Research Article

Journal of the Korean Geographical Society. April 2020. 161-179
https://doi.org/10.22776/kgs.2020.55.2.161


ABSTRACT


MAIN

  • 1. 머리말

  • 2. 빅데이터와 도시연구

  •   1) 빅데이터의 성격과 이용추이

  •   2) 도시연구에서 빅데이터의 기여와 한계

  • 3. 도시 분야 빅데이터 연구동향의 분석방법

  • 4. 도시 분야 빅데이터 연구동향의 특성

  •   1) 빅마켓: 누가/무엇이 두드러진가?

  •   2) 빅네임: 누가/무엇이 영향력이 큰가?

  •   3) 빅네트워크: 누가/무엇이 중요한 역할을 하고 있나?

  • 5. 빅데이터 도시연구의 향후 전망

  • 6. 맺음말

1. 머리말

이른바 4차 산업혁명이라고 하는 새로운 물결이 사람들의 생활 속에서 여러 가지 커다란 변화를 만들어내고 있다. 4차 산업혁명의 근간에는 여러 가지 새로운 기술들이 자리 잡고 있는데, 주요한 기술 분야들로 사물인터넷(IoT), 인공지능(AI), 3D 프린팅 등과 함께 빅데이터가 핵심적인 위상을 차지하고 있다(강대중 등, 2018). 인공지능이 이미 제법 오래전부터 학술연구에서 관심의 대상이었던 반면에1) 빅데이터는 비교적 최근 형성된 개념으로 사물인터넷을 포함한 고도로 발전된 정보통신기술의 발전에 그 바탕을 두고 있다. 새로운 기술로 무장된 측정 장비들과 측정된 정보를 실시간으로 보낼 수 있는 전송장비들, 그리고 이들을 정리하고 저장할 수 있는 대용량의 서버 등을 통해 현재 다양한 방면에서 빅데이터가 축적되어 가고 있다.

빅데이터의 유용성이 가장 잘 드러나는 장소는 도시이다. Wirth(1938)의 지적처럼 도시는 무엇보다도 대규모성에 의해 특징 지워지는 공간이기 때문이다. 도시에 거주하는 인구가 대규모이므로 이들이 행하는 활동들도 대규모이고 그러한 활동이 공간상에 투영된 결과물 또한 대규모적이다. 현대로 오면서 점점 더 커지는 모집단의 규모 때문에 전수분석이 어려워지게 됨에 따라 비교적 적은 수의 표본만을 이용하면서도 모집단의 성격을 잘 분석해 내기 위한 추론통계학이 발전하게 되었으나 그 결과는 어디까지나 확률적인 추측이지 이를 실제의 모습이라고 단언할 수는 없었다. 그에 비해 빅데이터는 도시의 모습을 있는 그대로 보여주는 자료라는 점에서 더 확실한 정보를 제공해 준다고 볼 수 있다.

이런 장점 때문에 빅데이터라는 용어가 탄생하고 개념화되어 유행이 되어오는 학문적인 과정 속에서 도시 혹은 도시 내의 현상들은 빅데이터를 활용한 분석의 주요한 대상이 되어왔다. 빅데이터 이용 연구가 더욱 활발해져서 분석방법론의 측면에서 하나의 독립적인 하위분야로 자리를 잡아 나갈 것으로 전망되는 현재의 시점에서 이들 연구들의 양상이 어떻게 변화되어 왔고 또 이를 바탕으로 앞으로 어떻게 전개되어 나갈지를 검토해 보는 것이 필요하다. 그럼에도 도시를 대상으로 빅데이터를 이용한 연구들에 대한 동향과 추이를 분석해본 연구는 아직까지는 이루어지지 않았으며, 본 연구는 바로 그러한 문제제기로부터 출발하게 되었다.

본 연구의 목적은 빅데이터를 이용한 도시연구들을 살펴보고 그 연구동향에 있어서의 특성들을 확인해 보고자 하는 것이다. 보다 구체적으로 Web of Science의 SSCI 데이터베이스를 이용하여 국제학술지를 대상으로 검색된 빅데이터를 이용한 도시를 대상으로 하는 경험연구들을 분석하여 이들 연구들이 가지는 연구 성격적 특징들(분야, 시기, 연구지역, 빅데이터 유형, 연구자 특성 등), 연구별 영향력의 정도(인용횟수 등), 그리고 학술지 간 인용관계의 특성(인용-피인용 네트워크상의 특성 등)을 밝혀 보고자 한다. 이를 위해 먼저 다음 장에서는 도시 연구에서 빅데이터가 가지는 함의를 중심으로 기존연구들의 논의를 정리하고, 3장에서 연구방법론에 대해 기술한 뒤 4장에서 실증분석결과를 제시하고 5장에서는 빅데이터 도시연구의 향후 방향에 대해 논의한 후, 마지막 6장에서 결론과 연구의 함의를 정리하고자 한다.

2. 빅데이터와 도시연구

1) 빅데이터의 성격과 이용추이

빅데이터는 전통적인 데이터가 가지는 한계를 여러 가지 차원에서 극복할 수 있게 해 주는데, 그 중 가장 핵심적인 부분이 현재성이다. 전통적 자료의 대표적 사례인 센서스의 경우 일정한 시점에 조사가 이루어지고 그 결과는 이후에 데이터화되어 이용가능하게 되므로 시간적인 간극이 발생하게 된다. 이럴 경우 지식서비스와 같이 시공간적으로 매우 유연한 경제활동 부문의 고용분포의 경우 현재의 정확한 상황을 파악하는데 한계가 있을 수밖에 없다(Pajevic and Shearmur, 2017). 이 경우 정보통신기술을 활용하여 빅데이터가 집계된다면 현재 시점에 보다 정확한 정보를 제공할 수 있는 가능성이 높아지게 된다.

현재성과 함께 또 한 가지 핵심적인 부분은 참여성이다. 기존의 데이터들에서 도시민은 집계되는 데이터의 수동적인 대상이었다면 빅데이터의 경우에는 보다 능동적으로 데이터의 구축에 참여가 이루어질 가능성이 높다(구자용, 2016; 우현지·김영훈, 2017; 문성국 등, 2018). 여기에는 휴대전화의 위치추적 신호나 교통카드의 단말기 태그 등 소극적인 방식뿐만 아니라 사회관계망 서비스(SNS) 등을 통한 보다 적극적인 방식의 참여가 포함된다. 이와 같은 자발적 참여에 의한 능동적인 데이터의 구축이 가능한 배경에는 스마트폰 등 모바일 디바이스의 휴대성과 뛰어난 자료수집능력(이종원·오선민, 2016), 그리고 스마트폰의 이용률과 이용시공간의 확장(이금숙·박소현, 2018) 등을 꼽을 수 있다.

최근 빅데이터의 이용은 크게 확산되어 왔으나 그 정의에 대한 공감대는 적다(Graham and Shelton, 2013; O’Sullivan and Manson, 2015; Salmond et al., 2017). Pajevic and Shearmur(2017)는 정보와 수단의 측면에 주목하면서 빅데이터는 센서를 통해 이용자들로부터 얻어지는, 그리고 실시간으로 상황변화에 대응하게 해 주는 데이터라고 정의를 내린다. Salmond et al.(2017)는 보다 본질적인 세 가지 측면에서 빅데이터를 정의한다. 첫째로, 데이터 자체의 고유한 성질과 내재적 구조적 특성으로, 빅데이터는 크기, 다양성, 속도 등에서 일반 데이터와 다를 뿐만 아니라(Miller and Goodchild, 2015) 일반 통계자료처럼 가공처리가 이루어지지 않은 모집단 그 자체이다. 둘째로, 숫자를 정보로 변환시키는데 필요한 과정과 기법 측면으로, 빅데이터는 대규모성 그리고 자기선택적 편향2) 등의 문제들로 인해 이를 다루는데 있어 기존의 통계기법과는 다른 새로운 방법론을 필요로 한다. 셋째로, 세상에 대한 주장을 펼치는 특정한 방법, 즉 과학을 수행하는 방식으로, 기존의 이론에 의지하지 않은 채 데이터만으로 어떤 과학적 가설도 검증할 수 있다는 관점을 견지한다.

빅데이터라는 용어가 활발히 쓰이기 시작한 것은 매우 최근의 일이다. 구글 트렌드(Google Trends)를 통해 인기도의 시간적 추이를 확인한 결과(Allam and Dhunny, 2019)에 의하면, 빅데이터의 인기가 급격하게 상승하기 시작한 것은 2011년 후반 경부터로 채 10년이 안된 현상이며 2014년 이후로 현재까지 최고 인기도 수준을 나타내는 70~100 사이에서 지수값이 변하고 있다. 국내의 경우도 2014~18년까지 연구논문 및 보고서 제목을 대상으로 텍스트 마이닝한 결과(김홍광·안종욱, 2019)에 따르면 빅데이터라는 용어의 이용이 꾸준하게 증가하고 있었으며 동 기간 동안 이 용어가 인공지능이나 사물인터넷보다도 더 빈번하게 이용되고 있음을 알 수 있다. 같은 연구에서 보면, 빅데이터와 함께 출현빈도가 높은 연관어는 해외의 경우 분석, 연구, 클라우드, 챌린지, 학습, 건강, 관리, 스마트시티, 마이닝, 소셜이었으며 국내의 경우는 분석, 이용, 연구, 데이터, 개발, 소셜, 기술, 보안, 시스템, 서비스(이상 출현빈도 순)로 해외의 경우는 상대적으로 응용이, 그리고 국내의 경우는 기술이 강조되고 있음을 볼 수 있다.

대부분의 빅데이터가 가지고 있는 공간적 속성은 지리학에서는 새로운 것이 아니다. 지리학에서는 이미 오래전부터 방대한 양의 공간정보를 다루기 위한 방법론적 고민들을 해 왔기 때문이다(Goodchild, 2006). 그러한 점에서 빅데이터가 지리학에 가져다주는 변화는 혁명적이라기보다는 점진적이라고 볼 수 있다(Miller and Goodchild, 2015). 이러한 이해 하에, Burns and Thatcher(2015)는 빅데이터의 공간성이 자료생산의 상황적 요소이자 동시에 그 자체로서 자료와 기술이 생산되는 재료이고 소재인 상황에서 지리학이 자료의 운용과 목적에 대한 탐구에 있어 중심이 되어야 한다고 지적하였다.

