Estimation of Flow Population of Seoul Walking Tour Courses Using Telecommunications Data

전체 글

(1)pISSN : 2508-3384 eISSN : 2508-3392 https://doi.org/10.22640/lxsiri.2019.49.1.181. Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019) 한국국토정보공사 「지적과 국토정보」 제49권 제1호 2019년 6월 p. 181-195. 통신 데이터를 활용한 도보관광코스 유동인구 추정 및 분석* Estimation of Flow Population of Seoul Walking Tour Courses Using Telecommunications Data 박예림** · 강영옥*** Park, Ye Rim · Kang, Youngok. Abstract This study aims to analyze the spatial context by analyzing the flow characteristics of the walking tour course and visualizing effectively using the floating population data constructed through the communication data. The floating population data refinement algorithm was developed for estimation flow population along the road and the floating population data for each walking tour courses was constructed. In order to adopt the algorithm for forming suitable for the analysis of the walking tour courses, the estimation of floating population considering the area of the road and the estimation of floating population considering the value of floating population around the road were compared. As a result, the estimation of floating population considering ambient the values of flow population was adopted, which is more appropriate to apply analysis method due to the relatively consistent data. Then, a datamining algorithm for walking tour course was constructed according to the characteristics of the floating population data, the absence of missing values. Finally, this study analyzed the flow characteristics and spatial patterns of 18 walking trails in Seoul through the floating population data according to walking tour course. To do this, the kernel density analysis and the Getis-Ord  statistical hotspot analysis were applied to visualize the main characteristics of each walking tour course. Keywords: Telecommunications Data, Floating Population, Seoul Walking Tour Courses, Road-based Refinement Algorithm. 1. 서 론. 정책 수립에 활용되며 공공 문제 해결에 공헌하고 있 다. 관광 분야에서도 빅데이터가 효과적인 관광 정책. 최근 빅데이터는 공공부문을 포함한 다양한 분야의. 수립에 적극적으로 활용되고 있다(권태일･이충희. * 본 논문은 2017년 정부(국토교통부)의 재원으로 공간정보 융복합 핵심인재 양성사업의 지원을 받아 수행된 연구입니다 (2017-07-04). ** 이화여자대학교 일반대학원 사회과교육학과 지리학 전공 석사 Master, Department of Social Studies Education, Ewha Womans University (first author: [email protected]) *** 교신저자ㆍ이화여자대학교 사회과교육과 교수 (corresponding author: [email protected]). Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019). 181.

