Effect of Personal Attitudes and Satisfaction with Public Transportation on Stated Preference of Automated Mobility on-Demand

Jaehyung Lee; Jinhee Kim; Jin-Hyuk Chung

doi:10.7470/jkst.2022.40.1.081

Preview

Article

Journal of Korean Society of Transportation. 28 February 2022. 81-98
https://doi.org/10.7470/jkst.2022.40.1.081

Effect of Personal Attitudes and Satisfaction with Public Transportation on Stated Preference of Automated Mobility on-Demand

개인 성향과 대중교통 만족도가 자율주행 수요대응 대중교통 잠재선호에 미치는 영향에 관한 연구

Jaehyung LEE¹

Jinhee KIM²^*

Jin-Hyuk CHUNG³

이 재형¹

김 진희²^*

정 진혁³

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

²Assistant Professor, Department of Urban Planning and Engineering, Yonsei University, Seoul 03722, Korea

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

¹연세대학교 도시공학과 석박사통합과정

²연세대학교 도시공학과 조교수

³연세대학교 도시공학과 교수

^{*Corresponding Author}

ABSTRACT

Autonomous driving technologies have developed remarkably and are expected to be commercialized soon. From the perspective of public transportation operation, the introduction of autonomous driving technologies incur a lot of costs such as vehicle purchase and autonomous driving assistance infrastructure, but the total cost is low in the long run because it can reduce operating costs such as driver labor costs, fuel costs, and insurance costs. Therefore, autonomous driving technologies are highly likely to be provided to consumers in combination with various mobility services. In other words, it is reasonable to view the development of autonomous driving technology and new mobility services as one service rather than separately. This study focuses on automated on-demand transit among transformative mobility services and aims to investigate the variation preference of transport modes between people when automated on-demand transit is widely used and mixed existing with transport modes. To this end, stated choice experiments were designed choosing one transport mode among bus, taxi, passenger car, and automated on-demand mobility by an efficient design using modified Federov algorithms. 36 choice situations were generated and distributed into nine blocks. A random block, which is composed of four hypothetical situations, was provided to respondents. Using the collected data via the experiment, a mixed logit model was estimated to account for the panel structure of the data. In order to observe the difference in mode preference by users, socio-economic attributes, public transport satisfaction, and attitudinal factors were employed as a variable in the mixed logit model. The result shows that those who are higher education levels and income are more likely to utilize automated on-demand transit than a bus. It may suggest that the mode preference varies over socio-economic attributes. In addition, those who are satisfied with the travel environment of public transportation prefer automated on-demand mobility compared to a passenger car. In terms of attitudinal factors, those who like driving prefer taxi or bus compared to automated on-demand mobility.

Keywords

automated on-demand service

latent variable

mixed logit model

public transit satisfaction

stated preference

현재 자율주행 기술은 눈에 띄게 발전하여 머지않아 상용화될 것으로 기대된다. 대중교통 운영의 관점에서 자율주행 기술 도입은 차량 구매비, 자율주행 보조 인프라 구축 등 초기 비용은 많이 발생하지만, 운전자 인건비나 유류비, 보험료 등 운영비를 줄일 수 있어 장기적으로는 비용이 적게 든다. 따라서, 자율주행 기술은 다양한 모빌리티 서비스와 결합하여 소비자에게 제공될 가능성이 크다. 즉, 자율주행 기술 발전과 새로운 모빌리티 서비스를 별도로 보기보다는 자율주행 모빌리티 서비스라는, 하나의 서비스로 보는 것이 타당하다. 본 연구는 자율주행 대중교통 서비스 중에서 자율주행 수요대응형 서비스에 주목하여, 자율주행 수요대응 대중교통이 기존 대중교통과 혼재되었을 때 이용자별로 수단 선호도의 차이를 살펴보고자 한다. 이를 위해 기존 교통수단인 버스, 택시, 승용차와 자율주행 수요대응 서비스 중에서 하나의 수단을 선택하는 가상 선택 실험을 설계하였다. 가상 선택 실험은 modified Federov 알고리즘을 사용하여 D-error를 최소화하는 Efficient design 방법으로 설계되었다. 36개의 선택 상황이 생성되었으며 9개의 구역으로 선택 상황을 분배하였다. 이용자는 임의의 한 구역의 4개의 가상 선택 실험에 응답하였다. 수집된 자료를 사용하여 자료의 패널 구조를 고려한 혼합 로짓 모형을 추정하였다. 이용자별로 수단 선호 차이를 알아보기 위해 사회 ‧ 경제적 속성과 현재 대중교통 만족도와 개인의 성향을 요인 분석으로 변수화하여 혼합 로짓 모형에 추가하였다. 교육 수준과 소득이 높을수록 버스보다는 자율주행 수요대응을, 소득이 상대적으로 낮거나 차량을 보유한 경우 택시보다는 자율주행 수요대응을, 교육 수준이 상대적으로 높고 차량을 보유하지 않은 경우 자율주행 수요대응을 선호하는 경향을 발견하는 등 이용자의 사회 ‧ 경제적 속성에 따른 선호도 차이를 확인할 수 있었다. 또한, 현재 대중교통의 통행 환경에 만족할수록 승용차 대신 자율주행 수요대응을 선호하는 경향이 있었으며, 운전을 선호하지 않을수록 택시와 승용차보다는 자율주행 수요대응을, 대중교통 우선도가 높을수록 버스, 자율주행 수요대응, 택시 순으로 선호하는 경향을 밝혀내는 등 응답자의 대중교통 만족도나 개인 성향에 따른 선호도 차이 또한 확인할 수 있었다.

키워드

자율주행 수요대응 서비스

잠재 변수

혼합 로짓 모형

대중교통 만족도

잠재선호

MAIN

서론
선행연구
1. 자율주행 기술 선호도
2. 수요대응형 서비스 선호도
3. 기존 연구와의 차별성
자료 수집
1. 표본 특성
2. 대중교통 만족도
3. 개인 성향 조사
4. 잠재선호 실험 설계
분석 방법론
1. 모형 설정
2. 모형 추정 방법
분석 결과
1. 요인 분석 결과
2. 혼합 로짓 모형 추정
결론

서론

현재 자율주행 기술을 선도하는 기업에서는 안전 요원이 탑승하지 않은 채로 자율주행 서비스를 운영하는 등 완전 자율주행 시대를 열기 위해 노력하고 있다. 국내에서도 규제 특례지구인 자율주행 시범운행지구를 지정하여 전국 자율주행 서비스를 실증하는 등 자율주행 기술 발전을 촉진하고 있다.

자율주행 기술은 급제동 등 과격한 조작을 줄여 연료 소모를 줄일 수 있으며, 운전자의 실수나 부주의로 발생하는 사고를 줄일 수 있는 등 많은 이점이 있다. 대중교통 운영 관점에서는 자율주행 차량 구매비, 자율주행 보조 인프라 구축 등 초기 비용은 많이 소요될 수 있으나 고정비의 많은 부분을 차지하는 운전자 인건비와 유류비, 보험료 등을 줄일 수 있어 장기적인 관점에서는 비용이 적게 소요된다고 알려져 있다(Bösch et al., 2018; Quarles et al., 2020). 또한, 수요대응형 서비스나 공유차 서비스 등 유동적인 서비스를 제공할 때에는 새로운 호출에 따른 차량 배차, 차량 경로 변경 등 실시간 요청에 신속하게 반응하여 서비스의 질을 높일 수 있다는 이점이 있다. 이러한 이점 때문에 국내의 자율주행 시범운행지구에서도 마을버스, 수요대응형 서비스 등 다양한 형태의 자율주행 대중교통을 시범적으로 운행하고 있다. 즉, 자율주행 기술은 모빌리티와 결합하여 이용자에게 제공될 가능성이 크기 때문에 둘을 분리하기보다는, 자율주행 모빌리티라는 하나의 서비스로 바라보아야 한다.

본 연구는 자율주행 모빌리티 서비스가 대두되었을 때 이용자별로 수단 선호 차이를 있는지 알아보고자 한다. 특히, 실시간 호출에 따라 경로와 통행시간이 유동적으로 변하는 자율주행 수요대응 서비스를 주목하여 연구를 수행하였다. 앞으로의 논문 구성은 다음과 같다. 다음 장은 자율주행 기술과 수요대응 서비스 선호에 관한 선행연구를 고찰하고자 한다. 자료 수집에서는 본 연구에 사용된 자료를 수집하기 위한 설문지 구성과 잠재선호 실험 설계에 관해 설명하고 표본의 구성을 살펴보았다. 분석 방법론에서는 혼합 로짓 모형의 설정과 모수 추정 방법론에 대해 설명하고, 분석 결과에서는 로짓 모형의 추정 결과를 제시하였다. 마지막으로 연구의 결론과 한계를 제시하고자 한다.

