화물 시장은 운송량과 운행 시간 등이 운임에 직접적인 영향을 미쳐 리드타임과 화물 도착 정시성을 중시하는 경향이 있다. 철도는 수송을 위해서 일정 수준의 화물량이 필요하며 타 수단과의 연계가 필요하여 빠른 리드타임 확보에 어려움이 있다. 그러나 고속도로는 국내 도로 교통망의 주축을 이루고 있으며 소량의 화물 이동이 가능할 뿐만 아니라 당일 수송, 문전 수송 등이 가능함에 따라 화물 수송의 효율성 측면에서 많은 이점을 가지고 있다. 이처럼 고속도로는 다양한 이점을 보유하고 있어 화물 수송 경쟁력이 충분하다 사료되나 현재 타 수단과 경쟁력을 비교하기 위한 지표의 부재로 인해 투자 및 향후 계획 마련 등에 어려움이 있다. 또한, 철도/항공/해운 등의 수단은 화물 운임 산정을 위해 화물 물동량(톤)과 운송 거리(km)의 정보가 필수적이므로 이를 활용한 정량적인 화물 수송실적(톤·km) 산정이 가능하다. 그러나 고속도로의 경우 차량의 종류 및 영업소 간 최단 주행거리(km)를 기준으로 통행 요금이 책정되고 있으며 화물차의 적재량은 업체의 수익과 직결되는 민감한 정보임에 데이터 확보에 어려움이 있다.
국내에서는 차량별로 적재량이 다양한 화물차들을 효과적으로 관리하기 위해 적재량, 축수, 단위 등으로 5종, 12종, 16종 등으로 차종을 구분하고 있으나 데이터별로 차종이 혼재되어 있으며 특히 요금 수납에서 활용되는 5종 차종의 경우 화물차와 승용차가 혼재되어 있어 정확한 화물차의 통행을 파악하기에 한계가 있다. 또한, 현재 구축되고 있는 국내의 화물 수송실적은 설문조사를 통한 표본을 전수화하여 수송실적을 추정하고 있는 실정으로 다소 신뢰성이 떨어진다. 이에 본 연구에서는 고속도로 수납데이터를 활용하여 고속도로 통행실적을(대·km), HS/LS-WIM 데이터 수집·분석으로 고속도로 화물 적재량(톤/대)를 도출하고자 하였으며 빅데이터를 통해 산정된 두 결과를 토대로 정량화된 화물 수송실적(톤·km) 산정 방법론을 제시함으로써 화물 수송실적의 신뢰성을 제고하고자 하였다. 수납데이터의 경우 개방식, 민자고속도로 구간 등이 누락되어 있으나 본 연구에서는 통계연보 데이터를 활용하여 교통량을 보정하였다는 점에서 첫 번째 차별성을 가지며 차량 제원정보를 활용하여 공차 중량 산정 및 WIM 데이터를 활용한 원단위 도출 시 공차 중량을 제한 순 화물 적재량을 도출하는 방법론을 정립하였음에 두 번째 차별성을 가진다. 또한, 각 축중기별 한계점을 보완하기 위해 최적의 화물 적재 원단위를 제시했다는 점에서 세 번째 차별성을 가진다. 분석 결과 수납데이터를 활용한 통행실적은 약 1.59억대·km/일로 도출되었으며 비연계 구간을 포함한 총 통행실적은 약 2.3억대·km/일로 도출되었다. 고속 축중기와 저속 축중기의 각각의 한계점을 파악하였으며 이를 보완하기 위해 공차 중량을 제외한 고속과 저속 축중기의 원단위를 활용하여 최적의 화물 적재 원단위(톤/대)를 도출하고자 하였다. 이를 활용한 최종 화물 수송실적은 약 1,614억톤·km/년으로 도출되었다. 마지막으로 현재 계량화된 고속도로 화물 수송실적 값의 부재로 인해 화물 수송실적의 비교 검증에는 한계가 있어 통행실적과 화물 적재 원단위의 비교 검증을 하여 타당성을 확보하였다. 본 연구의 한계점으로 통행실적 산정 시 활용된 주행거리는 영업소 간 최단 거리를 기준으로 산정되었으며 실제 차량의 주행거리와는 일부 차이가 있다는 한계가 있다. 이는 DSRC 등을 활용한 차량 Trajectory 추적 등을 통해 실제 주행거리 산정을 통해 통행실적의 신뢰성을 제고할 필요성이 있다. 또한, 축중기 데이터와 차량 제원 정보만을 통해 공차 구분이 어려운 실정임에 본 연구에서는 측정 하중이 공차 중량보다 적은 경우는 공차 차량으로 가정하여 분석을 진행하였다. 마지막으로 고속 축중기의 경우 적재량의 신뢰성이 높으나 항만, 철강 산업을 이루고 있는 지역과 밀접한 지역에 설치되어 있어 화물 적재량에 일부 지역적 특성이 반영되었으며 표본 수가 미흡하다는 한계점이 있다. 이는 고속 축중기의 설치 확대를 통해 정확도 높은 화물 적재 원단위 산정을 기대하는 바이다. 향후 연구에서는 승차인원 감지 시스템을 활용한 차종별 재차인원 데이터를 구축하여 고속도로 여객 수송실적 산정을 기대하며 다양한 기관의 협력을 통해 화물자동차의 영업용/비영업용 구분, 품목별 데이터 등을 결합하여 보다 세분화된 화물 수송실적이 가능할 것으로 생각된다. 또한, 본 연구의 방법론을 토대로 공로 전체 수송실적으로 확대될 것을 기대하며 화물 정책 및 제도의 시의적절한 의사결정에 반영되기를 기대하는 바이다.

