| 양쪽 이전 판이전 판다음 판 | 이전 판 |
| 통행_수요 [2026/04/13 14:13] – 통행 수요 sync flyingtext | 통행_수요 [2026/04/13 14:16] (현재) – 통행 수요 sync flyingtext |
|---|
| ==== 교통 서비스 요인 ==== | ==== 교통 서비스 요인 ==== |
| |
| 통행 시간, 비용, 접근성, 쾌적성 등 교통 공급 측면의 변수가 수요에 미치는 영향을 분석한다. | 통행 수요는 교통 시설의 공급 수준과 서비스 특성에 따라 결정되는 가변적 성격을 지닌다. 교통 서비스 요인은 통행자가 특정 수단이나 경로를 선택할 때 고려하는 비용과 편익의 집합으로 정의된다. 주요 변수로는 [[통행 시간]](travel time), [[통행 비용]](travel cost), [[접근성]](accessibility), 그리고 [[쾌적성]](comfort) 및 [[신뢰성]](reliability) 등이 꼽힌다. 이러한 요인들은 개별 통행자의 [[효용 함수]](utility function)를 구성하며, 궁극적으로 전체 교통망의 수요 분포를 결정하는 핵심 기제로 작용한다. |
| | |
| | 통행 시간은 교통 서비스의 질을 결정하는 가장 결정적인 요소 중 하나이다. 통행 시간은 다시 차량에 탑승하여 이동하는 [[차내 시간]](in-vehicle time)과 정류장까지의 도보 이동, 대기, 환승 등에 소요되는 [[차외 시간]](out-of-vehicle time)으로 구분된다. 통행자는 일반적으로 차외 시간을 차내 시간보다 더 고통스럽게 인지하는 경향이 있으며, 실증 연구에 따르면 차외 시간의 단위당 가치는 차내 시간보다 약 2배에서 3배 정도 높게 평가된다.((통행수단별 소요시간과 비용이 가구소득계층별 통근통행자의 수단 및 목적지 선택에 미치는 영향 분석, https://kpaj.or.kr/_PR/view/?aidx=18551&bidx=2335 |
| | )) 따라서 대중교통의 배차 간격 단축이나 환승 시설의 물리적 개선은 단순한 이동 속도 향상보다 수요 증대에 더 효과적인 유인이 될 수 있다. |
| | |
| | 통행 비용은 통행자가 이동을 위해 직접 지불하는 화폐적 지출을 의미한다. 여기에는 연료비, 통행료(toll), 주차비와 같은 [[자동차]] 이용 비용과 버스나 지하철의 운임이 포함된다. 교통 공학 및 경제학에서는 시간과 비용이라는 서로 다른 단위의 변수를 통합하여 분석하기 위해 [[일반화 비용]](generalized cost) 개념을 도입한다. 일반화 비용 $ GC $는 다음과 같이 정의된다. |
| | |
| | $ GC = C + VOT T $ |
| | |
| | 여기서 $ C $는 직접적인 통행 비용, $ T $는 통행 시간이며, $ VOT $는 [[시간 가치]](value of time)를 의미한다. 시간 가치는 단위 시간의 절약을 위해 통행자가 지불할 용의가 있는 최대 금액으로, 개인의 소득 수준과 통행 목적(업무, 비업무 등)에 따라 상이하게 나타난다. 일반적으로 소득이 높을수록 시간 가치가 크게 산정되어 비용보다는 시간 단축을 선호하는 경향을 보이며, 이는 고속도로나 고속열차와 같은 고비용·고효율 수단의 수요 기반이 된다. |
| | |
| | 접근성은 특정 지점에서 목적지까지 도달하기 쉬운 정도를 나타내는 지표로, 교통 공급과 [[토지 이용]]의 상호작용에 의해 결정된다. 접근성이 향상되면 통행에 소요되는 저항(resistance)이 감소하여 기존에 존재하지 않았던 새로운 통행이 발생하는 [[유발 수요]](induced demand)가 창출된다. 또한, 정시성으로 대표되는 서비스 신뢰성은 현대 교통 시스템에서 중요성이 매우 높다. 도착 예정 시간의 불확실성이 클수록 통행자는 목적지 도착 실패에 대비한 여유 시간(buffer time)을 추가로 고려해야 하므로, 이는 실질적인 통행 시간의 증가와 동일한 부(-)의 효용을 발생시킨다. |
| | |
| | 교통 서비스 요인의 변화에 따른 수요의 변화 정도는 [[수요의 탄력성]](elasticity of demand)으로 측정된다. 교통수요의 가격 탄력성이나 서비스 탄력성은 정책 결정의 주요 근거가 된다.((교통수요의 가격, 소득 및 서비스 탄력성에 관한 분석, https://www.koti.re.kr/user/bbs/BD_selectBbs.do?q_bbsCode=1017&q_bbscttSn=2012051900000050449&q_clCode=1 |
| | )) 예를 들어, 출근 통행과 같은 필수적 통행은 서비스 변화에 대해 낮은 탄력성을 보이지만, 여가나 쇼핑 목적의 통행은 비용이나 시간의 변화에 민감하게 반응하는 높은 탄력성을 나타낸다. 이러한 서비스 요인들의 복합적인 작용을 이해하는 것은 효율적인 [[교통 수요 관리]] 정책 수립의 기초가 된다. |
| |
| ===== 단계별 통행 수요 예측 모형 ===== | ===== 단계별 통행 수요 예측 모형 ===== |
| === 원단위법과 회귀분석법 === | === 원단위법과 회귀분석법 === |
| |
| 과거 데이터를 바탕으로 장래 통행량을 추정하는 통계적 방법론을 비교한다. | 원단위법(Unit-based Method)은 특정 분석 단위당 발생하는 통행량을 산정하여 장래의 통행 수요를 예측하는 가장 기초적이고 직관적인 기법이다. 여기서 원단위란 가구, 종사자, 부지 면적 등 통행을 유발하는 지표 한 단위당 발생하는 평균 통행수를 의미한다. 이 방법은 과거의 조사 자료를 바탕으로 산출된 원단위가 장래에도 일정하게 유지된다는 가정을 전제로 한다. 특정 [[교통 분석 존]](Traffic Analysis Zone, TAZ)의 장래 통행 발생량은 해당 존의 장래 지표 규모에 현재의 원단위를 곱하여 산출하며, 그 수식은 일반적으로 다음과 같이 표현된다. |
| | |
| | $ T_i = %%//%%{j} (U%%//%%{ij} R_j) $ |
| | |
| | 여기서 $ T_i $는 $ i $ 존의 총 통행 발생량, $ U_{ij} $는 $ i $ 존의 $ j $번째 지표(예: 인구, 고용 위락 시설 면적 등)의 규모, $ R_j $는 $ j $번째 지표의 통행 발생 원단위이다. 원단위법은 모형의 구조가 단순하여 계산이 용이하고 결과의 해석이 명확하다는 장점이 있다. 그러나 사회경제적 여건 변화에 따른 통행 행태의 가변성을 반영하지 못하며, 원단위 산정 과정에서 발생하는 표본 오차가 전체 예측 결과에 직접적인 영향을 미친다는 한계가 있다. 특히 토지 이용의 밀도나 가구의 소득 수준 변화와 같은 질적 요인을 모형 내에서 통제하기 어렵다는 점이 주요 단점으로 지적된다. |
| | |
| | 회귀분석법(Regression Analysis Method)은 통행 발생량과 이에 영향을 미치는 여러 사회경제적 변수들 사이의 상관관계를 통계적 함수 형태로 정립하는 방법이다. 이 기법에서는 통행량을 [[종속변수]](dependent variable)로 설정하고, 통행 발생의 원인이 되는 인구, 자동차 보유대수, 소득, 지가 등을 [[설명변수]](independent variable)로 설정한다. 일반적으로 [[최소자승법]](Ordinary Least Squares, OLS)을 활용하여 각 설명변수의 [[회귀 계수]](regression coefficient)를 추정하며, 다중 선형 회귀 모형의 일반식은 다음과 같다. |
| | |
| | $ Y_i = _0 + %%//%%1 X%%//%%{i1} + %%//%%2 X%%//%%{i2} + + %%//%%k X%%//%%{ik} + _i $ |
| | |
| | 위 식에서 $ Y_i $는 $ i $ 존의 통행 발생량이며, $ X_{ik} $는 $ i $ 존의 $ k $번째 설명변수, $ _k $는 해당 변수의 영향력을 나타내는 파라미터, $ _i $는 오차항을 의미한다. 회귀분석법은 원단위법과 달리 여러 변수의 복합적인 영향을 동시에 고려할 수 있으며, 통계적 검정 과정을 통해 모델의 신뢰도를 객관적으로 평가할 수 있다는 강점을 지닌다. 분석가는 [[결정 계수]](coefficient of determination, $ R^2 $)를 통해 모델의 설명력을 확인하고, t-검정이나 F-검정을 통해 개별 변수와 전체 모형의 통계적 유의성을 검증한다. |
| | |
| | 두 방법론을 비교했을 때, 원단위법은 데이터 획득이 제한적이거나 소규모 지역의 단기적인 수요를 파악할 때 유용하게 활용된다. 반면 회귀분석법은 도시 전체의 거시적인 계획이나 장기적인 정책 변화의 효과를 분석하는 데 적합하다. 다만 회귀분석법을 적용할 때는 설명변수 간의 강한 상관관계로 인해 발생하는 [[다중 공선성]](multicollinearity) 문제를 유의해야 한다. 독립적이어야 할 변수들이 서로 밀접하게 연관되어 있을 경우 회귀 계수의 추정치가 불안정해져 예측의 정확도가 급격히 떨어질 수 있기 때문이다. 또한 과거의 인과관계가 미래에도 지속될 것이라는 시계열적 안정성 가정이 전제되어야 하므로, 급격한 기술 혁신이나 사회 구조 재편이 예상되는 시나리오에서는 예측값의 [[표준 오차]](standard error)가 커질 위험이 존재한다. 결론적으로 통행 발생 단계에서의 적절한 모형 선택은 가용 데이터의 질과 분석의 공간적 범위, 그리고 장래 예측 기간의 장단기적 성격을 종합적으로 고려하여 결정되어야 한다. |
| |
| === 카테고리 분석법 === | === 카테고리 분석법 === |
| |
| 가구 특성별 그룹화를 통해 통행 발생률을 산출하는 과정을 설명한다. | 카테고리 분석법(Category Analysis Method)은 [[통행 발생]]을 예측하기 위해 [[가구]](household)의 사회경제적 특성을 기준으로 집단을 세분화하고, 각 집단별로 산출된 평균 통행 발생률을 적용하는 기법이다. 이 방법은 [[교차분류법]](Cross-Classification Method)으로도 널리 알려져 있으며, [[회귀분석법]]이 지닌 엄격한 통계적 가정을 완화하면서도 가구 단위의 미시적 행태를 반영할 수 있다는 점에서 [[교통 계획]] 실무에서 중요한 위치를 차지한다. |
| | |
| | 카테고리 분석법의 기본 전제는 동일한 사회경제적 범주에 속하는 가구들은 통행 목적과 빈도에 있어 동질적인 특성을 공유한다는 것이다. 분석가는 먼저 통행 발생에 유의미한 영향을 미치는 [[독립변수]]를 선정한다. 일반적으로 [[가구 소득]], [[자동차 보유 대수]], [[가구원 수]], 혹은 가구주의 연령 등이 주요 변수로 채택된다. 선정된 변수들은 각각 몇 개의 구간으로 범주화되며, 이들의 조합을 통해 다차원의 행렬(matrix)이 구성된다. 예를 들어 가구원 수를 4개 범주로, 자동차 보유 대수를 3개 범주로 구분한다면 총 12개의 카테고리가 생성된다. |
