서론

코로나19 팬데믹과 이에 대응하기 위해 도입된 정책에 의한 충격은 국민의 통행패턴을 급격하게 변화시켰다. 그 결과 통행의 관점에서 과거 사회경제 변화나 정책 시행으로 관측할 수 없었던 다양한 변화가 나타났다. 팬데믹 기간 중 2020년의 인·통행 거리는 전년 대비 평일 88%, 주말 83% 수준까지 감소하였으며, 차내 감염 우려로 대중교통 이용률이 감소함과 동시에 개인 승용차에 대한 선호도는 증가하였다(Jang et al., 2021).

일반적으로 통행 발생의 변화는 통행 발생 지역의 토지이용 특성과 및 소득, 가구원 수, 자동차 소유 여부 등 해당 지역 내의 인구·경제적 특성을 활용한 거시모형으로 측정된다. 하지만, 코로나 기간처럼 일 단위로 급격하게 변화되는 통행은 전통적인 통행발생 모형으로 설명하기에는 무리가 있다. 학술적인 측면에서 단기 통행 변동을 어떻게 정의할 것인가는 모형 개발만큼 중요한 요소이다. 또한 정책 개발 측면에서도 환경 변화에 의한 충격과 정책 시행에 따른 영향을 사전에 인지할 수 있다면 신뢰성 있고 일관성 있는 대안을 발굴할 수 있을 것이다(Cho et al., 2021).

따라서 기존 방법론과 차별되는 심층적인 분석 방법의 필요성이 자연스럽게 대두된다. 과거와는 상이한 양상으로 관측된 통행의 변화가 단기적인 변동으로만 그칠 것인지 아니면 중장기적인 변화를 야기할 것인지 구분할 수 있다면 이동성 관리 정책의 운영 전략은 확연하게 달라질 수 있다. 다시 말해 계량적 분석 모형을 기반으로 통행 변화에 인과성을 갖는 요인의 영향과 정도를 정책 시행 전후로 구분하여 비교 분석할 수 있다면 해당 정책의 목표를 일관성 있고 신뢰성 있게 지원할 수 있을 것이다.

본 연구를 통해서 달성하고자 하는 목적은 계량 모형을 활용하여 코로나19 팬데믹 기간 중 관측된 모빌리티 변화에 영향을 준 요인을 탐색하여 인과관계를 규명하고, 이를 통해 이동성 관리 정책이 모빌리티 변화에 미친 충격(영향)을 분석하는 데 있다. 즉, 사회적 여건 및 정책의 변화에 따라 이동성이 충격을 받아 단기와 중장기에 걸쳐 어떻게 동태적으로 변동하는지를 분석하는 것이 본 연구의 목적이다. 모빌리티 변화의 원인을 분석할 수 있는 모형을 구축하는 목적은 팬데믹과 같은 위기 상황에서 각종 정책의 변화가 모빌리티 변동에 미치는 정도를 사전에 분석하고 그 예측된 전망에 따라 관련 정책의 결정을 지원하는 것이며, 그에 따라 정책 시행의 타당성 및 효과성을 제고하는 데 본 연구의 의의가 있다.

본 연구는 다음과 같은 구성을 따른다. 2장에서는 기존에 수행된 코로나19에 따른 통행 변화와 원인을 분석한 문헌을 고찰한다. 3장에서는 모바일 데이터를 활용한 통행사슬 데이터 구축 방법과 모빌리티 변동 분석을 위한 방법론을 설명한다. 이어지는 4장과 5장에서는 본 연구의 변수와 분석대상 통행을 설명하고, 모빌리티 변동 분석의 결과를 서술한다. 마지막으로 6장에서는 연구 결론과 정책 제안, 향후 연구 등을 제시한다.

선행연구 고찰

팬데믹 기간 중 모빌리티 변화와 관련된 다양한 연구가 국내외에서 수행되었다. 선행 연구는 주로 교통수단 이용률 변화와 영향 요인을 분석한 논문이 많았다. 코로나 발생 초기에는 데이터 구득의 한계로 주로 과거 동기 대비 통행량 변화 자체를 비교하는 연구가 수행된 반면 팬데믹 기간이 장기화되며 통행과 관련된 다양한 데이터와 계량 모형을 활용하여 통행의 변화와 그 요인을 탐색하는 연구가 활발히 수행되었다.

먼저 코로나 발생 초기 수행된 통행량 변화에 대한 논문을 검토하였다. Lim(2020)은 코로나19가 도로 교통수요에 미치는 영향을 분석하였다. 도로 교통량 변화를 분석하기 위해 국토교통부에서 제공하는 2019년에서 2020년 1-5월까지의 상시 교통량 조사자료를 이용하였다. 분석 결과, 일평균 교통량은 전년 동기보다 3.3% 감소하였으며 주중보다는 주말 교통량 감소 폭이 큰 것으로 나타났다. 또한, 상관관계 분석을 통해 월별 교통량과 월별 확진자 수가 강한 음의 상관관계가 있는 것으로 규명하였다. Lee et al.(2020)은 교통수단별 통행량 변화를 분석하였다. 대전시 교통데이터웨어하우스에서 제공하는 2018년부터 2020년까지의 고속도로 입출구 교통량, 지하철 승하차 인원, 공유자전거 이용량 등의 데이터를 활용하였다. 통행량 분석 결과 도로 교통량, 버스 통행량, 지하철 통행량 모두 2019년 대비 감소하였으며, 특히 주중에 비해 주말의 통행량 감소가 큰 것으로 나타났다. 이에 반해 공유자전거 이용량은 주중, 주말 모두 2019년 대비 60% 이상 증가한 것으로 나타났다. 해당 논문에서는 이러한 통행량의 변화가 감염병으로 인한 통행 위축과 심리적 불안감에 기인한 것으로 해석하지만 구체적인 연관성 분석은 수행하지 않았다. Lee(2021)는 구글社에서 제공하는 지역사회 이동성 보고서를 활용하여 팬데믹 기간 대전시의 교통량 변화를 분석하였다. 2019년 1-10월, 2020년 1-10월 데이터를 이용하여 각 교통수단의 증감률을 분석하였으며, 앞선 연구 결과와 유사하게 전철과 도로 교통 통행량은 감소하였으며, 공공자전거의 이용률은 증가한 것으로 나타났다. 상관분석 결과 대전시의 교통량은 확진자 수와 상관관계가 있는 것으로 분석되었는데, 특히 대전시 내의 확진자 수보다는 전국 단위의 확진자 수와 강한 음의 상관관계가 있는 것으로 규명되었다. 코로나 발생 초기 수행된 연구는 통행량 변화 자체를 파악하는 연구가 많았다. 확진자 수와 통행량 변화 간의 상관관계를 규명한 연구(Lim, 2020; Lee, 2021; Han et al., 2021)들이 일부 존재하긴 하지만 상관관계 분석을 활용하여 현상을 분석하고, 해석하는 연구가 주를 이루었다.

