서론
선행 연구
방법론
1. 대중교통 이용자의 분류
2. 회복탄력성
데이터 처리
1. COVID-19 대유행 기간별 구분
2. 매개 변수 정의
결과
1. 초기 탑승 수요(Initial onboarding)
2. 최소 탑승 수요(Minimal onboarding)
3. 회복 탑승 수요(Recovered onboarding)
4. 수요 회복 속도(Recovery speed)
결론 및 향후 연구 방향
서론
2019년 12월에 출현한 코로나바이러스COVID-19에 의하여 현재까지 230개국에서 6억8천만 명 이상의 감염자와 68만 명 이상의 사망자가 발생하였다. 실제 실험이 불가능하다는 특성 상 감염병 연구는 대부분 컴퓨터 시뮬레이션을 통해 수행되기에, 콜레라(1849), 스페인 독감(1918), 메르스-CoV(2012), 조류 인플루엔자(2014), SARS-CoV-2(2019)와 같은 실제 팬데믹 발발 시 수집되는 데이터는 현실적인 감염 경로, 공중 행동 연구 등에 귀중한 자료가 된다. 세계적인 규모로 수 년이 넘게 이어진 COVID-19 팬데믹 또한 의학과 보건은 물론 문화, 소비 등을 포함한 다양한 분야에서 사람들의 삶에 큰 영향을 끼쳤고, 이를 분석함으로써 사회 내 잠재적인 문제를 발굴하고 그 해결책을 찾기 위해 다양한 학문 분야에서 많은 연구가 진행되고 있다.
특히 교통 분야에서는 팬데믹 상황으로 인한 차량 교통량 변화와 항공, 철도, 버스 등 교통 인프라와의 관계에 대한 연구가 활발하다. 감염병은 대부분 감염원이 있는 사람과의 근거리 접촉을 통해 전염되므로, 각종 교통 수단은 높은 인구 밀도로 먼 거리를 이동하는 특성 상 감염병 전파에 있어 매우 중요한 변수이기 때문이다. 또한, 대중교통 이용자들의 교통 인프라 이용 현황 및 인식 역시 팬데믹 이후 크게 변화하였음을 확인할 수 있다. COVID-19 발병 직후 대중교통 이용자 수가 크게 감소하였으며(Canals, 2020), 설문 조사 결과 대중교통의 이용을 위험하다고 인식하고 제한하고자 하는 응답이 다수를 차지하였다(Sträuli et al., 2022).
세계적으로 가구 소득, 성별, 인종 등 다양한 기준에 따라 분류되는 취약계층은 동일한 사건이 발생하더라도 교육 격차, 위생 접근성 등의 측면에서 더 많은 피해를 입는 경향이 있다(Blundell et al., 2022; Ekumah et al., 2020). 대중교통 인프라의 불균형 또한 시민들의 사회적 배제감에 큰 영향을 미친다. 본 연구는 수요 데이터의 분석을 통해 도시 생활권별로 서로 다른 경향이 나타남을 보인다. 대규모 전염병 전파 시 계층과 지역에 따라 사람들이 대중교통을 이용하는 패턴의 차이를 정량적으로 입증하여, 추후 유사한 상황에서 이를 대중교통 관련 정책 수립 등에 참고할 수 있는 것을 목적으로 한다.
선행 연구
팬데믹으로 인한 교통 수요에 관련된 국내 선행연구는 주로 수도권 대중교통을 기반으로 수행되었다(Lee et al., 2021; Park, 2020; Lee and Sohn, 2021). 대한민국 수도권은 대중교통이 도시 전역에 밀집해 있어 대체 경로 및 대중교통 수단을 선택하기 편리하다. 때문에 교통 접근성 관점보다는 특정 역을 이용하는 인구 분포에 대한 분석에 초점이 맞춰져 있다. 비수도권 지역을 대상으로 한 연구에서는(Kim et al., 2021) 차량의 이용과 이용자의 거주지에 따른 소득 수준을 연계하여 대중교통과 자가용 이용을 분석하였으나, 전체 도시 지역을 균일하게 분할해 분석하여 각 거주 지역의 개별 특성이 구체적으로 반영되지 못하였다. 따라서 대도시 지역과 달리 대중교통 수단 선택의 폭이 상대적으로 적은 비수도권을 대상으로 한 대중교통 시스템 연구가 필요하다.
