1. 서론

관광객들은 관광 이전에 관광자원을 탐색하고, 관광지가 가지고 있는 속성들을 비교하는 등 복잡한 의사결정 과정을 거쳐 최종 관광목적지를 선택한다(김현･장호성, 2012). 또한, 관광지는 단순한 장소에 한정되는 것이 아닌 관광 활동, 관광 시장과 관광 마케팅등 관광 요인들의 복합적인 개념으로 관광 상품 및 브랜드로 인식되는 경향을 보인다(Lee, 2001). 따라서 지역 관광 자원 개발과 전략적인 관광 정책 수립은 관광 활성화를 도모하는데 큰 역할을 한다(김원진･홍현철, 2006). 이에 따라, 최근 국내 지자체 및 관광 관련 기업에서도 관광객들의 실질적인 이동 행동을 분석한 결과를 활용하여 관광지 개발 및 정책 수립에 활용하는 사례가 늘어나고 있다.

Williams and Shaw(2011)에 따르면 대부분의 관광 활동은 본질적으로 시공간적 현상을 내포하고 있다. 즉, 관광객의 시공간적 관광 행동 패턴을 이해하고 이동 행동에 영향을 미치는 요인을 파악하는 것은 매우 중요하다(Bauder and Freytag, 2015; Cole and Daniel, 2003; Mckercher and Lau, 2008). 기존의 관광 행동 연구들은 대다수 인지적인 부분을 연구하는데 그쳤지만 최근 기술이 급격하게 발전하고 위치 기반(location-based service: LBS) 서비스가 보급됨에 따라 다량의 추적 데이터를 활용한 연구가 가능하게 되었다. 추적 데이터는 대부분 공간 정보와 시간 정보를 포함하고 있어 시공간적 관광 행동 패턴을 이해하는데 중요한 역할을 한다(Park et al., 2020). 최근에 이를 활용하여 관광객들의 실질적인 행동 패턴을 분석하는 연구가 늘어나고 있는 추세이다. 그러나 관광학 분야에서 관광객의 이동 행동 패턴 연구에 귀추가 주목되고 있음에도 불구하고 아직까지 관광객의 이동 행동에 미치는 요인들에 대한 대부분의 연구는 인지적인 측면에 국한 되어있으며 관광객의 실질적인 이동 행동 분석 연구도 대부분 공간적 측면에만 초점을 맞추고 있다.

관광 행동에 영향을 미치는 요소 중 하나인 문화적 배경은 관광객의 관심사와 수요를 반영한다. 특히 국적에 따라 관광목적, 관광이미지, 관광형태, 관광만족도에 차이가 나타나며 관광목적지 선택과 관광행동, 관광만족요인에도 영향을 미친다(장준호･최주호, 2013). 그러나 국적과 관련된 대부분의 연구는 관광지 이미지, 재방문의사, 방한동기 등 인지적인 측면만을 고려하는 경향이 있어 외래 관광객들의 실질적인 수요나 성향을 파악하는데 어려움이 있다(박석희･박상곤, 2005). 또한, 관광객의 문화적 배경을 반영한 다양한 연구가 진행됨에 따라 국적과 같은 문화적 차이가 관광객들의 의사 결정 및 행동 의도에 영향을 미친다는 것이 밝혀졌으나 관광객의 실제 행동에서 시공간적 관광 행동의 차이점을 밝혀낸 연구는 미비한 실정이다.

따라서 이 연구는 2019년 1월부터 2020년 1월까지 1년 동안 전주시를 방문한 외래 관광객들을 대상으로 수집된 모바일 빅데이터를 활용하여 관광지 내의 인기지역과 비인기지역을 도출해 내고자 한다. 또한 최적화된 핫스팟 분석(optimized hot spot analysis)으로 공간상의 이동 행동을 분석할 뿐만 아니라 발생 핫스팟 분석법(emerging hot spot analysis)을 통해 공간 정보와 시간 변화를 동시에 고려하여 관광 핫스팟의 변화 추이를 도출해 내는 것을 연구 목적으로 한다. 더불어 이를 국적에 따라 각각 분석하여 외래 관광객들의 국적에 따른 관광 이동 패턴의 차이점을 파악하는 것을 연구 목적으로 한다.

2. 연구 동향

대부분의 관광 이동 패턴 연구는 서로 다른 장소 사이를 여행하는 관광객의 공간적 행동을 순차적 사건으로 연결한다(Zakrisson and Zillinger, 2012). 관광 패턴(travel pattern)은 특정 장소(관광 명소)에서 다른 지역으로의 이동 또는 그 흐름을 의미한다. 관광객의 이동과 관련된 대부분의 연구는 여행자의 행동 결정과 관련된 복합적인 과정을 이해하고, 언제 어떤 장소를 방문하고 이동할 지를 예측하는데 초점을 맞추고 있다(Xia et al., 2011). 최근 관광 이동 행동 연구 분야에서 지리 정보가 포함된 데이터를 분석하여 관광 이동 행동을 이해하고자 하는 다양한 연구가 진행되었다. 그러나 대부분의 연구자들은 지리 정보가 태그 된 데이터(geotagged)를 온라인에서 습득하여 연구를 진행하고 있다(Wong et al., 2017). 이 경우 관광객들이 선택적으로 게시물을 올린다는 점에서 데이터의 희소성(sparsity)과 편향성(bias) 문제가 발생하고 데이터를 수집하는데 시간이 많이 소비된다는 한계점을 가진다(Park and Zhong, 2022). 이러한 데이터의 한계점으로 인해 최근 GPS 추적 기술을 활용하여 여행 이동 행동을 파악하고자 하는 연구들이 다수 진행되고 있다. GPS 기반 데이터는 공간 및 시간 정보의 정확성이 높고 고도화된 기술을 활용하여 보다 쉽고 빠르게 데이터를 수집할 수 있고 추적 기간을 연장할 수 있다는 점에서 이동 행동 패턴을 분석하는데 가장 적합한 유형의 데이터로 여겨진다(Raun et al., 2016). 그러나 관광학 분야에서 GPS 추적기술을 활용하여 수집한 데이터의 희소성으로 인해 관광 이동 행동 패턴을 분석한 연구가 다양하게 진행되지 않은 실정이다.

