항공노선 분석 연구
백의영*․조재희**
Analysis of Airline Network using Incheon and Narita Passenger Flight Origin-Destination Data
Euiyoung Baik*․Jaehee Cho**
Abstract
This study is to explore the airline network patterns of Incheon and Narita International Airports using passenger flight departure and arrival data of the two airports. The so-called Origin-Destination data is collected from the airports' websites and some of the important data items are flight number, city of origin, destination city, departure/arrival time, number of flights, and delay time. A snowflake schema dimensional model is proposed and implemented. Tableau Public, a well-known visual analytic tool, is used to connect the dimensional model and played an important role in navigating the data space to find interesting and visual patterns among corresponding airports and airlines.
For the efficiency of analyzing this spacious data mart, data visualization method was used. Four types of visualization method proposed by Yau was used; visualizing patterns over time, visualizing proportions, visualizing relationships, and visualizing spatial relationships. The strength of connectivity of each flight segments is calculated to evaluate the degree of globalization of Seoul and Tokyo.
We anticipate that various patterns and new findings produced by the data mart would provide airline managers, airport authorities, and policy makers in the field of travel and transportation with insightful information.
Keywords：Airline Network, Flight Segments, Origin-Destination Data, Data Mart, Snowflake Schema Dimensional Model, Tableau Public
1)
논문접수일：2013년 02월 03일 논문게재확정일：2013년 03월 11일
※ 이 논문은 2012년도 광운대학교 교내학술연구비 지원에 의해 연구되었음.
* 광운대학교 경영정보학과 대학원 석사과정, e-mail : [email protected]
** 교신저자, 광운대학교 경영학부 교수, e-mail : [email protected]
1. 서 론
1.1 연구 배경
글로벌 시대에 세계인들은 비즈니스, 관광, 유 학, 친지방문 등 다양한 목적으로 국가를 넘나든다.
여러 교통수단이 존재하지만 항공은, 적어도 국가 간 이동에 관한 한, 가장 대중적이고 효율적인 이 동수단이다. 관광정보지식시스템[2012] 검색 결 과, 한국인 출국자의 92.4%가 항공을 이용하고, 나머지 7.6%만이 선박을 이용하며, 외국인 입국 자의 87.6%가 공항을 이용하고, 나머지 12.4%가 항만을 통해 입국한다. 한편 전년 대비 2012년의 항공 이용객은 내국인(8.4%)과 외국인(16.5%) 모 두 증가하였으나, 선박 이용객은 내국인의 경우 5.5% 증가, 외국인의 경우 2.7% 감소하였다.
이처럼 항공업은 국가 간 인적교류에 중요한 역할을 하므로, 항공네트워크 분석을 통해 도시 간의 연결 강도 및 상호작용을 이해하고, 각 국 가 또는 산하 도시들의 위상을 간접적으로 비교 평가해 보는 것은 가치 있는 일이다. 즉, 한국과 일본이 각각 주요 국가, 그리고 글로벌 50대 도 시와 형성해 놓은 관계 또는 친밀도를 항공네트 워크를 통한 인적자원 교류로 간접 측정하고, 지속적으로 모니터링하면 세계 속의 위상을 점 검해 볼 수 있다. 이러한 변화를 효과적으로 시 각화하고, 사용자가 요구하는 다양한 정보를 손 쉽게 검색 할 수 있는 항공네트워크 패턴분석용 데이터마트 개발을 제안해 본다.
1.2 연구 목적
기존의 항공네트워크 연구는 주요 공항 간 통계정보를 이용하여 분석되었기 때문에 거시 적이고 전반적인 비교 정보만 제공될 뿐 다각적 이고 심층적인 분석 정보를 제공할 수 없다. 따 라서 항공사나 공항 관계자가 요구하는 수준의
정보욕구를 충족시켜 줄 수 없다. 다시 말해서 전략적인 수준의 정보는 될 수 있지만, 하부 조 직구성원들이 원하는 관리 수준과 운영 수준의 상세 정보는 제공되지 못한다.
본 연구는 인천국제공항과 나리타국제공항의 여객기 출․도착 데이터를 수집하여 다차원 데 이터마트를 만들고, 이를 통해 전 세계 취항도 시와 두 국제공항 간의 연결강도를 비교하고, 항공여객의 변화추이와 세계화 정도를 분석하 고자 한다. 항공네트워크 분석용 데이터마트가 구축되면 다각적이고 심층적인 분석은 물론 데 이터 시각화를 통해 더 많은 패턴을 효과적으로 발견할 수 있으며, 이해관계자들이 항공여객시 장의 변화를 신속히 인식하고, 사실에 근거한 의사결정을 내릴 수 있게 된다.
2. 문헌 연구
2.1 항공네트워크와 세계도시에 관한 연구
항공네트워크 분석을 통해 세계화 정도와 세계 도시 체계 등을 연구하는 사례가 증가하고 있다. 항 공수단은 인적자원은 물론 상품 견본, 문서정보 등이 국경을 넘어 이동할 때 가장 효율적이며, 가 장 많이 이용하는 이동 수단이다. 따라서 국가 또 는 도시 간 항공네트워크를 비교 분석하면 각 도 시의 세계화 정도와 상호 연결강도(친밀도)를 가 늠할 수 있다.
세계화는 ‘국가 간의 경계를 넘어 사람, 물자, 정보의 교류가 활발해지면서 국제경쟁이 치열해 지는 동시에 국제협력과 분업이 정착하는 과정’이 라고 정의한다[조명래, 1995]. 이호상[2003]은 세 계화를 국제화가 더욱 진전된 복합적인 형태이며, 특정 공간의 주체성이 약화되면서 지리적으로 분 산된 다양한 활동들이 국적을 초월하여 기능적, 경제적으로 통합되는 과정이라고 설명한다.
한편 세계도시는 초국적기업의 본사와 국제금 융 및 생산자 서비스가 집중되어 입지하고 있는 곳이고, 세계경제의 의사결정지이며 세계자본이 집중되고 축적되는 장소이다[김광익, 유환종, 2006].
세계도시 개념은 1980년대 중반부터 활발하게 논 의되었는데, 주로 국제항공운항 데이터를 이용하 여 세계도시시스템을 연구하였다. Keeling[1995]
은 인구 100만 명 이상인 266개 도시들 간의 직항 노선 수를 분석하여 세계도시들의 연결관계와 상 호작용을 고찰하였다.
이호상[2010]은 전 세계 국제 항공네트워크에 서 각 도시의 대륙별․지역별 유동패턴을 분석 하여, 국제항공교통의 중심지로 분류되는 도시들 의 기능적 특징과 그 차이를 규명하였다. 최재헌, 강승호[2011]은 국제항공운송자료를 여객운송과 화물운송으로 나누어 인자분석과 사회연결망 분 석기법을 통해 세계도시체계의 네트워크 구조와 상호연계성을 규명하였다.