| | |
| | 특정 분석 대상 지역의 전체 통행량을 산정하는 과정은 각 카테고리에 속하는 가구 수와 해당 카테고리의 단위 통행 발생률을 결합하는 방식으로 이루어진다. 특정 [[교통 분석 존]](Traffic Analysis Zone, TAZ) $i$에서 발생하는 총 통행량 $P_i$는 다음과 같은 수식으로 정의할 수 있다. |
| | |
| | $$P_i = \sum_{c=1}^{C} N_{i,c} \cdot R_c$$ |
| | |
| | 위 식에서 $N_{i,c}$는 존 $i$에 거주하는 카테고리 $c$ 유형의 가구 수이며, $R_c$는 기초 조사 데이터를 통해 사전에 결정된 카테고리 $c$의 가구당 평균 통행 발생률이다. $C$는 설정된 카테고리의 총 개수를 의미한다. 이러한 계산 방식은 [[선형 회귀 모형]]이 요구하는 변수 간의 선형성이나 오차항의 [[정규 분포]] 가정으로부터 자유롭다는 특징이 있다. |
| | |
| | 이 기법의 가장 큰 장점은 변수 간의 복잡한 상호작용과 비선형적 관계를 별도의 수식 변형 없이도 모형 내에 수용할 수 있다는 점이다. 예를 들어 소득 증가에 따른 통행량 증가 폭이 특정 수준 이상에서 둔화되는 현상을 카테고리별 발생률에 그대로 반영할 수 있다. 또한 모형의 구조가 직관적이어서 정책 결정자가 분석 과정을 이해하기 쉽고, [[표본]] 데이터를 직접적으로 활용하므로 데이터의 손실이 적다는 평가를 받는다. |
| | |
| | 그러나 카테고리 분석법은 분류 체계의 설정에 있어 정교한 설계가 요구된다. 변수의 수나 범주를 과도하게 늘릴 경우, 특정 카테고리에 할당되는 표본의 수가 부족해져 통계적 유의성을 확보하기 어려워지는 [[차원의 저주]](Curse of Dimensionality) 문제에 직면하게 된다. 반대로 범주가 너무 포괄적이면 집단 내 이질성이 커져 예측의 정확도가 떨어진다. 또한 이 모형은 과거에 관측된 발생률이 장래에도 변하지 않는다는 정적 가정을 전제로 하므로, 기술 발전이나 사회적 가치관 변화에 따른 행태 변화를 반영하기 어렵다는 한계가 있다. 아울러 독립변수의 범위를 벗어나는 장래 상황에 대한 [[외삽]](extrapolation)이 불가능하다는 점도 주요한 제약 사항으로 지적된다. ((National Academies of Sciences, Engineering, and Medicine, “Travel Demand Forecasting: Parameters and Techniques”, https://doi.org/10.17226/22818 |
| | )) |
| |
| ==== 통행 배분 ==== | ==== 통행 배분 ==== |
| |
| 발생된 통행량이 기점과 종점 사이에 어떻게 분포되는지를 결정하는 모형을 다룬다. | 통행 배분(Trip Distribution)은 [[통행 발생]] 단계에서 산정된 각 교통 존(Traffic Analysis Zone)별 통행 유출량과 유입량을 상호 연결하여, 공간적으로 구체화된 [[기종점 통행량]](Origin-Destination flow)을 결정하는 과정이다. 이 단계의 핵심은 특정 지역에서 발생한 통행이 어느 목적지로 향하는지를 수리적 기법을 통해 예측하는 데 있다. 결과물로 도출되는 [[기종점 통행 행렬]](O-D Matrix)은 지역 간의 공간적 상호작용 강도를 나타내며, 이는 후속 단계인 [[수단 선택]]과 [[노선 배정]]의 기초 자료가 된다. |
| | |
| | 통행 배분 모형은 크게 성장인자법(Growth Factor Method)과 합리적 모형(Synthetic Model)으로 구분된다. 성장인자법은 현재 관측된 통행 패턴이 미래에도 유지된다는 전제하에, 각 존의 사회경제적 변화에 따른 성장률을 적용하여 장래 통행량을 추정한다. [[평균 성장인자법]], [[프라타법]](Fratar Method), [[디트로이트법]] 등이 이에 해당한다. 이 방법은 구조가 단순하고 계산이 용이하여 과거 데이터가 충분할 때 유용하지만, [[토지 이용]] 체계의 근본적인 변화나 새로운 교통 시설 도입으로 인한 통행 패턴의 구조적 변화를 반영하지 못한다는 한계가 있다. |
| | |
| | 이러한 한계를 극복하기 위해 현대 교통 계획에서 널리 사용되는 기법은 [[중력 모형]](Gravity Model)이다. 이 모형은 두 지역 간의 통행량이 각 지역의 활동 규모에 비례하고, 이동에 소요되는 거리나 시간, 비용 등 [[통행 저항]](Travel Impedance)에 반비례한다는 [[뉴턴의 만유인력 법칙]]을 원용한다. 일반적인 중력 모형의 수식은 다음과 같이 정의된다. |
| | |
| | $$ T_{ij} = A_i \cdot B_j \cdot O_i \cdot D_j \cdot f(c_{ij}) $$ |
| | |
| | 여기서 $ T_{ij} $는 존 $ i $에서 존 $ j $로의 통행량이며, $ O_i $와 $ D_j $는 각각 기점의 유출량과 종점의 유입량을 의미한다. $ f(c_{ij}) $는 두 존 사이의 통행 비용에 따른 마찰 함수(Friction Function)로, 통상적으로 지수 함수나 거듭제곱 함수 형태를 취한다. $ A_i $와 $ B_j $는 각 존의 유출·유입 총합 제약 조건을 만족시키기 위한 조정 계수이다. 중력 모형은 제약 조건의 설정 방식에 따라 총 통행량만 일치시키는 비제약 모형부터, 양방향의 합계를 모두 일치시키는 [[이중 제약 중력 모형]](Doubly Constrained Gravity Model)까지 다양하게 정교화될 수 있다. |
| | |
| | 통행 배분의 이론적 토대는 [[윌슨]](A. G. Wilson)이 제안한 [[엔트로피 극대화 모형]](Entropy Maximization Model)을 통해 더욱 공고해졌다((A statistical theory of spatial distribution models, https://doi.org/10.1016/0041-1647(67)90035-4 |
| | )). 이는 [[통계역학]]의 개념을 원용하여, 주어진 제약 조건 하에서 발생 가능한 통행 조합 중 가장 확률이 높은 상태, 즉 [[엔트로피]]가 극대화되는 상태를 최적의 통행 분포로 간주한다. 이 접근법은 중력 모형이 단순한 물리적 유추를 넘어 시스템 전체의 확률론적 행태를 반영할 수 있는 수리적 정당성을 제공하였다. 이 외에도 기점과 종점 사이의 물리적 거리보다는 목적지 선택 과정에서 마주치는 잠재적 기회의 수에 주목하는 [[간섭 기회 모형]](Intervening Opportunity Model) 등이 통행 배분의 공간적 의사결정 원리를 설명하기 위해 활용된다. |
| |
| === 성장인자법 === | === 성장인자법 === |
| |
| 현재의 통행 패턴이 미래에도 유지된다는 가정하에 증가율을 적용하는 방식을 기술한다. | [[성장인자법]](Growth Factor Method)은 [[통행 배분]] 단계에서 장래의 [[기종점 통행량]](Origin-Destination flow)을 추정하기 위해 사용되는 가장 기초적이고 고전적인 방법론이다. 이 기법은 현재 시점에서 관측된 통행 행태와 공간적 분포 구조가 장래에도 상당 부분 유지될 것이라는 전제하에, 각 [[교통 분석 존]](Traffic Analysis Zone, TAZ)의 성장률을 현재의 통행량에 곱하여 미래의 수요를 예측한다. 이는 [[4단계 수요 예측 모형]] 중 통행 분포 단계에서 [[중력 모형]]과 함께 널리 활용되어 왔으며, 특히 데이터가 부족하거나 도시 구조가 비교적 안정적인 단기 예측 상황에서 높은 효율성을 보인다. |
| | |
| | 성장인자법의 가장 근본적인 가정은 현재의 통행 패턴이 장래에도 고착화되어 나타난다는 점이다. 즉, 존 $i$에서 존 $j$로 향하는 통행량의 상대적 비율은 시간이 흘러도 변하지 않으며, 단지 각 지역의 사회경제적 성장에 따라 절대적인 수치만이 비례적으로 증가한다고 상정한다. 이러한 특성으로 인해 성장인자법은 [[교통망]]의 신설이나 [[토지 이용]] 체계의 근본적인 변화로 인해 발생하는 새로운 통행 패턴을 반영하는 데 한계가 있다. 그러나 현재의 통행 실측 자료를 직접 활용하므로 모형의 설정이 간편하고, 예측 결과가 실제 관측치와 직관적으로 연계된다는 장점이 있다. |
| | |
| | 가장 단순한 형태인 균일성장인자법(Uniform Growth Factor Method)은 대상 지역 전체의 평균적인 성장률을 모든 기종점 쌍에 동일하게 적용한다. 현재 시점의 존 $i$에서 존 $j$로의 통행량을 $t_{ij}$, 지역 전체의 성장인자를 $F$라 할 때, 장래 통행량 $T_{ij}$는 다음과 같이 산정된다. $$ T_{ij} = t_{ij} \times F $$ 이 방식은 지역 내 모든 존이 동일한 속도로 성장한다고 가정하므로, 존별 성장 속도의 차이가 뚜렷한 도시 환경에서는 예측 오차가 크게 발생할 수 있다. |
| | |
| | 이를 보완하기 위해 각 존의 개별적인 성장률을 고려하는 방법론들이 개발되었다. 평균성장인자법(Average Growth Factor Method)은 유출 존 $i$의 성장률 $F_i$와 유입 존 $j$의 성장률 $F_j$의 산술 평균을 적용하여 통행량을 조정한다. $$ T_{ij} = t_{ij} \times \frac{F_i + F_j}{2} $$ 그러나 이 방법 역시 계산된 장래 통행량의 합계가 각 존에서 예측된 총 유출량이나 유입량과 일치하지 않는 불일치 문제가 발생한다. 이를 해결하기 위해 반복적인 보정 과정을 거치는 기법들이 등장하였다. |
| | |
| | [[프라타법]](Fratar Method)은 1954년 토마스 프라타(Thomas J. Fratar)에 의해 제안된 방식으로, 특정 존의 성장이 주변 존들과의 상대적 관계 속에서 결정된다는 논리를 취한다. 프라타법은 각 존의 성장인자뿐만 아니라 인접한 존들의 통행 비중을 고려하여 가중치를 부여하며, 유출입 합계가 수렴할 때까지 반복 계산을 수행한다. 이와 유사하게 [[퍼니스법]](Furness Method)은 행과 열의 합계를 번갈아 가며 보정하는 [[이원비례최적화]](Biproportional Scaling) 과정을 통해 예측값의 정밀도를 높인다. |