(2) 박예림 · 강영옥. 2017). 특히, 실시간으로 수집되는 통신기반 유동인구. 집하여 관리하는 유동인구 데이터는 시간단위로 해당. 데이터는 관광지나 국립공원 내 방문객의 특성, 관광. 지역을 이동하는 인구를 집계하여 서비스하고 있어,. 행태 특성 분석 등 관광 분야에서 적극적으로 활용되. 특히 관광 분야에서 맞춤형 관광 서비스를 제공할 수. 고 있다. 하지만 유동인구 데이터를 활용한 연구는 행. 있고, 관광 정책 수립의 기반이 되며, 급변하는 관광시. 정구역이나 격자 기반의 거시적 스케일에서의 활용이. 장을 빠르게 파악할 수 있다는 장점으로 관련 연구가. 대부분이다.. 적극적으로 진행되고 있다(권태일･이충희 2017). 통. 관광 산업 중에서도 특히 도보관광은 점의 형태가. 신 유동인구 데이터를 활용하여 자연 관광지나 지역. 아닌 선의 구조로 이루어진 관광 형태(문화체육관광. 관광지 방문객의 특성을 분석하거나(국립공원관리공. 부 2010)로 길을 통해 집중도를 낮출 수 있어 한 장소. 단 2017; 국립공원관리공단 2014; 경상북도 2016;. 에만 집중되는 관광지 형태의 단점을 보완해 줄 수 있. Oliver 외, 2014), 관광지 내 관광객 이동의 공간적 패. 는 장점이 있어(장용운 2010) 지역마다 도보관광코스. 턴을 파악하는 연구(이은주 2015; 안산시 2016; 한국. 설치에 앞장서고 있다. 도보 관광의 특성을 파악하기. 관광공사 2013)가 수행된 바 있다. 이들 연구는 관광. 위해 기존 연구에서는 도보관광길에 방문하는 일부. 지 내의 인구를 성, 연령, 시간 등에 따라 정량적으로. 보행자를 대상으로 설문조사를 하거나 GPS를 이용한. 파악하였다는 점에 의의가 있으나 관광지가 포함된. 이동 데이터를 수집하여 분석을 수행하는 방법이 주. 행정구역 전체를 분석 범위로 설정하여 미시적 차원. 를 이루어 왔다. 이러한 방법은 도보관광 코스의 유동. 에서의 분석이 미흡하다는 한계가 있다.. 인구 규모나 이용 행태에 대한 정량적 파악은 어렵기. 도심관광길에서 행해지는 도보관광은 길을 따라 자. 때문에 본 연구에서는 통신기반 유동인구 데이터를. 연적 자원 또는 문화적 자원을 체험하고 감상하며 걷. 활용하여 서울시 도보관광코스의 유동인구 규모와 이. 는 형태의 관광을 의미한다(정철 외 2010). 도보관광. 동 특성을 분석하고자 한다. 이를 위해 2장에서는 도. 과 관련된 연구는 도보관광지 내 보행자를 대상으로. 보 관광과 유동인구 데이터를 활용한 관련연구에 대. 설문조사를 수행하여 도보관광의 만족도(최병길･이. 해서 살펴보았고, 3장에서는 유동인구 데이터를 도보. 영관 2011; 김승리･김혜영 2014; Breejen 2005), 동. 관광에 적용하기 위한 데이터 정제과정을 기술하였으. 기(정철 외 2010; 노경국 2011; 이관표･권상미 2017),. 며, 4장에서는 정제된 데이터를 서울시 도보관광코스. 재방문의사(노경국 2010) 등을 확인하는 연구가 주를. 에 적용하여 유동인구 속성별 이용특성을 살펴보았다.. 이루고 있다. 보행자의 이동성에 관한 연구는 주로 도. 마지막으로 5장에서는 연구결과를 논의하였다.. 보관광코스를 방문하는 사람들의 GPS 데이터를 수집 하여 코스 내 이동 특성을 도출하고(박미현 2014), 새. 2. 관련 연구. 로운 도보관광코스를 제안하는 연구가 수행된 바 (Edwards and Griffin 2013) 있다. 도보관광코스 관. 기존에 집계되는 주민등록이나 인구주택총조사에. 련 연구 고찰 결과 대부분의 연구는 도보관광 이용객. 서 집계되는 인구데이터는 대부분 거주지로 등록된. 의 특성을 파악하기 위해 설문조사나, GPS 데이터를. 장소의 데이터로 실제 해당지역을 이용하는 인구의. 수집하여 진행하였기 때문에 연구 대상이 대표성을. 특성을 반영하지 못하였다. 그러나 유동인구에 대한. 가지기 어려우며 특정 도보관광코스에 대한 보행자의. 분석은 상권분석이나 해당지역 시설이용자에 대한 서. 실제적인 이용 규모를 분석하기에는 한계가 있음을. 비스를 위해 매우 필요한 정보이다. 통신회사에서 수. 알 수 있다.. 182. 「지적과 국토정보」 제49권 제1호. 2019.

(3) 통신 데이터를 활용한 도보관광코스 유동인구 추정 및 분석. Figure 1. Floating Population Data (Each grid size is 50 * 50 m). 3. 통신 유동인구 데이터 정제 및 시각화 방법 3.1. 유동인구 데이터 특성. Figure 2. Research Flow. 유동인구 데이터는 무선 통신 방식에 따라 해당 통. 로 추산할 수 있다. 통신사에서 추정한 유동인구 데이. 신사 모든 사용자의 CDR(Call Detail Record) 데이터. 터를 바탕으로 도보관광코스에 적용하기 위해 Figure. 를 추산하여 만든 데이터이다. 본 연구에서 활용한 데. 2와 같은 흐름으로 연구를 수행하였다.. 이터는 통신사의 시장 점유율을 고려하였으며 근로자. 통신사에서 추정한 유동인구 데이터는 격자로 분할. 와 거주자는 제외하고 산출된 것이다. 각 기지국에서. 되어있어 도로를 따라 발생하는 도보관광 분석에는. 발생한 통신 데이터를 기반으로 머무른 시간을 집계. 적합하지 않아 도로 기반으로 유동인구 데이터를 처. 하여 주중 9시부터 18시까지의 시간 중 전체 시간의. 리할 필요가 있다. 본 연구에서는 두 가지의 추정 방법. 60% 이상, 약 5시간 30분 이상 동일한 위치에 있는 경. 을 고안하였는데 첫째는 도로면적에 비례하여 유동인. 우에는 근무자로 판단하고, 주중 야간시간대에 약 5시. 구 값을 할당하는 방법이며, 두 번째는 도로 주변의 유. 간 30분 이상 위치하는 곳과 일요일 야간시간대에 위. 동인구 값을 고려하여 추정하는 방법이다.. 치한 곳이 동일한 경우에는 거주자로 판단한다. 거주. 도로 면적에 비례하여 유동인구를 추정하는 첫 번. 자와 근로자를 제외하고 기지국 단위로 수집된 유동. 째 방법은 모든 유동인구가 도로를 통해 이동한다는. 인구는 50 * 50 m 크기의 그리드 격자 단위로 집계하. 것을 전제로 격자 그리드로 설정되어있는 유동인구. 여 제공하고 있다(Figure 1).. 데이터의 공간 단위를 도로로 변환하고, 도로 면적에 따라 유동인구를 할당하는 것이다. 이를 위해 도로 폴. 3.2. 통신 유동인구 데이터 정제과정. 리곤 데이터를 유동인구 그리드 형태대로 분할하고 분할된 도로 구간에 유동인구 값을 대입하였다(Figure. 유동인구는 각 월의 일평균 값을 요일별, 시간대별,. 3). 분할된 도로 구간 내에서 도보관광코스가 포함된. 남녀별 유동인구 수로 제공한다. 따라서 해당지역을. 도로만을 추출하여(Figure 4) 그리드로 분할된 도로. 지나는 인구의 특성을 요일별, 시간대별, 성별, 연령별. 면적 대비 도보관광코스가 포함된 도로 면적비율에 Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019). 183.

