Current Issue

관광지는 여러 차원에서 정의될 수 있다. 선행연구에서는 물리적 여건, 서비스, 인식 등 다양한 기준을 통해 관광지를 설명한다. 이순자 외(2020)는 시설과 콘텐츠 및 프로그램 등의 관광상품을 보유하고 관련 서비스를 제공하는 일정한 공간을 관광지로 정의하는데, 이는 물리적 여건과 서비스를 고려한 정의이다. 한편, 김범진 외(2014)는 전반적인 인상으로부터 형성된 이미지에 근거해 선택된 공간을 관광지로 정의하며, Fakeye and Crompton(1991)은 관광객이 목적지에 대해 갖고 있는 신념, 생각, 인상의 총합을 관광지로 설명한다. 이러한 정의들은 관광객의 인식이라는 차원에서 나온 것이다. 이 외에도 윤주 외(2021)는 지역 경제 활성화 등 관광 행위가 지역에 미치는 영향을 고려하여 관광지를 정의한다. 이처럼 관광지는 정의되는 차원과 수준에 따라 그 개념이 달라진다.

여러 선행연구에서 관광지를 개념적으로 다양하게 정의하지만, 자료 구득의 편의성 등을 고려하여 다수의 연구에서는 법적 정의를 사용한다(e.g., 김범진 외(2014); 이순자 외, 2020; 윤주·김향자, 2022; 한국은행, 2023). 「관광진흥법」 제2조에서는 관광지를 ‘자연적 또는 문화적 관광자원을 갖추고 관광객을 위한 기본적인 편의시설을 설치하는 지역’으로 규정한다. 이에 근거하여 문화체육관광부가 지정한 관광지는 전국적으로 225개(2024년 5월 기준)이다. 부산에서는 ‘기장도예촌’, ‘용호씨사이드’, ‘금련산 청소년수련원’, ‘태종대’, ‘해운대’ 총 5곳이 관광지로 지정되었다.

반면, 본 연구는 사람을 끌어당겨 체류·소비·경험이 응집되는 공간적 결절점으로 관광지를 정의한다. 기존의 법적 정의는 편의시설이나 자연·문화 자원 등 물리적 요소에 집중함으로써, 관광객의 주관적 인식이나 체험, 지역과의 상호작용을 충분히 반영하지 못하는 한계를 가진다. 최근에는 관광지를 폭넓게 이해하려는 시도가 이어지고 있다. 관광지를 관광객의 이동 패턴과 소비 네트워크를 기반으로 유동적이고 기능적인 공간으로 규정하거나(Paulino et al., 2021), 공간·시간·참여 측면을 통합한 복합적 체험 공간으로 바라보는 관점도 있다(Navarro-Ruiz et al., 2020).

기존 연구에서는 방문자 수, 지역 축제 및 관광 프로그램 수, 접근성을 비롯한 여러 지표를 사용하여 관광지를 유형화했다. 다수의 연구에서는 특정 관광지의 활성화와 쇠퇴를 평가하기 위해 방문자 수를 주요 지표로 선정하여 활용했다(e.g., 이순자 외, 2020; 이정원, 2023; 한국은행, 2023). 또한, 관광객의 연령대별 특성은 관광지 이미지와 만족도를 평가하는 데도 활용될 수 있다(Ceylan et al., 2021; Davras, 2021). 지역 축제와 관광 프로그램은 관광지 매력도를 높이는 변수로 평가되며, 다양한 관광객 유형의 요구를 충족시키는 데 기여한다(이정원, 2023; 이순자 외, 2020; 황지은·장태수, 2021). 접근성 역시 중요한 요인으로, 관광지에 대한 물리적 접근 가능성을 이해하는 데 활용된다(신기혁, 2015; Batista e Silva et al., 2021).

관광산업에서 청년층은 높은 소비력, 재방문 가능성, 관광 수요로 인해 중요성이 대두되고 있다(Caber et al., 2020). 청년은 자율적 의사결정을 행하는 20대 이상인 사람으로 정의된다(김하얀 외, 2018). 이들은 시간이나 건강 문제, 자녀 돌봄 등의 제약에서 비교적 자유로워 관광 활동에 더 적극적으로 참여할 수 있으며, 가성비와 시간 대비 만족도를 중요하게 생각하는 경향이 강하다(윤동환, 2021; Bae and Chick, 2016). 특히, 청년층은 IT 기술 활용에 능숙하여 SNS와 같은 디지털 플랫폼을 통해 여행 정보를 빠르고 자유롭게 공유하며, 이러한 정보는 다른 관광객들에게 큰 영향을 미친다(황경성, 2001). 이처럼 청년층의 활동은 관광지의 성장과 발전에 중요한 지표로 작용하고 있다.

