1. 서 론

지하철역사의 환승통행량은 보행이동으로 나타나며 보행혼잡도의 분석을 통해 보행시설의 설계기준에 적용되는 기초자료이다. 지하철역사의 환승에 대한 정확한 추정은 스마트카드 사용이 일반화되면서 분석기법이 시도되고 있다. 스마트카드는 승객의 지하철 단말기 진출입 Tag자료로 기록되기 때문에 모집단 환승승객의 분석을 위해 활용성이 매우 높다.

스마트카드 이용승객의 지하철 네트워크에서 환승통행은 일반적으로 노선간환승과 역사환승을 의미한다. 노선간환승은 스마트카드 진입 단말기를 통과한 후 다른 두 노선의 열차를 갈아타기 위하여 환승통로와 같은 수평보행시설을 통해 이동하며 진출 단말기에 도달하지 않은 통행이다. 역사환승은 스마트카드 출발역사 및 도착역사에서 승객이 진출입하는 단말기 운영노선과 승하차하는 열차노선이 일치하지 않는 보행통행으로 계단, 에스컬레이터와 같은 수직보행시설과 수평보행시설인 환승통로를 동시에 이용하는 통행이다.

^{Lee et al.(2018)}과 ^Lee(2018)은 지하철 네트워크에서 발생하는 보행통행을 노선간환승, 직승직하, 역사환승으로 구분하고 환승통행을 추정하는 모형과 분석방법론을 제시하였다. 이 분석에서 ^{Lee et al.(2018)}과 ^Lee(2018)는 지하철 네트워크를 운행하는 모든 노선은 완행 또는 급행의 단일노선에 한정된 가정을 정의하였다. 이 가정의 한계는 완행과 급행이 동일노선에서 운영되는 상황에서 노선내에서 통행시간을 단축하기 위해 발생되는 노선내환승에 대한 검토가 수행되지 않았다는 것이다.

Fig. 1과 수도권 지하철 네트워크의 서울메트로9호선(9호선) 사례를 보면 사평 ⓡ에서 출발하여 가양 ⓢ에 완행열차는 18개 역을 이용하며 환승통행이 없다. 그러나 7개의 역에서 급행정차역이 운행되는 상황에서 ⓡ과 ⓢ까지 고속터미널에서 하차하여 급행열차를 탑승하면 총 8개 역을 이용하게 된다. 이때 사평-고속터미널-동작 방향, 9호선에서 9호선 급행으로 완행-급행의 노선내환승이 발생한다. 노선내환승은 승객이 통행시간을 절감하기 위한 통행으로(완행/급행)열차하차-(이동/대기)보행-(급행/완행)열차승차의 순서로 나타난다.

본 연구는 스마트카드기반의 급행 및 완행열차가 동일노선에 존재하는 지하철네트워크를 대상으로 노선내환승을 분석하는 모형을 제안한다. 이를 위해 승객의 최소시간경로를 선택하는 과정에서 노선간환승이 노선내환승으로 재현되는 상황을 포함하는 경로선택모형으로 변형하기 위해 급행열차를 완행열차와 분리하는 네트워크확장기법을 제안하고 내부환승자료를 구축하는 방안을 마련한다.

2. 스마트자료기반 지하철 네트워크

2.1 Big Node기반 지하철 네트워크

스마트카드자료에 포함된 진출입역사번호는 승객이 단말기를 통과하면서 발생하며 복수의 단말기ID로 나타난다. Fig. 2 ‘고속터미널’을 예로 들면 승객이 단말기를 Tag하면서 3개 단말기노선번호인 메크로9호선 ‘4123’, 3호선 ‘0329’, 7호선 ‘2736’으로 부여된다. 3개 노선이 연결된 노드로 확장하지 않고 지하철네트워크를 구축하기 위해서는 단일 ‘고속터미널’의 Big Node는 3개 단말기ID를 대표하는 노드가 된다. ^{Kriby and Potts(1969)}와 ^Lee(2004)는 링크표지(Link Label)를 도입하여 단일노드로 표현된 네트워크에서 확장없이 회전페널티를 고려하는 방안을 마련하였다. 따라서 3개 노선ID가 포함된 Big Node는 모든 접근방향의 환승페널티를 반영하게 된다.

