서론
선행연구
데이터 및 분석 방법
1. 분석 자료 및 네트워크 구축
2. 이동시간 행렬 산정
3. 분석 시나리오 및 비교 설계
분석 결과
1. 지역간 대중교통 공급규모의 변화
2. 시나리오별 이동성 기반 접근성 변화의 공간적 양상
3. 접근성 변화의 규모와 분포 특성
4. 인구감소지역과 비감소지역 비교
결론
서론
지역 간 대중교통은 국가 공간구조를 연결하며 지역 간 경제·사회적 상호작용을 지탱하는 핵심 인프라로, 특히 고속·시외버스와 철도는 비수도권 및 중·소도시에서 지역 간 이동성을 보장해 온 대표적 수단이다. 그러나 코로나19 팬데믹 이후 수요 위축과 운영 여건 악화로 노선 폐지, 감차, 운행횟수 축소 등 공급 구조 변화가 발생했으며, 2024년 기준 노선 수는 2019년 대비 약 35.7% 감소하고 운행횟수는 약 24.8% 줄어드는 등 팬데믹 이전 수준을 회복하지 못하고 있다. 그 영향은 대체 수단이 제한되고 네트워크 연결성이 취약한 지역에서 더 큰 이동성 저하로 이어져 전국에 균등하게 나타나지 않았을 가능성이 크다. 따라서 팬데믹 전·후 대중교통 공급 구조 변화가 도달 가능 인구 비율의 변화로서 공간적으로 어떻게 분포하는지에 대한 검토가 필요한 시점이다.
그럼에도 기존 연구는 대중교통 접근성의 공간적 분포를 분석하거나 특정 시점의 네트워크 특성을 평가하는 데 초점을 두어 왔다. 반면 팬데믹 전·후를 포함한 장기 시계열 관점에서 전국 단위 지역 간 대중교통 네트워크의 변화가 도달 가능 인구 비율의 변화로 어떻게 나타나는지를 추적하고, 그 영향(공간적 불균등성)을 규명한 연구는 극히 제한적이다. 특히 지역 소멸 위험이 높은 인구감소지역에서 변화가 어떤 양상으로 집중되는지, 그리고 철도와 고속·시외버스가 시간 범위에 따라 어떠한 구조적 역할을 수행하는지를 함께 진단하는 것은 지역 균형 발전과 교통정책 측면에서 매우 중요한 과제이다.
이러한 연구 공백을 보완하기 위해 본 연구에서는 이동성 기반 접근성(mobility-based accessibility)을 적용하여, 대중교통으로 일정 시간 이내 도달 가능한 인구 규모를 전국 총 인구 대비 비율로 측정하여 지역 간 이동성의 대리 지표로 정의한다. 본 연구에서 이동성은 특정 목적지에 대한 기회 접근이 아니라 네트워크가 제공하는 도달가능범위를 의미하며, 비시가화 지역의 과대 계상 문제를 완화하기 위해 도착 격자의 인구를 반영한 인구 비율 지표를 적용한다. 시간 임계치는 시군구 단위 지역내·지역간 통행시간 분포 분석을 통해 실증적으로 도출하였으며, 지역내 통행의 인구 가중 중앙값(2.5시간)과 지역간 통행의 인구 가중 중앙값(6.5시간)을 대표 기준으로 설정하였다. 이를 위해 2019–2024년 전국 GTFS 자료를 활용하여 500m×500m 공간격자 단위에서 R5 기반 라우팅으로 격자 간 이동시간을 산정하고, 철도 및 고속·시외버스를 단계적으로 제외하는 가상 제거 시나리오를 통해 수단별 구조적 역할과 취약성을 비교한다. 구체적으로 (1) 분석기간 동안 이동성 기반 접근성의 변화 규모와 방향을 제시하고, (2) 철도 및 고속·시외버스 부재 시 잔존 네트워크가 이동성을 유지할 수 있는 정도를 비교하며, (3) 이러한 변화가 인구감소지역에 불균등하게 집중되는지 여부를 검토한다. 본 연구는 지역 간 대중교통 이동성 변화의 공간적 불균등성과 취약지역에 집중되는 현상을 실증적으로 제시함으로써, 지역 형평성과 대중교통 공급 정책의 우선순위 설정을 위한 기초 근거를 제공한다.
선행연구
교통 접근성(accessibility)은 특정 지점에서 활동 기회에 도달할 수 있는 잠재력으로 정의되며, 토지이용과 교통체계의 상호작용을 설명하는 핵심 개념이다(Hansen, 1959). 접근성 지표는 정책 성과와 사회적 형평성을 함께 평가하는 도구로 확장되고 있으며(El-Geneidy et al., 2016), 국내에서도 철도망 확장에 따른 접근성 개선 효과가 지역에 따라 차이를 보임이 확인되었다(Jung et al., 2020). 이는 접근성을 ‘얼마나 빨리 갈 수 있는가’의 문제가 아니라 ‘누가·어디서·얼마나 넓은 기회를 가질 수 있는가’라는 분포와 형평성의 문제로 다루어야 함을 시사한다.
