서론

1. 연구 배경 및 필요성

최근 대중교통 분야에서는 스마트카드 데이터의 축적과 활용이 확대되면서, 이용자의 시공간적 이동 행태를 정밀하게 분석하려는 연구가 활발히 수행되고 있다. 스마트카드 데이터는 승·하차 시점과 위치, 통행 시간, 환승 정보 등을 대규모로 포함하고 있어 실제 교통 이용 행태를 반영할 수 있다는 점에서 높은 분석 가치를 지닌다. 이러한 특성으로 인해 스마트카드 데이터는 대중교통 수요 분석, 이용자 행태 파악, 서비스 수준 평가 등 다양한 교통 연구 분야에서 핵심적인 분석 자료로 활용되고 있다.

한편, 교통약자는「교통약자의 이동편의 증진법」에 따라 고령자, 장애인, 어린이 등을 포함하며, 2024년 기준 전체 인구의 약 31.5%(약 1,613만 명)를 차지하고 있다(Ministry of Land, Infrastructure and Transport, 2025). 교통약자의 대중교통 이용 비율은 버스 51.6%, 지하철 14.2%로, 자가용 이용 비율(7.0%)이 비교통약자(11.2%)보다 낮아 대중교통 의존도가 상대적으로 높은 것으로 나타났다(Ministry of Land, Infrastructure and Transport, 2022). 특히 이동 시 불편을 경험하는 비율이 60% 이상으로 보고되어, 교통약자의 이동성 제약이 사회적 참여와 삶의 질에 직접적인 영향을 미치고 있음을 시사한다(Korea Transportation Safety Authority, 2022).

그러나 스마트카드 데이터는 이용자의 이동 결과는 상세히 기록하는 반면, 해당 이동이 어떠한 목적에 의해 발생했는지에 대한 직접적인 정보는 포함하지 않는다는 구조적인 한계를 가진다. 특히 교통약자는 전체 대중교통 이용자의 상당 비중을 차지함에도 불구하고, 이들의 통행 특성과 이동 패턴을 세분화하여 분석한 연구는 제한적이다. 이에 따라 기존 연구들은 반복적인 이용 패턴과 출발 시각의 규칙성 등 시간적 특성을 활용하여 통근, 통학, 귀가와 같은 대표적인 통행 목적을 추론하고자 하였다(Lee and Hickman, 2014; Alsger et al., 2018). 이러한 접근은 규칙성이 뚜렷한 통행에 대해서는 일정 수준의 성과를 보였으나, 목적이 다양하고 불규칙적인 통행을 충분히 설명하는 데에는 한계가 존재한다.

특히 교통약자는 비교통약자와 달리 출·퇴근 중심의 규칙적인 통행 패턴보다는 의료기관 방문, 복지시설 이용, 교육 및 돌봄 관련 이동 등 일상생활 유지와 직결된 다양한 목적의 통행을 수행하는 집단이다. 예컨대 고령자는 의료 및 복지시설 방문이, 장애인은 재활·의료 관련 이동이, 어린이는 교육시설 관련 통행이 주를 이루며, 이러한 목적별 차이는 대중교통 서비스 설계에서 유형별 차별화된 접근을 요구한다(Lee, 2017; Zhang and Yang, 2024). 이들의 이동은 선택적 활동보다는 필수적 활동의 성격이 강하며, 이러한 활동 유형별 차이는 교통 접근성, 이동 편의성, 사회적 참여 수준에 직접적인 영향을 미친다. 그럼에도 불구하고 기존 대중교통 분석 연구는 주로 전체 이용자 또는 비교통약자 집단을 중심으로 수행되어 왔다. 교통약자가 전체 인구의 약 30%를 차지하고, 이들의 대중교통 의존도가 상대적으로 높음에도 불구하고, 교통약자의 실제 방문 특성과 공간적 이용 특성을 정류장 기능 기반으로 정밀하게 규명한 연구는 상대적으로 부족한 실정이다.

이러한 한계를 보완하기 위해서는 이동의 맥락을 시간적 패턴만으로 해석하기보다, 이동이 발생하는 공간적 환경을 함께 고려할 필요가 있다. 특히 버스 정류장은 이용자의 이동이 실제로 발생하는 핵심 결절점으로서, 정류장 주변의 공간적 특성은 이용자의 방문 목적과 밀접하게 연관될 수 있다. 이에 본 연구는 스마트카드 데이터에 정류장 주변의 공간적 특성을 반영할 수 있는 POI(Point of Interest) 데이터를 결합하여, 수도권 버스 정류장을 기능적으로 유형화하고, 이를 기반으로 교통약자 유형별 방문 특성을 분석하고자 한다. 이를 통해 교통약자의 이동을 단순한 통행량이나 이동 빈도가 아닌, 정류장이 수행하는 공간적 기능과 연계된 방문 활동으로 해석하고, 교통약자의 이동 특성을 공간적 맥락에서 보다 정밀하게 이해하고자 한다.

2. 연구 수행 절차

본 연구는 정류장의 공간 기능 유형을 매개로 교통약자의 방문 특성을 분석하기 위해, 데이터 수집 및 전처리, 정류장 공간 기능 유형화, 교통약자 통행 특성 분석, 검증 및 강건성 분석의 네 단계로 구성된다. 본 연구의 전체 분석 흐름은 Figure 1에 제시하였다.

Figure 1

Research framework

먼저 데이터 수집 및 전처리 단계에서는 스마트카드 데이터를 활용하여 이용자의 O-D 통행 정보를 구축하고, 이 과정에서 이용자 구분 코드를 기준으로 교통약자 유형별 통행 데이터를 추출하며, 동시에 국토지리정보원에서 제공하는 POI 데이터를 수집하여, 교통약자의 이동 특성과의 연관성을 고려한 시설 유형 체계로 재분류한다. 이후 각 버스 정류장을 중심으로 일정 반경 내에 분포한 POI를 집계함으로써 정류장별 공간 정보 데이터를 구축한다.

다음 단계에서는 정류장별 POI 분포에 TF-IDF 알고리즘을 적용하여, 특정 정류장에서 상대적으로 특징적인 시설 유형의 중요도를 반영한 특성 벡터를 산출한다. 산출된 특성 벡터를 바탕으로 K-means 클러스터링을 수행하여 정류장의 공간적 기능 유형을 도출한다.

이어서 도출된 정류장 유형을 교통약자 유형별 O-D 데이터와 연계하여, 교차 분석 및 표준화 잔차 분석을 통해 집단별 정류장 유형 방문 특성의 통계적 유의성을 검증한다. 나아가 출발지와 도착지 정류장 유형을 구분한 방향성 분석을 수행하여, 통행의 방향성에 대한 보다 세분화된 해석을 시도한다.

마지막으로 분석 결과의 방법론적 타당성과 시간적 강건성을 검증한다. 이를 위해 TF-IDF 정규화와 단순 비율 정규화의 비교, K-means와 Hierarchical Clustering·DBSCAN·GMM 간 성능 비교, 월별 표준화 잔차의 상관 분석을 수행하여 본 연구의 정류장 유형화 및 통행 특성 분석 결과가 특정 방법론이나 분석 시점에 의존하지 않는 구조적 결과임을 확인한다.

선행연구 고찰

1. 통행 목적 추론

스마트카드 데이터는 대중교통 이용자의 승·하차 시점과 위치, 통행 시간, 환승 정보를 대규모로 포함하고 있어 실제 이동 행태를 정밀하게 관측할 수 있는 자료로 활용되어 왔다(Hussain et al., 2021). 그러나 이러한 데이터에는 이용자의 통행 목적이 직접적으로 기록되지 않기 때문에, 통행 목적을 추론하는 과정은 스마트카드 기반 교통 분석에서 핵심적인 방법론적 과제로 지적되어 왔다(Lee and Hickman, 2014; Alsger et al., 2018). 초기 연구에서는 자동요금징수 데이터의 출발 시각 규칙성과 반복 이동 패턴에 주목하여 통근·통학과 같은 일상적 목적을 추론할 수 있음을 보였으며, 동일한 시간대에 반복적으로 발생하는 통행과 특정 기·종점 간의 반복 이동이 출·퇴근 목적과 높은 연관성을 갖는 것으로 보고되었다(Lee and Hickman, 2014). 이후 연구들은 이러한 시간적 특성에 공간 정보를 결합함으로써 추론 정확도를 향상시키고자 하였으며, 스마트카드 데이터에 포함된 승·하차 위치와 통행 시간 정보를 종합적으로 활용할 경우 통근 목적뿐 아니라 비통근 목적의 통행도 일정 수준에서 구분 가능함이 확인되었다(Alsger et al., 2018).