Fig. 2(a)는 ‘고속터미널’의 Big Node를, Fig. 2(b)는 링크표지를 도입하여 네트워크확장없이 ‘고속터미널’ Big Node를 중심으로 주변 6개 Big Node 및 12개 링크로 표현된 네트워크를 보여주고 있다.

Fig. 3(a)는 출발역사환승(Departure Station Transfer)을 위한 보행이동을 도식화하여 나타낸 것으로 메트로9호선에서 스마트카드 ‘4123’ 게이트를 통과하여 보행을 통해 3호선 환승통로를 따라 7호선 플랫폼에 도착하는 상황을 보여준다. 이때 7호선, 3호선, 메트로9호선의 모든 역사의 단말기ID는 Big Node로 구축된 ‘고속터미널’로 귀결된다.

^{Lee et al.(2018)}은 스마트카드 단말기ID를 대표하는 Big Node로 구축된 지하철네트워크에서 승객의 통행경로에 대한 사례를 출발역(r), 환승역(j), 도착역(s)이 순차적으로 3개의 Big Node를 이동하는 통행경로를 나타내며 Fig. 3(b) 단말기ID는 Big Node r에 출발노선 단말기ID 2개(r₁, r₂), Big Node j 환승노선 단말기ID 3개(j₁, j₂, j₃), Big Node s에 도착노선 단말기ID 3개(s₁, s₂, s₃)로 구성되도록 표현했다.

Eq. (1)은 단말기의 노선ID로 구성된 네트워크에서 Big Node와 통합된 링크표지(Link Label)기반 최적경로탐색을 표현하고 있다. Eq. (1)은 ^{Kirby and Potts(1969)}를 기반으로 ^Lee(2004)가 제안한 알고리즘에서 노드순환경로(Node Cycle Path)를 제외하면 Big Node로 구성된 지하철네트워크에서 활용될 수 있다.

$$\pi^{r_gb}=\min(\pi^{r_ga}+d_{ab}+c_b,\pi^{r_gb}),\;\forall\;b\varepsilon T_a^-$$

(1)

여기서, g는 단말기 ID의 노선구분; ${\pi }^{r_{g}b}$는 출발역사 r의 단말기

노선ID g를 통과하여 링크b도착지점까지 최적통행시간; d_ab는 링크

a에서 링크b로의 환승시간; c_b는 링크b의 통행시간; $T_a^{-}$는 링크

a의 도착노드가 출발노드인 링크집합

2.2 지하철 역사 환승보행 유형

^{Lee et al.(2018)}은 Big Node기반의 단말기ID로 구성된 네트워크 Fig. 3를 지하철역사의 보행통행으로 도식화하여 Fig. 4와 같이 5가지 유형의 보행통행으로 분리될 수 있음을 보여주었다. 출발역사(r)는 직승(Straight Ride)과 승차환승(Transfer Ride)으로 2가지 유형의 보행으로 나타난다. 직승보행은 승차역 단말기노선ID와 초승열차노선이 동일한 보행을 의미하며, 역사환승보행은 승차역 단말기노선ID와 초승열차노선이 동일하지 않은 상황에서 발생한다. 환승역(j)은 하차 및 승차열차노선이 다른 보행을 의미한다. 도착역(s)은 직하(Straight Alight) 및 하차환승보행의 2가지 유형으로 나타난다. 직하보행은 하차 및 하차역 단말기노선ID가 동일한 경우에 해당한다. 따라서 단일 환승역에서 나타나는 총 보행흐름은 1) 직승직하의 출발역의 탑승보행과 도착역하차보행 2) 역사환승의 출발역탑승이동과 도착역하차이동, 3) 노선환승의 방향별 환승이동으로 총 5개의 보행흐름으로 구분된다.

노선간환승, 출발역사환승, 도착역사환승을 설명하기 위하여 승객이 출발역사 r에서 r₁단말기를 통과하여 a운영노선열차를 탑승하여 j역에서 b운영노선열차로 환승하여 도착역사 s에서 s₂ 단말기를 통과하여 진출한 상황을 가정한다. 여기서 노선간환승은 a운영노선열차와 b운영노선열차를 환승한 것으로 j역내에서 발생하며, 출발역사환승은 r₁ 단말기 운영노선과 초승열차운영노선(a가 포함된 노선)이 다른 상황에서 r역에서. 도착역사환승은 j환승역에서 b운영노선과 s₁ 진출단말기 운영노선이 다른 경우로 s역에서 나타난다.

