Space-time Network Analysis of Public Bicycle Use and its Visualization Using Spatial Network Autocorrelation

전체 글

(1)한국지도학회지 20권 1호 2020(93~106). DOI: https://doi.org/10.16879/jkca.2020.20.1.093. 네트워크 클러스터를 활용한 서울시 공공자전거의 시공간 통행 분석 및 시각화: 공간적 네트워크 자기상관을 활용하여* 김희수**⋅김영호****. Space-time Network Analysis of Public Bicycle Use and its Visualization Using Spatial Network Autocorrelation* Huisoo Kim**·Youngho Kim*** 요약 : 환경과 교통이슈로 자전거가 대안적 교통수단으로 주목받는 가운데, 많은 나라에서 자전거 이용을 촉진하기 위해 공유경제 플랫폼인 공공자전거 사업을 운영 중이다. 서울시 역시 공공자전거인 “따릉이”를 5년째 운영 중이며, 이제 따릉이는 서울의 단거리 교통수단 중 하나로 자리매김하였다. 이 연구는 따릉이가 몇 가지 문제점을 가지고 있으며 개선이 필요하다고 주장한다. 이 연구는 자전거 흐름의 시공간적 패턴을 파악하고 그 원인을 설명하고자 한다. 이를 위해 따릉이의 요일, 시간대별 이용 패턴을 분석하고, 서울시의 주요 자전거 네트워크 클러스터를 찾는다. 네트워크 클러스터를 찾기 위해서 Getis와 Ord의  통계를 공간 네트워크로 확장 적용하였다. 이후 통계적 유의성을 검증하기 위해 부트스트랩 치환법(Bootstrap permutation)을 사용하였다. 연구결과 서울시 에서 시계열에 영향받지 않는 명확한 자전거 네트워크 클러스터를 확인하였다. 하지만 국지적 분석 결과는 시간대별 통행 방향에 명백한 차이를 보여준다. 이 연구는 따릉이의 효과적, 효율적 운영을 위해서 따릉이 이용 패턴의 시간, 공간적 차이를 측정하고 반영해야 한다고 제안한다. 주요어 : 따릉이, 공공자전거, 공간적 네트워크 자기상관, 네트워크 클러스터, 시공간 패턴. Abstract : Many countries are running public bicycle services to promote bicycle use. Bicycle, considered as an alternative transportation mode, is a way to take care of environmental problems and traffic jam. Seoul, in particular, is running public bicycle service “Ttareongyi” for 5 years so far. Ttareongyi is now considered as one of the major modes in short distance transportation. This study insists that Ttareongyi needs improvements to enhance efficient use. For the purpose, this study analyzes the temporal patterns and the network clusters of Ttareongyi use. Getis and Ord’s  statistic is expanded to network structure and applied to find network clusters. Bootstrap permutation is applied for significance test. The result identifies several significant network clusters in Ttareongyi use in Seoul. And local analysis presents clear contrasts in Ttareongyi uses among different times within a day. Conclusion suggests that differences in Ttareongyi use patterns in both temporal and spatial perspectives must be measured and reflected for more efficient and effective Ttareongyi operation. Key Words : Ttareongyi, Public bicycles, Spatial network autocorrelation, Network cluster, Spatio-temporal patterns. ***이 연구는 2020학년도 고려대학교 사범대학 특별연구비 지원을 받아 수행되었음(This research was supported by the College of Education, Korea University Grant in 2020.) ***고려대학교 지리학과 석사과정(Master Student, Department of Geography, Korea University, [email protected]) ***고려대학교 지리교육과 교수(Professor, Department of Geography Education, Korea University, [email protected]). - 93 -.

(2) 김희수⋅김영호. I. 서론. 다(윤영채·조병용, 2014; 사경은, 2019). 공공자전거는 자전거의 교통수단분담률 증가에 유의미. 전 세계적으로 자동차의 수가 매년 증가하고 있고 이로. 한 영향을 미친다. 첫째, 시민들의 접근성을 증가시켜 교. 인해 심각한 환경문제와 교통문제들이 발생하고 있다. 선. 통기본권2)을 확대한다. 대중교통과 달리 이용자가 원하. 진국에서 이러한 문제를 해결하기 위해 자전거를 대안으. 는 시간에 이용할 수 있어 편리하며, 주차문제로부터 자유. 로 삼고 있으며, 자전거 이용 활성화를 위한 관련 정책을. 롭다. 둘째, 대중교통과의 연계성을 향상시킨다. 자전거. 수립하는 등 많은 노력을 하고 있다(임영태 등, 2007). 자. 는 단거리 위주의 교통수단인 반면, 버스와 지하철 등의. 전거가 주목받는 이유는 자전거가 기존 자동차 중심의 교. 대중교통은 중·장거리 교통수단이기 때문에 상호 보완. 통체계와 달리 효율적이며 친환경적인 녹색도시교통체. 기능이 있다. 자전거를 이용한 대중교통 환승은 자전거 선. 계를 구성하기 때문이다. 자전거는 대표적인 비동력·무. 진국에서 일반화된 모습이다. 셋째, 도난과 보관 걱정으. 탄소 교통수단으로 일정 통행 거리까지 자동차를 대체할. 로부터 자유롭다. 행정안전부(2010)에 실시한 자전거 이. 수 있는 수단으로 평가받고 있다(김동준 등, 2011).. 용의 불편함에 관한 설문조사 중 높은 응답률을 보인 항목. 세계에서 가장 많은 자전거 이용을 보이는 네덜란드는. 이 바로 자전거 도난(22.7%)이다. 하지만 공공자전거의. 자전거의 교통수단분담률이 27%에 달하고, 중소도시들. 경우 도난의 염려가 없어 시민들의 자전거 이용을 활성화. 의 경우 35%가 넘는 곳도 다수 존재한다. 독일 역시 전국. 한다(한국지방행정연구원, 2009; 신희철 등, 2012).. 적으로 12%가 넘는 교통수단분담률을 기록하고, 네덜란. 서울시의 공공자전거 “따릉이”는 2019년 10월 기준 대. 드와 마찬가지로 많은 도시에서 이보다 높은 수치의 분담. 여소 1547개, 자전거 약 2만 5천여 대를 운영 중이다(서울. 률을 보인다. 그 외에 코펜하겐(26%), 베를린(13%) 등 많. 시설공단, 2019). 2019년 9월 기준 누적 대여횟수 3천만 건. 은 선진국에서 자전거가 흔히 사용되고 있다(고준호,. 을 넘었으며 이는 서울시민 1명 당 3회 이상 이용한 수치이 다. 이용자 역시 매년 약 2배씩 증가하여 누적 회원 수 166. 2016; Martens, 2004). 국내 통행기준1) 교통수단분담률에서 자전거가 차지하. 만 명(2019년 9월 기준)을 넘겨 확연한 서울시의 단거리. 는 비율은 평일 2.0%, 주말 3.0%이다(한국교통연구원,. 교통수단으로 자리매김하였다(서울시, 2019).. 2015). 이는 해외의 교통수단분담률에 비해 현저히 낮은. 하지만 따릉이 운영에도 문제점이 존재한다. 첫째, 현실. 수치이다. 행정안전부(2010)에서 실시한 “자전거 이용 목. 적 이용 수요를 반영하지 못하는 대여소 분포이다. 이용. 적에 관한 설문조사” 결과 ‘레저/스포츠’(53.9%), ‘쇼핑’. 수요가 많은 지역은 거치율3)이 200%를 초과하는 경우도. (18.2%), ‘친교’(12.5%) 순으로 집계되어 자전거가 주로 단. 있다. 또한, 일부 지역의 대여소 간격이 넓어 이용에 불편. 발성 통행에 이용되고 있음을 알 수 있다. 이에 반해 ‘출퇴. 함을 주고 있다. 그 결과, 가장 많은 양을 차지하는 따릉이. 근(통근)’은 7.4%, ‘등하교(통학)’는 5.2%에 그쳐 주기적인. 민원이 대여소 신설에 관한 것이다. 둘째, 이용이 집중되. 이용이 매우 저조한 상황이다. 하지만 네덜란드의 경우 자. 는 출·퇴근 시간대 일부 대여소의 자전거 과·부족 현상. 전거가 통학의 50%, 통근의 25%를 차지하고 있어, 생활형. 이다. 현재 자전거의 재배치를 배송직원의 경험에 의존하. 자전거 이용이 현실화 되어있다 (한국지방행정연구원,. 고 있다. 그로 인해 시간대별 수요에 맞는 적절한 공급을. 2009). 자전거의 교통수단분담률이 증가하기 위해서는. 유지하는 것이 매우 어렵다. 그리고 배송 차량의 자전거. ‘통근·통학’과 같은 생활밀착형 이용의 확대가 중요하다.. 적재 가능 대수가 15대에 불과해, 적절한 자전거 공급에. 공공자전거란 개인 소유가 아닌 사회 구성원 모두가 이. 한계가 있다(서울시 도시교통본부, 2018). 셋째, 서울시. 용할 수 있는 공공 소유의 자전거로, 누구나, 언제든지, 어. 자전거 관련 제반 시설의 부족이다. 서울시의 자전거도로. 디서든지 자전거를 이용할 수 있는 시스템이다(신희철 등,. 연장은 총 925km이며, 이 중 자전거 전용도로는 143.78km. 2012; 사경은, 2019). 현재 전 세계 300개 이상의 도시에서. 에 불과하다. 이외에 서울시 자전거도로의 2/3을 차지하. 운영 중이고, 단거리 자동차 이용 수요를 대체할 것으로. 는 자전거·보행자 겸용도로는 기존의 보도를 양분하여. 기대된다. 1968년 네덜란드 암스테르담에서 시작하여 현. 사용하는 곳이 많아 보행자와 상충하는 경우가 많다(지우. 재의 공공자전거는 전자기술과 GPS 기술의 발달로 자전. 석 등, 2018; 행정안전부, 2018).. 거의 대여·반납을 관리하고 도난을 방지할 수 있게 되었. 이러한 문제점을 극복하기 위해 본 연구는 따릉이의 시. - 94 -.

