3.1 무차별곡선과 한계대체율

경제학에서 효용(utility)이란 재화를 소비함으로써 얻게 되는 만족을 말하며, 이는 심리적 만족도를 나타내는 것이기 때문에 효용의 크기만을 순서대로 나타낼 수 있는 서수적 효용(ordinal utility)론을 전제로 한 무차별곡선(indifference curve)을 기반으로 나타낼 수 있다. 여기서, 무차별곡선이란 소비자에게 동일한(무차별한) 정도의 효용을 주는 상품묶음의 집합을 그림으로 나타낸 것으로, 무차별곡선은 우하향하는 기울기를 가지면서 원점에서 더 멀리 떨어질수록 더 높은 효용수준을 가지는 특징(강단조성, strong monotonicity)을 가진다.

Fig. 1 에서 A와 B점에서의 효용 사이에는 아무런 차이를 느끼지 못하지만(A~B), Fig. 2에서 A(혹은 B)점의 조합이 D점에서의 조합보다 명백하게 더 선호되는(strictly preferred) 관계를 가지게 되어 Eq. (1)이 성립한다^{(Mankiw, 2005; Lee, 1994)}.

여기서, U(x, y)는 재화(x와 y)가 가지는 효용(utility)을 의미한다. 또한 무차별곡선은 원점에 대해 볼록한 모양(볼록성, convexity)을 가지며(Fig. 2 참조), 무차별곡선의 기울기는 한계대체율(MRS, Marginal rate of Substitution)을 통해 표현되며, Eq. (2)와 같다.

이때, $\triangle y /\triangle x$는 x재화 한 단위 변화량에 따른 y재화의 변화량을 의미하며, Fig. 1 에서 A(혹은 B)점에서의 무차별곡선의 기울기라고 할 수 있다. 한편, 한계대체율은 두 재화 사이의 한계효용(MU, marginal utility)의 비율이라 표현할 수 있으며, y재화가 $\triangle y$만큼 변함으로써 생기는 효용의 변화는 $\mu U_{y}\triangle y$로 나타낼 수 있으며, 마찬가지로 x재화의 양이 $\triangle x$만큼 변함으로써 생기는 효용의 변화는 $\mu U_{x}\triangle x$로 나타낼 수 있다^{(Lee, 1994)}.

교통 분야에서는 주어진 도로 환경(차로 수, 신호 체계, 기술 수준 등)에서 효율적인 운영을 위해 성능 분석(performance analysis)이 필요하며, 자율주행자동차 기술수준의 발달로 인한 단속류 및 연속류에서의 도로 네트워크에서의 성능 변화 분석을 목적으로 한다. 여기서 본 연구에서는 논의를 간단하게 하기 위해, 자율자동차 기술의 발달로 인한 영향을 반영하기 위해 자율주행자동차 혼입률(MPR)을 증가시키면서 교통량과 속도의 조합에 따른 한계대체율의 차이를 통해 한계대체율 체감(law of diminishing MRS)의 성립 여부를 확인하고 무차별곡선의 볼록성의 특징을 통해 단속류와 연속류 환경에서의 성능을 비교하기로 한다.

3.2 설문조사 설계 및 분석대상지 개요

^MOLIT(2022a)는 일상 속에서 스마트 모빌리티의 혁신 서비스 구현을 목표로 「모빌리티 혁신 로드맵」을 발표하였으며, 로드맵을 통해 자율주행자동차를 2027년도에 운전자가 필요 없는 레벨 4의 자율주행 실현과 함께 2035년까지 완전 자율주행자동차의 신차기준 출고율 50 %를 목표를 달성하기 위해 선제적 법·제도 정비 및 인프라 구축, 서비스 상용화 연구 등 종합적인 정책을 추진하고 있다. 이러한 국가의 정책 목표시기를 참고하여 자율주행자동차 관련 전문가들에게 레벨4의 자율주행자동차 시장점유율 50 % 시점을 개방형(주관식)으로 응답하도록 설문 조사를 시행하였으며, 응답 결과를 기반으로 시간적 범위를 설정하였다.

