인구감소지역의 적정 모빌리티 서비스 도출을 위한 머신러닝 Bi-Level 프레임워크 개발 = A Machine Learning Based Bi-Level – Framework for Identifying Appropriate Mobility Services in Depopulating Regions

다국어 초록 (Multilingual Abstract)

Regions experiencing population decline face relatively low demand for public transportation; however, the inconvenience caused by the absence of basic public transport services is more severe than in urban areas. This is largely due to the spatial separation between residential areas and essential facilities, as well as the deterioration of fundamental transportation infrastructure such as pedestrian facilities. Consequently, mobility services in depopulated regions must be operated under conditions that differ substantially from those of urban areas. At the same time, transportation service providers encounter increasing financial pressure as declining demand leads to escalating operating losses. In such contexts, it is essential to avoid competition among transportation modes. Rather than fostering intermodal competition, mobility services should be supplied in a manner that enables users to travel to desired destinations at appropriate times, thereby providing the right service, in the right place, and at the right time.
Against this background, demand-responsive transport (DRT) services have recently been increasingly introduced in depopulated regions. However, many of these implementations have been driven by policy decisions or civil complaints rather than by systematic, data-driven analyses that reflect actual regional demand. As a result, the functional relationship between conventional fixed-route bus services and newly introduced DRT services has not been clearly or consistently established. This study addresses this gap by proposing mobility service types that are appropriate to local conditions in depopulated regions through quantitative, data-driven analysis. To this end, a machine-learning-based bi-level framework is developed to complement the limitations of existing public transport systems and to mitigate the deterioration of basic mobility rights.
The study area is spatially disaggregated into 500 m × 500 m grid cells, within which data on population characteristics, transportation conditions, public transport supply and usage, and distances to major facilities are collected to construct the analytical environment. In the first stage of the proposed bi-level framework, a machine-learning-based binary classification model is employed to identify the most appropriate mobility service type — for each cell fixed-route bus, bus-type DRT, or taxi-type DRT. In the second stage, adjacent cells are integrated into operational service zones using DBSCAN-based clustering. This process transforms cell-level service recommendations into practically operable transportation service areas, thereby enhancing real-world applicability. In addition, SHAP-based analysis and partial dependence plots (PDPs) are applied to interpret the influence of key variables and to strengthen the explanatory power of the proposed model.
The results indicate that maintaining conventional fixed-route bus services is appropriate in urban cores and central areas of towns and townships, whereas bus-type DRT is more suitable for low-density peripheral residential areas. In regions with even lower population density and minimal transportation demand, taxi-type DRT is identified as the most appropriate service option. The proposed bi-level framework substantially reduces areas without public transport service provision, as measured by the Bus Coverage Index (BCI), while significantly improving accessibility and convenience, as reflected by the Transit Accessibility Index (TAI). Furthermore, the Fit Index, representing the alignment between transportation supply and demand, is shown to improve markedly. In addition, a clear reduction in overall operating costs is achieved through the reconfiguration of a bus-centered supply structure, demonstrating both expanded user access opportunities and tangible economic benefits associated with policy implementation.
This study contributes to the literature by redefining transportation service provision in depopulated regions not from the perspective of single-mode efficiency, but as an optimal combination of mobility services tailored to regional characteristics. This concept is operationalized through a quantitative, machine-learning-based framework. Moreover, the proposed framework can be readily extended to regions beyond the case study area, highlighting its practical applicability. By presenting a systematic methodology for designing integrated operations of fixed-route buses and DRT services according to local conditions, this study offers valuable insights for the development of effective mobility service strategies in depopulated regions.

국문 초록 (Abstract)

인구감소지역은 공공교통 수단에 대한 이용수요는 적으나 필수 생활을 위, 한 기본적인 시설이 거주지역과 멀리 떨어져 위치하고 보행로 등 기본적인 , 교통시설이 낙후되어 있기 때문에 기본적인 공공교통 수단이 제공되지 않을 경우 겪는 불편함은 도시지역보다 크다 인구감소지역에서의 제한된 교통자. 원을 효율적으로 활용하기 위해 공공교통 운용의 측면에서 이용자가 원하는 시간대에 원하는 장소로 이동할 수 있도록 적재 적소 적기에 모빌리티 서, , 비스를 제공하는 방법론들이 연구 및 시행 되어왔다 이러한 배경으로 인해 . 최근 인구감소지역에서 수요응답형 교통수단 의 연구가 확대되고 있(DRT) . 다 그러나 현재의 운용은 지역의 실제 수요를 반영한 데이터 기반 분석이 이루어지지 않고 민원에 의하거나 정책적 결정에 의해 도입이 되고 있다 노. 선버스와 신규로 도입하는 수요응답형 교통수단 간 관계설정을 체계적으로 정립해야한다.
본 연구는 인구감소지역에서의 적정 서비스 유형을 실제 수요기반으로 제. 공하기 위한 방법론을 제안한다 실제 교통수요의 데이터를 기반으로 한 정량적 분석을 진행하고 머신러닝 기반의 , Bi-Level 프레임워크를 제안한다. 이 프레임워크를 개발하기 위해 본 연구는 분석 대상지를 , 500m×500m의 격자셀 단위로 세분화하여 인구 특성 교통 여건 대중교통 공급 및 이용 특, , 성 주요시설물 간의 거리 등의 데이터를 수집하여 분석환경을 구축하였다본 연구에서 제시한 Bi-Level 1 . 프레임워크의 단계는 머신러닝 기반 진 분2류 모형을 활용하여 셀별 적정 모빌리티 서비스 유형노선버스 버스형 ( DRT, 택시형 DRT) . 을 도출한다 이를 기반으로 단계에서 2 , DBSCAN 기반 군집화를 적용하여 인접 셀을 권역 단위로 통합하였다 이를 통해 셀 기반 . 적정 모빌리티 서비스의 결과를 실제 운영 가능하도록 교통서비스 권역으로 제시함으로써 현장 적용성을 확보하였다 또한 . SHAP 기반 분석을 수행하여 주요 변수들의 영향력을 해석함으로써 모델의 설명력을 강화하였다.
분석 결과 도심 및 주요 읍 면의 중심지에서는 기존 노선버스의 유지가 , 적합하며 인구 밀도가 낮은 외곽의 주거지역에서는 버스형 DRT, 이보다 더 인구 밀도가 낮고 교통 수요가 적은 지역은 택시형 가 적합한 것으로 DRT분석되었다. Bi-Level (BCI)프레임워크의 활용을 통해 기존 공공교통, 서비스 미제공 지역 을 감소시키고 모빌리티 서비스에 대한 접근성과 편의성(TAI) , 이 향상되었으며 수요와 공급 간의 적합도를 의미하는 Fit Index 또한 유의미하게 개선된 것으로 분석되었다 아울러 필요이상의 노선버스 중심 . 공급 구조의 재편에 따라 전체 운영비를 절감하는 효과도 산출되어 주민의 이용기회 확대와 함께 정책 시행에 따른 경제적 효과를 확인하였다 본 연구. 는 이 프레임워크를 통해 기존 인구감소지역에서의 대중교통 체계의 한계점을 보완할 수 있는 대안을 제시함으로 기본적인 이동권 저하문제의 해결에 기여하고자 한다.

