대다수의 현대 도시들은 집적의 이익을 극대화하기 위해 군집을 형성하고 각 지역 간에 다양한 공간적 영향을 주고받는다. 그러나 전통적 4단계 수요예측방법의 첫 단계인 통행발생단계에서 주로 적용되는 선형회귀분석모형은 공간적 영향을 반영할 수 없다는 단점이 있다. 이러한 문제를 해결하기 위해서 공간적 상관성을 반영할 수 있는 통행 발생모형을 구축하는 것이 필요하다. 본 연구에서는 공간적 상관성을 고려할 수 있는 통행발생모형으로 공간가중회귀모형(Geographically Weighted Regression)을 제안한다. 공간가중회귀모형은 공간적 상관성을 고려할 수 있는 가중치 행렬을 추정하고 이를 이용하여 회귀식의 계수를 각 존별로 추정하는 것이다. 본 연구에서는 대구광역권 통행자료를 이용하여 공간가중회귀모형을 적용하였다. 공간가중회귀모형의 우수성을 평가하기 위하여 일반적인 회귀모형과 적합도, RMSE 등을 비교분석하였다. 또한 국지적 공간상관성을 측정하는 척도인 LISA(Local Indicator of Spatial Association) 지표를 각 모형별로 산출하였다. LISA 지표를 통하여 현재 분석대상지역은 국지적 공간상관성이 존재함을 확인할 수 있으며 공간가중회귀모형을 적용함으로써 공간상관성으로 인한 오차가 크게 개선됨을 확인할 수 있다.
대다수의 현대 도시들은 집적의 이익을 극대화하기 위해 군집을 형성하고 각 지역 간에 다양한 공간적 영향을 주고받는다. 그러나 전통적 4단계 수요예측방법의 첫 단계인 통행발생단계에서 주로 적용되는 선형회귀분석모형은 공간적 영향을 반영할 수 없다는 단점이 있다. 이러한 문제를 해결하기 위해서 공간적 상관성을 반영할 수 있는 통행 발생모형을 구축하는 것이 필요하다. 본 연구에서는 공간적 상관성을 고려할 수 있는 통행발생모형으로 공간가중회귀모형(Geographically Weighted Regression)을 제안한다. 공간가중회귀모형은 공간적 상관성을 고려할 수 있는 가중치 행렬을 추정하고 이를 이용하여 회귀식의 계수를 각 존별로 추정하는 것이다. 본 연구에서는 대구광역권 통행자료를 이용하여 공간가중회귀모형을 적용하였다. 공간가중회귀모형의 우수성을 평가하기 위하여 일반적인 회귀모형과 적합도, RMSE 등을 비교분석하였다. 또한 국지적 공간상관성을 측정하는 척도인 LISA(Local Indicator of Spatial Association) 지표를 각 모형별로 산출하였다. LISA 지표를 통하여 현재 분석대상지역은 국지적 공간상관성이 존재함을 확인할 수 있으며 공간가중회귀모형을 적용함으로써 공간상관성으로 인한 오차가 크게 개선됨을 확인할 수 있다.
In most of the urbanized cities, socio-economic attributes tend to cluster as patterns of similarity in space, namely spatial autocorrelation, by agglomeration forces. The classical linear regression model, the most frequently adopted in the trip generation step, cannot sufficiently represent this e...
In most of the urbanized cities, socio-economic attributes tend to cluster as patterns of similarity in space, namely spatial autocorrelation, by agglomeration forces. The classical linear regression model, the most frequently adopted in the trip generation step, cannot sufficiently represent this effect. In order to take into account the effect properly, we need a model which adequately deals with the spatial dependence patterns. In this study, the Geographically Weighted Regression (GWR) model is adopted as an alternative method for the local analysis of relationships in multivariate data sets; that is GWR extends this traditional regression framework by estimating local rather than global parameters. This study shows the existence of spatial effects in the production and attraction of home base/non-home based trips through the GWR model using travel data collected in Daegu metropolitan area. Furthermore, LISA is employed to verify the fact that the local spatial autocorrelation exists.