2) 도시연구에서 빅데이터의 기여와 한계

빅데이터 시대의 도래는 연구자들이 지금까지 가지고 있던 관점과 전혀 다른 새로운 방식으로 도시를 바라볼 수 있게 한다. 텍스트, 웹자료, 트윗, 센서자료, 오디오, 비디오, 로그 파일, 금융거래 및 구입자료, 사회관계망 대화방, 교통류 센서, 이동전화 GPS 추적, 스마트에너지계측기 등 다양한 유형의 도시 빅데이터가 제공되기 시작하면서 도시는 거대한 자료공장으로 바뀌어 가고 있다(Rabari and Storper, 2015). 이처럼 도시 공간 내에서 광범위하게 수집되는 빅데이터를 통해 전에는 생각지 못했던 미시적 수준에서 매우 광범위한 범역에 걸쳐 도시 공간 분석이 가능해지면서 우리가 알던 연구대상으로서 기존의 도시경관은 자료경관(datascape) (Arribas-Bel, 2014)으로 새롭게 받아들여지고 있다. 도시의 새로운 자료경관이 보여주는 자료는 기존의 자료가 제공되는 방식과 비교해 볼 때 시간적 측면에서 보다 빈번한 빈도로, 공간적 측면에서 보다 미세한 공간단위의 수준에서 이용가능하며, 기존의 자료가 집계되지 못하는 곳들까지 광범위하게 아우르고 있다. 도시라는 공간에 대한 연구가 기본적으로 가지는 다학제성에 더하여, 특정한 목적이나 맥락없이 수집 제공되는 빅데이터는 다방면적인 분야의 연구에 이용될 수 있다는 점에서 빅데이터 도시연구는 학제적 연구에, 그리고 학제간 통합에 긍정적인 힘으로 작용할 것으로 예측되기도 한다(예를 들어, Arribas-Bel(2014) 참조).

빅데이터가 도시공간연구에 있어 새로운 지평을 열어주는 역할을 하는 것은 분명한 사실이지만, (사회)과학적 접근을 통한 도시연구에 있어 빅데이터가 가지는 한계점 또한 분명하다. 그 중 대표적인 한 가지는 빅데이터의 블랙박스적인 성격이다(Pajevic and Shearmur, 2017). 빅데이터는 도시현상에 대한 매우 자세한 시공간적 정보를 제공해 주고 이를 바탕으로 높은 미래예측력을 가지고 있으나 이에 대한 배경 혹은 상황적 정보는 제공해 주지 않는다. 도시 공간 내에서 사람들의 위치를 추적하고 이동을 추적할 수 있지만 왜 그런 행태를 보이는지에 대한 동기를 확인할 수 없는 것이다. (사회)과학적 관점에서 “왜”, 그리고 “어떻게”에 대한 부분을 알지 못한다면, 다시 말해서 패턴의 배경과 맥락에 대한 교차적 참조 없이는 패턴에 대한 의미부여는 추정과 상관관계에만 의존할 수밖에 없게 된다.

또 다른 한계점으로 정보격차(digital divide)가 지적되고 있다(Salmond et al., 2017). 정보기술이 고도화되면서 평균적인 도시민의 정보접근성은 높아졌지만, 도시민 개개인 간의 정보격차는 다양한 차원에서 드러나고 있다. Mossberger et al.(2003)는 접근성 격차(정보통신기기의 위치, 사용빈도 등), 기술 격차(기술적 능력, 기술문맹률 등), 경제적 기회 격차(경제적 안전성, 온라인 경험의 유무 등), 민주적 격차(인터넷을 통한 정치 활동 유무 등) 네 가지 측면에서의 정보격차를 분류하고 있다(박수경, 2015). 도시 빅데이터에 이와 같은 하나 혹은 여러 차원의 정보격차가 유의미한 영향을 미치고 있다면 자료의 대표성에 문제가 될 수 있다. 특히, 사회관계망자료의 경우는 정보격차를 포함하여 자료가 제공하는 공간정보의 완전성이라는 측면에서도 한계가 지적되고 있다. Shelton and Poorthuis(2019)에 따르면, 사회관계망자료는 제한되고 비대표적인 자기선택적 표본으로 연령에서 젊은 층이 그리고 지리적으로 도시지역이 과다하게 대표되며, 사회경제적 지위나 기술수준에서도 편향성이 높다. 아울러 이 자료는 공간적인 측면에서 볼 때 휴대전화의 위치추적 자료나 심지어 전통적인 통행일지 방식에 비해 개인의 이동(과 이동수단)을 완전하게 기록하지 못한다고 이들은 주장한다. 이러한 한계점을 고려하지 않은 상태에서 빅데이터를 적용하여 도시 분석이 수행될 경우 다양한 개념적 및 통계적 문제에 노출될 수 있다.

현재, 빅데이터와 관련된 도시연구에서는 크게 두 가지의 흐름을 확인할 수 있다(Pajevic and Shearmur, 2017). 한 가지 흐름은 경험적 연구로 도시공간에서 실제 이용사례에 대한 실증적 분석을 수행하는 자료 주도적 연구들이며, 다른 한 가지는 빅데이터의 성격과 한계, 잠재적 위험과 관련된 주제들을 다루는 인식론적인 연구들(예를 들면, Kitchin(2013, 2014) 등 참조)이다. 국내 지리학 분야에서 이루어진 도시연구의 경우는 아직 연구의 저변이 충분히 확장되지 못한 상태로 경험적 실증연구들이 축적되기 시작하고 있으며 두 번째 흐름에 해당하는 인식론적 연구들은 아직은 이루어지지 않고 있다. 도시공간을 중심으로 볼 때, 빅데이터를 이용한 국내 지리학 분야 연구는 크게 세 가지의 방향성을 보이는데, 하나는 이동통신사에서 제공하는 현주인구를 활용한 분석들(예를 들어, 김감영·이건학(2016), 이건학·김감영(2016), 이건학(2018) 등)이고, 다른 하나는 교통카드자료를 이용하여 흐름을 분석하는 연구들(예를 들어, 이금숙 등(2014), 박종수·이금숙(2015, 2018) 등), 그리고 다른 하나는 트위터, 페이스북, 포스퀘어 등 사회관계망 서비스의 위치정보(geotag)를 이용한 분석들(예를 들어, 오충원(2013), 박재희·강영옥(2014), 구자용(2015, 2016, 2017, 2018), 황태건 등(2016), 우현지·김영훈(2017), 홍일영(2017), 문성국 등(2018) 등)이다,

이와 같이 도시 빅데이터 분야 국내 연구의 경험적 축적이 진행되는 과정에서, 연구가 보다 활발하고 다양하게 수행되고 있는 국제학계의 연구동향을 분석해 보는 것은 국내 학계에서 향후 연구의 전개방향을 예측하고, 더 나아가 스마트도시 같은 새로운 환경의 도시가 필요로 하는 지식을 빅데이터를 활용하여 제공할 수 있는 적절한 방향성을 잡는데 유용한 시도라고 생각된다. 이런 배경 하에서 다음 장에서는 명시적으로 도시공간을 전제한 연구, 즉 하나 혹은 여러 개의 도시들을 연구대상으로 명시적으로 삼은 빅데이터를 활용한 국제학술지의 경험연구들을 사례로 하여 이들의 성격과 특성을 다양한 차원에서 분석하는 연구방법론을 소개한다.

3. 도시 분야 빅데이터 연구동향의 분석방법

분석은 크게 세 가지 차원에서 수행되었는데 먼저 첫째는 기초적인 정보에 대한 분석을 위해, 집계된 다양한 항목들(연구분야, 게재 학술지, 학술지 분야, 발간연도, 연구의 성격, 이용된 빅데이터 유형, 연구지역, 연구자 소속국가, 연구자 전공분야)에 대해 빈도분석과 교차표 등 기술통계를 이용하여 빅데이터 도시연구 분야가 주요 항목별로 어떻게 활성화되어 왔는지를 분석하게 된다.

두 번째 분석은 먼저 분석대상으로 선정된 연구들의 연구별 영향력의 정도를 확인하기 위하여 인용횟수를 기준으로 순서화함으로써, 피인용도 측면에서 상위에 위치한 영향력이 높은 연구들을 파악하고, 이들 연구들이 영향력이 높은 이유나 배경 등에 대한 규명을 시도해 본다. 더 나아가 이 분석에서는 연구대상이 되는 현재의 도시 빅데이터 연구들에 영향을 준 연구들을 각 연구의 참고문헌목록을 집계하여 빈도수에 따라 서열화함으로써, 가장 핵심적인 역할을 한 연구들을 파악하고 그런 연구들의 성격을 탐색한다. 첫 번째 부분에서 인용횟수는 구글학술 인용횟수와 Web of Science 인용횟수 두 가지를 이용하고자 한다. 두 가지 인용횟수 간에는 비교적 높은 상관관계(상관계수 0.975)가 있으나 동시에 차이도 존재하는데, 인용수의 집계대상이라는 측면에서 판단한다면, Web of Science가 저명학술지에 국한되어 좀 더 학술성의 측면이 강하다면 구글학술의 경우에는 전문학술지 이외에도 인터넷 상에서 접속이 가능한 다양한 유형의 출판물들에서의 인용들까지도 포함한다는 점에서 좀 더 범용성 혹은 대중성이 잘 반영된다고 볼 수 있다. 두 번째 부분에서 참고문헌의 분석을 통해 도출되는 최다인용문헌은 각각 학술지 논문, 서적, 북챕터로 구분하여 집계함으로써 분야별로 나누어 분석을 수행하고자 한다. 두 가지 분석 모두 총 인용횟수와 연평균 인용횟수(Wrigley and Matthews, 1986)를 같이 확인함으로써 연구물의 발간 후 시간길이에 따른 영향력의 편향성을 보정한 결과를 함께 제시하였다.

마지막 세 번째 분석은 빅데이터 도시연구를 다루는 학술지들 간에 영향력을 교환하는 방식을 확인하고자 이들 간의 인용-피인용 네트워크를 분석한다. 보통 대상간의 네트워크 분석에는 사회연결망 분석법이 많이 사용되고 있으나 학술지의 인용-피인용과 같은 관계의 경우에는 근접중심성이나 매개중심성 등 사회연결망 분석이 제공하는 다양한 중심성 지표들이 사실상 큰 의미가 없으므로,3) 이 연구에서는 이 분석법 대신 다차원척도법(multidimensional scaling, MDS)을 이용하여 인용-피인용 네트워크가 나타내는 학술지의 성격을 유형화하고자 하였다. 다차원척도법은 대상간의 상호관계에 대한 정보(예를 들면, 대상들 간의 행렬값)를 바탕으로 추상적인 공간(보통 직관적인 이해가 가능한 2차원 평면)에서 이들 대상들을 좌표화한 후, 대상들 간의 유사성을 반영하는 위치의 근접성에 따라 대상들을 직관적으로 유형화할 수 있는 분석법이다. 이 분석법은 이미 지리학 분야를 포함하여 다양한 분야 학술연구의 메타연구에서 널리 활용되어 왔는데, 분석의 대상도 학술지(Xhgnesse and Osgood, 1967; Eagly, 1975; Slater, 1983; Gatrell and Smith, 1984), 개별 연구자(남영우·이인용, 2002; Choi and Nam, 2012), 연구자집단(Goodchild and Janelle, 1988; Johnston, 1989)들 간의 상호관계 등 비교적 다양한 방식으로 적용이 이루어져 방법론으로서의 적합성이 검증된 기법이라고 볼 수 있다. 다차원척도법의 분석결과와 함께 부가적인 분석정보들(예를 들면, 최다인용-최다게재 학술지, 영향력지수 등)이 같이 제공되면 학술지의 인용-피인용 네트워크의 성격이 보다 심층적으로 규명될 수 있다.

