Development of a Policy Decision Support Management Model for Air Traffic Management

Hyojin Kim; Taejin Shin

doi:10.7470/jkst.2026.44.4.538

Preview

Article

Journal of Korean Society of Transportation. 31 August 2026. 538-568
https://doi.org/10.7470/jkst.2026.44.4.538

Development of a Policy Decision Support Management Model for Air Traffic Management

ATM(Air Traffic Management) 정책 의사결정 지원 모형 구축

Hyojin KIM¹

Taejin SHIN¹^*

김 효진¹

신 태진¹^*

¹Lead Researcher, Airport Industry Research Institute, Incheon International Airport Corporation, Incheon 22382, Korea

¹인천국제공항공사 공항산업기술연구원 선임연구원

^{*Corresponding Author}

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

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

ABSTRACT

This study develops a Decision Support Management (DSM) Model to evaluate and forecast the impacts of policy alternatives in Air Traffic Management (ATM) by incorporating system-wide interactions. The framework employs a Full Information Maximum Likelihood (FIML)-based simultaneous equation modeling approach to analyze three measurable performance metrics identified in Korea’s National ATM Reformation And Enhancement (NARAE 2.0): flight time efficiency, on-time performance, and traffic throughput. The analysis draws on daily passenger and cargo flight operations data from four major Korean airports—Incheon, Gimpo, Gimhae, and Jeju—covering the period 2019–2021. The model comprises 44 behavioral equations and 14 definitional equations, estimated through regression and autoregressive specifications, with system-level predictions obtained via the Gauss–Seidel iterative method. Policy simulations were conducted by treating additional Terminal Manoeuvring Area (TMA) flight time as an exogenous shock under three scenarios. Results show that reducing additional TMA time improves arrival punctuality, slightly enhances departure punctuality, and shortens overall flight time. The influence of Incheon International Airport extends to Gimpo, Gimhae, and Jeju, whereas the reverse effect is limited, confirming Incheon’s systemic dominance. The contributions of this research are twofold. First, it presents an integrated framework that captures the interdependencies among flight time efficiency, on-time performance, and traffic throughput, moving beyond single-airport or single-metric analyses. Second, it provides a practical decision-support tool by quantifying dynamic multi-airport responses to policy interventions. Limitations remain, as factors such as fuel efficiency, cruising altitude, air traffic controller characteristics, and detailed airspace operations were excluded due to data limitations. Future research should expand the DSM by incorporating these dimensions, thereby enabling more comprehensive evaluations of safety and environmental impacts.

Keywords

air traffic management

decision support management

flight-time efficiency

on-time performance

throughput

simultaneous equation model

본 연구는 항공교통관리(Air Traffic Management, ATM)에서 정책 대안의 효과를 사전에 예측·평가하기 위하여 시스템 전반의 상호작용을 반영한 정책 의사결정지원모형(Decision Support Management, DSM)을 구축하였다. DSM은 연립방정식체계 모형(FIML)을 기반으로 하여, 국가항행계획(NARAE 2.0)에서 제시한 성과목표 중 데이터 확보가 가능한 비행시간 효율성, 정시성, 처리교통량을 내생적으로 동시에 추정하였다. 분석은 인천·김포·김해·제주 4개 공항의 여객·화물기 출·도착 항공편 일별 자료(2019–2021)를 활용하였으며, 항공·공역·기상·운영 변수를 포함하여 총 44개의 행태방정식과 14개의 정의식으로 모형을 구성하였다. 공항 및 출도착 특성을 반영하여 회귀모형과 자기회귀모형을 적용하였고, Gauss–Seidel 반복법을 통해 시스템 수준의 예측치를 산출·수렴하였다. 정책효과 분석에서는 추가 TMA(Terminal Manoeuvring Area, 접근관제구역 ) 비행시간을 외생 변수로 설정하여 세 가지 시나리오를 모의실험하였다. 그 결과, 추가 TMA 비행시간 감소는 도착 정시성 개선과 더불어 출발 정시성 및 비행시간 효율성에도 긍정적 효과를 나타냈다. 특히 인천공항의 변화는 김포·김해·제주공항에 파급되었으나 역방향 영향은 제한적이었으며, 이를 통해 인천공항의 시스템 지배력이 확인되었다. 본 연구의 기여는 첫째, 개별 지표나 단일 공항에 국한되지 않고, 비행시간 효율성·정시성·처리교통량의 상호 의존 관계를 통합적으로 규명한 점이다. 둘째, 정책 변수 변화에 따른 다공항 간 동태적 반응을 정량적으로 시뮬레이션하여 ATM 정책결정자에게 실무적 의사결정 지원 도구를 제시한 점이다. 다만, 연료 효율·순항 고도·관제사 요인·세부 공역 운영 등은 데이터 한계로 제외되었다. 향후 데이터 확충과 모형 고도화를 통해 안전성과 환경영향까지 포함하는 확장형 DSM으로 발전시킬 필요가 있다.

키워드

항공교통관리

의사결정지원모형

비행시간 효율성

정시성

처리교통량

연립방정식 체계모형

MAIN

서론
선행연구
1. 비행시간효율성 관련 연구
2. 정시성 관련 연구
3. 처리교통량 관련 연구
4. 기존 연구와의 차별성
연구방법론
1. 분석 자료
2. 분석 데이터 전처리
3. 연구모형 : 연립방정식체계모형을 활용한 총량모형 구축
모형 구축 결과
1. 부문별 모형 구조 : 비행시간 효율성, 정시성, 처리교통량
모형 검증
정책효과 시뮬레이션
결론 및 시사점
부록

서론

항공교통관리(Air Traffic Management, 이하 ATM) 분야에서 정책의사결정자는 항공자원의 효율적 활용을 위해 한정된 공역과 공항에서 항공기의 최적 운항을 필요로 한다. 또한 항공기 지연 및 회항 감소를 통해 승객 불편을 최소화하고, 연료 감축을 통한 배출가스 감소 등 다양한 기능적 의사결정이 필요하다(Shin and Kim, 2024).

세계적으로 항공교통량의 지속적인 증가와 더불어 ATM 시스템의 효율성과 안정성 확보는 항공정책의 핵심 과제로 부상하고 있다. 특히, 공항 및 공역 혼잡, 운항 지연, 환경 영향 등 복합적인 문제들이 동시에 작용하는 복잡한 시스템 하에서 정책결정자는 다양한 정책 대안의 효과를 사전에 평가하고 예측할 수 있는 과학적 도구의 필요성을 꾸준히 제기해왔다. 이에 따라 정책 의사결정 지원을 위한 모형 구축에 대한 관심도 높아지고 있으며, 최근에는 시스템 전반의 상호작용을 반영한 통합형 분석틀의 필요성이 강조되고 있다(Ravizza et al., 2013).

기존의 선행연구들은 항공편 지연이나 공항의 수용능력 등 개별 성능지표에 초점을 맞추어 분석을 수행해 왔다. 대부분의 연구는 단일 공항 또는 특정 지표(예: 지연율, 비행시간 등)를 중심으로 이루어졌으며, 각 성능지표 간의 상호연관관계나 복수 공항 간의 상호작용을 고려하는 사례는 상대적으로 제한적이었다(Nayak, 2012; Lu et al., 2014). 또한, 기존 모형들은 정책 결정자가 참고할 수 있는 수준의 예측 가능성과 체계성을 갖추기보다는, 개별 변수 간 관계를 분석하는 데 그친 경우가 많았다.

이에 본 연구에서는 항공교통관리 시스템 전반을 대상으로 정책 의사결정을 지원할 수 있는 정책의사결정지원모형(Decision Support Management, 이하 DSM)을 구축하고자 하였다. 본 모형은 연립방정식체계모형(Simultaneous Equation Model)을 기반으로 하여, 항공편의 움직임과 정책 변수들이 동시에 서로 영향을 주고받는 복합적인 관계를 정량적으로 추정한다. 이러한 방법론은 경제정책 분야에서 정책 변수 간 상호의존성과 정책 파급효과를 분석하기 위한 실증 도구로 활용되어 왔으며(Lerman, 1976; Greene, 2012), 이를7 ATM 시스템 분석에 적용한 사례는 국내외적으로도 드물다.

특히, 본 연구는 대한민국 국가항행계획(NARAE 2.0)에서 제시하는 주요 성능목표 중 데이터 확보가 가능한 비행시간효율성, 정시성, 처리교통량 등 세 가지 지표를 중심으로 모형을 구성하였으며, 외부 요인의 변화에 따라 복수 공항의 내생변수들이 어떻게 변화하는지를 시뮬레이션할 수 있도록 설계되었다. 이를 통해 항공기 운항이 복수 공항 간 상호작용을 통해 시스템 전체에 영향을 미친다는 점을 계량적으로 분석할 수 있다.

본 논문의 구성은 다음과 같다. 제2장에서는 모형의 주요 정책 변수에 대한 선행 연구를 고찰하고, 제3장에서는 DSM 모형의 분석 자료와 전처리, 연구모형 등 방법론에 대해 기술한다. 제4장에서는 모형 구조 및 구축 프로세스를 바탕으로 모형을 검증하고 시뮬레이션 분석을 수행하여 정책 변수 변화에 따른 주요 성능지표의 반응을 분석하고, 마지막으로 제5장에서는 본 연구의 결론 및 시사점, 향후 연구 방향을 제시한다.

선행연구

타 산업과 달리 항공교통분야에서는 ATM 시스템 전체를 포괄하여 정책 효과를 추정하는 System-wide 측면의 연구보다는 주로 개별 공항 단위에서 각 부분별 연구가 주를 이루고 있다. 본 연구의 목적은 ATM 시스템 체계에 대한 정책 의사결정 지원 모형을 구축하는데 있는 바, 모형의 주요 정책 부분인 비행시간효율성, 정시성, 처리교통량에 대한 연구를 중심으로 국내외 연구동향을 검토한다.

1. 비행시간효율성 관련 연구

항공기 지상이동시간(Variable Taxi Time, VTT)의 산정은 항공기 출발 및 도착관리의 핵심 기능 중 하나이다. VTT 산정은 공항 및 주변 공역의 교통상황, 지상운영조건, 항공기 위치, 활주로 운용 상황 등 여러 가지 요소를 종합적으로 고려하여 항공기가 공항 내 지상에서 점유하는 시간을 예측하는 알고리즘 및 해당 기법을 의미한다.

VTT 예측 모형을 개발하기 위한 다양한 연구들이 있다. Jeong et al.(2017)은 노드링크 모델을 기반으로 인천공항의 ASDE 항적데이터를 이용하여 방해받지 않는 항공기(unimpeded traffic)의 지상이동시간을 나타내는 UITT(Unimpeded Taxi Time)를 예측하기 위한 모델을 제시하였다. Kim et al.(2018)은 기존 연구를 보완하여 노드링크 모델을 이용한 인천공항의 항적데이터를 이용하여 예측모형을 구축하고 예측모형을 통해 항공기 지상 이동 속도를 구간별로 추정함으로써 UITT를 예측하는 방법을 제안하였다. Kim and Seo(2020)는 국내 교통량이 많은 제주공항을 대상으로 실제 항공기의 이동 정보를 담고 있는 공항지상감시레이더(Airport Surface Detection Equipment, ASDE)의 항적 자료와 운항 및 비행정보시스템(Flight Operation and Information System, FOIS) 자료를 이용하여 항공기 지상이동시간을 예측하는 모형을 제안하였다.

FAA는 회귀모형을 이용하여 공항별, 항공사별 UITT를 산정하였는데 이를 위해 출발 및 도착항공기의 대기열 길이를 이용하였으며 그 외 활주로 구성, 기상조건, 게이트 위치와 같은 다른 요인은 고려하지 않았다(Zhang and Wang, 2017).

Ravizza et al.(2013)은 스톡홀름 알란다공항 및 취리히공항을 대상으로 공항 형상정보와 과거 유도로 이동시간 정보를 이용하여 다중회귀분석(multiple regression analysis)을 통해 VTT를 예측하였다. 대부분의 VTT 예측과 관련된 연구에서 회귀분석 시 종속변수를 시간으로 선정한 것과 달리 종속변수로 평균 유도로 이동속력을 이용하였다.

이와 같이 비행시간 효율성은 항공 교통체계의 주요 성과지표로서, 연구 목적에 따라 다양한 모형과 지표가 개발되어 왔으며, 최근에는 환경성과 및 차세대 운항개념을 반영하는 방향으로 발전하고 있다.

2. 정시성 관련 연구

공항에서 항공기 도착/출발 처리 수용량이 증가하는 교통 요구량을 충족시키지 못할 경우 공항 혼잡과 더불어 지연에 따른 비용이 수반된다. 공항에서의 혼잡 문제는 항공교통 요구량이 수용 능력을 초과하였을 때 발생한다(Gilbo, 2002). 도착하는 항공기 대수가 공항의 처리 능력을 초과하는 경우, 다수의 항공기가 착륙을 위해 대기하는 큐(Queue)가 발생한다. 착륙대기 큐는 1,000ft 고도 차이를 가진 다수의 Fixes로 구성되어 있으며, 일반적으로 선입선출의 개념으로 운영된다. 공항에 접근하는 항공기 순서대로 Top fix에 추가되며, 점차적으로 아래 fix로 이동되며, Bottom Fix 항공기부터 착륙이 허가된다. 이륙(출발)도 동일한 방법을 적용한다. 출발/도착 항공기 대수가 공항의 운영 능력을 초과한다면 이로 인해 특정한 15분 동안 지연된 항공기는 다음 15분 동안의 출발/도착 항공기에도 연쇄적으로 영향을 미친다. 따라서 도착/출발 교환 곡선을 적절히 배분하여 지연 항공기 대수를 최소화시키는 것이 공항의 큰 임무 중 하나이다.

또한 항공 기상에 의한 항공 운항 서비스 지연은 많은 경제적 손실을 가져온다. 항공기 운항 지연으로 발생하는 경제적 손실은 항공사가 부담하는 추가경비와 지연된 항공기 승객들에게 보상차원에서 지급되는 비용, 그리고 승객이 부담하게 되는 기회비용 등을 함께 고려해야 한다는 점에서 복합적이다(Seok, 2018).