외국인 관광객은 지역 경제 활성화에 있어 매우 중요한 역할을 한다. 내국인 관광객의 경우 인구 자체의 한계가 있지만, 외국인 관광객은 관광객 수의 폭이 넓다. 또한, 외국인 관광객은 관광지에서 더 많은 지출을 하는 경향이 있어 지역 경제에 미치는 파급 효과가 크다. 2023 부산 방문 관광객 실태 조사(부산관광공사, 2024)에 따르면, 부산의 경우 내국인 관광객의 1인당 하루 평균 지출이 약 32만 원인 반면, 외국인 관광객은 약 73만 원($567.7)이다. 이러한 높은 소비력은 숙박, 음식, 쇼핑 등 다양한 분야에서 지역 경제에 큰 활력을 불어넣는다. 신기혁(2015)은 중국인 관광객이 한국 관광산업에서 가장 중요한 외국인 관광객으로, 부산의 경제 활성화와 국가 경제 성장에 크게 기여하고 있음을 강조했다. 이렇듯 외국인 관광객은 지역 내 상권을 더욱 활성화하는 데 결정적인 역할을 하므로, 외국인 관광객 유치가 매우 중요하다.

최근 관광 분야에서 빅데이터의 중요성이 대두되며, 다수의 선행연구(주혜진, 2022; 김예림·성종상, 2023; Liu et al., 2020)에서는 SNS, 웹사이트 등 디지털 플랫폼에서 얻을 수 있는 데이터를 활용하고 있다. 이는 기존의 단편적인 데이터로는 확인하기 어려운 관광객의 복합적인 이동 패턴, 선호도 등을 실시간으로 파악할 수 있다(Takahashi et al., 2020). SNS를 통해 방문객들이 남기는 후기와 사진은 특정 관광지의 인기도를 반영하며, 이를 분석함으로써 관광객들의 평가를 파악할 수 있다. Google Map 리뷰 데이터와 같은 사용자 제공 데이터를 활용해 관광지별 별점을 분석함으로써 관광객의 만족도를 파악할 수 있다(이병언·김신원, 2023). 관광지의 방문 만족도를 분석하는 것은 관광지 유형화에서 중요한 요소이다. 만족도는 단순히 현재의 평가를 넘어서, 미래의 공간 이용 행태와 패턴을 예측하는 데 중요한 예측 변수로 활용될 수 있기 때문이다(송흥규, 2021). 또한, 공간에 대한 사용자의 만족도가 높을수록, 해당 공간을 추천하거나 재방문할 가능성이 커지며, 이는 공간의 지속적인 발전에 기여된다(유경미·신은정, 2023).

관광지 유형화 연구는 다양한 지표들을 통해 지속해서 발전해왔으며, 특히 클러스터링 및 분류 기법을 활용한 정량적 분석이 활발히 이루어져 왔다. K-평균(means), 계층적 군집분석과 같은 기법은 관광지의 접근성, 방문객 관련 통계 지표, 주변 기반 시설 등을 활용하여 유형을 도출하는 데 사용되었으며(Gomez-Vega et al., 2022; Rochman et al., 2022), 최근에는 공간 네트워크나 시공간적 특성을 반영한 접근도 시도되고 있다(e.g., Liu and Liao, 2021). 그러나 기존 연구는 유형화 기법 자체나 개별 관광지의 속성에 집중하는 경향이 강해, 관광지 주변 환경이나 관광지 간 연계성을 함께 고려한 연구는 여전히 부족한 실정이다.

본 연구는 관광지와 함께 관광지의 주변 환경·맥락을 고려했으며, 네트워크 분석을 통해 관광지 간 연계성을 반영했다. 이는 주변의 문화소비 여건과 같은 환경적 특성과 관광지 간의 상호작용을 명확히 드러내는 것이다. 나아가, 단순한 지리적 인접성이나 행정구역 기준이 아닌, 실제 관광 행태 기반의 유사성을 중심으로 관광지를 유형화한 점에서 기존 연구와의 차별성을 갖는다.