The freight market tends to emphasize lead time and cargo arrival timeliness due to the direct impact of transportation and operating time on fares. However, railways require a certain level of cargo and need to link with other means, making it challenging to secure fast lead time. However, highways are the mainstay of the domestic road traffic network, and they can be moved with only a small amount of cargo. They have many advantages in cargo transportation because they can be transported on the same day and at the gate. As such, highways are considered to have sufficient competitiveness in cargo transportation because they have various advantages.
Regardless, securing competitiveness is challenging due to the need for indicators to compare competitiveness with other means. In addition, information on cargo volume (ton) and transport distance (km) is essential for means such as rail/air/shipment, so it is possible to calculate quantitative cargo transport performance (ton/km) using this. Nevertheless, in the case of highways, tolls are set based on the type of vehicle and the shortest mileage (km) between business offices. The truckload is sensitive information directly related to the company''s profits, making it problematic to secure data.
In Korea, the load varies by vehicle, and models are used in 5, 12, and 16 types in terms of load, axial, and unit, so there is a limit to identifying the exact passage of trucks because five types of vehicles used to collect fares are mixed. In addition, the domestic cargo transportation performance currently being built is unreliable because it estimates the transportation performance by transferring samples through surveys. Accordingly, this study attempted to derive highway traffic performance (vehicle/km) using highway storage data and highway cargo load (ton/km) using HS/LS-WIM data and to improve the reliability of cargo transport performance (ton/km) calculation methodology based on two results calculated through big data. In the case of storage data, open and private highway sections are omitted. However, this study is the first differentiation because it was intended to correct traffic volume using statistical yearbook data. It is the second differentiation. In addition, it has a third differentiation because the optimal cargo loading unit was presented to compensate for the limitations of each axial medium. As a result of the analysis, the traffic performance using the storage data was derived to be about 1.59 billion units and km/day, and the total traffic performance, including the non-linked section, was derived to be about 230 million units and km/day. The limitations of each high-speed and low-speed shaft medium were identified, and the optimal cargo loading unit (ton/vehicle) was derived using the high-speed and low-speed shaft medium units, excluding the tolerance weight. The final cargo transport performance using this was derived to be about 161.4 billion tons and km/year. Finally, due to the absence of the currently quantified performance value for highway cargo transport, there is a limit to the comparative verification of cargo transport performance, so the validity was secured by comparing and verifying traffic performance and cargo loading unit. As a limitation of this study, the mileage used to calculate traffic performance was calculated based on the shortest distance between business offices, and there is a limitation that there is some difference from the actual vehicle mileage. It is necessary to improve the reliability of traffic performance by calculating the actual mileage by tracking vehicle traffic using DSRC. In addition, since it is challenging to distinguish tolerances only through mid-sized data and vehicle specification information, in this study, if the measured load is less than the tolerance weight, the analysis was conducted assuming that it is a tolerance vehicle. Finally, in the case of high-speed axial heavy machinery, the load is highly reliable. However, it is installed in an area close to the port and steel industry, so some regional characteristics are reflected in the cargo load, and the number of samples needs to be increased. It is envisioned to calculate the unit of cargo loading with high accuracy by expanding the installation of high-speed axial heavy machinery. As a future study, it is expected to calculate highway passenger transport performance by establishing re-in-person data for each vehicle type using the number of passengers detection system, and it is anticipated that more detailed cargo transportation performance will be possible by combining commercial/non-commercial/non-business classification and item data. In addition, based on the methodology of this study, it is expected to expand to the public service''s overall transportation performance and be reflected in the timely decision-making of cargo policies and systems.