Allan et al.(2001)은 대기 지연 감소 모형을 제안하였다. 악천후 기상이 일정시간 동안 공항 터미널의 유효 수용 능력을 감소시켰을 때 발생하는 지연 대기 모형이다. 예컨대, 악천후 기상이 2시간 지속되고 공항에서 이륙해야할 항공기들이 이륙하지 못하여 착륙해야 할 항공기들이 착륙하지 못하는 상황이 발생한다면, ‘항공기 지연’은 지상에 있는 항공기들이 이륙하여 목적지에 도착할 때까지 지속된다. 이러한 항공기 지연 시간의 총합을 식으로 나타내면 다음 Equation 1과 같다.

(1)

Z = 0.5 T^{2} (D - C_{W}) (C_{V} - C_{W}) / (C_{V} - D)

$Z =$ 항공기 운항 지연시간

$D =$ 항공 운항 편수

$C_{W} =$ 위험 기상 동안 터미널 용량

$C_{V} =$ 좋은 기상 동안 터미널 용량

$T =$ 위험 기상 영향 시간

T가 제곱이기 때문에 보다 정확한 기상예보로 위험기상의 영향시간을 줄일 수 있다면 항공기 지연시간을 크게 감소시킬 수 있음을 알 수 있다. 대기 지연감소 모형은 ATM과 터미널 용량 감소에 대응하는데 효과적이며 효율적으로 지연시간을 계산할 수 있는 장점 때문에 여러 연구에 활용되었다.

단일 공항에서의 지연이 미국 NAS(National Airspace System)에 미치는 영향에 대한 선행연구는 주로 개별공항을 분석대상으로 하였다. Nayak(2012)에서는 연립방정식 모형인 2SLS 방법론을 사용하여 개별공항인 LGA공항과 ORD공항을 사례로 선정하고 두 공항이 Reginal NAS 지연에 미치는 영향을 분석하였다. Hao et al.(2014)에서는 미국 NAS 지연의 주요 원인으로 지목되는 뉴욕의 3개 공항(EWR, LGA, JFK)이 NAS 지연에 미치는 영향을 확인하기 위해서 연립방정식모형과 FAA의 SWAC 모형을 사용하여 비교 분석하였다.

3. 처리교통량 관련 연구

공항 수용량(Airport Capacity)에 대한 연구는 일반적으로 단위 시간 당 항공기 또는 승객의 최대 교통 흐름을 결정함으로써 공항의 성능을 평가하는 것을 목표로 한다. ICAO에서는 공항수용량을 ‘다양한 기상 조건에서 수용할 수 있는 항공기의 시간 단위당 이동횟수’로 정의하고 있다(ICAO, 2009). ICAO는 공항수용량을 정의함에 있어 항공기의 운항횟수를 기준으로 기상 여건을 고려할 것을 권고하고 있다. 반면, ACI는 ‘평균 4분 이상의 지연이 발생하지 않거나 공항이 설정한 지연 시간에 대한 다른 가정 하에 시간당 최대 항공기 운항 횟수’를 기준으로 공항수용량을 산정하도록 권고하고 있다. 즉, 공항수용량 산정 시 지연 시간을 고려하도록 한 것이다.

공항의 주요 요소 중 하나인 항공기 주기장을 중심으로 공항수용량을 산정할 경우 Horonjeff 모형이 가장 일반적으로 사용되고 있다. Horonjeff 모형은 첨두시간 도착 또는 출발 항공기 운항횟수, 항공기 점유시간, 이용률 계수를 활용하여 주기장의 수를 산정하기 위한 수식으로 이루어져 있다. Horonjeff 모형을 살펴보면, 첨두시간 도착 또는 출발 항공기 운항횟수가 주기장의 공항수용량으로 파악할 수 있다. 주기장규모를 산정하는 변수가 운항횟수와 주기장 점유시간과 관계가 있으며, Horonjeff 모형은 이러한 특성을 반영하여 주기장 수를 단순 도출할 수 있으므로 전 세계적으로 이용되고 있다(Park et al., 2018).

4. 기존 연구와의 차별성

기존 연구는 항공 혼잡의 원인을 파악하기 위해 주로 개별 공항 또는 지연에 초점을 맞추어 왔다. 즉, 이전 연구들이 개별 공항의 성능이나 이원적인 지연 전파 관계 분석에 집중되어 여러 성능 지표를 아우르는 거시적 관점에서의 체계적 모델링은 부족한 면이 있었다.

본 연구는 ATM 시스템 전반(System-wide)의 관점에서 동시 결정되는 성능 요인들을 분석하기 위해 정책 의사결정지원 모형(DSM)을 구축하였다. 이 모형은 하나의 지표가 아닌 비행시간 효율성, 정시성, 처리 교통량 등 세 가지 핵심 성능지표를 동시에 고려하여 각 지표 간 상호 연관 관계를 모형화하였다. 이를 통해 개별 항공편 및 공항의 움직임이 다른 공항의 성능 지표에 미치는 영향까지 통합적으로 파악할 수 있다.

DSM 모형은 성능지표 간 인과관계를 활용하여 정책 시나리오별 성능변화를 시뮬레이션함으로써 ATM 정책 결정자에게 의사결정 지원을 제공한다. 이는 거시적 정책효과 예측 도구로서, 특정 공항이나 요소에 국한된 분석에 머물렀던 기존 연구들과 달리 정책 변화에 따른 시스템 전체의 성능 변화를 평가할 수 있도록 설계된 점에서 차별성이 있다.

연구방법론

1. 분석 자료

본 연구에서는 항공교통관리(ATM) 대상인 항공기 움직임에 따른 요인들의 상호의존관계를 모델링하기 위해서 FIML(Full Information Maximum Likelihood) 연립방정식체계모형(Simultaneous Equation Models)¹⁾에 입각하여 모형을 구축한다. 각 항공기들의 움직임은 출/도착 공항 특성, 공역 상황, 기상현상 등 해당 주체들의 특성들뿐 아니라 각각의 항공기의 상호의존 영향도 받으며, 이러한 변수들은 동시에 영향을 주고받는다. 이러한 영향을 모두 모형에 포함하기 위해서는 항공기별로 세분화된 데이터가 필요하며, 각 주체의 행동이나 특성들이 데이터로 수집이 되어야 한다. 항공교통관리를 위한 정책 의사결정을 지원하기 위해서 본 연구에서는 국가항행계획(NARAE 2.0)에서 제시된 성과목표 중 비행시간 효율성, 처리교통량, 정시성(지연율)을 중심으로 연립방정식체계모형을 구성한다. 국가항행계획에서는 성과목표 6개²⁾를 제시하고 있으나 현재 데이터로 수집 가능한 3가지 부문에 대한 총량모형 구성을 연구범위로 제한한다. 모델링의 분석대상은 인천공항, 김포공항, 김해공항, 제주공항 4개 공항의 여객기 및 화물기 출/도착 항공편을 대상으로 항공기의 움직임에 따른 행태적 변화를 중심으로 설계한다. 분석기간은 2019년부터 2021년까지의 일별 데이터³⁾를 사용하는데 이는 데이터 원천기관으로부터 데이터가 수집가능하고 결측값에 대한 정보손실이 가장 작은 기간으로 선택하였다.

2. 분석 데이터 전처리

ATM의 효율성, 정시성, 처리교통량을 분석하기 위한 다양한 방법들이 나오고 있으나, 실제 현장에서의 항공교통 데이터는 정제와 전처리에 있어 어려움이 있다. 국내 여러 기관에서 항공교통 데이터가 독립적으로 생산됨에 따라 분절된 데이터에 접근하여 취합하고 전처리하는 것이 쉽지 않은 현실이다. 3가지 부문에 대한 모형 구축을 위해 공항데이터, 공역데이터, 항공기상데이터를 각 데이터 원천기관⁴⁾으로부터 수집하여 항공편별 로그데이터를 생성하였다.

Shin and Kim(2024)은 ATM 정책 의사결정지원 모형 설계를 위한 빅데이터 전처리 방법을 연구하였다. ATM 데이터는 기관별로 서로 다르게 취합되기 때문에 분석을 위해서는 정돈되지 않고 파편화된 데이터의 정제가 필수적이다. 특히, 항공편별로 공항, 공역, 기상 데이터를 일관된 형태로 이어질 수 있는 데이터를 구성하는 것이 중요하기 때문에 선행 연구에서는 ATM 데이터 전처리 과정에 있어 데이터 출처별 특성을 고려한 알고리즘을 제안하고, 과정별로 전처리된 데이터의 병합 과정을 상세히 기술하였다. 본 논문은 선행 연구의 후속 연구로 전처리된 데이터를 바탕으로 변수의 선택과 분석 모델의 개발을 중점적으로 다룬다⁵⁾.

3. 연구모형 : 연립방정식체계모형을 활용한 총량모형 구축

FIML 연립방정식체계모형에 따른 정책의사결정지원모형(DSM)의 모형 구축 순서는 다음과 같다. 첫째, 분석데이터를 통해 비행시간 효율성, 처리교통량, 정시성(지연율) 등 3개 부문의 성과목표를 측정할 수 있는 데이터를 중심으로 내생변수와 외생변수를 식별한다. 내생변수는 각 주체들의 상호연관성을 가지고 모형 내에서 결정되는 값으로 내생변수의 개수만큼 연립방정식에서의 방정식 개수가 구축된다. 외생변수는 모형 밖에서 결정되는 값으로 통제 불가능한 기상요인 또는 정책결정에 의해 변화되는 요인 등이 대표적인 예이다. 둘째, 식별된 변수를 기반으로 개별 행태방정식과 정의식을 구성하고 개별행태방정식의 모형 적합성을 확인한다. 마지막으로 Gauss-Seidel 방법론⁶⁾을 활용하여 정책효과 결과를 시뮬레이션을 통해 분석한다.

본 연구에서는 연립방정식체계모형 구축을 위해 첫 번째로 비행시간효율성, 처리교통량, 정시성(지연율) 등 3개 부문의 개별 행태방정식 모형을 구축하였다. 연립방정식체계모형은 각 내생변수의 상호연관성을 모형에 반영하는데 비행시간효율성의 내생변수가 정시성 또는 처리교통량의 설명변수로 반영되며 이와 반대 영향도 포함한다. 연립방정식체계모형을 수식으로 간단히 표현하면 Equation 2와 같다. 여기서 $Y_{i, t}$ 는 내생변수 벡터로 출발( $D_{i, t}$ )과 도착( $A_{i, t}$ )벡터가 각각 4대 공항별(인천공항, 김포공항, 김해공항, 제주공항)로 구성되며, $X_{i, t}$ 는 외생변수 벡터, $B$ 는 내생변수간의 계수행렬, $Γ$ 는 외생변수의 계수 행렬을 의미한다. 이러한 체계 하에서 비행시간효율성, 처리교통량, 정시성에 대한 수식은 Equation 3과 같다. 각 부문의 내생변수는 다른 부문의 내생변수에 상호연관성을 가지며 각 개별공항에 대한 외생변수(기상정보 등)를 식별하여 모형에 포함하였다. 정시성 부문의 경우 인천공항, 김포공항, 김해공항, 제주공항의 지연은 서로 연관을 줄 수 있어 공항 간 지연 확산을 모형에 포함하였다.

(2)

Y_{i, t} = B Y_{i, t} + Γ X_{i, t} + ε_{i, t}, Y_{i, t} = [\begin{matrix} D_{i, t} \\ A_{i, t} \end{matrix}], i \in \{R K S I, R K P C, R K P K, R K S S\}

(3)

비 행 시간 효 율성 부문 : Y_{i, t}^{E} = B_{i, t}^{E T} Y_{i, t}^{T} + Γ_{i, t}^{E} X_{i, t}^{E} + ε_{i, t}^{E} 정시성 부문 : Y_{i, t}^{P} = B_{i, t}^{P E} Y_{i, t}^{E} + B_{i, t}^{P P} Y_{i, t}^{P} + B_{i, t}^{P T} Y_{i, t}^{T} + Γ_{i, t}^{P} X_{i, t}^{P} + ε_{i, t}^{P} 처 리교 통 량 부문 : Y_{i, t}^{T} = B_{i, t}^{T P} Y_{i, t}^{P} + B_{i, t}^{T E} Y_{i, t}^{E} + Γ_{i, t}^{T} X_{i, t}^{T} + ε_{i, t}^{T}

이와 같이 구축된 연립방정식 체계모형은 개별행태방정식 44개, 정의식 14개로 총 58개(비행시간효율성 28개, 처리교통량 14개, 정시성 16개)의 방정식으로 구성되었고 외생변수는 총 119개를 식별하였다⁷⁾. 인천공항, 김포공항, 김해공항, 제주공항의 비행시간효율성, 처리교통량, 정시성을 결정하는 영향요인들이 공항별로 개별적인 특성을 지니고 있기 때문에 개별행태방정식은 공항별로 구축하며, 출발/도착에 대한 항공편들의 행태적 모습도 각각 다르게 나타나기 때문에 출/도착을 구분하여 모형을 설계한다. 이러한 개별행태방정식들은 데이터와 모형의 특성, 상관관계 등을 확인하여 회귀모형, 자기회귀모형을 사용하여 추정한다. 연립방정식체계 모형 추정을 위해서는 각 방정식의 식별가능성(Identification)을 확인하는 위수조건(Order Condition)과 계수 조건(Rank Condition)이 충족되어야 한다. 첫 번째로 위수조건은 $K - K_{i} \geq G_{i} - 1$ 를 만족해야한다. 본 연구모형은 전체 외생변수 $K$ = 119, 내생변수 $G$ = 58로 구성되어 있으며, 공항별·출/도착별로 개별 행태방정식의 외생변수가 각 특성에 맞게 반영되어 있고, 각 행태방정식에서 제외된 외생변수의 수( $K - K_{i}$ )가 $G_{i} - 1$ 보다 충분히 크기 때문에 모든 행태방정식이 위수조건을 충족하는 것을 확인하였다. 두 번째로 계수 조건에서는 제외된 외생변수로 구성된 계수행렬( $R_{i}$ )의 rank가 $G_{i} - 1$ 이상을 만족하는 것을 확인하였다⁸⁾. 따라서 본 연구의 연립방정식체계 모형은 과도 식별(Over-identified)구조를 가지고 있어 연립방정식 모형의 식별조건을 만족하는 것을 확인하였다.

