차이

문서의 선택한 두 판 사이의 차이를 보여줍니다.

--- 통행_수요 [2026/04/13 14:14] – 통행 수요 sync flyingtext
+++ 통행_수요 [2026/04/13 14:16] (현재) – 통행 수요 sync flyingtext
@@ 줄 161: / 줄 161: @@
 === 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 ===
-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 ====
@@ 줄 184: / 줄 209: @@
 === 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 ===
-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 ====
@@ 줄 214: / 줄 265: @@
 === 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 ===
-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 ====
@@ 줄 246: / 줄 325: @@
 === 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 ===
-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 =====

SethQ Wiki

사용자 도구

사이트 도구

차이

문서 도구