Analysis of Stated Preference of Residents in the Autonomous Driving Living Lab for Autonomous Demand-Responsive Transit: Focused on the Namyang-eup,  Hwaseong-si

Seonghyun Ahn; Juhyoun Youm; Jinhee Kim

doi:10.7470/jkst.2024.42.6.724

Preview

Article

Journal of Korean Society of Transportation. 31 December 2024. 724-238
https://doi.org/10.7470/jkst.2024.42.6.724

Analysis of Stated Preference of Residents in the Autonomous Driving Living Lab for Autonomous Demand-Responsive Transit: Focused on the Namyang-eup, Hwaseong-si

자율주행 수요대응형 대중교통에 대한 자율주행 리빙랩 주민들의 잠재선호도 분석: 화성시 남양읍을 중심으로

Seonghyun AHN¹

Juhyoun YOUM²

Jinhee KIM³^*

안 성현¹

염 주현²

김 진희³^*

¹Masters Course, Department of Urban Planning and Engineering, Yonsei University, Seoul 03722, Korea

²Combined Masters & PhD Course, Department of Urban Planning and Engineering, Yonsei University, Seoul 03722, Korea

³Associate Professor, Department of Urban Planning and Engineering, Yonsei University, Seoul 03722, Korea

¹연세대학교 도시공학과 석사과정

²연세대학교 도시공학과 석박사통합과정

³연세대학교 도시공학과 부교수

^{*Corresponding Author}

License (open-access, http://creativecommons.org/licenses/by-nc/4.0/):

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

Recently, attempts have been made to improve real-time response capabilities and operational efficiency by combining autonomous driving technology with demand-responsive transit. Therefore, research on mode choice behavior is needed to confirm the potential demand for self-driving demand-responsive transit, but most of the research so far has been conducted in a wide range of areas, and studies focused on areas with high potential for introducing actual services, such as new town, are still lacking. Therefore, this study attempted to analyze the mode choice behavior assuming the introduction of autonomous demand-responsive transit in the autonomous driving living lab area where the autonomous driving demand-responsive transit demonstration project is scheduled. To this end, the level of attribute values such as travel cost and time was set for autonomous demand-responsive transit and existing modes such as passenger cars, taxis, public transportation, and walking, and autonomous demand- responsive transit introduced maximum additional time attributes in consideration of uncertainty caused by other people's calls. After designing a stated preference experiment through Orthogonal design, a questionnaire was conducted by introducing socio-demographic attribute- related questions to observe the effect of individual socio-demographic attributes on mode choice. As a result of estimating the mode choice model based on the mixed logit model based on the questionnaire, in-vehicle time and toll had a significant effect on the utility of users in all modes, but out-of-vehicle time was not significant. In addition, the additional time in the vehicle of autonomous demand-responsive transit had a significant impact on the choice of modes, suggesting that it is necessary to advance the distribution and vehicle route choice algorithm to secure demand for use. Also, driver license holders and their own vehicle owners prefer autonomous demand-responsive transit over traditional public transportation, suggesting that the introduction of autonomous demand-responsive transit can induce the transition from private vehicles to the public transportation sector.

Keywords

autonomous demand-responsive transit

living lab

mixed logit model

mode choice

stated preference survey

최근 수요대응형 대중교통에 자율주행 기술을 결합하여 실시간 대응 능력 및 운영 효율성을 향상하려는 시도가 이루어지고 있다. 이에 자율주행 수요대응형 대중교통의 잠재적 수요를 확인하기 위해 수단선택 행태에 관한 연구가 필요하나, 지금까지의 연구는 대부분 광범위한 지역을 대상으로 진행되어 신도시 등 실제 서비스 도입 가능성이 큰 지역에 집중하여 수행된 연구는 부족하다. 이에 본 연구에서는 자율주행 수요대응형 대중교통 실증사업이 예정된 자율주행 리빙랩 지역을 대상으로 자율주행 수요대응형 대중교통이 도입된 상황을 가정하여 수단선택 행태를 분석하고자 하였다. 이를 위해 자율주행 수요대응형 대중교통과 기존 교통수단인 승용차, 택시, 대중교통, 도보에 대해 통행비용 및 시간 등 속성값 수준을 설정하였으며, 자율주행 수요대응형 대중교통은 타인의 호출 등에 의한 불확실성을 감안해 최대 추가시간 속성을 도입했다. 이후 Orthogonal design을 통해 잠재선호 실험을 설계한 후 개인의 사회경제적 속성이 수단선택에 미치는 효과도 함께 관찰하고자 사회경제적 속성 관련 문항을 도입하여 설문을 진행했다. 설문을 토대로 혼합 로짓 모형 기반 수단분담 모형을 추정한 결과 차내시간과 통행요금은 모든 수단에서 이용자의 효용에 유의미한 영향을 미쳤으나 차외시간은 유의하지 않았다. 또한 자율주행 수요대응형 대중교통의 차내 추가시간은 수단선택에 유의미한 영향을 주었으며, 이는 이용 수요 확보를 위해 배차 및 차량 경로 선택 알고리즘의 고도화 등이 필요함을 시사한다. 또한 운전면허 보유자와 본인 차량 소유자의 경우 전통적 대중교통 대비 자율주행 수요대응형 대중교통을 선호하는 것으로 나타났는데, 이는 자율주행 수요대응형 대중교통 도입을 통해 개인 차량으로부터 대중교통 부문으로의 수단 전환을 유도할 수 있음을 시사한다.

키워드

자율주행 수요대응형 대중교통

리빙랩

혼합 로짓 모형

수단선택

잠재선호 조사

MAIN

서론
선행연구
연구설계
1. 자료수집
2. 잠재선호 조사 설계
분석 방법론
1. 모형 설정
2. 모형 추정
분석 결과
결론

서론

스마트폰이 널리 보급되고 사회 여러 분야에서 플랫폼 기반 서비스가 보편화됨에 따라 교통 부문에서도 플랫폼을 통해 이용자의 실시간 수요에 대응하여 서비스를 제공하는 On-Demand형 서비스가 확산되고 있다. 최근에는 대중교통 분야에서도 이러한 패러다임에 맞춰 수요가 부족한 농·어촌 지역 및 신도시 지역, 수요가 시간대에 따라 불균일하게 나타나는 지역 등을 중심으로 개별 이용자의 호출에 따라 운행 경로와 스케줄을 유연하게 조정하며 운영되는 수요대응형 대중교통(Demand-Responsive Transit; DRT) 서비스가 주목받고 있다(Imhof and Blättler, 2023). 고정된 노선 및 일정에 기반한 전통적인 대중교통 서비스는 차량 구입비와 운전자 인건비를 비롯한 운영비용 부담이 커 운수수입의 확보가 어려운 교통 소외지역을 대상으로 높은 시·공간적 접근성을 지닌 대중교통 서비스를 제공하기에 어려움이 있다. 이에 따라 교통 소외지역의 대중교통 서비스는 배차간격이 길거나 노선의 복잡도가 높은 등 이용자의 불편을 유발하는 요소가 다수 존재해왔다. 그러나 수요대응형 대중교통 서비스는 이용자의 호출이 있는 경우에만 운행하므로 운영비 절감이 가능하며, 이용자의 입장에서도 원하는 시각 및 장소에서 이용할 수 있어 편리하다는 장점이 있다.

수요대응형 대중교통 서비스는 데이터 처리 기술과 통신 기술의 발달에 따라 이용자 호출 처리, 실시간 경로 및 배차 최적화 등의 알고리즘이 고도화되며 급격한 성장세가 나타나고 있다(Kim et al., 2020; Lee et al., 2023). 국내에서는 2020년대 이후 본격적으로 수요대응형 대중교통 서비스가 도입되기 시작했으며, 경기도 똑타, 제주특별자치도 옵서버스, 부산광역시 기장군 타바라, 세종특별자치시 셔클(이응버스) 등 주로 농·어촌 및 신도시 지역의 대중교통 공급 부족 문제를 효율적으로 해결하기 위해 도입되고 있다(Lim, 2024).

