서론
1. 연구의 배경 및 목적
2. 연구의 내용 및 방법
선행연구
서울시 대중교통 네트워크 레트로핏
1. 서울시 대중교통 네트워크 구축
2. 대중교통 레트로핏 시나리오 도출
대중교통 레트로핏 효과분석
1. 방법론 설정
2. 효과분석 결과
결론
1. 결론 및 시사점
2. 연구의 제약사항 및 한계
3. 향후연구과제
서론
1. 연구의 배경 및 목적
최근 들어 기후 및 환경변화, 자원고갈, 급격한 도시화, 고령화 사회 등의 전지구적 위기에 대한 장기적인 대책으로서 지속가능성이 매우 중요해졌다. 레트로핏(Retrofit)이란 “기존의 refurbishment, conversion, refit 등의 개념에서 한 단계 더 진보하여 도심내 기존 시설물의 구조 및 기능, 운영방법 등을 지속가능한 체계로 개선하여, 환경영향을 저감시키고 에너지 사용을 절감하며 물이나 자원, 폐기물 등을 효율적으로 관리할 수 있도록 하는 것”(Malcolm et al., 2014)이라 정의할 수 있다.
현재 국내 상황도 장기적인 저성장과 도시과밀화로 인한 공간부족 등으로 도심내 새로운 기반설의 건설 및 증축이 매우 어려운 실정이다. 따라서 기존의 시설을 효율적으로 활용하면서 지속가능한 개발을 유도할 수 있는 다양한 레트로핏 기법을 연구하고, 도시에 적용할 수 있는 방안을 강구함으로서 보다나은 도시환경을 조성할 필요성이 있다. 도시에서 교통의 역할은 각 지점으로 사람과 화물을 이동시킨다는 점에서 우리 몸의 혈관에 비유할 수 있다. 도시의 혈류와 같은 교통흐름을 레트로핏을 통하여 더욱 원활하게 한다면 도시는 활기차고 지속가능하며 보다 효율적으로 변모할 것이다.
한편, TRB에서는 교통분야 레트로핏을 “모든 교통 인프라가 모든 사용자에게 안전하고 효율적이며, 탄력적이고 지속가능할 수 있도록 하기 위해 필요한 것들을 구축하고 재건하는 것이다. 또한, 혁신적인 자재, 기술, 설계 및 운영 방식을 도입하여 기존 및 신규 운송자산을 비용효율적으로 최대한 활용할 수 있게 만드는 것이다.”라고 정의하고 있다(TRB, 2017 UTC Spotlight Conference).
이러한 측면에서, 스페인의 바르셀로나에서는 도심의 교통망을 슈퍼블록(Superblock) 형태로 재구조화 하고 대중교통 중심으로 레트로핏 함으로서 교통소통 및 생활환경 개선에서 큰 효과를 볼 수 있었다(Ajuntament de Barcelona, 2014).
바르셀로나는 슈퍼블록(super block)이라는 혁신적인 도로구조 설계 및 운영 방식을 도입하여 대중교통 이용자로 하여금 노선 및 버스번호를 인식하기 쉽게 개편하였고, 환승이 편리하도록 하였으며, 슈퍼블록 내부에는 차량통행을 자제시켜 내부 주민의 안전 및 편의를 향상시킴(Ajuntament de Barcelona, 2014)으로써 기존 운송자산을 비용효율적으로 재구조화하였다. 따라서 바르셀로나의 슈퍼블록은 레트로핏의 좋은 예라 할 수 있을 것이다. 우리도 이와 같이 도시에서 대중교통의 효율성을 향상시킬 수 있는 다양한 레트로핏 기법과 적용방안을 연구할 필요성이 있다.
2. 연구의 내용 및 방법
2004년 서울시는 버스준공영제를 도입하면서 대대적인 버스노선 개편을 실시하였다. 그러나 그 이후 10여년의 세월이 지나면서 서울의 도시구조 및 대중교통 여건 변화, 준공영제로 인한 보조금 증가, 대중교통 이용객수의 감소로 인한 경쟁력 강화 필요 등의 문제가 지속적으로 제기되어 변화가 필요한 시점이 도래하였다. 2004년 버스개편시 준공영제, 지 ․ 간선 체계, 교통카드시스템, 중앙버스전용차로, 수도권 통합요금제 등의 혁신적인 아이템들이 도입되었다(Yoon, 2012). 하지만, 기존의 버스노선을 토대로 버스개편을 실시한 결과 도시자체의 구조적 위계를 반영하여 노선을 재구조화 하는 데는 한계가 있었다. 따라서 본 연구는 ‘2030 서울시 도시기본계획’ 및 스마트카드 데이터 분석 자료를 토대로 도시의 구조적 위계를 반영 할 수 있는 계층적 네트워크 디자인(Hierarchical Network Design) 기법을 적용하여 서울시의 대중교통 노선을 효율적으로 레트로핏 할 수 있는 방법을 연구하고자 한다.