관광 활동은 공간적인 현상을 내포하고 있으며 본질적인 관광 행동을 이해하기 위해서는 공간적인 특성을 파악하는 것이 무엇보다 중요하다(Williams and Shaw, 2011). 특히나 관광 이동 행동 연구에서 공간적 분포는 관광객들의 행동 패턴을 파악하는데 중요한 요소로 여겨진다. 공간, 시간, 또는 시공간 정보를 기반으로 관광 지역 내부에서의 관심 지역의 경향성을 확인하거나 시간에 따른 추이 변화를 추정하는 다양한 연구가 관광 행동 연구 분야에서 진행되었다. 기존의 공간 분포적 측면에서는 일반적으로 군집 분석(clustering)이나 핫스팟 분석(hotspot analysis)을 활용한 연구가 다수 진행되었다. 예를 들어, Kádár and Gede (2013)는 플리커(Flickr)에서 수집한 지리정보가 태그된(geotagged) 사진을 활용하여 부다페스트(Budapest)에서 인기 있는 관광지를 조사하였다. 그들은 부다페스트 지역의 관광객과 거주민들의 이동 패턴을 분석하여 차이점을 밝혔으며 부다페스트 내부에서 관광객들이 많이 방문한 지역을 도출해 내었다. 또한, Hu et al.(2015)는 6개의 국가의 6개의 도시를 선정하여 10년간의 (2014년부터 2020년까지) 플리커 데이터를 수집하여 DBSCAN 알고리즘으로 6개 도시의 관심지역(area of interest: AOI)을 도출하였다. 하지만 군집 분석은 단순히 공간적 분포를 성향에 맞게 분류하는 기법으로 통계학적으로 적합성을 입증하는 것이 불가능한 비지도 학습(unsupervised machine learning) 알고리즘을 활용한다는 점에서 한계점을 가진다.

이 때문에, 관광 빅데이터 연구 분야에서 핫스팟 분석을 활용하여 인기있는 관광지를 판별하는 다양한 연구가 진행되었다. 핫스팟 분석의 경우 공간 데이터의 공간적 자기상관성을 통계적으로 입증할 수 있을 뿐만 아니라 독립성의 원칙을 기반으로 한 전통적인 통계학의 맹점을 극복하여 공간적인 이질성을 설명할 수 있다는 이점을 가진다(O’Sullivan and Unwin, 2003). 예를 들어, Van der Zee et al.(2020)은 트립어드바이저(TripAdviser)에서 플랑드르 예술 도시에 위치한 레스토랑 5곳에 대한 리뷰 데이터를 수집 활용하여 핫스팟 분석을 진행하였다. 그들의 연구는 리뷰 데이터를 기반으로 공간 패턴을 비교하여 관광객들의 공간적 행동 패턴을 분석하였으며 5곳의 예술 도시 중 4곳에서만 핫스팟이 자주 발견되었으며 드물게 콜드스팟이 발견되었다고 주장했다. 하지만 기존 연구에서 활용한 핫스팟 분석법은 공간적인 측면만을 고려하는 경향이 있다.

그러나 관광의 특성상 시간이 지남에 따라 인기 있는 지역은 변화하며 계절에 따라 관광객이 선호하는 관광지는 변화한다(Cuccia and Rizzo, 2011). 이를 고려하였을 때 공간적인 측면뿐만이 아닌 시간적인 측면을 복합적으로 고려할 필요가 있다. 실제로 김나연･김영옥(2019)은 플리커 데이터를 활용하여 서울을 방문한 외래관광객을 문화권 별로 분류하여 서울 내에 위치한 종로와 남산과 같은 주요 관광지를 중심으로 국적별 관심지역을 분류하여 시간에 따른 변화 추이를 밝혀낸바 있다. 그러나 관광 지역은 이웃한 지역과의 상호 작용이 발생하며(Tobler, 1970) 관광객은 주요 관광지 뿐 아니라 근처에 위치한 다른 지역을 방문하는 관광 이동에 있어 연속성을 가지기 때문에(Zakrisson and Zillinger, 2012) 단일 관광지가 아닌 관광지 전체적의 선호지 변화 추이를 비교하여야 한다. 이에 따라 이 연구는 전주시 전체 지역의 공간 분포와 시간의 흐름에 따른 관광 이동 행동의 변화를 모두 고려하여 핫스팟 분석을 진행하고자 한다.

