서론
선행연구
1. 개인 통행행태의 분류와 활동기반 모형에 대한 연구
2. 토지이용 및 시가지의 특성이 통행행태에 미치는 영향에 관한 연구
3. 기존 연구와의 차별성
연구방법
1. 통행 및 활동 행태 주성분 분석(PCA)
2. 통행 및 활동 행태 군집 분석
3. 지역의 토지이용 및 기반시설 정보 수집
4. 지역의 토지이용 및 기반시설 수준과 개인의 통행 및 활동 행태 간의 관계 추정
분석결과
1. 통행 및 활동 행태 주성분 분석결과
2. 통행 및 활동 행태 범주화
3. 다항 로짓 모형 추정 결과
결론 및 제언
서론
활동기반 통행모형(Activity-based model)은 기존의 수요추정방식과 달리 개인의 사회경제적 특성과 생활 권역의 특성을 바탕으로 통행 간 상호 연관성이나 시공간적 경향을 현실적으로 반영하는 모형이다. 이러한 관점에서 개인의 통행행태가 토지이용이나 사회기반시설 수준에 큰 영향을 받는다는 것을 확인하는 연구들이 지속적으로 수행되어 왔다. Handy et al.(2005), Cervero and Murakami(2010) 그리고 Etminani-Ghasrodashti and Ardeshiri(2015)의 연구에서 복합 토지이용이나 밀도 등의 도시환경이 개인의 통행행태에 영향을 미친다는 것에 주목하였고, 서울에 대해서 진행된 Gim(2011)의 연구에서도 토지이용에 대한 인식이 통행행태에 영향을 미친다는 것이 밝혀졌다. 하지만 이러한 연구들은 Frank et al.(2008), Lee et al.(2014)의 연구와 같이 개별 수단이용에 대한 토지이용이나 기반시설의 영향만 고려하거나, 전체적인 통행행태 경향성에 대한 연구가 대부분이다.
하지만 개인은 제한된 시공간 안에서 각자의 일정한 경향성을 가지고 여러 가지 활동을 수행하며 통행은 이러한 과정에서 부수적으로 도출되는 만큼, 개인의 통행행태를 일정기간동안의 연속적인 통행을 바탕으로 구성된 통행사슬(trip chain)을 바탕으로 하는 연구가 필요하다.
본 연구는 가구통행실태조사 자료와 토지피복지도를 활용하여 토지이용이나 도시의 교통 기반시설의 수준이 개인의 통행특성에 어떠한 영향을 받는다는 관점 아래에서 개인의 통행행태 특성에 따라 개인을 분류하고 각 분류된 군집들이 개인의 거주지나 직장의 토지이용, 기반시설 수준 등에 대해 어떠한 영향이 있는지에 대해 고찰하고자 한다. 특히, 기존 연구와 달리 실제로 나타난 통행행태를 군집화한 결과를 기반으로 해당 행태유형이 어떠한 사회적 조건이나 환경적 조건과 상관관계가 있는지 추적하고자 한다. 이를 바탕으로 토지이용이나 교통기반 시설의 영향을 반영함으로써 활동기반모형을 적용하는 과정에서 개인의 통행행태에 대한 설명력을 높여, 기반시설 확충을 의한 의사결정과정에서 계획수립에 따른 개인의 실질적인 통행행태의 변화를 예측할 수 있도록 하는 근거를 제시하고자 한다.
선행연구
본 연구는 개인의 통행행태 특성을 군집화하고 각 군집의 특성이 거주지나 직장의 토지이용 및 기반시설 수준으로부터 어떠한 영향이 있었는지 분석하고자 한다. 연구의 목적을 고려하여 개인의 통행행태 특성을 분석한 활동기반 모형에 대한 연구나 해당 주제에 대한 선행 연구들에 대해 문헌을 조사한 후, 본 연구의 차별성을 제시하고자 한다.
