데이터 기반 지방정책 어떻게 시작하나요? 생활인구 데이터와 공공데이터로 정책을 설계하는 지자체 4단계 실무 절차와 사례

데이터 기반 지방정책, 무엇부터 시작해야 하나요

데이터 기반 지방정책의 출발점은 새 시스템 구축이 아니라, 이미 공개된 데이터를 정책 질문에 연결하는 일입니다. 행정안전부와 통계청은 2024년부터 89개 인구감소지역의 생활인구를 분기마다 공표하고 있는데요. 2025년 6월 기준 체류인구는 약 2,234만 명으로 등록인구의 4.6배 수준입니다. 주민등록 인구만 보면 줄어드는 숫자밖에 안 보이던 지역도, 체류 데이터를 겹쳐 보면 관광·통근·통학 수요가 살아 움직이는 지역으로 다시 읽힙니다. 이 글은 지자체 실무자와 지역 데이터에 관심 있는 독자를 위해 생활인구 데이터와 공공데이터를 정책 설계에 쓰는 4단계 절차, 그리고 서울 심야버스부터 인구감소지역 대응까지 실제 사례를 정리했습니다.

데이터 기반 지방정책, 무엇부터 시작해야 하나요
감으로 만든 정책이 빗나가는 순간
데이터기반행정이란 무엇인가요
생활인구 데이터는 정책 설계에 어떻게 쓰나요
심야버스에서 관광까지, 지자체 데이터 행정 사례
실전 가이드: 4단계 데이터 기반 정책 설계
FAQ
같이 읽으면 좋은 것들

감으로 만든 정책이 빗나가는 순간

몇 해 전 어느 군 단위 지자체의 정책 워크숍에 참석했을 때의 일입니다. 청년 유입 사업 예산을 어디에 쓸지 논의하는 자리였는데, 회의 자료에 담긴 근거는 주민등록 연앙인구와 담당 부서의 경험담이 전부였습니다. "주말마다 외지 차량이 많이 들어온다"는 말은 모두가 동의했지만, 그 차량이 몇 대인지, 타고 온 사람이 몇 살인지, 몇 시간 머물다 가는지는 아무도 답하지 못했습니다.

그날 회의가 끝나고 담당자와 함께 통신사 기반 유동인구 데이터를 처음 열어봤습니다. 결과는 예상과 꽤 달랐는데요. 주말 방문객의 최다 연령대는 사업이 겨냥하던 20대가 아니라 40~50대였고, 평균 체류시간은 3시간이 채 되지 않았습니다. 숙박형 청년 프로그램에 예산을 쏟기 전에, 당일 체류객의 소비를 붙잡는 상권 정책이 먼저라는 결론이 데이터에서 나온 셈입니다. 감과 데이터가 어긋나는 지점을 확인하는 데 걸린 시간은 반나절이었습니다.

이런 장면은 특정 지자체만의 이야기가 아닙니다. 지방정책의 상당수는 여전히 주민등록 인구, 즉 '밤에 자는 사람' 기준으로 설계됩니다. 그런데 재정 수요를 만드는 건 낮에 머무는 사람, 주말에 다녀가는 사람까지 포함한 실제 활동 인구입니다. 등록인구와 활동인구의 간극이 큰 지역일수록, 감으로 만든 정책은 빗나갈 확률이 높아집니다. 이 간극을 메우라고 만들어진 것이 바로 생활인구 통계와 데이터기반행정 제도인데요. 하나씩 살펴보겠습니다.

데이터기반행정이란 무엇인가요

데이터기반행정은 기관이 보유하거나 다른 기관에서 제공받은 데이터를 정책 수립과 의사결정에 활용하는 행정을 말합니다. 2020년 시행된 「데이터기반행정 활성화에 관한 법률」이 근거인데요. 이 법 제22조는 공공기관이 데이터 활용 실태를 스스로 점검하고 결과를 행정안전부에 제출하도록 정하고 있습니다. 말하자면 '데이터를 쓰는 행정'이 권장 사항이 아니라 법률상 의무이자 평가 대상이 된 것입니다.

