Ⅰ. 서 론
수도권 도시철도는 718개 역사에서 하루 평균 약 800만명이 이용하는 대중교통수단이다. 출퇴근 첨두시간 에 승객이 집중됨에 따라 열차 용량 초과로 승객 대기현상이 발생되고 열차가 지연됨에 따라 혼잡은 가중된 다. 도시철도 혼잡은 시민의 불편함을 초래하며, 외부비용(External cost)을 발생시키는 사회적인 문제이다. 그 러므로 도시철도 혼잡 해결은 시민이 직접 체감할 수 있는 우리 실생활에 관한 현안이기 때문에 그 중요성 을 강조해도 지나치지 않다.
서울시 도시철도 혼잡도를 살펴보면 <Fig. 1>과 같이 모든 노선이 정원을 훨씬 웃도는 100%가 넘는 수치 이며, 2호선과 9호선 급행열차의 혼잡도는 해당 노선에 증량 또는 증편을 요구되는 수준인 150%를 상회해 가장 심각한 것으로 나타났다. Seoul Institute(2016)에 따르면 서울시 도시철도 혼잡으로 인한 사회적 비용은 연간 7,247억 원에 이르며, 서울시 도시철도 혼잡비용 중 쾌적성 저하 비용이 2,317억 원, 열차 지연에 따른 시간손실비용이 4,930억 원으로 산정되었다. 이는 도로 혼잡비용 8조 원의 10% 수준이나 시설연장을 고려하 면 도로의 42%로 높은 비중을 나타내고 있어 서울시 도시철도 혼잡 해소가 시급한 상황임을 알 수 있다.
한편 정보통신분야의 기술발전으로 빅데이터 시대가 도래되면서 교통카드, 모바일, 통신 자료 등 방대한 이력자료가 포함된 대용량 자료를 수집 및 분석하기 가능해졌다. 특히 교통카드자료는 도시철도 승객의 통 행기록 자료이므로 예측결과 검증이 용이하고, 자료 검증의 신뢰성이 높다. 수도권 교통카드자료는 매일 생 성되는 자료로서 시간대, 요일, 월, 년 단위의 도시철도 혼잡도 분석이 가능한 장점이 있다. 도시철도 혼잡 특성상 특정 승강장과 열차에 집중되는 결과로서 수도권 도시철도 승객의 유기적인 관계에서 파생된 결과이 다. 이 같은 현상을 정확히 분석하려면 수도권 역사, 노선, 링크, 네트워크, 열차운행계획을 모두 반영한 도시 철도 혼잡도 분석 연구가 필요하다. 특히 국내의 경우 승강장 혼잡도 분석연구(Shin et al., 2019, Lee and Shin, 2020, Lee et al., 2021)는 기수행되었으나 열차 혼잡도 분석을 모형화한 사례가 전무하다는 점에서 이와 같은 연구가 시급한 것으로 판단된다.
본 연구는 교통카드자료를 활용하고, 열차운행계획을 반영한 수도권 도시철도 열차 혼잡도 분석모형을 제 안한다. 분석모형은 수도권 도시철도 승객의 시간대별 통행궤적을 파악하고, 열차운행계획을 반영하여 열차 혼잡도를 10분 단위로 산정한다. 이는 도시철도 혼잡도는 10분 단위로 갱신할 수 있으며, 특정 노선 및 링크 의 혼잡도 파악이 가능하다. 분석모형은 효율적인 열차운행계획, 시설물 안전계획, 역 운영, 도시철도 이용객 안전 확보, 승객 만족도 제고를 위한 서비스수준 유지 자료 등 다양한 분야에 활용될 것으로 예상된다.