일반적으로 네트워크는 노드를 상호 연결하는 링크와 노드로 구성된다. 계층적 네트워크는 클러스터(Cluster)로 표시되는 분리 된 노드의 집합으로 구성되는 특성이 있다. 또한 각 클러스터에는 하나 이상의 허브 노드(Hub node)가 존재하며, 백본(Back bone)은 허브노드와 백본 링크로 상호 연결된다. 마찬가지로 각 클러스터의 노드는 서로 연결된 구조로 되어 있으며(Tommy, 2005), Figure 4와 같다.
본 연구에서는 스마트카드 데이터 분석 및 2030 서울시 도시기본계획을 바탕으로 같은 공간범위의 정류장을 하나의 정류장으로 통합시키는 클러스터링 과정을 거쳤다. 다음으로 환승거점 역할을 수행하는 정류장을 선택하여 허브 정류장을 선택하는 과정을 거쳐 주요 허브 정류장을 연결하는 간선축 체계를 설계하여 백본(Back bone)네트워크를 구성함으로서 계층적 네트워크 방법론을 적용하였다.
또한, 장래 교통수요 예측시 일반적으로 사용되는 행정동 단위로 집계된 O/D를 이용함으로써 발생하는 오차는 개인교통수단의 수요추정에서는 비교적 큰 문제가 되지 않는다. 이는 개인교통수단의 경우 어느 특정 노선을 이용하는 것이 아니라 구축된 Network를 모두 이용하는 것이 가능하기 때문에 최적의 Network로 통행의 배정이 이루어지므로 오차가 비교적 작게 나타나기 때문이다. 즉 집계된 O/D로 인한 오차가 죤 단위 내부의 집산도로 수준에서 발생하는 것 이외에는 거의 영향을 미치지 않으므로 개인교통수단의 수요추정 과정에서 큰 문제가 발생하지 않는다. 반면에 대중교통수단은 개인교통수단과 다르게 특정 노선을 이용하는 특성으로 인해 개인교통수단에 비해 큰 문제가 나타날 수 있다(Jung, 2012). 따라서 정확한 대중교통 수요분석을 통한 네트워크 설계를 위해서는 스마트카드를 이용한 보다 세밀한 단위의 대중교통 O/D 구축이 요구된다.
본 연구는 서울시의 구조적 위계를 반영하기 위하여 ‘2030 서울시 도시기본계획’에서 제시하고 있는 3도심, 7광역중심, 12지역중심 및 광역 교통축 구상을 반영하였다. 서울시는 철도와 보행 중심으로 주요 교통체계를 구성하고 철도망을 중심으로 버스를 연계조정 하는 것을 목표로 수립하고 있어, 이를 전제로 네트워크 계획을 수립하였다. 또한, 환승의 위계적 구조를 파악하고 대중교통 이용객의 통행패턴을 네트워크에 반영하기 위해 서울시 스마트카드 데이터를 분석하였다. 연구의 전체적인 절차는 먼저 스마트카드 데이터를 기반으로 통행량을 클러스터링 하여 대중교통 O/D를 구축하고, 현황 대중교통 네트워크를 격자형의 Cell 기반 네트워크 위에 구축하였다. 다음으로 ‘2030 서울시 도시기본계획’ 및 스마트카드 분석 데이터를 바탕으로 계층적인 교통 Hub를 설정하고, 철도계획 및 BRT 노선을 근간으로 하는 주요골격 네트워크(Back-Born Network)를 구축하였다. 여기에 스마트카드 데이터를 클러스터링 하여 구축한 대중교통 O/D를 직결로 연결하는 최단거리 노선을 디자인하였다. 이를 현황네트워크와 비교분석하여 문제점을 파악하고, 레트로핏 시나리오를 설정하였다. 마지막으로 설정된 시나리오를 바탕으로 현황네트워크를 개선하고, 개선된 네트워크의 PKT (Passenger Kilometers Traveled) 및 PHT (Passenger Hours Traveled)를 현황네트워크와 비교하여 개선효과를 분석하고 결론을 도출하였다.