| | |
| | 성장인자법은 수리적으로 명쾌하고 적용이 용이하지만, 치명적인 약점을 내포하고 있다. 현재 통행량이 0인 기종점 쌍은 성장인자를 아무리 곱하더라도 장래 통행량이 0으로 유지된다는 점이다. 이는 신도시 개발이나 대규모 산업 단지 조성으로 인해 과거에 없던 새로운 통행 수요가 창출되는 상황을 전혀 설명하지 못한다. 또한, 통행 시간의 단축이나 통행 비용의 변화와 같은 [[통행 저항]] 요소를 변수로 포함하지 않으므로, 교통 시설 공급에 따른 수요의 변화를 분석하는 데에는 적합하지 않다. 따라서 현대의 광역 [[교통 계획]]에서는 이러한 한계를 극복하기 위해 지역 간의 거리와 유인력을 변수로 사용하는 [[중력 모형]]을 주로 사용하며, 성장인자법은 주로 기준 연도 보정이나 변화가 적은 지역의 보조적 수단으로 활용된다. |
| |
| === 중력 모형 === | === 중력 모형 === |
| |
| 지역 간 거리와 유인력을 바탕으로 통행 분포를 예측하는 물리적 유추 모형을 설명한다. | 중력 모형(Gravity Model)은 [[통행 분포]](Trip Distribution) 단계에서 가장 널리 활용되는 분석 기법으로, 두 지역 간의 통행량이 각 지역의 규모에 비례하고 지역 간 거리나 물리적 저항에는 반비례한다는 가설에 기초한다. 이 모형은 [[아이작 뉴턴]](Isaac Newton)의 [[만유인력의 법칙]]에서 유추된 물리적 개념을 사회과학적 현상에 적용한 대표적인 사례이다. 교통 계획의 관점에서 중력 모형은 특정 [[교통 분석 존]](Traffic Analysis Zone, TAZ)에서 발생하는 통행이 목적지별로 어떻게 배분되는지를 수리적으로 설명하며, [[성장인자법]](Growth Factor Method)과 달리 기준 연도의 통행 행태가 변화하는 상황에서도 적용이 가능하다는 장점을 지닌다. |
| | |
| | 중력 모형의 기본적인 수리적 구조는 출발지 $i$에서 목적지 $j$로 향하는 통행량 $T_{ij}$를 다음과 같은 형식으로 정의한다. |
| | |
| | $$ T_{ij} = k \frac{O_i D_j}{f(c_{ij})} $$ |
| | |
| | 여기서 $O_i$는 출발지 $i$에서 발생하는 총 통행량, $D_j$는 목적지 $j$로 유입되는 총 통행량을 의미하며, $f(c_{ij})$는 두 지역 사이의 공간적 저항을 나타내는 [[마찰 함수]](Friction Function)이다. $k$는 비례 상수이다. 마찰 함수는 대개 거리, 시간, 혹은 통행료 등을 포함한 [[일반화 통행 비용]](Generalized Travel Cost)의 함수로 표현된다. 초기에는 거리의 제곱에 반비례하는 형태가 주로 쓰였으나, 현대 교통 공학에서는 지수 함수(exponential function)나 멱함수(power function) 형태를 결합하여 지역적 특성에 맞게 보정하여 사용한다. |
| | |
| | 중력 모형은 분석의 정밀도와 제약 조건에 따라 유출 제약(Origin-constrained), 유입 제약(Destination-constrained), 그리고 이중 제약(Doubly-constrained) 모형으로 구분된다. 실무에서 가장 빈번하게 사용되는 이중 제약 중력 모형은 각 존의 총 유출량과 총 유입량이 사전에 결정된 [[통행 발생]] 단계의 결과물과 일치하도록 보정 계수를 도입한다. 이 모형의 일반적인 수식은 다음과 같다. |
| | |
| | $$ T_{ij} = A_i O_i B_j D_j f(c_{ij}) $$ |
| | |
| | 이 식에서 $A_i$와 $B_j$는 균형 인자(Balancing Factors)로서, 각각 출발지와 목적지의 제약 조건을 만족시키기 위해 반복 계산(iterative calculation)을 통해 산출되는 값이다. 이러한 제약 조건은 특정 지역에서 나가는 통행의 합이 그 지역의 발생량과 같아야 하며, 들어오는 통행의 합 역시 유입량과 일치해야 한다는 [[질량 보존의 법칙]]과 유사한 논리를 체계화한 것이다. |
| | |
| | 중력 모형의 이론적 정당성은 1960년대 [[윌슨]](A. G. Wilson)에 의해 제안된 [[엔트로피 극대화 모형]](Entropy Maximization Model)을 통해 더욱 공고해졌다. 윌슨은 [[통계역학]]의 원리를 응용하여, 주어진 총 통행량과 총 통행 비용의 제약 하에서 발생 가능한 통행 조합의 수가 최대가 되는 상태가 곧 중력 모형의 형태와 일치함을 증명하였다. 이는 중력 모형이 단순한 물리적 유추를 넘어, 통행자들의 개별적인 의사결정이 집계적으로 나타날 때 가장 확률이 높은 상태를 묘사하고 있음을 시사한다. |
| | |
| | 그러나 중력 모형은 지역 간의 상호작용을 오직 규모와 거리라는 물리적 변수에 의존하여 설명하므로, 통행자의 사회경제적 특성이나 목적지의 구체적인 매력도를 충분히 반영하지 못한다는 비판을 받기도 한다. 또한, 과거의 통행 패턴을 바탕으로 마찰 함수의 파라미터를 추정하기 때문에, 대규모 교통 시설 확충이나 토지 이용 체계의 근본적인 변화가 발생했을 때 그 전이 과정을 완벽하게 예측하는 데 한계가 있다. 그럼에도 불구하고 중력 모형은 구조적 명확성과 계산의 효율성 덕분에 대규모 도시 교통 계획 수립 과정에서 [[기종점 통행량]](Origin-Destination flow)을 추정하는 핵심 도구로 여전히 중추적인 역할을 수행하고 있다. |
| |
| ==== 수단 선택 ==== | ==== 수단 선택 ==== |
| |
| 이용 가능한 교통수단 중에서 특정 수단을 선택할 확률을 추정하는 과정을 분석한다. | [[단계별 통행 수요 예측 모형]]의 세 번째 단계인 수단 선택(Mode Choice)은 [[통행 배분]] 과정을 통해 결정된 기점과 종점 사이의 통행량이 어떠한 교통수단을 이용하게 될지를 결정하는 과정이다. 이는 이용 가능한 교통수단 중에서 통행자가 특정 수단을 선택할 확률을 추정함으로써, 장래의 도로 혼잡도나 대중교통 이용 효율성을 예측하는 데 핵심적인 역할을 한다. 과거에는 지역 단위의 데이터를 사용하는 집계적(aggregate) 분석이 주를 이루었으나, 현대 [[교통 계획]]에서는 개인이나 가구의 행태를 미시적으로 분석하는 비집계적(disaggregate) 접근법인 [[개별 행태 모형]]이 표준적으로 사용된다. |
| | |
| | 수단 선택 분석의 이론적 토대는 [[미시경제학]]의 [[효용 극대화 원리]](Utility Maximization Principle)에 기반한 [[확률적 효용 이론]](Random Utility Theory)이다. 이 이론은 통행자가 여러 대안 수단 중에서 자신에게 가장 큰 만족, 즉 [[효용]](utility)을 주는 수단을 선택한다고 가정한다. 이때 개별 통행자 $ n $이 수단 $ i $를 선택함으로써 얻는 효용 $ U_{in} $은 분석자가 관찰하고 측정할 수 있는 확정적 효용 $ V_{in} $과 관찰할 수 없는 요인을 포함하는 확률적 오차항 $ _{in} $의 합으로 구성된다. |
| | |
| | $$ U_{in} = V_{in} + \epsilon_{in} $$ |
| | |
| | 확정적 효용 $ V_{in} $은 통행 시간(차내 시간, 대기 시간, 환승 시간), 통행 비용(요금, 연료비, 주차비), 통행자의 사회경제적 특성(소득, 자동차 보유 여부) 등의 변수와 각 변수의 중요도를 나타내는 파라미터의 선형 결합으로 표현된다. 분석의 핵심은 통행자가 수단 $ i $를 선택할 확률 $ P_{in} $을 구하는 것이며, 이는 수단 $ i $의 효용이 다른 모든 대안 수단 $ j $의 효용보다 클 확률로 정의된다. |
| | |
| | $$ P_{in} = Pr(U_{in} \ge U_{jn}, \forall j \in C_n) $$ |
| | |
| | 이때 오차항 $ _{in} $이 서로 독립적이며 동일한 [[굼벨 분포]](Gumbel Distribution)를 따른다고 가정하면, 수단 선택 확률은 [[로짓 모형]](Logit Model)의 형태로 도출된다. 가장 널리 쓰이는 [[다항 로짓 모형]](Multinomial Logit Model, MNL)에서 수단 $ i $를 선택할 확률은 다음과 같이 계산된다. |
| | |
| | $$ P_{in} = \frac{e^{V_{in}}}{\sum_{j \in C_n} e^{V_{jn}}} $$ |
| | |
| | 다항 로짓 모형은 수식이 간결하고 파라미터 추정이 용이하다는 장점이 있으나, 대안 간의 상관관계를 반영하지 못하는 [[독립 대안 선택 특성]](Independence from Irrelevant Alternatives, IIA)이라는 한계를 지닌다. 예를 들어, 버스와 지하철처럼 유사한 특성을 가진 수단들이 존재할 경우 이들 사이의 선택 확률이 왜곡될 수 있다. 이러한 문제를 해결하기 위해 대안들을 계층적으로 구조화하여 상관관계를 반영하는 [[네스티드 로짓 모형]](Nested Logit Model)이나, 오차항의 분포를 보다 자유롭게 가정하는 [[혼합 로짓 모형]](Mixed Logit Model) 등이 활용된다.((교통SOC 투자계획은 TOD 위주 정책 방향에 부합하는가? 수도권 통근자의 통근수단 선택 분석 및 예측, 2005-2030, https://www.kostat.go.kr/board.es?act=view&bid=11912&list_no=417540&mid=a90807000000 |
| | )) |
| | |
| | 수단 선택 모형은 교통 정책의 효과를 정밀하게 평가하는 도구로 활용된다. 대중교통 요금 인상이나 유류세 변화와 같은 비용 측면의 변화, 또는 지하철 신설 및 버스 전용 차로 확충과 같은 서비스 수준의 변화가 수단별 분담률(modal split)에 미치는 영향을 수치적으로 제시한다. 특히 통행 시간 가치(Value of Time, VOT)를 산출함으로써 교통 시설 투자에 따른 사회적 편익을 화폐 단위로 환산하는 근거를 제공한다.((교통수요 예측을 위한 기준 및 절차 지침 연구, https://library.krihs.re.kr/library/10210/contents/6158034 |
| | )) |
| |
| === 개별 행태 모형 === | === 개별 행태 모형 === |
| |