이 연구의 대상은 국제학술지에 출간된 빅데이터 도시연구이다. 앞서 언급된 바대로, 보다 정확하게는 명시적으로 도시공간을 전제한 연구, 즉 하나 혹은 여러 개의 도시들을 연구대상으로 명시적으로 삼은 빅데이터를 활용한 국제학술지의 경험연구들이 연구의 대상이다. 이를 위해 Web of Science의 SSCI 데이터베이스에서 주제에 “big data”로 검색한 후 추가옵션/값에서 “geography” 또는 “urban studies” 분야에 해당하는 논문들을 추출하고 이들 논문들을 검토해 보면서 본 연구의 대상으로 적절한 연구인지를 판단하고 분류하였다. 대상논문은 2019년까지 게재가 이루어진 논문들로 1차로 데이터베이스 검색을 통해 추출된 논문의 총 수는 603편이었으며, 이 중 콘텐츠 검토, 즉 해당논문이 하나 혹은 여러 개의 도시들을 특정하여 연구대상으로 삼고 빅데이터를 활용한 경험연구인지를 확인한 결과 146편의 논문이 요건을 만족하는 것으로 판단되어 최종적으로 분석에 포함되었다.4)

4. 도시 분야 빅데이터 연구동향의 특성

1) 빅마켓: 누가/무엇이 두드러진가?

본 연구의 대상이 되는 도시 분야 빅데이터 연구는 2013년부터 확인되고 있다. 시간적으로 볼 때 이미 이보다 몇 년 전부터 도시공간에의 빅데이터 적용에 대해서는 관심이 있어왔지만 이들 초기의 연구들이 시간적 격차를 가지고 실제로 국제학술지에 수록되기 시작한 것이 이 시기였다고 판단된다. 표 1은 연구의 연도별 주제 분야별 분포를 정리하여 제시하고 있다.5) 표에서 보면 2013년부터 2019년에 이르기까지 2016년을 제외하고는 전반적으로 논문의 수가 급증하는 추세를 보여 빅데이터 도시연구가 매우 활발하게 확산되고 있음을 알 수 있다. 주제 분야별로는 교통지리학과 도시지리학 분야가 가장 활성화되어 있고 다음으로 GIS, 시간지리학, 정보통신지리학, 도시계획 분야가 이들을 따르고 있다. 특히 분야별 논문의 편수가 가장 많았던 교통 분야의 경우 최근 2년 사이의 증가세가 두드러진다. 빅데이터가 가지고 있는 시공간상의 현재성과 자료의 방대함이 도시거주자들의 이동양상에 대한 보다 풍성한 자료를 제공하고 여기서 추출된 정보가 자료의존성이 높은 교통지리학 분야의 연구기회를 보다 확대시킨 것으로 이해할 수 있다.

표 1. 연도별 주제 분야별 빅데이터 도시 연구

연도 주제분야
교통 도시 GIS 시간 정보
통신
도시
계획
사회 관광
여가
주택 경제 인구 기타
2013 0 0 0 0 1 0 0 0 0 0 0 0 1
2014 0 2 0 1 0 0 0 0 0 0 0 1 4
2015 2 5 4 1 0 1 2 1 1 0 0 1 18
2016 3 0 2 3 2 1 0 0 1 0 0 0 12
2017 4 5 5 3 0 2 2 1 3 0 2 2 29
2018 8 3 2 2 5 2 3 4 1 0 1 2 33
2019 13 10 4 2 3 4 2 2 1 5 2 1 49
30 25 17 12 11 10 9 8 7 5 5 7 146
주: 각 연도별 최빈값 음영표시

논문들이 어떤 학술지에 게재되어 왔는지를 분석하기 위하여 학술지들을 성격에 따라 몇 가지 유형으로 분류하고 각 유형별로 논문들이 연도별로 어떻게 분포하고 있는지를 표 2에 정리하였다. 먼저, 학술지 분야별로는 도시학과 인문지리학, GIS가 논문의 게재에 있어서 상대적으로 활발한 양상을 보이고 있다. 본 분석의 대상이 도시연구로 국한되다 보니 자연지리학을 포함하는 지리학 일반 학술지에의 게재빈도는 다른 유형에 비해 비교적 낮게 나타난 것으로 보인다. 시간적 추이를 보면 초기 도입기에 빅데이터 도시연구는 지리학 일반 학술지를 통해 소개되다가 GIS 학술지에서 새로운 기법과 연결되어 다루어진 후 자료와 방법론의 응용단계로 가면서 도시학과 인문지리학 분야의 학술지로 저변이 확대되어 가는 양상을 보이고 있다.

표 2. 연도별 학술지 분야별 빅데이터 도시연구

연도 학술지 분야
인문지리학 도시학 GIS 공간분석방법론 지리학 일반
2013 0 0 1 0 0 1
2014 1 0 1 0 2 4
2015 3 5 2 1 7 18
2016 2 3 6 0 1 12
2017 6 9 6 4 4 29
2018 12 2 6 11 2 33
2019 12 17 9 8 3 49
36 36 31 24 19 146
주: 각 연도별 최빈값 음영표시

개별 학술지들에의 게재빈도를 살펴보면 Computers, Environment and Urban Systems (이하 CEUS)가 24편으로 가장 높은 빈도를 보이고 이를 이어 International Journal of Geographic Information Sciences (이하 IJGIS), Cities, Applied Geography (이하 AG), Journal of Transport Geography (이하 JTG)가 각각 18, 14, 10, 10편의 빈도를 보이고 있다. 전체적으로 초기에는 GIS 계열의 학술지들(IJGIS, Transactions in GIS (이하 TGIS), Cartography and Geographic Information Science (이하 CGIS))가 보다 활발하게 이용되었으나 최근으로 오면서 CEUS로 집중이 이루어지고 있다. CEUS의 범역이 도시적 맥락에서 방법론적 심화연구와 사례응용연구의 두 가지 트랙을 함께 가지고 있다는 점이 빅데이터 도시연구의 관점에서 적절한 투고의 장으로 인식되기 때문으로 판단된다.

연구의 성격을 방법론, 이슈, 응용의 세 가지 유형으로 분류하여 살펴본 결과 대다수의 연구가 빅데이터를 활용하여 어떤 도시현상을 분석하거나 주제를 다룬 응용연구(90편)였으나 방법론 관련 연구(47편)도 적은 편은 아니었다. 이들에 비해 도시공간에서의 빅데이터와 관련된 이슈들을 도시에서의 실제 사례와 함께 다루는 연구(9편)는 희소한 편이어서 개념적이고 비교적 추상적 수준에서 이루어져 오던 빅데이터 이슈 논의들을 현실세계 도시생활 속에 어떻게 접목시켜 나가야 할지에 대한 연결고리에 해당하는 연구들이 미흡한 편이라고 볼 수 있다.

연구에 어떤 빅데이터가 활용되었는지를 확인하기 위하여 대상 빅데이터의 유형을 그림 1에 정리하였다. 유형들 중 압도적으로 높은 빈도를 보인 빅데이터는 소셜미디어 자료(사회관계망 서비스 등)였으며 뒤를 이어 교통자료(교통카드 탑승정보, 택시경로기록 등), 정보통신자료(휴대폰 및 와이파이 위치정보), 지도 및 GIS 자료(인터넷지도, POI, 거리뷰 등)가 비교적 높은 빈도를 보이면서 빅데이터 도시연구의 핵심자료를 구성하고 있었다. 이들 유형들에서 연구가 활발하다는 의미는 제공되는 자료와 개방되는 정보가 그만큼 풍부하다는 의미일 것이다. 특히 소셜미디어 자료가 다른 유형에 비해 월등히 높은 것은 다른 자료가 위치 등 공간정보만을 제공하는데 비해 위치정보가 연결된 소셜미디어자료는 공간정보뿐만 아니라 활동이나 생각, 의견 등의 콘텐츠자료까지 함께 제공해 줄 수 있으므로 사회과학적 도시연구에서의 활용성이 높기 때문으로 생각된다. 한편, 각 유형들은 연도별로는 특별한 추이를 보이지는 않았다.

http://static.apub.kr/journalsite/sites/geo/2020-055-02/N013550206/images/geo_55_02_06_F1.jpg
그림 1.

대상 빅데이터별 빅데이터 도시연구

연구지역으로는 중국의 도시들이 압도적으로 많았으며(64편) 미국이 그 절반 정도의 사례로 이용되었고(36편) 이외에 한번 이상 연구가 수행된 도시는 대부분 유럽 국가들의 도시였다. 한국의 경우 2편으로 아시아의 싱가포르(2편)나 일본(1편)과 비슷한 수준이었다. 논문저자의 소속국가 분포양상은 연구지역 분포가 나타내는 양상을 보다 선명하게 보여준다(표 3). 저자의 소속국가로 볼 때 중국과 미국이 가장 많았으며 미중 공동연구도 별도의 항목으로 분류될 수 있을 만큼 매우 많은 편이었다. 그 밖에 서구와 아시아에서 4차 산업혁명과 스마트도시 사례들로 비교적 알려진 도시들이 속한 국가들의 연구자들이 많은 편이었으나 한국은 2편에 불과했다. 특히 중국저자들의 경우 미국 이외에도 외국학자들과의 공동연구에 있어 국가다양성(미국을 제외하고 11개국 저자들과 공동연구)이 매우 높은 편이었다. 미국의 경우 역시 중국 다음으로 다양성이 높아서 중국을 제외하고도 10개국 저자들과 공동연구가 이루어졌다. 흥미로운 부분은 공식적으로 집계할 수는 없지만 이들 저자들의 이름을 기준으로 판단해볼 때 다수가 중국출신 저자들로 현재 중국 이외 다른 여러 국가들의 연구기관에서 연구를 수행하면서 이들 간의 인적 네트워크를 기반으로 공조연구를 수행하는 것으로 유추해볼 수 있다는 점이다. 만약 그렇다면 빅데이터 도시연구에 있어서 국제적 연구 공조의 활성화를 연구자 인적 측면에서의 국제교류의 활성화라고 보기는 어려울 수도 있다. 연도별 추이를 보면, 초기에는 영국, 스웨덴, 미국 등 서구국가들에서 연구가 먼저 활발했지만 시간이 지남에 따라 중국 내에서의 연구가 급속히 성장하는 모습을 보여 서구에서 아시아로의 새로운 학문분야 확산의 전형적인 단계과정을 보여주고 있다.

표 3. 연도별 저자 소속국가별 빅데이터 도시연구

연도 저자 소속국가
중국 미국 중국
미국
스웨덴 영국 캐나다 싱가
포르
스페인 네덜
란드
기타
2013 0 0 1 0 0 0 0 0 0 0 1
2014 1 1 0 0 2 0 1 0 1 3 9
2015 1 5 3 4 1 1 0 1 0 4 20
2016 4 2 2 0 2 1 0 0 0 5 16
2017 9 7 6 0 0 2 1 1 1 7 34
2018 10 8 4 3 3 2 1 1 1 11 44
2019 17 7 12 1 1 1 3 2 2 19 65
42 30 28 8 9 7 6 5 5 49 189
주: 각 연도별 최빈값 음영표시

저자 소속기관의 분포를 보면 학술지 게재 논문들이 학술적 연구이다 보니 압도적으로 대학내 기관(학과(부) 및 연구소)이 많았다(약 85%). 공공기관이나 민간기업 연구자의 참여가 활성화되지 않았다는 의미는 연구의 학술성 때문일 수도 있지만 한편으로는 연구가 상당부분 학술적 수준에 머무르고 있고 연구를 실제 생활에 활용하거나 혹은 정책 등에 반영하는 방식의 파급효과는 아직 충분치 않다는 의미일수도 있다. 저자 소속 전공분야로는 지리학이 가장 많았고(66) 도시학(26)과 건축학(26)이 그 뒤를 따르고 있어 지리학이 도시 빅데이터 연구에서 주도적인 역할을 하고 있었다. 이를 국가별로 살펴볼 때 지리학의 경우 중국, 미국, 중국-미국 공동연구의 비중이 15편, 14편, 16편으로 비슷한 수준이었으나 건축학의 경우 중국과 미국이 각각 16편, 1편으로 압도적으로 중국의 비중이 높아 중국 내에서는 지리학과 함께 건축학 분야가 빅데이터 도시연구의 주류를 이루고 있음을 알 수 있었다.

