통행 발생

교통 수요 예측(Transportation Demand Forecasting)의 전통적인 4단계 수요 예측 모형 중 첫 번째 단계인 통행 발생(Trip Generation)은 특정 분석 대상 구역 내에서 발생하는 통행의 총량을 결정하는 과정이다. 이 단계의 핵심은 특정 구역, 즉 교통 분석 존(Traffic Analysis Zone, TAZ)의 사회경제적 지표와 토지 이용 특성을 바탕으로 해당 구역에서 생성되거나 해당 구역으로 유입되는 통행의 횟수를 정량화하는 데 있다. 통행 발생은 도시 내에서 이루어지는 인간의 활동이 교통망에 가하는 부하의 원천을 파악하는 작업이며, 이후 전개될 통행 분포, 수단 분담, 노선 배정 단계의 기초가 되는 출발점으로서 중요한 학술적 의의를 지닌다.

통행을 구성하는 가장 기초적인 단위는 트립(Trip)이다. 학술적으로 트립은 통행자가 특정 목적을 달성하기 위해 출발지에서 목적지까지 이동하는 일방향의 움직임을 의미한다. 이때 이동 과정에서 발생하는 수단의 환승이나 일시적인 정지는 하나의 트립으로 간주하는 것이 일반적이나, 분석의 목적에 따라 그 정의는 구체화될 수 있다. 통행은 그 성격에 따라 여러 유형으로 분류되는데, 가장 대표적인 기준은 통행의 목적이다. 출근, 등교, 쇼핑, 업무, 친교 등 다양한 활동이 통행 유발의 동기가 된다. 또한, 통행의 양 끝단 중 하나가 가정(Home)인지 여부에 따라 가정 기반 통행(Home-Based Trip, HB)과 비가정 기반 통행(Non-Home-Based Trip, NHB)으로 대별하기도 한다. 이러한 분류 체계는 각 통행 목적마다 발생하는 시간대와 빈도가 상이하기 때문에 수요 예측의 정밀도를 높이는 데 필수적이다.

통행 발생 단계에서는 통행 발생량(Trip Production)과 통행 유입량(Trip Attraction)이라는 두 가지 개념을 엄밀히 구분하여 사용한다. 통행 발생량은 통행을 생성시키는 근원지, 주로 주거지에서의 통행 능력을 의미하며, 통행 유입량은 통행을 끌어들이는 목적지, 즉 직장이나 상업 시설의 유인력을 의미한다. 여기서 기점(Origin) 및 종점(Destination)과 발생-유입(P-A) 개념의 차이에 주목할 필요가 있다. 기점과 종점은 통행의 물리적인 방향성을 나타내는 반면, 발생과 유입은 통행의 동인(Motive)을 중심으로 정의된다. 예를 들어, 아침에 집에서 직장으로 가는 통행은 집이 기점이자 발생지가 되고 직장이 종점이자 유입지가 된다. 그러나 저녁에 직장에서 집으로 돌아오는 통행은 직장이 기점이고 집이 종점임에도 불구하고, 분석상으로는 여전히 집을 발생지로, 직장을 유입지로 간주하여 ’가정 기반 출근 통행’의 범주 내에서 처리하는 경우가 많다. 이는 통행의 발생 원인이 주거지의 가구 특성에 기반한다는 논리에 근거한다.

수학적 관점에서 통행 발생은 각 분석 존에서 생성되는 통행량과 유입되는 통행량의 총합이 시스템 전체에서 일치해야 한다는 물리적 정합성을 전제로 한다. 이를 수식으로 표현하면 다음과 같다.

$ %%//%%{i=1}^{n} P_i = %%//%%{j=1}^{n} A_j $

위 식에서 $ P_i $는 $ i $번째 존에서 발생하는 통행량의 합계를, $ A_j $는 $ j $번째 존으로 유입되는 통행량의 합계를 의미하며, $ n $은 전체 존의 개수이다. 실제 분석 과정에서는 통행 발생량과 유입량의 추정치가 서로 다르게 산출되는 경우가 빈번하므로, 이를 일치시키기 위한 보정(Balancing) 절차가 수반된다. 통행 발생의 기초 개념을 명확히 정립하는 것은 도시 공간 구조와 교통 체계 간의 유기적 관계를 이해하고, 미래의 교통 수요 변화에 대응하는 과학적인 교통 계획을 수립하는 데 있어 필수적인 전제 조건이다.

교통 수요 예측(Transportation Demand Forecasting)의 첫 번째 단계인 통행 발생(Trip Generation)은 특정 분석 대상 지역 내에서 발생하는 통행의 총량과 해당 지역으로 유입되는 통행의 총량을 결정하는 과정으로 정의된다. 이는 도시 계획 및 교통 공학적 관점에서 토지 이용과 교통 활동 사이의 인과관계를 정량적으로 규명하는 기초 작업이다. 통행 발생 분석의 목적은 특정 공간 단위인 교통 분석 존(Traffic Analysis Zone, TAZ) 내에서 생성되거나 해당 존으로 끌어들여지는 통행 횟수를 추정함으로써, 미래의 교통 수요를 예측하기 위한 기초 자료를 제공하는 데 있다.

통행 발생은 성격에 따라 통행 유출량(Trip Production)과 통행 유입량(Trip Attraction)으로 엄격히 구분된다. 통행 유출량은 통행의 기점이 되는 존에서 생성되는 통행의 합계를 의미하며, 주로 해당 구역에 거주하는 가구의 인구통계적 특성, 소득 수준, 자동차 보유 대수 등 사회경제적 요인에 의해 결정된다. 반면 통행 유입량은 통행의 종점이 되는 존으로 유인되는 통행의 합계를 뜻하며, 이는 해당 구역의 고용 밀도, 상업 시설 면적, 교육 시설의 규모 등 토지 이용(Land Use) 특성과 밀접한 관련을 맺는다.

이러한 통행 발생의 개념은 교통 수요가 그 자체로 존재하는 것이 아니라, 특정 장소에서 경제적·사회적 활동을 수행하기 위해 발생하는 파생 수요(Derived Demand)라는 본질에 근거한다. 따라서 통행 유출량과 유입량을 산정하는 과정은 각 존의 활동 강도를 수치화하는 과정이라 할 수 있다. 특정 분석 존 $ i $에서 발생하는 통행 유출량 $ P_i $와 특정 존 $ j $로 들어오는 통행 유입량 $ A_j $는 일반적으로 다음과 같은 함수적 관계로 표현된다.

$$ P_i = f(X_{i1}, X_{i2}, \dots, X_{in}) $$ $$ A_j = g(Y_{j1}, Y_{j2}, \dots, Y_{jm}) $$

위 식에서 $ X_{ik} $는 존 $ i $의 가구 수, 인구 수, 소득 등 발생 측면의 독립 변수를 의미하며, $ Y_{jk} $는 존 $ j $의 고용자 수, 매장 면적 등 유입 측면의 독립 변수를 의미한다. 통행 발생 단계에서는 이처럼 각 존의 특성 변수와 통행량 사이의 상관관계를 분석하여 회귀 분석 등을 통한 통계적 모형을 구축한다.

전체 분석 권역 내에서 발생하는 총 통행량의 관점에서 볼 때, 이론적으로 모든 존에서 발생하는 통행 유출량의 총합은 모든 존으로 들어오는 통행 유입량의 총합과 일치해야 한다. 이를 수식으로 나타내면 다음과 같다.

그러나 실제 조사 데이터나 추정 모형을 통해 산출된 값들 사이에는 오차가 발생하기 마련이므로, 후속 단계인 통행 분포(Trip Distribution)로 넘어가기 전에 발생량 총합과 유입량 총합을 일치시키는 조정(Balancing) 과정을 거치게 된다. 통행 발생 정의의 핵심은 결국 공간적 경계 내에서 발생하는 통행의 시작과 끝을 정량화함으로써, 도시 전체의 이동 흐름을 파악하기 위한 기초적인 물리량을 확정하는 데 있다. 이는 4단계 수요 예측 모형의 신뢰성을 결정짓는 가장 중요한 출발점이라 할 수 있다.

교통 수요 분석의 기초가 되는 통행의 최소 단위는 트립(Trip)이다. 트립은 통행자가 특정 목적을 달성하기 위해 기점(Origin)에서 종점(Destination)까지 이동하는 일련의 과정을 의미한다. 일반적으로 교통 공학에서 하나의 트립은 보행을 제외한 주요 교통 수단을 이용하거나, 보행이 주된 수단인 경우 이를 포함하여 정의한다. 교통 현상은 인간의 경제적·사회적 활동을 수행하기 위해 발생하는 파생 수요(Derived demand)의 성격을 지니므로, 트립의 발생은 해당 구역의 토지 이용 상태 및 거주자의 활동 양상과 밀접한 관련을 맺는다. 하나의 목적지에 도달하기 위해 여러 지점을 거치는 경우를 연쇄 통행(Trip chain)이라 하며, 이를 분석 단위로 삼기도 하지만 전통적인 4단계 수요 예측 모형에서는 개별 트립을 독립적인 분석 단위로 설정하는 것이 일반적이다.

통행은 그 성격과 목적에 따라 체계적으로 분류된다. 가장 대표적인 분류 기준은 통행의 양 끝단 중 한 곳이 가정(Home)인지 여부에 따른 가정 기반 통행(Home-Based Trip, HB)과 비가정 기반 통행(Non-Home-Based Trip, NHB)의 구분이다. 가정 기반 통행은 통행의 기점이나 종점 중 어느 한 곳이 통행자의 거주지인 경우를 의미하며, 이는 다시 세부 목적에 따라 출근 통행(Home-Based Work, HBW), 등교 통행(Home-Based School, HBS), 쇼핑 통행, 기타 통행 등으로 세분화된다. 반면 비가정 기반 통행은 기점과 종점 모두가 가정이 아닌 장소, 예를 들어 업무지에서 식당으로 이동하거나 상점에서 다른 상점으로 이동하는 경우를 포함한다. 이러한 분류는 통행 발생량을 추정할 때 각 목적별로 영향력을 미치는 사회경제적 지표가 상이하기 때문에 예측의 정확성을 높이기 위해 필수적으로 수행된다.

공간적 경계에 따른 분류 또한 중요하다. 분석 대상 지역인 교통 분석 존(Traffic Analysis Zone, TAZ)을 기준으로, 기점과 종점이 모두 동일한 존 내부에 존재하는 내부 통행(Intrazonal Trip)과 서로 다른 존 사이를 이동하는 존간 통행(Interzonal Trip)으로 나뉜다. 또한 분석 권역의 외부에서 유입되거나 외부로 유출되는 통행, 혹은 권역을 단순히 통과하기만 하는 통과 통행(Through Trip)을 구분하여 관리한다. 시간적 측면에서는 교통량이 집중되는 첨두시(Peak period)와 그 외의 비첨두시로 분류하며, 이는 시설의 용량 결정과 정책 수립에 핵심적인 자료로 활용된다.