| 효용 극대화 원리에 기초하여 개인의 선택 행태를 모형화하는 기법을 다룬다. | 개별 행태 모형(Disaggregate Behavioral Model)은 통행자 개인 혹은 가구를 분석의 기본 단위로 삼아 이들의 의사결정 행태를 미시적으로 모형화하는 기법이다. 전통적인 [[4단계 수요 예측 모형]]에서 활용되던 집계형 모형(Aggregate model)이 특정 지역 내 통행자들의 평균적인 특성만을 반영함으로써 발생하는 [[생태학적 오류]](Ecological fallacy)를 극복하기 위해 등장하였다. 이 모형은 [[다니엘 맥파든]](Daniel McFadden)에 의해 체계화된 [[확률적 효용 이론]](Random Utility Theory)에 그 이론적 기초를 두고 있으며, 통행자가 이용 가능한 대안들 중 자신의 효용을 극대화하는 대안을 선택한다는 [[합리적 선택 이론]]을 가정한다. |
| | |
| | [[확률적 효용 이론]]에 따르면, 분석가(analyst)가 관찰하는 통행자 $ n $이 대안 $ i $를 선택함으로써 얻는 효용 $ U_{in} $은 크게 두 가지 성분으로 구성된다. 하나는 통행자의 사회경제적 특성이나 교통수단의 서비스 수준과 같이 분석가가 관찰하고 측정할 수 있는 결정론적 효용(Systematic utility) $ V_{in} $이며, 다른 하나는 분석가가 파악할 수 없는 개인의 선호나 측정 오차 등을 포함하는 확률적 오차항(Random error term) $ _{in} $이다. 이를 수식으로 나타내면 다음과 같다. |
| | |
| | $ U_{in} = V_{in} + _{in} $ |
| | |
| | 여기서 결정론적 효용 $ V_{in} $은 통행 시간, 통행 비용, 소득 등 선택에 영향을 미치는 여러 독립 변수 $ X_{kin} $들의 선형 결합으로 표현되는 것이 일반적이다. |
| | |
| | $ V_{in} = _{k} %%//%%k X%%//%%{kin} $ |
| | |
| | 이때 $ %%//%%k $는 각 변수가 효용에 미치는 영향력을 나타내는 파라미터이다. 통행자 $ n $이 대안 집합 $ C $ 내의 여러 대안 중 특정 대안 $ i $를 선택할 확률 $ P%%//%%{in} $은 대안 $ i $에서 얻는 효용이 다른 모든 대안 $ j $에서 얻는 효용보다 클 확률로 정의된다. |
| | |
| | $ P_{in} = (U_{in} > U_{jn}, j C, j i) $ $ P_{in} = (V_{in} + %%//%%{in} > V%%//%%{jn} + _{jn}, j C, j i) $ |
| | |
| | 이 선택 확률을 구체적인 수식으로 도출하기 위해서는 오차항 $ _{in} $의 확률 분포에 대한 가정이 필요하다. 만약 오차항들이 서로 독립적이며 동일하게 [[제1종 극치 분포]](Type I Extreme Value Distribution) 또는 [[검블 분포]](Gumbel Distribution)를 따른다고 가정하면, 계산적으로 매우 간결한 형태인 [[다항 로짓 모형]](Multinomial Logit Model, MNL)이 유도된다. |
| | |
| | $$ P_{in} = \frac{\exp(V_{in})}{\sum_{j \in C} \exp(V_{jn})} $$ |
| | |
| | [[로짓 모형]]은 수식의 명쾌함과 해석의 용이성 덕분에 실무에서 가장 널리 사용되지만, 대안 간 오차항의 상관관계를 인정하지 않는 [[독립 대안 선택 특성]](Independence of Irrelevant Alternatives, IIA)이라는 제약을 가진다. 이러한 한계를 보완하기 위해 오차항이 [[다변량 정규 분포]](Multivariate Normal Distribution)를 따른다고 가정하는 [[프로빗 모형]](Probit Model)이나, 대안 간의 계층적 구조를 반영하는 [[네스티드 로짓 모형]](Nested Logit Model) 등이 활용되기도 한다. |
| | |
| | 개별 행태 모형은 집계형 모형에 비해 몇 가지 중요한 학술적·실무적 장점을 지닌다. 첫째, 개인 단위의 데이터를 직접 사용하므로 정보의 손실이 적고 적은 표본으로도 모형의 파라미터를 효율적으로 추정할 수 있다. 둘째, 통행 시간이나 비용뿐만 아니라 개인의 성별, 연령, 직업 등 구체적인 변수를 모형에 포함할 수 있어 정책 변화에 따른 수요 변화를 민감하게 예측할 수 있는 [[정책 민감도]]가 높다. 셋째, 모형의 구조가 공간적 경계에 종속되지 않으므로 특정 지역에서 추정된 모형을 다른 지역이나 다른 시점에 적용하는 [[모형의 이전 가능성]](Transferability)이 상대적으로 높다는 점이다. 이러한 특성으로 인해 현대 [[교통 계획]]에서는 수단 선택 단계뿐만 아니라 경로 선택, 목적지 선택 등 다양한 의사결정 과정을 분석하는 데 핵심적인 도구로 활용되고 있다.((Daniel L. McFadden - Nobel Lecture, https://www.nobelprize.org/uploads/2018/06/mcfadden-lecture.pdf |
| | )) |
| |
| === 로짓 모형과 프로빗 모형 === | === 로짓 모형과 프로빗 모형 === |
| |
| 수단 선택 확률을 계산하기 위해 널리 사용되는 확률 선택 모형의 수식을 고찰한다. | [[수단 선택]] 단계에서 개별 통행자의 의사결정을 모형화하는 핵심적인 방법론은 [[확률적 효용 이론]](Random Utility Theory)에 기초한 [[개별 선택 모형]](Discrete Choice Model)이다. 이 이론은 통행자가 이용 가능한 여러 [[교통수단]] 중에서 자신에게 가장 큰 [[효용]](Utility)을 주는 수단을 선택한다고 가정한다. 특정 통행자 $ n $이 수단 $ i $를 선택함으로써 얻는 효용 $ U_{in} $은 관측 가능한 결정론적 부분인 관측 효용 $ V_{in} $과 분석가가 관측할 수 없는 무작위적 요소인 [[오차항]](Error Term) $ %%//%%{in} $의 합으로 구성된다. 즉, 효용 함수는 다음과 같이 정의된다. $ U%%//%%{in} = V_{in} + %%//%%{in} $ 통행자가 수단 $ i $를 선택할 확률 $ P%%//%%{in} $은 $ U_{in} $이 대안 집합 내의 다른 모든 수단 $ j $의 효용보다 클 확률로 계산된다. |
| | |
| | [[로짓 모형]](Logit Model)은 오차항 $ _{in} $이 서로 독립적이며 동일한 분포를 가진다는 [[독립 항등 분포]](Independent and Identically Distributed, IID) 가정하에, 제1종 극치 분포인 [[검벨 분포]](Gumbel Distribution)를 따른다고 전제할 때 유도된다. 가장 널리 쓰이는 [[다항 로짓 모형]](Multinomial Logit Model, MNL)에서 수단 $ i $를 선택할 확률은 다음과 같은 수식으로 표현된다. $$ P_{in} = \frac{\exp(V_{in})}{\sum_{j \in C_n} \exp(V_{jn})} $$ 여기서 $ C_n $은 통행자 $ n $이 선택 가능한 수단들의 집합을 의미한다. 로짓 모형은 수식이 간결하고 파라미터 추정이 용이하다는 장점이 있으나, [[대안의 독립성]](Independence of Irrelevant Alternatives, IIA)이라는 강력한 가정을 전제로 한다. IIA 특성은 특정 대안 쌍의 선택 확률 비율이 다른 대안의 존재 여부나 특성에 영향을 받지 않음을 의미하며, 이는 현실에서 유사한 특성을 가진 수단들이 존재할 때 선택 확률을 왜곡하는 [[레드 버스-블루 버스 문제]](Red Bus-Blue Bus Problem)를 야기할 수 있다. |
| | |
| | [[프로빗 모형]](Probit Model)은 이러한 로짓 모형의 한계를 극복하기 위해 오차항이 [[다변량 정규 분포]](Multivariate Normal Distribution)를 따른다고 가정한다. 프로빗 모형은 대안 간 오차항의 상관관계를 허용함으로써 IIA 가정의 제약에서 자유롭고, 수단 간의 유사성을 보다 유연하게 반영할 수 있다는 강점이 있다((Comparison of Logit and Probit Models for Predicting Commuters’ Mode Choice, https://www.mdpi.com/2071-1050/13/12/6743 |
| | )). 그러나 선택 확률을 계산하기 위해 다차원 적분을 수행해야 하므로 계산 복잡도가 매우 높으며, 과거에는 연산 능력의 한계로 인해 실무 적용에 제약이 많았다. 현대에는 [[몬테카를로 시뮬레이션]](Monte Carlo Simulation) 기법의 발달로 이러한 수치 해석적 난관이 상당 부분 해소되어, 보다 정교한 [[통행 수요]] 분석이 필요한 영역에서 활용도가 높아지고 있다. |
| | |
| | 결론적으로 로짓 모형과 프로빗 모형은 모두 [[효용 극대화]] 원리에 기반하고 있으나, 오차항에 대한 통계적 가정에 따라 분석의 용이성과 현실 반영도 측면에서 차이를 보인다. 교통 계획가는 분석 대상이 되는 수단들의 대안적 특성과 데이터의 가용성, 그리고 요구되는 예측 정밀도를 종합적으로 고려하여 적합한 모형을 선택해야 한다. |
| |
| ==== 노선 배정 ==== | ==== 노선 배정 ==== |
| |
| 선택된 수단이 실제 도로망이나 철도망 상의 특정 경로에 배정되는 원리를 설명한다. | 노선 배정(Traffic Assignment)은 [[통행 수요]] 예측의 4단계 모델 중 마지막 단계로, [[수단 선택]] 과정을 거쳐 특정 교통수단을 이용하기로 결정된 기종점 간 통행량을 실제 도로망이나 철도망 상의 구체적인 경로에 할당하는 과정이다. 이 단계의 핵심은 개별 통행자가 출발지에서 목적지까지 이동할 때 어떠한 기준과 심리적 기제를 바탕으로 특정 노선을 선택하는지 모형화하는 데 있다. 교통망은 수학적으로 [[노드]](node)와 [[링크]](link)로 구성된 [[그래프 이론]]의 형태로 표현되며, 각 링크는 통행량의 증가에 따라 통행 시간이 지연되는 물리적 특성을 지닌다. 따라서 노선 배정은 단순한 경로 탐색을 넘어, 교통량과 통행 시간 사이의 상호작용을 고려한 [[네트워크]] 평형 상태를 도출하는 과정이라 할 수 있다. |
| | |
