1. 연구 배경 및 필요성

대중교통은 도시의 중요한 기간 시설로 다수의 시민이 공동으로 사용하는 필수적인 교통수단이다. 대중교통은 도시의 이동성과 접근성을 향상시키며 환경 친화적인 특성으로 지속가능한 교통체계 구축에 기여한다(Göransson and Andersson, 2023). 이러한 긍정적 역할에도 불구하고 대중교통은 몇 가지 문제에 직면해 있다. 구체적으로, 객차 내 혼잡, 연착 및 지연, 지역별 교통 불균형, 승객 수 감소로 인한 적자 등은 대중교통 운영의 효율성을 저하시킬 뿐만 아니라, 도시민의 이동 편의성에도 부정적인 영향을 미친다. 이러한 문제들은 본질적으로 대중교통 수요와 공급 간의 불일치에서 비롯된다(임승빈 등, 2025). 가령, 특정 지역이나 시간대에 수요가 지나치게 높은 경우 객차 내 혼잡이 발생하고 연착 및 지연이 발생할 확률이 높아져 대중교통 이용의 편의성을 저하시킨다. 반대로, 수요가 부족한 경우에는 혼잡 문제는 완화될 수 있지만 운영 비용이 증가하고 적은 승객 수로 인해 배차 간격이 늘어나 대중교통 네트워크의 효율성이 저하된다(Flyvbjerg et al., 2005).

이와 관련한 대표적인 사례로는 2007년에 개통한 공항철도가 있다. 공항철도는 개통 초기에 인천공항과 김포공항만 연결했기 때문에 수요가 매우 미진하여 ‘공기 수송’이라는 비판을 받았다. 그러나, 공항철도 노선 주변으로 청라 국제 도시, 검단 신도시를 포함한 대규모 택지 개발이 이루어져 건조 환경이 변화하고, 2010년 김포공항에서 서울역까지 노선이 연장됨에 따라 서울 도심으로의 접근성이 높아져 이용객 수가 폭증하였다. 결과적으로 현재는 ‘가축 수송’ 또는 ‘지옥철’이라는 오명을 얻고 있다(MBC, 2023.05. 15.). 이처럼 공항철도의 사례는 도시 개발, 노선 확장 등 다양한 요인이 대중교통 수요에 영향을 미친다는 것을 보여주며, 대중교통 수요량에 영향을 미치는 다양한 요인의 파악이 중요함을 보여준다(An et al., 2022; Pun et al., 2019). 이러한 과정은 궁극적으로 대중교통 이용률을 높여 만성적인 운영 손실을 줄이고 장기적인 시설 투자 계획 수립을 가능하게 하는 등 대중교통 시스템을 안정적으로 운영할 수 있게 할 것이다(Ma et al., 2018).

한편, 급격한 도시화와 교통 인프라의 발전으로 인해 현대 도시의 통행 행태는 더욱 복잡해지고 있다. 이러한 변화는 도시 내 이동 수단의 다양화를 촉진했으며, 이에 따라 교통수단 선택이 도시 통행 패턴에 미치는 영향이 주목받고 있다. 특히, 다양한 교통수단의 발전은 개인의 이동 경로와 시간, 목적지 선택 과정 등에 있어 새로운 양상을 만들어내고 있다(Mehdizadeh and Klöckner, 2024). 따라서 멀티모달 모빌리티(Multimodal mobility) 관점에서 여러 교통수단을 동시에 고려한 통합적인 이동에 대한 분석이 필요하며, 이를 통해 도시 내 실질적인 이동 패턴을 더욱 깊이 있게 살펴볼 필요가 있다(Schneider et al., 2021). 멀티모달 모빌리티란 출발지에서 도착지까지 복수의 교통수단을 이용해 이동하는 방식을 의미한다(UN, 1980). 본 개념은 인터모달 모빌리티(Intermodal mobility)라고도 불리며, 17세기 화물 운송 분야에서 처음 등장해 사용된 이후 현재는 다양한 교통수단이 결합된 이동 형태를 설명하는 경우에도 활용되고 있다(노홍승 등, 2018; Alessandretti et al., 2023). 멀티모달 모빌리티는 각 교통수단의 장점을 최대한 활용함으로써 보다 효율적인 이동을 가능하게 하며, 교통수단의 통합을 통해 자가용 이용에 대한 대안을 마련할 수 있다는 점에서 그 중요성이 커지고 있다(Oeschger et al., 2020).

이러한 배경에서 본 연구는 도시화와 교통수단 다양화로 인해 복잡해진 대중교통 통행 패턴과 통행 요인을 통합적 분석틀에 기반하여 분석하고자 한다(Wang et al., 2020). 이를 위해 멀티모달 모빌리티 관점에 입각하여 서울시에서 발생하는 개별 대중교통수단을 활용한 통행과 교통수단 간 환승 및 전체 통행의 공간적 분포 패턴을 살펴본다. 또한, 교통수단별 통행 패턴에 영향을 미치는 주요 환경 요인을 실증적으로 살펴보고자 한다. 기존의 연구들은 다양한 유형의 모델링을 적용하여 교통수단별 통행 변수와의 인과 관계를 확인했으나, 멀티모달 모빌리티 관점에서 각각의 교통수단별 통행, 환승 통행, 전체 대중교통 통행을 통합적으로 분석한 사례는 드물다(Wu et al., 2022). 도시 내 교통 체계가 복잡해지고 교통수단 간 연계성이 강화되는 현 시점에서, 개별 교통수단에 대한 독립적인 분석을 넘어 통합적 시각의 멀티모달 모빌리티 기반의 접근법은 필수적이다(Seaborn et al., 2009). 본 연구의 결과는 대중교통 네트워크 설계와 운영 효율화, 환승 편의 개선 등 실제 교통 정책 수립에 유의미한 근거 자료를 제시할 것으로 기대된다. 최종적으로는, 대중교통 시스템의 지속가능성 제고와 도시 이동성 향상을 위한 체계적 해법을 모색하는 데 기여할 수 있을 것이다.

2. 선행 연구

대중교통 인프라에 대한 근린 지역의 성격을 반영한 건조 환경 변수를 활용하여 대중교통 통행을 설명하는 연구는 다수 존재한다(Kim et al., 2021). 이러한 연구들은 교통수단의 특성, 건조 환경 특성, 인구학적 요소 등을 대변할 수 있는 5D 변수(밀도(Density), 다양성(Diversity), 디자인(Design), 목적지 접근성(Destination), 대중교통으로의 거리(Distance))들을 다수 활용하는 모습을 보인다(Sun et al., 2020). 대중교통 통행에 대한 영향 요인을 설명하는 연구들은 다음과 같으며, 교통수단별로 이를 정리할 수 있다.