한편, 개별 통행 기록을 독립적으로 분석하는 접근의 한계를 보완하기 위해, 연속적인 스마트카드 기록을 하나의 통행 시퀀스로 구성하여 목적을 추론하는 연구도 제안되었다. He et al.(2020)은 시계열 거리 기반 군집화를 통해 스마트카드 이용자 유형을 분류하였으며, Faroqi and Mesbah(2021)은 단일 통행보다는 하루 또는 일정 기간의 이동 흐름이 통행 목적을 반영한다는 점에 주목하여 통행 시퀀스의 군집화를 통해 잠재적인 목적 유형을 도출할 수 있음을 보고하였다. 이와 함께 머신러닝 기반 접근에서는 시간적·공간적 변수를 함께 고려할 경우 목적 분류 성능이 향상될 수 있음이 제시되었으며, 출발 시각과 체류 시간과 같은 시간적 요인이 목적 추론에 중요한 역할을 하는 것으로 나타났다(Kim et al., 2020). Dhananjaya and Sivakumar(2022) 역시 POI 정보를 머신러닝 특성으로 보강함으로써 비정형 통행 목적 분류의 정확도를 개선할 수 있음을 보고하였다. 다만 이러한 머신러닝 기반 접근은 예측 성능에 초점을 두는 반면, 통행 목적이 어떠한 공간적 기능과 연결되는지를 해석 가능한 형태로 제시하는 데에는 제약이 존재한다.

이러한 시간 패턴 및 시퀀스 기반 접근은 이동 목적이 규칙적이지 않거나 동일한 시간대에 다양한 목적의 통행이 혼재하는 경우 설명력에 한계를 갖는 것으로 지적되어 왔다(Alsger et al., 2018; Faroqi and Mesbah, 2021). 이를 보완하기 위해 일부 연구에서는 정류장 또는 목적지 주변의 토지이용(land-use) 및 POI 정보를 활용하여 통행 목적을 간접적으로 추론하는 방법을 제안하였다. 목적지 인근의 상업시설, 의료시설, 교육시설 분포는 통행 목적을 설명하는 중요한 공간적 단서로 작용할 수 있으며, 스마트카드 데이터에 공간 맥락 정보를 결합할 경우 목적 분류의 신뢰도가 향상될 수 있음이 제시되었다. 대표적으로 Zhao et al.(2024)은 가구통행실태조사 데이터와 POI 정보를 결합하여 Gradient Boosting 기반의 통행 목적 예측 모델을 제안하였으며, 이러한 접근은 다양한 데이터 소스를 활용함으로써 목적 추론의 정확도를 높일 수 있음을 보여주었다.

나아가 최근에는 스마트카드 데이터를 휴대폰 신호, 가구통행실태조사, 토지이용 데이터 등과 결합하는 다중 데이터 융합 연구가 활발히 수행되고 있다. Zhao and Cao(2020)는 다중 소스 지리 빅데이터와 머신러닝을 결합하여 지하철 통행 목적을 식별함으로써 단일 데이터 소스의 한계를 보완할 수 있음을 보여주었으며, Zhao et al.(2024) 역시 가구통행실태조사와 POI 데이터를 결합한 결합형 접근이 분류 정확도를 높일 수 있음을 제시하였다. 다만 이러한 다중 데이터 융합 접근은 목적 추정의 정확도 향상에 기여하는 반면, 추가 데이터 확보의 현실적 제약과 분석의 재현 가능성 측면에서 한계를 동반한다. 이에 본 연구는 공개적으로 접근 가능한 POI 데이터와 스마트카드 데이터만을 활용함으로써 재현성을 확보하면서도, 정류장이라는 미시적 공간 단위에서 공간 기능을 정량화한다는 점에서 다중 데이터 융합 접근과 보완적인 위치를 갖는다.

그럼에도 불구하고 기존 연구들은 주로 개인 단위의 이동 이력이나 행정구역 단위의 토지이용 정보를 중심으로 분석이 이루어졌으며, 버스 정류장과 같은 미시적 공간 단위에서 공간 기능을 체계적으로 정량화하여 방문 특성 해석에 반영한 연구는 제한적이다. 특히 교통약자와 같이 통행 목적이 출·퇴근에 국한되지 않고 의료, 복지, 돌봄 등 다양한 필수 목적을 포함하는 집단에 대해서는 기존의 시간 패턴 중심 접근만으로 통행 특성을 충분히 설명하기 어렵다(Lee and Hickman, 2014; Alsger et al., 2018).

2. POI 기반 정류장 유형화 연구

정류장 주변 공간의 기능적 특성은 이용자의 통행 선택과 방문 활동에 영향을 미치는 중요한 요인으로 인식되어 왔다. POI 데이터는 시설 위치와 유형 정보를 포함하여 특정 공간의 기능적 맥락을 정량적으로 평가할 수 있는 자료로 활용될 수 있으며, 이를 활용한 공간 기능 분류 연구는 도시 공간 분석에서 다양하게 시도되었다. 초기 연구에서는 POI 개수와 인간 이동 데이터를 결합하여 도시 내 기능 지역을 식별하는 방법이 제안되었으며(Yuan et al., 2012), 이후 딥러닝과 임베딩 기법의 도입으로 공간 기능 분류의 정교화가 이루어졌다(Niu and Silva, 2021). 머신러닝 기반의 POI 기능 분류 연구에서는 공공 데이터를 결합하여 도시 기능지역의 공간 분포를 분석한 사례들이 보고되었으며(Wang et al., 2021; Luo et al., 2023), Zhong et al.(2021)은 POI 기반의 지하철 역 기능 분류를 위해 TF-IDF 알고리즘을 적용하여 역 주변의 POI 지표를 정량화할 수 있음을 제시하였다.

또한 POI를 활용한 기능 분석은 해당 기능이 이용자의 실제 통행과 어떻게 연결되는지를 이해하는 데에도 기여한다는 점이 지적되었으며, 이는 토지이용–이동(land-use–mobility) 결합 연구의 흐름으로 확장되고 있다. 예컨대 Chen et al.(2024)은 건물 환경 데이터와 POI를 결합하여 정류장 기능과 승객 흐름 간 관계를 분석하였으며, 이는 도시 계획과 통합적인 공간–이동 분석의 가능성을 보여주었다. 단순 시설 개수 기반 분석보다 이러한 결합형 접근이 공간 기능을 정교하게 반영할 수 있다는 점도 반복적으로 보고되었다(Niu and Silva, 2021; Luo et al., 2023).

최근에는 POI 기반 공간 기능 분류 연구가 그래프 신경망 등 고도화된 방법론으로 확장되고 있다. Xu et al. (2025)은 그래프 합성곱 네트워크와 지하철 승객 흐름 데이터를 통합하여 역세권 기능 분류를 수행하였으며, Bai et al.(2025)은 그래프 클러스터링 신경망을 활용한 도시 기능지역 분석을 제안하였다. Zhang et al.(2024)은 이종 그래프 신경망을 활용하여 대중교통 승객 흐름과 기능지역 분류를 통합적으로 분석하였다. 한편 Qu et al.(2025)은 POI 기반 공간 지표를 통해 도시 기능지역 간 차이를 규명하였으며, Zhang and Zheng (2026)은 네트워크 제약 조건과 셀 디클러스터링 기법을 도입하여 POI 기반 기능지역 식별의 정확도를 향상시킨 바 있다.

그럼에도 불구하고 기존 연구는 대부분 도시 전체나 철도역 수준의 공간 기능 분류에 초점을 두었으며, 버스 정류장 단위의 미시적 공간 기능 특성과 대중교통 이용 목적 간 연관성을 정량적으로 연결한 연구는 제한적이다( Zhong et al., 2021). 이러한 한계를 보완하기 위해 본 연구는 POI 기반 정류장 단위 기능 유형화를 수행하고, TF-IDF 가중화 기법을 통해 POI 분포의 편중성을 완화함으로써 정류장의 공간 기능과 이용자의 방문 특성 간 관계를 정량적으로 분석한다.

3. 교통약자 통행 특성 분석 연구

교통약자 집단의 이동성은 접근성, 이용 편의성, 대중교통 의존성 측면에서 일반 이용자와 구별되는 특성을 보이며, 이는 대중교통 서비스의 형평성 문제와 밀접하게 연관된다. 선행연구에서는 고령자, 장애인 등 교통약자 집단이 대중교통 이용 과정에서 경험하는 이동 제약이 사회적 참여 기회 제한과 연결될 수 있음을 지적하였다(Ma et al., 2018).

국내에서는 스마트카드 데이터를 활용하여 대중교통 취약집단의 이동성을 분석하고, 교통 서비스 접근성이 낮은 지역을 식별한 연구가 수행되었으며(Lee, 2017), 지하철 역 단위에서 교통약자의 접근성 격차를 분석한 연구도 보고되었다(Han et al., 2022). 해당 연구들은 교통약자 집단이 대중교통에 대한 의존도가 높음에도 불구하고 상대적으로 낮은 이동성을 경험하고 있음을 보여주며, 서비스 개선의 필요성을 시사하였다. 또한 교통약자의 환승 통행 패턴을 분석한 연구에서는 일반 이용자에 비해 취약집단의 환승 부담이 상대적으로 크다는 점이 확인되었으며, 이는 교통약자의 이동 편의성 향상을 위한 운영 및 설계 측면의 고려가 필요함을 시사하였다(Kwon et al., 2021).

국제적으로는 노인층의 대중교통 접근성을 체계적으로 검토한 연구들이 수행되었으며, 접근성 개선이 노인의 사회 참여와 건강 및 웰빙에 긍정적인 영향을 미칠 수 있음이 반복적으로 보고되었다(Ravensbergen et al., 2022; Patil et al., 2023). Kang et al.(2023)은 고령자의 통행 패턴을 기반으로 자율 셔틀 서비스를 설계한 사례를 제안하여, 교통약자 맞춤형 서비스의 필요성을 실증적으로 제시하였다. 또한 대중교통 취약지역을 공간적 관점에서 분석한 연구는 도시 내 교통 서비스 수준의 불균형이 교통약자의 이동 제약을 강화할 수 있음을 지적하였다(Wang and Loo, 2024).

