KOTI 한국교통연구원

버스가 끊긴 마을, AI가 답을 찾는다
: 인구위기지역 이동취약성 진단 기반 수요응답형 교통 최적화 AI 프레임워크

탁세현 연구위원, 김현서 연구원

 

KEY SUMMARY
전국 시군구의 약 40%가 인구감소지역으로 지정되는 등 인구위기가 심화되면서 농어촌 지역의 대중교통 서비스도 축소되고 있다. 버스 운행 횟수와 노선 감소로 교통 소외지역이 확대되면서 주민들의 필수시설 접근성이 낮아지고, 사회적 고립과 삶의 질 저하가 우려되고 있다. 이에 이용자의 호출에 따라 운행 시간과 경로를 탄력적으로 조정하는 수요응답형 교통(DRT)이 대안으로 확산되고 있다. 그러나 DRT 도입이 확대되고 있음에도 도입 필요성과 서비스 유형, 운영 방식을 결정할 객관적·체계적 기준은 여전히 부족한 실정이다.
본 연구는 인구위기지역을 일정 크기의 격자로 나누고, 인구 특성과 교통 여건 등 여러 지표를 종합하여 이동취약성을 진단하였다. 이를 바탕으로 지역에 적합한 DRT 서비스 유형과 운영 권역을 제안하고, 정책 실무자가 도입부터 운영까지 활용할 수 있는 AI 기반 의사결정 지원 프레임워크를 개발하였다. 연구 과정에서는 DRT 관련 주요 논의의 변화와 국내외 교통 분야 AI 활용 사례를 검토하고, 생성형 AI의 오류와 시의성 한계를 줄이기 위해 문헌과 수치 데이터를 결합한 하이브리드 지식 기반 구성 전략을 제안하였다. 프레임워크는 데이터·분석·AI 기반 지식 생성·서비스의 네 계층으로 구성하고, 수요예측에는 XGBoost를, 서비스 유형 판정에는 단계적 분류를, 운영 권역 설정에는 인접한 격자를 묶는 DBSCAN 군집화 기법을 적용하였다. 정책 지원에는 거대언어모델(LLM)과 관련 자료를 검색해 답변의 근거로 활용하는 검색증강생성(RAG)을 결합하였으며, 각 기능은 기술적 구현 가능성을 확인하는 개념증명(PoC) 수준으로 구현하였다.
시범 지역 A시에 적용한 결과, 수요예측 모형은 RMSE 3.86, R² 0.94의 성능을 보였고, 서비스 유형화·권역화 알고리즘은 정확도 0.83, F1-score 0.89를 보였다. 주목할 만한 점은 이동취약성이 높은 것으로 분류된 두 격자에서도 주민의 거주 분포와 반복적인 이동 특성에 따라 서로 다른 운영안이 도출되었다는 점이다. 한 지역에는 DRT 단독 운영이, 다른 지역에는 소형 고정노선버스와 주요 교통거점까지의 이동을 지원하는 DRT를 함께 운영하는 혼합형이 제안되었다. 이는 이동취약성이 높은 지역이라도 격자 단위의 진단 결과에 따라 교통수단과 운영 방식을 다르게 설계할 필요가 있음을 보여준다.
연구 결과를 토대로 네 가지 정책 과제를 제시하였다. 첫째, 이동취약성 지표를 기준으로 DRT 재정 지원의 우선순위를 명확히 정하는 것이다. 둘째, 지자체마다 다른 DRT 운행 데이터의 수집·관리 방식을 국가 차원에서 표준화하고 공유 플랫폼을 구축하는 것이다. 셋째, 지자체가 공동으로 활용할 수 있도록 AI 프레임워크를 공공 플랫폼으로 구축하는 것이다. 넷째, 운영 성과와 연계하여 재정을 지원하는 체계로 전환하는 것이다.

[알림] 본 원고는 한국교통연구원 고유사업으로 수행한 「인구위기지역 이동취약성 진단 기반 수요응답형 교통 최적화 AI 프레임워크 연구」 연구보고서 내용을 기반으로 작성하였음.