(3) 네트워크 클러스터를 활용한 서울시 공공자전거의 시공간 통행 분석 및 시각화: 공간적 네트워크 자기상관을 활용하여. 간대별 이용 패턴에 관한 분석을 진행한다. 해외의 경우. 찾아 자전거 관련 정책 의사결정에 도움을 준다. 둘째, 시. 공공자전거 서비스가 일찍 도입되었기 때문에, 관련 연구. 간대별 국지적인 이용 패턴을 확인하여 자전거 재배치 프. 역시 국내보다 다양한 방면에서 진행되었다. 개별 대여소. 로세스 수정, 대여소 신설 위치 선정에 도움을 준다. 시간. 에 대한 연구로 대여소별 수요에 관한 연구와 대여소의 위. 대별 이용 패턴은 동일한 구간이라도 시간대에 따라 통행. 치를 최적화하는 연구가 있다(Faghih-Imani et al., 2014;. 의 방향이 달라지는 것을 보여준다. 이를 참고해 자전거. García-Palomares et al., 2012; Liu et al., 2015). 공공자전. 재배치 동선을 수정하여 효율적인 자원 활용이 가능하다.. 거 네트워크에 대한 연구 역시 활발히 진행되었다. 관련. 본 논문은 다음과 같이 구성된다. 연구범위 및 내용에서. 연구로는 주요 자전거 네트워크 클러스터를 찾아 이동 방. 분석 자료에 대한 설명과 분석 시간대 선정 근거를 위한 몇. 향을 파악하거나, 공공자전거의 도입이 대중교통 네트워크. 가지 기술 통계량을 서술한다. 연구방법에서는 네트워크. 의 효율성에 미치는 영향에 대한 연구 등이 있다(Jäppinen. 인접성을 정의한다. 이후 공간적 네트워크 자기상관 모델. et al., 2013; Yang et al., 2018; Zhou, 2015).. 에 관한 설명과 이에 대한 유의성 검정 방법을 소개한다.. 자전거의 이용에 관한 기존의 국내 연구는 대부분 자전. 연구결과에서는 시간대별 서울시 전역의 따릉이 이용 패. 거 이용의 사회·환경적 그리고 잠재적 수요에 초점을 맞. 턴과 선정된 특정 지역들의 시간대별 이용 패턴을 해석한. 춰왔다. 그 결과, 연구가 직접적인 자전거의 흐름을 간과. 다. 결론 부분에서는 연구의 요약 및 시간대별 이용 패턴. 한 채, 자전거 대여소의 위치와 해당 행정구역의 사회·경. 과 대중교통과의 연계 가능성을 제시한다.. 제적 변수들의 상관관계에 그치고 있다 (김민혁, 2018; 변 영우·정하린, 2016; 장재민 등, 2018; 추상호 등, 2011). 자 전거의 통행 흐름을 분석하는 국내 연구는 많이 진행되지. II. 연구범위. 못했는데, 그 이유는 정확한 자전거 통행 자료를 수집하는 것에 난항을 겪었기 때문이다. 자전거 통행의 주요 흐름에. 본 연구는 2019년 5월 한 달간 서울시 전역에 위치한 1547. 관한 연구는 ‘2006년 수도권 가구통행 실태조사’ 중 자전거. 개의 따릉이 대여소를 대상으로 자전거 통행을 분석하였. 통행을 이용한 공간적 네트워크 자기상관관계 연구 이후. 다. ‘서울특별시 공공자전거 대여이력 정보’는 서울시 공공. 몇 몇 연구가 진행 중이다(김영호, 2010). 따릉이의 경우. 데이터 개방 사이트 ‘서울 열린데이터 광장(https://data.. 모든 대여 이력이 기록되기 때문에 정보 해상도가 높다.. seoul.go.kr)’ 에서 제공하는 자료를 이용하였다. 해당 자료. 따라서 기존 연구들이 데이터의 한계로 인해 분석하지 못. 는 모든 대여·반납 이력이 기록되어 있고, 이를 통해 서울. 했던 정확한 이용자들의 통행 패턴을 분석할 수 있다.. 의 모든 공공자전거의 시간대별 통행 데이터를 구축하였다.. 본 연구는 서울시 전역에 걸친 따릉이의 공간적 이용 패. 따릉이 이용 패턴의 시간대별 분석을 위해 3가지 기준. 턴을 분석하고, 이를 시간대별로 나눠 국지적인 이용 패턴. 을 적용하였다. 첫 번째 기준은 월별 이용횟수이다. 월별. 을 확인한다. 이 연구는 다음과 같은 효과를 얻을 것으로. 이용횟수는 자전거 이용의 계절별 차이를 보여준다.. 기대된다. 첫째, 서울시 전역의 따릉이 이용 클러스터를. 그림 1은 2018년 1월부터 2019년 11월까지 월별 따릉이. 그림 1. 2018년 1월 ~ 2019년 11월 월별 따릉이 총 대여횟수. - 95 -.