이처럼 기존 연구는 교통약자의 접근성과 이동성 문제를 중심으로 분석이 이루어져 왔으나, 정류장 단위의 공간 특성과 교통약자 통행 특성을 함께 고려한 분석은 제한적인 상황이다(Lee, 2017; Han et al., 2022; Ravensbergen et al., 2022).

4. 연구 차별성

본 연구의 차별성은 통행 맥락을 개인의 이동 특성에서 해석해 온 기존 접근과 달리, 통행이 발생한 공간의 기능적 특성을 중심으로 방문 활동을 해석한다는 관점 전환에 있다. 기존 통행 목적 추론 연구는 스마트카드 데이터의 반복성, 출발 시각, 통행 시퀀스 등 시간적·행태적 특성을 활용하여 통행 목적을 추정해 왔으나, 이러한 접근은 목적이 불규칙적이고 다양하게 나타나는 통행을 충분히 설명하는 데 한계를 지닌다(Lee and Hickman, 2014; Alsger et al., 2018; Faroqi and Mesbah, 2021). 또한 머신러닝 기반 접근(Kim et al., 2020; Dhananjaya and Sivakumar, 2022; Zhao et al., 2024)은 예측 성능을 향상시키는 반면, 목적 분류 결과가 공간 기능과 어떻게 연결되는지에 대한 해석 가능성이 제한적이다. 본 연구는 통행 주체의 시간적·행태적 패턴이 아닌 통행이 이루어진 공간의 기능 유형에 주목함으로써 이러한 한계를 보완하고, 방문 활동을 공간 기능과 연결하여 해석 가능한 형태로 제시한다.

구체적으로 본 연구는 정류장 주변의 POI 분포를 기반으로 정류장의 공간적 특성을 정량화하고, 이를 방문 특성 해석의 핵심 단서로 활용한다. 이는 통행 목적을 개인이 사전에 결정한 속성으로 간주하는 기존 관점과 달리, 정류장 주변의 공간 환경과 이용자의 방문 활동 간 관계를 통해 통행을 해석한다는 점에서 차별적이다. 특히 TF-IDF 기반 가중화 기법을 적용하여 POI 분포의 불균형 문제를 완화함으로써, 정류장별로 상대적으로 특징적인 공간적 성격을 보다 명확히 도출한다(Zhong et al., 2021).

또한 본 연구는 POI 기반 공간 분석을 도시 전체나 철도역 수준이 아닌, 버스 정류장 단위에서 수행한다. 기존 연구가 비교적 큰 공간 단위에서 도시 기능을 파악하는 데 초점을 두었다면(Yuan et al., 2012; Niu and Silva, 2021), 본 연구는 실제 대중교통 이용이 발생하는 정류장 수준에서 공간 특성과 방문 특성 간의 관계를 직접적으로 분석한다는 점에서 차별성을 갖는다.

나아가 본 연구는 공개 POI 데이터와 스마트카드 데이터만을 활용함으로써, 가구통행실태조사나 휴대폰 신호와 같은 추가 데이터 확보가 어려운 상황에서도 분석의 재현성을 확보한다. 이는 다중 데이터 융합 접근(Zhao and Cao, 2020; Zhao et al., 2024)과 상호 보완적 위치를 가지며, 단일 데이터 기반에서도 정류장 단위 공간 기능과 교통약자 방문 특성 간 관계를 정량화할 수 있음을 보여준다.

마지막으로 본 연구는 이러한 정류장 공간 특성 분석을 교통약자 유형별 통행 데이터와 결합함으로써, 교통약자의 이동을 단순한 이동성 문제나 접근성 지표가 아닌 공간 기능과 연계된 방문 활동으로 해석한다. 이는 교통약자의 이동이 개인의 선택뿐만 아니라 주변 공간 환경에 의해 구조적으로 형성된다는 점을 실증적으로 보여준다는 데 의의가 있다(Lee, 2017; Ravensbergen et al., 2022; Wang and Loo, 2024).

종합하면, 본 연구는 통행 특성의 해석을 개인 중심의 시간적 패턴 분석에서 공간 중심의 기능적 해석으로 확장하고, 이를 정류장 단위 POI 기반 공간 분석과 교통약자 유형별 통행 데이터에 통합적으로 적용한다는 점에서 기존 연구와 차별성을 갖는다. 또한 머신러닝 기반 예측 접근 및 다중 데이터 융합 접근과 상호 보완적인 위치를 차지함으로써, 교통약자의 이동 특성을 보다 해석 가능한 공간 맥락에서 이해할 수 있는 분석 틀을 제시한다는 점에서 의미를 지닌다.

연구 방법론

1. 연구 프레임워크

연구 절차는 크게 네 단계로 구성된다. 첫째, 스마트카드 데이터와 POI 데이터를 수집·전처리한다. 스마트카드 데이터로부터는 수도권 버스 이용자의 O-D 통행 데이터를 구축하고, 사용자 구분 코드를 기준으로 어린이·고령자·장애인 등 교통약자 유형별 통행 데이터를 분리한다. 동시에 각 버스 정류장을 중심으로 일정 반경의 영향권 내에 분포한 POI를 집계하여, 정류장 주변의 공간적 특성을 정량화할 수 있는 기초 자료를 마련한다. 이 과정에서 POI는 교통약자의 이동 목적과의 관련성을 고려하여 시설 유형별로 재분류된다.

둘째, 정류장별로 집계된 POI 분포에 TF-IDF 알고리즘을 적용하여 정류장 특성 벡터를 산출하고, 이를 바탕으로 K-means 클러스터링을 수행하여 정류장을 기능적 유형으로 분류한다. TF-IDF는 전체 정류장에서 공통적으로 많이 분포하는 시설 유형의 영향력을 낮추고, 특정 정류장에서 상대적으로 특징적인 시설 유형의 중요도를 강조하는 데 효과적인 기법이다. 이를 통해 주거시설과 같이 빈도가 높은 시설 유형에 분석 결과가 과도하게 편중되는 문제를 완화하고, 정류장의 공간적 성격을 보다 명확하게 드러낼 수 있다.

셋째, 도출된 정류장 유형화 결과를 교통약자 유형별 O-D 통행 데이터와 결합하여 분석한다. 교차 분석 및 표준화 잔차 분석을 통해 집단 간 통행 목적의 차이를 통계적으로 검증하고, 나아가 출발지와 도착지 정류장 유형을 구분한 방향성 분석을 수행하여 통행의 흐름 패턴을 보다 세밀하게 해석한다.

마지막으로 분석 결과의 방법론적 타당성과 시간적 강건성을 검증한다. TF-IDF 정규화와 단순 비율 정규화의 비교를 통해 가중화 기법의 타당성을 확인하고, K-means와 Hierarchical Clustering·DBSCAN·GMM 간 성능 비교를 수행한다. 또한 월별 표준화 잔차의 상관 분석을 통해 분석 결과가 특정 시점이나 방법론에 의존하지 않는 구조적 결과임을 확인한다.

이와 같은 연구 프레임워크를 통해 본 연구는 교통약자의 통행 목적을 개인의 이동 특성에 귀속시키기보다, 정류장이 제공하는 공간 환경과 기능적 특성의 결과로 이해하고자 한다. 이는 교통약자의 이동을 보다 구조적이고 현실적인 관점에서 해석할 수 있는 분석 틀을 제시한다는 점에서 의의를 지닌다.

2. 데이터 수집 및 전처리

1) 스마트카드 데이터

본 연구에서는 수도권 지역(서울특별시, 인천광역시, 경기도)을 대상으로 수집된 버스 스마트카드 이용 데이터를 활용하였다. 해당 데이터는 수도권 전역의 대중교통 이용 행태를 포괄적으로 반영할 수 있다는 점에서 교통약자의 통행 특성을 분석하기에 적합한 데이터이다. 데이터의 시간적 범위는 2024년 4월부터 6월까지 총 3개월로 설정하였으며, 이는 특정 시기나 단기 이벤트의 영향을 최소화하고 비교적 안정적인 일상 통행 패턴을 분석하기 위함이다.

본 연구에서 활용한 스마트카드 데이터는 개별 이용자의 연속된 버스 이용 이력을 하나의 행 단위로 구성한 형태로 제공되며, 각 행에는 하나의 통행 사슬에 포함된 정류장 방문 순서 정보가 포함되어 있다(Table 1). 즉, 하나의 행은 동일 이용자의 연속된 이동 경로를 나타내며, 출발 정류장부터 최종 도착 정류장까지의 다수의 중간 정류장을 포함한다.

본 연구에서는 이러한 통행 사슬 데이터로부터 분석 목적에 부합하도록 O-D 통행만을 추출하였다. 구체적으로는 각 통행 사슬에서 최초 출발 정류장과 최종 도착 정류장을 식별하여 하나의 기종점 통행으로 정의하고, 이를 기반으로 정류장 간 O-D 데이터를 재구성하였다. 이 과정은 환승이나 중간 경유 정류장을 포함한 전체 이동 경로를 단순화하여, 정류장 단위의 통행 흐름을 분석하기 위한 것이다.