한편, 라이다(LiDAR) 및 초음파 등 센서 기술, 사물인터넷(IoT) 및 5세대 이동통신(5G) 등 통신 기술, 인공지능 기반 실시간 데이터 처리 기술 등의 발전으로 자율주행 기술이 급성장함에 따라 이를 수요대응형 대중교통 서비스의 알고리즘에 접목한 모빌리티 서비스를 개발하려는 시도가 이루어지고 있다(Ignatious et al., 2022). 이러한 자율주행 수요대응형 대중교통 서비스는 배차와 경로 선택, 주행을 비롯한 전반적인 운영 과정에서 운영자의 개입이 필요하지 않으며, 전 과정이 정보통신 기술에 기반하여 운영된다는 점에서 실시간으로 변동되는 수요에 대한 대응 능력을 기존 수요대응형 대중교통 대비 향상시킬 수 있을 것이라는 기대를 받고 있다(Youm et al., 2023). 또한 수요대응형 대중교통에 자율주행 기술이 접목된다면 운전자 인건비 지출이 불필요해짐에 따라 대중교통 시스템의 운영비 절감 효과를 극대화할 수 있을 것으로 기대된다. 이에 따라 자율주행 수요대응형 대중교통은 향후 교통 소외지역 대상 대중교통 서비스 공급 대책으로서 크게 주목받을 것으로 예상된다. 최근에는 이러한 패러다임에 맞춰 국내에서도 자율주행 수요대응형 대중교통 서비스 도입을 추진하고 있으며, 우선 경기도 화성시 남양읍 남양뉴타운 일대의 범부처 자율주행 연구개발 리빙랩을 대상으로 실증사업이 추진되고 있다.

한편, 자율주행 수요대응형 대중교통 서비스는 주로 신도시와 같이 안정적인 수요 확보의 어려움으로 인해 기존 고정형 대중교통 노선의 투입이 어려운 지역을 대상으로 투입이 검토되고 있는 만큼 실제 투입 예상 지역과 유사한 사회경제적 특성을 보이는 지역을 대상으로 이용 수요에 영향을 미치는 요인을 분석할 필요가 있으나, 많은 선행연구에서 이런 부분이 충분히 고려되지 않고 있어 생태학적 오류 측면에서 한계점이 존재하였다. 예를 들어, Seo et al.(2022)은 자율주행 수요대응형 대중교통 서비스의 서비스 요소별 우선순위를 파악하기 위해 잠재적 이용자를 대상으로 편의성, 신속성 등의 요소에 대한 중요도 설문을 수행하였는데, 여기서 모집단을 전국의 인구 30-100만 명 규모의 시 전체로 설정함에 따라 상술한 부분에서 한계점이 존재했다.

이에 본 연구에서는 실제 자율주행 수요대응형 대중교통 서비스가 도입될 예정인 경기도 화성시 남양뉴타운 일대 지역을 대상으로 자율주행 수요대응형 대중교통 도입 상황을 가정한 잠재선호 선택실험을 수행한 후, 다항 로짓 모형(Multinomial Logit Model) 및 혼합 로짓 모형(Mixed Logit Model)을 사용하여 이용자의 수단선택에 영향을 미치는 요인을 분석한 다음 자율주행 수요대응형 대중교통 서비스의 이용 수요 확보를 위한 정책적 시사점을 살펴보고자 한다.

선행연구

본 연구에서는 범부처 자율주행 연구개발 리빙랩 지역의 주민 및 근로자를 대상으로 자율주행 수요대응형 대중교통에 대한 잠재선호를 조사하여 수요에 영향을 미치는 요인을 분석하고자 한다. 이에 본 연구에서는 수요대응형 대중교통 서비스에 대한 이용자의 수단선택에 관한 연구를 중심으로 선행연구를 검토하였다.

수요대응형 대중교통 서비스에 관한 초기의 선행연구는 대부분 운영자 관점에서 운영 효율성이나 운영 계획을 중심으로 수행되었다. Davison et al.(2012)은 전문가 대상 인터뷰를 통해 수요대응형 대중교통의 시장 잠재력을 미시적, 거시적 측면 등으로 나누어 분석했으며, 수요대응형 대중교통의 성공을 위해서는 운행 시스템의 유연성(flexibility) 강화, 고령층을 비롯한 교통약자의 접근성 개선 등이 필요함을 제시하였다. Yim and Ceder(2006)는 미국 샌프란시스코의 지역 간 급행 교통 체계(Bay Area Rapid Transit; BART)의 이용 편의를 위한 단거리 셔틀 서비스 도입 방안을 제시하고자 이용자 대상 수용성 조사를 수행했으며, 그 결과를 기반으로 유동적 노선 및 스케줄로 운영되는 서비스 개념을 포함한 마스터플랜을 제시했다.

최근에는 이용자 관점에서 수요대응형 대중교통 서비스의 특성이 교통수단 선택 행태에 미치는 영향에 초점을 맞춘 연구가 다수 이루어지고 있다. Wang et al.(2022)은 잠재계층 군집 분석(Latent Class Cluster Analysis) 방법을 활용하여 수요대응형 대중교통을 포함한 모빌리티 서비스의 잠재적 선호도를 분석하였으며, 주로 남성, 대졸자, 기존 대중교통의 환승 접근성이 좋지 않은 계층 등에서 수요대응형 대중교통 서비스의 선호도가 높게 나타남을 밝혔다. Altarifi et al.(2023)은 요르단 암만 지역의 교통 혼잡을 해결하기 위해 도입을 추진하고 있는 간선급행버스체계와 수요대응형 대중교통으로 이루어진 통합 대중교통 시스템의 이용자 선호도를 분석하기 위해 잠재선호 조사를 수행하였다. 다항 로짓 모형 및 혼합 로짓 모형을 사용하여 잠재선호 조사 결과를 분석한 결과, 통행 비용과 대기 시간이 수단선택에 가장 큰 영향을 주는 요인으로 나타났으며, 학력, 소득, 성별, 연령 등 개인의 사회경제적 특성도 간선급행버스체계와 수요대응형 대중교통의 이용에 큰 영향을 미치는 것으로 나타났다. Lee et al.(2022)은 인구 30만-100만 명 규모의 국내 도시 거주자를 대상으로 개인 성향 및 대중교통 만족도에 대한 설문조사와 자율주행 수요대응형 대중교통에 대한 잠재선호 조사를 함께 시행하여 개인의 통행 성향과 대중교통에 대한 만족도가 자율주행 수요대응형 대중교통의 선호도에 미치는 영향을 분석하였으며, 현재의 대중교통 통행 환경에 만족할수록, 운전을 선호하지 않을수록 승용차 대비 자율주행 수요대응형 대중교통을 선호함을 밝혔다. Go(2021)는 잠재계층모형(Latent Class Model) 등을 활용하여 서울 대도시권을 중심으로 통근수단 선택 상황에서 수요대응형 대중교통을 포함한 On-Demand형 모빌리티 서비스의 잠재선호를 분석하였으며, 수요대응형 대중교통의 통행시간 가치는 전통적인 대중교통 대비 유의미하게 높음을 밝혀 수요대응형 대중교통의 경로 변동 가능성에 대한 관리의 필요성을 강조하였다.