In most of the urbanized cities, socio-economic attributes tend to cluster as patterns of similarity in space, namely spatial autocorrelation, by agglomeration forces. The classical linear regression model, the most frequently adopted in the trip generation step, cannot sufficiently represent this effect. In order to take into account the effect properly, we need a model which adequately deals with the spatial dependence patterns. In this study, the Geographically Weighted Regression (GWR) model is adopted as an alternative method for the local analysis of relationships in multivariate data sets; that is GWR extends this traditional regression framework by estimating local rather than global parameters. This study shows the existence of spatial effects in the production and attraction of home base/non-home based trips through the GWR model using travel data collected in Daegu metropolitan area. Furthermore, LISA is employed to verify the fact that the local spatial autocorrelation exists.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 국지적인 공간적 영향이 존 간 통행발생량에 존재함을 확인하고 이를 고려할 수 있는 모형인 공간가중회귀모형(Geographically Weighted Regression, 이하 GWR)을 적용하는 것이 본 연구의 목적이다.
가설 설정
전통적 4단계 수요예측방법의 첫 단계인 통행발생단계에서 주로 적용되는 선형회귀모형은 일반적으로 일반화최소자승법(Ordinary least square method, 이하 OLS)에 의해 추정된다. OLS는 종속변수인 각 존의 통행발생량이 서로 독립적임을 가정한다. 따라서 현재의 통행발생모형은 앞서 설명한 공간적 영향을 반영할 수 없고, 만약 공간적 영향이 존재함에도 불구하고 이를 고려하지 않는다면 OLS로 추정한 통행발생모형은 왜곡된 결과를 나타낸다.
본 연구에서는 공간적 영향을 “공간상관성”으로 정의하여 사용하겠다.
제안 방법
본 연구의 방법은 우선적으로 대구광역권 통행자료를 이용하여 각 통행목적별로 일반적인 선형회귀모형을 구축하고 선형회귀모형과 동일한 독립변수와 종속변수로 GWR모형을 구축한다. 구축된 모형을 추정하고 두 모형의 추정된 parameter 및 모형 적합도의 차이를 비교하여 두 모형의 차이를 분석한다. 그 후 추정된 선형회귀모형의 잔차와 추정된 GWR모형의 잔차를 이용하여 공간 상관성을 분석한다.
구축된 모형을 추정하고 두 모형의 추정된 parameter 및 모형 적합도의 차이를 비교하여 두 모형의 차이를 분석한다. 그 후 추정된 선형회귀모형의 잔차와 추정된 GWR모형의 잔차를 이용하여 공간 상관성을 분석한다. 공간상관성은 전역적 공간상관성과 국지적 공간상관성으로 구분하고 각각의 크기를 나타낼 수 있는 적합한 지표로써 분석한다(“II.
이러한 공간적 상관관계는 전역적인 현상으로 확인할 수 있고 국지적인 현상으로 확인할 수 있다. 본 연구에서 제시한 모형은 국지적 공간상관성으로 인하여 일반적인 통행발생모형의 결과가 왜곡되는 것을 개선하는 모형이다. 이와 같은 개선효과를 국지적 공간상관성 지표인 Local Moran's I의 변화로 확인 할 수 있다.
본 연구에서는 대구광역권을 대상으로 기타통행에 대해 가정기반 기타통행(Home-based Other trip, 이하 HBO)과 비가정기반 기타통행(Non-home-based Other trip, 이하 NHBO)으로 목적을 구분하고 유출(Production)과 유입(Attraction)으로 나누어 분석하였다. 각 종속변수를 설명하는 독립변수는 <표 1>과 같다.
본 연구의 방법은 우선적으로 대구광역권 통행자료를 이용하여 각 통행목적별로 일반적인 선형회귀모형을 구축하고 선형회귀모형과 동일한 독립변수와 종속변수로 GWR모형을 구축한다. 구축된 모형을 추정하고 두 모형의 추정된 parameter 및 모형 적합도의 차이를 비교하여 두 모형의 차이를 분석한다.
