[논문]교통카드 데이터를 활용한 서울시 고령인구 주요 체류지 및 체류지별 특성

이주윤; 김현덕; 강영옥

doi:10.22640/lxsiri.2020.50.1.231

[국내논문] 교통카드 데이터를 활용한 서울시 고령인구 주요 체류지 및 체류지별 특성
Analysis of Elderly Population's Staying Places in Seoul using Public Transportation Card Data 원문보기

지적과 국토정보 = Journal of cadastre & land informatix, v.50 no.1, 2020년, pp.231 - 245

이주윤 (이화여자대학교 일반대학원 사회과교육학과 지리학 전공) , 김현덕 (한국국토정보공사 공간정보연구원) , 강영옥 (이화여자대학교 사회과교육과)

초록
AI-Helper

본 연구는 교통카드 자료를 활용하여 서울시 고령인구의 주요 체류 공간을 도출하고 체류의 시공간적 특성을 분석에 목적을 두었다. 이를 위해 2015년 10월 12일부터 2015년 10월 18일까지 7일간의 서울시 교통카드 자료를 이용하였다. 분석 결과 도심지, 강남 등 14개 지역이 주 체류 공간으로 추출되었으며, 각 체류지별 방문 사용자 특성과 체류 시간대를 기준으로 살펴본 결과 5개 그룹으로 특성이 나뉘는 것을 확인할 수 있었다. 체류지 대부분은 해당 지역 인근에 거주하는 고령 인구가 방문하는 것으로 나타났으나, 많은 고령 인구가 방문하는 그룹의 경우 상대적으로 방문 고령자의 거주지가 넓게 나타나 체류지간 위계가 존재함을 확인할 수 있었다. 체류 집중 시간대는 주로 오전 10시에서 오후 5시 사이에 집중되는 것으로 나타났다. 하지만 제기동과 영등포의 경우 오후 12부터 체류가 집중되며, 잠실, 선릉, 양재의 경우 주중 오전 9시부터 체류가 집중되어 체류지별 인구 집중 시간이 상이하게 나타남을 확인할 수 있었다. 본 연구결과는 서울시 내의 고령 인구의 주요 체류 공간과 각 체류 공간별 체류 특성을 고려한 대중교통정책수립에 필요한 시사점을 제공한다.

Abstract ▼ AI-Helper

The purpose of this study was to analyze the spatiotemporal characteristics of staying places by deriving the main staying places of the elderly population in Seoul using public transportation card data. For this reason, we used public transportation card data for 7 days from October 12, 2015 to October 18, 2015. As a result of the analysis, 14 places were extracted as the main staying places. It was divided into 5 groups based on the characteristics of the visiting users and concentration time. Most of the staying places showed that the elderly users who lived near the places visited, but in the case of the group where a large number of elderly users visited had relatively wide range of residential distribution. It was possible to confirm that there was a hierarchy. And the concentration time was displayed differently. Most of the staying places' concentration time was between 10 am and 5 pm. However, in the case of Jegi-dong group and Jamsil group had different concentration time. The results of this research provide necessary suggestions for establishing a public transport policy that considers the main stay spaces of the elderly population in Seoul and the stay characteristics of each stay space.

Keyword

표/그림 (21)

그림 Figure 1. Research flow
표 Table 1. Public Transportation Data
표 Table 2. Estimation of Individual User's Residence
표 Table 3. Clustering Results According to Different Parameter Combinations
그림 Figure 2. Staying population graph
그림 Figure 3. Spatial distribution of the elderly's staying points
그림 Figure 4. Spatial distribution of the elderly’s staying points(Seoul)
그림 Figure 5. Staying population graph
그림 Figure 6. Staying places
표 Table 4. Characteristics of Staying Places
표 Table 5. Staying Places by Group
그림 Figure 7. Mapo visitor's residence distribution
그림 Figure 8. Jegi-dong visitor's residence distribution
그림 Figure 9. Jamsil visitor's residence distribution
그림 Figure 10. Downtown visitor's residence distribution
그림 Figure 11. Daehak-ro visitor's residence distribution
그림 Figure 13. Jegi-dong's staying population graph
그림 Figure 14. Jamsil's staying population graph
그림 Figure 15. Downtown's staying population graph
그림 Figure 16. Daehak-ro's staying population graph
그림 Figure 12. Mapo's staying population graph