1. 개인 통행행태의 분류와 활동기반 모형에 대한 연구
개인이나 가구 전체의 특성에 따라 나타나는 통행행태에 관한 연구는 초기의 Pas(1983)가 통행행태를 5가지 유형으로 분류하고 로짓모형을 활용하여 사회경제적 요소들의 영향을 규명한 연구와 같이 활동의 유형과 각 활동의 순서를 규정하는 방식을 연구함으로써 개인의 통행행태를 이해하는 것이 주된 목표가 되어왔으며, 같은 맥락에서 Bowman and Ben-Akiva(2001)는 보스턴의 가구통행실태조사자료를 활용하여 활동기반 모형에서의 통행 수요를 추정하는 통합된 방법으로 nested logit model을 활용하여 54개의 통행 패턴 유형을 제시하였다. 또한, Jiang et al.(2012)은 통계적 학습 기법을 활용하여 도시에서 개인의 활동 패턴을 분류하는 연구를 진행하였는데 조사한 주성분 분석과 K-means 클러스터링을 활용하여 개인의 통행행태를 분류하고 통행행태의 주성분을 분석하였다. 최근 Hafezi et al.(2021)은 Random-Forest Model을 활용하여 시간적 통행 패턴이 유사한 군집 표본의 사회경제적 특성을 고려하여 heuristic 규칙 기반 알고리즘을 통해 불확실한 활동 시작 시각과 활동 지속시간을 고려하여 실제 24시간 동안 81.62% 정확도로 통행발생을 예측하는 등 컴퓨터 연산 기술을 발달에 발맞춰 모형 적합도가 높은 기법들을 활용해 개인의 통행행태와 통행발생에 대한 정확도를 높이는 방향으로 연구가 이루어지고 있다.
2. 토지이용 및 시가지의 특성이 통행행태에 미치는 영향에 관한 연구
통행행태와 토지이용 혹은 기반시설 사이의 관계를 분석한 선행연구들에는, 전체적인 주변 시가지의 속성에 따른 영향을 파악하는 내용으로 Ewing and Cervero(2010)의 탄력도를 활용하여 주변 시가지화 및 건조지역의 특성이 통행행태에 어떠한 변화를 일으키는지 분석한 연구와 Ewing et al.(2011)의 복합용도 개발로 인한 개인의 통행행태 및 통행발생 패턴에 대한 영향을 위계적 모형으로 설명한 연구가 있으며 국내에서는 Bin et al.(2013)이 교통 인프라 지표와 통행행태를 종합적으로 고려하였을 때, 형평성 측면에서 통행행태의 특성이 인프라 수준을 설명하는데 유의성을 보였고, 지역 간 격차가 있다는 것을 확인하였다. 최근에는 Zhang et al.(2019)의 음이항 회귀모형(negative binomial regression model)을 활용하여 시가화 지역이 가구의 통행발생에 양의 영향이 있다는 결과를 도출한 연구 등이 있다. 다른 내용으로는 주로 개별적인 수단이나 사회경제적 특성이 동일한 군집을 대상으로 영향에 대한 연구가 이루어졌는데, Dodson et al.(2010)은 주변 도시 환경요소로 인한 사회적 교통약자들이 받는 영향을 군집 분석으로 통행행태를 나누어 설명하였고, Gan et al.(2019)은 도시철도 역사에서 나타는 승객들의 통행행태에 따라 군집분석을 수행한 후, 주변 토지이용과의 영향을 다항 로짓 모형을 활용하여 분석하였다. Cheng et al.(2019)은 2단계 군집분석을 통하여 거주지의 시가지의 특성이 연령대별 통행행태에 어떠한 영향을 미치는지 분석했으며, 젊은 층보다 나이가 많은 연령층이 주변 시가지의 특성 변화에 따라 더 큰 영향을 받는다는 것을 도출해 내었다.
3. 기존 연구와의 차별성
위에서 확인할 수 있는 것처럼 통행행태의 유형을 규명하고 토지이용 및 기반시설 수준과의 관계를 파악하는 연구들이 지속적으로 이어져 왔으며 본 연구에서도 통계적 기법을 통해 서울특별시에 거주하고 직장이 있는 직장인들의 통행행태를 파악할 계획이다. 또한, 통행사슬(trip chain)에서 개인의 통행은 기본적으로 거주지에서 출발하여 거주지에 도착하는 형태로 이루어지지만 출근 통행이나 귀가 통행 중 다른 활동을 추가로 수행할 수 있다는 점에서 거주지 인근의 토지이용이나 기반시설 수준도 중요하지만, 직장 근처의 토지이용이나 기반시설 수준도 개인의 통행행태에 영향을 미칠 수 있다. 따라서 본 연구에서는 기존 연구와 달리 사회경제적 요인과 토지이용과 교통기반시설 수준과 같은 주거지 근처 시가지의 특성은 물론 직장 주변의 시가지 특성까지 고려하여 나타나는 통행행태를 연구하고자 한다.