이후 팬데믹 기간을 지나오며 사람들의 통행 변화의 원인을 더욱 명확하게 규명하기 위한 다양한 시도들이 있었다. Lee et al.(2021)은 시계열 회귀분석을 활용하여 코로나 확산(확진자 수)에 따른 도시철도와 공유자전거 이용자 수의 변화를 분석하였다. 연구 결과 서울시의 코로나 확진자 수 증가는 지하철 수요를 감소시키고 공유자전거 수요는 증가시킨다는 결과를 도출하였다. 하지만, 확진자 수의 증가가 두 수단 간 대체 비율과는 유의미한 상관관계가 존재하지 않아 확진자 수 증가에 따른 도시철도 이용자 수의 감소가 공유자전거 이용자 수의 증가로는 이어지지 않는 것을 확인하였다. Shin and Choo(2022)는 통계적 모형을 활용하여 개인 통행 특성과 지역 특성이 팬데믹 기간 공유 모빌리티 이용 변화에 미친 영향을 규명하였다. 해당 연구에서는 1, 2기 신도시에서의 공유 모빌리티 변화를 분석하기 위하여 순서형 프로빗 모형을 채택하였다. 경기주택도시공사에서 실시한 설문조사에서 추출한 5 척도의 코로나 이후 공유 모빌리티 이용 변화를 종속변수로 선정하였으며, 독립변수는 개인특성변수(연령, 성별, 통근시간 등)와 지역특성변수(용도별 토지이용면적, 대중교통공급도 등)를 구분하여 분석을 수행하였다. 주요한 분석 결과를 살펴보면 상업·업무지역 면적 비율이 높은 지역 거주민들의 코로나 이후 공유 모빌리티 이용이 감소한 것으로 나타났다. 연구에서는 해당 결과를 사회적 거리두기 정책과 재택근무 등의 도입 활성화의 결과로 해석하고 있다. Kim and Jung(2022)은 로지스틱 회귀분석을 활용하여 개인 교통으로의 수단 전환에 대한 분석을 수행하였다. 설문조사를 통해 부산시 거주민의 코로나 발생 전후 목적 통행의 횟수, 주 교통수단, 감염에 대한 불안감 등을 조사하였다. 분석 결과 감염에 대한 불안감이 높을수록 수단 전환 확률이 높았으며, 백신을 접종한 경우 수단 전환이 더 적게 이루어지는 것으로 나타났다. 연구에서는 백신 접종이 통행자들의 감염 불안감을 낮추어 수단 전환 확률이 낮아진 것으로 해석하였다. Kim and Kim(2023)은 대중교통 카드 데이터를 활용하여 읍면동 단위의 대중교통 통행량의 변화를 지역별 특성으로 설명하고자 하였다. 순서형 로지스틱 회귀 모형을 활용하였으며, 독립변수로는 인구 특성, 공간적 특성, 통행 특성, 전염병 특성 등을 활용하였다. 분석 결과, 기초생활수급자의 비율, 등교 통행 비율이 높은 지역에서 수요변화가 크지 않은 것으로 나타나 지역의 특성을 고려한 교통정책의 수립이 필요하다고 밝히고 있다. Fisher et al.(2023)은 선형 회귀분석을 통해 팬데믹 초기 미국 내에서의 교통량 감소와 그에 영향을 미친 시간적, 공간적, 정책적 요소를 연구하였다. 해당 연구는 코로나19가 일일 교통량에 미치는 영향을 측정하는 것을 목표로 두 달간의 일 교통량을 수집하여 정부 조치, 감염률, 사회 인구가 교통량에 미치는 영향을 분석했다. 연구 결과, 코로나19 감염 상황이 직접적으로 교통량 감소에 영향을 미친 것이 아니라 감염자 발생에 따라 정부의 규제가 강해졌고, 정책에 따라 교통량이 감소한 것으로 나타났다. 이러한 선행 연구의 결과를 종합하면 코로나 기간 중 발현된 통행의 변화는 주로 확진자 수에 영향을 받고 통행 발생 지역의 특성, 감염병 확산에 대한 불안감 등 다양한 요인에 의해 야기된다는 것을 추론해 볼 수 있다.

앞서 언급된 선행 연구들을 살펴보면 코로나19라는 전례없는 감염병의 확산이 국민들의 통행에 다양한 변화를 가져온 것을 알 수 있었다(Table 1). 하지만 실질적으로 사회적 거리두기 정책이 통행에 미친 영향 정도를 분석한 연구는 찾아보기 어려웠다(Fisher et al., 2023). 일부 국내 연구에서 통행 변화의 요인을 분석할 때, 거리두기 정책(Shin and Choo, 2022), 백신 접종(Kim and Jung, 2022), 재택근무 시행(Shin and Choo, 2022)의 영향을 간접적으로 언급하기는 했지만, 연구 결과에 대한 해석일 뿐 실제 이동성 관리 정책에 따른 통행의 변화를 설명했다고는 보기에는 다소 무리가 있다. 또한, 대부분의 선행 연구는 일단위 혹은 윌단위의 전체 통행량을 기준으로 하고 있어 심야 이동과 모임 인원 수를 제한한 사회적 거리두기 정책의 영향을 확인하기는 어려웠으며 통행 목적별로 거리두기 정책의 영향도를 세분화하여 분석한 경우는 찾아보기 어려웠다(Hamid and Zandiatashbar, 2021; Yang and Park, 2023).

본 연구에서는 통행의 변동에 영향을 미치는 코로나 상황, 거리두기 정책 등 다양한 요인이 모빌리티라는 보다 큰 개념에 내재되어 있다고 가정하고 연구를 진행하였다. 따라서 본 연구는 1) 사회적 거리두기 정책, 확진자 수, 통행량 사이의 상호관계와 영향 정도를 분석할 수 있는 벡터자기회귀(Vector Auto-Regressive, VAR) 모형을 활용하여, 이동성 관리 정책이 실질적으로 모빌리티 변동에 어떠한 영향을 미쳤는지 분석한다는 점, 2) 통행목적과 시간대별 통행량을 분석할 수 있는 모바일 기지국 데이터를 활용하여 이동성 관리 정책의 효과를 더욱 세밀하게 분석한다는 점에서 기존 연구들과 차별성을 갖는다.