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 연구에서는 교통카드 데이터를 활용하여 서울시 고령인구의 통행, 이 가운데 고령인구의 체류 공간과 시공간적 체류 특성을 분석하고자 한다. 이를 위해 2장에서는 국내외 고령인구의 통행과 교통카드 데이터 활용 연구를 검토하였다.
이에 본 연구는 교통카드 데이터를 활용하여 고령 인구의 통행을 상세히 분석하고자 하였으며, 통행의 목적지인 체류지의 공간적 분포와 각 체류지를 방문하는 사용자들의 특성 및 체류지별 주요 체류 시간대를 중심으로 그 특성을 파악하고자 한다.
본 연구는 교통카드 자료를 활용하여 서울시 고령 인구의 통행 데이터를 구축하고 이를 통해 주 체류 공간 및 시공간 체류 패턴을 분석하고자 하였다. 이를 위해 2015년 10월 12일부터 2015년 10월 18일까지 7일간 서울시 내부 및 경유하는 수도권 노선의 교통카드 자료를 활용하였다.

가설 설정

개별 사용자의 거주지를 추정하기 위해 사용자가 대중교통을 활용하여 일자별 거주지와 목적지간 왕복 통행을 하는 것으로 가정하였으며, 최초 통행의 승차 정류장과 최종 통행의 하차 정류장의 역세권내에 사용자 거주지가 위치함을 가정하였다. 가정에 따라 개별 사용자의 일자별 최초 통행의 승차 데이터와 최종 통행의 하차 데이터 집합을 거주지 후보군으로 선정 하였다.