Ⅱ. 선행연구 고찰
기존 도시철도 혼잡도 산정 방법론은 계수법(Hand count), 중량 검지법, 통신자료기반 산정법, 교통카드자 료기반 산정법이 활용되어왔다. 계수법이란 1~2년 주기의 특정 장소 및 선별된 시간에 수행되는 방법으로 혼잡 추정의 정확도가 다소 모자란 것으로 평가되고 있다. 중량 검지법은 차량 무게를 이용한 간접산정방식 으로, 국내 2호선 신규 열차에서 시행되고 있고 열차 내부에만 표시되어 실용성이 낮다. 한편 통신자료기반 산정법은 승객의 통신 추적 매칭을 통해 혼잡을 산정하는 방법으로 Wi-Fi 데이터를 역사 내 경로 및 혼잡 이 벤트 대응에 활용(TfL, 2017)하거나 승객의 스마트폰 가속도계 자료에 네트워크 훈련 데이터베이스를 결합한 실시간 승객 추정모형을 통해 승강장 및 열차 혼잡도를 산정하고 있다(Nguyen et al., 2019). 그러나 통신자 료는 특성상 통신 간섭(Interference)과 지하 공간에서 블랙존(Black zone)이 발생하는 등 정확성을 결여시키 는 요인들이 내포되어 있어 전수화 과정을 거치면서 오차발생률이 높아진다. 반면 교통카드자료는 AFC (Automated Fare Collection)와 ICT(Information Communication Technology) 기술이 접목된 매일 실시간 생성되 는 빅데이터 전수자료로서 도시철도 혼잡 추정을 위한 기초자료로 국내외에서 그 적합성을 인정받아 널리 사용되고 있어 도시철도 열차 혼잡 산정에 가장 적합한 것으로 판단된다. 이를 바탕으로 혼잡에 대한 평가와 개선 연구가 이루어지기 때문에 열차 혼잡도의 부정확한 산정은 왜곡된 연구 결과를 초래하여 잘못된 정보 전달로 이어질 수 있다. 그래서 도시철도 혼잡문제를 제대로 진단하기 위해서는 무엇보다 정확한 열차 혼잡 도 분석모형이 필요하다.
교통카드자료를 활용한 열차 혼잡도 분석연구는 혼잡도의 분석 목적에 따라 세 가지 유형으로 분류된다. 첫째, 열차 혼잡도 산정에 관한 연구인 Jiao et al.(2017)은 역간 km당 1일 실제 이용객과 계획 이용객 나눈 값 을 역간 혼잡도로 산정하였다. 그러나 이 모형은 1일 기준 혼잡도 산정모형으로, 첨두·비첨두시 변동하는 혼 잡 산정이 불가능하며, 환승역을 통해 다른 호선에서 유입된 승객 수에 대한 산정이 부정확하다는 한계가 있 다. 더 정확한 열차 혼잡도 산정을 위해 Hong et al.(2015)는 교통카드 승하차 자료와 열차로그 자료를 비교한 다. 승객의 탑승 및 하차 가능한 열차를 선정하고, 입장-퇴장맵(Tag-in/out map)을 사용하여 승객의 경로를 추 적하는 방법론을 제시하였다. 그리고 Hong et al.(2015)의 승객경로추적 방법을 이용해 Kim et al.(2016)은 9호 선에서 승객이 실제 탑승한 열차를 추적하고, 일반·급행열차 선택 비율, 통과재차인원, 승객의 이용행태 등 을 분석하였다. 그러나 분석대상은 9호선 단일노선에 국한되었으며, 환승승객을 미반영하여 수도권 도시철 도 혼잡도 산정에 한계가 따른다. 둘째, 열차 혼잡도 평가에 관한 연구이다. 이 같은 연구는 평가에 미치는 다양한 요인을 통제 또는 반영하여 혼잡도를 정확히 평가하는 데 주안점으로 두고 있다. Tirachini et al.(2013) 는 다항로짓모형과 오차성분모형을 바탕으로 혼잡도에 미치는 다양한 혼잡 외부효과를 추정함으로써 혼잡 도를 평가하였다. 셋째, 열차 혼잡도 개선에 초점을 맞춘 연구이다. Eom et al.(2014)는 서울 2호선 순환선과 삼성행 단절 열차 투입 빈도 조정에 대한 시나리오를 제시하고 OD 분석을 통하여 열차 내 승객 수요 감소 에 따른 혼잡 개선 효과를 분석하였다. 그러나 2호선 일부 구간의 혼잡도를 분석한 연구로서 미시적인 사례 분석에서는 수도권 도시철도에서 발생되는 다양한 혼잡상황을 반영하지 못하였다. Cho and Chung(2015)은 2 호선의 차내 혼잡도를 완화하기 위해 혼잡구간 및 시간대에 자동운행열차(Automatic Train Operation)를 연속 배차하고, 혼잡역에는 안내원을 배치하는 시험운행 기반 시뮬레이션을 통해 혼잡 개선 효과를 분석하였다. 하지만 열차지연과 혼잡 개선 효과를 측정하기에는 일반적 산술평균방식은 정확성이 다소 부족하다.
