서론
선행연구 고찰
1. 도시계획적 측면에서의 생활권 분류
2. 가구통행실태조사 자료를 통한 이동성 기반 생활권 분류
3. 모바일 데이터 활용 연구 동향
4. 연구의 차별성
분석 방법론
1. 분석 과정
2. 생활권 분류 분석 방법론
연구자료 수집 및 기초분석
1. 연구의 범위
2. 모바일 기지국 데이터(Mobile Phone Signaling Data) 수집 및 생활통행데이터 가공
3. 기초분석
분석 결과
1. 도시별 Multi-level 생활권 도출
2. 시간대별 생활권 분류
3. 주중 ‧ 주말 생활권 분류
결론
서론
생활권은 주민들의 일상적인 활동이 이루어지는 공간적 범위, 거주자들이 일상생활을 하는데 있어 밀접하게 결합된 범위(Ku and Yang, 2016) 등의 개념으로 정의되며, 생활권 계획은 생활 권역을 대상으로 지역 특성을 고려하고, 주민의견을 파악하여 지역 발전방향, 추진전략, 정책목표 등을 제시하는 계획을 뜻한다(Seoul Metropolitan Government, 2014). 또한 생활권 계획은 도시기본계획 내에 담긴 정책방향을 공간적 단위로 구체화하며, 구체적인 관련계획 및 하위계획의 수립방향을 제시하는 역할을 한다는 점에서 의의가 있는데, 교통 측면에서는 생활권이라는 이동성을 반영할 수 있는 공간 범위를 토대로 지역내 ‧ 지역간 생활패턴을 정확히 인지한다면 광역대중교통수단부터 first-and-last mile 이동을 위한 단거리교통수단까지 각 교통수단 기능별 최적화된 교통서비스 및 인프라 공급에 관한 계획 수립이 가능하므로, 생활권이라는 개념은 교통계획 및 정책수립에 있어서도 필수적이라 할 수 있다.
기존 연구에 의하면, 생활권 분류는 도시공간시설에 기반한 접근방법과 이동성에 기반한 접근방법으로 구분된다. 도시공간시설에 기반한 접근방법은 도시계획적 측면에서 중심시설과의 접근성 또는 토지이용밀도 등을 고려하여 생활권을 분류하는 방법이다(Jung and Yu, 1988; Park et al., 2011). 이 접근방법에 의한 생활권 분류는 사람들의 실제 생활패턴이 반영되지 않는다. 이러한 한계를 극복하기 위해 이동성에 기반한 접근방법으로 조사기반의 생활권 분류 연구가 진행되고 있다(Oh, 2014; Jeong and Moon, 2014; Ha and Lee, 2016). 이 접근방법은 통행시간, 통행거리, 통행목적 등과 같이 사람들의 생활패턴과 연관된 변수를 이용하여 생활권을 분류하며, 도시공간시설에 기반한 접근방법에 비해 다양한 생활패턴에 맞는 생활권을 분류할 수 있는 장점이 있다. 그러나 조사 예산과 단가의 문제로 가구통행실태조사의 표본율은 낮아지고 있는 실정이다(Kim et al., 2019a). 또한 생활권 분류 연구에 주로 사용되는 가구통행실태조사 데이터의 경우 설문오류 등으로 도출한 결과와 현실과의 괴리가 발생할 가능성이 있다(Choi and Yang, 2019).
따라서 최근 모바일 기지국 데이터의 로그 기록을 생활통행데이터로 가공하여 생활권을 수립하는 연구가 진행되기 시작했는데, 모바일 기지국 데이터는 휴대폰 가입자의 개별 이동 궤적을 확인할 수 있으며 그 수가 전수에 가깝고, 데이터의 시공간적 범위를 설정하는 데 있어 자유로우며 해상도가 높아 도시계획 및 도시정책 수립을 위한 생활권 분류에 매우 적합하다(Kim et al., 2020). 그러나 현재까지 진행된 생활권 관련 연구는 시간대별, 주중 ‧ 주말별 등 시간에 따른 생활권 분화 패턴을 비교하지 않았으며, 타 도시와 비교가 아닌 단일 도시의 생활권만을 분류하는 경향을 보였다. 따라서 본 연구에서는 모바일 기지국 데이터를 가공하여 만든 모바일 생활통행데이터를 활용해 시 ‧ 공간적 특성이 반영된 도시별 생활권을 분류하였다. 기존 생활권 관련 연구들이 가지고 있는 단순 생활권 분류에서 벗어나 인구 규모별로 다양한 위계의 생활권을 도출하였고, Community Detection 기법을 통해 분류된 생활권은 통행량의 연관성이 높은 읍면동을 군집한 것으로, 해당 분석의 결과만으로 도출되는 시사점에 한계가 존재할 것이라 판단, 도시별 시간대별 생활권의 면적 분석과 중심성 분석을 추가로 수행하고 도시별 시간대별 차별성을 관찰하여 이에 따른 교통계획적 측면의 시사점을 도출하였다.
선행연구 고찰
사람의 실제 통행을 고려한 생활권 분류 연구가 진행되기 이전에는 학교 또는 상업시설과 같은 중심시설과의 접근성 또는 근접성 등을 고려하거나(Park et al., 2011), 토지이용밀도, 설문조사, 공간구조변화 등을 고려하여 생활권을 수립하려는 연구가 주를 이루었다(Jung and Yu, 1988; Hwang and Kim, 2008). 생활권 계획 이론의 모체가 페리의 근린주구이론과 같은 도시계획이론이 주를 이루므로 자연스럽게 도시계획적 측면에서의 생활권 연구가 이루어졌다.