그 밖에 대상 연구들의 분석을 통해 얻어진 특징들은 다음과 같다.

첫째, 연구지역, 저자 소속국가와 학술지와의 관계를 보면 가장 많은 논문이 수록된 CEUS의 경우 미국과 중국을 연구지역으로 하는 연구들 중에서는 가장 게재가 많이 이루어진 학술지였으나 다른 국가들에서는 저변이 넓지 않았다. 한편, 2위에 해당하는 IJGIS, 3위, 4위인 Cities, AG, JTG의 미국과 중국에서의 비중은 상대적으로 낮았으나 이외 국가들에서 저변은 더 넓었다. 빅데이터 도시연구에서 미국과 중국이 주류라고 볼 때 주류연구들은 CEUS에, 지리적으로 보다 넓은 맥락에서 미국과 중국을 포함한 세계 여러 국가의 연구들은 IJGIS, Cities, AG, JTG에 게재가 이루어진다고 볼 수 있다.

둘째, 연구지역, 저자 소속국가와 연구성격 간의 관계로 볼 때, 중국의 연구는 응용분야 중심적인 성격이 강한데 비해(연구지역 기준 44편, 저자 소속국가 기준 34편) 미국의 경우는 응용 중심적이긴 하지만 방법론에 대한 연구도 제법 큰 비중을 차지하고 있었다(연구지역 기준 16편, 저자 소속국가 기준 13편). 이슈와 관련된 연구는 전반적으로 적었으나 유럽 국가들에서의 연구가 비교적 두드러져(연구지역 기준 영국 2편, 소속국가 기준 네덜란드 3편) 국가별로 연구 성격의 분화가 이루어지고 있음을 확인할 수 있었다.

셋째, 연구지역과 대상 빅데이터 간 관계에서, 미·중 두 국가를 비교해 볼 때, 미국은 공공기관자료 이용연구가 4편, 사물인터넷 이용연구가 2편인데 비해 도시 빅데이터 연구가 가장 활성화된 중국에서는 이에 해당되는 연구가 없었다. 이는 미국 공공기관의 도시정보와 자료 개방성의 수준을 간접적으로 반영해 주는 결과라고 볼 수 있다. 즉, 보다 많은 정보가 이용 가능함에 따라 이를 이용한 연구가 더욱 활성화된다는 의미이다. 사물인터넷의 경우도 특정국가에서만 연구가 이루어진다는 의미는 보안 등의 목적으로 많은 국가들에서 이 자료를 축적하고 있지만 이들 국가들이 모두 이 정보를 연구에 제공하고 있지는 않음을 시사하고 있다.

넷째, 저자 소속국가와 소속기관 간 관계에 있어, 중국내에서는 대학 연구자의 비중이 매우 높고 공공기관과 민간기업 연구자의 비중은 매우 낮은데 비해 미국-중국 공동연구의 연구에는 여전히 대학 연구자가 가장 많긴 하지만 공공기관(7편)과 민간기업(6편) 연구자도 어느 정도 활발하게 연구에 참여하고 있음을 볼 수 있으며, 이는 다른 어떤 국가에 비해서도 높은 참여수준이다. 이러한 결과를 볼 때 중국 내 연구자들의 연구는 대학이라는 좀 더 폐쇄적인 네트워크 안에서 이루어지는 반면에, 중국연구자들의 국제적 공조연구의 경우는 학계 외부로의 확장성을 강화하면서 좀 더 실용적이고 정책지향적인 연구가 강조될 수 있음을 보여주고 있다.

2) 빅네임: 누가/무엇이 영향력이 큰가?

본 연구의 분석대상 논문들의 인용횟수(2020년 1월 29일 기준)를 구글학술과 Web of Science 데이터베이스에서 추출하여 각각 총 인용횟수와 연평균 인용횟수를 집계한 후 이들 네 항목에서 최상위 5위권에 포함되는 논문들을 정리하면 표 4와 같다. 먼저, 구글학술이 학술논문에서의 인용만을 집계하는 Web of Science와는 달리 다양한 형식의 연구물들에서의 인용까지 집계하기 때문에 Web of Science보다 전반적으로 높은 값을 보이고 있었다. 이론상 네 가지 항목 각 5순위씩을 더하면 21편(중복순위 포함)의 논문이 집계되어야 하나 실제로는 모두 9편의 논문으로 항목 간 목록에 있어서 중복성이 강했고, 따라서 어떤 논문이 대중성, 범용성이 보다 강하고 어떤 논문이 학술성이 보다 강한지를 구분하기는 어려웠다. 9편 중 6편의 논문들이 대상기간의 초기인 2013~15년 사이의 논문들이어서 출판이후 상대적으로 오랜 시간이 흘러 인용의 기회가 더 많았기 때문으로 볼 수도 있지만, 이들 중 4편은 연평균 인용횟수에서도 순위 안에 위치하여 단순히 시간적 효과라고 보기는 어려웠다.

표 4의 논문들 중 네 가지 항목 모두에 걸쳐 상위 5위권에 포함되는 논문은 3편으로 이들은 다른 연구들에서 인용이 활발하게 이루어지는 핵심연구들이라고 할 수 있다. 이들 중 먼저, Zhong et al.(2014)는 GIS관련 분야의 방법론과 응용연구 등을 아우르는 대표학술지인 IJGIS에 게재된 논문으로 스위스, 싱가포르, 중국, 영국 연구자들의 공동연구결과물이다. 연구자 구성으로 볼 때 이 분야 저명학자인 Michael Batty를 중심으로 한 학술네트워크로 추정되며 아래의 최다인용서적에서 소개되는 Batty의 방법론 저서와 내용적으로 밀접히 연결된다. 연구에서는 새로운 도시환경에서는 흐름과 상호작용이 도시공간구조 형성에 중요한 역할을 하므로 네트워크 관점을 통해 이를 담아낼 수 있는 새로운 방법론이 필요하다는 문제제기 하에 그래프이론에 바탕을 둔 네트워크 분석을 제안하고 이를 싱가포르 교통카드 이용 자료에 적용하는 것이 그 핵심이다. 논문의 성격으로 볼 때 방법론을 소개하고 적용하는 연구로 다른 응용 연구들에 방법론적인 참조가 될 수 있는 잠재력이 높은 논문이다.

표 4. 인용횟수 상위 5위권에 포함되는 빅데이터 도시연구 논문 목록

구글학술
(총 인용횟수)
Web of Science
(총 인용횟수)
구글학술
(연평균 인용횟수)
Web of Science
(연평균 인용횟수)
순위 논문 인용 논문 인용 논문 인용 논문 인용
1 Zhong et al.(2014) 230 Zhong et al.(2014) 114 Shelton et al.(2015) 40.4 Yao et al.(2017) 23.0
2 Shelton et al.(2015) 202 Shelton et al.(2015) 107 Zhong et al.(2014) 38.3 Shelton et al.(2015) 21.4
3 Garcia-Palomares
et al.(2015)
188 Gao et al.(2013) 97 Garcia-Palomares
et al.(2015)
37,6 Zhong et al.(2014) 19.0
4 Shelton et al.(2014) 167 Garcia-Palomares
et al.(2015)
93 Yao et al.(2017) 31.7 Garcia-Palomares
et al.(2015)
18.6
5 Arribas-Bel(2014) 144 Shelton et al.(2014) 77 Shelton et al.(2014) 27.8 Gong et al.(2016)
Xiao et al.(2019)
14.0

Shelton et al.(2015)는 Landscape and Urban Planning (이하 LUP)에 게재된 논문이다. LUP는 (도시)경관과 그 변화의 지속가능성을 다양한 학제적 접근을 통해 규명하고자 하는 학술지로 도시계획, 조경, 건축, 설계를 중심으로 최근에는 본 연구에서처럼 다양한 사회문화적 이슈들과 방법론 연구들에까지 확장성을 보여주고 있다. 연구자들은 모두 미국 대학 소속이며, 특히 Matthew Zook은 이미 20여 년 전부터 정보통신기술 분야의 지리학적 연구와 데이터베이스 구축으로 잘 알려진 저명학자이다. 논문은 기존의 위치정보를 가진 소셜미디어에 대한 지리학 연구들이 공간분석에만 그치고 있음을 비판하며 빅데이터 연구에 사회공간론(socio-spatial theory)과 비판(Critical) GIS를 결합한 새로운 개념적 방법론적 틀을 제안하고 이를 미국 루이빌시의 트위터 자료 분석에 적용한 연구이다. 분석기법이 이론과 결합될 때 도시현상에 대한 심층적이고 다면적인 이해가 가능하게 됨을 시론적으로 보여준 연구로 이후 연구들에게 새로운 지평을 열어주었다고 평가할 수 있다.

Garcia-Palomares et al.(2015)는 AG에 게재되었는데, AG는 인문, 자연, 자연-사회, GIS등 지리학의 전 영역을 다루는 학술지이며 인간의 문제를 해결하기 위한 연구라는 차원에서 이름에 Applied라는 용어를 사용하고 있다. 연구자는 모두 스페인의 마드리드 콤플루텐세대학교(Universidad Complutense de Madrid) 인문지리학과 소속이며, 연구에서는 관광객과 주민의 소셜미디어 활동의 공간적 차이를 보기 위해 유럽의 8개 도시를 대상으로 구글이 2016년까지 운영하던 위치기반 사진공유서비스 Panoramio의 자료에 대해 공간통계기법 중 하나인 핫스팟 분석을 수행하였다. 이 연구가 비록 빅데이터 도시 연구에 공간통계를 접목시키긴 했지만 위의 두 논문에 비하면 관점이나 연구 틀의 측면에서 새로운 기여를 제시하지는 않는다고 보인다. 그럼에도 이 연구의 인용이 활발히 이루어지는 이유를 찾아본다면 아마도 대부분의 빅데이터 도시연구가 도시 공간 내 거주자의 생활, 활동과 관련된 연구인데 비해 이 연구는 최근 각광을 받고 있는 관광연구 측면의 빅데이터적 함의를 도출할 수 있는 희소성이 있기 때문으로 추측해볼 수 있다.