3. 노선내환승 적용방안

3.1 지하철 역사 환승추정 모형

본 연구는 Big Node로 구축된 지하철네트워크에서 승객의 최소통행시간경로를 선택하는 모형을 Eq. (2)와 같은 선형함수식으로 제안한다. 목적함수는 경로의 통행시간과 경로통행량을 직접변수로 적용하였다. ^{Lee et al.(2018)}은 위와 유사한 식을 링크기반으로 제안하였다. 링크기반 및 경로기반의 차이는 경로기반의 모형은 경로를 열거하는 과정이 존재하여 네트워크가 대규모의 경우 연산의 어려움이 증가하는데 있다. 그러나 최근 컴퓨팅능력의 향상으로 이러한 문제는 충분하게 해결이 가능하다.

단말기 노선ID의 구분을 위해서 r, s, 링크a, 링크b( $b\in {\Gamma }_a^{+}$)의 노선정보를 나타내는 $\Phi \left(r\right), \Phi \left(s\right), \Phi \left(a\right), \Phi (b;b\in {\Gamma }_a^{+})$의 변수를 도입한다. Fig. 4와 같이 $x_a^{r\to }$는 직승과 출발환승보행, $x_b^{\to s}$는 직하와 도착환승보행, x_ab는 노선간환승보행으로 표현되며 노선정보와 함께 도출된 각 보행의 구분은 Table 1과 같다.

$$\begin{array}{l}\min\sum_r\sum_s\sum_p\Psi_p^{rs}\cdot\;f_p^{rs}\\\mathrm s.\;\mathrm t.\;\;q_{rs}=\sum_r\sum_s\sum_pf_p^{rs}\;\;\;\forall\;r,\;s\\\;\;\;\;\;\;\;\;f_p^{rs}\;\geq\;0\;\forall\;r,\;s,\;p\\\;\;\;\;\;\;\;\;x_a=\sum_r\sum_s\sum_pf_p^{rs}\cdot\;\delta_{k,a}^{rs}\;\;\;\forall\;a\\\;\;\;\;\;\;\;\;x_{ab}=\sum_r\sum_s\sum_pf_p^{rs}\cdot\;\delta_{k,ab}^{rs}\;\;\forall\;ab,\;b\in\Gamma_a^+,\\\;\;\;\;\;\;\;\;x_a^{r\rightarrow}=\sum_r\sum_s\sum_pf_p^{rs}\cdot\;\delta_{k,ra}^{rs}\;\;\;\forall\;r,\;a(r,\ast)\\\;\;\;\;\;\;\;\;x_b^{\rightarrow s}=\sum_r\sum_s\sum_pf_p^{rs}\cdot\;\delta_{k,bs}^{rs}\;\;\;\forall\;b(\ast,s),s\end{array}$$

(2)

여기서, p는 r-s간 p번째 경로 ; ${\Psi }_p^{rs}$는 r-s간 P번째 경로통행시간(분) ; $f_p^{rs}$는 r-s간 p번째 경로통행량; _rs는 r-s간 승객수요;

x_a는 링크 a 통행량 ; x_ab는 링크 a에서 링크 b로 회전통행량;

$x_a^{r\to }$는 r노드에서 링크 a로 통행량 ; $x_b^{\to s}$는 링크 b 에서 s노드로 통행량

Table 1. Passengers' Pedestrian Types at Transfer Stations

Pedestrian Types	Variable	Comparison Condition
Departure Straight Ride	$x_{a(r, *)}^{r\stackrel{}{\to }}$	ϕ(r)=ϕ(a)
Departure Station Transfer	$x_{a(r, *)}^{r\stackrel{}{\to }}$	ϕ(r)≠ϕ(a)
Arrival Straight Alight	$x_{b(*, s)}^{\stackrel{}{\to }s}$	ϕ(b)=ϕ(s)
Arrival Station Transfer	$x_{b(*, s)}^{\stackrel{}{\to }s}$	ϕ(b)≠ϕ(s)
Transfer Between Lines	xab	ϕ(a)≠ϕ(b)

Eq. (2)의 해법으로 승객은 최소통행시간을 선정하는 알고리즘의 구현이 요구되며 본 연구는 ^Lee(2017)에서 제안한 M-Similar 경로선택행태알고리즘과 역사환승을 재현하는 기법으로 ^Lee(2018)에서 제안한 교통카드 단말기ID로 구축된 Big Node 기반의 확장네트워크 자료구조 구축방법을 적용하였다. M-Simiar 경로를 선택하는 방법은 전체경로삭제기반 K경로선택알고리즘(^{Martins, 1984}; ^{Azevedo et al., 1993}; ^{Shin, 2004})와 회전페널티를 고려한 링크표지기반 최적경로선택알고리즘(^{Kirby and Potts, 1969}; ^{Lee, 2004})의 알고리즘을 결합하는 형태로 구축하였다.