한편, 최근에는 수요대응형 대중교통의 실시간 배차 및 경로 생성 알고리즘의 최적화를 위한 연구와 효율적인 서비스 운영을 위한 도입 기준에 관한 연구 또한 다수 이루어지고 있다. Fagnant et al.(2016)은 자율주행 수요대응형 교통체계의 실시간 승차 공유 알고리즘을 개발하였으며, 활동기반 교통 시뮬레이션 소프트웨어인 MATSIM을 활용하여 이 서비스가 미국 텍사스주 오스틴 지역에 도입될 때 교통 시스템에 어떤 영향을 미치는지 분석하였다. Seo and Kim(2024)은 밀도 기반 클러스터링(DBSCAN) 알고리즘을 통해 사전에 확보된 수요 발생 패턴 및 지역의 사회경제적 특성에 기반하여 수요대응형 대중교통과 전통적인 고정형 대중교통 중 특정 지역에 적합한 대중교통 서비스 모델을 도출하는 방법론을 제시하였다.

수요대응형 대중교통 서비스는 주로 농어촌이나 신도시와 같이 안정적인 수요 확보가 어려운 지역에서 운영되며, 특히 자율주행 모빌리티 서비스의 경우 기술 고도화를 위한 V2X(Vehicle to Everything) 인프라 구축이 함께 요구되는 만큼(Jung and Lee, 2023; Jo, 2020) 주로 인프라 구축이 용이한 신도시 지역을 중심으로 투입될 것으로 기대된다. 이에 따라 자율주행 수요대응형 대중교통 서비스의 수요 분석은 실제 투입 예상 지역과 유사한 사회경제적 특성을 보이는 지역을 대상으로 이루어질 필요가 있으나, 많은 선행연구에서 이런 부분이 충분히 고려되지 않아 생태학적 오류 측면에서 한계점이 존재한다. 따라서 본 연구에서는 현재 자율주행 수요대응형 대중교통 서비스의 실증사업이 추진되고 있으며, 신도시 형태의 도시 구조를 나타내고 있는 경기도 화성시 남양읍 남양뉴타운 일대를 대상으로 자율주행 수요대응형 대중교통 도입 상황을 가정한 잠재선호 선택실험을 수행하여 자율주행 수요대응형 대중교통 도입이 이용자들의 수단선택에 미치는 영향을 분석해보고자 한다.

연구설계

본 연구는 남양뉴타운 일대에 자율주행 수요대응형 대중교통 서비스가 도입되었을 때 해당 지역 거주자와 근로자의 수단선택 행태에 미치는 영향을 분석하는 것을 목적으로 한다. 한편, 자율주행 수요대응형 대중교통 서비스는 현시점에서 해당 지역에 실제로 도입되지 않은 서비스이므로 현시선호(Revealed Preference; RP) 조사에 어려움이 있다. 따라서 본 연구에서는 승용차, 전통적 대중교통, 도보 등 기존 교통수단과 자율주행 수요대응형 대중교통에 대해 가상의 상황을 제시하여 응답자들의 선호를 조사하는 잠재선호(Stated Preference; SP) 조사 기법을 활용하였다. 이때 자율주행 수요대응형 대중교통 서비스에 대한 일반 대중의 인지도가 낮을 수 있음을 고려하여 Figure 1과 같이 본 서비스에 대한 설명을 설문지에 함께 제시하였다. 또한 개인의 사회경제적 속성에 따른 수단선택 행태 변화 효과를 함께 관찰하기 위해 사회경제적 속성 관련 문항을 설문지에 포함하였다.

https://cdn.apub.kr/journalsite/sites/kst/2024-042-06/N0210420607/images/kst_2024_426_724_F1.jpg

Figure 1.

An example of description of autonomous DRT in survey (Translated in English; Gachitayo is the name of autonomous DRT service)

1. 자료수집

본 설문조사는 연구 대상지인 경기도 화성시 남양읍 남양뉴타운 일원의 13세 이상 거주자 및 근로자를 모집단으로 하여 2024년 6월 24일부터 동년 7월 12일까지 대면조사 방식으로 진행되었다. 표본 크기는 총 500명으로 설정하였으며, 이는 조사 지역 내 아파트 호수의 3배, 상가 수의 1.5배로 추정한 모집단 규모의 약 1%에 해당하는 규모이다. 표본집단이 조사 지역 내에서 균등하게 추출될 수 있도록 하기 위해 지리 공간을 육각형 셀 단위로 표현하는 Uber H3 index system을 활용하여 연구 대상지를 72개 셀로 분할하였으며, 토지이용이 유사하고 인접한 위치에 있는 4-8개의 셀을 결합하여 총 10개의 구역(Section)을 설정한 다음 각 구역의 추정 모집단 규모(아파트 호수의 3배, 상가 수의 1.5배)에 비례하도록 층화추출하였다. 여기서 육각형 셀의 해상도는 H3 index system에서 9로 설정하였으며, 이때 셀 1개의 면적은 평균 105,332㎡이다(Uber Technologies, 2024). 각 구역의 위치는 Figure 2에, 구역별 추정 모집단 규모 및 할당된 표본 규모는 Table 1에 나타내었다.

https://cdn.apub.kr/journalsite/sites/kst/2024-042-06/N0210420607/images/kst_2024_426_724_F2.jpg

Figure 2.

Location of sections and cells of research area

Table 1.

Estimated population size and assigned sample size of each section

Section	Estimated population size	Assigned sample size	Sample size rate
1	9,029	100	20.0%
2	3,083	34	6.8%
3	5,061	56	11.2%
4	231	3	0.6%
5	7,113	79	15.8%
6	183	2	0.4%
7	8,009	89	17.8%
8	3,174	35	7.0%
9	9,080	100	20.0%
10	143	2	0.4%

Table 2는 표본집단의 사회경제적 속성 분포를 나타낸 것이다. 응답자 중 50.4%가 남성으로 여성 대비 다소 높은 비중을 차지하였으며, 응답자 중 81.2%가 연구 대상지 내에서 근무하지 않고 거주하는 경우로 연구 대상지 내에서 근무와 거주를 모두 하는 경우(15.0%) 및 거주하지 않고 근무하는 경우(3.8%)보다 높은 비중을 차지했다. 응답자의 연령대는 30대가 24.2%로 가장 많았고, 그 이후로 40대(20.2%), 50대(17.0%), 10대(11.6%), 20대(10.2%), 60대(10.0%) 순으로 많았으며 70대 이상은 6.8%로 가장 적었다. 응답자의 평균 연령 은 42.6세, 중위 연령은 42세로 나타났다.

Table 2.

Socio-demographic attributes of sample (n=500)

Attribute	Category	Frequency	Rate
Gender	Male	252	50.4%
Gender	Female	248	49.6%
Respondent type	Residence in research area	406	81.2%
	Work in research area	19	3.8%
	Residence and work in research area	75	15.0%
Age	19 or less	58	11.6%
	20-29	51	10.2%
	30-39	121	24.2%
	40-49	101	20.2%
	50-59	85	17.0%
	60-69	50	10.0%
	70 or more	34	6.8%
Driving license	Acquired	363	72.6%
Driving license	Not acquired	137	27.4%
Car ownership type	Personally owned	216	43.2%
	Owned within household (not respondent's car)	183	36.6%
	No car owned within household	101	20.2%
Household income per month (KRW)	Less than 1 million	18	3.6%
	1-2 million	23	4.6%
	2-3 million	45	9.0%
	3-5 million	165	33.0%
	5-10 million	169	33.8%
	10 million or more	16	3.2%
	Refused to respond	64	12.8%
Occupation	Experts and related workers (teachers, celebrities, religious workers)	22	4.4%
	Service workers (include firefighters, police officers, hairdressers and cooks)	67	13.4%
	Sales workers (include sales and mail order workers)	20	4.0%
	Management and office workers (include civil servants)	67	13.4%
	Skilled agricultural, forestry and fishery workers	6	1.2%
	Functional workers, machine operators, simple laborers	88	17.6%
	Homemakers	113	22.6%
	Students	74	14.8%
	Inoccupation	35	7.0%
	Other (include soldiers)	8	1.6%

운전면허를 보유한 응답자는 72.6%로 그렇지 않은 응답자(27.4%) 대비 많았으며, 개인 차량을 소유한 응답자는 43.2%, 개인 차량은 없으나 가구 내 보유 중인 차량이 있는 응답자는 36.6%, 가구 내 보유 차량이 없는 응답자는 20.2%를 차지했다. 월간 가구 소득은 전체 응답자 중 답변을 거부한 64명을 제외하면 500만 원 이상 1,000만 원 미만 구간이 38.8%로 가장 많았으며, 이후로 300만 원 이상 500만 원 미만(37.8%), 200만 원 이상 300만 원 미만(10.3%), 100만 원 이상 200만 원 미만(5.3%), 100만 원 미만(4.1%), 1,000만 원 이상(3.7%) 순으로 많았다. 응답자의 직업 분포는 우선 가정주부·무직·학생 계층이 전체의 44.4%를 차지하고 있으며, 이 외에는 기계조작원·기능원 및 단순 노무 종사자가 17.6%로 가장 많았고 서비스 종사자와 관리 및 사무 종사자가 각각 13.4%로 그 뒤를 이었다.