선행연구

본 연구는 자율주행 수요대응 대중교통이 활성화되었을 때 기존 교통수단과 자율주행 수요대응 서비스 간 선호도를 조사하고자 한다. 본 연구의 목적을 고려하여 자율주행 기술과 수요대응형 서비스 선호에 관한 국내외 연구를 중심으로 문헌을 조사한 후, 본 연구가 지니는 차별성을 제시하고자 한다.

1. 자율주행 기술 선호도

자율주행 기술 선호에 관한 국내 연구는 대부분 설문조사 결과를 기반으로 수용성이나 수단 선호도에 조사하였다. Lee and Jung(2018a)은 부산시민 500명을 대상으로 설문조사를 진행하였으며 통합기술 수용모델을 기반으로 구조방정식 모형을 구축하여 연구 가설을 검증하였다. 그 결과 개인의 신기술 수용성이 자율주행 차량을 받아들이는데 가장 큰 영향을 미친다는 것을 밝혀냈다. Lee and Jung(2018b)은 같은 설문조사 결과를 사용하여 공유 기반 자율주행차 선호에 미치는 영향을 조사하였으며, 소득이 낮을수록 공유 기반 차량을 선호하는 경향이 있다는 것을 밝혔다. Kim et al.(2021)은 설문조사 결과를 기반으로 정성적 요인을 포함한 다항 로짓 모형을 추정하여 First and Last Mile 상황에서 자율주행 버스 선호에 대해 조사하여 전동 킥보드와 자전거로부터 느끼는 위험성이 1% 증가하는 효과는 통행시간이 약 5.06분, 3.17분이 증가하는 효과와 같다는 것을 밝혀냈다. 또한, 건강을 생각하여 도보를 이용할 확률이 1% 증가하는 효과는 도보 통행시간이 4.07분 단축되는 효과와 같다는 것을 밝혀냈다. Bhin et al.(2020)은 Plackett-Burman 실험 설계로 수집된 선호 자료를 이용하여 자율주행 대중교통 서비스가 포함된 대중교통으로 수단이 전이될 확률을 조사하였으며, 자율주행 대중교통을 포함한 대중교통 수단 선호 비율에 승용차 연료비, 차량 통행시간, 대중교통 통행시간, 환승 횟수, 대중교통 요금 등이 영향을 미치는 것을 확인하였다.

한편, Bhin and Son(2019)은 일반인 95명을 판교 제로셔틀에 탑승하게 한 후 운행평가를 실시하였다. 운행평가 결과를 토대로 자율주행 셔틀 상용화시 이용 의사와 제로셔틀 운행으로 인한 사회적 수용성 상승도를 종속 변수로 설정한 순서형 로짓모형을 추정하였다. 그 결과 자율주행 셔틀 이용시 지불 요금과 상용화 시기가 이용 의사와 수용성 상승도에 영향을 미친다는 것을 확인하였다. 또한, 잠재선호 조사를 동시에 진행하여 이항로짓으로 분석하였으며 행정/사무/관리직에 종사하는 탑승객이 이용 요금 지불의사가 더 높다는 것을 밝혔다.

해외의 자율주행 차량 선호에 관한 연구 또한 국내와 유사하게 진행되었다. Smyth et al.(2021)은 기술 수용모형을 구축하여 자율주행 차량에 탑재될 운전자의 피로도, 집중도 등을 운전자 상태를 감시하는 기능에 대한 수용성을 조사하여 사회적인 영향과 기술 수용성 등이 운전사 감시 시스템의 수용성을 높이는데 긍정적으로 작용한다는 것을 밝혀냈다. Dichabeng et al.(2021)은 영국의 운전자를 대상으로 Focus group 연구를 진행하여 공유 자동차에 가장 큰 영향을 미치는 세 가지 변수가 서비스의 질, 자율주행 기술에 대한 신뢰, 가격과 사회적인 편익임을 밝혀냈다.

국내와 마찬가지로 해외에서도 설문조사 결과로 선택 모형을 구축하여 자율주행 차량에 대한 선호도를 조사하였다. Wadud and Chintakayala(2021)는 자율주행 차량 소유 여부에 영향을 미치는 요인을 조사하기 위해 혼합 로짓 모형을 구축하였으며, 여성은 자율주행 차량을 공유하는 것보다 소유하는 것에 큰 가치를 부여하였으나 차량을 보유하지 않는 여성은 오히려 자율주행 차량 소유에 가치를 부여하지 않는 등 집단 간 이질성이 있다는 것을 밝혔다. Etzioni et al.(2021)은 설문조사 결과를 이용하여 hybrid latent class model을 구축하여 자율주행 공유차, 자율주행 택시, 자율주행 대중교통 등 공유 자율주행 차량을 선택하는 상황에서, 시간을 계획적으로 사용하는 집단과 대중교통을 선호하지 않는 집단이 이질적인 통행행태를 보이는 것을 밝혀냈다.

2. 수요대응형 서비스 선호도

국내에서 수요대응 서비스에 관한 연구는 크게 수요대응형을 도입하기 위한 의사결정 전략(Lee and Kim, 2016) 또는 수요대응형 서비스 도입 기준 수립(Park et al., 2019; Moon et al., 2021) 등 수요대응형 서비스를 정착시키기 위한 방법론과 수요대응형 서비스에 대한 이용자 수용성 연구(Park and Jung, 2019)로 분류할 수 있다. Park and Jung(2019)은 경상남도 창원시에서 노선버스가 적게 운행되는 지역의 버스 이용자를 대상으로 설문조사를 시행하여 버스 이용 횟수가 많을수록, 의료나 친교 또는 쇼핑 목적으로 통행하는 사람일수록 버스 노선을 대체하는 수요대응형 대중교통을 이용하는 경향이 있음을 밝혀냈다. 또한, 수요대응형 대중교통을 이용하지 않겠다고 응답한 집단에 대해 의사결정 나무로 분석하여 기존 버스에 대해 불편함이 없는 집단, 변화 지향성이 낮은 집단, 수요대응형 서비스가 대중교통을 대체할 수 있다고 동의하지 않는 집단으로 분류하였다.

해외의 수요대응 서비스에 관한 연구는 빅데이터(Sanaullah et al., 2021; Alsaleh and Farooq, 2021) 또는 시뮬레이션 기반(Bürstlein et al., 2021) 연구와 설문조사 기반의 연구(Wang et al., 2022)로 구분할 수 있다. Wang et al.(2022)은 latent class cluster 분석 방법을 사용하여 공유 서비스를 선호하는 집단, 공유 서비스를 선호하지 않는 집단, 고정 노선을 선호하는 집단으로 구분하였으며 각 집단의 사회 ‧ 경제적인 특징을 밝혀냈다. 한편, Liu et al.(2019)은 다양한 수단의 서비스 수준을 고려할 수 있도록 수요대응형 운영 시스템 설계에 선택 모형을 통합하는 방안을 제안하였다.

3. 기존 연구와의 차별성

자율주행 기술이 고도화되고 수요대응 서비스가 확산하면서 국내 ‧ 외에서 이와 관련된 연구들이 많이 진행되고 있다. 수요대응 대중교통 서비스가 이용자의 호출에 따라 경로 등이 빈번하게 전환되어 운전자의 혼란을 불러올 수 있다는 점을 고려하면, 자율주행 기술 도입은 빈번한 경로 전환에도 신속하게 대응하여 수요대응 대중교통 서비스의 질을 한 층 올려줄 것으로 기대된다. 그런데도 신기술과 새로운 서비스가 결합한 자율주행 수요대응 서비스에 관한 연구는 거의 없는 것으로 보인다. 본 연구는 자율주행과 수요대응이라는 기술적인 혁신과 서비스 혁신을 모두 반영한 자율주행 수요대응 서비스가 활성화되었을 때, 기존 대중교통과 자율주행 수요대응 서비스의 선호도가 이용자 집단에 따라 어떻게 달라지는지 조사하고자 한다.

자료 수집

본 연구는 자율주행 대중교통 서비스의 확산에 따라 자율주행 수요대응형 서비스가 도심에서 경쟁력이 있는 수단이 될 수 있는지, 어떠한 집단이 자율주행 수요대응형 서비스를 더 많이 이용할 것인지 조사하고자 한다. 하지만, 자율주행 수요대응형 서비스는 시흥 배곧신도시, 세종특별자치시 등 일부 지역에서만 시범적으로 운행되고 있는 등 아직은 대부분 응답자에게는 낯선 대중교통 서비스인 것으로 보인다. 따라서 설문조사에 앞서 실험의 범위를 명확히 하고 응답자의 이해를 돕기 위해 자율주행 기술과 수요대응형 서비스에 대한 설명이 제시되었다. 제시문 다음으로 이어지는 설문조사는 현재 대중교통 만족도, 개인 성향에 대한 조사, 잠재선호 실험, 통계적 처리를 위한 질문 등으로 구성되어 있다. 본 설문은 2021년 11월 10일부터 15일까지 인구 30만 이상 100만 이하 24개 시에 거주하는 성인 남녀를 대상으로 온라인으로 진행되었다. 24개 시 인구 비율에 따라 목표 표본을 할당하여 표본을 층화추출하였으며 최종적으로 933명의 표본이 수집되었다.

