Journal Search Engine

Volume/Issue :

Year(s) : to

Search :

Title :

Author :

Keyword :

Abstract :

Figure :

Table :

Reference :

Search Advanced Search

Adode Reader(link)

View PDF Download PDF Export Citation Korean Bibliography PMC Previewer

The Journal of The Korea Institute of Intelligent Transport Systems Vol.21 No.1 pp.159-181
DOI : https://doi.org/10.12815/kits.2022.21.1.159

A Study on the Supply of First/Last Mile Transportation Methods Based on ABATA Travel Patterns Analysis for the Provision of MaaS

Jaeon Choi^*, Jaein Song^**, Min Hee Kang^***, Jinki Eom^****, Kee Yeon Hwang^*****

^*Dept. of Smart-city, Univ. of Hongik
^**Research Institute of Science and Technology, Univ. of Hongik
^***Dept. of Smart-city, Univ. of Hongik
^****Railroad Policy Research Department, Korea Railroad Research institute
^*****Dept. of Urban Planning, Univ. of Hongik

^† Corresponding author : Kee Yeon Hwang , keith@hongik.ac.kr

Received 18 November 2021 │ Revised 6 December 2021 │ Accepted 13 December 2021

Abstract

Today , people in cities use differentthe types of transportation that rangepeople use in cities have diversified from existing public transportation , cars , taxis to shared bicycles and shared electric kickboards . In addition , with the development of mobile platform –based search , order , and payment services , and transportation services have also begun to change into platform-based integrated services. In particular, MaaS, which has emerged as an integrated mobile service and, is currently being studied and operated worldwide ., However , MaaS but remains at the level of the integrated provision of the existing public transportation . As a result of Specifically, the results of a literature review on this issue reveal that, the First/Last Mile problem raised at the current level of MaaS is likely to be solved by establishing an improved policy incorporating new means of transportation. Therefore, this study aims to establish a First/Last Mile transportation supply plan for successful MaaS provision . This establishment is realized by analyzing the traffic patterns of urban populations usingbased on the ABATA system, , an activity-based traffic analysis model withevaluated as having higher analysis power on people's traffic.

Key Words : MaaS , Activity-based transportation analysis model , ABATA , First Mile/Last Mile

MaaS 제공을 위한 ABATA 통행 분석 기반의 First/Last Mile 이동 수단 공급 방안 연구

최 재 언^*, 송 재 인^**, 강 민 희^***, 엄 진 기^****, 황 기 연^*****

^*주저자 : 홍익대학교 일반대학원 산업융합협동과정 스마트도시전공 석사과정
^**공저자 : 홍익대학교 과학기술연구소 연구교수
^***공저자 : 홍익대학교 일반대학원 산업융합협동과정 스마트도시전공 박사과정
^****공저자 : 한국철도기술연구원 철도정책연구실 책임연구원
^*****교신저자 : 홍익대학교 도시공학과 교수

초록

오늘날 사람들이 도시에서 이용하는 이동 수단은 기존에 존재하던 대중교통, 승용차, 택시 에서부터 공유 자전거, 공유 전동 킥보드까지 그 종류가 다양해졌다. 또한 모바일 플랫폼 기반 의 검색, 주문, 결제 서비스가 개발되면서 교통 서비스 역시 플랫폼 기반의 통합 서비스로 변화 하기 시작했다. 통합 이동 서비스로서 등장한 MaaS는 현재 전 세계적으로 연구 및 운영되고 있으나 기존 대중교통의 통합 제공 수준에 머무른다. 문헌 고찰 결과, 현행 수준의 MaaS에서 제기되는 First/Last Mile 문제는 새로운 이동 수단을 통합한 개선된 정책을 수립함으로써 해결 될 가능성이 있다. 따라서 본 연구는 사람들의 통행에 대한 보다 높은 분석력을 갖춘 것으로 평가되는 활동기반 교통분석모형인 ABATA 시스템을 기반으로 도시 인구의 통행 패턴을 분석 하여 성공적인 MaaS 제공을 위한 First/Last Mile 이동 수단 공급 방안을 수립하고자 한다.

키워드 : MaaS , 활동기반교통모형 , ABATA , First Mile/Last Mile

This article has been cited by 0 article in crossref

Cited-By

Funding:

Ⅰ. 서 론

오늘날 사람들이 도시에서 이용하는 이동 수단은 기존에 존재하던 대중교통, 승용차, 택시에서부터 차량 공유, 승차 공유, 공유 자전거, 공유 전동 킥보드까지 그 종류 및 서비스가 다양해졌다. 또한 스마트폰의 보 급과 모바일 기술의 발전으로 인해 모바일 플랫폼 기반의 다양한 검색, 주문, 결제 서비스가 개발되면서 교 통 분야 역시 플랫폼 기반의 서비스가 제공되기 시작했다. 구글, 네이버, 카카오 지도의 경로 검색을 통해 버 스와 지하철을 포함한 최적의 이동 조합을 추천받을 수 있고, 카카오 택시 앱을 사용하면 원하는 출발지와 도착지를 설정하여 택시 호출 및 요금 결제까지 한번에 해결할 수 있으며, 각종 공유 이동 수단의 앱을 통해 대여 및 결제를 진행할 수 있다. 이처럼 도시 인구의 이동을 위한 선택지는 점차 다양해졌으나 수단별/업체 별 독립적 서비스 운영 방식의 불편함은 해결 과제로 남아있다.