조재희, 이덕규[2011]의 연구는 항공관련 통계 데이터가 아닌 공항의 실제 출․도착 데이터를 이 용한 점이 특이하다. 즉, 인천공항의 출․도착 데 이터를 다차원 모델로 설계한 후, 소위 정시운항 분석용 데이터마트를 구축했고, 이를 통해 인천공 항에 입․출항하는 항공편의 정시성을 다각적으 로 분석할 수 있다. 특기할 사항은 취항도시의 경․위도 좌표를 추가로 수집하고, Tableau라는 데이터시각화 툴을 사용함으로써 모든 항공네트 워크 정보를 온라인 세계지도 상에 구현할 수 있 도록 하였다.
2.2 다차원 모델과 데이터 시각화 연구
다차원 모델은 비즈니스 정보에 대한 논리적 모델로써 사용자의 분석목적에 맞도록 사용자 의 관점에서 비즈니스를 표현하는 가장 자연스 러운 형태이다[조재희, 박성진, 1999]. 다차원 모
델을 구성하는 가장 기본적인 요소는 차원이며, 차원은 차원항목을 갖는다. 차원항목은 항목들 의 특성을 기술하는 애트리뷰트를 가질 수 있으 며, 비즈니스 룰을 반영한 관계식이 설정된다.
List 외 3인[2002]에 의하면 다차원 모델 개발 방법은 데이터 중심적, 목적 중심적, 사용자 중심 적의 세 가지 방법이 있다. 첫째, 데이터 중심적 방법은 소스데이터를 분석하여 논리적인 데이터 스키마를 설계하는 것인데, 이 방법은 데이터의 패턴을 탐색하거나 데이터 마이닝을 할 때 주요 사용한다. 둘째, 사용자 중심적 방법은 파일럿 시 스템을 개발하고 이에 대한 사용자의 요구사항을 수집, 분류하여 프로토타입을 완성시키는 방법이다.
마지막으로 목적 중심적 방법은 기업 전략과 비즈 니스 목적에 맞추어 데이터마트를 구현하는 것이다.
시각적 분석의 목적은 대량 데이터, 추상적인 데이터를 그래프 형식으로 표현하여 간결하게 설 명할 수 있도록 하는 것이다. 특히 많은 양의 정보 를 작은 공간에 표현해야 하는 경우, 시각적 분석 은 더욱 중요해진다. 이처럼 시각적 분석을 사용 하면 데이터를 더 잘 인식 할 수 있고, 복잡한 데이 터에 내재되어 있는 중요하거나 특이한 패턴을 쉽 게 발견할 수 있게 된다.
Tegarden[1999]에 의하면 비즈니스 데이터는 다른 유형의 데이터와 비교하여 추상적, 이산적, 다차원적이기 때문에 상대적으로 시각화가 어려 우며, 데이터 시각화 설계자는 시각화의 기초가 되는 원시 데이터의 속성을 이해해야 하고, 시각 적 표현 형식은 관련 업무에 따라 결정되므로 설 계자는 의사결정자의 업무를 주의 깊게 분석할 필 요가 있으며, 적절한 시각화 구성요소를 사용해야 한다.
한편 기업의 정보 시각화는 스프레드시트 툴이 제공하는 비즈니스 차트 수준에서 벗어나, 비즈니 스 인텔리전스 벤더들이 제공하는 소위 다차원 분 석 툴에 의해 제공된다[Tanlamai and Tangsiri,
종류 정의 목적 사용 차트 시간 특정 시간구간 안에 발생한 일련의 사건
을 시각화
데이터를 일반적인 관점에서 보고 그 경향을 빠르게 파악
추세선(막대, 꺽은선 차트)
분포 전체에서 각 부분의 분포정도를 시각화 전체의 관점에서 각 부분 간의 관계를 표시 파이차트, 트리맵 관계 각기 다른 변수 간의 관계를 시각화 데이터 간의 관계와 상호작용을 파악 스캐터플롯, 버블차트
비교
갖고 있는 데이터가 복수의 변수로 구성 되어 있을 경우, 모든 변수에서의 차이를 시각화
전체에서 다양한 기준으로 집단을 구분해서 찾아내고, 일반 상식에 의거해 아웃라이어를 파악
히트맵, 스타차트, 박 스플롯
공간 인터액티브 월드맵을 이용한 시각화
지도는 지리학 차원을 추가로 생각해야 하지 만, 직관적이기 때문에 심도 깊은 탐색이 필 요할 때 적절
월드맵차트
<표 1> 시각화의 종류
주제 공간이동
행태분석
지하철 인구이동 패턴분석
농산물 주문 지리적 패턴 분석
한일 국제선 여객기 출․도착 지연율분석
발표연도 2007년 2007년 2009년 2010년
공간 서울대공원 수도권 국내 전국 세계 도시
이동객체 관람객 지하철 승객 택배상품 여객기
소스데이터 수집 방법 GPS 이용 교통패스카드 농산물 직거래장터 공항 출․도착정보
데이터 규모 6,000 건 1,100,000건 11,000건 6,000건
Origin 입구 승차역(338개) 농가(400개) 출발도시(145개)
Destination 출구 하차역(333개) 주문고객(6000가구) 도착도시(145개)
<표 2> 시공간데이터 분석 사례연구
2010].
야우[2012]는 시각화를 시간, 분포, 관계, 비교, 그리고 공간 등 5가지로 분류하였는데, 각각의 목 적과 정의, 그리고 대표적인 차트를 정리하면 <표 1>과 같다. 공간 데이터는 경도좌표, 위도좌표, 고 도와 같이 위치정보를 말하며, 시공간 데이터는 GPS 정보와 같이 시간의 변화에 따라 위치가 변 화하는 이동객체가 발생시키는 정보이다. 경영 구 성요소 중에서 이동객체로 분류할 수 있는 것들은 사람(우체부, 경비원, 고객 등), 차량(택시, 버스, KTX 등), 상품(택배물, 우편물) 등이 있는데, 정 보기기가 발달함에 따라 시공간 데이터 수집이 용 이해지고, 시공간 데이터 분석이 제공하는 흥미로 운 효과(동선파악, 실시간 위치추적 등) 때문에 점 차 그 적용 영역이 확산되고 있다.
데이터 규모가 커지고, 소프트웨어 기술이 발달
하면서 데이터 시각화 기능이 눈부시게 발달하고 있다. 불과 수년 전만해도 경도, 위도, 고도와 같은 공간정보를 컴퓨터 화면에 구현하려면 고가의 GIS 소프트웨어에 의존했는데, 이제는 저렴한 비 용으로, 의사소통이나 의사결정지원에 손색이 없 는 수준의, 공간 및 시공간 데이터 시각화가 가능 하다.
<표 2>는 본 연구자가 2007년부터 2010년 까지 수행한 공간/시공간 데이터분석 사례연구 모음이다.
