1.1 연구 배경

대중교통 접근성은 이용자가 출발지에서 대중교통 수단에 탑승하기까지 소요되는 시간과 거리를 중심으로 평가되어 왔다^{(Hansen, 1959)}. 기존 연구에서는 주로 버스정류장 또는 지하철역까지의 직선거리나 네트워크 거리를 기반으로 서비스 권역을 설정하고, 이를 정적지표로 활용하였다^{(El-Geneidy et al., 2014)}. 그러나 이러한 정적 접근성 지표는 동일한 물리적 거리라도 시간대에 따라 이용자의 실제 체감 접근성이 달라질 수 있다는 점을 충분히 반영하지 못한다. 특히 버스와 도시철도를 연계하는 환승 과정에서는 시간대별 혼잡도, 이용자 특성, 통행 목적에 따라 실제 보행 소요시간의 분포가 상이하게 나타날 수 있다. 보행자 간 상호작용이 증가할수록 이동 속도가 감소한다는 사회력 모형(Social Force Model)의 원리^{(Helbing and Molnár, 1995)}에 비추어 볼 때, 첨두시간대의 혼잡 환경과 비첨두시간대의 여유로운 환경에서 환승 소요시간의 분포는 다르게 나타날 것으로 예상된다. 그러나 기존 연구들은 접근성 수준을 측정하거나 시간대별 변화 특성을 분석하는 데 주로 초점을 두어, 왜 특정 환승역은 시간대 변화에 안정적으로 반응하는 반면 다른 환승역은 큰 변동성을 보이는지에 대한 설명은 충분히 제시하지 못하였다. 환승 접근성의 시간대별 변화는 역사 구조, 이용자 특성, 주변 도시활동 등 다양한 요인의 영향을 받을 수 있으나, 실제 이용 목적이나 이용자 특성을 직접 관측하기에는 한계가 존재한다. 역세권의 토지이용 구조는 이용자의 활동 특성과 통행행태에 영향을 미치는 요인으로 알려져 있다. ^{Cervero and Kockelman(1997)}은 토지이용의 밀도(Density), 다양성(Diversity), 설계(Design)가 통행수요와 교통수단 선택에 유의한 영향을 미친다고 보고하였다. 이후 후속 연구들도 토지이용과 통행행태 간의 관계가 다양한 도시 맥락에서 일관되게 나타남을 분석을 통해 확인하였다^{(Ewing and Cervero, 2010)}. 이러한 연구는 역세권의 토지이용 구조가 이용자의 활동 특성 및 이동행태와 밀접한 관련이 있음을 시사한다. 이에 본 연구에서는 역세권 토지이용 특성을 역 주변 활동 특성을 나타내는 대리지표로 활용하고자 한다. 일반적으로 주거 중심 지역은 통근·통학 목적의 정기 이용자가 상대적으로 많고, 상업 중심 지역은 쇼핑·관광·업무 등 비정기 이용자의 비중이 높다는 점에 착안하여, 토지이용 구조가 환승 접근성의 시간대별 변화와 어떠한 관련성을 가지는지 탐색하고자 한다. 이를 통해 동적접근성 유형 간 차이를 설명할 수 있는 공간적 요인을 규명하고자 한다.

1.2 연구 목적

본 연구의 목적은 다음 네 가지로 설정한다. 첫째, 서울시 주요 환승역을 대상으로 버스-도시철도 환승 소요시간의 시간대별 변화를 활용한 동적접근성 지표를 구축한다. 둘째, 시간대별 갭 변화 패턴을 기준으로 K-means 군집분석을 수행하여 환승역의 동적접근성 유형을 분류한다. 셋째, 역세권 토지이용 특성을 이용자 활동 특성의 대리지표로 활용하여 동적접근성 유형 간 차이를 설명하는 공간적 요인을 탐색한다. 넷째, 분석 결과를 바탕으로 환승역 유형별 관리 전략과 정책적 시사점을 제시한다.