(4) 박예림 · 강영옥. Figure 3. Data preprocessing to allocate flow population to road. Figure 4. Estimation of Flow Population Considering Road Area. 주변 유동인구 수를 고려하여 유동인구를 추정하는. 따라 유동인구를 할당하였다.. 두 번째 방법은 통신 데이터에서 그리드 내 유동인구 . .   . .  .    ×     . .   . 수를 추정할 때 주변 유동인구 수가 유사하도록 보정. . (1). 하는 것을 고려하여 고안하였다. 분할된 도로에 버퍼 를 설정한 후 버퍼내 유동인구의 평균값을 산출하여. . 도로의 유동인구를 추정하는 방법이다. .  = 그리드  의 유동인구  = 도로 세그먼트 면적  = 그리드  내 도로 세그먼트   = 그리드  내 도보관광코스 도로 세그먼트   = 그리드 내 도로 세그먼트의 개수  = 그리드 내 도보관광코스 도로 세그먼트 개수. .  . .   . . . .     . .   .  = 그리드  내 도보관광코스 도로 유동인구.   = 그리드  내 도로  의 버퍼 영역     =   가 포함된 그리드.  =     의 개수  = 그리드 내 도보관광코스 도로 개수. 184. 「지적과 국토정보」 제49권 제1호. 2019. (2).

(5) 통신 데이터를 활용한 도보관광코스 유동인구 추정 및 분석. Estimation of Flow Population considering Road Area. Estimation of Flow Population Considering Ambient Flow Population Values. Figure 5. Data preprocessing to allocate flow population to road considering Road Buffer. 이때 버퍼의 크기는 유동인구 데이터 그리드 크기 를 고려하여 기준 지점으로부터 주변 유동인구 데이 터를 효과적으로 반영할 수 있는 50 m로 지정하고 위 의 수식을 적용하였다(Figure 5). 앞서 기술한 두 가지 방법을 북촌 한옥 마을코스에 적용해 보고 추정된 유동인구 값을 비교하였다(Figure 6). 도로 면적에 따른 유동인구 추정 기법은 도보 관광. Figure 6. Flooding population estimation results by data processing method (number designates floating population). 3.3. 도보관광코스별 유동인구 데이터 정제. 도로의 크기에 따라 유동인구의 추정이 지나치게 작 아져 인접한 그리드들의 인구가 연속적으로 증감되지. 도로기반으로 유동인구를 추정한 후 도보관광코스. 않고 급격하게 변화되는 현상이 나타났다. 반면 주변. 별 유동인구의 시각화 및 분석을 위해 도로를 적절한. 유동인구 값을 고려한 유동인구 추정 방법은 특정 그. 단위로 분할하는 것이 필요하였다. 즉 통신데이타 제. 리드에서 과소하게 인구가 추정되는 문제가 보완되. 공단위인 50 m는 도보관광코스가 짧은 구간의 경우. 며, 인접한 그리드들의 인구가 연속성 있게 도출되어. 공간 분석 단위로 적합하지 않다고 판단하여 더 작은. 도보 관광코스 내 유동인구의 분포를 효과적으로 파. 공간 분석 단위를 설정할 필요성이 있었다. 주변 유동. 악할 수 있다는 이점이 있는 것으로 판단되었다. 또한,. 인구 값을 고려하고 유동인구 추정 방법이 적용 가능. 도로 면적을 고려한 유동인구 추정 기법의 경우, 하나. 한 최소 단위인 10 m 간격으로 도로링크를 생성하고. 의 그리드 크기에 따라 도로 구간을 약 50m의 길이로. 도로를 분할하였다(Figure 7).. 나누어 값을 추정하게 되는데, 분석 대상인 도보관광. 도보관광코스별 유동인구 분석에 앞서 지역별로 데. 코스의 최단 길이가 약 700m인 경우도 있고, 이 경우. 이터 결측이 존재하는 구간이 발견되었다. 결측이 존. 도보관광 코스가 14개 구간으로 표현되는 것은 분석. 재하는 경우는 첫째, 공원과 궁궐을 포함하는 경우,. 단위로 적합하지 않다고 판단되었다. 따라서, 상대적. 둘째, 산, 강과 같이 유동인구가 발생하지 않아 집계가. 으로 소규모의 지역을 분석할 때는 주변 유동인구 값. 발생하지 않는 경우, 셋째 건물, 도로와 같은 인구유발. 을 고려한 유동인구 추정 방법이 적합하다고 판단하. 시설이 있음에도 불구하고 데이터가 측정되지 않은. 였다.. 단순 데이터 부재 등의 경우였다(Figure 8).. Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019). 185.