01 버스가 끊긴 마을, 왜 AI인가 우리나라는 1970년대 이후 도시화·산업화에 따른 지방 중소도시와 농촌 지역의 인구유출이 지속되었으며, 여기에 저출산·고령화가 맞물리면서 지역의 인구감소와 소멸 위기가 심화되고 있다. 행정안전부가 2021년 10월 처음 지정한 인구감소지역은 89개로, 전국 시군구의 약 40%에 해당하며, 강원·경북·전남·경남·충남·전북의 농촌 지역에 널리 분포한다. 문제는 인구감소가 주민의 이동 여건 악화로 이어진다는 점이다. 인구가 줄어 버스 이용 수요가 감소하면 노선의 수익성이 악화되고, 운행 횟수가 줄거나 노선이 폐지된다. 이 과정에서 버스가 하루 한두 번만 운행하거나 아예 운행하지 않는 교통 음영지역이 확대되고 있다. 특히 혼자 사는 고령자 등 대중교통에 대한 의존도가 높은 주민은 병원과 생활시설을 이용하기 어려워지고, 사회적 고립과 삶의 질 저하를 겪을 수 있다.
수요응답형 교통(Demand-Responsive Transport, DRT)은 고정노선버스를 운영하기 어려운 지역에서 이용자의 수요에 따라 운행 시간과 경로를 탄력적으로 조정하는 교통서비스다. 국내에서는 2017년 이후 농어촌 지역을 중심으로 DRT 도입이 확대되고 있으나, 지역별 운영 방식의 차이가 크고 도입 필요성과 서비스 유형을 판단할 객관적·체계적 기준은 여전히 미흡한 실정이다. 이로 인해 DRT 도입 여부와 운영 방식의 결정이 담당 공무원의 경험과 주관적 판단에 의존하는 경우가 많으며, 수요예측과 운영 권역 설정 역시 단순한 인구 통계나 민원 빈도를 중심으로 이루어지는 한계가 있다. 나아가 도입 이후에도 운영 성과를 체계적으로 분석하고 평가할 수 있는 기반이 부족하여, 재정 투입에 따른 효과를 객관적으로 판단하는 데 어려움이 있다. 최근 AI 기술의 발전은 이러한 한계를 보완하고 DRT 도입부터 운영·평가에 이르는 의사결정을 지원할 새로운 가능성을 제시하고 있다. 머신러닝은 인구·교통·운행 데이터를 함께 분석하여 지역별·시간대별 이동 수요를 예측하고, 다양한 운영 시나리오를 비교하는 데 활용할 수 있다. 생성형 AI는 분석 결과와 관련 정책 자료를 바탕으로 운영 전략을 제안하고 보고서 작성을 지원함으로써 지자체 담당자의 업무 부담을 줄일 수 있다.
지역에 적합한 DRT 도입·운영 방안을 마련하고 정책 실무를 지원하고자, 인구위기지역의 이동취약성을 여러 지표로 종합적으로 진단하고, 이를 바탕으로 DRT 서비스의 최적화를 지원하는 AI 프레임워크를 개발하였다. 연구는 네 단계로 진행하였다. 먼저 이동취약성을 수치로 나타내는 지표 체계를 구축하고, 지역을 일정 크기의 격자로 나누어 전국의 취약성 분포를 분석하였다. 다음으로 전국 DRT 운행 데이터를 분석하여 수요 특성과 이동취약성의 관계를 살펴보았다. 두 분석 결과를 바탕으로 AI를 활용해 지역에 적합한 서비스 유형과 운영 권역을 제안하였다. 마지막으로 정책 실무자가 DRT 도입부터 운영까지 활용할 수 있는 의사결정 지원 시스템을 구현하였다. 이 시스템은 개별 도시의 배차·경로 최적화를 넘어, 이동취약성 진단과 DRT 서비스 설계, 생성형 AI 기반 정책 지원을 하나의 체계로 연결하였다는 점이 주요 특징이다.