2010년대를 기해서 생활권 개념에 이동성 측면을 반영하기 위해 통행실태조사자료를 활용하였는데, 대부분의 연구에서 통근 ‧ 통학 등 가정기반통행량을 중심으로 생활권을 수립하여 다양한 통행목적을 반영하지 못한다는 한계점이 존재했다. 생활권 연구의 패러다임 변화에 관한 내용은 Figure 1과 같다.
1. 도시계획적 측면에서의 생활권 분류
Jung and Yu(1988)는 고용밀도, 지가, 주거밀도, 공업밀도, 상업업무밀도, 공공밀도, 공한지밀도 등 변수의 통계치를 기반으로 단순연관법 및 평균연관법을 사용하여 서울특별시의 생활권을 도출하였다. 토지유형 특성에 따라 생활권 내의 비유사도를 최소화시킴과 동시에 생활권 간의 비유사도는 최대화시키는 방식으로 생활권의 효율성을 측정하였다.
Ministry of Construction & Transportation(2006)은 생활권 단위 특성과 위계에 따라 기초, 지역, 도시생활권으로 구분하여 세종시의 생활권 도입 및 시설배치를 계획하였다. 생활권을 수립하는 기준은 인구 규모와 위치 및 도입기능 특성이었으며, 해당 수립기준에 따라 생활권을 임의로 설정하였다.
Hwang and Kim(2008)은 설문조사를 통한 시설이용행태를 바탕으로 분당, 일산신도시 등 기존 신도시개발에 적용되는 근린생활권 계획의 새로운 방향을 제시하였다. 설문조사를 기반으로 대형할인매장, 문화센터, 도서관 등이 생활권을 수립하는 기준 중심시설임을 주장하였다.
Kwon et al.(2008)은 수도권 내 24개 주거지를 대상으로 시기별 주거지의 생활권 개념과 공간구성의 변화 특성 등을 파악하여 향후 합리적인 생활권 계획의 방향을 모색하였다. 해당 연구에서는 복합커뮤니티센터, 상업시설, 자연환경, 보행 및 대중교통체계 등을 생활권 수립의 기준이 되는 인프라로 정의하였다.
Park et al.(2011)은 접근성을 기반으로 대구광역시 달성군의 생활권을 분석하였는데, 1단계로 우체국, 은행, 중학교를 생활권이 형성되는 중심시설로 선정한 뒤, 2단계로 GIS를 활용하여 중심시설의 영향권을 도출하였다. 3단계로 면적, 인구, 생활권 내 중심시설까지 거리 등을 통합하고 조정하여 생활권 경계를 결정하였으며, 마지막 단계로 설문조사를 통한 오차행열표 작성을 통해 도출된 생활권을 검증하였다.
2. 가구통행실태조사 자료를 통한 이동성 기반 생활권 분류
Oh(2014)는 가구통행실태조사 자료 중 통근통학 기종점통행량 자료를 활용하여 서울특별시의 생활권 규모를 분석하였다. 도보, 자전거 ‧ 마을버스, 승용차 ‧ 승합차 ‧ 시내버스, 지하철 등 4개 통행수단 그룹의 통평균 통행거리에 따라 반경을 네 개 위계로 구분하고, 각 반경의 위계 별로 근린 생활권, 소생활권, 중생활권, 대생활권 등으로 구분하여 실제 서울시 지도에 도식화하였다. 해당 연구는 통행반경을 기준으로 생활권을 구분하는 명확한 기준을 제시하였으며, 접근성 기반 도시계획시설의 효과적 배치를 위한 기준을 제시하였다는 의의를 가지고 있으나, 공간적 범위가 서울특별시에 한정되어 있으며 정확한 출도착 지점이 아닌 행정동 단위로 통행거리를 계산하여 도출한 거리에 오차가 존재한다는 한계를 가지고 있다.
Jeong and Moon(2014)은 가구통행실태조사 자료 중 통근 ‧ 통학 자료를 활용하여 서울특별시의 생활권을 도출하였다. 사회연결망분석 프로그램을 사용해 본 연구의 방법론인 Community Detection 기법을 사용하여 서울시를 네 개의 생활권으로 분류한 뒤 기존 서울시 생활권 계획과 비교하였다. 추가로 생활권 및 중심지 설정이 실제 데이터를 반영하는 지 여부를 검증하기 위해 유입-유출을 별도로 계산하며 직간접 통행을 전반적으로 고려하는 위세중심성지수를 도출하여 기존 서울시 기본계획의 3도심-7광역중심체계와 비교하였다. 해당 연구는 생활권 또는 도시공간구조 설정 시 지역 현황을 반영하는 방법을 제시하였다는 데 의의가 있으나 단일 도시인 서울특별시만을 대상으로 분석하였으며, 다양한 위계의 생활권을 고려하지 못했다는 한계가 있다.
Oh(2015)는 가구통행실태조사 자료 중 가정기반 목적통행을 대상으로 인천광역시의 생활권을 도출하였다. 먼저, 각 행정동 중심점간 거리를 계산한 뒤, 통행거리와 통행시간에 따라 통행수단을 도보, 시내버스, 승용 ‧ 승합, 지하철로 그룹화 하였다. 마지막으로, 통행수단별 그룹을 크기에 따라 위계별 생활권으로 구분한 뒤, 생활권을 기하학적인 원으로 가정하여 생활권 규모를 선정하였다.
