서론
선행연구
1. 대중교통 차내시간 산정에 관한 문헌 및 연구
2. 교통수단 간 통행시간 비교 연구
연구의 방법론
1. 분석 방법
2. 분석자료 구축
연구 결과
1. 광역권별 승용차·대중교통 통행속도 비교 분석
2. 광역권별 승용차·대중교통 통행시간 비교 분석
결론
서론
최근 대중교통 활성화를 위한 트램, 버스, 철도 등 다양한 교통수단에 대한 정책연구 및 투자가 활발히 진행 중이다. 이와 같은 대중교통 활성화를 위해서는 타당성분석 방법론에도 교통수단 간 통행저항 변화를 현실적으로 반영할 수 있어야 하나, 대중교통에 대한 교통수요예측 방법론은 여전히 도로 중심으로 정립되어 많은 연구가 필요한 실정이다. 특히 대중교통수단으로는 지하철, 광역철도 등이 있으며, 지하철 등 철도 교통수단은 상대적으로 정시성이 보장되나 버스는 교통상황에 따라 통행시간이 크게 영향을 받기 때문에 버스 통행시간을 교통수요예측에 활용하기 위한 지표 등의 연구는 중요하다. 또한 버스 수단의 모빌리티 수준은 수요예측 과정에서 수단분담 모형의 핵심 입력변수이며, 버스 통행시간은 통행배정 결과에 영향을 주는 핵심요소임과 동시에 관련 정책 평가의 핵심적인 지표 및 기초자료로 활용되기 때문이다.
이러한 통행시간 기반의 이동성 지표를 측정하는 방법은 다양하게 정립되어 왔다. 전통적으로 이동수단, 즉 차량의 통행속도를 기반으로 하는 측정방법이 주가 되어왔는데 대부분 차량의 속도를 측정하는 지점 혹은 구간에 관한 것이었다. 한편, 사람의 통행속도 또는 통행시간의 측정은 GPS가 장착된 모바일기기와 스마트카드(교통카드) 이용이 널리 보급된 2000년대 중반 이후 본격화되었다. 그러나 거의 모든 개인의 통행속도 또는 통행시간을 실시간으로 생성하고 수집하는 환경이 구축되었음에도 불구하고, 이를 연구에 활용하는 경우는 여전히 활발하지 못하였고, 그 일부도 공적 영역에서 매우 제한적으로 이루어지고 있다. 그 이유는 그간 개인정보보호법과 같은 규제로 교통정책 수립을 위한 기초자료로 이를 활용하는 것은 쉽지 않았기 때문이며, 2020년 이후 이른바 데이터 3법의 개정을 통해 이러한 자료에의 접근성이 크게 확대된 상황이다.
본 연구는 기존 조사데이터 및 통계 처리 등 분석 방법의 한계를 보완하여, 교통빅데이터를 활용한 교통수요분석의 광역시별 공로의 주요 통행수단인 승용차와 버스의 통행시간을 비교하고 교통수요예측의 수단분담 모형에 적용될 수 있는 대중교통 모빌리티 비교지표를 제시하는 것을 목적으로 한다. 보다 구체적으로는 지도플랫폼의 빅데이터를 활용하여 개인교통수단 대비 노선버스의 모빌리티 수준을 대도시권별로 실증적으로 분석한다. 특히, 클라우드 지도플랫폼 서비스에서 제공하는 Open API를 활용하여 존 Pair별 승용차 통행시간을 수집하며, 승용차 및 버스의 상대적 통행시간·통행속도를 조사하여 비교함으로써 버스의 차내 통행시간 산정 방법론을 제시한다. 또한 이 과정에서 5대 광역시 기준으로 행정동간 승용차·버스 통행속도 가중치 차이 유무를 통계적으로 검증하였다.
