Article

Journal of Korean Society of Transportation. 30 June 2021. 312-328
https://doi.org/10.7470/jkst.2021.39.3.312

ABSTRACT


MAIN

  • 서론

  • 기존문헌고찰

  •   1. 버스 통행시간 산정방법 고찰

  •   2. 관측 자료를 활용한 버스 통행시간 산정 연구

  • 버스 통행시간 추정을 위한 보정계수 산정

  •   1. 자료의 특성 및 전처리 과정

  •   2. 도로 네트워크 분석과 버스 통행시간 보정계수

  • 버스 통행시간 보정계수 산정 결과

  •   1. 통계적 유의성 확보를 위한 표본 날짜 수

  •   2. 보정계수 산출 결과

  • 기종점 기반의 통행시간 절감편익 산출

  • 결론 및 향후연구

서론

도로신설 및 확장 사업 외에 철도사업에 관해서도 지자체 및 국민들은 많은 관심을 갖는다. 이는 철도사업이 국민 생활패턴의 변화를 줄 뿐만 아니라 주변 토지 가격의 변화에도 많은 영향을 주기 때문일 것이다. 도로사업과 마찬가지로 철도사업의 교통시설투자 타당성 분석을 통해 정책실패를 최소화하는 제도는 선진 외국과 우리나라에서 이미 정착되어 있는 상태이다. 교통시설 투자정책의 타당성 분석은 사회적 비용과 사회적 편익을 예측 추정하여 비교함으로써 건설정책의 타당성 여부를 검증하고 있는 것이 일반적인 방법이다. 사회적 편익 분석 항목 중에 통행시간 절감편익은 과거 분석 경험을 통해 전체 사회적 편익 규모 중에 차지하는 비중이 매우 큰 것으로 알려져 있다. 통행시간 절감편익은 교통시설의 건설 및 개선에 따른 통행자의 통행시간 감축으로 발생하는 사회적 편익으로 각 교통수단의 통행시간은 주요한 자료가 된다. 철도사업의 경우 수단전환 및 경로전환으로 인한 통행시간 단축(편익) 또는 증가(부편익)로 사회적 편익을 추정하고 있는 것이 보편적이다. 이때 버스의 통행시간은 교통수단 전환 예측 시 교통수단선택 모형의 입력 자료로 활용될 것이며, 또한 철도사업 이전의 출발-도착지점 간 버스 통행시간과 철도사업 후 버스에서 철도로 전환된 통행의 철도 통행시간 간의 차이로 통행시간 절감편익의 항목으로 사회적 편익 산출을 위한 입력 자료로도 활용되게 된다. 이와 같은 타당성 분석 과정에서 교통수요분석 상 교통수단 분담률 예측과 편익산출을 위한 통행시간 절감편익 추정 시 버스의 통행시간이 현실과 유사한 값으로 입력되어야 현실적인 예측 결과를 기대할 수가 있게 된다.

승용차 통행시간의 추정은 모든 구간에 대해 모든 계절과 시간대 변동 상황을 조사 자료에 의한 대푯값을 추정하는 것이 매우 어렵다. 따라서 정산된 도로 네트워크와 기종점 자료를 통하여 통행배정된 결과의 통행시간을 추정치로 사용하고 있는 것이 보편적인 실무적 분석 방법이다. 철도 통행시간의 추정은 일부 변경된 철도 네트워크를 반영하는 것 외에는 장기간 네트워크의 변화가 적고 네트워크가 복잡하지 않아 자료구축과 분석이 용이하여 철도 대중교통 통행배정 분석 결과를 활용하고 있다. 그러나 버스 통행시간은 출발-도착 교통존 간 통행배정된 승용차 통행시간에 승수인자(Multiplier factor)에 해당하는 단일 보정계수(Adjustment factor) 값을 곱하여 추정하는 방법이 실무적으로 적용되고 있다. 대도시의 버스 네트워크는 노선이 매우 복잡하게 구성되어 있을 뿐 아니라 철도와 달리 별도의 기반 시설이 필요하지 않고, 이미 구축된 도로 네트워크상에 버스 노선을 신설, 연장, 경로 변경, 축소, 폐선이 쉽게 가능하기 때문에 수시로 버스 네트워크의 변화가 발생하는 경우가 많다. 따라서 버스의 경우 네트워크가 복잡하고 장기간에 걸쳐 노선이 고정적이지 못하기 때문에 대중교통 통행배정으로 버스 통행시간을 추정할 시 현실과 다를 경우가 발생하게 된다. 그래서 한국교통연구원 및 한국개발연구원의 수요분석 및 타당성 분석 지침에서 승용차 통행시간에 보정계수를 곱하여 버스 통행시간을 추정 예측하는 방법을 제시한 것으로 고려된다. 하지만 단일 보정계수를 이용하여 일괄적으로 버스 통행시간을 보정하는 것은 해당 지역의 대중교통 노선의 특성이 반영되지 않은 한계가 존재한다.

우리나라 실무적 분석에 적용되고 있는 한국개발연구원의 예비타당성조사 표준지침에 따르면 버스 통행시간은 교통수단 분담률 분석에만 적용되고 버스 수단의 통행시간 절감편익 계산에는 승용차 통행시간으로 적용하도록 되어있다. “교통시설 투자계획에서 약 5분의 시간 절감 효과도 경제성 평가에 민감하게 적용된다(Welch and Williams, 1997)”라고 설명되어 있듯이 통행시간이 비현실적 값으로 분석에 적용될 경우 잘못된 정책 판단으로 유도될 수도 있다. 따라서 타당성 분석에서 수단별 통행시간 산출은 편익 산출에 직접적인 영향을 주기 때문에 논리적이고 현실적인 추정이 중요하다.

본 연구는 현재 실무적으로 적용되고 있는 네트워크 분석 및 단일 보정계수를 활용한 버스 통행시간 추정 방법을 개선하기 위해 내비게이션 및 교통카드 관측 자료를 활용한 현실적 버스 통행시간 추정 방법을 제시하였다. 교차로, 정류장 및 환승지점에서 누락되는 지체시간 없이 비교적 정확하게 출발-도착 지점 간의 통행시간이 기록되는 내비게이션 및 교통카드 자료를 적용한 기종점 간의 통행시간 보정계수 추정 방법을 제안하였다. 또한 한국개발연구원에서 제시하는 영향권 범위 내에 존재하는 링크의 통행시간 차이로 편익을 산출하는 링크 기반(Link based)의 방법 대신 연구대상지역(Study area) 전체 시스템에 포함된 기종점 기반(OD based)의 편익산출 방법을 제안하였다. 직접 및 간접 영향권에 대한 분석자의 범위 설정에 따라 편익 규모의 차이가 발생하는 링크 기반 분석 방법과는 달리 정확한 네트워크 분석 결과를 활용한 기종점 기반의 분석 방법이 적용될 경우 영향권 범위에 상관없이 안정적이고 일관된 편익 산출이 가능하기 때문에 기종점 기반의 편익산출 방법을 제안한다. 또한 대구광역시 도시철도 사업의 사례 분석을 통해 기존 방법의 버스 통행시간과 내비게이션 및 교통카드 자료에 의한 보정계수 값을 적용한 버스 통행시간 값에 따른 통행시간 절감편익의 규모가 정책 의사결정에 무시 못 할 규모의 영향을 줄 수 있다는 점을 보여준다.

기존문헌고찰

1. 버스 통행시간 산정방법 고찰

1) 수단선택모형의 버스 통행시간 변수

철도부문 타당성 분석 시 승용차 및 버스 수단으로부터 전환되는 통행량을 계산하기 위해 수단선택 모형을 적용하게 되는데 일반적으로 승용차와 버스의 통행시간 및 통행비용 변수가 고려된다. 버스 통행시간은 차내시간(In vehicle travel time)과 차외시간(Out of vehicle travel time)으로 구분하여 수단선택 모형 구축 시 사용되고 있다. 교통수단선택 분석에서 통행요금과 통행시간은 주요한 정책변수에 해당되어 대부분의 분석에서 포함되는 설명변수이다. 그 중 버스의 통행시간은 교통존 간 버스노선의 구조와 노선별 배차간격 및 운영속도에 따라 현실적 추정된 값이 모형에 적용되어야 해당 지역의 대중교통 특성이 옳게 반영한 교통수단선택 분석이 이루어질 것이다.