방법론

본 연구는 크게 모바일 기지국 데이터를 활용한 모빌리티 분석 파트와 모빌리티 분석 결과 도출된 통행사슬 데이터와 코로나 관련 데이터를 활용한 모빌리티 변동 분석 파트로 구분된다(Figure 1 참고). 먼저, 모빌리티 분석 파트에서는 모바일 기지국 데이터로부터 체류지, 통행목적 등을 포함한 통행사슬을 추출한 뒤, 시공간 분석을 통해 지역별 대표 통행패턴을 찾고, 클러스터링 분석을 통해 분석 대상 대표 지역을 선정하였다. 이후 모빌리티 변동 분석 파트에서는 통행량, 확진자 수, 거리두기 단계를 입력자료로 하여 VAR 모형을 통해 대표 지역별로 사회적 거리두기 정책에 따른 모빌리티 변동을 분석하였다.

Figure 1.

Process of the research

1. 모빌리티 분석

모빌리티 분석을 위해서 본 연구에서는 ‘2020년도 국가교통조사’에서 수집된 모바일 기지국 데이터를 활용하였다. 모바일 기지국 데이터를 활용하면 모바일 통신기기가 연결된 기지국을 기반으로 하여 개인이 이동한 전체의 위치를 순서에 따라 파악할 수 있을 뿐만 아니라 기지국과 연결된 시점에서의 시간까지 확인할 수 있다. 특히 2020년 기준으로 국내 스마트폰 보급률이 93%를 넘기고 있어(Jung and Kim, 2020) 거의 국민 전수에 가까운 표본집단을 분석에 활용할 수 있다는 장점이 있으며 특히 사용자가 이동하거나 체류하고 있을 때 모두 데이터 수집을 할 수 있어 그 분석적 활용 범위가 매우 넓다.

본 연구에 활용된 모바일 기지국 데이터는 모바일 통신기기와 기지국 간 송수신 정보를 포함하고 있는 데이터로, 기지국의 위치를 기반으로 사용자의 시간에 따른 통행 궤적을 추정할 수 있다. 모바일 기지국 데이터는 모바일 Signal 데이터 및 CDR(Call Detail Record) 데이터로 구분할 수 있다(Fekih et al., 2019). CDR 데이터는 모바일 통신기기를 통해 문자 전송, 전화 등 이동통신을 이용할 경우에 생성되는 데이터로 통신 요금을 산출하기 위해 생성되는 데이터이며, Signal 데이터는 모바일 통신기기 사용 여부와 관계없이 통화 단절을 최소화하기 위해 모바일 통신기기와 기지국이 지속해서 송수신하는 신호 내역을 기록한 데이터이다. 다만, 이 데이터는 이동 중에는 인접 기지국에 연결을 대기하는 핸드오버 오류가 발생함에 따라 모바일 데이터 활용 전 오류 보정 작업이 필요하다.

본 연구에서는 2020년 11월과 12월의 모바일 기지국 데이터에서 추출된 기지국의 위치 정보를 기준으로 행정구역을 매칭하고, 기지국에 진출입한 체류시간을 기초로 이동 시간대를 산출하였다. 정해진 기준값에 따라 체류 여부 및 체류 특성 등을 분류하였다. 통행 목적을 추정하기 위해 주간 및 야간 주 체류지를 선정하고, 체류지를 기준으로 한 시간 단위의 O/D(출도착지) 등의 데이터를 추출하였다. 체류지는 거주지, 근무지, 기타 체류지 등으로 구분하였으며, 출발 체류지와 도착 체류지의 조합에 따라 통행목적을 추정하였다. 출발지와 도착지 간 유출입 관점에서 Table 2와 같은 7가지의 통행목적이 추정될 수 있다.

위와 같이 식별된 각 통행에 대해 출발 시각, 도착 시각, 통행 시간 등의 통행 정보를 추가하여 시공간 단위의 통행사슬을 추출하였다. 추출된 통행사슬(O/D 데이터)을 기반으로 전국의 시군구별 시간대별 유입/유출, 목적별 통행량을 집계하여 이후 이어지는 모빌리티 변동 분석에 활용하였다. Figure 2는 모바일 기지국 데이터를 활용하여 통행사슬 데이터를 추출하는 과정을 도식화한 것이다.

Figure 2.

Trip chain extraction process

다음으로 분석 대상 지역을 선정하기 위하여 통행사슬 데이터를 활용하여 모빌리티의 시공간 분석을 수행하였다. 먼저, 시간 단위로 추출되는 통행사슬 데이터를 활용하여 지역별로 평일의 평균적인 통행을 해당 지역의 모빌리티 대표 패턴(Representative Pattern of Mobility, RPM)으로 정의하였다. 본 연구의 시간적 범위인 2020년 연말은 코로나 3차 대유행 시기로, 코로나 확산에 따라 정부의 감염병 예방 정책이 강화되기 전인 11월 첫째 주를 베이스라인으로 설정하였으며, Equations 1, 2 활용하여 지역별 RPM을 산출하였다.

Equation 1에서 d는 11월 2일부터 11월 6일까지의 평일 5일을 의미하며, Trips(r,d,t)는 r지역의 d일자 중 t시간대의 통행량을 의미한다. 따라서 RPM은 지역별 평일의 시간대별 평균 통행량으로 정의되며, 전체 통행에 대한 RPM은 유입통행 RPM과 유출통행 RPM의 합이다(Equation 2). 상기 식을 활용하여 추출된 지역별 RPM의 예시는 Figure 3과 같다.

Figure 3.

Examples of RPM calculation result

RPM 추출 결과 대부분의 지역에서 전체 통행에 대해 오전, 오후의 피크가 발생하는 형태를 보이고 있었으나 유출입 통행의 피크는 지역별로, 시간대별로 상이한 것을 알 수 있었다. 위의 예시처럼 총 통행 패턴은 유사하게 보이지만 강남구의 경우 오전에는 유입 통행이, 오후에는 유출 통행이 피크 통행을 유발하였다. 마포구는 오전, 오후 유출입 피크가 비슷하게 발생했으며, 강북은 강남과는 정반대의 유출입 통행 피크 형태를 보였다.