본 연구에서는 관광지의 고유 특성과 주변 환경을 함께 분석하기 위해 관광지와 그 반경 500m를 각각 분석의 공간 단위로 설정했다. 관광지는 정책적 공급 논리와 실제 수요 흐름을 결합한 실질적 공간 단위로 조작화했으며, 한국관광 데이터랩에서 정의한 부산 내 관광지 242개를 활용했다. 이는 관광지를 단순히 법적·행정적 결정이 아닌, 정책적 의도와 관광객의 이용 실태를 아우르는 분석 단위로 확장하기 위함이다. 구체적으로, 문화체육관광부와 한국관광공사가 선정한 테마 관광지를 ‘공급측 앵커’로 삼고, KT와 TMAP의 공동 관심 지점(Point of Interest, POI)을 ‘수요측 검증’ 장치로 활용했다. 한국관광 데이터랩에서 제공하는 관광지는 테마 관광지와 통신 데이터 기반 POI의 교집합을 기준으로 설정되기에 관광객의 경험과 정책 목표를 동시에 반영하는 분석 단위로 기능한다. 관광지는 행정 등록 주소로 지오코딩하여 지도상에 대표 위치를 부여했다. 이는 지도상 표기를 위해 주소를 좌표 변환한 것일 뿐, 관광지를 고정된 점(point)으로 인식하지는 않는다.

이어서, 관광지 주변의 인구 특성이나 문화소비 여건 등 맥락적 요인을 반영하기 위해 관광지 반경 500m를 관광지 주변으로 설정했다. 관광지 주변은 행정구역을 기준으로 설정되는 경향이 있으나, 관광객의 실제 이동과 체험 관점을 반영해 주변 지역을 정의할 필요가 있다(Paulino et al., 2021). 도보권은 주로 500m 내외로 설정되며(e.g., 고두환 외, 2015; 원종욱·이현수, 2021; 김예림, 2022), 이를 반영해 관광객이 도보로 쉽게 이동하며 소비·체류할 수 있는 현실적 주변 단위로 반경 500m를 설정했다. 한편, 분석의 시간적 범위는 최근 부산 관광 현황을 반영하기 위해 주로 2023년으로 설정했다. 그러나 일부 자료의 제약으로 인해 2021년, 2022년, 2024년 자료를 보완적으로 활용했다.

관광지출 패턴은 개별 관광지가 아닌 시·군·구 단위에서 탐색했다. 이는 현실적으로 접근할 수 있는 자료의 집계 수준에 따른 문제다. 그러나 지역 수준에서 유형별 관광지 분포와 소비 구조 간 간접적 연관성을 탐색할 수 있다는 점에서 의의가 있다.

본 연구에서는 한국관광 데이터랩, 부산빅데이터혁신센터, 국토정보플랫폼, 각종 관광 웹사이트, 국가철도공단, Google Map에서 제공하는 자료를 사용했다(Table 1). 먼저, 공간 단위를 행정구역(시·군·구)인 변수로는 지역별 관광지출액이 있다. 지역별 관광지출액 자료는 신용카드 데이터를 활용해 지자체별 관광 소비를 분석할 수 있는 신뢰성 높은 자료다. 관광 빅데이터 분석 가이드라인을 수립한 연구를 따라(한국관광공사, 2022), 업종별로 세분화된 지출 정보를 반영해 관광 소비 동향을 정확히 파악할 수 있다. 특히, 이는 관광지의 경제적 영향을 평가하는 데 매우 유용하다.

다음으로, 생활인구와 핫플레이스(hot-place) 비율은 관광지 반경 500m를 공간적 단위로 하는 변수이다. 생활인구는 특정 시점에 특정 지역에 거주하거나 업무, 관광, 쇼핑 등으로 일시적으로 방문하여 행정수요를 발생시키는 인구를 말하며, 이는 휴대전화 사용 패턴과 위치 정보 기반의 추정치를 통해 산출된다(매시간 스냅숏 측정 데이터). 이를 통해 해당 관광지 주변의 행정수요 규모를 효과적으로 파악할 수 있다. 한편, 핫플레이스는 관광지 주변의 문화소비 가능성, 공간 활성도, 연계 활동 여건 등을 반영하기 위한 맥락적 변수로 활용되었다. 이는 김성아 외(2023)가 제시한 “사람들이 선호하는 음식점과 매장들이 밀집되어 있으며, 이에 대한 정보를 미디어로 공유함으로써 더 많은 사람들이 방문하게 되는 지역 또는 장소”라는 정의에 기반한다. 이를 정량화하기 위해, V-World에서 제공하는 국가관심지점정보(POI) 자료를 활용하였다. 이는 국가의 행정, 복지 등 고유업무 수행 과정에서 축적된 다양한 공공행정정보(원자료)를 통합 가공하여 위치기반 서비스 및 다목적 활용을 위해 구축된 데이터로, 관광자원, 상업시설, 숙박업체, 기반 시설 등 관광 관련 장소를 포함한다. 본 연구에서는 단순 POI 밀도가 아니라 관광지 주변 맥락을 정의하려는 의도와 부합하도록 관광과 연관성이 높은 시설군만 선별하여 활용했다. 구체적으로는 선행연구(e.g., 주혜진, 2022; 김예림·성종상, 2023)에서 도출한 주요 키워드와 관련 시설 유형을 참고하여, 관광객의 소비와 활동을 유도할 수 있는 시설(숙박, 음식, 서비스, 관광 및 레저, 문화 및 예술, 스포츠 시설)만을 추출했다.