지금까지 검토한 선행연구들은 혼잡 산정 자체에 대한 정확성이 낮아지는 요인들이 내포되어 있거나, 높 은 정확도의 산정방식임에도 적용 범위가 특정 호선 및 구간으로 다소 제한적인 연구였음을 확인할 수 있었 다. 선행연구와 달리 본 연구의 차별성은 대규모 도시철도 네트워크와 승객의 실제 통행행태를 반영하는 데 주안점을 두었다. 특히 본 연구는 도시철도 승객의 환승과 다중경로 이용행태를 반영하고, 수도권 도시철도 열차운행계획을 적용한 열차 혼잡도 분석모형을 제안하고자 한다.
Ⅲ. 도시철도 열차 혼잡도 분석방법론
1. 도시철도 승객 통행배정 모형
수도권 도시철도 통행은 1일 약 800만 통행이 발생한다. 수도권 개별 승객 통행은 이산형기반 모형이지만 폐쇄형인 수도권 도시철도 네트워크와 연속적인 통행발생이 이루어지는 특성을 반영하기 위해서는 연속형 모형구조로 구축하는 것이 합당하다. 그러므로 본 연구에서는 경로기반 연속형 동적 통행배정모형을 제안한 다. 경로선택 알고리즘은 Azevedo et al.(1993)에서 제안한 K경로탐색 알고리즘을 적용한다. 일반화비용 변수 는 승객이 승차역에서 도착역까지 실제 통행행태를 반영하기 위해 일련의 과정을 세분화시켜 통행행태 특성 별 통행시간변수를 선정한다. 열차의 승객배정모형은 열차배차간격을 적용하여 열차 혼잡도 분석모형의 정 확도를 높인다.
1) 동적 경로선택 알고리즘
승객 통행배정모형은 승차역에서 하차역까지 최소통행시간 경로를 선택하는 가정으로 모형을 구축하였다. 개별 승객들은 최소통행시간 경로를 선택하며, Eq. (1)과 같이 나타낸다. 여기서, r (출발지), s(도착지), p(선택 경로)이며, t시점에서 는 일반화비용(통행시간), 는 경로를 선택할 확률, qrs (t)는 승객수이다.
여기서,
본 연구에서 제안한 Azevedo et al.(1993)의 K경로탐색 알고리즘은 탐색된 최초 동적경로를 기준으로 네트 워크를 변형하면서 다음 경로를 탐색하는 과정을 반복한다. 이때 탐색된 경로가 최초로 탐색된 경로의 일반 화비용과 비교하여 통행시간 대비 20% 이상 경로를 제외한 나머지 경로를 유사경로로 확정한다. 유사경로에 배정된 통행량은 모두 개별통행이므로 1을 탐색된 유사경로수를 나누면 균등배정확률이 산정되면 이 배정확 률로 유사경로별 승객을 배정한다.
2) 일반화 비용
분석모형에서 경로를 탐색하는 기준은 시간으로 환산되는 일반화 비용이다. 승차역-하차역(환승포함) 까 지 통행행태에 따른 요인별 승객 소요시간을 Eq. (2)와 같이 모두 반영하였다. <Fig. 2>는 이러한 과정을 나 타내며, 승객이 출발 r에서 도착 s까지 상황을 표현하고 있다.
여기서,
-
: r - s간 t시간 p경로의 통행시간(분)
-
: r - s간 t시간 p경로의 차내시간
-
: r - s간 t시간 p경로의 환승이동시간
-
: r - s간 t시간 p경로의 대기시간
-
Ar : r게이트에서 승차승강장까지 접근시간(1분)
-
Es : 하차승강장에서 s게이트까지 접근시간(1분)
3) 열차운행계획을 고려한 동적 경로탐색 최적화
출발지(r )에서 시간(t)을 시점으로 링크기반 동적 최소시간 경로탐색방법을 수행한다. 식으로 Eq. (3)과 같 이 최적식을 구축하였다. 도착 및 출발을 하나의 시간창(Time Window)로 승객과 열차 이동을 동일하게 적용 가능한 알고리즘 구축하였다. 도시철도 승객의 정확한 경로를 추정하기 위해 교통카드자료와 열차운행스케 줄 자료를 10분 단위로 결합하여 통행배정모형을 구축하였다. 기존 승객 경로선택 모형에서는 열차 대기시 간을 열차배차간격의 1/2로 가정하였으나 현실적으로 탑승 열차를 선별하기 위해 배차간격 제약과 시간창 (Time Window) 제약을 반영하여 열차운행계획을 적용하였다.