접근성 측정 방법은 연구 목적과 분석 단위에 따라 발전해 왔다. 누적기회 접근성과 중력형 접근성이 대표적으로 활용되지만(El-Geneidy et al., 2016), 지역 간 통행에서 네트워크 공급 변화를 일관된 기준으로 비교하는 데는 제약이 있다. 본 연구는 이를 보완하기 위해 일정 시간 이내 도달 가능한 인구 규모를 전국 총 인구 대비 비율로 측정하는 이동성 기반 접근성을 적용한다. 이는 비시가화 지역 격자의 과대 계상 문제를 보완하고, 실질적인 인구 기반 도달 범위를 반영함으로써 지역 간 비교 가능성을 높인다. GTFS의 확산 이후 정류장·노선·시간표를 통합한 정밀한 접근성 분석이 가능해졌으며(Conway et al., 2017; Pereira et al., 2021), 국내에서도 GTX 개통 효과 분석 등 GTFS 기반 접근성 연구가 확대되고 있다(Im et al., 2025). 다만 전국 단위 지역 간 이동을 대상으로 다년 시계열을 일관되게 비교한 연구는 제한적이다.
접근성 변화의 공간적 불균등성을 규명하는 것은 핵심 정책 과제이다. Pereira et al.(2017)은 평균값이 아닌 분포 기반 진단이 필요함을 강조하였으며, 본 연구는 이를 반영하여 시간 임계치별 도달 가능 인구 비율 곡선 분석을 통해 접근성의 분포적 특성을 평가한다. 코로나19 팬데믹은 대중교통 공급 구조 변화를 가속화하였고, 그 영향은 지역과 수단에 따라 차별적으로 나타났다(Lee et al., 2021; Bhin et al., 2021). Lee et al.(2023)는 대중교통 접근성과 선택지 다양성이 낮은 지역일수록 외부 충격에 취약함을 실증하였으며, Park et al.(2020)는 접근성 변화가 인구 유입 및 지역경제에 미치는 공간적 연관성을 실증하였다. 한편 교통 네트워크 취약성(vulnerability) 연구는 링크·노드 중요도를 정량화하고 교란 시 성능 저하를 평가해 왔으며(Jenelius et al., 2006; Mattsson and Jenelius, 2015; Cats and Jenelius, 2015), 본 연구의 가상 제거 분석은 특정 수단의 순기여도 추정이 아니라 수단 부재 시 잔존 네트워크가 이동성을 얼마나 유지할 수 있는지를 평가하는 구조적 취약성 진단으로 해석한다.
이들 연구는 취약지역에서의 이동성 저하와 정책 대응 필요성을 뒷받침하며, 본 연구는 이러한 연구 공백을 보완하기 위해 전국 단위 다년(2019–2024) 시계열 GTFS 자료와 가상 제거 실험을 결합하여 500m 격자 기반 인구 비율 접근성 지표로 지역 간 이동 가능 범위의 변화와 공간적 불균등성을 실증적으로 규명하고자 한다. 기존 연구가 단일 시점·행정구역 단위·평균값 중심에 머물러 온 것과 달리, 본 연구는 6개년 연속 시계열, 전국 균일 격자, 인구 비율 지표, 4개 시나리오 가상 제거 실험, 실증 도출 시간 임계치, Extreme 오즈비 기반 분포 진단을 결합하여 공급 변화의 방향·규모·분포를 일관된 기준으로 제시하고 취약지역에서의 수단 의존 구조를 규명한다는 점에서 차별적 기여를 가진다.
데이터 및 분석 방법
1. 분석 자료 및 네트워크 구축
본 연구는 KTDB에서 구축한 2019–2024년 대중교통 GTFS 자료를 사용하였다. GTFS에는 시내·마을·농어촌버스, 도시철도 및 경전철, 고속·시외버스, 공항버스, 일반철도, 고속철도, 해운, 항공 등 주요 수단의 정류장(stops), 노선(routes), 운행(trips), 정류장 통과시각(stop times) 정보가 포함된다. 연도 간 비교 가능성을 확보하기 위해 각 연도의 동일한 3월 기준 시간표 스냅샷을 적용하였다. Table 1은 2024년 3월 기준 수단별 네트워크 규모를 제시한다.
Table 1.
GTFS network size of public transport (as of March 2024) (Unit: count)
공간 분석 단위는 국가데이터처 통계지리정보서비스(SGIS)에서 제공하는 500m×500m 공간격자를 사용하였다. 전국을 동일 크기의 격자로 구분함으로써 행정구역 면적 차이에 따른 분석 왜곡을 최소화하고, 연도 및 시나리오별 변화를 일관된 공간 기준에서 비교할 수 있다. 각 격자의 중심점(centroid)은 이동시간 산정 시 기점(origin)과 종점(destination)으로 활용하였다. 인구감소지역은 행정안전부가 지정·고시한 89개 시·군·구를 기준(Ministry of the Interior and Safety, 2025)으로 정의하였으며, 해당 행정구역 경계에 포함되는 격자를 인구감소지역 격자로 분류하여 비감소지역과 비교 분석에 활용하였다.