선행연구에서는 대부분 SNS 데이터를 이용하여 텍스트 마이닝을 통해 핫플레이스를 정의한다(e.g., 주혜진, 2022; 김예림·성종상, 2023). 그러나 SNS 데이터의 경우 핫플레이스와 무관한 정보 및 주관성이 포함될 가능성이 크다(김성아 외, 2023). 국가관심지점정보는 포인트 좌표로 제공되어 이러한 단점을 보완할 수 있다(조월 외, 2021). 이를 이용하여 시설의 집중도를 파악할 수 있으며, 이는 도시 활력을 의미한다(Jacobs, 1961).

핫플레이스는 100m×100m 격자 단위로 핫스폿 분석을 시행하여 도출했다. 핫스폿 분석(hot spot analysis)은 데이터의 공간적 배열과 분포를 고려하여, 통계적으로 의미 있는 공간적 군집을 형성하는 분석 방법이다. 이를 통해 데이터의 공간 분포 특성을 파악할 수 있다(김성아 외, 2023). 핫스폿 분석으로 Getis and Ord’s Gi*을 이용했다(Getis and Ord, 1992). Gi*가 유의미한 양수인 지역은 핫스폿(hot spot)으로 구분되며, 유의미한 음수인 지역은 콜드스폿(cold spot)으로 구분된다(이미숙·여관현, 2021):

(1)

식 (1)에서 i와 j는 분석의 공간 단위(지역, 지점 등)를 나타내며, x_i는 지점 i의 속성 데이터값을 의미하고, w_ij는 지점 i와 j간의 공간적 가중치를 나타낸다. n은 분석 대상의 전체 지점 수를 뜻한다. 이때, X는 데이터값의 평균이며, S는 표준 편차를 의미한다.

본 연구에서는 ArcGIS pro 3.2 버전을 사용하여 핫스폿 분석을 수행하였다. 공간 가중치는 일정 거리 이내의 이웃 피처(neighboring feature)에 가중치 1을, 그 외 피처에는 0을 부여하는 고정거리대역(fixed distance band) 방식으로 설정하였다. 이때 일정 거리는 모든 피처가 최소 1개의 이웃을 갖도록 ArcGIS가 자동 산정한 거리로, 본 연구에서는 577.9628m가 적용되었다. 이는 공간 단위 간의 일관된 비교를 가능하게 하고, 지나치게 멀리 떨어진 피처의 영향을 제한하기 위한 것이다. 국가관심지점 정보의 핫스폿 지역을 ‘핫플레이스’로 정의하고, 나머지는 핫플레이스가 아닌 지역으로 간주했다. 또한, z-score가 1.96을 초과하면 높은 수준의 공간적 자기상관성(spatial autocorrelation)을 나타낸다(Getis and Ord, 1992). 이에 따라 핫스폿 분석의 통계적 유의성 기준은 95% 신뢰 수준을 적용했다.

관광지를 공간 단위로 분석할 때 사용되는 변수로는 평균 중심성, 외국인 방문자 수, 차량 접근성, 대중교통 접근성, 평균 체류시간, 평균 별점이 있다. 먼저, 평균 중심성을 측정하기 위해 패키지 관광상품 데이터를 통해서 관광 경로를 파악한다. 관광 분야에서 연계성은 관광지 간의 상호 연결을 통해 관광객의 이동을 원활하게 하고, 다양한 경험을 제공함으로써 관광지의 경쟁력을 높이는 중요한 요소이다(박득희·이계희, 2014). 또한, 관광 만족도는 관광객이 관광지에서 얻은 전반적인 경험을 평가하는 지표로, 관광지의 서비스 품질과 매력도를 반영한다. 특히, 높은 만족도는 재방문 의도와 긍정적인 입소문에 영향을 미친다(박재은 외, 2021; 임화순·남윤섭, 2017). 따라서, 본 연구에서는 연계성과 만족도를 관광지 발전에 큰 영향을 미치는 핵심 변수로 선정한다.

관광 경로에 기반한 네트워크 분석을 통해 관광지 간의 연계성을 파악했다. 관광지 간의 연계성을 분석하기 위해서는 네트워크를 구성하는 관광지인 노드(node) 사이의 엣지(edge) 정보가 필요하다. 엣지는 관광지 간의 직접적인 연결을 나타내지만, 관광지 간 관광객 실 이동 궤적에 대한 자료를 확보하는 것에는 제약이 존재하는 경우가 많다. 이때, 관광지 간 연계성을 간접적으로 측정하여 엣지 정보를 생성할 수 있다.