각 연구별 주제, 이동객체, 이동객체의 활동 공간, 소스데이터 수집 방법 및 규모 등을 비교하면 각 연구의 영역과 목적을 이해할 수 있을 것이다. 예를 들어, 첫 번째 사례연구는 서울대공원 관람객의 이동행태를 분석하기 위하여 GPS 기기를 이용하 여 데이터를 수집하여 분석하였다. 시간 변화에 따른 개별 관람객의 공원 내 위치변화를 매우 상세
인천공항 필드명 설명 나리타공항 필드명 설명
예정시각 출발 예정시각 Planned 출발 예정시각
변경시각 실제 출발시각 Expected 실제 출발시각
항공사 항공사명 Airline 항공사명
운항편명 항공사코드 Flight 항공사코드
날짜 출발 날짜 Code Share 중복출발
공항명 출발 공항명 Via 경유지
목적지/출발지 목적지/출발지 From 목적지/출발지
탑승구
지상교통수단 환승, 항공보안검사 및 수하물 수령, CIQ(세관,
출입국관리, 검역)
Terminal
지상교통수단 환승, 항공보안검사 및 수하물 수령, CIQ(세관,
출입국관리, 검역)
출구 출입구 Gate 출입구
현황 출․도착 알림 Status 출․도착 알림
체크인카운터/
수하물수취대 티켓구입 및 탑승수속, 수하물보관 Tracking 화물운송 등 부대서비스 제공 SMS 신청 신청 운항편의 1시간 이상 지연,
결항 여부를 문자로 안내
Flight Time 비행시간
Local Information 현지 날씨정보 등
<표 3> 인천/나리타 국제공항의 여객기 출․도착데이터
원시데이터 수집 및 요구사항 분석
데이터 전처리 및 차원, 차원상하구조 생성
시각화 분석용 다차원 모델 구축
시각화 분석 및 해석
항공관계자 피드백
<그림 1> 데이터마트 개발 프로세스
하게 지도 상에 디스플레이 할 수 있었다. 서울대공 원 관계자는 분석된 패턴정보를 검토한 후, (1) 병목 구간 발견과 그 해결 방안을 찾거나, (2) 개별 관람객의 이동속도를 비교하여 관심 동물과 무관심 동물을 파악하는데 유용하다는 긍정적인 의견을 주었다.
3. 항공네트워크 분석용 데이터마트 설계
연구의 진행과정을 정리하면 <그림 1>과 같다.
3.1 원시데이터 수집 및 요구사항 분석
한일 간의 항공노선 패턴 비교라는 연구목적 을 달성하기 위해 인천공항과 나리타공항의 웹 사이트에서 국제선 여객기의 출․도착 데이터 를 수집하였다. 화물기 출․도착 데이터도 제공 되지만, 일단 인적자원의 도시 및 국가 간 이동 으로 연구범위를 축소하였다. 데이터 수집기간 은 2009년 일주일(9월 23일～29일)과 2012년 일 주일(5월 27일～6월 2일)이다. 전자는 이전 연 구를 위해 수집해 놓은 데이터였고, 년도 변화
에 따른 추이를 비교분석하기 위하여 2012년에 한 차례 더 두 공항에 대해 데이터를 수집하였다.
일주일간의 데이터를 수집한 이유는 항공 스 케줄이 일주일 단위로 반복되기 때문이다. 물론 더 장기간의 데이터를 수집하는 것이 좋겠지만, 데이터 수집 및 전처리에 들어가는 시간과 노력 을 감안하여 일주일로 결정하였다. 수집된 원시 데이터의 기본정보는 <표 3>과 같다.
이상과 같이 수집된 데이터 외에 추가로 필 요한 필드가 무엇인지 분석해 보았다. 과연 공 항이나 항공사 관계자가 어떤 정보를 원하는지, 혹은 항공네트워크에 관해 일반인이 궁금해 하 는 정보나 패턴이 무엇인지 자문해 보고, 이어 서 세계 항공운항데이터 제공업체가 운영하는 사이트[IATA, 2012; OAG, 2012]의 공유정보를 검토하는 과정을 통해 소위 항공노선 분석을 위 한 데이터마트가 구비해야 할 차원, 차원항목, 분석지표 등을 구상해 보았다.
3.2 데이터 전처리 및 차원, 차원상하구조 생성
3.2.1 필드 삭제, 데이터항목 값 통일
두 공항의 출․도착 데이터를 통합해서 데이 터마트를 만들어야 하므로 공통이 아닌 필드들 (체크인 카운터, SMS 신청 등)과 연구목적에 맞지 않는 필드들(출구, 탑승구, Local Information) 은 삭제하였다.
두 공항 데이터를 통합하는데 또 다른 걸림 돌은 데이터값이 표기된 언어 문제였다. 나리타 공항은 영문으로 표기되어 있었으나, 인천공항 은 한글로 표기된 부분이 있었고, 두 공항 사이 에 영문 표기법이 다른 데이터값이 있었다. 따 라서 이러한 상이한 데이터값을 통합하는 전처 리 작업이 선행되었다. 같은 회사 내에서도 동 일한 아이템에 대한 데이터값이 다른 경우가 빈 번이 발생하며, 데이터웨어하우스 구축 시 쉽게 목격할 수 있다.
3.2.2 코드쉐어 항공편 및 경유 항공편 처리 가장 고민이 컸던 문제 상황은 코드쉐어 항 공편 처리와 경유 항공편 처리에 관한 것이었 다. 항공사들은 항공연합체를 결성하고, 비용절 약을 위해 코드쉐어라는 제도를 도입하고 있다.
항공스케줄을 보면 서너 개의 항공편이 동일한
출발시간과 동일한 목적지를 표시하고 있는데, 이것이 코드쉐어 항공편이며, 이 중 실제로 운 항하는 항공편은 1개이다. 두 공항에서 수집된 소스 데이터 안에 있는 운항편수보다 적은 수의 항공편이 실제로 운항한 레코드이므로, 이것을 남기고 나머지 코드쉐어 항공편은 삭제하였다.
경유지가 있는 항공편의 경우 경유지는 고려 하지 않고 최종 목적지만을 사용하였다. 다행히 최근에는 허브공항 개념이 정착되어 경유지가 있는 항공편의 비중이 작아졌고, 이를 무시 하 더라도 전체 항공네트워크 패턴분석에 큰 영향 을 끼치지 않을 것이란 판단을 내렸다.
3.2.3 취항도시와 항공사 상하구조 추가하기 취항도시는 항공사와 더불어 상당히 많은 항 목 개수를 가지고 있기 때문에 상하구조 개념을 도입하여 체계화함으로써 분석의 효율성을 제 고하였다. 즉, 각 취항도시는 국가(Country)와 대륙(Continent), 더 나아가 지역(Area)과 반구 (Hemisphere)에 속해 있다는 사실을 반영하여 상하구조를 정하였다. 이렇게 상하구조 정보를 입력해 놓으면 데이터마트를 네비게이션 할 때 드릴다운 기능을 구현할 수 있어서 편리하고, 부분합 등과 같은 집계정보가 자동적으로 제공 되어 분석된 정보를 이해하는데 도움이 된다.
