Journal Archive

2020년 1월 국내 첫 확진자가 발생한 코로나바이러스감염증-19(이하 코로나19)는 SARS-CoV-2 감염에 의한 호흡기 증후군으로 기침, 재채기 등으로 유발된 비말이나, 코로나19 바이러스에 오염된 물건과 접촉 후 눈, 코, 입을 만지는 등의 행위로 전파된다고 알려져 있다.

이론상 인구가 밀집한 공간 또는 인구 간 교류가 많은 지역은 전염병의 감염 위험성이 높은 공간이 될 것으로 예상할 수 있다(Glaeser, 2011). 반대로 타인과 거리를 둘 수 있는 폐쇄되지 않은 공간은 전염병 감염에서 비교적 안전할 것이다. 이와 관련해 도시계획적 논의에서 코로나19와 같은 전염병이 주제로 다루어지는 경우 인구밀도, 유동인구 등 인구 밀집과 관련된 요소를 다루는 경우가 많았다.

한편, 코로나19 상황에서 공간의 수요 변화는 그 자체로 전염병의 감염 가능성을 변화시킬 수 있다. 전염병으로부터 비교적 안전할 것으로 예상되는 공간은 유동인구가 많아질 수 있는데, 유동인구가 많아지는 경우 전염병 감염 위험성은 높아질 수 있다. 반대로 유동인구가 많아 감염 위험성이 높은 공간이라고 예상되는 공간은 사람들이 기피할 수 있으며, 이 경우 다소 위험성이 낮아질 수 있다. 실제로 유동인구 데이터를 사용해 2020년 1-4월 대전광역시의 사례를 살펴본 연구에서는 도심지역에서 유동인구가 감소하고 외곽지역에서 유동인구가 증가하는 현상이 관찰된 바 있다(장요한 외, 2020). 즉, 코로나19 대응 및 코로나19 이후의 도시계획 논의를 위한 기초 자료로서, 유동인구의 변화 패턴을 통하여 도시공간의 이용 특성을 구체적으로 파악할 필요가 있다.

본 연구는 코로나19 전후 도시공간의 이용자 측면에서 이용, 즉 수요의 변화의 시계열적 변화를 분석하고, 이러한 코로나19가 가져온 도시공간의 수요 변화를 핫스팟 분석을 통하여 밝히고자 하였다. 이를 위해 도시공간의 이용현황을 분석하기 위한 대리지표로서 유동인구 자료를 사용해 코로나19 이후 도시공간의 유동인구 변화를 분석하였다. 대상 지역은 2020년 2월 코로나19 1차 유행으로 큰 피해를 보았던 대구광역시이며, 기간은 2019년 및 2020년의 1-10월 자료를 이용하였다. 분석 자료는 50m 격자단위로 구성된 SKT의 일별 유동인구 자료를 사용하였다. 분석 과정에서는 용도지역 및 쇠퇴지역 여부에 따라 코로나19 전후의 유동인구 변화를 시계열 자료 분석 및 핫스팟 분석을 통해 살펴보았다. 이를 통하여 코로나19 전후 유동인구의 변화를 분석하여 도시공간의 수요가 어떻게 변화하였는지를 빅데이터를 통하여 실증적으로 분석하고자 하였다.

코로나19를 주제로 다룬 도시 관련 연구에서 도시의 밀도가 주요하게 다루어졌다. 코로나19를 주제로 다룬 도시 연구를 종합한 Sharifi and Khavarian-Garmsir(2020)의 연구는 도시설계 관련 연구를 크게 도시의 밀도와 녹지 및 오픈 스페이스라는 두 가지 주제로 세분하여 정리하였다.