이러한 한계 극복을 위해 모든 도시 교통수단 제공을 목적으로 하는 통합된 서비스 형태의 MaaS(Mobility As A Service) 개념이 등장하였고(Heikkilä, 2014) 현재 전 세계적으로 연구 및 운영되고 있다. Sochor et al.(2018)에 의한 MaaS의 레벨 분류 단계를 보면, 대부분의 MaaS 모델은 레벨 3단계에 해당하는 모든 이동 수단을 일원화하여 통합 제공하는 방식을 목표로 한다. 전문가들이 전망하는 MaaS의 모습은 수단 간 연계를 바탕으로 끊김없는 통행 서비스를 제공하는 것인 반면 현행 MaaS 플랫폼은 실제로 보편적 상용화가 진행된 단계가 아닌 기존의 대중교통 통합 수준에 머무르고 있다. 그러한 이유로 현행 MaaS 플랫폼은 대중교통 FMLM(First Mile Last Mile)1) 문제 해결이라는 과제를 가지고 있다. 따라서 보다 높은 수준의 MaaS 플랫폼 운영을 위해서는 FMLM 이동 수단을 포함한 풍부한 선택지 제공의 필요성이 높다고 판단되며, 이를 위한 FMLM 이동 수단 공급 정책 수립 논의가 이루어져야 한다.

이동 수단 공급 방안을 마련하기 위해서는 통행 패턴 파악과 통행량 추정에 대한 분석이 선행될 필요가 있다. 교통 분석은 크게 통행 기반 분석모형과 활동 기반 분석모형으로 분류할 수 있는데, 통행 기반 분석모 형인 4단계 교통 수요 추정법은 모형의 단순성과 적용 편의성 덕에 오랜 시간 사용되어온 전통적 방법론 중 하나이다. 이 모형의 경우, 통행 발생 원인으로서의 활동, 토지 이용과 통행의 상호 효과, 통행의 연속적 연 관관계 등을 고려하지 않는 내재적인 한계로 인하여 다양한 정책 시나리오에 대한 사전평가가 어렵고 수요 예측의 정확성 또한 부족하다고 할 수 있다. 따라서 이러한 한계 보완을 위해 통행 수요 변화 요인에 대한 설명력을 높일 수 있는 활동 기반 분석모형이 활발히 연구되고 있으며 전통적 수요 추정법을 대체하고 있다. 활동 기반 분석모형은 활동이 기본 단위가 되는 모형으로, 통행을 활동에 따라 발생하는 유발 수요로 보고, 하루 통행을 연속적 통행 사슬로 고려하는 접근 방법론이라 할 수 있다. 기존에 활용되고 있는 활동 기반 분 석모형은 모두 모집단을 생성하여 개인 활동 일정을 구축한다. 하지만 대부분의 모집단은 거주 인구 기반으 로 생성되어 연구 지역의 존재 인구 산정 결과에 오류를 초래하는 경향이 있다. 최근, 이러한 오차를 줄이고 정확한 통행량을 추정하기 위해 모바일 통신량 데이터를 사용하여 모집단을 생성하는 활동 기반 통행자 분 석 시스템인 ABATA(Activity-BAsed Traveler Analyzer)가 개발되었고, ABATA의 활용을 통해 기존의 활동 기 반 분석모형보다 높은 수준의 분석이 가능할 것으로 예상된다.

이에 본 연구에서는 FMLM 문제 해결과 개선된 MaaS 제공을 위해 ABATA 기반의 통행 분석 결과에 따 른 FMLM 이동 수단 공급 방안을 제시하고자 한다. 본 연구의 흐름은 다음과 같다. 2장에서 FMLM 문제와 이동 수단 공급 방안 및 활동 기반 분석모형 연구를 고찰하고 3장에서 방법론을 설명하고자 한다. 이후 4장 에서 통행 분석 결과를 도출하고 수단 공급 방안을 수립하여 5장에서 결론 및 시사점을 제시하고자 한다.

Ⅱ. 이론적 고찰

본 장에서는 MaaS에서 제기되는 FMLM 문제에 관한 연구와 그 이동 수단의 공급 방안에 관한 연구, 활동 기반 교통 분석모형 관련 연구를 고찰하고자 한다.

1. First Mile Last Mile(FMLM) 문제 관련 선행연구 고찰

교통수단 및 서비스가 다양해짐에 따라 필요성이 높아진 MaaS는 현재 핀란드 윔을 필두로 전 세계적으로 확산 중이지만, 아직 어디서나 제공하는 보편적 교통 서비스로 판단하긴 어렵고 시범 사업으로 서비스 질을 높이는 단계이다.2) 다양한 수단의 통합이라는 목표에 초점을 맞추고 있는 MaaS가 직면한 가장 큰 과제 중 하나는 FMLM 문제로 언급되고 있다. (Shiv, 2018;Park et al., 2021) 이러한 문제의 해결을 통해 수단 간 연계 를 바탕으로 끊김없는 통행 서비스를 제공하는 시스템인 MaaS를 실현함으로써 기존 대중교통 시스템에 FMLM 수단을 접목한 이동성 향상을 기대할 수 있다. (Yoon and Ki, 2019)