| | 노선 배정의 논리적 근거는 영국의 경제학자 [[워드롭]](John Glen Wardrop)이 제시한 두 가지 원리에 기반한다. 제1원리인 [[이용자 균형]](User Equilibrium, UE)은 모든 이용자가 자신의 통행 시간을 최소화하기 위해 경로를 선택한다는 가정에서 출발한다. 이 상태에서는 동일한 기종점 쌍을 연결하는 경로 중 이용자가 선택한 모든 경로의 통행 시간이 동일하며, 선택되지 않은 경로의 통행 시간은 선택된 경로의 통행 시간보다 크거나 같다. 즉, 개별 이용자가 단독으로 경로를 변경하더라도 자신의 통행 시간을 더 이상 줄일 수 없는 [[내시 평형]](Nash Equilibrium) 상태에 도달한 것이다. 수식으로 표현하면, 특정 기종점 쌍 사이의 경로 $ p $를 이용하는 통행량을 $ f_p $, 해당 경로의 통행 시간을 $ C_p $라 할 때, 이용자 균형 조건은 다음과 같이 정의된다. |
| | |
| | $$ f_p > 0 \implies C_p = C_{min} $$ $$ f_p = 0 \implies C_p \ge C_{min} $$ |
| | |
| | 반면 제2원리인 [[시스템 최적화]](System Optimum, SO)는 네트워크 전체의 총 통행 시간을 최소화하는 관점에서 통행량을 배정한다. 이는 개별 이용자의 이기적 선택보다는 사회적 효율성을 극대화하는 상태를 의미하며, [[한계 비용]](marginal cost) 개념을 도입하여 분석한다. 시스템 최적화 상태에서는 특정 링크를 이용함으로써 발생하는 본인의 통행 시간뿐만 아니라, 해당 링크를 이용함으로써 다른 이용자들에게 가하는 지연인 [[한계 외부 비용]]까지 고려하게 된다. 일반적으로 이용자 균형 상태에서의 총 통행 시간은 시스템 최적화 상태보다 길게 나타나는데, 이러한 사회적 손실의 정도를 [[공유지의 비극]] 또는 [[브래스 역설]](Braess’s Paradox)과 관련지어 설명하기도 한다. |
| | |
| | 노선 배정 모델에서 교통량과 통행 시간의 관계를 규정하는 [[비용 함수]](link performance function)로는 미국 [[도로국]](Bureau of Public Roads, BPR)에서 제안한 BPR 함수가 널리 사용된다. 이 함수는 링크의 교통량이 증가함에 따라 지연 시간이 비선형적으로 증가하는 현상을 반영하며, 다음과 같은 일반식을 갖는다. |
| | |
| | $$ t = t_0 \left[ 1 + \alpha \left( \frac{v}{c} \right)^\beta \right] $$ |
| | |
| | 여기서 $ t $는 통행 시간, $ t_0 $는 자유 흐름 상태의 통행 시간, $ v $는 교통량, $ c $는 도로 용량을 의미하며, $ $와 $ $는 도로의 특성에 따라 결정되는 파라미터이다. 이러한 함수를 통해 교통 혼잡에 따른 시간 가치의 변화를 정량적으로 분석할 수 있다. 노선 배정의 주요 방식은 네트워크의 용량 제약 유무와 평형 도달 여부에 따라 아래 표와 같이 구분할 수 있다. |
| | |
| | ^ 구분 ^ 주요 특징 ^ 적용 가정 ^ |
| | | [[전량 배정]](All-or-Nothing) | 최단 경로에 모든 통행량을 배정 | 도로 용량 및 혼잡 무시 | |
| | | [[반복 배정]](Iterative Assignment) | 배정된 교통량에 따라 통행 시간을 갱신하며 반복 | 혼잡에 따른 경로 변경 반영 | |
| | | [[용량 제약 배정]](Capacity Restraint) | 링크 용량을 초과하지 않도록 점진적 배정 | 현실적인 도로 용량 한계 고려 | |
| | | [[평형 배정]](Equilibrium Assignment) | 워드롭의 원리에 따라 수렴 조건을 만족할 때까지 계산 | 수리적 최적화 기법 활용 | |
| | |
| | 실제 [[도시 계획]] 및 교통 영향 평가에서는 이러한 정적 노선 배정 모형의 한계를 극복하기 위해 시간대별 통행 변화를 반영하는 [[동적 교통 배정]](Dynamic Traffic Assignment, DTA) 기법이 도입되고 있다. 이는 통행자의 경로 선택이 실시간 교통 정보에 반응하여 변화하는 양상을 모사하며, [[지능형 교통 체계]](Intelligent Transport Systems, ITS)의 효과를 분석하는 데 필수적인 도구로 활용된다. 결과적으로 노선 배정은 도로 공급의 적정성을 판단하고, 신규 도로 건설이나 교통 운영 체계 개선이 전체 네트워크의 흐름에 미치는 영향을 과학적으로 예측하는 데 결정적인 역할을 수행한다. |
| |
| === 이용자 균형 원리 === | === 이용자 균형 원리 === |
| |
| 모든 이용자가 자신의 통행 시간을 최소화하려 할 때 도달하는 평형 상태를 정의한다. | 이용자 균형 원리(User Equilibrium Principle)는 [[노선 배정]] 단계에서 개별 통행자의 경로 선택 행태를 설명하는 핵심적인 이론적 토대이다. 이 원리는 1952년 [[워드롭]](John Glen Wardrop)에 의해 정립되었으며, 흔히 ’워드롭의 제1원리’라고도 불린다.((Wardrop, J. G. (1952). Some theoretical aspects of road traffic research. Proceedings of the Institution of Civil Engineers, Part II, 1(2), 325-378. https://www.icevirtuallibrary.com/doi/10.1680/ipeds.1952.11259 |
| | )) 이용자 균형의 핵심 가정은 네트워크를 이용하는 모든 통행자가 합리적인 경제 주체로서, 자신에게 제공된 완벽한 정보를 바탕으로 자신의 [[통행 시간]]이나 [[통행 비용]]을 최소화하는 경로를 선택한다는 점이다. 이러한 개별 이용자들의 최적화 행동이 중첩되어 더 이상 어떠한 이용자도 현재의 경로를 변경함으로써 자신의 통행 시간을 단축할 수 없는 상태에 도달했을 때를 이용자 균형 상태라고 정의한다. |
| | |
| | 이용자 균형 상태에서는 특정 기종점 쌍(Origin-Destination pair) 사이에서 이용되는 모든 경로의 통행 시간은 동일하며, 이용되지 않는 경로의 통행 시간은 이용되는 경로의 통행 시간보다 크거나 같다. 이를 수리적으로 표현하기 위해 특정 기종점 쌍 $ rs $ 사이의 경로 집합을 $ K_{rs} $, 경로 $ k K_{rs} $의 통행 시간을 $ c_k $, 경로 유량을 $ f_k $라고 하자. 이때 평형 상태의 통행 시간 $ t_{rs}^* $에 대하여 다음과 같은 조건이 성립한다. $$ f_k > 0 \implies c_k = t_{rs}^* $$ $$ f_k = 0 \implies c_k \ge t_{rs}^* $$ 이 조건은 개별 이용자가 자신의 이익을 극대화하려는 이기적 선택의 결과가 전체 네트워크의 흐름 패턴을 결정짓는다는 것을 의미한다. 즉, 이용자 균형은 개별 이용자 관점에서의 [[최적화]] 상태이며, 이는 사회 전체의 총 통행 시간을 최소화하는 [[시스템 최적]](System Optimum) 상태와는 일반적으로 일치하지 않는다. |
| | |
| | 이용자 균형 상태를 수학적으로 도출하기 위한 노력은 1956년 [[벡만]](Martin Beckmann) 등에 의해 최적화 문제로 정식화되었다.((Beckmann, M., McGuire, C. B., & Winsten, C. B. (1956). Studies in the Economics of Transportation. Yale University Press. https://rand.org/pubs/research_memoranda/RM1488.html |
| | )) 벡만 모델은 링크 $ a $의 유량을 $ x_a $, 해당 링크의 통행 시간 함수를 $ t_a(x) $라고 할 때, 다음과 같은 목적 함수를 최소화하는 문제로 정의된다. $$ \min Z(x) = \sum_{a} \int_{0}^{x_a} t_a(\omega) d\omega $$ 이때 제약 조건으로는 각 기종점 간의 수요를 경로 유량의 합으로 만족시켜야 한다는 유량 보존 법칙과 유량의 비음수 조건이 적용된다. 주목할 점은 목적 함수가 개별 링크 통행 시간의 단순 합이 아니라, 통행 시간 함수의 적분 값을 합산한 형태라는 것이다. 이 수리적 구조는 [[카루슈-쿤-터커 조건]](Karush-Kuhn-Tucker conditions)을 통해 워드롭의 이용자 균형 조건과 일치함이 증명되었다. |
| | |
| | 이용자 균형 원리는 현실의 교통 상황을 분석하고 장래의 교통량을 예측하는 데 있어 강력한 도구가 되지만, 몇 가지 이론적 함의와 한계를 지닌다. 대표적인 현상으로 [[브라에스의 역설]](Braess’s Paradox)이 있다. 이는 개별 이용자가 자신의 통행 시간을 줄이기 위해 새로운 도로를 건설하거나 용량을 확장했음에도 불구하고, 이용자 균형 상태에서의 전체 혼잡도가 오히려 악화될 수 있음을 보여준다. 또한, 이 원리는 모든 이용자가 교통 상황에 대한 완벽한 정보를 가지고 있으며 통행 시간만을 기준으로 경로를 선택한다는 가정을 전제로 한다. 그러나 실제 통행자는 정보의 불확실성이나 개인적 선호에 따라 최단 시간이 아닌 경로를 선택할 수 있으며, 이를 보완하기 위해 확률적 개념을 도입한 [[확률적 이용자 균형]](Stochastic User Equilibrium, SUE) 모형 등이 제안되기도 하였다. |
| |
| === 시스템 최적화 원리 === | === 시스템 최적화 원리 === |
| |
| 네트워크 전체의 총 통행 시간을 최소화하는 관점에서의 배정 방식을 다룬다. | 시스템 최적화(System Optimum, SO) 원리는 [[교통망]] 내의 모든 이용자가 개별적인 이익을 극대화하는 대신, 네트워크 전체의 총 통행 시간이나 총 비용을 최소화하도록 통행량을 배정하는 방식이다. 이는 [[존 글렌 와드롭]](John Glen Wardrop)이 1952년에 제시한 두 가지 원리 중 제2원리에 기초한다. [[이용자 균형]](User Equilibrium) 원리가 개별 이용자가 자신의 통행 시간을 최소화하려는 이기적 선택의 결과로 나타나는 평형 상태를 다룬다면, 시스템 최적화 원리는 사회적 관점에서 가장 효율적인 자원 배분 상태를 정의한다. 따라서 시스템 최적화는 [[교통 계획]] 및 정책 수립 시 네트워크 운영의 효율성을 측정하는 이상적인 기준점으로 활용된다. |
| | |
| | 시스템 최적화 상태를 수리적으로 정의하기 위해, 도로망의 각 링크 $ a $에서의 통행량을 $ x_a $, 해당 링크의 통행 시간 함수를 $ t_a(x_a) $라고 할 때, 네트워크 전체의 총 통행 시간 $ Z $를 최소화하는 목적 함수는 다음과 같이 설정된다. |
| | |