2. 잠재선호 조사 설계

본 연구에서는 자율주행 수요대응형 대중교통 서비스가 연구 대상지에 도입된 상황을 가정하여 잠재적 이용자들의 수단선택 행태를 관찰하고자 한다. 이에 따라 대상지 면적 및 대상지 내 기존 교통수단의 속성 등 연구 대상지의 특성이 고려된 가상 상황을 제시하여 응답자가 자율주행 수요대응형 대중교통 서비스와 기존 교통수단인 승용차, 전통적 대중교통, 택시, 도보 중 어떤 수단을 선택할지 결정할 수 있도록 문항을 설계하였다. 통행시간은 접근 시간 및 대기 시간의 합인 차외시간과 차내시간으로 나누어 제시하였으며, 이때 환승 시간은 차외시간이 아닌 차내시간에 포함되도록 구성하였다. 한편 승용차의 경우 다른 교통수단 대비 차외시간이 매우 짧으며 수단선택에 유의미한 영향을 주지 않는다고 보아 차외시간을 고려하지 않았으며, 도보는 차외시간과 차내시간을 구분하지 않고 총 도보시간을 기준으로 속성값을 제시하였다. 여기서 자율주행 수요대응형 대중교통의 경우 이용자 호출 상황 등에 따라 시간적 불확실성이 발생할 수 있으므로 추가될 수 있는 최대 시간을 함께 제시하였다. 통행비용의 경우 자율주행 수요대응형 대중교통 외의 수단에서는 변동이 발생하지 않는다고 가정하여, 대중교통과 택시는 설문조사 시점 기준 해당 지역 기본요금을 고정값으로 제시하였고 승용차는 연구 대상지 내부의 통행거리 및 공영주차장 요금 수준을 고려하여 유류비 및 주차요금의 개념으로서 1,200원의 고정값을 제시했다.

세부적인 수단별 속성 수준은 대상지의 특성을 고려하여 Table 3과 같이 설정하였다. 우선 승용차와 택시의 차내시간 수준은 각각 5분, 10분, 15분으로 설정하였으며, 택시의 차외시간 수준은 3분, 5분, 7분으로 설정하였다. 자율주행 수요대응형 대중교통의 소요시간은 타 이용자의 호출에 의한 변동이 없는 경우 택시와 차이가 없다고 가정하였으며, 타 이용자의 호출에 의한 변동 폭은 차외시간 대비 차내시간에 대해 더 크게 나타날 것으로 보아 추가될 수 있는 최대 차외시간 수준은 3분, 5분, 7분, 추가될 수 있는 최대 차내시간 수준은 0분, 5분, 10분으로 설정하였다. 도보시간 수준은 일반적인 보행 속도가 시속 4-5km임을 고려하여 15분, 25분, 35분으로 설정하였다. 자율주행 수요대응형 대중교통의 요금 수준의 경우, 현재 국내에서 운행되고 있는 대다수의 수요대응형 대중교통의 요금 수준이 기존 시내버스 요금과 유사한 수준이라는 점, 자율주행 기술의 도입에 따라 운전자의 인건비가 절감될 수 있는 점을 고려하여 0원, 1,000원, 2,000원으로 설정하였다.

Table 3.

Level of attributes for stated preference survey

Attribute	Passenger car	Taxi	Public Transit	Autonomous DRT	Walking
Out-vehicle time (OVT; min.)	-	3, 5, 7	5, 10, 15	3, 5, 7	15, 25, 35
In-vehicle time (IVT; min.)	5, 10, 15	5, 10, 15	10, 15, 20	5, 10, 15	15, 25, 35
Maximum additional OVT (min.)	-	-	-	3, 5, 7	-
Maximum additional IVT (min.)	-	-	-	0, 5, 10	-
Cost(KRW)	1,200	4,800	1,450	0, 1,000, 2,000	-

설문 문항은 모든 속성값의 조합을 고려하지 않고도 D-error가 0이 되도록 선택 상황을 구성할 수 있어 선택실험에서 널리 활용되는 Orthogonal design 기법을 통해 구성하였다. 이 기법을 통해 Table 3의 속성값에 대해 총 54개의 선택 상황이 생성되었으며, 생성된 선택 상황은 상관성을 최소화할 수 있도록 9개 블록으로 분할하였다. 여기서 선택 상황 구성 및 블록 분할 과정은 SAS 소프트웨어를 활용하여 수행하였다. 결과적으로 응답자 1명당 6개의 선택실험 문항에 응답하게 되며, 아래 Figure 3은 문항의 예시이다.

https://cdn.apub.kr/journalsite/sites/kst/2024-042-06/N0210420607/images/kst_2024_426_724_F3.jpg

Figure 3.

An example of stated preference choice experiment question (Translated in English)

분석 방법론

일반적으로 교통서비스 이용자의 수단선택 행태를 분석하는 연구에서는 다항 로짓 모형이 널리 사용된다. 다항 로짓 모형은 분석이 용이하고 직관적인 해석이 가능하다는 장점이 있으나, 본 연구의 잠재선호 조사와 같이 동일한 응답자가 여러 번 반복하여 선택하는 상황에서 발생할 수 있는 패널 효과(Panel Effect)를 고려하지 못한다는 한계점이 존재한다(Train, 2009). 따라서 본 연구에서는 다항 로짓 모형을 활용한 수단선택 모형과 패널 효과가 고려된 혼합 로짓 모형을 활용한 수단선택 모형을 각각 추정한 후, 두 모형 중 보다 적합한 모형을 채택하고자 한다. 사회경제적 변수 및 오차항의 기준 수단(Reference Mode)은 도보로 설정하였다.

1. 모형 설정

본 연구의 잠재선호 실험은 5개 수단에 대한 교통서비스 이용자의 선택 행태를 분석하고자 진행된 것이므로 각각의 수단에 대해 효용함수를 구성할 수 있다. 이때 승용차, 택시, 전통적 대중교통, 자율주행 수요대응형 대중교통, 도보에 대한 효용함수는 각각 Equations 1, 2, 3, 4, 5와 같다. 한편 Equation 4의 ADRT는 자율주행 수요대응형 대중교통(Autonomous Demand-Responsive Transit)의 약어이다.