선행연구
레트로핏 관련 선행연구를 살펴보면 영국에서는 기후변화법(Climate Change Act)의 제정으로 인해 2050년까지 현재의 탄소배출량을 80%로 줄인다는 계획을 목표로 도시의 건축환경 개선에 중점을 맞추어 캠브리지 대학교 외 여러 대학들이 주축이 되어 ‘RETROFIT 2050’을 목표로 각 분야에서 연구가 활발히 진행되고 있다. Tim et al.(2014)은 기존의 도시를 지속가능하게 변화시킬 수 있는 각종 레트로핏 방법을 미국 Boston 도심의 오픈스페이스 레트로핏 및 영국 런던 Spa Field 오픈스페이스 레트로핏 사례, BRICS 국가의 도시들에 적용할 수 있는 각종 사례(Săo Paulo, Mumbai, Cape Town) 등을 통해 제시하였다. 이들은 궁극적으로 레트로핏 기법의 적용을 통해 다음과 같은 지속가능한 도시의 미래상을 건설하는 것을 목표로 하고 있다.
미국에서는 ‘Suburban Street Storm water Retrofitting’ (Andrew and Jim, 2015)등의 주제로 기존의 가로환경을 개선하여 물 등의 자원을 효율적으로 관리하고, 친환경적인 가로환경으로 변화시키는 연구가 활발히 진행되고 있다. USDOT (U. S. Department of Transportation, 2014)는 ‘Transit Safety Retrofit Package (TRP)’ 등을 발간하여 교통안전측면의 개선도 함께 고려하고 있다. 중국 및 아시아의 개발도상국에서는 ADB (Asian Development Bank) 등의 지원 하에 광저우 등을 중심으로 대중교통시설물의 레트로핏이 활발히 이루어져 심각한 교통문제 해소뿐만 아니라 차량지체시간 및 대기시간 감소에 의한 탄소배출량 감소, 자동차 연료 사용량 감소 등의 효과가 매우 큰 것으로 보고되고 있다(ADB, 2010).
한편, 대중교통 노선개편 관련 선행연구 중 교통카드 데이터를 분석한 연구는 다음과 같다. Kurauchi et al.(2014)은 차량의 도착 시간, 배차 간격, 요금 등에 의해 달라 질 수 있는 대중교통 복수 경로의 선택 행태를 교통카드 자료를 통해 분석하였다. Wang(2010)은 런던시의 대중교통 통행데이터(Automatic Data Collection Systems, ADCS)를 통해 버스노선 승객의 O/D 추정과 통행 행태를 분석하였다. Bin et al.(2011)은 경기도의 교통카드 자료를 이용하여 통행패턴을 분석하고 활용방안을 제시하였다. Lim et al.(2012)은 장래 통행패턴의 변화를 반영하고 있는 교통DB와 현재 통행패턴을 가장 잘 나타내는 교통카드 자료의 장점을 접목시켜 통행분포 추정의 정확도를 향상시키고자, 교통카드 데이터에서 관측된 실제 통행량과 모형 추정 통행량의 차이를 최소화시키는 통행분포모형 계수(parameter) 추정에 관한 연구를 수행하였다. Han et al.(2015)은 교통카드 자료를 활용하여 수도권 주요 역세권별로 대중교통 통근통행자의 주거지 분포를 분석하여 서울시 공간 위계체계에 대한 실증적 검토를 수행하였다. Lee(2016)는 교통카드 자료를 이용하여 급행버스의 노선 및 운영 계획을 최적화 하고자 하였다.
계층적 네트워크(Hierarchical Network)와 관련된 과거의 주요 연구논문을 살펴보면, John(1986)는 ‘The hierarchical network design problem’에서 HNDP의 목적은 두 개의 계층적 네트워크 하에서 비용을 최소화 하는 솔루션을 찾는 것이라 정의하였다. 이후 Hasan et al.(1991)은 해법을 찾는 새로운 공식과 절차를 더욱 구체화 하였으며, 교통을 비롯한 컴퓨터 및 전자공학 분야에 널리 활용되고 있다. 국내에서는 Kim and Lee(2005)가 사람들이 지식을 위계적으로 저장하는 방법을 최적경로 탐색기법에 도입하고자 하였으며, Han et al.(2005)은 ‘버스 노선망 설계를 위한 평가모형 개발’시 통행배분모형을 위계적(hierarchical) 관점에서 환승횟수를 최소화 하고자 하였다.