Ha and Lee(2016)는 가구통행실태조사 자료 중 통근 통행 자료를 활용하여 수도권의 생활권을 재설정하였다. 통행수단 및 통행시간에 따라 기 ‧ 종점통행자료를 분리하여 구축하였으며, 이를 활용하여 소생활권, 중생활권, 대생활권, 광역생활권 등 4개 위계의 생활권을 도출하였다. 해당 연구는 실질적인 생활반경 측면에서 생활권을 구상하는데 기여할 수 있으며, 효과적인 대중교통노선 공급과 개선의 근거자료로 활용 가능하다는 데 의의가 있으나, 인구, 면적, 토지이용 등의 특성을 고려하지 못했다는 한계가 있다.
3. 모바일 데이터 활용 연구 동향
생활권 분석 등 사람들의 통행 행태 기반 분석을 위해 주로 사용되는 데이터는 전통적으로 조사 기반 데이터인 가구통행실태조사에 의해 수행되어왔으나, 조사 비용은 증가하는 데 반해 수집되는 데이터의 표본 수는 점차 감소되는 추세에 있으며, 사람이 수동적으로 기입하는 데이터이기 때문에 주요 통행을 제외한 통행의 누락이 발생해 신뢰도 측면에서 문제가 발생한다(Kim et al, 2019a).
이에 따라 조사 기반 데이터에 비해 표본이 전수에 가까운 모바일 데이터를 활용하여 사람들의 통행을 규명하려는 연구가 진행되고 있다. Chung et al.(2018)은 모바일 데이터를 가공하여 새로운 통행시간예산(Time Travel Budget) 산출 방법론을 소개하였다. 통행의 목적(출근, 퇴근)을 보다 명확히 파악하기 위해 21-60세, 평일, 통행패턴의 유사성 등을 고려하여 데이터를 선별하였으며 선별된 자료를 공간 정보화하여 통행거리, 통행시간 등을 도출하였다. 전체 통행시간 자료 중 3사분위수를 Q3, 1사분위수를 Q1이라 했을 때, 통행시간이Q3+1.5(Q3-Q1)보다 크거나 Q1-1.5(Q3-Q1)보다 작은 이상치를 연구에서 제외하여 세종시와 서울시 마포구 일대의 통행시간예산을 산출하였다.
Song and Lee(2018)는 새로운 형태의 모바일 기지국 데이터인 Signaling 데이터를 소개하고, 이동성 측면에서 활용 가능한 데이터셋 구축 방법론을 제시하였다. 모바일 기지국 데이터의 원천데이터에서 이상치를 삭제하는 데이터 전처리 방법론 및 활동기반 통행사슬 구축을 위한 통행특성 구분 - 통행순서 부여 - 통행목적 구분 - 통행수단 구분 - 통행사슬 형성의 5단계 데이터셋 구축법을 제시하였다.
한편, 모바일 데이터를 가공하여 생활권을 도출하려는 연구도 존재했다. Kim et al.(2020)은 SK 모바일 데이터를 가공하여 만든 기 ‧ 종점통행량 자료를 기반으로 서울특별시의 Multi-level 생활권을 도출하였다. 커뮤니티 분석 알고리즘 중 하나인 Louvain algorithm을 사용하였으며, 알고리즘의 Resolution parameter를 조정하며 다양한 위계의 생활권을 도출하였다. 해당 연구의 방법론 및 결과는 도시기본계획 수립 시 물리적 ‧ 비물리적 측면을 모두 포괄하는 참고 지표가 될 수 있다는 의의가 있으나, 연령, 성별, 시간대별 특성 등을 고려하지 못했다는 한계를 가지고 있다.
4. 연구의 차별성
첫째, 통행 특성에 따른 권역 생활권과 지역 생활권(15분 생활권 등)을 구분한 생활권을 도출했다. 기존 생활권 관련 연구 결과는 생활권(Neighborhood Unit) 규모를 통행특성에 따라 구분하지 않고 기존 도시기본계획 등에 의해 도출된 생활권과 단순 비교 분석했다. 둘째, 실제 통행데이터에 근거한 생활권역(Travel Boundary)을 정립했다. 가구통행실태조사는 설문조사이며 전체 표본수가 2% 미만인 데이터이기 때문에 해당 도시의 생활권역을 정의하는 데 있어 대표성에 한계가 존재한다. 본 연구는 실제 이동궤적 정보를 제공하며 표본 수가 약 30% 가까이 되는 대표성이 확보된 모바일 통행데이터를 활용했다. 셋째, 도시 인구수에 따른 생활권 특성 분석을 수행했다. 기존 연구 결과는 모두 단일 도시의 생활권 분석에 초점을 맞췄으나 본 연구에서는 인구가 상이한 다양한 도시들을 비교 분석하여 도시 규모에 따른 생활권 분화 특성을 제시했다. 마지막으로 시간 특성별 생활권 변화 양상을 파악했다. 맞춤형 교통계획 수립을 위해서는 시간대별로 적합한 교통서비스가 공급되어야 하나, 기존 연구에서는 일일 전체 통행량에 기반하여 생활권을 도출하여 통근 시간대 등의 통행특성을 반영하지 못하였다. 따라서 본 연구에서는 시간대별로 생활권의 분화 패턴을 비교 ‧ 분석하였으며, 주중과 주말의 통행특성의 차이가 존재하므로 주중과 주말 생활권의 분화 패턴을 비교했다.