지하철을 이용한 통행에 대한 통행 요인을 살펴보면, Cardozo et al.(2012)는 마드리드 지하철역별 승차인원 수에 대하여 고용률, 지하철 노선 수가 양의 영향력을 미치는 것을 확인하였다. Li et al.(2024)는 경치 좋은 명소, 호텔 서비스, 지하철역 출입구 수, 휴양지 면적 등 특정 건조 환경 요인이 승객 수에 유의미한 영향을 미침을 확인하였다. An et al.(2019)은 상업용 토지 이용, 지하철 시스템 특성, 버스 정거장, 관광지, 의료 서비스 요인이 지하철 승객 수에 모두 긍정적인 영향을 미친다는 것을 밝혀냈다. Zhao et al.(2013)은 CBD 더미 변수, 교육용 건물의 수, 상업 센터, 공유 자전거 공간 수가 지하철역 이용객과 유의미한 상관관계가 있는 것을 확인하였다. Luo et al.(2020)은 헤이그와 암스테르담 트램 네트워크의 중심성이 승객 수 예측에 활용될 수 있음을 밝혀냈다. Kopsidas et al.(2023)은 아테네 지하철 네트워크를 사례로 지하철 전체 승객 수와 통행별 승객 수를 추정하기 위해 연결 중심성, 매개 중심성, 근접 중심성을 활용하였다. 버스를 이용한 통행과 관련하여, Chakour and Eluru(2016)는 몬트리올의 시간대별 버스 통행에 영향을 미치는 도시 형태와 토지 이용 요인의 영향을 확인하였으며, 대중교통에 대한 접근성 증대가 이에 대한 이용 증대로 이어질 것이라고 주장하였다. 이는 난징의 지하철 통행량에 버스 정거장 및 노선 수가 긍정적인 영향을 미침을 확인한 Chen et al.(2019)과 인구학적 변수보다 접근성이 버스 이용량에 더욱 큰 영향을 미친다는 Cui et al.(2022)의 연구 결과와 일치한다.

지하철 및 버스 각각에 대한 통행 뿐만 아니라, 멀티모달 모빌리티를 반영하고자 도시 내 전체 대중교통 통행을 다룬 연구도 존재한다. Ma et al.(2018)은 주거지, 서비스 시설, 버스 정거장, 지하철역, 도로 밀도 등이 대중교통 승차량에 양의 영향을 미치는 것을 확인하였다. An et al.(2022)은 전체 통행에 대한 대중교통 이용 통행 비율에 대하여 상주 인구가 많을수록, 토지 이용이 다양할수록, 중심지 및 지하철역으로부터의 거리가 가까울수록, 버스 네트워크가 고밀도일수록 그 비율이 높다는 것을 확인하였다. Pun et al.(2019)은 도로 네트워크의 연결 중심성과 페이지랭크 중심성이 대중교통 통행량에 영향을 미침을 확인하였다. 한수경･이희연(2015)는 서울대도시권 고령자의 대중교통 통행 유인 요인 분석을 통해 구인 업체, 재래시장, 공원이 통행에 유의미하게 작용하는 변수임을 확인하였다. 강남욱･남궁미(2018)는 서울시 고령자의 비통근 대중교통이용의 영향요인에 대하여 목적지의 버스 정거장 수, 시장 수, 병원 수가 유의미한 양의 관계를 보임을 확인하였다. 김규식･권규상(2020)은 인구 밀도가 증가할수록, 토지이용 다양성과 도로 밀도가 감소할수록 대중교통 통행 확률이 증가한다고 밝혔다.

한편, 교통수단간의 연계성을 강조한 환승 통행에 대한 영향 요인 분석 연구도 진행되었다. Cascajo et al.(2019)와 Navarrete and de Dios Ortúzar(2013)는 환승의 편의성 및 시간과 같은 환승의 고유성이 환승 이동 경험에 미치는 영향을 질적인 접근을 통해 밝혀냈다. 양적 연구방법론 측면에서, Schakenbos et al.(2016), Garcia-Martinez et al.(2018)는 환승 통행에 영향을 미치는 변수로 환승 시간, 환승 거리, 대기 시간 등이 중요한 영향을 미친다는 것을 확인하였다. 그러나 환승 통행에 집중한 연구들은 환승 통행의 고유한 특징에 초점을 두다보니 역설적으로 전체 또는 교통수단별 통행 요인과의 상대적인 영향력 비교가 어렵다는 한계점이 있다.

지금까지 논의한 대중교통 통행에 대한 통행 요인의 작용을 요약해보면 다음과 같다. 첫째, Cervero and Kockelman (1997)가 제안한 3D(Density, Diversity, Design) 변수와 이에 대한 논의를 확장한 Ewing and Cervero(2001)의 5D변수로 대표되는 노드 주변의 건조 환경 변수는 대중교통 통행을 설명하는데 여전히 중요한 역할을 차지하고 있다. 둘째, 교통수단별로 통행 요인이 작용하는 상대적인 영향력은 다를 수 있지만, 유의미하게 도출되는 변수는 대체로 동일한 경향을 보인다. 셋째, 기존 연구와의 차별화를 위해 전통적인 통계 기법을 넘어 공간적 관점을 강조한 지리 가중 회귀분석(Geographically Weighted Regression: GWR)이나 비선형성을 고려한 머신러닝 기법 등을 활용한 연구들이 존재하지만 큰 틀에서는 대중교통 통행을 설명하기 위한 방법론 중 하나임을 알 수 있다(임수영, 2024).

그러나 기존의 연구는 개별 교통수단이나 전체 대중교통의 이동만을 다루는 경우가 대부분으로, 멀티모달 모빌리티를 통합적으로 분석한 연구가 많지 않다(Wu et al., 2022). 이는 교통수단 간 특성을 일관성 있게 파악하기 위한 데이터 구득 및 구축의 어려움과 분석틀 설계의 한계에서 비롯된 결과이다(김지우･이건학, 2022; De Gruyter et al., 2020). 이러한 점에서 Tu et al.(2018)와 De Gruyter et al.(2020)의 연구를 주목할 만하다. Tu et al.(2018)은 중국 선전을 사례로 지하철, 버스, 지하철 및 버스, 택시 이용에 대해 5D 독립 변수를 활용한 일반 회귀분석 및 GWR 분석을 수행하였다. 이와 유사하게 De Gruyter et al.(2020)은 멜버른의 기차, 트램, 버스에 대한 이용률을 종속 변수로, 5D 변수를 독립 변수로 활용하고 그 관계를 확인하였다. 두 연구의 공통된 연구 결과 중 하나는 동일한 독립 변수를 사용했더라도, 종속 변수로 설정된 교통수단에 따라 회귀 계수의 방향성이 달라진다는 점이다. 이는 교통수단별 특성을 고려하지 않으면 통행 패턴 분석의 결과가 달라질 수 있음을 보여준다. 다만, 두 연구 모두 도시 내 복합적인 교통수단 이용 행태를 반영할 수 있는 환승 통행은 고려하지 못했다는 한계가 있다.

3. 대중교통 통행 모델링 데이터 및 변수

1) 멀티모달 모빌리티 기반의 트립체인 데이터

2022년을 기준으로, 서울시에서 운영되는 자가용을 포함한 모든 교통수단 중 공공성을 갖춤과 동시에 유의미한 수송 비중을 차지하는 교통수단으로는 지하철(43.5%)과 버스(20.1%)가 있다. 이러한 배경에서 본 연구는 서울시 지하철과 버스를 서울시 대중교통이라고 정의하고자 한다.