이후 추출된 기종점 통행을 출발지 정류장과 목적지 정류장을 기준으로 집계하여 정류장 간 O-D 행렬을 구축하였다. 이러한 O-D 행렬은 정류장 유형화 결과와 결합되어, 교통약자 유형별 통행 패턴과 정류장 공간 특성 간의 관계를 분석하는 데 활용된다. 특히 본 연구는 정류장 단위의 공간 기능과 통행 목적 간의 연관성을 분석하는 데 초점을 두고 있으므로, 개별 이용자의 상세 이동 경로보다는 기종점 중심의 통행 구조를 분석 대상으로 설정하였다.

또한 본 연구는 교통약자의 통행 특성에 초점을 두고 있으므로, 스마트카드 데이터에 포함된 사용자 구분 코드를 활용하여 어린이, 고령자, 장애인에 해당하는 교통약자 통행만을 선별하였다. 이를 통해 전체 이용자 데이터에 비해 상대적으로 규모는 작지만 목적이 다양하게 나타나는 교통약자 통행을 독립적으로 분석할 수 있는 데이터셋을 구축하였다. 이러한 데이터 구성은 교통약자 유형별 통행 목적과 정류장 공간 특성 간의 관계를 보다 명확히 분석하기 위한 기초 단계로서 중요한 의미를 지닌다.

2) POI 데이터

정류장 주변의 공간적 특성을 파악하기 위해 본 연구에서는 국토지리정보원에서 제공하는 국가관심지점(POI) 데이터를 활용하였다. POI 데이터는 각종 시설의 위치 정보와 시설 유형에 대한 분류 정보를 포함하고 있어, 특정 지점 주변의 공간적 환경과 기능적 특성을 정량적으로 파악하는 데 유용하다. 특히 정류장과 같이 대중교통 이용이 집중되는 공간의 경우, 주변에 분포한 시설 유형은 이용자의 통행 목적과 밀접한 관련을 가질 수 있다는 점에서 중요한 분석 데이터로 활용될 수 있다.

본 연구에서는 교통약자의 통행 목적과의 연관성을 고려하여 POI 데이터를 재분류하였다(Table 2). 국토지리정보원에서 제공하는 원시 분류 체계를 그대로 활용할 경우, 분석 목적과 직접적으로 연관되지 않거나 지나치게 세분화된 시설 유형이 포함될 수 있다. 이에 따라 본 연구에서는 교통약자의 주요 통행 목적을 반영할 수 있도록 POI를 의료시설, 복지시설, 교육시설, 교통시설, 공공시설, 상업시설, 문화시설, 주거시설, 관공서 등 총 10개 주요 카테고리로 재분류하였다. 이러한 재분류 과정은 이후 정류장 유형화 및 통행 목적 해석 단계에서 시설 유형 간의 비교 가능성을 높이기 위한 것이다.

정류장 단위의 공간 특성을 산출하기 위해 각 버스 정류장을 중심으로 반경 500m의 버퍼를 생성한 후, 해당 영역 내에 분포한 POI를 집계하였다. 반경 500m는 대중교통 정류장의 도보 접근권으로 널리 채택되는 기준으로, 국내 도시교통정비촉진법에서 제시하는 대중교통 도보권 기준(약 500m)과 부합하며, 해외 Transit-Oriented Development(TOD) 연구에서도 400~800m 범위가 표준적으로 활용되고 있다(Ewing and Cervero, 2010). 실증적으로도 버스 이용자의 도보 접근거리 85th percentile이 약 524m로 보고된 바 있으며(El-Geneidy et al., 2014), 대중교통 공급 특성이 도보 접근거리의 주요 결정 요인으로 확인되었다(Daniels and Mulley, 2013). 최근 연구에서도 대중교통 이용자의 수용 가능한 도보 접근거리가 400~500m 범위에 분포하는 것으로 나타나, 본 연구의 500m 기준이 실증적으로도 타당함을 뒷받침한다(van der Waerden et al., 2024). 다만 교통약자의 경우 보행 가능 거리가 일반 이용자보다 짧을 수 있으나, 본 연구에서는 정류장 주변 공간의 기능적 특성을 포괄적으로 반영하기 위한 목적에서 500m를 적용하였으며, 이는 정류장 이용자의 최종 목적지가 아닌 정류장 주변 공간 환경의 기능 유형화를 위한 분석 단위로 설정된 것이다.

한편, 정류장별 POI 분포를 단순 시설 개수로만 표현할 경우, 주거시설이나 상업시설과 같이 전반적으로 많이 분포하는 시설 유형의 영향이 과도하게 커져 분석 결과가 편중될 가능성이 있다. 이러한 문제를 완화하기 위해 본 연구에서는 후속 단계에서 TF-IDF 기반 정규화를 적용하였다. 이를 통해 전체 정류장에서 공통적으로 많이 나타나는 시설 유형의 영향력을 낮추고, 특정 정류장에서 상대적으로 특징적인 시설 유형을 강조함으로써 정류장의 공간적 성격을 보다 명확하게 반영하고자 하였다.

이와 같이 구축된 정류장별 POI 분포 데이터는 이후 정류장 유형화의 핵심 입력 데이터로 활용되며, 교통약자 유형별 통행 데이터와 결합하여 통행 목적의 공간적 차이를 분석하는 데 사용된다.

3. POI 데이터 검증

본 연구에서는 정류장 유형화에 활용되는 POI 데이터의 적합성을 검증하기 위해, 국토지리정보원에서 제공하는 POI 데이터와 상용 지도 서비스 기반 POI 데이터의 분류 체계를 비교 분석하였다. 비교 대상은 국내에서 널리 활용되는 카카오맵 로컬 API에서 제공하는 POI 데이터로 설정하였으며, 동일한 분석 절차를 적용하여 정류장 특성 벡터 구성 및 클러스터링 결과를 비교하였다.

카카오맵 POI 데이터는 장소 검색 및 상업적 활용을 목적으로 구축된 데이터로, 음식점, 의료시설, 상업시설 등 다양한 장소를 비교적 세분화된 카테고리로 제공한다는 장점을 지닌다. 그러나 해당 분류 체계는 업종 중심의 세분화에 초점을 두고 있어, 교통약자의 통행 목적을 기능적 관점에서 해석하기 위한 공간 분류 체계로 직접 활용하기에는 구조적인 한계가 존재한다. 예를 들어 의료시설의 경우 진료 과목 단위로 세분화되어 제공되며, 복지관이나 장애인 지원 시설과 같이 교통약자의 이동과 밀접한 시설 유형은 독립적인 상위 카테고리로 명확히 구분되지 않는 경우가 많다. 이로 인해 시설의 사회적·기능적 역할보다는 상업적 분류 기준이 분석 결과에 상대적으로 크게 반영될 가능성이 있다.

이러한 분류 체계의 차이가 정류장 유형화 결과에 미치는 영향을 검증하기 위해, 카카오 POI 데이터를 활용하여 국토지리정보원 POI 데이터와 동일한 방식으로 정류장별 특성 벡터를 구성하고 클러스터링을 수행하였다. 그 결과, 카카오 POI 기반 클러스터링에서는 다수의 클러스터에서 상위 POI 구성 항목이 교육시설, 의료시설, 상업시설, 공공시설, 문화시설, 교통시설 등으로 유사하게 나타났으며, 클러스터 간 기능적 차별성이 명확하게 드러나지 않는 현상이 관찰되었다. 특히 일부 대규모 클러스터에서는 TF-IDF 점수가 전반적으로 매우 낮게 나타나, 특정 POI 유형이 해당 클러스터의 대표적 특성으로 작용하지 못하는 결과가 확인되었다.

이는 카카오 POI 데이터가 공간 간의 상대적 유사성은 일정 수준 구분할 수 있으나, 교육·의료·복지 등 교통약자의 주요 통행 목적과 연계하여 해석 가능한 정류장 기능 유형을 도출하는 데에는 한계가 있음을 의미한다. 즉, 분류의 세분화 수준이 높더라도 그 기준이 교통약자의 이동 목적을 설명하는 기능적 범주와 일치하지 않을 경우, 정류장 유형화 결과의 해석 가능성이 제한될 수 있음을 시사한다.

반면 국토지리정보원 POI 데이터는 행정 및 공공 서비스 제공을 목적으로 구축된 데이터로, 의료시설, 복지시설, 교육시설, 관공서 등 공공성과 기능성을 기준으로 한 비교적 일관된 분류 체계를 제공한다. 본 연구에서는 해당 POI 데이터에 포함된 대·중·소분류 체계를 검토한 후, 교통약자의 이동과 관련성이 높은 시설 유형을 중심으로 분류 체계를 재구성하였다.

이 과정에서 개별 시설의 세부 업종이나 상업적 특성보다는, 해당 시설이 수행하는 주요 기능과 서비스 대상에 초점을 두어 분류를 수행하였다. 즉, 세부 분류 간의 차이를 그대로 유지하기보다는 교통약자의 통행 목적을 설명하는 데 있어 기능적으로 유사한 시설들을 상위 범주로 통합함으로써, 정류장 주변 공간의 기능적 특성을 보다 명확하게 반영하고자 하였다. 이러한 재분류 기준은 이후 정류장 유형화 및 통행 목적 분석의 해석 가능성을 높이기 위한 목적 적합성 중심의 분류 전략으로 적용되었다.

