Ⅰ. 서 론
개인 이동수단, 준대중교통 (택시) 및 대중교통 등 기존에 수립되어 있는 모빌리티 서비스 체계 및 수요대 응형 모빌리티 서비스, 공유 모빌리티 서비스, 자율주행 기반 모빌리티 서비스 및 통합모빌리티서비스(MaaS) 등 신규 도입을 목적으로 하는 모빌리티 서비스는 구축 대상 지역의 특성과 여건에 따라 변화할 필요가 있 다. 또한, 지역 특성에 따른 모빌리티 패턴 및 여건 분석을 위해서는 해당 지역의 통행행태를 기종점 (Origin-Destination, OD) 자료에 적절하게 반영하는 것이 중요하다. 이를 위해서는 집계 지역에서 발생한 통 행이 공간적으로 유사한 특성을 나타낼 필요가 있다. 그러나 현재 국가교통DB에서 수행하는 국가교통조사 를 통해 구축되는 OD 자료는 시·군·구(전국 지역간) 또는 읍·면·동(수도권 및 5대 광역권)에 해당하는 행정 구역 단위의 존 체계로 집계되어 구축됨에 따라 공간적 동질성을 담보하기 어려운 실정이다 (Lim et al., 2008). 이는 종래의 OD 자료를 이용할 경우 권역 및 지역간 거시적 모빌리티 패턴을 식별하는데 활용도가 높은 반면, 특정 지역 내 지리적·공간적 특징을 반영한 모빌리티 통행 패턴 및 여건 분석에는 한계가 있음을 의미한다. 예를 들면, 여객자동차 운수사업법의 「대중교통의 육성 및 이용촉진에 관한 법률」제16조에 의거 하여 대중교통이 부족하다고 인정되는 지역을 운행하는 수요응답형 대중교통 또는 도심의 국소 지역에서 운 영하는 도심형 수요응답형 모빌리티 서비스의 경우 특정 소규모 단위의 행정 구역을 대상으로 운영됨에 따 라, 종래의 존 체계를 기반으로 집계된 OD자료를 활용할 경우 본연의 통행 특성 및 여건 분석에 어려움이 따를 가능성이 있다. 다양한 모빌리티 수단과 서비스들이 지역별 특성에 따라 서로 다른 형태로 운영되고 있 어 지역적 특징에 따른 모빌리티 서비스의 주요 거점과 패턴이 다르게 나타난다. 이에 각각의 모빌리티별 OD 데이터를 기반으로 한 분석 방법론을 이용해 개별 모빌리티 수단에 대한 본연의 이용 패턴을 분석하여 효과적인 모빌리티 전환을 도모하기 위한 기초자료로 활용하는 것이 가능하다. 하지만 여전히 OD 자료를 추정하고 예측하는 여러 선행연구들과 달리, 주어진 OD 자료를 활용한 통행 특성 분석은 부족한 실정이다. 따라서, 시공간적으로 제한을 받지 않으며 서로 다른 규모의 지역에서 보편적으로 적용이 가능한 분석 방법 론이 필요하다.
본 연구에서는 노선 및 구역 기반의 여객 운송 서비스를 담당하는 대중교통 버스와 택시와 같은 기존 모 빌리티와 도심형 수요응답형 운송 서비스를 제공하는 신규 모빌리티에 대한 개별 서비스 데이터의 OD 자료 를 기반으로, 지역 모빌리티 수단별 통행 특성 파악이 가능한 분석 방법 마련에 주안점을 두고자 한다. 이를 위해 기존 존 체계에서 벗어나 데이터 기반의 클러스터링을 통해 설정된 집계 방식을 도출하여 시간 변화에 따른 기종점 통행패턴을 분석하는 방법을 제시하고자 한다. 제안 방법은 행정 구역 단위로 통합된 OD 자료 를 기반으로 하는 기존 존 체계와 달리, 개별 모빌리티 서비스 OD 데이터 본연의 특징 벡터들을 클러스터링 하여 집계한 OD 자료를 기반으로 유사 공간적 특성을 반영한 모빌리티 여건 분석을 가능하게 한다. 따라서, 제안 방법은 지역 모빌리티 서비스 본연의 통행 특성 분석 및 여건 파악을 위한 용도로 이용하여 지자체 교 통계획 수립, 시행 및 평가의 기초자료로 활용할 수 있을 것으로 기대된다.