본 연구는 기존의 고정된 거리 기반 접근성 평가에서 벗어나 교통카드 데이터를 활용한 동적접근성 평가 체계를 제안함으로써, 환승역의 시간대별 관리 전략 수립에 기여하고자 한다.

1.3 선행연구 검토

대중교통 접근성 관련 선행연구는 정적 접근성 연구와 동적접근성 연구로 구분할 수 있다. 정적 접근성 연구에서 ^{El-Geneidy et al.(2014)}은 실제 접근 보행거리 분석을 통해 고정된 서비스 권역 기준의 한계를 지적하였으며, ^{Geurs and van Wee(2004)}는 접근성을 토지이용·교통체계·시간·개인 특성의 상호작용으로 설명하며 통합적 접근의 필요성을 제시하였다. 동적접근성 연구에서는 ^{Cheng et al.(2018)}이 시공간 접근성을 분석하였고, ^{Boisjoly and El-Geneidy(2016)}와 ^{Järv et al.(2018)}은 시간 변화에 따른 접근성 변동 특성을 실증적으로 제시하였다. 또한 ^{Zhang et al.(2025)}은 교통카드 데이터를 활용하여 통행시간 불확실성을 반영한 동적접근성 모델을 구축하였다. 그러나 버스-도시철도 환승 소요시간의 시간대별 변화를 동적접근성 지표로 정의하고 환승역을 유형화한 연구는 드물며, 동적접근성 패턴과 역세권 토지이용 특성 간의 관계를 분석한 연구도 부족하다. 한편 국내에서도 역세권 단위의 군집분석과 토지이용 특성을 연계한 실증연구가 이루어져 왔다. ^{Oh et al.(2009)}은 서울시 역세권을 토지이용 특성(주거·비주거)에 따라 군집분석으로 유형화하고 대중교통 이용수요와의 관계를 분석하였으며, ^{Li and Jung(2023)}은 도시철도 역별 시계열 승차인원 자료를 군집분석하고 각 군집의 토지이용 특성을 비교하여 외부 충격에 대한 대응방안을 제시하였다. 이들 연구는 역세권 단위의 군집분석과 토지이용 특성 연계라는 점에서 본 연구와 방법론적 궤를 같이 하나, 환승이라는 과정 자체의 시간대별 동적 변화를 다루지는 않았다. 한편 ^{Kim et al.(2024)}은 서울시 지하철역 235개소를 대상으로 대규모 스마트카드 데이터를 활용하여 버스-지하철 환승 소요시간에 영향을 미치는 건조환경 요인을 규명하였으나, 특정 시점의 횡단면 자료에 기반하여 환승시간의 시간대별 동적 변화는 다루지 못하였다. 이에 본 연구는 교통카드 데이터를 활용하여 환승역의 동적접근성 유형을 분류하고 토지이용 특성과의 관계를 분석함으로써 기존 연구의 공백을 보완하고자 한다.

1.4 연구흐름

본 연구는 교통카드 데이터를 활용하여 환승역의 동적접근성 특성을 분석하고, 이러한 차이가 나타나는 공간적 요인을 탐색하기 위해 다음과 같은 절차로 수행하였다(Fig. 1).

Fig. 1. Research Flowchart

2.1 분석 대상 및 범위

본 연구의 공간적 범위는 서울시 내 3개 이상의 도시철도 노선이 교차하는 주요 환승역으로 설정하였다. 이는 환승 수요가 충분히 확보되고 시간대별 이용 패턴의 변동성이 관측될 수 있는 역을 대상으로 하기 위함이다. 다수 노선이 교차하는 역일수록 유입되는 노선별 배차간격과 이용객 특성이 결합되어 환승 소요시간의 시간대별 변동이 뚜렷하게 관측될 가능성이 높다고 판단하였다. 본 연구는 모든 환승역을 대표하려는 전수조사가 아니라, 시간대별 접근성 변동이 충분히 관측될 수 있는 환승역을 대상으로 한 탐색적 연구에 가깝다. 이 기준에 따라 최종 분석 대상으로 15개 역을 선정하였다. 시간적 범위는 2025년 2월 1일부터 2월 28일까지 28일간의 전체 시간대(05시~23시)로 설정하였다(Table 1).