최근의 연구로 Kim et al.(2016)은 ‘An evacuation route choice model based on multi-agent simulation in order to prepare Tsunami disasters’에서 쓰나미와 같은 재난상황의 대피경로 설정에 계층적 네트워크 기법을 적용한 결과 대피자들의 과도한 대기열을 최소화 하는 최적피난경로를 설정할 수 있었다. 아울러 교통망(Transit network)에 계층적 네트워크 기법을 적용할 수 있는 이론적 토대를 마련하였다. 본 연구는 위의 연구(Kim et al., 2016)의 이론적 바탕을 토대로 계층적 네트워크 기법을 대중교통망에 적용 할 수 있는 기법을 연구하였다.
서울시 대중교통 네트워크 레트로핏
1. 서울시 대중교통 네트워크 구축
서울시 대중교통 네트워크를 효율적으로 레트로핏하기 위하여 계층적 네트워크 디자인(hierarchical network design) 기법을 적용하였으며, 다음과 같은 절차에 따라 네트워크를 재구조화 하였다.
첫 번째 단계는 스마트카드 데이터를 기반으로 통행량을 클러스터링 하여 대중교통 O/D를 구축하였다. O/D clustering이란 같은 공간범위의 정류장을 하나의 정류장으로 통합하는 과정을 뜻한다. 두 번째 단계는 현황 대중교통 네트워크를 격자형의 Cell 기반 네트워크 위에 구축하였다. 세 번째 단계는 ‘2030 서울시 도시기본계획’ 및 스마트카드 분석 데이터를 바탕으로 계층적인 교통 Hub를 설정하는 hub-selection 과정을 거쳤다. hub-selection은 각 클러스터 정류장에서 환승거점 역할을 수행하는 정류장을 선택하는 과정이다. 마지막으로 철도계획 및 BRT 노선을 근간으로 하는 주요골격 네트워크(Back-Born Network)를 구축하였다. Backbone-Network Design은 주 거점을 연결하는 간선축을 설계하는 과정이다. 이를 이용하여 스마트카드 데이터를 클러스터링 하여 구축한 대중교통 O/D를 직결로 연결하는 Route-Network Design 단계를 수행하였다.
첫 번째 단계인 정류장 O-D Clustering에서는 스마트카드 데이터를 바탕으로 보다 세밀한 대중교통 O/D를 구축하기 위하여 서울시 전역을 0.5 km × 0.5 km의 격자형 Cell로 구분하여 2,420개(가로74×세로68) Cell로 분할하였다. 각 Cell 안에 포함된 인접한 지하철역 및 버스정류장을 클러스터링 하여 통행량을 산출하고 이를 하나의 교통존(Traffic Zone)으로 가정하여 대중교통 O/D를 구축하였다.
다음으로 현황 버스 네트워크 구축단계에서는 O-D Clustering과 마찬가지로 격자형 네트워크를 구성하였다. 격자형 네트워크를 구성한 이유는 첫 번째, 대중교통 네트워크를 O/D 체계와 매칭(Matching)시킴으로서 노선표출을 단순화 하고자 하는 목적이 있다. 이를 통해 복잡한 서울시 대중교통 노선을 한눈에 파악함으로써 전체적인 문제점을 파악 할 수 있을 것으로 판단하였다. 두 번째는 본 연구에서 각종 레트로핏 시나리오 적용시 적용 전 ․ 후의 대중교통 네트워크 PKT 및 PHT를 간단하고 효율적으로 계산하기 위한 목적이 있다. 예를 들어 버스노선 개선시 기존의 스마트카드 데이터에서는 현황 PKT 및 PHT는 간략히 계산 할 수 있으나, 개선된 PKT 및 PHT는 간략히 개산하기 어려운 한계점이 존재한다. 따라서 다량의 버스노선 및 철도노선 개선시 격자형 네트워크로 구축하는 것이 효율적일 것으로 판단하였다. 세 번째는 장기적인 관점에서 격자형의 계획도시로 건설된 서울 강남권을 대상으로 향후 바르셀로나의 대중교통 레트로핏 사례를 본받아 “슈퍼블럭”의 개념을 적용한 격자형 대중교통 네트워크 운영방안을 분석하는 데에 사용하고자 하였다. 이러한 목적에 따라 다음과 같이 Cell 기반의 격자형 네트워크 위에 서울시 현황 대중교통 네트워크를 구축하였다. 이렇게 격자형 네트워크 위에 간략히 표현된 대중교통 네트워크는 PKT 및 PHT, 굴곡도, 중복도 등 다양한 효과척도의 계산이 용이하여 각종 대중교통 레트로핏 시나리오의 개선효과를 빠르게 분석 할 수 있는 장점이 있다. 뿐만 아니라 현재 서울시 대중교통에서 문제가 되고 있는 지하철 및 버스노선의 굴곡도개선 시나리오 분석에 큰 효과를 볼 수 있을 것으로 기대된다.