한편, 서울시 대중교통 시스템을 구성하는 교통수단 및 개별 노선의 운영 주체는 다양하다. 이에, 대중교통수단의 통행을 표현하는 OD데이터의 생산 및 관리 주체 역시 모두 다르다. 따라서 서울시 전역에서 발생하는 멀티모달 모빌리티 기반의 대중교통 통행을 확인하기 위해서는 개별 운영 주체로부터 통행 데이터를 각각 확보한 후 동일한 데이터 구조로 결합해야 한다. 본 연구에서 구축한 대중교통 통행 데이터의 핵심은 서울시 산하 T-DATA에서 오픈API 형태로 제공하는 서울시 트립체인 데이터이다. 서울시 트립체인 데이터는 하루에 3명 이상이 동일한 경로로 지하철 또는 버스를 이용해 이동한 경우에 대하여 전체 통행을 통행 분절(Trip segment)이 결합된 형태로 표현한 데이터이다. 이때 트립체인 데이터는 최대 5개의 통행 분절로 구성되는데, 이는 서울시 대중교통의 환승이 최대 4번까지 가능하기 때문이다. 결과적으로 서울시 트립체인 데이터를 활용할 경우 T-DATA에서 관리하는 모든 대중교통을 활용한 통행의 최초 출발지, 최종 도착지, 승객 수 등을 파악할 수 있다.

서울시 트립체인 데이터는 최초 출발지와 최종 도착지 간의 이동에 있어 서울시에서 관리하는 도시철도 및 버스에 한 번이라도 승차했을 경우, 서울시와 관련이 없는 대중교통 운영 주체에서 운영하는 교통수단에 대한 승･하차 기록도 포함한다. 예를 들어 3명의 승객이 인덕원역(경기도 안양시 소재, 4호선, 코레일 운영)에서 지하철을 타고 서울대입구역(서울시 관악구 소재, 2호선, 서울교통공사 운영)에 하차한 후 관악구청 버스 정거장에서 750A번 서울 시내버스로 환승하여 서울대학교･치과병원･동물병원 버스 정거장에 하차한 경우, 서울시 관할의 지하철 2호선과 750A번 버스를 이용했기 때문에 서울시와 무관한 코레일에서 운영하는 4호선 인덕원역의 승차 정보 또한 서울시 트립체인 데이터에 자동으로 집계되어 하나의 행으로 표현된다. 이는 수도권통합요금제 실시로 전체 운임에 대한 운영 주체 간 수익 배분을 위해 대중교통 이용자의 승차 및 하차 지점이 정확히 기록되어야 하기 때문이다(이미영･김종형, 2016).

하지만, 서울시 트립체인 데이터만으로는 서울시 전역의 대중교통 통행을 완전히 포착할 수는 없다. 이는, 서울시와 무관한 코레일 및 공항철도(주)가 운영하는 서울시 내 역 간의 통행은 서울시 트립체인 데이터에서 누락되어 있기 때문이다. 따라서 서울시 대중교통 통행의 전체 흐름을 보다 정확히 파악하기 위해, 본 연구는 코레일과 공항철도(주)가 운영하는 서울시 소재 역 간 OD 데이터를 추가적으로 구축하였다. 해당 데이터는 코레일과 공항철도(주) 각 운영사의 노선 내에서만 승하차가 이루어진 통행 정보를 포함하고 있어, 서울시 관할 대중교통을 전혀 이용하지 않아 서울시 트립체인 데이터에서 누락된 통행 패턴을 보완할 수 있다.

최종적으로 본 연구는 서울시 트립체인 데이터와 코레일 및 공항철도(주)에서 운영하는 서울시 소재 역 간의 OD데이터를 결합하여 2023년 7월 한 달 동안 서울시 내의 대중교통 이용에 대한 결합된 트립체인 데이터를 구축하였다. 결합된 트립체인 데이터는 개별 통행의 목적을 포함하지 않지만, 서울시에서 발생한 대중교통 이동 전반을 반영하기에 도시 내 통행 패턴을 분석하기 위한 대표성과 가치를 지닌다. 더 나아가, 본 데이터를 구축하기 위한 데이터 수집 및 전처리 과정은 통행 데이터 생산 주체 간 관계성에 대한 연구자의 무지, 결합된 트립체인 데이터의 부재, 트립체인 데이터 구축의 어려움 및 복잡성으로 인해 지하철 이동의 대표성 확보가 어려웠던 기존 연구의 한계점을 보완했다는 점에서 큰 의의가 있다(김지우･이건학, 2022; 이재건･손정렬, 2021). 다만, 사설 철도 기관인 네오트랜스에서 운영하는 신분당선에 대한 통행 데이터는 관계 기관의 데이터 제공 거부로 인해 분석에 반영하지 못했다. 또한, 후술할 부분에서는 서울시 트립체인 데이터는 별도로 논하지 않고 결합된 트립체인 데이터만 분석에 반영할 예정이기 때문에 향후 언급되는 트립체인 데이터는 모두 결합된 트립체인 데이터를 전제한다.

2) 통행 모델 변수

본 연구의 대중교통 통행 모델링에 사용된 종속 변수는 트립체인 데이터에 기반한 대중교통 유동량이다. 트립체인 데이터는 승객이 이용한 교통수단을 명시적으로 반영하기 때문에 이를 기반으로 지하철만을 이용한 통행, 버스만을 이용한 통행, 2회 이상의 통행 분절이 결합된 대중교통 환승 통행, 전체 트립체인 데이터를 의미하는 대중교통 통행으로 재분류할 수 있다. 이러한 분류는 개별 교통수단에 대한 이해뿐만 아니라 서울시 전역의 대중교통 이용 패턴에 대한 이해 또한 가능하게 한다. 그림 1은 서울시의 각 교통수단별 통행에 대한 공간적 패턴을 나타낸다. 모든 통행을 공간적으로 시각화할 경우 복잡성 문제로 공간 패턴에 대한 인식이 어렵기 때문에 유동이 많은 주요 통행만 시각화하였다(김지우･이건학, 2017).

그림 1.

대중교통수단별 주요 통행의 공간적 분포(좌상: 지하철, 우상: 버스, 좌하: 환승, 우하: 대중교통)

먼저, 지하철 및 버스 통행의 경우 전체 유동 중 이용객 수가 상위 1%에 해당하는 유동만 시각화를 진행하였다. 지하철을 이용한 상위 873개의 주요 통행은 상대적으로 유동의 길이가 긴 것을 확인할 수 있으며, 도시 외곽보다는 중심부에 집중되어 지역 간 연계가 활발한 양상이다. 반면, 버스를 이용한 상위 3,807개의 주요 통행의 경우 지하철에 비하여 상대적으로 유동의 길이가 짧은 것을 확인할 수 있으며, 지역별 중심지로부터 주변의 외곽으로 방사형 형태로 뻗어나가는 공간적 패턴을 보이고 있다. 이에 각 교통수단별 상위 1% 유동의 수는 버스(3,807개)가 지하철(873개)보다 약 4.3배 이상 많지만 시각화에 대한 복잡성 문제가 크지 않은 모습이다. 환승 및 대중교통의 주요 통행은 다른 교통수단과의 유동 패턴 비교를 위해 지하철 통행 시각화에서 적용한 상위 873개의 유동을 시각화하였다. 두 유형의 유동은 지하철과 버스 통행에 비해 노드 수가 많기 때문에 보다 복잡한 공간적 패턴을 보인다. 특히 환승 통행은 이동의 경우의 수가 많기에 네 유동 유형 중 가장 복잡한 공간적 패턴을 보이고 있다. 대중교통을 이용한 주요 통행은 지하철을 이용한 주요 통행과 거의 동일한 공간적 패턴을 보이고 있는데, 이는 서울시 내 대중교통 이동에 있어 지하철이 중요한 위치를 차지하고 있음을 보여준다.