1. 표본 특성

Table 1은 표본 분포를 정리한 표이다. 표본 특성을 살펴보면 여성 응답자가 493명(52.8%)으로 남성 응답자 440명(47.2%)보다 많은 것으로 나타났다. 응답자의 연령대는 40대가 316명(33.9%)으로 가장 많았으며, 30대 264명(28.3%), 50대 174명(18.7%), 20대 131명(14.0%), 60대 이상 48명(5.1%) 순으로 조사되었다. 응답자의 교육 수준은 대졸 이상이 669명(71.7%)으로 전체 응답자의 70% 이상을 차지하였으며 고졸 192명(20.6%), 대학교 재학 66명(7.1%), 중졸 이하 6명(0.6%)으로 조사되었다. 응답자의 직업군은 사무직 308명(33.0%), 무직 151명(16.2%), 전문직 97명(10.4%) 순으로 조사되었다. 지역별로는 경기도 13개 시에 거주하는 응답자가 604명(64.8%), 경상남도 3개 시에 거주하는 응답자가 72명(7.7%), 충청남도 2개 시에 거주하는 응답자가 63명(6.7%), 경상북도 2개 시에 거주하는 응답자가 58명(6.2%), 충청북도 청주시 44명(4.7%), 전라북도 전주시 42명(4.5%), 강원도 원주시 36명(3.9%), 세종특별자치시 14명(1.5%)으로 조사되었다. 응답자의 개인 소득은 200만원 이상 300만원 미만가 217명(23.2%)으로 가장 많았으며, 300만원 이상 400만원 미만이 167명(17.9%), 50만원 미만이 123명(13.2%) 순으로 나타났다. 운전 면허를 취득한 응답자가 820명(87.9%)으로 대다수였으며, 자가용을 보유한 응답자가 809명(86.7%)으로 조사되었다.

Table 1.

Socio-demographics and distribution of sample (N=933)

Variable	Category	Frequency	Distribution
Gender	Male	440	47.2%
Gender	Female	493	52.8%
Age	<29 years	131	14.0%
	30-39 years	264	28.3%
	40-49 years	316	33.9%
	50-59 years	174	18.7%
	>60 years	48	5.1%
Education	Less than middle school	6	0.6%
	High school graduate	192	20.6%
	Attending university	66	7.1%
	College graduate or higher	669	71.7%
Job	Manager	78	8.4%
	Experts	97	10.4%
	Office worker	308	33.0%
	Service worker	61	6.5%
	Salesperson	45	4.8%
	Agricultural, forestry and fishery workers	2	0.2%
	Technicians or Craft workers	24	2.6%
	Device/Machice operation or Assembly workers	21	2.3%
	Simple labor worker	47	5.0%
	Student	38	4.1%
	Inoccupation	151	16.2%
	Etc	61	6.5%
Residence	Seongnam city, Gyeonggi-do	86	9.2%
	Bucheon city, Gyeonggi-do	68	7.3%
	Namyangju city, Gyeonggi-do	67	7.2%
	Ansan city, Gyeonggi-do	62	6.7%
	Hwaseong city, Gyeonggi-do	60	6.4%
	Gimpo city, Gyeonggi-do	42	4.5%
	Uijeongbu city, Gyeonggi-do	40	4.3%
	Pyeongtaek city, Gyeonggi-do	39	4.2%
	Paju city, Gyeonggi-do	38	4.1%
	Gwangju city, Gyeonggi-do	34	3.6%
	Siheung city, Gyeonggi-do	30	3.2%
	Hanam city, Gyeonggi-do	23	2.5%
	Anyang city, Gyeonggi-do	15	1.6%
	Wonju city, Gangwon-do	36	3.9%
	Cheongju city, Chungcheongbuk-do	44	4.7%
	Cheonan city, Chungcheongnam-do	43	4.6%
	Asan city, Chungcheongnam-do	20	2.1%
	Jeonju city, Jeollabuk-do	42	4.5%
	Pohang city, Gyeongsangbuk-do	28	3.0%
	Gumi city, Gyeongsangbuk-do	30	3.2%
	Gimhae city, Gyeongsangnam-do	26	2.8%
	Yangsan city, Gyeongsangnam-do	28	3.0%
	Jinju city, Gyeongsangnam-do	18	1.9%
	Sejong-si	14	1.5%
Income	<0.5 million won per month	123	13.2%
	0.5-1.0 million won per month	42	4.5%
	1.0-2.0 million won per month	113	12.1%
	2.0-3.0 million won per month	217	23.2%
	3.0-4.0 million won per month	167	17.9%
	4.0-5.0 million won per month	112	12.0%
	5.0-7.0 million won per month	95	10.2%
	7.0-10.0 million won per month	38	4.1%
	>10.0 millions won per month	26	2.8%
Driving license	Acquired	820	87.9%
Driving license	Not acquired	113	12.1%
Car ownership	Owned	809	86.7%
Car ownership	Not owned	124	13.3%

2. 대중교통 만족도

Table 2는 현재 대중교통 만족도에 대해 리커트 7점 척도로 조사한 결과이다. 실시간 정보 제공이 평균 5.06점으로 만족도가 가장 높았으며, 환승 편리성 4.71점, 접근 시간 4.70점 순으로 만족도가 높은 것으로 조사되었다. 한편, 배차간격이 3.88점으로 유일하게 만족도가 4점을 넘지 못했으며, 혼잡수준 4.00점, 대기시간 4.04점, 통행비용 4.11점 순으로 대중교통 만족도가 낮은 것으로 조사되었다.

Table 2.

Satisfaction indicatiors and distribution of sample (N=933)

Satisfaction indicator	Distribution (%)							Likert scale
Satisfaction indicator	1	2	3	4	5	6	7	Mean	Std.
In-vehicle time	3.32	6.65	11.04	33.76	27.01	14.47	3.75	4.33	1.75
Access time	1.82	4.07	10.29	25.94	29.80	20.68	7.40	4.70	1.74
Waiting time	6.11	8.36	17.79	28.94	23.69	11.90	3.21	4.04	2.06
Headway	9.22	8.79	19.94	26.58	21.11	10.61	3.75	3.88	2.34
Travel cost	4.50	5.79	17.36	36.33	21.12	12.11	2.79	4.11	1.75
Congestion level	4.61	8.57	17.26	35.37	22.72	8.90	2.57	4.00	1.74
Vehicle cleanliness	3.00	6.32	14.26	33.12	24.97	14.47	3.86	4.30	1.75
Safety	2.25	4.82	12.22	36.77	24.65	14.47	4.82	4.39	1.62
Convenience in transfer	2.57	4.29	9.11	24.33	31.30	20.26	8.14	4.71	1.85
Real-time information provision	1.50	2.90	6.32	19.72	31.83	22.72	15.01	5.06	1.78

3. 개인 성향 조사

응답자의 개인 성향에 대한 문항은 관련 선행연구(Lai and Chen, 2011; Kim et al., 2017; Soza-Parra et al., 2021)를 참조하여 작성하였다. 문항은 운전 선호도, 시간 준수, 사생활 추구, 대중교통 우선도에 대한 질문으로 구성되어 있다. Table 3은 응답자의 개인 성향을 리커트 7점 척도로 조사한 결과이다. 조사 결과 ‘나는 시간 약속을 잘 지키는 편이다’(5.44), ‘나는 약속 장소에 제 시간에 도착하기 위해 미리 출발하는 편이다’(5.44) 등 시간 준수에 대한 문항의 평균적인 점수가 높았으며, ‘나는 운전할 때 안전하다고 느낀다’(3.80), ‘나는 다른 사람이 운전하는 것보다 내가 운전하는 것을 좋아한다’(3.80) 등 운전 선호에 대한 문항의 평균적인 점수가 상대적으로 낮은 것으로 조사되었다.

Table 3.