제안 방법

Figure 1의 흐름으로 연구를 수행하였다. 먼저 데이터 전처리를 통해 개별 사용자 단위의 통행 데이터를 구축하였다. 이를 활용하여 서울시 고령인구의 주요 체류 공간을 도출하고, 각 체류지의 특성에 따라 그룹을 나누어 살펴 보았다.
먼저 데이터 전처리를 통해 개별 사용자 단위의 통행 데이터를 구축하였다. 이를 활용하여 서울시 고령인구의 주요 체류 공간을 도출하고, 각 체류지의 특성에 따라 그룹을 나누어 살펴 보았다.
교통카드 데이터를 활용하여 체류지를 분석하기 위해 첫째, 통행데이터를 구축하여 체류를 정의하고 둘째, 결측을 포함하는 데이터를 정제하며, 셋째, 데이터의 특성상 서울 외 수도권 지역 통행의 상세내용이 포함되지 않기 때문에 서울지역에 거주하는 고령 사용 자만을 추출하는 과정을 수행하였다. 먼저 개별 사용자 단위의 통행 데이터를 구축하였다.
교통카드 데이터를 활용하여 체류지를 분석하기 위해 첫째, 통행데이터를 구축하여 체류를 정의하고 둘째, 결측을 포함하는 데이터를 정제하며, 셋째, 데이터의 특성상 서울 외 수도권 지역 통행의 상세내용이 포함되지 않기 때문에 서울지역에 거주하는 고령 사용 자만을 추출하는 과정을 수행하였다. 먼저 개별 사용자 단위의 통행 데이터를 구축하였다. 수집된 1건의 교통카드 데이터는 사용자가 하나의 교통수단을 이용 하여 이동한 1회의 통행 정보만을 포함한다.
둘째, 결측 사용자 정제 작업을 수행하였다. 결측 사용자란 교통카드 자료의 데이터 수집 특성상 발생하는 결측값을 포함하는 사용자를 의미한다.
세 번째로 개별 사용자의 거주지 추정을 수행하였다. 서울시 교통카드 자료는 서울시 내부 통행 노선과 서울시를 경유하여 수도권을 통행하는 노선에서 발생한 데이터만을 포함한다.
step 1. 데이터 셋 D 중 임의의 데이터 p를 방문하여 eps내의 모든 이웃 데이터를 검색한다.
step 3. 클러스터에 포함된 모든 데이터 q를 방문하여 각 데이터의 eps내에 minpts 이상의 데이터가 존재하는지 탐색한다.
하나의 정류장은 2건 이상의 데이터를 포함할 수 있으며 이는 개별 데이터로 간주하였다. 사용자별 거주지 후보군을 대상으로 DBSCAN 알고리즘에 따라 클러스터를 형성하였으며 형성된 클러스터 중 가장 많은 데이터를 포함한 클러스터의 중심지를 거주지로추정하였다. 단, 포함된 데이터의 수가 같다면 해당 사용자가 통행을 시작하는 정류장에 가중치를 주어 최초 승차 데이터가 많은 클러스터를 거주지로 추정하였다.
사용자별 거주지 후보군을 대상으로 DBSCAN 알고리즘에 따라 클러스터를 형성하였으며 형성된 클러스터 중 가장 많은 데이터를 포함한 클러스터의 중심지를 거주지로추정하였다. 단, 포함된 데이터의 수가 같다면 해당 사용자가 통행을 시작하는 정류장에 가중치를 주어 최초 승차 데이터가 많은 클러스터를 거주지로 추정하였다. 알고리즘의 매개변수는 최소 2건의 최초 승차 혹은 최종 하차 데이터를 포함하도록 하기 위해 minpts는 2로 고정하였으며, eps는 역세권 기준인 0.
단, 포함된 데이터의 수가 같다면 해당 사용자가 통행을 시작하는 정류장에 가중치를 주어 최초 승차 데이터가 많은 클러스터를 거주지로 추정하였다. 알고리즘의 매개변수는 최소 2건의 최초 승차 혹은 최종 하차 데이터를 포함하도록 하기 위해 minpts는 2로 고정하였으며, eps는 역세권 기준인 0.5km 에서 3km 까지 0.5km 의 간격으로 값을 증가 시켜 실험하였다. Table 2와 같이 eps가 1.
서울 거주 고령 사용자 555,000명의 3,993,464건의 통행사슬 데이터에서 추출한 2,022,246건 체류의 시공간 데이터를 활용하여 체류지를 도출하고 각 체류 지의 특성을 분석하였다.