이렇게 계산된 지역별 RPM을 활용하여 분석 대상 지역을 선정하기 위한 클러스터링을 수행하였다. 지역별로 유출입 RPM이 상이하다는 점에 착안하여 유입 RPM과 유출 RPM을 구분하여 유형화하였으며, 두 결과를 조합하여 최종 분석 대상 지역을 선정하였다. 본 분석에서는 K-means 알고리즘을 활용하여 RPM을 유형화하였다. 일반적으로 K-means 알고리즘은 군집의 수가 증가할수록 군집 내의 유사성을 증가하고, 군집 간 차별성을 확실해지지만, 군집이 증가함에 따라 결과 해석이 어려워져 사전에 적정한 군집의 수를 정해야 한다는 어려움이 있다(Zhexue, 1998).

본 분석에서는 군집 개수의 임의성 문제와 해석의 불명확성을 극복하기 위하여 유출입 PRM의 특성과 엘보우 차트 결과를 준용하였다. 먼저, RPM 분석 결과를 보면 유출입 통행 모두 1) 오전이 피크인 경우, 2) 오후가 피크인 경우, 3) 오전, 오후 피크가 비슷한 경우, 4) 피크가 없는 경우 등으로 구분할 수 있다. 다음으로 엘보우 차트 결과 4개 그룹 이후부터 오차 감소 폭이 체감되는 것으로 나타났다(Figure 4 참조). 이러한 통행의 특성과 엘보우 차트 결과를 고려했을 때 4개의 군집이 적정하다고 판단하였다.

Figure 4.

Elbow charts of Inbound/Outbound RPM

유출입 RPM을 대상으로 유형화 결과는 Figure 5와 같다. 그래프에서 진한 선은 해당 군집 내에서 데이터 간 거리의 합을 최소화하는 각 군집의 중심점(centroid)이다. 분석 결과 유출입 통행 모두 오전 피크가 두드러지는 경우(유입통행 1, 유출통행 C), 오후 피크가 두드러지는 경우(유입통행 3, 유출통행 A), 오전/오후 피크가 비슷한 경우(유입통행 2, 유출통행 B), 하루 종일 특별한 피크가 발생하지 않는 경우(유입통행4, 유출통행D)로 구분되었다.

Figure 5.

Clustering results of Inbound/Outbound RPM

유입통행 4개 패턴, 유출통행 4개 패턴으로 유형화된 16개 조합의 통행패턴을 전체 250개 시군구로 매칭한 결과는 Table 3과 같다. 대각선 방향 4개의 통행 패턴(유입1-유출A, 유입2-유출B, 유입3-유출C, 유입4-유출D)이 전체의 약 90%를 차지하고 있어 해당 패턴에 포함되는 지역을 분석 대상 지역으로 선정하는 것이 타당하다고 판단하였다. 먼저, 통행패턴 1(유입1-유출A)은 오전, 오후 피크 시간의 차이가 극명한 지역으로 서울 강남구 등 55개 지역이 포함되었다. 해당 패턴에 속하는 지역은 상업 및 업무중심 지구로 판단된다. 통행패턴 2(유입2-유출B)는 오전, 오후 피트가 비슷한 지역으로 서울 마포구 등 47개 지역으로 유형화되었다. 해당 지역은 주거지와 상업·업무시설의 비율이 유사할 것으로 예상된다. 통행패턴 3(유입3-유출C)는 오전에는 유출 통행, 오후에는 유입 통행이 많은 지역으로 서울 강북구를 포함하여 61개 지역이 포함되었다. 해당 지역은 주로 주거 중심 기능을 하는 지역으로 판단된다. 마지막으로 통행패턴 4(유입4-유출D)에는 제주도 등 45개 지역이 포함되었으며, 해당 지역은 하루 중 뚜렷한 피크가 나타나지 않는 지역이다.

Table 3.

Region matching results based on inbound/outbound clusters

	Pattern 1 55 regions(22%)	5 regions(2%)	-	6 regions(2%)
	2 regions(1%)	Pattern 2 47 regions(19%)	6 regions(2%)	2 regions(1%)
	-	13 regions(5%)	Pattern 3 61 regions(24%)	1 region(0%)
	7 regions(25)	-	-	Pattern 4 45 regions(18%)

상기 통행 패턴 구분 결과의 적정성을 확인하고자 통계청의 지역별 고용 조사 결과를 바탕으로 시군구 단위의 지역 내 근무인구 대비 취업인구 비율을 각 대표패턴 그룹별로 비교하였다(Table 4 참고). 통행패턴 1은 오전에 유입이 많고 오후에 유출이 많은 지역으로 해당 지역 내 근무자가 해당 지역의 취업자보다 많은 것으로 나타났다. 또한, 통행패턴 3은 오전에 유출이 많고 오후에 유입이 많은 지역으로 해당 지역의 취업자 수가가 해당 지역 내 근무자 수보다 많은 것으로 나타나 본 연구의 분석이 현실성과 타당성을 어느 정도 반영하고 있음을 알 수 있다. 특히, 통행패턴 2는 유출입 통행이 거의 비슷한 수준으로 나타난 지역인데 여기서 해당 지역 취업 인구와 해당 지역 근무 인구가 1에 가까운 숫자를 보여주고 있다. 대표패턴 간 평균 차이를 검증한 t-test 결과는 Table 5와 같다.

결과적으로 본 연구에서 제시하고 있는 분류 기준 및 알고리즘에 따라 지역별 RPM을 유형화하고, 지역을 매칭한 결과가 통계적으로 적정성을 갖는 것으로 판단된다. 따라서 이후 분석에서는 각 통행패턴을 대표할 수 있는 강남구(통행패턴 1), 마포구(통행패턴 2), 강북구(통행패턴 3)를 분석 대상 지역으로 선정하고 모빌리티 변동을 분석하였다. 통행패턴 4는 통행패턴 1-3으로 구분되지 않는 지역으로 특정한 모빌리티 양상을 보인다고 단정하기 어렵고, 분석 결과를 왜곡할 우려가 있어 본 분석에서는 제외하였다.

