요약

인구이동(migration)은 “일정한 지역에 살던 사람이 읍면동 경계를 벗어나 다른 곳으로 거주지를 옮긴 경우”로 정의되며, 더 넓게는 “정치·행정의 경계를 넘는 거주지의 변화”로 이해된다. 이는 단순한 주거지의 ‘이전(移轉)’과는 구분되며, 일정 거리를 넘어 삶의 기반이 되는 생활공간이 장기적 또는 영구적으로 변화하는 개념을 포함한다. 인구이동은 출생이나 사망과 달리 단기간에 반복적으로 발생할 수 있으며, 정책변화나 경제적 여건 등 사회경제적 요인에 민감하게 반응하는 특성을 가진다. 우리나라에서는 국토의 관리와 중장기적 계획수립의 목적으로 인구이동 집계 통계를 주기적으로 생산하고 있으나, 그 단위가 행정구역 중심으로 이루어져 변화하는 행정구역과 생활권이나 교통망 변화 등 도심지 공간 패턴 분석에 한계가 있었다. 또한, 전통적인 코호트요인법은 미래 시나리오 가정에 의존하여 급변하는 사회·경제적 환경과 비선형적 요인을 충분히 반영하지 못하는 단점이 있었다.

본 연구에서는 이러한 한계를 극복하기 위해 1km 격자 단위의 미시적 공간분석과 인공지능(AI)을 결합한 인구이동 예측모형(AI-based Policy-oriented Spatio-temporal Prediction for Population Migration, AI-PriSM, 가칭)을 개발하는 것을 목표로 한다. 이를 통해 인구이동의 시공간적 패턴을 정밀하게 예측하고, 정책 시뮬레이션을 통한 의사결정 지원에 활용하고자 한다.

AI-PriSM(가칭)에서는 인구이동 예측모형과 직전 주소지 예측모형을 구분하여 개발하였다. 먼저, 인구이동 예측모형에서는 인구의 이동에 상관관계가 높을 것으로 예상되는 상권정보, 교통 접근성 등 정주 여건과 사업체 수 및 종사자 수 등을 함께 고려하여 Cellular Geography 개념을 적용한 격자 재배분 과정을 거쳤고, XGBoost, 다층인공신경망(Multilayer Neural Network), 강화학습(Reinforcement Learning) 등을 활용하여 비교 분석하였다. AI 모형의 접목 과정에서는 Tabu-search, 유전자알고리즘 등 다양한 휴리스틱(Heuristic) 방법론을 통한 하이퍼파라미터(Hyper parameter) 최적화를 함께 구성하였다. 직전 주소지 예측모형을 위해서는 그래프 네트워크(Graph Network) 기반의 혼합 딥러닝 모형인 Spatio-temporal Graph Attention Network(ST-GRAT) 모형을 활용하여 다수의 기점과 종점 간의 패턴을 학습하도록 구성하였다. 분석 결과, 인구 규모(총인구, 가구수) 자체가 인구이동의 가장 큰 요인으로 확인되었으며 철도 및 지하철 접근성, 사업체 밀도 등이 주요 영향을 미치는 것으로 나타났다. 이는 수도권과 비수도권 간의 인구집중 현상을 설명하는 주요 근거가 될 것이다. 직전 주소지 예측모델(ST-GRAT)은 지역 간 이동 패턴 학습에는 효과적이었으나, 이동량의 정량적 예측에는 일부 한계를 보여 향후 고도화의 필요성이 확인되었다.

본 연구는 격자 단위의 세밀한 데이터와 AI 기술을 결합하여 기존 통계적 방법론의 한계를 기술적으로 극복하고, AI 모형에서 주요 문제로 대두되는 ‘블랙박스(blackbox)’ 문제를 완화할 수 있는 설명 가능한(Explainable) 예측 프레임워크를 제시하였다는 데 기술적인 의의가 있다. 개발된 모형은 교통 인프라 확충, 택지 개발, 산업 단지 조성 등 정책 개입에 따른 인구 변화를 사전에 시뮬레이션하는 도구로 활용될 수 있을 것으로 기대한다. 이를 통해 정책 실패 위험을 줄이고 예산 배분의 효율성을 높여 지방소멸 대응 및 국토 균형발전 전략 수립에 기여할 것으로 기대한다.

향후 연구에서는 AI 알고리즘의 고도화 및 추가 적용과 정책 시나리오 고도화 작업 등을 통한 효용성 제고가 필요할 것이다.