먼저 체류가 밀집되는 지역을 살펴보기 위해 DBSCAN 알고리즘을 활용하여 주요 체류지역을 도출 하였다. 고령 사용자가 체류한 정류장 19,905개소에 서 발생한 2,022,246건을 대상으로 주요 체류지역을 도출하였으며, 파라미터 설정은 minpts의 최솟값은 5,000개에서 20,000개를 5,000개의 간격으로 증가시켰고, eps의 최솟값은 0.1km에서 0.5km를 0.1km 간격으로 증가시켜 형성되는 군집 결과를 살펴보았다. 이때 최소 점 개수는 개별 정류장을 의미하는 것이 아닌 해당 정류장에서 발생한 체류의 횟수를 기준으로 군집을 형성하였으며, 하나의 정류장이라도 체류 횟수가 임계치 이상이라면 군집을 형성하도록 하였다.
1km 간격으로 증가시켜 형성되는 군집 결과를 살펴보았다. 이때 최소 점 개수는 개별 정류장을 의미하는 것이 아닌 해당 정류장에서 발생한 체류의 횟수를 기준으로 군집을 형성하였으며, 하나의 정류장이라도 체류 횟수가 임계치 이상이라면 군집을 형성하도록 하였다. 실험 결과 Table 3과 같이 최소 점 개수가 적을수록 노이즈가 적게 나타나는 것을 확인할 수 있었지만 많은 군집을 형성해 체류 지역이 지나치게 작은 단위로 나뉘는 문제가 발생하였다.
다음으로 체류의 시간대별 집중 정도와 해당 체류 지를 방문한 고령 인구의 거주지의 공간적 분포를 확인하였다. 시간대별 집중을 확인하기 위해 체류인구 그래프를 작성하였다.
체류지에 대한 분석은 DBSCAN을 활용하여 추출한 주요 체류지별 특성을 살펴보고, 체류지의 특성이 유사한 것을 그룹화하여 특성을 살펴보았다. 먼저 체류 지의 공간적 분포를 살펴보면 Figure 3, Figure 4과 같이 서울 내부에서 체류가 집중적으로 발생하며, 수도권 일부지역의 지하철 노선을 따라 체류지가 분포 하는 것을 확인할 수 있다.
14개의 체류지를 체류지 방문 거주자 분포특성 및체류시간대별 특성에 따라 5개의 그룹으로 나눌 수 있었다(Table 5). 각 그룹별 특성은 그룹 내에서 체류 데이터를 가장 많이 포함한 지역을 중심으로 살펴보았다.
Figure 2와 같이 user1과 user2의 요일별/시간대별 체류 여부를 합하여 체류 인구 그래프를 완성하였다. 단, 일자별 통행량이 다르므로 범주를 일치시키기 위해 정규화를 수행하였다. 각 항목의 체류 인구 값 x와 해당 일자의 최솟값 x_min 의 차를 해당 일자의 최댓값 x _max와 최솟값 x_min 의 차로 나눈 값으로 변환하여 모든 항목을 [0-1] 사이의 값으로 정규화 하였다.
단, 일자별 통행량이 다르므로 범주를 일치시키기 위해 정규화를 수행하였다. 각 항목의 체류 인구 값 x와 해당 일자의 최솟값 x_min 의 차를 해당 일자의 최댓값 x _max와 최솟값 x_min 의 차로 나눈 값으로 변환하여 모든 항목을 [0-1] 사이의 값으로 정규화 하였다.
각 체류지를 방문한 고령 사용자의 거주지의 공간적 분포패턴과 전체 체류 데이터의 공간적 분포패턴을 확인하기 위해 커널 밀도 분석(Kernel Density Estimation, KDE)을 통해 밀집 정도와 밀집된 공간, 공간의 특성을 파악하였다. 커널 밀도 분석은 데이터가 특정 분포를 따르지 않는다는 가정에 따라 관찰된점 데이터의 밀도를 추정하는 방법이다.
커널 밀도 분석은 데이터가 특정 분포를 따르지 않는다는 가정에 따라 관찰된점 데이터의 밀도를 추정하는 방법이다. 사전에 결정된 대역폭(bandwidth)을 검색 반경으로 하여 범위 내데이터 간 거리에 대한 가중치를 부여하여 밀도를 측정한다. 커널 밀도 분석은 각 포인트 데이터가 위치한 지점에서 멀어질수록 값이 작아지며, 설정한 대역폭의 경계를 벗어나면 값이 부여되지 않는 특징을 가진 다.

