최근 철도 서비스를 개선하고자 기존선을 복선 및 전철화 하는 등 철도네트워크 기능강화사업이 활발히 추진되고 있다. 이를 배경으로 본 논문에서 급행철도와 같이 새로운 철도 운영서비스가 제공될 경우 타 교통수단으로부터 얼마의 전환수요가 발생될 것이며, 철도이용형태는 어떻게 변화될 것인지? 등 앞으로 건설될 대구권 광역철도를 대상으로 SP와 RP데이터에 의한 전환수요 예측방법의 적용성을 검토하였다. 모형 구축결과, 기존 SP와 RP데이터를 결합하는 동시적 모형과 순차적 모형이 모두 유용하여 총통행시간과 통행비용의 파라미터 추정치가 충분한 설명력을 나타내고 있으며, 동시적 방법이 보다 효율적으로 분석되었다. 특히 RP+SP의 결합모형의 타당성을 더욱 높이기위해서 RP데이터를 비례적으로 적용한다면, 철도요금과 통행시간 설정에 따라 전환수요를 쉽게 파악할 수 있을 것이며, 대구권 광역철도를 비롯하여 타 지역에서도 보다 실용적으로 적용할 수 있을 것으로 판단된다.
최근 철도 서비스를 개선하고자 기존선을 복선 및 전철화 하는 등 철도네트워크 기능강화사업이 활발히 추진되고 있다. 이를 배경으로 본 논문에서 급행철도와 같이 새로운 철도 운영서비스가 제공될 경우 타 교통수단으로부터 얼마의 전환수요가 발생될 것이며, 철도이용형태는 어떻게 변화될 것인지? 등 앞으로 건설될 대구권 광역철도를 대상으로 SP와 RP데이터에 의한 전환수요 예측방법의 적용성을 검토하였다. 모형 구축결과, 기존 SP와 RP데이터를 결합하는 동시적 모형과 순차적 모형이 모두 유용하여 총통행시간과 통행비용의 파라미터 추정치가 충분한 설명력을 나타내고 있으며, 동시적 방법이 보다 효율적으로 분석되었다. 특히 RP+SP의 결합모형의 타당성을 더욱 높이기위해서 RP데이터를 비례적으로 적용한다면, 철도요금과 통행시간 설정에 따라 전환수요를 쉽게 파악할 수 있을 것이며, 대구권 광역철도를 비롯하여 타 지역에서도 보다 실용적으로 적용할 수 있을 것으로 판단된다.
A diversity of railway network function enhancement projects such as the double tracking, electrification, and direct operation have been actively executed to improve the railway service. When the new rapid transit is provided, how many people will use it instead of other transports? How will the ra...
A diversity of railway network function enhancement projects such as the double tracking, electrification, and direct operation have been actively executed to improve the railway service. When the new rapid transit is provided, how many people will use it instead of other transports? How will the railway choice behavior be changed? Accordingly, in this paper, the applicability of diverted travel demand forecast methods, by Revealed Preference(RP) and Stated Preference(SP) data was reviewed for Daegu metropolitan rail rapid transit service. As the result of combining RP and SP data, including the sequential and simultaneous approach, the total travel time and travel cost parameters are of the right sign and are highly significant. The simultaneous approach is more efficient in terms of the estimation of coefficients. In particular, methods to improve validity of the Mixed RP/SP models, when RP data is used proportionally, the diverted travel demand can be easily identified by railway fare and travel time service level. Therefore, it is considered that this will practically apply even in other regions as well as Daegu metropolitan railway.