연구방법
본 연구는 Figure 1과 같이 크게 3단계를 거쳐 이루어졌다. 먼저, 가구통행실태조사자료를 활용하여 개인의 통행행태를 시간에 따른 활동유형을 나타내는 방법으로 표현하고, 주성분을 분석한 후, 이를 바탕으로 여러 군집으로 분류하였다. 두 번째로, 역 및 정류장 위치와 토지 피복 지도를 바탕으로 각 권역의 토지이용과 교통 기반시설 수준을 계량하였다. 마지막으로, 두 단계의 결과물을 바탕으로 통행행태 군집을 종속변수로, 토지이용과 기반시설 수준을 설명변수로 하는 다항로짓모형을 구성하여 설명변수들이 통행행태에 어떠한 영향을 미치는지 분석하였다.
분석에 활용한 자료는 KTDB에서 배포하는 2016년도에 수행된 가구통행실태조사자료로, 전체 자료에서 각 조사 당일 1회 이상 이동하였으며 거주지와 직장의 위치가 서울이라고 응답한 응답자 중 조사 당일의 활동 범위도 서울 내부에서 이루어진 경우만을 추출하여 개인의 통행자료 총 41,219건을 분석대상으로 설정하였다. 분석대상의 사회경제적 특성은 Table 1과 같다.
Table 1.
Sample distribution (N=41,219)
1. 통행 및 활동 행태 주성분 분석(PCA)
분석대상의 통행행태를 파악하기 위하여 조사자료에서 확인할 수 있는 통행목적 및 출 ‧ 도착지 유형을 바탕으로 Table 2와 같이 활동유형을 직장 및 업무 활동, 학업 활동, 소비 및 여가활동, 이동, 거주지 내 활동으로 분류하였다. 각 활동 시간은 통행이 끝난 시점부터 다음 통행 시점 전까지로 가정하였으며, 최초의 통행 시점 전과 최후의 통행 시점 후의 활동은 통행의 기종점과 직전/후의 통행목적을 바탕으로 판단하였다.
앞서 언급하였던 Jiang et al.(2012)의 연구에서 개인의 통행행태를 분석하는데 활용한 방법을 참고하여, 조사 당일 오전 0시부터 익일 오전 8시까지의 32시간에 대하여 5분 단위로 나누어 활동별로 활동 여부를 해당 시간에 해당 활동을 하였으면 1, 그렇지 않았으면 0으로 기록해 각 개인의 통행을 2,304개의 성분을 가진 벡터로 표현하였다.
많은 성분을 가진 벡터로 표현된 통행 및 활동 행태자료는 고차원의 데이터로 각 개인의 통행 특성을 파악하기 어렵기 때문에, 효과적으로 분석하기 위하여 주성분 분석(PCA, Principal Component Analysis) 기법을 활용하여 차원을 축소하고 어떤 시간대의 활동이 주성분을 결정하는 데 많은 영향을 미치는지 확인하였다.
Table 2.
Aggregation of activity types
2. 통행 및 활동 행태 군집 분석
앞서 PCA 분석을 통하여 얻은 주성분 값을 바탕으로 개인의 통행행태를 비슷한 군집으로 나누어보았다. 군집분석을 위해서는 자동으로 최적의 초기 중심점을 찾아 K-평균 군집분석을 수행하는 기법인 K-means++를 활용하여 군집분석을 수행하였다.
K-means++는 Equation 1과 같이 분류된 개의 각 집합 내 원소와 해당 집합의 중심점 간 거리의 제곱 합 최소로 하는 집합을 규정하는 것을 목표로 하여 중심점의 위치를 변경해 가며 근사 최적해를 찾는다는 점에서는 K-means 군집 분석과 같지만, 초기의 중심점을 찾기 위해 중심점을 이동하는 과정에서 중심점과 각 원소의 거리에 비례하는 확률에 따라 지정하는 과정을 거침으로써, 초기에 비슷한 중심점이 설정되어 나타날 수 있는 불안정한 군집화 결과를 방지하고, 많은 데이터를 다루는 경우, 수렴 속도를 높일 수 있다는 장점이 있다.
이때, K-means 군집 분석의 경우, 군집 수를 지정하여야 하는데, 최적 군집 수를 파악하기 위해 log(WSS)(log(Within cluster sum of square)), log(BSS)(log(Between cluster sum of square))의 정보를 고려하였다.