3.2 노선내환승 구현을 위한 확장네트워크 구축방안

본 연구는 노선내환승을 구현하는 방안으로 급행과 완행을 두 개의 서로 다른 노선으로 구분하는 네트워크확장기법을 제안하여 노선내환승을 노선간환승과 동일하게 적용하는 방법을 구축한다. 노선간환승은 x_ab에서 두 개의 노선이 다른 상황이 Φ(a)≠Φ(b)에서 발생한다(Table 2). 따라서 동일한 노선의 완행과 급행을 다른 노선으로 구분하기 위해서는 네트워크확장을 통해서 노선 구분을 적용하는 방안을 추진한다.

Table 2. Passengers' Pedestrian Types at Transfer Stations

Pedestrian Types	Variable	Comparison Condition
Transfer Between Lines	xab	ϕ(a)≠ϕ(b)
Transfer Between Same Line

서울메트로9호선을 대상으로 네트워크확장에 대한 사례를 보여주면 다음과 같다. Fig. 5(a)는 완행열차를 가정한 고속터미널의 역사와 연계된 네트워크자료를 보여주고 있다. Fig. 5(b)는 급행구간의 열차노선을 나타내기 위해서 별도의 다른 노선을 표현하는 링크를 제안하고 있다.

4. 사례연구

4.1 개요

자료는 2017년 10월 18일 수요일 수도권의 스마트카드자료를 대상으로 시행하며 통행은 총 20,846,550 (Trip)에서 지하철은 8,459,952 (Trip)으로 40.6 (%)를 차지한다. 수도권 지하철네트워크 Big Node는 588, 노선단말기가 복수로 운영되는 환승역 Big Node 80이며 열차하차-탑승이 이루어지는 환승 Big Node까지 총 92에 해당된다. 노선단말기ID는 총 688이 운영되고 있다. 노선링크는 총 1332, 회전은 총 2132, 노선이 동일한 일부를 제외한 통과노선은 1308, 환승노선은 824에 해당된다. Tables 3~5은 각각 네트워크구축을 위해 사용된 노드, 링크, 환승자료의 일부를 보여주고 있다. 여기서 Table 5의 환승자료에서 음영으로 구분된 내용은 9호선이 완행(Local)과 급행(Express)으로 구분되어 구축된 환승자료를 예시하고 있다. ‘신반포’와 ‘신논현’은 ‘고속터미널’을 중심으로 완행으로 접근해서 급행으로 환승하며 환승보행시간은 동일한 플랫폼에서 보행을 가정하여 매우 적은 0.1(분)으로 구축하였다.

Table 3. Node Input Data

Terminal ID	Station Name	Subway Line
0152	Jonggak	Line 1
1846	Suwon	Bundang Line

Table 4. Link Input Data

Departure Station	Arrival Station	Travel Time (min.)	Subway Line
Noryangjin	Daebang	2.5	Kyungbu Line
City Hall	Euljiro 1 ga	2.0	Line 2
Kimpo Airport	Shinbangwhoa	1.8	Metro Line 9
Kimpo Airport	Gayang	5.0	Metro Express Line 9

Table 5. Transfer Input Data

From Station	Transfer Station	To Station	Transfer Time (min.)	From Line	To Line
Yangjae	Gangnam	Yeoksam	3.5	Sinbundang Line	Line 2
Songpa	Garak Market	Suseo	1.8	Line 8	Line 3
Shinbanpo	Express Bus Ter.	Shinnonhyun	0.1	Metro Local Line 9	Metro Express Line 9
Naebang	Express Bus Ter.	Shinnonhyun	3.2	Line 3	Metro Express Line 9
Banpo	Express Bus Ter.	Dongjak	7.8	Line 7	Metro Express Line 9

4.2 완행노선가정 환승통행분석

완행을 가정한 보행통행은 ^{Lee et al.(2018)}에서 적용한 교대역을 대상으로 수행하였으며 본 연구의 결과와 유사하게 나타난다. 따라서 완행통행에 대해서는 ^{Lee et al.(2018)}의 결과를 모두 수용하는 범위에서 설명하여 기존의 연구와 비교하는 것을 추진한다.