(1)

U_{C a r, n t} = β_{C a r}^{I V T} x_{C a r, n t}^{I V T} + β^{C o s t} x_{C a r, n t}^{C o s t} + B_{C a r}^{S} X_{n}^{S} + ε_{C a r, n t}

(2)

U_{T a x i, n t} = β^{O V T} x_{T a x i, n t}^{O V T} + β_{T a x i}^{I V T} x_{T a x i, n t}^{I V T} + β^{C o s t} x_{T a x i, n t}^{C o s t} + B_{T a x i}^{S} X_{n}^{S} + ε_{T a x i, n t}

(3)

U_{T r a n s i t, n t} = β^{O V T} x_{T r a n s i t, n t}^{O V T} + β_{T r a n s i t}^{I V T} x_{T r a n s i t, n t}^{I V T} + β^{C o s t} x_{T r a n s i t, n t}^{C o s t} + B_{T r a n s i t}^{S} X_{n}^{S} + ε_{T r a n s i t, n t}

(4)

U_{A D R T, n t} = β^{O V T} x_{A D R T, n t}^{O V T} + β_{A D R T}^{I V T} x_{A D R T, n t}^{I V T} + β_{A D R T}^{A d d O V T `} x_{A D R T, n t}^{A d d O V T} + β_{A D R T}^{A d d I V T} x_{A D R T, n t}^{A d d I V T} + β^{C o s t} x_{A D R T, n t}^{C o s t} + B_{A D R T}^{S} X_{n}^{S} + ε_{A D R T, n t}

(5)

U_{W a l k, n t} = β^{W a l k T} x_{W a l k, n t}^{W a l k T}

여기서 $U_{i, n t}$ 는 이용자 $n$ 이 선택 상황 $t$ 에서 수단 $i$ 를 선택했을 때의 효용을 의미하며, $x_{i, n t}^{O V T}$ , $x_{i, n t}^{I V T}$ , $x_{i, n t}^{W a l k T}$ , $x_{i, n t}^{A d d O V T}$ , $x_{i, n t}^{A d d I V T}$ , $x_{i, n t}^{C o s t}$ 는 각각 이용자 $n$ 이 선택 상황 $t$ 에서 수단 $i$ 를 선택했을 때의 차외시간, 차내시간, 도보시간, 차외시간의 최대 추가분, 차내시간의 최대 추가분, 통행비용을 의미한다. 차내시간, 도보시간, 차외시간의 최대 추가분, 차내시간의 최대 추가분 변수는 대안특유변수로 처리하고, 차외시간과 통행비용 변수는 공통변수로 처리하되, 각 수단에서 고려되지 않는 변수에 대해서는 효용함수 식에서 배제하였다. $X_{n}^{S}$ 는 이용자 $n$ 의 사회경제적 변수 벡터를 나타내며, $B_{i}^{S}$ 는 $X_{n}^{S}$ 에 대한 수단 $i$ 의 계수 벡터이다. $X_{n}^{S}$ 벡터를 구성하는 성분 변수는 Equation 6과 같다.

(6)

X_{n}^{S} = (x_{n}^{A g e}, x_{n}^{M a l e}, x_{n}^{L i c e n s e}, x_{n}^{O w n C a r}, x_{n}^{J o b}, x_{n}^{L o w I n c})

사회경제적 속성은 해석의 용이함을 위해 연령을 제외하고 모두 더미변수를 구성하여 모형에 투입하였다. $x_{n}^{A g e}$ 는 연령을 나타내는 변수이며, $x_{n}^{M a l e}$ 은 성별을 나타내는 변수로 남성일 경우 1, 여성일 경우 0으로 설정하였다. $x_{n}^{L i c e n s e}$ 와 $x_{n}^{O w n C a r}$ 는 각각 운전면허 보유 여부와 본인 차량 보유 여부를 나타내는 변수로, 보유 시 1, 미보유 시 0으로 설정하였다. $x_{n}^{J o b}$ 은 직업 유무를 나타내는 변수로, 전업주부·학생·무직인 경우 0, 이 외 직업이 있을 경우 1로 설정하였다. $x_{n}^{L o w I n c}$ 은 가구 소득이 낮은 계층에 속하는 지를 나타내는 변수로, 표본집단의 가구 중위소득이 월 300만 원 이상 500만 원 미만 범위 내에 있음을 고려하여 가구소득이 월 300만 원 미만이면 1, 그렇지 않으면 0으로 설정하였다.

한편, 기준 수단인 도보를 제외한 각 수단의 효용함수에는 오차항 $ε_{i, n t}$ 을 구성하였다. 오차항에는 서비스에 대한 기본적인 선호를 반영하기 위한 대안특유상수 $β_{n}^{0}$ 와 독립항등(Independent and Identically Distribution; IID)조건을 만족하는 Gumbel Distribution을 따르는 확률변수 $ξ_{i, n t}$ 를 설정하였다. 한편 혼합 로짓 모형을 활용하는 경우 한 응답자가 여러 선택 상황에 반복 응답함에 따른 패널 효과를 반영할 수 있으므로 응답자 $n$ 마다 다른 값을 갖고 평균이 0인 정규분포를 따르는 확률변수 $α_{i, n}$ 을 오차항에 함께 설정하였다. 따라서 오차항의 구성을 식으로 나타내면 다항 로짓 모형에서는 Equation 7과 같고, 혼합 로짓 모형에서는 Equation 8과 같다.

(7)

ε_{i, n t} = β_{i}^{0} + ξ_{i, n t}

(8)

ε_{i, n t} = β_{i}^{0} + α_{i, n} + ξ_{i, n t}

2. 모형 추정

먼저 다항 로짓 모형을 활용하는 경우, 각 수단의 선택확률은 Equation 9와 같이 나타낼 수 있다. 이때 $P_{i, n t}$ 는 이용자 $n$ 이 선택 상황 $t$ 에서 수단 $i$ 를 선택할 확률을 의미하며, $J$ 는 선택 가능한 모든 수단의 집합, 즉 승용차, 택시, 대중교통, 자율주행 수요대응형 대중교통, 도보로 구성된 집합을 의미한다. 한편 $V_{i, n t}$ 는 이용자 $n$ 이 선택 상황 $t$ 에서 수단 $i$ 를 선택했을 때의 관측 효용을 의미하며, 이는 전체 효용에서 확률변수로 정의된 비관측 효용 항인 $ξ_{i, n t}$ 를 제한 것과 같으므로 Equation 10과 같이 표현할 수 있다.

(9)

P_{i, n t} = \frac{e^{V_{i, n t}}}{\sum_{j \in J} e^{V_{j, n t}}}

(10)

V_{i, n t} = U_{i, n t} - ξ_{i, n t}

다항 로짓 모형에서 효용함수의 계수는 최대우도법(Maximum Likelihood Method)을 활용하여 추정할 수 있다. 이때 계산의 편의를 위해 Equation 11과 같이 우도함수에 자연로그를 취한 로그-우도함수(Log-Likelihood Function) $L L (B)$ 를 이용하여 이를 최대화하는 계수벡터 $B$ 를 탐색하는 방법으로 효용함수의 계수를 추정하게 된다. 여기서 $y_{i, n t}$ 는 이용자 $n$ 이 선택 상황 $t$ 에서 수단 $i$ 를 선택했을 경우 1, 그 외에는 0의 값을 갖는 변수를 의미한다.

(11)

L L (B) = \sum_{n = 1}^{N} \sum_{t = 1}^{T} \sum_{i = 1}^{J} y_{i, n t} \ln (P_{i, n t})

한편 패널 효과를 고려하기 위해 혼합 로짓 모형을 활용할 경우, 대안의 선택확률 추정 시 패널 효과에 대한 항인 $α_{i, n}$ 에 대해 확률분포를 가정하게 된다. 이에 따라 각 수단의 선택확률 $P_{i, n t}$ 는 Equation 12와 같이 $α_{i, n}$ 의 확률밀도함수 $f (α_{i, n})$ 에 대한 적분 형태로 나타낼 수 있다.

(12)

P_{i, n t} = \int \frac{e^{V_{i, n t} + α_{i, n}}}{\sum_{j \in J} e^{V_{j, n t} + α_{j, n}}} f (α_{i, n}) d α_{i, n}

이때, 관측 효용 $V_{i, n t}$ 는 전체 효용에서 $ξ_{i, n t}$ 와 함께 확률변수로 정의된 또 다른 항인 $α_{i, n}$ 또한 제하여야 하므로 Equation 13과 같이 표현할 수 있다.