Attitudinal indicatiors and distribution of sample (N=933)

Attitudinal indicator	Distribution (%)							Likert scale
Attitudinal indicator	1	2	3	4	5	6	7	Mean	Std.
Driving is fun	9.86	7.61	13.93	34.84	18.11	10.72	4.93	3.96	2.38
I feel safe while I driving	9.22	7.93	20.04	33.33	17.79	9.54	2.15	3.80	2.06
I like driving myself better than others driving me	12.65	11.57	17.58	22.40	19.08	10.72	6.00	3.80	2.89
It is not hard for me to be punctual	0.64	0.64	3.97	17.36	26.26	28.83	22.30	5.44	1.48
I leave home in advance to ensure I will arrive on time and as comfortable as possible	0.97	0.75	5.25	13.83	26.47	30.87	21.86	5.44	1.56
I am worried that if public transportation travels slower than usual, it will be late.	0.75	2.25	7.83	16.51	29.90	26.47	16.29	5.17	1.69
I find it difficult to perform important tasks or make phone calls in public transport.	0.54	1.50	6.43	17.36	23.37	29.69	21.11	5.35	1.67
I am uncomfortable being around people I don’t know when I travel	1.93	5.14	11.47	30.55	27.01	17.15	6.75	4.54	1.77
I think it is difficult to have time alone in public transportation.	2.68	5.68	12.65	25.40	25.08	18.76	9.75	4.60	2.12
Whether there is time pressure or not, I always prefer taking public transit	5.36	6.75	17.04	27.01	21.97	14.26	7.61	4.27	2.33
Whether the weather is good or bad, I always prefer taking public transit	6.22	9.75	15.75	28.30	19.40	14.58	6.00	4.13	2.41
No matter what the trip purpose is, I always prefer taking public transit	4.61	8.15	16.18	29.69	21.33	13.50	6.54	4.22	2.20

4. 잠재선호 실험 설계

본 연구의 목표는 자율주행 수요대응 대중교통이 기존 교통수단과 혼재되어 있을 때 자율주행 수요대응 대중교통의 이용 의사를 조사하는 것이다. 하지만, 자율주행 수요대응 서비스가 상용화 단계에 이르지 않아 이용자에게 직접적인 경험을 조사하기에는 많은 어려움이 존재한다. 따라서 본 연구에서는 잠재선호 실험을 설계하여 자율주행 수요대응 서비스의 선호도에 대해 조사하였다. Figure 1은 잠재선호 실험의 예시를 나타낸 그림이다. 응답자는 주어진 가상의 상황에서 제시된 통행시간, 비용, 차두간격, 환승 횟수, 차량 도착 예정시간 등 교통수단별 통행 특성을 고려하여 버스, 자율주행 수요대응 대중교통, 택시, 승용차 4개의 수단 중 가장 선호하는 하나의 수단을 선택하였다. 한 명의 응답자는 4개의 서로 다른 가상의 수단 선택 상황에 응답하였다.

https://cdn.apub.kr/journalsite/sites/kst/2022-040-01/N0210400107/images/kst_40_01_07_F1.jpg

Figure 1.

An example of stated choice experiments (translated into English)

Table 4는 통행수단별 통행특성 변수와 속성 수준을 나타낸 표이다. 모든 속성 수준은 실험의 전체 경우의 수가 너무 많아지는 것을 방지하기 위하여 3개의 수준으로 설정하였다. 버스, 택시, 승용차 등 기존의 교통수단 통행특성 변수의 수준값은 20-30분 내외의 통행시간이 걸리는 이동 상황을 고려하여 현실적인 수준으로 설정하였다. 한편, 자율주행 수요대응 대중교통의 통행특성 변수의 수준값을 결정하기 위해서는 자율주행 기술의 수준과 수요대응 서비스의 특성을 고려하여야 한다. 먼저, 자율주행 기술 수준은 충분히 고도화되어 기존의 교통수단과 큰 차이가 없다고 가정하여 차내시간은 다른 수단과 동일하게 수준값을 설정하였다. 다음으로, 수요대응 서비스는 이용자가 호출한 장소 또는 그 주변으로 차량이 오는 호출형 서비스로 접근시간과 차량 도착정보를 택시와 유사하게 설정하였다. 그리고 수요대응형 서비스는 승객이 선택한 정류장에서만 승 ‧ 하차를 하므로 버스와 유사한 점이 있으나, 새로운 호출이 발생하여 경로가 유동적으로 변해 소요시간과 경로가 불확실하다. 이러한 불확실성을 설문에 반영하기 위해 정차 횟수를 최댓값으로 제시하였다. 마지막으로 통행비용은 대중교통인 버스와 유사하되 조금 더 비싼 수준으로 설정하였다.

Table 4.

Attribute level

Variable	Bus	Automated MoD	Taxi	Car
Access time (min)	4, 7, 10	1, 3, 5	1, 3, 5	1, 2, 3
Vehicle arrival information (min)	(Frequency of service) 4, 7. 10	(Vehicle arrival time) 3, 5, 7	(Vehicle arrival time) 3, 5, 7	-
In-vehicle time (min)	20, 25, 30	20, 25, 30	20, 25, 30	20, 25, 30
Transfer	0, 1, 2	-	-	-
Number of stops	6, 8, 10	(Maximum) 2, 4, 6	-	-
Travel cost (won)	1,000, 1,500, 2,000	1,000, 2,000, 3,000	6,000, 8,000, 10,000	2,000, 3,000, 4,000

본 연구에서는 자율주행 수요대응 서비스나 택시가 승차지에 먼저 도착하여 승객을 기다리는 상황을 배제하기 위해 자율주행 수요대응 서비스나 택시에 탑승하기 위해 승차지로 접근하는 시간이 차량이 승차지에 도착하는 시간보다 짧도록 설정하였다. 이러한 제약을 실험설계에 반영하기 위하여 D-error를 최소화하는 efficient design 방법을 사용하여 통행특성의 조합을 결정하였다. 이때, 조합 후보군을 먼저 생성하고 후보군에서 선택 상황을 뽑아내는 작업을 반복하면서 D-error가 가장 작은 실험 조합을 찾아내는 알고리즘인 Modified Federov 알고리즘(Cook and Nachtsheim, 1980)을 사용하여 제약식을 만족하면서 D-error 값이 작은 실험설계 조합을 생성하였다. 그 결과 36개의 선택 상황이 생성되었으며 이를 4개의 선택 상황으로 이루어진 9개 구역으로 분할하였다. 응답자는 임의의 하나의 구역의 4개의 선택 상황에 대해 응답하였다. 최종적으로 933명의 응답자가 4개의 선택 상황에 답한 3,732개의 응답이 수집되었다. 이때, 버스, 자율주행 수요대응, 택시, 승용차를 선택한 응답 수는 각각 910개(24.4%), 2,063개(55.3%), 75개(2.0%). 684개(18.3%)으로 조사되었다.

분석 방법론

1. 모형 설정

로짓 모형은 계산이 용이하고 해석이 쉬워 가장 널리 사용되는 선택 모형이다. 하지만, 로짓 모형은 관측되지 않은 요소의 다양한 취향, 대체 효과 등을 고려하지 못하는 한계를 지닌다(Train, 2009). 한편, 혼합 로짓 모형은 하나 이상의 계수가 확률 분포를 따른다고 가정하여 로짓 모형의 한계를 극복할 수 있다. 본 연구에서는 임의의 패널 효과를 반영하기 위하여 혼합 로짓 모형을 도입하였다. 또한, 본 연구는 현재 대중교통 만족도와 개인 성향이 자율주행 수요대응 서비스 이용의사에 어떠한 영향을 주는지 알아보는 것을 목적으로 한다. 이를 위해 현재 대중교통 만족도와 개인 성향을 조사된 지표를 독립적인 요인 분석을 수행하여 각 요인 점수를 모형에 변수로 반영하였다. Figure 2는 모형의 구조를 도식화한 그림이다.

https://cdn.apub.kr/journalsite/sites/kst/2022-040-01/N0210400107/images/kst_40_01_07_F2.jpg

Figure 2.

Modeling framework

(1)

U_{i n t} = β_{i}^{Z} X_{n}^{Z} + β_{i}^{A} X_{i n t}^{A} + β_{i}^{S} X_{n}^{S} + β_{i}^{L} X_{n}^{L} + ε_{i n t}

교통수단의 효용함수는 Equation 1과 같이 나타낼 수 있다. $U_{i n t}$ 는 개인 $n$ 이 선택 상황 $t$ 에서 수단 $i$ 를 선택할 때의 효용을 나타낸다. $X_{n}^{Z}$ 는 개인의 사회 ‧ 경제적 속성을 나타내는 벡터로 성별, 연령, 교육 수준, 개인 소득, 면허 보유 여부, 차량 보유 여부의 6개 변수로 구성되어 있다. $X_{i n t}^{A}$ 는 개인 $n$ 이 선택 상황 $t$ 에서 통행수단 $i$ 를 이용할 때의 대안특유 변수로 구성된 벡터로, 접근 시간, 차내시간, 배차 간격, 차량 도착시간, 환승 횟수, 정차 횟수, 통행비용의 7개 변수로 이루어져 있다. Table 5는 개인의 사회 ‧ 경제적 속성과 대안특유 변수에 대한 설명을 정리한 표이다.

Table 5.

