Ⅰ. 서 론
1. 개요
철도는 거점성, 고속 정시성, 환경성 등 타 수단에 비해 경쟁력 있는 수단이다. 고속철도가 개통됨에 따라 서울과 주요 도시를 2시간대로 연결하며, 전국이 반나절 생활권으로 진입하였다. 하지만 이로 인한 이점과는 반대로 철도 역사는 부지 확보의 용이성 및 건설 비용 절감 등으로 인해 점점 도심 밖으로 밀려나고 있다. 도심 외곽에 위치하고 있는 오송역의 경우 개통 초기에 접근 교통수단의 미비로 인해 기대했던 만큼 큰 수요를 얻지 못했으며(Kim et al., 2012), 공주역 또한 동일한 이유로 인해 우리나라 고속철도 역 중 최저 수요를 기록하고 있다(Kim, 2024). 비슷한 사례로 최근 신설된 GTX 일부 노선의 기대보다 저조한 이용률의 원인이 연계 교통수단 과 접근성 부족이라는 의견도 있다(Park, 2024). 이처럼 역사가 도심 외곽에 위치하기 때문에 해당 위치까지 도달하기 위한 접근통행은 철도 이용을 결정하는 중요한 고려사항이다(Givoni and Rietveld, 2007).
철도 이용에 대한 승객의 만족은 제공된 접근통행에 대한 만족과 동일시되므로, 접근통행의 질을 향상시 키면 철도 이용률이 증가할 가능성이 높아진다(Brons et al., 2009). 따라서 정확한 철도 수요를 예측하기 위해 서는 접근통행에 대한 정확한 조사가 필요하다. 현재 국토교통부에서는 5년마다 교통수요 분석 수행을 위한 기초자료를 구축하고자 개인통행실태조사를 실시하고 있다. 조사 대상자가 기입한 수단 통행을 통해 접근통 행에 대한 간접적인 자료는 구득할 수 있지만, 직접적으로 접근통행을 조사하는 항목은 존재하지 않는다. 또 한 KTDB 수단분담모형에서 적용하고 있는 접근시간은 철도 사업 시행 여부와 관계없이 버스의 평균 통행 속도 20km/h를 적용하여 산출하며(KOTI, 2020), 때문에 철도 수요예측의 오류를 초래할 가능성이 존재한다. 이는 철도 투자사업 예비타당성 조사 미통과로도 이어질 수 있다(KDI, 2017;KDI, 2019). 따라서 위와 같은 문제를 발생하지 않기 위해서는 실증데이터를 통한 접근통행 분석이 이루어져야 한다.
연구의 목표는 모빌리티 데이터를 통해 접근통행을 정의하고, 지역별 접근통행 특성을 분석하는 알고리즘 을 개발하는 것이다. 모바일 통신데이터는 전체 이동의 90%에 해당하는 모수와 가까운 데이터로서, 이동 및 체류의 추적과 개인 이동궤적의 상세한 기록이 가능하다(Won et al., 2021). 그러나 해당 데이터만으로는 역 사로 향할 때 사용하는 교통수단에 대한 정보를 알 수 없기 때문에(Jahangiri and Rakha, 2015;Lu et al., 2019;Zhou et al., 2018) 교통카드 데이터를 추가적으로 활용하였다. 교통카드 데이터는 승객의 승하차 활동에 대한 상세한 기록을 담고 있어 고해상도의 시공간적 정보를 제공한다(Lin et al., 2022). 두 데이터를 통합하여 접근 통행 특성 분석 알고리즘을 개발하고, 이를 기반으로 한 사례연구를 통해 해당 알고리즘에 대해 검증하고자 한다.
2. 선행연구 고찰
1) 접근통행 정의
철도역에 대한 접근통행은 철도수요와 직결된 문제로 여러 선행연구에서 그 중요성에 대해 언급해왔다 (Cheng et al., 2012;Liu et al., 2011). 특히, 접근통행 정의에 따라 대중교통 계획, 상업시설 배치 등의 도시계 획이 달라지기 때문에 이에 대해 살펴볼 필요가 있다. 먼저 접근통행과 유사한 개념인 역세권의 정의와 관련 된 선행연구를 고찰하였다. 일반적으로 역세권은 철도역을 중심으로 그 지배력이 미치는 지리적 범역을 뜻 하며(Park et al., 2009), 교통적인 측면에서는 해당 역을 이용하는 통행자들이 거주하고 활동하는 공간적 범위 를 지칭한다(SI, 2007). 역세권의 범위에 대해서는 연구자에 따라 다양한 의견이 존재한다. 예를들어 Lim et al.(2010)은 역세권을 역에서부터 500m 이내로 정의하였으며, Xu and Wang(2016)은 2km 이내, Ko and Chung (2013)는 3km 이내로 정의하였다. Lee and Oh(2008)은 1차 역세권을 500m 이내, 2차 역세권을 1km 이내, 간 접 역세권을 5km 이내로 설정하였으며, Bowes and Ihlanfeldt(2001)은 역세권을 1/4마일부터 3마일까지 3단계 로 구분하였다. 이러한 역세권의 정의는 대부분 법령 또는 통행실태조사자료를 통해 도출되었다.