2. 모빌리티 변동 분석

본 연구는 국민의 이동성이 특정한 패턴을 유지하고 있는 상태에서 코로나19라는 특별한 요인이 그간 패턴화된 이동성을 어떻게 변화시켰는지를 파악하고자 데에 목적이 있다. 물론, 코로나19 이외의 다양한 사회·경제적 요인이 모빌리티 변동에 영향을 줄 수 있지만, 본 연구에서는 코로나 이전에도 이동성에 영향을 주던 기존 요인은 분석체계 내에 내재화하고자 하였다. 분석체계 내에 내재화된 기존 요인이 코로나19의 영향력과 중첩되어 그 영향이 배가되었을 수 있는 오류가 있고, 반대로 코로나19의 영향력을 반감시킬 수도 있는 오류가 발생할 수도 있다. 그러나, 과거의 이동성 변화 중 이번의 코로나19와같이 단기적이면서도 변동성이 심하게 발생한 경우는 전무한 것을 고려한다면 본 연구에서 제시한 가정이 합리적이라고 볼 수 있다.

VAR 모형은 균형상태를 유지하고 있는 것으로 가정되는 특정한 체계에 내·외부 요인 변화가 발생하여 시간의 흐름에 따라 각 변수가 해당 체계 변화에 미치는 영향을 분석할 수 있는 모형이다(Cho, 2014). VAR 모형을 구체적으로 정의해 보면, N개의 변수 Yt=(Y1t,Y2t,⋯,YNt)에 대한 VAR(ρ) 모형은 Equation 3과 같이 정의할 수 있다.

여기서, εt 는 (ε1,ε2,⋯,εN)'를 뜻하며, 계수 벡터 βi는 (N×N) 계수 행렬이다. Equation 3의 VAR(p) 모형은 시계열적 안정성을 유지해야 하는데, 아래 세 가지 조건을 충족해야 한다. Γk는 자기 공분산을 의미한다.

첫째, 모든 t에 대하여 E[Yt]=μ<∞를 충족해야 한다.

둘째, 모든 변수 N 및 t에 대하여 var(YNt)<∞를 만족해야 한다.

셋째, 모든 t에 대해 cov(Yt,Yt+k)=E[(Yt-μ)(Yt+k-μ)']=Γk를 만족해야 한다.

일반적으로 VAR 모형에 기반한 충격반응 분석은 Table 6에 제시된 6단계를 거쳐 수행된다. 먼저, 설명변수의 단위근 검정과 공적분 검정을 통하여 변수의 시계열적 안정성을 검토한 뒤, 변수 간 인과관계(우선순위)를 도출한다. 이후, 변수 간 인과관계가 영향을 미치는 적절한 시차(ρ)를 추정하여 VAR 최종 모형을 정산한다. 이후 추정된 모형을 기반으로 충격반응분석을 통해 특정 변수에 충격이 가해졌을 때, 다른 변수들이 어떤 영향을 받는지를 분석할 수 있다.

본 연구에서는 변수의 시계열적 정상성을 확인하기 위하여 ADF(Augmented Dickey-Fuller) 검정 방법을 사용하였다. 변수의 t 통계량에 대한 절댓값이 유의 수준별 임곗값을 초과하는 경우 귀무가설(“단위근이 존재한다”)을 기각할 수 있다. 단위근 검정에서 시계열의 정상성을 나타낼 수 없는 변수에 대해서 차분하거나 로그로 변환한 변수로 활용하여 정상성을 확보한 후 시계열 분석을 수행할 수 있다. 하지만 본 연구와 같이 코로나19로 인해 통행에서 장기적 추세의 변동이 나타나는 경우 차분을 통해 변수를 추가로 활용하게 되면 해당 변수의 장기적 영향력을 측정할 수 없게 되는 한계점이 존재한다. 이에 공적분 검정을 통하여 변수 간 장기적인 균형 관계가 있는지를 분석하였다. 변수 간 장기 균형 관계를 파악하기 위해서 가장 일반적으로 사용되는 Johansen 검정을 통해 분석하였다. 또한, VAR 모형의 구축 과정에서 변수의 순서 및 시차의 길이를 결정하는 것은 매우 중요한 과정인데(Moon, 1997), 본 연구에서는 그래인져 인과관계 검정을 통하여 변수 간 순서를 결정하였으며, AIC, SC 등의 지표를 활용하여 모형의 시차를 결정하고, 최종적으로 VAR(ρ) 모형을 추정하였다.

충격반응분석(Impulse Response Analysis)은 추정된 VAR 모형을 구성하는 하나의 내생변수에 충격을 가했을 때, 자신을 포함하여 다른 내생변수에 미치는 영향을 시계열 분석하는 방법으로 정책변수들의 변화에 따른 파급효과 분석과 변수 간의 상호 인과관계 분석에 이용되며 일반적으로 Equation 4, 5와 같이 정리된다(Kim and Nam, 2015). Ψ(B) 계수는 시간 s에 대한 함수로, 충격으로 인한 Xt의 효과를 나타내며, 이 함수를 충격반응함수라 한다. Ψ(B)의 개별원소인 Φij(s)는 εt가 1단위 변화되었을 경우에 i번째 변수인 Xt에 s시점 1시차 기간에 미치는 충격계수다. 충격반응분석을 통행 특정 변수의 충격(1 단위 변화)에 따른 다른 변수들의 변화의 방향과 지속 정도를 알 수 있다(Chun, 2014).

마지막으로 분산분해(Variance Decomposition) 분석을 통해 VAR 모형 추정결과를 활용하여 각 변수의 변동이 다른 변수 변동에 의해 설명되는지 상대적 크기를 파악할 수 있다(Moon, 1997). 이는 예측오차의 분산을 내생 변수별로 분해하여 한 변수의 변동을 예측하는 과정에서 발생하는 충격(오차)에 다른 내생 변수의 충격이 차지하는 상호 영향의 정도를 분석하는 것으로 a번째 변수의 예측오차 분산 중에서 b번째 변수가 차지하는 비율로 설명될 수 있으며, b번째 변수의 기여도(Cab)는 Equation 6과 같이 표현할 수 있다.

여기서, Ui : 변동충격(잔차), k: 예측시점, i: i번째 변수

변수 및 분석 대상 통행 선정

1. 변수 선정

본 연구에서는 코로나19 팬데믹 기간에 사회적 거리두기 정책이 급변하던 2020년 11월부터 12월까지 전국 시군구 통행이 각종 외부 요인으로부터 영향을 받은 정도에 대한 인과관계를 계량화하고자 하였다. 통행에 영향을 줄 수 있는 다양한 변수로 경제활동인구, 취업자, 실업률, 인구수 등을 고려하였으나, 해당 경제사회지표는 월 단위, 분기 단위로 집계되어 익월이나 다음 분기에 공표되는 자료들이었다. 따라서 코로나19 대유행의 영향으로 일별 시간 단위로 급변하는 통행 간의 연관성을 찾아내기에는 설명력이 부족한 것으로 판단하였으며, 특히 대부분 경제사회지표는 16개 시도로 집계되면서 본 연구의 공간적 상세도로 설정한 시군구 단위 집계 기준에도 적합하지 않아 분석대상 변수에서 제외되었다. 이외에 기온, 날씨 등 전통적인 일 단위의 변수들을 추가로 고려하였으나 당시 통행 변화와는 상관성이 낮은 것으로 분석되어 분석에서 제외하였다. 따라서 본 연구에서는 일 단위로 시간대별 통행 변화에 충격을 준 요인으로 사회적 거리두기 단계와 확진자 규모를 선정하고 연구를 수행하였다(Table 7).