분석 방법론
1. 분석 과정
본 연구에서는 도시별로 생활권을 시 ‧ 공간에 따라 분류하고 각 생활권의 특성 차이를 확인하기 위해 Figure 2와 같은 분석 과정을 거쳤다. 먼저, 모바일 데이터를 정방행렬 형태의 읍면동별 기종점통행량 데이터로 가공했다. 인구규모에 따라 대도시, 중도시, 소도시 등 4개 도시를 본 연구의 공간적 범위로 선택했다. 본 연구는 1)도시별 공간특성별 생활권 분화패턴 차이를 분석 하고, 2)시간 혹은 주중 ‧ 주말 특성별 생활권 분화패턴 차이를 분석했다. 공간특성 차이를 파악하기 위해 Multi-level 생활권을 도출 후 특정 수단(자전거) 속도를 기반으로 한 15분 생활권을 비교 분석했다. 시간특성을 살펴보기 위해 통행량이 많은 시간대와 적은 시간대를 분류했으며, 주중 ‧ 주말 분석은 일일 생활권을 도출 후 비교 분석했다. 추가로, Community Detection 적용에 따른 읍면동 군집은 생활권의 분화 패턴이 유사할 때 시간대별, 주중 ‧ 주말 별 비교 분석이 어려우므로, 시간대별, 주중 ‧ 주말별 Multi-level 생활권의 면적 분포와 읍면동별 중심성을 추가로 분석했다.
2. 생활권 분류 분석 방법론
본 연구에서는 읍면동 간 기종점통행량 자료를 기반으로 생활권을 도출하기 위해 Community Detection 기법을 사용하였다. Community Detection 기법은 Nodes와 Edges로 구성된 네트워크 구조를 집단 내 Edges의 Weight를 최대화함과 동시에 집단 간 Edges의 Weight는 최소화하는 집단으로 분리하는 분석 기법이다(Newman and Girvan, 2004). 이를 가공된 모바일 데이터에 적용하면, 통행이 발생하고 유입되는 읍면동 단위의 폴리곤이 Nodes가 되고, 읍면동 간의 통행발생 유무가 Edges가 되며, 통행량이 Weight가 된다.
Community Detection은 일반적으로 모듈성이 가장 높은 경우의 군집을 도출하는데, 모듈성이란 군집 내 상호연계성과 군집 간 상호배타성을 나타내는 척도로, -1에서 1 사이에 값을 가지며, 본 연구에서는 모듈성이 1에 가까울수록 생활권이 잘 도출되었다고 할 수 있다. 모듈성은 다음과 같이 표현한다.
Equation 1에서 Q는 생활권의 모듈성이고, m은 전체 링크 수를 의미하며, 양방향 링크를 나타내기에 2m으로 표현되어 있으나, 본 연구에서 사용한 기종점통행량 자료는 양방향 데이터가 구축이 되어있으므로 전체 링크 수를 m으로 표현하였다. Aij는 읍면동 i에서 j로 가는 통행량을 의미하며, ki와 kj는 각각 읍면동 i와 j의 통행발생량 및 유입량을 의미한다. ci와 cj는 읍면동 i, j가 할당되는 생활권을 의미하며, δ(ci, cj)는 i=j인 생활권 내 통행만 모듈성에 반영하고 생활권 간 통행은 0으로 취급하여 모듈성 산정에 반영하지 않음을 의미한다.
Community Detection 기법을 읍면동간 기종점통행량에 적용함에 따라, 네트워크 자료 내에서 읍면동이 Nodes가 되는데, 이 부분에서 읍면동 내 통행량, 즉 같은 Nodes 내를 통행하는 통행량을 어떻게 처리할 것인지에 따라 모듈성과 도출되는 생활권의 면적, 폴리곤 수 등이 달라지므로 이는 중요한 문제이다. 그러나 대부분의 Community Detection 관련 연구에서는 Aii, Ajj와 같은 통행량의 처리에 대해 고려하지 않았는데, He et al.(2020)은 전체 통행자의 50% 이상이 거주지 내에서 이동하며, 이러한 통행 패턴을 무시하면 통행 결과가 왜곡된다고 주장하였다. 본 연구에 사용된 모바일 생활통행데이터 역시 읍면동 내 통행이 상당 부분을 차지하고 있으므로 읍면동 내 통행을 반영하여 분석하였다.
Community Detection 기법을 활용한 여러 알고리즘들이 개발되었는데, 본 연구에서는 Lambiotte의 알고리즘을 분석 기법으로 채택하였다. 해당 알고리즘은 최적화된 생활권 분할 형태를 찾기 위해 네트워크 Markov Process의 자기공분산을 나타내는 Stability를 최적화한다(Lambiotte et al., 2008). 분류되는 생활권의 개수는 Resolution parameter인 t값이 증가함에 따라 감소하며, 알고리즘 반복 횟수를 나타내는 Rep parameter를 조정하여 여러 번의 반복 중 가장 모듈성 값이 높은 결과를 반환한다. Lambiotte의 알고리즘은 Resolution parameter를 조정하며 커뮤니티의 개수를 다르게 도출 가능하므로 생활권 분화의 변화를 보고자 하는 본 연구 중 인구 규모에 따른 도시별 생활권 분류에 적합한 기법이라 판단하였다.
