← 포트폴리오KIM SEONGMIN

AI와 함께하는 교통문제 해결을 위한 데이터 분석 공모전 / 공공 정책

교통 사막: K-패스 혜택이 닿지 않는 지역

대중교통 환급 제도 K-패스의 혜택이 대중교통이 부족한 지역에는 거의 돌아가지 않는다는 걸 숫자로 보이고, 분담률이 낮은 요인을 모델로 나눠 보고 지역 유형마다 다른 지원책을 제안했습니다.

공공 정책의 성과는 예산이 정말 필요한 사람에게 닿는지에 달려 있습니다. K-패스는 탄 만큼 돌려주는 제도라, 인구의 17.4%가 사는 교통 사막에는 환급의 약 4.8%만 돌아가는 것으로 추정됐습니다.

요인을 지역마다 나눠 보니 가장 큰 요인은 인구밀도였고, 탈 대중교통이 없는 농산어촌형은 모형에서 자가용을 줄여도 분담률이 거의 오르지 않았습니다. 이 결과에 맞춰 유형마다 이동 크레딧(연 176억 원)과 전환 보너스(연 49억 원)를 다르게 제안했습니다. 교통 사막 기준을 바꿔도, 2026년 실제 이용자 수와 비교해도 결론이 유지되는 것을 확인했습니다.

데이터
전국 229개 시군구 공공데이터 (인구총조사 2020, 자동차 등록, 버스정류장과 노선, 도시철도역)
도구
Python (scikit-learn, 직접 구현한 정확한 SHAP, K-means, statsmodels), Tableau Public
229개 시군구 유형 지도를 Tableau에서 직접 살펴보기 ↗
5.3배분담률 20% 이상인 지역과 교통 사막의 1인당 혜택 차이
0.85시도 단위로 묶어 검증한 분담률 예측 R². 무작위 검증은 0.93
3개낮은 이유가 같은 지역끼리 묶은 교통 사막 유형
0.862026년 실제 K-패스 이용자와의 상관. 시도 17곳, 인구 1천 명당
1 문제혜택은 고르게 가는가
2 데이터229개 시군구
3 분석요인 분해, 유형 3개
4 검증시도 단위로 재검증
5 제안유형별 지원책

01문제 정의

K-패스는 버스와 지하철을 타면 요금 일부를 돌려주는 제도입니다. 그런데 돌려받으려면 먼저 대중교통을 타야 합니다. 버스가 드물고 지하철이 없는 지역 주민은 혜택을 받을 기회 자체가 적습니다.

  1. K-패스 혜택은 지역마다 고르게 돌아가는가
  2. 대중교통을 덜 타는 지역은 왜 덜 타는가
  3. 그 이유가 지역마다 다르다면, 지원책도 달라야 하는가

분석 단위는 2020년 행정구역 기준 전국 229개 시군구입니다. 종속변수는 K-패스 대상 수단(시내, 마을, 광역버스, 전철, 지하철)의 통근, 통학 분담률이고, 이 값이 10% 미만인 시군구를 교통 사막으로 정의했습니다.

02데이터

자료출처용도
이용 교통수단별 통근, 통학 인구 (2020)KOSIS 인구총조사종속변수, 승용차 통근 비율
주민등록인구, 세대수, 연령별 인구KOSIS 행정안전부인구, 고령 비율
자동차 등록, 국토이용현황KOSIS 국토교통부자가용 보유, 대지 기준 인구밀도
버스정류장 위치, 버스노선과 배차간격공공데이터포털 국토교통부 TAGO (API로 직접 수집)버스 공급 수준
도시철도역사 정보공공데이터포털철도 접근성
K-패스 시도별 이용자 수 (2026.4)국토교통부 공개 자료외부 검증

원자료를 시군구 단위로 맞추며 63개 변수를 만들었습니다. 정류장과 역은 좌표를 행정구역 경계에 겹쳐 시군구마다 셌습니다.

03혜택 격차

교통 사막 111곳의 인구 비중과 환급액 비중K-패스 1인당 월평균 환급 1.6만 원 가정

교통 사막 111곳에 인구의 17.4%가 살지만 환급액은 약 4.8%만 돌아가는 것으로 추정됩니다. 실제 지급 자료가 아니라 1인당 환급액이 같다고 가정해 계산한 값입니다. 주민 1인당 혜택은 분담률 20% 이상인 70곳이 교통 사막의 약 5.3배입니다.