본 연구결과는 기존 교통수요분석에서 일반적 수준의 대중교통 통행시간 지표 적용 대신 노선버스 차내통행시간의 현실성 제고를 통한 대도시권 대중교통 정책의 현실적인 분석과 평가에 기여하고자 한다. 특히, 승용차 대비 버스의 통행시간 차이를 동일한 기준으로 비교 분석하고, 교통수요분석의 광역권별로 접근함으로써, 교통수요분석의 수단분담 모형 및 편익 산정에 보다 실무적으로 활용할 수 있다는 점에서 기존 연구와 가장 큰 차별성이 있다.
본 논문의 구성은 다음과 같다. 먼저 관련 선행연구에 대한 검토를 수행하고, 본 연구의 분석 방법과 분석자료 구축 결과를 설명하였다. 그리고 광역권별 승용차·대중교통 통행속도를 비교 분석하였고, 수단분담 모형에 적용될 수 있는 승용차 대비 버스 통행시간 가중치를 도출하였다. 마지막으로 본 연구의 결과 및 향후 연구과제를 제시하였다.
선행연구
1. 대중교통 차내시간 산정에 관한 문헌 및 연구
교통수요분석 실무에서 기본적인 자료가 되는 국가교통데이터베이스(이하 KTDB)는 장래 여객통행량 예측 시 버스의 차내통행시간 산정에 있어, 통행배정의 결과에서 얻어지는 승용차의 차내시간에 일정 배율을 곱한 값을 적용해 왔다. 수도권 KTDB의 경우에는 버스노선이 포함되어 있어 실제 주행시간 등을 고려한 버스 차내시간을 산정하도록 하고 있으나, 그 외 권역은 버스 차내시간을 승용차의 일정배수로 적용하고 있다. Table 1은 KTDB에서 수단선택모형 추정 시 적용한 버스의 차내 및 차외통행시간 산정 방법이다.
Table 1.
Methodology for applying in-vehicle / out-of-vehicle bus travel time for metropolitan travel demand model of KTDB (Since 2002) (KTDB, 2020)
특히, 대도시권 버스의 차내 통행시간은 승용차 차내 통행시간의 1.2-1.35배를 적용하고 있는데, 이와 같이 일반화된 가중치는 광역권별 도시구조 및 대중교통망의 특수성과 광역권내 특정 지역간 대중교통 공급수준을 반영하기 어렵다. 왜냐하면 다양한 도로 환경과 버스노선 환경 그리고 버스 운영 환경은 지역별로 차이가 있기 때문에 하나의 보정계수로 현실적인 버스 통행시간을 묘사하는데 한계가 있기 때문이다(Shim et al., 2021).
이 방법은 근거가 부재할 뿐 아니라 2003년 이후 현재까지 동일한 값이 적용되어 오고 있어 갱신의 필요성이 제기되어 왔다. Choi et al.(2010)은 대중교통 통합요금제를 반영한 수단별 효용함수 기법을 제시하면서 수단별 통행시간 및 통행비용 산출 방법론을 제안한 바 있다. 수도권의 가구통행실태조사 자료에서 버스통행시간을 추출하여 승용차 대비 버스의 상대통행시간 비율을 제시하였는데, 시내간은 1.51, 광역시↔인접시군은 1.43, 인접시군은 1.42, 전체 1.43을 제안하기도 하였다.
이와 별도로 Kim et al.(2011)은 수단분담 모형의 오차를 감소시키기 위하여 분석존의 세분화 정도에 따라 수단분담 효용함수의 파라미터를 추정하였다. 이 과정에서 서울특별시 교통정보센터의 수단별 평균속도와 차내 통행거리를 활용하여 차내시간을 산출한 후 이를 효용함수의 통행저항으로 활용하였다. Lee(2014)는 대전시의 대중교통과 승용차 통행비용을 분석하고 대중교통에 유리한 구조를 바꾸기 위한 정책대안을 도출하는 연구를 수행하였다. 이때 수단별 평균통행속도를 활용하여 통행시간과 일반화 비용을 산출하였는데, 시내버스, 도시철도, 승용차의 3개 수단을 대상으로 오전/오후 첨두로 구분하여 집계된 통행속도 자료를 이용하였다. Lee et al.(2020)는 통행거리에 따라 달라지는 이용자의 수단선택 행태를 모형에 반영하여 집합화된 OD자료의 이론적 한계성을 보완하고자 하였으며, 버스통행시간은 KTDB의 승용차 통행시간 대비 버스통행시간의 비율을 적용하였다.