또한, Resilience Index 정의를 통한 정량화, 대체 교통수단의 선택을 통한 수요 회복 방안 등 감소한 수요의 회복에 집중한 연구도 다수 이루어지고 있다(Li et al., 2022; Alsayed et al., 2022; Kim et al., 2022). 특히 팬데믹에 의한 수요량 감소와 회복의 변화를 살피는 개념의 기초를 회복탄력성에 두는 연구의 경우, 방역 정책에 따른 회복력을 평가하고(Guo et al., 2021), 교통 시스템의 견고성, 신속성 등의 특성을 식별하고(Zhang et al., 2023), 통근자, 노약자, 학생 등 이용자 유형에 따른 이동 행태의 탄력성 차이(Wang et al., 2022) 등을 보였다.
본 연구에서는 대중교통 수단 선택에 대한 편의성이 비교적 낮은 지역을 대상으로, 정량적인 데이터를 이용한 분석을 수행한다. 회복탄력성 모델의 매개변수 정의를 통해 대중교통 이용 수요량 데이터를 반복 충격에 대한 회차별 차이 및 지역적 특성을 중심으로 살펴보고 이용자 유형 구분과 연계한다. 그를 위해 대중교통 이용자를 특성에 따라 분류하는 기준과 회복탄력성 모델 설정 방법에 대하여 이어서 설명한다.
방법론
1. 대중교통 이용자의 분류
대중교통 이용자는 선택적 이용자(Choice User)와 비선택적 이용자(Captive User)로 구분된다(Keefer, 1962). 선택적 이용자는 자신의 차를 가지고 있으나 환경 친화, 정시성 등의 이유로 대중교통을 이용하는 사람들, 비선택적 이용자는 차를 소유하고 있지 않아 원거리 이동을 위해 대중교통을 이용할 수밖에 없는 사람들이다. 선택적-비선택적 대중교통 이용자의 개념은 대중교통을 이용하는 방식을 이해하는 데 유용한 도구로서 60년 이상 대중교통 연구의 기초 패러다임으로 이용되고 있다. 팬데믹 이후의 대중교통수단 이용에 대한 설문조사(Rauws et al., 2020)에 따르면 팬데믹 상황이 종료된 후에도 대중교통 탑승을 줄일 것이라는 응답이 선택적 대중교통 이용자들은 35.1%, 비선택적 이용자들은 17.6%로 선택적 이용자들이 2배가량 높았다. 이를 통해 현재 대중교통을 이용하는 사람들은 선택적 이용자보다 비선택적 이용자가 더 높은 비율을 차지하고 있음을 유추할 수 있다.
2. 회복탄력성
회복탄력성은 시스템이 외부 충격을 견디고 회복하는 능력을 의미하며 경제, 공동체, 인프라 등 넓은 분야에서 유용하게 이용되는 개념이다(Gonçalves, 2020). 시스템이 충격을 입은 후 회복하는 과정은 시스템과 충격의 특성에 따라 Figure 1과 같이 다양한 모양을 보인다(Ayyub, 2014). 그래프를 특징짓는 데에는 주로 1) 충격 전의 값 2) 최대 감소량 3) 최대 복원값 4) 해당 지점들의 시간과 같은 매개변수가 이용되나, 연구 목적에 따라 다양하게 정의되고 이용될 수 있다. 본 연구에서 정의한 매개변수의 정보는 Table 2에서 자세히 서술한다.