(6) 박예림 · 강영옥. Figure 7. Split walking tour course by 10 meters. 유동인구가 극히 드문 곳이나 데이터의 오류로 인 한 결측은 해당 그리드의 지난달 및 다음달 데이터를. Figure 8. Examples of data missing in parks and palaces. 통해 실제로 유동인구가 현저히 낮아 수집되지 않았 는지 유동인구가 발생함에도 추정되지 않은 것인지. 에 게시된 ‘서울도보관광코스’를 활용하였다. 두루누. 판단하였다. 유동인구가 희박하여 발생한 데이터 결. 비에 게시된 서울도보관광코스 총 20개 중 창덕궁, 창. 측을 제외하고, 유동인구 값의 단순 결측과 공원 및 궁. 경궁 코스와 구간이 겹치는 창덕궁 생태코스, 창경궁. 궐 내 결측은 크리깅(Kriging) 보간 기법을 통해 결측. 생태코스를 제외한 18개의 코스를 분석대상으로 하였. 값을 추정하였다(Oliver 1990). 데이터 결측 유형에. 다. 도보관광코스 유동인구 데이터 정제 과정에 따라. 따른 처리과정은 Figure 9와 같다.. 서울도보관광 18개 코스의 데이터를 정제하였다. 그. 도보관광코스 데이터는 한국관광공사가 운영하는. 결과 청계천 02코스, 동대문 전통마켓코스, 성북동 코. 두루누비 포털사이트(https://www.durunubi. kr/). 스의 경우는 공원 및 궁궐을 포함하고 있지 않았으나. Figure 9. Preprocessing of flow population data in case of data missing in parks and palaces. 186. 「지적과 국토정보」 제49권 제1호. 2019.

(7) 통신 데이터를 활용한 도보관광코스 유동인구 추정 및 분석. Figure 10. Daily average floating population per unit distance of walking tour course. 데이터의 단순 결측이 발견되었다. 공원이나 궁궐을.  = 커널 함수 (Gaussian). 포함하고 있는 코스 중 경복궁~효자동, 창경궁, 창덕.   대역폭. 궁, 남산성곽 코스의 경우 산책로, 탐방로가 설치되어 있음에도 특정 달에 결측이 상당수 발생하여 이에 따 른 정제 과정을 거쳐 데이터를 구축하였다.. 통계적으로 유의미한 유동인구 집중지역(Hot Spot, 핫스팟)과 희박지역 (Cold Spot, 콜드스팟)을 도출하 기 위해 Getis-Ord  통계를 활용하였다. 공간 데이. 3.4. 유동인구 시각화 및 분석방법. 터에 Getis-Ord  통계를 계산하면    와. 도보관광코스 내 유동인구의 성/연령별, 시간대별, 계절별, 요일별 속성에 따른 공간적 패턴 변화와 이용 특성을 밝히기 위해 공간 분석을 수행하였다. 공간분 석은 커널 밀도 분석(Kernel Density Estimation, KDE)을 수행하였으며, 이를 통해 유동인구 밀집 정도 와 밀집된 공간, 공간의 특성을 파악하고자 하였다. 커.    가 산출되는데 이 값을 이용하여 유동인구. 가 집중된 구간, 즉 클러스터가 있는 공간을 분석할 수 있다. 도출된    값이 클수록 강한 클러스터링 이 형성되는데 이때 높은 값이 클러스터링 된 공간을 Hot Spot, 낮은 값이 클러스터링 된 공간을 Cold Spot 으로 정의하였다.. 널 밀도 분석은 커널 함수(  )로 분석하고자 하는 피 처나 피처 속성 값의 밀도를 계산하는 것으로 각각의. 4. 도보관광코스 이용 특성 분석. 피처에 검색 반경인 대역폭(  )을 결정하는 것이 선행 된다. 커널 밀도의 계산은 Rosenblatt(1956)이 제시한 수식을 따랐다.                          . . 4.1. 도보관광코스 시간대, 요일, 성연령대 별 특성 도보관광코스의 규모를 파악하기 위해 단위 거리를. (5). 기준으로 코스별 유동인구 수를 비교하였다. 도보관. Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019). 187.