<Table 1>

FMLM Problem Solution

성공적인 MaaS 제공을 위한 FMLM 문제의 해결 수단 선택을 위해 선행연구를 살펴보면, 세계적으로 공유 이동 수단이 대중교통 FMLM 문제의 혁신적인 해결 수단으로 평가받고 있다. (Shaheen and Chan, 2016) 교통 수단 간의 연계를 위한 공유 전동 스쿠터 및 공유 자전거 공급 연구를 통해 대중교통의 이용률 증가와 같은 다른 교통수단과 통합되었을 때 발생하는 시너지 효과를 확인하였고(Shiv, 2018;Baek et al., 2021) 유럽 공유 자전거 통행의 경우 34%가 대중교통과 연계되는 것으로 나타났다. (Mohiuddin, 2021) 자전거 외에도 택시 및 승차 공유가 FMLM 문제 해결 수단이 될 가능성이 있다고 판단하고 환승 시스템 등의 대중교통 연계 방안 을 연구한 결과 잠재적인 이동성 향상 및 대중교통 이용률 증가, 차량 통행 거리 감소에 영향을 미치는 것으 로 나타났다. (Kumar and Khani, 2021;Stiglic et al., 2018)

다수의 선행연구를 살펴본 결과, FMLM 문제 해결 수단으로 공유 이동 수단을 채택하고 적용 효과를 확 인하는 연구가 활발하게 진행되고 있었다. 따라서 서울형 MaaS 도입을 위해서는 서울의 전반적 특성을 고려 하여 공유 전동 킥보드 및 공유 자전거와 같은 공유 PM 또는 승차 공유와 유사한 택시를 FMLM 이동 수단 으로 포함하는 것이 적합할 것으로 판단된다.

2. PM 및 택시 공급 방안 수립을 위한 선행연구 고찰

1) PM 공급 방안

최근 PM 공유 시장이 성장하면서 각 지역으로 적정량의 PM을 공급하는 전략 연구가 활발하게 진행되고 있다. 관련 연구 중 공유 자전거를 공급하는 과정을 단순화할 수 있는 지역 군집화를 기반으로 한 연구를 다 수 확인할 수 있다. 이들은 대여소 간 거리, 수용 가능한 용량, 재고량, 보행자의 도보 거리 등을 고려한 군집 화와 수요 예측을 진행하였고, 최종적으로 공유 자전거의 분배를 위한 화물 차량의 이동 비용을 최소화하는 것을 목표로 하였다. (Lahoorpoor et al., 2016; Caggiani et al., 2017;Lv et al., 2020;Kim and Lee, 2021)

<Table 2>

PM Relocation Study

대체로 분배를 위한 지역 군집화 연구와 함께 분배 이동 경로를 도출하는 연구가 이루어지는데, 이는 각 군집의 분배 및 회수량을 설정하고, 이에 따라 화물차의 최단 시간 최소 비용 이동 경로를 판단하는 알고리 즘 개발이 주를 이룬다. (Lee and Son, 2019;Tolomei, 2021;Ma et al., 2021)

최근 나타나는 연구 경향을 살펴보면, PM 사용자가 공급 과잉 지역에서 PM을 대여하고 공급 부족 지역 에서 반납하는 경우 요금 할인을 제공하는 전략의 긍정적인 효과를 확인할 수 있다. (Zhang et al., 2019;Pan et al., 2019;Hellebuyck, 2019)

공유 자전거 및 전동 킥보드와 같은 공유 PM의 공급 전략에 관한 전반적인 연구를 살펴본 결과, PM의 분 배를 위해 적정 분배량을 산정하고 화물 차량의 최적 이동 경로를 설정하는 운영자 기반의 배치 전략이 주 를 이루었고, 전략 수립 전에 정확한 PM 수요 추정 단계가 필수적으로 선행되는 것을 확인하였다. 또한 요 금 조정을 통한 사용자 기반의 PM 공급 전략 연구를 확인한 결과, 자전거 공급에 효과적인 방안이 될 가능 성을 보여주었으나 진행된 연구가 부족하여 실제 효과에 대한 신뢰성이 낮다는 한계점을 가지고 있다.

2) 택시 공급 방안3)

최근 택시 이용방식은 승객을 찾기 위해 운전자가 도로를 배회하던 방식에서 벗어나 모바일 앱에서의 호 출을 통한 운전자-승객 매칭 방식으로 변화하였다. 이러한 흐름에 따라 활발히 진행되고 있는 택시 공급 방 안 관련 연구를 살펴보면, 승객과의 매칭 확률을 높이고, 운전자의 수익성을 최대화하며 승객 및 운전자의 대기시간을 감소시키는 다양한 매칭 알고리즘이 개발되고 있다. (Niu et al., 2018;Zhao et al., 2019;Jung and Chow, 2019;Ma et al., 2019;Liu et al., 2020;Liu et al., 2021;Babicheva et al., 2021)

<Table 3>

Taxi Relocation Study

또한 최근 관련 연구로는 강화학습 기반의 탄력 요금제를 적용한 전략 평가가 활발하게 진행되고 있으며 그 결과 승차 공유 서비스 등의 성능이 향상되는 것을 확인하였다. (Qiu et al., 2018;Guan et al., 2019;Yan et al., 2020;Lei et al., 2019)

효율적인 택시 공급을 위한 전반적인 연구를 살펴본 결과, 운전자와의 매칭 확률이 높은 승객을 예측하여 운전자에게 제공하는 매칭 알고리즘 개발, 택시 배치 지역 설정, 운전자의 의사 결정에 따른 매칭 결과 평가, 탄력 요금제 적용 등의 승객 매칭률을 높이고 공차 배회를 줄이면서 운전자의 수익을 최대화하는 다양한 연 구가 진행되고 있음을 확인할 수 있었다.