3. 지역의 토지이용 및 기반시설 정보 수집
가구통행실태조사 자료는 거주지와 직장을 행정동 단위로 기록하고 있다. 하지만, 가구통행실태조사를 바탕으로 생활권 설정에 대해 연구한 Oh(2014)에 따르면, 주된 통행이 도보로 이루어지는 근린생활권은 행정동 1개 면적의 1.6배 정도인 반경 700m 범위이며, 마을버스나 자전거로 주된 통행이 이루어지는 소생활권은 반경 2km의 범위인 것으로 나타났다. 따라서 행정동 단위의 행정구역 면적을 고려할 때, 개인이 통근, 통학, 소비 및 여가활동을 영위하는 범위를 단일 행정동으로 제약하기에는 무리가 있으며, 실질적인 통행행태를 고려하여 토지이용이나 교통 기반시설의 효과를 판단하기 위해서 지역의 토지이용과 기반시설 정보를 수집하기 위한 단위를 ‘2030 서울생활권계획’에 근거한 지역생활권으로 설정하였다. 116개의 서울 지역생활권은 해당 권역의 주민들이 일상적인 활동(통근, 통학, 소비 및 여가활동)이 이루어지는 소권역으로 1-5개의 행정동으로 구성되어 있다.
각 생활권의 교통 기반시설의 수준을 평가하기 위해서는 Lee et al.(2008), Bin et al.(2013)의 연구를 참고하여, 도로율, 해당 권역의 시가지면적 대비 버스 노선 수, 해당 권역의 시가지면적 대비 지하철역 수를 활용하였고 가구통행 실태조사자료의 수집 기간을 고려하여, 2016년의 자료를 수집하여 분석에 활용하였다.
지역의 토지이용 정보를 수집하기 위해서는 ‘환경부 환경공간정보서비스’에서 제공하는 토지 피복 지도를 활용하였다. 토지 피복 지도는 지표면의 지형지물 형태를 일정한 기준에 따라 분류하고 동질의 특성을 지닌 구역을 동일한 방식으로 표현한 공간정보자료로 위성사진 및 항공 정사 영상을 바탕으로 제작되었다. 본 연구는 자료의 제작연도를 고려하여 가구통행실태조사 자료 수집 시기와 가장 가까운 2017년의 항공 정사 영상과 2018년의 위성영상을 활용한 2019년에 배포된 전국단위의 세분류 토지 피복 지도를 사용하였다. 권역별로 시가지 면적대비 시가화 ‧ 건조지역에 대한 일부 세분류(단독주거시설, 공동주거시설, 공업시설, 상업 ‧ 업무시설, 혼합상업지역, 문화 ‧ 체육 ‧ 휴양시설, 교육 ‧ 행정시설, 인공초지) 항목의 면적을 수집하여 분석에 활용하였다. 수집하여 처리한 변수들의 상관관계는 Table 3과 같으며 도로율과 인공초지 면적비를 제외하고는 큰 상관관계가 없었다.
Table 3.
Correlation matrix for landuse, transportational infrastructure condition variables
4. 지역의 토지이용 및 기반시설 수준과 개인의 통행 및 활동 행태 간의 관계 추정
개인의 통행행태를 범주화한 후, 각 범주에 해당하는 통행행태가 나타나는 데에 거주지나 직장 주변의 토지이용 현황이나 혹은 주변의 교통기반시설 수준이 어떠한 영향이 있는지 판단하기 위하여, 개인가 어떠한 통행행태 군집에 속하였는지를 선택변수로 하고 시가화 면적대비 단독주거시설, 공동주거시설, 공업시설, 상업 ‧ 업무시설, 주거-상업혼합지역, 문화 ‧ 체육 ‧ 휴양시설, 교육 ‧ 행정시설, 인공초지 면적을 각각 거주지가 위치한 생활권과 직장 생활권에 대한 토지이용 대안특유 설명변수()으로 설정하였으며 시가화 면적대비 버스 노선 수 및 지하철역 수, 도로율을 거주지 생활권과 직장 생활권에 대한 교통기반시설 수준 대안특유 설명변수()로 설정하였다. 또한, 가구통행실태조사자료로부터 5세 이상 가구원 수, 차량 소유 여부(binary, 소유한 경우 1, 그 외 0), 운전면허 소지 여부(binary, 소지한 경우1, 그 외 0), 성별(binary, 남성인 경우 1, 여성인 경우 0) 및 2016년 기준 연령 자료를 추출하여 대안 특유 사회경제적 변수()로 설정한 다항로짓모형을 구축하였다.