통행 발생 단계에서 이러한 분류 체계를 적용하는 이유는 각 통행 유형마다 발생하는 메커니즘이 다르기 때문이다. 예를 들어 출근 통행은 시간적 경직성이 높고 규칙적인 반면, 쇼핑이나 여가 통행은 소득 수준이나 접근성에 민감하게 반응하는 경향이 있다. 따라서 전체 통행량 $ T $를 추정할 때, 이를 단일 항목으로 취급하기보다는 각 목적별($ p $) 통행량의 합으로 산출하는 것이 일반적이다.

$$ T_i = \sum_{p} T_{i,p} $$

위 식에서 $ T_i $는 $ i $ 존에서 발생하는 총 통행량을 의미하며, $ T_{i,p} $는 목적 $ p $에 따른 발생량을 나타낸다. 이와 같은 다각적인 분류 체계는 교통 계획 수립 시 특정 인구 집단이나 특정 지역의 통행 특성을 정확히 반영할 수 있게 함으로써 모형의 신뢰성을 담보하는 기초가 된다. 각 통행 목적에 따라 유발되는 통행 발생률이 차이를 보이기 때문에, 분류된 데이터는 이후의 통행 분포 및 수단 분담 단계에서도 중요한 입력 자료로 기능한다.

교통 수요 예측의 첫 단계인 통행 발생은 분석 대상 지역의 활동 체계와 교통 체계 간의 상호작용을 정량화하는 과정이다. 이 과정에서 가장 기초가 되는 작업은 특정 교통 분석 존에서 발생하는 통행을 성격에 따라 통행 발생(Trip Production)과 통행 유입(Trip Attraction)으로 명확히 구분하는 것이다. 통행 발생과 통행 유입의 구분은 단순히 통행의 방향성을 나타내는 것을 넘어, 통행을 유발하는 근본적인 동인(driver)이 무엇인가를 규명하는 데 목적이 있다.

통행 발생은 통행의 주체가 거주하는 지점, 즉 통행을 생성하는 원천적 능력을 갖춘 지역에서 집계되는 통행량을 의미한다. 일반적으로 가구를 기반으로 하는 통행(Home-based trip)에서 집이 위치한 존은 통행의 방향과 관계없이 항상 발생지가 된다. 예를 들어, 개인이 아침에 집을 나서 직장으로 향하는 통행과 저녁에 직장에서 집으로 돌아오는 통행 모두 ’가구’라는 통행 발생원을 기준으로 할 때는 해당 주거지 존에서 발생한 통행으로 간주한다. 이는 통행의 빈도가 가구의 소득, 자동차 보유 대수, 가구원 수와 같은 사회경제적 특성에 의해 결정되기 때문이다.

반면 통행 유입은 통행의 목적이 되는 활동이 이루어지는 지점으로 끌어들여지는 통행량을 의미한다. 이는 주로 토지 이용 형태나 해당 지역에 위치한 시설의 규모에 의해 결정된다. 상업 시설의 면적, 업무 시설의 고용자 수, 학교의 학생 수 등이 통행 유입량을 결정하는 주요 변수가 된다. 앞선 예시에서 직장이 위치한 존은 아침의 출근 통행과 저녁의 퇴근 통행 모두에 대해 유입지 역할을 수행한다. 즉, 통행 유입은 해당 지역이 가진 ’유인력’에 초점을 맞춘 개념이다.

이러한 발생과 유입의 구분은 기점(Origin)과 종점(Destination)의 개념과 혼동되기 쉬우나, 교통 모델링에서는 엄격히 차별화된다. 기점과 종점은 통행이 실제로 시작되고 끝나는 물리적 지점을 의미하는 반면, 발생과 유입은 통행의 목적과 가구의 위치를 기준으로 하는 개념적 단위이다. 이를 각각 PA(Production-Attraction) 체계와 OD(Origin-Destination) 체계라 하며, 두 체계 사이의 관계는 다음과 같은 수식적 논리로 설명될 수 있다. 특정 존 $ i $에서 존 $ j $로 이동하는 통행량 $ T_{ij} $에 대하여, PA 체계에서는 통행의 목적에 따라 발생량 $ P_i $와 유입량 $ A_j $를 먼저 산정한 뒤, 이를 이후 단계에서 실제 물리적 이동 방향인 기점 $ O_i $와 종점 $ D_j $로 변환하는 과정을 거친다.

$$ P_i = \sum_{j} T_{ij}^{PA}, \quad A_j = \sum_{i} T_{ij}^{PA} $$

위 식에서 $ T_{ij}^{PA} $는 발생지 $ i $에서 유입지 $ j $로 향하는 통행의 잠재적 흐름을 나타낸다. 실무적으로 가구 통행 실태 조사를 통해 수집된 자료는 대개 PA 형태로 정리되며, 이를 통행 분포 단계에서 OD 행렬로 변환하여 실제 도로망의 부하를 분석하는 데 활용한다. PA 체계를 사용하는 이유는 통행 발생 요인이 주거지와 비주거지에서 서로 판이하게 나타나기 때문이며, 이를 분리하여 분석함으로써 모형의 설명력과 예측력을 높일 수 있다¹⁾²⁾.

결과적으로 통행 발생과 통행 유입의 구분은 도시 내 공간 구조가 통행 패턴에 미치는 영향을 이해하는 핵심 틀을 제공한다. 주거 밀도가 높은 지역은 높은 통행 발생량을 보이고, 상업 및 업무 지구가 밀집된 지역은 높은 통행 유입량을 나타내게 된다. 이러한 공간적 불균형을 파악하는 것은 효율적인 교통망 설계와 대중교통 노선 계획 수립을 위한 필수적인 전제 조건이다.

통행 발생량의 결정 요인은 크게 사회경제적(socio-economic) 특성과 토지 이용 및 공간적 특성으로 구분된다. 교통 수요 모델링의 첫 단계인 통행 발생 단계에서는 특정 분석 구역 내의 인구 통계적 지표와 해당 지역이 보유한 물리적 환경이 복합적으로 작용하여 전체 통행량을 형성한다. 이러한 요인들을 정밀하게 분석하는 것은 미래의 교통 수요를 과학적으로 추정하고 교통 계획의 신뢰성을 확보하는 데 필수적인 과정이다.

사회경제적 변수 중 가장 핵심적인 분석 단위는 가구(household)이다. 가구의 규모, 즉 가구원 수는 통행 빈도와 정(+)의 상관관계를 나타낸다. 가구원 수가 많을수록 통근, 통학, 쇼핑 등 다양한 목적의 통행이 발생할 확률이 높아진다. 특히 가구 소득은 통행의 질과 양에 동시에 영향을 미친다. 소득 수준이 높을수록 생계 유지를 위한 필수 통행 외에도 여가, 문화 활동, 사회적 교류를 위한 선택적 통행이 빈번해지는 경향이 있다. 또한 소득은 자동차 보유 대수와 밀접하게 연관되며, 개인 교통수단의 가용성은 통행의 편의성을 증대시켜 전체적인 통행 발생 빈도를 높이는 결정적 요인으로 작용한다.

인구 구조의 변화 역시 통행 특성을 결정짓는 주요 인자이다. 연령층에 따라 통행 목적과 빈도가 상이하게 나타나는데, 경제활동인구의 비중이 높은 지역에서는 통근 통행이 주를 이루며, 학생 인구가 많은 지역에서는 통학 통행이 집중적으로 발생한다. 최근 인구 고령화 현상에 따라 고령층의 의료 및 여가 통행 패턴이 새로운 분석 대상으로 부상하고 있으며, 이는 과거의 전통적인 통행 발생 모형에 중요한 변수로 포함되고 있다.

토지 이용(land use) 체계는 공간적 측면에서 통행 발생을 결정하는 근본적인 환경을 제공한다. 특정 구역의 용도지역제가 주거, 상업, 공업 중 어느 기능에 집중되어 있느냐에 따라 발생하는 통행의 성격이 달라진다. 주거 지역은 주로 통행 생산(trip production)의 역할을 수행하며, 상업 및 업무 지역은 통행 유인(trip attraction)의 강력한 기제로 작용한다. 인구 밀도와 고용 밀도로 대변되는 토지 이용의 집약도는 단위 면적당 통행 발생량을 결정하는 핵심 지표이다. 고밀도 개발이 이루어진 도심 지역은 다량의 통행을 집중시키는 반면, 저밀도 교외 지역은 상대적으로 분산된 통행 양상을 보인다.

건축물의 용도별 연면적 또한 통행 발생량 산정의 중요한 물리적 변수이다. 도시 계획 차원에서 수립된 토지 이용 계획에 따라 주거용, 상업용, 공업용 건축물의 비중이 결정되면, 각 용도별 단위 면적당 통행 발생 원단위(unit rate)를 적용하여 해당 지역의 총 발생량을 추정한다. 이때 해당 지역의 접근성(accessibility)은 잠재적인 통행 수요를 실제 통행으로 전환하는 촉매제 역할을 한다. 대중교통망이 잘 갖추어져 있거나 도로 용량이 충분한 지역은 그렇지 못한 지역에 비해 통행 발생의 임계치가 높게 형성된다.

결론적으로 통행 발생은 개인 및 가구의 사회경제적 속성과 해당 지역의 물리적 토지 이용 특성 간 상호작용의 산물이다. 미시경제학적 관점에서는 개인의 효용 극대화를 위한 선택의 결과로 볼 수 있으며, 도시공학적 관점에서는 공간 구조의 효율적 배분에 따른 결과로 해석된다. 따라서 교통 수요 분석가는 이러한 다각적인 결정 요인들을 종합적으로 고려하여, 급변하는 사회 구조와 도시 환경 속에서 지속 가능한 교통 체계를 설계하기 위한 기초 자료로 활용해야 한다.

가구의 사회경제적 특성은 통행 발생량을 결정하는 가장 근원적인 변인으로 작용한다. 교통은 그 자체로 목적이 되기보다 특정 활동을 수행하기 위해 발생하는 파생적 수요(Derived Demand)의 성격을 띠기 때문에, 활동의 주체인 가구(Household)의 경제적 여건과 인구 통계적 구성은 통행의 빈도와 목적을 규정하는 핵심 요소가 된다. 이러한 지표들은 교통 수요 예측 모델에서 독립 변수로 활용되며, 지역 내 전체 통행 수요의 규모를 결정짓는 기초 자료가 된다.