KTDB에서 배포하는 GTFS 원자료는 수단별 노선·시간표 정보를 제공하지만, 수단 간 환승 연결 및 보행 접근성을 현실적으로 반영하기 위해서는 네트워크 재구성이 필요하다. 이에 본 연구는 GTFS와 OpenStreetMap(OSM) 기반 도보·도로 네트워크를 결합하여 R5 분석 네트워크를 구축하였고, 환승 연결의 현실성을 높이기 위해 다음 절차를 적용하였다. 첫째, 정류장 간 직선거리 200m 이내인 경우 보행 환승이 가능한 것으로 보고 환승 링크를 연결하였다. 이 기준은 국토교통부 「환승센터 및 복합환승센터 설계·배치 기준」에서 제시한 환승거리 서비스 수준 C등급 이상 목표치(180m)에 근거하며, 공식 기준과의 정합성과 네트워크 연결의 안정성을 함께 확보하기 위해 설정하였다. 둘째, 200m 이내에 연결 가능한 정류장이 존재하지 않아 고립될 가능성이 있는 정류장에 대해서는 가장 가까운 정류장과의 연결을 추가하여 자료 누락 또는 좌표 오차로 인한 단절을 방지하였다. 셋째, 도시철도 환승은 운영기관 자료(Public Data Portal, 2025a; 2025b)를 우선 적용하였으며, 관련 자료가 확보되지 않는 경우 네이버 지도 보행 경로 및 소요시간 정보를 보완적으로 활용하여 환승시간을 추정하였다. 이러한 절차를 통해 구축된 네트워크를 기반으로 연도별·시나리오별 격자 간 이동시간 행렬을 산정하였다. 격자 간 이동시간 산정은 오전 9시를 기점으로 60분 타임 윈도우 내 출발통행의 중앙값을 기준으로 수행하였으며, 장거리 지역 간 이동을 고려하여 접근성 지표 산정 시 최대 허용시간(analysis cap)은 10시간(600분) 제한하였다. 격자 인구 자료는 국가데이터처 2025년 기준 500m 격자 통계를 활용하였으며, 인구가 0인 격자는 1로 보정하여 분석에 포함하였다.
2. 이동시간 행렬 산정
본 연구의 기본 산출물은 연도 𝑦에서의 격자 간 이동시간 행렬이다. 여기서 는 연도 𝑦에서 출발 격자 𝑖 중심점(centroid)으로부터 도착 격자 𝑗까지의 대중교통 기반 door-to-door 이동시간(분)을 의미한다. 이때, 도보 접근, 대중교통 탑승 및 환승, 대중교통 하차 후 도보 이동을 포함한 총 소요시간으로 산정하였다. 이동시간 행렬을 바탕으로, 출발 격자 𝑖에서 시간 임계치 𝑇 이내에 접근 가능한 인구 비율을 이동성 기반 접근성(mobility-based accessibility) 지표로 정의하였다. 전체 격자 집합을 𝐺, 도착 격자 𝑗의 인구를 , 분석 기준 연도(2025년)의 전국 총 인구를 이라 할 때, 연도 𝑦에서 격자 𝑖의 이동성 기반 접근성 는 다음과 같이 계산된다.
여기서 는 조건을 만족하면 1, 그렇지 않으면 0을 반환하는 지시함수(indicator function)이다. 는 출발 격자 𝑖에서 시간 𝑇 이내에 전국 인구의 몇 %에 접근 가능한지를 나타내며, 값이 클수록 해당 격자의 대중교통 기반 이동성이 높음을 의미한다. 분모는 2025년 6월 기준 전국 총 인구로 고정하여, 연도별 인구 변동이 지표값에 영향을 미치지 않도록 하였다. 이를 통해 지표의 연도 간 변화는 순수하게 대중교통 네트워크 공급 변화만을 반영한다. 격자 인구 자료는 국가데이터처 500m 격자 통계를 활용하였으며, Bounded Small Cell Adjustment(BSCA) 비밀보호 기법이 적용되어 있어 격자 인구가 0인 경우 결측으로 처리되며, 본 연구에서는 이를 1로 보정하여 분석에 포함하였다.
또한, 본 연구는 장거리 지역 간 이동부터 생활권 범위까지의 민감도를 비교하기 위해 𝑇∈{1h, 2.5h, 6.5h, 10h}의 네 가지 시간 기준에서 를 산정하였다. 시간 기준은 국내 지역 간 대중교통 통행의 공간적 도달 범위를 단계적으로 포괄할 수 있도록 설정하였다. 1시간 기준은 인접 시·군 간 단거리 통행 및 생활권 내 이동에 해당하는 범위로, 도시 내부 및 근거리 지역 간 대중교통 이동성을 나타낸다. 2.5시간 기준은 시군구 단위 지역내 통행의 인구 가중 중앙값(150분)에 해당하며, 지역내/지역간 통행이 전환되는 구간이다. 6.5시간 기준은 시군구 단위 지역간 통행의 인구 가중 중앙값(388분)에 근접하여 지역간 통행의 대표 범위를 포괄한다. 10시간 기준은 전국 최장 거리 이동을 포함하는 상한으로 설정하였다. 이와 같이 네 가지 시간 기준을 병행함으로써 수단별 역할이 시간 범위에 따라 달라지는 구조적 특성을 다각도로 비교할 수 있다. 시간 임계치 선정의 실증적 근거는 분석 결과에서 구체적으로 제시한다.
2019–2024년의 시계열 변화를 선형 추세로 요약하기 위해 각 격자별 연평균 변화 기울기 를 추정하였다. 여기서 는 연평균 변화 기울기(%p/년)를 의미한다. 이면 분석 기간 동안 접근 가능 인구 비율이 감소하는 추세, 이면 증가하는 추세로 해석된다.