최종 도출한 모형은 대안 특유 사회경제적 변수와 거주지 및 직장 주변 생활권의 토지이용 및 교통기반시설 수준의 대안 특유변수 모두를 포함한 모형으로, 개별 변수들에 대한 설명과 분포는 Table 4와 같다. 개인의 통행행태가 군집 ()에 속할 확률을 Equation 2와 같이 나타낼 때, 개인의 사회경제적 속성이나 주거지 및 직장 근처 생활권의 속성에 따라 결정되는 설명함수는 Equation 3과 같이 나타낼 수 있다. 이때 변수의 위첨자 는 거주지, 는 직장 생활권의 속성을 의미한다.
Table 4.
Distribution of independent variables
분석결과
1. 통행 및 활동 행태 주성분 분석결과
PCA 결과, 각 주성분의 기여율은 Figure 2와 같았으며, Figure 3의 스크리 도표(scree plot)에 따르면 3번째 주성분까지만 선택해야 하는 것으로 나타났으나 전체 분산의 3% 이상 설명하는 성분 7개를 분석에 활용하였다.
각 실제 변수가 주성분을 결정하는 데 어떠한 영향을 미쳤는지 분석하기 위해 각 주성분에 대한 기존변수들의 Loading을 나타낸 행렬을 확인하였으며, 분석에서 활용한 전체 분산의 60.4%를 설명하는 기여도가 가장 큰 7개의 주성분에 대하여 기존변수의 Loading 값을 Figure 4에 그래프로 나타내었다.
각 주성분을 구성하기 위한 기존변수의 Loading을 나타낸 행렬에서 각 열벡터를 이루는 원소의 절댓값이 클수록 대응하는 변수가 해당 주성분을 구성하는데 영향도가 크다는 것을 의미하며, 원소의 부호가 같으면, 주성분을 형성하는데 상관성이 있다는 것을 의미한다.
주성분 1의 경우 기여도가 20.8%로 가장 높으며, 오전 및 오후 첨두시간대의 이동과 오전 8시-오후 4시의 직장 및 업무, 오후 6시 이후의 거주지에 머무르는 행태 혹은 오후 6시부터 일하고 오전에 거주지에 머무르는 행태를 설명하는 주성분이다. 두 행태는 상반되는 특성을 보이며 주성분 1의 계수 부호에 따라 특성이 설명될 수 있다. 한편 주성분 2의 경우 오전 첨두 혹은 오후 첨두 시간에 이동했거나 혹은 오전 7시부터 오후 9시까지 거주지에 머무른 통행행태를 설명할 수 있는 주성분이며, 주성분 3의 경우 오전 10시경부터 오후 7시까지 근무하고 그 이외에는 거주지에 있는 통행행태 혹은 정 반대에 있는 오전 10시경부터 오후 7시까지 거주지에 있고 야간이나 새벽에 근무하는 통행행태를 설명할 수 있는 변수이다. 주성분 4는 야간에 업무 활동이나 첨두시간대의 이동시간을 설명하며 주성분 5의 경우 첨두시간대의 이동과 전후의 거주지에서의 활동을 보이며 오후 첨두 이후에 학업이나 소비 및 여가활동의 시간을 보내는 통행행태를 설명할 수 있는 성분으로 보인다. 주성분 6의 경우, 오후 시간대 소비 및 여가활동을 설명할 수 있고 오전 첨두와 오후 8-10시의 통행 및 오후 시간대의 거주지 활동을 설명하거나, 상반되게 오후 첨두시간대와 오전 6-8시의 이동을 설명하고 오후 12시부터 오후 6시까지의 직장 및 업무 활동을 설명할 수 있는 주성분으로 보인다. 마지막으로 주성분 7의 경우 오전 첨두 및 오후 첨두 직후의 통행과 전후의 거주지에서의 활동 혹은 오전 첨두 및 오후 첨두 동안의 통행과 밤 시간대의 거주지 내 활동을 설명하는 변수로 보인다.
2. 통행 및 활동 행태 범주화
최적의 군집 수를 판단하기 위해 log(WSS)(log(Within cluster sum of square)), log(BSS)(log(Between cluster sum of square))을 군집 수에 따라 비교하여, Figure 5와 같은 결과를 얻을 수 있었다.
Elbow Method를 활용하면, 가능한 적합한 군집 수는 등으로 나타났으나, 그룹 간 차이를 나타내는 log(BSS)보다 그룹 내 차이를 나타내는 log(WSS)가 더 작아지는 을 바람직한 군집 수로 설정하여 분석을 진행하였다.