2. 교통수단 간 통행시간 비교 연구
국내에서는 대도시의 교통혼잡 수준을 보여주는 통계로 매년 각 대도시권(특별시, 광역시)의 승용차 및 시내버스 평균통행속도 조사자료를 e-나라지표 홈페이지(e-Nara Index)를 통해 합산하여 제시하고 있다. 국가지표에서 제공하는 광역시별 승용차 및 버스의 통행속도 자료는 버스 대비 승용차의 통행속도가 1.12-1.79배1)(’18년-’22년 평균) 높은 것으로 제시하고 있으나, 광역시별 통행속도 조사 시기와 기간, 조사 방법 등이 상이하므로 도시별로 직접 비교하기에는 무리가 있으며, 주요 간선 도로망을 대상으로 조사된 것으로 통계로서 대표성을 갖고 있다고 보기도 어렵다. 모든 대도시에서 BMS/BIS 자료가 실시간으로 축적되고 있음에도 불구하고, 전수 데이터를 통계적으로 일반화하여 분석한 연구는 부족한 실정이다.
최근 Shim et al.(2021)은 대구광역시 대상의 내비게이션 및 교통카드 자료의 관측자료를 활용하였고, 이를 통해 버스 사업에 대한 기존 링크 기반의 편익산정 방법이 아닌 존 기종점 기반의 편익산정 방법론을 제안한 바 있다. 연구 결과를 통해 버스 통행시간 보정계수가 1.2-1.4의 값이 가장 많이 분포하는 것, 대구광역시는 전체 보정계수 평균값이 1.49에 해당하는 점을 밝혔다. 해당 연구는 대구시 대상의 네비게이션과 교통카드를 통한 통행시간 비교에 주안점을 두었으나, 본 연구에서는 각 권역간 승용차 대비 버스 통행시간 차이 비교에 주안점을 두고 있으며, 분석 방법론 또한 지도플랬폼 API를 사용한다는 점에서 차별성이 있다. 한편, Alsobky and Mousa(2020)는 Google Maps용 API를 활용하여 자유통행속도를 추정하는 접근방식을 제안하였으며, 이를 통해 법적 제한 속도와 자유통행속도를 비교 검증하였으며, 주요 도로의 급커브에 대한 일관성 있는 통행속도 산출 여부를 평가하고, 이를 이집트 중규모 도시의 교통분석에 활용하는 방법론을 제안하고 있다. Song(2019)은 네비게이션 데이터를 이용하여 지역간 통행의 시간대별 통행량 집중률을 구하고, 이를 교통수요분석 방법에 적용하여 시간대 통행패턴을 보다 현실적으로 모사할 수 있음을 밝히고 있다.
종합하면 빅데이터를 활용하여 이동성 지표를 추정하는 방법론과 관련한 국내 연구는 다수 있으나 국가나 광역도시권을 단위에서 대규모 이동성 지표를 분석한 연구는 매우 부족한 실정이며, 지도플랫폼을 활용한 이동성 지표 분석 연구는 국외 연구가 일부 존재하는 상황이다. 특히, 본 연구는 승용차와 버스 간 통행시간을 동일한 시공간 기준의 비교를 위해 표본 분석이 아닌, 지도플랫폼 API 기반으로 권역별 비교 연구를 수행하였다는 점에서 기존 연구와 큰 차별성이 있다.
연구의 방법론
1. 분석 방법
전통적인 교통수요분석 과정에서는 개별 통행자의 속성 자료를 교통존 개념으로 집합화하여 접근되며, 네트워크와 통행량 O/D 자료는 교통존 기준으로 구축된다. 따라서, 승용차에 대한 버스 통행시간의 상대적 차이는 동일한 교통존 기준으로 비교될 때 개별통행자의 출발 위치에 따른 통행행태 차이와 같은 외생변이 통제가 가능할 것이다.
