시내버스 이용자에게 차내 혼잡은 쾌적성, 편의성 등 교통수단 서비스 수준의 판단기준이다. 관리·운영자는 혼잡 개선을 위해 노선간 증·감차, 혼잡시간대 집중배차 등 개선방안을 검토하는데 이때 혼잡시간절감편익 등 혼잡 관련 정량적 지표를 활용하여 개선방안 검토가 이루어져야 한다. 기존 국내·외 혼잡가치 관련 연구는 선호의식(SP) 방법으로 지하철 중심으로 이루어져 시내버스 관련 차내 혼잡시간가치(비용) 관련 연구는 전무한 실정이다. 2019년 서울시 교통카드 기준, 시내버스 통행건수는 일평균 4,541천통행이 발생하고 이중 512천통행이 차내 혼잡을 경험하고 있다. 특히 271천 통행은 혼잡한 차량내 입석상태로 불편을 경험하고 있다. 혼잡 상태일 때 대당 평균 혼잡율은 약 116%로 2019년 기준 지하철 1~8호선의 평균 혼잡율 119%와 유사한 수준으로 시내버스의 혼잡시간가치에 대한 연구가 필요하다.
본 연구는 시내버스의 차내 혼잡시간가치를 추정을 목적으로 교통카드 빅데이터 분석자료를 활용한 현신선호(RP) 방법으로 ...
시내버스 이용자에게 차내 혼잡은 쾌적성, 편의성 등 교통수단 서비스 수준의 판단기준이다. 관리·운영자는 혼잡 개선을 위해 노선간 증·감차, 혼잡시간대 집중배차 등 개선방안을 검토하는데 이때 혼잡시간절감편익 등 혼잡 관련 정량적 지표를 활용하여 개선방안 검토가 이루어져야 한다. 기존 국내·외 혼잡가치 관련 연구는 선호의식(SP) 방법으로 지하철 중심으로 이루어져 시내버스 관련 차내 혼잡시간가치(비용) 관련 연구는 전무한 실정이다. 2019년 서울시 교통카드 기준, 시내버스 통행건수는 일평균 4,541천통행이 발생하고 이중 512천통행이 차내 혼잡을 경험하고 있다. 특히 271천 통행은 혼잡한 차량내 입석상태로 불편을 경험하고 있다. 혼잡 상태일 때 대당 평균 혼잡율은 약 116%로 2019년 기준 지하철 1~8호선의 평균 혼잡율 119%와 유사한 수준으로 시내버스의 혼잡시간가치에 대한 연구가 필요하다.
본 연구는 시내버스의 차내 혼잡시간가치를 추정을 목적으로 교통카드 빅데이터 분석자료를 활용한 현신선호(RP) 방법으로 로지스틱 회귀모형을 구축하여 신뢰성 있는 서울시 시내버스 차내 혼잡시간가치를 추정하였다. 교통카드 빅데이터 분석방법은 개별 통행자의 차내 통행상태별 통행시간을 산정하기 위한 알고리즘을 개발하여 적용하였다. 이로 인해 차내 개별 통행자별 좌석, 입석, 혼잡·입석 등 통행상태를 세분화하여 차내 통행상태별 혼잡시간가치를 정밀하게 추정하였다. 선호의식(SP) 방법으로 서울시 시내버스 이용자의 혼잡회피를 위한 통행실태와 통행시간·혼잡지속시간별 지불용의시간을 추정하고 차내 혼잡시간이 총 통행시간에 미치는 영향정도를 분석하였다. 또한 차내 서비스 수준은 변화된 시내버스 차량 제원, 한국인 신체사이즈 최신화, 사람간 여유거리를 고려하여 재정립하여 반영하였다. KHCM(2013)의 차내 서비스 수준은 좌석수 31석 기준이지만 실제 서울시 시내버스의 좌석수는 25석으로 차이가 있어 현실성 있는 분석을 위해 조정하였다. 