<표 4>는 구축된 데이터마트에 내장시킨 두 공항의 취항도시와 그 상하구조이다. 전체 취항 도시는 160개가 넘기 때문에 일일이 여기에 나 열하지 않고, 취항국가를 중심으로 정리하였다.
이어서 인천공항과 나리타공항에 취항하고 있 는 항공사의 국적을 인터넷 등에서 찾아서 추가하 였다. 데이터마트에 저장되어 있는 항공사와 그 국적을 정리하면 <표 5>와 같다.
3.2.4 공항의 지구좌표 구하기
본 연구의 도메인이 항공업이므로 어떤 정보
반구 지역 대륙 인천공항 취항국가 (45개국 145개 도시)
나리타공항 취항국가 (42개국 102개 도시)
WH AREA 1
NORTH
AMERICA CANADA(2), USA(13) CANADA(3), USA(17) CENTRAL
AMERICA MEXICO
SOUTH
AMERICA BRAZIL BRAZIL
EH
AREA 2
AFRICA EGYPT EGYPT
EUROPE
CROATIA, CZECH, FINLAND, FRANCE, GERMANY(2), HOLLAND, ITALY, RUSSIA(7), SPAIN, SWISS, TURKEY, UK
AUSTRIA, DENMARK, FINLAND, FRANCE, GERMANY(2), GREECE, HOLLAND, ITALY(2), RUSSIA(4), SWISS, TURKEY, UK
MIDDLE EAST
AFGHANISTAN, IRAN, ISRAEL, KAZAKHSTAN, KYRGYZSTAN, QATAR, UAE(2), UZBEKISTAN
IRAN, QATAR, UAE(2), UZBEKISTAN
SOUTH
ASIA INDIA(2), NEPAL INDIA(2), PAKISTAN(2), SRI LANKA
AREA 3
CHINA CHINA(37) CHINA(20)
NE ASIA JAPAN(27), KOREA(4), MONGOLIA JAPAN(3), KOREA(3), MONGOLIA
SE ASIA
CAMBODIA(2), INDONESIA(2), LAOS, MALAYSIA(2), PHILIPPINES(4), SINGAPORE, TAIWAN(2), THAILAND(3), VIETNAM(3)
INDONESIA(2), MALAYSIA, PHILIPPINES(2), SINGAPORE, TAIWAN(2), THAILAND, VIETNAM(2)
OCEANIA
AUSTRALIA(3), FIJI, GUAM, NEW CALEDONIA, NEW ZEALAND, PALAU
AUSTRALIA(6), GUAM,
NEW CALEDONIA, NEW ZEALAND, PALAU, PAPUANEWGUINEA, TAHITI
* 괄호안 숫자는 취항국가의 취항도시 수이며, 취항도시 수가 1인 경우는 기재하지 않았음.
* 굵은 폰트는 두 공항이 공통적으로 취항하는 국가를 표시.
* 2012년 현재 취항이 중단된 도시도 포함.
<표 4> 두 공항의 취항국가와 그 상하구조
이건 세계지도 위에 디스플레이하기 적합하다.
지도 위에 정보를 나타내려면 각 노드(취항도 시)의 위도정보와 경도정보가 필요하다. 다행히 항공산업은 지구좌표(위도, 경도, 고도)를 활발 하게 이용하고 있다. 항공기가 운항을 하기 위 해서는 이 세 가지 지리정보가 필수적이기 때문 이다. 세계공항의 지구좌표값은 공시된 자료이 므로 인터넷에서 다운로드하여 2차 데이터로
활용할 수 있었다. 이 파일과 메인 테이블을 조 인하여 인천과 나리타에서 취항하는 공항들의 경․위도 좌표값을 채워 넣었다.
한편 취항도시의 상위노드(국가, 대륙 등)를 세계지도 위에 디스플레이할 필요가 있는데, Tableau 소프트웨어에서 국가 및 대륙 필드의 속성을 지리정보(geographic role)로 변경 설정 하면 해당 노드의 중심좌표를 자동 계산하여 지도
항공사 국적 인천공항 취항 항공사 (33개국 65개 항공사)
나리타공항 취항 항공사 (41개국 66개 항공사)
AUSTRALIA JETSTAR, QANTAS
AUSTRIA AUSTRIAN
CALEDONIA AIRCALIN AIRCALIN
CANADA AIR CANADA AIR CANADA
CHINA
AIR CHINA, AIR MACAO, CHINA EASTERN, CHINA SOUTHERN, SHENZEN AIR, CHINA XIAMEN, SHANDONG AIR, SHANGHAI AIR, SICHUAN AIR
AIR CHINA, AIR MACAO, CHINA EASTERN, CHINA SOUTHERN, SHENZEN AIR, HONG KONG COMBODIA SKYWINGS AIR
EGYPT EGYPTAIR
FINLAND FINNAIR FINNAIR
FRANCE AIR FRANCE AIR FRANCE
GERMANY LUFTHANSA LUFTHANSA
HOLLAND KLM KLM
INDIA AIR INDIA, JETAIRWAYS
INDONESIA GARUDA GARUDA
IRAN IRAN AIR IRAN AIR
ITALY ALITALIA ALITALIA
JAPAN ANA, JAL, FLYPEACH, STARFLYER ANA, JAL, AIR JAPAN, JALWAYS KAZAKHSTAN AIR ASTANA
KOREA ASIANA, EASTARJET, KAL, JEJU AIR, JIN
AIR,T'WAY ASIANA, EASTARJET, KAL, AIR BUSAN KYRGYZSTAN AIR BISHKEK
MACAO AIR MACAO VIVA MACAO
MALAYSIA MALAYSIAN, AIR ASIA X MALAYSIAN
MEXICO AEROMEXICO AEROMEXICO
MONGOLIA MIAT MIAT
NEW CALEDONIA AIR CALEDONIE AIR CALEDONIE
NEW ZEALAND NZ AIR
PAKISTAN P.I.A P.I.A
PAPUA NEW
GUINEA AIR NIUGINI
PHILIPPINES PHILIPPINE AIR, CEBU PACIFIC, ZEST AIR PHILIPPINE AIR
QATAR QATAR AIRWAYS QATAR AIRWAYS
RUSSIA AEROFLOT, VLAD.AIR, SAT AIR, YAKUTIA AIR AEROFLOT, VLAD.AIR, SIBERIAN AIRLINES
SINGAPORE SINGAPORE AIR SINGAPORE AIR
SOUTH AFRICA SOUTH AFRICAN AIR
SRI LANKA SRILANKAN AIR
SWEDEN SAS
SWISS SWISS AIR
TAHITI AIR TAHITI NUI
TAIWAN CHINA AIRLINES, EVA AIR, MANDARIN AIR CHINA AIRLINES, EVA AIR THAILAND THAI AIR, BUSINESS AIR THAI AIR
TURKEY TURKISH AIR TURKISH AIR
UAE EMIRATES AIR, ETIHAD EMIRATES AIR, ETIHAD
UK BRITISH AIR, CATHAY PACIFIC, GB AIRWAYS BRITISH AIR, CATHAY PACIFIC, VIRGIN USA AA, DELTA, NORTHWEST, UNITED, HAWAIIAN
AIR
AA, DELTA, NORTHWEST, UNITED, CONTINENTAL, MICRONESIA, OMNI AIR
UZBEKISTAN UZBEKISTAN AIR UZBEKISTAN AIR
VIETNAM VIETNAM AIR VIETNAM AIR
* 굵은 폰트는 두 공항에 공통적으로 취항하는 항공사를 표시.
