차종의 전체 교통량, $ n_i $는 실제 설문에 응답한 유효 표본 수를 의미한다. 이러한 전수화 과정에는 조사 미실시 시간대 및 조사 거부로 인한 편의(Bias)를 보정하기 위한 가중치(Weighting) 산정 절차가 포함되며, 최종적으로 스크린라인 통과 교통량과의 비교를 통해 데이터의 통계적 유의성을 검증한다.

설문 항목의 구성은 데이터의 활용 목적에 부합하도록 논리적으로 설계되어야 한다. 필수 항목으로는 출발지와 목적지의 구체적인 주소 또는 주요 지명, 통행 목적(출근, 업무, 쇼핑 등), 탑승 인원, 적재 화물의 종류 및 중량 등이 포함된다. 설문 설계 시에는 응답자의 기억 편의를 방지하기 위해 질문의 순서를 최적화하고, 가급적 폐쇄형 질문을 활용하여 응답의 일관성을 높여야 한다. 또한, 노상 조사의 특성상 짧은 시간 내에 응답을 완료해야 하므로 질문은 명료해야 하며, 조사원이 차량 흐름에 방해를 주지 않으면서도 정확한 정보를 기입할 수 있도록 설계된 표준화된 조사표를 사용한다. 이러한 체계적 설계는 향후 교통 수요 예측 모델의 정밀도를 결정짓는 핵심적인 토대가 된다.¹⁾

도시 경계선이나 주요 간선도로 등 통행 흐름을 효과적으로 포착할 수 있는 지점 선정 기준을 제시한다.

노측면접조사에서 수집된 자료는 조사 당시에 추출된 일부 표본에 불과하므로, 이를 바탕으로 전체 교통류의 특성을 파악하기 위해서는 정교한 표본 설계(Sampling Design)와 전수화(Expansion) 과정이 필수적이다. 표본 설계는 모집단인 전체 통행의 특성을 가장 잘 나타낼 수 있는 부분집합을 선택하는 과정이며, 전수화는 이렇게 얻어진 표본 데이터를 모집단의 규모로 확대 적용하는 통계적 추정 절차를 의미한다. 이 과정은 교통 수요 모델링의 기초가 되는 기종점 통행량(Origin-Destination Matrix)의 신뢰도를 결정짓는 핵심적인 단계이다.

표본 설계의 핵심은 표본 오차(Sampling Error)를 최소화하면서 조사의 효율성을 극대화하는 데 있다. 노측면접조사에서는 주로 층화 추출법(Stratified Sampling)이 활용된다. 이는 도로를 통행하는 차량을 시간대, 차종, 통행 방향 등에 따라 상호 배타적인 층(Strata)으로 나누고, 각 층 내에서 독립적으로 표본을 추출하는 방식이다. 예를 들어, 출퇴근 시간대와 비첨두 시간대의 통행 특성이 상이하므로 이를 별도의 층으로 구분하여 조사함으로써 표본의 대표성을 높일 수 있다. 이때 필요한 표본의 크기 $ n $은 허용 오차와 신뢰 수준에 따라 결정되며, 일반적으로 다음과 같은 산식을 활용한다.

$$ n = \frac{Z^2 \cdot p \cdot (1-p)}{e^2} $$

위 식에서 $ Z $는 신뢰 수준에 따른 표준정규분포 값, $ p $는 추정하고자 하는 특성의 비율, $ e $는 허용 오차를 의미한다. 실제 현장에서는 교통 흐름의 안전과 조사 인력의 한계를 고려하여 목표 표본율을 설정하며, 통상적으로 전체 교통량의 5%에서 20% 사이를 목표로 삼는다.

전수화 이론은 조사된 표본 한 단위가 모집단에서 몇 대의 차량을 대표하는지를 계산하는 전수화 계수(Expansion Factor) 산출을 골자로 한다. 가장 기본적인 전수화 계수 $ F $는 특정 조사 시간대와 차종별로 집계된 관측 교통량 $ V $를 유효 응답 표본 수 $ n $으로 나눈 값으로 정의된다.

$$ F = \frac{V}{n} $$

그러나 단순히 관측된 수치만을 이용하는 것은 무응답 편의(Non-response Bias)나 조사 거부 등으로 인한 오차를 포함할 수 있다. 따라서 실제 분석에서는 조사 지점을 통과하는 전체 교통량을 별도로 계수하는 교통량 조사 결과와 대조하여 계수를 보정한다. 만약 특정 차종의 응답률이 현저히 낮다면 해당 차종에 더 높은 가중치를 부여함으로써 모집단의 구성을 재현한다.