연구결과, 서울시 시내버스 이용자는 혼잡회피를 위해 총 통행시간이 증가하더라도 비혼잡한 차량의 도착 시까지 추가대기 또는 비혼잡 노선으로 통행경로를 변경하는 것으로 나타났다. 이때 지불용의시간의 절대값은 통행시간과 혼잡지속시간에 비례하여 증가하지만 지불용의시간 비율은 통행시간과 반비례하지만, 혼잡지속시간과는 비례하는 것으로 나타났다. 지불용의시간은 혼잡시간이 총 통행시간에 미치는 영향력이므로 차내 혼잡시간가치를 추정하기 위해 혼잡회피를 위한 개별 통행자별 차내 좌석, 입석, 혼잡·입석 통행상태별 통행시간 자료를 활용하여 선택모형중 하나인 로지스틱 회귀모형을 구축하였다. 다만, 로지스틱 회귀모형은 혼잡회피를 위한 경로 변경하는 사례중 혼잡은 발생하지만 통행시간이 짧은 702번과 혼잡은 발생하지 않지만 통행시간이 긴 7022번의 동일한 기·종점을 통행하는 개별 통행자를 대상으로 차내 혼잡시간가치를 심층 분석하였다. 왜냐하면 선호의식(SP) 조사에서 나타난 혼잡회피를 위해 통행행태를 변경·선택한 응답자와 해당 응답자별 교통카드 자료를 매칭하여 차내 혼잡시간가치를 추정하고자 하였으나 교통카드 자료는 개인정보가 없어 응답자와 매칭하고 차내 통행상태별 통행시간 자료를 구축하는데 한계가 있었기 때문이다. 차내 혼잡시간가치는 차내 좌석통행시간 승비(Odds Ratio) 대비 입석통행시간과 혼잡·입석통행시간 승비의 상대적 비율의 형태로 추정하였다. 차내 혼잡시간가치 추정결과, 단위시간당 차내 입석시간가치는 좌석통행시간의 1.26, 혼잡·입석시간가치는 좌석통행시간의 1.99배의 가치가 있는 것으로 나타났다. 기존 국내·외 혼잡가치와 비교는 국가 또는 교통수단을 이용하는 시민의 혼잡에 대한 인식 정도가 다르기 때문에 절대적 평가는 어려울 것으로 판단된다. 다만, 본 연구에서 추정된 혼잡시간가치의 정도를 비교하기 위해 혼잡 발생 시 재차인원을 입석밀도로 환산하여 비교하였다. 비교결과, 기존 선호의식(SP) 방법과 현시선호(RP) 방법의 혼잡가치와 유사하거나 조금 높게 나타났다. 이는 기존 연구는 혼잡상태 차내에 있는 좌석 통행자, 입석 통행자를 모두 동일하게 분석하였으나, 본 연구는 개별 통행자의 좌석과 입석으로 통행상태를 세분화하고 좌석 통행상태의 통행시간을 기준으로 입석과 혼잡·입석상태의 차내 혼잡시간가치를 추정했기 때문으로 판단된다. 본 연구는 신뢰성 있는 서울시 시내버스 교통카드의 현시선호(RP) 자료를 활용하여 차내 통행상태별 혼잡시간가치를 정밀하게 추정한 첫 연구로 의의가 있다. 추정된 시내버스 차내 혼잡시간가치는 혼잡 개선을 위한 노선간 증·감차, 배차간격 조정 등 개선방안의 타당성 검토와 시내버스 경영 및 서비스 평가에 활용할 수 있을 것으로 판단된다. 또한 차내 통행상태별 통행시간 자료를 분석하기 위해 개발한 교통카드 빅데이터 분석 방법은 시내버스의 혼잡현황 및 특성 분석 가능하여 향후 다양한 연구에 기여할 것으로 기대된다.