04예측 모델

변수 고르기

63개 변수에서 VIF로 서로 겹치는 변수를 빼고 영역별로 7개를 남겼습니다. 비슷한 변수가 함께 들어가면 나중에 SHAP 기여도가 둘로 나뉘어 해석이 흐려지기 때문입니다.

변수영역VIF
대지 기준 인구밀도 (로그)밀도6.23
정류장 밀도 (로그)공급1.08
인구 10만 명당 도시철도역공급1.62
인구 1천 명당 자가용자동차1.65
시도 밖으로 통근하는 비율이동 구조1.53
고령 비율교통약자9.25
청소년 비율교통약자3.52

고령 비율은 VIF가 다소 높지만, 교통약자 지원이라는 정책 질문에 꼭 필요해 남겼습니다.

모델 비교

인구밀도 효과처럼 직선이 아닌 관계를 잡으려고 트리 모델 세 개를 5-fold 교차검증으로 비교했습니다. 229개는 작은 표본이라 한 번만 나누면 운에 따라 성능이 흔들립니다.

모델교차검증 R²R² 표준편차RMSE (%p)MAE (%p)
RandomForest0.9200.0273.602.57
GradientBoosting0.9290.0223.402.43
ExtraTrees0.9280.0223.412.44

세 모델의 차이는 작았고, 오차가 가장 작은 GradientBoosting을 골랐습니다. 인구밀도 하나만 넣어도 R² 0.78이 나와서, 나머지 변수가 설명하는 부분은 0.15 정도입니다.

05SHAP으로 요인 분해

모델을 예측에 그치지 않고 진단에 썼습니다. SHAP은 시군구마다 "어떤 요인이 분담률을 몇 %p 올리거나 내렸나"를 계산해 줍니다. 변수가 7개라 가능한 조합(2⁷ = 128개)을 전부 계산하는 정확한 SHAP을 직접 구현했고, 기여도의 합이 예측값과 정확히 맞는지 확인했습니다.

변수별 평균 기여도 비중시군구별 |SHAP|의 평균을 합이 100%가 되게 나눈 값

인구밀도의 영향이 절반 이상이고, 다음이 자가용 보유와 도시철도역입니다. 정류장 수 자체의 영향은 작았습니다. 정류장 수보다 주변에 사람이 얼마나 모여 사는지가 더 크게 작용했습니다.

06교통 사막 유형 나누기

원래 변수 값으로 묶으면 "비슷하게 생긴 지역"이 묶입니다. 처방을 나누려면 대중교통을 안 타는 이유가 같은 지역끼리 묶어야 해서, 교통 사막 111곳을 SHAP 값으로 K-means 군집화했습니다.

군집 수실루엣Davies-Bouldin
20.5230.824
30.4370.894
40.3251.182
50.3101.030

지표만 보면 2개가 가장 좋았지만, 2개로 나누면 농촌형과 지방도시형이 한 묶음이 되어 처방이 하나로 뭉개졌습니다. 해석 가능성을 우선해 3개를 골랐습니다.

유형지역 수분담률대지 인구밀도자가용/1천 명고령 비율승용차 통근
① 농산어촌 이동고립형674.7%3,92835633.2%49.6%
② 도농복합 자동차의존형326.4%6,50340222.6%61.4%
③ 지방도시 자동차고착형128.2%12,90441215.9%65.1%
(참고) 교통 사막이 아닌 지역11833.4%37,17232516.8%39.3%
교통 사막 유형 지도2020년 행정구역 기준
전국 시군구를 교통 사막 3개 유형과 비해당 지역으로 칠한 지도

①은 고령층이 많고 차가 없는 사람도 많아 이동 자체가 어렵습니다. ②, ③은 자가용으로 출퇴근하는 비율이 60%를 넘어, 대중교통으로 바꾸게 하는 것이 핵심입니다. 분담률 자체도 이웃 지역끼리 매우 비슷해서 지도에서 무리 지어 나타났습니다(Moran's I 0.88). 개별 시군구보다 권역 단위 정책이 필요하다는 근거입니다.