가구원 수는 통행 발생량과 가장 직접적인 정(正)의 상관관계를 맺는 지표이다. 가구 구성원 개개인은 교육, 경제 활동, 사회적 교류 등 독립적인 활동 체계를 가지고 있으므로, 가구의 규모가 커질수록 해당 가구에서 발생하는 총 통행량은 증가한다. 다만 가구원 수가 증가함에 따라 식료품 구매와 같은 공동 목적의 통행이 효율화되거나 가구 내 자원 공유가 발생하면서 1인당 평균 통행량은 점진적으로 감소하는 경향을 보이기도 한다. 이러한 비선형적 특성은 카테고리 분석 모형을 통해 가구 규모별로 층화하여 분석할 때 더욱 명확히 드러난다.

가처분 소득을 포함한 가구 소득 수준은 통행의 양적, 질적 측면 모두에 지대한 영향을 미친다. 소득이 증가할수록 생존을 위한 필수적 활동인 통근 통행(Work trip) 외에 여가, 쇼핑, 문화 활동 등 비업무 통행(Non-work trip)의 비중이 높아진다. 이는 소득 수준이 통행에 수반되는 시간 가치(Value of Time)와 금전적 비용을 감당할 수 있는 지불 능력을 결정하기 때문이다. 고소득 가구일수록 통행의 목적지가 다양해지고 통행 거리가 길어지는 경향이 있으며, 이는 도시 전체의 통행 발생 밀도를 높이는 요인이 된다³⁾.

자동차 보유 대수는 가구의 가동성(Mobility)을 결정짓는 결정적 지표이다. 차량을 보유한 가구는 교통 수단(Mode of transport) 선택 시 대중교통 이용 가구에 비해 시간적 제약과 공간적 물리 거리에 따른 심리적 저항을 적게 받는다. 따라서 자동차 보유 대수가 증가할수록 가구당 통행 빈도는 유의미하게 상승하며, 특히 대중교통 서비스가 취약한 지역에서는 차량 보유 여부가 통행 발생 여부를 결정짓는 핵심 변수가 된다⁴⁾. 소득과 자동차 보유 대수는 통계적으로 높은 상관관계를 가지는 경우가 많으므로, 회귀 분석 모형 설계 시 변수 간의 다중공선성(Multicollinearity) 문제를 면밀히 검토해야 한다.

가구주의 연령과 가구의 생애 주기(Life Cycle) 단계 또한 통행 특성을 변화시키는 주요 인자이다. 미취학 아동이나 학령기 자녀가 있는 가구는 등하교 및 학원 수강 등을 목적으로 하는 고정 통행이 활발하며, 경제 활동 인구가 집중된 청장년층 가구는 출퇴근 통행이 주를 이룬다. 반면 고령화 가구의 경우 직업 관련 통행은 감소하는 대신 의료 및 사회적 관계 유지를 위한 통행이 불규칙하게 발생하는 특성을 보인다. 이처럼 사회경제적 지표는 단순히 양적인 통행량을 결정할 뿐만 아니라, 통행의 시간대별 분포와 목적별 구성을 규정하는 근거가 된다.

토지 이용(Land Use) 체계는 특정 지역 내에서 발생하는 인간 활동의 종류와 강도를 규정하며, 이는 교통 수요를 창출하는 근본적인 동인으로 작용한다. 도시 공간 내에서 각 필지나 구역이 어떠한 용도로 할당되어 있는가는 해당 지점에서 발생하는 통행의 목적과 시간대, 그리고 규모를 결정짓는 핵심 지표가 된다. 일반적으로 도시 계획 및 교통 공학에서는 토지 이용과 통행 발생 사이의 관계를 상호 피드백 구조로 파악한다. 즉, 특정 지역의 토지 이용 상태가 통행을 유발하고, 이렇게 형성된 교통망의 접근성(Accessibility) 변화가 다시 장기적인 토지 이용의 변화를 유도하는 것이다.

토지 이용의 용도는 통행 발생의 질적 특성을 결정한다. 주거 용지는 주로 통행의 기점으로서 기능을 수행하며, 아침 시간대의 유출 통행량인 통행 발생량(Production)과 밀접한 상관관계를 갖는다. 반면 상업, 업무, 공업 용지는 통행의 종점으로서 기능을 하며, 특정 구역으로 끌어들여지는 통행량인 통행 유입량(Attraction)의 주요 결정 요인이 된다. 예를 들어, 중심 업무 지구(Central Business District, CBD)는 고밀도의 사무 공간이 집중되어 있어 대규모의 업무 및 쇼핑 통행을 유인하는 반면, 외곽의 배후 주거지는 이들 지역으로 향하는 출근 및 등교 통행의 원천이 된다. 이러한 용도의 분리는 직주 분리(Job-Housing Separation) 현상을 심화시키며, 도시 전체의 통행 거리와 통행 시간을 증가시키는 원인이 되기도 한다.

건축물의 밀도와 개발 규모는 통행 발생의 양적 크기를 결정하는 중추적 변수이다. 특정 교통 분석 존(Traffic Analysis Zone, TAZ) 내의 연면적(Gross Floor Area), 종사자 수, 거주 인구수 등은 통행 발생량을 추정하는 독립 변수로 주로 활용된다. 통행 발생량 $ T_i $와 토지 이용 지표 $ X_{ki} $ 사이의 관계는 일반적으로 다음과 같은 선형 결합의 형태로 표현될 수 있다.

$$ T_i = \sum_{k=1}^{n} \alpha_k X_{ki} + \epsilon_i $$

여기서 $ _k $는 각 토지 이용 특성 변수 $ k $에 따른 단위 통행 발생률을 의미하며, $ _i $는 모델의 오차항이다. 용적률(Floor Area Ratio, FAR)이 높은 고밀도 개발 지역일수록 단위 면적당 유발되는 통행 밀도가 급격히 상승하며, 이는 도로 용량의 한계를 초과하는 교통 혼잡을 야기할 가능성이 크다. 따라서 현대의 도시 교통 정책은 무분별한 저밀도 확산 현상인 도시 스프롤(Urban Sprawl)을 억제하고, 주요 교통 거점을 중심으로 고밀 복합 개발을 유도하는 대중교통 지향형 개발(Transit-Oriented Development, TOD)을 지향하고 있다.

도시 공간 구조(Urban Spatial Structure)의 형태 또한 통행 발생 패턴에 지대한 영향을 미친다. 과거의 단핵 도시 구조에서는 도심으로 향하는 방사형 통행이 지배적이었으나, 도시가 거대화되고 부도심이 형성된 다핵 도시 체제로 이행함에 따라 통행 발생의 지점들은 공간적으로 분산되는 경향을 보인다. 이러한 공간 구조의 변화는 통행의 기점과 종점 사이의 공간적 상호작용 방식을 변화시키며, 이는 결국 전체 교통망의 부하 분포를 재편한다. 특히 토지 이용의 혼합도(Land Use Mix)가 높아질수록 구역 내에서 완결되는 내부 통행의 비중이 높아져 외부 도로망으로 유출되는 통행 발생량을 상쇄하는 효과를 거둘 수 있다. 결론적으로 토지 이용 체계와 공간 구조에 대한 정밀한 분석은 단순한 통행량 산출을 넘어, 지속 가능한 도시 교통 체계를 구축하기 위한 필수적인 선결 과제라 할 수 있다.

전통적인 4단계 수요 예측 모형에서 통행 발생 단계는 주로 토지 이용과 사회경제적 지표에 의해 결정되는 독립적인 과정으로 취급되어 왔다. 그러나 현대 교통 공학과 도시 계획에서는 교통 시설의 공급 상태를 나타내는 접근성(Accessibility)과 교통 서비스 수준(Level of Service, LOS)이 통행 발생량에 미치는 영향력을 핵심적인 변수로 간주한다. 접근성이란 특정 지점에서 교통 시스템을 이용하여 목적지까지 도달하는 데 소요되는 노력의 정도를 의미하며, 이는 단순한 물리적 거리를 넘어 시간, 비용, 편의성을 포괄하는 일반화 비용(Generalized Cost)의 개념으로 확장된다. 교통 공급 체계가 개선되어 접근성이 향상되면, 통행자가 느끼는 일반화 비용이 감소하게 되고 이는 기존에 존재하지 않았던 새로운 통행을 창출하는 유발 수요(Induced Demand)로 이어진다.

이러한 메커니즘은 경제적 효용 이론으로 설명할 수 있다. 통행자는 특정 목적지로 이동함으로써 얻는 한계 효용이 이동에 수반되는 비용보다 클 때 통행을 결정한다. 만약 도로의 확충이나 대중교통 노선의 신설로 인해 교통 서비스 수준이 높아지면, 통행에 필요한 시간과 비용이 절감되어 통행의 순효용이 증가한다. 결과적으로 과거에는 효용이 낮아 억제되었던 잠재 수요(Latent Demand)가 실제 통행으로 전환되며 해당 교통 분석 존의 전체 통행 발생량을 변화시킨다. 특히 대중교통망의 밀도와 운행 빈도가 높은 지역에서는 자동차 보유 여부와 상관없이 통행 빈도가 높아지는 경향이 관찰되는데, 이는 교통 공급의 질적 수준이 통행 발생의 직접적인 결정 요인이 될 수 있음을 시사한다⁵⁾.

접근성과 통행 발생의 상관관계는 수식적으로도 표현 가능하다. 특정 구역 $ i $의 접근성 $ A_i $는 일반적으로 다음과 같은 중력 모형 형태의 함수로 정의된다.

$$ A_i = \sum_{j} O_j \cdot f(c_{ij}) $$

여기서 $ O_j $는 목적지 $ j $의 유인력 크기를, $ f(c_{ij}) $는 기점과 종점 사이의 통행 비용에 대한 마찰 함수를 의미한다. 이 식에 따르면 교통망의 개선으로 통행 비용 $ c_{ij} $가 감소할 경우 해당 구역의 접근성 지수는 상승하며, 이는 다시 통행 발생 모형의 독립 변수로 작용하여 예측 통행량을 보정하게 된다. 연구에 따르면 가구의 통행 빈도는 단순히 인구 통계적 특성에만 의존하는 것이 아니라, 해당 가구가 처한 공간적 위치와 그에 따른 교통 수단별 접근성 수준에 따라 유의미하게 달라진다⁶⁾.