(8) 박예림 · 강영옥. Figure 11. Floating population of the walking tour course by the time (part). 광코스의 코스 길이가 각기 다르기 때문에 코스 내 총. 점점 증가하는 추세를 보이며 유동인구의 첨두시간이. 유동인구를 10 m 단위로 표준화하여 산출하였다. 단. 18시로 나타났다. 한편, 북촌한옥마을 코스의 경우 오. 1). 위거리 당 일평균 유동인구를 계산한 결과 청계천 제. 전 6시를 기점으로 급격한 상승을 보이며 13시부터. 1코스에서 일평균 약 8,550명으로 가장 많은 유동인. 18시까지 유동인구 수가 많았다. 단위거리 당 유동인. 구가 발생하였고 이어 경희궁-서대문 코스, 인사동-. 구 수가 많았던 세종마을코스보다 해당 시간대의 북. 운현동 코스 순으로 나타났다(Figure 10). 청계천 제1. 촌한옥마을 코스의 유동인구가 더 많아 북촌한옥마을. 코스의 경우 2순위 코스보다 2배 이상 압도적으로 많. 코스가 오후 시간대에 유동인구 집중을 보이고 있음. 은 규모를 보였다.. 을 알 수 있다. 한편, 성북동 코스의 경우 시간대별로. 월별로는 4월에 가장 많은 유동인구가 발생하였으. 변화폭이 많지 않았다.. 며 대체적으로 봄에서 여름에 상승세, 여름에서 겨울. 요일별로는 월요일부터 금요일까지 각각 약 15~. 은 하락세가 두드러지게 나타났다. 특히, 겨울보다 여. 17% 수준으로 주중 요일간 유동인구비율의 차이는. 름에 유동인구가 더 급격히 하락하는 추세를 보였다.. 크지 않았다(Figure 12). 주중 유동인구 비율이 가장. 여름에 하락세를 보이는 일반적 추세와 달리 선릉-봉. 높은 코스는 덕수궁-정동 코스로 유동인구의 약 89%. 은사 코스, 경희궁-서대문, 청계천 제2코스의 경우에. 가 주중에 발생하였고, 주말 유동인구 비율이 높은 곳. 는 8월에 상승세를 보였다. 반면, 청계천 제1코스, 인. 은 성북동 코스로 주말에 약 17%의 유동인구가 발생. 사동-운현궁 코스, 한강-절두산 코스의 경우 여름에. 하였다.. 급격히 하락하는 경향을 보였다.. 성연령 별로는 남자인구가 여자보다 많았으며, 대. 시간대별로는 아침 6시를 기점으로 유동인구가 증. 부분의 코스에서 여자, 남자 모두 40대 유동인구가 가. 가하다가 오후 17시를 기점으로 유동인구가 감소하는. 장 많은 것으로 나타났다(Figure 13). 남성 유동인구. 추세를 보였으나 첨두시간, 유동인구 증감의 정도는. 비율이 가장 높은 코스는 청계천 제1코스로 61.7%의. 코스에 따라 상이하게 나타났다(Figure 11). 한강-절. 유동인구가 남자였다. 특히 30대, 40대에서 성별 유동. 두산 코스는 11시를 기점으로 18시까지 유동인구가. 인구의 차가 크게 나타났다. 반면, 여성 유동인구 비율. 188. 「지적과 국토정보」 제49권 제1호. 2019.

(9) 통신 데이터를 활용한 도보관광코스 유동인구 추정 및 분석. Figure 12. Floating population of the walking tour course by day. 이 가장 높은 코스는 몽촌토성 코스로 50.1%가 여성. 4.2. 도보관광코스 별 이용특성. 이었으며, 18개 코스 중 유일하게 남자보다 여성 유동 인구가 더 많았다. 성북동 코스도 49.8%로 비교적 높. 18개 코스 별로 유동인구 규모 및 유동인구의 공간. 은 비율의 여자 유동인구가 발생하였는데 60대 이상. 패턴을 분석한 결과 궁궐 및 공원 내부에만 위치한 코. 연령층에서의 여자 유동인구가 많았으며, 50대 및 60. 스(경복궁-효자동, 남산성곽, 성균관 유생들의 이야. 대 이상의 장년층 유동인구 비율이 높은 곳으로 나타. 기, 창경궁, 창적궁), 궁궐 및 공원 밖과 연결된 코스. 났다. 10, 20대 젊은 층의 유동인구 비율이 많은 도보. (경희궁-서대문, 낙산성곽, 덕수궁-정동, 몽촌토성,. 관광코스는 성균관 유생들의 이야기 코스로 10, 20대. 선릉-봉은사, 한강-절두산), 궁궐 및 공원을 포함하지. 의 비율이 각각 약 9.5%, 26.3%로 다른 코스에 비해. 않는 코스(북촌한옥마을, 동대문전통마켓코스, 성북. 10%p 정도 높게 나타났다.. 동, 세종마을, 인사동-운현궁, 청계천 제1코스, 청계천 제2코스)별로 다른 특성이 나타났다. 궁궐 및 공원 내 위치한 도보관광코스의 경우 대체 Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019). 189.