02 수요응답형 교통을 둘러싼 이슈의 변화 DRT를 둘러싼 정책 환경은 최근 수년간 빠르게 변화해 왔다. 2017년 이후 농어촌 지역을 중심으로 소규모 시범 도입이 확대되었으며, 2025년 「수요응답형교통 도입·운영 가이드라인」이 마련되면서 제도적 기반도 정비되고 있다. 운영 방식도 초기의 단순 예약제 버스에서 택시형, 셔틀형, 권역형 등으로 다양해졌으며, 앱을 통한 실시간 호출도 확산되고 있다. DRT와 관련된 정책 문서, 학술 논문, 언론 보도에서 핵심 키워드가 시기별로 얼마나 자주 등장하는지 분석한 결과, 주요 논의는 서비스 도입에서 운영 효율화로, 다시 AI 기반 의사결정으로 확대되는 세 단계의 흐름을 보였다.
제1단계(2017~2020년)에서는 농어촌 버스 대체와 교통 소외 해소 등 부족한 교통서비스를 공급하는 데 초점이 맞춰졌으며, DRT 도입과 확대가 주요 정책 목표였다. 제2단계(2021~2023년)에는 재정 지속가능성, 운영 효율화, 플랫폼 연계, 수요예측 등 서비스를 안정적이고 효율적으로 운영하는 방안으로 관심이 확대되었다. 지자체별 운영 성과를 비교하고 재정 투입의 효과를 평가하려는 요구도 높아졌다. 2024년 이후 제3단계에서는 AI 기반 최적화, 이동취약성 진단, 데이터 기반 의사결정, 생성형 AI 정책 지원 등 데이터와 AI를 활용한 서비스 설계·운영이 주요 과제로 부상하고 있다. 이를 뒷받침하기 위한 데이터 표준화와 통합 플랫폼 구축도 중요한 이슈다. 특히 이동취약성은 교통수단 부족이나 이동 불편뿐 아니라, 병원·생활시설 이용과 사회적 활동 참여의 어려움까지 함께 살펴보는 개념으로 주목받고 있다. DRT의 도입 필요성과 지원 우선순위를 판단할
때도 교통 공급 수준과 주민의 생활 여건을 종합적으로 고려하는 것이 중요해지고 있다.



국내외 AI 활용 사례에서도 교통서비스의 운영과 의사결정을 지원하는 방향으로 활용 범위가 확대되는 흐름을 살펴볼 수 있다. 국내 교통 분야에서는 서울교통공사의 안전 챗GPT, 한국철도공사의 AI 음성챗봇 등 도시 교통과 운영 지원을 중심으로 AI가 도입되고 있으나, 농어촌 DRT에 AI를 적용한 사례는 아직 제한적이다. 국외에서는 DRT 예약과 대중교통 운영 정보 조회에도 AI를 활용하고 있다. Spare는 AI 음성비서를 통해 DRT 예약을 지원하고, 샌안토니오 교통국은 거대언어모델(LLM)을 활용해 운영 데이터에 대한 질의응답을 제공한다. 이들 사례는 AI가 이용자의 서비스 접근성을 높이는 동시에 운영 담당자의 업무를 지원하는 도구로 활용될 수 있음을 보여준다. 이러한 활용 가능성을 바탕으로, 이동취약성 진단과 수요 분석 결과를 정책 실무자가 쉽게 이해하고 서비스 설계에 활용할 수 있도록 AI 프레임워크를 구성하였다. 분석 결과가 실제 정책 업무로 이어지도록 정량 분석에 생성형 AI를 결합하고, 지역별 운영 전략 제안과 제안요청서 등 실무 문서 작성까지 지원하는 데 중점을 두었다.