Ⅱ. 선행연구 고찰
첨단 정보통신 기술의 발달로 공공 및 민간의 다양한 수집원들을 통해 교통 빅데이터가 수집되어 오고 있 으며, 이러한 교통 빅데이터를 활용하여 OD 자료 구축 체계의 고도화를 위한 다양한 연구들이 수행되어왔 다. 대표적인 사례로, 모바일 통신 데이터를 기반으로 데이터 기반 방법론(Data-driven Approach)을 이용하여 OD 자료를 구축하고 이를 토대로 모빌리티 특성을 분석하는 연구들이 수행되어왔다. Bahoken and Olteanu- Raimond (2013)는 프랑스 북부에 위치한 피카르디를 대상지를 기반으로 Call Detailed Recorder (CDR) 데이 터1)를 이용하여 보로노이 폴리곤(Voronoi Polygon)을 기반으로 집계하여 OD 자료를 구축하였다. 해당 연구 에서는 프랑스 피카르디 지역의 행정 경계 구역과 보로노이 폴리곤 기반의 OD 구축 자료의 공간 분포를 비 교한 결과를 바탕으로, 보로노이 폴리곤 기반의 접근 방식이 지역 내 모빌리티 특성을 파악하는데 보다 용이 한 것을 발견하였다. Iqbal et al.(2014)과 Mamei et al.(2019)은 선행연구와 유사하게 CDR 데이터와 더불어 일 부 실측 OD 자료를 통해 도출되는 환산 계수(Scaling Factor)를 병용하여 각각 방글라데시의 수도인 다카와 이탈리아의 세 개 지역(피에몬테주, 에밀리아로마냐주 및 롬바르디아주)을 대상으로 OD 분포를 추정하였다. Dong et al.(2015)은 공간적 통행 발생 분포의 특성에 따른 클러스터링 기반의 집계 방식을 수립하기 위해, 중 국 베이징을 대상으로 한 CDR 데이터를 바탕으로 K-means 클러스터링 알고리즘 적용을 통해 OD 자료를 구 축하여 모빌리티 패턴을 분석하였다.
한편, Andrienko et al.(2016)은 잉글랜드 런던에서 수집된 약 500만 건이 넘는 자전거 이용 데이터를 기반 으로 K-means 클러스터링 알고리즘 적용을 통해 거시적인 이동성 추이와 시공간적 패턴 변화를 나타낼 수 있는 시각화 연구를 수행하였다. Mungthanya et al.(2019)은 포르투갈 리스본을 대상으로 한 택시 모빌리티 데 이터를 기반으로 밀도 기반 클러스터링 방법 중 하나인 Density-Based Spatial Clustering of Applications with Noise (DBSCAN)를 적용하여 시·공간 특성을 반영할 수 있는 동적 OD 행렬 구축 방법론을 제시하였다. 이와 유사하게, Guo et al.(2012)과 Shen et al.(2017)은 각각 중국 광둥성 선전시와 장쑤성의 난징시를 대상으로 택 시 모빌리티 데이터를 활용하여 Shared Nearest Neighbor (SNN)와 티센 폴리곤(Thiessen Polygon)을 기반으로 클러스터를 구성하고, 이를 통해 시간대별 OD 위치의 공간 분포에 대한 특성을 분석하였다. 한편, Qi et al.(2020)은 중국 베이징 지역을 대상으로 스마트카드 데이터를 활용하여 Fuzzy C-Means (FCM) 알고리즘 적 용을 통해 OD를 클러스터링하고, Non-negative Tensor Factorization (NTF) 적용을 통해 주요 특징 벡터들을 선 별하여 OD 자료를 구축하여 통행패턴을 분석하였다.