4. TF-IDF 기반 특성 벡터 산출 및 클러스터링

1) TF-IDF 기반 정류장 특성 벡터

본 연구에서는 정류장 주변 공간의 기능적 특성을 정량적으로 표현하기 위해 POI 데이터를 활용하고, TF-IDF 가중치를 적용하여 정류장 단위의 특성 벡터를 산출하였다. 이를 위해 각 정류장을 하나의 분석 단위로 설정하고, 정류장 반경 내에 분포한 POI의 시설 유형을 정류장의 공간적 속성을 구성하는 요소로 간주하였다.

구체적으로, 각 정류장을 하나의 문서로, 정류장 주변에 분포한 POI 시설 유형을 단어로 정의하였다. 정류장 𝑖와 시설 유형 𝑗에 대해, 해당 시설 유형의 출현 빈도를 기반으로 TF 값과 IDF 값을 각각 계산하였다.

먼저, 시설 유형 𝑗의 정류장 𝑖에서의 출현 빈도를 다음과 같이 정의하였다.

여기서 ni,j는 정류장 𝑖의 영향권 내에 분포한 시설 유형 𝑗의 개수를 의미하며, 𝐾는 전체 POI 시설 유형의 수를 나타낸다. 이를 통해 정류장별 POI 구성 내에서 특정 시설 유형이 차지하는 상대적 비중을 반영하였다.

다음으로, 전체 정류장 집합에서 시설 유형 𝑗의 보편성을 고려하기 위해 IDF 값을 다음과 같이 산출하였다.

여기서 𝑁은 전체 정류장의 수이며, i:ni,j>0는 시설 유형 𝑗가 하나 이상 존재하는 정류장의 개수를 의미한다.

분모에 1을 더함으로써 특정 시설 유형이 모든 정류장에 존재하는 경우 발생할 수 있는 계산상의 불안정성을 완화하였다.

최종적으로, 정류장 𝑖의 시설 유형 𝑗에 대한 TF-IDF 가중치는 다음과 같이 정의된다.

이와 같이 산출된 TF-IDF 기반 특성 벡터는 단순한 시설 개수 집계 방식과 달리, 정류장 간 공간적 기능의 상대적 차이를 효과적으로 반영할 수 있다는 장점을 가진다. 예를 들어 주거시설이나 상업시설과 같이 도시 전반에 광범위하게 분포한 시설 유형은 낮은 가중치를 부여받는 반면, 의료시설이나 복지시설과 같이 특정 정류장에서 상대적으로 집중적으로 나타나는 시설 유형은 높은 가중치를 부여받게 된다.

본 연구에서는 각 정류장에 대해 10차원의 TF-IDF 특성 벡터를 구성하였으며, 이를 정류장 유형화를 위한 입력 변수로 활용하였다. 이후 해당 특성 벡터를 기반으로 클러스터링 분석을 수행하여 공간적 기능이 유사한 정류장들을 그룹화하였다.

본 연구에서 채택한 TF-IDF 기반 정규화의 적절성을 검증하기 위해 단순 비율 정규화 방법과의 비교 분석을 수행하였다. K-means 클러스터링 품질 지표 비교 결과, 단순 비율 정규화의 Silhouette Score(0.320)가 TF-IDF(0.300)보다 다소 높게 나타났으나, 이는 단순 비율 정규화가 주거시설 비율이라는 단일 축에 의해 클러스터가 뚜렷이 분리되기 때문으로, 기능적 해석력이 우수함을 의미하지는 않는다. 클러스터별 엔트로피 분석에서 단순 비율 기반 클러스터의 평균 엔트로피(1.259)가 TF-IDF(1.644)보다 낮게 나타났는데, 이는 단순 비율 정규화에서 주거시설이라는 하나의 범주가 대부분의 클러스터를 지배하여 기능적으로 유사한 클러스터가 다수 생성되기 때문이다. 반면 TF-IDF는 IDF 가중치를 통해 도시 전반에 보편적으로 분포하는 주거시설(IDF=0.268)의 영향력을 완화하고, 의료시설(IDF=1.700)이나 기타교육시설(IDF=0.521)과 같이 특정 정류장에 집중된 시설 유형의 상대적 중요도를 강조한다. 이를 통해 주거시설 외의 다양한 기능적 차원에서 정류장을 구분할 수 있으며, 교통약자 통행 목적과 관련된 세분화된 공간 기능 분류에 더 적합한 것으로 판단된다.

2) 정류장 클러스터링

TF-IDF 기반 정류장 특성 벡터를 활용하여 정류장의 공간적 기능을 유형화하기 위해 비지도 학습 기반의 클러스터링 기법을 적용하였다. 클러스터링은 사전 정의된 정류장 유형 없이 데이터 내의 유사성을 기반으로 정류장을 그룹화할 수 있다는 점에서, 정류장 주변 공간의 기능적 구조를 탐색적으로 도출하는 데 적합한 방법이다.

본 연구에서는 클러스터 수(K)를 단계적으로 변화시키며 Elbow method, Silhouette score, Calinski–Harabasz index, Davies–Bouldin index, Gap statistic 등 다양한 정량적 군집 품질 지표를 산출하여 클러스터링 결과의 전반적인 변화 양상을 검토하였다(Figure 2). 분석 결과, 일부 지표에서는 소수의 클러스터에서 상대적으로 우수한 수치를 보였으나, 이러한 경우 정류장의 기능적 특성이 주거·비주거 수준의 단순한 이분법적 분류로 수렴하는 경향이 확인되었다. 이는 본 연구의 목적상 교통약자의 통행 목적과 연계된 정류장 기능을 세분화하여 해석하는 데 한계가 있는 것으로 판단되었다. 이에 본 연구에서는 단일 지표에 의존하지 않고, 다수의 정량적 군집 품질 지표를 종합적으로 활용하여 최적 클러스터 수를 결정하고자 하였다.

Figure 2

Clustering validity indices for different numbers of clusters (K)(Elbow method based on inertia, Silhouette score, Calinski–Harabasz index, Gap statistic)

K-means의 구형 군집 가정 및 초기값 민감성에 대한 한계를 검토하기 위해, Agglomerative Hierarchical Clustering, DBSCAN, Gaussian Mixture Model(GMM)과의 비교 분석을 수행하였다(Table 3). K-means는 Silhouette Score(0.300)와 Calinski-Harabasz Index(28,688)에서 가장 우수한 성능을 보였다. DBSCAN은 4.3%의 노이즈 비율과 8개의 제한된 클러스터 수를 도출하여 본 데이터의 TF-IDF 특성 공간에 적합하지 않은 것으로 나타났으며, Agglomerative Clustering은 유사한 품질을 보이나 대규모 데이터(57,802개 정류장)에 대한 계산 비용이 높았다. 또한 K-means의 초기값 안정성을 검증하기 위해 20회 반복 실행(n_init=1) 결과를 n_init=10 기준 결과와 비교한 결과, NMI 0.864(±0.052)로 일관된 결과가 도출됨을 확인하였다. 이를 종합적으로 고려하여 K-means를 최종 클러스터링 기법으로 채택하였다.

이에 따라 본 연구에서는 정량적 지표의 절대적 최적값에만 의존하지 않고, 각 K 값에 이서 도출된 클러스터의 공간적 분포 특성, 클러스터별 TF-IDF 가중치 상위 시설 유형, 그리고 각 클러스터가 특정 공간 기능을 일관되게 대표하는지 여부를 종합적으로 검토하였다. 이러한 해석적 검토 결과, K=13 수준에서 의료, 복지, 교육, 행정, 교통 연계 등 주요 도시 기능이 비교적 명확히 구분되며, 교통약자 통행 목적 분석에 활용 가능한 의미 있는 정류장 유형이 도출되는 것을 확인하였다. 이에 본 연구에서는 최종적으로 클러스터 수를 13으로 설정하였다.

도출된 클러스터는 각 군집에서 상대적으로 높은 TF-IDF 가중치를 갖는 시설 유형을 중심으로 해석하였으며, 이를 통해 교육 중심 기능, 의료·복지 기능, 교통 연계 기능 등 정류장이 수행하는 주요 공간적 기능을 유형으로 정의하였다. 이러한 해석 기반 유형화는 이후 교통약자 통행 목적 분석에서 정류장을 의미 있는 분석 단위로 활용하기 위한 핵심 전제 조건으로 작용한다.

한편, 클러스터링 결과 중 일부는 도시 전반에 보편적으로 분포한 시설 유형의 영향으로 인해 기능적 특성이 명확하게 구분되지 않는 경우도 확인되었다. 이에 본 연구에서는 클러스터링 결과를 기계적으로 모두 수용하기보다는, 교통약자 통행 특성과의 연관성 및 공간적 분포의 합리성을 종합적으로 고려하여 분석 목적에 부합하지 않는 클러스터는 이후 분석 단계에서 제외하였다.