Definition of variables

Category	Variable	Definition
Alternative attributes	Access time	Access time to stations or boarding place (min)
	Frequency of service	Frequency of service (only for bus)
	Vehicle arrival time	Vehicle arrival time (except for car)
	In-vehicle time	In-vehicle time (min)
	Transfer	Number of transfers
	Number of stops	Number of stops
	Travel cost	Travel cost (won)
Demographics	Gender	1 if respondent is female, otherwise 0
	Age	Age (years)
	Education	1 if respondent’s education level is higher than high school graduate, otherwise 0
	Income	1 if respondent’s monthly income is higher than 3 millions won otherwise 0
	Driving license	1 if respondent has a driving license, otherwise 0
	Car ownership	1 if respondent’s household own a car, otherwise 0

$X_{n}^{S}$ , $X_{n}^{L}$ 은 각각 개인 $n$ 의 통행시간 만족도와 개인 성향을 나타내는 요인 점수로 이루어진 벡터로, 각각 2개의 만족도 요인과 4개의 개인 성향 요인으로 이루어져 있다. $β_{i}^{Z}$ , $β_{i}^{A}$ , $β_{i}^{S}$ , $β_{i}^{L}$ 은 각각 $X_{n}^{Z}$ , $X_{i n t}^{A}$ , $X_{n}^{S}$ , $X_{n}^{L}$ 에 대응하는 수단 $i$ 의 계수 벡터이다. 한편, $X_{n}^{S}$ , $X_{n}^{L}$ 는 각각 대중교통 만족도와 개인 성향 요인으로 다음과 같이 계산할 수 있다(Equations 2, 3).

(2)

X_{n}^{S} = W^{S} I_{n}^{S}

(3)

X_{n}^{L} = W^{L} I_{n}^{L}

여기서, $I_{n}^{S}$ , $I_{n}^{L}$ 은 각각 개인 $n$ 의 대중교통 만족도 요인과 개인 성향 요인으로 이루어진 벡터이며, $W^{S}$ , $W^{L}$ 은 각각 $I_{n}^{S}$ , $I_{n}^{L}$ 에 대응하는 요인 점수 행렬이다. 본 설문조사는 한 명의 응답자에게 복수의 선택 상황을 제시한 패널 구조의 자료로, 패널 효과를 반영하기 위해 $ε_{i n t}$ 를 Equation 4와 같이 설정하였다.

(4)

ε_{i n t} = β_{i}^{0} + α_{i n} + ξ_{i n t}, α_{i n} ~ N (0, σ_{α_{i}}), ξ_{i n t} ~ G (0, σ_{ξ_{i}})

$ε_{i n t}$ 는 수단 $i$ 의 대안특유상수 $β_{i}^{0}$ , 개인마다 다른 값을 가지지만 개인별로 주어진 상황에서는 같으며 정규분포를 따르는 $α_{i n}$ , 그리고 선택 상황, 시간, 대안에 무관하며 Gumbel 분포를 따르는 $ξ_{i n t}$ 로 구성되어 있다.

2. 모형 추정 방법

혼합 로짓 모형에서 수단을 선택할 확률은 확률분포를 따르는 계수 $α_{i n}$ 에 따른 로짓 모형의 기댓값으로, 이를 적분식을 활용하여 Equation 5와 같이 나타낼 수 있다.

(5)

P_{i n t} = \int_{α_{i n}} \frac{\exp (V_{i n t})}{\sum_{j \in J} \exp (V_{j n t})} f (α_{i n} | 0, σ_{α_{i}}) d α_{i n}

$P_{i n t}$ 는 개인 $n$ 이 선택 상황 $t$ 에서 수단 $i$ 를 선택할 확률을 나타낸다. 이때 $V_{i n t}$ 는 개인 $n$ 이 선택 상황 $t$ 에서 수단 $i$ 를 선택할 때의 관측 효용으로 Equation 6과 같이 나타낼 수 있다.

(6)

V_{i n t} = β_{i}^{Z} X_{n}^{Z} + β_{i}^{A} X_{i n t}^{A} + β_{i}^{S} X_{n}^{S} + β_{i}^{L} X_{n}^{L} + β_{i}^{0} + α_{i n}

모형의 계수를 추정하기 위해 최대우도 추정법을 도입하였으며, 우도함수는 Equation 7과 같이 나타낼 수 있다.

(7)

L (β) = \prod_{n = 1}^{N} \prod_{t = 1}^{T} \prod_{i = 1}^{J} {[P_{i n t}]}^{y_{i n t}}

$y_{i n t}$ 는 개인 $n$ 이 선택 상황 $t$ 에서 수단 $i$ 를 선택하였으면 1, 아니면 0인 이진 지표이다. 한편, 혼합 로짓 모형에 적분이 많아질수록 분석적인 방법으로 계수를 추정하는 것이 어려워진다. 따라서 본 연구에서는 시뮬레이션 방법을 도입하여 우도값을 수리적으로 계산하였다. 시뮬레이션 방법으로 계산된 확률은 Equation 8과 같다.

(8)

P_{i n t}^{r} = \frac{\exp (β_{i}^{Z} X_{n}^{Z} + β_{i}^{A} X_{i n t}^{A} + β_{i}^{S} X_{n}^{S} + β_{i}^{L} X_{n}^{L} + β_{i}^{0} + α_{i n}^{r})}{\sum_{j \in J} \exp (β_{j}^{Z} X_{n}^{Z} + β_{j}^{A} X_{j n t}^{A} + β_{j}^{S} X_{n}^{S} + β_{j}^{L} X_{n}^{L} + β_{j}^{0} + α_{j n}^{r})}

${P_{i n t}}^{r}$ 은 개인 $n$ 이 선택 상황 $t$ 에서 수단 $i$ 를 선택할 $r$ 번째 시뮬레이션 확률이다. ${α_{i n}}^{r}$ 은 확률 분포 $α_{i n}$ 에서 시뮬레이션 방법으로 추출한 값으로 Equations 9, 10과 같이 나타낼 수 있다.

(9)

α_{i n} = σ_{α_{i}} \bar{ν_{i n}}, \bar{ν_{i n}} ~ N (0, ` 1)

(10)

α_{i n}^{r} = σ_{α_{i}} \bar{ν}_{i n}^{r}

이때 $σ_{α_{i}}$ 는 확률분포 $α_{i n}$ 의 표준편차이며 ${\bar{ν}}_{i n}$ 은 표준정규분포를 나타낸다. ${\bar{ν}}_{i n}^{r}$ 은 정규분포 ${\bar{ν}}_{i n}$ 에서 Halton draw 방법으로 $r$ 번째로 추출한 값을 나타낸다. 시뮬레이션 기반 우도함수는 Equation 11과 같이 표현할 수 있다. 이때, $R$ 은 시뮬레이션 횟수를 나타낸다.

(11)

\bar{L} (β) = \frac{1}{R} \sum_{r = 1}^{R} \prod_{n = 1}^{N} \prod_{t = 1}^{T} \prod_{i = 1}^{J} [P_{i n t}^{r}]^{y_{i n t}}

분석 결과

1. 요인 분석 결과

현재 대중교통 만족도와 개인의 성향이 자율주행 수요대응 서비스 선호에 미치는 영향을 조사하기 위해 현재 대중교통 만족도와 개인의 성향을 요인 분석으로 추출하였다. 이때 요인 추출 방법으로는 최대우도법을 활용하였으며 고윳값(Eigenvalue)이 1 이상인 요인만을 추출하였다. 요인의 해석을 명확히 하기 위해 하나의 요인에 높은 요인 적재치를 지니도록 하는 카이저 정규화가 있는 배리맥스(Varimax) 방법을 사용하여 요인을 회전하였다.

1) 현재 대중교통 만족도

Table 6은 현재 대중교통 만족도 지표를 요인 분석한 결과로, 대중교통 만족도 10개 지표를 2개의 요인으로 축소할 수 있다는 것을 시사한다. Table 7은 대중교통 만족도 지표가 대중교통 만족도 요인에 미치는 영향의 강도를 나타내는 요인 적재표이다. 첫 번째 요인은 통행비용, 혼잡도, 차내 쾌적성, 안전, 환승 편리성, 실시간 정보 제공의 7개 지표로 구성되어 있으며 이를 통행 환경으로 명명하였다. 두 번째 요인은 차내 시간, 접근 시간, 대기시간, 차두간격, 통행비용, 환승 편리성으로 구성되어 있으며 이를 통행 특성으로 이름을 붙였다.

Table 6.

Results of factor analysis using satisfaction indicators: Total explained variance

Factor	Initial eigenvalues			Extraction sums of squared loadings			Rotation sums of squares loadings
Factor	Total	% of variance	Cumulative %	Total	% of variance	Cumulative %	Total	% of variance	Cumulative %
1	5.124	51.235	51.235	4.575	45.748	45.748	2.753	27.526	27.526
2	1.113	11.128	62.364	0.901	9.010	54.758	2.723	27.232	54.758
3	0.872	8.722	71.086
4	0.621	6.212	77.298
5	0.513	5.132	82.430
6	0.481	4.813	87.243
7	0.462	4.623	91.866
8	0.363	3.628	95.494
9	0.278	2.785	98.279
10	0.172	1.721	100.000

Table 7.

Public transportation satisfaction and factor loadings

Satisfaction indicator	Factor 1	Factor 2
In-vehicle time	0.371	0.578
Access time	0.389	0.526
Waiting time	0.264	0.869
Headway	0.241	0.862
Travel cost	0.464	0.400
Congestion level	0.576	0.271
Vehicle cleanliness	0.796	0.235
Safety	0.744	0.196
Convenience in transfer	0.570	0.423
Information provision	0.526	0.333

note: the bold number indicates that factor loading is higher than 0.4

Factor 1: travel environment, Factor 2: trip characteristic.