코로나19와 관련한 도시 밀도 연구는 유동인구, 상주인구 밀도와 같이 인구의 밀집을 고려한 연구가 다수 수행되었다. Rahman et al.(2020)은 방글라데시를 사례로 유동인구, 인구밀도 등을 포함한 여러 인구사회학적 변수와 코로나19 확진자수와의 상관분석을 실시했다. 분석 결과 코로나19 초기 시점에서 인구밀도와 확진자수의 큰 상관관계가 발견되었으며, 인구수나 이주자수 등의 변수도 시간이 지남에 따라 점차 상관관계가 높아지는 것을 확인하였다. Bhadra et al.(2020)은 인도의 2020년 9월 10일까지의 사례에서 상관분석과 회귀분석을 사용해 인구밀도와 코로나19 감염 및 사망률 간의 관계를 분석하였다. 분석 결과, 코로나19 확산과 인구밀도 사이에 양의 상관관계가 도출됨을 확인하였다. Kadi and Khelfaoui(2020)는 알제리를 사례로 2020년 3월부터 6월까지의 코로나19 확진건수를 기반으로 군집분석을 실시했으며, 코로나19 확진건수와 인구밀도를 사용해 회귀분석을 실시했다. 회귀분석 결과 확진건수와 인구밀도 사이의 양의 상관관계가 나타남을 확인하였다. 한편, Carozzi(2020)는 미국을 사례로 인구밀도와 코로나19 확산 관련 속성에 대해 상관관계 분석을 실시하였다. 분석 결과 인구밀도와 카운티별 발병 시기 사이에 상관관계가 나타났다. 그러나 이 연구에서는 앞선 연구와는 다르게 인구밀도와 확진자수, 사망자수 사이의 상관관계를 주장할 근거는 부족하다고 명시하였다.

코로나19와 도시공간을 다루면서 세부적인 공간 특성을 함께 고려한 유동인구 연구도 다수 진행되었다. 이에 속하는 연구들은 코로나19 이후 도시공간 특성에 따라 이동성의 변화 양상이 다르게 나타난 측면에 집중하여 논의를 전개해나갔다. 대표적으로 Saha et al.(2020)은 구글에서 제공하는 안드로이드 기기 위치 기반 모빌리티 데이터를 사용하여 이동성 변화를 관찰하였다. 분석 과정에서는 이동제한조치 전후 시점에 초점을 맞추어, 지역별, 토지이용별 이동성 차이를 도출하였다. Morita et al.(2020)은 일본의 2020년 1-4월 데이터를 바탕으로 도시의 공간구조 특성 및 기후요인에 따라 수단별 통행거리와 방문하는 공간의 토지이용 특성에 영향을 주었다고 주장하였다. Geng et al.(2021)은 공원 방문 증가 현상을 다루었으며, 이동제한조치 상황에서의 공원의 중요성을 역설하였다. McKenzie and Adams(2020)는 토지이용 방식에 따라 인구 유동량과 정부 정책에 대한 반응 시간에 집중하였으며, 국가 간 결과를 비교하여 정책적 함의를 이끌어내는 연구를 진행하였다.

한편, 국내에서도 코로나19 상황에서 밀도와 관계된 다양한 도시계획적 논의가 진행되고 있다. 대표적으로 이삼수(2020)는 코로나19 이후 도시공간 이용 특성 변화 및 도시재생의 방향성에 대해 논하며, 저밀도 교외지역에 대한 선호도의 증가를 예상하였으며 도시재생적 측면에서도 비대면 기술의 중요성을 언급했다. 이왕건(2020)은 코로나19 시대의 도시 관련 정책을 폭넓게 다루었는데, 그중 집단이용시설의 경우 설치, 운영, 관리 기준의 개정이 필요함을 주장했다. 이시철(2020)은 도시밀도를 중요한 논의의 축으로 삼아 밀도와 안전의 연계성 및 도시계획의 정책적 방향을 논하였다. 손창우(2020)는 코로나19 이후 도시계획의 주요 이슈를 도출하기 위해 도심의 유동인구, 거주인구의 적정 밸런스에 대한 계획과 도시기능 및 토지이용의 제어를 주요 과제라고 보았으며, 또한 이러한 과제를 해결하기 위해 방역을 고려한 밀도와 토지이용 계획, 방역과 기본적 생산체계를 고려한 다중 지역단위체계 고려, 사회기반시설의 공간적 배분 강화가 필요하다고 주장하였다.