* 2012년 6월 현재 취항이 중단된 항공사도 포함되어 있음.
<표 5> 취항 항공사와 그 상하구조
위에 디스플레이해 준다.
3.2.5 OD 시각화 분석을 위한 전처리
출발지(Origin)와 도착지(Destination)를 월드 맵 위에서 선으로 연결하면 직관적으로 패턴을 이해하기 쉬워진다. 특히 두 공항에서 각 취항 도시를 향해 방사형으로 뻗어 나가는 선들과 운 항비중에 따라 그 연결선의 굵기를 변화시키고, 연결선 위에 또 다른 지표값을 추가로 보여 준 다면 그 한 장의 공간시각화 정보가 전달하는 정보량은 상당히 크다. 동일한 정보량을 테이블 형태나 다른 종류의 비즈니스 차트로 전달하기 는 불가능하다. 이렇게 효과적인 공간시각화를 구현하기 위하여 1차로 구축된 파일럿 데이터 마트를 대폭적으로 수정하였다.
즉, 전체 데이터셋을 복사하여 레코드 수를 두 배로 늘리고, 필드 한 개를 추가하여 상단 절반에는 O(출발점 표시)값을 채워 넣고, 하단 절반은 D(도착점 표시)값을 채워 넣는다. 이어 서 동일한 레코드에 기재되어 있는 출발도시 필 드와 도착도시 필드를 대상으로 삭제 작업이 수 행되어야 한다. 즉, 상단 절반으로부터 도착도 시를 삭제하고, 하단 절반으로부터 출발도시를 삭제한다. 마지막으로 분석지표 값들을 2로 나 눔으로써 OD 시각화 분석을 구현할 수 있는 데 이터마트가 준비되었다.
3.2.6 분석지표 및 파생지표 추가
유일한 분석지표는 운항편수인데, 이것으로 파 생시킬 수 있는 지표는 운항비중이다. 그리고 출 발예정시각과 실제출발시각을 이용하여 지연시 간을 계산하였고, 두 노드의 경위도 좌표가 있으 면 지리학 공식에 의해 두 지점의 거리를 구할 수 있는데, 이 방법을 이용하여 모든 항공노선의 거 리를 계산하여 데이터마트에 조인시켰다. 한편 비 행거리 보다는 비행시간이 항공노선 분석에 있어
서 더 의미가 있겠으나, 나리타공항은 제공하는 데, 인천공항은 제공하지 않아 사용을 포기하였다.
후속 연구에서는 나리타공항의 비행시간 정보를 이용하여 인천공항의 비행시간을 간접 계산하여 포함시킬 계획이다.
3.2.7 세계 50대 도시와 운항순위 30대 도시 차원 추가
서울과 도쿄라는 두 도시의 세계화 정도를 가 늠하는 척도로써 두 도시와 세계도시와의 친밀도 또는 연결강도를 평가해 보려고 한다. 세계도시 순위 상위에 위치한 도시들에 운항하는 빈도를 계산하여 분석지표로 이용한다. 2009년과 2012년 사이에 그 갭이 좁혀지는 현상은 없는지 알아보 는 것도 흥미로운 탐색이 될 것 같다.
한편 두 공항이 취항하는 도시 중 가장 운항편 수가 많은 상위 30개 도시를 검색하여 그 순위 필 드를 추가하였다. 과연 이 30개 도시 중에 세계 50대 도시에 드는 곳은 얼마나 되는지 평가해 보 면 두 국가의 항공노선 패턴을 이해하는데 도움이 된다. 세계 50대 도시는 ‘2008년도 세계도시 순위 표’를 사용하였다[Grubesic and Matisziw, 2012].
3.3 시각화 분석용 다차원 모델 구축
여러 가지 분석 목적과 다양한 요구사항이 열거 되었는데, 이러한 정보욕구를 충족시켜 줄 수 있는 데이터마트를 구축하기 위해 고심하였 고, <그림 2>와 같은 다차원 모델을 최종적으 로 도출하였다. 이 다차원 모델은 1개의 사실 테이블(Fact_Flights)과 4개의 차원 테이블과 1 개의 하위 테이블을 갖는 스노우플레이크 스키 마이다. 이해를 돕기 위해 몇 가지 대표적인 차 원 테이블과 분석지표를 소개하면 다음과 같다.
Airport 차원은 ICN과 NRT라는 필드값을 가 지고 있는데, 각각 인천공항과 나리타공항을 표
시한다. 두 공항을 비교하는 정보를 만들 때 유 용한 차원이다. LOCATION 차원은 두 공항에 서 취항하는 도시를 내포하고 있으며, 앞서 설 명했듯이 국가, 대륙, 지역, 반구와 같은 상위구 조를 가지고 있다. 이 차원은 다시 좌표계 차원 테이블(Coordinates)을 가지고 있는데, 이 차원 안에는 취항 도시들의 경도 좌표값과 위도 좌표 값을 가지고 있다. Flights 차원 테이블에는 두 공항에 취항하는 항공사들이 포함되어 있는데, 각 항공사가 어느 국가 소속인지 기록되어 있다.
한편 Time 차원 테이블은 비즈니스 데이터 분 석에 있어서 필수적이다. 추이 분석과 시간의 시각화 등 매우 큰 역할을 하는 분석요소이다.
두 공항의 수준이나 실적을 비교 평가할 분석지 표는 운항편수(No_of_Flights), 운항 비중(Flight _Ratio), 운항거리(Distance), 출․도착 지연시간 (Delay_Time), 세계 50대 도시 순위(GlobalTop50_
Rank), 운항순위 30대 도시 순위(LocalTop30_Rank) 이다.
<그림 2> 항공네트워크 분석용 다차원 모델
이 다차원 모델을 이용하면 한국과 일본의 항공 노선을 시간, 요일, 년도, 항공사, 취항도시, 출․
도착, 세계 50대 도시 등 다양한 관점으로 각종 분석지표(운항편수, 운항비중, 항공거리, 지연시 각 등)를 출력시킬 수 있으며, Tableau와 같이 온
라인 월드맵을 탑재한 BI 툴과 연결된다면 월드맵 공간에서의 시각화를 구현할 수 있다.