일반적으로 통행발생단계에서 사용되는 선형회귀분석은 분석대상지역 전체에서 나타나는 평균적이고 전역적인 효과를 전제로 하지만, GWR은 좀 더 낮은 분석단위를 적용해서 국지적인 패턴을 반영한 모형이다. 이는 분석대상지역 내에서 개별 관측치에 대해 회귀분석 기준점을 선정하여그 중심점으로부터 기준거리 내에 있는 관측치들을 대상으로 회귀분석을 실시한다. 따라서 GWR을 사용하여 통행발생모형을 구축할 경우 각 Zone의 개수만큼의 회귀식이 산출된다.
이것은 존의 경계를 공유하는 지에 따라 wij에 1 또는 0을 부여하는 방법이다. 이러한 공간가중치행렬을 이용하여 모형의 전역적/국지적 공간상관성을 분석하였다.
각 종속변수를 설명하는 독립변수는 <표 1>과 같다. 이와 같은 변수를 이용하여 일반적인 선형회귀모형및 GWR모형을 구축하였다.<표 1> 모형의 정립
통행목적은 PA기반으로 구분하였으며 그 중 가정기반통행과 비가정기반통행의 기타 통행만을 대상으로 분석을 수행하였다. 출근과 등교는 필수통행으로 공간적 영향에 의해 통행빈도수가 달라지지 않을 것으로 예상되기 때문에 출근과 등교를 제외한 쇼핑, 여가 등 나머지 목적을 기타통행으로 분류하여 분석하였다.
본 분석에 사용한 자료는 2006년 한국교통연구원 국가교통DB센터에서 실시한 5대 광역권 가구통행실태조사를 바탕으로 전수화 과정을 통해 구축된 목적별 기종점통행량을 활용하였다. 통행목적은 PA기반으로 구분하였으며 그 중 가정기반통행과 비가정기반통행의 기타 통행만을 대상으로 분석을 수행하였다. 출근과 등교는 필수통행으로 공간적 영향에 의해 통행빈도수가 달라지지 않을 것으로 예상되기 때문에 출근과 등교를 제외한 쇼핑, 여가 등 나머지 목적을 기타통행으로 분류하여 분석하였다.
대상 데이터
본 연구의 공간적 범위는 대구광역시와 인접 8개 시군을 포함한 대구광역권의 257개 동을 대상으로 하였다. 본 분석에 사용한 자료는 2006년 한국교통연구원 국가교통DB센터에서 실시한 5대 광역권 가구통행실태조사를 바탕으로 전수화 과정을 통해 구축된 목적별 기종점통행량을 활용하였다. 통행목적은 PA기반으로 구분하였으며 그 중 가정기반통행과 비가정기반통행의 기타 통행만을 대상으로 분석을 수행하였다.
본 연구의 공간적 범위는 대구광역시와 인접 8개 시군을 포함한 대구광역권의 257개 동을 대상으로 하였다. 본 분석에 사용한 자료는 2006년 한국교통연구원 국가교통DB센터에서 실시한 5대 광역권 가구통행실태조사를 바탕으로 전수화 과정을 통해 구축된 목적별 기종점통행량을 활용하였다.
분석대상이 되는 대구광역권의 가정기반 기타통행은총 2,721,045통행/일 이고, 비가정기반 기타통행은 831,501통행/일 이다. 총 인구는 3,531,706명으로 가정기반 기타통행은 1인당 0.
데이터처리
<그림 3>는 통행목적별 GWR모형에 의해 추정된 계수값을 도시한 것이다. 각 독립변수별로 추정된 계수의 평균과 표준편차 값을 이용하여 표준화하여 1-std 간격으로 표현하였다.
이론/모형
또한 공간상관성을 분석하기 위한 공간가중치행렬은 Binary Contiguity-based weights matrix로 적용하였다. 이것은 존의 경계를 공유하는 지에 따라 wij에 1 또는 0을 부여하는 방법이다.