최근 카카오맵, 네이버지도 등과 같은 클라우드 지도플랫폼에서는 빅데이터를 활용하여 다양한 수단별 기종점 간 통행시간, 통행비용, 통행경로 등을 제공하고 있다. 승용차 통행뿐만 아니라 대중교통수단을 다중으로 이용하는 통행의 정보를 제공하고 있으며, 최근에는 대중교통 혼잡도를 활용한 정보도 제공하는 사례도 존재한다. 2023년 11월 기준 월간 활성 사용자(MAU)는 네이버지도(2,197만 명), 티맵(1,406만 명), 카카오맵(448만 명)으로 나타나고 있다. 이와 같은 빅데이터 플랫폼은 이용객 수가 많아질수록 제공하는 정보의 정확도도 높아지며, 일반 이용자들이 통행수단과 경로를 결정함에 있어 실제 클라우드 지도플랫폼 서비스를 활용하기에 정보의 신뢰도가 높다고 볼 수 있다. 특히 해당 API에서 제공하는 대중교통 통행시간 정보는 실시간 BIS 정보를 반영하고 있는 장점이 있다.
본 연구에서는 Table 2와 같이 승용차 통행시간, 대중교통 통행시간, 권역별 통행량 자료를 수집하였다. 여기서, 기종점간 승용차 및 대중교통의 통행시간 자료는 최근 카카오맵, 네이버지도 등과 같은 포털서비스 지도플랫폼에서 제공하는 다양한 빅데이터 기반의 경로 정보를 수집하여 활용하였다. 이를 위해 각 존의 대표지점(행정기관, 랜드마크, 지리적 중심점 등)을 선정하고 지도서비스 플랫폼에서 제공하고 있는 Open API와 웹 크롤링 기법을 활용하여 존 pair별로 제공되는 수단별 통행시간 등을 수집하였다. 이때, 각 존간 웹크롤링에 소요되는 물리적 시간 차이로 인해 다양한 시간대의 통행시간 자료가 반영되어 있으며, 크롤링 시간대에 따른 자료 편이를 최소화하고자 2회 반복하여 자료를 수집하였다. 각 네비게이션사에서 수집되는 네비게이션 데이터 및 교통안전공단의 교통카드 데이터를 활용하는 방법도 있지만, 각 데이터의 출발지 기준이 상이하여 동일한 기준으로의 승용차·버스 통행시간 비교는 한계점이 존재하기 때문이다.
본 연구에서 각 존의 대표지점을 5개 광역권 KTDB 존체계 기준 읍면동 단위의 행정복지센터(주민센터)로 설정하였다. 행정복지센터는 모든 읍면동에 존재하는 POI(Point of Interest)이기 때문이다. 그 외 광역권 내 읍면동 기종점 기준으로 국가교통DB 주수단 통행량 자료를 구축한 후, 다양한 공간적 범위를 기준으로 통행속도, 통행시간 등의 개별 지표를 생성하고 해당 지표에 대한 통계적 해석을 수행하였다. 또한 본 연구는 광역권 기준의 승용차·버스간 통행시간 비교가 주요 목적임에 따라, 권역권 내에서도 읍면동의 통행패턴에 따라 승용차와 버스간 대표 통행시간이 상이함에 따라, 통행량을 가중평균한 통행시간 분석결과를 반영하였다.
Table 2.
Source of data
2. 분석자료 구축
앞서 설명하였듯이, 읍면동의 행정복지센터 명칭 기준으로 좌표를 생성·저장하였는데, 이는 네이버 클라우드 플랫폼 Application Services Maps의 Geocoding Rest API를 활용하였다. Geocoding API는 지번, 도로명, 우편번호를 질의어로 사용해서 주소 정보를 검색하여 주소 목록과 세부 정보에 대한 검색 결과를 json 형태로 반환하는 기능이다. 각 기종점의 기준점에 대한 좌표를 기준으로 승용차 교통(경로) 정보를 수집하였으며, 이를 통해 수집된 정보는 통행거리, 통행시간 등을 포함하여 Table 3의 분석자료를 구축하였다.