3. 연구 방법

1) 연구지역

이 연구는 전주시를 연구지역으로 한다. 전주시는 대한민국 전라북도 내륙에 위치한 205.5km²의 면적을 가지고 있다. 전주시는 산지가 도시의 둘러싸고 있는 분지 지형으로 전주 한옥 마을, 덕진 공원과 같은 관광지를 포함하는 유명한 국내 관광지이다. 그림 1에 연구 지역과 전주시에 위치한15개의 가장 인기있는 관광지를 시각화 하였다. 전주시의 유명 관광지는 대부분 전주 한옥마을을 중심으로 전주시의 중앙에서 동쪽으로 치우쳐 있으며 그 외에 덕진공원, 완산 칠봉, 전주 동물원, 경기전 등이 인기 관광지로 분류된다(전라북도문화관광).

그림 1.

연구 지역 및 인기 관광지 Top 15

2) 데이터

이 연구는 국내 최대 규모의 통신사가 2019년 1월부터 2020년 1월까지 약 1년간 대한민국 전주시를 방문한 외래관광객들 중 모바일 로밍 서비스를 이용한 사람들을 대상으로 수집한 데이터를 활용한다. 이 데이터는 격자 형태로 구분되어 있으며 특정 격자를 기준으로 방문한 외래관광객의 수와 출신 국가, 방문한 년도 및 날짜, 격자의 위치 정보 (위도와 경도)가 포함되어있다(표 1). 이 데이터의 외래관광객 수는 특정 격자를 방문한 관광객수에 로밍 서비스를 이용한 전체 외국인들 중 해당 통신사 서비스를 이용한 관광객의 수의 비율을 책정하여 계산된 값이다. 즉, 이 데이터의 관광객 수는 통신사의 점유율을 고려하여 비율을 책정한 값으로, 표본을 보다 명확하게 설명한다는 이점을 가진다. 또한, 모바일 센서 데이터는 위성 기술을 활용하여 수집된 데이터로 정확성이 높고 편향된 관점을 배제한다는 이점을 가지며 공간적 정보와 방문 정보가 시간의 흐름에 따라 기록되어 있어 시공간적 관광 이동 패턴을 분석하는데 용이하다는 점을 고려해 이 연구에 활용하였다.

3) 데이터 분석

(1) 최적화된 핫스팟 분석(Optimized Hot Spot Analysis)

이 연구는 전주시 전체를 100m x 100m의 격자 형태로 구분하여 특정 격자를 방문한 관광객 수를 기반으로 최적화된 핫스팟 분석을 수행하였다. 최적화된 핫스팟 분석은 k-최근접 이웃(k-nearest neighborhood: KNN) 머신러닝 기법을 기반으로 핫스팟의 강도를 측정한다. 이 분석법은 KNN알고리즘을 활용하여 가장 적합한 공간 클러스터의 개수와 분석 규모 등을 정의하며, 정의된 측정값을 기반으로 분석을 진행해 보다 정확한 결과를 도출해 낸다는 이점을 가진다(esri, 2022c). 핫스팟 분석은 데이터에 대한 Getis- Ord Gi* 통계(Ord and Getis, 1995)를 기반으로 z-score와 p-value 값을 산출하여 공간적 군집의 경향성을 파악하고 특정 지역의 인기 있는 지역(hot spot)과 비인기지역(cold spot)을 발견하는 것을 목적으로 한다. 이 분석법은 인접한 지역들의 특성 값을 반영하여 격자들 중 통계학적으로 의미 있는 핫스팟을 찾는다. 최적화된 핫스팟 분석은 단순히 특성 값만을 산출하여 비교하는 것이 아닌 지리학 제 1 법칙에 따라 인접한 지역의 영향성을 고려하여 인기지역과 비인기지역을 구분한다. 이에 따라, 기본적으로 특성 값이 높은 지역이 존재할 지라도 주변 지역의 특성에 따라 핫스팟인 지역일 수도 있고 아닌 경우도 생길 수 있다. 즉, 특정 지역의 특성 값이 높다 할지라도 주변의 지역들이 낮은 특성 값을 가진다면 통계학적으로 핫스팟이 아닌 경우가 생긴다는 것이다. 이러한 특정 지역과 이웃하거나 인접한 지역간의 관계성을 기반으로 핫스팟을 발견하기 위해 Getis- Ord Gi* 지리적 통계 분석법을 활용하여 z-score값을 산출하여 각 지역의 특성값을 계산하는데 이는 아래의 공식 (1)과 같이 정의된다. xj는 공간데이터 j의 속성값이며, wij는 공간데이터 i와 j 사이의 공간 가중치, n은 전체 공간데이터 개수이다. 수식 (2)의 X¯는 n개의 xj의 평균이고 수식 (3)의 S는 분산을 뜻한다.

최적화된 핫스팟 분석 결과는 위의 공식 (1)을 통해 산출 된 z-score (유의 확률)값을 기준으로 3개의 핫스팟, 3개의 콜드스팟, 그리고 유의미한 변화가 발견되지 않은 무작위형(not significant) 1개를 포함한 7개의 범주로 분류된다. 7가지의 범주는 표 2와 같이 정의된다. 무작위형은 자기 공간 상관성의 유의 확률을 계산한 값인 p-value 값이 유의 수준에서 벗어나는 경우 발생하는 유형으로 최적화된 군집 개수 k에 대하여 군집 내의 지리적 분포의 상관성이 미비한 경우를 의미한다. p-value 값에서 유의미한 결괏값을 얻은 격자들은 z-score 값에 따라 핫스팟 유형과 콜드 스팟 유형으로 분류된다. z-score는 양의 값을 갖는 경우 핫스팟으로 간주되며 값이 클수록 더 인기 있는 지역임을 의미하며 z-score가 음수의 값으로 산출 될 경우 점수가 낮을수록 더 인기 없는 지역 임을 의미한다. 계산된 z-score 값을 기반으로 핫스팟에 해당하는 격자들과 콜드스팟에 해당하는 각각의 격자의 값의 강도를 비교하여 핫스팟 유형과 콜드스팟을 각각 3가지 범주로 분리하여 무작위형을 포함한 총 7개의 유형으로 분리하여 지도에 시각화하여 표현하였다.