여기서,
-
: r에서 t시점에서 출발해서 링크b까지 최적일반화비용
-
: r에서 t시점에서 출발해서 링크b까지 통행시간
-
: r에서 t시점에서 출발해서 링크a까지 통행시간
-
Cb : b링크 통행시간
-
Tab : a, b링크 환승통행시간
-
Wab : a, b링크 대기시간()
-
: b링크 배차간격
-
n : 열차운행대수(10분)
2. 도시철도 열차 혼잡도 기준
국내외 도시철도 혼잡도 기준은 크게 승강장과 열차로 분류된다. 먼저 승강장 혼잡도의 경우 국내 도시철도 승강장 혼잡도 서비스수준(LOS) 지표는 MOLIT(2013)과 MOLIT(2018)에서 승강장 밀도(인/㎡) 또는 공간모듈(㎡/ 인)을 준용한다. 반면, 국외 지침인 Transportation Research Board of the National Academies(2013)은 도시철도 승객 보행흐름 상태와 서비스수준 척도로 점유밀도, 통행시간, 속도, 안락함, 편안함을 제시하고 있다. 다음으로 열차 혼잡도의 경우 국토교통부는 혼잡도가 150%가 넘는 경우 해당 노선에 증량 또는 증편 요구 및 권고하며, Seoul Institute(2016) 조사 결과 이용자가 감내 가능한 혼잡도는 125% 미만이다. 차내 혼잡도는 객차 1량의 정원 대비 실재차인원의 비율이며, 서울시 지하철 열차 혼잡도 150%는 객차 1량당 약 240명이 탑승하여 객실좌석이 모두 점유되고 통로에 4열 입석, 출입문에 5열 입석한 상태를 나타내는 수치이다. 국외 지침인 경우, 서비스수준 척도로 좌석이용률(Load factor)과 입석 공간모듈(Passenger standing density)을 제시하고 있으며, 서비스 E수준 좌석이용률은 1.26~1.50(인/좌석)수준으로 밀집포화상태(Maximum schedule load)를 의미한다.
3. 도시철도 열차 혼잡도 분석모형
본 연구의 열차 혼잡도 분석모형은 10분 단위로 Load factor(승객수/용량)를 산정한다. 10분 단위별로 구간 별 승객수를 배정한 후 도시철도 노선별 객차 편성수(량) 적용하여 혼잡도(%)를 산출한다. 열차 혼잡도의 서 비스수준은 Seoul Institute(2016)에서 제시한 객차량 내부 혼잡도 기준을 준용하여 LOS(Level of Service)를 결 정한다.
여기서,
-
: t시간대 b노선 i와 j역간 n객차량당 승객 혼잡도
-
: t시간대 b노선 i와 j역간 n객차량당 승객수
-
: t시간대 b노선 i와 j역간 n객차량당 기준재차인원(160명)
-
: t시간대 b노선 i와 j역간 열차운행대수
Ⅳ. 도시철도 열차 혼잡도 분석결과
1. 분석자료
분석자료는 2019년 5월 10일 수도권 승객 1일 교통카드자료를 이용하였다. 교통카드자료는 수도권 대중교 통 승객의 통행기록이 저장되어 있다. 자료 항목은 승객의 이용수단, 승하차 정류장 ID, 통행거 및 통행시간 등 다양한 정보로 구성되어 있다. 이를 기반으로 역사별, 노선별, 수단별 시간대별 승객의 통행 이동경로와 통행을 분석하였다.
수도권 도시철도 승객의 통행분석을 위해 2019년 5월 기준 수도권 물리적 네트워크를 구축하였다. 먼저 도시철도 역사는 교통카드단말기 번호와 역명 정보 등이 포함된 총 730개로 노드로 구성된다. 링크는 도시 철도 노선과 동일하게 연결시켰으며, 9호선 급행의 가상링크를 포함하여 총 1,429개로 구축하였다. 환승링크 는 환승 역사 간 방향별 실제 환승통행거리를 구축하였으며, 9호선 급행 포함 106개로 구성하였다. 노선별 배차간격은 2019년 기준 12개 도시철도 운송기관 자료를 적용하였다.