Table 3.
Response body of geocoding · directions·public transit Rest API
대중교통 지도플랫폼 API의 경우, 출발지와 도착지의 좌표명으로 기종점간 대중교통 통행시간 정보를 수집하였다. 이때, 각 읍면동의 행정복지센터 명칭 기준으로 좌표를 생성·저장하였으며, 대중교통 통행시간 등의 정보는 각종 경로탐색 플랫폼의 원천자료를 관리하는 ODSAY LAB의 Public Transit Information API를 활용하였다. 해당 API 또한 기종점 검색어가 좌표형태로 연계되어 있음에 따라, 네이버 클라우드 플랫폼 Application Services Maps의 Geocoding Rest API를 활용하여 검색어를 좌표체계로 변환하였다.
최종적으로 지도플랫폼을 활용하여 광주, 대구, 대전, 부산, 울산의 KTDB 존체계에 따른 읍면동간 대중교통 통행시간 및 통행거리를 구축하였다. 여기서 노선버스의 경우 경로탐색 결과의 우선순위 데이터를 포함하고 있으며, 본 연구에서는 가장 우선적으로 탐색된 노선경로 기준의 통행시간을 대푯값으로 반영하였다.
연구 결과
1. 광역권별 승용차·대중교통 통행속도 비교 분석
지도플랫폼에서 추출된 승용차 통행속도(통행량 가중 평균)와 국가지표체계가 제공하는 통행속도는 Table 4와 같으며 그 대소 관계는 광역권별로 상이하게 나타났다. 대전시는 두 자료에서 모두 가장 낮은 통행속도를 보이고 있으며(지도플랫폼: 24.65km/h), 울산시는 가장 높은 통행속도(40.25km/h)를 보이고 있었다.
지도플랫폼에서 축출된 대중교통 통행속도는 국가지표체계가 제공하는 통행속도에 비해 대부분 낮은 것으로 분석되었다. 가령, 광주광역시는 국가지표체계에서는 23.3km/h인 반면, 지도플랫폼에서는 15.31km/h로 분석되어 큰 차이를 보였다. 국가지표체계는 해당 지방자치단체의 주요 간선축을 중심으로 일부 운행노선 및 특정 시간의 조사된 결과이므로 모든 지역에서 본 연구의 결과가 낮은 속도를 보이는 것은 일면 타당한 논거를 갖는다. 즉, 국가지표체계의 통행속도를 수단분담 통행저항 산출을 위한 통행속도로 활용하기에는 광역권별 분석 방법과 자료 수집 시간대의 불일치성, 속도 수집원의 일관성 등 측면에서 한계가 있을 것으로 판단된다.
Table 4.
Results of travel speed analysis of map platform(2019)
추가적으로, 5대 광역시 기준으로 행정동간 승용차·버스 통행속도 가중치 차이 유무를 통계적으로 검증하였다. 이를 위해 광역시 집단간 평균 비교의 분산분석(ANOVA)을 수행하였으며, 귀무가설은 “5대 광역시의 승용차·버스 통행속도 가중치는 같다”로 설정하였다. 이때, 분석자료는 지도플랫폼으로 수집된 승용차 및 대중교통 통행속도 자료이다. 본 연구는 광역시간 승용차·버스 통행속도 차이, 승용차 대비 버스의 통행속도 차이를 통계적으로 규명하기 위해 ANOVA 통계 방법을 적용하였다.
통계분석 결과는 Table 5와 같으며 행정동간 승용차·버스 통행속도 가중치 평균은 대전 0.66, 광주 0.81, 대구 0.56이고, 광역시간 평균 차이를 검증한 Table 6과 같이 집단간 차이는 유의확률 5%에서 유의한 것으로 나타났다. 따라서 수단분담의 통행저항 산출시 승용차·버스 통행속도 가중치를 활용한다면 광역시별로 구분 적용하는 것이 타당함을 시사한다.