마지막으로 연립방정식체계모형은 다음과 같은 적합성 검정 시스템을 따른다. 개별행태방정식의 적합성 확인은 각 모형별 검정법(R², adjusted R², F-test 등)인 통계적인 검정법을 통해 확인하며, 연립방정식체계에서의 정책효과 시뮬레이션은 역사적 모의실험(Historical Simulation Test)을 통해 검정하고 예측오차값(RMSE, MAE, SMAPE)을 확인하여 정책 의사결정지원모형이 가지는 예측력을 검증한다.

모형 구축 결과

1. 부문별 모형 구조 : 비행시간 효율성, 정시성, 처리교통량

비행시간효율성에 대한 개별 행태방정식 구조는 Figure 1과 같다. 항공기 비행시간의 경우, 출발편은 지상이동시간⁹⁾과 FIR 비행시간¹⁰⁾을 더한 값으로 정의하며, 도착편은 지상이동시간, TMA비행시간¹¹⁾, 공역비행시간¹²⁾을 합한 값으로 정의한다. 도착편의 경우 해당공항의 혼잡 등의 이유로 TMA 구역에서의 체공시간이 증가할 수 있기 때문에 이러한 요인을 반영하기 위해서 TMA비행시간을 따로 식별한다. 이와 같이 비행시간 효율성 부문은 출발편은 3개, 도착편은 4개 등 총 7개의 내생변수에, 4개 공항(인천공항, 김포공항, 김해공항, 제주공항)에 대한 요인을 모두 식별하여 총 28개의 내생변수로 구성한다. 여기서 지상이동시간, FIR비행시간, TMA비행시간, 공역비행시간은 각각 개별행태방정식을 구성하며, 출발 비행시간과 도착 비행시간은 각각의 요소를 합한 정의식으로 구성한다. 정리하면 비행시간효율성 부문의 내생변수는 총 28개로 개별행태방정식 20개, 정의식 8개로 구성한다.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-04/N0210440403/images/kst_2026_444_538_F1.jpg

Figure 1

Structure of endogenous variables for flight time efficiency

각 개별행태방정식의 모형구성은 다음과 같다. 첫째로, 지상이동시간은 각 공항의 기상정보와 공항처리량, 지연율 등에 영향을 받기 때문에 공항 VIS, 풍속, 강설, 강수량, 출발/도착 피크타임 운항편수, 활주로 방향별 처리량, 지연율(내생변수)을 영향요인으로 구성한다. 둘째, FIR비행시간 및 공역비행시간은 주의공역 및 통제공역 비행시간, south-west route 운항수, 공역전체처리량(내생변수), 그리고 공역내의 기상정보인 태풍, 난류, 공역섹터별 천둥번개 비중을 영향요인으로 포함한다. 특히, 주의공역 및 통제공역 비행시간이 길수록 단축거리 운항에 의해 비행시간이 감소할 수도 있으나 항로혼잡에 의해 주의공역 및 통제공역 비행을 하는 경우 오히려 비행시간이 증가할 수도 있어 제곱항에 대한 영향을 추가한다. 또한, south-west route¹³⁾를 사용하는 항공편들의 혼잡도가 가장 심하기 때문에 주의공역을 사용하는 경우가 빈번하므로 주의공역 비행시간과 south-west route 운항수의 상호작용항도 모형에 포함한다. 마지막으로 TMA비행시간은 도착편에만 식별하는 내생변수로 각 공항별 VIS, 풍속, 도착피크타임 및 출발피크타임 운항수, 공항처리량(내생변수), 활주로방향별 처리량을 변수로 포함한다. 비행시간효율성에 대한 모형구성은 각 공항별로 특성이 다른 개별 특성의 외생변수와 처리교통량, 지연율과 같은 다른 부문의 내생변수가 같이 포함되어 모형을 구성한다. 비행시간효율성의 모형 구조를 간단히 표현하면 Figure 2와 같다.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-04/N0210440403/images/kst_2026_444_538_F2.jpg

Figure 2

Model structure for flight time efficiency

정시성(지연율)의 개별 행태방정식 구조는 Figure 3과 같다. 정시성을 나타내는 내생변수는 주기장지연시간과 지연율인데 주기장지연시간이 15분을 초과하는 경우 지연 항공편으로 정의하여 지연율을 재계산¹⁴⁾한다. 주기장지연시간과 지연율은 출발편과 도착편을 각각 식별하여 사용하였으며, 4개공항(인천공항, 김포공항, 김해공항, 제주공항)에 대해 각각 생성하여 정시성 부문의 내생변수는 총 16개로 모두 개별행태방정식으로 구성된다.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-04/N0210440403/images/kst_2026_444_538_F3.jpg

Figure 3

Structure of endogenous variables for punctuality

정시성 부문의 내생변수는 출/도착 항공기 및 공항별 지연 특성에도 서로 밀접한 영향을 받는다. 예를 들어 도착편이 지연되는 경우 연결편 지연사유로 출발편도 지연되는 경우가 일반적이다. 또한, 국내선 중심의 공항인 경우 제주공항의 출발 또는 도착 지연율이 높을 때 김포공항의 지연율도 연계되어 높아지게 된다. 이러한 특성을 모형에 반영하기 위해, 인천공항의 출발 주기장지연시간에서는 국제선 등 중·장거리 노선이 주로 운영되기 때문에 하루 전날(Lag1)까지의 도착 주기장 지연시간을 영향요인으로 포함한다. 인천공항을 제외한 국내선 중심공항에서는 당일날의 도착 주기장 지연시간을 영향요인으로 포함한다. 지연율의 경우, 주기장지연시간이 증가하면 지연율도 증가하게 되므로 지연율의 영향변수로써 주기장 지연시간을 포함하며, 다른 공항의 지연율도 설명변수로 포함한다. 주기장 지연시간 행태방정식 모형의 외생변수로는 주기장 지연에 영향을 미칠 수 있는 공항 풍속, 저시정, 강설, 강수량 등 공항 기상특성과 공역의 기상특성인 태풍, 천둥번개 영향을 포함하며, 공항전체처리량(내생변수), TMA비행시간(도착주기장지연시간)을 영향요인으로 포함한다. 또한, 노선별 특징에 따라 지연요인이 다르게 나타날 수 있기 때문에 노선별 운항 수와 결항율도 영향요인으로 포함한다. 노선별 운항수는 인천공항의 경우만 중국, 일본, 동남아, 미주, EU 노선을 구분하여 외생변수로 포함하였으며, 김포, 김해, 제주공항은 일본, 중국, 동남아 및 국내선 운항수를 변수로 포함하였으나 유의성이 없어 최종적으로 모형에서 제외하였다. 지연율 행태방정식 모형에서는 기상요인 등의 외생변수는 이미 주기장 지연시간에서 통제하기 때문에 제외하였으며, 다른 공항의 지연율과 공역 전체 도착처리량 및 출발처리량을 영향요인으로 포함하여 모형을 구축한다. 주기장 지연시간의 경우 하루 전의 주기장 지연시간이 현재의 지연시간에 영향을 줄 수 있기 때문에 AR(1)모형을 적용한다. 정시성의 모형 구조를 간단히 표현하면 Figure 4와 같다.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-04/N0210440403/images/kst_2026_444_538_F4.jpg

Figure 4

Model structure for punctuality

처리교통량의 개별 행태방정식 구조는 Figure 5와 같다. ATM System-Wide 내에서의 처리교통량을 최대한 포괄하기 위해서 4개 공항(인천, 김포, 김해, 제주)에서 하루에 운항하는 항공편(여객기 및 화물기)을 대상으로 한다. 처리교통량 부문의 내생변수는 공항별로 도착운항처리량 및 출발운항처리량 등 각 공항별로 식별하여 총 8개의 개별행태방정식으로 구성하며, 각 공항별 처리량(4개)과 총도착운항, 총출발운항을 통해 총 6개의 정의식을 구성한다. 즉, 정의식은 각 공항의 도착운항편과 출발운항편을 합한 값으로 개별공항의 처리량을 정의하고, 4개 공항의 도착운항편을 모두 합한 값을 총 도착운항편(도착처리량)으로 4개 공항의 출발운항편을 모두 합한 값을 총 출발운항편(출발처리량)으로 정의한다.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-04/N0210440403/images/kst_2026_444_538_F5.jpg

Figure 5

Structure of endogenous variables for air traffic volume

개별행태방정식으로 구성되는 개별 공항의 도착운항편과 출발운항편의 영향요인은 공항의 기본적인 기상 특성인 공항 VIS, 강설, 강수량, 풍속을 포함하고 처리교통량 자체에 큰 영향을 야기할 수 있는 공역상의 기상정보로 태풍을 포함한다. 또한, 처리교통량의 영향요인으로 출발 및 도착 피크타임 운항수, 지상이동시간(내생변수), 주기장지연시간(내생변수), 결항율을 포함한다. 또한, 도착운항편의 경우 TMA비행시간도 영향요인으로 포함한다. 마지막으로 코로나19에 대한 운항편 감소 효과를 모형에 반영하기 위해 COVID 더미도 모형에 포함하여 분석한다. 처리교통량의 모형 구조를 간단히 표현하면 Figure 6과 같다.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-04/N0210440403/images/kst_2026_444_538_F6.jpg

Figure 6

Model structure for air traffic volume

주요 개별행태방정식의 모형 추정 결과는 Appendix 3에 제시되어 있다. 다만 44개의 행태방정식의 결과를 모두 제시하기에는 지면에 한계가 있어 TMA 비행시간(비행시간효율성), 정시성(주기장지연시간), 처리교통량 부문별로 주요 방정식을 중심으로 제시하였다. 또한, 44개 행태방정식에서 각 모형 추정 결과의 유의성과 방향을 확인하기 위해서 히트맵(heat map) 형식으로 전체모형에 대한 결과를 시각적으로 제시하였다.

ATM System-Wide 측면의 정책 의사결정지원모형 구축을 위해 비행시간효율성, 정시성, 처리교통량 등 크게 3개 부문으로 나누어 총 44개` 개별행태방정식과 14개의 정의식으로 구성한 연립방정식체계 모형을 구축하였다. 위에서는 각 부문에 대해서 각 공항별로 어떻게 구성되는지에 대해 설명하였는데, 특히, 각 부문별로 비행시간효율성↔정시성(지연율)↔처리교통량 간의 상호연관 작용을 각 부문 모형에 포함하여 모형을 구축하였다. 각 공항별로 비행시간효율성, 정시성(지연율), 처리교통량이 어떤 상호작용을 주고 받는지를 모형에 반영한 것으로 처리교통량은 비행시간효율성을 설명하는 변수로 사용되고, 비행시간효율성 중 일부요인도 처리교통량을 설명하는 변수로 사용된다. 또한, 정시성 지표들은 처리교통량 및 비행시간효율성을 설명하는 주요 변수로 활용되며, 각 공항간의 지연율과 출발/도착 간의 지연율은 서로 밀접한 상호영향관계를 주고받는다. 이러한 내생변수간의 관계와 외부 영향에 따른 외생변수의 관계를 그림으로 표현하면 Figure 7과 같은 모형 구조 흐름도가 구축된다.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-04/N0210440403/images/kst_2026_444_538_F7.jpg

Figure 7

Process of the DSM model

모형 검증

정책 의사결정지원모형(DSM)은 항공교통관리(System-Wide ATM)의 상호의존성을 동시에 고려하는 모형으로 서로간의 인과관계 영향요인의 정확성 보다는 정책효과 등 외생변수의 변화에 따른 시스템 체계 내에서의 예측성을 살펴보는데 초점이 있다. Gauss-Seidel 방법론을 활용한 연립방정식체계모형에서는 주로 역사적 모의실험(Historical Simulation)과 예측오차를 통해 모델을 검증한다. 그러나 개별행태방정식 모형의 모형 적합성도 무시할 수 없기 때문에 모형의 강건한 적합성 검정보다는 예측력에 중점을 두고 DSM 모형을 검증한다. 이에 따라 본 연구에서는 2가지 방법을 사용하여 모형을 검증한다. 첫 번째로 개별행태방정식을 추정한 모형에 대한 모형 검정통계량이다. 두 번째로는 연립방정식체계모형의 Gauss-Seidel 방법을 사용하여 추정한 예측값과 실제값에 대한 예측오차를 통해 예측력을 평가한다. 그 결과는 Table 1에 제시되었다.

Table 1.