23개의 주성분에 대하여 6개의 군집으로 K-means++ 군집 분석을 수행하였고, 분류결과에 대하여 각 군집의 크기는 Table 5와 같고, 앞서 제시하였던 6개 주성분에 대하여 군집별로 계수 값들의 분포를 파악해 보면 Figure 6과 같다.
Table 5.
Number of observations by each group
| Group | Group A | Group B | Group C | Group D | Group E | Group F |
| # of observations | 6,598 | 2,688 | 11,572 | 11,819 | 7,330 | 1,212 |
군집 A의 경우, 주성분 2와 6의 계수가 대부분 양의 영역에 치우친 분포를 보이고 있으며 주성분 7의 계수가 음의 영역에 치우쳐 있는데 이는 오후 첨두에 긴 시간에 걸친 통행이 이루어지고 오후 6-10시, 즉 퇴근 직후에 소비나 여가활동을 즐기며 야간에는 거주지에서 활동하는 통행행태를 가지고 있을 것으로 예상된다. 군집 B의 경우, 주성분 2와 4의 계수가 음의 영역에 치우쳐 있고, 주성분 6, 7의 계수는 양의 영역에 치우쳐 분포하고 있는데, 이는 주성분 1, 2와 7의 Loading Vector에서 이동시간에 대한 원소들을 고려할 때, 군집 A보다 이른 오후 첨두시간대(오후 5-8시)에 이동하는 것으로 보인다. 또한, 주성분 6의 계수가 양의 영역에 분포되어 있어 오후 6-10시의 소비 및 여가활동을 하며 주성분 2, 3, 5의 계수가 음의 영역에 비교적 치우쳐 있어 낮 시간에 거주지에 있는 경향을 보일 수 있다. 군집 C의 경우, 주성분 5의 계수는 음의 영역에, 주성분 1, 2, 3, 4의 계수는 양의 영역에 치우쳐 있고 모두 오전 및 오후 첨두시간대의 이동과 낮 시간대의 직장에서의 활동을 설명하고 있으므로 상응하는 활동 행태를 보일 것으로 보인다. 또한, 저녁 시간대의 소비 및 여가활동을 설명하는 주성분 6의 계수는 0을 중심으로 분포하여 있고 주성분 5의 계수도 음의 영역에 치우쳐 있으므로 소비 및 여가활동의 비중이 작을 것으로 예상할 수 있다.
한편, 군집 D의 경우, 주성분 1과 5의 계수가 양의 영역에 분포하고 있는 반면에 주성분 2와 6의 계수는 음의 영역에 치우쳐 있다. 이는 군집 D가 군집 C보다 이른 오후 첨두시에 이동할 것이고, 오후 6시- 10시의 소비 및 여가활동 성분은 주성분 5와 6에 의해 상쇄되어 비중이 작은 대신 학업 활동을 할 것이라고 예상할 수 있다. 군집 E의 경우, 주성분 1, 4, 5의 계수는 음의 영역에 치우쳐 있으며, 주성분 2, 3의 계수는 양의 영역에 치우쳐 있다. 주성분 1의 계수가 음의 영역에 넓게 퍼져 분포하므로, 오후 5-11시에 직장이나 업무를 하는 경향이 있으며, 7시 이후의 비교적 늦은 밤에 이동하는 경향이 있을 것으로 보인다.
마지막으로 군집 F의 경우, 주성분 4와 5의 계수는 양의 영역에 치우쳐 있지만, 주성분 1, 2, 3, 6의 계수는 음의 영역에 넓게 퍼져 분포하고 있다. 이에 따라 모든 주성분이 낮 시간대에 거주지에서 활동하고, 오후부터 직장에서 활동하는 경향을 설명하고 있는 것으로 보인다.