Figure 2는 한국에서 COVID-19 대유행이 처음 발생한 2020년 1월 20일부터 2020년 8월 11일까지 205일 동안 대전 시에서 승객 수요가 가장 많은 세 노선(312번, 617번, 918번)의 승차량이다. 그래프 상으로는 회복탄력성 모델의 각 단계가 보다 잘 드러나도록 회복 지점 이후의 기간을 생략하였다. COVID-19 대유행의 시작 이후 승차량의 값이 급격히 줄어든 뒤 V자형으로 회복되는 패턴이 나타나는 것을 알 수 있다. 이와 같이 대중교통 승차 수요는 1-3차에 걸친 대유행이 발생할 때마다 충격-회복의 전형적인 모습을 보여주며, 이는 COVID-19 대유행 상황을 회복탄력성 모델에서 외부 충격으로 볼 수 있다는 것을 시사한다. 또한 각 노선의 일반적인 회복 패턴은 유사하면서도 감소 및 복구 비율, 시간 등의 상세 현상이 서로 다른 양상을 보인다. 따라서 한국의 COVID-19 대유행으로 인한 대중교통 이용 변화를 정량적으로 관찰하기 위해 회복탄력성 모델과 대중교통 수요에 특화된 주요 매개변수를 정의한 후 1-3차 충격에 대한 승객 승차량 데이터를 분석했다.
데이터 처리
대상 지역으로 선정된 대전은 버스와 도시철도를 보유하고 있어 대중교통 이용자의 대체 교통수단 모드 선택을 고려할 수 있고, 선택 옵션이 한정되어 있어 분석 결과가 명확하며, 도시철도 노선이 지나는 지역의 확인이 용이하여 지역별 대중교통 접근성의 영향을 확인할 수 있다. 다만 두 교통수단의 환승 정보의 부재로 인해, 단일 노선의 특성상 주요 지역이 배제되어 시내 전반 수요를 고르게 살펴보기 어려운 도시철도 이용 데이터 대신 1400여개의 버스 정류장이 고르게 분포된 버스 데이터를 연구 대상으로 한정하였다. 대전시의 데이터 웨어하우스 시스템에서 2020년 3월부터 2022년 2월까지 화, 수, 목요일의 노선별, 시간별 승하차, 경유, 환승 승객 수 데이터를 시간별로 확보하였다. 전체 노선 중 범위가 너무 좁거나 넓은 마을버스와 광역버스, 임시 운행하는 시범노선을 제외하고 76개의 노선에 해당하는 데이터를 확보하였다. 또한 지역적 특성 분석을 위해 대전 시내버스 노선별 버스 정류장 데이터를 공공데이터포털을 통해 확보하였다.
Figure 3은 데이터 전처리 과정 예시를 보여준다. 가장 먼저, 주말-주중 통행인구 변화 패턴의 영향을 줄이기 위해 원시데이터에서 주중-화, 수, 목요일- 데이터를 필터링하였다. 이후 이상값의 영향을 줄이고 전처리 과정에서 발생하는 편향을 방지하기 위해 보편적으로 사용되는 running median 알고리즘과 local weighted regression(LOESS)을 사용하여 smoothing 및 fitting 과정으로 데이터를 전처리하였다. Running median 알고리즘은 정해진 길이를 가진 순열의 중간값을 계산하는 알고리즘으로서, 시계열 데이터의 이상값을 제거한다. LOESS는 local regression의 기법 중 하나로 가중평균 회귀를 사용하고 가중치를 조정하여 이상치에 영향을 적게 받는 추세 추출 알고리즘이다. 수요 감소값을 명확히 반영하는지, 과대적합으로 이상치가 그대로 남아있지는 않는지 등의 기준을 적용해 실험적으로 최종 running median 알고리즘의 span값은 7, LOESS span값은 0.05로 결정되었다.
1. COVID-19 대유행 기간별 구분
한국 질병관리청은 1-3차 COVID-19 대유행 기간을 Table 1과 같이 정의한다.
Table 1.