연구자료 수집 및 기초분석
1. 연구의 범위
본 연구에서는 인구 규모에 따라 도시별로 도출되는 통행량 기반 생활권에 공간적인 차이가 있을 것이라 가정하고 있으므로, 분석 대상 도시를 선정하는 기준을 인구로 설정하고, 공간적 범위인 도시를 특별시, 대도시, 중도시, 소도시 등 4개 도시로 선정하였다. 인구에 따라 도시 위계를 대 ‧ 중 ‧ 소도시로 분류하는 기준은 학자마다 상이하였는데, Yim(2019)은 인구 20만 명이 중도시와 소도시를 분류하는 기준으로 적절하다고 주장하였으며, Jeong and Lee(2009)는 중소도시와 대도시를 분류하는 인구 기준을 100만 명으로 정의하였다. 또한 Shin et al.(2004)에서는 인구를 기준으로 도시계층을 대도시, 중대도시, 중도시, 중소도시, 소도시로 구분하였으며, 대도시와 중대도시를 구분하는 기준을 인구 100만, 중대도시와 중도시를 구분하는 기준을 인구 50만, 중도시와 중소도시를 구분하는 기준을 인구 30만 등으로 정의하였다. 본 연구에서는 대도시와 중도시를 구분하는 기준을 인구 100만, 중도시와 소도시를 구분하는 기준을 인구 20만으로 정의하고, 이에 부합하는 각각의 도시인 서울특별시(특별시, 986만(2017년)), 대전광역시(대도시, 151만(2017년)), 청주시(중도시, 84만(2017년)), 제천시(소도시, 14만(2017년))를 연구의 공간적 범위인 인구 규모별 도시로 설정하였다.
2. 모바일 기지국 데이터(Mobile Phone Signaling Data) 수집 및 생활통행데이터 가공
본 연구의 분석에 사용된 모바일 생활통행데이터는 휴대폰 사용자의 이동 수요를 파악하기 위해 KT 모바일 기지국 데이터를 가공하여 만들어진 데이터로, 출 ‧ 도착지 행정구역 코드, 출 ‧ 도착 시간대, 출 ‧ 도착 체류지 유형, 연령, 성별, 통행량 등의 정보를 담고 있다. 모바일 기지국 데이터는 자료의 수집 형태에 따라 통화 또는 문자 등 휴대폰을 사용할 때만 로그가 기록되는 CDR(Call Detailed Record)와 휴대폰 가입자가 기지국을 이동할 때 혹은 일정 시간 간격으로 로그가 기록되는 Sightings 데이터로 나뉜다(Won et al., 2021). 이 중 본 연구에서 사용한 데이터는 Sightings 데이터로, CDR 데이터와 달리 휴대폰을 사용하지 않더라도 일정 시간 간격으로 기록되기 때문에 시 ‧ 공간적 해상도가 매우 높아 통행패턴 등 이동성 관련 분석을 수행하기에 적합하다(Chen et al., 2016).
사람들의 생활패턴 표출을 위한 생활통행데이터를 가공하기 위해, Kim et al.(2018)는 Figure 3과 같이 4단계에 걸친 생활통행데이터 구축 방법론을 제시하였다. 첫 번째, 모바일 기지국 원천데이터에서 Null 값을 제거하고 Handover1) 데이터를 보정하는 전처리 과정을 수행하였다. 두 번째, 각 로그의 체류종료시간과 체류시작시간의 차를 나타내는 체류시간을 기준으로 이동2)과 체류3)를 구분하였다. 세 번째, 출발지와 도착지를 구분하기 위해 로그가 기록된 일자, 체류시작시간, 체류종료시간을 기준으로 하여 로그 기록순으로 개별 통행 데이터를 정렬하였으며, 마지막으로 주상주지역 또는 잠재활동지역을 출발지 ‧ 도착지로 간주하고 통행량을 집계하였다.
또한 Kim et al.(2018)는 가공된 생활통행데이터의 모빌리티 분석을 위한 공간적 표준을 정의하기 위해, 4단계에 걸쳐 모바일 생활통행데이터 기반맵 폴리곤 데이터를 구축하였다. 첫 번째로, 보로노이 기법을 활용해 주 기지국의 가상 셀 반경을 설정하였다. 두 번째로, 기지국 수신범위와 집계구를 중첩하여 기지국과 집계구가 최소 1:1 혹은 N:1이 되도록 범위를 조정하며, 하나의 기지국의 수신 범위가 여러 집계구에 걸쳐있는 경우 하나의 집계구로 병합하였다. 세 번째로, 면적이 지나치게 작게 형성되거나, 동일 기지국 수신 범위 내 위치해 하나의 기반 맵 폴리곤으로 형성되지만 물리적으로 거리가 떨어진 경우, 면적이 가장 넓은 하나의 폴리곤을 제외한 나머지 폴리곤을 인접 폴리곤과 병합하여 보정하였다. 마지막으로, 강 위에 폴리곤이 위치하거나, 실제 기지국 위치가 매칭된 맵 폴리곤보다 다른 맵 폴리곤에 더 가까운 경우, 동일한 행정동에 속해 있는 인접 폴리곤과 병합하였으며, 최종적으로 가공된 기반 맵 폴리곤의 크기는 Figure 4와 같이 읍면동의 1/5 수준으로 작으며, 집계구보다는 큰 공간적 단위로 형성되었다.