격자형으로 표현된 서울시 대중교통 네트워크를 검증하고 평가하기 위하여 서울시 스마트카드 데이터의 일기준 PKT 및 PHT와 비교분석 하였다. PKT 비교결과 격자형 네트워크의 특성상 스마트카드 데이터에 기록된 실제 데이터보다 10.9% 길게 산출되었다.
세 번째 단계에서는 다음의 세가지 기준에 따라 대중교통 Hub를 선정하는 hub selection 과정을 거쳤다. 먼저 서울 2030에 근거하여 3도심 7광역 12생활권이 대중교통상 주요 허브의 기능을 담당할 것으로 가정하였다. 또한, 버스 및 복합환승센터 현황 및 계획을 반영하여 환승센터가 위치한 지점을 허브로 선정하였다. 마지막으로 서울시를 약 2,420개의 존으로 구성하고 존별 대중교통 정류장을 클러스트링 하여 존간 통행량을 분석한 결과 서울 2030에서 제시한 도심 7광역 12생활권과 환승센터 설치지점 외에 삼성역, 수서역등이 통행량이 높은 것으로 분석되어 허브로 추가하였다.
이렇게 선정된 대중교통 Hub는 가장 하위 단계에는 생활권역 및 인접 지역의 버스정류장과 지하철역을 클러스터링 하여 2,420개의 대중교통 죤을 설정하였다. 그 위로 ‘2030 서울시 도시기본계획’에서 제시하고 있는 12지역중심과 7광역중심을 계층화 하였다. 또한 스마트카드 분석자료를 기반으로 기존 서울시에 설치되어 있는 버스환승센터 5개소(서울역, 청량리, 여의도, 구로디지털단지, 잠실역) 및 복합환승센터 4개소(구파발, 개화역, 천왕역, 복정역) 외에 6개소(삼성역, 수서역, 미아사거리, 사당역, 양재역, 황산교차로)의 환승센터를 추가로 계층화 하였다. 최종상위단계는 한양도성, 영등포 ․ 여의도, 강남의 3도심을 설정하였다.
마지막으로 Back-Bone 네트워크 구축단계에서는 앞에서 구축한 도시의 계층적 교통 Hub와 철도 및 BRT 노선 등 간선대중교통 축을 주요골격으로 하는 Back-Born 네트워크를 구축하였다. Back-Born 네트워크 구축시 노드와 허브간의 연결을 위하여 Kim et al.(2016)이 재난시 대피경로 설정 네트워크에 적용한 HLCND (Hub location, Clustering, and Network Design) 기법을 적용하였다. HLCND 기법은 두 개의 계층(two-layered) 네트워크(즉, 허브위치 결합, 노드의 클러스터링, 네트워크 디자인)를 고려하여, 고정비용(fixed cost)과 용량비용(capacity cost)으로 구성된 링크 비용을 최소화 하는 동시에 수요를 충족시키는 수리적 기법이다(Thomadsen et al. 2005).