도시의 높은 인구밀도, 많은 유동인구 그 자체가 전염병 전파의 주요 요인이 아닐 수 있다는 주장은 도시의 효율성, 의료시스템에 대한 접근성, 충분한 사회기반시설, 제도적 기반 등 도시적 맥락이 전염병 대응에 있어 강점이 있다는 논리이다(Hamidi et al, 2020a; Hamidi et al, 2020b).

Hamidi et al.(2020b)은 미국을 대상으로 인구 밀도가 코로나19의 확진자수 및 사망률에 끼친 영향을 파악하기 위해 구조방정식 모델을 사용하여 분석을 진행하였다. 분석 결과 밀도와 확진자수 사이에는 유의한 상관관계가 나타나지 않았다. 또한, 인구밀도가 높은 카운티의 사망률이 유의하게 낮았는데, 이러한 결과가 강력한 사회적 거리두기 실천 및 더 나은 의료시스템에서 기인했을 수 있음을 주장하였다. 이후 진행된 Hamidi et al.(2020a)의 연구는 코로나19 감염률과 인구밀도 사이에서 음의 관계가 발견되었다. 이들은 결과에 대해 전염병의 대규모 유행과 인구밀도 사이의 관계가 일반적 예상보다 복잡하게 작용할 수 있다고 주장하였다. 인구밀도는 사회적 거리두기를 어렵게 하는 요인으로 전염병 상황을 악화시킬 수 있지만, 반대로 전염병 유행에 대처를 위한 충분한 공중 보건 인프라 구축의 요인이 될 수도 있다는 것이다. 김현우(2020)는 코로나19의 도시적 대처에 있어 밀도의 관점에 대해 다루었는데, 단순 인구밀도보다는 혼잡함의 관점에서 접근할 필요성을 언급하였으며, 고밀도시의 효율성, 재정능력이 전염병 대처에 도움이 될 수 있음을 주장하였다.

한편 도시적 맥락이 결여된 공간의 높은 전염병 위험성을 다룬 연구를 검토해볼 필요가 있다. 도시화 과정과 전염병의 공간성을 다룬 Connolly et al.(2021)의 연구는 사회적, 기술적 기반시설 부족이 도시의 전염병 위험을 증가시킬 수 있다고 주장하였다. Blumenshine et al.(2008)은 소수인종 및 저소득층의 의료 인프라에 대한 접근성 부족이 전염병 유행 상황에서의 건강 불평등을 일으킨 요소 중 하나로 보고 있으며, Kim et al.(2020)의 연구에서는 소득 수준에 따라 코로나19 사망률에 차이가 있음이 나타나기도 하였다. Manzanedo and Manning(2020)은 코로나19와 기후변화의 공통점과 차이점을 다룬 연구에서 코로나19가 기후변화와 마찬가지로 공간적 불평등성을 나타내고 있으며 사회적 계층에 따라 그 피해의 정도가 다르다는 점을 언급하고 있다. Klugman and Moore(2020)는 기존에 존재하던 주거적 차이나 공간적 불평등이 코로나19 위기를 구성함에 있어 끼친 영향을 연구했다. 이 연구는 코로나19 위기가 주거분화, 공공 서비스에 대한 접근성, 노숙자 문제 등 기존부터 도시 내에 존재하던 공간적 차이를 심화시켰으며, 코로나19 위기가 진행 중인 연구 진행 시점에도 그 차이가 심화되고 있다고 주장하였다. David et al.(2020)은 남아프리카공화국을 대상으로 실시한 실증연구에서 지역적 부유 지표(wealth index), 코로나19 취약성 지표(vulnerability index), 이동제한 조치의 준비성 지표(lockdown readiness index; 식수, 전기 등 인프라에 대한 접근성 및 정보 접근성과 위생적 요소를 고려한 지표)를 설정하고 지표 간 상관분석을 실시하였다. 분석 결과 부유 지표가 높은 지역일수록 이동제한 조치에 대한 준비 정도가 높게 나타났고, 코로나19 취약성 지표가 낮게 나타났다. 이들은 코로나19 대응에서 이러한 지역적 특성을 고려한 공간정책이 필요함을 주장하였다.