한편, Figure 7은 군집 분석결과에 따라 분류된 각 군집에 해당하는 표본이 각 시간대에 어떠한 활동을 했는지 파악하여 비율로 나타낸 것으로, 각 주성분의 분포를 군집별로 파악한 내용과 유사한 결과를 확인할 수 있다. 이에 따르면, 군집 A와 군집 B는 오후 첨두 시간 전후로 소비 및 여가, 기타활동을 하는 집단이며, 특히 군집 B는 오후 첨두 전후에 이동이 일어나는 시간대가 군집 A보다 빠르며, 낮에 거주지에서 활동하는 경우도 있는 것으로 나타났다. 또한, 군집 C와 군집 D는 비교적 소비 및 여가활동의 비중이 작으며, 군집 D와 비교하면 군집 C보다 오후 첨두시간대의 이동이 더 이르게 나타났다. 또한, 군집 E의 경우 비교적 거주지에서 늦은 시간에 이동하나 대신 직장에서도 저녁 늦게까지 근무하고, 늦은 밤에 다시 이동하는 경향을 보였으며, 군집 F의 경우는 낮 시간에 거주지에 위치하고 새벽이나 밤부터 익일 오전까지 근무하는 것으로 보아 야간 근무자이거나 교대 근무자 일 것으로 예상된다.
3. 다항 로짓 모형 추정 결과
앞에서 가정하였던 대안 특유 사회경제적 변수에 거주지와 직장 생활권의 토지이용 및 교통기반시설 수준의 대안 특유변수 모두를 포함한 다항 로짓모형을 추정한 결과는 Table 6과 같다. 전체적인 모형 적합도를 나타내는 는 0.0364로 나타났다.
분석결과에 따르면, 비교적 늦은 오후 첨두시간대에 이동하는 군집 A, C는 남성인 경향이 있으며 낮부터 늦은 밤까지 근무하는 군집 E의 경우 대조군인 군집 F보다 여성인 경향이 있다. 이른 퇴근 후 소비 및 여가활동을 하는 군집 B와 낮부터 늦은 밤까지 근무하는 군집 E의 경우 야간 근무가 있는 군집 F보다 운전면허가 없는 경향이 있었으나, 군집 F보다 모든 군집이 자가용 승용차를 보유하고 있는 경향이 높은 것으로 나타났다. 또한, 두 군집 B, E 모두 연령대가 높은 경향을 보인 반면 다른 군집에 비해 늦은 오후 첨두시간대의 이동하는 군집 A, C, D는 연령이 낮은 경향을 보였다. 5세 이상 가구원 수에 대해서는 이른 퇴근 후 소비 및 여가 활동을 하는 군집 B, 장시간 근로자인 군집 C, 그리고 일반적인 근로자 군집 D가 기준이 되는 군집 F보다 가구원 수가 많은 경향을 보였다.
교통 기반시설 수준에 대해서는 직장보다 거주지의 영향을 더 받는 것으로 보이며, 군집 F보다 모든 군집이 거주지의 도로율이 높은 경향이 있었고, 늦은 오후 첨두시간대에 바로 거주지로 이동하는 군집 C는 거주지의 통과 버스 노선 수가 많은 경향을 보였으며, 이른 퇴근 후 소비 및 여가활동을 즐기는 군집 B의 거주지 주변은 다른 군집의 거주지 보다 지하철 밀도가 낮은 것으로 나타났다. 반면 직장 생활권에 대해서는 비교적 늦게 귀가하는 군집 C의 직장 생활권의 도로율이 군집 F에 비해 낮은 것으로 나타난 것을 제외하면 유의한 변수가 없는 것으로 나타났다.
토지이용 측면에서는 비교적 이른 시간이나 오후 첨두 시간에 귀가하는 B, D와 낮부터 늦은 밤까지 근무하는 군집 E의 거주지가 위치한 생활권에서 상업 업무시설의 면적 비가 적은 경향을 보였으며, 이른 퇴근 후, 소비 및 여가활동을 하는 군집 B를 제외하고는 거주지 생활권의 인공 녹지 면적 비가 군집 F의 거주지 생활권보다 적은 것으로 나타났다. 반면, 군집 E의 직장이 위치한 생활권의 단독 주거지 면적 비가 적은 경향이 있으며 이른 퇴근 후 소비 및 여가활동을 가지는 군집 B와 비교적 소비 및 여가활동 시간이 없는 군집 C, D와 낮부터 늦은 밤까지 근무하는 군집 E의 직장이 위치한 생활권의 상업-주거 복합지역의 면적 비는 큰 경향이 있는 것으로 보인다. 소비 및 여가활동이 비교적 많은 군집 B를 제외하고는 모든 군집에서 직장의 문화 여가시설 면적 비가 기준이 되는 군집 F에 비해 작다. 또한, 군집 E의 직장 생활권은 교육 행정시설의 면적 비가 적은 경향이 있고 비교적 늦은 오후 첨두시간대에 이동하는 군집 A, C의 직장은 인공 녹지 면적 비가 높은 편으로 나타났다.