The results of test statistics and model performance

Category			Models	Test statistics			Model performance
Category			Models	R-sq	Adj-Rsq	F-test	RMSE	MAE	SMAPE
Efficiency of flight time	Behavioral equations	Arr	RKSI_TMA	0.943	0.943	2566.808^***	0.330	0.268	1.562
			RKPC_TMA	0.923	0.922	1625.688^***	0.741	0.377	2.556
			RKPK_TMA	0.928	0.928	2018.305^***	0.397	0.292	2.604
			RKSS_TMA	0.942	0.941	2517.516^***	0.467	0.263	2.063
			RKSI_Aspace	0.570	0.564	95.333^***	2.036	1.573	5.247
			RKPC_Aspace	0.385	0.378	56.552^***	2.858	2.140	7.224
			RKPK_Aspace	0.517	0.511	89.128^***	2.666	2.062	8.070
			RKSS_Aspace	0.311	0.302	34.916^***	2.712	2.064	6.906
			RKSI_taxiout	0.649	0.647	223.569^***	0.576	0.454	5.189
			RKPC_taxiout	0.688	0.686	266.685^***	0.448	0.335	6.572
			RKPK_taxiout	0.330	0.326	76.619^***	0.573	0.436	4.771
			RKSS_taxiout	0.468	0.464	106.214^***	0.545	0.413	5.046
	Definitional equations		RKSI_flightT				2.197	1.681	2.994
			RKPC_flightT				3.001	2.224	4.483
			RKPK_flightT				2.743	2.131	4.633
			RKSS_flightT				2.824	2.120	4.221
	Behavioral Equations	Dep	RKSI_FIRAspace	0.313	0.303	32.788^***	2.279	1.745	3.894
			RKPC_FIRAspace	0.060	0.047	4.598^***	2.673	1.793	4.313
			RKPK_FIRAspace	0.169	0.159	15.755^***	2.776	2.108	5.533
			RKSS_FIRAspace	0.339	0.330	36.964^***	2.841	1.981	4.207
			RKSI_taxiout	0.629	0.626	184.168^***	1.537	0.794	4.505
			RKPC_taxiout	0.799	0.797	479.619^***	1.506	0.880	4.905
			RKPK_taxiout	0.708	0.706	376.380^***	1.382	1.017	7.526
			RKSS_taxiout	0.379	0.374	73.758^***	1.986	1.448	9.361
	Definitional equations		RKSI_flightT				2.881	2.098	3.383
			RKPC_flightT				2.919	1.991	3.355
			RKPK_flightT				2.957	2.267	4.397
			RKSS_flightT				3.584	2.599	4.154
Punctuality	Behavioral Equations	Arr	RKSI_delayTime	0.573	0.567	96.123^***	4.141	3.180	89.205
			RKPC_delayTime	0.650	0.647	182.148^***	4.527	3.159	102.63
			RKPK_delayTime	0.547	0.543	144.851^***	5.403	2.810	121.52
			RKSS_delayTime	0.530	0.524	101.007^***	3.495	2.267	65.616
		Dep	RKSI_delayTime	0.701	0.698	252.981^***	2.843	1.874	58.412
			RKPC_delayTime	0.664	0.661	213.437^***	7.596	2.312	71.848
			RKPK_delayTime	0.543	0.540	160.416^***	2.611	1.718	145.657
			RKSS_delayTime	0.603	0.599	148.949^***	1.896	1.265	70.721
		Arr	RKSI_delayRate	0.778	0.777	545.151^***	5.838	4.561	18.750
			RKPC_delayRate	0.914	0.914	1656.815^***	10.569	7.568	69.009
			RKPK_delayRate	0.836	0.835	795.017^***	7.339	5.237	55.555
			RKSS_delayRate	0.911	0.910	1583.508^***	8.551	6.360	54.042
		Dep	RKSI_delayRate	0.712	0.711	384.915^***	5.961	4.509	23.475
			RKPC_delayRate	0.929	0.928	2029.108^***	9.489	6.896	59.571
			RKPK_delayRate	0.792	0.790	590.198^***	6.215	4.124	69.312
			RKSS_delayRate	0.864	0.863	989.147^***	6.622	4.534	60.691
Air traffic volume	Behavioral Equations	Arr	RKSI_op	0.973	0.973	3287.004^***	30.253	23.492	10.028
			RKPC_op	0.638	0.635	212.682^***	23.249	18.427	8.932
			RKPK_op	0.888	0.887	1072.160^***	13.644	10.598	11.198
			RKSS_op	0.734	0.732	332.716^***	16.580	13.161	7.457
		Dep	RKSI_op	0.976	0.976	4440.589^***	29.535	21.976	8.956
			RKPC_op	0.755	0.753	478.575^***	18.733	14.504	7.123
			RKPK_op	0.928	0.928	2003.693^***	10.455	8.159	9.460
			RKSS_op	0.774	0.772	531.814^***	14.607	11.382	6.561
	Definitional equations	Total	RKSI_op				45.630	34.698	7.175
			RKPC_op				35.784	28.432	6.964
			RKPK_op				19.970	15.696	8.885
			RKSS_op				26.119	19.973	5.818
			Arrival_op				47.854	37.763	5.130
			Departure_op				44.562	34.987	4.874

개별 행태방정식의 모형 적합도를 확인하기 위해 R², Adjusted R², F-test 등을 제시한다. Adjusted R²는 방정식별로 차이가 있으나 전반적으로 모형 설명력을 확보하고 있는 것으로 나타났으며, 모형의 적합도를 검정하는 F-test 또한 모든 방정식에서 통계적으로 유의한 결과를 보였다. 이러한 검정통계량을 통해 각 개별 행태방정식 모형의 적합도는 전반적으로 유의미한 것으로 분석된다. 다만 일부 모형에서는 상대적으로 낮은 설명력이 나타났는데, 특히 비행시간 효율성 모형 중 출발항공편의 FIR 비행시간 모형의 설명력이 낮게 나타났다. 각 4개 공항의 FIR 비행시간 모형에는 공항별 운항 특성을 고려하여 항공교통량, 태풍 및 뇌우 등 공역의 기상 조건, 주의공역 및 통제공역 비행시간 등 거시적 운항 환경을 중심으로 데이터로 수집 가능한 설명변수를 포함하였다. 그러나 실제 FIR 비행시간을 결정하는 공역 운영 과정에서는 관제사의 항공교통관제 운영요인(ATC 요인), 항공기의 속도·기종·중량·상승/하강 성능 등 항공기별 성능 차이, 실제 비행경로 등 다양한 운영요인이 영향을 미친다. 특히 제주공항(RKPC)의 경우 R²가 0.06, Adjusted R²가 0.047로 다른 공항에 비해 상대적으로 낮게 나타났는데 이는 제주공항의 운항 특성과 관련된 것으로 판단된다. 제주공항은 국내선 비중이 높고 FIR 진입 항로가 비교적 단순한 구조를 가지고 있으며, 해양성 기후 특성 등 국지적인 기상 변동의 영향을 크게 받는 특성이 있다. 이러한 요인들은 정량적인 데이터로 수집하기 어려워 모형에 직접 포함되지 않았으며, 그 결과 출발항공편 FIR 비행시간을 설명하는 일부 영향요인이 모형에서 누락되어 Adjusted R² 등 모형의 설명력이 상대적으로 낮게 나타난 것으로 확인된다. 다만 F-test 결과 및 예측오차(RMSE 등)가 통계적으로 유의하게 나타나 모형 전체의 시스템을 설명하는 데에는 큰 문제가 없는 것으로 판단된다.

다음은 연립방정식체계 모형이 내생변수를 얼마나 잘 설명하는지를 판단하기 위한 예측력 검정을 실시한다. 내생변수의 예측력 검증은 실적치와 예측치 간의 차이로부터 예측모형의 성능을 평가할 수 있다. 이러한 예측오차를 검증하는 통계량들은 다수 존재하는데, 본 연구에서는 RMSE(Root Mean Squared Error), MAE(Mean Absolute Error) 및 SMAPE(Symmetric Mean Absolute Percentage Error)를 통해 검증하였다. RMSE는 회귀모형의 예측력을 검정하는 대표적인 지표로 예측값과 실제값이 떨어진 정도를 확인할 수 있다. MAE는 절대오차의 평균을 나타내는 것으로 실적값과 예측값의 차이를 절대값으로 변환 후 평균을 구하여 계산한다. MAE는 실제값과 같은 단위로 직관적인 해석이 가능하며, 이상값(Outlier)에 덜 민감하게 작용하지만, 오차의 크기, 오차의 방향 등을 비교하기 어려운 단점이 있다. SMAPE는 실제값과 예측값의 평균으로 나누어 계산한 평가지표로 실제값에 0이 존재해도 계산이 가능하며, MAE와 다르게 퍼센트로 표현되기 때문에 모델 성능 비교가 가능하다. 하지만 예측값이 실적값보다 작을 경우 분모가 더 작아지기 때문에 오차가 커지는 현상이 발생하기도 하며, 실적값 또는 예측값이 0인 경우 SMAPE 값의 크기가 크게 계산된다는 단점이 있다. 3가지 예측오차 검정방법 외에도 여러 예측오차 검증방법이 존재하지만 이상값에 민감한 예측력 검증방법들은 제외¹⁵⁾한다. 개별행태방정식 및 정의식의 예측오차는 대체적으로 10 이하로 나타나 예측력이 있는 것으로 분석되나 SMAPE에서는 이상값에 대해 민감한 정시성 관련지표에서는 예측력이 다소 떨어지는 것을 확인하였다. SMAPE는 실제값과 예측값의 평균을 분모로 사용하는 지표의 특성상 실제값이 0 또는 매우 작은 값을 가지는 경우 상대오차가 과대평가되는 경향이 있다. 본 연구에서의 주기장 지연시간 및 지연율 변수는 평상시 대부분 지연이 발생하지 않아 매우 작은 값을 가지며, 기상 악화나 공항 혼잡 등 특정 상황에서만 큰 값이 발생하는 비대칭적인 분포 특성을 보인다. 이러한 데이터 특성으로 인해 실제값이 0 또는 매우 작은 경우(혹은 마이너스)에도 예측값과의 차이가 상대적으로 크게 반영되면서 SMAPE가 높게 나타난 것으로 판단된다¹⁶⁾. 반면 RMSE와 MAE는 실제값과 예측값 간 절대적인 오차 수준을 기반으로 계산되는 지표로서 실제 데이터의 크기와 직접적으로 비교가 가능하다. 본 연구에서는 RMSE와 MAE가 비교적 안정적인 수준을 보이고 있어 전체적인 예측오차의 규모는 관리 가능한 수준으로 판단되며, 모형의 시스템적 설명력에는 큰 문제가 없는 것으로 판단된다. 따라서 정시성을 대표하는 주기장지연시간 및 지연율의 SMAPE 값은 데이터의 분포 특성과 지표의 계산 방식에 의해 상대적으로 높게 나타난 것으로 해석할 수 있으며, 본 연구에서는 모형의 예측 성능을 종합적으로 판단하기 위해 RMSE 및 MAE 지표를 함께 고려하였다. 마지막으로 역사적 모의실험 결과를 통해서도 대체적으로 실제값과 예측값이 일치하는 흐름을 확인하였다(Appendix 4 참고).

(4)

R M S E = \sqrt{\sum_{t = 1}^{n} \frac{{(Y_{t} - \hat{Y_{t}})}^{2}}{n}}

(5)

M A E = \frac{\sum_{t = 1}^{n} |Y_{t} - {\hat{Y}}_{t}|}{n}

(6)

S M A P E (%) = \frac{100}{n} * \sum_{t = 1}^{n} \frac{|Y_{t} - {\hat{Y}}_{t}|}{(|Y_{t}| + |{\hat{Y}}_{t}|) / 2}

정책효과 시뮬레이션

정책 의사결정지원모형(DSM)을 활용하여 항공교통관리(ATM)에 필요한 정책효과 시뮬레이션을 다음과 같이 시행할 수 있다. DSM모형은 외생변수(외부충격 또는 정책효과)의 변화에 따라 주요 성능목표 요인인 내생변수의 변화를 확인하는 모형이다. 즉, 외생변수 변화가 4개 공항의 성능목표(내생변수)를 어떻게 변화시키는지를 확인할 수 있다.

정책효과 시뮬레이션을 실행하기 위해서 시나리오를 다음과 같이 설정한다. DSM 모형에서 비행시간 효율성을 설명하는 주요 지표 중 하나인 추가 TMA비행시간¹⁷⁾을 외생변수로 식별하였다. TMA 비행시간은 공항 관할 내의 접근공역 진입시간부터 착륙시점까지의 시간으로 계산하는데, 각 항공편별로 각 공항의 주기장 및 활주로별 하위 20%의 비행시간을 “방해받지 않은 TMA 비행시간”으로 정의하고 정상적인 비행시간으로 판단(ICAO GANP 권고기준)하며, 일반적으로 15분 이내로 나타난다^¹⁸⁾. 따라서 추가 TMA 비행시간이 발생하는 경우 해당 공항은 혼잡 등의 이유로 지연율 증가로 연계되기 때문에 추가 TMA 비행시간을 줄이기 위한 방법을 모색한다. 예를 들어 공항 혼잡도나 기상여건 등 관제사의 판단에 따른 항공기 흐름 관리가 수행될 수 있다. 이러한 과정에서 항공기의 체공시간이 증가할 경우 도착 지연 증가로 이어질 수 있기 때문에 ATM 정책관리자들은 추가 TMA 비행시간을 감소시키기 위한 다양한 정책을 추진하고 있다. 실제로 SESAR^¹⁹⁾에서는 도착관리시스템(A-MAN)을 활용하여 항공기 도착 순서를 최적화하고 체공시간을 감소시키는 정책을 추진하고 있다. 또한, 우리나라의 국가항행계획인 NARAE (National ATM Reformation And Enhancement)에서도 탄력적 공역 운영과 효율적인 항공교통 흐름 관리 등 시스템 개선을 통해 비행시간 단축과 ATM 운영 효율성 향상을 주요 정책으로 모색하고 있다. ATM 운영 측면에서 관제 운영 개선, 공역 구조 재설계, 활주로 운영 전략 개선 등 정책 수단을 통해 TMA 구간의 비행시간을 감소시킬 수 있으며 이러한 운영 개선 효과는 추가 TMA 비행시간 감소로 나타날 수 있다.

본 연구에서는 특정 정책 수단을 직접적으로 가정하기보다는 항공교통관리 정책 개선에 따른 운영 효율성 향상 효과를 분석하기 위해 추가 TMA 비행시간 감소를 외생충격으로 설정하였다. 이는 정책 입안자들에게 ATM 고도화가 가져올 수 있는 잠재적 편익과 각 변수 간의 동태적 인과관계를 실증적으로 제시하는 측면으로 정책적 의사결정 지원을 목표로 하고 있기 때문이다. 따라서 본 연구에서는 운영 효율성 개선 효과를 확인하는 민감도 분석 측면의 시나리오로서 추가 TMA 비행시간 20% 감소를 가정하였다. 특히, ATM 시스템은 국내 공역 내의 모든 항공기의 흐름에 영향을 주기 때문에 항공기 운항이 많은 인천공항에 외생충격을 준 시나리오 1과 4개 공항 모두에 외생충격을 준 시나리오 2를 구성하여 내생변수의 변화를 비교하였다. 또한 공항 운영 효율성 개선이 공항 수용량에도 영향을 미칠 수 있다는 점을 고려하여 피크타임 수용량 15% 증가 시나리오를 추가적으로 설정하였다(시나리오 3). 피크타임 수용량은 공항의 수용량을 결정하는 주요 변수로 활주로 운영 효율화 및 도착 간격 최적화 등을 통해 공항 운영 개선 정책 등을 통해 피크타임 수용량을 증대시킬 수 있다. 현재 제시하는 시나리오는 정책효과 시뮬레이션에서 추가 TMA 비행시간 및 피크타임 수용량의 외생충격이 도착정시성에 어떠한 영향을 미치는 지를 시나리오로써 제시한 것이다. 이렇게 어떠한 정책으로 인천공항의 도착편 항공기의 추가 TMA비행시간이 20% 감소했을 때와 각 공항의 피크타임 수용량이 15% 증가하였을 때 등을 가정하여 인천공항, 김포공항, 김해공항, 제주공항의 도착 지연율이 얼마나 개선되는 지를 평가할 수 있다. 도착정시성을 개선시키는 정책효과를 확인하기 위해서 3개의 시나리오를 구성하고 이에 따른 정책운용효과가 어떻게 변화하는지를 분석하였다. 도착정시성을 개선시키는 영향은 다양한 요인이 존재하지만, 체공시간 감소를 중점으로 ATM 시스템에 어떠한 영향을 주는지를 시나리오를 통해 살펴본다.