다음으로, 분석대상인 각 논문들의 참고문헌 목록을 정리, 집계하여 어떤 연구들이 현재 분석대상 논문들에서 활발하게 인용되었는지를 분석하였고, 그 결과로 학술지 논문, 서적, 북챕터의 세 가지 부문에서 각각 가장 인용이 많이 이루어진 연구물들을 추출하였다. 추출방법은 앞서와 마찬가지로 항목별로 총 인용횟수와 연평균 인용횟수별로 상위 5위까지의 목록을 만들어 이들 순위에 공통적으로 등장하는 연구들을 추출하였고, 그 결과를 그림 2에 정리하였다.

http://static.apub.kr/journalsite/sites/geo/2020-055-02/N013550206/images/geo_55_02_06_F2.jpg
그림 2.

빅데이터 도시연구 논문에 가장 많이 인용된 연구물(주: 수치는 총 인용횟수(총 인용순위) / 연평균 인용횟수(연 평균 인용순위)를 나타냄)

학술지 논문들 중 총인용과 연평균 인용횟수의 두 가지 기준 모두에서 상위 5위내에 든 Liu et al.(2015)는 두 항목 모두에서 1위를 차지한 가장 영향력 있는 논문이다. 이 논문은 지리학 분야에서 가장 권위있고 저변이 넓은 대표학술지 중 하나인 Annals of Association of American Geographers (이하 AAAG)에 게재되었으며 미국-중국(UC 산타바바라-북경대)간의 공동연구이자 중국출신 학자들의 공동연구이기도 하다. 연구에서는 빅데이터 시대의 인간사회 자료발굴과정에 대해 원격탐사로부터 파생된 용어인 사회탐사(social sensing)라는 용어를 제안하면서 이들 자료가 공간적 상호작용과 장소의 의미, 느낌에 대한 매우 풍부한 정보를 담고 있음을 강조하고, 이들을 분석할 때 고려해야 하는 주요한 이슈들에 대해 논의한다. 학술지의 특성과 연구의 성격으로 볼 때 이 논문은 도시연구 빅데이터 분야 실증분석연구의 착수단계에서 연구자가 읽어보게 될 만한 보편성을 가진 연구로 평가할 수 있다.

서적의 경우에는 세 편이 요건을 만족하고 있었다. 먼저 Mayer-Schonberger and Cukier(2013)의 경우는 두 가지 순위에서 모두 1위에 오른 가장 영향력이 높은 서적이다. 이 책의 출간 당시 Mayer-Schonberger는 옥스퍼드대학교 교수로, 그리고 Cukier는 이코노미스트 자료편집인으로 재직하고 있었으며, 이 책은 영국 일간지 파이낸셜타임스가 주관하는 올해의 비즈니스북 최종후보로 선정되기도 하였다. 이 책이 유사한 주제를 다루는 다른 책들과 다른 점은 이 책에서는 새로운 기술과 함께 빅데이터가 가져다주는 여러 가지 장점과 환상적 측면뿐만 아니라 주의해야할 점, 우려되는 부분 등 양쪽에 균형을 맞추어 논의를 진행한다는 점이다. 아울러 Walker(2014)가 지적하듯이 이 책은 새로운 기술의 혁명 자체뿐만 아니라 그러한 혁명이 우리의 삶, 일, 생각의 변화에 어떤 영향을 미치게 될 지에 초점을 두고 있다는 점에서, 이 책은 학술전문서가 아닌 대중서이긴 하지만 여타의 비즈니스 매뉴얼이나 MIT스타일의 미래전망서와는 분명히 차별화된다. 그러한 점이 대중서임에도 여러 학술논문들에서도 빅데이터 논의의 출발점에서 이 책이 빈번하게 인용, 언급될 수 있도록 만든 배경일 것이다.

영국 런던대학교(UCL) 교수인 Batty(2013)의 저서는 사회물리학, 도시경제학, 교통이론, 지역학, 도시지리학, 시스템계획접근, 복잡과학 등에 학문적 기반을 두고 도시 분석 방법론을 다룬 학술서로 빅데이터 자체에 대한 내용은 아니나 도시의 미래상을 구성하는 빅데이터 분석 등에 효과적으로 활용될 수 있는 분석법을 제공해 주고 있다. 그는 현대도시를 이해하는 새로운 과학의 바탕으로 네트워크적 관점을 들면서, 이를 바탕으로 도시공간을 이해하기 위한 여러 가지 분석방법론을 소개하고 있다. 저자도 언급하고 있듯이 이 책은 미래전망서나 혹은 더 나은 미래를 만들기 위한 제안서가 아니라 미래를 객관적으로 탐색하는데 이용할 수 있는 과학을 위한 도구이자 관점을 제공하는 책으로 자리매김할 수 있다. 새로운 도시환경에서 적용 가능한 여러 가지 방법론적 무기들을 제공해준다는 점에서 도시 분야 빅데이터 연구자들의 이 책에 대한 활용성이 이해될 수 있을 것이다.

마지막으로, Rodrigue et al.(2009)의 저서는 미국과 캐나다의 대학에서 교통지리학을 담당한 3인이 공동으로 집필한 학부 교통지리학을 위한 대학교재성격의 책이다. 이전까지 여러 교통지리학의 교재들이 다소 방법론적 측면을 강조하거나 수학적인 설명방식을 중심으로 내용을 구성했던 것에 비해 이 책은 서술 중심으로 내용을 꾸려감으로써 수학에 익숙하지 않은 독자에게도 가독성이 높다는 장점이 있다. 그러한 점 때문에 이 책은 현재 교통지리학 분야에서 가장 인기 있는 교재 중 하나이기도 하다. 교통지리학 개론서이므로 이 책에는 교통과 관련된 여러 가지 기본개념과 분석방법들이 소개되어 있는데, 본 연구의 분석대상인 빅데이터 도시 연구에서 교통이 가장 인기 있는 분야임을 고려할 때 이 책이 가장 영향력이 있는 서적 중 하나라는 것은 자연스럽게 설명된다.

한편, 북챕터의 경우는 요건을 만족하는 연구물이 세 건이었는데, 다른 항목에 비해 인용횟수가 매우 적은 편이어서, 분석대상인 도시 분야 빅데이터 연구에 커다란 영향을 미치지는 않은 것으로 판단되었다.

3) 빅네트워크: 누가/무엇이 중요한 역할을 하고 있나?

인용-피인용의 관계 네트워크 속에서 학술지들이 어떤 역할을 담당하고 있고 이들을 어떻게 유형화할 수 있는지를 분석하기 위하여 먼저 가장 많은 인용이 이루어지는, 즉 빅데이터 도시연구에 가장 영향력이 큰 학술지들이 무엇인지를 파악하였다. 표 5에는 인용횟수에서 상위 10대 학술지를 앞선 절에서 분석대상으로 선정된 논문이 가장 많이 게재된 상위 10대 학술지와 함께 교차하여 제시하고 있다.

표 5. 인용횟수와 분석대상논문게재 수 상위 10대 학술지의 교차표

분석대상논문게재 수 10위권
포함 미포함
인용횟수
10위권
포함 IJGIS (3.55), CEUS (3.39), LUP (5.14), AAAG (3.04), EPB (2.83),
JTG (3.56), AG (3.07)
PO (2.78), US (3.27), EPA (2.46)
미포함 Cities(3.85), TGIS(2.19), CGIS(2.27), HI(3.85)
주: 괄호 안은 2018년 학술지 영향력지수

교차표가 제시하는 정보를 보면 인용횟수 10위권 학술지의 과반수가 분석대상논문게재 수 10위권 학술지와 중복되어 학술지들의 자기인용성이 강함을 유추할 수 있다. 10개 학술지 중 학술지의 성격으로 볼 때 IJGIS, CEUS, JTG 등은 상대적으로 방법론적 지식 네트워크에서 영향력을 발휘하고 있는 것으로, 그리고 LUP, AAAG, Environment and Planning B (이하 EPB), AG 등은 보다 일반적 혹은 (이론과 방법론을 모두 아우르는) 범용의 영향력을 보여주는 것으로 판단되었다. PLoS one (이하 PO), Urban Studies (이하 US), Environment and Planning A (이하 EPA)는 빅데이터 도시연구 논문의 게재빈도로 볼 때에는 상위권에 없으나 인용에서는 상위권에 위치하고 있는데, 이는 이들이 빅데이터 도시연구가 활발하게 게재되는 학술지들은 아니나 그러한 연구들에 중요한 영향을 미치고 있는 학술지들이라는 의미이다. 특히 PO는 다학제적 연구를 출판하는 학술지로 과학 공학, 의학 및 이들과 관련되는 사회과학 분야 등 200여개 전공분야 이상의 연구들을 게재하고 있으며, 빅데이터뿐만 아니라 보다 일반적 맥락에서 정보통신기술 등과도 관련되는 여러 연구들이 인용되어 빅데이터 도시연구에 큰 영향력을 발휘하고 있었다. 한편, Cities, TGIS, CGIS, Habitat International (이하 HI) 등은 대상논문게재 빈도수에 있어서는 10위권에 있으면서 인용횟수로는 10위권 밖에 위치하여 위의 학술지들과 비교할 때 빅데이터 도시연구에서는 각광을 받는 학술지들이나 그러한 연구에의 학술적 영향력은 상대적으로 떨어지는 것으로 파악되었다.

한편, 이들 학술지의 영향력지수가 표에서의 학술지 분류방식과 일정한 관계가 있는지, 즉 영향력지수가 높은 학술지가 빅데이터 도시연구 분야에서도 보다 활발하게 인용이 이루어지는 학술지인지를 확인하기 위해 각 집단별 영향력지수의 평균을 비교하여 보았다. 평균을 집단별로 보면, 인용-게재 상위10위권(IJGIS 등)의 경우 3.51, 인용 상위 10위권(PO 등)은 2.83, 게재 상위 10위권(Cities 등)은 3.04로, 인용과 게재가 모두 활발한 학술지들의 영향력지수가 평균적으로 가장 높아 영향력이 큰 학술지들의 경우 빅데이터 도시연구 분야에서도 활발한 상호작용이 이루어지고 있음을 보여주어 이들이 향후 이 분야 연구에서도 중요한 역할을 해 나갈 것으로 예상되었다. 반면, 빅데이터 도시연구 분야에서 인용 상위 10위권 학술지들의 영향력지수(2.83)는 10위권 밖 학술지들의 평균값(3.04)보다도 낮아서 학술지의 일반적인 영향력과 빅데이터 도시연구 분야에서의 영향력 간에는 특별히 상관관계를 보이지 않았다.

학술지 간의 인용관계 네트워크를 자료로 다차원척도법을 이용하여 분석대상 논문들이 실린 학술지들 간의 인용패턴 유사성을 분석한 결과를 그림 3에 제시하였다. 분석에는 총 35개의 분석대상 학술지가 전체 919개 학술지로부터 인용이 이루어진 인용네트워크 자료가 행렬의 형태로 입력되었으며 SPSS에서 ALSCAL 알고리듬이 이용되었고 자료로부터 변수들 사이의 거리를 보여주는 거리행렬을 값의 표준화변환 없이 카이제곱 측도를 이용하여 구축하였으며, 유클리드 거리에 기반한 척도화모형을 통해 추정하고 이를 추상적인 2차원으로 압축한 상태에서 각 학술지의 상대적인 위치가 추정되었다.6) 그래프 상에서 비슷한 위치에 있다는 것은 둘 사이에 유사성이 높다는 의미이며, 여기서는 학술지의 인용양상이 비슷한, 즉 성향이 비슷한 학술지라는 의미이다.

http://static.apub.kr/journalsite/sites/geo/2020-055-02/N013550206/images/geo_55_02_06_F3.jpg
그림 3.