Table 6.
Result of analysis with multinomial logit models
요약하자면, 거주지 인근에 단독주택의 비율이 높을수록, 직장이 상업과 주거가 혼재된 복합지역의 비율이 낮을수록 소비나 여가활동이 비교적 많은 통행행태를 보일 가능성이 큰 것으로 나타났으며, 거주지의 상업 업무 면적 비율이 높을수록 오후 첨두시간대에 비교적 늦게 귀가하는 통행행태를 보이는 것으로 나타났다. 또한, 거주지의 도로율이 높고 직장 주변의 교육 및 행정시설의 면적 비율도 높을수록, 오전 및 오후 첨두시간대에 규칙적으로 이동하는 통행행태를 보이는 것으로 나타났다. 마지막으로 직장이 속한 생활권의 상업-주거 복합지역 면적 비율이 높을수록 낮부터 늦은 밤까지 직장에서 활동하는 통행행태를 보이며, 거주지보다 직장에서의 교통기반시설 수준이 더 좋을수록 야간에 근무하는 통행행태를 보이는 것으로 나타났다.
결론 및 제언
분석결과, 개인의 통행 및 활동행태는 이동시간대와 소비 및 여가 활동 시간의 정도, 직장에 위치하는 시간대와 시간에 따라 몇 가지 군집으로 군집화할 수 있었으며, 통행행태 측면에서 개인의 사회경제적 상황보다는 아니지만, 주거지나 직장의 교통 기반시설 수준과 토지이용의 영향이 있는 것으로 보인다.
결과로 제시한 모형의 적합도가 낮게 나타나 모형이 실제적인 현상을 설명하는 데 한계점이 있을 것으로 보이지만, 그럼에도 불구하고 모형 중 통계적으로 유의미하게 나타난 계수를 통해 오전 및 오후 첨두시간대의 통행행태에는 거주지의 교통 기반시설수준이나 직장 근처의 교육 행정시설, 복합용도의 상업지역 등이 영향을 미치는 것으로 나타났고, 거주지 근처의 업무 상업지역의 비율이 오후 첨두시간대에서 통행행태를 설명할 수 있으며 소비 및 여가 활동에 대해서는 거주지의 단독주택 비율에 영향이 있는 것으로 나타났다.
이처럼 토지이용과 교통 기반시설의 수준에 영향을 받아 개인의 통행행태가 어떻게 나타나는지 이해함에 따라 향후 도시계획에 따라 해당 권역에서 생활하는 사람들의 통행행태를 예상할 수 있으며, 이를 고려하여 정책적으로 탄력적인 교통 운영 등을 시도하거나 향후 교통시설 확충 계획과정에서 거주민들의 통행행태를 고려한 계획수립이 가능할 것으로 예상된다.
한편, 본 연구는 가구통행실태조사자료를 활용하였기 때문에, 일부 표본을 대상으로 1일간의 단편적인 통행행태만 파악할 수 있다는 점에서 한계가 있는데, 현실을 고려하여 개인의 일 단위, 주 단위로 반복되는 활동 경향성을 파악하기 위해서는 4주 이상의 장기간 축적된 개인의 통행 및 활동에 대한 데이터를 수집해 분석할 필요가 있다. 또한, 토지이용의 경우 지표상에 평면으로 투시한 토지피복도를 바탕으로 파악하였기에 각 시설의 연면적이나 제공 서비스 수준 등을 고려하지 못하였으며 교통 기반시설의 경우도 정류장 수가 아니라 노선 수를 고려하는 등의 시도를 하였지만, 대부분 기반시설의 양적인 면을 고려하는 항목들로 구성되어 있어 실질적으로 제공되는 서비스 수준에 대한 평가는 반영되어있지 않다. 따라서 모형에 활용한 설명변수가 모두 질적인 측면을 고려하는 것이 어렵다는 점에서 한계가 있으며 이러한 한계를 보완하기 위하여 향후 축적된 통행 데이터를 바탕으로 사람들의 실질적으로 체감하는 교통시설의 서비스 수준을 고려한 연구 등이 필요할 것으로 보인다. 마지막으로 모형의 적합도가 전체적인 현상을 설명하는 데 한계로 작용할 수 있는데, 이는 모형을 추정하는 과정에서의 변수 간 다중공선성이 의심되므로 향후 연구에서는, 변수 간 상호작용을 고려하여 설명변수를 설정할 필요가 있을 것으로 보인다.