목차 (Table of Contents)

• 제1장 서 론 1
• 제1절 연구의 배경 및 목적 1
• 1. 연구의 배경 1
• 2. 연구의 목적 2
• 3. 연구적 질문 설계 및 착안점 3
• 제2절 연구의 범위 및 방법 6
• 1. 시간적, 공간적 범위 6
• 2. 내용적 범위 7
• 제2장 선행 연구 검토 10
• 제1절 본 연구추진의 필요성 관련 기존 문헌 10
• 1. 인구감소지역에서의 기존 대중교통 운영 한계 10
• 2. 수요응답형 교통(DRT)의 도입 효과와 운영 전략 12
• 제2절 연구 방법론 관련 선행 연구 17
• 1. 교통 분야의 트리계열 머신러닝 사례 17
• 2. 공간 클러스터링 기법사례 23
• 제3절 연구의 기여 27
• 1. 방법론적 기여 27
• 2. 트리계열 머신러닝 모델 제안 28
• 3. 현장 활용의 확장성적 관점 32
• 4. 기타 관점 35
• 제3장 연구 방법론 40
• 제1절 Bi-Level 프레임워크 40
• 제2절 머신러닝 활용 적정 모빌리티 결정 모델링(STEP1) 43
• 1. 지도학습을 위한 분석 시나리오 43
• 2. 모델의 학습 및 검증 방법론 50
• 3. 모델 성능 평가 지표 51
• 제3절 클러스터링 기반 서비스 권역화(STEP2) 54
• 1. 클러스터링 방법론 54
• 2. 권역 및 노선 설정을 위한 분석 절차 59
• 제4장 연구 대상지 및 데이터 설명 61
• 제1절 연구 대상지 선정 61
• 1. 선정 기준 61
• 2. 연구 대상지 대중교통 이용 현황 62
• 제2절 분석 데이터 수집 및 정의 65
• 제3절 데이터 전처리 71
• 1. 데이터 결측치 처리 71
• 2. 다중공선성 분석 73
• 제5장 분석 결과 78
• 제1절 셀단위 적정 모빌리티 결정 모델링 분석 결과 78
• 1. 모델별 성능평가 수행 및 최적 모델 선정 78
• 2. 수단별 적정 모빌리티 예측 결과 분석 92
• 제2절 클러스터링 기반 적정 모빌리티 서비스 권역화 106
• 1. 적정 모빌리티 수단비율 결정을 위한 End-Node 조절 106
• 2. 지역 현실성 반영을 위한 DBSCAN 매개변수 조정 109
• 3. 클러스터링 알고리즘 보완 113
• 4. 모빌리티 서비스별 클러스터링 보완 알고리즘 적용 116
• 5. 클러스터링 기반 권역화 최종 결과 128
• 제3절 연구결과의 정량적 효과 검증 131
• 1. 지자체의 운영비 절감 효과 131
• 2. 지역주민의 이용기회 확대 효과 139
• 3. 모빌리티 취약셀 개선도 정량 분석 143
• 제4절 분기 임계치 조절에 따른 민감도 분석 148
• 1. 분기 임계치 조절 시나리오 구성 148
• 2. 분기 임계치별 모델링 및 클러스터링 결과 149
• 3. 민감도 분석(시나리오별 운영비용 증감) 153
• 제5절 알고리즘의 확장성 검토 155
• 1. 사례 대상 지자체 (1) 156
• 2. 사례 대상 지자체 (2) 158
• 3. 사례 대상 지자체 (3) 161
• 4. 사례 대상 지자체 (4) 164
• 제6장 결론 및 향후 연구과제 168
• 제1절 연구결과 요약 168
• 제2절 결론 171
• 제3절 연구의 한계 및 향후 연구과제 173
• 1. 연구의 한계 173
• 2. 향후 연구과제 176
• 참고문헌 180
• 영문초록 186