(13)

V_{i, n t} = U_{i, n t} - ξ_{i, n t} - α_{i, n}

혼합 로짓 모형의 효용함수 계수 추정 또한 다항 로짓 모형에서와 마찬가지로 최대우도법을 활용할 수 있다. 그러나 정규분포 항이 포함된 혼합 로짓 모형의 경우 선택확률 식이 Closed form이 아니므로 해석적(analytic) 방법으로 최대우도를 탐색하는 데 어려움이 있다. 따라서 본 연구에서는 시뮬레이션을 통해 우도를 계산하는 방법을 활용하였으며, 이때 계수벡터 $B$ 에 대한 우도함수 $L (B)$ 는 Equation 14와 같이 나타낼 수 있다.

(14)

L (B) = \frac{1}{R} \prod_{r = 1}^{R} \prod_{n = 1}^{N} \prod_{t = 1}^{T} \prod_{i = 1}^{J} (\frac{e^{V_{i, n t} + α_{i, n}^{r}}}{\sum_{j \in J} e^{V_{j, n t} + α_{j, n}^{r}}})^{y_{i, n t}}

여기서 $R$ 은 시뮬레이션 횟수를 나타내며, $α_{i, n}^{r}$ 은 시뮬레이션 중 $r$ 번째로 추정한 $α_{i, n}$ 값을 의미하는 것으로 Halton draw 방법을 통해 구한 표준정규분포에 표준편차 $σ_{α_{i}}$ 를 곱하여 구할 수 있다.

분석 결과

우선, 본 연구의 잠재선호 선택실험에서는 총 500명의 응답자가 각 6문항씩 응답하였으므로 총 3,000건의 응답 결과가 존재한다. Table 4는 전체 3,000건의 응답 중 각 수단이 몇 번씩 선택되었는지 나타낸 것이다.

잠재선호 조사 결과, 택시가 선택된 횟수가 과소함에 따라 수단선택 모형의 계수가 정상적으로 추정되지 않았다. 이에 모형 추정 시 승용차와 택시에 대해 차내시간 및 사회경제적 속성에 대한 계수와 $β_{i}^{0}$ , $α_{i, n}$ 값을 공통 값이 되도록 설정하였다.

Table 4.

Frequency of selections by modes in the stated preference survey

Mode	Frequency	Rate
Passenger car	1,249	41.63%
Taxi	2	0.07%
Public transit	314	10.47%
Autonomous DRT	1,268	42.27%
Walking	167	5.57%

Tables 5, 6은 잠재선호 조사 결과를 바탕으로 각각 다항 로짓 모형과 혼합 로짓 모형을 활용하여 추정한 수단선택 모형을 정리한 것이다. 먼저 모형의 적합도를 나타내는 Adjusted Pseudo- $ρ^{2}$ 값은 다항 로짓 모형에서 0.4241, 혼합 로짓 모형에서 0.6079로 나타났다. 통상적으로 로짓 계열 모형은 Pseudo- $ρ^{2}$ 값이 0.2 내지 0.4 정도이더라도 좋은 적합도를 가지고 있다고 평가하므로(McFadden, 1976), 두 모형 모두 매우 높은 적합도를 나타내는 것으로 평가할 수 있으나 혼합 로짓 모형을 활용한 쪽이 보다 우수한 적합도를 나타내었다.

Table 5.

Result of mode choice model estimation (Multinomial logit model)

Category	Attribute	Mode	Value		Std. Error	p-value
Alternative specific constant		Passenger car & Taxi	-1.3586	***	0.4148	0.0011
		Transit	0.5541		0.4693	0.2377
		Autonomous DRT	1.1028	***	0.4198	0.0086
Coefficient of alternative attributes	Out-vehicle time	All (except walking & passenger car)	-0.0081		0.0138	0.5591
	In-vehicle time	Passenger car & Taxi	-0.0473	***	0.0115	0.0000
		Transit	-0.0551	***	0.0162	0.0007
		Autonomous DRT	-0.0524	***	0.0109	0.0000
	Walking time	Walking	-0.1519	***	0.0146	0.0000
	Cost	All (except walking)	-0.0015	***	0.0001	0.0000
	Max. additional OVT	Autonomous DRT	-0.0158		0.0271	0.5614
	Max. additional IVT	Autonomous DRT	-0.0168		0.0108	0.1186
Coefficient of socio- demographic attributes	Age	Passenger car & Taxi	-0.0045		0.0060	0.4560
		Transit	0.0001		0.0061	0.9871
		Autonomous DRT	-0.0092		0.0056	0.1041
	Gender (Male=1)	Passenger car & Taxi	-1.0970	***	0.2069	0.0000
		Transit	-1.0806	***	0.2209	0.0000
		Autonomous DRT	-1.0161	***	0.1984	0.0000
	Driving license acquired	Passenger car & Taxi	2.2483	***	0.2452	0.0000
		Transit	-0.3055		0.2351	0.1938
		Autonomous DRT	0.1036		0.2136	0.6278
	Personally owned car	Passenger car & Taxi	1.9105	***	0.2905	0.0000
		Transit	-0.2442		0.3675	0.5064
		Autonomous DRT	0.8819	***	0.2961	0.0029
	Occupation	Passenger car & Taxi	1.3436	***	0.2377	0.0000
		Transit	1.0110	***	0.2571	0.0001
		Autonomous DRT	1.0378	***	0.2344	0.0000
	Low household income	Passenger car & Taxi	0.3329		0.2787	0.2322
		Transit	0.7390	**	0.2887	0.0105
		Autonomous DRT	0.5507	**	0.2669	0.0391
Goodness of fit	Number of observation		3,000		-	-
	$L L (0)$		-4244.35		-	-
	$L L (B)$		-2420.82		-	-
	$χ^{2}$ (Degree of freedom: 29)		3647.07		-	-
	p-value of $χ^{2}$		0.0000		-	-
	McFadden’s pseudo- $ρ^{2}$		0.4296		-	-
	Adjusted pseudo- $ρ^{2}$		0.4241		-	-

note) * p<0.10, ** p<0.05, *** p<0.01

Table 6.

Result of mode choice model estimation (Mixed logit model)

Category	Attribute	Mode	Value		Std. Error	p-value
Alternative specific constant		Passenger car & Taxi	-3.2451	***	0.8944	0.0003
		Transit	1.5678	**	0.6997	0.0250
		Autonomous DRT	2.7799	***	0.6431	0.0000
Coefficient of alternative attributes	Out-vehicle time	All (except walking & passenger car)	0.0010		0.0196	0.9601
	In-vehicle time	Passenger car & Taxi	-0.1065	***	0.0192	0.0000
		Transit	-0.1076	***	0.0237	0.0000
		Autonomous DRT	-0.0995	***	0.0163	0.0000
	Walking time	Walking	-0.2071	***	0.0187	0.0000
	Cost	All (except walking)	-0.0028	***	0.0001	0.0000
	Max. additional OVT	Autonomous DRT	-0.0476		0.0400	0.2331
	Max. additional IVT	Autonomous DRT	-0.0404	**	0.0160	0.0117
Coefficient of socio- demographic attributes	Age	Passenger car & Taxi	-0.0052		0.0167	0.7570
		Transit	0.0056		0.0110	0.6081
		Autonomous DRT	-0.0137		0.0100	0.1707
	Gender (Male=1)	Passenger car & Taxi	-1.5537	***	0.5347	0.0037
		Transit	-1.1529	***	0.3847	0.0027
		Autonomous DRT	-1.3294	***	0.3478	0.0001
	Driving license acquired	Passenger car & Taxi	5.2804	***	0.7257	0.0000
		Transit	-0.8712	**	0.4188	0.0375
		Autonomous DRT	0.0478		0.3803	0.9000
	Personally owned car	Passenger car & Taxi	4.0171	***	0.6830	0.0000
		Transit	-1.0017		0.6216	0.1070
		Autonomous DRT	1.2555	**	0.4931	0.0109
	Occupation	Passenger car & Taxi	1.9375	***	0.5944	0.0011
		Transit	1.2940	***	0.4356	0.0030
		Autonomous DRT	1.3824	***	0.3913	0.0004
	Low household income	Passenger car & Taxi	-0.0566		0.7604	0.9407
		Transit	0.9175	*	0.5135	0.0740
		Autonomous DRT	0.7528		0.4662	0.1063
Standard deviation of panel effect		Passenger car & Taxi	3.8297	***	0.2838	0.0000
		Transit	1.9432	***	0.2158	0.0000
		Autonomous DRT	1.9452	***	0.1799	0.0000
Goodness of fit	Number of observation		3,000		-	-
	Number of Halton draw		2,000		-	-
	$L L (0)$		-4828.31		-	-
	$L L (B)$		-1872.78		-	-
	$χ^{2}$ (Degree of freedom: 32)		5911.06		-	-
	p-value of $χ^{2}$		0.0000		-	-
	McFadden’s pseudo- $ρ^{2}$		0.6121		-	-
	Adjusted pseudo- $ρ^{2}$		0.6079		-	-