| | $$ Z = \min \sum_{a} x_a \cdot t_a(x_a) $$ |
| | |
| | 이때 모든 기종점(Origin-Destination) 쌍에 대한 통행 수요가 충족되어야 하며, 각 링크의 통행량은 음수가 될 수 없다는 제약 조건이 부과된다. 이 최적화 문제를 해결하기 위한 [[라그랑주 승수법]]을 적용하면, 시스템 최적화 상태에서는 선택된 모든 경로의 한계 통행 시간(Marginal Travel Time)이 동일하며, 선택되지 않은 경로의 한계 통행 시간은 이보다 크거나 같아야 한다는 조건이 도출된다. 여기서 특정 링크 $ a $의 한계 통행 시간 $ t’_a(x_a) $는 다음과 같이 정의된다. |
| | |
| | $$ t'_a(x_a) = \frac{d}{dx_a} [x_a \cdot t_a(x_a)] = t_a(x_a) + x_a \cdot \frac{dt_a(x_a)}{dx_a} $$ |
| | |
| | 위 식에서 $ t_a(x_a) $는 추가되는 이용자 자신이 경험하는 평균 통행 시간이며, $ x_a $는 해당 이용자의 진입으로 인해 기존에 도로를 주행하던 다른 이용자들이 추가로 겪게 되는 지체의 합을 의미한다. 이를 [[외부 불경제]](External Diseconomy) 또는 혼잡 외부 효과라고 하며, 시스템 최적화 원리는 이러한 외부 비용을 의사결정 과정에 내부화하여 전체 최적을 달성한다. |
| | |
| | 이용자 균형과 시스템 최적화 사이에는 필연적인 괴리가 발생한다. 개별 이용자는 타인에게 미치는 지체 영향을 고려하지 않고 오직 자신의 통행 시간만을 고려하여 경로를 선택하기 때문에, 일반적으로 이용자 균형 상태에서의 총 통행 시간은 시스템 최적화 상태보다 길게 나타난다. 이러한 두 상태 사이의 효율성 차이를 [[무질서의 대가]](Price of Anarchy)라고 정의하며, 이는 교통 혼잡으로 인한 사회적 비용의 크기를 가늠하는 지표가 된다. 특히 특정 링크의 용량을 추가했을 때 오히려 전체 네트워크의 혼잡이 악화되는 [[브래스 역설]](Braess’ Paradox)은 이용자 균형과 시스템 최적화의 불일치를 보여주는 대표적인 사례이다. |
| | |
| | 현실의 교통 시스템에서 이용자들이 자발적으로 시스템 최적화 상태를 유지하도록 유도하는 것은 매우 어렵다. 따라서 교통 공학자들은 시스템 최적화를 실현하기 위한 정책적 수단으로 [[혼잡 통행료]](Congestion Pricing)를 제안한다. 각 링크를 이용할 때 발생하는 한계 외부 비용만큼을 통행료로 부과하면, 이용자가 체감하는 비용이 시스템 최적화의 한계 통행 시간과 일치하게 되어 개별적인 선택이 곧 사회적 최적으로 귀결되도록 유도할 수 있다. 이는 [[피구세]](Pigouvian Tax)의 원리를 교통 네트워크에 적용한 것으로, 한정된 도로 자원을 효율적으로 배분하기 위한 핵심적인 이론적 토대가 된다. |
| |
| ===== 현대적 수요 분석 기법과 발전 방향 ===== | ===== 현대적 수요 분석 기법과 발전 방향 ===== |
| ==== 활동 기반 모형 ==== | ==== 활동 기반 모형 ==== |
| |
| 개인의 하루 일과와 활동 스케줄을 중심으로 통행 수요를 통합적으로 분석하는 접근법을 설명한다. | 활동 기반 모형(Activity-Based Model, ABM)은 통행을 개별적인 단위로 분리하여 분석하던 전통적인 [[4단계 수요 예측 모형]]의 한계를 극복하고, 인간의 삶을 구성하는 활동의 연속체로서 통행을 파악하려는 미시적 접근법이다. 이 모형의 핵심적 가치는 통행 그 자체가 목적이 아니라 특정 장소에서 수행하려는 활동에 참여하기 위한 [[파생 수요]](derived demand)라는 점을 분석의 전면에 내세우는 데 있다((Activity-based disaggregate travel demand model system with activity schedules, https://www.sciencedirect.com/science/article/abs/pii/S0965856499000439 |
| | )). 기존의 통행 기반 접근법이 ’어디에서 어디로 가는가’라는 물리적 이동의 결과에 집중했다면, 활동 기반 모형은 ’왜, 언제, 누구와, 어떤 활동을 수행하는가’를 먼저 규명하고 그 결과로서 발생하는 통행의 연쇄를 예측한다. |
| | |
| | 이론적 토대는 [[토르스텐 헤게르스트란드]](Torsten Hägerstrand)가 제안한 [[시간지리학]](Time Geography)에 두고 있다. 개인은 하루 24시간이라는 한정된 시간 자원 속에서 물리적, 사회적, 제도적 제약을 받으며 활동을 배열한다. 이러한 [[시공간 제약]](space-time constraints) 내에서 개인이 선택하는 활동의 종류, 순서, 지속 시간, 그리고 장소의 조합이 하나의 ’활동 스케줄’을 형성하며, 통행은 이 스케줄상의 활동들을 연결하는 수단으로 기능한다((An Activity-Based Model of Transport Demand for Greater Melbourne, https://arxiv.org/html/2111.10061v2 |
| | )). 따라서 활동 기반 모형은 개별 통행을 독립된 사건으로 보지 않고, 하루 전체의 활동 일과(activity diary)라는 틀 안에서 상호 의존적인 의사결정의 결과물로 간주한다. |
| | |
| | 분석의 단위 또한 집계된 구역인 [[교통 분석 존]](Traffic Analysis Zone, TAZ)이 아닌 개별 행위자(individual agent)를 기반으로 한다. 이를 위해 [[미시 시뮬레이션]](Microsimulation) 기법을 활용하여 가상 도시 내 개별 구성원의 하루 일과를 정밀하게 모사한다. 특히 가구 구성원 간의 상호작용을 명시적으로 고려할 수 있다는 점이 큰 특징이다. 예를 들어, 자녀의 등교를 돕기 위한 부모의 우회 통행(trip chaining)이나 가구 내 차량 공유 결정 등은 전통적 모형에서는 다루기 어려웠으나, 활동 기반 모형에서는 가구 단위의 제약 조건을 통해 논리적으로 설명이 가능하다. |
| | |
| | 방법론적으로 활동 기반 모형은 [[이산 선택 모형]](Discrete Choice Model)을 확장하여 활동 유형, 장소, 수단, 경로를 통합적으로 결정하는 구조를 가진다. 통행자는 각 활동 스케줄이 제공하는 전체 [[효용]](utility)을 극대화하는 방향으로 의사결정을 내린다고 가정한다((Activity-based disaggregate travel demand model system with activity schedules, https://www.sciencedirect.com/science/article/abs/pii/S0965856499000439 |
| | )). 이러한 구조는 [[교통 수요 관리]](Travel Demand Management, TDM) 정책에 대해 매우 높은 민감도를 제공한다. 예를 들어, 특정 시간대의 혼잡 통행료 부과가 단순히 해당 경로의 통행량을 줄이는 것을 넘어, 통행자가 활동 시간을 변경하거나 재택근무로 전환하는 등의 복합적인 행태 변화를 예측할 수 있게 한다. |
| | |
| | 현대 도시의 복잡한 통행 패턴을 분석하는 데 있어 활동 기반 모형은 필수적인 도구로 자리 잡고 있다. [[재택근무]]의 확산, 유연 근무제 도입, [[전자상거래]] 활성화와 같은 사회적 변화가 전체 교통 체계에 미치는 영향을 정밀하게 분석할 수 있기 때문이다. 또한, [[자율주행 자동차]]나 [[공유 경제]] 기반의 새로운 모빌리티 서비스가 도입될 때, 이것이 개인의 활동 시간 배분과 도시 공간 구조에 미치는 장기적인 영향을 평가하는 데에도 강력한 분석 틀을 제공한다. 결과적으로 활동 기반 모형은 [[교통 계획]]이 단순히 물리적 시설 공급을 넘어 인간의 활동 체계를 지원하고 삶의 질을 개선하는 종합적인 정책 수단으로 진화하는 데 기여하고 있다. |
| |
| ==== 빅데이터 기반 수요 추정 ==== | ==== 빅데이터 기반 수요 추정 ==== |
| |
| 통신 데이터, 교통카드 기록, 내비게이션 정보 등을 활용한 실시간 및 정밀 수요 분석 기법을 다룬다. | 전통적인 [[통행 수요]] 추정은 주로 [[가구 통행 실태 조사]](Household Travel Survey)와 같은 표본 설문에 의존해 왔다. 그러나 이러한 방식은 막대한 예산과 인력이 소요될 뿐만 아니라, 조사 주기가 길어 급변하는 도시 교통 상황을 적시에 반영하지 못한다는 한계가 있다. 이에 따라 [[빅데이터]](Big Data)를 활용하여 실시간에 가까운 정밀한 수요를 추정하려는 시도가 현대 [[교통 공학]]의 핵심 과제로 부상하였다. 빅데이터 기반 수요 추정은 통신 기기, 교통카드, [[위성 항법 시스템]](Global Positioning System, GPS) 등에서 발생하는 방대한 디지털 흔적을 분석하여 통행자의 이동 패턴을 미시적으로 재구성하는 데 주력한다. |
| | |
| | [[통신 데이터]](Mobile Phone Data)는 기지국 접속 기록이나 통화 상세 기록(Call Detail Record, CDR)을 바탕으로 광역적인 유동인구와 [[기종점 통행량]](Origin-Destination, OD)을 파악하는 데 유용하다. 개인이 소지한 모바일 기기가 기지국 간을 이동하며 남기는 신호는 특정 지역의 유입 및 유출 인구뿐만 아니라, 통행자의 상주지 및 근무지 정보를 추정할 수 있는 근거가 된다. 이를 통해 전통적 조사에서 누락되기 쉬운 단거리 통행이나 비정기적 통행까지 포괄하는 전수성에 가까운 데이터를 확보할 수 있다. 다만, 기지국 커버리지의 범위에 따른 위치 오차를 보정하고, 통신사 가입자 수를 전체 인구로 환산하는 전수화(Expansion) 과정에서 고도의 통계적 기법이 요구된다. |
| | |
| | [[교통카드]] 데이터(Smart Card Data)는 대중교통 이용자의 행태를 분석하는 데 있어 가장 정밀한 정보를 제공한다. 이용자의 승하차 지점과 시간, 환승 횟수 및 경로 등의 정보는 대중교통 네트워크상의 수요 분포를 명확히 보여준다. 특히 지하철과 버스 간의 [[환승]] 체계 분석을 통해 특정 노선의 혼잡도를 예측하거나 노선 개편의 효과를 사전에 시뮬레이션할 수 있다. 교통카드 데이터는 개별 통행의 연속성을 보장하므로, 통행자가 하루 동안 수행하는 [[활동 사슬]](Activity Chain)을 분석하여 활동 기반 수요 모형을 고도화하는 데 기여한다.((통신빅데이터를 활용한 지하철 OD 통행량추정 방법론 구축 연구, https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE10512934 |