3. 활동 기반 교통 분석모형 관련 선행연구 고찰

인구·사회·경제적 변화는 도시 전반적인 변화뿐만 아니라 도시 인구의 통행 활동에도 영향을 미친다. 이 에 따라 도시에서는 새로운 교통 정책이 수립되는데, 이 과정에서 교통 수요 예측은 필수적으로 포함되는 과 정이라 할 수 있다. 교통 수요 예측법은 통행 자체를 목적으로 보는지, 통행을 활동의 유발 수요로 보는지에 따라 통행 기반 분석모형과 활동 기반 분석모형으로 구분할 수 있다.

대표적인 통행 기반 분석모형인 4단계 교통 수요 추정 모형은 통행 발생, 통행 분포, 수단 선택, 통행 배정 을 단계적으로 거쳐 교통 수요를 예측하는 방법으로 오랜 시간 이용된 수요 예측 모형이다. 하지만 전통적인 4단계 교통 수요 추정 모형의 주요 단점은 개개인의 통행 행태를 반영하지 못하는 점이다. 같은 교통존 내에 속한 가구 및 개인은 똑같은 통행 패턴을 가진다는 가정으로 인해 통행 발생 및 통행 분포 단계의 결과 신 뢰성이 낮아지는 것이다. 이로 인해 4단계 교통 수요 추정 모형은 교통존을 기반으로 한 장래 교통 시설에 대한 수요 추정에만 사용되고 있으며 추정된 수요 정확성에 대한 의구심이 지속적으로 제기되어 왔다. (Eom, 2008)

최근 교통 분야는 양적 성장에 따른 공급 기반 패러다임에서 질적 성장을 위한 수요관리 패러다임으로 전 환되면서 활동 기반 분석모형을 교통의 효율성과 형평성 양 측면을 모두 평가할 수 있는 새로운 교통 수요 예측 방법으로 평가하고 있다. 국내의 활동 기반 분석모형은 2006년 수도권에서 처음 구축된 가구 통행 실태 조사 자료로 인해 본격적인 연구들이 수행되었다. (Cho et al., 2017) 활동 기반 분석모형은 개개인이 활동 일 정에 따라 시간과 장소, 교통수단 등을 결정하며 활동을 수행하기 위한 공간이동을 통행으로 정의하고 있다. (Eom, 2008) 세계적으로 연구 및 적용되고 있는 활동 기반 분석모형에 관한 선행연구를 살펴보면 다음과 같다.

Arentze and Timmermans(2004)이 개발한 ALBATROSS(A Learning-BAsed TRansportation Oriented Simulation System)는 위치, 이동시간, 교통수단을 포함한 통행 수요를 예측하는 규칙 이론의 활동 기반 분석 모델로 CHAID 의사 결정 트리 방법론을 사용하였다. 이러한 ALBATROSS를 토대로 Bellemans et al.(2010)이 개발한 FEATHERS(Forecasting Evolutionary Activity-Travel of Households and their Environmental RepercussionS)는 개 인은 활동 수행을 위해 주변 환경의 제약 조건에 따라 가능한 대안을 선택하는 행위를 통해 의사 결정 과정 을 진행한다고 가정하고, 주변 환경과의 상호 작용 또는 타인과의 의사소통에 의한 반복적인 학습 과정을 통 해 생성한 경험 규칙을 토대로 하는 규칙 기반 모형이라 할 수 있다.(Cho et al., 2017) Bhat et al.(2004)이 개 발한 CEMDAP(Comprehensive Econometric Microsimulator for Daily Activity-Travel Patterns)은 토지 이용, 사회 통계학, 교통 서비스 수준 등의 속성을 고려한 각 개인의 일일 활동 패턴을 출력하는 시스템으로 성인과 미 성년자로, 근로자와 비근로자로 모집단을 나눈 활동 일정 생성 시스템을 제안한다. Horni et al.(2016)이 개발 한 MATSim(Multi-Agent Transport Simulation)은 동적 확률모델을 포함한 활동 기반 통행 시뮬레이션으로 다 양한 시나리오를 설정하여 비교 분석할 수 있으며, 분석 결과로 개별 차량의 움직임과 교통 패턴 변화를 시 각적으로 확인할 수 있다. Los Alamos 연구에서 개발한 TRANSIMS(Transportation Analysis and Simulation System)는 활동 기반 모형을 토대로 한 시뮬레이션으로 교통의 영향, 혼잡, 오염에 대한 정보에 의해 계획되 는 통합된 통행 예측 모형이다. 해당 시뮬레이션을 통해 분석자는 교통네트워크 상에 발생된 통행, 개별 차 량 상호반응의 모형화, 교통 시스템의 성능을 예측할 수 있다.(Choi et al., 2004)

기존의 활동 기반 분석모형을 확인한 결과, 대부분 모집단 생성 과정이 연구 대상지의 거주자 기반 조사 자료를 토대로 이루어진다는 공통점을 가지고 있었다. 거주자 기반의 모집단을 생성하는 경우 활동 일정에 오류가 누적되거나 특정 시간대의 연구 지역에 존재하는 실제 활동 인구수를 정확하게 추정하기 어렵다는 한계가 존재한다. 따라서 Eom et al.(2018)에 의해 개발된 모바일 데이터 기반의 활동 기반 분석모형인 ABATA(Activity_BAsed Traveler Analyzer)를 통해 위와 같은 한계를 개선할 수 있을 것으로 기대된다.