표 2.

최적화된 핫스팟 분석의 핫스팟, 콜드스팟 유형 정의

정의
핫스팟 (hot spot)		콜드스팟(cold spot)
	99%의 유의 확률에 포함되는 지역		99%의 유의 확률에 포함되는 지역
	95%의 유의 확률에 포함되는 지역		95%의 유의 확률에 포함되는 지역
	90%의 유의 확률에 포함되는 지역		90%의 유의 확률에 포함되는 지역
	아무런 추세 패턴도 발견되지 않아 무작위의 성질을 가진 지역

(2) 발생 핫스팟 분석(Emerging Hot Spot Analysis)

발생 핫스팟 분석은 인기 지역의 변화 추세를 시간의 흐름에 따라 파악하는 분석 방법으로 Getis-Ord Gi* 지리 통계 기반의 핫스팟 분석 결과를 시계열로 나열하여 시간에 따른 지역의 인기 정도의 변화 추이를 분석하는 기법이다. 이 연구는 전체 데이터를 3개월 단위로 구분하여 시간의 흐름에 따른 인기 관광지의 변화를 분석하였다. 우선 시공간 분석을 위해 어레이 (array) 형식으로 변환한 원 데이터를 표준 공간 데이터 공유 형태인 netCDF(network common data form)로 변환시키고 각각의 netCDF 형태의 데이터를 시간 순서에 따라 그림 2의 타임 큐브의 형태로 배치시켰다(esri, 2022a). 동일 가로 선상에 위치한 빈들은 동일한 시간 정보를 가지며 이를 타임 슬라이스라고 정의한다. 발생 핫스팟의 강도는 Getis-Ord Gi* 지리적 통계 분석법을 기반으로 하여 동일 가로 선상에 위치한 타임 슬라이스들의 공간 자기 상관성을 비교해 산출한다. 이 결과, 각각의 빈에 해당하는 단일 큐브는 공간 정보, 시간 정보, 핫스팟 강도를 속성 값으로 가진다(Harris et al., 2017). 각각의 속성값을 내포한 빈을 기반으로 Mann_Kendall 추세 검정을 활용해 각각의 속성값의 타임 시리즈(bin time series)에 해당하는 데이터를 대상으로 핫스팟의 강도와 시간의 상관관계를 계산하였다(Mann, 1945; Kendall, 1948).

그림 2.

시공간 큐브 (Space-time cube)

자료: esri 홈페이지(https://pro.arcgis.com/en/pro-app/latest/tool- reference/space-time-pattern-mining/createcubefromdefinedlocations.htm)

해당 분석을 통해 산출 된 값은 17개의 범주로 분류되며 8개의 핫스팟(인기지역)과 8개의 콜드스팟(비인기지역)과 유의미한 변화가 발견되지 않은 무작위형이 이에 포함된다. 마지막 시점과 마지막 2개의 시점에서 핫스팟 또는 콜드스팟이 발생하는 유형을 각각 신규형(new)과 연속형(consecutive)으로 정의하며 전체 시간 중 90% 이상의 시점에서 강도가 증가하는 추세를 보이는 지역을 강화형(intensifying), 증가 또는 감소가 발생하지 않고 90% 이상 일정한 추세를 보이는 지역은 영구형 (persistent)으로 정의한다. 감소형(diminishing)의 경우 시간이 흐름에 따라 핫스팟 또는 콜드스팟이 감소함을 의미하며 산발형(sporadic)은 추세가 산발적으로 일어나는 지역을 뜻한다. 또한, 진동형(oscillating)은 핫스팟과 콜드스팟이 동시에 발생한 지역을 의미한다 이때 핫스팟이 더 많으면 진동형 핫스팟이고 콜드스팟이 더 많으면 진동형 콜드스팟 이다. 마지막으로 과거형 (historical)의 경우 최근 시간 단계를 제외한 나머지 시간에서 90% 이상 핫스팟이거나 콜드스팟인 지역을 의미한다. 각각의 유형은 표 3과 같이 정리되며 이 연구에서는각각의 격자 값에 따른 시간적 추세를 비교하여 지도에 시각화하여 표현하였다(esri, 2022b).

표 3.