3. 기초분석
각 위계별 도시의 일일(2017년 1월 4일 수요일) 총 통행량을 분석한 결과, Figure 5와 같이 서울특별시에서 33,709,779통행, 대전광역시에서 5,792,303통행, 청주시에서 2,563,069통행, 제천시에서 286,001통행이 나타났다. 성비는 대전, 청주, 제천의 경우 남성이 여성보다 많았으나, 서울의 경우 여성이 남성보다 많은 것으로 나타났다. 연령대는 특별시에서 소도시로 갈수록 20대와 30대의 비율은 적어지고 40대 이상의 비율이 많아지는 것으로 나타났다. 시간대별 통행량의 경우, 서울시가 가장 많으며, 특정 시간대 통행이 눈에 띄게 증가와 감소를 반복하는 것으로 나타났고, 이러한 추세는 도시의 인구 규모가 감소할수록 줄어드는 특성을 보였다.
분석 결과
1. 도시별 Multi-level 생활권 도출
2017년 1월 4일 수요일의 모바일 생활통행데이터에서 본 연구의 공간적 범위인 서울특별시, 대전광역시, 청주시, 제천시의 읍면동 간 기종점통행량 데이터를 추출한 뒤 Lambiotte의 알고리즘을 적용, Resolution parameter 값을 조정하며 각 도시별 Multi-level 생활권을 도출하였다. 서울특별시의 경우, 도출되는 생활권의 개수가 parameter에 따라 2-15개로 가장 다양하였으며, 대도시인 대전광역시의 경우 2-10개, 중도시인 청주시의 경우 2-11개, 제천시의 경우 2-10개의 생활권으로 분화되었다. 분석 결과는 Figure 6과 같다.
Table 1과 같이, 각 도시별 Multi-level 생활권의 모듈성은 서울시가 최소 약 0.42에서 최대 약 0.71 정도의 모듈성을 갖는 것으로 나타났고, 대전이 최소 약 0.31에서 최대 약 0.64, 청주가 최소 약 0.09에서 최대 0.58, 제천이 최소 0.09에서 최대 0.35인 것으로 나타났다. 생활권의 level이 같을 때, 인구 규모가 큰 도시로 갈수록 모듈성이 높아지는 경향을 보이는데, 이는 인구 규모가 큰 도시일수록 생활권 내의 통행이 생활권 간 통행에 비해 빈번하게 일어나고 있다는 것을 뜻한다. 따라서 해당 분석의 결과는 인구 규모가 커 통행 발생 및 유입량이 높은 도시일수록 Community Detection 적용 시 생활권의 분화가 유의미하고 활발하게 이루어지나, 청주시, 제천시같은 중소도시들은 상대적으로 유의미한 생활권 분화가 이루어지지 않을 수 있으므로 보다 해상도가 높은 공간적 범위를 선택하거나, 추가적인 공간분석이 필요함을 보여준다.
Table 1.
Modularity of multi-level travel boundary in each city
인구 규모에 따른 도시별로 도출된 Multi-level 생활권 중, 동일한 교통수단에 관한 체계를 정립하고 정책을 수립하기 위해 도출한 생활권이 도시별로 어떠한 분화 패턴 차이를 보이는지를 확인하기 위해, 본 연구에서는 교통수단 중 자전거 수단을 예로 들었는데, 최근 프랑스 파리, 스페인 마드리드 등에서 개발되었으며, 자전거로 15분 이내에 도달 가능한 공간적 범위를 뜻하는 ‘15분 생활권’의 개념에 맞추어 각 도시별 Multi-level 생활권 중 반경이 자전거의 15분 평균 이동 거리와 가장 근접하게 매칭되는 level의 생활권을 도출하였다.
Kim et al.(2019b)의 사례를 참고하여, 자전거 평균주행속도를 20km/h로 가정하였으며, 이를 15분 평균 이동 거리로 환산하면 약 5km이다. 생활권 별 이동거리 산출을 위해 각 생활권 별로 중심점을 도출하고, 각 중심점에서 방위별 직선 거리를 도출하여 4개 직선 거리의 평균 이동거리를 도출하였다.
분석 결과, Figure 6에 표시된 것과 같이 서울특별시의 15분 생활권은 n=7일 때 반경이 4.9km로 가장 적합한 것으로 나타났으며, 대전광역시의 경우 n=6일 때 반경이 4.6km, 청주시의 경우 n=8일 때 반경이 4.4km, 제천시의 경우 n=7일 때 반경이 4.75km로 15분 생활권에 가장 적합한 것으로 나타났다. 추가로 도시별 15분 생활권 적용 가능성을 파악하기 위해 각 도시별 생활권별 반경의 표준편차를 도출한 결과, Figure 7과 같이 서울특별시의 경우 0.91km, 대전광역시는 1.55km, 청주시는 1.89km, 제천시는 3.51km로 대도시로 갈수록 생활권 반경의 편차가 작아져 15분 생활권 개념을 적용하기에 적합하나, 청주시와 제천시의 경우 읍 ‧ 면 ‧ 리가 합쳐진 거대한 소외생활권이 형성됨으로 인해 생활권 반경의 표준편차가 커져 15분 생활권 개념을 적용하기에 부적합하며, 이를 극복하기 위해 읍면동보다 높은 해상도의 공간적 범위가 필요한 것으로 나타났다.