자율주행자동차와 연관된 건설 환경, 공간정보, 도시교통, 정보통신 분야의 전문가 36명에게 오프라인으로 3일간 실시하였으며, 도시·교통 분야의 전문가의 응답률이 전체의 44 %로 가장 높은 비율로 조사되었다. 또한, 연령은 30대와 50대의 응답자가 25 %로 가장 높은 비율을 차지했으며, 자율주행자동차와 관련된 연구 수행 경험이 ‘있음’이 56 %로 ‘없음’보다 상대적으로 높은 비율로 나타났다. 더불어, 설문 조사에 응답한 전문가들은 도로상에 전체 자동차 중 자율주행자동차가 차지하는 비율이 50 %가 되는 시점은 현시점으로부터 10년 후인 2033년, 2035년, 2040년, 2050년의 4종류로 응답하였으며, 이 중 2040년이 전체의 48 %로 가장 높은 비율로 응답되었다.

선정된 분석대상지는 실제 대전광역시 내에서 자율주행자동차의 혼재 상황을 적절히 반영하기 위해 다양한 차로를 포함하며, 향후 대전광역시의 교통 흐름을 대표적으로 반영할 수 있는 구간으로 지정하였다. 선정된 구간은 대전광역시 유성구 도안동과 가수원동 일대로 편도 1차로부터 5차로까지 다양하게 혼재되어 있으며, 편도 1차로의 구간은 대부분 아파트단지와 인접해 있으며, 편도 5차로의 구간은 유성구 도안동과 서구 가수원동을 동-서를 가로지르고 있다. 분석대상지의 남-북으로 큰 축을 이루고 있는 도안동로는 유성구 봉명동과 서구 가수원동을 연결하며, 도안신도시를 관통하고 있다. 또한, 도안동로 양방향 모두 중앙버스전용차로제가 24시간 운영되고 있다(Fig. 3 참조).

분석 대상 구간의 신호 현시 자료는 대전광역시의 신호 현시 자료를 활용하였으며, 12곳의 삼거리 및 사거리에 신호 교차로가 설치되어 있다. 대상 구간 중 가장 짧은 주기인 서구 원도안로에 위치한 대전도안초등학교 삼거리의 100초를 제외하고, 대부분의 대상 구간의 신호 주기는 140초부터 190초까지 다양하게 구성되어 있다.

해당 구간의 차로 구성의 경우 삼거리 및 사거리로 구성되어 있으며, 편도 차로 수의 구성 비율은 1차로 17 %(8구간), 2차로 33 %(15구간), 3차로 26 %(12구간), 4차로 15 %(7구간), 5차로 9 %(4구간)로 구성되어 있다. 분석대상지 기존의 신호 교차로가 있는 단속류와 동일 대상지의 편도 3차로 이상(10곳)은 고가도로로 및 편도 2차로 이하(2곳)는 회전교차로 설치를 통해 연속류의 상태로 기하구조 변경을 통해 동일 대상지의 단속류 및 연속류의 분석을 진행하였다(Fig. 4 참조).

3.3 분석대상지의 2040년 장래 교통수요 예측

본 연구에서는 현재 교통량이 아닌 전문가들에 의해 조사된 자율주행자동차의 시장점유율 50 %가 될 것으로 예측되는 2040년의 장래 교통량을 반영하기 위해 장래 교통 수요를 예측하였다. 2040년 장래 교통수요 예측을 위해 한국교통연구원의 국가교통 DB의 대전세종충청권 O/D 및 네트워크 자료를 기반으로 하였으며, 통행 배정모형의 원단위 및 파라미터값은 도로철도지침(5판) 및 KTDB 자료를 적용하였다.

KTDB의 대전세종충청권의 대전 지역 대상으로 장래 2040년의 여객 O/D 교통량을 추정할 때, 통행배정 기본 시간은 전일 O/D를 활용해 교통시설 투자평가지침에서 제시하는 지역별 첨두·비첨두 지속시간과 집중률 원단위를 적용하여 첨두시 교통량을 산출하였다. 이 같은 과정을 통해 도출된 장래 교통 수요를 VISSIM 시뮬레이션 분석을 위해 ^MOLIT(2022b)의 「교통시설 투자평가지침(제7차)」에서 제시하고 있는 지역별 첨두·비첨두 집중률 중 대전권의 집중률이 8.98을 적용하여 해당 구간의 첨두시 교통량으로 환산하여 시뮬레이션 분석을 진행하였다(Table 1 참조).

본 연구의 장래 교통량 예측을 위해 통행 배정모형은 도로 이용자들이 통행비용은 통행료의 의미로 운행요금과 시간 비용의 합으로 이를 통행 지체함수로 표현하면 Eq. (3)과 같다.