앞서 언급한 것처럼 본 연구에서는 모바일 기지국 데이터로부터 추출한 통행사슬 데이터를 활용하여 지역 간 시간대별, 통행목적별 통행량을 산출하였다. A 통신사에서 2020년 11월과 12월에 수집한 모바일 기지국 데이터를 활용하였으며, 해당 데이터에서 추출한 통행사슬 데이터는 통행발생 일자, 요일, 출발 시간, 출발 지역, 도착 시간, 도착 지역 등 통행 특성 자료와 통행자의 나이, 성별, 출도착 지역의 종류 등 통행자 관련 특성 등이 포함되어 있다(Table 8). 통행량 자료는 상기 통행 특성 자료와 통행자 관련 특성 자료의 조합에 해당되는 통행을 더한 값으로 자료의 익명성 확보를 위해 3 통행 이상의 값만 분석에 활용하였다.

분석 기간에 약 19억 통행이 관측되었으며, 코로나 상황이 악화됨에 따라 2020년 11월 대비 2020년 12월의 통행 관측 수는 약 13% 정도 감소한 것으로 나타났다. 관측 통행 중 남성 통행자와 여성 통행자의 비율은 6:4 수준이었으며, 30대-50대의 통행이 전체 통행의 60% 이상을 차지하는 것으로 나타났다. 통행 목적별로는 가정 기반의 여가 통행(HO, OH)의 비중이 높았으며, 코로나 상황에 따라 기타 체류지(O)를 포함하는 통행량과 비율은 감소한 것으로 분석되었다. Table 9는 분석에 활용된 통행 사슬 데이터의 통행량을 정리한 것으로 일부 집계 방법에 따라 총 통행량의 차이는 있으나, 전반적으로 고른 관측량을 보인다.

다음으로 코로나 관련 데이터인 전국 확진자 수와 서울시의 사회적 거리두기 단계에 관한 자료는 보건복지부, 행정안전부, 서울시에서 발표하는 자료를 기초로 하였다. 2020년 1월 첫 번째 확진자가 발생한 이후, 보건복지부에서는 일단위 확진자 수를 발표하였으며, 본 연구에서는 분석 기간동안 전국 일단위 확진자 수를 활용하였다. 물론 시도 단위의 확진자 수, 시군구 단위의 확진자 수 역시 분석 대상으로 고려하였으나 통행자들이 본인의 거주지역 혹은 방문하려는 지역의 확진자 수를 고려하여 통행하지 않을 것이라고 직관적으로 이해되며, 변수 간 선행관계 파악을 위해 실시한 그래인져 인과관계 분석에서도 전국 확진자 수가 지역별 확진자 수를 선행하는 것으로 나타나 전국 일단위 확진자 수를 통행 변화 분석을 위한 변수로 선정하였다(Table 10).

마지막으로 사회적 거리두기 단계의 경우 행정안전부에서 발표하는 자료를 기본으로 적용하되, 분석의 공간적 범위인 서울시에서 별도의 조치를 시행한 경우를 고려하였다. 대한민국은 코로나 대응을 비교적 잘한 것으로 평가받고 있다(ADB, 2021). 코로나 확산을 막고 일상생활로의 복귀 등을 고려하여 정부는 2020년 7월 28일 처음으로 사회적 거리두기 단계를 발표하였으며, 2022년 4월 28일 공식적으로 사회적 거리두기 정책을 중단하였다. 팬데믹 기간 중 총 5번의 유행 기간이 있었으며, 약 2년 동안 집단 감염 여부, 변종 바이러스의 출현 등에 따라 사회적 거리두기 정책은 지속해서 수정되어 적용되었다. 1, 2차 유행은 코로나 바이러스 국내 확산 초기로 특정 종교 집단에 의해 지역적 집단 감염이 발생하였으며, 3차 유행은 특별한 원인 없이 전국의 불특정 집단에서 코로나 바이러스가 퍼졌다. 마지막으로 4차, 5차 유행은 각각 델타 변이와 오미크론 변이 바이러스에 의한 것이었다. Table 11은 팬데믹 기간 중 정부가 실시한 사회적 거리두기 정책을 정리한 것으로 본 연구에서는 3차 대유행 중인 2020년 말 적용된 사회적 거리두기 단계를 분석에 활용하였다.

2. 대상통행 선정

분석 기간의 강남구의 통행 목적별 통행량 변화는 Figure 6과 같다. 그림에서 전체 통행량은 검은색 선, 유입통행량은 파란색 선, 유출통행량은 붉은색 선으로 표시되어 있으며, 왼쪽 위부터 시계방향으로 전체, HW, WH, HO, OO, WO, OW, OH 통행량을 각각 의미한다. 전체 통행의 감소 추세에도 불구하고 평일 출퇴근 정기통행(집→직장, 직장→집)은 통행량에 있어 변동이 거의 발생하지 않은 것으로 나타났다. 그러나 기타 비정기통행(집-기타, 기타-집)은 감소 추세가 뚜렷하게 나타났다. 이러한 결과는 사회적 거리두기 정책 시행에 대해 통근 통행과 같이 정기적으로 이루어지는 필수 통행은 민감도가 낮고, 기타 비정기 통행은 민감하게 반응할 것이라는 본 연구의 가정과 선행연구 결과(Shirgaokar et al., 2021; Hamid and Zandiatashbar, 2021)를 뒷받침하고 있다. 본 연구에서는 비정기 통행 중 그 감소세가 뚜렷하고, 통행목적이 비교적 명확한 가정기반의 비정기통행(HO)을 분석대상으로 선정하였다.¹⁾

Figure 6.

