도시 영향력 측정을 위한 트위터 기반 인간 이동 분석

본 논문은 “도시 영향력”이라는 추상적 개념을 정량화하기 위해, 전 세계 58개 대도시를 대상으로 지리정보가 포함된 트위터 데이터를 이용한 인간 이동 분석 프레임워크를 제시한다. 연구는 크게 네 단계로 진행된다. 첫째, 데이터 수집 및 전처리 단계에서 2010년 10월부터 2013년 6월까지 1000일간 21 017 892개의 지오태그 트윗을 확보하였다. 비인간 계정은 시속 750 km를 초과하는 이동 속도로 필터링했으며, 최종적으로 571 893명의 사용자 데이터를 사용하였다. 둘째, 도시 정의와 거주지 판별을 수행하였다. 각 도시는 시청을 중심으로 반경 50 km 원형 구역으로 설정했으며, 이는 행정구역 차이에 따른 면적 편차를 최소화한다. 거주지는 전 세계를 100 km × 100 km 격자로 나눈 뒤, 해당 격자에서 가장 많이 트윗한 셀을 기준으로 정의하였다. 사용자가 전체 트윗 중 1/3 이상을 해당 격자에서 발생시킨 경우에만 유효한 거주자로 인정하였다. 셋째, 도시 영향력을 측정하기 위한 세 가지 지표를 도입하였다. - **평균 반경(R)**: 각 도시에서 무작위로 추출한 u = 300명의 사용자가 첫 방문 후 Δt = 350일 동안 기록한 위치와 도시 중심 간 거리 평균. 초기 15–20일 구간에서는 모든 도시가 √Δt보다 빠른 성장(Levy flight 특성)을 보이며, 이후 성장률이 급격히 감소한다. 이는 비거주자(비지역 방문자)의 초기 대규모 이동과 귀환 현상을 반영한다. - **정규화 평균 반경(˜R)**: R을 전 세계 트위터 사용자들의 평균 거주지-도시 거리로 나누어 지리적 편향을 보정한다. 원시 R은 섬·극지 등 고립된 도시가 과대평가되는 문제를 해결한다. 정규화 후 상위 도시는 로마, 파리, 리스본 등 유럽 고밀도 지역에 집중된다. - **Coverage**: 100 km × 100 km 격자 단위로 사용자가 방문한 셀 수를 집계한다. 이는 거리와 무관하게 ‘얼마나 넓은 영역에 영향을 미쳤는가’를 측정한다. Coverage와 R은 높은 상관관계를 보이지만, 일부 도시는 높은 R에도 불구하고 상대적으로 적은 셀을 방문하는 등 차이를 나타낸다. 넷째, 지역 주민과 비지역 방문자를 구분하여 각각의 영향력을 별도로 평가하였다. 비지역 방문자는 평균 260개의 셀을 방문해 확산력에 크게 기여하는 반면, 지역 주민은 약 96개의 셀에 머물며 이동 범위가 제한적이다. 비지역 방문자의 비중이 높은 도시가 정규화 반경과 Coverage 모두에서 상위에 오르는 경향을 보인다. 또한, 도시 간 이동 네트워크를 구축하였다. 각 도시를 정점으로 하고, 비지역 방문자 흐름을 가중치로 하는 방향성 간선을 연결하였다. 전역 중심성 분석에서는 뉴욕과 런던이 가장 높은 베트위니스와 클로즈니스 점수를 획득했으며, 이는 기존 세계 도시 네트워크 연구와 일치한다. 그러나 지역(예: 아시아·태평양, 유럽) 수준에서 중심성 순위는 크게 변동한다; 홍콩·싱가포르·시드니 등이 지역 허브로 부상한다. 연구 결과는 다음과 같은 시사점을 제공한다. 첫째, 트위터 기반 이동 데이터는 전통적인 경제·인프라 지표와는 다른 ‘사회·문화적 연결성’을 포착한다. 둘째, 도시의 글로벌 영향력은 단순 인구·GDP가 아니라 방문자 구성비와 이동 패턴에 크게 좌우된다. 셋째, 전역·지역 네트워크를 동시에 고려해야 글로벌 도시 계층 구조를 정확히 이해할 수 있다. 마지막으로, 비지역 방문자의 비중이 높은 도시는 정보 확산 실험에서 가장 효율적인 ‘시작점’이 될 수 있음을 보여준다. 이와 같이, 본 연구는 ICT 기반 대규모 위치 데이터와 네트워크 과학을 결합하여 도시 영향력을 다차원적으로 정량화하는 새로운 방법론을 제시하고, 기존 세계 도시 이론에 대한 실증적 보완을 제공한다.