note) * p<0.10, ** p<0.05, *** p<0.01

한편, 혼합 로짓 모형을 활용한 수단선택 모형은 패널 효과와 관련된 항을 추가로 도입한 모형인 만큼, 모형 간의 적합도 비교 외에도 두 모형 사이에 통계적으로 유의미한 차이가 있는지 확인한 후 최종 모형을 선택할 필요가 있다. 이를 위해 두 모형 간에는 통계적으로 유의미한 차이가 없다는 귀무가설을 세운 후 카이제곱 검정을 수행할 수 있다. 이때 두 모형의 $L L (B)$ 차이는 548.04이므로 카이제곱 검정의 검정통계치(Test Statistic)는 1,096.08이고, 자유도는 3이므로 99% 신뢰수준에서 귀무가설을 기각할 수 있다(p<0.0001). 따라서 두 모형 사이에는 통계적으로 유의미한 차이가 있으며, 이 중 적합도가 상대적으로 우수한 혼합 로짓 모형 활용 수단선택 모형을 최종 모형으로 채택하였다.

대안특유적 상수항은 모든 수단에 대해 95% 이상의 신뢰수준에서 유의했으며, 이는 사회경제적 속성과 본 모형에서 활용한 각 대안의 속성으로 설명되지 않는 기본적인 선호를 나타낸다. 또한 패널 효과에 대한 표준편차는 모든 수단에 대해 99% 신뢰수준에서 유의했으며, 이는 모든 수단에 대해 이용자에 따른 선호의 다양성이 있다는 것으로 볼 수 있다.

차내시간의 경우 해당 속성이 존재하지 않는 도보를 제외한 모든 수단에 대해 99% 신뢰수준에서 유의했으며, 효용에 미치는 영향은 대중교통, 승용차 및 택시, 자율주행 수요대응형 대중교통 순으로 강하게 나타났으나 계수가 모두 –0.01 내외로 유사하게 나타남을 고려하면 차내시간이 효용에 미치는 영향은 수단 간에 큰 차이가 없는 것으로 해석할 수 있다. 도보시간의 경우 도보의 효용에 99% 신뢰수준에서 유의미한 영향을 미쳤으며, 계수의 크기가 도보 외 수단 차내시간 계수의 약 2배가량이다. 이는 같은 시간이 소요되었더라도 도보시간이 도보 외 수단의 차내시간보다 효용에 더 큰 영향을 줌을 시사한다. 한편 차외시간은 해당 속성이 존재하는 모든 수단에 대해 유의하지 않았는데, 본 연구의 잠재선호 선택실험에서 제시된 속성값들은 연구 대상지의 물리적 규모에 맞춰 설계되었음을 고려하면 해당 연구 대상지 수준의 운영 범위 규모에서는 차외시간이 효용에 유의미한 영향을 미치지 못한다고 해석할 수 있다. 자율주행 수요대응형 대중교통의 시간적 불확실성을 반영하기 위해 도입한 최대 추가시간 속성의 경우, 차외시간의 최대 추가시간은 유의하지 않았으나 차내시간의 최대 추가시간은 95% 신뢰수준에서 유의했다. 차내시간의 최대 추가시간에 대한 계수는 음수이므로 차내시간의 시간적 불확실성이 높아지면 자율주행 수요대응형 대중교통에 대한 효용이 낮아진다고 해석할 수 있다. 통행요금의 경우 모든 수단에 대해 99% 신뢰수준에서 유의미한 영향을 미쳤다.

연령은 모든 수단에 대해 유의하지 않았으며, 성별은 99% 신뢰수준에서 모든 수단에 대해 유의했다. 성별에 대한 계수는 모두 음의 값을 가지므로 남성은 여성 대비 도보를 제외한 수단을 덜 선호하는 것으로 해석할 수 있으며, 이는 대체로 남성의 도보에 대한 저항이 여성 대비 낮게 나타남을 의미한다. 운전면허 보유 여부는 승용차 및 택시에 대해 99% 신뢰수준에서, 대중교통에 대해 95% 신뢰수준에서 유의했으며 자율주행 수요대응형 대중교통에 대해서는 기준 수단인 도보와 통계적으로 유의미한 차이가 존재하지 않는 것으로 나타났다. 운전면허 보유 여부의 승용차 및 택시에 대한 계수는 양수이며 대중교통에 대한 계수는 음수이므로 운전면허 보유자는 승용차 및 택시를 도보 대비 선호하고 대중교통을 도보 대비 다소 덜 선호하는 것으로 해석할 수 있다. 본인 차량 소유 여부는 승용차 및 택시에 대해 99% 신뢰수준에서, 자율주행 수요대응형 대중교통에 대해 95% 신뢰수준에서 유의했으며 대중교통에 대해서는 유의하지 않았다. 이는 본인 차량을 보유한 경우 승용차 및 택시를 가장 선호하나, 도보에 비해서는 자율주행 수요대응형 대중교통을 선호하며 전통적인 대중교통에 대한 선호는 도보와 유의미한 차이가 없는 것으로 해석할 수 있다. 직업 유무는 모든 수단에 대해 99% 신뢰수준에서 유의했으며, 직업 유무에 관한 모든 계수가 양수이므로 직업이 있는 통행자는 도보 대비 그 외의 수단을 선호하는 것으로 해석할 수 있다. 가구 소득 수준은 90% 신뢰수준에서 전통적 대중교통에만 유의했으며, 이외 수단에 대해서는 유의하지 않았다. 한편 다항 로짓 모형을 활용한 수단선택 모형에서는 가구 소득 수준이 전통적 대중교통과 자율주행 수요대응형 대중교통에 대해 95% 신뢰수준에서 유의했다는 점을 고려하면, 이용자에 따른 선호의 다양성을 나타내는 패널 효과 관련 항을 도입함에 따라 유의성에 변화가 발생했다고 판단할 수 있다. 즉, 개별 이용자의 선호에 따른 효과를 분리하면 대상지 내부 통행에 대해 소득 수준에 따른 수단선택 행태의 차이는 대체로 나타나지 않는다고 볼 수 있다.