선행연구에 대한 문헌조사 결과, 특정 지역 내 단일 모빌리티 서비스 데이터를 기준으로 데이터 기반 접 근 방법을 활용한 집계 방식을 통해 OD 자료를 구축하여 모빌리티 특성을 분석하는 방법들이 다수 제시되 고 있다. 그러나 여전히 신규 모빌리티 서비스에 대한 데이터 기반 접근 방법의 모빌리티 특성 분석 연구는 미흡하며, 특히 국내의 경우 지역 내 모빌리티 서비스의 원시 데이터를 기반으로 한 시·공간적 통행 특성 분 석에 대한 연구가 전무한 실정이다. 따라서, 지역 모빌리티 서비스 여건을 파악하기 위하여 시공간적인 제약 없이 서로 다른 규모의 지역에서 보편적으로 적용 가능한 분석 방법 개발이 필요한 것으로 판단된다. 이에 본 연구는 종래의 행정 경계 단위의 존 체계에서 벗어나 원시 데이터 기반의 클러스터를 기준으로 한 집계 단위 설정을 통해 OD 자료를 구축하고, 이를 이용하여 지역 내 다종의 모빌리티 수단별 시간 변화에 따른 OD 통행패턴을 분석하는 방법을 제시한다. 제안 방법은 모빌리티 특성과 무관하게 행정 구역 단위의 일률 적인 OD 구축 자료를 기반으로 하는 기존 존 체계와 달리, 개별 모빌리티 서비스 OD 데이터 본연의 특징 벡터들을 이용한 클러스터를 기준으로 한 집계 방식에 의거하여 OD 자료를 구축함에 따라, 유사 공간적 특 성을 반영한 모빌리티 여건 분석을 가능하게 하여 지역 모빌리티 서비스 본연의 특징 및 여건 파악에 기여 할 수 있을 것으로 전망된다.
Ⅲ. 연구방법론
1. 활용 데이터 및 분석 범위
본 연구는 기존 행정 구역 단위의 존 체계를 기반으로 집계하여 OD 자료를 구축하는 전통적인 방법(Conventional Method)과 데이터 기반 접근 방법 적용을 통한 클러스터 단위의 집계 방식으로 OD 자료를 구축하는 제안 방법 (Proposed Method)을 이용하여, 지역 내 기존 및 신규 모빌리티 이용 패턴에 대한 공간적 특성 분석을 수행하여 시사점을 도출하고자 한다. 이에 본 연구에서는 기존 교통수단인 대중교통 버스 (Transit Bus, TB) 및 택시(Taxi)와 신규 교통수단인 도심형 수요응답형 버스 (Demand Responsive Transit, DRT) 모빌리티 서비스에 대한 사례연구 수행을 위해, 실제 모빌리티 서비스의 승·하차 지점 및 탑승시간 정보를 포함하는 이동 데이터를 활용한다. 지정된 경로로 운행하는 대중교통 버스와 지자체 단위의 구역에서 유동적인 경로로 운행하는 택시 및 도심의 국소 지역 내 실시간 수요에 의해 탄력적으로 경로를 변경·선택하는 도심형 수요응답형 버스의 OD 자료 구축을 위하여, 각각 스마트카드 데이터, 운행 기록 데이터(DTG) 및 승하차 위치 정보 데이터를 사용한다.