핫스팟 분석은 가장 일반적으로 다루어지는 공간적 집중의 분포형태로, 특정 지역에 공간적 사건이 집중된 형태로 나타날 때 이를 핫스팟이라고 한다(강호제, 2008). 핫스팟 분석은 산업집적지 분석, 범죄다발지역 분석, 생태학에서의 식생 분포 등 공간적 사상의 지리적 집중을 분석하기 위해 다양한 분야에서 사용된다(정경석, 2010).

한편, 유동인구 자료는 도시의 동적 활동을 파악하는 효과적인 지표로, 시민들의 공간적 수요를 드러낼 수 있어 도시관리의 수요예측적 측면에서 중요한 역할을 할 수 있는 자료이다(변미리·서우석, 2011; 정윤형·문태헌, 2014). 공간적 수요를 드러내는 유동인구의 특성에 기반할 때, 유동인구를 사용한 핫스팟 분석은 도시 내 수요가 집중(핫스팟)되거나 분산(콜드스팟)되는 공간을 효과적으로 파악하는 방법이다.

유동인구를 활용한 핫스팟 분석의 대표적인 연구로는 김의명 외(2019)는 범죄취약 추정지역 도출을 위해, 커널밀도 분석을 사용하여 유동인구가 적은 지역을 도출하였으며, 도출된 결과와 공간적 위험지역의 중복 지점을 찾아 세부적으로 분석하는 연구를 진행하였다. 박예림·강영옥(2019)은 유동인구 데이터를 사용해 서울시 도보관광코스의 유동인구를 분석하는 연구를 진행하였다. 유동인구 분포의 공간 특성 분석을 위해 커널 밀도 분석을 실시하였으며, Getis-ord Gi*를 계산하여 통계적으로 유의한 핫스팟, 콜드스팟을 도출하였다. 이를 바탕으로 관광 코스별 유동인구 특성을 정리하였다. Yun et al.(2018)는 인천 송도의 100m 그리드 유동인구 자료를 사용하여 Getis-Ord Gi*를 통한 핫스팟 분석 및 STSS(Space-Time Scan Statistics)를 사용해 도시공간의 분석과정에서 유동인구의 적용 방식에 논하였다. 이 과정에서 기존 센서스 기반의 인구 데이터에서는 도출하기 어려운 실시간의 도시적 함의를 이끌어 낼 수 있다고 주장하였다.

코로나19를 주제로 한 다수의 도시계획 연구는 도시 전체의 코로나19 확진자수, 사망자수 등 코로나19 관련 변수에 대해 인구밀도나 유동인구가 어떤 상관관계를 갖는지 분석하는 방식으로 진행되었다. 일반적으로 도시 내의 지역 특성을 고려한 토지이용 구분에 따라 인구 유동량의 차이를 보고자 한 연구가 여러 지역에서 진행되었다. 특히 국내에서 코로나19 이후 도시 내의 용도지역 등 토지이용 특성에 따른 유동인구의 변화를 연구한 논문은 거의 없다고 볼 수 있다.