이상과 같은 다차원 모델은 논리모델이고, 이 것이 실제로 Tableau와 같은 분석 툴 환경에서 는 어떻게 나타나는지 예시하면 <그림 3>과 같다.
그림 왼편에는 2개의 창이 있는데, 위쪽의 Data 창은 연결된 다차원 모델을 표시해 주며, 그 아 래 Dimension 창은 <그림 2>의 차원 테이블들 이 열거된다. 특히 주목할 것은 차원항목이 많 은 차원들(항공사와 취항지)은 검색의 효율성을 높이기 위해 상하구조를 추가하였는데, 그 상하 구조가 이 창에 반영되어 나타난다.
오른편의 Measures 창에는 분석지표들이 나타 난다. 각 차원명과 분석지표명 앞에 Abc, #, 시간 아이콘, 지구위 아이콘이 있는데, 이것은 각각 문 자값, 숫자값, 시간정보, 지리정보를 의미한다.
<그림 3> Tableau에 연결된 다차원 모델의 구조
4. 분석 및 해석
구축된 데이터마트를 분석하기 위하여 다차원
분석 기능과 데이터시각화 기능이 우수한 Tableau 소프트웨어사의 Tableau Public 7.0을 사용하였다.
먼저 두 국제공항의 기본 운항정보를 비교한 후, 이어서 상세한 운항패턴을 비교 분석한다. 기본 운항정보는 네 가지 관점(취항도시, 취항항공사, 항공노선, 요일 및 시간대)으로 정리해 보았다.
4.1 기본 운항정보
4.1.1 취항도시 비교분석
인천공항과 나리타공항의 취항도시 수는 2012 년 6월 현재 각각 138개와 94개로 나리타공항이 적지만, 취항국가 수는 각각 42개국과 40개국으 로 거의 대동소이하다. 한국의 경우, 일본 보다 동 일 국가의 여러 도시를 취항하는 경향이 크다. 예 를 들어, 대 중국 노선의 경우, 인천공항(37개)이 나리타공항(20개)보다 17개 더 많은 중국 도시를 취항하고 있다. 한편 취항도시의 질적인 측면에 서 볼 때, 취항하는 도시 중 글로벌 50대 도시의 비중은 나리타공항이 64.6%로 인천공항의 46.4%
보다 높다.
<그림 4>는 세계 3대 지역별 운항비중을 검 색한 내용인데, 인천공항(한국)은 나리타공항 (일본)보다 미주 지역(Area 1)과 유럽/아프리카 지역(Area 2)으로 운항비중이 낮으며, 반대로 아시아/오세아니아 지역(Area 3)에서는 높다.
<그림 4> 세계지역별 운항 비중
세계지역에서 한 단계 더 드릴다운하면 <그
림 5>와 같이 대륙별 운항비중을 출력할 수 있다.
한국과 일본이 속해 있는 동북아시아 대륙(NE ASIA)을 제외하고 비교할 때, 인천공항과 왕래 가 많은 대륙은 중국, 동남아시아, 북미, 유럽 순으로 나리타공항과 순위는 같지만, 그 비중은 차이가 난다. 즉, 3위 북미와 4위 유럽의 비중이 한국은 각각 4.6%와 3.4%에 불과하나, 일본의 경우는 각각 11.1%와 5.8%를 차지하고 있다.
특히 일본은 세 대륙(중국, 동남아시아, 북미)의 운항비중이 고르게 11%대를 유지하고 있다는 점을 주목할 필요가 있다.
<그림 5> 대륙별 운항 비중
4.1.2 취항항공사 비교분석
2012년 6월 현재 인천공항과 나리타공항에 취항하는 항공사는 각각 30개국 59개 항공사와 38개국 56개 항공사이다. 이를 더 자세히 들여 다보면 인천공항은 자국 국적기 비중이 30.9%
인데 반해, 나리타공항의 자국기 비중은 17%에 지나지 않는다. 자국을 제외하고 비중이 큰 항 공사 국적은 인천공항의 경우 중국(8.2%), 미국, 일본 순이나, 나리타공항은 미국(11%), 중국, 한 국 순이다. 취항 항공사의 국적 분포를 비교해 보아도 도쿄가 서울보다 더 국제화된 도시로 보 인다.
<그림 7> 연도-요일별 출․도착 패턴
<그림 6> Tableau 소프트웨어의 다차원 분석 환경
4.1.3 항공노선 비교분석
다음으로 항공노선과 운항편수를 살펴보면, 역 시 취항도시가 많은 인천공항의 노선 수가 나리 타공항보다 92개 많으며, 운항편수도 비례적으로 많다. 노선 당 평균 운항편수는 두 공항 공히 15.2 편이다. 그런데, 인천공항의 경우, 운항편수가 2009년과 2012년 3년간 29.2% 증가한 반면, 나리 타공항은 같은 기간 동안 4.1% 감소하였다. 하네 다공항이 국제선 서비스를 매주 738편 제공하여 도쿄 지역 국제선을 21% 분담해 준다는 사실이 감소원인 중 하나로 추측된다. 참고로 김포공항 의 국제선 분담율은 9%이다.
4.1.4 출․도착 요일 및 시간대 비교분석 인천공항의 경우, 출․도착이 가장 많은 요일 은 월요일, 일요일, 금요일 순이고, 나리타공항 은 일요일, 월요일, 토요일 순이다. 출발 시간대 의 경우, 나리타공항은 아침, 저녁에 출발편수 가 많고, 낮에 도착편수가 많아, 의도적으로 로
드를 분산시킨 것 같은데, 공항운영 효율성을 위해서는 필요하겠지만, 시차가 다른 국가로부 터 입항하는 항공편을 어떻게 조율할 수 있는지 궁금하다.
인천공항의 특이한 패턴 중 한 가지는 새벽 6 시에 출발하는 편수가 매주 150편 발생하는데, 이는 오후 4시대, 오후 5시대, 그리고 오전 11시 대에 이어 하루 중 네 번째로 운항편수가 많은
<그림 8> 요일-시간대별 출․도착 추이
시간대이다. 여행사에서 홍콩 등지로 새벽에 출 발하는 단기 관광 상품을 개발하여 인기를 끌고 있는 것 같다.
4.2 상세 운항정보 분석
<그림 6>은 Tableau 소프트웨어의 다차원 분 석 환경인데, 여러 개의 창으로 분할되어 있다. 왼 편은 Data 창, Dimension 창, Measure 창으로 구 성되어 있는데, 각각 연결된 데이터마트, 데이터 마트 차원과 그 구조, 데이터마트가 보유하고 있 는 분석지표들을 보여준다. 이어서 중간에 Pages 창과 Filters 창이 있는데, 이것은 OLAP의 Slice- Dice 기능에 해당하는 옵션을 제공한다. 여기에 차원과 분석지표를 배치시키고, 하위 옵션을 선택 함으로써 검색 대상을 결정한다. 중간 하단에 있 는 Marks 창은 시각적 효과를 제공하는 옵션들이 배치되어 있다.