본 연구는 <Fig. 1>과 같이 사례연구 대상지를 세종시 행복도시를 포함하는 일부 지역으로 설정한다. 대상 지역의 범위 설정을 위해 경위도 좌표 (36.460015, 127.224644)와 (36.540015, 127.344644)를 기준으로 제한하 며, 해당 공간적 범위 안에서 발생된 모빌리티 서비스 이력 자료를 추출하여 분석에 사용한다. 구체적인 활 용 데이터의 상세 정보는 <Table 1>과 같다. 본 연구수행을 위해 취득한 대중교통 버스 이용에 대한 원천 자 료는 ’20년부터 ’21년의 이력 자료이며, 약 37%가량의 일일 데이터 누락 또는 개별 통행의 승·하차 정보의 일부 결측치를 포함한다. 이를 제외한 나머지 약 15개월 치의 데이터를 원시 데이터로 활용할 수 있었으며, 해당 데이터에 포함된 통행 발생은 8,872,688건에 해당한다. 이와 유사하게, 택시 및 수요응답형 버스 데이터 의 경우 각각 ’19년과 ’21년의 약 2달 동안의 이력 자료를 구득할 수 있었으며, 약 6% 미만과 1%가량의 승· 하차 시각 기록에 결측값이 존재하였다. 이를 제외한 나머지 원시 데이터에 포함된 택시와 수요응답형 버스 이용의 통행 발생은 각각 105,003건 및 80,487건에 해당한다. 지역 모빌리티 서비스 이용에 대한 대표적 특징 을 반영하기 위하여 모빌리티 수요가 저조한 주말 이용을 제외하였으며, 취득한 개별 모빌리티 데이터의 기 간을 고려해 공휴일을 포함하지 않는 특정 주중 일주일 치 데이터를 분석에 활용하였다. 또한, 개별 모빌리 티 수단들의 운영 시간과 모빌리티 이용 패턴을 고려해, 추출된 데이터를 오전(8시~12시), 오후(12시~16시) 및 저녁(16시~20시)에 해당하는 세 가지 유형의 시간대로 구분하여 분석자료로 활용하였다.
2. 데이터 기반 모빌리티 특성 분석 방법
데이터 기반의 공간 분석에 활용되는 수많은 클러스터링 알고리즘들이 존재하며, 현존하는 클러스터링 알 고리즘들 중 대표적인 방법으로 K-means (Hartigan and Wong, 1979), Spectral (Von Luxburg, 2007), DBSCAN (Ester et al., 1996) 및 SNN (Jarvis and Patrick, 1973) 등이 있다. 본 연구에서 제안하는 방법은 특정 클러스터 링 알고리즘에 국한되지 않으며, 그 어떠한 클러스터링 기법을 활용해도 모빌리티 특성 분석이 가능하다. 이 에 본 연구에서는 대표적인 예시로써, 상기 열거된 알고리즘들 중에 K-means 클러스터링 알고리즘을 이용하 여 모빌리티 특성 분석을 수행한다. K-means 알고리즘 상의 최적의 클러스터 개수를 의미하는 K 파라미터를 도출하기 위한 방법으로 Elbow Method, Silhouette Score, Information Criterion Approach 및 An Information Theoretic Approach 등이 존재하며, 본 연구에서는 가장 보편적으로 널리 활용되는 Elbow Method를 이용하여 일차적으로 K 파라미터를 도출한다. Elbow Method는 일종의 휴리스틱 방법으로써, 수식 (1)과 같이 Inertia로 알려진 Within Clusters Sum of Squares (WCSS) 측정값을 기반으로 클러스터 개수 변화에 따른 민감도를 분석 하여 팔꿈치처럼 굽어지는 부분을 최적의 클러스터 개수 K로 선정하는 방법이다.
여기서 C는 클러스터의 중심점(Cluster’s Centroid), d는 데이터 포인트를 지칭한다.