(4) 김희수⋅김영호. 출근은 정해진 시간까지 도착해야 하는 경우가 많아 짧은 시간에 집중된 대여가 이루어진다. 따라서 출근시간대는 07시 00분부터 08시 59분까지 2시간으로 정의하였다. 하 지만 퇴근은 정시성이 떨어지기 때문에 퇴근을 목적으로 한 통행과 퇴근 이후 레저를 위한 통행이 혼재되어 나타난 다. 이를 고려해 퇴근시간대는 17시 00분부터 19시 30분까 지 2시간 30분으로 정의하였다.. 그림 2. 요일별 평균 대여횟수. III. 연구방법. 의 총 대여횟수이다. 이 중 대여횟수가 가장 많은 달 중 하. 분석 과정은 두 가지 단계를 통해 진행된다. 첫 번째는. 나인 2019년 5월을 활용해 분석하였다. 2019년 5월은 월. 네트워크 인접행렬(Network Link Matrix)에 대한 정의이. 평균기온 19.4°C를 기록했고, 강수일수가 3일에 불과해 자. 다. 두 번째는 완성된 네트워크 인접행렬을 토대로 공간적. 전거를 이용하기에 유리한 달이기도 했다.. 네트워크 자기상관 정도를 계산한다. 이 과정을 통해 서울. 두 번째 기준은 평일과 주말의 구분이다. 그림 2를 보면. 시 공공자전거 따릉이의 요일별, 시간대별 네트워크 클러. 따릉이는 주말에도 이용량이 크게 감소하지 않는다. 버스. 스터를 분석하고, 국지적인 이용 패턴을 확인할 수 있다.. 와 지하철의 이용량이 주말에는 감소하는 것과 다른 양상. 네트워크 자기상관관계는 네트워크의 개별 링크에 연. 이다. 이는 평일에 출퇴근을 위해 사용된 따릉이가 주말에. 결된 다른 링크 값과의 공간적 상관성을 찾는 것이다. 는 레저·스포츠의 용도로 사용됨을 의미한다(서울시, 2019).. (Black, 1992). 본 연구는 Getis와 Ord(Getis and Ord, 1992;. 그림 3은 평일과 주말의 시간대별 대여횟수를 보여준. Ord and Getis, 1995)에 의해 만들어진 를 네트워크로 확대. 다. 그림 3에서 알 수 있듯이 평일에는 출퇴근시간대에 이. 적용한 것으로 특정 링크와 인접 링크를 전체 네트워크와. 용이 급증하는 모습을 보이고, 주말은 아침부터 일몰 전까. 비교한다. 통계량은 양의 네트워크 자기상관, 음의 네트. 지 완만하게 증가하는 모습을 보인다. 따라서 평일과 주말. 워크 자기상관을 모두 나타낼 수 있다. 하지만, 자전거 흐. 의 대여 이력을 서로 구분하여 분석할 필요가 있다.. 름의 군집을 확인하는 것에 있어서 음의 네트워크 자기상. 세 번째 기준은 출근시간대와 퇴근시간대를 구분하는. 관을 고려할 필요는 없기 때문에 양의 네트워크 자기상관. 것이다. 평일 따릉이 대여는 출퇴근 시간에 집중되어 있. 만을 고려한다(김영호, 2010).. 어, 출퇴근 시 따릉이 이용 패턴을 따로 분석하였다. 출근 과 퇴근은 규칙적인 통행이지만 그 이동 방향은 반대이다.. 그림 3. 평일/주말 시간대별 대여횟수. - 96 -.

(5) 네트워크 클러스터를 활용한 서울시 공공자전거의 시공간 통행 분석 및 시각화: 공간적 네트워크 자기상관을 활용하여. 1. 대여소 간 인접성 정의 및 네트워크 인접 행렬 정의. (polygon)이기 때문에 경계면(edge)을 공유하면 이웃으. 네트워크 인접행렬은 기존의 공간 분석에 활용되는 공. 간 인접행렬을 정의하였다. 그 과정은 다음과 같다.. 로 정의하였다. 하지만 따릉이 대여소의 경우 점(point) 데 이터이기 때문에 이 연구는 대여소간 거리를 기준으로 공. 간 인접행렬(Spatial Link Matrix)과 동일한 개념이다(김영. 첫째, 대략적인 대여소의 공간적 분포를 파악하기 위해. 호, 2010). 다만 공간 인접행렬과의 차이점은 인접행렬의. 서울시 전역에 위치한 대여소를 이용하여 티센 폴리곤4)을. 크기이다. 개의 위치를 통해 만들어지는 공간 인접행렬. 제작하였다. 그 결과, 이웃하는 폴리곤의 평균 개수는 5.8. 은  × 의 크기로 정의된다. 하지만 이를 통해 만들어지. 개로 나타났다. 이 이웃하는 폴리곤의 수를 k-최근접 이웃. 는 네트워크는  개의 링크를 가지게 되고, 네트워크 인접. 알고리즘(k-NN)5)의 초모수(hyperparameter)로 이용하였다.. 행렬은  ×  의 크기로 정의된다(Black, 1992). 최초 네트워크 자기상관관계를 측정하기 위해서 Black. 로 정의한 뒤, 이웃들 간의 평균 거리를 계산하였다. 그 결. (1992)이 제시한 네트워크 인접행렬은 출발지 혹은 도착. 과 평균 거리는 537m로 기존의 역세권6)의 정의에 사용되. 지를 공유하는 모든 네트워크를 이웃으로 정의한다. 이후. 는 500m와 유사하다. 최종적으로 대여소 인근 500m를 기. 후속 연구에서 이동 방향을 고려한 네트워크 분석이 진행. 준으로 이웃을 정의하였다. 그 결과, 1547개의 대여소 중. 각 대여소로부터 가까운 6개의 대여소를 인접한 대여소. 되었고, 네트워크 인접행렬 역시 이를 고려하여 세 가지. 93.5%에 해당하는 1446개가 500m 이내에 이웃을 가지며,. 형태로 정의된다: 출발지 중심, 도착지 중심, 출발지와 도. 101개(6.5%)의 대여소가 이웃이 없는 고립된 따릉이 대여. 착지를 결합한 형태(Berglund and Karlstrom, 1999). 따릉. 소로 정의되었다.. 이는 대여소가 서울시 전역에 위치해 있기 때문에, 대여소 가 비어있을 경우 쉽게 인접한 따릉이 대여소를 이용할 수. 2. 공간적 네트워크 자기상관 측정 모델. 있다. 도착 또한 인접한 대여소를 같이 고려해야 하므로 출발지와 도착지를 결합한 형태(Cumulative impact)의 네. 본 연구에서 사용된 공간적 네트워크 자기상관 측정 모. 트워크 인접행렬을 활용하였다. 해당 네트워크 인접행렬. 델  는 Berglund와 Karlstrom(1999)이 고안한 통계량으. 은 다음과 같이 정의되며, 개념도는 그림 4와 같다.. 로 Getis와 Ord(1995)의 일반화된  통계량을 네트워크 에 확장 적용한 모델이다. 우선 일반화된  통계량을 계. .      an d                        . 산하는 공식은 다음과 같다(Ord and Getis, 1995).. (1) ∑    ̅          ⁄   ′. (1)의 식에서  과  는 일반적인  ×  공간 인 접행렬 값을 의미한다. 즉  는 하나의 대여소에서 출. (2).      ≠  . 발하여 이웃한 대여소로 도착하는 통행들과 이웃한 대여. Where ̅  . 소에서 출발하여 하나의 대여소로 도착하는 통행들을 이 웃하다고 정의하는 네트워크 인접행렬이다. 네트워크 인. .    ̅         ≠  . . 접행렬을 정의하기 위해서는 대여소의 인접성이 사전적 으로 정의되어야 한다. 그림 4의 개념도는 공간 단위가 면.  . .  . . .  ≠ . .  .  통계량은 국지값( ∑   )의 합이 전체의 기댓값. (  ̅ )보다 큰 경우에 큰 값들의 군집으로 해석할 수 있으. 그림 4. 출발지와 도착지가 결합된 형태의 네트워크 흐름 연결도 (김영호, 2010). 며, 반대의 경우에는 작은 값들의 군집으로 해석할 수 있. - 97 -.