첫 번째 시나리오로 인천공항 도착항공편의 TMA 추가비행시간이 20% 감소(시나리오 1)하였을 때를 설정한다. 또한, 인천공항뿐만 아니라 분석 대상공항의 도착항공편 TMA 추가비행시간이 모두 20% 감소했을 때를 두 번째 시나리오(시나리오 2)로 가정한다. 마지막으로 TMA 추가비행시간은 모두 감소하고, 피크타임 수용량이 15% 증가하였을 때의 영향을 마지막 시나리오(시나리오 3)로 가정한다. 각 시나리오별 정책효과 시뮬레이션 결과는 Table 2에 제시되어 있다. 시나리오 1과 시나리오 2의 도착정시성을 비교해보면 인천공항의 TMA 추가비행시간이 감소하면 제주, 김해, 김포공항의 도착지연율이 개선되는 것을 확인할 수 있다. 또한, 모든 공항의 TMA 추가비행시간이 감소하면 그 효과는 더 크게 나타나는 것을 확인하였다. 다만 인천공항 도착정시성의 경우 다른 공항의 TMA 추가비행시간 감소에 큰 영향을 받지 않는 것으로 보였다. 또한, 출발정시성도 도착정시성의 감소효과보다는 작지만 출발 지연율이 감소하는 것으로 나타났다. 비행시간 효율성의 개선도 모두 확인할 수 있었다. 시나리오 1의 경우 도착 비행편은 인천공항의 경우 0.53분 감소하였고, 모든 공항의 TMA 추가비행시간 개선으로 더 많이 비행시간이 감소하는 것으로 나타났다. 공통적으로 인천공항의 요인들은 김포/김해/제주공항의 주요 요인들에 영향을 미치지만 다른 3개 공항의 영향요인이 인천공항에 큰 영향을 미치지는 않는 것으로 보인다. 이는 우리나라의 60% 이상의 항공편을 운항하는 인천공항이 국내 ATM 시스템 영향에 미치는 영향력이 크기 때문인 것으로 분석된다. 마지막으로 시나리오 3인 피크타임 수용량 15% 증가 영향을 고려해도 정시성 및 비행시간효율성이 개선되는 효과를 확인하였다. 다만, 시나리오 2보다는 그 효과가 작게 나타났는데 이는 피크타임 수용량의 증가는 해당공항의 혼잡도 증가 영향도 가중될 수 있기 때문인 것으로 분석된다. 그러나 해당 시나리오에서 추가 TMA 비행시간의 감소가 처리교통량을 소폭 감소시키는 결과를 보였다(시나리오 1, 시나리오 2). 이러한 결과는 추가 TMA 비행시간 감소가 항공기의 체공시간 및 관제 벡터링 감소 등을 통해 운항 효율성을 개선하는 효과는 있으나, 활주로나 주기장 등 공항의 물리적 수용량(capacity)을 직접적으로 증가시키는 정책 수단은 아니기 때문으로 해석된다. 즉, TMA 비행시간 감소는 지연 감소 및 비행시간 단축 등 운항 효율성 개선에는 기여하지만 공항의 처리 가능한 항공편 수 자체를 증가시키지는 않기 때문에 처리교통량 증가로 직접적으로 이어지지 않을 수 있다. 반면 시나리오 3에서는 모든 공항의 추가 TMA 비행시간을 20% 감소시키는 동시에 출·도착 피크타임 수용량을 15% 증가시키는 경우를 가정하였다. 이 경우 도착 및 출발 지연율은 전반적으로 감소하는 동시에 처리교통량이 증가하는 결과가 나타났다. 예를 들어 인천공항의 처리교통량은 1,093편에서 1,244편으로 약 151편 증가하였으며, 제주공항, 김해공항, 김포공항에서도 각각 약 30~40편 수준의 처리교통량 증가가 나타났다. 이는 피크타임 수용량 증가가 공항의 처리능력을 확대함으로써 추가적인 항공 교통량을 수용할 수 있기 때문으로 해석된다.

Table 2.

The results for policy effect simulation

Category			2019		[Scenario 1] RKSI Additional TMA Flight Time Reduced by 20%		[Scenario 2] All Airport Additional TMA Flight Time Reduced by 20%		[Scenario 3] [Scenario 2] + 15% Increase in Departure/Arrival Peak Times at All Airports
Category			Mean	Sd	Effect	Change	Effect	Change	Effect	Change
Punctuality	Arrival delay rate (%)	RKSI	22.87	6.44	22.78	-0.09%p	22.78	-0.09%p	21.93	-0.94%p
		RKPC	23.89	14.36	18.41	-5.48%p	14.88	-9.01%p	19.17	-4.72%p
		RKPK	18.74	9.18	16.13	-2.61%p	14.19	-4.55%p	17.61	-1.13%p
		RKSS	21.16	10.42	17.69	-3.47%p	15.12	-6.04%p	18.92	-2.24%p
	Departure delay rate (%)	RKSI	21.85	8.08	21.74	-0.11%p	21.63	-0.22%p	22.06	0.21%p
		RKPC	23.54	12.77	19.33	-4.21%p	16.26	-7.28%p	20.57	-2.97%p
		RKPK	11.63	8.02	10.34	-1.29%p	8.91	-2.72%p	11.36	-0.27%p
		RKSS	12.21	8.15	10.72	-1.49%p	9.01	-3.2%p	11.57	-0.64%p
Efficiency of flight time	Arrival flight time (minute)	RKSI	60.00	3.00	59.47	-0.53	59.48	-0.52	59.78	-0.22
		RKPC	53.57	4.36	52.99	-0.58	51.64	-1.93	51.65	-1.92
		RKPK	51.16	3.51	50.60	-0.56	49.52	-1.64	51.00	-0.16
		RKSS	52.83	4.36	52.97	0.14	51.81	-1.02	52.46	-0.37
	Departure flight time (minute)	RKSI	62.71	3.19	62.98	0.27	63.00	0.29	62.35	-0.36
		RKPC	60.20	3.12	59.81	-0.39	59.52	-0.68	61.33	1.13
		RKPK	54.71	3.29	54.48	-0.23	54.36	-0.35	54.80	0.09
		RKSS	65.87	4.31	64.13	-1.74	63.86	-2.01	62.72	-3.15
Air traffic volume	Total volume (flight)	RKSI	1092.91	44.62	1089.35	-3.56	1089.35	-3.56	1243.65	150.7
		RKPC	481.04	23.56	455.64	-25.4	450.59	-30.5	511.93	30.89
		RKPK	298.99	17.39	292.17	-6.82	289.03	-9.96	330.47	31.48
		RKSS	385.4	16.36	382.16	-3.24	380.41	-4.99	428.61	43.21

또한, 이러한 변화량들이 유의미한 변화인지 확인하기 위해서 해당 지표의 표준편차와 비교해 보았는데 대부분 상대적으로 작은 수준으로 나타났다. 도착 지연률의 경우 대부분의 공항에서 표준편차 대비 변화량이 1보다 작게 나타났다. 그러나 지연율의 경우 다른 지표에 비해 변동성이 크게 나타난다. 일반적으로 각 공항의 3개년 평균 지연율은 약 7%~25%로 나타나는 반면 최대값은 60%~100%까지 나타나고 있다(Appendix 2 참조). 이는 지연율은 평상시에는 약 20% 내외로 값을 가지나 태풍, 적설 등 기상요건, 항공편 연결 등 외생적 요인이 발생하면 기하급수적으로 증가하기 때문이다. 따라서 추가 TMA 비행시간 감소를 통해 1%p~10%p까지 범위로 지연율을 개선하는 것은 표준편차 대비 변화량이 작더라도 의미 있는 결과로 분석된다. 또한, 비행시간효율성 측면에서도 표준편차 대비 변화량이 작게 나타났다. 이러한 결과는 시나리오에서 설정된 TMA 비행시간 감소의 절대적인 변화 폭이 매우 작기 때문으로 해석할 수 있다. 실제 분석 결과를 보면 도착 비행시간의 경우 약 0.5분 내외 수준의 감소가 나타났는데 이는 기상 조건, 항공교통량 변화, 활주로 운영 방식 등 항공교통 운영 과정에서 발생하는 일상적인 변동성과 비교할 때 상대적으로 작은 수준이다. 그러나 TMA 비행시간은 전체 비행시간에 비하면 약 30%에 해당하고 있어 추가 TMA 비행시간(약 3분~6분)의 감소효과가 비행시간 전체에 미치는 것은 제한적인 것으로 분석 된다²⁰⁾. 반면 처리 교통량(Traffic Volume)의 경우 일부 시나리오에서 변화량이 표준편차 대비 1보다 크게 나타나 다른 성과지표 대비 큰 변화가 나타났다. 특히 시나리오 3에서는 모든 공항에서 피크시간대 출발 및 도착 수요를 15% 증가시키는 조건이 추가되면서 처리 교통량이 기준 시나리오 대비 크게 증가하는 경향이 확인되었다. 예를 들어 인천 공항(RKSI)의 경우 총 교통량이 약 150편 이상 증가하는 것으로 나타났으며, 이는 해당 지표의 표준편차보다 큰 변화로 분석된다. 이러한 결과는 피크시간대 수요 증가가 공항의 처리용량 활용도에 직접적인 영향을 미치기 때문으로 해석된다. 즉 TMA 비행시간 감소는 개별 항공기의 비행 효율성에는 일부 영향을 줄 수 있지만 전체 시스템 성과지표에 미치는 영향은 제한적인 반면, 피크시간대 교통량 증가는 공항 및 공역의 처리 용량과 직접적으로 연결되기 때문에 처리 교통량 변화에는 보다 유의미한 영향을 미치는 것으로 보인다.

따라서 추가 TMA 비행시간의 변화는 비행시간 감소를 크게 개선하기는 어렵지만 지연율과 피크시간대 교통량 관리와 같은 수요 측면의 변화로 공항 시스템의 성능에 보다 직접적인 영향을 미칠 수 있음을 시사한다.

(가정) 시나리오 1, 인천공항 도착항공편의 추가 TMA 비행시간 20% 감소(2019년 대비),

(가정) 시나리오 2, 모든공항 도착항공편의 추가 TMA 비행시간 20% 감소(2019년 대비)

(가정) 시나리오 3, 모든공항 도착항공편의 추가 TMA 비행시간 20% 감소(2019년 대비),

모든공항 출/도착 항공편 피크타임수용량 15% 증가(2019년 대비)

결론 및 시사점

ATM 시스템 체계에 대한 정책 의사결정 지원을 위해서 정책 의사결정지원모형(DSM)을 구축하였다. 개별 항공편의 움직임은 서로 상호영향을 주고 받으며, 이러한 영향관계는 동시에 결정된다. 다양한 요인들의 상호연관관계를 반영하기 위해서 거시적인 측면에서의 정책효과 변화를 추정하는 모형인 연립방정식체계모형 방법론을 차용하였다. DSM 모형은 외부요인 변화에 인해 발생하는 각 공항들의 내생변수 즉, 성능목표가 어떻게 변화하는지를 살펴볼 수 있다. 특히, DSM 모형은 ATM 정책 관리자들의 의사결정을 지원하기 위해서 국가항행계획(NARAE)에서의 성능목표를 확인할 수 있는 모형을 기반으로 구성하였으며, 그 중 데이터 수집이 가능한 비행시간효율성, 정시성, 처리교통량을 중심으로 모형화하였다.

본 연구모형은 항공기 움직임에 따른 동시 결정요인들을 ATM System-Wide 측면에서 살펴 보았다는 점에 의의가 있다. 실제 다른 공항에서의 항공편들이 또 다른 공항에서의 지연율 등 주요 지표에 영향을 주는지는 계량적으로 확인할 수 있었다. 다만, DSM 모형에는 항공기 움직임을 설명하는 요인들 중 비행시간, 정시성, 처리교통량 중심으로만 모형화 되었다는 한계가 있다. 실제 위 3가지 성능목표 외에도 연료효율, 순항고도, 속도 등 공역 상에서의 더 세분화된 특성요인, 관제사 특성, 공항별 특성 요인 등 ATM을 결정하는 다양한 요인들이 존재한다. 다만, 이러한 요인들은 데이터로 식별하기에는 아직 한계가 존재한다. 추후 데이터 식별 또는 수집이 추가적으로 이루어진다면 항공교통관리(ATM) 시스템을 총괄적으로 고려할 수 있는 모형 고도화가 이루어질 수 있을 것으로 기대한다.

Funding

This research was supported by the Korea Agency for Infrastructure Technology Advancement(KAIA) grant funded by the Ministry of Land, Infrastructure and Transport(MOLIT) (RS-2021-KA163373).

부록

Appendix 1.