<Fig. 2>는 대중교통 버스, 수요응답형 버스 및 택시에 해당하는 모빌리티별 Elbow Method 적용 결과를 나타낸다. 그림에서 보여주듯이, 모빌리티 유형과 관계없이 x-축의 K 값이 증가함에 따라 y-축의 WCSS 값이 감소하는 동일한 경향성을 나타내는 것을 관측할 수 있다. 또한, K값이 1부터 6에 해당하는 값을 취할 때 K 값이 증가함에 따라 WCSS의 감소 경향성이 급격하게 증가하는 반면, K값이 6 이상에 해당하는 값을 취할 때 WCSS 값의 감소 경향성이 감소하는 것을 발견할 수 있다. 이에, Elbow Method에 의거하여 Elbow Point 값을 6으로 설정할 수 있다.
하지만, Elbow Method의 경우 모빌리티 수단별 패턴에 따른 고유의 특성을 반영하지 못하는 한계가 있 어 최적의 K값 선정에 어려움이 존재한다. 이에 본 연구에서는 K값 설정 변화에 따른 원시 OD 데이터와 의 유사도 분석을 통해 최적의 K 값을 설정한다. 본 연구에서는 유사도 분석을 위해 모빌리티 수단별 OD 의 이동 거리 특성을 나타내는 확률밀도함수(Probabilistic Density Function, PDF)와 OVerlapping Area(OVA) 수치를 활용하였다. 여기서, OVA 수치는 모빌리티별 K값 설정에 따른 개별 통행 거리에 대한 PDF 분포와 원시 데이터의 이동 거리에 대한 PDF 분포 간의 유사도를 나타내며, 1에 가까울수록 유사도가 높은 것을 의미한다.
<Fig. 3>은 K값 변화에 따른 OD 이동 거리에 대한 확률밀도함수들의 분포를 나타낸다. 그림에서 확인할 수 있듯이, K값이 감소할수록 OVA 수치가 증가하여 원시 데이터와의 유사도가 높고, K값이 증가할수록 OVA 수치가 감소하여 원시 데이터와의 유사도가 낮아지는 경향성을 보인다. 또한, 세 가지 모빌리티 수단 모두 K값이 6일 때 OVA 값이 가장 높은 반면, K값이 11에서 16으로 증가할 때 OVA 수치의 감소량이 크 게증가하여 원시 데이터와의 유사도가 급격히 떨어지는 것을 관측할 수 있다. 원시 데이터의 고유 특성을 내재함과 동시에 거시적인 분석이 가능하게 하는 임계치로, K값이 11일 때를 최적값으로 고려할 수 있으 며, 이에 본 연구에서는 K값을 11로 설정하여 K-means 알고리즘 적용을 통한 모빌리티 특성 분석을 수행 하였다.
<Fig. 4>는 기존 및 제안 방법에 따른 모빌리티 수단별 OD의 공간적 분포에 대한 예시를 나타낸다. 기존 방법의 경우 대상지의 24개 행정 구역 내 위치한 OD 자료를 일률적으로 집계하여 통행분석에 활용하는 반 면, 제안 방법의 경우 모빌리티별 고유 특성 및 원천 OD 자료의 공간적 특징에 따라 구성된 클러스터를 기 준으로 집계한 데이터를 통행분석 자료로 활용한다. 기존 방법에서의 각 행정 구역 단위의 교통존과 제안 방 법에 따른 클러스터의 관계는 <Table 2>와 같이 나타낼 수 있다.
<Fig. 4>
Example of Spatial OD Distribution with Respect to Each Mobility Service Based on Conventional and Proposed Method
본 연구에서는 원시자료의 집계 수준에 따른 OD 구축 자료가 통행분석에 미치는 영향을 살펴보기 위해, 기존 방법과 제안 방법의 적용을 통해 지역 모빌리티 특성 분석 결과가 어떻게 다르게 도출되는지 분석한다. 방법간 비교를 위해 본 연구에서는 교통 계획상에서 고려하는 다수 항목 중 모빌리티 이용 특성을 잘 설명 할 수 있는 대표적인 항목들로, 기종점 모빌리티 서비스 이용 밀도, 모빌리티 서비스 이용에 대한 기종점 통 행량 및 모빌리티 서비스 이용에 대한 기종점 이동 거리를 고려하여 통계적 비교분석을 수행한다.