실태점검은 데이터 분석·활용, 데이터 공유, 데이터 관리체계라는 3개 영역의 10개 세부 지표로 이뤄지고, 결과에 따라 우수·보통·미흡 3개 등급이 부여됩니다. 행정안전부의 2024년 실태점검은 중앙행정기관·지방자치단체·공공기관 등 679개 기관을 대상으로 진행됐고, 우수 등급 기관 비중이 40%대에 진입했습니다. 한 해 전인 2023년 점검에서는 평균 점수가 전년 대비 12.4점 오른 57.4점을 기록했는데요. 수준이 빠르게 올라가고는 있지만, 뒤집어 보면 100점 만점에 절반 남짓이라는 뜻이기도 합니다. 기관 간 편차도 여전히 커서, 데이터 전담 인력이 없는 기초지자체일수록 점수가 낮게 나오는 경향이 확인됩니다.

여기서 중요한 건 등급 자체가 아니라 평가 지표의 방향입니다. 지표는 값비싼 분석 시스템 보유 여부를 묻지 않습니다. 다른 기관 데이터를 받아 썼는지, 분석 결과가 실제 의사결정에 반영됐는지를 묻습니다. 즉 데이터 기반 지방정책의 성패는 장비가 아니라 데이터를 정책 질문과 연결하는 습관에 달려 있다는 것이 제도 설계자의 관점입니다.

생활인구 데이터는 정책 설계에 어떻게 쓰나요

한 줄로 요약하면, 생활인구 데이터는 '우리 지역에 실제로 머무는 사람'의 규모·연령·체류 패턴을 월 단위로 보여주는 정책 설계의 기초 재료입니다. 「인구감소지역 지원 특별법」에 따라 행정안전부 주민등록자료, 법무부 외국인등록자료, 통신사 모바일 데이터를 가명 결합해 만들며, 89개 인구감소지역을 대상으로 분기마다 공표됩니다.

수치의 스케일부터 보겠습니다. 2025년 2분기 산정 결과를 보면 인구감소지역 전체 생활인구는 4월 약 2,523만 명, 5월 약 3,136만 명, 6월 약 2,720만 명으로 움직였습니다. 5월 연휴가 낀 달에 600만 명 넘게 출렁인 것인데요. 등록인구는 이렇게 움직이지 않습니다. 오직 체류인구만이 계절과 행사, 연휴에 반응합니다. 경향신문 보도에 따르면 강원 양양군의 체류인구 배수는 2025년 10월 17.7배까지 기록됐습니다. 등록인구 1명당 17.7명이 다녀가는 지역이라는 뜻입니다.

정책설계에 쓸 때는 세 가지 축으로 데이터를 갈라 읽는 것이 핵심입니다.

분석 축	확인할 것	연결되는 정책
규모	등록인구 대비 체류인구 배수	생활 인프라 용량, 재정 수요 추계
구성	성별·연령대·숙박/당일 여부	관광 프로그램, 상권·소비 정책
시점	월별·요일별·시간대별 변동	교통 배차, 축제 시기, 안전 인력 배치

데이터를 처음 열어보는 실무자라면 아래 순서로 접근하는 것이 가장 빠릅니다.

KOSIS에서 우리 지역의 월별 생활인구 총량을 내려받아 등록인구와 나란히 놓기
성·연령·숙박 여부로 나눠 어느 집단이 총량 변동을 이끄는지 확인하기
전년 같은 달과 비교해 계절 요인과 정책 효과를 구분하기

예컨대 체류인구 배수는 높은데 평균 체류일수가 짧다면, 숙박 인프라보다 당일 소비를 늘리는 정책이 먼저입니다. 반대로 특정 연령대의 반복 체류가 확인된다면 두 지역 살기나 워케이션 같은 관계인구 정책의 근거가 됩니다. KDI가 소개한 연구처럼 생활인구 유형별로 인구감소지역을 묶어 대응 전략을 달리하는 접근도 이미 나와 있는데요. 관광형·통근형·정주형 지역이 같은 예산 메뉴를 받을 이유가 없다는 문제의식입니다. 생활인구 지표 자체를 더 깊이 읽는 방법은 생활인구 통계 해석 가이드에서 따로 다뤘습니다.