Fig. 6은 수도권지하철노선도와 ‘교대’역 위치 및 통행방향을 보여주며, 2호선과 3호선의 환승역으로 2호선 ‘서초’와 ‘강남’ 3호선의 ‘고속터미널’과 ‘남부터미널’의 중심에 위치한다. Fig. 7은 ‘교대’역에서 스마트카드ID 및 플랫폼 보행이동상황을 보여주며, ‘0223’은 2호선 ‘0330’은 3호선 단말기ID를 나타낸다. 2호선과 3호선을 연결하는 환승통로는 2개 방향으로 별도로 구성된다.

Table 6에서 ‘교대’를 중심으로 발생하는 보행은 총 257,192 (Trip)이 발생하며 노선간환승 137,437 (Trip) (53.4 %), 역사환승 36,181 (Trip) (14.1 %), 직승직하 83,574 (Trip) (32.5 %)로 구성된다.

Table 6. Summary Result of Total Trip Generated in Seoul Nat'l Univ. of Education Station

Trip Type			Number of Trip (%)
Train Passing Trip	Line 2 −Line 2	417295 (63.7 %)	655311 (71.8 %)
	Line 3 −Line 3	238016 (36.3 %)
Walking Trip	Line Transfer	137437 (53.4 %)	257192 (28.2 %)
	Station Transfer	36181 (14.1 %)
	Straight R/A	83574 (32.5 %)
Total			912503 (100.0 %)

R/A : Ride & Alight

Table 7은 ‘교대’의 역사환승인 출발환승과 도착환승보행의 결과를 보여주며, 출발환승에서 많은 통행은 ‘0223’ Tag-In후 ‘교대’-3호선-‘고속터미널’로 승차보행이 8,850 (Trip) (24.4 %)의 통행이 발생한다. 도착환승은 ‘고속버스터미널’-3호선-‘교대’에서 하차 및 ‘0223’ Tag-Out 하차보행이 13,204 (Trip) (36.5 %)가 가장 많은 부분을 차지한다.

Table 7. Station Transfer Trip in Seoul Nat'l Univ. of Education Station

Terminal No.		Train		Station-Station		Walking Trip
Number	Line	R/A Order	Line	From	To
0223	2	First Ride	3	Seoul Univ.	Nambu Bus T.	4470 (12.4 %)
0223	2	First Ride	3	Seoul Univ.	Express Bus T.	8850 (24.5 %)
0330	3	First Ride	2	Seoul Univ.	Seocho	911 (2.5 %)
0330	3	First Ride	2	Seoul Univ.	Gangnam	989 (2.7 %)
0223	2	Last Alight	3	Express Bus T.	Seoul Univ.	13204 (36.5 %)
0223	2	Last Alight	3	Nambu Bus T.	Seoul Univ.	6026 (16.7 %)
0330	3	Last Alight	2	Gangnam	Seoul Univ.	522 (1.4 %)
0330	3	Last Alight	2	Seocho	Seoul Univ.	1209 (3.3 %)
Total						36181 (100.0 %)

Table 8은 ‘교대’의 노선환승보행을 방향별 결과를 보여주고 있다. ‘고속버스터미널’-‘교대’-‘강남’의 3호선에서 2호선으로 31,669 (Trip) (23.0 %)으로 가장 많은 보행통행이 나타나고 있다. 반면 ‘강남’-‘교대’-‘고속터미널’은 29,163 (Trip) (21.2 %)로 산정되어 강남방향의 통행이 10 % 정도 높음을 알 수 있다. ‘강남’-‘교대’-‘남부터미널’간 통행은 2.8~2.9 %의 적은 통행이 발생하고 있다.