앞선 논의의 방향과는 다르게 인구밀도나 유동인구가 전염병 전파의 주요 요인이 아닐 수 있으며, 효율성이나 인프라 접근성과 같은 도시공간의 특징이 오히려 전염병 대응에 강점이 있을 수 있다는 주장의 연구도 일부 수행되었다. 이러한 관점은 도시적 특징의 결여가 전염병 위험을 높일 수 있다는 주장과 연결될 수 있다. 이와 관련하여 공간적 차이, 공간 불평등성을 주제로 다룬 연구(Blumenshine et al., 2008; Manzanedo and Manning, 2020; Klugman and Moore, 2020; David et al., 2020)들이 수행되었으나 한국을 대상으로 한 공간적 차이, 불평등을 다룬 전염병 관련 연구는 Kim et al.(2020)가 대표적이며, 아직 활발히 논의되지 못하고 있다.

한편, 유동인구 자료는 시민들의 공간 수요 및 공간 이용을 직접적으로 파악할 수 있는 자료이다. 기존 국내 연구에서는 유동인구 핫스팟을 범죄, 관광, 인프라 등의 관점에서 다루었지만, 코로나19와 관련하여 핫스팟 분석을 통한 도시공간의 수요 변화를 분석한 연구는 없었다. 코로나19 이후 도시관리의 수요예측 측면에 유동인구의 핫스팟 분석을 통해 도시공간의 수요가 집중되거나 분산되는 공간을 파악할 수 있다. 또한 코로나19와 같은 감염병과 관련하여 보다 적합한 도시계획적 대응을 위해서는 용도지역이나 쇠퇴여부 등 토지도시공간 특성을 기존의 행정구역 단위보다 세밀한 공간단위로 탐색할 필요가 있다.

이에 본 연구는 유동인구 자료를 사용하여 코로나19 이후 도시공간 이용특성을 시계열 및 공간적 변화 양상을 밝히는 것을 목적으로 한다. 분석 과정에서는 용도지역과 쇠퇴지역 여부를 구분하여 유동인구 변화를 탐색하였다. 또한, 핫스팟 분석을 통하여 공간 수요가 집중되거나 분산된 공간을 도출하여 공간적 특성을 도출하였으며, 이를 통해 코로나19 이후 공간이용특성의 변화를 통해 도시계획적 함의를 도출하고자 하였다.

본 연구의 분석 지역은 대구광역시이다. 대구시는 2월 19일부터 시작된 코로나19의 1차 유행이 발생했던 곳이며, 1차 유행으로 인하여 감염병에 대한 사전정보가 충분하지 못하여 다른 지역에 비해 시민들의 학습경험이 없었던 상황을 직접적으로 확인할 수 있는 지역이다(그림 1).

Figure 1. 
Confirmed COVID-19 cases

연구의 기초가 되는 자료는 통신사(SKT)의 기지국 데이터 기반 일별 50×50m 사각형 그리드로 구축된 유동인구 데이터이다. 자료는 비식별화 과정을 거친 기지국 단위 원천 데이터를 사용하여 특성별 가중치(휴대폰 미소지자 비율 및 Power-off 비율)와 지역별 가중치(집객시설 가중치 및 통신사 점유율 가중치)를 적용하여 전수화한 후 50m 그리드에 배분되는 과정을 거쳐 구축된다.

통신 데이터를 사용한 유동인구 데이터의 경우 전수화를 위한 표본의 크기가 크다는 것이 장점이며 이는 자료의 신뢰성을 향상시키는 요인으로 볼 수 있다. 이와 관련해 김종학 외(2014)의 연구에서는 SKT 통신사 데이터를 기반으로 구축된 활동인구 데이터와 통계청의 주간활동인구의 상관계수가 0.94로 분석되었는데, 이에 대해 통신사 데이터 기반의 활동인구 자료가 기존 통계자료를 대체하거나 보완할 수 있는 자료로 활용이 가능함을 주장하였다. 하지만 분석의 신뢰성이 통신사의 자료 가공 및 전수화 과정에 의존하는 한계가 있다.