심야버스에서 관광까지, 지자체 데이터 행정 사례

요약하면, 성공한 데이터 행정 사례들은 공통적으로 '이미 쌓여 있던 데이터'를 '오래된 정책 질문'에 연결했습니다.

가장 자주 인용되는 고전은 서울시 심야버스, 이른바 올빼미버스입니다. 2013년 서울시는 자정부터 새벽 5시 사이의 통화량 데이터 약 30억 건을 KT에서 받아, 서울 전역을 지름 1km의 1,252개 구역으로 나눠 심야 유동인구 밀집도를 분석했습니다. 여기에 택시 승하차 데이터를 겹쳐 실제 수요가 몰리는 경로를 찾아냈고, 그 결관를 바탕으로 노선을 확정했는데요. 설문조사로는 잡히지 않던 새벽 이동 수요를 민간 데이터로 확인한, 지자체 빅데이터 분석의 사실상 효시로 꼽힙니다. 자세한 분석 과정은 서울정책아카이브에 정리돼 있습니다.

이 사례가 고전으로 남은 이유는 기술이 아니라 순서에 있습니다. 서울시는 먼저 "심야에 대중교통이 끊긴 뒤 누가 어디로 이동하는가"라는 질문을 세웠고, 그 질문에 답할 수 있는 데이터를 민간에서 찾아왔습니다. 시스템을 먼저 사고 쓸 곳을 나중에 찾는 흔한 실패 경로와 정확히 반대인데요. 이후 전국 지자체의 데이터 사업 기획서에서 이 순서가 일종의 표준 문법이 됐습니다.

10여 년이 지난 지금은 사례의 무게중심이 광역시에서 군 단위로 내려오고 있습니다. 지자체 빅데이터 사업을 분야별로 보면 공공행정 41건, 관광문화 29건, 교통 24건 순으로 많은데요. 특히 인구감소지역에서는 생활인구와 카드 소비 데이터를 붙여 읽는 방식이 표준처럼 자리 잡는 중입니다. 축제 기간 체류인구가 몇 배로 뛰었는지, 그 사람들이 어느 업종에서 얼마를 썼는지, 축제가 끝난 뒤에도 재방문이 이어졌는지를 숫자로 추적할수 있습니다. 예산 대비 효과가 숫자로 남으니, 이듬해 축제 시기와 프로그램을 조정하는 근거도 함께 남습니다.

물론 한계도 있습니다. 통신 데이터는 휴대전화를 쓰지 않는 고령층을 과소 집계할 수 있고, 카드 데이터는 현금 소비를 놓칩니다. 그 뿐만 아니라 데이터 결합·반출 절차에 걸리는 시간도 실무에서는 만만치 않은 장벽인데요. 그래서 사례를 벤치마킹할 때는 결과만이 아니라 그 지자체가 어떤 데이터를 어떤 절차로 확보했는지까지 봐야 합니다.

실전 가이드: 4단계 데이터 기반 정책 설계

핵심은 시스템 구축이 아니라 질문에서 출발하는 것입니다. 아래 절차는 전담 분석 인력이 없는 기초지자체 기준으로 정리했습니다.

1단계, 정책 질문을 한 문장으로 만듭니다. "청년 유입을 늘리고 싶다"는 질문이 아닙니다. "주말 방문객 중 30대의 평균 체류시간이 왜 짧은가"처럼 데이터로 답할 수 있는 형태로 좁혀야 합니다. 질문이 좁을수록 필요한 데이터가 명확해집니다.