접근통행은 역세권과 유사하지만, 철도역까지의 접근성을 보다 직접적으로 나타낸다. 접근통행에 대해 정 의한 연구는 존재하지 않지만, 접근통행의 범위를 확인한 연구들은 존재한다. Keijer and Rietveld(1999)는 평 균 철도역으로부터 3.9km내에서 역사에 접근하는 통행이 발생한다고 밝혔다. Hasiak(2019)는 중요 철도역과 지방철도역을 나누어 확인하였는데, 중요 철도역의 경우 20km~30km 떨어진 거리에서 접근하며 지방철도역 의 경우 4km~8.5km 떨어진 거리에서 접근하는 것을 확인하였다. Debrezion et al.(2009)은 수단별로 접근거리 를 분석하였고, 그 결과 보도는 1.1km 반경에서, 자전거는 1.1km~4.2km 반경에서, 대중교통은 4.2km 이상의 반경에서 접근한다고 밝혀졌다. 이처럼 접근통행은 지역 또는 수단에 따라 달라질 수 있기 때문에 철도수요 예측 시 정해진 고정값을 사용하는 것은 문제가 될 수 있다. 하지만, Daly et al.(2017)은 수단분담모형에서 접 근시간에 대한 변수를 설정할 때에 영국에서 정한 표준치를 사용하였으며, Ekbote and Laferriere(1994) 또한 철도 수요모형 개발 시 접근시간을 10분으로 적용하는 등 고정값을 사용하는 연구가 대다수이다. 현재 우리 나라도 KTDB 수단분담모형에 적용하고 있는 접근시간을 버스의 평균 통행속도 20km/h를 일괄 적용하여 산 출하고 있기때문에(KOTI, 2020), 정확한 철도수요예측을 위해서는 실증데이터를 통한 유동적인 접근통행 정 의 방법이 필요하다.
2) 접근통행 특성분석
접근통행의 특성 분석은 크게 환승 횟수와 수단선택을 중심으로 연구되어 왔다. 특히, 수단선택은 접근통 행의 특성과 긴밀하게 연관되어 있어 중요한 연구 주제로 다뤄졌다. 접근통행의 특성은 주로 거리에 따라 분 석된다. Keijer and Rietveld(2000)은 철도역에서 1km 이상 떨어진 곳에서 거주하는 인구가 500m 이내에 거주 하는 인구보다 철도역 이용률이 20% 더 낮다고 밝혔으며, Rak and Lep(2014)는 도보로 접근하는 인구(1km 이내)가 가장 철도역 접근에 대한 만족도가 높다고 밝혔다. 거리가 멀수록 이용률과 만족도가 떨어지는 이유 는 대중교통 연결성이 좋지 않기 때문이라고 설명할 수 있다(Kuby et al., 2004). 또한 Ali et al.(2018)은 대중 교통과 자동차를 비교했을 때, 이동시간의 차이가 6~10분 이내여야 사람들이 대중교통을 선택한다고 밝혔으 며, Xu et al.(2023)은 거리에 따라 대중교통 이용량이 불규칙한 패턴을 보인다고 분석했다. 해당 결과도 마찬 가지로 대중교통망의 불균일한 분포 때문인 것을 알 수 있다. 따라서 철도역의 접근성을 높이기 위해서는 지 역별 접근하는 대중교통 및 서비스에 대한 분석이 필요한데, 아직까지 관련된 연구가 많지 않은 실정이다.