대상 데이터

따라서 본 연구에서는 교통카드 데이터를 활용하여 서울시 고령인구의 통행, 이 가운데 고령인구의 체류 공간과 시공간적 체류 특성을 분석하고자 한다. 이를 위해 2장에서는 국내외 고령인구의 통행과 교통카드 데이터 활용 연구를 검토하였다. 3장에서는 분석을 위해 수행한 데이터 전처리 및 연구 방법론을 기술하였으며, 4장에서는 고령인구의 주요 체류지 및 체류지 그룹별 특성을 확인하고, 마지막으로 5장에서는 연구 결과를 정리하고 향후 연구 과제를 제안하였다.
교통카드 데이터는 대중교통 요금을 지불할 때 생성되는 전산 자료이다. 서울시 교통카드 자료는 서울시 내부 통행 및 경유하는 노선이 포함하는 53,962개소 대중교통 시설에서 생성된 통행 자료를 포함한다. 1건의 통행 자료는 Table 1과 같이 카드 ID, 승차 정류장 및 하차 정류장 등을 포함한 통행 정보를 포함한다.
1건의 통행 자료는 Table 1과 같이 카드 ID, 승차 정류장 및 하차 정류장 등을 포함한 통행 정보를 포함한다. 본 연구에서는 2015년 10월 12일부터 2015년 10월 18일까지 총 7일간의 자료 135,381,247건 중 사용자 구분 코드가 고령인(65세 이상 사용자)인 8,929,075건 (1,167,076명)의 데이터를 활용하였다. Figure 1의 흐름으로 연구를 수행하였다.
이를 위해 2015년 10월 12일부터 2015년 10월 18일까지 7일간 서울시 내부 및 경유하는 수도권 노선의 교통카드 자료를 활용하였다. 데이터 활용을 위해 서울시 거주 고령인구 555,000명의 통행 데이터를 구축하여 분석에 활용하였다. 분석 결과 체류지의 공간적 분포는 서울 내부에 밀집되어 있으며, 요일 및 시간대에 따른 체류의 변동성을 살펴보면 주말의 경우 토요일에 더 늦은 시간까지 체류가 집중되었으며, 일요일의 경유 체류 시작 시간대가 상대적으로 늦어지는 것을 확인하였다.
이때 [n]번째 통행사슬의 하차와 [n+1]번째 통행사슬의 승차 사이, 즉 30분 이상의 체류가 발생한 통행의 시간과 공간을 체류로 정의하였다. 이를 통해 총 1,167,076명 사용자의 통행 데이터를 구축하였다.
세 번째로 개별 사용자의 거주지 추정을 수행하였다. 서울시 교통카드 자료는 서울시 내부 통행 노선과 서울시를 경유하여 수도권을 통행하는 노선에서 발생한 데이터만을 포함한다. 수도권 거주자의 경우 수도권 내부 통행 노선 데이터의 부재로 체류 시간이 과추정 될 가능성이 있다.
수도권 거주자의 경우 수도권 내부 통행 노선 데이터의 부재로 체류 시간이 과추정 될 가능성이 있다. 따라서 개별 사용자의 거주지 추정을 통해 서울시에 거주하는 고령 사용자를 분석 대상으로 선정하였다. 거주지 추정에는 DBSCAN (Density Based Spatial Clustering of Application with Noise) 알고리즘을 활용하였다.
개별 사용자의 거주지를 추정하기 위해 사용자가 대중교통을 활용하여 일자별 거주지와 목적지간 왕복 통행을 하는 것으로 가정하였으며, 최초 통행의 승차 정류장과 최종 통행의 하차 정류장의 역세권내에 사용자 거주지가 위치함을 가정하였다. 가정에 따라 개별 사용자의 일자별 최초 통행의 승차 데이터와 최종 통행의 하차 데이터 집합을 거주지 후보군으로 선정 하였다. 데이터의 특성상 위치는 정류장 단위로 기록 된다.
5km로 선정하였다. 해당 기준에 따라 추정된 거주지 클러스터의 중심점이 서울시 행정구역 내에 있는 고령 사용자 555,000명을 연구 대상으로 선정하였다.
실험 결과 Table 3과 같이 최소 점 개수가 적을수록 노이즈가 적게 나타나는 것을 확인할 수 있었지만 많은 군집을 형성해 체류 지역이 지나치게 작은 단위로 나뉘는 문제가 발생하였다. 군집 형성을 살펴본 결과 군집의 수가 지역을 적절히 분할하는 동시에 40% 이상의 데이터를 군집에 할당하는 eps=0.5km , minpts =15,000을 군집 형성 파라미터로 선정하였다.
다음으로 체류가 밀집되는 지역을 상세하게 살펴보기 위해 DBSCAN 알고리즘을 활용하여 추출한 체류 지는 Figure 6와 같이 총 14개의 군집이 서울시 내부 에서 추출되었으며, 수도권 지역에서는 군집이 발견 되지 않았다. 14개 군집은 포함하고 있는 대표 지역명을 이용하여 명명하였으며, 서울역, 충무로역, 신당역, 안국역 등 넓은 지역을 포함하는 도심와 도심 서북권의 마포와 서대문, 동북권의 대학로와 제기, 서남권의 문래, 영등포, 신림, 사당, 동남권의 반포, 고속터미널역 등을 포함하는 강남, 선릉, 양재, 잠실등이 도출되 었다. 14개 체류지별 특성 분석을 위해 체류 건수, 각체류지를 방문하는 고령자의 거주지 분포, 체류 집중 시간대를 Table 4와 같이 정리하였다.
먼저 그룹 1에는 마포, 사당, 서대문, 신림, 문래 총 5개의 체류지가 포함되었다. 서울의 서북권에 위치한 체류지가 그룹 1에 포함되었다. 해당 체류지는 주로 인근 지역에 거주하는 고령 사용자가 방문하였으며, 주로 오전 10시에서 오후 5시 사이에 체류가 집중되는 특성을 보였다(Figures 7, 12).
그룹 3에는 잠실, 선릉, 양재 3개의 지역이 포함되었다. 서울의 동남권에 위치한 체류지가 그룹 3에 포함 되었다. 해당 체류지는 주로 인근 지역에 거주하는 고령 사용자가 방문하였다(Figures 9, 14).
본 연구는 교통카드 자료를 활용하여 서울시 고령 인구의 통행 데이터를 구축하고 이를 통해 주 체류 공간 및 시공간 체류 패턴을 분석하고자 하였다. 이를 위해 2015년 10월 12일부터 2015년 10월 18일까지 7일간 서울시 내부 및 경유하는 수도권 노선의 교통카드 자료를 활용하였다. 데이터 활용을 위해 서울시 거주 고령인구 555,000명의 통행 데이터를 구축하여 분석에 활용하였다.