결론

본 연구는 자율주행 수요대응형 대중교통이 도입되었을 때의 수단선택 행태를 실제 해당 수단이 도입될 예정인 자율주행 리빙랩 지역을 대상으로 분석하고자 하였다. 이를 위해 연구 대상지의 특성을 고려하여 가상 상황을 구성하는 등 잠재선호 선택실험을 설계하여 그 응답을 바탕으로 혼합 로짓 모형 기반의 수단선택 모형을 추정하였다. 모형 해석 결과, 연구 대상지에서 차내시간과 통행요금은 모든 수단에 대해 수단선택에 유의미한 영향을 미쳤으며, 다른 이용자의 호출 등으로 인한 자율주행 수요대응형 대중교통의 시간적 불확실성 또한 수단선택에 유의미한 영향을 미침을 확인할 수 있었다. 이는 자율주행 수요대응형 대중교통의 이용 수요 확보를 위해서는 배차 및 차량 경로 선택 알고리즘의 고도화 등 차내시간의 불확실성 감축 방안 마련이 필요함을 시사한다. 한편 운전면허 보유자의 경우 대중교통은 도보 대비 선호도가 낮았으나 자율주행 수요대응형 대중교통의 경우 도보와 유의미한 선호도 차이가 없었으며, 본인 차량 소유자의 경우 자율주행 수요대응형 대중교통은 도보 대비 선호도가 높았으나 전통적인 대중교통의 선호도는 도보와 유의미한 차이가 존재하지 않았다. 이는 자율주행 수요대응형 대중교통 도입을 통해 개인 차량 선호 통행자로부터 대중교통 부문으로의 수단 전환을 유도할 수 있다는 정책적 시사점을 제공한다.

다만 본 연구는 아직 해당 지역에 실제로 도입되지 않은 수단을 대상으로 이용자들의 선호를 조사하였으며, 이에 따라 잠재선호 조사의 응답자는 설문지에 제시된 설명에 의존하여 답변해야 했다. 따라서 실증사업이 시행된 이후 이용 경험이 있는 사람들을 대상으로도 수단선택 행태에 대한 연구가 진행될 필요가 있을 것이다. 또한 본 연구에서 진행된 실험은 세부 통행지역 및 통행목적, 개인의 주관적 성향과 같이 자율주행 수요대응형 대중교통 선호에 영향을 줄 수 있는 속성들이 고려되지 않았다는 한계가 있다. 특히 본 연구에서 다루고 있는 자율주행 수요대응형 대중교통 서비스는 개개인의 자율주행 기술에 대한 인식 정도에 따라 선호 정도에 영향이 있을 수 있다는 점에서, 자율주행 기술에 대한 인식을 알 수 있는 잠재변수(Latent Variable)를 도입한 연구가 필요할 것이다. 따라서 향후 이러한 한계점을 바탕으로 자율주행 수요대응형 대중교통의 선호에 영향을 미칠 수 있는 요인에 대한 복합적인 검토를 수행함으로써 자율주행 수요대응형 대중교통의 수단선택 행태 연구를 더욱 발전시킬 수 있을 것으로 기대된다.

Funding

This work is supported by the Korea Agency for Infrastructure Technology Advancement (KAIA) grant funded by the Ministry of Land, Infrastructure and Transport (Grant 24AMDP-C161756-04).

알림

본 논문은 대한교통학회 제91회 학술발표회(2024.09.27.)에서 발표된 내용을 수정·보완하여 작성된 것입니다.

References

Altarifi F., Louzi N., Abudayyeh D., Alkhrissat T. (2023), User Preference Analysis for an Integrated System of Bus Rapid Transit and On-Demand Shared Mobility Services in Amman, Jordan, Urban Science, 7(4).

10.3390/urbansci7040111

Davison L., Enoch M., Ryley T., Quddus M., Wang C. (2012), Identifying Potential Market Niches for Demand Responsive Transport, Research in Transportation Business Management, 3, 50-61.

10.1016/j.rtbm.2012.04.007

Fagnant D. J., Kockelman K. M., Bansal P. (2016), Operations of Shared Autonomous Vehicle Fleet for Austin, Texas, Market, Transportation Research Record, 2563(1), Transportation Research Board, 98-106.

10.3141/2536-12

Go Y. (2021), A Stated Preference Analysis of On-demand Mobility Services on the Context of Commute Mode Choice in Seoul Metropolitan Area, Yonsei University, Master's Thesis.

Ignatious H. A., Sayed H. E., Khan M. (2022), An Overview of Sensors in Autonomous Vehicles, Procedia Computer Science, 198, 736-741.

10.1016/j.procs.2021.12.315

Imhof S., Blättler K. (2023), Assessing Spatial Characteristics to Predict DRT Demand in Rural Switzerland, Research in Transportation Economics, 99, 101301.

10.1016/j.retrec.2023.101301

Jo B. (2020), Trend of V2X Communication Technology for Connected Automated Vehicles, AUTO JOURNAL, Journal of the Korean Society of Automotive Engineers, 42(12), The Korean Society of Automotive Engineers, 23-27.

Jung S., Lee D. (2023), C-V2X Standardization Trends for Autonomous Driving, The Journal of The Korean Institute of Communication Sciences, 40(6), Korean Institute of Communication Sciences and Information Sciences, 67-72.

Kim J., Kim J., Yeo H. (2020), Study on Multi-vehicle Routing Problem Using Clustering Method for Demand Responsive Transit, The Journal of The Korean Society of Intelligent Transport Systems, 19(5), The Korean Society of Intelligent Transport Systems, 82-96.

10.12815/kits.2020.19.5.82

Lee J., Kim J., Chung J.-H. (2022), Effect of Personal Attitudes and Satisfaction with Public Transportation on Stated Preference of Automated Mobility On-Demand, J. Korean Soc. Transp., 40(1), Korean Society of Transportation, 81-98.

10.7470/jkst.2022.40.1.081

Lee J., Kim J., Chung J.-H., Kim J. (2023), The Relationship Between Built Environment and the Ridership of Demand Responsive Transit Using Direct Demand Model: A Case Study of Yeongjong Island, Incheon, J. Korean Soc. Transp., 41(6), Korean Society of Transportation, 690-703.

10.7470/jkst.2023.41.6.690

Lim S. (2024), A Case Study and Policy Implications of Domestic and Foreign Demand Responsive Transportation Service, ITS Brief, 14(2), The Korean Society of Intelligent Transport Systems, 5-13.

McFadden D. (1976), The Theory and Practice of Disaggregate Demand Forecasting for Various Modes of Urban Transportation, University of California, Berkeley.

Seo S., Kim J. (2024), Selection of Operation Plan Considering Travel Demand: Focusing on the Fixed-Route Transit and the Demand-Responsive Transit, J. Korean Soc. Transp., 42(1), Korean Society of Transportation, 29-46.

10.7470/jkst.2024.42.1.029

Seo S., Kim J., Lee J., Yang B. (2022), Analysis on the Importance Rank of Service Components of Autonomous Mobility-on-Demand Service by Potential User Groups, The Journal of The Korean Society of Intelligent Transport Systems, 21(6), The Korean Society of Intelligent Transport Systems, 177-193.

10.12815/kits.2022.21.6.177

Train K. E. (2009), Discrete Choice Methods with Simulation, Second Edition, Cambridge University Press.

Uber Technologies, https://h3geo.org/docs/core-library/restable/, 2024.11.02.

Wang X., Yan X., Zhao X., Cao Z. (2022), Identifying Latent Shared Mobility Preference Segments in Low-income Communities: Ride-hailing, Fixed-route Bus, and Mobility-on-demand Transit, Travel Behaviour and Society, 26, 134-142.

10.1016/j.tbs.2021.09.011

Youm J., Lee J., Chung J.-H., Kim J. (2023), A Study of Automated Mobility-on-Demand Service Acceptance Rate Based on Stated Preference Survey, J. Korean Soc. Transp., 41(5), Korean Society of Transportation, 538-551.

10.7470/jkst.2023.41.5.538

Journal of Korean Society of Transportation ISSN:1229-1366(Print) 2234-4217(Online) 대한교통학회지