현재 우리나라의 타당성 조사 관련지침은 국토교통부의 교통시설 투자평가지침과 한국개발연구원의 예비타당성조사 표준지침이 보편적으로 실무 분석에 적용되고 있다(Korea Development Institute, 2008; Ministry of Land, Infrastructure and Transport, 2017). 교통시설 투자평가지침과 예비타당성조사 표준지침에 따르면 수단선택모형의 통행시간자료 구축과정에서 KTDB의 수단별 통행시간 산정 방법론을 적용하도록 명시하고 있다. 버스 차내 통행시간 산정 방법은 전국권, 수도권 및 광역권 네트워크마다 산출하는 방법이 각기 다르게 제시되어 있다(The Korea Transport Institute, 2019). 전국권 네트워크의 경우 공로 통행배정의 결과를 사용하도록 되어있으며 이는 승용차 통행시간과 같은 값으로 적용하도록 되어있다. 수도권 네트워크에서는 대중교통 통행배정의 결과를 적용하도록 되어있다. 수도권 네트워크 자료에는 전철뿐만 아니라 간선, 지선, 광역버스의 노선정보까지 배포하기 때문에 버스네트워크의 통행배정 결과로 버스 차내 통행시간 계산이 가능하다. 광역권 네트워크에서는 도로네트워크에 통행배정된 결과를 사용하여 승용차 통행시간에 승용차 대비 버스 통행시간 비율을 적용하는 방법으로 계산하도록 제시하고 있다. 세부적으로 시내 간 통행은 1.2배, 광역시-인접지역 시 ‧ 군 간 통행은 1.3배, 인접지역 시 ‧ 군 간 통행은 1.35배로 구분하여 버스 차내 통행시간을 계산하도록 하고 있다. 그러나 다양한 도로 환경과 버스 노선 환경 그리고 버스 운영 환경에 차이가 있기 때문에 하나의 보정계수로 현실적인 버스 통행시간을 묘사하는데 한계가 있다.

수도권과 달리 광역권 자료에서는 버스의 노선정보가 제공되고 있지 않아 노선의 형태와 지역별 대중교통 특성이 반영된 교통존 간 차내 통행시간을 산정하는데 한계가 있다. 광역권별로 복잡한 버스의 노선 네트워크를 공인된 기관에서 제공해 주기 전에는 개별 분석자가 특정 과업 분석을 위해 구축하는 것은 현실적으로 어렵다. 버스는 철도와는 달리 도로 네트워크와 정류장 시설 외 별도의 대규모 시설투자를 요구하고 있지 않아 토지이용 및 시민의 활동체계의 변화에 따라 수시로 버스 노선체계를 어렵지 않게 개선이 가능하다. 따라서 복잡한 노선체계를 갖는 도시 버스 네트워크를 매번 현행화된 자료로 구축하는 것은 시간과 비용이 요구되고 있다. 또한 대중교통 네트워크 분석 방법으로 현재 가장 보편적으로 많이 사용되고 있는 최적전략 대중교통 노선배정 기법(Optimal strategy transit assignment)의 경우 통행자들의 대중교통 경로선택 행태를 현실적으로 설명을 하고 있는가에 대한 의문을 갖는 실무분석가들이 많은 것도 사실이다. 노선배정 기법이 대중교통 배차간격에 민감하게 영향을 받다보니 현실적인 현상과는 좀 차이가 나는 분석 결과가 나오는 경향이 있다는 시각이 실무 분석가들 사이에 존재하고 있다. 또한 대중교통 노선배정 분석을 위한 입력 자료로 대기시간, 정류장 정차시간, 환승시간의 값을 일괄적으로 동일한 값을 적용하지 않고 지점별 및 노선별로 각기 다른 현실적 값을 사용하는 것은 현실적으로 매우 어렵다. 제한적인 분석 과정 및 요인들이 대중교통 노선배정 분석의 결과에 복합적인 영향을 미쳐 추정된 버스 통행시간이 현실적인 값과 차이가 발생할 가능성이 존재한다. 앞서 서술한 바와 같이 한국교통연구원 분석 지침의 광역권 버스 차내 통행시간 산정방법은 승용차 대비 버스 통행시간 비율 값을 적용하여 버스 통행시간을 추정하도록 제시하고 있으며, 이와 같은 방법은 2003년 이후 동일하게 지침으로 제공되어 왔다(The Korea Transport Institute, 2003).

2) 통행시간 절감편익 산출 시 버스 통행시간 변수

타당성 조사 시 통행시간 절감편익은 도로 사업의 경우 84%, 철도 사업의 경우 66%를 대략 차지하여 정책결정에 큰 영향을 미치고 있다(Lee and Lee, 2010). 예비타당성조사 표준지침에 따르면 철도부문 통행시간 절감편익 산출 시 총 통행시간 비용은 기종점 기반 또는 링크 기반 방식을 적용하여 산정하도록 하고 있다. 보편적으로 도로부문의 통행시간 절감편익은 링크 기반으로 산출되고 있으며, 그 편익 산출 식은 Equation 1과 같다(Korea Development Institute, 2008).

(1)
VOTS=VOT사업미시-VOT사업시

여기서, VOT=lk=14(Tkl×Pk×Qkl×365)

Tkl : 링크l의 차종별, 인별 통행시간

Pk : 차종별, 인별 시간가치

Qkl : 링크l의 차종별, 인별 통행량

k : 차종(1: 승용차, 2: 버스, 3: 화물차), 인(4: 철도)

철도 사업의 시행에 따라 발생되는 통행시간 절감편익은 도로부문과 철도부문을 구분하여 산정한다. 도로부문은 다시 승용차와 버스의 통행시간 절감편익을 산출하는 과정에서 도로 네트워크의 통행배정 결과 값을 사용한다. 통행배정 결과에서 링크별 통행시간(Tkl)은 수단 구분 없이 단일 값으로 산출되기 때문에 승용차와 버스의 통행시간 모두 동일한 값을 적용하는 문제가 존재한다. 만일 버스 네트워크에 의한 별도 분석이 없이 도로 네트워크 분석 결과를 반영하여 버스 통행시간을 추정하게 되면 지점별 노선별의 버스 운영 특성을 제대로 반영하지 못하는 한계가 있어 실제 버스통행시간과의 오차가 존재할 수가 있다.

통행시간 절감편익에 관한 연구는 주로 통행시간 가치와 관련된 연구가 대부분이다(Shin et al., 2009; Lee and Choi, 2011; Yook, 2015; Kim et al., 2017). 이 연구들은 기존 통행시간 절감편익 산정방법에서 업무/비업무통행으로 구분하여 적용하고 있는 통행시간 가치의 한계점을 극복하기 위해 수행되었다. 또한 계절별 평일/주말의 교통패턴을 반영하여 연평균일교통량 기종점 자료를 보정하고 이를 바탕으로 통행시간 절감편익 산정에 영향을 주는 연구도 수행되었다(Han et al., 2004). 철도 통행시간과 관련하여 통행시간 신뢰성 가치의 계량화를 통해 통행시간 신뢰성 편익을 산정하는 연구도 있었다(Chang and Kang, 2008; Chang et al., 2008; The Korea Transport Institute, 2008). 그러나 통행시간 절감편익에서 현실적인 버스 통행시간을 산정을 위한 연구는 미미한 상태이다.