여기서, T : 링크 통행시간(일반화 비용, 분)

T0: 링크 자유통행시간(시간비용, 분)

V : 링크 교통량(PCU/시)

C : 링크 용량(PCU/시)

α,β = 파라미터 가중치 : (통행요금/km)/[차종별 시간가치]

다음으로 본 분석의 2040년 장래 교통 수요 예측을 위해 기준년도의 캘리브레이션을 수행하며, 도로·철도 부문 표준지침에 의해 도로등급별로 주요 도로 구간의 관측교통량과 배정교통량의 차이를 나타내는 오차율을 정의하며, 이런 오차가 허용 범위보다 작아야 한다^{(Korea Development Institute, 2008)}.

따라서 본 분석의 오차율은 대상지의 인접도로는 15 %, 기타 주요 도로는 30 % 이하의 기준을 적용하였으며, 오차율 산정 공식은 Eq. (4)와 같다.

여기서, $\epsilon$ : 오차율(%)

$f_{1}^{est}$ : 통행배정 분석 결과에 의한 링크의 추정교통량 (PCU/시)

$f_{1}^{obs}$ : 링크의 관측교통량(PCU/시)

3.4 자율주행자동차의 차량추종모형

교통 네트워크 및 교통 관리 시스템의 복잡성이 증가함에 따라 미시적 교통 시뮬레이션은 다양한 교통 관리나 제어 시스템을 평가하고 최적화하는 주요 분석 도구 중 하나이다^{(Lu et al., 2016)}. 미시적 시뮬레이션은 현실적인 지역 교통 상황을 반영하기 위해 분석하고자 하는 목적에 맞는 적절한 차량 제어변수의 설정이 중요하다.

분석에 활용된 미시적 시뮬레이션 프로그램 VISSIM의 차량추종 모델은 Wiedemann이 개발한 운전자 행태 모형을 기반으로, 이 모형은 자유흐름(Free flow), 접근(Approaching), 추종(Following), 브레이크의 4가지 운전행태를 반영하고 있으며, 자율주행자동차의 추종 및 차선변경에 대한 매개변수는 운전 자동화 기능이 없는 운전자가 운전했을 때 보다 더 공격적이고 민감한 행동을 반영하도록 설정되어 있다^{(Park et al., 2021)}.

VISSIM은 Wiedemann 74 및 Wiedemann 99의 두 종류의 운전자의 심리 및 물리적 환경을 반영한 차량 추종 모델의 구현이 가능하다^{(PTV Group, 2020)}. Wiedemann 99 자동차 추종 모델은 Wiedemann 74 모델과 매우 유사하며, Wiedemann 99에서는 핵심 실행 논리가 동일하게 유지된다. 그러나 일부 임계값은 Wiedemann 74 모델과는 다르게 계산되며, 악천후 및 기상상태와 같은 외부 환경에 대한 반영이 가능하며, Wiedemann 99 보정 매개변수는 다음 Eq. (5)~(10)과 같이 설명된다^{(Motamedidehkordi et al., 2016)}.

여기서, $AX$ : 선행차량과 후행차량 사이의 평균정지거리(m)

$CC 0$ : 정지거리(m)

$L_{n-1}$ : 선행차량의 길이(m)

$ABX$ : 최소 안전거리(m)

$CC 1$ : 선행차량과 후행차량 간 차두시간(s)

$v_{slower}$: 선행차량과 후행차량간 최소 속도(m/s)

Eq. (5)의 CC0(standstill distance)은 정지된 차량 사이의 원하는 후미 범퍼에서 전방 범퍼 거리이며, 또한, 이 매개변수는 운전자가 충돌을 피하기 위해 유지하는 심리적 안전거리와 관련이 있어 변동하지 않는다. Eq. (6)의 CC1(headway time)은 추종 운전자가 유지하려는 시간(초)을 의미한다.

여기서, $SDX$ : 추종 체제의 상한으로서 최대 추종거리(m)

$ABX$ : 최소안전거리(m)

$CC 2$ : 추가적으로 안전거리에 부여하는 거리(m)

$SDV$ : 장거리에서 운전자가 느린 차량에 접근하고 있다고 인식하는 지점

$CC 3$ : 돌발상황을 감지해 후행차량의 감속하는 시점

$CC 4$ : 후행차량이 선행차량보다 속도가 느릴 경우, 최대 허용속도차이(kps)

$CC 5$ : 후행차량이 선행차량보다 속도가 빠를 경우, 최대 허용속도차이(kps)