2) 개인 성향

Table 8은 개인 성향 지표를 요인 분석한 결과로, 개인 성향과 관련된 12개 지표를 4개의 요인으로 축소할 수 있다는 것을 시사한다. Table 9는 개인 성향 지표가 개인 성향 요인에 미치는 영향의 강도를 나타내는 요인 적재표이다. 첫 번째 요인은 운전에 대한 성향과 관련된 3개의 지표로, 두 번째 요인은 통행 상황에 따라 대중교통 선호도를 알아보는 3개의 지표, 세 번째 요인은 약속시간 준수에 대한 성향을 나타내는 3개의 지표, 네 번째 요인은 통행 중에 사생활 추구에 대한 3개의 지표로 구성되어 있다. 요인 분석 결과를 토대로 각 요인을 운전 선호도, 대중교통 우선도, 시간 준수, 사생활 추구로 이름을 붙였다.

Table 8.

Results of factor analysis using attitudinal indicators: total explained variance

Factor	Initial eigenvalues			Extraction sums of squared loadings			Rotation sums of squares loadings
Factor	Total	% of variance	Cumulative %	Total	% of variance	Cumulative %	Total	% of variance	Cumulative %
1	2.794	23.281	23.281	2.490	20.748	20.748	2.283	19.027	19.027
2	2.565	21.373	44.654	2.237	18.641	39.389	2.123	17.692	36.719
3	2.078	17.314	61.968	1.624	13.530	52.919	1.719	14.329	51.048
4	1.384	11.533	73.501	1.051	8.754	61.673	1.275	10.625	61.673
5	0.730	6.085	79.586
6	0.583	4.854	84.440
7	0.555	4.628	89.068
8	0.429	3.574	92.642
9	0.279	2.328	94.970
10	0.224	1.869	96.838
11	0.206	1.713	98.551
12	0.174	1.449	100.000

Table 9.

Public transportation satisfaction and factor loadings

Attitudinal indicator	Factor 1	Factor 2	Factor 3	Factor 4
Driving is fun	0.887	-0.104	0.069	0.074
I feel safe while I driving	0.868	-0.018	0.057	-0.001
I like driving myself better than others driving me	0.835	-0.027	0.045	-0.002
It is not hard for me to be punctual	0.131	0.077	0.855	0.096
I leave home in advance to ensure I will arrive on time and as comfortable as possible	0.075	0.077	0.882	0.148
I am worried that if public transportation travels slower than usual, it will be late.	-0.063	-0.047	0.338	0.399
I find it difficult to perform important tasks or make phone calls in public transport.	-0.048	-0.057	0.283	0.549
I am uncomfortable being around people I don’t know when I travel	0.073	0.039	-0.025	0.671
I think it is difficult to have time alone in public transportation.	0.046	0.038	0.035	0.571
Whether there is time pressure or not, I always prefer taking public transit	-0.016	0.692	0.058	0.022
Whether the weather is good or bad, I always prefer taking public transit	-0.033	0.901	0.016	-0.013
No matter what the trip purpose is, I always prefer taking public transit	-0.095	0.894	0.034	0.004

note: the bold number indicates that factor loading is higher than 0.4.

Factor 1: driving preference, Factor 2: involvement, Factor 3: punctuality, Factor 4: privacy seeking.

2. 혼합 로짓 모형 추정

Table 10은 대안특유상수와 변수로 구성된 기본 모형(Base model), 기본 모형에 사회 ‧ 경제적 변수를 포함한 Model 1, 기본 모형에 사회 ‧ 경제적 변수와 대중교통 만족도 및 개인 성향 변수를 포함한 Model 2를 추정한 결과를 정리한 표이다. 세 모형 모두 동일하게 933명이 4개의 선택 상황에 답한 3,732개의 응답 자료를 사용하여 추정되었으며, 시뮬레이션 기반 우도함수를 계산하기 위해 2,000번의 Halton draw를 시행하였다.

Table 10.

Estimation results (reference mode: automated mobility on demand (AMoD))

Attribute		Mode	Base model		Model 1		Model 2
Attribute		Mode	Coefficient	p-value	Coefficient	p-value	Coefficient	p-value
Alternative specific constant		Bus	1.8793***	0.0001	3.2225***	0.0000	2.5739***	0.0003
		Taxi	-6.7996***	0.0000	-6.6080***	0.0001	-6.5984***	0.0000
		Car	-2.5995***	0.0000	-5.6747***	0.0000	-4.0576***	0.0000
Alternative Attribute	Access time	Bus	-0.1222***	0.0000	-0.1211***	0.0000	-0.1229***	0.0000
		AMoD	-0.0570**	0.0217	-0.0589**	0.0173	-0.0588**	0.0166
		Taxi	-0.0704	0.3634	-0.0705	0.3618	-0.0704	0.3569
		Car	-0.0882	0.1806	-0.0838	0.2025	-0.0755	0.2492
	Frequency of service	Bus	-0.0671***	0.0006	-0.0650***	0.0008	-0.0668***	0.0006
	Vehicle arrival time	AMoD	-0.0286	0.2445	-0.0286	0.2425	-0.0277	0.2550
	Vehicle arrival time	Taxi	0.0360	0.6235	0.0370	0.6142	0.0344	0.6353
	In-vehicle time	Bus	-0.0470***	0.0000	-0.0482***	0.0000	-0.0466***	0.0000
		AMoD	-0.0202**	0.0275	-0.0198**	0.0292	-0.0192**	0.0335
		Taxi	0.0129	0.6667	0.0126	0.6758	0.0083	0.7785
		Car	-0.0237	0.1158	-0.0261*	0.0811	-0.0283*	0.0567
	Transfer	Bus	-0.3956***	0.0000	-0.3954***	0.0000	-0.4040***	0.0000
	Number of stops	Bus	-0.0306	0.2941	-0.0344	0.2375	-0.0317	0.2763
	Number of stops	AMoD	-0.0561**	0.0160	-0.0545**	0.0188	-0.0526**	0.0222
	Cost	Generic	-0.0008***	0.0000	-0.0007***	0.0000	-0.0007***	0.0000
Demo- graphics	Gender	Bus	-	-	-0.2343	0.1441	-0.1489	0.3547
		Taxi	-	-	-0.1397	0.7253	-0.0115	0.9761
		Car	-	-	0.1301	0.5802	0.0442	0.8469
	Age	Bus	-	-	0.0140*	0.0657	0.0165**	0.0285
		Taxi	-	-	-0.0021	0.9132	0.0026	0.8873
		Car	-	-	0.0163	0.1519	0.0136	0.2090
	Education	Bus	-	-	-0.2936	0.1227	-0.3174*	0.0913
		Taxi	-	-	0.5910	0.2755	0.6424	0.2005
		Car	-	-	-0.6186**	0.0266	-0.4907*	0.0617
	Income	Bus	-	-	-0.0944**	0.0234	-0.0781*	0.0566
		Taxi	-	-	0.2148**	0.0442	0.1992**	0.0497
		Car	-	-	0.0117	0.8453	-0.0164	0.7718
	Driving license	Bus	-	-	-0.5279**	0.0234	-0.2950	0.2174
		Taxi	-	-	-0.2705	0.6516	-0.1822	0.7633
		Car	-	-	1.0147**	0.0133	0.2244	0.5805
	Car ownership	Bus	-	-	-0.4833**	0.0285	-0.3544	0.1052
		Taxi	-	-	-1.2397**	0.0147	-1.4163***	0.0036
		Car	-	-	2.0267***	0.0000	1.3237***	0.0013
Satisfaction	Travel environment	Bus	-	-	-	-	0.0217	0.8014
		Taxi	-	-	-	-	0.1602	0.4744
		Car	-	-	-	-	-0.2180*	0.0737
	Trip characteristic	Bus	-	-	-	-	0.1592*	0.0586
		Taxi	-	-	-	-	0.2639	0.2128
		Car	-	-	-	-	0.1804	0.1239
Latent attitudes	Driving preference	Bus	-	-	-	-	-0.1386	0.1256
		Taxi	-	-	-	-	0.5014**	0.0422
		Car	-	-	-	-	0.5326***	0.0000
	Involvement	Bus	-	-	-	-	0.4432***	0.0000
		Taxi	-	-	-	-	0.0586	0.7964
		Car	-	-	-	-	-0.9777***	0.0000
	Punctuality	Bus	-	-	-	-	-0.0344	0.6702
		Taxi	-	-	-	-	-1.0032***	0.0000
		Car	-	-	-	-	0.0489	0.6620
	Privacy seeking	Bus	-	-	-	-	-0.1072	0.2470
		Taxi	-	-	-	-	-0.1541	0.4847
		Car	-	-	-	-	0.1912	0.1331
Standard deviation of random panel effect		Bus	1.65273***	0.0000	1.5893***	0.0000	1.5178***	0.0000
		Taxi	2.27711***	0.0000	2.1916***	0.0000	1.7899***	0.0000
		Car	2.51291***	0.0000	2.3888***	0.0000	2.1359***	0.0000
Goodness- of-fit	Number of observation		3,732		3,732		3,732
	Number of draws		2,000		2,000		2,000
	$ρ^{2}$		0.337		0.346		0.364

note: *significance level=0.1, **significance level=0.05, ***significance level=0.01.