2. 분석 모형 검증
<Fig. 3>은 수도권을 대상으로 1일 통행시간에 대한 실제 Tag-in과 Tag-out 시간의 차이인 실제 통행시간과 본 연구에서 제시한 분석모형에서 예측된 통행시간을 비교 검증한 결과이다. 수도권 네트워크 범위를 고려 하여 통행시간이 250분 이상인 통행은 이상치로 간주하여 제외시켰다. 추가적으로 오전 첨두시(07~09시), 오 후 첨두시(18~20시)에 대한 모형 검증을 수행하였다. 여기서 수도권 도시철도 통행에 대한 실제와 예측 통행 시간을 비교하는 선형회귀식의 결정계수(R2)는 0.951로 분석되었다. 또한 오전 첨두시는 0.937, 오후 첨두시 는 0.957이 결정계수로 산정되었다. 이는 실제와 예측 통행시간의 높은 일치성을 의미하며, 모형의 적합도는 매우 높다고 판단된다.
3. 사례분석 결과
1) 주요 혼잡구간
앞서 제시된 모형을 통해 열차 혼잡도를 진단하고 산정결과의 적정성 검토를 위해 사례분석을 수행하였다. 사례분석 범위는 서울교통공사 운영구간인 1~8호선으로 설정하였으며, 1일 통행량을 산정하여 10분 단위로 열차 혼잡도를 분석하였다. 공간적 범위를 1~8호선으로 선정한 이유는 외곽지역이나 비첨두시간에는 배차간격 이 10분 이상인 구간이 많이 존재한다. 분석단위가 10분이므로 배차간격이 10분 이상인 구간은 혼잡도를 산정 할 수 없다. 그럼에도 불구하고 분석단위를 10분 단위로 선정한 이유는 승객이 보편적으로 혼잡정보를 인지할 수 있고 혼잡 대응에 대한 실효성을 높이기 위한 적절한 시간이기 때문이다. 만약 단시간 빈번한 혼잡정보를 제공할 경우 승객이 혼동할 우려가 있어 혼잡정보 제공이 적절한 시간 단위인 10분을 선정했다. 열차 혼잡도는 10분 동안 열차에 탑승한 승객과 운행한 열차 대수로 나누고, 객차 1량당 승객 수 160명을 혼잡도 100%로 간주 하여 LOS로 평가하였다. 이때, 열차 혼잡도는 10분 단위 내에 열차운행대수를 고려한 열차별 혼잡도로 나타냈 으며, 최대용량인 혼잡도 250%에 도달했을 경우 승객을 다음 열차에 탑승시켜 혼잡도를 산정하였다.
주요 혼잡구간을 확인하기 위해 1일 단위 내에 10분 단위 혼잡도 중 최대혼잡도를 <Table 4, 5>에 정리하 였으며, <Fig 4, 5>는 이를 시각화하였다. 이 결과를 토대로 어느 구간을 통과할 때 열차가 가장 혼잡한지를 파악할 수 있다. 먼저 오전(7:00~9:00)과 오후(18:00~20:00) 첨두시 호선별 최대혼잡도가 분석된 결과를 살펴 보면, 2호선이 오전 첨두시 전체 46개 구간 중 20개 구간을 오후 첨두시 전체 51개 구간 중 17개 구간을 확 인할 수 있었다. 이때, LOS가 F로 분석된 극심한 혼잡도를 보인 구간은 신림~강남으로 분석되었다. 특히 실 제로 2호선의 경우 첨두시간에 열차에 탑승해본 시민이라면 이 정도의 혼잡도가 유지되는 것은 주지의 사실 이다. 따라서 최대혼잡구간 분석결과는 현실을 적정하게 모사한 것으로 사료된다.
2) 첨두시 주요 혼잡도 구간 분석결과
주요 혼잡노선인 2호선을 중심으로 주요 혼잡구간에 대해 혼잡도 변화를 파악하였다. 분석결과, 역삼-강 남, 강남-교대, 교대-서초, 방대-사당 구간의 첨두시 열차 혼잡도가 높은 것으로 분석되었다. 오전 첨두시는 내선보다 외선이 더 혼잡한 반면 오후 첨두시는 반대 양상을 보였다. 주요 혼잡구간의 열차 혼잡도 변화는 <Fig. 6~11>에 제시하였다.