HLCND 기법은 다음과 같이 설명할 수 있다. 그래프 G=(V,E)가 있다고 하면, V는 노드의 개수이고 E는 링크를 나타내는 방향성이 없는 변(邊, edge)의 집합이다. A를 E에 대응하는 연결 된 호의 집합이라 하면, E의 각 변(i,j)=e에 대해 두 개의 호가 각 방향으로 하나씩 존재하게 된다. 변 e에 대해 호는 
와 
를 나타낸다. 또한 D는 수요에 대한 값을 나타내며, 노드쌍간에 존재하는 통행량이다. S(a)와 t(a)는 각각 A에서 호 a의 출발노드와 연결노드를 나타낸다. D의 d에서 O(D)와 D(d)는 각각 기점과 종점 노드를 나타낸다(Thomadsen et al. 2005).
는 E의 변 e에서 고정비용(Fixed cost)을 나타내며, 
는 A의 호 a의 수요단위당 용량비용(Capacity cost)을 나타낸다. 
는 D의 수요 d에 해당하는 단위를 나타낸다. 또한, 
과 
는 각각 각 클러스터에서 연결된 클러스터들의 개수와 노드 개수에 대한 상한 값과 하한 값을 나타낸다. 마찬가지로 
과 
는 각각 각 클러스터에 연결된 노드 개수의 상한 값과 하한 값을 나타낸다(Thomadsen et al. 2005).
2진 결정변수인 
는 두 허브 노드 사이의 변 e를 생성해야 할지 말지를 결정하는 변수로, 변이 생성되면 1이고 아니면 0을 나타낸다. 연속 결정 변수인 
는 호 a를 따라 보내지는 수요 d의 비율을 나타낸다. 수요 d에 대한 통신수요량(communication demand volume)은 
로 주어진다. 또한, 호 a의 용량비용은 
로 주어지고, 이것은 그 호를 사용하는 수요단위당 비용을 나타낸다. 
는 V에서 노드 i가 허브이면 1, 아니면 0을 나타낸다. 
는 노드 i와 j가 같은 클러스터이면 1, 아니면 0이며, i < j이다. 마지막으로 변 e의 고정비용은 
가 되며, HLCND 모형은 다음과 같다(Thomadsen et al. 2005).
Equation 1의 목적은 고정비용과 용량비용을 합치는 것이다. Equation 2는 통행류 보존(flow conservation) 제약식으로서, 각 수요에 대한 유입량이 중간 노드에서의 유출량과 같도록 만들고, 순유출이 기점 노드에서 1이고 순유입이 종점 노드에서 1이 되도록 만들어 준다. Equation 3은 임의의 방향으로 링크에 수요가 배정 되면 링크가 사용되게 하고, 링크의 고정비용이 경로에 반영되도록 한다. Equation 9는 Equation 1, 2, 3과 함께 고정비용 네트워크 디자인 문제(Fixed-charge network design problem)로 알려져 있다(Kim et al., 2016).
나머지 제약조건은 허브 선택 및 노드 클러스터링을 제어 한다. 2개의 노드 i와 j 사이의 링크가 사용되면 노드들이 동일한 클러스터에 있거나 두 노드 모두 허브가 되며, Equation 4에 의해 제어된다. 각 클러스터에는 하나의 노드만이 포함될 수 있으며, Equation 5에 의해 두 개의 노드가 허브이고 동일한 클러스터에 있는 해(solution)는 금지된다. Equation 6은 노드 i와 k가 동일한 클러스터에 있고, 노드 j와 k가 동일한 클러스터에 있으면 노드 i와 j도 동일한 클러스터에 있음을 나타낸다. Equation 10과 함께 Equation 4, 5, 6은 노드가 하나의 허브를 포함하는 분리된 클러스터에 있도록 만들고, 링크가 클러스터 또는 허브 내의 노드 중 하나를 연결하도록 한다. Equation 7은 각 클러스터의 노드 수를 제한하고, 이와 같이 Equation 8은 클러스터 수를 제한한다(Kim et al., 2016).
위의 모형을 통하여 연결된 Back-Born 네트워크에 광역급행철도, 도시철도, 공항철도 등 철도계획을 매칭(matching)하였다. 또한, 버스중앙차로 현황, 장래 버스중앙차로 설치계획, 고급 BRT 개량 및 신설계획 등을 참고하여 주요 허브를 연결하는 back bone 네트워크를 구축하였다. 여기에 버스 차고지에서 인접한 교통 Hub까지 직결로 연결하여 차고지를 고려한 3도심, 15환승센터, 7광역중심, 12지역중심에 대한 계층적 네트워크 연결망을 구축하였다.