한편, 본 연구에서 시도하는 지하철, 버스, 환승, 대중교통 통행 모델링은 모두 지하철 및 버스 네트워크의 노드에서 출발 및 도착하는 통행을 대상으로 한다. 이에 대중교통 통행에 유의미한 영향을 미칠 것으로 기대되는 통행 요인으로 크게 5D와 대중교통 네트워크 위상 지수를 선정하고 이를 노드별로 산출하였다. 먼저, 건조 환경 5요소(밀도, 다양성, 디자인, 목적지 접근성, 대중교통으로의 거리)인 5D를 구성하는 변수들은 앞서 선행 연구에서 살펴본 바와 같이 통행을 설명함에 있어 중요한 변수로 작용하고 있다(Cervero and Kockelman, 1997; Ewing and Cervero, 2001). 대중교통 네트워크 노드별로 5D를 표현하기 위해 노드로부터 400m의 버퍼링을 구획하여 주변의 건조 환경을 정량적으로 표현하였다(Cardozo et al., 2012; Zhao et al., 2013). 400m는 대중교통에 대한 도보 이동 거리를 반영하기에 적절하며, 도시 환경 계획 측면에서 적절한 서비스 권역 반경이라고 알려져 있다(Guerra et al., 2012). 또한, 교통 네트워크의 위상 구조는 네트워크상에서 발생하는 통행량에 유의미하게 작용하는 것으로 알려져 있다(Borgatti, 2005; Zhao et al., 2017). 이에, 지하철 및 버스 네트워크를 각각 구축하고 네트워크 위상 구조를 평가할 수 있는 지수를 산출하였다. 최종적으로 17개의 독립 변수를 선정하였으며, 표 1은 구축한 독립 변수와 이에 대한 기술 통계를 표현한다.

밀도는 대중교통 수요를 직접적으로 결정하는 요인으로 본 연구에서는 이를 주간 인구와 야간 인구로 나누어 분석하고자 한다. 이를 위해 서울시 열린 데이터 광장에서 제공하는 집계구 단위 서울 생활인구 데이터를 활용하여 14시에서 16시 사이의 누적 인구 분포를 주간 인구로, 2시에서 4시 사이의 누적 인구 분포를 야간 인구로 정의하였다. 이 데이터는 서울시 인구 분포를 전수에 가깝게 높은 공간 및 시간 해상도로 제공하기 때문에 인구 분포의 이질적인 시공간 패턴을 연구에 반영할 수 있다(김지윤 등, 2023; 서용훈･이건학, 2023).

다양성은 인구, 상업 시설, 업무 지구 등 통행을 유발하는 활동 거점을 분산하거나 집중시켜 대중교통 수요의 시공간적 패턴에 직접적으로 영향을 미치는 변수이다. 이를 구체적으로 확인하기 위해 환경공간정보서비스에서 제공하는 2023년 토지 피복 지도를 활용하여 토지 이용 다양성, 주거지 면적, 상업지 면적, 수체 면적을 산출하였다. 먼저, 토지 이용 다양성은 22개의 중분류 항목(주거지역, 공업지역, 상업지역 등)을 셰넌의 다양성 지수(Di, Shannon's diversity index)에 적용하여 노드(i)별 토지 이용 다양성을 평가하였다(수식 1). 이는 각 노드별 버퍼링에서 토지 피복 유형(j)이 차지하는 면적의 비율(ARij)에 그 비율의 자연로그를 곱해 모두 합한 뒤, 그 합을 음수로 변환하여 산출한 값이다. 또한, 주거 지역 면적, 상업 지역 면적은 모두 시가화 및 건조지역(대분류)에 포함되는 중분류 토지 피복으로 도시 내 토지 이용에 따른 산업 및 서비스 발달 수준을 확인할 수 있는 대표적인 지표이다. 수체 면적은 대분류 토지 피복 유형인 수역과 습지의 면적을 합쳐서 구성하였다.

디자인은 도로 면적과 교차로 수로 구성하였다. 출발 및 도착 노드 주변의 도로 면적과 교차로 수는 해당 지역의 차량 접근성 및 도로 교통량을 반영하기 때문에 자가용의 발달 정도를 대변하며, 이를 통해 대중교통과의 경쟁 또는 보완 관계를 확인할 수 있다. 도로 면적은 앞서 활용한 토지 피복 지도의 시가화 및 건조 지역(대분류)의 교통 지역(중분류)에 포함되는 세분류 토지 피복 형태이다. 교차로 수는 서울시 열린 데이터 광장에서 제공하는 교차로 분포에 대한 공간 정보를 활용하였다.

목적지 접근성은 출발지와 도착지 간의 거리, 사업체 수, 종사자 수로 구성였다. 거리는 지역 간 상호작용을 확인함에 있어 반드시 고려해야하는 핵심 변수 중 하나이다(김감영, 2011; Fotheringham and O'Kelly, 1989). 본 연구에서 활용한 트립체인 데이터는 점 단위로 재현된 지하철역 및 버스 정거장 간의 이동을 표현하기 때문에 이를 기반으로 유클리드 거리를 산출하였다. 사업체 수와 종사자 수는 해당 지역에서 발생하거나 유입되는 통행 수요의 규모를 직접적으로 결정짓는 지표이다. 이들 지표가 높을수록 업무나 상업 활동을 위해 방문하거나 이동하는 인구가 많아져 대중교통 이용 빈도가 증가하는 경향을 보인다. 본 연구에서는 통계지리정보서비스에서 100m×100m의 격자 단위로 제공하는 2022년 사업체 수와 종사자 수를 활용하였다.

본 연구에서 사용하는 트립체인 데이터는 대중교통 네트워크의 노드 간 이동을 표현하기 때문에 퍼스트 및 라스트 마일을 표현하는 대중교통으로의 거리를 산출할 수 없다. 이에, 지하철 및 버스 노선 수, 공공 자전거 대여 및 반납 건수를 대리 지표로 사용하였다. 지하철 및 버스 노선 수는 노드별 대중교통 접근성과 연결성을 보여준다. 대중교통 노선이 많을수록 환승 기회와 목적지 선택의 유연성이 증가하여 이용자가 보다 편리하게 대중교통을 이용할 수 있다. 또한, 주변에 위치하는 대중교통 노선의 수를 통해 지하철 및 버스 간의 경쟁 정도를 확인할 수 있다. 공공 자전거는 대중교통의 대체재 또는 보완재 기능을 담당할 수 있는 준 대중교통으로 도시 내 모빌리티 비중이 점차 커지고 있는 교통수단이다(임수영, 2024). 공공 자전거는 개인 이동 수단으로서 일부 구간에서 버스나 지하철을 대체할 수 있으며, 퍼스트 및 라스트 마일 특성을 통해 대중교통을 보완하는 기능도 수행한다(Xin et al., 2022). 본 연구에서 적용한 공공 자전거 대여 및 반납 건수 지표는 대중교통인 공공 자전거까지의 거리를 간접적으로 반영하는 지표로 활용하고자 한다. 공공 자전거 대여 대여 이력은 서울시 열린 데이터 광장에서 제공하는 2023년 7월 한 달 동안의 데이터를 활용하였다.