격자 간 이동시간 산정은 GTFS 기반 라우팅 엔진 R5를 r5r 패키지를 통해 구동하여 수행하였다(Pereira et al., 2021). 출발시각은 Table 2와 같이 오전 9시를 기점으로 60분 타임 윈도우 내 10분 간격으로 6개의 출발통행을 적용하여 오전 시간대 배차 변동성을 반영하였다. 이동시간 대푯값은 6개 통행시간의 중앙값으로 설정하였다. 출발지·도착지 접근 및 환승 보행 최대시간은 30분, 최대 탑승(환승) 횟수는 5회로 설정하였다. 장거리 OD에서 경로 탐색이 조기에 중단되는 것을 방지하기 위해 라우팅 탐색 한계는 12시간(720분)으로 설정하였다. 다만 접근성 지표 산정에서는 연도 및 시나리오 비교 가능성을 확보하기 위해 공통 기준으로 10시간(600분)을 적용하여 여부만을 반영하였다. 단, 오전 시간대 단일 윈도우 적용으로 시간대별 운행빈도 차이가 큰 수단(특히 고속·시외버스)에서 결과가 달라질 수 있으므로, 연구 결과는 “오전 9시 출발 기준 이동성”으로 해석한다.
Table 2.
Key parameters for travel time matrix computation using R5
3. 분석 시나리오 및 비교 설계
연구의 시나리오 분석은 특정 교통수단을 실제로 제거하는 정책적 상황을 가정하기보다는, 지역 간 대중교통 네트워크 내에서 각 수단이 담당하는 구조적 역할과 네트워크 의존성을 진단하기 위한 가상 제거 실험(counterfactual analysis)으로 설계되었다. 구체적으로, 전체 수단이 포함된 기준 시나리오(S1)와 특정 수단이 배제된 시나리오(S2–S4)를 비교함으로써, 특정 수단이 부재할 경우 잔존 네트워크가 이동성을 어느 정도 유지할 수 있는지, 즉 수단 간 대체 가능성과 구조적 취약성을 평가하고자 하였다. 이에 따라 본 연구는 Table 3과 같이 네 가지 분석 시나리오를 설정하였다. 한편 항공 수단은 육상 대중교통망과 네트워크 구조가 상이하고, 문전 간(door-to-door) 통행시간이 수속·보안·대기 등 비운행 요소에 크게 좌우되며, GTFS 기반 육상 네트워크와의 결합 시 별도의 모델링과 보정이 요구된다는 점을 고려하여 모든 시나리오에서 분석 대상에서 제외하였다.
Table 3.
Composition of transport modes by analysis scenario
본 연구의 시나리오 비교는 각 연도의 실제 GTFS 데이터를 기준으로 수행되므로, 분석 결과에는 특정 수단의 포함·제외에 따른 효과뿐만 아니라 노선 신설·폐지, 배차 간격 조정, 환승 구조 변화 등 잔존 네트워크의 연도별 변화가 함께 반영된다. 따라서 시나리오별 결과는 특정 수단의 기여도를 순수 효과(net effect)로 단정하기보다는, 해당 수단이 부재한 상황에서 잔존 네트워크가 이동성을 얼마나 유지할 수 있는지를 평가하는 구조적 회복력(resilience) 및 취약성 관점에서 해석하는 것이 타당하다. 각 시나리오의 분석 목적은 다음과 같다. S2 시나리오는 고속·시외버스를 제외함으로써 지역 간 통행에서 철도 수단이 제공하는 구조적 기여도와 네트워크 의존성을 상대적으로 파악하는 데 목적이 있다. 반대로 S3 시나리오는 철도 수단을 제외하여 고속·시외버스가 지역 간 통행의 주된 역할을 담당하는 상황을 가정함으로써, 코로나19 이후 고속·시외버스 공급 축소가 지역 간 이동성에 미친 영향을 보다 명확하게 관찰할 수 있는 시나리오로 해석할 수 있다. 마지막으로 S4 시나리오는 고속·시외버스와 철도를 모두 제외한 상태에서 지역 내 수단(시내·마을버스 및 도보 등)만으로 유지 가능한 최소한의 이동성 수준을 가정하며, 이를 통해 지역 간 통행에 대한 광역 대중교통 수단의 구조적 의존도를 진단하고자 하였다.
Table 4는 각 연도 및 시나리오에서 산정된 격자 간 OD 쌍의 규모를 제시하였다. 전체 수단이 포함된 S1 대비 고속·시외버스 및 철도가 모두 제외된 S4에서 OD 쌍 규모가 약 85% 축소되는 양상이 연도 전반에 걸쳐 일관되게 나타나, 고속·시외버스와 철도가 전국 규모의 지역 간 연결성 형성에 핵심적 역할을 수행하고 있음을 정량적으로 보여준다.
Table 4.
Number of inter-grid OD pairs calculated under interregional network analysis scenarios (unit: count)
마지막으로 접근성 변화의 공간적 불균등성을 진단하기 위해, 격자별 변화 기울기의 분포를 인구감소지역과 비감소지역으로 구분하여 비교하였다. 구체적으로 두 집단의 분포 차이를 확률밀도분포로 시각화하고, 분포의 중심 위치(location), 산포(spread), 비대칭성(skewness) 차이를 통해 접근성 변화의 구조적 특성이 지역 유형에 따라 어떻게 달라지는지를 평가하였다. 시나리오별 접근성 변화 기울기에 대한 인구감소지역과 비인구감소지역 간 분포 차이를 확인하기 위해 Wilcoxon rank-sum 검정을 실시하였으며(Mann and Whitney, 1947), 표본 크기가 매우 클 경우 미세한 차이도 통계적으로 유의하게 나타나는 p-value의 한계를 보완하기 위해 순위 기반 효과크기(effect size r)를 함께 산출하였다(Cohen, 1988; Fritz et al., 2012). 집단 간 분산의 동질성 여부를 확인하기 위해 Fligner–Killeen 검정을 적용하였으며(Conover et al., 1981), 변화 기울기 하위 5%를 극단적 저하(extreme tail)로 정의하고 인구를 가중치로 적용한 2×2 분할표에 Haldane–Anscombe 보정을 적용하여 극단값 집중도 오즈비((Extreme Odds Ratio, Extreme OR))로 산출하였다(Haldane, 1956; Anscombe, 1956).