2.2 분석자료 및 전처리

본 연구에서는 서울시 교통카드 데이터를 주요 분석 자료로 활용하였다. 교통카드 데이터는 실제 대중교통 이용 행태를 대규모로 수집할 수 있는 자료로서 활용 가능성이 지속적으로 제시되어 왔다^{(Bagchi and White, 2005; Pelletier et al., 2011)}. 교통카드 데이터는 이용자가 버스에서 하차한 시각과 도시철도에 승차한 시각을 모두 포함하고 있어, 두 시각의 차이를 환승 소요시간으로 산출할 수 있다. 다만 태그 시점이 개찰구 통과를 기준으로 하여, 승강장 대기시간은 포함하지 못한다. 본 연구에서는 이를 환승 접근성의 대리지표로 활용하였다. 데이터 추출 기준은 다음과 같다. 버스 하차 후 30분 이내에 도시철도 승차가 이루어진 경우만을 정상 환승으로 정의하였으며, 30분을 초과하는 경우는 체류, 쇼핑 등 비환승 목적의 이동으로 간주하여 제외하였다. 또한 IQR(사분위 범위) 기반 이상치 제거를 적용하여, 각 역·시간대 조합에서 Q1-1.5×IQR 미만 또는 Q3+1.5×IQR 초과에 해당하는 극단적 체류시간 데이터를 제거하였다. 최종적으로 15개 역 × 19개 시간대(05시~23시)의 시간대별 평균 환승 소요시간 및 환승 건수를 산출하였다. 본 연구에서는 오전 첨두시간대를 7~9시, 오후 첨두시간대를 17~19시, 비첨두 시간대를 10~16시로 정의하여 분석에 적용하였다. 이러한 구분은 서울시 대중교통 통행 관련 선행연구 및 대중교통 운영 통계에서 통상적으로 활용되는 출퇴근 집중 시간대 기준을 따른 것이다. 실제로 분석 대상 15개 역의 시간대별 환승 건수를 집계한 결과, 첨두시간대(7~9시, 17~19시)의 시간당 평균 건수는 약 15만 8천 건으로 비첨두시간대(10~16시)의 시간당 평균 건수(약 8만 2천 건) 대비 약 1.9배 높게 나타나, 설정된 첨두/비첨두 구분이 실제 이용 패턴과 부합함을 확인하였다.

2.3 환승역 동적접근성 정의

본 연구에서는 환승 소요시간의 시간대별 변화를 동적접근성 지표로 정의한다. 기존의 정적 접근성 지표가 역별 평균 환승 소요시간이라는 단일 값으로 접근성을 표현하는 것과 달리, 본 연구의 동적접근성 지표는 각 역의 시간대별 환승 소요시간이 해당 역의 평소 수준 대비 얼마나 길거나 짧은지를 나타내는 갭 값으로 정의한다. 구체적으로, 역 i의 시간대 t에 대한 갭 지표는 다음과 같이 산출된다.

여기서 TransferTime(i, t)는 역 i의 시간대 t에서의 평균 환승 소요시간(분)이며, DailyMean(i)는 역 i의 05시~23시 전 시간대 평균, 즉 해당 역의 평소 환승 소요시간 수준이다. 갭 값이 양(+)이면 해당 시간대의 갭이 평소보다 길어 접근성이 저하됨을 의미하고, 음(-)이면 평소보다 짧아 접근성이 양호한 상태임을 의미한다.

2.4 K-means 군집분석

역별 동적접근성 유형을 분류하기 위해 K-means 군집분석^{(MacQueen, 1967)}을 적용하였다. 각 역의 19개 시간대 갭값을 하나의 패턴으로 묶어 입력 데이터로 사용하였으며, 최적 군집 수(k)는 Silhouette Score^{(Rousseeuw, 1987)}를 기준으로 k = 2~4를 비교하여 결정하였다.