03 생성형 AI를 정책 도구로 쓰기 위한 지식 기반 전략 거대언어모델(LLM)이 행정과 연구 자동화의 도구로 주목받고 있지만, 정책·제도에 부합하는 판단과 명확한 근거가 요구되는 교통 분야에 그대로 적용하기에는 한계가 있다. 운영 차량 수나 운송수지 비율처럼 정확한 수치가 필요한 질문에 사실과 다른 내용을 답하는 환각이 발생하면 정책 판단에도 오류가 생길 수 있다. 학습 이후에 갱신된 지침과 재정 기준, 새로 누적된 호출 데이터를 자동으로 반영하지 못한다는 점도 문제다. 답변에 활용된 자료를 확인하기 어려운 경우에는 판단 근거를 설명하기도 어려워, 공공 행정의 투명성과 설명가능성을 확보하는 데 걸림돌이 된다.
정책 실무에서 신뢰할 수 있는 답변을 제공하려면 모델이 참고할 자료와 그 근거를 확인할 수 있는 구조가 필요하다. 이를 위해 관련 자료를 외부 지식 기반으로 구축하고, 필요한 정보를 검색하여 답변 생성에 활용하는 검색증강생성(RAG)을 적용하였다. 모델이 답변하기 전에 검증된 문헌과 데이터를 참조하도록 하여 사실과 다른 답변이 생성될 가능성을 줄이고, 지식 기반의 자료를 갱신하면 모델을 재학습하지 않아도 최신 정보를 활용할 수 있도록 하였다. 자료 검색부터 근거 비교와 분석 결과 해석까지 연결함으로써, 생성형 AI가 정책 실무자의 판단을 돕는 도구로 기능하도록 구성한 것이다.
지식 기반은 문헌 기반, 수치 데이터 기반, 두 방식을 결합한 하이브리드 기반의 세 가지 방식으로 구성하여 비교하였다. 문헌 기반은 관련 논문과 정책·운영 보고서에서 질문에 필요한 내용을 검색하는 방식으로, 정책의 배경과 필요성, 요인 간 관계를 설명하는 데 유용하다. 다만 구체적인 운영비나 운행거리 등을 분석하려면 실제 운행 데이터가 필요하다. 수치 데이터 기반은 DRT 호출 기록과 운영·성과 지표를 활용해 질문에 필요한 수치를 조회하고 분석하는 방식이다.
지역별 이용 현황과 운영 효율을 구체적으로 파악할 수 있지만, 일시적인 수요 변화나 지표 간 상관관계를 해석할 때는 주의가 필요하다. 하이브리드 기반은 문헌과 수치 데이터에서 찾은 근거를 함께 검토하여 두 방식의 장점을 결합한다. 정책이 필요한 이유를 문헌으로 설명하고, 실제 데이터로 운영 여건과 효과를 분석함으로써 정책 실무자가 근거를 종합하여 판단할 수 있도록 지원한다.
세 방식으로 구성한 지식 기반을 요인 간 상호작용과 변화의 흐름을 살펴보는 시스템 다이내믹스 관점에서 비교하였다. 그 결과, DRT의 서비스 품질과 수요, 운영 효율, 재정적
지속가능성은 서로 영향을 주고받는 구조로 나타났다. 배차가 효율적으로 이루어지면 서비스 품질이 높아지고 이용 수요가 늘며, 축적된 운영 데이터가 다시 배차 알고리즘을 개선하는 선순환 구조인 강화 루프가 작동한다. 한편, 특정 시간대에 수요가 몰리면 대기시간과 운영비가 증가해 이용과 서비스 확대가 제약되는 균형 루프도 함께 작동한다. 실제 운행 데이터에서는 오전과 오후의 특정 시간대에 수요가 집중되고, 고령층이 주요 이용자를 차지하는 특성이 나타났다. 이동취약성이 높은 면·리 지역에서도 DRT 이용이 저조한 곳이 있었다. 이용 실적만 보면 수요가 적은 지역으로 판단할 수 있지만, 문헌에서 제시하는 교통 접근성과 이용 장벽을 함께 고려하면 서비스 부족이나 예약의 어려움으로 이용하지 못하는 가능성도 살펴볼 수 있다. 정류장을 늘리면 이용 수요가 증가할 수 있지만, 운행거리와 운영비도 함께 늘어 재정 부담이 커질 수 있다. 운행 데이터로 이러한 변화를 파악하고, 문헌에서 제시하는 정류장 접근성과 운행 효율의 관계를 함께 검토하면 정류장 확대의 효과와 부담을 종합적으로 판단할 수 있다.
수치 데이터가 실제 운영 현황을 보여준다면, 문헌은 그 결과를 해석하고 정책 대안을 판단하는 데 필요한 배경과 근거를 제공한다. 두 자료를 함께 활용하면 낮은 이용 실적을 낮은 수요로 단정하거나, 이용 증가만으로 정책 효과를 평가하는 한계를 줄일 수 있다. 생성형 AI가 이러한 근거를 활용해 정책 판단을 지원할 수 있도록, 문헌과 수치 데이터를 결합한 하이브리드 지식 구성을 프레임워크의 기본 전략으로 채택하였다.