Ⅳ. 적용 결과 및 분석
1. 모빌리티 서비스 이용에 관한 기종점 밀도 분석
<Fig. 5>는 기존 및 제안 방법을 기반으로 각 시간대의 모빌리티 수단별 기점 이용 밀도에 대한 누적분포 함수(Cumulative Distribution Function, CDF)를 나타낸다. 기존 방법을 이용한 누적분포함수 결과를 살펴보면, 모든 모빌리티 서비스의 기점 이용 밀도에 대한 누적분포함수가 시간 변화와 관계없이 일관된(Consistency) 형태를 보이는 것을 관측할 수 있다.
<Fig. 5>
CDF of Origin Demand Density with Respect to Each Mobility Service Based on Conventional and Proposed Method
예를 들면, 수요응답형 버스와 택시 모빌리티 서비스의 경우 해당 모빌리티 서비스 이용의 75% 이상이 250/km2 이하의 기점 이용 밀도를 나타내며, 대중교통 버스의 경우 약 절반에 해당하는 이용객이 100/km2 미 만의 기점 이용 밀도를 보임과 동시에 나머지 50%가 100/km2 이상부터 2,500/km2 미만까지 고르게 분포한 기점 이용 밀도를 보인다. 한편, 기존 방법과 제안 방법을 이용하여 도출한 기점 이용 밀도에 대한 누적분포 함수 결과를 비교했을 때 기존 교통수단에 해당하는 대중교통 버스와 택시 모빌리티 서비스에 대한 이용 밀 도의 크기가 전반적으로 감소한 반면, 신규 교통수단에 해당하는 수요응답형 버스의 이용 밀도의 크기가 전 반적으로 증가하는 것을 관측할 수 있다.
<Fig. 6>은 기존 및 제안 방법을 기반으로 각 시간대의 모빌리티 수단별 종점 이용 밀도에 대한 누적분포 함수를 나타낸다. 모빌리티 서비스별 기점 이용 밀도 분석 결과와 동일하게, 기존 방법과 제안 방법 모두 이 용 시간대와 관계없이 유사한 패턴의 종점 이용 밀도에 대한 누적분포함수 형태를 나타내는 것을 발견할 수 있다. 또한, 기존 방법을 이용하여 도출한 종점 이용 밀도에 대한 누적분포함수 결과와 제안 방법 기반으로 도출한 결과를 비교했을 때 대중교통 버스와 택시 모빌리티 서비스에 대한 이용 밀도의 크기가 전반적으로 감소한 반면, 수요응답형 버스에 대한 이용 밀도의 크기가 전반적으로 증가한 것을 관측할 수 있다.
<Fig. 6>
CDF of Destination Demand Density with Respect to Each Mobility Service Based on Conventional and Proposed Method
모빌리티 서비스별 기종점 이용 밀도에 대한 누적분포함수를 기반으로 기존 방법과 제안 방법의 차이를 종합적으로 분석해보면, 대중교통 버스와 택시 모빌리티 서비스와 같은 기존 교통 서비스와는 다르게, 제한 된 구역 내에서 지정된 경로 없이 탄력적으로 운영되는 수요응답형 버스와 같은 신규 모빌리티 서비스는 OD 구축 자료의 방법에 따라 이용 특성의 경향성이 변하는 것을 관측할 수 있었다. 이와 같은 경향성은 특 정 지역 내 신규 모빌리티 도입시 행정 구역 단위로 구축된 OD 자료를 토대로 교통계획을 수립할 경우, 적 정 서비스 투입량 및 공급량 설정에 한계가 존재할 수 있는 것을 시사한다.