Table 5.
Results of descriptives analysis (Weight of travel speed between region)
Table 6.
Results of ANOVA (Weight of travel speed between region)
| Sum of Squares | df | Mean Square | F | Sig. | |
| Between groups | 93.148 | 4 | 23.287 | 786.250 | 0.000 |
| Within groups | 2,087.734 | 70,489 | .030 | ||
| Total | 2,180.882 | 70,493 |
2. 광역권별 승용차·대중교통 통행시간 비교 분석
지도플랫폼 자료를 활용하여 5대 광역시의 행정동간 승용차 통행시간 대비 대중교통 통행시간을 분석한 결과는 Table 7과 같으며, 1.21-2.34배 수준으로 나타났다. 이와 같은 수단 간의 통행시간 차이는 버스정류장 인접 구간에서의 가감속과 승하차 소요시간, 특히 버스노선의 굴곡도 등이 반영된 결과이다. 5대 광역시 중 승용차 대비 버스 통행시간 차이가 가장 낮은 광역시는 부산(1.21배), 가장 큰 광역시는 울산(2.34배)인 것으로 나타났다. 이는 광역시의 버스 인프라와 배차간격 등의 차이로 이해된다. 가령, 울산은 2021년 3월 말 기준 900대의 차량으로 174개의 노선이 운영되고 있는 반면, 부산은 약 2,500여대의 차량으로 130여개의 노선을 운영하고 있는 등 배차간격의 차이가 있다.
각 광역시의 행정구별 승용차 대비 버스 통행시간을 비교하면, 울산광역시는 0.78-3.45배로 그 범위 차이가 크며, 대전광역시는 1.07-1.98배로서 그 범위 차이가 작은 것으로 확인하였다. 이는 광역시내 도심과 교외지역의 분포 등 도시 특성 차이로 판단된다.
Table 7.
Results of travel time analysis by map platform (Weighted by travel demand)(2019)
앞서 분석된 통행특성(행정동간 통행량을 가중평균한 통행시간 지표)은 각 광역권의 통행시간을 대표하는 지표이나, 수단분담 모형의 버스 통행시간 가중치로 적용하기에는 한계가 있다. 수단분담 모형에 반영되는 통행시간 효용함수의 변수에는 행정동 간 통행 특성만 반영되어야 하나, Table 7의 대중교통 가중치는 이미 통행량이 적용되어 수단분담 모형에 적용할 경우 중복 계상되기 때문이다. 따라서, 수단분담 모형에 적용될 수 있는 버스 통행시간 가중치는 기종점간 통행량을 배제한 통행시간으로 산정하는 것이 타당할 것으로 판단된다. 이에 5대 광역시의 KTDB 존체계 기준으로 행정동간 승용차 대비 대중교통 통행시간을 분석하였고, 그 상대지표를 버스 통행시간 가중치로 제시하고자 한다. 즉, 해당 지표가 교통수요 수단분담 모형의 버스 통행시간으로 활용되기에 가장 적합한 변수로 판단하였다.
따라서 지도플랫폼 자료를 활용하여 통행량 가중치를 배제한 5대 광역시의 행정동간 승용차 통행시간 대비 대중교통 통행시간은 Table 8과 같으며, 1.50-2.18배 수준으로 나타났다. 이는 수단간 통행시간 차이는 버스정류장간 가감속 및 승하차 소요시간, 특히 버스노선 굴곡도 등이 반영된 결과이다. 5대 광역시 중 승용차 대비 버스 통행시간 차이가 가장 낮은 광역시는 대전(1.50배), 가장 큰 광역시는 울산(2.19배)인 것으로 나타났다. 이는 광역시의 버스 인프라 및 배차간격 차이 등으로 이해된다.