35개 분석대상 학술지의 다차원척도법 분석결과 산포도

(학술지:AAAG (Annals of the American Association of Geographers), AG (Applied Geography), ASAP (Applied Spatial Analysis and Policy), BG (Bulletin of Geography), Cartographica, CEUS (Computers, Environment and Urban Systems), CG (Canadian Geographer), CGIS (Cartography and Geographic Information Science), Cities, EPA (Environment and Planning A), EPB (Environment and Planning B), EPD (Environment and Planning D), EPS (European Planning Studies), GA (Geographical Analysis), Geoforum, GeoJournal, HI (Habitat International), HS (Housing Studies), IJGIS (International Journal of Geographical Information Science), IJURR (International Journal of Urban and Regional Research), JM (Journal of Maps), JPER (Journal of Planning Education and Research), JTG (Journal of Transport Geography), JUPD (Journal of Urban Planning and Development), JUT (Journal of Urban Technology), LUP (Landscape and Urban Planning), PG (Professional Geographer), RSRS (Regional Studies, Regional Science), RSUE (Regional Science and Urban Economics), TGIS (Transactions in GIS), UD I(Urban Design International), UFUG (Urban Forestry & Urban Greening), UG (Urban Geography), UP (Urban Planning), US (Urban Studies))

그래프에서 보면 다수의 학술지가 중앙부에 거대한 클러스터를 이루어 커다란 차별성을 보이지 않는 반면, 비교적 고유하게 유사성을 보이는 몇 개의 집단이 구분가능하다. 이들은 CEUS-IJGIS-TGIS, AG-JTG-Cities, AAAG-HI-EPB 등으로 각각 방법론적 지향성이 강한 집단, 방법론적 지향성도 있지만 첫 번째 집단에 비해서는 응용연구도 포함하는 집단, 그리고 응용연구이거나 이슈 등 콘텐츠 지향 연구 중심의 집단으로 구분하여 해석해 볼 수 있다. 다만 CGIS는 방법론적 지향성이 강한 학술지라는 점에서 그래프 상의 위치는 이와 같은 분류방식과는 다른 예외적인 결과라고 판단된다. LUP의 경우 주변에 위치한 다른 학술지와 특별한 유사성을 보이지는 않았지만 위치상으로 볼 때 지리학 분야의 여러 학술지들에 비해 위쪽으로 많이 치우쳐져 있었다. 이러한 집단구분과 중앙부 클러스터 내 학술지들의 좌표정보를 바탕으로 두 축을 명명해 본다면, x축(차원1)은 왼쪽에서 오른쪽으로 방법론-콘텐츠(이슈, 응용 등) 스펙트럼, y축(차원 2)은 아래쪽에서 위쪽으로 지리학-도시학 스펙트럼이 될 수 있다. 이와 같은 기준으로 개별 학술지들의 상대적 위치를 해석한다면 빅데이터 도시연구에서 이들의 성격이 어디에 자리매김하는 학술지인지를 가늠해볼 수 있을 것이므로, 연구자의 입장에서 관련 연구를 투고하고자 할 때 연구의 성격이 어떠한지에 따라 보다 적합한 학술지를 선정하는데 이러한 정보를 활용할 수 있다.

5. 빅데이터 도시연구의 향후 전망

2010년대에 들어서야 빅데이터 도시 분야 연구들이 국제학술지에 논문으로 게재되기 시작했다는 점을 고려하면 빅데이터가 도시 공간 연구에 학술적으로 활용된 것은 매우 최근의 일이라고 볼 수 있으나, 이후 짧은 시간에 빠른 속도로 성장하고 있는 분야로 현재 자리매김하고 있다. 빅데이터에 대한 인식론적인 논의들과 본 논문의 분석대상이었던 경험연구들에서 논의된 내용들을 토대로 빅데이터 도시연구가 앞으로 어떤 방향으로 나아가게 될지를 몇 가지 차원에서 정리해보면 다음과 같다.

첫째, 빅데이터는 도시연구에서 새로운 지평을 열 것으로 예상된다. 이는 Behnisch et al.(2019)가 언급한 도시 형태 차원을 훨씬 넘어서는 전면적 변화일 것이라고 생각된다. 빅데이터가 가능케 해 주는 자료의 시공간 차원에서의 세분화는 다양한 시간적 스케일, 그리고 다양한 공간적 스케일에서의 연구를 위한 자료의 적용을 매우 유연하게 해줄 수 있을 뿐만 아니라, 더 많은 분량의 시계열자료를 바탕으로 한 종단분석과 다양한 공간적 스케일에서의 다중스케일적 접근을 원활하게 해줄 수 있다. 그러한 자료 환경 속에서 도시연구는 한편으로 빅데이터의 이용을 위해 필요한 새로운 분석방법론을 만들어 나가게 되고, 다른 한편으로 경험적인 개연성은 알려져 있으나 이를 입증할 자료의 부재로 인해 연구가 이루어지지 못했던 주제들에 대한 실증적인 분석도 다루게 될 것이다. 이를 통해 새로운 방법론과 이론화가 지속적으로 확산된다면, 빅데이터 도시연구는 도시공간연구에서 기존에 자리 잡고 있던 시간지리학의 활성화를 훨씬 뛰어넘는, 스마트시티 시대의 새로운 하나의 패러다임이 될 수도 있을 것이다.

둘째, 도시연구는 빅데이터와 스몰데이터, 즉 기존의 전통적 방식의 데이터를 보완적으로 활용하게 될 것이다. 빅데이터가 도시연구에 새로운 지평을 열어주는 자료임에는 틀림없지만 빅데이터가 가지고 있는 근본적 한계로 인해 이 자료는 도시 내에서 나타나는 어떤 현상에 대한 배경과 맥락에 대한 정보를 제공해 주지 못한다. 빅데이터의 이러한 부족한 부분이 특정한 목적, 즉 배경과 맥락을 가지고 수집이 이루어지는 전통적인 자료와의 연계를 통해 어느 정도 보완될 수 있다. 빅데이터의 이용에 대해 인식론적인 접근으로 연구를 수행한 여러 학자들의 견해가 공통적으로 이를 반영하고 있다. 이들의 주장의 핵심을 정리하면, 어떤 분석의 접근에 있어 빅데이터는 전통적인 데이터와 보완적인 역할을 할 때 가장 값어치가 있다(Salmond et al., 2017)는 점에서, 빅데이터는 스몰데이터를 완전히 대체하기 보다는 궁극적으로 스몰데이터와 공존(Burns and Thatcher, 2015)해 나가게 된다. 특히 전통적 데이터 중에서도 고도로 표준화되고 목적 혹은 배경과 맥락의 측면에서 상세한 정보를 정기적으로 집계하는 센서스자료는 빅데이터 시대에도 고유성을 이어나갈 것(Shearmur, 2015)으로 예상된다.

셋째, 빅데이터 시대의 도시연구에서 지리학적 이론은 여전히 중요하게 다루어질 것이다. 연구의 진행과정에 있어 빅데이터 시대가 이전과 다른 부분은 연구 질문을 만들고 이를 입증하기 위한 자료를 찾는 것이 아니라 자료를 중심으로 그 속에서 어떤 패턴이나 일반성을 찾아나가는 우선순위의 변화이다. 이런 순서로 연구가 진행된다면 연구도 도시연구 전문가적인 직관이나 판단보다는 일련의 연산과정과 그 결과로 치환될 수 있고 그 속에서 도시연구 전문가대신 데이터과학자가 그 역할을 대신하게 될 것이다(Salmond et al., 2017). 그렇게 된다면 지역성이나 장소성과 같은 특정한 도시적 맥락이 없어진 일반화, 보편화된 방식의 연구가 주류를 이루면서 지리학적 전문지식이 설 자리를 잃게 되고, 빅데이터로 상상할 수 있는 어떤 과학적 가설도 입증할 수 있게 되면서(Salmond et al., 2017), 궁극적으로 도시공간에 대한 지리학의 이론체계는 종말을 맞이할 우려도 있다. 하지만 우리가 도시현상에 대한 사회과학적 이해를 추구하는 과정에서 던지는 “왜‘라는 질문은 빅데이터가 제시해 주는 패턴이나 일반성만으로는 답을 구할 수 없다. 빅데이터가 보여주는 패턴간의 상관관계는 이론적 지지기반을 가진 인과관계와는 엄연히 다르며 그런 점에서 빅데이터는 어떤 이론을 지지하거나 확인할 수는 있어도 이를 귀납적으로 만들기는 어렵다(Pajevic and Shearmur, 2017). 아울러 지리학적 사고에서는 일반성, 보편성의 측면과 함께 특정장소에 고유한 장소성, 지역성 등 지리학적 맥락(Miller and Goodchild, 2015) 또한 도시의 본질을 규명하는 중요한 기제로 이용하고 있다. 결국 배경과 맥락에 대한 고려 없이 빅데이터만을 이용한 분석으로는 추상적이고 일반화된 공간(space)을 그려낼 수는 있어도 구체화되고 각자의 개성을 가진 장소(place)를 담아낼 수는 없다는 점에서, 도시공간이 지리학적 사고를 필요로 하는 한 도시공간을 설명하는 지리학 이론은 계속 존재가치를 인정받게 될 것이다.

6. 맺음말

본 연구는 4차 산업혁명시대에 인공지능과 함께 핵심어로 자리 잡고 있는 빅데이터가 도시연구 분야에서 어떻게 활용되어 왔고 향후에 어떤 방향으로 나아가게 될지를 도시학과 지리학 분야 국제학술지에 게재된 기존의 연구문헌들을 통해 분석해 보고자 하였다. 연구결과를 정리하면 다음과 같다. 첫째, 빅데이터 도시연구는 주제에서는 교통과 도시, 학술지에서는 CEUS, 자료에서는 소셜미디어 자료, 저자 소속국가로는 중국, 미국, 중국-미국, 연구자 분야에서는 지리학에서 연구가 가장 활발했다. 둘째, 인용빈도로 볼 때 다른 연구들에 큰 영향을 미친 분석대상 연구로 Shelton et al.(2015) 등의 연구가, 그리고 분석대상 연구들에 큰 영향을 미친 연구로 Liu et al.(2015) 등의 연구가 있었다. 셋째, 인용관계의 네트워크상에서 학술지들은 방법론-콘텐츠, 지리학-도시학 차원의 스펙트럼 상에서 분류될 수 있었으며, 다른 차원에서는 빅데이터 도시연구의 게재가 빈번한 학술지(Cities 등), 그러한 연구에 인용이 활발히 이루어지는 학술지(PO 등), 이 두 가지 성격을 모두 가진 학술지(IJGIS 등) 등이 확인되었다. 넷째, 연구자들의 논의를 정리해보면, 빅데이터는 새로운 지평을 열 것이나 지리학적 이론은 여전히 중요성을 유지할 것으로 전망되었다.