(6) 김희수⋅김영호. 다. 결국  통계량은 국지값과 전체값의 크기를 비교하기. 3. 유의성 검증. 때문에 두드러지게 크거나 작은 값들의 군집을 찾아내는 데 적합하다(Kim and O’Kelly, 2008). Moran’s  나 Geary’s. Getis와 Ord에 의해 개발된  (Ord and Getis, 1995)는.  는 공간적 자기상관관계를 분석해 군집을 찾아낼 수는. 거리를 기준으로 공간 인접행렬을 만들기 때문에 거리가. 있지만, 해당 군집이 큰 값의 군집인지 작은 값의 군집인지. 커지면 이웃하는 공간적 개체가 많아지며 점진적으로 정. 확인할 수 없다. 하지만, Getis와 Ord의  는 통계량으로. 규분포를 따른다. 따라서 연구 대상지가 비대칭 분포를 따. 부터 직관적으로 공간 단위들의 핫스팟과 콜드스팟을 파. 를 때는 이웃하는 지역이 많도록 설정해야 정규분포를 적. 악할 수 있다는 장점을 갖는다(이상일 등, 2010). 본 연구. 용할 수 있다. 특히 연구 지역이 많은 공간적 개체로 구성. 는 공공자전거 네트워크 상 자전거 이용이 많은 흐름의 군. 되어 있는 경우에는 각 국지적  통계량을 계산하는데 이. 집을 파악하고자 하였기 때문에, 핫스팟과 콜드스팟의 구. 웃하는 개체가 30개 이상이 되도록 설정될 때에만 정규분. 분이 가능한  를 사용하였다.. 포의 가정을 신뢰할 수 있다(Getis and Ord, 1996). 하지만. 비록  통계량이 방향성이 없는 개체들의 관점에서 정. 공간적 개체의 이웃 여부를 기준으로 공간 인접행렬을 만. 의되었지만, 이는 쉽게 네트워크상 통행으로 일반화될 수. 들 경우, 30개가 넘는 이웃을 가지는 것은 현실적으로 불. 있다.   계산 시 사용된 는 와  사이의 통행으로, . 가능하다. 따라서 정규분포로 유의성을 검정하는 것은 분. 는  과  사이의 통행으로 치환된다. 치환된 와 를 이용. 석 결과의 신뢰도에 문제를 가져온다(김영호, 2010).  통계량과  통계량은 구조적으로 동일하기 때문에,. 해 통행 공간의 공간 인접행렬만 새롭게 정의해 (2)의 식에 대입한다(Berglund and Karlstrom, 1999).  통계량의 계. 정규분포 가정에 대한 문제점은  통계량에도 동일하게. 산 공식은 아래와 같고,  은 네트워크의 개별 링크이며,. 적용된다. 본 연구에서는 이러한 문제를 해결하기 위해 부.  는 전체 네트워크의 개수(  )이다.. 트스트랩 치환법(Bootstrap permutation)을 사용하였다. 부트스트랩 치환법은 확률분포가 알려지지 않은 상황에. ∑     ̅           ⁄   ′. 서 주어진 관찰 값을 바탕으로 모수를 추정하기 위해 사용. (3). 되는 무작위 추출 방법론이다(Davison and Hinkley, 1997; Efron and Tibshirani, 1993). 이는 원자료를 복원추출(with.       ≠  . Where  ̅  . replacement)하여 새로운 복제 데이터셋을 만들고, 이를. . 통해 새로운 분포를 형성하는 과정으로 설명할 수 있다 (Westfall and Young, 1989)..     ̅         ≠  . .  .  . .  ≠ . . 본 연구에서는 개별  마다 100,000번의 치환을 적용 하여 새로운 분포를 형성하였다. 이렇게 형성된 분포에서 개별  가 상위 0.1%에 속하면 유의미한 값으로 선별하. . 였다. 0.1%를 유의수준으로 선택한 이유는 총 네트워크상 링크의 개수에 비해 실제 통행이 이뤄진 링크의 수가 적기. .  ≠ . 때문이다. 총 네트워크상 링크의 개수는 약 240만 개이지 만 5월 실제 통행이 이뤄진 링크의 개수는 23만 개이다. 따.  통계량의 계산 공식 역시 여전히  와 구조적으로. 라서 1%의 유의수준으로 부트스트랩 치환법을 적용할 경. 동일하기 때문에, 통행 데이터에 적용하였을 때도 여전히. 우 조금이나마 통행이 존재하는 구간이면 유의한 링크로. 유효하다. 출발지 와 도착지  와 연관된 통행에 대해 통. 추출될 가능성이 높아 정확도가 떨어진다.. 계량을 계산하고, 유의수준에 대한 설정이 이루어지면 해. 데이터의 분석은 두 가지 프로그램을 활용하여 진행되. 당 통행과 이웃한 통행이 높은 수준의 통행 클러스터인지. 었다. 공간 분석에 대한 전반적인 과정은 통계 프로그램. 낮은 수준의 통행 클러스터인지 판단할 수 있다(Berglund. ‘R’(http://www.r-project.org/)을 이용한 코딩 작업으로. and Karlstrom, 1999).. 진행되었다. 해당 분석 결과의 시각화에는 ‘ArcGIS’을 활 용하였다.. - 98 -.