2. 대중교통 레트로핏 시나리오 도출
서울시 대중교통의 효율성을 향상시켜 지속가능한 도시환경을 조성하기 위해 앞서 구축한 현황 대중교통 네트워크와 Back-Born 네트워크를 비교분석하고, 각종 관련계획 및 개발계획을 반영하여 다음과 같은 대중교통 레트로핏 시나리오를 도출하였다.
서울시 대중교통 현황분석 결과 대중교통 이용객을 높이기 위해서는 버스권역 내에서는 지선버스망의 보강, 버스권역 간에서는 지하철망의 확충, 광역간에서는 환승시설의 확충이 필요한 것으로 분석되었다. 따라서 본 연구에서는 지간선 체계를 정비하고 대중교통 취약지역에 신규지선버스 추가, 기존노선 조정 등을 통하여 지선버스망을 보강하였다. 또한 경전철(LRT) 및 GTX 등의 신규 철도망 확충계획을 반영하고 철도 개설시 기존 버스노선을 조정하여 철도노선간 연계를 강화하였다. 환승시설 확충을 위해 스마트카드 데이터를 분석한 결과 기존에 환승센터가 설치되어 있거나, 계획된 지역 이외에 미아사거리, 황산교차로 등의 환승시설을 Back-Born 네트워크에 추가 하였으며, 강남3297번 및 종로12534등의 지하철 환승 노선을 도입하였다. 강남3297번의 경우 3호선, 2호선, 9호선, 7호선을 연계하여 순환하는 버스를 의미하며, 종로12534호선 역시 지하철 5개 노선을 연계하는 환승순환버스로서 이용자가 탑승가능 노선을 알아보기 쉽도록 버스번호를 계획하는 방법을 제안하였다. 마지막으로 지 ․ 간선 버스에 대하여 중복노선 분리 및 노선굴곡도 개선 등을 통하여 버스운영상의 효율성을 극대화 하는 시나리오를 계획하였다.
위의 레트로핏 시나리오에 따라 다음과 같이 기존노선 일부 조정, 신규노선 추가, 환승순환노선 도입 등의 개선사항을 반영하여 앞서 구축된 대중교통 O/D를 배정하였다. 이를 통하여 일반적인 국지적 버스노선 조정의 수준을 넘어서 대중교통 네트워크 전체를 조정하여 새로운 운영기법을 적용함으로써 기존 및 신규 운송자산을 비용효율적으로 최대한 활용할 수 있도록 하였다. 또한, 버스노선 뿐만 아니라 경전철, 환승시설, 지 ․ 간선 체계 조정 등의 다양한 운영기법을 개선함으로써 서울시 전체 대중교통 효율성 향상을 목표로 하였다.
대중교통 레트로핏 효과분석
1. 방법론 설정
PKT는 VKT와 달리 총 통행수요를 차량이 아닌 사람을 기준으로 하여 표현한 것으로 차량통행(vehicle trip)이 아닌 사람 통행(person trip)이 분석의 대상이다. 또한 PKT의 추정이 VKT의 추정보다 시간과 비용이 더 많이 소요된다는 점에서 PKT보다 VKT가 우선적으로 사용되어져 왔다(Lim and Kim, 2011). 하지만 본 연구에서는 스마트카드 데이터를 이용하여 PKT를 추정함으로서 효과분석의 정확도를 높이고자 하였다. PKT 및 PHT는 Equation 11, 12와 같이 산출하였다.
here, 
2. 효과분석 결과
각종 대중교통 노선 레트로핏 시나리오 개선사항의 적용결과를 적용전과 비교분석 한 결과 다음과 같은 효과가 있는 것으로 나타났다. 버스 전체의 PKT는 개선전 19,324,031 km에서 개선후 18,698,890 km로 약 3.2% 감소하는 것으로 분석되었으며, 특히 간선버스가 11,885,211 km에서 11,368,454 km로 약 4.3% 감소되어 레트로핏을 통한 개선 효과가 큰 것으로 분석되었다. 버스 전체의 PHT 역시 개선전 81,448,177 hr에서 개선후 79,329,735 hr으로 약 2.6% 감소하는 것으로 분석되었으며, 버스이용자의 총통행시간 감소에도 효과가 큰 것으로 분석 되었다.