(10) 박예림 · 강영옥. Figure 13. Floating population of the walking tour course by age and gender. 로 계절에 따른 유동인구 분포 패턴에서 차이가 두드. 스팟이 발생하였으나 가을에는 발생하지 않았다. 가. 러지게 나타났다. 경복궁~효자동 코스를 제외하고 창. 을에는 다른 계절에 비해 유동인구가 상대적으로 넓. 덕궁, 창경궁, 성균관 유생들의 이야기, 남산성곽 코스. 은 범위의 구간에서 높은 이동성을 보이는 것으로 해. 모두 가을에 공간적으로 다른 패턴이 나타났다. 특히,. 석된다(Figure 14).. 창경궁 코스 내 남자 유동인구의 경우 봄, 여름, 겨울. 궁궐 및 공원 내 코스가 궁궐 및 공원 밖까지 연결된. 에는 궁궐 안쪽에 유동인구가 작아 95% 수준의 콜드. 도보관광코스의 경우 궁궐 및 공원 외부에 위치한 일. 190. 「지적과 국토정보」 제49권 제1호. 2019.

(11) 통신 데이터를 활용한 도보관광코스 유동인구 추정 및 분석. spring. fall. spring. summer. fall. winter. summer. winter. Figure 15. Mongchon Rampart seasonal Hot Spot. Figure 14. Man’s seasonal Hot Spot in Changgyeonggung. 부 구간에 포함된 지하철역, 병원 등의 교통 및 상업 시설에 유동인구가 집중되는 패턴이 나타났다. 그중 몽촌토성 코스는 봄, 여름, 겨울에 궁궐 및 공원 밖의 몽촌토성역, 강동 구청역 부근과 강동대로 구간에서 99% 수준의 핫스팟이 발생하였으나, 가을에는 평화 의 광장을 중심으로 올림픽 공원 내 넓은 구간에서 99% 수준에서 유의한 핫스팟이 나타났다(Figure 15).. Figure 16. KDE of Cheonggyecheon 2 course. 궁궐 및 공원을 포함하지 않는 도보관광코스에서는 청계천 제1코스와 인사동-운현궁 코스 내 유동인구. 마다 그 특성이 상이하게 나타났다. 청계천 제1코스는. 의 분포가 유사하게 나타났는데 업무 시설이 밀집된. 50대 여성, 인사동-운현궁 코스에서는 10대 유동인구. 도보 관광 코스 구간의 경우 유동인구 특성과 상관없. 가 두드러지게 나타났다. 한편, 청계천 제2코스(Figure. 이 높은 수준에서 유동인구가 집중된 형태를 보였다.. 16)와 동대문 전통마켓코스(FIgure 17)의 경우 출발. 특히 주말보다는 주중에 더 뚜렷했으며 성/연령대로. 지와 도착지에 서울약령시, 서울고가구 상가, 서울풍. 는 30, 40대의 남자 유동인구가 더 뚜렷하게 나타났다.. 물시장과 같은 상업시설을 포함하고 있어 유동인구가. 한편, 상업시설이 밀집된 도보관광 코스 구간은 코스. 집중되게 나타났지만 출발지와 도착지 사이 중간지역 Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019). 191.