Table 11은 서로 다른 세 개의 혼합 로짓 모형의 모형 적합도와 모형 간 카이 제곱 검정 결과를 정리한 표이다. Base model, Model 1, Model 2의 rho-squared는 각각 0.337, 0.346, 0.364로 나타났다. 하지만, 모형에 포함되는 변수가 많을수록 모형 설명력은 증가하므로 단순히 모형 설명력이 증가하였다고 Model 2가 적합한 모형이라고 말하기는 어렵다. 본 연구에서는 각 모형이 통계적으로 차별점이 있는 모형인지 통계적으로 검정하기 위해 우도비 검정을 진행하였다. 우도비 검정 결과 Base model과 Model 1, Model 1과 Model 2가 99%의 신뢰수준에서 통계적으로 다른 모형인 것으로 밝혀졌다. 본 연구에서는 모형 설명력이 가장 높은 Model 2를 최종 모형으로 선택하였다.

먼저 버스, 택시, 승용차의 대안특유상수는 각각 2.5739, -6.5984, -4.0576으로 모두 통계적으로 유의하였다. 이는 관측되지 않은 효용이 버스, 자율주행 수요대응, 승용차, 택시 순으로 크다는 것을 의미한다. 대안특성별로는 정류장 또는 승차지로의 접근 시간은 버스와 자율주행 수요대응이 통계적으로 유의하였으며, 버스의 계수 크기가 자율주행 수요대응보다 큰 것으로 보아, 이용자는 자율주행 수요대응을 이용하기 위해 접근하는 시간보다 버스를 타기 위한 접근시간에 더 민감하게 반응한다는 것을 알 수 있다. 또한, 버스의 배차 간격과 환승 횟수는 각각 -0.0668, -0.4040이며 통계적으로 유의하였다. 이는 버스의 배차 간격이 길수록, 환승 횟수가 많을수록 버스 이용 의사가 낮아진다는 것을 의미한다. 한편, 차내시간은 버스와 자율주행 수요대응은 95%의 신뢰수준에서, 승용차는 90%의 신뢰수준에서 유의한 것을 확인할 수 있었으며 계수의 크기는 버스 -0.0466, 승용차 -0.0283, 자율주행 수요대응 -0.0192 순으로 조사되었다. 이는 이용자가 버스의 차내시간을 승용차, 자율주행 수요대응보다 상대적으로 민감하게 느낀다는 것을 시사한다. 한편, 통행비용의 계수는 -0.0007로 통계적으로 유의하였다.

Table 11.

Goodness-of-fit and chi-squared test between models

Attribute		Base model	Model 1	Model 2
Goodness-of-fit	$L L (0)$	-5173.65	-5173.65	-5173.65
	$L L (β)$	-3429.99	-3383.24	-3290.27
	$ρ^{2}$	0.337	0.346	0.364
Likelihood ratio test	Base model and Model 1	$χ^{2} (d f = 18, N = 933) = 93.5, p < . 01$
Likelihood ratio test	Model 1 and Model 2	$χ^{2} (d f = 18, N = 933) = 185.9, p < . 01$

이용자의 사회 ‧ 경제적 속성에 따른 수단 선호도를 살펴보면, 성별은 모든 수단에 대해 통계적으로 유의하지 않아 성별에 따른 수단 선택의 차이는 없는 것으로 조사되었다. 연령의 계수는 버스가 0.0165으로 95%의 신뢰수준에서 유의하였으며 다른 수단은 통계적으로 유의하지 않았다. 이는 연령이 높을수록 자율주행 수요대응보다는 버스 선호도가 높은 경향이 있다는 것을 보여준다. 교육 수준은 버스가 -0.3174, 승용차가 -0.4907로 90%의 신뢰수준에서 유의하였다. 이는 교육 수준이 높을수록 버스와 승용차보다는 자율주행의 선호도가 높은 경향이 있다는 것을 시사한다. 버스와 택시의 소득 수준은 -0.0781, 0.1992로 각각 90%, 95%의 신뢰수준에서 유의하였다. 이는 소득 수준이 높을수록 택시 선호도는 자율주행 수요대응보다 높으며, 버스 선호도는 자율주행 수요대응보다 낮다는 것을 암시한다. 운전면허 보유는 모든 수단에 대해 통계적으로 유의하지 않았으며, 차량 소유는 택시가 -1.4163, 승용차가 1.3237로 통계적으로 유의하였다. 이는 차량을 소유한 가구원은 소유하지 않는 가구원보다 승용차를 자율주행 수요대응보다 더 선호하며, 택시를 덜 선호하는 경향이 있음을 시사한다.

다음으로 대중교통 만족도 및 개인 성향과 수단 선호의 관계를 살펴보면, 대중교통 혼잡도, 차내 청결성, 안전성 등 통행 환경은 승용차만이 -0.2180으로 90% 신뢰수준에서 유의하였다. 이는 통행 환경에 만족할수록 승용차보다는 자율주행 수요대응 서비스를 선호하는 경향이 있음을 보여준다. 한편 대중교통의 차내 시간, 접근 시간, 대기시간 등 통행특성은 버스가 0.1592로 90% 신뢰수준에서 유의하였다. 이는 이용자가 대중교통 통행특성에 대해 만족할수록 자율주행 수요대응보다는 버스 이용 의사가 높다는 것을 의미한다.

운전 선호 변수는 택시가 0.5014, 승용차가 0.5326으로 95%의 신뢰수준에서 유의하였으며, 이는 운전하는 것을 선호할수록 택시나 승용차의 선호도가 높아지는 것을 보여준다. 대중교통 우선도 변수는 버스가 0.4432, 승용차가 -0.9777으로 통계적으로 유의하였으며 이는 통행 상황과 관계없이 대중교통을 이용하는 경향이 높을수록 승용차보다는 자율주행 수요대응 서비스를, 자율주행 수요대응 서비스보다는 버스를 이용하는 경향이 있다는 것을 보여준다. 시간 준수는 택시가 -1.0032로 유일하게 통계적으로 유의하였으며 이는 시간을 준수하는 경향이 높을수록 택시에 대한 선호도가 낮을 것을 알 수 있다. 마지막으로 사생활 추구 변수는 모든 수단에 대해 통계적으로 유의하지 않아 수단 선호에 영향을 미치지 않는다는 것을 보여준다.

마지막으로 패널 효과의 표준편차는 모두 통계적으로 유의하였으며 승용차 2.1359, 택시 1.7899, 버스 1.5178 순으로 조사되었다. 이는 이용자별 수단 선호의 다양성이 승용차, 택시, 버스 순으로 나타나는 것을 보여준다.

결론

본 연구는 자율주행 수요대응 서비스가 활성화되어 기존의 교통수단과 혼재된 상황에서 수단 선호도에 대해 조사하였다. 이를 위해 잠재선호 실험을 설계하여 자료를 수집하였으며 혼합 로짓 모형을 추정하여 통행시간, 비용 등 다양한 통행특성의 변화가 수단 선택에 미치는 영향을 조사하였다. 또한, 이용자의 사회 ‧ 경제적 속성과 현재 대중교통 만족도, 개인 성향에 따른 수단 선호에 주목하여 이용자 집단별로 수단 선호가 크게 달라질 수 있음을 확인하였다.

이용자의 사회 ‧ 경제적 속성 기준으로는 연령이 낮을수록, 교육 수준과 소득이 높을수록 버스보다는 자율주행 수요대응을, 소득이 상대적으로 낮거나 차량을 보유한 경우 택시보다는 자율주행 수요대응을, 교육 수준이 상대적으로 높고 차량을 보유하지 않은 경우 자율주행 수요대응을 선호하는 경향을 발견하였다. 대중교통 만족도 기준으로는 현재 대중교통의 통행 환경에 만족할수록 차량 대신 자율주행 수요대응을 선호하는 경향이 있었으며, 대중교통의 통행시간, 비용 등 통행특성에 만족할수록 자율주행 수요대응보다는 버스를 선호하는 경향을 발견하였다. 응답자의 개인 성향 기준으로는 운전을 선호하지 않을수록 택시와 승용차보다는 자율주행 수요대응을, 대중교통 우선도가 높을수록 버스, 자율주행 수요대응, 택시 순으로 선호하는 경향을 발견할 수 있었다. 또한, 시간을 잘 지키는 응답자는 택시를 다른 수단보다 덜 선호하는 것을 확인하였다. 이러한 연구 결과는 자율주행 수요대응 서비스 활성화 전략을 수립하는데 활용될 수 있을 것이다.