04 이동취약성 진단 기반 DRT 최적화 AI 프레임워크 AI 프레임워크는 데이터 계층, 분석 계층, AI 기반 지식 생성 계층, 서비스 계층의 네 계층으로 구성된다. 지역별 이동취약성과 수요 특성을 분석하여 어느 지역에 어떤 유형의 DRT 서비스가 적합한지 판단하는 계획·설계 중심의 의사결정 지원 체계다. 데이터 계층에서는 지역별 DRT 이용 데이터, 인구 구조, 생활시설 접근성, 기존 대중교통 공급 수준, 정책·제도 문서 등을 통합한다. 공간 분석에 필요한 데이터는 동일한 격자 기준으로 맞추고, 정책·제도 문서는 분석 결과를 해석하고 운영 방안을 검토하는 근거로 활용한다. 분석 계층에서는 머신러닝 기법인 XGBoost로 격자 간 시간대별 이동 수요를 예측하고, 이동취약성과 그에 영향을 미치는 요인을 분석한다. 서비스 유형은 먼저 DRT 도입이 필요한지 판단한 뒤, 버스형·택시형·권역형 등 적합한 유형을 선택하는 두 단계로 분류한다. 운영 권역은 인접한 격자를 묶는 DBSCAN 군집화 기법을 활용해 행정구역 경계에 얽매이지 않고 설정한다. AI 기반 지식 생성 계층에서는 거대언어모델(LLM)과 검색증강생성(RAG)을 결합하여 분석 결과를 설명하고 지역별 운영 전략을 제안한다. 검증된 문헌과 데이터를 답변의 근거로 활용해 사실과 다른 내용이 생성될 가능성을 줄인다. 서비스 계층에서는 이러한 결과를 지도와 대시보드로 보여주고, 운영 시나리오를 비교할 수 있도록 한다. 제안요청서(RFP) 작성, 재정 분석, 정책 질의응답 기능도 함께 제공하여 정책 실무자가 분석 결과를 서비스 설계와 사업 준비에 활용하도록 지원한다.



프레임워크에 담을 기능은 현장의 요구에서 출발하였다. 지자체 공무원, 학계, 연구기관, 공공기관 전문가를 대상으로 DRT 도입·운영 단계별 AI 지원 요구사항을 조사하였다. 서비스 이해 단계에서는 기본 개념과 도입 절차 안내가, 진단·계획 수립 단계에서는 서비스 유형 결정과 시간대별 수요 정보가 주요 요구로 나타났다. 자동화가 필요한 업무로는 통행수요 분석이 높은 선택 비율을 보였다. 실행·발주 단계에서는 재정 지원·집행 구조에 관한 정보와 제안요청서(RFP)·사업 공고문 작성의 자동화가 요구되었다. 운영 단계에서는 실적 점검·모니터링을 자동화가 필요한 업무로 선택한 비율이 95%로 가장 높았으며, 민원 분석도 80%를 기록하였다.
조사 결과는 현장에서 정보 제공뿐 아니라 서비스 유형과 재정 구조에 대한 판단, 문서 작성, 운영 성과 점검까지 폭넓은 지원이 필요함을 보여준다. 이러한 요구를 반영하여 개념증명 단계에서는 수요예측, 이동취약성 진단, 서비스 유형 판정, 운영 권역 설정을 핵심 분석 기능으로 구성하였다. 분석 결과를 실무에 활용할 수 있도록 결과 해석, 운영 전략 제안, RFP 초안 작성, 재정 효과 비교 기능도 함께 설계하고, 운영 실적 모니터링 자동화와 RFP 작성 지원을 우선 구현 대상으로 선정하였다.






05 시범 지역 개념증명: 같은 취약지역, 다른 처방 프레임워크의 적용 가능성을 확인하기 위해 인구감소지역인 A시에서 개념증명을 수행하였다. DRT 운행 이력과 인구·사회경제 지표, 생활시설 위치, 기존 대중교통 운행 현황을 통합하여 분석하고, 제안요청서(RFP)·법령·운영 가이드라인·사업계획서를 검색해 활용할 수 있는 지식 기반을 결합하였다. A시를 500m×500m 격자로 나누어 분석한 결과, 전체 인구의 84%가 중심 생활권에 집중되어 있었다. 동시에 주민이 거주하는 격자의 약 74%는 인구가 30명 이하인 소규모 거주지로, 중심 생활권 밖에서는 적은 인구가 넓게 분산되어 고정노선버스만으로 이동 수요에 대응하기 어려운 구조를 보였다. 주민이 거주하는 격자 가운데 버스정류장이 없는 곳이 있는 곳보다 많았으며, 버스 서비스를 이용할 수 없는 초고령 격자에 거주하는 인구도 약 1만 9천 명에 달했다. 이는 A시의 이동취약성이 교통서비스의 공간적 공백과 고령층의 이동 어려움이 겹쳐 나타나는 문제임을 보여준다.