OLAP의 대표적인 기능인 피벗과 드릴다운 등 데이터 네비게이션 기능을 이용하여 다양한 뷰를 만들어 보았다. 이 과정을 통해 데이터마트 안에 숨어 있는 두 공항의 운항 패턴을 분석하 고, 나아가 두 도시의 세계화 정도의 편차와 그 밖의 문제점을 발견하게 된다.
이 데이터마트로부터 검색 가능한 정보의 종 류와 수는 셀 수 없을 정도로 많지만, 데이터 시 각화 뷰를 사용하여 정보의 가독성을 높이고자 한다. 한편 여러 운항 패턴들을 야우[2012]가 제 시한 시각화 방법(시간, 분포, 관계, 공간)들을 순 차적으로 적용하여 정리하며 해석해 본다.
4.2.1 시간의 시각화
두 공항의 연도-요일별 출․도착 패턴은 <그 림 7>과 같다. 가장 잘 보이는 차이점은 인천공 항은 2009년 대비 2012년 운항편수가 크게 증가 한 반면 나리타공항은 조금 감소했다는 점이다.
정확한 요인은 추가적인 분석이 필요하지만, 일 본 경제가 여전히 침체기라고 해석할 수도 있 고, 하네다공항이 국제선 분담역할을 잘 해 주 고 있다고 해석할 수도 있다. 운항편수는 요일 별로도 편차가 있다. 인천공항의 경우, 출발편 수가 가장 많은 요일은 월요일이고, 가장 적은 요일은 수요일이며, 도착편수는 역시 월요일이 가장 많고, 화요일이 가장 적다.
<그림 8>은 요일-시간대별 시각화 분석이다.
두 컬럼 중 왼편이 인천공항이고, 오른편이 나 리타공항이다. 인천공항은 거의 24시간 가동되 고 있는데, 아마도 허브공항 역할을 하기 때문 에 이런 현상이 발생하는 것 같다.
요일별 차이점은 눈에 띄지 않으나, 두 공항의 출․도착 패턴이 매우 대조적이다. 인천공항의 경 우, 하루 중 어느 시간대가 되었건 간에 거의 같은 수의 여객기가 출발하거나, 도착하고 있다고 볼 수 있다. 나리타공항은 아침과 저녁 시간에는 출발 여객기가 많고, 낮 시간에는 도착 여객기가 많다.
두 국제공항 사이에 왜 이렇게 공항운영에 차이가 있는지, 그 배경은 무엇인지 별도의 연구조사가 필요할 것 같다.
<그림 10> 미국의 세계도시와 인기도시
4.2.2 분포의 시각화
항공사 운항비중(<그림 9> 참조)을 보면 한국 의 경우, 자국기 비중(대한항공 36%, 아시아나항 공 28%)이 매우 높다. 그렇지만 일본은 자국기에 대한 의존율이 우리나라에 비해 그리 높지 않은 것으로 나타났으며(JAL 16%, ANA 13%), 대신 유나이티드항공(6%), 노스웨스트항공(6%), 델타 항공(5%) 등 미국 항공사의 운항비중이 높다. 이 들 미국 항공사의 인천공항 운항비중은 각각 1%, 0%, 3%로 큰 차이를 보인다. 이에 반해 우리나라 는 China Southern(6%; 광저우), Air China(5%;
베이징), China Eastern(3%; 상해) 등 중국 항공 사가 높은 비중을 차지하고 있다.
<그림 9> 항공사 운항비중 분포
4.2.3 관계의 시각화
관계의 시각화는 서로 다른 분석지표를 x축 과 y축에 배치함으로써 두 분석지표의 상호 관 련성을 측정하는데 사용한다.
<그림 10>은 x축에 두 공항의 인기도시 순위
(항공편수 기준)를, y축에는 세계도시 순위(2008 년도 세계도시 순위 기준)를 배치하여 두 지표가 동시에 적용된 복합적인 패턴을 도출해 내고자 한다. 해석을 용이하게 하기 위하여 미국 도시에 국한해서 분석해 보았으며, 그림에서 원의 크기 는 운항편수에 비례한다.
그림 상단은 인천공항에 대한 정보인데, 미국 도시 중 세계 50대 도시이면서 동시에 인천공항 으로부터의 항공편수 상위 30위 안에 드는 도시 는 뉴욕, LA, 그리고 샌프란시스코 3개 도시라 는 사실을 나타내고 있다. 한편 그림 하단은 나 리타공항의 경우인데, 5개 도시(뉴욕, LA, 시카 고, 워싱턴DC, 샌프란시스코)가 상기 두 조건을 만족하고 있음을 나타내 준다. 즉, 일본이 한국 보다 미국 소재 세계 50대 도시와 더 많은 인적 왕래가 있음을 알 수 있다.
비단 미국뿐 아니라 유럽 소재 세계 50대 도 시와의 교류도 일본이 강세이다. 예를 들어, 세
계도시 순위 2위인 런던의 경우, 나리타공항 항 공편수 상위 12위에 달하지만, 인천공항은 30위 권 밖이며, 세계도시 순위 8위인 시카고의 경우, 나리타공항은 16위이지만, 인천공항은 순위권 밖이다. 이런 패턴은 파리(세계 3위), 워싱턴 DC(세계 11위), 시드니(세계 16위) 등 세계적인 도시에서 동일하게 나타나고 있다. 따라서 일본 의 세계화 정도(인적교류 측면)가 한국의 그것 보다 더 높다고 유추해 볼 수 있다.
4.2.4 공간 시각화
지도공간에 정보를 디스플레이하려면 공간좌 표값이 필요하다. 즉, 각 도시 혹은 공항의 경도 및 위도 좌표값이 데이터마트에 저장되어 있으면 해당 노드를 정확한 위치에 그릴 수 있다. <그림 11>은 인천공항과 나리타공항이 취항하는 도시 (한국과 일본 제외)를 세계 50대 도시와 그 외 도 시로 구분하여 표시한 것인데, 전반적인 분포를 볼 수 있다. 상단은 세계 50대 도시 분포를 나타내 며, 하단은 그 밖의 도시에 대한 취항 분포를 보여 준다. 원의 크기는 운항편수에 비례한다.
<그림 11> 세계 50대 도시와 그 밖의 도시 분포
인천공항에 비해 나리타공항은 유럽에 위치한 세계 50대 도시에 더 많은 노선을 운항하고 있으 며, 동남아시아의 세계 50대 도시에는 인천공항
이 더 많은 운항편수를 가지고 있다. 하단의 그 밖의 도시(non G50)를 보면 인천공항이 훨씬 더 많은 노선을 가지고 있으며, 대부분 중국과 동남 아시아에 분포되어 있음을 알 수 있다.