2. 관측 자료를 활용한 버스 통행시간 산정 연구

내비게이션, 교통카드, Hi-pass 및 휴대폰 등의 활용 목적은 각기 다르게 개발되고 보급되었지만 각 장비들은 자동적으로 디지털화된 자료 형태로 위치정보와 시각이 기록되어 교통 분석에 활용될 수 있는 귀중한 자료로 인식되어 왔다. 디지털화되어 자동 저장되는 자료는 별도의 추가적 조사비용 없이 비교적 용이하게 자료 구득을 가능하게 하였다. 따라서 장비에 의해 수집될 수 있는 자료를 활용한 교통 분야의 연구도 수행되었다. 본 연구와 같이 내비게이션 자료와 교통카드 자료를 활용한 다양한 선행연구들이 이미 수행되어 왔다. Dixon and Rilett(2002)는 교통 분야에서 활용가치가 높을 것으로 예상되는 자료로 도심지역에서 자동으로 기록되는 태그 기반(Tag-based), 휴대폰 기반(Cellular phone-based)을 제시하였다. 또한 Cheon and Kim(2013)도 휴대폰 기반 이동 자료, 대중교통 스마트카드 데이터 등의 궤적 자료는 이동 시 자료가 수집되는 장점이 있어 공간상의 구간 통행속도를 파악하기 위한 자료원으로의 가치가 높다고 판단하였다. 그들은 카 내비게이션 자료의 활용 가능성으로 기종점 통행 시간 자료, 기종점 평균 통행 거리 등을 제시하면서 자료 활용 시 고려사항으로 자료의 대표성 검증의 필요성을 언급했다. Lee(2013)는 버스정보시스템의 통행시간 자료를 활용하여 승용차의 경로통행시간을 추정하는 연구를 수행하였다. 그는 시내버스의 통행시간과 승용차 통행시간이 정류장서비스시간을 제외하였을 때 통행시간 분포특성이 유사하고 정류장서비스시간을 포함하였을 때 통행시간의 차이가 있는 것으로 판단했다. Lee et al.(2017)은 버스정보시스템과 머신 러닝 비지도학습의 대표적 알고리즘인 자기조직화지도(Self Organizing Map)를 활용하여 출발시간, 요일, 기상요인 등이 장래 버스 통행시간 예측에 영향을 주는 것을 분석하였다. 버스 통행시간 추정과 관련된 연구들이 진행되고 있어 통행시간 추정을 위한 관측 자료 활용가치의 잠재력은 높을 것으로 기대된다.

기존 연구들은 교통 분석에서 내비게이션 및 교통카드 자료의 활용 가능성과 중요성을 설명하고 연구에 활용하였지만, 도로 네트워크 분석 결과와 실측 승용차 및 버스 통행시간 간의 관계를 연결하여 현실적인 버스 통행시간을 추정을 통해 교통수단선택 분석 및 사회적 편익산출의 입력 자료로 적용하는 연구는 없었다. 특히 철도사업의 경우는 도로 네트워크 분석에 교통수단선택 분석이 추가적으로 수행되어야 하며, 승용차와 버스에서 철도 교통수단으로 전환됨에 따른 사회적 편익 산출 분석이 요구되고 있다. 철도 사업에 대한 타당성 분석은 교통수단선택 모형의 예측 정확성과 수단전환에 따른 편익 산출의 정교성이 분석 결과의 신뢰성에 영향을 줄 수밖에 없다. Jang et al.(2013)이 “타당성 분석의 결과는 필연적으로 오차가 발생하지만 도로사업보다 철도사업에서 교통수요분석의 오차율은 더 크게 나타나는 것으로 분석됐다”라고 설명하듯 도로 사업에 비해 추가적 분석이 더 포함되는 철도사업의 예측 오차가 더 클 가능성이 높아진다. 거시적이고 복잡한 네트워크 분석을 요구하는 대규모 교통시설투자 타당성 분석은 컴퓨터 분석을 필수적으로 수반할 수밖에 없어 네트워크 시뮬레이션 분석으로 수행되고 있다. 그렇다면 실무적 네트워크 시뮬레이션 분석 결과와 내비게이션 및 교통카드 자료와 같은 실제로 관측된 자료를 융합하여 예측의 정확성을 향상 시키는 방법을 모색하는 것은 자연스러운 연구 시도라고 고려된다. 따라서 본 연구에서는 현실적인 버스 통행시간을 추정을 위한 활용 방안으로 내비게이션과 교통카드 자료에서 승용차 통행시간 대비 버스 통행시간의 비율을 파악하고 도로 네트워크 분석 결과에 적용하여 추정된 버스 통행시간을 통행시간 절감편익에 활용하는 방법을 제시한다. Kim(2016)이 지적한 오차의 원인들에 대한 극복 방법 중 하나로 빅데이터 관측 자료와 수학적 모형의 융합을 통해 예측 정확성을 향상 시킬 수 있을 것이라는 연구 방향과 유사한 연구이다.

버스 통행시간 추정을 위한 보정계수 산정

1. 자료의 특성 및 전처리 과정

1) 내비게이션 자료

내비게이션 자료는 통행자가 실제 이용한 경로의 실측 통행시간 자료이다. 본 연구에서 사용한 내비게이션 자료는 SK T-map 자료로 읍면동 단위의 출발지점과 도착지점별로 출발시간을 30분 단위로 집합화한 자료를 활용하였다. 2016년 7월에서 2017년 6월까지의 365일 자료를 활용하였으며 자료의 형태는 Table 1과 같다. 내비게이션 중에서 이용률이 높은 SK T-map 자료를 활용하였다. 비록 이용 점유율이 높다고는 하지만 SK T-map 자료만 활용하였다는 점은 분명히 모집단 자료가 아닌 표본자료라는 점으로 인식되어야 할 자료의 특성이다. 하지만 본 연구의 목적은 출발점에서 도착점까지의 실측된 승용차 통행시간을 파악하고자 하는 것으로 비록 차량 1대의 표본 자료일지라도 해당 구간 내에서의 통행시간에 대한 의미 있는 자료를 제공할 수 있다고 고려된다. 운전자의 운전 습관과 운전 당시 해당 지점의 교통 상황에 따라 기종점 간 통행시간에 차이가 있을 수는 있지만 동일한 시간과 장소를 운행한 다른 차량과의 통행시간 차이는 크게 나지 않을 것으로 고려된다. 따라서 실측 통행시간 자료 수집이라는 측면에서는 모집단 자료가 반드시 필요한 것도 아니며, 같은 시간과 같은 위치의 경로를 운행한 자료라면 반드시 많은 표본 자료가 필요한 것도 아니라고 고려된다. 본 연구에서는 출발-도착 지점 간의 총 소요 통행시간에 초점을 두었을 뿐 선택된 경로를 구성하는 각 링크에서 소요된 통행시간이 구분된 자료까지는 분석 대상에 포함하지 않아 비교적 단순화된 자료 구축이 가능하였다. 하지만 기계 기술적 오류 및 내비게이션 활용 중 비정상적 조작 등 다양한 원인으로 인해 비현실적 관측 값이 자료에 포함되어 본 연구는 자료 활용 전의 전처리과정으로 이상치를 제거하거나 수정하는 과정을 거쳤다. 한 예로 통행속도가 1km/h 미만 혹은 250km/h 초과된 비현실적인 자료에 대해서는 해당 자료를 제거하였다.

Table 1.