분석 결과
1. 지역간 대중교통 공급규모의 변화
고속·시외버스 네트워크는 Table 5와 같이 팬데믹 이후 노선 수, 운행횟수, 운행거리 측면에서 모두 뚜렷한 감소를 보였다. 특히 2021년 감소 폭이 가장 컸는데, 이는 코로나19로 인한 수요 급감과 운영 여건 악화가 반영된 결과로 해석된다. 이후 2022–2024년에 일부 회복이 관찰되었으나, 2024년 기준 노선 수는 2019년 대비 약 35.7% 감소(4,859→3,125), 운행횟수는 약 24.8% 감소(35,627→26,785)하여 팬데믹 이전 수준에는 미치지 못하였다. 정류장 수 역시 2019년 2,030개에서 2024년 1,663개로 약 18.1% 감소하여 네트워크의 공간적 커버리지 축소가 확인된다.
노선별 운행횟수 분포의 변화는 공급 감소의 구조적 특성을 더 명확히 보여준다(Table 6). 2019년 대비 2021년에는 하루 10회 이상 운행되는 중·고빈도 노선이 크게 줄고, 하루 5회 이하 운행되는 저빈도 노선의 비중이 확대되었다. 2024년 노선 수는 일부 회복되었으나 저빈도 노선(≤5회) 비중이 높게 유지되어 서비스의 시간적 선택권 회복은 제한적인 것으로 나타났다. 이는 단순한 노선 축소를 넘어, 지역 간 이동의 시간적 선택권과 서비스 안정성이 구조적으로 약화되었음을 의미하며, 대체 수단이 제한된 인구감소지역에서 공급 축소가 이동성 저하로 직결될 수 있는 구조적 취약성을 시사한다.
Table 5.
Intercity bus network size by year (including express buses)
Table 6.
Changes in the distribution of routes by number of trips per route
2. 시나리오별 이동성 기반 접근성 변화의 공간적 양상
시나리오별 이동성 기반 접근성의 공간적 양상을 살펴보기 위해, 2024년을 대상으로 대중교통 이용 시 10시간 이내 도달 가능한 인구 비율의 공간 분포를 시나리오별로 제시하였다(Figure 1). 전체 수단 이용 시나리오(S1)에서는 수도권 및 주요 대도시권을 중심으로 도달 가능 인구 비율이 90% 이상인 격자(청색)가 광범위하게 분포하는 반면, 강원 내륙·경북 북부·전남 도서 지역 등 비수도권 농어촌에서는 낮은 비율(적색)의 격자가 산재하여 공간적 불균등성이 뚜렷하게 확인된다. 제주도는 해상 네트워크의 특성상 전 격자에서 도달 가능 인구 비율이 매우 낮게 나타났다. 다만 본 결과는 오전 9시를 기점으로 60분 타임 윈도우 내 중앙값 기준으로 산정된 이동시간에 기반하므로, 배차간격이 길고 시간대별 운행빈도 편차가 큰 고속·시외버스의 경우 출발 시각대에 따라 실제 대기시간이 크게 달라질 수 있어 접근성 수준이 시간대별로 상이하게 나타날 수 있다는 점을 고려하여 해석할 필요가 있다.
시나리오별로는 S1 대비 철도 제외(S3)에서 공간 분포가 매우 유사하게 나타나며, 고속·시외버스 제외(S2)에서는 비수도권 전반에 걸쳐 중간 수준(30~70%) 격자의 비중이 확대되고 특히 철도역 접근이 제한적인 중·소도시와 농어촌 지역에서 접근성 저하가 두드러지게 나타난다. 지역 간 수단 전체를 제외한 S4에서는 수도권 일부를 제외한 전국 대부분의 격자가 0~10% 구간(적색)으로 뒤덮여, 시내버스만으로는 지역 간 이동성이 사실상 유지되지 않음을 시각적으로 확인할 수 있다.
시간 임계치별 도달 가능 인구 비율의 변화를 시나리오 및 지역 유형별로 비교하였다(Figure 2). 각 곡선은 해당 시간 이내에 도달 가능한 전국 인구 비율의 중앙값을 나타내며, 곡선이 빠르게 상승할수록 짧은 시간 안에 더 넓은 인구에 접근 가능함을 의미한다. 수직 점선은 본 연구의 대표 시간 임계치인 2.5시간(150분)과 6.5시간(390분)을 표시한다.