갭 지표가 역별 일평균 대비 절대적 차이(분)로 정의되어 있어, 일평균 환승 소요시간이 긴 역일수록 갭의 절대적 크기도 커질 가능성이 있다. 이를 검토하기 위해 갭을 역별 일평균 대비 비율로 다음과 같이 재정의하였다.

이렇게 재정의한 비율 갭을 활용하여 K-means 군집분석을 재수행하였다. 아울러 관측치(15개 역) 대비 입력 차원(19개 시간대)이 상대적으로 많아 발생할 수 있는 군집 불안정성을 검토하기 위해 주성분 분석(PCA)으로 차원을 축소(누적 설명 분산 85 % 기준 3개 주성분)한 뒤 K-means를 재적용하였다. 또한 K-means 외 대안 군집기법과의 비교를 위해 가우시안 혼합모형(GMM)과 계층적 군집분석(Ward 연결법)을 추가로 적용하였다. 각 방법의 군집 분리도는 Silhouette Score로, 원 군집 구성과의 일치도는 조정 랜드 지수(Adjusted Rand Index, ARI)로 비교하였다. 군집 분류 결과 및 각 유형의 특성, 강건성 검토 결과는 3.1절에서 상세히 기술한다.

2.5 영향권 내 토지이용 특성 분석

역별 영향권은 교통카드 데이터에서 각 도시철도역으로의 환승이 발생한 버스정류장을 추출하고, 그 중 해당 역과의 직선거리가 가장 먼 버스정류장까지의 거리를 영향권 반경(R)으로 설정하였다. 이는 실제 환승 이용자가 도달 가능한 최대 공간적 범위를 영향권으로 정의함으로써, 역별 서비스 영역을 과소평가하지 않도록 하기 위함이다. 이는 실제 환승 이용 데이터를 바탕으로 역별 영향권을 직접 도출하는 방식으로, 기존의 고정된 400 m/800 m 버퍼를 역별 실측 기반 범위로 대체할 수 있다는 점에서 차별점이 있다. 설정된 역별 영향권(원형 버퍼) 내에 포함되는 서울시 용도지역을 GIS 공간 분석으로 추출하고, 주거지역·상업지역·녹지지역·기타지역의 면적 비율을 산출하였다. 이 토지이용 비율을 독립변수로, 동적접근성 유형(군집) 및 갭을 종속변수로 하여 상관관계 분석을 수행하였다. 토지이용 비율은 서울시 용도지역 자료를 기준으로 산정하였으며, 각 역별 영향권 내 주거지역·상업지역· 녹지지역·기타지역의 면적을 합산한 뒤 전체 영향권 면적 대비 비율로 계산하였다. 최원거리 정류장을 기준으로 한 영향권 반경은 이상치 정류장 하나에 의해 과대 추정될 여지가 있다. 이를 확인하기 위해 역별 환승 발생 정류장 거리 분포의 85퍼센타일 값을 대안 반경으로 삼아 토지이용 비율을 다시 산출하였으며, 그 결과는 3.4절에서 비교하였다. 다만 서울시 용도지역 자료는 법정 구분에 기반한 것이어서, 실제 필지 단위의 이용 현황이나 이용자의 실질적 활동까지는 반영하지 못하는 대리변수라는 한계도 있다.

3.1 동적접근성 패턴 유형 분류

Fig. 2는 15개 환승역 전체의 시간대별 갭 패턴을 군집별로 시각화한 것이다. 군집 A는 시간대 전반에 걸쳐 갭 변동 폭이 작고 오전 첨두시 음(-)의 갭, 즉 빠른 환승이 관측된다. 반면 군집 C는 오후 비첨두 시간대에 갭이 크게 양(+)으로 증가하는 패턴을 보이며, 이는 비정기 이용자 비중이 높은 공간 특성과 관련될 가능성을 시사한다. K-means 군집분석^{(MacQueen, 1967)}을 적용한 결과, Silhouette Score는 k = 3에서 0.324로 최고값이 도출되어 15개 환승역을 3개 유형으로 분류하였다. 각 유형의 시간대별 갭 패턴은 Table 2 및 Figs. 3~5에 제시하였다.

