공간구문론(Space Syntax)은 물리적 공간분석을 통해 그 안에 내재된 사회구조를 해석하기 위한 도구로서 사회구조(Social Structure)가 물리적 공간구조(Spatial Structure)의 통제를 받고 있음을 전제로 한다. 그러나 현대 도시에서 물리적 공간구조(가로망 체계)에 변화가 없어도 도시의 지역 사회구조는 짧은 기간 내에 큰 변화를 보이고 있다. 이러한 역동적인 도시 지역 사회구조의 변화에는 물리적 공간 네트워크의 영향 외에 또 다른 영향 요인이 존재함을 시사한다. 그래서 많은 관련 연구자들은 공간구문론의 이러한 문제점을 해소하기 위해 물리적 공간 네트워크에 인간 이동행태에 영향을 미치는 물리적 환경요인을 가중치로 반영해주는 시도들을 해왔다. 그러나 물리적 공간 네트워크에 가중치로 도입되는 물리적 환경요인들도 정적(靜態)인 특성을 갖고 있어 다이내믹한 현대 도시 지역 사회구조를 설명하는데 한계를 보인다. 최근 들어 많은 도시 관련 연구자들은 도시 지역 사회현상을 분석하기 위해 위치 기반 소셜 네트워크(Location Based Social Network) 빅 데이터(Big Data)에 주목하기 시작하였다. 사람들이 방문한 장소에 관한 정보를 기록하여 소셜 미디어에 공유함으로써 위치 기반 소셜 네트워크 빅 데이터가 형성되면서 개개인이 선호하는 맞춤형 장소를 추천해주는 것이 가능해 졌다. 현대 도시인은 위치 기반 소셜 네트워크 빅 데이터를 통해 추천된 맞춤형 장소로 이동하게 되는 경우가 많다. 이렇게 현대 도시인의 이동행태는 물리적 공간 외에 가상공간(Internet)의 영향도 같이 받고 있다.
이런 맥락에서 본 연구는 다이내믹한 도시 공간분석을 위해 정적(靜態)인 물리적 공간 네트워크와 인간의 이동패턴에서 도출된 장소와 장소의 동적(動態)인 사회적 공간 네트워크를 통합시킨 사회·물리적 공간 네트워크(Socio-Physical Spatial Network)를 제안하였다. 사회·물리적 공간 네트워크(Socio-Physical Spatial Network) 구축 방법은 물리적 공간 네트워크(Physical Spatial Network)와 사회적 공간 네트워크(Social Spatial Network)를 각각 따로 구축하여 통합시켰다. 물리적 공간 네트워크는 지상 도로망을 기준으로 하는 지상 공간 네트워크와 지하철선로망을 기준으로 하는 지하 공간 네트워크를 통합시킨 지상·지하 공간 네트워크(Ground-Underground Spatial Network)를 제안하였다. 사회적 공간 네트워크는 LBSN Service의 대표 기업인 Foursquare의 LBSN Big Data를 수집, 가공, 정제하여 특정 장소와 장소 사이의 실제 이동경로패턴을 도출하여 네트워크화 하였다. 이렇게 구축된 물리적 공간 네트워크와 사회적 공간 네트워크를 다중 네트워크(Multi-Network) 개념으로 통합시켜 사회·물리적 공간 네트워크를 구축하였다.
본 연구에서 제안하는 사회ㆍ물리적 공간 네트워크를 검증하기 위해 서울시 행정구역을 분석 대상으로 도시 공간분석을 실시하였다. 도시 공간분석결과와 실제 유동인구를 회귀분석한 결과 사회ㆍ물리적 공간 네트워크가 기존 물리적 공간 네트워크에 비해 높은 설명력을 보이는 것으로 확인되었다. (주어가 없네요.) 또한 물리적인 건축물노후도가 높은 건물들이 밀집되어 있는 지역과 사회적 공간 네트워크의 영향으로 통합도가 낮아진 지역이 겹치는 지역이 도시쇠퇴지역으로 나타났고, 건축물노후도가 높은데도 통합도가 높아진 지역은 젠트리피케이션(Gentrification) 발생지역으로 나타났다. 위와 같은 분석결과로부터 사회적 공간 네트워크가 실제로 존재한다는 사실을 확인할 수 있었다. 이는 도시계획설계에서 단순 물리적 공간구조를 대상으로 분석할 것이 아니라 도시 안에 내재된 사회적 공간들 사이의 소프트웨어적인 네트워크(도시 지역들 사이의 사회적 관계)도 같이 고려해줘야 함을 시사해 준다. 본 연구는 다이내믹하게 변화하는 도시 지역 사회현상을 정적인 물리적 공간으로만 설명하기 어려웠던 공간구문론의 한계를 해소하기 위한 연구방향을 제시해줬다는 점에 큰 의의가 있다. 또한, LBSN Big Data는 지금도 계속해서 빠른 속도로 많은 양이 쌓이고 있어, 이와 같은 도시 관련 빅 데이터를 활용한 보다 스마트한 도시계획설계가 가능함을 본 연구를 통해 보여주었다.