2단계, 이미 공개된 데이터부터 확인합니다. 국가통계포털 KOSIS의 생활인구 통계, 공공데이터포털의 지역 데이터, 통계지리정보서비스 SGIS의 소지역 통계가 기본 3종 세트입니다. 대부분의 질문은 새 데이터 구매 없이 이 단계에서 절반쯤 답이 나옵니다. 행정안전부가 생활인구를 지도 위에서 바로 볼 수 있는 시각화 서비스를 제공하기 시작하면서, 코딩 없이도 지역 간 비교가 가능해졌습니다.

3단계, 등록인구 기준 수치와 활동인구 기준 수치를 나란히 놓습니다. 같은 정책 대상을 두 기준으로 계산해 보면 간극이 드러납니다. 이 간극이 곧 기존 정책이 놓치던 수요의 크기입니다.

4단계, 결과를 의사결정 문서에 남깁니다. 분석 결과가 보고서 첨부 파일로 끝나면 데이터기반행정 평가에서도, 실제 행정에서도 남는 것이 없습니다. 예산 요구서와 사업 계획서의 근거 란에 수치와 출처를 명시하는 것까지가 한 사이클입니다.

이 과정에서 지표를 새로 만들어야 한다면 몇가지 원칙이 더 필요한데요. 지표 체계를 설계하는 다섯 단계는 삶의 질 지표 설계 가이드에서 확인할 수 있습니다.

FAQ

전담 데이터 분석 인력이 없는 기초지자체도 시작할 수 있나요?

가능합니다. 생활인구 통계와 KOSIS 데이터는 별도 분석 도구 없이 엑셀 수준에서 확인할 수 있는 형태로 공표됩니다. 실태점검 지표도 고가 시스템 보유가 아니라 데이터 공동활용과 의사결정 반영 여부를 평가하므로, 공개 데이터를 정책 문서에 인용하는 것부터가 유효한 출발점입니다.

생활인구 데이터는 얼마나 정확한가요?

주민등록·외국인등록 자료에 통신 모바일 데이터를 가명 결합해 산정하므로 설문 기반 추정보다 실측에 가깝습니다. 다만 휴대전화 미보유자 과소 집계, 단말 기준 집계의 한계는 있습니다. 총량의 절대값보다 월별 추세와 지역 간 비교에 쓸 때 신뢰도가 높습니다.

민간 통신·카드 데이터는 비용이 많이 들지 않나요?

생활인구 통계는 이미 국가가 통신 데이터를 결합해 무료로 공표하고 있어 기본 분석에는 추가 비용이 들지 않습니다. 상권 단위의 정밀 분석이 필요할 때만 민간 데이터 구매를 검토하면 되는데, 이 경우에도 데이터기반행정 제도의 기관 간 공동활용 절차를 먼저 확인하는 것이 순서입니다.

기존 주민등록 인구 통계와 비교해 무엇이 달라지나요?

주민등록 인구는 거주 등록 기준의 저량 지표라 계절·행사·연휴에 따른 수요 변동을 보여주지 못합니다. 생활인구는 월 단위로 체류 규모와 구성을 보여주므로 교통 배차, 축제 시기, 인프라 용량처럼 시점이 중요한 정책에서 차이가 큽니다. 2025년 2분기에도 월별 생활인구가 600만 명 넘게 출렁였습니다.

분석 결과가 정책으로 이어지게 하려면 무엇이 중요한가요?

분석 보고서가 아니라 예산 요구서와 사업 계획서에 수치가 인용되는지가 관건입니다. 데이터기반행정 실태점검도 분석 결과의 의사결정 반영 여부를 지표로 삼습니다. 정책 질문을 먼저 정하고 그 질문에 답하는 형태로 분석을 설계하면 반영률이 올라갑니다.