3) 연구의 차별성
기존 연구에서 역세권을 정의한 사례는 많지만, 접근통행의 개념을 과학적으로 정의한 연구는 찾기 쉽지 않다. 철도 수요 예측에서는 접근통행에 대한 일률적인 수치를 사용하고 있으며, 이러한 방식은 지역별 차이 를 반영하지 못해 예측 결과의 정확성을 저하시킬 수 있다. 더 정밀한 수요 예측을 위해서는 각 역별 접근통 행을 실증 데이터를 기반으로 정의하고, 이를 통해 지역별로 차별화된 접근통행 특성을 반영할 필요가 있다.
이에 본 연구는 접근통행을 데이터 기반으로 정의하고 분석할 수 있는 알고리즘을 제안한다. 본 연구에서 정의하는 접근통행은 트립(trip)단위 통행에서 철도 역사를 마지막으로 하는 이전 출발지와 철도 역사 간의 통행으로 정의한다<Fig. 1>.
또한, 기존 연구에서는 접근통행을 연구에서는 접근통행의 특성을 주로 거리나 이동 시간을 기준으로 분 석하였으나, 이 방식 역시 지역적 특성을 충분히 반영하지 못한다는 한계를 지닌다. 예를 들어, 동일한 거리 (10kim)만큼 떨어진 생활권이라 하더라도, 각 지역에 제공되는 대중교통 연계 수단, 서비스 수준, 도로 상황 등에 따른 접근성은 크게 달라질 수 있다. 본 연구는 이러한 한계를 극복하기 위해 접근통행 범주에 속하는 통행을 군집화하고 각 군집별 특성 분석을 진행하였다. 데이터를 기반으로 한 접근통행 정의 및 특성분석을 통해 보다 정밀한 접근성 평가와 철도 수요예측의 신뢰성을 향상시키고자 한다.
3. 사용 데이터
1) 모바일 통신데이터
본 연구에서는 생활권 연구에 자주 활용되는 KT 모바일 기지국 데이터(Kim et al., 2021;Sul et al., 2023)를 사용하였으며, Won et al.(2021)이 제안한 3단계 기지국 데이터 가공 알고리즘을 적용하였다. 1)모바일 기지국 에서 발생하는 신호 이상 현상(핸드오버, 신호점프 등)을 보정하고, 시공간적 요소를 조정하여 통행자의 실 제 위치를 추정한다. 2)전처리 된 데이터를 기반으로 체류시간과 빈도를 활용해 주요 체류지를 식별하고, 방 문빈도와 점유시간을 비교하여 유형을 분류한다. 3)이동속도가 비정상적으로 빠르거나 느린 경우와 같은 비 상식적인 통행 데이터를 제거하여 데이터의 신뢰성을 확보한다. 이러한 과정을 통해 OD(출발지-도착지) 행 렬을 구축하였으며, 본 연구에서는 해당 OD를 중점적으로 활용하였다. 아울러 개인정보 보호를 위해 3건 이 하의 통행 수는 표출되지 않는 모바일 통신데이터의 특성을 고려하여 전수화 계수를 통해 이를 보정하였다. 가공된 데이터는 한 시간 단위로 이루어져 있으며, 출발지 및 도착지 행정구역 코드, 출‧도착 시간대, 체류지 유형, 연령, 성별, 통행량 등의 정보를 포함하고 있다.
<Table 1>
Descriptions of mobile phone data
| Category | Variables | Details |
|---|---|---|
| Personal information | Customer ID | Character |
| Age | 0, 10, 20, 30, 40, 50, 60, … | |
| Gender | Male, Female | |
| Travel information | Date | 2022-04-11, 2022-04-12, 2022-04-13, 2022-04-14, 2022-04-15 |
| Start time | 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, …, 24 | |
| End time | 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, …, 24 | |
| Start polycode | Character | |
| End polycode | Character | |
| Traffic Volume | Number | |
| Average distance | Number | |
| Average time | Number | |
| Average speed | Number | |
| Longitude | 36.49758, … | |
| Latitude | 127.31158, … |
2) 교통카드 데이터
본 연구에서 활용된 교통카드 데이터는 교통안전공단에서 수집한 대중교통 카드 데이터로, 승차 및 하차 시 대중교통 이용자가 카드를 태그하여 생성된 정보를 기반으로 하고 있다. 해당 데이터는 버스카드 단말기 를 통해 자동으로 기록되며, 승차 및 하차가 이루어진 버스정류장의 위치, 승·하차가 발생한 시간대, 환승 횟 수, 실제로 이동한 탑승 거리, 소요된 탑승 시간, 요금 등의 세부적인 내용을 포함하고 있다. 본 연구에서는 교통카드 데이터를 활용하여 모바일 통신데이터에서 추출된 통행 중 대중교통을 이용한 비율을 확인하는 데 사용하였다.