본 연구에서 사용하는 통신데이터 기반 유동인구 자료는 개인별, 시간대별 중복이 포함된다. 가령, 특정 개인 A가 같은 장소에 24시간 머물렀다면 A가 일별 유동인구 전체량에 미치는 영향은 24가 된다. 반면 특정 개인 B가 1시간에 5곳의 기지국에 기록되도록 꾸준히 24시간 동안 움직였다면 B가 일별 유동인구 전체량에 미치는 영향은 120(24×5)이 된다.

본 연구의 목적은 코로나19 이후 도시공간의 공간 수요 변화 및 공간별 이용특성을 분석하는 것이다. 이를 위해 전체적인 유동인구 변화 패턴 탐색을 위해 시계열 자료의 기초 분석을 실시하였다.¹⁾ 이후 세부 공간별 이용 특성 분석을 위해 핫스핫 분석을 실시하여 도출된 핫스팟과 콜드스팟의 도시공간 특성에 대해 논하였다.

시계열 자료 분석 과정에서는 대구시의 용도지역 및 쇠퇴지역 구분에 따라 유동인구의 일별 시계열 변화를 탐색하였다. 유동인구의 경우 자료의 기초 탐색 과정에서 주간 패턴이 발견되어, 시계열 분석에서 7일 이동평균을 사용하였다.

용도지역은 토지이용 특성에 따른 유동인구 변화 분석을 위해 사용한 구분기준이다. 대전광역시의 사례를 다룬 장요한 외(2020)의 연구는 도심지역의 유동인구 감소 및 외곽지역의 유동인구 증가 현상을 밝혔는데, 대구시에서도 유사한 현상이 발생할 것으로 보았다. 이에 용도지역별로 유동인구 변화에 차이가 존재할 것이라는 가정하에 분석을 실시하였다.²⁾

쇠퇴지역은 「도시재생 활성화 및 지원에 관한 특별법 시행령」 제17조에 따른 개념으로, 인구, 산업, 주거환경적 요소를 복합적으로 고려하여 선정되는 지역이다.³⁾ 쇠퇴지역 여부에 따른 분석은 밀도 그 자체보다는 어메니티 및 공공인프라에 대한 접근성이 팬데믹에 대한 취약성에 차이를 줄 것이라는 기존의 연구에 기반하였다. 국내 쇠퇴지역의 재난재해와 관련하여 왕광익 외(2014)는 쇠퇴지역은 도시재해에 대한 피해가 상대적으로 크게 나타날 수 있는 지역이라고 주장하였으며, 김리영·허창호(2020)는 쇠퇴지역에 거주하는 취약계층이 감염병을 포함한 자연, 사회적 재난에 취약할 수 있다고 주장하였다.

용도지역이나 쇠퇴지역 여부와 같이 본 연구에서 사용한 공간 구분에 따라 상주인구수의 규모, 유동인구의 변동 패턴 등이 상이하게 나타나기 때문에, 공간 구분 간의 비교를 위해 Z-점수를 사용하여 표준화하였다. 표준화 과정에서는 코로나19가 영향을 미치기 전인 2019년의 평균과 표준편차를 사용하여 표준화하였다. 즉, 표준화된 그래프에서 값이 0인 경우 이는 각 공간단위별 2019년의 평균값을 의미한다.

이후 대구시 전체의 유동인구 변화의 결과를 공간적으로 살펴보고, 핫스팟 분석을 통해 주변보다 두드러진 유동인구의 증가 또는 감소 지역을 도출하였다. 전년대비 증가 또는 감소에 초점을 맞추기 위해 변화율을 기준으로 핫스팟 분석을 실시하였다. 변화율 계산 과정에서 2019년 자료의 유동인구가 0 또는 0에 근접한 숫자로 매우 적은 경우, 유동인구가 조금만 증가해도 증가율이 매우 높게 계산되어 핫스팟 분석의 결과에 영향을 미칠 수 있다. 이러한 현상을 방지하기 위해 변화율이 500%를 초과하는 경우 모두 500%로 처리했다. 2019년 자료에서 유동인구가 기록되지 않아 증가율 산출이 불가능한 지역은 핫스팟 분석 과정에서 제외하였다.