(7) 네트워크 클러스터를 활용한 서울시 공공자전거의 시공간 통행 분석 및 시각화: 공간적 네트워크 자기상관을 활용하여. 에서 마포대교를 건너는 통행, 마포구 상암동과 강서구 가. IV. 연구결과. 양동 사이의 통행이 존재한다. 주말 역시 마포대교를 건너. 1. 시간대별 서울시 전역의 따릉이 이용 패턴. 는 통행만 관찰된다. 한강을 건너는 통행이 적은 이유는. 그림 5는 서울시 자전거 네트워크 클러스터가 형성되는. 때문이다. 한강변을 중심으로 서울시 간선 축 자전거 도로. 자전거 이용자들에게 있어 한강을 건너는 것이 불편하기. 지역을 의미한다. 주요 자전거 네트워크 클러스터가 위치. 가 형성되어 있어 강변을 따라 자전거를 이용하는 것은 편. 한 지역은 여의도, 성수동, 마포구, 잠실·송파, 구로·신. 리하다(오충원 등, 2012). 하지만 한강 대교에는 자전거 전. 림, 노원·중계, 가양·방화 등이다. 그림 6과 7은 평일 출. 용도로가 없고 보행자와 충돌 우려가 있는 자전거·보행. 근시간대와 퇴근시간대의 서울시 자전거 네트워크 클러. 자 겸용도로만 설치되어 있다. 이는 자전거 이용에 불리하. 스터이고, 그림 8은 주말의 네트워크 클러스터이다. 여기. 고 결과적으로 강남과 강북의 연결을 단절시킨다(지우석. 서 네트워크 클러스터는 부트스트랩 치환법을 통해 추출. 등, 2018). 다만 마포대교의 경우 자전거·보행자 겸용도. 한 상위 0.1%에 속하는  통계량을 의미하며 이를 지도. 로임에도 불구하고 자전거도로와 보행자 통행로가 구분. 화한 것이다.. 되어 있어 자전거 통행에 유리하다.. 서울시 전역의 자전거 네트워크 클러스터를 확인해보. 둘째, 주요 자전거 네트워크 클러스터에 포함된 대여소. 면 3가지 특징이 존재한다. 첫째, 따릉이를 이용해 한강을. 중 지하철역에 인접한 대여소가 많다.. 건너는 통행이 적다. 평일 출근시간대의 경우 한강을 건너. 표 1은 상위 0.1%의  통계값에 해당하는 따릉이 대여. 는 통행이 거의 보이지 않는다. 평일 퇴근시간대에 여의도. 소를 출발지/도착지별, 시간대별로 나눠 보여주고, 이 중. 그림 5. 서울시 주요 자전거 네트워크 클러스터. 그림 6. 서울시 자전거 네트워크 클러스터(평일 출근시간대). 그림 7. 서울시 자전거 네트워크 클러스터(평일 퇴근시간대). 그림 8. 서울시 자전거 네트워크 클러스터(주말). - 99 -.

(8) 김희수⋅김영호. 표 1. 상위 통계값에 해당하는 따릉이 대여소 중 지하철역 반경 500m 내에 위치한 비율 평일 출근시간대. 평일 퇴근시간대. 주말. 출발지. 도착지. 출발지. 도착지. 출발지. 도착지. 상위 통계값에 해당하는 대여소 개수 (개). 847. 555. 689. 535. 726. 535. 상위 통계값에 해당하는 대여소 중 지하철역 반경 500m에 위치한 대여소 개수 (개). 558. 425. 528. 361. 530. 375. 비율 (%). 65.9. 76.6. 76.6. 67.5. 73.0. 70.1. 지하철역 반경 500m에 위치하는 대여소의 수와 비율을 제. 적이 넓어 1km2당 2.55개의 대여소를 가진다. 서초구 역시. 시한다. 평일 출근시간대에 주요 네트워크 클러스터를 구. 면적당 대여소의 비율이 1.88개/km2에 불과하다.. 성하는 대여소 중 지하철역에 인접한 대여소의 비율은 도 착지가(76.6%) 출발지보다(65.9%) 높게 나타났다. 평일. 2. 시간대별 국지적 따릉이 이용 패턴. 출근시간대에 따릉이가 주로 주거지역에서 지하철역으 로 이동하기 위한 교통수단으로 사용된다고 해석할 수 있. 서울시에서 관찰된 따릉이 이용 클러스터 중 여의도, 성. 다. 평일 퇴근시간대는 출근시간대와 반대의 양상을 보인. 수동, 마포구 일대 세 지역을 선정하여 시간대별 통행 방. 다. 지하철역에서 주거지역으로 이동하는 마지막 교통수. 향에 관해 분석하였다. 해당 지역을 선정한 이유는 따릉이. 단으로 따릉이가 이용된다. 주말의 경우 주요 자전거 네트. 이용이 많아 명확한 자전거 네트워크 클러스터가 관찰되. 워크 클러스터에 포함되는 따릉이 대여소 중 지하철역 인. 었기 때문이다. 국지적으로 자전거 네트워크 클러스터를. 근에 위치한 대여소 비율이 출발지와 도착지 모두 70%를. 분석하면, 시간대별 통행 방향의 차이가 두드러진다.. 넘는다. 전체 대여소 중 지하철역 인근에 위치하는 대여소 의 비율인 65.6%(1547개 중 1232개)보다 높다. 주말에는. 1) 여의도 일대. 출발지로 이용된 대여소가 다시 도착지로 이용되는 통행. 그림 10부터 12는 여의도의 시간대별 자전거 네트워크. 이 주로 관찰된다. 지하철역 인근의 대여소에서 따릉이를. 클러스터이다. 여의도는 자전거 전용차로가 갖춰져 자전. 빌려 출발해 여가 활동을 한 뒤, 다시 지하철역으로 돌아오. 거 이용이 편리하다. 그로 인해 이용량이 많고 출퇴근과. 기 위해 따릉이를 이용하는 것으로 볼 수 있다. 따라서 주. 같은 규칙적 통행이 관찰되며 특히 시간대별 이용 패턴의. 요 네트워크 클러스터에 포함되는 대여소 중 지하철역 인. 차이가 가장 두드러진다. 출근시간대는 여의도 외부에서. 근에 위치한 대여소의 비율이 출발지와 도착지 모두 높게. 여의도로 향하는 통행이 주를 이룬다. 주요 출발 지점은. 관찰되었다.. 노량진역, 대방역, 신길역 등 여의도 외곽의 지하철역이. 마지막으로 서울의 중심업무지구(CBD)인 종로와 강남. 다. 주요 도착 지점은 국회의사당역과 여의도역, 63빌딩. 에는 자전거 네트워크 클러스터가 관찰되지 않았다. 두 지. 으로 상업지역이며 금융시설 등이 밀집해있는 중심업무. 역 모두 중심업무지구로서 출퇴근 인원은 많지만, 자전거. 지구(CBD)에 해당한다.. 를 이용하기에 불편하기 때문에 따릉이의 이용이 저조하. 퇴근시간대는 출근시간대와 반대로 여의도 내부에서. 다. 자전거 출퇴근 이용자의 가장 큰 스트레스 요인은 환. 외부로 나가는 통행이 주로 관찰된다. 출근시간대의 출발. 경적 문제와 자전거 도로 부실이다(정범진, 2012). 두 지역. 지였던 지하철역이 반대로 도착지로 활용된다. 출근시간. 모두 자전거 전용도로가 거의 없고, 자동차가 많아 매연이. 대와 달리 퇴근시간대는 마포·공덕 방향으로 한강을 넘. 심각해 출퇴근 시 자전거 이용을 꺼리게 만든다(오마이뉴. 어가는 통행이 다수 관찰된다. 해당 통행에 이용되는 마포. 스, 2006; 서울시 도시교통실, 2018). 대여소의 개수가 부. 대교는 자전거·보행자 겸용도로가 설치되어 있고 보행. 족한 것도 따릉이 이용에 불리하게 적용한다. 강남구의 경. 자도로가 실선으로 분리되어 있어 자전거 이용에 편리한. 우 따릉이 대여소의 개수가 101개로 가장 많지만, 구의 면. 점이 한강을 건너는 통행에 긍정적인 영향을 준다.. - 100 -.