Format of navigation data

Variable Description
Origin zone, Destination zone Spatial scope: whole country
Zone level: eup, myeon and dong
Departure time Data from July 1, 2016 to June 31, 2017 (observed in minutes)
Traffic volume (veh) Aggregated in 30 minute increments based on the departure time of the
departure and arrival zones
Average travel time (min) Average travel time of aggregated travel based on departure time
Standard deviation of travel time Standard deviation of average travel time
Average travel distance (km) Average travel distance of aggregated travel based on departure time
Standard deviation of travel distance Standard deviation of average travel distance

2) 교통카드

본 연구에서 활용된 교통카드 자료는 버스 노선을 기준으로 각 정류장에서 승차 및 하차가 이루어진 자료이다. 본 연구의 목적 상 버스의 통행시간 자료 수집에 초점을 두고 있으므로 교통카드 자료 중 도시철도를 이용한 통행은 제외하고 버스만 이용한 통행을 대상으로 자료를 구축했으며, 도시철도의 탑승 전과 후의 버스를 활용한 통행 구간의 교통자료도 구축하였다. 교통카드 자료의 구성은 버스노선ID, 교통카드ID, 승차 및 하차 여부를 기준으로 기종점 간 통행시간 자료로 구축되었다. 광역권의 교통카드 자료는 기본적으로 대중교통 운임 제도가 균일 운임제 혹은 이동구간제로 운영되고 있어 하차 정보 없이 대부분 승차 정보만 존재하는 한계점이 있었다. 이러한 문제점으로 인해 다른 기존 연구에서는 하차지점이 결측된 불완전대중 교통카드 자료는 승차정보만이 여객OD 현행화에 활용되기도 하였다(Shin, 2016). 하지만 본 연구의 초점이 버스 통행시간 추정에 있으므로 내비게이션 자료 경우와 마찬가지로 해당되는 동일한 노선을 같은 시간대에 같은 출발-도착지를 통행한 자료는 교통카드 표본자료 1개만 있어도 통행시간을 충분히 의미 있게 대표한다고 고려된다. 따라서 모든 통행 자료가 탑승 시와 하차 시에 교통카드를 태그하지 않더라도 어떤 한명의 통행자라도 해당 노선에서 하차 시에 태그를 하였다면 그 시간대의 출발-도착 지점 간의 통행 시간은 대표성 있게 활용이 가능하기 때문에 표본자료의 숫자는 크게 본 연구에 영향을 미치지 않는 것으로 고려된다. 그러나 통행자들의 하차 태그가 다수 기록되어 있지 않더라도 환승을 위해 하차 태그 한 자료가 있을 경우 해당 자료를 활용하여 가능한 많은 버스 통행시간 자료를 확보하고자 노력을 하였다. 최종 하차태그가 존재하지 않아도 ‘승차정류장-환승정류장’ 간의 버스 통행시간을 활용함으로써 교통카드 자료의 관측 수를 늘렸다. 대구광역시의 2017년의 9월의 한 달간 교통카드 자료를 사용하였으며 교통카드 자료의 형태는 Table 2와 같다.

Table 2.

Format of smartcard data

Variable Description
Bus ID Bus vehicle ID
Card ID Individual card ID
Tag data Smartcard tag date and time
Trip code Boarding, alighting and transferring code between transit mode
Bus stop info Bus stop name, location information based on eup, myeon and dong
Ride/Alight code Boarding (R) or Alighting (A)

2. 도로 네트워크 분석과 버스 통행시간 보정계수

국내 ‧ 외 교통시설투자 타당성 분석에 적용되고 있는 도로 네트워크 시뮬레이션 분석의 노선배정 기법은 대부분 Wardrop(1952)의 제1원칙을 만족시키는 이용자 평형상태를 만족시키는 링크 교통량 분석 결과를 활용하고 있다. 교통수요예측 과정에서 현실적인 통행의 패턴을 고려하기 위해 정산과정을 수행하지만 도로의 교통량을 고려할 뿐 각 도로 혹은 기종점 간의 통행시간을 현실적인 통행시간과 비교하여 속도 정산을 수행하지는 않는다. 그 이유는 경로선택을 위한 노선배정 분석은 경쟁적 노선 간의 통행시간의 절댓값보다는 상대적 값에 초점을 두고 있기 때문이다. 각 링크의 성능함수(Performance function)인 VDF 함수(Volume delay function)에 의해 예측 교통량에 따른 체증정도를 반영한 통행시간이 수식적으로 적용되기 때문에 네트워크 분석 결과가 현실적 통행시간과 일치시키는 것에 대한 한계점이 존재한다. 그러나 노선배정을 통해 산출된 링크 교통량을 VDF 함수에 적용하여 구한 각 링크의 통행시간을 편익산출에 직접 이용하고 있으며, 특정 기종점 간의 최단경로 통행시간으로 교통수단선택 분석에 사용하는 것이 일반적이다. 추정된 통행시간은 개별 통행자들이 실제 경험한 통행시간과 유사한 값을 갖겠지만 동일한 값으로 추정되기는 매우 어렵다. 사회적 편익항목 중 통행시간 절감편익을 추정할 때는 통행시간의 절댓값이 결과에 중요한 영향을 미치지만 현실적인 통행시간 예측의 한계점이 존재하여 사업시행 전과 후의 상대적 통행시간 차이로 인한 편익이 고려되고 있다.

전반적인 타당성 분석 과정에서 승용차 통행시간은 네트워크 분석 결과에서 나온 값을 적용하고 있는 것은 국내외 보편적 방법이지만, 버스 통행시간의 경우 통행자가 실제 경험한 관측 통행시간이 반영된 승용차에 대한 현실적인 상대적 값을 적용하는 것이 바람직하나 자료와 분석방법의 한계로 네트워크 분석을 통해 값을 유추하고 있는 것이 현 상황이다. 제한된 분석 상황에서 관측 자료로부터 승용차 통행시간에 대한 버스 통행시간의 비율을 찾아 네트워크 분석 결과에 따른 승용차 통행시간에 적절한 비율을 적용한다면 좀 더 현실적 분석이 가능하게 될 것이다. 따라서 본 연구에서는 네트워크 모형 정산과 교통수단선택 분석, 교통량 예측 그리고 통행시간 절감편익 산출의 전 과정에서 도로 네트워크 시뮬레이션 분석 결과에 일관된 버스 통행시간을 적합하게 추정하기 위해 내비게이션 및 교통카드 자료를 활용하여 보정계수를 산출하였다. 계절별, 요일별, 시간대별로 변동될 것으로 기대되는 버스 통행시간에 대한 관측 값을 어떤 기준 값으로 표현하는 것이 바람직할 것인가부터 설정이 필요하다. 다만, 본 연구에서는 버스 통행시간 값보다 승용차 통행시간에 대한 버스 통행시간의 비율인 보정계수 값 추정에 초점을 두고 있다. 승용차 통행시간에 대한 버스 통행시간의 상대적 비율은 승용차 통행시간이 계절별, 요일별, 시간대별 교통량 변동에 따른 도로의 지체를 반영하고 있다. 따라서 보정계수에 의해 추정된 버스 통행시간도 함께 그 변동이 반영된 것이라 고려될 수가 있어 변동패턴의 고려 없이 동일한 보정계수 값을 적용하였다.

한국교통연구원에서 배포되고 있는 네트워크 자료와 존 체계와의 일치성, 자료 구축의 용이성, 교통수요분석 단위와의 호환성을 고려해 내비게이션 및 교통카드 자료의 집합화를 통한 단순화된 자료 구조 체계를 구성할 필요가 있었다. 먼저 내비게이션의 출발 및 도착 지점 자료와 교통카드의 정류장 위치 기준 자료를 교통수요분석의 공간적 단위인 교통존 체계의 자료 형태로 변경 구축하였다. 광역권 자료의 교통존 체계인 읍면동 단위로 기종점을 집합화하여 통행시간 자료를 구축하였다. 또한 통계적 허용 오차범위 내에서 일정한 버스 통행시간 보정계수 값 추정이 가능하다면 365일의 방대한 자료가 아닌 일정 기간 이상의 자료로 보정계수 값을 추정하였을 때 통계학적으로 문제가 되지 않고 자료 취득과 분석도 용이한 이점이 존재한다. 특히 버스 노선은 토지이용과 시민들의 활동 체계 변화에 따라 수시로 노선 개편이 있을 수 있으므로 정기적 및 상황에 따라 통계적 허용 오차범위 내의 일정한 버스 통행시간 보정계수 값 추정이 필요하여 자료 구축 및 분석의 용이성 확보하는 것이 바람직하다. 그래서 본 연구에서는 버스 통행시간 보정계수 값의 표준편차가 충분히 작도록 하여 통계적 오차범위 내에서 보정계수 값의 제공이 가능한 표본자료 수(관측 날짜 수)를 찾는 연구를 수행하였다. 그 방법으로 표준편차와 평균값을 함께 지표에 포함시킨 통계치인 변동계수(Coefficient of Variation, CV)를 분석에 활용하였다.