$CLDV$ : 운전자가 자신의 속도가 선행 차량 속도보다 높다고 인식하는 지점

$OPDV$ : 운전자가 선행차량보다 느리게 이동하고 있다고 인식하는 지점

Eq. (7)의 CC2(following variation)는 추종 상태에서 종방향 진동을 제한하며, 의도적으로 선행 차량으로 이동하기 전에 원하는 안전거리(ABX)보다 얼마나 더 거리를 유지해야 하는지를 나타내며, Eq. (8)의 CC3(threshold for entering “following”)은 감속 과정의 시작을 초 단위로 정의한다. Eq. (9)와 (10)의 CC4(negative “following” threshold) 및 CC5(positive “following” threshold)는 추종 과정에서 속도 차이(m/s)를 정의하며, CC4는 접근 과정에서의 속도 차이를 제어하고, CC5는 개방 과정에서의 속도 차이를 제어한다^{(Motamedidehkordi et al., 2016)}.

본 연구의 연속류 분석을 위해 자율주행자동차에 적용한 Wiedemann 99의 차량속성변수는 정지거리 CC0(standstill distance)은 차량이 정지할 때 차량 간 간격으로 자율주행자동차는 0.5 m를 적용하였으며, 차두시간 CC1(headway time)는 0.6s로 설정하였다. 안전거리 CC2(following variation)는 0s를 적용하였으며, 가감속도 CC7(oscillation acceleration), CC8(standstill acceleration), CC9(acceleration with 80 km/h)의 경우 각각 0.4, 3.8, 1.8 m/s²를 적용하였으며, Wiedemann 74의 모델은 운전자가 임계값에 도달하면 감속하고 이 임계값은 선행 차량과의 상대 속도 및 거리에 따라 달라진다. 그렇지 않으면 운전자는 원하는 속도로 이동하거나 가속한다^{(Wiedemann, 1974)}.

본 분석에 활용된 Wiedemann 74의 최소 안전거리는 Eq. (11)과 같이 나타낼 수 있으며, 차량의 최소 원하는 거리는 더 느린 차량의 속도의 제곱근에 비례한다. 여기서 더 느린 차량은 선행 차량 또는 추종 차량이 될 수 있다^{(Motamedidehkordi et al., 2016)}.

여기서, $ABX$ : 최소안전거리(m)

$v$ : 상대적으로 더 느린 차량의 속도(m/s)

$z$ : (0,1) 범위 내의 값이며, 평균이 0.5이고 표준편차가 0.15인 정규분포

$AX$ : 두 차량 사이의 원하는 평균거리를 정의하는 평균정지거리(m)

$bx_{add}$ : 추종거리의 추가 통행시간으로 조정할 수 있는 요소

$bx_{\mu lt}$ : 추종거리의 비례하는 통행시간으로 조정할 수 있는 요소

본 연구의 연속류 분석을 위해 자율주행자동차에 적용한 Wiedemann 74의 차량속성변수는 평균차두거리 0.5 m, 평균차두시간 0.5초를 적용하였으며, 일반차량의 평균차두거리(1.5 m) 및 평균차두시간(0.9초) 보다 차량 간 간격을 좁게 설정해 차량의 흐름을 더 빠르고 도로 효율을 증가할 수 있도록 설정하였다^{(Land and Housing Institute, 2022)}. Wiedemann 74는 도시의 교통 환경과 합류부를 모델링하는 데 일반적이며, Wiedemann 99는 합류부가 없는 고속도로와 같은 연속류에서의 교통을 모델링 하는데 더 적합하다^{(Lu et al., 2016)}.

따라서 본 연구의 단속류의 분석에서는 Wiedemann 74를 적용하였으며, 연속류의 분석에서는 Wiedemann 99를 적용하였다. 또한, 목표 속도는 자율주행자동차의 경우 Wiedemann 74과 Wiedemann 99 모두 50 km/h에 고정해 설정하였으며, 일반차량은 48~58 km/h의 범위로 설정하였다. 분석 목적 달성을 위해 분석구간의 운행 차종은 「대전광역시 교통량조사보고서」의 중차량비(%)를 반영하였으며^{(Daejeon Traffic Information Center, 2023)}, 자율주행과 일반 차량의 비율을 승용차에만 적용하지 않고, 화물차와 버스에 모두 적용하여 시나리오를 설정하였다.