(12) 박예림 · 강영옥. 펴보았다. 본 연구는 도보관광코스 별 유동인구 규모를 파악 하고 시간대별, 계절별, 연령 및 성별 유동인구의 특성 을 공간적으로 시각화하여 향후 도보관광코스 운영에 의 기초자료로 활용할 수 있는 가능성을 제시하였다 는 점에서 의의가 있다. 또한, 유동인구 데이터를 도로 형태에 맞게 정제하여 미시적 단위에서 유동인구 특 성을 시각화하고 공간 활용 패턴을 분석할 수 있게 하 Figure 17. KDE of Traditional Market course. 였다는 점에서 의의가 있다. 하지만, 제공되는 데이터의 한계로 인한 분석의 한 계도 존재하였다. 연구에 활용된 유동인구 데이터는. 은 주거지역이어서 유동인구가 현저히 낮았고 이는 두 코스 모두 도보관광지로서 코스가 이어지지 않다 고 해석할 수 있었다.. 5. 결 론. 개인별 이동데이타가 아닌 50미터 격자단위로 집계된 데이터이기 때문에 데이터에 포함된 성/연령, 계절, 요일, 시간대 별 분석 이외에 다양한 분석이 어려웠다. 예를 들면 유동인구의 유출입지나 거주지, 도보관광 코스 내에서의 이동 경로 등을 파악하는 데는 한계가 있었으며, 추후 통신기반 유동인구데이타에서 이전. 본 연구는 통신 기반 유동인구 데이터를 활용하여 서울시 내의 도보관광코스의 이용 특성을 분석하고. 출발지 등에 대한 정보가 추가적으로 제공된다면 더 다양한 분석이 가능할 것으로 판단되었다.. 시각화하고자 하였다. 통신 빅데이터를 통해 구축한 유동인구 데이터를 도보관광코스 분석에 활용할 수 있도록 주변 유동인구 값을 고려한 도로 기반 정제 기. 주1. 단위거리 당 유동인구 : (도보관광코스 내 총 유동인 구 수/10 m 단위 도로 링크 수). 법을 적용하여 데이터를 구축하고 결측치에 대한 보 완 작업을 수행하였다. 서울시 도보관광코스별 유동인구 특성을 살펴보면. 참고문헌. 도보관광코스가운데 일평균 유동인구 규모가 가장 큰. References. 곳은 청계천 제 1코스이며, 경희궁-서대문 코스, 인사. 경상북도. 2016. 이동통신 자료를 이용한 유동인구 속. 동-운현궁 코스 순으로 규모가 크게 나타났다. 월별. 성분석 연구용역 보고서.. 추이를 살펴보면 전반적으로 봄에서 여름에 상승세,. Gyeongsangbuk-do. 2016. A Study on the Charac-. 여름에서 겨울에 하락세를 보였다. 주중 유동인구 비. teristics of the Flowing Population Using. 율이 높은 코스는 인사동-운현궁 코스였으며 주말 유. Mobile Communication Data.. 동인구 비율, 여자 유동인구 비율, 60대 이상 연령층의 비중이 높았던 코스는 성북동 코스로 나타났다. 도보. 국립공원관리공단 2014. 빅데이터 기반 탐방형태 분 석 시스템 구축.. 관광코스가 공원이나 궁궐과 연계되는 경우와 그렇지. Korea National Park Service. 2014. Establishment. 않은 경우를 구분하여 코스별 유동인구의 특성을 살. of big data-based exploration type analysis. 192. 「지적과 국토정보」 제49권 제1호. 2019.

(13) 통신 데이터를 활용한 도보관광코스 유동인구 추정 및 분석. system. 국립공원관리공단 2017. 통신 빅데이터를 활용한 국 립공원 탐방객 실태조사 및 이용패턴 분석 검증 연구.. Park MH. 2010. Time-Space Movement Behavior. of Walking Tourists in Urban. Kangwon National University. 박수지, 신진옥, 정철. 2018. 도보관광 공간구조의 변. Korea National Park Service. 2017. A Study on the. 화에 따른 공간위상학적 특성 분석-서울로 7017. Actual Condition of Visitors to National Park. 프로젝트를 중심으로. 관광학연구, 42(2):121-. and the Verification of the Analysis of the. 138.. Usage Pattern Using the Communication Big Data. 권태일, 이충희. 2017. 관광분야 빅데이터 활용체계 및 실증분석 연구. 한국문화관광연구원. Kwon TE, Lee CH. 2017. A Study on the Big Data Utilization System and Empirical Analysis in Tourism. Korea Culture & Tourism Institute.. Park SJ, Shin JO, Jeong C. 2018. A Spatial Structure Analysis of the Topological Characteristic Change on Walking tourism: Focused on Seoullo 7017 Project. Journal of Tourism Sciences. 42(2):121-138. 안산시. 2016. 대부도 유동인구 등 빅데이터 융복합 분석 연구 용역.. 김승리, 김혜영. 2014. 도보관광 목적지의 이미지, 감. Ansan-si. 2016. A study on big data convergence,. 정적 반응, 행동의도에 관한 연구. 관광연구, 29(5):. including the floating population of Daebu. 257-274.. Island.. Kim SL, Kim HY. The Effect of Destination Image of Walking Tourism on Emotional Response and Behavior Intention. Korean Journal of. Tourism Research. 29(5):257-274. 노경국. 2010. 도보관광객의 재방문결정요인에 관한 연구. 제주관광학회 학술대회, pp. 97-116. Ro GK. 2010. A Study on the Return Visit Determinants of the walking tourists. Jeju Tourism. Society. 97-116 노경국. 2011. 도보여행동기에 따른 시장세분화 연구 -제주올레 여행객을 중심으로. 동북아관광연구, 7(2):131-146.. 이관표, 권상미. 2017. 도보관광의 동기와 만족에 관한 연구. 관광레저연구, 29(4):239-254. Lee KP, Kwon SM. 2017. A Study on the Motivation and Satisfaction of Walking- Tourism.. Tourism & Leisure Research. 29(4):239-254. 이은주. 2015. 내도 관광객 취향 분석을 위한 빅데이 터 융복합 분석 연구. 지역 정보화, 90:9-13. Lee EJ. 2015. A Study on the Convergence Analysis of Big Data for the Analysis of Intensity of Tourists in the Inner City. Korea Local Infor-. mation Research. 90:9-13. 장용운. 2010. 서울시 도보관광활성화 방안에 관한 탐. Ro GK. 2011. Study of Market Segmentation based. 색적 연구. 한국관광서비스학회 학술대회, 26-40.. on Travel Motivation of Walking-tourist :. Jang YU. 2010. An Exploratory Study on the. Focusing on Jeju Olle Tourism. Northeast Asia. Promotion Plan of Pedestrian Tourism in. Tourism Research. 7(2):131-146.. Seoul. Tourism Services Research Academy.. 박미현. 2014. 도시 도보관광자의 시공간 이동행태, 강 원대학교대학원 석사학위청구논문.. 26-40. 정영법, 유우상. 2017. 도심선형공원의 보행자 사용패 Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019). 193.