이론/모형

따라서 개별 사용자의 거주지 추정을 통해 서울시에 거주하는 고령 사용자를 분석 대상으로 선정하였다. 거주지 추정에는 DBSCAN (Density Based Spatial Clustering of Application with Noise) 알고리즘을 활용하였다. 해당 알고리즘은 데이터의 밀도를 기준으로 군집을 형성하는 밀도기반 클러스터링 알고리즘이다.
먼저 체류가 밀집되는 지역을 살펴보기 위해 DBSCAN 알고리즘을 활용하여 주요 체류지역을 도출 하였다. 고령 사용자가 체류한 정류장 19,905개소에 서 발생한 2,022,246건을 대상으로 주요 체류지역을 도출하였으며, 파라미터 설정은 minpts의 최솟값은 5,000개에서 20,000개를 5,000개의 간격으로 증가시켰고, eps의 최솟값은 0.
각 데이터에 대한 값들이 더해져 세분된 격자 상의 공간밀도 값으로 표현된다. 본 연구에서 사용한 커널 밀도 함수 \(\hat{f_h}(x) \)는 Silverman(1986)의 수식을 따랐다.

성능/효과

이창훈․정성봉(2014)은 교통카드 자료를 활용하여 만 65세 이상 고령자들의 통행 변화를 분석하였다. 2010년에서 2012년까지 3년간의 평일을 대상으로 변화추이를 분석한 결과, 매년 증가 추세를 보이고 있고 점차 고령자의 통행비중이 증가하는 것으로 나타났다. 추상호 외(2013)는 2010년 가구통행실태조사 자료를 이용하여 고령자들의 통행특성을 분석하였다.
이향숙 외(2014)는 2006년과 2010년 가구통행실태조사 자료를 토대로 65세 이상 고령인구의 목적통행량 변화를 분석하였다. 목적통행량은 2006년에 비해 2010년에 약 0.03건 증가하였고, 통행의 공간적 분포는 과거에 비해 수도권 전역으로 확대되는 것으로 나타났다. 고령인구의 통행과 관련된 선행연구 분석 결과, 고령인구의 통행 특성은 대체로 과거에 비해 빈도나 시간, 거리가 증가하는 것으로 나타났고, 이는 건강증진 및 사회적, 경제적 여건의 변화로 인해 고령인구의 활동이 활발해졌기 때문으로 나타났다(한수경․이희연 2015; 이유진･ 최명섭 2018).
통행 패턴이나 특징 분석에서 나아가 사회문제 해결을 위한 연구도 진행되었는데, Kandt and Leak(2019)은 영국 웨스트 미드랜드에 거주하는 65세 이상 고령자의 교통카드 데이터를 이용하여 해당 연령층의 대중교통 무료 이용이 급감하는 현상을 분석하였다. 교통카드 자료를 활용한 선행연구 분석 결과, 목적지의 시공간 분포를 확인하거나 통근 및 통학과 같이 특정 목적성을 갖는 통행에 주목하는 등 다양한 분야에서 활용되는 것을 확인할 수 있었다. 하지만 고령인구 대상의 통행 분석의 경우 일반 사용자 통행의 비교군으로 분석되거나 장애인, 어린이 등을 포함하는 교통 취약계층의 한 그룹으로 포함되어 분석되고 있으며, 고령인구의 구체적인 통행, 특히 체류지 특성에 대한 분석은 이루어지고 있지 않음을알 수 있다.
14개 체류지별 특성 분석을 위해 체류 건수, 각체류지를 방문하는 고령자의 거주지 분포, 체류 집중 시간대를 Table 4와 같이 정리하였다. 각 요인별로 특성을 살펴보면 체류건수를 기준으로 가장 많은 고령 사용자가 체류하는 지역은 도심으로 전체 555,000명의 고령 사용자 중 약 27%가 방문한 것으로 나타났으며, 두 번째는 강남지역으로 전체고령 사용자 중 약 16%가 방문하는 것을 확인하였다. 각 체류지를 방문하는 고령자의 거주지 분포패턴은 3가지 유형으로 구분되었는데, 해당 지역 인근에 거주하는 고령 인구가 주로 방문하는 체류지 유형, 체류지에 방문하는 고령 인구의 거주지가 서울의 다양한 곳에 분포하는 체류지 유형, 근거리와는 상관없이 특정 지역 거주자의 체류지로 특화되어 나타나는 체류지 유형으로 구분할수 있었다.
각 요인별로 특성을 살펴보면 체류건수를 기준으로 가장 많은 고령 사용자가 체류하는 지역은 도심으로 전체 555,000명의 고령 사용자 중 약 27%가 방문한 것으로 나타났으며, 두 번째는 강남지역으로 전체고령 사용자 중 약 16%가 방문하는 것을 확인하였다. 각 체류지를 방문하는 고령자의 거주지 분포패턴은 3가지 유형으로 구분되었는데, 해당 지역 인근에 거주하는 고령 인구가 주로 방문하는 체류지 유형, 체류지에 방문하는 고령 인구의 거주지가 서울의 다양한 곳에 분포하는 체류지 유형, 근거리와는 상관없이 특정 지역 거주자의 체류지로 특화되어 나타나는 체류지 유형으로 구분할수 있었다. 두 번째 유형과 같이 서울내 다양한 곳의 고령 거주자가 체류하는 공간으로 나타난 곳은 도심과 강남지역이며, 대학로와 반포의 경우 강서구 거주 고령 사용자가 주로 방문하는 것을 확인할 수 있었다.