또한, 연속류와 단속류의 교통량 및 혼입률 증가를 0~100 %까지 25 %씩 증가시키면서 세분화하여 시나리오를 구성하였으며, 교통량은 미래 교통수요 변화에 따른 상황을 반영하기 위해 2040년 추정된 장래 교통 수요(교통량 0 %)를 기반으로 25 %, 50 %, 75 % 및 100 % 증가시키면서 시나리오 분석하였다. 시뮬레이션은 한 시나리오당 10회의 반복 수행을 통해 도출된 평균값을 도출하였다. 시뮬레이션의 총 Run Time은 5,400초로 설정하였으며, 네트워크에 적용한 모든 차종이 고루 진입하는 시간인 1,800초를 제외하고 1,800~5,400초에 해당하는 1시간(3,600초)의 평균값을 분석에 사용하였다.

4.1 평균통행시간 및 평균통행속도 분석

본 절에서는 동일한 교통 환경(차로 수 등) 하에서 MPR(자율주행자동차 혼입율)과 교통량의 변화가 평균통행시간과 통행속도에 미치는 영향에 대해 살펴보기로 한다.

먼저 Table 2에서 알 수 있는 바와 같이, 단속류와 연속류 모두 교통량의 크기가 증가함에 따라 통행시간이 증가함을 확인할 수 있었으며, MPR이 증가 즉, 기술의 발전에 따라 통행시간은 감소하는 패턴을 확인할 수 있다.

먼저, 단속류의 경우, Fig. 5(a)에서 알 수 있는 바와 같이 교통량과 MPR의 변화에 따른 통행시간 변화를 살펴보면, 현재 교통량 수준을 기준으로 MPR이 증가함에 따라 각각 1 %(MPR 25 %), 2 %(MPR 50 %), 14.6 %(MPR 75 %), 15.4 %(MPR 100 %) 순으로 통행시간 감소 효과는 증가하는 것을 확인할 수 있다. 한편, MPR이 0 %일 때, 통행시간은 현재의 교통량 수준을 기준으로 1.3배(25 % 증가), 1.59배(50 % 증가), 2.1배(75 % 증가), 2.53배(100 % 증가)로 교통량이 증가함에 따라 통행시간은 크게 증가함을 확인할 수 있다. 상대적으로 MPR이 100 %일 때, 통행시간은 1.13배(25 % 증가), 1.45배(50 % 증가), 1.55배(75 % 증가), 1.79배(100 % 증가)로 동일한 교통량 증가에 따른 통행시간 증가 비율이 MPR 0 % 보다 감소하여 자율주행자동차의 도입으로 인한 효과를 확인할 수 있다.

한편, 연속류의 경우, Fig. 5(b)에서 알 수 있는 바와 같이 교통량과 MPR의 변화에 따른 통행시간 변화를 살펴보면, 현재 교통량 수준을 기준으로 MPR이 증가함에 따라 각각 1 %(MPR 25 %), 2 %(MPR 50 %), 4.7 %(MPR 75 %), 5.2 %(MPR 100 %) 순으로 통행시간 감소 효과는 약간 증가하는 것을 확인할 수 있다. 한편, MPR이 0 %일 때, 통행시간은 현재의 교통량 수준을 기준으로 1.03배(25 % 증가), 1.10배(50 % 증가), 1.56배(75 % 증가), 1.82배(100 % 증가)로 교통량이 증가함에 따라 통행시간은 증가하지만 단속류에 비해 상대적으로 적은 비율로 증가함을 확인할 수 있다. 나아가 MPR이 100 %일 때, 통행시간은 1.01배(25 % 증가), 1.05배(50 % 증가), 1.27배(75 % 증가), 1.58배(100 % 증가)로 동일한 교통량 증가에 따른 통행시간 증가 비율이 MPR 0 % 보다 감소하여 자율주행자동차의 도입으로 인한 효과를 확인할 수 있으며, 단속류의 경우와 비교하여도 교통량 증가에 따른 통행시간 감소 효과는 크다는 것을 확인할 수 있다.

요약하면, 현재의 교통량 수준을 기준으로 단속류에 비해 연속류에서 교통량의 증가에 따른 네트워크에서의 부하는 상대적으로 적음을 알 수 있다. 즉, 동일한 교통량의 증가에 따른 통행시간 증가 폭과 비율이 상대적으로 연속류가 단속류에 비해 적음을 확인하였다. 다만, MPR의 비율이 증가함에 따라 통행시간 감소 효과는 단속류가 크다는 것을 확인할 수 있다. 즉, 단속류의 경우 현재의 교통량을 기준으로 MPR의 증가(0 %에서 100 %)에 따른 통행시간 감소 효과는 15.4 %에서 40.3 %로 증가하지만, 연속류의 경우에는 MPR의 증가(0 %에서 100 %)에 따른 통행시간 감소 효과는 5.2 %에서 17.6 %로 증가함을 확인하였다.