Three phases of the COVID-19 pandemic in Korea
| Phases | Period |
| 1st | 20/01/20-20/08/11 (205 days) |
| 2nd | 20/08/12-20/11/12 (93 days) |
| 3rd | 20/11/13-21/07/06 (236 days) |
각 대유행 회차별로 수요량의 변화 경향성을 간략히 살펴보고 승객 수요량이 회복 탄력성 모델에서의 충격-회복 형태를 따라감을 확인하기 위해, 대전광역시내 노선 중 가장 수요가 많은 312번과 617번 두 노선의 데이터를 대표적으로 선정하여 질병관리청에서 정의한 대유행 기간에 따라 데이터를 나누었다. 이어 수요량의 상대적 변화 추이를 살피기 위해 수요량 축의 범위를 조정하여 Figure 4와 같이 나타내었다. 회차별 수요량 변화 양상은 구분되어 나타나지만, 서로 다른 노선의 동일한 회차 그래프는 유사한 경향성을 보인다. 대유행의 시작 이후 수요량의 급락 및 회복 패턴을 보았을 때, 회복탄력성 모델에서의 충격-회복 형태를 따르는 것을 볼 수 있으며, 각 회차별로 구분된 모델의 적용이 필요함을 확인할 수 있다. 전체 노선의 경향성에 대해서도 한국 질병관리청에서 정의한 1-3차 COVID-19 대유행 기간으로 구분하여 분석하였다.
2. 매개 변수 정의
본 연구에서 대중교통 이용 변화를 정량적으로 관찰하기 위해 정의한 매개변수를 Figure 5 및 Table 2에 나타내었다. 각 회차별로 회복탄력성 모델을 적용하고 그 형태를 분석하기 위해 특징적인 지점들을 기준으로 매개변수를 정의하였다. 정의된 매개변수는 시간 관련 변수, 탑승 수요 관련 변수, 수요 회복 속도로 구분된다. 대유행 회차별 충격에 의한 수요량의 감소가 나타나는 시점 및 해당 시점의 수요량을 및 , 이후 극솟값이 나타나는 시점 및 수요량을 및 , 수요량의 회복이 완료되는 시점과 그때의 수요량을 및 로 정의한다. 수요량의 회복은 대유행 시작으로 인한 대중교통 사용자들의 위축이 회복되고 감염자의 자가격리가 해제되는 것으로 이루어진다고 보고, 국가에서 논의된 이력이 있는 감염자 자가격리 기간 중 가장 장기 의견이었던 3주 범위 내에서 첫 극댓값이 나타나는 시점을 회복 시점으로 정의하였다. 수요 회복 속도는 회복 소요 시간 대비 회복된 수요량인 수식으로 정의된다.
Table 2.
Parameters of shock phase N (for each line)
세 번에 걸친 대유행 회차별로 한 가지 매개변수를 정해 모든 노선에서 그 값을 나타내는 경우 Figure 6과 같은 그래프가 얻어진다. 이어지는 결과에서는 노선별로 산출된 매개변수의 전반적 변화를 살펴봄으로써 해당 회복탄력성 매개변수의 특징적 변화를 살펴본다. 추가로 1) 전체 노선의 평균값, 2) 큰 값을 보이는 10개 노선의 평균값, 3) 작은 값을 보이는 10개 노선의 평균값을 비교하며 노선이 지나는 지역의 특성 또한 함께 고려해 분석해본다.
결과
노선별로 얻어진 매개변수 값의 변화를 1-3차 대유행의 순서에 따라 표출하고, 평균값을 기준으로 상위 10개 노선, 하위 10개 노선을 분류한 뒤 해당 노선 경로를 지도에 표출하여 비교하였다.
1. 초기 탑승 수요(Initial onboarding)
초기 탑승 수요를 나타내는 Figure 7은 직전 대유행 시기에서 벗어났다고 대중이 인식하는 상황에서 대중교통 수요량의 회차별 변화라고 볼 수 있다. COVID-19 대유행의 영향을 받기 전인 1차에 해당하는 변수값이 가장 높고, 2차에 해당하는 초기 탑승 수요가 가장 낮다. 3차 대유행 시기의 초기 탑승 수요값 차이가 두드러지는데, 상위 노선의 승객 수는 다시 1차 대유행 시기에 가깝게 상승하였으나 하위 노선의 승객 수는 비슷하게 유지되었다. 팬데믹 해소 이후에도 대체 교통수단을 선택하여 대중교통 수요량의 회복 수준이 낮은 Choice User의 비율이 하위 노선에서 높음을 유추할 수 있다.