<Table 2>
Descriptions of smart card data
| Category | Variables | Details |
|---|---|---|
| Personal information | Card ID | Character |
| Travel information | Date | 2022-04-11, 2022-04-12, 2022-04-13, 2022-04-14, 2022-04-15 |
| Start time | 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, …, 24 | |
| End time | 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, …, 24 | |
| Pick-up bus stop | Character | |
| Drop-off bus stop | Character | |
| # of transfers | Number | |
| Boarding distance | Number | |
| Boarding time | Number | |
| Fee | Number | |
| Longitude | 37.34057, … | |
| Latitude | 127.92038, … |
Ⅱ. 방법론
본 연구에서는 모바일 통신데이터와 교통카드 데이터를 이용하여 <Fig. 2>과 같이 4단계로 구성된 지역 간 철도 이용객의 접근통행 특성분석 알고리즘을 개발하였다. 해당 알고리즘은 접근통행을 정의하고, 클러스 터링을 통해 접근통행별 특성을 분석한다.
1. STEP 1: Data pre-processing and Extracting trips based on destination (데이터 전처리 및 목적지 기준 통행 추출)
모바일 통신데이터를 전처리하는 첫 단계로, 접근통행을 분석하고자 하는 특정 역을 지정하고 해당 역을 목적지로 하는 통행 데이터를 추출하였다. 이는 효율적인 데이터 처리를 위한 데이터 범위 축소 과정으로도 간주할 수 있다. 이때 격자 단위 위치정보 또한 함께 사용하였다. 그 후 원하는 기간을 설정하여 전처리 과 정을 반복하였으며, 교통카드 데이터 또한 동일한 과정을 진행하였다.
2. STEP 2: Defining access trip (접근통행 정의)
접근통행을 정의하는 방법은 연구 목적에 따라 다르게 설정될 수 있다. 일반적으로 교통 영향권을 설정할 때, 교통영향평가에서는(TIA, Traffic Impact Assessment) 특정 지역을 중심으로 OD 기준 통행량 비율을 사용 하거나 교통량 변화율을 사용한다(Kang et al., 2007). 도시계획 분야에서는 역세권을 설정할 때 보행자의 평 균속도와 도보로 도달할 수 있는 거리를 사용한다(Park et al., 2009;Son and Kim, 2011)
본 연구에서는 접근통행을 개별 통행단위에서 최종 목적지가 철도 역사인 마지막 이동으로 정의하였다. 단, 개별 통행이 실제 해당 역을 이용하는 것인지, 단순히 해당 지역을 경유하는 통행인지 명확히 구분하기 어렵기 때문에 접근통행을 합리적으로 정의하기 위해서는 추가 조건이 필요하다. 일반적으로 철도역을 향해 이동하는 통행은 역과 멀어질수록 조금씩 감소하는 경향을 보이는데, 어느 지점을 기준을 급격하게 감소한 다. 또한 해당 지점부터는 변화율이 일정하게 유지되고, 이는 철도 이용을 목적으로 하지 않고 역을 지나치 거나 다른 목적지를 향하는 통행일 가능성이 높다. 따라서 접근통행을 정의하고자 거리별 통행 변화율을 사 용하였다. 각 통행거리 i에서의 통행량 V(i) 대비 다음 통행거리 i + 1에서의 통행량 V(i + 1)의 변화율 R(i)를 계산한 식은 (1)과 같다.
본 연구에서는 통행량의 변화율을 확인한 후 변화율의 기울기가 가장 큰 첫 번째 지점, 즉 변곡점을 찾아 해당 지점을 접근통행으로 정의하였다. 통행량의 편차가 큰 지점은 해당 역까지의 접근성이 낮아지는 지점 으로 볼 수 있으며, 이를 통해 해당 지점 이상의 거리는 통과통행으로 해석이 가능하다. 변곡점을 식으로 표 현한 식은 (3)과 같다.
여기서 ∇R(i)는 변화율의 기울기를 의미하며, min 을 사용하여 기울기의 절댓값이 최대인 첫 번째 지 점을 선택하였다. i*까지의 통행을 접근통행으로 정의하고 분석을 진행하였다.