전체 수단 이용(S1)에서 6.5시간 기준 전국 중앙값은 80.9%로, 현재 지역 간 대중교통 네트워크가 전반적으로 높은 수준의 이동성을 제공하고 있음을 확인할 수 있다. 철도 제외(S3)는 6.5시간 기준 65.8%로 S1 대비 감소하나, 10시간 기준(96.9%)에서는 S1(97.3%)과 거의 일치하여 충분한 시간이 주어지면 고속·시외버스만으로도 유사한 도달 범위가 유지됨을 시사한다. 반면 고속·시외버스 제외(S2)에서는 6.5시간 기준 인구감소지역 중앙값이 16.8%로, 비인구감소지역(83.1%)과의 격차가 두드러진다. 이는 철도역 접근이 제한적인 인구감소지역에서 고속·시외버스가 사실상 핵심 연결 수단으로 기능하고 있음을 보여준다. 지역 간 수단 전체를 제외한 S4에서는 6.5시간 기준 인구감소지역 중앙값이 1.7%에 불과하여, 시내버스만으로는 지역 간 이동성이 거의 유지되지 않음을 정량적으로 확인할 수 있다. 비인구감소지역(12.9%)과의 격차는 인구감소지역이 지역 간 대중교통 수단에 구조적으로 더 강하게 의존하고 있음을 보여주며, 공급 축소 시 이들 지역의 취약성이 더욱 심화될 수 있음을 시사한다.
3. 접근성 변화의 규모와 분포 특성
시간 임계치 선정의 타당성을 검토하기 위해, S1 시나리오의 2024년 격자 간 이동시간 행렬을 바탕으로 시군구 단위 지역내·지역간 통행시간 분포를 출발격자 인구 가중 기준으로 분석하였다(Figure 3). 분석 결과, 지역내 통행(출·도착 격자가 동일 시군구)의 인구 가중 중앙값은 150분, 인구 가중 평균은 106분으로 나타났으며, 지역간 통행(출·도착 격자가 서로 다른 시군구)의 인구 가중 중앙값은 388분, 인구 가중 평균은 316분으로 확인되었다. 이는 1시간(60분) 이내 통행이 지역내 통행의 하위 25%에도 미치지 못하는 초단거리 범위에 해당함을 의미하며, 해당 구간에서는 지역간 대중교통 수단의 구조적 역할이 거의 나타나지 않아 분석에서 제외하였다. 이에 따라 지역내 통행의 인구 가중 중앙값인 2.5시간(150분)과 지역간 통행의 인구 가중 중앙값에 근접한 6.5시간(390분)을 각각 지역내/지역간 통행의 대표 범위로 설정하였다. 10시간 기준은 극단값과 바닥 효과가 혼재하여 일관된 해석이 어렵다는 점에서 제외하였다. 이에 따라 기울기 변화 분석(Figures 4, 5)에서는 2.5시간과 6.5시간 기준을 중심으로 기울기 변화를 살펴본다.
2019–2024년 동안 접근 가능 인구 비율 변화의 연평균 기울기를 시나리오 및 통행시간 기준별로 산정하여 평균(mean)과 중앙값(median)으로 정리하였다(Figure 4). 전반적으로 대부분의 시나리오와 시간 기준에서 기울기는 음(-)의 값을 보여 분석 기간 동안 접근 가능 인구 비율이 감소하는 추세였음을 확인할 수 있다. S1(전체 수단)에서 6.5시간 기준 평균 기울기는 -0.183%p/년, 중앙값은 -0.035%p/년으로 나타나며, 다만 감소의 규모와 분포 패턴은 시나리오별로 뚜렷한 차이를 보인다.
6.5시간 기준에서 감소 폭이 가장 큰 것은 철도 제외(S3)로, 평균 기울기 -0.889%p/년, 중앙값 -0.613%p/년으로 다른 시나리오 대비 가장 큰 감소를 보인다. 이는 철도가 장거리 연결성 유지에 갖는 구조적 기여가 크고, 철도가 부재할 경우 잔존 네트워크(고속·시외버스)가 접근 가능 인구 범위를 충분히 대체하지 못하는 구간이 광범위하게 발생함을 의미한다. 다만 이 값에는 철도 제거 효과뿐 아니라 잔존 네트워크의 시계열 축소가 동시에 반영될 수 있으므로, 결과는 “철도 부재 + 고속·시외버스 이동성 약화”가 결합된 구조적 취약성의 관점에서 해석하는 것이 타당하다.
고속·시외버스 제외(S2)에서 잔존 네트워크는 철도 중심으로 구성되므로, 팬데믹 이후 철도 네트워크가 상대적으로 안정적으로 유지된 경우 감소 폭이 S1보다 작게 나타날 수 있다. 실제로 6.5시간 기준에서 S2 평균(-0.047%p/년)이 S1(-0.183%p/년)보다 감소 폭이 작게 나타나는데, 이는 버스 제외가 접근성을 개선했다기보다 철도 네트워크의 시계열 변화가 버스 부재로 인한 접근성 저하 효과를 상쇄했을 가능성을 시사한다. 반면 2.5시간 기준에서 S2의 평균(-0.020%p/년)은 S1(-0.035%p/년)보다 감소 폭이 작아, 중거리 범위에서 고속·시외버스의 부재가 미치는 영향이 제한적임을 보여준다.