A diversity of railway network function enhancement projects such as the double tracking, electrification, and direct operation have been actively executed to improve the railway service. When the new rapid transit is provided, how many people will use it instead of other transports? How will the railway choice behavior be changed? Accordingly, in this paper, the applicability of diverted travel demand forecast methods, by Revealed Preference(RP) and Stated Preference(SP) data was reviewed for Daegu metropolitan rail rapid transit service. As the result of combining RP and SP data, including the sequential and simultaneous approach, the total travel time and travel cost parameters are of the right sign and are highly significant. The simultaneous approach is more efficient in terms of the estimation of coefficients. In particular, methods to improve validity of the Mixed RP/SP models, when RP data is used proportionally, the diverted travel demand can be easily identified by railway fare and travel time service level. Therefore, it is considered that this will practically apply even in other regions as well as Daegu metropolitan railway.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 본 연구에서는 현재 새마을열차와 같이 요금은 비싸고(4,500원 수준) 배차간격이 50~60분이지만 승차시간이 30~35분으로 단축되는 새로운 급행철도 서비스(Skip&Stop방식)가 도입될 경우 선호의식이 어떻게 바뀌는지 분석하고자 하였다.
마지막으로 철도를 선택한 사람을 대상으로 기존철도와 광역철도(새로운 서비스)에 대한 선택확률을 예측하고자 한다. 즉, 급행철도는 주요 역에 대해서만 약 30분 간격으로 운행되고, 광역철도는 모든 역에 정차하고 15분 간격으로 서비스되는 철도에 해당된다.
본 논문에서는 RP와 SP데이터 결합모형을 순차적방법과 동시추정방법을 이용하여 급행과 일반철도로 구분하여 전환 수요예측방법론과 선호의식데이터의 활용에 대해 고찰하였다.
이를 배경으로 본 논문에서는 급행철도 운행과 같이 새로운 철도 운영서비스가 제공될 경우 실제 타 교통수단으로부터 얼마의 전환이 이루어질 것이며, 철도이용형태는 어떻게 변화될 것인지를 추정하는 전환수요 예측방법의 고찰을 위해 선호의식(SP: Stated Preference)자료에 대한 적용성을 검토하고, SP, RP(Revealed Preference), RP+SP 결합모형의 추정결과와 비교함으로서 광역철도의 요금과 시간설정에 따른 전환수요의 추정방법에 대하여 연구하고자 한다.
제안 방법
구체적으로 장래 새로이 도입될 광역철도 차량은 최고속도 150km/h의 간선형 전기동차(TEC)을 운행할 계획이며, 대구권 철도서비스 운행패턴 대안에 따라 광역철도 열차운영이 다소 차이가 나겠지만 운행횟수는 첨두시 15분, 비첨두시 20분으로 요금은 2,000원 내외로 설정하였다.
이를 위한 분석 자료는 시뮬레이션을 통해서 인위적인 RP 자료와 SP자료를 생성하여 사용하였고, 이 자료로 Error Component방법을 이용한 결합모형과 기존의 결합방법의 결과를 파라미터 및 시간가치 척도로 비교하였다(김강수, 2006). 그러나 본 연구에서는 실제 대구권 광역철도구간을 공간적 범위로 설정하여 RP 및 SP조사를 실시하여 각 결합모형을 실제 비교 분석한 점에 차별성이 있다.
본 연구에서 SP조사를 위하여 수단별 요금, 승차시간, 도보 및 대기시간의 3개 속성의 서비스를 설계하였지만, 수단 선택 이항모형을 추정할 때는 향후 RP모형과의 결합을 고려하여 도보 및 대기시간을 별도 구분하지 않고 수단별 통행 시간과 통행비용을 설명변수로 적용하였다.
본 연구에서 대구권에 다양한 형태의 철도 서비스에 대한 수단선택 SP조사는 수단별 요금, 승차시간, 도보 및 대기시간 등 3개 속성으로, 수준은 2수준으로 설정하고 각각에 대해 문헌 및 현장조사에 근거하여 표 1과 같이 수준 값을 설정하였다.
여기서 서비스 수준 설정을 위하여 승용차의 평균통행속도 및 유류비 등은 기 조사된 대구권 가구통행실태조사의 분석치를 적용하였고, 각 구간별 시외버스 및 고속버스의 운행현황은 전국고속(시외)버스 운송사업조합의 자료와 새마을호 무궁화호 및 KTX의 예상소요시간 및 운임자료는 한국철도공사의 구간별 철도운행현황을 활용하였다.