대중교통 네트워크의 위상적 특성은 특정 지역으로의 접근성과 이동성을 결정하며, 통행량의 시공간적 분포를 형성하는 데 기여한다(박용하, 2021; Kopsidas et al., 2023). 이에, 대중교통 네트워크 노드의 중심성은 통행량과 높은 상관관계를 갖는다고 알려져 있다(De Montis et al., 2007). 이러한 배경에서, 본 연구는 페이지랭크 중심성(PageRank centrality)과 로컬 클러스터링 계수(Local clustering coefficient)를 활용하여 대중교통 통행량을 해석하고자 한다. 페이지랭크 중심성과 로컬 클러스터링 계수는 네트워크의 위상 구조 뿐만 아니라 네트워크 내에서 발생한 통행량도 고려할 수 있어 대중교통 통행 모델링에 적합한 독립 변수로 활용할 수 있다. 먼저 페이지랭크 중심성은 홈페이지의 중요도를 측정하기 위해 개발한 지수로 기존 네트워크 중심성 지표가 고려하지 못한 통행의 방향성, 노드별 가중치, 개별 노드의 영향력이 다른 노드로 파급될 때 외부로 향하는 모든 링크의 수를 반영한다(심지윤 등, 2022; Brin and Page, 1998). 수식 2는 노드 i의 페이지랭크 중심성(PRi)을 표현한 것으로, aji는 노드 j에서 i로 향하는 링크 유무에 대한 인접 행렬 요소, kjout은 노드 j의 외향 연결 중심성, d는 댐핑 팩터(Damping factor)로 웹페이지 이용자가 현재 페이지에서 다른 페이지로 이동할 확률을 의미하며 일반적으로 0.85를 적용한다.

로컬 클러스터링 계수는 특정 노드가 이웃 노드와 단단히 엮인 정도를 평가하는 지표이다(Xin et al., 2022). 본 연구에서는 유향-가중 네트워크에 적용할 수 있는 Fagiolo (2007)의 로컬 클러스터링 계수를 사용한다. 본 지표는 전통적인 이진형 및 무향 네트워크에서의 로컬 클러스터링 계수를 확장하여 방향성과 가중치를 모두 반영함으로써 보다 복잡한 네트워크 구조와 특성을 표현할 수 있다. 특히 교통 네트워크와 같이 방향성과 흐름의 강도가 중요한 네트워크의 특성을 분석하는 데 적합하다. Fagiolo(2007)의 로컬 클러스터링 계수는 노드 i 주변의 순회로에서 관측된 실제 유동량(가중치의 기여도)의 합을 이론적으로 가능한 모든 순회로에 대한 최대 유동량 합으로 나눈 값으로 표현한다(수식 3). 이때, Ditot는 노드 i의 진입 및 진출 연결 중심성의 합을 나타내며, W는 노드 간 유동량 행렬을 나타낸다. 인접 행렬 A의 요소 aij는 노드 i와 j가 하나의 링크로 인접할 경우 1, 그렇지 않을 경우 0이다. Di↔는 인접 행렬의 제곱(A2)에 대한 i행 및 i열 요소로, 노드(i)에서 출발했다가 다시 돌아오는 경로의 수를 의미한다.

4. 서울시 대중교통 통행 요인 분석

1) 대중교통 통행 모델 구축

구축한 데이터를 바탕으로 대중교통수단별 통행량에 대한 건조 환경의 상대적 영향력을 확인하고자 한다. 종속 변수인 대중교통수단별 통행량은 양의 정수로 표현할 수 있는 승객 수이기 때문에 가산 자료(Count data)이다. 또한, 본 연구에서 활용한 통행 데이터는 과분산의 특성을 보여 이를 고려한 모델링이 필요하다(서재준 등, 2023). 이에 본 연구에서는 가산 자료를 처리하기 용이하며 종속 변수의 과분산을 고려할 수 있는 음이항 회귀분석(Negative binomial regression)을 활용하여 건조 환경 변수에 기반한 대중교통수단별 통행 모델링을 수행하고자 한다(Hilbe, 2011). 일반화 선형 모형 중 하나인 음이항 회귀분석은 포아송 회귀분석이 갖는 평균과 분산이 같다는 가정을 보다 완화하여 분산이 평균보다 클 수 있도록 모델링한다. 이를 위해 음이항 회귀분석에서의 분산은 평균과의 관계를 설명하는 추가 매개변수 𝛼를 통해 산출되며 이를 통해 과분산을 조정한다(수식 4). 최종적으로 음이항 회귀분석은 종속 변수 λi에 로그 링크 함수를 취하며 이는 수식 5와 같다(Hoffmann, 2016).

한편, 본 연구에서 구축한 거리를 제외한 나머지 독립 변수들은 출발지와 도착지 각각에 대한 값을 산출할 수 있다. 이에 대중교통 통행 모델링을 수행함에 있어 다음의 두 가지 접근법을 고려할 수 있다. 첫째, 출발지와 도착지별로 독립 변수를 구분하여 각각 통행 모델링에 반영하는 방법이다. 둘째, 통행별 출발지와 도착지의 독립 변수 값을 합산하여 하나의 통합된 독립 변수로 활용하는 방법이다. 본 연구에서는 후자의 방법으로 가공을 진행했다. 이는 본 연구의 시간적 범위가 2023년 7월 한 달이기 때문에 특정 시간대의 통근 데이터와 같이 도시 내 이동 패턴의 방향성이 뚜렷하게 도출되지 않는다는 점에 기인한다(이금숙･박종수, 2006; Chakour and Eluru, 2016). 또한, 보다 간결한 독립 변수의 해석을 위하여 이를 합하여 활용하는 것이 보다 타당하다고 판단하였다. 실제로, 독립 변수를 출발지와 도착지별로 독립 변수를 구분하여 통행 모델링에 적용하였지만 출발지와 도착지의 독립 변수 값을 합산하여 진행한 모델링과 유의미한 분석 결과의 차이를 확인할 수 없었다. 더불어 종속 변수에 대한 개별 독립 변수의 상대적 영향력을 비교하기 위해 독립 변수에 대한 표준화를 적용하였다.

2) 대중교통 통행 모델 적합도 비교

앞서 구축한 대중교통 통행 모델에 대한 적합도를 비교하기 위해 설명된 편차(Deviance explained)를 활용하여 모델의 설명력을 교통 네트워크별로 확인하였다. 선형 회귀분석의 R2와 비슷한 역할을 수행하는 설명된 편차는 모델이 데이터의 변동성을 얼마나 잘 설명하고 있는지를 나타내는 지표로 로그-우도를 기반으로 계산되며 확률 모형의 특수성을 반영한다(Lindsey, 1997). 설명된 편차는 수식 6과 같이 정의된다. 먼저, 기본 모델(Null model)은 데이터에 독립 변수를 포함하지 않고, 종속 변수의 평균을 기반으로 예측하는 모델이다. 다음으로 포화 모델(Saturated model)은 데이터의 모든 관측값을 완벽히 설명할 수 있는 모델로, 관측값과 예측값은 항상 동일하게 설정된다. 이때, 기본 편차(Null deviance)는 기본 모델과 포화 모델 간의 편차를 측정한 값이며, 잔차 편차(Residual deviance)는 현재 모델과 포화 모델 간의 편차를 측정한다. 이를 기반으로 설명된 편차는 현재 모델이 기본 모델과 포화 모델 사이에서 얼마나 가까운지를 측정하여 모델의 설명력을 평가한다.