Trip volume changes by trip purpose (Gangnam-gu)

분석기간 중인 2020년 12월 무렵은 3차 대유행 기간으로 서울시는 코로나19 집단감염을 방지하기 위하여 대중교통 야간 운행을 30%가량 감축하였으며, 지하철 막차 시간을 저녁 12시에서 11시로 단축 운행하였다. 4차 대유행이 발생한 2021년 여름 무렵에도 대중교통 단축운행이 이루어지기도 하였다. 수도권 및 대도시를 중심으로 시행한 대중교통 운행감축 정책은 야간 시간을 대상으로 하여 대중교통 서비스의 공급을 감축하거나 단축했던 것으로 요약될 수 있다(Table 12 참고). 시간대를 고려한 사회적 거리두기 교통정책 이외에도 심야 시간 영업 단축 등 강력한 방역 정책이 야간시간대에 집중되었다. 서울시의 경우 2020년 11월 24일부터 사회적 거리두기를 2단계로 격상함과 동시에 한시적으로 ‘천만시민 긴급멈춤’ 정책을 시행한 바 있다.

따라서 본 연구에서는 분석의 대상 통행량을 다음과 같은 기준으로 선택적으로 추출하여 분석에 활용하였다. 첫째, 야간 시간대를 당일 오후 10시부터 다음 날 오전 2시까지로 설정하고 해당 시간 동안 유출입이 발생한 통행을 대상으로 추출하였다. 둘째, 통행목적과 관련하여 출퇴근이라 볼 수 있는 정기통행은 대중교통 감축에 영향이 적을 것으로 판단되어 분석에서 제외하고, 귀가를 목적으로 하는 비정기통행 중 직장 또는 집이 아닌 지역에서부터 집(야간 주상주지역)으로 복귀하는 통행(OH)을 대상으로 추출하였다. 셋째, 통행량 분석단위와 관련하여 시간대가 짧고 총통행량의 규모가 작아 이를 비율로 변경하였을 때 오히려 큰 변동이 나타나는 착시가 우려되어 실제 통행량 값을 그대로 활용하였다.

분석결과

Table 13은 변수 간 그래인져 인과관계 분석 결과를 보여 준다. 가정기반 비정기통행(HO), 심야 귀가통행(OH) 모두 “사회적 거리두기가 확진자 수를 인과하지 않는다.”, “확진자 수가 통행량을 인과하지 않는다.”의 귀무가설은 기각하는 것으로 나타났다. 따라서 변수 간 사회적 거리두기→확진자 수→통행량의 인과관계를 갖는 것으로 보이며, 이것을 통해 연구진이 앞서 변수 선정 단계에서 가정한 거리두기 정책과 통행량 변화의 상호작용 관계를 정립한 것이 합리적인 것을 알 수 있다.

다음으로 VAR 모형의 적정 시차 수는 ‘1’로 선정되었는데(Table 14 참고), 이는 개인이 통행 발생 하루 전의 사회적 거리두기 단계, 확진자 수의 정보를 활용하여 당일의 모빌리티에 대한 의사결정이 수행하는 것은 의미한다. 다시 말해 당일의 통행자는 먼 과거의 거리두기 단계나 확진자 수보다는 현시점에서 전달되는 정보를 활용하여 통행 의사를 결정하는 것으로 해석된다.

앞서 결정된 변수 선행 순서, 적정 시차 등을 반영한 VAR(1) 모형의 추정 결과는 Table 15와 같으며, 추정된 모형을 활용하여 이어지는 충격반응분석과 분산분해분석을 통해 사회적 거리두기 정책 변화에 따른 모빌리티 변동 분석 결과를 도출하였다.

1. 가정기반 비정기통행(HO Trips)

Figure 7은 강남구의 HO 통행의 충격 변화를 보여준다. 각 열별로 1열은 특정 변수의 충격에 대한 사회적 거리두기의 변화, 2열은 확진자 수의 변화, 3열은 통행량의 변화를 의미한다. 이 때 특정 변수의 충격은 해당 변수가 현시점에서 1단위 변화하는 것을 의미하고, 강남구 예시에서는 사회적 거리두기 0.1단계 상승, 확진자수 90명 증가, 통행량 6.000이상 증가가 각 변수의 1단위 충격으로 설명할 수 있다(Figure 7의 우하향 대각선 그래프 3개 참고). Figure 7을 통행 변화 관점에서 살펴보면(Figure 7의 3열), 현시점에서 사회적 거리두기가 1단위 증가하였을 때 약 600 통행 가량이 감소하고, 확진자 수가 1단위 증가하였을 때는 통행량이 다소 증가하였다가 바로 감소하는 것을 알 수 있다. 이러한 현상은 사람들의 통행이 바로 전날의 확진자 수에 영향을 받기 때문으로 해석해 볼 수 있다.

Figure 7.

The result of impulse response (Gangnam-gu)

분석 지역별로 사회적 거리두기 단계 조정과 확진자 수 증가에 따른 통행량 변화는 Figure 8, Table 16과 같다. 충격반응분석 결과 모든 지역에서 가정 기반의 비정기통행은 시간이 지남에 확진자 수(보라색 선)에 의한 변화보다는 사회적 거리두기의 단계 조정(노란색 선)으로 받은 충격이 더 크고 장기적인 것을 알 수 있다. 확진자 수 변화에 따른 영향을 단기(약 10일)에만 한정하여 영향을 받은 것에 비해, 사회적 거리두기 조정에 따라 약 일주일간 가장 큰 통행량 감소가 발생하고 그 이후 장기간 지속되는 것으로 나타났다.

Figure 8.

Impulse response results of HO trips

모빌리티 관련 정책 시행에 따라 HO 통행량 VAR 모형의 분산분해분석 결과는 충격반응분석의 결과와 유사하게 나타났다. 전체 지역에서 가정기반의 비정기통행의 변화는 장기적으로 사회적 거리두기 단계 변화에 의해 가장 많이 설명되었다. 따라서 가정기반 비정기통행의 변동은 확진자 수의 증가보다 사회적 거리두기 변동에 확연히 더 큰 설명력을 보이는 것으로 나타났다(Figure 9, Table 17).

Figure 9.