성능/효과
OLS 및 GWR 모형의 추정결과는 <표 2>와 같다. OLS 모형 추정결과, HBO 유출통행, NHBO 유출 및 유입통행의 상수항과 NHBO 유입통행의 대학생 수용학생수를 제외한 모든 변수의 계수 값이 95% 신뢰수준에서 통계적으로 유의한 것으로 나타났다. GWR 모형은 각 존마다 개별적으로 계수를 추정하므로 계수 값의 분포를 결과로 산출한다.
즉, 한 Zone에서 추정된 계수값이 전체적 지역의 평균에 비해 클수록 진하게 표현된다. 결과에서 볼 수 있듯이 추정된 계수값의 크기는 지역별로 차이가 존재하며, 계수값의 크기가 유사지역끼리 군집을 이루는 현상을 확인할 수 있다.
전역적/국지적 공간상관성” 참고). 두 모형의 공간상관성 지표 값의 차이를 통해 GWR모형으로 인하여 공간 상관성이 고려되었음을 확인한다.
그러나 공간적 상관관계가 크게 존재하지 않을 경우에는 일반적인 선형회귀모형과 GWR 모형은 유사한 결과를 도출하는 것을 확인하였다. 따라서 통행발생모형 구축 시에는 우선적으로 본 연구에서 제시한 공간상관성 지표를 이용하여 공간상관성 존재여부를 확인한 후 적절한 모형을 선택하여 적용하는 것이 합리적이다.
<표 3>은 <그림 4>의 결과를 정리한 것으로 공간상관성이 존재하지 않는 HBO 유입통행을 제외한 모든 통행에서 국지적 공간상관성 지표의 평균값이 GWR 모형을 적용함으로써 현저히 줄어든 것을 볼 수 있다. 또한 국지적 공간상관성이 GWR 모형에 반영되었기 때문에 결과 적으로 국지적 공간상관성이 유의하게 나타나는 존의 개수가 감소한 것을 확인할 수 있다.
GWR 모형은 각 존마다 개별적으로 계수를 추정하므로 계수 값의 분포를 결과로 산출한다. 모든 목적통행의 유의한 변수에 대해서 OLS 모형의 추정된 계수 값과 GWR 모형의 추정된 계수의 평균값이 유사한 것으로 나타났다.
모형의 적합도는 R2와 AIC로 분석하였는데 R2 값은 1에 가까울수록, AIC 값은 작을수록 모형의 적합도가 더 높다. 모형의 적합도를 비교해 보면, HBO 유입통행을 제외한 모든 목적통행에서 GWR 모형의 적합도가 더 높은 것으로 나타났다.
값은 1에 가까울수록, AIC 값은 작을수록 모형의 적합도가 더 높다. 모형의 적합도를 비교해 보면, HBO 유입통행을 제외한 모든 목적통행에서 GWR 모형의 적합도가 더 높은 것으로 나타났다. 이와 같은 현상은 전역적 공간상관성을 나타내는 Moran's I의 결과를 통해 의미를 찾을 수 있다.
본 연구에서 설정한 모형의 종속변수가 통행발생량인 점을 고려했을 때, 각 독립변수의 계수값은 해당 독립변수에 대한 통행발생원단위의 개념으로 해석이 가능하다. GWR 모형에 의해 지역적으로 상이한 계수가 산출되었다는 것은 해당 변수에 의한 통행발생원단위가 지역적으로 서로 다르다는 것을 의미한다.
본 연구에서는 인간의 사회・경제적인 활동으로 인하여 필연적으로 발생하는 공간적 상관관계가 통행발생에 영향을 미치는 것을 확인하였다. 이러한 공간적 상관관계는 전역적인 현상으로 확인할 수 있고 국지적인 현상으로 확인할 수 있다.
분석대상지역에서 분석하고자 하는 통행발생량이 공간적 상관관계가 존재할 때는 본 연구에서 제시한 모형이 효과적이다. 그러나 공간적 상관관계가 크게 존재하지 않을 경우에는 일반적인 선형회귀모형과 GWR 모형은 유사한 결과를 도출하는 것을 확인하였다.