따라서 정밀한 교통 수요 분석을 위해서는 통행 발생 단계를 고정된 상수로 보지 않고, 하위 단계인 통행 분포나 수단 분담 단계에서 결정된 교통 서비스 수준이 다시 발생 단계로 피드백(Feedback)되는 동태적인 구조를 반영해야 한다. 만약 이러한 공급 측면의 요인을 간과할 경우, 교통 시설 확충에 따른 수요 증가 효과를 과소평가하게 되어 장래의 교통 혼잡을 정확히 예측하지 못하는 오류를 범할 수 있다. 결론적으로 접근성과 서비스 수준은 통행 발생의 잠재적 가능성을 실현시키는 촉매제 역할을 하며, 도시의 공간 구조와 교통망의 상호작용을 이해하는 데 필수적인 요소이다.

통행 발생 추정은 교통 수요 예측의 첫 번째 단계로서, 특정 분석 대상 지역 내에서 발생하는 총 통행량인 발생량(Production)과 해당 지역으로 유입되는 총 통행량인 유입량(Attraction)을 정량화하는 과정이다. 이 단계의 핵심은 인구, 가구 소득, 자동차 보유 대수, 토지 이용 특성과 같은 사회경제적 변수와 통행량 사이의 인과관계를 수학적 함수로 정립하는 데 있다. 이를 통해 장래의 사회경제적 지표 변화에 따른 교통 수요의 변동을 예측할 수 있다. 통행 발생 추정 모형은 크게 통계적 기법인 회귀 분석 모형과 가구의 특성을 집단화하는 카테고리 분석 모형으로 구분된다.

회귀 분석 모형은 통행 발생량을 종속 변수로, 발생 원인이 되는 사회경제적 지표들을 독립 변수로 설정하여 그 상관관계를 도출하는 기법이다. 일반적으로 다중 선형 회귀 모형(Multiple Linear Regression Model)이 널리 사용되며, 그 기본 식은 다음과 같다.

$$ T_i = \beta_0 + \sum_{k=1}^{n} \beta_k X_{ki} + \epsilon $$

여기서 $ T_i $는 $ i $ 구역의 통행 발생량, $ X_{ki} $는 $ i $ 구역의 $ k $번째 독립 변수, $ _k $는 각 변수의 영향력을 나타내는 회귀 계수, $ $은 오차항을 의미한다. 이 모형은 최소제곱법을 통해 계수를 추정하며, 통계적 유의성을 검정하기 위해 결정계수($ R^2 $)나 t-검정, F-검정 등을 수행한다. 회귀 분석은 변수 간의 관계를 명확히 파악할 수 있고 모형의 신뢰도를 객관적으로 평가할 수 있다는 장점이 있으나, 독립 변수들 사이에 강한 상관관계가 존재할 경우 발생하는 다중공선성 문제와 변수 간의 비선형적 관계를 충분히 반영하지 못한다는 한계를 지닌다.

카테고리 분석 모형은 가구를 소득 수준, 자동차 보유 대수, 가구원 수 등 주요 특성에 따라 동질적인 집단(Category)으로 분류하고, 각 집단별 평균 통행 발생률을 적용하는 방식이다. 이를 교차 분류 분석(Cross-classification Analysis)이라고도 한다. 특정 구역의 총 통행량은 다음과 같이 산출된다.

$$ T = \sum_{i} \sum_{j} n_{ij} \cdot r_{ij} $$

여기서 $ n_{ij} $는 특정 분류 기준 $ i, j $에 속하는 가구 수이며, $ r_{ij} $는 해당 집단의 평균 통행 발생률이다. 이 모형은 독립 변수 간의 복잡한 상호작용을 모형 구조 내에 흡수할 수 있으며, 변수 간의 비선형적 관계를 처리하는 데 우수하다는 평가를 받는다. 또한 회귀 분석과 달리 특정 함수 형태를 가정하지 않으므로 실제 관측된 통행 행태를 충실히 반영할 수 있다. 그러나 분석을 위해 방대한 양의 표본 데이터가 요구되며, 미래 시점의 각 카테고리별 가구 분포를 별도로 예측해야 한다는 실무적 어려움이 존재한다.

통행 유입량 추정은 발생량 추정과 원리는 유사하나, 주로 목적지의 유인력을 결정하는 변수를 활용한다. 상업 시설의 연면적, 업종별 고용자 수, 학교의 학생 수 등이 주요 독립 변수로 채택된다. 유입량은 발생량과 달리 공간적 집중도가 높기 때문에, 단순히 선형 회귀를 적용하기보다는 토지 이용 밀도와 접근성을 고려한 정교한 보정이 필요하다. 최종적으로 산정된 전 지역의 총 발생량과 총 유입량은 이론적으로 일치해야 하므로, 분석 과정에서 두 수치의 합계를 조정하는 평형화 과정을 거치게 된다.

최근에는 공간적 자기상관성을 고려한 공간 회귀 분석이나 빅데이터를 활용한 비모수적 추정 방식이 도입되고 있다. 기존의 정적 모형이 가진 한계를 극복하기 위해 통행자의 활동 체계를 분석하는 활동 기반 모형(Activity-based Model)으로의 패러다임 전환도 활발히 논의되고 있다.⁷⁾

통행 발생량 산정은 교통 수요 예측의 초기 단계로서, 특정 분석 구역인 교통 분석 존(Traffic Analysis Zone, TAZ)에서 발생하는 총 통행 빈도를 결정하는 정량적 분석 과정이다. 이 과정의 목적은 토지 이용 상태와 사회경제적 지표를 바탕으로 각 구역의 통행 유발 잠재력을 파악하는 데 있다. 통행 발생량을 산정하기 위해 가장 널리 활용되는 기법으로는 통계적 인과관계를 규명하는 회귀 분석(Regression Analysis) 모형과 집단별 평균 통행 특성을 이용하는 카테고리 분석(Category Analysis) 모형이 있다.

회귀 분석 모형은 특정 구역의 통행 발생량을 종속 변수로 설정하고, 해당 구역의 인구, 고용자 수, 가구 소득, 자동차 보유 대수 등 통행 유발 요인을 독립 변수로 설정하여 그 상관관계를 수식화한다. 일반적으로 최소자승법(Ordinary Least Squares, OLS)을 통해 매개변수를 추정하며, 다중 회귀 모형의 일반적인 형태는 다음과 같다.

$$ Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \dots + \beta_k X_{ki} + \epsilon_i $$

여기서 $ Y_i $는 $ i $번째 존의 통행 발생량이며, $ X_{ki} $는 해당 존의 $ k $번째 사회경제적 변수, $ _k $는 각 변수의 영향력을 나타내는 회귀계수, $ _i $는 잔차(Residual)를 의미한다. 회귀 분석은 변수 간의 통계적 유의성을 검정할 수 있고, 미래의 사회경제적 변화를 예측치에 유연하게 반영할 수 있다는 장점이 있다. 그러나 독립 변수들 사이에 상관관계가 높을 경우 발생하는 다중공선성(Multicollinearity) 문제로 인해 모델의 신뢰도가 저하될 수 있으며, 변수 간의 관계를 선형으로 가정함에 따라 비선형적 통행 특성을 반영하는 데 한계가 존재한다⁸⁾.

카테고리 분석 모형은 가구 또는 개인을 소득, 가구원 수, 자동차 보유 여부 등 동질적인 특성을 가진 집단으로 분류하고, 각 집단별로 조사된 평균 통행률(Trip Rate)을 적용하여 전체 발생량을 산정하는 기법이다. 이 모형은 개별 분석 단위의 행동 특성을 직접적으로 반영하며, 회귀 분석과 달리 변수 간의 복잡한 비선형 관계를 별도의 수식화 없이도 포착할 수 있다는 특징이 있다. 특정 존의 총 통행량 $ T $는 다음과 같이 계산된다.

$$ T = \sum_{h=1}^{H} n_h \cdot r_h $$

여기서 $ n_h $는 해당 존 내의 $ h $번째 카테고리에 속하는 가구(또는 개인)의 수이며, $ r_h $는 해당 카테고리의 평균 통행률이다. 카테고리 분석은 모형의 구조가 직관적이고 자료 수집이 용이한 경우 효율적이나, 분류 기준이 세분화될수록 각 카테고리에 할당되는 표본의 크기가 작아져 통계적 안정성이 떨어질 위험이 있다. 또한, 과거의 통행률이 미래에도 일정하게 유지된다는 가정을 전제로 하므로 교통 환경 변화에 따른 탄력적 대응이 어렵다는 단점이 있다⁹⁾.

최근에는 공간적 자기상관성을 고려한 공간 회귀 분석(Spatial Regression Analysis)이나 기계 학습 기법을 도입하여 기존 모형의 오차를 줄이려는 시도가 계속되고 있다. 특히 공간 회귀 분석은 인접한 교통 분석 존 간의 상호작용을 모형 내에 포함함으로써, 전통적인 회귀 모형이 간과하기 쉬운 지리적 인접 효과를 정밀하게 분석할 수 있게 한다¹⁰⁾. 이러한 산정 기법의 선택은 가용 데이터의 성격, 분석의 목적, 그리고 요구되는 예측의 정밀도에 따라 결정된다.

회귀 분석(Regression Analysis) 모형은 통행 발생량과 이에 영향을 미치는 제반 요인 간의 인과관계를 수학적 함수 형태로 정립하여 장래의 통행 수요를 예측하는 기법이다. 이 모형은 교통 분석 존의 사회경제적 지표와 토지 이용 특성을 독립 변수(Independent Variable)로 설정하고, 해당 구역에서 발생하는 통행량을 종속 변수(Dependent Variable)로 두어 두 변수 간의 통계적 유의성을 규명하는 것을 목적으로 한다. 일반적으로 최소제곱법(Ordinary Least Squares, OLS)을 사용하여 매개변수를 추정하며, 분석의 단위에 따라 구역별 집계 모형과 가구별 비집계 모형으로 구분된다.

가장 널리 사용되는 형태는 다중 선형 회귀 모형으로, 특정 구역의 통행 발생량 $ Y $와 독립 변수 $ X_i $ 간의 관계를 다음과 같은 선형 결합으로 나타낸다.

$$ Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_n X_n + \epsilon $$

여기서 $ _0 $는 상수항, $ _i $는 각 독립 변수의 영향력을 나타내는 회귀 계수이며, $ $은 모형이 설명하지 못하는 오차항(Error Term)을 의미한다. 독립 변수로는 주로 인구수, 가구 소득, 자동차 보유대수, 종사자수 등이 채택된다. 선형 모형은 구조가 단순하여 해석이 용이하고 실무 적용성이 높다는 장점이 있으나, 변수 간의 관계가 반드시 직선적이어야 한다는 전제가 필요하다.