<Table 4>

Activity-based Transportation Analysis Model

4. 연구의 차별성

선행연구를 고찰한 결과, 많은 MaaS 연구에서 FMLM 문제를 중요한 과제 중 하나로 언급하고 PM 및 승 차 공유가 적합한 FMLM 수단으로서 연구되고 있다. 이러한 이동 수단의 공급 방안 수립을 위한 연구에서 각 이동 수단에 따른 다양한 전략이 제안되었고 전반적으로 공급 방안 수립 전에 정확한 수요 예측을 위한 단계를 거치는 것이 나타났다.

관련 문헌 고찰 결과, 오늘날 활동 기반 교통 분석모형의 분석력이 높게 평가되어 전 세계적으로 교통 수 요 예측을 위해 사용되고 있는 것으로 확인되었다. 그러나 기존의 활동 기반 분석모형은 거주자 인구 기반의 모집단 생성 방식을 사용하여 실 존재 인구 산정 결과에 오류가 발생하는데, 최근 이러한 한계를 극복하기 위해 모바일 데이터를 활용한 활동 기반 교통 분석모형인 ABATA 시스템이 개발되었다.

따라서 본 연구는 개선된 MaaS 제공 전략 중 FMLM 문제 해결에 중점을 두고, 높은 정확도의 활동 기반 분석모형인 ABATA 분석 결과를 활용한 FMLM 이동 수단 공급 방안 수립을 목표로 한다.

Ⅲ. 분석방법론

본 장에서는 MaaS 전략 도출을 위한 통행량 분석에 사용할 ABATA 시스템의 개념 및 구성을 설명하고자 한다.

1. ABATA 개념

ABATA는 JAVA로 코딩된 표준 Windows 기반 그래픽 기능을 활용한 사용자 중심 인터페이스(GUI)를 제 공하는 웹 기반 서비스로 개인의 활동과 통행을 분석하기 위해 활동 기반 접근법에 기초하여 개발되었다. ABATA 시스템은 ‘도시 인구의 개인 일정과 활동별 토지 이용을 고려한 시간대별 존재 인구 추정 및 활동 인구를 고려한 통행량 추정을 위한 기술’로 정의할 수 있다. 또한 서로 다른 지리적 수준에서 시간당 활동 인구를 추정하고 가정, 직장, 학교, 학원, 쇼핑, 여가 7가지 활동 목적과 교통 수단에 따라 시간대별 OD 통행 량을 도출하여 도시 인구의 이동 패턴을 분석하는 것을 목적으로 한다. 이 시스템에서의 ‘활동 인구’란 ‘자택 위치와 관계없이 특정 장소에서 활동 목적에 따라 분류되는 인구수’로 정의하며 일반적인 인구를 의미하는 거주 인구와는 다른 개념으로 사용된다.

일반적으로 활동 기반 분석모형은 개개인의 24시간 일정을 구축하기 위해 모집단을 생성하고 각 개인이 가정에서 시작하여 다음 활동을 순차적으로 수행한다고 가정한다. 전체 모집단에 대한 활동 일정 생성 및 시 뮬레이션은 복잡한 과정을 거치는데, 특히 기존 활동 기반 분석모형의 모집단과 활동 일정은 거주자 기반의 조사 자료를 통해 생성되기 때문에 특정 시간대에 연구 지역에 실제 존재하는 인구수를 정확하게 추정하기 어렵고 활동 일정 중 일부(출·도착시간, 위치 등)가 실제와 다른 오류가 누적될 가능성이 있으므로 결과의 정확성과 타당성에 대한 우려가 존재한다. 따라서 ABATA는 거주자 기반의 모집단을 생성이 아닌 시간대별 모바일 통신량 데이터 기반의 모집단 생성을 통해 시간대별 활동 인구를 추정하는 접근법을 채택하였고, 이 를 통해 정확하고 실용적인 통행량 추정 결과를 기대할 수 있다.

<Fig. 1>

ABATA Web Screen

2. ABATA 시스템 구성

ABATA 모델은 크게 데이터처리, 프로그래밍, 시나리오 분석 3부분으로 개발되었다. 내부 모듈은 시간대 별 총 존재 인구 산정, 활동 일정 구축, 공간 유인력 산정, 활동 인구 추정, 통행량 추정, 시나리오 분석 등으 로 구성된다. ABATA는 (1)총 존재 인구 산정, (2)활동 일정 구축, (3)시간대별 활동 인구 산정, (4)시공간 활 동 용량 및 유인력 산정, (5)시공간 활동 인구 산정, (6)활동 목적별 기종점 OD 산정, (7)수단별 기종점 OD 통행량 산정이라는 7단계를 거쳐 최종 결과를 사용자에게 제공한다.