Identifying endogenous and exogenous variables

Arr /Dep	Variables code	Variables name	Variable identification	Key performance
Arrival	A_RKPC_Aspace	Airspace flight time	Endogenous	Efficiency of flight time
	A_RKPC_Cont_Aspace	Controlled airspace flight time	Exogenous
	A_RKPC_MOA_Aspace	MOA flight time	Exogenous
	A_RKPC_TMA	TMA flight time	Endogenous	Efficiency of flight time
	A_RKPC_add_TMA	Additional TMA flight time	Exogenous
	A_RKPC_cancel_r	Cancellation rate	Exogenous
	A_RKPC_cloud	Cloud amount	Exogenous(weather)
	A_RKPC_delay	In/off block punctuality	Endogenous	Punctuality
	A_RKPC_delay_r	Delay rate	Endogenous	Punctuality
	A_RKPC_flightT	Flight time(airspace+tma+taxi time)	Endogenous	Efficiency of flight time
	A_RKPC_op	Volume of arrival flights	Endogenous	Air traffic volume
	A_RKPC_op_china	Volume of arrival flights(china route)	Exogenous
	A_RKPC_op_domestic	Volume of arrival flights(domestic)	Exogenous
	A_RKPC_op_japanP	Volume of arrival flights(japan route)	Exogenous
	A_RKPC_peak	Number of peak-time flights(arrival)	Exogenous
	A_RKPC_rain	Precipitation	Exogenous(weather)
	A_RKPC_rwy25	Number of arrivals(runway 25)	Exogenous
	A_RKPC_rwy7	Number of arrivals(runway 7)	Exogenous
	A_RKPC_snow	Snowfall	Exogenous(weather)
	A_RKPC_taxiout	Taxi time	Endogenous	Efficiency of flight time
	A_RKPC_vis	VIS (low visibility indicator)	Exogenous(weather)
	A_RKPC_windy_speed	Wind speed	Exogenous(weather)
	A_RKPK_Aspace	Airspace flight time	Endogenous	Efficiency of flight time
	A_RKPK_Avis	VIS(low visibility indicator of airmet)	Exogenous(weather)
	A_RKPK_Awindy	Wind speed(wind shear of airmet)	Exogenous(weather)
	A_RKPK_Cont_Aspace	Controlled airspace flight time	Exogenous
	A_RKPK_MOA_Aspace	MOA flight time	Exogenous
	A_RKPK_TMA	TMA flight time	Endogenous	Efficiency of flight time
	A_RKPK_add_TMA	Additional TMA flight time	Exogenous
	A_RKPK_cancel_r	Cancellation rate	Exogenous
	A_RKPK_delay	In/off block punctuality	Endogenous	Punctuality
	A_RKPK_delay_r	Delay rate	Endogenous	Punctuality
	A_RKPK_flightT	Flight time(airspace+TMA+taxi time)	Endogenous	Efficiency of flight time
	A_RKPK_op	Volume of arrival flights	Endogenous	Air traffic volume
	A_RKPK_op_china	Volume of arrival flights(china route)	Exogenous
	A_RKPK_op_domestic	Volume of arrival flights(domestic)	Exogenous
	A_RKPK_op_japanP	Volume of arrival flights(japan route)	Exogenous
	A_RKPK_peak	Number of peak-time flights(arrival)	Exogenous
	A_RKPK_rwy18	Number of arrivals(runway 18)	Exogenous
	A_RKPK_rwy36	Number of arrivals(runway 36)	Exogenous
	A_RKPK_taxiout	Taxi time	Endogenous	Efficiency of flight time Air traffic volume
	A_RKSI_Aspace	Airspace flight time	Endogenous	Efficiency of flight time
	A_RKSI_Cont_Aspace	Controlled airspace flight time	Exogenous
	A_RKSI_MOA_Aspace	MOA flight time	Exogenous
	A_RKSI_TMA	TMA flight time	Endogenous	Efficiency Of flight time
	A_RKSI_add_TMA	Additional TMA flight time	Exogenous
	A_RKSI_cancel_r	Cancellation rate	Exogenous
	A_RKSI_cloud	Cloud amount	Exogenous(weather)
	A_RKSI_delay	In/off block punctuality	Endogenous	Punctuality
	A_RKSI_delay_r	Delay rate	Endogenous	Punctuality
	A_RKSI_flightT	Flight time(airspace+TMA+taxi time)	Endogenous	Efficiency of flight time
	A_RKSI_op	Volume of arrival flights	Endogenous	Air traffic volume
	A_RKSI_op_EU	Volume of arrival flights(europe route)	Exogenous
	A_RKSI_op_NAmerica	Volume of arrival flights(north america)	Exogenous
	A_RKSI_op_china	Volume of arrival flights(china route)	Exogenous
	A_RKSI_op_domestic	Volume of arrival flights(domestic)	Exogenous
	A_RKSI_op_eastAsia	Volume of arrival flights(southeast asia)	Exogenous
	A_RKSI_op_japanP	Volume of arrival flights(japan route)	Exogenous
	A_RKSI_op_longd	Volume of arrival flights (other long-distance routes)	Exogenous
	A_RKSI_peak	Number of peak-time flights(arrival)	Exogenous
	A_RKSI_rain	Precipitation	Exogenous(weather)
	A_RKSI_rwy1516	Number of arrivals(runway 15, 16)	Exogenous
	A_RKSI_rwy3334	Number of arrivals(runway 33, 34)	Exogenous
	A_RKSI_snow	Snowfall	Exogenous(weather)
A_RKSI_taxiout	Taxi time	Endogenous	Efficiency of flight time
A_RKSI_vis	VIS (low visibility indicator)	Exogenous(weather)
A_RKSI_windy_speed	Wind speed	Exogenous(weather)
A_RKSS_Aspace	Airspace flight time	Endogenous	Efficiency of flight time
A_RKSS_Cont_Aspace	Controlled airspace flight time	Exogenous
A_RKSS_MOA_Aspace	MOA flight time	Exogenous
A_RKSS_TMA	TMA flight time	Endogenous	Efficiency of flight time
A_RKSS_add_TMA	Additional TMA flight time	Exogenous
A_RKSS_cancel_r	Cancellation rate	Exogenous
A_RKSS_cloud	Cloud amount	Exogenous(weather)
A_RKSS_delay	In/off block punctuality	Endogenous	Punctuality
A_RKSS_delay_r	Delay rate	Endogenous	Punctuality
A_RKSS_flightT	Flight time(airspace+TMA+taxi time)	Endogenous	Efficiency of flight time
A_RKSS_op	Volume of arrival flights	Endogenous	Air traffic volume
A_RKSS_op_china	Volume of arrival flights(china route)	Exogenous
A_RKSS_op_domestic	Volume of arrival flights(domestic)	Exogenous
A_RKSS_op_eastAsia	Volume of arrival flights(southeast asia)	Exogenous
A_RKSS_op_japanP	Volume of arrival flights(japan route)	Exogenous
A_RKSS_peak	Number of peak-time flights(arrival)	Exogenous
A_RKSS_rain	Precipitation	Exogenous(weather)
A_RKSS_rwy14	Number of arrivals(runway 14)	Exogenous
A_RKSS_rwy32	Number of arrivals(runway 32)	Exogenous
A_RKSS_snow	Snowfall	Exogenous(weather)
A_RKSS_taxiout	Taxi time	Endogenous	Efficiency of flight time
A_RKSS_vis	VIS (low visibility indicator)	Exogenous(weather)
A_RKSS_windy_speed	Wind speed	Exogenous(weather)
A_total_flight	Total volume of arrival flights (RKSI+RKSS+RKPK+RKPC)	Endogenous	Air traffic volume
Departure	D_RKPC_Cont_Aspace	Controlled airspace flight time	Exogenous
	D_RKPC_FIRAspace	Fir flight time	Endogenous	Efficiencyof flight time
	D_RKPC_MOA_Aspace	MOA flight time	Exogenous
	D_RKPC_cancel_r	Cancellation rate	Exogenous
	D_RKPC_delay	In/off block punctuality	Endogenous	Punctuality
	D_RKPC_delay_r	Delay rate	Endogenous	Punctuality
	D_RKPC_flightT	Flight time(taxi time+FIR flight time)	Endogenous	Efficiency of flight time
	D_RKPC_op	Volume of departure flights	Endogenous	Air traffic volume
	D_RKPC_peak	Number of peak-time flights(departure)	Exogenous
	D_RKPC_rain	Precipitation	Exogenous(weather)
	D_RKPC_rwy25	Number of departure(runway 25)	Exogenous
	D_RKPC_rwy7	Number of departure(runway 7)	Exogenous
	D_RKPC_snow	Snowfall	Exogenous(weather)
	D_RKPC_taxiout	Taxi time	Endogenous	Efficiency of flight time
	D_RKPC_vis	VIS (low visibility indicator)	Exogenous(weather)
	D_RKPC_windy_speed	Wind speed	Exogenous(weather)
	D_RKPK_Avis	Vis(low visibility indicator of airmet)	Exogenous(weather)
	D_RKPK_Awindy	Wind speed(wind shear of airmet)	Exogenous(weather)
	D_RKPK_Cont_Aspace	Controlled airspace flight time	Exogenous
	D_RKPK_FIRAspace	FIR flight time	Endogenous	Efficiency of flight time
	D_RKPK_MOA_Aspace	MOA flight time	Exogenous
	D_RKPK_cancel_r	Cancellation rate	Exogenous
	D_RKPK_delay	In/off block punctuality	Endogenous	Punctuality
	D_RKPK_delay_r	Delay rate	Endogenous	Punctuality
	D_RKPK_flightT	Flight time(taxi time+FIR flight time)	Endogenous	Efficiency of flight time
	D_RKPK_op	Volume of departure flights	Endogenous	Air traffic volume
	D_RKPK_peak	Number of peak-time flights(departure)	Exogenous
	D_RKPK_rwy18	Number of departure(runway 18)	Exogenous
	D_RKPK_rwy36	Number of departure(runway 36)	Exogenous
	D_RKPK_taxiout	Taxi time	Endogenous	Efficiency Of flight time
	D_RKSI_Cont_Aspace	Controlled airspace flight time	Exogenous
	D_RKSI_Deptaxi_queing	Maneuvering area taxing time	Exogenous
	D_RKSI_FIRAspace	FIR flight time	Endogenous	Efficiency of flight time
	D_RKSI_MOA_Aspace	MOA flight time	Exogenous
	D_RKSI_cancel_r	Cancellation rate	Exogenous
	D_RKSI_delay	In/off block punctuality	Endogenous	Punctuality
	D_RKSI_delay_r	Delay rate	Endogenous	Punctuality
	D_RKSI_flightT	Flight time(taxi time+FIR flight time)	Endogenous	Efficiency of flight time
	D_RKSI_op	Volume of departure flights	Endogenous	Air traffic volume
	D_RKSI_peak	Number of peak-time flights(departure)	Exogenous
	D_RKSI_rain	Precipitation	Exogenous(weather)
	D_RKSI_rwy1516	Number of departure(runway 15, 16)	Exogenous
	D_RKSI_rwy3334	Number of departure(runway 33, 34)	Exogenous
	D_RKSI_snow	Snowfall	Exogenous(weather)
	D_RKSI_taxiout	Taxi time	Endogenous	Efficiency of flight time
	D_RKSI_vis	VIS (low visibility indicator)	Exogenous(weather)
	D_RKSI_windy_speed	Wind speed	Exogenous(weather)
	D_RKSS_Cont_Aspace	Controlled airspace flight time	Exogenous
	D_RKSS_FIRAspace	FIR flight time	Endogenous	Efficiency of flight time
	D_RKSS_MOA_Aspace	MOA flight time	Exogenous
	D_RKSS_cancel_r	Cancellation rate	Exogenous
	D_RKSS_delay	In/off block punctuality	Endogenous	Punctuality
	D_RKSS_delay_r	Delay rate	Endogenous	Punctuality
	D_RKSS_flightT	Flight time(taxi time+FIR flight time)	Endogenous	Efficiency of flight time
	D_RKSS_op	Volume of departure flights	Endogenous	Air traffic volume
	D_RKSS_peak	Number of peak-time flights(departure)	Exogenous
	D_RKSS_rain	Precipitation	Exogenous(weather)
	D_RKSS_rwy14	Number of departure(runway 14)	Exogenous
	D_RKSS_rwy32	Number of departure(runway 32)	Exogenous
	D_RKSS_snow	Snowfall	Exogenous(weather)
	D_RKSS_taxiout	Taxi time	Endogenous	Efficiency of flight time
	D_RKSS_vis	VIS (low visibility indicator)	Exogenous(weather)
	D_RKSS_windy_speed	Wind speed	Exogenous(weather)
	D_total_flight	Total volume of departure flights (RKSI+RKSS+RKPK+RKPC)	Endogenous	Air traffic volume
Total	RKPC_op	Total volume of RKPC(departure+arrival)	Endogenous	Air traffic volume
	RKPK_op	Total volume of RKPK(departure+arrival)	Endogenous	Air traffic volume
	RKSI_op	Total volume of RKSI(departure+arrival)	Endogenous	Air traffic volume
	RKSS_op	Total volume of RKSS(departure+arrival)	Endogenous	Air traffic volume
Air space	A_east_route	Airspace traffic volume of arrival flights(east route)	Exogenous
	A_south_east_route	Airspace traffic volume of arrival flights(south east route)	Exogenous
	A_south_west_route	Airspace traffic volume of arrival flights(south west route)	Exogenous
	A_west_route	Airspace traffic volume of arrival flights(west route)	Exogenous
	D_east_route	Airspace traffic volume of departure flights (east route)	Exogenous
	D_south_east_route	Airspace traffic volume of departure flights (south east route)	Exogenous
	D_south_west_route	Airspace traffic volume of departure flights (south west route)	Exogenous
	D_west_route	Airspace traffic volume of departure flights (west route)	Exogenous
	Sigmet_thstorm	Thunderstorm(airspace)	Exogenous(weather)
	S_thstorm_east_sector	Thunderstorm(east sector)	Exogenous(weather)
	S_thstorm_east_south_sector	Thunderstorm(east_south sector)	Exogenous(weather)
	S_thstorm_jeju_sector	Thunderstorm(jeju sector)	Exogenous(weather)
	S_thstorm_west_central_sector	Thunderstorm(west central sector)	Exogenous(weather)
	S_thstorm_west_sector	Thunderstorm(west sector)	Exogenous(weather)
	Sigmet_herri	Typhoon/hurricane(airspace)	Exogenous(weather)
	Sigmet_turbu	Turbulence(airspace)	Exogenous(weather)
Season		Seasonal dummy (Q1, Q2, Q3, Q4)	Exogenous(dummy)
Year		Dummy(year)	Exogenous(dummy)

Appendix 2.