먼저 강남-역삼 외선구간은 오전 첨두시에 LOS D 수준 이하의 열차 혼잡도를 나타내고 있어 혼잡 완화 조치가 필요할 것으로 판단된다. 한편, 내선구간은 오전 첨두시에 열차 혼잡도가 100% 이하로 산정된 반면 오후 첨두시 18:20~18:40에 LOS D에 도달하였다. 교대-강남 외선구간은 9:00와 18:50에 LOS F 수준이 250% 혼잡도에 도달했다. 해당 구간은 오전·오후 첨두시 모두 혼잡이 심각한 수준인 것으로 나타났다. 내선구간의 경우 오전 첨두시 열차 혼잡도는 100% 수준을 유지하는 반면 오후 첨두시는 150% 이상 LOS D로 나타났다. 서초-교대 외선구간은 8:40~9:00에 LOS D에서 LOS F로 악화되었고, 18:40~19:00에 LOS F 수준까지 높아지 는 것으로 분석되었다. 내선구간은 7:30을 제외하곤 LOS A로 외선에 비해 상대적으로 오전 첨두시에는 혼잡 상태가 양호한 것으로 보인다. 그러나 오후 첨두시에는 외선구간보다 열차 혼잡도가 다소 악화되었으며, 18:10에는 LOS E에 도달했다. 마지막으로, 사당-방배 외선구간은 8:30 이후로 혼잡이 심해지면서 8:50에는 열차 혼잡도가 250%로 산정되었으며, 오후 첨두시는 최고 LOS C로 다소 오전에 승객이 집중되는 경향이 나 타났다. 하지만 내선구간은 오전 LOS A를 유지하였으나, 18:10~18:40에는 LOS D로 분석되었다.
3) 1일 혼잡도 분석결과
본 연구에서는 1~8호선의 1일 기준 열차 혼잡도를 분석하였다. 분석결과는 <Fig. 14~21>에 제시한다. 1호 선의 경우 첨두시 주요 혼잡구간은 서울역-시청(상선), 시청-서울역(하선)으로 선정되었고, 서비스수준이 E와 D로 분석되었다. LOS D 이하에 해당구간은 서울역-시청이며, LOS C로 분석된 구간은 종로3가-종각, 동대문- 종로5가, 동묘앞-동대문 총 3구간으로 나타났다.
<Fig. 14>는 1호선 전체 노선에 대한 혼잡도를 시각화한 결과이다. 1일 평균 34.8%의 혼잡도를 유지하며, 최대 191% 혼잡도가 산출되었다. 2호선은 최대혼잡도 기준인 LOS F가 가장 많이 관측되는 호선으로 강남- 역삼, 교대-강남, 서초-교대, 사당-방배와 같은 구간이 대표적이다. 총 102개 구간 중 LOS F 수준이 20개 구 간이며, LOS E 수준이 11구간, LOS D 수준이 14구간으로 LOS D 수준 이하의 구간비율은 44%에 육박한다. <Fig. 15>는 2호선 열차 혼잡도를 나타낸 것이며, 1일 평균 혼잡도는 43.4%이고, 최대 250%까지 산정되었다.
3호선 열차 혼잡도 결과는 <Fig. 16>이며, 1일 평균 37.4%, 최대 186%로 분석되었다. 총 66개 구간 중 LOS D 수준 이하의 구간이 12개 구간으로 3호선내 LOS D이하 점유율은 18%이다. <Fig. 17>은 4호선의 열차 혼 잡도로 1일 평균 41.2%, 최대 236%로 산정되었다. 총 50개 구간 중 LOS D 수준 이하의 구간이 19개 구간으 로 4호선내 LOS D이하 점유율은 38% 수준이다.