3. STEP 3: Creating clusters of access trip by density (밀도 기반 접근통행 군집 생성)
권역별 접근통행의 특성 분석을 위해 DBSCAN을 사용하였다. DBSCAN은 데이터 포인트들의 밀도에 따라 군집을 형성하는 알고리즘으로 사람들의 이동행태 분석에 주로 이용된다(Tang et al., 2021;Lin et al., 2020). 해당 알고리즘은 노이즈 포인트를 식별하기 때문에 아웃라이어에 민감하지 않으며, 원형이 아닌 임의의 모 양을 가진 클러스터를 감지할 수 있다는 장점이 존재한다.
DBSCAN에서는 두 가지 매개변수를 사용한다. 첫 번째, eps값은 주어진 포인트에서 이웃을 찾기 위한 반 경의 크기를 정의한다. eps 값은 데이터의 특성에 따라 적절히 설정해야 하며, 값이 너무 작으면 많은 노이즈 포인트가 발생하고, 너무 크면 서로 다른 클러스터가 하나로 합쳐질 수 있다. 두 번째, MinPts 값은 하나의 클러스터를 형성하기 위해 최소 데이터 포인트 수를 정의한다. MinPts 값을 적절히 설정하지 않으면, 클러스 터가 제대로 형성되지 않거나 너무 많은 노이즈가 포함될 수 있다(Ester et al., 1996). 본 연구에서는 통행객 의 보행반경 등을 고려하여 eps 값을 설정하고, 실루엣 점수를 사용하여 최적의 MinPts 값을 선택하였다. 각 데이터 포인트 j 에 대한 실루엣 점수는 다음과 같이 계산된다.
여기서 a(j)는 포인트 j 와 같은 클러스터 내 다른 점들까지의 평균 거리, 즉 응집도를 나타내며 b(j)는 j 와 가장 가까운 다른 클러스터 점들까지의 평균 거리, 즉 분리도를 나타낸다. 해당 식을 활용하여 먼저 각 각의 MinPts에 대한 실루엣 점수의 평균을 계산하고, 그 후 평균 점수가 최대가 되는 최적 MinPts*를 선택하 였다. 관련 식은 다음과 같다.
S(k)는 각 MinPts 값 k에 대한 실루엣 점수를 나타내며, Nk는 MinPts 값이 k일 때, 클러스터에 속한 데 이터의 총 포인트 수를 말한다. MinPts*는 실루엣 점수 S(k)가 최대가 되는 k값이다.
4. STEP 4: Analyzing characteristics by clusters(군집별 특성분석)
모바일 통신데이터를 활용하여 각 군집별 평균 통행거리, 평균 통행시간, 통행량 등 통행에 대한 전체적인 특성에 대해 분석하고, 교통카드 데이터를 통해 군집별 버스 통행량을 산정하여 전체 통행 대비 대중교통 탑 승 비율을 확인한다. 버스 통행량의 경우 군집 내에 존재하는 버스정류장을 기준으로 집계하여 산출하였다. 해당 단계에서는 도출된 군집별 특성을 기반으로 대중교통 노선, 시간대, 정책 등을 파악하여 대중교통 서비 스에 대한 정책을 제언하였다.
Ⅲ. 사례분석
본 연구는 개발된 알고리즘에 대해 실증하기 위하여 오송역을 대상으로 사례연구를 진행하였다. 2022년 4 월 11일부터 15일까지의 모바일 통신데이터와 교통카드 데이터를 사용하였으며, 전국에서 오송역까지의 모 든 통행을 살펴보았다.
1. 오송역 데이터 전처리
첫 번째, 모바일 통신데이터는 전국을 500m 단위로 나눈 격자 단위로 집계되기 때문에 먼저 오송역을 포 함하는 격자의 코드를 파악하였다. 해당 코드를 통해 도착점이 오송역인 통행을 먼저 추출하였다. 그 후, 통 행 시작점 위치 파악을 위해 격자 데이터를 조인하여 위도·경도를 추출하였다. 해당 과정을 날짜별로 여러 차례 반복하여 모바일 통신데이터의 전처리를 완료하였다. 두 번째, 교통카드 데이터는 하나의 데이터가 아 닌 이용내역, 노선 정보, 버스정류장 정보 등의 여러 가지 데이터로 구성되어 있다. 먼저 이용내역 데이터에 서 하차 정류장ID가 오송역인 통행을 추출하였다. 다음으로 승차 정류장의 위치를 파악하기 위해 버스정류 장 정보 데이터와의 조인을 실시하여 위도·경도를 추출하였다. 마찬가지로 날짜별로 여러차례 반복하여 교 통카드 데이터의 전처리 또한 완료하였다.