본 연구에서 내비게이션과 교통카드 자료를 활용하여 추정하고자 하는 보정계수는 개념적으로 매우 단순 명료하며 그 수식 형태는 Equation 2와 같다. 기존의 방법과 차이는 출발 및 도착 기종점별로 보정계수를 별도로 추정하여 지역 및 노선별 특성을 반영하기 위해 세분화하였다는 차이가 있다. Equation 2의 보정계수 값 Fij은 내비게이션 자료의 교통존i에서 교통존j로의 평균 승용차 통행시간(tij¯A)에 대한 교통카드 자료의 교통존i에서 교통존j로의 평균 버스 통행시간(tij¯B)의 비율에 해당하는 값이다.

(2)
Fij=tij¯Btij¯A

여기서, Fij : 교통존i에서 교통존j로의 승용차 대비 버스 통행시간 비율(보정계수)

tijA¯ : 교통존i에서 교통존j로의 평균 승용차 통행시간(시간)

tijB¯ : 교통존i에서 교통존j로의 평균 버스 통행시간(시간)

버스 통행시간 보정계수 산정 결과

1. 통계적 유의성 확보를 위한 표본 날짜 수

본 연구에서는 365일 내비게이션 자료에서 30일치 샘플자료를 무작위로 추출한 다음 표본일 수별로 평균 통행시간 값을 기종점 별로 산출하였다. 무작위 추출은 30회 시행하였으며 표본 일수는 자료의 집합화된 레벨로 1일치부터 30일치까지 설정하였다. 이후 각 집합화 레벨별(표본날짜 수 1일치-30일치)로 평균 통행시간을 구하고 이들의 표준편차도 계산하였으며 산출과정은 Figure 1과 같다. 이렇게 구한 각 표본일 수별 자료의 평균값과 표준편차 값을 이용하여 변동계수(CV)와 변동비율(Variation Ratio, VR)을 계산하였으며 Table 3Figure 2, Figure 3에 정리하였다.

https://static.apub.kr/journalsite/sites/kst/2021-039-03/N0210390307/images/kst_39_03_07_F1.jpg
Figure 1

Average travel time and standard deviation calculation by data scale

Table 3.

The average coefficient of variation and average variation ratio of navigation data (unit: %)

Data
scale
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
CV 81.3 63.5 59.6 56.8 54.6 53.0 52.7 51.7 50.7 50.2 49.6 49.1 48.7 48.2 48.0
VR - 2.99 2.39 1.19 0.65 0.06 0.56 0.25 0.09 0.06 0.09 0.11 -0.05 0.11 0.03
Data
scale
16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
CV 47.6 47.4 46.9 46.7 46.5 46.3 46.1 45.9 45.7 45.6 45.5 45.4 45.3 45.1 45.0
VR 0.05 0.01 0.07 0.11 0.04 -0.05 0.04 0.04 0.00 0.05 0.11 0.04 0.04 -0.02 0.03

https://static.apub.kr/journalsite/sites/kst/2021-039-03/N0210390307/images/kst_39_03_07_F2.jpg
Figure 2

Coefficient of variation of navigation sample data

https://static.apub.kr/journalsite/sites/kst/2021-039-03/N0210390307/images/kst_39_03_07_F3.jpg
Figure 3

Variation ratio between average travel time of navigation sample data

본 연구에서는 각 기종점 별로 다른 통행시간 값을 갖는다는 점을 고려하여 표본날짜 수가 하루씩 증가할 때 마다 평균 통행시간 값이 얼마나 변화하는지를 파악하기 위해 변동비율을 계산하였다(Equation 3). n-1일치 샘플자료에 대한 n일치 샘플자료의 평균통행시간 값 변동비율을 계산하여 평균 통행시간이 어느 정도의 표본날짜 수로 집합화 할 때부터 평균값이 안정적인가를 확인해 보았다.

(3)
VRn,s=Xn,s-Xn-1,sXn,s×100

여기서, VRn,s : n-1일치 자료에 대한 n일치 자료의 평균통행시간 변동비율

Xn,s : 표본일수 n일치 샘플자료s의 평균통행시간

변동비율 분석 결과는 예상할 수 있는 바와 같이 집합화 규모가 커질수록 평균값의 표준편차가 작아지는 중심극한 이론에 따라 표본일수 집합규모가 커질수록 평균통행시간 변동비율이 0으로 수렴해 가는 것을 알 수 있다. 이는 표본일수 집합규모가 커질수록 평균통행시간 값이 안정적인 값으로 수렴해 가는 것을 의미한다. 변동계수 분석 결과, 표본날짜 수가 하루치인 경우 각 자료의 변동계수가 60-120%까지 분포하여 각 자료 간의 변동성이 매우 불규칙한 것으로 나타났다. 하루 자료를 더 추가하여 2일치의 표본날짜 수로 집합화를 증가시키기만 하여도 변동계수 값이 급격히 낮아지는 것을 확인할 수가 있다. 6일의 표본날짜 수의 경우와 7일치의 표본날짜 수의 경우 표본날짜 수를 하루 더 증가시켰음에도 불구하고 변동계수 값이 크게 차이가 나지 않고 유사하다는 것을 알 수가 있다. 즉 표본날짜 수를 하루 더 증가시켜 집합화 함에 따라 표준편차의 규모가 점차 미미해지는 변곡점이 7일치에 해당하는 것으로 본 연구는 판단하였다. 따라서 표본날짜 수가 7일치 이상으로 설정할 경우의 평균 통행시간 값은 모집단의 평균 통행시간 값과 통계학적으로 오차 범위 내에서 모집단의 참값을 대표할 수가 있다고 판단하였다.

교통카드의 경우도 내비게이션 자료처럼 30일치 샘플자료를 무작위로 추출한 다음 표본일 수별로 평균통행시간 값을 기종점 별로 산출하였다. 이후 변동계수와 변동비율을 계산하였으며 Table 4Figure 4, Figure 5에 정리하였다.

변동비율 분석 결과, 교통카드 자료도 역시 표본일수 집합규모가 커질수록 평균통행시간 변동비율이 0으로 수렴해 가는 결과를 보였다. 집합규모가 커질수록 안정적인 평균 통행시간 값으로 수렴하는 것을 확인하였다. 수집 규모의 따른 평균 통행시간의 변동계수는 표본일수 집합 규모가 증가하면서 일정한 값을 유지하지만 1일치-7일치 자료에서는 변동계수 값이 지속적으로 감소하는 것으로 산출됐다. 변동계수가 59.5-59.6%에서 대체적으로 수렴하지만 수집 규모가 적은 1일에서 6일 사이에서는 변동계수가 일정하지 못한 것으로 판단되었다. 따라서 버스 통행시간 산출을 위한 교통카드 자료의 수집 규모는 7일 이상의 자료가 필요한 것으로 판단하였다.

Table 4.

The average coefficient of variation and average variation ratio of smartcard data (unit: %)

Data
scale
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
CV 61.6 60.8 60.4 60.2 60.0 59.9 59.8 59.8 59.7 59.7 59.6 59.6 59.6 59.6 59.6
VR - 5.76 3.09 1.87 1.23 1.08 0.73 0.70 0.58 0.43 0.45 0.36 0.35 0.26 0.30
Data
scale
16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
CV 59.6 59.6 59.6 59.6 59.6 59.6 59.6 59.6 59.6 59.6 59.6 59.6 59.5 59.5 59.5
VR 0.23 0.24 0.21 0.23 0.14 0.17 0.17 0.15 0.17 0.12 0.14 0.12 0.10 0.13 0.08

https://static.apub.kr/journalsite/sites/kst/2021-039-03/N0210390307/images/kst_39_03_07_F4.jpg
Figure 4

Coefficient of variation of navigation sample data

https://static.apub.kr/journalsite/sites/kst/2021-039-03/N0210390307/images/kst_39_03_07_F5.jpg
Figure 5

Variation rate between average travel time of navigation sample data

2. 보정계수 산출 결과

내비게이션과 교통카드 자료를 분석한 결과 승용차와 버스의 평균 통행시간 추정을 위한 적절한 규모는 7일치 이상의 표본날짜 수로 판단되었다. 따라서 본 연구는 내비게이션과 교통카드 자료의 2017년 9월 기간 중에 7일치의 표본날짜 수로 승용차 및 버스 통행시간을 추정하였다. 관측 자료를 통해 추정된 두 평균 통행시간을 활용하여 버스 통행시간 보정계수를 계산하였으며 그 결과는 Table 5와 같다.