본 연구에서는 관광지 간 연계성을 간접적으로 측정하였으며, 이는 근접성(proximity)의 차원에 기반한다. 구체적으로는, 주어진 패키지 관광상품에서 특정 관광지가 다른 관광지와 함께 공동 출현(co-occurrence)하는 패턴을 활용하여 두 관광지 간 연계 정도를 산출했다. Hidalgo et al.(2007)에 따르면, 관광지 i와 j 사이의 근접성 ϕ_{i, j}은 두 관광지가 동일한 경로에 함께 등장할 확률로 정의되며, 두 노드 간의 연계성을 반영한다:

(2)

식 (2)에서 RCA는 현시비교우위(revealed comparative advantage)를 의미한다. 이는 특정 관광지가 개별 패키지에서 차지하는 비중이 전체 패키지에서의 평균 비중보다 높은지를 평가한다:

(3)

식 (3)에서 c는 패키지 관광상품을 나타내고, x(c, i)는 패키지 관광상품 c에서 관광지 i가 포함된 빈도를 나타낸다. 이때, RCA > 1이면 비교우위가 존재한다. 이러한 방식은 직접적인 연결 정보가 부족할 때 관광지 간의 관계를 추론하는 데 유용하다.

각 노드의 엣지를 간접적으로 계산한 후, 네트워크의 중심성을 분석하여 관광 경로 내에서 중요한 노드를 파악했다. 연결 중심성(degree centrality), 매개 중심성(betweenness centrality), 근접 중심성(closeness centrality) 세 가지 지표를 사용하여 각 노드의 상대적 중요성을 평가했다. 연결 중심성은 특정 노드에 연결된 다른 노드의 수를 기반으로, 매개 중심성은 네트워크에서 한 노드가 다른 노드 간의 중개자 역할을 하는 빈도를 기반으로, 근접 중심성은 한 노드가 다른 모든 노드와 얼마나 가까운지에 대한 평균 경로 길이를 기반으로 계산되었다. 본 연구에서는 python의 NetworkX 라이브러리를 사용하여 세 가지 중심성 지표를 계산하고, 이들의 평균값을 통해 각 노드의 중심성을 종합적으로 평가했다.¹⁾

차량 접근성은 내비게이션 목적지 검색량을 통해 차량 이용자 수를 측정할 수 있다. 이는 단순한 거리 기반 접근성을 넘어 방문 의지와 실질적인 도달 용이성을 함께 반영하는 행태 기반 접근성 지표로 이해될 수 있다. 대중교통 접근성은 관광지와 가장 가까운 버스 정류장 또는 지하철역의 주소 데이터를 사용해 관광지와의 직선거리 평균을 산출했으며,²⁾ 해석의 용이성을 위해 역수값을 취하고 10,000을 곱해 사용했다. 만족도는 Google Map의 지역 가이드(local guide) 별점 평균을 이용하여 측정한다.³⁾ 리뷰는 Google Map에서 2024년 8월 기준으로 제공되는 과거 모든 시점의 리뷰 데이터를 활용하였다. 자료 수집은 리뷰를 모두 로딩한 후, 개발자 도구를 활용해 특정 HTML 클래스에서 별점 정보를 추출하고 평균 평점을 산출하는 방식으로 이루어졌다. 총 리뷰 수는 339,900건이었으며, 관광지별 리뷰 수는 최대 24,780건, 최소 0건, 평균 1,404.5건이었다.

핫스폿 분석 결과, 관광, 숙박 및 상업시설이 특정 지역에 집중되어 있으며, 그 공간적 특성에 따라 핫스폿과 콜드스폿이 명확하게 구분된다(Figure 1). 핫스폿 지역은 주로 중구, 부산진구, 연제구 등 중앙 및 남부 지역에서 나타나며, 특히 도시 중심부 및 관광 명소로 추정되는 지역에서 핫스폿이 99% 신뢰 수준에서 확인된다. 신뢰 수준 95% 이상인 핫스폿은 해당 지역과 그 인근에서 숙박, 음식, 서비스, 관광 및 레저, 문화 및 예술, 스포츠 시설 등이 밀집해 있음을 의미한다. 이를 부산의 핫플레이스로 정의했다. 핫플레이스는 관광 인프라가 구축되어 있으며 상업적 활동이 집중되는 곳이다.