=8개 작성할 수 있다.이를완전요인배치계획(Fullfactorial design)이라고 하지만, 실제 노측 면접조사 시 시간이 충분히 할애될 수 없으므로, 대체안수 삭감을 위해 가장 일반적으로 사용되는있는일부요인배치계획방법을 이용하여 8개의 대체안에서 4개안으로 축소하여 SP조사를 실시하였다.
순차적 방법은 SP자료를 이용한 모형을 개별적으로 추정한 후 SP자료의 파라메타 값을 RP자료에 곱하여 새로운 관측효용값을 계산하는데, 추정되는 파라메타가 규모인자 µ가 된다. 추정된 규모인자의 값을 SP자료에 곱하면 RP자료와 SP자료가 동일한 분산을 갖는 자료가 되며, 두 자료를 단순 결합하여 결합모형을 산출하였다.
대상 데이터
SP조사 대상지역은 경부선:김천~동대구~밀양(125.1km)과대구선:동대구~영천(36.1km)을 중심으로 대구권 광역철도구간을 공간적 범위로 설정하였다. 조사대상자는 경부선 축(김천, 구미, 대구, 경산, 청도, 밀양, 영천)을 통행하는 사람을 대상으로 철도역과 시외 고속버스 터미널 등지에서 직접 면접 조사하였다.
본 연구대상지는 대구권으로, 국토해양부에서는 경부고속철도 2단계 개통(2014년)이후 기존 경부선의 선로여유용량을 이용한 대구권 철도 서비스 향상을 위해 밀양-경산-대구-구미-김천구간에 대하여 광역철도 운행과 철도운영서비스 개선 등을 계획하고 있다(그림 1).
1km)을 중심으로 대구권 광역철도구간을 공간적 범위로 설정하였다. 조사대상자는 경부선 축(김천, 구미, 대구, 경산, 청도, 밀양, 영천)을 통행하는 사람을 대상으로 철도역과 시외 고속버스 터미널 등지에서 직접 면접 조사하였다.
데이터처리
이를 위한 분석 자료는 시뮬레이션을 통해서 인위적인 RP 자료와 SP자료를 생성하여 사용하였고, 이 자료로 Error Component방법을 이용한 결합모형과 기존의 결합방법의 결과를 파라미터 및 시간가치 척도로 비교하였다(김강수, 2006). 그러나 본 연구에서는 실제 대구권 광역철도구간을 공간적 범위로 설정하여 RP 및 SP조사를 실시하여 각 결합모형을 실제 비교 분석한 점에 차별성이 있다.
이론/모형
광역철도의 선택(일반열차+급행열차)에 대한 1:1비교의 선호도를 나타내는 평가자료(Rating)를 활용하여 Binary Logit(BL) 모형을 이용하여 급행철도 선택모형 추정결과를 비교하면 표 5와 같다.
급행철도 전환 수요예측 SP모형은 3개 수단에 대한 선택 확률을 다항로짓(ML:Multinomial Logit)모형으로 하고, 별도로 철도 중 급행열차와 완행열차를 이용할 것인가에 대한 이항선택 로짓모형(Binary Logit Model)을 구축하였다.
동시추정 방법은 이러한 순차적 방법의 번거로움을 해결하기 위하여 네스티드 모형을 이용하여 트리구조를 구성하여 분석하였다.
본 연구에서는 RP와 SP데이터 결합모형을 순차적방법과 동시추정방법을 이용하였으며, 분석 프로그램은 네델란드 STRATEC에서 개발한 Hielow(Hierarchy Logit For Windows)으로 분석하였다.