핫스팟과 콜드스팟 도출 과정에서는 국지적 군집패턴을 확인하기 위해 Getis-ord Gi* 통계량를 계산하여 사용하였다[식 (1)]. Getis-ord Gi* 통계량은 Z검정을 통해 데이터의 국지적 군집 여부를 판단하는 데 사용된다. 계산된 결괏값은 Z-점수이며, 이 결괏값이 설정된 신뢰구간보다 높은 경우 높은 속성의 데이터가 군집된 것으로, 낮은 경우 낮은 속성의 데이터가 군집되어 있는 곳으로 볼 수 있다(Getis and Ord, 1992; Ord and Getis, 1995).

(1)

Getis-Ord Gi* 통계량을 계산하는 과정에서 공간가중치 행렬이 정의되어야 한다. 공간가중치행렬을 구축함에 있어 사각형 그리드 기반 자료임을 고려하여 인접성 기반으로 접근하였으며 특정 그리드의 꼭짓점 및 선분을 공유한 상하좌우, 대각선의 8개 셀을 인접 셀로 취급하는 Queen’s contiguity 기반의 공간가중치 행렬을 구축하였다. 여기서 p-value는 통계값의 유의수준을 의미하며, 본 연구의 분석 과정에서 검토한 결과 99%, 95% 신뢰수준을 사용한 경우 매우 일부 지역만 핫스팟, 콜드스팟으로 도출되어 공간적 분포 특성 확인이 어려웠다. 이에 90% 신뢰수준을 적용하여, Getis-Ord Gi* 값이 1.645를 초과하는 지역을 핫스팟, -1.645 미만인 지역을 콜드스팟으로 보았다.

한국의 코로나19 첫 확진자는 2020년 1월 20일에 발생했다. 이로부터 한 달여가 지난 2월 19일, 대구광역시에서 종교단체발 집단 감염 사태가 발생했다. 이는 한국의 코로나19 1차 유행으로 그 여파가 4월 초까지 이어졌다. 이후 8월 15일을 전후하여 수도권을 중심으로 2차 유행이 시작되었으나, 대구의 확진자수는 1차 유행과 비교할 때 크게 증가하지 않았으며 이후 10월까지 소규모로 확진자 발생이 지속되었다.

대구시의 코로나19 확산 과정이 진행되며 유동인구도 크게 변화했다. 1차 유행이 시작된 2월 19일을 기준으로 유동인구는 급감하기 시작하여, 이후 5일간 유동인구가 크게 감소하였다(그림 2). 2월 19일부터 23일까지 일별 유동인구는 약 1,000만, 920만, 880만, 710만, 580만 명을 기록했는데, 19일과 23일을 비교하면 유동인구는 약 42%(약 420만 명)가 감소하였다. 이는 대구시의 주민등록인구가 2019년 243.8만 명, 2020년에는 241.8만 명으로 약 2.0만 명(0.81%) 감소한 것과 비교하더라도 유동인구의 감소가 더 크게 나타났다.

Figure 2. 
Daily floating population (Daegu) and the number of confirmed COVID-19 cases⁴⁾

2020년의 유동인구를 월 단위로 합산하면 3월의 유동인구는 2019년 대비 23.43% 감소하였으며, 4월에는 15.62%, 5월 10.37% 그리고 6월에는 12.05%가 감소하였다. 이후 7월부터 9월까지는 전년 대비 감소율이 5-7% 사이에서 머물렀으며, 2020년 10월 유동인구는 전년 대비 0.35% 감소한 수치로 2019년 유동인구 수치에 근사한 모습을 보였다(표 1).