Figure 1. 
Spatial distribution of hot spot and cold spot

핫스폿 인근에는 통계적으로 유의미하지 않은 지역이 다수 존재한다(Figure 1). 이 지역은 특정한 패턴이 두드러지지 않아 핫스폿이나 콜드스폿으로 분류되지 않은 곳이다. 반면, 강서구, 기장군 등 북부 및 외곽 지역에서는 콜드스폿 지역이 발견된다. 특히, 산간 지역과 도시 외곽은 관광 관련 시설 밀집도가 현저히 낮아, 상업시설이나 관광 인프라가 적은 지역임을 나타낸다. 이러한 지역들은 관광 명소와는 거리가 있으며, 관광객 유입이 적고 상업적 활동이 활발하지 않은 지역으로 볼 수 있다. 콜드스폿인 지역의 분포가 많은 것으로 보아 부산 내 관광 격차가 있는 것으로 파악된다.

패키지 관광상품 데이터를 이용하여 관광지 간 연계성을 도출한 결과, 부산의 주요 관광지들 사이의 연계성을 파악할 수 있다. <Figure 2>의 각 노드는 관광지를 의미하고, 노드를 연결하는 선인 엣지는 두 관광지 간의 연계성을 나타낸다. 242개의 관광지 중 그래프에 표시된 35개의 관광지는 서로 연계성을 가지고 있다. 반면, 나머지 207개의 관광지는 패키지 관광상품에 포함되지 않아 네트워크 그래프상에서 연결되지 않은 상태로 나타났다. 특히, 그래프 중앙에 있는 부산자갈치시장(3), BIFF광장(8), 해운대 해수욕장(11) 등은 연결된 노드가 많아 패키지 관광상품에서 중요한 허브 역할을 할 가능성이 크다. 반면, 명지동근린공원(24), 신호공원(25), 을숙도공원(34)과 다대포해수욕장(22), 몰운대(부산국가지질공원)(23), 장림포구(33)는 세 개의 관광지 간 연계성은 매우 높지만, 다른 관광지와의 연계가 부족해 장기 여행 코스로는 적합하지 않을 수 있다. 또한, 송정해수욕장(2), 부산암남공원(32)과 같이 홀로 있는 관광지들은 다른 주요 관광지와의 연계가 적거나 거의 없는 것으로 나타났다.

Figure 2. 
Network graph of tourist destinations

Note: Using the Fruchterman-Reingold layout, tourist destinations that are connected are positioned closer together, while those that are not connected are placed farther apart. Additionally, thicker lines indicate higher proximity, signifying a greater likelihood that two tourist destinations are included in the same package tour product, which reflects stronger connectivity.

이를 바탕으로 중심성 분석을 한 결과, 부산자갈치시장은 세 가지 중심성 지표에서 높은 값을 보이며, 평균 중심성이 1.54로 분석되어 네트워크 내에서 가장 중요한 허브 역할을 한다. 이는 부산자갈치시장이 다른 관광지들과 많이 연계되어 있으며, 관광 경로에서 중개 역할을 자주 수행한다는 것을 의미한다. 그 외에도 부산송도해수욕장, 흰여울문화마을도 높은 중심성을 보인다. 반면, 패키지 관광상품에 포함되지 않는 207개의 관광지는 모든 중심성이 0으로 나타났다. 이는 네트워크 분석에서 단절된 노드로 나타날 뿐이며, 관광지로서의 잠재력을 부정하는 것은 아니다.

관광지 유형화에 고려된 변수의 기초통계량은 공간 단위별로 <Table2>에 제시되어 있다. 대부분의 변수에서 최댓값과 최솟값의 차이가 크며, 표준편차도 높은 수준을 보여 관광지 간 특성과 밀도의 차이가 뚜렷함을 말해준다. 특히, 외국인 방문자 수, 체류시간, 접근성, 청년 생활인구, 핫플레이스 비율 등 다양한 지표에서 관광지 간 특성 차이 및 변수 간 변동성이 확인되었다. 이는 향후 군집분석에서 관광지를 효과적으로 구분할 수 있음을 시사한다.

군집 분석을 수행하기에 앞서, 피어슨 상관계수(Pearson correlation)를 사용하여 각 변수 간의 상관관계를 파악했다(Figure 3). 먼저, 관광지 상관계수 히트맵은 관광지 유형화에 사용된 변수 간의 상관관계를 분석한 결과를 나타낸다. 대중교통 접근성과 외국인 방문자 수 간의 상관관계는 0.54로, 관광지에서 대중교통 접근성이 좋을수록 외국인 방문자 수가 증가하는 경향이 있지만, 그 상관관계는 보통 수준으로 나타난다. 반면, 평균 체류시간과 차량 접근성의 상관계수는 -0.05로, 이 두 변수 간에는 거의 상관관계가 없다는 것으로 확인된다. 이를 통해 대중교통 접근성과 외국인 방문자 수 사이에는 어느 정도 연관성이 있지만, 다른 변수 간에는 상관관계가 미미하거나 존재하지 않는다는 것을 알 수 있다. 다음으로, 반경 500m 수준에서 핫플레이스 비율과 청년 생활인구 간에는 강한 양의 상관관계가 존재하고 있다(0.73). 높은 상관성을 가진 두 변수를 동시에 사용하는 것은 중복된 정보를 포함할 우려가 있으므로, 군집분석에는 핵심 변수인 핫플레이스 비율만을 사용했다.