성능/효과
RP와 SP데이터의 결합모형은 이러한 오차를 나타내는 ρ2의 정산방법에 따라 순차적 및 동시적 모형으로 구분할 수 있는데, 분석결과 각각 0.913, 0.948로 나타나 1보다 적기 때문에 SP자료가 RP자료보다 오차가 크다는 것을 알 수 있으며, 결합방법에 있어서는 동시적 방법이 순차적 방법보다 약간 효율적으로 분석되었다.
RP와 SP데이터의 결합모형은 총 3,217개의 데이터를 이용하여 순차적 방법과 동시추정 방법에 의한 결과 ρ2는 약 0.15로 비교적 양호하게 분석되었으며, 파라메타 값에 있어서는 결합모형 모두 비슷한 수치를 나타내고 있다.
그 결과 RP와 SP데이터 결합모형의 파라미터 추정치가 모두 유의하여 RP와 SP데이터를 결합하는 방법으로 유용하게 사용될 수 있다는 것을 확인할 수 있었다. 모형 적합도 또한 비교적 양호한 설명력을 나타내고 있으며, 동시적방법보다 순차적방법이 다소 효율적인 것으로 나타났다.
여기서 총 통행시간(TVTT)과 통행비용(COST)의 파라미터 추정치가 모두 음의 부호로서 논리적인 결과를 보여주고 있다. 그리고 SP모형의 통행비용, 총통행 시간의 t값이 유의수준 5% 이내에서 모두 유의한 변수를 나타내고 있으나, RP, RP+SP모형에서 통행비용의 경우 90% 신뢰도 수준에서 통계적으로 유의하지 않는 것으로 나타났다.
또한 새로운 급행철도 서비스(Skip&Stop방식)가 도입될 경우 광역철도(일반+급행)의 수단 분담률은 일반철도 70.5%, 급행철도 29.5%로 급행철도가 2,000~2,500원 비싸지만 승차시간 20~25분 빠른 속성의 차이 SP+RP모형에서 잘 설명할 수 있었다.
또한 설문조사 과정에서 철도 이용자 데이터가 많아 SP모형 및 RP+SP결합모형 추정결과 철도분담률이 다소 높게 추정되었고, 실제 시간가치에 대하여 민감하지 않은 점을 확인할 수 있었다. 또한 철도 서비스 관련 정책은 급행과 일반 철도 선호도와 한계효과(Marginal effect)에 관한 분석을 실시하여 직·간접적 탄력성을 정책적으로 충분히 제시하는 연구는 앞으로 지속되어야 한다.
그 결과 RP와 SP데이터 결합모형의 파라미터 추정치가 모두 유의하여 RP와 SP데이터를 결합하는 방법으로 유용하게 사용될 수 있다는 것을 확인할 수 있었다. 모형 적합도 또한 비교적 양호한 설명력을 나타내고 있으며, 동시적방법보다 순차적방법이 다소 효율적인 것으로 나타났다. 또한 새로운 급행철도 서비스(Skip&Stop방식)가 도입될 경우 광역철도(일반+급행)의 수단 분담률은 일반철도 70.
8% 수준으로 급행철도가 정차하는 김천, 구미, 대구, 동대구, 밀양 등과 같은 주요 역에서 수요층이 형성될 것으로 예측된다. 모형추정 결과 표 6에 나타낸바와 같이, SP전체 데이터를 이용한 SP_모형3a 보다 조건2 자료를 제외하고 추정한 SP_모형3b이 더 적합도가 높게 나타났다. 분석된 SP_모형3b의 경우 각 파라미터 t값은 모두 유의수준 0.
본 모형에 의해 철도 수단 분담률을 추정한 결과, 광역철도 70.5%, 급행철도 29.5%로 나타났다. 이것은 급행열차 배차간격이 50-60분, 요금 3,500-4,500원에 비해 일반열차의 경우 20-30분 배차간격이 좁고, 2,000-2,500원의 요금이 싸다는 점에 비해 급행열차의 승차시간이 20-25분 빠르다는 속성의 차이를 크게 극복하지 못하는 것으로 분석된다.