현실의 교통 현상은 비선형적 특성을 띠는 경우가 많으므로, 변수 변환을 통한 비선형 회귀(Non-linear Regression) 모형이 도입되기도 한다. 예를 들어, 변수에 로그를 취한 로그-로그 모형(Log-Log Model)은 변수 간의 탄력성(Elasticity)을 직접 산출할 수 있게 하며, 통행량이 음수가 될 수 없는 이산적 정수값이라는 점을 고려하여 포아송 회귀(Poisson Regression Model)나 음이항 회귀(Negative Binomial Regression Model)와 같은 확률론적 모형이 활용되기도 한다. 이러한 비선형 접근법은 독립 변수의 변화에 따른 통행량의 가속적 증가나 한계 효용 체감의 법칙을 모형 내에 수용할 수 있도록 한다.

회귀 모형의 신뢰성을 확보하기 위해서는 통계적 검증 과정이 필수적이다. 모형의 전체적인 설명력은 결정 계수($ R^2 $)를 통해 평가하며, 개별 독립 변수의 유의성은 t-검정(t-test)을 통해 확인한다. 또한, 독립 변수들 사이에 강한 상관관계가 존재하여 회귀 계수의 추정치가 불안정해지는 다중 공선성(Multicollinearity) 문제를 사전에 점검해야 한다. 특히 구역 단위의 회귀 분석에서는 각 존의 크기 차이로 인해 발생하는 이분산성(Heteroscedasticity) 문제나 공간적 인접성에 따른 공간적 자기상관(Spatial Autocorrelation) 현상이 발생할 수 있으므로, 이를 보정하기 위한 가중치 설정이나 공간 회귀 기법의 적용이 검토되어야 한다.¹¹⁾

카테고리 분석(Category Analysis) 모형은 통행 발생량을 산정하기 위해 가구(Household)를 사회경제적 특성에 따라 동질적인 집단으로 분류하고, 각 집단별로 관측된 평균 통행률을 적용하는 기법이다. 이 모형은 회귀 분석 모형이 지닌 선형성 가정을 탈피하여, 변수 간의 비선형적 관계를 보다 유연하게 반영할 수 있다는 점에서 교통 수요 예측 실무에서 널리 활용된다. 흔히 교차 분류 분석(Cross-Classification Analysis)으로도 불리는 이 방법론은 분석 대상 구역 내의 가구들을 소득 수준, 자동차 보유 대수, 가구원 수 등 통행 행태에 영향을 미치는 주요 지표를 기준으로 다차원 행렬의 칸(Cell)에 할당하는 과정을 거친다.

이 모형의 기본 가정은 동일한 카테고리에 속하는 가구들은 통행 발생 특성이 유사하며, 이러한 특성은 시간이 지나도 비교적 안정적으로 유지된다는 점이다. 분석 절차는 먼저 가구 통행 실태 조사 데이터를 바탕으로 각 카테고리별 평균 통행률을 계산하는 것으로 시작된다. 특정 교통 분석 존(Traffic Analysis Zone)의 총 통행 발생량은 해당 존에 속한 각 카테고리별 가구 수에 해당 카테고리의 평균 통행률을 곱하여 합산하는 방식으로 도출된다. 이를 수식으로 표현하면 다음과 같다.

$ T_i = %%//%%{a} %%//%%{b} %%//%%{n} (H%%//%%{i, a, b, , n} R_{a, b, , n}) $

여기서 $ T_i $는 존 $ i $에서 발생하는 총 통행량이며, $ H_{i, a, b, , n} $은 존 $ i $ 내에서 독립 변수 $ a, b, , n $의 특정 조합에 해당하는 카테고리에 속한 가구 수를 의미한다. $ R_{a, b, , n} $은 해당 카테고리에 속한 가구당 평균 통행률이다. 이러한 구조 덕분에 카테고리 분석 모형은 독립 변수와 종속 변수 사이의 관계를 사전에 특정 함수 형태로 정의할 필요가 없으며, 변수 간의 상호작용 효과를 별도의 항 추가 없이도 자연스럽게 모형 내에 포함할 수 있다.

카테고리 분석 모형의 주요 장점은 모형의 구조가 단순하여 이해하기 쉽고, 표본(Sample) 데이터를 직접적으로 활용하므로 분석 결과의 직관성이 높다는 것이다. 특히 회귀 분석에서 발생할 수 있는 독립 변수 간의 다중공선성(Multicollinearity) 문제에서 자유롭다는 점이 큰 강점이다. 또한, 가구원 수나 자동차 보유 대수가 증가함에 따라 통행량이 체감하거나 특정 구간에서 급격히 변하는 비선형적 특성을 효과적으로 포착할 수 있다.

그러나 이 모형은 분류 기준이 되는 변수와 카테고리의 수가 증가함에 따라 요구되는 데이터의 양이 기하급수적으로 늘어나는 문제를 안고 있다. 만약 특정 카테고리에 할당된 표본 수가 불충분할 경우, 해당 칸의 평균 통행률에 대한 신뢰도가 급격히 저하되는 소표본 칸(Empty cell or small sample cell) 문제가 발생한다. 이는 통계적 유의성을 검정할 수 있는 명확한 지표가 부족하다는 단점과 결합되어 모형의 안정성을 해칠 수 있다. 따라서 실무에서는 변수 선정 시 통행 발생에 대한 설명력이 높은 핵심 변수만을 선별하여 카테고리의 총 개수를 적정 수준으로 유지하는 것이 중요하다. 또한 장래 예측 시 각 존별로 미래의 가구 구성 비율을 별도로 추정해야 하는 추가적인 분석 과정이 요구된다는 점도 고려해야 할 요소이다.

통행 유입(Trip Attraction)은 특정 교통분석존(Traffic Analysis Zone, TAZ)이 통행의 목적지로서 갖는 매력의 크기를 정량화한 지표이다. 통행 발생(Trip Production)이 주로 가구의 사회경제적 특성과 거주지의 인구 통계적 변수에 의해 결정되는 공급 측면의 개념이라면, 통행 유입은 해당 구역 내에서 이루어지는 고용, 쇼핑, 교육, 오락 등 활동의 기회와 밀접하게 연관된 수요 측면의 개념이다. 따라서 통행 유입량 산정의 핵심은 특정 지역의 토지 이용(Land Use) 특성과 그곳에서 수행되는 활동의 강도를 적절한 독립 변수로 설정하여 통행 유인력을 모델링하는 데 있다. 통행 유입은 주거지 이외의 활동 공간이 갖는 흡인력을 의미하므로, 해당 구역의 경제적 활력과 공간적 밀도를 반영하는 지표 선정이 무엇보다 중요하다.

통행 유입량을 추정하기 위해 가장 널리 사용되는 기법은 회귀 분석(Regression Analysis) 모형이다. 이 모형은 특정 존으로 유입되는 통행량을 종속 변수로 설정하고, 해당 존의 고용자 수, 업종별 사업체 수, 건축물 연면적(Gross Floor Area), 학생 수 등 통행을 유발하는 시설의 규모를 독립 변수로 활용한다. 통행 목적에 따라 유입량에 영향을 미치는 결정 요인이 상이하므로, 통행 목적별로 별도의 회귀식을 구성하는 것이 일반적이다. 예를 들어 출근 통행의 유입량은 해당 구역의 총 고용자 수(Number of Employees)와 강한 상관관계를 보이며, 등교 통행은 학교 시설의 수용 인원이나 학생 수에 의해 결정된다. 일반적인 통행 유입 회귀 모형의 구조는 다음과 같이 표현된다.

$$ A_{j, p} = \beta_0 + \beta_1 X_{1, j} + \beta_2 X_{2, j} + \dots + \beta_n X_{n, j} + \epsilon $$

여기서 $ A_{j, p} $는 목적지 $ j $에서 목적 $ p $에 대해 발생하는 통행 유입량이며, $ X_{n, j} $는 해당 구역의 사회경제적 변수, $ _n $은 각 변수의 영향력을 나타내는 회귀 계수, $ $은 오차항을 의미한다. 모형 구축 시에는 변수 간의 다중 공선성(Multicollinearity) 문제를 검토하여 독립 변수 간의 높은 상관관계가 모델의 신뢰성을 저해하지 않도록 주의해야 한다. 또한, 추정된 회귀식의 통계적 유의성을 검증하기 위해 결정계수(Coefficient of Determination, $ R^2 $)와 t-검정(t-test) 등을 활용하여 모형의 설명력을 평가한다. 통행 유입 회귀 모형은 존의 특성을 직접 반영할 수 있다는 장점이 있으나, 미래 예측 시 독립 변수값의 변화를 정확히 추정해야 한다는 전제가 따른다.

또 다른 주요 기법으로는 원단위법(Unit Rate Method)이 있다. 이는 특정 토지 이용 용도나 시설의 단위 면적 혹은 단위당 발생하는 평균 통행량을 조사하여 전체 유입량을 산정하는 방식이다. 주로 교통영향평가나 대규모 단지 개발 사업에서 특정 시설물의 유입량을 예측할 때 유용하게 활용된다. 예를 들어, 상업 시설의 경우 매장 면적 $ 100m^2 $당 발생하는 유입 통행 원단위를 산출한 뒤, 계획된 시설의 전체 면적을 곱하여 총 유입량을 추정한다. 이 방법은 모형 구조가 단순하고 실무적 적용이 용이하며 데이터 수집 비용이 저렴하다는 장점이 있으나, 지역적 특성이나 교통 체계의 변화에 따른 유동적인 통행 행태를 반영하기 어렵다는 한계가 있다. 특히 원단위는 시간의 흐름에 따라 변화하므로 주기적인 갱신이 필수적이다.

통행 발생 단계의 최종 결과물은 각 존별 발생량(Production)의 총합과 유입량(Attraction)의 총합이 일치해야 한다는 통행 발생 균형 조정(Balancing Trip Generation) 원리를 충족해야 한다. 이론적으로 전체 분석 대상 지역(Study Area) 내에서 생성된 모든 통행은 반드시 어딘가로 유입되어야 하므로, 시스템 전체의 총 발생량과 총 유입량은 동일해야 한다. 그러나 각 존별로 독립적인 회귀 모형이나 원단위법을 적용하여 산정한 결과값의 합계는 일치하지 않는 경우가 일반적이다. 이때 통상적으로 인구 주택 총조사 등 가구 통계 자료를 바탕으로 산출되어 신뢰도가 더 높은 것으로 간주되는 총 발생량을 기준으로 유입량을 조정하는 방식을 취한다. 특정 존 $ j $의 조정된 유입량 $ A’_j $는 다음과 같은 산식을 통해 결정된다.

$$ A'_j = A_j \times \frac{\sum P_i}{\sum A_j} $$

위 식에서 $ P_i $는 지역 내 모든 존의 발생량 총합이며, $ A_j $는 조정 전 유입량의 총합이다. 이러한 보정 과정을 거침으로써 통행 발생 단계의 데이터는 이후 통행 분포(Trip Distribution) 단계에서 활용 가능한 일관된 기초 자료로서의 형식을 갖추게 된다. 결과적으로 통행 유입량 산정 기법은 도시 공간 구조 내에서 특정 지점이 갖는 경제적, 사회적 기능의 강도를 교통 수요의 관점에서 재해석하는 과정이라 할 수 있다.