2. 시간대별 생활권 분류
2017년 1월 4일(수) 기준 데이터를 활용하여 시간대별 통행량을 분석한 결과, 주간 시간대 중 10-11시에 통행이 가장 적은 것으로 나타났으며, 12-13시, 18-19시에 통행량이 가장 많은 것으로 나타났다. 서울연구원(Seoul Metropolitan Government, 2018) 등과 같이 차량 기반의 첨두 시간은 07-09시, 18-20시 등으로 나타나나, 본 연구에서 사용한 모바일 생활통행데이터의 경우 사람의 통행에 모든 교통수단이 반영되므로 도보, 자전거 등의 통행이 반영되어 12-13시에 통행량이 많은 것으로 나타났다. 따라서 시간대별 생활권 분화 패턴의 확인을 위해, 주간 시간대 중 통행량이 가장 낮은 10-11시, 통행량이 가장 높은 12-13시(오후), 18-19시(저녁)시간대 등 3개 시간대의 생활권 분화 패턴을 도시별로 비교 분석하였다. 각 도시별 시간대별 Multi-level 생활권 중, 모듈성이 가장 높은 level의 생활권을 해당 시간대의 최적 생활권으로 정의하여 도시별로 최적 생활권끼리 비교하였다.
분석 결과, Figure 8과 같이 서울특별시의 경우 10-11시의 최적 생활권 수는 10개이나, 12-13시에는 14개, 18-19시에는 13개로 점심시간대 생활권 분화가 활발하게 발생되는 것을 알 수 있었다. 대전광역시의 경우 10-11시 10개, 12-13시 9개, 18-19시 10개로 시간대별로 눈에 띄는 생활권 분화 패턴의 차이가 미미하였으며, 청주시는 3개 시간대 모두 최적생활권 개수가 9개로 생활권 분화 패턴의 차이가 거의 없었다. 제천시의 경우도 마찬가지로 10-11시 8개, 12-13시 7개, 18-19시 8개로 생활권 분화 패턴에 큰 차이는 없는 것으로 나타났으며, Table 2와 같이 공통적으로 모든 도시에서 오전, 오후 시간대에 비해 저녁 시간대 생활권의 모듈성이 낮은 것으로 나타났는데, 이는 퇴근시간대 생활권 간 이동이 활발하다는 것에서 기인한 결과라 해석할 수 있다.
Table 2.
The modularity of high-modularity travel boundary by time in each city
| Seoul | Daejeon | Cheongju | Jecheon | |
| 10AM-11AM | 0.729 | 0.647 | 0.598 | 0.392 |
| 12PM-1PM | 0.754 | 0.645 | 0.588 | 0.381 |
| 6PM-7PM | 0.623 | 0.575 | 0.524 | 0.290 |
Community Detection을 통해 읍면동 단위의 공간을 군집하는 경우, 시간대별 또는 주중 ‧ 주말별 분석을 수행할 때 유사한 군집이 도출되어 시사점 도출이 불가능해질 수 있음을 고려, 시간대별 Multi-level 생활권의 면적과 시간대별 읍면동별 중심성 분석을 추가로 분석하였다. 시간대별 Multi-level 생활권 면적 비교 결과, Figure 9와 같이 서울특별시와 대전광역시는 생활권 개수에 관계없이 생활권 면적 차이가 크지 않아 교통수단별 생활권 계획을 수립하기에 적합하나, 청주시와 제천시는 생활권 간 면적의 편차가 커 교통수단별 생활권 계획 수립에 적합하지 않은 것으로 나타났다.
본 연구에서는 읍면동 통행량이 적은 시간 대비 많은 시간의 중심성 변화를 비교분석하는 데에 Pagerank 지수를 사용하였다. Pagerank 지수란, 네트워크에서 특정 결절점(읍면동)이 통행량을 유인하는 정도를 뜻하는 지표로, 0에서 1 사이의 값을 지닌다(Ha and Lee, 2016). Pagerank의 시간대별 증감 비교를 위해 12-13시 또는 18-19시의 읍면동 Pagerank에서 10시의 Pagerank를 나눈 값을 분석 지표로 활용하였으며, Equation 2에서 C(A)는 읍면동 Ai의 i 시간대별 중심성 지수, PR(A)는 읍면동 Ai의 시간대에 따른 Pagerank를 뜻한다. 값이 1보다 클 경우 해당 읍면동은 12-13시 또는 18-19시에 중심지 성격을 띄며, 1보다 작을 경우 10시에 중심지 성격을 띄는 것으로 해석할 수 있다.
분석 결과, Figure 10과 같이 서울특별시는 통행량이 적은 시간대와 통행량이 많은 시간대의 읍면동 중심성 차이가 발생하며, 10-11시를 기준으로 12-13시보다는 18-19시에 중심성 차이가 활발하게 발생하는 것으로 나타났다. 이에 반해 대전광역시, 청주시, 제천시의 경우 시간대에 따라 중심성의 차이가 거의 발생하지 않는 것으로 나타났다.
3. 주중 ‧ 주말 생활권 분류
인구 규모별로 구분한 도시들의 주중 ‧ 주말 생활권 분화 패턴의 차이를 확인하기 위해, 본 연구에서는 2017년 1월 4일(수) 데이터와 동년 1월 7일(토) 기종점통행량 데이터에 Community Detection 기법을 적용, 주중과 주말의 Multi-level 생활권을 도출한 뒤 모듈성이 가장 높은 생활권을 최적 생활권으로 도출, 주중과 주말의 생활권 분화를 비교하였다.