Variance decomposition results of HO trips

2. 심야 귀가통행(OH Night Trips)

심야 귀가통행에 대한 충격반응분석 결과 심야 귀가통행은 시간이 지남에 사회적 거리두기의 단계 조정(노란색 선)으로 받은 충격이 매우 크고 장기적인 것을 알 수 있다. 심야 귀가통행의 충격반응분석 결과를 이전 가정 기반의 비정기통행 분석모형과 비교해보면, 모든 지역에서 사회적 거리두기 상향조정에 의한 야간 통행량의 동태적 변동 경로는 매우 크고 장기적인 충격으로 영향을 받았던 것을 알 수 있다. 이것은 사회적 거리두기 정책에 포함된 대중교통 야간운행 감축 및 심야영업 제한 등에 따른 결과로 해석된다. 사회적 거리두기 야간정책이 적용된 이후 약 10일 이후에는 강남구의 경우 2.2천 명, 마포구는 1.3천 명, 강북구는 0.5천 명의 야간통행이 감소하였고, 2개월 이후까지도 감소한 통행량이 지속된 것으로 예측되었다. 하지만, 확진자 증가에 의한 야간 통행량 변동(보라색 선)의 동태적 변동 경로는 단기적으로만 나타나고 이후에는 거의 미미한 것으로 분석되었다(Figure 10, Table 18).

Figure 10.

Impulse response results of OH night trips

충격반응분석 결과와 동일하게 분산분해분석에서도 야간통행의 변화는 사회적 거리두기 단계 변화에 의해 가장 많이 설명되었다. 모든 지역의 야간 통행량의 예측오차(야간통행의 변동)를 설명함에 있어서 앞선 가정기반 비정기통행의 결과와 비교하여 거리두기 변화가 가지는 설명력이 절대적으로 매우 큰 규모를 차지하였으며, 단기와 장기에 걸쳐 그 영향력이 매우 큰 비중을 차지한 것으로 나타났다. 특징적인 사항은 확진자 규모가 야간통행의 변화에 미치는 설명력이 확진자의 변화 충격이 발생 된 이후 단기에도 거의 나타나지 않은 점은 주목할 만하다. 즉, 비정기 야간통행을 결정할 때는 사회적 거리두기에 따라 강력한 영향을 받았다고 할 수 있으나, 확진 규모는 야간통행을 결정함에 크게 영향을 주지 못한 것으로 해석된다(Figure 11, Table 19).

Figure 11.

Variance decomposition results of OH night trips

결론

본 연구는 통행 총량 중심으로 통행행태 변화를 분석하던 시각에서 진일보하여 통신자료 빅데이터를 기반으로 시간별 통행 변동 개념을 다각적인 시각에서 적용하여 개발하고 이에 통행목적, 야간통행 등을 추가로 고려하여 모빌리티 변동을 분석하였다.

분석 결과를 요약하면 다음과 같다. 첫째, 지역별 모빌리티 변동에 미치는 확진자 수 변화의 영향은 단기에만 한정적인 것으로 분석되었다. 이에 반해서 사회적 거리두기의 정책 변화가 모빌리티 변동에 주는 영향은 중장기로 지속적인 것으로 분석되었다. 둘째, 출퇴근 등교 등 코로나19 대유행 이전의 정기통행에 대해서는 사회적 거리두기의 영향이 거의 미치지 못한 것으로 나타났다. 이에 반하여 가정기반의 비정기통행은 사회적 거리두기의 영향을 지속해서 받은 것으로 나타났다. 셋째, 일부 지자체에서 운영한 심야 운영 제한, 대중교통 감축 운행 정책이 실질적으로 야간 이동성의 감소에 큰 영향을 준 것으로 조사되어, 향후 이동성의 지속적인 증가를 일시적으로 제한하는 데에는 효과적인 것으로 판단된다.

상기 분석 결과를 기반으로 다음의 정책적 시사점은 제시할 수 있다. 첫째, 방역 대책의 하나로 이동성을 관리하고자 할 때는 확진자 수보다 사회적 거리두기에 방점을 둔 대국민 정책관리 및 홍보가 필요하다. 둘째, 사회적 거리두기 정책이 지속되는 경우에 모빌리티 패턴의 변동 충격이 지속되므로 사회적 거리두기 정책의 도입 및 변경 시점에 대한 체계적 관리가 필요하다. 셋째, 통행 패턴과 여건 변화에 따른 충격의 정도가 지역별, 통행목적별, 통행시간별로 상이함에 따라 각 특성과 특징에 따라 효과적으로 이동성을 관리할 수 있는 맞춤형의 교통 정책의 개발이 필요하다(Cho et al., 2021).

Figure 12는 본 분석의 결과를 전국적으로 확장하여 통행패턴별 서울, 경기, 광역시 단위 대표구의 가정기반 비정기통행의 충격반응분석 결과를 보여준다. 경기 지역은 앞선 서울 대표지역의 결과와 유사하게 거리두기 변화에 따른 통행량의 변화가 크고 장기적으로 지속된 것으로 나타나지만, 서울 지역에 비해서는 확진자 수 변화에 따른 통행량 변화가 단기적으로 큰 영향을 미치는 것으로 보인다. 이러한 현상은 광역시권으로 갈수록 더욱 두드러지며 확진자 수 변화에 따른 통행량 변화가 거리두기 변화에 따른 통행량의 변화를 역전하는 현상까지 예측되고 거리두기의 효과가 다른 지역보다 늦게 나타나는 것이 관찰된다. Figure 12의 결과는 지역별로 이동성 관리 정책의 영향과 그 정도가 상이하게 나타날 수 있다는 것을 보여주는 예시이며, 향후 이동성 관리 정책 수립 시 이러한 특성을 고려하여 적용한다면 해당 정책의 타당성 및 효과를 제고할 수 있을 것으로 예상된다.

본 연구에서는 2020년 연말 2개월 간의 모바일 통신 시간 단위 원시자료를 이용하여 사회적 거리두기 정책에 따른 모빌리티 변동을 분석하였다. 향후에는 장기간의 시계열 데이터를 확보하여 분석함으로 세부적인 영향을 체계적으로 도출하여야 한다. 본 연구 결과, 대유행 기간에 나타난 이동성의 변화가 회복되는 것으로 분석되었지만, 일 단위의 상세 자료를 장기적으로 구축함으로써 코로나19 이후에 통행패턴에 있어 근원적인 변화의 유지 여부를 지속해서 분석할 필요가 있다. 또한, 포괄적인 측면에서의 모빌리티 변화에 대해 분석할 수 있으려면 종합적인 모빌리티 데이터의 융합 구축이 선행되어야 한다. 전국 기반의 모바일 기지국 데이터와 검증자료를 확보하여 체류 장소와 유형 등을 추론하기 위한 기준 설정과 검증 연구가 필요하며, 이에 시공간적 해상도를 더욱 상세화하기 위해서는 후속 연구가 요구된다.

Figure 12.

Impulse response results of HO trips by patterns