다음은 ABATA 시스템의 각 모듈에서 실행되는 내용이다.

<Fig. 2>

ABATA System Architecture

1) 기초 데이터 처리

아바타 시스템은 개인 데이터인 모바일 데이터와 공개 데이터인 사회·경제 통계, 용적률, 학생 데이터 등 을 포함한 다양한 데이터 세트가 사용되며 시스템 내에서 조회할 수 있다. 모바일 데이터는 국내 통신사인 SKT의 자료를 활용하며 국내 인구의 절반에 가까운 이용자를 보유하고 있다. 통신을 위한 기지국과의 신호 를 기반으로 평균 15분마다 생성되며 익명화를 위한 사전 처리 후 시공간 단위 형식으로 변환하고 날짜, 시 간, 연령대 및 성별로 분류된 시간대별 존재 인구와 대상지 블록 번호 정보를 포함한다. 활동 일정 구축을 위해서는 5년마다 시행되는 가구 통행 실태조사 데이터를 사용하며 해당 데이터는 하루 통행 횟수, 통행의 시작 및 종료 시각, 시작 및 종료 위치, 통행 목적 및 통행 수단 정보를 포함한다. 한국 통계청에서 제공하는 다양한 인구·사회·경제 데이터는 공간의 상대적 유인력과 인구를 산정하고 미래 인구 및 토지 사용 변화 등 의 대안 시나리오 분석에 참고하여 활용한다. 특히 건물 용적률 데이터는 대상지의 단위 블록당 유인력을 산 정할 수 있고 토지 이용 변화에 따라 지어지는 새로운 건물이 통행에 미치는 영향을 파악하는 시나리오 분 석에 활용할 수 있다. 또한 한국 교육 연구 정보원(KERIS)에서 제공하는 학교 및 학생 데이터를 활용하여 대 상지 내 학교 활동 정보를 정확하게 파악할 수 있다.

2) 연구 대상지 내 시간대별 총 존재 인구 산정

ABATA 시스템의 기본 공간 단위는 집계구 혹은 행정동으로 설정할 수 있으며 연구 대상지의 시간대별 모바일 통신량 데이터를 활용한 총 존재 인구를 산정한다. 모바일 데이터를 사용할 수 없는 대상지일 경우 내장 추정 모델을 사용하여 시간대별 총 존재 인구를 산정한다. 내장 추정 모델은 국가 통계 포털(KOSIS)에 서 제공하는 카운티의 야간 및 주간 인구 데이터를 활용하여 다음과 같은 회귀 분석을 통해 추정한다.

T P_{c}^{t} = a_{g}^{t} + b_{1, g}^{t} (N T P_{c}) + b_{2, g}^{t} (D T P_{c})

(1)

식(1)에서 $T P_{c}^{t}$ 는 카운티 c의 시간대 t의 총 존재 인구, NT P _c는 카운티 c의 야간 인구, DT P _c 는 카운티 c 의 주간 인구를 의미하며 추정의 정확도를 높이기 위해 클러스터 분석을 통해 1과 2의 두 그룹 g를 정의하 였다. g=1은 야간 및 주간 인구가 적은 카운티로, g=2는 야간 및 주간 인구가 많은 카운티로 구성된다.

3) 활동 일정 구축 및 시간대별 총 활동 인구 산정

모바일 데이터 기반의 총 존재 인구 산정 결과에는 활동 목적을 설명하는 정보가 포함되지 않으므로 가구 통행 실태조사 데이터를 기반으로 ABATA 시스템 내 개인별 10분 단위 활동 일정을 구축하고 1시간 단위로 집합화한다. 대상지 외 지역 거주자는 연구 대상지 내 활동의 시작과 종료 일정만을 반영하고 통행 목적 활 동은 가정, 업무, 학교, 학원, 쇼핑, 여가, 기타 총 7가지로 분류한다. 구축된 활동 일정을 통해 활동별 인구 비율을 계산한 후 전 단계에서 도출된 총 존재 인구에 적용하여 시간대별 총 활동 인구를 산정한다.

A P_{j}^{t} = \sum_{c = 1}^{a l l} (T P_{c}^{t} \times A S_{c, j}^{t})

(2)

식(2)에서 $A P_{j}^{t}$ 는 시간대 t에서 활동 목적 j를 가지는 대상지의 활동 인구이고 $A S_{c, j}^{t}$ 는 시간대 t의 카운티 c에서 활동 목적 j를 가질 확률이다.

현재 ABATA 시스템에서 활용되는 가구 통행 실태조사는 모든 공간 단위의 통행에 대한 충분한 표본이 수집되지 않거나 Zero Cell 문제가 존재하여 분석에 제한적이라는 한계점이 있다. 따라서 표본의 크기가 작 지 않고 실제 인구의 통행 결과 데이터로 볼 수 있는 모바일 GPS 등의 자료를 수집하여 활동 일정 구축 및 통행 확률 산정 과정에서 정확성의 한계를 개선할 여지가 있다.