| | )) |
| | |
| | [[내비게이션]] 정보와 GPS 기반의 주행 궤적(Trajectory) 데이터는 차량의 경로 선택 행태를 분석하는 데 핵심적인 역할을 한다. 과거의 수요 예측이 단순히 최단 경로 가정을 따랐다면, 실제 주행 데이터를 활용하면 도로별 소통 상태, 운전자의 선호도, 기상 조건 등에 따른 동적 경로 변경을 모형에 반영할 수 있다. 이러한 데이터는 [[기계 학습]](Machine Learning) 알고리즘과 결합하여 단기 교통량 예측뿐만 아니라, 사고나 공사 등 돌발 상황 발생 시의 수요 우회 패턴을 분석하는 데에도 활용된다. |
| | |
| | 최근에는 서로 다른 성격의 데이터를 결합하는 [[데이터 융합]](Data Fusion) 기술이 강조되고 있다. 통신 데이터의 광역성과 교통카드 데이터의 정밀성, 그리고 실태 조사의 사회경제적 속성을 통합함으로써 분석의 신뢰도를 높이는 방식이다.((빅데이터와 통행실태조사 자료를 결합한 여객OD 추정, https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE11611638 |
| | )) 예를 들어, 통신 데이터로 전체 통행량을 파악하고 이를 교통카드 데이터로 검증 및 보정하는 과정을 거쳐 보다 정확한 OD 행렬을 산출할 수 있다. |
| | |
| | $$ T_{ij} = \sum_{k} W_{k} \cdot f(D_{ijk}) $$ |
| | |
| | 위 식은 데이터 융합을 통한 통행량 추정의 일반적인 원리를 도식화한 것이다. 여기서 $ T_{ij} $는 존(Zone) $ i $에서 $ j $로의 추정 통행량이며, $ W_{k} $는 각 데이터 소스 $ k $에 부여된 가중치, $ f(D_{ijk}) $는 해당 데이터로부터 추출된 통행 특성 함수를 의미한다. 이러한 수치적 접근은 [[인공지능]] 기술의 발달과 함께 비선형적 관계를 학습하는 방향으로 진화하고 있다. |
| | |
| | 하지만 빅데이터 기반 수요 추정에는 여전히 해결해야 할 과제가 남아 있다. 가장 대표적인 문제는 [[개인정보 보호]]와 관련된 윤리적·법적 제약이다. 비식별화 처리를 거친 데이터라 할지라도 개별 통행 궤적을 통해 개인의 동선이 노출될 위험이 있어, 데이터 활용의 투명성과 안전성 확보가 필수적이다. 또한, 데이터의 생성 주체인 민간 기업과 공공 기관 간의 협력 체계 구축 및 표준화된 데이터 처리 공정의 정립이 향후 기술 확산의 관건이 될 것이다. |
| |
| ==== 동적 교통 배정 모형 ==== | ==== 동적 교통 배정 모형 ==== |
| |
| 시간의 흐름에 따른 교통 상태의 변화를 반영하여 보다 현실적인 수요 흐름을 모사하는 기법을 기술한다. | 전통적인 [[노선 배정]] 기법인 [[정적 교통 배정]](Static Traffic Assignment, STA)은 분석 대상 시간 동안 교통 수요와 공급의 상태가 변하지 않는다는 정상 상태(steady-state)를 가정한다. 그러나 현실의 교통 흐름은 출퇴근 시간대의 집중 현상에서 볼 수 있듯이 시간에 따라 급격히 변화하며, 특정 지점의 혼잡이 상류(upstream)로 전파되거나 대기행렬이 형성 및 해소되는 동적인 특성을 지닌다. 이러한 시공간적 변동성을 명시적으로 고려하여 보다 현실적인 수요 흐름을 모사하기 위해 고안된 체계가 [[동적 교통 배정]](Dynamic Traffic Assignment, DTA) 모형이다. |
| | |
| | 동적 교통 배정 모형은 크게 두 가지 핵심 구성 요소인 [[동적 경로 선택]](Dynamic Route Choice)과 [[동적 네트워크 로딩]](Dynamic Network Loading, DNL)의 상호작용으로 이루어진다. 동적 경로 선택은 통행자가 출발 시점이나 경로상에서 실시간으로 제공되는 정보를 바탕으로 자신의 통행 비용을 최소화하는 경로를 결정하는 과정을 다룬다. 반면, 동적 네트워크 로딩은 선택된 경로를 따라 차량이 이동할 때 네트워크상의 각 링크에서 발생하는 물리적인 교통량의 흐름, 속도, 밀도의 변화를 계산하는 과정이다. 이 과정에서 차량의 추월 금지나 [[선입선출]](First-In-First-Out, FIFO) 원칙과 같은 물리적 제약 조건이 엄격히 준수되어야 모형의 현실성이 보장된다. |
| | |
| | 동적 교통 배정에서의 평형 상태는 [[워드롭]](John Glen Wardrop)의 [[이용자 평형]] 원리를 시간 축으로 확장하여 정의한다. 이를 [[동적 이용자 평형]](Dynamic User Equilibrium, DUE)이라 하며, 특정 시점에 동일한 기종점 사이를 이동하는 모든 통행자가 실제로 선택한 경로의 통행 시간이 선택되지 않은 다른 경로의 통행 시간보다 작거나 같을 때 도달한다. DUE는 통행자가 경로를 결정할 때 참조하는 정보의 성격에 따라 두 가지로 구분된다. [[순간적 평형]](Instantaneous UE)은 통행자가 경로를 선택하는 시점에 네트워크에서 관측되는 현재의 교통 상태 정보를 기준으로 의사결정을 내린다고 가정한다. 이와 달리 [[이상적 평형]](Ideal/Predictive UE)은 통행자가 자신이 네트워크를 이동하는 동안 겪게 될 미래의 교통 상태 변화를 정확히 예견하여 경로를 선택한다는 가정을 전제로 한다. |
| | |
| | 수학적으로 동적 교통 배정 문제는 [[변분 부등식]](Variational Inequality, VI), [[최적 제어 이론]](Optimal Control Theory), 혹은 [[동적 프로그래밍]](Dynamic Programming) 등을 통해 정형화된다. 예를 들어, 시간 $ t $에 기점 $ r $에서 종점 $ s $로 향하는 경로 $ p $의 교통량을 $ f_p(t) $, 해당 경로의 실제 통행 시간을 $ %%//%%p(t) $, 그리고 최소 통행 시간을 $ %%//%%{rs}(t) $라고 할 때, 동적 이용자 평형 조건은 다음과 같이 표현될 수 있다. |
| | |
| | $$ f_p(t) > 0 \implies \tau_p(t) = \pi_{rs}(t) $$ $$ f_p(t) = 0 \implies \tau_p(t) \ge \pi_{rs}(t) $$ |
| | |
| | 위 식은 모든 이용자가 자신의 통행 시간을 최소화하려 노력한 결과, 동일 시점의 어떠한 이용자도 경로 변경을 통해 자신의 통행 시간을 단축할 수 없는 상태에 도달했음을 의미한다. |
| | |
| | 동적 교통 배정 모형은 [[지능형 교통 체계]](Intelligent Transport Systems, ITS)의 핵심적인 분석 도구로 활용된다. 특히 [[첨단 교통 관리 시스템]](Advanced Traffic Management Systems, ATMS)에서 도로 폐쇄나 사고 발생 시 우회 경로를 안내하거나, [[첨단 교통 정보 시스템]](Advanced Traveler Information Systems, ATIS)을 통해 개별 운전자에게 최적 경로 정보를 제공할 때 그 효용이 극대화된다. 또한 [[혼잡 통행료]] 징수나 [[가변 전광판]](Variable Message Sign, VMS) 운영과 같은 [[통행 수요 관리]] 정책의 효과를 시간대별로 정밀하게 평가할 수 있게 함으로써, 현대 도시 교통 문제의 복합적인 양상을 분석하는 데 필수적인 역할을 수행한다. [[병목 현상]]의 전파 과정을 추적하거나 충격파 이론을 결합하여 교통류의 연속성을 확보하는 등, DTA는 정적 모형이 포착하지 못하는 미시적·거시적 교통 현상을 통합적으로 설명하는 기반이 된다. |
| |
| ===== 통행 수요 관리와 정책적 응용 ===== | ===== 통행 수요 관리와 정책적 응용 ===== |
| ==== 교통 수요 관리 전략 ==== | ==== 교통 수요 관리 전략 ==== |
| |
| 혼잡 통행료, 주차 관리, 카풀 장려 등 수요를 억제하거나 분산시키는 기법을 다룬다. | 통행 수요 관리(Travel Demand Management, TDM) 전략은 도로 건설이나 도로 용량 확대와 같은 공급 위주의 정책이 직면한 물리적, 경제적, 환경적 한계를 극복하기 위해 등장한 정책적 접근이다. 전통적인 [[교통 계획]]이 장래 수요를 예측하고 이에 맞춰 시설을 확충하는 ‘예측 및 공급(Predict and Provide)’ 원리에 충실했다면, 통행 수요 관리는 기존 교통 시설의 이용 효율을 극대화하기 위해 통행자의 행태 변화를 유도하는 데 중점을 둔다. 이는 [[교통 혼잡]]으로 발생하는 사회적 비용을 줄이고, [[지속 가능한 교통]] 체계를 구축하는 것을 최종 목적으로 한다. |
| | |
| | 경제적 관점에서 통행 수요 관리의 핵심 기제는 [[외부 효과]](Externality)의 내부화이다. 개별 운전자가 도로를 이용할 때 고려하는 비용은 자신의 유류비나 시간 가치와 같은 [[평균 비용]](Average Cost, AC)에 국한되지만, 실제로는 다른 차량의 주행을 방해하여 발생하는 지체 시간 등 [[한계 사회 비용]](Marginal Social Cost, MSC)을 발생시킨다. [[혼잡 통행료]](Congestion Pricing)는 이러한 비용 차이를 이용자에게 부과하는 [[피구세]](Pigouvian Tax)적 성격을 지닌다. 혼잡 통행료의 적정 수준 $ T $는 특정 교통량 구간에서 다음과 같이 정의할 수 있다. |
| | |
| | $$ T = MSC - AC $$ |
| | |
| | 이러한 가격 기제는 불필요한 승용차 통행을 억제하고, 통행 시간대를 분산시키거나 [[대중교통]]으로의 수단 전환을 유도함으로써 사회 전체의 [[파레토 최적]]에 가까운 상태를 지향한다.((김성수, 박찬운. (2015). 외부비용을 반영한 도시내 도로의 혼잡통행료 추정: 서울시를 대상으로. 대한교통학회지. http://koreascience.or.kr/article/JAKO201506959397266.page?lang=ko |
| | )) 실제로 서울시의 남산터널 혼잡 통행료 징수나 런던, 싱가포르의 도심 진입 억제 정책은 교통량 감소와 통행 속도 향상이라는 실증적 효과를 거둔 바 있다.((한국교통연구원. (2007). 혼잡통행료제의 성공적인 도입을 위한 정책수용성 증대방안. https://www.koti.re.kr/user/bbs/anytmRsrchReprtView.do?bbs_no=784 |