결론
1. 결론 및 시사점
본 연구에서는 스마트카드 데이터를 기반으로 클러스터링 기법을 적용하여 대중교통 O/D를 구축하고, 도시의 구조적 위계를 반영한 계층적 네트워크 디자인(Hierarchical Network Design) 기법을 적용하여 서울시의 대중교통 Back-Bone 네트워크를 구축하였다. 이를 통해 현재의 대중교통 네트워크와 비교하여 레트로핏 시나리오를 도출하고, 일기준 PKT 및 PHT를 통해 개선효과를 분석하였다. 본 연구에서는 지선 및 간선버스의 PKT 및 PHT를 분석하였으나, 레트로핏 시나리오 설정시 버스노선조정 외에도 경전철, 환승시설, 지 ․ 간선 체계 조정 등의 다양한 운영기법을 개선함으로써 전반적인 대중교통개선의 효과가 포함된 것으로 판단된다.
분석결과 일기준 PKT 및 PHT가 개선전에 비해 약 2.6-3.2% 정도 감소하여 통행자의 측면에서 편의성이 증대되는 효과를 볼 수 있었다. 따라서 향후 대중교통계획 수립시 본 연구에서 제안한 방법에 따라 노선계획을 수립한다면 대중교통 통행자의 편의성 증대를 통한 이용객 증가 및 운영 효율성 증대를 가져올 수 있을 것으로 기대된다. 이는 교통수단의 총운행거리 및 총운행시간이 감소되어 에너지절감 및 탄소배출저감 효과를 가져 올 뿐 아니라 승용차 감소효과도 있을 것으로 기대되어, 도시를 한층 지속가능하고 보다 나은 도시환경으로 만드는데 크게 기여 할 수 있을 것으로 기대된다. 또한 TRB가 제시한 “교통분야 레트로핏의 목적인 모든 교통 인프라가 모든 사용자에게 안전하고 효율적이며, 탄력적이고 지속가능할 수 있도록 하기 위해 필요한 것들을 구축하고 재건하며, 혁신적인 자재, 기술, 설계 및 운영 방식을 도입하여 기존 및 신규 운송자산을 비용효율적으로 최대한 활용할 수 있게 만드는 것”에 부합하는 대중교통 시설의 운영 및 계획이 가능할 것으로 기대된다.
2. 연구의 제약사항 및 한계
본 연구에서 제시한 도시의 구조적 위계를 반영한 계층적 대중교통 네트워크 디자인(Hierarchical Network Design) 기법은 대중교통 노선을 최하위단계에서부터 계획한다는 점에서 신도시의 대중교통 노선도입시 적합한 방법이라 할 수 있겠다. 하지만, 서울시는 이미 대중교통망이 견고하게 건설되어 있고, 대중교통 수단간의 연결망이 매우 복잡하고 상호보완적으로 운영되고 있으므로 대중교통 노선을 처음부터 완전히 재구상 한다는 것은 불가능 하다고 판단된다. 따라서 본 연구에서는 기존의 대중교통 노선을 바탕으로 레트로핏을 적용하여 효율성을 향상시킬 수 있는 방법을 제시하고자 하였다.
3. 향후연구과제
향후에는 대중교통 레트로핏 시나리오 분석시 각 개선항목별로 좀 더 세부적인 분석이 필요할 것으로 판단된다. 나아가 대중교통 노선개편 및 도입시 자동으로 VKT 및 VHT가 산출되는 시스템을 구축한다면 보다 정확하고 효율적인 효과분석이 가능할 것이다. 물론 현재 서울시에서도 자동으로 버스노선개편 효과분석을 실시할 수 있는 시스템을 구축 중에 있다(TOPIS, 2015). 하지만 실제 노선에서 VKT 및 VHT 등을 실시간으로 도출하는 데는 아직 기술적 한계가 존재한다. 따라서 격자형 네트워크상에서 간략하게 계산하는 기법을 먼저 도입 후 실제 네트워크로 확대한다면 한결 효과적으로 시스템을 도입 할 수 있을 것으로 예상된다.
또한, 장기적으로는 격자형의 계획도시로 건설된 서울 강남권을 대상으로 향후 바르셀로나의 대중교통 레트로핏 사례를 본받아 “슈퍼블럭”의 개념을 적용한 격자형 대중교통 네트워크를 운영한다면 대중교통의 효율성을 더욱더 향상시킬 수 있을 것으로 기대된다.