5호선의 열차 혼잡도는 <Fig. 18>에서 제시하였으며, 1일 평균 26.7%, 최대 200%로 분석되었다. 총 100개 구간에서 LOS D 수준 이하의 구간이 6개로 열차 혼잡도가 높은 구간이 적은 것으로 나타났다. <Fig. 19>는 6호선 열차 혼잡도이며, 1일 평균 28.2%, 최대 208%로 분석되었다. 총 67개 구간 중 LOS D 수준 이하의 구 간이 3개 구간으로 5호선과 마찬가지로 열차 혼잡도가 높은 구간의 비중이 낮은 편이다. 7호선 열차 혼잡도 는 <Fig. 20>과 같으며, 1일 평균 33.6%, 최대 183%로 산정되었다. 총 100개 구간 중 LOS D 수준 이하의 구 간이 10개 구간으로 7호선내 LOS D 이하 구간 비율은 10%를 차지하였다. <Fig. 21>은 8호선의 열차 혼잡도 를 나타내며, 1일 평균 37.1%, 최대 229%로 나타났다. 총 32개 구간 중 LOS D 수준 이하의 구간이 13개 구 간으로 LOS D 이하인 혼잡구간 비율은 40.6% 수준이며, 5~7호선에 비해 높은 것으로 분석되었다.
Ⅴ. 결론 및 향후 과제
열차 혼잡도는 도시철도 운영정책 수립에 있어서 대단히 중요한 지표이다. 열차 혼잡도 산정의 정확성을 높이면 도시철도 혼잡 완화 및 개선에 활용될 수 있기 때문이다. 특히 사회적 비용 절감, 승객의 만족도 및 안전성 제고 등 공익적 기여도가 높다. 본 연구는 기존의 수도권 도시철도 열차 혼잡도 산정의 한계점을 보 완하고, 수도권 도시철도 열차운행계획이 반영된 열차 혼잡도 분석모형을 제시하였다. 특히 열차 용량 초과 시 승객이 대기한 후 다음 열차에 탑승하는 통행패턴을 고려하여 열차 통행배정모형을 구축하였고, 사례분 석을 통해 1~8호선 열차 혼잡도를 10분 단위로 분석하였다. 이는 승객에게 10분 단위로 수도권 열차 혼잡정 보를 제공할 수 있음을 의미한다.
먼저 분석모형에서 도출된 결과를 요약하고, 학술적 기여도와 활용방안은 다음과 같이 정리하였다. 1~8호 선 열차 혼잡도 서비스수준이 F로 분석된 극심한 혼잡도를 보인 구간은 신림~강남 구간으로 나타났다. 특히 교대-강남 외선구간은 오전 첨두시 8:30~09:00에 열차 혼잡도가 LOS F로 분석되어 극심한 혼잡수준을 유지 하고 있다. 2호선 주요 혼잡구간 중 오전 첨두시에는 외선이 내선보다 상대적으로 더 혼잡한 양상을 보이는 반면 오후 첨두시는 반대 양상을 보였다. 노선별 열차 혼잡도를 살펴보면 혼잡구간 비중이 높은 노선은 1, 2, 8호선이고, 나머지 3~7호선은 일부 구간만 혼잡한 것으로 분석되었다.
본 분석모형은 주요 혼잡구간의 혼잡 완화 조치가 필요한 시간대를 파악할 수 있어 열차운행스케줄 조정, 혼잡 개선정책에 활용될 수 있다. 더 나아가 열차운행계획 최적화, 긴급상황 발생 대응, 요금정책 제안 등 다 양한 도시철도 운영정책의 적용이 가능하므로 사회적 편익 증대에 기여할 것으로 기대된다. 더불어 혼잡도 시각화 구현하여 혼잡정보를 제공한다면 승객이 출발시간 또는 경로 변경이 가능하기 때문에 수요 분산 효 과로 이어질 것이다.
본 연구는 10분 내 열차운행대수를 활용하여 평균배차간격으로 적용하였으므로 정확한 열차운행계획이 반영되지 못하였다. 예컨대, 10분 내 운행열차대수가 3개일 경우 이 열차들의 평균혼잡도를 산정했기 때문에 열차별 혼잡도를 더 정확히 산정할 수 있는 연구가 필요하다. 또한 배차간격이 분석단위인 10분 보다 더 클 경우 혼잡도를 산정할 수 없다. 즉, 비첨두시간대나 수도권 외곽지역에는 혼잡정보를 제시하지 못하는 시간 대가 존재함을 의미한다. 따라서 일정 단위 혼잡정보를 제공하는 모형보다 열차별 혼잡정보를 제공 가능한 모형으로 개선해야 한다. 향후 과제로는 열차운행계획을 반영한 에이전트기반 통행배정모형 연구가 필요할 것으로 판단된다.