후속연구
그러나 향후 광역철도 도입에 따른 열차운행계획의 시간과 비용의 설정에 따라 이용률은 다소 변화될 것이며, SP조사에서 어느 쪽으로 아닌 것으로 응답한 데이터도 감안할 경우 급행철도 이용자는 최대 45.8% 수준으로 급행철도가 정차하는 김천, 구미, 대구, 동대구, 밀양 등과 같은 주요 역에서 수요층이 형성될 것으로 예측된다. 모형추정 결과 표 6에 나타낸바와 같이, SP전체 데이터를 이용한 SP_모형3a 보다 조건2 자료를 제외하고 추정한 SP_모형3b이 더 적합도가 높게 나타났다.
5%로 급행철도가 2,000~2,500원 비싸지만 승차시간 20~25분 빠른 속성의 차이 SP+RP모형에서 잘 설명할 수 있었다. 따라서 이제까지 급행철도 운행과 같이 새로운 철도서비스 도입에 따른 전환수요 예측은 본 논문에서 제시하고 있는 방법론으로 접근하면 서비스 특성이 다른 철도 교통수단 세분화에 따라 실용적으로 적용할 수 있을 것으로 판단된다.
또한 설문조사 과정에서 철도 이용자 데이터가 많아 SP모형 및 RP+SP결합모형 추정결과 철도분담률이 다소 높게 추정되었고, 실제 시간가치에 대하여 민감하지 않은 점을 확인할 수 있었다. 또한 철도 서비스 관련 정책은 급행과 일반 철도 선호도와 한계효과(Marginal effect)에 관한 분석을 실시하여 직·간접적 탄력성을 정책적으로 충분히 제시하는 연구는 앞으로 지속되어야 한다.
본 연구의 한계는 교통수단 선택지간의 IIA(Independence and Irrelevance of Alternatives) 즉 SP모형에서 3개 선택지가 아닌 4개 선택지로 철도 선택지를 일반철도와 급행철도로 구분하였다. 이 경우 IIA문제가 발생되지만, 이는 Probit model 등 향후 연구과제로 두고자 한다.
향후 이러한 SP데이터의 한계를 극복하기 위해서 RP데이터와 SP데이터와 반드시 일치하지 않지만 승용차 이용자에 대한 RP조사데이터를 비례적으로 추가하여 승용차+버스+철도(하위계층; 일반+급행철도)형태의 Nested Logit 결합모형을 구축하는 등 광역철도 서비스에 대한 다양한 척도로서 측정된 SP데이터를 적용할 수 있는 유효한 분석방법론의 지속적인 연구가 필요할 것으로 판단된다.
참고문헌 (13)
김강수, 조혜진(2006) SP 조사설계 및 분석방법론, 보성각.
김강수(2002) Stated Preference 조사설계 및 분석방법론에 대한 연구(2단계), 교통개발연구원 연구총서 2002-9.
정병두, 김현, 황영기(2009) 급행철도 도입에 따른 전환수요 분석, 대한교통학회지, 대한교통학회, Vol. 27, No. 3, pp. 131-140.
Bonsall, P. (1983) Transfer Price Data - Its use and Abuse, The 11th PTRC, Transportation Planning Methods, pp. 47-59.
Bradley, M.A. and Daly A. J. (1994) Uses of The Logit Scaling Approach to Test for Rank order and Fatigue Effects in Stated Preference Data, Transportation 21, 1994.
PTRC (2000) Stated Preference Techniques.
Kim, K.S. (1998) A Behavioural Approach to Freight Transport Modal Choice, University of Leeds Ph.D Thesis.
Takayuki Morikawa (1989) Incorporating Stated Preference Data in Travel Demand Analysis, Ph.D Thesis, MIT.
Steer Davies Gleave and Hague Consulting Group (1991) Stated- Preference Techniques, A guides to practice 2nd Edition.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.