<Fig. 3>

Hourly total population estimator

<Fig. 4>

Activity profile constructor

4) 시공간 활동 용량 산정 및 시공간 활동 인구 산정

ABATA 시스템은 공간의 상대적 활동 용량을 도시 인구의 활동을 수행하기 위한 공간의 크기(용량, 유인 력)로 정의하고 이에 따라 시간대별 활동 인구의 분포를 결정한다. 상대적 공간 유인력을 산정하기 위해 다 음과 같이 시간대별 존재 인구를 종속변수로 하고 용도별 건물 면적, 업종별 종사자 수, 학생 수 등을 독립 변수로 하는 회귀 분석 모형을 구축한다.

A_{b, j}^{t} = a_{j}^{t} + c_{j}^{t} {(x_{1})}_{b} + d_{j}^{t} {(x_{2})}_{b}

(3)

R A_{b, j}^{t} = \frac{A_{b, j}^{t}}{\sum_{b = 1}^{a l l} A_{b, j}^{t}}

(4)

식(3)에서 $A_{b, j}^{t}$ 는 시간대 t에서 활동 목적 j에 대한 대상지 블록 b의 공간 유인력이며 x는 각 독립변수이 다. 식(4)에서 $R A_{b, j}^{t}$ 는 상대적 공간 유인력을 의미한다.

이전 단계에서 산정된 시간대별 활동 인구에 위와 같은 대상지의 블록별 상대적 공간 유인력을 적용하면 다음과 같이 최종적인 시공간 활동 인구를 산정할 수 있다.

P_{b, j}^{t} = A P_{j}^{t} \times R A_{b, j}^{t}

(5)

학교 활동의 경우 공간 유인력을 계산하지 않고 KERIS에서 제공하는 학생 등록 자료를 사용하여 정확도 를 높일 수 있다. 학교 활동에 대한 상대적 공간 유인력을 시간 단위로 정량화하기 위하여 가구 통행 실태조 사에 포함된 정보를 활용하여 학생이 학교에 있을 확률을 시간대별로 산정한다.

<Fig. 5>

Calculation of relative activity capacities of each area

<Fig. 6>

Spatial estimator for hourly activity population

5) 활동별 수단별 기종점 OD 산정

최종적인 기종점 통행량 추정 결과를 도출하기 위해 우선 가구 통행 실태조사 데이터 기반의 시간대별 활 동 목적 변화에 따른 이동 인구수를 기준으로 활동 목적 조건부 통행 확률을 계산한다.

P (Y = k | j, P_{b, j}^{t}, t)

(6)

이전 단계에서 도출한 시공간 활동 인구에 위의 조건부 통행 확률을 적용하여 활동별 시공간 통행 발생량 을 산정하고 활동별 공간 유인력에 따라 대상지의 블록별 도착량을 결정하여 시간대별 활동별 OD(origin-destination) 통행량을 도출한다. 도출된 통행량 결과에 가구 통행 실태조사에 따른 수단 분담률 또 는 CART 알고리즘 기반의 의사결정트리 중 한 가지를 적용하여 최종적인 시간대별 활동별 수단별 OD 통행 량을 표출할 수 있다.

<Fig. 7>

Calculation of traffic occurrence

<Fig. 8>

Calculation of traffic arrival

<Fig. 9>

Calculation of OD traffic

6) 시나리오 분석 및 시각화

최종적으로 도출된 통행 분석 결과를 기반으로 ABATA 사용자는 인구수, 활동 일정, 공간 유인력 등의 조 건을 조정한 대체 시나리오를 설정할 수 있다. 이를 통해 인구 변화에 따른 교통 정책 수립, 통행 변화를 고 려한 토지 이용 계획 정책 수립, 이벤트 발생에 따른 인구 통행 변화 예측 등을 위한 시나리오 비교 분석을 실행할 수 있다.

Ⅳ. 분석의 결과

본 장에서는 ABATA 분석을 통한 오전 첨두시 대중교통과 택시 및 자전거의 통행량 분석 결과, 오후 첨 두시 대중교통과 택시 및 자전거의 통행량 분석 결과, 통행량 분석 결과에 따른 FMLM 수단을 포함한 MaaS 전략 수립 결과를 정리하고자 한다.

분석의 대상지는 강남구 내로 한정하였고 시간대는 오전 첨두시 08시~09시와 오후 첨두시 18시~19시로 설정하였다. 통행량 추정은 오전 오후 첨두시의 일반적인 통행 수요를 중심으로 MaaS 전략을 수립하기 위해 학교, 업무, 주거, 학원, 쇼핑, 여가, 기타 총 7가지 분류 중 비중이 높고 패턴화된 통행 활동 목적인 학교, 업 무, 주거, 학원 4가지만을 포함하였다.

1. 오전 첨두시(08시~09시) 강남구 통행량 분석 결과

1) 대중교통 통행량

ABATA 분석을 통한 오전 첨두시 강남구 대중교통(버스와 철도) 통행량 추정 결과 해석을 위해 행정동별 통행량을 4사분면에 분포시키고 Tableau 프로그램에 내장된 군집화 분석을 활용하여 대중교통 통행량을 5개 의 군집으로 분류하였다.

<Fig. 10>

Public transportation occurrence at the peak of the morning

<Fig. 11>

Public transportation arrival at the peak of the morning

결과를 확인하면 대중교통 통행량에서 버스와 철도 수요는 양의 상관관계를 가지는 것을 알 수 있고 발생 량보다 도착량이 상대적으로 넓은 분포 형태를 나타낸다. 또한 군집은 대중교통 발생 및 도착량 순위에 따라 1~5로 분류되었다.