후속연구
또한 공간상관성 지표에 적용한 공간가중치와 GWR 모형에 적용한 공간가중치가 상이하다는 한계가 존재한다. 공간상관성 지표의 공간가중치는 외생적으로 정의가 가능하기 때문에 GWR 모형에서 추정된 공간가중치를 적용하여 공간상관성 지표를 산출하는 것이 가능할 것으로 예상된다. 이와 같이 공간가중치를 공통적으로 적용하여 GWR 모형의 효과를 더욱 명확히 분석하는 연구도 필요하다.
본 연구는 국지적 공간상관성을 확인하고 이를 반영할 수 있는 모형을 제안하는 것에 초점을 맞추었기 때문에 GWR 모형의 산출결과를 충분이 다루지 못한 한계가 존재한다. 존 별로 각각 다른 계수가 추정되기 때문에 이에 대한 해석은 분석대상지역의 통행발생 특성을 이해하기에 매우 효과적이다.
공간상관성 지표의 공간가중치는 외생적으로 정의가 가능하기 때문에 GWR 모형에서 추정된 공간가중치를 적용하여 공간상관성 지표를 산출하는 것이 가능할 것으로 예상된다. 이와 같이 공간가중치를 공통적으로 적용하여 GWR 모형의 효과를 더욱 명확히 분석하는 연구도 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
집적의 효과란 무엇인가?
공간적 영향의 한 예로는 업무․상업시설들이 밀집되어 발생하는 집적의 효과(Agglomeration force)를 들 수 있다. 집적의 효과는 업무 및 상업시설에 대한 접근성이 높아지는 것을 의미할 수 있으며, 이러한 사실은 사람들이 더 많은 사회・경제적 활동을 유발할 수 있다는 것을 의미한다. 통행은 사회・경제적 활동에서 파생되는 것이기 때문에 공간적 영향과 통행발생은 밀접한 관계를 가지게 된다.
집계적 관점에서 최소의 분석단위인 교통분석존이 사회 경제적 군집 현상을 반영하기 보다는 행정구역단위에 의해 결정되는 이유는?
집계적 관점에서 최소의 분석단위인 교통분석존 (Traffic Analysis Zone, TAZ)은 사회・경제적 군집 현상을 반영하기 보다는 행정구역단위에 의해 결정된다. 이는 교통수요 예측과 관련된 사회・경제지표 수집이 용이하기 때문이다. 하나의 행정구역단위 안에는 동질성이 존재한다고 볼 수 있으나, 인접한 행정구역과의 관계가 독립적이라고 판단하기에는 어려움이 있다.
공간적 영향과 통행발생이 밀접한 관계를 가지는 이유는?
집적의 효과는 업무 및 상업시설에 대한 접근성이 높아지는 것을 의미할 수 있으며, 이러한 사실은 사람들이 더 많은 사회・경제적 활동을 유발할 수 있다는 것을 의미한다. 통행은 사회・경제적 활동에서 파생되는 것이기 때문에 공간적 영향과 통행발생은 밀접한 관계를 가지게 된다.
Anselin L.(1995), "Local Indicator of Spatial Association - LISA", Geographical Analysis, Vol.27, No.2.
Anselin L. and A. K. Bera(1998), "Spatial Dependence in linear Regression Models with an Introduction to Spatial Econometrics", In: A. Ullah and D.E.A Giles, Eds., Handbook of Applied Economic Statistics, New York: Marcel Dekker, pp.237-289.
Cliff A. D. and Ord J. K.(1981), "Spatial Processes : Models & Applications", Pion Ltd., 207 Brondesbury Park, London.
Fotheringham A. S., Brunsdon C. and Charlton M.(2002), "Geographically Weighted Regression: the analysis of spatially varying relationships", John wiley & Sons LTD, University of Newcastle, UK.
Kim J. H., Chung J. H., Kim I. K. and Lim U.(2009), "Spatial Dependence in Trip Generation Models: A Spatial Econometric Perspective", Transportation Research Board 88th Annual Meeting, Washington, D.C.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.