2. 오송역 접근통행 정의
접근통행을 정의하기 위해 모바일 통신데이터의 통행거리별 통행량 및 변화율 그래프를 확인하였다. 30km에서 40km대를 넘어가는 구간에서 변화율의 기울기가 음수이면서 절댓값이 가장 크기 때문에 40km 미 만을 오송역의 접근통행으로 정의하였다.
<Table 3>
Volume and rate of change by Distance
| Distance (km) | 0≤i<10 | 10≤i<20 | 20≤i<30 | 30≤i<40 | 40≤i<50 | 50≤i<60 | 60≤i<70 | 70≤i<80 | … |
|---|---|---|---|---|---|---|---|---|---|
| V(i) | 13,774 | 4,021 | 747 | 614 | 130 | 70 | 101 | 127 | … |
| R(i) | - | -71% | -81% | -18% | -79% | -46% | 44% | 26% | … |
| ∇/R(i) | - | - | -1 | 6 | -6 | 3 | 9 | -2 | … |
3. 오송역 접근통행 군집 생성
오송역 접근통행으로 지정된 40km 미만의 통행을 추출하고, 추출된 통행을 대상으로 군집을 생성하였다. 본 연구에서는 도보로 대중교통 정류장까지 접근이 가능한 1km를 eps 값으로 고정하였으며(Nho and Cho, 2022;Park et al., 2007), MinPts값은 실루엣 그래프를 확인하여 60으로 설정하였다. 이때 사용한 각 포인트의 대표점은 모바일 통신데이터의 통행량 반영한 가중치를 적용하였다. 군집 생성 결과 총 12개의 접근통행 군 집이 도출되었으며, 군집 지역은 크게 청주시, 세종시, 대전시로 구분된다. 청주시는 핵심 상업 및 행정중심 지인 중심부(청주 3순환로 내부지역), KTX 오송역이 위치한 오송읍, 산업단지로 형성된 오창읍이 군집되었 다. 세종시는 행정중심지인 북부(정부청사를 포함한 세종시 1생활권 및 2생활권) 및 연구중심지인 남부(국책 연구단지를 포함한 세종시 4생활권)가 군집되었다. 대전시는 신탄진역, 대덕 산업단지가 위치하는 관평동, 숙박·상업·유흥시설이 및 대학가가 인접한 유성온천역, 대표적인 업무지구인 둔산동, 그리고 서대전역이 포 함되어 있다. 총 19,950건의 통행이 군집되었으며, 2,553건의 통행의 경우 군집되지 않고 이상치로 분류되었 다. 오송역으로의 접근통행은 청주시 오송읍, 청주시 중앙, 세종시 북부 순으로 가장 많은 것으로 나타났으 며 가장 멀리로는 대전시 서대전역에서까지 오송역으로 접근하는 것을 확인할 수 있었다.
4. 오송역 접근통행 군집별 특성분석
오송역으로 가는 접근통행의 군집별 특성을 분석하기 위해 군집별 직선거리, 통행시간, 통행속도, 통행량, 대중교통 통행량 등의 기초 통계량을 확인하였다. 특성은 크게 청주시, 세종시, 대전시로 나누어 분석하였다.
<Fig. 12>은 청주시의 접근통행을 나타낸다. 청주시의 접근통행 시간은 거리에 비례하여 늘어나는데, 이는 대중교통 시스템이 제대로 기능하고 있다는 것을 시사한다. 타 도시에 비해 전체 통행량 대비 대중교통 통행 량 역시 고르게 분포되어 있는 것으로 확인되나, <Fig. 12> (2) 옥산면의 경우 버스의 추가적인 배차가 필요 해 보인다. <Fig. 12> (1)청주시 오송읍은 보행통행이 많은 곳으로 판단되어 총 통행비율과 버스통행비율에 10배 정도 큰 차이가 존재한다.
<Fig. 13>는 세종시의 접근통행을 나타낸다. 먼저, 해당 분석기간동안은 세종시 남부에 버스가 존재하지 않았음을 명시한다. 세종시는 지역별 접근통행에 편차가 존재했다. <Fig. 13> (5)세종시 장군면의 거리는 15.8km, 통행시간은 75.5분, <Fig. 13> (6)세종시 북부의 거리는 15.2km, 통행시간은 44.3분으로 거리가 비슷 함에도 불구하고 세종시 북부의 통행시간이 30분 정도 더 빨랐다. 또한 <Fig. 13> (7)세종시 남부의 거리는 14km, 통행시간은 52.6분으로 세종시 북부보다 거리가 짧은데도 소요시간은 10분가량 느리다. 통행량 분석 결과, <Fig. 13> (6)세종시 북부에만 버스 통행량이 집중되어 있으며, <Fig. 13> (5)장군면과 <Fig. 13> (7)남부 에는 버스 통행량이 존재하지 않는다.