Fig. 2. Gap Patterns for All 15 Stations

군집 A(안정형, 9개역: DMC·공덕·상봉·수서·신설동·연신내·왕십리·홍대입구·회기)는 오전 첨두시간대(7~9시) 평균 갭이 -1.38분으로 갭이 하루 평균보다 빠르게 나타났으며, 비첨두 시간대(10~16시) 갭은 +0.48분으로 소폭 증가에 그쳤다. 전체 갭 범위 평균은 3.28분으로 3개 군집 중 가장 좁아 시간대에 따른 접근성 변화가 안정적임을 보여준다.

군집 B(혼재형, 3개역: 고속터미널·김포공항·청량리)는 오전 첨두 갭이 -2.46분으로 3개 군집 중 가장 크게 음(-)으로 나타났으며, 비첨두 갭은 +1.32분으로 중간 수준을 보였다. 일평균 환승소요시간은 7.02분이며, 갭 범위는 5.56분으로 3개 군집 중 가장 넓게 나타나 시간대별 변동성이 가장 컸다. 역별로 보면 김포공항의 오전 첨두 갭이 -3.19분, 갭 범위가 6.73분으로 군집 내에서 가장 큰 변동성을 보여 군집 평균을 상회하는 반면, 고속터미널은 오전 첨두 갭 -2.18분·갭 범위 5.34분, 청량리는 -2.02분·4.61분으로 상대적으로 군집 평균에 가까운 값을 나타내 역별 이질성이 존재한다. 이는 역사 구조의 복잡성 및 입지 특수성(공항·광역터미널)이 높은 변동성과 관련될 가능성이 있다.

Fig. 3. Gap Pattern of Cluster A

Fig. 4. Gap Pattern of Cluster B

군집 C(민감형, 3개역: 동대문역사문화공원·서울역·종로3가)는 비첨두 시간대 갭이 +1.68분으로 3개 군집 중 가장 높았으며, 오전 첨두 갭은 -0.72분으로 상대적으로 작았다. 이는 오전 첨두 시간대의 빠른 환승 효과가 미미한 반면, 비첨두 시간대에 갭이 크게 증가하는 패턴으로, 상업·관광 기능이 집중된 입지 특성과 관련될 가능성이 있다. 일평균 환승소요시간은 7.30분으로 3개 군집 중 가장 길게 나타났다. 역별로 보면 서울역의 오전 첨두 갭이 +0.48분으로 15개 역 중 유일하게 양(+)의 값을 나타내, 오전 첨두 시간대에도 접근성이 저하되는 특이 패턴을 보인다. 동대문역사문화공원은 오전 첨두 갭 -1.18분·비첨두 갭 +1.92분, 종로3가는 -1.46분·+1.67분으로, 서울역만큼 극단적이지는 않으나 세 역 모두 비첨두 시간대 갭 증가라는 공통적인 패턴을 공유한다.

Fig. 5. Gap Pattern of Cluster C

본 연구의 갭 지표는 역별 일평균 대비 절대적 차이(분)로 정의되어 있어, 일평균 환승 소요시간 자체가 긴 역일수록 갭의 절대적 크기도 커질 가능성이 있다. 비율 갭으로 재정의하여 재분석한 결과, Silhouette Score는 0.343으로 원 지표(0.324) 대비 소폭 개선되었다. 15개 역 중 10개 역이 원 군집 구성과 동일하게 유지되었으며(ARI = 0.324), 이 중 3.3절의 결과와 직결되는 민감형(군집 C) 3개 역은 완전히 유지되었다. 반면 안정형·혼재형 경계에 위치한 5개 역 (고속터미널·김포공항·청량리, 디지털미디어시티·회기)은 재배치되어, 두 유형의 경계가 갭 정의 방식에 다소 민감함을 확인하였다. 이에 본 연구는 해석의 직관성(분 단위 절대값)을 고려하여 절대 갭 지표를 주 분석 기준으로 유지하였다.