변수값 상위 10개 노선과 하위 10개 노선의 경로를 지도에서 살펴보았을 때, 대전 북쪽 신탄진 및 보문 외곽으로 이동하는 노선에 대한 수요가 강하게 나타났다. 반면 문지, 반석, 도안 등 승용차가 이동의 주요 수단으로 꼽히는 중부 신도시 지역에서는 대중교통 노선의 수요가 비교적 낮았다.
2. 최소 탑승 수요(Minimal onboarding)
Figure 8에서 나타내는 최소 탑승 수요는 회차별 대유행 충격의 영향이 가장 크게 나타나 수요량이 가장 낮아졌을 때의 수요량을 의미한다. 1차 대유행 시기에는 1차 초기 수요 대비 54% 정도로 수요량이 감소하였으나, 2, 3차 대유행 시기에는 수요량 감소율이 다소 완화된 것으로 보인다. 이는 이용자들이 대유행 충격에 적응하여 충격에 따른 변화가 민감하게 나타나지 않는 현상으로 해석할 수 있다. 다만 상위 노선에 비해 하위 노선의 수요량 감소율이 덜 완화되었다. 이 역시 초기 탑승 수요 변수와 마찬가지로, 선택적 이용자 Choice User의 비율이 하위 노선에서 높았음을 의미한다.
변수값 상위 10개 노선과 하위 10개 노선의 경로를 지도에서 살펴보았을 때, 초기 탑승 수요 분석과 유사하게 대전 북쪽 외곽으로 이동하는 노선의 최소 탑승 수요량이 더 높고, 중부 신도시 지역의 최소 탑승 수요 값이 낮았다.
3. 회복 탑승 수요(Recovered onboarding)
회복 탑승 수요는 회차별 대유행 충격에서 회복된 탑승 수요를 나타낸다. Figure 9에서 볼 수 있듯 1-3차 대유행 시기를 거치며 비슷한 값을 보이지만, 상위 노선은 1차 초기 수요와 거의 유사한 값을 나타내는 반면 하위 노선은 1차 초기 수요 대비 80% 초반에 그친다. 하위 노선을 이용하던 승객들 중에는 팬데믹 이후에도 대중교통을 탑승하지 않을 이용자의 비율이 높을 것임을 유추할 수 있다. 즉, 대중교통을 이용하지 않을 수 있는 선택적 이용자 Choice User의 비율이 하위 노선에서 높았음을 알 수 있다. 마찬가지로 상위 10개 노선과 하위 10개 노선의 경로를 지도 상에서 살펴보았을 때 역시 유사한 지역의 경로들이 상위 및 하위 노선으로 선정되었다.
4. 수요 회복 속도(Recovery speed)
최소 탑승 수요에서 회복 탑승 수요까지 수요가 회복되는 속도를 산출해 Figure 10으로 나타낸 수요 회복 속도값은 전체 노선에 대해 1-3차 대유행을 지나며 지속적으로 감소한다. 회복되는 시간이 더 소요되기보다는, 최소 탑승 수요와 회복 탑승 수요의 크기 차이가 대유행 회차를 지나며 점차 줄어든 영향이다. 이 역시 이용자들이 대유행 충격에 적응하여 충격에 따른 변화가 민감하게 나타나지 않는 현상으로 해석할 수 있다.
