교통카드 빅데이터 분석을 통한 서울시 시내버스 차내 혼잡시간가치 추정 :A Study on Estimating the Value of Crowding Time in Seoul City-bus Using Smart Card Big Data

이만호

추천

검색

자료유형: 학위논문

저자정보: 이만호 (서울시립대학교, 서울시립대학교 일반대학원)

지도교수: 손의영

발행연도: 2021

저작권: 서울시립대학교 논문은 저작권에 의해 보호받습니다.

이용수219

초록· 키워드

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 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.

#혼잡시간가치 #로지스틱회귀모형 #교통카드 #혼잡율 #시내버스 #지불용의시간 #현시선호(RP) #선호의식(SP)

< 목 차 >
[목 차] ⅰ
[표 목 차] ⅴ
[그림목차] ⅷ
제1장 서 론 1
제1절 연구 배경 및 목적 1
제2절 연구 내용 및 구성 5
1. 연구의 대상 및 범위 5
2. 연구의 내용 및 구성 7
제2장 기존 문헌 및 연구사례 고찰 11
제1절 혼잡기준 관련 연구 11
1. 대기공간의 서비스 수준 11
2. KHCM(2013) 15
3. HCM(2010) 16
4. 시사점 및 연구 필요성 17
제2절 혼잡가치 관련 연구 18
1. 선호의식(SP) 활용 연구 18
2. 현시선호(RP) 활용 연구 23
제3절 혼잡시간가치 산정방법 연구 26
1. 통행시간가치 산정방법 26
2. 혼잡시간가치 산정방법 28
2.1 혼잡승수(Crowding Multiplier) 산정방법 연구 28
2.2 입석승수(Standing Multiplier) 산정방법 연구 30
제4절 시사점 및 연구 차별성 32
1. 기존 연구의 시사점 32
2. 본 연구의 차별성 35
제3장 연구방법론 37
제1절 차내 혼잡기준 설정 37
1. 차내 혼잡기준 설정방법 37
2. 본 연구의 차내 통행상태별 서비스 수준 및 혼잡기준 43
제2절 모형의 설정 44
1. 로지스틱 회귀모형 44
2. 선택대안 48
제3절 차내 혼잡시간가치 추정방법 50
1. 효용함수 및 독립변수 설정 50
2. 차내 혼잡시간가치 추정방법 51
제4장 교통카드 빅데이터 분석을 통한 차내 통행상태 분석 52
제1절 통행상태별 통행시간 산정 절차 및 방법 52
1. 차내 통행유형 구분 52
2. 통행상태별 통행시간 산정 방법 54
제2절 서울시 버스통행 및 혼잡통행 현황분석 59
1. 서울시 버스통행 현황 59
2. 혼잡통행 발생 현황분석 61
제3절 분석결과 및 시사점 69
1. 서울시 시내버스 혼잡율 69
2. 분석결과 및 시사점 70
제5장 차내 혼잡시간가치 추정 72
제1절 혼잡회피 지불용의시간 추정 72
1. 설문조사 개요 72
2. 통행시간·혼잡지속시간별 지불용의시간 추정 76
3. 혼잡회피를 위한 지불용의시간 추정 81
4. 소결 및 한계점 85
제2절 사례 분석을 통한 차내 혼잡시간가치 추정 87
1. 분석 대상 선정 87
2. 선정 노선의 이용현황 및 혼잡발생 특성 분석 90
3. 모형 설정 및 검증 94
4. 최적 모형 선정 및 분석 99
5. 차내 혼잡시간가치 추정결과 101
제3절 적용방안 105
1. 차내 혼잡비용 산정 105
2. 혼잡시간가치를 고려한 노선별 운행대수 증차 타당성 검토 106
3. 지하철 혼잡 완화를 위한 버스 대체 노선 신설 타당성 검토 107
4. 시내버스 서비스 평가 시 운수업체 평가지표 109
제6장 결과 및 향후 연구과제 110
제1절 연구결과 및 시사점 110
제2절 한계점 및 향후 연구과제 113
참고문헌 115
부록 118
Abstract 120
감사의 글 123
< 표 목 차 >
<표 2-1> Hall(1966)의 사람간 이격거리 12
<표 2-2> Herman Botzow(1974)의 서비스 수준 13
<표 2-3> J.J. Bakker(1976)와 Colin H. Alter(1976)의 차내 서비스 수준 14
<표 2-4> KHCM(2013)의 차내 서비스 수준 15
<표 2-5> 미국 HCM(2010)의 차내 서비스 수준 16
<표 2-6> 차내 혼잡시간가치에 관한 선행연구 25
<표 3-1> 차량 유형별 입석면적 40