버스와 철도를 모두 제외한 S4에서는 6.5시간 기준의 평균(-0.073%p/년)과 중앙값(-0.005%p/년)이 상대적으로 작은 절대값을 보이는데, 이는 잔존 네트워크의 성능이 양호해서가 아니라 지역간 수단이 모두 부재하여 도달 가능한 인구 자체가 구조적으로 제한되어 변화 기울기의 산정 여지가 좁아지는 바닥 효과에 따른 결과로 해석하는 것이 적절하다. 마지막으로 평균과 중앙값의 차이는 접근성 변화의 공간적 불균등성을 간접적으로 보여준다. 6.5시간 기준 S1에서 평균(-0.183%p/년)이 중앙값(-0.035%p/년)보다 절대값이 크게 나타나는 것은, 일부 격자에서 큰 감소가 발생해 평균을 견인하는 반면 전형적인 격자에서는 감소 폭이 상대적으로 작음을 의미한다. S3에서도 동일한 패턴(-0.889%p/년 vs -0.613%p/년)이 확인되어, 감소가 특정 지역에 집중되는 경향을 시사한다. 따라서 접근성 변화를 평균값만으로 평가할 경우 취약지역의 급격한 감소를 과소평가할 위험이 있다.
4. 인구감소지역과 비감소지역 비교
접근성 변화가 지역 유형에 따라 불균등하게 나타나는지를 검토하기 위해, 2019–2024년 동안 접근 가능 인구 비율 변화 기울기의 분포를 시나리오별·지역 유형별로 비교하였다. 분석은 2.5시간과 6.5시간 두 가지 시간 기준을 중심으로 수행하였으며, S1(전체 수단)과 S3(철도 제외)를 대표 시나리오로 선정하여 분포를 제시하였다(Figure 5).
2.5시간 기준에서 S1(전체 수단)의 전체 분포는 0을 중심으로 비교적 대칭적이지만, 왼쪽 꼬리(음의 방향)가 길게 나타나 일부 격자에서 접근 가능 인구 비율이 감소했음을 보여준다. 인구감소지역은 비인구감소지역에 비해 분포 중심이 더 음(-)의 방향으로 이동하고 산포도 확대되어, 평균적 감소 수준이 더 크고 격자 간 변동성도 큼을 확인할 수 있다. S3(철도 제외) 시나리오에서도 2.5시간 기준의 분포 패턴은 S1과 유사하게 나타나며, 인구감소지역에서 음(-)의 기울기 구간이 상대적으로 두텁게 형성되어 접근성 감소가 일부 격자에 집중되는 구조적 특성을 보인다.
6.5시간 기준에서는 시나리오별 차이가 더욱 뚜렷하게 나타났다. S1(전체 수단)에서 비인구감소지역 분포는 0 근방에 날카롭게 집중된 반면, 인구감소지역은 더 넓게 퍼져 있고 음의 방향으로 편중된다. S3(철도 제외)에서는 전체·인구감소지역 모두 분포가 음(-)의 방향으로 크게 이동하며, 평균 기울기(-0.889%p/년)가 다른 시나리오에 비해 가장 큰 감소를 보였다. 특히 인구감소지역에서 이러한 분포 이동과 산포 확대가 더욱 두드러져, 6.5시간 범위에서이들 지역에서 고속·시외버스가가 담당하던 지역 간 연결성 유지가 악화되고 있음을 확인할 수 있다.
분석 결과(Table 7), 2.5시간 및 6.5시간 기준 모든 시나리오에서 Wilcoxon 검정 결과 두 집단 간 분포 차이는 통계적으로 유의하였으나(p<0.001, S1 2.5h 제외), 효과크기(|r|)는 0.002~0.103으로 실질적 차이는 미미한 수준(negligible)이었다. Fligner-Killeen 검정 결과 분산 차이는 모든 시나리오에서 유의하여(p<0.001) 변동성 측면의 공간적 이질성은 뚜렷하였다. Extreme OR은 시간 기준과 시나리오에 따라 상이한 양상을 보였다. 2.5시간 기준에서는 대부분의 시나리오에서 OR이 1 내외(0.91~1.12)로, 인구감소지역이 이미 대중교통 공급이 최소화되어 있어 추가적인 하락폭이 제한되는 바닥 효과(floor effect)가 작용한 것으로 해석된다. 반면 6.5시간 기준에서는 모든 시나리오에서 OR이 1을 초과(2.74~22.79)하여, 장거리 이동 범위에서는 인구감소지역이 접근성이 급격히 저하될 위험이 비인구감소지역보다 유의하게 높음을 보여준다. 한편 S3의 6.5시간 기준 ΔMedian이 +0.013%p/년으로 양수를 보이는 것은, 중앙값 수준에서는 인구감소지역의 감소가 비감소지역보다 크지 않으나 Δ10th pct(-2.572%p/년)와 OR(19.95)에서 확인되듯 하위 취약 격자에서 감소가 집중되는 구조적 불균등성이 존재함을 의미한다. 이러한 결과는 시간 범위에 따라 취약성의 성격이 달라짐을 시사한다. 즉, 중거리(2.5시간) 범위에서는 인구감소지역이 이미 낮은 수준에 고착되어 변화 여지가 제한되는 구조적 고착이 나타나는 반면, 장거리(6.5시간) 범위에서는 공급 변화에 더 민감하게 반응하는 취약성이 확인된다.
Table 7.
Distributional differences in accessibility change slopes between depopulation and non-depopulation areas (2019–2024): within 2.5 hours and 6.5 hours
note: Slopes represent average annual trends in the reachable population ratio (2019–2024), calculated at 9:00 a.m. departure time with a 60-minute time window. Negative effect r indicates that depopulation areas tend to have lower (more negative) slope values. ΔMedian and Δ10th pct are differences between depopulation and non-depopulation areas (depopulation minus non-depopulation, %p/year). Extreme OR indicates the population-weighted odds of being in the bottom 5th percentile of slope, with Haldane–Anscombe correction. The 2.5-hour and 6.5-hour thresholds correspond to the population-weighted median travel times of intra- and inter-municipal trips, respectively (S1, 2024).