시내버스 이용자에게 차내 혼잡은 쾌적성, 편의성 등 교통수단 서비스 수준의 판단기준이다. 관리·운영자는 혼잡 개선을 위해 노선간 증·감차, 혼잡시간대 집중배차 등 개선방안을 검토하는데 이때 혼잡시간절감편익 등 혼잡 관련 정량적 지표를 활용하여 개선방안 검토가 이루어져야 한다. 기존 국내·외 혼잡가치 관련 연구는 선호의식(SP) 방법으로 지하철 중심으로 이루어져 시내버스 관련 차내 혼잡시간가치(비용) 관련 연구는 전무한 실정이다. 2019년 서울시 교통카드 기준, 시내버스 통행건수는 일평균 4,541천통행이 발생하고 이중 512천통행이 차내 혼잡을 경험하고 있다. 특히 271천 통행은 혼잡한 차량내 입석상태로 불편을 경험하고 있다. 혼잡 상태일 때 대당 평균 혼잡율은 약 116%로 2019년 기준 지하철 1~8호선의 평균 혼잡율 119%와 유사한 수준으로 시내버스의 혼잡시간가치에 대한 연구가 필요하다.
본 연구는 시내버스의 차내 혼잡시간가치를 추정을 목적으로 교통카드 빅데이터 분석자료를 활용한 현신선호(RP) 방법으로 로지스틱 회귀모형을 구축하여 신뢰성 있는 서울시 시내버스 차내 혼잡시간가치를 추정하였다. 교통카드 빅데이터 분석방법은 개별 통행자의 차내 통행상태별 통행시간을 산정하기 위한 알고리즘을 개발하여 적용하였다. 이로 인해 차내 개별 통행자별 좌석, 입석, 혼잡·입석 등 통행상태를 세분화하여 차내 통행상태별 혼잡시간가치를 정밀하게 추정하였다. 선호의식(SP) 방법으로 서울시 시내버스 이용자의 혼잡회피를 위한 통행실태와 통행시간·혼잡지속시간별 지불용의시간을 추정하고 차내 혼잡시간이 총 통행시간에 미치는 영향정도를 분석하였다. 또한 차내 서비스 수준은 변화된 시내버스 차량 제원, 한국인 신체사이즈 최신화, 사람간 여유거리를 고려하여 재정립하여 반영하였다. KHCM(2013)의 차내 서비스 수준은 좌석수 31석 기준이지만 실제 서울시 시내버스의 좌석수는 25석으로 차이가 있어 현실성 있는 분석을 위해 조정하였다. 연구결과, 서울시 시내버스 이용자는 혼잡회피를 위해 총 통행시간이 증가하더라도 비혼잡한 차량의 도착 시까지 추가대기 또는 비혼잡 노선으로 통행경로를 변경하는 것으로 나타났다. 이때 지불용의시간의 절대값은 통행시간과 혼잡지속시간에 비례하여 증가하지만 지불용의시간 비율은 통행시간과 반비례하지만, 혼잡지속시간과는 비례하는 것으로 나타났다. 지불용의시간은 혼잡시간이 총 통행시간에 미치는 영향력이므로 차내 혼잡시간가치를 추정하기 위해 혼잡회피를 위한 개별 통행자별 차내 좌석, 입석, 혼잡·입석 통행상태별 통행시간 자료를 활용하여 선택모형중 하나인 로지스틱 회귀모형을 구축하였다. 다만, 로지스틱 회귀모형은 혼잡회피를 위한 경로 변경하는 사례중 혼잡은 발생하지만 통행시간이 짧은 702번과 혼잡은 발생하지 않지만 통행시간이 긴 7022번의 동일한 기·종점을 통행하는 개별 통행자를 대상으로 차내 혼잡시간가치를 심층 분석하였다. 왜냐하면 선호의식(SP) 조사에서 나타난 혼잡회피를 위해 통행행태를 변경·선택한 응답자와 해당 응답자별 교통카드 자료를 매칭하여 차내 혼잡시간가치를 추정하고자 하였으나 교통카드 자료는 개인정보가 없어 응답자와 매칭하고 차내 통행상태별 통행시간 자료를 구축하는데 한계가 있었기 때문이다. 차내 혼잡시간가치는 차내 좌석통행시간 승비(Odds Ratio) 대비 입석통행시간과 혼잡·입석통행시간 승비의 상대적 비율의 형태로 추정하였다. 차내 혼잡시간가치 추정결과, 단위시간당 차내 입석시간가치는 좌석통행시간의 1.26, 혼잡·입석시간가치는 좌석통행시간의 1.99배의 가치가 있는 것으로 나타났다. 기존 국내·외 혼잡가치와 비교는 국가 또는 교통수단을 이용하는 시민의 혼잡에 대한 인식 정도가 다르기 때문에 절대적 평가는 어려울 것으로 판단된다. 다만, 본 연구에서 추정된 혼잡시간가치의 정도를 비교하기 위해 혼잡 발생 시 재차인원을 입석밀도로 환산하여 비교하였다. 비교결과, 기존 선호의식(SP) 방법과 현시선호(RP) 방법의 혼잡가치와 유사하거나 조금 높게 나타났다. 이는 기존 연구는 혼잡상태 차내에 있는 좌석 통행자, 입석 통행자를 모두 동일하게 분석하였으나, 본 연구는 개별 통행자의 좌석과 입석으로 통행상태를 세분화하고 좌석 통행상태의 통행시간을 기준으로 입석과 혼잡·입석상태의 차내 혼잡시간가치를 추정했기 때문으로 판단된다. 본 연구는 신뢰성 있는 서울시 시내버스 교통카드의 현시선호(RP) 자료를 활용하여 차내 통행상태별 혼잡시간가치를 정밀하게 추정한 첫 연구로 의의가 있다. 추정된 시내버스 차내 혼잡시간가치는 혼잡 개선을 위한 노선간 증·감차, 배차간격 조정 등 개선방안의 타당성 검토와 시내버스 경영 및 서비스 평가에 활용할 수 있을 것으로 판단된다. 또한 차내 통행상태별 통행시간 자료를 분석하기 위해 개발한 교통카드 빅데이터 분석 방법은 시내버스의 혼잡현황 및 특성 분석 가능하여 향후 다양한 연구에 기여할 것으로 기대된다.
For city bus users, in-vehicle crowding is a criterion to assess the quality of the service such as comfort and convenience. City bus managers and operators should consider in-vehicle crowding as a key quantitative measure when considering the service quality improvement. However, there is no quanti...