여객기의 운항편수는 도시 혹은 국가 간 교류 정도를 보여주는 지표이며, 나아가 두 도시 간의 연결강도, 친밀도를 평가하는 지표로 사용될 수 있다. 예를 들어, 3개 도시 간 총 운항편수의 편차, 쌍방 도시 간 출발편수와 도착편수의 편차 등을 여기 제안된 “항공네트워크 분석용 데이터마트”
를 이용하여 상세히 분석하면 우리가 몰랐던 교류 패턴을 발견할 수도 있고, 심증만 있던 교류 정도 가 구체적인 숫자로 뒷받침될 수 있다. 공간 시각 화는 이러한 교류 정도를 복합적으로 표현하기에 최적의 방법이다.
<그림 12>는 한․중․일 도시 간 교류 정도 를 보여주는 공간 시각화 차트이다. 그림 상단 은 인천공항과 중국 및 일본 도시 간의 노선도 이고, 하단은 나리타공항과 한국 및 중국 도시 간 노선도이다. 연결선의 굵기는 운항편수에 비 례하며, 숫자는 일주일 동안의 운항편수이다.
출발지와 도착지를 선으로 연결시키기 위하여 특별한 전처리 과정이 진행되었음은 3.2의 “OD 시각화 분석을 위한 전처리”에서 밝힌 바 있다.
2009년과 2012년을 분리 디스플레이하여 2가 지 년도 사이의 변화를 비교 관측할 수 있다.
신규 노선이 눈에 띄지는 않았으나, 운항편수가 증편된 노선이 몇 군데 보인다. 한국은 중국과 일본의 수많은 도시로 취항하고 있으나, 일본은 한국과 중국 도시로 취항하는 노선 수는 많지 않음을 볼 수 있다.
공간 시각화 마지막 분석 예로 <그림 13>을 추가한다. 서울(한국)과 도쿄(일본)가 유럽지역 의 도시들과 교류하고 있는 상황을 비교평가 할 수 있는 공간 시각화 정보인데, 원의 크기 와 숫 자는 운항편수를 의미한다. 특히 취항도시들을
<그림 12> 한․중․일 도시 간 연결강도
세계 50대 도시(G50)와 그 밖의 도시(non G50)로 분류하여 보여 주고 있다. 일본이 한국보다 더 많 은 세계 50대 도시와 교류하고 있음을 알 수 있 는데, 해당 도시에 관한 상세 정보(도시명, 운항 편수 등)는 노드를 클릭하여 실시간으로 조회할 수 있다.
<그림 13> 유럽지역 도시와의 교류
이상과 같이 “항공네트워크 분석용 데이터마 트”에 시각화 툴을 연결하여 두 공항 간, 그리고
두 시점 간 다양한 운항 패턴을 분석해 보았다.
5. 결론 및 향후 과제
5.1 결론
인천 국제공항과 나리타 국제공항의 출․도 착 데이터 13,088건을 기초로 상세한 운항 패턴 을 분석할 수 있는 다차원 모델을 설계, 데이터 마트를 구축하였고, 이것을 다차원 분석 툴에 연동시켜 현업 사용자가 스스로 광범위한 운항 패턴을 시각화 기법에 의해 찾고, 출력시킬 수 있는 정보기반을 마련하였다.
본 연구를 통해 구축된 “항공네트워크 분석 용 데이터마트”는 다양하고 심층적인 운항 패 턴은 물론이고, 데이터 시각화를 통해 더 많은 패턴을 효과적으로 발견할 수 있으므로 항공운 항 업무에 대한 정보력이 증진된다. 뿐만 아니 라 현황 파악능력이 향상되고, 사실에 근거한 보고서를 작성하며, 상황에 대한 이해를 바탕으
로 의사결정을 하게 되어 문제해결 능력이 높아 질 것으로 판단된다. 특히 Tableau Public 소프 트웨어는 도시 및 국가의 지리정보(경․위도 좌 표)만 있으면 온라인 세계지도 위에 자동으로 디스플레이 해주기 때문에 세계를 무대로 네트 워크 항공업 종사자들이 사용하기에 안성맞춤 인 툴이다.
본 연구의 창의적인 기여도 중 하나는 다차 원 모델에 세계 50대 도시 차원과 두 국제공항 의 운항순위 30대 도시 차원을 추가하여 복합적 이고, 새로운 관점으로 서울과 도쿄의 세계화 정도를 평가하였다는 점이다. 도시 간의 연결 강도, 상호작용, 친밀도를 운항편수나 운항비중 만으로 분석하는 것은 부족하다고 느껴서 이 두 가지 차원을 생성하였다.
<그림 14>는 두 공항과 세계 50대 도시군(G50), 그리고 그 밖의 도시군(non G50) 간의 운항편수 를 나타내는데, 나리타공항의 총 운항편수는 인천 공항에 비해 적지만, 세계 50대 도시(뉴욕, 런던, 파리, 홍콩, LA, 싱가포르, 시카고, 토론토, 워싱턴 DC 등 무역/문화/금융/정치 분야 선진도시)와의 운항비중은 크게 앞선다. 인천공항은 그 밖의 도 시(non G50; 주로 동남아 소재 관광 등 위락도시) 를 더 많이 운항하고 있다.
<그림 14> 세계 50대 도시 운항편수
<그림 15>는 세계 50대 도시와 두 공항의 운
항순위 30대 도시(인기도시)를 비교한 차트이다.
인천공항의 경우(2012년 현재), 운항순위 30대 도시 중 세계 50대 도시군에 속하지 않는 운항 편수가 주 1,005편이나 되고, 운항순위 30대 도 시도 아니며 세계 50대 도시도 아닌 곳을 주 1,232편 운항하고 있다. 요약하면 인천공항(한 국)은 나리타공항(일본)과 비교하여 정치, 문화, 경제 등이 발달한 선진도시와의 항공노선 연결 강도가 약하고, 따라서 인적교류 정도가 적다.
그렇지만 한ㆍ일 간의 경제규모를 고려하거 나, 인천공항이 동북아 허브공항 역할을 하기 때문에 나리타공항에 비해 동남아 소재 도시와 의 운항노선이 많다는 점을 감안하여 더 세밀히 분석해 볼 필요가 있다.
<그림 15> 세계 50대 도시와 인기도시
5.2 연구의 한계 및 향후 과제
본 연구의 한계는 연구자가 직접 데이터를 수집 했기 때문에 단기간(두 공항의 2009년 9월의 1주 일과 2012년 5월의 1주일)의 적은 양이라는 점이다.
항공업은 계절적 요인이 클 것으로 예측되는데, 계절적 요인을 포함하려면 적어도 1년치 데이터