Table 8. Transfer Trip between Lines in Seoul Nat'l Univ. of Education Station

Station-Station-Station			Walking Trip	Line
From	Transfer	To		From	To
Gangnam	Seoul Univ.	Nambu Bus T.	3890 (2.8 %)	2	3
Gangnam	Seoul Univ.	Express Bus T.	29163 (21.2 %)	2	3
Express Bus T.	Seoul Univ.	Seocho	12871 (9.4 %)	3	2
Express Bus T.	Seoul Univ.	Gangnam	31669 (23.0 %)	3	2
Nambu Bus T.	Seoul Univ.	Seocho	20481 (14.9 %)	3	2
Nambu Bus T.	Seoul Univ.	Gangnam	4027 (2.9 %)	3	2
Seocho	Seoul Univ.	Nambu Bus T.	21537 (15.7 %)	2	3
Seocho	Seoul Univ.	Express Bus T.	13799 (10.0 %)	2	3
Total			137437 (100.0 %)

4.3 메트로9호선 노선내환승 결과분석

Fig. 8 고속터미널을 대상으로 노선내환승을 사례연구로서 분석한다. 고속터미널은 3개 노선(7호선, 3호선, 9호선)이 교차하며 급행노선을 고려하면 4개노선이 교차하는 상황으로 나타난다. Table 9에서 총 56개의 방향별 통행이 나타나며 이때 총통행은 692,509통행이다. 여기서 9호선-9호선급행, 9호선급행-9호선의 노선내환승은 8개 방향에서 2,870통행으로 전체 통행의 0.14 %를 차지한다. 9호선급행-9호선, 9호선-9호선급행에서 0 통행발생은 비합리적인 통행으로 모형은 합리적인 결과를 도출하는 것으로 판단된다.

Table 9. Transfer Trip between Lines in Seoul Nat'l Univ. of Education Station

Sequence	Departure Station	Transfer Station	Arrival Station	Trips	Departure Line	Arrival Line
1	Jamwon	Express Bus T.	Seoul Univ.	120340	Line 3	Line 3
2	Jamwon	Express Bus T.	Naebang	7351	Line 3	Line 7
3	Jamwon	Express Bus T.	Banpo	2923	Line 3	Line 7
4	Jamwon	Express Bus T.	Shinbanpo	788	Line 3	Line 9
5	Jamwon	Express Bus T.	Sapyeong	1186	Line 3	Line 9
6	Jamwon	Express Bus T.	Shinnonhyun	2205	Line 3	Express Line 9
7	Jamwon	Express Bus T.	Dongjak	6369	Line 3	Express Line 9
8	Seoul Univ.	Express Bus T.	Jamwon	115670	Line 3	Line 3
9	Seoul Univ.	Express Bus T.	Naebang	13959	Line 3	Line 7
10	Seoul Univ.	Express Bus T.	Banpo	7409	Line 3	Line 7
11	Seoul Univ.	Express Bus T.	Shinbanpo	3120	Line 3	Line 9
12	Seoul Univ.	Express Bus T.	Sapyeong	486	Line 3	Line 9
13	Seoul Univ.	Express Bus T.	Shinnonhyun	723	Line 3	Express Line 9
14	Seoul Univ.	Express Bus T.	Dongjak	22032	Line 3	Express Line 9
15	Banpo	Express Bus T.	Seoul Univ.	7800	Line 7	Line 3
16	Banpo	Express Bus T.	Jamwon	2392	Line 7	Line 3
17	Banpo	Express Bus T.	Naebang	78589	Line 7	Line 7
18	Banpo	Express Bus T.	Shinbanpo	588	Line 7	Line 9
19	Banpo	Express Bus T.	Sapyeong	39	Line 7	Line 9
20	Banpo	Express Bus T.	Shinnonhyun	11	Line 7	Express Line 9
21	Banpo	Express Bus T.	Dongjak	3858	Line 7	Express Line 9
22	Naebang	Express Bus T.	Seoul Univ.	15324	Line 7	Line 3
23	Naebang	Express Bus T.	Jamwon	7226	Line 7	Line 3
24	Naebang	Express Bus T.	Banpo	84350	Line 7	Line 7
25	Naebang	Express Bus T.	Shinbanpo	129	Line 7	Line 9
26	Naebang	Express Bus T.	Sapyeong	161	Line 7	Line 9
27	Naebang	Express Bus T.	Shinnonhyun	2050	Line 7	Express Line 9
28	Naebang	Express Bus T.	Dongjak	773	Line 7	Express Line 9
29	Sapyeong	Express Bus T.	Seoul Univ.	461	Line 9	Line 3
30	Sapyeong	Express Bus T.	Jamwon	1170	Line 9	Line 3
31	Sapyeong	Express Bus T.	Naebang	10	Line 9	Line 7
32	Sapyeong	Express Bus T.	Banpo	12	Line 9	Line 7
33	Sapyeong	Express Bus T.	Shinbanpo	3228	Line 9	Line 9
34	Sapyeong	Express Bus T.	Shinnonhyun	0	Line 9	Express Line 9*
35	Sapyeong	Express Bus T.	Dongjak	1011	Line 9	Express Line 9*
36	Shinbanpo	Express Bus T.	Seoul Univ.	1981	Line 9	Line 3
37	Shinbanpo	Express Bus T.	Jamwon	809	Line 9	Line 3
38	Shinbanpo	Express Bus T.	Naebang	53	Line 9	Line 7
39	Shinbanpo	Express Bus T.	Banpo	528	Line 9	Line 7
40	Shinbanpo	Express Bus T.	Sapyeong	2884	Line 9	Line 9
41	Shinbanpo	Express Bus T.	Shinnonhyun	603	Line 9	Express Line 9*
42	Shinbanpo	Express Bus T.	Dongjak	227	Line 9	Express Line 9*
43	Dongjak	Express Bus T.	Seoul Univ.	21065	Express Line 9	Line 3
44	Dongjak	Express Bus T.	Jamwon	6460	Express Line 9	Line 3
45	Dongjak	Express Bus T.	Naebang	0	Express Line 9	Line 7
46	Dongjak	Express Bus T.	Banpo	2929	Express Line 9	Line 7
47	Dongjak	Express Bus T.	Shinbanpo	0	Express Line 9	Line 9*
48	Dongjak	Express Bus T.	Sapyeong	685	Express Line 9	Line 9*
49	Dongjak	Express Bus T.	Shinnonhyun	69257	Express Line 9	Express Line 9
50	Shinnonhyun	Express Bus T.	Seoul Univ.	646	Express Line 9	Line 3
51	Shinnonhyun	Express Bus T.	Jamwon	3006	Express Line 9	Line 3
52	Shinnonhyun	Express Bus T.	Naebang	348	Express Line 9	Line 7
53	Shinnonhyun	Express Bus T.	Banpo	18	Express Line 9	Line 7
54	Shinnonhyun	Express Bus T.	Shinbanpo	344	Express Line 9	Line 9*
55	Shinnonhyun	Express Bus T.	Sapyeong	0	Express Line 9	Line 9*
56	Shinnonhyun	Express Bus T.	Dongjak	66923	Express Line 9	Express Line 9
Total Trip				692509	Transfer in Same Line : 2870