2. 모빌리티 서비스 이용에 관한 기종점 통행량 분석
<Fig. 7>은 기존 및 제안 방법을 기반으로 각 시간대의 모빌리티 수단별 기종점 통행량에 대한 누적분포 함수를 나타낸다. 그림에서 보여주듯이 기존 방법 및 제안 방법 모두 시간대 변화와 관계없이 누적분포함수 의 일정한 패턴을 관측할 수 있다. 한편, <Table 2>에 나타낸 것과 같이 제안 방법을 통해 기종점 통행량을 측정할 때 기준이 되는 클러스터가 행정구역 수준의 집계구를 기반으로 하는 기존 존 체계에 비해 수량이 큰 동시에 분포 면적이 작은 특성을 나타냄에 따라, 기존 교통수단과 신규 교통수단의 통행패턴 분석 결과에 상반된 영향을 미치는 것을 관측할 수 있다. 상대적으로 넓은 모빌리티 서비스 지역에서 많은 유동 인구를 보이는 국소 지역 또는 특정 정류장을 기점으로 모빌리티 서비스를 이용하는 행태를 보이는 대중교통 버스 와 택시의 경우 상대적으로 적은 이동 패턴을 보임에 따라, 기존 방법에서 제안 방법을 기준으로 통행량 통 계치를 산출하였을 때 그 크기가 증가하는 경향성을 보인다. 반면, 이와 같은 경향성과는 달리 제한된 지역 내에서 다양한 이동 패턴을 보이는 수요응답형 버스의 경우 통행량의 크기가 분배되어 통계치가 전반적으로 감소하는 것을 발견할 수 있다.
<Fig. 7>
CDF of OD Trip Demand with Respect to Each Mobility Service Based on Conventional and Proposed Method
이와 같은 결과는 <Table 3>과 같이 구체적인 수치로 확인할 수 있다. 표의 항목별 산출 통계량을 보 면, 대중교통 버스와 택시는 기존 방법 대비 제안 방법을 이용했을 때 전반적으로 수치가 큰 경향성을 보 이는 반면에, 수요응답형 버스는 기존 방법 대비 제안 방법을 적용을 활용했을 때 기종점 통행량이 감소 하는 것을 관측할 수 있다. 이는 기존 방법의 OD 자료 구축 대상이 되는 행정 구역에 비해 상세한 수준 에서 OD 데이터를 집계하는 제안 방법이 실제 개별 통행의 통계치와 유사한 것을 고려했을 때 기존 방 법이 OD 통행량을 과소·과대 추정하는 것을 의미한다. 이와 같은 경향성은 기존 행정 구역 단위의 일률 적인 공간상에서의 OD 자료 구축 체계를 통해 수집한 OD 데이터를 기반으로 모빌리티 행태분석을 수행 할 경우 모빌리티 서비스 이용에 대한 추정치가 과소·과대 평가될 수 있는 가능성이 존재하는 것을 시사 한다.
<Table 3>
Statistics of OD Trip Demand with Respect to Each Mobility Service Based on Conventional and Proposed Method(Unit: Number of demands)
 |
3. 모빌리티 서비스 이용에 관한 기종점 이동 거리 분석
<Fig. 8>은 기존 및 제안 방법을 기반으로 각 시간대의 모빌리티 수단별 기종점 이동 거리에 대한 누적분 포함수를 나타낸다.