주성분 분석(PCA)으로 차원을 축소한 뒤 K-means를 다시 적용한 결과, Silhouette Score는 0.404로 추가 개선되었다. 반면 GMM은 Silhouette Score가 0.179로 분리력이 상대적으로 낮았으며, 일부 역이 단독 군집으로 분리되는 등 불안정한 양상을 보였다. 계층적 군집분석은 Silhouette Score가 0.326으로 K-means와 유사한 수준이었으나, 원 군집 구성과의 일치도(ARI)는 0.211로 낮아 군집 경계가 방법에 따라 달라질 수 있음을 보여주었다. PCA 적용에서도 민감형 군집의 구성이 안정적으로 재현되어, 주요 군집 유형의 식별 결과가 일정 수준 유지됨을 확인하였다. 다만 GMM과 계층적 군집분석처럼 알고리즘이 달라질 경우 민감형 군집의 구성이 그대로 유지되지 않아, 본 연구의 군집분류 결과는 K-means에 다소 의존적인 것으로 해석된다. PCA 적용 시에는 시간대별 갭 값이 주성분이라는 합성 변수로 변환되어 군집별 특성을 분 단위로 직접 해석하기 어려워지는 한계도 있다. 이러한 점을 종합적으로 고려할 때, 해석의 직관성을 우선한 절대갭 기준 K-means 결과는 핵심 결과와 직결되는 민감형(군집 C) 구성이 지표 재정의 전반에 걸쳐 일관되게 재현된다는 점에서 실질적인 강건성을 갖춘 것으로 판단된다.

3.2 환승역별 영향권 내 토지이용 구성

역별 영향권 내 토지이용 비율을 군집별로 분석한 결과, 유형 간 뚜렷한 차이가 관찰되었다.

군집 A(안정형)는 영향권 내 주거지역 비율이 평균 78.4 %(표준편차 20.3 %)로 가장 높았으며, 상업지역 비율은 13.3 %(±7.7 %)에 그쳤다. 주거 비율이 높은 역세권의 경우 통근·통학 등 정기적 통행이 상대적으로 많을 가능성이 있으며, 이러한 공간적 특성이 환승 행태의 시간대별 안정성과 관련될 가능성이 있다.

군집 B(혼재형)는 주거 61.1 %(±41.5 %)로 내부 편차가 큰데, 이는 녹지 비율 81.2 %인 김포공항과 주거 비율이 높은 고속터미널·청량리의 입지 특성이 혼재하기 때문으로, 역별 개별 진단이 필요한 유형으로 볼 수 있다.

군집 C(민감형)는 상업지역 비율이 56.0 %(±26.3 %)로 압도적으로 높고 주거지역은 39.3 %에 그쳤다. 상업 중심 역세권은 쇼핑·관광·외식 등 비정기 이용자 비중이 높을것으로 판단되며, 이들이 비첨두 시간대에 집중 유입되는 경향이 있어, 비첨두 시간대 혼잡도 상승 및 갭 증가와 관련될 가능성이 있다.

Fig. 6에서도 주거지역 비율은 군집 A에서 최고·C에서 최저, 상업지역 비율은 군집 C에서 압도적으로 높게 나타나 유형 간 토지이용 구성 차이가 명확히 확인되며, 이를 통계적으로 검토한 결과는 3.3절에서 제시한다.

Fig. 6. Land Use Ratio Distribution by Cluster

Fig. 7. Scatter Plot of Commercial Land Use Ratio and Off-Peak Transfer Time Gap

3.3 토지이용과 동적접근성 패턴의 상관관계

상관분석에 앞서 주거·상업·녹지 비율 전체에 대해 탐색적 상관분석을 수행하였다(Table 3). 분석 결과 상업지역 비율만이 통계적으로 유의한 양의 상관을 보였으며, 주거 및 녹지 비율은 유의하지 않았다.