Table 5.

Number of OD pairs distribution by adjustment factor for bus

Factor # of OD pairs Percentage https://static.apub.kr/journalsite/sites/kst/2021-039-03/N0210390307/images/kst_39_03_07_T1.jpg
0-0.2 19 0.2%
0.2-0.4 64 0.6%
0.4-0.6 172 1.7%
0.6-0.8 400 3.9%
0.8-1.0 1,057 10.3%
1.0-1.2 1,727 16.9%
1.2-1.4 1,887 18.5%
1.4-1.6 1,436 14.1%
1.6-1.8 1,145 11.2%
1.8-2.0 781 7.6%
2.0-2.2 479 4.7%
2.2-2.4 355 3.5%
2.4-2.6 206 2.0%
2.6-2.8 144 1.4%
2.8-3.0 99 1.0%
3.0-3.2 66 0.6%
3.2-3.4 52 0.5%
3.4-3.6 31 0.3%
3.6-3.8 21 0.2%
3.8-4.0 14 0.1%
Over 4.0 58 0.6%
Total 10,213 100.0%

보정계수 추정 분석 결과를 좀 더 구체적으로 보면 버스 통행시간 보정계수가 1.2-1.4의 값이 가장 많이 분포하는 것으로 관측되었다. 이는 한국교통연구원과 한국개발연구원의 지침에서 적용한 보정계수 값에 해당된다. 하지만 대구광역시의 경우는 시내에서 1.2의 보정계수를 적용하라는 지침과는 달리 전체 보정계수 평균값이 1.49, 표준편차가 0.63으로 산출되어 다른 도시들과 비교할 때 승용차에 비해 버스 통행시간이 좀 더 오래 걸리는 상황이라고 판단이 된다. 한편 대구광역시에서 승용차 통행시간보다 버스 통행시간이 짧은 경우도 존재한다. 기종점 간 보정계수가 1.0보다 적은 기종점의 수가 전체 대비 약 16.7%를 차지하여 버스가 더 빠른 통행의 경우도 무시 못 할 비율을 차지하고 있음을 알 수가 있었다. 이와 같이 기종점 별로 승용차 통행시간과 버스 통행시간에 차이의 범위가 매우 크며, 그 차이가 실측 자료에 의해 확인되었다. 그 동안 하나의 보정계수로 산출된 버스 통행시간 추정 값을 교통수단선택 분석과 통행시간 절감편익 산출 분석에 적용한 것은 현실적인 현상을 적합하게 반영하지 못하고 있었다는 점을 보여주는 내용인 것이다.

기종점 기반의 통행시간 절감편익 산출

내비게이션과 교통카드 자료를 활용하여 기종점 간의 통행시간 자료를 구축함에 따라 현실적인 버스 통행시간 추정을 위한 보정계수 자료의 구조 체계는 기종점간 값을 갖는다. 기종점 기반의 보정계수를 통행시간 절감편익에 적용하기 위해서는 승용차 통행시간도 링크 기반이 아닌 기종점 기반의 출발-도착 교통존 간의 통행시간으로 자료가 구축되어 분석이 이루어져야 한다. 타당성 분석에서 사업시행 전과 후 도로 네트워크 분석을 통해 산출되는 승용차 통행시간은 모든 링크 통행시간의 합과 모든 기종점 간 통행시간의 합은 일치하게 된다. 승용차 통행시간을 통한 링크 기반 및 기종점 기반의 통행시간 절감편익의 결과는 동일하기 때문에 두 방법 모두 적용이 가능하다. 하지만 보정된 버스 통행시간은 내비게이션 및 교통카드 자료에서 추정된 기종점 간 보정계수의 구조 체계로 인하여 기종점 기반의 편익 산출 방법이 가능하다. 결과적으로 정교화된 현실적인 버스 통행시간을 적용하기 위해서는 통행시간 절감편익 산출을 기종점 기반의 산출 방법으로 수행되어야 한다. 하지만 본 연구에서 통행시간 절감편익 산출 방법으로 기종점 기반의 방법을 제안하는 것은 자료적 제약뿐만이 아니라 현실적인 버스 통행시간의 반영, 영향권 범위에 따른 결과의 차이, 도로 네트워크 계산 알고리즘의 수렴 정확성 한계에 따른 오차를 제거할 수 있는 기존 산출 방법의 다양한 한계점을 개선할 수 있다.

현재 우리나라에서 적용되고 있는 시간절감편익 산출방법은 직접영향권과 간접영향권을 설정하여 두 영향권 내부에 포함된 모든 링크의 통행시간과 교통량의 변화량을 통해 편익을 산출하고 있는 링크 기반의 분석방법이다. 링크 기반의 통행시간 절감편익 산출방법의 가장 큰 단점은 현실적 버스 통행시간을 전혀 반영할 수가 없다. 네트워크 분석에서 교통수단별 링크 통행시간을 계산할 수 없어 버스 통행시간을 승용차 통행시간과 동일한 값으로 적용하고 있다. 또한 링크 기반의 편익 산출 방법은 영향권 설정 범위에 따라 편익 값이 일관되게 안정된 값을 제공하지 못하는 한계점이 존재한다. 영향권을 활용한 분석 방법은 Sub-area 분석을 통한 폐쇄적 시스템(Closed system)이 갖춰진 상태에서 전체 시스템을 대상으로 분석이 이루어져야하고 그렇지 않은 네트워크 계산이 아주 정확하게 수렴된 해를 찾았다는 전제 하에 개방된 시스템(Open system)에서 사업 시행과 미시행시의 교통량 변화가 발생한 모든 링크를 통해 총 통행시간의 산출해 비교하고 편익을 계산해야 일관된 분석 결과와 명확한 해석이 가능하게 되는 것이다. 두 조건을 충족하지 못한 상태에서 산출된 영향권에 대한 편익 값은 사업과 관련이 없는 링크 교통량의 구성과 교통량의 변화로 인하여 영향권 내 링크의 총 통행시간의 변화가 정확하지 않을 수 있다. 이러한 이유에서 Kim et al.(2005)은 “왜곡된 결과를 방지하기 위하여 영향권 설정 방법도 제시하고 있지만 분석가의 주관에 따라 영향권 범위가 설정되며 동일한 사업에서도 다른 편익이 산출될 수 있다.”라고 설명한 것이다. 영향권 분석을 하는 근본적인 이유는 네트워크 분석의 노선배정(Traffic assignment)을 통한 해(Solution)가 알고리즘의 수렴 정도(Relative Gap)에 따라 달라질 수 있기 때문이다. Sheffi(1985)는 사용자 균형상태(User equilibrium)에서의 목적함수가 유일 해(Unique solution)가 있다는 것을 증명하였다. 이후 Frank-Wolf 알고리즘이 개발되면서 휴리스틱(Heuristic)한 방법에 의한 대략치가 아닌 수학적 해를 찾을 수가 있게 되었다. 그러나 Frank-Wolf 알고리즘에 의한 결과 값이 완벽한 해에 수렴하지 못하고 중간 계산 과정에서 멈추기 때문에 해의 대상이 되는 링크 교통량이 사용자 균형상태가 아닌 임의의 옳지 않은 값이 해로 인식되는 오차가 발생할 수 있게 된다. 부정확한 링크 교통량의 해가 나옴에 따라 정책 대상의 신설, 확정 도로와는 전혀 무관한 지역 에서 사업 시행시와 미시행시 링크 교통량이 다르게 나와 사업으로 영향을 받는 것으로 잘못 인식되고, 그 결과로 계산되는 통행시간 절감편익이 왜곡되어 비현실적 값이 나타날 수 있게 된다. Slavin et al.(2009)은 Frank-Wolf 알고리즘은 충분히 낮은 수렴 정도에서 안정된 해와 속도 면에서 빠르게 수렴하지만 더욱 낮은 수렴 정도의 안정된 해를 찾기 위해선 다른 노선배정 기법을 사용해야 한다고 제시였다. 즉 Bar-Gera and Boyce(2003)의 Origin-based algorithm, Florian et al.(2009)의 Projected gradient method, Dial(2006)의 Path-based algorithm 등 새로운 알고리즘이 개발되었으므로 사용자 균형상태의 유일 해를 더 정확히 계산할 필요가 있음을 보여 주었다. 그러나 새로운 알고리즘을 활용하더라도 매우 정확한 수렴 수준까지 계산하기 위해서는 다양한 한계가 존재하여 아직 실무적 분석에 보편적으로 적용하기에는 어려움이 있어 비교적 큰 수렴 기준인 10-3-10-4 정도의 기준을 사용하고 있다.