지역 전체의 이동취약성을 진단한 뒤 취약성이 높은 두 대표 격자를 대상으로 운영 방안을 검토하였다. 두 지역은 모두 교통서비스가 부족했지만, 주민의 거주 분포와 이동 특성에 따라 서로 다른 운영안이 제안되었다. 격자1은 인구가 적고 분산되어 있으나 잠재적인 이동 수요가 있는 지역으로, 현재 교통서비스가 제공되지 않고 있었다. 시스템은 고정노선버스를 운영할 만큼 수요가 충분하지 않은 것으로 판단하고, 4~6인승 소형 차량을 활용한 DRT 단독 운영을 권고하였다. 보건소·주민센터·시외버스 정류장 등 주요 거점을 연결하는 소규모 DRT를 병행하고, 고령자도 쉽게 예약할 수 있도록 전화·문자·앱을 함께 활용하는 방안도 제시하였다. 운영은 소규모 시범사업으로 시작해 이용 실적을 확인하면서 확대하도록 제안하였다. 격자2 역시 이동취약성이 높고 교통서비스가 부족했지만, 고령층의 반복적인 생활 이동과 정해진 시간·정류장에서 이용하려는 수요가 있는 것으로 분석되었다. 이러한 특성을 반영하여 수요가 집중되는 시간대에는 소형 고정노선버스를 운행하고, 그 밖의 시간대와 수요가 적은 구간에서는 주요 교통거점까지의 이동을 지원하는 DRT를 운영하는 혼합형을 권고하였다. 인구소멸 위험이 높은 모든 격자에서 DRT 도입이 권장되는 것은 아니다. 실제로 등록 인구가 13명인 초저밀 격자는 DRT 도입을 권장하지 않는 지역으로 분류되었다. 이는 이동취약성이 높더라도 인구 규모와 거주 분포, 이동 특성을 함께 고려해 DRT 도입 여부와 적합한 교통수단·운영 방식을 결정해야 함을 보여준다.



두 격자에 제안된 운영 방안은 권역별 제안요청서(RFP) 초안에 반영되었다. 초안 작성에는 다른 지자체의 제안요청서와 법령·가이드라인·사업계획서를 검색해 참조하는 RAG 지식 기반을 활용하였다. 사업 배경과 목적, 법·제도적 근거를 정리하고, 대상 권역을 DRT 단독 운영 구역과 소형 고정노선버스·DRT 혼합 운영 구역으로 구분하였다. 차량·시설, 운영 시스템, 인력, 안전관리 등에 관한 평가 항목과 배점도 포함하였다. 지역별 진단 결과가 운영 방안 제안을 거쳐 사업 발주에 필요한 문서 초안으로 이어진 것이다. 수요예측과 서비스 유형·운영 권역 설정에 활용한 알고리즘의 성능도 점검하였다. DRT 수요예측 모형은 테스트 데이터 기준 예측 오차를 나타내는 RMSE가 3.857, 모형의 설명력을 나타내는 R²가 0.939를 기록하였다. 서비스 유형화·권역화 알고리즘은 정확도 약 83%, F1-score 약 0.89를 보였다.
이번 개념증명에서는 지역 전체의 진단, 격자별 운영 방안 제안, 권역별 사업 문서 작성이 하나의 과정으로 연결되었다. 이를 통해 프레임워크의 기술적 구현 가능성과 분석 결과를 정책 실무에 활용할 가능성을 확인하였다. 다만 생성된 문서와 운영 제안은 실제 발주·도입에 앞서 담당자의 검토와 현장 여건에 따른 보완이 필요하다.