분석 결과, Figure 11과 같이 서울특별시의 경우 최적생활권의 개수가 주중은 14개, 주말은 13개로 나타났고, 대전광역시는 주중 10개 주말 10개, 청주시는 주중 10개 주말 11개, 제천시는 주중 7개 주말 6개로 나타났다. 모듈성의 경우 Table 3과 같이 서울특별시, 대전광역시, 제천시는 주중보다 주말의 모듈성이 다소 높은 것으로 나타났으나 청주시는 주말의 모듈성이 주중보다 다소 높은 것으로 나타났다. 종합적으로 주중 ‧ 주말 생활권을 비교하는 경우는 생활권 분화 형태나 모듈성만으로는 도시별 특성을 판단하기 힘든 것을 확인하였다.
Table 3.
The highest modularity value on weekdays and weekends
| Seoul | Daejeon | Cheongju | Jecheon | |
| Weekday (1/4, Wednesday) | 0.710 | 0.635 | 0.578 | 0.357 |
| Weekend (1/7, Saturday) | 0.733 | 0.641 | 0.577 | 0.361 |
시간대별 분석과 마찬가지로, 읍면동 단위 생활권 군집에서는 볼 수 없는 시사점을 도출하기 위해 2절과 같이 면적 및 중심성 비교 분석을 수행하였다. 면적 분석 결과, Figure 12와 같이 주중과 주말 간에 눈에 띄는 차이는 없었으나 시간대별 면적 분석과 마찬가지로 도시 간의 면적 차이가 확연하게 드러났으며, 주중 Pagerank 지수에서 주말 Pagerank 지수를 나눈 값을 기준으로 읍면동 별 중심성 분석을 수행하였다.
분석 결과, Figure 13과 같이 대전과 청주는 주중 ‧ 주말 간 중심성 변화가 거의 일어나지 않았으나, 서울특별시는 여의도, 종로, 강남 등 일부 읍면동을 중심으로 중심성 변화가 발생하였고, 제천시는 주중 ‧ 주말 간 중심성 변화가 대부분의 행정구역에서 발생하고 있다는 것을 확인하였다. 이는 서울특별시와 제천시가 가지고 있는 역사 ‧ 문화적, 관광적 특성에 의한 것으로 해석할 수 있다.
결론
본 연구는 사람들이 실제 이동 궤적을 담고있는 모바일 생활통행 데이터를 활용하여 인구규모별 도시의 통행 생활 반경을 제시하고자 했다. 기존 연구의 주 차별성인 도시계획의 측면의 생활권 선정(neighborhood unit)이 아닌 실제 이동한 이력 데이터를 기반으로 통행 생활반경(travel boundary)를 도출했다. Community Detection 기법 중 하나인 Lambiotte 알고리즘은 서울, 대전, 청주, 제천시에 적용되어 모듈성에 기반한 Multi-level의 생활반경 분석 결과를 제시하는 데 사용되었다. 아울러, 공간별 특성 분석을 파악하기 위해 “15분” 생활권 개념을 도입 후 도시 간 비교 분석하여 공간적 분화 패턴을 살펴봤다. 공간적 특성 분석 결과 대도시로 갈수록 생활권 간의 통행반경이 감소하는 경향을 보여 교통수단별 계획 수립에 적합한 것으로 나타났다. 반면에 청주 및 제천과 같은 중소도시는 읍과 면이 합쳐진 반경이 큰 소외지역생활권이 동일 생활반경으로 형성되는 것으로 나타났다. 시간적 특성 분석은 시간대별과 주중 ‧ 주말로 나누어 생활권 분화 특성을 파악했다. 분석 결과, 읍면동 수준으로 집계된 분석 데이터는 Community Detection 기법을 활용 시 유의한 차이점을 발견하지 못했다. 따라서 본 연구에서는 한계점을 보완하고자 시간대별 생활반경 차이를 분석하기 위해서 중심성 분석을 실시했다. 서울시는 점심시간대 식사를 위한 보행 이동 등의 통행이 주를 이뤄 생활권 분화가 활발한 양상을 보인 반면 타 도시는 뚜렷한 분화 패턴이 보이지 않았다. 본 연구의 결과는 모바일 빅데이터를 활용하여 데이터 기반의 지역 맞춤형 대중교통 및 모빌리티 서비스 활용에 필요한 기반 정보로 사용될 수 있을 것으로 판단된다.
본 연구는 추후 연구를 위해 다음과 같은 한계점을 보완해야 한다. 첫째, 공간적 범위는 행정구역으로 구분되었기 때문에 경계선 상에 발생되는 생활 반경을 도출하지 못했다. 추후 수도권 혹은 전국 단위로 공간적 범위를 확장하여 분석한다면 인접 지역에서는 다른 생활 반경 패턴이 보일 것으로 판단된다. 둘째, 읍면동 데이터 자체가 고해상도의 데이터라 하기에는 한계점이 존재한다. 단거리 통행에 대한 생활 반경 선정은 500m 이내의 통행을 구분할 수 있도록 더욱 세밀하게 구분된 집계구 혹은 기초단위구역 등과 같은 고해상도의 GIS 폴리곤 정보를 기반으로 해야 할 것이다. 마지막으로 본 연구는 시 ‧ 공간의 차별성을 분석하는데 초점을 맞추고 있으나 생활 반경은 다양한 인적 특성(성별 ‧ 연령 ‧ 소득 등)에 따라 상이할 것으로 판단된다. 따라서 인적특성별 생활 패턴을 나눠서 분석한다면 더욱 의미있는 시사점을 도출할 수 있을 것으로 판단된다.