(9) 네트워크 클러스터를 활용한 서울시 공공자전거의 시공간 통행 분석 및 시각화: 공간적 네트워크 자기상관을 활용하여. 그림 9. 여의도 Key Map. 그림 10. 여의도의 자전거 네트워크 클러스터(평일 출근시간대). 그림 11. 여의도의 자전거 네트워크 클러스터(평일 퇴근시간대). 그림 12. 여의도의 자전거 네트워크 클러스터(주말). 주말은 평일보다 자전거 네트워크 클러스터가 덜 관찰. 양방향으로 통행이 이루어지는 경우가 많다.. 되고, 통행 구간도 평일과 차이를 보인다. 평일에 관찰되. 퇴근시간대 역시 성수동을 인근으로 하는 통행은 양방. 지 않았던 통행은 여의도 한강공원 쪽 대여소 간의 통행이. 향으로 관찰된다. 다만 공업시설이 주로 위치한 성수역 북. 다. 주말에는 여의나루역을 중심으로 여의도공원, 여의도. 쪽의 통행은 감소한다. 퇴근시간대에 이용이 크게 증가하. 한강공원을 이용하는 시민들이 늘어, 이와 같은 통행을 보. 는 구간은 뚝섬유원지역과 건대입구역을 중심으로 한 통. 인다. 대부분 해당 지역 내에서 대여와 반납이 이뤄지기. 행이다. 여의도와 마찬가지로 퇴근 이후에는 출근시간대. 때문에 대여소 간 양방향 통행 모두 주요 흐름으로 분석되. 에 비해 멀리 떨어진 아차산역, 뚝섬유원지까지 자전거를. 었다.. 활용해 이동하는 모습을 보인다. 서울숲역 내에서 양방향 통행도 관찰되어 퇴근 후 레저를 위한 따릉이 이용을 확인. 2) 성수동 일대. 할 수 있다.. 그림 14에서 16은 성수동 인근의 시간대별 자전거 네트. 주말은 퇴근시간대와 유사한 패턴을 보이지만, 공업지. 워크 클러스터이다. 성수동 일대는 녹지지역인 서울 숲과. 역보다 상업지역에 통행이 더욱 집중된다. 출퇴근 시간대. 상업지역, 주거지역이 혼재되어 있으며, 공장건물을 개조. 에 관찰되는 성수역을 중심으로 하는 자전거 통행은 거의. 한 상업지역이 늘어나는 추세이다(김상현·이한나, 2016;. 관찰되지 않고, 뚝섬유원지, 서울숲, 건대입구역, 어린이. 박성경, 2018). 성수동은 따릉이 이용이 많은 지역이다. 출. 대공원 등 여가용으로 이용되는 장소로 향하는 통행이 주. 근시간대는 성수동을 중심으로 한 통행과 군자역을 향한. 로 관찰된다. 퇴근시간대보다 중랑천을 건너는 통행이 더. 통행이 주를 이룬다. 출근시간대임에도 불구하고 성수동. 많이 관찰되는 특징을 보인다.. 의 토지이용은 주거지역과 상업·공업지역이 혼재되어. - 101 -.

(10) 김희수⋅김영호. 그림 13. 성수동 Key Map. 그림 14. 성수동의 자전거 네트워크 클러스터(평일 출근시간대). 그림 15. 성수동의 자전거 네트워크 클러스터(평일 퇴근시간대). 그림 16. 성수동의 자전거 네트워크 클러스터(주말). 3) 마포구 일대. 볼 수 있다. 미디어단지에서 출발한 따릉이는 디지털미디. 그림 18에서 20은 마포구의 시간대별 자전거 네트워크. 어시티역으로 가거나, 한강을 건너 강서구로 향하는 모습. 클러스터이다. 이 지역 역시 시간대별 통행 방향의 차이가. 을 보인다. 응암동을 향한 통행도 관찰된다. 그 이유는 상. 극명하다. 평일 출근시간대는 홍대, 가좌동, 상암동으로. 암동에서 응암동 사이를 흐르는 불광천을 따라 자전거 전. 자전거 통행이 집중된다. 가좌역은 5월 출근시간대인 07. 용도로가 설치되어 있어, 자전거 이용에 편리하기 때문이다.. 시부터 09시까지의 승차 인원이 48,806명으로 하차 인원. 해당 지역의 주말 따릉이 이용은 여가를 목적으로 하는. 인 13,191명보다 3.5배 많은 인원을 기록하였다. 따릉이를. 통행의 비중이 높다. 기존 평일에 관찰되던 상암동의 출퇴. 이용해 가좌역으로 이동하여 지하철을 타는 승객이 이에. 근 따릉이 이용은 하나도 관찰되지 않고, 인근의 월드컵경. 속한다. 반면, 상암동의 경우 역에서 도착한 사람들이 직. 기장으로 따릉이 이용이 집중되었다. 월드컵경기장부터. 장으로 가기 위해 마지막 통행수단으로 자전거를 선택하. 불광천을 따라 응암동으로 이동하는 통행도 관찰된다. 평. 는 것으로 보인다. 미디어단지 주위의 주거지역에서 출발. 일 퇴근시간대보다 망원동, 합정동 인근으로 자전거 이용. 하는 단거리 통행도 주로 관찰된다.. 이 더욱 증가한다. 이 지역은 카페와 같은 상업시설이 밀. 퇴근시간대는 출근시간대와 통행 목적지가 달라진다.. 집되어 있는 곳으로 이국적인 구경거리가 많아 근래에 인. 출근시간대보다 홍대입구역을 중심으로 서교동과 합정. 기를 끌기 시작한 곳이다(이한울, 2016). 그로 인해 평일보. 동, 망원동의 도착지 비중이 증가한다. 이곳은 상업시설. 다 주말에 더 높은 이용을 보인다.. 이 많은 지역으로 퇴근 이후 여가를 위해 이동하는 것으로. - 102 -.