Figure 3. 
Heatmap of correlation coefficients between variables by spatial unit

다음으로, 공간 단위별로 군집 수(K)를 2에서 10까지 변화시키며 K-평균 군집화를 수행한 결과, Silhouette Score가 가장 높게 나타난 K=2를 최적 군집 수로 설정하였다. 관광지 단위에서는 K=2에서 0.5405로, 반경 500m 단위에서도 K=2에서 0.8647로 가장 높은 값을 보였다(Figure 4). 이는 K=2일 때 각 군집 간 분리가 가장 뚜렷하고 군집 내 일관성이 가장 높았음을 의미한다. 따라서, 공간 단위별로 2개의 군집을 도출하였다.

Figure 4. 
Silhouette scores by number of clusters (K) by spatial unit

관광지의 유형은 관광지 간 연계성과 접근성, 관광객 만족도, 체류시간, 방문자 구성 등 관광지의 특성과 관련된 변수들의 평균값 차이를 바탕으로 도출하였다. 먼저, 관광지 기준에서 C1은 ‘독립 체류형’으로 명명하였다(Table 3). 이 유형은 연계성과 접근성, 만족도가 낮지만, 평균 체류시간이 길고, 외국인 방문자 수는 적은 특징을 보인다. 평균 중심성 또한 낮아, 개별 관광지 단위의 체류 활동이 주요하게 나타나는 목적지로 해석된다. 이처럼 연계성은 낮고 체류시간이 긴 특성은 느린 관광(slow tourism)에서 중시하는 체류 기반의 관광 행태와 유사한 양상이다(Kebete, 2021). 반면 C2는 ‘글로벌 연계 방문형’으로 정의된다. 연계성과 접근성, 만족도, 외국인 방문자 수가 모두 높으나, 평균 체류시간은 짧다. 해당 유형은 중심성이 높고 교통 접근성이 우수한 관광지로 구성되어 있다. 관광지 간 연계 구조가 비교적 잘 형성되어 있으며, 외국인 관광객의 유입이 활발하고 단기 방문 중심의 관광이 이루어질 가능성이 높다. 이는 관광지 네트워크에서 중심성과 접근성이 높고, 다양한 연계 활동이 가능한 장소일수록 외래 관광객의 유입과 단기 체류 수요가 활성화된다는 Zhou et al. (2016)의 논의와 일치한다.

한편, 관광지 반경 500m 내에서 특정 POI의 밀도를 활용한 핫스폿 분석 결과를 바탕으로, 관광지 주변의 환경에 대한 추가적인 유형 구분을 수행하였다. C1은 ‘핫플레이스 밀집형’으로 정의되며, 숙박, 음식, 서비스, 문화·레저 등 다양한 시설이 관광지 인근에 밀집된 특징을 보인다(Table 3). 이러한 시설 분포는 관광지 주변에서의 활동 여건이 잘 조성되어 있으며, 관광객의 체류 및 지출 행태에 영향을 줄 수 있는 외부 환경이 형성되어 있음을 시사한다. 관광지 주변의 상업·문화 기반 시설이 밀집된 환경은 관광객의 활동성과 만족도를 제고하며, 체류 경험을 보다 풍부하게 만드는 요인으로 작용할 수 있다(Zhou et al., 2016). 반면, C2는 ‘핫플레이스 희소형’으로 정의되며, 관광지 반경 내 관련 시설이 상대적으로 희소하거나 저밀도로 분포된 관광지가 포함된다. 이러한 유형의 관광지는 주로 자연환경을 기반으로 하며, 관광지 자체의 자원이나 경관이 주요한 방문 동기로 작용하는 환경적 특성을 가진다. 자연경관과 같은 환경적 속성이 관광객의 만족도에 긍정적 영향을 미친다는 Jiang et al.(2018)의 논의는 관광지 고유의 특성이 방문 동기로 작용할 수 있음을 시사한다.