각 체류지를 방문하는 고령자의 거주지 분포패턴은 3가지 유형으로 구분되었는데, 해당 지역 인근에 거주하는 고령 인구가 주로 방문하는 체류지 유형, 체류지에 방문하는 고령 인구의 거주지가 서울의 다양한 곳에 분포하는 체류지 유형, 근거리와는 상관없이 특정 지역 거주자의 체류지로 특화되어 나타나는 체류지 유형으로 구분할수 있었다. 두 번째 유형과 같이 서울내 다양한 곳의 고령 거주자가 체류하는 공간으로 나타난 곳은 도심과 강남지역이며, 대학로와 반포의 경우 강서구 거주 고령 사용자가 주로 방문하는 것을 확인할 수 있었다.
먼저 대부분의 지역이 7일간의 체류 패턴이 유사하게 나타나며, 주로 오전 10시에서 오후 5시 사이에 체류가 집중하는 것을 확인할 수 있다. 두 번째는 제기와 영등포 지역의 경우 7일간의 체류패턴이 유사 하게 나타나지만, 상대적으로 늦은 시간에 체류 집중이 시작되는 것을 확인할 수 있다. 마지막으로 잠실, 선릉, 양재 지역의 경우 주중과 주말의 체류 시간대 분포가 다르게 나타나며 주중의 경우 다른 지역에 비해 체류 집중 시간대가 상대적으로 이른 시간에 시작하는 것을 확인할 수 있다.
두 번째는 제기와 영등포 지역의 경우 7일간의 체류패턴이 유사 하게 나타나지만, 상대적으로 늦은 시간에 체류 집중이 시작되는 것을 확인할 수 있다. 마지막으로 잠실, 선릉, 양재 지역의 경우 주중과 주말의 체류 시간대 분포가 다르게 나타나며 주중의 경우 다른 지역에 비해 체류 집중 시간대가 상대적으로 이른 시간에 시작하는 것을 확인할 수 있다.
14개의 체류지를 체류지 방문 거주자 분포특성 및체류시간대별 특성에 따라 5개의 그룹으로 나눌 수 있었다(Table 5). 각 그룹별 특성은 그룹 내에서 체류 데이터를 가장 많이 포함한 지역을 중심으로 살펴보았다.
각 체류지별 방문자의 체류 시간대를 분석한 결과 주로 오전 10시에서 오후 5시 사이에 집중되기는 하지만, 체류지에 따라 체류 집중 시간이 상대적으로 늦게 시작하거나 주말 늦은 오후까지 체류가 집중되는 차이를 확인할 수있었다. 14개의 주요 체류지를 특성에 따라 5개의 그룹으로 나누어 살펴본 결과 많은 고령 인구가 방문하는 도심과 강남 지역의 경우 상대적으로 방문 고령자의 거주지가 넓게 나타나 체류지들 중 높은 위계를 보여주었다.
데이터 활용을 위해 서울시 거주 고령인구 555,000명의 통행 데이터를 구축하여 분석에 활용하였다. 분석 결과 체류지의 공간적 분포는 서울 내부에 밀집되어 있으며, 요일 및 시간대에 따른 체류의 변동성을 살펴보면 주말의 경우 토요일에 더 늦은 시간까지 체류가 집중되었으며, 일요일의 경유 체류 시작 시간대가 상대적으로 늦어지는 것을 확인하였다. DBSCAN을 활용하여 추출한 주요 체류지는 도심, 강남, 제기 등 14개 지역으로 나타났다.
DBSCAN을 활용하여 추출한 주요 체류지는 도심, 강남, 제기 등 14개 지역으로 나타났다. 체류지별 방문하는 고령자의 거주지를 살펴보면 체류지 인근, 서울 전역, 특정 지역 거주의 3가지로 나뉘어 체류지의 계층성과 특성을 확인할 수 있었다. 각 체류지별 방문자의 체류 시간대를 분석한 결과 주로 오전 10시에서 오후 5시 사이에 집중되기는 하지만, 체류지에 따라 체류 집중 시간이 상대적으로 늦게 시작하거나 주말 늦은 오후까지 체류가 집중되는 차이를 확인할 수있었다.
체류지별 방문하는 고령자의 거주지를 살펴보면 체류지 인근, 서울 전역, 특정 지역 거주의 3가지로 나뉘어 체류지의 계층성과 특성을 확인할 수 있었다. 각 체류지별 방문자의 체류 시간대를 분석한 결과 주로 오전 10시에서 오후 5시 사이에 집중되기는 하지만, 체류지에 따라 체류 집중 시간이 상대적으로 늦게 시작하거나 주말 늦은 오후까지 체류가 집중되는 차이를 확인할 수있었다. 14개의 주요 체류지를 특성에 따라 5개의 그룹으로 나누어 살펴본 결과 많은 고령 인구가 방문하는 도심과 강남 지역의 경우 상대적으로 방문 고령자의 거주지가 넓게 나타나 체류지들 중 높은 위계를 보여주었다.