오전 첨두시의 대중교통 발생량이 가장 높은 군집1은 세곡동과 대치2동을 포함하는데, 이는 두 행정동이 주거 중심 지역으로 해당 시간대에 통근·통학을 위해 이동하는 거주 인구가 많음을 의미한다. 오전 첨두시의 대중교통 도착량 결과를 보면 상대적으로 넓은 분포 형태를 보여 보다 명확한 군집 분류가 가능하다. 일반적 인 업무 시작 시각이 9시임을 고려했을 때, 평균값 이상의 상위 세 군집 1, 2, 3은 업무 중심 지역, 나머지 두 군집 4,5는 주거 중심 지역으로 해석할 수 있다. 따라서 오전 첨두시의 업무 중심 지역 내 주요 지하철역과 버스 정류장에서 Last Mile 수단의 수요가 높을 것으로 예상된다.

<Table 5>

Result of clustering public transportation traffic at the peak of the morning

강남구의 세곡동, 개포1동, 개포4동은 동 경계를 포함한 내부 지역을 지나는 지하철역이 존재하지 않는 행 정동임에도 불구하고 ABATA 통행량 추정 결과 지하철 수요가 존재하며 특히 세곡동의 발생량은 두드러지 게 많은 것으로 나타난다. 따라서 이러한 결과를 지하철 이용에 대한 잠재 수요로 인식하고 인접 지역의 지 하철역과 연계할 수 있는 버스 외 First Mile 수단 제공 및 활성화의 필요성이 높을 것으로 예상된다.

2) 택시 통행량

오전 첨두시 강남구 택시 통행량에 대한 OD 매트릭스와 시각화 결과를 확인하면 다음과 같다.

<Table 6>

Visualizing taxi traffic at the peak of the morning

오전 첨두시 강남구 전체 택시 통행량을 살펴보면 출발 행정동에 상관없이 역삼1동을 도착지로 하는 통행 량이 두드러지게 많은 것을 확인할 수 있고, 차례로 대치2동, 논현2동, 역삼2동을 도착지로 하는 노선의 통행 량이 많음을 확인할 수 있다. 이는 오전 첨두시에 업무 및 학교 시설 중심 지역으로 향하는 노선의 택시 수 요가 상대적으로 높음을 의미하고 택시 운전자는 해당 노선의 운행을 선호할 것으로 예상된다. 반면 택시 수 요가 낮을 것으로 나타나는 삼성1동, 수서동, 일원1동, 일원2동 등으로 향하는 노선 운행은 택시 운전자가 기 피 할 것으로 예상된다. 이처럼 택시 공급 및 수요의 불균형에서 발생하는 문제 개선을 위해 요금 조정 전략 또는 타 교통수단 연계를 통한 환승 전략 등을 적용할 수 있을 것으로 생각되며 특히 환승 전략의 활성화는 택시의 FMLM 수단 역할을 확대할 것으로 기대된다.

<Fig. 12>

Taxi OD Matrix at the peak of the morning (unit: 100 people)

3) 자전거 통행량

현재 ABATA 시스템의 분석 결과는 이동 수단으로 자전거를 포함하고 있지 않다. 또한 자전거는 일반적 인 차량 교통수단과 통행 거리 분포가 다르게 나타나므로 자전거 통행량은 별도의 산정 과정이 필요하므로 다음과 같은 단계를 수립하였다. 1) 가구 통행 실태조사에 따른 자전거 수단 분담률을 ABATA 시스템의 통 행량 추정 결과에 적용하여 자전거의 통행량을 산정한다. 2) 강남구 내 행정동의 생활 중심점을 기준으로 행 정동 간 평균 거리를 산정한다. 3) 서울시 공유 자전거 대여 이력 데이터를 활용하여 자전거 통행 거리 분포 를 도출한다. 4) ABATA 기반의 자전거 통행량에 자전거 통행 거리 분포를 적용하여 최종적인 자전거 통행 량을 산정한다.

산정 과정에 따른 오전 첨두시 강남구 자전거 통행량 OD 매트릭스와 시각화 결과는 다음과 같다.

<Fig. 13>

Bicycle OD Matrix at the peak of the morning (unit: 100 people)

강남구 오전 첨두시 전체 자전거 통행량 산정 결과에 따르면 대체로 행정동 내 통행량이 두드러지게 높고 인접 지역 순으로 통행량이 높은 것을 확인할 수 있다. 오점 첨두시 자전거 통행량이 가장 높은 지역은 역삼 1동으로 확인되고 다음으로 높은 지역은 대치2동으로 나타났다. 역삼2동의 경우 내부 통행량과 역삼1동을 목적지로 하는 통행량이 비슷한 수준으로 추정되었고 역삼1동과 인접한 도곡1동의 경우 내부 통행량보다 역 삼1동을 목적지로 하는 통행량이 더 높게 추정된다. 이러한 결과를 통해 교통 인프라 형성 수준이 높은 역삼 1동에서 대중교통으로의 환승 목적 통행 비율이 높을 것으로 예상할 수 있다. 따라서 대중교통과 통합된 공 유 자전거 이용 서비스 상품을 개발할 필요가 있다.

<Table 7>

Visualizing bicyle traffic at the peak of the morning