<Fig. 14>은 대전시의 접근통행을 나타낸다. 대전시는 모든 지역에서 오송역까지 평균 소요시간이 70분을 초과함에도 불구하고 오송역에 대한 수요가 존재했다. 심지어 <Fig. 14> (12)서대전역 주변에 있는 통행객들 또한 통행시간 80분이 걸림에도 불구하고 오송역을 이용한다. <Fig. 14> (10)신탄진역의 경우 거리가 21.6km, 통행시간이 74분으로 거리는 <Fig. 14> (6)세종시 북부와 6km밖에 차이나지 않지만, 통행시간은 30분이 차이 난다. 신탄진역은 버스통행량이 존재하지 않아 대부분이 차량 통행인 것을 짐작할 수 있는데, 소요시간이 늘 어나는 이유로 신탄진 네거리와 신구교 구간상습 정체를 들 수 있다(Jung, 2021). <Fig. 14> (11)대전시 둔산 동의 경우 통행시간이 98.3분으로 타 지역대비 소요시간이 가장 길었다.
<Table 4>
Basic statistics value of clusters
| Num | Cluster name | Distance(km)1) | Time(min) | Speed(km/h) | All trip ratio | Bus trip ratio |
|---|---|---|---|---|---|---|
| 1 | cheongju-si osong-eup | 1.5 | 9.2 | 20.4 | 70.6% | 6.6% |
| 2 | cheongju-si ochang-eup | 13.0 | 44.0 | 26.2 | 1.3% | 0.6% |
| 3 | cheongju-si oksan-myeon | 6.4 | 23.1 | 24.4 | 2.1% | 0.1% |
| 4 | cheongju-sicenter | 12.2 | 48.3 | 22.0 | 17.1% | 17.5% |
| 5 | sejong-si janggun-myeon | 15.8 | 75.5 | 15.5 | 0.3% | 0.0% |
| 6 | sejong-si northern part | 15.2 | 44.3 | 28.8 | 5.5% | 74.6% |
| 7 | sejong-si southern part | 14.0 | 52.6 | 26.6 | 0.5% | 0.0% |
| 8 | daejeon-si yuseong spa station | 29.0 | 87.3 | 24.4 | 0.3% | 0.0% |
| 9 | daejeon-si gwanpyeong-dong | 22.5 | 69.4 | 27.2 | 0.4% | 0.4% |
| 10 | daejeon-si sintanjin station | 21.6 | 74.0 | 24.2 | 0.4% | 0.0% |
| 11 | daejeon-si dunsan-dong | 31.3 | 98.3 | 22.8 | 0.3% | 0.3% |
| 12 | daejeon-si seodaejeon station | 34.1 | 78.1 | 29.3 | 1.2% | 0.0% |
| Total | 100% | 100% | ||||
Ⅳ. 논의 및 정책제언
앞서 언급한 특성들을 바탕으로 논의되어야 할 사항은 다음과 같다. 세종시의 경우, <Fig. 13> (6)북부에 버스통행량이 집중되어 있기 때문에, <Fig. 13> (5)장군면과 <Fig. 13> (7)남부에 대한 대중교통 신설 노선이 필요하다. 현재는 분석기간과 달리 <Fig. 13> (7)세종시 남부에 대전-오송 BRT B4노선이 신설되었기 때문에, <Fig. 13> (5)장군면에 대한 노선 신설이 우선적으로 논의되어야 한다. 다음으로 대전시의 경우, 서대전역과 대전역이 존재함에도 불구하고 통행객이 오송역으로 접근하는 이유는 <Fig. 15>와 같다. 호남선 고속철도 노 선이 오송역에는 18대 정차하는 반면, 서대전역에는 7대, 대전역에는 한 대도 정차하지 않는다. 또한 서대전 역의 배차간격이 최대 4시간으로 편차가 커 많은 사람들이 오송역을 이용하게 된다. 이를 해결하기 위해서 는 호남선의 서대전역 정차노선 증대가 필요하며, 그렇지 못한다면 <Fig. 14> (12)서대전역과 오송역을 이어 주는 버스 노선 신설에 대한 논의가 필요하다. <Fig. 14> (11)대전시 둔산동은 대중교통 사용시 반드시 환승 절차가 필요하여 소요시간이 길어지는 것을 알 수 있는데, 따라서 직행 버스노선 신설의 논의되어야 한다. <Fig. 14> (10)신탄진역의 경우 신탄진 네거리와 신구교 구간상습정체를 해결하거나 버스 노선 신설이 논의 되어야 한다.