본 연구를 통해 산출된 값은 국가교통DB의 승용차에 대한 버스 차내시간 비율 1.2와 큰 차이가 나타나고 있음을 확인하였다. 더불어, 각 광역시의 행정구별 승용차 대비 버스 통행시간을 비교하면, 울산광역시는 1.54-3.37배로 그 범위 차이가 크며, 대전광역시는 1.16-2.01배로서 그 범위 차이가 비교적 적은 것으로 나타났다. 이는 광역시내 도심과 교외지역의 분포 등 도시특성 차이 때문으로 판단된다. 여기서, 동일한 광역권이더라도 행정동에 따라 통행시간의 상대적인 차이도 적지 않은 것으로 확인되었으며, 향후 광역권 내에서의 지역간 비교에 대한 구체적인 비교 연구도 필요하다.
결론
본 연구는 지도플랫폼 데이터의 교통 분야 빅데이터를 활용하여 개인교통수단 대비 노선버스의 통행시간 차이를 대도시권별로 분석하였다. 즉, 5대 광역권에 대해 일관적인 방법으로 공로의 주요 통행수단인 승용차와 버스의 통행시간을 비교한 후, KTDB 수단분담 모형에 적용할 수 있는 실측자료 기반의 계수를 도출하였다. 이와 같은 연구 결과는 버스 수단의 통행시간 절감 편익을 현실화는 물론, 지역별 대중교통 공급 수준의 차이를 고려한 수요예측의 정합성을 높이는 데 기여할 수 있을 것으로 기대된다. 또한 보다 세부적으로는 기종점별 버스 통행시간 배율 적용도 가능하다.
주요 연구 결과를 정리하면 다음과 같다. 첫째, 지도플랫폼에서 추출된 대중교통 통행속도는 국가지표체계가 제공하는 통행속도에 비해 대부분 낮은 것으로 분석되었다. 국가지표체계는 해당 지방자치단체의 주요 간선축을 중심으로 일부 운행노선 및 특정 시간을 대상으로 조사되었기 때문에, 국가지표체계의 통행속도를 수단분담 통행저행 산출시 통행속도로 활용하기에는 광역권별 분석방법과 자료 수집의 시간대 불일치성, 속도 수집원의 일관성 등 측면에서 한계가 있다.
둘째, 지도플랫폼 자료를 활용하여 5대 광역시의 행정동간 통행량 가중 승용차 통행시간 대비 대중교통 통행시간은 1.21-2.34배 수준으로 나타났다. 또한 통행량을 가중 평균하지 않은 승용차 통행시간 대비 대중교통 통행시간은 1.50-2.19배 수준인 것으로 도출되었다. 이는 현재 KTDB 수단분담 모형의 효용함수에 적용되는 승용차 대비 버스의 차내통행시간 비율(1.20-1.35)과 차별된다.
셋째, 5대 광역시의 승용차·버스 통행속도 가중치 차이 유무를 통계적으로 검증하기 위해 5대 광역시 간 평균 비교의 분산분석(ANOVA)을 수행하였으며, 집단 간 차이는 유의확률 5% 수준에서 유의한 것으로 나타나 도시·교통 특성을 고려하여 승용차·버스 통행속도 차이에 따른 제반 계수는 권역별로 구분하여 적용되어야 할 것으로 판단된다. 즉, 이와 같은 결과는 현재 수단분담 모형에서 대도시를 구분하지 않고 일관된 차내시간 비율을 적용하는 방법에 대한 개선점을 시사한다.
본 연구는 현재 국가교통DB의 수단분담 모형에서 대도시를 구분하지 않고 일관된 승용차 대비 대중교통 차내시간 비율을 적용하고 있는 방법론을 개선할 수 있는 연구로서, 향후 보다 일반화된 모형 정립을 위해 이동성 지표의 시계열적 추세와 함께 시간대별 가중치 등을 세분화한 추가적 연구도 요구된다. 또한 본 연구는 지도플랫폼 데이터에 기반한 연구 결과로서, 지도플랫폼 데이터의 신뢰성 확보를 위한 교통카드 데이터와의 비교검증, 자료수집 시간에 따른 불확실성 개선에 대한 향후 연구도 필요하다.