(11) 네트워크 클러스터를 활용한 서울시 공공자전거의 시공간 통행 분석 및 시각화: 공간적 네트워크 자기상관을 활용하여. 그림 17. 마포구 Key map. 그림 18. 마포구의 자전거 네트워크 클러스터(평일 출근시간대). 그림 19. 마포구의 자전거 네트워크 클러스터(평일 퇴근시간대). 그림 20. 마포구의 자전거 네트워크 클러스터(주말). V. 결론. 많은 종로와 강남에 주요한 클러스터가 관찰되지 않는 특 징을 보였다. 이는 해당 지역의 자전거 이용에 불편함이. 본 연구에서는 서울시 전역에 걸친 따릉이의 공간적 이. 있다는 것으로, 자전거 전용도로의 미비가 다른 지역과의. 용 패턴을 분석하고, 이를 시간대별로 나눠 국지적인 이용. 중요한 차이점이었다. 따릉이의 주요 출발지와 도착지는. 패턴을 확인하였다. 분석방법은 Berglund와 Karlstrom. 대부분 지하철역에 인접하여 존재하였다.. (1999)이 고안한 통계를 사용하여 공간적 네트워크 자기. 시간대별 국지적 이용 패턴에 대한 분석결과, 여의도,. 상관을 분석하였다. 분석된 통계량 중 자전거 흐름의 클러. 성수동, 마포구 인근 세 지역 모두 시간대별 차이가 극명. 스터를 찾기 위해 양의 상관관계만을 확인하였고, 통계적. 하였으며 평일 출근시간대와 퇴근시간대는 서로 정반대. 유의성을 검증하기 위해 부트스트랩 치환법(Bootstrap. 의 통행 방향을 보여주었다. 퇴근시간대의 통행은 한강을. permutation)을 사용하였다. 2019년 5월 한 달 간의 따릉. 건너기도 하였으며, 출근보다 비교적 먼 거리를 이동하였. 이 대여 이력을 평일 출근시간대, 평일 퇴근시간대, 주말. 다. 주말에는 레저를 목적으로 하는 통행이 발견되었다.. 로 구분하여 각각 공간적 네트워크 자기상관분석을 진행. 본 연구는 서울시 공공자전거인 따릉이의 효율적인 운 영을 위해 다음과 같이 제안한다. 첫째, 전역적인 관점에. 하였다. 연구결과, 서울시의 따릉이 이용은 여의도, 성수동, 마. 서 서울시 따릉이 이용의 공간적 패턴은 대표적인 몇 개의. 포구, 잠실·송파 등이 주를 이뤘고 이외에도 서울의 여러. 네트워크 클러스터로 요약될 수 있다. 신규 설비 확충 시. 지역에서 자전거 네트워크 클러스터가 존재했다. 하지만. 이를 고려해야 한다. 구체적으로 따릉이 이용이 집중되는. 한강을 건너는 통행이 거의 발생하지 않고, 출퇴근 인구가. 여의도, 성수동, 마포구 인근에 따릉이 대여소를 늘리는. - 103 -.

(12) 김희수⋅김영호. 것이 중요하다. 몇몇 대여소에 과도한 이용이 집중되기 때. 3) 거치율(%) = 현재 거치된 따릉이 대수 / 거치대의. 문에 특정 대여소는 거치량을 확대하는 것이 필요하다. 반. 개수 * 100. 대로 종로, 강남과 같이 따릉이 이용 클러스터가 관찰되지. 4) 티센 폴리곤은 2차원 평면 위에 위치한 각각의 점. 않은 지역에는 자전거도로 설치를 적극 검토해야 한다. 자. (Location)을 이용해 평면을 분할하는 방법으로,. 전거 전용도로 확대가 안전한 자전거 통행 환경 및 이용 증. 하나의 점에서 다른 모든 점들보다 가까운 지역을. 가에 기여한다.. 포함하는 폴리곤을 형성한다. 5) k-NN은 한 지점으로부터 가장 가까운 k개의 지점. 둘째, 국지적인 관점에서 따릉이의 이용은 시간대별로. 을 이웃으로 정의하는 방식이다.. 차이가 두드러지고, 통행 방향이 달라진다. 자전거 재배. 6) 1-3-2. “역세권”이란 보행접근이 가능하고 대중교. 치 과정은 이를 반영해야 한다. 여의도의 경우 출근시간대. 통 이용이 편리한 지하철, 국철 및 경전철 등의 모. 에 인근 지하철역인 노량진역, 대방역, 신길역 등에서 여. 든 개통된 역(사용승인시점에 개통 예정인 역을 포. 의도 내부로 따릉이의 이동이 집중된다. 그 결과 출근시간. 함한다)의 중심(각각의 승강장의 중심점)으로부터. 대인 07시부터 09시 사이 여의도 외부의 인근 지하철역에. 반경 500m 이내의 일단의 지역을 말한다. (역세권. 서는 자전거가 부족하고 여의도 내부에는 자전거가 넘치. 장기전세주택 건립 관련 지구단위계획 수립 및 운. 는 결과를 가져온다. 이 때 자전거를 인근 지하철역에 지. 영 기준). 속적으로 재배치하는 것이 출근시간대 이용자들의 원활 한 따릉이 이용에 기여할 수 있다. 반대로 퇴근시간대의 경우 출발지가 되는 여의도 내부의 따릉이가 부족해지기. 참고문헌. 때문에 외부의 도착지에서 여의도 내부로 다시 가져와야 한다. 자전거 재배치 노선을 개선하여 시간대별로 안정적. 강정희, 2018, “취업자의 출퇴근 이동생활 패턴에 관한 연. 인 자전거 재배치가 필요하다. 이를 통해 공공자전거 이용. 구,” 한남대학교 석사학위논문.. 의 효율성을 증대할 수 있다.. 고준호, 2016, “변화하는 시대에 따른 도시 교통정책의 새. 본 연구 역시 제한점을 가지고 있다. 공공자전거의 장점. 좌표 – 런던과 베를린의 사례를 통해 살펴보는 새로. 은 대중교통과의 연계성이 높다는 점이다. 하지만 본 연구. 운 도시 이동성”, 세계와 도시, 14, 120-127.. 는 지하철역 인근에 출발지와 도착지가 밀집해 있다는 것. 김동준･신희철･정성엽･문장원, 2011, “자전거 중심 녹색. 만 언급했을 뿐, 실제 지하철 혹은 버스 이용과의 직접적. 도시교통체계 구축방안에 관한 연구,” 교통연구, 18(2),. 인 연관성은 제시하지 못하고 있다. 따라서 향후 지하철의. 29-45.. 일별, 시간대별 승하차 패턴과 따릉이 이용 패턴의 연계를. 김민혁, 2018, “시계열 군집분석 기반 서울시 공공자전거. 통해 따릉이 이용 증대를 위한 공공자전거 인프라 확장 연. 수요예측,” 한양대학교 석사학위논문.. 구가 이루어질 수 있다. 자전거 재배치 노선의 최적화 연. 김상현･이한나, 2016, “성수동 지역의 젠트리피케이션 과. 구 역시 진행되어야 하며, 따릉이가 서울시 대중교통 네트. 정 및 특성 연구”, 문화콘텐츠연구, 7, 81-105.. 워크로 포함됨으로써 발생하는 긍정적인 효과에 관한 연. 김영호, 2010, “서울시 자전거 이용의 공간 네트워크 패턴. 구도 이루어져야 할 것이다.. 연구,” 국토지리학회지, 44(3), 339-352. 모창환, 2017, “국민의 교통기본권 강화,” 월간교통, 2017(5),. 31-33.. 註. 박성경, 2018, “주거･공업 혼재지역의 성격 변화에 따른 성수동 유동인구 특성 분석,” 서울대학교 석사학위. 1) 통행기준 교통수단분담률은 선택된 교통수단의 통. 논문.. 행 횟수와 전체 통행 횟수의 비율로 산출함 2) 국민들이 보편적 교통서비스를 제공받아 자유롭고. 변영우･정하린, 2016, “공간정보를 기반으로 한 공공자전. 안전하게 이동할 권리를 의미하며, 국민 누구든지. 거 대여소 적합성 분석”, 한국지형공간정보학회 학. 경제적, 지역적, 신체적, 사회적인 여건에 상관없. 술대회, 121-123.. 이 자유롭고 안전하게 이동할 권리(모창환, 2017). 사경은, 2019, “서울시 공공자전거 이용에 영향을 미치는. - 104 -.