이와 같은 절차를 통해 최종적으로 교통약자의 통행 특성을 해석하는 데 의미 있는 정류장 유형만을 선정하였으며, 본 절에서 도출된 정류장 유형은 이후 분석 전반에서 핵심 설명 변수로 활용된다.

교통약자 기초 통행 특성 분석

본 장에서는 정류장 유형화 및 통행 특성 분석에 앞서, 교통약자의 기본적인 통행 행태를 시간적·공간적 관점에서 분석한다. 이는 교통약자 유형별 통행 목적 차이를 해석하기 위한 기초 자료로서, 후속 분석의 전제 조건을 제공한다.

1. 시간적 통행 특성

교통약자 유형별 통행의 시간적 분포 특성을 분석하기 위해 시간대별 및 요일별 이용 밀도를 비교하였다. Figure 3은 하루 24시간을 기준으로 교통약자 유형별 시간대별 통행 분포를 나타내며, Figure 4는 요일별 평균 이용 밀도를 비교한 결과를 제시한다.

Figure 3에서 확인할 수 있듯이, 어린이 승객은 오전 7시부터 9시 사이와 오후 14시부터 16시 사이에 뚜렷한 통행 피크를 보인다. 이는 등·하교 시간대에 통행이 집중되는 전형적인 교육 중심 이동 패턴을 반영한 결과로 해석된다. 반면, 고령자와 장애인 승객은 출퇴근 혼잡 시간대를 피해 상대적으로 이용이 적은 오전 10시부터 12시, 그리고 오후 14시부터 16시 사이에 통행이 집중되는 경향을 보인다. 이러한 시간대 분포는 교통약자의 통행이 근로 중심 이동보다는 생활 유지 및 필수 활동을 중심으로 이루어지고 있음을 시사한다.

Figure 3

Temporal distribution of trips by transportation-vulnerable groups

요일별 통행 특성을 살펴보면(Figure 4), 고령자와 장애인의 경우 평일 이용량이 주말에 비해 현저히 높은 것으로 나타난다. 이는 의료기관, 관공서, 복지시설 등 주로 평일에 운영되는 시설 이용과 밀접한 관련이 있을 가능성을 시사한다. 반면 어린이 승객은 주말에도 이용량이 급격히 감소하지 않으며, 토요일에는 오히려 이용 밀도가 증가하는 경향을 보인다. 이러한 패턴은 어린이 통행이 학습 활동 외에도 여가 및 생활 활동과 연계되어 있음을 시사한다.

Figure 4

Weekly distribution of trips by transportation-vulnerable groups

종합하면, 교통약자 유형별 통행은 시간대와 요일 측면에서 명확한 차이를 보이며, 이는 동일한 교통약자 범주 내에서도 통행 목적과 이용 맥락이 상이할 수 있음을 의미한다. 이러한 시간적 통행 특성의 차이는 이후 장에서 수행되는 정류장 유형별 통행 목적 분석을 위한 기초적 전제로 활용된다.

2. 공간적 통행 특성

교통약자 유형별 통행이 집중되는 세부 공간 단위를 파악하기 위해 읍·면·동 단위로 통행 분포를 분석하였다(Figure 5). Figure 5(a)는 어린이, (b)는 고령자, (c)는 장애인의 통행 분포를 나타낸다. 분석 결과, 장애인 승객의 경우 관악구 신림동, 안양시 만안구 안양동 등 주거 밀집 지역을 중심으로 내부 통행 및 인접 지역으로의 이동량이 상대적으로 높게 나타났다. 이는 장애인의 통행이 특정 생활권 내부에 집중되는 경향을 보일 가능성을 시사한다.

Figure 5

Visualization of trip distribution by transportation-vulnerable groups at the administrative district (eup–myeon–dong) level

고령자 승객 또한 일부 주거 밀집 지역과 도심 주요 거점을 중심으로 통행이 집중되는 양상을 보였으나, 장애인에 비해 상대적으로 넓은 공간 범위에서 통행이 분산되는 경향을 나타냈다. 반면 어린이 승객의 경우 교육시설이 밀집한 지역을 중심으로 통행 집중 구간이 형성되며, 주거 지역과의 연계성이 뚜렷하게 나타났다.

이러한 읍·면·동 단위 분석 결과는 교통약자 유형별 통행이 동일한 행정 공간 내에서도 서로 다른 공간적 집중 양상을 보임을 의미한다. 이는 이후 장에서 수행되는 정류장 유형화 결과를 해석하는 데 있어, 정류장이 위치한 주변 공간의 기능적 특성을 함께 고려할 필요성을 뒷받침한다.

정류장 유형화 분석 결과

본 장에서는 TF-IDF 기반 POI 특성 벡터와 K-means 클러스터링을 통해 도출된 정류장 유형화 결과를 제시하고, 주요 지역을 중심으로 유형화 결과의 공간적 타당성을 검증한다. 또한 정류장 유형별 공간 분포 특성을 시각화함으로써, 교통약자 통행 목적 분석을 위한 공간적 해석 기반을 마련한다.

1. 정류장 클러스터링 결과 및 유형 정의

TF-IDF 기반 정류장 특성 벡터를 활용하여 클러스터링을 수행한 결과, 수도권 버스 정류장은 총 13개의 유형으로 분류되었다(Table 4). 각 클러스터는 정류장 주변 POI의 상대적 구성 비율을 기준으로 해석되었으며, 주요 POI 유형의 조합에 따라 기능적 특성이 정의되었다.

분석 결과, 일반주거형(1), 혼합주거형(2), 미분류(4) 클러스터는 주거시설 비중이 높고 특정 기능이 두드러지지 않는 특성을 보였다. 이는 주거시설이 도시 전반에 보편적으로 분포하는 특성을 반영한 결과로, 클러스터 불균형이 방법론적 한계가 아닌 실제 도시 공간 구조의 특성에 기인하는 것으로 판단된다. 제외 대상 클러스터의 선정은 다음의 정량적 기준에 기반하였다. 첫째, 일반주거형과 혼합주거형은 클러스터 중심의 엔트로피가 각각 1.08, 1.63으로 기능적 다양성이 낮고, 주거시설 집중도가 각각 7.52, 5.37로 높아 특정 공간 기능이 뚜렷하지 않았다. 둘째, 미분류 클러스터는 TF-IDF 가중치가 전반적으로 0에 수렴하여 어떠한 시설 유형에 대해서도 특징적 기능을 나타내지 않았다. 이들 세 클러스터를 제외함으로써 전체 정류장의 62.2%(35,953개)가 분석에서 제외되었다.

제외된 정류장의 통행 비중을 살펴보면, 출발지와 도착지가 모두 분석 대상 클러스터에 해당하는 통행은 전체 유효 OD의 8.2%(3,042,526건)를 차지하였다. 교통약자 유형별로는 어린이 8.4%, 고령자 8.7%, 장애인 5.9%로 나타났다. 이는 주거형 정류장이 출발지(거주지)로서 높은 빈도로 이용되기 때문이며, 분석 대상 클러스터는 교통약자의 통행 목적과 관련된 기능적으로 특화된 정류장을 대상으로 한 것이다. 한편, 제외 클러스터 포함 여부에 따른 민감도 분석 결과, 본 연구의 핵심 해석 패턴(어린이의 교육중심형 선호, 고령자의 의료·상업복합형 선호, 장애인의 상업중심형 선호 등)에 해당하는 표준화 잔차의 부호는 전체 클러스터 포함 시에도 일관되게 유지되었다. 다만 원래 잔차 절대값이 작았던 일부 조합(고령자-공공복합, 장애인-교육중심 등)에서는 부호 변동이 관찰되었으나, 이들은 해석적 유의성이 제한적인 조합으로 본 연구의 주요 결론에는 영향을 미치지 않는 것으로 판단된다.

반면, 교육중심, 육아친화, 의료복합, 복지·교통복합, 교통허브, 상업중심, 문화·여가, 공공복합, 행정업무형 클러스터는 특정 POI 유형이 상대적으로 높은 비중을 차지하며, 기능적 특성이 명확하게 구분되는 것으로 나타났다. 이러한 클러스터는 교통약자의 통행 목적과의 연관성을 분석하는 데 있어 의미 있는 분석 단위로 활용될 수 있다.

특히 TF-IDF 가중치를 적용함으로써, 주거시설과 같이 대부분의 정류장에 분포하는 POI 유형의 영향력은 완화되고, 의료시설, 복지시설, 교육시설과 같이 교통약자의 이동 목적과 밀접한 희소 시설의 중요도가 상대적으로 강조되었다. 이는 단순 POI 개수 기반 분석 대비 정류장의 실질적인 기능을 보다 정밀하게 반영한 결과로 해석된다.

2. 정류장 유형별 공간 분포 특성 시각화

정류장 유형화 결과의 공간적 분포 특성을 보다 정밀하게 파악하기 위해, 본 연구에서는 셀 기반 공간 단위를 도입하여 정류장 유형의 분포를 시각화하였다. 이를 통해 행정구역 단위 집계에서 발생할 수 있는 내부 이질성 문제를 최소화하고, 정류장 기능의 국지적 공간 패턴을 보다 세밀하게 분석하고자 하였다.