발생 핫스팟 분석의 유형 정의

유형	정의
	핫스팟 (hot spot)		콜드스팟(cold spot)
신규형 (New)		마지막 단계에서만 통계적으로 유의미한 핫스팟이 발생하는 지역		마지막 단계에서만 통계적으로 유의미한 콜드스팟이 발생하는 지역
연속형 (Consecutive)		가장 최근의 2단계에서 만 연속적으로 유의미한 핫스팟이 일어난 지역		가장 최근의 2단계에서 만 연속적으로 유의미한 콜드스팟이 일어난 지역
강화형 (Intensifying)		전체 시간 중 90% 이상이 핫스팟 지역이며, 그 강도가 점차 증가하는 지역		전체 시간 중 90% 이상이 콜드스팟 지역이며, 그 강도가 점차 증가하는 지역
영구형 (Persistent)		시간에 따른 증가나 감소 없이 90% 이상이 일정하게 핫스팟인 지역		시간에 따른 증가나 감소 없이 90% 이상이 일정하게 콜드스팟인 지역
감소형 (Diminishing)		시간이 지남에 따라 핫스팟의 강도가 감소하는 지역		시간이 지남에 따라 콜드스팟의 강도가 감소하는 지역
산발형 (Sporadic)		핫스팟이 산발적으로 일어나는 지역		콜드스팟이 산발적으로 일어나는 지역
진동형 (Oscillating)		시간 단계에서 일부는 핫스팟 상태고 일부는 콜드스팟 상태인 지역		시간 단계에서 일부는 콜드스팟 상태고 일부는 핫스팟 상태인 지역
과거형 (Historical)		최근의 시간 단계를 제외한 과거 최소 90% 정도가 핫스팟이었던 지역		최근의 시간 단계를 제외한 과거 최소 90% 정도가 콜드스팟이었던 지역
무작위형 (Not significant)		아무런 추세 패턴도 발견되지 않아 무작위의 성질을 가진 지역

자료: esri 홈페이지(https://pro.arcgis.com/en/pro-app/latest/tool-reference/space-time-pattern-mining/learnmoreemerging.htm)

4. 연구 결과

1) 기술 분석(Descriptive Analysis) 결과

이 연구에 활용 된 통신사 데이터를 기반으로 국적에 따른 수요 및 시간의 흐름에 따른 변화 추이를 파악하기 위해 기술 분석이 진행되었다. 먼저 전주시를 방문한 외래관광객의 수를 확인하였으며 월별 외래관광객수의 변화 추이를 분석하여 시각화 하였다. 또한 중국인, 일본인, 미국인 관광객들의 월별 방문 추이를 파악하였다.

(1) 국적별 전주시 외래관광객 수 비교

국적별 전주시 외래관광객 수 비교는 전주시의 관광에 가장 큰 영향을 미치는 국적 또는 문화권을 파악하기 위해 진행되었다. 그림 3은 전주시를 방문한 외래관광객의 국적별 합계 중 상위 10개국의 순위를 보여준다. 중국인이 183,544.45명으로 압도적인 우위를 차지하였으며 뒤를 이어 일본인이 53,409.38명, 미국인이 35,360.01명이 방문하였다. 중국, 일본, 미국 국적의 전주시 외래관광객 수는 272,313.84명으로 전주시 전체 외래관광객 수 438,898.81명 중 62.04%를 차지해 전주시 외래관광객이 특정 국적에 편중하여 나타남을 확인했다. 이에 따라 이 연구에서는 주요 3개국인 중국, 일본, 미국 국적 외래관광객들의 전주시 관광 행동 패턴을 분석하여 비교하고자 한다.

그림 3.

국적별 외래관광객 수 총량 순위

(2) 월별 전주시 외래관광객 수 비교

관광에 대한 시간과 계절성의 영향력을 확인하기 위해 월별 전주시 외래관광객 수를 파악하여 방문 추이를 비교하였다(그림 4). 2019년 1월부터 2020년 1월 중 관광객 수가 가장 많았던 달은 2019년 10월이었고 동년 4월과 11월에도 관광객이 다수 방문했다. 반면 관광객 수가 가장 적었던 달은 2020년 1월이었고 1월과 2월에는 관광객 수가 급격하게 감소하였다. 즉 시간과 계절성에 따라 관광객 수에 변화가 있음을 전주시 외래관광객 수의 증감을 바탕으로 확인할 수 있다.

그림 4.

전체 외래관광객의 월별 관광객 수 증감 추이

(3) 주요 국적별 전주시 외래관광객 수의 월별 증감 비교

전주시를 방문한 외래관광객 수의 상위 3개국에 포함되는 중국(CHN), 일본(JPN), 미국(USA) 국적 외래관광객을 대상으로 월별 증감 추이를 비교 분석하였다. 그림 5은 중국, 일본, 미국 국적 관광객들의 방문 추이를 시각화한 결과이다. 중국, 일본, 미국의 순서로 외래관광객 수가 많았으며, 중국인 외래관광객 수는 조사 기간 동안 다른 두 국적의 관광객 수보다 항상 많았다. 전반적으로 세 국적의 관광객의 방문 추이가 상이하게 나타났다. 특히 2019년 10월 중국인 외래관광객과 미국인 외래관광객은 전월 대비 각각 24.67%, 171.20% 증가했지만, 일본인 외래관광객 수는 전월 대비 17.96% 감소하여 국적별 차이를 확인할 수 있었다.

그림 5.

주요 국적 외래관광객의 월별 관광객 수 증감 추이

2) 최적화된 핫스팟 분석 결과

(1) 전주시 외래관광객 핫스팟 분석 결과

전주시 외래관광객의 핫스팟 강도와 공간적 분포를 파악하기 위해, 외래관광객 전체 표본에 대한 최적화된 핫스팟 분석을 실시하였다. 핫스팟 분석에 활용된 기본 입력값은 전주시를 방문한 외래관광객 수이며 격자 당 외래관광객 수를 바탕으로 인기 관광지 및 비인기 관광지를 산출해 내는 것을 목적으로 한다. 입력값에 대한 개요는 표 4와 같다. 각 격자에 해당하는 ‘관광객 수’에 대한 최솟값은 0.0002이고, 최댓값은 554.7462이며 평균은 14.8938이며 표준편차는 27.1402이다.