(13) 네트워크 클러스터를 활용한 서울시 공공자전거의 시공간 통행 분석 및 시각화: 공간적 네트워크 자기상관을 활용하여. 물리적 환경 요인에 관한 연구,” 한양대학교 석사학. 한국지방행정연구원, 2009, “자전거제도 해외사례 조사. 위논문.. 및 정책방안 연구,” 한국지방행정연구원 정책연구 과제, 1-160.. 서울 열린데이터 광장, https://data.seoul.go.kr. 서울시 도시교통본부, 2018, “2018년 서울 공공자전거 추. 행정안전부, 2010, “전국자전거도로 기본계획 수립연구”.. 진 기본계획”.. 행정안전부, 2018, “2018년 기준 자전거 이용 현황”.. 서울시 도시교통실, 2018, “서울시 자전거도로 현황 통계”.. Berglund, S. and Karlström, A., 1999, Identifying local. 서울시설공단, 2019, “공공자전거 종합현황(2019.04)”.. spatial association in flow data, Journal of Geo-. 서울시, 2019년 7월 15일, “박원순 시장, ‘사람 중심 자전. graphical Systems, 1(3), 219-236.. 거 혁명’ 선언…사통팔달 ‘자전거하이웨이’ 구축”.. Black, W.R., 1992, Network autocorrelation in transport. 서울시, 2019년 11월 4일, “서울시, 따릉이 4년… 56% 출. network and flow systems, Geographical Analysis,. 퇴근시간대 집중, 70% 단거리 이동 이용”.. 24(3), 207-222.. 신희철･김동준･정성엽, 2010, “자전거 중심 녹색도시교통. Davison, A.C. and Hinkley, D.V., 1997, Bootstrap Methods. 체계 구축방안,” 한국교통연구원 기본연구보고서,. and Their Application, UK: Cambridge university. 1-230.. press.. 신희철･김동준･정성엽, 2012, “공공자전거 효과 분석 및. Efron, B. and Tibshirani, R.J., 1993, An introduction to. 발전 방안,” 한국교통연구원 기본연구보고서, 1-310.. the Bootstrap, Chapman and Hall/CRC.. 오마이뉴스, 2006년 08월 07일, “자전거 출퇴근, 낭만은. Faghih-Imani, A., Eluru, N., El-Geneidy, A.M., Rabbat,. 짧고 현실은 길다”.. M., and Haq, U., 2014, How land-use and urban. 오충원･임동욱･김현진･박준태, 2012, “Space Syntax를 이. form impact bicycle flows: evidence from the. 용한 한강이남 자전거도로망의 접근성 분석”, 한국. bicycle-sharing system (BIXI) in Montreal, Journal. 도로학회논문집, 14(3), 97-110.. of Transport Geography, 41, 306-314.. 윤영채･조병용, 2014, “대전광역시 공공자전거 ‘타슈’ 발. García-Palomares, J.C., Gutiérrez, J., and Latorre, M.,. 전 방안에 관한 연구”, 사회과학연구, 25(2), 591-608.. 2012, Optimizing the location of stations in. 이상일･조대헌･손학기･채미옥, 2010, “공간 클러스터의. bike-sharing programs: A GIS approach, Applied. 범역 설정을 위한 GIS-기반 방법론 연구: 수정. Geography, 35(1), 235-246.. AMOEBA 기법”, 대한지리학회지, 45(4), 502-520.. Getis, A. and Ord, J.K., 1992, The analysis of spatial. 이한울, 2016, “홍대 문화소비공간의 확장과 경계부 주거. association by use of distance statistics, Geo-. 지역의 변화특성,” 서울대학교 박사학위논문.. graphical Analysis, 24(3), 189-206.. 임영태･류재영･홍정열, 2007, “자전거 이용 활성화를 위. Getis, A. and Ord, J.K., 1996, Local spatial statistics: an. 한 제도개선 방안,” 환경논의 46, 179-210.. overview, in Longley, P.A. and Batty, M. eds.,. 장재민･이숭봉･이영인･이무영, 2018, “계절 및 회원 특성. Spatial Analysis: Modelling in a GIS Environment, John Wiley & Sons, 261-277.. 이 공공자전거 통행에 미치는 영향분석 : 서울시 따 릉이를 대상으로,” 한국도로학회논문집 20, 47-58.. Jäppinen, S., Toivonen, T., and Salonen, M., 2013,. 정범진, 2012, “자전거 출퇴근 이용자의 재미요인과 스트. Modelling the potential effect of shared bicycles. 레스 요인 분석”, 국민대학교 석사학위논문.. on public transport travel times in Greater Helsinki:. 지우석･윤정은, 2018, “자전거 고속도로, 미래도시를 위한. An open data approach, Applied Geography, 43,. 혁신,” 이슈&진단, 1-21.. 13-24.. 추상호･장유경･황기연, 2011, “통행사슬 유형에 따른 자. Kim, Y. and O’Kelly, M., 2008, A bootstrap based space. 전거 이용자 행태 분석” 교통연구, 18(4), 59-69.. –time surveillance model with an application to. 한국교통연구원, 2015, “2015년도 국가교통조사 및 DB구. crime occurrences, Journal of Geographical Systems,. 축사업: 교통수단 이용실태조사,” 1-254: 국토교통부.. 10(2), 141-165.. - 105 -.

(14) 김희수⋅김영호. and Practice, 107, 246-256.. Liu, J., Li, Q., Qu, M., Chen, W., Yang, J., Xiong, H., Zhong, H., and Fu, Y., 2015, Station Site Opti-. Zhou, X., 2015, Understanding spatiotemporal patterns. mization in Bike Sharing Systems, IEEE International. of biking behavior by analyzing massive bike. Conference on Data Mining.. sharing data in Chicago, PLoS, 10(10), 1-20.. Martens, K., 2004, The bicycle as a feedering mode: experiences from three European countries, Trans-. 교신: 김영호, 02841, 서울시 성북구 안암로 145, 고려대학교. portation Research Part D: Transport and Environ-. 사범대학 지리교육과(이메일: [email protected]). ment, 9(4), 281-294. Ord, J.K. and Getis, A., 1995, Local spatial autocorrelation statistics: distributional issues and an. Correspondence: Youngho Kim, 02841, 145 Anam-ro,. application, Geographical Analysis, 27(4), 286-306.. Seongbuk-gu, Seoul, Korea, Department of Geography. Westfall, P.H. and Young, S.S., 1989, P value adjustments. Education, College of Eduction (Email: younghokim@ korea.ac.kr). for multiple tests in multivariate binomial models, Journal of the American Statistical Association, 84(407), 780-786. Yang, X.H., Cheng, Z., Chen, G., Wang, L., Ruan, Z.Y.,. 투 고 일: 2020년 3월 28일. and Zheng, Y.J., 2018, The impact of a public. 심사완료일: 2020년 4월 14일. bicycle-sharing system on urban public transport. 투고확정일: 2020년 4월 15일. networks, Transportation Research Part A: Policy. - 106 -.

(15)