| | )) |
| | |
| | 물리적 및 관리적 측면에서의 대표적인 전략은 [[주차 관리]](Parking Management)이다. 주차 공간의 공급은 승용차 이용의 결정적인 유인 요소가 되므로, 이를 규제함으로써 통행 수요를 근본적으로 제어할 수 있다. 주차 요금의 인상, [[주차 상한제]](Parking Caps), 목적지별 주차 허가제 등은 통행자가 승용차 대신 다른 수단을 선택하게 만드는 강력한 기제로 작용한다. 특히 도심 내 대규모 시설물에 대해 주차장 설치를 제한하는 정책은 [[토지 이용]] 효율성을 높이는 동시에 승용차 유입을 원천적으로 차단하는 효과를 가진다. |
| | |
| | 사회적 행태 변화를 유도하는 전략으로는 [[카풀]](Carpooling) 및 [[승용차 함께 타기]](Vanpooling) 장려, 그리고 [[시차 출퇴근제]](Flexible Work Hours)가 있다. 카풀은 차량 한 대당 재하 인원을 늘려 도로 점유율을 낮추는 방식이며, 이를 지원하기 위해 [[다인승 차량 전용 차로]](High-Occupancy Vehicle lane, HOV lane) 운영과 같은 우선권 부여 정책이 병행된다. 시차 출퇴근제와 [[재택근무]]는 첨두 시간대(Peak hour)에 집중되는 통행 수요를 시간적으로 분산시켜 도로망의 과부하를 완화한다. 이는 교통 시설의 신규 건설 없이도 기존 설비의 서비스 수준을 개선할 수 있는 저비용·고효율 전략으로 평가받는다. |
| | |
| | 최근의 통행 수요 관리는 [[지능형 교통 체계]](Intelligent Transport Systems, ITS)와 결합하여 더욱 정교해지고 있다. 실시간 교통 정보 제공을 통해 이용자가 스스로 혼잡 구간을 회피하게 하거나, 동적 요금제를 적용하여 수요와 공급의 균형을 실시간으로 맞추는 방식이 도입되고 있다. 이러한 전략들은 개별 경제 주체의 [[이동성]] 보장과 공동체의 환경적 가치 사이의 균형을 도모하며, 도시의 효율성을 높이는 핵심적인 정책 도구로 자리 잡고 있다. |
| |
| ==== 대중교통 중심 개발 ==== | ==== 대중교통 중심 개발 ==== |
| |
| 대중교통 접근성을 극대화하여 자동차 통행 수요를 근본적으로 저감하는 토지 이용 전략을 설명한다. | [[대중교통 중심 개발]](Transit-Oriented Development, TOD)은 대중교통 거점을 중심으로 고밀도의 [[복합 용도 개발]](Mixed-use Development)을 유도하여 자동차 의존적인 도시 구조를 보행 및 대중교통 중심의 체계로 재편하는 [[토지 이용]] 전략이다. 이 개념은 1990년대 초 [[피터 캘솝]](Peter Calthorpe)에 의해 체계화되었으며, [[미국]]을 비롯한 현대 도시들이 직면한 [[어반 스프롤]](Urban Sprawl)과 그에 따른 [[교통 혼잡]], 환경 오염 문제를 해결하기 위한 대안적 모델로 등장하였다. TOD의 핵심은 [[도시 철도]] 역이나 [[간선급행버스체계]](Bus Rapid Transit, BRT) 정류장으로부터 도보권 내에 주거, 상업, 업무, 문화 시설을 집약시켜 시민들이 승용차 없이도 일상적인 활동을 영위할 수 있는 환경을 조성하는 데 있다. |
| | |
| | 통행 수요 관리의 관점에서 TOD는 [[통행 발생]] 자체를 억제하거나 발생한 통행을 대중교통으로 유도하는 강력한 기제로 작용한다. [[로버트 서베로]](Robert Cervero)는 TOD가 통행 행태에 미치는 영향을 결정하는 세 가지 핵심 요소로 밀도(Density), 다양성(Diversity), 설계(Design)를 제시하였으며, 이를 흔히 [[3Ds 모형]]이라 일컫는다. 높은 [[인구 밀도]]와 고밀 개발은 대중교통 운영의 경제적 효율성을 확보할 수 있는 최소 수요를 창출하며, 주거와 상업의 복합적 배치를 의미하는 다양성은 지역 내에서 통행의 기점과 종점이 완결되는 내부 통행 비중을 높여 전체 [[통행 거리]]를 단축시킨다. 또한 보행 친화적인 가로 설계는 [[비동력 교통]](Non-Motorized Transport)의 이용을 촉진하여 대중교통 거점까지의 [[접근성]]을 극대화한다. |
| | |
| | TOD 지역 내 거주자나 근로자의 통행 행태는 일반적인 도시 지역과 뚜렷한 차이를 보인다. 연구에 따르면 TOD 단지 내 가구의 승용차 통행 발생량은 전통적인 [[교통 계획]] 기준보다 현저히 낮은 수준을 기록하는 것으로 나타났다((Cervero, R., & Arrington, G. B. (2008). Vehicle Trip Reduction Impacts of Transit-Oriented Housing. Journal of Public Transportation, 11(3), 1-17. https://scholarcommons.usf.edu/jpt/vol11/iss3/1 |
| | )). 이는 대중교통 이용의 편리함뿐만 아니라, 대중교통 선호 성향을 가진 가구가 TOD 지역으로 이주하는 [[자기 선택]](Self-selection) 효과와도 관련이 있다. 결과적으로 TOD는 [[수단 선택]] 과정에서 승용차의 효용을 상대적으로 낮추고 대중교통과 보행의 효용을 높임으로써 [[수단 분담률]](Modal Split)의 구조적 변화를 이끌어낸다. |
| | |
| | 실무적 차원에서 TOD는 단순히 역세권의 용적률을 높이는 것에 그치지 않고, [[주차 수요 관리]](Parking Demand Management)와 연계될 때 그 효과가 극대화된다. 역세권 내 주차 공급을 제한하거나 주차 요금을 현실화함으로써 승용차 이용의 한계 비용을 높이는 정책은 TOD의 토지 이용 전략과 보완 관계를 형성한다. 또한 대중교통 거점과 주변 지역 간의 [[환승 체계]]를 정교하게 설계하여 통행자가 느끼는 [[일반화 비용]](Generalized Cost)을 최소화하는 것이 필수적이다. 이러한 통합적 접근은 통행 수요를 공급 위주의 도로 확충으로 해결하려던 과거의 방식에서 벗어나, 도시의 공간 구조 자체를 효율적으로 개편하여 수요를 근본적으로 관리하는 [[지속 가능한 교통]] 체계의 핵심이라 할 수 있다. |
| |
| ==== 지속 가능한 교통 체계 ==== | ==== 지속 가능한 교통 체계 ==== |
| |
| 환경적 부하를 최소화하면서 이동성을 보장하기 위한 미래형 통행 수요 대응 방안을 고찰한다. | 지속 가능한 교통 체계(Sustainable Transport System)는 현 세대의 이동성 욕구를 충족시키면서도 미래 세대가 그들의 욕구를 충족시킬 수 있는 능력을 저해하지 않는 교통 시스템을 의미한다. 이는 전통적인 [[교통 계획]]이 지향했던 이동 효율성과 경제성 중심의 패러다임에서 벗어나, 환경적 건전성, 사회적 형평성, 그리고 경제적 효율성이라는 세 가지 축을 동시에 고려하는 포괄적 접근 방식이다. 특히 현대 사회에서 통행 수요의 급격한 증가는 [[기후 변화]], 대기 오염, 교통 혼잡 비용의 상승과 같은 심각한 [[외부 효과]](Externalities)를 야기하고 있으며, 이를 해결하기 위한 미래형 통행 수요 대응 방안으로서 지속 가능한 교통 체계의 구축은 필수적인 과제로 부상하였다. |
| | |
| | 환경적 부하를 최소화하기 위한 핵심 전략 중 하나는 [[수단 전환]](Modal Shift)이다. 이는 화석 연료를 대량으로 소비하는 나홀로 승용차 위주의 통행 수요를 [[대중교통]], [[자전거]], [[보행]]과 같은 친환경적이고 에너지 효율적인 수단으로 유도하는 것을 골자로 한다. 이를 위해 도시 구조 측면에서는 [[압축 도시]](Compact City) 이론을 바탕으로 주거, 업무, 상업 시설을 고밀도로 배치하여 물리적 통행 거리 자체를 단축시키는 노력이 병행된다. 특히 [[대중교통 중심 개발]](Transit Oriented Development, TOD)은 역세권을 중심으로 고밀 복합 개발을 유도함으로써 승용차 의존도를 근본적으로 낮추는 지속 가능한 도시 모델로 평가받는다. |
| | |
| | 정보통신기술(ICT)의 비약적인 발전은 통행 수요를 더욱 정교하고 효율적으로 관리할 수 있는 기반을 제공하였다. [[통합 모빌리티 서비스]](Mobility as a Service, MaaS)는 분절되어 있던 다양한 교통수단을 하나의 플랫폼에서 통합하여 최적의 경로와 결제 서비스를 제공함으로써, 개인이 자가용을 소유하지 않고도 편리하게 이동할 수 있는 환경을 조성한다. 또한, 고정된 노선 없이 실시간 수요에 따라 운행 경로를 변경하는 [[수요 대응형 교통]](Demand Responsive Transport, DRT) 체계는 교통 소외 지역의 이동성을 보장하는 동시에 운영 효율성을 극대화하여 자원 낭비를 줄이는 역할을 수행한다. 이러한 기술적 진보는 통행 수요를 물리적 시설 확충이 아닌 소프트웨어적 최적화를 통해 관리할 수 있게 한다. |
| | |
| | 지속 가능한 교통 체계는 사회적 형평성(Social Equity)의 가치를 내포한다. 이동권은 현대 시민이 누려야 할 기본적인 권리 중 하나로 간주되며, 교통 약자인 노인, 장애인, 저소득층이 물리적·경제적 장벽 없이 이동할 수 있는 환경을 구축하는 것이 중요하다. 이를 위해 저상버스의 도입, 교통 복지 카드 정책, 보행 환경 개선 사업 등이 추진된다. 결과적으로 지속 가능한 교통 체계에서의 통행 수요 대응은 단순히 수치상의 교통량을 조절하는 것을 넘어, [[이동성]](Mobility)과 [[접근성]](Accessibility)의 균형을 맞추고 지구 환경에 미치는 부정적 영향을 최소화하는 다차원적인 정책 집행 과정이라 할 수 있다. |
| | |
| | 미래의 통행 수요 관리는 [[자율주행 자동차]]와 [[공유 경제]]의 결합을 통해 더욱 급격한 변화를 맞이할 것으로 예측된다. 자율주행 기술은 차량 간 간격을 좁혀 도로 용량을 증대시키고, [[카셰어링]](Car Sharing) 시스템과 결합하여 개별 차량의 점유 면적을 줄임으로써 도시 공간의 재구조화를 가능하게 한다. 이러한 변화 속에서 교통 계획가는 단순한 수요 예측가를 넘어, 기술과 환경, 인간의 삶의 질을 통합적으로 설계하는 시스템 설계자의 역할을 요구받는다. 결국 지속 가능한 교통 체계의 완성은 기술적 혁신과 더불어 이용자의 통행 행태 변화, 그리고 이를 뒷받침하는 제도적 장치가 유기적으로 맞물릴 때 달성될 수 있다. |
| |