후속연구

교통카드 데이터는 개인이 실제 이동한 시공간상의 궤적을 보여주기 때문에 행정구역 단위보다 상세한 분석이 가능하다. 이러한 데이터를 활용하여 분석한다면 고령인구가 필요로 하는 교통서비스의 공간적 배분에 대한 기초자료를 제공할 수 있을 것이다.
본 연구는 교통카드 자료를 활용하여 서울시 고령 자의 체류공간을 도출하고, 체류지별 특성을 분석했다는데 의의가 있으며, 이는 서울시의 교통정책 수립에 있어 주요한 시사점을 제시할 수 있을것으로 기대된다. 하지만 체류지로 분석한 공간들의 유인요인이 무엇이었는지 등의 맥락에 대한 분석이 이뤄지지 못한 점은 본 연구의 한계로 향후 추가연구를 통해 맥락에 대한 분석이 필요할 것으로 판단된다.
본 연구는 교통카드 자료를 활용하여 서울시 고령 자의 체류공간을 도출하고, 체류지별 특성을 분석했다는데 의의가 있으며, 이는 서울시의 교통정책 수립에 있어 주요한 시사점을 제시할 수 있을것으로 기대된다. 하지만 체류지로 분석한 공간들의 유인요인이 무엇이었는지 등의 맥락에 대한 분석이 이뤄지지 못한 점은 본 연구의 한계로 향후 추가연구를 통해 맥락에 대한 분석이 필요할 것으로 판단된다.

참고문헌 (16)

Kim HS, Park JS, Lee KS. 2010. Visualization of Passenger Flows of the Metropolitan Seoul Subway System. The Journal of the Korea Contents Association. 10(4):397-405.
Noh SH. Yang EJ. 2011. An analysis of the major travel patterns of the elderly in Seoul Metropolitan Area and their attitudes towards the free ride policy for subway use for elderly. The Geographical Journal of Korea. 45(4): 545-557.
Yi YJ, Choi MS. 2018. Determinants of the Elderly’s Spatio-temporal Concentration : Using bigdata of de facto population of Seoul. Seoul Studies. 19(4):149-168.
Lee CH, Chung SB. 2014. Analysis of the Elderly Travel behavior with Using Transportation card data. Conference of the Korea Society for Railway. 1527-1530.
Lee HS, Choo SH, Kim JY. 2014. Analyzing the Characteristics of Trip Chaining Activities of the Elderly in Seoul Metropolitan Area. The Journal of The Korea Institute of Intelligent Transportation Systems. 13(2):68-79.

원문보기 상세보기
Choo SH, Lee HS, Shin HJ. 2013. Analyzing Changes in Travel Behavior of the Elderly Using Travel Diary Survey Data in Seoul Metropolitan Area. The Korea Spatial Planning Review. 31-45.
Statistics Korea. 2019 Elderly Statistics.
Han SK, Lee HY. 2015. Characteristics of the Time-based Public Transportation Travel Flows and the Pull Factors of Travel Destinations of the Elderly in the Seoul Metropolitan Area. Seoul Studies. 16(2):183-201.
Collia DV, Sharp J, Giesbrecht L. 2003. The 2001 national household travel survey: A look into the travel patterns of older Americans. Journal of safety research. 34(4):461-470.

상세보기
Ester M, Kriegel HP, Sander J, Xu X. 1996. A density-based algorithm for discovering clusters in large spatial databases with noise. Kdd. 96(34):226-231.
Kandt J, Leak A. 2019. Examining inclusive mobility through smartcard data: What shall we make of senior citizens' declining bus patronage in the West Midlands?. Journal of Transport Geography, 79:102474.

상세보기
Schwanen T, Paez A. 2010. The mobility of older people: an introduction. Journal of Transport Geography. 18(5):591-595.

상세보기
Silverman BW. 1986. Density Estimation for Statistics and Data Analysis. London: Chapman & Hall/CRC. p. 45
Tao S, Rohde D, Corcoran J. 2014. Examining the spatial-temporal dynamics of bus passenger travel behaviour using smart card data and the flow-comap. Journal of Transport Geography, 41:21-36.

상세보기
Tran, T. N. Drab, K. Daszykowski, M. 2013. Revised DBSCAN algorithm to cluster data with dense adjacent clusters. Chemometrics and Intelligent Laboratory Systems. 120: 92-96.

상세보기
Yu C, He ZC. 2017. Analysing the spatial-temporal characteristics of bus travel demand using the heat map. Journal of Transport Geography. 58:247-255.

상세보기

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증