이상에서 설명한 것과 같은 기존 방법의 한계점인 승용차와 버스 통행시간을 동일하게 적용하는 비현실적인 통행시간 적용, 영향권 범위 결정에 따른 오류 발생 가능성, 알고리즘의 수렴 정도에 따른 값의 불안정성 등의 문제점들이 새로운 알고리즘의 개발과 본 연구에서 제시한 기종점 기반의 분석 방법을 적용할 경우 모두 해결이 가능하다. 기존의 링크 기반 방법을 적용할 경우에는 이와 같은 오류는 불가피한 것이었다. 내비게이션과 교통카드 실측 자료에서 볼 수 있듯 승용차와 버스의 통행시간은 많게는 3배 이상 차이가 나는 경우도 존재하여 철도 사업과 같은 교통개선에 따른 버스 통행시간 절감편익이 현실과는 다른 왜곡된 값으로 산출된다. 반면에 본 연구에서 제시한 기종점 기반의 통행시간 절감편익을 계산할 경우 승용차의 네트워크 분석 결과에 따른 기종점 간 최단경로 통행시간에 보정계수가 적용된 버스 통행시간을 사용한다면 승용차 통행시간과 동일한 값을 사용하는 링크기반 방법과는 다르게 현실적 버스 통행시간을 반영한 편익이 계산될 수 있다. 따라서 본 연구에서는 링크 기반의 통행시간 절감편익 계산식의 단점을 보완하면서 보정계수의 활용으로 현실적인 버스 통행시간을 적용할 수 있는 기종점 기반의 통행시간 절감편익 산정방법을 제시한다. 관측 자료를 통해 산출된 버스 통행시간 보정계수(Fij)와 기종점 기반의 통행시간 절감편익을 통해 교통존 간 버스 통행시간을 현실적으로 보정할 수 있으며 영향권, 수렴 정도의 문제 등 사업과 무관하게 사업 전 ‧ 후 변화된 통행량의 문제를 보완할 수 있다. 본 연구에서 제시하는 버스 통행시간 절감편익(VOTBus)은 산출방법은 Equation 4와 같다.

(4)
VOTBus=i,j(Fij×TijAuto×QijBus×PBus×365)

여기서, TijAuto : 교통존i에서 교통존j로의 승용차 통행시간(시간)

QijBus : 교통존i에서 교통존j로의 버스 통행량

PBus : 버스 수단의 시간가치

본 연구에서는 버스 통행시간을 관측 자료에 의해 현실적으로 추정된 값과 링크 기반의 승용차 통행시간을 적용했을 때를 비교하여 통행시간 절감편익 규모가 차이가 날 수 있음을 보여주기 위해 대구광역시의 도시철도 사업을 사례로 분석을 수행하였다(Table 6). 사례 분석 결과에 따르면, 2030년을 기준으로 했을 때 영향권 내에 포함된 링크들의 버스 수단의 통행시간 절감편익의 총 합은 약 45억 원으로 계산되었다. 연구대상지역 전체 시스템을 포함한 기종점 기반 버스 수단의 통행시간 절감편익을 계산한 결과는 73억 원으로 추정되어 영향권 내 링크에서만의 편익 규모보다 크게 추정된 분석 결과가 나왔다. 이와 같은 차이는 영향권의 범위를 어떻게 결정하는가에 따라 또 다르게 나올 것이다. 버스 통행시간 보정계수를 적용한 현실적인 버스 통행시간을 사용했을 때 전체 연구대상지역을 대상으로 한 기종점 기반의 통행시간 절감편익을 계산할 경우 83억 원으로 더욱 편익이 크게 계산되었다. 이는 도시철도사업으로 인해 승용차와 동일한 버스 통행시간을 적용한 기존 방법에 비해 현실적으로 승용차보다 더 오래 걸리는 버스 통행시간을 제대로 반영함에 따라 버스에서 도시철도로 교통수단 전환한 통행자들의 통행시간 절감편익이 더 크게 반영된 결과다.

Table 6.

The benefit of bus travel time saving (1M KRW)

Year Methodology Diff.
Linked based
(A)
OD baesd
(B)
OD baesd (factor)
(C)
(B)-(A) (C)-(A)
2030 4,478 7,336 8,289 2,858 3,811
2035 4,254 7,149 8,056 2,895 3,802
2040 3,966 6,723 7,569 2,757 3,603
2045 3,715 6,290 7,071 2,575 3,356

기존의 방법과 본 연구에서 제시한 방법에 의한 2030년도 한 해의 통행시간 절감편익 규모의 차이는 38억 원/년 정도로 나타난다. 이러한 차이는 개통 후 40년 간 편익을 기준년도의 누적된 현재가치로 계산할 경우 다른 의사결정을 내릴 수 있을 만큼의 큰 규모가 될 수도 있다. 따라서 가능한 현실적으로 정확한 통행시간 절감편익을 산출하기 위해서는 현실과 유사한 통행시간의 적용과 영향권 범위설정에 따른 오류 문제점을 해결할 수 있는 본 연구 제시한 관측자료 기반 보정계수를 적용한 기종점 기반의 통행시간 절감편익 산출방법을 적용할 것을 제안한다.

결론 및 향후연구

현재 타당성분석은 네트워크 분석 상 교통수단별 링크 통행시간을 구분할 수가 없어 편익산출 시에 승용차와 버스 통행시간을 동일한 값을 적용해 계산이 이루어지고 있다. 또한 교통수단선택 분석 시 승용차 통행시간 대비 버스 통행시간의 비율인 보정계수 값을 권역별 획일적인 값으로 적용해 분석하고 있다. 본 연구에서는 내비게이션 자료와 교통카드 자료 같이 승용차 및 버스의 통행시간에 대해 실제 관측된 디지털 자료를 활용하여 버스 통행시간을 좀 더 정확히 현실화하여 분석하는 방법을 제안하였다.

대중교통 분석의 기초 자료인 버스 노선은 상황에 따라 유동적으로 변동되며 자료 또한 매우 방대하여 구축하고 분석하는데 현실적인 어려움이 존재하여 왔다. 최근에는 내비게이션 자료와 교통카드 자료와 같이 실제 통행시간과 이동 위치에 관한내용이 시시각각 자동으로 구축된다. 교통 분야에서 이러한 자료를 융합한 연구가 점차 중요해지고 있다. 따라서 본 연구는 타당성 분석 과정에서 부정확한 버스 통행시간을 적용하였던 기존 방법을 개선하고자 디지털화되어 구축된 자료를 활용하였다. 지역 및 도시별 그리고 출발-도착지 구간별 관측된 교통 환경이 반영된 승용차 대비 버스 통행시간의 보정계수 값을 추정하여 버스 통행시간을 좀 더 현실적으로 분석에 반영하는 방법론을 제안하게 되었다.

보정계수 산출은 환경변화에 따라 수시로 이루어져야 하므로 AADT와 같이 1년 365일 관측 자료에 의한 평균 값을 구하는 대신에 통계학적 허용 오차범위 내에서 모집단의 참값이 추정될 수 있다면 365일보다는 적은 관측 일수로 집합화하여 평균 값을 추정하는 것이 실무적으로 용이하다. 따라서 본 연구에서는 최소 며칠간의 자료를 가지고 분석할 때 허용 오차범위 내에서 보정계수 참값이 추정될 수 있을지를 파악하기 위해 집합화 일수별로 변동계수와 변동비율을 분석하였다. 분석 결과, 관측 자료를 일주일(7일) 이상 집합화된 자료로 평균값을 추정할 때 허용 오차범위 내에서 안정적 값을 추정할 수가 있음을 보여주었다.