개별 교통수단별 통행 모델링의 설명된 편차를 산출한 결과 지하철(46.1%) > 대중교통(27.6%) > 버스(25.6%) > 환승(21.9%) 순으로 도출되었다. 이러한 결과는 각각의 교통수단 특성이 반영된 결과로 해석할 수 있다. 먼저, 지하철은 노드 수가 적고 주요 중심지를 위주로 통과하는 간선 교통 기능을 수행하기 때문에 통행량과 통행 요인 간의 관계가 비교적 명확해 상대적으로 높은 설명력을 보임을 알 수 있다. 반면, 버스나 환승 통행은 주요 중심지 뿐만 아니라 도시 외곽의 지하철 음영 지대를 운영하여 주변 건조 환경이 다양하기 때문에 보다 다양한 요인으로 부터 통행량이 영향을 받을 수 있는 만큼 모델의 설명력이 상대적으로 낮게 나온 것으로 추론할 수 있다.

3) 대중교통수단별 통행 요인 분석

개별 교통수단별 통행 모델링에 대한 회귀 계수와 p-value의 분포는 표 2와 같으며, 이에 대한 시각화 결과는 그림 2와 같다. 대부분의 회귀 계수는 p-value가 0.01보다 작아 통계적으로 유의하였으며, 일부 회귀 계수는 p-value가 0.05보다 커 통계적으로 유의하지 않았다. 더불어 동일한 독립 변수군을 투입했음에도 불구하고, 종속 변수에 따라 회귀 계수의 방향이 반대를 보이는 경우는 회색의 배경으로 별도 표시하였다. 이러한 방향성의 차이는 교통수단별로 독립 변수가 통행량에 미치는 영향이 상이함을 시사하며, 이는 개별 교통수단이 도시 내에서 수행하는 기능적 역할의 차이에 기인한 것으로 해석할 수 있다.

그림 2.

대중교통 통행 모델링에 대한 회귀 계수 분포

밀도를 표현하는 주간 인구와 야간 인구는 다른 변수에 비해 대중교통 통행량에 대한 영향력이 상대적으로 작은 것으로 나타났다. 이는 서울의 경우 인구 분포와 대중교통 인프라의 분포가 전반적으로 균형을 이루고 있어, 인구 밀도가 대중교통 통행량의 주요 결정 요인으로 작용하지 않았음을 시사한다. 또한 서울시의 주간 및 야간 인구 분포가 상대적으로 등질적인 분포를 이루어 이러한 경향이 나타났을 것이다. 만약 연구 지역이 서울을 포함한 수도권 전역이었다면, 다중 이용 공공 인프라로서의 대중교통 특성과 수도권의 큰 공간적 인구 분포 편차가 결합하여 대중교통 통행량에 대한 주간 및 야간 인구의 영향력이 더욱 크게 나타났을 것이다(김규식･권규상, 2020).

토지 이용 다양성은 지하철 및 환승 통행의 경우 음의 관계를 보이지만 버스 통행의 경우 양의 관계를 보이고 있다. 이러한 양상은 서울의 지형적 특수성으로 인한 토지 이용 다양성의 공간적 분포와 교통수단의 특성에 기인한다. 서울은 외곽에 외사산, 도심에 내사산이 분포하는 등 분지 지형에 발달한 도시로, 지형 기복이 심하고 산림 면적이 넓다. 또한 개발이 가능한 지역은 모두 도시화가 이루어져 과밀 도시의 성격을 보인다. 이러한 지리적 특성으로 인해 인간의 활동이 발생하는 서울 외곽 지역은 인문 및 자연 환경이 결합되어 높은 토지 이용 다양성을 보인다. 반면, 그 외 지역은 인문 환경이 우세하여 등질적인 토지 이용 패턴을 보인다(그림 3). 한편, 철재 바퀴를 사용하는 지하철의 안전한 운행을 위한 등판 각도의 물리적 한계는 대략 35‰(≒2°)로 높은 경사도(구배)의 지형을 극복하기 어렵다. 반면, 버스는 고무 바퀴를 사용하기 때문에 지형 기복에 대한 제약 조건이 작다. 결과적으로 서울의 지형적인 특징과 교통수단의 기술적 특성의 상호작용으로 인해 토지 이용 다양성이 높은(산지가 발달한) 서울의 외곽 지역에서는 버스 중심의 교통 체계가, 도심 및 주요 지역에서는 지하철 중심의 교통 체계가 발달하게 되었다. 이는 지형과 교통수단의 기술적 특성간의 상호작용이 토지 이용 다양성과 교통수단 이용 간의 관계를 형성할 뿐만 아니라 회귀 계수의 방향성까지 결정함을 보여준다.

그림 3.

토지 이용 다양성의 공간적 분포와 자연 환경

주거지 면적의 경우, 종속 변수가 지하철 통행일 때 다른 유형의 통행과 달리 음의 회귀 계수가 나타났다. 이러한 양상은 교통수단 간의 기능 차이에서 비롯되었다고 생각할 수 있다. 먼저, 지하철은 간선 통행의 기능을 수행하여 도시 내 주요 거점을 연결하는 양상을 보인다(Wang et al., 2018). 이에 주거지 보다는 상업적 특성이 강한 지역을 주로 연결한다. 반면, 버스는 지선의 성격이 보다 강하기에 지하철역과 주변의 주거지 또는 주거지 간의 연결성이 보다 우세하다(Wu et al., 2022). 이러한 결과는 향후 교통계획 및 운영 정책 수립 시, 교통수단별 기능 차이와 지역적 특성을 정교하게 반영해야 함을 시사한다.

상업지 면적의 경우 환승 통행을 제외한 모든 교통수단의 통행량과 양의 관계를 보이는 것을 확인할 수 있다. 이러한 양상은 고차원적인 서비스 및 상업 활동에 많은 인구가 유입 및 유출된다는 것을 시사한다. 거리와 대중교통 통행량과의 관계를 고려해 보았을 때, 지하철 네트워크는 도심 대규모 상업지로의 중장거리 이동 수요를 처리하며, 버스 네트워크는 근거리 이동과 주거 지역과의 연결성을 제공하여 상업지 접근성을 높이는 역할을 한다고 볼 수 있다. 즉, 지하철과 버스가 상호 보완적으로 상업지 접근성을 높여 상업지의 활동성이 증대되는 결과가 나타난다.

수체 면적의 경우 네 종속 변수에 걸쳐서 모두 음의 회귀 계수를 보이고 있다. 이러한 양상은 서울을 관통하는 하천인 한강과 주변 지류에 기인한다고 볼 수 있다. 한강과 주변의 지류는 계절풍의 영향으로 인해 여름과 겨울의 하천 수량 차이가 커 높은 하상 계수를 보인다. 따라서 침수 피해를 막기 위해 한강 양안에 제방을 세운 경우가 대다수이다. 또한, 제방을 세운 선형의 높은 지대를 효율적으로 활용하기 위해 그 위에 도시고속화도로를 건설한 모습을 많이 볼 수 있다. 실제로 한강의 북단과 남단에는 각각 강변북로와 올림픽대로가 평행하여 뻗어 있으며, 한강 지류인 안양천과 중랑천 및 탄천은 각각 서부간선도로와 동부간선도로가 놓여있다. 즉, 수체 주변의 건조 환경은 대중교통 통행을 유발하기에 어려운 조건이다.