Ⅴ. 결론 및 향후 연구과제
본 연구의 목표는 철도 수요예측의 오류를 범하지 않기 위해 지역간 철도에 대한 접근통행을 정의하고, 분석하는 알고리즘을 개발하는 것이다. 모든 역은 입지 조건이 다르며, 여러 권역의 통행객들로부터 사용되 기 때문에 접근통행의 정의가 달라질 수 있다. 따라서 접근지역과 수단에 대한 고려 없이 버스의 통행시간을 일괄 적용하는 기존의 KTDB 접근시간 산출 방법에서 탈피하기 위해서는 접근통행에 대한 분석이 중요하다. 그러므로 본 연구는 실증데이터인 모빌리티 데이터를 이용하여 정밀한 접근통행을 설정 및 분석하기 위한 알고리즘을 개발하고, 일주일치 데이터를 통해 사례분석 진행하였다.
알고리즘의 순서는 1)데이터 전처리 및 목적지 설정; 2)접근통행 범위 설정; 3)밀도 기반 접근통행 군집 생 성; 4)군집별 특성분석과 같다. 2)접근통행 범위 설정 단계에서는 거리별 통행량 변화율의 변곡점을 사용하 였으며, 3)밀도 기반 접근통행 군집 생성 단계에서는 DBSCAN을 사용하였다.
오송역을 기준으로 진행된 사례분석 결과는 다음과 같다. 청주시는 어떤 지역에서 오송역으로 접근하더라 도 거리 대비 소요시간이 유사하고 대중교통 통행량이 고르게 분포되어 있었다. 세종시는 북부에 버스통행 량이 집중되어 있었다. 따라서 세종시 남부와 장군면에 대중교통 노선 신설이 필요하지만, 현재 대전-오송 BRT B4노선이 신설되었기 때문에 장군면에 대한 신설이 우선되어야 한다. 대전시의 경우, 호남권으로 가는 고속철도 수가 오송역이 대전 내 다른 역들에 비해 2배 이상 많아 오송역을 이용하는 것으로 나타났다. 따라 서 대전 내 호남선 정차노선 증대 또는 버스노선 신설이 필요하다. 둔산동의 또한 긴 통행시간으로 인해 직 행버스노선 신실이 필요했으며, 신탄진역의 경우 혼잡 완화 정책 등이 필요했다. 이러한 결과는 해당 알고리 즘을 통해 오송역뿐만 아니라 다양한 철도역별 접근통행 분석이 가능하다는 것을 시사하며, 실증 데이터를 통한 접근통행 특성이 추출되는 것에 의의가 존재한다.
그럼에도 불구하고, 해당 연구에서 제안하고 있는 알고리즘은 데이터에 대한 한계점을 가지고 있다. 먼저 데이터의 불완전성 문제이다. 모바일 통신데이터와 교통카드 데이터는 각각의 강점을 가지고 있지만, 모든 통행을 완벽히 포괄하지 못한다. 예를 들어, 교통카드를 사용하지 않는 통행자나 모바일 통신 네트워크에 연 결되지 않은 경우, 데이터에 포착되지 않을 수 있다. 더불어 승용차, 자전거 등 타 교통수단에 대한 데이터는 취득 문제로 인해 포함되지 않았으며, 이는 분석 결과의 정확성을 저해할 수 있다. 다음으로 데이터의 시간 적 제약이다. 본 연구는 특정 기간 동안의 데이터를 기반으로 분석을 진행하였다. 향후 연구에서는 장기적인 데이터를 활용하여 계절별, 연도별 변화 등을 포함한 심층 분석이 필요하다. 예를 들어, 계절에 따라 접근통 행에 대한 통행패턴 변화라던지, 특정 연도에 발생한 이벤트나 정책 변화가 통행에 미친 영향을 분석함으로 서 보다 종합적인 대중교통 서비스 제언이 가능할 것이다.