또한 본 연구에서는 링크 기반으로 버스 수단의 통행시간 절감편익 규모를 산출하고 있는 기존 분석방법을 기종점 기반의 편익산출 방법을 제안하였다. 기존 링크기반의 편익을 계산할 경우 네트워크 분석 시 교통수단별 동일한 링크 통행시간을 적용할 수밖에 없어 비현실적인 버스 통행시간이 적용된다는 문제점 그리고 영향권 영역 설정에 따라 다른 편익 규모가 계산되는 일관되지 않은 결과의 문제점이 발생한다. 본 연구에서 제시한 기종점 기반의 편익 계산 방법을 적용할 경우 최근 개발된 사용자균형상태 네트워크 분석 알고리즘의 적용 가능성과 함께 앞의 문제점은 모두 해결될 수 있음을 보여 주었다. 무엇보다 네트워크 시뮬레이션 분석 결과와 내비게이션 및 교통카드 자료와 같은 실제로 관측된 자료를 융합하여 예측의 정확성을 향상 시킬 수 있다. 본 연구에서 제안하는 기종점 기반의 편익산출 방법과 기존 방법인 링크 기반의 편익산출 방법을 사례 분석에 적용하여 각각 통행시간 절감편익을 계산하였을 때, 분석 방법에 따라 편익 규모의 차이가 발생할 수가 있음을 보여 주고, 그 차이가 정책 의사결정을 다르게 유도할 수 있을 만큼 클 수가 있다는 점도 보여주었다.

Funding

This work was supported by a grant from the National Research Foundation of Korea (NRF), grant funded by the Korean government (MSIT)(NRF-2017R1D1A1B04035997).

References

1
Bar-Gera H., Boyce D. (2003), Origin-based Algorithms for Combined Travel Forecasting Models, Transportation Research Part B: Methodological, 37(5), 405-422. 10.1016/S0191-2615(02)00020-6
2
Chang S. E., Kang J. H. (2008), Values of Travel Time Reliability, J. Korean Soc. Transp., 26(6), Korean Society of Transportation, 133-142.
3
Chang S. E., Kang J. H., Lee S. J. (2008), A Measure for Travel Time Reliability, J. Korean Soc. Transp., 26(5), Korean Society of Transportation, 217-226.
4
Cheon S. H., Kim H. M. (2013), Application Method of Car Navigation data in Transportation (카 네비게이션 자료의 교통분야 활용방안), Monthly KOTI Magazine on Transport, 54-59.
5
Dial R. B. (2006), A Path-based User-equilibrium Traffic Assignment Algorithm that Obviates Path storage and Enumeration, Transportation Research Part B: Methodological, 40(10), 917-936. 10.1016/j.trb.2006.02.008
6
Dixon M. P., Rilett L. R. (2002), Real-time OD Estimation Using Automatic Vehicle Identification and Traffic Count Data, Computer-Aided Civil and Infrastructure Engineering 17(1), Blackwell Publishers, 7-21. 10.1111/1467-8667.00248
7
Florian M., Constantin I., Florian D. (2009), A New Look at Projected Gradient Method for Equilibrium Assignment, Transportation Research Record, 2090(1), 10-16. 10.3141/2090-02
8
Han K. S., Baek S. K., Kim I. K. (2004), Calculating Social Benefit in Travel Time Considering Seasonal and Daily Variation in Traffic Pattern, J. Korean Soc. Transp., 22(7), Korean Society of Transportation, 17-23.
9
Jang J. S., Lee S. J., Lee S. J. (2013), Correlation and Cause Analysis of Travel Demand Analysis Basic Data and Travel Demand Forecasting Error (교통수요분석 기초자료와 통행수요예측 오차의 상관관계 및 원인 분석), Journal of Environmental Studies, 52, Seoul National University Graduate School of Environmental Studies, 78-82.
10
Kim I. K. (2016), Practical Interpretation and Source of Error in Traffic Assignment Based on Korea Transport Database (KTDB), J. Korean Soc. Transp., 34(5), Korean Society of Transportation, 476-488. 10.7470/jkst.2016.34.5.476
11
Kim K. H., Lee J. H., Yun I. S. (2017), Calculation of Travel Time Values in Seoul Metropolitan Area Considering Unique Travel Patterns, J. Korean Soc. Transp., 35(6), Korean Society of Transportation, 481-498. 10.7470/jkst.2017.35.6.481
12
Kim K. S., Oh D. K., Chung S. B. (2005), Development of Method to Define Influence Area using Travel Time on the Feasibility Study, J. Korean Soc. Transp., 23(8), Korean Society of Transportation, 139-145.
13
Korea Development Institute (2008), Study on Modification and Supplementation of Standard Guidelines for Preliminary Feasibility Studies for Roadway and Railway Projects (5th ed.).
14
Lee J. Y., Choi K. C. (2011), Estimation and Application of the Value of Travel Time by Time Period: A Case Study of Downtown Highway Expansion Project, Journal of The Korean Society of Civil Engineers, 31(1D), Korea Society of Civil Engineers, 7-15.
15
Lee J. Y., Gu E. M., Kim H. J., Jang K. T. (2017), Long-term Prediction of Bus Travel Time Using Bus Information System Data, J. Korean Soc. Transp., 35(4), Korean Society of Transportation, 248-359. 10.7470/jkst.2017.35.4.348
16
Lee S. I., Lee S. J. (2010), A Study on Ways to Improve Benefits of Travel-time in Analyzing the Economic Efficiency, Journal of The Korean Society of Civil Engineers, 30(3D), Korea Society of Civil Engineers, 263-270.
17
Lee Y. W. (2013), A Study on Estimating Route Travel Time Using Collected Data of Bus Information System, Journal of The Korean Society of Civil Engineers, 33(3), Korea Society of Civil Engineers, 1115-1122. 10.12652/Ksce.2013.33.3.1115
18
Ministry of Land, Infrastructure and Transport (2017), Transportation Facility Investment Evaluation Guidelines.
19
Sheffi Y. (1985), Urban transportation networks, Prentice-Hall, Englewood Cliffs, NJ.
20
Shin H. S., Cho H. U., Kim J. M., Lee W. T. (2009), A Study on the Alternatives for Realization of Benefit Cost Analysis in Railway Projects: More focused on Benefits for the value of travel time, The Korean Society For Railway Conference, The Korean Society For Railway, 21-28.
21
Shin K. W. (2016), Inferring the Transit Trip Destination Zone of Smart Card User Using Trip Chain Structure, J. Korean Soc. Transp., 34(5), Korean Society of Transportation, 437-448. 10.7470/jkst.2016.34.5.437
22
Slavin H., Brandon J., Rabinowicz A., Sundaram S. (2009), Application of Accelerated User Equilibrium Traffic Assignments to Regional Planning Models, Paper Prepared for Presentation at the 12th Transportation Research Board National Transportation Planning Applications Conference, Houston, Texas.
23
The Korea Transport Institute (2003), 2002 「National Transportation DB Construction Project」 Metropolitan area and 5 regional areas passenger traffic analysis.
24
The Korea Transport Institute (2008), A Study on Improving the Method of Calculating the Benefits of the Railway Project (Preliminary) Feasibility Study.
25
The Korea Transport Institute (2019), Complementary and Renewal of National Passenger O/D.
26
Wardrop J. G. (1952), Some Theoretical Aspects of Road Traffic Research, Proceedings of Institute of Civil Engineering, part 2, 325-378.
27
Welch M., Williams H. (1997), The Sensitivity of Transport Investment Benefits to the Evaluation of Small Travel-time Savings, Journal of Transport Economics and Policy, 31(3), University of Bath, 231-254.
28
Yook D. H. (2015), Measures to Improve the Effectiveness of Calculating Travel Time Reduction Benefits, KRIHS POLICY BRIEF, 538, Korea Research Institute For Human Settlements, 1-8.
페이지 상단으로 이동하기