For city bus users, in-vehicle crowding is a criterion to assess the quality of the service such as comfort and convenience. City bus managers and operators should consider in-vehicle crowding as a key quantitative measure when considering the service quality improvement. However, there is no quantitative indicators available for city bus as existing studies focused on Stated-Preference(SP) methodology which is more applicable to subway crowdedness quantification. According to the Smart-Card(Transportation Card) of Seoul in 2019, 4,541,000 traffic per day occured, of which 512,000 traffic experienced in-vehicle crowding. In particular, 271,000 traffic is experiencing inconvenience due to the crowded standing space of the vehicle. An average crowding rate per bus when in a congested state is about 116%, similar to the average crowding rate(119%) of subway lines 1 to 8 as of 2019,which requires research on the value of crowding time of city buses. This study estimated the Value of Crowding Time(VoCT) in vehicle by constructing a Logistic Regression Model, one of the Discrete Choice Model, using Smart-Card’s big data. The method of Smart-Card's big data analysis is developed and applied to calculate the travel time of each passerby in-vehicle movement conditions. As a result, travel conditions, such as sitting, standing, and crowded standing, were subdivided to estimate the VoCT. Through the SP method, the travel conditions for crowding avoidance of Seoul City-bus users and the amount of time to pay for each travel time and crowding duration were estimated and the impact of crowding in-vehicle on the total travel time was analyzed. In addition, the service quality in-vehicle was restructured and reflected in consideration of the changed size of the Seoul City-bus, the latest Korean body size, and the spare distance between people. According to the study, Seoul City-bus users waiting or moving to avoiding crowding to no-crowding vehicle or route, even if the total travel time increases. Bus users were found willing to pay extra time to avoid crowding in vehicle. At this time, the time for Willingness to pay(WTP) increases proportionally to the time for travelling and crowding, but the ratio of time for WTP is inversely proportional to the time for crowding. Initially, it tried to estimate VoCT in the car by matching smart card data with respondents, but there was a limit to matching because there was no personal information on the smart card. Therefore, No, 702 and 7022 runing at the same origin and destination were analyzed at depth. 702 occurs Crowding but travel time is short, and 7022 not occur Crowding but travel time is long. The VoCT In-vehicle was estimated in the form of time multiplier, such as standing time versus sitting time and crowded standing time versus sitting time. As a result of estimating, the value of standing time per unit hour in-vehicle was 1.26 times the sitting time, and the value of crowding and standing time was 1.99 times the sitting time. This study is meaningful as the first study to estimate the VoCT in-vehicle of city buses using Smart-Card data from reliable city buses. It is judged that it can be used to review the feasibility of adjusting the number of proper operations and headway between routes and to evaluate the management and service of city buses using the estimated the VoCT in vehicles. In addition, the method of Smart-Card big data analysis presented in this study is available as a new method to analyze crowding and characteristics of city buses and is expected to contribute to various research in the future.