앞서 2장의 내용 중 한국 지리학계에서 빅데이터 도시연구 동향을 다루면서 도시공간에 대한 실증연구들이 축적되면서 저변이 서서히 확대되는 상황이라고 언급한 바 있다. 본 연구에서 분석한 국제학술지에서의 연구 활동으로 보면 한국의 국제학술연구 참여도는 현저히 떨어지는 상황이라고 볼 수 있다. 이는 연구자가 속한 기관의 소속국가 측면이나 연구 대상지역의 측면 모두에서 공통적으로 나타난다. 본 연구의 분석대상인 146편의 논문 중 불과 3편의 논문만이 한국과 연결되고 있었는데 그 중 한 편(Park and Kim, 2019)은 연구자가 속한 기관의 소속국가와 연구 대상지역 모두 한국이었고, 또 한 편(Kim, 2018)은 연구지역 만이, 그리고 다른 한 편(Hong and Jung, 2017)은 기관의 소속국가만이 한국이었다. 스마트시티 등 미래기술 분야를 보면 한국의 경우 선진적인 정보통신분야를 중심으로 기술적 측면에서의 연구는 상대적으로 활발한데 비해 그러한 기술의 진보를 사회공간적인 관점에서 담아내는 노력들은 비교적 미흡했던 것이 사실이다. 한국 빅데이터 도시연구 분야의 국제학술지활동 미흡도 어쩌면 그러한 연장선상에 있다고도 볼 수 있다. 점점 빠르게 진화해 가는 기술수준에 맞추어, 이 기술이 사회에 미치는 영향과 변화를 사회과학적인 관점에서 적절히 해석하고 의미부여를 해주는 것은 중요한 가치를 가진다는 점에서, 그리고 4차 산업혁명 시대에 새로운 기술이 사회와 공간에 미치는 영향에 대한 논의가 활발하게 진행되는 국제학계와의 학술적 및 인적 연계를 강화해가는 차원에서 이 연구 분야에서의 보다 적극적인 활동의 전개가 요구된다.

이 연구가 가지는 한계점으로 먼저 빅데이터 도시연구동향을 좀 더 심층적으로 담아내지 못했다는 점이 있다. 현재까지 수행된 빅데이터 도시연구들을 어떻게 특성화할 것인지가 이 연구의 지향점이다 보니 연구를 둘러싼 여러 가지 다양한 속성들을 두루 연구에서 다룰 수밖에 없게 되고 그 과정에서 연구동향에 대한 심층적인 논의는 제한적일 수밖에 없었다. 그런 점에서, 본 연구가 빅데이터 도시연구에 대한 동향연구에 있어 하나의 출발점 역할을 하고 있다면 후속연구에서는 인식론적 및 방법론적 측면에서 보다 심층적으로 연구동향을 규명하고 체계화하는 작업이 요청된다.

또한, 이 연구는 국제학술지 게재 논문만을 대상으로 분석을 수행함으로써, 단행본이나 연구보고서, 학술대회논문집 등 그 밖의 저작물을 포함하지 않아 보다 다양한 방식으로 전개될 수 있는 빅데이터 연구동향을 종합적으로 파악하는 데에는 한계를 가지고 있다. 그런 점에서 향후 연구는 보다 포괄적인 유형의 연구물들을 아우름과 동시에, 4차 산업혁명 시대의 또 다른 주요어들에 대한 도시연구 분석을 통해 얻어진 결과들을 유기적으로 결합하여 보다 종합적인 연구전망을 도출하는 방향으로 나아갈 수 있다. 이는 궁극적으로 스마트시티 환경에서 필요한 지리학적 연구가 무엇인지와 관련된 연구의 미래상을 제시해주는 데에 기여할 수 있다.

1) 인공지능에 대한 지리학 분야에서의 관심은 이미 1980년대부터 있어 왔다. 1980년대 중반 Professional Geographer에 인공지능을 다루는 논문들(예를 들면, Nystuen(1984), Smith(1984), Couclelis(1986), Estes et al.(1986) 등 참조)이 나오기 시작했으며 사회에서의 관심은 그보다 훨씬 이전부터 형성되어 왔다. 1968년에 제작된 영화 “2001 스페이스 오디세이”에서 우주선의 인공지능 할(HAL9000)을 자기보호의식을 형성하면서 인간에게 공포를 주는 대상으로 그리는 것을 볼 때 적어도 1960년대부터는 인공지능이 대중에게 알려져 있었다고 볼 수 있다.

2) 예를 들어, 어떤 사안에 대해 분석하고자 스마트폰 위치정보가 포함된 빅데이터를 이용할 경우 스마트폰 이용자가 해당사안과 관련된 전체집단을 잘 대표하는가, 그리고 더 나아가 사회관계망 서비스의 콘텐츠분석을 통한 결과가 서비스를 이용하지 않는 인구집단의 생각까지도 잘 반영한다고 볼 수 있는가에 대한 통계적 문제제기이다.

3) 근접중심성의 의미를 생각해볼 때 한 학술지가 인용-피인용 관계상에서 다른 학술지와 몇 단계에 의해서 연결되는지, 그리고 매개중심성의 의미로 볼 때 어떤 학술지가 한 학술지로부터 다른 학술지로 인용되는 과정에서 중간에 어느 정도 매개의 역할을 하는지 등의 질문들에는 의미부여가 어렵다.

4) 빅데이터를 검색어로 논문을 검색할 경우 본문을 포함하여 논문 어디에서도 이 용어를 쓰지 않았다면 그 논문은 검색되지 않는다. 하지만, 빅데이터라는 용어가 최근에 들어 매우 인기 있는 주요어로 급부상하는 상황에서 관련 연구들도 최대한 연구의 가시성을 높이기 위하여 그러한 용어를 적극적으로 활용할 것이라는 점에서 이 때문에 누락되는 연구들은 많지 않으리라고 판단된다. 다만, 이 용어가 부상하기 이전에 이루어졌던 성격상 빅데이터에 가까운 자료들, 예를 들면 초창기 교통카드 자료나 부동산거래 전수조사 자료 혹은 도시 전체 지목자료 등을 분석한 연구 등은 분석에 포함되지 못할 수 있다. 이런 점에서 본 연구의 대상을 보다 엄밀하게 한정한다면 연구자가 명시적으로 빅데이터의 개념 안에서 혹은 암묵적으로 빅데이터 개념과 연결 지어 수행한 연구를 담은 논문이라고 할 수 있다.

5) 주제 분야 판단은 논문의 제목과 연구목적을 기준으로 판단하되 그것만으로 명확하지 않을 때에는 본문의 내용을 참고하였다. 드물지만, 만약 논문이 두 가지 이상의 주제 분야에 해당될 경우에는 가장 핵심적인 혹은 중요한 분야를 기준으로 분류를 수행하였다. 예를 들어, SNS 맛집 등장빈도와 부동산 가격 연계 연구라면 종속변수에 해당하는 부동산 가격 연계 연구를 기준으로 분류를 수행하였다.

6) 분석결과의 오차도를 보여주는 스트레스 값은 0.30555로 0에 가까울수록 추정된 결과의 유의성이 높다는 점에서 보면 충분히 낮다고 보기는 어려우나, 본 분석의 목적이 유형 집단의 엄정한 구분보다는 다른 학술지들과 명확히 구분되는 특징적인 유형의 학술지들을 확인하고 대략적으로 어떻게 집단이 구분될 수 있는지를 탐색적인 차원에서 논의하고자 한다는 점, 그리고 스트레스 값을 낮추기 위해 차원의 수를 늘릴 경우 차원 및 학술지들의 좌표값에 대한 직관적인 해석이 어려워진다는 점의 이유로 여기서는 2차원 평면상의 결과를 그대로 이용하였다.

Acknowledgements

이 논문은 저자가 서울대학교 교원 해외파견제도에 따라 뉴질랜드 오클랜드대학교(University of Auckland) 환경학부(School of Environment)에 초빙학자로 수행한 연구임.

References

1

강대중·권오현·기창돈·김남수·김도헌·김병연·김성균·김용창·김현섭·남좌민·모경환·박선현·박세웅·박연환·박형동·신석민·안성훈·양태진·오석배·오정미·오정석·윤용태·윤주현·이상구·이상형·이은주·이재열·임도빈·임철일·장정주·전상인·정병설·조동일·최승주·최윤영·한소원·한승현·홍유석·황진환, 2018, 2018 서울대학교 미래연구 방향 및 정책 어젠다, 서울대학교.

2

구자용, 2015, "공간정보 빅 데이터의 지도화와 공간적 분포 특성에 관한 연구: 서울시 지역의 트윗 데이터를 사례로," 국토지리학회지, 49(3), 349-360.

3

구자용, 2016, "위치기반 소셜 네트워크 데이터를 이용한 서울시 상업공간 분포특성 연구," 국토지리학회지, 50(4), 491-502.

4

구자용, 2017, "공간 빅 데이터를 이용한 개인 활동패턴의 시공간적 탐색: 서울시 지역의 트윗 데이터를 사례로," 국토지리학회지, 51(3), 259-270.

5

구자용, 2018, "소셜 네트워크 서비스 위치자료의 고밀도 영역에 대한 공간특성 분석: 서울시 지역 트윗 데이터를 대상으로," 국토지리학회지, 52(2), 257-267.

6

김감영·이건학, 2016, "이동통신 빅데이터를 이용한 현재인구 추정과 개선 방안 연구," 한국도시지리학회지, 19(2), 181-196.

10.21189/JKUGS.19.2.13
7

김홍광·안종욱, 2019, "소셜 네트워크 분석을 이용한 4차 산업혁명 기술 분야의 연구 동향 분석," 지적과 국토정보, 49(1), 113-121.

8

남영우·이인용, 2002, "한국 도시지리학 반세기의 회고와 전망," 한국도시지리학회지, 5(1), 1-13.

9

문성국·조성진·황철수, 2018, "위치 참조가 없는 블로그 텍스트를 이용한 위치 정보 추출 : 종로구 일대의 퇴근 후 활동공간을 대상으로," 대한지리학회지, 53(5), 777-788.

10

박수경, 2015, "원격진료의 지역적 차별성과 정보격차에 관한 연구," 대한지리학회지, 50(3), 325-338.

11

박재희·강영옥, 2014, "트윗을 이용한 서울시 주거환경 만족의 공간적 특성 분석- 도시정책지표 보완을 위한 활용방안 모색," 한국도시지리학회지, 17(1), 43-56.

12

박종수·이금숙, 2015, "교통카드 빅데이터 기반의 서울 버스 교통망 시간거리 접근성 산출," 한국경제지리학회지, 18(4), 539-555.

13

박종수·이금숙, 2018, "서울 대도시권 통합 대중 교통망에서 연도별 및 요일별 시간거리 접근도 변화," 한국경제지리학회지, 21(4), 335-349.

14

오충원, 2013, "인터넷 환경에서 참여형 GIS에 대한 연구," 한국지도학회지, 13(1), 127-141.

15

우현지·김영훈, 2017, "토픽 모델링을 이용한 트위터 데이터의 공간 분포 패턴 분석," 한국지역지리학회지, 23(2), 376-387.

10.26863/JKARG.2017.05.23.2.376
16

이건학, 2018, "공공 CCTV의 공간 분포 특성과 가시 커버리지에 기반한 최적 입지," 대한지리학회지, 53(3), 405-425.

17

이건학·김감영, 2016, "공간통계 기법을 이용한 현주인구 추정 모델링," 한국지도학회지, 16(2), 71-93.