통행 발생 분석은 교통 수요 예측의 가장 기초적인 단계로, 객관적인 통계 자료와 정밀한 공간 분할을 바탕으로 수행된다. 분석 절차는 크게 분석 대상 지역의 공간적 정의, 기초 자료의 수집 및 가공, 추정 모형의 구축 및 검증, 그리고 미래 통행량의 예측 단계로 구분된다. 실무적으로는 각 단계에서 발생하는 오차를 최소화하고 분석 결과의 신뢰성을 확보하기 위한 정교한 보정 작업이 수반된다.

분석의 첫 단계인 교통 분석 존(Traffic Analysis Zone, TAZ) 설정은 전체 수요 예측의 정밀도를 결정하는 중요한 작업이다. 존은 내부적으로 동질적인 토지 이용 특성을 가져야 하며, 행정 구역 경계나 도로, 하천 등 물리적 지형지물과 일치하도록 설정하는 것이 일반적이다. 존의 크기가 너무 크면 존 내 통행(Intrazonal trip)이 과다하게 발생하여 노선 배정의 정확도가 떨어지고, 반대로 너무 작으면 분석에 필요한 사회경제 지표를 확보하기 어려워지므로 분석의 목적과 가용 데이터의 수준을 고려하여 적절한 규모를 결정해야 한다.

기초 자료 수집 단계에서는 가구 통행 실태 조사와 같은 설문 자료와 인구 주택 총조사 등의 통계 자료를 활용한다. 수집된 데이터는 기준 연도(Base Year)의 통행 행태를 설명할 수 있도록 전처리 과정을 거친다. 이때 표본조사 결과를 전체 인구로 확장하는 전수화 과정에서 발생할 수 있는 편향(bias)을 제어하는 것이 필수적이다. 특히 통행 목적별(출근, 등교, 쇼핑, 귀가 등)로 구분하여 데이터를 정리함으로써, 각 목적에 영향을 미치는 독립 변수의 유의성을 확보할 수 있도록 한다.

모형 구축 단계에서는 설정된 변수를 바탕으로 회귀 분석이나 카테고리 분석 등을 수행하여 통행발생량과 통행유입량을 산정한다. 실무적으로 가장 중요하게 다루어지는 사항 중 하나는 통행발생량(Production)과 통행유입량(Attraction)의 평형 유지이다. 이론적으로 특정 지역 전체에서 발생하는 총통행량과 유입되는 총통행량은 일치해야 하지만, 각기 다른 모형으로 산출된 두 값은 차이를 보이는 경우가 많다. 이를 해결하기 위해 일반적으로 통행발생량을 기준으로 유입량을 조정하는 통행 평형(Trip Balancing) 과정을 거친다. 통행발생량은 가구 수나 소득 등 비교적 정확한 통계에 기반하기 때문에 유입량보다 신뢰도가 높다고 판단하기 때문이다.

모형의 검증 단계에서는 추정된 결과가 실제 관측된 통행량과 얼마나 유사한지를 평가한다. 결정 계수($R^2$)나 t-통계량을 통해 모형의 통계적 유의성을 확인하며, 논리적으로 타당하지 않은 계수값이 도출될 경우 변수를 재설정하거나 모형 구조를 변경한다. 특히 다중공선성 문제가 발생하지 않도록 변수 간 상관관계를 면밀히 검토해야 한다. 또한, 대규모 상업 시설이나 공항, 터미널과 같이 일반적인 모형으로 설명하기 어려운 특수 발생원(Special Generator)에 대해서는 별도의 조사를 통해 통행량을 보정하는 실무적 유연성이 요구된다.

마지막으로 목표 연도(Target Year)의 미래 통행량을 예측할 때는 장래의 사회경제 지표 예측치를 모형에 대입한다. 이때 과거의 통행 행태가 미래에도 유지될 것이라는 안정성 가정이 전제되나, 급격한 기술 발전이나 사회 구조 변화가 예상될 경우 이를 반영할 수 있는 보정 계수를 도입하기도 한다. 이와 같은 체계적인 분석 절차를 통해 도출된 통행발생량은 이후 통행 분포 단계의 기초 입력 자료로 활용되어 전체 교통 수요 예측의 기초를 형성한다¹²⁾.

교통 수요 예측의 공간적 토대를 마련하는 교통 분석 존(Traffic Analysis Zone, TAZ)의 설정은 분석의 정밀도와 신뢰성을 결정짓는 핵심적인 절차이다. 교통 분석 존은 복잡한 도시 공간을 통계적으로 관리 가능한 최소 단위의 구역으로 분할한 것으로, 해당 구역 내에서 발생하는 모든 통행의 특성을 대표하는 가상의 지점인 존 중심점(Centroid)을 통해 교통망(Network)과 연결된다. 분석 존을 설정하는 일차적인 목적은 방대한 지리적 데이터를 체계적으로 집계(Aggregation)하여 모델의 연산 효율성을 높이는 동시에, 구역 내 사회경제적 변수와 통행 행태 간의 인과관계를 명확히 규명하는 데 있다.

효과적인 교통 분석 존 설정을 위한 가장 중요한 기준은 토지 이용 및 사회경제적 특성의 동질성(Homogeneity)이다. 하나의 존 내부에는 가급적 유사한 용도의 지표가 포함되어야 한다. 예를 들어, 대규모 주거 단지와 공업 지역이 하나의 존으로 묶일 경우, 해당 존의 평균적인 통행 발생 특성이 왜곡되어 통행 발생 모형의 설명력이 저하될 수 있다. 따라서 주거, 상업, 업무 등 토지 이용의 성격이 유사한 지역을 단일 존으로 획정함으로써 존 내부의 변동성을 최소화하고 모델의 예측력을 높여야 한다.

행정 구역 및 통계 구역과의 일치성 또한 필수적인 고려 사항이다. 교통 수요 분석에 필요한 인구, 가구 수, 종사자 수 등의 사회경제적 지표는 대개 읍·면·동 단위의 행정 구역이나 인구 주택 총조사의 집계구(Census Tract)를 기준으로 조사 및 발표된다. 만약 교통 분석 존의 경계가 이러한 기존 통계 단위와 일치하지 않을 경우, 데이터의 가공 과정에서 인위적인 배분 오차가 발생할 수 있다. 따라서 실무적으로는 행정 동이나 법정 동의 경계를 우선적으로 고려하되, 분석의 목적에 따라 이를 세분화하거나 통합하는 방식을 취한다.

지형적 요인과 물리적 장벽 역시 존 분할의 기준이 된다. 강, 하천, 산맥과 같은 천연의 장벽이나 고속도로, 철도, 주요 간선도로와 같은 인공적 시설물은 지역 간 통행의 단절을 초래하는 요소이다. 이러한 물리적 경계는 실제 통행자의 이동 경로를 제한하므로, 이를 경계선으로 활용하여 존을 설정하는 것이 실제 교통 흐름을 반영하는 데 유리하다. 특히 물리적 장벽을 가로지르는 통행은 반드시 교량이나 교차로 등 특정 지점을 통과해야 하므로, 존 경계 설정 시 이를 반영함으로써 노선 배정 단계의 정확도를 제고할 수 있다.

존의 크기와 개수의 결정은 분석의 상세도와 연산 비용 사이의 상충 관계(Trade-off)를 조절하는 과정이다¹³⁾. 존의 크기를 너무 크게 설정하면 존 내부에서 완결되는 내부 통행(Intra-zonal Trip)의 비중이 과도하게 높아져 실제 교통망에 부하를 주는 통행량이 과소 추정될 위험이 있다. 반대로 존을 지나치게 세분화하면 데이터 수집 비용이 급증하고 모형의 수렴 속도가 늦어지는 등 효율성이 저하된다. 일반적으로 도시 지역은 통행 밀도가 높으므로 존을 작게 설정하고, 외곽이나 지방 지역은 상대적으로 크게 설정하는 것이 통상적이다.

마지막으로 각 존은 교통망과의 연결성을 고려하여 설정되어야 한다. 설정된 존의 중심점은 해당 구역의 통행 가중치를 대표하며, 가상의 연결선인 커넥터(Connector)를 통해 실제 도로망의 노드(Node)에 접속된다. 이때 중심점의 위치가 실제 통행 발생의 중심지에서 벗어나거나 커넥터가 부적절하게 연결될 경우, 특정 도로 구간에 교통량이 집중되거나 누락되는 왜곡 현상이 발생할 수 있다. 따라서 교통 분석 존의 설정은 단순한 지리적 분할을 넘어, 향후 진행될 통행 분포와 노선 배정의 정밀도를 담보하기 위한 전략적 설계 과정이라 할 수 있다.

통행 발생 모형의 구축과 교통 수요 예측의 정확성은 분석의 기초가 되는 현장 데이터의 품질에 의해 결정된다. 이를 위해 수행되는 기초 자료 수집의 핵심은 가구 통행 실태 조사(Household Travel Survey)이다. 이 조사는 특정 지역 내 거주하는 가구와 그 구성원의 하루 동안의 모든 이동 행태를 파악하는 것을 목적으로 하며, 국가교통데이터베이스(Korea Transport Database, KTDB)와 같은 공공 기관의 주도로 정기적으로 수행된다. 조사 설계 시에는 분석 대상 지역 전체의 특성을 반영할 수 있도록 층화 무작위 추출법(Stratified Random Sampling)을 주로 활용한다. 이는 지역별, 가구 규모별, 소득 수준별로 모집단을 층화하여 표본의 대표성을 확보하기 위함이다.

조사 항목은 크게 가구 특성, 개인 특성, 통행 특성의 세 가지 범주로 구분된다. 가구 특성에는 가구원 수, 자동차 보유 대수, 가구 소득, 주택 점유 형태 등이 포함되며, 이는 통행 발생량의 주요 독립 변수로 활용된다. 개인 특성은 연령, 성별, 직업, 경제 활동 여부 등을 다루어 통행의 주체별 행태 차이를 분석하는 기초가 된다. 통행 특성은 개별 이동의 기점(Origin)과 종점(Destination), 통행 목적(출근, 등교, 쇼핑 등), 이용 교통 수단, 출발 및 도착 시각 등을 포함하며, 이는 이후 단계인 통행 분포와 수단 분담 분석의 직접적인 입력 자료가 된다.