전주시를 구성하는 전체 격자 38,732개 중, 전주시 외래관광객 핫스팟 분석에 유의한 격자의 개수는 29,458개이다. 그중 135개의 격자가 다른 입력 값에 비해 비정상적으로 분포를 벗어난 양상을 보여 이를 이상치로 간주하여 분석에서 제외하였다. 그림 6은 최적화된 핫스팟 분석 결과를 시각화 한 것이며, 이를 통해 전주 내 특정 지역에서만 외래관광객의 핫스팟이 형성됨을 발견하였다. 특히 ‘전주한옥마을 등 중앙동 일대’, ‘신성공원과 지시제호수 일대’, ‘전주수목원 일대’와 일부 주거지역 등에서 99%의 유의성을 가진 핫스팟이 산출되었다.

그림 6.

외래관광객의 국적별 최적화된 핫스팟 분석 결과

(2) 국적별 전주시 외래관광객 핫스팟 분석 결과

앞서 도출한 전주시 외래관광객의 핫스팟과 중국, 일본, 미국 국적 외래관광객의 핫스팟 차이를 파악하고, 각 국적별 특징을 도출하기 위해, 최적화된 핫스팟 분석을 3개국을 대상으로 진행하였다. 각 국적별 핫스팟 분석에 사용한 격자에서, 관광객 수와 관련된 입력 값의 개요는 표 5에서 확인할 수 있다. 중국인 관광객이 방문한 38,331개의 격자 중 유의한 28,983개의 격자에서 핫스팟 분석이 실행되었으며, 이중 136개의 이상치가 제외되었다. 중국인 외래관광객을 대상으로 한 핫스팟 분석에서 중앙값은 133.64, 평균은 6.33으로 격자 당 관광객 수에 불균형이 존재함을 시사한다. 일본인 외래관광객을 대상으로는 총 38,484개의 격자 중 29,171개의 격자가 유의했으며, 134개의 이상치는 제외됐다. 중앙값은 42.35이고 평균은 1.83으로 격자 간 불균형 정도가 중국인 외래관광객보다 심하다. 마지막으로 미국인 외래관광객 대상으로는 총 38,316개의 격자 중, 28,958개의 격자가 유의했으며, 그 중 136개의 이상치를 제외하고 핫스팟 분석이 실행됐다. 중앙값은 27.37이고 평균은 1.22이므로, 격자 간 관광객 수의 불균형은 일본인 외래관광객에 비해 덜하고 중국인 외래관광객에 비해 심하다(표 5).

그림 7은 국적별 외래관광객의 최적화된 핫스팟 분석을 통해 산출된 값을 바탕으로 시각화한 결과이며 중국인 외래관광객의 경우, ‘전주한옥마을과 중앙동 일대’, ‘전주역’, ‘전주 시외 버스 터미널’, ‘전주 수목원’, ‘전주 대학교 및 전주 국립 박물관’ 등 전주시의 도심지에 걸쳐 핫스팟이 넓게 형성되었다. 일본인 외래관광객의 경우, ‘전주한옥마을과 중앙동 일대’, ‘전주수목원’, ‘전주 종합 경기장’ 등에서 핫스팟이 형성됐으며, 미국인 외래관광객의 경우, ‘전주 한옥마을과 중앙동 일대’, ‘전주 월드컵 경기장’, ‘전주 시외 버스 터미널’, ‘신성 공원과 지시제 호수 일대’ 등에서 핫스팟이 형성됐다. 형성된 핫스팟 중 99%의 유의수준을 가지는 핫스팟의 면적은 중국인은 6,274 일본인은 4,019 미국인은 4,679 로, 중국인 외래관광객의 핫스팟이 가장 넓은 면적에서 형성되었으며 미국인, 일본인 순으로 핫스팟 면적이 큰 것으로 확인되었다.

그림 7.

외래 관광객의 국적별 최적화된 핫스팟 분석 결과

3) 발생 핫스팟 분석 결과

이 연구에서는 핫스팟을 이룬 표본 강도의 증감을 추세선으로 표현해, 시간의 흐름에 따른 핫스팟의 변화를 확인하였다. 분석에 앞서 만들어진 타임큐브 속 격자의 개수는 21,610개이며, 그중 유의한 추세를 나타낸 표본은 19,118개이다. 유의한 표본에 대한 명목형 분류에 따른 핫스팟과 콜드스팟에 해당하는 격자의 개수는 표 6과 같다.

연속형(Consecutive) 핫스팟에 해당하는 격자의 개수가 많은 반면 연속형 콜드스팟은 비교적 적은 격자가 이 유형에 포함되었다. 또한 다수의 격자가 강화형(intensifying) 핫스팟 또는 콜드스팟으로 분류됐고, 영구형(persistent)에서는 핫스팟에 비해 콜드스팟에 해당하는 격자가 많이 발견되었다. 즉, 전체 외래관광객 대상 핫스팟은 시간이 지남에 따라 면적이 점점 축소되고 있는 반면 콜드스팟은 시간이 지남에 따라 면적이 점차 확장되는 것으로 확인되었다. 해당 분석 결과를 그림 7과 같이 지도에 시각화하였다.