(14) 박예림 · 강영옥. 턴과 공간특성에 관한 연구-광주 푸른길 공원을 중심으로. 대한건축학회연합논문집, 19(1):7788. Jeong YB, Yoo US. A Study on Satisfaction of Pedestrian Environment of Urban Linear Park - Focused on Pureungil Park in Gwangju.. Architectural Research. 19(1):77-88. 정철, 박태영, 노경국. 2010. 제주올레 관광객의 방문 동기와 사전이미지의 관계. 관광학연구, 34(4): 13-33.. Big Data. Breejen LD. 2007. The expriences of long distance walking: A case study of the West Highland Way in Scotland, Tourism Management, 28(6): 1417-1427. Edwards D, Griffin T. 2013. Understanding tourists’ spatial behaviour: GPS tracking as an aid to sustainable destination management. Journal. of Sustainable Tourism. 21(4):580-595. Oliver MA. 1990. Kriging: A Method of Interpo-. Jeong C, Park TY, Ro GK. 2010. An Examination of. lation for Geographical Information Systems.. the Relationship between Jeju Olle Tourists'. International Journal of Geographic Informa-. Motivation and Pre-visit Image. Journal of. tion Systems. 4(3):313-332.. Tourism Sciences. 34(4):13-33.. Oliver V, Garcia E, Solana A, González R, Pelaez M. 최병길, 이영관. 2011. 도보관광지 이미지와 지각된 가. V, Tome MJ. 2014. Big Data and Tourism: New. 치가 관광자만족에 미치는 영향-제주올레길과. indicators for tourism management. RocaSava-. 지리산둘레길을 중심으로. 관광학연구, 35(7):. tella & Telefónica Report.. 299-321. Choi BK, Lee YK. 2011. An Influence on Tourist Satisfaction of Walking Tour Destination. Rosenblatt M. 1956. Remarks on some nonparametric estimates of a density function. The. Annals of Mathematical Statistics. 832-837.. Image and Perceived Value: Focused on Jeju Olle and Jirisan Dulle, Journal of Tourism. Sciences. 35(7):299-321. 한국관광공사. 2013. 빅데이터 활용 문화관광축제 성 과분석보고서. Korea Tourism Organization. 2013. Performance Analysis of Culture and Tourism Festival Using. 194. 「지적과 국토정보」 제49권 제1호. 2019. 2019년 05월 03일 원고접수(Received) 2019년 05월 17일 1차심사(1st Reviewed) 2019년 06월 03일 2차심사(2st Reviewed) 2019년 06월 18일 게재확정(Accepted).

(15) 통신 데이터를 활용한 도보관광코스 유동인구 추정 및 분석. 초록 본 연구의 목적은 통신 데이터를 통해 구축한 유동인구 데이터를 활용하여 서울시 도심도보관광코 스 내 유동인구 특성을 파악하고 효과적으로 시각화하여 공간적인 맥락을 분석하는 것이다. 도로에 따른 유동인구 추정을 위해 유동인구 데이터 정제 기법을 개발하여 도보관광코스 별 유동인구 데이터 를 구축하였다. 도보관광코스 분석에 적합한 형태로 정제하기 도로 주변 유동인구 값을 고려한 유동 인구 추정하여 도보관광코스 내 유동인구를 할당하였다. 정제된 데이터를 바탕으로 서울도보관광 18 개 코스 각각의 유동인구 특성과 공간 특성을 도출하였다. 도보관광코스 내 유동인구의 공간 밀도와 집중 구간을 분석하기 위해 커널 밀도분석과 Getis-Ord  통계를 적용하였으며 3D 시각화를 통해 서울도보관광 18개 코스별 유동인구 특성을 성, 연령, 시간, 요일에 따라 정량적으로 파악하였다. 그 결과 청계천 제1코스, 경희궁-서대문코스, 인사동-운현궁 코스 순으로 유동인구 규모가 크게 나타났 으며 주중에는 인사동-운현궁, 주말에는 성북동 코스의 유동인구가 많았다. 남성 유동인구 비율이 가 장 높은 코스는 청계천 제1코스, 여성 유동인구 비율이 가장 높은 코스는 몽촌토성 코스였다. 주말 유 동인구 비율이 가장 높은 도보관광코스는 성북동 코스임을 확인할 수 있었다. 주요어 : 통신데이터, 유동인구, 서울도보관광코스, 도로 기반 정제 알고리즘. Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019). 195.

(16)