<Fig. 8>
CDF of OD Trip Distance with Respect to Each Mobility Service Based on Conventional and Proposed Method
그림에서 확인할 수 있듯이, 모든 모빌리티 서비스의 이동 거리에 대한 누적분포함수가 시간대 변화와 무 관하게 동일한 패턴을 보이는 것을 관측할 수 있다. 한편, 기존 방법과 제안 방법의 모빌리티 수단별 기종점 이동 거리에 대한 비교 결과를 살펴보면, 기존 방법 대비 제안 방법을 적용할 경우 대중교통 버스와 택시의 기종점 이동 거리는 전반적으로 감소하는 경향성을 보이는 반면에, 수요응답형 버스의 이동 거리는 증가하 는 것을 관측할 수 있다. 이에 대한 상세 통계량은 <Table 4>를 통해 재확인할 수 있다. 이와 같은 분석 결과 는 앞서 기종점 이용 밀도 및 통행량 분석 결과에서 도출한 결과와 같이, 신규 교통수단에 해당하는 도심형 수요응답형 버스가 기존 교통수단들에 해당하는 대중교통 버스 및 택시와 상반된 경향성을 보이는 것을 의 미한다. 아울러, 실제 통행 발생 OD에 가까운 제안 방법과 비교 했을 때, 기존 방법의 경우 통계 수치의 과 소 또는 과대 추정이 발생하는 것을 관측할 수 있다. 이는 거시적인 교통계획 수립을 위한 목적으로 모빌리 티 통행분석을 수행하기 위해 지정된 행정동 관리구역 단위로 OD 자료를 구축하는 기존 방법이 지역 내에 서 발생하는 모빌리티 서비스 통행패턴을 분석하는데 한계가 있음을 시사한다.
<Table 4>
Statistics of OD Trip Distance with Respect to Each Mobility Service Based on Conventional and Proposed Method(Unit: km)
 |
Ⅴ. 결 론
본 연구에서는 행정 구역 단위로 집계된 모빌리티별 OD 구축 자료를 활용하는 기존 방식과 달리, 개별 모빌리티 서비스 OD 데이터 본연의 특징 벡터들을 이용하여 유사 공간적 특성을 반영하는 클러스터를 기준 으로 집계한 OD 구축 자료를 기반으로 지역 모빌리티 여건을 분석 하는 방법을 제안하였다. 실제 모빌리티 이동 데이터를 기반으로 비교 분석한 결과, 고정된 정류장을 기반으로 지정된 노선 및 운영 계획을 통해 운 행하는 대중교통 버스와 제한 구역 없이 자유롭게 경로를 선택하여 운행하는 택시 모빌리티 서비스와 같은 전통적인 도로교통 모빌리티 서비스와 비교했을 때, 제한된 지역 내에서 지정된 경로 없이 탄력적으로 운영 되는 도심형 수요응답형 버스와 같은 신규 모빌리티 서비스는 OD 구축 자료의 집계 수준에 따라 상반된 경 향성을 보이는 것을 관측할 수 있었다. 이는 교통계획 단위의 거시적 관점에서 모빌리티 수단별 특성에 대한 고려 없이 일률적으로 동일하게 행정동 단위의 존 체계를 기반으로 수집한 데이터를 활용하여 모빌리티 특 성을 파악하는데 한계가 있음을 시사한다. 이와 같은 분석 결과는 Han et al.(2011)이 실증 연구를 통하여 현 존하는 시·군·구 행정단위의 존 체계에서 세분화를 진행할수록 더욱 신뢰성 높은 교통수요 추정이 가능한 것을 보인 것과 일치하는 것을 알 수 있다.
또한, 지정된 행정동 관리구역 단위로 구축된 OD 자료를 활용하여 거시적인 분석을 수행하기에 적합한 광역교통 및 도시간 모빌리티 서비스와는 달리, 한정된 지역 내에서 탄력적으로 운영하는 신규 교통 서비스 는 기존의 방식을 탈피하여 새로운 접근 방식을 통해 모빌리티 특성을 분석하고 개선사항을 도출하여 모빌 리티 서비스 운영 계획에 반영할 필요가 있을 것으로 사료된다. 이를 위해 향후 연구에서는 제안 방법을 기 반으로 한 티센 폴리곤(Thiessen polygon) 혹은 들로네 삼각분할(Delaunay Triangulation)과 같은 집계구 형성을 통해 존 체계를 수립하고, 존 체계의 변화에 따른 OD 구축 자료의 특성 분석을 수행하여 적절한 교통존 수 립과 이에 대한 사회경제지표를 추정할 방향성을 수립할 필요가 있을 것으로 판단된다.