관광지 반경 500m와 관광지의 군집을 조합하여 총 4개의 유형을 도출하였다(Figure 5). 먼저, ‘핫플레이스 밀집형·독립 체류형’ 유형에는 90개의 관광지가 포함된다. 이 유형은 관광지 반경 내 상업적 매력이 높은 지역이지만, 관광지 자체의 연계성, 접근성, 만족도는 낮고 외국인 방문자 수도 적다. 반면, 국내 관광객을 중심으로 평균 체류시간이 긴 특징을 보인다. 주로 청년층의 행정수요가 많고, 관광 인프라가 밀집된 주변 환경을 바탕으로 장기 체류를 유도할 수 있는 여건을 갖춘 관광지로 구성된다. 해당 유형의 관광지는 중구, 동구, 부산진구, 동래구 등 넓게 분포하며, 전포카페거리, 광안리 해수욕장 등 최근 주목받고 있는 상권이나 공원 공간이 이에 해당한다. 다음으로, ‘핫플레이스 밀집형·글로벌 연계 방문형’ 유형에는 13개의 관광지가 속한다. 이 유형에 해당하는 관광지는 외국인 관광객의 방문이 활발하며, 주변에는 관광 가능성을 높이는 환경이 조성되어 있다. 관광지 반경 내 상업적 매력이 높고, 관광지 자체의 연계성, 접근성, 만족도 또한 우수한 편이다. 그러나 평균 체류시간은 비교적 짧게 나타나, 빠르게 여러 관광지를 둘러보는 방문 행태가 나타날 수 있다. 해당 유형에는 해운대해수욕장, BIFF광장 및 인근 주요 관광지가 포함되며, 이들은 모두 외국인 관광객의 관심을 끌고, 한국적인 개성과 뛰어난 접근성을 갖춘 점이 특징이다.

Figure 5. 
Distribution of tourist destinations by types

한편, ‘핫플레이스 희소형·독립 체류형’ 유형은 주로 주변 공간 활성도가 낮고, 타 관광지와의 연계성이 낮은 관광지가 포함된다(Figure 5). 해당 관광지들은 국내 관광객을 대상으로 장기 체류를 유도하는 경향이 있으며, 자연경관이나 조용한 분위기를 선호하는 방문객들이 여유롭게 시간을 보내는 곳으로, 평균 체류시간이 긴 편이다. 총 129개의 관광지가 이 유형에 해당하며, 이는 부산 내 관광지의 대부분을 차지한다. 주로 교외 지역이나 소규모 도시에 넓게 분포해 있으며, 상대적으로 관광 활성화 수준이 낮은 편이라 할 수 있다. 마지막으로, ‘핫플레이스 희소형·글로벌 연계 방문형’ 유형은 주변 문화소비 가능성은 작지만, 관광지 자체의 연계성, 접근성, 만족도가 높은 특성을 보인다. 이 유형에 속하는 관광지는 외국인 관광객들이 주로 찾는 곳이며, 체류시간은 짧고 다양한 관광지를 빠르게 즐기려는 관광 행태가 뚜렷하다. 총 10개의 관광지가 포함되며, 해운대 동백섬과 가덕도 인근 관광지 등이 이에 해당한다.

일원배치 분산분석 결과, 모든 업종에서 관광지 유형이 많이 분포한 시군구 단위의 지출액 간에 통계적으로 유의미한 차이가 나타났다(Table 4). 사후 분석에 따르면, 식음료업, 쇼핑업, 숙박업에서는 핫플레이스 밀집형·글로벌 연계 방문형(b)의 관광지가 상대적으로 많이 분포한 시군구에서 평균 지출이 가장 높게 나타났다. 이 지역은 문화소비 인프라가 양호하고, 외국인이 유입되는 등 글로벌 소비문화가 형성된 환경적 특성을 가질 가능성이 있다. 한편, 여행업과 운송업에서는 핫플레이스 희소형·글로벌 연계 방문형(d)이 많이 분포한 지역에서 다른 유형에 비해 상대적으로 높은 지출 경향이 관찰되었다.

식음료업의 경우, 핫플레이스 밀집형·독립 체류형(a) 분포가 높은 지역에서 핫플레이스 희소형·독립 체류형(c) 중심 지역보다 유의미하게 높은 지출 경향을 보였는데, 이는 상업 및 관광 기반 시설의 밀도가 식음료 소비에 일정한 영향을 줄 수 있음을 시사한다. 여가서비스업 지출은 핫플레이스 밀집형·글로벌 연계 방문형(b)이 분포한 지역에서 상대적으로 높게 나타나는 경향이 있었으나, 모든 유형 간 비교에서 통계적으로 유의한 차이가 발생한 것은 아니었다. 이러한 분석 결과는 특정 관광지 유형이 밀집된 지역일수록 관광 소비가 상대적으로 활발하게 나타나는 업종이 존재함을 시사한다. 또한, 중심성과 접근성이 높은 관광지 유형의 분포가 지역 경제의 업종별 소비 구조에 일정한 영향을 미칠 수 있다는 가능성을 보여준다.