Descriptive statistics of endogenous variables

Category	Dep/Arr	Airport	Variables	Mean	SD	Min	Median	Max
Efficiency of flight time	Arrival	RKPC	A_RKPC_Aspace	30.40	3.63	0.93	30.46	45.25
			A_RKPC_TMA	14.62	2.64	9.13	14.45	39.68
			A_RKPC_flightT	50.07	5.63	20.24	49.68	88.66
			A_RKPC_taxiout	5.06	0.79	3.75	4.86	7.93
		RKPK	A_RKPK_Aspace	26.12	3.88	6.10	25.83	39.24
			A_RKPK_TMA	11.30	1.48	7.47	11.24	21.16
			A_RKPK_flightT	46.58	5.09	25.72	46.24	68.52
			A_RKPK_taxiout	9.16	0.68	6.84	9.23	14.00
		RKSI	A_RKSI_Aspace	30.41	3.09	15.53	30.27	44.94
			A_RKSI_TMA	16.95	1.38	14.00	16.80	23.86
			A_RKSI_flightT	56.26	4.22	40.93	55.84	79.11
			A_RKSI_taxiout	8.90	0.92	6.18	9.08	12.03
		RKSS	A_RKSS_Aspace	30.56	3.28	6.30	30.80	41.50
			A_RKSS_TMA	12.12	1.92	6.45	11.81	33.85
			A_RKSS_flightT	50.87	4.40	21.34	51.11	82.87
			A_RKSS_taxiout	8.19	0.74	4.87	8.22	12.10
	Departure	RKPC	D_RKPC_FIRAspace	41.82	2.77	6.08	41.70	65.60
			D_RKPC_flightT	59.03	3.54	23.22	58.85	93.43
			D_RKPC_taxiout	17.21	2.88	11.71	17.14	56.50
		RKPK	D_RKPK_FIRAspace	38.12	3.03	19.26	38.08	55.07
			D_RKPK_flightT	51.57	4.05	34.06	51.57	71.34
			D_RKPK_taxiout	13.45	2.37	9.73	12.97	28.36
		RKSI	D_RKSI_FIRAspace	44.74	2.69	28.58	44.71	57.90
			D_RKSI_flightT	61.40	3.92	43.45	61.32	82.24
			D_RKSI_taxiout	16.65	2.43	13.07	16.46	37.78
		RKSS	D_RKSS_FIRAspace	46.87	3.43	24.17	46.71	69.89
			D_RKSS_flightT	61.99	4.86	39.70	61.56	86.79
			D_RKSS_taxiout	15.12	2.24	9.00	14.97	28.15
Punctuality	Arrival	RKPC	A_RKPC_delay¹⁾	0.80	6.66	-11.50	1.00	96.20
		RKPC	A_RKPC_delay_r	14.48	14.15	0.00	10.32	93.57
		RKPK	A_RKPK_delay¹⁾	-0.14	5.93	-13.95	1.00	141.00
		RKPK	A_RKPK_delay_r	12.17	9.72	0.00	10.51	88.24
		RKSI	A_RKSI_delay¹⁾	-3.86	5.73	-20.00	-4.00	40.50
		RKSI	A_RKSI_delay_r	24.81	6.89	6.78	24.20	67.80
		RKSS	A_RKSS_delay¹⁾	3.59	4.47	-10.00	3.00	67.80
		RKSS	A_RKSS_delay_r	14.97	11.54	0.00	13.17	69.27
	Departure	RKPC	D_RKPC_delay¹⁾	2.65	11.34	-5.00	1.00	337.00
		RKPC	D_RKPC_delay_r	15.48	13.49	0.00	12.16	100.00
		RKPK	D_RKPK_delay¹⁾	-0.35	2.79	-9.85	1.00	43.00
		RKPK	D_RKPK_delay_r	7.93	7.64	0.00	6.64	80.95
		RKSI	D_RKSI_delay¹⁾	0.39	4.94	-9.00	1.00	51.00
		RKSI	D_RKSI_delay_r	19.41	6.82	3.99	18.59	71.51
		RKSS	D_RKSS_delay¹⁾	1.30	2.30	-4.00	1.00	21.00
		RKSS	D_RKSS_delay_r	9.27	8.21	0.00	7.47	61.79
Air traffic volume	Arrival	RKPC	A_RKPC_op	214.49	37.75	920.00	230.00	279.00
		RKPK	A_RKPK_op	103.72	40.24	23.00	92.00	178.00
		RKSI	A_RKSI_op	303.81	189.11	72.00	184.00	599.00
		RKSS	A_RKSS_op	183.52	31.14	80.00	191.00	253.00
		Total volume of arrival	A_total_flight	805.55	263.88	304.00	700.00	1213.00
	Departure	RKPC	D_RKPC_op	221.09	37.23	92.00	236.00	283.00
		RKPK	D_RKPK_op	101.16	38.28	22.00	91.00	179.00
		RKSI	D_RKSI_op	310.87	191.53	76.00	190.00	617.00
		RKSS	D_RKSS_op	183.37	30.80	79.00	191.00	253.00
		Total volume of arrival	D_total_flight	816.49	260.11	307.00	729.00	1216.00
	Total	RKPC	RKPC_op	435.58	72.85	186.00	456.00	562.00
		RKPK	RKPK_op	204.88	78.44	46.00	183.00	357.00
		RKSI	RKSI_op	614.68	380.26	148.00	372.00	1214.00
		RKSS	RKSS_op	366.89	61.83	159.00	383.00	506.00

note : 주기장 지연시간은 스케쥴시간과 실제시간의 차이로 계산하는데 스케쥴시간 보다 더 빨리 이현 또는 접현 하는 경우가 존재하기 때문에 마이너스(-) 값이 존재한다.

Estimation results of the DSM model

주요 행태방정식을 중심으로 DSM 모형의 추정 결과를 제시한다. 본 연구모형은 총 44개의 행태방정식으로 구성되어 있어 모든 추정 결과를 상세히 제시하기에는 한계가 있으므로 시나리오 분석을 중심으로 주요 행태방정식의 결과를 제시한다. 특히, TMA 비행시간(비행시간 효율성), 주기장지연시간(정시성), 처리교통량을 중심으로 분석 결과를 정리하였다. 또한, 전체 44개 행태방정식에 대한 변수 간 관계의 방향성과 통계적 유의성을 종합적으로 확인하기 위해 전체 추정 결과를 그림으로 시각화하여 제시하였다.

다음은 TMA 비행시간에 대한 행태방정식 추정 결과이다. 모든 공항에서 추가 TMA비행시간은 매우 유의미한 변수로 확인되어 비행시간 증가에 직접적인 영향을 미쳤다. 또한 출발 피크시간은 일부 공항에서 유의한 영향을 보이며 출발 혼잡 증가가 도착편 TMA 비행시간을 증가시키는 것을 확인할 수 있었고, 도착 피크시간 역시 일부 공항에서 유의성을 보여 혼잡시 TMA비행시간이 증가하는 것을 확인하였다. 기상요인 중 저시정과 풍속은 인천공항(RKSI)에서만 유의한 양(+)의 영향을 보인 반면 다른 공항에서는 통계적 유의성이 낮아 지역별 기상 민감도의 차이가 나타났다.

Appendix 3.

(Efficiency of Flight time) Estimation results of the TMA flight time model

A_RKSI_TMA		A_RKPC_TMA		A_RKPK_TMA		A_RKSS_TMA
Constant	13.027^*** (0.050)	Constant	7.525^*** (0.185)	Constant	5.471^*** (0.052)	Constant	5.946^*** (0.113)
A_RKSI_vis	0.000^*** (0.000)	A_RKPC_vis	0.000 (0.000)	A_RKPK_Avis	0.05 (0.044)	A_RKSS_vis	0.000 (0.000)
D_RKSI_peak	0.026^*** (0.005)	D_RKPC_peak	0.044^*** (0.014)	D_RKPK_peak	0.039^*** (0.010)	D_RKSS_peak	0.014 (0.010)
A_RKSI_peak	0.006 (0.004)	A_RKPC_peak	0.013 (0.020)	A_RKPK_peak	0.029^*** (0.008)	A_RKSS_peak	0.020^** (0.008)
RKSI_op	0.000 (0.000)	RKPC_op	0.003^*** (0.001)	RKPK_op	0.002^*** (0.001)	RKSS_op	0.002^*** (0.001)
A_RKSI_windy_ speed	0.019^*** (0.002)	A_RKPC_windy_ speed	-0.006 (0.004)	A_RKPK_Awindy	-0.03 (0.042)	A_RKSS_windy_ speed	-0.002 (0.004)
A_RKSI_rwy1516	0.001^*** (0.000)	A_RKPC_rwy7	0.005^*** (0.000)	A_RKPK_rwy18	0.003^*** (0.001)	A_RKSS_rwy14	0.011*** (0.000)
A_RKSI_add_ TMA	0.853^*** (0.010)	A_RKPC_add_ TMA	1.086^*** (0.012)	A_RKPK_add_ TMA	1.104^*** (0.011)	A_RKSS_add_ TMA	1.221*** (0.012)
		A_RKPC_snow	0.001 (0.005)
No. variables	8	No. variables	9	No. variables	8	No. variables	8
R²	0.943	R²	0.923	R²	0.928	R²	0.942
Adj.R²	0.943	Adj.R²	0.922	Adj.R²	0.928	Adj.R²	0.941
F-stat	2566.8^***	F-stat	1625.6^***	F-stat	2018.3^***	F-stat	2517.5***
N	1096	N	1096	N	1096	N	1096

note: *** p<0.01,

** p<0.05,

* p<0.1

다음은 도착편 주기장 지연시간에 대한 행태방정식 추정 결과이다. 모든 공항에서 TMA 비행시간이 유의한 양(+)의 영향을 미쳐 TMA 비행시간 증가가 주기장 지연으로 연계·전이되는 구조를 확인하였다. 기상요인의 경우 태풍, 풍속은 전반적으로 주기장 지연을 증가시키는 방향으로 작용했으며, 천둥번개의 경우 제주공항(RKPC) 및 김해공항(RKPK)은 주기장 지연으로 연결되는 반면, 인천공항(RKSI)은 큰 영향을 받지 않았다. 특히 출발편의 지연이 도착편 지연에도 유의미한 영향을 주는 것을 확인하였는데 국제선 비중이 높은 인천공항(RKSI)은 시차를 둔 출발 지연이 도착 지연으로 이어졌으며, 국내선 위주인 김포, 김해, 제주공항은 서로의 출발 지연이 도착 지연에도 영향을 주는 것을 확인하였다.

Appendix 4.

(Punctuality) Estimation results of the in/off block punctuality model

A_RKSI_delay		A_RKPC_delay		A_RKPK_delay		A_RKSS_delay
Constant	-37.132^*** (1.982)		-19.890^*** (1.290)		-11.047^*** (1.023)		-8.256^*** (1.069)
A_RKSI_TMA	1.190^*** (0.110)	A_RKPC_TMA	1.249^*** (0.054)	A_RKPK_TMA	0.732^*** (0.102)	A_RKSS_TMA	0.513^*** (0.050)
RKSI_op	0.008 (0.007)	RKPC_op	0.003 (0.003)	RKPK_op	0.010^*** (0.002)	RKSS_op	0.010^*** (0.002)
Sigmet_herri	6.841^*** (0.950)	Sigmet_herri	5.367^*** (0.985)	Sigmet_herri	5.739^*** (0.918)	Sigmet_herri	0.398 (0.759)
Sigmet_thstorm	-0.395 (0.266)	Sigmet_thstorm	0.531^* (0.281)	Sigmet_thstorm	0.955^*** (0.258)	Sigmet_thstorm	-0.004 (0.214)
A_RKSI_ windy_speed	0.116^*** (0.030)	A_RKPC_ windy_speed	0.056** (0.024)	A_RKPK_ Awindy	0.614 (0.435)	A_RKSS_ windy_speed	0.077^*** (0.029)
A_RKSI_snow	0.128^*** (0.041)	A_RKPC_snow	0.182^*** (0.043)			A_RKSS_snow	0.059 (0.053)
A_RKSI_vis	0.000 (0.000)	A_RKPC_vis	-0.000^*** (0.000)	A_RKPK_Avis	1.264^*** (0.454)	A_RKSS_vis	(0.000) 0.000
A_RKSI_rain	-0.003 (0.003)	A_RKPC_rain	-0.001 (0.003)			A_RKSS_rain	0.005 (0.004)
A_RKSI_op_ NAmerica	0.162^*** (0.021)
A_RKSI_op_ china	0.082^*** (0.022)
A_RKSI_op_EU	-0.021 (0.028)
A_RKSI_op_ eastAsia	-0.054^*** (0.018)
A_RKSI_op_ japanP	-0.008 (0.020)
TSLAG(D_RKSI _delay,1)	0.089** (0.041)
D_RKPC_delay			0.023^* (0.013)				0.076^*** (0.009)
D_RKSS_delay			1.056^*** (0.067)		0.214^*** (0.061)		0.853^*** (0.058)
D_RKPK_delay					1.247^*** (0.051)		0.108^*** (0.041)
No. variables	15	No. variables	11	No. variables	9	No. variables	12
R²	0.573	R²	0.65	R²	0.547	R²	0.53
Adj.R²	0.567	Adj.R²	0.647	Adj.R²	0.543	Adj.R²	0.524
F-stat	96.1^***	F-stat	182.1^***	F-stat	144.9^***	F-stat	101.0^***
N	1096	N	1096	N	1096	N	1096

note: ***p<0.01,

**p<0.05,

*p<0.1

다음은 출발 처리교통량에 대한 행태방정식 추정 결과이다. 모든 공항에서 출발 피크시간 교통량은 매우 유의한 양(+)의 영향을 보여 혼잡 시간대에 출발 처리교통량이 크게 증가하였다. 지상이동시간 역시 인천(RKSI), 제주(RKPC), 김해(RKPK)에서 유의한 양(+)의 영향을 보여 지상 이동시간 증가가 출발처리량과 밀접하게 연관되는 것으로 나타났으나, 김포(RKSS)에서는 유의성이 낮아 공항별 차이가 존재한다. 반면 강설과 풍속은 전반적으로 음(-)의 영향을 보여 기상 악화 시 출발 처리량이 감소하는 것을 확인하였다. 한편 주기장 지연시간은 인천, 김해, 김포공항에서 유의한 양(+)의 영향을 보여 혼잡 및 운영 부담 증가 상황에서 지연과 처리교통량이 함께 증가하는 경향을 보였다. 또한, 김포·김해·제주공항에서는 출발 결항률이 출발 처리량에 유의한 음(-)의 영향을 보였으며, 인천공항은 CTOT 발부 수 증가가 처리교통량 증가로 이어졌으며 푸시백 지연시간의 증가는 출발편 처리교통량을 감소시키는 것을 확인하였다.

Appendix 5.