또한, 자율주행 수요대응을 포함한 대중교통 서비스 특성에 따른 수단 선호도를 조사하였다. 특히, 자율주행 수요대응 서비스의 경로와 시간 불확실성을 정차 횟수로 반영하여 서비스 불확실성이 자율주행 수요대응 선호에 부정적인 영향을 미치는 것을 확인하였다. 위 연구 결과는 서비스 제공 범위, 차량 경로 변경 여부 결정 등 자율주행 수요대응 서비스를 운영하는데 필요한 시나리오 변수를 결정하는데 기여할 수 있을 것이다.

본 연구는 이용자 집단별로 자율주행 수요대응 선호가 차이가 있음을 밝혔지만, 다음과 같은 한계가 존재한다. 먼저 자율주행 수요대응 서비스 선호에 큰 영향을 미칠 수 있는 통행 목적, 지역적 특성 등이 분석에서 제외되었다. 또한, 본 연구에서는 대중교통 만족도와 개인 성향 지표를 요인 분석한 결과를 혼합 로짓 모형의 변수로 사용하는, 두 단계의 변수 추정 과정을 거쳤다. 이러한 연속적인 추정은 사회 ‧ 경제적 속성과 지표 간의 상관관계를 고려하지 못하는 한계가 존재한다. 이러한 한계점을 극복하기 위해 정교화된 모형을 구축하여 계수를 동시에 추정하는 방법을 고려할 수 있을 것이다.

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 21AMDP-C161756-01).

References

Alsaleh N., Farooq B. (2021), Interpretable Data-driven Demand Modelling for On-demand Transit Services, Transp. Res. Part A Policy Pract. 154, 1-22. 10.1016/j.tra.2021.10.001

Bhin M., Joh C.-H., Son S. (2020), A Study on the Influencing Factors of the Use of Autonomous Vehicle Transit Services : Focusing on the Commuters of Pangyo 2nd Techno Valley, J. Korean Soc. Transp., 38(6), Korean Society of Transportation, 415-430. 10.7470/jkst.2020.38.6.415

Bhin M., Son S. (2019), A Study on the Evaluation of Social Acceptability after Boarding Automated Shuttle Bus: Pangyo Zero Shuttle, J. Korean Soc. Transp., 37(5), Korean Society of Transportation, 375-386. 10.7470/jkst.2019.37.5.375

Bösch P. M., Becker F., Becker H., Axhausen K. W. (2018), Cost-based Analysis of Autonomous Mobility Services, Transp. Policy 64, 76-91. 10.1016/j.tranpol.2017.09.005

Bürstlein J., López D., Farooq B. (2021), Exploring First-mile on-demand Transit Solutions for North American suburbia: A Case Study of Markham, Canada, Transp. Res. Part A Policy Pract. 153, 261-283. 10.1016/j.tra.2021.08.018

Cook R. D., Nachtsheim C. J. (1980), A Comparison of Algorithms for Constructing Exact D-Optimal Designs, Techonmetrics, 22(3), 315-324. 10.1080/00401706.1980.10486162

Dichabeng P., Merat N., Markkula G. (2021), Factors that Influence the Acceptance of Future Shared Automated Vehicles: A Focus Group Study with United Kingdom Drivers, Transp. Res. Part F Traffic Psychol. Behav. 82, 121-140. 10.1016/j.trf.2021.08.009

Etzioni S., Daziano R. A., Ben-Elia E., Shiftan Y. (2021), Preferences for Shared Automated Vehicles: A Hybrid Latent Class Modeling Approach, Transp. Res. Part C Emerg. Technol. 125, 103013. 10.1016/j.trc.2021.103013

Kim J., Kim I., Yoo H. (2021), Choice Behavior Analysis for Feeder Modes on First and Last Mile with Qualitative Factors, J. Korean Soc. Transp. 39(1), Korean Society of Transportation, 14-29. 10.7470/jkst.2021.39.1.014

Kim J., Rasouli S., Timmermans H. J. P. (2017), The Effects of Activity-travel Context and Individual Attitudes on Car-sharing Decisions under Travel Time Uncertainty: A Hybrid Choice Modeling Approach, Transp. Res. Part D Transp. Environ. 56, 189-202. 10.1016/j.trd.2017.07.022

Lai W. T., Chen C. F. (2011), Behavioral Intentions of Public Transit Passengers: The Roles of Service Quality, Perceived Value, Satisfaction and Involvement, Transp. Policy 18, 318-325. 10.1016/j.tranpol.2010.09.003

Lee C., Kim N. S. (2016), A Generation Strategy of Mixed Alternative of Bus with Demand Responsive Transport Using Strategy Generation Table, J. Korea Plan. Assoc. 51, 189-200. 10.17208/jkpa.2016.02.51.1.189

Lee H. R., Jung H. Y. (2018a), An Study on Factors Affecting the Acceptance of Autonomous Vehicle from the Extended Unified Theory of Acceptance and Use of Technology Model, J. Korea Plan. Assoc. 53, 73-86. 10.17208/jkpa.2018.10.53.5.73

Lee H. R., Jung H. Y. (2018b), A Study on the Factor of Individual Preference for Share-based Fully Autonomous Vehicle, J. Korean Soc. Transp., 36(6), Korean Society of Transportation, 429-439. 10.7470/jkst.2018.36.6.429

Liu Y., Bansal P., Daziano R., Samaranayake S. (2019), A Framework to Integrate Mode Choice in the Design of Mobility-on-demand Systems, Transp. Res. Part C Emerg. Technol. 105, 648-665. 10.1016/j.trc.2018.09.022

Moon S., Kim D.-K., Kho S.-Y., Cho S.-H. (2021), Performance Measurement and Determination of Introduction Criteria for Peak Demand Responsive Transit Service, J. Korean Soc. Transp., 39(1), Korean Society of Transportation, 100-114. 10.7470/jkst.2021.39.1.100

Park K., Jung H. Y. (2019), User Consciousness Analysis of Bus Alternative DRT, J. Korean Soc. Transp., 37(6), Korean Society of Transportation, 445-457. 10.7470/jkst.2019.37.6.445

Park K.-J., Song K.-W., Jung H.-Y. (2019), A Study on the Route Selection Method for Demand Response Transport (DRT) Replacement for Bus Services in Vulnerable Areas: Focused on Region Vulnerable to Public Transportation of GyeongSangNam-Do in Korea, J. Korea Plan. Assoc. 54, 71-78. 10.17208/jkpa.2019.08.54.4.71

Quarles N., Kockelman K. M., Mohamed M. (2020), Costs and Benefits of Electrifying and Automating Bus Transit Fleets, Sustain. 12. 10.3390/SU12103977

Sanaullah I., Alsaleh N., Djavadian S., Farooq B. (2021), Spatio-temporal Analysis of On-demand Transit: A Case Study of Belleville, Canada, Transp. Res. Part A Policy Pract. 145, 284-301. 10.1016/j.tra.2021.01.020

Smyth J., Chen H., Donzella V., Woodman R. (2021), Public Acceptance of Driver State Monitoring for Automated Vehicles: Applying the UTAUT Framework, Transp. Res. Part F Traffic Psychol. Behav. 83, 179-191. 10.1016/j.trf.2021.10.003

Soza-Parra J., Raveau S., Muñoz J. C. (2021), Travel Preferences of Public Transport Users under Uneven Headways, Transp. Res. Part A Policy Pract. 147, 61-75. 10.1016/j.tra.2021.02.012

Train K. E. (2009), Discrete Choice Methods with Simulation, Second Edition, Cambridge University Press, 10.1017/CBO9780511805271

Wadud Z., Chintakayala P. K. (2021), To Own or not to Own - That is the Question: The Value of Owning a (Fully Automated) Vehicle, Transp. Res. Part C Emerg. Technol. 123, 102978. 10.1016/j.trc.2021.102978

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 Behav. Soc. 26, 134-142. 10.1016/j.tbs.2021.09.011

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

Preview

Effect of Personal Attitudes and Satisfaction with Public Transportation on Stated Preference of Automated Mobility on-Demand

ABSTRACT

MAIN

Table 1.

Socio-demographics and distribution of sample (N=933)

Table 2.

Satisfaction indicatiors and distribution of sample (N=933)

Table 3.

Attitudinal indicatiors and distribution of sample (N=933)

Figure 1.

An example of stated choice experiments (translated into English)

Table 4.

Attribute level

Figure 2.

Modeling framework

(1)

Table 5.

Definition of variables

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

Table 6.

Results of factor analysis using satisfaction indicators: Total explained variance

Table 7.

Public transportation satisfaction and factor loadings

Table 8.

Results of factor analysis using attitudinal indicators: total explained variance

Table 9.

Public transportation satisfaction and factor loadings

Table 10.

Estimation results (reference mode: automated mobility on demand (AMoD))

Table 11.

Goodness-of-fit and chi-squared test between models

References