한편, 통행속도의 경우, Fig. 6 과 Table 3에서 알 수 있는 바와 같이 교통량의 증가에 따라 감소하지만, MPR이 증가함에 따라 통행속도는 증가하는 추세를 보이고 있다.

먼저, 단속류의 경우 현재의 교통량을 기준으로 MPR이 0 %일 때, 교통량 100 % 증가에 따른 통행속도 감소 비율이 60.5 %로 MPR 100 %일 때의 44.1 % 보다 감소하여 자율주행자동차의 도입으로 인한 효과를 확인할 수 있으며, 연속류의 경우에는 동일한 조건에서 각각 45.0 %와 36.7 % 감소하는 것으로 나타나 단속류의 속도 감소 폭보다는 상대적으로 적음을 확인할 수 있다.

나아가, 현재의 교통량 수준을 기준으로 단속류의 경우 MPR 0 %와 MPR 100 %의 평균 통행속도 증가율을 비교해 보면 18.1 % 증가한 것에 비해, 연속류의 경우에는 5.5 % 증가한 것으로 나타났다. 이는 시뮬레이션 설정 단계에서 도심지 통행속도 상한 제약으로 인한 것으로 판단된다.

4.2 통행속도와 교통량의 한계대체율

본 절에서는 3.1절에서 언급한 자율자동차 기술의 발달로 인한 영향을 살펴보기 위해 자율주행자동차 혼입률을 증가시키면서 교통량과 속도의 조합으로 무차별곡선을 나타내고 무차별곡선의 기울기인 한계대체율의 차이를 통해 한계대체율 체감(law of diminishing MRS)의 성립 여부를 확인해 보기로 한다. 나아가 무차별곡선의 볼록성의 특징을 통해 단속류와 연속류 환경에서의 네트워크의 성능을 비교하기로 한다.

먼저 단속류를 대상으로 한 시뮬레이션에서 교통량과 통행속도의 조합으로 구성된 무차별곡선은 Fig. 7(a)에서 알 수 있는 바와 같이 모든 자율주행자동차 혼입률 수준(0 %, 25 %, 50 %, 75 %, 100 %)에서 무차별곡선은 우하향하는 것을 확인할 수 있다. 또한 연속류의 경우에도 Fig. 7(b)에서와 같이 무차별곡선은 우하향하며, 단속류와 연속류 모두에서 무차별곡선의 기울기를 나타내는 한계대체율이 감소하는 한계대체율 체감의 법칙이 성립함을 확인할 수 있다.

이는 교통량이 많을 때는 많은 교통량을 줄여야 속도가 조금 증가하지만, 교통량이 적을 때는 조금의 교통량을 줄여도 동일한 속도 증가의 효과를 볼 수 있음을 의미한다. 특히 Fig. 7(b)의 자율주행자동차 혼입률이 100 %인 경우에는 무차별곡선이 거의 직선에 가까우며, 이는 속도 증가를 위해 포기해야 하는 교통량의 감소가 거의 없음을 의미한다.

Table 4에서 알 수 있는 바와 같이, 동일한 속도인 40 km/h을 대상으로 살펴보면, 모든 자율주행자동차 혼입률에서 단속류가 연속류보다 한계대체율이 큰 값임을 알 수 있다. 다시 말하면, 단속류 환경에서 통행속도의 한계효용(MU)이 교통량의 한계효용보다 상대적으로 큼을 의미한다.

동시에 자율주행자동차 혼입률이 증가할수록 동일한 효용수준을 나타내는 무차별곡선은 원점에서 멀어지게 되어 기술의 발달로 인한 효용수준은 증가함을 확인할 수 있다.

마지막으로 Fig. 7 에서 무차별곡선은 원점에 대해 볼록한(convex to the origin) 형태를 가짐을 알 수 있는데, 이러한 선호체계의 볼록성(convexity) 현상은 단속류와 연속류 모두 성립하며 이것은 느린 속도 & 많은 교통량 혹은 빠른 속도 & 적은 교통량 등 극단적인 구성의 조합보다는 합리적인 수준에서의 조합을 더 선호한다는 의미와 동일하다.