전수화된 데이터의 정확성을 검증하기 위해 스크린라인(Screen Line) 검증 기법이 동원된다. 이는 하천이나 철도 등 지형적 경계선을 통과하는 통행량의 총합과 해당 경계선상의 모든 조사 지점에서 전수화된 통행량의 합을 비교하는 방법이다. 두 수치 사이에 유의미한 차이가 발생할 경우, 반복 비례 적합법(Iterative Proportional Fitting, IPF)과 같은 통계적 기법을 통해 기종점 행렬의 각 행과 열의 합이 실제 관측된 유출입 교통량과 일치하도록 조정한다.

결론적으로 표본 설계와 전수화 이론은 노측면접조사라는 미시적 자료를 교통 체계 분석이라는 거시적 관점으로 전환하는 가교 역할을 한다. 표본의 대표성이 결여되거나 전수화 과정에서 왜곡이 발생할 경우, 이는 장래 교통 수요 예측의 오류로 이어져 부적절한 인프라 투자 결정을 초래할 위험이 있다. 따라서 통계적 유의성을 확보하기 위한 엄격한 설계와 다각적인 보정 절차는 노측면접조사의 학술적·실무적 타당성을 뒷받침하는 근거가 된다.

기종점, 통행 목적, 탑승 인원 등 필수 조사 항목과 설문지 설계 시 유의사항을 다룬다.

출발지와 목적지, 통행 경로, 중간 경유지 등 이동 자체에 관한 항목을 세분화하여 다룬다.

운전자의 연령, 직업, 차량 용도 등 분석의 깊이를 더하는 보조적 항목을 설명한다.

노측면접조사의 실행은 도로라는 공공의 공간에서 차량의 흐름을 인위적으로 통제하며 이루어지므로, 정밀한 행정적 절차와 고도의 안전 관리 체계가 뒷받침되어야 한다. 조사 수행을 위한 행정적 준비는 법적 근거 확보에서 시작된다. 대한민국의 경우 국가통합교통체계효율화법 제15조 및 동법 시행령에 따라 국가교통조사의 일환으로 수행되며, 이에 관한 세부 사항은 국토교통부 훈령인 교통조사지침을 따른다. 실제 조사를 위해서는 해당 도로의 관리 주체로부터 도로법에 따른 도로 점용 허가를 득해야 하며, 차량의 정지 및 유도를 수반하므로 관할 경찰서와의 사전 협의 및 경찰공무원의 현장 지원 요청이 필수적이다. 이러한 행정적 협의 과정에서는 조사의 목적, 기간, 지점, 교통 통제 계획 등이 명시된 조사 실행 계획서가 공유되어야 한다.

현장 조사의 물리적 수행 절차는 교통 흐름의 안전한 감속과 정지, 면접 수행, 그리고 재합류의 단계로 구성된다. 조사 지점은 시거가 충분히 확보된 직선 구간이나 졸음쉼터, 과적검문소와 같이 차량이 안전하게 정차할 수 있는 여유 공간이 확보된 장소로 선정한다. 조사원은 차량을 유도하기 위해 조사 지점 전방 일정 거리부터 단계별로 교통안전 시설물을 배치한다. 우선 주의 표지판과 가변 정보 표지판(Variable Message Sign, VMS)을 통해 조사 구간임을 알리고, 라바콘과 같은 채널리징(channelizing) 장비를 활용하여 차량이 자연스럽게 조사 차로로 진입하도록 유도한다. 차량이 정지하면 조사원은 운전자에게 조사의 취지를 간략히 설명하고 준비된 설문 문항에 따라 기종점 조사를 실시한 뒤, 안전하게 본선으로 합류할 수 있도록 수신호를 제공한다.

안전 관리는 노측면접조사 수행 시 최우선으로 고려되어야 할 요소이다. 현장 조사원은 형광 안전 조끼와 안전모 등 시인성이 높은 복장을 착용해야 하며, 야간 조사 시에는 신호봉과 투광기 등 조명 장비를 충분히 확보하여 교통사고 위험을 최소화해야 한다. 또한 조사 착수 전 모든 인력을 대상으로 현장 안전 수칙 및 비상 상황 발생 시 대피 요령에 관한 교육을 시행한다. 특히 교통류의 급격한 정체나 돌발 상황에 대비하여 현장 책임자는 실시간으로 교통 상황을 모니터링하고, 정체가 심화될 경우 조사를 일시 중단하거나 조사 빈도를 조절하는 등 유연한 현장 운영 능력이 요구된다. 이러한 체계적인 안전 관리 방안은 조사원의 인명 피해 방지뿐만 아니라 운전자의 불편을 최소화하고 조사 데이터의 신뢰성을 확보하는 근간이 된다.

경찰청 및 도로 관리 주체와의 협의 절차와 법적 근거 마련 과정을 기술한다.

