대중교통 신설 및 노선개편에 따른 유발수요 발생 연구

Abstract

대중교통 노선개편 및 신설에 의해 발생하는 통행을 유발수요(Induced demand)라고 표현할 수 있다. 유발수요의 종류 중에서 새롭게 발생하는 통행(Newly generated trip)은 자료의 한계로 인하여 추정이 어려우며 실무적으로도 고려되지 않는다. 기존연구에서는 새롭게 발생하는 유발수요를 고려하지 않는다면 교통수요가 과소추정 될 수 있는 문제를 언급하였으나 관련된 연구는 부족하다. 또한 유발수요 발생은 통행자의 속성과도 관련이 있지만 기존 연구에서는 집합적 개념의 유발수요를 추정하였으므로 통행자의 속성을 반영할 수 없는 한계점이 존재하였다. 그러므로 본 연구는 교통카드 자료와 가구통행실태조사 자료를 이용하여 대중교통 노선개편 및 신설에 의하여 새롭게 발생되는 통행을 추정하는 개인단위 대중교통 유발수요 발생 모형을 구축하였다. 본 연구에서는 대중교통 시스템 변화 전과 후의 교통카드 자료에서 비 규칙적 통행발생량이 증가한 통행자를 유발수요를 발생시킨 통행자로 구분하였다. 교통카드에서 추출한 해당 통행자의 시스템 변화 전과 후의 통행발생량을 종속변수로 설정하고 유발수요 발생 모형을 정산하였다. 그리고 유발수요와 관련이 있는 개인속성, 가구속성을 모형의 설명변수로 사용하기 위해 가구통행실태조사 자료와 교통카드 자료를 결합하였다. 두 자료의 결합규칙으로는 대중교통을 이용하는 필수통행 행태가 같은 통행자를 동일한 통행자로 가정하고 자료를 결합하였다. 결합된 자료는 행정동과 가구에 속한 개인에 관련된 자료이며 위계를 가지는 자료이다. 위계 속성을 가지는 자료를 이용하여 일반적인 방법론인 선형회귀모형을 구축한다면 통계적 오류가 발생한다. 그러므로 본 연구는 다층선형모형 방법론으로 유발수요 예측 모형을 정산하였다. 유발수요 예측 모형의 종속변수는 통행자의 5일 평균 비규칙적 통행발생량이며 총 3-수준의 다층선형모형을 구축하였다. 다층선형모형 정산 과정에서 각 수준별 적합한 설명변수를 입력하여 통행발생량을 설명하였다. 1-수준에서 개인 속성 중에서 사무직 종사자 여부, 서비스직 종사자 여부, 20~40세 여부가 모형의 설명변수로 사용되었다. 2-수준에서 집에 해당하는 정류장이 같은 통행자들은 동일한 가구에 속한다고 설정하고 집에 해당하는 정류장의 대중교통 서비스 속성을 가구 속성으로 설정하였다. 대중교통 서비스 속성으로는 연결성과 접근성을 산출하였다. 행정동 속성은 행정동 별 사회경제지표를 구축하였다. 일반적인 통행 발생 모형 구축 방법은 선형회귀분석이다. 본 연구는 선형 회귀 분석에서 발생할 수 있는 오류를 개선하기 위해 다층선형모형을 사용하였다. 다층선형모형이 기존 방법론 보다 우수한지 검증하기 위해 선형회귀분석 방법론을 이용하여 존단위, 가구단위, 개인단위 유발수요 발생모형을 구축하였다. 3개의 선형회귀모형과 다층선형모형의 통행발생량 예측 단위 별 통계적 설명력을 비교하여 가장 우수한 모형을 검토하였다. 통계적 설명력을 비교하기 위해서 Percent error와 R-square 값을 산정하였다. 통계적 설명력 검증 결과 존 단위에서 다층선형모형이 선형회귀모형보다 통계적 설명력이 우수하였다. 그러므로 존단위로 장래 수요예측을 수행한다면 다층선형모형이 선형회귀모형보다 예측의 정확도가 높다. 본 연구는 대중교통 유발수요에 영향을 미치는 요인과 규모를 파악하였으며 실무적으로 적용할 수 있는 모형을 제시하였다. |Induce demand can be defined as a generated trip by reforming the transit network. Estimating newly generated trips among the types of induce demand is difficult due to data limitations and not considered practically. Previous researches mentioned a problem in which demand forecasting can be underestimated if the newly generated trip is not considered. In addition, although generated induce demand is related to attributes of passengers, previous research not included them in the model. Therefore, this research calibrated a person-based trip generation model for induce demand by reforming transit network using smart card data and household survey data. In the smart card data which is collected before and after reforming the transit network, passengers with increased irregular trips were classified as passengers who generated induce demand. And household survey data and smart card data were combined to use personal and household attributes related to induce demand as explanatory variables in the model. The combining rule is that passengers with the same mandatory travel behavior using transit are assumed the same person. The structure of combined data is hierarchical which person belongs to a specific household and traffic zone. The statistical errors occurred when trip generation model is calibrated using linear regression with hierarchical data which is a common methodology on trip generation model. Therefore, this research calibrated trip generation model for induce demand using multi-level regression which is composed of 3-level. The dependent variable is average trip frequency during 5 days and explanatory variables are attributes of the person, household, and traffic zone. In the result of calibrating model, the induce demand is related to occupancy of passengers and age as personal attributes, connectivity of transit station, accessibility of transit station as household(station) attributes and density of people, number of workers in traffic zone as traffic zone attributes. The model is statistically significant and the most affected variable to induce demand is the accessibility of transit stations. This study calibrated linear regression models as zone, household, and person-based models to compare statistical explanatory power to multi-level linear regression using percent error and R-squared value. At the result, multi-level regression model had better explanatory power and less percent error than linear regression models. Therefore, a multi-level model have more accuracy and statistical significance than linear regression. This study identified the factors affecting transit induce demand and suggest a practical applicable mode