07검증

교통 사막 기준을 바꿔도 결론이 같은가

기준지역 수인구 비중혜택 비중1인당 혜택 배율10% 기준과 유형 일치도(ARI)
8%9411.5%2.6%6.6배0.96
10%11117.4%4.8%5.3배1.00
12%12726.4%9.2%4.2배0.40
15%14035.8%14.8%3.5배0.38

혜택 격차(3.5~6.6배)는 어느 기준에서도 유지됐습니다. 다만 12% 이상에서는 유형 구성이 달라져서, 유형 분류는 10% 기준에 의존한다는 점을 한계로 밝혔습니다.

2026년 실제 이용자 수와 비교

통근 수단 자료는 2020년이 최신이라, 2020년 자료로 만든 모델을 최신 인구와 자동차 자료에 적용해 2026년 4월 시도별 실제 K-패스 이용자 수와 비교했습니다. 인구가 많은 시도일수록 이용자도 많아서 이용자 수를 그대로 비교하면 상관이 높게 나옵니다(0.94). 그래서 인구 1천 명당 기준 0.86(95% 구간 0.64~0.95, 시도 17곳)을 기준으로 봤습니다.

지역을 묶어 다시 검증

이웃 지역끼리 값이 비슷하면 무작위로 나눈 교차검증은 성능을 좋게 보이게 합니다. 한 시도를 통째로 빼고 나머지 시도로 학습해 그 시도를 맞히는 방식으로 다시 검증했습니다. 정류장 자료가 온전한 220곳 기준입니다.

검증 방식R²RMSE (%p)MAE (%p)
무작위 5겹0.933.52.5
시도 단위 (한 시도씩 제외)0.855.13.6
시도 단위, 인구밀도 하나만0.736.84.7

08제안

대상제안규모 추정
① 농산어촌 이동고립형선지급형 이동 크레딧. 버스를 잘 타지 않는 지역이라 사후 환급은 의미가 없어서, DRT(수요응답형 교통)나 택시에 쓸 수 있는 금액을 미리 지급약 9.2만 명, 연 176억 원 (DRT 약 124대 운영비 규모)
② 도농복합, ③ 지방도시대중교통 전환 보너스. 자가용 통근자가 대중교통으로 바꾸면 추가 혜택목표 약 2.6만 명, 연 49억 원, CO₂ 약 3.5만 t 감축

시나리오 분석에서 ①은 자가용이 줄어도 분담률이 거의 오르지 않았습니다. 탈 대중교통이 없어서입니다. ①에는 전환 보너스를 넣지 않았습니다. 전환 보너스의 2.6만 명은 목표치이고, 효과를 추정한 값은 아닙니다.

176억 원은 K-패스 첫 1년 환급금 3,600억 원(보도)에 ① 유형의 인구 비중과 혜택 비중의 차이 4.9%p를 곱한 값이고, 월 1.6만 원씩 지급하면 약 9.2만 명입니다. 49억 원은 목표 인원에게 같은 금액을 1년 지급하는 비용입니다.

09한계

10기술별로 왜 썼나

TAGO API 수집정류장 위치만으로는 서비스 수준을 알 수 없어서 노선 정보까지 모으려고
VIF비슷한 변수가 함께 들어가면 SHAP 기여도가 나뉘어 해석이 흐려져서
로그 변환인구밀도는 지역 간 차이가 수백 배라 극단값에 끌려가지 않게 하려고
트리 모델 3개 비교직선이 아닌 관계를 잡고, "왜 그 모델이냐"에 숫자로 답하려고
교차검증229개는 작아서 한 번만 나누면 운에 따라 성능이 흔들려서
정확한 SHAP변수가 7개라 모든 조합을 계산할 수 있고, 근사 없이 기여도 합이 예측값과 맞아서
SHAP 값으로 군집화대중교통을 안 타는 이유가 같은 지역끼리 묶어야 처방을 나눌 수 있어서
K = 3지표는 2가 최고였지만 2개로는 처방이 하나로 뭉개져서
기준 민감도 (8~15%)10%가 임의 기준이라는 반론에 결론이 유지된다는 걸 보이려고
Moran's I, LISA교통 사막이 지도에서 무리 지어 있는지 확인하려고
2026년 이용자 수 검증2020년 자료의 한계를 최신 외부 자료로 보완하려고
CO₂와 예산 환산정책 담당자는 R²가 아니라 예산과 효과로 판단해서