대중교통과 경쟁 관계에 있는 자동차 교통의 발달 정도를 확인할 수 있는 도로 면적은 대중교통 유형별 통행량과 대체로 양의 상관 관계를 보이고 있다. 특히 지하철 통행에 대한 회귀 계수가 유독 높은 것을 확인할 수 있다. 지하철역 주변의 도로 면적이 넓다는 것은 도로 교통 수요가 많아 원활한 도로 교통 이용이 어렵다는 것이고 이에 대체재인 지하철을 많이 이용한다고 해석할 수 있다. 또한, 버스는 자동차와 같이 도로 교통에 포함되지만 서울시 전역에 발달한 버스 전용 차로로 인해 상대적으로 높은 표정속도를 확보할 수 있다는 점에서 양의 회귀 계수 값을 보였다고 판단할 수 있다. 자동차 교통의 발달 정도를 확인할 수 있는 또 다른 변수인 교차로는 그 수가 적을수록 대중교통 통행량이 많은 것을 확인할 수 있다. 이는 교차로 수가 적은 간선도로를 통한 교통량 집중으로 인해 혼잡이 가중되면 승용차보다 대중교통을 택하게 되는 경향을 설명할 수 있다.

유동의 출발지와 도착지 간의 거리는 대부분의 종속 변수에 걸쳐 가장 강한 음의 영향력을 보이고 있다. 이는 앞선 선행 연구 및 토블러의 지리학 제1법칙에 부합하는 결과로, 출발지와 도착지 간의 거리가 멀수록 지역 간 상호작용량이 줄어듦을 의미한다(김감영, 2011; Tobler, 1970). 그러나 교통수단에 따라 거리 변수의 기여도 차이는 크게 발생하는 모습이다. 구체적으로 버스 통행은 가장 강한 음의 영향력을 받는 것에 비해, 지하철 통행은 상대적으로 영향력이 작다고 평가할 수 있다. 이러한 양상은 그림 1과 같이 버스 통행의 경우 단거리 이동이 우세하지만, 지하철 통행의 경우 장거리 통행이 우세하여 발생한 결과라고 이해할 수 있다. 또한 환승 통행의 경우 거리에 대한 민감도가 가장 낮은 것으로 나타났다. 이는 환승 통행은 출발지와 도착지 간에 단일 교통수단으로는 쉽게 도달하기 어려운 경우에 선택하는 통행 행태이기 때문에, 이용자들이 거리보다는 네트워크 연결성이나 최종 목적지까지의 접근성을 더 중요하게 여긴 결과로 해석할 수 있다.

사업체 수는 적을수록 대중교통 통행량이 많으나 종사자 수는 많을수록 대중교통 통행량이 많아지는 것으로 확인되었다. 이는 서울에 소재한 고차 서비스를 제공하는 소수의 대규모 고용 중심지가 높은 고용 밀도를 가져 대중교통 수요를 이끌기 때문인 것으로 해석할 수 있다. 이러한 사업체 주변은 만성적인 주차 문제가 발생하기 때문에 대중교통을 활용한 출퇴근이 광범위하게 이루어지고 있다. 이를 달리 해석하면 서울의 대중교통 인프라와 경제 활동 중심지 간의 연계가 잘 이루어져 있음을 의미한다. 또한, 서울은 지대가 높기에 사업체 뿐만 아니라 관광지, 공공 인프라, 문화 시설 등 다양한 유형의 토지 이용 형태가 복합적으로 나타나 사업체 수에 대한 대중교통 통행량이 음의 회귀 계수를 보인다고 이해할 수 있다.

대중교통의 출발점과 도착점 주변에 지하철 및 버스 노선 수가 많을수록 대중교통 통행량은 많아지는 양상을 보인다. 이는 대중교통 인프라가 통행 수요에 따라 배치된 결과일 수 있으며, 동시에 높은 접근성이 대중교통 이용 수요를 증가시켰을 가능성도 존재한다. 결국 이러한 패턴은 서울시 대중교통 네트워크가 통행 수요를 충족시키기 위해 적재적소에 배치되었음을 의미한다. 흥미로운 점은 환승 통행의 경우, 출발점과 도착점 주변에 지하철 노선이 많을수록 통행량은 오히려 줄어드는 양상을 보인다. 이는 서울시에서 지하철을 이용한 이동은 효율적이기 때문에 가까운 곳에 이용 가능한 지하철 노선이 많을 경우 도보 또는 퍼스널 모빌리티를 활용하여 지하철역으로 이동한 뒤, 지하철만을 이용한 통행을 통해 환승 저항을 최소화하려는 경향이 나타난 것으로 평가할 수 있다. 특히 본 연구에서 건조 환경 특성을 도출하기 위해 구획한 버퍼링의 반경이 도보 이동권을 표현하는 400m라는 점은 이러한 주장을 더욱 뒷받침한다.

공공 자전거 대여 및 반납 횟수의 경우, 공공 자전거의 대여가 많을수록 대중교통 통행량이 줄어드는 반면, 공공 자전거의 반납이 많을수록 대중교통 통행량은 늘어나는 양상을 보인다. 즉, 공공 자전거 대여가 많을수록 대중교통 통행량이 줄어드는 현상은 공공 자전거가 대중교통의 대체 수단으로 활용될 가능성을 나타낸다. 반면에 공공 자전거 반납이 많을수록 대중교통 통행량이 늘어나는 현상은 공공 자전거가 대중교통의 보완 수단으로 작용함을 보여준다. 따라서 대중교통과 공공 자전거는 대체적 관계이자 보완적 관계를 모두 보이는 혼합적이고 다면적인 관계라 정의할 수 있다. 다만, 대중교통 통행량과 공공 자전거 간의 관계를 보다 정확히 파악하기 위해서는 출발지와 도착지를 구분하여 독립 변수를 구축하고 이를 통행 모델링에 반영하는 방법이 보다 적절할 수 있다.

페이지랭크 중심성은 허브 노드 뿐만 아니라 허브 노드와 연결된 상대적으로 중요도가 낮은 노드에도 일정 수준 이상의 중심성이 부여되는 특징이 있다. 따라서 페이지랭크 중심성이 높은 노드 간의 이동일지라도 두 노드 간의 많은 통행량이 많음을 보장하지는 않는다. 특히 지하철 통행에서 다른 노선 간의 이동은 환승역(허브)을 경유하여 이동해야 하는데, 이는 보다 많은 시간거리가 소요되어 버스 또는 도보와 같은 대체 교통수단을 활용할 가능성을 높인다. 이에 지하철 통행은 다른 유형의 통행과 달리 페이지랭크 중심성에 대해 음의 회귀 계수를 보이고 있다. 그림 4는 서울 도심 일부 지역의 지하철 네트워크를 표현하며, 괄호 안의 값은 서울 지하철 네트워크의 노드별 페이지랭크 중심성의 순위를 백분율로 나타낸 것이다. 광화문역, 을지로입구역, 종각역은 모두 하나의 노선만 통과하지만 지하철 네트워크에서 고차원 기능을 가진 허브가 인접하고 자체 승객 수 또한 많아 높은 페이지랭크 중심성을 갖는다. 그러나, 광화문역과 종각역, 종각역과 을지로입구역 간의 지하철 이동은 모두 두 개의 네트워크 거리가 소요되며 노선 간의 지하철 환승을 필요로 하기 때문에 통행 수요가 비교적 적다. 반면, 지표상에서 광화문역과 종각역은 461m, 종각역과 을지로입구역은 384m에 불과하며, 십여 개의 버스 노선이 광화문역과 종각역, 종각역과 을지로입구역을 한 개의 네트워크 거리로 연결하여 보다 많은 통행 수요를 유발할 수 있다. 이러한 실사례는 지하철 통행량에 대한 페이지랭크 중심성의 작용이 부정적으로 작용할 수 있음을 보여준다.