<표 3-2> 연도별 한국인 신체사이즈 변화 40
<표 3-3> 서비스 수준별 1인당 점유면적 41
<표 3-4> 일반 대형의 서비스 수준별 입석 승객수 42
<표 3-5> 서비스 수준 및 혼잡기준(대형차량 기준) 43
<표 4-1> 혼잡 및 이동형태에 따른 통행유형 53
<표 4-2> 노선번호 100번의 운행차량·정류소별 재차인원표 예시 57
<표 4-3> 100-1 차량의 재차인원 및 통행자 A 적용 예시 58
<표 4-4> 통행자 A의 서비스 수준과 통행유형별 통행시간 예시 58
<표 4-5> 서울시 관련 교통수단별 수단분담율 59
<표 4-6> 2018년 서울시 인당 목적 및 수단통행 발생원단위 60
<표 4-7> 서울시 시내버스 유형별 운영현황(2019년 기준) 60
<표 4-8> 버스 유형별 혼잡 및 입석 통행량 61
<표 4-9> 혼잡·입석 통행의 발생 유형 62
<표 4-10> 시간대별 버스의 혼잡·입석 통행 현황 63
<표 4-11> 버스 유형별 혼잡·입석통행자의 평균 통행시간 및 차내 혼잡시간 65
<표 4-12> 광역버스 노선별 혼잡·입석 통행자의 통행 및 혼잡 실태 66
<표 4-13> 광역버스 노선별 혼잡·입석통행자의 통행 및 혼잡 실태 67
<표 4-14> 시간대별 차내 재차인원수별 정류장 구간 현황 68
<표 4-15> 시간대별·차량 유형별 차내 평균 재차인원 70
<표 4-16> 지하철 1~8호선 첨두시 혼잡율 71
<표 5-1> 응답자의 통행행태 유형 73
<표 5-2> 추가대기 및 노선변경 경험자의 통행형태 변경 사유 73
<표 5-3> 추가 대기 또는 경로 변경 미경험자의 미변경 사유 74
<표 5-4> 추가 대기 및 노선변경 등 통행행태 변경의 통행횟수 75
<표 5-5> 통행시간대 및 혼잡지속시간별 표본수 76
<표 5-6> 직선형과 로그형 모형식의 추정결과 78
<표 5-7> 통행시간·혼잡지속시간별 혼잡회피집단과 혼잡비회피집단의 모형결과 80
<표 5-8> 혼잡지속시간별 혼잡회피 지불용의시간 82
<표 5-9> 통행시간별 혼잡지속시간과 지불용의시간의 비율 84
<표 5-10> 분석 구간의 기·종점 정류소 89
<표 5-11> 첨두시(7:00~9:00) 노선별 차내 통행상태별 평균 통행시간 93
<표 5-12> 독립변수간 상관관계 94
<표 5-13> CASE별 독립변수 94
<표 5-14> 독립변수 분류표 95
<표 5-15> CASE별 ?2로그 우도, Cox와 Snell의 R-제곱, Nagelkerke R-제곱 값 96
<표 5-16> CASE별 Hosmer & Lememshow 값 97
<표 5-17> CASE별 로지스틱 회귀분석 결과 98
<표 5-18> 최적 모형의 로지스틱 회귀분석 결과 100
<표 5-19> 통행상태별 통행시간가치 102
<표 5-20> 선행연구와 비교 104
<표 5-21> 버스의 통행시간가치(2019년) 105
<표 5-22> 가양역~여의도역 동일구간 수단간 통행시간 비교 108
<표 5-23> 가양역~고속터미널 동일구간 수단간 통행시간 비교 108
< 그림 목차 >
<그림 1-1> 연구내용 및 분석절차 10
<그림 2-1> Bj?rklund et al(2017)의 입석밀도(혼잡도) 예시 19
<그림 2-2> Bj?rklund et al(2017)의 선호의식(SP) 조사 질문지 예시 20
<그림 3-1> 어깨폭(좌), 가슴폭(우)의 측정부위 38
<그림 3-2> 차량내 입석 가능구간 38
<그림 3-3> 선택대안 예시 49
<그림 4-1> 교통카드 자료를 활용한 현황 분석절차 55
<그림 4-2> ③정류소에서 단계별 차내 승객 및 재차인원 변화 57
<그림 4-3> 오전첨두시 지역별 혼잡 발생정도 63
<그림 4-4> 오후 첨두시 지역별 혼잡 발생정도 64
<그림 5-1> 702번 노선도 87
<그림 5-2> 7022번 노선도 88
<그림 5-3> 702번, 7022번 기점구간 정류소 현황 89
<그림 5-4> 702A번, 7022번 종점구간 정류소 현황 90
<그림 5-5> 702A번의 운행차량·정류소별 재차인원표(혼잡구간) 91
<그림 5-6> 7022번 운행차량·정류소별 재차인원표 92
<그림 5-7> 통행상태별 혼잡시간가치 102

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

목차

최근 본 자료

댓글(0)