중국, 일본, 미국에 대한 발생 핫스팟 분석을 각각 진행하여 국적별 전주시 내 선호 관광지를 도출하였다. 국적별로 생성된 타임큐브는 중국인 외래관광객의 경우 21,610개의 큐브 중 19,197개에서 통계적으로 유의한 추세가 나타났다. 일본인 외래관광객은 21,610개의 큐브 중 18,410개에서 추세가 나타났다. 또 미국인 외래관광객의 경우 21,524개 큐브 중 15,263개에서 추세가 발견되었다. 명목형 분류에 따른 국적별 타임큐브의 격자 수 비교는 표 7에서 확인할 수 있다.

그림 8.

전체 외래관광객 대상: 발생 핫스팟 분석 결과

17개의 범주를 기반으로 국적별 발생 핫스팟 분석 결과를 지도에 시각화하여 표현하였다(그림 9). 중국인 외래관광객의 경우, 중앙동 등 중심지로부터 강화형 범주 확장의 영향으로 ‘전주역 일대’, ‘지시제호수’ 등의 인기 정도가 증가하고 있음을 알 수 있다. 일본인 외래관광객의 경우, ‘전주한옥마을과 중앙동 일대’ 등에서 영구형 범주의 패턴이 발견되며, ‘전주역’, ‘지시제호수’ 등에서만 작은 면적의 강화형 범주가 발견됐다. 마지막으로 미국인 외래관광객의 경우, 중국인과 일본인에 비해 면적이 가장 작으며, 형성된 범주 중에는 ‘중앙동’을 중심으로 하는 강화형 범주가 가장 많지만, ‘전주한옥마을’ 일대에서는 영구형 범주가 가장 많이 발견되었다.

그림 9.

외래관광객의 국적별 발생 핫스팟 분석 결과

5. 결론

Tobler(1970)의 지리학 제 1의 법칙에 따르면 공간내의 모든 것은 관련되어 있으며, 서로 공간적으로 가까운 것과 더 밀접하게 관련되어 있다고 말한다. 이처럼 공간적인 분포는 서로 연관되어 있으며 근접하게 위치해있는 공간들끼리는 더 높은 관계성을 보이게 된다. 관광적인 측면에서 관광지 내부에서의 이동 동향에 공간적인 상호작용이 발생하기도 한다. 즉, 관광의 이동성은 관광객들이 근접해있는 지역으로의 이동을 증진시키며 이로 인해 밀접해 있는 관광지 간의 상호작용이 발생한다(Tobler, 1970). 또한, 관광객들은 다양한 지역을 방문하기 때문에 관광객들이 자주 방문한 지역들 간의 관계성을 이해하는 것은 관광지를 개발하는데 중요한 시사점을 제공한다(van der Zee, Bertocchi and Venneste, 2020). 더불어, 관광지에서의 관광객들의 행동 결정은 계절성과 같은 시간의 흐름의 영향을 받는다. 따라서 관광에서의 이동 행동을 이해하는데 있어 공간적인 관점뿐만 아니라 시간적인 관점에서 이해하는 것은 필수적이다(e Silva et al., 2018). 전주시의 경우 한옥마을(한국의 전통 주택)과 같은 역사적인 가치가 있는 매력적인 관광지이지만, 외래관광객들의 연간 방문률은 서울, 부산, 제주와 같은 지역들의 비해 저조한 실정이다 (한국관광공사, 2020). 그렇기 때문에, 외래관광객들의 방문 행동을 분석한 결과를 토대로 외래관광객 맞춤형 마케팅, 목적지 기획이 필요한 실정이다. 이에 따라 이 연구는 지난 1년동안 전주시를 방문한 외래관광객들의 모바일 빅데이터를 활용하여 공간적 이동뿐만 아니라 시간적 변화를 고려한 관광 핫스팟의 변화를 분석하였다.

먼저, 전주시 내부의 이동 행동에 대한 국적과 시간의 영향성을 파악하기 위해 기술 분석을 진행하였다. 국적별 총 관광객 수를 비교하였을 때 전주시를 방문한 전체 외래관광객중 중국인과 일본인, 미국인이 60% 이상에 해당해, 3개의 문화권에 속한 관광객이 전주시를 가장 많이 방문했음을 확인하였다. 또한, 전체 관광객을 대상으로 월별 추이를 분석하여 비교한 결과, 10월에 가장 많은 외래관광객이 전주시를 방문하였으며 3월부터 11월까지 3만명 이상의 관광객이 전주시를 방문하였으나 겨울철인 1월, 2월, 12월에는 관광객의 수가 현저히 감소하였음을 알 수 있었다. 추가적으로 중국, 미국, 일본 국적을 가진 외래관광객들의 시간에 따른 방문 추이를 분석한 결과 각각의 국적별로 서로 다른 양상을 보이는 것으로 확인되었다. 예를 들어, 전체 외래관광객 수가 급증한 2019년 10월의 경우 중국인과 미국인의 경우 방문 추이가 증가하였으나 일본인의 경우 감소한 것으로 확인되었다. 기술 분석을 통해 국적과 시간이 외래관광객들의 방문 행동에 영향을 미친다는 것을 발견하였다.