본 연구에서는 Uber에서 제안한 계층적 육각 격자 시스템인 H3(Hexagonal Hierarchical Spatial Index)를 활용하였으며, 분석 단위로는 H3 해상도 레벨 7을 적용하였다. H3 레벨 7은 셀당 면적이 약 5.2km², 변 길이가 약 1.2km 수준으로, 도시 공간에서 동네 단위의 공간 분석에 적합한 해상도로 알려져 있다(Uber Engineering, 2018). 이는 교통약자의 이동이 도보 접근과 버스 이용이 결합된 생활권 단위에서 이루어진다는 점을 고려할 때, 분석 목적과 공간 스케일 측면에서 합리적인 선택으로 판단된다. 또한 수도권 내 약 57,720개의 버스 정류장을 대상으로 할 경우, 레벨 7에서는 셀당 충분한 정류장 수를 확보할 수 있어 정류장 유형 간 공간적 차이를 안정적으로 포착할 수 있다. 반면, 더 낮은 해상도의 셀을 사용할 경우 서로 다른 기능적 특성을 갖는 정류장이 하나의 셀에 과도하게 혼재되어 대표 유형의 공간적 의미가 희석될 우려가 있다.

Figure 6은 H3 레벨 7 셀 단위에서 각 셀 내 정류장 중 가장 높은 비중을 차지하는 클러스터를 우세 유형으로 설정하여 시각화한 결과이다. 분석 결과, 수도권 전반에서 정류장 유형이 균질하게 분포하기보다는, 지역별로 상이한 유형이 국지적으로 나타나는 공간적 이질성이 관찰된다. 특히 도심 및 주요 생활권을 중심으로 다양한 정류장 유형이 인접 셀 단위에서 혼재하는 양상이 두드러지며, 이는 도시 공간 내 기능적 복합성이 미시적 수준에서 반영되고 있음을 보여준다. 반면, 일부 외곽 지역에서는 특정 정류장 유형이 상대적으로 연속적으로 분포하는 경향이 나타나, 기능 밀도가 낮은 지역의 공간적 특성이 반영된 결과로 해석할 수 있다.

Figure 6

Spatial distribution of dominant bus stop clusters by administrative district

이러한 셀 단위 공간 분포를 정량적으로 보완하기 위해, H3 셀 단위에서 우세한 정류장 유형의 분포를 히스토그램으로 제시하였다(Figure 7). 해당 히스토그램은 각 정류장 유형이 전체 H3 셀에서 차지하는 빈도를 나타내며, 특정 유형이 일부 지역에만 국한되어 존재하는 것이 아니라 수도권 전반에 걸쳐 다양한 비중으로 분포하고 있음을 보여준다. 이는 셀 단위 시각화에서 관찰된 공간적 패턴이 단순한 시각적 인상이 아니라, 정량적 분포 특성을 동반한 결과임을 확인시켜 준다.

Figure 7

Distribution of dominant bus stop cluster types across H3 cells

종합하면, H3 셀 기반 공간 시각화와 분포 히스토그램은 정류장 유형이 수도권 내에서 국지적·이질적으로 분포하고 있음을 입체적으로 보여준다. 이러한 결과는 정류장 유형화가 단순한 통계적 분류에 그치지 않고, 실제 도시 공간에서 나타나는 기능적 구조를 미시적 수준에서 반영하고 있음을 시사한다. 나아가 본 절에서 제시한 셀 단위 공간 분포 분석은 이후 장에서 수행되는 교통약자 통행 특성 분석에서 정류장 유형을 공간적 설명 변수로 활용하기 위한 중요한 기초 자료로 활용된다

교통약자 유형별 통행 목적 분석

본 장에서는 앞서 도출한 정류장 유형을 기반으로, 교통약자 유형별 통행 목적 특성을 분석한다. 이를 위해 정류장 유형과 교통약자 유형 간의 관계를 교차 분석하고, 표준화 잔차 분석을 통해 각 교통약자 유형에서 특정 정류장 유형이 상대적으로 과대 또는 과소 이용되는 양상을 도출한다. 또한 주중과 주말을 구분하여 통행 목적의 시간적 맥락 차이를 비교 분석함으로써, 교통약자 이동의 구조적 특성을 보다 입체적으로 파악하고자 한다.

1. 표준화 잔차 분석을 통한 통행 목적 특성 도출

교통약자 유형별 통행 방문 특성의 차이를 정량적으로 비교하기 위해, 교통약자 유형(어린이, 고령자, 장애인)과 정류장 유형 간의 교차표를 구성하고 카이제곱 검정을 수행하였다(Table 5). 그 결과, 교통약자 유형과 정류장 유형 간 방문 분포에는 통계적으로 유의한 연관성이 존재하는 것으로 나타났다(χ² = 269,020.00, df = 18, p < 0.001). 이는 교통약자 유형에 따라 이용되는 정류장 유형의 분포가 무작위적으로 형성된 것이 아님을 의미한다.

이러한 전체적인 분포 차이가 구체적으로 어떤 교통약자 유형–정류장 유형 조합에서 기인하는지를 파악하기 위해, 각 셀의 표준화 잔차를 산출하였다. 표준화 잔차는 관측값이 기대값 대비 얼마나 크게 벗어나는지를 나타내는 지표로, 양(+)의 값은 특정 교통약자 유형이 해당 정류장 유형을 기대 수준보다 많이 이용함을, 음(–)의 값은 상대적으로 적게 이용함을 의미한다.

Figure 8은 교통약자 유형과 정류장 유형 간의 관계를 표준화 잔차 히트맵으로 시각화한 결과이다. 분석 결과, 교통약자 유형별로 통행 목적과 연관된 정류장 유형에서 뚜렷한 차이가 확인되었다. 어린이 승객의 경우 교육중심형 및 육아친화형 정류장에서 큰 양(+)의 표준화 잔차가 나타나, 해당 유형의 정류장이 어린이의 주요 통행 목적과 강하게 연관되어 있음을 보여준다. 반면 의료·복지 복합형 정류장에서는 음(–)의 잔차가 관찰되어, 어린이 통행에서 상대적으로 낮은 이용 비중을 보였다.

Figure 8

Standardized residuals by transportation-vulnerable group and stop cluster

고령자 승객은 의료·복지 복합형 정류장(22.31)과 행정업무형 정류장(39.33), 특히 교통허브형 정류장(74.13) 및 문화·여가형 정류장(52.45)에서 양(+)의 표준화 잔차가 두드러졌다. 이는 고령자의 통행이 의료 서비스 이용·공공서비스 접근뿐 아니라 여가·문화 활동 및 광역 환승 이동과 밀접하게 연관되어 있음을 시사한다. 반면 교육중심형 정류장에서는 큰 음(−)의 잔차(−118.47)가 관찰되어, 고령자의 통행 목적이 교육 기능과는 상대적으로 거리가 있음을 확인할 수 있다.

장애인 승객의 경우 상업중심형 정류장에서 가장 큰 양(+)의 표준화 잔차(148.78)가 나타나 상업시설 방문 목적의 통행이 두드러짐을 시사한다. 또한 의료·복지 복합형 정류장(41.32)에서도 양(+)의 잔차가 관찰되었는데, 이는 해당 유형의 정류장이 상업시설이 함께 분포하는 근린 생활권에 위치하여, 장애인의 일상적 소비 활동 및 생활 편의시설 이용과 관련된 통행이 반영된 것으로 해석된다. 이는 장애인의 통행이 의료 서비스 접근과 더불어 상업·근린 편의시설이 확보된 정류장에 집중되는 경향을 보일 가능성을 시사한다.

표준화 잔차는 기대빈도에 기반하므로, 클러스터 규모가 작을수록 잔차의 절대값이 상대적으로 확대될 수 있다. 예컨대 의료복합형(0.22%)과 같이 소규모 클러스터에서 나타나는 큰 잔차값은 효과 크기의 차이뿐 아니라 기대빈도의 구조적 영향을 일부 반영할 수 있다. 이에 본 연구에서는 잔차의 절대값 자체보다는 그 부호와 교통약자 집단 간 상대적 패턴에 초점을 두어 해석하였으며, 이는 소규모 클러스터에서의 과대 해석 가능성을 완화하기 위함이다.

종합하면, 교통약자 유형별 통행은 단순한 이동 빈도의 차이가 아니라, 정류장이 수행하는 공간적 기능과 밀접하게 연관된 목적 지향적 이동 행태임을 확인할 수 있다.

2. 교통약자 유형별 통행 특성 종합

앞선 분석 결과를 종합하면, 교통약자 유형별 통행 목적은 정류장 유형과 시간적 맥락에 따라 구조적으로 상이하게 나타난다. 어린이는 교육 및 육아 관련 기능을 중심으로 한 정류장을 주로 이용하며, 고령자는 의료·복지 및 공공 서비스 접근과 연계된 통행 특성을 보인다. 장애인은 상업시설 및 의료·복지 기능이 복합된 정류장을 중심으로 통행이 집중되는 경향을 나타낸다.

이러한 차이는 교통약자 전체를 단일 집단으로 간주하는 접근이 교통약자 이동 특성을 충분히 반영하지 못할 수 있음을 시사한다. 즉, 교통약자 이동 정책 및 교통 서비스 설계 시 교통약자 유형별 통행 목적과 공간적 요구를 고려한 차별화된 접근이 필요함을 의미한다.