또한, 상위 및 하위 노선을 비교해볼 때 유의미한 차이가 나타난다. 수요 회복 속도 변수 역시 이전에 살펴본 다른 매개변수들의 경우와 유사한 지역의 경로들이 상위 및 하위 노선으로 선정되었다. 상위 10개 노선 그룹이 하위 노선에 비해 전체적으로 수요 회복 속도값이 높고, 2, 3차 대유행의 결과값이 비슷하게 나타난다. 이는 상위 노선 그룹에서 팬데믹이 해소되면 대중교통을 다시 이용하게 되는 비선택적 이용자 Captive User의 비율이 높음을 의미한다.
결론 및 향후 연구 방향
본 연구에서는 한국 질병관리청이 정의한 1-3차 COVID-19 대유행을 시스템에 가해진 외부 충격에 대한 회복탄력성의 관점으로 분석하였다. 대전광역시의 대중교통 탑승 수요 데이터를 전처리하여 각 대유행 시기별로 충격-회복 모델을 수립하고, 대표적인 매개변수를 추출하여 변화 추이를 비교하였다. 그를 통해 대전시의 전체적인 회복탄력성에 대한 이해와, 대중교통 노선 및 지역에 따른 차이 등을 분석하였다. 수요 데이터의 분석을 통해 대규모 전염병 전파 시 이용자 유형 및 계층과 지역에 따라 사람들이 대중교통을 이용하는 패턴의 차이를 정량적으로 입증하여, 도시 생활권별로 서로 다른 경향이 나타남을 보였다.
그 결과 대중교통 이용자들은 1-3차 대유행을 거치며 대유행 충격에 대한 영향이 적어지는 적응성을 공통적으로 보인다. 하지만 기존 수요량으로 회복하는 구체적인 양상에 있어 지역에 따른 불균형이 나타남을 확인하였다. 모든 매개변수 분석에서 신탄진, 보문 등 대전 북쪽 지역의 대중교통 이용자들이 타 지역에 비해 대유행 위험에도 불구하고 대중교통을 지속적으로 이용하거나 대유행이 지난 뒤 원래 수요에 가깝게 회복하는 일관된 결과를 보인다. 대중교통 접근성과 선택지 다양성이 낮은 지역일수록 상대적으로 충격 상황에서도 높은 적응력과 대중교통 의존도를 갖지만 이 현상이 해당 지역 대중교통 이용자의 자의적 선택이 아닌 타의적 상황에 기반하고 있을 가능성이 높음을 의미한다.
전 세계의 감염 역학 전문가들은 COVID-19 사태 이후에도 다양한 병원체에 의한 팬데믹 현상이 주기적으로 다가올 것이라 예상하고, 미래 팬데믹 상황에 다양한 대응을 준비해야 한다고 제언한다. 이에 대응하여 대유행 예측, 신속한 대비 체계, 국가 간 협업 등 다양한 토의가 이루어지고, 교육, 정신 건강, 생필품 공급 등 시민들의 생활 패턴 변화에 대한 의견 교류가 있지만 이동권에 대해서는 상대적으로 충분한 논의가 부족한 상황이다. 지역 간에 존재하는 대중교통 접근성 불균등을 본질적으로 해소하기 위한 인프라 확충 정책 제안과 빠른 시행이 촉구된다.
본 연구에서 사용된 데이터는 환승 승객의 수요가 개별적으로 연결되어 있지 않았기 때문에 환승 승객의 여정은 별개의 수요로 취급되었다. 이러한 정보가 보완되었다면 보다 정확한 수요량 변화를 확인할 수 있었을 것이다. 또한, 각 회차별로 시기를 구분하기 위해 한국 질병관리청의 COVID-19 대유행 시기 정의를 따랐으나, 특정 사건을 기반으로 시기를 정의하였기 때문에 실제 감염병의 유행 시기와 정확히 합치하지 않을 수 있다. 따라서 감염자 수 등 실제 대유행 상황과 보다 밀접하게 연계된 정보에 기반해 시기를 구분해보는 것도 결과 분석에 긍정적인 영향을 줄 것이다. 더불어 지역별로 재택근무 혹은 통근 등 주요 고용 형태 및 실업률을 함께 분석하면 지역적 특성을 보다 잘 반영한 결과를 얻을 수 있을 것으로 보인다.