For city bus users, in-vehicle crowding is a criterion to assess the quality of the service such as comfort and convenience. City bus managers and operators should consider in-vehicle crowding as a key quantitative measure when considering the service quality improvement. However, there is no quantitative indicators available for city bus as existing studies focused on Stated-Preference(SP) methodology which is more applicable to subway crowdedness quantification. According to the Smart-Card(Transportation Card) of Seoul in 2019, 4,541,000 traffic per day occured, of which 512,000 traffic experienced in-vehicle crowding. In particular, 271,000 traffic is experiencing inconvenience due to the crowded standing space of the vehicle. An average crowding rate per bus when in a congested state is about 116%, similar to the average crowding rate(119%) of subway lines 1 to 8 as of 2019,which requires research on the value of crowding time of city buses. This study estimated the Value of Crowding Time(VoCT) in vehicle by constructing a Logistic Regression Model, one of the Discrete Choice Model, using Smart-Card’s big data. The method of Smart-Card's big data analysis is developed and applied to calculate the travel time of each passerby in-vehicle movement conditions. As a result, travel conditions, such as sitting, standing, and crowded standing, were subdivided to estimate the VoCT. Through the SP method, the travel conditions for crowding avoidance of Seoul City-bus users and the amount of time to pay for each travel time and crowding duration were estimated and the impact of crowding in-vehicle on the total travel time was analyzed. In addition, the service quality in-vehicle was restructured and reflected in consideration of the changed size of the Seoul City-bus, the latest Korean body size, and the spare distance between people. According to the study, Seoul City-bus users waiting or moving to avoiding crowding to no-crowding vehicle or route, even if the total travel time increases. Bus users were found willing to pay extra time to avoid crowding in vehicle. At this time, the time for Willingness to pay(WTP) increases proportionally to the time for travelling and crowding, but the ratio of time for WTP is inversely proportional to the time for crowding. Initially, it tried to estimate VoCT in the car by matching smart card data with respondents, but there was a limit to matching because there was no personal information on the smart card. Therefore, No, 702 and 7022 runing at the same origin and destination were analyzed at depth. 702 occurs Crowding but travel time is short, and 7022 not occur Crowding but travel time is long. The VoCT In-vehicle was estimated in the form of time multiplier, such as standing time versus sitting time and crowded standing time versus sitting time. As a result of estimating, the value of standing time per unit hour in-vehicle was 1.26 times the sitting time, and the value of crowding and standing time was 1.99 times the sitting time. This study is meaningful as the first study to estimate the VoCT in-vehicle of city buses using Smart-Card data from reliable city buses. It is judged that it can be used to review the feasibility of adjusting the number of proper operations and headway between routes and to evaluate the management and service of city buses using the estimated the VoCT in vehicles. In addition, the method of Smart-Card big data analysis presented in this study is available as a new method to analyze crowding and characteristics of city buses and is expected to contribute to various research in the future.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.