<그림 3>은 유동인구를 용도지역별로 표준화하여 나타낸 Z-점수 그래프이다. 우선 상업지역은 1차 유행 시기에서 매우 크게 유동인구가 감소하였다. 주거지역과 녹지지역의 경우 유사한 수준의 감소폭을 보였으며, 공업지역은 다른 지역과 마찬가지로 1차 유행 시작 시점에서 유동인구가 감소하지만, 다른 용도지역과 비교해 감소폭은 적었다.

Figure 3. 
Z-score of floating population by land use (Daegu, 7-day moving average)

1차 유행 시점에서의 유동인구 급감 이후 다시 유동인구가 반등하는 시점은 모든 용도지역에서 유사하게 나타났다. 그러나 회복에 소요되는 시간에 일부 차이가 있었다. 상업지역은 감소폭이 큰 만큼 회복에도 오랜 시간이 소요되었다. 녹지지역은 다른 지역과 비교해 빠르게 유동인구가 반등하는 모습을 보였다. 주거지역의 경우 녹지지역보다는 더디게 회복했지만 꾸준한 회복세를 보였으며, 공업지역도 마찬가지로 일관된 회복세를 나타내었다.

2차 유행 시기인 8월 15일 전후 시점에서도 1차 유행시기와 비슷한 몇 가지 패턴이 나타났다. 우선 상업지역의 유동인구가 크게 감소하였으며, 주거지역과 녹지지역의 유동인구가 유사한 수준으로 하락하였다. 녹지지역의 경우 유동인구 감소 이후 빠르게 회복되는 모습을 보였다. 공업지역의 경우 비교적 유동인구 감소가 적다는 점도 1차 유행 시기와 유사한 모습으로 나타났다. 한편, 2차 유행의 유동인구 변동의 경우 몇 가지 패턴은 1차 유행과 유사하게 나타났지만 그 변동폭은 작게 나타났다. 그러나, 2차 유행에서 대구시의 확진자수가 1차 유행과 비교해 많지 않다는 점을 고려할 때(그림 2), 유동인구가 실제 코로나19 확진자수 발생과 비교해 민감하게 반응했음을 알 수 있다.

쇠퇴지역 여부에 따른 구분에서도 유동인구 변화의 차이가 나타났다(그림 4). 우선 2019년의 경우 쇠퇴지역 여부에 따라 유동인구 변화 양상이 크게 다르지 않게 나타났다. 그러나 1차 유행 시작점인 2월 19일을 기점으로 두 지역 사이에서 유동인구 Z-점수의 차이가 발생하기 시작했다. <표 1>에서 쇠퇴지역 여부에 따른 월별 합산값을 살펴보면 2-9월의 자료에서 쇠퇴지역이 비쇠퇴지역 대비 더 큰 유동인구 감소율을 나타내고 있다. 대표적으로 3월의 경우 쇠퇴지역이 전년대비 26.92% 감소한 것과 비교해 비쇠퇴지역은 전년대비 16.10%가 감소하는 모습을 나타내며 10%p 이상 차이가 발생한 모습을 나타냈다.

Figure 4. 
Z-score of floating population in declining & non-declining area (Daegu, 7-day moving average)

1차 유행 시기의 유동인구 감소 이후 유동인구가 반등하는 구간을 쇠퇴지역 여부에 따라 살펴보면, 동일한 표준화 점수까지 회복하는 데 쇠퇴지역에서 더 많은 시간이 소요되었다. 하락폭이 적었던 비쇠퇴지역이 전년 평균치에 더 빠르게 근접하는 모습을 나타냈다. 8월 중순의 2차 유행에서도 쇠퇴지역에서 유동인구가 더 많이 감소하였는데 이는 1차 유행시기와 유사한 모습이다. 월별 총 유동인구를 기준으로, 비쇠퇴지역은 전년 대비 8월에는 6.55%, 9월에는 2.83% 감소한 것과 비교해, 쇠퇴지역은 8월 7.88%, 9월 6.92% 감소하는 모습을 보이며, 쇠퇴지역에서 유동인구가 조금 더 감소한 것을 알 수 있다.