*Links defined by Line 9 − Express Line 9 Connection

5. 결 론

본 연구에서는 기존의 스마트카드를 기반으로 구축된 지하철 네트워크에서 환승통행은 노선간환승과 역사환승만을 대상으로 구분하였다. 이 환승의 발생가정은 기본적으로 동일노선에서 급행과 완행열차가 함께 운행되지 않는 가정을 기반으로 하고 있다. 그러나 수도권의 지하철네트워크는 서울메트로9호선과 같이 급행과 완행을 함께 운영하는 노선이 존재하며 따라서 노선내에서 환승하는 승객의 유형에 대한 검토가 부족하다고 할 수 있다. 노선내환승의 구현은 승객이 열차를 선택하는 행태를 명확하게 구현함으로서 다양한 열차운행을 시도하는 측면에서 보다 정확한 해답을 찾을 수 있는 가능성을 보여준다. 특히 노선내환승을 재현하는 것은 급행과 완행이 포함된 열차운영방식에 대한 운영효과를 측정하는 가장 기본적인 접근으로 중요성이 인정된다.

본 연구는 교통카드기반의 지하철 네트워크를 확장망으로 구축하고 경로선택모형을 통해 기존의 노선간환승의 유형에 노선내환승을 접목하는 방안을 제시하였다. 교대역 사례를 통해 기존 완행과정에 대한 환승보행유형을 분석하였다. 9호선이 환승하는 고속터미널역을 사례로 9호선-9호선급행, 9호선급행-9호선의 노선내환승이 0.414 % 존재함을 파악하였다. 사례연구에서 노선내환승의 영향은 크지 않다고 할 수 있으나 본 연구는 이러한 통행의 다양성을 파악하는 세밀한 분석기법을 제안하였다는 측면에서 의의가 평가된다고 판단된다. 향후 급행노선 도입이 다양화되는 상황에서 빅데이터기반의 운영기법을 개선하는 방안을 제안한다.