두 번째로 공간적인 측면의 인기지역 및 비인기지역을 확인하기 위해 최적화된 핫스팟 분석을 실시하였다. 이 분석법은 지리 통계 기법인 Getis-Ord Gi*를 기반으로 한 분석법으로, 공간적인 측면의 상관성을 계산하여 핫스팟과 콜드스팟을 판별하는 방법이다. 전주시 외래관광객에게 인기가 많은 핫스팟 지역은 전주시 중앙 지역에 위치한 ‘전주 한옥 마을과 중앙동’, ‘전주 수목원’과 같은 관광 명소들에서 주로 발견되었다. 또한, 국적별로 핫스팟 분석을 진행한 결과 전주시의 관광 중심 지역인 전주 한옥 마을과 중앙동 일대는 중국인, 일본인, 미국인에게 인기있는 지역으로 핫스팟이 형성되었다. 반면 중국인의 경우 다른 국적에 비해 인기 지역이 더 넓게 분포되어 ‘전주 시외 버스 터미널’이나 ‘전주 대학교 및 전주 국립 박물관’ 일대에서도 핫스팟이 형성되었음을 발견하였다. 일본인의 경우 콜드스팟이 형성된 지역이 매우 적고 형성된 핫스팟 지역도 비교적 적음을 확인하였다. 미국인의 경우 핫스팟의 분포가 대체적으로 전주 한옥마을이 위치한 지역을 중심으로 형성되었다. 이처럼 공간적인 측면에서 국적별로 다른 양상의 인기 지역이 존재함을 입증하였다.

마지막으로 시간의 흐름에 따른 공간적 분포의 변화 추이를 확인하기 위해 발생 핫스팟 분석을 진행하였다. 발생 핫스팟 분석은 Getis-Ord Gi* 지리통계 기반으로 값들을 시계열 형태로 배열하여 인기있는 지역의 변화 추이를 도출하는데 적합한 분석 기법이다. 전주시를 방문한 외래관광객을 대상으로 발생 핫스팟을 분석한 결과 핫스팟의 경우 강화형과 연속형에 속하는 격자가 많이 존재하였으며 콜드스팟은 강화형과 영구형의 속하는 격자가 가장 많이 발견되었다. 즉 인기 지역은 대부분 인기가 계속해서 증가하는 추세를 보이며 인기 지역을 방문하는 관광객의 수가 시간이 흐름에 따라 증가한다. 반면, 비인기 지역의 경우 방문 추세가 계속해서 감소하는 경향성을 보였다. 이 분석을 통해 국적 간의 방문 추이를 살펴본 결과 각각 다른 추이를 보였다. 핫스팟의 경우 중국인은 강화형에 해당하는 격자가 많이 발견되었으며 일본인은 영구형에 해당하는 격자의 비율이 높았고 미국인의 경우 연속형에 해당하는 격자의 수가 다른 유형에 비해 많이 발견되었다. 콜드스팟의 경우 중국인과 일본인은 강화형과 영구형에 다수의 격자가 포함되었으나 미국인의 경우 대부분의 콜드스팟이 연속형에 해당하는 것으로 드러났다. 이 분석을 통해 시간이 흐름에 따라 관광객들의 방문 지역이 변화함을 입증하였으며 시간에 따른 방문 추이가 각각의 국적에 따라 상이함을 입증하였다.

이 연구는 관광지 관심 지역의 구조 또는 형태가 정체되어있는 것이 아닌 시간의 흐름에 따라 변화한다는 것을 발견했을 뿐만 아니라 국적에 따라 이동 행동 패턴이 다르다는 것을 실증하였다. Cuccia and Rizzo (2011)은 인기있는 관광지는 계절성과 같은 시간적 요인에의해 변화한다고 주장하였으며, 이 연구 결과에서도 비슷한 현상이 발견되었다. 또한, 많은 연구자들은 관광객의 국적과 같은 문화적인 차이가 관광지 이미지 형성 및 관광지에 대한 만족도에 영향을 미치며 최종적으로 관광 목적지 선택과 관광 행동에 영향을 미침을 입증하였다(장준호･최주호, 2013). 그러나 대부분의 선행 연구는 인지적인 측면만을 고려해 진행되어왔다. 이에 따라, 이 연구는 외래관광객들의 관광객의 이동 행동 패턴을 분석하여 국적이 실질적인 이동 행동에도 영향을 미침을 실증하였다는데 의의가 있다. 더 나아가 이 연구는 시간과 국적이 여행 행동에 미치는 영향을 빅데이터 기법을 활용하여 분석하여 관광지 개발 또는 정책 수립에 중요한 시사점을 제공하는데 의의를 가진다. 예를 들어, 전주시 내부의 지속적으로 인기있는 지역을 중심으로 관광 교통 시설을 정비하거나 전주시의 관광 정보를 다양한 국적의 외래관광객들의 선호에 맞추어 제공하는데 활용 될 수 있다. 또한, 이 연구는 기존의 인기 지역을 산출하는데 활용되었던 최적화된 핫스팟 분석뿐만 아니라 공간과 시간, 양면을 고려한 시공간 빅데이터 분석을 활용하여 가변적인 관광 핫스팟의 변화 추세를 발견했다는 점에서 방법론적인 시사점을 가진다. 한편, 이 연구는 몇 가지 한계점을 가진다. 첫 번째로 이 연구의 활용된 데이터는 전주시를 방문한 외래관광객들을 대상으로 수집하였으므로 일반화시키기에 다소 한계가 있다. 그러므로, 추후 다른 지역을 대상으로 연구하여 다른 지역에서도 비슷한 양상을 보이는지를 확인해볼 필요가 있다.