06 결론 및 정책적 시사점 본 연구는 인구위기지역의 이동취약성을 데이터로 진단하고, 지역에 적합한 DRT 운영 방안과 정책 실무 지원을 연결하는 AI 프레임워크를 개발하였다. 분석 결과, 이동취약성은 인구 수나 고령화율만으로 판단하기 어려우며, 주민의 이동 수요와 교통서비스 공급 수준을 함께 살펴볼 필요가 있었다. 격자 단위 분석은 행정구역의 평균 수치만으로 파악하기 어려운 취약지역을 찾아내고, DRT 도입 여부와 운영 권역을 검토하는 데 활용할 수 있다. 운행 데이터 분석에서는 서비스 품질과 수요, 운영비가 서로 영향을 주는 관계를 확인하여, 재정 지원과 함께 배차·권역 설정 등 운영 효율을 고려할 필요성을 도출하였다. 개념증명에서는 이러한 분석 결과를 운영 전략과 제안요청서 초안으로 구체화하는 의사결정 지원 체계의 구현 가능성을 확인하였다.
정책적으로는 네 가지 과제를 제시할 수 있다. 첫째, DRT 재정 지원의 우선순위를 정할 때 이동취약성 진단 결과를 반영할 필요가 있다. 인구 규모나 행정구역별 기준에 더해 주민의 이동 수요와 서비스 부족 정도를 고려하면, 지원이 필요한 지역을 구체적으로 판단할 수 있다. 둘째, 지자체마다 다른 DRT 운행 데이터의 수집 항목과 관리 형식을 표준화하고 공유 체계를 마련해야 한다. 이는 지역별 운영 성과를 비교하고 AI 프레임워크를 다른 지역에 적용하기 위한 기반이다.
셋째, 전문 인력이 부족한 지자체도 활용할 수 있도록 AI 프레임워크를 공동 이용이 가능한 공공 플랫폼으로 구축할 필요가 있다. 넷째, 운영 성과를 재정 지원에 반영하는 방안을 검토해야 한다. 이때 이용 실적과 비용 효율뿐 아니라 이동취약성 개선 효과와 지역별 운영 여건도 함께 고려해야 하며, 연구에서 도출한 운영 성과 평가지표를 활용할 수 있다.
이번 개념증명은 서비스 계획과 정책 지원을 대상으로 하였으며, 실시간 차량 배차와 현장 대응은 포함하지 않았다. 최신 데이터를 확보하기 어려워 일부 지표를 반영하지 못한 한계도 있다. 향후에는 다양한 지역의 운행 데이터와 사회경제 지표를 활용해 수요예측 모형이 다른 지역에서도 유효한지 검증해야 한다. 지자체 시범 적용을 통해 생성형 AI 답변의 신뢰도와 실무 활용성을 점검하고, 담당자의 의견을 반영해 사용 편의성을 개선할 필요도 있다. 민간 DRT 플랫폼과의 데이터 연계를 확대하고, 도입 전후의 이동취약성 변화를 비교하여 실제로 주민의 이동 여건이 개선되었는지 평가하는 것이 후속 과제다.




[참고문헌]
• 국토교통부 교통서비스정책과(2025), 「수요응답형교통(DRT) 도입·운영 가이드라인」.
• 김혜란 외(2024), 「활력 있는 초고령 사회를 위한 대중교통 역할 강화 방안」, 『국토정책 Brief』 9 78호, 국토연구원.
• 박종일 외(2023), 「지방중소도시의 도시형 DRT 도입방안」, 『국토정책 Brief』 929호, 국토연구원.
• 임서현 외(2023), 「지방 중소도시의 고령화 및 인구감소에 대비한 이동권 확보 방안」, 한국교통연구원.
• 탁세현 외(2026), 「인구위기지역 이동취약성 진단 기반 수요응답형 교통 최적화 AI 프레임워크 연구」, 한국교통연구원.
• Currie, G., & Fournier, N. (2020). Why most DRT/Micro-Transits fail – What the survivors tell us about progress. Research in Transportation Economics, 83, 100895.
• Da, L., Huang, Y., Ying, S., Zhang, Z., Zhao, J., & Lee, D. H. (2025). Generative AI in Transportation Planning: A Survey. arXiv preprintarXiv:2503.07158.
• Jonnala, R., Liang, G., Yang, J., & Alsmadi, I. (2024). Using Large Language Models in Public Transit Systems: San Antonio As A Case Study. arXiv preprint arXiv:2407.11003.
• Lewis, P., Perez, E., Piktus, A., et al. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459-9474.