교통 흐름을 방해하지 않으면서 조사를 진행하기 위한 현장 배치도와 인력 운영 효율화 방안을 다룬다.

조사원과 운전자의 안전을 위한 안전 시설물 설치 기준과 시민 불편 최소화 전략을 설명한다.

수집된 원시 데이터를 처리하여 교통 정책 수립에 필요한 정보로 가공하는 과정을 다룬다.

조사 결과를 바탕으로 지역 간 통행 흐름을 나타내는 기종점 행렬을 생성하는 과정을 설명한다.

관측 교통량과의 비교를 통해 조사 데이터의 편의를 수정하고 정확도를 높이는 기법을 기술한다.

분석된 데이터를 장래 교통 수요 추정 및 도로 신설 타당성 검토에 적용하는 방법을 다룬다.

전통적인 노측면접조사는 조사원이 직접 주행 중인 차량을 정지시켜 설문을 수행하는 물리적 접촉 방식을 기반으로 한다. 그러나 이러한 방식은 교통 정체 유발에 따른 사회적 비용 발생, 조사원의 안전사고 위험, 그리고 응답자의 거부감으로 인한 표본 편의(Sampling Bias) 발생 등 구조적인 한계를 안고 있다. 이에 따라 지능형 교통 체계(Intelligent Transport Systems, ITS)의 발전과 함께 비접촉식·비표집 방식의 데이터 수집 기술이 노측면접조사의 보완재 또는 대체재로 급부상하고 있다.

가장 대표적인 기술적 변화는 차량 번호판 인식(License Plate Recognition, LPR) 장치와 자동 차량 식별(Automatic Vehicle Identification, AVI) 시스템의 도입이다. 도로변에 설치된 고정식 카메라를 통해 통과 차량의 번호를 실시간으로 인식하고, 이를 다른 지점의 데이터와 매칭함으로써 차량의 이동 경로와 통행 시간을 정밀하게 산출한다. 또한 단거리 전용 통신(Dedicated Short Range Communications, DSRC) 기술을 활용한 하이패스 단말기 데이터는 고속도로와 주요 간선도로에서 발생하는 광역적 기종점 통행량(Origin-Destination, OD)을 파악하는 데 핵심적인 역할을 수행한다. 이러한 기술은 조사 인력의 투입을 최소화하면서도 24시간 연속적인 데이터 수집이 가능하다는 강점을 지닌다²⁾.

최근에는 스마트폰의 보급과 함께 모바일 신호 데이터(Mobile Signal Data) 및 내비게이션의 GPS(Global Positioning System) 궤적 데이터를 활용한 빅데이터 분석 기법이 주목받고 있다. 통신사 기지국 신호나 앱 기반의 위치 정보를 활용하면 특정 도로 구간뿐만 아니라 도시 전체를 아우르는 거시적인 통행 패턴을 분석할 수 있다. 이는 기존의 점(Point) 단위 조사를 면(Area) 단위 조사로 확장시키는 계기가 되었다³⁾. 다만 이러한 디지털 데이터는 통행의 목적이나 탑승자의 사회경제적 특성을 파악하기 어렵다는 단점이 있다. 따라서 현대의 교통 계획에서는 빅데이터를 통해 전체적인 통행량을 파악하고, 소규모의 정밀 노측면접조사를 통해 세부 통행 특성을 보정하는 하이브리드(Hybrid) 방식이 표준으로 자리 잡고 있다.

미래의 노측면접조사는 인공지능(Artificial Intelligence, AI) 영상 인식 기술과 차량 사물 통신(Vehicle-to-Everything, V2X) 기술의 융합을 통해 더욱 고도화될 것으로 예측된다. 딥러닝 기반의 영상 분석은 차종 분류를 넘어 차량 내부의 탑승 인원이나 적재 화물의 종류까지 식별하는 수준으로 발전하고 있으며, 이는 교통 수요 예측 모델의 정확도를 획기적으로 높일 수 있다. 또한 자율주행 자동차의 확산에 따라 차량이 생성하는 실시간 주행 데이터가 공공 데이터 인프라와 결합될 경우, 전통적인 의미의 정지형 면접 조사는 점차 자취를 감추고 실시간 디지털 전수 조사 체계로 전환될 전망이다. 이러한 변화 속에서 개인정보 보호를 위한 비식별화 기술과 데이터 보안 체계의 확립은 기술적 구현만큼이나 중요한 학술적·정책적 과제로 다루어지고 있다.

교통 체증 유발, 높은 비용, 응답 거부 문제 등 기존 방식이 직면한 제약 요인을 분석한다.

하이패스 데이터, 모바일 신호, 차량 번호판 인식 장치 등을 활용한 비접촉식 조사 기법과의 융합을 설명한다.