수집된 원시 자료(Raw Data)는 분석에 적합한 형태로 가공하기 위해 엄격한 전처리 과정을 거친다. 전처리의 첫 번째 단계는 논리 검사(Logic Check)이다. 이는 수집된 데이터 중 물리적으로 불가능하거나 논리적으로 모순되는 정보를 식별하여 수정하거나 제거하는 작업이다. 예를 들어, 통행의 도착 시각이 출발 시각보다 빠르거나, 이동 거리와 소요 시간을 계산했을 때 비현실적인 이동 속도가 산출되는 경우, 혹은 가구원 수보다 해당 가구의 통행자 수가 더 많게 기록된 경우 등이 검토 대상이다. 또한, 결측값(Missing Value)에 대해서는 주변 가구의 평균치를 할당하거나 통계적 기법을 통해 보정하는 과정을 거친다.

전처리 과정의 핵심 중 하나는 전수화(Expansion) 작업이다. 표본 조사를 통해 얻은 데이터는 전체 모집단을 대표하기 위해 일정한 가중치를 곱하여 확대 해석되어야 한다. 전수화 계수(Expansion Factor)는 조사된 표본이 모집단의 몇 가구 또는 몇 명을 대표하는지를 나타내는 수치로, 통상적으로 인구주택총조사(Census) 자료를 기준으로 산정된다. 이때 단순 비율을 적용하기보다는 지역, 연령, 성별 등의 분포를 맞추는 사후 층화 가중치(Post-stratification Weighting) 기법을 사용하여 표본 추출 과정에서 발생할 수 있는 표본 오차를 최소화한다.

마지막으로 가공된 개별 데이터는 분석의 공간 단위인 교통 분석 존(Traffic Analysis Zone, TAZ)별로 집계(Aggregation)된다. 개별 가구 및 개인 단위의 통행 기록을 존 단위의 총 발생량과 유입량으로 전환함으로써, 특정 구역의 토지 이용 및 사회경제적 지표와 통행량 간의 상관관계를 도출할 수 있는 준비를 마친다. 최근에는 전통적인 설문 조사 방식의 한계를 극복하기 위해 모바일 빅데이터, 교통카드 데이터, 내비게이션 주행 기록 등 방대한 디지털 궤적 자료를 기초 자료 수집 및 전처리 과정에 통합하여 분석의 정밀도를 높이는 추세이다.

추정된 통행 발생 모형이 현실의 교통 현상을 적절히 설명하고 있는지 확인하고, 장래 예측의 신뢰성을 확보하기 위해서는 모형의 보정(Calibration)과 검증(Validation) 과정이 필수적으로 요구된다. 보정은 관측된 자료를 바탕으로 모형 내 매개변수(Parameter)를 추정하거나 조정하여 모형의 출력값이 실제 관측값에 최대한 근사하도록 최적화하는 과정을 의미한다. 반면 검증은 보정된 모형이 구축 과정에서 사용되지 않은 독립적인 데이터셋에 대해서도 통계적으로 유의미한 예측력을 보유하고 있는지 평가하는 단계이다. 이 과정은 교통 수요 예측 전체 과정의 정확도를 결정짓는 기초 토대가 된다.

모형의 통계적 적합성을 평가하기 위해 가장 보편적으로 활용되는 지표는 결정계수(Coefficient of Determination, $R^2$)이다. 이는 독립 변수가 종속 변수인 통행 발생량의 전체 분산을 얼마나 설명하는지를 나타내는 척도로서, 1에 가까울수록 모형의 설명력이 높다고 판단한다. 또한 각 독립 변수의 계수가 통계적으로 유의한지를 검토하기 위해 t-검정(t-test)을 수행하며, 모형 전체의 유의성은 분산 분석(ANOVA)을 통한 F-통계량으로 확인한다. 실무적으로는 예측값과 관측값 사이의 평균적인 오차 수준을 파악하기 위해 평균 제곱근 오차(Root Mean Square Error, RMSE)나 평균 절대 백분율 오차(Mean Absolute Percentage Error, MAPE)를 병행하여 검토한다.

통행 발생 단계의 보정에서 특히 중요하게 다뤄지는 절차는 발생량(Production)과 유입량(Attraction)의 총량 균형(Balancing) 조정이다. 이론적으로 특정 분석 대상 지역 전체에서 발생하는 총 통행량의 합은 해당 지역으로 유입되는 총 통행량의 합과 일치해야 한다. 그러나 회귀 분석 등을 통해 독립적으로 추정된 발생량과 유입량은 데이터의 오차나 모형의 구조적 차이로 인해 서로 일치하지 않는 경우가 빈번하다.

$$ \sum_{i} P_i \neq \sum_{j} A_j $$

위 식에서 $P_i$는 존 $i$의 통행 발생량을, $A_j$는 존 $j$의 통행 유입량을 의미한다. 이러한 불일치를 해결하기 위해 일반적으로 통행 발생량의 총합을 제어 총계(Control Total)로 설정하고, 이에 맞춰 유입량을 조정하는 방식을 취한다. 이는 가구 통행 실태 조사 등을 통해 파악된 주거지 기반의 발생량 데이터가 비주거지 기반의 유입량 데이터보다 표본의 신뢰성이 높다는 경험적 판단에 근거한다. 조정된 유입량 $A'_j$는 다음과 같은 산식에 의해 결정된다.

$$ A'_j = A_j \times \frac{\sum P_i}{\sum A_j} $$

이러한 수치적 보정 외에도 모형의 검증 과정에서는 예측된 통행량이 사회경제적 상식이나 도시 공간 구조의 특성과 부합하는지 검토하는 논리적 타당성 확인이 수반되어야 한다. 예를 들어 인구 밀도가 높은 주거 지역에서 발생량이 지나치게 낮게 추정되거나, 대규모 상업 지구가 포함된 존의 유입량이 과소 산정되었다면 모형의 구조적 결함이나 변수 선정의 오류를 의심해야 한다. 잔차 분석(Residual Analysis)을 통해 특정 지역에서 일관되게 발생하는 편향(Bias)을 식별하고, 이를 보정하기 위해 추가적인 변수를 도입하거나 모형의 형태를 재설계하는 반복적인 과정이 수행된다.

최종적으로 검증이 완료된 모형은 기준 연도의 교통 현상을 재현하는 데 그치지 않고, 장래의 사회경제적 지표 변화에 따른 통행 행태의 변화를 합리적으로 투영할 수 있어야 한다. 따라서 보정 및 검증 단계는 단순한 통계적 수치 맞추기를 넘어, 토지 이용과 인간의 활동 체계 사이의 인과관계를 명확히 규명하고 이를 모형 내에 올바르게 정착시키는 과정이라 할 수 있다. 이 단계에서 확보된 모형의 신뢰성은 이후 진행되는 통행 분포, 수단 분담, 노선 배정 단계의 오차 전파를 최소화하는 결정적인 역할을 한다.

통행 발생 분석은 도시 계획 및 교통 정책 수립의 초기 단계에서 자원 배분의 우선순위를 결정하는 결정적인 근거를 제공한다. 구체적으로는 도시 기본 계획 내의 토지 이용 계획에 따른 교통 부하를 산정하거나, 특정 택지 개발 및 산업 단지 조성 시 수행되는 교통영향평가의 기초 자료로 활용된다. 분석 결과로 산출된 통행량은 장래의 도로망 확충, 대중교통 노선 신설, 그리고 교통 시설물의 용량 설계에 직접적인 지표가 된다. 또한, 정부의 예비타당성조사 과정에서 사회적 편익을 계산하기 위한 수요 추정의 출발점으로서 정책적 의사결정의 객관성을 담보하는 역할을 수행한다.

그러나 통행 발생 분석은 이론적으로 유발 수요(Induced Demand)를 충분히 반영하지 못한다는 비판을 받는다. 전통적인 4단계 수요 예측 모형의 구조상 통행 발생 단계는 교통 시설의 공급 상태나 통행 비용의 변화를 사전에 고려하지 않는 정적 모델의 성격이 강하다. 즉, 도로 용량이 증설됨에 따라 잠재되어 있던 수요가 실제 통행으로 전환되는 현상을 포착하기 어려우며, 이는 실제 교통량과 예측치 사이의 괴리를 발생시키는 주요 원인이 된다. 이러한 한계를 극복하기 위해 통행 분포나 노선 배정 단계의 결과를 다시 통행 발생 단계로 환류(feedback)시키는 시도가 이루어지고 있으나, 계산의 복잡성과 수렴성 문제로 인해 실무적 적용에는 여전히 제약이 따른다.

기술적 측면에서는 수정 가능한 단위 구역 문제(Modifiable Areal Unit Problem, MAUP)가 분석의 신뢰성을 저해하는 요인으로 작용한다. 통행 발생량은 교통 분석 존(Traffic Analysis Zone, TAZ)의 경계 설정 방식이나 공간적 해상도에 따라 결과값이 달라지는 민감도를 보인다. 구역을 어떻게 분할하느냐에 따라 통계적 유의성이 변하는 규모 효과(scale effect)와 구역 설정 효과(zoning effect)가 발생하며, 이는 분석자의 임의성이 개입될 여지를 남긴다¹⁴⁾. 또한, 가구 통행 실태 조사와 같은 표본 조사에 의존하는 데이터 수집 방식은 급변하는 도시 구조와 통행 행태의 시의성을 확보하는 데 한계가 있다.

현대 사회의 구조적 변화 또한 기존 통행 발생 분석 기법에 새로운 과제를 던지고 있다. 정보 통신 기술(ICT)의 발달로 인한 재택근무의 확산, 전자상거래 기반의 물류 통행 증가, 그리고 공유 경제 모델에 기초한 새로운 모빌리티 서비스의 등장은 과거의 인구 통계적 변수만으로는 설명하기 어려운 복잡한 통행 패턴을 형성한다. 특히 보행이나 자전거와 같은 비동력 교통수단에 의한 단거리 통행은 전통적인 분석 체계에서 과소평가되는 경향이 있어, 탄소 중립과 지속 가능한 교통 정책 수립을 위한 정밀한 분석 도구로서의 고도화가 요구되는 시점이다.