그림 4.

지하철 네트워크의 노드별 페이지랭크 중심성

로컬 클러스터링 계수는 특정 노드 주변의 네트워크가 얼마나 조밀하게 연결되어 있는지를 측정하는 지표로, 국지적인 교통 인프라 발달 정도를 반영한다. 분석 결과, 모든 교통수단에서 로컬 클러스터링 계수와 통행량 간에 양의 상관관계가 나타났다. 이는 로컬 클러스터링 계수가 높을수록 해당 노드 주변에 대체 경로와 연결성이 풍부해지고, 이동의 용이성이 증가하기 때문으로 해석할 수 있다. 예를 들어, 노드 주변에 지하철역이나 버스 정거장이 밀집해 있으면, 이용자들이 해당 노드를 더 빈번히 사용하게 되어 통행량 증가로 이어진다. 이러한 양상은 네트워크 내 조밀한 연결 구조가 실제 교통 수요와 밀접히 관련되어 있음을 보여준다. 또한, 앞서 살펴본 바와 같이 노드 주변에 지하철 또는 버스 노선이 많을수록 통행량이 증가하는 양상과 동일한 현상이라고 볼 수 있다.

5. 결론 및 토론

대중교통 통행량에 영향을 미치는 주요 통행 요인을 식별하고 이에 대한 관계를 탐구하는 연구들이 많이 수행되었다. 기존의 연구들은 대중교통 통행량에 영향을 미치는 다양한 유형의 건조 환경 및 통행 요인에 대한 분석을 수행하였지만 대부분 단일 교통수단 또는 전체 대중교통 통행에 초점을 맞춰 분석을 진행하였다. 이에 본 연구는 멀티모달 모빌리티 관점에서 여러 교통수단을 동시에 고려한 통합적인 분석을 통해 도시 내 실질적인 이동 패턴을 더욱 깊이 있게 살펴보았다. 이를 통해 도시 내 대중교통의 특성과 기능을 보다 세밀하게 규명하여 대중교통 활성화를 위한 기초 자료로 활용하고자 하였다. 이에 대한 구체적인 연구 결과는 다음과 같다.

첫째, 대중교통 통행량은 주변의 공간적 속성 및 토지 이용 특성과 밀접하게 연관되어 있음을 확인하고 구체적인 영향력을 도출하였다. 대중교통 통행량에 양의 영향력을 미치는 주요 변수로는 공공 자전거 반납 횟수, 페이지랭크 중심성, 로컬 클러스터링 계수, 종사자 수를 뽑을 수 있었다. 반면, 대중교통 통행량에 음의 영향력을 미치는 변수로는 출발지 및 도착지 간의 거리, 공공 자전거 대여 횟수가 주요하게 도출되었다. 한편, 주간 및 야간 인구의 경우 서울의 등질적인 인구 분포로 인해 대중교통 통행량에 대한 상대적인 영향력이 미미한 것으로 나타났다.

둘째, 도시 내 교통에 있어 개별 교통수단의 기능을 확인하였다. 보다 구체적으로, 지하철은 중장거리 이동 수요를 담당하는 양상을 보였다. 반면, 버스는 근거리 이동과 주거지 간의 연결성을 강화하는 모습을 보였다. 또한, 환승 통행의 경우 도시 내 주요 거점 간 접근성을 효과적으로 높이는 역할을 수행하였다. 이러한 결과는 대중교통의 체계적 운영과 환승 연계를 통해 도시 이동성의 효율성을 극대화할 수 있음을 시사한다. 이러한 분석이 가능했던 배경은 개별 교통수단뿐만 아니라 환승과 같은 멀티모달 모빌리티 기반의 통행 패턴을 통합적으로 분석할 수 있는 트립체인 데이터를 활용했기 때문이다. 특히, 본 연구에서 활용한 트립체인 데이터는 경위도 좌표 기반의 고해상도 공간 데이터를 통해 출발지와 도착지의 세부적인 공간적 특성을 파악할 수 있기 때문에 기존의 면 단위 분석의 한계를 극복하였다.

셋째, 각각의 교통수단별 통행에 대해 동일한 독립 변수를 적용한 통합적 분석을 시행하였으며, 그 결과 독립 변수별 회귀 계수의 부호가 반대 방향인 경우를 확인할 수 있었다. 예를 들어, 토지 이용 다양성은 버스만 양의 회귀 계수를, 주거지 면적과 페이지랭크 중심성은 지하철만 음의 회귀 계수를, 지하철역의 수는 환승 통행만 음의 회귀 계수를 보였다. 이러한 결과는 동일한 지리 및 환경적 요인을 적용한 분석일지라도 교통수단별 특성이 상이하게 도출될 수 있음을 의미하며, 정책적 의사결정을 진행할 경우 각 교통수단의 역할과 특성을 통합적으로 고려해야 함을 강조한다. 이는 최근 도입되고 있는 다양한 신규 교통수단에 대해서도 통행 요인의 민감도 차이가 발생할 수 있음을 암시한다.

이와 관련하여, 본 연구에서 구축한 모델링을 신규 교통수단별로 적용하고 이에 대한 회귀 계수의 분포를 예상해 보는 것도 기존 교통수단과의 비교 가능성 및 도시 교통 체계 통합 관점에서 유의미한 과정이 될 수 있다. 예컨대, 간선급행버스체계(Bus Rapid Transit: BRT)의 경우 일반적인 시내버스와 유사한 성능의 차량을 투입하지만, 지하철과 같이 독립된 선로를 운행하기 때문에 지하철과 유사한 회귀 계수의 분포를 보일 것이다. 특히, 세종시의 경우 BRT와 시내버스를 모두 운영하고 있기 때문에 본 연구의 결과를 세종시 대중교통 계획 수립 및 운영에 대한 실질적인 참고 자료로 활용할 수 있을 것이다. 또한, 최근에 개통한 수도권광역급행철도(Great Train eXpress: GTX)의 경우 지하철과 버스의 성격이 혼재된 회귀 계수 분포를 보일 것으로 추론할 수 있다. 이는, GTX의 개통 목적이 고속 이동을 통해 수도권 외곽과 서울 도심을 오가는 장거리 통행자의 교통 복지 증진을 목표로 하기 때문이다(이호, 2024).

한편, 지역별로 대중교통 인프라의 밀도, 경쟁 교통수단의 발달 수준, 지역별 토지 이용 형태 및 지형적 특성에 따른 인구 밀도 등은 상이하기 때문에, 본 연구의 분석 틀을 서울을 포함한 수도권 또는 타 지역에 적용할 경우 판이한 연구 결과가 도출될 수 있다(김규식･권규상, 2020; Kim et al., 2021). 이러한 점에서, 본 연구에서 제시한 분석 틀을 다양한 지역 사례에 동일하게 적용하여 연구 결과를 지역 간 비교 및 대조하는 후속 연구 또한 의미 있는 연구가 될 것이다. 즉, 본 연구는 서울시 대중교통 정책 수립을 위한 기초 자료로 즉각 활용 가능할 뿐 아니라, 지역성에 기반한 후속 연구의 확장성 측면에서도 학술적 가치를 지닌다.