결론
본 연구는 2019–2024년 전국 GTFS 자료를 활용하여 지역 간 대중교통의 이동성 기반 접근성 변화를 500m×500m 격자 단위로 추적하고, 철도와 고속·시외버스 가상 제거 실험을 통해 수단별 구조적 역할과 취약성을 평가하며, 인구감소지역과 비인구감소지역 간 불균등성을 비교하였다. 시간 임계치는 지역내 통행의 인구 가중 중앙값(2.5시간)과 지역간 통행의 인구 가중 중앙값(6.5시간)을 실증적으로 도출하여 적용하였다.
분석 결과, 첫째 이동성 기반 접근성은 분석 기간 전반에 걸쳐 감소하는 경향을 보였으며, 이는 팬데믹 이후 고속·시외버스 네트워크의 노선·빈도 축소가 누적된 공급 구조 변화와 맞물려 나타난 것으로 해석된다. 2024년 기준 전국 평균 도달 가능 인구 비율은 S1(전체 수단) 기준 10시간 이내 83.9%로 나타났으나, 지역 간 수단 전체를 제외한 S4에서는 18.4%로 급감하여 고속·시외버스와 철도의 구조적 기여를 정량적으로 확인하였다.
둘째 수단별 역할은 시간 임계치에 따라 달랐다. 철도는 장거리 범위(6.5시간)에서 전국 연결성을 지탱하는 핵심 골격으로 기능하며, 철도 제외 시 도달 가능 인구 비율의 감소가 가장 크게 나타났다(평균 기울기 -0.889%p/년). 고속·시외버스는 전반적 기여도는 제한적이나, 6.5시간 기준 시간 임계치 곡선 분석에서 고속·시외버스 제외 시 인구감소지역 중앙값(16.8%)이 비인구감소지역(83.1%)과 크게 차이를 보여, 철도역 접근이 제한적인 지역에서 버스가 사실상 핵심 연결 수단으로 기능하고 있음을 확인하였다.
셋째 접근성 변화는 공간적으로 균등하지 않았고, 인구감소지역에서 감소 폭과 변동성이 더 크며 특정 수단 부재에 더 민감하게 나타났다. 6.5시간 기준 인구감소지역의 Extreme OR은 S1 기준 22.79로, 대체수단이 제한된 취약지역에서 공급 축소가 완만한 저하가 아니라 연결성 단절에 가까운 저하로 이어질 수 있음을 시사한다. 반면 2.5시간 기준에서 OR이 1 미만으로 나타나는 것은 인구감소지역이 이미 낮은 수준에 고착된 구조적 취약성을 반영한다.
본 연구의 정책적 함의는 다음과 같다. 첫째, 지역 간 대중교통 정책은 평균적 서비스 수준뿐 아니라 접근성 변화의 분포(특히 하위 꼬리)를 함께 모니터링해야 하며, 본 연구의 Extreme OR 및 Δ10th pct 지표를 활용한 조기경보 체계 구축이 유효하다. 둘째, 철도는 장거리 연결성의 핵심 골격으로 안정적 유지가 우선되어야 하며, 고속·시외버스는 인구감소지역에서 사실상 유일한 지역간 연결수단으로 기능하므로 수요 감소를 이유로 한 일률적 노선 폐지보다는 전략적 유지 기준의 명문화가 필요하다. 이때 본 연구에서 구축한 GTFS 기반 경로탐색 결과를 이러한 정책 설계에 직접 활용할 수 있다. 구체적으로 연도별·시나리오별 이동시간 행렬에서 실제 경로탐색에 활용된 노선을 추출함으로써 인구감소지역의 지역간 연결에 구조적으로 기여하는 필수 노선을 식별하고, 노선별 대체 가능성 및 접근성 기여도와 결합하면 폐지·감차 시 이동성 저하가 집중될 취약 노선의 우선 보호 기준 수립에 활용할 수 있다. 셋째, 인구감소지역에 대해서는 철도역·고속버스터미널을 거점으로 한 환승 체계 강화, 노선망 재편 시 시군구 단위 최소 연결성 기준(예: 인근 광역 거점까지 일정시간내 도달 가능 여부)의 명시, DRT 등 유연한 서비스와의 결합이 병행되어야 한다.
다만, 본 연구는 다음과 같은 한계를 갖는다. 이동성 지표가 오전 9시 단일 타임 윈도우 기준으로 산정되어 시간대별 변동을 충분히 반영하지 못하며, 공급 측면의 도달범위만을 측정하므로 실제 이용자 특성 및 이동 제약 계층을 고려하지 않았다. 또한 인구감소지역 지정이 행정구역 단위로 이루어져 격자 간 이질성이 희석될 가능성이 있으며, S3 시나리오의 기울기에는 철도 부재 효과와 잔존 버스 네트워크의 시계열 변화가 함께 반영되어 있어 순수 인과효과가 아닌 구조적 취약성 진단으로 해석되어야 한다. 향후 연구에서는 고용·의료·교육 등 목적지 데이터를 결합하여 이동성 변화가 실제 기회 접근에 미치는 영향을 함께 평가할 필요가 있다.