역별 영향권 내 상업지역 비율과 비첨두 시간대 갭 간의 Pearson 상관분석을 수행한 결과, 유의한 양의 상관관계가 확인되었다(r = 0.651, p = 0.009, N = 15). 그 중 종로3가역은 15개 역 중 상업지역 비율이 80.3 %로 가장 높아 여타 역과의 편차가 크다. 이러한 극단값이 상관분석 결과에 미치는 영향을 확인하기 위해 종로3가역을 제외한 14개 역 분석을 추가로 수행하였다. 그 결과 종로3가역을 제외한 경우에도 r = 0.605, p = 0.022으로 유의수준 5 % 이내에서 안정적으로 유지되어 특정 역에 의한 결과 왜곡 가능성은 낮은 것으로 나타났다. 이는 상업지역 비율이 높은 역일수록 비첨두 시간대에 환승 소요시간이 평균 대비 더 크게 증가함을 의미한다. 상업 중심 역의 영향권 내에는 쇼핑·관광·외식 등 비정기 목적 이용자의 비중이 높은 것으로 판단되며, 이들은 오전 통근 집중 시간대보다 낮 시간대에 더 많이 유입된다. 이로 인해 비첨두 시간대의 혼잡도가 상대적으로 높아지고 환승 소요시간이 증가할 가능성이 있다. 한편 갭 범위(최대 갭-최소 갭)와 상업지역 비율 간의 상관계수는 r = 0.117(p = 0.677)로 유의하지 않았다. 이는 상업지역 비율이 비첨두 시간대 갭과는 관련성을 보이나, 시간대별 변동폭 전체를 설명하는 변수는 아닐 수 있음을 시사한다.

3.4 결과의 강건성 검토

앞서 제시한 상업지역 비율과 비첨두 갭의 상관관계가 상관계수 유형, 영향권 반경, 환승 판정 기준 및 요일 구성과 같은 주요 분석 설정에 따라 일관되게 나타나는지 확인하기 위해 네 가지 측면에서 강건성 검토를 실시하였으며, 그 결과는 Table 4에 정리하였다.

먼저 Spearman 순위상관을 함께 살펴본 결과, 전체 표본에서는 유의했지만 (r = 0.532, p = 0.041) 종로3가역을 제외하면 유의성이 사라졌다(r = 0.429, p = 0.126). 순위 기반 검정은 이상치의 영향에 다소 민감하게 반응하는 것으로 보인다.

영향권 반경의 경우, 최원거리 기준은 이상치에 취약할 수 있어 85퍼센타일 반경으로 다시 산출해보았다. 그 결과 상관관계는 강화되었다(r = 0.651→0.706, p = 0.009→0.003; 종로3가 제외 시 r = 0.605→0.680, p = 0.022→0.007). 85퍼센타일 반경에서도 동일한 방향의 관계가 확인되어, 영향권 설정 방식에 따른 결과의 방향성은 유지되는 것으로 나타났다.

환승 판정 기준(컷오프)을 30분에서 20분, 15분으로 좁혀보면 상관관계가 점차 약해져(r = 0.651→0.574→0.442) 15분에서는 유의성을 잃었다(p = 0.099). 이 같은 감쇠는 상업지역 비율이 높은 역일수록 두드러졌는데, 30분이라는 비교적 넉넉한 기준 안에 쇼핑 등 환승이 아닌 체류가 일부 섞여 들어가 갭을 과대 추정했을 가능성을 배제하기 어렵다. 다만 어떤 컷오프를 적용하더라도 상관관계의 방향 자체는 바뀌지 않았다.

마지막으로 평일 자료만 따로 떼어 분석해도 결과는 전체 자료와 거의 차이가 없었다(r = 0.651→0.643, p = 0.009→0.010). 요일 구성이 결과를 왜곡하지는 않는 것으로 판단된다.

종합하면, 본 연구의 핵심 결과는 영향권 반경 설정과 요일 구성에는 강건하게 유지되었으나 환승 판정 기준에는 다소 민감하게 반응하였다. 동일한 관계를 여러 조건에서 반복적으로 검정하였다는 점을 고려할 때, 본 연구의 발견은 탐색적 수준에서 해석될 필요가 있으며, 관련 한계는 4장에서 다룬다.