(Air Traffic Volume) Estimation results of the air traffic volumes model

D_RKSI_op		D_RKPC_op		D_RKPK_op		D_RKSS_op
Constant	-11.893 (9.319)	Constant	-25.176^*** (5.202)	Constant	3.148 (2.082)	Constant	31.965^*** (4.451)
D_RKSI_peak	12.388^*** (0.114)	D_RKPC_peak	9.037^*** (0.226)	D_RKPK_peak	7.965^*** (0.110)	D_RKSS_peak	8.770^*** (0.196)
D_RKSI_taxiout	1.281^** (0.561)	D_RKPC_taxiout	4.026^*** (0.287)	D_RKPK_taxiout	0.621^*** (0.206)	D_RKSS_taxiout	0.271 (0.207)
D_RKSI_snow	-0.822^** (0.390)	D_RKPC_snow	-1.523^*** (0.198)	D_RKPK_Avis	-0.621 (1.147)	D_RKSS_snow	-0.138 (0.278)
D_RKSI_ windy_speed	-0.347^* (0.208)	D_RKPC_ windy_speed	-0.028 (0.102)	D_RKPK_ Awindy	-0.572 (1.101)	D_RKSS_ windy_speed	-0.322^*** (0.123)
TSLAG(A_RKSI _delay,1)	0.939^*** (0.182)	D_RKPC_delay	0.029 (0.078)	D_RKPK_delay	0.896^*** (0.118)	D_RKSS_delay	0.885^*** (0.240)
D_RKSI_cancel_r	-0.909 (0.812)	D_RKPC_cancel_r	-0.568^*** (0.091)	D_RKPK_cancel_r	-0.420^*** (0.043)	D_RKSS_cancel_r	-0.452^*** (0.074)
Sigmet_herri	4.39 (6.738)	Sigmet_herri	4.199 (4.619)	Sigmet_herri	0.384 (2.625)	Sigmet_herri	0.462 (3.691)
D_RKSI_delay_ CTOT_N	0.460^*** (0.051)
D_RKSI_delay_ takeoff	-0.106 (2.021)
D_RKSI_delay_ pushback	-3.098^*** (0.744)
COVID	-55.441^*** (4.182)			COVID	-34.847^*** (2.152)
No. variables	12	No. variables	8	No. variables	9	No. variables	8
R²	0.976	R²	0.755	R²	0.928	R²	0.774
Adj.R²	0.976	Adj.R²	0.753	Adj.R²	0.928	Adj.R²	0.772
F-stat	4440.6^***	F-stat	478.6^***	F-stat	2003.7^***	F-stat	531.8^***
N	1096	N	1096	N	1096	N	1096

note: ***p<0.01,

**p<0.05,

*p<0.1

https://cdn.apub.kr/journalsite/sites/kst/2026-044-04/N0210440403/images/kst_2026_444_538_F8.jpg

Appendix 6

Coefficient matrix with significance

https://cdn.apub.kr/journalsite/sites/kst/2026-044-04/N0210440403/images/kst_2026_444_538_F9.jpg

Appendix 7

Results of historical simulations

References

Allan S. S., Gaddy S. G., Evans J. E. (2001), Delay Causality and Reduction at the New York City Airports using Terminal Weather Information Systems (No.ATC-291), Cambridge, Mass, USA: Lincoln Laboratory, Massachusetts Institute of Technology.

Burden R. L., Faires J. D. (1997), Numerical Analysis, brooks.

Fair R. C. (1984), Specification, Estimation, and Analysis of Macroeconometric Models, Harvard University Press.

Gilbo E. P. (2002), Optimizing Airport Capacity Utilization in Air Traffic Flow Management Subject to Constraints at Arrival and Departure Fixes, IEEE Transactions on Control Systems Technology, 5(5), IEEE, 490-503.

10.1109/87.623035

Greene W. H. (2012), Econometric Analysis, 7th Ed., Prentice Hall.

Hao L., Hansen M., Zhang Y., Post J. (2014), New York, New York: Two Ways of Estimating the Delay Impact of New York Airports, Transportation Research Part E: Logistics and Transportation Review, 70, Elsevier, 245-260.

10.1016/j.tre.2014.07.004

ICAO D. (2009), 9883—Manual on Global Performance of the Air Navigation System, ICAO: Montreal, QC, Canada.

Jeong M. S., Eun Y. J., Kim H. K., Jeon D. K. (2017), A Study on Taxi Route Extraction Based on a Node-Link Model for Aircraft Movements on Airport Surface, Journal of the Korean Society for Aviation and Aeronautics, 25(3), 51-60.

Kim J. H., Seo Y. S. (2020), A Study on Variable Taxi Time Prediction, Journal of Transport Research, 27(3), The Korea Transport Institute, 35-49.

Kim S. Y., Jeon D. K., Eun Y. J. (2018), A Development of Data-Driven Aircraft Taxi Time Prediction Algorithm, Journal of the Korean Society for Aviation and Aeronautics, 26(2), 39-46.

10.12985/KSAA.2018.26.2.039

Lerman S. R. (1976), Location, Housing, Automobile Ownership, and Mode to Work: A Joint Choice Model, Transportation Research Record, 610, 6-11.

Nayak N. (2012), Estimation of the Impact of Single Airport and Multi-Airport System Delay on the National Airspace System using Multivariate Simultaneous Models, University of South Florida.

Park S. D., Lee Y. H., Chang J. W. (2018), A Study on Computing the Optimal Number of Attached Stands in the Airport, Journal of the Korean Society for Aviation and Aeronautics, 26(4), 13-19.

10.12985/ksaa.2018.26.4.013

Ravizza S., Atkin J. A., Maathuis M. H., Burke E. K. (2013), A Combined Statistical Approach and Ground Movement Model for Improving Taxi Time Estimations at Airports, Journal of the Operational Research Society, 64(9), Taylor & Francis, 1347-1360.

10.1057/jors.2012.123

Seok J. U. (2018), Development of a Cost Prediction Model on Flight Operation Service Delay, Hanyang University, Master's degree thesis.

Shin T. J., Kim H. J. (2024), Big Data Preprocessing for a Policy Decision Support of Air Traffic Management (ATM), KIISE Transactions on Computing Practices, 30(9), 440-457.

10.5626/KTCP.2024.30.9.440

Zhang Y., Wang Q. (2017), Methods for Determining Unimpeded Aircraft Taxiing Time and Evaluating Airport Taxiing Performance, Chinese Journal of Aeronautics, 30(2), 523-537.

10.1016/j.cja.2017.01.002

각주

[11] 1) 연립방정식 체계에 입각한 방법론은 각 주체들의 상호의존관계를 계량모형에 입각하여 구체적인 방정식으로 표현이 가능하며, 주로 거시경제 시스템의 구조분석, 정책평가, 정책결정 등에 활용되는데, 본 연구에서는 ATM 상호의존관계 모델링을 통해 항공정책 관리자들의 정책결정에 도움을 줄 수 있도록 방법론을 차용하여 모형을 구축한다.

[12] 2) 국가항행계획 2.0(NARAE 2.0)에서는 비행시간효율성, 정시성, 처리교통량, 안전성, 연료효율, 환경영향 등 총 6개 부문을 항공교통관리 성과목표로 제시하고 있다.

[13] 3) 계량모형에 입각한 모형최적화를 위해 일별데이터를 분석데이터로 사용하였으며, 일별데이터는 해당기간의 항공편별 로그데이터를 가공하여 추출하였다. 각 데이터 원천기관들로부터의 데이터 전처리 방법은 신태진·김효진(2024)에 제시되어 있다.

[14] 4) 각 공항 및 공역, 기상 데이터 수집을 위해 인천국제공항공사, 한국공항공사, 항공교통본부, 항공기상청의 협조를 받아 원천데이터를 제공받았다(국토부 R&D 수행 기반).

[15] 5) 각 데이터 원천기관들로부터의 데이터 전처리에 대한 상세한 내용은 신태진·김효진(2024)에서 확인 가능하다.

[16] 6) Gauss-Seidel 방법은 연립방정식의 해를 구할 때 순차적으로 값을 대입하여 일정 오차 이하로 수렴할때까지 반복하여 수치해를 구하는 방법이다. 본 연구에서는 일반적으로 사용하는 허용오차 범위(10⁻⁴~10⁻⁶)를 고려하여 허용오차는 0.00001로 설정하고, 계산의 안정성을 고려하여 반복횟수는 100회로 시뮬레이션을 시행하였다. 이러한 수렴조건은 수치해석 및 거시계량 시스템의 구조모형에서 일반적으로 사용되는 수렴기준이다(Fair(1984), Burden and Faires(1997)).

[17] 7) 식별된 내생변수와 외생변수는 부록에 제시되어 있다.

[18] 8) 공항별·출/도착별로 개별 행태방정식이 구성되어 있으며 각 방정식에는 약 6~15개의 외생변수가 설명변수로 포함되어 있다. 전체 외생변수의 수가 119개로 각 행태방정식에서 제외되는 외생변수 수가 충분히 확보되므로 제외된 외생변수로 구성된 계수행렬 $R_{i}$ 의 rank가 계수조건을 충족하는 것으로 확인하였다.

[19] 9) 지상이동시간은 항공기가 주기장에서 출발(또는 도착)한 시간부터 이륙(또는 착륙)시간까지의 소요시간을 의미한다.

[20] 10) FIR비행시간은 출발항공편의 이륙시간부터 KADIZ 진출시간까지의 소요시간을 의미하며, 국내선은 이륙시간부터 착륙시간까지의 소요시간을 의미한다.

[21] 11) TMA비행시간은 도착항공편의 TMA공역 진입시간부터 착륙시간까지의 소요시간을 의미한다.

[22] 12) 공역비행시간은 도착항공편의 KADIZ 진입시간부터 TMA공역 진입시간까지의 소요시간을 의미한다.

[23] 13) south-west route는 항공로 Y711, Y722 등 가장 혼잡한 항공로로 이 항공로를 이용하는 항공편들의 운항수를 식별하였다.

[24] 14) 국토부는 2023년부터 지연기준을 국제선 및 국내선 모두 주기장 지연시간이 15분 초과((AOBT 또는 AIBT) – (SOBT 또는 SIBT) >15)된 항공기를 지연편으로 분류하는 국제기준으로 통일하였는데, 현재 기준에 맞추어 주기장 지연시간이 15분 초과한 경우를 지연편으로 분류하는 동일 기준을 적용하여 지연율을 계산한다.

[25] 15) 항공기 운항의 경우 폭설, 태풍 등의 영향으로 전편 결항 등이 발생할 수 있으며, 외부적인 영향으로 지연 등의 요인이 이상값처럼 크게 나타날 수 있기 때문에 이상값에 대해 민감한 예측 검정값들은 제외하였다. 실제로 제주공항의 경우 폭설, 태풍 등으로 전편 결항된 경우가 존재한다(2021.1.8일 도착편 전편 결항, 2020.8.26일 출발편 전편 결항).

[26] 16) 주기장 지연시간은 “AOBT(AIBT) - SOBT(SIBT)”로 계산되며 기상 악화 및 항공편 연결 등의 문제로 오른쪽 꼬리가 긴 분포를 나타낸다. 특히, 스케쥴 시간(SOBT)보다 실제 시간(AOBT)이 더 빠르게 나타나는 경우도 많기 때문에 주기장 지연시간이 음수(조기 출발 또는 도착) 값을 가지는 경우도 존재하여 SMAPE 계산 과정에서 상대오차가 확대되는 특성이 나타날 수 있다. 다음은 4개 공항의 주기장지연시간 및 지연율에 대한 일평균 기초통계량이다. 제주공항의 경우 폭설, 태풍 등으로 전편 결항된 경우도 존재하여 지연율의 최대값이 100%를 가진다(각주 15번 참조).

[27] 17) 추가 TMA비행시간은 도착 항공편별로 공항별, 활주로별로 TMA 비행시간의 하위 20%를 방해 받지 않은 TMA 비행시간으로 식별한 후 개별 항공편의 TMA 비행시간에서 방해받지 않은 TMA 비행시간을 뺀 값이 0보다 큰 경우만 추가 TMA 비행시간으로 정의한다(ICAO GANP 권고기준 준용).

[28] 18) 각 공항별 방해받지 않은 TMA 비행시간(하위 20%)의 평균은 다음과 같다.

[29] 19) SESAR(Single European Sky Air Traffic Management Research)는 유럽 내의 단일영공 하에서 유럽 항공교통시스템을 통합하여 항공교통시스템(ATM)을 효율화하기 위해서 만든 차세대 ATM 종합 계획으로 우리나라의 국가항행계획인 NARAE와 비슷한 개념이다.

[30] 20) TMA 비행시간은 전체비행시간에 비하면 짧은 시간에 해당하기 때문에 추가 TMA비행시간이 감소하더라도 전체 비행시간에 미치는 영향은 제한적이다. 다음은 분석기간인 3개년(2019-2021) 평균 비행시간이다. 전체 비행시간은 약 50~60분 내외로 나타나며, TMA 비행시간은 약 17분 이내, 추가 TMA비행시간은 약 5분 이내이다. 따라서 추가 TMA 비행시간의 20% 감소에 따른 영향이 전체 비행시간 중 약 0.5분~2분 내외로 감소효과를 보인다.

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

Preview

Development of a Policy Decision Support Management Model for Air Traffic Management

ABSTRACT

MAIN

(1)

(2)

(3)

Figure 1

Structure of endogenous variables for flight time efficiency

Figure 2

Model structure for flight time efficiency

Figure 3

Structure of endogenous variables for punctuality

Figure 4

Model structure for punctuality

Figure 5

Structure of endogenous variables for air traffic volume

Figure 6

Model structure for air traffic volume

Figure 7

Process of the DSM model

Table 1.

The results of test statistics and model performance

(4)

(5)

(6)

Table 2.

The results for policy effect simulation

Funding

부록

Appendix 1.

Identifying endogenous and exogenous variables

Appendix 2.

Descriptive statistics of endogenous variables

Appendix 3.

(Efficiency of Flight time) Estimation results of the TMA flight time model

Appendix 4.

(Punctuality) Estimation results of the in/off block punctuality model

Appendix 5.

(Air Traffic Volume) Estimation results of the air traffic volumes model

Appendix 6

Coefficient matrix with significance

Appendix 7

Results of historical simulations

References

각주