본 장에서 도출한 교통약자 유형별 통행 목적 특성은 이후 결론 장에서 제시되는 정책적 시사점 및 교통 서비스 개선 방향의 근거로 활용된다.

3. 출발지-도착지 유형별 통행 방향성 분석

통행의 방향성을 고려하기 위해, 출발지와 도착지 정류장 유형을 구분하여 추가 분석을 수행하였다. 기존 분석에서는 정류장 유형별 방문 빈도를 출발지와 도착지 구분 없이 통합하여 분석하였으나, 동일한 정류장 유형이라 하더라도 해당 정류장으로 향하는 통행과 그곳에서 출발하는 통행은 목적이 상이할 수 있다.

출발지/도착지 비대칭 지수(asymmetry index) 분석 결과(Figure 9), 상업중심형과 의료·상업복합형 정류장은 전체 교통약자 유형에서 도착지로 더 많이 이용되는 경향을 보였으며(비대칭 지수 > 0), 교통허브형은 출발지 우세 경향을 나타냈다. 특히 장애인 승객의 경우 상업중심형 정류장의 도착-출발 비율 차이가 1.50%p로 가장 크게 나타나, 상업 관련 시설 방문 목적의 통행이 두드러짐을 시사한다. 반면 교통허브형 정류장은 장애인(-2.01%p)과 고령자(-1.56%p) 모두에서 출발지 우세 경향이 뚜렷하여, 환승 거점으로서의 기능이 확인되었다.

Figure 9

Origin/destination asymmetry index of bus stop types by transportation-vulnerable groups

O→D 유형 조합 분석 결과(Figure 10), 교통약자 유형별로 고유한 통행 흐름 패턴이 확인되었다. 어린이는 교육중심형→교육중심형 자체 순환 통행이 17.52%로 가장 높은 비중을 차지하여, 통학 관련 통행이 특정 유형 내에서 집중적으로 이루어지는 것으로 나타났다. 고령자와 장애인은 의료·상업복합형 자체 순환 통행이 각각 15.61%, 17.93%로 최대 비중을 차지하였으며, 이는 의료·상업 기능이 집중된 지역 내에서의 반복적 통행을 시사한다. 이러한 결과는 출발지와 도착지를 구분한 분석이 통행 목적에 대한 보다 방향성 있는 해석을 가능하게 함을 보여준다.

Figure 10

Origin-destination bus stop type combination matrix by transportation-vulnerable groups(%)

4. 분석 결과의 시간적 안정성 검증

본 연구에서 도출된 교통약자 유형별 정류장 방문 특성이 특정 시점에 국한된 일시적 현상이 아닌 구조적 특성인지를 검증하기 위해, 월별(4, 5, 6월) 표준화 잔차를 비교하였다. 분석 결과, 월별 표준화 잔차 간 Pearson 상관계수는 4월-5월 0.998, 4월-6월 0.994, 5월-6월 0.996으로 매우 높게 나타났다. 또한 전체 30개 교통약자-정류장 유형 조합 중 28개(93.3%)가 3개월 모두 동일한 잔차 부호(방향)를 유지하였다. 이는 본 연구의 분석 결과가 시간적으로 강건하며, 교통약자 유형별 정류장 선호 패턴이 안정적인 구조적 특성임을 지지한다.

결론

본 연구는 교통약자의 통행 목적을 정류장 단위의 공간 기능 관점에서 분석하기 위해, POI 기반 정류장 유형화와 교통약자 유형별 통행 데이터를 결합한 분석 프레임워크를 제안하였다. 기존 연구들이 개별 통행 특성이나 단순한 공간 분포 분석에 머물렀던 것과 달리, 본 연구는 정류장이 수행하는 공간적 기능을 매개로 교통약자의 통행 목적을 해석하고자 하였다.

먼저 교통약자의 기초 통행 특성을 시간적·공간적 관점에서 분석한 결과, 교통약자 유형별 통행은 시간대 및 공간 분포 측면에서 구조적인 차이를 보이는 것으로 나타났다. 어린이는 등·하교 및 생활권 중심의 통행 패턴을 보였으며, 고령자와 장애인은 주거 지역과 도심 거점을 연결하는 광역 이동과 특정 목적지로의 집중적인 통행 특성을 나타냈다. 이러한 결과는 교통약자 통행을 단일한 이동 행태로 간주하기 어렵다는 점을 시사한다.

이러한 기초 분석을 바탕으로, 본 연구에서는 TF-IDF 기반 POI 특성 벡터와 클러스터링 기법을 활용하여 정류장을 기능적 유형으로 분류하였다. TF-IDF의 방법론적 타당성은 단순 비율 정규화와의 비교를 통해 검증하였으며, K-means의 적합성은 Hierarchical Clustering, DBSCAN, GMM과의 비교 분석을 통해 확인하였다. 그 결과 교육중심형, 의료·복지 복합형, 교통허브형 등 교통약자의 통행 목적과 해석적으로 연관될 수 있는 정류장 유형이 도출되었으며, 해당 유형들은 수도권 공간 구조와도 일정 수준 부합하는 분포 특성을 보였다. 이는 정류장 유형화 결과가 임의적인 분류가 아니라, 실제 도시 공간의 기능적 맥락을 반영하고 있음을 의미한다.

이후 정류장 유형과 교통약자 유형 간의 관계를 표준화 잔차 분석을 통해 검토한 결과, 교통약자 유형별로 이용이 집중되는 정류장 유형에 유의미한 차이가 확인되었다. 어린이는 교육중심형 및 육아친화형 정류장에서 상대적으로 높은 이용 비중을 보였으며, 고령자는 문화·여가형 및 교통허브형 정류장, 장애인은 상업중심형 및 의료·복지 복합형 정류장을 중심으로 통행이 이루어지는 경향을 나타냈다. 나아가 출발지-도착지 유형 조합 분석을 통해, 교통약자 유형별로 고유한 통행 방향성이 존재함을 확인하였으며, 월별 안정성 검증을 통해 이러한 패턴이 시간적으로 강건한 구조적 특성임을 검증하였다.

본 연구의 결과는 교통약자 이동 정책 및 교통 서비스 설계에 있어, 교통약자를 단일 집단으로 취급하는 접근의 한계를 시사한다. 정류장 단위에서의 공간 기능을 고려한 접근은 교통약자 유형별 이동 수요를 보다 정밀하게 반영할 수 있는 가능성을 제시하며, 향후 교통약자 맞춤형 노선 설계, 정류장 시설 개선, 환승 환경 조성 등의 기초 자료로 활용될 수 있을 것으로 기대된다.

다만 본 연구는 몇 가지 한계를 지닌다. 첫째, 통행 목적을 직접적으로 관측한 것이 아니라 정류장 유형을 매개로 간접 추론하였다는 점에서 해석상의 제약이 존재한다. 본 연구의 분석 결과는 교통약자가 특정 기능 유형의 정류장을 상대적으로 많이 또는 적게 방문한다는 것을 보여주는 것이며, 개별 통행자가 해당 정류장 주변에서 실제로 어떤 활동을 수행했는지를 확인한 것은 아니다. 둘째, POI 데이터의 분류 체계와 공간 범위에 따라 정류장 유형화 결과가 달라질 가능성이 있으며, 이는 향후 보다 다양한 공간 데이터와의 결합을 통해 보완될 필요가 있다. 셋째, 분석 대상이 수도권으로 한정되어 있어, 연구 결과를 다른 지역으로 일반화하는 데에는 주의가 필요하다. 넷째, 본 연구는 버스 하차 정류장이 이용자의 최종 목적지를 대표한다고 가정하였으나, 하차 이후 도보 이동, 지하철 환승, 택시 이용 등을 통해 실제 목적지에 도달하는 경우가 존재하며, 최종 목적지가 하차 정류장 반경 500m 이내에 위치하지 않을 수 있다. 다섯째, 기능적 특화가 뚜렷한 정류장 유형만을 분석 대상으로 선정하였으며, 이로 인해 전체 통행의 약 8.2%만이 분석에 포함되었다. 주거형 및 미분류 정류장에서 발생하는 대다수의 통행이 분석에서 제외되었다는 점에서 결과의 일반화에 제약이 존재한다. 다만 이들 정류장은 기능적 특성이 미분화되어 통행 목적 해석에 제한적이며, 제외 여부에 따른 민감도 분석에서 주요 결과의 방향성이 유지됨을 확인하였다.

향후 연구에서는 개별 이용자의 연속적인 이동 경로를 고려한 분석이나, 정류장 접근성 지표(보행 환경, 경사도, 시설 접근성 등)를 추가적으로 결합함으로써 교통약자 이동의 제약 요인을 보다 정밀하게 분석할 수 있을 것이다. 또한 POI 변수를 밀도, 다양성, 거리 기반 가중치 등의 지표로 확장하고, 다양한 버퍼 거리(300m, 500m, 800m 등)에 대한 비교 분석을 수행함으로써 분석의 강건성을 더욱 높일 수 있을 것으로 기대된다. 또한 정류장 유형화 결과를 실제 교통 서비스 개선 정책과 연계하여 검증하는 실증 연구가 이루어진다면, 본 연구의 실용적 가치가 더욱 확장될 것으로 기대된다.