통행 발생은 교통 수요 예측의 전통적인 4단계 수요 예측 모형에서 가장 먼저 수행되는 단계로, 전체 분석 체계의 기초(Foundation)를 형성한다. 이 단계의 핵심적 역할은 도시 활동 체계의 산물인 인구, 고용, 토지 이용 등의 사회경제적 지표를 구체적인 교통 수요의 양으로 치환하는 것이다. 통행 발생 단계에서 결정된 각 교통 분석 존별 통행 발생량($P_i$)과 통행 유입량($A_j$)은 이후 이어지는 통행 분포, 수단 분담, 노선 배정 단계의 절대적인 통제 수치(Control Totals)로 작용하며, 전체 모델링의 규모와 방향성을 규정한다.

통행 분포(Trip Distribution) 단계와의 관계에서 통행 발생은 기점과 종점의 제약 조건을 제공하는 역할을 수행한다. 통행 분포 단계는 발생된 통행이 어느 지역으로 향하는지를 결정하여 기종점 행렬(Origin-Destination Matrix)을 구축하는 과정이다. 이때 통행 발생 단계에서 산출된 각 존의 총량은 행렬의 행의 합과 열의 합이 되어야 한다. 즉, 특정 존 $i$에서 출발하는 모든 통행의 합은 $P_i$와 같아야 하며, 특정 존 $j$로 도착하는 모든 통행의 합은 $A_j$와 일치해야 한다. 만약 통행 발생 단계에서 총량 산정에 오류가 발생한다면, 아무리 정교한 중력 모형(Gravity Model)을 적용하더라도 공간적 상호작용의 분포 자체가 왜곡되는 결과를 초래한다. 이론적으로 전체 분석 대상 지역 내의 총 발생량과 총 유입량은 다음과 같은 평형 상태를 유지해야 한다.

$$\sum_{i} P_i = \sum_{j} A_j$$

이러한 수량적 일관성은 전체 교통망 내에서의 통행 보존 법칙을 의미하며, 후속 단계인 수단 분담(Modal Split)과 노선 배정(Traffic Assignment)으로 이어지는 과정에서 예측치의 신뢰도를 담보하는 일차적인 기준이 된다. 수단 분담 단계에서는 통행 발생 단계에서 확정된 총 통행량을 바탕으로 승용차, 버스, 지하철 등 개별 교통 수단으로의 배분 비율을 결정하며, 노선 배정 단계에서는 이를 실제 도로망이나 철도망의 개별 링크(Link)에 할당한다. 따라서 통행 발생 단계의 예측 오차는 하위 단계로 내려갈수록 누적되고 증폭되는 오차 전파(Error Propagation) 현상을 일으킨다. 첫 번째 단계에서 발생한 미세한 과다 혹은 과소 추정은 최종적인 특정 도로 구간의 교통량 추정치에 막대한 영향을 미치며, 이는 결과적으로 잘못된 도로 용량 설계나 타당성 없는 교통 시설 투자 계획으로 이어질 위험이 있다.

또한 통행 발생은 도시 계획과 교통 계획을 연결하는 가교 역할을 한다. 도시 전체의 공간 구조나 토지 이용 계획이 변경될 때, 그 변화가 교통 체계에 미치는 영향은 통행 발생 단계를 통해 가장 먼저 정량화된다. 예를 들어, 특정 구역의 용도 지역이 주거 지역에서 상업 지역으로 변경될 경우, 해당 존의 유입 계수가 수정되어 전체 통행 패턴의 변화를 유도한다. 이처럼 통행 발생은 단순히 숫자를 산출하는 단계를 넘어, 도시의 활동 강도와 교통 부하 사이의 인과관계를 규명하고 정책 대안의 효율성을 평가하는 출발점으로서의 위상을 갖는다. 결국 교통 수요 예측 체계에서 통행 발생의 역할은 전체 시스템의 입력값에 대한 신뢰 구간을 설정하고, 후속 분석 과정이 물리적·논리적 정합성을 유지하도록 제어하는 사령탑과 같다.

전통적인 통행 발생 모형, 특히 회귀 분석이나 카테고리 분석에 기반한 접근법은 과거의 통행 패턴이 미래에도 일정하게 유지될 것이라는 시간적 안정성(Temporal Stability)을 전제로 한다. 그러나 이러한 정적 분석 체계는 급변하는 교통 환경과 사회 구조적 변동을 수용하는 데 근본적인 한계를 지닌다. 우선, 전통적 모형은 사회경제적 지표와 통행량 사이의 관계를 고정된 것으로 간주함으로써, 기술 혁신이나 정책 변화에 따른 통행 행태의 동태적 변화를 포착하지 못한다. 예를 들어, 교통 시설의 확충으로 인해 새롭게 창출되는 유도된 수요(Induced Demand)나, 반대로 교통 혼잡으로 인해 억제되는 수요의 메커니즘을 설명하기에는 역부족이다.

인구 통계적 구조의 변화 역시 기존 모형의 신뢰도를 저하시키는 주요 요인이다. 과거 대가족 중심의 사회 구조를 바탕으로 설계된 모형들은 최근 급증하는 1인 가구와 고령화 현상을 적절히 반영하지 못하고 있다¹⁵⁾. 1인 가구의 통행 특성은 다인 가구와 비교하여 통행 빈도와 목적, 시간대 측면에서 뚜렷한 차이를 보이며, 고령 인구의 증가 또한 비업무용 통행의 비중을 높이는 등 전체 통행 발생 체계에 질적인 변화를 가져오고 있다. 이러한 가구 구조의 분화와 인구 구성의 변화는 기존의 집계형(Aggregate) 변수만으로는 설명되지 않는 개별 통행자의 특수한 행태를 양산한다.

정보 통신 기술(Information and Communication Technology, ICT)의 발달은 통행의 물리적 필요성 자체를 변화시키고 있다. 재택근무(Telecommuting), 전자상거래(E-commerce), 화상 회의 등의 확산은 과거 반드시 이동을 수반해야 했던 활동들을 비물리적 수단으로 대체하고 있으나, 전통적인 통행 발생 모형은 이러한 기술적 요인에 의한 통행 저감 효과를 정량화하는 데 한계를 보인다. 또한, 현대인의 복잡한 생활 양식은 하나의 목적지를 왕복하는 단순 통행보다는 여러 목적지를 한 번에 방문하는 연쇄 통행(Trip Chaining)의 형태를 띠는 경우가 많다. 그러나 기존의 교통 분석 존 단위 집계 분석은 이러한 통행 간의 유기적 연결성을 무시하고 개별 통행을 독립적인 사건으로 취급함으로써 실제 통행 발생량을 왜곡할 위험이 있다.

결론적으로, 전통적 모형은 분석의 편의성과 자료 수집의 용이성이라는 장점에도 불구하고, 통행의 근본적인 동기인 인간의 활동 자체에 주목하지 못한다는 비판을 받는다. 이는 교통 수요 예측이 단순한 수치 추정을 넘어 복잡한 사회 현상을 진단하는 도구가 되어야 한다는 현대적 요구에 부합하지 못하는 결과를 초래한다. 따라서 최근의 연구들은 개인이나 가구의 하루 일과를 분석 단위로 삼는 활동 기반 모형(Activity-Based Model)을 통해 기존 정적 분석의 한계를 극복하려는 시도를 지속하고 있다¹⁶⁾.

전통적인 통행 발생 분석은 가구 통행 실태 조사와 같은 설문 기반의 정적 자료에 의존해 왔으나, 이는 데이터 수집의 시간적·비용적 한계와 표본 오차라는 근본적인 문제를 안고 있다. 최근 디지털 전환과 함께 등장한 빅데이터와 인공지능 기술은 이러한 한계를 극복하고 실시간성을 확보하는 방향으로 통행 발생 분석의 패러다임을 전환시키고 있다. 특히 모바일 통신 데이터(Call Detail Record, CDR)와 스마트카드 데이터, 그리고 차량에 탑재된 위치 확인 시스템(Global Positioning System, GPS) 데이터는 전수 조사에 가까운 방대한 표본을 제공함으로써, 특정 교통 분석 존의 통행 발생량을 단순히 추정하는 수준을 넘어 시간대별 변동성을 정밀하게 파악할 수 있게 한다.

기계 학습(Machine Learning)과 심층 학습(Deep Learning) 기법의 도입은 비선형적이고 복잡한 변수 간의 관계를 규명하는 데 탁월한 성능을 보인다. 기존의 회귀 분석 모형이 변수 간의 선형성을 가정했던 것과 달리, 심층 신경망(Deep Neural Network, DNN)이나 랜덤 포레스트(Random Forest) 등의 알고리즘은 토지 이용, 기상 조건, 사회적 이벤트 등 다양한 외부 요인을 통합하여 예측의 정확도를 획기적으로 높인다¹⁷⁾. 특히 통행 데이터의 시계열적 특성을 반영하기 위해 순환 신경망(Recurrent Neural Network, RNN)의 변형인 장단기 메모리(Long Short-Term Memory, LSTM) 모형이 널리 활용되며, 이는 단기적인 통행 수요의 급증이나 감소를 실시간으로 예측하는 데 기여하고 있다.

공간적 상관관계를 고려한 분석 기법의 발전도 주목할 만하다. 도시의 교통 네트워크를 그래프 구조로 모델링하여 특정 구역의 통행 발생이 인접 구역에 미치는 파급 효과를 분석하는 그래프 신경망(Graph Neural Network, GNN) 기법이 대표적이다¹⁸⁾. 이러한 기법은 도시 공간의 기하학적 특성과 위상적 관계를 학습에 반영함으로써, 단순한 통계적 수치를 넘어 공간적 자기 상관성을 효과적으로 처리한다. 이는 대규모 도시 네트워크에서 발생하는 복잡한 통행 패턴을 정교하게 모사하는 데 필수적인 도구가 되고 있다.

기술적 발달은 통행 발생 분석을 활동 기반 모형(Activity-Based Model, ABM)으로 진화시키고 있다. 이는 통행을 단순히 지점 간의 이동으로 보는 것이 아니라, 개인의 하루 일과 중 발생하는 연속적인 활동의 산물로 파악한다. 마이크로 시뮬레이션 기법과 결합된 활동 기반 모형은 개별 행위자의 의사결정 과정을 모사하며, 이는 자율주행 자동차나 공유 모빌리티 서비스의 도입에 따른 미래 교통 수요의 변화를 예측하는 데 핵심적인 역할을 수행한다. 이러한 분석 기법의 발전은 단순히 예측의 정확도를 높이는 데 그치지 않고, 스마트 시티의 교통 관리 시스템과 연동되어 능동적인 수요 관리를 가능케 하며, 정책 결정자가 보다 유연하고 과학적인 교통 정책을 수립하는 기반이 된다.