10.16879/jkca.2016.16.2.071
18

이금숙·박소현, 2018, "스마트매체와 결합된 일상 활동장소 정보를 이용한 도시 이동성 변화: 미디어패널조사 미디어다이어리 데이터를 토대로," 대한지리학회지, 53(5), 745-760.

19

이금숙·박종수·정미선, 2014, "수도권 광역철도망 확충에 따른 서울 대도시권 접근도 변화: 교통카드 빅데이터를 이용한 시간거리 산출 알고리즘 및 비고정성 교통망접근도 산출 모형의 개발과 적용," 한국경제지리학회지, 17(1), 98-113.

20

이종원·오선민, 2016, "모바일 테크놀로지 활용 탐구기반 야외조사활동의 설계와 적용: 경주 양동마을을 사례로," 대한지리학회지, 51(6), 893-914.

21

홍일영, 2017, "LBSN (Location-Based Social Network) 데이터와 머신러닝 기법을 이용한 토지이용 분류," 한국지도학회지, 17(3), 59-67.

10.16879/jkca.2017.17.3.059
22

황태건·조성진·황철수, 2016, "시공간 비정형 빅데이터를 이용한 외국인 일일 활동의 시공간패턴 분석: 트위터를 사용하는 서울시 거주 외국인을 대상으로," 국토지리학회지, 50(4), 439-454.

23

Allam, Z. and Dhunny, Z.A., 2019, On big data, artificial intelligence and smart cities, Cities, 89, 80-91.

10.1016/j.cities.2019.01.032
24

Arribas-Bel, D., 2014, Accidental, open and everywhere: Emerging data sources for the understanding of cities, Applied Geography, 49, 45-53.

10.1016/j.apgeog.2013.09.012
25

Batty, M., 2013, The New Science of Cities, MIT Press, Cambridge.

10.7551/mitpress/9399.001.0001
26

Behnisch, M., Hecht, R., Herold, H. and Jiang, B., 2019, Urban big data analytics and morphology, Environment and Planning B, 46(7), 1203-1205.

10.1177/2399808319870016
27

Burns, R. and Thatcher, J., 2015, What's so big about Big Data? Finding the spaces and perils of Big Data, GeoJournal, 80(4), 445-448.

10.1007/s10708-014-9600-8
28

Choi, J.-H. and Nam, Y.-W., 2012, Research trends of the Korean urban geography, Journal of the Korean Geographical Society, 47(4), 541-553.

29

Couclelis, H., 1986, Artificial intelligence in geography: Conjectures on the shape of things to come, Professional Geographer, 38(1), 1-11.

10.1111/j.0033-0124.1986.00001.x
30

Eagly, R. V., 1975, Economics journal as a communication network, Journal of Economic Literature, 13, 878-888.

31

Elvidge, C. D., Hsu, F.-C., Baugh, K. E. and Ghosh, T., 2014, National trends in satellite observed lighting: 1992-2012, in Weng, Q.(ed.), Global Urban Monitoring and Assessment through Earth Observation, CRC Press, London.

10.1201/b17012-9
32

Estes, J. E., Sailer, C. and Tinney, L. R., 1986, Applications of artificial intelligence techinques to remote sensing, Professional Geographer, 38(2), 133-141.

10.1111/j.0033-0124.1986.00133.x
33

Gao, H. and Liu, H., 2014, Data analysis on location-based social networks, in Chin, A. and Zhang, D.(eds.), Mobile Social Networking, Springer, New York.

10.1007/978-1-4614-8579-7_8
34

Gao, S., Liu, Y., Wang, Y. and Ma, X., 2013, Discovering spatial interaction communities from mobile phone data, Transactions in GIS, 17(3), 463-481.

10.1111/tgis.12042
35

Garcia-Palomares, J. C., Gutierrez, J. and Minguez, C., 2015, Identification of tourist hot spots based on social networks: A comparative analysis of European metropolises using photo-sharing services and GIS, Applied Geography, 63, 408-417.

10.1016/j.apgeog.2015.08.002
36

Gatrell, C. and Smith, A., 1984, Networks of relations among a set of geographical journals, Professional Geographer, 36(3), 300-307.

10.1111/j.0033-0124.1984.00300.x
37

Gong, L., Liu, X., Wu, L. and Liu, Y., 2016, Inferring trip purposes and uncovering travel patterns from taxi trajectory data, Cartography and Geographic Information Science, 43(2), 103-114,

10.1080/15230406.2015.1014424
38

Goodchild, M. F., 2006, GIScience ten years after ground truth, Transactions in GIS, 10(5), 687-692.

10.1111/j.1467-9671.2006.01022.x
39

Goodchild, M. F. and Janelle, D. G., 1988, Specialization in the structure and organization of geography, Annals of the Association of American Geographers, 78, 1-28.

10.1111/j.1467-8306.1988.tb00189.x
40

Graham, M. and Shelton, T., 2013, Geography and the future of big data, big data and the future of geography, Dialogues in Human Geography, 3(3), 255-261.

10.1177/2043820613513121
41

Hong, I. and Jung, J.-K., 2017, What is so ''hot'' in heatmap? Qualitative code cluster analysis with Foursquare venue, Cartographica, 52(4), 332-348.

10.3138/cart.52.4.2016-0005
42

Johnston, R. J., 1989, The institute, study groups, and a discipline without a core? Area, 21(4), 407-414.

43

Kim, Y.-L., 2018, Seoul's Wi-Fi hotspots: Wi-Fi access points as an indicator of urban vitality, Computers Environment and Urban Systems, 72, 13-24.

10.1016/j.compenvurbsys.2018.06.004
44

Kitchin, R., 2013, Big data and human geography: Opportunities, challenges and risks, Dialogues in Human Geography, 3(3), 262-267.

10.1177/2043820613513388
45

Kitchin, R., 2014, Big data, new epistemologies and paradigm shifts, Big Data & Society, 1(1), 1-12.

10.1177/2053951714528481
46

Liu, Y., Liu, X., Gao, So., Gong, L., Kang, C., Zhi, Y., Chi, G. and Shi, L., 2015, Social sensing: A new approach to understanding our socioeconomic environments, Annals of the Association of American Geographers, 105(3), 512-530.

10.1080/00045608.2015.1018773
47

Mayer-Schonberger, V. and Cukier, K., 2013, Big Data: A Revolution that will Transform How We Live, Work and Think, John Murray, London.

48

Miller, H. J. and Goodchild, M. F., 2015, Data-driven geography. Geojournal, 80(4), 449-461.

10.1007/s10708-014-9602-6
49

Mossberger, K., Tolbert, C. J. and Stansbury, M., 2003, Virtual Inequality Beyond the Digital Divide, Georgetown University Press, Washington DC.

50

Nystuen, J. D., 1984, Comment on "Artificial intelligence and its applicability to geographical problem solving," Professional Geographer, 36(3), 358-359.

10.1111/j.0033-0124.1984.00358.x
51

O'Sullivan, D. and Manson, S. M., 2015, Do physicists have geography envy? And what can geographers learn from it? Annals of the Association of American Geographers, 105(4), 704-722.

10.1080/00045608.2015.1039105
52

Pajevic, F. and Shearmur, R. G., 2017, Catch me if you can: Workplace mobility and big data, Journal of Urban Technology, 24(3), 99-115.

10.1080/10630732.2017.1334855
53

Palczewska, A., Palczewski, J., Robinson, R. M. and Neagu, D., 2014, Interpreting random forest classification models using a feature contribution method, in Bouabana-Tebibel, T. and Rubin, S. H.(eds.), Integration of Reusable Systems. Springer, New York.

10.1007/978-3-319-04717-1_9
54

Park, J. and Kim, J., 2019, Economic impacts of a linear urban park on local businesses: The case of Gyeongui Line Forest Park in Seoul, Landscape and Urban Planning, 181, 139-147.

10.1016/j.landurbplan.2018.10.001
55

Rabari, C. and Storper, M., 2015, The digital skin of cities: Urban theory and research in the age of the sensored and metered city, ubiquitous computing and big data, Cambridge Journal of Regions Economy and Society, 8(1), 27-42.

10.1093/cjres/rsu021
56

Rodrigue, J.-P., Comtois, C. and Slack, B., 2009, The Geography of Transport Systems, Routledge, London.

57

Salmond, J. A., Tadaki,, M. and Dickson, M., 2017, Can big data tame a "naughty" world? Canadian Geographer, 61(1), 52-63.

10.1111/cag.12338
58

Shearmur, R., 2015, Dazzled by data: Big data, the census and urban geography, Urban Geography, 36(7), 965-968.

10.1080/02723638.2015.1050922
59

Shelton, T. and Poorthuis, A., 2019, The nature of neighborhoods: Using big data to rethink the geographies of Atlanta's neighborhood planning unit system, Annals of the American Association of Geographers, 109(5), 1341-1361.

10.1080/24694452.2019.1571895
60

Shelton, T., Poorthuis, A., Graham, M. and Zook, M., 2014, Mapping the data shadows of Hurricane Sandy: Uncovering the sociospatial dimensions of 'big data,' Geoforum, 52, 167-179.

10.1016/j.geoforum.2014.01.006
61

Shelton, T., Poorthuis, A. and Zook, M., 2015, Social media and the city: Rethinking urban socio-spatial inequality using user-generated geographic information, Landscape and Urban Planning, 142, 198-211.

10.1016/j.landurbplan.2015.02.020
62

Slater, P. B., 1983, Hierarchical clustering of mathematical journals based upon citation matrices, Scientometrics, 5, 55-58.

10.1007/BF02097177
63

Smith, T. R., 1984, Artificial intelligence and its applicability to geographical problem solving, Professional Geographer, 36(2), 147-158.

10.1111/j.0033-0124.1984.00147.x
64

Walker, S. J., 2014, Big data: A revolution that will transform how we live, work, and think, International Journal of Advertising, 33(1), 181-183.

10.2501/IJA-33-1-181-183
65

Wirth, L., 1938, Urbanism as a way of life, American Journal of Sociology, 44(1), 1-24.

10.1086/217913
66

Wrigley, N. and Matthews, S., 1986, Citation classics and citation levels in geography, Area, 18(3), 185-194.

67

Xhgnesse, L. V. and Osgood, C. E., 1967, Bibliographical citation characteristics of the psychological journal network in 1950 and 1960, American Psychologist, 22, 778-791.

10.1037/h0024961
68

Xiao, Y., Wang, D. and Fang, J., 2019, Exploring the disparities in park access through mobile phone data: Evidence from Shanghai, China, Landscape and Urban Planning, 181, 80-91.

10.1016/j.landurbplan.2018.09.013
69

Yao, Y., Li, X., Liu, X., Liu, P., Liang, Z., Zhang, J. and Mai, K., 2017, Sensing spatial distribution of urban land use by integrating points-of-interest and Google Word2Vec model, International Journal of Geographical Information Science, 31(4), 825-848.

10.1080/13658816.2016.1244608
70

Zhong, C., Arisona, S. M., Huang, X., Batty, M. and Schmitt, G., 2014, Detecting the dynamics of urban structure through spatial network analysis, International Journal of Geographical Information Science, 28(11), 2178-2199.

10.1080/13658816.2014.914521
페이지 상단으로 이동하기